LAPORAN AKHIR

PRAKTIKUM ANALISIS REGRESI

KELOMPOK B

Disusun Oleh :

Nama : Aloisius Lusi Uran

NIM : 151061027

Program Studi : Statistika

JURUSAN STATISTIKA

FAKULTAS SAINS TERAPAN

INSTITUT SAINS &TEKNOLOGI AKPRIND

YOGYAKARTA

2016

i
 HALAMAN PENGESAHAN

1. Judul Laporan Akhir : Analais Regresi

2. Penyusun
a. Nama Lengkap : Aloisius Lusi Uran
b. N.I.M : 151.061.027
c. Jurusan : Statistika
d. Program Studi : Statistika
e. Jenjang :S-1
f. Fakultas : Sains Terapan

Kepala Laboratorium Yogyakarta,15 Desember 2016

Statistika dan Komputasi Praktikan

(Noviana Pratiwi S.Si, M.Sc) (Aloisius Lusi Uran)

NIK: 14.0386.703E NIM. 151.061.027

ii
 KATA PENGANTAR

Puji syukur atas rahmat dan anugerah Tuhan kepada penulis. Karena
atas penyertaan-Nya yang telah memberikan nikmat serta hidayah-Nya
terutama nikmat kesempatan, kesehatan sehingga penulis dapat
menyelesaikan laporan akhir praktikum mata kuliah ANALISIS
REGRESI .

Laporan ini mengkaji dan menganalisis masalah dengan metode

analisis Regresi Inferensi, analisis regresi non linier, metode analisis regresi
berganda, merupakan salah satu tugas mata kuliah Praktikum Komputasi
Statistika, di program studi Statistika, Jurusan Statistika, Fakultas Sains
Terapan, Institut Sains dan Teknologi AKPRIND Yogyakarta. Selanjutnya
penulis mengucapkan terima kasih yang sebesar-besarnya kepada :
1. Ibu Maria Titah Jatipaningrum, M.Si., M.Sc., selaku dosen pembimbing
mata Analisis Regresi, yang telah Memberikan pengarahan dalam
pemilihan materi.
2. Para asisten laboratorium Statistika dan Komputasi, selaku pembimbing
kegiatan praktikum Komputasi Statistika.
3. Teman-teman seperjuangan serta kepada segenap pihak yang telah
memberikan bimbingan serta arahan selama penulisan tugas akhir ini.
Akhirnya saya menyadari bahwa banyak terdapat kekurangan-
kekurangan dalam penulisan laporan ini, maka dari itu saya mengharapkan
kritik dan saran yang konstruktif dari para pembaca demi kesempurnaan
laporan ini.

Penulis

iii
 DAFTAR ISI

KATA PENGANTAR ................................................................................................................... iii

DAFTAR ISI .................................................................................................................................. iv
BAB I .............................................................................................................................................. 1
PENDAHULUAN .......................................................................................................................... 1
1.1 LATAR BELAKANG ........................................................................................................... 1
1.2 RUMUSAN MASALAH ...................................................................................................... 4
1.3 BATASAN MASALAH ....................................................................................................... 4
1.4 TUJUAN ............................................................................................................................... 5
1.5 MANFAAT ........................................................................................................................... 5
BAB II ............................................................................................................................................. 6
TINJAUAN PUSTAKA ................................................................................................................. 6
2.1 Analisis Regresi Inferensi...................................................................................................... 6
2.2 Analisis Regresi Non linear ................................................................................................. 10
2.3 Analisis Regresi Berganda .................................................................................................. 29
BAB III ......................................................................................................................................... 34
METODE PENELITIN ................................................................................................................. 34
3.1 Objek Penelitian .................................................................................................................. 34
3.2 Variabel Penelitian .............................................................................................................. 37
3.3 Metode Analisis Data .......................................................................................................... 38
BAB IV ......................................................................................................................................... 66
ANALISIS DAN PEMBAHASAN .............................................................................................. 66
BAB V........................................................................................................................................... 88
PENUTUP ..................................................................................................................................... 88
5.1 Kesimpulan .......................................................................................................................... 88
5.2 Saran .................................................................................................................................... 88
DAFTAR PUSTAKA......89
LAMPIRAN.................................................................................................90

iv
 BAB I

PENDAHULUAN

1.1. Latar Belakang

Statistika merupakan ilmu yang mempelajari tentang bagaimana

merencanakan, mengumpulkan, menganalisis, menginterpretasikan serta
memperesentasikan suatu data. Pemodelan statistika telah banyak digunakan
diberbagai bidang ilmu, seperti ilmu kedokteran, teknik, manajemen,
industri, bisnis, ekonomi dan hampir semua bidang yang mencakup
pengetahuan manusia. Penggunaan statistika dalam segala bidang ilmu dan
kehidupan manusia telah membuat maju peradaban dunia. Penelitian-
penelitian yang dilakukan dalam laboratorium maupun penelitian terapan
telah membawa perubahan dan kemajuan dunia. Tidak dapat dipungkiri
bahwa perkembangan Ilmu Pengetahuan dan Teknologi (IPTEK) sebagai
peran dari statistika (Widiyanto, 2013). Model dan analisis yang paling
dasar dan banyak digunakan adalah analisis distribusi peluang, yang
berhubungan dengan nilai dari variabel pokok dalam menentukan peluang
suatu kejadian.

Analisis regresi merupakan salah satu teknik analisis data dalam

statatistik yang sering kali digunakan untuk mengkaji hubungan antara
beberapa variabel dan meramal satu veriabel (Kutner, Nachtshein dan Neter,
2004). Istilah regresi pertama kali dikemaukakan oleh Sir Francis Galton
(1822-1911), seorang antropolog dan ahli meteorologiterkenal dari Inggris.
Dalam makalahnya yang berjudul Regression towards mediocrity in
hereditary stature yang dimuat dalam Journal of the Anthropological
Institute, volume 15, hal.246-263, tahun 1885. Dalam laporan ini analisis
yang digunakan adalah analisis regresi Inferensi/induktif, analisis regresi
non linear dan analisis regresi berganda.

1
 Analisis Regresi inferensi mencakup semua metode yang
berhubungan dengan analisis sebagian data (contoh) atau juga sering disebut
dengan sampel untuk kemudian sampai pada peramalan atau penarikan
kesimpulan mengenai keseluruhan data induknya (populasi). Dalam anlisis
inferensi diadakan pendugaan parameter, membuat hipotesis, serta
melakukan pengujian hipotesis tersebut sehingga sampai pada kesimpulan
yang berlaku umum. Metode ini disebut juga analisis regresi induktif,
karena kesimpulan yang ditarik didasarkan pada informasi dari sebagian
data saja. Pengambilan kesimpulan dari analisis regresi inferensi yang hanya
didasarkan pada sebagian data saja sebagian data saja menyebabkan sifat tak
pasti, memungkinkan terjadi kesalahan dalam pengambilan
keputusan, sehingga pengetahuan mengenai teori peluang mutlak
diperlukan dalam melakukan metode-metode analisis regresi inferensi.
Analisis regresi inferensi digunakan dalam proses mengambil
keputusan dalam menghadapi ketidakpastian dan perubahan. Contoh
ketidakpastian adalah kuat tekan beton dalam suatu pengujian tidak sama,
walaupun dibuat dengan material yang sama. Dengan adanya kenyataan
tersebut, maka metode statitsik digunakan untuk menganalisis data dari
suatu proses pembuatan beton tersebut sehingga diperoleh kualitas yang
lebih baik. Analisis regresi inferensi telah menghasilkan banyak metode
analitis yang digunakan untuk menganalisis data. Dengan perkataan lain
analisis regresi inferensi tidak hanya mengumpulan data, tetapi juga
mengambil kesimpulan dari suatu sistem saintifik.
Analisis regresi non linear adalah suatu metode untuk mendapatkan
model linear yang menyatakan hubungan variable dependen (Y) dan
independen (X). Tidak seperti regresi linear, yang dibatasi oleh waktu
menaksir/ meramal, analisis regresi non linear dapat mengistemasi model
hubungan variable dependen dan independen dalam bentuk non linear
dengan keakuratan yang baik.

2
 Untuk regresi non linear, regresi yang melibatkan satu peubah tak
bebas (Y) dan satu peubah bebas (X), kelinearan = + diyakinkan
melalui pengujian hipotesis jika hipotesis linear diterima, kita yakin hingga
tingkat keyakinan tertentu, bahwa regresi itu bentuknya linear tidak
diragukan. Namun, apabila ternyata hipoteis linear ditolak, maka regresi
linear tidak cocok untuk digunakan dalam mengambil kesimpulan dan
karenanya perlu meningkat pada pencarian regresi non linear atau lengkung.
Untuk mengetahui hubungan antara beberapa variabel analisis yang
digunakan adalah regresi linier berganda
Dalam uji analisis regresi linear berganda terlebih dahulu peneliti
menentukan satu variabel yang disebut dengan variabel tidak bebas dan satu
atau lebih variabel bebas. Jika ingin dikaji hubungan atau pengaruh satu
variabel bebas terhadap variabel tak bebas, maka model regresi yang
digunakan dalah model regresi linier sederhana. Kemudian jika ingin dikaji
hubungan atau pengaruh dua atau lebih veriabel bebas terhadap variabel tak
bebas, maka model regresi yang digunakan adalah model regresi linier
berganda. Kemudian untuk mendapatkan model regresi linier sederhana
maupun model regresi linier berganda dapat diperoleh dengan melakukan
estimasi terhadap peremeter-peremeternya menggunakan metode tertentu.
Adaapun metode yang dapat digunakan untuk mengestimasikan peremeter
model regresi linier sederhana maupun model regresi linier berganda adalah
dengan metode kuadrat terkecil. Dalam analisis model regrsi linier begranda
syarat yang harus terpenuhi adalah uji asumsi klasik yang terdiri dari uji
normalitas, uji heteroskedatisitas, uji multikolinearitas dan uji autokorelasi.

3
1.2. Rumusan Masalah

Berdasarkan latar belakang permasalahan di atas kita dapat membuat

rumusan masalahnya sebagai berikut :

1. Dengan menggunakan analisis regresi inferensi dan pada tingkat

signifikansi 5 % (persen) apakah terdapat perbedaan penjualan mobil
AVANZA di kabupeten Bantul sebelum dan sesudah kenaikan harga
BBM ?
2. Dengan menggunakan model regresi non linear dan pada tingkat
signifikansi 5 % (persen) apakah produksi total bakteri asam laktat sosis
probiotik (log cfu/g) berdasarkan lama penyimpanan (hari) ?
3. Dengan menggunakan model analisis regresi berganda dan pada tingkat
signifikansi 5 % (persen) apakah begaimana jumlah penduduk dapat
dipengaruhi oleh kelahiran dan kematian di daerah Jawa Tengah ?

1.3. Batasan Masalah

Pada laporan akhir praktikum komputasi statstika ini penulis

mambatasi permasalahan yang dibahas pada :

1. Analisis regresi inferensi dan pada tingkat signifikansi 5 % (persen)

untuk membuktikan apakah terdapat perbedaan penjualan mobil
AVANZA di kabupeten Bantul sebelum dan sesudah kenaikan harga
BBM.
2. Analisis regresi non linear dan pada tingkat signifikansi 5 % (persen)
untuk mengetahui produksi total bakteri asam laktat sosis probiotik (log
cfu/g) berdasarkan lama penyimpanan (hari).
3. Analisis regresi berganda dan pada tingkat signifikansi 5 % (persen)
untuk membuktikan apakah begaimana jumlah penduduk dapat
dipengaruhi oleh kelahiran dan kematian di daerah Jawa Tengah.

4
1.4. Tujuan
1. Dengan menggunakan analisis regresi inferensi dan pada tingkat
signifikansi 5 % (persen) untuk membuktikan apakah terdapat
perbedaan penjualan mobil AVANZA di kabupeten Bantul sebelum dan
sesudah kenaikan harga BBM.
2. Dengan menggunakan model regresi non linear dan pada tingkat
signifikansi 5 % (persen) untuk mengetahui produksi total bakteri asam
laktat sosis probiotik (log cfu/g) berdasarkan lama penyimpanan (hari).
3. Dengan menggunakan model regresi linear berganda dan pada tingkat
signifikansi 5 % (persen) untuk membuktikan begaimana jumlah
penduduk dapat dipengaruhi oleh kelahiran dan kematian di daerah
Jawa Tengah.

1.5. Manfaat
1. Untuk memberikan informasi dan pengetahuan menganai apakah
Dengan menggunakan analisis regresi inferensi dan pada tingkat
signifikansi 5 % (persen) untuk membuktikan apakah terdapat
perbedaan penjualan mobil AVANZA di kabupeten Bantul sebelum dan
sesudah kenaikan harga BBM.
2. Untuk memberikan informasi dan pengatuhan menganai apakah
Dengan menggunakan model regresi non linear dan pada tingkat
signifikansi 5 % (persen) untuk mengetahui produksi total bakteri asam
laktat sosis probiotik (log cfu/g) berdasarkan lama penyimpanan (hari).
3. Untuk memberikan informasi dan pengetahuan menganai apakah
Dengan menggunakan model regresi linear berganda dan pada tingkat
signifikansi 5 % (persen) untuk membuktikan begaimana jumlah
penduduk dapat dipengaruhi oleh kelahiran dan kematian di daerah
Jawa Tengah.

5
 BAB II
TINJAUAN PUSTAKA

2.1. Analisis Regresi Inferensi

Analisis regresi inferensi adalah teknik analisis data yang digunakan

untuk menentukan sejauh mana kesamaan antara hasil yang diperoleh dari
suatu sampel dengan hasil yang akan didapat pada populasi secara
keseluruhan. Jadi analisis regresi inferensi membantu peneliti untuk mencari
tahu apakah hasil yang diperoleh dari suatu sampel dapat digeneralisasi pada
populasi.[1] Sejalan dengan pengertian analisis regresi inferensi menurut
Creswell, Muhammad Nisfiannoor berpendapat bahwa analisis regresi
inferensi adalah metode yang berhubungan dengan analisis data pada sampel
untuk digunakan untuk penggeneralisasian pada populasi. Penggunaan
analisis regresi inferensi didasarkan pada peluang (probability) dan sampel
yang dipilih secara acak (random).

A. Konsep analisis regresi inferensi yaitu;

1. Standard Error
Peluang setiap sampel sangat identik dengan populasinya sangat kecil
(nill) meskipun inferensi populasi didapat dari informasi
sampel.Penerapan random sampling tidak menjamin karakteristik
sampel sama persis dengan populasi. Variasi prediksi antara mean
disebut sampling error. Sampling error ini tidak bisa dihindari dan ini
bukan kesalahan peneliti. Yang menjadi persoalah adalah apakah error
tersebut semata-mata hasil sampling error atau merupakan perbedaan
yang bermakna yang akan pula ditemukan pada papulasi yang lebih
besar.
Ciri standard error adalah bahwa error yang terjadi bisaanya
berdistribusi normal yang besarnya berbeda-bedadan error tersebut
cenderung membentuk kurva normal yang menyerupai lonceng.
Faktor utama yang mempengaruhi standard error adalah jumlah sampel.
Semakin banyak sampelnya, semakin kecil standard errornya. Ini

6
 menunjukkan bahwasampel penelitian semakin akurat bila banyak
sampelnya.
Faktor utama yang mempengaruhi standard error adalah jumlah
sampel. Semakin banyak sampelnya, semakin kecil standard
error meannya yang berarti bahwa semakin kecil standard error-nya,
semakin akurat mean sampel untuk dijadikan estimator untuk mean
populasinya.[3]
2. Pengujian Hipotesis
Pengujian hipotesis adalah proses pengambilan keputusan dimana
peneliti mengevaluasi hasil penelitian terhadap apa yang ingin dicapai
sebelumnya. Misalnya, kita ingin menerapkan program baru dalam
pelajaran membaca. Pada rencana penelitian dikemukanan hipotesis
penelitian yang memprediksi perbedaan skor siswa yang menjalni
program baru tadi dengan proglam lama, dan hipotesis nol (0), yang
memprediksikan skor kedua kelompok tidak akan berbeda. Setelah data
dihitung mean dan standar deviasinya dan hasilnya menunjukkan skor
siswa dengan program baru lebih tinggi (berbeda secara signifikan)
daripada siswa yang mengikuti program lama, maka hipotesis penelitian
diterima dan hipotesis nol ditolak. Yang berarti bahwa program baru
tersebut efektif untuk diterapkan pada program membaca. Intinya,
pengujian hipotesis adalah proses evaluasi hipotesis nol, apakah
diterima tau ditolak.
3. Uji Signifikansi
Uji signifikasi adalah cara mengetahui adanya perbedaan antara dua
skor. Signifikansi merujuk pada tingkat statistik dari probabilitas
dimana dengannya kita bisa menolak hipotesis nol. Uji signifikansi
dilakukan dengan menentukan tingkat probabilitas praseleksi yang
dikenal dengan tingkat signifikansi (). Tingkat probailitas ini dijadikan
dasar untuk menolak atau tidak menolak hipotesis nol. Standar yang
digunakan umumnya 0,05 kesempatan (5 dari 100). Adapula yang
menggunakan 0.01. Semakin kecil nilai probabilitasnya, semakin kecil

7
 pula kemungkinan temuan tersebut diperoleh karena disebabkan oleh
peluang.
B. Fungsi Analisis Regresi Inferensi
Analisis regresi Inferensi atau induktif adalah statistik bertujuan
menaksir secara umum suatu populasi dengan menggunakan hasil
sampel, termasuk didalamnya teori penaksiran dan pengujian teori.
Analisis regresi inferensi digunakan untuk melakukan :
a. Generalisasi dari sampel ke populasi.
b. Uji hipotesis (membandingkan atau uji perbedaan/kesamaan dan
menghubungkan, yaitu uji keterkaitan, kontribusi).
C. Contoh kasus
Berikut ini adalah hasil pengamatan penulis tentang uji hipotesis rata-
rata:
Sebuah sampel terdiri atas 10 nilai mata kuliah Pengantar Analisis Real
dari mahasiswa rombel 2 Pendidikan Matematika angkatan 2011.
Datanya adalah sebagai berikut.
No. Nilai
1 87
2 87
3 87
4 83
5 88
6 87
7 71
8 85
9 80
10 75

Jika digunakan taraf nyata 5%, dapatkah kita meyakini bahwa rata-rata
nilai mata kuliah Pengantar Analisis Real dari mahasiswa rombel 2
Pendidikan Matematika angkatan 2011 lebih dari 75? Data diasumsikan
berdistribusi normal.
Penyelesaian:
Diketahui: n = 10

8
 830
= = = 83
10

( )
= = 5,869
1

Jawab:
(1) 0 : Rata-rata nilai Pengantar Analisis Real dari mahasiswa rombel
2 Pendidikan Matematika angkatan 2011 sama dengan 76.
1 : Rata-rata nilai Pengantar Analisis Real dari mahasiswa rombel 2
Pendidikan Matematika angkatan 2011 lebih dari 76.
0 = 76
0 > 76
(2) Statistika yang digunakan
0
=

(3) Penentuan nilai

= 5% = 0,05
(4) Penentuan kriteria pengujian
Kriteria: Terima 0 jika < (1)(1) dan tolak 0 dalam hal
lainnya.
= (1)(1)
= (101)(10,05)
= (9)(0,95)
= 1,83.
(5) Membandingkan statistika hitung dengan kriteria pengujian
0
=


8376
= 5,869

10
7
= 5,869
3,162

7
= 1,856

= 3,772.

9
 (6) Simpulan
Karena 3,772 > 1,83 maka 0 ditolak.
Jadi rata-rata nilai Pengantar Analisis Real mahasiswa rombel 2
pendidikan Matematika angkatan 2011 lebih dari 76.

2.2. Analisis Regresi Non Linear

A. MODEL POLINOM
Model polinom dinyatakan dalam bentuk umum:
= 0 + 1 + 2 2 + + ,
dimana , = 0,1,2, , (bilangan bulat positif) adalah konstanta.
1. Model Polinom Derajat Dua
Sebagaimana kita ketahui bahwa model polinom mempunyai
hanya satu peubah dasar,yaitu x. untuk k=1, kita memperoleh
model regresi linear sederhana (garis lurus). polinom derajat dua,
yaitu k=2 mempunyai model kuadratik (parabola) dengan bentuk
umum:
= 0 + 1 + 2 2
Dari model diatas, dapat ditulis model statistis parabola dalam
bentuk:
= 0 + 1 + 2 2

dengan persamaan ini, huruf besar Y dan X menunjukkan

peubah statistis; 0 , 1 , dan 2 menyatakan parameter yang tidak
diketahui dan disebut koefisien regresi; menyatakan rerata

Y dan X yang diberikan.

Jadi, taksiran untuk model parabola kuadratik dapat ditulis
dengan:

10
 = 0 + 1 + 2 2 ,
dengan koefisien-koefisien , 1 , dan 2 ditentukan berdasarkan
data hasil pengamatan. Jika (, 1 ), = 1,2, , menyatakan
data hasil pengamatan data hasil pengamatan dalam sebuah
sampel berukuran n, metode kuadratik terkecil memberikan
nilai-nilai , 1 , dan 2 dengan cara menyelesaikan persamaan
normal berikut


+ + =
= = =

+ + =
= = = =

+ + =

= = = =

Persamaan 1
Contoh kasus :

Seorang peneliti ingin mengetahui hubungan antara dosis oba

tertentu (X) dengan kadar Creatinin Ginjal (Y) kelinci percobaan,
dari hasil peneitiannya diperoleh hasil sebagai berikut :

Dosis Kadar
No. Obat Creatin
1 1 10
2 2 13
3 3 15
4 4 20
5 5 16
6 7 11
7 3 14

11
 8 2 12
9 4 21
10 6 17
11 7 10
12 8 7
13 8 6
14 1 11
15 3 16

jawab:

Kita tentukan dulu nilai yang perlu untuk regresi polinom berderajat
dua, yaitu:

Dosis Kadar
No. Obat (X) Creatin (Y) X^2 X^3 X^4 XY X^2Y
1 1 10 1 1 1 10 10
2 2 13 4 8 16 26 52
3 3 15 9 27 81 45 135
4 4 20 16 64 256 80 320
5 5 16 25 125 625 80 400
6 7 11 49 343 2401 77 539
7 3 14 9 27 81 42 126
8 2 12 4 8 16 24 48
9 4 21 16 64 256 84 336
10 6 17 36 216 1296 102 612
11 7 10 49 343 2401 70 490
12 8 7 64 512 4096 56 448
13 8 6 64 512 4096 48 384
14 1 11 1 1 1 11 11
15 3 16 9 27 81 48 144
15 64 199 356 2278 15704 803 4055

12
dari table diatas kita memperoleh persamaan normal:

+ + =

+ + =
+ + =
Setelah persamaan simultan ini diselesaikan, diperoleh 0 =
3.36313428, 1 = 6.77798872, dan 2 = 0.8012312,
sehingga persamaan regresi parabola dapat ditulis:

= 3.36313428 + 6.77798872 0.8012312 2

Untuk menentukan apakah regresi kuadratik signifikan, kita

memerlukan uji hipotesis nol, H0: Regresi dengan suku-suku X
dan X2 tidak signifikan (yaitu 1 = 2 = 0 ). Prosedur
penguji untuk hipotesis nol ini menggunakan uji F dengan
menghitung

= =

Dimana RJK adalah rata-rata jumlah kuadrat, atau jumlah

kuadrat (JK) dibagi dengan derajat kebebasan (dk) yang
bersangkutan, sehingga RJKR menyatakan rata-rata jumlah
kuadrat kesalahan. Untuk membandingkan nilai statistik F
dengan nilai krisis yang sesuai dari distribusi F, digunakan nilai
tabel yang (dalam contoh ini) mempunyai dk pembilang 2 dan
dk penyebut 5. Jika nilai statistik F lebih besar daripada nilai F
tabel, maka pengujian signifikan dan H0 ditolak. Akan tetapi
dengan perhitungan komputer, nilai tabel distribusi F tidak
diperlukan karena nilai statistika F yang diperoleh disertai
dengan nilai peluang P(F > Fhitung ) yang bisa disebut nilai p.
Jika nilai p inilebih kecil daripada nilai taraf signifikansi yang
ditentukan, maka pengujian signifikan.

13
Perhitungan dengan Aplikasi SPSS

Ketik X dan Y pada kolom Name, ketik Disis Obat (X) dan
Kadar Kreatinin (Y) pada kolopm Label, lalu Klik Data View,
maka muncul Gambar

Setelah selesai menyalin data, lalu Klik Graph, pilih Legacy

Dialogs, klik ScatterDot, pilih Simple Scatter, klik Define, maka
muncul Gambar

14
Klik Kadar Kreatinin (Y), kemudian pindahkan dengan tadana
ke Y Axis

Klik Dosis Obat (X), kemudian pindahkan dengan tadana ke

X Axis

Klik OK, maka diperoleh hasil sebagai berikut :

15
Hasil plot data menunjukkan bahwa kemungkinan persamaan
garis regresi berbentuk kuiadrartik yaitu : Y = 0 + 1X + 2X2
, maka persamaan dapat dicari sebagai berikut :
Kembali ke Gambar sebelumnya, klik Tranform, lalu klik lagi
Compute Variable, maka muncul Gambar

Ketik XX pada Target Variable dan ketik X**2 pada Numerik

Expression, klik OK, maka muncul Gambar

16
Klik Analyze, pilih Regression klik Linear, maka muncul
Gambar

Klik Kadar Kreatinin(Y), pindahkan dengan tanda ke

Dependent

Dosis Obat (X), pindahkan dengan tanda ke Indeependent(s)

XX, pindahkan dengan tanda ke Indeependent(s)

17
 Klik OK maka diperoleh hasil sebagai berikut :

Regression

Model Summary
Mode R R Square Adjusted R Std. Error of
l Square the Estimate
1 .921a .848 .822 1.826
a. Predictors: (Constant), XX, Dosis Obat

ANOVAa
Model Sum of df Mean Square F Sig.
Squares
Regression 222.930 2 111.465 33.436 .000b
1 Residual 40.004 12 3.334
Total 262.933 14
a. Dependent Variable: Kadar Creatin
b. Predictors: (Constant), XX, Dosis Obat

Coefficientsa
Model Unstandardized Standardized t Sig.
Coefficients Coefficients
B Std. Error Beta
(Constant) 3.363 1.870 1.798 .097
1 Dosis Obat 6.778 .974 3.807 6.959 .000
XX -.801 .104 -4.209 -7.694 .000

a. Dependent Variable: Kadar Creatin

18
Kesimpulan :
- Koefisien korelasinya ( R ) = 0,921

- Bentuk hubungannya atau persamaan garis regresinya sangat nyata (P<0,01), lihat
sig pada ANOVA .000

- Persamaan garis regresinya = 3.363 + 6.778 0,801 2 , lihat nilai B pada

table Coefisient.

Setelah persamaan garis regresi dianggap sesuai dengan yang

kita inginkan, maka kita bisa menggambar persamaan tersebut,
dengan cara sebagai berikut

hapus atau kosongkan angka-angka yang ada pada kolom X dan

Y, kemudian ketik angka 0 sampai dengan angka 8 pada kolom
X. Klik transform, kemudian klik lagi Compute Variable, maka
muncul Gambar

Ketik Y pada Target Varable dan ketik 3.363 + 6.778*X

0.801*X**2 Numeric Expression, klik Ok, mka diperoleh
Gambar

19
 Klik Graph, pilih Legacy Dialog, klik Line, pilih Simple, lalu
klik Define, maka muncul Gambar

Klik Other statistic (e.g mean)

Klik Kadar Kreatinin (Y), pindahkan dengan tanda ke

Variable

Klik Dosis Obat (X), pindahkan dengan tanda ke Category

Axis

Klik OK, maka diperoleh hasil sebagai berikut :

20
Graph

atau bisa dengan cara lain:

Klik Analyze, pilih Regression klik Curve Estimation, maka

muncul Gambar:

Klik Dosis Obat (X), pindahkan dengan tandan ke kotak

Variable

Klik Kadar Kreatinin (Y), pindahkan dengan tanda ke kotak

Dependent(s)

Berikan tanda V pada kotak Quadratic dan kotak Display

ANOVA table.

21
 Klik OK, maka diperoleh hasil sebagai berikut :

Quadratic

Model Summary
R R Square Adjusted R Std. Error of
Square the Estimate
.921 .848 .822 1.826
The independent variable is Dosis Obat.

ANOVA
Sum of df Mean F Sig.
Squares Square
Regression 222.930 2 111.465 33.436 .000
Residual 40.004 12 3.334
Total 262.933 14
The independent variable is Dosis Obat.

Coefficients
Unstandardized Standardized t Sig.
Coefficients Coefficients
B Std. Error Beta
Dosis Obat 6.778 .974 3.807 6.959 .000
Dosis Obat **
-.801 .104 -4.209 -7.694 .000
2
(Constant) 3.363 1.870 1.798 .097

22
2. Model Polinom Berderajat Tiga (Kubic)

Persamaan umum untuk perkiraan model ini adalah:

= + + 2 + 3

dengan koefisien a, b, c dan d dihitung dari data hasil

pengamatan. system persamaan yang harus diselesaikan untuk
menentukan a, b,c, da d adalah:

= + + 2 + 3

= + 2 + 3 + 4

2 = 2 + 3 + 4 + 5

3 = 3 + 4 + 5 + 6

Persamaan-persamaan di atas dapat diselesaikan secara serentak

dengan menggunakan metode eliminasi, juga dengan metode
Cramer.

23
3. Model Derajat Lebih Tinggi (Polinom Pangkat k)
Kita sudah melihat cara ide-ide dasar regresi ganda dapat
diterapkan untuk membentuk dan menguji model kuadratik dan
kubik.metode yang sama digunakan untuk semua model polinon
derajat lebih tinggi.namun,beberapa isu terkait perlu
didiskusikan : yakni penggunaan polinom ortogonal dan strategi
untuk memilih sebuah model polinom.

Dengan memperhatikan contoh diatas, dapat disimpulkan bahwa

makin tinggi pagkat polinom, makin bnayak persamaan yang
harus diselesaikan dan makin tinggi pula pangkat untuk X. Ini
tentu saja mengundang kita untuk menggunakan alat hitung yang
lebih tinggi kemampuannya.
4. Uji Tuna Cocok
Andaikan bahwa sebuah model polinom sudah dibentuk dan
taksiran-taksiran koefisien regresinya diuji untuk signifikansi.
Bagimana seseorang dapat meyakini bahwa sebuah model dari
derajat lebih tinggi dari derajat tertinggi yang diuji tampaknya
tidak diperlukan? Uji Tuna Cocok dapat digunakan untuk
pertanyaan ini. Secara koseptual, uji Tuna Cocok menyangkut
evaluasi dari sebuah model yang lebih rumit dari pada yang
dipertimbangakan sebelumnya. Secara historis, istilah tersebut
kadang-kadang digunakan untuk menjelaskan prosedur klasik.
Uji Tuna Cocok klasik dapat digunakan hanya kalau pada
pengulangan pengamatan. Dengan istilah ulangan, kita
maksudkan bahwa satuan eksperimen (subjek) mempunyai nilai
X yang sama dengan satuan eksperimen yang lain.
5. Strategi Penentuan Model Polinom
Model polinom, kadang-kadang memulai dengan model terkecil,
melibatkan hanya satu satu suku linear, dan secara berurutan
menambahkan suku-suku X yang pangkatnya meningkat.
Prosedur ini adalah sebuah strategi pembuatan model seleksi
maju.

24
Dengan strategi seleksi maju, seseorang biasanya menguji
pentingnya sebuah calon peubah peramal(predictor) dengan
membandingkan jumlah kuadrat ekstra regresi untuk tambahan
peramal itu terhadap rerata kuadrat sisaan (residual mean
square). Rerata kuadrat sisaan ini berdasarkan pada penentuan
sebuah model yang memuat calon peubah(peramal) dean
peubah-peubah yang tidak ada di dalam model. Statistik F parsial
yang sesuai dalam bentuk

( , 2 , , 1 )
( , 2 , , 1 ) = 1
(, 2 , , 1 )

Pendekatan uji seleksi maju yang dijelaskan di atas dapat

membawa pada pelemahan (underfitting) data, yakni algoritma
seleksi maju tampaknya berhenti terlalu cepat, sehinnga memilki
model dengan derjat lebih rendah daripada yang sesungguhnya
diperlukan.

Bias ini dapat dihindari dengan menggunakan strategi seleksi

mundur, dimana uji F pada setiap langkah mundur selalu
melibatkan rata-rata kuadrat kesalahan untuk model penuh (atau
terbesar) yang dibentuk. Akan tetapi, ketika menggunakan
pendeketan eliminasi mundur, itu mungkin menguatkan (overfit)
data, (yakni memilih sebuah model akhir yang sedikit lebih
tinggi daripada yang diperlukan). Untungnya, taksiran rata-rata
kuadrat sisa dari model penuh masih merupakan taksiran sahih
(unbiased). Akibatnya, menggunakan taksiran ini pada penyebut
uji F parsial pada setiap langkah mundurakan tetap menjadi
prosedur sahih. Apa yang hilang dengan sedikit mengangkat
data adalah suatu kuasa statistis (statistical power), akan tetapi
kehilangan ini biasanya diabaikan.

25
 Jadi, untuk menetapkanm model polinom, kita umumnya
merekomendasikan strategi eliminasi mundur untuk memilih
peubah, dan menggunakan dalam semua uji F parsial taksiran
rata-rata kuadrat kesalahan berdasarkan pada model polinom
derajat tertinggi. Jika mengimplementasikan startegi ini,kita
rekomendasikan pertama, memilih model derajat tiga atau lebih
rendah untuk menyederhanakan interpretasi dan meningkatkan
kecermatan perhitungan. Kedua, lakukan seleksi mundur dalam
bentuk bertahap mulai dari suku derajat tertinggi, seseorang
harus secara berturut-turut menghilangkan suku-suku yang tidak
signifikan, berhenti pada suku dengan derajat yang pertama
signifikan. Suku ini dan semua suku dengan derajat lebih rendah
harus dipertahankan dalam model akhir. Ketiga, lakukan uji F
parsial-ganda untuk tuna cocok. Keempat, metode analisis
sisaan harus digunakan, seperti dengan semua pendekatan
regresi.

B. MODEL EKSPONEN
Model eksponen adalah salah satu model yang juga banyak
digunakan apabila situasi tidak memungkinkan model linear atau
polinom. Perkiraan untuk model ini , yang persamaannya adalah:

ternyata dapat dikembalikan kepada model linier apabila diambil

logaritmanya. Dalam logaritma persamaannya menjadi:

log log = log + (log )

apabila diambil = log , = log dan = log , maka

diperoleh model

= +

26
 dan ini adalah model linier. Dengan menggunakan rumus
koefisien regresi linear sederhana, a* dan b* dapat dihitung ,
dan selanjutnya a dan b dapat ditentukan. Dalam bentuk
logaritma, a dan b dapat dicari dengan rumus:

log X
log = (log ) ( )

( log ) ( )( log )
log =
2 ( )2

Model eksponen tersebut sering pula disebut model

pertumbuhan karena sering banyak digunakan dalam
menganaliss data sebagai hasil pengamatan mengenai gejala
yang sifatnya tumbuh. Dalam hal ini, modelnya diubah sedikit
dan persamaannya menjadi: = a , dengan e= bilangan
pokok logaritma alam, yang nilainya hingga empat decimal
adalah 2,7183.

Penyelesaian model ini dilakukan dengan mengambil logaritma

natural, sehingga menjadi:

ln = ln +

Logaritma biasa juga dapat digunakan, tetapi persamaan

regresinya menjadi:

log = log + 0,4343

C. MODEL GEOMETRIS

Seperti halnya model eksponen, maka model geometri juga

dapat dikembalikan pada model linier. Persamaan umum model
ini di taksir oleh bentuk:

jika diambil logaritmanya, maka:

27
 log = log + log

dan ini merupakan model linear dalam dan .

Koefisien koefisien a dan b dapat dicari dari:

log log
log =

( log log ) ( log )( log )

=
( log 2 ) ( log )2

D. MODEL LOGISTIK
Bentuk yang paling sederhana model logistic dapat ditaksir oleh:

1
=

Untuk yang tidak sama dengan nol, bentuk diatas dapat pula
1
ditulis sebagai =

jika diambil logaritmanya, maka didapat:

log Y = log + (log )

Koefisien-koefisien a dan b dapat dicari dengan menggunakan

log X
log = + ( log ) ( )

( log Y) ( )( log Y)
log =
2 ( )2

28
 E. MODEL HIPERBOLA
Perkiraan persamaan umum yang sederhana untuk model
hiperbola ini dapat dituliskan dalam bentuk:

1
=
+ bX

atau jika tidak ada berharap nol dapat ditulis menjadi:

1
= a + bX

yang ternyata merupakan bentuk linier dalam variable-variabel

1
X dan

2.3. Analisis Regresi Linear Berganda

Disamping hubungan linier dua variabel, hubungan linier lebih dari dua
variabel dapat juga terjadi. Pada hubungan ini, perubahan satu variabel
dipengaruhi oleh lebih dari satu variabel lain. Maka regresi linier berganda
adalah analisis regresi yang menjelaskan hubungan antara peubah respon
(variable dependent) dengan faktor-faktor yang mempengaruhi lebih dari
satu predaktor (variable independent.

Tujuan analisis regresi linier berganda adalah untuk mengukur

intensitas hubungan antara dua variabel atau lebih dan memuat
prediksi/perkiraan nilai atas nilai X. Bentuk umum persamaan regresi linier
berganda yang mencakup dua atau lebih variabel, yaitu :

Model di atas merupakan model regresi untuk populasi, sedangkan apabila

hanya menarik sebagian berupa sampel dari populasi secara acak dan tidak

29
mengetahui regresi populasi untuk keperluan analisis, variabel bebas akan

dinyatakan dengan sedangkan variabel tidak

bebas dinyatakan dengan Y.

Uji Persyaratan Regresi Linier Berganda

Beberapa hal lain yang penting juga untuk dipahami dalam penggunaan
analisis regresi linier ganda yaitu perlunya melakukan uji asumsi klasik atau
uji persyaratan analisis regresi ganda sehingga persamaan garis regresi yang
diperoleh benar-benar dapat digunakan untuk memprediksi variabel
dependen atau kriterium. Uji persyaratan tersebut harus terpenuhi, apabila
tidak maka akan menghasilkan garis regresi yang tidak cocok untuk
memprediksi.
Sebelum masuk pada uji persyaratan perlu dipahami bahwa statistik
sebagai alat analisis dikelompokkan menjadi dua bagian yang berbeda, yaitu
kelompok statistik parametrik dan statistik non-parametrik. Pada statistik
nonparametrik tidak memerlukan persyaratan tertentu sedangkan pada
statistik parametrik memerlukan persyaratan yang harus dipenuhi. Oleh
karena itu, dalam uji persyaratan regresi linier ganda yang harus dilakukan
pada dasarnya juga dikelompokkan menjadi dua bagian, yaitu uji
persyaratan untuk masuk ke statistik parametrik dan uji persyaratan untuk
menggunakan regresi linier ganda.
Uji asumsi klasik yang secara minimal perlu dilakukan oleh penulis
menggunakan regresi linier ganda sebagai alat analisis yaitu berupa:
a. Uji persyaratan untuk statistik parametrik, yang berupa:
a. Uji normalitas
b. Uji homogenitas

30
b. Uji Persyaratan untuk regresi linier ganda, yang terdiri atas:
a. Uji linieritas garis regresi.
b. Tidak terdapat saling hubungan antara variabel bebas (uji
multikolinieritas).
c. Tidak terdapat autokorelasi antar data pengamatan.
d. Tidak terjadi adanya heteroskedasitas (Gujarati,1997)

Langkah-langkah yang harus dilakukan untuk mengestimasi persamaan

regesi berganda dua variabel independen adalah sebagai berikut :

1. Regresikanlah Y terhadap salah satu variabel independen, misal X2 .

2. Hitung residual Y terhadap model regresi pada langkah 1.(Y )
3. Regresikanlah X1 terhadap X2. ()
4. Hitung residual X1 terhadap model regresi pada langkah 3. (X1 -)
5. Terakhir, regresikanlah residual pada langkah 2 terhadap residual pada
langkah 4.

Contoh kasus :
Contoh Perhitungan :
Tabel 4.8.
Tabel bantu perhitungan regresi Ganda (dua prediktor)
Menggunakan rumus angka kasar

X1 X2 Y X1Y X2Y X1X2 X12 X22 Y2

4 1 7 28 7 4 16 1 49

7 2 12 14 24 14 49 4 144

9 5 17 153 85 45 81 25 289

12 8 20 240 160 96 144 64 400

32 16 56 505 276 159 290 94 882

31
Untuk menghitung nilai konstanta a, b1, dan b2, dapat digunakan tiga buah
persamaan yaitu :

1. Y = Na + b1 X1 + b2 X2
2. X1Y = a X1 + b1 X12 + b2 X1X2
3. X2Y = a X2 + b1 X1X2 + b2 X22

Penyelesaian :
Persamaan 1 dan 2 menghasilkan persamaan 4

1. 56 = 4a + 32b1 + 16b2 ( x 8) -> 448 = 32a +256b1 + 128b2

2. 505 = 32a + 290b1 + 159b2 (x 1) -> 505 = 32a + 290b1 + 159b2
Persamaan 4 57 = 0 34b1 + 31b2

Persamaan 1 dan 3 menghasilkan persamaan 5

1. 56 = 4a + 32b1 + 16b2 (x 4) -> 224 = 16a +128b1 + 64b2

3. 276 = 16a + 159b1 +94b2 (x 1) -> 276 = 16a + 159b1 + 94b2

Persamaan 5 52 = 0 31b 1 +

30b2

Dari persamaan 4 dan 5 akan diperoleh konstantan b2

4. 57 = 0 34b1 + 31b2 (x 31) -> 1767 = 1054b1 + 961b2
5. 52 = 0 31b1 + 30b2 (x 34) -> 1768 = 1054b1 + 1020b2 -

1 = 0 59b2
59b2 = 1 b2 = 0.0169 (0.017)

Kemudian nilai b2 disubtitusikan pada persamaan 4, maka akan

diperoleh konstanta b1
57 = 0 34b1 + 31b2 57 = 34b1 + (31 x 0.017)
57 = 34b1 + 0.527 56.473 = 34b1 b1 = 1.66

32
 Selanjutnya nilai b2 dan nilai b1 disubstitusikan pada persamaan 1,
maka akan diperoleh nilai konstanta a
56 = 4a + 32 (1.66) + 16 (0.017)
56 = 4a + 53.12 + 0.272
56 = 4a + 53.392
4a = 56 - 53.392 4a = 2.608 a = 0.652
Hasil persamaan Regresi yang diperoleh adalah

33
 BAB III

METODE PENELITIAN

3.1. Objek Penelitian

3.1.1. Objek Penelitian Pada Analisis Regresi Inferensi
Seorang peneliti ingin mengetahui perbedaan penjualan mobil
AVANZA di kabupeten Bantul sebelum dan sesudah kenaikan harga
BBM. Data diambil dari 30 dealer mobil. Dengan = 5 % berikut :
no sebelum Sesudah
1 67 68
2 75 76
3 81 80
4 60 63
5 80 82
6 75 74
7 71 70
8 68 71
9 80 82
10 78 79
11 71 78
12 80 77
13 65 69
14 57 67
15 78 68
16 80 82
17 78 79
18 71 78
19 81 80

34
 20 60 63
21 78 79
22 71 78
23 67 68
24 68 71
25 80 82
26 65 69
27 60 63
28 78 79
29 81 80
30 80 82

3.1.2. Objek penelitian pada analisis regresi non linear

Seorang peneliti ingin mengetahui produksi total bakteri asam laktat
sosis probiotik (log cfu/g) berdasarkan lama penyimpanan (hari)
no Lamah_simpan Total_BAL
1 0 8,25
2 0 8,12
3 0 8,14
4 0 8,11
5 7 8,08
6 7 7,54
7 7 8,13
8 7 8,18
9 14 7,45
10 14 7,16
11 14 7,29
12 14 7,40
13 21 7,17
14 21 7,32
15 21 7,24

35
 16 21 7,30

3.1.3. objek penelitian pada analisis regresi berganda

Dari sebuah penelitian di dapatkan 35 kabupaten di daerah jawa
tengah. Data sebagai berikut :
No Kab_atau_kota Jumlah_penduduk kelahiran Kematian
1 Cilcap 1676089 67080 46
2 Banyumas 1605579 50437 136
3 Purbalingga 879880 24794 44
4 Banjarnegara 889921 31078 45
5 Kebumen 1176722 25604 65
6 Purworejo 705483 17683 79
7 Wonosobo 769318 25344 47
8 Magelang 1221681 28633 90
9 Boyolali 951817 22260 26
10 Klaten 1148994 30505 140
11 Sukoharjo 849506 18902 96
12 Wonogiri 942377 18847 74
13 Karanganyer 840171 21889 70
14 Sragen 871989 19087 252
15 Grobogan 1336304 42575 1016
16 Blora 844444 11266 42
17 Rembang 608903 7370 70
18 Pati 1218016 35607 259
19 Kudus 810810 18897 105
20 Jepera 1153213 29911 56
21 Demak 1094472 42001 18
22 Semarang 974092 25018 2646
23 Temanggung 731911 18826 54

36
24 Kendal 926812 36125 56
25 Batang 729616 36500 17
26 Pekalongan 861082 39157 9
27 Pemalang 1279596 45661 46
28 Tegal 1415009 6732 49
29 Brebes 1764648 123799 38
30 Kota_megelang 119935 2230 218
31 Kota 507825 9301 1336
32 Kota_salatiga 178594 9879 98
33 Kota_semarang 1644800 35818 1801
34 Kota_pekalongan 290870 8696 74
35 Kota_tegal 243860 7721 100

Pada taraf signifikansi 5 % peneliti ingin mengetahui begaimana

jumlah penduduk dapat dipengaruhi oleh kelahiran dan kematian di
daerah jawa tengah.

3.2. Variabel Penelitian

Dalam suatu penelitian terdapat dua variabel penelitian yakni fariabel

dependent dan variabel independent. Variabel independent atau
variabel bebas merupakan variabel yang mempengaruhi atau yang
menyebabkan perubahan pada variabel terikat. dependent atau variabel
terikat merupakan variabel yang di pengaruhi atau yang menjadi akibat,
karena adanya variabel bebas.

3.2.1. Variabel penelitian pada analisis inferensi

Variabel independent : sebelum dan sesudah kenaikan harga
BBM
Variabel dependent : penjualan mobil AVANZA
3.2.2. Variabel penelitian pada analisis regresi non linear
Variabel independent : lama penyimpanan sosis probiotik

37
 Variabel dependent : produksi total bakteri asam laktat sosis
probiotik (log cfu/g)

3.2.3. Variabel penelitian pada analisis regresi berganda

Variabel independent : angka kelahiran dan kematian di daerah
jawa tengah
Variabel dependent : jumlah penduduk

3.3. Metode Analisis Data

3.3.1. Metode Analisis Data Pada Analisis Regresi Inferensi

Analisis regresi inferensi adalah serangkaian teknik yang

digunakan untuk mengkaji, menaksir dan mengambil kesimpulan
berdasarkan data yang diperoleh dari sempel untuk menggambarkan
karakteristik atau ciri dari suatu populasi. Atau dengan kata lain
penelitian inferensial adalah proses pengambilan kesimpulan-
kesimpulan berdasarkan data sampel yang lebih sedikit menjadi
kesimpulan yang lebih umum untuk sebuah populasi. Oleh karena itu,
analisis regrsi inferensi disebut juga analisis regresi induktif . Dalam
analisis regresi inferensi, kesimpulan dapat diambil setelah melakukan
pengolahan serta penyajian data dari suatu sampel yang diambil dari
suatu populasi, sehingga agar dapat memberikan cerminan yang
mendekati sebenarnya dari suatu populasi, maka ada beberapa hal
yang perlu diperhatikan dalam statistika inferensial, diantaranya :
1. Banyaknya subyek penelitian, maksudnya jika populasi ada 1000,
maka sampel yang diambil jangan hanya 5, namun diusahakan
lebih banyak, seperti 10 atau 50.
2. Keadaan penyebaran data. Dalam hal ini perlu diperhatikan
bahwa pengambilan sampel harus merata pada bagian populasi.
Diharapkan dalam pengambilan sampel dilakukan secara acak,
sehingga kemerataan dapat dimaksimalkan dan apapun

38
 kesimpulan yang didapat dapat mencerminkan keadaan populasi
yang sebenarnya.

Dalam analisis regresi inferensi harus ada pengujian hipotesis yang

bertujuan untuk melihat apakah ukuran statistik yang digunakan dapat
ditarik menjadi kesimpulan yang lebih luas dalam populasinya.
Ukuran-ukuran statistik tersebut dibandingkan dengan pola distribusi
populasi sebagai normanya. Oleh sebab itu, mengetahui pola
distribusi data sampel menjadi penting dalam analisis regresi
inferensi.

A. PENGUJIAN HIPOTESIS
Pengertian Pengujian Hipotesis
Hipotesis berasal dari bahasa Yunani, yaitu hupo dan thesis.
Hupo berarti lemah, kurang, atau di bawah dan thesis berarti teori,
proposisi, atau pernyataan yang disajikan sebagai bukti. Jadi,
hipotesis dapat diartikan sebagai suatu pernyataan yang masih lemah
kebenarannya dan perlu dibuktikan atau dugaan yang sifatnya masih
sementara.
Hipotesis statistik adalah pernyataan atau dugaan mengenai
keadaan populasi yang sifatnya masih sementara atau lemah
kebenarannya. Hiptesis statistik akan diterima jika hasil pengujian
membenarkan pernyataannya dan akan ditolak jika terjadi
penyangkalan dari pernyataannya. Dalam pengujian hiptesis,
keputusan yang dibuat mengandung ketidakpastian, artinya
keputusan bisa benar atau salah, sehingga menimbulkan resiko.
Besar kecilnya resiko dinyatakan dalam bentuk probabilitas.

Jenis-Jenis Pengujian Hipotesis

1. Berdasarkan Jenis Parameternya
a. Pengujian hipotesis tentang rata-rata
b. Pengujian hipotesis tentang proporsi
c. Pengujian hipotesis tentang varians
2. Berdasarkan Jumlah Sampelnya

39
 a. Pengujian sampel besar (n > 30)
b. Pengujian sampel kecil (n 30)
3. Berdasarkan Jenis Distribusinya
a. Pengujian hipotesis dengan distribusi Z
b. Pengujian hipotesis dengan distribusi t (t-student)
c. Pengujian hipotesis dengan distribusi 2 (chi-square)
d. Pengujian hipotesis dengan distrbusi F (F-ratio)
4. Berdasarkan Arah atau Bentuk Formulasi Hipotesisnya
a. Pengujian hipotesis dua pihak ( two tail test)
b. Pengujian hipotesis pihak kiri atau sisi kiri
c. Pengujian hipotesis pihak kanan atau sisi kanan.

Kesalahan dalam Pengujian Hipotesis

1. Dua Jenis Kesalahan
Dalam pengujian hipotesis, kesimpulan yang diperoleh hanya
penerimaan atau penolakan terhadap hipotesis yang diajukan, tidak
berarti kita telah membuktikan atau tidak membuktikan kebenaran
hipotesis tersebut. Hal ini disebabkan kesimpulan tersebut hanya
merupakan inferensi didasarkan sampel. Dalam pengujian hipotesis
dapat terjadi dua jenis kesalahan, yaitu
a. Kesalahan Jenis I
Kesalahan jenis I adalah karena H0 ditolak padahal
kenyataannya benar. Artinya, kita menolak hipotesis tersebut
(H0) yang seharusnya diterima.
b. Kesalahan Jenis II
Kesalahan jenis II adalah kesalahan karena H0 diterima
padahal kenyataannya salah. Artinya, kita menerima hipotesis
(H0) yang seharusnya ditolak.
Tabel Dua Jenis Kesalahan dalam Pengujian Hipotesis
Keadaan Sebenarnya
Kesimpulan
H0 Benar H0 Salah
Terima H0 Tidak membuat kekeliruan Kesalahan Jenis II

40
 Tolak H0 Kesalahan Jenis I Tidak membuat kekeliruan

Apabila kedua jenis kesalahan tersebut dinyatakan dalam

bentuk probabilitas didapatkan hal-hal berikut :
a. Kesalahan jenis I disebut kesalahan yang dalam bentuk
penggunaannya disebut sebagai taraf nyata atau taraf
signifikan (level of significant). 1 - disebut sebagai tingkat
keyakinan (level of confidence), karena dengan itu kita yakin
bahwa kesimpulan yang kita buat adalah benar, sebesar 1 - .
b. Kesalahan jenis II disebut kesalahan yang dalam bentuk
penggunaannya disebut sebagai fungsi ciri operasi (operating
characteristic function). 1 - disebut sebagai kuasa pengujian
karena memperlihatkan kuasa terhadap pengujian yang
dilakukan untuk menolak hipotesis yang seharusnya ditolak.
2. Hubungan , , dan n
Antara kedua jenis kesalahan, yaitu kesalahan dan saling
berkaitan. Jika kesalahan kecil, maka kesalahan menjadi besar,
demikian pula sebaliknya. Untuk membuat suatu kesimpulan yang
baik, maka kedua kesalahan tersebut harus dibuat seminimal
mungkin. Hal ini biasanya dilakukan melalui cara-cara seperti
berikut :
1. Memperbesar ukuran sampel (n) yang akan menjadikan rata-
rata ukuran sampel, mendekati ukuran populasinya. Dengan
makin besarnya sampel ( tetap), akan memperkecil dan
memperbesar 1 - , sehingga akan makin besar probabilitas
untuk menolak hipotesis (H0) yang salah.
2. Menentukan terlebih dahulu taraf nyata ().

41
 Prosedur Pengujian Hipotesis
Langkah-langkah pengujian hiptesis statistik adalah sebagai
berikut:
1. Menentukan Formulasi Hipotesis
Formulasi atau perumusan hipotesis statistik dapat dibedakan atas
dua jenis, yaitu sebagai berikut :
a. Hipotesis nol atau hipotesis nihil
Hipotesis nol, disimbolkan H0 adalah hipotesis yang dirumuskan
sebagai suatu pernyataan yang akan diuji. Hipotesis yang
diartikan sebagai tidak adanya perbedaan antara ukuran populasi
dan ukuran sampel.
b. Hipotesis alternatif atau hiptesis tandingan
Hipotesis alternatif disimbolkan H1 atau Ha adalah hipotesis yang
dirumuskan sebagai lawan atau tandingan dari hipotesis nol.
Atau adanya perbedaan data populasi dengan data sampel.
Secara umum, formulasi hipotesis dapat dituliskan :
H0 : = 0
H1 : > 0
Pengujian ini disebut pengujian sisi kanan
H0 : = 0
H1 : < 0
Pengujian ini disebut pengujian sisi kiri
H0 : = 0
H1 : 0
Pengujian ini disebut pengujian dua sisi.
2. Memilih Statistik Uji
Memilih uji statistik yang sesuai dengan asumsi sebaran
populasi dan skala pengukuran data. Berdasarkan ini, uji statistik

42
yang dipilih sebaiknya yang terkuat untuk mengurangi peluang
terjadinya kesalahan dalam pengambilan keputusan seperti uji-Z, t,
2, F atau yang lainnya. Bagi peneliti dan pengguna statistika,
berkonsultasi dengan ahli statistika merupakan cara yang bijaksana.

3. Menentukan Taraf Nyata (Significant Level)

Taraf nyata adalah besarnya batas toleransi dalam menerima
kesalahan hasil hipotesis terhadap nilai parameter populasinya. Taraf
nyata dilambangkan dengan (alpha) Semakin tinggi taraf nyata
yang digunakan, semakin tinggi pula penolakan hipotesis nol atau
hipotesis yang diuji, padahal hipotesis nol benar. Besarnya nilai
bergantung pada keberanian pembuat keputusan yang dalam hal ini
berapa besarnya kesalahan yang akan ditolerir. Besarnya kesalahan
tersebut disebut sebagai daerah kritis pengujian (critical region of
test) atau daerah penolakan (region of rejection).
Taraf signifikasnsi biasanya telah ditentukan sebelumnya,
yaitu : = 0,15; = 0,05; = 0,01; = 0,005 atau = 0,001. Pada
penelitian pendidikan taraf signifikansi yang biasa digunakan yaitu
= 0,01 atau = 0,05. Harga yang biasa digunakan adalah = 0,01
atau = 0,05. Misalnya, dengan = 0,05 atau sering disebut taraf
nyata (taraf signifikansi) 5%, artinya kira-kira 5 dari tiap 100
kesimpulan bahwa akan menolak hipotesis yang harusnya diterima.
Dengan kata lain kira-kira 95% yakin bahwa telah dibuat kesimpulan
yang benar. Dalam hal demikian dikatakan bahwa hipotesis telah
ditolak pada taraf nyata 0,05 yang berarti mungkin salah dengan
peluang 0,05.
4. Menentukan Kriteria Pengujian
Kriteria pengujian adalah bentuk pembuatan keputusan
dalam menerima atau menolak hipotesis nol (H0) dengan cara
membandingkan nilai tabel distribusinya (nilai kritis) dengan nilai
uji statistiknya, sesuai dengan bentuk pengujiannya.
a. Penerimaan H0 terjadi jika nilai uji statistiknya lebih kecil atau

43
 lebih besar daripada nilai positif atau negatif dari tabel. Atau
nilai uji statistik berada di luar nilai kritis.
b. Penolakan H0 terjadi jika nilai uji statistiknya lebih besar atau
lebih kecil daripada nilai positif atau negatif dari tabel. Atau
nilai uji statistik berada di dalam nilai kritis.

Daerah daerah
Penolakan daerah Penolakan H0
H0 penerimaan H0
d1 d2
Gambar 1. Daerah kritis uji dua pihak

Daerah daerah
penerimaan H0 penolakan H0

d
Gambar 2. Daerah kritis uji satu pihak kanan

Daerah daerah
penolakan H0 penerimaan H0

d
Gambar 3. Daerah kritis uji satu pihak kiri
5. Menghitung Nilai Uji Statistik
Uji statistik merupakan rumus-rumus yang berhubungan
dengan distribusi tertentu dalam pengujian hipotesis. Uji statistik
merupakan perhitungan untuk menduga parameter data sampel yang
diambil secara random dari sebuah populasi. Dengan kata lain, nilai
statistik hitung berdasarkan data penelitian (sampel) yang diambil.
6. Membuat Kesimpulan

44
 Pembuatan kesimpulan merupakan penetapan keputusan
dalam hal penerimaan atau penolakan hipotesis nol (H0), sesuai
dengan kriteria pengujiannya. Pembuatan kesimpulan dilakukan
setelah membandingkan nilai uji staistik dengan nilai tabel atau
nial kritis. Jika nilai statistik jatuh pada daerah kritis, berarti H0
ditolak, dan jika jatuh pada luar daerah kritis berarti H0 diterima.
Kalau analisis data dilakukan daerah dengan paket statistika dengan
komputer, rujukan terhadap nilai kritis tidak diperlukan. Hasil
komputer telah memberikan nilai p, yaitu luas daerah di ujung nilai
kritis yang dibatasi oleh nilai hitung statistik. Kalau nilai p lebih
besar daripada taraf kesignifikanan yang telah ditetapkan, H0
diterima, dan kalau nilai lebih kecil daripada nilai , H0 ditolak.

Pengujian Hipotesis Tentang Rerata

Rerata adalah salah satu ukuran gejala pusat yang banyak
digunakan dalam mengungkap informasi dalam sekumpulan data. Hal
ini bermanfaat, baik dalam manajemen data secara deskriptif, maupun
dalam menjelaskan p[opulasi berdasarkan informasi sampel dengan
memanfaatkan teknk statistika inferensial.

a. Rerata sebuah Populasi

Kalau ada informasi awal tentang nilai parameter rerata dari

sebuah populasi, hipotesis tentang parameter itu dapat dibuat. Untuk
menguji hipotesis ini, kita memerlukan asumsi tentang sebaran populasi
dan nilai simpangan baku . Kalau populasi mempunyai sebaran normal,
atau ukuran sampel cukup besar (lebih dari 30), teknik pengujian berikut
dapat dilakukan. Untuk sampel berukuran besar, dengan menggunakan
teorema limit pusat, pendekatan normal dapat dilakukan.

Andaikan sampel berukuran n sudah diperoleh, nilai rerata

dan simpangan baku s sudah dapat dihitung. Pengujian dapat dilakukan
dengan statistik uji yang sesuai dengan pengelompokan informasi
tentang simpangan baku populasi sebagai berikut :

45
1. Simpangan baku diketahui
Perhatikan pasangan hipotesis dibawah ini :
H0 : = 0 melawan H1 : 0
Dengan 0 sebuah nilai tertentu. Sesuai asumsi yang digunakan
tentang populasi, kita dapat menggunakan statistik Z dengan
rumus :
0
=

Statistik Z mempunyai sebaran normal baku, dan hipotesis
menunjukkan pengujian dua pihak, sehingga kriteria
pengambilan kesimpulannya adalah sebagai berikut :
1) H0 diterima jika (1)2 (1)2 ;
2) H0 ditolak jika < (1)2 atau > (1)2 .

Nilai-nilai (1)2 untuk berbagai nilai diperoleh dari tabel

sebaran normal baku.

Untuk pengujian satu pihak, kriteria pengambilan

kesimpulannya akan berbeda. Uji pihak kanan dengan pasangan
hipotesis : H0 : = 0 melawan H1 : 0, kriteria pengambilan
kesimpulannya adalah :

1) H0 diterima jika (0,5) ;

2) H0 ditolak jika > (0,5) .

Demikian pula jika uji pihak kiri dengan pasangan

hipotesis H0: = 0 melawan H1 : 0 , kriteria pengambilan
keputusannya adalah :

1) H0 diterima jika (0,5)

46
 2) H0 ditolak jika < (0,5) .

2. Simpangan Baku Tidak Diketahui

Pada kenyataanya, nilai simpangan baku sering tidak
diketahui. Dalam halini, kita menggunakan simpangan baku
sampel s sebagai taksiran simpangan baku populasi . Untuk
menguji tiga pasang hipotesis tentang rerata di atas digunakan
statistik uji :

0
=

Untuk populas normal, statistik t mempunyai sebaran

student-t dengan derajat kebebasan = 1. Karena itu,
untuk menentukan kriteria pengujia digunakan sebaran t dan
batas-batas kriteria atau nilai kritis didapat dari tabel sebaran
studen-t.

Untuk pengujian hipotesis dua pihak, dimana: H0 : =

0 melawan H1 : 0. Kriteria pengambilan kesimpulannya
adalah sebagai berikut :

1) H0 diterima jika (1)2 (1)2 ;

2) H0 ditolak jika < (1)2 atau > (1)2 .

Untuk pengujian satu pihak, kriteria pengambilan

kesimpulannya akan berbeda. Uji pihak kanan dengan pasangan
hipotesis : H0 : = 0 melawan H1 : 0, kriteria pengambilan
kesimpulannya adalah :

1) H0 diterima jika (1) ;

2) H0 ditolak jika > (1) .

47
 Demikian pula jika ujik pihak kiri dengan pasangan hipotesis :
= 0 melawan H1 : 0 , kriteria pengambilan keputusannya
adalah :

1) H0 diterima jika t < -t (1-)

2) H0 ditolak jika < (1) .

b. Uji Hipotesis Kesamaan Dua Rerata

Banyak penelitian yang memerlukan perbandingan antara
dua populasi. Misalnya membandingkan hasil belajar, daya kerja
suatu obat, dsb. Maka akan digunakan dasar distribusi sampling
mengenai selisih statistik, misalnya selisih rata-rata dan selisih
proporsi.
Misalkan dipunyai dua buah populasi, keduanya berdistribusi
normal dengan rata-rata dan simpangan baku masing-masing 1 dan
1 untuk populasi pertama, 2 dan 2 untuk populasi kedua. Secara
independen diambil sebuah sampel acak dengan ukuran 1 dan 2
dari masing-masing populasi. Rata-rata dan simpangan baku dari
sampel-sampel itu berturut-turut 1 , 1 dan 2 , 2 . Akan diuji
tentang rata-rata 1 dan 2 dalam tiga kemungkinan pasangan
hipotesis dapat dilakukan :
0 : 1 = 2 melawan 1 : 1 2 uji dua pihak
0 : 1 = 2 melawan 1 : 1 > 2 uji pihak kanan
0 : 1 = 2 melawan 1 : 1 < 2 uji pihak kiri
1. Simpangan baku 1 = 2 = dimana diketahui
Dalam situasi seperti ini, statistik yang digunakan untuk menguji
pasangan-pasangan hipotesis di atas adalah :
1 2
=
1 1
+
1 2

Dengan taraf signifikansi , kriteria pengambilan keputusannya

adalah :

48
 Untuk uji hipotesis dua pihak, H0 diterima jika (1)2
(1)2 , dan H0 ditolak jika < (1)2 atau >
(1)2 .
Untuk uji hipotesis pihak kanan, H0 diterima jika
(0,5) dan H0 ditolak jika > (0,5) .
Untuk uji hipotesis pihak kiri, H0 diterima jika (0,5)
dan H0 ditolak jika < (0,5) .

2. Simpangan 1 = 2 = dimana tidak diketahui

Jika pasangan hipotesis tentang kesamaan dua rerata akan diuji,
dan ditentukan situasi atau diyakini bahwa 1 = 2 = tetapi
tidak diketahui, maka statistik yang digunakan adalah :

1 2
=
1 1
+
1 2

Dengan 2 adalah variansi gabungan yang dihitung dengan rumus

:

2
(1 1)12 + (2 1)22
=
1 + 2 2
Statistik t di atas mempunyai sebaran Student atau sebaran-t
dengan derajat kebebasan = 1 + 2 2. Adapun kriteria
pengujia adalah :
Untuk uji hipotesis dia pihak, H0 diterima jika (1)2
(1)2 dan H0 ditolak jika < (1)2 atau >
(1)2 .
Untuk uji hipotesis pihak kanan, H0 diterima jika (1) ;
dan H0 ditolak jika > (1) .
Untuk uji statistik uji pihak kiri, H0 diterima jika t < -t (1-)
dan H0 ditolak jika < (1) .

49
 3.3.2. Metode Analisis Data Pada Analisis Regresi Non Linear
Regresi nonlinear adalah suatu metode untuk mendapatkan
model linear yang menyatakan hubungan variable dependen (Y) dan
independen(X). Tidak seperti regresi linear, yang dibatasi oleh
waktu menaksir/ meramal, regresi non linear dapat mengistemasi
model hubungan variable dependen dan independen dalam bentuk
non linear dengan keakuratan yang baik.

Asumsi kelinearan tidak selalu dapat dipenuhi dalam suatu

analisis regresi. Hal ini dapat juga dilihat dari letak titik-titik pada
diagram pencar data (x,y) yang sangat menyimpang dari sebuah
garis lurus. Banyak sekali model regresi nonlinear, dan hanya
beberapa yang akan dibahas disini. Model polinommerupakan topik
pertama yang kita bicarakan, sebelum membicarakan model-model
lainnya, seperti model eksponen, model geometri, dan model
hiperbola.
A. MODEL POLINOM

Model polinom dinyatakan dalam bentuk umum:

= 0 + 1 + 2 2 + + ,
dimana , = 0,1,2, , (bilangan bulat positif) adalah konstanta.

1. Model Polinom Derajat Dua

Sebagaimana kita ketahui bahwa model polinom mempunyai

hanya satu peubah dasar,yaitu x. untuk k=1, kita memperoleh
model regresi linear sederhana (garis lurus). polinom derajat dua,

50
 yaitu k=2 mempunyai model kuadratik (parabola) dengan bentuk
umum:
= 0 + 1 + 2 2
Dari model diatas, dapat ditulis model statistis parabola dalam
bentuk:
= 0 + 1 + 2 2

dengan persamaan ini, huruf besar Y dan X menunjukkan

peubah statistis; 0 , 1 , dan 2 menyatakan parameter yang tidak
diketahui dan disebut koefisien regresi; menyatakan rerata

Y dan X yang diberikan.

Jadi, taksiran untuk model parabola kuadratik dapat ditulis
dengan:
= 0 + 1 + 2 2 ,
dengan koefisien-koefisien , 1 , dan 2 ditentukan berdasarkan
data hasil pengamatan. Jika (, 1 ), = 1,2, , menyatakan
data hasil pengamatan data hasil pengamatan dalam sebuah
sampel berukuran n, metode kuadratik terkecil memberikan
nilai-nilai , 1 , dan 2 dengan cara menyelesaikan persamaan
normal berikut

+ + =
= = =

+ + =
= = = =

+ + =
= = = =

2. Model Polinom Berderajat Tiga (Kubic)

Persamaan umum untuk perkiraan model ini adalah:

51
 = + + 2 + 3

dengan koefisien a, b, c dan d dihitung dari data hasil

pengamatan. system persamaan yang harus diselesaikan untuk
menentukan a, b,c, da d adalah:

= + + 2 + 3

= + 2 + 3 + 4

2 = 2 + 3 + 4 + 5

3 = 3 + 4 + 5 + 6

Persamaan-persamaan di atas dapat diselesaikan secara serentak

dengan menggunakan metode eliminasi, juga dengan metode
Cramer.

3. Model Derajat Lebih Tinggi (Polinom Pangkat k)

Kita sudah melihat cara ide-ide dasar regresi ganda dapat
diterapkan untuk membentuk dan menguji model kuadratik dan
kubik.metode yang sama digunakan untuk semua model polinon
derajat lebih tinggi.namun,beberapa isu terkait perlu
didiskusikan : yakni penggunaan polinom ortogonal dan strategi
untuk memilih sebuah model polinom.

Dengan memperhatikan contoh diatas, dapat disimpulkan bahwa

makin tinggi pagkat polinom, makin bnayak persamaan yang
harus diselesaikan dan makin tinggi pula pangkat untuk X. Ini
tentu saja mengundang kita untuk menggunakan alat hitung yang
lebih tinggi kemampuannya.
4. Uji Tuna Cocok
Andaikan bahwa sebuah model polinom sudah dibentuk dan
taksiran-taksiran koefisien regresinya diuji untuk signifikansi.

52
 Bagimana seseorang dapat meyakini bahwa sebuah model dari
derajat lebih tinggi dari derajat tertinggi yang diuji tampaknya
tidak diperlukan? Uji Tuna Cocok dapat digunakan untuk
pertanyaan ini. Secara koseptual, uji Tuna Cocok menyangkut
evaluasi dari sebuah model yang lebih rumit dari pada yang
dipertimbangakan sebelumnya. Secara historis, istilah tersebut
kadang-kadang digunakan untuk menjelaskan prosedur klasik.
Uji Tuna Cocok klasik dapat digunakan hanya kalau pada
pengulangan pengamatan. Dengan istilah ulangan, kita
maksudkan bahwa satuan eksperimen (subjek) mempunyai nilai
X yang sama dengan satuan eksperimen yang lain.
5. Strategi Penentuan Model Polinom
Model polinom, kadang-kadang memulai dengan model terkecil,
melibatkan hanya satu satu suku linear, dan secara berurutan
menambahkan suku-suku X yang pangkatnya meningkat.
Prosedur ini adalah sebuah strategi pembuatan model seleksi
maju.
Dengan strategi seleksi maju, seseorang biasanya menguji
pentingnya sebuah calon peubah peramal(predictor) dengan
membandingkan jumlah kuadrat ekstra regresi untuk tambahan
peramal itu terhadap rerata kuadrat sisaan (residual mean
square). Rerata kuadrat sisaan ini berdasarkan pada penentuan
sebuah model yang memuat calon peubah(peramal) dean
peubah-peubah yang tidak ada di dalam model. Statistik F parsial
yang sesuai dalam bentuk

( , 2 , , 1 )
( , 2 , , 1 ) = 1
(, 2 , , 1 )

Pendekatan uji seleksi maju yang dijelaskan di atas dapat

membawa pada pelemahan (underfitting) data, yakni algoritma
seleksi maju tampaknya berhenti terlalu cepat, sehinnga memilki

53
model dengan derjat lebih rendah daripada yang sesungguhnya
diperlukan.

Bias ini dapat dihindari dengan menggunakan strategi seleksi

mundur, dimana uji F pada setiap langkah mundur selalu
melibatkan rata-rata kuadrat kesalahan untuk model penuh (atau
terbesar) yang dibentuk. Akan tetapi, ketika menggunakan
pendeketan eliminasi mundur, itu mungkin menguatkan (overfit)
data, (yakni memilih sebuah model akhir yang sedikit lebih
tinggi daripada yang diperlukan). Untungnya, taksiran rata-rata
kuadrat sisa dari model penuh masih merupakan taksiran sahih
(unbiased). Akibatnya, menggunakan taksiran ini pada penyebut
uji F parsial pada setiap langkah mundurakan tetap menjadi
prosedur sahih. Apa yang hilang dengan sedikit mengangkat
data adalah suatu kuasa statistis (statistical power), akan tetapi
kehilangan ini biasanya diabaikan.

Jadi, untuk menetapkanm model polinom, kita umumnya

merekomendasikan strategi eliminasi mundur untuk memilih
peubah, dan menggunakan dalam semua uji F parsial taksiran
rata-rata kuadrat kesalahan berdasarkan pada model polinom
derajat tertinggi. Jika mengimplementasikan startegi ini,kita
rekomendasikan pertama, memilih model derajat tiga atau lebih
rendah untuk menyederhanakan interpretasi dan meningkatkan
kecermatan perhitungan. Kedua, lakukan seleksi mundur dalam
bentuk bertahap mulai dari suku derajat tertinggi, seseorang
harus secara berturut-turut menghilangkan suku-suku yang tidak
signifikan, berhenti pada suku dengan derajat yang pertama
signifikan. Suku ini dan semua suku dengan derajat lebih rendah
harus dipertahankan dalam model akhir. Ketiga, lakukan uji F
parsial-ganda untuk tuna cocok. Keempat, metode analisis

54
 sisaan harus digunakan, seperti dengan semua pendekatan
regresi.

B. MODEL EKSPONEN
Model eksponen adalah salah satu model yang juga banyak
digunakan apabila situasi tidak memungkinkan model linear atau
polinom. Perkiraan untuk model ini , yang persamaannya adalah:

ternyata dapat dikembalikan kepada model linier apabila diambil

logaritmanya. Dalam logaritma persamaannya menjadi:

log log = log + (log )

apabila diambil = log , = log dan = log , maka

diperoleh model

= +

dan ini adalah model linier. Dengan menggunakan rumus

koefisien regresi linear sederhana, a* dan b* dapat dihitung ,
dan selanjutnya a dan b dapat ditentukan. Dalam bentuk
logaritma, a dan b dapat dicari dengan rumus:

log X
log = (log ) ( )

( log ) ( )( log )
log =
2 ( )2

Model eksponen tersebut sering pula disebut model

pertumbuhan karena sering banyak digunakan dalam
menganaliss data sebagai hasil pengamatan mengenai gejala
yang sifatnya tumbuh. Dalam hal ini, modelnya diubah sedikit
dan persamaannya menjadi: = a , dengan e= bilangan

55
 pokok logaritma alam, yang nilainya hingga empat decimal
adalah 2,7183.

Penyelesaian model ini dilakukan dengan mengambil logaritma

natural, sehingga menjadi:

ln = ln +

Logaritma biasa juga dapat digunakan, tetapi persamaan

regresinya menjadi:

log = log + 0,4343

C. MODEL GEOMETRIS

Seperti halnya model eksponen, maka model geometri juga

dapat dikembalikan pada model linier. Persamaan umum model
ini di taksir oleh bentuk:

jika diambil logaritmanya, maka:

log = log + log

dan ini merupakan model linear dalam dan .

Koefisien koefisien a dan b dapat dicari dari:

log log
log =

( log log ) ( log )( log )

=
( log 2 ) ( log )2

D. MODEL LOGISTIK
Bentuk yang paling sederhana model logistic dapat ditaksir oleh:

1
=

56
 Untuk yang tidak sama dengan nol, bentuk diatas dapat pula
1
ditulis sebagai =

jika diambil logaritmanya, maka didapat:

log Y = log + (log )

Koefisien-koefisien a dan b dapat dicari dengan menggunakan

log X
log = + ( log ) ( )

( log Y) ( )( log Y)
log =
2 ( )2

E. MODEL HIPERBOLA
Perkiraan persamaan umum yang sederhana untuk model
hiperbola ini dapat dituliskan dalam bentuk:

1
=
+ bX

atau jika tidak ada berharap nol dapat ditulis menjadi:

1
= a + bX

yang ternyata merupakan bentuk linier dalam variable-variabel

1
X dan

3.3.3. Metode Analisis Data Pada Analisis regresi berganda

Analisis Regresi Linier Berganda Menurut Sugiyono

(2012:192) analisis regresi linear digunakan untuk melakukan
prediksi bagaimana perubahan nilai variabel dependen bila nilai
variabel independen dinaikan/diturunkan. Bentuk persamaan dari
regresi linier berganda ini yaitu :

57
 Y = + 1 X1 + 2 X2 Sumber: Sugiyono (2012:192)
Keterangan :

Y = Dividen payout ratio

a = konstanta, merupakan nilai terikat yang dalam hal ini adalah

Y pada saat variabel bebasnya adalah 0 (X1, X2= 0) .
1 = koefisien regresi berganda antara variabel bebas X1 terikat
Y, apabila variabel bebas X2diangap konstan.
2 = koefisien regresi berganda antara variabel bebas X2 terikat
Y, apabila variable bebas X1diangap konstan.
X = variabel independen, yang terdiri dari Free Cash Flow (X1),
Debt to Equity Ratio (X2) terhadap variable.

Regresi linier berganda dengan dua variabel bebas X1 dan X2

metode kuadrat kecil memberikan hasil bahwa koefisien-koefisien a,
b1, dan b2 dapat dihitung dengan menggunakan rumus sebagai
berikut: (Sumber: Sugiyono, 2010:279)

Selain hubungan linier dua variabel (regresi linier sederhana),

hubungan linier lebih dari dua variabel dapat juga terjadi. Pada
hubungan ini, perubahan satu variabel dipengaruhi oleh lebih dari
satu variabel lain. Maka regresi linier berganda adalah analisis
regresi yang menjelaskan hubungan antara peubah respon (variable
dependent) dengan faktor-faktor yang mempengaruhi lebih dari satu
predaktor (variable independent).

58
 Regresi berganda berguna untuk mencari pengaruh dua atau
lebih variabel bebas atau untuk mencari hubungan fungsional dua
variabel bebas atau lebih terhadap variabel terikatnya. Dengan
demikian multiple regression (regresi berganda) digunakan untuk
penelitian yang menyertakan beberapa variabel sekaligus. Dalam hal
ini regresi juga dapat dijadikan pisau analisis terhadap penelitian,
tentu saja jika diarahkan untuk menguji variabel-variabel yang ada
(Supranto, 2009). Tujuan analisis regresi linier berganda adalah
untuk mengukur intensitas hubungan antara dua variabel atau lebih
dan memuat prediksi/perkiraan nilai Y atas nilai X. Bentuk umum
persamaan regresi linier berganda yang mencakup dua atau lebih
variabel, yaitu : =

Model di atas merupakan model regresi untuk populasi,

sedangkan apabila hanya menarik sebagian berupa sampel dari
populasi secara acak dan tidak mengetahui regresi populasi untuk
keperluan analisis, variabel bebas akan dinyatakan dengan

sedangkan variabel tidak bebas

dinyatakan dengan Y.

Uji Persyaratan Regresi Linier Berganda

59
 Beberapa hal lain yang penting juga untuk dipahami dalam
penggunaan analisis regresi linier ganda yaitu perlunya melakukan
uji asumsi klasik atau uji persyaratan analisis regresi ganda sehingga
persamaan garis regresi yang
diperoleh benar-benar dapat digunakan untuk memprediksi variabel
dependen atau kriterium. Uji persyaratan tersebut harus terpenuhi,
apabila tidak maka akan menghasilkan garis regresi yang tidak
cocok untuk memprediksi.
Sebelum masuk pada uji persyaratan perlu dipahami bahwa statistik
sebagai alat analisis dikelompokkan menjadi dua bagian yang
berbeda, yaitu
kelompok statistik parametrik dan statistik non-parametrik. Pada
statistik nonparametrik tidak memerlukan persyaratan tertentu
sedangkan pada statistik parametrik memerlukan persyaratan yang
harus dipenuhi. Oleh karena itu, dalam uji persyaratan regresi linier
ganda yang harus dilakukan pada dasarnya juga dikelompokkan
menjadi dua bagian, yaitu uji persyaratan untuk masuk ke statistik
parametrik dan uji persyaratan untuk menggunakan regresi linier
ganda.
Uji asumsi klasik yang secara minimal perlu dilakukan oleh penulis
menggunakan regresi linier ganda sebagai alat analisis yaitu berupa:

1. Uji persyaratan untuk statistik parametrik, yang berupa:

a. Uji normalitas
b. Uji homogenitas
2. Uji Persyaratan untuk regresi linier ganda, yang terdiri atas:
a. Uji linieritas garis regresi.
b. Tidak terdapat saling hubungan antara variabel bebas (uji
multikolinieritas).
c. Tidak terdapat autokorelasi antar data pengamatan.
d. Tidak terjadi adanya heteroskedasitas (Gujarati,1997)

60
 Pengujian Asumsi Klasik Regresi Pengujian mengenai ada
tidaknya pelanggaran asumsi-asumsi klasik yang merupakan dasar
dalam model regresi linier berganda. Beberapa asumsi klasik regresi
yang harus dipenuhi terlebih dahulu sebelum menggunakan analisis
regresi linear berganda (Multiple Linear Regression) sebagai alat
untuk menganalisis pengaruh variabel-variabel yang diteliti terdiri
atas :

a. Uji Normalitas Data Residual

Uji normalitas digunakan untuk menguji apakah model regresi
mempunyai distribusi normal ataukah tidak. Asumsi normalitas
merupakan persyaratan yang sangat penting pada pengujian
signifikansi koefisien regresi. Model regresi yang baik adalah
model regresi yang memiliki distribusi normal atau mendekati
normal, sehingga layak dilakukan pengujian secara statistik.
Dasar pengambilan keputusan bisa dilakukan berdasarkan
probabilitas (Asymtotic Significance), yaitu:
Jika probabilitas > 0,05 maka distribusi dari populasi adalah
normal.
Jika probabilitas < 0,05 maka populasi tidak berdistribusi
secara normal Pengujian secara visual dapat juga dilakukan
dengan metode gambar normal Probability Plots dalam
program SPSS. Dengan dasar pengambilan keputusan
sebagai berikut:
o Jika data menyebar disekitar garis diagonal dan mengikuti
arah garis diagonal, maka dapat disimpulkan bahwa model
regresi memenuhi asumsi normalitas.
o Jika data menyebar jauh dari garis diagonal dan tidak
mengikuti arah garis diagonal, maka dapat disimpulkan
bahwa model regresi tidak memenuhi asumsi normalitas.

Selain itu uji normalitas digunakan untuk mengetahui

bahwa data yang diambil berasal dari populasi berdistribusi

61
 normal. Uji yang digunakan untuk menguji kenormalan adalah
uji Kolmogorov-Smirnov. Berdasarkan sampel ini akan diuji
hipotesis nol bahwa sampel tersebut berasal dari populasi
berdistribusi normal melawan hipotesis tandingan bahwa
populasi berdistribusi tidak normal.

b. Uji Multikolinieritas

Multikolinieritas merupakan suatu situasi dimana beberapa

atau semua variabel bebas berkorelasi kuat. Jika terdapat korelasi
yang kuat di antara sesama variabel independen maka
konsekuensinya adalah:

Koefisien-koefisien regresi menjadi tidak dapat ditaksir.

Nilai standar error setiap koefisien regresi menjadi tidak
terhingga.
Dengan demikian berarti semakin besar korelasi diantara sesama
variable independen, maka tingkat kesalahan dari koefisien regresi
semakin besar yang mengakibatkan standar errornya semakin besar
pula. Cara yang digunakan untuk mendeteksi ada tidaknya
multikoliniearitas adalah dengan:
menggunakan Variance Inflation Factors (VIF).

(Gujarati, 2004: 351).

Dimana Ri 2 adalah koefisien determinasi yang diperoleh dengan
meregresikan salah satu variabel bebas Xi terhadap variabel bebas
lainnya. Jika nilai VIF nya kurang dari 10 maka dalam data tidak
terdapat Multikolinieritas (Gujarati, 2003: 362)

c. Uji Heteroskedastisitas

Situasi heteroskedastisitas akan menyebabkan penaksiran

koefisien-koefisien regresi menjadi tidak efisien dan hasil taksiran

62
dapat menjadi kurang atau melebihi dari yang semestinya. Dengan
demikian, agar koefisien-koefisien regresi tidak menyesatkan, maka
situasi heteroskedastisitas tersebut harus dihilangkan dari model
regresi. Untuk menguji ada tidaknya heteroskedastisitas digunakan
uji Rank Spearman yaitu dengan mengkorelasikan masing-masing
variabel bebas terhadap nilai absolut dari residual. Jika nilai
koefisien korelasi dari masingmasing variabel bebas terhadap nilai
absolut dari residual (error) ada yang signifikan, maka
kesimpulannya terdapat heteroskedastisitas (varian dari residual
tidak homogen) (Gujarati, 2003: 406).

Selain itu, dengan menggunakan program SPSS,

heteroskedastisitas juga bisa dilihat dengan melihat grafik scatterplot
antara nilai prediksi variabel dependen yaitu ZPRED dengan
residualnya SDRESID. Jika ada pola tertentu seperti titik-titik yang
ada membentuk pola tertentu yang teratur, maka telah terjadi
heteroskedastisitas. Sebaliknya, jika tidak membentuk pola tertentu
yang teratur, maka tidak terjadi heteroskedastisitas.

d. Uji Autokorelasi Autokorelasi

didefinisikan sebagai korelasi antar observasi yang diukur

berdasarkan deret waktu dalam model regresi atau dengan kata lain
error dari observasi yang satu dipengaruhi oleh error dari observasi
yang sebelumnya. Akibat dari adanya autokorelasi dalam model
regresi, koefisien regresi yang diperoleh menjadi tidak effisien,
artinya tingkat kesalahannya menjadi sangat besar dan koefisien
regresi menjadi tidak stabil. Untuk menguji ada tidaknya
autokorelasi, dari data residual terlebih dahulu dihitung nilai statistik
DurbinWatson (D-W):

63
 (Gujarati, 2003: 467)

Kriteria uji: Bandingkan nilai D-W dengan nilai d dari tabel Durbin-
Watson:

Jika D-W < dL atau D-W > 4-dL, maka pada data tersebut
terdapat autokorelasi.
Jika dU < D-W < 4-dU, kesimpulannya pada data tidak terdapat
autokorelasi.
Tidak ada kesimpulan jika dL D-W dU atau 4-dU D-W 4-dL
(Gujarati, 2003: 470) 54 2.

e. Analisis Koefisien Korelasi Pearson

Analisis koefisen korelasi pearson digunakan untuk

mengukur ada atau tidaknya hubungan linier antara variabel bebas
(X) dan variabel terikat (Y). Dalam analisis regresi, analisis
korelasi yang digunakan juga menunjukan arah hubungan antara
variable dependen dengan variable independen selain mengukur
kekuatan hubungan. Menurut Umi Narimawati (2010:49),
pengujian korelasi digunakan untuk mengetahui kuat tidaknya
hubungan antara variable X dan Y, dapat menggunakan
pendekatan korelasi Pearson dengan rumus dengan rumus sebagai
berikut :

64
 Keterangan :

r = Koefisien Korelasi
n = Jumlah data
X = Variabel Bebas (Independen)
Y= Variabel Terikat (Dependen)

Langkah-langkah perhitungan uji statistik dengan

menggunakan analisis korelasi pearson dapat diuraikan sebagai
berikut:

Koefisien Korelasi Parsial Koefisien korelasi parsial antara

X1 terhadap Y, bila X2 dianggap konstan dapat dihitung
dengan menggunakan rumus sebagai berikut :

Koefisien Korelasi Parsial Koefisien korelasi parsial antara

X2 terhadap Y, bila X1 dianggap konstan dapat dihitung
dengan menggunakan rumus sebagai berikut:

Koefisien Korelasi Secara Simultan Koefisien korelasi

simultan antar X1 dan X2 terhadap Y dapat dihitung dengan
menggunakan rumus sebagai berikut:

65
 Koefisien korelasi mempunyai nilai -1 r +1 dimana :
Apabila r = +1, maka korelasi antara kedua variabel
dikatakan sangat kuat dan searah, artinya jika X naik
sebesar 1 maka Y juga akan naik sebesar 1 atau
sebaliknya.
Apabila r = 0, maka hubungan antara kedua variabel
sangat lebar atau tidak ada hubungan sama sekali.
Apabila r = -1, maka korelasi antara kedua variabel
sangat kuat dan berlawanan arah, artinya apabila X naik
sebesar 1 maka Y akan turun sebesar 1 atau sebaliknya.

Untuk memberikan interpretasi koefisien korelasinya

maka penulis menggunakan pedoman sebagai berikut :

BAB IV
ANALISIS DAN PEMBAHASAN

4.1. Analisis Regresi Inferensi

Hasil Output

66
Analisis

Dari hasil output di atas kita dapat menganalisis bahawa :

N (banyaknya data) untuk variabel sebelum, sesudah dan

difference = 30
Mean (rata-rata) untuk variabel sebelum = 72,80; untuk
variabel sesudah = 74,57 dan untuk variabel difference = -
1,767
Standar deviasi untuk variabel sebelum = 7,54; untuk
variabel sesudah = 6,39 dan untuk variabel difference =
3,579
SE mean untuk variabel sebelum = 1,38; untuk variabel
sesudah = 1,17 dan untuk variabel difference = 0,658
T-value = -2,70 dan nilai P-value = 0,011

Uji Hipotesis

1. Hipotesis
H0 : 1 = 1 = 0 ( rata-rata penjualan mobil AVANZA
di kabupeten Bantul sebelum dan sesudah kenaikan harga
BBM sama)

67
 H1 : 1 1 0 (rata-rata penjualan mobil AVANZA
di kabupeten Bantul sebelum dan sesudah kenaikan harga
BBM tidak sama)
2. Signifikansi: = 5% = 0.05
3. Statistik uji: nilai P_value:
4. Daerah kritis:
Ho ditolak jika nilai P_value <
Perhitungan: P_value = 0,011
5. Keputusan
Karena nilai P_value = 0,011 < = 5% = 0.05 maka Ho
ditolak.
6. Kesimpulan
Karena Ho ditolak artinya rata-rata penjualan mobil AVANZA
di kabupeten Bantul sebelum dan sesudah kenaikan harga
BBM tidak sama. Sehingga dapat disimpulkan bahawa terdapat
perbedaan penjualan mobil AVANZA di kabupeten Bantul
sebelum dan sesudah kenaikan harga BBM.

4.2. Analisis Regresi Non Linear

Hasil Output

Fit Line Plot kuadratik

68
 Fitted Line Plot
Total_BAL = 8,209 - 0,05911 Lamah_simpan
+ 0,000536 Lamah_simpan**2
8,4 S 0,209959
R-Sq 79,7%
8,2 R-Sq(adj) 76,6%

8,0
Total_BAL
7,8

7,6

7,4

7,2

7,0
0 5 10 15 20
Lamah_simpan

Fit Line Plot kubik

Fitted Line Plot

Total_BAL = 8,155 + 0,06119 Lamah_simpan
- 0,01592 Lamah_simpan**2 + 0,000522 Lamah_simpan**3
8,4 S 0,168807
R-Sq 87,9%
8,2 R-Sq(adj) 84,9%

8,0
Total_BAL

7,8

7,6

7,4

7,2

7,0
0 5 10 15 20
Lamah_simpan

Output analisis kubik

69
 Versus Fits
(response is Total_BAL)

0,2

0,1

0,0

Residual
-0,1

-0,2

-0,3

-0,4

-0,5
7,2 7,4 7,6 7,8 8,0 8,2
Fitted Value

Normal Probability Plot

(response is Total_BAL)
99

95
90

80
70
Percent

60
50
40
30
20

10

1
-0,5 -0,4 -0,3 -0,2 -0,1 0,0 0,1 0,2 0,3 0,4
Residual

70
Analisis hasil output :

Untuk output Fit Line Plot

Jika dilihat dari output Fit Line Plot maka dapat di jelaskan
bahawa :
Fit Line Plot Kuadratik :
Nilai S = 0,209959 ; nilai R-Sq = 79,7 % ; nilai R-Sq (adj) =
76,6 %.
Fit Line Plot Kuadratik :
Nilai S = 0,168807 ; nilai R-Sq = 87,9 % ; nilai R-Sq (adj) =
84,9 %.

Dari kuedua output Fit Line Plot di atas dapat kita simpulkan
bahawa model regresi yang paling bagus adalah model regresi kubik
karena memiliki nilai S lebh kecil daripada nilai S model regresi
kuadratik dan memiliki nilai R-Sq dan nilai R-Sq(adj) lebih besar
daripada nilai nilai R-Sq dan nilai R-Sq(adj) model regresi kuadratik.

Maka uji selanjutnya kita menggunakan uji model regresi Kubik.

71
 Bardasarkan output pada grafik nomor 1 dan 2 dapat disimpulkan
bahawa data menyebas secara merata dan data menyebar di sekitar
sumbu normal hal ini membuktikan bahawa data berdistribusi
normal.

Berdasarkan output uji regresi nya dapat kita jelaskan :

Persamaan regresi dugaan adalah :

Total_BAL = 8,16 + 0,0612 Lamah_simpan - 0,0159 lama_simpan2
+ 0,000522 lama_simpan3
Nilai coef untuk variabel lamah_simpan = 0,06119 ; lama_simpan2
= -0,015918 ; lama_simpan3 0,0005224
Nilai T untuk variabel lamah_simpan = 1,32 ; lama_simpan2 = -2,73
; lama_simpan3 = 2,85
Nilai P untuk variabel lamah_simpan = 0,211 ; lama_simpan2 = -
0,018 ; lama_simpan3 = 0,015.
Nilai S = 0,168807 ; nilai R-Sq = 87,9% ; nilai R-Sq(adj) = 84,9%.
Pada tabel analysis of variance nilai F = 29,09 dan nilai P = 0,000

Uji Hipotesis :

1. Hipotesis
H0 : 1 = 0 (parameter model = 0)
H1 : 1 0 (minimal 1 parameter model yang tidak bernilai 0)
2. Signifikansi: = 5% = 0.05
3. Statistik uji: nilai P_value:
4. Daerah kritis:
Ho ditolak jika nilai P_value <
Perhitungan: P_value = 0,000
5. Keputusan
Karena nilai P_value = 0,000 < = 5% = 0.05 maka Ho ditolak.
6. Kesimpulan

72
Karena Ho ditolak artinya minimal 1 (satu) peremeter model yang
tidak bernilai 0. Sehingga dapat disimpulkan bahawa model regresi
yang telah dibuat bisa digunakan.
4.3. Analisis Regresi Berganda
Output dan Analisis output :

Berdasarkan output uji regresi nya dapat kita jelaskan :

Persamaan regresi dugaan adalah :

Jumlah_penduduk = 537421 + 13,5 kelahiran + 107 Kematian
Nilai coef untuk variabel kelahiran = 13,522; variabel
kematian = 107,05
Nilai T untuk variabel kelahiran = 6,01 ; variabel kematian =
1,23
Nilai P untuk variabel kelahiran = 0,000 ; variabel kematian =
0,226
Nilai VIF untuk variabel kelahiran = 1,001 ; variabel kematian
= 1,001
Nilai S = 286422 ; nilai R-Sq = 53,7 % ; nilai R-Sq(adj) =
50,8%.

73
 Pada tabel analysis of variance nilai F = 18,56 dan nilai P =
0,000

Uji Normalitas

Asumsi normalitas pada regresi linear berganda adalah variabel

residual harus berdistribusi normal. Residual dinyatakan
berdistribusi normal apabila histogram menyerupai bel menghadap
ke atas.

Histogram
(response is Jumlah_penduduk)

5
Frequency

0
-400000 -200000 0 200000 400000 600000 800000
Residual

Dari output di atas dapat kita lihat bahwa bentuk grafik histogram
menyerupai bel menghadap ke atas ini berarti residual berdistribusi
normal.

Cara lain menentukan residual berdistribusi normal adalah dengan

menggunakan diagram Normal Probability Plot seperti gambar di
bahah ini.

Normal Probability Plot

(response is Jumlah_penduduk)
99

95
90

80
70
Percent

60
50
40
30
20

10

1
-500000 -250000 0 250000 500000 750000
Residual

74
 Dari diagram Normal Probability Plot dapat disimpulkan bahwa
data menyebar di sekitar sumbu atau garis normal ini berarti
residual berdistribusi normal.

Probability Plot of Jumlah_penduduk

Normal
99
Mean 950410
StDev 408378
95 N 35
KS 0,105
90
P-Value >0,150
80
70
Percent

60
50
40
30
20

10

1
0 500000 1000000 1500000 2000000
Jumlah_penduduk

Dari output di atas dapat kita jelaskan bahawa data menyebar di

sekitar sumbu atau garis normal hal ini menandakan bahawa residual
berdistribusi normal dengan mean = 950410 standar deviasi =
408378, N = 35 , KS = 0,150, P-value = 0,150

Uji Heteroskedasitas

Uji heteroskedasitas adalah varian residual yang tidak sama pada

pengamatan di dalam model regresi. Regresi yang baik seharusnya
tidak terjadi heteroskedasitas.

Cara menentukan Heteroskedasitas :

Jika ada pola tertentu, seperti titik-titik yang ada membentuk suatu
pola tertentu yang teratur (bergelombang, melebar kemudian
menyempit), maka terjadi heteroskedasitas.
Jika tidak ada pola yang jelas, seperti titi-titik menyebar di atas dan
di bawah angka 0 pada sumbu Y, maka tidak terjadi
heteroskedasitas.

75
 Versus Fits
(response is Jumlah_penduduk)

750000

500000

250000
Residual

-250000

-500000

500000 750000 1000000 1250000 1500000 1750000 2000000 2250000

Fitted Value

Dari grafik di atas dapat kita simpulkan bahawa data menyebar di

atas dan di bawah angka 0 pada sumbu Y, sehingga dapat kita
simpulkan bahawa tidak terjadi heteroskedasitas dalam model
regresi.

76
 Berdasarkan output uji regresi nya dapat kita jelaskan :

Persamaan regresi dugaan adalah :

absolut = 192483 + 0,33 kelahiran + 3,22 Kematian
Nilai coef untuk variabel kelahiran = 0,329; variabel kematian
= 33,15
Nilai T untuk variabel kelahiran = 0,23 ; variabel kematian =
0,60
Nilai P untuk variabel kelahiran = 0,819 ; variabel kematian =
0,552
Nilai VIF untuk variabel kelahiran = 1,001 ; variabel kematian
= 1,001
Nilai S = 181884 ; nilai R-Sq = 1,2 % ; nilai R-Sq(adj) = 0,0%.
Pada tabel analysis of variance nilai F = 0,20 dan nilai P =
0,818

77
 Uji Multikolinearitas

Multikolinearitas adalah keadaan di mana ada hubungan linear

secara sempurna atau mendekati sempurna antara variabel
independent dalam model regresi. Model regresi yang baik adalah
yang terbebas dari masalah multikolinearitas.

Output dan Analisis output :

Berdasarkan output uji regresi nya dapat kita jelaskan :

Persamaan regresi dugaan adalah :

Jumlah_penduduk = 537421 + 13,5 kelahiran + 107 Kematian
Nilai coef untuk variabel kelahiran = 13,522; variabel
kematian = 107,05
Nilai T untuk variabel kelahiran = 6,01 ; variabel kematian =
1,23
Nilai P untuk variabel kelahiran = 0,000 ; variabel kematian =
0,226
Nilai VIF untuk variabel kelahiran = 1,001 ; variabel kematian
= 1,001

78
 Nilai S = 286422 ; nilai R-Sq = 53,7 % ; nilai R-Sq(adj) =
50,8%.
Pada tabel analysis of variance nilai F = 18,56 dan nilai P =
0,000

Uji Autokorelasi

Autokorelasi adalah hubungan yang terjadi antara residual dari

pengamatan satu dengan pengamatan yang lain. Model regresi yang
baik seharusnya tidak terjadi autokorelasi.

Output dan Analisis output :

Berdasarkan output uji regresi nya dapat kita jelaskan :

Persamaan regresi dugaan adalah :

Jumlah_penduduk = 537421 + 13,5 kelahiran + 107 Kematian
Nilai coef untuk variabel kelahiran = 13,522; variabel
kematian = 107,05
Nilai T untuk variabel kelahiran = 6,01 ; variabel kematian =
1,23

79
 Nilai P untuk variabel kelahiran = 0,000 ; variabel kematian =
0,226
Nilai VIF untuk variabel kelahiran = 1,001 ; variabel kematian
= 1,001
Nilai S = 286422 ; nilai R-Sq = 53,7 % ; nilai R-Sq(adj) =
50,8%.
Pada tabel analysis of variance nilai F = 18,56 dan nilai P =
0,000.
Nilai DW = 1,75918

Uji F Regresi

Uji F digunakan untuk mengetahui pengaruh secara bersama-sama

antara variabel independent terhadap variabel dependen.

Output dan Analisis output :

Berdasarkan output uji regresi nya dapat kita jelaskan :

Persamaan regresi dugaan adalah :

Jumlah_penduduk = 537421 + 13,5 kelahiran + 107 Kematian

80
 Nilai coef untuk variabel kelahiran = 13,522; variabel
kematian = 107,05
Nilai T untuk variabel kelahiran = 6,01 ; variabel kematian =
1,23
Nilai P untuk variabel kelahiran = 0,000 ; variabel kematian =
0,226
Nilai VIF untuk variabel kelahiran = 1,001 ; variabel kematian
= 1,001
Nilai S = 286422 ; nilai R-Sq = 53,7 % ; nilai R-Sq(adj) =
50,8%.
Pada tabel analysis of variance nilai F = 18,56 dan nilai P =
0,000.
Nilai DW = 1,75918

Uji T Parsial
Uji T Parsial digunakan untuk mengetahui apakah secara parsial
variabel kelahiran dan kematian berpengaruh secara signifikan
terhadap jumlah penduduk

Output dan Analisis output :

81
 Berdasarkan output uji regresi nya dapat kita jelaskan :

Persamaan regresi dugaan adalah :

Jumlah_penduduk = 537421 + 13,5 kelahiran + 107 Kematian
Nilai coef untuk variabel kelahiran = 13,522; variabel
kematian = 107,05
Nilai T untuk variabel kelahiran = 6,01 ; variabel kematian =
1,23
Nilai P untuk variabel kelahiran = 0,000 ; variabel kematian =
0,226
Nilai VIF untuk variabel kelahiran = 1,001 ; variabel kematian
= 1,001
Nilai S = 286422 ; nilai R-Sq = 53,7 % ; nilai R-Sq(adj) =
50,8%.
Pada tabel analysis of variance nilai F = 18,56 dan nilai P =
0,000.
Nilai DW = 1,75918

Persamaan Regresi

persamaan regresi di atas dapat di simpulkan sebagai berikut :

apabila variabel lain bernilai konstan maka jumlah penduduk

(Y) akan berubah dengan sendirinya sebesar nilai konstan yaitu
537421
apabila variabel lain bernilai konstan maka jumlah penduduk
(Y) akan berubah sebesar 13,5 setiap satu satuan rata-rata
jumlah kelahiran (X1)

82
 apabila variabel lain bernilai konstan maka jumlah penduduk
(Y) akan berubah sebesar 107 setiap satuan rata-rata kematian
(X2)

Uji Hipotesis :

Uji Hipotesis Untuk Normalitas Residual

Uji Hipotesis

Hipotesis :
Ho = residual berdistribusi normal
H1 = residual tidak berdistribusi normal
Tingkat signifikansi
= 0,05
Statistik uji
Nilai P-value
Daerah Kritis
Ho ditolak jika nilai P-value <
Perhitungannya :
Nilai P-value = 0,150
Keputusan

Karena Nilai P-value = 0,150 > = 0,05 maka Ho tidak

ditolak

Kesimpulan
Karena Ho ditolak artinya residual berdistribusi normal.

83
 Uji Heteroskedastisitas

Uji Hipotesis
Hipotesis :
Ho = tidak terdapat heteroskedasitas
H1 = terdapat heteroskedasitas
Tingkat signifikansi
= 0,05
Statistik uji
Nilai P-value kelahiran dan kematian
Daerah Kritis
Ho ditolak jika nilai P-value <
Perhitungannya :
Nilai P-value kelahiran = 0,819
Nilai P-value kematian = 0,552
Keputusan
Karena Nilai P-value kelahiran = 0,819 > = 0,05 maka Ho
tidak ditolak.
Karena Nilai P-value kematian = 0,552 > = 0,05 maka Ho
tidak ditolak
Kesimpulan
Karena Ho tidak ditolak sehingga dapat disimpulkan bahawa
tidak terdapat heteroskedasitas
Karena Ho tidak ditolak sehingga dapat disimpulkan bahawa
tidak terdapat heteroskedasitas

84
 Uji Multikolinearitas
Dalam menguji terjadinya multikolinearitas peneliti
menggunakan nilai Variance inflation factors

Uji Hipotesis
Hipotesis :
Ho = tidak terdapat multikolinearitas
H1 = terdapat multikolinearitas
Tingkat signifikansi
= 0,05
Statistik uji
Nilai VIF kelahiran dan kematian
Daerah Kritis
Ho ditolak jika VIF > 10
Perhitungannya :
Nilai VIF kelahiran = 1,001
Nilai VIF kematian = 1,001
Keputusan
Karena Nilai VIF kelahiran = 1,001 < 10 maka Ho tidak
ditolak.
Karena Nilai VIF kematian = 1,001 < 10 maka Ho tidak
ditolak
Kesimpulan
Karena Ho tidak ditolak sehingga dapat disimpulkan
bahawa tidak terdapat multikolinearitas
Karena Ho tidak ditolak sehingga dapat disimpulkan
bahawa tidak terdapat multikolinearitas

85
 Uji Autokorelasi

Dalam menguji terjadinya multikolinearitas peneliti

menggunakan Durbin Watson test., karena nilai DW = 1,75918 <
2 maka kita gunakan autokorelasi positif

Uji Hipotesis
Hipotesis :
Ho = tidak terdapat autokorelasi positif
H1 = terdapat autokorelasi positif
Tingkat signifikansi
= 0,05
Statistik uji
Nilai Durbin-Watson statistic = 1,75918
Nilai DU = 1,5495
Nilai DL = 1,2063
Daerah Kritis
DW > DU, maka Ho tidak ditolak (tidak ada
autokorelasi positif)
Jika DW < DL, maka Ho ditolak ( terdapat autokorelasi
positif)
Jika DL < DW < DU maka uji tidak meyakinkan
Keputusan
Karena Nilai DW = 1,75918 > DU = 1,5496 maka Ho
tidak ditolak.
Karena Nilai DW = 1,75918 > DL = 1,2063 maka Ho
tidak ditolak.
Kesimpulan
Karena Ho tidak ditolak artinya terdapat tidak
autokorelasi positif.
Karena Ho ditolak ditolak artinya tidak terdapat
autokorelasi positif.

86
 Uji F Regresi
Uji Hipotesis
Hipotesis :
H0 : (1 = 2 = 0): tingkat kelahiran dan tingkat
kematian di daerah Jawah Tengah tidak berpengaruh
signifikan terhadap jumlah penduduk
H1 : (1 2 0): (
0) minimal ada satu variabel yang berpengaruh signifikan
terhadap tingkat kelahiran dan tingkat kematian.
Tingkat signifikansi
= 0,05
Statistik uji
Nilai P-value
Daerah Kritis
Ho ditolak jika nilai P-value <
Perhitungannya :
Nilai P-value = 0,000
Keputusan
Karena Nilai P-value = 0,000 < = 0,05 maka Ho ditolak.
Kesimpulan
Karena Ho ditolak artinya tingkat kelahiran dan tingkat
kematian di daerah Jawah Tengah berpengaruh signifikan
terhadap jumlah penduduk.

87
 Uji T Parsial
Uji Hipotesis
Hipotesis :
H0 : (1 = 2 = 0): tingkat kelahiran dan tingkat
kematian di daerah Jawah Tengah tidak berpengaruh
signifikan terhadap jumlah penduduk
H1 : (1 2 0): (
0) minimal ada satu variabel yang berpengaruh signifikan
terhadap tingkat kelahiran dan tingkat kematian.
Tingkat signifikansi
= 0,05
Statistik uji
Nilai P-value
Daerah Kritis
Ho ditolak jika nilai P-value <
Perhitungannya :
Nilai P-value = 0,000
Keputusan
Karena Nilai P-value = 0,000 < = 0,05 maka Ho ditolak.
Kesimpulan
Karena Ho ditolak artinya tingkat kelahiran dan tingkat
kematian di daerah Jawah Tengah berpengaruh signifikan
terhadap jumlah penduduk.

88
 BAB V
PENUTUP

5.1. Kesimpulan
5.1.1. Analisis Regresi inferensi

Berdasarkan dengan analisis analsisi regresi inferensi serta pada tingkat

signifikansi 5 % dapat kita katakan dan dapat disimpulkan bahwa terdapat
perbedaan penjualan mobil AVANZA di kabupeten Bantul sebelum dan
sesudah kenaikan harga BBM.

5.1.2. Analisis Regresi non Linear

Berdasarkan dengan analisis analsisi regresi non linear serta pada

tingkat signifikansi 5 % dapat kita katakan dan dapat disimpulkan bahawa
model regresi yang telah dibuat bisa digunakan. Sehingga dapat disimpulkan
terdapat pengaruh produksi total bakteri asam laktat sosis probiotik (log cfu/g)
berdasarkan lama penyimpanan (hari).

5.1.3. Analisis Regresi Berganda

Berdasarkan dengan analisis analsisi regresi bergada serta pada tingkat

signifikansi 5 % dapat kita katakan dan dapat disimpulkan bahawa :

1. Semua model asumsi klasik terpenuhi

2. Berdasarkan uji F-Regresi dan uji T-Parsial dapat kita simpulkan tingkat
kelahiran dan tingkat kematian di daerah Jawah Tengah berpengaruh
signifikan terhadap jumlah penduduk.

5.2. Saran

Dalam melakukan uji analisis statistika dengan software R kita

diharapkan dapat melakukannya dengan baik sesuai prosedur atau langkah-
langkanya secara teratur agar kita dapat mendapat kesimpulan yang benar.

89
 DAFTAR PUSTAKA

Cohen, Luis dkk. Research Method in Education. Sixth Edition. Routledge,

New York. 2007.

Cresswell, John W. Educational Research. Third Edition. New Jersey:

Pearson Education, Inc. 2008.

Emzir, Prof. DR., M.Pd. Metode Penelitian Pendidikan Kuantitatif dan

Kualitatif. Rajawali Press. Jakarta. 2011

Spiegel, Murray R. dan Larry J. Stephens. Statistik. Edisi Ketiga.

(Terjemahan oleh Wiwit Kastawan ST, MT, M.Sc dan Irzam Harmein, ST).
Erlangga. Jakarta. 2007

Nisfiannoor, Muhammad. Pendekatan Statistika Modern untuk Ilmu Sosial.

Salemba Humatika. Jakarta. 2009.

Wahana Komputer. Solusi Mudah dan Cepat Menguasai SPSS 17.0 unruk
Pengolahan Data Statistik. PT. Elex Media Komputindo. Jakarta. 2009.

Noeryanti.2016. Modul Praktikum Analisis Regresi..Yogyakarta: Ist

Akprind.

www.google.com

90
 LAMPIRAN

Langkah-Langkah Penyelesaiannya

1. Langkah-Langkah Penyelesaian Analisis Regresi Inferensi

Input data pada lembar kerja minitab

91
 klik menu start >> basic statistics >> pairet t

ketika muncul kotak dialog seperti dibawah ini masukan variabel

sebelum pada kotak dialog First sample dan variabel sesudah
pada second sample.

selanjutnya klik pada menu options

selanjutnya klik OK >> OK maka hasil outputnya akan keluar

92
2. Langkah-Langkah Penyelesaian Analisis Regresi Non Linear

Input data pada lembar kerja minitab

klik menu start >> regression >> fitted line plot

maka muncul dialog seperti dibawah ini. Pada kotak dialog

response (Y) isikan variabel total BAL dan pada kotak dialog
predivtor (X) isiskan variabel lamah_simpan serta pada
kotak dialog type of regression model pilih Quadratict.
Setelah itu klik OK maka outputnya akan keluar. Lakukan hal
yang sama untuk megganti type of regression model pilih Qubic

93
Berdasarkan output fitted line plot maka dapat disimpulkan bahwa
model regresi yang baik adalah model regresi kubik :

Langkah-langkah analisis regresinya :

klik menu calc >> calculator

94
 maka muncul kotak dialog seperti dibawah ini. Pada kota
dialog Expression insikan lamah_simpan**2 kemudian
klik ok

Lakukan hal yang sama namun pada Pada kota dialog Expression
insikan lamah_simpan**3 kemudian klik ok

95
 Analisis data untuk mengetahui persamaan garis regresinya,
langkah-langkahnya adalah
Start >> Regression >> Regression

Isikan variabel response = total_BAL dan variable precictor

= lama_simpan , lama_simpan2

96
 Pada analisis ini akan dibuat grafik. Untuk memilih grafik mana
yang akan di tampilkan yaitu dengan klik Graphs.

pada residual for plots adalah Regular, dan Residual Plots

adalah Individual Plot yaitu pilih Normal Plot of Residual,
Residual versus Fits, selanjutnya Klik OK.

Untuk memilih display of result maka dengan klik Result

Yaitu memilih Regression equation, table of coefficients, s, R-

squared, and basic analysis of variance, selanjutnya klik OK

97
 Klik Storage, Diagnostic Measure >> Residuals

Selanjutnya klik OK

selanjutnya klik Option, Display pilih Pure error, selanjutnya

klik OK >> OK maka outputnya akan keluar

98
3. Langkah-Langkah Penyelesaian Analisis Regresi Berganda

Masukan data ke dalam lembar kerja softwere MINITAB

99
 Analisis data untuk mengetahui persamaan garis regresinya,
langkah-langkahnya adalah
Start >> Regression >> Regression

Isikan variabel response = jumlah_penduduk dan variable

precictor = kelahiran, kematian

100
 Pada analisis ini akan dibuat grafik. Untuk memilih grafik mana
yang akan di tampilkan yaitu dengan klik Graphs.

pada residual for plots adalah Regular, dan Residual Plots

adalah Individual Plot yaitu pilih Normal Plot of Residual,
Histogram Of Residual dan Residual versus Fits, selanjutnya
Klik OK.

Untuk memilih display of result maka dengan klik Result

Yaitu memilih Regression equation, table of coefficients, s, R-

squared, and basic analysis of variance, selanjutnya klik OK

101
 Klik Storage, Diagnostic Measure >> Residuals

Selanjutnya klik OK

Jika ingin diketahiu nilai Durbin Watsonnya maka klik

Option, Display pilih Variance inflation factors, Durbin
Watson Statistic, selanjutnya klik OK >> OK

102
1. UJI ASUMSI KLASIK

Uji Normalitas
Klik start >> basic statistic >> normality Test

Selanjutnya muncul kotak dailog seperti dibawah ini pada

kotak dialog veriabel isiskan julmah penduduk dan pada
kota dialog test for normality pilih Kolmogorov-Smirnov,
kemudian klik OK, maka outputnya akan keluar

103
 Uji Heteroskedasitas

Cara menentukan Heteroskedasitas :

Langkah-langkah
Klik calc >> Calculator

Pada kota dialog Store result in Variable masukan C6

artinya data akan di masukan pada kolom C6, pada kotak
doalog Function pilih Absolute value, pada kotak dialog
Expression masukan ABS(RESI 1) selanjutnya klik OK

104
 Analisis data untuk mengetahui persamaan garis regresinya,
langkah-langkahnya adalah
Start >> Regression >> Regression

Isikan variabel response = jumlah_penduduk dan variable

precictor = kelahiran, kematian

Langkah selanjutnya sesuai dengan uji analisis regresi pada

umumnya.

105
106