UII

1. BAB I
PENDAHULUAN
1.1 Sejarah Analisis Regresi
Analisis regresi merupakan salah satu analisis yang bertujuan
untuk mengetahui pengaruh suatu variabel terhadap variabel yang lain,
Dalam analisis regresi, variabel yang mempengaruhi disebut Independent
Variable (variabel bebas) dan variabel yang dipengaruhi disebut Dependent
Variable (variabel terikat). Analisis regresi meliputi pengumpulan data
berpasangan, pencarian pola garis (pendugaan parameter dan ketidakpasan
model), pendugaan persamaan regresi (pendugaan dan pengujian parameter
serta interpretasi model dan parameter.
1.2 Tahapan Pembentukan Model Regresi
1. Penentuan Model
2. Menduga Parameter
3. Verifikasi Model
4. Jika model tidak tepat atau ada asumsi yang tidak terpenuhi, kembali ke
langkah 1.
5. Inferensia dan interpretasi
1.3 Analisis Regresi Linear Sederhana
Analisis regresi sederhana digunakan untuk mengetahui pengaruh
dari variabel bebas terhadap variabel terikat atau dengan kata lain untuk
mengetahui seberapa jauh perubahan variabel bebas dalam mempengaruhi
variabel terikat.
1. Model Regresi : Y = 𝛽0 + 𝛽1Xi+𝜀
2. Persamaan Regresi : yhat = bo+b1xi
Dimana bo : intersep
b1: slope/kemiringan
1

2. BAB II
DESKRIPSI KERJA
Pada bab ini, praktikan akan menunjukkan langkah-langkah yang
dikerjakan untuk menyelesaikan kasus yang ada. Persoalan yang dibahas pada
praktikum kali ini adalah melakukan analisa regresi sederhana untuk melihat ada
tidaknya pengaruh dari Ukuran Rumah (ribuan kaki persegi) terhadap Harga
Rumah (ribuan dolar), seberapa besar pengaruhnya dan menjelaskan proses
perhitungannya dengan menggunakan software SPSS. Kasus yang akan
diselesaikan sebagai berikut :
Tabel 2.1 Tabel Kasus Yang Akan Dianalisis
Rumah Ke Ukuran Rumah
(X)
Harga Rumah
(Y)
1 1.7 33
2 1.0 24
3 1.7 27
4 2.8 47
5 2.2 35
6 0.8 17
7 3.6 52
8 1.1 20
9 2.0 38
10 2.6 45
11 2.3 44
12 0.9 19
13 1.2 25
14 3.4 50
15 1.7 30
16 2.5 43
17 1.4 27
18 3.3 50
19 2.2 37
20 1.5 28
2

3. Adapun langkah-langkah yang dikerjakan untuk menyelesaikan kasus
diatas adalah sebagai berikut :
1. Buka software SPSS yang telah telah diinstal di komputer dan siapkan
spreadsheet seperti Gambar 2.1 berikut:
Gambar 2.1. Tampilan awal SPSS
2. Masukkan nama, tipe, lebar, banyak desimal dan label pada lembar kerja
variabel view seperti pada Gambar 2.2 berikut :
Gambar 2.2. Memasukkan informasi pada variabel view
3. Masukkan data kasus pertama seperti pada Tabel 2.1 yang ingin dilakukan
analisis regresinya pada lembar kerja Data View seperti pada Gambar 2.3
berikut :
Gambar 2.3. Memasukkan Data pada lembar kerja Data View
3

4. 4. Tahapan pertama praktikkan akan melakukan analisis dekskriptif pada data di
atas, maka lakukan dengan cara mengklik menu Analize  Descriptive
Statistics  Descriptive seperti pada Gambar 2.4 dan masukkan variabelnya
seperti Gambar 2.5 berikut :
Gambar 2.4. Tahapan Analisis Statistik Deskriptive
Gambar 2.5 Tahapan Memasukkan Variabel
5. Klik option, kemudian tandai statistik yang akan dikeluarkan outputnya, lalu
klik Continue dan klik OK seperti Gambar 2.6 berikut :
Gambar 2.6 Tahapan Memilih Statistik Yang Diinginkan
6. Setelah melakukan langkah-langkah diatas, akan terbuka windows baru berupa
output Statistics Descriptive yang akan dijelaskan di bab berikutnya.
7. Tahapan kedua praktikkan akan melakukan uji linearitas pada data di atas,
maka lakukan dengan cara mengklik menu Graph Legacy Dialogs 
4

5. Scatter/Dot kemudian pilih Simple Scatter seperti pada Gambar 2.7 seperti
berikut :
Gambar 2.7. Uji Linearitas Dengan Scatterplot
8. Klik Define kemudian masukkan variabel “harga_rumah” ke kolom Y Axis
dan variabel “ukuran_rumah” ke kolom X Axis lalu klik OK seperti Gambar
2.8 berikut :
Gambar 2.8. Memasukkan Variabel Y Axis Dan X Axis
9. Setelah melakukan langkah diatas, akan terbuka windows baru berupa output
Scatterplot yang akan dijelaskan di bab berikutnya.
10. Tahapan ketiha praktikkan akan melakukan analisis regresi linear sederhana
pada data di atas, maka lakukan dengan cara mengklik menu Analyze 
Regression  Linear seperti pada Gambar 2.9 maka akan muncul Gambar
2.10 seperti berikut :
Gambar 2.9. Tahapan Analisis Regresi Linear
5

6. Gambar 2.10 Tampilan Kotak Linear Regression
11. Masukkan variabel “harga_rumah” (Y) ke kolom Dependent dan variabel
“ukuran_rumah” (X) ke kolom Independent(s) seperti pada Gambar 2.11
berikut :
Gambar 2.11. Memasukan Variabel Dependent Dan Independent
12. Pilih submenu Statistics, tandai Estimates dan Mode Fit pada kotak Dialog
Regression Coeficients lalu klik Continue seperti terlihat pada Gambar 2.12
berikut :
Gambar 2.12. Tampilan Kotak Dialog Linear Regression Statistics
13. Pilih submenu Save, tandai Unstandardize pada Residual lalu klik Continue
seperti terlihat pada Gambar 2.13 berikut :
6

7. Gambar 2.13. Tampilan Kotak Dialog Linear Regression Save
14. Pilih submenu Option, tentukan taraf nyata (alpha) pada kotak Use
probability of F, misalnya 0.05 (default) lalu tandai Include constant in
equation seperti pada Gambar 2.14 berikut :
Gambar 2.14. Tampilan Kotak Dialog Linear Regression Option
15. Setelah melakukan langkah-langkah diatas, akan terbuka windows baru berupa
output uji regresi yang akan dijelaskan di bab berikutnya.
7

8. BAB III
PEMBAHASAN
Pada kasus yang telah disebutkan pada bagian bab deskripsi kerja,
selanjutnya pada bab ini praktikkan akan menjelaskan output SPSS dari kasus
yang telah diselesaikan oleh praktikkan. Terdapat empat tahapan dalam
menyelesaikan persoalan analisa regeresi yaitu analisis deskriptif, uji linearitas,
analisis regresi dan pembentukan model berikut pemaparannya :
3.1 Analisis Deskriptif
Gambar 3.1 Output Analisa Deskriptif
Statistik untuk Ukuran Rumah dan Harga Rumah :
1. Range adalah nilai maksimum dikurangi nilai minimum, semakin besar
range maka semakin bervariasi data tersebut.
- Untuk Ukuran Rumah sebesar 28 dan untuk Harga Rumah sebesar 35.
2. Minimum adalah nilai terkecil dari suatu data.
- Untuk Ukuran Rumah nilai minimumnya 8 dan untuk Harga Rumah 17.
3. Maksimum adalah nilai terbesar dari suatu data.
- Untuk Ukuran Rumah nilai maks. nya 36 dan untuk Harga Rumah 52.
4. Rata-rata Ukuran Rumah adalah 19,95 dan rata-rata Harga Rumah adalah
34,55.
5. Standar deviasi yang semakin besar menunjukan data semakin bervariasi.
Untuk Ukuran Rumah sebesar 8,463 dan untuk Harga Rumah 11, 166.
6. Rasio Skewness = Skewness/standar error skewness. Ukuran skewness
untuk Ukuran Rumah sebesar 0,426. Oleh karena -2<0,832<2, maka bisa
dikatan distribusi sampel Ukuran Rumah adalah normal. Ukuran skewness
8

9. untuk Harga Rumah sebesar 0,073. Oleh karena -2<0,142<2, maka bisa
dikatakan distribusi sampel Harga Rumah adalah normal.
7. Ukuran kurtosis sebesar –0,576 untuk Ukuran Rumah dan -1,292 untuk
Harga Rumah. Rasio kurtosis untuk Ukuran Rumah yaitu -2<-0,58<2 dan
rasio kurtosis untuk Harga Rumah yaitu -2<-1,30<2 maka bisa dikatakan
baik Ukuran Rumah atau Harga Rumah bisa dikatakan berdistribusi
normal.
3.2 Uji Linearitas
Gambar 3.2 Output Simple Scatterplot
Gambar 3.2 Merupakan output dari simple scatterplot yang digunakan
untuk menguji apakah kedua variabel X dan Y mempunyai hubungan linear
secara signifikan. Uji ini merupakan prasyarat dalam analisis regresi linear.
Linearitas yang dimaksud adalah sifat hubungan yang linear antara variabel,
artinya setiap perubahan yang terjadi pada satu variabel akan diikuti perubahan
dengan besaran yang sejajar pada variabel lainnya.
Kriteria sebuah data linear atau tidak dapat dilakukan dengan melihat
sebaran titik-titik yang ada pada gambar. Dilihat pada Gambar 3.2 sebaran titik-
titik tersebut mendekati atau rapat pada garis lurus (diagonal) maka dapat
dikatakan hubungannya linear. Artinya jika X (Ukuran Rumah) semakin besar
maka Y (Harga Rumah) juga semakin naik harganya.
9

10. 3.3 Analisis Regresi
Variables Entered/Removeda
Model
Variables
Entered
Variables
Removed Method
1 Ukuran Rumahb
. Enter
a. DependentVariable:Harga Rumah
b. All requested variables entered.
Gambar 3.3 Output Variables Entered/Removed
Gambar 3.3 diatas merupakan Output dari Variable Entered/ Removed.
Tabel diatas menjelaskan mengenai variabel yang dimasukkan atau dibuang dan
menginformasikan mengenai metode yang dipakai. Dalam kasus ini variabel yang
dimasukkan adalah variabel Ukuran Rumah sebagai predictor dan metode yang
digunakan adalah entered.
Model Summaryb
Model R R Square
Adjusted R
Square
Std. Error of the
Estimate
1 ,974a
,948 ,945 2,608
a. Predictors:(Constant),Ukuran Rumah
b. DependentVariable:Harga Rumah
Gambar 3.4 Output Model Summary
Gambar 3.4 diatas merupakan output bagian kedua dari uji regresi. Tabel
diatas menjelaskan besarnya nilai korelasi/hubungan R yaitu sebesar 0,974 dan
dijelaskan besarnya prosentase pengaruh variabel bebas (Independent Variable)
terhadap variabel terikat (Dependent Variable) yang disebut koefisien determinasi
yang merupakan hasil dari penguadratan R. Koefisien determinasi (R square)
mengukur keragaman Y (dalam hal ini Harga Rumah) yang mampu dijelaskan
oleh X (Ukuran Rumah) dalam model. R square menunjukan kebaikan model,
semakin besar R square semakin baik modelnya. Nilai R square berada antara 0%
sampai 100%. Berdasarkan Gambar 3.4 diatas diperoleh koefisien determinasi (R
square) sebesar 0,948. Artinya bahwa pengaruh Ukuran Rumah terhadap Harga
10

11. Rumah sebesar 94,8% sedangkan sisanya 5,2% dijelaskan atau dipengaruhi faktor
lain.
Gambar 3.5 Output Tabel Anova
Gambar 3.5 diatas merupakan Output dari tabel ANOVA untuk kasus
yang ada. Tabel ANOVA menjelaskan apakah ada pengaruh yang nyata
(signifikan) antara variabel Ukuran Rumah terhadap variabel Harga Rumah. Dari
tabel diatas terlihat hasil F hitung sebesar 330,343. Uji F (Uji Overall) digunakan
untuk menguji kelayakan model dan menguji parameter regresi secara
keseluruhan.
Ho : 𝛽𝑜 = 0
H1 : 𝛽1 ≠ 0
Dalam kasus ini p-value (sig) model tersebut dibandingkan dengan taraf
nyata. Jika kurang dari alpha, maka tolak Ho dan sebaliknya. Berdasarkan
Gambar 3.5 diatas, p-value kurang dari alpha atau 0,000 kurang dari 0,05 (nilai
alpha default) maka tolak Ho. Artinya model regresi dapat dipakai untuk
memprediksi variabel Harga Rumah.
Gambar 3.6 Output Tabel Coefficients
11

12. Persamaan regresi linear adalah y-hat = a + bx. Pada Gambar 3.6 tabel
coefficients pada kolom B, constant (a) diperoleh nilai 8,918 sedang nilai Ukuran
Rumah (b) diperoleh nilai 1,285, sehingga persamaan regresi linearnya adalah :
Koefisien b adalah koefisien arah regresi dan menyatakan perubahan rata-
rata variabel Y (Harga Rumah) untuk setiap perubahan variabel X (Ukuran
Rumah) sebesar satu satuan. Sehingga dari persamaan tersebut dapat
diterjemahkan :
1. Konstanta sebesar 8,918 menyatakan bahwa jika tidak ada nilai Ukuran
Rumah maka nilai Harga Rumah sebesar 8,918.
2. Koefisien regresi X sebesar 1,285 menyatakan bahwa setiap penambahan
1 nilai Ukuran Rumah, maka nilai Harga Rumah bertambah sebesar 1,285.
Uji t (Uji Parsial) digunakan untuk menguji parameter secara parsial,
dengan kata lain untuk mengetahui apakah variabel Ukuran Rumah (X)
berpengaruh secara signifikan (nyata) terhadap variabel Harga Rumah (Y).
Ho : 𝛽𝑜 = 0, i=0,1
H1 : 𝛽1 ≠ 0, i=0,1
Berdasarkan Gambar 3.6 diatas diperoleh p-value model baik untuk 𝛽𝑜
atau 𝛽1 adalah 0,000. P-value tersebut dibandingkan dengan taraf nyata (alpha).
P-value kurang dari alpha maka X (Ukuran Rumah) berpengaruh nyata terhadap
Y (Harga Rumah).
Dari persamaan regresi yang didapat, praktikkan diminta untuk membuat
suatu peralaman untuk Y (Harga Rumah) dengan memasukkan suatu nilai X
untuk Ukuran Rumah ke dalam persamaan tersebut. Misalkan X= 50 maka,
y-hat = 8,918 + 1,285x
12
y-hat = 8,918 + 1,285X
Harga Rumah = 8,918 + 1,285(50)
Harga Rumah = 8,918 + 64,25
Harga Rumah = 73,168

13. Dari persamaan diatas dapat diperkirakan apabila suatu rumah berukuran
50 (ribuan kaki persegi) dapat diperkirakan memiliki harga rumah 73,168 ribu
dollar.
13

14. BAB IV
PENUTUP
Berdasarkan praktikum yang telah dilakukan, praktikan dapat menarik
kesimpulan bahwa :
1. Variabel X (Ukuran Rumah) dan Variabel Y (Harga Rumah) dapat
dikatakan hubungannya linear. Artinya jika X (Ukuran Rumah) semakin
besar maka Y (Harga Rumah) juga semakin naik harganya.
2. Pengaruh variabel Ukuran Rumah terhadap Harga Rumah sebesar 94,8%
sedangkan sisanya 5,2% dijelaskan atau dipengaruhi faktor lain.
3. Model regresi yang diperoleh dapat dipakai atau layak digunakan untuk
memprediksi variabel Harga Rumah.
4. Persamaan regresi yang didapat yaitu y-hat = 8,918 + 1,285X.
5. Dari uji parsial diperoleh bahwa variabel X (Ukuran Rumah) berpengaruh
secara signifikan atau nyata terhadap Y (Harga Rumah).
6. Setiap penambahan 1 nilai Ukuran Rumah, maka nilai Harga Rumah
bertambah sebesar 1,285 ribu dollar.
7. Jika suatu rumah berukuran 50 (ribuan kaki persegi) maka dapat
diperkirakan memiliki harga rumah 73,168 ribu dollar.
14