Analisis regresi linear sederhana merupakan salah satu materi penting dalam statistika yang sering dipelajari di tingkat SMA, perguruan tinggi, maupun dalam penelitian. Materi ini digunakan untuk mengetahui hubungan antara dua variabel sekaligus membuat perkiraan nilai suatu variabel berdasarkan variabel lainnya.

Dalam kehidupan sehari-hari, regresi linear sederhana dapat digunakan untuk menganalisis berbagai hal. Misalnya, apakah lama belajar berhubungan dengan nilai ujian, apakah jumlah jam kerja berhubungan dengan pendapatan, atau apakah biaya iklan berhubungan dengan jumlah penjualan.

Bagi yang baru mempelajari statistika, istilah seperti variabel bebas, variabel terikat, persamaan regresi, koefisien regresi, dan metode kuadrat terkecil mungkin terdengar cukup rumit. Namun, jika dikerjakan secara bertahap, analisis regresi linear sederhana sebenarnya dapat dipahami dengan lebih mudah.

Artikel ini membahas pengertian, rumus, langkah pengerjaan, serta contoh soal analisis regresi linear sederhana dan cara mengerjakannya secara lengkap.

Apa Itu Analisis Regresi Linear Sederhana?

Analisis regresi linear sederhana adalah metode statistika yang digunakan untuk mengetahui hubungan antara satu variabel bebas (X) dan satu variabel terikat (Y).

Variabel X disebut sebagai variabel independen atau variabel bebas karena digunakan untuk menjelaskan atau memprediksi perubahan pada variabel Y. Sementara itu, variabel Y disebut variabel dependen atau variabel terikat karena nilainya dianalisis berdasarkan perubahan pada X.

Contohnya, seorang guru ingin mengetahui hubungan antara lama waktu belajar dengan nilai ujian siswa.

• X = lama belajar dalam jam
• Y = nilai ujian

Jika data menunjukkan bahwa semakin lama siswa belajar, nilai ujiannya cenderung meningkat, maka regresi linear sederhana dapat digunakan untuk membuat model hubungan tersebut.

Tujuan Analisis Regresi Linear Sederhana

Secara umum, analisis regresi linear sederhana memiliki beberapa tujuan, yaitu:

1. Mengetahui hubungan antara variabel X dan Y.
2. Mengetahui arah hubungan antara kedua variabel.
3. Mengetahui seberapa besar perubahan Y ketika X mengalami perubahan.
4. Membuat prediksi atau perkiraan nilai Y berdasarkan nilai X tertentu.
5. Membentuk persamaan regresi yang dapat digunakan untuk menganalisis data.

Perlu diperhatikan bahwa hubungan regresi tidak secara otomatis membuktikan adanya hubungan sebab-akibat. Regresi terutama digunakan untuk menggambarkan pola hubungan dan melakukan prediksi berdasarkan data yang tersedia.

Rumus Regresi Linear Sederhana

Persamaan umum regresi linear sederhana adalah:

Ŷ = a + bX

Keterangan:

• Ŷ = nilai prediksi variabel Y
• a = konstanta atau intercept
• b = koefisien regresi atau kemiringan garis
• X = variabel bebas

Nilai a dan b dapat dihitung menggunakan rumus berikut.

Rumus Konstanta a

a = (ΣY – bΣX) / n

Rumus Koefisien Regresi b

b = [nΣXY – (ΣX)(ΣY)] / [nΣX² – (ΣX)²]

Keterangan:

• n = jumlah data
• ΣX = jumlah seluruh nilai X
• ΣY = jumlah seluruh nilai Y
• ΣXY = jumlah hasil perkalian X dan Y
• ΣX² = jumlah kuadrat nilai X

Setelah nilai a dan b diperoleh, keduanya dimasukkan ke dalam persamaan Ŷ = a + bX.

Contoh Soal Analisis Regresi Linear Sederhana

Perhatikan data berikut.

Seorang guru ingin mengetahui hubungan antara lama belajar siswa per hari dengan nilai ujian matematika. Diperoleh data dari 5 siswa sebagai berikut.

Berdasarkan data tersebut, tentukan:

1. Persamaan regresi linear sederhananya.
2. Nilai prediksi jika seorang siswa belajar selama 6 jam.
3. Interpretasi koefisien regresinya.

Langkah 1: Menentukan Variabel X dan Y

Sebelum melakukan perhitungan, tentukan terlebih dahulu variabel yang digunakan.

X = lama belajar per hari

Y = nilai ujian matematika

Jumlah data adalah:

n = 5

Selanjutnya, kita perlu membuat tabel perhitungan.

Dari tabel tersebut diperoleh:

• ΣX = 15
• ΣY = 355
• ΣX² = 55
• ΣXY = 1.122
• n = 5

Langkah 2: Menghitung Nilai b

Gunakan rumus:

b = [nΣXY – (ΣX)(ΣY)] / [nΣX² – (ΣX)²]

Masukkan data yang telah diperoleh:

b = [(5 × 1.122) – (15 × 355)] / [(5 × 55) – (15)²]

Hitung bagian pembilang:

5 × 1.122 = 5.610

Kemudian:

15 × 355 = 5.325

Sehingga:

5.610 – 5.325 = 285

Selanjutnya, hitung penyebut:

5 × 55 = 275

Sedangkan:

15² = 225

Maka:

275 – 225 = 50

Jadi:

b = 285 / 50

b = 5,7

Dengan demikian, nilai koefisien regresi atau b adalah 5,7.

Langkah 3: Menghitung Nilai a

Setelah memperoleh nilai b, selanjutnya kita menghitung nilai konstanta a.

Gunakan rumus:

a = (ΣY – bΣX) / n

Masukkan nilai yang telah diketahui:

a = (355 – (5,7 × 15)) / 5

Hitung terlebih dahulu:

5,7 × 15 = 85,5

Kemudian:

355 – 85,5 = 269,5

Sehingga:

a = 269,5 / 5

a = 53,9

Jadi, nilai konstanta a = 53,9.

Langkah 4: Menentukan Persamaan Regresi

Persamaan regresi linear sederhana adalah:

Ŷ = a + bX

Karena:

• a = 53,9
• b = 5,7

Maka:

Ŷ = 53,9 + 5,7X

Jadi, persamaan regresi linear sederhana dari data tersebut adalah Ŷ = 53,9 + 5,7X.

Persamaan ini dapat digunakan untuk memperkirakan nilai ujian berdasarkan lama waktu belajar.

Langkah 5: Menghitung Prediksi Nilai Ujian

Misalnya, kita ingin mengetahui perkiraan nilai ujian seorang siswa yang belajar selama 6 jam per hari.

Gunakan persamaan:

Ŷ = 53,9 + 5,7X

Karena X = 6, maka:

Ŷ = 53,9 + (5,7 × 6)

Hitung:

5,7 × 6 = 34,2

Kemudian:

Ŷ = 53,9 + 34,2

Ŷ = 88,1

Jadi, berdasarkan model regresi tersebut, perkiraan nilai ujian siswa yang belajar selama 6 jam adalah 88,1.

Nilai tersebut merupakan hasil prediksi model, bukan jaminan bahwa siswa tersebut pasti memperoleh nilai 88,1.

Langkah 6: Menginterpretasikan Nilai Konstanta

Nilai konstanta yang diperoleh adalah:

a = 53,9

Dalam persamaan regresi:

Ŷ = 53,9 + 5,7X

Angka 53,9 merupakan nilai prediksi Y ketika X bernilai 0.

Artinya, secara matematis, ketika lama belajar bernilai 0 jam, model memprediksi nilai ujian sebesar 53,9.

Namun, interpretasi tersebut harus disesuaikan dengan konteks data. Jika kondisi X = 0 tidak termasuk dalam rentang data penelitian atau tidak realistis dalam konteks penelitian, konstanta tidak selalu memiliki makna praktis yang kuat.

Langkah 7: Menginterpretasikan Koefisien Regresi

Nilai koefisien regresi adalah:

b = 5,7

Artinya, dalam model ini, setiap kenaikan 1 jam lama belajar berkaitan dengan kenaikan nilai ujian yang diprediksi sekitar 5,7 poin.

Contohnya, ketika lama belajar meningkat dari 3 jam menjadi 4 jam, nilai prediksi model meningkat sekitar 5,7 poin.

Karena nilai b positif, hubungan linear dalam data tersebut memiliki arah positif.

Namun, sekali lagi, hasil regresi ini tidak dengan sendirinya membuktikan bahwa tambahan waktu belajar menjadi satu-satunya penyebab peningkatan nilai. Nilai ujian juga dapat dipengaruhi oleh faktor lain seperti pemahaman materi, kualitas belajar, kondisi siswa, tingkat kesulitan soal, dan faktor lainnya.

Contoh Soal Kedua Regresi Linear Sederhana

Agar semakin memahami cara mengerjakan regresi linear sederhana, perhatikan contoh berikut.

Sebuah toko ingin mengetahui hubungan antara biaya promosi dan jumlah produk yang terjual. Data selama lima periode ditampilkan sebagai berikut.

Tentukan persamaan regresinya.

Membuat Tabel Perhitungan

Diketahui:

• n = 5
• ΣX = 30
• ΣY = 200
• ΣX² = 220
• ΣXY = 1.400

Menghitung b

Gunakan rumus:

b = [nΣXY – (ΣX)(ΣY)] / [nΣX² – (ΣX)²]

Maka:

b = [(5 × 1.400) – (30 × 200)] / [(5 × 220) – 30²]

b = (7.000 – 6.000) / (1.100 – 900)

b = 1.000 / 200

b = 5

Jadi, nilai b adalah 5.

Menghitung a

Gunakan rumus:

a = (ΣY – bΣX) / n

a = (200 – (5 × 30)) / 5

a = (200 – 150) / 5

a = 50 / 5

a = 10

Jadi:

• a = 10
• b = 5

Persamaan regresinya adalah:

Ŷ = 10 + 5X

Menghitung Prediksi Menggunakan Persamaan Regresi

Misalkan biaya promosi sebesar 12 satuan. Berapa prediksi jumlah produk yang terjual?

Gunakan:

Ŷ = 10 + 5X

Dengan X = 12:

Ŷ = 10 + (5 × 12)

Ŷ = 10 + 60

Ŷ = 70

Jadi, berdasarkan model regresi tersebut, jumlah penjualan yang diprediksi adalah 70 unit.

Perlu dicatat bahwa X = 12 berada di luar rentang data contoh, yaitu 2 sampai 10. Prediksi seperti ini disebut ekstrapolasi, sehingga perlu dilakukan dengan lebih hati-hati dibanding prediksi untuk nilai X yang masih berada dalam rentang data pengamatan.

Apa Perbedaan Regresi Linear dan Korelasi?

Regresi dan korelasi sering muncul secara bersamaan dalam pembahasan statistika, tetapi keduanya memiliki tujuan yang berbeda.

Korelasi digunakan untuk mengukur kekuatan dan arah hubungan antara dua variabel.

Sementara itu, regresi digunakan untuk membentuk model hubungan yang dapat digunakan untuk memperkirakan nilai variabel terikat berdasarkan variabel bebas.

Sebagai contoh, korelasi dapat membantu menjawab pertanyaan:

“Seberapa kuat hubungan antara lama belajar dan nilai ujian?”

Sedangkan regresi dapat digunakan untuk menjawab:

“Jika lama belajar diketahui, berapa nilai ujian yang diprediksi oleh model?”

Dengan demikian, regresi lebih menekankan pada pembentukan persamaan dan prediksi.

Kesalahan yang Sering Terjadi Saat Menghitung Regresi Linear

Dalam mengerjakan soal regresi linear sederhana, terdapat beberapa kesalahan yang cukup sering terjadi.

1. Salah Menentukan Variabel X dan Y

Pastikan variabel bebas dan variabel terikat ditentukan dengan jelas sebelum melakukan perhitungan.

2. Salah Menghitung X²

Jika X = 5, maka:

X² = 5² = 25

Bukan 10.

3. Salah Menghitung XY

Nilai XY merupakan hasil perkalian X dengan Y pada baris yang sama.

Misalnya:

X = 4 dan Y = 78

Maka:

XY = 4 × 78 = 312

4. Salah Memasukkan Rumus

Perhatikan tanda kurung dalam rumus koefisien regresi. Kesalahan kecil dalam menghitung pembilang atau penyebut dapat menyebabkan hasil akhir berbeda.

5. Tidak Menginterpretasikan Hasil

Menghitung nilai a dan b saja belum cukup. Hasil regresi sebaiknya dijelaskan dalam konteks permasalahan.

6. Menganggap Regresi Selalu Membuktikan Sebab-Akibat

Regresi menunjukkan hubungan dalam model, tetapi hubungan tersebut tidak otomatis membuktikan hubungan kausal.

Cara Cepat Mengerjakan Soal Regresi Linear Sederhana

Agar lebih mudah mengerjakan soal, ikuti urutan berikut:

1. Tentukan X dan Y

Tentukan variabel bebas dan variabel terikat.

2. Buat tabel X, Y, X², dan XY

Tabel ini membantu mengurangi kesalahan perhitungan.

3. Hitung ΣX, ΣY, ΣX², dan ΣXY

Jumlahkan seluruh kolom yang diperlukan.

4. Hitung b

Gunakan rumus koefisien regresi.

5. Hitung a

Masukkan nilai b ke dalam rumus konstanta.

6. Bentuk persamaan regresi

Gunakan:

Ŷ = a + bX

7. Gunakan persamaan untuk prediksi

Masukkan nilai X yang ditanyakan.

8. Interpretasikan hasil

Jelaskan arti konstanta dan koefisien regresi berdasarkan konteks soal.

Kesimpulan

Analisis regresi linear sederhana merupakan metode statistika yang digunakan untuk menganalisis hubungan antara satu variabel bebas dan satu variabel terikat. Bentuk umum persamaan regresi linear sederhana adalah Ŷ = a + bX.

Dalam menghitung regresi, langkah utama yang perlu dilakukan adalah menentukan variabel X dan Y, membuat tabel perhitungan, mencari nilai ΣX, ΣY, ΣX², dan ΣXY, kemudian menghitung nilai a dan b. Setelah itu, kedua nilai tersebut digunakan untuk membentuk persamaan regresi.

Pada contoh lama belajar dan nilai ujian, diperoleh persamaan:

Ŷ = 53,9 + 5,7X

Persamaan tersebut dapat digunakan untuk menghasilkan nilai prediksi berdasarkan lama belajar tertentu. Koefisien regresi sebesar 5,7 menunjukkan bahwa kenaikan satu satuan X berkaitan dengan kenaikan nilai Y yang diprediksi sekitar 5,7 satuan dalam model tersebut.

Dengan memahami tabel perhitungan dan mengikuti langkah secara berurutan, contoh soal analisis regresi linear sederhana dapat dikerjakan dengan lebih mudah. Materi ini juga menjadi dasar penting untuk memahami analisis statistik yang lebih lanjut, seperti regresi linear berganda, koefisien determinasi, uji signifikansi, dan analisis data menggunakan perangkat lunak statistik.

Penulis: W.S