Anda di halaman 1dari 48

1

REGRESI SEDERHANA
(DUA VARIABEL)
Pada model regresi linear sederhana yaitu
variabel dependen hanya dijelaskan oleh satu
variabel independen.
Misalnya kita mempelajari:
Pengeluaran konsumsi dengan pendapatan real.
C =
0
+
1
Y
1
> 0
dimana C = konsumsi dan Y= pendapatan

0
dan
1
adalah koefisien parameter
i

Jumlah permintaan dengan harga barang
Y =
0
+
1
X
1
< 0
dimana Y = Jml permintaan dan X= harga barang

0
dan
1
adalah koefisien parameter
i

2
POPULASI
+ + + +
Y Y Y Y






Sampel
+ + + +
y y y
y






REGRESI POPULASI
Sampel
Model Populasi
Y =
0
+
1
X + U
Faktor gangguan/residual
Asumsi E(U) = 0
E(Y) = E (
0
) + E (
1
X) + E (U)
tertentu
E (Y) =
0
+
1
X Regresi Populasi
Model Sampel
Persamaan ini kalau
digambarkan dalam bentuk grafik
merupakan garis lurus dengan intersep
sebesar
0
dan slope
1
.
Garis lurus yang didapatkan disebut garis regresi
sampel, di mana dan merupakan estimasi
parameter dari
0
dan
1
.
e X Y
i i
+ + =
1 0

| |
0

|
1

|
3
Regresi Sampel
= mengestimate E(Y)

0
|
= mengestimate 0
= mengestimate
1

1
|
disebut nilai prediksi
(predicted value) dari Y.
Nilai prediksi tidak sama
dengan nilai aktualnya
sehingga ditambahkan
nilai residual dalam
persamaan, Y = + e
e X Y
i i
+ + =
1 0

| |
X
i

E(Y)=
0
+
1
X
X
X Y
1 0

| | + =
e
e
A
Garis Regresi Populasi dan
Sampel
E(Y
i
)
4
METODE KUADRAT TERKECIL
(OLS= Ordinary Least Square)
Persoalan penting dalam membuat garis
regresi sampel adalah bagaimana
mendapatkan garis regresi yang baik sedekat
mungkin dekat dengan datanya.
Metode OLS mempunyai beberapa sifat statistik
yang sangat menarik yang membuatnya menjadi
suatu metode analisis regresi yang paling kuat
(powerful) dan populer. Untuk penjelasan kita
lihat pada fungsi regresi sampel (FRS) dua
variabel : e X Y + + =
1 0

| |
5
METODE KUADRAT TERKECIL
(OLS= Ordinary Least Square)
Perbedaan nilai aktual dengan nilai prediksi
disebut residual ( )dan dinyatakan dalam:

Metode OLS yang akan menjamin jumlah
residual kuadrat sekecil mungkin dapat
dijelaskan sebagai berikut:
. .
+ =
i
i
i
e Y Y
i e
.
2
1 0
2 2
) (
) (

. .
.
.
=
= E
i i
i
i i
X Y
Y Y e
| |
6
METODE KUADRAT TERKECIL
(OLS= Ordinary Least Square)
Melalui differensial parsial maka akan
didapatkan estimator parameternya, hingga
didapatkan:
2
2
2 2
1
) (
) )( (
) (

i
i i
i
i i
i i
i i i i
X
Y X
X X
Y Y X X
X X n
Y X Y X n
E
E
=
E
E
=
E
E E E
= |
X Y
n
Y
X X n
Y X X Y X
n
X
i
i i
i i i i i
i
2
2
2 2
2
0
) (

.
E
.
=

E
=
E
E E E E
=
|
|
|
7
Metode OLS, menunjukkan jumlah residual kuadrat
sekecil mungkin dapat dijelaskan sebagai berikut:
atau
Syarat
0 ) 1 ( )

( 2 0

1 0
0
2
= =
c
c

X Y
e
| |
|
1)
+ = X n Y
1 0

| |
(1)
0 ) ( )

( 2 0

1 0
1
2
= =
c
c

X X Y
e
| |
|
2)
+ =
2
1 0

X X XY | |
.. (2)

=
2 2
) Y

Y ( e

| | =
2
1 0
2
) X

Y ( e
8
Berdasarkan persamaan (1) dan (2) kita dapatkan
nilai
0
dan
1
dengan mengalikan persamaan (1)
dengan X dan perasamaan (2) dengan n, sbb:

=
2 2
1
) (

X X n
Y X XY n
|


=
2
) X X (
) Y Y )( X X (
X dan Y
adalah rata-rata
2
1
x
xy

= |
x = X X
y = Y Y
X
1 0

- Y

| | =
9
Asumsi-Asumsi Metode Kuadrat Terkecil
Asumsi 1
Hubungan antara variabel Y (variabel dependen)
dan X (variabel independen) adalah linear dalam
parameter. Dalam hal ini
1
berhubungan linear
dengan Y.
Asumsi 2
Variabel X adalah variabel tidak stokastik yang
nilainya tetap. Nilai X adalah untuk berbagai
observasi yang berulang-ulang, nilai X adalah
tertentu. Jadi dengan sampel yang berulang-ulang
nilai variabel independen (X) adalah tetap dengan
kata lain variabel independen (X) adalah variabel
yang dikontrol.
10
80 140 210 300
(X
1
) (X
2
) (X
3
) (X
4
)


Asumsi 3
Nilai harapan (expected value) atau rata-rata dari
variabel gangguan adalah nol, secara simbolis sbb:
E(e
i
| X
i
) = 0
Asumsinya bahwa nilai harapan dari Y
hanya dipengaruhi oleh variabel independen
yang ada yang dinyatakan E(Y) =
0
+
1
X
Fungsi Regresi Populasi
E (Y) =|
0
+ |
1
X
= Rata-rata
X = Pendapatan
Y = Konsumsi
11
X
3

Asumsi 4
Varians dari variabel gangguan e
i
adalah sama
(homoskedastis). Secara simbolis dinyatakan:
Var(e
i
|X
i
) = E[e
i
E (e
i
|X
i
)]
2
= E(e
i
2
|X
i
)
, karena asumsi 3
=
2

Y
X
1

X
2

X
4

Probabilitas
f(u
i
)
Gambar di samping
menyatakan bahwa:
Populasi Y yang
berhubungan
dengan berbagai
nilai X mempunyai
varians yang sama
(homoskedastisitas)
X
Gambar: Homoskedastisitas
12
X
1

X
2

X
3

Jika o
e
2
untuk setiap X tidak lagi sama atau varians
populasi Y tidak lagi konstan, maka disebut
heteroskedastis.
Y
Probabilitas f (e)
PRF Y = |
0
+ |
1
X
X
Gambar: Heteroskedastisitas
13
Gambar Heteroskedastisistas menunjukkan bahwa
varians meningkat bersama dengan meningkatnya
pendapatan. Jadi bisa dikatakan, keluarga yang lebih
kaya secara rata-rata mengkonsumsi lebih banyak
dari pada keluarga miskin, tetapi variabilitas belanja
konsumsi keluarga yang kaya lebih besar.
Asumsi 5
Tidak ada serial korelasi antara residual e
i
atau
residual e
i
tidak saling berhubungan dengan e
j

yang lain. Secara simbolis :
Cov (e
i
, e
j
|X
i
, X
j
) = E [ (e
i
E(e
i
)|X
i
)] [(e
j
E (e
j
)|X
j
)]
= E (e
i
|X
i
) ( e
j
|X
j
) =0
14
+ e
i

+ e
i

+ e
i

e
i
e
i
e
i

e
j
e
j
e
j
+e
j

+e
j

Gambar : (a)
Gambar : (b)
Gambar : (c)
(a) Korelasi
berurutan
positif.
(b) Korelasi
berurutan
negatif.
(c) Korelasi nol, tidak
ada pola yang
sistematis untuk e.
+e
j
15
Asumsi 6
Variabel gangguan e
i
berdistribusi normal
e ~ N (0 ;
2
)
Metode OLS menghasilkan regresi yang BLUE
(Best Linear Unbiased Estimator)
Suatu estimator
1
dikatakan mempunyai sifat
BLUE, jika:
1. Estimator
1
adalah linear, yaitu linear terhadap
variabel stokastik Y sebagai variabel dependen.
2. Estimator
1
tidak bias, yaitu nilai rata-rata atau nilai
harapan E (
1
) sama dengan
1
yang sebenarnya.
3. Estimator
1
mempunyai varian yang minimum
(efisien).
16
Y (Konsumsi)
X (Pendapatan)
X
1

e
1
{
X
2

}e
2

*
*
*
X
3

e
3

*
}e
4

X
4

X Y
1 0

| | + =

Y
Y
Y
Y
Y diestimate dengan , terdapat e
1
, e
2
, e
3
, e
4
dst
e bisa positif dan bisa negatif.
adalah nilai taksiran rata-rata bersyarat
dari Y.
SRF
17
X dan Y sudah tentu, kita ingin menetapkan SRF
sehingga sedekat mungkin dengan nilai Y yang
sebenarnya (aktual). E e
2
= minimal. Jumlah
kesalahan paling kecil disebut Metode Kuadrat
Terkecil (OLS = Ordinary Least Squares)
i
e X Y + + =
1 0

| | Persamaan ini merupakan nilai
prediksi yang berbeda dengan nilai
aktualnya.
Perbedaan nilai aktual dengan dengan nlai prediksi
disebut residual (e), sehingga persamaan dapat
ditulis kembali menjadi Y = + e atau e = Y
Dalam bentuk persamaan yang lain e = Y
0

1
X
^
^
18
Standard Error dari OLS
Estimator yang diperoleh dari metode OLS
adalah variabel yang sifatnya random, yaitu
nilainya berubah dari satu sampel ke sampel
lain. Kita membutuhkan ketepatan estimator
dari
0
dan
1
. Standard error mengukur
ketepatan estimasi dari estimator
0
dan
1

Standard Error
0
dan
1
dihitung dengan
rumus sebagai berikut:

=
2
2 2
0
n
X
)

( Var
i
x
o
|
)

( )

(
0 0
| | Var Se =
19

=
2
2
1
)

( Var
x
o
|
)

( )

(
1 1
| | Var Se =
Rumus Varians
k n
e
i

2
2
o
n = ukuran data
k = banyaknya variabel
Rumus lain mencari varians:
k n
xy y

=

1
2
2

|
o
e
2
adalah jumlah residual kuadrat (residual
sum of squares = RSS). n-k dikenal dengan
derajat kebebasan atau degree of freedom (df).
Semakin kecil standard error maka semakin
kecil variabilitas dari angka estimator, berarti
semakin dipercaya nilai estimator yang didapat.
20
Dari
e Y

Y
i i
+ =
e y y
i i
+ =

asumsi e dan y
independen
2 2 2
) ( ) ( ) (

i i i i
i i i i
i i
y y y y y y
kuadratnya n penjumlaha total
y y y y y y
y dikurangi kemudian
e y y
. .
. .
E + E = E
+ =
+ =
TSS ESS
+
RSS = (Total Sum Squares)
(Residual Sum Squares)
(Explained Sum Squares)
KOEFISIEN DETERMINASI
RSS ESS TSS ingat
Y Y
e
R
atau
Y Y
Y Y
TSS
ESS
R
i
i
i
i
+ =
E
E
=
E
E
=
=
.
.
,
) (
1
) (
) (
2
2
2
2
2
2
21
Berdasarkan TSS=ESS+RSS
Nilai determinasi dapat didefinisikan sebagai
proposri atau persentase dari total variasi
variabel dependen Y yang dijelaskan oleh garis
regresi (variabel independen X). Jika garis
regresi tepat pada semua data Y maka ESS
sama dengan TSS sehingga nilai determinasi =
1, sedangkan jika garis regresi tepat pada rata-
rata nilai Y maka ESS = 0 sehingga nilai
determinasinya sama dengan nol. Dengan
demikian nilia koefisien determinasi ini terletak
antara 0 dan 1.
22
Koefisien Determinasi r
2

0 r
2
1
Semakin mendekati angka 1 maka semakin baik
garis regresi, karena mampu menjelaskan data
aktualnya. Semaikn mendekati angka nol maka
garis regresi kurang baik atau tidak baik.
Y
X
Venn Diagram
Independen
Y X
Pengaruh X terhadap Y
X
Semakin besar irisan
semakin besar pengaruh X
terhadap Y.
23
Misalkan r
2
= 0,9675 artinya variasi Y sebesar
96,75% ditentukan oleh variasi X dan sisanya
sebesar 3,25% ditentukan oleh faktor lain (u).
2
r r =
= koefisien korelasi
Makin besar r hubungan makin erat.
Rumus untuk mencari r
2

= =
2
1
2

y
xy
TSS
ESS
r
|
24
Contoh Regresi Dua Variabel
X = Pendapatan ; Y = Konsumsi
Y X y x xy x
2
y
2
X
2

70 80 -41 -90 3690 8100 1681 6400
65 100 -46 -70 3220 4900 2116 10000
90 120 -21 -50 1050 2500 441 14400
95 140 -16 -30 480 900 256 19600
110 160 -1 -10 10 100 1 25600
115 180 4 10 40 100 16 32400
120 200 9 30 270 900 81 40000
140 220 29 50 1450 2500 841 48400
155 240 44 70 3080 4900 1936 57600
150 260 39 90 3510 8100 1521 67600
1110 1700 0 0 16800 33000 8890 322000
25
111
10
110 . 1
n
Y
Y = = =

170
10
700 . 1
n
X
X = = =

51 , 0 5091 , 0
000 . 33
800 . 16
2
1
= = = =

x
xy
|
45 , 24 ) 170 ( 5091 , 0 111 - Y
1 0
= = = X | |
Regresi = 24,45 + 0,51X
k n
xy y

=

1
2
2

|
o Varians
k n
e

=

2
2
o
atau
14 , 42
2 10
) 800 . 16 ( 5091 , 0 8890

1
2
2
=

=

k n
xy y |
o
0013 , 0 001276 , 0
000 . 33
14 , 42
) (
2
2
1
= = = =
x
Var
o
|
26
036 , 0 0013 , 0 )

( )

(
1 1
= = = | | Var Se
1184 , 41
) 000 . 33 ( 10
) 000 . 322 ( 14 , 42
) (
2
2 2
0
= = =

x n
X
Var
o
| = 41,12
Regresi = 24,45 + 0,51 X
(6,41) (0,036) Standardeviasi
41 , 6 12 , 41 ) (
0
0
= = = |
|
Var S
0,962079
890 . 8
88 , 8552
8.890
(16.800) 5091 , 0

2
1
2
= = = =

y
xy
r
|
= 0,9621
27
r
2
= 0,9621 artinya variasi konsumsi (Y)
sebesar 96,21% ditentukan oleh variasi
pendapatan (X) dan sisa sebesar 3,79%
ditentukan oleh faktor lain (selain pendapatan).
Interval Estimate
Agar kita mendapatkan nilai yang sedekat
mungkin dengan nilai
1
yang sebenarnya
digunakan interval estimasi, interval estimasi
menggunakan distribusi t.
1 1

1 1

1
S . t

S . t

| |
+ | s | s |
1.
0,51 2,306 (0,036)
1
0,51 + 2,306 (0,036)
1

|
28
0,51 0,083
1
0,51 + 0,083
0,43
1
0,59
0

S . t S . t
0 0 0
| |
+ | s | s |
2.
24,45 2,306 (6,41)
0
24,45 + 2,306(6,41)
24,45 14,781
0
24,45 + 14,781
9,67
0
39,23
( )
2
2
2
2
2
hit
2

k n
2
1
o
_ s
o
o
= _ s _
|
.
|

\
|
o

3. Varian (
2
)
29

2
= 42,14
( )
2
2
2
2
2
hit
2

k n
2
1
o
_ s
o
o
= _ s _
|
.
|

\
|
o

2
)
2
1 (
2
2
2
2
2

) k n (

) k n (
o

o
_
o
s o s
_
o
18 , 2
) 14 , 42 )( 2 10 (
53 , 17
) 14 , 42 )( 2 10 (
2

s s

o

18 , 2
12 , 337
53 , 17
12 , 337
2
s so
19,23
2
154,64
30
Latihan Penggunaan OLS
Dipunyai data jumlah permintaan mobil di dealer
Daihatsu (Y) dan harganya (X) dengan datanya
seperti terlihat pada tabel berikut:
X
(Juta)
120 121,2 123,8 123,9 123,9 124,2 124,8 125 125,7 125,9 126
Y
(unit)
1250 1300 1312 1324 1345 1365 1334 1367 1378 1499 1500
1. Tentukan estimasi parameter-parameternya (dengan metode OLS)
jika persoalan tsb memenuhi persamaan regresi
2. Berapakah nilai koefisien determinasinya?
3. Tentukan nilai standar errornya
4. Jelaskan interpretasi anda berdasarkan soal no 1 -3.
31
DISKUSI KELOMPOK
1. Dipunyai belanja harian seorang mahasiswa (Y)
dan harganya (X) dengan datanya seperti
terlihat pada tabel berikut:
X
(ribu)
700 750 760 760 740 780 785 790 800
Y
(ribu)
690 700 740 755 760 760 775 780 800
1. Tentukan estimasi parameter-parameternya (dengan metode OLS)
jika persoalan tsb memenuhi persamaan regresi
2. Berapakah nilai koefisien determinasinya?
3. Tentukan nilai standar errornya
4. Jelaskan interpretasi anda berdasarkan soal no 1 -3.
32
DISKUSI KELOMPOK
2. Berdasarkan pengamatan 10 sampel diperoleh data sebagai
berikut:
132100 , 32200
, 205500 , 1700 , 1110
2 2
= E = E
= E = E = E
Y X
Y X X Y
i i i i
Dengan koefisien korelasi r = 0,9758, tetapi pada pemeriksaan
ulang dijumpai bahwa dua pasang pengamatan tercatat
Y X
90 120
140 220
Y X
80 110
150 210
Seharusnya
Apa pengaruh kesalahan tadi terhadap r? Berapakah r yang
benar?
33
DISKUSI KELOMPOK
3. Tabel berikut memberikan informasi tingkat pekerja yang ke luar
negeri sari pekerjaan per 100 karyawan (Y) salam sektor produksi
dan tingkat pengangguran (X) dalam sektor produksi di Arab Saudi
untuk periode tahun 1995-2007
Y X
1,3 6,2
1,2 7,8
1,4 5,8
1,4 5,7
1,5 5,0
1,9 4,0
2,6 3,2
2,3 3,6
2,5 3,3
2,7 3,3
2,1 5,6
1,8 6,8
2,2 5,6
Berdasarkan tabel tersebut diperoleh hasil
analisis varians (AOV) sebagai berikut
Sumber
Variasi
SS Df MSS
Karena
Regresi
2,153 1 2,153
Karena
Residual
1,144 11 0,104
Total 3,297 12
Ujilah hipotesis nol bahwa tingkat keluarnya
karyawan tidak berhubungan secara linier
dengan tingkat pengangguran
34
Uji Hipotesis
Seseorang yang melakukan penelitian lebih banyak
menggunakan data sampel daripada data populasi.
Dalam menguji kebenaran hipotesis dari data sampel,
statistika mengembangkan dengan ujit. Hal yang
penting dalam uji-t menggunakan satu sisi atau dua
sisi.
Contoh 1:
Apakah Pendapatan (X) mempengaruhi Konsumsi (Y)
secara signifikan?
Maka kita buat Regresi: X Y
1 0

| | + =

Hipotesis:
Ho:
1
= 0 (X tidak mempengaruhi Y)
H
1
:
1
0
35
Hitung :
Gunakan tabel-t :
Terima Ho
0,025
0,025
- 2,306 2,306
Karena t
hitung
= 14,17 > 2,306
Maka tolak Ho, artinya pendapatan (X)
mempengaruhi konsumsi (Y) signifikan.
Contoh 2:
Apakah
1
= MPC > 0,30
Coba tes dengan satu sisi.
Buat Hipotesis:
Ho:
1
0,30
H
1
:
1
> 0,30
14,17
036 , 0
51 , 0
S
1
1
= = =
|
|

t
36
0,05
1,86
5,83
036 , 0
30 , 0 51 , 0
S
1
1 1
=

=
|
| |

t
Karena t hitung = 5,83 > 1,86
Maka Ho ditolak, artinya MPC > 0,30
Contoh 3: Apakah
2
= 85
Buat Hipotesis :
Ho :
2
= 85
H1 :
2
85
3,97 3,966
85
14 , 42
) 2 10 ( ) 2 (
2
2
2
= =
|
.
|

\
|
= =
o
o
_

n
hit
37
Tabel
17,53
2
) 8 ( 025 , 0
=
= df
_
18 , 2
2
) 8 ( 975 , 0
=
= df
_
;
3,97 berada di daerah terima
Ho, maka benar
2
= 85
2,18 17,53
Terima Ho
Regresi sebagai alat utama ekonometrika
memerlukan alat bantu agar pekerjaan ekonometrika
dapat dikerjakan dengan cepat dan efisien.
Software untuk Analisis Regresi:
LIMDEP
SHAZAM
SPSS
EViews
RATS, dan sebagainya.
38
Ringkasan Hasil Regresi: = 24,45 + 0,51X
Sumber
Variasi
df
Sum Squares
(SS)
Mean Squares
(MS)
F hitung
Regresi k 1 = 1
ESS =
1
xy =

8552,73
EMS = SS/df =
8552,73
EMS/RMS=
8552,73/42,16 =
202,87
Error
n k = 8 RSS = 337,27 RMS = RSS/df =
42,16
Total
n 1 = 9
TSS = y
2
= 8890
Secara manual perhitungan dengan rumus-rumus:
Tabel F
0,05 (1,8)
= 5,32
Kesimpulan: Karena F
hitung
= 202,87> F
0,05(1,8)
= 5,32,
maka Ho ditolak, artinya pendapatan mempengaruhi
konsumsi signifikan.
Tabel ANAVA
39
Tampilan dengan program komputer software SPSS
ANOVA
b
8552.727 1 8552.727 202.868 .000
a
337.273 8 42.159
8890.000 9
Regression
Residual
Total
Model
1
Sum of
Squares df Mean Square F Sig.
Predictors: (Constant), pendapatan
a.
Dependent Variable: konsumsi
b.
Coefficients
a
24.455 6.414 3.813 .005
.509 .036 .981 14.243 .000
(Constant)
pendapatan
Model
1
B Std. Error
Unstandardized
Coef f icients
Beta
Standardized
Coef f icients
t Sig.
Dependent Variable: konsumsi
a.
40
Model Summary
.981
a
.962 .957 6.49300
Model
1
R R Square
Adjusted
R Square
Std. Error of
the Estimate
Predictors: (Constant), pendapatan
a.
R
2
= 0,962 artinya variasi Y (konsumsi) sebesar
96,20% ditentukan oleh variasi X (pendapatan)
dan sisanya sebesar 3,80% ditentukan oleh faktor
lain (U) yang tidak diteliti.
Penghitungan secara Manual:
0,962079
890 . 8
88 , 8552
8.890
(16.800) 5091 , 0

2
1
2
= = = =

y
xy
r
|
Dibulatkan menjadi 0,9621
41
80 100 120 140 160 180 200 220 240 260
pendapatan
40
50
60
70
80
90
100
110
120
130
140
150
160
k
o
n
s
u
m
s
i
Bentuk garis regresi = 24,45 + 0,51X
42
FORECASTING

0
mengestimate E(Y)
Untuk X
0
= 100

0
= 24,45 + 0,51 (100) = 75,45

0
t
S0
E (Y)
0
+ t
S0

( )
|
|
.
|

\
|

+ o =
2
2
0
2
Y
x
X X
n
1

S
0
|
.
|

\
|
+
33000
) 170 100 (
10
1
14 , 42
2
=
= 3,24
t
0,025(df=8)
= 2,306

0
t
S0
E (Y)
0
+ t
S0

0
mengestimate nilai individual
43
Rumus Individual
( )
|
|
.
|

\
|

+ + o =
2
2
0 2
Y
x
X X
n
1
1

S
0
|
.
|

\
|
+ +
33000
) 170 100 (
10
1
1 14 , 42
2
=
= 7,25
I. 75,45 2,306 (3,24) E (Y) 75,45 + 2,306 (3,24)
67,98 E (Y) 82,92
II. 75,45 2,306 (7,25) Y 75,45 + 2,306 (7,25)
58,73 Y 92,17
44
u
e X Y
1
1 0
|
| = Metode OLS tidak berlaku
Model ini harus dibuat linear dengan log-nya.
ln Y = ln
0
+
1
ln X
1
+ U (Linear dalam log),
maka
OLS berlaku.
(Model log log)
Beberapa Model Regresi dalam log
X Y ln

ln
1 0
| | + =
1.
log - log
Jika X bertambah 1%, maka Y bertambah
1
%
45
X Y ln

1 0
| | + =
2.
linear - log
Jika X bertambah 1%, maka Y bertambah
1
unit
3.
X Y
1 0

ln | | + =
log - linear
Jika X bertambah 1 unit, maka Y bertambah
1
%
Misalnya:
GNP
0 1 2 3 4
t = time
1985
ln GNP = 6,96 +0,027 t
t bertambah 1 tahun, GNP bertambah 2,7% (rate of
growth)
46
Tahun Y X ln Y ln X
1980 2.57 0.77 0.9439 -0.2614
1981 2.50 0.74 0.9163 -0.3011
1982 2.35 0.72 0.8544 -0.3285
1983 2.30 0.73 0.8329 -0.3147
1984 2.25 0.76 0.8109 -0.2744
1985 2.20 0.75 0.7885 -0.2877
1986 2.11 1.08 0.7467 0.0770
1987 1.94 1.81 0.6627 0.5933
1988 1.97 1.39 0.6780 0.3293
1989 2.06 1.20 0.7227 0.1823
1990 2.02 1.17 0.7031 0.1570
Permintaan Kopi
Apakah regresi linear atau non-linear
X = Harga kopi
$/pon
Y = konsumsi kopi
(cangkir/ hari)
47
Model Summary
.814
a
.663 .625 .12870
Model
1
R R Square
Adjusted
R Square
Std. Error of
the Estimate
Predictors: (Constant), X
a.
I. Model Regresi Linear Output Komputer
Coefficients
a
2.691 .122 22.127 .000
-.480 .114 -.814 -4.206 .002
(Constant)
X
Model
1
B Std. Error
Unstandardized
Coef f icients
Beta
Standardized
Coef f icients
t Sig.
Dependent Variable: Y
a.
= 2,691 0,480 X
r
2
= 0,6630, artinya variasi Y sebesar 66,30%
dipengaruhi oleh variasi X.
48
Model Summary
.863
a
.745 .716 .05015
Model
1
R R Square
Adjusted
R Square
Std. Error of
the Estimate
Predictors: (Constant), lnX
a.
II. Model Regresi NonLinear Output Komputer
Coefficients
a
.777 .015 51.006 .000
-.253 .049 -.863 -5.125 .001
(Constant)
lnX
Model
1
B Std. Error
Unstandardized
Coef f icients
Beta
Standardized
Coef f icients
t Sig.
Dependent Variable: lnY
a.
lnY = 0,777 0,253 lnX
r
2
= 0,7450, artinya variasi Y sebesar 74,50%
dipengaruhi oleh variasi X.