BAB II. REGRESI LINIER SEDERHANA 2.

1 Pendahuluan
Gejala-gejala alam dan akibat atau faktor yang ditimbulkannya dapat diukur atau dinyatakan dengan dua kategori yaitu fakta atau data yang bersifat kuantitatif dan fakta atau data yang bersifat kualitatif. Dalam pembicaraan ini akan diuraikan masalah regresi dan korelasi, sebagai pengukur hubungan antara dua variabel atau lebih. Dalam pembicaraan regresi dan korelasi data yang dianalisis harus bersifat kuantitatif atau terukur atau terhitung atau dapat dikuantitatifkan; jadi sekurang-kurangnya data dengan skala interval. Data kuantitatif dapat dibedakan atas dua macam yaitu: Data atau pernyataan yang bersifat bebas adalah pernyataan yang ditentukan dengan mana suka atau bebas pilih. Pernyataan ini sering disebut dengan variabel bebas atau variabel bebas atau variabel atau prediktor atau independent variable. Data atau pernyataan yang tergantung atau terikat pada variabel bebas disebut dengan variabel tak bebas atau variabel tergantung atau variabel tak bebas atau variabel endogen atau kreterium atau dependent variable. Apakah perlunya mempelajari regresi dan korelasi ?. Tujuan mempelajari regresi dan korelasi adalah untuk menemukan atau mencari hubungan antarvariabel, sebagai dasar untuk dapat dipakai melakukan penaksiran atau peramalan atau estimasi dari hubungan antarvariabel tersebut.

2.2 Pengertian Regresi dan Korelasi
Telah dinyatakan dimuka bahwa regresi atau korelasi adalah metode yang dipakai untuk mengukur hubungan antara dua variabel atau lebih. Kedua metode regresi maupun korelasi sama-sama dipakai untuk mengukur derajat hubungan antarvariabel yang bersifat korelasional atau bersifat keterpautan atau ketergantungan. Penggunaan regresi adalah sebagai pengukur bentuk hubungan, dan korelasi adalah sebagai pengukur keeratan hubungan antarvariabel. Kedua cara pengukur hubungan tersebut mempunyai cara perhitungan dan syarat penggunaannya masing-masing. Penjelasan mengenai perbedaan antara regresi dan korelasi dalam pemakaiannya atau penerapannya terletak pada: 1. Regresi adalah pengukur hubungan dua variabel atau lebih yang dinyatakan dengan bentuk hubungan atau fungsi. Untuk menentukan bentuk hubungan (regresi) diperlukan pemisahan yang tegas antara variabel bebas yang sering diberi simbul X dan variabel tak bebas dengan simbul Y. Pada regresi harus ada variabel yang ditentukan dan variabel yang menentukan atau dengan kata lain adanya ketergantungan variabel yang satu dengan variabel yang lainnya dan sebaliknya. Kedua variabel biasanya bersifat kausal atau mempunyai hubungan sebab akibat yaitu saling berpengaruh. Sehingga dengan demikian, regresi merupakan bentuk fungsi tertentu antara variabel tak bebas Y dengan variabel bebas X atau dapat dinyatakan bahwa regresi adalah sebagai suatu fungsi Y = f(X). Bentuk regresi tergantung pada fungsi yang menunjangnya atau tergantung pada persamaannya. Korelasi adalah pengukur hubungan dua variabel atau lebih yang dinyatakan dengan derajat keeratan atau tingkat hubungan antarvariabel-variabel. Mengukur derajat hubungan dengan metode korelasi yaitu dengan koefisien korelasi r. Dalam hal ini, dengan tegas dinyatakan bahwa dalam analisis korelasi tidak mempersoalkan apakah variabel yang satu tergantung pada variabel yang lain atau sebaliknya. Jadi metode korelasi dapat dipakai untuk mengukur derajat hubungn antarvariabel bebas dengan variabel bebas yang lainnya atau antar fua variabel.

2.

7

PDF created with pdfFactory Pro trial version www.pdffactory.com

Perlu ditekankan bahwa penggunaan metode korelasi untuk mengukur hubungan antarvariabel yang satu dengan variabel yang lain, hendaknya anrata variabel itu diharapkan mempunyai kaitan atau relevansi. Jangan sekali-sekali menghubungkan atau mengkorelasikan variabel-variabel yang sangat jauh atau mustahil atau relevansinya sangat kecil. Beberapa contoh penggunaan korelasi dan regresi seperti di bawah ini. 1). 2). 3). 4). 5). 6). 7). 8). 9). 10). Banyaknya anakan dengan produksi padi. Kepadatan penduduk dengan upah buruh harian. Berat induk sapi dengan berat anak yang baru dilahirkan. Nilai yang diperoleh pada mata ajaran statistika dengan matematika. Umur dengan berat badan anak balita. Kadar air pada biji dan volume biji. Luas daun dengan panjang akar. Besar buah dengan besar biji. Biaya advertensi dengan jumlah penjualan. Fluktuasi temperatur dengan jumlah anak-anak yang sakit pilek.

Selain contoh di atas, masih banyak lagi contoh yang lain yang serupa. Dari contohcontoh di atas dapat dilakukan pendekatan yang sesuai seperti: analisis regresi dapat dipakai pada contoh-contoh nomer: 1; 2; 3; 5; dan 9. Sedangkan, analisis korelasi dapat dipakai pada semua contoh di atas.

2.3 Macam-macam Regresi
Telah disebutkan di muka bahwa regresi adalah bentuk hubungan antara variabel bebas X dengan variabel tak bebas Y, yang dinyatakan dalam bentuk fungsi matematis Y = f(X). Sehingga persamaan regresi atau bentuk fungsi, sesuai dengan variabel bebas X yang menyusunnya. Dengan demikian bentuk fungsi atau regresi dapat digolongkan menjadi beberapa macam yaitu:

2.3.1

Regresi linier.

Regresi linier ialah bentuk hubungan di mana variabel bebas X maupun variabel tergantung Y sebagai faktor yang berpangkat satu. Regresi linier ini dibedakan menjadi: 1). Regresi linier sederhana dengan bentuk fungsi: Y = a + bX + e, 2). Regresi linier berganda dengan bentuk fungsi: Y = b0 + b1X1 + . . . + bpXp + e Dari kedua fungsi di atas 1) dan 2); masing-masing berbentuk garis lurus (linier sederhana) dan bidang datar (linier berganda).

2.3.2

Regresi non linier.

Regresi non linier ialah bentuk hubungan atau fungsi di mana variabel bebas X dan atau variabel tak bebas Y dapat berfungsi sebagai faktor atau variabel dengan pangkat tertentu. Selain itu, variabel bebas X dan atau variabel tak bebas Y dapat berfungsi sebagai penyebut (fungsi pecahan), maupun variabel X dan atau variabel Y dapat berfungsi sebagai pangkat fungsi eksponen = fungsi perpangkatan.

8

PDF created with pdfFactory Pro trial version www.pdffactory.com

Regresi non linier dapat dibedakan menjadi: 1). Regresi polinomial ialah regresi dengan sebuah variabel bebas sebagai faktor dengan pangkat terurut. Bentuk-bentuk fungsinya adalah sebagai berikut. Y = a + bX + cX2 (fungsi kuadratik). Y = a + bX + cX + bX (fungsi kubik) Y = a + bX + cX + dX + eX (fungsi kuartik), Y = a + bX + cX + dX + eX4 + fX5 (fungsi kuinik), dan seterusnya. Selain bentuk fungsi di atas, ada suatu bentuk lain dari fungsi kuadratik, yaitu dengan persamaan: Y = a + bX + c√X. bentuk ini dapat ditulis menjadi: Y = a + bX + cX
(1/2) 2 3 2 3 4 2 3

,
(3/2) 3

Sehingga, modifikasi dari fungsi kubik adalah: Y = a + bX + cX
(1/2)

+ dX

, atau

Y = a + b√X + cX + d√X . Dari contoh-contoh tersebut di atas perhatikan pangkat dari variabel bebas X. 2). Regresi hiperbola (fungsi resiprokal). Pada regresi hiperbola, di mana variabel bebas X atau variabel tak bebas Y, dapat berfungsi sebagai penyebut sehingga regresi ini disebut regresi dengan fungsi pecahan atau fungsi resiprok. Regresi ini mempunyai bentuk fungsi seperti: 1/Y = a + bX Y = a + b/X.
2

atau

Selain itu, ada bentuk campuran seperti: 1/Y = a + bX + cX , dan masih banyak lagi bentuk-bentuk lainnya. 3). Regresi fungsi perpangkatan atau geometrik. Pada regresi ini mempunyai bentuk fungsi yang berbeda dengan fungsi polinomial maupun fungsi eksponensial. X Regresi ini mempunyai bentuk fungsi: Y = a + b . Regresi eksponensial. Regresi eksponensial ialah regresi di mana variabel bebas X berfungsi sebagai pangkat atau eksponen. Bentuk fungsi regresi ini dalah: Y = ae Y = a
bX

4).

atau

bX 10 .

Modifikasi dari bentuk di atas adalah: 1/Y = a + be , ini disebut kurva logistik atau "tipe umum dari model pertumbuhan".
(a + b/X) cX

Modifikasinya juga seperti : Y = e , disebut dengan transformasi logaritmik resiprokal, yang umum disebut dengan model Gompertz.

9

PDF created with pdfFactory Pro trial version www.pdffactory.com

karena terutama analisis regresi mempunyai daya ramal atau daya taksir yang menyakinkan apabila diuji dengan taraf nyata yang peka atau jitu. 2. dan seterusnya. Bentuk yang paling sederhana dari fungsi ini adalah: Y = a + b sin dX + c cos dX. Tingkat atau derajat keeratan hubungan dapat diukur dengan memakai. 10 PDF created with pdfFactory Pro trial version www.5 Regresi Linier Sederhana Telah dijelaskan di muka bahwa regresi adalah membicarakan bentuk hubungan atau fungsi antara dua variabel atau lebih. demikian pula. mengenai korelasi dan modifikasinya akan dibicarakan tersendiri setelah pembicaraan regresi. lebih-lebih membuat suatu keputusan yang lebih jauh. yang jelas bahwa kedua alat ukur tersebut di atas dapat memberikan sumbangan atau pandangan yang lebih jauh terhadap masalah yang dihadapi. Indeks korelasi R sering disebut juga koefisien korelasi berganda. sedangkan indeks korelasi R untuk menyatakan keeratan hubungan dari bentuk-bentuk linier berganda dan bentuk non linier. Regresi fungsi geometri. Akan tetapi. Bentuk fungsi dari regresi adalah: di mana variabel bebas Y berfungsi sebagai pangkat (eksponen) dan variabel bebas X mempunyai bentuk perpangkatan. dengan sekurang-kurangnya sebuah variabel bebas X. agar lebih berhati-hati dalam menggunakan alat statistika ini di dalam penarikan kesimpulan. Regresi logaritmik. dan indeks korelasi R. Selanjutnya. Apabila r dan R.5). Selain itu. korelasi kotingensi. korelasi serial. korelasi rank.com . Untuk mendapatkan bentuk hubungan yang sesuai antara variabel bebas X dengan variabel tak bebas Y maka kedua variabel tersebut harus dinyatakan dalam nilai yang terukur atau kuantitatif sekurang-kurangnya dengan skala interval. terdapat juga modifikasi atau fraksi dari R. yang disebut dengan koefisien korelasi parsiil. Selain koefisien korelasi sederhana r. dan korelasi kanonikal. 2 2 2. Oleh karena itu. Perlu ditekankan lebih luas bahwa hubungan dapat dibuat regresinya. 2 Kedua nilai D atau R disebut koefisien determinasi atau koefisien penentu atau indeks penentu. Perlu ditekankan bahwa dalam bentuk hubungan tersebut terdapat sebuah variabel tak bebas Y.pdffactory. Model regresi ini adalah: e = a+b Y X atau dapat di tulis menjadi: Y = ln a + b ln X (merupakan trasformasi lilier) 6). dan korelasi biserial. jika dikuadratkan akan memberikan suatu nilai tertentu yaitu r2 atau R2 yang kadang-kadang nilai r2 atau R2 keduanya diberi simbul yang sama yaitu R2 atau D. tidak semua variabel atau gejala-gejala alam dapat dicari korelasinya. Bentuk fungsi ini disebut kurva Faurier. Bentuk dari fungsi ini adalah berupa bentuk regresi linier berganda di mana dalam fungsi ini terdapat fungsi trigonometri. Dan inilah yang merupakan tujuan pembicaraan yang pokok pada analisis regresi dan korelasi selanjutnya. ada lagi bentuk-bentuk yang lebih kompleks seperti: Y = a + b sin X + c cos X + d sin X + e cos X +…. koefisien korelasi dengan simbul r untuk bubungan linier sederhana dan indeks korelasi dengan simbul R untuk hubungan bukan linier sederhana. Koefisien korelasi r dipakai hanya untuk menyatakan keeratan hubungan yang bersifat linier sederhana.4 K o r e l a s i Pembicaraan mengenai keeratan hubungan atau korelasi yang diukur dengan tingkat atau derajat keeratan hubungan.

Sehingga segala analisis statistika yang berkaitan dengan hal tersebut dinamakan dengan analisis regresi. perbedaan tersebut terletak pada yaitu: dalam analisis keragaman tidak mencari bentuk hubungan antara variabel-variabel seperti pada analisis regresi.5. A disebut intercept coefficient atau intersep yaitu jarak titik asal atau titik acuan dengan titik potong garis regresi dengan sumbu Y.1]. Tujuan utama dari analisis regresi adalah untuk memberikan dasar-dasar peramalan atau pendugaan dalam analisis peragam atau analisis kovarian. Y = X Persamaan [2. Sebagai ilustrasi hubungan antara variabel bebas X dan variabel tak bebas Y diberikan contoh dari persamaan [2. yaitu perbedaan antara variabel bebas X atau variabel yang dipelajari.2]. tetapi kadang-kadang hal tersebut sangat sulit ditelusuri antara yang mana variabel bebas X maupun yang mana variabel tak bebas Y. maka variabel yang sebagai sebab merupakan variabel bebas atau variabel X dan akibat yang ditimbulkannya menjadi variabel tak bebas atau variabel Y. Analisis regresi sebagai alat untuk melakukan peramalan atau prediksi atau estimasi atau pendugaan yang sangat berguna bagi para pembuat keputusan. seperti pada Tabel 2. Untuk membuat ramalan antara variabel X dengan variabel Y.1 berikut ini. melainkan mencari perbedaan pengaruh perlakuan atau objek. maka selanjutnya perlu menentukan pola hubungan atau bentuk hubungan yang dinyatakan dalam bentuk persamaan matematik yang menyatakan hubungan fungsionalnya.com .1] yaitu pengaruh tingkat pendapatan dengan konsumsi makanan bagi petani pedesaan.1] A dan B disebut konstanta atau koefisien regresi linier sederhana atau parameter garis regresi linier sederhana. dalam hubungan tersebut terdapat satu variabel bebas X dan satu variabel tak bebas Y. Jadi antara analisis korelasi dan analisis regresi mempunyai kaitan yang sangat erat (akan dibicarakan di belakang).2] adalah suatu bentuk persamaan yang paling sederhana dari regresi linier sederhana.persamaan [2.1] akan menjadi: [2. maka variabel X dan variabel Y tersebut harus mempunyai hubungan yang kuat. Apabila hubungan antara dua variabel atau lebih bersifat kausal atau hubungan sebab-akibat. 2. penentuan variabel bebas X dan variabel tak bebas Y sangat mudah. Dalam hal-hal tertentu. Dari persamaan garis regresi [2.1] di atas.pdffactory. Kuat tidaknya hubungan antara variabel bebas X dan variabel tak bebas Y didasarkan pada analisis korelasi. Setelah jelas mana variabel X dan variabel Y. Apakah beda antara analisis regresi dengan analisis-analisis yang lain ? Sebagai contoh apa perbedaan antara analisis regresi dengan analisis keragaman atau analisis varians. dengan mengukur respon dari perlakuan atau variabel X yang dinyatakan dengan variabel tak bebas Y yang sering disebut hasil atau akibat perlakuan. 11 PDF created with pdfFactory Pro trial version www. Biasanya variabel tak bebas Y adalah variabel yang diramalkan dan variabel bebas X yang telah ditetapkan sebagai peramal yang disebut prediktor. Dari persamaan [2.Dari variabel-variabel yang akan dicari bentuk hubungannya terlebih dahulu hendaknya dijelaskan mana yang sebagai variabel bebas X dan mana yang sebagai variabel tak bebas Y. dan B disebut slope coefficient atau slup yang menyatakan atau menunjukkan kemiringan atau kecondongan garis regresi terhadap sumbu X.1 Persamaan regresi linier sederhana Bentuk hubungan yang paling sederhana antara variabel X dengan variabel Y adalah berbentuk garis lurus atau berbentuk hubungan linier yang disebut dengan regresi linier sederhana atau sering disebut regresi linier saja dengan persamaan matematikanya adalah sebagai berikut: [2. Y = A + BX Apabila A dan B mengambil nilai seperti: A = 0 dan B = 1.

sehingga antara variabel X dan variabel Y yang tertentu akan menjadi pasangan-pasangan tetap disebut dengan pasangan nilai X.pdffactory.com . Penentuan garis regresi antara variabel bebas X dengan variabel tak bebas Y.5.2 Garis regresi linier sederhana Sekarang bagaimana caranya membuat persamaan garis regresi linier sederhana seperti Gambar 2. Setiap pasangan nilai X. Sejumlah pasangan antara nilai X. 12 PDF created with pdfFactory Pro trial version www. Bagaimana persamaan regresi akan ditentukan jika hasil pengamatan atau yang berupa pasangan-pasangan nilai pengamatan antara X. Sehingga dari pasanganpasangan nilai X.Y inilah yang akan menentukan persamaan regresi yang dibuat sesuai dengan asumsi atau model yang digunakan.Y tersebut dapat dicari bentuk hubungan atau garis regresi antara variabel bebas Y atas variabel tak bebas X yang dtulis dengan Y/X.1 berikut: 175 150 125 Konsumsi (Y) 100 75 50 25 0 100 125 150 B A 175 Pendapatan (X) 200 225 250 Gambar 2.1].1 di atas dapat dibuat garis regresi liniernya seperti Gambar 2. sering disebut regresi Y atas X ditulis dengan Y/x.Y. Model Linier Garis Regresi 2. No. 1 2 3 4 5 Pengaruh Tingkat Pendapatan terhadap Konsumsi Makanan Bagi Petani Pendapatan 125 150 175 200 225 Konsumsi 75 100 125 135 150 Dari gambar contoh di bawah menunjukkan semakin tinggi pendapatan sampai Rp 225. Dari Tabel 2.Tabel 2.1 di atas.1. yang mempunyai bentuk persamaan matematis: Y = A + BX seperti pada persamaan [2.Y telah didapatkan.Y merupakan hubungan sebab (X) dan akibat (Y).000 maka komsumsi makanan semakin meningkat. yang mempunyai pengertian bahwa: setiap variabel bebas X akan memberikan atau menghasilkan suatu nilai variabel tak bebas Y yang tertentu.1.

di mana kedudukan kedua titik tersebut adalah bebas atau sembarang pada garis regresi yang melewati.3 Penetuan garis regresi linier sederhana Untuk menentukan garis regresi berdasarkan pasangan-pasangan nilai X.2.2 seperti pada Gambar 2.2. Untuk pendekatan linier atau regresi linier sederhana.2.Y pada suatu sistem salib sumbu atau sistem koordinat. tetapi melengkung atau non linier yang paling menghampiri.1 di muka antara tingkat pendapatan (X) dengan konsumsi (Y) diambil sebagaian saja seperti pada Tabel 2. No. Metode tangan bebas. Garis regresi yang melalui dua buah titik pengamatan P dan Q. maka kumpulan titik-titik tersebut dapat memberi petunjuk untuk memperkirakan garis regresi yang akan dibuat. Pendekatan matematis dengan metode kuadrat terkecil atau least squares method atau sering disebut dengan metode ordinary list squares (OLS). Tentu saja atau pada umumnya tidak dapat ditarik atau digambarkan suatu garis regresi yang sederhana.Y. Bahwa suatu garis regresi yang akan didapat dan akan mendekati titik-titik pasangan X. Perhatikan sudut β yang sisi-sisi siku-sikunya adalah ∆Y = Y2 . Metode tangan bebas merupakan suatu metode yang berdasarkan kira-kira dari diagram titik atau diagram pencar atau scatter diagram yang diperoleh dari hasil pengamatan antara variabel X dan variabel Y.2 berikut.X1 sehingga tangen sudut β = ∆Y/∆X. Tabel 2. Bentuk mana yang paling sesuai atau paling dihampiri oleh titik-titik pasangan tersebut.pdffactory.5. 2). jika sebaran titik-titik pasangan X. Diagram pencar didapatkan dengan menggambar titik-titik pasangan pengamatan antara X dan Y atau X.com . perhatikan diagram pencar berikut yang berasal dari Tabel 2. yang dapat melalui semua titik-titik pasangan X. Jika pencaran atau sebaran titik pasangan X. 13 PDF created with pdfFactory Pro trial version www. maka persamaan garis PQ menjadi: Y = A + β X.Y tersebut bukan linier. Dari persamaan tersebut dengan penyelesaian matematika sehingga akan didapatkan bentuk persamaan liniernya seperti persamaan [2. Dilain pihak. melalui dua buah titik dapat dibuat sebuah garis lurus yaitu PQ yang akan dicari persamaannya. 1 2 Pengaruh Tingkat Pendapatan terhadap Konsumsi Makanan Bagi Petani Pendapatan 125 150 Konsumsi 75 100 Sehingga garis regresi linier yang dapat dibuat dari Tabel 2. Dengan memperhatikan letak titik-titik pasangan pada absis X dan ordinat Y.Y. Metode ini hanya dapat dilakukan oleh seorang ahli dan berpengalaman seperti pada Gambar 2.Y tersebut disekitar garis lurus.Y1 dan ∆X = X2 . Untuk hal tersebut dan menentukan analisis dan gambarnya dapat dilihat bentuk-bentuk hubungan pada bukubuku matematika.2. Maka dapat dibuat persamaannya dengan menggunakan dua buah titik. Dasar teori. maka cukup beralasan untuk menduganya dengan persamaan regresi linier sederhana atau regresi garis lurus.1].Y diberikan dua metode yang umum yaitu: 1).

Perhatika Gambar 2. B sering disebut kemiringan atau kecondongan garis regresi atau slope atau slope coefficient adalah tangen sudut yang dibuat oleh garis regresi dengan sumbu X. Dengan demikian kembali ke Gambar 2. A ialah: jarak titik acuan (0. maka variabel Y bertambah atau menurun atau berubah sebanyak B kali. 0) dengan perpotongan antara sumbu tegak Y dengan garis linier atau besarnya nilai variabel Y. Suatu bentuk hubungan atau fungsi linier atau regresi linier di samping mudah interprestasinya.pdffactory. YPR. yang menunjukkan garis-garis regresi linier dari beberapa pengamatan. yang dipakai untuk menghampiri titik-titik P.6 Pendekatan Matematis Regresi Linier Sederhana Adalah tidak mungkin untuk memperkirakan bentuk hubungan antara dua variabel atau lebih tanpa diawali dengan membuat asumsi terlebih dahulu. apabila nilai X = 0. Perhitungan β = ∆Y/∆X Secara Sederhana 2.125 Q 100 P Konsunsi 75 50 25 0 120 β ∆X = X2 .com .3 di bawah ini. Suatu pertanyaan yang berhubungan dengan hal tersebut di atas adalah: "Kapankah suatu garis regresi dapat dikatakan sebagai garis regresi yang baik?". Fungsi linier sama dengan persamaan linier atau model linier atau regresi linier yang mempunyai bentuk hubungan atau bentuk fungsi: Y = A + BX. dan YQR yang merupakan garis regresi terbaik sebagai penghampir titik-titik pasangan pengamatan Xi.3 di atas yang manakah dari ketiga garis tersebut termasuk garis regresi yang terbaik. yaitu parameter yang digunakan. 14 PDF created with pdfFactory Pro trial version www. Q dan R. Oleh karena dalam pembicaraan ini hendak berusaha mencari cara untuk menentukan persamaan garis regresi linier sederhana yang baik atau yang terbaik. Dalam beberapa hal dimungkinkan untuk mengecek atau menguji asumsi atau hipotesis setelah bentuk hubungan itu diperkirakan. juga dapat dipergunakan sebagai pendekatan bentuk hubungan yang bukan linier (non linier) menjadi bentuk linier. Untuk itu haruslah terlebih dahulu mengetahui apa yang dimaksud dengan garis regresi yang baik. Seperti pada persamaan [2.Yi sebagai garis regresi tersebut.1] A dan B adalah konstanta. A sering disebut intersep atau intercept coefficient dan B ialah: koefisien arah adalah koefisien garis regresi yang sama dengan tangen arah yang menunjukkan besarnya pengaruh perubahan X terhadap perubah Y yaitu apabila variabel X naik atau turun atau berubah satu unit satuan X.X1 ∆ Y = Y2-Y1 Y2 A Y1 X1 140 Pendapatan X2 160 Gambar 2.2. Apabila ada garis tertentu selain ketiga garis YPQ.

serta banyak lagi nilai-nilai yang lainnya.4c].pdffactory. Kesalahan pengganggu e tersebut menyebabkan ramalan menjadi kurang tepat terhadap garis regresi penduga seperti: [2.3. salah ukur. dan nilai-nilai kebetulan. Ŷ = b0 + b1 X [2. salah catat. Ŷ = b1 + b2 X Suatu hal yang harus dipahami bahwa dalam pendugaan garis regresi. Ŷ = β0 + β1 X [2.5].4a]. Ŷ = α + β X [2. Untuk melakukan dugaan atau membuat keputusan selalu ada resiko walaupun betapa kecilnya. Ŷ = A + BX untuk populasi atau ditulis dengan atau untuk sampel atau ditulis dengan atau untuk populasi Jadi kesalahan e tersebut dapat mengakibatkan adanya resiko. Ŷ = β1 + β2 X [2. Ŷ = a + b X [2.3c]. 15 PDF created with pdfFactory Pro trial version www. Faktor-faktor tersebut secara keseluruhan dinamakan kesalahan pengganggu (disturbance error) yang diberi simbul dengan e. alat kurang sempurna. Penggambaran Regresi Penduga Ŷ = α + β X 160 Sebuah garis dikatakan sebagai garis regresi terbaik yang disebut dengan garis regresi penduga diberi simbul dengan: Ŷ (dibaca Y topi atau Y cup atau Y penduga).150 R 125 100 75 50 25 0 120 Q P Konsunsi Ŷ=α+βX 140 Pendapatan Gambar 2. tetapi ada faktor-faktor lain yang ikut mempengaruhi. Sehingga garis regresi linier sederhana dengan persamaan penduga menjadi : [2.3b]. tidak hanya tergantung pada variabel bebas X saja. besarnya nilai variabel tak bebas Y.4b].com . Kadang-kadang nilai e diartikan faktor-faktor tertentu yang belum diketahui penyebabnya atau faktor-faktor yang belum dijelaskan. Oleh karena itu. resiko tersebut hendaknya dibuat sekecil-kecilnya atau minimal.3a]. Faktor-faktor tersebut yang dapat terdiri atas: salah hitung.

dan Nilai Kesalahan Penganggu ei e1 (+ (+) e3 Ŷ e2 (-) Y2 150 160 16 PDF created with pdfFactory Pro trial version www. Ŷ = b0 + b1 X dan Yi = Ŷ + e [2. maka penulisannya menjadi seperti: [2. biasanya ditaksir dengan nilai a dan b atau dengan nilai b0 dan b1.pdffactory. Ŷ = b0 + b1 X untuk sampel Jadi a dan b atau b0 dan b1 sebagai penaksir A dan B. e = Yi .Ŷ Untuk sejumlah n pasangan pengamatan. ei = Yi .3. Nilai Pengamatan Yi. sehingga garis regresi linier penduga mempunyai bentuk persamaan: [2. Seperti yang ditunjukkan pada Gambar 2.8]. 150 125 Konsumsi 100 75 50 25 0 120 130 140 Pendapatan Gambar 2. dan dapat pula berharga nol bila nilai pengamatan Yi berada tepat pada garis penduga Ŷ. dengan nilai penduga Ŷ dan dengan nilai pengamatan Yi dapat ditulis: [2.7b]. Nilai e dapat berharga positif bila nilai pengamatan Yi berada di atas garis penduga Ŷ.com . Nilai Penduga Ŷ. Hubungan antara nilai kesalahan e. dan ei.3 dengan menggambar scatter diagram dengan Ŷ. Yi.6]. dapat berharga negatif bila nilai pengamatan Yi berada di bawah garis penduga Ŷ.7a].(b0 + b1 X) atau Nilai e sebagai penduga nilai kesalahan E adalah kesalahan penggangu populasi dan e adalah kesalahan penganggu sampel.Karena dalam suatu pendugaan nilai A dan B tidak dapat dihitung (belum diketahui nilainya).

4. Di antaranya terdapat suatu teorema dari Gauss–Markov yang berbunyi sebagai berikut: Di antara penaksir-penaksir linier tak bias bagi parameter-parameter A dan B. di samping mempunyai nilai ragam galat atau ragam kesalahan atau ragam residu atau ragam sisa yang terkecil. Garis penduga merupakan garis regresi yang terbaik. Mengapa metode kuadrat terkecil. Sesuai dengan teori aljabar maka akibatnya ∑ei sama dengan nol (minimal). 3). metode kuadrat terkecil mempunyai beberapa kelebihan daripada metode-metode lain. Garis penduga menjadi garis regresi terbaik apabila jumlah semua kesalahan adalah minimal ditulis dengan: ∑ei = minimal atau ∑( Yi .Y. Cara pendekatan terakhir disebut dengan Metode Kuadrat Terkecil atau dengan Least Squares Methods. Perhitungan matematis dari metode kuadrat terkecil cukup sederhana.pdffactory. maka semua nilaidari kesalahan atau simpangan ei akan berubah menjadi positif. 3. 2. yang menunjukkan hubungan antara variabel bebas X dan variabel tak bebas Y. sehingga garis regresi penduga yang dihasilkan akan mendekati ketepatannya. Dengan memakai nilai kuadrat.com .2. Cara ini lebih baik dari cara pertama sebab tidak ada saling kompensasi antara nilai ei yang negatif dengan positif. disebut metode yang terbaik bagi penduga garis regresi linier sederhana?. hal-hal tersebut di atas. seperti yang ditunjukkan pada Gambar 2. 17 PDF created with pdfFactory Pro trial version www. dan bila nilai ini diminiumkan.7. Mempunyai derajad keeratan hubungan yang maksimum atau koefisien korelasi tertinggi.2. bila digunakan sebagai garis penduga. Garis penduga merupakan garis regresi yang terbaik. Sampai sekarang metode kuadrat terkecil ini adalah suatu metode yang paling ampuh pada perhitungan untuk menduga suatu garis regresi yang terbaik dibandingkan dengan metode-metode yang lainnya. 4). 2). 2. hal ini akan dibicarakan pada uji kecocokan garis regresi penduga. 2). tetapi harus memenuhi juga syarat-syarat yang lain yaitu: 1). Hal ini akan dibahas dalam penggunaan koefisien korelasi dalam uji garis regresi. dan harus betul-betul tepat atau cocok. di mana Y = A + BX + E. Metode kuadrat terkecil (OLS = ordinary least squares) Selain. Model regresi atau bentuk fungsi yang dipakai haruslah mendekati titik-titik pasangan X. Dengan mengkuadratkan nilai kesalahan ei yang kecil (pecahan) maka akan diperkecil mendekati nol. Selain teori kuadrat terkecil. sebab nilai negatif mengkompen nilai positif. penaksir pangkat dua terkecil (metode kuadrat terkecil) yang mempunyai ragam paling kecil.Ŷ) = minimal.7 Pendekatan Garis Penduga Terbaik Ada beberapa cara pendekatan matematika untuk mendapatkan garis regresi penduga yang terbaik seperti: 1. Suatu syarat penaksir garis atau garis penduga yang terbaik. apabila jumlah pangkat dua (kuadrat) nilai kesalahan-kesalahan (ei) adalah minimal atau ditulis dengan 2 rumus: ∑e i = 0. ada suatu teori Maximum Like Lihood Estimation yang kedua-duanya membuktikan bahwa meminimalkan kesalahan ei merupakan estimasi atau penaksiran yang terbaik. diantaranya: 1). apabila jumlah harga mutlak dari nilai kesalahan atau ∑│e│ adalah minimal.

b0 ΣXi .b0 . maka sistem persamaan normal dari [2. [2. Secara matematis Σei minimal dapat dinyatakan dengan teori defrensial bahwa turunan 2 pertama dari: Σei terhadap b0 dan terhadap b1 haruslah sama dengan nol atau dapat 2 ditulis: δΣei / δbi = 0. Perhatikan pengali dari setiap penaksir-penaksir yang berhubungan koefisien regresi seperti b0 dan b1 Apabila syarat-syarat dalam meminimalkan G dipenuhi. Untuk memudahkan cara penulisan selanjutnya Σei2 disamakan dengan G.7b]. 2 2 2 dapat ditulis: 18 PDF created with pdfFactory Pro trial version www. Oleh karena itu.11] turunannya menjadi: δG/δb0 = 2 Σ(Yi .b1 Xi (.7a]. semua fungsi turunan pertama parsialnya (δY/δX) sama dengan nol.12] diselesaikan dan diubah cara penyajiannya. Persamaan (2. . suatu syarat yang perlu dan khusus. ΣYi Xi . bahwa garis regresi penduga terbaik. adalah garis regresi 2 yang mempunyai nilai Σei minimal.7b] yang ditulis kembali seperti: [2. .13) disebut dengan persamaan Normal 1.14) disebut dengan persamaan Normal 2. maka nilai G akan minimum jika semua fungsi turunan pertama parsiilnya. Pernyataan matematis di atas dapat dijabarkan menjadi: Ŷ = b0 + b1 X dan Y = Ŷ + e sehingga ei = Yi .b1 ΣXi = 0 Persamaan-persamaan [2. jadi G = Σei2. yaitu turunan pertama parsiil dari G terhadap masing-masing nilai b0 dan b1 sama dengan nol.12] turunannya menjadi: δG/δb1 = 2 Σ(Yi . Dengan mengambil fungsi turunan pertama parsiil G terhadap b0 dan b1 serta menyamakannya dengan nol. X2.com .b0 . Persamaan (2.13] dan [2.Xi) = 0 Perhatikan faktor pengali yang berada dimuka tanda sama dengan (=).b1 Xi) (. . Perhatikan pertanyaan matematis dari persamaan [2.11] dan [2. Yi = b0i + b1i Xi + ei Telah disebutkan di muka.14]. Turunan Σe2i atau G terhadap b0 menjadi: Dari persamaan [2. dan b1 adalah sebagai berikut: Dari teori minimum dan maksimum atau harga ekstrim dalam teori kalkulus (defrensial & integral) dapat dinyatakan bahwa suatu fungsi f(X1.Manipulasi matematis dari metode kuadrat terkecil akan menghasilkan koefisien a dan b. ei = Yi . Apabila dari persamaan-persamaan [2. maka diperoleh dua persamaan seperti di bawah ini. Xp) akan minimum jika. ΣYi . dengan mengandaikan syarat kedua minimalasasi itu telah terpenuhi.Ŷ [2.Σb0 .Ŷ Persamaan [2.9] di atas merupakan modifikasi dari persamaan-persamaan [2.pdffactory. maka diperoleh persamaan-persamaan seperti: [2.13].10].1) = 0 Turunan Σe i atau G terhadap b1 menjadi: Dari persamaan [2. 2 Sehingga fungsi turunan Σe atau G terhadap setiap nilai b0.13] dan [2. .14] dapat diselesaikan secara serentak untuk menentukan besarnya nilai b0 dan b1 sebagai penaksir pangkat dua terkecil atau Least Squares Method bagi parameter B0 dan B1. atau [2.8].b1 ΣXi = 0 [2.9].14] di atas disebut dengan persamaan normal.

16b].14] dapat dilihat keteraturan dari cara-cara penyelesaianya.pdffactory. ΣYi Xi .( Y . y: [2.7. Σxy = ΣXY . Σx = ΣX .Biasanya. 2. Σy = ΣY .16b] maka didapatkan nilai b1 menjadi: [2. Dari persamaan [2. dengan demikian koefisien regresi b0 dan b1 dalam analisis regresi linier sederhana yang mengandung sebuah variabel bebas X dan sebuah variabel tak bebas Y dapat ditaksir atau dihitung.X 2 ).b1 X = 0 0 (Persamaan Normal 1) atau sehingga akhirnya menjadi: b0 = Y .b1 ΣXi = 0 ΣYi /n .18a].16b] dengan modifikasi X dan Y menjadi persamaan dengan huruf kecil dan perhatikan dengan teliti notasi perubah X dan Y yang ditulis dengan huruf kecil x dan y pada persamaan-persamaan berikut ini.19b]. Y dengan x.14] dapat diselesaikan secara serentak untuk mendapatkan nilai b0 dan b1.13] dan [2.18c].b1 ΣXi2 = 0 (Persamaan Normal 2) atau dapat ditulis [2.(ΣY) /n 2 2 2 [2. dan y = (Y .13].18a] sampai dengan persamaan [2.15]. b1 = Σxy Σx 2 atau dengan menggunakan notasi lain nilai b1 menjadi: JHK XY atau dengan menggunakan notasi lain nilai b1 menjadi: JK X ∑ XY − [2.b0 ΣXi .(ΣYi /n .b1 ΣXi2 = 0 Sebelum penyelesaian persamaan [2.16a]. sistem persamaan normal [2.b1 X ) ΣXi . b1 = ∑ X ∑Y n ( X )2 ∑ 2 ∑X − n 19 PDF created with pdfFactory Pro trial version www.2 Perhitungan nilai koefisien regresi linier sederhana Jika diperhatikan kembali sistem persaman normal dari persamaan [2.b1 X Selanjutnya. Berikut ini diberikan hubungan antara X. b1 = [2. Oleh karena jumlah sampel = n diketahui dan jumlah-jumlah yang terdapat dalam sistem persamaan normal itu dapat dihitung dari data sampel.19a]. ΣYi Xi .19c].13] dapat ditentukan nilai b0 yaitu dengan membagi persamaan tersebut dengan jumlah pengamatan (n) sehingga didapatkan persamaan dengan penyelesaian sebagai berikut: [2. x1 2 = (X1 .b1 ΣXi/n) ΣXi . ΣYi Xi .13]. b0 .com . dan [2. Sehingga nilai b0 dan b1 dapat ditentukan dengan perhitungan seperti berikut.15] ke persamaan [2.b1 ΣXi/n = Y [2.b1 ΣXi2 = 0 [2.nb0 /n . 2 2 x2 = (X2 .Y ) disebut dengan JK Y disebut dengan JK X disebut dengan JHK XY [2.17]. [2.X 1 ).18b].16].ΣX ΣY/n Dengan menggunakan persamaan [2.18c] maka perhitungan nilai b1 pada persamaan [2. ΣYi .14] di atas dapat ditentukan besarnya nilai b2. dengan memasukkan persamaan [2.Σb0 .(ΣX) /n [2.

Dan jika persamaan [2.20].22c] [2.b1 xi Dari persamaan [2. selanjutnya didapatkan Σei atau disebut dengan JK Galat Regresi dengan kode G. 2.8. Pengujian Garis Regresi Linier Sederhana Pengujian garis regresi secara statistika dapat dilakukan dengan tiga cara yaitu: 1).b1 Σyi xi Ingat : Σyiyi = Σyi = JK Total = JK Y Σyixi = JHK YiXi = JHK XY b1 Σyi xi disebut dengan JK Regresi = JK Reg.8.b1 X ) . perlu dilakukan pengujian keberartiannya.21c] yaitu pesamaan untuk nilai ei. sehingga menjadi: [2.com .1 Uji varians regresi atau uji F regresi atau uji ragam regresi Uji keragaman untuk menentukan garis regresi yang terbaik sering disebut dengan uji F garis regresi atau lebih terkenal dengan sidik ragam regresi.22a] [2.b0 .bi Xi.23b] [2. Dari Gambar 2.23c] didapatkan bahwa JK Galat Regresi sama dengan JK Total dikurangi dengan JK Regresi.b1 (Xi . ei = Yi . sehingga dengan mengkuadrat 2 jumlahkan nilai ei. 3).21a].Y ) .b1 xi) Selanjutnya dari persamaan diatas didapatkan: [2.Sehingga persamaan regresi penduga Ŷ dari suatu pengamatan atau untuk pengaruh variabel bebas X terhadap variabel tak bebas Y menjadi: [2. ei = yi . 20 PDF created with pdfFactory Pro trial version www.21b].( Y .22d] [2. Ingat bahwa ei = yi . Unuk menjawab pernyataan tersebut maka dapat dikatakan bahwa garis regresi penduga Ŷ = b0 + b1 X nyata secara statistika.20] di mana ei = Yi .X ) [2. Uji ragam regresi atau uji F regresi Uji koefisien regresi dengan uji-t Uji r garis regresi 2.20] Ŷ = b0 + b1 X sehingga didapatkan pesamaan: [2. ei = (Yi .4 dapat diuraikan bahwa persamaan [2.15] b0 = Y .Y. Ŷ = b0 + b1 X Selanjutnya.b1 X disubstitusikan ke dalam persamaan [2. untuk membuktikan bahwa garis regresi yang diperoleh tersebut merupakan garis regresi yang terbaik untuk menghampiri setiap titik-titik pengamatan X.23c] sehingga dapat menjadi: 2 G = Σyiyi .b1 ΣeI xi) G = Σeiyi G = Σyiei G = Σyi (yi .21c].23a] [2.b1 xi) G = Σeiyi . 2).pdffactory. G = Σei(yi .22e] G = Σ ei 2 dengan membuka kurung maka atau Persamaan [2. di mana JK Total atau JK Y sudah dapat dihitung dari data pengamatan.b1 xi.22b] [2. Dari persamaan [2.21c] sehingga atau sebab ΣeIxi = 0 sehingga G = Σeiei.b1 Xi [2.

b] berlaku umum untuk p variabel bebas X sehingga persamaannya menjadi: [2. Yi. hubungan antara komponen-komponen pada analisis keragaman (JK Total.JK Regresi Selanjutnya dihitung nilai KT atau varians seperti: 1). . maka besarnya nilai F (F-hitung) adalah: [2. Yi.25a] [2.25b] JK Regresi = b1 Σyi xi JK Regresi = b1 JHK XY atau dapat ditulis: Persamaan [2.23c].27] Fhit = KT Regresi KT Galat 21 PDF created with pdfFactory Pro trial version www. Ŷ.JK Regresi.24]. dan nilai-nilai Y . JK Regresi dengn JK Reg (tanpa titik) dan JK Total dengan JK Tot atau JK Y (tanpa titik). dan ei di bawah ini.Perhatikan Gambar 2. KT Regresi KT Galat = = JK Regresi /(DB Regresi) JK Galat/ (DB Galat) Berdasarkan pada asumsi sebaran normal untuk komponen pengganggu e. dan JK Galat) seperti berikut: [2. .pdffactory.4. Nilai-nilai Y . Sehingga sesuai dengan persamaan [2.4. JK Galat = JK Total . .com . 2).26b] JK Regresi = b1 Σyi x1 + b2 Σyi x2 + .26a] [2. JK Galat = JK Total . + bp Σyi xp JK Regresi = (b1 JHK X1Y + b2 JHK X2Y + . maka selanjutnya JK Galat Regresi disingkat dengan JK Galat. Ŷ. dan ei Sehingga. JK Regresi = b1 JHK XY 2). . Untuk menyederhanakan penulisan dan pengertian di atas. + bp JHK XpY) Komponen penyusun Tabel Sidik Ragam Regresi adalah: 1).25a. JK Total = Jk Y = ΣY2 . 150 125 Konsumsi 100 75 Y 50 25 0 120 130 X 140 * Ŷ = b0 + bi X ei (Ŷ – Y ) (Y i -Y) X i 150 160 Pendapatan Gambar 2. maka JK Regresi mempunyai rumus: [2. JK Regresi.(ΣY)2/n 3).

n-2) dan α = taraf nyata ) Kreteria pengujian nilai Fhit adalah: 1). t-hitung b0 = b0 Sb 0 dan t-hitung b1 = b1 S b1 Di mana Sbi = salah baku bi 22 PDF created with pdfFactory Pro trial version www.Y.Y tersebut.8. F-hitung disimbulkan dengan Fhit ini diartikan bahwa dalam pengujian F akan dibuktikan suatu hipotesis nol atau H0: Fhit = 0 dan H1: Fhit > 0 Kemudian F-hitung dibandingkan dengan F tabel yang biasa ditulis dengan: Fhitung ≈ Ftabel (Di mana Ftabel = F(α. Tabel 2.com .pdffactory. Bagan Sidik Ragam Regresi Sumber Derajat Keragaman Bebas (DB) (SK) Regresi p = 1 Jumlah Kuadrat (JK) b1 Σyi x1 atau (b1 JHK XY) JK Galat Σyi2 = JK Total = JK Y Kuadrat Nilai Tengah F hitung (KT) (Fhit) JK Reg/p = KT Regresi KT Reg KT Galat JK Galat = n − p −1 KT Galat F tabel 5% 1% Lihat tabel F Residual atau Galat Total n–p– 1 n–1 n = jumlah sampel (pasangan pengamatan) dan p jumlah variabel bebas X. Jika uji F atau uji ragam regresi menunjukkan bahwa Fhit > F(tabel 5%) barulah dilanjutkan dengan uji t dan sebaliknya.2 Uji keberartian koefisien regresi (bi) atau uji t Pengujian yang dilakukan dengan uji F seperti cara tersebut di atas. Atau dapat dikatakan ini berarti bahwa terdapat hubungan bukan linier pada pasangan pengamatan X.3 berikut di bawah ini. Jika Fhit > F(tabel 5%). Hal ini berarti bahwa garis regresi penduga (Ŷ) linier sederhana yang didapat tersebut bukan garis regresi yang terbaik untuk menghampiri pasangan pengamatan X. 2.28]. dapat memberikan petunjuk apakah setiap variabel X menunjukkan pengaruh atau hubungan yang nyata terhadap variabel tak bebas Y. Secara umum uji t mempunyai rumus adalah: W SW W nilai yang diuji. Atau dapat dikatakan bahwa garis regresi penduga (Ŷ) linier sederhana yang didapat tersebut adalah garis regresi penduga yang terbaik untuk menghampiri pasangan pengamatan X.Hasil perhitungan keragaman di atas dibuatkan Tabel Sidik Ragam Regresi seperti pada Tabel 2. sehingga untuk pengujian koefisien regresi (bi). maka rumusnya menjadi: [2. Hal ini berarti bahwa terdapat hubungan linier antara pengaruh X terhadap Y. 2). Modifikasi dari pengaruh variabel bebas X terhadap variabel tak bebas Y atu uji F. Jika Fhit ≤ F(tabel 5%).Y.29]. t-hitung W = [2.3. maka dapat dilakukan dengan uji t atau uji koefisien regresi apabila uji F signifikan. p.

jika thit ≤ t(tabel 5%. 2). db galat) maka garis regresi penduga Ŷ dikatakan sejajar dengan sumbu X pada nilai b0. Karena besarnya nilai σ e (Ragam Galat Regresi) populasi tidak diketahui.0). Sb0 = = var b0  KT Galat Re gresi   n JK X  Untuk pengujian b1 nilai salah baku menjadi: [2. Sbi = var bi masing-masing untuk b0 dan b1 menjadi: Untuk pengujian b0 nilai salah baku menjadi: [2.31].n-2) dan α = taraf nyata ) Berdasarkan hasil uji t ternyata bahwa kreteria pengujian nilai thit adalah: 1).Dari persamaan [2. db galat) Hal ini dikatakan bahwa tolak H0.0) yaitu nilai Y = 0 jika X = 0. Sb1 = = var b1 ∑X2      KT Galat Re gresi      JK X   Seperti dalam uji F. ini berarti bahwa koefisien arah b1 yang berangkutan dapat dipakai sebagai penduga dan peramalan yang dapat dipercaya. Selanjutnya. didasarkan metode kuadrat terkecil. dalam uji t nilai salah baku bi yang ditulis (Sbi) mempunyai persamaan seperti berikut: [2. Jika thit > t(tabel 5%. S2e = KT Galat Regresi = JK Galat Regresi /(n-p-1) 2 Selanjutnya. maka dapat 2 diduga dengan nilai S e atau KT Galat Regresi sampel yang mempunyai persamaan yaitu: [2. selain untuk pengujian hipotesis juga dapat dipakai pada perkiraan nilai interval koefisien regresi populasi βi yang sering disebut dengan perkiraan nilai populasi beta (β). Perhitungan nilai σBi didasarkan pada ragam galat regresi atau KT Galat Regresi. Untuk b1. yang berarti bahwa garis regresi penduga Ŷ tidak melalui titik acuan (X.29] dalam menyederhakan penulisan salah baku koefisien regresi bi yang biasa ditulis dengan σBi (salah baku = standard error koefisien regresi Bi). Kemudian t-hitung dibandingkan dengan t tabel yang biasa ditulis dengan: thitung ≈ ttabel (Di mana ttabel = t(α/2. Jika thit ≤ t(tabel 5%.Y = 0. Dengan kata lain.pdffactory. Perlu diingatkan bahwa dalam pengujian di atas (baik uji F maupun uji t). Pengujian yang dilakukan dengan cara tersebut di atas. nilai salah baku koefisien regresi Sbi yang diperoleh.32a]. penulisan t-hitung dapat ditulis dengan notasi thit (artinya uji t untuk pengujian hipotesis nol atau H0: bi = 0 dan H1: minimal satu dari bi ≠ 0).32b].30]. Hal ini dapat dikatakan bahwa terima H0. db galat). dapat memberikan petunjuk apakah setiap variabel Xi memberikan pengaruh atau hubungan yang nyata terhadap variabel tak bebas Y. Untuk pengujian b0 yang berarti bahwa b0 melalui titik acuan (titik 0. 23 PDF created with pdfFactory Pro trial version www.com .

35b]. seperti uji Ragam Regresi (uji F).35a]. Sedangkan.78.33a].α atau [2.com . b1 = ∑ X ∑Y ∑ XY − n (∑ X ) 2 ∑X − n 2 atau  (∑ X ) 2 2 b1  ∑ X − n  b1 JK X    =  ∑ X ∑Y ∑ XY − n atau dan = JHK XY 24 PDF created with pdfFactory Pro trial version www. Adapun rumus dari pada koefisien korelasi r adalah: [2. p {bi .0. r = 0. uji Koefisien Regresi (uji t) berdasarkan nilai Varians Galat Regresi. p (bi ± tα/2 Sbi Sbi) = 1.87. rXY = menjadi: [2. Lihatlah kembali rumus koefisien regresi seperti [2. Hubungan antara koefisien korelasi r dengan koefisien regresi b2. dan untuk setiap b0 dan b1 seperti: [2. Sepintas gambaran bahwa nilai r berkisar antara –1 sampai dengan + 1 atau sering ditulis dengan -1 ≤ r ≤ +2. rXY = Σxy Σx 2 Σy 2 JHK XY JK X JK Y atau [2. dan lain sebagainya.34a].α [2. rXY = atau menggunakan notasi lain maka nilai r ∑ X ∑Y ∑ XY −  (∑ X ) 2 2  − X ∑  n  n  (∑ Y ) 2 2   − Y ∑  n      (n = jumlah sampel) Perhitungan nilai r berdasarkan rumus di atas disebut nilai koefisien korelasi seserhana atau koefisien korelasi order nol atau koefisien korelasi produc moment atau koefisien korelasi Pearson.35c]. Jadi nilai koefisien korelasi itu selalu pecahan seperti: r = 0.pdffactory.tα/2 Sbi ≤ βi ≤ bi + tα/2 Sbi} = 1.3 Uji keeratan hubungan atau uji r Pada uji-uji sebelum ini. pada uji keeratan hubungan selain memakai Varians Galat Regresi juga memakai parameter tertentu yaitu koefisien korelasi atau sering disebut dengan keeratan hubungan dengan simbul rxy atau ryx yang sering ditulis dengan r saja.35c]: [2.α. p {b0 . r = .α untuk b0 untuk b1 2.8.33b].347.19c].tα/2 Sb1 ≤ β1 ≤ b1 + tα/2 Sb1} = 1.19c] dan koefisien korelasi r seperti [2.Rumus dari perkiraan nilai βi adalah sebai berikut di bawah ini: [2. p {b1 .tα/2 Sb0 ≤ β0 ≤ b0 + tα/2 Sb0} = 1.34b].

dan α = taraf nyata ) 25 PDF created with pdfFactory Pro trial version www.36e] b1 ( (JK X ) (JK Y ) ) atau ( (JK X ) (JK X ) ) = r ( (JK X ) (JK Y ) ) atau JK X JK X JK X = r = r JK Y JK X JK Y atau atau n − 1 maka Apabila kedua ruas dari persamaan: [2.36d] b1 Jadi: [2.36h] b1 = r Yang jelas dalam uji r.356] dapat ditulis menjadi: [2.36e] b1 [2. Dalam uji r yang umum dialakukan adalah membandingkan nilai koefisien korelasi r yang dihitung atau r hitung dengan r tabel.36g] menjadi: [2. maka nilai koefisien korelasinya (r) juga negatif. n-2 = db Galat.35c]. sehingga persamaan [2.36a] di atas dapat ditulis kembali menjadi: [2.com . Nilai r tabel dapat dilihat pada tabel r yang susunannya serupa dengan tabel t. rhitung ≈ rtabel (di mana rtabel = r(α/2.36b] b1 JK X = r [2. apabila nilai koefisien regresinya (b1) negatif.19] dan [2. n-2).[2.36a] b1 JK X = r ( (JK X ) (JK Y ) ) Dari kesamaan [2.pdffactory. r = ∑ X ∑Y ∑ XY −  (∑ X ) 2 2 X  − ∑  n  n  (∑ Y ) 2 2 Y   − ∑  n      atau dapat ditulis r = ∑ X ∑ Y di mana ∑ XY − n = JHK XY r ( (JK X ) (JK Y ) ) Dari kesamaan kedua persamaan di atas [2. sehingga nilai SY SX = SY = 1.36e] sama-sama dibagi dengan didapatkan: [2.36g] b1 SX = r SY Apabila data yang dianalisis dinyatakan dalam nilai standar baku atau data di transformasi ke nilai Z (di mana ZX = (Xi − X ) ) SX − − dan ZY = (Yi − Y ) ) .36f] b1 JK X n −1 KT X = r = r JK X n −1 KT Y atau atau [2.36c] b1 [2.

35b] seperti berikut. yang berarti bahwa terdapat hubungan atau korelasi antara variabel yang satu dengan variabel yang lainnya. Jika thitung Hubungan lain antara parameter r. JK Total 26 PDF created with pdfFactory Pro trial version www. yang berarti bahwa terdapat hubungan linier atau korelasi sederhana antara variabel yang satu dengan variabel yang lainnya. Jika thitung ≤ t(tabel 5%. [2.37c].38a]. Selain pengujian r seperti di atas nilai r hitung dapat pula diuji dengan menggunakan uji t dengan rumus pengujian seperti berikut yaitu: [2. 2). rXY 2 = JHK XY JK X JK Y 2 Modifikasi dari rumus r atau R adalah seperti berikut: [2. Jika rhitung ≤ r(tabel 5%. 2). b1. t-hitung r = r Sr (1 − r 2 ) (n − 2) r (1 − r 2 ) (n − 2) r (n − 2) (1 − r 2 ) di mana Sr = salah baku r sehingga atau [2. t-hitung r = Sr = [2. Hal ini dapat dikatakan bahwa tidak terdapat hubungan atau korelasi antara variabel yang satu dengan variabel yang lainnya. dan dengan garis regresi penduga Ŷ dapat dijabarkan kembali melalui persamaan: [2.com . [2.38c]. Jadi [2. > t(tabel 5%. [2. Jika rhitung > r(tabel 5%. t-hitung r = Berdasarkan hasil uji t untuk nilai r ternyata bahwa kreteria pengujian adalah: 1).Berdasarkan hasil uji r ternyata bahwa kreteria pengujian nilai rhitung adalah: 1).38e]. db galat) Hal ini dikatakan bahwa tolak H0.38d].pdffactory. db galat). db galat) Hal ini dapat dikatakan bahwa tidak terdapat hubungan linier atau korelasi sederhana antara variabel yang satu dengan variabel yang lainnya.38f]. [2. db galat). r 2 XY = = = = = ( JHK XY ) ( JHK XY ) ( JK X ) ( JK Y ) ( JHK XY ) ( JHK XY ) ( JK X ) ( JK Y ) b1 ( JHK XY ) ( JK Y ) atau ingat: b1 = ( JHK XY ) ( JK X ) r2XY r 2 XY ingat: JK Y = JK Total ingat: b1 JHK XY = JK Regresi) rumus di tas tersebut bersifat umum r2XY r 2 XY (b1 JHK XY ) ( JK Y ) JK Re gresi ( JK Total ) 2 JK regresi = r . Hal ini dikatakan bahwa tolak H0.35b].37a].38b]. [2.37b].

[2.41a]. JK Total 2 2 2 2 2 atau atau atau Sehingga JK Total dapat dihitung dari JK Galat dan r sepert : JK Galat JK Re grasi = (1 . [2. Hal ini berarti bahwa garis regresi penduga (Ŷ) linier sederhana yang didapat tersebut bukan garis regresi yang terbaik.R yang menunjukkan persentase dari variasi total atau variabel Y yang disebabkan oleh faktor lain diluar X atau variabel selain X.r ) . [2.42b]. sehingga Fhitung mempunyai rumus: [2.r 2 ) JK Total sehingga didapatkan (n − 2) r 2 (1.41c] maka menghasilkan: [2.41c]. F-hitung = JK Galat /(n − 2) (n − 2) JK Re grasi [2.40] ke dalam persamaan [2. JK Total = KT Re grasi KT Galat JK Re grasi / 1 [2. Arti dari pada koefisien determinasi atau koefisien penentu (R ) adalah suatu nilai yang menunjukkan bahwa persentase dari variasi keragaman total Y atau variasi Y yang dapat diterangkan oleh variasi X.39d].r 2 ) Kreteria pengujian nilai Fhitung sama seperti pengujian-pengujian di atas.05).40].41b].39c]. 27 PDF created with pdfFactory Pro trial version www.pdffactory. Dalam analisis keragaman atau uji F regresi di mana: [2. bahwa terdapat pengaruh antara variabel X terhadap variabel tak bebas Y. atau dengan garis regresi penduga Ŷ adalah parameter r2 yang dalam persamaan regresi sering ditulis dengan R2 yang disebut dengan koefisien determinasi atau koefisien penentu atau coeficien of determination.42a]. Sisanya 1 . [2. 2). F-hitung F-hitung = = (n − 2) r 2 JK Total (1.39b].JK Galat r JK Total = JK Total . JK regresi = JK Total . Jika Fhit ≤ F(tabel 5%).r 2 ) r2 Selanjutnya. koefisien regresi b1.39a].r . dalam analisis keragaman regresi linier sederhana dan uji F di mana DB Regresi = 1 dan DB Galat = n – 2.com .Yang lebih penting dalam pembicaraan hubungan antara koefisien korelasi r. F-hitung = JK Galat Masukan persamaan [2. Hal ini berarti bahwa terdapat hubungan linier yang nyata (p = 0. Jika Fhit > F(tabel 5%). F-hitung = [2.JK Galat JK Galat JK Galat = JK Total . sehingga kreteria pengujian adalah: 1). JK Total = (1 . Atau sering diartikan bahwa koefisien determinasi R adalah persentase dari variabel tak 2 bebas Y yang dipengaruhi oleh variabel bebas X.

bahwa pemakaian persamaan penduga Ŷ = a + bX. dalam penaksiran diperlukan selang kepercayaan nilai γ yaitu sebesar 1 – α di mana α adalah peluang kesalahan tipe I. yang umum disebut dengan selang kepercayaan Ŷ atau interval taksiran garis regresi penduga Ŷ. Selanjutnya.Taksiran nilai rata-rata. dapat dipakai sebagai peramalan dari nilai-nilai Xi yang belum diketahui. JK X dan KT Galat Regresi dari Analisis Varians Regresi X0 = suatu nilai Xi yang telah diketahui atau ditentukan 2). n = jumlah penamatan atau sampel.1 Interpolasi dan ekstrapolasi Jelaslah bahwa dari uraian di atas. sehingga terdapat daerah atau range. masing-masing taksiran tersebut adalah: 1). Dengan demikian. Ŷ .33] bertujuan untuk mengetahui perkiraan nilai interval koefisien regresi populasi βi baik b0 maupun b2.Taksiran nilai individu [2. dan b) penaksiran atau peramalan nilai individu Y apabila nilai Xi tertentu yang telah diketaui. S 2ˆ = KT Galat Regresi 1 + + ˆ Y n    1 2.com . atau untuk mencari nilai Y apabila Xi telah ditentukan.t(α/2.t(α/2. [2.   _ X = nilai rata-rata Xi. n – 2) S Ŷ . Suatu hal yang perlu diperhatikan di dalam penaksiran atau peramalan garis regresi adalah terdapat dua buah nilai taksiran yang berada di sebelah-menyebelah garis regresi penduga Ŷ. Dalam penaksiran atau peramalan garis regresi membicarakan sejauh mana garis regresi penduga Ŷ yang telah didapat betul-betul dapat dipercaya sebagai penduga garis μXY yang terbaik.9 Peramalan atau Prediksi Garis Regresi Pembicaraan mengenai perkiraan nilai populasi beta (β) pada persamaan [2. Dalam perhitungan nilai selang kepercayaan juga menggunakan dasar Analisis Ragam Regresi. n – 2) S Y Di mana: S adalah nilai salah baku dari penaksiran rata-rata dengan rumus: Y S 2 = KT Galat Regresi  + Y n   1 ( X 0 − X )2 JK X _   .pdffactory. n – 2) S Y ≤ μXY ≤ Ŷ + t(α/2. n – 2) S ˆˆ ≤ Y ˆ ˆ Y Y Di mana: S ˆˆ adalah nilai salah baku dari penaksiran individu dengan rumus: Y _  ( X 0 − X )2   JK X    JK X dan KT Galat Regresi dari Analisis Varians Regresi n = jumlah penamatan atau sampel _ X = nilai rata-rata Xi X0 = suatu nilai Xi yang telah diketahui atau ditentukan.43].44].9.2. 28 PDF created with pdfFactory Pro trial version www. ˆ ˆ ≤ Ŷ + t(α/2. yang diharapkan pada garis regresi penduga adalah: a) penaksiran atau peramalan nilai rata-rata untuk nilai Xi tertentu yang telah diketaui yang ) ) sering diberi simbul μXY.

2.900 1.890 1.720 1.810 1.490 11.873 Y 0.610 231.563 27.600 0.250 15.600 12.700 1.4.600 7.040 150.210 112.10 Aplikasi Regresi Linier Sederhana Untuk dapat lebih memahami uraian teori di atas dan agar dapat menentukan nilai-nilai dalam regresi penduga Ŷ = b0 + b1X atau koefisien regresi yaitu nilai-nilai b0 dan b1.563 3.750 0.150 0.305 26.750 10.310 16.200 12. sebab garis regresi penduga tersebut harus tahan uji dari beberapa jenis pengujian garis regresi seperti yang telah diuraikan di atas.300 5.903 18.875 10.250 12.563 158.760 141.400 11.360 56.518 0.338 7.900 24.063 110.610 2183.950 15. jika harga-harga X yang dimasukkan ke dalam persamaan regresi penduga Ŷ = a + bX terletak di luar batas daerah ruang X1 dan Xn hasil-hasil pengamatan atau dengan perkataan lain bahwa nilai Y yang diramalkan terletak di luar nilai antara X1 dan Xn.900 15.800 0.563 0.250 12.Interpolasi.063 166.305 198. Perhitungan Regresi Dua Variabel yaitu Variabel X dan Variabel Y No. Pengertian ekstrapolasi adalah penaksiran atau peramalan nilai Y.908 1.720 0.250 141.300 8.555 Y2 0.950 1.750 1.500 11. Timbul suatu pertanyaan apakah setelah didapatkan suatu garis regresi penduga Ŷ = a + bX sudah betul-betul merupakan garis regresi yang terbaik untuk melakukan penaksiran atau peramalan? Tentu saja jawabannya belum tentu. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Jumlah Rata2 X 9.217 29 PDF created with pdfFactory Pro trial version www.250 1.1 Perhitungan JK-JHK dan penentuan koefisien regresi linier sederhana b0 dan b1 Tabel 2.410 204.125 14. maka diberikan contoh olahan seperti di bawah ini.090 79.250 126.000 1.330 145.900 10.250 0.048 X2 95.323 0.900 14.Ekstrapolasi Pengertian interpolasi adalah penaksiran atau peramalan nilai-nilai Y. Ada dua pengertian pokok yang harus dipahami dalam penaksiran atau pendugaan adalah: 1).500 11.903 3.4.240 0.900 178.600 11.com .253 13.540 5.050 1.650 0.Di dalam penerapan praktis dari garis regresi penduga Ŷ = a + bX dipakai untuk mengadakan peramalan atau penafsiran.490 175.pdffactory.360 0.063 1.423 0.103 1.340 5. yang datanya terdiri dari satu variabel bebas X (prediktor) yaitu nilai X dan satu variabel tak bebas Y yaitu nilai Y. dan datanya seperti pada Tabel 2.563 234.10.000 2.100 11. seperti disebutkan di atas.500 0. 2.261 XY 6.863 12. jika harga-harga Xi yang dimasukan ke dalam persamaan regresi penduga Ŷ = a + bX terletak di dalam daerah ruang gerak X1 dan Xn hasil-hasil pengamatan atau dengan perkataan lain bahwa nilai Y yang diduga di mana nilai Xi terletak antara X1 dan Xn. 2).300 13.

10.4338 Σx1 = ΣX1 .16893 X Sehingga. Dalam pengujian garis regresi penduga terdapat tiga macam uji yaitu: 1).ΣX1 ΣY/n 198.(ΣY)2/n 18.873) .pdffactory.16893 Sehingga. dari persamaan peduga di atas dapat diartikan bahwa setiap perubahan satu satuan X.6037 68.(178.048 .16893 satuan Y.720)/15 11.720)2/15 2. Uji koefisien regresi atau uji terhadap bi atau uji t.0.720) /15 2.16893) (11.(178. 2).(ΣY) /n 2 18.0.2 Pengujian garis regresi linier sederhana dengan uji F Dalam Uji F atau uji Ragam Regresi atau uji Varians Regresi diperlukan nilai-nilai JK Total. JK Total = = = = Σy 2 2 ΣY .95776 + 0. JK Regresi.43384 2 30 PDF created with pdfFactory Pro trial version www.b1 X 1.330 . maka akan menyebabkan terjadinya perubahan Y sebesar 0. dan Uji koefisien korelasi atau uji r. 2.(5.com . dilakukan perhitungan untuk mencari nilai b0 dan b1 seperti berikut ini. 3). Nilai b1 adalah: b1 = = = Nilai b0 adalah: b0 = = = Ŷ Ŷ Y .908 .253 .6893 Σx1y = ΣX1Y . dilakukan pengujian terhadap garis regresi penduga.4 di atas seperti berikut: 1).6893 0. persamaan peduganya menjadi: = = b0 + b1 X .(ΣX) /n 2183.908 .100)(5. dan JK Galat Regresi dari data Tabel 2. Uji F atau uji ragam regresi atau uji varians regrsi.95776 JHK XY JK X 11.Perhitungan JK-JHK dari data di atas seperti: JK Y = = = = = = = = = Σy2 = ΣY2 . Selanjutnya.(0.100)2/15 68.(5.6037 2 2 2 JK X JHK XY Selanjutnya.

JK Galat Regresi.3 Pengujian koefisien garis regresi linier sederhana dengan uji t Setelah dilakukan pengujian dengan uji F maka selanjutnya. = berpengaruh sangat nyata pada p<0. KT Regresi.01) terhadap variabel tak bebas Y.47363 3). KT Galat Regresi = = = Setelah perhitungan JK Total.330 15 x 68. Untuk pengujian b0 nilai salah baku Sb0 dari data di atas: Sb0 = KT Galat Re gresi ∑ X 2 n JK X 0.03643 - F hitung 53.5. dalam analisis regresi dua variabel nilai salah baku bi yang ditulis dengan Sbi mempunyai persamaan seperti berikut.6037) 1. Tabel 2.43384 Kuadrat Tengah (KT) 1.96021 0.8037 ** F tabel 5% 1% 4. maka di lanjutkan dengan membuat Tabel Analisis Keragaman atau Tabel Analisis Varians Regresi seperti pada Tabel 2.67 9. dihitung nilai KT atau varians seperti: 1).16893) (11. dilakukan pengujian terhadap koefisien regresi b0 dan b1 dengan uji t seperti berikut.5 berikut.2).47363/13 0.10. JK Regresi = = = b1 JHK XY (0. JK Galat Regresi Selanjutnya.96021/1 1.6893 0.277853 = = 31 PDF created with pdfFactory Pro trial version www. dan KT Galat didapatkan. yang berarti bahwa terdapat pengaruh variabel bebas X yang sangat nyata (p<0.com .2. bi Secara umum uji t mempunyai rumus adalah t-hitung bi = S bi Selanjutnya.JK Regresi 2. KT Regresi = = = JK Regresi /(DB Regresi) 1.96021 JK Galat/ (DB Galat) 0.pdffactory. JK Regresi.47363 2. 2.01 Berdasarkan hasil analisis varians di atas ternyata bahwa Fhit > F(tabel 1%) atau dapat dikatakan bahwa hipotesis nol ditolak.96021 = = = JK Total .03643 2183.96021 0.07 Jumlah sampel (n) = 15.43384 . Bagan Sidik Ragam Regresi Dua Variabel Sumber Keragaman (SK) Regresi Residual Total Keterangan: ** Derajat Bebas (DB) 1 13 14 Jumlah Kuadrat (JK) 1.96021 0.03643 2).

4470 mutlaknya)}.α p {.558029 ≤ β0 ≤ .16893 = 0.131 dan t(1%.Untuk pengujian b1 nilai salah baku Sb1 dari data di atas: Sb1 = KT Galat Re gresi JK X 0.6893 = = 0.023030 Uji t terhadap nilai koefisien regresi b0: t-hitung b0 = b0 Sb 0 .023030 = 7. uji t terhadap nilai koefisien regresi b1: t-hitung b1 = b1 Sb 1 0. atau mempunyai slop sebesar 0.α 32 PDF created with pdfFactory Pro trial version www.335101 Berdasarkan hasil uji t ternyata bahwa nlai thitung yang diperoleh dibandingkan dengan ttabel atau t(5%.95776 + 0.n-2) Sb0} = 1.(2.35750} = 1 .3.pdffactory.0.0 atau titik acuan. 2).n-2) Sb0 ≤ β0 ≤ b0 + t(α/2.tα/2 sbi ≤ βi ≤ bi . Garis regresi penduga Ŷ = .16893 X tidak melalui titik 0.277853)} = 1.947.95776 .com .16893 Selanjutnya.0. Ternyata bahwa t-hitung > ttabel 1% baik untuk nilai b0 maupun untuk b2.95776 = 0.131) (0. dengan nilai salah baku koefisien regresi b0 dan b1 yang diperoleh.03643 68. Ini berarti bahwa dari analisis tersebut H0 ditolak baik untuk uji b0 maupun untuk uji b1 Sehingga.0. selain untuk pengujian hipotesis.0.16893 X tidak sejajar dengan sumbu X.13) = 2.95776 + (2.131) (0. {Nilai t negatif sama dengan nilai positif (diambil harga Selanjutnya.t(α/2.α untuk masing-masing b0 dan b1 seperti: Untuk perkiraan β0 dengan nilai salah baku Sb0 dengan α = 5% dari data di atas didapatkan: p {b0 .α p { .0. Garis regresi penduga Ŷ = . dapat dikatakan bahwa: 1).277853) ≤ β0 ≤ .0.1.tα/2 sbi} = 1. juga dapat dipakai pada perkiraan nilai interval koefisien regresi b0 dan b1 yang sering disebut dengan perkiraan nilai beta (β) populasi dengan rumus sebai berikut: p {bi .95776 + 0.277853 = . db galat = 13) yaitu sebesar 2.

131) (0.4 Pengujian garis regresi linier sederhana dengan uji r Pada uji-uji sebelumnya seperti uji F dan uji t telah dilakukan.21868} = 1 .0.21868 Berdasarkan perhitungan di atas maka dapat dibuat gambar Garis Regresinya seperti berikut: 2.0 Pendapatan Petani ( x 100.(2.131) (0.54% 2.908 33 PDF created with pdfFactory Pro trial version www.0 16.2 1.16893 .023030)} = 1.558029 sampai dengan .1 di atas seperti: ΣX = 2 ΣX = ΣXY = 178. dilakukan uji r produc moment dari Pearson dengan rumus seperti: ∑ X ∑Y ∑ XY − r =  (∑ X ) 2 2 X −  ∑  n  n  (∑ Y ) 2 2 Y −   ∑  n      Untuk perhitungan nilai r diperlukan hasil penjumlahan data pada Tabel 3.1689 X R2 = 80.2 6.8 Konsumsi Daging x100.330 198.35750 Untuk perkiraan β1 dengan nilai salah baku Sb1 dengan α = 5% dari data di atas didapatkan: p {b1 .com .0 8.n-2) Sb1 ≤ β1 ≤ b1 + t(α/2.α Jadi perkiraan nilai β1 berkisar antara 0.Jadi perkiraan nilai β0 berkisar antara .6 1. 000) untuk b0 p {0. Selanjutnya.0 1.t(α/2.pdffactory.720 18.0 10.6 0.1.0 0.119176 sampai dengan 0.0 12.9578 + 0.α Y = .100 2183.0.8 0.α p {0.253 ΣY 2 ΣY = = 15.4 1.023030) ≤ β1 ≤ 0.4 0.0 14.16893 + (2.10.000 1.119176 ≤ β1 ≤ 0.n-2) Sb1} = 1.

db galat = 13) yaitu sebesar 2.897 0.131 dan t(1%. pengujian r seperti di atas. Hal ini dapat dikatakan bahwa terdapat hubungan atau korelasi yang sangat erat antara variabel bebas X dengan variabel tak bebas Y.642.897 = Dalam uji r untuk pengujian hipotesis maka: H0: r = 0 (yang berarti bahwa tidak terdapat hubungan atau korelasi antara variabel X dengan variabel Y) H1 : r ≠ 0 (yang berarti bahwa terdapat hubungan atau korelasi antara variabel X dengan variabel Y Dalam uji r ini dialakukan pembandingan nilai koefisien korelasi r yang dihitung dengan r tabel ditandai dengan rhitung ≈ rtabel.pdffactory. Selain.13) = 2.720) 2   2183.330 −  18.100) (15.13765 = = 6. dengan rumus pengujian seperti berikut: t-hitung = r .947.897 2 ) (15 − 2) 0.642.908 −     15 15    198.100) 2   (15.13765 (1 − r 2 ) (n − 2) (1 − 0.514.51653 Berdasarkan hasil uji t. Ternyata bahwa t-hitung > ttabel 1%. Jadi r hitung = 0. dan Nilai r tabel 1% = r(1%.897 > r tabel 1% = 0. Nilai ttabel atau t(5%. 13) = 0.53 − 0. n-2). dengan n = 15 maka: Nilai r tabel 5% = r(5%. 13) = 0. maka nilai thitung ≈ ttabel. Hal ini dapat dikatakan bahwa tolak H0 yang berarti bahwa terdapat hubungan atau korelasi yang sangat erat antara variabel X dengan variabel Y.720) 15  (178. nilai r dapat pula diuji dengan uji t. Sr Di mana Sr = salah baku r dengan rumus: Sr Sr = = = Sehingga: t-hitung = r Sr 0.com . Nilai r tabel = r(α/2. 34 PDF created with pdfFactory Pro trial version www.Sehingga: r = 178.

5 Peramalan atau prediksi pada garis regresi Dalam perhitungan taksiran atau ramalan garis regresi diperlukan selang kepercayaan γ yaitu sebesar 1 – α.0.95776 + 0. 2 Sisanya 1 .131) (0.131) (0. maka didapatkan koefisien determinasi R2 = (0. taksiran nilai rata-rata μXY: Ŷ . 13) = = = = = = = 0.897)2 = 0. atau dapat diartikan bahwa 80. 1).pdffactory.73154 .8054.54% dari variabel tak bebas Y dipengaruhi oleh variabel bebas X. Hal ini diartikan bahwa 80. Sebagai contoh: taksiran nilai rata-rata μXY untuk X0 = 10.6893  15       =      = 0. n – 2) S Y 0.46% dari variasi total Y dipengaruhi oleh faktor lain diluar X atau variabel selain X. sehingga γ = 95%. seperti berikut: Ŷ .54% variasi keragaman total Y atau variasi Y dapat diterangkan oleh variasi X.76088 35 PDF created with pdfFactory Pro trial version www. dengan nilai Ŷ menjadi: Y Ŷ = .73154 + (2.131 Berdasarkan ketentuan di atas maka nilai S dapat dihitung: Y S = Y  1 ( X 0 − X )2 KT Galat Regresi  +  JK X n  _ _ 1 (10 − 11.t(α/2.03643  + 68.0.95776 + 0.873 10 2. n – 2) S Y ≤ μXY ≤ Ŷ + t(α/2.01377 Selanjutnya. di mana α = 5%.0138) ≤ μXY ≤ 0.t(α/2. n – 2) S Y ≤ μXY ≤ ≤ μXY ≤ Ŷ + t(α/2.Berdasarkan perhitungan koefisien korelasi r di atas.com .10.73154 _  2  1 (X0 − X ) KT Galat Regresi  + JK X n  S = Y   dapat dihitung dengan:    Ketentuan: Ŷ JK X KT Galat n _ X X0 t(5%.16893 X = .(2.6893 0. 2.16893 (10) = 0.7022 0.03643 15 11.73154 68. Dengan menggunakan dasar perhitungan analisis ragam regresi dan KT Galatnya seperti di atas didapatkan taksiran nilai rata-rata seperti berikut ini.0138) 0. n – 2) S .873) 2  0.R = 19.

36 PDF created with pdfFactory Pro trial version www.873 10 2.01558      Selanjutnya. 69835 sd 0.03643  1 + +  15 68.com . Untuk taksiran individu nilai-nilai Xi yang lain dapat dihitung seperti cara di atas. ˆ ˆ untuk X0 = 10. n – 2) S Ŷ .131) (0.03643 15 11. taksiran rata-rata untuk Xi = X0 = 10.t(α/2.0138) ≤ Y ˆ ˆ ≤ 0. maka μXY berkisar antara 0. seperti berikut: Sebagai contoh: taksiran nilai individu Y ˆ ˆ ≤ Ŷ .16893 (10) = 0.0138) 0.6893 0. 13) = 0.69835 ≤ Y 0.(2.6893   0. taksiran individu untuk Xi = X0 = 10.t(α/2.73154 68.73154 S ˆˆ = _  1 ( X 0 − X )2  + KT Galat Regresi 1 + Y n JK X   Ketentuan:      dapat dihitung dengan: Ŷ = JK X = KT Galat = n = _ = X X0 = t(5%. Jadi.7022 sd 0. Hasil perhitungan taksiran rata-rata dan individu nilai-nilai Xi yang lain dapat dilihat pada Tabel 2. n – 2) S ˆˆ ≤ Y ˆ ˆ Y Y Ŷ = . 2).6 di bawah ini.0.131) (0.16893 X = . n – 2) S ˆˆ Y ˆ ˆ ≤ ≤ Y Ŷ + t(α/2. taksiran nilai individu: Ŷ .t(α/2.73154 .76088.873) 2 0.73154 + (2. n – 2) S ˆˆ Y ˆ ˆ ≤ 0.131 Berdasarkan ketentuan di atas maka nilai S ˆˆ dapat dihitung: Y S ˆˆ = Y _  1 ( X 0 − X )2  + KT Galat Regresi 1 + n JK X        = =  1 (10 − 11. maka Y 76473.0.95776 + 0.pdffactory.76473 ˆ ˆ berkisar antara 0. Untuk taksiran rata-rata nilai-nilai Xi yang lain dapat dihitung seperti cara di atas.95776 + 0.Jadi.

300 13.053 1.254 1.200 12.244 1.129 1.750 1.0 Pendapatan 12.036 ˆ ˆ upper Y 0.807 0.057 0.950 Ŷ 0.259 1.300 8. Karena ˆ ˆ yang sangat sempit maka gambarnya kelihatan tiga perbedaan nilai antara μXY dan Y garis yang seharusnya lima garis seperti pada Tabel 2.095 1.0 14.4 0.190 1.953 1.6 Konsumsi daging 1. 2.2 1.000 1.726 0.682 0.238 1.950 1.050 1.750 0.069 1.250 12.420 1.500 0.720 0.250 15.700 1.183 1.8 1.653 0.556 1.Tabel 2.6 0.833 0.800 0.500 11.546 0.610 1.057 1.221 1.4 1.377 1.239 1.pdffactory.813 0.595 0.499 1.900 1.150 0.664 1.961 1.0 Data pada Tabel 2.600 11.592 0.900 10.0 8.689 0.0 16.6 37 PDF created with pdfFactory Pro trial version www.6 di atas.496 1.858 0.205 1.680 0.838 0.8 0.662 1.171 1.159 1.250 1.853 0.6 Hasil Perhitungan Taksiran Rata-rata μXY dan Taksiran Individu ˆ ˆ dari Nilai-nilai Xi Y X 9.558 1.600 7.500 11.650 0.943 1.932 1.241 1.119 1.843 0.900 Y 0.722 0.069 No.281 1.656 0.053 ˆ ˆ lower μXY lower μXY upper Y 0.048 1.417 1.302 1.105 1.com .900 15. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Keterangan : n = X = Y = Ŷ = μXY = 15 (jumlah sampel) variabel bebas X variabel tak bebas Y nilai penduga dari Y taksiran rata-rata dari Y taksiran individu dari Y ˆ ˆ Y = dapat digambar seperti pada gambar di bawah ini.048 0.900 14.112 1.627 0.574 0.571 0.151 1.600 0.307 1.0 1.199 1.250 12.816 0.458 1.750 10.2 6.379 1.036 1.789 0.794 0.924 1.309 1.497 0.499 0.0 0.0 10.

Nilai ekstrapolasi adalah nilai taksiran atau nilai ramalan dari nilai Y. Statistica. Sistat.0.0.5 dan X = 15.0.11 Interpolasi dan ekstrapolasi Jelaslah bahwa dari uraian di atas.pdffactory.12079 X1 0.3351 0.2.00001 0. Minitab. maka nilai Y penduga = 0.5 dan Xi = 15 berada di luar Xminimum dan Xmaksimum. pemakaian persamaan penduga Ŷ = b0 + b1X.23830 Var 38 PDF created with pdfFactory Pro trial version www.0% Intercept .55803 .7904 0.8974 0. atau untuk mencari nilai Y apabila Xi telah ditentukan. Di dalam penerapan praktis dari garis regresi penduga Ŷ = .95776 + 0. SPSS.4470 0.00433 .79474 . 1 Summary Output Excel Table 2.12 Contoh Hasil Output Komputer dengan Menggunakan Solf-ware Execel Perhitungan-perhitungan regresi seperti regresi linier sederhana di atas terdapat banyak perangkat lunak yang dapt membantunya seperti Excel.0% 99.4736 2.7 Regression Statistics Multiple R R Square Adjusted R Square Standard Error Observations Table 2.27785 .0000 0.9 Parsial Regression Coefficients Standart t Stat P-value Lower Upper Lower Upper Error 95% 95% 99.16893 X dapat dipakai untuk mengadakan peramalan atau penafsiran interpolasi dan ekstrapolasi Nilai interpolasi adalah nilai taksiran atau nilai ramalan dari nilai-nilai Y.09956 0.2.0.57615.95776 0.0364 F 53.95776 + 0.4338 MS 2.02303 7.35750 .16893 X terletak di luar batas daerah ruang X1 dan Xn.3. sebab nilai Xi = 7. Dalam hal ini akan diberikan contoh keluaran komputer dengan program Excel seperti pada tabel berikut.95776 + 0. sebab nilai Xi = 10 berada di dalam antara X1 dan Xn.8054 0.8037 Significance F 0.2.9602 0.16893 0.8 ANOVA SV Regression Residual Total DB 1 13 14 SS 2.16893 X terletak di dalam daerah ruang gerak X1 dan Xn.73154.30922 dan 1. seperti X = 10 maka nilai Y penduga = 0.21868 0.0. jika harga-harga Xi yang dimasukkan ke dalam persamaan regresi penduga Ŷ = .9602 0. seperti X = 7. dan lain sebagainya. 2. jika harga-harga Xi yang dimasukan ke dalam persamaan regresi penduga Ŷ = .11918 0. dapat dipakai sebagai peramalan dari nilai-nilai Xi yang belum diketahui.1909 15 Table 2.0.com .

F = F-hitung. Sebagai contoh dari hasil analis tersebut di atas didapat nilai F = 53. Apabila nilai significance F ≥ (p = 0. 1).05) mempunyai kesimpulan yang sama dengan Fhit > F(tabel 5%). DF = Degrees of Freesom atau = Derajat Bebas (DB). R Square adalah sama dengan koefisien determinasi R2 yang menunjukkan variasi keragaman total Y yang dapat diterangkan oleh variasi variabel X. hal ini berarti tolak H0 yang menyatakan bahwa garis regresi penduga (Ŷ) linier sederhana yang didapat tersebut adalah garis regresi yang terbaik untuk menerangkan bahwa variabel bebas X berpengaruh nyata terhadap variabel tak bebas Y.95776 + 0.8037 dengan significance F = 0. Apabila nilai significance F < (p = 0. Ini berarti tolak H0 yang menyatakan bahwa garis regresi penduga Ŷ = . Adjusted R Square adalah sama dengan koefisien determinasi R2 terkoreksi dengan _ simbul R 2 dan yang mengkoreksi adalah nilai Galat Regresi dan KT Total dengan rumus: R 2 = 1 − _ _ Σei2 /(n − p − 1) ( n − 1) atau R 2 = 1 − (1− R 2 ) 2 Σy i /(n − 1) (n − p − 1) Standard Error adalah sama dengan Salah Baku Y atau SY = Observations adalah sama dengan jumlah sampel = n Table 2. atau dapat diartikan bahwa 80.Penjelasan tabel di atas seperti berikut: Table 2. adalah garis regresi yang terbaik untuk menerangkan bahwa variabel bebas X (pendapatan petani) berpengaruh sangat nyata terhadap variabel tak bebas Y (pengeluaran petani). MS = Means Squarwes atau KT. hal ini berarti tolak H0 yang menyatakan bahwa garis regresi penduga (Ŷ) linier sederhana yang didapat tersebut adalah garis regresi yang terbaik untuk menerangkan bahwa variabel bebas X berpengaruh sangat nyata terhadap variabel tak bebas Y. Atau variabel bebas X tidak berpengaruh terhadap variabel tak bebas Y.pdffactory. 39 PDF created with pdfFactory Pro trial version www.05) mempunyai kesimpulan yang sama dengan Fhit ≤ F(tabel 5%).com . Akan tetapi. hal ini berarti terima H0 yang menyatakan bahwa garis regresi penduga (Ŷ) linier sederhana yang didapat tersebut bukan garis regresi yang terbaik.54% dari variabel tak bebas Y dipengaruhi oleh variabel bebas X.01) mempunyai kesimpulan yang sama dengan Fhit > F(tabel 1%).16893 X. nilai significance F dibandingkan peluang (p) standar yaitu 5% dan 1%.7 Regression Statistics Multiple R adalah sama dengan koefisien korelasi r yang menunjukkan keeratan hubungan antara variabel bebas X dengan variabel tak bebas Y yaitu sebesar 0. SS = Sum of Squares atau = JK.0. Apabila nilai signifikanse F < (p = 0.8974. 2). Significance F adalah sama dengan nilai peluang dari nilai F-hitung. Dalam hal ini nilai F-hitung tidak dibangingkan dengan F tabel seperti biasa. Di mana SV = Sumber Variasi (SV) atau Sumber Keragaman (SK).8 ANOVA KT Y n Pada Tabel Anova adalah persis sama dengan Sidik Ragam Regresi.0000.

maka 1). Apabila nilai P-value < (p = 0.00433.16893. Sehinga nilai t-hitung untuk masing-masing b0 = .9 Parcial Regression Var adalah sama dengan variabel yang akan dijelaskan.0).00002. P-value adalah sama dengan nilai peluang dari nilai t-hitung. Dalam hal ini nilai t-hitung tidak dibangingkan dengan t tabel seperti biasa. Standart Error dalam Tabel 3 ini berbeda dengan Standart Error dari Tabel 2.0). Ini berarti tolak H0 karena Pvalue < 0.0).0) 2). Standart Error di sini menunjukkan nilai yang sama dengan Sb0 dan Sb1 dalam pengujian b0 dan b1.Tabel 2. yang berarti bahwa garis regresi penduga Ŷ = .05) mempunyai kesimpulan yang sama dengan thit > t(tabel 5%).3. hal ini berarti tolak H0 yang menyatakan bahwa garis regresi penduga (Ŷ) linier sederhana melalui tidak sejajar dengan sumbu X dengan slop sama dengan b2.16893 X. Sebagai contoh Standart Error untuk b0 (Sb0) = 0.0. Apabila nilai P-value ≥ (p = 0. 2).95776 + 0. Masing-masing b0 = . hal ini berarti terima H0 yang menyatakan bahwa garis regresi penduga (Ŷ) linier sederhana melalui titik acuan (0. adalah garis regresi penduga tidak sejajar dengan sumbu X.44702 dan S bi b1 = 7.16893 dan sangat nyata.05. Demikian juga didapatkan nilai P-value untuk b1 = 0.33510. Akan tetapi.05) mempunyai kesimpulan yang sama dengan thit ≤ t(tabel 5%).com . Coefficients sama dengan bi dalam hal ini sama dengan b0 dan b2.95776 dan b1 = 0. hal ini berarti terima H0 yang menyatakan bahwa garis regresi penduga (Ŷ) linier sederhana sejajar dengan sumbu X pada nilai b0.05) mempunyai kesimpulan yang sama dengan thit > t(tabel 5%). 40 PDF created with pdfFactory Pro trial version www.05. arinya mempunyai slop atau kemiringan = 0. t Stat sama dengan t-hitung untuk b0 dan b1 dengan rumus umum seperti: bi thitung bi = .05) mempunyai kesimpulan yang sama dengan thit ≤ t(tabel 5%). yang berarti bahwa garis regresi penduga Ŷ = . Untuk b1. hal ini berarti tolak H0 yang menyatakan bahwa garis regresi penduga (Ŷ) linier sederhana melalui tidak melalui titik acuan (0. Sebagai contoh dari hasil analisis tersebut di atas didapatkan nilai P-value untuk b0 = 0.pdffactory.27785 dan Standart Error untuk b1 (Sb1) = 0.0.02303. Ini berarti tolak H0 karena P-value < 0. Apabila nilai P-value < (p = 0. maka 1). Apabila nilai P-value ≥ (p = 0.16893 X. Untuk b0. 1). dalam analisis ini adalah X.0. tidak melalui titik acuan (0. Intercept sama dengan b0 jarak antara titik potong garis regresi penduga Ŷ dengan titik acuan (0.95776 + 0. nilai P-value dibandingkan peluang (p) standar yaitu 5% atau 1%.

Sebaliknya.α tergantung pada nilai α yang dipakai 5% atau 1%. Perhatikan nilai Lower dan Upper.12079 untuk α = 1%. apabila nilai Lower bertanda negarif dan Upper bertanda positif berarti dalam uji t-hitung bi menunjukkan signifikansi yang tidak nyata pada taraf nilai α = 5% atau 1%. Perkiraan nilai β0 berkisar antara .tα/2 sbi} = 1.1. .09956 sampai dengan 0.α . Perkiraan nilai β1 berkisar antara 0.35750 untuk nilai α = 5%.tα/2 sbi ≤ βi ≤ bi .23830 untuk α = 1%. dan antara .79474 sampai dengan . 41 PDF created with pdfFactory Pro trial version www.) berarti dalam uji t-hitung bi menunjukkan signifikansi yang nyata pada taraf α = 5% atau 1%. apabila nilai Lower dan Upper bersifat definit positif atau definit negarif artinya baik Lower maupun Upper mempunyai tanda bilangan yang positif atau negarif ( + . dan antara 0.Lower dan Upper adalah sama dengan perkiraan nilai interval b0 dan b1 atau pendugaan nilai β0 dan β1 dengan rumus: p {bi .21868 untuk α = 5%.com .pdffactory.0.1.558029 sampai dengan .119176 sampai dengan 0. Nilai 95% atau 99% = 1.0.

Sign up to vote on this title
UsefulNot useful