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

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

sehingga antara variabel X dan variabel Y yang tertentu akan menjadi pasangan-pasangan tetap disebut dengan pasangan nilai X.Y. Dari Tabel 2.2 Garis regresi linier sederhana Sekarang bagaimana caranya membuat persamaan garis regresi linier sederhana seperti Gambar 2.5.Y tersebut dapat dicari bentuk hubungan atau garis regresi antara variabel bebas Y atas variabel tak bebas X yang dtulis dengan Y/X.1 di atas.Y inilah yang akan menentukan persamaan regresi yang dibuat sesuai dengan asumsi atau model yang digunakan. sering disebut regresi Y atas X ditulis dengan Y/x. No. Sejumlah pasangan antara nilai X.Y merupakan hubungan sebab (X) dan akibat (Y).1.com .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. Model Linier Garis Regresi 2. Sehingga dari pasanganpasangan nilai X. yang mempunyai bentuk persamaan matematis: Y = A + BX seperti pada persamaan [2.1.Y telah didapatkan. Bagaimana persamaan regresi akan ditentukan jika hasil pengamatan atau yang berupa pasangan-pasangan nilai pengamatan antara X. Penentuan garis regresi antara variabel bebas X dengan variabel tak bebas Y.000 maka komsumsi makanan semakin meningkat.Tabel 2. 12 PDF created with pdfFactory Pro trial version www. Setiap pasangan nilai X. 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 225.1 di atas dapat dibuat garis regresi liniernya seperti Gambar 2.pdffactory. yang mempunyai pengertian bahwa: setiap variabel bebas X akan memberikan atau menghasilkan suatu nilai variabel tak bebas Y yang tertentu.1].

Y.1]. maka cukup beralasan untuk menduganya dengan persamaan regresi linier sederhana atau regresi garis lurus. Dilain pihak. 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.Y diberikan dua metode yang umum yaitu: 1). Untuk hal tersebut dan menentukan analisis dan gambarnya dapat dilihat bentuk-bentuk hubungan pada bukubuku matematika. maka persamaan garis PQ menjadi: Y = A + X. 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. Dengan memperhatikan letak titik-titik pasangan pada absis X dan ordinat Y. Tentu saja atau pada umumnya tidak dapat ditarik atau digambarkan suatu garis regresi yang sederhana.Y tersebut bukan linier. Dasar teori.2 seperti pada Gambar 2. yang dapat melalui semua titik-titik pasangan X.X1 sehingga tangen sudut = !Y/!X.2. Maka dapat dibuat persamaannya dengan menggunakan dua buah titik. Garis regresi yang melalui dua buah titik pengamatan P dan Q. melalui dua buah titik dapat dibuat sebuah garis lurus yaitu PQ yang akan dicari persamaannya.2. Metode ini hanya dapat dilakukan oleh seorang ahli dan berpengalaman seperti pada Gambar 2.5. di mana kedudukan kedua titik tersebut adalah bebas atau sembarang pada garis regresi yang melewati. No. 2).3 Penetuan garis regresi linier sederhana Untuk menentukan garis regresi berdasarkan pasangan-pasangan nilai X. Pendekatan matematis dengan metode kuadrat terkecil atau least squares method atau sering disebut dengan metode ordinary list squares (OLS). maka kumpulan titik-titik tersebut dapat memberi petunjuk untuk memperkirakan garis regresi yang akan dibuat. Untuk pendekatan linier atau regresi linier sederhana.Y pada suatu sistem salib sumbu atau sistem koordinat.2. Jika pencaran atau sebaran titik pasangan X. tetapi melengkung atau non linier yang paling menghampiri.Y. perhatikan diagram pencar berikut yang berasal dari Tabel 2. Tabel 2. Perhatikan sudut yang sisi-sisi siku-sikunya adalah !Y = Y2 .1 di muka antara tingkat pendapatan (X) dengan konsumsi (Y) diambil sebagaian saja seperti pada Tabel 2. 13 PDF created with pdfFactory Pro trial version www. Bentuk mana yang paling sesuai atau paling dihampiri oleh titik-titik pasangan tersebut. Dari persamaan tersebut dengan penyelesaian matematika sehingga akan didapatkan bentuk persamaan liniernya seperti persamaan [2.Y1 dan !X = X2 . Diagram pencar didapatkan dengan menggambar titik-titik pasangan pengamatan antara X dan Y atau X. Metode tangan bebas.com .Y tersebut disekitar garis lurus.2.pdffactory. Bahwa suatu garis regresi yang akan didapat dan akan mendekati titik-titik pasangan X.2 berikut. jika sebaran titik-titik pasangan X.

dan YQR yang merupakan garis regresi terbaik sebagai penghampir titik-titik pasangan pengamatan Xi. Apabila ada garis tertentu selain ketiga garis YPQ. B sering disebut kemiringan atau kecondongan garis regresi atau slope atau slope coefficient adalah tangen sudut yang dibuat oleh garis regresi dengan sumbu X. Perhitungan = !Y/!X Secara Sederhana 2. Oleh karena dalam pembicaraan ini hendak berusaha mencari cara untuk menentukan persamaan garis regresi linier sederhana yang baik atau yang terbaik. yaitu parameter yang digunakan. 0) dengan perpotongan antara sumbu tegak Y dengan garis linier atau besarnya nilai variabel Y. Dalam beberapa hal dimungkinkan untuk mengecek atau menguji asumsi atau hipotesis setelah bentuk hubungan itu diperkirakan. Fungsi linier sama dengan persamaan linier atau model linier atau regresi linier yang mempunyai bentuk hubungan atau bentuk fungsi: Y = A + BX. Untuk itu haruslah terlebih dahulu mengetahui apa yang dimaksud dengan garis regresi yang baik.3 di atas yang manakah dari ketiga garis tersebut termasuk garis regresi yang terbaik. yang menunjukkan garis-garis regresi linier dari beberapa pengamatan. juga dapat dipergunakan sebagai pendekatan bentuk hubungan yang bukan linier (non linier) menjadi bentuk linier. 14 PDF created with pdfFactory Pro trial version www. A ialah: jarak titik acuan (0. Seperti pada persamaan [2.6 Pendekatan Matematis Regresi Linier Sederhana Adalah tidak mungkin untuk memperkirakan bentuk hubungan antara dua variabel atau lebih tanpa diawali dengan membuat asumsi terlebih dahulu. apabila nilai X = 0. Suatu bentuk hubungan atau fungsi linier atau regresi linier di samping mudah interprestasinya. Suatu pertanyaan yang berhubungan dengan hal tersebut di atas adalah: "Kapankah suatu garis regresi dapat dikatakan sebagai garis regresi yang baik?".com . Perhatika Gambar 2.2. Q dan R.Yi sebagai garis regresi tersebut.pdffactory.125 Q 100 P Konsunsi 75 50 25 0 120 ! X = X2 .1] A dan B adalah konstanta. maka variabel Y bertambah atau menurun atau berubah sebanyak B kali.X1 Y = Y2-Y1 Y2 A Y1 X1 140 Pendapatan X2 160 Gambar 2. YPR. yang dipakai untuk menghampiri titik-titik P.3 di bawah ini. 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. Dengan demikian kembali ke Gambar 2.

15 PDF created with pdfFactory Pro trial version www. besarnya nilai variabel tak bebas Y. salah catat. Oleh karena itu.150 R 125 100 75 50 25 0 120 Q P Konsunsi "=%+!X 140 Pendapatan Gambar 2.4b]. Kadang-kadang nilai e diartikan faktor-faktor tertentu yang belum diketahui penyebabnya atau faktor-faktor yang belum dijelaskan.4a]. " = a + b X [2. " = % + [2. " = A + BX untuk populasi Jadi kesalahan e tersebut dapat mengakibatkan adanya resiko.4c]. " = [2. Untuk melakukan dugaan atau membuat keputusan selalu ada resiko walaupun betapa kecilnya. tetapi ada faktor-faktor lain yang ikut mempengaruhi.pdffactory. tidak hanya tergantung pada variabel bebas X saja. alat kurang sempurna. resiko tersebut hendaknya dibuat sekecil-kecilnya atau minimal. serta banyak lagi nilai-nilai yang lainnya. 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). " = b1 + b2 X Suatu hal yang harus dipahami bahwa dalam pendugaan garis regresi.3b].3c]. Faktor-faktor tersebut yang dapat terdiri atas: salah hitung. Kesalahan pengganggu e tersebut menyebabkan ramalan menjadi kurang tepat terhadap garis regresi penduga seperti: [2. Faktor-faktor tersebut secara keseluruhan dinamakan kesalahan pengganggu (disturbance error) yang diberi simbul dengan e. salah ukur. dan nilai-nilai kebetulan.3.3a]. " = 0 1 X + + 1 2 atau ditulis dengan X X atau ditulis dengan atau untuk sampel atau untuk populasi [2. " = b0 + b1 X [2.5]. Sehingga garis regresi linier sederhana dengan persamaan penduga menjadi : [2.com .

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

dan harus betul-betul tepat atau cocok. 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. apabila jumlah pangkat dua (kuadrat) nilai kesalahan-kesalahan (ei) adalah minimal atau ditulis dengan 2 rumus: %e i = 0.2. Garis penduga merupakan garis regresi yang terbaik.7. 17 PDF created with pdfFactory Pro trial version www. 2). Perhitungan matematis dari metode kuadrat terkecil cukup sederhana. Dengan memakai nilai kuadrat. Cara ini lebih baik dari cara pertama sebab tidak ada saling kompensasi antara nilai ei yang negatif dengan positif. sehingga garis regresi penduga yang dihasilkan akan mendekati ketepatannya. 2). ada suatu teori Maximum Like Lihood Estimation yang kedua-duanya membuktikan bahwa meminimalkan kesalahan ei merupakan estimasi atau penaksiran yang terbaik.Y.7 Pendekatan Garis Penduga Terbaik Ada beberapa cara pendekatan matematika untuk mendapatkan garis regresi penduga yang terbaik seperti: 1.4. di samping mempunyai nilai ragam galat atau ragam kesalahan atau ragam residu atau ragam sisa yang terkecil. di mana Y = A + BX + E.com . Cara pendekatan terakhir disebut dengan Metode Kuadrat Terkecil atau dengan Least Squares Methods. maka semua nilaidari kesalahan atau simpangan ei akan berubah menjadi positif. Garis penduga menjadi garis regresi terbaik apabila jumlah semua kesalahan adalah minimal ditulis dengan: %ei = minimal atau %( Yi . Mempunyai derajad keeratan hubungan yang maksimum atau koefisien korelasi tertinggi. tetapi harus memenuhi juga syarat-syarat yang lain yaitu: 1). diantaranya: 1). 2. 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.pdffactory. Hal ini akan dibahas dalam penggunaan koefisien korelasi dalam uji garis regresi. 3). hal-hal tersebut di atas. yang menunjukkan hubungan antara variabel bebas X dan variabel tak bebas Y. Garis penduga merupakan garis regresi yang terbaik. apabila jumlah harga mutlak dari nilai kesalahan atau %&e& adalah minimal. metode kuadrat terkecil mempunyai beberapa kelebihan daripada metode-metode lain. Mengapa metode kuadrat terkecil. bila digunakan sebagai garis penduga.") = minimal. sebab nilai negatif mengkompen nilai positif. Selain teori kuadrat terkecil. Sesuai dengan teori aljabar maka akibatnya %ei sama dengan nol (minimal). penaksir pangkat dua terkecil (metode kuadrat terkecil) yang mempunyai ragam paling kecil. disebut metode yang terbaik bagi penduga garis regresi linier sederhana?. hal ini akan dibicarakan pada uji kecocokan garis regresi penduga. 3. 4). Metode kuadrat terkecil (OLS = ordinary least squares) Selain. Dengan mengkuadratkan nilai kesalahan ei yang kecil (pecahan) maka akan diperkecil mendekati nol. seperti yang ditunjukkan pada Gambar 2. Model regresi atau bentuk fungsi yang dipakai haruslah mendekati titik-titik pasangan X. 2. Suatu syarat penaksir garis atau garis penduga yang terbaik. dan bila nilai ini diminiumkan.

pdffactory. Xp) akan minimum jika. adalah garis regresi 2 yang mempunyai nilai &ei minimal. Dengan mengambil fungsi turunan pertama parsiil G terhadap b0 dan b1 serta menyamakannya dengan nol. maka diperoleh dua persamaan seperti di bawah ini.b1 &Xi = 0 [2.Manipulasi matematis dari metode kuadrat terkecil akan menghasilkan koefisien a dan b. . Persamaan (2.14] di atas disebut dengan persamaan normal.8].b1 &Xi = 0 Persamaan-persamaan [2. &Yi Xi . . X2. Perhatikan pengali dari setiap penaksir-penaksir yang berhubungan koefisien regresi seperti b0 dan b1 Apabila syarat-syarat dalam meminimalkan G dipenuhi. Turunan (e2i atau G terhadap b0 menjadi: Dari persamaan [2. maka sistem persamaan normal dari [2. ei = Yi .12] turunannya menjadi: 'G/'b1 = 2 ((Yi .14) disebut dengan persamaan Normal 2. dengan mengandaikan syarat kedua minimalasasi itu telah terpenuhi.b0 &Xi .13] dan [2. Persamaan (2.14]. Untuk memudahkan cara penulisan selanjutnya &ei2 disamakan dengan G.7a].7b] yang ditulis kembali seperti: [2.b1 Xi) (.b1 Xi (. semua fungsi turunan pertama parsialnya ('Y/'X) sama dengan nol. suatu syarat yang perlu dan khusus. Oleh karena itu. maka diperoleh persamaan-persamaan seperti: [2. bahwa garis regresi penduga terbaik. Yi = b0i + b1i Xi + ei Telah disebutkan di muka. Perhatikan pertanyaan matematis dari persamaan [2." Persamaan [2.9] di atas merupakan modifikasi dari persamaan-persamaan [2. Secara matematis &ei minimal dapat dinyatakan dengan teori defrensial bahwa turunan 2 pertama dari: &ei terhadap b0 dan terhadap b1 haruslah sama dengan nol atau dapat 2 ditulis: '&ei / 'bi = 0.1) = 0 Turunan (e i atau G terhadap b1 menjadi: Dari persamaan [2.com . Pernyataan matematis di atas dapat dijabarkan menjadi: " = b0 + b1 X dan Y = " + e sehingga ei = Yi .b0 . [2. maka nilai G akan minimum jika semua fungsi turunan pertama parsiilnya. 2 2 2 dapat ditulis: 18 PDF created with pdfFactory Pro trial version www.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.&b0 .Xi) = 0 Perhatikan faktor pengali yang berada dimuka tanda sama dengan (=).9].13) disebut dengan persamaan Normal 1. Apabila dari persamaan-persamaan [2. yaitu turunan pertama parsiil dari G terhadap masing-masing nilai b0 dan b1 sama dengan nol. atau [2. &Yi .b0 . 2 Sehingga fungsi turunan &e atau G terhadap setiap nilai b0.13] dan [2.11] turunannya menjadi: 'G/'b0 = 2 ((Yi .11] dan [2.7b]. 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. . jadi G = &ei2.10].12] diselesaikan dan diubah cara penyajiannya." [2.13]. .

Biasanya.18a] sampai dengan persamaan [2.19c].16a].b0 &Xi .b1 &Xi2 = 0 [2. y: [2. 2 2 x2 = (X2 . 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.&X &Y/n Dengan menggunakan persamaan [2.nb0 /n . b1 = [2. dan y = (Y .( Y .19a].16b] maka didapatkan nilai b1 menjadi: [2. [2.b1 &Xi2 = 0 (Persamaan Normal 2) atau dapat ditulis [2.X 2 ).17].&b0 .15].b1 &Xi/n) &Xi .X 1 ).com . 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 − [2.7. x1 2 = (X1 .b1 X Selanjutnya.b1 &Xi = 0 (Yi /n .18a].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.18c]. b0 .19b]. Y dengan x.16].13] dan [2. 2. &Yi Xi .2 Perhitungan nilai koefisien regresi linier sederhana Jika diperhatikan kembali sistem persaman normal dari persamaan [2.16b].(&Yi /n .b1 &Xi2 = 0 Sebelum penyelesaian persamaan [2.18b].pdffactory.13].b1 X = 0 0 (Persamaan Normal 1) atau sehingga akhirnya menjadi: b0 = Y . Sehingga nilai b0 dan b1 dapat ditentukan dengan perhitungan seperti berikut.(&X) /n [2. dan [2. Berikut ini diberikan hubungan antara X. &y = &Y .Y ) disebut dengan JK Y disebut dengan JK X disebut dengan JHK XY [2.15] ke persamaan [2.13] dapat ditentukan nilai b0 yaitu dengan membagi persamaan tersebut dengan jumlah pengamatan (n) sehingga didapatkan persamaan dengan penyelesaian sebagai berikut: [2.18c] maka perhitungan nilai b1 pada persamaan [2.14] dapat dilihat keteraturan dari cara-cara penyelesaianya. &Yi Xi . &Yi Xi . dengan memasukkan persamaan [2.14] dapat diselesaikan secara serentak untuk mendapatkan nilai b0 dan b1. Dari persamaan [2. &Yi .(&Y) /n 2 2 2 [2.b1 (Xi/n = Y [2.13]. sistem persamaan normal [2. &x = &X .14] di atas dapat ditentukan besarnya nilai b2. b1 = ∑ X ∑Y n ( X )2 ∑ 2 ∑X − n 19 PDF created with pdfFactory Pro trial version www. Oleh karena jumlah sampel = n diketahui dan jumlah-jumlah yang terdapat dalam sistem persamaan normal itu dapat dihitung dari data sampel. &xy = &XY .b1 X ) &Xi .

21c] yaitu pesamaan untuk nilai ei. Dan jika persamaan [2.22a] [2. perlu dilakukan pengujian keberartiannya.b1 xi) G = Σeiyi .b1 (Xi .Sehingga persamaan regresi penduga " dari suatu pengamatan atau untuk pengaruh variabel bebas X terhadap variabel tak bebas Y menjadi: [2. Uji ragam regresi atau uji F regresi Uji koefisien regresi dengan uji-t Uji r garis regresi 2. ei = Yi . sehingga dengan mengkuadrat 2 jumlahkan nilai ei.20] di mana ei = Yi . ei = (Yi .23a] [2.1 Uji varians regresi atau uji F regresi atau uji ragam regresi Uji keragaman untuk menentukan garis regresi yang terbaik sering disebut dengan uji F garis regresi atau lebih terkenal dengan sidik ragam regresi.20].21a].22c] [2. " = b0 + b1 X Selanjutnya.b1 X ) .Y. Dari persamaan [2.8.( Y .pdffactory.21c] sehingga atau sebab ΣeIxi = 0 sehingga G = Σeiei. Pengujian Garis Regresi Linier Sederhana Pengujian garis regresi secara statistika dapat dilakukan dengan tiga cara yaitu: 1).21c].4 dapat diuraikan bahwa persamaan [2. untuk membuktikan bahwa garis regresi yang diperoleh tersebut merupakan garis regresi yang terbaik untuk menghampiri setiap titik-titik pengamatan X.23c] didapatkan bahwa JK Galat Regresi sama dengan JK Total dikurangi dengan JK Regresi.b0 .b1 xi.21b].22e] G = Σ ei 2 dengan membuka kurung maka atau Persamaan [2. 20 PDF created with pdfFactory Pro trial version www. 2).b1 xi Dari persamaan [2. 2.b1 X disubstitusikan ke dalam persamaan [2.b1 xi) Selanjutnya dari persamaan diatas didapatkan: [2.X ) [2.15] b0 = Y . Ingat bahwa ei = yi .22b] [2. sehingga menjadi: [2.22d] [2.23c] sehingga dapat menjadi: 2 G = Σyiyi .8.b1 Σyi xi Ingat : Σyiyi = Σyi = JK Total = JK Y Σyixi = JHK YiXi = JHK XY b1 Σyi xi disebut dengan JK Regresi = JK Reg.bi Xi. 3). G = Σei(yi . Unuk menjawab pernyataan tersebut maka dapat dikatakan bahwa garis regresi penduga " = b0 + b1 X nyata secara statistika. Dari Gambar 2.20] " = b0 + b1 X sehingga didapatkan pesamaan: [2.b1 Xi [2. di mana JK Total atau JK Y sudah dapat dihitung dari data pengamatan. selanjutnya didapatkan Σei atau disebut dengan JK Galat Regresi dengan kode G.b1 ΣeI xi) G = Σeiyi G = Σyiei G = Σyi (yi .Y ) .23b] [2. ei = yi .com .

24].Perhatikan Gambar 2.27] Fhit = KT Regresi KT Galat 21 PDF created with pdfFactory Pro trial version www. + bp JHK XpY) Komponen penyusun Tabel Sidik Ragam Regresi adalah: 1). . dan JK Galat) seperti berikut: [2.JK Regresi. . dan nilai-nilai Y .((Y)2/n 3). ". . KT Regresi KT Galat = = JK Regresi /(DB Regresi) JK Galat/ (DB Galat) Berdasarkan pada asumsi sebaran normal untuk komponen pengganggu e. Yi.25a. JK Total = Jk Y = (Y2 .b] berlaku umum untuk p variabel bebas X sehingga persamaannya menjadi: [2. maka besarnya nilai F (F-hitung) adalah: [2.25a] [2.JK Regresi Selanjutnya dihitung nilai KT atau varians seperti: 1).23c].26a] [2. maka selanjutnya JK Galat Regresi disingkat dengan JK Galat.4. JK Galat = JK Total .4. dan ei Sehingga. 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 = b1 JHK XY 2). + bp Σyi xp JK Regresi = (b1 JHK X1Y + b2 JHK X2Y + . JK Galat = JK Total . Nilai-nilai Y .26b] JK Regresi = b1 Σyi x1 + b2 Σyi x2 + . 2).pdffactory. hubungan antara komponen-komponen pada analisis keragaman (JK Total.25b] JK Regresi = b1 Σyi xi JK Regresi = b1 JHK XY atau dapat ditulis: Persamaan [2. maka JK Regresi mempunyai rumus: [2.com . dan ei di bawah ini. JK Regresi dengn JK Reg (tanpa titik) dan JK Total dengan JK Tot atau JK Y (tanpa titik). Sehingga sesuai dengan persamaan [2. Untuk menyederhanakan penulisan dan pengertian di atas. . JK Regresi. Yi.

com . Jika Fhit ≤ F(tabel 5%). maka rumusnya menjadi: [2.29].n-2) dan * = taraf nyata ) Kreteria pengujian nilai Fhit adalah: 1).2 Uji keberartian koefisien regresi (bi) atau uji t Pengujian yang dilakukan dengan uji F seperti cara tersebut di atas. sehingga untuk pengujian koefisien regresi (bi). Bagan Sidik Ragam Regresi Sumber Derajat Keragaman Bebas (DB) (SK) Regresi p = 1 Jumlah Kuadrat (JK) b1 Σyi x1 atau (b1 JHK XY) JK Galat Σyi2 = JK Total = JK Y Kuadrat Nilai Tengah F hitung (KT) (Fhit) JK Reg/p = KT Regresi KT Reg KT Galat JK Galat = n − p −1 KT Galat F tabel 5% 1% Lihat tabel F Residual atau Galat Total n–p– 1 n–1 n = jumlah sampel (pasangan pengamatan) dan p jumlah variabel bebas X. 2. maka dapat dilakukan dengan uji t atau uji koefisien regresi apabila uji F signifikan.3. Atau dapat dikatakan bahwa garis regresi penduga (") linier sederhana yang didapat tersebut adalah garis regresi penduga yang terbaik untuk menghampiri pasangan pengamatan X. 2).Y.3 berikut di bawah ini.Hasil perhitungan keragaman di atas dibuatkan Tabel Sidik Ragam Regresi seperti pada Tabel 2.28]. Hal ini berarti bahwa terdapat hubungan linier antara pengaruh X terhadap Y. Hal ini berarti bahwa garis regresi penduga (") linier sederhana yang didapat tersebut bukan garis regresi yang terbaik untuk menghampiri pasangan pengamatan X. Modifikasi dari pengaruh variabel bebas X terhadap variabel tak bebas Y atu uji F.Y tersebut.Y. Tabel 2. t-hitung W = [2. t-hitung b0 = b0 Sb 0 dan t-hitung b1 = b1 S b1 Di mana Sbi = salah baku bi 22 PDF created with pdfFactory Pro trial version www. Jika Fhit > F(tabel 5%). Atau dapat dikatakan ini berarti bahwa terdapat hubungan bukan linier pada pasangan pengamatan X. p. Secara umum uji t mempunyai rumus adalah: W SW W nilai yang diuji. 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(*. dapat memberikan petunjuk apakah setiap variabel X menunjukkan pengaruh atau hubungan yang nyata terhadap variabel tak bebas Y.pdffactory.8. Jika uji F atau uji ragam regresi menunjukkan bahwa Fhit > F(tabel 5%) barulah dilanjutkan dengan uji t dan sebaliknya.

jika thit ≤ t(tabel 5%. 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 . nilai salah baku koefisien regresi Sbi yang diperoleh.com . Jika thit > t(tabel 5%.pdffactory. yang berarti bahwa garis regresi penduga " tidak melalui titik acuan (X. db galat) Hal ini dikatakan bahwa tolak H0. Dengan kata lain. 2). 23 PDF created with pdfFactory Pro trial version www. db galat) maka garis regresi penduga " dikatakan sejajar dengan sumbu X pada nilai b0.32a].29] dalam menyederhakan penulisan salah baku koefisien regresi bi yang biasa ditulis dengan +Bi (salah baku = standard error koefisien regresi Bi). selain untuk pengujian hipotesis juga dapat dipakai pada perkiraan nilai interval koefisien regresi populasi i yang sering disebut dengan perkiraan nilai populasi beta ( ). Hal ini dapat dikatakan bahwa terima H0. S2e = KT Galat Regresi = JK Galat Regresi /(n-p-1) 2 Selanjutnya.Y = 0. 0). Pengujian yang dilakukan dengan cara tersebut di atas. Sb1 = = var b1 ∑X2      KT Galat Re gresi      JK X   Seperti dalam uji F. Untuk b1. Perhitungan nilai +Bi didasarkan pada ragam galat regresi atau KT Galat Regresi.32b]. didasarkan metode kuadrat terkecil.31].0) yaitu nilai Y = 0 jika X = 0. Untuk pengujian b0 yang berarti bahwa b0 melalui titik acuan (titik 0. ini berarti bahwa koefisien arah b1 yang berangkutan dapat dipakai sebagai penduga dan peramalan yang dapat dipercaya.Dari persamaan [2.n-2) dan * = taraf nyata ) Berdasarkan hasil uji t ternyata bahwa kreteria pengujian nilai thit adalah: 1). Selanjutnya. Kemudian t-hitung dibandingkan dengan t tabel yang biasa ditulis dengan: thitung ) ttabel (Di mana ttabel = t(*/2. maka dapat 2 diduga dengan nilai S e atau KT Galat Regresi sampel yang mempunyai persamaan yaitu: [2. Perlu diingatkan bahwa dalam pengujian di atas (baik uji F maupun uji t). Karena besarnya nilai + e (Ragam Galat Regresi) populasi tidak diketahui. Sbi = var bi masing-masing untuk b0 dan b1 menjadi: Untuk pengujian b0 nilai salah baku menjadi: [2. dapat memberikan petunjuk apakah setiap variabel Xi memberikan pengaruh atau hubungan yang nyata terhadap variabel tak bebas Y. Jika thit ≤ t(tabel 5%.30]. db galat). dalam uji t nilai salah baku bi yang ditulis (Sbi) mempunyai persamaan seperti berikut: [2. Sb0 = = var b0  KT Galat Re gresi   n JK X  Untuk pengujian b1 nilai salah baku menjadi: [2.0).

0.% ≤ b1 + t%/2 Sb1} = 1. Lihatlah kembali rumus koefisien regresi seperti [2.r .33a].35a]. p {b0 .35c].8.33b].19c] dan koefisien korelasi r seperti [2. dan untuk setiap b0 dan b1 seperti: [2.t%/2 Sb1 ≤ 0 1 ≤ b0 + t%/2 Sb0} = 1. Sedangkan. 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. p {bi . rXY = Σxy Σx 2 Σy 2 JHK XY JK X JK Y atau [2.34a].78.34b]. uji Koefisien Regresi (uji t) berdasarkan nilai Varians Galat Regresi.87.com . Adapun rumus dari pada koefisien korelasi r adalah: [2. Jadi nilai koefisien korelasi itu selalu pecahan seperti: r = 0.35b]. p (bi ± t%/2 Sbi Sbi) = 1. pada uji keeratan hubungan selain memakai Varians Galat Regresi juga memakai parameter tertentu yaitu koefisien korelasi atau sering disebut dengan keeratan hubungan dengan simbul rxy atau ryx yang sering ditulis dengan r saja.pdffactory. p {b1 . seperti uji Ragam Regresi (uji F).% untuk b0 untuk b1 2. r = .+2. rXY = menjadi: [2.%.347. 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 Sb0 ≤ [2.3 Uji keeratan hubungan atau uji r Pada uji-uji sebelum ini.% atau [2. Sepintas gambaran bahwa nilai r berkisar antara –1 sampai dengan + 1 atau sering ditulis dengan -1 .Rumus dari perkiraan nilai i adalah sebai berikut di bawah ini: [2. r = 0.35c]: [2.19c]. dan lain sebagainya.t%/2 Sbi ≤ i ≤ bi + t%/2 Sbi} = 1. Hubungan antara koefisien korelasi r dengan koefisien regresi b2.

Nilai r tabel dapat dilihat pada tabel r yang susunannya serupa dengan tabel t.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: [2.36b] b1 JK X = r [2.36c] b1 [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 [2.36h] b1 = r Yang jelas dalam uji r.35c]. n-2 = db Galat.356] dapat ditulis menjadi: [2. sehingga nilai SY SX = SY = 1.19] dan [2. rhitung ) rtabel (di mana rtabel = r(*/2.36a] b1 JK X = r ( (JK X ) (JK Y ) ) Dari kesamaan [2.36a] di atas dapat ditulis kembali menjadi: [2. sehingga persamaan [2.36f] b1 JK X n −1 KT X = r = r JK X n −1 KT Y atau atau [2.pdffactory.36e] b1 [2. n-2).36g] menjadi: [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 ) ) .[2. apabila nilai koefisien regresinya (b1) negatif. maka nilai koefisien korelasinya (r) juga negatif. dan * = taraf nyata ) 25 PDF created with pdfFactory Pro trial version www. Dalam uji r yang umum dialakukan adalah membandingkan nilai koefisien korelasi r yang dihitung atau r hitung dengan r tabel.com .36d] b1 Jadi: [2.36e] sama-sama dibagi dengan didapatkan: [2.

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

JK Galat JK Galat JK Galat = JK Total . Hal ini berarti bahwa garis regresi penduga (") linier sederhana yang didapat tersebut bukan garis regresi yang terbaik.40].41c] maka menghasilkan: [2. Dalam analisis keragaman atau uji F regresi di mana: [2.41b]. dalam analisis keragaman regresi linier sederhana dan uji F di mana DB Regresi = 1 dan DB Galat = n – 2. 27 PDF created with pdfFactory Pro trial version www. F-hitung F-hitung = = (n − 2) r 2 JK Total (1. Hal ini berarti bahwa terdapat hubungan linier yang nyata (p = 0. koefisien regresi b1.r ) . Jika Fhit ≤ F(tabel 5%). [2.r . JK Total = (1 . [2.39b].41a]. Atau sering diartikan bahwa koefisien determinasi R adalah persentase dari variabel tak 2 bebas Y yang dipengaruhi oleh variabel bebas X. atau dengan garis regresi penduga " adalah parameter r2 yang dalam persamaan regresi sering ditulis dengan R2 yang disebut dengan koefisien determinasi atau koefisien penentu atau coeficien of determination.r 2 ) JK Total sehingga didapatkan (n − 2) r 2 (1.pdffactory. Jika Fhit > F(tabel 5%). Sisanya 1 . F-hitung = JK Galat /(n − 2) (n − 2) JK Re grasi [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.JK Galat r JK Total = JK Total . [2.com .05).41c]. F-hitung = [2.39d].42a]. F-hitung = JK Galat Masukan persamaan [2. JK Total = KT Re grasi KT Galat JK Re grasi / 1 [2. sehingga kreteria pengujian adalah: 1).42b].r 2 ) Kreteria pengujian nilai Fhitung sama seperti pengujian-pengujian di atas. JK regresi = JK Total .39c]. 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 .Yang lebih penting dalam pembicaraan hubungan antara koefisien korelasi r. 2).40] ke dalam persamaan [2.39a]. bahwa terdapat pengaruh antara variabel X terhadap variabel tak bebas Y. sehingga Fhitung mempunyai rumus: [2. [2.R yang menunjukkan persentase dari variasi total atau variabel Y yang disebabkan oleh faktor lain diluar X atau variabel selain X.r 2 ) r2 Selanjutnya.

dapat dipakai sebagai peramalan dari nilai-nilai Xi yang belum diketahui. JK X dan KT Galat Regresi dari Analisis Varians Regresi X0 = suatu nilai Xi yang telah diketahui atau ditentukan 2). Dalam penaksiran atau peramalan garis regresi membicarakan sejauh mana garis regresi penduga " yang telah didapat betul-betul dapat dipercaya sebagai penduga garis . S 2ˆ = KT Galat Regresi 1 + + ˆ Y n    1 2. " .XY. n – 2) S " . masing-masing taksiran tersebut adalah: 1). [2.9 Peramalan atau Prediksi Garis Regresi Pembicaraan mengenai perkiraan nilai populasi beta ( ) pada persamaan [2.43]. Dalam perhitungan nilai selang kepercayaan juga menggunakan dasar Analisis Ragam Regresi.1 Interpolasi dan ekstrapolasi Jelaslah bahwa dari uraian di atas. yang umum disebut dengan selang kepercayaan " atau interval taksiran garis regresi penduga ".com .pdffactory. 28 PDF created with pdfFactory Pro trial version www. sehingga terdapat daerah atau range.33] bertujuan untuk mengetahui perkiraan nilai interval koefisien regresi populasi i baik b0 maupun b2. atau untuk mencari nilai Y apabila Xi telah ditentukan. dalam penaksiran diperlukan selang kepercayaan nilai 0 yaitu sebesar 1 – * di mana * adalah peluang kesalahan tipe I.9. ˆ ˆ ≤ " + t(%/2. n = jumlah penamatan atau sampel.2.t(%/2. n – 2) S Y Di mana: S adalah nilai salah baku dari penaksiran rata-rata dengan rumus: Y S 2 = KT Galat Regresi  + Y n   1 ( X 0 − X )2 JK X _   .t(%/2.   _ X = nilai rata-rata Xi. 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 Y ≤ (XY ≤ " + t(%/2. bahwa pemakaian persamaan penduga " = a + bX.XY yang terbaik.44]. dan b) penaksiran atau peramalan nilai individu Y apabila nilai Xi tertentu yang telah diketaui.Taksiran nilai rata-rata. Selanjutnya. 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.Taksiran nilai individu [2. Dengan demikian. 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 ".

Pengertian ekstrapolasi adalah penaksiran atau peramalan nilai Y.500 0.338 7.863 12.063 110.4. seperti disebutkan di atas.250 0.908 1.518 0.750 1. dan datanya seperti pada Tabel 2.563 234.1 Perhitungan JK-JHK dan penentuan koefisien regresi linier sederhana b0 dan b1 Tabel 2.500 11.125 14.800 0. 2.563 0.pdffactory.063 1. yang datanya terdiri dari satu variabel bebas X (prediktor) yaitu nilai X dan satu variabel tak bebas Y yaitu nilai Y.com .563 3.305 26.360 0.750 0.760 141.360 56. 2. maka diberikan contoh olahan seperti di bawah ini.720 1.250 1. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Jumlah Rata2 X 9.000 2.300 13.210 112.310 16.000 1.555 Y2 0.950 15.323 0.4.720 0.090 79.600 12.261 XY 6.150 0.300 8.400 11. Perhitungan Regresi Dua Variabel yaitu Variabel X dan Variabel Y No.330 145.Interpolasi.423 0.250 12.873 Y 0.610 231.900 10.240 0. Ada dua pengertian pokok yang harus dipahami dalam penaksiran atau pendugaan adalah: 1).100 11.610 2183.600 11.750 10.875 10.10 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 b1.700 1.050 1.903 3.540 5.305 198.410 204.300 5.10.600 7.900 14.490 175.810 1.650 0.253 13.900 178.200 12.250 141.890 1.340 5. jika harga-harga Xi yang dimasukan ke dalam persamaan regresi penduga " = a + bX terletak di dalam daerah ruang gerak X1 dan Xn hasil-hasil pengamatan atau dengan perkataan lain bahwa nilai Y yang diduga di mana nilai Xi terletak antara X1 dan Xn.Ekstrapolasi Pengertian interpolasi adalah penaksiran atau peramalan nilai-nilai Y.063 166. 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.217 29 PDF created with pdfFactory Pro trial version www.490 11.600 0.563 158.Di dalam penerapan praktis dari garis regresi penduga " = a + bX dipakai untuk mengadakan peramalan atau penafsiran.250 12.900 15.103 1.250 15.048 X2 95.900 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. 2).900 24.500 11.040 150.950 1.250 126.903 18. sebab garis regresi penduga tersebut harus tahan uji dari beberapa jenis pengujian garis regresi seperti yang telah diuraikan di atas.563 27.

4 di atas seperti berikut: 1).((Y) /n 2 18. dan Uji koefisien korelasi atau uji r.(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.4338 (x1 = (X1 .720) /15 2. JK Regresi.6893 0.330 .(5.0.10.16893 satuan Y.((Y)2/n 18. dilakukan pengujian terhadap garis regresi penduga.720)2/15 2.(0.16893 X Sehingga.com . 2).0.100)2/15 68. persamaan peduganya menjadi: = = b0 + b1 X .43384 2 30 PDF created with pdfFactory Pro trial version www. Uji F atau uji ragam regresi atau uji varians regrsi.95776 + 0.6037 68. maka akan menyebabkan terjadinya perubahan Y sebesar 0.908 .((X) /n 2183.95776 JHK XY JK X 11.b1 X 1.6893 (x1y = (X1Y . Dalam pengujian garis regresi penduga terdapat tiga macam uji yaitu: 1).16893 Sehingga. dan JK Galat Regresi dari data Tabel 2. dilakukan perhitungan untuk mencari nilai b0 dan b1 seperti berikut ini. 2. Uji koefisien regresi atau uji terhadap bi atau uji t.873) .100)(5. JK Total = = = = (y 2 2 (Y .720)/15 11.908 .(178. 3).16893) (11.048 . Nilai b1 adalah: b1 = = = Nilai b0 adalah: b0 = = = " " Y . Selanjutnya.(X1 (Y/n 198.Perhitungan JK-JHK dari data di atas seperti: JK Y = = = = = = = = = (y2 = (Y2 .6037 2 2 2 JK X JHK XY Selanjutnya.253 . dari persamaan peduga di atas dapat diartikan bahwa setiap perubahan satu satuan X.(178.pdffactory.

96021 JK Galat/ (DB Galat) 0.330 15 x 68.com .96021 = = = JK Total .2.2).6037) 1. JK Galat Regresi Selanjutnya.03643 2183. = berpengaruh sangat nyata pada p<0.47363/13 0.JK Regresi 2. yang berarti bahwa terdapat pengaruh variabel bebas X yang sangat nyata (p<0.16893) (11. KT Regresi = = = JK Regresi /(DB Regresi) 1. Bagan Sidik Ragam Regresi Dua Variabel Sumber Keragaman (SK) Regresi Residual Total Keterangan: ** Derajat Bebas (DB) 1 13 14 Jumlah Kuadrat (JK) 1.01 Berdasarkan hasil analisis varians di atas ternyata bahwa Fhit > F(tabel 1%) atau dapat dikatakan bahwa hipotesis nol ditolak.96021/1 1.6893 0. bi Secara umum uji t mempunyai rumus adalah t-hitung bi = S bi Selanjutnya.96021 0.8037 ** F tabel 5% 1% 4.3 Pengujian koefisien garis regresi linier sederhana dengan uji t Setelah dilakukan pengujian dengan uji F maka selanjutnya.96021 0.pdffactory. Tabel 2.47363 3). 2. dan KT Galat didapatkan. KT Galat Regresi = = = Setelah perhitungan JK Total. maka di lanjutkan dengan membuat Tabel Analisis Keragaman atau Tabel Analisis Varians Regresi seperti pada Tabel 2.03643 2). JK Regresi = = = b1 JHK XY (0.96021 0.5 berikut. dalam analisis regresi dua variabel nilai salah baku bi yang ditulis dengan Sbi mempunyai persamaan seperti berikut. JK Regresi.43384 Kuadrat Tengah (KT) 1.10.03643 - F hitung 53. KT Regresi.5.47363 2. dihitung nilai KT atau varians seperti: 1). Untuk pengujian b0 nilai salah baku Sb0 dari data di atas: Sb0 = KT Galat Re gresi ∑ X 2 n JK X 0. dilakukan pengujian terhadap koefisien regresi b0 dan b1 dengan uji t seperti berikut.07 Jumlah sampel (n) = 15. JK Galat Regresi.67 9.01) terhadap variabel tak bebas Y.277853 = = 31 PDF created with pdfFactory Pro trial version www.43384 .

4470 mutlaknya)}.0.0.95776 + 0.95776 .277853)} = 1. Garis regresi penduga " = .0 atau titik acuan. uji t terhadap nilai koefisien regresi b1: t-hitung b1 = b1 Sb 1 0. Garis regresi penduga " = .t*/2 sbi} = 1.t*/2 sbi ≤ Untuk perkiraan didapatkan: 0 i ≤ bi .* untuk masing-masing b0 dan b1 seperti: dengan nilai salah baku Sb0 dengan * = 5% dari data di atas 0 p {b0 . {Nilai t negatif sama dengan nilai positif (diambil harga Selanjutnya.16893 X tidak sejajar dengan sumbu X.6893 = = 0.131 dan t(1%.277853 = .16893 X tidak melalui titik 0.95776 = 0.3.* 0 p {. db galat = 13) yaitu sebesar 2.335101 Berdasarkan hasil uji t ternyata bahwa nlai thitung yang diperoleh dibandingkan dengan ttabel atau t(5%.* 32 PDF created with pdfFactory Pro trial version www. Ini berarti bahwa dari analisis tersebut H0 ditolak baik untuk uji b0 maupun untuk uji b1 Sehingga.35750} = 1 . Ternyata bahwa t-hitung > ttabel 1% baik untuk nilai b0 maupun untuk b2.pdffactory.1.Untuk pengujian b1 nilai salah baku Sb1 dari data di atas: Sb1 = KT Galat Re gresi JK X 0. selain untuk pengujian hipotesis.131) (0.023030 Uji t terhadap nilai koefisien regresi b0: t-hitung b0 = b0 Sb 0 .131) (0. 2).* ≤ .com . dapat dikatakan bahwa: 1).0.95776 + 0.947.95776 + (2.558029 ≤ ≤ b0 + t(*/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 .(2.0.t(*/2.n-2) Sb0 ≤ p { .n-2) Sb0} = 1.277853) ≤ 0 ≤ .03643 68.023030 = 7.0.16893 Selanjutnya.13) = 2.16893 = 0. atau mempunyai slop sebesar 0. dengan nilai salah baku koefisien regresi b0 dan b1 yang diperoleh.0.

* berkisar antara 0.com .0 1.253 (Y 2 (Y = = 15.330 198.1689 X R2 = 80.8 Konsumsi Daging x100.* 1 untuk b0 p {0.54% 2.1.0.16893 + (2.100 2183.0 10.6 1.0 14.119176 sampai dengan 0.* ≤ 0.35750 dengan nilai salah baku Sb1 dengan * = 5% dari data di atas 1 p {b1 .023030) ≤ 1 ≤ 0.4 0.4 Pengujian garis regresi linier sederhana dengan uji r Pada uji-uji sebelumnya seperti uji F dan uji t telah dilakukan.131) (0.n-2) Sb1} = 1.2 6.908 33 PDF created with pdfFactory Pro trial version www. 000) Y = .0.131) (0.6 0.4 1.558029 sampai dengan .Jadi perkiraan nilai Untuk perkiraan didapatkan: 1 0 berkisar antara . 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 3.21868} = 1 .720 18.n-2) Sb1 ≤ p {0.2 1.119176 ≤ Jadi perkiraan nilai 1 ≤ b1 + t(*/2.0 16.9578 + 0.023030)} = 1.0 8.t(*/2.16893 .0 0. Selanjutnya.8 0.1 di atas seperti: (X = 2 (X = (XY = 178.000 1.0 12.21868 Berdasarkan perhitungan di atas maka dapat dibuat gambar Garis Regresinya seperti berikut: 2.pdffactory.0 Pendapatan Petani ( x 100.10.(2.

dan Nilai r tabel 1% = r(1%. Nilai r tabel = r(*/2. Hal ini dapat dikatakan bahwa tolak H0 yang berarti bahwa terdapat hubungan atau korelasi yang sangat erat antara variabel X dengan variabel Y.642. 13) = 0.642. dengan rumus pengujian seperti berikut: t-hitung = r .com .908 −     15 15    198.897 2 ) (15 − 2) 0. maka nilai thitung ) ttabel.13765 = = 6.330 −  18.131 dan t(1%. dengan n = 15 maka: Nilai r tabel 5% = r(5%. 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. Jadi r hitung = 0. n-2).Sehingga: r = 178. 13) = 0.100) 2   (15. Selain.720) 15  (178.13) = 2. Sr Di mana Sr = salah baku r dengan rumus: Sr Sr = = = Sehingga: t-hitung = r Sr 0.514. Hal ini dapat dikatakan bahwa terdapat hubungan atau korelasi yang sangat erat antara variabel bebas X dengan variabel tak bebas Y. nilai r dapat pula diuji dengan uji t. 34 PDF created with pdfFactory Pro trial version www. pengujian r seperti di atas. db galat = 13) yaitu sebesar 2.897 = 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 .720) 2   2183.897 0. Ternyata bahwa t-hitung > ttabel 1%.947.897 > r tabel 1% = 0.13765 (1 − r 2 ) (n − 2) (1 − 0.51653 Berdasarkan hasil uji t.100) (15. Nilai ttabel atau t(5%.pdffactory.53 − 0.

8054.pdffactory.76088 35 PDF created with pdfFactory Pro trial version www.73154 .54% dari variabel tak bebas Y dipengaruhi oleh variabel bebas X. Hal ini diartikan bahwa 80.03643  + 68.95776 + 0. n – 2) S .0138) 0. Dengan menggunakan dasar perhitungan analisis ragam regresi dan KT Galatnya seperti di atas didapatkan taksiran nilai rata-rata seperti berikut ini.XY ≤ " + t(*/2.16893 (10) = 0. dengan nilai " menjadi: Y " = . 13) = = = = = = = 0.01377 Selanjutnya.131) (0. sehingga 0 = 95%. maka didapatkan koefisien determinasi R2 = (0.(2. di mana * = 5%.0. taksiran nilai rata-rata .73154 68. 2.6893 0.95776 + 0.0. Sebagai contoh: taksiran nilai rata-rata .873) 2  0.46% dari variasi total Y dipengaruhi oleh faktor lain diluar X atau variabel selain X. 1).0138) ≤ (XY ≤ 0. atau dapat diartikan bahwa 80.XY untuk X0 = 10. n – 2) S Y 0.73154 + (2.Berdasarkan perhitungan koefisien korelasi r di atas. n – 2) S Y ≤ .03643 15 11. 2 Sisanya 1 .10.t(*/2.7022 0.131) (0. n – 2) S Y ≤ (XY ≤ ≤ (XY ≤ " + t(*/2.16893 X = .com .R = 19. seperti berikut: " .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%.54% variasi keragaman total Y atau variasi Y dapat diterangkan oleh variasi X.XY: " .t(*/2.131 Berdasarkan ketentuan di atas maka nilai S dapat dihitung: Y S = Y  1 ( X 0 − X )2 KT Galat Regresi  +  JK X n  _ _ 1 (10 − 11.897)2 = 0.873 10 2.5 Peramalan atau prediksi pada garis regresi Dalam perhitungan taksiran atau ramalan garis regresi diperlukan selang kepercayaan 0 yaitu sebesar 1 – *.6893  15       =      = 0.

36 PDF created with pdfFactory Pro trial version www.131) (0. Hasil perhitungan taksiran rata-rata dan individu nilai-nilai Xi yang lain dapat dilihat pada Tabel 2.16893 X = . maka (XY berkisar antara 0.873) 2 0.95776 + 0.7022 sd 0. Jadi.131 Berdasarkan ketentuan di atas maka nilai S ˆˆ dapat dihitung: Y S ˆˆ = Y _  1 ( X 0 − X )2  + KT Galat Regresi 1 + n JK X        = =  1 (10 − 11. taksiran nilai individu: " .0138) ≤ Y ˆ ˆ ≤ 0.73154 + (2.73154 . ˆ ˆ untuk X0 = 10. taksiran individu untuk Xi = X0 = 10.16893 (10) = 0.t(*/2.6 di bawah ini.6893   0.03643  1 + +  15 68.pdffactory.com .73154 68. n – 2) S ˆˆ Y ˆ ˆ ≤ ≤ Y " + t(*/2. 2).69835 ≤ Y 0. Untuk taksiran rata-rata nilai-nilai Xi yang lain dapat dihitung seperti cara di atas. n – 2) S ˆˆ ≤ Y ˆ ˆ Y Y " = .76473 ˆ ˆ berkisar antara 0.6893 0.873 10 2.t(*/2.t(*/2.(2.03643 15 11. 69835 sd 0. seperti berikut: Sebagai contoh: taksiran nilai individu Y ˆ ˆ ≤ " .Jadi. taksiran rata-rata untuk Xi = X0 = 10.01558      Selanjutnya.0. maka Y 76473.95776 + 0. n – 2) S ˆˆ Y ˆ ˆ ≤ 0. 13) = 0.131) (0. n – 2) S " . Untuk taksiran individu nilai-nilai Xi yang lain dapat dihitung seperti cara di atas.0138) 0.76088.73154 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%.0.

726 0.816 0.961 1.662 1.722 0.6 Konsumsi daging 1.6 Hasil Perhitungan Taksiran Rata-rata (XY dan Taksiran Individu ˆ ˆ dari Nilai-nilai Xi Y X 9.0 Pendapatan 12.499 1.pdffactory.900 Y 0.281 1.2 6.259 1.239 1.0 1.610 1.069 1.379 1.200 12.129 1.653 0.6 di atas.300 8.6 0.664 1.924 1.0 16.377 1.159 1.750 0.833 0.048 0.458 1.053 ˆ ˆ lower (XY lower (XY upper Y 0.Tabel 2.171 1.838 0.250 1.000 1.0 Data pada Tabel 2.0 10.500 0.853 0.250 12.119 1.900 1.150 0.843 0.050 1.807 0.417 1.053 1. 2.105 1.650 0.950 " 0.556 1.309 1.700 1.900 14.682 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 2.656 0.4 1.789 0.497 0.627 0.4 0.095 1.794 0.151 1.689 0.241 1.250 15.750 10.300 13. 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.595 0.500 11.943 1.500 11.0 8.900 10.036 1.8 1.420 1.244 1.069 No.813 0.238 1.574 0.0 0.546 0.190 1.600 7.057 1.250 12.205 1.199 1.302 1.800 0.254 1.221 1.183 1.036 ˆ ˆ upper Y 0.499 0.057 0.048 1.2 1.900 15.680 0.307 1.950 1.600 0.558 1.6 37 PDF created with pdfFactory Pro trial version www.com .592 0.571 0.8 0.600 11.953 1.932 1.496 1.0 14.112 1.720 0.750 1.

5 dan Xi = 15 berada di luar Xminimum dan Xmaksimum.9 Parsial Regression Coefficients Standart t Stat P-value Lower Upper Lower Upper Error 95% 95% 99. SPSS.57615. atau untuk mencari nilai Y apabila Xi telah ditentukan. Di dalam penerapan praktis dari garis regresi penduga " = .0.0.0.2.95776 0. seperti X = 10 maka nilai Y penduga = 0.2.8 ANOVA SV Regression Residual Total DB 1 13 14 SS 2.7904 0.95776 + 0.30922 dan 1.8054 0.09956 0.16893 X dapat dipakai untuk mengadakan peramalan atau penafsiran interpolasi dan ekstrapolasi Nilai interpolasi adalah nilai taksiran atau nilai ramalan dari nilai-nilai Y. sebab nilai Xi = 10 berada di dalam antara X1 dan Xn.11 Interpolasi dan ekstrapolasi Jelaslah bahwa dari uraian di atas.0.16893 0. Sistat.0000 0.4338 MS 2.12079 X1 0. Minitab.16893 X terletak di luar batas daerah ruang X1 dan Xn.1909 15 Table 2.12 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.95776 + 0. dan lain sebagainya.0. 2.16893 X terletak di dalam daerah ruang gerak X1 dan Xn.95776 + 0.73154.55803 .7 Regression Statistics Multiple R R Square Adjusted R Square Standard Error Observations Table 2. Statistica.3351 0.5 dan X = 15.4736 2.0.00433 . Dalam hal ini akan diberikan contoh keluaran komputer dengan program Excel seperti pada tabel berikut. jika harga-harga Xi yang dimasukkan ke dalam persamaan regresi penduga " = . maka nilai Y penduga = 0.9602 0. sebab nilai Xi = 7.79474 . dapat dipakai sebagai peramalan dari nilai-nilai Xi yang belum diketahui. pemakaian persamaan penduga " = b0 + b1X.com .4470 0.0364 F 53.8974 0.21868 0.8037 Significance F 0. Nilai ekstrapolasi adalah nilai taksiran atau nilai ramalan dari nilai Y. seperti X = 7.27785 .11918 0.35750 .23830 Var 38 PDF created with pdfFactory Pro trial version www.0% 99.00001 0.02303 7. jika harga-harga Xi yang dimasukan ke dalam persamaan regresi penduga " = .2. 1 Summary Output Excel Table 2.0% Intercept .pdffactory.9602 0.3.

pdffactory.8037 dengan significance F = 0. adalah garis regresi yang terbaik untuk menerangkan bahwa variabel bebas X (pendapatan petani) berpengaruh sangat nyata terhadap variabel tak bebas Y (pengeluaran petani). Atau variabel bebas X tidak berpengaruh terhadap variabel tak bebas Y. Di mana SV = Sumber Variasi (SV) atau Sumber Keragaman (SK).54% dari variabel tak bebas Y dipengaruhi oleh variabel bebas X. 2).05) mempunyai kesimpulan yang sama dengan Fhit ≤ F(tabel 5%). Apabila nilai significance F 1 (p = 0. atau dapat diartikan bahwa 80. Akan tetapi. DF = Degrees of Freesom atau = Derajat Bebas (DB).05) mempunyai kesimpulan yang sama dengan Fhit > F(tabel 5%).Penjelasan tabel di atas seperti berikut: Table 2.8 ANOVA KT Y n Pada Tabel Anova adalah persis sama dengan Sidik Ragam Regresi.0.8974. 1).01) mempunyai kesimpulan yang sama dengan Fhit > F(tabel 1%).0000. R Square adalah sama dengan koefisien determinasi R2 yang menunjukkan variasi keragaman total Y yang dapat diterangkan oleh variasi variabel X. 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.95776 + 0.7 Regression Statistics Multiple R adalah sama dengan koefisien korelasi r yang menunjukkan keeratan hubungan antara variabel bebas X dengan variabel tak bebas Y yaitu sebesar 0.16893 X. Sebagai contoh dari hasil analis tersebut di atas didapat nilai F = 53. Apabila nilai signifikanse F < (p = 0.com . SS = Sum of Squares atau = JK. Dalam hal ini nilai F-hitung tidak dibangingkan dengan F tabel seperti biasa. Significance F adalah sama dengan nilai peluang dari nilai F-hitung. 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 " = . 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. 39 PDF created with pdfFactory Pro trial version www. hal ini berarti terima H0 yang menyatakan bahwa garis regresi penduga (") linier sederhana yang didapat tersebut bukan garis regresi yang terbaik. nilai significance F dibandingkan peluang (p) standar yaitu 5% dan 1%. Apabila nilai significance F < (p = 0. MS = Means Squarwes atau KT. F = F-hitung.

0). adalah garis regresi penduga tidak sejajar dengan sumbu X. Sebagai contoh dari hasil analisis tersebut di atas didapatkan nilai P-value untuk b0 = 0. Masing-masing b0 = .0. Standart Error di sini menunjukkan nilai yang sama dengan Sb0 dan Sb1 dalam pengujian b0 dan b1.02303. maka 1). 2).0) 2). Demikian juga didapatkan nilai P-value untuk b1 = 0. yang berarti bahwa garis regresi penduga " = . Akan tetapi. Dalam hal ini nilai t-hitung tidak dibangingkan dengan t tabel seperti biasa.05) mempunyai kesimpulan yang sama dengan thit ≤ t(tabel 5%). hal ini berarti terima H0 yang menyatakan bahwa garis regresi penduga (") linier sederhana melalui titik acuan (0. Sebagai contoh Standart Error untuk b0 (Sb0) = 0.3.00433.05. 1). Untuk b0. dalam analisis ini adalah X. Standart Error dalam Tabel 3 ini berbeda dengan Standart Error dari Tabel 2. tidak melalui titik acuan (0.05) mempunyai kesimpulan yang sama dengan thit ≤ t(tabel 5%). Coefficients sama dengan bi dalam hal ini sama dengan b0 dan b2. Ini berarti tolak H0 karena Pvalue < 0. yang berarti bahwa garis regresi penduga " = . P-value adalah sama dengan nilai peluang dari nilai t-hitung.05) mempunyai kesimpulan yang sama dengan thit > t(tabel 5%). Sehinga nilai t-hitung untuk masing-masing b0 = .com .0. Apabila nilai P-value 1 (p = 0. Apabila nilai P-value < (p = 0.05) mempunyai kesimpulan yang sama dengan thit > t(tabel 5%). hal ini berarti tolak H0 yang menyatakan bahwa garis regresi penduga (") linier sederhana melalui tidak melalui titik acuan (0.16893 X.9 Parcial Regression Var adalah sama dengan variabel yang akan dijelaskan. t Stat sama dengan t-hitung untuk b0 dan b1 dengan rumus umum seperti: bi thitung bi = . Untuk b1.pdffactory. Apabila nilai P-value < (p = 0. arinya mempunyai slop atau kemiringan = 0. maka 1).05. 40 PDF created with pdfFactory Pro trial version www. hal ini berarti terima H0 yang menyatakan bahwa garis regresi penduga (") linier sederhana sejajar dengan sumbu X pada nilai b0. Ini berarti tolak H0 karena P-value < 0.0).95776 + 0. Apabila nilai P-value 1 (p = 0.33510.95776 dan b1 = 0.44702 dan S bi b1 = 7. hal ini berarti tolak H0 yang menyatakan bahwa garis regresi penduga (") linier sederhana melalui tidak sejajar dengan sumbu X dengan slop sama dengan b2.27785 dan Standart Error untuk b1 (Sb1) = 0.0.0).16893.95776 + 0. nilai P-value dibandingkan peluang (p) standar yaitu 5% atau 1%.16893 X.Tabel 2. Intercept sama dengan b0 jarak antara titik potong garis regresi penduga " dengan titik acuan (0.00002.16893 dan sangat nyata.

apabila nilai Lower dan Upper bersifat definit positif atau definit negarif artinya baik Lower maupun Upper mempunyai tanda bilangan yang positif atau negarif ( + .* tergantung pada nilai * yang dipakai 5% atau 1%. dan antara .pdffactory.119176 sampai dengan 0.1.79474 sampai dengan .09956 sampai dengan 0. .23830 untuk * = 1%.35750 untuk nilai * = 5%.) 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 .12079 untuk * = 1%. Perkiraan nilai 0 berkisar antara .t*/2 sbi ≤ i ≤ bi .0. Sebaliknya.* .com .t*/2 sbi} = 1. Perhatikan nilai Lower dan Upper. dan antara 0.558029 sampai dengan . Nilai 95% atau 99% = 1.1. Perkiraan nilai 1 berkisar antara 0.21868 untuk * = 5%.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%. 41 PDF created with pdfFactory Pro trial version www.