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

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

persamaan [2.1] yaitu pengaruh tingkat pendapatan dengan konsumsi makanan bagi petani pedesaan.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. Dari persamaan [2. A disebut intercept coefficient atau intersep yaitu jarak titik asal atau titik acuan dengan titik potong garis regresi dengan sumbu Y. dan B disebut slope coefficient atau slup yang menyatakan atau menunjukkan kemiringan atau kecondongan garis regresi terhadap sumbu X. 11 PDF created with pdfFactory Pro trial version www.pdffactory. Biasanya variabel tak bebas Y adalah variabel yang diramalkan dan variabel bebas X yang telah ditetapkan sebagai peramal yang disebut prediktor. Jadi antara analisis korelasi dan analisis regresi mempunyai kaitan yang sangat erat (akan dibicarakan di belakang).1] di atas. melainkan mencari perbedaan pengaruh perlakuan atau objek. Dalam hal-hal tertentu. penentuan variabel bebas X dan variabel tak bebas Y sangat mudah.2].1] akan menjadi: [2.1].2] adalah suatu bentuk persamaan yang paling sederhana dari 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. dengan mengukur respon dari perlakuan atau variabel X yang dinyatakan dengan variabel tak bebas Y yang sering disebut hasil atau akibat perlakuan. perbedaan tersebut terletak pada yaitu: dalam analisis keragaman tidak mencari bentuk hubungan antara variabel-variabel seperti pada analisis regresi. Sehingga segala analisis statistika yang berkaitan dengan hal tersebut dinamakan dengan analisis regresi. Y = A + BX Apabila A dan B mengambil nilai seperti: A = 0 dan B = 1. maka selanjutnya perlu menentukan pola hubungan atau bentuk hubungan yang dinyatakan dalam bentuk persamaan matematik yang menyatakan hubungan fungsionalnya. seperti pada Tabel 2. dalam hubungan tersebut terdapat satu variabel bebas X dan satu variabel tak bebas Y. Dari persamaan garis regresi [2.5. Untuk membuat ramalan antara variabel X dengan variabel Y. yaitu perbedaan antara variabel bebas X atau variabel yang dipelajari. Kuat tidaknya hubungan antara variabel bebas X dan variabel tak bebas Y didasarkan pada analisis korelasi.1 berikut ini. Apabila hubungan antara dua variabel atau lebih bersifat kausal atau hubungan sebab-akibat. tetapi kadang-kadang hal tersebut sangat sulit ditelusuri antara yang mana variabel bebas X maupun yang mana variabel tak bebas Y. Analisis regresi sebagai alat untuk melakukan peramalan atau prediksi atau estimasi atau pendugaan yang sangat berguna bagi para pembuat keputusan. Setelah jelas mana variabel X dan variabel Y.Dari variabel-variabel yang akan dicari bentuk hubungannya terlebih dahulu hendaknya dijelaskan mana yang sebagai variabel bebas X dan mana yang sebagai variabel tak bebas Y.com . Y = X Persamaan [2. Tujuan utama dari analisis regresi adalah untuk memberikan dasar-dasar peramalan atau pendugaan dalam analisis peragam atau analisis kovarian. Apakah beda antara analisis regresi dengan analisis-analisis yang lain ? Sebagai contoh apa perbedaan antara analisis regresi dengan analisis keragaman atau analisis varians. 2. maka variabel X dan variabel Y tersebut harus mempunyai hubungan yang kuat. 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.

Sejumlah pasangan antara nilai X. 12 PDF created with pdfFactory Pro trial version www.2 Garis regresi linier sederhana Sekarang bagaimana caranya membuat persamaan garis regresi linier sederhana seperti Gambar 2.000 maka komsumsi makanan semakin meningkat.5.Y.Y merupakan hubungan sebab (X) dan akibat (Y). Bagaimana persamaan regresi akan ditentukan jika hasil pengamatan atau yang berupa pasangan-pasangan nilai pengamatan antara X. Dari Tabel 2. 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. 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. No.1.pdffactory.1]. sering disebut regresi Y atas X ditulis dengan Y/x.Y telah didapatkan. Sehingga dari pasanganpasangan nilai X.1 di atas dapat dibuat garis regresi liniernya seperti Gambar 2. yang mempunyai bentuk persamaan matematis: Y = A + BX seperti pada persamaan [2. sehingga antara variabel X dan variabel Y yang tertentu akan menjadi pasangan-pasangan tetap disebut dengan pasangan nilai X.1. Penentuan garis regresi antara variabel bebas X dengan variabel tak bebas Y.Y inilah yang akan menentukan persamaan regresi yang dibuat sesuai dengan asumsi atau model yang digunakan.1 di atas.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. Setiap pasangan nilai X.Y tersebut dapat dicari bentuk hubungan atau garis regresi antara variabel bebas Y atas variabel tak bebas X yang dtulis dengan Y/X.com .

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

3 di bawah ini. Perhatika Gambar 2. Untuk itu haruslah terlebih dahulu mengetahui apa yang dimaksud dengan garis regresi yang baik. Fungsi linier sama dengan persamaan linier atau model linier atau regresi linier yang mempunyai bentuk hubungan atau bentuk fungsi: Y = A + BX. yang menunjukkan garis-garis regresi linier dari beberapa pengamatan.X1 Y = Y2-Y1 Y2 A Y1 X1 140 Pendapatan X2 160 Gambar 2. yang dipakai untuk menghampiri titik-titik P.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. Perhitungan = !Y/!X Secara Sederhana 2. A sering disebut intersep atau intercept coefficient dan B ialah: koefisien arah adalah koefisien garis regresi yang sama dengan tangen arah yang menunjukkan besarnya pengaruh perubahan X terhadap perubah Y yaitu apabila variabel X naik atau turun atau berubah satu unit satuan X. Suatu bentuk hubungan atau fungsi linier atau regresi linier di samping mudah interprestasinya.com . Suatu pertanyaan yang berhubungan dengan hal tersebut di atas adalah: "Kapankah suatu garis regresi dapat dikatakan sebagai garis regresi yang baik?". A ialah: jarak titik acuan (0.pdffactory. Oleh karena dalam pembicaraan ini hendak berusaha mencari cara untuk menentukan persamaan garis regresi linier sederhana yang baik atau yang terbaik. Seperti pada persamaan [2.125 Q 100 P Konsunsi 75 50 25 0 120 ! X = X2 . dan YQR yang merupakan garis regresi terbaik sebagai penghampir titik-titik pasangan pengamatan Xi. yaitu parameter yang digunakan. Q dan R.2. Dengan demikian kembali ke Gambar 2.1] A dan B adalah konstanta. B sering disebut kemiringan atau kecondongan garis regresi atau slope atau slope coefficient adalah tangen sudut yang dibuat oleh garis regresi dengan sumbu X. 14 PDF created with pdfFactory Pro trial version www.3 di atas yang manakah dari ketiga garis tersebut termasuk garis regresi yang terbaik. Dalam beberapa hal dimungkinkan untuk mengecek atau menguji asumsi atau hipotesis setelah bentuk hubungan itu diperkirakan. Apabila ada garis tertentu selain ketiga garis YPQ. 0) dengan perpotongan antara sumbu tegak Y dengan garis linier atau besarnya nilai variabel Y. YPR.Yi sebagai garis regresi tersebut. apabila nilai X = 0. maka variabel Y bertambah atau menurun atau berubah sebanyak B kali.

5]. alat kurang sempurna. 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). Faktor-faktor tersebut secara keseluruhan dinamakan kesalahan pengganggu (disturbance error) yang diberi simbul dengan e. Kadang-kadang nilai e diartikan faktor-faktor tertentu yang belum diketahui penyebabnya atau faktor-faktor yang belum dijelaskan. tidak hanya tergantung pada variabel bebas X saja. Oleh karena itu.4a]. " = a + b X [2. serta banyak lagi nilai-nilai yang lainnya.4c]. 15 PDF created with pdfFactory Pro trial version www.3b]. salah ukur. " = [2. " = b0 + b1 X [2.com .3a].pdffactory.3c]. resiko tersebut hendaknya dibuat sekecil-kecilnya atau minimal. Faktor-faktor tersebut yang dapat terdiri atas: salah hitung.3. salah catat. " = A + BX untuk populasi Jadi kesalahan e tersebut dapat mengakibatkan adanya resiko. " = 0 1 X + + 1 2 atau ditulis dengan X X atau ditulis dengan atau untuk sampel atau untuk populasi [2. besarnya nilai variabel tak bebas Y. " = % + [2.150 R 125 100 75 50 25 0 120 Q P Konsunsi "=%+!X 140 Pendapatan Gambar 2. tetapi ada faktor-faktor lain yang ikut mempengaruhi. Sehingga garis regresi linier sederhana dengan persamaan penduga menjadi : [2.4b]. Kesalahan pengganggu e tersebut menyebabkan ramalan menjadi kurang tepat terhadap garis regresi penduga seperti: [2. dan nilai-nilai kebetulan. " = 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.

Seperti yang ditunjukkan pada Gambar 2. dan Nilai Kesalahan Penganggu ei e1 (+ (+) e3 " e2 (-) Y2 150 160 16 PDF created with pdfFactory Pro trial version www. dan ei. Hubungan antara nilai kesalahan e.pdffactory. ei = Yi . " = b0 + b1 X dan Yi = " + e [2.Karena dalam suatu pendugaan nilai A dan B tidak dapat dihitung (belum diketahui nilainya). Nilai e dapat berharga positif bila nilai pengamatan Yi berada di atas garis penduga ".8]. 150 125 Konsumsi 100 75 50 25 0 120 130 140 Pendapatan Gambar 2.7a]. " = b0 + b1 X untuk sampel Jadi a dan b atau b0 dan b1 sebagai penaksir A dan B. sehingga garis regresi linier penduga mempunyai bentuk persamaan: [2.com .(b0 + b1 X) atau Nilai e sebagai penduga nilai kesalahan E adalah kesalahan penggangu populasi dan e adalah kesalahan penganggu sampel.3 dengan menggambar scatter diagram dengan ". Nilai Penduga ".3. dan dapat pula berharga nol bila nilai pengamatan Yi berada tepat pada garis penduga ".7b]. dengan nilai penduga " dan dengan nilai pengamatan Yi dapat ditulis: [2. biasanya ditaksir dengan nilai a dan b atau dengan nilai b0 dan b1.6]. maka penulisannya menjadi seperti: [2. dapat berharga negatif bila nilai pengamatan Yi berada di bawah garis penduga "." Untuk sejumlah n pasangan pengamatan. Nilai Pengamatan Yi. Yi. e = Yi .

Cara pendekatan terakhir disebut dengan Metode Kuadrat Terkecil atau dengan Least Squares Methods. dan harus betul-betul tepat atau cocok. Suatu syarat penaksir garis atau garis penduga yang terbaik. Metode kuadrat terkecil (OLS = ordinary least squares) Selain.2.7.Y. Cara ini lebih baik dari cara pertama sebab tidak ada saling kompensasi antara nilai ei yang negatif dengan positif. Garis penduga merupakan garis regresi yang terbaik. penaksir pangkat dua terkecil (metode kuadrat terkecil) yang mempunyai ragam paling kecil. Garis penduga merupakan garis regresi yang terbaik. metode kuadrat terkecil mempunyai beberapa kelebihan daripada metode-metode lain. sehingga garis regresi penduga yang dihasilkan akan mendekati ketepatannya. apabila jumlah harga mutlak dari nilai kesalahan atau %&e& adalah minimal. Dengan memakai nilai kuadrat. disebut metode yang terbaik bagi penduga garis regresi linier sederhana?.com . Model regresi atau bentuk fungsi yang dipakai haruslah mendekati titik-titik pasangan X. 2. Perhitungan matematis dari metode kuadrat terkecil cukup sederhana. 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. 2.") = minimal. Dengan mengkuadratkan nilai kesalahan ei yang kecil (pecahan) maka akan diperkecil mendekati nol. bila digunakan sebagai garis penduga. sebab nilai negatif mengkompen nilai positif. Selain teori kuadrat terkecil. 4).4. di samping mempunyai nilai ragam galat atau ragam kesalahan atau ragam residu atau ragam sisa yang terkecil. hal-hal tersebut di atas. 3). 17 PDF created with pdfFactory Pro trial version www. tetapi harus memenuhi juga syarat-syarat yang lain yaitu: 1). Sesuai dengan teori aljabar maka akibatnya %ei sama dengan nol (minimal). yang menunjukkan hubungan antara variabel bebas X dan variabel tak bebas Y. diantaranya: 1).pdffactory.7 Pendekatan Garis Penduga Terbaik Ada beberapa cara pendekatan matematika untuk mendapatkan garis regresi penduga yang terbaik seperti: 1. apabila jumlah pangkat dua (kuadrat) nilai kesalahan-kesalahan (ei) adalah minimal atau ditulis dengan 2 rumus: %e i = 0. 2).2. Mempunyai derajad keeratan hubungan yang maksimum atau koefisien korelasi tertinggi. dan bila nilai ini diminiumkan. Garis penduga menjadi garis regresi terbaik apabila jumlah semua kesalahan adalah minimal ditulis dengan: %ei = minimal atau %( Yi . hal ini akan dibicarakan pada uji kecocokan garis regresi 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. Mengapa metode kuadrat terkecil. di mana Y = A + BX + E. 3. ada suatu teori Maximum Like Lihood Estimation yang kedua-duanya membuktikan bahwa meminimalkan kesalahan ei merupakan estimasi atau penaksiran yang terbaik. maka semua nilaidari kesalahan atau simpangan ei akan berubah menjadi positif. Hal ini akan dibahas dalam penggunaan koefisien korelasi dalam uji garis regresi. 2). seperti yang ditunjukkan pada Gambar 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. Dengan mengambil fungsi turunan pertama parsiil G terhadap b0 dan b1 serta menyamakannya dengan nol. suatu syarat yang perlu dan khusus. Xp) akan minimum jika.com . 2 2 2 dapat ditulis: 18 PDF created with pdfFactory Pro trial version www. yaitu turunan pertama parsiil dari G terhadap masing-masing nilai b0 dan b1 sama dengan nol. maka diperoleh dua persamaan seperti di bawah ini. maka sistem persamaan normal dari [2.10].Xi) = 0 Perhatikan faktor pengali yang berada dimuka tanda sama dengan (=). &Yi Xi . maka nilai G akan minimum jika semua fungsi turunan pertama parsiilnya. Persamaan (2.b0 . adalah garis regresi 2 yang mempunyai nilai &ei minimal.b1 &Xi = 0 [2. atau [2. Pernyataan matematis di atas dapat dijabarkan menjadi: " = b0 + b1 X dan Y = " + e sehingga ei = Yi .11] dan [2. &Yi .b1 &Xi = 0 Persamaan-persamaan [2.Manipulasi matematis dari metode kuadrat terkecil akan menghasilkan koefisien a dan b. Apabila dari persamaan-persamaan [2.b0 &Xi .9] di atas merupakan modifikasi dari persamaan-persamaan [2.&b0 . X2. . dengan mengandaikan syarat kedua minimalasasi itu telah terpenuhi. 2 Sehingga fungsi turunan &e atau G terhadap setiap nilai b0.14].13] dan [2.14] di atas disebut dengan persamaan normal." Persamaan [2. Yi = b0i + b1i Xi + ei Telah disebutkan di muka. bahwa garis regresi penduga terbaik.b1 Xi (. .13]. jadi G = &ei2. ei = Yi . Perhatikan pengali dari setiap penaksir-penaksir yang berhubungan koefisien regresi seperti b0 dan b1 Apabila syarat-syarat dalam meminimalkan G dipenuhi. Oleh karena itu.8]. Perhatikan pertanyaan matematis dari persamaan [2. semua fungsi turunan pertama parsialnya ('Y/'X) sama dengan nol.7b] yang ditulis kembali seperti: [2.b0 .14] dapat diselesaikan secara serentak untuk menentukan besarnya nilai b0 dan b1 sebagai penaksir pangkat dua terkecil atau Least Squares Method bagi parameter B0 dan B1. [2.7a]." [2.pdffactory. maka diperoleh persamaan-persamaan seperti: [2.11] turunannya menjadi: 'G/'b0 = 2 ((Yi .1) = 0 Turunan (e i atau G terhadap b1 menjadi: Dari persamaan [2. Untuk memudahkan cara penulisan selanjutnya &ei2 disamakan dengan G.b1 Xi) (. Persamaan (2.12] turunannya menjadi: 'G/'b1 = 2 ((Yi .14) disebut dengan persamaan Normal 2. Turunan (e2i atau G terhadap b0 menjadi: Dari persamaan [2. 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. .13] dan [2. .7b].12] diselesaikan dan diubah cara penyajiannya.13) disebut dengan persamaan Normal 1.9].

2 Perhitungan nilai koefisien regresi linier sederhana Jika diperhatikan kembali sistem persaman normal dari persamaan [2.15].18c] maka perhitungan nilai b1 pada persamaan [2. &Yi Xi . x1 2 = (X1 . 2 2 x2 = (X2 . 2. Y dengan x. Berikut ini diberikan hubungan antara X. &Yi Xi .nb0 /n . &xy = &XY .Y ) disebut dengan JK Y disebut dengan JK X disebut dengan JHK XY [2.13] dan [2. [2.19b]. Dari persamaan [2.18b].14] dapat diselesaikan secara serentak untuk mendapatkan nilai b0 dan b1. b1 = [2.14] di atas dapat ditentukan besarnya nilai b2. sistem persamaan normal [2.16b] dengan modifikasi X dan Y menjadi persamaan dengan huruf kecil dan perhatikan dengan teliti notasi perubah X dan Y yang ditulis dengan huruf kecil x dan y pada persamaan-persamaan berikut ini.b1 &Xi/n) &Xi .13].18c]. &Yi Xi .b1 &Xi2 = 0 Sebelum penyelesaian persamaan [2.15] ke persamaan [2.b1 X = 0 0 (Persamaan Normal 1) atau sehingga akhirnya menjadi: b0 = Y .13].(&Yi /n . Oleh karena jumlah sampel = n diketahui dan jumlah-jumlah yang terdapat dalam sistem persamaan normal itu dapat dihitung dari data sampel.b1 &Xi2 = 0 (Persamaan Normal 2) atau dapat ditulis [2.X 1 ).17].b1 &Xi = 0 (Yi /n .( Y .X 2 ).18a].&X &Y/n Dengan menggunakan persamaan [2.18a] sampai dengan persamaan [2. b1 = ∑ X ∑Y n ( X )2 ∑ 2 ∑X − n 19 PDF created with pdfFactory Pro trial version www.19c].b0 &Xi .16b] maka didapatkan nilai b1 menjadi: [2.16]. y: [2.b1 &Xi2 = 0 [2. Sehingga nilai b0 dan b1 dapat ditentukan dengan perhitungan seperti berikut.16a].b1 X ) &Xi .7.(&Y) /n 2 2 2 [2. 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 − [2.16b].com . &x = &X . 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. dengan memasukkan persamaan [2.19a].Biasanya.&b0 . b0 . dan [2.13] dapat ditentukan nilai b0 yaitu dengan membagi persamaan tersebut dengan jumlah pengamatan (n) sehingga didapatkan persamaan dengan penyelesaian sebagai berikut: [2.pdffactory. dan y = (Y . &Yi .b1 X Selanjutnya. &y = &Y .b1 (Xi/n = Y [2.14] dapat dilihat keteraturan dari cara-cara penyelesaianya.(&X) /n [2.

untuk membuktikan bahwa garis regresi yang diperoleh tersebut merupakan garis regresi yang terbaik untuk menghampiri setiap titik-titik pengamatan X. Unuk menjawab pernyataan tersebut maka dapat dikatakan bahwa garis regresi penduga " = b0 + b1 X nyata secara statistika. Dari Gambar 2.22b] [2.23c] didapatkan bahwa JK Galat Regresi sama dengan JK Total dikurangi dengan JK Regresi.b1 ΣeI xi) G = Σeiyi G = Σyiei G = Σyi (yi .b1 xi Dari persamaan [2.b1 X disubstitusikan ke dalam persamaan [2.b1 X ) .22d] [2.b1 xi) Selanjutnya dari persamaan diatas didapatkan: [2. perlu dilakukan pengujian keberartiannya. 2.21c] yaitu pesamaan untuk nilai ei. ei = yi .20] di mana ei = Yi . Ingat bahwa ei = yi .22a] [2. ei = (Yi . selanjutnya didapatkan Σei atau disebut dengan JK Galat Regresi dengan kode G.20].X ) [2. Dari persamaan [2.20] " = b0 + b1 X sehingga didapatkan pesamaan: [2.23c] sehingga dapat menjadi: 2 G = Σyiyi .22e] G = Σ ei 2 dengan membuka kurung maka atau Persamaan [2.com . " = b0 + b1 X Selanjutnya.bi Xi. 2).8.1 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.pdffactory. 20 PDF created with pdfFactory Pro trial version www.23b] [2.b1 (Xi . G = Σei(yi .4 dapat diuraikan bahwa persamaan [2.22c] [2.8.b1 xi.21c] sehingga atau sebab ΣeIxi = 0 sehingga G = Σeiei. Dan jika persamaan [2.21a]. 3).15] b0 = Y .23a] [2. Pengujian Garis Regresi Linier Sederhana Pengujian garis regresi secara statistika dapat dilakukan dengan tiga cara yaitu: 1).b1 xi) G = Σeiyi .b1 Σyi xi Ingat : Σyiyi = Σyi = JK Total = JK Y Σyixi = JHK YiXi = JHK XY b1 Σyi xi disebut dengan JK Regresi = JK Reg.( Y . sehingga menjadi: [2.b1 Xi [2.Y ) .Sehingga persamaan regresi penduga " dari suatu pengamatan atau untuk pengaruh variabel bebas X terhadap variabel tak bebas Y menjadi: [2.Y.21c]. sehingga dengan mengkuadrat 2 jumlahkan nilai ei. Uji ragam regresi atau uji F regresi Uji koefisien regresi dengan uji-t Uji r garis regresi 2. di mana JK Total atau JK Y sudah dapat dihitung dari data pengamatan.21b]. ei = Yi .b0 .

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

Modifikasi dari pengaruh variabel bebas X terhadap variabel tak bebas Y atu uji F.Hasil perhitungan keragaman di atas dibuatkan Tabel Sidik Ragam Regresi seperti pada Tabel 2. Hal ini berarti bahwa terdapat hubungan linier antara pengaruh X terhadap Y. 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).3.Y.Y tersebut.3 berikut di bawah ini.2 Uji keberartian koefisien regresi (bi) atau uji t Pengujian yang dilakukan dengan uji F seperti cara tersebut di atas.Y. t-hitung W = [2.pdffactory. 2.com . Tabel 2. Jika uji F atau uji ragam regresi menunjukkan bahwa Fhit > F(tabel 5%) barulah dilanjutkan dengan uji t dan sebaliknya.29]. maka dapat dilakukan dengan uji t atau uji koefisien regresi apabila uji F signifikan. Atau dapat dikatakan ini berarti bahwa terdapat hubungan bukan linier pada pasangan pengamatan X. dapat memberikan petunjuk apakah setiap variabel X menunjukkan pengaruh atau hubungan yang nyata terhadap variabel tak bebas Y. 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. Atau dapat dikatakan bahwa garis regresi penduga (") linier sederhana yang didapat tersebut adalah garis regresi penduga yang terbaik untuk menghampiri pasangan pengamatan X.n-2) dan * = taraf nyata ) Kreteria pengujian nilai Fhit adalah: 1). Secara umum uji t mempunyai rumus adalah: W SW W nilai yang diuji.28]. 2). Jika Fhit > F(tabel 5%). maka rumusnya menjadi: [2. Hal ini berarti bahwa garis regresi penduga (") linier sederhana yang didapat tersebut bukan garis regresi yang terbaik untuk menghampiri pasangan pengamatan X. p. Jika Fhit ≤ F(tabel 5%).8. 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(*.

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

Sedangkan.347.35c]. 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.78. dan lain sebagainya.87.com .0. r = 0. dan untuk setiap b0 dan b1 seperti: [2.19c] dan koefisien korelasi r seperti [2.33b].34a]. p {b0 . r = . 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.19c]. Jadi nilai koefisien korelasi itu selalu pecahan seperti: r = 0. p (bi ± t%/2 Sbi Sbi) = 1. b1 = ∑ X ∑Y ∑ XY − n (∑ X ) 2 ∑X − n 2 atau  (∑ X ) 2 2 b1  ∑ X − n  b1 JK X    =  ∑ X ∑Y ∑ XY − n atau dan = JHK XY 24 PDF created with pdfFactory Pro trial version www.t%/2 Sbi ≤ i ≤ bi + t%/2 Sbi} = 1. Lihatlah kembali rumus koefisien regresi seperti [2.3 Uji keeratan hubungan atau uji r Pada uji-uji sebelum ini.34b].35a].33a]. rXY = Σxy Σx 2 Σy 2 JHK XY JK X JK Y atau [2.Rumus dari perkiraan nilai i adalah sebai berikut di bawah ini: [2.% untuk b0 untuk b1 2.t%/2 Sb0 ≤ [2.r .% ≤ b1 + t%/2 Sb1} = 1. p {b1 . uji Koefisien Regresi (uji t) berdasarkan nilai Varians Galat Regresi.pdffactory.8. p {bi . rXY = menjadi: [2. Adapun rumus dari pada koefisien korelasi r adalah: [2. seperti uji Ragam Regresi (uji F).t%/2 Sb1 ≤ 0 1 ≤ b0 + t%/2 Sb0} = 1. Hubungan antara koefisien korelasi r dengan koefisien regresi b2. Sepintas gambaran bahwa nilai r berkisar antara –1 sampai dengan + 1 atau sering ditulis dengan -1 .%.35b].35c]: [2.+2.% atau [2.

36c] b1 [2.36e] sama-sama dibagi dengan didapatkan: [2.36e] b1 [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 persamaan [2.36f] b1 JK X n −1 KT X = r = r JK X n −1 KT Y atau atau [2. apabila nilai koefisien regresinya (b1) negatif. sehingga nilai SY SX = SY = 1. n-2). maka nilai koefisien korelasinya (r) juga negatif.com . 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 [2.35c].36a] b1 JK X = r ( (JK X ) (JK Y ) ) Dari kesamaan [2. Dalam uji r yang umum dialakukan adalah membandingkan nilai koefisien korelasi r yang dihitung atau r hitung dengan r tabel.36d] b1 Jadi: [2.36g] menjadi: [2. dan * = taraf nyata ) 25 PDF created with pdfFactory Pro trial version www.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 ) ) .pdffactory. Nilai r tabel dapat dilihat pada tabel r yang susunannya serupa dengan tabel t. n-2 = db Galat.36b] b1 JK X = r [2. rhitung ) rtabel (di mana rtabel = r(*/2.36a] di atas dapat ditulis kembali menjadi: [2.[2.356] dapat ditulis menjadi: [2.19] dan [2.

38c].37c]. [2. Hal ini dikatakan bahwa tolak H0.38d]. db galat).38b]. db galat).38e]. t-hitung r = r Sr (1 − r 2 ) (n − 2) r (1 − r 2 ) (n − 2) r (n − 2) (1 − r 2 ) di mana Sr = salah baku r sehingga atau [2.com .37a]. yang berarti bahwa terdapat hubungan atau korelasi antara variabel yang satu dengan variabel yang lainnya. yang berarti bahwa terdapat hubungan linier atau korelasi sederhana antara variabel yang satu dengan variabel yang lainnya. [2.35b]. 2). t-hitung r = Berdasarkan hasil uji t untuk nilai r ternyata bahwa kreteria pengujian adalah: 1). [2. [2. 2).38f]. dan dengan garis regresi penduga " dapat dijabarkan kembali melalui persamaan: [2. 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 . Jika thitung Hubungan lain antara parameter r. Jika rhitung > r(tabel 5%. [2.38a]. b1. JK Total 26 PDF created with pdfFactory Pro trial version www.35b] seperti berikut. Jika rhitung ≤ r(tabel 5%. > t(tabel 5%. Jika thitung ≤ t(tabel 5%. Jadi [2. t-hitung r = Sr = [2.pdffactory.Berdasarkan hasil uji r ternyata bahwa kreteria pengujian nilai rhitung adalah: 1). Selain pengujian r seperti di atas nilai r hitung dapat pula diuji dengan menggunakan uji t dengan rumus pengujian seperti berikut yaitu: [2. Hal ini dapat dikatakan bahwa tidak terdapat hubungan atau korelasi antara variabel yang satu dengan variabel yang lainnya. db galat) Hal ini dikatakan bahwa tolak H0. db galat) Hal ini dapat dikatakan bahwa tidak terdapat hubungan linier atau korelasi sederhana antara variabel yang satu dengan variabel yang lainnya.37b]. rXY 2 = JHK XY JK X JK Y 2 Modifikasi dari rumus r atau R adalah seperti berikut: [2.

Atau sering diartikan bahwa koefisien determinasi R adalah persentase dari variabel tak 2 bebas Y yang dipengaruhi oleh variabel bebas X.41c].39d].R yang menunjukkan persentase dari variasi total atau variabel Y yang disebabkan oleh faktor lain diluar X atau variabel selain X.com .40].r 2 ) Kreteria pengujian nilai Fhitung sama seperti pengujian-pengujian di atas. Hal ini berarti bahwa garis regresi penduga (") linier sederhana yang didapat tersebut bukan garis regresi yang terbaik. 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. Hal ini berarti bahwa terdapat hubungan linier yang nyata (p = 0. 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 .r 2 ) r2 Selanjutnya.05). [2. koefisien regresi b1.Yang lebih penting dalam pembicaraan hubungan antara koefisien korelasi r. sehingga kreteria pengujian adalah: 1).pdffactory.r ) . F-hitung = [2.JK Galat r JK Total = JK Total . [2. F-hitung F-hitung = = (n − 2) r 2 JK Total (1.41b]. Jika Fhit ≤ F(tabel 5%).42a].39b].JK Galat JK Galat JK Galat = JK Total .39c].41c] maka menghasilkan: [2.42b]. F-hitung = JK Galat Masukan persamaan [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. sehingga Fhitung mempunyai rumus: [2. Jika Fhit > F(tabel 5%). 27 PDF created with pdfFactory Pro trial version www. dalam analisis keragaman regresi linier sederhana dan uji F di mana DB Regresi = 1 dan DB Galat = n – 2. JK Total = (1 . bahwa terdapat pengaruh antara variabel X terhadap variabel tak bebas Y.r . Sisanya 1 . [2. Dalam analisis keragaman atau uji F regresi di mana: [2. [2.41a]. 2). JK regresi = JK Total .40] ke dalam persamaan [2.r 2 ) JK Total sehingga didapatkan (n − 2) r 2 (1. F-hitung = JK Galat /(n − 2) (n − 2) JK Re grasi [2.39a]. JK Total = KT Re grasi KT Galat JK Re grasi / 1 [2.

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

maka diberikan contoh olahan seperti di bawah ini.890 1.760 141.4.240 0.000 1.100 11.063 1.950 15.873 Y 0.210 112.250 0.555 Y2 0.800 0.500 11.563 0.250 12.750 1.300 8.com .360 56.500 0.250 141. 2).250 1.720 0.875 10.340 5.518 0.040 150.1 Perhitungan JK-JHK dan penentuan koefisien regresi linier sederhana b0 dan b1 Tabel 2.310 16. Perhitungan Regresi Dua Variabel yaitu Variabel X dan Variabel Y No.090 79. Ada dua pengertian pokok yang harus dipahami dalam penaksiran atau pendugaan adalah: 1).540 5.300 5.423 0.900 14.500 11.600 7. sebab garis regresi penduga tersebut harus tahan uji dari beberapa jenis pengujian garis regresi seperti yang telah diuraikan di atas.600 11. Pengertian ekstrapolasi adalah penaksiran atau peramalan nilai Y.410 204.063 166.Interpolasi. seperti disebutkan di atas.563 234.700 1.000 2.250 12.563 3. 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.305 198.950 1.200 12.903 3.563 158.720 1.750 0. 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.323 0.338 7. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Jumlah Rata2 X 9.pdffactory.250 15.810 1.217 29 PDF created with pdfFactory Pro trial version www.360 0.600 0.610 2183.600 12.650 0.900 24.150 0.908 1.305 26.103 1.10. 2.063 110.330 145.863 12.750 10.Di dalam penerapan praktis dari garis regresi penduga " = a + bX dipakai untuk mengadakan peramalan atau penafsiran.4.903 18.490 175.610 231.10 Aplikasi Regresi Linier Sederhana Untuk dapat lebih memahami uraian teori di atas dan agar dapat menentukan nilai-nilai dalam regresi penduga " = b0 + b1X atau koefisien regresi yaitu nilai-nilai b0 dan b1.563 27. yang datanya terdiri dari satu variabel bebas X (prediktor) yaitu nilai X dan satu variabel tak bebas Y yaitu nilai Y. dan datanya seperti pada Tabel 2.300 13.250 126.900 1.900 10.490 11.048 X2 95.900 178.050 1.261 XY 6.900 15. 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.125 14.253 13.400 11.Ekstrapolasi Pengertian interpolasi adalah penaksiran atau peramalan nilai-nilai Y. 2.

873) .720) /15 2.b1 X 1.6893 (x1y = (X1Y . Selanjutnya.16893 X Sehingga. JK Total = = = = (y 2 2 (Y .100)2/15 68.com .720)2/15 2.6037 2 2 2 JK X JHK XY Selanjutnya. maka akan menyebabkan terjadinya perubahan Y sebesar 0.(X1 (Y/n 198.16893 Sehingga. dilakukan pengujian terhadap garis regresi penduga. 3).048 .100)(5. 2).Perhitungan JK-JHK dari data di atas seperti: JK Y = = = = = = = = = (y2 = (Y2 .908 .95776 JHK XY JK X 11.0.43384 2 30 PDF created with pdfFactory Pro trial version www. dari persamaan peduga di atas dapat diartikan bahwa setiap perubahan satu satuan X.(5.2 Pengujian garis regresi linier sederhana dengan uji F Dalam Uji F atau uji Ragam Regresi atau uji Varians Regresi diperlukan nilai-nilai JK Total.908 . dilakukan perhitungan untuk mencari nilai b0 dan b1 seperti berikut ini.0.4 di atas seperti berikut: 1).95776 + 0.((X) /n 2183.253 . persamaan peduganya menjadi: = = b0 + b1 X .6037 68.16893) (11. Nilai b1 adalah: b1 = = = Nilai b0 adalah: b0 = = = " " Y . JK Regresi.((Y)2/n 18. Uji koefisien regresi atau uji terhadap bi atau uji t.((Y) /n 2 18. dan Uji koefisien korelasi atau uji r.720)/15 11.10.4338 (x1 = (X1 . dan JK Galat Regresi dari data Tabel 2.330 . Uji F atau uji ragam regresi atau uji varians regrsi.16893 satuan Y.(178.(0.(5.(178.pdffactory. 2.6893 0. Dalam pengujian garis regresi penduga terdapat tiga macam uji yaitu: 1).

yang berarti bahwa terdapat pengaruh variabel bebas X yang sangat nyata (p<0.03643 2183.47363/13 0. JK Regresi.2. 2.8037 ** F tabel 5% 1% 4. dilakukan pengujian terhadap koefisien regresi b0 dan b1 dengan uji t seperti berikut. = berpengaruh sangat nyata pada p<0. maka di lanjutkan dengan membuat Tabel Analisis Keragaman atau Tabel Analisis Varians Regresi seperti pada Tabel 2.2).5 berikut. Tabel 2.16893) (11.96021 0.10. JK Regresi = = = b1 JHK XY (0.330 15 x 68.96021/1 1. Bagan Sidik Ragam Regresi Dua Variabel Sumber Keragaman (SK) Regresi Residual Total Keterangan: ** Derajat Bebas (DB) 1 13 14 Jumlah Kuadrat (JK) 1. dalam analisis regresi dua variabel nilai salah baku bi yang ditulis dengan Sbi mempunyai persamaan seperti berikut.96021 0.03643 - F hitung 53.com .pdffactory.96021 = = = JK Total .277853 = = 31 PDF created with pdfFactory Pro trial version www. KT Galat Regresi = = = Setelah perhitungan JK Total.JK Regresi 2.47363 2. KT Regresi = = = JK Regresi /(DB Regresi) 1.43384 Kuadrat Tengah (KT) 1.6893 0.01 Berdasarkan hasil analisis varians di atas ternyata bahwa Fhit > F(tabel 1%) atau dapat dikatakan bahwa hipotesis nol ditolak.96021 0. dan KT Galat didapatkan.47363 3). bi Secara umum uji t mempunyai rumus adalah t-hitung bi = S bi Selanjutnya. KT Regresi.3 Pengujian koefisien garis regresi linier sederhana dengan uji t Setelah dilakukan pengujian dengan uji F maka selanjutnya. JK Galat Regresi.03643 2).67 9. JK Galat Regresi Selanjutnya.01) terhadap variabel tak bebas Y.43384 .5. dihitung nilai KT atau varians seperti: 1).07 Jumlah sampel (n) = 15.6037) 1. Untuk pengujian b0 nilai salah baku Sb0 dari data di atas: Sb0 = KT Galat Re gresi ∑ X 2 n JK X 0.96021 JK Galat/ (DB Galat) 0.

277853 = .95776 = 0.* ≤ .35750} = 1 .13) = 2.6893 = = 0.pdffactory. selain untuk pengujian hipotesis.(2.16893 Selanjutnya.023030 = 7. dapat dikatakan bahwa: 1). juga dapat dipakai pada perkiraan nilai interval koefisien regresi b0 dan b1 yang sering disebut dengan perkiraan nilai beta ( ) populasi dengan rumus sebai berikut: p {bi . Garis regresi penduga " = .277853) ≤ 0 ≤ .* 0 p {. atau mempunyai slop sebesar 0.com .16893 X tidak sejajar dengan sumbu X.0. dengan nilai salah baku koefisien regresi b0 dan b1 yang diperoleh.277853)} = 1.* 32 PDF created with pdfFactory Pro trial version www.95776 + 0.0.95776 .0.03643 68.n-2) Sb0 ≤ p { .335101 Berdasarkan hasil uji t ternyata bahwa nlai thitung yang diperoleh dibandingkan dengan ttabel atau t(5%. 2). {Nilai t negatif sama dengan nilai positif (diambil harga Selanjutnya.131) (0.3.* untuk masing-masing b0 dan b1 seperti: dengan nilai salah baku Sb0 dengan * = 5% dari data di atas 0 p {b0 .131 dan t(1%.558029 ≤ ≤ b0 + t(*/2. Ternyata bahwa t-hitung > ttabel 1% baik untuk nilai b0 maupun untuk b2.t*/2 sbi} = 1.947.t(*/2. uji t terhadap nilai koefisien regresi b1: t-hitung b1 = b1 Sb 1 0.16893 X tidak melalui titik 0.023030 Uji t terhadap nilai koefisien regresi b0: t-hitung b0 = b0 Sb 0 .95776 + 0.0.t*/2 sbi ≤ Untuk perkiraan didapatkan: 0 i ≤ bi .n-2) Sb0} = 1.131) (0. Ini berarti bahwa dari analisis tersebut H0 ditolak baik untuk uji b0 maupun untuk uji b1 Sehingga.0 atau titik acuan.16893 = 0.Untuk pengujian b1 nilai salah baku Sb1 dari data di atas: Sb1 = KT Galat Re gresi JK X 0. Garis regresi penduga " = .0. db galat = 13) yaitu sebesar 2.0.95776 + (2.1.4470 mutlaknya)}.

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 3.6 1.9578 + 0.com .54% 2.119176 sampai dengan 0.* 1 untuk b0 p {0.023030) ≤ 1 ≤ 0.253 (Y 2 (Y = = 15.1689 X R2 = 80.t(*/2.* berkisar antara 0. 000) Y = .n-2) Sb1} = 1.2 6.100 2183.4 Pengujian garis regresi linier sederhana dengan uji r Pada uji-uji sebelumnya seperti uji F dan uji t telah dilakukan.n-2) Sb1 ≤ p {0.0 8.720 18.0 16.10.21868} = 1 .Jadi perkiraan nilai Untuk perkiraan didapatkan: 1 0 berkisar antara .1.0 14.330 198.023030)} = 1. Selanjutnya.* ≤ 0.119176 ≤ Jadi perkiraan nilai 1 ≤ b1 + t(*/2.35750 dengan nilai salah baku Sb1 dengan * = 5% dari data di atas 1 p {b1 .000 1.16893 .0 10.pdffactory.8 Konsumsi Daging x100.(2.0 12.131) (0.558029 sampai dengan .908 33 PDF created with pdfFactory Pro trial version www.0.0 Pendapatan Petani ( x 100.0 0.4 0.2 1.0.16893 + (2.1 di atas seperti: (X = 2 (X = (XY = 178.131) (0.6 0.4 1.21868 Berdasarkan perhitungan di atas maka dapat dibuat gambar Garis Regresinya seperti berikut: 2.8 0.0 1.

642. Selain.330 −  18.13) = 2.514.720) 15  (178.131 dan t(1%.13765 = = 6.642.897 > r tabel 1% = 0. Ternyata bahwa t-hitung > ttabel 1%. 13) = 0. db galat = 13) yaitu sebesar 2. Jadi r hitung = 0. Sr Di mana Sr = salah baku r dengan rumus: Sr Sr = = = Sehingga: t-hitung = r Sr 0. pengujian r seperti di atas. Hal ini dapat dikatakan bahwa tolak H0 yang berarti bahwa terdapat hubungan atau korelasi yang sangat erat antara variabel X dengan variabel Y.720) 2   2183. 34 PDF created with pdfFactory Pro trial version www.53 − 0. dan Nilai r tabel 1% = r(1%. nilai r dapat pula diuji dengan uji t. dengan n = 15 maka: Nilai r tabel 5% = r(5%. n-2). 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.com .100) 2   (15.897 0.13765 (1 − r 2 ) (n − 2) (1 − 0.51653 Berdasarkan hasil uji t. Hal ini dapat dikatakan bahwa terdapat hubungan atau korelasi yang sangat erat antara variabel bebas X dengan variabel tak bebas Y. Nilai r tabel = r(*/2.908 −     15 15    198.897 = 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 .pdffactory. dengan rumus pengujian seperti berikut: t-hitung = r .897 2 ) (15 − 2) 0. maka nilai thitung ) ttabel.100) (15. Nilai ttabel atau t(5%. 13) = 0.947.

95776 + 0. taksiran nilai rata-rata .131) (0.95776 + 0.(2. dengan nilai " menjadi: Y " = .XY ≤ " + t(*/2.R = 19. sehingga 0 = 95%. Dengan menggunakan dasar perhitungan analisis ragam regresi dan KT Galatnya seperti di atas didapatkan taksiran nilai rata-rata seperti berikut ini.03643  + 68.73154 68. Sebagai contoh: taksiran nilai rata-rata . n – 2) S Y 0.01377 Selanjutnya.73154 .16893 (10) = 0.7022 0.pdffactory.6893 0. 13) = = = = = = = 0.54% dari variabel tak bebas Y dipengaruhi oleh variabel bebas X. n – 2) S .76088 35 PDF created with pdfFactory Pro trial version www.t(*/2.XY untuk X0 = 10.73154 + (2. 2 Sisanya 1 . maka didapatkan koefisien determinasi R2 = (0. Hal ini diartikan bahwa 80. seperti berikut: " . n – 2) S Y ≤ (XY ≤ ≤ (XY ≤ " + t(*/2. 1).XY: " .873) 2  0.com . n – 2) S Y ≤ .03643 15 11.0. di mana * = 5%.0.873 10 2.0138) 0.54% variasi keragaman total Y atau variasi Y dapat diterangkan oleh variasi X.10.8054.0138) ≤ (XY ≤ 0.46% dari variasi total Y dipengaruhi oleh faktor lain diluar X atau variabel selain X.131) (0.t(*/2.6893  15       =      = 0.897)2 = 0.Berdasarkan perhitungan koefisien korelasi r di atas. 2.16893 X = .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%. atau dapat diartikan bahwa 80.131 Berdasarkan ketentuan di atas maka nilai S dapat dihitung: Y S = Y  1 ( X 0 − X )2 KT Galat Regresi  +  JK X n  _ _ 1 (10 − 11.5 Peramalan atau prediksi pada garis regresi Dalam perhitungan taksiran atau ramalan garis regresi diperlukan selang kepercayaan 0 yaitu sebesar 1 – *.

6893   0.7022 sd 0.131) (0.t(*/2. n – 2) S " . maka (XY berkisar antara 0.(2.76473 ˆ ˆ berkisar antara 0.16893 X = .131) (0. maka Y 76473.t(*/2.131 Berdasarkan ketentuan di atas maka nilai S ˆˆ dapat dihitung: Y S ˆˆ = Y _  1 ( X 0 − X )2  + KT Galat Regresi 1 + n JK X        = =  1 (10 − 11. Hasil perhitungan taksiran rata-rata dan individu nilai-nilai Xi yang lain dapat dilihat pada Tabel 2.Jadi.0.73154 .com . n – 2) S ˆˆ Y ˆ ˆ ≤ 0. n – 2) S ˆˆ Y ˆ ˆ ≤ ≤ Y " + t(*/2.pdffactory. Untuk taksiran individu nilai-nilai Xi yang lain dapat dihitung seperti cara di atas.0138) ≤ Y ˆ ˆ ≤ 0. ˆ ˆ untuk X0 = 10.73154 68. taksiran individu untuk Xi = X0 = 10.873) 2 0. seperti berikut: Sebagai contoh: taksiran nilai individu Y ˆ ˆ ≤ " . Jadi.873 10 2.03643 15 11.6893 0.69835 ≤ Y 0. 2).t(*/2. 13) = 0. n – 2) S ˆˆ ≤ Y ˆ ˆ Y Y " = .0138) 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%.16893 (10) = 0.01558      Selanjutnya.6 di bawah ini.95776 + 0. taksiran nilai individu: " . 69835 sd 0.95776 + 0. Untuk taksiran rata-rata nilai-nilai Xi yang lain dapat dihitung seperti cara di atas.76088.73154 + (2.03643  1 + +  15 68. taksiran rata-rata untuk Xi = X0 = 10.0. 36 PDF created with pdfFactory Pro trial version www.

420 1.057 1.833 0.250 1.0 16.com .843 0.2 1.159 1.900 1.500 0.900 14.254 1.853 0.307 1.119 1.129 1.499 1. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Keterangan : n = X = Y = " = (XY = 15 (jumlah sampel) variabel bebas X variabel tak bebas Y nilai penduga dari Y taksiran rata-rata dari Y taksiran individu dari Y ˆ ˆ Y = dapat digambar seperti pada gambar di bawah ini.600 11.190 1.900 Y 0.924 1.610 1.816 0.789 0.377 1.Tabel 2.183 1.6 0.205 1.950 1. 2.592 0.838 0.497 0.700 1.6 37 PDF created with pdfFactory Pro trial version www.0 10.050 1.221 1.961 1.600 7.250 15.238 1.726 0.0 14.627 0.300 8.150 0.048 0.0 Pendapatan 12.656 0.300 13.250 12.750 10.151 1.556 1.417 1.750 1.496 1.036 ˆ ˆ upper Y 0.259 1.000 1.546 0.244 1.pdffactory.680 0.2 6.105 1.069 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 2.722 0.682 0.171 1.900 10.4 1.650 0.900 15.574 0.932 1.0 0.600 0.662 1.095 1.036 1.953 1.571 0.595 0.250 12.950 " 0.943 1.800 0.720 0.499 0.302 1.199 1.0 1.858 0.239 1.6 Konsumsi daging 1.069 No.200 12.309 1.053 1.053 ˆ ˆ lower (XY lower (XY upper Y 0.048 1.664 1.500 11.500 11.8 1.807 0.689 0.6 Hasil Perhitungan Taksiran Rata-rata (XY dan Taksiran Individu ˆ ˆ dari Nilai-nilai Xi Y X 9.379 1.8 0.458 1.6 di atas.0 Data pada Tabel 2.0 8.653 0.813 0.750 0.794 0.4 0.241 1.281 1.112 1.057 0.558 1.

Nilai ekstrapolasi adalah nilai taksiran atau nilai ramalan dari nilai Y.11 Interpolasi dan ekstrapolasi Jelaslah bahwa dari uraian di atas.0. Dalam hal ini akan diberikan contoh keluaran komputer dengan program Excel seperti pada tabel berikut.1909 15 Table 2.95776 + 0. Di dalam penerapan praktis dari garis regresi penduga " = .0.0.12 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. sebab nilai Xi = 7.5 dan X = 15. seperti X = 7. 2.02303 7.9 Parsial Regression Coefficients Standart t Stat P-value Lower Upper Lower Upper Error 95% 95% 99.55803 .9602 0. 1 Summary Output Excel Table 2. atau untuk mencari nilai Y apabila Xi telah ditentukan.4338 MS 2.0.16893 X terletak di luar batas daerah ruang X1 dan Xn.7 Regression Statistics Multiple R R Square Adjusted R Square Standard Error Observations Table 2.0.16893 X terletak di dalam daerah ruang gerak X1 dan Xn.95776 + 0.8037 Significance F 0. Statistica.0.09956 0. jika harga-harga Xi yang dimasukkan ke dalam persamaan regresi penduga " = .0% Intercept .23830 Var 38 PDF created with pdfFactory Pro trial version www. sebab nilai Xi = 10 berada di dalam antara X1 dan Xn.0364 F 53.27785 .4470 0.0000 0. dan lain sebagainya.12079 X1 0.8 ANOVA SV Regression Residual Total DB 1 13 14 SS 2.95776 + 0.95776 0.2.35750 . SPSS. jika harga-harga Xi yang dimasukan ke dalam persamaan regresi penduga " = . Sistat.8054 0. Minitab.11918 0.00433 .73154.00001 0. pemakaian persamaan penduga " = b0 + b1X.3.21868 0.2.16893 X dapat dipakai untuk mengadakan peramalan atau penafsiran interpolasi dan ekstrapolasi Nilai interpolasi adalah nilai taksiran atau nilai ramalan dari nilai-nilai Y.9602 0.5 dan Xi = 15 berada di luar Xminimum dan Xmaksimum.com .8974 0.4736 2.79474 .pdffactory.2.3351 0.16893 0.0% 99.30922 dan 1. seperti X = 10 maka nilai Y penduga = 0.57615.7904 0. dapat dipakai sebagai peramalan dari nilai-nilai Xi yang belum diketahui. maka nilai Y penduga = 0.

Penjelasan tabel di atas seperti berikut: Table 2. R Square adalah sama dengan koefisien determinasi R2 yang menunjukkan variasi keragaman total Y yang dapat diterangkan oleh variasi variabel X. 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. 1).16893 X. Apabila nilai signifikanse F < (p = 0.95776 + 0. Ini berarti tolak H0 yang menyatakan bahwa garis regresi penduga " = . Akan tetapi. 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. Significance F adalah sama dengan nilai peluang dari nilai F-hitung.8037 dengan significance F = 0. Apabila nilai significance F 1 (p = 0. MS = Means Squarwes atau KT. Sebagai contoh dari hasil analis tersebut di atas didapat nilai F = 53.54% dari variabel tak bebas Y dipengaruhi oleh variabel bebas X. Apabila nilai significance F < (p = 0.05) mempunyai kesimpulan yang sama dengan Fhit ≤ F(tabel 5%).8 ANOVA KT Y n Pada Tabel Anova adalah persis sama dengan Sidik Ragam Regresi. DF = Degrees of Freesom atau = Derajat Bebas (DB). Atau variabel bebas X tidak berpengaruh terhadap variabel tak bebas Y.8974.0000.com . SS = Sum of Squares atau = JK. Dalam hal ini nilai F-hitung tidak dibangingkan dengan F tabel seperti biasa.pdffactory. atau dapat diartikan bahwa 80.05) mempunyai kesimpulan yang sama dengan Fhit > F(tabel 5%).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 0.01) mempunyai kesimpulan yang sama dengan Fhit > F(tabel 1%). F = F-hitung.0. Di mana SV = Sumber Variasi (SV) atau Sumber Keragaman (SK). 2). nilai significance F dibandingkan peluang (p) standar yaitu 5% dan 1%. hal ini berarti tolak H0 yang menyatakan bahwa garis regresi penduga (") linier sederhana yang didapat tersebut adalah garis regresi yang terbaik untuk menerangkan bahwa variabel bebas X berpengaruh sangat nyata terhadap variabel tak bebas Y. adalah garis regresi yang terbaik untuk menerangkan bahwa variabel bebas X (pendapatan petani) berpengaruh sangat nyata terhadap variabel tak bebas Y (pengeluaran petani). hal ini berarti terima H0 yang menyatakan bahwa garis regresi penduga (") linier sederhana yang didapat tersebut bukan garis regresi yang terbaik. 39 PDF created with pdfFactory Pro trial version www.

Tabel 2. Ini berarti tolak H0 karena Pvalue < 0.0). t Stat sama dengan t-hitung untuk b0 dan b1 dengan rumus umum seperti: bi thitung bi = .95776 + 0. Standart Error di sini menunjukkan nilai yang sama dengan Sb0 dan Sb1 dalam pengujian b0 dan b1. Dalam hal ini nilai t-hitung tidak dibangingkan dengan t tabel seperti biasa.05) mempunyai kesimpulan yang sama dengan thit > t(tabel 5%). Apabila nilai P-value < (p = 0.05) mempunyai kesimpulan yang sama dengan thit ≤ t(tabel 5%).0). Sebagai contoh Standart Error untuk b0 (Sb0) = 0. Apabila nilai P-value 1 (p = 0.0) 2). arinya mempunyai slop atau kemiringan = 0. Sehinga nilai t-hitung untuk masing-masing b0 = .00433.0.0. adalah garis regresi penduga tidak sejajar dengan sumbu X.33510. Apabila nilai P-value 1 (p = 0. Untuk b1.3. yang berarti bahwa garis regresi penduga " = . Standart Error dalam Tabel 3 ini berbeda dengan Standart Error dari Tabel 2. dalam analisis ini adalah X. yang berarti bahwa garis regresi penduga " = . 1). 2). hal ini berarti terima H0 yang menyatakan bahwa garis regresi penduga (") linier sederhana sejajar dengan sumbu X pada nilai b0. Demikian juga didapatkan nilai P-value untuk b1 = 0.16893 X.27785 dan Standart Error untuk b1 (Sb1) = 0.95776 + 0. hal ini berarti terima H0 yang menyatakan bahwa garis regresi penduga (") linier sederhana melalui titik acuan (0.05. Intercept sama dengan b0 jarak antara titik potong garis regresi penduga " dengan titik acuan (0.05.pdffactory.05) mempunyai kesimpulan yang sama dengan thit ≤ t(tabel 5%). hal ini berarti tolak H0 yang menyatakan bahwa garis regresi penduga (") linier sederhana melalui tidak sejajar dengan sumbu X dengan slop sama dengan b2.16893.02303.0. nilai P-value dibandingkan peluang (p) standar yaitu 5% atau 1%. 40 PDF created with pdfFactory Pro trial version www. maka 1).44702 dan S bi b1 = 7.00002.95776 dan b1 = 0. tidak melalui titik acuan (0.05) mempunyai kesimpulan yang sama dengan thit > t(tabel 5%). Akan tetapi. maka 1).com .9 Parcial Regression Var adalah sama dengan variabel yang akan dijelaskan.16893 dan sangat nyata. Sebagai contoh dari hasil analisis tersebut di atas didapatkan nilai P-value untuk b0 = 0. Coefficients sama dengan bi dalam hal ini sama dengan b0 dan b2.16893 X. Apabila nilai P-value < (p = 0. hal ini berarti tolak H0 yang menyatakan bahwa garis regresi penduga (") linier sederhana melalui tidak melalui titik acuan (0. Masing-masing b0 = . Untuk b0. P-value adalah sama dengan nilai peluang dari nilai t-hitung.0). Ini berarti tolak H0 karena P-value < 0.

0. dan antara 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%. apabila nilai Lower dan Upper bersifat definit positif atau definit negarif artinya baik Lower maupun Upper mempunyai tanda bilangan yang positif atau negarif ( + .23830 untuk * = 1%.21868 untuk * = 5%.1. .0.558029 sampai dengan . Perkiraan nilai 1 berkisar antara 0.12079 untuk * = 1%.t*/2 sbi} = 1.) berarti dalam uji t-hitung bi menunjukkan signifikansi yang nyata pada taraf * = 5% atau 1%.Lower dan Upper adalah sama dengan perkiraan nilai interval b0 dan b1 atau pendugaan nilai 0 dan 1 dengan rumus: p {bi . Sebaliknya.1.t*/2 sbi ≤ i ≤ bi .* . Perhatikan nilai Lower dan Upper. Nilai 95% atau 99% = 1.com .* tergantung pada nilai * yang dipakai 5% atau 1%.09956 sampai dengan 0.pdffactory. 41 PDF created with pdfFactory Pro trial version www.79474 sampai dengan .119176 sampai dengan 0. Perkiraan nilai 0 berkisar antara . dan antara .35750 untuk nilai * = 5%.

Sign up to vote on this title
UsefulNot useful