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

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

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

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

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

YPR.3 di bawah ini. dan YQR yang merupakan garis regresi terbaik sebagai penghampir titik-titik pasangan pengamatan Xi.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. Suatu pertanyaan yang berhubungan dengan hal tersebut di atas adalah: "Kapankah suatu garis regresi dapat dikatakan sebagai garis regresi yang baik?".Yi sebagai garis regresi tersebut.com . maka variabel Y bertambah atau menurun atau berubah sebanyak B kali.3 di atas yang manakah dari ketiga garis tersebut termasuk garis regresi yang terbaik. apabila nilai X = 0. Untuk itu haruslah terlebih dahulu mengetahui apa yang dimaksud dengan garis regresi yang baik.pdffactory. Seperti pada persamaan [2. yang dipakai untuk menghampiri titik-titik P. Dengan demikian kembali ke Gambar 2.X1 Y = Y2-Y1 Y2 A Y1 X1 140 Pendapatan X2 160 Gambar 2.1] A dan B adalah konstanta. Fungsi linier sama dengan persamaan linier atau model linier atau regresi linier yang mempunyai bentuk hubungan atau bentuk fungsi: Y = A + BX. Apabila ada garis tertentu selain ketiga garis YPQ. Oleh karena dalam pembicaraan ini hendak berusaha mencari cara untuk menentukan persamaan garis regresi linier sederhana yang baik atau yang terbaik. B sering disebut kemiringan atau kecondongan garis regresi atau slope atau slope coefficient adalah tangen sudut yang dibuat oleh garis regresi dengan sumbu X.125 Q 100 P Konsunsi 75 50 25 0 120 ! X = X2 . 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. Suatu bentuk hubungan atau fungsi linier atau regresi linier di samping mudah interprestasinya. Q dan R. yaitu parameter yang digunakan. Perhatika Gambar 2. yang menunjukkan garis-garis regresi linier dari beberapa pengamatan. Dalam beberapa hal dimungkinkan untuk mengecek atau menguji asumsi atau hipotesis setelah bentuk hubungan itu diperkirakan. 0) dengan perpotongan antara sumbu tegak Y dengan garis linier atau besarnya nilai variabel Y. Perhitungan = !Y/!X Secara Sederhana 2. 14 PDF created with pdfFactory Pro trial version www. juga dapat dipergunakan sebagai pendekatan bentuk hubungan yang bukan linier (non linier) menjadi bentuk linier.2. A ialah: jarak titik acuan (0.

Sehingga garis regresi linier sederhana dengan persamaan penduga menjadi : [2. salah ukur. 15 PDF created with pdfFactory Pro trial version www.5]. Oleh karena itu.3a]. " = A + BX untuk populasi Jadi kesalahan e tersebut dapat mengakibatkan adanya resiko.4c].150 R 125 100 75 50 25 0 120 Q P Konsunsi "=%+!X 140 Pendapatan Gambar 2. " = [2.4a]. salah catat.pdffactory. " = a + b X [2. " = % + [2. Penggambaran Regresi Penduga " = % + X 160 Sebuah garis dikatakan sebagai garis regresi terbaik yang disebut dengan garis regresi penduga diberi simbul dengan: " (dibaca Y topi atau Y cup atau Y penduga). serta banyak lagi nilai-nilai yang lainnya. resiko tersebut hendaknya dibuat sekecil-kecilnya atau minimal. Faktor-faktor tersebut secara keseluruhan dinamakan kesalahan pengganggu (disturbance error) yang diberi simbul dengan e. Kadang-kadang nilai e diartikan faktor-faktor tertentu yang belum diketahui penyebabnya atau faktor-faktor yang belum dijelaskan. tidak hanya tergantung pada variabel bebas X saja.4b].3b]. " = b0 + b1 X [2.3. Untuk melakukan dugaan atau membuat keputusan selalu ada resiko walaupun betapa kecilnya. Kesalahan pengganggu e tersebut menyebabkan ramalan menjadi kurang tepat terhadap garis regresi penduga seperti: [2. besarnya nilai variabel tak bebas Y.com . " = 0 1 X + + 1 2 atau ditulis dengan X X atau ditulis dengan atau untuk sampel atau untuk populasi [2.3c]. Faktor-faktor tersebut yang dapat terdiri atas: salah hitung. " = b1 + b2 X Suatu hal yang harus dipahami bahwa dalam pendugaan garis regresi. dan nilai-nilai kebetulan. alat kurang sempurna. tetapi ada faktor-faktor lain yang ikut mempengaruhi.

Nilai e dapat berharga positif bila nilai pengamatan Yi berada di atas garis penduga ". ei = Yi .8]. dapat berharga negatif bila nilai pengamatan Yi berada di bawah garis penduga ".3. Nilai Pengamatan Yi. 150 125 Konsumsi 100 75 50 25 0 120 130 140 Pendapatan Gambar 2. biasanya ditaksir dengan nilai a dan b atau dengan nilai b0 dan b1. maka penulisannya menjadi seperti: [2.3 dengan menggambar scatter diagram dengan ". Nilai Penduga ". sehingga garis regresi linier penduga mempunyai bentuk persamaan: [2.pdffactory. " = b0 + b1 X dan Yi = " + e [2. dengan nilai penduga " dan dengan nilai pengamatan Yi dapat ditulis: [2. dan dapat pula berharga nol bila nilai pengamatan Yi berada tepat pada garis penduga ". " = b0 + b1 X untuk sampel Jadi a dan b atau b0 dan b1 sebagai penaksir A dan B. Hubungan antara nilai kesalahan e. Seperti yang ditunjukkan pada Gambar 2. dan ei.6]." Untuk sejumlah n pasangan pengamatan.com .Karena dalam suatu pendugaan nilai A dan B tidak dapat dihitung (belum diketahui nilainya). e = Yi .7a].7b].(b0 + b1 X) atau Nilai e sebagai penduga nilai kesalahan E adalah kesalahan penggangu populasi dan e adalah kesalahan penganggu sampel. Yi. dan Nilai Kesalahan Penganggu ei e1 (+ (+) e3 " e2 (-) Y2 150 160 16 PDF created with pdfFactory Pro trial version www.

dan harus betul-betul tepat atau cocok. yang menunjukkan hubungan antara variabel bebas X dan variabel tak bebas Y. Selain teori kuadrat terkecil.com . bila digunakan sebagai garis penduga. hal-hal tersebut di atas. 3.") = minimal. Garis penduga menjadi garis regresi terbaik apabila jumlah semua kesalahan adalah minimal ditulis dengan: %ei = minimal atau %( Yi . 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. 3). 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. Mempunyai derajad keeratan hubungan yang maksimum atau koefisien korelasi tertinggi. Suatu syarat penaksir garis atau garis penduga yang terbaik. hal ini akan dibicarakan pada uji kecocokan garis regresi penduga. Dengan mengkuadratkan nilai kesalahan ei yang kecil (pecahan) maka akan diperkecil mendekati nol. ada suatu teori Maximum Like Lihood Estimation yang kedua-duanya membuktikan bahwa meminimalkan kesalahan ei merupakan estimasi atau penaksiran yang terbaik.2. Sesuai dengan teori aljabar maka akibatnya %ei sama dengan nol (minimal). 2). disebut metode yang terbaik bagi penduga garis regresi linier sederhana?.pdffactory. metode kuadrat terkecil mempunyai beberapa kelebihan daripada metode-metode lain. sehingga garis regresi penduga yang dihasilkan akan mendekati ketepatannya. Cara pendekatan terakhir disebut dengan Metode Kuadrat Terkecil atau dengan Least Squares Methods. Model regresi atau bentuk fungsi yang dipakai haruslah mendekati titik-titik pasangan X. diantaranya: 1). apabila jumlah harga mutlak dari nilai kesalahan atau %&e& adalah minimal.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.2. Perhitungan matematis dari metode kuadrat terkecil cukup sederhana. di samping mempunyai nilai ragam galat atau ragam kesalahan atau ragam residu atau ragam sisa yang terkecil. apabila jumlah pangkat dua (kuadrat) nilai kesalahan-kesalahan (ei) adalah minimal atau ditulis dengan 2 rumus: %e i = 0. 2. tetapi harus memenuhi juga syarat-syarat yang lain yaitu: 1). seperti yang ditunjukkan pada Gambar 2. Dengan memakai nilai kuadrat. dan bila nilai ini diminiumkan. Cara ini lebih baik dari cara pertama sebab tidak ada saling kompensasi antara nilai ei yang negatif dengan positif. maka semua nilaidari kesalahan atau simpangan ei akan berubah menjadi positif. 17 PDF created with pdfFactory Pro trial version www. Garis penduga merupakan garis regresi yang terbaik. 4).4. Hal ini akan dibahas dalam penggunaan koefisien korelasi dalam uji garis regresi. 2.7. Mengapa metode kuadrat terkecil. Garis penduga merupakan garis regresi yang terbaik. di mana Y = A + BX + E.Y. 2). Metode kuadrat terkecil (OLS = ordinary least squares) Selain. penaksir pangkat dua terkecil (metode kuadrat terkecil) yang mempunyai ragam paling kecil.

Xp) akan minimum jika.8].12] diselesaikan dan diubah cara penyajiannya. Perhatikan pertanyaan matematis dari persamaan [2.1) = 0 Turunan (e i atau G terhadap b1 menjadi: Dari persamaan [2.7a].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.b1 &Xi = 0 [2.14].13] dan [2.com . . Perhatikan pengali dari setiap penaksir-penaksir yang berhubungan koefisien regresi seperti b0 dan b1 Apabila syarat-syarat dalam meminimalkan G dipenuhi. .&b0 .10]. dengan mengandaikan syarat kedua minimalasasi itu telah terpenuhi. maka diperoleh dua persamaan seperti di bawah ini. maka nilai G akan minimum jika semua fungsi turunan pertama parsiilnya.9] di atas merupakan modifikasi dari persamaan-persamaan [2. atau [2.11] dan [2.11] turunannya menjadi: 'G/'b0 = 2 ((Yi .12] turunannya menjadi: 'G/'b1 = 2 ((Yi .b1 &Xi = 0 Persamaan-persamaan [2. jadi G = &ei2. Pernyataan matematis di atas dapat dijabarkan menjadi: " = b0 + b1 X dan Y = " + e sehingga ei = Yi . bahwa garis regresi penduga terbaik. 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.b1 Xi) (.7b] yang ditulis kembali seperti: [2.b1 Xi (. . semua fungsi turunan pertama parsialnya ('Y/'X) sama dengan nol." Persamaan [2. Persamaan (2. [2.b0 . maka diperoleh persamaan-persamaan seperti: [2.13) disebut dengan persamaan Normal 1.b0 &Xi .pdffactory. Apabila dari persamaan-persamaan [2. adalah garis regresi 2 yang mempunyai nilai &ei minimal. &Yi Xi . 2 2 2 dapat ditulis: 18 PDF created with pdfFactory Pro trial version www. suatu syarat yang perlu dan khusus.13] dan [2.Xi) = 0 Perhatikan faktor pengali yang berada dimuka tanda sama dengan (=). X2.13]. yaitu turunan pertama parsiil dari G terhadap masing-masing nilai b0 dan b1 sama dengan nol.9]. 2 Sehingga fungsi turunan &e atau G terhadap setiap nilai b0.14) disebut dengan persamaan Normal 2. Secara matematis &ei minimal dapat dinyatakan dengan teori defrensial bahwa turunan 2 pertama dari: &ei terhadap b0 dan terhadap b1 haruslah sama dengan nol atau dapat 2 ditulis: '&ei / 'bi = 0.b0 . . Persamaan (2. maka sistem persamaan normal dari [2. Oleh karena itu.14] di atas disebut dengan persamaan normal." [2. &Yi . Turunan (e2i atau G terhadap b0 menjadi: Dari persamaan [2. ei = Yi . Untuk memudahkan cara penulisan selanjutnya &ei2 disamakan dengan G.Manipulasi matematis dari metode kuadrat terkecil akan menghasilkan koefisien a dan b. Yi = b0i + b1i Xi + ei Telah disebutkan di muka.7b]. Dengan mengambil fungsi turunan pertama parsiil G terhadap b0 dan b1 serta menyamakannya dengan nol.

b1 &Xi2 = 0 [2.19a].18c].14] dapat dilihat keteraturan dari cara-cara penyelesaianya.b1 &Xi = 0 (Yi /n . Dari persamaan [2. &xy = &XY .17].X 2 ). &Yi Xi . &Yi Xi . dan y = (Y . &Yi .16].&b0 . &Yi Xi . sistem persamaan normal [2.b1 &Xi/n) &Xi . &x = &X .b0 &Xi .18a].13].13] dapat ditentukan nilai b0 yaitu dengan membagi persamaan tersebut dengan jumlah pengamatan (n) sehingga didapatkan persamaan dengan penyelesaian sebagai berikut: [2.b1 X ) &Xi .16a].13] dan [2.2 Perhitungan nilai koefisien regresi linier sederhana Jika diperhatikan kembali sistem persaman normal dari persamaan [2. x1 2 = (X1 .nb0 /n . dengan demikian koefisien regresi b0 dan b1 dalam analisis regresi linier sederhana yang mengandung sebuah variabel bebas X dan sebuah variabel tak bebas Y dapat ditaksir atau dihitung.13]. 2 2 x2 = (X2 .b1 X Selanjutnya.b1 (Xi/n = Y [2. b1 = [2. Oleh karena jumlah sampel = n diketahui dan jumlah-jumlah yang terdapat dalam sistem persamaan normal itu dapat dihitung dari data sampel.7. b1 = ∑ X ∑Y n ( X )2 ∑ 2 ∑X − n 19 PDF created with pdfFactory Pro trial version www.15].16b] maka didapatkan nilai b1 menjadi: [2.19c].15] ke persamaan [2.pdffactory.(&Y) /n 2 2 2 [2.14] di atas dapat ditentukan besarnya nilai b2.18b]. b0 .( Y .Y ) disebut dengan JK Y disebut dengan JK X disebut dengan JHK XY [2.X 1 ).14] dapat diselesaikan secara serentak untuk mendapatkan nilai b0 dan b1.16b].Biasanya. Y dengan x. Sehingga nilai b0 dan b1 dapat ditentukan dengan perhitungan seperti berikut.b1 &Xi2 = 0 Sebelum penyelesaian persamaan [2. dan [2. Berikut ini diberikan hubungan antara X. &y = &Y . 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. 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.(&Yi /n .b1 X = 0 0 (Persamaan Normal 1) atau sehingga akhirnya menjadi: b0 = Y .com .18c] maka perhitungan nilai b1 pada persamaan [2. dengan memasukkan persamaan [2.(&X) /n [2.18a] sampai dengan persamaan [2.&X &Y/n Dengan menggunakan persamaan [2.19b].b1 &Xi2 = 0 (Persamaan Normal 2) atau dapat ditulis [2. y: [2. [2.

20].21c] yaitu pesamaan untuk nilai ei.b1 xi) G = Σeiyi . di mana JK Total atau JK Y sudah dapat dihitung dari data pengamatan.b1 X disubstitusikan ke dalam persamaan [2.1 Uji varians regresi atau uji F regresi atau uji ragam regresi Uji keragaman untuk menentukan garis regresi yang terbaik sering disebut dengan uji F garis regresi atau lebih terkenal dengan sidik ragam regresi. 2). Dari Gambar 2. Ingat bahwa ei = yi .22a] [2.( Y . Pengujian Garis Regresi Linier Sederhana Pengujian garis regresi secara statistika dapat dilakukan dengan tiga cara yaitu: 1).b1 ΣeI xi) G = Σeiyi G = Σyiei G = Σyi (yi . G = Σei(yi . 3).b1 X ) .b1 xi) Selanjutnya dari persamaan diatas didapatkan: [2. sehingga menjadi: [2.20] " = b0 + b1 X sehingga didapatkan pesamaan: [2. selanjutnya didapatkan Σei atau disebut dengan JK Galat Regresi dengan kode G.22e] G = Σ ei 2 dengan membuka kurung maka atau Persamaan [2.15] b0 = Y .b0 .23a] [2.com . Dari persamaan [2.8.20] di mana ei = Yi .b1 Xi [2.22d] [2. " = b0 + b1 X Selanjutnya.21c].22b] [2.21a]. ei = (Yi . ei = Yi . Dan jika persamaan [2.Y.4 dapat diuraikan bahwa persamaan [2.22c] [2. 2.Y ) .23b] [2.b1 xi Dari persamaan [2.b1 (Xi .Sehingga persamaan regresi penduga " dari suatu pengamatan atau untuk pengaruh variabel bebas X terhadap variabel tak bebas Y menjadi: [2.23c] didapatkan bahwa JK Galat Regresi sama dengan JK Total dikurangi dengan JK Regresi.b1 xi.23c] sehingga dapat menjadi: 2 G = Σyiyi .8. 20 PDF created with pdfFactory Pro trial version www.b1 Σyi xi Ingat : Σyiyi = Σyi = JK Total = JK Y Σyixi = JHK YiXi = JHK XY b1 Σyi xi disebut dengan JK Regresi = JK Reg.21c] sehingga atau sebab ΣeIxi = 0 sehingga G = Σeiei.pdffactory. Uji ragam regresi atau uji F regresi Uji koefisien regresi dengan uji-t Uji r garis regresi 2. untuk membuktikan bahwa garis regresi yang diperoleh tersebut merupakan garis regresi yang terbaik untuk menghampiri setiap titik-titik pengamatan X. ei = yi .21b]. sehingga dengan mengkuadrat 2 jumlahkan nilai ei. Unuk menjawab pernyataan tersebut maka dapat dikatakan bahwa garis regresi penduga " = b0 + b1 X nyata secara statistika. perlu dilakukan pengujian keberartiannya.X ) [2.bi Xi.

JK Total = Jk Y = (Y2 . . ". Yi. KT Regresi KT Galat = = JK Regresi /(DB Regresi) JK Galat/ (DB Galat) Berdasarkan pada asumsi sebaran normal untuk komponen pengganggu e. dan nilai-nilai Y .JK Regresi.26a] [2. .4. maka besarnya nilai F (F-hitung) adalah: [2. Nilai-nilai Y . + bp Σyi xp JK Regresi = (b1 JHK X1Y + b2 JHK X2Y + .b] berlaku umum untuk p variabel bebas X sehingga persamaannya menjadi: [2.JK Regresi Selanjutnya dihitung nilai KT atau varians seperti: 1). dan ei di bawah ini.25a.com .pdffactory. + bp JHK XpY) Komponen penyusun Tabel Sidik Ragam Regresi adalah: 1). hubungan antara komponen-komponen pada analisis keragaman (JK Total.4.24].26b] JK Regresi = b1 Σyi x1 + b2 Σyi x2 + . Untuk menyederhanakan penulisan dan pengertian di atas. . Yi. maka JK Regresi mempunyai rumus: [2.25b] JK Regresi = b1 Σyi xi JK Regresi = b1 JHK XY atau dapat ditulis: Persamaan [2. .25a] [2. JK Galat = JK Total .27] Fhit = KT Regresi KT Galat 21 PDF created with pdfFactory Pro trial version www. Sehingga sesuai dengan persamaan [2. JK Regresi = b1 JHK XY 2). JK Galat = JK Total . JK Regresi. ".23c].((Y)2/n 3). dan ei Sehingga. 2). JK Regresi dengn JK Reg (tanpa titik) dan JK Total dengan JK Tot atau JK Y (tanpa titik). 150 125 Konsumsi 100 75 Y 50 25 0 120 130 X 140 * " = b0 + bi X ei (" – Y ) (Y i -Y) X i 150 160 Pendapatan Gambar 2. maka selanjutnya JK Galat Regresi disingkat dengan JK Galat.Perhatikan Gambar 2. dan JK Galat) seperti berikut: [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(*.8. 2. Jika Fhit ≤ F(tabel 5%). Secara umum uji t mempunyai rumus adalah: W SW W nilai yang diuji. dapat memberikan petunjuk apakah setiap variabel X menunjukkan pengaruh atau hubungan yang nyata terhadap variabel tak bebas Y.28]. Hal ini berarti bahwa garis regresi penduga (") linier sederhana yang didapat tersebut bukan garis regresi yang terbaik untuk menghampiri pasangan pengamatan X. Atau dapat dikatakan bahwa garis regresi penduga (") linier sederhana yang didapat tersebut adalah garis regresi penduga yang terbaik untuk menghampiri pasangan pengamatan X. 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. Modifikasi dari pengaruh variabel bebas X terhadap variabel tak bebas Y atu uji F. Jika Fhit > F(tabel 5%).3.Hasil perhitungan keragaman di atas dibuatkan Tabel Sidik Ragam Regresi seperti pada Tabel 2.Y.com . p.n-2) dan * = taraf nyata ) Kreteria pengujian nilai Fhit adalah: 1).Y tersebut.pdffactory. 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. Jika uji F atau uji ragam regresi menunjukkan bahwa Fhit > F(tabel 5%) barulah dilanjutkan dengan uji t dan sebaliknya. Tabel 2. maka rumusnya menjadi: [2. 2). maka dapat dilakukan dengan uji t atau uji koefisien regresi apabila uji F signifikan. sehingga untuk pengujian koefisien regresi (bi).3 berikut di bawah ini.2 Uji keberartian koefisien regresi (bi) atau uji t Pengujian yang dilakukan dengan uji F seperti cara tersebut di atas. Hal ini berarti bahwa terdapat hubungan linier antara pengaruh X terhadap Y. t-hitung W = [2. Atau dapat dikatakan ini berarti bahwa terdapat hubungan bukan linier pada pasangan pengamatan X.Y.29].

Perhitungan nilai +Bi didasarkan pada ragam galat regresi atau KT Galat Regresi. 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 .31]. Sb0 = = var b0  KT Galat Re gresi   n JK X  Untuk pengujian b1 nilai salah baku menjadi: [2. 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. 0). S2e = KT Galat Regresi = JK Galat Regresi /(n-p-1) 2 Selanjutnya. Jika thit > t(tabel 5%.0). Untuk b1.com . jika thit ≤ t(tabel 5%. Pengujian yang dilakukan dengan cara tersebut di atas. db galat) Hal ini dikatakan bahwa tolak H0. Hal ini dapat dikatakan bahwa terima H0. maka dapat 2 diduga dengan nilai S e atau KT Galat Regresi sampel yang mempunyai persamaan yaitu: [2. Selanjutnya. didasarkan metode kuadrat terkecil. selain untuk pengujian hipotesis juga dapat dipakai pada perkiraan nilai interval koefisien regresi populasi i yang sering disebut dengan perkiraan nilai populasi beta ( ).pdffactory.29] dalam menyederhakan penulisan salah baku koefisien regresi bi yang biasa ditulis dengan +Bi (salah baku = standard error koefisien regresi Bi). Jika thit ≤ t(tabel 5%. db galat). Karena besarnya nilai + e (Ragam Galat Regresi) populasi tidak diketahui. Dengan kata lain.32b].Y = 0. db galat) maka garis regresi penduga " dikatakan sejajar dengan sumbu X pada nilai b0.0) yaitu nilai Y = 0 jika X = 0.32a]. dalam uji t nilai salah baku bi yang ditulis (Sbi) mempunyai persamaan seperti berikut: [2. dapat memberikan petunjuk apakah setiap variabel Xi memberikan pengaruh atau hubungan yang nyata terhadap variabel tak bebas Y.Dari persamaan [2.n-2) dan * = taraf nyata ) Berdasarkan hasil uji t ternyata bahwa kreteria pengujian nilai thit adalah: 1). Perlu diingatkan bahwa dalam pengujian di atas (baik uji F maupun uji t). nilai salah baku koefisien regresi Sbi yang diperoleh. yang berarti bahwa garis regresi penduga " tidak melalui titik acuan (X. 23 PDF created with pdfFactory Pro trial version www. Untuk pengujian b0 yang berarti bahwa b0 melalui titik acuan (titik 0.30]. 2). Sbi = var bi masing-masing untuk b0 dan b1 menjadi: Untuk pengujian b0 nilai salah baku menjadi: [2. Kemudian t-hitung dibandingkan dengan t tabel yang biasa ditulis dengan: thitung ) ttabel (Di mana ttabel = t(*/2.

+2.8. dan lain sebagainya. 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.34b].Rumus dari perkiraan nilai i adalah sebai berikut di bawah ini: [2. r = . rXY = Σxy Σx 2 Σy 2 JHK XY JK X JK Y atau [2.% ≤ b1 + t%/2 Sb1} = 1. Jadi nilai koefisien korelasi itu selalu pecahan seperti: r = 0.%. dan untuk setiap b0 dan b1 seperti: [2.0.19c] dan koefisien korelasi r seperti [2.% atau [2. Hubungan antara koefisien korelasi r dengan koefisien regresi b2.34a].t%/2 Sb1 ≤ 0 1 ≤ b0 + t%/2 Sb0} = 1. Sepintas gambaran bahwa nilai r berkisar antara –1 sampai dengan + 1 atau sering ditulis dengan -1 .3 Uji keeratan hubungan atau uji r Pada uji-uji sebelum ini.t%/2 Sbi ≤ i ≤ bi + t%/2 Sbi} = 1.35a].35c]. rXY = atau menggunakan notasi lain maka nilai r ∑ X ∑Y ∑ XY −  (∑ X ) 2 2  − X ∑  n  n  (∑ Y ) 2 2   − Y ∑  n      (n = jumlah sampel) Perhitungan nilai r berdasarkan rumus di atas disebut nilai koefisien korelasi seserhana atau koefisien korelasi order nol atau koefisien korelasi produc moment atau koefisien korelasi Pearson. p {b0 .pdffactory. r = 0. Lihatlah kembali rumus koefisien regresi seperti [2. uji Koefisien Regresi (uji t) berdasarkan nilai Varians Galat Regresi. p {b1 . seperti uji Ragam Regresi (uji F).347.r . 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. p (bi ± t%/2 Sbi Sbi) = 1. rXY = menjadi: [2.87.78.t%/2 Sb0 ≤ [2. p {bi .% untuk b0 untuk b1 2.35c]: [2.33b].35b]. Sedangkan. Adapun rumus dari pada koefisien korelasi r adalah: [2.19c].com .33a].

36f] b1 JK X n −1 KT X = r = r JK X n −1 KT Y atau atau [2. sehingga persamaan [2. n-2 = db Galat. rhitung ) rtabel (di mana rtabel = r(*/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. Nilai r tabel dapat dilihat pada tabel r yang susunannya serupa dengan tabel t.36g] menjadi: [2.36a] b1 JK X = r ( (JK X ) (JK Y ) ) Dari kesamaan [2.19] dan [2.36h] b1 = r Yang jelas dalam uji r.com .36a] di atas dapat ditulis kembali menjadi: [2. sehingga nilai SY SX = SY = 1.36g] 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 ) ) .36e] b1 ( (JK X ) (JK Y ) ) atau ( (JK X ) (JK X ) ) = r ( (JK X ) (JK Y ) ) atau JK X JK X JK X = r = r JK Y JK X JK Y atau atau n − 1 maka Apabila kedua ruas dari persamaan: [2.36d] b1 Jadi: [2.356] dapat ditulis menjadi: [2.36e] sama-sama dibagi dengan didapatkan: [2. apabila nilai koefisien regresinya (b1) negatif.[2.pdffactory. n-2).35c]. Dalam uji r yang umum dialakukan adalah membandingkan nilai koefisien korelasi r yang dihitung atau r hitung dengan r tabel.36b] b1 JK X = r [2. maka nilai koefisien korelasinya (r) juga negatif.36e] b1 [2. dan * = taraf nyata ) 25 PDF created with pdfFactory Pro trial version www.36c] b1 [2.

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

r 2 ) r2 Selanjutnya.pdffactory.r .39c].JK Galat JK Galat JK Galat = JK Total . F-hitung = JK Galat Masukan persamaan [2. [2. sehingga kreteria pengujian adalah: 1). sehingga Fhitung mempunyai rumus: [2. koefisien regresi b1. F-hitung = JK Galat /(n − 2) (n − 2) JK Re grasi [2. dalam analisis keragaman regresi linier sederhana dan uji F di mana DB Regresi = 1 dan DB Galat = n – 2. F-hitung F-hitung = = (n − 2) r 2 JK Total (1. 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.com .41c].41a]. atau dengan garis regresi penduga " adalah parameter r2 yang dalam persamaan regresi sering ditulis dengan R2 yang disebut dengan koefisien determinasi atau koefisien penentu atau coeficien of determination.40] ke dalam persamaan [2.42b].42a].r 2 ) JK Total sehingga didapatkan (n − 2) r 2 (1.05). [2. Hal ini berarti bahwa terdapat hubungan linier yang nyata (p = 0. Jika Fhit ≤ F(tabel 5%). [2.r ) . Hal ini berarti bahwa garis regresi penduga (") linier sederhana yang didapat tersebut bukan garis regresi yang terbaik. JK Total = (1 .Yang lebih penting dalam pembicaraan hubungan antara koefisien korelasi r.JK Galat r JK Total = JK Total . bahwa terdapat pengaruh antara variabel X terhadap variabel tak bebas Y.39b].r 2 ) Kreteria pengujian nilai Fhitung sama seperti pengujian-pengujian di atas. Sisanya 1 . Dalam analisis keragaman atau uji F regresi di mana: [2.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 . Atau sering diartikan bahwa koefisien determinasi R adalah persentase dari variabel tak 2 bebas Y yang dipengaruhi oleh variabel bebas X.39a]. [2. Jika Fhit > F(tabel 5%). 27 PDF created with pdfFactory Pro trial version www.40].41b]. 2).39d]. 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 . F-hitung = [2.41c] maka menghasilkan: [2. JK Total = KT Re grasi KT Galat JK Re grasi / 1 [2.

2. Dengan demikian.33] bertujuan untuk mengetahui perkiraan nilai interval koefisien regresi populasi i baik b0 maupun b2.Taksiran nilai rata-rata.1 Interpolasi dan ekstrapolasi Jelaslah bahwa dari uraian di atas. 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 ". yang umum disebut dengan selang kepercayaan " atau interval taksiran garis regresi penduga ". S 2ˆ = KT Galat Regresi 1 + + ˆ Y n    1 2.9. atau untuk mencari nilai Y apabila Xi telah ditentukan. dalam penaksiran diperlukan selang kepercayaan nilai 0 yaitu sebesar 1 – * di mana * adalah peluang kesalahan tipe I.pdffactory. bahwa pemakaian persamaan penduga " = a + bX. Dalam penaksiran atau peramalan garis regresi membicarakan sejauh mana garis regresi penduga " yang telah didapat betul-betul dapat dipercaya sebagai penduga garis . n – 2) S " . sehingga terdapat daerah atau range. 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. masing-masing taksiran tersebut adalah: 1). 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 .9 Peramalan atau Prediksi Garis Regresi Pembicaraan mengenai perkiraan nilai populasi beta ( ) pada persamaan [2. 28 PDF created with pdfFactory Pro trial version www.43]. Dalam perhitungan nilai selang kepercayaan juga menggunakan dasar Analisis Ragam Regresi. dan b) penaksiran atau peramalan nilai individu Y apabila nilai Xi tertentu yang telah diketaui. n = jumlah penamatan atau sampel. JK X dan KT Galat Regresi dari Analisis Varians Regresi X0 = suatu nilai Xi yang telah diketahui atau ditentukan 2). " .XY.Taksiran nilai individu [2.com . Selanjutnya.   _ X = nilai rata-rata Xi. dapat dipakai sebagai peramalan dari nilai-nilai Xi yang belum diketahui. 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 _   .XY yang terbaik. ˆ ˆ ≤ " + t(%/2.44].t(%/2. n – 2) S Y ≤ (XY ≤ " + t(%/2.t(%/2. [2.

sebab garis regresi penduga tersebut harus tahan uji dari beberapa jenis pengujian garis regresi seperti yang telah diuraikan di atas.250 141.810 1. Timbul suatu pertanyaan apakah setelah didapatkan suatu garis regresi penduga " = a + bX sudah betul-betul merupakan garis regresi yang terbaik untuk melakukan penaksiran atau peramalan? Tentu saja jawabannya belum tentu.600 0.900 14.050 1.Interpolasi.250 15.100 11. maka diberikan contoh olahan seperti di bawah ini.10 Aplikasi Regresi Linier Sederhana Untuk dapat lebih memahami uraian teori di atas dan agar dapat menentukan nilai-nilai dalam regresi penduga " = b0 + b1X atau koefisien regresi yaitu nilai-nilai b0 dan b1.com .360 56.240 0.600 12.800 0.253 13.300 13.500 0. Pengertian ekstrapolasi adalah penaksiran atau peramalan nilai Y.400 11. dan datanya seperti pada Tabel 2.555 Y2 0.250 12. jika harga-harga X yang dimasukkan ke dalam persamaan regresi penduga " = 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.518 0.305 26.950 1.900 24. 2).903 3.pdffactory.875 10. 2.261 XY 6.900 178.750 1.1 Perhitungan JK-JHK dan penentuan koefisien regresi linier sederhana b0 dan b1 Tabel 2.423 0.300 8.360 0.720 0.103 1. 2.10.540 5.760 141.950 15.900 1.563 0.890 1.490 175.903 18. Ada dua pengertian pokok yang harus dipahami dalam penaksiran atau pendugaan adalah: 1).410 204.750 0.063 1. Perhitungan Regresi Dua Variabel yaitu Variabel X dan Variabel Y No.323 0.063 110.700 1.048 X2 95.250 12.563 158.217 29 PDF created with pdfFactory Pro trial version www.Di dalam penerapan praktis dari garis regresi penduga " = a + bX dipakai untuk mengadakan peramalan atau penafsiran.4.563 3.500 11. yang datanya terdiri dari satu variabel bebas X (prediktor) yaitu nilai X dan satu variabel tak bebas Y yaitu nilai Y.250 126.338 7.650 0.310 16.873 Y 0.720 1.610 231.908 1.563 234.900 10.250 0.125 14.750 10.600 11.250 1.200 12.490 11. jika harga-harga Xi yang dimasukan ke dalam persamaan regresi penduga " = 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.Ekstrapolasi Pengertian interpolasi adalah penaksiran atau peramalan nilai-nilai Y.563 27. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Jumlah Rata2 X 9.600 7.900 15.063 166. seperti disebutkan di atas.000 2.090 79.610 2183.210 112.500 11.040 150.863 12.340 5.150 0.300 5.330 145.000 1.305 198.4.

6893 0. dilakukan pengujian terhadap garis regresi penduga.873) .0. dari persamaan peduga di atas dapat diartikan bahwa setiap perubahan satu satuan X.16893) (11. maka akan menyebabkan terjadinya perubahan Y sebesar 0.(5. Uji koefisien regresi atau uji terhadap bi atau uji t. JK Regresi.10.4338 (x1 = (X1 . Nilai b1 adalah: b1 = = = Nilai b0 adalah: b0 = = = " " Y . 2). dilakukan perhitungan untuk mencari nilai b0 dan b1 seperti berikut ini. dan Uji koefisien korelasi atau uji r.720)2/15 2.908 .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.(178. Dalam pengujian garis regresi penduga terdapat tiga macam uji yaitu: 1).(178.((Y)2/n 18.((Y) /n 2 18. Uji F atau uji ragam regresi atau uji varians regrsi.908 .95776 + 0.b1 X 1.100)2/15 68.43384 2 30 PDF created with pdfFactory Pro trial version www.(X1 (Y/n 198.6037 2 2 2 JK X JHK XY Selanjutnya.253 .((X) /n 2183.720) /15 2.(0.Perhitungan JK-JHK dari data di atas seperti: JK Y = = = = = = = = = (y2 = (Y2 . persamaan peduganya menjadi: = = b0 + b1 X .pdffactory. 2. Selanjutnya.16893 satuan Y.16893 Sehingga.6893 (x1y = (X1Y .048 .6037 68.720)/15 11.4 di atas seperti berikut: 1). JK Total = = = = (y 2 2 (Y .com .16893 X Sehingga.(5.0.95776 JHK XY JK X 11.100)(5.330 . 3). dan JK Galat Regresi dari data Tabel 2.

03643 - F hitung 53. JK Regresi.JK Regresi 2. JK Galat Regresi.01 Berdasarkan hasil analisis varians di atas ternyata bahwa Fhit > F(tabel 1%) atau dapat dikatakan bahwa hipotesis nol ditolak.03643 2).47363 2. yang berarti bahwa terdapat pengaruh variabel bebas X yang sangat nyata (p<0.43384 Kuadrat Tengah (KT) 1. JK Galat Regresi Selanjutnya. maka di lanjutkan dengan membuat Tabel Analisis Keragaman atau Tabel Analisis Varians Regresi seperti pada Tabel 2.com . = berpengaruh sangat nyata pada p<0.16893) (11. 2. Untuk pengujian b0 nilai salah baku Sb0 dari data di atas: Sb0 = KT Galat Re gresi ∑ X 2 n JK X 0. bi Secara umum uji t mempunyai rumus adalah t-hitung bi = S bi Selanjutnya.pdffactory. dalam analisis regresi dua variabel nilai salah baku bi yang ditulis dengan Sbi mempunyai persamaan seperti berikut.67 9.5 berikut. dilakukan pengujian terhadap koefisien regresi b0 dan b1 dengan uji t seperti berikut. 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. dan KT Galat didapatkan.3 Pengujian koefisien garis regresi linier sederhana dengan uji t Setelah dilakukan pengujian dengan uji F maka selanjutnya.07 Jumlah sampel (n) = 15.96021 0. KT Galat Regresi = = = Setelah perhitungan JK Total.96021 = = = JK Total .277853 = = 31 PDF created with pdfFactory Pro trial version www.43384 .2).47363 3).330 15 x 68. KT Regresi = = = JK Regresi /(DB Regresi) 1. dihitung nilai KT atau varians seperti: 1).6893 0.96021 0.5.96021/1 1. Tabel 2.10. KT Regresi. JK Regresi = = = b1 JHK XY (0.8037 ** F tabel 5% 1% 4.96021 0.03643 2183.47363/13 0.6037) 1.2.01) terhadap variabel tak bebas Y.

277853) ≤ 0 ≤ .* 0 p {. Garis regresi penduga " = .95776 . uji t terhadap nilai koefisien regresi b1: t-hitung b1 = b1 Sb 1 0.t*/2 sbi} = 1.95776 + 0.13) = 2.Untuk pengujian b1 nilai salah baku Sb1 dari data di atas: Sb1 = KT Galat Re gresi JK X 0.335101 Berdasarkan hasil uji t ternyata bahwa nlai thitung yang diperoleh dibandingkan dengan ttabel atau t(5%.1.4470 mutlaknya)}.277853 = .0. selain untuk pengujian hipotesis.16893 = 0. {Nilai t negatif sama dengan nilai positif (diambil harga Selanjutnya.131 dan t(1%.023030 Uji t terhadap nilai koefisien regresi b0: t-hitung b0 = b0 Sb 0 .0. dapat dikatakan bahwa: 1).t*/2 sbi ≤ Untuk perkiraan didapatkan: 0 i ≤ bi .6893 = = 0.0.n-2) Sb0 ≤ p { .* untuk masing-masing b0 dan b1 seperti: dengan nilai salah baku Sb0 dengan * = 5% dari data di atas 0 p {b0 .* ≤ .3.t(*/2.com . db galat = 13) yaitu sebesar 2.947. Ini berarti bahwa dari analisis tersebut H0 ditolak baik untuk uji b0 maupun untuk uji b1 Sehingga.* 32 PDF created with pdfFactory Pro trial version www.16893 X tidak melalui titik 0.0.0.95776 + 0.n-2) Sb0} = 1.(2.131) (0. atau mempunyai slop sebesar 0. juga dapat dipakai pada perkiraan nilai interval koefisien regresi b0 dan b1 yang sering disebut dengan perkiraan nilai beta ( ) populasi dengan rumus sebai berikut: p {bi . Garis regresi penduga " = .95776 = 0.95776 + (2. Ternyata bahwa t-hitung > ttabel 1% baik untuk nilai b0 maupun untuk b2.pdffactory.03643 68.16893 X tidak sejajar dengan sumbu X.0.16893 Selanjutnya.023030 = 7.35750} = 1 .277853)} = 1. 2).0 atau titik acuan.558029 ≤ ≤ b0 + t(*/2. dengan nilai salah baku koefisien regresi b0 dan b1 yang diperoleh.131) (0.

com .n-2) Sb1} = 1. 000) Y = .pdffactory.0.t(*/2.4 Pengujian garis regresi linier sederhana dengan uji r Pada uji-uji sebelumnya seperti uji F dan uji t telah dilakukan.6 0.023030) ≤ 1 ≤ 0.0 16.0 8.0 10.4 1. Selanjutnya.8 Konsumsi Daging x100.0 0.1 di atas seperti: (X = 2 (X = (XY = 178.131) (0. 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 3.1.0 1.908 33 PDF created with pdfFactory Pro trial version www.023030)} = 1.2 6.* ≤ 0.* berkisar antara 0.6 1.2 1.54% 2.119176 sampai dengan 0.8 0.21868 Berdasarkan perhitungan di atas maka dapat dibuat gambar Garis Regresinya seperti berikut: 2.100 2183.(2.0 12.119176 ≤ Jadi perkiraan nilai 1 ≤ b1 + t(*/2.10.131) (0.0 14.16893 .1689 X R2 = 80.253 (Y 2 (Y = = 15.0 Pendapatan Petani ( x 100.* 1 untuk b0 p {0.9578 + 0.0.Jadi perkiraan nilai Untuk perkiraan didapatkan: 1 0 berkisar antara .558029 sampai dengan .720 18.16893 + (2.35750 dengan nilai salah baku Sb1 dengan * = 5% dari data di atas 1 p {b1 .21868} = 1 .330 198.000 1.4 0.n-2) Sb1 ≤ p {0.

947. Jadi r hitung = 0.897 = 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 . pengujian r seperti di atas. Hal ini dapat dikatakan bahwa tolak H0 yang berarti bahwa terdapat hubungan atau korelasi yang sangat erat antara variabel X dengan variabel Y. Nilai ttabel atau t(5%. db galat = 13) yaitu sebesar 2.100) 2   (15. 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. dengan n = 15 maka: Nilai r tabel 5% = r(5%. dengan rumus pengujian seperti berikut: t-hitung = r .514.Sehingga: r = 178. 13) = 0. maka nilai thitung ) ttabel.330 −  18.720) 15  (178. dan Nilai r tabel 1% = r(1%. 13) = 0.908 −     15 15    198.51653 Berdasarkan hasil uji t.897 2 ) (15 − 2) 0.720) 2   2183.com .642.642.131 dan t(1%.100) (15.13) = 2. Ternyata bahwa t-hitung > ttabel 1%.53 − 0. 34 PDF created with pdfFactory Pro trial version www.897 0.pdffactory. Nilai r tabel = r(*/2.13765 (1 − r 2 ) (n − 2) (1 − 0.13765 = = 6. Sr Di mana Sr = salah baku r dengan rumus: Sr Sr = = = Sehingga: t-hitung = r Sr 0.897 > r tabel 1% = 0. Hal ini dapat dikatakan bahwa terdapat hubungan atau korelasi yang sangat erat antara variabel bebas X dengan variabel tak bebas Y. Selain. n-2). nilai r dapat pula diuji dengan uji t.

0138) ≤ (XY ≤ 0.10.131) (0.16893 (10) = 0. 2 Sisanya 1 . 13) = = = = = = = 0.t(*/2.873) 2  0.16893 X = . di mana * = 5%. n – 2) S .54% dari variabel tak bebas Y dipengaruhi oleh variabel bebas X. n – 2) S Y ≤ .46% dari variasi total Y dipengaruhi oleh faktor lain diluar X atau variabel selain X. dengan nilai " menjadi: Y " = .54% variasi keragaman total Y atau variasi Y dapat diterangkan oleh variasi X.Berdasarkan perhitungan koefisien korelasi r di atas.03643  + 68. 2.XY untuk X0 = 10.6893  15       =      = 0.73154 68.897)2 = 0. seperti berikut: " .0. Hal ini diartikan bahwa 80.0138) 0.5 Peramalan atau prediksi pada garis regresi Dalam perhitungan taksiran atau ramalan garis regresi diperlukan selang kepercayaan 0 yaitu sebesar 1 – *.6893 0. 1). n – 2) S Y ≤ (XY ≤ ≤ (XY ≤ " + t(*/2.73154 _  2  1 (X0 − X ) KT Galat Regresi  + JK X n  S = Y   dapat dihitung dengan:    Ketentuan: " JK X KT Galat n _ X X0 t(5%.com .73154 + (2.73154 .7022 0. Dengan menggunakan dasar perhitungan analisis ragam regresi dan KT Galatnya seperti di atas didapatkan taksiran nilai rata-rata seperti berikut ini.131) (0.pdffactory. n – 2) S Y 0.95776 + 0.t(*/2.8054.873 10 2. maka didapatkan koefisien determinasi R2 = (0. taksiran nilai rata-rata .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.XY: " .03643 15 11.76088 35 PDF created with pdfFactory Pro trial version www.(2.XY ≤ " + t(*/2.R = 19. Sebagai contoh: taksiran nilai rata-rata .01377 Selanjutnya. atau dapat diartikan bahwa 80. sehingga 0 = 95%.95776 + 0.0.

01558      Selanjutnya. 2).03643 15 11. n – 2) S ˆˆ Y ˆ ˆ ≤ 0. Jadi.6 di bawah ini. maka (XY berkisar antara 0.7022 sd 0.76088.0138) 0. seperti berikut: Sebagai contoh: taksiran nilai individu Y ˆ ˆ ≤ " .16893 X = . taksiran rata-rata untuk Xi = X0 = 10.Jadi.16893 (10) = 0.pdffactory. n – 2) S ˆˆ Y ˆ ˆ ≤ ≤ Y " + t(*/2. 13) = 0.t(*/2.0138) ≤ Y ˆ ˆ ≤ 0. taksiran individu untuk Xi = X0 = 10.0. Untuk taksiran individu nilai-nilai Xi yang lain dapat dihitung seperti cara di atas.131) (0.873 10 2.95776 + 0.131) (0.03643  1 + +  15 68.0. n – 2) S " . maka Y 76473.t(*/2. Untuk taksiran rata-rata nilai-nilai Xi yang lain dapat dihitung seperti cara di atas.76473 ˆ ˆ berkisar antara 0.131 Berdasarkan ketentuan di atas maka nilai S ˆˆ dapat dihitung: Y S ˆˆ = Y _  1 ( X 0 − X )2  + KT Galat Regresi 1 + n JK X        = =  1 (10 − 11. 69835 sd 0. Hasil perhitungan taksiran rata-rata dan individu nilai-nilai Xi yang lain dapat dilihat pada Tabel 2. 36 PDF created with pdfFactory Pro trial version www. taksiran nilai individu: " .(2. ˆ ˆ untuk X0 = 10.73154 68.com .6893 0.73154 S ˆˆ = _  1 ( X 0 − X )2  + KT Galat Regresi 1 + Y n JK X   Ketentuan:      dapat dihitung dengan: " = JK X = KT Galat = n = _ = X X0 = t(5%.73154 .t(*/2.69835 ≤ Y 0.95776 + 0.73154 + (2.6893   0. n – 2) S ˆˆ ≤ Y ˆ ˆ Y Y " = .873) 2 0.

900 Y 0.458 1.650 0.300 13.722 0.592 0.726 0.420 1.159 1.239 1.789 0.254 1.500 0.0 Pendapatan 12.pdffactory.8 1.119 1.309 1.0 8.556 1.600 0.150 0.259 1.377 1.900 1.571 0. Karena ˆ ˆ yang sangat sempit maka gambarnya kelihatan tiga perbedaan nilai antara (XY dan Y garis yang seharusnya lima garis seperti pada Tabel 2.112 1.816 0.250 1.653 0.244 1.0 0.048 1.241 1. 2.6 Hasil Perhitungan Taksiran Rata-rata (XY dan Taksiran Individu ˆ ˆ dari Nilai-nilai Xi Y X 9.8 0.0 14.057 0.205 1.095 1.574 0.843 0.129 1.838 0.6 37 PDF created with pdfFactory Pro trial version www.171 1.0 1.807 0.4 1.com .853 0.0 16.048 0.950 1.700 1.053 1.943 1.Tabel 2.950 " 0.250 12.190 1.900 10.595 0.497 0.682 0.000 1.600 11.794 0.057 1.499 1.932 1.2 1.961 1.546 0.680 0.858 0.6 di atas.496 1.199 1.800 0.105 1.0 10.2 6.200 12.750 0.689 0.417 1.300 8.813 0.500 11.250 15.6 Konsumsi daging 1.953 1.183 1.627 0.656 0.151 1.036 1.833 0.750 10.720 0.307 1.238 1.662 1.221 1.036 ˆ ˆ upper Y 0.610 1.069 No.050 1.500 11.664 1.600 7.281 1.900 15.053 ˆ ˆ lower (XY lower (XY upper Y 0.250 12.379 1.0 Data pada Tabel 2.499 0.750 1.900 14. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Keterangan : n = X = Y = " = (XY = 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.6 0.558 1.302 1.4 0.069 1.924 1.

9 Parsial Regression Coefficients Standart t Stat P-value Lower Upper Lower Upper Error 95% 95% 99.95776 0.21868 0.9602 0. Di dalam penerapan praktis dari garis regresi penduga " = . SPSS.3351 0.4338 MS 2.5 dan X = 15.23830 Var 38 PDF created with pdfFactory Pro trial version www.8974 0. Dalam hal ini akan diberikan contoh keluaran komputer dengan program Excel seperti pada tabel berikut. Minitab.57615.com .79474 . dapat dipakai sebagai peramalan dari nilai-nilai Xi yang belum diketahui. jika harga-harga Xi yang dimasukan ke dalam persamaan regresi penduga " = .0% 99.5 dan Xi = 15 berada di luar Xminimum dan Xmaksimum.0.1909 15 Table 2.0.0.95776 + 0.11 Interpolasi dan ekstrapolasi Jelaslah bahwa dari uraian di atas.8 ANOVA SV Regression Residual Total DB 1 13 14 SS 2. 2. jika harga-harga Xi yang dimasukkan ke dalam persamaan regresi penduga " = .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.16893 X terletak di dalam daerah ruang gerak X1 dan Xn.pdffactory.00001 0. maka nilai Y penduga = 0.11918 0. sebab nilai Xi = 7. atau untuk mencari nilai Y apabila Xi telah ditentukan.0. pemakaian persamaan penduga " = b0 + b1X.7904 0. Sistat.2.00433 .0% Intercept . 1 Summary Output Excel Table 2.16893 X terletak di luar batas daerah ruang X1 dan Xn.0364 F 53.16893 X dapat dipakai untuk mengadakan peramalan atau penafsiran interpolasi dan ekstrapolasi Nilai interpolasi adalah nilai taksiran atau nilai ramalan dari nilai-nilai Y.35750 .02303 7. Statistica.3.2.4470 0.95776 + 0. seperti X = 7.09956 0.0.8037 Significance F 0.73154.16893 0. Nilai ekstrapolasi adalah nilai taksiran atau nilai ramalan dari nilai Y.30922 dan 1. dan lain sebagainya.7 Regression Statistics Multiple R R Square Adjusted R Square Standard Error Observations Table 2.2.55803 .0000 0.95776 + 0.0.27785 . sebab nilai Xi = 10 berada di dalam antara X1 dan Xn.9602 0.4736 2.8054 0.12079 X1 0. seperti X = 10 maka nilai Y penduga = 0.

05) mempunyai kesimpulan yang sama dengan Fhit ≤ F(tabel 5%). hal ini berarti tolak H0 yang menyatakan bahwa garis regresi penduga (") linier sederhana yang didapat tersebut adalah garis regresi yang terbaik untuk menerangkan bahwa variabel bebas X berpengaruh sangat nyata terhadap variabel tak bebas Y. Apabila nilai significance F 1 (p = 0.95776 + 0. Atau variabel bebas X tidak berpengaruh terhadap variabel tak bebas Y.54% dari variabel tak bebas Y dipengaruhi oleh variabel bebas X. 2). hal ini berarti terima H0 yang menyatakan bahwa garis regresi penduga (") linier sederhana yang didapat tersebut bukan garis regresi yang terbaik.8037 dengan significance F = 0.pdffactory. Di mana SV = Sumber Variasi (SV) atau Sumber Keragaman (SK).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.Penjelasan tabel di atas seperti berikut: Table 2. atau dapat diartikan bahwa 80.com . MS = Means Squarwes atau KT. Apabila nilai signifikanse F < (p = 0. Significance F adalah sama dengan nilai peluang dari nilai F-hitung. hal ini berarti tolak H0 yang menyatakan bahwa garis regresi penduga (") linier sederhana yang didapat tersebut adalah garis regresi yang terbaik untuk menerangkan bahwa variabel bebas X berpengaruh nyata terhadap variabel tak bebas Y. SS = Sum of Squares atau = JK.0000. Akan tetapi.8 ANOVA KT Y n Pada Tabel Anova adalah persis sama dengan Sidik Ragam Regresi. F = F-hitung. Sebagai contoh dari hasil analis tersebut di atas didapat nilai F = 53. 39 PDF created with pdfFactory Pro trial version www. 1). Dalam hal ini nilai F-hitung tidak dibangingkan dengan F tabel seperti biasa. DF = Degrees of Freesom atau = Derajat Bebas (DB).01) mempunyai kesimpulan yang sama dengan Fhit > F(tabel 1%).05) mempunyai kesimpulan yang sama dengan Fhit > F(tabel 5%). R Square adalah sama dengan koefisien determinasi R2 yang menunjukkan variasi keragaman total Y yang dapat diterangkan oleh variasi variabel X.0.8974.16893 X. nilai significance F dibandingkan peluang (p) standar yaitu 5% dan 1%. Ini berarti tolak H0 yang menyatakan bahwa garis regresi penduga " = . adalah garis regresi yang terbaik untuk menerangkan bahwa variabel bebas X (pendapatan petani) berpengaruh sangat nyata terhadap variabel tak bebas Y (pengeluaran petani). 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. Apabila nilai significance F < (p = 0.

Standart Error dalam Tabel 3 ini berbeda dengan Standart Error dari Tabel 2.0.16893.05) mempunyai kesimpulan yang sama dengan thit > t(tabel 5%).95776 + 0.3. hal ini berarti tolak H0 yang menyatakan bahwa garis regresi penduga (") linier sederhana melalui tidak sejajar dengan sumbu X dengan slop sama dengan b2. 2).Tabel 2.pdffactory. hal ini berarti terima H0 yang menyatakan bahwa garis regresi penduga (") linier sederhana melalui titik acuan (0. hal ini berarti terima H0 yang menyatakan bahwa garis regresi penduga (") linier sederhana sejajar dengan sumbu X pada nilai b0.27785 dan Standart Error untuk b1 (Sb1) = 0. Untuk b1.16893 X.05) mempunyai kesimpulan yang sama dengan thit > t(tabel 5%).05) mempunyai kesimpulan yang sama dengan thit ≤ t(tabel 5%).95776 + 0. tidak melalui titik acuan (0.0). maka 1). arinya mempunyai slop atau kemiringan = 0.0). Intercept sama dengan b0 jarak antara titik potong garis regresi penduga " dengan titik acuan (0. Sebagai contoh dari hasil analisis tersebut di atas didapatkan nilai P-value untuk b0 = 0. P-value adalah sama dengan nilai peluang dari nilai t-hitung. hal ini berarti tolak H0 yang menyatakan bahwa garis regresi penduga (") linier sederhana melalui tidak melalui titik acuan (0.0.95776 dan b1 = 0. t Stat sama dengan t-hitung untuk b0 dan b1 dengan rumus umum seperti: bi thitung bi = .05. yang berarti bahwa garis regresi penduga " = .00433. Ini berarti tolak H0 karena Pvalue < 0.9 Parcial Regression Var adalah sama dengan variabel yang akan dijelaskan. dalam analisis ini adalah X. Ini berarti tolak H0 karena P-value < 0.33510. Akan tetapi.00002. Apabila nilai P-value < (p = 0. Dalam hal ini nilai t-hitung tidak dibangingkan dengan t tabel seperti biasa. 40 PDF created with pdfFactory Pro trial version www.0) 2). nilai P-value dibandingkan peluang (p) standar yaitu 5% atau 1%.16893 X. maka 1).0).05) mempunyai kesimpulan yang sama dengan thit ≤ t(tabel 5%).com .16893 dan sangat nyata.02303. Apabila nilai P-value 1 (p = 0. Masing-masing b0 = . Demikian juga didapatkan nilai P-value untuk b1 = 0. Sebagai contoh Standart Error untuk b0 (Sb0) = 0. yang berarti bahwa garis regresi penduga " = .44702 dan S bi b1 = 7. 1). Untuk b0.0.05. Coefficients sama dengan bi dalam hal ini sama dengan b0 dan b2. Apabila nilai P-value < (p = 0. Sehinga nilai t-hitung untuk masing-masing b0 = . Standart Error di sini menunjukkan nilai yang sama dengan Sb0 dan Sb1 dalam pengujian b0 dan b1. adalah garis regresi penduga tidak sejajar dengan sumbu X. Apabila nilai P-value 1 (p = 0.

dan antara 0.0.pdffactory. Perkiraan nilai 0 berkisar antara . .23830 untuk * = 1%.* tergantung pada nilai * yang dipakai 5% atau 1%. Perkiraan nilai 1 berkisar antara 0.0.119176 sampai dengan 0. Perhatikan nilai Lower dan Upper. 41 PDF created with pdfFactory Pro trial version www.21868 untuk * = 5%.Lower dan Upper adalah sama dengan perkiraan nilai interval b0 dan b1 atau pendugaan nilai 0 dan 1 dengan rumus: p {bi .1. apabila nilai Lower bertanda negarif dan Upper bertanda positif berarti dalam uji t-hitung bi menunjukkan signifikansi yang tidak nyata pada taraf nilai * = 5% atau 1%.35750 untuk nilai * = 5%.09956 sampai dengan 0.com .t*/2 sbi ≤ i ≤ bi . dan antara . Sebaliknya.* .1. apabila nilai Lower dan Upper bersifat definit positif atau definit negarif artinya baik Lower maupun Upper mempunyai tanda bilangan yang positif atau negarif ( + .t*/2 sbi} = 1.79474 sampai dengan .) berarti dalam uji t-hitung bi menunjukkan signifikansi yang nyata pada taraf * = 5% atau 1%. Nilai 95% atau 99% = 1.12079 untuk * = 1%.558029 sampai dengan .

Sign up to vote on this title
UsefulNot useful