Handout Statistika Lanjut 2011

HANDOUT
STATISTIKA LANJUT
MAA 315
Oleh :
Kismiantini, M.Si.
NIP. 19790816 200112 2 001
JURUSAN PENDIDIKAN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS NEGERI YOGYAKARTA
2011
Universitas Negeri Yogyakarta

Fakultas Matematika dan Ilmu Pengetahuan Alam
Jurusan Pendidikan Matematika
Topik 1
: Analisis Korelasi
Analisis korelasi adalah analisis statistika yang membahas tentang derajat (kekuatan) hubungan antara
peubah-peubah.
Koefisien korelasi linear mengukur kekuatan hubungan linear antara peubah X dan Y. Koefisien
korelasi linear seringkali disebut juga dengan koefisien korelasi Pearson (ditemukan oleh Karl
Pearson pada tahun 1857-1936).
Rumus koefisien korelasi linear populasi
=

Rumus koefisien korelasi linear sampel

=
(a) Korelasi positif

antara X dan Y

(b) Korelasi positif yang kuat (c) Korelasi positif sempurna

antara X dan Y
antara X dan Y
(d) Korelasi negatif

antara X dan Y
(e) Korelasi negatif yang kuat

antara X dan Y
(g) Tidak ada korelasi

antara X dan Y
(f) Korelasi negatif sempurna

antara X dan Y
(h) Hubungan nonlinear antara X dan Y
Koefisien Determinasi bagi sampel (r2)
Nilai r2 menyatakan persentase keragaman Y yang dapat dijelaskan oleh hubungan linear
antara X dan Y.
Contoh 1:
Data berikut adalah tentang banyaknya keketidakhadiran dan nilai akhir dari tujuh mahasiswa
yang dipilih secara acak dari suatu kelas Statistika.
Mahasiswa
A B C D E F G
Banyaknya ketidakhadiran (X) 6 2 15 9 12 5 8
Nilai Akhir (Y)
82 86 43 74 58 90 78
a) Buatlah diagram pencar dari data tersebut.
b) Tentukan koefisien korelasi dan maknanya.
c) Tentukan koefisien determinasi dan maknanya.
Penyelesaian:
a) Diagram pencar bagi X dan Y, terlihat bahwa titik-titik data mengikuti arah garis lurus.
Scatterplot of Y vs X
90
80
70
60
50
40
2
10
12
14
16
b) Koefisien korelasi r = -0,944 artinya ada korelasi negatif yang kuat antara banyaknya
ketidakhadiran dan nilai akhir, semakin banyak ketidakhadiran maka semakin menurun
nilai akhirnya
c) Koefisien determinasi r2 = 0,891, artinya sebesar 89,1% keragaman nilai akhir yang dapat
dijelaskan oleh hubungan linear antara banyaknya ketidakhadiran dan nilai akhir.
Pengujian Korelasi Populasi
Nilai koefisien korelasi antara -1 dan +1. Bila nilai r dekat +1 atau -1 maka ada hubungan linear
yang kuat. Bila nilai r dekat 0 maka hubungan linear itu lemah. Bila r samadengan 0 maka tidak
ada hubungan linear antara dua peubah tersebut.
Pengujian Hipotesis untuk signifikansi hubungan linear antara dua peubah.
1. Hipotesis
H0 : = 0 (Tidak ada korelasi antara X dan Y)
H1 : 0 (Ada korelasi signifikan antara X dan Y)
2. Taraf nyata:
3. Statistik Uji:

=

4. Kriteria Keputusan
H0 ditolak jika | | > (

!)
Hipotesis Nol
H0 : = 0
H0 : = 0
H0 : 0
H0 : = 0
H0 : 0
Hipotesis Alternatif
H1 : 0
H1 : < 0
H1 : > 0
Statistik Uji
2
= #
1
Kriteria Keputusan
H0 ditolak jika || > (

H0 ditolak jika t < - t(n-2)
!)
H0 ditolak jika t > t(n-2)
Latihan
Pada soal-soal berikut,
a. Tentukan mana yang sebagai peubah bebas dan peubah tak bebas
b. Buatlah diagram pencar
c. Tentukan koefisien korelasi dan maknanya
d. Tentukan koefisien determinasi dan maknanya
e. Apakah ada hubungan linear antara kedua peubah tersebut? Gunakan = 0.05.
f. Apakah ada hubungan linear positif antara kedua peubah tersebut? Gunakan = 0.05.
1. Seorang pendidik ingin mengetahui hubungan antara nilai skor tes dan nilai IPK dari
mahasiswa. Berikut data sampel.
Nilai skor tes 98 105 100 100 106 95 116 112
IPK
2,1 2,4 3,2 2,7 2,2 2,3 3,8 3,4
2. Seorang peneliti ingin mengetahui apakah ada hubungan antara umur dengan lamanya
seseorang melakukan olahraga per minggu. Berikut data sampelnya.
Umur
18 26 32 38 52 59
Lamanya olahraga (jam) 10 5 2 3 1,5 1
3. Seorang manajer perusahaan ingin mengetahui hubungan antara banyaknya iklan di
radio per minggu dan banyaknya penjualan (dalam jutaan rupiah) untuk suatu barang.
Berikut data sampelnya.
Banyaknya iklan di radio 2 5 8 8 10 12
Banyaknya penjualan
2 4 7 6 9 10
4. Empatbelas mahasiswa telah dipilih secara acak dan diperiksa tekanan darahnya.
Berikut data tekanan darah sistolik dan diastolik (dalam mmHg).
Sistolik
138 130 135 140 120 125 120 130 130 144 143 140 130 150
Diastolik 82 91 100 100 80 90 80 80 80 98 105 85 70 100

Topik 2
: Analisis Regresi Linear Sederhana
Analisis regresi adalah analisis statistika yang memanfaatkan hubungan antara dua atau lebih
peubah kuantitatif sehingga salah satu peubah dapat diramalkan dari peubah lainnya.
Model Regresi Linear Sederhana

dengan
Yi adalah nilai peubah tak bebas dalam pengamatan ke-i
0 dan 1 adalah parameter
Xi adalah konstanta yang diketahui, yaitu nilai peubah bebas dari pengamatan ke-i
i adalah galat yang bersifat acak dengan rataan E[i]=0 dan ragam Var [i]=2; i dan j tidak
berkorelasi sehingga peragam/kovariansi {i, j} =0 untuk semua i,j ; i j
Model regresi linear sederhana:
Dikatakan sederhana karena hanya ada satu peubah bebas.
Dikatakan linear dalam parameter karena tidak ada parameter yang muncul sebagai suatu
eksponen atau dikalikan atau dibagi oleh parameter lain.
Dikatakan linear dalam peubah bebas karena peubah dalam model tersebut berpangkat
satu.
Model yang linear dalam parameter dan linear dalam peubah bebas juga dinamakan model
ordo-pertama.
Bila sudah diperoleh data sampel (Xi,Yi), selanjutnya hal yang penting adalah membuat diagram
pencar antara X dan Y untuk mengetahui pola dari data. Bila pola data menunjukkan linear maka
model regresi linear sederhana dapat digunakan. Perhatikan gambar berikut.
Scatterplot of Y vs X
90
80
70
60
50
40
2
10
12
14
16
(a)
(b)
(c)
(d)
13,82
13
48,60
ei (sisaan ke-i)
i) adalah beda antara nilai amatan Yi dengan nilai dugaannya
Bagaimana mendapatkan b0 dan b1?
Penduga bagi 0 dan 1 dapat diperoleh dengan metode
metode kuadrat terkecil, yaitu dengan
meminimumkan
inimumkan jumlah kuadrat galat. Misalkan model regresi linear sederhana
iid
dengan i ~ N 0, 2 maka
.
i =1
2
i
n
2
= (Yi E (Yi )) = (Yi ( 0 + 1 X i )) = L

i =1
i =1
Selanjutnya diturunkan terhadap masing-masing

masing
parameter.
n
L
= 2 (Yi ( 0 + 1 X i )) = 0
0
i =1
n
L
= 2 (Yi ( 0 + 1 X i ))X i = 0
1
i =1
Penduga bagi 0 adalah b0 dan penduga bagi 1 adalah b1 yang diperoleh dengan menyelesaikan
kedua persamaan tersebut. Sehingga diperoleh
X
Y
X Y n
=
( X)
X
i
i i
b1
2
i
b0 =
1
( Yi b1 X i ) = Y b1 X .
n
Makna dugaan koefisien regresi

Misalkan ingin mengetahui hubungan jarak tempuh kendaraan mobil dalam km (X) dengan tingkat
emisinya dalam ppm (Y).
Plot data ternyata menunjukkan ada hubungan linear antara X dan Y
Dicobakan model linear Yi = 0 + 1Xi + i, diperoleh persamaan regresi Yi = 364 + 5,47 X i .
Apa makna b0 dan b1 pada konteks ini ?

Makna dari b1 yaitu rata-rata emisi meningkat 5,47 ppm untuk setiap kenaikan jarak tempuh
kendaraan mobil 1 km (atau kenaikan jarak tempuh kendaraan mobil 1 km akan meningkatkan ratarata emisi yang dihasilkan mobil sebesar 5,47 ppm).
Makna dari b0 yaitu untuk mobil dengan jarak tempuh kendaraan mobil 0 km (mobil baru) maka
rata-rata tingkat emisi yang dihasilkan sebesar 364 ppm.
b0 tidak selalu bermakna
SOAL LATIHAN
1. Berikut data sampel tentang nilai mutu rata-rata (NMR) mahasiswa pada akhir tahun
pertama (Y) dan nilai ujian masuk (X).
i
Xi
Yi
1
5,5
3,1
2
4,8
2,3
3
4,7
3,0
4
3,9
1,9
5
4,5
2,5
6
6,2
3,7
7
6,0
3,4
8
5,2
2,6
9
4,7
2,8
10
4,3
1,6
11
4,9
2,0
12
5,4
2,9
13
5,0
2,3
14
6,3
3,2
15
4,6
1,8
16
4,3
1,4
17
5,0
2,0
18
5,9
3,8
19
4,1
2,2
20
4,7
1,5
a) Buatlah diagram pencar X dan Y.

b) Tentukan persamaan regresi dugaannya beserta maknanya.
2. Data berikut merupakan hasil penelitian tentang hubungan antara nilai ulangan Matematika
(dalam skala nilai 10 sampai 100) dengan lama waktu belajar matematika (dalam jam selama
seminggu)
Nilai ulangan matematika
95 100 100 80 70 55 50 75 55 60 65 95
Lama
waktu
belajar 18 18 19 17 14 5 6 10 13 4 12 10
matematika
a) Tentukan peubah mana sebagai peubah bebas X dan peubah tak bebas Y.
b) Tentukan persamaan regresi dugaan dan berikan makna dugaan koefisien regresinya.
3. Suatu penelitian telah dilakukan untuk mengetahui hubungan antara pengeluaran untuk
iklan (X dalam jutaan rupiah) dengan penerimaan melalui penjualan (Y dalam jutaan rupiah)
pada perusahaan tertentu. Berikut ringkasan datanya :
n = 10, X i = 120, Yi = 500, X iYi = 6106, X i2 = 1470, Yi 2 = 25440

a) Tentukan persamaan regresi dugaan! Berikan maknanya.
b) Bila pengeluaran untuk iklan sebesar 16 juta rupiah, berapakah penerimaan dari hasil
penjualan?
4. Tabel ini menunjukkan skor tes penalaran verbal (X) dan skor tes Inggris (Y), untuk setiap
sampel acak dari 8 anak yang mengikuti kedua tes tersebut:
Anak A
B
C
D
E
F
G
H
X
112 113 110 113 112 114 109 113
Y
69 65 75 70 70 75 68 76
a) Plot data dengan diagram pencar. Berikan penjelasan dari plot tersebut.
b) Tentukan persamaan regresi linear dugaan dan berikan maknanya

Topik 3
: Asumsi-asumsi dalam Analisis Regresi Linear Sederhana
Model regresi linear sederhana bergalat normal

= 0 + 1 +
dengan
0 dan 1 adalah parameter
Xi adalah konstanta yang diketahui nilainya
i adalah galat yang menyebar N(0,2) dan bebas satu sama lain
Asumsi-asumsi dalam analisis regresi linear sederhana adalah
a. Galat memiliki ragam yang konstan
b. Galat menyebar normal
c. Galat bersifat saling bebas
Penyelidikan terpenuhi atau tidak asumsi-asumsi tersebut dengan menggunakan analisis sisaan.
Sisaan atau nilai dugaan galat didefinisikan sebagai
=
Galat memiliki ragam yang konstan
Pendeteksian apakah galat memiliki ragam yang konstan atau tidak dengan menggunakan:
a. Plot sisaan (ei) dengan nilai dugaan ( )
b. Plot sisaan (ei) dengan peubah bebas (Xi)
Kriterianya : Bila sisaan-sisaan tidak membentuk suatu pola tertentu maka galat memiliki ragam
yang konstan.
Perhatikan gambar berikut.
(a) Galat memiliki ragam konstan (tidak berpola)
(b) Galat tidak memiliki ragam konstan (berpola)
Galat menyebar normal

Pendeteksian apakah galat menyebar normal atau tidak dengan menggunakan plot peluang
normal. Plot peluang normal bagi sisaan yaitu plot ei versus hi.
Cara membuat plot peluang normal bagi sisaan:
1. Menghitung nilai sisaan, lalu diurutkan dari kecil ke besar, selanjutnya disebut sisaan terurut
2. Menghitung hi (nilai harapan di bawah asumsi kenormalan) dengan rumus
9
=
=
0,375
+0,25
2 , =
2 0
Kriterianya: bila titik-titik (sisaan-sisaan) mengikuti arah garis diagonal maka galat menyebar
normal.
Perhatikan contoh berikut:
Dari data sampel ini diperoleh = 10 + 2X dengan KTG = 7,5. Selanjutnya akan dibuat plot peluang
normal bagi sisaan sebagai berikut.
Urutan
naik i
ei terurut
0,375
+ 0,25
Xi
Yi
ei
hi
30
73
70
-3
-4,24
20
50
50
-2
-2,74
60
128
130
-2
-2
-1,79
80
170
170
-2
-1,02
40
87
90
-3
-1
-0,33
50
108
110
-2
0,33
60
135
130
1,02
30
69
70
-1
1,79
70
148
150
-2
2,74
10
60
132
130
10
4,24
Gambar disamping menunjukkan

bahwa galat menyebar normal karena
titik-titik mengikuti arah garis
diagonal.
Galat saling bebas

a. Bila data tidak diamati secara bersamaan, melainkan dalam suatu urutan waktu maka
buatlah plot sisaan (ei) terhadap waktu. Tujuan adalah untuk melihat apakah ada korelasi
antara suku galat dengan suku galat berikutnya.
b. Bila data diamati bersamaan, untuk melihat keacakan galat percobaan dibuat plot antara
nilai dugaan galat (ei) dengan nilai dugaan respons ( i )
10
Kriterianya : apabila titik-titik sisaan berfluktuasi secara acak di sekitar nol maka dapat dikatakan
bahwa galat saling bebas.
Perhatikan gambar berikut.
(a)
(b)
Gambar (a) Plot waktu versus sisaan menunjukkan bahwa titik-titik sisaan tidak berfluktuasi
secara acak disekitar nol maka galat tidak saling bebas.
Gambar (b) Plot nilai dugaan versus sisaan menunjukkan bahwa titik-titik sisaan berfluktuasi
secara acak disekitar nol maka galat saling bebas.
11

Topik 4
: Inferensi dalam Analisis Regresi Linear Sederhana
Inferensi terhadap 1
a. Selang Kepercayaan bagi 1
b 1
Diketahui bahwa 1
~ tn 2 , sehingga
sb1
b
P t ;n 2 1 1 t ;n2 1
2
2
sb1
1 ( 2) 1 1 1 + ( 2) 1
2
dengan 2 1 =
=1
Jadi selang kepercayaan 100(1-) bagi 1 adalah

1 ( 2) 1 1 1 + ( 2) 1
2
Misalkan diperoleh selang kepercayaan 95% bagi 1

1,89 1 2,11
Artinya diduga bahwa rata-rata Y naik sekitar antara 1,89 sampai 2,11 satuan untuk
setiap kenaikan satu satuan X.
b. Uji bagi 1
Uji bagi 1=0 lawan 10
Hipotesis
H0 : 1=0 (Tidak ada hubungan linear antara X dan Y)
H1 : 1 0 (Ada hubungan linear antara X dan Y)
Taraf nyata :
Statistik Uji:
Sumber
db
JK
KT
Fhit
Keragaman
Regresi
1
JKR KTR F = KTR/KTG
Galat
n 2 JKG KTG
Total
n 1 JKT
Kriteria keputusan:
H0 ditolak jika Fhit > F(1, n 2)
12
Perhatikan simpangan total berikut:

Y Y Y Y Y Y
i
Jumlah kuadrat simpangan-simpangan tersebut :
Y Y Y Y Y Y
2
JKT JKR
JKT Yi 2 nY 2
JKG
JKG Yi 2 b0 Yi b1 X iYi
X i Yi
X iYi
2
n
Yi
Yi 2
2
n
X i2 n i
JKR JKT JKG
= 12
Hipotesis
Nol
H0 : 1 = c
Hipotesis
Alternatif
H1 : 1 c
H0 : 1 c
H0 : 1 = c
H0 : 1 c
H0 : 1 = c
H1 : 1 > c
Statistik Uji
=
1
1
H1 : 1 < c
Kriteria keputusan
H0 ditolak jika |thit| >
H0 ditolak jika thit >
b 0
P t ;n2 0
t ;n2 1
2
sb0
2
0 ( 2) 0 0 0 + ( 2) 0
2
dengan 2 0 =
2
2
Jadi selang kepercayaan 100(1-) bagi 0 adalah

0 ( 2) 0 0 0 + ( 2) 0
2
H0 ditolak jika thit <
Inferensi terhadap 0
a. Selang Kepercayaan bagi 0
b 0
~ t n2 , sehingga
Diketahui bahwa 0
sb0
13
= 1
Misalkan diperoleh selang kepercayaan 90% bagi 0

5,34 0 14,66
Artinya diduga bahwa rata-rata Y sekitar antara 5,34 sampai 14,66 satuan untuk X
sebesar 0.
Selang kepercayaan bagi 0 ini tidak selalu memberikan informasi yang bermanfaat.
b. Uji bagi 0
Uji bagi 0=0 lawan 00
Hipotesis
H0 : 0=0
H1 : 0 0
Taraf nyata :
Statistik Uji:
0
0
Kriteria keputusan:
Selang kepercayaan bagi

( 2) + ( 2)
2
dengan
2 =
1
2
+
= 0 + 1
Misalkan diperoleh selang kepercayaan 90% bagi dengan Xh = 65
277,4 311,4
Maknanya dengan tingkat kepercayaan 90% maka rata-rata Y untuk X sebesar 65 adalah
277,4 sampai 311,4 satuan.
Selang prediksi bagi Yh(baru)
( 2) ( ) + (2)
2
dengan
2 = 1 +
1
2
+
= 0 + 1
14
Misalkan diperoleh selang prediksi 90% bagi ( ) dengan Xh = 100 adalah

332,2 ( ) 506,6
Maknanya dengan tingkat kepercayaan 90% dapat diprediksikan bahwa rata-rata Y untuk
proses berikutnya pada X sebesar 100 adalah 332,2 sampai 506,6 satuan.
SOAL LATIHAN
1. Data berikut merupakan hasil penelitian tentang hubungan antara nilai ulangan Matematika
seminggu).
95 100 100 80 70 55 50 75 55 60 65 95
Lama waktu belajar matematika 18 18 19 17 14 5 6 10 13 4 12 10
a) Tentukan peubah mana sebagai peubah bebas X dan peubah tak bebas Y!
Anggap asumsi-asumsi dalam model regresi linear sederhana terpenuhi.
b) Tentukan selang kepercayaan 99% bagi 0 dan 1 beserta maknanya!
c) Ujilah apakah ada hubungan linear antara lama waktu belajar matematika dan nilai ulangan
matematika? Gunakan taraf nyata = 0,01.
d) Ujilah apakah 1 = 5 lawan 1 5 ? Gunakan taraf nyata = 0,01.
e) Ujilah apakah 0 = 0 atau tidak? Gunakan taraf nyata = 0,01.
f) Tentukan selang prediksi 95% bagi Yh(baru) dengan Xh = 15
2. Suatu tes diberikan pada semua mahasiswa baru. Seseorang yang memperoleh nilai di bawah 35
tidak diizinkan mengikuti kuliah matematika yang biasa, tetapi harus mengikuti suatu kelas
khusus (remedial class). Berikut ringkasan data dari nilai tes dan nilai akhir bagi 20 mahasiswa
yang mengikuti kuliah matematika yang biasa:
= 1110;
= 1173;
= 67690;
2 = 67100;
2 = 74725
a. Tentukan peubah mana sebagai peubah bebas X dan peubah tak bebas Y!
b. Tentukan persamaan regresi dugaan!
c. Bila 60 adalah nilai terendah agar lulus dari pelajaran matematika tersebut, berapakah batas
nilai tes terendah di masa mendatang untuk dapat diizinkan mengikuti kuliah tersebut?
d. Ujilah apakah ada hubungan linier antara nilai tes dan nilai akhir? Gunakan taraf nyata 0,05.
e. Tentukan selang kepercayaan 95% bagi 0 dan 1 beserta maknanya.
f. Tentukan selang kepercayaan 95% bagi dengan Xh = 75 beserta maknanya.
15
3. Suatu percobaan dilakukan pada jenis mobil baru merk tertentu, untuk menentukan jarak yang
dibutuhkan untuk berhenti bila mobil tersebut direm pada berbagai kecepatan. Data yang
diperoleh sebagai berikut:
Kecepatan (kilometer per jam) 35 50 65 80 95 110
Jarak sampai berhenti (meter) 16 26 41 62 88 119
a. Tentukan peubah mana sebagai peubah bebas X dan peubah tak bebas Y!
b. Tentukan persamaan regresi dugaan dan berikan makna dugaan koefisien regresinya!
c. Tentukan selang kepercayaan 95% bagi 1 dan berikan maknanya!
d. Tentukan selang kepercayaan 95% bagi 0 dan berikan maknanya!
e. Ujilah apakah ada hubungan linear antara kecepatan dan jarak sampai berhenti? Gunakan
taraf nyata = 0,05.
f. Ujilah apakah 1 positif? Gunakan taraf nyata = 0,05.
Analisis Variansi
Uji F untuk Ketidakcocokkan Model Regresi Linear Sederhana
Uji ini mengasumsikan bahwa pengamatan-pengamatan Y untuk suatu X tertentu bersifat bebas,
tersebar normal, memiliki ragam yang sama.
Uji ini menghendaki adanya pengamatan berulang pada satu atau lebih nilai X.
Hipotesis
H0 : E{Y} = 0+ 1X
H1 : E{Y} 0+ 1X
Atau
H0 : Tidak ada ketidakcocokan model regresi linear sederhana dengan data
H1 : Ada ketidakcocokan model regresi linear sederhana dengan data
Atau
H0 : Model regresi linear sederhana cocok
H1 : Model regresi linear sederhana tidak cocok
Taraf nyata:
Statistik Uji :
J KKM k 2
JKGM n k
Kriteria keputusan :
H0 ditolak jika Fhit > F(k-2,n-k)
k= menyatakan banyaknya x yang berbeda
n = banyaknya pengamatan
16
Perhatikan berikut ini:
ij
Yij
Y
2
ij
JKG
2
Y j Y j Yij
JKGM
JKKM
Contoh:
Lakukan uji kecocokan model regresi linear sederhana dengan taraf nyata 0,05 pada data sampel berikut.
i
1
2
3
4
5
6
7
8
9
10
11
Xi
125
100
200
75
150
175
75
175
125
200
100
Yi
160
112
124
28
152
156
42
124
150
104
136
Xi
75
100
125
150
175
200
Yi
28
42
112
136
160
150
152
156
124
124
104
35
124
155
152
140
114
Hipotesis
H0 : E{Y} = 0+ 1X
H1 : E{Y} 0+ 1X
Taraf nyata : = 0,05
Statistik Uji : F = KTKM/KTGM
Kriteria keputusan:
n=11, k=6, db(KM)=k-2=6-2=4 ,db(GM)=n-k=11-6=5
F0,05(4,5)=5,19
H0 ditolak jika Fhit > 5,19
Hitungan:
JKG=170696-(50,722511288)-(0,48670 186200)=14742
JKGM=(28-35)2+(42-35)2+(112-124)2+(136-124)2+(160-155)2+(150-155)2+(152-152)2+(156-140)2+(124140)2+(124-114)2+(104-114)2=1148
JKKM=JKG-JKGM=14742-1148=13594
F=(13594/4)/(1148/5)=14,80
Kesimpulan : Karena Fhit=14,80>5,19 maka H0 ditolak
Jadi dengan taraf nyata 0,05 dapat disimpulkan bahwa model regresi linear sederhana tidak cocok
digunakan.
17
SOAL LATIHAN
Seorang kimiawan mempelajari hubungan konsentrasi suatu larutan (Y) dengan waktu (X). Berikut data
sampel yang diperoleh:
i
Xi
Yi
0,07
0,09
0,08
0,16
0,17
0,21
0,49
0,58
0,53
10
1,22
11
1,15
12
1,07
13
2,84
14
2,57
15
3,10
a. Tentukan persamaan regresi linear dugaan

b. Lakukan uji F untuk memeriksa apakah ada
ketidakcocokan model bila digunakan model regresi
linear sederhana, gunakan taraf nyata 0,05.
c. Buatlah diagram pencar antara X dan Y.
18

Topik 5
: Pendekatan Matriks terhadap Analisis Regresi Linear Sederhana
Perhatikan kembali model regresi linear sederhana berikut

Yi = 0+1Xi+i
Bila diambil sebanyak n maka diperoleh
Y1 = 0 + 1 X 1 + 1
Y2 = 0 + 1 X 2 + 2
M
Yn = 0 + 1 X n + n
Dalam notasi matriks dituliskan sebagai berikut
Y1 1
Y 1
2 =
M M
1
Yn
1
X1
X 2 0 2
+
M 1 M

X n
n
atau
Y = X +
n1
n2 21
n1
Perhatikan bahwa X
adalah vektor nilai-nilai harapan bagi amatan-amatan Yi sebab E{Yi}= 0+1Xi,
sehingga
E{Y} = X
n1
n2 21
Asumsi : adalah suatu vektor peubah acak normal yang bebas dengan E{ } = 0 dan =
Persamaan normal regresi linear sederhana :

+ =

+ =
Ditulis dalam notasi matriks
1 1
X X
2
1
1
K 1 1
K X n M
X1
Y1
X 2 b0 1 1
K 1 Y2
=
M b1 X1 X 2 K X n M

Xn
Yn
=
=
19
1
1
X' X =
X1 X 2
1 X 1
K 1 1 X 2 n
=
K X n M M X i
1 X n
1
1
X' Y =
X1 X 2
Y1
K 1 Y2 Yi
=
K X n M X i Yi

Yn
(X' X )
1
n X i2 ( X i )
X i2
X i
X
X
i
2
i
Xi
Uji terhadap 1
Untuk menguji apakah ada hubungan linear antara Y dengan X, dilakukan pengujian berikut :
Hipotesis :
H0 : 1 = 0
H1 : 1 0
Taraf nyata :
Statistik Uji :
=

!
Kriteria Keputusan :
H0 ditolak jika Fhit > F(1,n-2)
JKG = Y' Y b' X' Y ,
2
1
JKT = Y' Y Y' JY , Y' Y = Yi 2 , Y' JY = ( Yi )
n
1 L 1
J = M M M
1 L 1
Selang Kepercayaan bagi k
bk t / 2,(n 2 ) s{bk } k bk + t / 2 ,(n 2 ) s{bk }

2
s {b} = KTG (X' X )
s 2 {b0 } s{b0 , b1 }
2
{
}
s
b
=
,
2
s{b1 , b0 } s {b1 }
20
SOAL LATIHAN
1. Suatu percobaan telah dilakukan untuk menentukan apakah berat seekor kambing (dalam
kilogram) dapat diprediksikan (setelah pada periode tertentu) berdasarkan jumlah makanan yang
dimakan (dalam kilogram). Berikut data yang telah dinyatakan dalam notasi matriks.
379
10
825
X' X =
, X' Y =
, Y' Y = [70083], Y' JY = [680625]

379 14533
31726
a) Tentukan persamaan regresi dugaan beserta maknanya.
b) Bila jumlah makanan seekor kambing sebesar 300 kg, berapakah prediksi berat kambing
tersebut?
c) Buatlah selang kepercayaan 99% bagi 1 dan berikan maknanya.
d) Tentukan koefisien korelasinya.
2.
Data berikut merupakan hasil penelitian tentang hubungan antara nilai ulangan Matematika
seminggu).
95 100 100 80 70 55 50 75 55 60 65 95
Lama waktu belajar matematika 18 18 19 17 14 5 6 10 13 4 12 10
a) Tentukan peubah mana sebagai peubah bebas X dan peubah tak bebas Y!
b) Tentukan selang kepercayaan 99% bagi 0 dan 1 beserta maknanya!
c) Ujilah apakah ada hubungan linear antara lama waktu belajar matematika dan nilai ulangan
matematika? Gunakan taraf nyata = 0,01.
21

Topik 6
: Analisis Regresi Linear Ganda
Analisis regresi linear ganda adalah analisis statistika yang digunakan untuk mengetahui
hubungan linear antara satu peubah tak bebas Y dengan beberapa peubah bebas (X1, X2, ,
Xp-1).
Model regresi linear ganda
Yi 0 1 X i1 2 X i 2 p 1 X i , p 1 i
dengan :
0, 1, , p-1 adalah parameter
Xi1, , Xi,p-1 adalah konstanta yang diketahui nilainya
i saling bebas dan menyebar N(0,2)
i = 1, 2, , n
Persamaan Normal
b0 n b1 X i1 b2 X i 2 b p 1 X ip 1 Yi
b0 X i1 b1 X i21 b2 X i1 X i 2 b p 1 X i1 X ip 1 X i1Yi
b0 X i 2 b1 X i1 X i 2 b2 X i22 b p 1 X i 2 X ip 1 X i 2Yi
b0 X ip 1 b1 X i1 X ip 1 b2 X i 2 X ip 1 b p 1 X ip2 1 X ip 1Yi
Persamaan regresi dugaan
Y b b X b X b
i
1
X' X X 11
X 12
1
X' Y X 11
X 12
i1
X 21
X 22
1
X 21
X 22
i2
p 1
X i , p 1
1 X 11
1
1 X 21
X n1
X n 2
1 X n1
X 12
n
X 22
X i1

X i 2
X n2
1 1 Yi
Y
X n1 2 X i1Yi
X n 2 X i 2Yi
Yn
b X' X X' Y
1
22
X
X
X X
i1
2
i1
i2
X
X X
X
i1 i 2
2
i2
i2
i1
Memaknai Persamaan Regresi Dugaan

Misalkan : Ingin mengetahui apakah volume penjualan (Y, gros) berhubungan dengan jumlah
penduduk (X1, ribuan jiwa) dan pendapatan per kapita (X2, dolar).
Diperoleh persamaan regresi dugaannya ialah
Y 3,453 0,496 X 0,00920 X
1
Persamaan ini menunjukkan bahwa rataan volume penjualan diharapkan akan naik 0,496
gros bila jumlah penduduk naik 1 ribu jiwa kalau pendapatan per kapita tetap, dan bahwa
rataan volume penjualan diharapkan akan naik 0,0092 gros bila pendapatan per kapita naik 1
dolar kalau jumlah penduduk tetap. Bila jumlah penduduk sebesar 0 jiwa dan pendapatan
per kapita 0 dollar maka rata-rata volume penjualan sebesar 3,453 gros (tidak bermakna).
Uji terhadap Hubungan Regresi
Untuk menguji apakah peubah tak bebas Y berhubungan dengan peubah-peubah bebas
(X1, X2,,Xp-1), dilakukan pengujian berikut :
Hipotesis :
H0 : 1 = 2 = = p-1=0
H1 : Tidak semua k (k=1,2,,p-1)sama dengan nol
Taraf nyata :
Statistik Uji :
H0 ditolak jika Fhit > F(p-1,n-p)
1
JKT Y' Y Y' JY , JKG Y' Y b' X' Y
n
Uji terhadap k
Hipotesis
Hipotesis
Statistik Uji
Nol
Alternatif

H0 : k = c
H1 : k c
=

H0 : k c
H1 : k > c
H0 : k = c
H0 : k c
H0 : k = c
H1 : k < c
Kriteria keputusan
H0 ditolak jika thit >
H0 ditolak jika thit <
s 2 b KTGX' X
23
s 2 b0
sb0 , b1 sb0 , b p 1
sb1 , b0
s 2 b1 sb1 , b p 1
2
s b
2
sb p 1 , b0 sb p 1 , b1 s b p 1
Selang kepercayaan bagi k

( ) + ( )
2
Makna Selang Kepercayaan bagi k

Misal diperoleh selang kepercayaan 95% bagi 1 adalah
0,018 1 2,773
Artinya dengan tingkat kepercayaan 95% diduga bahwa rata-rata Y naik sekitar antara 0,018
sampai 2,773 satuan untuk setiap kenaikan satu satuan X1 bila X2 tetap.
Selang Kepercayaan Serempak bagi k
Selang kepercayaan bersama Bonferroni dapat digunakan untuk menduga beberapa
koefisien regresi secara serempak. Jika g buah parameter akan diduga secara bersamaan
(asalkan g p), maka batas-batas kepercayaan serempak dengan tingkat kepercayaan 1-
adalah
bk B sbk k bk B sbk
dengan
Bt
2g
n p
Makna Selang Kepercayaan Serempak

penduduk (X1, ribuan jiwa) dan pendapatan per kapita (X2, dolar). Diperoleh selang
kepercayaan serempak 90% sebagai berikut : (g=2)
0,48310,509; 0,0071 20,0113
Selang kepercayaan serempak ini mengindikasikan bahwa 1 dan 2 keduanya positif, hal ini
sesuai harapan teoritis bahwa volume penjualan memang harus naik jika jumlah penduduk
naik dan pendapatan per kapita naik, tentu saja asalkan peubah-peubah lain dipertahankan
konstan.
24
Koefisien Determinasi Ganda (R2)

R2 = JKR/JKT = 1- (JKG/JKT)
Koefisien ini mengukur proporsi pengurangan keragaman total di dalam Y akibat
digunakannya peubah-peubah bebas
X1,X2, , Xp-1.
Sifat koefisien determinasi ganda : 0 R2 1.
R2 akan bernilai 0 bila semua bk = 0 (k=1,,p-1). R2 akan bernilai 1 bila semua amatan Y
berada tepat pada permukaan respons dugaannya, Yi = i untuk semua i.
Koefisien determinasi ganda terkoreksi ( )
Penambahan lebih banyak peubah bebas ke dalam model selalu akan menaikkan nilai R2
tidak pernah menurunkannya, sebab JKG tidak pernah menjadi lebih besar bila peubah
bebasnya lebih banyak, sedangkan JKT tidak akan berubah bila data responsnya tetap
sama.
Karena R2 sering bisa dibuat besar dengan cara menyertakan peubah bebas, maka ada
yang menyarankan agar ukuran ini dimodifikasi untuk mempertimbangkan banyaknya
peubah bebas di dalam model.
Koefisien determinasi ganda terkoreksi
Ra2 1
n 1 JKG
JKG n p
1
JKT n 1
n p JKT
Memaknai Koefisien Determinasi Ganda

penduduk (X1, ribuan jiwa) dan pendapatan per kapita (X2, dolar)
Diperoleh R2 = 0,9989, artinya bila kedua peubah saling bebas, jumlah penduduk dan
pendapatan per kapita ikut diperhitungkan maka keragaman volume penjualan dapat dikurangi
sebanyak 99,9%.
atau
sebesar 99,9% keragaman dari volume penjualan yang dapat dijelaskan oleh jumlah penduduk
dan pendapatan per kapita.
Koefisien Korelasi Ganda
Koefisien korelasi ganda R adalah akar kuadrat positif dari R2
R R2
Uji F untuk Kecocokan Model Regresi Linear Ganda

Uji ini mengasumsikan bahwa pengamatan-pengamatan Y untuk suatu X tertentu
bersifat bebas, tersebar normal, memiliki ragam yang sama.
Uji ini menghendaki adanya pengamatan berulang pada satu atau lebih nilai X.
25
Hipotesis
H0 : E{Y} = 0+ 1X1+ 2X2 + + p-1Xp-1
H1 : E{Y} 0+ 1X1 + 2X2 + + p-1Xp-1
Atau
H0 : Tidak ada ketidakcocokan model regresi linear ganda dengan data
H1 : Ada ketidakcocokan model regresi linear ganda dengan data
Atau
H0 : Model regresi linear ganda cocok
H1 : Model regresi linear ganda tidak cocok
Taraf nyata:
Statistik Uji:
JKKM k p
F
JKGM n k
Kriteria Keputusan
H0 ditolak jika Fhit > F(k-p,n-k)
Dengan
JKGM Yij Y j , JKG Y' Y b' X' Y , JKKM JKG JKGM

2
Contoh
Perhatikan data tentang kesukaan merk berikut
i
10
11
12
13
14
15
16
Xi1
10
10
10
10
Xi2
Yi
64 73 61 76 72 80 71 83 83 89 86 93 88 95 94
Y : derajat kesukaan terhadap merk , X1 : kandungan uap air, X2 : kemanisan produk
k = 8, JKG = 94,3, = 37,650 + 4,425 X1 + 4,375 X2
Ujilah ketidakcocokan model regresi linear ganda dengan taraf nyata 0,01.
Xi1
Xi2
Yij
64; 61
73; 76
72; 71
80; 83
Yj
26
100
10
10
Hipotesis
H0 : E{Y} = 0+ 1X1+ 2X2
H1 : E{Y} 0+ 1X1+2X2
Statistik Uji:
JKKM k p
F
JKGM n k
Kriteria keputusan:
n=16, k=8, db(KM)=k-p=8-3=5 ,db(GM)=n-k=16-8=8, F0,05(5,8)= 3,69
Hitungan:
SOAL LATIHAN
1. Suatu penelitian telah dilakukan untuk mengetahui hubungan antara persentase
kehadiran mahasiswa (X1) dan lama belajar dalam jam per minggu (X2) terhadap nilai
akhir ujian suatu mata kuliah (Y). Sebanyak 30 mahasiswa telah dipilih secara acak untuk
menjadi subyek penelitian.
Diketahui :
XX
9,8866861 0,132528 0,640573

0,132528 0,0018375 0,010051
0,640573 0,010051 0,079075
Y 2440, Y 2016000, X Y 224670, X

X X 9810, X 251674, X 409
2
i1
i2
i1 i
2
i1
Y 8880,
i2 i
2
i2
a) Tentukan persamaan regresi dugaan dan berikan maknanya.

b) Bila dianggap asumsi-asumsi dalam analisis regresi linear ganda terpenuhi, ujilah
apakah ada hubungan antara persentase kehadiran mahasiswa dan lama belajar
dalam jam per minggu terhadap nilai akhir ujian suatu mata kuliah. Gunakan = 0,05.
c) Tentukan selang kepercayaan 95% bagi 1 dan maknanya.
d) Buatlah selang kepercayaan serempak 95% bagi 1 dan 2 beserta maknanya
e) Hitunglah koefisien determinasi ganda dan berikan maknanya.
27
f) Hitunglah koefisien korelasi ganda.

2. Seorang pegawai administrasi rumah sakit ingin mengetahui hubungan antara kepuasan
pelanggan (Y) dan umur pasien (X1, dalam tahun), tingkat keparahan penyakit (X2, dalam
indeks) dan tingkat kecemasan (X3, dalam indeks). Ia mengambil secara acak 23 pasien
dan mengumpulkan data tersebut. Berikut datanya:
i
Xi1
Xi2
Xi3
Yi
1
50
51
2,3
48
i
Xi1
Xi2
Xi3
Yi
2
36
46
2,3
57
13
38
55
2,2
47
3
40
48
2,2
66
14
34
51
2,3
51
4
41
44
1,8
70
15
53
54
2,2
57
5
28
43
1,8
89
16
36
49
2,0
66
6
49
54
2,9
36
17
33
56
2,5
79
7
42
50
2,2
46
18
29
46
1,9
88
8
45
48
2,4
54
19
33
49
2,1
60
9
52
62
2,9
26
20
55
51
2,4
49
10
29
50
2,1
77
21
29
52
2,3
77
11
29
48
2,4
89
22
44
58
2,9
52
12
43
53
2,4
67
23
43
50
2,3
60
Anggap asumsi-asumsi dalam model regresi linear ganda terpenuhi.

a. Tentukan fungsi regresi dugaan
b. Ujilah hubungan regresi, gunakan taraf nyata 0,01.
c. Tentukan selang kepercayaan serempak bagi 1, 2 dan 3 dengan tingkat
kepercayaan 90%. Interpretasikan hasilnya.
d. Hitung koefisien korelasi ganda dan berikan maknanya.
3. Seorang peneliti ingin mengevaluasi hubungan antara gaji tahuan peneliti matematika
golongan menengah dan senior (Y, dalam ribuan dolar) dan indeks kualitas publikasi (X1),
jumlah tahun pengalaman (X2) dan indeks kesuksesan dalam memperoleh hibah (X3).
Berikut data sampel 24 peneliti matematika golongan menengah dan senior.
i
Xi1
Xi2
Xi3
Yi
1
3,5
9
6,1
33,2
2
5,3
20
6,4
40,3
3
5,1
18
7,4
38,7
4
5,8
33
6,7
46,8
5
4,2
31
7,5
41,4
6
6,0
13
5,9
37,5
7
6,8
25
6,0
39,0
8
5,5
30
4,0
40,7
9
3,1
5
5,8
30,1
10
7,2
47
8,3
52,9
11
4,5
25
5,0
38,2
12
4,9
11
6,4
31,8
i
Xi1
Xi2
Xi3
Yi
13
8,0
23
7,6
43,3
14
6,5
35
7,0
44,1
15
6,6
39
5,0
42,8
16
3,7
21
4,4
33,6
17
6,2
7
5,5
34,2
18
7,0
40
7,0
48,0
19
4,0
35
6,0
38,0
20
4,5
23
3,5
35,9
21
5,9
33
4,9
40,4
22
5,6
27
4,3
36,8
23
4,8
34
8,0
45,2
24
3,9
15
5,0
35,1
28
Anggap asumsi-asumsi dalam model regresi linear ganda terpenuhi.

a. Tentukan fungsi regresi dugaan
b. Ujilah hubungan regresi, gunakan taraf nyata 0,05.
c. Ujilah apakah masing-masing k signifikan. Gunakan taraf nyata 0,05.
d. Tentukan selang kepercayaan serempak bagi 1, 2 dan 3 dengan tingkat
kepercayaan 95%. Interpretasikan hasilnya.
e. Hitung koefisien korelasi determinasi dan berikan maknanya.
f. Buatlah selang kepercayaan 95% bagi masing-masing k.
29

Topik 7
: Asumsi-asumsi dalam Analisis Regresi Linear Ganda
Asumsi-asumsi dalam analisis regresi linear ganda adalah

a. Linearitas
b. Tidak terjadi multikolinearitas
c. Tidak terjadi heteroskedastisitas
d. Normalitas
e. Tidak ada autokorelasi
Linearitas
Model regresi linear ganda diasumsikan linear dalam parameter regresi. Asumsi linearitas dalam
regresi ganda lebih sulit dipenuhi berkaitan dimensi data yang semakin tinggi.
Asumsi ini dapat dideteksi dengan plot pencar sisaan dibakukan dengan masing-masing peubah
bebas.
Kriteria: asumsi ini terpenuhi bila pada plot ini menunjukkan titik-titik berpencar secara acak, bila
berpola maka mengindikasikan terjadinya pelanggaran asumsi. Jika asumsi linearitas tidak terpenuhi
maka lakukan transformasi pada Y dan atau peubah bebas tertentu.
Gambar 1. Plot sisaan dibakukan dengan masing-masing peubah bebas

Pada Gambar 1, pada masing-masing plot menunjukkan bahwa titik-titik berpencar secara acak
sehingga asumsi linearitas dalam parameter regresi terpenuhi.
Multikolinearitas
Multikolinearitas atau kekolinearan ganda adalah terjadinya korelasi antar peubah bebas.
Model regresi yang baik seharusnya tidak terjadi korelasi antar peubah bebas.
Metode yang banyak digunakan untuk mendeteksi adanya multikolinearitas adalah faktor inflasi
ragam (variance inflation factor/VIF) dengan rumus
VIFk (1 Rk2 ) 1 , k 1,2,..., p 1
Rk2 adalah koefisien determinasi ganda bila Xk diregresikan terhadap p-2 peubah lainnya di dalam
model.
30
Kriteria terjadinya multikolinearitas adalah VIF > 10 atau nilai TOLERANCE < 0,1
(TOLERANCE = 1/VIF)
Heteroskedastisitas
Ragam galat diasumsikan konstan dari satu pengamatan ke pengamatan lain, hal ini disebut
homoskedastisitas.
Jika ragam galat berbeda disebut heteroskedastisitas.
Model regresi yang baik adalah tidak terjadi heteroskedastisitas.
Untuk mendeteksi heteroskedastisitas adalah dengan membuat plot nilai dugaan yang
dibakukan (standardized predicted value) dengan sisaan yang dibakukan (studentized residual).
Jika ada pola tertentu (bergelombang, melebar kemudian menyempit) maka terjadi
heteroskedastisitas.
Jika tidak ada pola jelas, maka tidak terjadi heteroskedastisitas.
Gambar 2. Plot nilai dugaan dibakukan dengan sisaan dibakukan

Pada Gambar 2, plot menunjukkan bahwa titik-titik berpencar secara acak (tidak berpola) yang
mengindikasikan homoskedastisitas. (Galat memiliki ragam yang sama).
Normalitas
Galat diasumsikan berdistribusi Normal i ~ N 0, 2 .
Model regresi yang baik adalah distribusi data normal atau mendekati normal.
Untuk mendeteksi normalitas digunakan normal p-p plot.
Jika titik-titik (sisaan) menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, maka
model regresi memenuhi asumsi normalitas.
Jika titik-titik (sisaan) menyebar jauh dari garis diagonal dan atau tidak mengikuti arah garis
diagonal, maka model regresi tidak memenuhi asumsi normalitas.
31
Gambar 3. Plot P-P Normal

Pada Gambar 3 terlihat bahwa titik-titik dekat dengan garis diagonal sehingga galat memiliki
distribusi normal.
Autokorelasi
Bila dalam model regresi linear ganda ada korelasi antara galat pada periode t dengan galat pada
periode t-1, maka dinamakan ada masalah autokorelasi.
Model regresi yang baik adalah model regresi yang bebas dari autokorelasi.
Autokorelasi sering ditemukan pada regresi yang datanya adalah time series atau berdasarkan
waktu berkala seperti bulanan, tahunan.
Deteksi autokorelasi dengan menggunakan besaran Durbin -Watson (D-W)
n
(e e
i 2
i 1
)2
e
i 1
2
i
Hipotesis
Nol
H0 : = 0
H1 : > 0
(Tidak ada
(Ada autokorelasi
autokorelasi) positif)
Taraf
Kriteria Keputusan
Nyata
Jika d > dU maka terima H0 (tidak ada autokorelasi)
Jika d < dL maka tolak H0 (ada autokorelasi positif)

Jika dL d dU , maka uji tidak meyakinkan
H1 : < 0
(Ada autokorelasi
negatif)
H1 : 0
2
(Ada autokorelasi)
Jika 4-d > dU maka terima H0 (tidak ada autokorelasi)

Jika 4-d < dL maka tolak H0 (ada autokorelasi negatif)
Jika dL 4-D dU , maka uji tidak meyakinkan
Jika d < dL atau 4-d < dL maka tolak H0 (ada
autokorelasi)
Jika d > dU dan 4-d > dU maka terima H0 (tidak ada
autokorelasi )
Selain itu, maka uji dikatakan tidak meyakinkan
32
SOAL LATIHAN
Sebuah studi untuk mengetahui hubungan lama bekerja dan kepuasan kerja dengan pendapatan.
Berikut data sampel dari sembilan pekerja.
Pendapatan per tahun
(ribuan dolar)
47
42
54
48
56
59
53
62
66
Lama bekerja
Indeks kepuasan kerja
8
4
12
9
16
14
10
15
22
5,6
6,3
6,8
6,7
7,0
7,7
7,0
8,0
7,8
Selidiki pemenuhan asumsi-asumsi dalam model regresi linear ganda.

Berikut output SPSS.
33
34

Topik 8
: Jumlah Kuadrat Ekstra
Kegunaan Jumlah Kuadrat Ekstra:

a. Mengukur pengurangan JKG akibat dimasukkannya 1 atau lebih peubah bebas ke dalam
model regresi, jika diketahui peubah-peubah lain telah ada di dalam model
b. Mengukur kenaikan JKR akibat dimasukkannya 1 atau beberapa peubah bebas ke dalam
model regresi
c. Untuk menguji apakah peubah Xk dapat dibuang dari model regresi ganda
d. Untuk menguji apakah beberapa peubah bebas dapat dibuang dari model regresi ganda
Definisi
Jumlah kuadrat esktra 2 1 mengukur pengaruh marjinal akibat penambahan X2 dalam
model regresi yang sudah ada X1.
2 1 = 1 , 2 1 atau
2 1 = 1 1 , 2
Perluasan
3 1 , 2 = 1 , 2 , 3 1 , 2 atau
3 1 , 2 = 1 , 2 1 , 2 , 3
Contoh 1
Perhatikan tabel berikut
Y 1,496 0,8572 X 1
Y 23,634 0,8565 X 2
Sumber
variasi
JK
db
KT
Sumber variasi
Regresi
JKR(X1)=352,27
352,27
Galat
JKG(X1)=143,12
18
7,95
Total
495,39
19
JK
Regresi
db
KT
Regresi
JKR(X2)=381,97
381,97
Galat
JKG(X2)=113,42
18
6,30
Total
495,39
19
Y 117,08 4,334 X 1 2,857 X 2 2,186 X 3
Y 19,174 0,2224 X 1 0,6594 X 2

Sumber
variasi
JK
db
MS
Sumber
variasi
JK
JKR(X1,X2)=385,44
192,72
Regresi
Galat
JKG(X1,X2)=109,95
17
6,47
Total
495,39
19
35
db
KT
JKR(X1,X2,X3)=396,98
132,33
Galat
JKG(X1,X2,X3)=98,41
16
6,15
Total
495,39
19
Jumlah kuadrat galat bila X1 dan X2 ada dalam model, 1 , 2 = 109,95 lebih kecil
dibandingkan bila dalam model hanya ada X1, 1 = 143,12.
Jumlah kuadrat ekstra untuk pengaruh marjinal akibat penambahan X2 dalam model regresi
yang sudah ada X1.
2 1 = 1 1 , 2 = 143,12 109,95 = 33,17
atau
2 1 = 1 , 2 1 = 385,44 352,27 = 33,17
Jumlah kuadrat ekstra untuk pengaruh marjinal akibat penambahan X3 dalam model regresi
yang sudah ada X1 dan X2.
3 1 , 2 = 1 , 2 1 , 2 , 3 = 109,95 98,41 = 11,54
atau
3 1 , 2 = 1 , 2 , 3 1 , 2 = 396,98 385,44 = 11,54
Dekomposisi JKR menjadi Jumlah Kuadrat Ekstra

Dalam regresi ganda dapat diperoleh beberapa dekomposisi JKR menjadi Jumlah Kuadrat Ekstra.
Misal untuk dua peubah bebas.
= 1 + 1
Lalu substitusi 1 dengan 2 1 + 1 , 2 sehingga
= 1 + 2 1 + 1 , 2
= 1 , 2 + 1 , 2
Tabel 1. Contoh Tabel ANOVA dengan Dekomposisi JKR untuk Tiga Peubah X
Sumber Variasi
JK
db
KT
Regresi
JKR(X1, X2, X3)
3
KTR(X1, X2, X3)
X1
JKR(X1)
1
KTR(X1)
X2|X1
JKR(X2|X1)
1
KTR(X2|X1)
X3|X1,X2
JKR(X3|X1,X2)
1
KTR(X3|X1,X2)
Galat
JKG(X1, X2, X3)
n-4
KTG(X1, X2, X3)
Total
JKT
n-1
Uji masing-masing =
Bentuk dapat dikeluarkan dari model regresi ganda, dengan hipotesis alternatif sebagai
berikut
Hipotesis Nol
H0 : = 0
H1 : 0
Statistik Uji
36
Kriteria keputusan
H0 ditolak jika > ( )
2
Hipotesis :
H0 : k= 0
H1 : k 0
Taraf nyata :
Statistik Uji :
JKR X k X 1 ,, X k 1 , X k 1 ,, X p 1 JKG X 1 ,, X p 1
F
:
1
n p
KTRX k X 1 ,, X k 1 , X k 1 ,, X p 1
KTG
H0 ditolak jika Fhit > F(1,n-p)
Uji Apakah Semua k = 0
Hipotesis :
H0 : 1 = 2 = = p-1 = 0
H1 : Tidak semua k (k=1, , p-1) sama dengan nol
Taraf nyata :
Statistik Uji :
JKR X 1 ,, X p 1 JKG X 1 ,, X p 1 KTR
F
:
p 1
n p
KTG
H0 ditolak jika Fhit > F(p-1,n-p)
Uji Apakah Beberapa k = 0
Hipotesis :
H0 : q= q+1 = = p-1= 0
H1 : Tidak semua k di dalam H0 sama dengan nol
Taraf nyata :
Statistik Uji :
F
JKR X q ,, X p 1 X 1 ,, X q 1
pq
: JKG X ,, X
KTR X q ,, X p 1 X 1 ,, X q 1
n p
KTG
H0 ditolak jika Fhit > F(p-q,n-p)
37
p 1
Misalkan model regresi orde pertama dengan tiga peubah bebas

= 0 + 1 1 + 2 2 + 3 3 +
Uji apakah 3 = 0.
Hipotesis Nol
Hipotesis
Alternatif
H0 : 3 = 0
H1 : 3 0
Statistik Uji
Kriteria keputusan
3 1 , 2 1
1 , 2 , 3 4
H0 ditolak jika
> (1, 4)
Contoh 2
Dari contoh 1. Apakah X3 dapat dikeluarkan dari model regresi? Gunakan taraf nyata = 0.01.
Hipotesis
H0 : 3 = 0
H1 : 3 0
Taraf nyata: = 0,01
3 1 ,2
1 ,2 ,3
Statistik Uji: =
Kriteria keputusan: F0,01(1,20-4) = F0,01(1,16) = 8,53

H0 ditolak jika > 8,53
Hitungan:
11,54 1
= 98,41
16
= 1,88
Kesimpulan:
Karena Fhit = 1,88 < 8,53 maka H0 diterima. (3 = 0)
Jadi pada taraf nyata 0,01 dapat disimpulkan bahwa X3 dapat dikeluarkan dari model regresi.
Misalkan model regresi orde pertama dengan tiga peubah bebas
= 0 + 1 1 + 2 2 + 3 3 +
(Model Lengkap)
Apakah 2 and 3 dapat dikeluarkan dari model regresi.
Null Hypothesis
H0 : 2 = 3 = 0
Alternative
Hypothesis
H1 : Tidak semua
2 dan 3 sama
dengan nol
Statistik Uji
2 , 3 1 2
1 , 2 , 3 4
Kriteria
Keputusan
H0 ditolak jika
> (2, 4)
Contoh 3
Dari contoh 1. Apakah X2 dan X3 dapat dikeluarkan dari model regresi? Gunakan taraf nyata
= 0,01.
38
Hipotesis
H0 : 2 = 3 = 0
H1 : Tidak semua 2 dan 3 sama dengan nol
Taraf nyata: = 0,01
2 ,3 1
1 ,2 ,3
Statistik Uji: =
Kriteria keputusan: F0,01(1,20-4) = F0,01(2,16) = 6,23

H0 ditolak jika > 3,63
Hitungan:
44,71/2
= 98,41
16
= 3,63
Hitungan:
Karena Fhit = 3,63 < 6,23 maka H0 diterima. (2 = 3 = 0)
Jadi pada taraf nyata 0,01 dapat disimpulkan bahwa X2 dan X3 dapat dikeluarkan dari model
regresi.
Koefisien Determinasi Parsial
Untuk mengukur sumbangan marjinal satu peubah bebas X, bila semua peubah bebas
lain telah ada di dalam model.
Model regresi ganda ordo-pertama dengan 2 peubah bebas
Yi 0 1 X i1 2 X i 2 i
Maka koefisien determinasi parsial antara Y dan X1 bila dalam model sudah ada X2
adalah
JKR X 1 X 2
rY21.2
JKG X 2
Ukuran ini mengukur proporsi penurunan keragaman Y yang diakibatkan oleh
dimasukkannya X1 dalam model yang sebelumnya sudah ada X2.
Misalkan diperoleh rY22.1
JKR X 2 X 1
JKG X 1
33,17
0,232 , artinya jika X2 dimasukkan ke dalam
143,12
model regresi yang di dalamnya sudah ada X1 maka JKG akan berkurang 23,2%.
Berikut beberapa rumus koefisien determinasi parsial
JKR X 1 X 2 2
JKR X 1 X 2 , X 3 2
JKR X 2 X 1 , X 3 2
JKR X 3 X 1 , X 2
, rY 1.23
, rY 2.13
, rY 3.12
rY21.2
JKG X 2
JKG X 2 , X 3
JKG X 1 , X 3
JKG X 1 , X 2
rY24.123
JKR X 4 X 1 , X 2 , X 3
JKG X 1 , X 2 , X 3
39
Koefisien Korelasi Parsial

a. Koefisien korelasi parsial merupakan akar kuadrat koefisien determinasi parsial.
b. Koefisien ini mempunyai tanda yang sama dengan koefisien regresi padanannya di dalam
fungsi regresi dugaannya.
Contoh 4
Dari contoh 1. Tentukan koefisien korelasi parsial X2 bila X1 sudah ada dalam model regresi?
Y 19,174 0,2224 X 0,6594 X
1
2|1 =
2
2|1
0,232 = 0,482
Koefisien 2|1 ini bernilai positif karena b2 = 0,6594 bernilai positif.
40

Topik 9
: Seleksi Model
Langkah-langkah dalam membangun model

1. Pilih satu set peubah bebas
2. Sesuaikan model regresi dengan nilai VIF
3. Jika nilai VIF > 5 maka eliminasi peubah bebas yang memiliki nilai VIF tertinggi, jika
semua nilai VIF 5 maka lanjut ke langkah 5
4. Sesuaikan model regresi dengan nilai VIF untuk model yang baru (tanpa peubah yang
telah dihapus)
5. Lakukan best-subsets regression dengan peubah bebas yang tersisa
6. Daftar seluruh model yang mempunyai Cp (p+1), dengan p adalah banyaknya peubah
bebas dalam model
7. Pada langkah 6, pilih model terbaik dengan menggunakan kriteria Cp, R2adj, s
8. Lanjutkan analisis yang lengkap dengan analisis sisaan
9. Perbaiki model bila ada indikasi pelanggaran asumsi
10. Gunakan model terbaik yang telah diperoleh bisa untuk prediksi dan inferensi
Best-Subset Regression
Kriteria dalam memilih model terbaik pada best-subset regression:
1. Cp, pilih nilai Cp p+1 (Cp mengukur ketepatan model)
2. S, pilih nilai simpangan baku yang terkecil ( = )
3. R2adj, pilih nilai R2adj mendekati 1 (100%)
4. Prinsip parsimony, model dengan peubah bebas yang lebih sedikit adalah lebih baik
daripada lebih banyak peubah bebas.
Contoh 1
Berikut hasil output Minitab
Best Subsets Regression: Y versus X1, X2, X3, X4
Response is Y
Vars
1
1
2
2
3
3
4
R-Sq
36.6
17.1
49.0
45.0
53.8
53.6
62.3
R-Sq(adj)
34.0
13.7
44.6
40.2
47.5
47.3
55.1
Mallows
Cp
13.3
24.2
8.4
10.6
7.8
7.8
5.0
S
38.621
44.162
35.387
36.749
34.443
34.503
31.835
X X X X
1 2 3 4
X
X
X X
X
X
X
X X
X X X
X X X X
Model terbaik adalah = 0 + 1 1 + 2 2 + 3 3 + 4 4 + , karena memiliki nilai R2adj =

55,1 terbesar, R2 = 62,3 terbesar , Cp Mallows = 5,0 ( 5) dan S = 31,835 terkecil.
41
Forward Regression
Pada metode forward regression, penambahan peubah bebas ke dalam model dilakukan satu
per satu berdasarkan kekuatan koefisien korelasi.
Gambar 1. Diagram Alur untuk Forward Selection

Contoh 2
Stepwise Regression: Y versus X1, X2, X3, X4
Forward selection.
Alpha-to-Enter: 0.25
Response is Y on 4 predictors, with N = 26

Step
Constant
X1
T-Value
P-Value
1
-272.4
2
-330.7
3
-283.7
4
-330.8
1.42
3.72
0.001
1.76
4.66
0.000
1.75
4.75
0.000
1.25
3.02
0.006
-0.139
-2.36
0.027
-0.119
-2.02
0.055
-0.118
-2.18
0.041
-0.16
-1.48
0.153
-0.30
-2.52
0.020
X2
T-Value
P-Value
X3
T-Value
P-Value
X4
T-Value
P-Value
S
R-Sq
R-Sq(adj)
Mallows Cp
0.131
2.20
0.039
38.6
36.60
33.96
13.3
35.4
48.99
44.56
8.4
34.5
53.62
47.29
7.8
31.8
62.31
55.13
5.0
42

Backward Regression
Pada metode backward regression, diawali dengan memasukan semua peubah bebas ke dalam
model lalu mengeluarkan peubah bebas yang memiliki nilai R2 terkecil.
Gambar 2. Diagram Alur untuk Backward Elimination

Contoh 3
Backward elimination.
Alpha-to-Remove: 0.1

Step
Constant
1
-330.8
X1
T-Value
P-Value
1.25
3.02
0.006
X2
T-Value
P-Value
-0.118
-2.18
0.041
X3
T-Value
P-Value
-0.30
-2.52
0.020
X4
T-Value
P-Value
0.131
2.20
0.039
43
S
R-Sq
R-Sq(adj)
Mallows Cp
31.8
62.31
55.13
5.0

Stepwise Regression
Pada metode stepwise regression merupakan kombinasi antara forward dan backward.
Contoh 4
Alpha-to-Enter: 0.15
Alpha-to-Remove: 0.15

Step
Constant
X1
T-Value
P-Value
1
-272.4
2
-330.7
1.42
3.72
0.001
1.76
4.66
0.000
X2
T-Value
P-Value
S
R-Sq
R-Sq(adj)
Mallows Cp
Model terbaik adalah = 0 + 1 1 + 2 2 + , karena

memiliki nilai R2adj = 44,56 terbesar, R2 = 48,99 terbesar ,
Cp Mallows = 8,4 (> 3) tidak memenuhi dan S = 35,4
terkecil.
-0.139
-2.36
0.027
38.6
36.60
33.96
13.3
35.4
48.99
44.56
8.4
44
SOAL LATIHAN
Data 1
Seorang direktur operasi penyiaran di suatu stasiun televisi ingin mempelajari tentang jam
siaga . Ia ingin memperoleh model terbaik untuk memprediksikan berapa jumlah jam siaga per
minggu (Y) bagi pekerja. Peubah bebas yang telah tersedia adalah jumlah pekerja yang hadir
(X1), jumlah jam istirahat (X2), jumlah jam sibuk (X3) dan total jam kerja (X4). Berikut data selama
26 minggu.
i
1
2
3
4
5
6
7
8
9
10
11
12
13
Y
245
177
271
211
196
135
195
118
116
147
154
146
115
X1
338
333
358
372
339
289
334
293
325
311
304
312
283
X2
414
598
656
631
528
409
382
399
343
338
353
289
388
X3
323
340
340
352
380
339
331
311
328
353
518
440
276
X4
2001
2030
2226
2154
2078
2080
2073
1758
1624
1889
1988
2049
1796
i
14
15
16
17
18
19
20
21
22
23
24
25
26
Y
161
274
245
201
183
237
175
152
188
188
197
261
232
X1
307
322
335
350
339
327
328
319
325
322
317
315
331
X2
402
151
228
271
440
475
347
449
336
267
235
164
270
X3
207
287
290
355
300
284
337
279
244
253
272
223
272
X4
1720
2056
1890
2187
2032
1856
2068
1813
1808
1834
1973
1839
1935
Tentukan model terbaik dengan kriteria best-subsets regression, forward selection dan backward
elimination.
Data 2
Data tentang rumah sakit. Peubah tak bebas adalah jumlah jam perawat bekerja per bulan (Y) dan
peubah bebas adalah rata-rata jumlah pasien per hari (X1), jumlah pasien yang rontgen (X2), jumlah
tempat tidur yang terisi per bulan (X3), rata-rata daya tampung pasien baru yang menginap (X4) dan
rata-rata lama pasien menginap (X5).
i
1
2
3
4
5
6
7
8
9
Y
566,5
696,8
1033,2
1603,6
1611,4
1613,3
1854,2
2160,6
2305,6
X1
15,57
44,02
20,42
18,74
49,20
44,92
55,48
59,28
94,39
X2
2463
2048
3940
6505
5723
11520
5779
5969
8461
45
X3
472,9
1339,8
620,3
568,3
1497,6
1365,8
1687
1639,9
2872,3
X4
18
9,5
12,8
36,7
35,7
24
43,3
46,7
78,7
X5
4,45
6,92
4,28
3,9
5,5
4,6
5,62
5,15
6,18
10
11
12
13
14
15
16
17
3503,9
3571,9
3741,4
4026,5
10343,8
11732,2
15414,9
18854,4
128,02
96,00
131,42
127,21
252,90
409,20
463,70
510,22
20106
13313
10771
15543
36194
34703
39204
86533
3655,1
2912
3921
2865,7
7684,1
12446,3
14098,4
15524
180,5
60,9
103,7
126,8
157,7
169,4
331,4
371,6
6,15
5,88
4,88
5,5
7
10,78
7,05
6,35
elimination.
Data 3
Berikut data sampel.
i
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
Y
443
290
676
536
481
296
453
617
514
400
473
157
440
480
316
530
610
617
600
480
279
446
450
335
459
630
483
X1
49
27
115
92
67
31
105
114
98
15
62
25
45
92
27
111
78
106
97
67
38
56
54
53
61
60
83
X2 X3
79 76
70 31
92 130
62 92
42 94
54 34
60 47
85 84
72 71
59 99
62 81
11
7
65 84
75 63
26 82
52 93
102 84
87 82
98 71
65 62
26 44
32 99
100 50
55 60
53 79
108 104
78 71
46
X4
8
6
0
5
16
14
5
17
12
15
9
9
19
9
4
11
5
18
12
13
10
16
11
8
6
17
11
X5
15
6
9
8
3
11
10
20
-1
11
1
9
13
20
17
13
7
7
8
12
8
8
15
0
5
8
8
X6
205
129
339
247
202
119
212
285
242
174
207
45
195
232
134
256
266
276
266
196
110
188
205
170
193
273
233
28
29
30
31
32
33
34
35
36
37
38
39
40
617 74 125 66 16 4 265

605 89 121 71 8 8 283
388 64 30 81 10 10 176
351 34 44 65 7 9 143
366 71 34 56 8 9 162
493 88 30 87 13 0 207
648 112 105 123 5 12 340
449 57 69 72 5 4 200
340 61 35 55 13 0 152
292 29 45 47 13 13 123
688 82 105 81 20 9 268
408 80 55 61 11 1 197
461 82 88 54 14 7 225
elimination.
47

Topik 10 : Analisis Variansi
Analisis variansi digunakan untuk menguji kesamaan tiga rata-rata populasi atau lebih
dengan hipotesis nol 0 : 1 = 2 = 3 = = , dan hipotesis alternatif : paling sedikit
ada sepasang rata-rata tidak sama dengan nol (1 : , , = 1, 2, , ).
Definisi
Analisis variansi (ANAVA) adalah metode pengujian kesamaan tiga atau lebih rata-rata
populasi dengan analisis variansi sampel.
Metode ANAVA menggunakan distribusi F. Distribusi F mempunyai sifat-sifat berikut:
1. Distribusi F tidak simetri dengan kemiringan ke kanan.
2. Nilai F dapat 0 atau positif, tetapi tidak dapat bernilai negatif.
3. Distribusi F memiliki dua derajat bebas yaitu untuk pembilang dan penyebut.
Gambar 1. Distribusi F
Analisis Variansi Satu Arah
Analisis variansi satu arah (analisis variansi satu faktor) digunakan untuk menguji tiga atau
lebih rata-rata populasi dengan satu karakteristik dalam populasi.
Analisis variansi digunakan pula untuk menganalisis data yang diperoleh dari rancangan
percobaan. Berikut beberapa istilah yang digunakan dalam merancang percobaan.
Definisi
Perlakuan : suatu prosedur atau metode yang diterapkan pada unit percobaan.
Setara dengan taraf dari faktor.
Unit Percobaan : unit terkecil dalam suatu percobaan yang diberi suatu perlakuan.
Unit dimana perlakuan diberikan secara acak.
Satuan Pengamatan : anak gugus dari unit percobaan, tempat dimana respon
perlakuan diukur.
48
Faktor : peubah bebas yang dicobakan dalam percobaan sebagai penyusun struktur
perlakuan.
Taraf : jenis-jenis suatu faktor yang dicobakan dalam percobaan
Asumsi-asumsi dalam analisis variansi
1. Sampel berasal dari populasi berdistribusi normal
2. Sampel berasal dari populasi yang memiliki variansi sama 2
Ada dua pendekatan untuk menduga nilai 2 yaitu
1. Variansi antara sampel (variansi antar perlakuan) adalah penduga variansi populasi 2
berdasarkan variansi antar rata-rata sampel
2. Variansi dalam sampel (variansi akibat galat) adalah penduga variansi populasi 2
berdasarkan variansi sampel
Statistik Uji untuk Anava satu arah
=
Perhatikan kedua kasus berikut.

Pengaruh Rata-rata pada Statistik Uji F
A
ditambahkan 10
Sampel 1 Sampel 2
Sampel 1 Sampel 2 Sampel 3
17
16
7
6
4
3
5
7
13
15
6
5
6
16
15
6
8
7
16
18
n1 = 4
n2 = 4
n1 = 4
n1 = 4
n2 = 4
1 = 5,5
2 = 6,0
1 = 5,5 2 = 6,0 3 = 6,0
2
2
2
2
1 = 3,0
22 = 2,0
1 = 3,0 2 = 2,0 3 = 2,0
Tabel A
Variansi antar sampel
2 = 4 0,0833 = 0,3332
Variansi dalam sampel
12 + 22 + 32 3,0 + 2,0 + 2,0
2 =
=
= 2,3333
3
3
Derajat Bebas
Derajat bebas pembilang = k 1
Derajat bebas penyebut = k(n - 1)
k = banyaknya perlakuan, n = ukuran sampel
49
B
Sampel 3
14
17
16
17
n1 = 4
3 = 6,0
32 = 2,0
Perhitungan analisis variansi untuk ukuran sampel sama

Penduga bagi 2
Sumber variasi
Antar sampel
2 =
Dalam sampel
Statistik Uji
2
=1
=1

1
2
Kriteria keputusan
H0 ditolak jika
F > F(k-1, k(n-1))
2
=
2

=1
Perhitungan analisis variansi untuk ukuran sampel berbeda

Sumber variasi
Antar sampel
Penduga bagi 2
=1
Dalam sampel
Statistik Uji
2
=1
2
=1 1
=1 1
2
=1 1
=1 1
Kriteria Keputusan
H0 ditolak jika
F > (1, 1
Perhitungan diatas ekuivalen dengan menghitung komponen-komponen Anava berikut :

1) JKT (Jumlah Kuadrat Total) mengukur variasi total (sekitar ) dalam seluruh sampel.
=
JKT dapat diuraikan menjadi komponen JKP (Jumlah Kuadrat Perlakuan) dan JKG
(Jumlah Kuadrat Galat).
2) JKP (Jumlah Kuadrat Perlakuan), dimaksudkan untuk JK antar sampel, mengukur
variasi antara rata-rata sampel.
=
3) JKG (Jumlah Kuadrat Galat), dimaksudkan untuk JK (dalam sampel), adalah jumlah
kuadrat yang menunjukkan variasi dalam sampel.
=
Sumber
variasi
Perlakuan
Derajat
bebas (db)
k-1
Jumlah Kuadrat
(JK)
Galat
nk
1 2
Total
n1
1 2
Kuadrat
Tengah (KT)
JKP /(k-1)
JKG/(n-k)
50
Statistik Uji
=
Kriteria
keputusan
H0 ditolak jika
F > (1,)
Contoh
Seorang administrator perguruan tinggi mengklaim bahwa tidak ada perbedaan rata-rata
nilai UAN siswa dari tiga SMA berbeda yang masuk perguruan tinggi tersebut. Data berikut
adalah 15 mahasiswa tahun pertama yang dipilih secara acak dari tiga sekolah tersebut
dengan masing-masing sekolah diambil 5 orang. Apakah pernyataan administrator tersebut
cukup beralasan? Gunakan taraf nyata 0,05.
SMA A SMA B SMA C
3,2
2,8
2,5
2,7
3,0
2,8
3,0
3,3
2,4
3,3
2,5
2,2
2,6
3,1
3,0
Penyelesaian:
Misal 1: SMA A, 2: SMA B, 3: SMA C.
= 42,4 ;
SMA A
SMA B
SMA C
3,2
2,8
2,5
2,7
3,0
2,8
3,0
3,3
2,4
3,3
2,5
2,2
2,6
3,1
3,0
2,96
2,94
2,58
0,304959 0,304959 0,319374
5
5
5
2 = 121,46; = 2,8267
2 2 = 121,46 15 2,82672 = 1,6065
2 2 =
5 2,962 + 5 2,942 + 5 2,582
= 120,308 119,8535 = 0,4545

= = 1,6065 0,4545 = 1,152
Hipotesis
H0 : 1 = 2 = 3
H1 : , , = 1, 2, 3
Taraf nyata: = 0.05
Statistik Uji:
Kriteria keputusan: k = 3, n = 15; F0,05(2,12) = 3,89

Hitungan:
0,4545 /2
= 1,152
12
= 2,367
51
15 2,82672
Kesimpulan:
Karena Fhit = 2,367 < 3,89 maka H0 diterima. Jadi pada taraf nyata 0,05 dapat disimpulkan
bahwa tidak ada perbedaan rata-rata nilai UAN siswa dari tiga SMA berbeda yang masuk
perguruan tinggi tersebut.
SOAL LATIHAN
1. Lima belas siswa kelas XI di suatu sekolah menengah pertama dengan kemampuan
relatif sama telah dipilih secara acak untuk dikelompokkan dalam 3 grup yang
selanjutnya diberikan perlakuan tiga metode mengajar aritmetika yang berbeda.
Pada akhir semester, tes yang sama diberikan kepada lima belas siswa tersebut.
Berikut tabel hasil tes dari siswa tersebut.
Metode I Metode II Metode III
48
55
84
73
85
68
51
70
95
65
69
74
87
90
67
Apakah dapat disimpulkan bahwa rata-rata hasil tes siswa dari ketiga metode itu
berbeda? Gunakan taraf nyata 0,05 dan anggap bahwa asumsi-asumsi dalam analisis
variansi terpenuhi.
2. Empat desain sirkuit komputer digital yang berbeda telah diteliti untuk dibandingkan
volume suara yang muncul. Hasil berikut diperoleh:
Desain Sirkuit
Komputer Digital
1
2
3
4
Volume suara (dalam dB)

29; 26; 27; 30
36; 34; 33; 35; 30
36; 41; 35; 39
42; 38; 37; 41; 45
Apakah rata-rata volume suara yang muncul sama untuk semua desain sirkuit
komputer digital? Gunakan = 0,05. Anggap bahwa asumsi-asumsi dalam analisis
variansi terpenuhi.
52
Rancangan Acak Lengkap (RAL) (Complete Randomized Design)

Latar belakang dari rancangan acak lengkap:
a. Biasanya digunakan jika kondisi unit percobaan relatif homogen
b. Umumnya percobaan dilakukan di laboratorium
c. Unit percobaan tidak cukup besar dan jumlah perlakuan terbatas
d. Sederhana
Beberapa keuntungan dari penggunaan RAL
Bagan rancangan percobaan lebih mudah
Analisis statistika terhadap subyek percobaan sederhana
Fleksibel dalam penggunaan jumlah perlakuan dan jumlah ulangan
Kehilangan informasi relatif sedikit dalam hal data hilang dibandingkan rancangan
lain
Pengacakan dan Bagan Percobaan
Misalkan ada 3 perlakuan (A, B, C)
2 ulangan
Maka diperlukan 3 2 = 6 unit percobaan
Bagan percobaan
Salah satu hasil pengacakan adalah
Tabulasi data
Ulangan
Perlakuan
Total Keseluruhan
Y11
Y21
Y31
Y12
Y22
Y32
Total Perlakuan (Yi.)
Y1.
Y2.
Y3.
53
Y..
Model linier aditif dalam RAL

Model Tetap
Model tetap merupakan model dimana perlakuan-perlakuan yang digunakan dalam
percobaan berasal dari populasi yang terbatas dan pemilihan perlakuan ditentukan
langsung oleh peneliti dan kesimpulan yang diperoleh terbatas hanya pada
perlakuan-perlakuan yang dicobakan saja tidak bisa digeneralisasikan.
Model Acak
Model acak merupakan model dimana perlakuan-perlakuan yang dicobakan
merupakan sampel acak dari populasi perlakuan dan kesimpulan yang diperoleh
berlaku secara umum untuk seluruh populasi perlakuan.
Model linier aditif dari RAL adalah
Yij i ij
dengan
i 1, 2, , a
j 1, 2, , r
ij ~ N 0, 2
iid
Yij : pengamatan pada perlakuan ke-i dan ulangan ke-j

: rataan umum
i : pengaruh perlakuan ke-i
ij : pengaruh acak pada perlakuan ke-i ulangan ke-j
Asumsi untuk model tetap ialah =1 = 0 .
Asumsi untuk model acak ialah ~ 0, 2 .
Analisis pada Model Tetap
Ingin menguji persamaan dari rata-rata a perlakuan, diketahui
E Yij i i , i 1, 2,, a
Sehingga bentuk hipotesis
H0 : 1 2 a
(Semua perlakuan memberikan respons yang sama)
H1 : i i ' , i i, i 1, 2,, a
Diketahui i i
a
i 1
i 1
i i
a
i 1
i 1
a i i
i 1
sehingga berakibat
a
i 1
54
Sehingga bentuk hipotesis diatas ekuivalen dengan hipotesis berikut

H0 : 1 2 a 0 (perlakuan tidak berpengaruh terhadap respons yang diamati)
H1 : i 0, i 1, 2,, a
Analisis pada Model Acak
Diketahui
Var Yij Var i ij
Var i ij , konstanta
Var i Var ij , i dan ij saling bebas

2 2
Sehingga bentuk hipotesisnya adalah

H0 : 2 0 (Keragaman perlakuan tidak berpengaruh terhadap respons yang diamati)
H1 : 2 0 (Keragaman perlakuan berpengaruh positif terhadap respons yang diamati)
Dekomposisi Jumlah Kuadrat Total
Keragaman total dapat diuraikan sebagai berikut:
Yij Y Yij Yi Yi Y
ij
Jika kedua ruas dikuadratkan maka akan diperoleh
ij
Y Yi Y Yij Yi
Y Yi Y Yij Yi 2Yi Y Yij Yi

2
Kemudian jika dijumlahkan untuk semua pengamatan
Y
a
i 1 j 1
ij Y Yi Y Yij Yi
karena
i 1 j 1
Y
a
i 1 j 1
i 1 j 1
Y Yij Yi 0
Sehingga
Jumlah Kuadrat Total = Jumlah Kuadrat Perlakuan + Jumlah Kuadrat Galat
JKT = JKP + JKG
Perhitungan Analisis Variansi (Anava)

Ulangan sama
FK
Ulangan tidak sama
Y
ar
FK
JKP
Yi2
i 1
r
a
Y2
a
r
i 1
Yi2
FK
i 1 ri
a
JKP
FK
JKT Yij2 FK
JKT Yij2 FK
i 1 j 1
i 1 j 1
JKG JKT JKP
JKG JKT JKP

55
Tabel Analisis Variansi

Ulangan sama
Ulangan tidak sama
SV
db
JK
KT
Fhitung
SV
db
JK
KT
Fhitung
Perlakuan
a-1
JKP
KTP
KTP/KTG
Perlakuan
a-1
JKP
KTP
KTP/KTG
Galat
a(r-1)
JKG
KTG
Galat
(ri -1)
JKG
KTG
Total
ar-1
JKT
JKT
ri -1
Kriteria keputusan
H0 ditolak jika Fhit > F(a-1, (ri -1))
Total
Kriteria keputusan
H0 ditolak jika Fhit > F(a-1, a(r-1))
SOAL LATIHAN
1. Suatu penelitian telah dilakukan untuk mengetahui pengaruh persentase kandungan

paracetamol dalam obat penurun panas terhadap waktu yang diperlukan untuk
menurunkan panas dari 39 menjadi 37. Untuk keperluan ini telah dipilih secara
acak 25 penderita sakit panas dengan suhu 39 dari usia yang hampir sama dan tanpa
keluhan sakit yang lain. Keduapuluh lima pasien tersebut dibagi secara acak menjadi
5 kelompok dan masing-masing kelompok yang terdiri dari 5 orang tersebut diberi
obat penurun panas dengan persentase kandungan paracetamol tertentu. Berikut
data tentang waktu (dalam jam) yang diperlukan oleh para pasien tersebut sampai
dengan panas badan mereka turun menjadi 37 .
KADAR PARACETAMOL
40%
50%
60%
75%
90%
Apakah ada pengaruh persentase kandungan paracetamol dalam obat penurun

panas terhadap waktu yang diperlukan untuk menurunkan panas dari 39 menjadi
37? Gunakan taraf nyata 0,05.
2. Sebuah lembaga penelitian di suatu perguruan tinggi ingin mengetahui pengaruh
metode mengajar yang digunakan dosen terhadap hasil belajar mahasiswa khusus
untuk mata kuliah Statistika Elementer. Ada berbagai macam metode mengajar
dalam pembelajaran, pada penelitian ini telah dipilih secara acak empat metode yang
dianggap sesuai dengan karakteristik mata kuliah tersebut yaitu metode ceramah,
tanya jawab, problem solving dan diskusi. Untuk keperluan itu telah dipilih secara
acak 20 kelas yang relatif seragam, dengan rata-rata kemampuan awal mahasiswa
dalam Statistika Elementer yang relatif sama. Secara acak 20 kelas tersebut dibagi
56
menjadi 4 kelompok, masing-masing kelompok mendapatkan pembelajaran dengan

salah satu metode tersebut. Dosen yang mengajar di kelas-kelas tersebut telah dipilih
sedemikian hingga dapat dianggap mempunyai karakteristik yang hampir sama.
Setelah pembelajaran selesai, semua kelas mendapat tes dengan soal dan waktu
yang sama. Berikut ini adalah data tentang rata-rata nilai tes mahasiswa dari ke-20
kelas yang digunakan dalam penelitian.
Kelas
1
2
3
4
5
Jumlah
a)
b)
c)
d)
Metode Mengajar
Tanya Problem
Ceramah
Jawab Solving
8,2
7,0
8,7
9,2
6,8
7,5
9,4
5,8
9,3
7,5
5,3
8,9
6,2
8,0
7,6
40,5
32,9
42
Jumlah
Diskusi
6,2
6,8
7,5
5,5
5,7
31,7
30,1
30,3
32,0
27,2
27,5
147,1
Tentukan rancangan apa yang sesuai dengan penelitian yang dimaksud.

Tentukan model linear dan maknanya
Model tetap atau model acak? Sebutkan alasannya.
Anggap asumsi-asumsi dalam Anava terpenuhi, lakukan pengujian hipotesis sesuai
dengan penelitian yang dimaksud. Gunakan taraf nyata 0,05.
57
Rancangan Acak Kelompok Lengkap (RAKL) (Randomized Complete Block Design)

Alasan penggunaan rancangan acak kelompok lengkap
a. Keheterogenan unit percobaan berasal dari satu sumber keragaman
b. Mengatasi kesulitan dalam mempersiapkan unit percobaan dalam jumlah besar
c. Kelompok yang dibentuk harus merupakan kumpulan dari unit-unit percobaan yang
relatif homogen sedangkan keragaman antar kelompok diharapkan cukup tinggi
Pengacakan dan Bagan Percobaan
Misalkan ada 6 perlakuan (P1, P2, P3, P4, P5, P6) dan 3 kelompok, maka ada 6 unit
percobaan pada setiap kelompok
Total unit percobaan ada 36 = 18 unit percobaan
Pengacakan dilakukan pada masing-masing kelompok
Salah satu bagan percobaan \
Tabulasi data
Kelompok
Perlakuan
Total kelompok (Yj)
P1
P2
P3
P4
P5
P6
Y11
Y21
Y31
Y41
Y51
Y61
Y1
Y12
Y22
Y32
Y42
Y52
Y62
Y2
Y13
Y23
Y33
Y43
Y53
Y63
Y3
Total Perlakuan (Yi)
Y1
Y2
Y3
Y4
Y5
Y6
Total keseluruhan (Y)
Model linier aditif dari RAKL

Yij i j ij
Dengan
i 1, 2, , a
j 1, 2, , b
ij ~ N 0, 2
iid
Yij : pengamatan pada perlakuan ke-i dan kelompok ke-j

: rataan umum
i : pengaruh perlakuan ke-i
j : pengaruh kelompok ke-j
ij : pengaruh acak pada perlakuan ke-i kelompok ke-j
58
Asumsi untuk model tetap ialah

a
i 1
0 dan
j 1
Asumsi untuk model acak ialah
i ~ N 0, 2 dan j ~ N 0, 2
iid
iid
Hipotesis Model Tetap

Hipotesis pengaruh perlakuan
H 0 :1 2 a 0
H1 : i 0 , i 1, 2,, a
(perlakuan tidak berpengaruh terhadap respons yang diamati)
Hipotesis pengaruh kelompok

H 0 : 1 2 b 0
H1 : j 0 , j 1, 2,, b
(kelompok tidak berpengaruh terhadap respons yang diamati)
Hipotesis Model Acak

Hipotesis pengaruh perlakuan
H 0 : 2 0
H1 : 0
2
(keragaman perlakuan tidak berpengaruh terhadap respons yang diamati)

(keragaman perlakuan berpengaruh positif terhadap respons yang diamati)
Hipotesis pengaruh kelompok

H 0 : 2 0
H1 : 0
2
(keragaman kelompok tidak berpengaruh terhadap respons yang diamati)

(keragaman kelompok berpengaruh positif terhadap respons yang diamati)
Perhitungan Analisis Variansi

FK
Y2
ab
JKK
JKP
Y
i 1
2
i
2
j
j 1
a
a
FK
JKT Yij2 FK
FK
i 1 j 1
JKG JKT JKP JKK

Tabel Analisis Variansi
SV
db
JK
KT
Fhitung
Perlakuan
a-1
JKP
KTP
KTP/KTG
Kelompok
b-1
JKK
KTK
KTK/KTG
Galat
(a-1)(b-1)
JKG
KTG
Total
ab-1
JKT
1. Ho ditolak jika Fhit > F(a-1, (a-1)(b-1))
2. Ho ditolak jika Fhit > F(b-1, (a-1)(b-1))
59
SOAL LATIHAN
1. Suatu penelitian akan dilakukan untuk membandingkan pengaruh jenis media
pembelajaran yang digunakan guru terhadap hasil belajar siswa kelas 2 SMA khusus
untuk pokok bahasan peluang. Jenis media yang dimaksudkan adalah cetak, audio,
visual dan berbasis komputer. Untuk keperluan tersebut telah dipilih secara acak 12
kelas, namun setelah dilakukan tes kemampuan awal ternyata kelas-kelas tersebut
dapat digolongkan menjadi 3 kelompok (kategori kemampuan awal rendah, kategori
kemampuan awal sedang, kategori kemampuan awal tinggi). Masing-masing
kelompok mendapatkan perlakuan 4 jenis media tersebut. Setelah pembelajaran
selesai, semua kelas mendapat tes dengan soal dan waktu yang sama. Berikut adalah
data tentang rata-rata nilai tes siswa dari keduabelas kelas yang digunakan dalam
penelitian.
Kategori kelas
kemampuan
awal
Cetak
Audio
Visual
Berbasis Komputer
Rendah
8,1
6,5
7,4
8,4
Sedang
8,9
6,8
7,4
Tinggi
7,7
5,9
5,9
9,4
24,7
19,2
19,3
25,2
Jumlah
Jenis Media
2. Suatu percobaan yang telah dilakukan untuk mengetahui pengaruh berbagai

suplemen makanan terhadap perkembangan kecerdasan anak (diukur dengan
pertambahan skor IQ). Unit percobaan dalam hal ini anak yang tersedia berbeda
umur, karenanya dilakukan pengelompokkan menjadi 4 kelompok umur. Berikut
rata-rata pertambahan kecerdasan anak untuk keempat suplemen adalah
Jenis Suplemen
A
B
C
Rata-rata pertambahan skor IQ 7,5 1,5 5,75
D
7
Diasumsikan asumsi-asumsi dalam Anava terpenuhi. Kerjakanlah Anava berikut

dengan cara melengkapi Tabel Anava berikut:
Sumber Variasi
Perlakuan
db
JK
KT
F hitung
F tabel
89,1875
Kelompok
4,7292
Galat
Total
111,9375
Lakukan pengujian hipotesis sesuai dengan yang dimaksud gunakan = 0,05 dalam
menyimpulkannya.
60
UJI LANJUT SETELAH ANALISIS VARIANSI

Uji lanjut ini hanya berlaku untuk pengujian model tetap bila hipotesis nol pengaruh
perlakuan ditolak.
Beda Nyata Terkecil (BNT) atau Least Significant Difference (LSD)
Hipotesis
H0 : i = i
H1 : i i
Taraf nyata :
Statistik Uji :
BNT t
2
1 1
KTG '
ri ri
db( G )
H0 ditolak jika Yi Yi ' > BNT
Beda Nyata Jujur (BNJ) atau Honest Significant Difference (Tukey test)
Hipotesis
H0 : i = i
H1 : i i
Taraf nyata :
Statistik Uji :
KTG
BNJ q a ,db( g )
1 r
i 1
H0 ditolak jika Yi Yi ' > BNJ
Uji Perbandingan Berganda Duncan atau Duncan Multiple Range Test (DMRT)
Hipotesis
H0 : i = i
H1 : i i
Taraf nyata :
Statistik Uji :
KTG
R p r p ,db( g )
1 r
i 1
H0 ditolak jika Yi Yi ' > Rp
61
Contoh
Suatu penelitian telah dilakukan untuk mengetahui pengaruh persentase kandungan
paracetamol dalam obat penurun panas terhadap waktu yang diperlukan untuk menurunkan
panas dari 39 menjadi 37. Untuk keperluan ini telah dipilih secara acak 25 penderita sakit
panas dengan suhu 39 dari usia yang hampir sama dan tanpa keluhan sakit yang lain.
Keduapuluh lima pasien tersebut dibagi secara acak menjadi 5 kelompok dan masing-masing
kelompok yang terdiri dari 5 orang tersebut diberi obat penurun panas dengan persentase
kandungan paracetamol tertentu. Berikut data tentang waktu (dalam jam) yang diperlukan
oleh para pasien tersebut sampai dengan panas badan mereka turun menjadi 37 .
KADAR PARACETAMOL
40%
50%
60%
75%
90%
Lakukan uji lanjut setelah Anava bila hipotesis nol pengaruh perlakuan ditolak? Gunakan
taraf nyata 0,05.
Uji lanjut dengan BNT
Hipotesis
H0 : i = i
H1 : i i, i i, i = 1, 2, 3, 4, 5
Taraf nyata : =0,05
Statistik Uji :
BNT t
2
db( G )
1 1
KTG
ri ri '
Kriteria Keputusan : t0,025(20) = 2,086
1 1
BNT 2,086 2,880 2,2389
5 5
H0 ditolak jika Yi Yi ' > 2,2389
Hitungan:
Y1 Y2 1,2
Y2 Y4 3,8
Y1 Y3 1,4
Y2 Y5 5
Y1 Y4 2,6
Y3 Y4 1,2
Y1 Y5 3,8
Y3 Y5 2,4
Y2 Y3 2,6
Y4 Y5 1,2
62
Kesimpulan
1=2, 1=3, 3=4, 4=5
14, 15, 25, 23, 24, 35
Uji lanjut dengan BNJ

Hipotesis
H0 : i = i
H1 : i i, i i, i = 1, 2, 3, 4, 5
Taraf nyata : =0,05
Statistik Uji :
KTG
BNJ q a ,db( g )
1 r
i 1
Kriteria Keputusan : q0,05(5,20) = 4,24
BNJ 4,24
2,880
3,2179
5
H0 ditolak jika Yi Yi ' > 3,2179
Hitungan:
Y1 Y2 1,2
Y2 Y4 3,8
Y1 Y3 1,4
Y2 Y5 5
Y1 Y4 2,6
Y3 Y4 1,2
Y1 Y5 3,8
Y3 Y5 2,4
Y2 Y3 2,6
Y4 Y5 1,2
Kesimpulan
1=2=3, 3=4=5, 1=3=4
15, 25, 24
Uji Lanjut dengan DMRT

Hipotesis
H0 : i = i
H1 : i i, i i, i = 1, 2, 3, 4, 5
63
KTG
Statistik Uji : R p r p ,db( g )
1 r
i 1
Kriteria Keputusan : H0 ditolak jika Yi Yi ' > Rp

p
rp
2,95
3,10
3,18
3,25
Rp
Hitungan :
2,24
2,35
2,41
2,47
Y5
Y4
2,8
Y3
Y1
5,2 6,6 7,8
Y2 Y5 5 2,47 R5
Y2 Y4 3,8 2,41 R4
Y1 Y5 3,8 2,41 R4
Y2 Y3 2,6 2,35 R3
Y1 Y4 2,6 2,35 R3
Y3 Y5 2,4 2,35 R3
Y2 Y1 1,2 2,24 R2
Y1 Y3 1,4 2,24 R2
Y3 Y4 1,2 2,24 R2
Y4 Y5 1,2 2,24 R2
Y2
Kesimpulan
1=2, 1=3, 3=4, 4=5
14, 15, 25, 23, 24, 35
64

Topik 11 : Asumsi-asumsi dalam Analisis Variansi
Asumsi-asumsi dalam analisis variansi

1. Sampel berasal dari populasi berdistribusi normal
2. Sampel berasal dari populasi yang memiliki variansi sama 2
Uji Kesamaan Variansi (Uji Bartlett, 1937)
Hipotesis
H0 : 12 = 22 = = 2 (Variansi k populasi adalah sama)
H1 : 2 2 , , = 1, 2, , (Variansi k populasi tidak sama)
Taraf nyata:
Statistik Uji:
= 1+[
2 /
1 (1
2
)
3 1 ]
dengan
2 =
=1
k = banyaknya perlakuan, = 1
Kriteria keputusan:
2
H0 ditolak jika B > (1)
Uji Normalitas (Kolmogorov-Smirnov Test)
Hipotesis
H0 : Data mengikuti distribusi normal
H1 : Data tidak mengikuti distribusi normal
Taraf nyata :
Statistik Uji:
Kriteria keputusan:
H0 ditolak jika p-value <
65
Contoh
Seorang peneliti ingin membandingkan tiga merk bola golf dengan melihat jarak bola yang
dipukul oleh teknisi. Dalam hal ini, para teknisi memiliki kemampuan bermain golf yang sama.
Berikut data tentang jarak dalam meter untuk ketiga merk bola golf.
Merk A Merk B Merk C
246
243
265
231
246
260
236
243
265
217
235
253
246
235
291
Lakukan cek asumsi-asumsi dalam analisis variansi.
Penyelesaian
Uji Kesamaan Variansi Ketiga Populasi
Hipotesis
H0 : 2 = 2 = 2 (Variansi ketiga populasi adalah sama)
H1 : 2 2 , , = , , (Variansi ketiga populasi tidak sama)
Taraf nyata: = 0,05
Statistik Uji:
2
1 (1 ) 3 1 ]
2
keputusan: k = 3, 0,05(2)
= 5,991
= 1+[
Kriteria
2 /
H0 ditolak jika B > 5,991

Hitungan
=
12 126,2328134 54,26244104
1+ 0,750,08333 /6
= 3,415
Kesimpulan
Karena B = 3,415 < 5,991 maka H0 diterima. Jadi dengan taraf nyata 0,05 dapat disimpulkan
bahwa ketiga populasi memiliki variansi yang sama.
Uji Normalitas (Kolmogorov-Smirnov Test)
Hipotesis
H0 : Data mengikuti distribusi normal
H1 : Data tidak mengikuti distribusi normal
Statistik Uji:
= +,
66
Kriteria keputusan:
H0 ditolak jika p-value < 0,01
Hitungan:
Merk A
Merk B
Merk C
Kesimpulan:
a) p-value > 0,150 > 0,01 maka H0 diterima
b) p-value > 0,150 > 0,01 maka H0 diterima
c) p-value = 0,046 > 0,01 maka H0 diterima
Jadi pada taraf nyata 0,01 dapat disimpulkan bahwa masing-masing data sampel mengikuti
distribusi normal.
67

Topik 12 : Analisis Variansi Dua Arah
Analisis variansi dua arah merupakan analisis variansi yang digunakan pada rancangan
faktorial. Pengertian dua arah dalam hal ini berkaitan dengan jumlah faktor yang diteliti ada
dua.
Rancangan Faktorial
Ciri : perlakuan merupakan kombinasi dari semua kemungkinan kombinasi dari taraf-taraf
dua faktor atau lebih.
Keuntungan adalah mampu mendeteksi respons dari
1. Taraf masing-masing faktor (pengaruh utama)
2. Interaksi antara dua faktor (pengaruh interaksi)
Bila sudah ada dugaan kuat (ada literatur) bahwa faktor A dan faktor B tidak ada interaksi maka tidak
perlu menggunakan rancangan faktorial.
Asumsi-asumsi dalam rancangan faktorial:

1. Distribusi peubah respons adalah distribusi normal.
2. Variansi antar perlakuan adalah identik.
3. Sampel saling bebas.
Berikut beberapa contoh plot faktor A dengan faktor B.
Bila pengaruh interaksi nyata/signifikan maka

a. uji pada pengaruh utama tidak bermakna
b. pengaruh faktor A dan B tidak saling bebas
Percobaan Dua Faktor dalam Rancangan Acak Lengkap
Latar Belakang : unit percobaan yang digunakan relatif homogen

Misal ada dua faktor (A dan B)
Faktor A mempunyai 3 taraf (A1, A2, A3)
Faktor B mempunyai 2 taraf (B1, B2)
68
Maka kombinasi perlakuan ada 3 2 = 6

(A1B1, A1B2, A2B1, A2B2, A3B1, A3B2)
Ulangan ada sebanyak 3
Maka unit percobaan yang diperlukan 3 2 3 = 18.
Bagan Percobaan dan Cara Pengacakan
1
13
14
15
A1B1
10
11
12
16
17
18
A1B1
Tabulasi Data
B1
B2
Ulangan
A1
A2
A3
Y111
Y211
Y311
Y112
Y212
Y312
Y113
Y213
Y313
Total
Y11
Y21
Y31
Y121
Y221
Y321
Y122
Y222
Y322
Y123
Y223
Y323
Total
Y12
Y22
Y32
Y2
Y1
Y2
Y3
Total
Total
Y1
Model Linier Aditif dari Faktorial RAL
Yijk = + i + j + ( )ij + ijk

dengan
i = 1, 2, K, a
j = 1, 2, K, b
k = 1, 2,K , r
iid
ijk ~ N (0, 2 )
Yijk : pengamatan pada faktor A taraf ke-i, faktor B taraf ke-j dan ulangan ke-k
: rataan umum
i : pengaruh utama faktor A taraf ke-i
j : pengaruh utama faktor B taraf ke-j
()ij : pengaruh interaksi dari faktor A taraf ke-i dan faktor B taraf ke-j
ijk : pengaruh acak pada faktor A taraf ke-i, faktor B taraf ke-j dan ulangan ke-k
Asumsi untuk model tetap ialah
a
i = 0, j = 0, ( )ij = ( )ij = 0
i =1
j =1
i =1
j =1
69
A1B1
Asumsi untuk model acak ialah

iid
iid
iid
2
i ~ N (0, 2 ), j ~ N (0, 2 ), ( )ij ~ N (0,
)
Model Tetap (Faktor A dan B tetap)
Model Acak (Faktor A dan B acak)
Model Campuran (Faktor A acak dan B tetap)
70
Model Campuran (Faktor A tetap dan B acak)
Hipotesis Model Tetap (Faktor A dan B tetap)

Hipotesis pengaruh utama faktor A
H 0 : 1 = 2 = K = a = 0
(faktor A tidak berpengaruh terhadap respons yang diamati)
H1 : i 0 , i = 1, 2,K , a
(faktor A berpengaruh terhadap respons yang diamati)
Hipotesis pengaruh utama faktor B
H 0 : 1 = 2 = K = b = 0
H1 : j 0 , j = 1, 2, K , b
(faktor B tidak berpengaruh terhadap respons yang diamati)

(faktor B berpengaruh terhadap respons yang diamati)
Hipotesis pengaruh interaksi
H 0 : ( )11 = ( )12 = K = ( )ab = 0
(Interaksi faktor A dengan faktor B tidak berpengaruh

terhadap respons yang diamati)
H1 : ( )ij 0 , i = 1, 2, K, a, j = 1, 2,K, b (Interaksi faktor A dengan faktor B berpengaruh

terhadap respons yang diamati)
Hipotesis Model Acak (Faktor A dan B acak)

Hipotesis pengaruh utama faktor A
H 0 : 2 = 0 (Keragaman faktor A tidak berpengaruh terhadap respons yang diamati)

H1 : 2 > 0 (Keragaman faktor A berpengaruh positif terhadap respons yang diamati)
Hipotesis pengaruh utama faktor B

H 0 : 2 = 0 (Keragaman faktor B tidak berpengaruh terhadap respons yang diamati)
H1 : 2 > 0 (Keragaman faktor B berpengaruh positif terhadap respons yang diamati)
Hipotesis pengaruh interaksi

2
H 0 :
= 0 (Keragaman faktor A dengan faktor B tidak berpengaruh terhadap respons yang diamati)
2
H1 :
> 0 (Keragaman faktor A dengan faktor B berpengaruh positif terhadap respons yang diamati)
71
Perhitungan Analisis Variansi

b
Y2
FK =
abr
a
2
j
JKB =
FK
ar
2
ij
JKP =
j =1
i =1 j =1
JKT = Yijk2 FK
FK
i =1 j =1 k =1
JKAB = JKP JKA JKB
JKG = JKT JKP
2
i
JKA =
i =1
FK
br
SOAL LATIHAN
1. Suatu penelitian telah dilakukan untuk mengetahui pengaruh jenis pupuk dan varietas padi
terhadap hasil produksi padi. Jenis pupuk yang diteliti adalah P1, P2, P3 dan P4. Dari berbagai
varietas padi yang ada, telah dipilih secara acak 3 diantaranya yaitu V1, V2 dan V3.
Mengingat terbatasnya lahan, ulangan hanya dilakukan sebanyak 3 kali untuk setiap
kombinasi perlakuannya. Percobaan dilakukan di sawah percobaan, dengan kondisi tanah,
pengairan dan penyinaran dapat dianggap relatif homogen, sehingga pengacakan secara
lengkap dapat diterapkan pada petak-petak percobaan. Berikut ini adalah data hasil produksi
padi untuk setiap petak percobaan, yang dicatat dalam kuintal.
Analisislah data tersebut sesuai maksud penelitiannya. Gunakan taraf nyata 0,05. Anggap
asumsi-asumsi dalam Anava terpenuhi
Jenis Pupuk
P1
Varietas Padi
Total
V1
V2
V3
64
72
74
66
81
51
70
64
65
65
57
47
63
43
58
58
52
67
59
66
58
68
71
39
65
59
42
Jumlah
P2
Jumlah
P3
Jumlah
72
P4
58
57
53
41
61
59
46
53
38
Jumlah
Total
Perhatikan berikut !
A : jenis pupuk
B : varietas padi
a = 4, b = 3, r = 3
Derajat Bebas
a-1 = (a) (1)
b-1 = (b) (1)
AB
(a-1)(b-1) = (ab) (a) (b) +(1)
Galat
ab(r-1) = (abr) (ab)
Total
abr-1 = (abr) (1)
2
1
+a +a +a
br
+ b22 + b32
ar
(a ) a
(b ) b1
2
2
Sumber Keragaman
2
3
2
4
(ab ) ab11 + ab12 + ab13 + ab21 + ab22 + ab23 + ab31 + ab32 + ab33 + ab41 + ab42 + ab43
r
(abr )
Yijk2
1
Y2
(1)
abr
2. Sebuah percobaan telah dilakukan untuk mengetahui pengaruh diabetes dan berat badan
terhadap tekanan darah diastolik. Berikut data tekanan darah diastolik (dalam mmHg) dari 20
peserta.
Berat badan normal Berat badan berlebih
Tanpa Diabetes 75, 80, 83, 85, 65
85, 80, 90, 95, 88
Diabetes
85, 90, 95, 90, 86
90, 95, 100, 105, 110
Apakah ada pengaruh interaksi antara diabetes dan berat badan terhadap tekanan darah
diastolik? Gunakan taraf nyata 0,05.
73
3. Sebuah penelitian telah dilakukan untuk mengetahui pengaruh televisi dan internet terhadap
hasil prestasi mahasiswa. Berikut data nilai IPK sebagai peubah respons.
Waktu penggunaan internet Waktu menonton televisi
Sedikit
Lama
Sedikit
3,9; 4,0; 3,5 2,7; 2,5; 2,8
Lama
3,5; 3,3; 3,0 2,0; 2,4; 2,3
a) Buatlah tabel analisis variansi dua arah.
b) Buatlah gambar pengaruh interaksi televisi dan internet, interpretasikan.
74
TABEL
4
Appendix A
Table A-1
Models with an intercept (from Savin and White)
Durbin-Watson Statistic: 1 Per Cent Significance Points of dL and dU
k*=1
k=2
k=3
k=4
k=5
k=6
k=7
k=8
k=9
k=10
n
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
dL
0.390
0.435
0.497
0.554
0.604
0.653
0.697
0.738
0.776
0.811
0.844
0.873
0.902
0.928
0.952
0.975
0.997
1.017
1.037
1.055
dU
1.142
1.036
1.003
0.998
1.001
1.010
1.023
1.038
1.054
1.070
1.086
1.102
1.118
1.133
1.147
1.161
1.174
1.186
1.199
1.210
dL
----0.294
0.345
0.408
0.466
0.519
0.569
0.616
0.660
0.700
0.738
0.773
0.805
0.835
0.862
0.889
0.915
0.938
0.959
0.981
dU
----1.676
1.489
1.389
1.333
1.297
1.274
1.261
1.254
1.252
1.253
1.255
1.259
1.264
1.270
1.276
1.284
1.290
1.298
1.305
dL
--------0.229
0.279
0.340
0.396
0.449
0.499
0.547
0.591
0.633
0.672
0.708
0.742
0.774
0.803
0.832
0.858
0.881
0.906
dU
--------2.102
1.875
1.733
1.640
1.575
1.526
1.490
1.465
1.447
1.432
1.422
1.416
1.410
1.408
1.407
1.407
1.407
1.408
dL
------------0.183
0.230
0.286
0.339
0.391
0.441
0.487
0.532
0.574
0.614
0.650
0.684
0.718
0.748
0.777
0.805
0.832
dU
------------2.433
2.193
2.030
1.913
1.826
1.757
1.705
1.664
1.631
1.604
1.583
1.567
1.554
1.543
1.535
1.527
1.521
dL
----------------0.150
0.193
0.244
0.294
0.343
0.390
0.437
0.481
0.522
0.561
0.598
0.634
0.666
0.699
0.728
0.756
dU
----------------2.690
2.453
2.280
2.150
2.049
1.967
1.901
1.847
1.803
1.767
1.736
1.712
1.691
1.674
1.659
1.645
dL
--------------------0.124
0.164
0.211
0.257
0.303
0.349
0.393
0.435
0.476
0.515
0.552
0.587
0.620
0.652
0.682
dU
--------------------2.892
2.665
2.490
2.354
2.244
2.153
2.078
2.015
1.963
1.918
1.881
1.849
1.821
1.797
1.776
dL
------------------------0.105
0.140
0.183
0.226
0.269
0.313
0.355
0.396
0.436
0.474
0.510
0.545
0.578
0.610
dU
------------------------3.053
2.838
2.667
2.530
2.416
2.319
2.238
2.169
2.110
2.059
2.015
1.977
1.944
1.915
dL
----------------------------0.090
0.122
0.161
0.200
0.241
0.282
0.322
0.362
0.400
0.437
0.473
0.507
0.540
dU
----------------------------3.182
2.981
2.817
2.681
2.566
2.467
2.381
2.308
2.244
2.188
2.140
2.097
2.059
dL
--------------------------------0.078
0.107
0.142
0.179
0.216
0.255
0.294
0.331
0.368
0.404
0.439
0.473
dU
--------------------------------3.287
3.101
2.944
2.811
2.697
2.597
2.510
2.434
2.367
2.308
2.255
2.209
dL
------------------------------------0.068
0.094
0.127
0.160
0.196
0.232
0.268
0.304
0.340
0.375
0.409
dU
------------------------------------3.374
3.201
3.053
2.925
2.813
2.174
2.625
2.548
2.479
2.417
2.362
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
45
50
55
60
65
70
75
80
85
90
95
100
150
200
1.072
1.088
1.104
1.119
1.134
1.147
1.160
1.171
1.184
1.195
1.205
1.217
1.227
1.237
1.246
1.288
1.324
1.356
1.382
1.407
1.429
1.448
1.465
1.481
1.496
1.510
1.522
1.611
1.664
1.222
1.232
1.244
1.254
1.264
1.274
1.283
1.291
1.298
1.307
1.315
1.322
1.330
1.337
1.344
1.376
1.403
1.428
1.449
1.467
1.485
1.501
1.514
1.529
1.541
1.552
1.562
1.637
1.684
1.000
1.019
1.036
1.053
1.070
1.085
1.100
1.114
1.128
1.141
1.153
1.164
1.176
1.187
1.197
1.245
1.285
1.320
1.351
1.377
1.400
1.422
1.440
1.458
1.474
1.489
1.502
1.598
1.653
1.311
1.318
1.325
1.332
1.339
1.345
1.351
1.358
1.364
1.370
1.376
1.383
1.388
1.392
1.398
1.424
1.445
1.466
1.484
1.500
1.514
1.529
1.541
1.553
1.563
1.573
1.582
1.651
1.693
0.928
0.948
0.969
0.988
1.006
1.022
1.039
1.055
1.070
1.085
1.098
1.112
1.124
1.137
1.149
1.201
1.245
1.284
1.317
1.346
1.372
1.395
1.416
1.434
1.452
1.468
1.482
1.584
1.643
1.410
1.413
1.414
1.418
1.421
1.425
1.428
1.432
1.436
1.439
1.442
1.446
1.449
1.452
1.456
1.474
1.491
1.505
1.520
1.534
1.546
1.557
1.568
1.577
1.587
1.596
1.604
1.665
1.704
0.855
0.878
0.901
0.921
0.941
0.960
0.978
0.995
1.012
1.028
1.043
1.058
1.072
1.085
1.098
1.156
1.206
1.246
1.283
1.314
1.343
1.368
1.390
1.411
1.429
1.446
1.461
1.571
1.633
1.517
1.514
1.512
1.511
1.510
1.509
1.509
1.510
1.511
1.512
1.513
1.514
1.515
1.517
1.518
1.528
1.537
1.548
1.559
1.568
1.577
1.586
1.595
1.603
1.611
1.618
1.625
1.679
1.715
0.782
0.808
0.832
0.855
0.877
0.897
0.917
0.935
0.954
0.971
0.987
1.004
1.019
1.033
1.047
1.111
1.164
1.209
1.248
1.283
1.313
1.340
1.364
1.386
1.406
1.425
1.441
1.557
1.623
1.635
1.625
1.618
1.611
1.606
1.601
1.597
1.594
1.591
1.589
1.587
1.585
1.584
1.583
1.583
1.583
1.587
1.592
1.598
1.604
1.611
1.617
1.624
1.630
1.636
1.641
1.647
1.693
1.725
0.711
0.738
0.764
0.788
0.812
0.834
0.856
0.876
0.896
0.914
0.932
0.950
0.966
0.982
0.997
1.065
1.123
1.172
1.214
1.251
1.283
1.313
1.338
1.362
1.383
1.403
1.421
1.543
1.613
1.759
1.743
1.729
1.718
1.707
1.698
1.690
1.683
1.677
1.671
1.666
1.662
1.658
1.655
1.652
1.643
1.639
1.638
1.639
1.642
1.645
1.649
1.653
1.657
1.661
1.666
1.670
1.708
1.735
0.640
0.669
0.696
0.723
0.748
0.772
0.794
0.816
0.837
0.857
0.877
0.895
0.913
0.930
0.946
1.019
1.081
1.134
1.179
1.218
1.253
1.284
1.312
1.337
1.360
1.381
1.400
1.530
1.603
1.889
1.867
1.847
1.830
1.814
1.800
1.788
1.776
1.766
1.757
1.749
1.742
1.735
1.729
1.724
1.704
1.692
1.685
1.682
1.680
1.680
1.682
1.683
1.685
1.687
1.690
1.693
1.722
1.746
0.572
0.602
0.630
0.658
0.684
0.710
0.734
0.757
0.779
0.800
0.821
0.841
0.860
0.878
0.895
0.974
1.039
1.095
1.144
1.186
1.223
1.256
1.285
1.312
1.336
1.358
1.378
1.515
1.592
2.026
1.997
1.970
1.947
1.925
1.906
1.889
1.874
1.860
1.847
1.836
1.825
1.816
1.807
1.799
1.768
1.748
1.734
1.726
1.720
1.716
1.714
1.714
1.714
1.714
1.715
1.717
1.737
1.757
0.505
0.536
0.566
0.595
0.622
0.649
0.674
0.698
0.722
0.744
0.766
0.787
0.807
0.826
0.844
0.927
0.997
1.057
1.108
1.153
1.192
1.227
1.259
1.287
1.312
1.336
1.357
1.501
1.582
2.168
2.131
2.098
2.068
2.041
2.017
1.995
1.975
1.957
1.940
1.925
1.911
1.899
1.887
1.876
1.834
1.805
1.785
1.771
1.761
1.754
1.748
1.745
1.743
1.741
1.741
1.741
1.752
1.768
0.441
0.473
0.504
0.533
0.562
0.589
0.615
0.641
0.665
0.689
0.711
0.733
0.754
0.774
0.749
0.881
0.955
1.018
1.072
1.120
1.162
1.199
1.232
1.262
1.288
1.313
1.335
1.486
1.571
2.313
2.269
2.229
2.193
2.160
2.131
2.104
2.080
2.057
2.037
2.018
2.001
1.985
1.970
1.956
1.902
1.864
1.837
1.817
1.802
1.792
1.783
1.777
1.773
1.769
1.767
1.765
1.767
1.779
*k is the number of regressors excluding the intercept
5
Durbin-Watson Significance Tables
k*=11
n
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
45
50
55
60
65
70
75
80
85
90
95
100
150
200
dL
0.060
0.084
0.113
0.145
0.178
0.212
0.246
0.281
0.315
0.348
0.381
0.413
0.444
0.474
0.503
0.531
0.558
0.585
0.610
0.634
0.658
0.680
0.702
0.723
0.744
0.835
0.913
0.979
1.037
1.087
1.131
1.170
1.205
1.236
1.264
1.290
1.314
1.473
1.561
dU
3.446
3.286
3.146
3.023
2.914
2.817
2.729
2.651
2.580
2.517
2.460
2.409
2.363
2.321
2.283
2.248
2.216
2.187
2.160
2.136
2.113
2.092
2.073
2.055
2.039
1.972
1.925
1.891
1.865
1.845
1.831
1.819
1.810
1.803
1.798
1.793
1.790
1.783
1.791
k=12
dL
----0.053
0.075
0.102
0.131
0.162
0.194
0.227
0.260
0.292
0.324
0.356
0.387
0.417
0.447
0.475
0.503
0.530
0.556
0.581
0.605
0.628
0.651
0.673
0.694
0.790
0.871
0.940
1.001
1.053
1.099
1.141
1.177
1.210
1.240
1.267
1.292
1.458
1.550
dU
----3.506
3.358
3.227
3.109
3.004
2.909
2.822
2.744
2.674
2.610
2.552
2.499
2.451
2.407
2.367
2.330
2.296
2.266
2.237
2.210
2.186
2.164
2.143
2.123
2.044
1.987
1.945
1.914
1.889
1.870
1.856
1.844
1.834
1.827
1.821
1.816
1.799
1.801
k=13
dL
--------0.047
0.067
0.092
0.119
0.148
0.178
0.209
0.240
0.272
0.303
0.333
0.363
0.393
0.422
0.450
0.477
0.503
0.529
0.554
0.578
0.601
0.623
0.645
0.744
0.829
0.902
0.965
1.020
1.068
1.111
1.150
1.184
1.215
1.244
1.270
1.444
1.539
dU
--------3.557
3.420
3.297
3.185
3.084
2.991
2.906
2.829
2.758
2.694
2.635
2.582
2.533
2.487
2.446
2.408
2.373
2.340
2.310
2.282
2.256
2.232
2.210
2.118
2.051
2.002
1.964
1.934
1.911
1.893
1.878
1.866
1.856
1.848
1.841
1.814
1.813
k=14
dL
------------0.043
0.061
0.084
0.109
0.136
0.165
0.194
0.224
0.253
0.283
0.313
0.342
0.371
0.399
0.426
0.452
0.478
0.504
0.528
0.552
0.575
0.597
0.700
0.787
0.863
0.929
0.986
1.037
1.082
1.122
1.158
1.191
1.221
1.248
1.429
1.528
dU
------------3.601
3.474
3.358
3.252
3.155
3.065
2.982
2.906
2.836
2.772
2.713
2.659
2.609
2.563
2.520
2.481
2.444
2.410
2.379
2.350
2.323
2.297
2.193
2.116
2.059
2.015
1.980
1.953
1.931
1.913
1.898
1.886
1.876
1.868
1.830
1.824
k=15
dL
----------------0.038
0.055
0.077
0.100
0.125
0.152
0.180
0.208
0.237
0.266
0.294
0.322
0.350
0.377
0.404
0.430
0.455
0.480
0.504
0.528
0.551
0.655
0.746
0.825
0.893
0.953
1.005
1.052
1.094
1.132
1.166
1.197
1.225
1.414
1.518
dU
----------------3.639
3.521
3.412
3.311
3.218
3.131
3.050
2.976
2.907
2.843
2.785
2.730
2.680
2.633
2.590
2.550
2.512
2.477
2.445
2.414
2.386
2.269
2.182
2.117
2.067
2.027
1.995
1.970
1.949
1.931
1.917
1.905
1.895
1.847
1.836
k=16
dL
--------------------0.035
0.050
0.070
0.092
0.116
0.141
0.167
0.194
0.222
0.249
0.277
0.304
0.331
0.357
0.383
0.409
0.434
0.458
0.482
0.505
0.612
0.705
0.786
0.857
0.919
0.974
1.023
1.066
1.106
1.141
1.174
1.203
1.400
1.507
dU
--------------------3.671
3.562
3.459
3.363
3.274
3.191
3.113
3.040
2.972
2.909
2.851
2.797
2.746
2.699
2.655
2.614
2.576
2.540
2.507
2.476
2.346
2.250
2.176
2.120
2.075
2.038
2.009
1.984
1.965
1.948
1.943
1.922
1.863
1.847
k=17
dL
------------------------0.032
0.046
0.065
0.085
0.107
0.131
0.156
0.182
0.208
0.234
0.261
0.287
0.313
0.339
0.364
0.389
0.414
0.438
0.461
0.570
0.665
0.748
0.822
0.886
0.943
0.993
1.039
1.080
1.116
1.150
1.181
1.385
1.495
dU
------------------------3.700
3.597
3.501
3.410
3.325
3.245
3.169
3.098
3.032
2.970
2.912
2.858
2.808
2.761
2.717
2.675
2.637
2.600
2.566
2.424
2.318
2.237
2.173
2.123
2.082
2.049
2.022
1.999
1.979
1.963
1.949
1.880
1.860
k=18
dL
----------------------------0.029
0.043
0.060
0.079
0.100
0.122
0.146
0.171
0.193
0.221
0.246
0.272
0.297
0.322
0.347
0.371
0.395
0.418
0.528
0.625
0.711
0.786
0.852
0.911
0.964
1.011
1.053
1.091
1.126
1.158
1.370
1.484
dU
----------------------------3.725
3.629
3.538
3.452
3.371
3.294
3.220
3.152
3.087
3.026
2.969
2.915
2.865
2.818
2.774
2.733
2.694
2.657
2.503
2.387
2.298
2.227
2.172
2.127
2.090
2.059
2.033
2.012
1.993
1.977
1.897
1.871
k=19
dL
--------------------------------0.027
0.039
0.055
0.073
0.093
0.114
0.137
0.160
0.184
0.209
0.233
0.257
0.282
0.306
0.330
0.354
0.377
0.488
0.586
0.674
0.751
0.819
0.880
0.934
0.983
1.027
1.066
1.102
1.136
1.355
1.474
dU
--------------------------------3.747
3.657
3.572
3.490
3.412
3.338
3.267
3.201
3.137
3.078
3.022
2.969
2.919
2.872
2.828
2.787
2.748
2.582
2.456
2.359
2.283
2.221
2.172
2.131
2.097
2.068
2.044
2.023
2.006
1.913
1.883
k=20
dL
------------------------------------0.025
0.036
0.051
0.068
0.087
0.107
0.128
0.151
0.174
0.197
0.221
0.244
0.268
0.291
0.315
0.338
0.448
0.548
0.637
0.716
0.789
0.849
0.905
0.955
1.000
1.041
1.079
1.113
1.340
1.462
dU
------------------------------------3.766
3.682
3.602
3.524
3.450
3.379
3.311
3.246
3.184
3.126
3.071
3.019
2.969
2.923
2.879
2.838
2.661
2.526
2.421
2.338
2.272
2.217
2.172
2.135
2.104
2.077
2.054
2.034
1.931
1.896
6
Appendix A
Table A-2
Models with an intercept (from Savin and White)
Durbin-Watson Statistic: 5 Per Cent Significance Points of dL and dU
k*=1
k=2
k=3
k=4
k=5
k=6
k=7
k=8
k=9
k=10
n
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
dL
0.610
0.700
0.763
0.824
0.879
0.927
0.971
1.010
1.045
1.077
1.106
1.133
1.158
1.180
1.201
1.221
1.239
1.257
1.273
1.288
dU
1.400
1.356
1.332
1.320
1.320
1.324
1.331
1.340
1.350
1.361
1.371
1.381
1.391
1.401
1.411
1.420
1.429
1.437
1.446
1.454
dL
----0.467
0.559
0.629
0.697
0.758
0.812
0.861
0.905
0.946
0.982
1.015
1.046
1.074
1.100
1.125
1.147
1.168
1.188
1.206
dU
----1.896
1.777
1.699
1.641
1.604
1.579
1.562
1.551
1.543
1.539
1.536
1.535
1.536
1.537
1.538
1.541
1.543
1.546
1.550
dL
--------0.367
0.455
0.525
0.595
0.658
0.715
0.767
0.814
0.857
0.897
0.933
0.967
0.998
1.026
1.053
1.078
1.101
1.123
dU
--------2.287
2.128
2.016
1.928
1.864
1.816
1.779
1.750
1.728
1.710
1.696
1.685
1.676
1.669
1.664
1.660
1.656
1.654
dL
------------0.296
0.376
0.444
0.512
0.574
0.632
0.685
0.734
0.779
0.820
0.859
0.894
0.927
0.958
0.986
1.013
1.038
dU
------------2.588
2.414
2.283
2.177
2.094
2.030
1.977
1.935
1.900
1.872
1.848
1.828
1.812
1.797
1.785
1.775
1.767
dL
----------------0.243
0.315
0.380
0.444
0.505
0.562
0.615
0.664
0.710
0.752
0.792
0.829
0.863
0.895
0.925
0.953
dU
----------------2.822
2.645
2.506
2.390
2.296
2.220
2.157
2.104
2.060
2.023
1.991
1.964
1.940
1.920
1.902
1.886
dL
--------------------0.203
0.268
0.328
0.389
0.447
0.502
0.554
0.603
0.649
0.691
0.731
0.769
0.804
0.837
0.868
dU
--------------------3.004
2.832
2.692
2.572
2.471
2.388
2.318
2.258
2.206
2.162
2.124
2.090
2.061
2.035
2.013
dL
------------------------0.171
0.230
0.286
0.343
0.398
0.451
0.502
0.549
0.595
0.637
0.677
0.715
0.750
0.784
dU
------------------------3.149
2.985
2.848
2.727
2.624
2.537
2.461
2.396
2.339
2.290
2.246
2.208
2.174
2.144
dL
----------------------------0.147
0.200
0.251
0.304
0.356
0.407
0.456
0.502
0.546
0.588
0.628
0.666
0.702
dU
----------------------------3.266
3.111
2.979
2.860
2.757
2.668
2.589
2.521
2.461
2.407
2.360
2.318
2.280
dL
--------------------------------0.127
0.175
0.222
0.272
0.321
0.369
0.416
0.461
0.504
0.545
0.584
0.621
dU
--------------------------------3.360
3.216
3.090
2.975
2.873
2.783
2.704
2.633
2.571
2.514
2.464
2.419
dL
------------------------------------0.111
0.155
0.198
0.244
0.290
0.336
0.380
0.424
0.465
0.506
0.544
dU
------------------------------------3.438
3.304
3.184
3.073
2.974
2.885
2.806
2.735
2.670
2.613
2.560
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
45
50
55
60
65
70
75
80
85
90
95
100
150
200
1.302
1.316
1.328
1.341
1.352
1.363
1.373
1.383
1.393
1.402
1.411
1.419
1.427
1.435
1.442
1.475
1.503
1.528
1.549
1.567
1.583
1.598
1.611
1.624
1.635
1.645
1.654
1.720
1.758
1.461
1.469
1.476
1.483
1.489
1.496
1.502
1.508
1.514
1.519
1.525
1.530
1.535
1.540
1.544
1.566
1.585
1.601
1.616
1.629
1.641
1.652
1.662
1.671
1.679
1.687
1.694
1.747
1.779
1.224
1.240
1.255
1.270
1.284
1.297
1.309
1.321
1.333
1.343
1.354
1.364
1.373
1.382
1.391
1.430
1.462
1.490
1.514
1.536
1.554
1.571
1.586
1.600
1.612
1.623
1.634
1.706
1.748
1.553
1.556
1.560
1.563
1.567
1.570
1.574
1.577
1.580
1.584
1.587
1.590
1.594
1.597
1.600
1.615
1.628
1.641
1.652
1.662
1.672
1.680
1.688
1.696
1.703
1.709
1.715
1.760
1.789
1.143
1.162
1.181
1.198
1.214
1.229
1.244
1.258
1.271
1.283
1.295
1.307
1.318
1.328
1.338
1.383
1.421
1.452
1.480
1.503
1.525
1.543
1.560
1.575
1.589
1.602
1.613
1.693
1.738
1.652
1.651
1.650
1.650
1.650
1.650
1.650
1.651
1.652
1.653
1.654
1.655
1.656
1.658
1.659
1.666
1.674
1.681
1.689
1.696
1.703
1.709
1.715
1.721
1.726
1.732
1.736
1.774
1.799
1.062
1.084
1.104
1.124
1.143
1.160
1.177
1.193
1.208
1.222
1.236
1.249
1.261
1.273
1.285
1.336
1.378
1.414
1.444
1.471
1.494
1.515
1.534
1.550
1.566
1.579
1.592
1.679
1.728
1.759
1.753
1.747
1.743
1.739
1.735
1.732
1.730
1.728
1.726
1.724
1.723
1.722
1.722
1.721
1.720
1.721
1.724
1.727
1.731
1.735
1.739
1.743
1.747
1.751
1.755
1.758
1.788
1.809
0.979
1.004
1.028
1.050
1.071
1.090
1.109
1.127
1.144
1.160
1.175
1.190
1.204
1.218
1.230
1.287
1.335
1.374
1.408
1.438
1.464
1.487
1.507
1.525
1.542
1.557
1.571
1.665
1.718
1.873
1.861
1.850
1.841
1.833
1.825
1.819
1.813
1.808
1.803
1.799
1.795
1.792
1.789
1.786
1.776
1.771
1.768
1.767
1.767
1.768
1.770
1.772
1.774
1.776
1.778
1.780
1.802
1.820
0.897
0.925
0.951
0.975
0.998
1.020
1.041
1.061
1.079
1.097
1.114
1.131
1.146
1.161
1.175
1.238
1.291
1.334
1.372
1.404
1.433
1.458
1.480
1.500
1.518
1.535
1.550
1.651
1.707
1.992
1.974
1.959
1.944
1.931
1.920
1.909
1.900
1.891
1.884
1.876
1.870
1.864
1.859
1.854
1.835
1.822
1.814
1.808
1.805
1.802
1.801
1.801
1.801
1.801
1.802
1.803
1.817
1.831
0.816
0.845
0.874
0.900
0.926
0.950
0.972
0.994
1.015
1.034
1.053
1.071
1.088
1.104
1.120
1.189
1.246
1.294
1.335
1.370
1.401
1.428
1.453
1.474
1.494
1.512
1.528
1.637
1.697
2.117
2.093
2.071
2.052
2.034
2.018
2.004
1.991
1.978
1.967
1.957
1.948
1.939
1.932
1.924
1.895
1.875
1.861
1.850
1.843
1.838
1.834
1.831
1.829
1.827
1.827
1.826
1.832
1.841
0.735
0.767
0.798
0.826
0.854
0.879
0.904
0.927
0.950
0.971
0.991
1.011
1.029
1.047
1.064
1.139
1.201
1.253
1.298
1.336
1.369
1.399
1.425
1.448
1.469
1.489
1.506
1.622
1.686
2.246
2.216
2.188
2.164
2.141
2.120
2.102
2.085
2.069
2.054
2.041
2.029
2.017
2.007
1.997
1.958
1.930
1.909
1.894
1.882
1.874
1.867
1.861
1.857
1.854
1.852
1.850
1.846
1.852
0.657
0.691
0.723
0.753
0.782
0.810
0.836
0.861
0.885
0.908
0.930
0.951
0.970
0.990
1.008
1.089
1.156
1.212
1.260
1.301
1.337
1.369
1.397
1.422
1.445
1.465
1.484
1.608
1.675
2.379
2.342
2.309
2.278
2.251
2.226
2.203
2.181
2.162
2.144
2.127
2.112
2.098
2.085
2.072
2.022
1.986
1.959
1.939
1.923
1.910
1.901
1.893
1.886
1.881
1.877
1.874
1.862
1.863
0.581
0.616
0.649
0.681
0.712
0.741
0.769
0.796
0.821
0.845
0.868
0.891
0.912
0.932
0.952
1.038
1.110
1.170
1.222
1.266
1.305
1.339
1.369
1.396
1.420
1.442
1.462
1.593
1.665
2.513
2.470
2.431
2.396
2.363
2.333
2.306
2.281
2.257
2.236
2.216
2.197
2.180
2.164
2.149
2.088
2.044
2.010
1.984
1.964
1.948
1.935
1.925
1.916
1.909
1.903
1.898
1.877
1.874
7
Durbin-Watson Significance Tables
k*=11
n
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
45
50
55
60
65
70
75
80
85
90
95
100
150
200
dL
0.098
0.138
0.177
0.220
0.263
0.307
0.349
0.391
0.431
0.470
0.508
0.544
0.578
0.612
0.643
0.674
0.703
0.731
0.758
0.783
0.808
0.831
0.854
0.875
0.896
0.988
1.064
1.129
1.184
1.231
1.272
1.308
1.340
1.369
1.395
1.418
1.439
1.579
1.654
dU
3.503
3.378
3.265
3.159
3.063
2.976
2.897
2.826
2.761
2.702
2.649
2.600
2.555
2.515
2.477
2.443
2.411
2.382
2.355
2.330
2.306
2.285
2.265
2.246
2.228
2.156
2.103
2.062
2.031
2.006
1.987
1.970
1.957
1.946
1.937
1.930
1.923
1.892
1.885
k=12
dL
----0.087
0.123
0.160
0.200
0.240
0.281
0.322
0.362
0.400
0.438
0.475
0.510
0.544
0.577
0.608
0.638
0.668
0.695
0.722
0.748
0.772
0.796
0.819
0.840
0.938
1.019
1.087
1.145
1.195
1.239
1.277
1.311
1.342
1.369
1.394
1.416
1.564
1.643
dU
----3.557
3.441
3.335
3.234
3.141
3.057
2.979
2.908
2.844
2.784
2.730
2.680
2.634
2.592
2.553
2.517
2.484
2.454
2.425
2.398
2.374
2.351
2.329
2.309
2.225
2.163
2.116
2.079
2.049
2.026
2.006
1.991
1.977
1.966
1.956
1.948
1.908
1.896
k=13
dL
--------0.078
0.111
0.145
0.182
0.220
0.259
0.297
0.335
0.373
0.409
0.445
0.479
0.512
0.545
0.576
0.606
0.634
0.662
0.689
0.714
0.739
0.763
0.785
0.887
0.973
1.045
1.106
1.160
1.206
1.247
1.283
1.315
1.344
1.370
1.393
1.550
1.632
dU
--------3.603
3.496
3.395
3.300
3.211
3.128
3.053
2.983
2.919
2.859
2.805
2.755
2.708
2.665
2.625
2.588
2.554
2.521
2.492
2.464
2.438
2.413
2.391
2.296
2.225
2.170
2.127
2.093
2.066
2.043
2.024
2.009
1.995
1.984
1.974
1.924
1.908
k=14
dL
------------0.070
0.100
0.132
0.166
0.202
0.239
0.275
0.312
0.348
0.383
0.418
0.451
0.484
0.515
0.546
0.575
0.604
0.631
0.657
0.683
0.707
0.731
0.838
0.927
1.003
1.068
1.124
1.172
1.215
1.253
1.287
1.318
1.345
1.371
1.535
1.621
dU
------------3.642
3.542
3.448
3.358
3.272
3.193
3.119
3.051
2.987
2.928
2.874
2.823
2.776
2.733
2.692
2.654
2.619
2.586
2.555
2.526
2.499
2.473
2.367
2.287
2.225
2.177
2.138
2.106
2.080
2.059
2.040
2.025
2.012
2.000
1.940
1.919
k=15
dL
----------------0.063
0.091
0.120
0.153
0.186
0.221
0.256
0.291
0.325
0.359
0.392
0.425
0.457
0.488
0.518
0.547
0.575
0.602
0.628
0.653
0.678
0.788
0.882
0.961
1.029
1.088
1.139
1.184
1.224
1.260
1.292
1.321
1.347
1.519
1.610
*K is the number of regressors excluding the intercept
dU
----------------3.676
3.583
3.495
3.409
3.327
3.251
3.179
3.112
3.050
2.992
2.937
2.887
2.840
2.796
2.754
2.716
2.680
2.646
2.614
2.585
2.557
2.439
2.350
2.281
2.227
2.183
2.148
2.118
2.093
2.073
2.055
2.040
2.026
1.956
1.931
k=16
dL
--------------------0.058
0.083
0.110
0.141
0.172
0.205
0.238
0.271
0.305
0.337
0.370
0.401
0.432
0.462
0.492
0.520
0.548
0.575
0.600
0.626
0.740
0.836
0.919
0.990
1.052
1.105
1.153
1.195
1.232
1.266
1.296
1.324
1.504
1.599
dU
--------------------3.705
3.619
3.535
3.454
3.376
3.303
3.233
3.168
3.107
3.050
2.996
2.946
2.899
2.854
2.813
2.774
2.738
2.703
2.671
2.641
2.512
2.414
2.338
2.278
2.229
2.189
2.156
2.129
2.105
2.085
2.068
2.053
1.972
1.943
k=17
dL
------------------------0.052
0.076
0.101
0.130
0.160
0.191
0.222
0.254
0.286
0.317
0.349
0.379
0.409
0.439
0.467
0.495
0.522
0.549
0.575
0.692
0.792
0.877
0.951
1.016
1.072
1.121
1.165
1.205
1.240
1.271
1.301
1.489
1.588
dU
------------------------3.731
3.650
3.572
3.494
3.420
3.349
3.283
3.219
3.160
3.103
3.050
3.000
2.954
2.910
2.868
2.829
2.792
2.757
2.724
2.586
2.479
2.396
2.330
2.276
2.232
2.195
2.165
2.139
2.116
2.097
2.080
1.989
1.955
k=18
dL
----------------------------0.048
0.070
0.094
0.120
0.149
0.178
0.208
0.238
0.269
0.299
0.329
0.359
0.388
0.417
0.445
0.472
0.499
0.525
0.644
0.747
0.836
0.913
0.980
1.038
1.090
1.136
1.177
1.213
1.247
1.277
1.474
1.576
dU
----------------------------3.753
3.678
3.604
3.531
3.460
3.392
3.327
3.266
3.208
3.153
3.100
3.051
3.005
2.961
2.920
2.880
2.843
2.808
2.659
2.544
2.454
2.382
2.323
2.275
2.235
2.201
2.172
2.148
2.126
2.108
2.006
1.967
k=19
dL
--------------------------------0.044
0.065
0.087
0.112
0.138
0.166
0.195
0.224
0.253
0.283
0.312
0.340
0.369
0.397
0.424
0.451
0.477
0.598
0.703
0.795
0.874
0.944
1.005
1.058
1.106
1.149
1.187
1.222
1.253
1.458
1.565
dU
--------------------------------3.773
3.702
3.632
3.563
3.495
3.431
3.368
3.309
3.252
3.198
3.147
3.099
3.053
3.009
2.968
2.929
2.829
2.733
2.610
2.512
2.434
2.371
2.318
2.275
2.238
2.206
2.179
2.156
2.135
2.023
1.979
k=20
dL
------------------------------------0.041
0.060
0.081
0.104
0.129
0.156
0.183
0.211
0.239
0.267
0.295
0.323
0.351
0.378
0.404
0.430
0.553
0.660
0.754
0.836
0.908
0.971
1.027
1.076
1.121
1.160
1.197
1.229
1.443
1.554
dU
------------------------------------3.790
3.724
3.658
3.592
3.528
3.465
3.406
3.348
3.293
3.240
3.190
3.142
3.097
3.054
3.013
2.974
2.807
2.675
2.571
2.487
2.419
2.362
2.315
2.275
2.241
2.211
2.186
2.164
2.040
1.991

Handout Statistika Lanjut 2011

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Handout Statistika Lanjut 2011

Diunggah oleh

Hak Cipta:

Format Tersedia

HANDOUT

JURUSAN PENDIDIKAN MATEMATIKA

Universitas Negeri Yogyakarta

Rumus koefisien korelasi linear sampel

(a) Korelasi positif

(b) Korelasi positif yang kuat (c) Korelasi positif sempurna

(d) Korelasi negatif

(e) Korelasi negatif yang kuat

(g) Tidak ada korelasi

(f) Korelasi negatif sempurna

(h) Hubungan nonlinear antara X dan Y

Koefisien Determinasi bagi sampel (r2)

H0 ditolak jika t < - t(n-2)

H0 ditolak jika t > t(n-2)

Universitas Negeri Yogyakarta

: Analisis Regresi Linear Sederhana

= (Yi E (Yi )) = (Yi ( 0 + 1 X i )) = L

Selanjutnya diturunkan terhadap masing-masing

Makna dugaan koefisien regresi

Dicobakan model linear Yi = 0 + 1Xi + i, diperoleh persamaan regresi Yi = 364 + 5,47 X i .

Apa makna b0 dan b1 pada konteks ini ?

a) Buatlah diagram pencar X dan Y.

n = 10, X i = 120, Yi = 500, X iYi = 6106, X i2 = 1470, Yi 2 = 25440

Universitas Negeri Yogyakarta

: Asumsi-asumsi dalam Analisis Regresi Linear Sederhana

Model regresi linear sederhana bergalat normal

(a) Galat memiliki ragam konstan (tidak berpola)

(b) Galat tidak memiliki ragam konstan (berpola)

Galat menyebar normal

Gambar disamping menunjukkan

Galat saling bebas

Universitas Negeri Yogyakarta

: Inferensi dalam Analisis Regresi Linear Sederhana

Jadi selang kepercayaan 100(1-) bagi 1 adalah

Misalkan diperoleh selang kepercayaan 95% bagi 1

Perhatikan simpangan total berikut:

Jumlah kuadrat simpangan-simpangan tersebut :

H0 ditolak jika thit >

Jadi selang kepercayaan 100(1-) bagi 0 adalah

H0 ditolak jika thit <

Misalkan diperoleh selang kepercayaan 90% bagi 0

Selang kepercayaan bagi

Misalkan diperoleh selang prediksi 90% bagi ( ) dengan Xh = 100 adalah

Perhatikan berikut ini:

a. Tentukan persamaan regresi linear dugaan

Universitas Negeri Yogyakarta

: Pendekatan Matriks terhadap Analisis Regresi Linear Sederhana

Perhatikan kembali model regresi linear sederhana berikut

JKG = Y' Y b' X' Y ,

bk t / 2,(n 2 ) s{bk } k bk + t / 2 ,(n 2 ) s{bk }

s {b} = KTG (X' X )

, Y' Y = [70083], Y' JY = [680625]

Universitas Negeri Yogyakarta

: Analisis Regresi Linear Ganda

Memaknai Persamaan Regresi Dugaan

H0 ditolak jika thit >

H0 ditolak jika thit <

Selang kepercayaan bagi k

Makna Selang Kepercayaan bagi k

Makna Selang Kepercayaan Serempak

Koefisien Determinasi Ganda (R2)

Memaknai Koefisien Determinasi Ganda

Uji F untuk Kecocokan Model Regresi Linear Ganda

JKGM Yij Y j , JKG Y' Y b' X' Y , JKKM JKG JKGM