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

sedangkan indeks korelasi R untuk menyatakan keeratan hubungan dari bentuk-bentuk linier berganda dan bentuk non linier. Koefisien korelasi r dipakai hanya untuk menyatakan keeratan hubungan yang bersifat linier sederhana. dengan sekurang-kurangnya sebuah variabel bebas X. koefisien korelasi dengan simbul r untuk bubungan linier sederhana dan indeks korelasi dengan simbul R untuk hubungan bukan linier sederhana. korelasi kotingensi.pdffactory. tidak semua variabel atau gejala-gejala alam dapat dicari korelasinya. Selain koefisien korelasi sederhana r. Regresi logaritmik.5 Regresi Linier Sederhana Telah dijelaskan di muka bahwa regresi adalah membicarakan bentuk hubungan atau fungsi antara dua variabel atau lebih. Selain itu. Untuk mendapatkan bentuk hubungan yang sesuai antara variabel bebas X dengan variabel tak bebas Y maka kedua variabel tersebut harus dinyatakan dalam nilai yang terukur atau kuantitatif sekurang-kurangnya dengan skala interval. yang jelas bahwa kedua alat ukur tersebut di atas dapat memberikan sumbangan atau pandangan yang lebih jauh terhadap masalah yang dihadapi. dan korelasi kanonikal. Bentuk yang paling sederhana dari fungsi ini adalah: Y = a + b sin dX + c cos dX. 10 PDF created with pdfFactory Pro trial version www.5). dan korelasi biserial. Tingkat atau derajat keeratan hubungan dapat diukur dengan memakai. ada lagi bentuk-bentuk yang lebih kompleks seperti: Y = a + b sin X + c cos X + d sin X + e cos X +…. Selanjutnya. Perlu ditekankan lebih luas bahwa hubungan dapat dibuat regresinya. dan indeks korelasi R. jika dikuadratkan akan memberikan suatu nilai tertentu yaitu r2 atau R2 yang kadang-kadang nilai r2 atau R2 keduanya diberi simbul yang sama yaitu R2 atau D. Bentuk dari fungsi ini adalah berupa bentuk regresi linier berganda di mana dalam fungsi ini terdapat fungsi trigonometri. yang disebut dengan koefisien korelasi parsiil. dan seterusnya. Model regresi ini adalah: e = a+b Y X atau dapat di tulis menjadi: Y = ln a + b ln X (merupakan trasformasi lilier) 6). 2 Kedua nilai D atau R disebut koefisien determinasi atau koefisien penentu atau indeks penentu. demikian pula. Indeks korelasi R sering disebut juga koefisien korelasi berganda. karena terutama analisis regresi mempunyai daya ramal atau daya taksir yang menyakinkan apabila diuji dengan taraf nyata yang peka atau jitu. Apabila r dan R. Bentuk fungsi dari regresi adalah: di mana variabel bebas Y berfungsi sebagai pangkat (eksponen) dan variabel bebas X mempunyai bentuk perpangkatan. Regresi fungsi geometri. korelasi rank.com . agar lebih berhati-hati dalam menggunakan alat statistika ini di dalam penarikan kesimpulan. mengenai korelasi dan modifikasinya akan dibicarakan tersendiri setelah pembicaraan regresi. Perlu ditekankan bahwa dalam bentuk hubungan tersebut terdapat sebuah variabel tak bebas Y. 2 2 2. terdapat juga modifikasi atau fraksi dari R. Oleh karena itu. Dan inilah yang merupakan tujuan pembicaraan yang pokok pada analisis regresi dan korelasi selanjutnya. Bentuk fungsi ini disebut kurva Faurier. Akan tetapi. korelasi serial.4 K o r e l a s i Pembicaraan mengenai keeratan hubungan atau korelasi yang diukur dengan tingkat atau derajat keeratan hubungan. lebih-lebih membuat suatu keputusan yang lebih jauh. 2.

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

1 di atas. yang mempunyai pengertian bahwa: setiap variabel bebas X akan memberikan atau menghasilkan suatu nilai variabel tak bebas Y yang tertentu. Sejumlah pasangan antara nilai X.000 maka komsumsi makanan semakin meningkat.2 Garis regresi linier sederhana Sekarang bagaimana caranya membuat persamaan garis regresi linier sederhana seperti Gambar 2.Y inilah yang akan menentukan persamaan regresi yang dibuat sesuai dengan asumsi atau model yang digunakan. Dari Tabel 2. sehingga antara variabel X dan variabel Y yang tertentu akan menjadi pasangan-pasangan tetap disebut dengan 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.1.com . Setiap pasangan nilai X.5. No.pdffactory. Model Linier Garis Regresi 2.1.1].Y telah didapatkan. 12 PDF created with pdfFactory Pro trial version www. 1 2 3 4 5 Pengaruh Tingkat Pendapatan terhadap Konsumsi Makanan Bagi Petani Pendapatan 125 150 175 200 225 Konsumsi 75 100 125 135 150 Dari gambar contoh di bawah menunjukkan semakin tinggi pendapatan sampai Rp 225. yang mempunyai bentuk persamaan matematis: Y = A + BX seperti pada persamaan [2.Y. Sehingga dari pasanganpasangan nilai X.1 di atas dapat dibuat garis regresi liniernya seperti Gambar 2.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. sering disebut regresi Y atas X ditulis dengan Y/x.Tabel 2.1 berikut: 175 150 125 Konsumsi (Y) 100 75 50 25 0 100 125 150 B A 175 Pendapatan (X) 200 225 250 Gambar 2. Penentuan garis regresi antara variabel bebas X dengan variabel tak bebas Y.

Pendekatan matematis dengan metode kuadrat terkecil atau least squares method atau sering disebut dengan metode ordinary list squares (OLS).Y tersebut bukan linier. Diagram pencar didapatkan dengan menggambar titik-titik pasangan pengamatan antara X dan Y atau X. Dengan memperhatikan letak titik-titik pasangan pada absis X dan ordinat Y. Metode ini hanya dapat dilakukan oleh seorang ahli dan berpengalaman seperti pada Gambar 2.2. Dasar teori.2. Untuk hal tersebut dan menentukan analisis dan gambarnya dapat dilihat bentuk-bentuk hubungan pada bukubuku matematika.2.3 Penetuan garis regresi linier sederhana Untuk menentukan garis regresi berdasarkan pasangan-pasangan nilai X. Tabel 2. melalui dua buah titik dapat dibuat sebuah garis lurus yaitu PQ yang akan dicari persamaannya. 1 2 Pengaruh Tingkat Pendapatan terhadap Konsumsi Makanan Bagi Petani Pendapatan 125 150 Konsumsi 75 100 Sehingga garis regresi linier yang dapat dibuat dari Tabel 2. Dari persamaan tersebut dengan penyelesaian matematika sehingga akan didapatkan bentuk persamaan liniernya seperti persamaan [2. Bentuk mana yang paling sesuai atau paling dihampiri oleh titik-titik pasangan tersebut.Y. 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. 13 PDF created with pdfFactory Pro trial version www. yang dapat melalui semua titik-titik pasangan X. perhatikan diagram pencar berikut yang berasal dari Tabel 2.Y. di mana kedudukan kedua titik tersebut adalah bebas atau sembarang pada garis regresi yang melewati. tetapi melengkung atau non linier yang paling menghampiri. maka persamaan garis PQ menjadi: Y = A + X. No. Metode tangan bebas.com .Y diberikan dua metode yang umum yaitu: 1).2 berikut. Untuk pendekatan linier atau regresi linier sederhana.Y1 dan !X = X2 .Y pada suatu sistem salib sumbu atau sistem koordinat. Bahwa suatu garis regresi yang akan didapat dan akan mendekati titik-titik pasangan X. 2). Perhatikan sudut yang sisi-sisi siku-sikunya adalah !Y = Y2 .pdffactory. jika sebaran titik-titik pasangan X. maka cukup beralasan untuk menduganya dengan persamaan regresi linier sederhana atau regresi garis lurus.5. Dilain pihak. maka kumpulan titik-titik tersebut dapat memberi petunjuk untuk memperkirakan garis regresi yang akan dibuat.2. Maka dapat dibuat persamaannya dengan menggunakan dua buah titik.1]. Garis regresi yang melalui dua buah titik pengamatan P dan Q.Y tersebut disekitar garis lurus. Tentu saja atau pada umumnya tidak dapat ditarik atau digambarkan suatu garis regresi yang sederhana. Jika pencaran atau sebaran titik pasangan X.2 seperti pada Gambar 2.X1 sehingga tangen sudut = !Y/!X.1 di muka antara tingkat pendapatan (X) dengan konsumsi (Y) diambil sebagaian saja seperti pada Tabel 2.

com . juga dapat dipergunakan sebagai pendekatan bentuk hubungan yang bukan linier (non linier) menjadi bentuk linier. A sering disebut intersep atau intercept coefficient dan B ialah: koefisien arah adalah koefisien garis regresi yang sama dengan tangen arah yang menunjukkan besarnya pengaruh perubahan X terhadap perubah Y yaitu apabila variabel X naik atau turun atau berubah satu unit satuan X. Q dan R. 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. Perhatika Gambar 2. Dalam beberapa hal dimungkinkan untuk mengecek atau menguji asumsi atau hipotesis setelah bentuk hubungan itu diperkirakan.pdffactory. Suatu pertanyaan yang berhubungan dengan hal tersebut di atas adalah: "Kapankah suatu garis regresi dapat dikatakan sebagai garis regresi yang baik?".Yi sebagai garis regresi tersebut.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. YPR.3 di bawah ini. Untuk itu haruslah terlebih dahulu mengetahui apa yang dimaksud dengan garis regresi yang baik. dan YQR yang merupakan garis regresi terbaik sebagai penghampir titik-titik pasangan pengamatan Xi. apabila nilai X = 0. Perhitungan = !Y/!X Secara Sederhana 2. 14 PDF created with pdfFactory Pro trial version www.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. yang dipakai untuk menghampiri titik-titik P. maka variabel Y bertambah atau menurun atau berubah sebanyak B kali. Seperti pada persamaan [2.3 di atas yang manakah dari ketiga garis tersebut termasuk garis regresi yang terbaik. 0) dengan perpotongan antara sumbu tegak Y dengan garis linier atau besarnya nilai variabel Y. Dengan demikian kembali ke Gambar 2.X1 Y = Y2-Y1 Y2 A Y1 X1 140 Pendapatan X2 160 Gambar 2. yaitu parameter yang digunakan.2. A ialah: jarak titik acuan (0. Oleh karena dalam pembicaraan ini hendak berusaha mencari cara untuk menentukan persamaan garis regresi linier sederhana yang baik atau yang terbaik. Apabila ada garis tertentu selain ketiga garis YPQ.125 Q 100 P Konsunsi 75 50 25 0 120 ! X = X2 . Suatu bentuk hubungan atau fungsi linier atau regresi linier di samping mudah interprestasinya.

3. Faktor-faktor tersebut yang dapat terdiri atas: salah hitung.pdffactory. salah catat.4a].3a].com .4c]. tidak hanya tergantung pada variabel bebas X saja.3c]. Untuk melakukan dugaan atau membuat keputusan selalu ada resiko walaupun betapa kecilnya. Kesalahan pengganggu e tersebut menyebabkan ramalan menjadi kurang tepat terhadap garis regresi penduga seperti: [2.5]. " = b1 + b2 X Suatu hal yang harus dipahami bahwa dalam pendugaan garis regresi. " = A + BX untuk populasi Jadi kesalahan e tersebut dapat mengakibatkan adanya resiko. 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). alat kurang sempurna. resiko tersebut hendaknya dibuat sekecil-kecilnya atau minimal. Oleh karena itu. 15 PDF created with pdfFactory Pro trial version www. Sehingga garis regresi linier sederhana dengan persamaan penduga menjadi : [2. Faktor-faktor tersebut secara keseluruhan dinamakan kesalahan pengganggu (disturbance error) yang diberi simbul dengan e. dan nilai-nilai kebetulan. besarnya nilai variabel tak bebas Y. " = 0 1 X + + 1 2 atau ditulis dengan X X atau ditulis dengan atau untuk sampel atau untuk populasi [2.150 R 125 100 75 50 25 0 120 Q P Konsunsi "=%+!X 140 Pendapatan Gambar 2. " = % + [2. salah ukur. " = [2.4b]. " = a + b X [2. Kadang-kadang nilai e diartikan faktor-faktor tertentu yang belum diketahui penyebabnya atau faktor-faktor yang belum dijelaskan.3b]. tetapi ada faktor-faktor lain yang ikut mempengaruhi. " = b0 + b1 X [2. serta banyak lagi nilai-nilai yang lainnya.

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

com . Sesuai dengan teori aljabar maka akibatnya %ei sama dengan nol (minimal). Garis penduga merupakan garis regresi yang terbaik. dan bila nilai ini diminiumkan. ada suatu teori Maximum Like Lihood Estimation yang kedua-duanya membuktikan bahwa meminimalkan kesalahan ei merupakan estimasi atau penaksiran yang terbaik. Garis penduga merupakan garis regresi yang terbaik. Metode kuadrat terkecil (OLS = ordinary least squares) Selain.Y. 2. metode kuadrat terkecil mempunyai beberapa kelebihan daripada metode-metode lain. di mana Y = A + BX + E. 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. Garis penduga menjadi garis regresi terbaik apabila jumlah semua kesalahan adalah minimal ditulis dengan: %ei = minimal atau %( Yi . disebut metode yang terbaik bagi penduga garis regresi linier sederhana?. Hal ini akan dibahas dalam penggunaan koefisien korelasi dalam uji garis regresi.4. 3).pdffactory. 2. yang menunjukkan hubungan antara variabel bebas X dan variabel tak bebas Y. diantaranya: 1). seperti yang ditunjukkan pada Gambar 2. Dengan memakai nilai kuadrat. sebab nilai negatif mengkompen nilai positif. maka semua nilaidari kesalahan atau simpangan ei akan berubah menjadi positif. Perhitungan matematis dari metode kuadrat terkecil cukup sederhana. apabila jumlah pangkat dua (kuadrat) nilai kesalahan-kesalahan (ei) adalah minimal atau ditulis dengan 2 rumus: %e i = 0. 3. sehingga garis regresi penduga yang dihasilkan akan mendekati ketepatannya. dan harus betul-betul tepat atau cocok. Mempunyai derajad keeratan hubungan yang maksimum atau koefisien korelasi tertinggi. 4).") = minimal. 2). Cara ini lebih baik dari cara pertama sebab tidak ada saling kompensasi antara nilai ei yang negatif dengan positif. 2). hal ini akan dibicarakan pada uji kecocokan garis regresi penduga. hal-hal tersebut di atas. Mengapa metode kuadrat terkecil.2.2. apabila jumlah harga mutlak dari nilai kesalahan atau %&e& adalah minimal. Model regresi atau bentuk fungsi yang dipakai haruslah mendekati titik-titik pasangan X. Dengan mengkuadratkan nilai kesalahan ei yang kecil (pecahan) maka akan diperkecil mendekati nol. Cara pendekatan terakhir disebut dengan Metode Kuadrat Terkecil atau dengan Least Squares Methods.7. 17 PDF created with pdfFactory Pro trial version www. tetapi harus memenuhi juga syarat-syarat yang lain yaitu: 1). bila digunakan sebagai garis penduga.7 Pendekatan Garis Penduga Terbaik Ada beberapa cara pendekatan matematika untuk mendapatkan garis regresi penduga yang terbaik seperti: 1. penaksir pangkat dua terkecil (metode kuadrat terkecil) yang mempunyai ragam paling kecil. di samping mempunyai nilai ragam galat atau ragam kesalahan atau ragam residu atau ragam sisa yang terkecil. 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. Suatu syarat penaksir garis atau garis penduga yang terbaik. Selain teori kuadrat terkecil.

maka nilai G akan minimum jika semua fungsi turunan pertama parsiilnya. Turunan (e2i atau G terhadap b0 menjadi: Dari persamaan [2.Manipulasi matematis dari metode kuadrat terkecil akan menghasilkan koefisien a dan b. Dengan mengambil fungsi turunan pertama parsiil G terhadap b0 dan b1 serta menyamakannya dengan nol.8]. jadi G = &ei2.7a]. Secara matematis &ei minimal dapat dinyatakan dengan teori defrensial bahwa turunan 2 pertama dari: &ei terhadap b0 dan terhadap b1 haruslah sama dengan nol atau dapat 2 ditulis: '&ei / 'bi = 0.&b0 .13] dan [2. . Untuk memudahkan cara penulisan selanjutnya &ei2 disamakan dengan G. Yi = b0i + b1i Xi + ei Telah disebutkan di muka. Apabila dari persamaan-persamaan [2.7b].b0 &Xi .13]. Xp) akan minimum jika.9] di atas merupakan modifikasi dari persamaan-persamaan [2. X2." Persamaan [2. bahwa garis regresi penduga terbaik. maka sistem persamaan normal dari [2.1) = 0 Turunan (e i atau G terhadap b1 menjadi: Dari persamaan [2.10].b0 . &Yi .12] diselesaikan dan diubah cara penyajiannya. Perhatikan pengali dari setiap penaksir-penaksir yang berhubungan koefisien regresi seperti b0 dan b1 Apabila syarat-syarat dalam meminimalkan G dipenuhi. yaitu turunan pertama parsiil dari G terhadap masing-masing nilai b0 dan b1 sama dengan nol.14) disebut dengan persamaan Normal 2. suatu syarat yang perlu dan khusus.12] turunannya menjadi: 'G/'b1 = 2 ((Yi . [2.7b] yang ditulis kembali seperti: [2. maka diperoleh dua persamaan seperti di bawah ini. semua fungsi turunan pertama parsialnya ('Y/'X) sama dengan nol. atau [2. . Perhatikan pertanyaan matematis dari persamaan [2.b1 Xi) (.b0 .b1 &Xi = 0 [2. dengan mengandaikan syarat kedua minimalasasi itu telah terpenuhi.11] turunannya menjadi: 'G/'b0 = 2 ((Yi . &Yi Xi .9]. ei = Yi . maka diperoleh persamaan-persamaan seperti: [2. .13) disebut dengan persamaan Normal 1.pdffactory. Oleh karena itu." [2. Pernyataan matematis di atas dapat dijabarkan menjadi: " = b0 + b1 X dan Y = " + e sehingga ei = Yi .11] dan [2.b1 &Xi = 0 Persamaan-persamaan [2.14]. 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. 2 Sehingga fungsi turunan &e atau G terhadap setiap nilai b0. Persamaan (2.14] 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. adalah garis regresi 2 yang mempunyai nilai &ei minimal. .b1 Xi (.Xi) = 0 Perhatikan faktor pengali yang berada dimuka tanda sama dengan (=).13] dan [2.com .14] di atas disebut dengan persamaan normal. 2 2 2 dapat ditulis: 18 PDF created with pdfFactory Pro trial version www. Persamaan (2.

b1 X ) &Xi .16b].13].18c].14] dapat diselesaikan secara serentak untuk mendapatkan nilai b0 dan b1.Biasanya.com .b1 X Selanjutnya. &Yi Xi . 2 2 x2 = (X2 .19a].&b0 .(&X) /n [2.2 Perhitungan nilai koefisien regresi linier sederhana Jika diperhatikan kembali sistem persaman normal dari persamaan [2.X 2 ).14] dapat dilihat keteraturan dari cara-cara penyelesaianya. 2.(&Y) /n 2 2 2 [2. b1 = ∑ X ∑Y n ( X )2 ∑ 2 ∑X − n 19 PDF created with pdfFactory Pro trial version www.13] dapat ditentukan nilai b0 yaitu dengan membagi persamaan tersebut dengan jumlah pengamatan (n) sehingga didapatkan persamaan dengan penyelesaian sebagai berikut: [2.19b].b1 &Xi2 = 0 Sebelum penyelesaian persamaan [2.17].19c].18a]. [2.(&Yi /n . b1 = Σxy Σx 2 atau dengan menggunakan notasi lain nilai b1 menjadi: JHK XY atau dengan menggunakan notasi lain nilai b1 menjadi: JK X ∑ XY − [2. &xy = &XY .15] ke persamaan [2. y: [2.b0 &Xi .X 1 ). &y = &Y . &Yi . &Yi Xi . Dari persamaan [2.16b] maka didapatkan nilai b1 menjadi: [2. x1 2 = (X1 . dan y = (Y .16].pdffactory. b0 .13] dan [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. Oleh karena jumlah sampel = n diketahui dan jumlah-jumlah yang terdapat dalam sistem persamaan normal itu dapat dihitung dari data sampel.13].18b].b1 &Xi = 0 (Yi /n .b1 &Xi/n) &Xi .b1 &Xi2 = 0 [2.( Y .14] di atas dapat ditentukan besarnya nilai b2.nb0 /n . Berikut ini diberikan hubungan antara X.7. dengan memasukkan persamaan [2.15].16a].b1 X = 0 0 (Persamaan Normal 1) atau sehingga akhirnya menjadi: b0 = Y . b1 = [2. sistem persamaan normal [2.b1 &Xi2 = 0 (Persamaan Normal 2) atau dapat ditulis [2.Y ) disebut dengan JK Y disebut dengan JK X disebut dengan JHK XY [2. &Yi Xi .18a] sampai dengan persamaan [2. dengan demikian koefisien regresi b0 dan b1 dalam analisis regresi linier sederhana yang mengandung sebuah variabel bebas X dan sebuah variabel tak bebas Y dapat ditaksir atau dihitung. dan [2.&X &Y/n Dengan menggunakan persamaan [2.18c] maka perhitungan nilai b1 pada persamaan [2.b1 (Xi/n = Y [2. &x = &X . Sehingga nilai b0 dan b1 dapat ditentukan dengan perhitungan seperti berikut. Y dengan x.

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

Yi. . dan ei di bawah ini. JK Regresi = b1 JHK XY 2). ".26b] JK Regresi = b1 Σyi x1 + b2 Σyi x2 + .pdffactory. Sehingga sesuai dengan persamaan [2. .((Y)2/n 3). dan JK Galat) seperti berikut: [2. KT Regresi KT Galat = = JK Regresi /(DB Regresi) JK Galat/ (DB Galat) Berdasarkan pada asumsi sebaran normal untuk komponen pengganggu e. JK Regresi. Untuk menyederhanakan penulisan dan pengertian di atas.JK Regresi. + bp JHK XpY) Komponen penyusun Tabel Sidik Ragam Regresi adalah: 1).4. maka selanjutnya JK Galat Regresi disingkat dengan JK Galat.b] berlaku umum untuk p variabel bebas X sehingga persamaannya menjadi: [2. JK Galat = JK Total .25a] [2. ". dan ei Sehingga. 2).25a. maka JK Regresi mempunyai rumus: [2.27] Fhit = KT Regresi KT Galat 21 PDF created with pdfFactory Pro trial version www.JK Regresi Selanjutnya dihitung nilai KT atau varians seperti: 1). Nilai-nilai Y . hubungan antara komponen-komponen pada analisis keragaman (JK Total. Yi.Perhatikan Gambar 2.24].25b] JK Regresi = b1 Σyi xi JK Regresi = b1 JHK XY atau dapat ditulis: Persamaan [2. . + bp Σyi xp JK Regresi = (b1 JHK X1Y + b2 JHK X2Y + .23c]. 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 2.26a] [2. JK Total = Jk Y = (Y2 . dan nilai-nilai Y .com . JK Regresi dengn JK Reg (tanpa titik) dan JK Total dengan JK Tot atau JK Y (tanpa titik). maka besarnya nilai F (F-hitung) adalah: [2. JK Galat = JK Total .4. .

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

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

r = .33a].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.35a].78.%. r = 0. rXY = menjadi: [2.r .19c].347. 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. Hubungan antara koefisien korelasi r dengan koefisien regresi b2. dan lain sebagainya.3 Uji keeratan hubungan atau uji r Pada uji-uji sebelum ini.35c]. dan untuk setiap b0 dan b1 seperti: [2. Sedangkan. p {b0 .35b]. p (bi ± t%/2 Sbi Sbi) = 1.% atau [2. rXY = atau menggunakan notasi lain maka nilai r ∑ X ∑Y ∑ XY −  (∑ X ) 2 2  − X ∑  n  n  (∑ Y ) 2 2   − Y ∑  n      (n = jumlah sampel) Perhitungan nilai r berdasarkan rumus di atas disebut nilai koefisien korelasi seserhana atau koefisien korelasi order nol atau koefisien korelasi produc moment atau koefisien korelasi Pearson. seperti uji Ragam Regresi (uji F).com . p {b1 .19c] dan koefisien korelasi r seperti [2.34a].0. p {bi . Lihatlah kembali rumus koefisien regresi seperti [2.% untuk b0 untuk b1 2. Adapun rumus dari pada koefisien korelasi r adalah: [2.Rumus dari perkiraan nilai i adalah sebai berikut di bawah ini: [2. rXY = Σxy Σx 2 Σy 2 JHK XY JK X JK Y atau [2.t%/2 Sb1 ≤ 0 1 ≤ b0 + t%/2 Sb0} = 1.pdffactory. Jadi nilai koefisien korelasi itu selalu pecahan seperti: r = 0.t%/2 Sb0 ≤ [2. uji Koefisien Regresi (uji t) berdasarkan nilai Varians Galat Regresi.87.34b].+2.35c]: [2.8. Sepintas gambaran bahwa nilai r berkisar antara –1 sampai dengan + 1 atau sering ditulis dengan -1 .t%/2 Sbi ≤ i ≤ bi + t%/2 Sbi} = 1.% ≤ b1 + t%/2 Sb1} = 1.

35c].36g] menjadi: [2.[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.pdffactory. maka nilai koefisien korelasinya (r) juga negatif.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. apabila nilai koefisien regresinya (b1) negatif. sehingga persamaan [2.36g] b1 SX = r SY Apabila data yang dianalisis dinyatakan dalam nilai standar baku atau data di transformasi ke nilai Z (di mana ZX = (Xi − X ) ) SX − − dan ZY = (Yi − Y ) ) . Nilai r tabel dapat dilihat pada tabel r yang susunannya serupa dengan tabel t.com .36c] b1 [2.36d] b1 Jadi: [2.36h] b1 = r Yang jelas dalam uji r.36b] b1 JK X = r [2.356] dapat ditulis menjadi: [2. n-2 = db Galat. sehingga nilai SY SX = SY = 1. n-2).36e] b1 [2.36e] sama-sama dibagi dengan didapatkan: [2.19] dan [2.36f] b1 JK X n −1 KT X = r = r JK X n −1 KT Y atau atau [2. dan * = taraf nyata ) 25 PDF created with pdfFactory Pro trial version www.36a] di atas dapat ditulis kembali menjadi: [2. r = ∑ X ∑Y ∑ XY −  (∑ X ) 2 2 X  − ∑  n  n  (∑ Y ) 2 2 Y   − ∑  n      atau dapat ditulis r = ∑ X ∑ Y di mana ∑ XY − n = JHK XY r ( (JK X ) (JK Y ) ) Dari kesamaan kedua persamaan di atas [2. rhitung ) rtabel (di mana rtabel = r(*/2.

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

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

yang umum disebut dengan selang kepercayaan " atau interval taksiran garis regresi penduga ". 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.com .43]. S 2ˆ = KT Galat Regresi 1 + + ˆ Y n    1 2. JK X dan KT Galat Regresi dari Analisis Varians Regresi X0 = suatu nilai Xi yang telah diketahui atau ditentukan 2). masing-masing taksiran tersebut adalah: 1). " . Dalam perhitungan nilai selang kepercayaan juga menggunakan dasar Analisis Ragam Regresi.   _ X = nilai rata-rata Xi. n = jumlah penamatan atau sampel. bahwa pemakaian persamaan penduga " = a + bX. 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 _   .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 . n – 2) S " . dapat dipakai sebagai peramalan dari nilai-nilai Xi yang belum diketahui. atau untuk mencari nilai Y apabila Xi telah ditentukan. 28 PDF created with pdfFactory Pro trial version www. dalam penaksiran diperlukan selang kepercayaan nilai 0 yaitu sebesar 1 – * di mana * adalah peluang kesalahan tipe I. [2.9 Peramalan atau Prediksi Garis Regresi Pembicaraan mengenai perkiraan nilai populasi beta ( ) pada persamaan [2.1 Interpolasi dan ekstrapolasi Jelaslah bahwa dari uraian di atas.t(%/2. n – 2) S Y ≤ (XY ≤ " + t(%/2.44].2. Selanjutnya.pdffactory.Taksiran nilai individu [2.t(%/2. Dengan demikian. dan b) penaksiran atau peramalan nilai individu Y apabila nilai Xi tertentu yang telah diketaui.Taksiran nilai rata-rata. Dalam penaksiran atau peramalan garis regresi membicarakan sejauh mana garis regresi penduga " yang telah didapat betul-betul dapat dipercaya sebagai penduga garis .33] bertujuan untuk mengetahui perkiraan nilai interval koefisien regresi populasi i baik b0 maupun b2.XY. ˆ ˆ ≤ " + t(%/2.XY yang terbaik. sehingga terdapat daerah atau range. 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 ".

310 16.360 0.040 150.250 1.900 1.210 112.500 11.10.063 110.250 12.250 141.950 15.540 5.900 15.330 145.500 11.760 141.900 24.323 0.720 1.048 X2 95.600 12.908 1. Perhitungan Regresi Dua Variabel yaitu Variabel X dan Variabel Y No.875 10. 2.900 10. 2.810 1.305 26.250 0.Interpolasi.103 1.410 204.240 0.250 15.900 178.Di dalam penerapan praktis dari garis regresi penduga " = a + bX dipakai untuk mengadakan peramalan atau penafsiran. 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.261 XY 6.063 166.300 8.720 0. 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.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 b1.500 0.300 5.890 1. Timbul suatu pertanyaan apakah setelah didapatkan suatu garis regresi penduga " = a + bX sudah betul-betul merupakan garis regresi yang terbaik untuk melakukan penaksiran atau peramalan? Tentu saja jawabannya belum tentu.com . Pengertian ekstrapolasi adalah penaksiran atau peramalan nilai Y.610 231. Ada dua pengertian pokok yang harus dipahami dalam penaksiran atau pendugaan adalah: 1).338 7.750 1.563 234.903 18.750 10.250 12.863 12.600 7.125 14. dan datanya seperti pada Tabel 2. maka diberikan contoh olahan seperti di bawah ini.555 Y2 0.563 0.090 79. sebab garis regresi penduga tersebut harus tahan uji dari beberapa jenis pengujian garis regresi seperti yang telah diuraikan di atas.150 0.050 1.100 11.1 Perhitungan JK-JHK dan penentuan koefisien regresi linier sederhana b0 dan b1 Tabel 2.563 158.873 Y 0.Ekstrapolasi Pengertian interpolasi adalah penaksiran atau peramalan nilai-nilai Y.650 0.518 0.400 11.800 0.pdffactory.900 14. 2).305 198.4.903 3.490 11.490 175.253 13. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Jumlah Rata2 X 9.217 29 PDF created with pdfFactory Pro trial version www.423 0.600 0.563 27.4.950 1.600 11.063 1.700 1.340 5.250 126.563 3.000 1.200 12.750 0.360 56.000 2.300 13.610 2183. 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.

95776 + 0.873) .((Y) /n 2 18.6893 (x1y = (X1Y .(5. dari persamaan peduga di atas dapat diartikan bahwa setiap perubahan satu satuan X. JK Regresi.048 .720)2/15 2. dan Uji koefisien korelasi atau uji r.2 Pengujian garis regresi linier sederhana dengan uji F Dalam Uji F atau uji Ragam Regresi atau uji Varians Regresi diperlukan nilai-nilai JK Total.100)2/15 68. Dalam pengujian garis regresi penduga terdapat tiga macam uji yaitu: 1).100)(5.((Y)2/n 18.b1 X 1.4338 (x1 = (X1 .16893) (11.720)/15 11.330 .6037 68.((X) /n 2183. 3).6037 2 2 2 JK X JHK XY Selanjutnya. JK Total = = = = (y 2 2 (Y . Selanjutnya.16893 Sehingga.908 . dilakukan pengujian terhadap garis regresi penduga.95776 JHK XY JK X 11. 2).10. Uji koefisien regresi atau uji terhadap bi atau uji t.0. maka akan menyebabkan terjadinya perubahan Y sebesar 0.Perhitungan JK-JHK dari data di atas seperti: JK Y = = = = = = = = = (y2 = (Y2 .4 di atas seperti berikut: 1).(0.720) /15 2.16893 satuan Y.(5. persamaan peduganya menjadi: = = b0 + b1 X .com .908 .43384 2 30 PDF created with pdfFactory Pro trial version www.16893 X Sehingga.(X1 (Y/n 198. Uji F atau uji ragam regresi atau uji varians regrsi. dilakukan perhitungan untuk mencari nilai b0 dan b1 seperti berikut ini.pdffactory. dan JK Galat Regresi dari data Tabel 2.6893 0.(178. 2.(178. Nilai b1 adalah: b1 = = = Nilai b0 adalah: b0 = = = " " Y .253 .0.

2).47363 2.96021/1 1.43384 . Bagan Sidik Ragam Regresi Dua Variabel Sumber Keragaman (SK) Regresi Residual Total Keterangan: ** Derajat Bebas (DB) 1 13 14 Jumlah Kuadrat (JK) 1.330 15 x 68.96021 0.pdffactory. JK Galat Regresi.5. bi Secara umum uji t mempunyai rumus adalah t-hitung bi = S bi Selanjutnya. KT Regresi.10.96021 JK Galat/ (DB Galat) 0.96021 0.03643 - F hitung 53. JK Regresi = = = b1 JHK XY (0.03643 2).43384 Kuadrat Tengah (KT) 1.5 berikut.96021 = = = JK Total .96021 0.2. 2.6037) 1. dilakukan pengujian terhadap koefisien regresi b0 dan b1 dengan uji t seperti berikut.8037 ** F tabel 5% 1% 4.01) terhadap variabel tak bebas Y.3 Pengujian koefisien garis regresi linier sederhana dengan uji t Setelah dilakukan pengujian dengan uji F maka selanjutnya. = berpengaruh sangat nyata pada p<0. KT Galat Regresi = = = Setelah perhitungan JK Total.16893) (11.47363/13 0. maka di lanjutkan dengan membuat Tabel Analisis Keragaman atau Tabel Analisis Varians Regresi seperti pada Tabel 2. Tabel 2. dalam analisis regresi dua variabel nilai salah baku bi yang ditulis dengan Sbi mempunyai persamaan seperti berikut.07 Jumlah sampel (n) = 15.01 Berdasarkan hasil analisis varians di atas ternyata bahwa Fhit > F(tabel 1%) atau dapat dikatakan bahwa hipotesis nol ditolak.03643 2183. JK Regresi. KT Regresi = = = JK Regresi /(DB Regresi) 1. Untuk pengujian b0 nilai salah baku Sb0 dari data di atas: Sb0 = KT Galat Re gresi ∑ X 2 n JK X 0. JK Galat Regresi Selanjutnya. dan KT Galat didapatkan. yang berarti bahwa terdapat pengaruh variabel bebas X yang sangat nyata (p<0.JK Regresi 2.47363 3). dihitung nilai KT atau varians seperti: 1).67 9.277853 = = 31 PDF created with pdfFactory Pro trial version www.com .6893 0.

Ini berarti bahwa dari analisis tersebut H0 ditolak baik untuk uji b0 maupun untuk uji b1 Sehingga.0.1.13) = 2.t*/2 sbi ≤ Untuk perkiraan didapatkan: 0 i ≤ bi .95776 + 0. dapat dikatakan bahwa: 1). db galat = 13) yaitu sebesar 2. 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 .03643 68.n-2) Sb0} = 1.277853) ≤ 0 ≤ .pdffactory.com .131) (0.0.335101 Berdasarkan hasil uji t ternyata bahwa nlai thitung yang diperoleh dibandingkan dengan ttabel atau t(5%.4470 mutlaknya)}.35750} = 1 . Garis regresi penduga " = .16893 X tidak sejajar dengan sumbu X.947.* untuk masing-masing b0 dan b1 seperti: dengan nilai salah baku Sb0 dengan * = 5% dari data di atas 0 p {b0 .Untuk pengujian b1 nilai salah baku Sb1 dari data di atas: Sb1 = KT Galat Re gresi JK X 0. 2).0.0.* 0 p {. atau mempunyai slop sebesar 0. dengan nilai salah baku koefisien regresi b0 dan b1 yang diperoleh.0.95776 + 0.023030 = 7.t(*/2. {Nilai t negatif sama dengan nilai positif (diambil harga Selanjutnya.16893 Selanjutnya.95776 = 0.t*/2 sbi} = 1.95776 . uji t terhadap nilai koefisien regresi b1: t-hitung b1 = b1 Sb 1 0.0.95776 + (2. Garis regresi penduga " = .(2.277853)} = 1.0 atau titik acuan.* 32 PDF created with pdfFactory Pro trial version www.n-2) Sb0 ≤ p { . selain untuk pengujian hipotesis. Ternyata bahwa t-hitung > ttabel 1% baik untuk nilai b0 maupun untuk b2.16893 = 0.* ≤ .558029 ≤ ≤ b0 + t(*/2.277853 = .131) (0.3.16893 X tidak melalui titik 0.023030 Uji t terhadap nilai koefisien regresi b0: t-hitung b0 = b0 Sb 0 .131 dan t(1%.6893 = = 0.

330 198.2 6.54% 2.4 Pengujian garis regresi linier sederhana dengan uji r Pada uji-uji sebelumnya seperti uji F dan uji t telah dilakukan.Jadi perkiraan nilai Untuk perkiraan didapatkan: 1 0 berkisar antara .6 1.253 (Y 2 (Y = = 15.* berkisar antara 0.16893 + (2.6 0.1. dilakukan uji r produc moment dari Pearson dengan rumus seperti: ∑ X ∑Y ∑ XY − r =  (∑ X ) 2 2 X −  ∑  n  n  (∑ Y ) 2 2 Y −   ∑  n      Untuk perhitungan nilai r diperlukan hasil penjumlahan data pada Tabel 3.0 Pendapatan Petani ( x 100.9578 + 0.35750 dengan nilai salah baku Sb1 dengan * = 5% dari data di atas 1 p {b1 .023030)} = 1.0 8.100 2183.0 10.0.0 12.0 0.1689 X R2 = 80.8 0.131) (0.2 1.4 1.0 16.* 1 untuk b0 p {0.21868} = 1 .908 33 PDF created with pdfFactory Pro trial version www.0 1.com .* ≤ 0.8 Konsumsi Daging x100.000 1. 000) Y = . Selanjutnya.0 14.119176 ≤ Jadi perkiraan nilai 1 ≤ b1 + t(*/2.131) (0.16893 .1 di atas seperti: (X = 2 (X = (XY = 178.21868 Berdasarkan perhitungan di atas maka dapat dibuat gambar Garis Regresinya seperti berikut: 2.n-2) Sb1 ≤ p {0.023030) ≤ 1 ≤ 0.4 0.10.0.720 18.558029 sampai dengan .(2.n-2) Sb1} = 1.pdffactory.119176 sampai dengan 0.t(*/2.

db galat = 13) yaitu sebesar 2. maka nilai thitung ) ttabel. Sr Di mana Sr = salah baku r dengan rumus: Sr Sr = = = Sehingga: t-hitung = r Sr 0.53 − 0. Jadi r hitung = 0. 34 PDF created with pdfFactory Pro trial version www. dengan n = 15 maka: Nilai r tabel 5% = r(5%.330 −  18. 0 (yang berarti bahwa terdapat hubungan atau korelasi antara variabel X dengan variabel Y Dalam uji r ini dialakukan pembandingan nilai koefisien korelasi r yang dihitung dengan r tabel ditandai dengan rhitung ) rtabel.897 2 ) (15 − 2) 0.908 −     15 15    198. pengujian r seperti di atas. n-2). Hal ini dapat dikatakan bahwa terdapat hubungan atau korelasi yang sangat erat antara variabel bebas X dengan variabel tak bebas Y. Hal ini dapat dikatakan bahwa tolak H0 yang berarti bahwa terdapat hubungan atau korelasi yang sangat erat antara variabel X dengan variabel Y.642. nilai r dapat pula diuji dengan uji t.514.131 dan t(1%. 13) = 0.642.13765 (1 − r 2 ) (n − 2) (1 − 0.pdffactory.897 > r tabel 1% = 0. dengan rumus pengujian seperti berikut: t-hitung = r .720) 2   2183. Selain.947.897 = 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 .13) = 2.51653 Berdasarkan hasil uji t. dan Nilai r tabel 1% = r(1%.100) (15. Nilai r tabel = r(*/2. Ternyata bahwa t-hitung > ttabel 1%. Nilai ttabel atau t(5%.com .720) 15  (178.13765 = = 6.100) 2   (15. 13) = 0.Sehingga: r = 178.897 0.

t(*/2.95776 + 0.73154 _  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%.01377 Selanjutnya. n – 2) S Y 0. 2 Sisanya 1 .8054.6893 0. seperti berikut: " .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. n – 2) S Y ≤ (XY ≤ ≤ (XY ≤ " + t(*/2. di mana * = 5%. 1).873) 2  0.(2.16893 X = .54% dari variabel tak bebas Y dipengaruhi oleh variabel bebas X. atau dapat diartikan bahwa 80.54% variasi keragaman total Y atau variasi Y dapat diterangkan oleh variasi X.03643 15 11.73154 + (2.0138) 0.10.R = 19. Dengan menggunakan dasar perhitungan analisis ragam regresi dan KT Galatnya seperti di atas didapatkan taksiran nilai rata-rata seperti berikut ini. sehingga 0 = 95%.com .131) (0. n – 2) S Y ≤ .t(*/2.XY ≤ " + t(*/2. Sebagai contoh: taksiran nilai rata-rata .76088 35 PDF created with pdfFactory Pro trial version www. 13) = = = = = = = 0.897)2 = 0.0.pdffactory.7022 0.Berdasarkan perhitungan koefisien korelasi r di atas.XY untuk X0 = 10. Hal ini diartikan bahwa 80.16893 (10) = 0. 2.0138) ≤ (XY ≤ 0.5 Peramalan atau prediksi pada garis regresi Dalam perhitungan taksiran atau ramalan garis regresi diperlukan selang kepercayaan 0 yaitu sebesar 1 – *. dengan nilai " menjadi: Y " = .XY: " .0.95776 + 0.73154 68.131) (0. taksiran nilai rata-rata .73154 . maka didapatkan koefisien determinasi R2 = (0.46% dari variasi total Y dipengaruhi oleh faktor lain diluar X atau variabel selain X.6893  15       =      = 0. n – 2) S .03643  + 68.873 10 2.

n – 2) S " .16893 (10) = 0. n – 2) S ˆˆ Y ˆ ˆ ≤ ≤ Y " + t(*/2. maka Y 76473. ˆ ˆ untuk X0 = 10. Hasil perhitungan taksiran rata-rata dan individu nilai-nilai Xi yang lain dapat dilihat pada Tabel 2.pdffactory. 2). Untuk taksiran individu nilai-nilai Xi yang lain dapat dihitung seperti cara di atas. taksiran nilai individu: " . 13) = 0.03643  1 + +  15 68.16893 X = . 36 PDF created with pdfFactory Pro trial version www.0138) ≤ Y ˆ ˆ ≤ 0.(2.73154 68. maka (XY berkisar antara 0.6893 0.03643 15 11. n – 2) S ˆˆ ≤ Y ˆ ˆ Y Y " = .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%.131) (0.t(*/2.0.t(*/2.7022 sd 0.873) 2 0.Jadi. Untuk taksiran rata-rata nilai-nilai Xi yang lain dapat dihitung seperti cara di atas.com .131) (0.73154 .873 10 2.6893   0.95776 + 0.6 di bawah ini. Jadi.01558      Selanjutnya.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. n – 2) S ˆˆ Y ˆ ˆ ≤ 0.76473 ˆ ˆ berkisar antara 0. 69835 sd 0. taksiran rata-rata untuk Xi = X0 = 10.76088.73154 + (2.0.69835 ≤ Y 0.0138) 0.t(*/2. seperti berikut: Sebagai contoh: taksiran nilai individu Y ˆ ˆ ≤ " .95776 + 0. taksiran individu untuk Xi = X0 = 10.

190 1.932 1.159 1.838 0.048 1.689 0.653 0.0 1.048 0.900 14.816 0.0 16.171 1.500 11.420 1.700 1.069 1.0 8.036 ˆ ˆ upper Y 0.943 1.2 1.0 0.610 1.238 1.0 14.241 1.302 1.546 0.254 1.843 0.250 15.794 0.720 0.858 0. Karena ˆ ˆ yang sangat sempit maka gambarnya kelihatan tiga perbedaan nilai antara (XY dan Y garis yang seharusnya lima garis seperti pada Tabel 2.417 1.950 1.0 10.595 0.600 11.6 di atas.377 1.680 0.119 1.800 0.105 1.4 0.000 1.0 Pendapatan 12.600 7.900 15.183 1.662 1.8 1.095 1.057 1.221 1.499 0.900 1.600 0.499 1.pdffactory.057 0.069 No.807 0.4 1.458 1.151 1.750 0.592 0.6 Hasil Perhitungan Taksiran Rata-rata (XY dan Taksiran Individu ˆ ˆ dari Nilai-nilai Xi Y X 9.281 1.656 0.8 0.500 0.627 0.750 1.com .953 1.6 37 PDF created with pdfFactory Pro trial version www.050 1.036 1.722 0.309 1.053 1.496 1.259 1.6 0.239 1.205 1.853 0.750 10.961 1.200 12.250 1.900 10.650 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.2 6.726 0.813 0.379 1.112 1.682 0.556 1.924 1.833 0.789 0.300 13.199 1.053 ˆ ˆ lower (XY lower (XY upper Y 0.307 1.500 11.250 12.129 1.Tabel 2.574 0.664 1.0 Data pada Tabel 2.950 " 0.244 1.497 0. 2.250 12.558 1.6 Konsumsi daging 1.300 8.571 0.900 Y 0.150 0.

4470 0.5 dan X = 15.2.11 Interpolasi dan ekstrapolasi Jelaslah bahwa dari uraian di atas.95776 + 0.11918 0.1909 15 Table 2.16893 X terletak di luar batas daerah ruang X1 dan Xn.09956 0.9 Parsial Regression Coefficients Standart t Stat P-value Lower Upper Lower Upper Error 95% 95% 99.0. 2.8037 Significance F 0. jika harga-harga Xi yang dimasukan ke dalam persamaan regresi penduga " = .02303 7. dapat dipakai sebagai peramalan dari nilai-nilai Xi yang belum diketahui.79474 .3.8 ANOVA SV Regression Residual Total DB 1 13 14 SS 2.73154.2.23830 Var 38 PDF created with pdfFactory Pro trial version www.0. maka nilai Y penduga = 0.57615.0000 0.0. dan lain sebagainya.0.7 Regression Statistics Multiple R R Square Adjusted R Square Standard Error Observations Table 2.com .30922 dan 1.0% 99.12 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. Di dalam penerapan praktis dari garis regresi penduga " = .16893 X terletak di dalam daerah ruang gerak X1 dan Xn. Statistica.95776 0.95776 + 0.16893 0.21868 0.pdffactory. seperti X = 10 maka nilai Y penduga = 0. jika harga-harga Xi yang dimasukkan ke dalam persamaan regresi penduga " = .12079 X1 0.5 dan Xi = 15 berada di luar Xminimum dan Xmaksimum.0.0364 F 53. Sistat.95776 + 0.3351 0.4736 2. pemakaian persamaan penduga " = b0 + b1X.16893 X dapat dipakai untuk mengadakan peramalan atau penafsiran interpolasi dan ekstrapolasi Nilai interpolasi adalah nilai taksiran atau nilai ramalan dari nilai-nilai Y.0.00433 . sebab nilai Xi = 7.35750 . sebab nilai Xi = 10 berada di dalam antara X1 dan Xn.8974 0. 1 Summary Output Excel Table 2. atau untuk mencari nilai Y apabila Xi telah ditentukan. SPSS. Nilai ekstrapolasi adalah nilai taksiran atau nilai ramalan dari nilai Y. seperti X = 7.27785 .7904 0. Dalam hal ini akan diberikan contoh keluaran komputer dengan program Excel seperti pada tabel berikut.9602 0.4338 MS 2. Minitab.9602 0.8054 0.0% Intercept .55803 .00001 0.2.

Penjelasan tabel di atas seperti berikut: Table 2.8 ANOVA KT Y n Pada Tabel Anova adalah persis sama dengan Sidik Ragam Regresi. MS = Means Squarwes atau KT. Atau variabel bebas X tidak berpengaruh terhadap variabel tak bebas Y. DF = Degrees of Freesom atau = Derajat Bebas (DB). SS = Sum of Squares atau = JK. Significance F adalah sama dengan nilai peluang dari nilai F-hitung. hal ini berarti tolak H0 yang menyatakan bahwa garis regresi penduga (") linier sederhana yang didapat tersebut adalah garis regresi yang terbaik untuk menerangkan bahwa variabel bebas X berpengaruh nyata terhadap variabel tak bebas Y.0000. adalah garis regresi yang terbaik untuk menerangkan bahwa variabel bebas X (pendapatan petani) berpengaruh sangat nyata terhadap variabel tak bebas Y (pengeluaran petani). Adjusted R Square adalah sama dengan koefisien determinasi R2 terkoreksi dengan _ simbul R 2 dan yang mengkoreksi adalah nilai Galat Regresi dan KT Total dengan rumus: R 2 = 1 − _ _ Σei2 /(n − p − 1) ( n − 1) atau R 2 = 1 − (1− R 2 ) 2 Σy i /(n − 1) (n − p − 1) Standard Error adalah sama dengan Salah Baku Y atau SY = Observations adalah sama dengan jumlah sampel = n Table 2. Ini berarti tolak H0 yang menyatakan bahwa garis regresi penduga " = . R Square adalah sama dengan koefisien determinasi R2 yang menunjukkan variasi keragaman total Y yang dapat diterangkan oleh variasi variabel X. Dalam hal ini nilai F-hitung tidak dibangingkan dengan F tabel seperti biasa.16893 X.7 Regression Statistics Multiple R adalah sama dengan koefisien korelasi r yang menunjukkan keeratan hubungan antara variabel bebas X dengan variabel tak bebas Y yaitu sebesar 0.8037 dengan significance F = 0. 39 PDF created with pdfFactory Pro trial version www.8974. hal ini berarti terima H0 yang menyatakan bahwa garis regresi penduga (") linier sederhana yang didapat tersebut bukan garis regresi yang terbaik. Sebagai contoh dari hasil analis tersebut di atas didapat nilai F = 53.0.95776 + 0.05) mempunyai kesimpulan yang sama dengan Fhit ≤ F(tabel 5%).01) mempunyai kesimpulan yang sama dengan Fhit > F(tabel 1%). Apabila nilai significance F < (p = 0.05) mempunyai kesimpulan yang sama dengan Fhit > F(tabel 5%). nilai significance F dibandingkan peluang (p) standar yaitu 5% dan 1%. 1). atau dapat diartikan bahwa 80. Di mana SV = Sumber Variasi (SV) atau Sumber Keragaman (SK). Apabila nilai significance F 1 (p = 0.pdffactory.com . Akan tetapi. Apabila nilai signifikanse F < (p = 0. F = F-hitung. hal ini berarti tolak H0 yang menyatakan bahwa garis regresi penduga (") linier sederhana yang didapat tersebut adalah garis regresi yang terbaik untuk menerangkan bahwa variabel bebas X berpengaruh sangat nyata terhadap variabel tak bebas Y. 2).54% dari variabel tak bebas Y dipengaruhi oleh variabel bebas X.

16893 dan sangat nyata. adalah garis regresi penduga tidak sejajar dengan sumbu X.0. yang berarti bahwa garis regresi penduga " = . 2). Intercept sama dengan b0 jarak antara titik potong garis regresi penduga " dengan titik acuan (0. Apabila nilai P-value < (p = 0.Tabel 2. 1).0. hal ini berarti tolak H0 yang menyatakan bahwa garis regresi penduga (") linier sederhana melalui tidak sejajar dengan sumbu X dengan slop sama dengan b2.95776 + 0. Masing-masing b0 = .9 Parcial Regression Var adalah sama dengan variabel yang akan dijelaskan. P-value adalah sama dengan nilai peluang dari nilai t-hitung. Apabila nilai P-value 1 (p = 0. maka 1). Dalam hal ini nilai t-hitung tidak dibangingkan dengan t tabel seperti biasa. Standart Error dalam Tabel 3 ini berbeda dengan Standart Error dari Tabel 2.pdffactory.05) mempunyai kesimpulan yang sama dengan thit ≤ t(tabel 5%). nilai P-value dibandingkan peluang (p) standar yaitu 5% atau 1%. Akan tetapi.0). Standart Error di sini menunjukkan nilai yang sama dengan Sb0 dan Sb1 dalam pengujian b0 dan b1.16893 X. 40 PDF created with pdfFactory Pro trial version www. Ini berarti tolak H0 karena P-value < 0. Demikian juga didapatkan nilai P-value untuk b1 = 0. t Stat sama dengan t-hitung untuk b0 dan b1 dengan rumus umum seperti: bi thitung bi = .95776 + 0.0).com . dalam analisis ini adalah X.95776 dan b1 = 0. Sebagai contoh Standart Error untuk b0 (Sb0) = 0. Untuk b1. hal ini berarti tolak H0 yang menyatakan bahwa garis regresi penduga (") linier sederhana melalui tidak melalui titik acuan (0.05.0).05) mempunyai kesimpulan yang sama dengan thit ≤ t(tabel 5%).00002.16893 X.05) mempunyai kesimpulan yang sama dengan thit > t(tabel 5%). maka 1). Sehinga nilai t-hitung untuk masing-masing b0 = .05.16893.27785 dan Standart Error untuk b1 (Sb1) = 0.44702 dan S bi b1 = 7.3. hal ini berarti terima H0 yang menyatakan bahwa garis regresi penduga (") linier sederhana sejajar dengan sumbu X pada nilai b0. Untuk b0. Ini berarti tolak H0 karena Pvalue < 0. tidak melalui titik acuan (0.00433. arinya mempunyai slop atau kemiringan = 0.05) mempunyai kesimpulan yang sama dengan thit > t(tabel 5%).33510.0.02303.0) 2). yang berarti bahwa garis regresi penduga " = . Apabila nilai P-value 1 (p = 0. Coefficients sama dengan bi dalam hal ini sama dengan b0 dan b2. Apabila nilai P-value < (p = 0. hal ini berarti terima H0 yang menyatakan bahwa garis regresi penduga (") linier sederhana melalui titik acuan (0. Sebagai contoh dari hasil analisis tersebut di atas didapatkan nilai P-value untuk b0 = 0.

41 PDF created with pdfFactory Pro trial version www. Perkiraan nilai 1 berkisar antara 0. Perhatikan nilai Lower dan Upper.558029 sampai dengan .119176 sampai dengan 0. apabila nilai Lower dan Upper bersifat definit positif atau definit negarif artinya baik Lower maupun Upper mempunyai tanda bilangan yang positif atau negarif ( + .com .0.1. dan antara .) berarti dalam uji t-hitung bi menunjukkan signifikansi yang nyata pada taraf * = 5% atau 1%. dan antara 0. Nilai 95% atau 99% = 1.* tergantung pada nilai * yang dipakai 5% atau 1%. Sebaliknya.35750 untuk nilai * = 5%.1.23830 untuk * = 1%.Lower dan Upper adalah sama dengan perkiraan nilai interval b0 dan b1 atau pendugaan nilai 0 dan 1 dengan rumus: p {bi . Perkiraan nilai 0 berkisar antara .t*/2 sbi} = 1.* .0.09956 sampai dengan 0.79474 sampai dengan .pdffactory. 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%.12079 untuk * = 1%.21868 untuk * = 5%.t*/2 sbi ≤ i ≤ bi . .

Sign up to vote on this title
UsefulNot useful