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

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

dengan mengukur respon dari perlakuan atau variabel X yang dinyatakan dengan variabel tak bebas Y yang sering disebut hasil atau akibat perlakuan. perbedaan tersebut terletak pada yaitu: dalam analisis keragaman tidak mencari bentuk hubungan antara variabel-variabel seperti pada analisis regresi. 2. Sebagai ilustrasi hubungan antara variabel bebas X dan variabel tak bebas Y diberikan contoh dari persamaan [2.2]. Dalam hal-hal tertentu. Analisis regresi sebagai alat untuk melakukan peramalan atau prediksi atau estimasi atau pendugaan yang sangat berguna bagi para pembuat keputusan.1] yaitu pengaruh tingkat pendapatan dengan konsumsi makanan bagi petani pedesaan. 11 PDF created with pdfFactory Pro trial version www.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. Biasanya variabel tak bebas Y adalah variabel yang diramalkan dan variabel bebas X yang telah ditetapkan sebagai peramal yang disebut prediktor. Sehingga segala analisis statistika yang berkaitan dengan hal tersebut dinamakan dengan analisis regresi. Jadi antara analisis korelasi dan analisis regresi mempunyai kaitan yang sangat erat (akan dibicarakan di belakang). penentuan variabel bebas X dan variabel tak bebas Y sangat mudah. yaitu perbedaan antara variabel bebas X atau variabel yang dipelajari.1] akan menjadi: [2. maka selanjutnya perlu menentukan pola hubungan atau bentuk hubungan yang dinyatakan dalam bentuk persamaan matematik yang menyatakan hubungan fungsionalnya. Dari persamaan garis regresi [2. Y = A + BX Apabila A dan B mengambil nilai seperti: A = 0 dan B = 1. Tujuan utama dari analisis regresi adalah untuk memberikan dasar-dasar peramalan atau pendugaan dalam analisis peragam atau analisis kovarian.com . 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.5.1 berikut ini.persamaan [2. Dari persamaan [2. Setelah jelas mana variabel X dan variabel Y. seperti pada Tabel 2. melainkan mencari perbedaan pengaruh perlakuan atau objek.2] adalah suatu bentuk persamaan yang paling sederhana dari regresi linier sederhana. Apakah beda antara analisis regresi dengan analisis-analisis yang lain ? Sebagai contoh apa perbedaan antara analisis regresi dengan analisis keragaman atau analisis varians. maka variabel X dan variabel Y tersebut harus mempunyai hubungan yang kuat. tetapi kadang-kadang hal tersebut sangat sulit ditelusuri antara yang mana variabel bebas X maupun yang mana variabel tak bebas Y. Untuk membuat ramalan antara variabel X dengan variabel Y. dalam hubungan tersebut terdapat satu variabel bebas X dan satu variabel tak bebas Y. Kuat tidaknya hubungan antara variabel bebas X dan variabel tak bebas Y didasarkan pada analisis korelasi. A disebut intercept coefficient atau intersep yaitu jarak titik asal atau titik acuan dengan titik potong garis regresi dengan sumbu Y.1] A dan B disebut konstanta atau koefisien regresi linier sederhana atau parameter garis regresi linier sederhana. maka variabel yang sebagai sebab merupakan variabel bebas atau variabel X dan akibat yang ditimbulkannya menjadi variabel tak bebas atau variabel Y.Dari variabel-variabel yang akan dicari bentuk hubungannya terlebih dahulu hendaknya dijelaskan mana yang sebagai variabel bebas X dan mana yang sebagai variabel tak bebas Y. Y = X Persamaan [2.1] di atas.1].

Y.Tabel 2.pdffactory. Model Linier Garis Regresi 2.000 maka komsumsi makanan semakin meningkat.Y tersebut dapat dicari bentuk hubungan atau garis regresi antara variabel bebas Y atas variabel tak bebas X yang dtulis dengan Y/X.Y telah didapatkan.1]. Bagaimana persamaan regresi akan ditentukan jika hasil pengamatan atau yang berupa pasangan-pasangan nilai pengamatan antara X.1 di atas dapat dibuat garis regresi liniernya seperti Gambar 2. Dari Tabel 2.2 Garis regresi linier sederhana Sekarang bagaimana caranya membuat persamaan garis regresi linier sederhana seperti Gambar 2. sehingga antara variabel X dan variabel Y yang tertentu akan menjadi pasangan-pasangan tetap disebut dengan pasangan nilai X. Sehingga dari pasanganpasangan nilai X.com . sering disebut regresi Y atas X ditulis dengan Y/x.Y merupakan hubungan sebab (X) dan akibat (Y). No. yang mempunyai pengertian bahwa: setiap variabel bebas X akan memberikan atau menghasilkan suatu nilai variabel tak bebas Y yang tertentu.1 di atas. 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. Penentuan garis regresi antara variabel bebas X dengan variabel tak bebas Y. Sejumlah pasangan antara nilai X. 12 PDF created with pdfFactory Pro trial version www.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.Y inilah yang akan menentukan persamaan regresi yang dibuat sesuai dengan asumsi atau model yang digunakan. yang mempunyai bentuk persamaan matematis: Y = A + BX seperti pada persamaan [2.5. Setiap pasangan nilai X.1.1.

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

Yi sebagai garis regresi tersebut. Q dan R. apabila nilai X = 0.3 di atas yang manakah dari ketiga garis tersebut termasuk garis regresi yang terbaik. juga dapat dipergunakan sebagai pendekatan bentuk hubungan yang bukan linier (non linier) menjadi bentuk linier. YPR. 0) dengan perpotongan antara sumbu tegak Y dengan garis linier atau besarnya nilai variabel Y.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?". dan YQR yang merupakan garis regresi terbaik sebagai penghampir titik-titik pasangan pengamatan Xi. Oleh karena dalam pembicaraan ini hendak berusaha mencari cara untuk menentukan persamaan garis regresi linier sederhana yang baik atau yang terbaik. Perhitungan = !Y/!X Secara Sederhana 2.com . A ialah: jarak titik acuan (0. yang menunjukkan garis-garis regresi linier dari beberapa pengamatan.3 di bawah ini. Dengan demikian kembali ke Gambar 2. 14 PDF created with pdfFactory Pro trial version www.1] A dan B adalah konstanta. Seperti pada persamaan [2.pdffactory. Suatu bentuk hubungan atau fungsi linier atau regresi linier di samping mudah interprestasinya.X1 Y = Y2-Y1 Y2 A Y1 X1 140 Pendapatan X2 160 Gambar 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. Perhatika Gambar 2. Dalam beberapa hal dimungkinkan untuk mengecek atau menguji asumsi atau hipotesis setelah bentuk hubungan itu diperkirakan. Untuk itu haruslah terlebih dahulu mengetahui apa yang dimaksud dengan garis regresi yang baik. Fungsi linier sama dengan persamaan linier atau model linier atau regresi linier yang mempunyai bentuk hubungan atau bentuk fungsi: Y = A + BX.2. Apabila ada garis tertentu selain ketiga garis YPQ. yaitu parameter yang digunakan.125 Q 100 P Konsunsi 75 50 25 0 120 ! X = X2 . maka variabel Y bertambah atau menurun atau berubah sebanyak B kali. yang dipakai untuk menghampiri titik-titik P. B sering disebut kemiringan atau kecondongan garis regresi atau slope atau slope coefficient adalah tangen sudut yang dibuat oleh garis regresi dengan sumbu X.

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

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

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

b1 Xi) (.13].13] dan [2. X2.14] di atas disebut dengan persamaan normal. .Xi) = 0 Perhatikan faktor pengali yang berada dimuka tanda sama dengan (=). Oleh karena itu. jadi G = &ei2. . &Yi .12] diselesaikan dan diubah cara penyajiannya.12] turunannya menjadi: 'G/'b1 = 2 ((Yi .13) disebut dengan persamaan Normal 1. Persamaan (2.7a]. semua fungsi turunan pertama parsialnya ('Y/'X) sama dengan nol.b1 Xi (." Persamaan [2.7b]. 2 2 2 dapat ditulis: 18 PDF created with pdfFactory Pro trial version www. Turunan (e2i atau G terhadap b0 menjadi: Dari persamaan [2.9] di atas merupakan modifikasi dari persamaan-persamaan [2. Xp) akan minimum jika.b1 &Xi = 0 Persamaan-persamaan [2.8]. .11] dan [2. maka diperoleh persamaan-persamaan seperti: [2. Apabila dari persamaan-persamaan [2.pdffactory. Dengan mengambil fungsi turunan pertama parsiil G terhadap b0 dan b1 serta menyamakannya dengan nol. yaitu turunan pertama parsiil dari G terhadap masing-masing nilai b0 dan b1 sama dengan nol. Yi = b0i + b1i Xi + ei Telah disebutkan di muka. Untuk memudahkan cara penulisan selanjutnya &ei2 disamakan dengan G.b0 . 2 Sehingga fungsi turunan &e atau G terhadap setiap nilai b0.9]. dan b1 adalah sebagai berikut: Dari teori minimum dan maksimum atau harga ekstrim dalam teori kalkulus (defrensial & integral) dapat dinyatakan bahwa suatu fungsi f(X1. &Yi Xi . .Manipulasi matematis dari metode kuadrat terkecil akan menghasilkan koefisien a dan b. Perhatikan pengali dari setiap penaksir-penaksir yang berhubungan koefisien regresi seperti b0 dan b1 Apabila syarat-syarat dalam meminimalkan G dipenuhi.7b] yang ditulis kembali seperti: [2.14]. Persamaan (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 . atau [2.com . suatu syarat yang perlu dan khusus.10].1) = 0 Turunan (e i atau G terhadap b1 menjadi: Dari persamaan [2. maka diperoleh dua persamaan seperti di bawah ini. adalah garis regresi 2 yang mempunyai nilai &ei minimal. dengan mengandaikan syarat kedua minimalasasi itu telah terpenuhi.14) disebut dengan persamaan Normal 2. ei = Yi .b0 .11] turunannya menjadi: 'G/'b0 = 2 ((Yi . [2.13] dan [2. maka sistem persamaan normal dari [2. Perhatikan pertanyaan matematis dari persamaan [2. bahwa garis regresi penduga terbaik.b1 &Xi = 0 [2. Pernyataan matematis di atas dapat dijabarkan menjadi: " = b0 + b1 X dan Y = " + e sehingga ei = Yi .b0 &Xi . maka nilai G akan minimum jika semua fungsi turunan pertama parsiilnya.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." [2.

dengan demikian koefisien regresi b0 dan b1 dalam analisis regresi linier sederhana yang mengandung sebuah variabel bebas X dan sebuah variabel tak bebas Y dapat ditaksir atau dihitung.15]. 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. Berikut ini diberikan hubungan antara X. sistem persamaan normal [2. b1 = [2.13] dapat ditentukan nilai b0 yaitu dengan membagi persamaan tersebut dengan jumlah pengamatan (n) sehingga didapatkan persamaan dengan penyelesaian sebagai berikut: [2. &Yi Xi .b1 &Xi/n) &Xi .18c] maka perhitungan nilai b1 pada persamaan [2.nb0 /n . b1 = ∑ X ∑Y n ( X )2 ∑ 2 ∑X − n 19 PDF created with pdfFactory Pro trial version www.19a]. dan [2.13].pdffactory.X 1 ).18c].14] dapat dilihat keteraturan dari cara-cara penyelesaianya. y: [2.2 Perhitungan nilai koefisien regresi linier sederhana Jika diperhatikan kembali sistem persaman normal dari persamaan [2.b1 (Xi/n = Y [2.16a].14] di atas dapat ditentukan besarnya nilai b2.13] dan [2.&b0 . x1 2 = (X1 . &xy = &XY .b1 X ) &Xi . 2 2 x2 = (X2 .b1 X = 0 0 (Persamaan Normal 1) atau sehingga akhirnya menjadi: b0 = Y . dengan memasukkan persamaan [2.16b] dengan modifikasi X dan Y menjadi persamaan dengan huruf kecil dan perhatikan dengan teliti notasi perubah X dan Y yang ditulis dengan huruf kecil x dan y pada persamaan-persamaan berikut ini. dan y = (Y . b0 .18b].Biasanya.com . Oleh karena jumlah sampel = n diketahui dan jumlah-jumlah yang terdapat dalam sistem persamaan normal itu dapat dihitung dari data sampel. &Yi Xi .7.&X &Y/n Dengan menggunakan persamaan [2. &x = &X .b1 &Xi2 = 0 Sebelum penyelesaian persamaan [2.Y ) disebut dengan JK Y disebut dengan JK X disebut dengan JHK XY [2. 2.(&Yi /n . Dari persamaan [2.14] dapat diselesaikan secara serentak untuk mendapatkan nilai b0 dan b1.b1 X Selanjutnya. &Yi Xi .b1 &Xi = 0 (Yi /n .18a].19c].16].X 2 ).17].13]. [2.16b].18a] sampai dengan persamaan [2.( Y .(&X) /n [2.b0 &Xi .15] ke persamaan [2. &Yi . Sehingga nilai b0 dan b1 dapat ditentukan dengan perhitungan seperti berikut.19b].b1 &Xi2 = 0 (Persamaan Normal 2) atau dapat ditulis [2. &y = &Y .(&Y) /n 2 2 2 [2.b1 &Xi2 = 0 [2. Y dengan x.16b] maka didapatkan nilai b1 menjadi: [2.

22e] G = Σ ei 2 dengan membuka kurung maka atau Persamaan [2.Y ) .pdffactory. sehingga dengan mengkuadrat 2 jumlahkan nilai ei.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. untuk membuktikan bahwa garis regresi yang diperoleh tersebut merupakan garis regresi yang terbaik untuk menghampiri setiap titik-titik pengamatan X.b1 X ) .20] di mana ei = Yi .21c] yaitu pesamaan untuk nilai ei. ei = (Yi . Ingat bahwa ei = yi . Dari Gambar 2.22c] [2.Sehingga persamaan regresi penduga " dari suatu pengamatan atau untuk pengaruh variabel bebas X terhadap variabel tak bebas Y menjadi: [2.4 dapat diuraikan bahwa persamaan [2.21a].b1 X disubstitusikan ke dalam persamaan [2.com . ei = yi . 2). " = b0 + b1 X Selanjutnya.b1 (Xi .22d] [2.23c] sehingga dapat menjadi: 2 G = Σyiyi .23c] didapatkan bahwa JK Galat Regresi sama dengan JK Total dikurangi dengan JK Regresi.b1 xi Dari persamaan [2.21c].22b] [2. sehingga menjadi: [2.20] " = b0 + b1 X sehingga didapatkan pesamaan: [2.8. perlu dilakukan pengujian keberartiannya.8. ei = Yi .bi Xi.21b]. selanjutnya didapatkan Σei atau disebut dengan JK Galat Regresi dengan kode G. 3). Dari persamaan [2. Uji ragam regresi atau uji F regresi Uji koefisien regresi dengan uji-t Uji r garis regresi 2.b1 Xi [2. Unuk menjawab pernyataan tersebut maka dapat dikatakan bahwa garis regresi penduga " = b0 + b1 X nyata secara statistika. Dan jika persamaan [2.Y.b1 xi. 2.b1 xi) G = Σeiyi . 20 PDF created with pdfFactory Pro trial version www.( Y .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.X ) [2.b1 xi) Selanjutnya dari persamaan diatas didapatkan: [2.b0 . G = Σei(yi .b1 ΣeI xi) G = Σeiyi G = Σyiei G = Σyi (yi . Pengujian Garis Regresi Linier Sederhana Pengujian garis regresi secara statistika dapat dilakukan dengan tiga cara yaitu: 1).23b] [2.21c] sehingga atau sebab ΣeIxi = 0 sehingga G = Σeiei. di mana JK Total atau JK Y sudah dapat dihitung dari data pengamatan.22a] [2.23a] [2.20].

25a. dan ei Sehingga. maka JK Regresi mempunyai rumus: [2. Yi.4. Untuk menyederhanakan penulisan dan pengertian di atas. maka selanjutnya JK Galat Regresi disingkat dengan JK Galat. JK Galat = JK Total . KT Regresi KT Galat = = JK Regresi /(DB Regresi) JK Galat/ (DB Galat) Berdasarkan pada asumsi sebaran normal untuk komponen pengganggu e.24]. . dan JK Galat) seperti berikut: [2. + bp Σyi xp JK Regresi = (b1 JHK X1Y + b2 JHK X2Y + . Yi. JK Regresi. dan nilai-nilai Y .JK Regresi. JK Regresi dengn JK Reg (tanpa titik) dan JK Total dengan JK Tot atau JK Y (tanpa titik). ".25a] [2. 2).com .27] Fhit = KT Regresi KT Galat 21 PDF created with pdfFactory Pro trial version www.((Y)2/n 3). .pdffactory. Nilai-nilai Y . JK Total = Jk Y = (Y2 . JK Regresi = b1 JHK XY 2).26b] JK Regresi = b1 Σyi x1 + b2 Σyi x2 + . .JK Regresi Selanjutnya dihitung nilai KT atau varians seperti: 1). + bp JHK XpY) Komponen penyusun Tabel Sidik Ragam Regresi adalah: 1). JK Galat = JK Total .Perhatikan Gambar 2.23c]. hubungan antara komponen-komponen pada analisis keragaman (JK Total. maka besarnya nilai F (F-hitung) adalah: [2.25b] JK Regresi = b1 Σyi xi JK Regresi = b1 JHK XY atau dapat ditulis: Persamaan [2. .26a] [2. Sehingga sesuai dengan persamaan [2. dan ei di bawah ini.4. ". 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.b] berlaku umum untuk p variabel bebas X sehingga persamaannya menjadi: [2.

com .pdffactory.2 Uji keberartian koefisien regresi (bi) atau uji t Pengujian yang dilakukan dengan uji F seperti cara tersebut di atas. Atau dapat dikatakan bahwa garis regresi penduga (") linier sederhana yang didapat tersebut adalah garis regresi penduga yang terbaik untuk menghampiri pasangan pengamatan X. Hal ini berarti bahwa terdapat hubungan linier antara pengaruh X terhadap Y. dapat memberikan petunjuk apakah setiap variabel X menunjukkan pengaruh atau hubungan yang nyata terhadap variabel tak bebas Y. maka rumusnya menjadi: [2.3 berikut di bawah ini. 2). Tabel 2. maka dapat dilakukan dengan uji t atau uji koefisien regresi apabila uji F signifikan. p.29]. Hal ini berarti bahwa garis regresi penduga (") linier sederhana yang didapat tersebut bukan garis regresi yang terbaik untuk menghampiri pasangan pengamatan X. F-hitung disimbulkan dengan Fhit ini diartikan bahwa dalam pengujian F akan dibuktikan suatu hipotesis nol atau H0: Fhit = 0 dan H1: Fhit > 0 Kemudian F-hitung dibandingkan dengan F tabel yang biasa ditulis dengan: Fhitung ) Ftabel (Di mana Ftabel = F(*.Hasil perhitungan keragaman di atas dibuatkan Tabel Sidik Ragam Regresi seperti pada Tabel 2.8. Atau dapat dikatakan ini berarti bahwa terdapat hubungan bukan linier pada pasangan pengamatan X. 2.Y. Jika Fhit ≤ F(tabel 5%). t-hitung W = [2.n-2) dan * = taraf nyata ) Kreteria pengujian nilai Fhit adalah: 1). Secara umum uji t mempunyai rumus adalah: W SW W nilai yang diuji.Y. sehingga untuk pengujian koefisien regresi (bi).3. Jika uji F atau uji ragam regresi menunjukkan bahwa Fhit > F(tabel 5%) barulah dilanjutkan dengan uji t dan sebaliknya. 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%). 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.28].Y tersebut.

jika thit ≤ t(tabel 5%.n-2) dan * = taraf nyata ) Berdasarkan hasil uji t ternyata bahwa kreteria pengujian nilai thit adalah: 1). 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 . Perhitungan nilai +Bi didasarkan pada ragam galat regresi atau KT Galat Regresi. selain untuk pengujian hipotesis juga dapat dipakai pada perkiraan nilai interval koefisien regresi populasi i yang sering disebut dengan perkiraan nilai populasi beta ( ). nilai salah baku koefisien regresi Sbi yang diperoleh. 2). Sb0 = = var b0  KT Galat Re gresi   n JK X  Untuk pengujian b1 nilai salah baku menjadi: [2. Kemudian t-hitung dibandingkan dengan t tabel yang biasa ditulis dengan: thitung ) ttabel (Di mana ttabel = t(*/2.Dari persamaan [2.com . Untuk pengujian b0 yang berarti bahwa b0 melalui titik acuan (titik 0. dalam uji t nilai salah baku bi yang ditulis (Sbi) mempunyai persamaan seperti berikut: [2.29] dalam menyederhakan penulisan salah baku koefisien regresi bi yang biasa ditulis dengan +Bi (salah baku = standard error koefisien regresi Bi). 0). S2e = KT Galat Regresi = JK Galat Regresi /(n-p-1) 2 Selanjutnya.pdffactory.31]. Sb1 = = var b1 ∑X2      KT Galat Re gresi      JK X   Seperti dalam uji F. yang berarti bahwa garis regresi penduga " tidak melalui titik acuan (X. 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. db galat). db galat) maka garis regresi penduga " dikatakan sejajar dengan sumbu X pada nilai b0. dapat memberikan petunjuk apakah setiap variabel Xi memberikan pengaruh atau hubungan yang nyata terhadap variabel tak bebas Y. Karena besarnya nilai + e (Ragam Galat Regresi) populasi tidak diketahui. db galat) Hal ini dikatakan bahwa tolak H0. Jika thit > t(tabel 5%. 23 PDF created with pdfFactory Pro trial version www. ini berarti bahwa koefisien arah b1 yang berangkutan dapat dipakai sebagai penduga dan peramalan yang dapat dipercaya. Pengujian yang dilakukan dengan cara tersebut di atas.0) yaitu nilai Y = 0 jika X = 0. didasarkan metode kuadrat terkecil.Y = 0. Untuk b1. Selanjutnya.30].0). Sbi = var bi masing-masing untuk b0 dan b1 menjadi: Untuk pengujian b0 nilai salah baku menjadi: [2.32b]. Dengan kata lain. Perlu diingatkan bahwa dalam pengujian di atas (baik uji F maupun uji t).32a]. Jika thit ≤ t(tabel 5%.

t%/2 Sb0 ≤ [2.% ≤ b1 + t%/2 Sb1} = 1.35a].3 Uji keeratan hubungan atau uji r Pada uji-uji sebelum ini.33a]. p (bi ± t%/2 Sbi Sbi) = 1.34a].8. rXY = menjadi: [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.pdffactory. uji Koefisien Regresi (uji t) berdasarkan nilai Varians Galat Regresi. Sepintas gambaran bahwa nilai r berkisar antara –1 sampai dengan + 1 atau sering ditulis dengan -1 . dan lain sebagainya. p {b1 . Jadi nilai koefisien korelasi itu selalu pecahan seperti: r = 0.% untuk b0 untuk b1 2. r = 0.0. 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.35b].Rumus dari perkiraan nilai i adalah sebai berikut di bawah ini: [2.+2. rXY = Σxy Σx 2 Σy 2 JHK XY JK X JK Y atau [2.% atau [2.com .33b].t%/2 Sbi ≤ i ≤ bi + t%/2 Sbi} = 1.78.%. Lihatlah kembali rumus koefisien regresi seperti [2.r .35c]. p {bi .19c] dan koefisien korelasi r seperti [2. Adapun rumus dari pada koefisien korelasi r adalah: [2. Hubungan antara koefisien korelasi r dengan koefisien regresi b2. 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.t%/2 Sb1 ≤ 0 1 ≤ b0 + t%/2 Sb0} = 1. Sedangkan.19c]. dan untuk setiap b0 dan b1 seperti: [2.87. seperti uji Ragam Regresi (uji F).347.34b].35c]: [2. r = . p {b0 .

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

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

39b]. Hal ini berarti bahwa terdapat hubungan linier yang nyata (p = 0.41c] maka menghasilkan: [2. sehingga Fhitung mempunyai rumus: [2. [2.39a]. koefisien regresi b1.com .39d]. Jika Fhit > F(tabel 5%). [2. F-hitung F-hitung = = (n − 2) r 2 JK Total (1. sehingga kreteria pengujian adalah: 1).40].R yang menunjukkan persentase dari variasi total atau variabel Y yang disebabkan oleh faktor lain diluar X atau variabel selain X. dalam analisis keragaman regresi linier sederhana dan uji F di mana DB Regresi = 1 dan DB Galat = n – 2. JK Total = (1 . [2. 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 . JK Total = KT Re grasi KT Galat JK Re grasi / 1 [2. [2. 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.42b]. bahwa terdapat pengaruh antara variabel X terhadap variabel tak bebas Y.Yang lebih penting dalam pembicaraan hubungan antara koefisien korelasi r.41c]. Sisanya 1 . 27 PDF created with pdfFactory Pro trial version www. JK regresi = JK Total . 2).r ) . F-hitung = JK Galat Masukan persamaan [2.r 2 ) JK Total sehingga didapatkan (n − 2) r 2 (1.r .JK Galat JK Galat JK Galat = JK Total .05).pdffactory. Hal ini berarti bahwa garis regresi penduga (") linier sederhana yang didapat tersebut bukan garis regresi yang terbaik.41a].r 2 ) r2 Selanjutnya. Dalam analisis keragaman atau uji F regresi di mana: [2.JK Galat r JK Total = JK Total .40] ke dalam persamaan [2.r 2 ) Kreteria pengujian nilai Fhitung sama seperti pengujian-pengujian di atas.39c]. Atau sering diartikan bahwa koefisien determinasi R adalah persentase dari variabel tak 2 bebas Y yang dipengaruhi oleh variabel bebas X.41b]. 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. F-hitung = JK Galat /(n − 2) (n − 2) JK Re grasi [2.42a]. F-hitung = [2. Jika Fhit ≤ F(tabel 5%).

33] bertujuan untuk mengetahui perkiraan nilai interval koefisien regresi populasi i baik b0 maupun b2. dalam penaksiran diperlukan selang kepercayaan nilai 0 yaitu sebesar 1 – * di mana * adalah peluang kesalahan tipe I. Dengan demikian. [2. n – 2) S Y ≤ (XY ≤ " + t(%/2.t(%/2. yang umum disebut dengan selang kepercayaan " atau interval taksiran garis regresi penduga ". " .Taksiran nilai individu [2. dan b) penaksiran atau peramalan nilai individu Y apabila nilai Xi tertentu yang telah diketaui. masing-masing taksiran tersebut adalah: 1). JK X dan KT Galat Regresi dari Analisis Varians Regresi X0 = suatu nilai Xi yang telah diketahui atau ditentukan 2). Dalam perhitungan nilai selang kepercayaan juga menggunakan dasar Analisis Ragam Regresi. sehingga terdapat daerah atau range.com .1 Interpolasi dan ekstrapolasi Jelaslah bahwa dari uraian di atas. 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. 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 ". ˆ ˆ ≤ " + t(%/2.2. n – 2) S " . 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 _   .t(%/2. bahwa pemakaian persamaan penduga " = a + bX.Taksiran nilai rata-rata. n = jumlah penamatan atau sampel. Dalam penaksiran atau peramalan garis regresi membicarakan sejauh mana garis regresi penduga " yang telah didapat betul-betul dapat dipercaya sebagai penduga garis . atau untuk mencari nilai Y apabila Xi telah ditentukan. Selanjutnya.9. 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 .pdffactory.   _ X = nilai rata-rata Xi. S 2ˆ = KT Galat Regresi 1 + + ˆ Y n    1 2.9 Peramalan atau Prediksi Garis Regresi Pembicaraan mengenai perkiraan nilai populasi beta ( ) pada persamaan [2. dapat dipakai sebagai peramalan dari nilai-nilai Xi yang belum diketahui.43].XY yang terbaik. 28 PDF created with pdfFactory Pro trial version www.44].XY.

210 112.750 1.563 0.500 0. 2).150 0. 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 11.323 0.Ekstrapolasi Pengertian interpolasi adalah penaksiran atau peramalan nilai-nilai Y.750 10. Perhitungan Regresi Dua Variabel yaitu Variabel X dan Variabel Y No.563 3.305 26.103 1.650 0. maka diberikan contoh olahan seperti di bawah ini.250 0.900 15.900 24.500 11.410 204.4.040 150.903 18.360 56.250 1.200 12.810 1.563 27.4.490 11.900 178.700 1.240 0.Interpolasi.873 Y 0.750 0.903 3. sebab garis regresi penduga tersebut harus tahan uji dari beberapa jenis pengujian garis regresi seperti yang telah diuraikan di atas.063 166. Ada dua pengertian pokok yang harus dipahami dalam penaksiran atau pendugaan adalah: 1). 2.760 141.000 1.900 10.125 14. dan datanya seperti pada Tabel 2.250 15.000 2.1 Perhitungan JK-JHK dan penentuan koefisien regresi linier sederhana b0 dan b1 Tabel 2.555 Y2 0.com .890 1.800 0.300 5.305 198.Di dalam penerapan praktis dari garis regresi penduga " = a + bX dipakai untuk mengadakan peramalan atau penafsiran.490 175.330 145. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Jumlah Rata2 X 9.600 0.338 7.400 11.720 0.pdffactory.100 11.610 2183.217 29 PDF created with pdfFactory Pro trial version www. 2.950 1.253 13.340 5.720 1.950 15.250 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.875 10.908 1.050 1.10.518 0. seperti disebutkan di atas. Pengertian ekstrapolasi adalah penaksiran atau peramalan nilai Y.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 b1.563 234.261 XY 6. 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.610 231.310 16.300 8. yang datanya terdiri dari satu variabel bebas X (prediktor) yaitu nilai X dan satu variabel tak bebas Y yaitu nilai Y.063 110.250 12.250 126.300 13.540 5.048 X2 95.090 79.063 1.900 14.600 12.863 12.500 11.423 0.360 0.600 7.250 141.563 158.900 1.

2).253 . dilakukan pengujian terhadap garis regresi penduga. Dalam pengujian garis regresi penduga terdapat tiga macam uji yaitu: 1). JK Total = = = = (y 2 2 (Y . JK Regresi. Uji F atau uji ragam regresi atau uji varians regrsi.com .873) .95776 + 0. maka akan menyebabkan terjadinya perubahan Y sebesar 0. Selanjutnya. dan JK Galat Regresi dari data Tabel 2.16893) (11. 3).720)/15 11.(5.2 Pengujian garis regresi linier sederhana dengan uji F Dalam Uji F atau uji Ragam Regresi atau uji Varians Regresi diperlukan nilai-nilai JK Total.100)2/15 68.720) /15 2.(0.((X) /n 2183. 2.(178.Perhitungan JK-JHK dari data di atas seperti: JK Y = = = = = = = = = (y2 = (Y2 .6037 68. dan Uji koefisien korelasi atau uji r.43384 2 30 PDF created with pdfFactory Pro trial version www. Nilai b1 adalah: b1 = = = Nilai b0 adalah: b0 = = = " " Y .0.4338 (x1 = (X1 . dari persamaan peduga di atas dapat diartikan bahwa setiap perubahan satu satuan X.4 di atas seperti berikut: 1).048 .100)(5.pdffactory.95776 JHK XY JK X 11. Uji koefisien regresi atau uji terhadap bi atau uji t.908 .10.((Y)2/n 18.6037 2 2 2 JK X JHK XY Selanjutnya.((Y) /n 2 18.b1 X 1.(178.16893 satuan Y.(X1 (Y/n 198.16893 Sehingga.6893 (x1y = (X1Y . dilakukan perhitungan untuk mencari nilai b0 dan b1 seperti berikut ini.330 .16893 X Sehingga.(5.0.908 . persamaan peduganya menjadi: = = b0 + b1 X .6893 0.720)2/15 2.

yang berarti bahwa terdapat pengaruh variabel bebas X yang sangat nyata (p<0. dan KT Galat didapatkan.2.01 Berdasarkan hasil analisis varians di atas ternyata bahwa Fhit > F(tabel 1%) atau dapat dikatakan bahwa hipotesis nol ditolak. KT Regresi.43384 .43384 Kuadrat Tengah (KT) 1.03643 2183. JK Galat Regresi Selanjutnya.5 berikut.330 15 x 68.47363 3).96021 JK Galat/ (DB Galat) 0. JK Regresi. KT Regresi = = = JK Regresi /(DB Regresi) 1.277853 = = 31 PDF created with pdfFactory Pro trial version www. maka di lanjutkan dengan membuat Tabel Analisis Keragaman atau Tabel Analisis Varians Regresi seperti pada Tabel 2. bi Secara umum uji t mempunyai rumus adalah t-hitung bi = S bi Selanjutnya. Untuk pengujian b0 nilai salah baku Sb0 dari data di atas: Sb0 = KT Galat Re gresi ∑ X 2 n JK X 0. JK Galat Regresi.8037 ** F tabel 5% 1% 4. 2.6893 0.47363/13 0.96021/1 1. dilakukan pengujian terhadap koefisien regresi b0 dan b1 dengan uji t seperti berikut.pdffactory. = berpengaruh sangat nyata pada p<0.3 Pengujian koefisien garis regresi linier sederhana dengan uji t Setelah dilakukan pengujian dengan uji F maka selanjutnya. dihitung nilai KT atau varians seperti: 1).03643 - F hitung 53. dalam analisis regresi dua variabel nilai salah baku bi yang ditulis dengan Sbi mempunyai persamaan seperti berikut.6037) 1. 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 Total .96021 0.01) terhadap variabel tak bebas Y.47363 2.2).03643 2).16893) (11. KT Galat Regresi = = = Setelah perhitungan JK Total. Tabel 2.07 Jumlah sampel (n) = 15. JK Regresi = = = b1 JHK XY (0.JK Regresi 2.96021 0.com .96021 0.10.5.67 9.

16893 X tidak melalui titik 0.3.131) (0.95776 = 0. {Nilai t negatif sama dengan nilai positif (diambil harga Selanjutnya.Untuk pengujian b1 nilai salah baku Sb1 dari data di atas: Sb1 = KT Galat Re gresi JK X 0.35750} = 1 .4470 mutlaknya)}.277853) ≤ 0 ≤ . uji t terhadap nilai koefisien regresi b1: t-hitung b1 = b1 Sb 1 0.277853 = .16893 X tidak sejajar dengan sumbu X.* untuk masing-masing b0 dan b1 seperti: dengan nilai salah baku Sb0 dengan * = 5% dari data di atas 0 p {b0 . Garis regresi penduga " = . atau mempunyai slop sebesar 0.16893 = 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 .0.131 dan t(1%.t*/2 sbi} = 1.023030 = 7.n-2) Sb0} = 1.t(*/2.03643 68.n-2) Sb0 ≤ p { .0.0.* 32 PDF created with pdfFactory Pro trial version www. Ternyata bahwa t-hitung > ttabel 1% baik untuk nilai b0 maupun untuk b2.6893 = = 0. Garis regresi penduga " = . selain untuk pengujian hipotesis.13) = 2.0.com . 2).335101 Berdasarkan hasil uji t ternyata bahwa nlai thitung yang diperoleh dibandingkan dengan ttabel atau t(5%.16893 Selanjutnya.023030 Uji t terhadap nilai koefisien regresi b0: t-hitung b0 = b0 Sb 0 .(2.558029 ≤ ≤ b0 + t(*/2.95776 + 0.95776 .pdffactory. dengan nilai salah baku koefisien regresi b0 dan b1 yang diperoleh. db galat = 13) yaitu sebesar 2. Ini berarti bahwa dari analisis tersebut H0 ditolak baik untuk uji b0 maupun untuk uji b1 Sehingga.947.* 0 p {.131) (0.t*/2 sbi ≤ Untuk perkiraan didapatkan: 0 i ≤ bi .0.95776 + 0.1.0.0 atau titik acuan.277853)} = 1.* ≤ .95776 + (2. dapat dikatakan bahwa: 1).

0 8.131) (0.2 6.119176 sampai dengan 0.9578 + 0.* 1 untuk b0 p {0.0 14.131) (0.1.n-2) Sb1 ≤ p {0.0 12.8 0.* ≤ 0. Selanjutnya.330 198.023030)} = 1.000 1.1 di atas seperti: (X = 2 (X = (XY = 178.0 16.6 1.558029 sampai dengan .21868} = 1 .908 33 PDF created with pdfFactory Pro trial version www.16893 .10.4 Pengujian garis regresi linier sederhana dengan uji r Pada uji-uji sebelumnya seperti uji F dan uji t telah dilakukan.21868 Berdasarkan perhitungan di atas maka dapat dibuat gambar Garis Regresinya seperti berikut: 2.0 Pendapatan Petani ( x 100.16893 + (2.1689 X R2 = 80.54% 2.(2.n-2) Sb1} = 1.253 (Y 2 (Y = = 15.023030) ≤ 1 ≤ 0.0. 000) Y = .6 0.0 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 3.4 0.0 10.100 2183.Jadi perkiraan nilai Untuk perkiraan didapatkan: 1 0 berkisar antara .35750 dengan nilai salah baku Sb1 dengan * = 5% dari data di atas 1 p {b1 .4 1.* berkisar antara 0.com .119176 ≤ Jadi perkiraan nilai 1 ≤ b1 + t(*/2.0 0.8 Konsumsi Daging x100.0.pdffactory.t(*/2.720 18.2 1.

Selain. Ternyata bahwa t-hitung > ttabel 1%.720) 2   2183. 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.897 0.908 −     15 15    198. dengan rumus pengujian seperti berikut: t-hitung = r .100) (15. dan Nilai r tabel 1% = r(1%. dengan n = 15 maka: Nilai r tabel 5% = r(5%.51653 Berdasarkan hasil uji t. maka nilai thitung ) ttabel.53 − 0. 13) = 0. 13) = 0. pengujian r seperti di atas.13) = 2.100) 2   (15. db galat = 13) yaitu sebesar 2.720) 15  (178. n-2).131 dan t(1%.897 > r tabel 1% = 0.13765 = = 6.Sehingga: r = 178.13765 (1 − r 2 ) (n − 2) (1 − 0.pdffactory. 34 PDF created with pdfFactory Pro trial version www.com .642.897 = 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 . nilai r dapat pula diuji dengan uji t.947. Jadi r hitung = 0.642. Nilai r tabel = r(*/2. Hal ini dapat dikatakan bahwa terdapat hubungan atau korelasi yang sangat erat antara variabel bebas X dengan variabel tak bebas Y.514. Nilai ttabel atau t(5%. Sr Di mana Sr = salah baku r dengan rumus: Sr Sr = = = Sehingga: t-hitung = r Sr 0. Hal ini dapat dikatakan bahwa tolak H0 yang berarti bahwa terdapat hubungan atau korelasi yang sangat erat antara variabel X dengan variabel Y.897 2 ) (15 − 2) 0.330 −  18.

maka didapatkan koefisien determinasi R2 = (0.03643 15 11.5 Peramalan atau prediksi pada garis regresi Dalam perhitungan taksiran atau ramalan garis regresi diperlukan selang kepercayaan 0 yaitu sebesar 1 – *. 1).8054.95776 + 0.0.6893 0.7022 0.897)2 = 0.10. 2.131) (0.XY: " .t(*/2.Berdasarkan perhitungan koefisien korelasi r di atas.131 Berdasarkan ketentuan di atas maka nilai S dapat dihitung: Y S = Y  1 ( X 0 − X )2 KT Galat Regresi  +  JK X n  _ _ 1 (10 − 11. Hal ini diartikan bahwa 80. seperti berikut: " .XY untuk X0 = 10. n – 2) S Y ≤ (XY ≤ ≤ (XY ≤ " + t(*/2. n – 2) S Y ≤ .(2.16893 X = .01377 Selanjutnya. 2 Sisanya 1 .XY ≤ " + t(*/2. taksiran nilai rata-rata .03643  + 68.0. n – 2) S Y 0. atau dapat diartikan bahwa 80.95776 + 0. Dengan menggunakan dasar perhitungan analisis ragam regresi dan KT Galatnya seperti di atas didapatkan taksiran nilai rata-rata seperti berikut ini.73154 + (2.73154 .pdffactory.46% dari variasi total Y dipengaruhi oleh faktor lain diluar X atau variabel selain X. sehingga 0 = 95%. 13) = = = = = = = 0.73154 68.54% variasi keragaman total Y atau variasi Y dapat diterangkan oleh variasi X. Sebagai contoh: taksiran nilai rata-rata .com .16893 (10) = 0.6893  15       =      = 0.873) 2  0.0138) ≤ (XY ≤ 0.0138) 0.131) (0. n – 2) S .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%. dengan nilai " menjadi: Y " = . di mana * = 5%.873 10 2.76088 35 PDF created with pdfFactory Pro trial version www.R = 19.54% dari variabel tak bebas Y dipengaruhi oleh variabel bebas X.t(*/2.

(2.01558      Selanjutnya.6 di bawah ini. 69835 sd 0.03643  1 + +  15 68. seperti berikut: Sebagai contoh: taksiran nilai individu Y ˆ ˆ ≤ " .73154 68.873) 2 0. taksiran individu untuk Xi = X0 = 10.95776 + 0. taksiran nilai individu: " .873 10 2. Untuk taksiran individu nilai-nilai Xi yang lain dapat dihitung seperti cara di atas. 13) = 0.16893 X = .73154 . n – 2) S " .6893 0.7022 sd 0. n – 2) S ˆˆ Y ˆ ˆ ≤ ≤ Y " + t(*/2. n – 2) S ˆˆ Y ˆ ˆ ≤ 0.Jadi. Jadi.t(*/2. ˆ ˆ untuk X0 = 10.69835 ≤ Y 0.0.pdffactory.0. maka Y 76473. n – 2) S ˆˆ ≤ Y ˆ ˆ Y Y " = .t(*/2. taksiran rata-rata untuk Xi = X0 = 10.6893   0. Untuk taksiran rata-rata nilai-nilai Xi yang lain dapat dihitung seperti cara di atas.0138) 0. 36 PDF created with pdfFactory Pro trial version www.95776 + 0.76088.131) (0.03643 15 11.73154 + (2.131) (0. Hasil perhitungan taksiran rata-rata dan individu nilai-nilai Xi yang lain dapat dilihat pada Tabel 2. 2).16893 (10) = 0.com .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%.t(*/2.76473 ˆ ˆ berkisar antara 0.0138) ≤ Y ˆ ˆ ≤ 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. maka (XY berkisar antara 0.

053 ˆ ˆ lower (XY lower (XY upper Y 0.6 37 PDF created with pdfFactory Pro trial version www.662 1.600 0.833 0.0 0.8 0.574 0.722 0.800 0.689 0.807 0.950 " 0.858 0.627 0.200 12.205 1.2 1.499 0.950 1.151 1.4 0.048 1.0 10.259 1.420 1.057 1.726 0.057 0.0 8.546 0.8 1.244 1.750 0.307 1.6 di atas.838 0.700 1.650 0.069 1.680 0.036 ˆ ˆ upper Y 0.309 1.036 1.241 1.048 0.595 0.417 1.794 0.190 1.095 1.900 1.664 1.0 Data pada Tabel 2.458 1.500 11.129 1.900 Y 0.499 1.119 1.250 12.6 Hasil Perhitungan Taksiran Rata-rata (XY dan Taksiran Individu ˆ ˆ dari Nilai-nilai Xi Y X 9.105 1. 2.0 1.571 0.053 1.900 14.0 14.300 8.558 1.843 0.500 0.150 0.254 1.6 Konsumsi daging 1.183 1.750 1.4 1.300 13.pdffactory.379 1.653 0.943 1.377 1.853 0.250 1.496 1.600 7.924 1.000 1.497 0.789 0.816 0.720 0.159 1.813 0.500 11.050 1.Tabel 2.556 1.112 1.900 10.221 1.250 12.171 1.900 15.592 0.com .682 0.238 1.0 16.069 No.750 10.2 6. 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.600 11.961 1.250 15.0 Pendapatan 12.610 1.6 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 2.302 1.932 1.281 1.656 0.953 1.239 1.199 1.

8 ANOVA SV Regression Residual Total DB 1 13 14 SS 2.16893 X terletak di dalam daerah ruang gerak X1 dan Xn.30922 dan 1.9 Parsial Regression Coefficients Standart t Stat P-value Lower Upper Lower Upper Error 95% 95% 99. Nilai ekstrapolasi adalah nilai taksiran atau nilai ramalan dari nilai Y.16893 X terletak di luar batas daerah ruang X1 dan Xn. pemakaian persamaan penduga " = b0 + b1X.16893 0.09956 0. dapat dipakai sebagai peramalan dari nilai-nilai Xi yang belum diketahui. jika harga-harga Xi yang dimasukan ke dalam persamaan regresi penduga " = .0. Sistat.23830 Var 38 PDF created with pdfFactory Pro trial version www.95776 + 0.0. maka nilai Y penduga = 0. Dalam hal ini akan diberikan contoh keluaran komputer dengan program Excel seperti pada tabel berikut. seperti X = 7.79474 .00433 .0. seperti X = 10 maka nilai Y penduga = 0.21868 0. Minitab.5 dan X = 15.95776 + 0. 1 Summary Output Excel Table 2. 2.5 dan Xi = 15 berada di luar Xminimum dan Xmaksimum.7904 0. jika harga-harga Xi yang dimasukkan ke dalam persamaan regresi penduga " = .95776 + 0.35750 .0.11 Interpolasi dan ekstrapolasi Jelaslah bahwa dari uraian di atas.2. dan lain sebagainya.8974 0. Di dalam penerapan praktis dari garis regresi penduga " = .2.12079 X1 0.9602 0.55803 .0.0% 99.9602 0.2.4736 2.pdffactory.4338 MS 2.3351 0.11918 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.95776 0.1909 15 Table 2.0% Intercept . SPSS.27785 .0364 F 53. Statistica.7 Regression Statistics Multiple R R Square Adjusted R Square Standard Error Observations Table 2.00001 0.4470 0.8037 Significance F 0. sebab nilai Xi = 10 berada di dalam antara X1 dan Xn.73154. sebab nilai Xi = 7.57615.02303 7.8054 0.0000 0.3.0.12 Contoh Hasil Output Komputer dengan Menggunakan Solf-ware Execel Perhitungan-perhitungan regresi seperti regresi linier sederhana di atas terdapat banyak perangkat lunak yang dapt membantunya seperti Excel. atau untuk mencari nilai Y apabila Xi telah ditentukan.com .

Apabila nilai significance F < (p = 0.Penjelasan tabel di atas seperti berikut: Table 2. Apabila nilai significance F 1 (p = 0. DF = Degrees of Freesom atau = Derajat Bebas (DB).0.7 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 0.8974.54% dari variabel tak bebas Y dipengaruhi oleh variabel bebas X. Sebagai contoh dari hasil analis tersebut di atas didapat nilai F = 53. MS = Means Squarwes atau KT. 39 PDF created with pdfFactory Pro trial version www.05) mempunyai kesimpulan yang sama dengan Fhit ≤ F(tabel 5%). 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 = 0.01) mempunyai kesimpulan yang sama dengan Fhit > F(tabel 1%). 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. 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 signifikanse F < (p = 0. Di mana SV = Sumber Variasi (SV) atau Sumber Keragaman (SK).pdffactory. Akan tetapi.05) mempunyai kesimpulan yang sama dengan Fhit > F(tabel 5%).95776 + 0. Ini berarti tolak H0 yang menyatakan bahwa garis regresi penduga " = . atau dapat diartikan bahwa 80. Significance F adalah sama dengan nilai peluang dari nilai F-hitung.0000.16893 X. nilai significance F dibandingkan peluang (p) standar yaitu 5% dan 1%. R Square adalah sama dengan koefisien determinasi R2 yang menunjukkan variasi keragaman total Y yang dapat diterangkan oleh variasi variabel X. Dalam hal ini nilai F-hitung tidak dibangingkan dengan F tabel seperti biasa. 2). 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. 1).8 ANOVA KT Y n Pada Tabel Anova adalah persis sama dengan Sidik Ragam Regresi.com . adalah garis regresi yang terbaik untuk menerangkan bahwa variabel bebas X (pendapatan petani) berpengaruh sangat nyata terhadap variabel tak bebas Y (pengeluaran petani). Atau variabel bebas X tidak berpengaruh terhadap variabel tak bebas Y. F = F-hitung. SS = Sum of Squares atau = JK.

Dalam hal ini nilai t-hitung tidak dibangingkan dengan t tabel seperti biasa.16893 X.95776 + 0.05.pdffactory.33510.05) mempunyai kesimpulan yang sama dengan thit ≤ t(tabel 5%). tidak melalui titik acuan (0. Intercept sama dengan b0 jarak antara titik potong garis regresi penduga " dengan titik acuan (0.3.0. Apabila nilai P-value < (p = 0.02303.00002. Standart Error di sini menunjukkan nilai yang sama dengan Sb0 dan Sb1 dalam pengujian b0 dan b1. yang berarti bahwa garis regresi penduga " = . Demikian juga didapatkan nilai P-value untuk b1 = 0.05) mempunyai kesimpulan yang sama dengan thit > t(tabel 5%). Ini berarti tolak H0 karena Pvalue < 0. hal ini berarti terima H0 yang menyatakan bahwa garis regresi penduga (") linier sederhana melalui titik acuan (0. Akan tetapi. Apabila nilai P-value 1 (p = 0.00433.16893 dan sangat nyata. arinya mempunyai slop atau kemiringan = 0. 2). Ini berarti tolak H0 karena P-value < 0. Sebagai contoh dari hasil analisis tersebut di atas didapatkan nilai P-value untuk b0 = 0. adalah garis regresi penduga tidak sejajar dengan sumbu X.0) 2).0).27785 dan Standart Error untuk b1 (Sb1) = 0. 1). Sehinga nilai t-hitung untuk masing-masing b0 = . Apabila nilai P-value 1 (p = 0. Apabila nilai P-value < (p = 0.Tabel 2. t Stat sama dengan t-hitung untuk b0 dan b1 dengan rumus umum seperti: bi thitung bi = . hal ini berarti terima H0 yang menyatakan bahwa garis regresi penduga (") linier sederhana sejajar dengan sumbu X pada nilai b0. hal ini berarti tolak H0 yang menyatakan bahwa garis regresi penduga (") linier sederhana melalui tidak melalui titik acuan (0.16893. yang berarti bahwa garis regresi penduga " = . dalam analisis ini adalah X. nilai P-value dibandingkan peluang (p) standar yaitu 5% atau 1%. Coefficients sama dengan bi dalam hal ini sama dengan b0 dan b2. 40 PDF created with pdfFactory Pro trial version www. Masing-masing b0 = .95776 dan b1 = 0.0.44702 dan S bi b1 = 7.05.0).05) mempunyai kesimpulan yang sama dengan thit > t(tabel 5%).0). hal ini berarti tolak H0 yang menyatakan bahwa garis regresi penduga (") linier sederhana melalui tidak sejajar dengan sumbu X dengan slop sama dengan b2. Untuk b1. maka 1).16893 X.com . Standart Error dalam Tabel 3 ini berbeda dengan Standart Error dari Tabel 2.95776 + 0. maka 1).05) mempunyai kesimpulan yang sama dengan thit ≤ t(tabel 5%).0.9 Parcial Regression Var adalah sama dengan variabel yang akan dijelaskan. P-value adalah sama dengan nilai peluang dari nilai t-hitung. Untuk b0. Sebagai contoh Standart Error untuk b0 (Sb0) = 0.

Nilai 95% atau 99% = 1. Perkiraan nilai 0 berkisar antara .* tergantung pada nilai * yang dipakai 5% atau 1%.558029 sampai dengan .79474 sampai dengan .1.t*/2 sbi} = 1. .35750 untuk nilai * = 5%.) berarti dalam uji t-hitung bi menunjukkan signifikansi yang nyata pada taraf * = 5% atau 1%. Perkiraan nilai 1 berkisar antara 0.1.t*/2 sbi ≤ i ≤ bi . apabila nilai Lower dan Upper bersifat definit positif atau definit negarif artinya baik Lower maupun Upper mempunyai tanda bilangan yang positif atau negarif ( + .12079 untuk * = 1%. Perhatikan nilai Lower dan Upper.23830 untuk * = 1%. dan antara 0. 41 PDF created with pdfFactory Pro trial version www.0. 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%.09956 sampai dengan 0.0. dan antara .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 . Sebaliknya.pdffactory.com .* .119176 sampai dengan 0.

Sign up to vote on this title
UsefulNot useful