Regresi adalah pengukur hubungan dua variabel atau lebih yang dinyatakan dengan
bentuk hubungan atau fungsi. Untuk menentukan bentuk hubungan (regresi) diperlukan
pemisahan yang tegas antara variabel bebas yang sering diberi simbul X dan variabel tak
bebas dengan simbul Y. Pada regresi harus ada variabel yang ditentukan dan variabel yang
menentukan atau dengan kata lain adanya ketergantungan variabel yang satu dengan
variabel yang lainnya dan sebaliknya. Kedua variabel biasanya bersifat kausal atau
mempunyai hubungan sebab akibat yaitu saling berpengaruh. Sehingga dengan demikian,
regresi merupakan bentuk fungsi tertentu antara variabel tak bebas Y dengan variabel bebas
X atau dapat dinyatakan bahwa regresi adalah sebagai suatu fungsi Y = f(X). Bentuk regresi
tergantung pada fungsi yang menunjangnya atau tergantung pada persamaannya.
2
Korelasi adalah pengukur hubungan dua variabel atau lebih yang dinyatakan
dengan derajat keeratan atau tingkat hubungan antarvariabel-variabel. Mengukur derajat
hubungan dengan metode korelasi yaitu dengan koefisien korelasi r. Dalam hal ini, dengan
tegas dinyatakan bahwa dalam analisis korelasi tidak mempersoalkan apakah variabel yang
satu tergantung pada variabel yang lain atau sebaliknya. Jadi metode korelasi dapat dipakai
untuk mengukur derajat hubungn antarvariabel bebas dengan variabel bebas yang lainnya
atau antar fua variabel.
antarvariabel yang satu dengan variabel yang lain, hendaknya anrata variabel itu diharapkan
mempunyai kaitan atau relevansi. Jangan sekali-sekali menghubungkan atau
mengkorelasikan variabel-variabel yang sangat jauh atau mustahil atau relevansinya sangat
kecil.
Beberapa contoh penggunaan korelasi dan regresi seperti di bawah ini.
1). Banyaknya anakan dengan produksi padi.
2). Kepadatan penduduk dengan upah buruh harian.
3). Berat induk sapi dengan berat anak yang baru dilahirkan.
4). Nilai yang diperoleh pada mata ajaran statistika dengan matematika.
5). Umur dengan berat badan anak balita.
6). Kadar air pada biji dan volume biji.
7). Luas daun dengan panjang akar.
8). Besar buah dengan besar biji.
9). Biaya advertensi dengan jumlah penjualan.
10). Fluktuasi temperatur dengan jumlah anak-anak yang sakit pilek.
Selain contoh di atas, masih banyak lagi contoh yang lain yang serupa. Dari contohcontoh di
atas dapat dilakukan pendekatan yang sesuai seperti: analisis regresi dapat dipakai pada
contoh-contoh nomer: 1; 2; 3; 5; dan 9. Sedangkan, analisis korelasi dapat dipakai pada
semua contoh di atas.
1). Regresi polinomial ialah regresi dengan sebuah variabel bebas sebagai faktor dengan
2
(1/2)
bX + cX
(1/2)
+ dX
(3/2)
, atau
3
1/Y = a+ bX atau Y = a +b/X. Selain itu, ada bentuk campuran seperti: 1/Y = a + bX + cX , dan
masih banyak lagi bentuk-bentuk lainnya. 3). Regresi fungsi perpangkatan atau geometrik.
Pada regresi ini mempunyai bentuk fungsi yang berbeda dengan fungsi polinomial maupun
X
Y = a 10
bX
bX
atau
.
cX
Modifikasi dari bentuk di atas adalah: 1/Y = a + be , ini disebut kurva logistik atau "tipe
umum dari model pertumbuhan". Modifikasinya juga seperti : Y = e
(a + b/X)
, disebut
dengan transformasi logaritmik resiprokal, yang umum disebut dengan model Gompertz.
5)
Regresi logaritmik
e
= a + b atau dapat di tulis
menjadi:
Y = ln a + b ln X (merupakan trasformasi lilier)
6).
Regresi fungsi geometri. Bentuk dari fungsi ini adalah berupa bentuk regresi linier
berganda di mana dalam fungsi ini terdapat fungsi trigonometri.
Bentuk yang paling sederhana dari fungsi ini adalah:
Y = a+bsindX + ccosdX.
Bentuk fungsi ini disebut kurva Faurier. Selain itu, ada lagi bentuk-bentuk yang lebih
kompleks seperti:
2
Apabila r dan R, jika dikuadratkan akan memberikan suatu nilai tertentu yaitu r atau R yang
2
2
2
kadang-kadang nilai r atau R keduanya diberi simbul yang sama yaitu R atau D. Kedua nilai
2
D atau R disebut koefisien determinasi atau koefisien penentu atau indeks penentu.
Selanjutnya, mengenai korelasi dan modifikasinya akan dibicarakan tersendiri setelah
pembicaraan regresi.
Perlu ditekankan lebih luas bahwa hubungan dapat dibuat regresinya, demikian pula, tidak
semua variabel atau gejala-gejala alam dapat dicari korelasinya. Oleh karena itu, agar lebih
berhati-hati dalam menggunakan alat statistika ini di dalam penarikan kesimpulan, lebih-lebih
membuat suatu keputusan yang lebih jauh.
Akan tetapi, yang jelas bahwa kedua alat ukur tersebut di atas dapat memberikan sumbangan
atau pandangan yang lebih jauh terhadap masalah yang dihadapi, karena terutama analisis
regresi mempunyai daya ramal atau daya taksir yang menyakinkan apabila diuji dengan taraf
nyata yang peka atau jitu. Dan inilah yang merupakan tujuan pembicaraan yang pokok pada
analisis regresi dan korelasi selanjutnya.
Dari variabel-variabel yang akan dicari bentuk hubungannya terlebih dahulu hendaknya
dijelaskan mana yang sebagai variabel bebas X dan mana yang sebagai variabel tak bebas Y.
Tabel
2.1.
Pengaruh Tingkat
Pendapatan terhadap
Konsumsi Makanan Bagi
Dalam hal-hal tertentu,Petani
penentuan variabel bebas X dan variabel tak bebas Y sangat mudah,
No. Pendapatan Konsumsi
tetapi kadang-kadang hal tersebut sangat sulit ditelusuri antara yang mana variabel bebas X
125
75Y.
maupun 1
yang mana
variabel tak bebas
2
150
100
Apabila hubungan antara dua variabel atau lebih bersifat kausal atau hubungan sebab-akibat,
3
175
125
maka variabel yang sebagai sebab merupakan variabel bebas atau variabel X dan akibat yang
4
200
135
ditimbulkannya menjadi variabel tak bebas atau variabel Y. Setelah jelas mana variabel X dan
5
225
150
variabel
Y, maka
selanjutnya
menentukan
pola hubungan
atau bentuk
hubungan
yang
Dari
gambar
contoh
di bawahperlu
menunjukkan
semakin
tinggi pendapatan
sampai
Rp 225.000
dinyatakan
dalammakanan
bentuk persamaan
matematik Sehingga
yang menyatakan
hubungan fungsionalnya.
maka komsumsi
semakin meningkat.
dari pasanganpasangan
nilai X,Y
Sehinggadapat
segaladicari
analisis
statistika
yang atau
berkaitan
tersebut
dinamakan
tersebut
bentuk
hubungan
garis dengan
regresi hal
antara
variabel
bebas Ydengan
atas
analisis regresi.
variabel
tak bebas X yang dtulis dengan Y/X.
Apakah
beda
regresi
dengan
analisis-analisis
yang
lain ?2.1
Sebagai
contoh apa
Dari
Tabel
2.1 antara
di atas analisis
dapat dibuat
garis
regresi
liniernya seperti
Gambar
berikut:
perbedaan antara analisis regresi dengan analisis keragaman atau analisis varians,
perbedaan tersebut terletak pada yaitu: dalam analisis keragaman tidak mencari bentuk
hubungan antara variabel-variabel seperti pada analisis regresi, melainkan mencari
perbedaan pengaruh perlakuan atau objek, yaitu perbedaan antara variabel bebas X atau
variabel yang dipelajari; dengan mengukur respon dari perlakuan atau variabel X yang
dinyatakan dengan variabel tak bebas Y yang sering disebut hasil atau akibat perlakuan.
Tujuan utama dari analisis regresi adalah untuk memberikan dasar-dasar peramalan atau
pendugaan dalam analisis peragam atau analisis kovarian. Analisis regresi sebagai alat untuk
melakukan peramalan atau prediksi atau estimasi atau pendugaan yang sangat berguna bagi
para pembuat keputusan.
Biasanya variabel tak bebas Y adalah variabel yang diramalkan dan variabel bebas X yang
telah ditetapkan sebagai peramal yang disebut prediktor. Untuk membuat ramalan antara
variabel X dengan variabel Y, maka variabel X dan variabel Y tersebut harus mempunyai
hubungan yang kuat. Kuat tidaknya hubungan antara variabel bebas X dan variabel tak bebas
Y didasarkan pada analisis korelasi. Jadi antara analisis korelasi dan analisis regresi
mempunyai kaitan yang sangat erat (akan dibicarakan di belakang).
2.5.3
Untuk menentukan garis regresi berdasarkan pasangan-pasangan nilai X,Y diberikan dua
metode yang umum yaitu:
1).
Metode tangan bebas. Metode tangan bebas merupakan suatu metode yang
berdasarkan kira-kira dari diagram titik atau diagram pencar atau scatter diagram yang
diperoleh dari hasil pengamatan antara variabel X dan variabel Y. Diagram pencar didapatkan
dengan menggambar titik-titik pasangan pengamatan antara X dan Y atau X,Y pada suatu
sistem salib sumbu atau sistem koordinat. Dengan memperhatikan letak titik-titik pasangan
pada absis X dan ordinat Y, maka kumpulan titik-titik tersebut dapat memberi petunjuk untuk
memperkirakan garis regresi yang akan dibuat. Metode ini hanya dapat dilakukan oleh
seorang ahli dan berpengalaman seperti pada Gambar 2.2.
2).
Pendekatan matematis dengan metode kuadrat terkecil atau least squares
method atau sering disebut dengan metode ordinary list squares (OLS). Bahwa suatu garis
regresi yang akan didapat dan akan mendekati titik-titik pasangan X,Y. Tentu saja atau pada
umumnya tidak dapat ditarik atau digambarkan suatu garis regresi yang sederhana, yang
dapat melalui semua titik-titik pasangan X,Y.
Jika pencaran atau sebaran titik pasangan X,Y tersebut disekitar garis lurus, maka cukup
beralasan untuk menduganya dengan persamaan regresi linier sederhana atau regresi garis
lurus. Dilain pihak, jika sebaran titik-titik pasangan X,Y tersebut bukan linier, tetapi
melengkung atau non linier yang paling menghampiri. Untuk hal tersebut dan menentukan
analisis dan gambarnya dapat dilihat bentuk-bentuk hubungan pada bukubuku matematika.
Bentuk mana yang paling sesuai atau paling dihampiri oleh titik-titik pasangan tersebut.
Untuk pendekatan linier atau regresi linier sederhana, perhatikan diagram pencar berikut yang
berasal dari Tabel 2.1 di muka antara tingkat pendapatan (X) dengan konsumsi (Y) diambil
sebagaian saja seperti pada Tabel 2.2.
Tabel 2.2. Pengaruh Tingkat Pendapatan terhadap Konsumsi Makanan
Bagi Petani
No.
1
2
Pendapatan Konsums
i
125
75
150
100
Sehingga garis regresi linier yang dapat dibuat dari Tabel 2.2 seperti pada Gambar 2.2
berikut. Garis regresi yang melalui dua buah titik pengamatan P dan Q, di mana kedudukan
kedua titik tersebut adalah bebas atau sembarang pada garis regresi yang melewati. Maka
dapat dibuat persamaannya dengan menggunakan dua buah titik. Dasar teori, melalui dua
buah titik dapat dibuat sebuah garis lurus yaitu PQ yang akan dicari persamaannya.
Perhatikan sudut yang sisi-sisi siku-sikunya adalah Y = Y 2-Y1 dan X = X2-X1 sehingga
tangen sudut = Y/X, maka persamaan garis PQ menjadi: Y = A + X. Dari persamaan
tersebut dengan penyelesaian matematika sehingga akan didapatkan bentuk persamaan
liniernya seperti persamaan [2.1].
Ko
ns
un
si
75
50
25
Ko
ns
un
si
150
R=+
125
QX
100
75
50
untuk populasi
25
0 120 140
Pendapatan
Gambar 2.3. Penggambaran Regresi Penduga = + X
Sebuah garis dikatakan sebagai garis regresi terbaik yang disebut dengan garis regresi
penduga diberi simbul dengan: (dibaca Y topi atau Y cup atau Y penduga).
Sehingga garis regresi linier sederhana dengan persamaan penduga menjadi :
[2.3a]. = + X atau ditulis dengan
[2.3b]. = 0 + 1 X atau
[2.3c]. = 1 + 2 X
[2.4a]. =a+ b X atau ditulis dengan
[2.4b]. = b0 + b1 X atau
untuk sampel
[2.4c]. = b1 + b2 X
Suatu hal yang harus dipahami bahwa dalam pendugaan garis regresi, besarnya nilai variabel
tak bebas Y, tidak hanya tergantung pada variabel bebas X saja, tetapi ada faktor-faktor lain
yang ikut mempengaruhi. Faktor-faktor tersebut secara keseluruhan dinamakan kesalahan
pengganggu (disturbance error) yang diberi simbul dengan e. Kadang-kadang nilai e diartikan
faktor-faktor tertentu yang belum diketahui penyebabnya atau faktor-faktor yang belum
dijelaskan.
Faktor-faktor tersebut yang dapat terdiri atas: salah hitung, salah catat, salah ukur, alat kurang
sempurna, dan nilai-nilai kebetulan, serta banyak lagi nilai-nilai yang lainnya. Kesalahan
pengganggu e tersebut menyebabkan ramalan menjadi kurang tepat terhadap garis regresi
penduga seperti:
[2.5]. = A + BX untuk populasi
Jadi kesalahan e tersebut dapat mengakibatkan adanya resiko. Oleh karena itu, resiko
tersebut hendaknya dibuat sekecil-kecilnya atau minimal. Untuk melakukan dugaan atau
membuat keputusan selalu ada resiko walaupun betapa kecilnya.
Karena dalam
suatu
pendugaan
nilai A dan B tidak dapat dihitung (belum diketahui
2.7 Pendekatan
Garis
Penduga
Terbaik
nilainya), biasanya ditaksir dengan nilai a dan b atau dengan nilai b 0 dan b1; sehingga garis
Ada beberapa cara pendekatan matematika untuk mendapatkan garis regresi penduga yang
regresi
linier penduga mempunyai bentuk persamaan:
terbaik seperti:
[2.6]. = b0 + b1X untuk sampel
1
Garis penduga menjadi garis regresi terbaik apabila jumlah semua kesalahan adalah
Jadi a dan
b atau
b0 dane
b1i =
sebagai
B.minimal.
Hubungan
antara
nilai teori
kesalahan
minimal
ditulis
dengan:
minimalpenaksir
atau (AYdan
i-) =
Sesuai
dengan
aljabare,
maka akibatnya
ei sama
dengan
nolnilai
(minimal),
sebabYnilai
negatif
mengkompen nilai positif,
dengan
nilai penduga
dan
dengan
pengamatan
i dapat
ditulis:
seperti yang ditunjukkan pada Gambar 2.4.
2 [2.7a].
Garis penduga merupakan garis regresi yang terbaik, apabila jumlah harga mutlak
= b0 + b1X dan Yi = + e atau
dari nilai kesalahan atau e adalah minimal. Cara ini lebih baik dari cara pertama sebab
tidak ada saling kompensasi antara nilai ei yang negatif dengan positif.
[2.7b]. e = Yi-
3
Garis penduga merupakan garis regresi yang terbaik, apabila jumlah pangkat dua
2
(kuadrat)
nilai kesalahan-kesalahan
(ei) adalah
atau ditulis
dengan
rumus: e i = 0.
Untuk sejumlah
n pasangan pengamatan,
makaminimal
penulisannya
menjadi
seperti:
[2.8]. ei = Yi -(b0 + b1X)
Cara pendekatan terakhir disebut dengan Metode Kuadrat Terkecil atau dengan Least
Nilai e sebagai
penduga
kesalahan
E adalah
populasi
Squares
Methods.
Sampainilai
sekarang
metode
kuadratkesalahan
terkecil inipenggangu
adalah suatu
metodedan
yange
adalahampuh
kesalahan
sampel.
paling
padapenganggu
perhitungan
untuk menduga suatu garis regresi yang terbaik dibandingkan
dengan
metode-metode
yangbila
lainnya.
Mengapa metode
kuadrat
disebut ;metode
Nilai e dapat
berharga positif
nilai pengamatan
Yi berada
di atasterkecil,
garis penduga
dapat
yang
terbaik
bagi
penduga
garis
regresi
linier
sederhana?.
Di
antaranya
terdapat
berharga negatif bila nilai pengamatan Yi berada di bawah garis penduga ; dan
dapatsuatu
pula
teorema
yang berbunyi
sebagai
berikut:
antara
penaksir-penaksir
linier
berhargadari
nol GaussMarkov
bila nilai pengamatan
Yi berada
tepat
pada Di
garis
penduga
. Seperti yang
tak bias bagipada
parameter-parameter
A dan
B, di mana
Y = Adiagram
+ BX + dengan
E, penaksir
ditunjukkan
Gambar 2.3 dengan
menggambar
scatter
, Yi,pangkat
dan ei. dua
terkecil (metode kuadrat terkecil) yang mempunyai ragam paling kecil.
150
Selain, hal-hal tersebut di atas, metode kuadrat terkecil mempunyai beberapa kelebihan
daripada metode-metode lain, diantaranya:
(+) e3
125
1).
Dengan memakai nilai kuadrat, maka semua nilaidari kesalahan atau
simpangan
ei akan berubah menjadi positif.
Ko
100
ns2).
Dengan mengkuadratkan nilai kesalahan ei yang kecil (pecahan) maka akan
75 mendekati nol, dan bila nilai ini diminiumkan; sehingga garis regresi penduga
udiperkecil
e2 (-) sebagai garis penduga.
myang dihasilkan akan mendekati ketepatannya, bila digunakan
si
3).
50
Y2 cukup sederhana.
matematis dari metode kuadrat terkecil
25 Perhitungan
e1
(+ teori kuadrat terkecil, ada suatu teori Maximum Like Lihood Estimation
4).
Selain
yang 0kedua-duanya membuktikan bahwa meminimalkan kesalahan ei merupakan
estimasi atau penaksiran yang terbaik.
Suatu syarat penaksir garis atau garis penduga yang terbaik, di samping mempunyai nilai
ragam galat atau ragam kesalahan atau Pendapatan
ragam residu atau ragam sisa yang terkecil, tetapi
harus memenuhi juga syarat-syarat yang lain yaitu:
1).
Model regresi
atau bentuk
fungsi
haruslahYimendekati
titik-titik
Gambar
2.3. Nilai
Penduga
, yang
Nilai dipakai
Pengamatan
, dan Nilai
pasangan
X,Y; dan harus
betul-betul
Kesalahan
Penganggu
ei tepat atau cocok; hal ini akan dibicarakan pada uji
kecocokan garis regresi penduga.
2).
Mempunyai derajad keeratan hubungan yang maksimum atau koefisien
korelasi tertinggi, yang menunjukkan hubungan antara variabel bebas X dan variabel tak
bebas Y. Hal ini akan dibahas dalam penggunaan koefisien korelasi dalam uji garis
regresi.
dan
. Perhatikan pertanyaan matematis dari persamaan [2.7b] yang ditulis kembali seperti:
[2.9]. ei = Yi-
Persamaan [2.9] di atas merupakan modifikasi dari persamaan-persamaan [2.7a], [2.7b], atau
[2.8]. Pernyataan matematis di atas dapat dijabarkan menjadi:
= b0 + b1X dan Y = + e sehingga ei = Yi - dapat ditulis:
[2.10]. Yi = b0i + b1i Xi + ei
Telah disebutkan di muka, bahwa garis regresi penduga terbaik, adalah garis regresi yang
2
mempunyai nilai ei minimal.
2
Secara matematis ei minimal dapat dinyatakan dengan teori defrensial bahwa turunan
2
pertama dari: ei terhadap b0 dan terhadap b1 haruslah sama dengan nol atau dapat ditulis:
2
ei / bi = 0.
2
2
Untuk memudahkan cara penulisan selanjutnya ei disamakan dengan G, jadi G= ei .
2
Sehingga fungsi turunan e atau G terhadap setiap nilai b0, dan b1 adalah sebagai berikut:
Dari teori minimum dan maksimum atau harga ekstrim dalam teori kalkulus (defrensial &
integral) dapat dinyatakan bahwa suatu fungsi f(X1, X2, . . . , Xp) akan minimum jika, semua
fungsi turunan pertama parsialnya (Y/X) sama dengan nol; suatu syarat yang perlu dan
khusus. Oleh karena itu, dengan mengandaikan syarat kedua minimalasasi itu telah
terpenuhi, maka nilai G akan minimum jika semua fungsi turunan pertama parsiilnya, yaitu
turunan pertama parsiil dari G terhadap masing-masing nilai b0 dan b1 sama dengan nol.
Dengan mengambil fungsi turunan pertama parsiil G terhadap b0 dan b1 serta
menyamakannya dengan nol, maka diperoleh dua persamaan seperti di bawah ini.
2
2
i
Biasanya, sistem persamaan normal [2.13], dan [2.14] dapat diselesaikan secara serentak
untuk mendapatkan nilai
dan
diketahui dan jumlah-jumlah yang terdapat dalam sistem persamaan normal itu dapat dihitung
dari data sampel; dengan demikian koefisien regresi
dan
dalam analisis regresi linier sederhana yang mengandung sebuah variabel bebas X dan
sebuah variabel tak bebas Y dapat ditaksir atau dihitung.
[2.19c]. b1 =
XY
n
2
X Y
(X )
dari suatu pengamatan atau untuk pengaruh variabel bebas X terhadap variabel tak bebas Y
menjadi:
[2.20]. = b0 + b1 X
Selanjutnya, untuk membuktikan bahwa garis regresi yang diperoleh tersebut merupakan
garis regresi yang terbaik untuk menghampiri setiap titik-titik pengamatan X,Y. Unuk
menjawab pernyataan tersebut maka dapat dikatakan bahwa garis regresi penduga = b0 +
b1 X nyata secara statistika, perlu dilakukan pengujian keberartiannya.
2.8.1 Uji varians regresi atau uji F regresi atau uji ragam regresi
Uji keragaman untuk menentukan garis regresi yang terbaik sering disebut dengan uji F garis
regresi atau lebih terkenal dengan sidik ragam regresi. Dari Gambar 2.4 dapat diuraikan
bahwa persamaan [2.20] di mana ei = Yi -b0 -bi Xi. Dan jika persamaan [2.15] b0 = Y -b1 X
disubstitusikan ke dalam persamaan [2.20] = b0 + b1 X sehingga didapatkan pesamaan:
[2.21a]. ei = Yi -( Y -b1 X ) -b1 Xi dengan membuka kurung maka [2.21b]. ei = (Yi
-Y ) -b1(Xi -X ) [2.21c]. ei = yi-b1 xi
Dari persamaan [2.21c] yaitu pesamaan untuk nilai ei, sehingga dengan mengkuadrat
2
jumlahkan nilai ei; selanjutnya didapatkan Sei atau disebut dengan JK Galat Regresi dengan
kode G; sehingga menjadi:
2
[2.22a] G = S ei atau [2.22b] G = Seiei. Ingat bahwa ei = yi -b1 xi. Persamaan [2.21c]
sehingga [2.22c] G = Sei(yi -b1 xi) atau [2.22d] G = Seiyi -b1 SeI xi) [2.22e] G = Seiyi
sebab eIxi = 0 sehingga
,Y
, dan e
di bawah ini.
Pendapatan
Gambar 2.4. Nilai-nilai Y , , Yi, dan ei
Sehingga, hubungan antara komponen-komponen pada analisis keragaman (JK Total, JK
Regresi, dan JK Galat) seperti berikut:
[2.24]. JK Galat = JK Total -JK Regresi.
Untuk menyederhanakan penulisan dan pengertian di atas, maka selanjutnya JK Galat
Regresi disingkat dengan JK Galat, JK Regresi dengn JK Reg (tanpa titik) dan JK Total
dengan JK Tot atau JK Y (tanpa titik).
Sehingga sesuai dengan persamaan [2.23c], maka JK Regresi mempunyai rumus:
[2.25a] JK Regresi = b1 Syi xi atau dapat ditulis:
[2.25b] JK Regresi = b1 JHK XY Persamaan [2.25a,b] berlaku umum untuk p variabel bebas
X sehingga persamaannya menjadi:
[2.26a] JK Regresi = b1 Syi x1 + b2 Syi x2 + . .. + bp Syi xp
[2.26b] JKRegresi = (b1JHK X1Y + b2 JHK X2Y + . .. + bpJHK XpY)
Komponen penyusun Tabel Sidik Ragam Regresi adalah:
1). JK Regresi = b1 JHK2 XY 2
2). JK Total = JkY = Y -(Y) /n
3). JK Galat = JK Total -JK Regresi Selanjutnya dihitung
nilai KT atau varians seperti:
1). KT Regresi = JK Regresi /(DB Regresi)
2). KT Galat = JK Galat/ (DB Galat)
Berdasarkan pada asumsi sebaran normal untuk komponen pengganggu e, maka besarnya
nilai F (F-hitung) adalah:
[2.27] Fhit =
KT Regresi
KT Galat
Hasil perhitungan keragaman di atas dibuatkan Tabel Sidik Ragam Regresi seperti pada Tabel
2.3 berikut di bawah ini.
SW
Tabel 2.3. Bagan Sidik Ragam Regresi
Sumber Derajat Jumlah Kuadrat Nilai F tabel Keragaman Bebas Kuadrat Tengah F
hitung
5% 1%
(SK)
(DB)
(JK)
(KT)
(Fhit)
JK Reg/p = KT Regresi Lihat tabel F KT
Regresi p =1 b1 i x1 atau (b1 JHK XY)
Reg
KT Galat JKGalat
Residual np JKGalat atau Galat 1
=
n p 1
KT Galat
F-hitung disimbulkan dengan Fhit ini diartikan bahwa dalam pengujian F akan dibuktikan suatu
hipotesis nol atau H0: Fhit = 0 dan H1: Fhit > 0
Kemudian F-hitung dibandingkan dengan F tabel yang biasa ditulis dengan:
Fhitung Ftabel (Di mana Ftabel = F(, p,n-2) dan = taraf nyata )
Kreteria pengujian nilai Fhit adalah:
1).
Jika Fhit F(tabel 5%). Hal ini berarti bahwa garis regresi penduga () linier
sederhana yang didapat tersebut bukan garis regresi yang terbaik untuk menghampiri
pasangan pengamatan X,Y. Atau dapat dikatakan ini berarti bahwa terdapat hubungan
bukan linier pada pasangan pengamatan X,Y tersebut.
2).
Jika Fhit > F(tabel 5%). Hal ini berarti bahwa terdapat hubungan linier antara
pengaruh X terhadap Y. Atau dapat dikatakan bahwa garis regresi penduga () linier
sederhana yang didapat tersebut adalah garis regresi penduga yang terbaik untuk
menghampiri pasangan pengamatan X,Y.
W nilai yang diuji, sehingga untuk pengujian koefisien regresi (bi), maka rumusnya
menjadi:
b0 0
t- b1 1 S b
[2.29]. t- S da
hitung=
hitung b0=b n
b1
Di mana Sbi salah baku
=bi
22
Dari persamaan [2.29] dalam menyederhakan penulisan salah baku koefisien regresi b
).
Perhitungan nilai
var bi masing-masing
2
Karena besarnya nilai e (Ragam Galat Regresi) populasi tidak diketahui, maka dapat diduga
2
dengan nilai S e atau KT Galat Regresi sampel yang mempunyai persamaan yaitu:
untuk b0 dan b1 menjadi:
2
var b1
Seperti dalam uji F, penulisan t-hitung dapat ditulis dengan notasi thit (artinya uji t untuk
pengujian hipotesis nol atau H0: bi = 0 dan H1: minimal satu dari bi 0).
Kemudian t-hitung dibandingkan dengan t tabel yang biasa ditulis dengan:
thitung ttabel (Di mana ttabel = t(/2,n-2) dan = taraf nyata )
Berdasarkan hasil uji t ternyata bahwa kreteria pengujian nilai thit adalah:
1).
Jika thit t(tabel 5%, db galat). Hal ini dapat dikatakan bahwa terima H 0. Untuk
pengujian b0 yang berarti bahwa b0 melalui titik acuan (titik 0,0) yaitu nilai Y = 0 jika X =
0. Untuk b1, jika thit t(tabel 5%, db galat) maka garis regresi penduga dikatakan sejajar
dengan sumbu X pada nilai b0.
2).
Jika thit > t(tabel 5%, db galat) Hal ini dikatakan bahwa tolak H0, yang berarti bahwa
garis regresi penduga tidak melalui titik acuan (X,Y = 0,0). Dengan kata lain, ini berarti
bahwa koefisien arah b1 yang berangkutan dapat dipakai sebagai penduga dan
peramalan yang dapat dipercaya. Pengujian yang dilakukan dengan cara tersebut di
atas, dapat memberikan petunjuk apakah setiap variabel Xi memberikan pengaruh atau
hubungan yang nyata terhadap variabel tak bebas Y. Perlu diingatkan bahwa dalam
pengujian di atas (baik uji F maupun uji t), didasarkan metode kuadrat terkecil.
Selanjutnya, nilai salah baku koefisien regresi Sbi yang diperoleh, selain untuk pengujian
hipotesis juga dapat dipakai pada perkiraan nilai interval koefisien regresi populasi i yang
sering disebut dengan perkiraan nilai populasi beta ().
atau
x y
[2.35b]. rXY =
JHK XY
JKX JKY
menjadi:
XY
[2.35c]. rXY =n
2
2
2(X ) 2(Y )
nn
Perhitungan nilai r berdasarkan rumus di atas disebut nilai koefisien korelasi seserhana atau
koefisien korelasi order nol atau koefisien korelasi produc moment atau koefisien korelasi
Pearson.
Sepintas gambaran bahwa nilai r berkisar antara 1 sampai dengan + 1 atau sering ditulis
dengan -1 r +2. Jadi nilai koefisien korelasi itu selalu pecahan seperti: r = 0,87; r = 0,78; r
= -0,347; dan lain sebagainya.
Hubungan antara koefisien korelasi r dengan koefisien regresi b2. Lihatlah kembali rumus
koefisien regresi seperti [2.19c] dan koefisien korelasi r seperti [2.35c]:
(n = jumlah
[2.19c]. b1 = atau
sampel)
XY
X
2
(X
) n
b1 (X )
nn
2
X 2
= XY atau
XY
[2.35c]. r =
2(X ) 2(Y )
nn
2
r = XY di mana
n
atau dapat ditulis
= JHK XY
Dari kesamaan kedua persamaan di atas [2.19] dan [2.356] dapat ditulis menjadi:
[2.36a] b1 JKX = r
Dari kesamaan [2.36a] di atas dapat ditulis kembali menjadi: [2.36b]
X
Y
b1 JKX = r
JK X JK Y
atau [2.36c] b1
JK XJK X
didapatkan:
[2.36e] b1
n 1
JK X JK Y atau
= JKX
atau
r(
[2.36g] b1 SX = r SY
Apabila data yang dianalisis dinyatakan dalam nilai standar baku atau data di
(Xi X )(Yi Y )
JKX
=r
n 1 [2.36f] b1
KT X = r KT Y atau
ruas
hitung
adalah:
Sr
1). Jika rhitung r(tabel 5%, db galat) Hal ini dapat dikatakan bahwa tidak terdapat hubungan
linier atau korelasi sederhana antara variabel yang satu dengan variabel yang lainnya.
sehingga
2). Jika rhitung > r(tabel 5%, db galat) Hal ini dikatakan bahwa tolak H0, yang berarti bahwa
terdapat hubungan linier atau korelasi sederhana antara variabel yang satu dengan
variabel yang lainnya.
Selain pengujian r seperti di atas nilai r hitung dapat pula diuji dengan menggunakan uji t
dengan rumus pengujian seperti berikut yaitu:
atau
[2.37a]. t-hitung r =
r
di mana Sr = salah baku r
2
Sr =
[2.37b]. t-hitung r =
(n 2)
[2.37c]. t-hitung r =
(1 r )
(n 2)
r
2
(1 r ) (n
2) r
2
(1 r )
Berdasarkan hasil uji t untuk nilai r ternyata bahwa kreteria pengujian adalah:
1). Jika thitung
t(tabel 5%, db galat). Hal ini dapat dikatakan bahwa tidak terdapat hubungan
atau korelasi antara variabel yang satu dengan variabel yang lainnya.
2). Jika thitung > t(tabel 5%, db galat). Hal ini dikatakan bahwa tolak H 0, yang berarti bahwa terdapat
hubungan atau korelasi antara variabel yang satu dengan variabel yang lainnya.
Hubungan lain antara parameter r, b 1, dan dengan garis regresi penduga dapat dijabarkan
kembali melalui persamaan: [2.35b] seperti berikut.
[2.35b]. rXY
JHK XY
r2 XY = )) (( )) (( JK
[2.38a].YJK X JHK
atau
XYJHK XY
r2 XY = r2 XY = )( )( ingat: b1 = )( )( JK X
JK X JHK XY )( )( JHK XY ingat: JK Y
[2.38b].JK Y JHK XY b1 )( = JK Total
[2.38c].
)( JK Y JHK XY
r2 XY = r2 XY = )( )( 1
ingat: b1 JHK XY =
JK Y JHK XYb )
[2.38d].( Re JK Total gresi JK Regresi) rumus
[2.38e].
di tas tersebut
JK
bersifat umum
Jadi JK regresi = r2 .
[2.38f]. JK Total
r;
koefisien regresi b
2
2
adalah
r yangparameter
dalam persamaan regresi sering ditulis dengan R yang disebut dengan koefisien
determinasi atau koefisien penentu atau coeficien of determination.
Arti dari pada koefisien determinasi atau koefisien penentu (R ) adalah suatu nilai yang
menunjukkan bahwa persentase dari variasi keragaman total Y atau variasi Y yang dapat
diterangkan oleh variasi X.
2
Atau sering diartikan bahwa koefisien determinasi R adalah persentase dari variabel tak
2
bebas Y yang dipengaruhi oleh variabel bebas X. Sisanya 1 -R yang menunjukkan
persentase dari variasi total atau variabel Y yang disebabkan oleh faktor lain diluar X atau
variabel selain X.
Dalam analisis keragaman atau uji F regresi di mana:
[2.39a]. JK regresi = JK Total -JK Galat atau
2
[2.41a]. F-hitung =
[2.41b]. F-hitung =
[2.41c]. F-hitung =
KT Re grasi
KT Galat
JK Re grasi /1
JK Galat /(n 2) (n
2) JK Re grasi
JK Galat
[2.42a]. F-hitung = 2
[2.42b]. F-hitung =
Kreteria pengujian nilai Fhitung
pengujian adalah:
(n 2) r JK Total
sehingga didapatkan
(1-r ) JK Total (n
2
2) r
2
(1-r )
sama seperti pengujian-pengujian di atas, sehingga kreteria
1).
Jika Fhit F(tabel 5%). Hal ini berarti bahwa garis regresi penduga () linier sederhana
yang didapat tersebut bukan garis regresi yang terbaik.
2).
Jika Fhit > F(tabel 5%). Hal ini berarti bahwa terdapat hubungan linier yang nyata (p =
0,05), bahwa terdapat pengaruh antara variabel X terhadap variabel tak bebas Y.
2.9
Pembicaraan mengenai perkiraan nilai populasi beta () pada persamaan [2.33] bertujuan
untuk mengetahui perkiraan nilai interval koefisien regresi populasi i baik b0 maupun b2.
Selanjutnya, yang diharapkan pada garis regresi penduga adalah: a) penaksiran atau
peramalan nilai rata-rata untuk nilai Xi tertentu yang telah diketaui yang
sering diberi simbul XY, dan b) penaksiran atau peramalan nilai individu Yapabila nilai Xi
tertentu yang telah diketaui.
Dalam penaksiran atau peramalan garis regresi membicarakan sejauh mana garis regresi
penduga yang telah didapat betul-betul dapat dipercaya sebagai penduga garis XY yang
terbaik.
Dengan demikian, dalam penaksiran diperlukan selang kepercayaan nilai yaitu sebesar 1
di mana adalah peluang kesalahan tipe I. Dalam perhitungan nilai selang kepercayaan
juga menggunakan dasar Analisis Ragam Regresi.
Suatu hal yang perlu diperhatikan di dalam penaksiran atau peramalan garis regresi adalah
terdapat dua buah nilai taksiran yang berada di sebelah-menyebelah garis regresi penduga ,
sehingga terdapat daerah atau range, yang umum disebut dengan selang kepercayaan
atau interval taksiran garis regresi penduga ; masing-masing taksiran tersebut adalah:
+ t(/2, n 2) S
1).Taksiran nilai rata-rata.
[2.43]. -t(/2, n 2) S XY + t(/2, n 2) S
YY
1 0)2X JK
(X
;
n X
n = jumlah penamatan atau sampel, JK X dan KT Galat Regresi dari Analisis Varians Regresi
X0= suatu nilai Xi yang telah diketahui atau ditentukan 2).Taksiran nilai individu
[2.44]. -t(/2, n 2) S Y
YY
S = KT Galat Regresi
1 )02X JK
(X
n X
Ada dua pengertian pokok yang harus dipahami dalam penaksiran atau pendugaan adalah:
1).Interpolasi.
2).Ekstrapolasi
Pengertian interpolasi adalah penaksiran atau peramalan nilai-nilai Y, jika harga-harga X i yang
dimasukan ke dalam persamaan regresi penduga = a + bX terletak di dalam daerah ruang
gerak X1 dan Xn hasil-hasil pengamatan atau dengan perkataan lain bahwa nilai Y yang
diduga di mana
nilai Xi terletak
X1 danatau
Xn. peramalan nilai Y, jika harga-harga X yang
Pengertian
ekstrapolasi
adalahantara
penaksiran
dimasukkan ke dalam persamaan regresi penduga = a + bX terletak di luar batas daerah
ruang X1 dan Xn hasil-hasil pengamatan atau dengan perkataan lain bahwa nilai Y yang
diramalkan terletak di luar nilai antara X1 dan Xn.
Timbul suatu pertanyaan apakah setelah didapatkan suatu garis regresi penduga =a
+ bX sudah betul-betul merupakan garis regresi yang terbaik untuk melakukan penaksiran
atau peramalan?
Tentu saja jawabannya belum tentu, sebab garis regresi penduga tersebut harus tahan uji dari
beberapa jenis pengujian garis regresi seperti yang telah diuraikan di atas.
JKY
= y = Y -(Y) /n = 18,908 2
(5,720) /15 = 2,4338
2
JK X
= x1 = X1 - (X) /n = 2183,330 2
(178,100) /15 = 68,6893
JHKXY = x1y = X1Y -X1 Y/n = 198,253 (178,100)(5,720)/15 = 11,6037
Selanjutnya, dilakukan perhitungan untuk mencari nilai b 0 dan b1 seperti berikut ini.
Nilai b1 adalah:
JHK XY
b1 =
JK X
=
11,6037
68,6893
Regresi, dan JK Galat Regresi dari data Tabel 2.4 di atas seperti berikut: 1). JK Total = y =
2
2). JK Regres
=b
JHK X
= (0,16893) (11,6037
= 1,9602
14
**
2,43384
= berpengaruh
sangat nyata pada p<0,01
Berdasarkan hasil analisis varians di atas ternyata bahwa Fhit > F(tabel 1%) atau dapat dikatakan
bahwa hipotesis nol ditolak, yang berarti bahwa terdapat pengaruh variabel bebas X yang
sangat nyata (p<0,01) terhadap variabel tak bebas Y.
= 0,277853
Untuk pengujian b
b
Sb
-0,95776
0,277853
= -3,4470 {Nilai t negatif sama dengan nilai positif (diambil harga mutlaknya)}.
0,16893
=
0,023030
= 7,335101
Berdasarkan hasil uji t ternyata bahwa nlai t hitung yang diperoleh dibandingkan dengan ttabel
atau t(5%, db galat = 13) yaitu sebesar 2,131 dan t(1%,13) = 2,947. Ternyata bahwa t-hitung > ttabel 1%
baik untuk nilai b0 maupun untuk b2. Ini berarti bahwa dari analisis tersebut H0 ditolak baik
untuk uji b0 maupun untuk uji b1
Sehingga, dapat dikatakan bahwa:
1).
Garis regresi penduga = -0,95776 + 0,16893 X tidak melalui titik 0,0 atau
titik acuan.
2).
Garis regresi penduga = -0,95776 + 0,16893 X tidak sejajar dengan sumbu
X, atau mempunyai slop sebesar 0,16893
Selanjutnya, dengan nilai salah baku koefisien regresi b0 dan b1 yang diperoleh; selain untuk
pengujian hipotesis, juga dapat dipakai pada perkiraan nilai interval koefisien regresi b0 dan b1
yang sering disebut dengan perkiraan nilai beta () populasi dengan rumus sebai berikut:
p{bi
Untuk perkiraan 0 dengan nilai salah baku Sb0 dengan = 5% dari data di atas didapatkan:
p {b0
Untuk perkiraan 1 dengan nilai salah baku Sb1 dengan = 5% dari data di atas didapatkan: p
{b1 -t(/2,n-2) Sb1 1 b1 + t(/2,n-2) Sb1} = 1- untuk b0 p {0,16893 -(2,131) (0,023030) 1
0,16893 + (2,131) (0,023030)} = 1- p {0,119176 1 0,21868} = 1 - Jadi perkiraan nilai 1
berkisar antara 0,119176 sampai dengan 0,21868
X
2
Y
2
6.0
r=
XY
(X ) (Y )
nn
2
Untuk perhitungan nilai r diperlukan hasil penjumlahan data pada Tabel 3.1 di atas
seperti:
2
Sehingga:
2183,330
198,53
r=
178,100)
(15,720)
(178,100) (15,720)
15 15
18,908
= 0,897
Dalam uji r untuk pengujian hipotesis maka:
H0: r = 0 (yang berarti bahwa tidak terdapat hubungan atau korelasi antara variabel X dengan
variabel Y)
H1 : r 0 (yang berarti bahwa terdapat hubungan atau korelasi antara variabel X dengan
variabel Y
Dalam uji r ini dialakukan pembandingan nilai koefisien korelasi r yang dihitung dengan r
tabel ditandai dengan rhitung rtabel.
Nilai r tabel = r(/2, n-2), dengan n = 15 maka: Nilai
r tabel 5% = r(5%, 13) = 0,514; dan Nilai r tabel 1% = r(1%,
13) = 0,642.
Jadi r hitung = 0,897 > r tabel 1% = 0,642. Hal ini dapat dikatakan bahwa tolak H0 yang berarti
bahwa terdapat hubungan atau korelasi yang sangat erat antara variabel X dengan variabel Y.
Selain, pengujian r seperti di atas; nilai r dapat pula diuji dengan uji t; dengan rumus
pengujian seperti berikut:
t-hitung = .
Sr =
(1 r )
(n 2)
Sr =
(1 0,897 )
(15 2)
= 0,13765 Sehingga:
Sr
r
t-hitung =
=
0,897
0,13765
= 6,51653
Berdasarkan hasil uji t, maka nilai thitung ttabel. Nilai ttabel atau t(5%, db galat = 13) yaitu sebesar
2,131 dan t(1%,13) = 2,947. Ternyata bahwa t-hitung > ttabel 1%. Hal ini dapat dikatakan bahwa
terdapat hubungan atau korelasi yang sangat erat antara variabel bebas X dengan variabel
tak bebas Y.
Sr
rdi atas, maka didapatkan koefisien determinasi R2 = (0,897)2 = 0,8054. Hal ini diartikan bahwa
80,54% variasi keragaman total Y atau variasi Y dapat diterangkan oleh variasi X, atau dapat
diartikan bahwa 80,54% dari variabel tak bebas Y dipengaruhi oleh variabel bebas X. Sisanya
2
1 -R = 19,46% dari variasi total Y dipengaruhi oleh faktor lain diluar X atau variabel selain X.
= -0,95776 + 0,16893 X =
-0,95776 + 0,16893 (10) =
0,73154
S=
_2)
1( X 0 X
n JKX
Ketentuan:
= 0,73154 JK X =
68,6893 KT Galat =
0,03643 n _ = 15 X =
11,873 X0 =10 t(5%, 13) =
2,131
S=
1(X 0 X _ )
2
n JKX
KT Galat Regresi
= 0,01377
Selanjutnya, taksiran nilai rata-rata XY: -t(/2, n 2) S XY + t(/2,
YY
n 2) S
dengan:
=X
= 10; maka
XY
untuk X0 = 10, seperti berikut: 0,76088. Untuk taksiran rata-rata nilai-nilai Xi yang lain dapat dihitung seperti cara di atas.
-t(/2, n 2) S
2). Sebagai contoh: taksiran nilai individu Y
-t(/2, n 2) S Y
YY
= -0,95776 + 0,16893 X =
-0,95776 + 0,16893 (10) =
0,73154
S=
1( X X _ )
2
Ketentuan:
= 0,73154 JK X =
68,6893 KT Galat =
0,03643 n = 15 X _ =
11,873 X0 =10 t(5%, 13) =
2,131
S=
1( X X _ )
2
1 (10 11,873)
= 0,03643 1
15 68,6893
KT Galat Regresi 1
= 0,01558
Selanjutnya, taksiran nilai individu:
-t(/2, n 2) S Y
YY
0,69835 Y
Jadi, taksiran individu untuk Xi = X0 = 10; maka Y
n JKX
n JKX
+ t(/2, n 2) S
KT Galat Regresi 1
XY
yang sangat sempit maka gambarnya
tiga garis
Y lo Y u lima garis seperti pada Tabel 2.6 di atas.
No. Xkelihatan
Y
XYyang
uppeseharusnya
0,65 lower r
0,7
wer pper
1 9,750
0,689 0,656 0,7220,653
0
26
2 10,50 0,75
0,8
0
0 0,816 0,794 0,8380,789 43
3 11,25 0,90
0,9
0
0 0,943 0,932 0,9530,924 61
4 12,60 1,15
1,1
1,171 1,159 1,1831,151
0
0
90
5 11,90 0,95
1,0
0
0 1,053 1,048 1,0571,036 69
6 15,20 1,75
1,6
0
0 1,610 1,558 1,6621,556 64
7 12,25 1,05
1,1
0
0 1,112 1,105 1,119 1,095 29
8 12,90 1,00
1,2
0
0 1,221 1,205 1,2381,199 44
9 14,30 1,70
1,4
0
0 1,458 1,420 1,4961,417 99
Keterangan : n = 15 (jumlah sampel) X =
1 variabel
13,25 1,25
1,3
bebas
X Y =1,259
variabel
tak bebas Y
1,281
1,3021,254
0 =0nilai penduga
0
dari Y XY = taksiran 07
1115,30
1,6
rata-rata1,80
dari 1,627
Y
1,574 1,6801,571
0
0
82
Y
Data pada Tabel 2.6 dapat digambar seperti pada gambar di bawah ini. Karena
perbedaan nilai antara XY dan Y
2,0
1,8
1,6
Ko
ns 1,4
um
si 1,2
da
gin 1,0
g
0,8
0,6
Hasil perhitungan
taksiran rata-rata dan individu nilai-nilai Xi yang lain dapat dilihat pada Tabel
2.6 di bawah ini.
0,4
0,2
6,0 8,0 10,0 12,0 14,0 16,0 Pendapatan
2.11
Jelaslah bahwa dari uraian di atas, pemakaian persamaan penduga = b0 + b1X, dapat
dipakai sebagai peramalan dari nilai-nilai Xi yang belum diketahui, atau untuk mencari nilai Y
apabila Xi telah ditentukan,
Di dalam penerapan praktis dari garis regresi penduga = -0,95776 + 0,16893 X dapat
dipakai untuk mengadakan peramalan atau penafsiran interpolasi dan ekstrapolasi
Nilai interpolasi adalah nilai taksiran atau nilai ramalan dari nilai-nilai Y, jika harga-harga X i
yang dimasukan ke dalam persamaan regresi penduga = -0,95776 + 0,16893 X terletak di
dalam daerah ruang gerak X1 dan Xn, seperti X = 10 maka nilai Y penduga = 0,73154; sebab
nilai Xi = 10 berada di dalam antara X1 dan Xn.
Nilai ekstrapolasi adalah nilai taksiran atau nilai ramalan dari nilai Y, jika harga-harga X i yang
dimasukkan ke dalam persamaan regresi penduga = -0,95776 + 0,16893 X terletak di luar
batas daerah ruang X1 dan Xn. seperti X = 7,5 dan X = 15; maka nilai Y penduga = 0,30922
X
minimum
dan Xsebab
maksimumnilai
.
dan
1,57615;
Xi = 7,5 dan Xi = 15 berada di luar
2.12
Contoh Hasil Output Komputer dengan Menggunakan
Solf-ware Execel
Perhitungan-perhitungan regresi seperti regresi linier sederhana di atas terdapat banyak
perangkat lunak yang dapt membantunya seperti Excel, Minitab, SPSS, Statistica, Sistat, dan
lain sebagainya.
Dalam hal ini akan diberikan contoh keluaran komputer dengan program Excel seperti pada
tabel berikut.
1 Summary Output Excel Table
2.7 Regression Statistics
Multiple R 0.8974 R Square
0.8054 Adjusted R Square
0.7904 Standard Error 0.1909
Observations 15
DB
SS
MS F
Signifi
cance
F
Regre 1 2.960 2.960 53.80 0.0000
ssion
2
2 37
Resid
0.473 0.036
13
ual
6
4
2.433
Total 14
8
Table 2.9 Parsial Regression
PCoefficients t
Low Upp Low Upp
Var
valu
Standart
Stat
er
er
er er
e
Error
95% 95% 99.0 99.0
% %
Inte 0.27785 0.00 -2.55803
rcep 0.957 -3.4470 433 -0.35750
0.12
t 76
-2.79474
079
0.168 0.02 7.33 0.00 0.119 0.21 0.099 0.23
e /()n p 1)
(n 1)
22
rumus: R _2 i 1 2 atau
R _ 1 (1R
yi /(n 1)
(n p 1)
Standard Error adalah sama dengan Salah Baku Y atau S =
KT Y
Y
Tabel 2.9
Parcial Regression
thitung bi =
; Sehinga nilai t-
Var adalah sama dengan variabel yang akan dijelaskan; dalam analisis ini adalah X.
Intercept sama dengan b0 jarak antara titik potong garis regresi penduga dengan titik acuan
(0,0).
Coefficients sama dengan bi dalam hal ini sama dengan b0 dan b2. Masing-masing b0 =
-0,95776 dan b1 = 0,16893.
Standart Error dalam Tabel 3 ini berbeda dengan Standart Error dari Tabel 2. Standart Error
di sini menunjukkan nilai yang sama dengan Sb0 dan Sb1 dalam pengujian b0 dan b1. Sebagai
contoh Standart Error untuk b0 (Sb0) = 0,27785 dan Standart Error untuk b1 (Sb1) = 0,02303.
hitung untuk masing-masing b0 = -3.44702 dan bi
t Stat sama dengan t-hitung untuk b0 dan b1 dengan rumus umum seperti:
b
b1 = 7.33510.
P-value adalah sama dengan nilai peluang dari nilai t-hitung. Dalam hal ini nilai t-hitung tidak
dibangingkan dengan t tabel seperti biasa. Akan tetapi, nilai P-value dibandingkan peluang (p)
standar yaitu 5% atau 1%. 1).
Untuk b0, maka
1).
Apabila nilai P-value (p = 0,05) mempunyai kesimpulan yang sama dengan
thit t(tabel 5%); hal ini berarti terima H 0 yang menyatakan bahwa garis regresi penduga ()
linier sederhana melalui titik acuan (0,0)
2).
Apabila nilai P-value < (p = 0,05) mempunyai kesimpulan yang sama dengan
thit > t(tabel 5%); hal ini berarti tolak H0 yang menyatakan bahwa garis regresi penduga ()
linier sederhana melalui tidak melalui titik acuan (0,0).
Untuk b1, maka
1).
Apabila nilai P-value (p = 0,05) mempunyai kesimpulan yang sama dengan
thit t(tabel 5%); hal ini berarti terima H 0 yang menyatakan bahwa garis regresi penduga ()
linier sederhana sejajar dengan sumbu X pada nilai b0.
2).
Apabila nilai P-value < (p = 0,05) mempunyai kesimpulan yang sama dengan
thit > t(tabel 5%); hal ini berarti tolak H0 yang menyatakan bahwa garis regresi penduga ()
linier sederhana melalui tidak sejajar dengan sumbu X dengan slop sama dengan b2.
Sebagai contoh dari hasil analisis tersebut di atas didapatkan nilai P-value untuk b 0 =
0.00433. Ini berarti tolak H0 karena P-value < 0,05, yang berarti bahwa garis regresi penduga
= -0,95776 + 0,16893 X; tidak melalui titik acuan (0,0).
Demikian juga didapatkan nilai P-value untuk b 1 = 0.00002. Ini berarti tolak H0 karena P-value
< 0,05, yang berarti bahwa garis regresi penduga = -0,95776 + 0,16893 X; adalah garis
regresi penduga tidak sejajar dengan sumbu X, arinya mempunyai slop atau kemiringan =
0,16893 dan sangat nyata.
dan b
dan
dengan rumus: p
-t
/2
sb
-t
/2
sb
= 1-
Nilai 95% atau 99% = 1- tergantung pada nilai yang dipakai 5% atau 1%.
Perkiraan nilai 0 berkisar antara -1,558029 sampai dengan -0,35750 untuk nilai = 5%;
dan antara -1,79474 sampai dengan -0,12079 untuk = 1%;
Perkiraan nilai 1 berkisar antara 0,119176 sampai dengan 0,21868 untuk = 5%; dan
antara 0,09956 sampai dengan 0,23830 untuk = 1%;
Perhatikan nilai Lower dan Upper, apabila nilai Lower dan Upper bersifat definit positif atau
definit negarif artinya baik Lower maupun Upper mempunyai tanda bilangan yang positif atau
negarif ( + , -) berarti dalam uji t-hitung b i menunjukkan signifikansi yang nyata pada taraf =
5% atau 1%.
Sebaliknya, apabila nilai Lower bertanda negarif dan Upper bertanda positif berarti
dalam uji t-hitung bi menunjukkan signifikansi yang tidak nyata pada taraf nilai = 5%
atau 1%.