analisis regresi, sebab dalam analisis ini kita akan mencari hanya satu
Regresi Linear
hubungan antara dua variabel atau lebih (Berat Badan dengan Umur;
FEV1 dengan Tinggi Badan; Berat Badan dengan Umur dan Asupan Gizi).
Tujuan:
linear antara variabel tak bebas dan variabel bebas, sehingga jika tidak
terdapat hubungan linear yang cukup berarti, maka kita tidak dapat
variabel tersebut, atau dengan kata lain hubungan keduanya tidak linear
Regresi Logistik
Analisis Regresi Logistik adalah salah satu bentuk analisis data dengan
atau estimasi seberapa besar probabilitas suatu even atau kejadian akan
Dimana :
n ∑ XY −∑ X ∑ Y ∑ Y −b ∑ X
b=
n ∑ X −( ∑ X )
2 2
a= n
yang dilakukan.
model
Penentuan regresi dengan cara ini bersifat tidak tungggal, artinya setiap
dugaan bentuk regresi apakah linier atau tidak. Persamaannya jika tidak
Y =θ 1+θ 2 X
persamaan regresi
Yˆ =a+bX
dan Y.
Contoh:
Pengalaman Kerja
2 3 1 4 1 3 2 2
(X) tahun
Penjualan Barang 3 5 3
50 60 70 40 40
Elektronik (Y) unit 0 0 5
Pertanyaan :
Jawab:
Ha: r ≠ 0
Ho: r = 0
Langkah 3
No/statistik X Y X2 Y2 XY
2 3 60 9 3600 180
3 1 30 1 900 30
4 4 70 16 4900 280
5 1 40 1 1600 40
6 3 50 9 2500 150
7 2 40 4 1600 80
8 2 35 4 1225 70
Jumlah (
∑¿ 18 375 48 18825 930
¿ )
Langkah 4.
¿
Y = a + bX = 21 + 11,5. (X) ……………………………………(jawaban
a)
X=
∑ X =18 =2, 25
n 8
Y=
∑ Y =375 =46 ,875
n 8
apakah garis regresi antara X dan Y membentuk garis linear atau tidak.
Kalau tidak linear maka analisis regresi tidak dapat dilanjutkan. Untuk
JK (T) = ∑Y ²
JK (A) =
(∑ Y ) ²
n
JK (b│a) = b{ ∑ XY -
(∑ X) (∑ Y ) }
n
¿
n ∑ XY - (∑ X) (∑ Y )
= ¿
X ²−¿
¿
¿
JK (TC) = {
∑ ∑ Y ²−
xᵢ
(∑ Y ) ²
nᵢ }
JK (G) = JK(S) – JK(TC)
SEDERHANA
Variasi
Total N ∑Y ² ∑Y ²
n (a)
S 2reg
S 2sis
Regresi 1 JK S2reg =JK (
( ∑ Yᵢ )(∑ Xᵢ ² )−( ∑ Xᵢ ) ( Xᵢ Yᵢ )
a=
n ∑ Xᵢ ²−( ∑ Xᵢ ) ²
a=93,85
n ∑ Xᵢ Y−
ᵢ ( ∑ Xᵢ )( ∑ Yᵢ )
b=
n ∑ Xᵢ ²−( ∑ Xᵢ ) ²
b=1,29
sederhana dapat disusun. Persamaan regresi nilai layanan dan nilai rata-
Y^ =93,85+ 1,29 X
Dari persamaan regresi di atas dapat diartikan bahwa, bila nilai kualitas
Sebelumnya akan di uji linearitas dan keberartian regresi. Dari tabel 8.2
diperoleh:
JK (T )=∑ Y ²=887291
2
(∑ Y ) ( 5485 )2
JK ( A )= = =884859,6
n 34
JK (a │b)=b {
∑ XY −
( ∑ X )( ∑ Y )
n } {
=1,29 288380−
( 1782 )( 5485 )
34 }
¿ 1162,90
¿ 887291−884859,56−1162,90=1268,54
X Kelompo n1 Y
)
47
47
47 3 3 155
149
170
)
48
48
48 4 3 159
155
5 2 159
49
49 )
150
155
)
50
50
50 6 3 157
159
170
)
52
52
52 7 3 160
162
8 2 148
53
53 )
159
9 2 167
54
54 )
166
10 2 150
55
55 )
159
)
56 174
56 158
56 172
11 6 168
56
56 160
57 12 1 168
58 13 1 165
59 14 1 177
60 15 1 177
63 16 1 173
Yi
∑¿
¿
¿2
¿
∑ Y 2i −¿
¿
JK ( G ) =∑ ¿
x
{ 2
¿ 146 + 160 −
(148+ 160 )2
2
2 }
{
+ 149 −2(149 )2
1 }
{
+ 1562+ 1552+ 1492−
(156 +155+149 )2
3 }
{
+ 1702+159 2+155 2−
( 170+159+ 155 )2
3 }
{
+ 1592+150 2−
(159+150 )2
2 }
[Type text] Page 19
{
+ 1552+157 2+ 1592−
(155+ 157+159 )2
3 }
{
+ 1702+160 2+1622 −
( 170+160+162 )2
3 }
{ 2
+ 148 +159 −
(148+159 )2
2
2 }
{ 2
+ 147 +166 −
( 147+166 )2
2
2 }
{ 2
+ 150 +159 −
(150+159 )2
2
2 }
{ 2 2 2 2
+ 166 + 174 +158 +172 + 168 + 160 −
( 166+174+158+172+168+160 )2
2 2
6 }
{ (168 )2
}{ }
2
2 2 ( 165 )
+ 168 − + 165 −
1 1
{
+ 177 −2( 177 )2
1
2
}{
+ 177 −
( 177 )2
1 }
{
+ 1732−
(173 )2
1 }
¿ 98+0+ 28,67+120,67+ 40,5+ 8+56+60,5+ 0,5
¿ 656,67
JK ( TC )=JK ( S )−JK (G )
¿ 1268,54−656,67
¿ 611,8
Y^ =93,85+ 1,29 X
SumberVariasi dk JK KT F
Total 34 887291,00 _ _
Koefisien (a) 1 884859,6 884859,6 _
Regresi 1 1162,90 1162,9
(b │ a) 29,34
Sisa 32 1268,54 39,64
Tuna Cocok 14 611,87 43,71
Galat 18 656,67 36,48 1,20
UjiKeberartian :
S2reg
F=¿ 2
(F hitung)
S sis
nol apabila koefisien F hitung lebih besar dari harga F tabel berdasarkan
2
S reg
F= 2
F ( hitung )=29,34
S sis
Uji Linearitas :
Ho : Regresi linear
Ha : Regresi non-linear
2
STC
Statistik F= 2
( F dihitung ) dibandingkan dengan F tabel dengan dk
SG
nol, tolak hipotesi regresi linear, jika statistic F hitung untuk tuna cocok
yang diperoleh lebih besar dari harga F dari tabel menggunakan taraf
F tabel (14,18)=3,27.
Soal:
Data ini menyatakan hasil pengamatan mengenai tinggi (Y) dalai cm,
semacam tumbuhan yang dicatat oleh seorang ahli biologi setiap akhir
MINGGU KE
1 2 3 4 5 6 7 8 9 10
6 1 2 2 3 3 3 3 3 40
5 3 7 0 7 8 8 9
8 1 2 2 3 3 3 3 3 38
2 3 9 3 7 6 6 8
9 1 2 3 3 3 3 3 42
3 0 0 2 6 6 9
1 2 3 3
3 5 5 5
Apakah data diatas berlaku model regresi linier atau tidak.
berikut:
( ∑ Y i ) (∑ X 2i )−( ∑ X i )( ∑ X i Y i )
a= 2
n ∑ X 2i −( ∑ X i )
n ∑ X i Y i− ( ∑ Y i )( ∑ X i )
b= 2
n ∑ X 2i −( ∑ X i )
948 172
a=
33
−(3,5461)
33 ( )
=10,2445
Ŷ = 10,2445 + 3,5461 X.
JK ( T )=∑ Y =31008
2
2
(∑ Y i) ( 948 )2
JK ( A )= = =27.233,45
n 33
a
Lalu menentukan jumlah kuadrat regresi b|¿ , dengan rumus sebagai
¿
berikut:
b|¿¿ b {∑ XY −
( ∑ X )( ∑ Y )
n }
JK ¿
a
b|¿
JK res =JK ( T )−JK ( A )−JK ¿
JK res =∑ Y − 2 (∑ Y i )
n
−b {
∑ XY −
( ∑ X )( ∑ Y )
n }
¿ 31008−27.233,45−3162,799=611,751
Yi
∑¿
¿
¿2
¿
∑ Y 2i −¿
¿
JK ( E )=∑ ¿
x
{
JK ( E )= 62 +82 +92 −
( 6+ 8+9 )2
3 }
{
+ 152+122 +132 +132 −
( 15+12+13+13 )2
4 }
[Type text] Page 25
{
+ 232+ 232+ 202+ 252−
( 23+23+20+25 )2
4 }
{
+ 272 +292±
( 27+29+30 )2
3 }
{ 2 2 2
+ 30 + 33 + 32 +35 −
( 30+ 33+32+ 35 )2
2
4 }
{ 2 2 2
+ 37 + 37 +36 +35 −
( 37+37 +36+35 )2
2
4 }
{ 2 2
+ 38 +36 +36 −
( 38+36+36 )2
2
3 }
{ 2 2
+ 38 +36 +39 −
( 38+36+39 )2
2
3 }
{ 2
+ 38 +39 −
( 38+39 )2
2
2 }
{ 2 2
+ 38 + 40 +42 −
( 38+ 40+ 42 )2
2
3 }
¿ 4,66+ 4,75+12,75+ 4,7+13+2,75
+2,67+ 4,67+0,5+8
JK ( E)=58,45
JK ( TC )=611,751−58,43=553,321
Hasil diatas disusun dalai daftar Anava, maka akan diperoleh sebagai
berikut:
untuk uji kelinieran. Harga ini jelas jauh lebih besar dari 2,38 ,
sehingga hipotesis bahwa model linier harus ditolak. Karena harus dicari
model nonlinier.
PENDAHULUAN
Neter, 2004).
besar dari pada induknya kalau induknya sangat kecil (Draper dan
Smith, 1992).
variabel yang disebut dengan variabel tidak bebas dan satu atau lebih
variabel bebas. Jika ingin dikaji hubungan atau pengaruh satu variabel
dikaji hubungan atau pengaruh dua atau lebih variabel bebas terhadap
variabel tidak bebas, maka model regresi yang digunakan adalah model
meliputi kajian teori dan aplikasinya pada studi kasus disertai dengan
regresi linier berganda yang akan digunakan dalam analisis. Pada materi
^β=( X T X )−1 X T Y
berikut:
1. Membuat hipotesis.
H 0 : β1= β2=…=β P−1=0
¿
H 1 :Tidak semua β k sama dengan nol ,untuk k=1, 2, … , p−1 ¿
tabel.
Selain dari daerah kritik di atas, dapat juga digunakan daerah
kritik yang lain yaitu jika nilai peluang (Sig.) < tingkat
berikut:
1. Membuat hipotesis
H 0 : βk =0
¿
H 1 : β k ≠ 0,untuk k=1, 2, … , p−1¿ Kutner, et.al., 2004)
Atau:
H 0 :Variabel bebas ke−k tidak berpengaruhterhadap
kritik yang lain yaitu jika nilai peluang (Sig.) < tingkat
5. Menarik kesimpulan.
LINIER BERGANDA
Multikolinieritas
lebar dan nilai hitung statistik uji t akan kecil, sehingga membuat
factor (VIF) dan tolerance (TOL) dengan ketentuan jika nilai VIF
Heteroskedastisitas
tidak konstan atau variansi antar error yang satu dengan error yang lain
walaupun estimator OLS masih linier dan tidak bias, tetapi tidak lagi
regresi.
model regresi. Salah satu cara yang dapat digunakan untuk mendeteksi
melakukan regresi nilai mutlak residual dengan variabel bebas. Jika hasil
uji F dari model regresi yang diperoleh tidak signifikan, maka tidak ada
Autokorelasi
data time series dan dapat juga terjadi pada data cross section tetapi
diuraikan di atas, yaitu walaupun estimator OLS masih linier dan tidak
statistik uji yang cukup populer seperti pada persamaan (6.1) berikut.
r
∑ tt ¿¿ ne t−a−1
d=
∑ tt ¿¿ βnt2
Kemudian Durbin-Watson berhasil menurunkan nilai kritis batas bawah
(dL) dan batas atas (dU) sehingga jika nilai d hitung dari persamaan (6.1)
terletak di luar nilai kritis ini, maka ada atau tidaknya autokorelasi baik
pada error adalah bahwa setiap program komputer untuk regresi selalu
errornya.
2. Menghitung nilai d dari persamaan (6.1) (kebanyakan program
d U di statistik Durbin-Watson.
4. Keputusan ada atau tidaknya autokorelasi dalam model regresi
(Santoso, 2000):
1. Jika nilai d < −2, maka ada autokorelasi positif.
2. Jika −2 ≤ d ≤ 2, maka tidak ada autokorelasi.
Contoh soal:
tahan lama per minggu(Y), pendapatan per minggu (X1), dan jumlah
anggota keluarga (X2) disajikan dalam tabel berikut. Jika suatu rumah
∑ Yi = a 0n + a 1∑X 1i + a 2X 2i
koefisien a0 = 3,92,
dicari adalah :
(Yi – Y^
X1i X2i Yi Y^ i Yi – Y^ i
i)
2
∑ ( Y^ i – Y^ i)2
S 2 y . 12 … k =
n−k −1
44,4888
S 2 y . 12= =6,3555
7
SEMACAM ZAT
2 9,4 44 46 81
3 23,1 46 114 96
4 0,4 53 158 64
5 3,1 19 37 71
6 4,7 24 59 54
7 21,6 44 73 93
8 0,4 23 163 60
9 29,9 51 124 99
10 1,9 36 143 54
11 0,6 34 157 61
13 23,1 56 168 95
14 11,6 29 173 93
16 23,1 50 134 77
17 12,6 58 112 51
18 10,9 37 111 76
Jumlah 215,6 758 2214 1463
3.155,78; ∑x32i = 35,572; ∑x1i x2i = 1085,61; ∑x1i x3i =1200; ∑x2i x3i =
Didapat persamaan :
Y^ – Y = 1,7848 (X1 - X1) – 0,0834 (X2 – X2) + 0,1611 (X3 - X3) atau
Dengan dk = k
Dengan dk = ( n – k – 1 )
JKreg/k
F=
JKres/(n−k −1)
Kriteria :
Contoh :
(X 1 = 6, X 2 = 4 dan Y = 17 )
X1 X2 X1 X2 X 1i X 2i Yi – (Y i –
Yi yi Y^ i
i i i i yi yi Y^ i Y^ i )2
1 2 25,5
7 4 3 6 24 18 -2,56 6,5536
0 3 6
-
2 3 7 -4 -1 40 10 7,48 -0,48 0,2304
10
1 12,9
4 2 -2 -2 -2 4 4 2,04 4,1616
5 6
1 17,0
6 4 0 0 0 0 0 0,00 0,0000
7 0
2 21,0
8 6 2 2 6 1 12 1,96 3,8416
3 4
2 19,0
7 5 1 1 5 5 5 2,98 8,8804
2 2
4 3 1 -2 -1 -7 7 7 12,4 -2,48 6,1504
Jkres = 44.4888
Menghasilkan Statistik
227,64/2
F= =17,91
44,4888/7
bersifat nyata.
A. Pengertian
linear (searah bukan timbal balik) antara dua variable atau lebih
.Ditemukan oleh Karl Pearson pada awal tahun 1900. Dikenal dengan
dan dibahas ialah Korelasi Pearson Product Moment (r) karena sangat
r Interpretasi
0 Tidak berkorelasi
0,21-0,40 Rendah
0,61-0,80 Cukup
0,81-0,99 Tinggi
4. Macam nilai r
Setelah kita menghitung nilai r dari sekian banyak penelitian,
< + 1).
5. Langkah-langkah Menghitung Koefisien Korelasi Parsial
(r)
No Xi Yi (Xi – X) (Yi – Y) x2 y2 xy
responde x y
n
1
2
3
.
.
n
ẋi ỹi 0 0 ∑x2 ∑y2 ∑xy
r xy =
∑ xy
√( ∑
∑
2
i
∑)(yY2 ) − Y
( X x −)(X i i i)
r=
√∑ ( X i − X i ) ∑ (Y i − Y i )2
2
n ∑ X i Y −( ∑ X i )( ∑ Y i )
r=
√ {n ∑ x i
2 − ( ∑ X i )2 } {n ∑ Y 2i − ( ∑ Y i )2 }
r=
√ 1 − S 2y . x
S2y
atau r=b s x / s y
2 b { n ∑ X i Y −( ∑ X i )( ∑ Y i ) }
r = 2
n ∑ Y i−( ∑ Y i )2 atau
2
r =b 1 b 2
tidak signifikan.
8. Cari r tabel dengan dk = n-2
9. Bandingkan thitung dengan ttabel
10. Buatlah kesimpulan.
11. Jika diminta, maka hitunglah besarnya sumbangan variabel
KP = r2 x 100%
CONTOH SOAL
Diketahui data terhadap 5 responden untuk variabel X dan Y :
X Y
1 4
2 3
3 5
4 7
positif
Jawab :
dengan Y
H0 : Tidak terdapat hubungan yang positif dan signifikan antara
variabel X dengan Y
3. Hipotesis statistiknya
Ha : r ≠ 0
H0 : r = 0
No Xi Yi (Xi – X) (Yi – Y) x2 y2 Xy
x y
1 1 4 -2 -1 4 1 2
2 2 3 -1 -2 1 4 2
3 3 5 0 0 0 0 0
4 4 7 1 2 1 4 2
5 5 6 2 1 4 1 2
∑ xy 8
r xy = r xy =
5. √( ∑ x 2 )(∑ y 2 ) √ 10 x10
[Type text] Page 53
6. Taraf siginifikansi α = 0,05
7. Kriteria pengujian
8. dk rumus = n – 2
=5–2=3
Maka rtabel = 0,805
9. ternyata -0,805 < 0,800 < 0,805 sehingga H0 ditolak
10. kesimpulannya :
MENGUJI HIPOTESIS ρ
Hypothesis
yang belum diuji kebenarannya. Uma Sekaran & Roger Bougie (2010)
predicts what you expect to find in your empirical data. Hipotesis dibuat
Dalam sebuah penelitian bisa hanya terdapat satu buah hipotesis saja
Hypothesis Testing
atau ditolak.
dengan nol.
2. Menentukan taraf nyata (α) dengan derajat bebas (df )=n−k
3. Menentukan uji stastistika
4. Menetukan daerah keputusan
5. Menentukan keputusan Uji statistika untuk koefisien korelasi (r)
r √n−2
t 0=
√ 1−r 2
Atau
r
t=
√ 1−r 2
n−2
Dimana:
Contoh:
Ujilah nilai (a) nilai r = -0,412 pada hubungan antara suku bunga dan
investasi dan (b) r = 0,86 pada hubungan antara harga minyak dan
produksi kelapa sawit sama dengan nol pada taraf nyata 5%?
Jawab:
X, jadi k = 2.
3. Menentukan nilai uji t:
r −0,41
t= = =−1,21
√ √
2
1−r 1−(−0,41)2
n−2 9−2
4. Menentukan daerah keputusan dengan nilai kritis 2,36
5. Menentukan keputusan. Nilai t-hitung ternyata terletak pada
nyata.
Contoh 2:
Daftar Pustaka
http://exponensial.wordpress.com/analisis-regresi/
http://www.b0chun.com/blog/2011/03/05/uji-hypo-thesis-
statistik-dan-penelitian-one-tailed-vs-two-tailed-test/
http://mira-minds.blogspot.com/2009/08/bab-15-analisis-
regresi-dan-korelasi.html