BAB I

PENDAHULUAN
Regresi adalah pengukur hubungan dua variabel atau lebih yang dinyatakan dengan
bentuk hubungan atau fungsi. Regresi atau peramalan adalah suatu proses memperkirakan
secara sistematis tentang apa yang paling mungkin terjadi di masa yang akan datang
berdasarkan informasi masa lalu dan sekarang yang dimiliki agar kesalahannya dapat
diperkecil. Regresi dapat juga diartikan sebagai usaha memperkirakan perubahan. Supaya
tidak salah paham bahwa peramalan tidak memberikan jawaban pasti tentang apa yang
akan terjadi, melainkan berusaha mencari pendekatan apa yang akan terjadi. Jadi, regresi
mengemukakan tentang keingintahuan apa yang terjadi di masa depan untuk memberikan
kontribusi menentukan keputusan yang terbaik.
Kegunaan regresi dalam penelitian salah satunya adalah untuk meramalkan atau
memprediksi variabek terikat (Y) apabila variabel bebas (X) diketahui.
Setiap analisi regresi pasti ada korelasinya, tetapi analisis korelasi belum tentu
dilanjutkan dengan analisis regresi. Analisis korelasi yang dilanjutkan dengan analisis
regresi yaitu apabila korelasi mempunyai hubungan kausal (sebab-akibat) atau akibat
fungsional. Untuk menetapkan dua variabel mempunyai hubungan kausal atau tidak, harus
didasarkan pada teori atau konsep-konsep tengtang dua variabel tersebut.
Terdapat perbedaan yang mendasar antara analisis korelasi dan regresi. Analisis
korelasi digunakan untuk mencari arah dan kuatnya hubungan antara dua variabel atau
lebih, baik hubungan yang bersifat simetris, kausal dan reciprocal, sedangkan analisi
regresi digunakan untuk memprediksikan seberapa jauh perubahan nilai variabel
dependen, bila nilai variabel independen di manipulasi/dirubah-rubah atau dinaik-
turunkan.
Kuatnya hubungan antar variabel yang dihasilkan dari analisis korelasi dapat
diketahui berdasarkan besar kecilnya koefisien korelasi yang harganya antara minus satu
(-1) sd plus satu (+). Koefisien korelasi yang mendekati minus 1 atau plus 1, berarti
hubungan variabel tersebut sempurna negatif atau sempurna positif. Bila koefisien korelasi
(r) tinggi, pada umumnya koefisien regresi (b) juga tinggi, sehingga daya prediktifnya
akan tinggi. Bila koefisien korelasi minus (-), maka pada umumnya koefisien regresi juga
minus (-) dan sebaliknya. Jadi antara korelasi dan regresi terdapat hubungan yang
fungsional sebagai alat untuk analisis.
Manfaat dari hasil analisis regresi adalah untuk membuat apakah naik dan
menurunnya variabel dependen dapat dilakukan melalui peningkatan variabel independen

1
 atau tidak. Sebagai contoh, naiknya jumlah penjualan dapat dilakukan melalui jumlah
iklan atau tidak.

Analisis Regresi bermanfaat untuk menghitung persamaan regresi linear

sederhana dan berganda, asosiasi statistik beserta scatter plot, diagnosa
colinearitas, harga prediksi dan residual.
Tujuan menggunakan analisis regresi ialah :
- Membuat estimasi rata-rata dan nilai variabel tergantung dengan didasarkan pada nilai
variabel bebas.
- Menguji hipotesis karakteristik dependensi
- Untuk meramalkan nilai rata-rata variabel bebas dengan didasarkan pada nilai variabel
bebas diluar jangkaun sample.

BAB II
PEMBAHASAN
Berdasarkan jumlah variabel bebas dan pangkat dari variabel bebas, analisa regresi terdiri
dari :

Regresi linear
sederhana

Regresi linear

Regresi linear
multipel
(berganda)
Regres
i Regresi non
linear sederhana

Regresi non
linear
Regresi non linear
multipel (berganda)

2.1 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).

2
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:
2.2 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).
2.3Regresi 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.
2.4 Regresi non linier dapat dibedakan menjadi:
1). Regresi polinomial ialah regresi dengan sebuah variabel bebas sebagai faktor
dengan pangkat terurut. Bentuk-bentuk fungsinya adalah sebagai berikut.
Y = a + bX + cX2 (fungsi kuadratik).
Y = a + bX + cX2 + bX3 (fungsi kubik)
Y = a + bX + cX2 + dX3 + eX4 (fungsi kuartik),
Y = a + bX + cX2 + dX3 + eX4 + fX5 (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
Y = a + bX + cX + dX3.
Dari contoh-contoh tersebut di atas perhatikan pangkat dari variabel bebas X.
2). Regresi hiperbola (fungsi resiprokal). Pada regresi hiperbola, di mana variabel

3
 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:
1/Y = a + bX atau
Y = a + b/X.
Selain itu, ada bentuk campuran seperti:
1/Y = a + bX + cX2, 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 fungsi eksponensial.
Regresi ini mempunyai bentuk fungsi: Y = a + bX.
4). Regresi eksponensial.
Regresi eksponensial ialah regresi di mana variabel bebas X berfungsi sebagai pangkat
atau eksponen. Bentuk fungsi regresi ini dalah:
Y = a ebX atau
Y = a 10bX
Modifikasi dari bentuk di atas adalah:
1/Y = a + becX, ini disebut kurva logistik atau "tipe umum dari model
pertumbuhan".
Modifikasinya juga seperti :
Y = e(a + b/X), disebut dengan transformasi logaritmik resiprokal, yang umum
disebut dengan model Gompertz.
5). Regresi logaritmik. 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:
eY = a + bX 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 + b sin dX + c cos dX.
Bentuk fungsi ini disebut kurva Faurier. Selain itu, ada lagi bentuk-bentuk yang lebih

4
 kompleks seperti:
Y = a + b sin X + c cos X + d sin2 X + e cos2 X +; dan seterusnya.
Regresi Linear 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.
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.
Dalam hal-hal tertentu, penentuan variabel bebas X dan variabel tak bebas Y sangat
mudah, tetapi kadang-kadang hal tersebut sangat sulit ditelusuri antara yang mana
variabel bebas X maupun yang mana variabel tak bebas Y. Apabila hubungan antara dua
variabel atau lebih bersifat kausal atau hubungan sebab-akibat, maka variabel yang
sebagai sebab merupakan variabel bebas atau variabel X dan akibat yang ditimbulkannya
menjadi variabel tak bebas atau variabel Y. Setelah jelas mana variabel X dan variabel Y,
maka selanjutnya perlu menentukan pola hubungan atau bentuk hubungan yang
dinyatakan dalam bentuk persamaan matematik yang menyatakan hubungan
fungsionalnya. Sehingga segala analisis statistika yang berkaitan dengan hal tersebut
dinamakan dengan analisis regresi.
Apakah beda antara analisis regresi dengan analisis-analisis yang lain ? Sebagai
contoh apa 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.
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

5
 variabel tak bebas Y didasarkan pada analisis korelasi. Jadi antara analisis korelasi dan
analisis regresi mempunyai kaitan yang sangat erat (akan dibicarakan di belakang).

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:
= a + bx
= (baca Y topi) variabel dependent/kriteria (yang diprediksikan)
a = konstanta (harga Y untuk X = 0)
b= angka arah (koefisien regresi) ; bila b positif (+), arah regresi naik dan bila b negatif (-),
arah regresi turun.
x = variabel independent (prediktor)

Harga a dan b dapat ditentukan dengan rumus :

s
b=r y dan a=Y b X
sx

r = koefisien korelasi product moment antara variabel X dengan variabel Y.

sy = simpangan baku variabel Y
sx = simpangan baku variabel X

H a dan b dapat pula ditentukan dengan rumus :

X
2

X2
n .
n XY X Y
b=
X
2

2
X
n .

a=
Y X 2 X XY

Sebagai ilustrasi hubungan antara variabel bebas X dan variabel tak bebas Y diberikan contoh
dari persamaan = a + bx yaitu pengaruh tingkat pendapatan dengan konsumsi makanan
bagi petani pedesaan, seperti pada berikut ini.

6
 Pengaruh Tingkat Pendapatan terhadap Konsumsi
Makanan Bagi Petani

Dari gambar contoh di bawah menunjukkan semakin tinggi pendapatan sampai Rp 225.000
maka komsumsi makanan semakin meningkat. Sehingga dari pasangan pasangan nilai X,Y
tersebut dapat dicari bentuk hubungan atau garis regresi antara variabel bebas Y atas variabel
tak bebas X yang dtulis dengan Y/X.
Dari Tabel di atas dapat dibuat garis regresi liniernya seperti Gambar berikut:

Model Linier Garis Regresi

Garis regresi linier sederhana

Sekarang bagaimana caranya membuat persamaan garis regresi linier sederhana
seperti Gambar di atas, yang mempunyai bentuk persamaan matematis: Y = A + BX.
Penentuan garis regresi antara variabel bebas X dengan variabel tak bebas Y, sering

7
 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.

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.
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.

8
 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).
Karena dalam suatu pendugaan nilai A dan B tidak dapat dihitung (belum diketahui
ilainya), biasanya ditaksir dengan nilai a dan b atau dengan nilai b0 dan b1; sehingga garis
regresi linier penduga mempunyai bentuk persamaan:

= b0 + b1 X untuk sampel
Jadi a dan b atau b0 dan b1 sebagai penaksir A dan B.
Hubungan antara nilai kesalahan e, dengan nilai penduga dan dengan nilai
pengamatan Yi dapat ditulis:
= b0 + b1 X dan Yi = + e atau
e = Yi -
Untuk sejumlah n pasangan pengamatan, maka penulisannya menjadi seperti:
ei = Yi - (b0 + b1 X)
Nilai e sebagai penduga nilai kesalahan E adalah kesalahan penggangu populasi dan e adalah
kesalahan penganggu sampel.
Nilai e dapat berharga positif bila nilai pengamatan Yi berada di atas garis penduga ; dapat
berharga negatif bila nilai pengamatan Yi berada di bawah garis penduga ; dan dapat pula
berharga nol bila nilai pengamatan Yi berada tepat pada garis penduga . Seperti yang
ditunjukkan pada Gambar 2.3 dengan menggambar scatter diagram dengan , Yi, dan ei.

Nilai Penduga , Nilai Pengamatan Yi, dan Nilai

Kesalahan Penganggu ei

9
 Pendekatan Garis Penduga Terbaik
Ada beberapa cara pendekatan matematika untuk mendapatkan garis regresi penduga
yang terbaik seperti:
1. Garis penduga menjadi garis regresi terbaik apabila jumlah semua kesalahan adalah
minimal ditulis dengan: ei = minimal atau ( Yi - ) = minimal. Sesuai dengan teori
aljabar maka akibatnya ei sama dengan nol (minimal), sebab nilai negatif mengkompen
nilai positif.
2. Garis penduga merupakan garis regresi yang terbaik, apabila jumlah harga mutlak dari ilai
kesalahan atau e adalah minimal. Cara ini lebih baik dari cara pertama sebab tidak
ada saling kompensasi antara nilai ei yang negatif dengan positif.
3. Garis penduga merupakan garis regresi yang terbaik, apabila jumlah pangkat dua (kuadrat)

nilai kesalahan-kesalahan (ei) adalah minimal atau ditulis dengan rumus: e 2i =0

Metode kuadrat terkecil (OLS = ordinary least squares)

Selain, hal-hal tersebut di atas, metode kuadrat terkecil mempunyai beberapa
kelebihan daripada metode-metode lain, diantaranya:
1). Dengan memakai nilai kuadrat, maka semua nilaidari kesalahan atau simpangan ei akan
berubah menjadi positif.
2). Dengan mengkuadratkan nilai kesalahan ei yang kecil (pecahan) maka akan diperkecil
mendekati nol, dan bila nilai ini diminiumkan; sehingga garis regresi penduga yang
dihasilkan akan mendekati ketepatannya, bila digunakan sebagai garis penduga.
3). Perhitungan matematis dari metode kuadrat terkecil cukup sederhana.
4). Selain teori kuadrat terkecil, ada suatu teori Maximum Like Lihood Estimation yang
kedua-duanya membuktikan bahwa meminimalkan kesalahan ei merupakan estimasi atau
penaksiran yang terbaik.
Suatu syarat penaksir garis atau garis penduga yang terbaik, di samping mempunyai
nilai ragam galat atau ragam kesalahan atau ragam residu atau ragam sisa yang terkecil, tetapi
harus memenuhi juga syarat-syarat yang lain yaitu:
1).Model regresi atau bentuk fungsi yang dipakai haruslah mendekati titik-titik pasangan
X,Y; dan harus betul-betul tepat atau cocok; hal ini akan dibicarakan pada uji kecocokan
garis regresi penduga.

10
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.
Manipulasi matematis dari metode kuadrat terkecil akan menghasilkan koefisien a
dan b. Perhatikan pertanyaan matematis yang ditulis kembali seperti:
ei = Yi

Pernyataan matematis di atas dapat dijabarkan menjadi:

= b0 + b1 X dan Y = + e sehingga ei = Yi - dapat ditulis:
Yi = b0i + b1i Xi + ei
Telah disebutkan di muka, bahwa garis regresi penduga terbaik, adalah garis regresi yang
mempunyai nilai ei2 minimal.
Secara matematis ei2 minimal dapat dinyatakan dengan teori defrensial bahwa turunan
pertama dari: ei2 terhadap b0 dan terhadap b1 haruslah sama dengan nol atau dapat ditulis:
ei2/ bi = 0.
Untuk memudahkan cara penulisan selanjutnya ei2 disamakan dengan G, jadi G = ei2.
Sehingga fungsi turunan e2 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.
Yi - b0 - b1 Xi = 0
Yi Xi - b0 Xi - b1 Xi2 = 0

INDEKS DETERMINASI
Dalam analisis regresi, koefisien korelasi yang dihitung tidak untuk diartikan sebagai
ukuran keeratan hubungan variabel bebas (X) dan variabel tidak bebas (Y), sebab dalam
analisis regresi asumsi normal bivariat tidak terpenuhi.

11
 Asumsi dalam analisis regresi berkaitan dengan distribusi probabilitas dari kekeliruan (e),
dalam hal ini variabel acak (e) diasumsikan berdistribusi normal. Dalam analisis regresi,
variabel bebas (X) merupakan fixed variable, sedangkan variabel bebas (Y) merupakan
variabel acak, sehingga uji kenormalan dalam analisis regresi dapat dilakukan terhadap Y,
mengingat e adalah variabel acak yang unobservable. Jadi dalam analisis regresi, asumsi
distribusi normal berkaitan dengan variabel acak Y semata-mata, sehingga asumsi
kenormalan merupakan distribusi normal univariat.
Untuk itu, dalam analisis regresi agar koefisien korelasi yang diperoleh diartikan dalam

R 2xy (r xy ) 2
bentuk ukuran determinasi, yaitu hasil kuadrat dari koefisien korelasi:
Indeks determinasi yang diperoleh tersebut digunakan untuk menjelaskan persentase
variasi dalam variabel tidak bebas (Y) yang disebabkan oleh bervariasinya variabel bebas
(X). Hal ini untuk menunjukkan bahwa variasi dalam variabel tak bebas (Y) tidak semata-
mata disebabkan oleh bervariasinya variabel bebas (X), bisa saja variasi dalam variabel tak
bebas tersebut juga disebabkan oleh bervariasinya variabel bebas lainnya yang
mempengaruhi variabel tak bebas tetapi tidak dimasukkan dalam model persamaan
regresinya.

1. Pengujian Keberartian Koefisien Regresi Linear Sederhana dengan Uji-F

Hipotesis yang diuji untuk menguji keberartian koefisien regresi linear yaitu :
H0 : = 0 ( koefisien regresi tidak berarti/tidak nyata)
H : 0 (koefisien regresi berarti/nyata)
1

Untuk pengujian hipotesis ini menggunakan uji F dengan rumus :

RJK b S 2 b
Reg( ) Reg ( )
a
Fh = = 2 a
RJK s S s

RJK b
Reg ( )
a : rerata jumlah kuadrat regresi b/a (varians regresi b/a)
RJK s
: rerata jumlah kuadrat residu/sisa (varians residu/sisa)

Kriteria pengujian :
Terima H0 jika Fh Ftabel dan
Terima H0 jika Fh Ftabel

12
 Ftabel ditentukan dari tabel distribusi F untuk tertentu serta dk pembilang k = 1 dan

dk penyebut = n 2 (k = banyaknya variabel independent).

Untuk memudahkan perhitungan Fh, sajikan dalam tabel Ringkasan ANOVA seperti berikut :

Sumber Varian(SV) dk Jumlah Rerata Jumlah Fhitung Ftabel

Kuadrat (JK) kuadrat (RJK)
Total N - - -
Regresi (a) 1 JKReg(a) RJKreg(a)
RJK b F( 1 ,dk ,dk 2)
Regrasi (b|a) 1 JKReg(b!a) RJKReg(b!a) Reg( )
a
1

RJK s
Residu n-2 JKRes RJKRes

Tuna Cocok k-2 JK TC RJKTC

Kesalahan (error) n-k JK E RJKE

2. Pengujian Keberartian Koefisien Regresi Linear Sederhana dengan Uji-t

Pengujian dengan uji-t ini dapat dilakukan untuk uji satu pihak (baik pihak
kanan maupun kiri) dan dapat juga digunakan untuk uji hipotesis dua pihak.
Sehingga hipotesis statistic yang dapat diuji dengan uji-t, yaitu:

a. Uji hipotesis dua pihak

H0 : = 0

H1 : 0

b. Uji hipotesis satu pihak kanan

H0 : 0

H1 : < 0

13
Langkah-langkah pengujiannya yaitu :
a) Tentukan varian kekeliruan taksiran (varian error), dengan rumus:
s 2e = s 2y . x =
(Y iY^ i )
nk 1

Dan S b=
S 2y . x
( X i X )2

Atau dengan rumus :

n1 2 2 2
2
s 2e = S y . x = ( )
( s b s x )
n2 y

b.) Hitung kekeliruan baku koefisien regresi, dengan rumus :

2
Sy.x
S b=
( X i X )2

c.) Tentukan harga t hitung, dengan rumus :

b
t h=
sb

Atau, jika hipotesis menduga misalkan X berpengaruh P% terhadap Y, maka t

hitung ditentukan dengan rumus :

b p
t h=
sb

t tabel
d) Menentukan harga , yaitu didapat dari membaca tabel distribusi-t

untuk taraf signifikansi ( tertentu) dan dk = n-k-1. Dalam hal ini

n=banyaknya pasang data (sampel unit analisis) dan k=banyaknya variable
bebas.

e) Pengujian hipotesis
Pengujian hipotesis dilakukan dengan criteria:

14
 H0 th tt
- Terima jika | |< dan
H0 th tt
- Tolak jika | |>

f) Pengujian keberartian konstanta regresi (a)

Selain digunakan untuk pengujian keberartian koefisien regresi, uji-t juga

dapat digunakan untuk menguji keberartian konstanta regresi. Langkah-
langkah pengujian konstanta regresi secara prinsip hampir sama dengan
pengujian koefisien regresi, hanya bedanya yaitu pada: (1) rumusan
hipotesis, dan (2) rumus menentukan simpangan baku konstanta.

1. Hipotesis yang dapat diuji yaitu:

H 0 : a = 0 (tidak berarti/tidak nyata)

H 1 : a 0 (berarti/nyata)

2. Simpangan baku konstanta dihitung dengan rumus:

X i X 2


1 X 2
+
n
s 2e
s a=

t hitung
3. Harga ditentukan dengan rumus:
b
th
= sa

Atau, jika hipotesis menduga misalkan konstanta regresi adalah p%,

t hitung
maka ditentukan dengan rumus:
b p
th
= sa

t tabel ,
4. menentukan harga yaitu didapat dari membaca tabel distribusi-t

untuk taraf signifikansi ( tertentu) dan dk=n-k-1. Dalam hal ini

n=banyaknya pasang data (sampel unit analisis) dan k=banyaknya
variable bebas.
5. Pengujian hipotesis
Pengujian hipotesis dilakukan dengan kriteria:

15
 H0 th tt
- Terima jika | |< dan
H0 th tt
- Tolak jika | |>

Contoh Soal

1. Diadakan penelitian tentang pengaruh kompetensi kognitif matematika fungsi (X)

terhadap prestasi belajar matematika ekonomi (Y), denga sampel seperti yang
disajikan dalam table berikut
Tabel Data Kompetensi Kognitif Matematika Fungsi (X) Dan Hasil Belajar
Matematika Ekonomi (Y)

Responden Matematika Fungsi (X) Matematika Ekonomi (Y)

1 70 60
2 85 80
3 81 70
4 77 70
5 80 80
6 70 77
7 85 87
8 77 80
9 80 79
10 70 70

Jawaban
a. Membuat table pertolongan, menghitung regresi linear sederhana
Tabel Pertolongan Perhitungan Regresi Linear Sederhana

Res X Y X2 Y2 XY
1 70 60 4900 3600 4200
2 70 77 4900 5929 5390
3 70 70 4900 4900 4900
4 77 78 5929 6084 6006
5 77 80 5929 6400 6160
6 80 79 6400 6241 6320
7 80 80 6400 6400 6400
8 81 70 6561 4900 5670
9 85 80 7225 6400 6800
10 85 87 7225 7569 7395
775 761 60369 58423 59241

b. Menghitung konstanta dan koefisien arah regresi konstanta regresi yaitu:

16
 X



a=
n . x2
Y . x 2 X . XY

( 761 ) ( 60365 )(775)(59241)
a= (10 )( 60369 ) (775) = 9,47

Koefisien arah regresi yaitu:

X


2


b= x 2
n
n XY X . Y

( 10 )( 59241 )(775)(761)
b= ( 10 ) ( 60396 )(775)2 = 0,86

c. Menghitung jumlah kuadrat setiap sumber varians

Y


1) JKreg(a) = 2



2
(761)
= 10
= 57912,10
XY
X . Y
n
2) JKreg(bIa) =
b.
( 775 ) (761)
59241
= 1
0,8597.

= 0,8597.[5924158977,5]
= 226,53
3) JKres = Y 2JK reg (a )JK reg(bIa)

17
 = 5842357912,10226,53
= 284,37
d. Menentukan derajad kebebasan (dk) setiap sumber varian:
(1) dkreg(a) = 1
(2) dkreg(bIa) = k 1
(3) dkres(a) = n k 1
= 10 1 1
=8
e. Menghitung Rerata Jumlah Kuadrat atau varian dari sumber varian yang
diperlukan:
JK reg(a )
(1) RJKreg(a) = 1
57912,10
= 1
57912,10
JK reg(bIa)
(2) RJKreg(bIa) = 1
226,53
= 1
226,53
=
JK res
(3) RJKres = n2
284,37
= 102
35,55
=
f. Menghitung nilai Fhitung
RJK reg (bIa )
Fh = RJK res

226,53
= 35,55
6,37
=
g. Menemukan nilai Ftabel:
Untuk = 0,05
dk1 = 1 dan dk2 = 8
maka diperoleh nilai Ftabel = 5,32
h. Hipotesis yang di uji
H0 : = 0

18
 H1 : 0
Kriteria pengujian
Terima H0, jika Fh < Ft dan
Tolak H0, jika Fh > Ft dan
i. Pengujian hipotesis
Ternyata Fh > Ft 6,37 > 5,32 sehingga H 0 di tolak dan disimpulkan terdapat
pengaruh yang signifikan tensi kognitif matematika fungsi (X) terhadap prestasi
belajar matematika ekonomi (Y).
Regresi Linear Berganda
Jika dalam regresi linear sederhana hanya ada satu peubah bebas (X) yang
dihubungkan dengan peubah tidak bebas (Y) sedangkan dalam regresi linear berganda

X1 X2
ada beberapa variable bebas ( ), ( ) dan (Xn) yang merupakan bagian dari

analisis multivariat dengan tujuan untuk menduga besarnya koefisien regresi yang akan
menunjukan besarnya pengaruh beberapa variable bebas terhadap variable tidak bebas.
Dalam uji regresi berganda , seluruh variabel prediktor dimasukkan kedalam perhitungan
regresi secara serentak. Jadi, peneliti bisa menciptakan persamaan regresi guna
memprediksi variabel terikat dengan memasukkan , secara serentak serangkaian variabel
bebas. Persamaan regresi kemudian menghasilkan konstanta dan koefisien regresi bagi
masing-masing variabel bebas.
X1 X2
Jika terdapat dua variabel bebas ), ( ) serta variabel tidak bebas (Y)

maka persamaan regresi ganda diselesaikan dengan langkah-langkah sebagai berikut :

1. Menentukan skor deviasi ukuran deskriptif sebagai berikut :

X 1 2

n

a. 2
X 1
x 21=

X 2 2

n

b. 2
X 2
x 2=
2

19
 Y 2

n

c. 2
Y
y 2=

X1
( Y )


n
d.
X 1 Y
x 1 y =

X2
( Y )


n
e.
X 2 Y
x 2 y =

X1
( X 2 )


n
f.
X 1 X 2
x 1 x2 =

2. Menentukan koefisien-koefisien dan konstanta persamaan regresi ganda :
X1
a. Koefisien regresi
x 1 x2 2
( x 21 )( x 22 )
( x21 ) ( x1 y )( x 1 x 2 )( x 2 y )
b=
1

X2
b. Koefisien regresi

20
 x 1 x2 2
( x 21 )( x 22 )
( x22 ) ( x2 y )( x 1 x 2 )( x 1 y )
b=
2

c. Koefisien regresi ganda

a=
Y b X 1
n 1 [ ] [ ]
n
b2
n
X2

Harga-harga koefisien b1, b2 dan konstanta a dapat pula dicari dengan

menyelesaikan sistem persamaan berikut :

(i) x 1 y =b1 x 21+ b2 x 1 x2

(ii) x 2 y =b1 x 1 x 2+ b2 x22
(iii) a=Y b 1 X 1 b2 X 2

3.persamaan umum regresi ganda dengan dua variabel bebas dan satu variabel
tidak bebas sebagai berikut :

Y = a + b1X1+b2X2++bnXn
Y = variabel terikat
a = konstanta
b1,b2 = koefisien regresi
X1, X2 = variabel bebas

4. Menentukan jumlah kuadrat (JK) sumber varian yang diperlukan :

a. JKReg, yaitu jumlah kuadrat regresi ganda Y atas X1 dan X2, diperoleh dari

: JK g=b1 x 1 y+ b2 x2 y
b. JKRes, yaitu jumlah kuadrat Residu/sisa, diperoleh dari :
JKRe s = y2-JKRe g
5. Menentukan derrajat kebebasan (dk) sumber varian yang diperlukan, yaitu :
a. dkReg = k
b. dkRes = n-k-1
6. menentukan Rerata Jumlah Kuadrat (RJK) varian yang diperlukan :
JK
RJK g= Reg
a. dk g

21
 JK s
RJK s=
b. dk s

7. Menentukan harga F hitung dengan rumus :

RJK g ( JK g ) /k
Fh = =
RJK s ( JK s ) / ( nk1 )

8. Menentukan harga F tabel dan menguji hipotesis penelitian

Contoh soal

1. Data pengeluaran 10 rumah tangga, untuk pembelian barang tahan lama

perminggu(Y), pendapatan per minggu (X1), dan jumlah anggota keluarga (X2)
disajikan dalam tabel berikut. Jika suatu rumah tangga mempunyai pendapatan per
minggu (X1) Rp11.000,00 dan jumlah anggota keluarga (X 2) 8 orang, berapa uang
yang dikeluarkan untuk membeli barang-barang tahan lama tersebut.

Jawaban

22
 b0 n b1 X 1 b2 X 2 Y
b0 X 1 b1 X 1 b2 X 1 X 2 X 1Y
2

b0 X 2 b1 X 2 X 1 b2 X 2 X 2Y
2

10b0 60b1 40b2 170

60b0 406b1 267b2 1122
40b0 267b1 182b2 737
Persamaan normal adalah

b0 3,92; b1 2,50; b2 0,48

Y 3,92 2,50 X 1 0,48 X 2
Y 3,92 2,5011000 0,48 8
Y 31,42 3,83
Y 27500,08

23
 Jadi suatu rumah tangga dengan pendapatan per minggu Rp11.000,00 dan jumlah
anggota keluarga 8 orang, diperkirakan akan mengeluarkan Rp27.500,00 untuk pembelian
barang-barang tahan lama.

2. Seorang Manajer Pemasaran deterjen merek ATTACK ingin mengetahui apakah

Promosi dan
Harga berpengaruh terhadap keputusan konsumen membeli produk tersebut?
Hipotesis:
Ho : b1 = b2 = 0, Promosi dan Harga tidak berpengaruh signifikan terhadap keputusan
konsumen membeli deterjen merek ATTACK.
Ha : b1 b2 0, Promosi dan Harga berpengaruh signifikan terhadap keputusan
konsumen membeli deterjen merek ATTACK.

24
 170 = 10 a + 60 b1 + 40 b2 . (1)
1122 = 60 a + 406 b1 + 267 b2.. (2)
737 = 40 a +267 b1 + 182 b2 .. (3)

Persamaan (1) dikalikan 6, persamaan (2) dikalikan 1:

1020 = 60 a + 360 b1 + 240 b2
35163 = 60 a + 406 b1 + 267 b2 _
-102 = 0 a + -46 b1+ -27 b2
-102 = -46 b1-27 b2. . . . .. (4)
Persamaan (1) dikalikan 4, persamaan (3) dikalikan 1:
680 = 40 a + 240 b1 + 160 b2
737 = 40 a + 267 b1 + 182 b2 _
-57 = 0 a + -27 b1 + -22 b2
-57 = -27 b1 22 b2.. (5)
Persamaan (4) dikalikan 27, persamaan (5) dikalikan 46:
-2754 = -1242 b1 - 729 b2
-2622 = -1242 b1 - 1012 b2 _
-132 = 0 b1 + 283 b2
b2 = -132:283

25
 = -0,466
Harga b2 dimasukkan ke dalam salah satu persamaan (4) atau (5):
-102 = -46 b1- 27 (-0,466)
-102 = -46 b1+ 12,582
46 b1 = 114,582
b1 = 2,4909s
Harga b1 dan b2 dimasukkan ke dalam persamaan 1:
170 = 10 a + 60 (2,4909) + 40 (-0,466)
170 = 10 a + 149,454 18,640
10 a = 170 149,454 + 18,640
a = 39,186 : 10 = 3,9186
Jadi:
a = 3,9186
b1 = 2,4909
b2 = -0,466
Keterangan:
a = konstanta
b1 = koefisien regresi X1
b2 = koefisien regresi X2
Persamaan regresi:
Y = 3,9186 + 2,4909 X1 0,466 X2

26
 Asumsi-asumsi pada regresi linier berganda
Sama dengan semua asumsi pada regresi linier sederhana, dengan tambahan:

27
 Tidak ada hubungan linier sempurna di antara dua atau lebih peubah penjelas
(eksogen)
Dengan terpenuhinya asumsi maka penduga OLS akan bersifat:
Linier: fungsi linier dari peubah respons (endogen)
Tidak bias: nilai harapan penduga adalah nilai parameter
Konsisten: untuk n, penduga menuju nilai parameter yang sebenarnya, dan
ragam penduga 0
Ragam yang paling kecil di antara semua penduga yang mungkin
BLUE: Best Linear Unbiased Estimators

Goodness of Fit dari garis Regresi Berganda

R2 pada regresi linier sederhana tidak dapat dipakai untuk membandingkan dua model
dengan jumlah peubah eksogen yang berbeda.
Ketika jumlah peubah X ditambah:
Proporsi keragaman Y yang terjelaskan oleh X akan selalu meningkat.
R2 akan selalu meningkat seiring jumlah X, tanpa melihat penting tidaknya
penambahan X dalam model.
Digunakan adjusted R2,
Adjusted: disesuaikan terhadap jumlah peubah eksogen X yang digunakan
JK Regresi JK Galat
R2 1
JK Total JK Total

Dengan penyesuaian terhadap jumlah peubah eksogen

JK Galat/ n-k JK Galat n-1
adjusted R 2 1 1
JK Total/ n-1 JK Total n-k

Adjusted R2 dapat digunakan untuk memilih model mana yang terbaik berdasarkan
jumlah peubah eksogen yang dipakai.
Terbaik: Adjusted R2 1

Beberapa Uji Hipotesis Pada Regresi Berganda

Uji keberartian koefisien secara individu
Uji t (sama dengan uji t pada kasus regresi linier sederhana)
Uji keberartian koefisien secara simultan
Uji F
Uji linear restriction:
Uji hubungan linier antara dua atau lebih koefisien: uji F atau uji Wald
(pengembangan uji t)
Uji untuk penambahan atau pengurangan peubah eksogen
Uji F atau Uji chi square dengan Likelihood Ratio
Semua uji merupakan perbandingan dari unrestricted model (menggunakan semua
peubah eksogen) dan restricted model

28
 Jika perbedaan tidak nyata maka restriction tidak berarti secara statistik.
Model unrestricted lebih baik digunakan.
Uji F
Hipotesis nol: restricted model valid
Menduga restricted model dan unrestricted model
Memperoleh JK Galat untuk restricted model dan JK Galat untuk unrestricted model,
dan menghitung statistik uji F.
JKG R JKGU / kU k R
F ~ F k
JKG U / n kU U k R , n kU

JKGR: JK galat restricted model

JKGU: JK galat unrestricted model
kU: jumlah peubah eksogen (termasuk konstanta) pada unrestricted model
kR: jumlah peubah eksogen (termasuk konstanta) pada restricted model
Penggunaan uji F untuk Uji keberartian koefisien peubah X secara bersama-sama
Uji goodness fit secara keseluruhan
Pada dua model
Unrestricted: menggunakan semua peubah eksogen
Restricted: hanya menggunakan konstanta (super restricted model)
U : Yi 1 2 X 2i 3 X 3i 4 X 4i 5 X 5i ut R : Yi 1 ut H 0 : 2 3 4 5 0

Dari pendugaan masing-masing model diperoleh JKGU dan JKGR

kU =k= 5
kR = 1
Terdapat hubungan khusus untuk JKGR

R2 diperoleh dari model unrestricted.

Jika F nyata secara statistik (dari p value), maka terdapat cukup bukti untuk
mendukung keberartian model
Uji Chi-Square dengan Likelihood Ratio
Perbandingan likelihood dua model, restricted dan unrestricted
Unrestricted model: menggunakan semua peubah eksogen (sejumlah k)
Restricted model: terdapat beberapa peubah yang tidak digunakan atau
ditambahkan (sejumlah m)
Hipotesis nol: beberapa parameter bernilai nol
Menggunakan statistik uji chi-square:
LR 2 lR lu ~ m2

29
 Referensi

Riduwan. (2010). Metode & Teknik Menyusun Tesis. Alfabeta, Bandung

Subana dan Sudrajat. (2001). Dasar-Dasar Penelitian Ilmiah. CV Pustaka Setia, Bandung

Sugiyono. (2012). Statistika Untuk Penelitian. Alfabeta, Bandung

Sumargo, Chr. (1984). Pendahuluan Teori Kemungkinan dan Statistika. ITB.

Supardi, (2013). Aplikasi Statistika Dalam Penelitian. PT. Prima Ufuk Semesta, Jakarta
Selatan

Supranto. (1994). STATISTIK. Erlangga, Jakarta

Prof. DR. Sugiyono statistika untuk penelitian

Dr. Riduwan, M.B.A. Metode dan Teknik Menyusun Tesis

PENUTUP

30
 Penulisan tugas ini dikerjakan secara bersama-sama dalam kelompok 6 dengan cukup
teliti dan kompak. Penulisan ini juga dikerjakan untuk memenuhi tugas Statistika yang
diberikan.
Akhirnya kami sebagai tim penulis dan mahasiswa mengucap syukur kepada Dosen
Pembimbing kami, karena dengan tugas ini membuat kami dapat semakin tekun dan teliti
dalam pembelajaran di dunia kampus.
Sekian dan terimakasih.

31