BAB II.

REGRESI LINIER SEDERHANA

2.1 Pendahuluan
Gejala-gejala alam dan akibat atau faktor yang ditimbulkannya dapat diukur atau dinyatakan
dengan dua kategori yaitu fakta atau data yang bersifat kuantitatif dan fakta atau data yang
bersifat kualitatif.
Dalam pembicaraan ini akan diuraikan masalah regresi dan korelasi, sebagai pengukur
hubungan antara dua variabel atau lebih. Dalam pembicaraan regresi dan korelasi data yang
dianalisis harus bersifat kuantitatif atau terukur atau terhitung atau dapat dikuantitatifkan; jadi
sekurang-kurangnya data dengan skala interval. Data kuantitatif dapat dibedakan atas dua
macam yaitu: Data atau pernyataan yang bersifat bebas adalah pernyataan yang ditentukan
dengan mana suka atau bebas pilih. Pernyataan ini sering disebut dengan variabel bebas
atau variabel bebas atau variabel atau prediktor atau independent variable. Data atau
pernyataan yang tergantung atau terikat pada variabel bebas disebut dengan variabel tak
bebas atau variabel tergantung atau variabel tak bebas atau variabel endogen atau kreterium
atau dependent variable.
Apakah perlunya mempelajari regresi dan korelasi ?. Tujuan mempelajari regresi dan korelasi
adalah untuk menemukan atau mencari hubungan antarvariabel, sebagai dasar untuk dapat
dipakai melakukan penaksiran atau peramalan atau estimasi dari hubungan antarvariabel
tersebut.

2.2 Pengertian Regresi dan Korelasi

Telah dinyatakan dimuka bahwa regresi atau korelasi adalah metode yang dipakai untuk
mengukur hubungan antara dua variabel atau lebih. Kedua metode regresi maupun korelasi
sama-sama dipakai untuk mengukur derajat hubungan antarvariabel yang bersifat
korelasional atau bersifat keterpautan atau ketergantungan. Penggunaan regresi adalah
sebagai pengukur bentuk hubungan, dan korelasi adalah sebagai pengukur keeratan
hubungan antarvariabel.
Kedua cara pengukur hubungan tersebut mempunyai cara perhitungan dan syarat
penggunaannya masing-masing. Penjelasan mengenai perbedaan antara regresi dan korelasi
dalam pemakaiannya atau penerapannya terletak pada:

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.

PDF created with pdfFactory Pro trial version www.pdffactory.com

Perlu ditekankan bahwa penggunaan metode korelasi untuk mengukur hubungan

antarvariabel yang satu dengan variabel yang lain, hendaknya anrata variabel itu diharapkan
mempunyai kaitan atau relevansi. Jangan sekali-sekali menghubungkan atau
mengkorelasikan variabel-variabel yang sangat jauh atau mustahil atau relevansinya sangat
kecil.
Beberapa contoh penggunaan korelasi dan regresi seperti di bawah ini.
1). 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.

2.3 Macam-macam Regresi

Telah disebutkan di muka bahwa regresi adalah bentuk hubungan antara variabel bebas X
dengan variabel tak bebas Y, yang dinyatakan dalam bentuk fungsi matematis Y = f(X).
Sehingga persamaan regresi atau bentuk fungsi, sesuai dengan variabel bebas X yang
menyusunnya. Dengan demikian bentuk fungsi atau regresi dapat digolongkan menjadi
beberapa macam yaitu:

2.3.1 Regresi linier.

Regresi linier ialah bentuk hubungan di mana variabel bebas X maupun variabel tergantung Y
sebagai faktor yang berpangkat satu.
Regresi linier ini dibedakan menjadi:
1). Regresi linier sederhana dengan bentuk fungsi: Y = a + bX + e,
2). Regresi linier berganda dengan bentuk fungsi: Y = b0 + b1X1 + . . . + bpXp + e
Dari kedua fungsi di atas 1) dan 2); masing-masing berbentuk garis lurus (linier sederhana)
dan bidang datar (linier berganda).

2.3.2 Regresi non linier.

Regresi non linier ialah bentuk hubungan atau fungsi di mana variabel bebas X dan atau
variabel tak bebas Y dapat berfungsi sebagai faktor atau variabel dengan pangkat tertentu.
Selain itu, variabel bebas X dan atau variabel tak bebas Y dapat berfungsi sebagai penyebut
(fungsi pecahan), maupun variabel X dan atau variabel Y dapat berfungsi sebagai pangkat
fungsi eksponen = fungsi perpangkatan.

PDF created with pdfFactory Pro trial version www.pdffactory.com

Regresi non linier dapat dibedakan menjadi:

1). Regresi polinomial ialah regresi dengan sebuah variabel bebas sebagai faktor dengan
2

pangkat terurut. Bentuk-bentuk fungsinya adalah sebagai berikut. Y = a + bX + cX (fungsi

2

kuadratik). Y = a + bX + cX + bX (fungsi kubik) Y = a + bX + cX + dX + eX (fungsi kuartik),

Y = a + bX + cX + dX + eX + fX (fungsi kuinik), dan seterusnya. Selain bentuk fungsi di

atas, ada suatu bentuk lain dari fungsi kuadratik, yaitu dengan persamaan:

Y = a+bX + cX. bentuk ini dapat ditulis menjadi: Y = a + bX +

cX

(1/2)

, Sehingga, modifikasi dari fungsi kubik adalah: Y = a +

bX + cX

(1/2)

+ dX

(3/2)

, atau
3

Y = a+ bX +cX + dX . Dari contoh-contoh tersebut di atas perhatikan pangkat dari

variabel bebas X. 2). Regresi hiperbola (fungsi resiprokal). Pada regresi hiperbola, di mana
variabel
bebas X atau variabel tak bebas Y, dapat berfungsi sebagai penyebut sehingga regresi
ini disebut regresi dengan fungsi pecahan atau fungsi resiprok. Regresi ini mempunyai
bentuk fungsi seperti:
2

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

fungsi eksponensial. Regresi ini mempunyai bentuk fungsi: Y = a + b . 4). Regresi

eksponensial. Regresi eksponensial ialah regresi di mana variabel bebas X berfungsi sebagai
pangkat atau eksponen. Bentuk fungsi regresi ini dalah: Y = a e

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.

PDF created with pdfFactory Pro trial version www.pdffactory.com

5)

Regresi logaritmik

. Bentuk fungsi dari regresi adalah: di mana variabel bebas Y

berfungsi sebagai pangkat (eksponen) dan variabel bebas X mempunyai bentuk

perpangkatan.
Model regresi ini adalah:
Y

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

Y =a+ bsinX+ ccosX+ dsin X + ecos X +; danseterusnya.

2.4 K ore lasi

Pembicaraan mengenai keeratan hubungan atau korelasi yang diukur dengan tingkat atau
derajat keeratan hubungan. Tingkat atau derajat keeratan hubungan dapat diukur dengan
memakai, koefisien korelasi dengan simbul r untuk bubungan linier sederhana dan indeks
korelasi dengan simbul R untuk hubungan bukan linier sederhana. Koefisien korelasi r dipakai
hanya untuk menyatakan keeratan hubungan yang bersifat linier sederhana, sedangkan
indeks korelasi R untuk menyatakan keeratan hubungan dari bentuk-bentuk linier berganda
dan bentuk non linier. Indeks korelasi R sering disebut juga koefisien korelasi berganda.
Selain koefisien korelasi sederhana r, dan indeks korelasi R, terdapat juga modifikasi atau
fraksi dari R, yang disebut dengan koefisien korelasi parsiil, korelasi rank, korelasi serial, dan
korelasi biserial, korelasi kotingensi, dan korelasi kanonikal.
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.

2.5 Regresi Linier Sederhana

Telah dijelaskan di muka bahwa regresi adalah membicarakan bentuk hubungan atau fungsi
antara dua variabel atau lebih. Perlu ditekankan bahwa dalam bentuk hubungan tersebut
terdapat sebuah variabel tak bebas Y, dengan sekurang-kurangnya sebuah variabel bebas X.
Untuk mendapatkan bentuk hubungan yang sesuai antara variabel bebas X dengan variabel
tak bebas Y maka kedua variabel tersebut harus dinyatakan dalam nilai yang terukur atau
kuantitatif sekurang-kurangnya dengan skala interval.

PDF created with pdfFactory Pro trial version www.pdffactory.com

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).

2.5.1 Persamaan regresi linier sederhana

Bentuk hubungan yang paling sederhana antara variabel X dengan variabel Y adalah
berbentuk garis lurus atau berbentuk hubungan linier yang disebut dengan regresi linier
sederhana atau sering disebut regresi linier saja dengan persamaan matematikanya adalah
sebagai berikut:
[2.1]. Y = A+BX
Apabila A dan B mengambil nilai seperti: A = 0 dan B = 1,persamaan [2.1] akan menjadi:
[2.2]. Y= X
Persamaan [2.2] adalah suatu bentuk persamaan yang paling sederhana dari regresi linier
sederhana. Dari persamaan [2.1] A dan B disebut konstanta atau koefisien regresi linier
sederhana atau parameter garis regresi linier sederhana. A disebut intercept coefficient atau
intersep yaitu jarak titik asal atau titik acuan dengan titik potong garis regresi dengan sumbu
Y; dan B disebut slope coefficient atau slup yang menyatakan atau menunjukkan
kemiringan atau kecondongan garis regresi terhadap sumbu X. Dari persamaan garis regresi
[2.1] di atas, dalam hubungan tersebut terdapat satu variabel bebas X dan satu variabel tak
bebas Y.
Sebagai ilustrasi hubungan antara variabel bebas X dan variabel tak bebas Y diberikan
contoh dari persamaan [2.1] yaitu pengaruh tingkat pendapatan dengan konsumsi makanan
bagi petani pedesaan, seperti pada Tabel 2.1 berikut ini.

PDF created with pdfFactory Pro trial version www.pdffactory.com

100 125 150 175 200 225 250 Pendapatan (X)

Gambar 2.1. Model Linier Garis Regresi

2.5.2 Garis regresi linier sederhana

Sekarang bagaimana caranya membuat persamaan garis regresi linier sederhana seperti
Gambar 2.1 di atas, yang mempunyai bentuk persamaan matematis: Y = A + BX seperti pada
persamaan [2.1].
Penentuan garis regresi antara variabel bebas X dengan variabel tak bebas Y, sering disebut
regresi Y atas X ditulis dengan Y/x, yang mempunyai pengertian bahwa: setiap variabel bebas
X akan memberikan atau menghasilkan suatu nilai variabel tak bebas Y yang tertentu;
sehingga antara variabel X dan variabel Y yang tertentu akan menjadi pasangan-pasangan
tetap disebut dengan pasangan nilai X,Y. Setiap pasangan nilai X,Y merupakan hubungan
sebab (X) dan akibat (Y). Sejumlah pasangan antara nilai X,Y inilah yang akan menentukan
persamaan regresi yang dibuat sesuai dengan asumsi atau model yang digunakan.
Bagaimana persamaan regresi akan ditentukan jika hasil pengamatan atau yang berupa
pasangan-pasangan nilai pengamatan antara X,Y telah didapatkan.

PDF created with pdfFactory Pro trial version www.pdffactory.com

2.5.3

Penetuan garis regresi linier sederhana

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].

PDF created with pdfFactory Pro trial version www.pdffactory.com

Ko
ns
un
si

75
50
25

Gambar 2.2. Perhitungan = Y/X Secara Sederhana

2.6 Pendekatan Matematis Regresi Linier Sederhana

Adalah tidak mungkin untuk memperkirakan bentuk hubungan antara dua variabel atau lebih
tanpa diawali dengan membuat asumsi terlebih dahulu. Dalam beberapa hal dimungkinkan
untuk mengecek atau menguji asumsi atau hipotesis setelah bentuk hubungan itu
diperkirakan.
Suatu bentuk hubungan atau fungsi linier atau regresi linier di samping mudah
interprestasinya, juga dapat dipergunakan sebagai pendekatan bentuk hubungan yang bukan
linier (non linier) menjadi bentuk linier. Fungsi linier sama dengan persamaan linier atau model
linier atau regresi linier yang mempunyai bentuk hubungan atau bentuk fungsi: Y = A + BX.
Seperti pada persamaan [2.1] A dan B adalah konstanta, yaitu parameter yang digunakan. A
ialah: jarak titik acuan (0, 0) dengan perpotongan antara sumbu tegak Y dengan garis linier
atau besarnya nilai variabel Y, apabila nilai X= 0. A sering disebut intersep atau intercept
coefficient dan B ialah: koefisien arah adalah koefisien garis regresi yang sama dengan
tangen arah yang menunjukkan besarnya pengaruh perubahan X terhadap perubah Y yaitu
apabila variabel X naik atau turun atau berubah satu unit satuan X, maka variabel Y
bertambah atau menurun atau berubah sebanyak B kali. B sering disebut kemiringan atau
kecondongan garis regresi atau slope atau slope coefficient adalah tangen sudut yang
dibuat oleh garis regresi dengan sumbu X.
Perhatika Gambar 2.3 di bawah ini, yang menunjukkan garis-garis regresi linier dari beberapa
pengamatan.
Oleh karena dalam pembicaraan ini hendak berusaha mencari cara untuk menentukan
persamaan garis regresi linier sederhana yang baik atau yang terbaik. Untuk itu haruslah
terlebih dahulu mengetahui apa yang dimaksud dengan garis regresi yang baik. Suatu
pertanyaan yang berhubungan dengan hal tersebut di atas adalah: "Kapankah suatu garis
regresi dapat dikatakan sebagai garis regresi yang baik?".
Dengan demikian kembali ke Gambar 2.3 di atas yang manakah dari ketiga garis tersebut
termasuk garis regresi yang terbaik, yang dipakai untuk menghampiri titik-titik P,
Qda R.
ad gari
sel keti gar YP Y da Y
terte
n Apabil a s
ain ga is Q, PR, n QR
ntu
a
ya merup gari reg terb seba pengh titik- pasa
ng akan s resi aik gai ampir titik ngan
pengamatan Xi,Yi sebagai

PDF created with pdfFactory Pro trial version www.pdffactory.com

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.

PDF created with pdfFactory Pro trial version www.pdffactory.com

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.

2.7.2. Metode kuadrat terkecil (OLS = ordinary least squares)

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.

120 130 140 150 160

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.

PDF created with pdfFactory Pro trial version www.pdffactory.com

Manipulasi matematis dari metode kuadrat terkecil akan menghasilkan koefisien

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

Turunan e i atau G terhadap b0 menjadi:

Dari persamaan [2.11] turunannya menjadi: G/b0 = 2 (Yi- b0- b1 Xi)(-1) = 0 Turunan e

2
i

atau G terhadap b1 menjadi:

Dari persamaan [2.12] turunannya menjadi: G/b1 = 2 (Yi - b0- b1 Xi(- Xi) = 0 Perhatikan
faktor pengali yang berada dimuka tanda sama dengan (=). Apabila dari persamaanpersamaan [2.11] dan [2.12] diselesaikan dan diubah cara
penyajiannya, maka diperoleh persamaan-persamaan seperti:
[2.13]. Yi -b0-b1 Xi =0
2
[2.14]. Yi Xi -b0 Xi -b1 Xi = 0
Persamaan-persamaan [2.13] dan [2.14] di atas disebut dengan persamaan normal.
Persamaan (2.13) disebut dengan persamaan Normal 1.
Persamaan (2.14) disebut dengan persamaan Normal 2.
Perhatikan pengali dari setiap penaksir-penaksir yang berhubungan koefisien regresi seperti
b0 dan b1 Apabila syarat-syarat dalam meminimalkan G dipenuhi, maka sistem persamaan
normal dari [2.13] dan [2.14] dapat diselesaikan secara serentak untuk menentukan besarnya
nilai b0 dan b1 sebagai penaksir pangkat dua terkecil atau Least Squares Method bagi
parameter B0 dan B1.

PDF created with pdfFactory Pro trial version www.pdffactory.com

Biasanya, sistem persamaan normal [2.13], dan [2.14] dapat diselesaikan secara serentak
untuk mendapatkan nilai

dan

Oleh karena jumlah sampel =

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.

2.7.2 Perhitungan nilai koefisien regresi linier sederhana

Jika diperhatikan kembali sistem persaman normal dari persamaan [2.13] dan [2.14] dapat
dilihat keteraturan dari cara-cara penyelesaianya. Sehingga nilai b0 dan b1 dapat ditentukan
dengan perhitungan seperti berikut.
Dari persamaan [2.13] dapat ditentukan nilai b 0 yaitu dengan membagi persamaan tersebut
dengan jumlah pengamatan (n) sehingga didapatkan persamaan dengan penyelesaian
sebagai berikut:
[2.13]. Yi -b0-b1 Xi =0 (Persamaan Normal 1)
Yi /n -nb0 /n -b1 Xi/n = 0 atau
Y -b0-b1 X = 0 sehingga akhirnya menjadi:
[2.15]. b0 = Y -b1 X
Selanjutnya, dengan memasukkan persamaan [2.15] ke persamaan [2.14] di atas dapat
ditentukan besarnya nilai b2.
2

[2.16]. Yi Xi -b0 Xi -b1 Xi = 0 (Persamaan Normal 2)

2

[2.16a]. Yi Xi -( Y -b1 X ) Xi-b1 Xi = 0 atau dapat ditulis

2

[2.16b]. Yi Xi -(Yi/n-b1 Xi/n) Xi -b1 Xi = 0

Sebelum penyelesaian persamaan [2.16b] dengan modifikasi X dan Y menjadi persamaan
dengan huruf kecil dan perhatikan dengan teliti notasi perubah X dan Y yang ditulis dengan
huruf kecil x dan y pada persamaan-persamaan berikut ini.
Berikut ini diberikan hubungan antara X; Y dengan x; y:
[2.17]. x1 = (X1 -X1 ), x2= (X2 -X 2 ),dan y= (Y -Y )
2

[2.18a]. y = Y -(Y) /n disebut dengan JK Y

2

[2.18b]. x = X - (X) /n disebut dengan JK X

[2.18c]. xy = XY -X Y/n disebut dengan JHK XY
Dengan menggunakan persamaan [2.18a] sampai dengan persamaan [2.18c] maka
perhitungan nilai b1 pada persamaan [2.16b] maka didapatkan nilai b1 menjadi:

[2.19a]. b1 = 2 atau dengan menggunakan notasi lain nilai b1 menjadi:

x
JHK XY
[2.19b]. b1 = atau dengan menggunakan notasi lain nilai b1 menjadi:
JK X

[2.19c]. b1 =

XY

n
2

X Y

(X )

PDF created with pdfFactory Pro trial version www.pdffactory.com

Sehingga persamaan regresi penduga

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. Pengujian Garis Regresi Linier Sederhana

Pengujian garis regresi secara statistika dapat dilakukan dengan tiga cara yaitu: 1).
Uji ragam regresi atau uji F regresi 2). Uji koefisien regresi dengan uji-t 3). Uji r
garis regresi

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

Selanjutnya dari persamaan diatas didapatkan:

[2.23a] G = Syiei
[2.23b] G = Syi(yi -b1 xi) sehingga dapat menjadi:
2

[2.23c] G = Syiyi -b1 Syi xi Ingat : yiyi = yi = JKTotal = JKY

yixi = JHK YiXi = JHK XY b1 yi xi disebut dengan
JK Regresi = JK Reg.
Dari persamaan [2.23c] didapatkan bahwa JK Galat Regresi sama dengan JK Total dikurangi
dengan JK Regresi, di mana JK Total atau JK Y sudah dapat dihitung dari data pengamatan.

PDF created with pdfFactory Pro trial version www.pdffactory.com

Perhatikan Gambar 2.4, dan nilai-nilai

,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

PDF created with pdfFactory Pro trial version www.pdffactory.com

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

Total n1 yi = JK Total = JKY

n = jumlah sampel (pasangan pengamatan) dan p jumlah variabel bebas X.

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.

2.8.2 Uji keberartian koefisien regresi (b i) atau uji t

Pengujian yang dilakukan dengan uji F seperti cara tersebut di atas, dapat memberikan
petunjuk apakah setiap variabel X menunjukkan pengaruh atau hubungan yang nyata
terhadap variabel tak bebas Y. Jika uji F atau uji ragam regresi menunjukkan bahwa F hit >
F(tabel 5%) barulah dilanjutkan dengan uji t dan sebaliknya.
Modifikasi dari pengaruh variabel bebas X terhadap variabel tak bebas Y atu uji F, maka dapat
dilakukan dengan uji t atau uji koefisien regresi apabila uji F signifikan.
Secara umum uji t mempunyai rumus adalah:
[2.28]. t-hitung W =

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

PDF created with pdfFactory Pro trial version www.pdffactory.com

Dari persamaan [2.29] dalam menyederhakan penulisan salah baku koefisien regresi b

yang biasa ditulis dengan

(salah baku = standard error koefisien regresi

).

Perhitungan nilai

didasarkan pada ragam galat regresi atau KT Galat Regresi.

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

[2.30]. S e = KT Galat Regresi = JK Galat Regresi /(n-p-1)

Selanjutnya, dalam uji t nilai salah baku b i yang ditulis (Sbi) mempunyai persamaan seperti
berikut:
[2.31]. Sbi =
Untuk pengujian b0 nilai salah baku menjadi:
[2.32a]. Sb0 =
var b0

Untuk pengujian b1 nilai salah baku menjadi:

[2.32b]. Sb1 =

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 ().

PDF created with pdfFactory Pro trial version www.pdffactory.com

Rumus dari perkiraan nilai

adalah sebai berikut di bawah ini:

atau

[2.33a]. p {bi-t/2 Sbi i bi + t/2Sbi} = 1- atau

[2.33b]. p (bi t/2 Sbi Sbi) = 1-, dan untuk setiap b0 dan b1 seperti:
[2.34a]. p {b0 -t/2 Sb0 0 b0 + t/2Sb0} = 1- untuk b0
[2.34b]. p {b1 -t/2 Sb1 1 b1 + t/2Sb1} = 1- untuk b1

atau menggunakan notasi lain maka nilai r

2.8.3 Uji keeratan hubungan atau uji r

Pada uji-uji sebelum ini, seperti uji Ragam Regresi (uji F), uji Koefisien Regresi (uji t)
berdasarkan nilai Varians Galat Regresi. Sedangkan, pada uji keeratan hubungan selain
memakai Varians Galat Regresi juga memakai parameter tertentu yaitu koefisien korelasi atau
sering disebut dengan keeratan hubungan dengan simbul rxy atau ryx yang sering ditulis
dengan r saja.
Adapun rumus dari pada koefisien korelasi r adalah:
[2.35a]. rXY =

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

b1 JKX = JHKXY dan

X 2
= XY atau

PDF created with pdfFactory Pro trial version www.pdffactory.com

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

[2.36d] b1 JKX JKX = r JKX JKY atau Jadi: [2.36e] b1

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 )

transformasi ke nilai Z (di mana ZX = ) dan ZY= S) S, sehingga nilai

XY

SX = SY = 1; sehingga persamaan [2.36g] menjadi:

[2.36h] b1 = r
Yang jelas dalam uji r, apabila nilai koefisien regresinya (b1) negatif, maka nilai koefisien
korelasinya (r) juga negatif. Dalam uji r yang umum dialakukan adalah membandingkan nilai
JK X = r
JK Y atau Apabila kedua
dari persamaan: [2.36e] samasama dibagi dengan
n 1 maka

JKX
=r
n 1 [2.36f] b1

KT X = r KT Y atau

koefisien korelasi r yang

dihitung atau r hitung dengan r tabel. Nilai r tabel dapat dilihat pada tabel r yang susunannya
serupa dengan tabel t. rhitung rtabel (di mana rtabel = r(/2, n-2); n-2 = db Galat; dan = taraf
nyata )

ruas

PDF created with pdfFactory Pro trial version www.pdffactory.com

Berdasarkan hasil uji r ternyata bahwa kreteria pengujian nilai r

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

Modifikasi dari rumus r

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

PDF created with pdfFactory Pro trial version www.pdffactory.com

Yang lebih penting dalam pembicaraan hubungan antara koefisien korelasi

r;

koefisien regresi b

; atau dengan garis regresi penduga

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

[2.39b]. r JK Total = JK Total -JK Galat atau

2

[2.39c]. JK Galat = JK Total -r . JK Total atau

2

[2.39d]. JK Galat = (1 -r ) . JK Total

Sehingga JK Total dapat dihitung dari JK Galat dan r sepert :
JK GalatJK Re grasi
(1-r) r
Selanjutnya, dalam analisis keragaman regresi linier sederhana dan uji F di mana DB Regresi
= 1 dan DB Galat = n 2, sehingga Fhitung mempunyai rumus:
[2.40]. JK Total = 2 = 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

Masukan persamaan [2.40] ke dalam persamaan [2.41c] maka menghasilkan:

2

[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.

PDF created with pdfFactory Pro trial version www.pdffactory.com

2.9

Peramalan atau Prediksi Garis Regresi

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

Di mana: S adalah nilai salah baku dari penaksiran rata-rata dengan

rumus:
Y
_

1 0)2X JK
(X
;

n X

=S2 KT Galat Regresi

Y

= Xnilai rata-rata Xi.

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

Di mana: S adalah nilai salah baku dari penaksiran individu dengan

Y
rumus:

S = KT Galat Regresi

1 )02X JK
(X
n X

JK X dan KT Galat Regresi dari Analisis Varians Regresi

n _ = jumlah penamatan atau sampel
X = nilai rata-rata Xi
X0 = suatu nilai Xi yang telah diketahui atau ditentukan.

2.9.1 Interpolasi dan ekstrapolasi

Jelaslah bahwa dari uraian di atas, bahwa pemakaian persamaan penduga = a+bX, dapat
dipakai sebagai peramalan dari nilai-nilai X i yang belum diketahui, atau untuk mencari nilai Y
apabila Xi telah ditentukan.

PDF created with pdfFactory Pro trial version www.pdffactory.com

Di dalam penerapan praktis dari garis regresi penduga

= a + bX dipakai untuk mengadakan peramalan atau penafsiran, seperti disebutkan di atas.

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.

2.10 Aplikasi Regresi Linier Sederhana

Untuk dapat lebih memahami uraian teori di atas dan agar dapat menentukan nilai-nilai dalam
regresi penduga = b0 + b1X atau koefisien regresi yaitu nilai-nilai b 0 dan b1, maka diberikan
contoh olahan seperti di bawah ini, yang datanya terdiri dari satu variabel bebas X (prediktor)
yaitu nilai X dan satu variabel tak bebas Y yaitu nilai Y, dan datanya seperti pada Tabel 2.4.

2.10.1 Perhitungan JK-JHK dan penentuan koefisien regresi linier

sederhana b0 dan b1
Tabel 2.4. Perhitungan Regresi Dua Variabel yaitu Variabel X dan Variabel Y
No.
X
Y
X2
Y2
XY
1 9,750 0,650 95,063 0,423 6,338
2 10,500 0,750 110,250 0,563 7,875
3 11,250 0,900 126,563 0,810 10,12
5
4 12,600 1,150 158,760 1,323 14,49
0
5 11,900 0,950 141,610 0,903 11,30
5
6 15,200 1,750 231,040 3,063 26,60
0
7 12,250 1,050
12,86
150,063 1,103
3
8 12,900 1,000 166,410 1,000 12,90
0
9 14,300 1,700 204,490 2,890 24,31
0
10 13,250 1,250 175,563 1,563 16,56
3
11 15,300 1,800 234,090 3,240 27,54
0
12 8,900 0,600 79,210 0,360 5,340
13 10,600 0,500 112,360 0,250 5,300
14 7,500 0,720 56,250 0,518 5,400
15 11,900 0,950 141,610 0,903 11,30

PDF created with pdfFactory Pro trial version www.pdffactory.com

Perhitungan JK-JHK dari data di atas seperti:

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

= 0,16893 Nilai b0 adalah:

b0 = Y -b1 X = 1,048 -(0.16893) (11,873) = -0,95776 Sehingga, persamaan peduganya
menjadi: = b0 + b1X = -0,95776 + 0,16893 X Sehingga, dari persamaan peduga di atas
dapat diartikan bahwa setiap perubahan satu satuan X, maka akan menyebabkan terjadinya
perubahan Y sebesar 0,16893 satuan Y. Selanjutnya, dilakukan pengujian terhadap garis
regresi penduga. Dalam pengujian garis regresi penduga terdapat tiga macam uji yaitu: 1).
Uji F atau uji ragam regresi atau uji varians regrsi; 2). Uji koefisien regresi atau uji terhadap bi
atau uji t; dan 3). Uji koefisien korelasi atau uji r.

2.10.2 Pengujian garis regresi linier sederhana dengan uji F

Dalam Uji F atau uji Ragam Regresi atau uji Varians Regresi diperlukan nilai-nilai JK Total, JK
2

Regresi, dan JK Galat Regresi dari data Tabel 2.4 di atas seperti berikut: 1). JK Total = y =
2

Y -(Y) /n = 18,908 -(5,720) /15 = 2,43384

PDF created with pdfFactory Pro trial version www.pdffactory.com

2). JK Regres

=b

JHK X

= (0,16893) (11,6037

= 1,9602

3). JK Galat Regresi

= JK Total -JK Regresi =
2,43384 -2.96021 = 0.47363
Selanjutnya, dihitung nilai KT atau varians seperti:
1). KT Regresi = JK Regresi /(DB Regresi) =
1,96021/1 = 1,96021
bi
2). KT Galat Regresi
= JK Galat/ (DB Galat) =
0,47363/13 = 0,03643
bi Selanjutnya, dalam analisis regresi dua variabel nilai salah baku bi yang ditulis dengan Sbi mempunyai persamaan seperti
Setelah perhitungan JK Total, JK Regresi, JK Galat Regresi, KT Regresi, dan KT Galat
didapatkan, maka di lanjutkan dengan membuat Tabel Analisis Keragaman atau Tabel Analisis
Varians Regresi seperti pada Tabel 2.5 berikut.
Tabel 2.5. Bagan Sidik Ragam Regresi Dua Variabel
berikut.

Sumb Deraj Jumlah Kuadra F F

er
at Kuadrat
t
hitung tabel
Kerag Beba (JK) Tengah 53,803 5%
aman s 1,96021 (KT)
7** 1%
(SK) (DB)
1,9602
4,67
Regre 1
1
9,07
si
Resid
0,0364
13 Jumlah
0,47363
Keterangan:
sampel 3(n) = 15.
ual
Total

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.

2.10.3 Pengujian koefisien garis regresi linier sederhana dengan uji t

Setelah dilakukan pengujian dengan uji F maka selanjutnya, dilakukan pengujian terhadap
koefisien regresi b0 dan b1 dengan uji t seperti berikut.
Secara umum uji t mempunyai rumus adalah t-hitung bi =

Untuk pengujian b0 nilai salah baku Sb0 dari data di atas:

= 0,277853

PDF created with pdfFactory Pro trial version www.pdffactory.com

Untuk pengujian b

nilai salah baku Sb

dari data di atas:

= 0,023030 Uji t terhadap nilai koefisien

regresi b0:
t-hitung b0 = 0

b
Sb

-0,95776
0,277853

= -3,4470 {Nilai t negatif sama dengan nilai positif (diambil harga mutlaknya)}.

Selanjutnya, uji t terhadap nilai koefisien regresi b1:

t-hitung b1 = 1 Sb
b

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

-t/2 sbi i bi -t/2sbi} = 1- untuk masing-masing b0 dan b1 seperti:

Untuk perkiraan 0 dengan nilai salah baku Sb0 dengan = 5% dari data di atas didapatkan:
p {b0

-t(/2,n-2) Sb0 0 b0 + t(/2,n-2) Sb0} = 1-

p {-0,95776 -(2,131) (0,277853) 0 -0,95776 + (2,131) (0,277853)} = 1-

p { -1,558029 0 -0,35750} = 1 -

PDF created with pdfFactory Pro trial version www.pdffactory.com

Jadi perkiraan nilai

berkisar antara -1,558029 sampai dengan -0,35750

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

Berdasarkan perhitungan di atas maka dapat dibuat gambar Garis

Regresinya seperti berikut:

X
2
Y
2

6.0

8.0 10.0 12.0 14.0 16.0 Pendapatan Petani ( x 100. 000)

2.10.4 Pengujian garis regresi linier sederhana dengan uji r

Pada uji-uji sebelumnya seperti uji F dan uji t telah dilakukan. Selanjutnya, dilakukan uji r
produc moment dari Pearson dengan rumus seperti:

r=

XY

(X ) (Y )
nn
2

Untuk perhitungan nilai r diperlukan hasil penjumlahan data pada Tabel 3.1 di atas
seperti:
2

X = 178,100 Y = 15,720 X = 2183,330 Y = 18,908

XY = 198,253

PDF created with pdfFactory Pro trial version www.pdffactory.com

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 = .

Di mana Sr = salah baku r dengan rumus:

2

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

PDF created with pdfFactory Pro trial version www.pdffactory.com

Berdasarkan perhitungan koefisien korelasi

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.

2.10.5 Peramalan atau prediksi pada garis regresi

Dalam perhitungan taksiran atau ramalan garis regresi diperlukan selang kepercayaan yaitu
sebesar 1 , di mana = 5%, sehingga = 95%. Dengan menggunakan dasar perhitungan
analisis ragam regresi dan KT Galatnya seperti di atas didapatkan taksiran nilai rata-rata
seperti berikut ini.
1). Sebagai contoh: taksiran nilai rata-rata XY untuk X0 = 10, seperti berikut:
-t(/2, n 2) S XY + t(/2, n 2) S ; dengan nilai menjadi:
YY

= -0,95776 + 0,16893 X =
-0,95776 + 0,16893 (10) =
0,73154

KT Galat Regresi dapat dihitung

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

Berdasarkan ketentuan di atas maka nilai S dapat dihitung:

Y

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

0,73154 -(2,131) (0,0138) XY 0,73154 + (2,131) (0,0138) 0,7022

XY 0,76088

PDF created with pdfFactory Pro trial version www.pdffactory.com

dengan:

Jadi, taksiran rata-rata untuk X

=X

= 10; maka

XY

berkisar antara 0,7022 sd

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

Berdasarkan ketentuan di atas maka nilai S dapat dihitung:

Y

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

0,73154 -(2,131) (0,0138) Y

0

dapat dihitung dengan:

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

0,73154 + (2,131) (0,0138)

0,76473
berkisar antara 0, 69835 sd 0, 76473. Untuk taksiran individu nilai-nilai Xi yang lain dapat dihitung seperti cara di atas.

TabelHasil Perhitungan Taksiran Rata2.6 rata XY dan Taksiran Individu

Y dari Nilai-nilai Xi
= taksiran individu dari Y

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

PDF created with pdfFactory Pro trial version www.pdffactory.com

PDF created with pdfFactory Pro trial version www.pdffactory.com

2.11

Interpolasi dan ekstrapolasi

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

Table 2.8 ANOVA

SV

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

PDF created with pdfFactory Pro trial version www.pdffactory.com

Penjelasan tabel di atas seperti berikut:

Table 2.7 Regression Statistics

Multiple R adalah sama dengan koefisien korelasi r yang menunjukkan keeratan hubungan
antara variabel bebas X dengan variabel tak bebas Y yaitu sebesar 0,8974.
2

R Square adalah sama dengan koefisien determinasi R yang menunjukkan variasi

keragaman total Y yang dapat diterangkan oleh variasi variabel X, atau dapat diartikan bahwa
80,54% dari variabel tak bebas Y dipengaruhi oleh variabel bebas
X.
2

Adjusted R Square adalah sama dengan koefisien determinasi R terkoreksi dengan

simbul R_ dan yang mengkoreksi adalah nilai Galat Regresi dan KT Total dengan
2

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

Observations adalah sama dengan jumlah sampel = n

Table 2.8 ANOVA
Pada Tabel Anova adalah persis sama dengan Sidik Ragam Regresi. Di mana SV = Sumber
Variasi (SV) atau Sumber Keragaman (SK); DF = Degrees of Freesom atau = Derajat Bebas
(DB); SS = Sum of Squares atau = JK; MS = Means Squarwes atau KT; F = F-hitung.
Significance F adalah sama dengan nilai peluang dari nilai F-hitung. Dalam hal ini nilai Fhitung tidak dibangingkan dengan F tabel seperti biasa. Akan tetapi, nilai significance F
dibandingkan peluang (p) standar yaitu 5% dan 1%.
1).
Apabila nilai significance F (p = 0,05) mempunyai kesimpulan yang sama
dengan Fhit F(tabel 5%); hal ini berarti terima H0 yang menyatakan bahwa garis regresi
penduga () linier sederhana yang didapat tersebut bukan garis regresi yang terbaik.
Atau variabel bebas X tidak berpengaruh terhadap variabel tak bebas Y.
2).
Apabila nilai significance F < (p = 0,05) mempunyai kesimpulan yang sama
dengan Fhit > F(tabel 5%); hal ini berarti tolak H0 yang menyatakan bahwa garis regresi
penduga () linier sederhana yang didapat tersebut adalah garis regresi yang terbaik
untuk menerangkan bahwa variabel bebas X berpengaruh nyata terhadap variabel tak
bebas Y.
Apabila nilai signifikanse F < (p = 0,01) mempunyai kesimpulan yang sama dengan
Fhit > F(tabel 1%); hal ini berarti tolak H 0 yang menyatakan bahwa garis regresi
penduga () linier sederhana yang didapat tersebut adalah garis regresi yang
terbaik untuk menerangkan bahwa variabel bebas X berpengaruh sangat nyata
terhadap variabel tak bebas Y.
Sebagai contoh dari hasil analis tersebut di atas didapat nilai F = 53,8037 dengan
significance F = 0,0000. Ini berarti tolak H 0 yang menyatakan bahwa garis regresi
penduga = -0,95776 + 0,16893 X; adalah garis regresi yang terbaik untuk
menerangkan bahwa variabel bebas X (pendapatan petani) berpengaruh sangat nyata
terhadap variabel tak bebas Y (pengeluaran petani).

PDF created with pdfFactory Pro trial version www.pdffactory.com

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.

PDF created with pdfFactory Pro trial version www.pdffactory.com

Lower dan Upper

adalah sama dengan perkiraan nilai interval b

dan b

atau pendugaan nilai

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%.

PDF created with pdfFactory Pro trial version www.pdffactory.com