S 2 = KT Galat Regresi 1 +
|
|
|
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 Y apabila 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:
1).Taksiran nilai rata-rata.
[2.43]. - t(/2, n 2) S
Y
o XY o + t(/2, n 2) S
Y
Di mana:
S adalah nilai salah baku dari penaksiran rata-rata dengan rumus:
Y
Y
+
_
( X 0 X ) 2
JK X
|
|
_
X = nilai 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].
Y Y
Di mana:
SY adalah nilai salah baku dari penaksiran individu dengan rumus:
Y
1
n
+
_
( X 0 X ) 2 |
JK X
.
JK X dan KT Galat Regresi dari Analisis Varians Regresi
n_ = jumlah penamatan atau sampel
X = nilai rata-rata Xi
X0 = suatu nilai Xi yang telah diketahui atau ditentukan.
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 Xi yang belum diketahui, atau untuk
mencari nilai Y apabila Xi telah ditentukan.
28
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 Xi
yang dimasukan ke dalam persamaan regresi penduga = a + bX terletak di dalam
daerah ruang gerak X1 dan Xn hasil-hasil pengamatan atau dengan perkataan lain
bahwa nilai Y yang diduga di mana nilai Xi terletak antara X1 dan Xn.
Pengertian ekstrapolasi adalah penaksiran atau peramalan nilai Y, jika harga-harga X
yang dimasukkan ke dalam persamaan regresi penduga = a + bX terletak di luar
batas daerah ruang X1 dan Xn hasil-hasil pengamatan atau dengan perkataan lain bahwa
nilai Y yang diramalkan terletak di luar nilai antara X1 dan Xn.
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 b0 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.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Jumlah
Rata2
X
9,750
10,500
11,250
12,600
11,900
15,200
12,250
12,900
14,300
13,250
15,300
8,900
10,600
7,500
11,900
178,100
11,873
Y
0,650
0,750
0,900
1,150
0,950
1,750
1,050
1,000
1,700
1,250
1,800
0,600
0,500
0,720
0,950
15,720
1,048
X2
95,063
110,250
126,563
158,760
141,610
231,040
150,063
166,410
204,490
175,563
234,090
79,210
112,360
56,250
141,610
2183,330
145,555
Y2
0,423
0,563
0,810
1,323
0,903
3,063
1,103
1,000
2,890
1,563
3,240
0,360
0,250
0,518
0,903
18,908
1,261
XY
6,338
7,875
10,125
14,490
11,305
26,600
12,863
12,900
24,310
16,563
27,540
5,340
5,300
5,400
11,305
198,253
13,217
29
PDF created with pdfFactory Pro trial version www.pdffactory.com
x1 = X1 - (X) /n
y
Y - (Y) /n
18,908 - (5,720) /15
Perhitungan JK-JHK dari data di atas seperti:
JK Y =
=
=
y2 = Y2 - (Y)2/n
18,908 - (5,720)2/15
2,4338
JK X
=
2 2 2
=
=
2183,330 - (178,100)2/15
68,6893
JHK XY
=
=
=
x1y = X1Y - X1 Y/n
198,253 - (178,100)(5,720)/15
11,6037
Selanjutnya, dilakukan perhitungan untuk mencari nilai b0 dan b1 seperti berikut ini.
Nilai b1 adalah:
b1 =
=
=
Nilai b0 adalah:
b0 =
=
=
JHK XY
JK X
11, 6037
68,6893
0,16893
Y - b1 X
1,048 - (0.16893) (11,873)
- 0,95776
Sehingga, persamaan peduganya menjadi:
=
=
b0 + b1 X
- 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).
2).
3).
Uji F atau uji ragam regresi atau uji varians regrsi;
Uji koefisien regresi atau uji terhadap bi atau uji t; dan
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 Regresi, dan JK Galat Regresi dari data Tabel 2.4 di atas seperti berikut:
1). JK Total =
=
=
=
2
2 2
2,43384
2
30
PDF created with pdfFactory Pro trial version www.pdffactory.com
= berpengaruh sangat nyata pada p<0,01
2). JK Regresi
=
=
=
b1 JHK XY
(0,16893) (11,6037)
1,96021
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
2). KT Galat Regresi =
=
=
JK Galat/ (DB Galat)
0,47363/13
0,03643
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
Sumber Derajat Jumlah Kuadrat F F tabel
Keragaman Bebas Kuadrat Tengah hitung 5% 1%
(SK) (DB) (JK) (KT)
Regresi 1 1,96021 1,96021 53,8037
**
4,67 9,07
Residual
Total
13
14
0,47363
2,43384
0,03643
-
Keterangan:
Jumlah sampel (n) = 15.
**
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
terhadap koefisien regresi b0 dan b1 dengan uji t seperti berikut.
pengujian
Secara umum uji t mempunyai rumus adalah t-hitung bi =
b i
S bi
Selanjutnya, dalam analisis regresi dua variabel nilai salah baku bi yang ditulis dengan
Sbi mempunyai persamaan seperti berikut.
Untuk pengujian b0 nilai salah baku Sb0 dari data di atas:
Sb0 =
=
=
KT Galat Re gresi X 2
n JK X
0,03643 2183,330
15 x 68,6893
0,277853
31
PDF created with pdfFactory Pro trial version www.pdffactory.com
Untuk pengujian b1 nilai salah baku Sb1 dari data di atas:
Sb1 =
=
KT Galat Re gresi
JK X
0,03643
68,6893
= 0,023030
Uji t terhadap nilai koefisien regresi b0:
t-hitung b0 =
=
b 0
S b 0
- 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 =
=
=
b1
S b1
0,16893
0,023030
7,335101
Berdasarkan hasil uji t ternyata bahwa nlai thitung 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).
2).
Garis regresi penduga = - 0,95776 + 0,16893 X tidak melalui titik 0,0
atau titik acuan.
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 o i o bi - t/2 sbi} = 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 o 0 o b0 + t(/2,n-2) Sb0} = 1-
p {- 0,95776 - (2,131) (0,277853) o 0 o - 0,95776 + (2,131) (0,277853)} = 1-
p { - 1,558029 o 0 o - 0,35750} = 1 -
32
PDF created with pdfFactory Pro trial version www.pdffactory.com
K
o
n
s
u
m
s
i
D
a
g
i
n
g
x
1
0
0
.
0
0
0
X 2 || Y 2 ||
X Y
Jadi perkiraan nilai 0 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 o 1 o b1 + t(/2,n-2) Sb1} = 1- untuk b0
p {0,16893 - (2,131) (0,023030) o 1 o 0,16893 + (2,131) (0,023030)} = 1-
p {0,119176 o 1 o 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:
2.0
1.8
1.6
1.4
1.2
1.0
0.8
0.6
0.4
0.2
Y = - 0,9578 + 0,1689 X
R2 = 80,54%
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 ) 2
n
X Y
n
|
.
( Y ) 2
n
|
.
Untuk perhitungan nilai r diperlukan hasil penjumlahan data pada Tabel 3.1 di atas
seperti:
X
2
=
=
178,100
2183,330
Y
2
=
=
15,720
18,908
XY = 198,253
33
PDF created with pdfFactory Pro trial version www.pdffactory.com
198,53
2183,330 || 18,908
.
||
.
Sehingga:
r
=
=
(178,100) 2 |
0,897
178,100) (15, 720)
15
15
(15,720) 2 |
15
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
=
r
Sr
.
Di mana Sr = salah baku r dengan rumus:
Sr
Sr
Sehingga:
=
=
=
(1 r2 )
(n 2)
(1 0,897 2 )
(15 2)
0,13765
t-hitung =
=
r
S r
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.
34
PDF created with pdfFactory Pro trial version www.pdffactory.com
Sisanya 1 - R = 19,46% dari variasi total Y dipengaruhi oleh faktor lain diluar X atau
1
KT Galat Regresi
|
|| dapat dihitung dengan:
KT Galat Regresi
( X 0 X ) 2 |
||
0,03643
(10 11,873) 2
|
||
Berdasarkan perhitungan koefisien korelasi r di 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.
2
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
Y
o XY o + t(/2, n 2) S ; dengan nilai menjadi:
Y
= - 0,95776 + 0,16893 X
= - 0,95776 + 0,16893 (10)
= 0,73154
S =
Y
n
+
_
( X 0 X ) 2
JK X
|
.
Ketentuan:
JK X
KT Galat
n_
X
X0
t(5%, 13)
=
=
=
=
=
=
=
0,73154
68,6893
0,03643
15
11,873
10
2,131
Berdasarkan ketentuan di atas maka nilai S dapat dihitung:
Y
S =
Y
1
n
+
_
JK X
|
.
=
1
15
+
_
68,6893
|
.
= 0,01377
Selanjutnya, taksiran nilai rata-rata XY:
- t(/2, n 2) S
Y
o XY o + t(/2, n 2) S
Y
0,73154 - (2,131) (0,0138) o XY o 0,73154 + (2,131) (0,0138)
0,7022 o XY o 0,76088
35
PDF created with pdfFactory Pro trial version www.pdffactory.com
Sebagai contoh: taksiran nilai individu Y untuk X0 = 10, seperti berikut:
- t(/2, n 2) S o Y o - t(/2, n 2) S
KT Galat Regresi 1 +
|
||
KT Galat Regresi 1 +
|
||
0,03643 1 +
|
||
o Y o
0,73154 - (2,131) (0,0138) o Y o 0,73154 + (2,131) (0,0138)
o Y o
Jadi, taksiran individu untuk Xi = X0 = 10; maka Y berkisar antara 0, 69835 sd 0,
Jadi, taksiran rata-rata untuk Xi = X0 = 10; maka XY berkisar
antara 0,7022 sd
0,76088.
di atas.
Untuk taksiran rata-rata nilai-nilai Xi yang lain dapat dihitung seperti cara
2).
Y Y
= - 0,95776 + 0,16893 X
= - 0,95776 + 0,16893 (10)
= 0,73154
SY =
1
n
+
_
( X 0 X ) 2
JK X
|
.
dapat dihitung dengan:
Ketentuan:
JK X
=
=
0,73154
68,6893
KT Galat = 0,03643
_n
X
X0
t(5%, 13)
=
=
=
=
15
11,873
10
2,131
Berdasarkan ketentuan di atas maka nilai SY dapat dihitung:
SY =
1
n
+
_
( X 0 X ) 2
JK X
|
.
=
1
15
+
(10 11,873) 2
68,6893
|
.
= 0,01558
Selanjutnya, taksiran nilai individu:
- t(/2, n 2)
SY
+ t(/2, n 2)
S Y
0,69835
0,76473
76473. Untuk taksiran individu nilai-nilai Xi yang lain dapat dihitung seperti cara di atas.
Hasil perhitungan taksiran rata-rata dan individu nilai-nilai Xi yang lain dapat dilihat pada
Tabel 2.6 di bawah ini.
36
PDF created with pdfFactory Pro trial version www.pdffactory.com
K
o
n
s
u
m
s
i
d
a
g
i
n
g
Y dari Nilai-nilai Xi
XY lower XY upper Y lower Y upper
Y
Tabel 2.6
Hasil Perhitungan Taksiran Rata-rata XY dan Taksiran Individu
No.
X
Y
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
9,750
10,500
11,250
12,600
11,900
15,200
12,250
12,900
14,300
13,250
15,300
8,900
10,600
7,500
11,900
0,650
0,750
0,900
1,150
0,950
1,750
1,050
1,000
1,700
1,250
1,800
0,600
0,500
0,720
0,950
0,689
0,816
0,943
1,171
1,053
1,610
1,112
1,221
1,458
1,281
1,627
0,546
0,833
0,309
1,053
0,656
0,794
0,932
1,159
1,048
1,558
1,105
1,205
1,420
1,259
1,574
0,499
0,813
0,241
1,048
0,722
0,838
0,953
1,183
1,057
1,662
1,119
1,238
1,496
1,302
1,680
0,592
0,853
0,377
1,057
0,653
0,789
0,924
1,151
1,036
1,556
1,095
1,199
1,417
1,254
1,571
0,497
0,807
0,239
1,036
0,726
0,843
0,961
1,190
1,069
1,664
1,129
1,244
1,499
1,307
1,682
0,595
0,858
0,379
1,069
Keterangan :
n
X
Y
=
=
=
=
15 (jumlah sampel)
variabel bebas X
variabel tak bebas Y
nilai penduga dari Y
XY = taksiran rata-rata dari Y
= taksiran individu dari Y
Data pada Tabel 2.6
dapat digambar seperti pada gambar di bawah ini.
Karena
perbedaan nilai antara XY dan Y yang sangat sempit maka gambarnya kelihatan tiga
garis yang seharusnya lima garis seperti pada Tabel 2.6 di atas.
2,0
1,8
1,6
1,4
1,2
1,0
0,8
0,6
0,4
0,2
6,0 8,0 10,0 12,0 14,0 16,0
Pendapatan
37
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
Xi 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 Xi
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 dan 1,57615; sebab nilai Xi = 7,5 dan Xi = 15 berada di luar
Xminimum dan Xmaksimum.
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
R Square
Adjusted R
Square
Standard Error
Observations
Table 2.8 ANOVA
0.8974
0.8054
0.7904
0.1909
15
SV
Regression
Residual
DB
1
13
SS
2.9602
0.4736
MS
2.9602
0.0364
F
53.8037
Significance F
0.0000
Total 14 2.4338
Table 2.9 Parsial Regression
Var Coefficients Standart t Stat P-value Lower Upper Lower Upper
Error 95% 95% 99.0% 99.0%
I ntercept - 0.95776 0.27785 - 3.4470 0.00433 - 2.55803 - 0.35750 - 2.79474 - 0.12079
X1
0.16893
0.02303 7.3351
0.00001 0.11918
0.21868
0.09956
0.23830
38
PDF created with pdfFactory Pro trial version www.pdffactory.com
y i /(n 1)
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.
R Square adalah sama dengan koefisien determinasi R2 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.
Adjusted R Square adalah sama dengan koefisien determinasi R2 terkoreksi dengan
_
simbul R 2 dan yang mengkoreksi adalah nilai Galat Regresi dan KT Total dengan
_
rumus: R 2 = 1
ei2 /(n p 1)
2
_
atau R 2 = 1 (1 R 2 )
(n 1)
(n p 1)
Standard Error adalah sama dengan Salah Baku Y atau SY =
KT Y
n
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
F-hitung 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 o 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 H0 yang menyatakan bahwa garis
regresi penduga () linier sederhana yang didapat tersebut adalah garis regresi
yang terbaik untuk menerangkan bahwa variabel bebas X berpengaruh sangat
nyata terhadap variabel tak bebas Y.
Sebagai contoh dari hasil analis tersebut di atas didapat nilai F = 53,8037 dengan
significance F = 0,0000. Ini berarti tolak H0 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).
39
PDF created with pdfFactory Pro trial version www.pdffactory.com
Tabel 2.9 Parcial Regression
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.
t Stat sama dengan t-hitung untuk b0 dan b1 dengan rumus umum seperti:
thitung bi =
bi
S bi
; Sehinga nilai t-hitung untuk masing-masing b0 = - 3.44702 dan
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 o t(tabel 5%); hal ini berarti terima H0 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 o t(tabel 5%); hal ini berarti terima H0 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
b0 = 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 b1 = 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.
40
PDF created with pdfFactory Pro trial version www.pdffactory.com
Lower dan Upper adalah sama dengan perkiraan nilai interval b0 dan b1 atau pendugaan
nilai 0 dan 1 dengan rumus: p {bi - t/2 sbi o i o bi - t/2 sbi} = 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 bi 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%.
41
PDF created with pdfFactory Pro trial version www.pdffactory.com