P. 1
2_. Analisis Regresi Linier Sederhana.pdf

2_. Analisis Regresi Linier Sederhana.pdf

|Views: 25|Likes:
Published by Bhatara Ayi Meata
d
d

More info:

Published by: Bhatara Ayi Meata on Nov 01, 2013
Copyright:Attribution Non-commercial

Availability:

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

05/01/2014

pdf

text

original

BAB II. REGRESI LINIER SEDERHANA 2.

1 Pendahuluan
Gejala-gejala alam dan akibat atau faktor yang ditimbulkannya dapat diukur atau dinyatakan dengan dua kategori yaitu fakta atau data yang bersifat kuantitatif dan fakta atau data yang bersifat kualitatif. Dalam pembicaraan ini akan diuraikan masalah regresi dan korelasi, sebagai pengukur hubungan antara dua variabel atau lebih. Dalam pembicaraan regresi dan korelasi data yang dianalisis harus bersifat kuantitatif atau terukur atau terhitung atau dapat dikuantitatifkan; jadi sekurang-kurangnya data dengan skala interval. Data kuantitatif dapat dibedakan atas dua macam yaitu: Data atau pernyataan yang bersifat bebas adalah pernyataan yang ditentukan dengan mana suka atau bebas pilih. Pernyataan ini sering disebut dengan variabel bebas atau variabel bebas atau variabel atau prediktor atau independent variable. Data atau pernyataan yang tergantung atau terikat pada variabel bebas disebut dengan variabel tak bebas atau variabel tergantung atau variabel tak bebas atau variabel endogen atau kreterium atau dependent variable. Apakah perlunya mempelajari regresi dan korelasi ?. Tujuan mempelajari regresi dan korelasi adalah untuk menemukan atau mencari hubungan antarvariabel, sebagai dasar untuk dapat dipakai melakukan penaksiran atau peramalan atau estimasi dari hubungan antarvariabel tersebut.

2.2 Pengertian Regresi dan Korelasi
Telah dinyatakan dimuka bahwa regresi atau korelasi adalah metode yang dipakai untuk mengukur hubungan antara dua variabel atau lebih. Kedua metode regresi maupun korelasi sama-sama dipakai untuk mengukur derajat hubungan antarvariabel yang bersifat korelasional atau bersifat keterpautan atau ketergantungan. Penggunaan regresi adalah sebagai pengukur bentuk hubungan, dan korelasi adalah sebagai pengukur keeratan hubungan antarvariabel. Kedua cara pengukur hubungan tersebut mempunyai cara perhitungan dan syarat penggunaannya masing-masing. Penjelasan mengenai perbedaan antara regresi dan korelasi dalam pemakaiannya atau penerapannya terletak pada: 1. Regresi adalah pengukur hubungan dua variabel atau lebih yang dinyatakan dengan bentuk hubungan atau fungsi. Untuk menentukan bentuk hubungan (regresi) diperlukan pemisahan yang tegas antara variabel bebas yang sering diberi simbul X dan variabel tak bebas dengan simbul Y. Pada regresi harus ada variabel yang ditentukan dan variabel yang menentukan atau dengan kata lain adanya ketergantungan variabel yang satu dengan variabel yang lainnya dan sebaliknya. Kedua variabel biasanya bersifat kausal atau mempunyai hubungan sebab akibat yaitu saling berpengaruh. Sehingga dengan demikian, regresi merupakan bentuk fungsi tertentu antara variabel tak bebas Y dengan variabel bebas X atau dapat dinyatakan bahwa regresi adalah sebagai suatu fungsi Y = f(X). Bentuk regresi tergantung pada fungsi yang menunjangnya atau tergantung pada persamaannya. Korelasi adalah pengukur hubungan dua variabel atau lebih yang dinyatakan dengan derajat keeratan atau tingkat hubungan antarvariabel-variabel. Mengukur derajat hubungan dengan metode korelasi yaitu dengan koefisien korelasi r. Dalam hal ini, dengan tegas dinyatakan bahwa dalam analisis korelasi tidak mempersoalkan apakah variabel yang satu tergantung pada variabel yang lain atau sebaliknya. Jadi metode korelasi dapat dipakai untuk mengukur derajat hubungn antarvariabel bebas dengan variabel bebas yang lainnya atau antar fua variabel.

2.

7

PDF created with pdfFactory Pro trial version www.pdffactory.com

Perlu ditekankan bahwa penggunaan metode korelasi untuk mengukur hubungan antarvariabel yang satu dengan variabel yang lain, hendaknya anrata variabel itu diharapkan mempunyai kaitan atau relevansi. Jangan sekali-sekali menghubungkan atau mengkorelasikan variabel-variabel yang sangat jauh atau mustahil atau relevansinya sangat kecil. Beberapa contoh penggunaan korelasi dan regresi seperti di bawah ini. 1). 2). 3). 4). 5). 6). 7). 8). 9). 10). Banyaknya anakan dengan produksi padi. Kepadatan penduduk dengan upah buruh harian. Berat induk sapi dengan berat anak yang baru dilahirkan. Nilai yang diperoleh pada mata ajaran statistika dengan matematika. Umur dengan berat badan anak balita. Kadar air pada biji dan volume biji. Luas daun dengan panjang akar. Besar buah dengan besar biji. Biaya advertensi dengan jumlah penjualan. Fluktuasi temperatur dengan jumlah anak-anak yang sakit pilek.

Selain contoh di atas, masih banyak lagi contoh yang lain yang serupa. Dari contohcontoh di atas dapat dilakukan pendekatan yang sesuai seperti: analisis regresi dapat dipakai pada contoh-contoh nomer: 1; 2; 3; 5; dan 9. Sedangkan, analisis korelasi dapat dipakai pada semua contoh di atas.

2.3 Macam-macam Regresi
Telah disebutkan di muka bahwa regresi adalah bentuk hubungan antara variabel bebas X dengan variabel tak bebas Y, yang dinyatakan dalam bentuk fungsi matematis Y = f(X). Sehingga persamaan regresi atau bentuk fungsi, sesuai dengan variabel bebas X yang menyusunnya. Dengan demikian bentuk fungsi atau regresi dapat digolongkan menjadi beberapa macam yaitu:

2.3.1

Regresi linier.

Regresi linier ialah bentuk hubungan di mana variabel bebas X maupun variabel tergantung Y sebagai faktor yang berpangkat satu. Regresi linier ini dibedakan menjadi: 1). Regresi linier sederhana dengan bentuk fungsi: Y = a + bX + e, 2). Regresi linier berganda dengan bentuk fungsi: Y = b0 + b1X1 + . . . + bpXp + e Dari kedua fungsi di atas 1) dan 2); masing-masing berbentuk garis lurus (linier sederhana) dan bidang datar (linier berganda).

2.3.2

Regresi non linier.

Regresi non linier ialah bentuk hubungan atau fungsi di mana variabel bebas X dan atau variabel tak bebas Y dapat berfungsi sebagai faktor atau variabel dengan pangkat tertentu. Selain itu, variabel bebas X dan atau variabel tak bebas Y dapat berfungsi sebagai penyebut (fungsi pecahan), maupun variabel X dan atau variabel Y dapat berfungsi sebagai pangkat fungsi eksponen = fungsi perpangkatan.

8

PDF created with pdfFactory Pro trial version www.pdffactory.com

Regresi non linier dapat dibedakan menjadi: 1). Regresi polinomial ialah regresi dengan sebuah variabel bebas sebagai faktor dengan pangkat terurut. Bentuk-bentuk fungsinya adalah sebagai berikut. Y = a + bX + cX2 (fungsi kuadratik). Y = a + bX + cX + bX (fungsi kubik) Y = a + bX + cX + dX + eX (fungsi kuartik), Y = a + bX + cX + dX + eX4 + fX5 (fungsi kuinik), dan seterusnya. Selain bentuk fungsi di atas, ada suatu bentuk lain dari fungsi kuadratik, yaitu dengan persamaan: Y = a + bX + c√X. bentuk ini dapat ditulis menjadi: Y = a + bX + cX
(1/2) 2 3 2 3 4 2 3

,
(3/2) 3

Sehingga, modifikasi dari fungsi kubik adalah: Y = a + bX + cX
(1/2)

+ dX

, atau

Y = a + b√X + cX + d√X . Dari contoh-contoh tersebut di atas perhatikan pangkat dari variabel bebas X. 2). Regresi hiperbola (fungsi resiprokal). Pada regresi hiperbola, di mana variabel bebas X atau variabel tak bebas Y, dapat berfungsi sebagai penyebut sehingga regresi ini disebut regresi dengan fungsi pecahan atau fungsi resiprok. Regresi ini mempunyai bentuk fungsi seperti: 1/Y = a + bX Y = a + b/X.
2

atau

Selain itu, ada bentuk campuran seperti: 1/Y = a + bX + cX , dan masih banyak lagi bentuk-bentuk lainnya. 3). Regresi fungsi perpangkatan atau geometrik. Pada regresi ini mempunyai bentuk fungsi yang berbeda dengan fungsi polinomial maupun fungsi eksponensial. X Regresi ini mempunyai bentuk fungsi: Y = a + b . Regresi eksponensial. Regresi eksponensial ialah regresi di mana variabel bebas X berfungsi sebagai pangkat atau eksponen. Bentuk fungsi regresi ini dalah: Y = ae Y = a
bX

4).

atau

bX 10 .

Modifikasi dari bentuk di atas adalah: 1/Y = a + be , ini disebut kurva logistik atau "tipe umum dari model pertumbuhan".
(a + b/X) cX

Modifikasinya juga seperti : Y = e , disebut dengan transformasi logaritmik resiprokal, yang umum disebut dengan model Gompertz.

9

PDF created with pdfFactory Pro trial version www.pdffactory.com

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

Y = X Persamaan [2. dengan mengukur respon dari perlakuan atau variabel X yang dinyatakan dengan variabel tak bebas Y yang sering disebut hasil atau akibat perlakuan.1] akan menjadi: [2. Apabila hubungan antara dua variabel atau lebih bersifat kausal atau hubungan sebab-akibat. Apakah beda antara analisis regresi dengan analisis-analisis yang lain ? Sebagai contoh apa perbedaan antara analisis regresi dengan analisis keragaman atau analisis varians. Dari persamaan [2.5.1] A dan B disebut konstanta atau koefisien regresi linier sederhana atau parameter garis regresi linier sederhana.2] adalah suatu bentuk persamaan yang paling sederhana dari regresi linier sederhana.1]. Kuat tidaknya hubungan antara variabel bebas X dan variabel tak bebas Y didasarkan pada analisis korelasi. Sehingga segala analisis statistika yang berkaitan dengan hal tersebut dinamakan dengan analisis regresi. Dari persamaan garis regresi [2. maka selanjutnya perlu menentukan pola hubungan atau bentuk hubungan yang dinyatakan dalam bentuk persamaan matematik yang menyatakan hubungan fungsionalnya.com . Setelah jelas mana variabel X dan variabel Y. A disebut intercept coefficient atau intersep yaitu jarak titik asal atau titik acuan dengan titik potong garis regresi dengan sumbu Y. Biasanya variabel tak bebas Y adalah variabel yang diramalkan dan variabel bebas X yang telah ditetapkan sebagai peramal yang disebut prediktor. 11 PDF created with pdfFactory Pro trial version www. Dalam hal-hal tertentu.pdffactory. penentuan variabel bebas X dan variabel tak bebas Y sangat mudah. maka variabel yang sebagai sebab merupakan variabel bebas atau variabel X dan akibat yang ditimbulkannya menjadi variabel tak bebas atau variabel Y. tetapi kadang-kadang hal tersebut sangat sulit ditelusuri antara yang mana variabel bebas X maupun yang mana variabel tak bebas Y. dan B disebut slope coefficient atau slup yang menyatakan atau menunjukkan kemiringan atau kecondongan garis regresi terhadap sumbu X. Tujuan utama dari analisis regresi adalah untuk memberikan dasar-dasar peramalan atau pendugaan dalam analisis peragam atau analisis kovarian. Analisis regresi sebagai alat untuk melakukan peramalan atau prediksi atau estimasi atau pendugaan yang sangat berguna bagi para pembuat keputusan.Dari variabel-variabel yang akan dicari bentuk hubungannya terlebih dahulu hendaknya dijelaskan mana yang sebagai variabel bebas X dan mana yang sebagai variabel tak bebas Y. maka variabel X dan variabel Y tersebut harus mempunyai hubungan yang kuat. 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. 2.1] yaitu pengaruh tingkat pendapatan dengan konsumsi makanan bagi petani pedesaan.1] di atas. yaitu perbedaan antara variabel bebas X atau variabel yang dipelajari.persamaan [2. Jadi antara analisis korelasi dan analisis regresi mempunyai kaitan yang sangat erat (akan dibicarakan di belakang).2]. Untuk membuat ramalan antara variabel X dengan variabel 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. melainkan mencari perbedaan pengaruh perlakuan atau objek. perbedaan tersebut terletak pada yaitu: dalam analisis keragaman tidak mencari bentuk hubungan antara variabel-variabel seperti pada analisis regresi. seperti pada Tabel 2.1 berikut ini. Sebagai ilustrasi hubungan antara variabel bebas X dan variabel tak bebas Y diberikan contoh dari persamaan [2.

2 Garis regresi linier sederhana Sekarang bagaimana caranya membuat persamaan garis regresi linier sederhana seperti Gambar 2.Y tersebut dapat dicari bentuk hubungan atau garis regresi antara variabel bebas Y atas variabel tak bebas X yang dtulis dengan Y/X. Sejumlah pasangan antara nilai X.1. No. 12 PDF created with pdfFactory Pro trial version www.000 maka komsumsi makanan semakin meningkat. Setiap pasangan nilai X.1 di atas. sehingga antara variabel X dan variabel Y yang tertentu akan menjadi pasangan-pasangan tetap disebut dengan pasangan nilai X. yang mempunyai bentuk persamaan matematis: Y = A + BX seperti pada persamaan [2.Tabel 2.1.1 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 merupakan hubungan sebab (X) dan akibat (Y). Dari Tabel 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. Sehingga dari pasanganpasangan nilai X.Y telah didapatkan.1 di atas dapat dibuat garis regresi liniernya seperti Gambar 2.Y inilah yang akan menentukan persamaan regresi yang dibuat sesuai dengan asumsi atau model yang digunakan.Y.5. 1 2 3 4 5 Pengaruh Tingkat Pendapatan terhadap Konsumsi Makanan Bagi Petani Pendapatan 125 150 175 200 225 Konsumsi 75 100 125 135 150 Dari gambar contoh di bawah menunjukkan semakin tinggi pendapatan sampai Rp 225.pdffactory. Penentuan garis regresi antara variabel bebas X dengan variabel tak bebas Y. sering disebut regresi Y atas X ditulis dengan Y/x. Bagaimana persamaan regresi akan ditentukan jika hasil pengamatan atau yang berupa pasangan-pasangan nilai pengamatan antara X.1].com .

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

Seperti pada persamaan [2. Apabila ada garis tertentu selain ketiga garis YPQ. B sering disebut kemiringan atau kecondongan garis regresi atau slope atau slope coefficient adalah tangen sudut yang dibuat oleh garis regresi dengan sumbu X. maka variabel Y bertambah atau menurun atau berubah sebanyak B kali. A ialah: jarak titik acuan (0.2. Dengan demikian kembali ke Gambar 2. Q dan R. 0) dengan perpotongan antara sumbu tegak Y dengan garis linier atau besarnya nilai variabel Y.125 Q 100 P Konsunsi 75 50 25 0 120 ! X = X2 .pdffactory. Dalam beberapa hal dimungkinkan untuk mengecek atau menguji asumsi atau hipotesis setelah bentuk hubungan itu diperkirakan.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. juga dapat dipergunakan sebagai pendekatan bentuk hubungan yang bukan linier (non linier) menjadi bentuk linier. 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. yang menunjukkan garis-garis regresi linier dari beberapa pengamatan.Yi sebagai garis regresi tersebut.3 di bawah ini. yaitu parameter yang digunakan. Suatu bentuk hubungan atau fungsi linier atau regresi linier di samping mudah interprestasinya. Untuk itu haruslah terlebih dahulu mengetahui apa yang dimaksud dengan garis regresi yang baik. 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 . Perhatika Gambar 2.1] A dan B adalah konstanta.X1 Y = Y2-Y1 Y2 A Y1 X1 140 Pendapatan X2 160 Gambar 2. yang dipakai untuk menghampiri titik-titik P. Fungsi linier sama dengan persamaan linier atau model linier atau regresi linier yang mempunyai bentuk hubungan atau bentuk fungsi: Y = A + BX. apabila nilai X = 0. Suatu pertanyaan yang berhubungan dengan hal tersebut di atas adalah: "Kapankah suatu garis regresi dapat dikatakan sebagai garis regresi yang baik?". YPR.3 di atas yang manakah dari ketiga garis tersebut termasuk garis regresi yang terbaik. 14 PDF created with pdfFactory Pro trial version www. dan YQR yang merupakan garis regresi terbaik sebagai penghampir titik-titik pasangan pengamatan Xi.

com . serta banyak lagi nilai-nilai yang lainnya.3c]. 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.3b]. alat kurang sempurna. salah catat. besarnya nilai variabel tak bebas Y. " = b1 + b2 X Suatu hal yang harus dipahami bahwa dalam pendugaan garis regresi. Untuk melakukan dugaan atau membuat keputusan selalu ada resiko walaupun betapa kecilnya.3a]. " = a + b X [2. Oleh karena itu. dan nilai-nilai kebetulan. " = % + [2.4c]. " = A + BX untuk populasi Jadi kesalahan e tersebut dapat mengakibatkan adanya resiko.4b].5]. resiko tersebut hendaknya dibuat sekecil-kecilnya atau minimal. " = 0 1 X + + 1 2 atau ditulis dengan X X atau ditulis dengan atau untuk sampel atau untuk populasi [2. Faktor-faktor tersebut yang dapat terdiri atas: salah hitung. salah ukur. Sehingga garis regresi linier sederhana dengan persamaan penduga menjadi : [2.150 R 125 100 75 50 25 0 120 Q P Konsunsi "=%+!X 140 Pendapatan Gambar 2. 15 PDF created with pdfFactory Pro trial version www. Kesalahan pengganggu e tersebut menyebabkan ramalan menjadi kurang tepat terhadap garis regresi penduga seperti: [2.3. tetapi ada faktor-faktor lain yang ikut mempengaruhi.pdffactory. " = b0 + b1 X [2.4a]. 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). " = [2. tidak hanya tergantung pada variabel bebas X saja.

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

yang menunjukkan hubungan antara variabel bebas X dan variabel tak bebas Y. apabila jumlah pangkat dua (kuadrat) nilai kesalahan-kesalahan (ei) adalah minimal atau ditulis dengan 2 rumus: %e i = 0. Model regresi atau bentuk fungsi yang dipakai haruslah mendekati titik-titik pasangan X. dan bila nilai ini diminiumkan. Cara pendekatan terakhir disebut dengan Metode Kuadrat Terkecil atau dengan Least Squares Methods. tetapi harus memenuhi juga syarat-syarat yang lain yaitu: 1). bila digunakan sebagai garis penduga. Suatu syarat penaksir garis atau garis penduga yang terbaik. 2. metode kuadrat terkecil mempunyai beberapa kelebihan daripada metode-metode lain. 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. seperti yang ditunjukkan pada Gambar 2.7 Pendekatan Garis Penduga Terbaik Ada beberapa cara pendekatan matematika untuk mendapatkan garis regresi penduga yang terbaik seperti: 1. hal ini akan dibicarakan pada uji kecocokan garis regresi penduga. diantaranya: 1). Dengan mengkuadratkan nilai kesalahan ei yang kecil (pecahan) maka akan diperkecil mendekati nol. Garis penduga menjadi garis regresi terbaik apabila jumlah semua kesalahan adalah minimal ditulis dengan: %ei = minimal atau %( Yi . penaksir pangkat dua terkecil (metode kuadrat terkecil) yang mempunyai ragam paling kecil. sehingga garis regresi penduga yang dihasilkan akan mendekati ketepatannya. 3). Mempunyai derajad keeratan hubungan yang maksimum atau koefisien korelasi tertinggi.4.7. Garis penduga merupakan garis regresi yang terbaik.pdffactory. Metode kuadrat terkecil (OLS = ordinary least squares) Selain. di samping mempunyai nilai ragam galat atau ragam kesalahan atau ragam residu atau ragam sisa yang terkecil. Perhitungan matematis dari metode kuadrat terkecil cukup sederhana.") = minimal.com . Sesuai dengan teori aljabar maka akibatnya %ei sama dengan nol (minimal). Dengan memakai nilai kuadrat. 2).2. Mengapa metode kuadrat terkecil. di mana Y = A + BX + E. disebut metode yang terbaik bagi penduga garis regresi linier sederhana?. 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. sebab nilai negatif mengkompen nilai positif. Selain teori kuadrat terkecil.2. 3. hal-hal tersebut di atas. 4). 2. maka semua nilaidari kesalahan atau simpangan ei akan berubah menjadi positif. 17 PDF created with pdfFactory Pro trial version www. apabila jumlah harga mutlak dari nilai kesalahan atau %&e& adalah minimal. 2). Garis penduga merupakan garis regresi yang terbaik. dan harus betul-betul tepat atau cocok.Y. Cara ini lebih baik dari cara pertama sebab tidak ada saling kompensasi antara nilai ei yang negatif dengan positif. ada suatu teori Maximum Like Lihood Estimation yang kedua-duanya membuktikan bahwa meminimalkan kesalahan ei merupakan estimasi atau penaksiran yang terbaik.

9] di atas merupakan modifikasi dari persamaan-persamaan [2. Xp) akan minimum jika. dengan mengandaikan syarat kedua minimalasasi itu telah terpenuhi. 2 2 2 dapat ditulis: 18 PDF created with pdfFactory Pro trial version www. Turunan (e2i atau G terhadap b0 menjadi: Dari persamaan [2. atau [2.b1 &Xi = 0 Persamaan-persamaan [2. Persamaan (2. maka diperoleh persamaan-persamaan seperti: [2. . semua fungsi turunan pertama parsialnya ('Y/'X) sama dengan nol.13] dan [2.b0 &Xi . Untuk memudahkan cara penulisan selanjutnya &ei2 disamakan dengan G. suatu syarat yang perlu dan khusus.&b0 .b0 .10].12] diselesaikan dan diubah cara penyajiannya." [2. maka sistem persamaan normal dari [2.12] turunannya menjadi: 'G/'b1 = 2 ((Yi . jadi G = &ei2. X2. 2 Sehingga fungsi turunan &e atau G terhadap setiap nilai b0.13] dan [2. bahwa garis regresi penduga terbaik. . maka diperoleh dua persamaan seperti di bawah ini. adalah garis regresi 2 yang mempunyai nilai &ei minimal.8].7b]. &Yi .b1 &Xi = 0 [2. . [2.13) disebut dengan persamaan Normal 1. Persamaan (2. ei = Yi .b1 Xi) (. . Pernyataan matematis di atas dapat dijabarkan menjadi: " = b0 + b1 X dan Y = " + e sehingga ei = Yi . &Yi Xi .7a].14] di atas disebut dengan persamaan normal.Xi) = 0 Perhatikan faktor pengali yang berada dimuka tanda sama dengan (=). Perhatikan pengali dari setiap penaksir-penaksir yang berhubungan koefisien regresi seperti b0 dan b1 Apabila syarat-syarat dalam meminimalkan G dipenuhi. maka nilai G akan minimum jika semua fungsi turunan pertama parsiilnya.14) disebut dengan persamaan Normal 2.1) = 0 Turunan (e i atau G terhadap b1 menjadi: Dari persamaan [2.Manipulasi matematis dari metode kuadrat terkecil akan menghasilkan koefisien a dan b. dan b1 adalah sebagai berikut: Dari teori minimum dan maksimum atau harga ekstrim dalam teori kalkulus (defrensial & integral) dapat dinyatakan bahwa suatu fungsi f(X1.14]. Dengan mengambil fungsi turunan pertama parsiil G terhadap b0 dan b1 serta menyamakannya dengan nol. Apabila dari persamaan-persamaan [2." 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. Oleh karena itu.7b] yang ditulis kembali seperti: [2. Yi = b0i + b1i Xi + ei Telah disebutkan di muka. yaitu turunan pertama parsiil dari G terhadap masing-masing nilai b0 dan b1 sama dengan nol.11] dan [2.b1 Xi (.com .13].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 B1.11] turunannya menjadi: 'G/'b0 = 2 ((Yi .9].b0 .pdffactory. Perhatikan pertanyaan matematis dari persamaan [2.

b1 &Xi2 = 0 Sebelum penyelesaian persamaan [2.b1 &Xi = 0 (Yi /n .(&Yi /n .18b].19c].7. Berikut ini diberikan hubungan antara X.15].18c] maka perhitungan nilai b1 pada persamaan [2. &Yi . y: [2.pdffactory.13] dan [2. &Yi Xi . dengan demikian koefisien regresi b0 dan b1 dalam analisis regresi linier sederhana yang mengandung sebuah variabel bebas X dan sebuah variabel tak bebas Y dapat ditaksir atau dihitung. b1 = [2.14] dapat dilihat keteraturan dari cara-cara penyelesaianya.Biasanya. Sehingga nilai b0 dan b1 dapat ditentukan dengan perhitungan seperti berikut.b0 &Xi .b1 X = 0 0 (Persamaan Normal 1) atau sehingga akhirnya menjadi: b0 = Y .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.&X &Y/n Dengan menggunakan persamaan [2.16b]. &xy = &XY . b1 = ∑ X ∑Y n ( X )2 ∑ 2 ∑X − n 19 PDF created with pdfFactory Pro trial version www. Oleh karena jumlah sampel = n diketahui dan jumlah-jumlah yang terdapat dalam sistem persamaan normal itu dapat dihitung dari data sampel.15] ke persamaan [2.18a].19b]. x1 2 = (X1 . [2.16a]. dengan memasukkan persamaan [2. dan [2. &Yi Xi . 2.b1 X ) &Xi . Dari persamaan [2.b1 &Xi/n) &Xi .14] di atas dapat ditentukan besarnya nilai b2.16b] maka didapatkan nilai b1 menjadi: [2.( Y .com .b1 &Xi2 = 0 (Persamaan Normal 2) atau dapat ditulis [2. dan y = (Y .&b0 . &x = &X .13].19a].(&X) /n [2.X 2 ). Y dengan x.13].16].2 Perhitungan nilai koefisien regresi linier sederhana Jika diperhatikan kembali sistem persaman normal dari persamaan [2. &y = &Y . &Yi Xi .18c].b1 &Xi2 = 0 [2.b1 (Xi/n = Y [2.13] dapat ditentukan nilai b0 yaitu dengan membagi persamaan tersebut dengan jumlah pengamatan (n) sehingga didapatkan persamaan dengan penyelesaian sebagai berikut: [2.nb0 /n . b1 = Σxy Σx 2 atau dengan menggunakan notasi lain nilai b1 menjadi: JHK XY atau dengan menggunakan notasi lain nilai b1 menjadi: JK X ∑ XY − [2.18a] sampai dengan persamaan [2. sistem persamaan normal [2.17].14] dapat diselesaikan secara serentak untuk mendapatkan nilai b0 dan b1.b1 X Selanjutnya. b0 .X 1 ).Y ) disebut dengan JK Y disebut dengan JK X disebut dengan JHK XY [2.(&Y) /n 2 2 2 [2. 2 2 x2 = (X2 .

Y ) . 2).b1 Σyi xi Ingat : Σyiyi = Σyi = JK Total = JK Y Σyixi = JHK YiXi = JHK XY b1 Σyi xi disebut dengan JK Regresi = JK Reg.22e] G = Σ ei 2 dengan membuka kurung maka atau Persamaan [2.X ) [2.21b].b1 xi Dari persamaan [2.b1 xi) G = Σeiyi .b1 ΣeI xi) G = Σeiyi G = Σyiei G = Σyi (yi .b1 Xi [2. Unuk menjawab pernyataan tersebut maka dapat dikatakan bahwa garis regresi penduga " = b0 + b1 X nyata secara statistika. ei = (Yi . ei = yi .b1 xi.b1 (Xi .4 dapat diuraikan bahwa persamaan [2.22d] [2. Pengujian Garis Regresi Linier Sederhana Pengujian garis regresi secara statistika dapat dilakukan dengan tiga cara yaitu: 1).( Y .pdffactory. di mana JK Total atau JK Y sudah dapat dihitung dari data pengamatan.8.Sehingga persamaan regresi penduga " dari suatu pengamatan atau untuk pengaruh variabel bebas X terhadap variabel tak bebas Y menjadi: [2.22a] [2.b0 .23c] sehingga dapat menjadi: 2 G = Σyiyi .b1 xi) Selanjutnya dari persamaan diatas didapatkan: [2. Ingat bahwa ei = yi . G = Σei(yi .23a] [2.22b] [2.Y.21c] sehingga atau sebab ΣeIxi = 0 sehingga G = Σeiei. Dari persamaan [2.23b] [2.23c] didapatkan bahwa JK Galat Regresi sama dengan JK Total dikurangi dengan JK Regresi.20] di mana ei = Yi .b1 X ) .22c] [2. perlu dilakukan pengujian keberartiannya.b1 X disubstitusikan ke dalam persamaan [2.8.21c].20] " = b0 + b1 X sehingga didapatkan pesamaan: [2.20].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. Uji ragam regresi atau uji F regresi Uji koefisien regresi dengan uji-t Uji r garis regresi 2. Dan jika persamaan [2. selanjutnya didapatkan Σei atau disebut dengan JK Galat Regresi dengan kode G.21a]. Dari Gambar 2. 3). 2.15] b0 = Y . sehingga menjadi: [2.bi Xi. sehingga dengan mengkuadrat 2 jumlahkan nilai ei. ei = Yi . 20 PDF created with pdfFactory Pro trial version www.21c] yaitu pesamaan untuk nilai ei.com . " = b0 + b1 X Selanjutnya. untuk membuktikan bahwa garis regresi yang diperoleh tersebut merupakan garis regresi yang terbaik untuk menghampiri setiap titik-titik pengamatan X.

4.26b] JK Regresi = b1 Σyi x1 + b2 Σyi x2 + . maka besarnya nilai F (F-hitung) adalah: [2.((Y)2/n 3).25a. 2). 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 2.23c].25a] [2.25b] JK Regresi = b1 Σyi xi JK Regresi = b1 JHK XY atau dapat ditulis: Persamaan [2. JK Galat = JK Total . maka selanjutnya JK Galat Regresi disingkat dengan JK Galat.27] Fhit = KT Regresi KT Galat 21 PDF created with pdfFactory Pro trial version www. ". ". JK Regresi.pdffactory. dan ei Sehingga. Yi. JK Regresi dengn JK Reg (tanpa titik) dan JK Total dengan JK Tot atau JK Y (tanpa titik). . Nilai-nilai Y .com . JK Galat = JK Total . dan ei di bawah ini. Sehingga sesuai dengan persamaan [2. . hubungan antara komponen-komponen pada analisis keragaman (JK Total. JK Total = Jk Y = (Y2 . + bp Σyi xp JK Regresi = (b1 JHK X1Y + b2 JHK X2Y + .Perhatikan Gambar 2. maka JK Regresi mempunyai rumus: [2. Yi. .b] berlaku umum untuk p variabel bebas X sehingga persamaannya menjadi: [2. dan nilai-nilai Y .26a] [2.24].JK Regresi. + bp JHK XpY) Komponen penyusun Tabel Sidik Ragam Regresi adalah: 1). . JK Regresi = b1 JHK XY 2).4. Untuk menyederhanakan penulisan dan pengertian di atas. dan JK Galat) seperti berikut: [2.JK Regresi Selanjutnya dihitung nilai KT atau varians seperti: 1). KT Regresi KT Galat = = JK Regresi /(DB Regresi) JK Galat/ (DB Galat) Berdasarkan pada asumsi sebaran normal untuk komponen pengganggu e.

8.Hasil perhitungan keragaman di atas dibuatkan Tabel Sidik Ragam Regresi seperti pada Tabel 2. Tabel 2. sehingga untuk pengujian koefisien regresi (bi). dapat memberikan petunjuk apakah setiap variabel X menunjukkan pengaruh atau hubungan yang nyata terhadap variabel tak bebas Y. Jika Fhit > F(tabel 5%).29]. p.28]. Hal ini berarti bahwa garis regresi penduga (") linier sederhana yang didapat tersebut bukan garis regresi yang terbaik untuk menghampiri pasangan pengamatan X. maka rumusnya menjadi: [2. Hal ini berarti bahwa terdapat hubungan linier antara pengaruh X terhadap Y. Jika uji F atau uji ragam regresi menunjukkan bahwa Fhit > F(tabel 5%) barulah dilanjutkan dengan uji t dan sebaliknya.Y tersebut. 2.pdffactory. Atau dapat dikatakan bahwa garis regresi penduga (") linier sederhana yang didapat tersebut adalah garis regresi penduga 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(*.2 Uji keberartian koefisien regresi (bi) atau uji t Pengujian yang dilakukan dengan uji F seperti cara tersebut di atas. Atau dapat dikatakan ini berarti bahwa terdapat hubungan bukan linier pada pasangan pengamatan X.n-2) dan * = taraf nyata ) Kreteria pengujian nilai Fhit adalah: 1). t-hitung W = [2. Jika Fhit ≤ F(tabel 5%). Secara umum uji t mempunyai rumus adalah: W SW W nilai yang diuji.3.3 berikut di bawah ini.Y.Y. Modifikasi dari pengaruh variabel bebas X terhadap variabel tak bebas Y atu uji F.com . 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. 2). t-hitung b0 = b0 Sb 0 dan t-hitung b1 = b1 S b1 Di mana Sbi = salah baku bi 22 PDF created with pdfFactory Pro trial version www. maka dapat dilakukan dengan uji t atau uji koefisien regresi apabila uji F signifikan.

Hal ini dapat dikatakan bahwa terima H0. Sb0 = = var b0  KT Galat Re gresi   n JK X  Untuk pengujian b1 nilai salah baku menjadi: [2. dalam uji t nilai salah baku bi yang ditulis (Sbi) mempunyai persamaan seperti berikut: [2. Untuk pengujian b0 yang berarti bahwa b0 melalui titik acuan (titik 0. 23 PDF created with pdfFactory Pro trial version www. db galat). Perhitungan nilai +Bi didasarkan pada ragam galat regresi atau KT Galat Regresi. Jika thit > t(tabel 5%.32a].Y = 0. Sb1 = = var b1 ∑X2      KT Galat Re gresi      JK X   Seperti dalam uji F. jika thit ≤ t(tabel 5%. selain untuk pengujian hipotesis juga dapat dipakai pada perkiraan nilai interval koefisien regresi populasi i yang sering disebut dengan perkiraan nilai populasi beta ( ). Perlu diingatkan bahwa dalam pengujian di atas (baik uji F maupun uji t). 2).Dari persamaan [2.com . Sbi = var bi masing-masing untuk b0 dan b1 menjadi: Untuk pengujian b0 nilai salah baku menjadi: [2.29] dalam menyederhakan penulisan salah baku koefisien regresi bi yang biasa ditulis dengan +Bi (salah baku = standard error koefisien regresi Bi). Pengujian yang dilakukan dengan cara tersebut di atas.pdffactory. Karena besarnya nilai + e (Ragam Galat Regresi) populasi tidak diketahui. dapat memberikan petunjuk apakah setiap variabel Xi memberikan pengaruh atau hubungan yang nyata terhadap variabel tak bebas Y. db galat) Hal ini dikatakan bahwa tolak H0.30]. yang berarti bahwa garis regresi penduga " tidak melalui titik acuan (X. S2e = KT Galat Regresi = JK Galat Regresi /(n-p-1) 2 Selanjutnya.0).n-2) dan * = taraf nyata ) Berdasarkan hasil uji t ternyata bahwa kreteria pengujian nilai thit adalah: 1).32b]. didasarkan metode kuadrat terkecil. 0).31]. Dengan kata lain. Jika thit ≤ t(tabel 5%. Selanjutnya.0) yaitu nilai Y = 0 jika X = 0. maka dapat 2 diduga dengan nilai S e atau KT Galat Regresi sampel yang mempunyai persamaan yaitu: [2. penulisan t-hitung dapat ditulis dengan notasi thit (artinya uji t untuk pengujian hipotesis nol atau H0: bi = 0 dan H1: minimal satu dari bi . Kemudian t-hitung dibandingkan dengan t tabel yang biasa ditulis dengan: thitung ) ttabel (Di mana ttabel = t(*/2. db galat) maka garis regresi penduga " dikatakan sejajar dengan sumbu X pada nilai b0. Untuk b1. ini berarti bahwa koefisien arah b1 yang berangkutan dapat dipakai sebagai penduga dan peramalan yang dapat dipercaya. nilai salah baku koefisien regresi Sbi yang diperoleh.

seperti uji Ragam Regresi (uji F). 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) = 1.35c]: [2. pada uji keeratan hubungan selain memakai Varians Galat Regresi juga memakai parameter tertentu yaitu koefisien korelasi atau sering disebut dengan keeratan hubungan dengan simbul rxy atau ryx yang sering ditulis dengan r saja.Rumus dari perkiraan nilai i adalah sebai berikut di bawah ini: [2. Hubungan antara koefisien korelasi r dengan koefisien regresi b2. r = . p {b1 .% atau [2.0.19c] dan koefisien korelasi r seperti [2.35c].t%/2 Sb1 ≤ 0 1 ≤ b0 + t%/2 Sb0} = 1. Jadi nilai koefisien korelasi itu selalu pecahan seperti: r = 0. Sedangkan. rXY = Σxy Σx 2 Σy 2 JHK XY JK X JK Y atau [2.% untuk b0 untuk b1 2. uji Koefisien Regresi (uji t) berdasarkan nilai Varians Galat Regresi.r . Sepintas gambaran bahwa nilai r berkisar antara –1 sampai dengan + 1 atau sering ditulis dengan -1 .33b]. p {b0 .35b].t%/2 Sb0 ≤ [2.+2. Lihatlah kembali rumus koefisien regresi seperti [2.347.%.34b]. dan lain sebagainya.19c]. Adapun rumus dari pada koefisien korelasi r adalah: [2.t%/2 Sbi ≤ i ≤ bi + t%/2 Sbi} = 1. rXY = menjadi: [2. rXY = atau menggunakan notasi lain maka nilai r ∑ X ∑Y ∑ XY −  (∑ X ) 2 2  − X ∑  n  n  (∑ Y ) 2 2   − Y ∑  n      (n = jumlah sampel) Perhitungan nilai r berdasarkan rumus di atas disebut nilai koefisien korelasi seserhana atau koefisien korelasi order nol atau koefisien korelasi produc moment atau koefisien korelasi Pearson.3 Uji keeratan hubungan atau uji r Pada uji-uji sebelum ini.78. r = 0.33a]. p {bi .8.com .87.% ≤ b1 + t%/2 Sb1} = 1. dan untuk setiap b0 dan b1 seperti: [2.pdffactory.34a].35a].

36g] menjadi: [2.36c] b1 [2.36d] b1 Jadi: [2. n-2).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.36a] di atas dapat ditulis kembali menjadi: [2. dan * = taraf nyata ) 25 PDF created with pdfFactory Pro trial version www.36e] sama-sama dibagi dengan didapatkan: [2.36e] b1 [2. 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 [2.19] dan [2.com .[2. n-2 = db Galat. apabila nilai koefisien regresinya (b1) negatif.356] dapat ditulis menjadi: [2.pdffactory. rhitung ) rtabel (di mana rtabel = r(*/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 ) ) . maka nilai koefisien korelasinya (r) juga negatif. sehingga persamaan [2.36e] b1 ( (JK X ) (JK Y ) ) atau ( (JK X ) (JK X ) ) = r ( (JK X ) (JK Y ) ) atau JK X JK X JK X = r = r JK Y JK X JK Y atau atau n − 1 maka Apabila kedua ruas dari persamaan: [2. sehingga nilai SY SX = SY = 1.36h] b1 = r Yang jelas dalam uji r. 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 [2.36a] b1 JK X = r ( (JK X ) (JK Y ) ) Dari kesamaan [2.35c].

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

2). koefisien regresi b1. 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.r 2 ) Kreteria pengujian nilai Fhitung sama seperti pengujian-pengujian di atas. [2. F-hitung = JK Galat /(n − 2) (n − 2) JK Re grasi [2. [2. JK regresi = JK Total .41c]. 27 PDF created with pdfFactory Pro trial version www. Sisanya 1 .41c] maka menghasilkan: [2.42b]. bahwa terdapat pengaruh antara variabel X terhadap variabel tak bebas Y.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 .41b]. Jika Fhit ≤ F(tabel 5%).r . JK Total = (1 .40].JK Galat JK Galat JK Galat = JK Total . F-hitung = [2.40] ke dalam persamaan [2. JK Total = KT Re grasi KT Galat JK Re grasi / 1 [2.Yang lebih penting dalam pembicaraan hubungan antara koefisien korelasi r.41a]. [2. Hal ini berarti bahwa terdapat hubungan linier yang nyata (p = 0. Hal ini berarti bahwa garis regresi penduga (") linier sederhana yang didapat tersebut bukan garis regresi yang terbaik.JK Galat r JK Total = JK Total .com .05). Atau sering diartikan bahwa koefisien determinasi R adalah persentase dari variabel tak 2 bebas Y yang dipengaruhi oleh variabel bebas X.r 2 ) r2 Selanjutnya.39b].39a]. dalam analisis keragaman regresi linier sederhana dan uji F di mana DB Regresi = 1 dan DB Galat = n – 2. [2.pdffactory. sehingga Fhitung mempunyai rumus: [2. Dalam analisis keragaman atau uji F regresi di mana: [2. Arti dari pada koefisien determinasi atau koefisien penentu (R ) adalah suatu nilai yang menunjukkan bahwa persentase dari variasi keragaman total Y atau variasi Y yang dapat diterangkan oleh variasi X.r 2 ) JK Total sehingga didapatkan (n − 2) r 2 (1. F-hitung = JK Galat Masukan persamaan [2. Jika Fhit > F(tabel 5%). sehingga kreteria pengujian adalah: 1).R yang menunjukkan persentase dari variasi total atau variabel Y yang disebabkan oleh faktor lain diluar X atau variabel selain X. F-hitung F-hitung = = (n − 2) r 2 JK Total (1.39c].42a].r ) .

dan b) penaksiran atau peramalan nilai individu Y apabila nilai Xi tertentu yang telah diketaui. dapat dipakai sebagai peramalan dari nilai-nilai Xi yang belum diketahui. dalam penaksiran diperlukan selang kepercayaan nilai 0 yaitu sebesar 1 – * di mana * adalah peluang kesalahan tipe I. 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 _   .Taksiran nilai rata-rata.Taksiran nilai individu [2.2. Dalam penaksiran atau peramalan garis regresi membicarakan sejauh mana garis regresi penduga " yang telah didapat betul-betul dapat dipercaya sebagai penduga garis . masing-masing taksiran tersebut adalah: 1). Dengan demikian.com . n – 2) S " .   _ X = nilai rata-rata Xi.XY. [2. ˆ ˆ ≤ " + t(%/2. bahwa pemakaian persamaan penduga " = a + bX. " . n – 2) S Y ≤ (XY ≤ " + t(%/2. sehingga terdapat daerah atau range.33] bertujuan untuk mengetahui perkiraan nilai interval koefisien regresi populasi i baik b0 maupun b2. 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.XY yang terbaik.pdffactory.t(%/2. JK X dan KT Galat Regresi dari Analisis Varians Regresi X0 = suatu nilai Xi yang telah diketahui atau ditentukan 2).t(%/2.9. 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 ". n = jumlah penamatan atau sampel. Selanjutnya.44].43].9 Peramalan atau Prediksi Garis Regresi Pembicaraan mengenai perkiraan nilai populasi beta ( ) pada persamaan [2.1 Interpolasi dan ekstrapolasi Jelaslah bahwa dari uraian di atas. yang umum disebut dengan selang kepercayaan " atau interval taksiran garis regresi penduga ". S 2ˆ = KT Galat Regresi 1 + + ˆ Y n    1 2. atau untuk mencari nilai Y apabila Xi telah ditentukan. 28 PDF created with pdfFactory Pro trial version www. yang diharapkan pada garis regresi penduga adalah: a) penaksiran atau peramalan nilai rata-rata untuk nilai Xi tertentu yang telah diketaui yang ) ) sering diberi simbul . Dalam perhitungan nilai selang kepercayaan juga menggunakan dasar Analisis Ragam Regresi.

Perhitungan Regresi Dua Variabel yaitu Variabel X dan Variabel Y No.261 XY 6.063 166.340 5. 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.700 1.240 0.563 27.900 1.000 2.103 1. 2).875 10.563 158.338 7.Ekstrapolasi Pengertian interpolasi adalah penaksiran atau peramalan nilai-nilai Y.250 126.720 0.750 0.540 5.563 3. 2.900 10.600 0.300 8.100 11.563 234. 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.305 198.410 204.900 24.903 18.518 0.810 1.600 12.217 29 PDF created with pdfFactory Pro trial version www. Ada dua pengertian pokok yang harus dipahami dalam penaksiran atau pendugaan adalah: 1).650 0.253 13.000 1.490 11.4.600 11.4. maka diberikan contoh olahan seperti di bawah ini.360 56.310 16.090 79.908 1.500 11.873 Y 0.720 1.250 15.300 5.400 11.610 2183.490 175.890 1. seperti disebutkan di atas. yang datanya terdiri dari satu variabel bebas X (prediktor) yaitu nilai X dan satu variabel tak bebas Y yaitu nilai Y.760 141.200 12.250 141.555 Y2 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.040 150.610 231.330 145. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Jumlah Rata2 X 9.063 1.500 0.250 0.800 0.900 15. Pengertian ekstrapolasi adalah penaksiran atau peramalan nilai Y.250 12.423 0.563 0. 2.125 14.500 11.300 13.900 14.863 12.323 0.150 0.360 0.750 1.10 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 b1.250 1.Interpolasi.950 1.950 15.10.750 10.pdffactory.050 1. dan datanya seperti pada Tabel 2.210 112.063 110.048 X2 95.250 12.com .903 3.900 178.305 26. sebab garis regresi penduga tersebut harus tahan uji dari beberapa jenis pengujian garis regresi seperti yang telah diuraikan di atas.Di dalam penerapan praktis dari garis regresi penduga " = a + bX dipakai untuk mengadakan peramalan atau penafsiran.1 Perhitungan JK-JHK dan penentuan koefisien regresi linier sederhana b0 dan b1 Tabel 2.600 7.

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. maka akan menyebabkan terjadinya perubahan Y sebesar 0.908 . Selanjutnya. dilakukan pengujian terhadap garis regresi penduga.908 .com . 3).Perhitungan JK-JHK dari data di atas seperti: JK Y = = = = = = = = = (y2 = (Y2 .330 .720)/15 11.16893 satuan Y. dan JK Galat Regresi dari data Tabel 2. persamaan peduganya menjadi: = = b0 + b1 X . JK Regresi. Nilai b1 adalah: b1 = = = Nilai b0 adalah: b0 = = = " " Y .6037 2 2 2 JK X JHK XY Selanjutnya.253 . Dalam pengujian garis regresi penduga terdapat tiga macam uji yaitu: 1).048 .6037 68.43384 2 30 PDF created with pdfFactory Pro trial version www.(178. 2).pdffactory.((Y) /n 2 18.4338 (x1 = (X1 .95776 + 0.6893 0.(X1 (Y/n 198.((X) /n 2183.0. Uji F atau uji ragam regresi atau uji varians regrsi.95776 JHK XY JK X 11. dilakukan perhitungan untuk mencari nilai b0 dan b1 seperti berikut ini.16893) (11.873) .4 di atas seperti berikut: 1).6893 (x1y = (X1Y .b1 X 1.(0.100)(5. dari persamaan peduga di atas dapat diartikan bahwa setiap perubahan satu satuan X.16893 Sehingga.720)2/15 2.0.(5.(5.100)2/15 68. JK Total = = = = (y 2 2 (Y . Uji koefisien regresi atau uji terhadap bi atau uji t. dan Uji koefisien korelasi atau uji r.10.(178.720) /15 2.((Y)2/n 18.16893 X Sehingga. 2.

2). JK Regresi = = = b1 JHK XY (0.47363 2.6037) 1.01 Berdasarkan hasil analisis varians di atas ternyata bahwa Fhit > F(tabel 1%) atau dapat dikatakan bahwa hipotesis nol ditolak.47363 3).3 Pengujian koefisien garis regresi linier sederhana dengan uji t Setelah dilakukan pengujian dengan uji F maka selanjutnya. JK Galat Regresi Selanjutnya.03643 2). yang berarti bahwa terdapat pengaruh variabel bebas X yang sangat nyata (p<0. dalam analisis regresi dua variabel nilai salah baku bi yang ditulis dengan Sbi mempunyai persamaan seperti berikut.8037 ** F tabel 5% 1% 4. KT Regresi.96021 0. maka di lanjutkan dengan membuat Tabel Analisis Keragaman atau Tabel Analisis Varians Regresi seperti pada Tabel 2.43384 Kuadrat Tengah (KT) 1.96021 0. dan KT Galat didapatkan.67 9.96021/1 1.2.JK Regresi 2.6893 0.03643 2183. KT Galat Regresi = = = Setelah perhitungan JK Total.03643 - F hitung 53.01) terhadap variabel tak bebas Y.330 15 x 68. 2. JK Regresi.96021 0.5. Tabel 2.96021 JK Galat/ (DB Galat) 0.10. 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.07 Jumlah sampel (n) = 15.5 berikut.16893) (11. dihitung nilai KT atau varians seperti: 1). JK Galat Regresi. Bagan Sidik Ragam Regresi Dua Variabel Sumber Keragaman (SK) Regresi Residual Total Keterangan: ** Derajat Bebas (DB) 1 13 14 Jumlah Kuadrat (JK) 1. KT Regresi = = = JK Regresi /(DB Regresi) 1. = berpengaruh sangat nyata pada p<0. dilakukan pengujian terhadap koefisien regresi b0 dan b1 dengan uji t seperti berikut.277853 = = 31 PDF created with pdfFactory Pro trial version www.43384 .96021 = = = JK Total .pdffactory.com .47363/13 0.

023030 Uji t terhadap nilai koefisien regresi b0: t-hitung b0 = b0 Sb 0 .4470 mutlaknya)}.023030 = 7.335101 Berdasarkan hasil uji t ternyata bahwa nlai thitung yang diperoleh dibandingkan dengan ttabel atau t(5%.558029 ≤ ≤ b0 + t(*/2. Garis regresi penduga " = .16893 Selanjutnya.35750} = 1 .947.277853) ≤ 0 ≤ .* untuk masing-masing b0 dan b1 seperti: dengan nilai salah baku Sb0 dengan * = 5% dari data di atas 0 p {b0 . dapat dikatakan bahwa: 1).pdffactory.277853)} = 1.16893 X tidak melalui titik 0. Ternyata bahwa t-hitung > ttabel 1% baik untuk nilai b0 maupun untuk b2.131) (0.0.131 dan t(1%.(2. Ini berarti bahwa dari analisis tersebut H0 ditolak baik untuk uji b0 maupun untuk uji b1 Sehingga.t(*/2. 2). dengan nilai salah baku koefisien regresi b0 dan b1 yang diperoleh.0.0 atau titik acuan.Untuk pengujian b1 nilai salah baku Sb1 dari data di atas: Sb1 = KT Galat Re gresi JK X 0.131) (0.t*/2 sbi ≤ Untuk perkiraan didapatkan: 0 i ≤ bi .com .16893 X tidak sejajar dengan sumbu X.277853 = .1.0.t*/2 sbi} = 1.0.95776 + 0.* ≤ .0.* 0 p {. {Nilai t negatif sama dengan nilai positif (diambil harga Selanjutnya.13) = 2.16893 = 0.95776 + 0.n-2) Sb0} = 1.0.95776 + (2.* 32 PDF created with pdfFactory Pro trial version www.n-2) Sb0 ≤ p { .6893 = = 0. atau mempunyai slop sebesar 0. db galat = 13) yaitu sebesar 2. Garis regresi penduga " = . uji t terhadap nilai koefisien regresi b1: t-hitung b1 = b1 Sb 1 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 . selain untuk pengujian hipotesis.03643 68.95776 = 0.3.95776 .

023030)} = 1.908 33 PDF created with pdfFactory Pro trial version www.023030) ≤ 1 ≤ 0.0.253 (Y 2 (Y = = 15.4 Pengujian garis regresi linier sederhana dengan uji r Pada uji-uji sebelumnya seperti uji F dan uji t telah dilakukan.pdffactory.Jadi perkiraan nilai Untuk perkiraan didapatkan: 1 0 berkisar antara .119176 sampai dengan 0.1 di atas seperti: (X = 2 (X = (XY = 178.16893 . Selanjutnya.* ≤ 0.(2.119176 ≤ Jadi perkiraan nilai 1 ≤ b1 + t(*/2.8 0.6 1.330 198. 000) Y = .35750 dengan nilai salah baku Sb1 dengan * = 5% dari data di atas 1 p {b1 .0 1.54% 2.720 18.131) (0.0 10.16893 + (2.2 6.131) (0.2 1.n-2) Sb1} = 1.0 8.4 0.1689 X R2 = 80.0 Pendapatan Petani ( x 100.1.t(*/2.21868} = 1 .000 1.4 1.0 0.n-2) Sb1 ≤ p {0.10.* berkisar antara 0.8 Konsumsi Daging x100. 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 untuk b0 p {0.21868 Berdasarkan perhitungan di atas maka dapat dibuat gambar Garis Regresinya seperti berikut: 2.558029 sampai dengan .9578 + 0.0 16.0 14.6 0.100 2183.com .0 12.0.

Nilai r tabel = r(*/2.720) 2   2183.com .13) = 2.947. Nilai ttabel atau t(5%.131 dan t(1%.897 2 ) (15 − 2) 0.642.897 = 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 .13765 = = 6. dengan n = 15 maka: Nilai r tabel 5% = r(5%. Hal ini dapat dikatakan bahwa tolak H0 yang berarti bahwa terdapat hubungan atau korelasi yang sangat erat antara variabel X dengan variabel Y.100) 2   (15. dengan rumus pengujian seperti berikut: t-hitung = r . Ternyata bahwa t-hitung > ttabel 1%. Sr Di mana Sr = salah baku r dengan rumus: Sr Sr = = = Sehingga: t-hitung = r Sr 0. maka nilai thitung ) ttabel. n-2).642.13765 (1 − r 2 ) (n − 2) (1 − 0. Jadi r hitung = 0.100) (15. pengujian r seperti di atas. 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.Sehingga: r = 178.897 0. Selain.53 − 0. dan Nilai r tabel 1% = r(1%. 13) = 0.908 −     15 15    198. 13) = 0.720) 15  (178. nilai r dapat pula diuji dengan uji t.330 −  18.51653 Berdasarkan hasil uji t.pdffactory.514. db galat = 13) yaitu sebesar 2. Hal ini dapat dikatakan bahwa terdapat hubungan atau korelasi yang sangat erat antara variabel bebas X dengan variabel tak bebas Y.897 > r tabel 1% = 0. 34 PDF created with pdfFactory Pro trial version www.

46% dari variasi total Y dipengaruhi oleh faktor lain diluar X atau variabel selain X.0.76088 35 PDF created with pdfFactory Pro trial version www.(2.73154 .Berdasarkan perhitungan koefisien korelasi r di atas. n – 2) S Y 0.t(*/2.6893 0. di mana * = 5%. seperti berikut: " . 2 Sisanya 1 .R = 19.73154 _  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%. n – 2) S Y ≤ .XY ≤ " + t(*/2.16893 X = .54% variasi keragaman total Y atau variasi Y dapat diterangkan oleh variasi X. maka didapatkan koefisien determinasi R2 = (0.5 Peramalan atau prediksi pada garis regresi Dalam perhitungan taksiran atau ramalan garis regresi diperlukan selang kepercayaan 0 yaitu sebesar 1 – *.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. Sebagai contoh: taksiran nilai rata-rata .pdffactory. sehingga 0 = 95%.10.0.73154 + (2.03643 15 11.t(*/2.0138) 0.01377 Selanjutnya.73154 68. atau dapat diartikan bahwa 80.95776 + 0.95776 + 0.873 10 2.6893  15       =      = 0.131) (0.8054. n – 2) S .03643  + 68.com . Dengan menggunakan dasar perhitungan analisis ragam regresi dan KT Galatnya seperti di atas didapatkan taksiran nilai rata-rata seperti berikut ini.XY untuk X0 = 10. dengan nilai " menjadi: Y " = .XY: " .873) 2  0. 1). 13) = = = = = = = 0. taksiran nilai rata-rata .16893 (10) = 0. Hal ini diartikan bahwa 80.131) (0.897)2 = 0.54% dari variabel tak bebas Y dipengaruhi oleh variabel bebas X. 2.0138) ≤ (XY ≤ 0. n – 2) S Y ≤ (XY ≤ ≤ (XY ≤ " + t(*/2.7022 0.

01558      Selanjutnya. maka Y 76473.Jadi. seperti berikut: Sebagai contoh: taksiran nilai individu Y ˆ ˆ ≤ " . Untuk taksiran rata-rata nilai-nilai Xi yang lain dapat dihitung seperti cara di atas. n – 2) S " .873) 2 0. taksiran rata-rata untuk Xi = X0 = 10.6893 0.95776 + 0.73154 68. 13) = 0.6 di bawah ini.873 10 2. Jadi.73154 .t(*/2.0138) 0.0.pdffactory.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. taksiran nilai individu: " .t(*/2. Untuk taksiran individu nilai-nilai Xi yang lain dapat dihitung seperti cara di atas.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(*/2.0. 69835 sd 0. maka (XY berkisar antara 0.76473 ˆ ˆ berkisar antara 0.03643 15 11.73154 + (2. 2). Hasil perhitungan taksiran rata-rata dan individu nilai-nilai Xi yang lain dapat dilihat pada Tabel 2. ˆ ˆ untuk X0 = 10.7022 sd 0.69835 ≤ Y 0. taksiran individu untuk Xi = X0 = 10.6893   0.(2.com .131) (0.131) (0. 36 PDF created with pdfFactory Pro trial version www.95776 + 0. n – 2) S ˆˆ ≤ Y ˆ ˆ Y Y " = . n – 2) S ˆˆ Y ˆ ˆ ≤ ≤ Y " + t(*/2. n – 2) S ˆˆ Y ˆ ˆ ≤ 0.76088.16893 (10) = 0.03643  1 + +  15 68.16893 X = .0138) ≤ Y ˆ ˆ ≤ 0.

259 1.300 8.574 0.050 1.0 14.800 0.112 1.558 1.843 0.254 1.302 1.950 1.726 0.6 Hasil Perhitungan Taksiran Rata-rata (XY dan Taksiran Individu ˆ ˆ dari Nilai-nilai Xi Y X 9.932 1.2 1.6 0.159 1.150 0.129 1.500 0.0 16. 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.0 10.057 0.750 10.500 11.000 1.924 1.0 1.794 0.750 1.250 12.420 1.722 0. 2.664 1.com .183 1.656 0.961 1.680 0.750 0.105 1.953 1.950 " 0.069 No.Tabel 2.0 8.546 0.190 1.0 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 2.048 0.858 0.610 1.653 0.8 0.807 0.6 37 PDF created with pdfFactory Pro trial version www.0 Data pada Tabel 2.838 0.650 0.241 1.497 0.813 0.900 1.171 1.496 1.2 6.300 13.900 Y 0.6 di atas.377 1.205 1.600 7.720 0.095 1.900 14.0 Pendapatan 12.119 1.4 0.600 11.853 0.048 1.789 0.6 Konsumsi daging 1.053 1.250 12.499 0.571 0.8 1.417 1.595 0.238 1.069 1.600 0.900 10.556 1.244 1.200 12.700 1.151 1.309 1.816 0.281 1.221 1.900 15.036 ˆ ˆ upper Y 0.627 0.662 1.250 1.pdffactory.500 11.689 0.458 1.4 1.250 15.239 1.036 1.199 1.499 1.682 0.943 1.592 0.053 ˆ ˆ lower (XY lower (XY upper Y 0.307 1.379 1.057 1.833 0.

com .09956 0. seperti X = 7. sebab nilai Xi = 7. sebab nilai Xi = 10 berada di dalam antara X1 dan Xn.30922 dan 1.00433 .0% 99. Dalam hal ini akan diberikan contoh keluaran komputer dengan program Excel seperti pada tabel berikut.0.4736 2. seperti X = 10 maka nilai Y penduga = 0.8 ANOVA SV Regression Residual Total DB 1 13 14 SS 2.12079 X1 0.9 Parsial Regression Coefficients Standart t Stat P-value Lower Upper Lower Upper Error 95% 95% 99.16893 X dapat dipakai untuk mengadakan peramalan atau penafsiran interpolasi dan ekstrapolasi Nilai interpolasi adalah nilai taksiran atau nilai ramalan dari nilai-nilai Y. jika harga-harga Xi yang dimasukkan ke dalam persamaan regresi penduga " = . maka nilai Y penduga = 0.27785 .95776 + 0. 1 Summary Output Excel Table 2. 2. Statistica.16893 0.4338 MS 2.95776 + 0. jika harga-harga Xi yang dimasukan ke dalam persamaan regresi penduga " = .73154.4470 0.11 Interpolasi dan ekstrapolasi Jelaslah bahwa dari uraian di atas.16893 X terletak di dalam daerah ruang gerak X1 dan Xn. pemakaian persamaan penduga " = b0 + b1X.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.2. Sistat.11918 0.8054 0.8037 Significance F 0.0.3351 0.5 dan X = 15.0.16893 X terletak di luar batas daerah ruang X1 dan Xn. Di dalam penerapan praktis dari garis regresi penduga " = .57615.00001 0.21868 0. Minitab. dan lain sebagainya.8974 0.pdffactory.3. atau untuk mencari nilai Y apabila Xi telah ditentukan.7904 0.7 Regression Statistics Multiple R R Square Adjusted R Square Standard Error Observations Table 2.2.9602 0.0000 0. Nilai ekstrapolasi adalah nilai taksiran atau nilai ramalan dari nilai Y. dapat dipakai sebagai peramalan dari nilai-nilai Xi yang belum diketahui.55803 .79474 .35750 .95776 + 0.9602 0.2.23830 Var 38 PDF created with pdfFactory Pro trial version www.0364 F 53.0.0.0.1909 15 Table 2.02303 7.5 dan Xi = 15 berada di luar Xminimum dan Xmaksimum.95776 0. SPSS.0% Intercept .

Akan tetapi.0. nilai significance F dibandingkan peluang (p) standar yaitu 5% dan 1%.8974. MS = Means Squarwes atau KT. DF = Degrees of Freesom atau = Derajat Bebas (DB). 1). R Square adalah sama dengan koefisien determinasi R2 yang menunjukkan variasi keragaman total Y yang dapat diterangkan oleh variasi variabel X. atau dapat diartikan bahwa 80. Apabila nilai significance F < (p = 0. 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.95776 + 0. Atau variabel bebas X tidak berpengaruh terhadap variabel tak bebas Y. Sebagai contoh dari hasil analis tersebut di atas didapat nilai F = 53. Ini berarti tolak H0 yang menyatakan bahwa garis regresi penduga " = . 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. hal ini berarti terima H0 yang menyatakan bahwa garis regresi penduga (") linier sederhana yang didapat tersebut bukan garis regresi yang terbaik. 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 1 (p = 0.05) mempunyai kesimpulan yang sama dengan Fhit ≤ F(tabel 5%).01) mempunyai kesimpulan yang sama dengan Fhit > F(tabel 1%).pdffactory. SS = Sum of Squares atau = JK.16893 X.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 0.54% dari variabel tak bebas Y dipengaruhi oleh variabel bebas X. 2). Significance F adalah sama dengan nilai peluang dari nilai F-hitung. Dalam hal ini nilai F-hitung tidak dibangingkan dengan F tabel seperti biasa. F = F-hitung.8037 dengan significance F = 0. 39 PDF created with pdfFactory Pro trial version www.Penjelasan tabel di atas seperti berikut: Table 2. Di mana SV = Sumber Variasi (SV) atau Sumber Keragaman (SK). Apabila nilai signifikanse F < (p = 0.0000.com .05) mempunyai kesimpulan yang sama dengan Fhit > F(tabel 5%).8 ANOVA KT Y n Pada Tabel Anova adalah persis sama dengan Sidik Ragam Regresi. adalah garis regresi yang terbaik untuk menerangkan bahwa variabel bebas X (pendapatan petani) berpengaruh sangat nyata terhadap variabel tak bebas Y (pengeluaran petani).

Standart Error di sini menunjukkan nilai yang sama dengan Sb0 dan Sb1 dalam pengujian b0 dan b1. hal ini berarti tolak H0 yang menyatakan bahwa garis regresi penduga (") linier sederhana melalui tidak melalui titik acuan (0. Sehinga nilai t-hitung untuk masing-masing b0 = .0.05) mempunyai kesimpulan yang sama dengan thit > t(tabel 5%). Untuk b1.0.95776 dan b1 = 0.44702 dan S bi b1 = 7.3. 1).05) mempunyai kesimpulan yang sama dengan thit ≤ t(tabel 5%). Intercept sama dengan b0 jarak antara titik potong garis regresi penduga " dengan titik acuan (0. Demikian juga didapatkan nilai P-value untuk b1 = 0. Untuk b0. Apabila nilai P-value 1 (p = 0. hal ini berarti tolak H0 yang menyatakan bahwa garis regresi penduga (") linier sederhana melalui tidak sejajar dengan sumbu X dengan slop sama dengan b2.05) mempunyai kesimpulan yang sama dengan thit ≤ t(tabel 5%). Masing-masing b0 = .00433.0).95776 + 0. nilai P-value dibandingkan peluang (p) standar yaitu 5% atau 1%.pdffactory.05. yang berarti bahwa garis regresi penduga " = .16893 X. Apabila nilai P-value < (p = 0.0) 2). maka 1).00002.27785 dan Standart Error untuk b1 (Sb1) = 0.95776 + 0.16893 dan sangat nyata.0. hal ini berarti terima H0 yang menyatakan bahwa garis regresi penduga (") linier sederhana sejajar dengan sumbu X pada nilai b0. Apabila nilai P-value < (p = 0. hal ini berarti terima H0 yang menyatakan bahwa garis regresi penduga (") linier sederhana melalui titik acuan (0. t Stat sama dengan t-hitung untuk b0 dan b1 dengan rumus umum seperti: bi thitung bi = . Akan tetapi. Apabila nilai P-value 1 (p = 0. Ini berarti tolak H0 karena Pvalue < 0. Sebagai contoh Standart Error untuk b0 (Sb0) = 0.33510.02303. 2). Coefficients sama dengan bi dalam hal ini sama dengan b0 dan b2.Tabel 2. tidak melalui titik acuan (0.16893. maka 1). dalam analisis ini adalah X.com . Sebagai contoh dari hasil analisis tersebut di atas didapatkan nilai P-value untuk b0 = 0.0).05. adalah garis regresi penduga tidak sejajar dengan sumbu X.9 Parcial Regression Var adalah sama dengan variabel yang akan dijelaskan. P-value adalah sama dengan nilai peluang dari nilai t-hitung.0). Ini berarti tolak H0 karena P-value < 0.05) mempunyai kesimpulan yang sama dengan thit > t(tabel 5%). Standart Error dalam Tabel 3 ini berbeda dengan Standart Error dari Tabel 2. Dalam hal ini nilai t-hitung tidak dibangingkan dengan t tabel seperti biasa. yang berarti bahwa garis regresi penduga " = . arinya mempunyai slop atau kemiringan = 0.16893 X. 40 PDF created with pdfFactory Pro trial version www.

79474 sampai dengan .35750 untuk nilai * = 5%.23830 untuk * = 1%.1.558029 sampai dengan .0.pdffactory.119176 sampai dengan 0.1.) berarti dalam uji t-hitung bi menunjukkan signifikansi yang nyata pada taraf * = 5% atau 1%.* . Perkiraan nilai 1 berkisar antara 0.com . dan antara .09956 sampai dengan 0. dan antara 0.21868 untuk * = 5%.* tergantung pada nilai * yang dipakai 5% atau 1%.t*/2 sbi} = 1. . Sebaliknya.12079 untuk * = 1%.Lower dan Upper adalah sama dengan perkiraan nilai interval b0 dan b1 atau pendugaan nilai 0 dan 1 dengan rumus: p {bi .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 ( + . 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%. Perhatikan nilai Lower dan Upper. 41 PDF created with pdfFactory Pro trial version www. Perkiraan nilai 0 berkisar antara . Nilai 95% atau 99% = 1.0.

You're Reading a Free Preview

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