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

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

Apabila hubungan antara dua variabel atau lebih bersifat kausal atau hubungan sebab-akibat. A disebut intercept coefficient atau intersep yaitu jarak titik asal atau titik acuan dengan titik potong garis regresi dengan sumbu Y.2]. Jadi antara analisis korelasi dan analisis regresi mempunyai kaitan yang sangat erat (akan dibicarakan di belakang).1]. maka selanjutnya perlu menentukan pola hubungan atau bentuk hubungan yang dinyatakan dalam bentuk persamaan matematik yang menyatakan hubungan fungsionalnya. seperti pada Tabel 2.5.1] akan menjadi: [2. dan B disebut slope coefficient atau slup yang menyatakan atau menunjukkan kemiringan atau kecondongan garis regresi terhadap sumbu X. Dari persamaan garis regresi [2. Setelah jelas mana variabel X dan variabel Y. Tujuan utama dari analisis regresi adalah untuk memberikan dasar-dasar peramalan atau pendugaan dalam analisis peragam atau analisis kovarian. dengan mengukur respon dari perlakuan atau variabel X yang dinyatakan dengan variabel tak bebas Y yang sering disebut hasil atau akibat perlakuan.1] di atas.1 berikut ini. Y = X Persamaan [2. maka variabel X dan variabel Y tersebut harus mempunyai hubungan yang kuat.persamaan [2. Apakah beda antara analisis regresi dengan analisis-analisis yang lain ? Sebagai contoh apa perbedaan antara analisis regresi dengan analisis keragaman atau analisis varians.pdffactory.1] yaitu pengaruh tingkat pendapatan dengan konsumsi makanan bagi petani pedesaan. penentuan variabel bebas X dan variabel tak bebas Y sangat mudah.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. Dari persamaan [2. yaitu perbedaan antara variabel bebas X atau variabel yang dipelajari. Analisis regresi sebagai alat untuk melakukan peramalan atau prediksi atau estimasi atau pendugaan yang sangat berguna bagi para pembuat keputusan.com . tetapi kadang-kadang hal tersebut sangat sulit ditelusuri antara yang mana variabel bebas X maupun yang mana variabel tak bebas Y. Sehingga segala analisis statistika yang berkaitan dengan hal tersebut dinamakan dengan analisis regresi. Biasanya variabel tak bebas Y adalah variabel yang diramalkan dan variabel bebas X yang telah ditetapkan sebagai peramal yang disebut prediktor. perbedaan tersebut terletak pada yaitu: dalam analisis keragaman tidak mencari bentuk hubungan antara variabel-variabel seperti pada analisis regresi.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. Kuat tidaknya hubungan antara variabel bebas X dan variabel tak bebas Y didasarkan pada analisis korelasi. Y = A + BX Apabila A dan B mengambil nilai seperti: A = 0 dan B = 1.2] adalah suatu bentuk persamaan yang paling sederhana dari regresi linier sederhana. 11 PDF created with pdfFactory Pro trial version www. melainkan mencari perbedaan pengaruh perlakuan atau objek. 2. Sebagai ilustrasi hubungan antara variabel bebas X dan variabel tak bebas Y diberikan contoh dari persamaan [2.1] 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. Untuk membuat ramalan antara variabel X dengan variabel Y. Dalam hal-hal tertentu. dalam hubungan tersebut terdapat satu variabel bebas X dan satu variabel tak bebas Y.

1 berikut: 175 150 125 Konsumsi (Y) 100 75 50 25 0 100 125 150 B A 175 Pendapatan (X) 200 225 250 Gambar 2.1.5. Sehingga dari pasanganpasangan nilai X. No.Y telah didapatkan. sering disebut regresi Y atas X ditulis dengan Y/x.1 di atas dapat dibuat garis regresi liniernya 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.1 di atas.1. Penentuan garis regresi antara variabel bebas X dengan variabel tak bebas Y.Y merupakan hubungan sebab (X) dan akibat (Y). sehingga antara variabel X dan variabel Y yang tertentu akan menjadi pasangan-pasangan tetap disebut dengan pasangan nilai X.2 Garis regresi linier sederhana Sekarang bagaimana caranya membuat persamaan garis regresi linier sederhana seperti Gambar 2. Setiap pasangan nilai X.com .pdffactory.000 maka komsumsi makanan semakin meningkat. 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.Tabel 2. Sejumlah pasangan antara nilai X. yang mempunyai pengertian bahwa: setiap variabel bebas X akan memberikan atau menghasilkan suatu nilai variabel tak bebas Y yang tertentu. Model Linier Garis Regresi 2.Y inilah yang akan menentukan persamaan regresi yang dibuat sesuai dengan asumsi atau model yang digunakan.Y. Dari Tabel 2. yang mempunyai bentuk persamaan matematis: Y = A + BX seperti pada persamaan [2. Bagaimana persamaan regresi akan ditentukan jika hasil pengamatan atau yang berupa pasangan-pasangan nilai pengamatan antara X. 12 PDF created with pdfFactory Pro trial version www.1].

Y1 dan !X = X2 . perhatikan diagram pencar berikut yang berasal dari Tabel 2.2 berikut.2.2.2. Bentuk mana yang paling sesuai atau paling dihampiri oleh titik-titik pasangan tersebut. 1 2 Pengaruh Tingkat Pendapatan terhadap Konsumsi Makanan Bagi Petani Pendapatan 125 150 Konsumsi 75 100 Sehingga garis regresi linier yang dapat dibuat dari Tabel 2. maka kumpulan titik-titik tersebut dapat memberi petunjuk untuk memperkirakan garis regresi yang akan dibuat.Y. 2). Garis regresi yang melalui dua buah titik pengamatan P dan Q. 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.5. Dasar teori. Untuk pendekatan linier atau regresi linier sederhana. Untuk hal tersebut dan menentukan analisis dan gambarnya dapat dilihat bentuk-bentuk hubungan pada bukubuku matematika. di mana kedudukan kedua titik tersebut adalah bebas atau sembarang pada garis regresi yang melewati. Jika pencaran atau sebaran titik pasangan X.Y diberikan dua metode yang umum yaitu: 1). Dari persamaan tersebut dengan penyelesaian matematika sehingga akan didapatkan bentuk persamaan liniernya seperti persamaan [2. maka persamaan garis PQ menjadi: Y = A + X.Y tersebut disekitar garis lurus. Bahwa suatu garis regresi yang akan didapat dan akan mendekati titik-titik pasangan X. melalui dua buah titik dapat dibuat sebuah garis lurus yaitu PQ yang akan dicari persamaannya.com .1]. Dilain pihak.Y pada suatu sistem salib sumbu atau sistem koordinat.Y tersebut bukan linier. maka cukup beralasan untuk menduganya dengan persamaan regresi linier sederhana atau regresi garis lurus. Metode tangan bebas.3 Penetuan garis regresi linier sederhana Untuk menentukan garis regresi berdasarkan pasangan-pasangan nilai X.2. Pendekatan matematis dengan metode kuadrat terkecil atau least squares method atau sering disebut dengan metode ordinary list squares (OLS).1 di muka antara tingkat pendapatan (X) dengan konsumsi (Y) diambil sebagaian saja seperti pada Tabel 2. yang dapat melalui semua titik-titik pasangan X.X1 sehingga tangen sudut = !Y/!X. jika sebaran titik-titik pasangan X. Maka dapat dibuat persamaannya dengan menggunakan dua buah titik. Perhatikan sudut yang sisi-sisi siku-sikunya adalah !Y = Y2 . Metode ini hanya dapat dilakukan oleh seorang ahli dan berpengalaman seperti pada Gambar 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. No. Tabel 2.2 seperti pada Gambar 2. tetapi melengkung atau non linier yang paling menghampiri.pdffactory.Y. Diagram pencar didapatkan dengan menggambar titik-titik pasangan pengamatan antara X dan Y atau X.

3 di bawah ini. Q dan R. yang menunjukkan garis-garis regresi linier dari beberapa pengamatan. Dalam beberapa hal dimungkinkan untuk mengecek atau menguji asumsi atau hipotesis setelah bentuk hubungan itu diperkirakan.pdffactory. Oleh karena dalam pembicaraan ini hendak berusaha mencari cara untuk menentukan persamaan garis regresi linier sederhana yang baik atau yang terbaik.X1 Y = Y2-Y1 Y2 A Y1 X1 140 Pendapatan X2 160 Gambar 2.Yi sebagai garis regresi tersebut. Untuk itu haruslah terlebih dahulu mengetahui apa yang dimaksud dengan garis regresi yang baik. Suatu bentuk hubungan atau fungsi linier atau regresi linier di samping mudah interprestasinya.3 di atas yang manakah dari ketiga garis tersebut termasuk garis regresi yang terbaik. B sering disebut kemiringan atau kecondongan garis regresi atau slope atau slope coefficient adalah tangen sudut yang dibuat oleh garis regresi dengan sumbu X.1] A dan B adalah konstanta. Suatu pertanyaan yang berhubungan dengan hal tersebut di atas adalah: "Kapankah suatu garis regresi dapat dikatakan sebagai garis regresi yang baik?". 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. maka variabel Y bertambah atau menurun atau berubah sebanyak B kali. A ialah: jarak titik acuan (0. Apabila ada garis tertentu selain ketiga garis YPQ. dan YQR yang merupakan garis regresi terbaik sebagai penghampir titik-titik pasangan pengamatan Xi. Perhitungan = !Y/!X Secara Sederhana 2. Dengan demikian kembali ke Gambar 2. YPR. 0) dengan perpotongan antara sumbu tegak Y dengan garis linier atau besarnya nilai variabel Y. Perhatika Gambar 2. 14 PDF created with pdfFactory Pro trial version www.2. apabila nilai X = 0. juga dapat dipergunakan sebagai pendekatan bentuk hubungan yang bukan linier (non linier) menjadi bentuk linier.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. yaitu parameter yang digunakan. yang dipakai untuk menghampiri titik-titik P. Seperti pada persamaan [2.125 Q 100 P Konsunsi 75 50 25 0 120 ! X = X2 . Fungsi linier sama dengan persamaan linier atau model linier atau regresi linier yang mempunyai bentuk hubungan atau bentuk fungsi: Y = A + BX.com .

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

dan dapat pula berharga nol bila nilai pengamatan Yi berada tepat pada garis penduga ". " = b0 + b1 X untuk sampel Jadi a dan b atau b0 dan b1 sebagai penaksir A dan B.3 dengan menggambar scatter diagram dengan ".(b0 + b1 X) atau Nilai e sebagai penduga nilai kesalahan E adalah kesalahan penggangu populasi dan e adalah kesalahan penganggu sampel. " = b0 + b1 X dan Yi = " + e [2. Nilai e dapat berharga positif bila nilai pengamatan Yi berada di atas garis penduga "." Untuk sejumlah n pasangan pengamatan.7b]. ei = Yi . Nilai Pengamatan Yi.8]. biasanya ditaksir dengan nilai a dan b atau dengan nilai b0 dan b1.com . dengan nilai penduga " dan dengan nilai pengamatan Yi dapat ditulis: [2. 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.7a]. maka penulisannya menjadi seperti: [2.6]. dapat berharga negatif bila nilai pengamatan Yi berada di bawah garis penduga ". Nilai Penduga ". Yi. e = Yi . sehingga garis regresi linier penduga mempunyai bentuk persamaan: [2.3. 150 125 Konsumsi 100 75 50 25 0 120 130 140 Pendapatan Gambar 2. Seperti yang ditunjukkan pada Gambar 2.Karena dalam suatu pendugaan nilai A dan B tidak dapat dihitung (belum diketahui nilainya).pdffactory.

2. 2). Mempunyai derajad keeratan hubungan yang maksimum atau koefisien korelasi tertinggi. yang menunjukkan hubungan antara variabel bebas X dan variabel tak bebas Y. bila digunakan sebagai garis penduga. 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. dan bila nilai ini diminiumkan. Model regresi atau bentuk fungsi yang dipakai haruslah mendekati titik-titik pasangan X. di mana Y = A + BX + E. 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 . apabila jumlah harga mutlak dari nilai kesalahan atau %&e& adalah minimal. ada suatu teori Maximum Like Lihood Estimation yang kedua-duanya membuktikan bahwa meminimalkan kesalahan ei merupakan estimasi atau penaksiran yang terbaik. sehingga garis regresi penduga yang dihasilkan akan mendekati ketepatannya. Mengapa metode kuadrat terkecil. Metode kuadrat terkecil (OLS = ordinary least squares) Selain. hal-hal tersebut di atas. Hal ini akan dibahas dalam penggunaan koefisien korelasi dalam uji garis regresi. 17 PDF created with pdfFactory Pro trial version www. 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. apabila jumlah pangkat dua (kuadrat) nilai kesalahan-kesalahan (ei) adalah minimal atau ditulis dengan 2 rumus: %e i = 0.2. Cara pendekatan terakhir disebut dengan Metode Kuadrat Terkecil atau dengan Least Squares Methods. dan harus betul-betul tepat atau cocok. sebab nilai negatif mengkompen nilai positif.") = minimal. tetapi harus memenuhi juga syarat-syarat yang lain yaitu: 1). maka semua nilaidari kesalahan atau simpangan ei akan berubah menjadi positif.Y.pdffactory.4. Sesuai dengan teori aljabar maka akibatnya %ei sama dengan nol (minimal). Selain teori kuadrat terkecil. hal ini akan dibicarakan pada uji kecocokan garis regresi penduga. metode kuadrat terkecil mempunyai beberapa kelebihan daripada metode-metode lain. 2. seperti yang ditunjukkan pada Gambar 2. 4). Cara ini lebih baik dari cara pertama sebab tidak ada saling kompensasi antara nilai ei yang negatif dengan positif.com . 3. Garis penduga merupakan garis regresi yang terbaik. Suatu syarat penaksir garis atau garis penduga yang terbaik.7 Pendekatan Garis Penduga Terbaik Ada beberapa cara pendekatan matematika untuk mendapatkan garis regresi penduga yang terbaik seperti: 1. Perhitungan matematis dari metode kuadrat terkecil cukup sederhana. penaksir pangkat dua terkecil (metode kuadrat terkecil) yang mempunyai ragam paling kecil. 2. 2). disebut metode yang terbaik bagi penduga garis regresi linier sederhana?. di samping mempunyai nilai ragam galat atau ragam kesalahan atau ragam residu atau ragam sisa yang terkecil. diantaranya: 1). Dengan memakai nilai kuadrat.7. Garis penduga merupakan garis regresi yang terbaik. 3).

2 2 2 dapat ditulis: 18 PDF created with pdfFactory Pro trial version www. dan b1 adalah sebagai berikut: Dari teori minimum dan maksimum atau harga ekstrim dalam teori kalkulus (defrensial & integral) dapat dinyatakan bahwa suatu fungsi f(X1.11] turunannya menjadi: 'G/'b0 = 2 ((Yi .13] dan [2.b1 Xi (. Turunan (e2i atau G terhadap b0 menjadi: Dari persamaan [2.com .Xi) = 0 Perhatikan faktor pengali yang berada dimuka tanda sama dengan (=). Dengan mengambil fungsi turunan pertama parsiil G terhadap b0 dan b1 serta menyamakannya dengan nol. jadi G = &ei2. . maka sistem persamaan normal dari [2. maka diperoleh persamaan-persamaan seperti: [2. maka nilai G akan minimum jika semua fungsi turunan pertama parsiilnya. Pernyataan matematis di atas dapat dijabarkan menjadi: " = b0 + b1 X dan Y = " + e sehingga ei = Yi ." [2.12] turunannya menjadi: 'G/'b1 = 2 ((Yi . . Persamaan (2. bahwa garis regresi penduga terbaik. .9] di atas merupakan modifikasi dari persamaan-persamaan [2.10]. Untuk memudahkan cara penulisan selanjutnya &ei2 disamakan dengan G. Perhatikan pertanyaan matematis dari persamaan [2.b1 &Xi = 0 Persamaan-persamaan [2. Apabila dari persamaan-persamaan [2.7a].&b0 .pdffactory.Manipulasi matematis dari metode kuadrat terkecil akan menghasilkan koefisien a dan b. 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. dengan mengandaikan syarat kedua minimalasasi itu telah terpenuhi.b0 .b1 Xi) (. yaitu turunan pertama parsiil dari G terhadap masing-masing nilai b0 dan b1 sama dengan nol.14] di atas disebut dengan persamaan normal.9]. Xp) akan minimum jika.8].13] dan [2. &Yi Xi . atau [2.b0 .12] diselesaikan dan diubah cara penyajiannya.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 B1.14].14) disebut dengan persamaan Normal 2. ei = Yi . semua fungsi turunan pertama parsialnya ('Y/'X) sama dengan nol.b0 &Xi ." Persamaan [2. Persamaan (2.7b]. suatu syarat yang perlu dan khusus.11] dan [2. Yi = b0i + b1i Xi + ei Telah disebutkan di muka.1) = 0 Turunan (e i atau G terhadap b1 menjadi: Dari persamaan [2.13) disebut dengan persamaan Normal 1.13]. X2. &Yi . Perhatikan pengali dari setiap penaksir-penaksir yang berhubungan koefisien regresi seperti b0 dan b1 Apabila syarat-syarat dalam meminimalkan G dipenuhi. adalah garis regresi 2 yang mempunyai nilai &ei minimal.b1 &Xi = 0 [2. maka diperoleh dua persamaan seperti di bawah ini.7b] yang ditulis kembali seperti: [2. . 2 Sehingga fungsi turunan &e atau G terhadap setiap nilai b0. Oleh karena itu. [2.

y: [2.7.14] dapat diselesaikan secara serentak untuk mendapatkan nilai b0 dan b1.13].18c].b1 X Selanjutnya. Berikut ini diberikan hubungan antara X.16b] maka didapatkan nilai b1 menjadi: [2. Dari persamaan [2.18a] sampai dengan persamaan [2. 2 2 x2 = (X2 .(&X) /n [2.( Y .18b]. b1 = Σxy Σx 2 atau dengan menggunakan notasi lain nilai b1 menjadi: JHK XY atau dengan menggunakan notasi lain nilai b1 menjadi: JK X ∑ XY − [2. &Yi Xi .18c] maka perhitungan nilai b1 pada persamaan [2.16a].13] dan [2. &y = &Y .b1 X = 0 0 (Persamaan Normal 1) atau sehingga akhirnya menjadi: b0 = Y .&X &Y/n Dengan menggunakan persamaan [2.b1 &Xi/n) &Xi .(&Yi /n . dan [2. &xy = &XY .16].X 1 ).16b] dengan modifikasi X dan Y menjadi persamaan dengan huruf kecil dan perhatikan dengan teliti notasi perubah X dan Y yang ditulis dengan huruf kecil x dan y pada persamaan-persamaan berikut ini.b1 &Xi = 0 (Yi /n .14] di atas dapat ditentukan besarnya nilai b2.13]. Oleh karena jumlah sampel = n diketahui dan jumlah-jumlah yang terdapat dalam sistem persamaan normal itu dapat dihitung dari data sampel. 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] ke persamaan [2. &x = &X .19b]. &Yi .2 Perhitungan nilai koefisien regresi linier sederhana Jika diperhatikan kembali sistem persaman normal dari persamaan [2.15].13] dapat ditentukan nilai b0 yaitu dengan membagi persamaan tersebut dengan jumlah pengamatan (n) sehingga didapatkan persamaan dengan penyelesaian sebagai berikut: [2. Sehingga nilai b0 dan b1 dapat ditentukan dengan perhitungan seperti berikut.b1 &Xi2 = 0 Sebelum penyelesaian persamaan [2. b1 = [2. b1 = ∑ X ∑Y n ( X )2 ∑ 2 ∑X − n 19 PDF created with pdfFactory Pro trial version www.Biasanya.16b].b1 &Xi2 = 0 (Persamaan Normal 2) atau dapat ditulis [2.b1 X ) &Xi . dengan memasukkan persamaan [2. [2. sistem persamaan normal [2. b0 .b1 (Xi/n = Y [2.(&Y) /n 2 2 2 [2.18a].b1 &Xi2 = 0 [2.Y ) disebut dengan JK Y disebut dengan JK X disebut dengan JHK XY [2. &Yi Xi .X 2 ). dan y = (Y .19a].b0 &Xi . 2.pdffactory.14] dapat dilihat keteraturan dari cara-cara penyelesaianya. &Yi Xi .nb0 /n .&b0 . Y dengan x.17].com . x1 2 = (X1 .19c].

bi Xi. Pengujian Garis Regresi Linier Sederhana Pengujian garis regresi secara statistika dapat dilakukan dengan tiga cara yaitu: 1).21b].22b] [2.pdffactory. ei = yi . Dari persamaan [2. 20 PDF created with pdfFactory Pro trial version www.21c] sehingga atau sebab ΣeIxi = 0 sehingga G = Σeiei.20] " = b0 + b1 X sehingga didapatkan pesamaan: [2.20].b1 Σyi xi Ingat : Σyiyi = Σyi = JK Total = JK Y Σyixi = JHK YiXi = JHK XY b1 Σyi xi disebut dengan JK Regresi = JK Reg. Unuk menjawab pernyataan tersebut maka dapat dikatakan bahwa garis regresi penduga " = b0 + b1 X nyata secara statistika.b1 xi) G = Σeiyi .com .22d] [2.b1 (Xi .21c] yaitu pesamaan untuk nilai ei.X ) [2.b1 ΣeI xi) G = Σeiyi G = Σyiei G = Σyi (yi .21c]. untuk membuktikan bahwa garis regresi yang diperoleh tersebut merupakan garis regresi yang terbaik untuk menghampiri setiap titik-titik pengamatan X.20] di mana ei = Yi . Dan jika persamaan [2.4 dapat diuraikan bahwa persamaan [2.23c] didapatkan bahwa JK Galat Regresi sama dengan JK Total dikurangi dengan JK Regresi. ei = Yi .b1 Xi [2. sehingga menjadi: [2. " = b0 + b1 X Selanjutnya.Y ) .b1 xi) Selanjutnya dari persamaan diatas didapatkan: [2.22c] [2.22a] [2. sehingga dengan mengkuadrat 2 jumlahkan nilai ei. perlu dilakukan pengujian keberartiannya. Uji ragam regresi atau uji F regresi Uji koefisien regresi dengan uji-t Uji r garis regresi 2.b0 . 2). 2.Sehingga persamaan regresi penduga " dari suatu pengamatan atau untuk pengaruh variabel bebas X terhadap variabel tak bebas Y menjadi: [2.8.22e] G = Σ ei 2 dengan membuka kurung maka atau Persamaan [2.Y. di mana JK Total atau JK Y sudah dapat dihitung dari data pengamatan.23c] sehingga dapat menjadi: 2 G = Σyiyi .23a] [2.23b] [2. G = Σei(yi .b1 X disubstitusikan ke dalam persamaan [2.1 Uji varians regresi atau uji F regresi atau uji ragam regresi Uji keragaman untuk menentukan garis regresi yang terbaik sering disebut dengan uji F garis regresi atau lebih terkenal dengan sidik ragam regresi.b1 xi Dari persamaan [2. selanjutnya didapatkan Σei atau disebut dengan JK Galat Regresi dengan kode G.b1 xi. 3).( Y .21a].15] b0 = Y .8. ei = (Yi . Ingat bahwa ei = yi . Dari Gambar 2.b1 X ) .

maka besarnya nilai F (F-hitung) adalah: [2.25a] [2. hubungan antara komponen-komponen pada analisis keragaman (JK Total. + bp JHK XpY) Komponen penyusun Tabel Sidik Ragam Regresi adalah: 1). JK Regresi dengn JK Reg (tanpa titik) dan JK Total dengan JK Tot atau JK Y (tanpa titik). . .4. Sehingga sesuai dengan persamaan [2. JK Galat = JK Total . Yi.27] Fhit = KT Regresi KT Galat 21 PDF created with pdfFactory Pro trial version www.b] berlaku umum untuk p variabel bebas X sehingga persamaannya menjadi: [2.JK Regresi.24].26a] [2. KT Regresi KT Galat = = JK Regresi /(DB Regresi) JK Galat/ (DB Galat) Berdasarkan pada asumsi sebaran normal untuk komponen pengganggu e.26b] JK Regresi = b1 Σyi x1 + b2 Σyi x2 + . JK Total = Jk Y = (Y2 . maka JK Regresi mempunyai rumus: [2. dan ei di bawah ini. + bp Σyi xp JK Regresi = (b1 JHK X1Y + b2 JHK X2Y + . JK Regresi = b1 JHK XY 2).JK Regresi Selanjutnya dihitung nilai KT atau varians seperti: 1). dan ei Sehingga. Nilai-nilai Y . ".com .4.23c]. Untuk menyederhanakan penulisan dan pengertian di atas. maka selanjutnya JK Galat Regresi disingkat dengan JK Galat.25b] JK Regresi = b1 Σyi xi JK Regresi = b1 JHK XY atau dapat ditulis: Persamaan [2.Perhatikan Gambar 2. Yi. dan JK Galat) seperti berikut: [2. JK Regresi. JK Galat = JK Total . ". . dan nilai-nilai Y . 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. 2).pdffactory. .25a.((Y)2/n 3).

2.3. Bagan Sidik Ragam Regresi Sumber Derajat Keragaman Bebas (DB) (SK) Regresi p = 1 Jumlah Kuadrat (JK) b1 Σyi x1 atau (b1 JHK XY) JK Galat Σyi2 = JK Total = JK Y Kuadrat Nilai Tengah F hitung (KT) (Fhit) JK Reg/p = KT Regresi KT Reg KT Galat JK Galat = n − p −1 KT Galat F tabel 5% 1% Lihat tabel F Residual atau Galat Total n–p– 1 n–1 n = jumlah sampel (pasangan pengamatan) dan p jumlah variabel bebas X.Y tersebut.Y. Atau dapat dikatakan bahwa garis regresi penduga (") linier sederhana yang didapat tersebut adalah garis regresi penduga yang terbaik untuk menghampiri pasangan pengamatan X.Y.pdffactory. Atau dapat dikatakan ini berarti bahwa terdapat hubungan bukan linier pada pasangan pengamatan X.29].3 berikut di bawah ini. 2).com . dapat memberikan petunjuk apakah setiap variabel X menunjukkan pengaruh atau hubungan yang nyata terhadap variabel tak bebas Y. Hal ini berarti bahwa terdapat hubungan linier antara pengaruh X terhadap Y. t-hitung W = [2. p. maka dapat dilakukan dengan uji t atau uji koefisien regresi apabila uji F signifikan.Hasil perhitungan keragaman di atas dibuatkan Tabel Sidik Ragam Regresi seperti pada Tabel 2. F-hitung disimbulkan dengan Fhit ini diartikan bahwa dalam pengujian F akan dibuktikan suatu hipotesis nol atau H0: Fhit = 0 dan H1: Fhit > 0 Kemudian F-hitung dibandingkan dengan F tabel yang biasa ditulis dengan: Fhitung ) Ftabel (Di mana Ftabel = F(*. Modifikasi dari pengaruh variabel bebas X terhadap variabel tak bebas Y atu uji F.n-2) dan * = taraf nyata ) Kreteria pengujian nilai Fhit adalah: 1). 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. sehingga untuk pengujian koefisien regresi (bi). Secara umum uji t mempunyai rumus adalah: W SW W nilai yang diuji. Hal ini berarti bahwa garis regresi penduga (") linier sederhana yang didapat tersebut bukan garis regresi yang terbaik untuk menghampiri pasangan pengamatan X. Jika uji F atau uji ragam regresi menunjukkan bahwa Fhit > F(tabel 5%) barulah dilanjutkan dengan uji t dan sebaliknya. maka rumusnya menjadi: [2. Tabel 2. Jika Fhit ≤ F(tabel 5%). Jika Fhit > F(tabel 5%).28].2 Uji keberartian koefisien regresi (bi) atau uji t Pengujian yang dilakukan dengan uji F seperti cara tersebut di atas.8.

32b]. Untuk b1. maka dapat 2 diduga dengan nilai S e atau KT Galat Regresi sampel yang mempunyai persamaan yaitu: [2. nilai salah baku koefisien regresi Sbi yang diperoleh. selain untuk pengujian hipotesis juga dapat dipakai pada perkiraan nilai interval koefisien regresi populasi i yang sering disebut dengan perkiraan nilai populasi beta ( ). 0).29] dalam menyederhakan penulisan salah baku koefisien regresi bi yang biasa ditulis dengan +Bi (salah baku = standard error koefisien regresi Bi). didasarkan metode kuadrat terkecil. Karena besarnya nilai + e (Ragam Galat Regresi) populasi tidak diketahui.com . 2). S2e = KT Galat Regresi = JK Galat Regresi /(n-p-1) 2 Selanjutnya. Sb1 = = var b1 ∑X2      KT Galat Re gresi      JK X   Seperti dalam uji F.Dari persamaan [2. db galat). Perlu diingatkan bahwa dalam pengujian di atas (baik uji F maupun uji t). Sb0 = = var b0  KT Galat Re gresi   n JK X  Untuk pengujian b1 nilai salah baku menjadi: [2. Selanjutnya.31].pdffactory.n-2) dan * = taraf nyata ) Berdasarkan hasil uji t ternyata bahwa kreteria pengujian nilai thit adalah: 1). Jika thit ≤ t(tabel 5%.Y = 0. dalam uji t nilai salah baku bi yang ditulis (Sbi) mempunyai persamaan seperti berikut: [2.30].0). Untuk pengujian b0 yang berarti bahwa b0 melalui titik acuan (titik 0. db galat) Hal ini dikatakan bahwa tolak H0.0) yaitu nilai Y = 0 jika X = 0. Dengan kata lain. Kemudian t-hitung dibandingkan dengan t tabel yang biasa ditulis dengan: thitung ) ttabel (Di mana ttabel = t(*/2. Sbi = var bi masing-masing untuk b0 dan b1 menjadi: Untuk pengujian b0 nilai salah baku menjadi: [2. Perhitungan nilai +Bi didasarkan pada ragam galat regresi atau KT Galat Regresi. penulisan t-hitung dapat ditulis dengan notasi thit (artinya uji t untuk pengujian hipotesis nol atau H0: bi = 0 dan H1: minimal satu dari bi .32a]. jika thit ≤ t(tabel 5%. yang berarti bahwa garis regresi penduga " tidak melalui titik acuan (X. Pengujian yang dilakukan dengan cara tersebut di atas. ini berarti bahwa koefisien arah b1 yang berangkutan dapat dipakai sebagai penduga dan peramalan yang dapat dipercaya. 23 PDF created with pdfFactory Pro trial version www. Hal ini dapat dikatakan bahwa terima H0. dapat memberikan petunjuk apakah setiap variabel Xi memberikan pengaruh atau hubungan yang nyata terhadap variabel tak bebas Y. db galat) maka garis regresi penduga " dikatakan sejajar dengan sumbu X pada nilai b0. Jika thit > t(tabel 5%.

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.t%/2 Sb1 ≤ 0 1 ≤ b0 + t%/2 Sb0} = 1.% untuk b0 untuk b1 2.35c].% ≤ b1 + t%/2 Sb1} = 1.19c].Rumus dari perkiraan nilai i adalah sebai berikut di bawah ini: [2. dan untuk setiap b0 dan b1 seperti: [2.+2. Hubungan antara koefisien korelasi r dengan koefisien regresi b2. rXY = Σxy Σx 2 Σy 2 JHK XY JK X JK Y atau [2. rXY = menjadi: [2. Jadi nilai koefisien korelasi itu selalu pecahan seperti: r = 0.34a].com . uji Koefisien Regresi (uji t) berdasarkan nilai Varians Galat Regresi.0.8. dan lain sebagainya. Sepintas gambaran bahwa nilai r berkisar antara –1 sampai dengan + 1 atau sering ditulis dengan -1 .35c]: [2.33b]. 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.87.t%/2 Sbi ≤ i ≤ bi + t%/2 Sbi} = 1. Lihatlah kembali rumus koefisien regresi seperti [2.t%/2 Sb0 ≤ [2. Sedangkan.% atau [2.19c] dan koefisien korelasi r seperti [2. r = 0. r = .%.r . Adapun rumus dari pada koefisien korelasi r adalah: [2. p (bi ± t%/2 Sbi Sbi) = 1. p {bi . 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.35a].33a]. p {b1 .35b].pdffactory.3 Uji keeratan hubungan atau uji r Pada uji-uji sebelum ini.347.78.34b]. seperti uji Ragam Regresi (uji F). p {b0 .

36g] menjadi: [2.36a] di atas dapat ditulis kembali menjadi: [2.[2.19] dan [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. n-2 = db Galat. Nilai r tabel dapat dilihat pada tabel r yang susunannya serupa dengan tabel t.36b] b1 JK X = r [2. sehingga nilai SY SX = SY = 1. dan * = taraf nyata ) 25 PDF created with pdfFactory Pro trial version www.com . n-2). sehingga persamaan [2.36e] b1 [2. apabila nilai koefisien regresinya (b1) negatif.pdffactory.36e] sama-sama dibagi dengan didapatkan: [2.36h] b1 = r Yang jelas dalam uji r.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 ) ) .356] dapat ditulis menjadi: [2. maka nilai koefisien korelasinya (r) juga negatif. 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. Dalam uji r yang umum dialakukan adalah membandingkan nilai koefisien korelasi r yang dihitung atau r hitung dengan r tabel.36f] b1 JK X n −1 KT X = r = r JK X n −1 KT Y atau atau [2.36d] b1 Jadi: [2.36a] b1 JK X = r ( (JK X ) (JK Y ) ) Dari kesamaan [2.36c] b1 [2.35c]. rhitung ) rtabel (di mana rtabel = r(*/2.

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

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

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

090 79.com .250 141. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Jumlah Rata2 X 9.518 0.563 158. dan datanya seperti pada Tabel 2.555 Y2 0.900 24.063 166.261 XY 6.300 8.040 150.500 11.000 2.200 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.500 11.950 15. 2).323 0.600 12.900 178.250 12. sebab garis regresi penduga tersebut harus tahan uji dari beberapa jenis pengujian garis regresi seperti yang telah diuraikan di atas.103 1.903 3.810 1.875 10.Interpolasi.360 0.10 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 b1.217 29 PDF created with pdfFactory Pro trial version www.305 198. 2.720 1.310 16.700 1.500 0.563 3.650 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.900 14. yang datanya terdiri dari satu variabel bebas X (prediktor) yaitu nilai X dan satu variabel tak bebas Y yaitu nilai Y. seperti disebutkan di atas.900 15.423 0.600 11.873 Y 0.300 13.4.150 0.410 204.600 0.563 0.10.900 1.048 X2 95.900 10.610 2183.400 11.063 110.240 0.720 0.250 126.210 112. 2.125 14.490 11.300 5.563 27.950 1.Di dalam penerapan praktis dari garis regresi penduga " = a + bX dipakai untuk mengadakan peramalan atau penafsiran.050 1.250 0.063 1.750 1.250 15.800 0.253 13.750 10.340 5.305 26.760 141. Perhitungan Regresi Dua Variabel yaitu Variabel X dan Variabel Y No.pdffactory.890 1.250 12.750 0.1 Perhitungan JK-JHK dan penentuan koefisien regresi linier sederhana b0 dan b1 Tabel 2.908 1.4.863 12.563 234.360 56.540 5. Pengertian ekstrapolasi adalah penaksiran atau peramalan nilai Y. Ada dua pengertian pokok yang harus dipahami dalam penaksiran atau pendugaan adalah: 1). maka diberikan contoh olahan seperti di bawah ini.330 145.903 18.490 175.600 7.338 7.100 11. jika harga-harga Xi yang dimasukan ke dalam persamaan regresi penduga " = a + bX terletak di dalam daerah ruang gerak X1 dan Xn hasil-hasil pengamatan atau dengan perkataan lain bahwa nilai Y yang diduga di mana nilai Xi terletak antara X1 dan Xn.Ekstrapolasi Pengertian interpolasi adalah penaksiran atau peramalan nilai-nilai Y.610 231.000 1.250 1.

JK Regresi.(178.0.((X) /n 2183.16893) (11. Dalam pengujian garis regresi penduga terdapat tiga macam uji yaitu: 1). dilakukan pengujian terhadap garis regresi penduga.253 .6893 0.6037 2 2 2 JK X JHK XY Selanjutnya. 3).95776 + 0.(178.(0.com . Nilai b1 adalah: b1 = = = Nilai b0 adalah: b0 = = = " " Y .16893 X Sehingga.((Y) /n 2 18. dan JK Galat Regresi dari data Tabel 2.16893 Sehingga.43384 2 30 PDF created with pdfFactory Pro trial version www. dilakukan perhitungan untuk mencari nilai b0 dan b1 seperti berikut ini.pdffactory. JK Total = = = = (y 2 2 (Y .(X1 (Y/n 198. Selanjutnya.330 .6893 (x1y = (X1Y . dari persamaan peduga di atas dapat diartikan bahwa setiap perubahan satu satuan X.100)2/15 68. dan Uji koefisien korelasi atau uji r.b1 X 1.048 .16893 satuan Y. Uji F atau uji ragam regresi atau uji varians regrsi. persamaan peduganya menjadi: = = b0 + b1 X .4 di atas seperti berikut: 1).Perhitungan JK-JHK dari data di atas seperti: JK Y = = = = = = = = = (y2 = (Y2 .908 .95776 JHK XY JK X 11.(5.908 .720) /15 2.(5. 2).720)2/15 2.2 Pengujian garis regresi linier sederhana dengan uji F Dalam Uji F atau uji Ragam Regresi atau uji Varians Regresi diperlukan nilai-nilai JK Total.0.873) .6037 68.((Y)2/n 18. Uji koefisien regresi atau uji terhadap bi atau uji t.4338 (x1 = (X1 .720)/15 11. maka akan menyebabkan terjadinya perubahan Y sebesar 0.10. 2.100)(5.

330 15 x 68.96021 JK Galat/ (DB Galat) 0.01 Berdasarkan hasil analisis varians di atas ternyata bahwa Fhit > F(tabel 1%) atau dapat dikatakan bahwa hipotesis nol ditolak.96021 0.6893 0. = berpengaruh sangat nyata pada p<0.43384 .96021/1 1.67 9.47363 2.03643 2).96021 0. KT Regresi = = = JK Regresi /(DB Regresi) 1.96021 = = = JK Total .8037 ** F tabel 5% 1% 4.96021 0.01) terhadap variabel tak bebas Y. JK Galat Regresi. JK Galat Regresi Selanjutnya.16893) (11.07 Jumlah sampel (n) = 15.5 berikut. yang berarti bahwa terdapat pengaruh variabel bebas X yang sangat nyata (p<0. KT Regresi. Bagan Sidik Ragam Regresi Dua Variabel Sumber Keragaman (SK) Regresi Residual Total Keterangan: ** Derajat Bebas (DB) 1 13 14 Jumlah Kuadrat (JK) 1. JK Regresi.03643 - F hitung 53.3 Pengujian koefisien garis regresi linier sederhana dengan uji t Setelah dilakukan pengujian dengan uji F maka selanjutnya.com .2).pdffactory.10. 2.JK Regresi 2. dilakukan pengujian terhadap koefisien regresi b0 dan b1 dengan uji t seperti berikut. JK Regresi = = = b1 JHK XY (0.6037) 1.47363 3). Untuk pengujian b0 nilai salah baku Sb0 dari data di atas: Sb0 = KT Galat Re gresi ∑ X 2 n JK X 0.43384 Kuadrat Tengah (KT) 1. maka di lanjutkan dengan membuat Tabel Analisis Keragaman atau Tabel Analisis Varians Regresi seperti pada Tabel 2. dan KT Galat didapatkan.03643 2183. Tabel 2. dalam analisis regresi dua variabel nilai salah baku bi yang ditulis dengan Sbi mempunyai persamaan seperti berikut. dihitung nilai KT atau varians seperti: 1).2. bi Secara umum uji t mempunyai rumus adalah t-hitung bi = S bi Selanjutnya. KT Galat Regresi = = = Setelah perhitungan JK Total.5.47363/13 0.277853 = = 31 PDF created with pdfFactory Pro trial version www.

0. uji t terhadap nilai koefisien regresi b1: t-hitung b1 = b1 Sb 1 0. dapat dikatakan bahwa: 1). dengan nilai salah baku koefisien regresi b0 dan b1 yang diperoleh.131) (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 .16893 X tidak sejajar dengan sumbu X.023030 Uji t terhadap nilai koefisien regresi b0: t-hitung b0 = b0 Sb 0 .t(*/2.95776 = 0.* 32 PDF created with pdfFactory Pro trial version www.1.16893 Selanjutnya.4470 mutlaknya)}.947.* 0 p {.n-2) Sb0} = 1.n-2) Sb0 ≤ p { .* untuk masing-masing b0 dan b1 seperti: dengan nilai salah baku Sb0 dengan * = 5% dari data di atas 0 p {b0 .6893 = = 0.0.277853 = .95776 + (2.023030 = 7. {Nilai t negatif sama dengan nilai positif (diambil harga Selanjutnya. Garis regresi penduga " = . db galat = 13) yaitu sebesar 2.0.0.pdffactory.0.35750} = 1 .Untuk pengujian b1 nilai salah baku Sb1 dari data di atas: Sb1 = KT Galat Re gresi JK X 0.13) = 2.16893 X tidak melalui titik 0.131 dan t(1%. 2). atau mempunyai slop sebesar 0. Ini berarti bahwa dari analisis tersebut H0 ditolak baik untuk uji b0 maupun untuk uji b1 Sehingga.558029 ≤ ≤ b0 + t(*/2.95776 + 0.* ≤ .335101 Berdasarkan hasil uji t ternyata bahwa nlai thitung yang diperoleh dibandingkan dengan ttabel atau t(5%.95776 + 0.0.95776 . Ternyata bahwa t-hitung > ttabel 1% baik untuk nilai b0 maupun untuk b2. selain untuk pengujian hipotesis.3.277853) ≤ 0 ≤ .03643 68.0 atau titik acuan.com .131) (0.t*/2 sbi ≤ Untuk perkiraan didapatkan: 0 i ≤ bi .16893 = 0.277853)} = 1.t*/2 sbi} = 1.(2. Garis regresi penduga " = .

000 1.1.(2.4 0. 000) Y = .023030) ≤ 1 ≤ 0.0 0.8 Konsumsi Daging x100.119176 ≤ Jadi perkiraan nilai 1 ≤ b1 + t(*/2.0 Pendapatan Petani ( x 100. 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 3.119176 sampai dengan 0.* 1 untuk b0 p {0.21868 Berdasarkan perhitungan di atas maka dapat dibuat gambar Garis Regresinya seperti berikut: 2.100 2183.6 1.131) (0.0 16.0 8.t(*/2.0.1 di atas seperti: (X = 2 (X = (XY = 178.* berkisar antara 0.6 0.0 14.* ≤ 0.8 0.16893 + (2.0 10.2 6.n-2) Sb1 ≤ p {0.21868} = 1 .Jadi perkiraan nilai Untuk perkiraan didapatkan: 1 0 berkisar antara .330 198.023030)} = 1.10.9578 + 0.0 1.720 18.pdffactory. Selanjutnya.131) (0.2 1.558029 sampai dengan .com .35750 dengan nilai salah baku Sb1 dengan * = 5% dari data di atas 1 p {b1 .0.n-2) Sb1} = 1.0 12.16893 .4 Pengujian garis regresi linier sederhana dengan uji r Pada uji-uji sebelumnya seperti uji F dan uji t telah dilakukan.253 (Y 2 (Y = = 15.1689 X R2 = 80.54% 2.908 33 PDF created with pdfFactory Pro trial version www.4 1.

db galat = 13) yaitu sebesar 2. maka nilai thitung ) ttabel.720) 2   2183.908 −     15 15    198.897 0.100) (15. Nilai r tabel = r(*/2. dengan rumus pengujian seperti berikut: t-hitung = r . Hal ini dapat dikatakan bahwa tolak H0 yang berarti bahwa terdapat hubungan atau korelasi yang sangat erat antara variabel X dengan variabel Y.642. Hal ini dapat dikatakan bahwa terdapat hubungan atau korelasi yang sangat erat antara variabel bebas X dengan variabel tak bebas Y.51653 Berdasarkan hasil uji t.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 .330 −  18. 13) = 0. 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. 34 PDF created with pdfFactory Pro trial version www.13765 = = 6. nilai r dapat pula diuji dengan uji t.13) = 2.642.897 > r tabel 1% = 0. Ternyata bahwa t-hitung > ttabel 1%.131 dan t(1%. dengan n = 15 maka: Nilai r tabel 5% = r(5%.514. pengujian r seperti di atas. 13) = 0.pdffactory. Jadi r hitung = 0.Sehingga: r = 178. n-2).720) 15  (178.947.53 − 0. dan Nilai r tabel 1% = r(1%.13765 (1 − r 2 ) (n − 2) (1 − 0. Selain.com . Nilai ttabel atau t(5%.897 2 ) (15 − 2) 0.100) 2   (15. Sr Di mana Sr = salah baku r dengan rumus: Sr Sr = = = Sehingga: t-hitung = r Sr 0.

54% variasi keragaman total Y atau variasi Y dapat diterangkan oleh variasi X.95776 + 0. 13) = = = = = = = 0.com .73154 .76088 35 PDF created with pdfFactory Pro trial version www. maka didapatkan koefisien determinasi R2 = (0.873 10 2. atau dapat diartikan bahwa 80.6893 0.46% dari variasi total Y dipengaruhi oleh faktor lain diluar X atau variabel selain X. sehingga 0 = 95%.7022 0.5 Peramalan atau prediksi pada garis regresi Dalam perhitungan taksiran atau ramalan garis regresi diperlukan selang kepercayaan 0 yaitu sebesar 1 – *.6893  15       =      = 0.16893 (10) = 0. Dengan menggunakan dasar perhitungan analisis ragam regresi dan KT Galatnya seperti di atas didapatkan taksiran nilai rata-rata seperti berikut ini.t(*/2.873) 2  0.0138) 0.R = 19.73154 + (2. n – 2) S Y ≤ .10.pdffactory. 1).(2.03643 15 11.131) (0.54% dari variabel tak bebas Y dipengaruhi oleh variabel bebas X.0. n – 2) S Y 0. n – 2) S Y ≤ (XY ≤ ≤ (XY ≤ " + t(*/2.95776 + 0. Sebagai contoh: taksiran nilai rata-rata . Hal ini diartikan bahwa 80.73154 _  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%.t(*/2.131 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. 2.8054.131) (0. n – 2) S .897)2 = 0.0138) ≤ (XY ≤ 0.XY untuk X0 = 10. taksiran nilai rata-rata .XY: " .XY ≤ " + t(*/2.Berdasarkan perhitungan koefisien korelasi r di atas.01377 Selanjutnya.73154 68.0.16893 X = . di mana * = 5%.03643  + 68. dengan nilai " menjadi: Y " = . 2 Sisanya 1 . seperti berikut: " .

03643  1 + +  15 68.73154 68.7022 sd 0.873 10 2.0.73154 S ˆˆ = _  1 ( X 0 − X )2  + KT Galat Regresi 1 + Y n JK X   Ketentuan:      dapat dihitung dengan: " = JK X = KT Galat = n = _ = X X0 = t(5%. seperti berikut: Sebagai contoh: taksiran nilai individu Y ˆ ˆ ≤ " .com . 13) = 0.0138) ≤ Y ˆ ˆ ≤ 0.6 di bawah ini.76088.0.t(*/2.16893 (10) = 0.131) (0. ˆ ˆ untuk X0 = 10.t(*/2.873) 2 0. maka Y 76473.03643 15 11. n – 2) S " .69835 ≤ Y 0. Hasil perhitungan taksiran rata-rata dan individu nilai-nilai Xi yang lain dapat dilihat pada Tabel 2. n – 2) S ˆˆ Y ˆ ˆ ≤ 0.6893   0. 2). n – 2) S ˆˆ Y ˆ ˆ ≤ ≤ Y " + t(*/2. n – 2) S ˆˆ ≤ Y ˆ ˆ Y Y " = . Untuk taksiran individu nilai-nilai Xi yang lain dapat dihitung seperti cara di atas. Untuk taksiran rata-rata nilai-nilai Xi yang lain dapat dihitung seperti cara di atas.(2.Jadi.6893 0.0138) 0.73154 .t(*/2.95776 + 0. 36 PDF created with pdfFactory Pro trial version www. Jadi. taksiran individu untuk Xi = X0 = 10.131) (0. taksiran nilai individu: " .pdffactory. maka (XY berkisar antara 0.01558      Selanjutnya.95776 + 0. taksiran rata-rata untuk Xi = X0 = 10.73154 + (2.16893 X = .131 Berdasarkan ketentuan di atas maka nilai S ˆˆ dapat dihitung: Y S ˆˆ = Y _  1 ( X 0 − X )2  + KT Galat Regresi 1 + n JK X        = =  1 (10 − 11. 69835 sd 0.76473 ˆ ˆ berkisar antara 0.

900 10.900 Y 0.4 1.057 0.119 1.307 1.627 0.053 1.171 1.853 0.300 13.497 0.574 0.199 1.0 16.0 14.241 1.807 0.0 10.592 0.682 0.254 1.000 1.150 0.6 di atas.0 Data pada Tabel 2.6 Hasil Perhitungan Taksiran Rata-rata (XY dan Taksiran Individu ˆ ˆ dari Nilai-nilai Xi Y X 9. 2.057 1.496 1.Tabel 2.750 0.499 1.250 15.722 0. 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.239 1.600 11.558 1.183 1.656 0.953 1.961 1.048 1.302 1.069 No.2 1.458 1.600 0.200 12.800 0.610 1.pdffactory.858 0.664 1.720 0.650 0.546 0.com .053 ˆ ˆ lower (XY lower (XY upper Y 0.0 8.377 1. Karena ˆ ˆ yang sangat sempit maka gambarnya kelihatan tiga perbedaan nilai antara (XY dan Y garis yang seharusnya lima garis seperti pada Tabel 2.838 0.680 0.900 14.095 1.309 1.556 1.750 1.726 0.653 0.112 1.500 11.2 6.6 0.816 0.8 1.6 37 PDF created with pdfFactory Pro trial version www.205 1.571 0.250 12.600 7.151 1.924 1.105 1.6 Konsumsi daging 1.662 1.221 1.789 0.250 1.048 0.4 0.036 ˆ ˆ upper Y 0.700 1.0 Pendapatan 12.0 0.190 1.129 1.0 1.244 1.238 1.050 1.281 1.833 0.300 8.420 1.250 12.499 0.932 1.900 15.379 1.500 11.950 " 0.500 0.750 10.843 0.794 0.069 1.943 1.813 0.900 1.259 1.689 0.595 0.417 1.159 1.950 1.036 1.8 0.

sebab nilai Xi = 10 berada di dalam antara X1 dan Xn.9 Parsial Regression Coefficients Standart t Stat P-value Lower Upper Lower Upper Error 95% 95% 99.16893 X terletak di dalam daerah ruang gerak X1 dan Xn.0% 99.23830 Var 38 PDF created with pdfFactory Pro trial version www. maka nilai Y penduga = 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. pemakaian persamaan penduga " = b0 + b1X.com .57615. Statistica.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.11918 0.79474 .16893 X terletak di luar batas daerah ruang X1 dan Xn.12079 X1 0.7904 0. dan lain sebagainya.2.4736 2. Dalam hal ini akan diberikan contoh keluaran komputer dengan program Excel seperti pada tabel berikut.95776 + 0. dapat dipakai sebagai peramalan dari nilai-nilai Xi yang belum diketahui. 2.9602 0.0.16893 0. 1 Summary Output Excel Table 2.09956 0.2.00001 0.55803 .00433 .1909 15 Table 2. sebab nilai Xi = 7.27785 .0. Di dalam penerapan praktis dari garis regresi penduga " = .02303 7.8 ANOVA SV Regression Residual Total DB 1 13 14 SS 2.95776 + 0.95776 0.8037 Significance F 0.8974 0.0. Nilai ekstrapolasi adalah nilai taksiran atau nilai ramalan dari nilai Y.3.35750 .3351 0.0000 0. seperti X = 7.5 dan X = 15.9602 0.7 Regression Statistics Multiple R R Square Adjusted R Square Standard Error Observations Table 2.4338 MS 2.8054 0.0% Intercept . jika harga-harga Xi yang dimasukkan ke dalam persamaan regresi penduga " = .11 Interpolasi dan ekstrapolasi Jelaslah bahwa dari uraian di atas.73154. Minitab.0364 F 53. SPSS.5 dan Xi = 15 berada di luar Xminimum dan Xmaksimum.4470 0.2. Sistat.0.95776 + 0.30922 dan 1. atau untuk mencari nilai Y apabila Xi telah ditentukan. jika harga-harga Xi yang dimasukan ke dalam persamaan regresi penduga " = .pdffactory.0. seperti X = 10 maka nilai Y penduga = 0.21868 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. Apabila nilai signifikanse 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 nyata terhadap variabel tak bebas Y. DF = Degrees of Freesom atau = Derajat Bebas (DB).7 Regression Statistics Multiple R adalah sama dengan koefisien korelasi r yang menunjukkan keeratan hubungan antara variabel bebas X dengan variabel tak bebas Y yaitu sebesar 0. 39 PDF created with pdfFactory Pro trial version www. MS = Means Squarwes atau KT. R Square adalah sama dengan koefisien determinasi R2 yang menunjukkan variasi keragaman total Y yang dapat diterangkan oleh variasi variabel X.01) mempunyai kesimpulan yang sama dengan Fhit > F(tabel 1%). Significance F adalah sama dengan nilai peluang dari nilai F-hitung. adalah garis regresi yang terbaik untuk menerangkan bahwa variabel bebas X (pendapatan petani) berpengaruh sangat nyata terhadap variabel tak bebas Y (pengeluaran petani). Apabila nilai significance F < (p = 0. SS = Sum of Squares atau = JK.54% dari variabel tak bebas Y dipengaruhi oleh variabel bebas X.16893 X.com .8 ANOVA KT Y n Pada Tabel Anova adalah persis sama dengan Sidik Ragam Regresi.05) mempunyai kesimpulan yang sama dengan Fhit > F(tabel 5%). Ini berarti tolak H0 yang menyatakan bahwa garis regresi penduga " = . atau dapat diartikan bahwa 80. Atau variabel bebas X tidak berpengaruh terhadap variabel tak bebas Y.8974. nilai significance F dibandingkan peluang (p) standar yaitu 5% dan 1%. 2). Dalam hal ini nilai F-hitung tidak dibangingkan dengan F tabel seperti biasa.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.0000. Sebagai contoh dari hasil analis tersebut di atas didapat nilai F = 53. 1).pdffactory.8037 dengan significance F = 0. Di mana SV = Sumber Variasi (SV) atau Sumber Keragaman (SK). F = F-hitung.95776 + 0.0. Akan tetapi. Apabila nilai significance F 1 (p = 0. 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.Penjelasan tabel di atas seperti berikut: Table 2.

02303. Apabila nilai P-value 1 (p = 0. hal ini berarti tolak H0 yang menyatakan bahwa garis regresi penduga (") linier sederhana melalui tidak melalui titik acuan (0.0). Intercept sama dengan b0 jarak antara titik potong garis regresi penduga " dengan titik acuan (0.16893 X. maka 1). Untuk b0. Sehinga nilai t-hitung untuk masing-masing b0 = .05) mempunyai kesimpulan yang sama dengan thit ≤ t(tabel 5%).0).95776 + 0.0) 2). Apabila nilai P-value < (p = 0. Coefficients sama dengan bi dalam hal ini sama dengan b0 dan b2. Masing-masing b0 = .05) mempunyai kesimpulan yang sama dengan thit > t(tabel 5%).05. nilai P-value dibandingkan peluang (p) standar yaitu 5% atau 1%. Dalam hal ini nilai t-hitung tidak dibangingkan dengan t tabel seperti biasa. Standart Error di sini menunjukkan nilai yang sama dengan Sb0 dan Sb1 dalam pengujian b0 dan b1.16893 X. arinya mempunyai slop atau kemiringan = 0. Ini berarti tolak H0 karena P-value < 0.16893 dan sangat nyata.0.27785 dan Standart Error untuk b1 (Sb1) = 0.0). Sebagai contoh Standart Error untuk b0 (Sb0) = 0. t Stat sama dengan t-hitung untuk b0 dan b1 dengan rumus umum seperti: bi thitung bi = . Ini berarti tolak H0 karena Pvalue < 0. maka 1). Akan tetapi.3. Demikian juga didapatkan nilai P-value untuk b1 = 0. Apabila nilai P-value < (p = 0. hal ini berarti terima H0 yang menyatakan bahwa garis regresi penduga (") linier sederhana melalui titik acuan (0. Standart Error dalam Tabel 3 ini berbeda dengan Standart Error dari Tabel 2. hal ini berarti terima H0 yang menyatakan bahwa garis regresi penduga (") linier sederhana sejajar dengan sumbu X pada nilai b0.05) mempunyai kesimpulan yang sama dengan thit ≤ t(tabel 5%).44702 dan S bi b1 = 7.33510.9 Parcial Regression Var adalah sama dengan variabel yang akan dijelaskan.05. P-value adalah sama dengan nilai peluang dari nilai t-hitung. tidak melalui titik acuan (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. yang berarti bahwa garis regresi penduga " = .95776 dan b1 = 0.16893. Sebagai contoh dari hasil analisis tersebut di atas didapatkan nilai P-value untuk b0 = 0.0. 2).Tabel 2. adalah garis regresi penduga tidak sejajar dengan sumbu X. dalam analisis ini adalah X.00433.com .pdffactory.0.00002. 40 PDF created with pdfFactory Pro trial version www. Apabila nilai P-value 1 (p = 0.95776 + 0. yang berarti bahwa garis regresi penduga " = .05) mempunyai kesimpulan yang sama dengan thit > t(tabel 5%). 1).

* .* tergantung pada nilai * yang dipakai 5% atau 1%.21868 untuk * = 5%.09956 sampai dengan 0.1.23830 untuk * = 1%.0. Perkiraan nilai 0 berkisar antara . Nilai 95% atau 99% = 1.) berarti dalam uji t-hitung bi menunjukkan signifikansi yang nyata pada taraf * = 5% atau 1%.12079 untuk * = 1%. 41 PDF created with pdfFactory Pro trial version www. dan antara 0.t*/2 sbi} = 1.79474 sampai dengan .t*/2 sbi ≤ i ≤ bi .Lower dan Upper adalah sama dengan perkiraan nilai interval b0 dan b1 atau pendugaan nilai 0 dan 1 dengan rumus: p {bi . Perkiraan nilai 1 berkisar antara 0. apabila nilai Lower dan Upper bersifat definit positif atau definit negarif artinya baik Lower maupun Upper mempunyai tanda bilangan yang positif atau negarif ( + . dan antara . Perhatikan nilai Lower dan Upper.1.558029 sampai dengan .com .35750 untuk nilai * = 5%.119176 sampai dengan 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%.pdffactory. Sebaliknya.0. .

Sign up to vote on this title
UsefulNot useful