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

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

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

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. No.1.pdffactory.Y tersebut dapat dicari bentuk hubungan atau garis regresi antara variabel bebas Y atas variabel tak bebas X yang dtulis dengan Y/X. yang mempunyai pengertian bahwa: setiap variabel bebas X akan memberikan atau menghasilkan suatu nilai variabel tak bebas Y yang tertentu. 12 PDF created with pdfFactory Pro trial version www. yang mempunyai bentuk persamaan matematis: Y = A + BX seperti pada persamaan [2.com .Y merupakan hubungan sebab (X) dan akibat (Y).1 di atas dapat dibuat garis regresi liniernya seperti Gambar 2.Tabel 2.2 Garis regresi linier sederhana Sekarang bagaimana caranya membuat persamaan garis regresi linier sederhana seperti Gambar 2.000 maka komsumsi makanan semakin meningkat.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. Dari Tabel 2.Y telah didapatkan.5.1]. Sehingga dari pasanganpasangan nilai X. Setiap pasangan nilai X. Bagaimana persamaan regresi akan ditentukan jika hasil pengamatan atau yang berupa pasangan-pasangan nilai pengamatan antara X.Y inilah yang akan menentukan persamaan regresi yang dibuat sesuai dengan asumsi atau model yang digunakan. Penentuan garis regresi antara variabel bebas X dengan variabel tak bebas Y. sehingga antara variabel X dan variabel Y yang tertentu akan menjadi pasangan-pasangan tetap disebut dengan pasangan nilai X.1 di atas. Model Linier Garis Regresi 2. Sejumlah pasangan antara nilai X.1.Y. sering disebut regresi Y atas X ditulis dengan Y/x.

Dilain pihak.1]. maka kumpulan titik-titik tersebut dapat memberi petunjuk untuk memperkirakan garis regresi yang akan dibuat.X1 sehingga tangen sudut β = ∆Y/∆X. yang dapat melalui semua titik-titik pasangan X. 13 PDF created with pdfFactory Pro trial version www. perhatikan diagram pencar berikut yang berasal dari Tabel 2. Bahwa suatu garis regresi yang akan didapat dan akan mendekati titik-titik pasangan X.com . Untuk pendekatan linier atau regresi linier sederhana. Diagram pencar didapatkan dengan menggambar titik-titik pasangan pengamatan antara X dan Y atau X. melalui dua buah titik dapat dibuat sebuah garis lurus yaitu PQ yang akan dicari persamaannya.Y. Perhatikan sudut β yang sisi-sisi siku-sikunya adalah ∆Y = Y2 .Y diberikan dua metode yang umum yaitu: 1).Y tersebut disekitar garis lurus. No. 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. Tabel 2. 2). maka persamaan garis PQ menjadi: Y = A + β X. 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. Pendekatan matematis dengan metode kuadrat terkecil atau least squares method atau sering disebut dengan metode ordinary list squares (OLS).5.3 Penetuan garis regresi linier sederhana Untuk menentukan garis regresi berdasarkan pasangan-pasangan nilai X.1 di muka antara tingkat pendapatan (X) dengan konsumsi (Y) diambil sebagaian saja seperti pada Tabel 2. jika sebaran titik-titik pasangan X. di mana kedudukan kedua titik tersebut adalah bebas atau sembarang pada garis regresi yang melewati.2. Metode tangan bebas. Metode ini hanya dapat dilakukan oleh seorang ahli dan berpengalaman seperti pada Gambar 2.2. Tentu saja atau pada umumnya tidak dapat ditarik atau digambarkan suatu garis regresi yang sederhana.Y pada suatu sistem salib sumbu atau sistem koordinat. maka cukup beralasan untuk menduganya dengan persamaan regresi linier sederhana atau regresi garis lurus.Y tersebut bukan linier.pdffactory. tetapi melengkung atau non linier yang paling menghampiri. Jika pencaran atau sebaran titik pasangan X. Dengan memperhatikan letak titik-titik pasangan pada absis X dan ordinat Y. Bentuk mana yang paling sesuai atau paling dihampiri oleh titik-titik pasangan tersebut.2.2 seperti pada Gambar 2. Maka dapat dibuat persamaannya dengan menggunakan dua buah titik.Y1 dan ∆X = X2 .Y. Dasar teori. Untuk hal tersebut dan menentukan analisis dan gambarnya dapat dilihat bentuk-bentuk hubungan pada bukubuku matematika.2. Dari persamaan tersebut dengan penyelesaian matematika sehingga akan didapatkan bentuk persamaan liniernya seperti persamaan [2. Garis regresi yang melalui dua buah titik pengamatan P dan Q.

Dengan demikian kembali ke Gambar 2. YPR. Seperti pada persamaan [2. juga dapat dipergunakan sebagai pendekatan bentuk hubungan yang bukan linier (non linier) menjadi bentuk linier.com .3 di atas yang manakah dari ketiga garis tersebut termasuk garis regresi yang terbaik. Suatu bentuk hubungan atau fungsi linier atau regresi linier di samping mudah interprestasinya. 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. dan YQR yang merupakan garis regresi terbaik sebagai penghampir titik-titik pasangan pengamatan Xi. 14 PDF created with pdfFactory Pro trial version www. B sering disebut kemiringan atau kecondongan garis regresi atau slope atau slope coefficient adalah tangen sudut yang dibuat oleh garis regresi dengan sumbu X. yang menunjukkan garis-garis regresi linier dari beberapa pengamatan.125 Q 100 P Konsunsi 75 50 25 0 120 β ∆X = X2 .2. A ialah: jarak titik acuan (0. Q dan R. Apabila ada garis tertentu selain ketiga garis YPQ.1] A dan B adalah konstanta. apabila nilai X = 0. Perhitungan β = ∆Y/∆X Secara Sederhana 2.X1 ∆ Y = Y2-Y1 Y2 A Y1 X1 140 Pendapatan X2 160 Gambar 2. 0) dengan perpotongan antara sumbu tegak Y dengan garis linier atau besarnya nilai variabel Y. maka variabel Y bertambah atau menurun atau berubah sebanyak B kali. Fungsi linier sama dengan persamaan linier atau model linier atau regresi linier yang mempunyai bentuk hubungan atau bentuk fungsi: Y = A + BX.Yi sebagai garis regresi tersebut. yaitu parameter yang digunakan. Suatu pertanyaan yang berhubungan dengan hal tersebut di atas adalah: "Kapankah suatu garis regresi dapat dikatakan sebagai garis regresi yang baik?". Oleh karena dalam pembicaraan ini hendak berusaha mencari cara untuk menentukan persamaan garis regresi linier sederhana yang baik atau yang terbaik.3 di bawah ini. Perhatika Gambar 2. Dalam beberapa hal dimungkinkan untuk mengecek atau menguji asumsi atau hipotesis setelah bentuk hubungan itu diperkirakan. 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. Untuk itu haruslah terlebih dahulu mengetahui apa yang dimaksud dengan garis regresi yang baik.pdffactory.

3b]. Kesalahan pengganggu e tersebut menyebabkan ramalan menjadi kurang tepat terhadap garis regresi penduga seperti: [2. Kadang-kadang nilai e diartikan faktor-faktor tertentu yang belum diketahui penyebabnya atau faktor-faktor yang belum dijelaskan.pdffactory. Ŷ = β0 + β1 X [2.5].3. Ŷ = α + β X [2.3a].4c]. salah catat. salah ukur.3c]. serta banyak lagi nilai-nilai yang lainnya.4b]. Faktor-faktor tersebut yang dapat terdiri atas: salah hitung.4a]. Ŷ = β1 + β2 X [2. tetapi ada faktor-faktor lain yang ikut mempengaruhi. 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). 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 = b1 + b2 X Suatu hal yang harus dipahami bahwa dalam pendugaan garis regresi. besarnya nilai variabel tak bebas Y. tidak hanya tergantung pada variabel bebas X saja. 15 PDF created with pdfFactory Pro trial version www. Untuk melakukan dugaan atau membuat keputusan selalu ada resiko walaupun betapa kecilnya. alat kurang sempurna. Faktor-faktor tersebut secara keseluruhan dinamakan kesalahan pengganggu (disturbance error) yang diberi simbul dengan e.com . Oleh karena itu. resiko tersebut hendaknya dibuat sekecil-kecilnya atau minimal. dan nilai-nilai kebetulan. Ŷ = a + b X [2.150 R 125 100 75 50 25 0 120 Q P Konsunsi Ŷ=α+βX 140 Pendapatan Gambar 2. Ŷ = b0 + b1 X [2. Sehingga garis regresi linier sederhana dengan persamaan penduga menjadi : [2.

3.6]. Seperti yang ditunjukkan pada Gambar 2. maka penulisannya menjadi seperti: [2. Yi. sehingga garis regresi linier penduga mempunyai bentuk persamaan: [2. Hubungan antara nilai kesalahan e.3 dengan menggambar scatter diagram dengan Ŷ.com . 150 125 Konsumsi 100 75 50 25 0 120 130 140 Pendapatan Gambar 2.7a]. biasanya ditaksir dengan nilai a dan b atau dengan nilai b0 dan b1. Ŷ = b0 + b1 X dan Yi = Ŷ + e [2. Nilai Penduga Ŷ. Ŷ = b0 + b1 X untuk sampel Jadi a dan b atau b0 dan b1 sebagai penaksir A dan B. Nilai Pengamatan Yi.Karena dalam suatu pendugaan nilai A dan B tidak dapat dihitung (belum diketahui nilainya). dapat berharga negatif bila nilai pengamatan Yi berada di bawah garis penduga Ŷ. dan Nilai Kesalahan Penganggu ei e1 (+ (+) e3 Ŷ e2 (-) Y2 150 160 16 PDF created with pdfFactory Pro trial version www. dengan nilai penduga Ŷ dan dengan nilai pengamatan Yi dapat ditulis: [2. dan dapat pula berharga nol bila nilai pengamatan Yi berada tepat pada garis penduga Ŷ. Nilai e dapat berharga positif bila nilai pengamatan Yi berada di atas garis penduga Ŷ.7b].Ŷ Untuk sejumlah n pasangan pengamatan. dan ei. ei = Yi .8].(b0 + b1 X) atau Nilai e sebagai penduga nilai kesalahan E adalah kesalahan penggangu populasi dan e adalah kesalahan penganggu sampel.pdffactory. e = Yi .

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

X2.13] dan [2.Manipulasi matematis dari metode kuadrat terkecil akan menghasilkan koefisien a dan b. ΣYi . 2 2 2 dapat ditulis: 18 PDF created with pdfFactory Pro trial version www. semua fungsi turunan pertama parsialnya (δY/δX) sama dengan nol.11] turunannya menjadi: δG/δb0 = 2 Σ(Yi . maka sistem persamaan normal dari [2.b1 Xi) (.b1 Xi (.8]. . Pernyataan matematis di atas dapat dijabarkan menjadi: Ŷ = b0 + b1 X dan Y = Ŷ + e sehingga ei = Yi . ei = Yi .7a].1) = 0 Turunan Σe i atau G terhadap b1 menjadi: Dari persamaan [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 pertanyaan matematis dari persamaan [2. 2 Sehingga fungsi turunan Σe atau G terhadap setiap nilai b0. Untuk memudahkan cara penulisan selanjutnya Σei2 disamakan dengan G.13) disebut dengan persamaan Normal 1. Apabila dari persamaan-persamaan [2. . jadi G = Σei2. Persamaan (2.b1 ΣXi = 0 Persamaan-persamaan [2. Xp) akan minimum jika.12] turunannya menjadi: δG/δb1 = 2 Σ(Yi .12] diselesaikan dan diubah cara penyajiannya.7b].b0 .14] di atas disebut dengan persamaan normal.b0 . maka diperoleh dua persamaan seperti di bawah ini.Ŷ [2. dengan mengandaikan syarat kedua minimalasasi itu telah terpenuhi. maka diperoleh persamaan-persamaan seperti: [2. [2. Oleh karena itu.b1 ΣXi = 0 [2.14]. ΣYi Xi .10]. Perhatikan pengali dari setiap penaksir-penaksir yang berhubungan koefisien regresi seperti b0 dan b1 Apabila syarat-syarat dalam meminimalkan G dipenuhi. .14) disebut dengan persamaan Normal 2.7b] yang ditulis kembali seperti: [2. Turunan Σe2i atau G terhadap b0 menjadi: Dari persamaan [2. maka nilai G akan minimum jika semua fungsi turunan pertama parsiilnya.pdffactory.11] dan [2. yaitu turunan pertama parsiil dari G terhadap masing-masing nilai b0 dan b1 sama dengan nol. suatu syarat yang perlu dan khusus. atau [2.9] di atas merupakan modifikasi dari persamaan-persamaan [2. Persamaan (2.com .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.Ŷ Persamaan [2. Dengan mengambil fungsi turunan pertama parsiil G terhadap b0 dan b1 serta menyamakannya dengan nol.Xi) = 0 Perhatikan faktor pengali yang berada dimuka tanda sama dengan (=).9]. 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.Σb0 .13].13] dan [2. adalah garis regresi 2 yang mempunyai nilai Σei minimal. bahwa garis regresi penduga terbaik.b0 ΣXi . Yi = b0i + b1i Xi + ei Telah disebutkan di muka.

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.Σb0 . Sehingga nilai b0 dan b1 dapat ditentukan dengan perhitungan seperti berikut. b1 = [2. b0 . b1 = ∑ X ∑Y n ( X )2 ∑ 2 ∑X − n 19 PDF created with pdfFactory Pro trial version www.b1 ΣXi = 0 ΣYi /n .pdffactory.b1 ΣXi2 = 0 Sebelum penyelesaian persamaan [2. Berikut ini diberikan hubungan antara X. Oleh karena jumlah sampel = n diketahui dan jumlah-jumlah yang terdapat dalam sistem persamaan normal itu dapat dihitung dari data sampel.( Y .2 Perhitungan nilai koefisien regresi linier sederhana Jika diperhatikan kembali sistem persaman normal dari persamaan [2.14] dapat dilihat keteraturan dari cara-cara penyelesaianya.7. Σxy = ΣXY . dan [2. dan y = (Y . 2 2 x2 = (X2 .18b].(ΣYi /n . [2.(ΣY) /n 2 2 2 [2.16a].b0 ΣXi .b1 X Selanjutnya.14] dapat diselesaikan secara serentak untuk mendapatkan nilai b0 dan b1.b1 ΣXi/n = Y [2.18c].15] ke persamaan [2.13].13] dapat ditentukan nilai b0 yaitu dengan membagi persamaan tersebut dengan jumlah pengamatan (n) sehingga didapatkan persamaan dengan penyelesaian sebagai berikut: [2.16].(ΣX) /n [2.b1 X ) ΣXi .18c] maka perhitungan nilai b1 pada persamaan [2.17]. Dari persamaan [2. Σy = ΣY .X 2 ).15].13] dan [2.19b]. Y dengan x. 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. y: [2.b1 ΣXi/n) ΣXi .ΣX ΣY/n Dengan menggunakan persamaan [2. ΣYi Xi . ΣYi Xi . x1 2 = (X1 .19c]. sistem persamaan normal [2.16b].nb0 /n .18a]. ΣYi .com .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.Biasanya.14] di atas dapat ditentukan besarnya nilai b2. 2. dengan memasukkan persamaan [2.b1 X = 0 0 (Persamaan Normal 1) atau sehingga akhirnya menjadi: b0 = Y .X 1 ).Y ) disebut dengan JK Y disebut dengan JK X disebut dengan JHK XY [2. ΣYi Xi .b1 ΣXi2 = 0 (Persamaan Normal 2) atau dapat ditulis [2.b1 ΣXi2 = 0 [2.13]. Σx = ΣX .18a] sampai dengan persamaan [2.19a].16b] maka didapatkan nilai b1 menjadi: [2.

b1 X disubstitusikan ke dalam persamaan [2.1 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. Pengujian Garis Regresi Linier Sederhana Pengujian garis regresi secara statistika dapat dilakukan dengan tiga cara yaitu: 1). Dan jika persamaan [2.21b]. 3). Unuk menjawab pernyataan tersebut maka dapat dikatakan bahwa garis regresi penduga Ŷ = b0 + b1 X nyata secara statistika.23b] [2.Sehingga persamaan regresi penduga Ŷ dari suatu pengamatan atau untuk pengaruh variabel bebas X terhadap variabel tak bebas Y menjadi: [2.b0 . sehingga menjadi: [2.b1 X ) .( Y .b1 ΣeI xi) G = Σeiyi G = Σyiei G = Σyi (yi . di mana JK Total atau JK Y sudah dapat dihitung dari data pengamatan.pdffactory.b1 Σyi xi Ingat : Σyiyi = Σyi = JK Total = JK Y Σyixi = JHK YiXi = JHK XY b1 Σyi xi disebut dengan JK Regresi = JK Reg.20] di mana ei = Yi . selanjutnya didapatkan Σei atau disebut dengan JK Galat Regresi dengan kode G. perlu dilakukan pengujian keberartiannya.21c] sehingga atau sebab ΣeIxi = 0 sehingga G = Σeiei.Y.com .21c] yaitu pesamaan untuk nilai ei.20] Ŷ = b0 + b1 X sehingga didapatkan pesamaan: [2. 20 PDF created with pdfFactory Pro trial version www.23a] [2.23c] sehingga dapat menjadi: 2 G = Σyiyi . 2. sehingga dengan mengkuadrat 2 jumlahkan nilai ei.20]. ei = Yi .22a] [2. untuk membuktikan bahwa garis regresi yang diperoleh tersebut merupakan garis regresi yang terbaik untuk menghampiri setiap titik-titik pengamatan X. Dari persamaan [2.22b] [2.4 dapat diuraikan bahwa persamaan [2.b1 xi.23c] didapatkan bahwa JK Galat Regresi sama dengan JK Total dikurangi dengan JK Regresi.b1 (Xi .21a].8. Uji ragam regresi atau uji F regresi Uji koefisien regresi dengan uji-t Uji r garis regresi 2. G = Σei(yi .X ) [2. Ŷ = b0 + b1 X Selanjutnya.bi Xi.21c]. Dari Gambar 2.15] b0 = Y .b1 xi Dari persamaan [2.22d] [2. Ingat bahwa ei = yi .22e] G = Σ ei 2 dengan membuka kurung maka atau Persamaan [2.22c] [2.b1 xi) Selanjutnya dari persamaan diatas didapatkan: [2. 2).b1 Xi [2.b1 xi) G = Σeiyi . ei = yi .8. ei = (Yi .Y ) .

24]. 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. Nilai-nilai Y . hubungan antara komponen-komponen pada analisis keragaman (JK Total. dan nilai-nilai Y . Untuk menyederhanakan penulisan dan pengertian di atas. .b] berlaku umum untuk p variabel bebas X sehingga persamaannya menjadi: [2.23c]. . + bp JHK XpY) Komponen penyusun Tabel Sidik Ragam Regresi adalah: 1). dan ei Sehingga. maka besarnya nilai F (F-hitung) adalah: [2.25a] [2. JK Regresi.com . Sehingga sesuai dengan persamaan [2. JK Galat = JK Total . + bp Σyi xp JK Regresi = (b1 JHK X1Y + b2 JHK X2Y + . .26a] [2. JK Regresi dengn JK Reg (tanpa titik) dan JK Total dengan JK Tot atau JK Y (tanpa titik). .JK Regresi. Ŷ. Yi. JK Regresi = b1 JHK XY 2).pdffactory. Yi. maka selanjutnya JK Galat Regresi disingkat dengan JK Galat.4.25a. JK Galat = JK Total . 2). maka JK Regresi mempunyai rumus: [2.26b] JK Regresi = b1 Σyi x1 + b2 Σyi x2 + . dan ei di bawah ini.(ΣY)2/n 3).JK Regresi Selanjutnya dihitung nilai KT atau varians seperti: 1).4. JK Total = Jk Y = ΣY2 .25b] JK Regresi = b1 Σyi xi JK Regresi = b1 JHK XY atau dapat ditulis: Persamaan [2. dan JK Galat) seperti berikut: [2.27] Fhit = KT Regresi KT Galat 21 PDF created with pdfFactory Pro trial version www.Perhatikan Gambar 2. KT Regresi KT Galat = = JK Regresi /(DB Regresi) JK Galat/ (DB Galat) Berdasarkan pada asumsi sebaran normal untuk komponen pengganggu e. Ŷ.

3 berikut di bawah ini.Hasil perhitungan keragaman di atas dibuatkan Tabel Sidik Ragam Regresi seperti pada Tabel 2. Hal ini berarti bahwa garis regresi penduga (Ŷ) linier sederhana yang didapat tersebut bukan garis regresi yang terbaik untuk menghampiri pasangan pengamatan X. Hal ini berarti bahwa terdapat hubungan linier antara pengaruh X terhadap Y. maka dapat dilakukan dengan uji t atau uji koefisien regresi apabila uji F signifikan.8.3. dapat memberikan petunjuk apakah setiap variabel X menunjukkan pengaruh atau hubungan yang nyata terhadap variabel tak bebas Y.com .n-2) dan α = taraf nyata ) Kreteria pengujian nilai Fhit adalah: 1).Y tersebut. Jika Fhit ≤ F(tabel 5%). Secara umum uji t mempunyai rumus adalah: W SW W nilai yang diuji.2 Uji keberartian koefisien regresi (bi) atau uji t Pengujian yang dilakukan dengan uji F seperti cara tersebut di atas.Y. sehingga untuk pengujian koefisien regresi (bi).29]. 2. Tabel 2. Jika uji F atau uji ragam regresi menunjukkan bahwa Fhit > F(tabel 5%) barulah dilanjutkan dengan uji t dan sebaliknya. Atau dapat dikatakan ini berarti bahwa terdapat hubungan bukan linier pada pasangan pengamatan X. 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. p. Jika Fhit > F(tabel 5%). maka rumusnya menjadi: [2.28].Y. Modifikasi dari pengaruh variabel bebas X terhadap variabel tak bebas Y atu uji F. Atau dapat dikatakan bahwa garis regresi penduga (Ŷ) linier sederhana yang didapat tersebut adalah garis regresi penduga yang terbaik untuk menghampiri pasangan pengamatan X. t-hitung W = [2. 2).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. 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.

Sb1 = = var b1 ∑X2      KT Galat Re gresi      JK X   Seperti dalam uji F. Sbi = var bi masing-masing untuk b0 dan b1 menjadi: Untuk pengujian b0 nilai salah baku menjadi: [2.com .n-2) dan α = taraf nyata ) Berdasarkan hasil uji t ternyata bahwa kreteria pengujian nilai thit adalah: 1). db galat) maka garis regresi penduga Ŷ dikatakan sejajar dengan sumbu X pada nilai b0. dalam uji t nilai salah baku bi yang ditulis (Sbi) mempunyai persamaan seperti berikut: [2. db galat) Hal ini dikatakan bahwa tolak H0.32b].29] dalam menyederhakan penulisan salah baku koefisien regresi bi yang biasa ditulis dengan σBi (salah baku = standard error koefisien regresi Bi). 23 PDF created with pdfFactory Pro trial version www. ini berarti bahwa koefisien arah b1 yang berangkutan dapat dipakai sebagai penduga dan peramalan yang dapat dipercaya.31]. Dengan kata lain. didasarkan metode kuadrat terkecil. Perhitungan nilai σBi didasarkan pada ragam galat regresi atau KT Galat Regresi. Jika thit > t(tabel 5%.0) yaitu nilai Y = 0 jika X = 0. Kemudian t-hitung dibandingkan dengan t tabel yang biasa ditulis dengan: thitung ≈ ttabel (Di mana ttabel = t(α/2. nilai salah baku koefisien regresi Sbi yang diperoleh.pdffactory. Hal ini dapat dikatakan bahwa terima H0.Y = 0. maka dapat 2 diduga dengan nilai S e atau KT Galat Regresi sampel yang mempunyai persamaan yaitu: [2. 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). selain untuk pengujian hipotesis juga dapat dipakai pada perkiraan nilai interval koefisien regresi populasi βi yang sering disebut dengan perkiraan nilai populasi beta (β).0). dapat memberikan petunjuk apakah setiap variabel Xi memberikan pengaruh atau hubungan yang nyata terhadap variabel tak bebas Y. Untuk b1. Selanjutnya. yang berarti bahwa garis regresi penduga Ŷ tidak melalui titik acuan (X. Pengujian yang dilakukan dengan cara tersebut di atas. Sb0 = = var b0  KT Galat Re gresi   n JK X  Untuk pengujian b1 nilai salah baku menjadi: [2.Dari persamaan [2.30]. Karena besarnya nilai σ e (Ragam Galat Regresi) populasi tidak diketahui. db galat). Untuk pengujian b0 yang berarti bahwa b0 melalui titik acuan (titik 0. Jika thit ≤ t(tabel 5%.32a]. 2). jika thit ≤ t(tabel 5%. Perlu diingatkan bahwa dalam pengujian di atas (baik uji F maupun uji t). S2e = KT Galat Regresi = JK Galat Regresi /(n-p-1) 2 Selanjutnya.

Sepintas gambaran bahwa nilai r berkisar antara –1 sampai dengan + 1 atau sering ditulis dengan -1 ≤ r ≤ +2. Sedangkan.tα/2 Sbi ≤ βi ≤ bi + tα/2 Sbi} = 1. dan lain sebagainya. seperti uji Ragam Regresi (uji F). r = .33a].34a].com .78. rXY = Σxy Σx 2 Σy 2 JHK XY JK X JK Y atau [2.pdffactory.87. dan untuk setiap b0 dan b1 seperti: [2.19c] dan koefisien korelasi r seperti [2.8. p (bi ± tα/2 Sbi Sbi) = 1. Jadi nilai koefisien korelasi itu selalu pecahan seperti: r = 0.35c]: [2.33b].α atau [2. rXY = menjadi: [2.35c]. 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. uji Koefisien Regresi (uji t) berdasarkan nilai Varians Galat Regresi.tα/2 Sb1 ≤ β1 ≤ b1 + tα/2 Sb1} = 1.α untuk b0 untuk b1 2. Lihatlah kembali rumus koefisien regresi seperti [2.34b]. p {bi . r = 0.35a]. p {b1 .0. 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.α. Hubungan antara koefisien korelasi r dengan koefisien regresi b2.Rumus dari perkiraan nilai βi adalah sebai berikut di bawah ini: [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. p {b0 .19c].35b].tα/2 Sb0 ≤ β0 ≤ b0 + tα/2 Sb0} = 1.α [2.3 Uji keeratan hubungan atau uji r Pada uji-uji sebelum ini. Adapun rumus dari pada koefisien korelasi r adalah: [2.347.

sehingga persamaan [2. apabila nilai koefisien regresinya (b1) negatif.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 ) ) . sehingga nilai SY SX = SY = 1.pdffactory.19] dan [2. rhitung ≈ rtabel (di mana rtabel = r(α/2. 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 [2.36f] b1 JK X n −1 KT X = r = r JK X n −1 KT Y atau atau [2. dan α = taraf nyata ) 25 PDF created with pdfFactory Pro trial version www.36a] di atas dapat ditulis kembali menjadi: [2. n-2 = db Galat.[2. Dalam uji r yang umum dialakukan adalah membandingkan nilai koefisien korelasi r yang dihitung atau r hitung dengan r tabel.36e] sama-sama dibagi dengan didapatkan: [2.36e] 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: [2.36c] b1 [2.com .35c].36g] menjadi: [2.36d] b1 Jadi: [2.36b] b1 JK X = r [2. n-2). maka nilai koefisien korelasinya (r) juga negatif.356] dapat ditulis menjadi: [2.36h] b1 = r Yang jelas dalam uji r.36e] b1 [2.36a] b1 JK X = r ( (JK X ) (JK Y ) ) Dari kesamaan [2. Nilai r tabel dapat dilihat pada tabel r yang susunannya serupa dengan tabel t.

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

[2.41a].41c]. Hal ini berarti bahwa terdapat hubungan linier yang nyata (p = 0. koefisien regresi b1.r 2 ) r2 Selanjutnya. F-hitung F-hitung = = (n − 2) r 2 JK Total (1. JK Total = KT Re grasi KT Galat JK Re grasi / 1 [2.42b]. F-hitung = JK Galat /(n − 2) (n − 2) JK Re grasi [2. JK regresi = JK Total .R yang menunjukkan persentase dari variasi total atau variabel Y yang disebabkan oleh faktor lain diluar X atau variabel selain X. 2).r 2 ) JK Total sehingga didapatkan (n − 2) r 2 (1. Dalam analisis keragaman atau uji F regresi di mana: [2. sehingga kreteria pengujian adalah: 1).com . 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. Sisanya 1 .pdffactory. Jika Fhit ≤ F(tabel 5%). [2.39a]. [2. JK Total = (1 .40].r ) . Hal ini berarti bahwa garis regresi penduga (Ŷ) linier sederhana yang didapat tersebut bukan garis regresi yang terbaik. 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. 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. 27 PDF created with pdfFactory Pro trial version www.40] ke dalam persamaan [2.05).42a].JK Galat JK Galat JK Galat = JK Total .41b].JK Galat r JK Total = JK Total .39c]. dalam analisis keragaman regresi linier sederhana dan uji F di mana DB Regresi = 1 dan DB Galat = n – 2. Jika Fhit > F(tabel 5%).39d].Yang lebih penting dalam pembicaraan hubungan antara koefisien korelasi r.41c] maka menghasilkan: [2. bahwa terdapat pengaruh antara variabel X terhadap variabel tak bebas Y.r 2 ) Kreteria pengujian nilai Fhitung sama seperti pengujian-pengujian di atas. F-hitung = JK Galat Masukan persamaan [2. F-hitung = [2. sehingga Fhitung mempunyai rumus: [2. Atau sering diartikan bahwa koefisien determinasi R adalah persentase dari variabel tak 2 bebas Y yang dipengaruhi oleh variabel bebas X.r .39b].

Selanjutnya.2. ˆ ˆ ≤ Ŷ + t(α/2. dalam penaksiran diperlukan selang kepercayaan nilai γ yaitu sebesar 1 – α di mana α adalah peluang kesalahan tipe I. Dalam perhitungan nilai selang kepercayaan juga menggunakan dasar Analisis Ragam Regresi. JK X dan KT Galat Regresi dari Analisis Varians Regresi X0 = suatu nilai Xi yang telah diketahui atau ditentukan 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. dan b) penaksiran atau peramalan nilai individu Y apabila nilai Xi tertentu yang telah diketaui.9.t(α/2.pdffactory. 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. n – 2) S Ŷ . bahwa pemakaian persamaan penduga Ŷ = a + bX. n = jumlah penamatan atau sampel. S 2ˆ = KT Galat Regresi 1 + + ˆ Y n    1 2.9 Peramalan atau Prediksi Garis Regresi Pembicaraan mengenai perkiraan nilai populasi beta (β) pada persamaan [2. Dengan demikian.44].1 Interpolasi dan ekstrapolasi Jelaslah bahwa dari uraian di atas. 28 PDF created with pdfFactory Pro trial version www. 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 _   . 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.com . atau untuk mencari nilai Y apabila Xi telah ditentukan. Ŷ .43]. [2. sehingga terdapat daerah atau range. masing-masing taksiran tersebut adalah: 1). 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.t(α/2.Taksiran nilai rata-rata.Taksiran nilai individu [2.33] bertujuan untuk mengetahui perkiraan nilai interval koefisien regresi populasi βi baik b0 maupun b2. dapat dipakai sebagai peramalan dari nilai-nilai Xi yang belum diketahui. yang umum disebut dengan selang kepercayaan Ŷ atau interval taksiran garis regresi penduga Ŷ.   _ X = nilai rata-rata Xi. n – 2) S Y ≤ μXY ≤ Ŷ + t(α/2.

125 14.400 11.063 1.900 1. 2). 2.150 0.250 141.10.720 1.340 5.330 145.200 12.650 0. maka diberikan contoh olahan seperti di bawah ini.903 18.1 Perhitungan JK-JHK dan penentuan koefisien regresi linier sederhana b0 dan b1 Tabel 2.250 126.com .600 11.261 XY 6.563 27.000 2.875 10.4.540 5.563 158.750 10.338 7.950 1.873 Y 0.250 0.810 1.490 175.305 26.900 15.100 11.500 11.217 29 PDF created with pdfFactory Pro trial version www.500 0.423 0.Ekstrapolasi Pengertian interpolasi adalah penaksiran atau peramalan nilai-nilai Y.500 11.300 5.555 Y2 0. sebab garis regresi penduga tersebut harus tahan uji dari beberapa jenis pengujian garis regresi seperti yang telah diuraikan di atas.253 13.750 1.563 3.518 0.360 56.240 0.250 12.610 2183.863 12.410 204.600 12.250 15.310 16.563 0.10 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. Perhitungan Regresi Dua Variabel yaitu Variabel X dan Variabel Y No.610 231.250 12.090 79.908 1.750 0. Ada dua pengertian pokok yang harus dipahami dalam penaksiran atau pendugaan adalah: 1).305 198.000 1.900 178.760 141. 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.490 11. 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.950 15. dan datanya seperti pada Tabel 2.050 1.300 8.103 1.800 0.210 112.040 150. yang datanya terdiri dari satu variabel bebas X (prediktor) yaitu nilai X dan satu variabel tak bebas Y yaitu nilai Y.063 166.900 14.4.903 3.600 7. 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.563 234. 2.250 1.360 0.323 0.900 24.063 110.Di dalam penerapan praktis dari garis regresi penduga Ŷ = a + bX dipakai untuk mengadakan peramalan atau penafsiran. seperti disebutkan di atas.900 10.pdffactory. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Jumlah Rata2 X 9.700 1.890 1.600 0.Interpolasi.300 13.720 0.048 X2 95. Pengertian ekstrapolasi adalah penaksiran atau peramalan nilai Y.

dilakukan perhitungan untuk mencari nilai b0 dan b1 seperti berikut ini. maka akan menyebabkan terjadinya perubahan Y sebesar 0.908 .6037 2 2 2 JK X JHK XY Selanjutnya.(5.10.(ΣY)2/n 18. Uji koefisien regresi atau uji terhadap bi atau uji t. dilakukan pengujian terhadap garis regresi penduga. dari persamaan peduga di atas dapat diartikan bahwa setiap perubahan satu satuan X.4 di atas seperti berikut: 1).16893 Sehingga. Uji F atau uji ragam regresi atau uji varians regrsi.(5.(ΣY) /n 2 18.95776 JHK XY JK X 11. JK Total = = = = Σy 2 2 ΣY .0. 2).720) /15 2.100)2/15 68. dan Uji koefisien korelasi atau uji r.720)/15 11.(0.330 .pdffactory. Nilai b1 adalah: b1 = = = Nilai b0 adalah: b0 = = = Ŷ Ŷ Y .873) .95776 + 0. JK Regresi.6893 Σx1y = ΣX1Y .(178.720)2/15 2. Selanjutnya.Perhitungan JK-JHK dari data di atas seperti: JK Y = = = = = = = = = Σy2 = ΣY2 .(178.4338 Σx1 = ΣX1 .(ΣX) /n 2183.908 .b1 X 1.0.16893) (11.2 Pengujian garis regresi linier sederhana dengan uji F Dalam Uji F atau uji Ragam Regresi atau uji Varians Regresi diperlukan nilai-nilai JK Total.048 .6037 68.ΣX1 ΣY/n 198. persamaan peduganya menjadi: = = b0 + b1 X . 3).16893 X Sehingga.6893 0.com .253 . 2. dan JK Galat Regresi dari data Tabel 2.16893 satuan Y.100)(5.43384 2 30 PDF created with pdfFactory Pro trial version www. Dalam pengujian garis regresi penduga terdapat tiga macam uji yaitu: 1).

67 9. KT Regresi.43384 Kuadrat Tengah (KT) 1.96021 = = = JK Total .5. KT Regresi = = = JK Regresi /(DB Regresi) 1. Untuk pengujian b0 nilai salah baku Sb0 dari data di atas: Sb0 = KT Galat Re gresi ∑ X 2 n JK X 0. 2. KT Galat Regresi = = = Setelah perhitungan JK Total.277853 = = 31 PDF created with pdfFactory Pro trial version www. dalam analisis regresi dua variabel nilai salah baku bi yang ditulis dengan Sbi mempunyai persamaan seperti berikut.96021 0. JK Regresi.01 Berdasarkan hasil analisis varians di atas ternyata bahwa Fhit > F(tabel 1%) atau dapat dikatakan bahwa hipotesis nol ditolak.43384 .JK Regresi 2.5 berikut. JK Galat Regresi. dan KT Galat didapatkan. dilakukan pengujian terhadap koefisien regresi b0 dan b1 dengan uji t seperti berikut.03643 - F hitung 53.47363 3).com .6037) 1. bi Secara umum uji t mempunyai rumus adalah t-hitung bi = S bi Selanjutnya.01) terhadap variabel tak bebas Y.47363/13 0.2. maka di lanjutkan dengan membuat Tabel Analisis Keragaman atau Tabel Analisis Varians Regresi seperti pada Tabel 2.8037 ** F tabel 5% 1% 4.07 Jumlah sampel (n) = 15.03643 2183. JK Galat Regresi Selanjutnya.03643 2). Bagan Sidik Ragam Regresi Dua Variabel Sumber Keragaman (SK) Regresi Residual Total Keterangan: ** Derajat Bebas (DB) 1 13 14 Jumlah Kuadrat (JK) 1.3 Pengujian koefisien garis regresi linier sederhana dengan uji t Setelah dilakukan pengujian dengan uji F maka selanjutnya. Tabel 2. yang berarti bahwa terdapat pengaruh variabel bebas X yang sangat nyata (p<0. JK Regresi = = = b1 JHK XY (0.10.330 15 x 68.96021/1 1.6893 0.47363 2.2).16893) (11. = berpengaruh sangat nyata pada p<0.96021 0.96021 0. dihitung nilai KT atau varians seperti: 1).96021 JK Galat/ (DB Galat) 0.pdffactory.

dengan nilai salah baku koefisien regresi b0 dan b1 yang diperoleh.95776 + 0.16893 Selanjutnya.131 dan t(1%.com .16893 X tidak melalui titik 0.Untuk pengujian b1 nilai salah baku Sb1 dari data di atas: Sb1 = KT Galat Re gresi JK X 0. Ternyata bahwa t-hitung > ttabel 1% baik untuk nilai b0 maupun untuk b2.n-2) Sb0 ≤ β0 ≤ b0 + t(α/2. Garis regresi penduga Ŷ = .16893 = 0.947.95776 + (2. 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 .131) (0.023030 = 7.95776 .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 { .277853 = .277853)} = 1. selain untuk pengujian hipotesis.0. uji t terhadap nilai koefisien regresi b1: t-hitung b1 = b1 Sb 1 0.95776 + 0.1.13) = 2.4470 mutlaknya)}.6893 = = 0.335101 Berdasarkan hasil uji t ternyata bahwa nlai thitung yang diperoleh dibandingkan dengan ttabel atau t(5%.023030 Uji t terhadap nilai koefisien regresi b0: t-hitung b0 = b0 Sb 0 .0.3.35750} = 1 . 2).0. {Nilai t negatif sama dengan nilai positif (diambil harga Selanjutnya. atau mempunyai slop sebesar 0. db galat = 13) yaitu sebesar 2. Garis regresi penduga Ŷ = . dapat dikatakan bahwa: 1).0.0.(2.0.pdffactory.03643 68.tα/2 sbi} = 1.n-2) Sb0} = 1.t(α/2.558029 ≤ β0 ≤ .0 atau titik acuan.α 32 PDF created with pdfFactory Pro trial version www.95776 = 0.16893 X tidak sejajar dengan sumbu X.277853) ≤ β0 ≤ .tα/2 sbi ≤ βi ≤ bi .131) (0.α p {. Ini berarti bahwa dari analisis tersebut H0 ditolak baik untuk uji b0 maupun untuk uji b1 Sehingga.

8 0.n-2) Sb1 ≤ β1 ≤ b1 + t(α/2.(2.0 10. Selanjutnya.4 Pengujian garis regresi linier sederhana dengan uji r Pada uji-uji sebelumnya seperti uji F dan uji t telah dilakukan.100 2183.0 1.com .1.21868} = 1 .4 0.131) (0.1689 X R2 = 80.2 6.35750 Untuk perkiraan β1 dengan nilai salah baku Sb1 dengan α = 5% dari data di atas didapatkan: p {b1 .0.α Jadi perkiraan nilai β1 berkisar antara 0.558029 sampai dengan .6 1.10.1 di atas seperti: ΣX = 2 ΣX = ΣXY = 178.16893 + (2.0.908 33 PDF created with pdfFactory Pro trial version www.pdffactory.α Y = .023030)} = 1.131) (0.α p {0.t(α/2.253 ΣY 2 ΣY = = 15.119176 ≤ β1 ≤ 0.0 14.0 Pendapatan Petani ( x 100.Jadi perkiraan nilai β0 berkisar antara .6 0.9578 + 0.0 8.720 18. 000) untuk b0 p {0.023030) ≤ β1 ≤ 0.4 1.16893 .54% 2.0 16.21868 Berdasarkan perhitungan di atas maka dapat dibuat gambar Garis Regresinya seperti berikut: 2.119176 sampai dengan 0.0 0.330 198.n-2) Sb1} = 1.0 12.2 1. 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 3.8 Konsumsi Daging x100.000 1.

100) (15. db galat = 13) yaitu sebesar 2.897 = 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. 13) = 0.947.897 2 ) (15 − 2) 0. n-2).131 dan t(1%. Hal ini dapat dikatakan bahwa tolak H0 yang berarti bahwa terdapat hubungan atau korelasi yang sangat erat antara variabel X dengan variabel Y. Nilai ttabel atau t(5%. Ternyata bahwa t-hitung > ttabel 1%. nilai r dapat pula diuji dengan uji t.642.53 − 0. dengan n = 15 maka: Nilai r tabel 5% = r(5%. maka nilai thitung ≈ ttabel.13) = 2. Selain.51653 Berdasarkan hasil uji t.720) 15  (178. Hal ini dapat dikatakan bahwa terdapat hubungan atau korelasi yang sangat erat antara variabel bebas X dengan variabel tak bebas Y. Jadi r hitung = 0.com . dengan rumus pengujian seperti berikut: t-hitung = r .897 0. 13) = 0.pdffactory. Nilai r tabel = r(α/2.642.13765 (1 − r 2 ) (n − 2) (1 − 0.514.908 −     15 15    198. dan Nilai r tabel 1% = r(1%. 34 PDF created with pdfFactory Pro trial version www. Sr Di mana Sr = salah baku r dengan rumus: Sr Sr = = = Sehingga: t-hitung = r Sr 0.897 > r tabel 1% = 0. pengujian r seperti di atas.330 −  18.Sehingga: r = 178.13765 = = 6.720) 2   2183.100) 2   (15.

di mana α = 5%. n – 2) S Y ≤ μXY ≤ Ŷ + t(α/2. 2 Sisanya 1 .873) 2  0.54% variasi keragaman total Y atau variasi Y dapat diterangkan oleh variasi X.0. 13) = = = = = = = 0. n – 2) S .com .95776 + 0.01377 Selanjutnya.95776 + 0.73154 68.6893  15       =      = 0.03643  + 68.6893 0.131 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 − 11.873 10 2.0138) 0.Berdasarkan perhitungan koefisien korelasi r di atas. 2.t(α/2.(2.pdffactory.0138) ≤ μXY ≤ 0.t(α/2.73154 .46% dari variasi total Y dipengaruhi oleh faktor lain diluar X atau variabel selain X. maka didapatkan koefisien determinasi R2 = (0.0.897)2 = 0.5 Peramalan atau prediksi pada garis regresi Dalam perhitungan taksiran atau ramalan garis regresi diperlukan selang kepercayaan γ yaitu sebesar 1 – α. n – 2) S Y ≤ μXY ≤ ≤ μXY ≤ Ŷ + t(α/2.76088 35 PDF created with pdfFactory Pro trial version www. dengan nilai Ŷ menjadi: Y Ŷ = . 1).8054.54% dari variabel tak bebas Y dipengaruhi oleh variabel bebas X. sehingga γ = 95%. n – 2) S Y 0.03643 15 11.73154 _  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 (10) = 0. seperti berikut: Ŷ .131) (0. taksiran nilai rata-rata μXY: Ŷ .131) (0.73154 + (2. Dengan menggunakan dasar perhitungan analisis ragam regresi dan KT Galatnya seperti di atas didapatkan taksiran nilai rata-rata seperti berikut ini. Hal ini diartikan bahwa 80.16893 X = .7022 0.10.R = 19. Sebagai contoh: taksiran nilai rata-rata μXY untuk X0 = 10. atau dapat diartikan bahwa 80.

taksiran rata-rata untuk Xi = X0 = 10.t(α/2.t(α/2. 36 PDF created with pdfFactory Pro trial version www.131) (0. 69835 sd 0. n – 2) S Ŷ .95776 + 0. maka μXY berkisar antara 0. Untuk taksiran rata-rata nilai-nilai Xi yang lain dapat dihitung seperti cara di atas. Hasil perhitungan taksiran rata-rata dan individu nilai-nilai Xi yang lain dapat dilihat pada Tabel 2. seperti berikut: Sebagai contoh: taksiran nilai individu Y ˆ ˆ ≤ Ŷ .01558      Selanjutnya.Jadi.pdffactory. taksiran nilai individu: Ŷ .76088.6893   0.0138) ≤ Y ˆ ˆ ≤ 0.16893 (10) = 0.7022 sd 0.73154 .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%.73154 + (2. Untuk taksiran individu nilai-nilai Xi yang lain dapat dihitung seperti cara di atas.6 di bawah ini.03643  1 + +  15 68.6893 0.69835 ≤ Y 0. ˆ ˆ untuk X0 = 10.0.95776 + 0.76473 ˆ ˆ berkisar antara 0. n – 2) S ˆˆ ≤ Y ˆ ˆ Y Y Ŷ = . 2). n – 2) S ˆˆ Y ˆ ˆ ≤ 0. Jadi.t(α/2.16893 X = .0. taksiran individu untuk Xi = X0 = 10.03643 15 11. n – 2) S ˆˆ Y ˆ ˆ ≤ ≤ Y Ŷ + t(α/2. 13) = 0.(2. maka Y 76473.com .873) 2 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 − 11.873 10 2.131) (0.0138) 0.73154 68.

pdffactory.689 0.499 0.807 0.794 0.0 Data pada Tabel 2.379 1.250 15.650 0.833 0.420 1.595 0.036 1.281 1.950 Ŷ 0.900 1.900 Y 0.0 1.682 0.574 0.924 1.838 0.0 8.159 1.221 1.627 0.241 1.0 Pendapatan 12.377 1.300 13.8 0.4 0.244 1.048 1.789 0.050 1.069 1.036 ˆ ˆ upper Y 0.129 1.600 0. 2.900 15.000 1.458 1.953 1.171 1. Karena ˆ ˆ yang sangat sempit maka gambarnya kelihatan tiga perbedaan nilai antara μXY dan Y garis yang seharusnya lima garis seperti pada Tabel 2.057 0.932 1.571 0.943 1.900 10.8 1.150 0.0 0.961 1.300 8.250 12.500 11.610 1.0 10.843 0.700 1.858 0.239 1.600 7.653 0. 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.205 1.151 1.800 0.497 0.6 0.048 0.950 1.259 1.2 1.750 0.183 1.6 di atas.309 1.199 1.600 11.250 12.119 1.556 1.496 1.Tabel 2.053 ˆ ˆ lower μXY lower μXY upper Y 0.095 1.813 0.720 0.6 Konsumsi daging 1.238 1.053 1.853 0.592 0.com .499 1.250 1.417 1.069 No.500 11.722 0.750 1.112 1.2 6.900 14.680 0.0 14.6 37 PDF created with pdfFactory Pro trial version www.662 1.4 1.105 1.307 1.302 1.500 0.6 Hasil Perhitungan Taksiran Rata-rata μXY dan Taksiran Individu ˆ ˆ dari Nilai-nilai Xi Y X 9.726 0.190 1.057 1.0 16.546 0.664 1.816 0.750 10.254 1.656 0.200 12.558 1.

Statistica.8054 0.5 dan Xi = 15 berada di luar Xminimum dan Xmaksimum.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. Minitab.2.95776 + 0. seperti X = 7.0364 F 53.8 ANOVA SV Regression Residual Total DB 1 13 14 SS 2.09956 0.3.16893 X terletak di dalam daerah ruang gerak X1 dan Xn.23830 Var 38 PDF created with pdfFactory Pro trial version www.0.3351 0.5 dan X = 15.9602 0.30922 dan 1.55803 .2.com .16893 X terletak di luar batas daerah ruang X1 dan Xn.2.02303 7. dan lain sebagainya.12079 X1 0. Nilai ekstrapolasi adalah nilai taksiran atau nilai ramalan dari nilai Y.8037 Significance F 0. jika harga-harga Xi yang dimasukkan ke dalam persamaan regresi penduga Ŷ = .8974 0. pemakaian persamaan penduga Ŷ = b0 + b1X.21868 0.95776 + 0. Dalam hal ini akan diberikan contoh keluaran komputer dengan program Excel seperti pada tabel berikut. sebab nilai Xi = 7.4470 0. Sistat.0.4338 MS 2. Di dalam penerapan praktis dari garis regresi penduga Ŷ = . atau untuk mencari nilai Y apabila Xi telah ditentukan.7904 0.73154.35750 .27785 .4736 2.0000 0. jika harga-harga Xi yang dimasukan ke dalam persamaan regresi penduga Ŷ = .16893 X dapat dipakai untuk mengadakan peramalan atau penafsiran interpolasi dan ekstrapolasi Nilai interpolasi adalah nilai taksiran atau nilai ramalan dari nilai-nilai Y.pdffactory.0.0% 99.0.00433 .16893 0.95776 0.0.7 Regression Statistics Multiple R R Square Adjusted R Square Standard Error Observations Table 2.9 Parsial Regression Coefficients Standart t Stat P-value Lower Upper Lower Upper Error 95% 95% 99.11918 0.95776 + 0. sebab nilai Xi = 10 berada di dalam antara X1 dan Xn. dapat dipakai sebagai peramalan dari nilai-nilai Xi yang belum diketahui.0% Intercept .9602 0.1909 15 Table 2. seperti X = 10 maka nilai Y penduga = 0. SPSS.00001 0. 2. 1 Summary Output Excel Table 2.57615.79474 .0.11 Interpolasi dan ekstrapolasi Jelaslah bahwa dari uraian di atas. maka nilai Y penduga = 0.

54% dari variabel tak bebas Y dipengaruhi oleh variabel bebas 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. nilai significance F dibandingkan peluang (p) standar yaitu 5% dan 1%. Apabila nilai significance F < (p = 0. 39 PDF created with pdfFactory Pro trial version www. adalah garis regresi yang terbaik untuk menerangkan bahwa variabel bebas X (pendapatan petani) berpengaruh sangat nyata terhadap variabel tak bebas Y (pengeluaran petani).pdffactory. 1).05) mempunyai kesimpulan yang sama dengan Fhit ≤ F(tabel 5%). Significance F adalah sama dengan nilai peluang dari nilai F-hitung.0000.16893 X. hal ini berarti terima H0 yang menyatakan bahwa garis regresi penduga (Ŷ) linier sederhana yang didapat tersebut bukan garis regresi yang terbaik. 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. Dalam hal ini nilai F-hitung tidak dibangingkan dengan F tabel seperti biasa. MS = Means Squarwes atau KT. SS = Sum of Squares atau = JK.05) mempunyai kesimpulan yang sama dengan Fhit > F(tabel 5%).8974. Ini berarti tolak H0 yang menyatakan bahwa garis regresi penduga Ŷ = .Penjelasan tabel di atas seperti berikut: Table 2.95776 + 0. 2).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. Akan tetapi. Atau variabel bebas X tidak berpengaruh terhadap variabel tak bebas Y.01) mempunyai kesimpulan yang sama dengan Fhit > F(tabel 1%).0. Apabila nilai significance F ≥ (p = 0. atau dapat diartikan bahwa 80. 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 sangat nyata terhadap variabel tak bebas Y. Apabila nilai signifikanse F < (p = 0. Sebagai contoh dari hasil analis tersebut di atas didapat nilai F = 53.8 ANOVA KT Y n Pada Tabel Anova adalah persis sama dengan Sidik Ragam Regresi. DF = Degrees of Freesom atau = Derajat Bebas (DB). F = F-hitung.8037 dengan significance F = 0.com . Di mana SV = Sumber Variasi (SV) atau Sumber Keragaman (SK).

9 Parcial Regression Var adalah sama dengan variabel yang akan dijelaskan. dalam analisis ini adalah X. Sebagai contoh dari hasil analisis tersebut di atas didapatkan nilai P-value untuk b0 = 0.27785 dan Standart Error untuk b1 (Sb1) = 0. nilai P-value dibandingkan peluang (p) standar yaitu 5% atau 1%.95776 dan b1 = 0. Ini berarti tolak H0 karena P-value < 0. hal ini berarti terima H0 yang menyatakan bahwa garis regresi penduga (Ŷ) linier sederhana melalui titik acuan (0. yang berarti bahwa garis regresi penduga Ŷ = . Sehinga nilai t-hitung untuk masing-masing b0 = .0.05.Tabel 2.44702 dan S bi b1 = 7. t Stat sama dengan t-hitung untuk b0 dan b1 dengan rumus umum seperti: bi thitung bi = . tidak melalui titik acuan (0.00002.16893 dan sangat nyata. Akan tetapi.95776 + 0. Ini berarti tolak H0 karena Pvalue < 0. Untuk b1.3. 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. 1). Demikian juga didapatkan nilai P-value untuk b1 = 0.0).05) mempunyai kesimpulan yang sama dengan thit > t(tabel 5%). 2). maka 1). Standart Error di sini menunjukkan nilai yang sama dengan Sb0 dan Sb1 dalam pengujian b0 dan b1.16893 X.0. hal ini berarti tolak H0 yang menyatakan bahwa garis regresi penduga (Ŷ) linier sederhana melalui tidak melalui titik acuan (0. Masing-masing b0 = . 40 PDF created with pdfFactory Pro trial version www. Apabila nilai P-value < (p = 0. P-value adalah sama dengan nilai peluang dari nilai t-hitung. Sebagai contoh Standart Error untuk b0 (Sb0) = 0.16893. arinya mempunyai slop atau kemiringan = 0. adalah garis regresi penduga tidak sejajar dengan sumbu X.05) mempunyai kesimpulan yang sama dengan thit > t(tabel 5%). Standart Error dalam Tabel 3 ini berbeda dengan Standart Error dari Tabel 2.0).95776 + 0.05) mempunyai kesimpulan yang sama dengan thit ≤ t(tabel 5%).0) 2).05. Untuk b0.0).com . Coefficients sama dengan bi dalam hal ini sama dengan b0 dan b2. Intercept sama dengan b0 jarak antara titik potong garis regresi penduga Ŷ dengan titik acuan (0. Apabila nilai P-value < (p = 0.00433.33510. Apabila nilai P-value ≥ (p = 0.16893 X. hal ini berarti terima H0 yang menyatakan bahwa garis regresi penduga (Ŷ) linier sederhana sejajar dengan sumbu X pada nilai b0.02303.pdffactory.05) mempunyai kesimpulan yang sama dengan thit ≤ t(tabel 5%). maka 1).0. Apabila nilai P-value ≥ (p = 0. Dalam hal ini nilai t-hitung tidak dibangingkan dengan t tabel seperti biasa. yang berarti bahwa garis regresi penduga Ŷ = .

0. 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%.1.pdffactory. . apabila nilai Lower dan Upper bersifat definit positif atau definit negarif artinya baik Lower maupun Upper mempunyai tanda bilangan yang positif atau negarif ( + .α tergantung pada nilai α yang dipakai 5% atau 1%.com .35750 untuk nilai α = 5%.0. Perkiraan nilai β0 berkisar antara .12079 untuk α = 1%.tα/2 sbi ≤ βi ≤ bi .tα/2 sbi} = 1.21868 untuk α = 5%.23830 untuk α = 1%.1.558029 sampai dengan .09956 sampai dengan 0.Lower dan Upper adalah sama dengan perkiraan nilai interval b0 dan b1 atau pendugaan nilai β0 dan β1 dengan rumus: p {bi . dan antara . Nilai 95% atau 99% = 1.119176 sampai dengan 0.α . dan antara 0.) berarti dalam uji t-hitung bi menunjukkan signifikansi yang nyata pada taraf α = 5% atau 1%. Perkiraan nilai β1 berkisar antara 0. Sebaliknya. 41 PDF created with pdfFactory Pro trial version www. Perhatikan nilai Lower dan Upper.79474 sampai dengan .

Sign up to vote on this title
UsefulNot useful