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

dan korelasi kanonikal.5 Regresi Linier Sederhana Telah dijelaskan di muka bahwa regresi adalah membicarakan bentuk hubungan atau fungsi antara dua variabel atau lebih. Tingkat atau derajat keeratan hubungan dapat diukur dengan memakai. yang jelas bahwa kedua alat ukur tersebut di atas dapat memberikan sumbangan atau pandangan yang lebih jauh terhadap masalah yang dihadapi. dengan sekurang-kurangnya sebuah variabel bebas X. terdapat juga modifikasi atau fraksi dari R. Dan inilah yang merupakan tujuan pembicaraan yang pokok pada analisis regresi dan korelasi selanjutnya. 10 PDF created with pdfFactory Pro trial version www. sedangkan indeks korelasi R untuk menyatakan keeratan hubungan dari bentuk-bentuk linier berganda dan bentuk non linier. 2 2 2.5). Oleh karena itu. yang disebut dengan koefisien korelasi parsiil. Perlu ditekankan lebih luas bahwa hubungan dapat dibuat regresinya. Bentuk fungsi ini disebut kurva Faurier. Regresi fungsi geometri. korelasi rank.4 K o r e l a s i Pembicaraan mengenai keeratan hubungan atau korelasi yang diukur dengan tingkat atau derajat keeratan hubungan. Bentuk yang paling sederhana dari fungsi ini adalah: Y = a + b sin dX + c cos dX. Bentuk dari fungsi ini adalah berupa bentuk regresi linier berganda di mana dalam fungsi ini terdapat fungsi trigonometri. dan seterusnya. korelasi serial. Akan tetapi. koefisien korelasi dengan simbul r untuk bubungan linier sederhana dan indeks korelasi dengan simbul R untuk hubungan bukan linier sederhana. Selanjutnya. Model regresi ini adalah: e = a+b Y X atau dapat di tulis menjadi: Y = ln a + b ln X (merupakan trasformasi lilier) 6). karena terutama analisis regresi mempunyai daya ramal atau daya taksir yang menyakinkan apabila diuji dengan taraf nyata yang peka atau jitu. Perlu ditekankan bahwa dalam bentuk hubungan tersebut terdapat sebuah variabel tak bebas Y. Selain koefisien korelasi sederhana r. 2. agar lebih berhati-hati dalam menggunakan alat statistika ini di dalam penarikan kesimpulan. Bentuk fungsi dari regresi adalah: di mana variabel bebas Y berfungsi sebagai pangkat (eksponen) dan variabel bebas X mempunyai bentuk perpangkatan. mengenai korelasi dan modifikasinya akan dibicarakan tersendiri setelah pembicaraan regresi. Selain itu. Koefisien korelasi r dipakai hanya untuk menyatakan keeratan hubungan yang bersifat linier sederhana. 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. korelasi kotingensi. dan indeks korelasi R. Indeks korelasi R sering disebut juga koefisien korelasi berganda. tidak semua variabel atau gejala-gejala alam dapat dicari korelasinya. demikian pula. 2 Kedua nilai D atau R disebut koefisien determinasi atau koefisien penentu atau indeks penentu. 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. Apabila r dan R. lebih-lebih membuat suatu keputusan yang lebih jauh.pdffactory. ada lagi bentuk-bentuk yang lebih kompleks seperti: Y = a + b sin X + c cos X + d sin X + e cos X +…. Regresi logaritmik.com . dan korelasi biserial.

2.1] di atas.2] adalah suatu bentuk persamaan yang paling sederhana dari regresi linier sederhana. Tujuan utama dari analisis regresi adalah untuk memberikan dasar-dasar peramalan atau pendugaan dalam analisis peragam atau analisis kovarian.persamaan [2. dalam hubungan tersebut terdapat satu variabel bebas X dan satu variabel tak bebas Y. Analisis regresi sebagai alat untuk melakukan peramalan atau prediksi atau estimasi atau pendugaan yang sangat berguna bagi para pembuat keputusan. Sebagai ilustrasi hubungan antara variabel bebas X dan variabel tak bebas Y diberikan contoh dari persamaan [2.2]. Sehingga segala analisis statistika yang berkaitan dengan hal tersebut dinamakan dengan analisis regresi.1] akan menjadi: [2. maka variabel X dan variabel Y tersebut harus mempunyai hubungan yang kuat.com . A disebut intercept coefficient atau intersep yaitu jarak titik asal atau titik acuan dengan titik potong garis regresi dengan sumbu Y. Untuk membuat ramalan antara variabel X dengan variabel Y. dan B disebut slope coefficient atau slup yang menyatakan atau menunjukkan kemiringan atau kecondongan garis regresi terhadap sumbu X. maka selanjutnya perlu menentukan pola hubungan atau bentuk hubungan yang dinyatakan dalam bentuk persamaan matematik yang menyatakan hubungan fungsionalnya. Jadi antara analisis korelasi dan analisis regresi mempunyai kaitan yang sangat erat (akan dibicarakan di belakang). Dari persamaan [2.pdffactory.1] yaitu pengaruh tingkat pendapatan dengan konsumsi makanan bagi petani pedesaan. Setelah jelas mana variabel X dan variabel Y. Kuat tidaknya hubungan antara variabel bebas X dan variabel tak bebas Y didasarkan pada analisis korelasi. Biasanya variabel tak bebas Y adalah variabel yang diramalkan dan variabel bebas X yang telah ditetapkan sebagai peramal yang disebut prediktor.1]. melainkan mencari perbedaan pengaruh perlakuan atau objek. dengan mengukur respon dari perlakuan atau variabel X yang dinyatakan dengan variabel tak bebas Y yang sering disebut hasil atau akibat perlakuan.1] A dan B disebut konstanta atau koefisien regresi linier sederhana atau parameter garis regresi linier sederhana.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. Y = X Persamaan [2.5. yaitu perbedaan antara variabel bebas X atau variabel yang dipelajari. Y = A + BX Apabila A dan B mengambil nilai seperti: A = 0 dan B = 1. Apabila hubungan antara dua variabel atau lebih bersifat kausal atau hubungan sebab-akibat. tetapi kadang-kadang hal tersebut sangat sulit ditelusuri antara yang mana variabel bebas X maupun yang mana variabel tak bebas Y. Apakah beda antara analisis regresi dengan analisis-analisis yang lain ? Sebagai contoh apa perbedaan antara analisis regresi dengan analisis keragaman atau analisis varians. perbedaan tersebut terletak pada yaitu: dalam analisis keragaman tidak mencari bentuk hubungan antara variabel-variabel seperti pada analisis regresi. Dari persamaan garis regresi [2. penentuan variabel bebas X dan variabel tak bebas Y sangat mudah. Dalam hal-hal tertentu. maka variabel yang sebagai sebab merupakan variabel bebas atau variabel X dan akibat yang ditimbulkannya menjadi variabel tak bebas atau variabel Y.1 berikut ini.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. 11 PDF created with pdfFactory Pro trial version www. seperti pada Tabel 2.

sehingga antara variabel X dan variabel Y yang tertentu akan menjadi pasangan-pasangan tetap disebut dengan pasangan nilai X. Bagaimana persamaan regresi akan ditentukan jika hasil pengamatan atau yang berupa pasangan-pasangan nilai pengamatan antara X.1. 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. yang mempunyai pengertian bahwa: setiap variabel bebas X akan memberikan atau menghasilkan suatu nilai variabel tak bebas Y yang tertentu.Tabel 2. sering disebut regresi Y atas X ditulis dengan Y/x. 12 PDF created with pdfFactory Pro trial version www. No.Y tersebut dapat dicari bentuk hubungan atau garis regresi antara variabel bebas Y atas variabel tak bebas X yang dtulis dengan Y/X.Y inilah yang akan menentukan persamaan regresi yang dibuat sesuai dengan asumsi atau model yang digunakan. Sejumlah pasangan antara nilai X.2 Garis regresi linier sederhana Sekarang bagaimana caranya membuat persamaan garis regresi linier sederhana seperti Gambar 2.000 maka komsumsi makanan semakin meningkat. Setiap pasangan nilai X.pdffactory.Y merupakan hubungan sebab (X) dan akibat (Y). Model Linier Garis Regresi 2.Y.1.com .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. Sehingga dari pasanganpasangan nilai X. Penentuan garis regresi antara variabel bebas X dengan variabel tak bebas Y.1].Y telah didapatkan.1 di atas dapat dibuat garis regresi liniernya seperti Gambar 2. yang mempunyai bentuk persamaan matematis: Y = A + BX seperti pada persamaan [2.5.1 di atas.

Dari persamaan tersebut dengan penyelesaian matematika sehingga akan didapatkan bentuk persamaan liniernya seperti persamaan [2.Y tersebut disekitar garis lurus.2.Y pada suatu sistem salib sumbu atau sistem koordinat. Perhatikan sudut β yang sisi-sisi siku-sikunya adalah ∆Y = Y2 .2.Y tersebut bukan linier. 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. Untuk hal tersebut dan menentukan analisis dan gambarnya dapat dilihat bentuk-bentuk hubungan pada bukubuku matematika.5. Diagram pencar didapatkan dengan menggambar titik-titik pasangan pengamatan antara X dan Y atau X.2.1].1 di muka antara tingkat pendapatan (X) dengan konsumsi (Y) diambil sebagaian saja seperti pada Tabel 2. Metode ini hanya dapat dilakukan oleh seorang ahli dan berpengalaman seperti pada Gambar 2.3 Penetuan garis regresi linier sederhana Untuk menentukan garis regresi berdasarkan pasangan-pasangan nilai X.2 seperti pada Gambar 2. yang dapat melalui semua titik-titik pasangan X. Bentuk mana yang paling sesuai atau paling dihampiri oleh titik-titik pasangan tersebut. Garis regresi yang melalui dua buah titik pengamatan P dan Q. Dengan memperhatikan letak titik-titik pasangan pada absis X dan ordinat Y.Y. Untuk pendekatan linier atau regresi linier sederhana.Y diberikan dua metode yang umum yaitu: 1). Maka dapat dibuat persamaannya dengan menggunakan dua buah titik. Dasar teori.2. 2).com . 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. perhatikan diagram pencar berikut yang berasal dari Tabel 2. tetapi melengkung atau non linier yang paling menghampiri. Tabel 2.2 berikut. jika sebaran titik-titik pasangan X.pdffactory.Y. Pendekatan matematis dengan metode kuadrat terkecil atau least squares method atau sering disebut dengan metode ordinary list squares (OLS). maka cukup beralasan untuk menduganya dengan persamaan regresi linier sederhana atau regresi garis lurus. Jika pencaran atau sebaran titik pasangan X. No. Bahwa suatu garis regresi yang akan didapat dan akan mendekati titik-titik pasangan X.Y1 dan ∆X = X2 . Tentu saja atau pada umumnya tidak dapat ditarik atau digambarkan suatu garis regresi yang sederhana. melalui dua buah titik dapat dibuat sebuah garis lurus yaitu PQ yang akan dicari persamaannya. 13 PDF created with pdfFactory Pro trial version www.X1 sehingga tangen sudut β = ∆Y/∆X. di mana kedudukan kedua titik tersebut adalah bebas atau sembarang pada garis regresi yang melewati. maka kumpulan titik-titik tersebut dapat memberi petunjuk untuk memperkirakan garis regresi yang akan dibuat. Dilain pihak. Metode tangan bebas. maka persamaan garis PQ menjadi: Y = A + β X.

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

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

dan ei. dan Nilai Kesalahan Penganggu ei e1 (+ (+) e3 Ŷ e2 (-) Y2 150 160 16 PDF created with pdfFactory Pro trial version www.com . Nilai Penduga Ŷ. e = Yi .Karena dalam suatu pendugaan nilai A dan B tidak dapat dihitung (belum diketahui nilainya).7a]. Yi.(b0 + b1 X) atau Nilai e sebagai penduga nilai kesalahan E adalah kesalahan penggangu populasi dan e adalah kesalahan penganggu sampel.7b].3. Nilai e dapat berharga positif bila nilai pengamatan Yi berada di atas garis penduga Ŷ.3 dengan menggambar scatter diagram dengan Ŷ. maka penulisannya menjadi seperti: [2.pdffactory.8]. Ŷ = b0 + b1 X dan Yi = Ŷ + e [2.Ŷ Untuk sejumlah n pasangan pengamatan. 150 125 Konsumsi 100 75 50 25 0 120 130 140 Pendapatan Gambar 2.6]. dan dapat pula berharga nol bila nilai pengamatan Yi berada tepat pada garis penduga Ŷ. Ŷ = b0 + b1 X untuk sampel Jadi a dan b atau b0 dan b1 sebagai penaksir A dan B. dengan nilai penduga Ŷ dan dengan nilai pengamatan Yi dapat ditulis: [2. biasanya ditaksir dengan nilai a dan b atau dengan nilai b0 dan b1. sehingga garis regresi linier penduga mempunyai bentuk persamaan: [2. ei = Yi . Nilai Pengamatan Yi. Hubungan antara nilai kesalahan e. Seperti yang ditunjukkan pada Gambar 2. dapat berharga negatif bila nilai pengamatan Yi berada di bawah garis penduga Ŷ.

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. Garis penduga merupakan garis regresi yang terbaik. diantaranya: 1). seperti yang ditunjukkan pada Gambar 2.2. di mana Y = A + BX + E. metode kuadrat terkecil mempunyai beberapa kelebihan daripada metode-metode lain. Hal ini akan dibahas dalam penggunaan koefisien korelasi dalam uji garis regresi. 4). yang menunjukkan hubungan antara variabel bebas X dan variabel tak bebas Y. hal ini akan dibicarakan pada uji kecocokan garis regresi penduga. Suatu syarat penaksir garis atau garis penduga yang terbaik. di samping mempunyai nilai ragam galat atau ragam kesalahan atau ragam residu atau ragam sisa yang terkecil. 2). Selain teori kuadrat terkecil. Cara ini lebih baik dari cara pertama sebab tidak ada saling kompensasi antara nilai ei yang negatif dengan positif.4. 3).2. 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. 2. apabila jumlah pangkat dua (kuadrat) nilai kesalahan-kesalahan (ei) adalah minimal atau ditulis dengan 2 rumus: ∑e i = 0.Ŷ) = minimal. maka semua nilaidari kesalahan atau simpangan ei akan berubah menjadi positif. bila digunakan sebagai garis penduga. penaksir pangkat dua terkecil (metode kuadrat terkecil) yang mempunyai ragam paling kecil. 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. 3.7 Pendekatan Garis Penduga Terbaik Ada beberapa cara pendekatan matematika untuk mendapatkan garis regresi penduga yang terbaik seperti: 1.7. Mempunyai derajad keeratan hubungan yang maksimum atau koefisien korelasi tertinggi. apabila jumlah harga mutlak dari nilai kesalahan atau ∑│e│ adalah minimal. Garis penduga merupakan garis regresi yang terbaik. Dengan mengkuadratkan nilai kesalahan ei yang kecil (pecahan) maka akan diperkecil mendekati nol. Dengan memakai nilai kuadrat. 2. disebut metode yang terbaik bagi penduga garis regresi linier sederhana?. 2). sebab nilai negatif mengkompen nilai positif. Mengapa metode kuadrat terkecil. Perhitungan matematis dari metode kuadrat terkecil cukup sederhana. tetapi harus memenuhi juga syarat-syarat yang lain yaitu: 1).com . dan harus betul-betul tepat atau cocok. Metode kuadrat terkecil (OLS = ordinary least squares) Selain.pdffactory. Sesuai dengan teori aljabar maka akibatnya ∑ei sama dengan nol (minimal). hal-hal tersebut di atas.Y. Garis penduga menjadi garis regresi terbaik apabila jumlah semua kesalahan adalah minimal ditulis dengan: ∑ei = minimal atau ∑( Yi . sehingga garis regresi penduga yang dihasilkan akan mendekati ketepatannya. dan bila nilai ini diminiumkan. 17 PDF created with pdfFactory Pro trial version www.

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. .13] dan [2. jadi G = Σei2. maka diperoleh persamaan-persamaan seperti: [2.Σb0 . maka sistem persamaan normal dari [2.b1 Xi (.b1 ΣXi = 0 [2.com .14] di atas disebut dengan persamaan normal.b0 . Xp) akan minimum jika. Persamaan (2. Oleh karena itu. ei = Yi . Pernyataan matematis di atas dapat dijabarkan menjadi: Ŷ = b0 + b1 X dan Y = Ŷ + e sehingga ei = Yi . 2 Sehingga fungsi turunan Σe atau G terhadap setiap nilai b0. dengan mengandaikan syarat kedua minimalasasi itu telah terpenuhi.Manipulasi matematis dari metode kuadrat terkecil akan menghasilkan koefisien a dan b. 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. maka nilai G akan minimum jika semua fungsi turunan pertama parsiilnya. Yi = b0i + b1i Xi + ei Telah disebutkan di muka. atau [2.b0 ΣXi .8]. yaitu turunan pertama parsiil dari G terhadap masing-masing nilai b0 dan b1 sama dengan nol. Perhatikan pengali dari setiap penaksir-penaksir yang berhubungan koefisien regresi seperti b0 dan b1 Apabila syarat-syarat dalam meminimalkan G dipenuhi.14]. adalah garis regresi 2 yang mempunyai nilai Σei minimal.12] turunannya menjadi: δG/δb1 = 2 Σ(Yi .7a]. Apabila dari persamaan-persamaan [2. Turunan Σe2i atau G terhadap b0 menjadi: Dari persamaan [2.Ŷ Persamaan [2.11] turunannya menjadi: δG/δb0 = 2 Σ(Yi .14) disebut dengan persamaan Normal 2.13) disebut dengan persamaan Normal 1.7b].12] diselesaikan dan diubah cara penyajiannya.9]. maka diperoleh dua persamaan seperti di bawah ini.7b] yang ditulis kembali seperti: [2. .10]. . X2. 2 2 2 dapat ditulis: 18 PDF created with pdfFactory Pro trial version www. Untuk memudahkan cara penulisan selanjutnya Σei2 disamakan dengan G.b1 ΣXi = 0 Persamaan-persamaan [2.13]. Perhatikan pertanyaan matematis dari persamaan [2.b0 . ΣYi .Xi) = 0 Perhatikan faktor pengali yang berada dimuka tanda sama dengan (=).1) = 0 Turunan Σe i atau G terhadap b1 menjadi: Dari persamaan [2. semua fungsi turunan pertama parsialnya (δY/δX) sama dengan nol. ΣYi Xi .9] di atas merupakan modifikasi dari persamaan-persamaan [2. [2. .pdffactory. Dengan mengambil fungsi turunan pertama parsiil G terhadap b0 dan b1 serta menyamakannya dengan nol.13] dan [2.Ŷ [2. suatu syarat yang perlu dan khusus. 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. Persamaan (2. bahwa garis regresi penduga terbaik.b1 Xi) (.11] dan [2.

x1 2 = (X1 .16a].19b]. sistem persamaan normal [2.7. Oleh karena jumlah sampel = n diketahui dan jumlah-jumlah yang terdapat dalam sistem persamaan normal itu dapat dihitung dari data sampel. ΣYi Xi .16b].b1 ΣXi2 = 0 (Persamaan Normal 2) atau dapat ditulis [2.pdffactory.Y ) disebut dengan JK Y disebut dengan JK X disebut dengan JHK XY [2.Σb0 .14] dapat dilihat keteraturan dari cara-cara penyelesaianya. ΣYi . Σx = ΣX .com .b1 ΣXi = 0 ΣYi /n . 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. ΣYi Xi . [2. ΣYi Xi .X 1 ).2 Perhitungan nilai koefisien regresi linier sederhana Jika diperhatikan kembali sistem persaman normal dari persamaan [2.b1 X ) ΣXi .13].ΣX ΣY/n Dengan menggunakan persamaan [2.b1 ΣXi/n = Y [2.15]. Dari persamaan [2.X 2 ).17].18b].18a] sampai dengan persamaan [2.(ΣY) /n 2 2 2 [2. 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 − [2.15] ke persamaan [2.b0 ΣXi .13] dapat ditentukan nilai b0 yaitu dengan membagi persamaan tersebut dengan jumlah pengamatan (n) sehingga didapatkan persamaan dengan penyelesaian sebagai berikut: [2.18c]. Sehingga nilai b0 dan b1 dapat ditentukan dengan perhitungan seperti berikut.b1 ΣXi2 = 0 [2.14] dapat diselesaikan secara serentak untuk mendapatkan nilai b0 dan b1.16b] 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. dan y = (Y .( Y .(ΣX) /n [2.(ΣYi /n . y: [2.b1 X = 0 0 (Persamaan Normal 1) atau sehingga akhirnya menjadi: b0 = Y . b0 .b1 ΣXi2 = 0 Sebelum penyelesaian persamaan [2. dengan memasukkan persamaan [2.b1 ΣXi/n) ΣXi .b1 X Selanjutnya. b1 = [2. dan [2.13] dan [2.18c] maka perhitungan nilai b1 pada persamaan [2. 2 2 x2 = (X2 .Biasanya.13]. Σy = ΣY .19c]. b1 = ∑ X ∑Y n ( X )2 ∑ 2 ∑X − n 19 PDF created with pdfFactory Pro trial version www. Σxy = ΣXY . Y dengan x.16b] maka didapatkan nilai b1 menjadi: [2. Berikut ini diberikan hubungan antara X. 2.nb0 /n .19a].18a].14] di atas dapat ditentukan besarnya nilai b2.16].

ei = yi .22b] [2. ei = (Yi .22e] G = Σ ei 2 dengan membuka kurung maka atau Persamaan [2. Pengujian Garis Regresi Linier Sederhana Pengujian garis regresi secara statistika dapat dilakukan dengan tiga cara yaitu: 1).com . 3).b1 Xi [2. perlu dilakukan pengujian keberartiannya.8.8.21b].b1 xi.( Y . Dari Gambar 2. Dari persamaan [2.b1 (Xi . G = Σei(yi .b1 ΣeI xi) G = Σeiyi G = Σyiei G = Σyi (yi .20] di mana ei = Yi . sehingga dengan mengkuadrat 2 jumlahkan nilai ei. selanjutnya didapatkan Σei atau disebut dengan JK Galat Regresi dengan kode G.21c] yaitu pesamaan untuk nilai ei.21a].pdffactory.Sehingga persamaan regresi penduga Ŷ dari suatu pengamatan atau untuk pengaruh variabel bebas X terhadap variabel tak bebas Y menjadi: [2.20].Y.21c] sehingga atau sebab ΣeIxi = 0 sehingga G = Σeiei.b1 xi) G = Σeiyi .23a] [2. Uji ragam regresi atau uji F regresi Uji koefisien regresi dengan uji-t Uji r garis regresi 2.b1 X ) .15] b0 = Y . di mana JK Total atau JK Y sudah dapat dihitung dari data pengamatan. Dan jika persamaan [2.Y ) . Ŷ = b0 + b1 X Selanjutnya.22a] [2.4 dapat diuraikan bahwa persamaan [2.b1 X disubstitusikan ke dalam persamaan [2.21c]. 20 PDF created with pdfFactory Pro trial version www.b1 Σyi xi Ingat : Σyiyi = Σyi = JK Total = JK Y Σyixi = JHK YiXi = JHK XY b1 Σyi xi disebut dengan JK Regresi = JK Reg. 2). ei = Yi .b1 xi) Selanjutnya dari persamaan diatas didapatkan: [2.20] Ŷ = b0 + b1 X sehingga didapatkan pesamaan: [2.23c] didapatkan bahwa JK Galat Regresi sama dengan JK Total dikurangi dengan JK Regresi. Unuk menjawab pernyataan tersebut maka dapat dikatakan bahwa garis regresi penduga Ŷ = b0 + b1 X nyata secara statistika.b0 .bi Xi. untuk membuktikan bahwa garis regresi yang diperoleh tersebut merupakan garis regresi yang terbaik untuk menghampiri setiap titik-titik pengamatan X.b1 xi Dari persamaan [2. sehingga menjadi: [2.23b] [2.22d] [2.23c] sehingga dapat menjadi: 2 G = Σyiyi .22c] [2.X ) [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. 2. Ingat bahwa ei = yi .

JK Regresi = b1 JHK XY 2). JK Total = Jk Y = ΣY2 . Nilai-nilai Y . Sehingga sesuai dengan persamaan [2. + bp JHK XpY) Komponen penyusun Tabel Sidik Ragam Regresi adalah: 1). maka selanjutnya JK Galat Regresi disingkat dengan JK Galat. . dan ei di bawah ini.25a.JK Regresi Selanjutnya dihitung nilai KT atau varians seperti: 1). maka JK Regresi mempunyai rumus: [2.(ΣY)2/n 3). dan JK Galat) seperti berikut: [2. Ŷ. Yi. maka besarnya nilai F (F-hitung) adalah: [2.25a] [2. hubungan antara komponen-komponen pada analisis keragaman (JK Total.4. KT Regresi KT Galat = = JK Regresi /(DB Regresi) JK Galat/ (DB Galat) Berdasarkan pada asumsi sebaran normal untuk komponen pengganggu e. dan nilai-nilai Y .23c].25b] JK Regresi = b1 Σyi xi JK Regresi = b1 JHK XY atau dapat ditulis: Persamaan [2.com .26b] JK Regresi = b1 Σyi x1 + b2 Σyi x2 + . Untuk menyederhanakan penulisan dan pengertian di atas.4. JK Galat = JK Total . Ŷ.26a] [2. .24]. Yi. JK Regresi dengn JK Reg (tanpa titik) dan JK Total dengan JK Tot atau JK Y (tanpa titik). 2). JK Galat = JK Total . dan ei Sehingga. + bp Σyi xp JK Regresi = (b1 JHK X1Y + b2 JHK X2Y + .JK Regresi.b] berlaku umum untuk p variabel bebas X sehingga persamaannya menjadi: [2. JK Regresi.Perhatikan Gambar 2. 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.pdffactory. . .27] Fhit = KT Regresi KT Galat 21 PDF created with pdfFactory Pro trial version www.

dapat memberikan petunjuk apakah setiap variabel X menunjukkan pengaruh atau hubungan yang nyata terhadap variabel tak bebas Y. sehingga untuk pengujian koefisien regresi (bi). Jika Fhit > F(tabel 5%). Hal ini berarti bahwa terdapat hubungan linier antara pengaruh X terhadap Y.3.8.Hasil perhitungan keragaman di atas dibuatkan Tabel Sidik Ragam Regresi seperti pada Tabel 2. Jika Fhit ≤ F(tabel 5%). 2.Y. Atau dapat dikatakan ini berarti bahwa terdapat hubungan bukan linier pada pasangan pengamatan X. maka dapat dilakukan dengan uji t atau uji koefisien regresi apabila uji F signifikan.Y tersebut. Modifikasi dari pengaruh variabel bebas X terhadap variabel tak bebas Y atu uji F. Secara umum uji t mempunyai rumus adalah: W SW W nilai yang diuji. Jika uji F atau uji ragam regresi menunjukkan bahwa Fhit > F(tabel 5%) barulah dilanjutkan dengan uji t dan sebaliknya.3 berikut di bawah ini.2 Uji keberartian koefisien regresi (bi) atau uji t Pengujian yang dilakukan dengan uji F seperti cara tersebut di atas.pdffactory. Atau dapat dikatakan bahwa garis regresi penduga (Ŷ) linier sederhana yang didapat tersebut adalah garis regresi penduga yang terbaik untuk menghampiri pasangan pengamatan X. p. Hal ini berarti bahwa garis regresi penduga (Ŷ) linier sederhana yang didapat tersebut bukan garis regresi yang terbaik untuk menghampiri 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. 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. maka rumusnya menjadi: [2.29].com . 2). Tabel 2. 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. t-hitung W = [2.Y.28].n-2) dan α = taraf nyata ) Kreteria pengujian nilai Fhit adalah: 1).

dapat memberikan petunjuk apakah setiap variabel Xi memberikan pengaruh atau hubungan yang nyata terhadap variabel tak bebas Y. Pengujian yang dilakukan dengan cara tersebut di atas. yang berarti bahwa garis regresi penduga Ŷ tidak melalui titik acuan (X. Jika thit ≤ t(tabel 5%. Untuk pengujian b0 yang berarti bahwa b0 melalui titik acuan (titik 0. maka dapat 2 diduga dengan nilai S e atau KT Galat Regresi sampel yang mempunyai persamaan yaitu: [2. Dengan kata lain. Perhitungan nilai σBi didasarkan pada ragam galat regresi atau KT Galat Regresi. Kemudian t-hitung dibandingkan dengan t tabel yang biasa ditulis dengan: thitung ≈ ttabel (Di mana ttabel = t(α/2.30].31].32a]. Untuk b1. S2e = KT Galat Regresi = JK Galat Regresi /(n-p-1) 2 Selanjutnya. db galat) Hal ini dikatakan bahwa tolak H0.pdffactory.0) yaitu nilai Y = 0 jika X = 0. db galat) maka garis regresi penduga Ŷ dikatakan sejajar dengan sumbu X pada nilai b0.Y = 0. 23 PDF created with pdfFactory Pro trial version www. Sbi = var bi masing-masing untuk b0 dan b1 menjadi: Untuk pengujian b0 nilai salah baku menjadi: [2. Selanjutnya. Jika thit > t(tabel 5%. 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). Perlu diingatkan bahwa dalam pengujian di atas (baik uji F maupun uji t). Hal ini dapat dikatakan bahwa terima H0. Sb0 = = var b0  KT Galat Re gresi   n JK X  Untuk pengujian b1 nilai salah baku menjadi: [2.0).com . 2). ini berarti bahwa koefisien arah b1 yang berangkutan dapat dipakai sebagai penduga dan peramalan yang dapat dipercaya.Dari persamaan [2. Karena besarnya nilai σ e (Ragam Galat Regresi) populasi tidak diketahui.n-2) dan α = taraf nyata ) Berdasarkan hasil uji t ternyata bahwa kreteria pengujian nilai thit adalah: 1).29] dalam menyederhakan penulisan salah baku koefisien regresi bi yang biasa ditulis dengan σBi (salah baku = standard error koefisien regresi Bi). dalam uji t nilai salah baku bi yang ditulis (Sbi) mempunyai persamaan seperti berikut: [2. nilai salah baku koefisien regresi Sbi yang diperoleh. jika thit ≤ t(tabel 5%. Sb1 = = var b1 ∑X2      KT Galat Re gresi      JK X   Seperti dalam uji F. didasarkan metode kuadrat terkecil.32b]. db galat).

r = .87. Hubungan antara koefisien korelasi r dengan koefisien regresi b2. p (bi ± tα/2 Sbi Sbi) = 1.α atau [2.α. 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.35b]. Sedangkan. p {b0 . 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.33a].347.3 Uji keeratan hubungan atau uji r Pada uji-uji sebelum ini. rXY = Σxy Σx 2 Σy 2 JHK XY JK X JK Y atau [2.α untuk b0 untuk b1 2.35c]. seperti uji Ragam Regresi (uji F). p {bi .78.tα/2 Sbi ≤ βi ≤ bi + tα/2 Sbi} = 1. r = 0.tα/2 Sb1 ≤ β1 ≤ b1 + tα/2 Sb1} = 1. Jadi nilai koefisien korelasi itu selalu pecahan seperti: r = 0. Lihatlah kembali rumus koefisien regresi seperti [2.α [2.com .Rumus dari perkiraan nilai βi adalah sebai berikut di bawah ini: [2.0.34b].19c]. 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. Sepintas gambaran bahwa nilai r berkisar antara –1 sampai dengan + 1 atau sering ditulis dengan -1 ≤ r ≤ +2. p {b1 .34a].19c] dan koefisien korelasi r seperti [2. rXY = menjadi: [2. dan lain sebagainya. dan untuk setiap b0 dan b1 seperti: [2. uji Koefisien Regresi (uji t) berdasarkan nilai Varians Galat Regresi.35c]: [2.33b].8.35a]. Adapun rumus dari pada koefisien korelasi r adalah: [2.pdffactory.tα/2 Sb0 ≤ β0 ≤ b0 + tα/2 Sb0} = 1.

sehingga nilai SY SX = SY = 1.36h] b1 = r Yang jelas dalam uji r. n-2). apabila nilai koefisien regresinya (b1) negatif. sehingga persamaan [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 ) ) .19] dan [2.36e] sama-sama dibagi dengan didapatkan: [2. maka nilai koefisien korelasinya (r) juga negatif. rhitung ≈ rtabel (di mana rtabel = r(α/2.pdffactory.356] dapat ditulis menjadi: [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: [2.36b] b1 JK X = r [2.36c] b1 [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 [2.36e] b1 [2.[2.com . Nilai r tabel dapat dilihat pada tabel r yang susunannya serupa dengan tabel t.36f] b1 JK X n −1 KT X = r = r JK X n −1 KT Y atau atau [2. n-2 = db Galat. Dalam uji r yang umum dialakukan adalah membandingkan nilai koefisien korelasi r yang dihitung atau r hitung dengan r tabel.36g] menjadi: [2.36d] b1 Jadi: [2.36a] di atas dapat ditulis kembali menjadi: [2.36a] b1 JK X = r ( (JK X ) (JK Y ) ) Dari kesamaan [2.35c]. dan α = taraf nyata ) 25 PDF created with pdfFactory Pro trial version www.

38f]. t-hitung r = Berdasarkan hasil uji t untuk nilai r ternyata bahwa kreteria pengujian adalah: 1). Jadi [2.37a]. Selain pengujian r seperti di atas nilai r hitung dapat pula diuji dengan menggunakan uji t dengan rumus pengujian seperti berikut yaitu: [2. b1. [2. rXY 2 = JHK XY JK X JK Y 2 Modifikasi dari rumus r atau R adalah seperti berikut: [2. [2.35b]. db galat) Hal ini dikatakan bahwa tolak H0. 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(tabel 5%. 2).38c]. Jika rhitung > r(tabel 5%. 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 . yang berarti bahwa terdapat hubungan linier atau korelasi sederhana antara variabel yang satu dengan variabel yang lainnya. Hal ini dapat dikatakan bahwa tidak terdapat hubungan atau korelasi antara variabel yang satu dengan variabel yang lainnya. [2.38b].com .35b] seperti berikut. Hal ini dikatakan bahwa tolak H0.Berdasarkan hasil uji r ternyata bahwa kreteria pengujian nilai rhitung adalah: 1).38e].38d]. 2). Jika rhitung ≤ r(tabel 5%. db galat).37c]. [2. Jika thitung Hubungan lain antara parameter r. [2.37b]. dan dengan garis regresi penduga Ŷ dapat dijabarkan kembali melalui persamaan: [2. t-hitung r = Sr = [2.pdffactory. yang berarti bahwa terdapat hubungan atau korelasi antara variabel yang satu dengan variabel yang lainnya. Jika thitung ≤ t(tabel 5%. db galat) Hal ini dapat dikatakan bahwa tidak terdapat hubungan linier atau korelasi sederhana antara variabel yang satu dengan variabel yang lainnya. JK Total 26 PDF created with pdfFactory Pro trial version www. db galat).38a].

F-hitung = JK Galat /(n − 2) (n − 2) JK Re grasi [2. Sisanya 1 .42a].39d]. JK Total = KT Re grasi KT Galat JK Re grasi / 1 [2.42b].pdffactory. 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 .40] ke dalam persamaan [2. [2.r 2 ) JK Total sehingga didapatkan (n − 2) r 2 (1.com . sehingga Fhitung mempunyai rumus: [2.41c].39b].r .05).JK Galat r JK Total = JK Total . Jika Fhit > F(tabel 5%). 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.40].41a]. [2.39a]. Dalam analisis keragaman atau uji F regresi di mana: [2.41b].39c].r ) . [2. 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.41c] maka menghasilkan: [2. sehingga kreteria pengujian adalah: 1). Jika Fhit ≤ F(tabel 5%). F-hitung = JK Galat Masukan persamaan [2. 2). koefisien regresi b1. bahwa terdapat pengaruh antara variabel X terhadap variabel tak bebas Y. F-hitung F-hitung = = (n − 2) r 2 JK Total (1.JK Galat JK Galat JK Galat = JK Total . [2. Hal ini berarti bahwa terdapat hubungan linier yang nyata (p = 0.R yang menunjukkan persentase dari variasi total atau variabel Y yang disebabkan oleh faktor lain diluar X atau variabel selain X. dalam analisis keragaman regresi linier sederhana dan uji F di mana DB Regresi = 1 dan DB Galat = n – 2. JK regresi = JK Total . F-hitung = [2.Yang lebih penting dalam pembicaraan hubungan antara koefisien korelasi r.r 2 ) Kreteria pengujian nilai Fhitung sama seperti pengujian-pengujian di atas.r 2 ) r2 Selanjutnya. 27 PDF created with pdfFactory Pro trial version www. JK Total = (1 . Hal ini berarti bahwa garis regresi penduga (Ŷ) linier sederhana yang didapat tersebut bukan garis regresi yang terbaik. Atau sering diartikan bahwa koefisien determinasi R adalah persentase dari variabel tak 2 bebas Y yang dipengaruhi oleh variabel bebas X.

sehingga terdapat daerah atau range. n – 2) S Y ≤ μXY ≤ Ŷ + t(α/2.t(α/2. Ŷ .44]. dalam penaksiran diperlukan selang kepercayaan nilai γ yaitu sebesar 1 – α di mana α adalah peluang kesalahan tipe I. 28 PDF created with pdfFactory Pro trial version www. bahwa pemakaian persamaan penduga Ŷ = a + bX.43].pdffactory. Dalam perhitungan nilai selang kepercayaan juga menggunakan dasar Analisis Ragam Regresi. [2. ˆ ˆ ≤ Ŷ + t(α/2. Selanjutnya. 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. S 2ˆ = KT Galat Regresi 1 + + ˆ Y n    1 2.1 Interpolasi dan ekstrapolasi Jelaslah bahwa dari uraian di atas.33] bertujuan untuk mengetahui perkiraan nilai interval koefisien regresi populasi βi baik b0 maupun b2. yang umum disebut dengan selang kepercayaan Ŷ atau interval taksiran garis regresi penduga Ŷ. dapat dipakai sebagai peramalan dari nilai-nilai Xi yang belum diketahui.9. 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 _   . 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. Dengan demikian. n = jumlah penamatan atau sampel. 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.Taksiran nilai individu [2. dan b) penaksiran atau peramalan nilai individu Y apabila nilai Xi tertentu yang telah diketaui.2.   _ X = nilai rata-rata Xi. atau untuk mencari nilai Y apabila Xi telah ditentukan.t(α/2. 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.Taksiran nilai rata-rata.9 Peramalan atau Prediksi Garis Regresi Pembicaraan mengenai perkiraan nilai populasi beta (β) pada persamaan [2.com . JK X dan KT Galat Regresi dari Analisis Varians Regresi X0 = suatu nilai Xi yang telah diketahui atau ditentukan 2). masing-masing taksiran tersebut adalah: 1). n – 2) S Ŷ .

400 11.Di dalam penerapan praktis dari garis regresi penduga Ŷ = a + bX dipakai untuk mengadakan peramalan atau penafsiran.563 234.240 0.903 3.563 0. maka diberikan contoh olahan seperti di bawah ini.040 150.100 11.103 1.875 10.250 1.1 Perhitungan JK-JHK dan penentuan koefisien regresi linier sederhana b0 dan b1 Tabel 2.310 16.873 Y 0.900 10.540 5.4.600 7. 2.200 12.500 11.410 204.4.800 0.330 145.600 11. sebab garis regresi penduga tersebut harus tahan uji dari beberapa jenis pengujian garis regresi seperti yang telah diuraikan di atas. dan datanya seperti pada Tabel 2.903 18.090 79.950 15. 2).360 56.490 175.760 141.250 12.563 158.563 3.563 27.250 15.650 0.360 0. Ada dua pengertian pokok yang harus dipahami dalam penaksiran atau pendugaan adalah: 1).10. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Jumlah Rata2 X 9.250 141.250 126. 2.340 5.518 0.863 12.490 11.250 12.Interpolasi.900 178.210 112. seperti disebutkan di atas. Perhitungan Regresi Dua Variabel yaitu Variabel X dan Variabel Y No.000 2.900 14.063 110.423 0.750 1.pdffactory.Ekstrapolasi Pengertian interpolasi adalah penaksiran atau peramalan nilai-nilai Y.600 0.063 166.000 1.250 0.323 0.810 1.com .750 10.048 X2 95.300 8.300 13.305 26.900 24.555 Y2 0.720 0.338 7.300 5.890 1.950 1.700 1.720 1. 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.610 2183.500 11.253 13.908 1.125 14.050 1.261 XY 6.750 0.610 231. 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 1.305 198.500 0. yang datanya terdiri dari satu variabel bebas X (prediktor) yaitu nilai X dan satu variabel tak bebas Y yaitu nilai Y. Pengertian ekstrapolasi adalah penaksiran atau peramalan nilai Y.217 29 PDF created with pdfFactory Pro trial version www.063 1. 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.600 12.150 0.900 15.10 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.

(ΣY) /n 2 18.16893 X Sehingga.100)(5.16893) (11.(0. JK Total = = = = Σy 2 2 ΣY .(178.100)2/15 68. Selanjutnya.16893 Sehingga. Dalam pengujian garis regresi penduga terdapat tiga macam uji yaitu: 1).330 .43384 2 30 PDF created with pdfFactory Pro trial version www.ΣX1 ΣY/n 198.873) .(5.6037 2 2 2 JK X JHK XY Selanjutnya.720) /15 2. dari persamaan peduga di atas dapat diartikan bahwa setiap perubahan satu satuan X.16893 satuan Y.6893 0.(5.253 . dilakukan pengujian terhadap garis regresi penduga. Uji koefisien regresi atau uji terhadap bi atau uji t.4 di atas seperti berikut: 1). dilakukan perhitungan untuk mencari nilai b0 dan b1 seperti berikut ini.4338 Σx1 = ΣX1 .com . Nilai b1 adalah: b1 = = = Nilai b0 adalah: b0 = = = Ŷ Ŷ Y .95776 + 0.720)2/15 2. maka akan menyebabkan terjadinya perubahan Y sebesar 0.(178.pdffactory.(ΣX) /n 2183.95776 JHK XY JK X 11. 3).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.0.Perhitungan JK-JHK dari data di atas seperti: JK Y = = = = = = = = = Σy2 = ΣY2 .048 . dan JK Galat Regresi dari data Tabel 2.10.(ΣY)2/n 18. dan Uji koefisien korelasi atau uji r.908 .6893 Σx1y = ΣX1Y .6037 68. JK Regresi.0. persamaan peduganya menjadi: = = b0 + b1 X .908 . Uji F atau uji ragam regresi atau uji varians regrsi. 2.b1 X 1. 2).720)/15 11.

6037) 1.277853 = = 31 PDF created with pdfFactory Pro trial version www. dilakukan pengujian terhadap koefisien regresi b0 dan b1 dengan uji t seperti berikut.01) terhadap variabel tak bebas Y.5. maka di lanjutkan dengan membuat Tabel Analisis Keragaman atau Tabel Analisis Varians Regresi seperti pada Tabel 2.07 Jumlah sampel (n) = 15.67 9.47363/13 0.96021 = = = JK Total .43384 Kuadrat Tengah (KT) 1.96021 0.2).5 berikut.96021 JK Galat/ (DB Galat) 0.03643 2). KT Galat Regresi = = = Setelah perhitungan JK Total.01 Berdasarkan hasil analisis varians di atas ternyata bahwa Fhit > F(tabel 1%) atau dapat dikatakan bahwa hipotesis nol ditolak. 2.3 Pengujian koefisien garis regresi linier sederhana dengan uji t Setelah dilakukan pengujian dengan uji F maka selanjutnya.96021 0.330 15 x 68. KT Regresi = = = JK Regresi /(DB Regresi) 1.8037 ** F tabel 5% 1% 4.03643 2183.JK Regresi 2.2. JK Galat Regresi Selanjutnya. Bagan Sidik Ragam Regresi Dua Variabel Sumber Keragaman (SK) Regresi Residual Total Keterangan: ** Derajat Bebas (DB) 1 13 14 Jumlah Kuadrat (JK) 1.16893) (11. JK Regresi.com .96021/1 1. Tabel 2.43384 .pdffactory. dan KT Galat didapatkan.6893 0. JK Regresi = = = b1 JHK XY (0. KT Regresi.47363 2.47363 3). bi Secara umum uji t mempunyai rumus adalah t-hitung bi = S bi Selanjutnya. = berpengaruh sangat nyata pada p<0. dihitung nilai KT atau varians seperti: 1).10. Untuk pengujian b0 nilai salah baku Sb0 dari data di atas: Sb0 = KT Galat Re gresi ∑ X 2 n JK X 0. dalam analisis regresi dua variabel nilai salah baku bi yang ditulis dengan Sbi mempunyai persamaan seperti berikut. yang berarti bahwa terdapat pengaruh variabel bebas X yang sangat nyata (p<0.96021 0. JK Galat Regresi.03643 - F hitung 53.

131 dan t(1%.n-2) Sb0 ≤ β0 ≤ b0 + t(α/2. atau mempunyai slop sebesar 0.16893 = 0. 2).03643 68.277853 = .16893 X tidak sejajar dengan sumbu X.35750} = 1 .0.277853) ≤ β0 ≤ . Ternyata bahwa t-hitung > ttabel 1% baik untuk nilai b0 maupun untuk b2.131) (0.95776 + 0.95776 + (2.558029 ≤ β0 ≤ . uji t terhadap nilai koefisien regresi b1: t-hitung b1 = b1 Sb 1 0.16893 X tidak melalui titik 0.Untuk pengujian b1 nilai salah baku Sb1 dari data di atas: Sb1 = KT Galat Re gresi JK X 0.0.0.131) (0. selain untuk pengujian hipotesis. {Nilai t negatif sama dengan nilai positif (diambil harga Selanjutnya.95776 . Ini berarti bahwa dari analisis tersebut H0 ditolak baik untuk uji b0 maupun untuk uji b1 Sehingga.tα/2 sbi ≤ βi ≤ bi . dengan nilai salah baku koefisien regresi b0 dan b1 yang diperoleh.277853)} = 1.95776 + 0.335101 Berdasarkan hasil uji t ternyata bahwa nlai thitung yang diperoleh dibandingkan dengan ttabel atau t(5%.0 atau titik acuan. Garis regresi penduga Ŷ = .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 .tα/2 sbi} = 1. db galat = 13) yaitu sebesar 2.4470 mutlaknya)}.0.947. dapat dikatakan bahwa: 1).com .pdffactory. Garis regresi penduga Ŷ = .023030 = 7.023030 Uji t terhadap nilai koefisien regresi b0: t-hitung b0 = b0 Sb 0 .16893 Selanjutnya.6893 = = 0.95776 = 0.n-2) Sb0} = 1.0.13) = 2.1.α 32 PDF created with pdfFactory Pro trial version www.0.t(α/2.α p {.α p { .3. 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 .(2.

0 14.6 0.0 12.(2.35750 Untuk perkiraan β1 dengan nilai salah baku Sb1 dengan α = 5% dari data di atas didapatkan: p {b1 .0.100 2183.119176 sampai dengan 0.0 Pendapatan Petani ( x 100.4 1.21868 Berdasarkan perhitungan di atas maka dapat dibuat gambar Garis Regresinya seperti berikut: 2.n-2) Sb1 ≤ β1 ≤ b1 + t(α/2.000 1.0 16.0 10.8 0.α Jadi perkiraan nilai β1 berkisar antara 0.54% 2.1689 X R2 = 80.1 di atas seperti: ΣX = 2 ΣX = ΣXY = 178.253 ΣY 2 ΣY = = 15.0 1.023030) ≤ β1 ≤ 0.131) (0.com .0.720 18.6 1.n-2) Sb1} = 1.α p {0.908 33 PDF created with pdfFactory Pro trial version www.α Y = .2 1.10. 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. Selanjutnya.t(α/2.0 0.4 Pengujian garis regresi linier sederhana dengan uji r Pada uji-uji sebelumnya seperti uji F dan uji t telah dilakukan.9578 + 0.16893 + (2. 000) untuk b0 p {0.2 6.131) (0.023030)} = 1.21868} = 1 .16893 .8 Konsumsi Daging x100.Jadi perkiraan nilai β0 berkisar antara .1.0 8.119176 ≤ β1 ≤ 0.330 198.558029 sampai dengan .4 0.pdffactory.

Ternyata bahwa t-hitung > ttabel 1%. dengan rumus pengujian seperti berikut: t-hitung = r . Jadi r hitung = 0. Hal ini dapat dikatakan bahwa tolak H0 yang berarti bahwa terdapat hubungan atau korelasi yang sangat erat antara variabel X dengan variabel Y.947.720) 2   2183. 13) = 0.642.100) 2   (15.13) = 2.51653 Berdasarkan hasil uji t.com . 34 PDF created with pdfFactory Pro trial version www.642.908 −     15 15    198. Nilai ttabel atau t(5%.330 −  18. dengan n = 15 maka: Nilai r tabel 5% = r(5%.13765 = = 6. n-2). maka nilai thitung ≈ ttabel.897 2 ) (15 − 2) 0.pdffactory.131 dan t(1%. Hal ini dapat dikatakan bahwa terdapat hubungan atau korelasi yang sangat erat antara variabel bebas X dengan variabel tak bebas Y. pengujian r seperti di atas. 13) = 0.514. nilai r dapat pula diuji dengan uji t.13765 (1 − r 2 ) (n − 2) (1 − 0. Nilai r tabel = r(α/2. Sr Di mana Sr = salah baku r dengan rumus: Sr Sr = = = Sehingga: t-hitung = r Sr 0. Selain. db galat = 13) yaitu sebesar 2.720) 15  (178.897 = 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.100) (15.897 0.897 > r tabel 1% = 0.53 − 0. dan Nilai r tabel 1% = r(1%.Sehingga: r = 178.

8054. di mana α = 5%. Sebagai contoh: taksiran nilai rata-rata μXY untuk X0 = 10. 13) = = = = = = = 0.0.131) (0.0.Berdasarkan perhitungan koefisien korelasi r di atas.73154 + (2.54% variasi keragaman total Y atau variasi Y dapat diterangkan oleh variasi X.R = 19. maka didapatkan koefisien determinasi R2 = (0. atau dapat diartikan bahwa 80.7022 0.76088 35 PDF created with pdfFactory Pro trial version www.(2.54% dari variabel tak bebas Y dipengaruhi oleh variabel bebas X.pdffactory.73154 .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%.873) 2  0. 2.95776 + 0. n – 2) S Y ≤ μXY ≤ ≤ μXY ≤ Ŷ + t(α/2. Dengan menggunakan dasar perhitungan analisis ragam regresi dan KT Galatnya seperti di atas didapatkan taksiran nilai rata-rata seperti berikut ini.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. Hal ini diartikan bahwa 80. n – 2) S Y ≤ μXY ≤ Ŷ + t(α/2.131) (0.95776 + 0.16893 (10) = 0.6893  15       =      = 0.t(α/2.873 10 2.01377 Selanjutnya.03643  + 68.03643 15 11. n – 2) S Y 0. 2 Sisanya 1 .73154 68. sehingga γ = 95%.0138) ≤ μXY ≤ 0. dengan nilai Ŷ menjadi: Y Ŷ = .16893 X = .6893 0.0138) 0.5 Peramalan atau prediksi pada garis regresi Dalam perhitungan taksiran atau ramalan garis regresi diperlukan selang kepercayaan γ yaitu sebesar 1 – α. seperti berikut: Ŷ . 1).46% dari variasi total Y dipengaruhi oleh faktor lain diluar X atau variabel selain X. taksiran nilai rata-rata μXY: Ŷ .com . n – 2) S .10.897)2 = 0.t(α/2.

873 10 2.73154 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%.6893   0.95776 + 0.0138) 0. Untuk taksiran individu nilai-nilai Xi yang lain dapat dihitung seperti cara di atas.73154 .(2. 13) = 0.69835 ≤ Y 0. n – 2) S ˆˆ ≤ Y ˆ ˆ Y Y Ŷ = . 2).6 di bawah ini.873) 2 0. Untuk taksiran rata-rata nilai-nilai Xi yang lain dapat dihitung seperti cara di atas.131) (0. 69835 sd 0. taksiran rata-rata untuk Xi = X0 = 10.131 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 − 11.6893 0.03643 15 11.16893 X = . n – 2) S ˆˆ Y ˆ ˆ ≤ 0.0138) ≤ Y ˆ ˆ ≤ 0. n – 2) S Ŷ .pdffactory. n – 2) S ˆˆ Y ˆ ˆ ≤ ≤ Y Ŷ + t(α/2.76088.03643  1 + +  15 68. 36 PDF created with pdfFactory Pro trial version www.Jadi.01558      Selanjutnya.76473 ˆ ˆ berkisar antara 0.16893 (10) = 0. ˆ ˆ untuk X0 = 10.t(α/2. seperti berikut: Sebagai contoh: taksiran nilai individu Y ˆ ˆ ≤ Ŷ . Hasil perhitungan taksiran rata-rata dan individu nilai-nilai Xi yang lain dapat dilihat pada Tabel 2.0.73154 + (2. taksiran nilai individu: Ŷ .95776 + 0. Jadi.7022 sd 0.com .131) (0. maka Y 76473. taksiran individu untuk Xi = X0 = 10. maka μXY berkisar antara 0.0.73154 68.t(α/2.t(α/2.

221 1.200 12.653 0.800 0.241 1.119 1.789 0.546 0.150 0.250 12. 2.499 1.943 1.574 0.750 0.0 14.048 0.592 0.199 1.813 0.924 1.595 0.069 No.129 1.6 Hasil Perhitungan Taksiran Rata-rata μXY dan Taksiran Individu ˆ ˆ dari Nilai-nilai Xi Y X 9.Tabel 2.159 1.8 1.0 0.036 ˆ ˆ upper Y 0.932 1.720 0.417 1.112 1.853 0.794 0.833 0.900 Y 0.750 10.900 10.458 1.953 1.650 0.816 0.com .254 1.858 0.300 8.205 1.0 10.095 1.250 1.250 15.500 0.309 1.600 11.281 1.656 0.843 0.726 0.050 1.682 0.000 1.900 15.664 1.302 1.057 1.6 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.0 8.151 1.6 Konsumsi daging 1.8 0.0 Pendapatan 12.499 0.680 0.6 di atas.689 0.838 0.950 Ŷ 0.807 0.250 12.069 1.4 0.379 1.420 1.105 1.750 1.238 1.4 1.496 1.600 0.500 11.571 0. Karena ˆ ˆ yang sangat sempit maka gambarnya kelihatan tiga perbedaan nilai antara μXY dan Y garis yang seharusnya lima garis seperti pada Tabel 2.497 0.700 1.036 1.259 1.2 6.627 0.239 1.2 1.500 11.0 16.722 0.558 1.190 1.950 1.610 1.961 1.0 1.0 Data pada Tabel 2.053 1.377 1.300 13.183 1.600 7.900 14.6 37 PDF created with pdfFactory Pro trial version www.244 1.900 1.053 ˆ ˆ lower μXY lower μXY upper Y 0.048 1.057 0.pdffactory.307 1.556 1.171 1.662 1.

sebab nilai Xi = 10 berada di dalam antara X1 dan Xn.7904 0.5 dan X = 15.0.8974 0.0.0% 99. atau untuk mencari nilai Y apabila Xi telah ditentukan. dan lain sebagainya.pdffactory.2. SPSS.5 dan Xi = 15 berada di luar Xminimum dan Xmaksimum.35750 .27785 .0.0% Intercept .2.79474 .02303 7.8037 Significance F 0.0364 F 53. pemakaian persamaan penduga Ŷ = b0 + b1X.0000 0.95776 + 0.12079 X1 0.1909 15 Table 2. sebab nilai Xi = 7.7 Regression Statistics Multiple R R Square Adjusted R Square Standard Error Observations Table 2. seperti X = 10 maka nilai Y penduga = 0.95776 + 0.21868 0. seperti X = 7.4470 0.11918 0. Nilai ekstrapolasi adalah nilai taksiran atau nilai ramalan dari nilai Y.16893 X terletak di luar batas daerah ruang X1 dan Xn.16893 X dapat dipakai untuk mengadakan peramalan atau penafsiran interpolasi dan ekstrapolasi Nilai interpolasi adalah nilai taksiran atau nilai ramalan dari nilai-nilai Y. jika harga-harga Xi yang dimasukkan ke dalam persamaan regresi penduga Ŷ = .0. 1 Summary Output Excel Table 2.0.4736 2.55803 .3.0. Sistat. 2.09956 0.16893 X terletak di dalam daerah ruang gerak X1 dan Xn. Di dalam penerapan praktis dari garis regresi penduga Ŷ = .23830 Var 38 PDF created with pdfFactory Pro trial version www. maka nilai Y penduga = 0.00433 . Minitab.30922 dan 1. dapat dipakai sebagai peramalan dari nilai-nilai Xi yang belum diketahui.8 ANOVA SV Regression Residual Total DB 1 13 14 SS 2.9602 0.95776 0.8054 0.3351 0.com .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.57615. Statistica.00001 0.95776 + 0.11 Interpolasi dan ekstrapolasi Jelaslah bahwa dari uraian di atas. Dalam hal ini akan diberikan contoh keluaran komputer dengan program Excel seperti pada tabel berikut.9602 0.4338 MS 2.2.16893 0. jika harga-harga Xi yang dimasukan ke dalam persamaan regresi penduga Ŷ = .9 Parsial Regression Coefficients Standart t Stat P-value Lower Upper Lower Upper Error 95% 95% 99.73154.

DF = Degrees of Freesom atau = Derajat Bebas (DB). adalah garis regresi yang terbaik untuk menerangkan bahwa variabel bebas X (pendapatan petani) berpengaruh sangat nyata terhadap variabel tak bebas Y (pengeluaran petani).01) mempunyai kesimpulan yang sama dengan Fhit > F(tabel 1%).54% dari variabel tak bebas Y dipengaruhi oleh variabel bebas X. Sebagai contoh dari hasil analis tersebut di atas didapat nilai F = 53. SS = Sum of Squares atau = JK.05) mempunyai kesimpulan yang sama dengan Fhit > F(tabel 5%).8037 dengan significance F = 0.05) mempunyai kesimpulan yang sama dengan Fhit ≤ F(tabel 5%). nilai significance F dibandingkan peluang (p) standar yaitu 5% dan 1%. Di mana SV = Sumber Variasi (SV) atau Sumber Keragaman (SK). Ini berarti tolak H0 yang menyatakan bahwa garis regresi penduga Ŷ = .com . 1). F = F-hitung. hal ini berarti terima H0 yang menyatakan bahwa garis regresi penduga (Ŷ) linier sederhana yang didapat tersebut bukan garis regresi yang terbaik. 39 PDF created with pdfFactory Pro trial version www. 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. Significance F adalah sama dengan nilai peluang dari nilai F-hitung.16893 X.0. Apabila nilai signifikanse F < (p = 0. 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.8974. Apabila nilai significance F ≥ (p = 0. MS = Means Squarwes atau KT.95776 + 0. R Square adalah sama dengan koefisien determinasi R2 yang menunjukkan variasi keragaman total Y yang dapat diterangkan oleh variasi variabel X.pdffactory. Akan tetapi. Atau variabel bebas X tidak berpengaruh terhadap variabel tak bebas Y.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. 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.0000. Apabila nilai significance F < (p = 0.8 ANOVA KT Y n Pada Tabel Anova adalah persis sama dengan Sidik Ragam Regresi.Penjelasan tabel di atas seperti berikut: Table 2. Dalam hal ini nilai F-hitung tidak dibangingkan dengan F tabel seperti biasa. atau dapat diartikan bahwa 80. 2).

02303.05) mempunyai kesimpulan yang sama dengan thit ≤ t(tabel 5%).0). yang berarti bahwa garis regresi penduga Ŷ = .0). Untuk b1.95776 + 0.05) mempunyai kesimpulan yang sama dengan thit > t(tabel 5%).pdffactory.0) 2). Apabila nilai P-value < (p = 0.com .16893. Standart Error di sini menunjukkan nilai yang sama dengan Sb0 dan Sb1 dalam pengujian b0 dan b1. Intercept sama dengan b0 jarak antara titik potong garis regresi penduga Ŷ dengan titik acuan (0.Tabel 2.0.0.95776 + 0.44702 dan S bi b1 = 7. Sebagai contoh Standart Error untuk b0 (Sb0) = 0.16893 X.05) mempunyai kesimpulan yang sama dengan thit ≤ t(tabel 5%). Apabila nilai P-value ≥ (p = 0. t Stat sama dengan t-hitung untuk b0 dan b1 dengan rumus umum seperti: bi thitung bi = .27785 dan Standart Error untuk b1 (Sb1) = 0. Apabila nilai P-value < (p = 0. Masing-masing b0 = .0.05. tidak melalui titik acuan (0. Standart Error dalam Tabel 3 ini berbeda dengan Standart Error dari Tabel 2. arinya mempunyai slop atau kemiringan = 0.3.16893 dan sangat nyata. Ini berarti tolak H0 karena P-value < 0. yang berarti bahwa garis regresi penduga Ŷ = . 40 PDF created with pdfFactory Pro trial version www. hal ini berarti tolak H0 yang menyatakan bahwa garis regresi penduga (Ŷ) linier sederhana melalui tidak melalui titik acuan (0.95776 dan b1 = 0. Demikian juga didapatkan nilai P-value untuk b1 = 0. hal ini berarti terima H0 yang menyatakan bahwa garis regresi penduga (Ŷ) linier sederhana sejajar dengan sumbu X pada nilai b0. dalam analisis ini adalah X. 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. 2). hal ini berarti terima H0 yang menyatakan bahwa garis regresi penduga (Ŷ) linier sederhana melalui titik acuan (0.16893 X. Apabila nilai P-value ≥ (p = 0. Sehinga nilai t-hitung untuk masing-masing b0 = . Untuk b0. maka 1). maka 1). nilai P-value dibandingkan peluang (p) standar yaitu 5% atau 1%. P-value adalah sama dengan nilai peluang dari nilai t-hitung. Ini berarti tolak H0 karena Pvalue < 0. Sebagai contoh dari hasil analisis tersebut di atas didapatkan nilai P-value untuk b0 = 0. Akan tetapi. Dalam hal ini nilai t-hitung tidak dibangingkan dengan t tabel seperti biasa.05. 1). adalah garis regresi penduga tidak sejajar dengan sumbu X. Coefficients sama dengan bi dalam hal ini sama dengan b0 dan b2.00002.9 Parcial Regression Var adalah sama dengan variabel yang akan dijelaskan.0).05) mempunyai kesimpulan yang sama dengan thit > t(tabel 5%).00433.33510.

Lower dan Upper adalah sama dengan perkiraan nilai interval b0 dan b1 atau pendugaan nilai β0 dan β1 dengan rumus: p {bi .35750 untuk nilai α = 5%.α tergantung pada nilai α yang dipakai 5% atau 1%.pdffactory. Perkiraan nilai β1 berkisar antara 0.1.0.12079 untuk α = 1%.09956 sampai dengan 0. 41 PDF created with pdfFactory Pro trial version www.21868 untuk α = 5%. Nilai 95% atau 99% = 1.79474 sampai dengan . . 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%.558029 sampai dengan .1.tα/2 sbi} = 1. dan antara .tα/2 sbi ≤ βi ≤ bi .23830 untuk α = 1%. dan antara 0. Sebaliknya.) berarti dalam uji t-hitung bi menunjukkan signifikansi yang nyata pada taraf α = 5% atau 1%.0. Perhatikan nilai Lower dan Upper.119176 sampai dengan 0.com . apabila nilai Lower dan Upper bersifat definit positif atau definit negarif artinya baik Lower maupun Upper mempunyai tanda bilangan yang positif atau negarif ( + .α . Perkiraan nilai β0 berkisar antara .