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:
1. 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.
Selain bentuk fungsi di atas, ada suatu bentuk lain dari fungsi kuadratik, yaitu dengan
persamaan:
Y = a + bX + cX. bentuk ini dapat ditulis menjadi:
(1/2)
Y = a + bX + cX ,
Sehingga, modifikasi dari fungsi kubik adalah:
(1/2) (3/2)
Y = a + bX + cX + dX , 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:
1/Y = a + bX atau
Y = a + b/X.
Selain itu, ada bentuk campuran seperti:
2
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 fungsi eksponensial.
X
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:
bX
Y = ae atau
bX
Y = a 10 .
Modifikasi dari bentuk di atas adalah:
cX
1/Y = a + be , ini disebut kurva logistik atau "tipe umum dari model
pertumbuhan".
Modifikasinya juga seperti :
(a + b/X)
Y = e , disebut dengan transformasi logaritmik resiprokal, yang umum
disebut dengan model Gompertz.
2.4 K o r e l a s i
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.
Apabila r dan R, jika dikuadratkan akan memberikan suatu nilai tertentu yaitu r2 atau R2
yang kadang-kadang nilai r2 atau R2 keduanya diberi simbul yang sama yaitu R2 atau D.
2
Kedua nilai 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.
10
11
175
150
125
Konsumsi (Y)
100
B
75
50
25 A
0
100 125 150 175 200 225 250
Pendapatan (X)
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.
12
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 = Y2 - 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].
13
Q
100
P Y = Y2-Y1
Konsunsi
75
X = X2 - X1 Y2
50
Y1
A
25
0
120 X1 140 X2 160
Pendapatan
14
100
Konsunsi
75
=+X
50
Q
25
P
0
120 140 160
Pendapatan
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 untuk populasi
[2.3c]. = 1 + 2 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.
15
[2.7b]. e = Yi -
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.
150
(+) e3
125
Konsumsi
100
75
e2 (-)
50
Y2
25 e1
(+
0
120 130 140 150 160
Pendapatan
16
17
Telah disebutkan di muka, bahwa garis regresi penduga terbaik, adalah garis regresi
2
yang 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
2
ditulis: ei / bi = 0.
Untuk memudahkan cara penulisan selanjutnya ei2 disamakan dengan G, jadi G = ei2.
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.
Turunan e2i atau G terhadap b0 menjadi:
Dari persamaan [2.11] turunannya menjadi: G/b0 = 2 (Yi - b0 - b1 Xi) (- 1) = 0
2
Turunan e 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 persamaan-persamaan [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.
18
[2.15]. b0 = Y - b1 X
19
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:
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.
20
150
125 * ei
Konsumsi
100 = b0 + bi X (Yi - Y )
( Y )
Y75
50
25
0
120 130 X
140 X i 150 160
Pendapatan
21
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.
22
=
KT Galat Re gresi
X 2
n JK X
Untuk pengujian b1 nilai salah baku menjadi:
KT Galat Re gresi
=
JK X
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 H0.
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 ().
23
JHK XY
[2.35b]. rXY = atau menggunakan notasi lain maka nilai r
JK X JK Y
menjadi:
X Y
XY
[2.35c]. rXY = n (n = jumlah sampel)
X 2 Y 2
( X )2 ( Y )2
n n
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]:
X Y
XY
[2.19c]. b1 = n atau
( X ) 2
X
2
b1 X 2 X Y
( X )2
= XY atau
n n
b1 JK X = JHK XY dan
24
X Y di mana
r = XY
n
Dari kesamaan kedua persamaan di atas [2.19] dan [2.356] dapat ditulis menjadi:
[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 = ) , sehingga nilai
SX SY
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 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 )
25
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 H0, yang berarti bahwa
terdapat hubungan atau korelasi antara variabel yang satu dengan
variabel yang lainnya.
Hubungan lain antara parameter r, b1, dan dengan garis regresi penduga dapat
dijabarkan kembali melalui persamaan: [2.35b] seperti berikut.
JHK XY
[2.35b]. rXY =
JK X JK Y
2 2
Modifikasi dari rumus r atau R adalah seperti berikut:
2 ( JHK XY ) ( JHK XY )
[2.38a]. r XY = atau
( JK X ) ( JK Y )
( JHK XY ) ( JHK XY ) ( JHK XY )
[2.38b]. r2XY = ingat: b1 =
( JK X ) ( JK Y ) ( JK X )
2 ( JHK XY )
[2.38c]. r XY = b1 ingat: JK Y = JK Total
( JK Y )
(b1 JHK XY )
[2.38d]. r2XY = ingat: b1 JHK XY = JK Regresi)
( JK Y )
2 JK Re gresi
[2.38e]. r XY = rumus di tas tersebut bersifat umum
( JK Total )
2
Jadi [2.38f]. JK regresi = r . JK Total
26
27
Di mana:
S adalah nilai salah baku dari penaksiran rata-rata dengan rumus:
Y
_
1 ( X 0 X )2 _
S 2 = KT Galat Regresi + ; X = nilai rata-rata Xi.
Y
n JK X
n = jumlah penamatan atau sampel, JK X dan KT Galat Regresi dari
Analisis Varians Regresi
X0 = suatu nilai Xi yang telah diketahui atau ditentukan
2).Taksiran nilai individu
[2.44]. - t(/2, n 2) S Y + t(/2, n 2) S
Y Y
Di mana:
S adalah nilai salah baku dari penaksiran individu dengan rumus:
Y
_
( X 0 X )2
1
S 2 = KT Galat Regresi 1 + +
Y
n 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.
28
29
Selanjutnya, dilakukan perhitungan untuk mencari nilai b0 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 + 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). 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.
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:
2
1). JK Total = y
2 2
= Y - (Y) /n
2
= 18,908 - (5,720) /15
= 2,43384
30
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.
KT Galat Re gresi X 2
Sb0 =
n JK X
0,03643 2183,330
=
15 x 68,6893
= 0,277853
31
KT Galat Re gresi
Sb1 =
JK X
0,03643
=
68,6893
= 0,023030
- 0,95776
=
0,277853
mutlaknya)}.
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). 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/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 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 -
32
1.8
Y = - 0,9578 + 0,1689 X
1.6 R2 = 80,54%
Konsumsi Daging x100.000
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 Petani ( x 100. 000)
33
= 0,897
(1 r 2 )
Sr =
(n 2)
(1 0,897 2 )
Sr =
(15 2)
= 0,13765
Sehingga:
r
t-hitung =
Sr
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
= - 0,95776 + 0,16893 X
= - 0,95776 + 0,16893 (10)
= 0,73154
_
1 (X0 X )
2
_
1 ( X 0 X )2
S = KT Galat Regresi +
Y
n JK X
1 _
(10 11,873) 2
=
0,03643 +
15 68,6893
= 0,01377
35
= - 0,95776 + 0,16893 X
= - 0,95776 + 0,16893 (10)
= 0,73154
_
1 ( X 0 X )2
S = KT Galat Regresi 1 + + dapat dihitung dengan:
Y
n JK X
Ketentuan:
= 0,73154
JK X = 68,6893
KT Galat = 0,03643
_n = 15
X = 11,873
X0 = 10
t(5%, 13) = 2,131
_
1 ( X 0 X )2
S = KT Galat Regresi 1 + +
Y
n JK X
(10 11,873) 2
0,03643 1 +
1
= +
15 68,6893
= 0,01558
0,73154 - (2,131) (0,0138) Y 0,73154 + (2,131) (0,0138)
0,69835 Y 0,76473
Jadi, taksiran individu untuk Xi = X0 = 10; maka Y berkisar antara 0, 69835 sd 0,
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
No. X Y
XY lower XY upper Y lower Y upper
1 9,750 0,650 0,689 0,656 0,722 0,653 0,726
2 10,500 0,750 0,816 0,794 0,838 0,789 0,843
3 11,250 0,900 0,943 0,932 0,953 0,924 0,961
4 12,600 1,150 1,171 1,159 1,183 1,151 1,190
5 11,900 0,950 1,053 1,048 1,057 1,036 1,069
6 15,200 1,750 1,610 1,558 1,662 1,556 1,664
7 12,250 1,050 1,112 1,105 1,119 1,095 1,129
8 12,900 1,000 1,221 1,205 1,238 1,199 1,244
9 14,300 1,700 1,458 1,420 1,496 1,417 1,499
10 13,250 1,250 1,281 1,259 1,302 1,254 1,307
11 15,300 1,800 1,627 1,574 1,680 1,571 1,682
12 8,900 0,600 0,546 0,499 0,592 0,497 0,595
13 10,600 0,500 0,833 0,813 0,853 0,807 0,858
14 7,500 0,720 0,309 0,241 0,377 0,239 0,379
15 11,900 0,950 1,053 1,048 1,057 1,036 1,069
Keterangan :
n = 15 (jumlah sampel)
X = variabel bebas X
Y = variabel tak bebas Y
= nilai penduga dari Y
XY = taksiran rata-rata dari Y
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
Konsumsi daging
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
SV DB SS MS F Significance F
Regression 1 2.9602 2.9602 53.8037 0.0000
Residual 13 0.4736 0.0364
Total 14 2.4338
38
KT Y
Standard Error adalah sama dengan Salah Baku Y atau SY =
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 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
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).
40
41