APLIKASI METODE MAKSIMUM LIKELIHOOD DALAM REGRESI

LINIER BERGANDA

SKRIPSI

CITRA JULIANA HASIBUAN

090823023

KEMENTRIAN PENDIDIKAN NASIONAL

DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
MEDAN
2011

Universitas Sumatera Utara

 APLIKASI METODE MAKSIMUM LIKELIHOOD DALAM REGRESI
LINIER BERGANDA

SKRIPSI

Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana Sains

CITRA JULIANA HASIBUAN

090823023

KEMENTRIAN PENDIDIKAN NASIONAL

DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
MEDAN
2011

Universitas Sumatera Utara

 PERSETUJUAN

Judul : APLIKASI METODE MAKSIMUM

LIKELIHOOD DALAM REGRESI LINIER
BERGANDA
Kategori : SKRIPSI
Nama : CITRA JULIANA HASIBUAN
Nomor Induk Mahasiswa : 090823023
Program Studi : S1 STATISTIKA EKSTENSI
Departemen : MATEMATIKA
Fakultas : MATEMATIKA DAN ILMU PENGETAHUAN
ALAM (MIPA) UNIVERSITAS SUMATERA
UTARA

Diluluskan di
Medan, Juli 2011

Komisi Pembimbing :

Pembimbing 2, Pembimbing 1,

Drs. Rachmad Sitepu, M. Si Drs. Ujian Sinulingga, M. Si

NIP. 19530418 198703 1 001 NIP. 19560303 198403 1 004

Diketahui/Disetujui oleh
Departemen Matematika FMIPA USU
Ketua,

Prof. Dr. Tulus, M.Si

NIP. 19620901 198803 1 002

Universitas Sumatera Utara

 PERNYATAAN

APLIKASI METODE MAKSIMUM LIKELIHOOD DALAM REGRESI

LINIER BERGANDA

SKRIPSI

Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali beberapa
kutipan dan ringkasan yang masing-masing disebutkan sumbernya.

Medan, Juli 2011

CITRA JULIANA HASIBUAN

090823023

Universitas Sumatera Utara

 PENGHARGAAN

Diawali dengan mengucapkan Puji Syukur Kehadirat Allah SWT, yang selama ini
telah memberikan Penulis kekuatan dan semangat sehingga penyusunan Skripsi ini
dapat diselesaikan dengan baik dan tepat waktu.

Adapun tujuan dari penulisan Skripsi ini adalah merupakan salah satu syarat
untuk menyelesaikan Program S1 Statistika Ekstensi pada Fakultas Matematika dan
Ilmu Pengetahuan Alam Universitas Sumatera Utara.

Sebagai salah satu perwujudan dari proses pendidikan kemahasiswaan,

penyusunan Skripsi ini disajikan berdasarkan pembahasan oleh penulis dari Model
Eksponen Berganda.

Selama dalam penyusunan Skripsi ini penulis telah banyak memperoleh

bantuan dan bimbingan, untuk itu pada kesempatan ini Penulis ingin mengucapkan
terima kasih yang sebesar-besarnya kepada:

1. Kepada Ayahanda Bahrain Hasibuan dan Ibunda Rikhwaniah yang telah

memberikan bantuan materil, ridho dan do’a yang tiada hentinya untuk
penulis dari awal perkuliahan sampai selesainya penyusunan Skripsi ini,
kepada Abangda M. Darma Wijaya Hasibuan dan Adikku M. Arief
Kurniawan Hasibuan yang selalu memberi semangat dan motivasi kepada
penulis
2. Bapak Drs. Sutarman, M.Sc selaku Dekan FMIPA USU
3. Bapak Prof Dr. Tulus, M.Si selaku Ketua Departemen Matematika FMIPA
USU
4. Bapak Drs. Pengarapen Bangun, M.Si selaku Ketua Pelaksana Jurusan
Program S1 Statistika Ekstensi
5. Bapak Drs. Ujian Sinulingga, M.Si selaku dosen pembimbing 1 pada
penulisan Skripsi ini yang telah bersedia memberikan arahan, bimbingan
dan petunjuk kepada penulis dalam menyelesaikan Skripsi ini
6. Bapak Drs. Rachmad Sitepu, M.Si selaku dosen pembimbing 2 pada
penulisan Skripsi ini yang telah bersedia memberikan arahan, bimbingan
dan petunjuk kepada penulis dalam menyelesaikan Skripsi ini
7. Bapak Drs. Pasukat Sembiring, M.Si dan Bapak Drs. H. Haluddin
Panjaitan selaku dosen penguji yang telah memberikan masukan positif
dalam penyelesaian skripsi ini.
8. Seluruh Staff Pengajar di Fakultas Matematika dan lmu Pengetahuan
Alam Universitas Sumatera Utara khususnya Jurusan Matematika
9. Teman-teman Matematika Statistik stambuk 2009 atas kerja samanya dan
yang selalu memberi motivasi, dukungan dan kepercayaannya.
10. Semua pihak yang terkait dalam penyelesaian skripsi ini.

Universitas Sumatera Utara

 Sepenuhnya Penulis menyadari bahwa dalam penyusunan Skripsi ini masih
banyak terdapat kekurangan. Untuk itu penulis mengharapkan saran dan kritik yang
bersifat membangun, dimana saran dan kritik tersebut dapat dimanfaatkan untuk
kemajuan ilmu pengetahuan pada saat ini dan yang akan datang.

Semoga Penulisan Skripsi ini dapat memberikan manfaat dan berguna bagi
pembaca dan penulis pada khususnya. Akhir kata penulis mengucapkan banyak terima
kasih.

Medan, Juli 2011

Penulis

Universitas Sumatera Utara

 ABSTRAK

Regresi linier berganda merupakan regresi linier yang melibatkan hubungan

fungsional antara variabel terikat dengan dua atau lebih variabel bebas. Untuk
mengestimasi model regresi linier berganda digunakan metode maksimum likelihood.
Estimasi maksimum likelihood berguna untuk menentukan parameter yang
memaksimalkan kemungkinan dari data sampel. Dari sudut pandang statistik, metode
maksimum likelihood dianggap lebih kuat pada hasil estimator dengan sifat statistik.
Bentuk umum persamaan model regresi linier berganda yaitu:

Y = β 0 + β1 X i .... + β k X k + ε

Yang menunjukkan bahwa hubungan antara lebih dari satu variabel X sebagai
variabel bebas dengan Y sebagai variabel terikat.

Universitas Sumatera Utara

 ABSTRACT

Multiple linear regression is a linear regression involving a functional relationship

between the dependent variable with two or more independent variables. To estimate
the linear regression model used the maximum likelihood method. Maximum
likelihood estimation is useful for determining the parameters that maximize the
likelihood of the data sample. From the statistical point of view, the method is
considered more robust maximum likelihood estimator on the results of the statistical
properties. A common form of multiple linear regression model equation is:

Y = β 0 + β1 X i .... + β k X k + ε

Which indicates that the relationship between more than one variable X as the
independent variables with Y as the dependent variable.

Universitas Sumatera Utara

 DAFTAR ISI

Halaman
Persetujuan i
Pernyataan ii
Penghargaan iii
Abstrak v
Abstract vi
Daftar Isi vii
Daftar Tabel viii

BAB 1 PENDAHULUAN 1
1.1 Pendahuluan 1
1.2 Perumusan Masalah 3
1.3 Tujuan Penelitian 3
1.4 Kontribusi Penelitian 3
1.5 Tinjauan Pustaka 3
1.6 Metode Penelitian 5

BAB 2 LANDASAN TEORI 6

2.1 Analisis Regresi 6
2.1.1 Regresi Linier Sederhana 7
2.1.2 Regresi Linier Berganda 9
2.2 Estimasi 11
2.2.1 Estimasi Maksimum Likelihood 12
2.2.2 Maksimum Likelihood dalam Regresi Linier Berganda 13

BAB 3 PEMBAHASAN 17
3.1 Estimasi Parameter Menggunakan Maksimum Likelihood 17
3.2 Estimasi Interval Untuk Parameter Regresi Linier Berganda 20
3.3 Pengujian Hipotesis 25

BAB 4 KESIMPULAN DAN SARAN 28

4.1 Kesimpulan 28
4.2 Saran 28

Daftar Pustaka ix

Universitas Sumatera Utara

 DAFTAR TABEL

Tabel 3.1 Pengeluaran Pendapatan dan Jumlah Orang dalam Keluarga 17

Tabel 3.2 Penentuan nilai e 2 21
Tabel 3.3 Interval Korelasi 22
Tabel 3.4 Menentukan Persamaan dengan Matriks 23

Universitas Sumatera Utara

 ABSTRAK

Regresi linier berganda merupakan regresi linier yang melibatkan hubungan

fungsional antara variabel terikat dengan dua atau lebih variabel bebas. Untuk
mengestimasi model regresi linier berganda digunakan metode maksimum likelihood.
Estimasi maksimum likelihood berguna untuk menentukan parameter yang
memaksimalkan kemungkinan dari data sampel. Dari sudut pandang statistik, metode
maksimum likelihood dianggap lebih kuat pada hasil estimator dengan sifat statistik.
Bentuk umum persamaan model regresi linier berganda yaitu:

Y = β 0 + β1 X i .... + β k X k + ε

Yang menunjukkan bahwa hubungan antara lebih dari satu variabel X sebagai
variabel bebas dengan Y sebagai variabel terikat.

Universitas Sumatera Utara

 ABSTRACT

Multiple linear regression is a linear regression involving a functional relationship

between the dependent variable with two or more independent variables. To estimate
the linear regression model used the maximum likelihood method. Maximum
likelihood estimation is useful for determining the parameters that maximize the
likelihood of the data sample. From the statistical point of view, the method is
considered more robust maximum likelihood estimator on the results of the statistical
properties. A common form of multiple linear regression model equation is:

Y = β 0 + β1 X i .... + β k X k + ε

Which indicates that the relationship between more than one variable X as the
independent variables with Y as the dependent variable.

Universitas Sumatera Utara

 BAB 1

PENDAHULUAN

1.1 Latar Belakang

Metode analisis yang telah dibicarakan hingga sekarang adalah analisis terhadap data
mengenai sebuah karakteristik atau atribut (jika data itu kualitatig) dan mengenai
sebuah karakteristik (jika data itu kuantitatif). Tetepi, sebagaimana disadari banyak
persoalan atau fenomena yang meliputi lebih dari sebuah variabel. Misalnya, berta
orang dewasa laki-laki sampai taraf tertentu bergantung pada tingginya, tekanan
semacam gas bergantung pada temperatur, hasil produksi padi tergantung pada jumlah
pupuk yang digunakan, banyak curah hujan, cuaca dan sebagainya.

Maka dalam hal ini dirasa perlu untuk mempelajari analisis data yang terdiri
atas banyak variabel. Jika kita mempunyai data yang terdiri atas dua variabel atau
lebih variabel, adalah sewajarnya untuk mempelajari cara bagaimana variabel-variabel
itu berhubungan. Hubungan yang didapat pada umumnya dinyatakan dalam bentuk
persamaan matematik yang menyatakan hubungan fungsional antara variabel-variabel.
Analisa yang menyangkut masalah ini dikenal dengan analisis regresi.

Analsis regresi dibedakan atas dua jenis variabel yaitu variabel bebas dan
variabel terikat. Penetuan variabel bebas dan terikat dalam beberapa hal tidak mudah
dilaksanakan. Analisis yang cermat, analisa yang seksama, berbagai pertimbanagn,
kewajaran masalah yang dihadapi dan pengalaman akan memudahakan penentuan.
Variabel yang mudah didapat atau tersedia sering dapat digolongkan kedalam variabel
bebas, sedangkan variabel yang terjadi karena variabel bebas itu merupakan varabel

Universitas Sumatera Utara

terikat. Untuk keperluan analisis, variabel bebas akan dinyatakan dengan
X 1 , X 2 ,  X k (k ≥ 1) , sedangkan variabel terikat akan dinyatakan dengan Y.
Statistika bermaksud menyimpulkan populasi yang pada umumnya dengan
menggunakan hasil analisis data sampel. Khusus mengenai regresi dalam menentukan
hubungan fungsional yang diharapkan berlaku untuk populasi berdasarkan data
sampel yang diambil dari populasi yang bersangkutan. Seperti dikatakan di atas,
hubungan fungsional ini akan dituliskan dalam bentuk persamaan matematik yang
disebut dengan persamaan regresi dan bergantung pada parameter-parameter.

Regresi linier merupakan suatu metode analisis statistik yang mempelajari pola
hubungan anatara dua atau lebih variabel. Pada kenyataan sahari-hari sering dijumpai
sebuah kejadian dipengaruhi oleh lebih dari satu variabel, oleh karenanya
dikembangkan analisis regresi linier berganda. Regresi linier berganda adalah
perluasan dari regresi sederhana yang mempunyai lebih dari satu variabel bebas X.
Regresi linier berganda digunakan untuk memodelkan hubungan antara variabel
terikat dan variabel bebas. Untuk mendapatkan estimasi β 0 , β1 ,  , β k digunakan
metode maksimum likelihood, dimana metode ini secara prinsip dapat
meminimumkan jumlah kuadrat kesalahan.

Salah satu cara untuk mendapatkan penaksir yang baik adalah dengan
menggunakan metode maksimum likelihood, yang telah diperkenalkan oleh seorang
ahli genetika dan statistik Sir R. A. Fisher antara tahun1912 sampai 1922 dan
memiliki aplikasi yang luas diberbagai bidang. Cara memaksimumkan likelihood
berkaiatan dengan metode estimasi dalan statistik. Estimasi maksimum likelihood
berguna untuk menentukan parameter yang memaksimalkan kemungkinan dari data
sampel. Dari sudut pandang statistik, metode maksimum likelihood ini dianggap lebih
kuat pada hasil estimator dengan sifat statistik. Selain itu, metode ini juga lebih efisin
untuk ketidakpastian pengukuran melalui batas keyakinan. Meskipun metodologi
untuk estimasi maksimum likelihood termasuk sederhana namun pelaksanaan
matematiknya sangat kuat. Parameter yang diperoleh dari fungsi estimasi maksimum
likelihood merupakan nilai yang sebenarnya. Jelas bahwa ukuran sampel menentukan

Universitas Sumatera Utara

ketelitian dari estimator. Jika ukuran sampel sama dengan populasi, maka estimator
memiliki sifat tidak bias, konsisten, dan efisien.

1.2 Perumusan Masalah

Masalah dalam penelitian ini adalah bagaimana menetukan model koefisien regresi
linier berganda dengan menggunakan maksimum likelihood.

1.3 Tujuan Penelitian

Tujuan dari penelitian ini adalah untuk menguraikan cara mengestimasi parameter
regresi linier berganda dengan meminimumkan error menggunakan maksimum
likelihood.

1.4 Kontribusi Penelitian

Kontribusi penelitian ini adalah:

1. Menambah wawasan dan memperkaya literature dalam bidang statistika yang
berhubungan dengan regresi linier berganda dan maksimum likelihood.
2. Dengan diketahuinya bagaimana cara mengestimasi parameter regresi linier
berganda menggunakan maksimum likehood diharapkan dapat meminimumkan
jarak antara titik data dan garis regresi.
3. Untuk mengetahui besarnya pengaruh dari setiap variabel bebas ( yang tercakup)
dalam persamaan) terhadap varabel tak bebas.

1.5 Tinjauan Pustaka

Universitas Sumatera Utara

Dalam penelitian ini penulis menggunakan buku - buku berikut sebagai sumber utama,
diantaranya adalah:

1 Supranto J : apabila variabel mempunyai hubungan linier dengan n buah variabel

X, maka model matematik regresi bergandanya adalah:

Y = β 0 + β1 X 1 +  + β k X k + ε

Keterngan:
Y = variabel terikat
X 1 , X 2 , X k = variabel bebas

β 0 , β1 ,, β k = parameter regresi

ε = nilai kesalahan (error)

maka akan diperoleh variabel baru x (xi = X i − X ) . Dan persamaan regresi

2. Wonnacott, T. H dan Wonnacott, R. J : jika X dikurangi dengan rata-ratanya,

linier bergandanya menjadi:

Yi = β 0 + β1 x1i +  + β k x ki + ε

Keterangan:
Yi = variabel terikat ke-i

x1i ,  , x ki = selisih antara variabel bebas X dengan nilai rata-ratanya pada

pengamatan ke-i
β 0 , β1 ,, β k = parameter regresi
ε = nilai kesalahan (error)

Secara umum, bila ada sampel berukuran n dan kemungkinan sampel yang diamati,
dan nilai fungsi kemungkinan untuk β 0 , β1 ,  , β k : p(Y1 , Y2 ,  , Yk / β 0 , β1 ,  , β k ) .
Untuk nilai Y bebas dengan mengalikan semua kemungkinan bersama, dimana:

Universitas Sumatera Utara

p (Y1 , Y2 ,  , Yk / β 0 , β1 ,  , β k )

 1 −1  Yi − ( β 0 + β1 x1i ++ β k xki )   1 −1  Y2 − ( β 0 + β1 x1i ++ β k xki )  

=  2
 
 2 
2 2

σ σ
e  
e  

σ 2π  σ 2π 
  

 1 −1  Yi − ( β 0 + β1 x1i ++ β k xki )  

=∏  
2 
2

σ
e  
n

 σ π 
i =1
 
2

∏
n
Dengan menyatakan hasil kali kemungkinan bersama untuk nilai Yi yang
i =1

penggunaannya dikenal dengan penjumlahan eksponen:

 1  ∑ (−12 ) Yi −( β 0 + β1xσ1i ++ β k xki ) 

p(Y1 , Y2 ,  , Yk / β 0 , β1 ,  , β k ) =   e
n 2
n
 

 σ 2π
i =1

Mengingat Yi amatan yang diberikan dipertimbangkan untuk berbagai nilai

β 0 , β1 ,, β k . Sehingga persamaan diatas dinamakan fungsi likelihood:

∑ 
L(β 0 , β1 ,  β k ) =
 Yi − β 0 − β1 x1i −− β k xki 

(σ )
−1 
n 2

1 2
i =1
σ 

2π
n
e

L(β 0 , β1 ,  β k ) = fungsi maksimum likelihood pada parameter β 0 , β1 ,  , β k

Keterangan:

σ = parameter yang merupakan simpangan baku untuk distribusi

π = nilai konstan ( π = 3,14)
n = banyak data sampel
e = bilangan konstan (e= 2,718)
Yi = variabel terikat ke-i

βi = parameter regresi ke-i

Universitas Sumatera Utara

1.6 Metode Penelitian

Uraian metode yang digunakan dalam penelitian secara rinci meliputi:

a. Membentuk persamaan dari data dengan cara subsitusi.
b. Menganalisa persamaan dengan menggunakan maksimum likelihood.
c. Mengambil kesimpulan dari analisa yang diperoleh.

Universitas Sumatera Utara

 BAB 2

LANDASAN TEORI

2.1 Analisis Regresi

Perubahan nilai suatu variabel tidak selalu tejadi dengan sendirinya, namun perubahan
nilai variabel itu dapat pula disebabkan oleh berubahnya variabel lain yang
berhubungan dengan variabel tersebut. Untuk mengetahui pola nilai suatu variabel
yang disebabkan oleh variabel lain diperlukan alat analisis yang memungkinkan untuk
membuat perkiraan nilai variabel tersebut pada nilai tertentu variabel yang
mempengaruhinya.

Teknik yang umum digunakan untuk menganalisis hubungan antara dua atau
lebih variabel dalam ilmu statistik adalah analisis regresi. Analisis regresi adalah
teknik statistik yang berguna untuk memeriksa dan memodelkan hubungan diantara
variabel-variabel. Analisis regresi berguna dalam menelaah hubungan dua variabel
atau lebih dan terutama untuk menelusuri pola hubungan yang modelnya belum
diketahui dengan sempurna, sehingga dalam penerapannya lebih bersifat eksploratif.

Persamaan regresi yang digunakan untuk membuat taksiran mengenai nilai

variabel terikat disebut persamaan regresi estimasi, yaitu suatu formula matematis
yang menunjukkan hubungan keterkaitan antara satu atau beberapa variabel yang
nilainya sudah diketahui dengan satu variabel yang nilainya belum diketahui. Sifat
hubungan antar variabel dalam persamaan regresi merupakan hubungan sebab akibat.

Regresi yang berarti peramalan, penaksiran atau pendugaan pertama kali

diperkenalkan pada tahun 1877 oleh Sir Francis Galton (1822 - 1911) sehubungan

Universitas Sumatera Utara

dengan penelitiannya terhadap manusia. Penelitian tersebut membandingkan antara
tinggi anak laki-laki dan tinggi badan orang tuanya. Istilah regresi pada mulanya
bertujuan untuk membuat perkiraan nilai suatu variabel (tinggi badan anak) terhadap
suatu variabel yang lain (tinggi badan orang tua). Pada perkembangan selanjutnya,
analisis regresi dapat digunakan sebagai alat untuk membuat perkiraan nilai suatu
variabel dengan menggunakan beberapa variabel lain yang berhubungan dengan
variabel tersebut.

2.1.1 Regresi Linier Sederhana

Regresi linier sederhana adalah analisis regresi yang melibatkan hubungan fungsional
antara satu variabel terikat dengan satu variabel bebas. Variabel terikat merupakan
variabel yang nilainya selalu bergantung dengan nilai variabel lain. Dalam hal ini
variabel terikat yang nilainya selalu dipengaruhi oleh variabel bebas, sedangkan
variabel bebas adalah variabel yang nilainya tidak bergantung pada nilai variabel lain.
Dan biasanya variabel terikat dinotasikan dengan X. Hubungan-hubungan tersebut
dinyatakan dalam model matematis yang memberikan persamaan-persamaan tertentu.

Bentuk umum persamaan regresi linier sederhana yang menunjukkan

hubungan antara dua variabel, yaitu variabel X sebagai variabel bebas dan variabel Y
sebagai variabel terikat adalah

Yi = a + bX i (2.1)

Keterangan:

Yi = variabel terikat ke-i

Xi = variabel bebas ke-i

a = intersep (titik potong kurva terhadap simbu Y)

b = kemiringan (slope) kurva linier

Universitas Sumatera Utara

 Metode kuadrat terkecil adalah suatu metode untuk menghitung a dan b

( SSD = ∑ ei ) memiliki niali terkecil.

sebagai perkiraan A dan B, sedemikian rupa sehungga jumlah deviasi kuadrat
2

Model sebenarnya : Y = A + BX + ε
Model perkiraan : Y = a + bX +e

a, b merupakan perkiraan / taksiran atas A, B.

Jika X dikurangi rata-ratanya ( xi = X i − X ) akan diperoleh variabel baru x

dengan ∑x i = 0 . Maka persamaannya menjadi:

Yi = a + bxi + ei

ei = Yi − (a + bxi )

SSD = ∑ ei = ∑ [Yi − (a + bxi )]

2 2
(2.2)

Metode meminimumkan jumlah deviasi kuadrat (regresi kuadrat terkecil) yang

didasarkan pada pemilihan a dan b, sehungga meminimalkan jumlah kuadrat deviasi
titik-titik data dari garis yang dicocokkan.

Kemudian akan ditaksir a dan b sehingga jika taksiran ini disubstitusikan ke

dalam persamaan (2.2), maka jumlah deviasi kuadrat menjadi minimum. Dengan
mendifferensialkan persamaan (2.2) terhadap a dan b dengan menetapkan derivatif
parsial yang dihasilkan sama dengan nol, diperoleh:

∂ ∑ ei2
∑ (Yi − a − bxi ) 2 = ∑ Yi − na − b∑ xi = 0 → ∑ xi = 0
∂
=
∂a ∂a

⇒ aˆ =
∑Y i
=Y (2.3)
n

Universitas Sumatera Utara

 ∂ ∑ ei2
∑ (Yi − a − bxi ) 2 = ∑ xi Yi − a ∑ xi − b∑ x 2 i = 0 → ∑ xi = 0
∂
=
∂b ∂b

⇒ bˆ =
∑xY
∑x
i i
2
(2.4)
i

Nilai â dan b̂ yang diperoleh dan cara ini disebut taksiran kuadrat terkecil
masing-masing dari a dan b. Dengan demikian, taksiran persamaan regresi dapat
ditulis sebagai, Yˆ = aˆ + bˆX yang disebut persamaan prediksi.

Garis regresi berguna untuk menentukan hubungan pengaruh perubahan

variabel yang satu dengan yang lainnya. Selanjutnya dari hubungan dua variabel ini
dapat dikembangkan untuk analisa tiga variabel atau lebih.

2.1.2 Regresi Linier Berganda

Regresi Linier Berganda merupakan regresi linier yang melibakan hubungan

fungsional antara sebuah variabel terikat dengan dua atau lebih vaiabel bebas.
Semakin banyak variabel bebas yang terlibat dalam suatu persamaan regresi semakin
rumit menentukan nilai statistik yang diperlukan hingga diperoleh persamaan regresi
estimasi. Regresi linier berganda berguna untuk mendapatkan pegaruh dua variabel
kiteriumnya atau untuk mencari hubungan fungsional dua variabel bebas atau lebih
dengan variabel kriteriumnya, atau untuk meramalkan dua variabel bebas atau lebih
terhadap variabel kriteriumnya.

Hubungan linier lebih dari dua variabel yang bila dinyatakan dalam bentuk
persamaan matematis adalah:
Y = β 0 + β1 X 1 +  + β k X k + ε (2.5)

Keterangan:
Y = variabel terikat

Universitas Sumatera Utara

X 1 ,..., X k = variabel bebas pada variabel ke-1 sampai variabel ke-k

β 0, β1, ..., β k = parameter regresi

ε = nilai kesalahan (error)

Langkah-langkah dalam analisis regresi berganda:

1. Membuat hpotesis Ha dan H0 dalam bentuk kalimat:

H0 : Terdapat hubungan fungsional yang signifikan antara variabel

X 1 , X 2 ,  , X k dengan variabel Y.
Ha : Tidak terdapat hubungan fungsional yang signifikan antara variabel
X 1 , X 2 ,  , X k dengan variabel Y.

2. Kemudian mencari Rhitung dengan rumus:

β1 ∑ x1 y + β 2 ∑ x 2 y +  + β k ∑ x k y
R y2(1, 2,...,k ) =
∑y 2
(2.6)

3. Kemudian menghitung Fsign hitung dengan menggunakan rumus:

R y2(1, 2,...,k ) (n − k − 1)
Freg =
k (1 − R y2(1, 2,...,k )
(2.7)

4. Dengan menggunakan taraf α = 0,05

5. Menghitung nilai Ftabel dengan mengunakan rumus:

Ftabel = Fα ( k .n − k −1) (2.8)

6. Membuat kriteria pengujian, yaitu:

Universitas Sumatera Utara

 Fhit > Ftabel : maka H0 ditolak signifikan
Fhit ≤ Ftabel : maka H0 diterima.

7. Membuat Kesimpulan

2.2 Estimasi

Estimasi adalah menaksir ciri-ciri tertentu dari populasi tertentu dari populasi atau
memperkirakan nilai populasi (parameter) dengan memakai nilai sampel (statistik).
Dengan statistika kita berusaha meyimpulkan populasi. Dalam kenyataannya,
mengingat berbagai faktor untuk keperluan tersebut diambil sebuah sampel yang
represntatif dan berdasarkan hasil analisis terhadap data sampel kesimpulan mengenai
populasi dibuat. Cara pengambilan kesimpulan tentang parameter berhubugan dengan
cara-cara menaksir harga parameter. Jadi, harga parameter sebenarnya yang tidak
diketahui akan diestimasi berdasarkan statistik sampel yang diambil dari populasi
yang bersangkutan.

Sifat atau ciri estimator yang baik yaitu tidak bias, efisien dan konsisten:
1. Estimator yang tidak bias
Estimator dikatakan tidak bias apabila dapat menghasilkan estimasi yang
mengandung nilai parameter yang diestimasikan. Misalkan, estimtor ϑ̂

dikatakan estimator yang tidak bias jika rata-rata semua harga ϑ̂ yang
mungkin akan sama dengan ϑ . Dalam ekspektasinya dapat ditulis dengan

E (θˆ) = θ .

2. Estimator yang efisien

Estimator dikatakan efisien apabila hanya dengan rentang nilai estiasi yang
kecil saja sudah cukup mengandung nlai parameter, estimator bervarians
minimum ialah estimator dengan varians terkecil di antara semua estimator
untuk parameter yang sama. Jika ϑ̂1 dan ϑ̂2 dua estimator untuk ϑ dimana

Universitas Sumatera Utara

 varians untuk ϑ̂1 lebih kecil dari varians untuk ϑ̂2 , maka ϑ̂1 merupakan
estimator bervarians minimum.

3. Estimator yang konsisten

Estimator dikatakan konsisten apabila sampel yang diambil berapa pun
besarnya, pada rentangnya tetap mengandung nilai parameter yang sedang

diestimasi. Misalkan, ϑ̂ estimator untuk θ yang dihitung berdasrakan sebuah

sampek acak berukuran n. Jika ukuran sampel n makin besar mendeteksi

ukuran populasi menyebabkan ϑ̂ mendekati θ , maka ϑ̂ disebut estimator

konsisten.

Estimasi nilai parameter memiliki dua cara, yaitu estimasi titik (point
estimation) dan estimasi selang (Interval estimation).

a. Estimasi titik (point estimation)

Estimasi titik adalah estimasi dengan menyebut satu nilai atau untuk
mengestimasi nilai parameter.

b. estimasi interval (Interval estimation)

Estimasi Interval dengan menyebut daerah pembatasan dimana kita
menentukan batas minimum dan maksimum suatu estimator. Metode ini
memuat nilai-nilai estimator yang masih dianggap benar dalam tingkat
kepercayaan tertentu (confidence interval)

2.2.1 Estimasi Maksimum Likelihood

Salah satu cara untuk mendapatkan estimator yang baik adalah dengan menggunakan
metode maksimum likelihood yang diperkenalkan oleh R. A. Fisher. Maksimum
Likelihood merupakan suatu cara mendapat estimator a untuk parameter b yang tidak
diketahui dari populasi dengan memaksimumkan fungsi kemungkinan.

Universitas Sumatera Utara

 Untuk data sampel x1 ,..., x n dari distribusi yang kontinu dengan fungsi padat

f(x; α ) ditentukan fungsi likelihood sebagai L( x1 ,..., x n ; α ) = f ( x1 ; α )... f ( x n ; α ).

p( X = xi ) = pi (α ), i = 1,..., r
Unuk data sampel distribusi yang diskrit dengan nilai kemungkinan
dan frekuensi f1 ,...., f k ditentukan dengan fungsi
Likelihood sebagai berikut:

L( x1 ,  , x n ; α ) = ( pi (α )) 1  ( p r (α )) r , ∑f =n
n
f f

i =1
i

Karena ln L merupakan transformasi yang monoton naik daripada L, maka ln

L mencapai maksimumnya pada nilai α yang sama. Menurut hitung differensial

= 0 . Suatu akar persamaan ini αˆ = a(x1 ,..., x n ) yang

∂ ln L
∂α
persamaan menjadi

memaksimumkan L, disebut estimasi maksimum likelihood untuk α .

2.2.2 Maksimum Likelihood dalam Regresi Linier Berganda

Maksimum Likelihood adalah metode yang dapat digunakan umtuk mengestimasi

suatu parameter dalam regresi.

( )
Jika X dikurangi dengan rata-atanya, maka maka akan diperoleh variabel baru
x xi = X i − X dan selisih antara X i dan X merupakan perhitungan yang sederhana

karena jumlah dari nilai xi tersebut adalah sama dengan nol  ∑ xi = 0  . Dan
 n 
 i =1 
persamaan regresi linier berganda menjadi:

Yi = β 0 + β1 X 1 + ... + β k X k + ε (2.7)

Keterangan:

Universitas Sumatera Utara

Yi = variabel terikat ke-i

x1i ,..., x ki = selisih antara variabel bebas X dengan nilai rata-ratanya pada

pengamatan ke-i
β 0, β1 ,..., β k = parameter regresi
ε = nilai kesalahan(error)

Teknik estimasi maksimum likelihood mempertimbangkan berbagai populasi

yang mungkin dengan perpindahan garis regresi dan regresi tersebut mengelilingi
distribusi untuk semua posisi yang mungkin. Perbedaan posisi yang berhubungan
dengan perbedaan nilai percobaan untuk β 0, β1 ,..., β k . Dalam hal ini, pengamatan

likelihood dipilih hipotesis populasi yang maksimum dalam likelihood. Secara umum,
andaikan kita mempunyai sampel berukuran n dan kita ingin mengetahui
kemungkinan sampel yang diamati. Diperlihatkan fungsi nilai kemungkinan sampel
untuk β 0, β1 ,..., β k :

p(Yi , Y2 ,..., Yn / β 0 , β1 ,..., β k ) (2.8)

Mengingat kemungkinan nilai pertama Y adalah:

 Y − ( β 0 + β1 x1i +...+ β k xki ) 

p(Yi ) =
−1  1 
2

1 2 σ 

σ 2π
e (2.9)

β 0 + β1 x1i + ... + β k xki dan varians (σ 2 ) yang disubstitusi ke dalam:

Hal di atas adalah distribusi normal sederhana dengan rata-rata

p(Yi ) =
 1  x − µ 
−   
1  2  σ 

σ 2π
e . Kemungkinan nilai kedua Y sama dengan (2.9), kecuali

angka satu diganti dengan dua dan deterusnya untuk semua nilai Y amatan lainnya.

Untuk nilai Y bebas dengan mengalikan semua kemungkinan bersama dalam

(2.8), dimana:

Universitas Sumatera Utara

p(Yi , Y2 ,..., Yn / β 0 , β1 ,..., β k )

 1  Y − ( β 0 + β1 x1i +...+ β k xki )   1  Y − ( β 0 + β1 x1i +...+ β k xki )  

=  ...
−1  1  −1  2 
2 2

2 σ  2 σ 

σ 2π  σ 2π 
e e
  

 1  Y − ( β 0 + β1 x1i +...+ β k xki )  

= ∏ 
−1  i 
2

2 σ 
n

i =1 σ 2π
 
e (2.10)
 

∏
n
Dengan menyatakan hasil kali n kemungkinan bersama untuk nilai Yi
i =1

yang penggunaannya dik enal untuk eksponensial. Hasil (2.10) dapat diperlihatkan
dengan penjumlahan ekspnen:

 1  ∑ (− 12 ) Yi −( β 0 + β1xσ1i +...+ β k xki ) 

p(Y1 , Y2 ,..., Yn / β 0 , β1 ,..., β k ) = 
2

 e
n
n
 

 σ 2π 
i =1
(2.11)

Mengingat Yi amatan yang diberikan dipertimbangkan untuk berbagai nilai

β 0 , β1 ,..., β k . Sehingga persamaan (2.11) dinamakan fungsi likelihood:

∑ 
L(β 0 , β1 ,..., β k ) =
 Yi − β 0 − β1 x1i −...− β k xki 

(σ )
−1 
n 2

1 2
i =1
σ 

2π
n
e (2.12)

L(β 0 , β1 ,..., β k ) = fungsi maksimum likelihood pada parameter β 0 , β1 ,..., β k

Keterangan:

σ = parameter yang merupakan simpangan baku untuk distribusi

π = nilai konstan ( π = 3,1416)
n = banyak data sampel
e = bilangan konstan (e = 2,7183)
Yi = variabel terikat ke-i

Universitas Sumatera Utara

βi = parameter regresi ke-i

Dari persamaan (2.12) diperoleh ln L(β 0 , β1 ,..., β k ) , yaitu:

Λ = ln L(β 0 , β 1 ,..., β k ) = − ln(2π ) − n ln σ − ∑  i

1 n  Y − β 0 − β1 x1i − ... − β k x ki 
 (2.13)
2

σ
n
2 2 i =1  

Dengan mendiffrensialkan Λ terhadap setiap parameter β 0 , β1 ,..., β k dan menetapkan

derivatif parsial yang dihasilkan sama dengan nol, diperoeh:

∑ (Y − β 0 − β1 x1i − ... − β k x ki ) = 0
∂Λ
= 2
n

∂β 0 σ
1
i =1
i

= ∑ Yi − nβ 0 − β1 ∑ x1i − ... − β k ∑ x ki = 0 → ∑ x1i = ∑ x ki = 0

n n n n n

i =1 i =1 i =1 i =1 i =1

∑Y
n

⇒ β̂ 0 = i =1
=Y (2.14)
n

= 2 − x1i ∑ (Yi − β 0 − β1 x1i − ... − β k x ki ) = 0

∂Λ n

∂β1 σ
1
i =1

= −∑ x1i Yi + β 0 ∑ x1i +β1 ∑ x12i − ... − β k ∑ x1i x ki = 0 → ∑ x1i = 0

n n n n n

i =1 i =1 i =1 i =1 i =1

⇒ −∑ x1i Yi + β1 ∑ x12i − ... − β k ∑ x1i x ki = 0

n n n

i =1 i =1 i =1

(2.15)


∑ − x (Y − β 0 − β1 x1i − ... − β k x ki ) = 0
∂Λ
= 2
n

∂β 2 σ
1
i =1
ki i

= −∑ x ki Yi − β 0 ∑ x ki +β1 ∑ x1i x ki − ... − β k ∑ x ki2 = 0 → ∑ x ki = 0

n n n n n

i =1 i =1 i =1 i =1 i =1

⇒ −∑ x ki Yi + β1 ∑ x1i x ki − ... − β k ∑ x ki2 = 0

n n n

i =1 i =1 i =1

Universitas Sumatera Utara

 Maka hasil yang diperoleh dari penurunan parsial di atas dapat dihitung nilai

parameter βˆ0 , βˆ1 ,..., βˆ k .

Universitas Sumatera Utara

 BAB 3

PEMBAHASAN

3.1 Estimasi Parameter Menggunakan Maksimum Likelihood

Misalkan suatu persoalan yang dilakukan terhadap 8 keluarga, untuk menaksir

pengeluaran membeli barang D dalam satu minggu.

Keterangan: X1 = Pendapatan / minggu (dalam ribuan rupiah)

X2 = Jumlah Orang (dalam satuan jiwa)
Y = Pengeluaran untuk membeli barang D / minggu (dalam
ratusan rupiah)

Tabel 3.1 Pengeluaran Pendapatan dan Jumlah Orang dalam Keluarga

Observasi X1 X2 Y
1 51 7 62
2 44 6 52
3 52 8 68
4 57 8 72
5 62 12 78
6 48 7 58
7 53 9 58
8 61 11 74

Universitas Sumatera Utara

Dengan menggunakan regresi yang terdiri dari Yˆ = βˆ0 + βˆ1 X 1 + βˆ 2 X 2 . Fungsi nilai

kemungkinan untuk β 0 , β1 , β 2 : p (Y1 , Y2 ,  , Yk / β 0 , β1 , β 2 ). Untuk nilai Y bebas

dengan mengalikan semua kemungkinan bersama, dimana:

p (Y1 , Y2 ,  , Yk / β 0 , β1 , β 2 )

 1 −1  Yi − ( β 0 + β1 x1i ++ β k xki )   1 −1  Y2 − ( β 0 + β1 x1i ++ β k xki )  

=  2
 
 2 
2 2

σ σ
e  
e  

σ 2π  σ 2π 
  

 1 −1  Yi − ( β 0 + β1 x1i ++ β k xki )  

=∏  
2 
2

σ
e  
n

i =1  σ 2π 
 

∏
n
Dengan menyatakan hasil kali kemungkinan bersama untuk nilai Yi yang
i =1

penggunaannya dikenal dengan penjumlahan eksponen:

 1  ∑ (−12 ) Yi −( β 0 + β1xσ1i ++ β k xki ) 

p (Y1 , Y2 ,  , Yk / β 0 , β1 ,  , β k ) =   e
n 2
n
 

 σ 2π
i =1


(3.1)

Mengingat Yi amatan yang diberikan dipertimbangkan untuk berbagai nilai

β 0 , β1 ,, β k . Sehingga persamaan diatas dinamakan fungsi likelihood:

∑ 
L(β 0 , β1 ,  β k ) =
 Yi − β 0 − β1 x1i −− β k xki 

(σ )
−1 
n 2

1 2
i =1
σ 

2π
n
e (3.2)

L(β 0 , β1 ,  β k ) = fungsi maksimum likelihood pada parameter β 0 , β1 ,  , β k

Keterangan:

σ = parameter yang merupakan simpangan baku untuk distribusi

π = nilai konstan ( π = 3,14)
n = banyak data sampel
e = bilangan konstan (e= 2,718)
Yi = variabel terikat ke-i

βi = parameter regresi ke-i

Universitas Sumatera Utara

Maka ln L(β 0 , β1 ,  β k ) adalah:

Λ = ln L(β 0 , β1 ,  β k ) = − ln(2 x) − n ln σ − ∑  i
1 n  Y − β 0 − β1 x1i −  − β k x ki 
 (3.3)
2

σ
n
2 2 i =1  
Setelah diperoleh nilai Λ maka perhitungan differensialnya untuk β 0 , β1 ,  , β k dan

menetapkan derivatif parsial yang dihasilkan sama dengan nol, yaitu:

∑ (Y − β 0 − β1 x1i − β 2 x 2i ) = 0
∂Λ
= 2
n

∂β 0 σ
1
i =1
i

= ∑ Yi − nβ 0 − β1 ∑ x1i − β 2 ∑ x 2i = 0 → ∑ x1i = ∑ x 2i = 0
n n n n n

i =1 i =1 i =1 i =1 i =1

∑Y
n

⇒ β̂ 0 = i =1
=Y (3.4)
n

∑ − x (Y − β 0 − β1 x1i − β 2 x 2i ) = 0
∂Λ
= 2
n

∂β1 σ
1
i =1
1i i

= −∑ x1i Yi + β 0 ∑ x1i + β1 ∑ x12i + β 2 ∑ x1i x 2i = 0 → ∑ x1i = 0

n n n n n

i =1 i =1 i =1 i =1 i =1

⇒ −∑ x1i Yi + β1 ∑ x12i + β 2 ∑ x1i x 2i = 0

n n n
(3.5)
i =1 i =1 i =1

∑ − x (Y − β 0 − β1 x1i − β 2 x 2i ) = 0
∂Λ
= 2
n

∂β 2 σ
1
i =1
2i i

= −∑ x 2i Yi + β 0 ∑ x 2i + β1 ∑ x1i x 2i + β 2 ∑ x 22i = 0 → ∑ x 2i = 0
n n n n n

i =1 i =1 i =1 i =1 i =1

⇒ −∑ x 2i Yi + β1 ∑ x1i x 2i + β 2 ∑ x 22i = 0
n n n
(3.6)
i =1 i =1 i =1

Dari persamaan diperoleh,

Subsitusi nilai-nilai tabel di atas ke dalam persamaan (3.4),(3.5) dan (3.6) :

∑Y
n

∂Λ
⇒ β̂ 0 = i =1 = Y =65,25
∂β 0 n

Universitas Sumatera Utara

 = − ∑ x1i Yi + β1 ∑ x12i + β 2 ∑ x1i x 2i
∂Λ n n n

∂β1 i =1 i =1 i =1

= -371+ β1 (270)+ β 2 (83)

⇒ 270 β1 + 83 β 2 = 371 (3.7)

= − ∑ x 2i Yi + β1 ∑ x1i x 2i + β 2 ∑ x 22i
∂Λ n n n

∂β 2 i =1 i =1 i =1

= -107+ β1 (83)+ β 2 (30)

⇒ 83 β1 + 30 β 2 =107 (3.8)

Dengan menggunakan persamaan (3.7) dan (3.8) diperoleh nilai β1 = 1,857 dan

β 2 =-1,571.
Maka persamaan regresi linier bergandanya menjadi:

Yˆ = 65,25 + 1,857 x1 + (−1,571) x 2

= 65,25+ 1,857( X 1 − 53,5) − 1,571( X 2 − 8,5)
= − 20,74 + 1,857 X 1 − 1,571 X 2

Ini berarti bahwa besarnya nilai Yˆ akan dipengaruhi oleh nilai parameter

βˆ0 = −20,74 , β̂1 = 1,875 dan β̂ 2 = -1,571 . Dari regresi ini, dapat menaksir
pengeluaran untuk membeli barang D jika keluarga yang terdiri atas lima orang
berpenghasilan Rp. 30.000. ini berarti X 1 = 30 dan X 2 = 8, setelah disubsitusikan ke
dalam persamaan maka hasilnya adalah:
Yˆ = − 20,74 + 1,875(30) − 1,571(8) = 22,94.
Maka, diperkirakan pengeluaran membeli barang D sebesar Rp. 2.294 untuk 8 orang
dalam satu keluarga dengan penghasilan Rp. 30.000 .

3.2 Estimasi Interval Untuk Parameter Regresi Linier Berganda

Universitas Sumatera Utara

Pada dasarnya, nilai-nilai dari koefisien regresi β1 bervariasi. Karena umumnya

σ 2 tidak diketahui, maka σ 2 diduga dengan s e2 , sehingga perkiraan varians ( β )

∑e
adalah:

Var ( β ) = s β ⇒ s =
2

n − k −1
2 2 i
e (3.9)

Keterangan:
s e2 = varians dari kesalahan pengganggu

n = banyak observasi
k = banyak variabel bebas

∑ e = ∑ (Y − Yˆ ) dapat dihitung langsung dari Yi − Yˆi yaitu selisih antara nilai

2 2
i i

observasi Yi dengan nilai regresi Yˆ = βˆ0 + βˆ1 X 1i + βˆ 2 X 2i .

(Y − Yˆ )
Tabel 3.2 Penentuan nilai e 2

e = Yi − Yˆi
2
X1 X2 Y Yˆi i i
51 7 62 62.97 -0.97 0.9409
44 6 52 51.542 0.458 0.209764
52 8 68 63.256 4.744 22.50554
57 8 72 72.541 -0.541 0.292681
62 12 78 75.542 2.458 6.041764
48 7 58 57.399 0.601 0.361201
53 9 58 63.542 -5.542 30.71376

∑ = 62.64315
61 11 74 75.256 -1.256 1.577536
428 68 522

X1X 2 X 12 X 22 X 1Y X 2Y Y2
357 2601 49 3162 434 3844
264 1936 36 2288 312 2704
416 2704 64 3536 544 4624
456 3249 64 4104 576 5184
744 3844 144 4836 936 6084
336 2304 49 2784 406 3364
477 2809 81 3074 522 3364

∑ = 3721
671 3721 121 4514 814 5476
23168 608 28298 4544 34644

Universitas Sumatera Utara

 ∑e
Dari hasil perhitungan tabel diatas diperoleh:
2

n − k −1
2 i
s =
e

62,64315
9 − 2 −1
=

= 12,528

Untuk hubungan 3 variabel tersebut dapat dihitung dengan menggunakan rumus

sebagai berikut:

1. Koefisien korelasi antara X 1 dan Y

n∑ X 1i Yi − (∑ X 1i )(∑ Yi )
{n∑ X }{ }
ryx1 =
− (∑ X 1i ) 2 n∑ Yi − (∑ Yi ) 2
(3.10)
2 2
1i

2968
= = 0,93
3175,36

2. Koefisien korelasi antara X 2 dan Y

n∑ X 2i Yi − (∑ X 2i )(∑ Yi )
{n∑ X }{ }
ryx 2 =
− (∑ X 2i ) 2 n∑ Yi − (∑ Yi ) 2
(3.11)
2 2
2i

856
= = 0,81
1058,45

3. Koefisien korelasi antara X 1 dan X 2

n∑ X 1i X 2i − (∑ X 1i )(∑ X 2 i )
{n∑ X }{ }
rx1x 2 =
− (∑ X 1i ) 2 n∑ X 2i − (∑ X 2i ) 2
(3.12)
2 2
1i

664
= = 0,92
720

Universitas Sumatera Utara

 Tabel 3.3 Interval Korelasi

- 1,000 ≤ r ≥ -0,800
Interval nilai r Arti hubungan
Korelasi kuat
- 0,790 ≤ r ≥ -0,500 Korelasi sedang
- 0,490 ≤ r ≥ 0,490 Korelasi lemah
0,500 ≤ r ≥ 0,790 Korelasi sedang
0,800 ≤ r ≥ 1,000 Korelasi kuat

Dari ketiga nilai r diatas dapat disimpulkan bahwa :

a. Pendapatan berkorelasi kuat terhadap pengeluaran membeli barang D.

b. Jumlah orang dalam keluarga berkorelasi kuat terhadap pengeluaran membeli
barang D.
c. Pendapatan yang paling berpengaruh terhadap pengeluaran membeli barang D (per
minggu) dalam satu keluarga (dalam pengamatan ini).

Tabel 3.4 Menentukan Persamaan dengan Matriks

X1 X2 Y X1X 2 X 12 X 22 X 1Y X 2Y
51 7 62 357 2601 49 3162 434
44 6 52 264 1936 36 2288 312
52 8 68 416 2704 64 3536 544
57 8 72 456 3249 64 4104 576
62 12 78 744 3844 144 4836 936
48 7 58 336 2304 49 2784 406
53 9 58 477 2809 81 3074 522
61 11 74 671 3721 121 4514 814
∑ = 428 ∑ = 68 ∑ = 522 ∑ = 3721 ∑ = 23168 ∑ = 608 ∑ = 28298 ∑ = 4544

8 428 68 
X X = 428 23168 3721
T

68 3721 608 

Det X T X = 9688

Universitas Sumatera Utara

 2160 − 664 − 17164
Adj ( X X ) = − 664 240
T
− 7196 
− 17164 − 7196 240303 

0,2267 − 0,068 − 1,7717 

−1
= − 0,0685 0,0248 − 0,7428
T Adj ( X T X )
(X X ) =
− 1,7717 − 0,7428 24,8004 
XTX

522 
X Y = 28298
T

4544 

− 20,74
β̂ = ( X X ) T −1
X Y = 1,866 
T

− 1,57 

Perkiraan var(β ) = s β2 = s e2 ( X T X ) −1 dan apabila D= ( X T X ) −1 dan s β2i = s e2 d ii ,

dimana d ii adalah matriks dari baris ke i dan kolom i terletak pada diagonal pokok,
maka:

0,2267 − 0,068 − 1,7717 

D= ( X X ) = − 0,0685 0,0248 − 0,7428
T −1

− 1,7717 − 0,7428 24,8004 

Sehingga,

s β20 = s e2 d11 = 12,528(0,2267) =2,84

⇒ s β20 = 2,84 = 1,685

s β21 = s e2 d 22 = 12,528(0,0248) =0,31

Universitas Sumatera Utara

⇒ s β21 = 0,31 = 0,557

s β22 = s e2 d 33 = 12,528(24,8004) =310,699

⇒ s β2 2 = 310,699 = 17,626

Untuk menghitung estiasi interval untuk β 0 , β1 , β 2 digunakan taraf

signifikan α = 0,05 .

tα / 2(n − k −1) = t 0, 05 / 2(8− 2−1) = 2,571

1. β 0 = − 20,74 , s β 0 = 106,51

β 0 − t 0,025 s β ≤ β 0 ≤ β 0 + t 0,025 s β

− 20,74 − 2,571(1,685) ≤ β 0 ≤ −20,74 + 2,571(1,685)

0 0

− 25,07 ≤ β 0 ≤ −16,407

Ini berarti bahwa interval antara -25,07 dan -16,407 akan memuat β 0 .

2. β1 = 1,866 , s β = 0,557

β1 − t 0,025 s β ≤ β1 ≤ β1 + t 0,025 s β
1

1,866 − 2,571(0,557) ≤ β 1 ≤ 1,866 + 2,571(0,557)

1 1

0,433 ≤ β 1 ≤ 3,298
Ini berarti bahwa Interval antara 0,433 dan 3,298 akan memuat β1 .

3. β 2 = -1,57 , s β = 17,626

β 2 − t 0,025 s β ≤ β 2 ≤ β 2 + t 0,025 s β
2

− 1,57 − 2,571(17,626) ≤ β 2 ≤ −1,57 + 2,571(17,626)

2 2

− 46,886 ≤ β 2 ≤ 43,746
Ini berarti bahwa Interval antara -46,886 dan 43,476 akan memuat β 2 .

Universitas Sumatera Utara

3.3 Pengujian Hipotesis

Hipotesis berasal dari kata hipo dan tesis yang berasal dari bahasa Yunani. Hipo
berarti dibawah, kurang atau lemah dan tesis proporsi. Jadi, secara umum hipotesis
dapat didefinisikan sebagai asumsi atau dugaan / pernyataan sementara yang masih
lemah kebenarannya. Pengujian Hipotesis dilakukan berdasarkan hasil penelitian pada
sampel yang diambil dari populasi tersebut. Berikut ini adalah hipotesis yang
diperoleh pada persoalan diatas:

1) Hipotesis
Ha : terdapat hubungan fungsional yang signifikan antara pendapatan dan
jumlah orang dalam satu keluarga dengan pengeluaran membeli
barang D.
H0 : tidak terdapat hubungan fungsional yang signifikan antara pendapatan
dan jumlah orang dalam satu keluarga dengan pengeluaran membeli
barang D.

β 1 ∑ x1 y + β 2 ∑ x 2 y
2) Rhit dapat diperoleh dengan:

R y2(1, 2 ) =
∑y 2

520,85
=
583,5
= 0,893

3) Kemudian menghitung Fsign hitung dengan menggunakan rumus:

R y2(1, 2 ) (n − k − 1)
Freg =
k (1 − R y2(1, 2 )

4,463
=
0,215
= 20,77

4) Taraf signifikan α = 0,05

Universitas Sumatera Utara

5) Nilai Ftabel dengan menggunakan rumus:
Ftabel = Fα ( k .n − k −1)

F0, 05( 2,8− 2 −1) = F0, 05( 2,5) = 5,79

6) Membuat criteria pengujian, yaitu:

Fhit > Ftabel : maka H0 ditolak signifikan
Fhit ≤ Ftabel : maka H0 diterima.
Karena Fhit > Ftabel , yaitu 20,77 > 5,79
Maka, H0 ditolak atau signifikan.

7) Kesimpulan
Karena H0 ditolak maka Ha diterima yang berarti bahwa terdapat hubungan
fungsional yang signifikan antara pendapatan dan jumlah orang dalam satu
keluarga dengan pengeluaran / minggu.

Universitas Sumatera Utara

 BAB 4

KESIMPULAN DAN SARAN

4.1 Kesimpulan

Kesimpulan dari penelitian ini adalah :

1. Maksimum likelihood merupakan salah satu metode estimasi yang tepat dalam
menentukan model koefisien regresi linier berganda.
2. Dalam perhitungan regresi linier berganda maksimum likelihood juga dapat
berperan didalamnya, dan model matematis ini juga dapat berperan
didalamnya, dan model matematis ini juga bisa diandalkan dalam melakukan
estimasi.
3. Pemodelan matematis sangat diperlukan dalam menyelesaikan suatu
permasalahan yang variabel-variabel belum diketahui apakah saling
berhubungan atau tidak, maka penggunaan regresi linier berganda adalah
penyelesaian yang tepat.

4.2 Saran

Untuk menentukan model regresi linier berganda gunakanlah maksimum likelihood

dalam mengestimasi parameternya, karena metode ini lebih sederhana dan mudah
untuk dihitung. Selain itu, metode maksimum likelihood memiliki sifat estimator yang
efisien.

Universitas Sumatera Utara

 DAFTAR PUSTAKA

1. Hines, William W dan Montgomery D C. 1990 Probabilita dan Statistik dalam

Ilmu Rekayasa dan Manejemen. Jakarta: Universitas Indonesia..
2. Hakim, Abdul. 2000. Statistika Induktif untuk ekonomi dan bisnis. Yogyakarta:
Ekonisia.
3. Spiegel, Murray R. 1994. Statistika. Jakarta: Erlangga.
4. P A Surjadi.1983. Pendahuluan teori kemungkinan dan statistika. Bandung: ITB
Bandung.
5. Sudjana.2002. Metoda Statistika. Bandung: Tarsito
6. Sudjana.1996. Teknik Analisis Regresi Dan Korelasi. Bandung: Tarsito
7. Sarwoko.2007. Statistik Inferensi untuk Ekonomi dan Bisnis. Yogyakarta: Andi
Offset
8. Supranto, J. 1992. Statistika dan Sistem Informasi. Erlangga. Jakarta.
9. Usman, Husaini dan Purnomo Setiady Akbar.1995. Pengantar Statistika. Bumi
Aksara. Yogyakarta.
10. Walpole dan Myers. 1995. Ilmu Peluang dan Statistika Untuk Insinyur dan
Ilmuan. Bandung: ITB Bandung..
11. Wonnacott, Thomas H. Dan Wonnacott Ronald J.1983. Regression. John wiley &
sons Inc. USA.

Universitas Sumatera Utara