ANALISIS REGRESI

Analisis Regresi adalah salah satu metode yang sangat popular

dalam mencari hubungan antara 2 variabel atau lebih. Variabel-variabel

yang dikomputasi selanjutnya dikelompokkan menjadi variabel

dependen yang biasanya dinotasikan dengan huruf Y dan variabel

independen yang biasanya dinotasikan dengan huruf X.

Banyaknya variabel dependen harus sama dengan 1 untuk

analisis regresi, sebab dalam analisis ini kita akan mencari hanya satu

nilai variabel berdasarkan nilai-nilai variabel independen yang

jumlahnya bisa lebih dari 1

Variabel dependen yang selanjutnya dinotasikan Y juga dikenal

sebagai variabel tak bebas, tergantung, respon ataupun outcome,

sedangkan variabel independen yang dinotasikan sebagai X dikenal

sebagai variabel bebas, tak tergantng atau prediktor.

Lebih lanjut, analisis regresi yang dapat kita terapkan dalam

mencari hubungan variabel X dan Y tergantung kepada tipe dari variabel

Y atau variabel dependen yang nilainya akan kita cari berdasarkan

variabel independen. setidaknya 2 dua :

[Type text] Page 1

 1. Jika variabel dependen merupakan data kontinu maka kita dapat

menggunakan regresi linear, maupun non-linear.

2. Jika variabel dependen merupakan data kategorikal maka kita

dapat menggunakan analisis regresi logistik.

Regresi Linear

Analisis regresi merupakan metode analisis data yang memanfaatkan

hubungan antara dua variabel atau lebih (Berat Badan dengan Umur;

FEV1 dengan Tinggi Badan; Berat Badan dengan Umur dan Asupan Gizi).

Y=variabel dependen, tak bebas, tergantung, respon, outcome.

X=variabel independen, bebas, tak tergantung, prediktor.

Tujuan:

 Menyelidiki bentuk/pola hubungan antara Y dengan X.

 Mengestimasi/menduga mean atau rata-rata dari Y populasi

berdasarkan X yang diberikan.

Analisis Regresi linear dapat dibedakan menjadi :

 Analsis Regesi Linear Sederhaa, dimana terdapat 1 variabel tak

bebas yang kontinu dan 1 variable bebas

[Type text] Page 2

  Analisis Regresi Linear Berganda, dimana terdapat 1 variabel tak

bebas yang kontinu dan 2 atau lebih variabel bebas.

Analisis regresi linear di dasarkan pada ada tidaknya hubungan

linear antara variabel tak bebas dan variabel bebas, sehingga jika tidak

terdapat hubungan linear yang cukup berarti, maka kita tidak dapat

menggunakan analisis ini untuk mengetahui hubungan antara kedua

variabel tersebut, atau dengan kata lain hubungan keduanya tidak linear

dan mungkin saja berbentuk lain, ekxponensial atau kubikal misalnya.

Regresi Logistik

Analisis Regresi Logistik adalah salah satu bentuk analisis data dengan

menggunakan teknik regresi yang dapat diaplikasikan ketika kita ingin

mengetahui hubungan antara variabel dependen dengan satu atau lebih

variabel independen dimana variabel dependen yang kita punyai

berbentuk katagorikal baik itu secara dikotomus maupun polikotomus.

Berbeda dengan analisis regresi yang menggunakan variabel dependen

(tak bebas) kontinu yang cenderung menghitung berapa nilai suatu

variabel dependen dengan syarat niali-nilai variabel independen

diketahui, analisis regresi logistik lebih mengarah kepada perhitungan

atau estimasi seberapa besar probabilitas suatu even atau kejadian akan

[Type text] Page 3

terjadi jika diketahui nilai-nilai koefisien dari variabel-variabel

independen atau variabel-variabel yang mempengaruhinya.

Persamaan regresi dirumuskan : Y^ = a + Bx

Dimana :

Y = (baca Y topi) subjek fariabel terikat yang di proyeksikan

X = Variabel bebas mempunyai nilai tertentu untuk diprediksikan

a = Nilai konstanta harga Y jika X = 0

b = Nilai arah sebagai penentu ramalan (prediksi) yang menunjukkan

nilai peningkatan (+) atau nilai penurunan (-) variabel Y

n ∑ XY −∑ X ∑ Y ∑ Y −b ∑ X
b=
n ∑ X −( ∑ X )
2 2
a= n

MOTODE TANGAN BEBAS

Jika penomena meliputi sebuah variabel bebas X dan variabel tak

bebas Y, maka data yang didapat dapat digambarkan dalam diagram

cartesius dimana sumbu mendatar menyatakan X dan sumbu tegak

menyatakan Y. Setelah titik-titik yang dinyatakan oleh absis X dan

ordinat Y digambarkan, maka diperoleh suatu diagram pencar. Dengan

[Type text] Page 4

memperhatikan letak titik-titik dalam diagram, bentuk regresi dapat

diperkirakan. Jika letak titik-titik tersebut disekitar garis lurus, maka

cukup beralasan untuk menduga regresi linier, jika letak titik-titik

disekitar garis lengkung wajarlah untuk menduga bahwa regresi non

linier. Sebagai ilustrasi perhatikan diagram pencar berikut:

Regresi linier ditarik secocok mungkin dengan letak titik – titik,

kemudian persamaannya ditentaukan dengan menggunakan dua titik

yang dilakukan.

[Type text] Page 5

Gambar di atas memperlihatkan diagram pencar yang menunjukkan

model

lengkung, regresinya dapat digambarkan secocok mungkin dengan letak

titik-titik sedangkan persamaannya masih harus difikirkan baik-baik

apakah akan parabola, pangkat tiga atau lainnya.

Penentuan regresi dengan cara ini bersifat tidak tungggal, artinya setiap

orang akan memberikan perkiraaan yang berbeda bergantung kepada

pertimbangan masing-masing. Hanya mereka yang betul-betul ahli

mungkin dapat menentukan regresi yang baik dengan cara ini.

[Type text] Page 6

METODE KUADRAT TERKECIL UNTUK REGRESI LINIER

Metode tangan bebas dapat dipakai untuk menolong menentukan

dugaan bentuk regresi apakah linier atau tidak. Persamaannya jika tidak

betul-betul yakin lebih baik Untuk model regresi populasi

Y =θ 1+θ 2 X

Akan ditaksir harga-harga 1dan 2 oleh a dan b sehingga didapat

persamaan regresi

Yˆ =a+bX

Untuk keperluan tersebut, data hasil pengamatan harus disusun seperti

pada table berikut:

Jika koefisien ditentukan terlebih dahulu koefisien a dapat ditentukan

dengan rumus : a =Y- bX

[Type text] Page 7

Dengan X dan Y adalah rata-rata untuk variabel X dan Y. Rumus –rumus

di atas dipakai untuk menentukan koefisien – koefisien regresi Y atas X,

untuk koefisien regresi X atas Y rumus yang sama dapat digunakan

dengan terlebih dahulu mempertukarkan tempat untuk simbol-simbol X

dan Y.

Contoh:

PENGARUH PENGALAMAN KERJA TERHADAP PENJUALAN BARANG

ELEKTRONIK DI KABUPATEN GRESIK”

Data dianggap memenuhi asumsi dan persyaratan analisis; data dipilih

secara random; berdistribusi normal; berpola linier; data sudah

homogen dan mempunyai pasangan yang sama sesuai dengan subjek

yang sama. Data sebagai berikut:

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 :

[Type text] Page 8

 a. Bagaimana persamaan regrensinya?

b. Gambarkan diagram pancarnya!

c. Gambarkan arah garis regresi!

Jawab:

Langkah 1. : Membuat Ha dan Ho dalam bentuk kalimat:

Ha: Terdapat pengaruh yang signifikan antara pengalaman kerja

terhadap penjualan barang elektronik di kabupaten Gresik.

Ho: Tidak terdapat pengaruh yang signifikan antara pengalaman kerja

terhadap penjualan barang elektronik di kabupaten Gresik.

Langkah 2 : Membuat Ha dan Ho dalam bentuk statistik:

Ha: r ≠ 0

Ho: r = 0

Langkah 3

No/statistik X Y X2 Y2 XY

[Type text] Page 9

 1 2 50 4 2500 100

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.

Masukkan angka-angka statistik dari tabel penolong dengan

rumus:

(1) Menghitung rumus b:

[Type text] Page 10

 n ∑ XY −∑ X ∑ Y 8.( 930)−(18)(375 ) 690
b= 2
= =11,5
n ∑ X 2 −( ∑ X )2 = 8 .(48 )−(18 ) 60

(2) Menghitung rumus a:

∑ Y −b ∑ X =375−11, 5 .(18) =168 21

a= n 8 8

(3) Menghitung persamaan regresi sederhana:

¿
Y = a + bX = 21 + 11,5. (X) ……………………………………(jawaban

a)

(4) Membuat garis persamaan regresi:

a. Menghitung rata-rata X dengan rumus:

X=
∑ X =18 =2, 25
n 8

b. Menghitung rata-rata Y dengan rumus:

Y=
∑ Y =375 =46 ,875
n 8

[Type text] Page 11

 Uji Linearitas Regresi

[Type text] Page 12

Salah satu asumsi dari analisis regresi adalah linearitas.Maksudnya

apakah garis regresi antara X dan Y membentuk garis linear atau tidak.

Kalau tidak linear maka analisis regresi tidak dapat dilanjutkan. Untuk

itu sebelum memberikan contoh berikut akan terlebih dahulu diuji

lineritas regresi.Rumus-rumus yang di gunakan dalam uji linearitas:

JK (T) = ∑Y ²

JK (A) =
(∑ Y ) ²
n

JK (b│a) = b{ ∑ XY -
(∑ X) (∑ Y ) }
n

¿
n ∑ XY - (∑ X) (∑ Y )
= ¿
X ²−¿
¿
¿

JK (S) = JK(T) - JK (a) – JK (b│a)

JK (TC) = {
∑ ∑ Y ²−
xᵢ
(∑ Y ) ²
nᵢ }
JK (G) = JK(S) – JK(TC)

[Type text] Page 13

Dimana :

JK(T) = Jumlah Kuadrat Total

JK(a) = Jumlah Kuadrat koefisien a

JK(b│a) = Jumlah Kuadrat regresi(b│a)

JK(S) = Jumlah Kuadrat Sisa

JK(TC) = Jumlah Kuadrat Tuna cocok

JK(G) = Jumlah Kuadrat Galat

DAFTAR ANALISIS VARIANS (ANAVA) REGRESI LINEAR

SEDERHANA

[Type text] Page 14

 Sumber Dk JK KT F

Variasi

Total N ∑Y ² ∑Y ²

Koefisie 1 JK(a) JK(a)

n (a)
S 2reg
S 2sis
Regresi 1 JK S2reg =JK (

(b│a) (b│a) b│a)

Sisa n-2 JK(S) JK ( S)

S 2sis =
n−2

Tuna k -2 JK(TC) JK (TC )

S 2TC =
k −2
Cocok
S 2TC
S2G
Galat n-k JK(G) JK (G)
S 2G=
n−k

Menghitung harga a dan b.

( ∑ Yᵢ )(∑ Xᵢ ² )−( ∑ Xᵢ ) ( Xᵢ Yᵢ )
a=
n ∑ Xᵢ ²−( ∑ Xᵢ ) ²

[Type text] Page 15

 ( 5485 )( 94098 )−( 1782 )( 288380 )
¿
(34 ) ( 94098 )−( 1782 ) ²

a=93,85

n ∑ Xᵢ Y−
ᵢ ( ∑ Xᵢ )( ∑ Yᵢ )
b=
n ∑ Xᵢ ²−( ∑ Xᵢ ) ²

( 34 ) ( 288.380 )−( 1.782 ) ( 5.485 )

¿
( 34 ) ( 94.098 )− (1.782 ) ²

b=1,29

Menyusun Persamaan Regresi

Setelah harga a dan b ditemukan, maka persamaan regresi linier

sederhana dapat disusun. Persamaan regresi nilai layanan dan nilai rata-

rata penjualan barang tertentu tiap bulan adalah seperti berikut :

Y^ =93,85+ 1,29 X

Persamaan regresi yang telah di temukan dapat di gunakan untuk

melakukan prediksi (ramalan) bagaimana individu dalam variable

dependen akan terjadi bila individu dalai variabel ditetapkan. Misalnya

nilai kualitas layanan = 64, maka nilai rata-rata penjualan adalah :

Y^ =93,85+ ( 1,29 )( 64 )=176,41

[Type text] Page 16

Jadi diperkirakan niali rata-rata penjualan tiap bulan sebesar 176,41.

Dari persamaan regresi di atas dapat diartikan bahwa, bila nilai kualitas

layanan bertambah 1, maka nilai rata-rata penjualan barang tiap bulan

bertambah 1,29 atau setiap nilai kualitas layanan bertambah 10 maka

nilai rata-rata penjualan tiap bulan akan bertambah sebesar 12,9.

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

JK (S )=JK (T )−JK (a)−JK (b │ a)

¿ 887291−884859,56−1162,90=1268,54

Untuk mempermudah menghitung JK(G) diperlukan Tabel 8.4 berikut :

SKOR KUALITAS LAYANAN (X) DAN PENJUALAN

BARANG (Y) SETELAH X DIKELOMPOKAN

X Kelompo n1 Y

[Type text] Page 17

 k
1 2 146
45
45 )
160
46 2 1 149
156

)
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

[Type text] Page 18

 56 166

)
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

+40,5+203,93+ 0+0+0+ 0+0

¿ 656,67

JK ( TC )=JK ( S )−JK (G )

¿ 1268,54−656,67

¿ 611,8

[Type text] Page 20

 DAFTAR ANAVA UNTUK REGRESI LINEAR

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 :

Ho : Koefisien arah regresi tidak berarti (b=0)

Ha : Koefisien itu berarti (b ≠ 0 ¿

Untuk menguji hipotesis nol, dipakai statistik

S2reg
F=¿ 2
(F hitung)
S sis

[Type text] Page 21

Dibandingkan dengan F tabel dengan dk pembilang = 1 dan dk penyebut

= n-2. Untuk menguji hipotesis nol, kriterianya adalah tolak hipotesis

nol apabila koefisien F hitung lebih besar dari harga F tabel berdasarkan

taraf kesalahan yang dipilih dan dk yang bersesuain.

2
S reg
F= 2
F ( hitung )=29,34
S sis

Untuk taraf kesalahan 5%, F tabel (1,32)=4,15

Untuk taraf kesalahan 1%, F tabel (1,32)=7,50

F hitung > F tabel baik untuk taraf kesalahan 5% maupun 1%.

Kesimpulan koefisien itu berarti ( b ≠ 0 ) .

Uji Linearitas :

Ho : Regresi linear

Ha : Regresi non-linear
2
STC
Statistik F= 2
( F dihitung ) dibandingkan dengan F tabel dengan dk
SG

pembilang ( k −2 ) dan dk penyebut ( n−k ) . Untuk menguji hipotesis

nol, tolak hipotesi regresi linear, jika statistic F hitung untuk tuna cocok

yang diperoleh lebih besar dari harga F dari tabel menggunakan taraf

kesalahan yang dipilih dan dk yang bersesuain.

[Type text] Page 22

 2
S
F= TC
2
( F dihitung )=1,20
SG

Untuk taraf kesalahan 5%,

F tabel (14,18) = 2,29.

Untuk taraf kesalahan 1%,

F tabel (14,18)=3,27.

F hitung < F tabel baik untuk taraf kesalahan 5% maupun 1%.

Kesimpulan regresi linier.

Soal:

Data ini menyatakan hasil pengamatan mengenai tinggi (Y) dalai cm,

semacam tumbuhan yang dicatat oleh seorang ahli biologi setiap akhir

minggu (X) selama 10 minggu.

Tinggi Semacam Tumbuhan Selama 10 Minggu

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.

[Type text] Page 23

Untuk ini kita perlukan:

∑ X i=172 ∑ X 2i =1148 ∑ Y i=948 ∑ Y 2i =31008

∑ X i Y i=5833 k =10 dan n=33
Menghitung koefisien-koefisien regresi a dan b mengunakan rumus

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 )

33 ( 5833 ) −( 948 ) ( 172 )

b= =3,5461
33 ( 1148 )−( 172 )2

948 172
a=
33
−(3,5461)
33 ( )
=10,2445

Regresi Y atas X mempunyai persamaan

Ŷ = 10,2445 + 3,5461 X.

Untuk uji kelinearan regresi, di perlukan:

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:

[Type text] Page 24

 a

b|¿¿ b {∑ XY −
( ∑ X )( ∑ Y )
n }
JK ¿

b|¿¿ 3,5461 5833− {

( 172 ) ( 948 )
33
=3162,799 }
JK ¿

Lalu hitung dengan rumus:

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

Mencari JK(E), dengan rumus:

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 )=JK res −JK ( E )

JK ( TC )=611,751−58,43=553,321

Hasil diatas disusun dalai daftar Anava, maka akan diperoleh sebagai

berikut:

[Type text] Page 26

 Sumber Variasi dk JK KT F
Total 33 31008 - -
Regresi (a) 1 27.233,45 27.233,45 _
a 1 3162,799 3162,799
Regresi b|¿
¿ 160,2723
Residu 31 611,751 19,7339
Tuna Cocok 8 553,321 69,1651
Kekeliruan 23 58,45 2,5413
27,2164

Dengan α =0,05 dan dk pembilang 8 sedangkan dk penyebut 23

didapat harga F0,95 ( 8 , 23 )=2,38 . Dari daftar didapat F = 27,2164

untuk uji kelinieran. Harga ini jelas jauh lebih besar dari 2,38 ,

sehingga hipotesis bahwa model linier harus ditolak. Karena harus dicari

model nonlinier.

[Type text] Page 27

 REGRESI LINIER GANDA

PENDAHULUAN

Analisis regresi merupakan salah satu teknik analisis data dalam

statistika yang seringkali digunakan untuk mengkaji hubungan antara

beberapa variabel dan meramal suatu variabel (Kutner, Nachtsheim dan

Neter, 2004).

Istilah “regresi” pertama kali dikemukakan oleh Sir Francis

Galton (1822-1911), seorang antropolog dan ahli meteorologi terkenal

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. Galton

menjelaskan bahwa biji keturunan tidak cenderung menyerupai biji

induknya dalam hal besarnya, namun lebih medioker (lebih mendekati

[Type text] Page 28

rata-rata) lebih kecil daripada induknya kalau induknya besar dan lebih

besar dari pada induknya kalau induknya sangat kecil (Draper dan

Smith, 1992).

Dalam mengkaji hubungan antara beberapa variabel

menggunakan analisis regresi, 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 tidak bebas, maka model regresi yang

digunakan adalah model regresi linier sederhana. Kemudian Jika ingin

dikaji hubungan atau pengaruh dua atau lebih variabel bebas terhadap

variabel tidak bebas, maka model regresi yang digunakan adalah model

regresi linier berganda (multiple linear regression model). Kemudian

untuk mendapatkan model regresi linier sederhana maupun model

regresi linier berganda dapat diperoleh dengan melakukan estimasi

terhadap parameter-parameternya menggunakan metode tertentu.

Adapun metode yang dapat digunakan untuk mengestimasi parameter

model regresi linier sederhana maupun model regresi linier berganda

adalah dengan metode kuadrat terkecil (ordinary least square/OLS) dan

metode kemungkinan maksimum (maximum likelihood

estimation/MLE) (Kutner et.al, 2004).

[Type text] Page 29

 Pada pelatihan ini dikaji analisis regresi linier berganda atau

sering juga disebut dengan regresi klasik (Gujarati, 2003). Kajian

meliputi kajian teori dan aplikasinya pada studi kasus disertai dengan

teknik analisis dan pengolahan datanya dengan bantuan software SPSS

under windows versi 15.0.

Pengertian Regresi Linier Ganda

Merupakan metode yang di gunakan untuk memodelkan
hubungan linier antara variabel terikat dengan dua/lebih variabel
bebas.
Regresi linier untuk memprediksi variabel terikat dari dua/lebih
variabel bebas.
Bentuk umum model regresi linier berganda dengan p variabel
bebas adalah seperti pada persamaan (2.1) berikut (Kutner, Nachtsheim
dan Neter, 2004).
Y i=β 0 + β 1 X i1 + β 2 X i 2+ …+ β p−1 X i , p−1+ ε i
Dengan:
Y i adalah variabel tidak bebas untuk pengamatan ke−i , untuk i=1,2 … ,n .
β 0, β1. β 2 ,… , β p−1 adalah parameter
X i 1, X i 2 , … , X i , p−1 adalah variabel bebas .

[Type text] Page 30

 ε i adalah sisa (error) untuk pengamatan ke-i yang diasumsikan

berdistribusi normal yang saling bebas dan identik dengan rata-rata 0

(nol) dan variansi σ 2 .

Model regresi linier ganda:

Ŷ =a0 +a1 x1 + a2 x 2 +. ..+ a3 x 3
Ŷ =variabel terikat
a0 =Konstanta
a1 , a2=Koefisien regresi
x 1 , x 2=Variabel bebas
ASUMSI-ASUMSI MODEL REGRESI LINIER BERGANDA

Menurut Gujarati (2003) asumsi-asumsi pada model regresi linier

berganda adalah sebagai berikut:

1. Model regresinya adalah linier dalam parameter.

2. Nilai rata-rata dari error adalah nol.
3. Variansi dari error adalah konstan (homoskedastik).
4. Tidak terjadi autokorelasi pada error.
5. Tidak terjadi multikolinieritas pada variabel bebas.
6. Error berdistribusi normal.

ESTIMASI PARAMETER MODEL REGRESI LINIER BERGANDA

Estimasi parameter ini bertujuan untuk mendapatkan model

regresi linier berganda yang akan digunakan dalam analisis. Pada materi

pelatihan ini, metode yang digunakan untuk mengestimasi parameter

model regresi linier berganda adalah metode kuadrat terkecil atau

[Type text] Page 31

sering juga disebut dengan metode ordinary least square (OLS). Metode

OLS ini bertujuan meminimumkan jumlah kuadrat error. Berdasarkan

persamaan (2.2) dapat diperoleh penaksir (estimator) OLS untuk β

adalah sebagai berikut (Kutner, et.al., 2004):

^β=( X T X )−1 X T Y

Penaksir OLS pada persamaan (2.3) merupakan penaksir yang

tidak bias, linier dan terbaik (best linear unbiased

estimator/BLUE) (Sembiring, 2003; Gujarati, 2003; Greene, 2003

dan Widarjono, 2007).

Pengujian Parameter Model Regresi Linier Berganda

Pengujian parameter ini bertujuan untuk mengetahui ada atau

tidaknya pengaruh variabel bebas terhadap variabel tidak bebas, baik

secara serentak maupun secara parsial.

I. Pengujian Parameter Secara Serentak (Simultan)

Prosedur pengujian parameter secara simultan adalah sebagai

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 ¿

Kutner, et.al., 2004)

atau:
H 0:Variabel X 1, X 2, … , Xk secara simultan tidak berpengaruh
terhadap variabel tidak bebas .

[Type text] Page 32

 H 1 :Variabel X 1, X 2, … , Xk secara simultanberpengaruh terhadap
variabel tidak bebas .

2. Menentukan tingkat signifikansi ( α ) .

Tingkat signifikansi ( α ) yang seringkali digunakan dalam

penelitian adalah 5%.

3. Menentukan statistik uji.

Statistik uji yang digunakan adalah:
RKR
F=
RKE
Dengan:
RKR adalah rata-rata kuadrat regresi (dapat diperoleh dari

Tabel Analisis Variansi).

RKE adalah rata-rata kuadrat error (dapat diperoleh dari

Tabel Analisis Variansi).

4. Menentukan daerah kritik ( penolakan H 0).
Daerah kritik yang digunakan adalah H 0 ditolak bila

F> F (α : p−1,n− p) . Dengan F( α : p−1,n− p ) disebut dengan F

tabel.
Selain dari daerah kritik di atas, dapat juga digunakan daerah

kritik yang lain yaitu jika nilai peluang (Sig.) < tingkat

signifikansi ( α ) , maka H 0 ditolak.

5. Menarik kesimpulan.
II. Pengujian Parameter Secara Individu (Parsial)
Prosedur pengujian parameter secara parsial adalah sebagai

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

[Type text] Page 33

 Variabel tidak bebas .
H 1 :Variabel bebas ke−k berpengaruh terhadap variabel
tidak bebas untuk k =1,2, … , p−1 .
2. Menentukan tingkat signifikansi ( α ) .
Tingkat signifikansi ( α ) yang seringkali digunakan dalam

penelitian adalah 5%.

3. Menentukan statistik uji.
Statistik uji yang digunakan adalah:
b
t= k
s (bk )
Dengan:
yang diperoleh dari
metode OLS ¿ .
bk adalah nilai taksiran parameter β k ¿
s ( bk ) adalah standar deviasi nilai taksiran parameter β k .

4. Menentukan daerah kritik ( penolakan H 0).

Daerah kritik yang digunakan adalah:
H 0 ditolak bila t>t α atau t<−t α dengan
( 2 ;n− p) ( 2 ;n− p)
t disebut dengan t tabel .
( α2 ;n− p)
Selain dari daerah kritik di atas, dapat juga digunakan daerah

kritik yang lain yaitu jika nilai peluang (Sig.) < tingkat

signifikansi ( α ) , maka H0 ditolak.

5. Menarik kesimpulan.

PELANGGARAN-PELANGGARAN TERHADAP ASUMSI REGRESI

LINIER BERGANDA

[Type text] Page 34

Dalam analisis regresi linier berganda terdapat beberapa pelanggaran-

pelanggaran yang seringkali dilakukan terhadap asumsi-asumsinya,

diantaranya diuraikan berikut ini.

Multikolinieritas

Multikolinieritas adalah terjadinya hubungan linier antara

variabel bebas dalamsuatu model regresi linier berganda (Gujarati,

2003). Hubungan linier antara variabel bebas dapat terjadi dalam

bentuk hubungan linier yang sempurna (perfect) dan hubungan linier

yang kurang sempurna (imperfect).

Adapun dampak adanya multikolinieritas dalam model regresi

linier berganda adalah (Gujarati, 2003 dan Widarjono, 2007):

1. Penaksir OLS masih bersifat BLUE, tetapi mempunyai variansi

dan kovariansi yang besar sehingga sulit mendapatkan taksiran

(estimasi) yang tepat.

2. Akibat penaksir OLS mempunyai variansi dan kovariansi yang

yang besar, menyebabkan interval estimasi akan cenderung lebih

lebar dan nilai hitung statistik uji t akan kecil, sehingga membuat

variabel bebas secara statistik tidak signifikan mempengaruhi

variabel tidak bebas.

3. Walaupun secara individu variabel bebas tidak berpengaruh

terhadap variabel tidak bebas melalui uji t, tetapi nilai koefisien

determinasi ( R2 ) masih bisa relatif tinggi.

[Type text] Page 35

 Selanjutnya untuk mendeteksi adanya multikolinieritas dalam

model regresi linier berganda dapat digunakan nilai variance inflation

factor (VIF) dan tolerance (TOL) dengan ketentuan jika nilai VIF

melebihi angka 10, maka terjadi multikolinieritas dalam model regresi.

Kemudian jika nilai TOL sama dengan 1, maka tidak terjadi

multikolinieritas dalai model regresi.

Heteroskedastisitas

Heteroskedastisitas adalah variansi dari error model regresi

tidak konstan atau variansi antar error yang satu dengan error yang lain

berbeda (Widarjono, 2007).

Dampak adanya heteroskedastisitas dalam model regresi adalah

walaupun estimator OLS masih linier dan tidak bias, tetapi tidak lagi

mempunyai variansi yang minimum dan menyebabkan perhitungan

standard error metode OLS tidak bisa dipercaya kebenarannya. Selain

itu interval estimasi maupun pengujian hipotesis yang didasarkan pada

distribusi t maupun F tidak bisa lagi dipercaya untuk evaluasi hasil

regresi.

Akibat dari dampak heteroskedastisitas tersebut menyebabkan

estimator OLS tidak menghasilkan estimator yang BLUE dan hanya

menghasilkan estimator OLS yang linear unbiased estimator (LUE).

[Type text] Page 36

 Selanjutnya dilakukan deteksi masalah heteroskedastisitas dalam

model regresi. Salah satu cara yang dapat digunakan untuk mendeteksi

adanya heteroskedastisitas dalam model regresi adalah dengan Metode

Glejser. Glejser merupakan seorang ahli ekonometrika dan mengatakan

bahwa nilai variansi variabel error model regresi tergantung dari

variabel bebas. Selanjutnya untuk mengetahui apakah pola variabel

error mengandung heteroskedastisitas Glejser menyarankan untuk

melakukan regresi nilai mutlak residual dengan variabel bebas. Jika hasil

uji F dari model regresi yang diperoleh tidak signifikan, maka tidak ada

heteroskedastisitas dalam model regresi (Widarjono, 2007).

Autokorelasi

Autokorelasi adalah terjadinya korelasi antara satu variabel error

dengan variabel error yang lain. Autokorelasi seringkali terjadi pada

data time series dan dapat juga terjadi pada data cross section tetapi

jarang (Widarjono, 2007).

Adapun dampak dari adanya autokorelasi dalam model regresi

adalah sama dengan dampak dari heteroskedastisitas yang telah

diuraikan di atas, yaitu walaupun estimator OLS masih linier dan tidak

bias, tetapi tidak lagi mempunyai variansi yang minimum dan

menyebabkan perhitungan standard error metode OLS tidak bisa

[Type text] Page 37

dipercaya kebenarannya. Selain itu interval estimasi maupun pengujian

hipotesis yang didasarkan pada distribusi t maupun F tidak bisa lagi

dipercaya untuk evaluasi hasil regresi. Akibat dari dampak adanya

autokorelasi dalam model regresi menyebabkan estimator OLS tidak

menghasilkan estimator yang BLUE dan hanya menghasilkan estimator

OLS yang LUE (Widarjono, 2007).

Selanjutnya untuk mendeteksi adanya autokorelasi dalam model

regresi linier berganda dapat digunakan metode Durbin-Watson.

Durbin-Watson telah berhasil mengembangkan suatu metode yang

digunakan untuk mendeteksi adanya masalah autokorelasi dalam model

regresi linier berganda menggunakan pengujian hipotesis dengan

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

positif atau negatif dapat diketahui. Deteksi autokorelasi pada model

regresi linier berganda dengan metode Durbin-Watson adalah seperti

pada Tabel berikut.

[Type text] Page 38

 Salah satu keuntungan dari uji Durbin-Watson yang didasarkan

pada error adalah bahwa setiap program komputer untuk regresi selalu

memberi informasi statistik d. Adapun prosedur dari uji Durbin-Watson

adalah (Widarjono, 2007):

1. Melakukan regresi metode OLS dan kemudian mendapatkan nilai

errornya.
2. Menghitung nilai d dari persamaan (6.1) (kebanyakan program

komputer secara otomatis menghitung nilai d).

3. Dengan jumlah observasi (n) dan jumlah variabel bebas tertentu

tidak termasuk konstanta (p-1), kita cari nilai kritis d L dan

d U di statistik Durbin-Watson.
4. Keputusan ada atau tidaknya autokorelasi dalam model regresi

didasarkan pada Tabel 6.1

Selain Kriteria uji seperti pada Tabel 6.1, dapat juga

digunakan kriteria lain untuk mendeteksi adanya autokorelasi

dalam model regresi linier berganda adalah sebagai berikut

(Santoso, 2000):
1. Jika nilai d < −2, maka ada autokorelasi positif.
2. Jika −2 ≤ d ≤ 2, maka tidak ada autokorelasi.

[Type text] Page 39

 3. Jika nilai d > 2, maka ada autokorelasi negatif.

Contoh soal:

Data pengeluaran 10 rumah tangga, untuk pembelian barang

tahan lama per minggu(Y), pendapatan per minggu (X1), dan jumlah

anggota keluarga (X2) disajikan dalam tabel berikut. Jika suatu rumah

tangga mempunyai pendapatan per minggu (X1) Rp11.000,00 dan

jumlah anggota keluarga (X2) 8 orang, berapa uang yang dikeluarkan

untuk membeli barang-barang tahan lama tersebut.

[Type text] Page 40

Jawaban:

Subtitusikan dalam sistem persamaan :

∑ Yi = a 0n + a 1∑X 1i + a 2X 2i

∑ Y i X 1i = a 0∑X 1i + a 1∑X 12i + a 2∑X 1i X 2i

∑ Y i X 2i = a 0∑X 2i + a 1∑X 1i X 2i + a 2∑X 22i

170 = 10a0 + 60a1 + 40a2

1.122 =60a0 + 406a1 + 267a2

737 = 40a0 + 267a1 + 182a2

[Type text] Page 41

Setelah diselesaikan menggunakan eliminasi, maka didapat koefisien-

koefisien a0 = 3,92,

a1 = 2,50 dan a2 = -0,48 sehingga persamaan regresi linier ganda yang

dicari adalah :

Y^ = 3,92 + 2,50X1 – 0,48X2

Kita subtitusikan salah satu nilai X1 dan X2 misalnya X1 = 6 dan X2 = 4

Y^ = 3,92 + 2,50(6) – 0,48(17) = 17

Diperkirakan rata-rata pengeluaran sebesar Rp. 1.700 untuk kelurga

berjiwa 4 dengan penghasilan Rp.6000

(Yi – Y^
X1i X2i Yi Y^ i Yi – Y^ i
i)
2

10 7 23 25,56 -2,56 6,5536

2 3 7 7,48 -0,48 0,2304
4 2 15 12,96 2,04 4,1616
6 4 17 17,00 0,00 0,0000
8 6 23 21,04 1,96 3,8416
7 5 22 19,02 2,98 8,8804
4 3 10 12,48 -2,48 6,1504
6 3 14 17,48 -3,48 12,1104
7 4 20 19,50 -0,50 0,2500
6 3 19 17,48 1,52 2,3104
Jumlah - - - - 44,4888
Dari rumus dengan k = 2, n = 10 dan ∑(Yi – ^
Y i) = 44,4888 di dapat:
2

∑ ( Y^ i – Y^ i)2
S 2 y . 12 … k =
n−k −1

44,4888
S 2 y . 12= =6,3555
7

[Type text] Page 42

Contoh: Data berikut menyaakan adanya unsur Y dalam semacam zat

apabila unsur-unsur lainnya X1, X2 dan X3 diketahui. Satuan unsur

semuanya dinyatakan dalam gram.

HASIL PENGAMATAN UNSUR-UNSUR X 1, X 2, X 3 DAN Y DARI

SEMACAM ZAT

PENGAMATAN X1i X2i X3i Yi

1 10,1 31 117 93

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

12 26,8 58 202 168

13 23,1 56 168 95

14 11,6 29 173 93

[Type text] Page 43

 15 1,7 65 123 73

16 23,1 50 134 77

17 12,6 58 112 51

18 10,9 37 111 76
Jumlah 215,6 758 2214 1463

Untuk menentukan regresi linier ganda harus mencari koefisien-

koefisien regresinya. Harga-harga yang diperlukan adalah:

X1 = 11,94; X2 = 42,11; X3 = 123; y = 81,28; ∑x12i = 1.752,96; ∑x22i =

3.155,78; ∑x32i = 35,572; ∑x1i x2i = 1085,61; ∑x1i x3i =1200; ∑x2i x3i =

3,364; ∑x1i yi = 3231,48; ∑x2i yi = 2216,44;

∑x3i yi = 7593; dan n = 18.

Jika harga-harga diatas didistribusikan kedalam rumus

∑x 1i y i = a 1∑x 12i + a 2∑x 1i x 2i + a 3∑x 1i x 3i

∑x 2i y i = a 1∑x 1i x 2i + a 2∑x 22i + a 3∑x 1i x 3i

∑x 3i y i = a 1∑x 1i x 3i + a 2∑x 32i + a 3∑x 32i

Didapat persamaan :

3231,48 = 1752,96a1 + 1085,61a2 + 1200a3

2216,44 = 1085,61a1 + 3155,78a2 + 3364a3

7593 = 1200a1 + 3364a2 + 35572a3

Setelah diselesaikan diperoleh harga-harga :

a1 = 1,7848; a2 = - 0,0834 dan a3 = 0.1611

[Type text] Page 44

Jika harga-harga ini didistribusikan kedalam rumus kita dapatkan :

Y = 1,7848 x1 – 0,0834 x2 + 0,1611 x3

Ini memberikan Regresi Y atas X1 , X2 , X3 berbentuk :

Y^ – Y = 1,7848 (X1 - X1) – 0,0834 (X2 – X2) + 0,1611 (X3 - X3) atau

Y^ = 43,67 + 1,7848 X1 – 0,0834 X2 + 0,1611 X3 .

UJI REGRESI LINIER GANDA

Rumus jumlah kuadrat-kuadrat regresi (JKreg) :

JKreg = a1 ∑X1i yi + a2 ∑X2 yi + . . . + ak ∑ Xki yi

Dengan dk = k

Rumus jumlah kuadrat-kuadrat residu (JKres) :

JKres = ∑(Yi – Y^ i)2

Dengan dk = ( n – k – 1 )

Statistik F yang diperoleh :

JKreg/k
F=
JKres/(n−k −1)

Kriteria :

F hitung ≤ F tabel = H0 diterima

F hitung ≥ F tabel = H0 ditolak, Ha diterima

Contoh :

[Type text] Page 45

Marilah kita gunakan cara pengujian cara pengujian diatas pada contoh

yang datanya dicantumkan dalam daftar XV(18). Telah diperoleh bahwa

untuk itu regresi Y^ atas X1 dan X2 berbentuk.

Y^ = 3,92 + 2,50 X1 – 0,48 X2. Untuk mendapatkan JK sebaiknya kita

buat daftar berikut.

HARGA-HARGA YANG PERLU UNTUK UJI REGRESI

(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

[Type text] Page 46

 0 8
1 17,4
6 3 0 -1 -3 3 3 -3,48 12,1104
4 8
2 19,5
7 4 1 0 3 0 0 -0,50 0,2500
0 0
1 17,4
6 3 0 -1 2 -2 -2 1,52 2,3104
9 8
Σ - - - - - 102 - - - 44,4888

 JKreg = (2,50)(102) + (-0,48) (57) = 227,64

 Jkres = 44.4888

 Menghasilkan Statistik

227,64/2
F= =17,91
44,4888/7

Dari daftar distribusi F dengan dk pembilang 2, dk penyebut = 7

dan α = 0,05 didapat F = 4,74.

Melihat F (hitung) = 17,9 > F (tabel)= 4,74.

Kesimpulannya adalah bahwa regresi linier ganda Y^ atas X1 dan X2

bersifat nyata.

Regresi Y^ = 3,92 + 2,50 X1 – 0,48 X2 secara berarti dapat digunakan

untuk prediksi rata-rata Y apabila X1 dan X2 diketahui.

[Type text] Page 47

 ANALISIS KORELASI

A. Pengertian

Korelasi adalah istilah statistik yang menyatakan derajat hubungan

linear (searah bukan timbal balik) antara dua variable atau lebih

.Ditemukan oleh Karl Pearson pada awal tahun 1900. Dikenal dengan

Korelasi Pearson Product Moment (PPM). Kegunaannya untuk

mengetahui derajat hubungan dan kontribusi variabel bebas

(independen) dengan variabel terikat (dependent).

B. Macam-macam Teknik Korelasi

Pearson Product Moment : Kedua variabelnya berskala interval

Rank Spearman : Kedua variabelnya berskala ordinal

Point Serial : Satu berskala nominal sebenarnya

[Type text] Page 48

 dan satu berskala interval

Biserial : Satu berskala nominal buatan dan

satu berskala interval

Koefisien kontingensi : Kedua varibelnya berskala nominal

C. Korelasi Pearson Product Moment (PPM).

Berdasarkan beberapa teknik analisis korelasi tersebut, maka dipilih

dan dibahas ialah Korelasi Pearson Product Moment (r) karena sangat

populer dan sering dipakai oleh mahasiswa dan peneliti. Khususnya

untuk mendapatkan standar kesalahan terkecil

1. Kegunaan Korelasi Product Moment Pearson

o Untuk menyatakan ada atau tidaknya hubungan antara

variabel X dengan variabel Y.

o Untuk menyatakan besarnya sumbangan variabel satu

terhadap yang lainnya yang dinyatakan dalam persen.

2. Asumsi
o Data berdistribusi Normal
o Variabel yang dihubungkan mempunyai data linear.
o Variabel yang dihubungkan mempunyai data yang
dipilih secara acak.
o Variabel yang dihubungkan mempunyai pasangan yang

sama dari subyek yang sama pula (variasi skor variabel

yang dihubungkan harus sama).

o Variabel yang dihubungkan mempunyai data interval
atau rasio.
3. Nilai r
Nilai r terbesar adalah +1 dan r terkecil adalah -1. R= +1

[Type text] Page 49

 menunjukan hubungan positif sempurna, r = -1 menunjukan

hubungan negatif sempurna, r tidak memepunyai satuan atau

dimensi. Tanda + atau – hanya menunjukan arah hubungan.

Intepretasi nilai r adalah sebagai berikut:

r Interpretasi

0 Tidak berkorelasi

0,01-0,20 Korelasi Sangat rendah

0,21-0,40 Rendah

0,41-0,60 Agak rendah

0,61-0,80 Cukup

0,81-0,99 Tinggi

4. Macam nilai r
Setelah kita menghitung nilai r dari sekian banyak penelitian,

akhirnya dapat disimpulkan bahwa r itu dapat di bedakan atas

lima macam yaitu: +1, +0,…,0,-0,…dan -1. Atau dengan kata

lain, harga maksimal r adalah +1 dan harga minimum r ada;ah

-1, yang kalau ditulis dalam bentuk matematis menjadi (-1< r

< + 1).
5. Langkah-langkah Menghitung Koefisien Korelasi Parsial

(r)

[Type text] Page 50

 1. Asumsikan bahwa persyaratan untuk menggunakan

analisis korelasi PPM telah terpenuhi.

2. Tulis Ho dan Ha dalam bentuk kalimat.
3. Tulis Ho dan Ha dalam bentuk statistik.
4. Buat tabel penolong untuk menghitung r sebagai berikut:

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

5. Cari r hitung. dengan rumus :

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

[Type text] Page 51

Jika persamaan regresi y atas x sudah dihitung dapat digunkan rumus :

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

6. Tentukan taraf signifikansinya ( α ,05)

7. Tentukan kriteria pengujian signifikansi korelasi

-r tabel ≤ r hitung ≤ +r tabel, maka H0 ditolak atau korelasinya

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

x terhadap y Dengan rumus :

KP = r2 x 100%

keterangan: KP = Nilai Koefisien Diterminan

r = Nilai Koefisien Korelasi.

CONTOH SOAL
Diketahui data terhadap 5 responden untuk variabel X dan Y :
X Y
1 4
2 3
3 5
4 7

[Type text] Page 52

5 6

Buktikan bahwa kedua variabel itu mempunyai hubungan linear yang

positif

Jawab :

1. Asumsikan bahwa kedua variabel itu mempunyai data yang normal

dan dipilih secara acak

2. Tulis Ha dan H0 dalam bentuk kalimat
Ha : Terdapat hubungan yang positif dan signifikan antara variabel X

dengan Y
H0 : Tidak terdapat hubungan yang positif dan signifikan antara

variabel X dengan Y
3. Hipotesis statistiknya

Ha : r ≠ 0

H0 : r = 0

4. Buatlah tabel penolong untuk menghitung nilai r

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

ẋi=3 ỹi=5 0 0 ∑x2=10 ∑y2=10 ∑xy=8

∑ 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

-rtabel ≤ rhitung ≤ +rtabel, maka H0 ditolak atau korelasinya tidak signifikan

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 :

”Terdapat hubungan yang positif dan signifikan antara variabel X dengan Y”

11. Jika diminta, maka besarnya sumbangan variabel x terhadap Y

adalah = 0,8002 x 100% = 64%

MENGUJI HIPOTESIS ρ

Hypothesis

Hypothesis berasal dari dua kata, yaitu: HYPO yang berarti di

bawah dan THESIS berarti pernyataan yang belum dibuktikan

[Type text] Page 54
kebenarannya (an unproved statement put forward as a premise in an

argument). Jadi, secara harfiah HIPOTESIS berarti DUGAAN SEMENTARA

yang belum diuji kebenarannya. Uma Sekaran & Roger Bougie (2010)

mendefinisikan hypothesis as tentative, yet testable, statement, which

predicts what you expect to find in your empirical data. Hipotesis dibuat

berdasarkan TEORI yang digunakan ketika menyusun theoritical

framework atau bisa juga dibuat berdasarkan penalaran yang LOGIS.

Dalam sebuah penelitian bisa hanya terdapat satu buah hipotesis saja

atau bisa juga lebih.

Hypothesis Testing

Semua prosedur pengujian besarnya tentang parameter populasi

menggunakan informasi dan sample dan teori probabilitas untuk

menentukan apakah hipotesis tersebut secara statistik dapat diterima

atau ditolak.

Uji signifikansi koefisien korelasi

Untuk menguji kuat lemahnya hubungan antara variabel. Apabila

besarnya hubungan = 0 menunjukan hubungan sangat lemah. Namun

jika tidak berarti sebaliknya, apabila hubungan antara variabel secara

signifikan ≠ 0 maka hubungan kuat dan berani.

[Type text] Page 55

Uji signifikansi koefisien korelasi dilakuakn melalui 5 tahap, yaitu:

1. Perumusan hopotesa yaitu menguji apakah r populasi (p) sama

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)

Rumus Uji t untuk Uji Korelasi

r √n−2
t 0=
√ 1−r 2
Atau

r
t=

√ 1−r 2
n−2

Dimana:

t : nilai t hitung atau t observasi

r : nilai koefisien korelasi

n : jumlah data pengamatan.

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:

[Type text] Page 56

 1. Perumusan hipotesa, hipotesa diuji adalah koefisien korelasi

sama dengan nol. Korelasi dalam populasi dilambangkan dengan

ρ , sedang pada sampel r.

H0 = 0
H1 ≠ 0
2. Taraf nyata 5% untuk uji dua arah (α/2 = 0,025) dengan derajat

bebas (df) = n – k = 9 – 2 = 7. Nilai taraf nyata α/2 = 0,025 dan

df = 7 adalah = 2,36. Ingat bahwa n adalah jumlah data

pengamatan yaitu = 9, sedangkan k adalah jumlah variable Y dan

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

daerah tidak menolak H0. Ini menunjukan bahwa tidak terdapat

cukup bukti untuk menolak H0, sehingga dapat disimpulkan

bahwa korelasi dalam populasi sama dengan nol, dan hubungan

antara tingkat suku bunga dengan investasi lemah dan tidak

nyata.

Contoh 2:

Untuk menguji H0 : ρ = 0 melawan H1 : ρ ≠ 0 berdasarkan sebuah

sampel acak berukuran n = 27 dengan r = 0,28 , maka di dapat.

[Type text] Page 57

 (0,28) √27−2
t 0= =1,458
√ 1−(0,28)2
Jika taraf nyata α =0,05 , maka dk 25, dari tabel daftar distribusi t

didapat untuk uji dua pihak t 0 , 995=2,060. mudah dilihat bahwa t =

1,458 antara -2,060 dan 2,060. Jadi H0 diterma.

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

[Type text] Page 58