P. 1
2_. Analisis Regresi Linier Sederhana

2_. Analisis Regresi Linier Sederhana

|Views: 13|Likes:
Published by Isnanda Syafriki

More info:

Published by: Isnanda Syafriki on Apr 07, 2013
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

12/10/2013

pdf

text

original

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

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

Untuk membuat ramalan antara variabel X dengan variabel Y.2] adalah suatu bentuk persamaan yang paling sederhana dari regresi linier sederhana. maka variabel X dan variabel Y tersebut harus mempunyai hubungan yang kuat. Apabila hubungan antara dua variabel atau lebih bersifat kausal atau hubungan sebab-akibat.5.1] akan menjadi: [2.com . Y = X Persamaan [2. Setelah jelas mana variabel X dan variabel Y. Apakah beda antara analisis regresi dengan analisis-analisis yang lain ? Sebagai contoh apa perbedaan antara analisis regresi dengan analisis keragaman atau analisis varians. tetapi kadang-kadang hal tersebut sangat sulit ditelusuri antara yang mana variabel bebas X maupun yang mana variabel tak bebas Y. A disebut intercept coefficient atau intersep yaitu jarak titik asal atau titik acuan dengan titik potong garis regresi dengan sumbu Y. Y = A + BX Apabila A dan B mengambil nilai seperti: A = 0 dan B = 1. perbedaan tersebut terletak pada yaitu: dalam analisis keragaman tidak mencari bentuk hubungan antara variabel-variabel seperti pada analisis regresi. Dalam hal-hal tertentu. Biasanya variabel tak bebas Y adalah variabel yang diramalkan dan variabel bebas X yang telah ditetapkan sebagai peramal yang disebut prediktor. penentuan variabel bebas X dan variabel tak bebas Y sangat mudah.2]. yaitu perbedaan antara variabel bebas X atau variabel yang dipelajari. Analisis regresi sebagai alat untuk melakukan peramalan atau prediksi atau estimasi atau pendugaan yang sangat berguna bagi para pembuat keputusan. seperti pada Tabel 2. Jadi antara analisis korelasi dan analisis regresi mempunyai kaitan yang sangat erat (akan dibicarakan di belakang). melainkan mencari perbedaan pengaruh perlakuan atau objek. 11 PDF created with pdfFactory Pro trial version www. Dari persamaan garis regresi [2.1 berikut ini. dalam hubungan tersebut terdapat satu variabel bebas X dan satu variabel tak bebas Y.1] A dan B disebut konstanta atau koefisien regresi linier sederhana atau parameter garis regresi linier sederhana.1] yaitu pengaruh tingkat pendapatan dengan konsumsi makanan bagi petani pedesaan. Kuat tidaknya hubungan antara variabel bebas X dan variabel tak bebas Y didasarkan pada analisis korelasi. maka variabel yang sebagai sebab merupakan variabel bebas atau variabel X dan akibat yang ditimbulkannya menjadi variabel tak bebas atau variabel Y.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. dengan mengukur respon dari perlakuan atau variabel X yang dinyatakan dengan variabel tak bebas Y yang sering disebut hasil atau akibat perlakuan. Sehingga segala analisis statistika yang berkaitan dengan hal tersebut dinamakan dengan analisis regresi. 2.1] di atas. Tujuan utama dari analisis regresi adalah untuk memberikan dasar-dasar peramalan atau pendugaan dalam analisis peragam atau analisis kovarian. Sebagai ilustrasi hubungan antara variabel bebas X dan variabel tak bebas Y diberikan contoh dari persamaan [2.pdffactory. Dari persamaan [2. maka selanjutnya perlu menentukan pola hubungan atau bentuk hubungan yang dinyatakan dalam bentuk persamaan matematik yang menyatakan hubungan fungsionalnya. dan B disebut slope coefficient atau slup yang menyatakan atau menunjukkan kemiringan atau kecondongan garis regresi terhadap sumbu X.1 Persamaan regresi linier sederhana Bentuk hubungan yang paling sederhana antara variabel X dengan variabel Y adalah berbentuk garis lurus atau berbentuk hubungan linier yang disebut dengan regresi linier sederhana atau sering disebut regresi linier saja dengan persamaan matematikanya adalah sebagai berikut: [2.1].persamaan [2.

Y.Y inilah yang akan menentukan persamaan regresi yang dibuat sesuai dengan asumsi atau model yang digunakan.Tabel 2. 12 PDF created with pdfFactory Pro trial version www. Sejumlah pasangan antara nilai X.1].5. 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 225.2 Garis regresi linier sederhana Sekarang bagaimana caranya membuat persamaan garis regresi linier sederhana seperti Gambar 2.Y merupakan hubungan sebab (X) dan akibat (Y).1. Model Linier Garis Regresi 2. Bagaimana persamaan regresi akan ditentukan jika hasil pengamatan atau yang berupa pasangan-pasangan nilai pengamatan antara X.Y tersebut dapat dicari bentuk hubungan atau garis regresi antara variabel bebas Y atas variabel tak bebas X yang dtulis dengan Y/X. No.Y telah didapatkan. Penentuan garis regresi antara variabel bebas X dengan variabel tak bebas Y. Setiap pasangan nilai X. yang mempunyai bentuk persamaan matematis: Y = A + BX seperti pada persamaan [2. yang mempunyai pengertian bahwa: setiap variabel bebas X akan memberikan atau menghasilkan suatu nilai variabel tak bebas Y yang tertentu.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 2.1 di atas dapat dibuat garis regresi liniernya seperti Gambar 2.1 di atas. sehingga antara variabel X dan variabel Y yang tertentu akan menjadi pasangan-pasangan tetap disebut dengan pasangan nilai X.1.pdffactory.com . Dari Tabel 2. Sehingga dari pasanganpasangan nilai X. sering disebut regresi Y atas X ditulis dengan Y/x.

3 Penetuan garis regresi linier sederhana Untuk menentukan garis regresi berdasarkan pasangan-pasangan nilai X. Garis regresi yang melalui dua buah titik pengamatan P dan Q. melalui dua buah titik dapat dibuat sebuah garis lurus yaitu PQ yang akan dicari persamaannya. 1 2 Pengaruh Tingkat Pendapatan terhadap Konsumsi Makanan Bagi Petani Pendapatan 125 150 Konsumsi 75 100 Sehingga garis regresi linier yang dapat dibuat dari Tabel 2. Maka dapat dibuat persamaannya dengan menggunakan dua buah titik. jika sebaran titik-titik pasangan X. di mana kedudukan kedua titik tersebut adalah bebas atau sembarang pada garis regresi yang melewati. Pendekatan matematis dengan metode kuadrat terkecil atau least squares method atau sering disebut dengan metode ordinary list squares (OLS).2.1 di muka antara tingkat pendapatan (X) dengan konsumsi (Y) diambil sebagaian saja seperti pada Tabel 2. Dari persamaan tersebut dengan penyelesaian matematika sehingga akan didapatkan bentuk persamaan liniernya seperti persamaan [2. Jika pencaran atau sebaran titik pasangan X. tetapi melengkung atau non linier yang paling menghampiri.pdffactory.Y.2.Y diberikan dua metode yang umum yaitu: 1).5. yang dapat melalui semua titik-titik pasangan X. Bahwa suatu garis regresi yang akan didapat dan akan mendekati titik-titik pasangan X. Perhatikan sudut β yang sisi-sisi siku-sikunya adalah ∆Y = Y2 .X1 sehingga tangen sudut β = ∆Y/∆X. Untuk hal tersebut dan menentukan analisis dan gambarnya dapat dilihat bentuk-bentuk hubungan pada bukubuku matematika. maka kumpulan titik-titik tersebut dapat memberi petunjuk untuk memperkirakan garis regresi yang akan dibuat. Dengan memperhatikan letak titik-titik pasangan pada absis X dan ordinat Y. Diagram pencar didapatkan dengan menggambar titik-titik pasangan pengamatan antara X dan Y atau X. Tentu saja atau pada umumnya tidak dapat ditarik atau digambarkan suatu garis regresi yang sederhana. maka cukup beralasan untuk menduganya dengan persamaan regresi linier sederhana atau regresi garis lurus.Y tersebut disekitar garis lurus.2 seperti pada Gambar 2.2 berikut. Bentuk mana yang paling sesuai atau paling dihampiri oleh titik-titik pasangan tersebut.com . Dasar teori.Y tersebut bukan linier.2. Dilain pihak.1]. No. Tabel 2. 2).Y pada suatu sistem salib sumbu atau sistem koordinat. Metode ini hanya dapat dilakukan oleh seorang ahli dan berpengalaman seperti pada Gambar 2.Y. 13 PDF created with pdfFactory Pro trial version www. Untuk pendekatan linier atau regresi linier sederhana. perhatikan diagram pencar berikut yang berasal dari Tabel 2. 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. Metode tangan bebas.Y1 dan ∆X = X2 . maka persamaan garis PQ menjadi: Y = A + β X.

0) dengan perpotongan antara sumbu tegak Y dengan garis linier atau besarnya nilai variabel Y. Suatu pertanyaan yang berhubungan dengan hal tersebut di atas adalah: "Kapankah suatu garis regresi dapat dikatakan sebagai garis regresi yang baik?". yang menunjukkan garis-garis regresi linier dari beberapa pengamatan. yang dipakai untuk menghampiri titik-titik P. Oleh karena dalam pembicaraan ini hendak berusaha mencari cara untuk menentukan persamaan garis regresi linier sederhana yang baik atau yang terbaik. 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. apabila nilai X = 0.pdffactory. Perhitungan β = ∆Y/∆X Secara Sederhana 2. Dengan demikian kembali ke Gambar 2.6 Pendekatan Matematis Regresi Linier Sederhana Adalah tidak mungkin untuk memperkirakan bentuk hubungan antara dua variabel atau lebih tanpa diawali dengan membuat asumsi terlebih dahulu.3 di atas yang manakah dari ketiga garis tersebut termasuk garis regresi yang terbaik. Perhatika Gambar 2. juga dapat dipergunakan sebagai pendekatan bentuk hubungan yang bukan linier (non linier) menjadi bentuk linier. B sering disebut kemiringan atau kecondongan garis regresi atau slope atau slope coefficient adalah tangen sudut yang dibuat oleh garis regresi dengan sumbu X. Suatu bentuk hubungan atau fungsi linier atau regresi linier di samping mudah interprestasinya. Fungsi linier sama dengan persamaan linier atau model linier atau regresi linier yang mempunyai bentuk hubungan atau bentuk fungsi: Y = A + BX. 14 PDF created with pdfFactory Pro trial version www. Seperti pada persamaan [2. yaitu parameter yang digunakan. Dalam beberapa hal dimungkinkan untuk mengecek atau menguji asumsi atau hipotesis setelah bentuk hubungan itu diperkirakan. YPR. dan YQR yang merupakan garis regresi terbaik sebagai penghampir titik-titik pasangan pengamatan Xi.1] A dan B adalah konstanta.com . A ialah: jarak titik acuan (0.X1 ∆ Y = Y2-Y1 Y2 A Y1 X1 140 Pendapatan X2 160 Gambar 2. Untuk itu haruslah terlebih dahulu mengetahui apa yang dimaksud dengan garis regresi yang baik.2.3 di bawah ini.125 Q 100 P Konsunsi 75 50 25 0 120 β ∆X = X2 . Q dan R. Apabila ada garis tertentu selain ketiga garis YPQ.Yi sebagai garis regresi tersebut. maka variabel Y bertambah atau menurun atau berubah sebanyak B kali.

serta banyak lagi nilai-nilai yang lainnya. Ŷ = b0 + b1 X [2. 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. 15 PDF created with pdfFactory Pro trial version www. Ŷ = α + β X [2.3. salah ukur. Faktor-faktor tersebut yang dapat terdiri atas: salah hitung.3a]. Ŷ = b1 + b2 X Suatu hal yang harus dipahami bahwa dalam pendugaan garis regresi. resiko tersebut hendaknya dibuat sekecil-kecilnya atau minimal. Ŷ = β0 + β1 X [2.4c]. alat kurang sempurna. tidak hanya tergantung pada variabel bebas X saja.3b]. besarnya nilai variabel tak bebas Y.4a].pdffactory. 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. Ŷ = β1 + β2 X [2. dan nilai-nilai kebetulan.5]. Ŷ = a + b X [2. Sehingga garis regresi linier sederhana dengan persamaan penduga menjadi : [2. Faktor-faktor tersebut secara keseluruhan dinamakan kesalahan pengganggu (disturbance error) yang diberi simbul dengan e.3c].150 R 125 100 75 50 25 0 120 Q P Konsunsi Ŷ=α+βX 140 Pendapatan Gambar 2. Untuk melakukan dugaan atau membuat keputusan selalu ada resiko walaupun betapa kecilnya.4b]. salah catat. Oleh karena itu. tetapi ada faktor-faktor lain yang ikut mempengaruhi.com . 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).

pdffactory.Ŷ Untuk sejumlah n pasangan pengamatan.Karena dalam suatu pendugaan nilai A dan B tidak dapat dihitung (belum diketahui nilainya). 150 125 Konsumsi 100 75 50 25 0 120 130 140 Pendapatan Gambar 2. sehingga garis regresi linier penduga mempunyai bentuk persamaan: [2. e = Yi . dengan nilai penduga Ŷ dan dengan nilai pengamatan Yi dapat ditulis: [2. Nilai Pengamatan Yi. dan ei. maka penulisannya menjadi seperti: [2. dan dapat pula berharga nol bila nilai pengamatan Yi berada tepat pada garis penduga Ŷ.3.7a]. Ŷ = b0 + b1 X untuk sampel Jadi a dan b atau b0 dan b1 sebagai penaksir A dan B.3 dengan menggambar scatter diagram dengan Ŷ. ei = Yi . biasanya ditaksir dengan nilai a dan b atau dengan nilai b0 dan b1. Seperti yang ditunjukkan pada Gambar 2. Nilai Penduga Ŷ. Yi.7b].(b0 + b1 X) atau Nilai e sebagai penduga nilai kesalahan E adalah kesalahan penggangu populasi dan e adalah kesalahan penganggu sampel. Nilai e dapat berharga positif bila nilai pengamatan Yi berada di atas garis penduga Ŷ.6]. Ŷ = b0 + b1 X dan Yi = Ŷ + e [2. Hubungan antara nilai kesalahan e. 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.com .8].

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

Xi) = 0 Perhatikan faktor pengali yang berada dimuka tanda sama dengan (=). maka diperoleh persamaan-persamaan seperti: [2.7b]. Persamaan (2. bahwa garis regresi penduga terbaik.Σb0 .1) = 0 Turunan Σe i atau G terhadap b1 menjadi: Dari persamaan [2. 2 2 2 dapat ditulis: 18 PDF created with pdfFactory Pro trial version www. [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 = 0.11] turunannya menjadi: δG/δb0 = 2 Σ(Yi . ei = Yi .b1 ΣXi = 0 [2. dan b1 adalah sebagai berikut: Dari teori minimum dan maksimum atau harga ekstrim dalam teori kalkulus (defrensial & integral) dapat dinyatakan bahwa suatu fungsi f(X1. Oleh karena itu. Apabila dari persamaan-persamaan [2.Manipulasi matematis dari metode kuadrat terkecil akan menghasilkan koefisien a dan b. suatu syarat yang perlu dan khusus.7b] yang ditulis kembali seperti: [2. . . Perhatikan pengali dari setiap penaksir-penaksir yang berhubungan koefisien regresi seperti b0 dan b1 Apabila syarat-syarat dalam meminimalkan G dipenuhi. 2 Sehingga fungsi turunan Σe atau G terhadap setiap nilai b0. maka diperoleh dua persamaan seperti di bawah ini. Pernyataan matematis di atas dapat dijabarkan menjadi: Ŷ = b0 + b1 X dan Y = Ŷ + e sehingga ei = Yi . dengan mengandaikan syarat kedua minimalasasi itu telah terpenuhi. jadi G = Σei2. atau [2.13].14) disebut dengan persamaan Normal 2. X2.b1 Xi (. . .com .pdffactory. maka sistem persamaan normal dari [2. Turunan Σe2i atau G terhadap b0 menjadi: Dari persamaan [2.13] dan [2.b0 .b0 ΣXi . adalah garis regresi 2 yang mempunyai nilai Σei minimal. Perhatikan pertanyaan matematis dari persamaan [2.9]. Yi = b0i + b1i Xi + ei Telah disebutkan di muka.7a].8].13] dan [2.12] diselesaikan dan diubah cara penyajiannya.9] di atas merupakan modifikasi dari persamaan-persamaan [2. yaitu turunan pertama parsiil dari G terhadap masing-masing nilai b0 dan b1 sama dengan nol.b1 Xi) (. Untuk memudahkan cara penulisan selanjutnya Σei2 disamakan dengan G.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. maka nilai G akan minimum jika semua fungsi turunan pertama parsiilnya.Ŷ Persamaan [2.Ŷ [2.b0 .10].14] di atas disebut dengan persamaan normal.12] turunannya menjadi: δG/δb1 = 2 Σ(Yi . Dengan mengambil fungsi turunan pertama parsiil G terhadap b0 dan b1 serta menyamakannya dengan nol.14]. Persamaan (2.11] dan [2.13) disebut dengan persamaan Normal 1. Xp) akan minimum jika.b1 ΣXi = 0 Persamaan-persamaan [2. ΣYi . ΣYi Xi . semua fungsi turunan pertama parsialnya (δY/δX) sama dengan nol.

19b].15] ke persamaan [2. ΣYi Xi . dan y = (Y .14] dapat dilihat keteraturan dari cara-cara penyelesaianya.16]. b0 . Σy = ΣY .b1 X = 0 0 (Persamaan Normal 1) atau sehingga akhirnya menjadi: b0 = Y .15].Σb0 .14] dapat diselesaikan secara serentak untuk mendapatkan nilai b0 dan b1.16a]. Oleh karena jumlah sampel = n diketahui dan jumlah-jumlah yang terdapat dalam sistem persamaan normal itu dapat dihitung dari data sampel. Dari persamaan [2.b1 ΣXi2 = 0 Sebelum penyelesaian persamaan [2.b1 ΣXi/n = Y [2.13] dan [2.Biasanya.(ΣX) /n [2.14] di atas dapat ditentukan besarnya nilai b2. sistem persamaan normal [2.13].pdffactory. y: [2.18a] sampai dengan persamaan [2.7.X 1 ).16b] maka didapatkan nilai b1 menjadi: [2.2 Perhitungan nilai koefisien regresi linier sederhana Jika diperhatikan kembali sistem persaman normal dari persamaan [2. ΣYi .b1 ΣXi/n) ΣXi . x1 2 = (X1 .17]. ΣYi Xi .b1 X ) ΣXi .com .18b].b1 ΣXi2 = 0 [2.(ΣY) /n 2 2 2 [2. Y dengan x.13] dapat ditentukan nilai b0 yaitu dengan membagi persamaan tersebut dengan jumlah pengamatan (n) sehingga didapatkan persamaan dengan penyelesaian sebagai berikut: [2.b0 ΣXi .b1 ΣXi = 0 ΣYi /n .(ΣYi /n . 2. Sehingga nilai b0 dan b1 dapat ditentukan dengan perhitungan seperti berikut. 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.nb0 /n . dengan memasukkan persamaan [2.16b] 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.Y ) disebut dengan JK Y disebut dengan JK X disebut dengan JHK XY [2. dengan demikian koefisien regresi b0 dan b1 dalam analisis regresi linier sederhana yang mengandung sebuah variabel bebas X dan sebuah variabel tak bebas Y dapat ditaksir atau dihitung. b1 = [2.( Y . dan [2. ΣYi Xi .X 2 ). [2.ΣX ΣY/n Dengan menggunakan persamaan [2.16b]. Σxy = ΣXY . Σx = ΣX .19a].b1 ΣXi2 = 0 (Persamaan Normal 2) atau dapat ditulis [2.18a].19c].13].18c]. b1 = ∑ X ∑Y n ( X )2 ∑ 2 ∑X − n 19 PDF created with pdfFactory Pro trial version www. 2 2 x2 = (X2 .18c] maka perhitungan nilai b1 pada persamaan [2.b1 X Selanjutnya. Berikut ini diberikan hubungan antara X.

b1 (Xi .23b] [2.pdffactory.Sehingga persamaan regresi penduga Ŷ dari suatu pengamatan atau untuk pengaruh variabel bebas X terhadap variabel tak bebas Y menjadi: [2.Y ) . ei = (Yi .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.21b]. 2). ei = yi . Pengujian Garis Regresi Linier Sederhana Pengujian garis regresi secara statistika dapat dilakukan dengan tiga cara yaitu: 1). perlu dilakukan pengujian keberartiannya.b1 X ) .23a] [2.bi Xi. 2. G = Σei(yi .22a] [2. untuk membuktikan bahwa garis regresi yang diperoleh tersebut merupakan garis regresi yang terbaik untuk menghampiri setiap titik-titik pengamatan X.8. 20 PDF created with pdfFactory Pro trial version www.20] di mana ei = Yi .b1 xi.8.21c].b0 .b1 Xi [2.22e] G = Σ ei 2 dengan membuka kurung maka atau Persamaan [2.23c] sehingga dapat menjadi: 2 G = Σyiyi . di mana JK Total atau JK Y sudah dapat dihitung dari data pengamatan.b1 xi) G = Σeiyi .b1 xi Dari persamaan [2.b1 xi) Selanjutnya dari persamaan diatas didapatkan: [2. Ŷ = b0 + b1 X Selanjutnya. Ingat bahwa ei = yi . sehingga menjadi: [2. Dari Gambar 2.21a]. Unuk menjawab pernyataan tersebut maka dapat dikatakan bahwa garis regresi penduga Ŷ = b0 + b1 X nyata secara statistika.b1 ΣeI xi) G = Σeiyi G = Σyiei G = Σyi (yi .com .Y. Uji ragam regresi atau uji F regresi Uji koefisien regresi dengan uji-t Uji r garis regresi 2.20] Ŷ = b0 + b1 X sehingga didapatkan pesamaan: [2.23c] didapatkan bahwa JK Galat Regresi sama dengan JK Total dikurangi dengan JK Regresi.X ) [2.22c] [2.4 dapat diuraikan bahwa persamaan [2.b1 Σyi xi Ingat : Σyiyi = Σyi = JK Total = JK Y Σyixi = JHK YiXi = JHK XY b1 Σyi xi disebut dengan JK Regresi = JK Reg. ei = Yi . selanjutnya didapatkan Σei atau disebut dengan JK Galat Regresi dengan kode G.21c] yaitu pesamaan untuk nilai ei. sehingga dengan mengkuadrat 2 jumlahkan nilai ei.( Y . 3).21c] sehingga atau sebab ΣeIxi = 0 sehingga G = Σeiei.b1 X disubstitusikan ke dalam persamaan [2. Dari persamaan [2.22b] [2.20]. Dan jika persamaan [2.15] b0 = Y .22d] [2.

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

Atau dapat dikatakan bahwa garis regresi penduga (Ŷ) linier sederhana yang didapat tersebut adalah garis regresi penduga yang terbaik untuk menghampiri pasangan pengamatan X.Y tersebut.Y. 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. 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.28]. Hal ini berarti bahwa terdapat hubungan linier antara pengaruh X terhadap Y.Hasil perhitungan keragaman di atas dibuatkan Tabel Sidik Ragam Regresi seperti pada Tabel 2. sehingga untuk pengujian koefisien regresi (bi).29]. dapat memberikan petunjuk apakah setiap variabel X menunjukkan pengaruh atau hubungan yang nyata terhadap variabel tak bebas Y. 2). Jika uji F atau uji ragam regresi menunjukkan bahwa Fhit > F(tabel 5%) barulah dilanjutkan dengan uji t dan sebaliknya.Y. Tabel 2.3.2 Uji keberartian koefisien regresi (bi) atau uji t Pengujian yang dilakukan dengan uji F seperti cara tersebut di atas. 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. maka dapat dilakukan dengan uji t atau uji koefisien regresi apabila uji F signifikan.com . 2.n-2) dan α = taraf nyata ) Kreteria pengujian nilai Fhit adalah: 1).8. p.3 berikut di bawah ini. Jika Fhit ≤ F(tabel 5%). Jika Fhit > F(tabel 5%). Modifikasi dari pengaruh variabel bebas X terhadap variabel tak bebas Y atu uji F. t-hitung W = [2. Secara umum uji t mempunyai rumus adalah: W SW W nilai yang diuji. Atau dapat dikatakan ini berarti bahwa terdapat hubungan bukan linier pada pasangan pengamatan X.pdffactory. Hal ini berarti bahwa garis regresi penduga (Ŷ) linier sederhana yang didapat tersebut bukan garis regresi yang terbaik untuk menghampiri pasangan pengamatan X.

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

p {b1 .35c]. Lihatlah kembali rumus koefisien regresi seperti [2.19c] dan koefisien korelasi r seperti [2.34a].α [2. seperti uji Ragam Regresi (uji F).α atau [2. p {b0 .35a]. 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. rXY = Σxy Σx 2 Σy 2 JHK XY JK X JK Y atau [2.α untuk b0 untuk b1 2.34b].35c]: [2. dan untuk setiap b0 dan b1 seperti: [2. rXY = menjadi: [2. Adapun rumus dari pada koefisien korelasi r adalah: [2.0.com . p (bi ± tα/2 Sbi Sbi) = 1. Sedangkan.19c]. 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. r = . dan lain sebagainya.3 Uji keeratan hubungan atau uji r Pada uji-uji sebelum ini. p {bi . Sepintas gambaran bahwa nilai r berkisar antara –1 sampai dengan + 1 atau sering ditulis dengan -1 ≤ r ≤ +2.Rumus dari perkiraan nilai βi adalah sebai berikut di bawah ini: [2. Jadi nilai koefisien korelasi itu selalu pecahan seperti: r = 0.tα/2 Sb0 ≤ β0 ≤ b0 + tα/2 Sb0} = 1.33a]. Hubungan antara koefisien korelasi r dengan koefisien regresi b2.8.78.pdffactory. 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. uji Koefisien Regresi (uji t) berdasarkan nilai Varians Galat Regresi.87.tα/2 Sb1 ≤ β1 ≤ b1 + tα/2 Sb1} = 1. r = 0.33b].347.35b].tα/2 Sbi ≤ βi ≤ bi + tα/2 Sbi} = 1.α.

[2.com .pdffactory. sehingga nilai SY SX = SY = 1.36e] 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. Nilai r tabel dapat dilihat pada tabel r yang susunannya serupa dengan tabel t.36d] b1 Jadi: [2.356] dapat ditulis menjadi: [2.36g] menjadi: [2.35c]. n-2). rhitung ≈ rtabel (di mana rtabel = r(α/2. apabila nilai koefisien regresinya (b1) negatif.36a] b1 JK X = r ( (JK X ) (JK Y ) ) Dari kesamaan [2. Dalam uji r yang umum dialakukan adalah membandingkan nilai koefisien korelasi r yang dihitung atau r hitung dengan r tabel. dan α = taraf nyata ) 25 PDF created with pdfFactory Pro trial version www.36b] b1 JK X = r [2. maka nilai koefisien korelasinya (r) juga negatif.36e] sama-sama dibagi dengan didapatkan: [2.36a] di atas dapat ditulis kembali menjadi: [2. sehingga persamaan [2.19] dan [2. n-2 = db Galat.36f] b1 JK X n −1 KT X = r = r JK X n −1 KT Y atau atau [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 [2.36c] b1 [2.36e] b1 [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 ) ) .36h] b1 = r Yang jelas dalam uji r.

t-hitung r = Berdasarkan hasil uji t untuk nilai r ternyata bahwa kreteria pengujian adalah: 1).pdffactory. db galat).38c]. db galat) Hal ini dapat dikatakan bahwa tidak terdapat hubungan linier atau korelasi sederhana antara variabel yang satu dengan variabel yang lainnya. db galat) Hal ini dikatakan bahwa tolak H0. [2.37c]. Jika rhitung ≤ r(tabel 5%.37a]. Jadi [2.38b]. r 2 XY = = = = = ( JHK XY ) ( JHK XY ) ( JK X ) ( JK Y ) ( JHK XY ) ( JHK XY ) ( JK X ) ( JK Y ) b1 ( JHK XY ) ( JK Y ) atau ingat: b1 = ( JHK XY ) ( JK X ) r2XY r 2 XY ingat: JK Y = JK Total ingat: b1 JHK XY = JK Regresi) rumus di tas tersebut bersifat umum r2XY r 2 XY (b1 JHK XY ) ( JK Y ) JK Re gresi ( JK Total ) 2 JK regresi = r . Hal ini dikatakan bahwa tolak H0.38a]. yang berarti bahwa terdapat hubungan atau korelasi antara variabel yang satu dengan variabel yang lainnya.38f]. 2). rXY 2 = JHK XY JK X JK Y 2 Modifikasi dari rumus r atau R adalah seperti berikut: [2. [2. Jika rhitung > r(tabel 5%. db galat).37b]. 2). b1. [2.35b] seperti berikut. t-hitung r = Sr = [2. dan dengan garis regresi penduga Ŷ dapat dijabarkan kembali melalui persamaan: [2.38e].38d]. Jika thitung ≤ t(tabel 5%. Hal ini dapat dikatakan bahwa tidak terdapat hubungan atau korelasi antara variabel yang satu dengan variabel yang lainnya. [2. Jika thitung Hubungan lain antara parameter r.com .Berdasarkan hasil uji r ternyata bahwa kreteria pengujian nilai rhitung adalah: 1). Selain pengujian r seperti di atas nilai r hitung dapat pula diuji dengan menggunakan uji t dengan rumus pengujian seperti berikut yaitu: [2. > t(tabel 5%.35b]. JK Total 26 PDF created with pdfFactory Pro trial version www. [2. 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.

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

1 Interpolasi dan ekstrapolasi Jelaslah bahwa dari uraian di atas.43]. S 2ˆ = KT Galat Regresi 1 + + ˆ Y n    1 2. dalam penaksiran diperlukan selang kepercayaan nilai γ yaitu sebesar 1 – α di mana α adalah peluang kesalahan tipe I.33] bertujuan untuk mengetahui perkiraan nilai interval koefisien regresi populasi βi baik b0 maupun b2.pdffactory. yang umum disebut dengan selang kepercayaan Ŷ atau interval taksiran garis regresi penduga Ŷ. masing-masing taksiran tersebut adalah: 1).44]. n – 2) S Ŷ . 28 PDF created with pdfFactory Pro trial version www. 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. 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 = jumlah penamatan atau sampel.9. Ŷ .com .Taksiran nilai rata-rata. JK X dan KT Galat Regresi dari Analisis Varians Regresi X0 = suatu nilai Xi yang telah diketahui atau ditentukan 2).t(α/2. Dengan demikian.9 Peramalan atau Prediksi Garis Regresi Pembicaraan mengenai perkiraan nilai populasi beta (β) pada persamaan [2.Taksiran nilai individu [2.2. 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. 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. n – 2) S Y ≤ μXY ≤ Ŷ + t(α/2. bahwa pemakaian persamaan penduga Ŷ = a + bX. dan b) penaksiran atau peramalan nilai individu Y apabila nilai Xi tertentu yang telah diketaui. dapat dipakai sebagai peramalan dari nilai-nilai Xi yang belum diketahui. atau untuk mencari nilai Y apabila Xi telah ditentukan. sehingga terdapat daerah atau range. [2.t(α/2. ˆ ˆ ≤ Ŷ + t(α/2. Selanjutnya. Dalam perhitungan nilai selang kepercayaan juga menggunakan dasar Analisis Ragam Regresi.   _ X = nilai rata-rata Xi. 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 _   .

2.063 1.Ekstrapolasi Pengertian interpolasi adalah penaksiran atau peramalan nilai-nilai Y.125 14. 2).4. maka diberikan contoh olahan seperti di bawah ini.000 1.305 26.100 11.Interpolasi.300 13.330 145.950 1.240 0.900 15.555 Y2 0.103 1.610 2183.890 1.250 141.10.500 0.490 11.com .900 10.900 178.600 7.500 11.253 13.040 150.250 1. 2.300 8. yang datanya terdiri dari satu variabel bebas X (prediktor) yaitu nilai X dan satu variabel tak bebas Y yaitu nilai Y.340 5.090 79.908 1.338 7. seperti disebutkan di atas. Perhitungan Regresi Dua Variabel yaitu Variabel X dan Variabel Y No.650 0. 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.563 0.360 0.310 16. Ada dua pengertian pokok yang harus dipahami dalam penaksiran atau pendugaan adalah: 1).048 X2 95.261 XY 6.700 1.1 Perhitungan JK-JHK dan penentuan koefisien regresi linier sederhana b0 dan b1 Tabel 2.600 11.750 1.903 3.563 3.305 198.423 0.500 11.810 1.063 110.600 0.490 175. 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.863 12.903 18.760 141.400 11.323 0.200 12.300 5.250 0.610 231.10 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 b1.250 12.250 12. sebab garis regresi penduga tersebut harus tahan uji dari beberapa jenis pengujian garis regresi seperti yang telah diuraikan di atas.750 0.360 56.210 112.950 15.050 1.900 14.900 24. Pengertian ekstrapolasi adalah penaksiran atau peramalan nilai Y.Di dalam penerapan praktis dari garis regresi penduga Ŷ = a + bX dipakai untuk mengadakan peramalan atau penafsiran.4. dan datanya seperti pada Tabel 2.063 166.873 Y 0.000 2.800 0. 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. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Jumlah Rata2 X 9.875 10.563 234.pdffactory.600 12.150 0.217 29 PDF created with pdfFactory Pro trial version www.563 27.250 126.410 204.250 15.563 158.750 10.720 1.518 0.900 1.720 0.540 5.

100)(5. Selanjutnya. Uji F atau uji ragam regresi atau uji varians regrsi.(0.100)2/15 68.2 Pengujian garis regresi linier sederhana dengan uji F Dalam Uji F atau uji Ragam Regresi atau uji Varians Regresi diperlukan nilai-nilai JK Total.6893 0.16893 satuan Y.873) . 3). 2). JK Total = = = = Σy 2 2 ΣY .43384 2 30 PDF created with pdfFactory Pro trial version www.16893 X Sehingga.(ΣY) /n 2 18.6893 Σx1y = ΣX1Y . Dalam pengujian garis regresi penduga terdapat tiga macam uji yaitu: 1).(ΣX) /n 2183.0.720)/15 11.10.(5.(5.16893 Sehingga. 2. dilakukan perhitungan untuk mencari nilai b0 dan b1 seperti berikut ini.(178.720)2/15 2.908 .908 .95776 + 0.253 . dilakukan pengujian terhadap garis regresi penduga.(178.Perhitungan JK-JHK dari data di atas seperti: JK Y = = = = = = = = = Σy2 = ΣY2 .4 di atas seperti berikut: 1). maka akan menyebabkan terjadinya perubahan Y sebesar 0.b1 X 1. dan Uji koefisien korelasi atau uji r. Uji koefisien regresi atau uji terhadap bi atau uji t.4338 Σx1 = ΣX1 .16893) (11.330 .pdffactory.ΣX1 ΣY/n 198.048 .(ΣY)2/n 18.0. dan JK Galat Regresi dari data Tabel 2.com . dari persamaan peduga di atas dapat diartikan bahwa setiap perubahan satu satuan X.720) /15 2.6037 2 2 2 JK X JHK XY Selanjutnya.95776 JHK XY JK X 11. Nilai b1 adalah: b1 = = = Nilai b0 adalah: b0 = = = Ŷ Ŷ Y . JK Regresi.6037 68. persamaan peduganya menjadi: = = b0 + b1 X .

dihitung nilai KT atau varians seperti: 1).01 Berdasarkan hasil analisis varians di atas ternyata bahwa Fhit > F(tabel 1%) atau dapat dikatakan bahwa hipotesis nol ditolak.16893) (11.6037) 1. dalam analisis regresi dua variabel nilai salah baku bi yang ditulis dengan Sbi mempunyai persamaan seperti berikut.43384 Kuadrat Tengah (KT) 1.6893 0.03643 2).03643 - F hitung 53.47363 3).96021 = = = JK Total .5.07 Jumlah sampel (n) = 15. Tabel 2. bi Secara umum uji t mempunyai rumus adalah t-hitung bi = S bi Selanjutnya.43384 . KT Regresi.96021 0.96021 0. KT Galat Regresi = = = Setelah perhitungan JK Total. maka di lanjutkan dengan membuat Tabel Analisis Keragaman atau Tabel Analisis Varians Regresi seperti pada Tabel 2. JK Regresi = = = b1 JHK XY (0.96021/1 1.3 Pengujian koefisien garis regresi linier sederhana dengan uji t Setelah dilakukan pengujian dengan uji F maka selanjutnya.03643 2183.277853 = = 31 PDF created with pdfFactory Pro trial version www. JK Regresi.JK Regresi 2. 2.10. Untuk pengujian b0 nilai salah baku Sb0 dari data di atas: Sb0 = KT Galat Re gresi ∑ X 2 n JK X 0. JK Galat Regresi Selanjutnya.pdffactory. Bagan Sidik Ragam Regresi Dua Variabel Sumber Keragaman (SK) Regresi Residual Total Keterangan: ** Derajat Bebas (DB) 1 13 14 Jumlah Kuadrat (JK) 1.96021 JK Galat/ (DB Galat) 0.8037 ** F tabel 5% 1% 4. KT Regresi = = = JK Regresi /(DB Regresi) 1. = berpengaruh sangat nyata pada p<0.47363/13 0.01) terhadap variabel tak bebas Y. JK Galat Regresi.com . yang berarti bahwa terdapat pengaruh variabel bebas X yang sangat nyata (p<0.2.2).47363 2.67 9.96021 0.5 berikut. dilakukan pengujian terhadap koefisien regresi b0 dan b1 dengan uji t seperti berikut.330 15 x 68. dan KT Galat didapatkan.

277853) ≤ β0 ≤ . atau mempunyai slop sebesar 0. dapat dikatakan bahwa: 1).03643 68. Garis regresi penduga Ŷ = .95776 .023030 Uji t terhadap nilai koefisien regresi b0: t-hitung b0 = b0 Sb 0 .0. {Nilai t negatif sama dengan nilai positif (diambil harga Selanjutnya.0.335101 Berdasarkan hasil uji t ternyata bahwa nlai thitung yang diperoleh dibandingkan dengan ttabel atau t(5%.4470 mutlaknya)}.95776 = 0.277853)} = 1.131 dan t(1%.95776 + (2.α p {. Ini berarti bahwa dari analisis tersebut H0 ditolak baik untuk uji b0 maupun untuk uji b1 Sehingga.13) = 2.pdffactory.16893 X tidak sejajar dengan sumbu X.n-2) Sb0} = 1.0 atau titik acuan.16893 = 0.com .α 32 PDF created with pdfFactory Pro trial version www.0.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 .1.Untuk pengujian b1 nilai salah baku Sb1 dari data di atas: Sb1 = KT Galat Re gresi JK X 0. selain untuk pengujian hipotesis.131) (0.t(α/2. uji t terhadap nilai koefisien regresi b1: t-hitung b1 = b1 Sb 1 0. Garis regresi penduga Ŷ = .277853 = .16893 Selanjutnya.α p { .tα/2 sbi ≤ βi ≤ bi .(2.16893 X tidak melalui titik 0. 2).0. Ternyata bahwa t-hitung > ttabel 1% baik untuk nilai b0 maupun untuk b2.3.tα/2 sbi} = 1.023030 = 7.95776 + 0. 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 .947.558029 ≤ β0 ≤ .0. db galat = 13) yaitu sebesar 2.95776 + 0. dengan nilai salah baku koefisien regresi b0 dan b1 yang diperoleh.131) (0.35750} = 1 .0.n-2) Sb0 ≤ β0 ≤ b0 + t(α/2.6893 = = 0.

131) (0.023030)} = 1.0 1.10. Selanjutnya.908 33 PDF created with pdfFactory Pro trial version www.330 198.000 1.Jadi perkiraan nilai β0 berkisar antara .16893 + (2.n-2) Sb1} = 1.2 6.21868} = 1 .1.8 0.131) (0.35750 Untuk perkiraan β1 dengan nilai salah baku Sb1 dengan α = 5% dari data di atas didapatkan: p {b1 .119176 ≤ β1 ≤ 0.1 di atas seperti: ΣX = 2 ΣX = ΣXY = 178.4 0.253 ΣY 2 ΣY = = 15.023030) ≤ β1 ≤ 0.4 1.9578 + 0.com .0 0.0 12.6 1.16893 .0.4 Pengujian garis regresi linier sederhana dengan uji r Pada uji-uji sebelumnya seperti uji F dan uji t telah dilakukan.α p {0.(2.α Y = .2 1. 000) untuk b0 p {0.119176 sampai dengan 0.t(α/2.8 Konsumsi Daging x100.54% 2.6 0.pdffactory.100 2183.0 10.558029 sampai dengan .21868 Berdasarkan perhitungan di atas maka dapat dibuat gambar Garis Regresinya seperti berikut: 2.α Jadi perkiraan nilai β1 berkisar antara 0.n-2) Sb1 ≤ β1 ≤ b1 + t(α/2.0 8.1689 X R2 = 80. 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 3.0 16.0.720 18.0 14.0 Pendapatan Petani ( x 100.

n-2).13765 (1 − r 2 ) (n − 2) (1 − 0. Selain. dengan rumus pengujian seperti berikut: t-hitung = r . dengan n = 15 maka: Nilai r tabel 5% = r(5%.642.330 −  18. 13) = 0. Jadi r hitung = 0.908 −     15 15    198.pdffactory. Ternyata bahwa t-hitung > ttabel 1%. db galat = 13) yaitu sebesar 2. dan Nilai r tabel 1% = r(1%. pengujian r seperti di atas. 34 PDF created with pdfFactory Pro trial version www. Nilai ttabel atau t(5%. Sr Di mana Sr = salah baku r dengan rumus: Sr Sr = = = Sehingga: t-hitung = r Sr 0.947.Sehingga: r = 178.51653 Berdasarkan hasil uji t.100) (15.897 2 ) (15 − 2) 0. Hal ini dapat dikatakan bahwa terdapat hubungan atau korelasi yang sangat erat antara variabel bebas X dengan variabel tak bebas Y. Hal ini dapat dikatakan bahwa tolak H0 yang berarti bahwa terdapat hubungan atau korelasi yang sangat erat antara variabel X dengan variabel Y.720) 2   2183.13) = 2. maka nilai thitung ≈ ttabel.com .897 0.131 dan t(1%.514.897 = 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) 2   (15. Nilai r tabel = r(α/2.13765 = = 6.897 > r tabel 1% = 0.53 − 0.720) 15  (178. nilai r dapat pula diuji dengan uji t. 13) = 0.642.

01377 Selanjutnya. Dengan menggunakan dasar perhitungan analisis ragam regresi dan KT Galatnya seperti di atas didapatkan taksiran nilai rata-rata seperti berikut ini. sehingga γ = 95%.03643  + 68.46% dari variasi total Y dipengaruhi oleh faktor lain diluar X atau variabel selain X.76088 35 PDF created with pdfFactory Pro trial version www.95776 + 0.t(α/2. atau dapat diartikan bahwa 80. 13) = = = = = = = 0.5 Peramalan atau prediksi pada garis regresi Dalam perhitungan taksiran atau ramalan garis regresi diperlukan selang kepercayaan γ yaitu sebesar 1 – α.54% dari variabel tak bebas Y dipengaruhi oleh variabel bebas X.131) (0.73154 _  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%.com . Hal ini diartikan bahwa 80.Berdasarkan perhitungan koefisien korelasi r di atas.73154 68.95776 + 0. n – 2) S Y ≤ μXY ≤ ≤ μXY ≤ Ŷ + t(α/2.8054.131) (0.(2.R = 19.7022 0.16893 X = . 1).pdffactory. seperti berikut: Ŷ . 2.73154 + (2. di mana α = 5%.6893 0. dengan nilai Ŷ menjadi: Y Ŷ = . maka didapatkan koefisien determinasi R2 = (0.73154 .897)2 = 0. 2 Sisanya 1 .0. n – 2) S .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. n – 2) S Y 0.0.6893  15       =      = 0.54% variasi keragaman total Y atau variasi Y dapat diterangkan oleh variasi X. n – 2) S Y ≤ μXY ≤ Ŷ + t(α/2.0138) 0.03643 15 11.16893 (10) = 0.t(α/2.10.873) 2  0. Sebagai contoh: taksiran nilai rata-rata μXY untuk X0 = 10. taksiran nilai rata-rata μXY: Ŷ .873 10 2.0138) ≤ μXY ≤ 0.

t(α/2. maka μXY berkisar antara 0.95776 + 0. taksiran individu untuk Xi = X0 = 10.73154 . n – 2) S ˆˆ Y ˆ ˆ ≤ ≤ Y Ŷ + t(α/2.t(α/2.95776 + 0.73154 68.t(α/2.7022 sd 0.0138) ≤ Y ˆ ˆ ≤ 0.0138) 0.16893 X = .com . taksiran rata-rata untuk Xi = X0 = 10.873 10 2.03643 15 11. 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%. 36 PDF created with pdfFactory Pro trial version www. 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. n – 2) S ˆˆ Y ˆ ˆ ≤ 0.76473 ˆ ˆ berkisar antara 0. taksiran nilai individu: Ŷ . n – 2) S Ŷ .(2.131) (0. ˆ ˆ untuk 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. maka Y 76473.6893 0. Untuk taksiran rata-rata nilai-nilai Xi yang lain dapat dihitung seperti cara di atas.6 di bawah ini. Jadi. 69835 sd 0.6893   0.pdffactory.0. 13) = 0.03643  1 + +  15 68.76088.16893 (10) = 0.Jadi.01558      Selanjutnya.0.69835 ≤ Y 0.73154 + (2. Untuk taksiran individu nilai-nilai Xi yang lain dapat dihitung seperti cara di atas. n – 2) S ˆˆ ≤ Y ˆ ˆ Y Y Ŷ = .131) (0.873) 2 0.

048 0.300 13.069 No.500 11.183 1.048 1.600 11.689 0.2 6.458 1.377 1.950 Ŷ 0.250 1.259 1.281 1.0 14.720 0.750 10.309 1.556 1.800 0.816 0.500 0.499 0.0 10.653 0.171 1.500 11.6 0.499 1.050 1.900 14.254 1.794 0.200 12.813 0.680 0.129 1.900 1.0 Data pada Tabel 2.199 1.650 0.238 1.159 1.0 1.592 0.com .250 15.838 0.843 0.932 1. 2.627 0.6 Konsumsi daging 1.190 1.0 0.420 1.750 0.205 1.656 0.750 1.961 1.953 1.664 1.119 1.6 Hasil Perhitungan Taksiran Rata-rata μXY dan Taksiran Individu ˆ ˆ dari Nilai-nilai Xi Y X 9.417 1.221 1.496 1.036 1.595 0.057 0.682 0.pdffactory.789 0.497 0.600 0.943 1.250 12.150 0.807 0.300 8.546 0.6 37 PDF created with pdfFactory Pro trial version www.4 0.6 di atas.924 1.900 15.069 1.379 1.151 1.239 1.057 1.241 1.000 1.600 7.700 1.307 1.558 1.Tabel 2.053 1.722 0.2 1.950 1.726 0.4 1.8 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 2.250 12.833 0.053 ˆ ˆ lower μXY lower μXY upper Y 0.610 1.858 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.112 1.853 0.900 10.0 16.571 0.036 ˆ ˆ upper Y 0.0 8.302 1.574 0.095 1.8 1.244 1.662 1.105 1.900 Y 0.0 Pendapatan 12.

Dalam hal ini akan diberikan contoh keluaran komputer dengan program Excel seperti pada tabel berikut. sebab nilai Xi = 7.4338 MS 2.30922 dan 1. Statistica.11 Interpolasi dan ekstrapolasi Jelaslah bahwa dari uraian di atas.55803 .0364 F 53.12079 X1 0.27785 .35750 . maka nilai Y penduga = 0.57615.8037 Significance F 0.8054 0.5 dan X = 15.pdffactory.0.95776 + 0.9602 0.16893 X terletak di dalam daerah ruang gerak X1 dan Xn. 1 Summary Output Excel Table 2. Nilai ekstrapolasi adalah nilai taksiran atau nilai ramalan dari nilai Y.0.0.12 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. 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. dan lain sebagainya.95776 + 0. seperti X = 10 maka nilai Y penduga = 0.4736 2.8974 0.00433 .09956 0.0. Minitab. Sistat. SPSS. Di dalam penerapan praktis dari garis regresi penduga Ŷ = .3351 0.11918 0.79474 . 2.2.7904 0.0.21868 0. seperti X = 7. pemakaian persamaan penduga Ŷ = b0 + b1X.7 Regression Statistics Multiple R R Square Adjusted R Square Standard Error Observations Table 2.23830 Var 38 PDF created with pdfFactory Pro trial version www.73154.0000 0.com .1909 15 Table 2.16893 0.0% Intercept .95776 + 0.0% 99. dapat dipakai sebagai peramalan dari nilai-nilai Xi yang belum diketahui.8 ANOVA SV Regression Residual Total DB 1 13 14 SS 2. jika harga-harga Xi yang dimasukkan ke dalam persamaan regresi penduga Ŷ = .16893 X terletak di luar batas daerah ruang X1 dan Xn.00001 0.9 Parsial Regression Coefficients Standart t Stat P-value Lower Upper Lower Upper Error 95% 95% 99. sebab nilai Xi = 10 berada di dalam antara X1 dan Xn.0.2. atau untuk mencari nilai Y apabila Xi telah ditentukan.3.5 dan Xi = 15 berada di luar Xminimum dan Xmaksimum.02303 7.2.9602 0.95776 0.4470 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.05) mempunyai kesimpulan yang sama dengan Fhit > F(tabel 5%). adalah garis regresi yang terbaik untuk menerangkan bahwa variabel bebas X (pendapatan petani) berpengaruh sangat nyata terhadap variabel tak bebas Y (pengeluaran petani). DF = Degrees of Freesom atau = Derajat Bebas (DB). hal ini berarti terima H0 yang menyatakan bahwa garis regresi penduga (Ŷ) linier sederhana yang didapat tersebut bukan garis regresi yang terbaik.0000. Significance F adalah sama dengan nilai peluang dari nilai F-hitung. Apabila nilai significance F ≥ (p = 0. R Square adalah sama dengan koefisien determinasi R2 yang menunjukkan variasi keragaman total Y yang dapat diterangkan oleh variasi variabel X. 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. 39 PDF created with pdfFactory Pro trial version www. Dalam hal ini nilai F-hitung tidak dibangingkan dengan F tabel seperti biasa.Penjelasan tabel di atas seperti berikut: Table 2.8974.pdffactory.05) mempunyai kesimpulan yang sama dengan Fhit ≤ F(tabel 5%).8037 dengan significance F = 0. Apabila nilai significance F < (p = 0. atau dapat diartikan bahwa 80. Sebagai contoh dari hasil analis tersebut di atas didapat nilai F = 53.01) mempunyai kesimpulan yang sama dengan Fhit > F(tabel 1%).16893 X. SS = Sum of Squares atau = JK. F = F-hitung. 2).8 ANOVA KT Y n Pada Tabel Anova adalah persis sama dengan Sidik Ragam Regresi. Ini berarti tolak H0 yang menyatakan bahwa garis regresi penduga Ŷ = . nilai significance F dibandingkan peluang (p) standar yaitu 5% dan 1%.com . 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. 1). Di mana SV = Sumber Variasi (SV) atau Sumber Keragaman (SK). Akan tetapi.95776 + 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.54% dari variabel tak bebas Y dipengaruhi oleh variabel bebas X. Apabila nilai signifikanse F < (p = 0. MS = Means Squarwes atau KT.0.

44702 dan S bi b1 = 7.27785 dan Standart Error untuk b1 (Sb1) = 0. 40 PDF created with pdfFactory Pro trial version www. Standart Error di sini menunjukkan nilai yang sama dengan Sb0 dan Sb1 dalam pengujian b0 dan b1. maka 1).9 Parcial Regression Var adalah sama dengan variabel yang akan dijelaskan. yang berarti bahwa garis regresi penduga Ŷ = .0). maka 1). Apabila nilai P-value < (p = 0. Masing-masing b0 = .0. Coefficients sama dengan bi dalam hal ini sama dengan b0 dan b2.3. arinya mempunyai slop atau kemiringan = 0.02303.16893 X.95776 dan b1 = 0.00002. nilai P-value dibandingkan peluang (p) standar yaitu 5% atau 1%.05) mempunyai kesimpulan yang sama dengan thit ≤ t(tabel 5%). 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. Untuk b0. Demikian juga didapatkan nilai P-value untuk b1 = 0.0.Tabel 2.95776 + 0.0). Sebagai contoh dari hasil analisis tersebut di atas didapatkan nilai P-value untuk b0 = 0. t Stat sama dengan t-hitung untuk b0 dan b1 dengan rumus umum seperti: bi thitung bi = . hal ini berarti terima H0 yang menyatakan bahwa garis regresi penduga (Ŷ) linier sederhana sejajar dengan sumbu X pada nilai b0.0. Dalam hal ini nilai t-hitung tidak dibangingkan dengan t tabel seperti biasa.0). Standart Error dalam Tabel 3 ini berbeda dengan Standart Error dari Tabel 2. 1). Ini berarti tolak H0 karena P-value < 0.05) mempunyai kesimpulan yang sama dengan thit > t(tabel 5%).pdffactory. hal ini berarti terima H0 yang menyatakan bahwa garis regresi penduga (Ŷ) linier sederhana melalui titik acuan (0. dalam analisis ini adalah X.05) mempunyai kesimpulan yang sama dengan thit ≤ t(tabel 5%). Ini berarti tolak H0 karena Pvalue < 0.05) mempunyai kesimpulan yang sama dengan thit > t(tabel 5%). P-value adalah sama dengan nilai peluang dari nilai t-hitung. yang berarti bahwa garis regresi penduga Ŷ = .16893.com . Apabila nilai P-value ≥ (p = 0.05.16893 dan sangat nyata.16893 X.0) 2).05. Apabila nilai P-value < (p = 0. adalah garis regresi penduga tidak sejajar dengan sumbu X.00433.95776 + 0. Apabila nilai P-value ≥ (p = 0. hal ini berarti tolak H0 yang menyatakan bahwa garis regresi penduga (Ŷ) linier sederhana melalui tidak melalui titik acuan (0. Sebagai contoh Standart Error untuk b0 (Sb0) = 0. Akan tetapi. Sehinga nilai t-hitung untuk masing-masing b0 = .33510. 2). tidak melalui titik acuan (0. Untuk b1. Intercept sama dengan b0 jarak antara titik potong garis regresi penduga Ŷ dengan titik acuan (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%.Lower dan Upper adalah sama dengan perkiraan nilai interval b0 dan b1 atau pendugaan nilai β0 dan β1 dengan rumus: p {bi .com .119176 sampai dengan 0.558029 sampai dengan . Perkiraan nilai β0 berkisar antara .35750 untuk nilai α = 5%. Nilai 95% atau 99% = 1.tα/2 sbi} = 1.α .09956 sampai dengan 0.) berarti dalam uji t-hitung bi menunjukkan signifikansi yang nyata pada taraf α = 5% atau 1%. .21868 untuk α = 5%.1.79474 sampai dengan .1.23830 untuk α = 1%.tα/2 sbi ≤ βi ≤ bi . Sebaliknya. dan antara .pdffactory. dan antara 0. Perhatikan nilai Lower dan Upper.α tergantung pada nilai α yang dipakai 5% atau 1%. Perkiraan nilai β1 berkisar antara 0.0. 41 PDF created with pdfFactory Pro trial version www.0. apabila nilai Lower dan Upper bersifat definit positif atau definit negarif artinya baik Lower maupun Upper mempunyai tanda bilangan yang positif atau negarif ( + .12079 untuk α = 1%.

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->