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

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

Sehingga segala analisis statistika yang berkaitan dengan hal tersebut dinamakan dengan analisis regresi. maka variabel yang sebagai sebab merupakan variabel bebas atau variabel X dan akibat yang ditimbulkannya menjadi variabel tak bebas atau variabel Y. Kuat tidaknya hubungan antara variabel bebas X dan variabel tak bebas Y didasarkan pada analisis korelasi.1 berikut ini. Dalam hal-hal tertentu. A disebut intercept coefficient atau intersep yaitu jarak titik asal atau titik acuan dengan titik potong garis regresi dengan sumbu Y. Jadi antara analisis korelasi dan analisis regresi mempunyai kaitan yang sangat erat (akan dibicarakan di belakang). Dari persamaan garis regresi [2. seperti pada Tabel 2. melainkan mencari perbedaan pengaruh perlakuan atau objek.pdffactory.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. Apakah beda antara analisis regresi dengan analisis-analisis yang lain ? Sebagai contoh apa perbedaan antara analisis regresi dengan analisis keragaman atau analisis varians. 2. Tujuan utama dari analisis regresi adalah untuk memberikan dasar-dasar peramalan atau pendugaan dalam analisis peragam atau analisis kovarian.2]. Apabila hubungan antara dua variabel atau lebih bersifat kausal atau hubungan sebab-akibat. Dari persamaan [2. penentuan variabel bebas X dan variabel tak bebas Y sangat mudah. Y = X Persamaan [2.persamaan [2.com .2] adalah suatu bentuk persamaan yang paling sederhana dari regresi linier sederhana. tetapi kadang-kadang hal tersebut sangat sulit ditelusuri antara yang mana variabel bebas X maupun yang mana variabel tak bebas Y. perbedaan tersebut terletak pada yaitu: dalam analisis keragaman tidak mencari bentuk hubungan antara variabel-variabel seperti pada analisis regresi. Untuk membuat ramalan antara variabel X dengan variabel Y. Setelah jelas mana variabel X dan variabel Y.5. Sebagai ilustrasi hubungan antara variabel bebas X dan variabel tak bebas Y diberikan contoh dari persamaan [2. dalam hubungan tersebut terdapat satu variabel bebas X dan satu variabel tak bebas Y.1] di atas. Y = A + BX Apabila A dan B mengambil nilai seperti: A = 0 dan B = 1.1] A dan B disebut konstanta atau koefisien regresi linier sederhana atau parameter garis regresi linier sederhana. Analisis regresi sebagai alat untuk melakukan peramalan atau prediksi atau estimasi atau pendugaan yang sangat berguna bagi para pembuat keputusan. yaitu perbedaan antara variabel bebas X atau variabel yang dipelajari. maka variabel X dan variabel Y tersebut harus mempunyai hubungan yang kuat.1]. Biasanya variabel tak bebas Y adalah variabel yang diramalkan dan variabel bebas X yang telah ditetapkan sebagai peramal yang disebut prediktor. dengan mengukur respon dari perlakuan atau variabel X yang dinyatakan dengan variabel tak bebas Y yang sering disebut hasil atau akibat perlakuan.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. 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. 11 PDF created with pdfFactory Pro trial version www.1] akan menjadi: [2.1] yaitu pengaruh tingkat pendapatan dengan konsumsi makanan bagi petani pedesaan.

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

2.2.com . perhatikan diagram pencar berikut yang berasal dari Tabel 2.1 di muka antara tingkat pendapatan (X) dengan konsumsi (Y) diambil sebagaian saja seperti pada Tabel 2.Y. Bahwa suatu garis regresi yang akan didapat dan akan mendekati titik-titik pasangan X. Bentuk mana yang paling sesuai atau paling dihampiri oleh titik-titik pasangan tersebut. 2). 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. 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.Y pada suatu sistem salib sumbu atau sistem koordinat. jika sebaran titik-titik pasangan X. Dengan memperhatikan letak titik-titik pasangan pada absis X dan ordinat Y.Y tersebut bukan linier. Dari persamaan tersebut dengan penyelesaian matematika sehingga akan didapatkan bentuk persamaan liniernya seperti persamaan [2. Tabel 2. Perhatikan sudut β yang sisi-sisi siku-sikunya adalah ∆Y = Y2 .2 berikut. Maka dapat dibuat persamaannya dengan menggunakan dua buah titik.Y tersebut disekitar garis lurus. Tentu saja atau pada umumnya tidak dapat ditarik atau digambarkan suatu garis regresi yang sederhana. No. 13 PDF created with pdfFactory Pro trial version www.Y1 dan ∆X = X2 .Y.3 Penetuan garis regresi linier sederhana Untuk menentukan garis regresi berdasarkan pasangan-pasangan nilai X. tetapi melengkung atau non linier yang paling menghampiri. Garis regresi yang melalui dua buah titik pengamatan P dan Q. Metode ini hanya dapat dilakukan oleh seorang ahli dan berpengalaman seperti pada Gambar 2.2.2. Metode tangan bebas. Untuk hal tersebut dan menentukan analisis dan gambarnya dapat dilihat bentuk-bentuk hubungan pada bukubuku matematika. maka cukup beralasan untuk menduganya dengan persamaan regresi linier sederhana atau regresi garis lurus. maka persamaan garis PQ menjadi: Y = A + β X.1]. melalui dua buah titik dapat dibuat sebuah garis lurus yaitu PQ yang akan dicari persamaannya. Diagram pencar didapatkan dengan menggambar titik-titik pasangan pengamatan antara X dan Y atau X.Y diberikan dua metode yang umum yaitu: 1).2 seperti pada Gambar 2. Pendekatan matematis dengan metode kuadrat terkecil atau least squares method atau sering disebut dengan metode ordinary list squares (OLS). Jika pencaran atau sebaran titik pasangan X. Dasar teori. Untuk pendekatan linier atau regresi linier sederhana. Dilain pihak.X1 sehingga tangen sudut β = ∆Y/∆X. yang dapat melalui semua titik-titik pasangan 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.pdffactory.5.

maka variabel Y bertambah atau menurun atau berubah sebanyak B kali.1] A dan B adalah konstanta.3 di bawah ini. Fungsi linier sama dengan persamaan linier atau model linier atau regresi linier yang mempunyai bentuk hubungan atau bentuk fungsi: Y = A + BX. Q dan R.3 di atas yang manakah dari ketiga garis tersebut termasuk garis regresi yang terbaik. Untuk itu haruslah terlebih dahulu mengetahui apa yang dimaksud dengan garis regresi yang baik. A ialah: jarak titik acuan (0.X1 ∆ Y = Y2-Y1 Y2 A Y1 X1 140 Pendapatan X2 160 Gambar 2. 14 PDF created with pdfFactory Pro trial version www. Suatu bentuk hubungan atau fungsi linier atau regresi linier di samping mudah interprestasinya. apabila nilai X = 0.125 Q 100 P Konsunsi 75 50 25 0 120 β ∆X = X2 .pdffactory. B sering disebut kemiringan atau kecondongan garis regresi atau slope atau slope coefficient adalah tangen sudut yang dibuat oleh garis regresi dengan sumbu X. yang menunjukkan garis-garis regresi linier dari beberapa pengamatan. Apabila ada garis tertentu selain ketiga garis YPQ. Perhitungan β = ∆Y/∆X Secara Sederhana 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. Dengan demikian kembali ke Gambar 2. Seperti pada persamaan [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. Oleh karena dalam pembicaraan ini hendak berusaha mencari cara untuk menentukan persamaan garis regresi linier sederhana yang baik atau yang terbaik. dan YQR yang merupakan garis regresi terbaik sebagai penghampir titik-titik pasangan pengamatan Xi.2. Suatu pertanyaan yang berhubungan dengan hal tersebut di atas adalah: "Kapankah suatu garis regresi dapat dikatakan sebagai garis regresi yang baik?". juga dapat dipergunakan sebagai pendekatan bentuk hubungan yang bukan linier (non linier) menjadi bentuk linier. YPR. Perhatika Gambar 2.com . Dalam beberapa hal dimungkinkan untuk mengecek atau menguji asumsi atau hipotesis setelah bentuk hubungan itu diperkirakan. yaitu parameter yang digunakan.Yi sebagai garis regresi tersebut. 0) dengan perpotongan antara sumbu tegak Y dengan garis linier atau besarnya nilai variabel Y. yang dipakai untuk menghampiri titik-titik P.

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

dan Nilai Kesalahan Penganggu ei e1 (+ (+) e3 Ŷ e2 (-) Y2 150 160 16 PDF created with pdfFactory Pro trial version www. biasanya ditaksir dengan nilai a dan b atau dengan nilai b0 dan b1. e = Yi . dan ei. Ŷ = b0 + b1 X untuk sampel Jadi a dan b atau b0 dan b1 sebagai penaksir A dan B.7b]. maka penulisannya menjadi seperti: [2.3 dengan menggambar scatter diagram dengan Ŷ. dapat berharga negatif bila nilai pengamatan Yi berada di bawah garis penduga Ŷ. dengan nilai penduga Ŷ dan dengan nilai pengamatan Yi dapat ditulis: [2.pdffactory. Seperti yang ditunjukkan pada Gambar 2.8]. Ŷ = b0 + b1 X dan Yi = Ŷ + e [2. dan dapat pula berharga nol bila nilai pengamatan Yi berada tepat pada garis penduga Ŷ.com . Nilai Penduga Ŷ. 150 125 Konsumsi 100 75 50 25 0 120 130 140 Pendapatan Gambar 2.7a]. Nilai e dapat berharga positif bila nilai pengamatan Yi berada di atas garis penduga Ŷ. sehingga garis regresi linier penduga mempunyai bentuk persamaan: [2.Karena dalam suatu pendugaan nilai A dan B tidak dapat dihitung (belum diketahui nilainya). Nilai Pengamatan Yi.Ŷ Untuk sejumlah n pasangan pengamatan.3. Hubungan antara nilai kesalahan e. ei = Yi .6].(b0 + b1 X) atau Nilai e sebagai penduga nilai kesalahan E adalah kesalahan penggangu populasi dan e adalah kesalahan penganggu sampel. Yi.

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

b0 ΣXi . Perhatikan pengali dari setiap penaksir-penaksir yang berhubungan koefisien regresi seperti b0 dan b1 Apabila syarat-syarat dalam meminimalkan G dipenuhi. 2 2 2 dapat ditulis: 18 PDF created with pdfFactory Pro trial version www.Ŷ Persamaan [2.b0 .Xi) = 0 Perhatikan faktor pengali yang berada dimuka tanda sama dengan (=).11] dan [2.Ŷ [2.b1 ΣXi = 0 Persamaan-persamaan [2. ΣYi Xi .b1 Xi (. Persamaan (2.13]. Turunan Σe2i atau G terhadap b0 menjadi: Dari persamaan [2. semua fungsi turunan pertama parsialnya (δY/δX) sama dengan nol. Dengan mengambil fungsi turunan pertama parsiil G terhadap b0 dan b1 serta menyamakannya dengan nol.14] di atas disebut dengan persamaan normal. dengan mengandaikan syarat kedua minimalasasi itu telah terpenuhi.com . Oleh karena itu. Xp) akan minimum jika. ei = Yi .b1 Xi) (. Yi = b0i + b1i Xi + ei Telah disebutkan di muka. 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. suatu syarat yang perlu dan khusus.Manipulasi matematis dari metode kuadrat terkecil akan menghasilkan koefisien a dan b. Untuk memudahkan cara penulisan selanjutnya Σei2 disamakan dengan G.b1 ΣXi = 0 [2.12] diselesaikan dan diubah cara penyajiannya.7b].13) disebut dengan persamaan Normal 1. 2 Sehingga fungsi turunan Σe atau G terhadap setiap nilai b0. Apabila dari persamaan-persamaan [2.9] di atas merupakan modifikasi dari persamaan-persamaan [2. .8]. 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 = 0.14) disebut dengan persamaan Normal 2. .14]. maka diperoleh dua persamaan seperti di bawah ini. ΣYi . Pernyataan matematis di atas dapat dijabarkan menjadi: Ŷ = b0 + b1 X dan Y = Ŷ + e sehingga ei = Yi .13] dan [2.10].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 B1.7b] yang ditulis kembali seperti: [2. yaitu turunan pertama parsiil dari G terhadap masing-masing nilai b0 dan b1 sama dengan nol.13] dan [2. maka diperoleh persamaan-persamaan seperti: [2.12] turunannya menjadi: δG/δb1 = 2 Σ(Yi .7a].1) = 0 Turunan Σe i atau G terhadap b1 menjadi: Dari persamaan [2. jadi G = Σei2. bahwa garis regresi penduga terbaik.9]. maka nilai G akan minimum jika semua fungsi turunan pertama parsiilnya. .11] turunannya menjadi: δG/δb0 = 2 Σ(Yi .pdffactory. adalah garis regresi 2 yang mempunyai nilai Σei minimal.Σb0 . maka sistem persamaan normal dari [2.b0 . [2. Perhatikan pertanyaan matematis dari persamaan [2. X2. . Persamaan (2. atau [2.

Σx = ΣX .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: [2. Y dengan x.18b].13] dapat ditentukan nilai b0 yaitu dengan membagi persamaan tersebut dengan jumlah pengamatan (n) sehingga didapatkan persamaan dengan penyelesaian sebagai berikut: [2. ΣYi Xi .b0 ΣXi . Σxy = ΣXY .15] ke persamaan [2. [2. Oleh karena jumlah sampel = n diketahui dan jumlah-jumlah yang terdapat dalam sistem persamaan normal itu dapat dihitung dari data sampel.(ΣX) /n [2. dan y = (Y .18c].14] dapat diselesaikan secara serentak untuk mendapatkan nilai b0 dan b1.17].Y ) disebut dengan JK Y disebut dengan JK X disebut dengan JHK XY [2.16b] maka didapatkan nilai b1 menjadi: [2.b1 ΣXi/n = Y [2.2 Perhitungan nilai koefisien regresi linier sederhana Jika diperhatikan kembali sistem persaman normal dari persamaan [2.b1 ΣXi2 = 0 Sebelum penyelesaian persamaan [2.19a].14] dapat dilihat keteraturan dari cara-cara penyelesaianya. 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 X ) ΣXi .18a].b1 X = 0 0 (Persamaan Normal 1) atau sehingga akhirnya menjadi: b0 = Y .18a] sampai dengan persamaan [2. b1 = ∑ X ∑Y n ( X )2 ∑ 2 ∑X − n 19 PDF created with pdfFactory Pro trial version www. 2 2 x2 = (X2 . b0 .16b].X 2 ).Σb0 .b1 ΣXi = 0 ΣYi /n . Σy = ΣY . dan [2.(ΣYi /n . sistem persamaan normal [2. Berikut ini diberikan hubungan antara X. Sehingga nilai b0 dan b1 dapat ditentukan dengan perhitungan seperti berikut.16a].16].(ΣY) /n 2 2 2 [2.( Y . 2. x1 2 = (X1 .15].13].19c]. ΣYi Xi . dengan memasukkan persamaan [2.nb0 /n . 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 − [2.7. Dari persamaan [2.X 1 ).b1 ΣXi2 = 0 (Persamaan Normal 2) atau dapat ditulis [2. b1 = [2.19b].13]. ΣYi Xi .14] di atas dapat ditentukan besarnya nilai b2.18c] maka perhitungan nilai b1 pada persamaan [2.b1 ΣXi/n) ΣXi .13] dan [2. ΣYi .com .pdffactory.Biasanya.ΣX ΣY/n Dengan menggunakan persamaan [2.b1 X Selanjutnya.b1 ΣXi2 = 0 [2.

ei = (Yi .b1 xi Dari persamaan [2.23a] [2.15] b0 = Y .b1 Σyi xi Ingat : Σyiyi = Σyi = JK Total = JK Y Σyixi = JHK YiXi = JHK XY b1 Σyi xi disebut dengan JK Regresi = JK Reg.21b].b0 .22d] [2.b1 xi) Selanjutnya dari persamaan diatas didapatkan: [2. Dari persamaan [2.b1 xi) G = Σeiyi . perlu dilakukan pengujian keberartiannya. Unuk menjawab pernyataan tersebut maka dapat dikatakan bahwa garis regresi penduga Ŷ = b0 + b1 X nyata secara statistika.b1 (Xi .21c] sehingga atau sebab ΣeIxi = 0 sehingga G = Σeiei. 20 PDF created with pdfFactory Pro trial version www.( Y . sehingga dengan mengkuadrat 2 jumlahkan nilai ei.23c] sehingga dapat menjadi: 2 G = Σyiyi .8.22c] [2.b1 ΣeI xi) G = Σeiyi G = Σyiei G = Σyi (yi . Ingat bahwa ei = yi . ei = yi . G = Σei(yi .b1 xi.b1 X ) . di mana JK Total atau JK Y sudah dapat dihitung dari data pengamatan.Sehingga persamaan regresi penduga Ŷ dari suatu pengamatan atau untuk pengaruh variabel bebas X terhadap variabel tak bebas Y menjadi: [2.22a] [2.20] di mana ei = Yi .22e] G = Σ ei 2 dengan membuka kurung maka atau Persamaan [2.1 Uji varians regresi atau uji F regresi atau uji ragam regresi Uji keragaman untuk menentukan garis regresi yang terbaik sering disebut dengan uji F garis regresi atau lebih terkenal dengan sidik ragam regresi.20] Ŷ = b0 + b1 X sehingga didapatkan pesamaan: [2. sehingga menjadi: [2.X ) [2.pdffactory. 2.21c] yaitu pesamaan untuk nilai ei.4 dapat diuraikan bahwa persamaan [2.b1 X disubstitusikan ke dalam persamaan [2.21a].b1 Xi [2.8.Y ) .21c].23c] didapatkan bahwa JK Galat Regresi sama dengan JK Total dikurangi dengan JK Regresi. Uji ragam regresi atau uji F regresi Uji koefisien regresi dengan uji-t Uji r garis regresi 2.Y. Ŷ = b0 + b1 X Selanjutnya.22b] [2. Pengujian Garis Regresi Linier Sederhana Pengujian garis regresi secara statistika dapat dilakukan dengan tiga cara yaitu: 1).com .bi Xi.23b] [2. selanjutnya didapatkan Σei atau disebut dengan JK Galat Regresi dengan kode G. ei = Yi .20]. untuk membuktikan bahwa garis regresi yang diperoleh tersebut merupakan garis regresi yang terbaik untuk menghampiri setiap titik-titik pengamatan X. 2). 3). Dan jika persamaan [2. Dari Gambar 2.

(ΣY)2/n 3). .23c]. KT Regresi KT Galat = = JK Regresi /(DB Regresi) JK Galat/ (DB Galat) Berdasarkan pada asumsi sebaran normal untuk komponen pengganggu e. dan JK Galat) seperti berikut: [2.JK Regresi.26a] [2.24]. dan ei di bawah ini. Ŷ. maka JK Regresi mempunyai rumus: [2.JK Regresi Selanjutnya dihitung nilai KT atau varians seperti: 1). .25b] JK Regresi = b1 Σyi xi JK Regresi = b1 JHK XY atau dapat ditulis: Persamaan [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 2.27] Fhit = KT Regresi KT Galat 21 PDF created with pdfFactory Pro trial version www. Yi. Sehingga sesuai dengan persamaan [2.4.com . Nilai-nilai Y .26b] JK Regresi = b1 Σyi x1 + b2 Σyi x2 + . . hubungan antara komponen-komponen pada analisis keragaman (JK Total. + bp Σyi xp JK Regresi = (b1 JHK X1Y + b2 JHK X2Y + . JK Regresi = b1 JHK XY 2). JK Regresi. Ŷ. + bp JHK XpY) Komponen penyusun Tabel Sidik Ragam Regresi adalah: 1). JK Total = Jk Y = ΣY2 . 2). Yi. JK Galat = JK Total . dan nilai-nilai Y . JK Galat = JK Total .b] berlaku umum untuk p variabel bebas X sehingga persamaannya menjadi: [2.pdffactory. . Untuk menyederhanakan penulisan dan pengertian di atas.4. dan ei Sehingga. JK Regresi dengn JK Reg (tanpa titik) dan JK Total dengan JK Tot atau JK Y (tanpa titik).25a. maka besarnya nilai F (F-hitung) adalah: [2. maka selanjutnya JK Galat Regresi disingkat dengan JK Galat.25a] [2.Perhatikan Gambar 2.

Y.Hasil perhitungan keragaman di atas dibuatkan Tabel Sidik Ragam Regresi seperti pada Tabel 2.2 Uji keberartian koefisien regresi (bi) atau uji t Pengujian yang dilakukan dengan uji F seperti cara tersebut di atas. dapat memberikan petunjuk apakah setiap variabel X menunjukkan pengaruh atau hubungan yang nyata terhadap variabel tak bebas Y.29].3 berikut di bawah ini. maka dapat dilakukan dengan uji t atau uji koefisien regresi apabila uji F signifikan. sehingga untuk pengujian koefisien regresi (bi). Atau dapat dikatakan bahwa garis regresi penduga (Ŷ) linier sederhana yang didapat tersebut adalah garis regresi penduga yang terbaik untuk menghampiri pasangan pengamatan X. 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. Jika Fhit > F(tabel 5%).pdffactory.n-2) dan α = taraf nyata ) Kreteria pengujian nilai Fhit adalah: 1). 2.28]. t-hitung W = [2. p.3. 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.Y tersebut. Modifikasi dari pengaruh variabel bebas X terhadap variabel tak bebas Y atu uji F. 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. Atau dapat dikatakan ini berarti bahwa terdapat hubungan bukan linier pada pasangan pengamatan X. Secara umum uji t mempunyai rumus adalah: W SW W nilai yang diuji. maka rumusnya menjadi: [2. Jika uji F atau uji ragam regresi menunjukkan bahwa Fhit > F(tabel 5%) barulah dilanjutkan dengan uji t dan sebaliknya.com . Hal ini berarti bahwa terdapat hubungan linier antara pengaruh X terhadap Y. 2).Y.8. Jika Fhit ≤ F(tabel 5%).

Karena besarnya nilai σ e (Ragam Galat Regresi) populasi tidak diketahui. dalam uji t nilai salah baku bi yang ditulis (Sbi) mempunyai persamaan seperti berikut: [2. Perhitungan nilai σBi didasarkan pada ragam galat regresi atau KT Galat Regresi.32b]. Dengan kata lain. yang berarti bahwa garis regresi penduga Ŷ tidak melalui titik acuan (X. Perlu diingatkan bahwa dalam pengujian di atas (baik uji F maupun uji t). 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).32a]. Untuk b1. Sb0 = = var b0  KT Galat Re gresi   n JK X  Untuk pengujian b1 nilai salah baku menjadi: [2.com . Kemudian t-hitung dibandingkan dengan t tabel yang biasa ditulis dengan: thitung ≈ ttabel (Di mana ttabel = t(α/2. Hal ini dapat dikatakan bahwa terima H0. Jika thit > t(tabel 5%.Y = 0.0) yaitu nilai Y = 0 jika X = 0. db galat) maka garis regresi penduga Ŷ dikatakan sejajar dengan sumbu X pada nilai b0. Sb1 = = var b1 ∑X2      KT Galat Re gresi      JK X   Seperti dalam uji F. ini berarti bahwa koefisien arah b1 yang berangkutan dapat dipakai sebagai penduga dan peramalan yang dapat dipercaya. nilai salah baku koefisien regresi Sbi yang diperoleh. 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) Hal ini dikatakan bahwa tolak H0.0). db galat). Sbi = var bi masing-masing untuk b0 dan b1 menjadi: Untuk pengujian b0 nilai salah baku menjadi: [2.pdffactory. jika thit ≤ t(tabel 5%.Dari persamaan [2. didasarkan metode kuadrat terkecil.31]. Selanjutnya.30]. Pengujian yang dilakukan dengan cara tersebut di atas. maka dapat 2 diduga dengan nilai S e atau KT Galat Regresi sampel yang mempunyai persamaan yaitu: [2.29] dalam menyederhakan penulisan salah baku koefisien regresi bi yang biasa ditulis dengan σBi (salah baku = standard error koefisien regresi Bi). S2e = KT Galat Regresi = JK Galat Regresi /(n-p-1) 2 Selanjutnya. 2). Untuk pengujian b0 yang berarti bahwa b0 melalui titik acuan (titik 0. 23 PDF created with pdfFactory Pro trial version www.n-2) dan α = taraf nyata ) Berdasarkan hasil uji t ternyata bahwa kreteria pengujian nilai thit adalah: 1). Jika thit ≤ t(tabel 5%.

3 Uji keeratan hubungan atau uji r Pada uji-uji sebelum ini.tα/2 Sb0 ≤ β0 ≤ b0 + tα/2 Sb0} = 1. rXY = Σxy Σx 2 Σy 2 JHK XY JK X JK Y atau [2.α atau [2.35a].35b].com . b1 = ∑ X ∑Y ∑ XY − n (∑ X ) 2 ∑X − n 2 atau  (∑ X ) 2 2 b1  ∑ X − n  b1 JK X    =  ∑ X ∑Y ∑ XY − n atau dan = JHK XY 24 PDF created with pdfFactory Pro trial version www. uji Koefisien Regresi (uji t) berdasarkan nilai Varians Galat Regresi.α [2.8. r = . p {bi . r = 0.tα/2 Sb1 ≤ β1 ≤ b1 + tα/2 Sb1} = 1. Sedangkan.87. dan untuk setiap b0 dan b1 seperti: [2. seperti uji Ragam Regresi (uji F). Jadi nilai koefisien korelasi itu selalu pecahan seperti: r = 0.α untuk b0 untuk b1 2. 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: [2.33b]. Adapun rumus dari pada koefisien korelasi r adalah: [2.78.0.pdffactory.19c] dan koefisien korelasi r seperti [2.34a].tα/2 Sbi ≤ βi ≤ bi + tα/2 Sbi} = 1.19c].α. p {b0 .33a]. p (bi ± tα/2 Sbi Sbi) = 1.347. Hubungan antara koefisien korelasi r dengan koefisien regresi b2. p {b1 .35c]: [2. pada uji keeratan hubungan selain memakai Varians Galat Regresi juga memakai parameter tertentu yaitu koefisien korelasi atau sering disebut dengan keeratan hubungan dengan simbul rxy atau ryx yang sering ditulis dengan r saja.35c]. rXY = menjadi: [2. rXY = atau menggunakan notasi lain maka nilai r ∑ X ∑Y ∑ XY −  (∑ X ) 2 2  − X ∑  n  n  (∑ Y ) 2 2   − Y ∑  n      (n = jumlah sampel) Perhitungan nilai r berdasarkan rumus di atas disebut nilai koefisien korelasi seserhana atau koefisien korelasi order nol atau koefisien korelasi produc moment atau koefisien korelasi Pearson.34b]. dan lain sebagainya. Lihatlah kembali rumus koefisien regresi seperti [2.

36h] b1 = r Yang jelas dalam uji r. Dalam uji r yang umum dialakukan adalah membandingkan nilai koefisien korelasi r yang dihitung atau r hitung dengan r tabel.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.pdffactory.36e] b1 [2. apabila nilai koefisien regresinya (b1) negatif.[2.36a] di atas dapat ditulis kembali menjadi: [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 ) ) . n-2). sehingga persamaan [2.36a] b1 JK X = r ( (JK X ) (JK Y ) ) Dari kesamaan [2.36e] sama-sama dibagi dengan didapatkan: [2.19] dan [2.356] dapat ditulis menjadi: [2. sehingga nilai SY SX = SY = 1. maka nilai koefisien korelasinya (r) juga negatif.36f] b1 JK X n −1 KT X = r = r JK X n −1 KT Y atau atau [2.com . rhitung ≈ rtabel (di mana rtabel = r(α/2.36d] b1 Jadi: [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 [2.36b] b1 JK X = r [2. dan α = taraf nyata ) 25 PDF created with pdfFactory Pro trial version www. n-2 = db Galat.35c]. Nilai r tabel dapat dilihat pada tabel r yang susunannya serupa dengan tabel t.36g] menjadi: [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 [2.37b]. [2. [2.38f].35b] seperti berikut. yang berarti bahwa terdapat hubungan atau korelasi antara variabel yang satu dengan variabel yang lainnya. > t(tabel 5%.38e]. JK Total 26 PDF created with pdfFactory Pro trial version www.35b].37a]. rXY 2 = JHK XY JK X JK Y 2 Modifikasi dari rumus r atau R adalah seperti berikut: [2. [2. [2. Jika rhitung > r(tabel 5%. db galat) Hal ini dapat dikatakan bahwa tidak terdapat hubungan linier atau korelasi sederhana antara variabel yang satu dengan variabel yang lainnya. Jika thitung Hubungan lain antara parameter r. Selain pengujian r seperti di atas nilai r hitung dapat pula diuji dengan menggunakan uji t dengan rumus pengujian seperti berikut yaitu: [2. Hal ini dikatakan bahwa tolak H0.38b].37c]. Jika rhitung ≤ r(tabel 5%. db galat) Hal ini dikatakan bahwa tolak H0. db galat). r 2 XY = = = = = ( JHK XY ) ( JHK XY ) ( JK X ) ( JK Y ) ( JHK XY ) ( JHK XY ) ( JK X ) ( JK Y ) b1 ( JHK XY ) ( JK Y ) atau ingat: b1 = ( JHK XY ) ( JK X ) r2XY r 2 XY ingat: JK Y = JK Total ingat: b1 JHK XY = JK Regresi) rumus di tas tersebut bersifat umum r2XY r 2 XY (b1 JHK XY ) ( JK Y ) JK Re gresi ( JK Total ) 2 JK regresi = r .Berdasarkan hasil uji r ternyata bahwa kreteria pengujian nilai rhitung adalah: 1). Jika thitung ≤ t(tabel 5%. dan dengan garis regresi penduga Ŷ dapat dijabarkan kembali melalui persamaan: [2. t-hitung r = Berdasarkan hasil uji t untuk nilai r ternyata bahwa kreteria pengujian adalah: 1). db galat).com . Jadi [2.38c].pdffactory.38d]. t-hitung r = Sr = [2. b1.38a]. 2). Hal ini dapat dikatakan bahwa tidak terdapat hubungan atau korelasi antara variabel yang satu dengan variabel yang lainnya. 2). yang berarti bahwa terdapat hubungan linier atau korelasi sederhana antara variabel yang satu dengan variabel yang lainnya. [2.

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

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

903 3.340 5.063 166.048 X2 95.250 141.330 145.250 12. Perhitungan Regresi Dua Variabel yaitu Variabel X dan Variabel Y No. yang datanya terdiri dari satu variabel bebas X (prediktor) yaitu nilai X dan satu variabel tak bebas Y yaitu nilai Y. seperti disebutkan di atas.261 XY 6.490 175.360 0.250 1.Di dalam penerapan praktis dari garis regresi penduga Ŷ = a + bX dipakai untuk mengadakan peramalan atau penafsiran.10. Pengertian ekstrapolasi adalah penaksiran atau peramalan nilai Y.908 1. 2.410 204.903 18.600 12.650 0.900 10.900 1.pdffactory.760 141.873 Y 0.750 10.890 1.600 11.050 1.300 5.900 14. maka diberikan contoh olahan seperti di bawah ini.563 0.600 0. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Jumlah Rata2 X 9.863 12.750 1.540 5.900 24.610 231.000 1.100 11. 2).200 12.com .217 29 PDF created with pdfFactory Pro trial version www.063 1.875 10.338 7.000 2.150 0. dan datanya seperti pada Tabel 2.300 13.305 198.950 15.900 178.563 3.305 26.063 110.250 126.423 0.720 1.800 0.Interpolasi.090 79.323 0.610 2183.563 27.103 1.720 0.500 0.240 0.518 0. sebab garis regresi penduga tersebut harus tahan uji dari beberapa jenis pengujian garis regresi seperti yang telah diuraikan di atas.810 1.250 15.950 1.250 12.4.700 1.400 11.300 8.563 158.253 13.600 7.750 0.10 Aplikasi Regresi Linier Sederhana Untuk dapat lebih memahami uraian teori di atas dan agar dapat menentukan nilai-nilai dalam regresi penduga Ŷ = b0 + b1X atau koefisien regresi yaitu nilai-nilai b0 dan b1.360 56.900 15.500 11.1 Perhitungan JK-JHK dan penentuan koefisien regresi linier sederhana b0 dan b1 Tabel 2. 2.Ekstrapolasi Pengertian interpolasi adalah penaksiran atau peramalan nilai-nilai Y.500 11. 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.310 16.563 234.125 14.555 Y2 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. Ada dua pengertian pokok yang harus dipahami dalam penaksiran atau pendugaan adalah: 1).490 11.040 150.250 0.4.210 112. 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.

95776 + 0.(5.908 .(ΣY)2/n 18. JK Regresi. 2. Uji koefisien regresi atau uji terhadap bi atau uji t.4 di atas seperti berikut: 1).330 . Dalam pengujian garis regresi penduga terdapat tiga macam uji yaitu: 1).(0. dilakukan pengujian terhadap garis regresi penduga.(ΣX) /n 2183.6893 0.2 Pengujian garis regresi linier sederhana dengan uji F Dalam Uji F atau uji Ragam Regresi atau uji Varians Regresi diperlukan nilai-nilai JK Total.4338 Σx1 = ΣX1 . Uji F atau uji ragam regresi atau uji varians regrsi. dilakukan perhitungan untuk mencari nilai b0 dan b1 seperti berikut ini.(178.16893 satuan Y. JK Total = = = = Σy 2 2 ΣY .720)2/15 2. dan Uji koefisien korelasi atau uji r.16893 Sehingga. persamaan peduganya menjadi: = = b0 + b1 X . dan JK Galat Regresi dari data Tabel 2. Selanjutnya. maka akan menyebabkan terjadinya perubahan Y sebesar 0.95776 JHK XY JK X 11.pdffactory.0.(5.048 . dari persamaan peduga di atas dapat diartikan bahwa setiap perubahan satu satuan X.6037 2 2 2 JK X JHK XY Selanjutnya.com .253 .(178.ΣX1 ΣY/n 198.16893 X Sehingga. 2).0.b1 X 1. 3).100)2/15 68.16893) (11.908 .873) .(ΣY) /n 2 18. Nilai b1 adalah: b1 = = = Nilai b0 adalah: b0 = = = Ŷ Ŷ Y .Perhitungan JK-JHK dari data di atas seperti: JK Y = = = = = = = = = Σy2 = ΣY2 .10.6893 Σx1y = ΣX1Y .43384 2 30 PDF created with pdfFactory Pro trial version www.100)(5.720)/15 11.6037 68.720) /15 2.

KT Galat Regresi = = = Setelah perhitungan JK Total. dihitung nilai KT atau varians seperti: 1). Untuk pengujian b0 nilai salah baku Sb0 dari data di atas: Sb0 = KT Galat Re gresi ∑ X 2 n JK X 0.5 berikut. KT Regresi = = = JK Regresi /(DB Regresi) 1.96021 JK Galat/ (DB Galat) 0.43384 Kuadrat Tengah (KT) 1.43384 . bi Secara umum uji t mempunyai rumus adalah t-hitung bi = S bi Selanjutnya.2).47363/13 0.277853 = = 31 PDF created with pdfFactory Pro trial version www.JK Regresi 2. Bagan Sidik Ragam Regresi Dua Variabel Sumber Keragaman (SK) Regresi Residual Total Keterangan: ** Derajat Bebas (DB) 1 13 14 Jumlah Kuadrat (JK) 1.2. dalam analisis regresi dua variabel nilai salah baku bi yang ditulis dengan Sbi mempunyai persamaan seperti berikut. = berpengaruh sangat nyata pada p<0.01) terhadap variabel tak bebas Y.67 9.96021 = = = JK Total . JK Galat Regresi Selanjutnya.96021 0.47363 2.07 Jumlah sampel (n) = 15.01 Berdasarkan hasil analisis varians di atas ternyata bahwa Fhit > F(tabel 1%) atau dapat dikatakan bahwa hipotesis nol ditolak.96021 0.com . yang berarti bahwa terdapat pengaruh variabel bebas X yang sangat nyata (p<0.pdffactory.03643 2183.3 Pengujian koefisien garis regresi linier sederhana dengan uji t Setelah dilakukan pengujian dengan uji F maka selanjutnya.96021 0.03643 2).5. 2.10. JK Galat Regresi.330 15 x 68.6893 0.6037) 1.03643 - F hitung 53. maka di lanjutkan dengan membuat Tabel Analisis Keragaman atau Tabel Analisis Varians Regresi seperti pada Tabel 2. Tabel 2. dan KT Galat didapatkan.96021/1 1. JK Regresi = = = b1 JHK XY (0. JK Regresi.16893) (11. dilakukan pengujian terhadap koefisien regresi b0 dan b1 dengan uji t seperti berikut.8037 ** F tabel 5% 1% 4. KT Regresi.47363 3).

2).com .(2.16893 Selanjutnya. Garis regresi penduga Ŷ = .α p {. Ternyata bahwa t-hitung > ttabel 1% baik untuk nilai b0 maupun untuk b2.α p { .0. uji t terhadap nilai koefisien regresi b1: t-hitung b1 = b1 Sb 1 0. dapat dikatakan bahwa: 1).13) = 2. atau mempunyai slop sebesar 0.α 32 PDF created with pdfFactory Pro trial version www.16893 X tidak melalui titik 0.131 dan t(1%.131) (0.6893 = = 0.277853) ≤ β0 ≤ . 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 .947.0.1.16893 = 0.131) (0.335101 Berdasarkan hasil uji t ternyata bahwa nlai thitung yang diperoleh dibandingkan dengan ttabel atau t(5%.4470 mutlaknya)}.95776 + 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 .95776 .95776 + 0.558029 ≤ β0 ≤ .03643 68.95776 + (2.3.tα/2 sbi} = 1. Ini berarti bahwa dari analisis tersebut H0 ditolak baik untuk uji b0 maupun untuk uji b1 Sehingga.0.0. selain untuk pengujian hipotesis.n-2) Sb0 ≤ β0 ≤ b0 + t(α/2.Untuk pengujian b1 nilai salah baku Sb1 dari data di atas: Sb1 = KT Galat Re gresi JK X 0.0.023030 = 7.0. Garis regresi penduga Ŷ = .023030 Uji t terhadap nilai koefisien regresi b0: t-hitung b0 = b0 Sb 0 .t(α/2.277853 = .16893 X tidak sejajar dengan sumbu X.95776 = 0. {Nilai t negatif sama dengan nilai positif (diambil harga Selanjutnya.35750} = 1 .tα/2 sbi ≤ βi ≤ bi . dengan nilai salah baku koefisien regresi b0 dan b1 yang diperoleh.0 atau titik acuan. db galat = 13) yaitu sebesar 2.pdffactory.277853)} = 1.n-2) Sb0} = 1.

023030) ≤ β1 ≤ 0.0 10.n-2) Sb1} = 1.n-2) Sb1 ≤ β1 ≤ b1 + t(α/2.6 1.119176 sampai dengan 0.0 1.com .16893 .α Y = .131) (0.2 6.023030)} = 1. dilakukan uji r produc moment dari Pearson dengan rumus seperti: ∑ X ∑Y ∑ XY − r =  (∑ X ) 2 2 X −  ∑  n  n  (∑ Y ) 2 2 Y −   ∑  n      Untuk perhitungan nilai r diperlukan hasil penjumlahan data pada Tabel 3.1689 X R2 = 80.pdffactory.0 12.10.0 0.253 ΣY 2 ΣY = = 15.21868} = 1 .0 16.8 0.0 14.α p {0.119176 ≤ β1 ≤ 0.1 di atas seperti: ΣX = 2 ΣX = ΣXY = 178.131) (0.720 18.908 33 PDF created with pdfFactory Pro trial version www.1.9578 + 0.t(α/2.21868 Berdasarkan perhitungan di atas maka dapat dibuat gambar Garis Regresinya seperti berikut: 2.558029 sampai dengan .Jadi perkiraan nilai β0 berkisar antara .54% 2.(2.0 8.330 198.16893 + (2.4 Pengujian garis regresi linier sederhana dengan uji r Pada uji-uji sebelumnya seperti uji F dan uji t telah dilakukan.000 1.6 0.100 2183. 000) untuk b0 p {0.0.0.0 Pendapatan Petani ( x 100.8 Konsumsi Daging x100. Selanjutnya.4 0.35750 Untuk perkiraan β1 dengan nilai salah baku Sb1 dengan α = 5% dari data di atas didapatkan: p {b1 .α Jadi perkiraan nilai β1 berkisar antara 0.2 1.4 1.

720) 2   2183. Hal ini dapat dikatakan bahwa terdapat hubungan atau korelasi yang sangat erat antara variabel bebas X dengan variabel tak bebas Y.897 2 ) (15 − 2) 0. pengujian r seperti di atas.131 dan t(1%. db galat = 13) yaitu sebesar 2. Sr Di mana Sr = salah baku r dengan rumus: Sr Sr = = = Sehingga: t-hitung = r Sr 0. 13) = 0.53 − 0. nilai r dapat pula diuji dengan uji t. Selain.720) 15  (178.100) (15. Hal ini dapat dikatakan bahwa tolak H0 yang berarti bahwa terdapat hubungan atau korelasi yang sangat erat antara variabel X dengan variabel Y. maka nilai thitung ≈ ttabel. Nilai r tabel = r(α/2.897 0.com .pdffactory.Sehingga: r = 178. 34 PDF created with pdfFactory Pro trial version www.51653 Berdasarkan hasil uji t. Ternyata bahwa t-hitung > ttabel 1%.13765 = = 6.642. n-2).13) = 2.13765 (1 − r 2 ) (n − 2) (1 − 0.642. dengan rumus pengujian seperti berikut: t-hitung = r .947. dengan n = 15 maka: Nilai r tabel 5% = r(5%.330 −  18.100) 2   (15.897 = 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. Nilai ttabel atau t(5%. 13) = 0. dan Nilai r tabel 1% = r(1%.897 > r tabel 1% = 0.514.908 −     15 15    198. Jadi r hitung = 0.

n – 2) S Y ≤ μXY ≤ Ŷ + t(α/2.54% dari variabel tak bebas Y dipengaruhi oleh variabel bebas X.0. atau dapat diartikan bahwa 80.46% dari variasi total Y dipengaruhi oleh faktor lain diluar X atau variabel selain X.6893  15       =      = 0. di mana α = 5%.t(α/2.897)2 = 0. Dengan menggunakan dasar perhitungan analisis ragam regresi dan KT Galatnya seperti di atas didapatkan taksiran nilai rata-rata seperti berikut ini.73154 + (2. dengan nilai Ŷ menjadi: Y Ŷ = .0138) ≤ μXY ≤ 0.131) (0.95776 + 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%.873 10 2.01377 Selanjutnya. n – 2) S .54% variasi keragaman total Y atau variasi Y dapat diterangkan oleh variasi X.03643 15 11.03643  + 68.16893 X = . sehingga γ = 95%.pdffactory.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 − 11.5 Peramalan atau prediksi pada garis regresi Dalam perhitungan taksiran atau ramalan garis regresi diperlukan selang kepercayaan γ yaitu sebesar 1 – α.16893 (10) = 0. seperti berikut: Ŷ .76088 35 PDF created with pdfFactory Pro trial version www.95776 + 0.t(α/2. 13) = = = = = = = 0.8054.(2.0.73154 68.73154 .6893 0. 2 Sisanya 1 .873) 2  0. Hal ini diartikan bahwa 80.R = 19.131) (0. 1).7022 0. n – 2) S Y ≤ μXY ≤ ≤ μXY ≤ Ŷ + t(α/2. taksiran nilai rata-rata μXY: Ŷ .com .Berdasarkan perhitungan koefisien korelasi r di atas. maka didapatkan koefisien determinasi R2 = (0. 2. n – 2) S Y 0. Sebagai contoh: taksiran nilai rata-rata μXY untuk X0 = 10.10.0138) 0.

Jadi. taksiran individu untuk Xi = X0 = 10.6893   0. taksiran rata-rata untuk Xi = X0 = 10.16893 X = .03643 15 11. n – 2) S ˆˆ ≤ Y ˆ ˆ Y Y Ŷ = . maka Y 76473.6893 0. 36 PDF created with pdfFactory Pro trial version www.6 di bawah ini. taksiran nilai individu: Ŷ .01558      Selanjutnya.t(α/2.131) (0.131) (0.0138) ≤ Y ˆ ˆ ≤ 0.95776 + 0.76473 ˆ ˆ berkisar antara 0.0. n – 2) S Ŷ . Hasil perhitungan taksiran rata-rata dan individu nilai-nilai Xi yang lain dapat dilihat pada Tabel 2.131 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. 2).76088. Untuk taksiran rata-rata nilai-nilai Xi yang lain dapat dihitung seperti cara di atas.73154 68. maka μXY berkisar antara 0. Jadi. Untuk taksiran individu nilai-nilai Xi yang lain dapat dihitung seperti cara di atas.69835 ≤ Y 0. 69835 sd 0.873 10 2. 13) = 0.873) 2 0.t(α/2.t(α/2. n – 2) S ˆˆ Y ˆ ˆ ≤ ≤ Y Ŷ + t(α/2.73154 + (2.com .(2.7022 sd 0.0. seperti berikut: Sebagai contoh: taksiran nilai individu Y ˆ ˆ ≤ Ŷ .95776 + 0. ˆ ˆ untuk X0 = 10.73154 .pdffactory.16893 (10) = 0.03643  1 + +  15 68.73154 S ˆˆ = _  1 ( X 0 − X )2  + KT Galat Regresi 1 + Y n JK X   Ketentuan:      dapat dihitung dengan: Ŷ = JK X = KT Galat = n = _ = X X0 = t(5%. n – 2) S ˆˆ Y ˆ ˆ ≤ 0.0138) 0.

379 1.069 No.0 Data pada Tabel 2.0 Pendapatan 12.377 1.281 1.858 0.0 14.250 12.239 1.199 1.664 1.816 0.259 1.924 1.307 1.813 0.656 0.722 0.Tabel 2.309 1.571 0.900 1.6 37 PDF created with pdfFactory Pro trial version www.943 1.558 1.250 1.838 0.6 Konsumsi daging 1.112 1. 2.720 0.600 0.057 0.200 12.417 1.190 1.254 1.119 1.2 6.036 ˆ ˆ upper Y 0.750 10.302 1.129 1.com .499 0.0 16.6 0.036 1.300 13.095 1.250 15.496 1.053 1.807 0.961 1.595 0.650 0.048 1.682 0.420 1.932 1.689 0.8 0.574 0.546 0.pdffactory.151 1.953 1.048 0.183 1.853 0.700 1.0 1.4 1.244 1.8 1.833 0.105 1.950 1.750 0.900 15.150 0.000 1.221 1.497 0.750 1.0 0.900 14.726 0.789 0.800 0.241 1.592 0.653 0.159 1.6 Hasil Perhitungan Taksiran Rata-rata μXY dan Taksiran Individu ˆ ˆ dari Nilai-nilai Xi Y X 9.500 0.238 1.0 10.610 1.0 8.600 7.843 0.627 0.900 10.950 Ŷ 0.057 1.600 11.500 11.300 8.205 1. Karena ˆ ˆ yang sangat sempit maka gambarnya kelihatan tiga perbedaan nilai antara μXY dan Y garis yang seharusnya lima garis seperti pada Tabel 2.171 1. 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.662 1.794 0.250 12.2 1.4 0.556 1.458 1.050 1.053 ˆ ˆ lower μXY lower μXY upper Y 0.499 1.500 11.6 di atas.069 1.680 0.900 Y 0.

dapat dipakai sebagai peramalan dari nilai-nilai Xi yang belum diketahui.8037 Significance F 0.9602 0.16893 X dapat dipakai untuk mengadakan peramalan atau penafsiran interpolasi dan ekstrapolasi Nilai interpolasi adalah nilai taksiran atau nilai ramalan dari nilai-nilai Y.0.2.00433 .3351 0.73154.11918 0.0% Intercept .2.21868 0. jika harga-harga Xi yang dimasukkan ke dalam persamaan regresi penduga Ŷ = .30922 dan 1.16893 X terletak di luar batas daerah ruang X1 dan Xn.4736 2.27785 .5 dan X = 15. Nilai ekstrapolasi adalah nilai taksiran atau nilai ramalan dari nilai Y. atau untuk mencari nilai Y apabila Xi telah ditentukan.16893 X terletak di dalam daerah ruang gerak X1 dan Xn.12079 X1 0.95776 + 0.09956 0.pdffactory. SPSS. maka nilai Y penduga = 0. 1 Summary Output Excel Table 2.7904 0.0.8054 0.23830 Var 38 PDF created with pdfFactory Pro trial version www.4470 0.55803 .0364 F 53.5 dan Xi = 15 berada di luar Xminimum dan Xmaksimum.8974 0.02303 7.com .2. jika harga-harga Xi yang dimasukan ke dalam persamaan regresi penduga Ŷ = .95776 + 0. dan lain sebagainya.35750 .0. Sistat.0% 99. 2.95776 0.11 Interpolasi dan ekstrapolasi Jelaslah bahwa dari uraian di atas. pemakaian persamaan penduga Ŷ = b0 + b1X.16893 0.95776 + 0.79474 .0.57615. sebab nilai Xi = 7. Dalam hal ini akan diberikan contoh keluaran komputer dengan program Excel seperti pada tabel berikut. sebab nilai Xi = 10 berada di dalam antara X1 dan Xn.8 ANOVA SV Regression Residual Total DB 1 13 14 SS 2.00001 0. Minitab.0000 0. seperti X = 7. Di dalam penerapan praktis dari garis regresi penduga Ŷ = .3.12 Contoh Hasil Output Komputer dengan Menggunakan Solf-ware Execel Perhitungan-perhitungan regresi seperti regresi linier sederhana di atas terdapat banyak perangkat lunak yang dapt membantunya seperti Excel.0.4338 MS 2.9 Parsial Regression Coefficients Standart t Stat P-value Lower Upper Lower Upper Error 95% 95% 99.7 Regression Statistics Multiple R R Square Adjusted R Square Standard Error Observations Table 2.1909 15 Table 2. Statistica. seperti X = 10 maka nilai Y penduga = 0.0.9602 0.

hal ini berarti terima H0 yang menyatakan bahwa garis regresi penduga (Ŷ) linier sederhana yang didapat tersebut bukan garis regresi yang terbaik.01) mempunyai kesimpulan yang sama dengan Fhit > F(tabel 1%).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 = . DF = Degrees of Freesom atau = Derajat Bebas (DB).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 nyata terhadap variabel tak bebas Y. F = F-hitung. hal ini berarti tolak H0 yang menyatakan bahwa garis regresi penduga (Ŷ) linier sederhana yang didapat tersebut adalah garis regresi yang terbaik untuk menerangkan bahwa variabel bebas X berpengaruh sangat nyata terhadap variabel tak bebas Y. atau dapat diartikan bahwa 80. 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. Apabila nilai signifikanse F < (p = 0.05) mempunyai kesimpulan yang sama dengan Fhit > F(tabel 5%). Atau variabel bebas X tidak berpengaruh terhadap variabel tak bebas Y. 1). nilai significance F dibandingkan peluang (p) standar yaitu 5% dan 1%.05) mempunyai kesimpulan yang sama dengan Fhit ≤ F(tabel 5%).com .0. Di mana SV = Sumber Variasi (SV) atau Sumber Keragaman (SK).pdffactory. Apabila nilai significance F ≥ (p = 0. Akan tetapi. SS = Sum of Squares atau = JK. 2).Penjelasan tabel di atas seperti berikut: Table 2. MS = Means Squarwes atau KT. Significance F adalah sama dengan nilai peluang dari nilai F-hitung.0000.8974.54% dari variabel tak bebas Y dipengaruhi oleh variabel bebas X. Dalam hal ini nilai F-hitung tidak dibangingkan dengan F tabel seperti biasa.16893 X. Sebagai contoh dari hasil analis tersebut di atas didapat nilai F = 53.8037 dengan significance F = 0. R Square adalah sama dengan koefisien determinasi R2 yang menunjukkan variasi keragaman total Y yang dapat diterangkan oleh variasi variabel X. Apabila nilai significance F < (p = 0.95776 + 0. adalah garis regresi yang terbaik untuk menerangkan bahwa variabel bebas X (pendapatan petani) berpengaruh sangat nyata terhadap variabel tak bebas Y (pengeluaran petani).

Sebagai contoh Standart Error untuk b0 (Sb0) = 0.0. Dalam hal ini nilai t-hitung tidak dibangingkan dengan t tabel seperti biasa.95776 + 0. Standart Error di sini menunjukkan nilai yang sama dengan Sb0 dan Sb1 dalam pengujian b0 dan b1.0) 2). hal ini berarti tolak H0 yang menyatakan bahwa garis regresi penduga (Ŷ) linier sederhana melalui tidak melalui titik acuan (0.05) mempunyai kesimpulan yang sama dengan thit ≤ t(tabel 5%). hal ini berarti terima H0 yang menyatakan bahwa garis regresi penduga (Ŷ) linier sederhana sejajar dengan sumbu X pada nilai b0.05.Tabel 2.95776 dan b1 = 0. Apabila nilai P-value < (p = 0.33510. yang berarti bahwa garis regresi penduga Ŷ = . dalam analisis ini adalah X.00002. Intercept sama dengan b0 jarak antara titik potong garis regresi penduga Ŷ dengan titik acuan (0.16893 X. nilai P-value dibandingkan peluang (p) standar yaitu 5% atau 1%. Standart Error dalam Tabel 3 ini berbeda dengan Standart Error dari Tabel 2.05) mempunyai kesimpulan yang sama dengan thit ≤ t(tabel 5%).44702 dan S bi b1 = 7.05) mempunyai kesimpulan yang sama dengan thit > t(tabel 5%).27785 dan Standart Error untuk b1 (Sb1) = 0. Apabila nilai P-value ≥ (p = 0. Ini berarti tolak H0 karena Pvalue < 0.0).00433. Sebagai contoh dari hasil analisis tersebut di atas didapatkan nilai P-value untuk b0 = 0.16893 X.02303.0.05) mempunyai kesimpulan yang sama dengan thit > t(tabel 5%). Untuk b0.16893 dan sangat nyata.05. Sehinga nilai t-hitung untuk masing-masing b0 = .0.0).9 Parcial Regression Var adalah sama dengan variabel yang akan dijelaskan. maka 1).pdffactory. Ini berarti tolak H0 karena P-value < 0. Demikian juga didapatkan nilai P-value untuk b1 = 0.16893. Masing-masing b0 = .0). tidak melalui titik acuan (0. yang berarti bahwa garis regresi penduga Ŷ = . Untuk b1. hal ini berarti tolak H0 yang menyatakan bahwa garis regresi penduga (Ŷ) linier sederhana melalui tidak sejajar dengan sumbu X dengan slop sama dengan b2. maka 1). 2). Coefficients sama dengan bi dalam hal ini sama dengan b0 dan b2.com .95776 + 0. P-value adalah sama dengan nilai peluang dari nilai t-hitung. adalah garis regresi penduga tidak sejajar dengan sumbu X. 40 PDF created with pdfFactory Pro trial version www. t Stat sama dengan t-hitung untuk b0 dan b1 dengan rumus umum seperti: bi thitung bi = . Akan tetapi.3. Apabila nilai P-value ≥ (p = 0. 1). Apabila nilai P-value < (p = 0. hal ini berarti terima H0 yang menyatakan bahwa garis regresi penduga (Ŷ) linier sederhana melalui titik acuan (0. arinya mempunyai slop atau kemiringan = 0.

pdffactory.35750 untuk nilai α = 5%. Sebaliknya.α tergantung pada nilai α yang dipakai 5% atau 1%.tα/2 sbi} = 1.79474 sampai dengan . .09956 sampai dengan 0. Perkiraan nilai β1 berkisar antara 0.α . apabila nilai Lower dan Upper bersifat definit positif atau definit negarif artinya baik Lower maupun Upper mempunyai tanda bilangan yang positif atau negarif ( + .1.21868 untuk α = 5%. dan antara . Perkiraan nilai β0 berkisar antara . Perhatikan nilai Lower dan Upper. 41 PDF created with pdfFactory Pro trial version www.23830 untuk α = 1%.Lower dan Upper adalah sama dengan perkiraan nilai interval b0 dan b1 atau pendugaan nilai β0 dan β1 dengan rumus: p {bi .119176 sampai dengan 0.1.) berarti dalam uji t-hitung bi menunjukkan signifikansi yang nyata pada taraf α = 5% atau 1%. apabila nilai Lower bertanda negarif dan Upper bertanda positif berarti dalam uji t-hitung bi menunjukkan signifikansi yang tidak nyata pada taraf nilai α = 5% atau 1%. dan antara 0.0.558029 sampai dengan .tα/2 sbi ≤ βi ≤ bi .com . Nilai 95% atau 99% = 1.0.12079 untuk α = 1%.

Sign up to vote on this title
UsefulNot useful