Cara Mudah Menentukan Analisis Regresi Linier di Excel

Analisis Regresi: Pengertian, Jenis, dan Rumus Dasarnya

Dalam dunia statistik dan data science, analisis regresi merupakan salah satu teknik paling populer dan banyak digunakan. Metode ini membantu peneliti, analis data, maupun mahasiswa memahami hubungan antara dua atau lebih variabel — misalnya, bagaimana perubahan harga barang dapat memengaruhi tingkat permintaan, atau bagaimana jam belajar siswa berhubungan dengan nilai ujian yang mereka dapatkan.

Secara sederhana, analisis regresi bertujuan untuk memodelkan dan menyelidiki hubungan antara variabel independen (x) dan variabel dependen (y). Variabel independen biasa disebut sebagai prediktor, sedangkan variabel dependen merupakan hasil atau respon yang dipengaruhi oleh prediktor tersebut.

Dengan menggunakan analisis regresi, kita bisa mengetahui seberapa besar pengaruh satu variabel terhadap variabel lainnya, serta memperkirakan bagaimana nilai variabel dependen akan berubah ketika variabel independen mengalami peningkatan atau penurunan.

Mengapa Analisis Regresi Penting?

Dalam praktiknya, regresi digunakan di berbagai bidang seperti ekonomi, bisnis, pendidikan, teknik, hingga penelitian sosial. Teknik ini membantu menjawab pertanyaan seperti:

• Apakah ada hubungan antara pengeluaran iklan dan peningkatan penjualan?
• Seberapa besar pengaruh pendidikan terhadap tingkat pendapatan seseorang?
• Apakah jumlah jam tidur berhubungan dengan produktivitas kerja?

Dengan melakukan analisis regresi, kita dapat mengidentifikasi pola dan hubungan matematis antarvariabel, sekaligus menentukan faktor mana yang paling berpengaruh terhadap hasil yang ingin kita ukur.

Dasar Matematis dalam Analisis Regresi

Secara matematis, model analisis regresi dibangun berdasarkan jumlah kuadrat terkecil (least squares method). Konsep ini digunakan untuk mencari garis terbaik yang meminimalkan selisih antara nilai yang diprediksi dan nilai aktual pada kumpulan data.

Tujuannya adalah mendapatkan model yang dapat menggambarkan hubungan variabel dengan akurasi setinggi mungkin, namun tetap sederhana dan mudah dipahami.

Jenis-Jenis Analisis Regresi

Secara umum, analisis regresi dibagi menjadi dua jenis utama, yaitu:

1. Regresi Linear Sederhana (Simple Linear Regression)

Regresi linear sederhana digunakan ketika hanya ada satu variabel bebas (X) dan satu variabel terikat (Y). Hubungan antara kedua variabel ini digambarkan dalam bentuk garis lurus (linear function).

Contohnya, ketika kita ingin mengetahui apakah ada hubungan antara lama waktu belajar (X) dan nilai ujian (Y) siswa. Dengan data yang cukup, kita bisa membuat persamaan garis yang menggambarkan hubungan tersebut.

2. Regresi Linear Berganda (Multiple Linear Regression)

Berbeda dengan regresi sederhana, regresi linear berganda melibatkan dua atau lebih variabel independen untuk memprediksi satu variabel dependen. Jenis ini sering digunakan ketika fenomena yang diamati dipengaruhi oleh banyak faktor.

Misalnya, untuk memprediksi pendapatan bulanan seseorang (Y), kita mungkin perlu mempertimbangkan tingkat pendidikan (X₁), pengalaman kerja (X₂), dan jumlah jam kerja (X₃). Model seperti ini membantu menghasilkan gambaran yang lebih realistis karena mempertimbangkan berbagai aspek penyebab.

Persamaan Regresi Linier

Secara matematis, pada analisis regresi linear bisa ditentukan dengan persamaan dibawah ini:

• Regresi Linier Sederhana 

Y=a+bX

Keterangan:

Y = variabel dependen (yang diprediksi)

X = variabel independen (prediktor)

a = konstanta (intersep)

b = koefisien regresi (menunjukkan seberapa besar pengaruh X terhadap Y)

• Regresi Linear Berganda

Y=a+b1​X1​+b2​X2​+…+bn​Xn​

Di mana:

Y = variabel dependen

X₁, X₂, …, Xₙ = variabel independen

b₁, b₂, …, bₙ = koefisien regresi masing-masing variabel

a = konstanta

Persamaan ini memungkinkan kita menghitung nilai Y berdasarkan kombinasi beberapa faktor X yang relevan.

Contoh Penerapan dalam Kehidupan Nyata

Untuk memperjelas, bayangkan kamu adalah seorang manajer pemasaran yang ingin mengetahui apakah pengeluaran iklan digital memengaruhi penjualan produk. Dengan menggunakan analisis regresi, kamu bisa mendapatkan jawaban matematis yang menunjukkan seberapa besar perubahan penjualan jika dana iklan ditambah atau dikurangi.

Demikian pula di bidang pendidikan, guru bisa menggunakan regresi untuk memahami hubungan antara waktu belajar siswa dan nilai ujian, sehingga dapat menentukan strategi pembelajaran yang lebih efektif.

Temukan juga cara sampling data di excel menggunakan toolpak

Dalam contoh kita mempunyai data harga rumah dalam hubungannya dengan luas bangunan. Nha, kita ingin menemukan persamaan garis linier yang mewakili pola hubungan antara luas bangunan dengan harganya dalam kasusu persamaan regresi linier serderhana. Namun, sebelum lebih lanjut lagi cara menerapkan di Excelnya ikuti langkah-langkah dibawah ini terlebih dahulu.

1. Mengaktifkan fitur Add-in Analysis ToolPak

• Kemudian aktifkan dan centang Analysis ToolPak — Ok

2. Lakukan Analisis Regresi.

Sebelum melakukan analisis regresi, dalam sebuah tabel dibawah ini adalah berdasarkan kasus seperti yang sudah dijelaskan diatas tadi.

• Pilih menu Data Analysis pada tab menu Data
• Pilih Regression dan klik Ok

• Kemudian atur seperti konfigurasi berikut
  • Pilih cell input Y, ini adalah variabel dependen. Dalam contoh kasus ini adalah harga rumah pada cell (B2:B11)
  • Pilih cell input X, ini adalah variabel independen, yaitu luas persegi yang terletak pada cell (C2:C11)

Jika kamu ingin membuat regresi berganda atau multi variabel, pilih dua atau beberapa kolom atau cell yang berdekatan dengan variabel independen yang berbeda.

• Centang Label
• Jika ingin hasilnya berada di sheet baru maka pilih New Worksheet
• Centang Residuals untuk mendapatkan prediksi dan nilai sebenarnya.
• Kemudian klik Ok

3. Hasil Keluaran Analisis Regresi

Setelah kamu klik Ok maka pada sheet baru akan muncul hasil seperti ini :

Summary Ouput

• Multiple R, adalah koefiesien korelasi yang mengukur kekuatan hubungan lininer antara dua variabel. Koefisian korelaso dapat berupa nilai apapun antara -1 dan 1, atau bisa rentang nilai antara 0-1. Semkain besar nilai absolutnya maka semakin kuat hubungannya,

• • • 1 berarti hubungan positif yang kuat
    • -1 berarti hubungan negatif yang kuat
    • 0 artinya tidak ada hubungan sama sekali

• R Square adalah koefisien Determinasi atau lebih tepatnya adalah jumlah deviasi kuadrat dari data asli dari rata-rata.
• Adjusted R Square adalah R square yang disesuaikan dengan jumlah variabel independen dalam model. Anda akan ingin menggunakan nilai ini sebagai ganti R square untuk analisis regresi berganda.
• Standard Error adalah ukuran kesesuaian lain yang menunjukkan ketepatan analisis regresi kamu – semakin kecil angkanya, semakin yakin Anda tentang persamaan regresi kamu.
• Observaitons adalah jumlah observasi dalam model atau data kamu

ANOVA

Pada dasarnya, ini membagi jumlah kotak menjadi komponen individual yang memberikan informasi tentang tingkat variabilitas dalam model regresi kamu:

• df adalah jumlah derajat kebebasan yang terkait dengan sumber varians.
• SS adalah jumlah kuadrat. Semakin kecil Sisa SS dibandingkan dengan Total SS, semakin baik model Anda sesuai dengan datanya.
• MS adalah kuadrat rata-rata.
• F adalah statistik F, atau uji-F untuk hipotesis nol. Ini digunakan untuk menguji signifikansi keseluruhan model.
• Significance F adalah nilai-P dari F.

Bagian dari ANOVA ini jarang digunakan untuk analisis regresi liner sederhana di Excel, tetapi kamu juga harus tau lebih dekat dengan komponen terakhir.

4. Cara Membuat Grafik Regresi Liner di MS. Excel

Apabila kamu perlu memvisualisasikan berbentuk grafik dengan cepat hubungan antara dua variabel. Nah cara ini begitu sangat mudah untuk dilakukan. Seperti yang tertulis dibawah ini ;

• 1Pilih dua kolom atau blok cell data kamu, termasuk bagian header atau judul.
• Pada tab menu insert, pilih gambar ikon grafik scatter plot.

• Setelah itu grafik scatter plot akan terbentuk di lembar kerja kamu.
• Selanjutnya adalah menggambar garis regresi kuadrat terkecil. Langkahnya adalah klik kanan pada titik manapun dan pilih Add Trendline.

• Kemudian muncul sebuah panel di sebelah kanan. Pilih bentuk garis Linear. Dan jika ingin mengetahui rumus regresi kamu bisa scroll kebawah dan centang Display Equation on Chart

• Untuk mengubah warna garis linier kamu bisa beralih ke tab mun Fill & Line dan sesuaikan pola garis sesuai selera. Dalam contoh saya menggunakan warna Merah dan tipe garis Solid dan model garis tidak putus-putus.

• Jika sudah, maka tampilan grafik regresi akan tampil seperti yang dibawah ini.

NB. Dalam grafik regresi, variabel bebas atau dependen harus selalu pada sumbu X dan variabel terikat atau independen pada sumbu Y.

Kesimpulan

Analisis regresi bukan sekadar rumus statistik, melainkan alat yang sangat berguna untuk mengambil keputusan berbasis data (data-driven decision). Dengan memahami konsep ini, kamu bisa mengenali hubungan antarvariabel, memprediksi hasil, dan mengoptimalkan strategi berdasarkan informasi yang akurat.

Baik untuk penelitian, bisnis, maupun analisis akademik, regresi linear sederhana maupun berganda tetap menjadi fondasi utama dalam dunia analisis data modern.