TEORI PENDUGAAN

Dalam penelitian kita berusaha untuk menyimpulkan populasi dimana sample

diambil untuk mewakili populasi tersebut. Untuk tujuan tersebut kita mencari atau
mempelajari data yang diambil baik secara sampling maupun sensus. Karena
keterbatasan waktu, dana serta mengingat besarnya populasi (tak hingga) maka diambil
sample yang representative lalu berdasarkan pada hasil analisis terhadap data sample
kesimpulan mengenai populasi dibuat. Kelakuan populasi yang akan ditinjau disini
hanyalah mengenai parameter populasi dan sample yang digunakan adalah sample acak.
Data dari sample dianalisis diperoleh nilai-nilai statistic atau statistic sample.
Statistic sample yang diperoleh digunkan untuk menduga parameter-parameter
dari populasi.
Secara umum parameter populasi diberi simbul θ (baca theta) jadi θ bisa berupa
rata-rata μ simpangan baku α, proporsi Π dan sebagainya. Jika θ yang tidak diketahui
harganya diduga oleh θ maka θdinamakan penduga jelas diinginkan θ = θtetapi ini hanya
merupakan suatu keinginana yang idial sifatnya, kenyataan yang terjadi adalah :
a. penduga θ oleh θ terlalu tinggi
b. penduga θ oleh θ terlalu rendah.
Kedua ini jelas tidak diinginkan oleh peneliiti karena kita mengiginkan penduga yang
baik penduga yang baik adalah tak bias, mempunyai varians (ragam) minimum dan
konsisten.
Penduga θ dikatakan penduga tidak bias jika rata-rata semua harga θ yang
mungkin akan sama dengan θ.
Penduga beragam minimum ialah penduga dengan ragam terkecil diantara semua
penduga untuk parameter yang sama. Jika θ1 dan θ 2 dua penduga beragam minimum dan
merupakan penduga yang baik.
Misalkan θ penduga untuk θ yang dihitung berdasarkan sample acak berukuran n.
jika ukuran sample n makin besar mendekati ukuran populasi maka akan menyebabkan θ
mendekati θ maka dijamin merupakan penduga konsisten.
Penduga yang tak bias dan beragam minimum dinamakan penduga yang baik.
Cara-cara menduga
Menduga μ
Secara umum penduga μ adalah X denagn rumus

 n
X  ( Xi) / n
i 1

penduga untuk sebuah parameter μ misalkan harganya akan berlainan tergantung

pada harga X yang didapatkan dari sample yang diambil. Karena orang sering merasa
kurang yakin atau kurang percaya atas hasil penduga macam ini. Sebagai gantinya
dipakai interval pendugaan atau daerah pendugaan yaitu menduga suatu parameter
diantara batas-batas dua harga denagn tingkat kepercayaa yang telah ditentukan.
Jika koefisien kepercayaan dinyatakan dengan α maka besarnya 0<α< 1. harga ∂
yang digunkana tergantung pada persoalan yang dihadapi dan keyakinan peneliti. Namun
yang biasa digunakan ialah 0,95 atau 0,99.
Jadi pendugaan θ yang dimaksud adalah :
P(A < θ <B) = α
P : peluang yang diiginkan
A : batas bawah pendugaan
B :batas atas pendugaan
θ: parameter yang diduga
α: koefisien kepercayaan pendugaan
perumusan ini berarti bahwa peluang θterletak diantara nilai A dan B sebesar α. Dalam
penelitian A dan B dihitung harganya berdasarkan data sampel maka A dan B merupakan
bilangan tetap.maka perumusan diatas berarti kita merasa percaya sebesar α bahwa
parameter θ akan ada didalam interval ( A,B). jika umpamanya α = 0,95 A= 2 dan B = 4
ini berarti bahwa kita percaya 95 % parameter θ nilai antara 2 sampai denagn 4
Pendugaan rata-rata μ
Misalkan kita mempunyai suatu populasi berukuran N dengan rata-rata μ dan
simpangan baku α. Dari populasi ini parameter rata-rata μ akan diduga dengan X. untuk
keperluan ini kita mengambil sample sebesar n dan hitung rata-ratanya (X) jika data
berasal dari populasi yang menyebar normal dan α diketahui maka :
P (X – Z 1/2α α/√n < μ < X + Z1/2α α/√n) =α
Disini Z1/2α nilainya diambil dari tabel normal baku untuk peluang ½ α. Jadi interval
kepercayaan parameter μ sebesar α adalah :
X – Z1/2α α/√n <μ< X+Z1/2α α/√n

Atau

X ± Z1/2α α/√n

Dalam penelitian /kenyataan parameter α tidak diketahui,sehingga interval kepercayaan

parameter μ sebesar α menjadi
X – t ½ α s/√n <μ<X + t 1/2α s/√n
Atau
X ± t 1/2α s/√n
Dimana t 1/2α nilainya diambil dari tabel t dan s dicari dengan rumus:

n _
 (X - X )2
τ  SD  _______
i 1

(n  1)
Jika ukuran sample berhingga yaitu sebesar N yakni (n/N) > 5% maka:

s N n s N n
X  t1/ 2  X  t1/ 2
n N 1 n N 1
Atau
s N n
  t1 / 2
n N 1

Pendugaan proporsi 
Populasi binomial berukuran N dimana terdapat propirsi Π untuk suatu peristiwa
yang terdapat didalam populasi tersebut. Bila didalamsampel terdpat n kejadian dan
terdpat x kejadian yang sukses maka proporsi atau peluang kejadian sukses adalah n =
Sehingga interval kepercayaannya dengan pendekatan normal dengan n cukup besar
menajdi :
X  Z 1 / 2 p(1  p )    X  Z 1 / 2 p (1  p Atau X  Z 1 / 2 p (1  p )
Jadi interval kepercayaan untuk Π menjadi :
p (1  p ) p(1  p) p (1  P )
p  Z1 / 2    p  z1 / 2 Atau p  Z1 / 2
n n n
Contoh
1. misalnya dari hasil pengukuran 20 ekor kambing kacang jantan diperoleh rata-rata
berat badan 15 kg,dari hasil penelitian sebelumnya diperoleh informasi bahwa
simpangan beratnya sebesar 5 kg. maka dengan tingkat kpercayaan 95 %diperoleh
kisaran berat kambing tersebut adalah :
 5
X  Z 1 / 2  15  1.96  15  2,19
n 20
Jadi kisaran berat kambing tersebut adalah antara 12,81 kg samai dengan 17,19
(P<0,05)
2. dari 50 ekor anak babi yang diperiksa ternyata 30 ekor menderita penyakit
mencret putih sedangkan sisanya dalam keadaan sehat. Dengan tingkat
kepercayaa 95 % interval pendugaan terhadap anak babi penderita mencret putih
adalah sebagai berikut:
kejadian sukses =30
x 30
p   0,60
n 50

S2  n p (1-p) = 50 (0,60)(1-0,60)=12
S= 12  3,46

X  Z 1 / 2 p (1  p )  30  1,96 0,60(1  0,60  30  0,96

Jadi rata-rata anak babi yang menderita mencret putih 29,04 -30,96 ekor atau 29-
31 ekor (P<0,05).
Kisaran prepalensi(kemungkinan)anak babi mencret putih adalah:
p (1  p ) 0,60(1  0,60)
p  Z 1 / 2  0,60  1,96
n 50
= 0,60 ±0,14
Jadi prepalensinya berkisar antara 0,46-0,74 (p<0,05)

XII HIPOTESIS
 Hipotesis adalah jawaban smentara terhadap suatu permasalahan yang paling
dianggap benar, dianggap sementara karena perlu dibuktikan kebenarannya dan dianggap
paling benar karena sudah berdasarkan pikiran yang logis dn oengetahuan yang
menunjangnya. Pengujian hipotesis akan membawa kepada kesimpulan untuk menerima
atau menolak hipotesis. Jadi dengan demikian hanya terdapat dua pilihan. Maka dalam
statistika kita mengenal dua hipotesis yaitu H0 dan H1
pasangan H0 dan H1 mempuinyai daerah penerimaaan dan daerah penolakan
hipotesis. Daerah penolakan hipotesis sering disebut daerah kritis.
Bila kita ingin menguji suatu parameter yang diketahui (θo) maka hipotesisinya
adalah sebagui berikut :
a. Hipoteisi dua arah
Ho:θ =θo lawan H1;θ≠θo
b. Hipotesisi satu arah kanan
Ho:θ ≤θo lawan H1;θ>θo
Hipotesis ini mengandung pengertian maksimum (meningkatkan)
c. Hipotesisi Satu arah kiri
Ho:θ ≥θo lawan H1;θ<θo
Hipotesis ini mengandung pengertian minimum(menurunkan)

Menguji rata-rata 
A. Uji Dua Arah
a.  diketahui
Ho :  =  o lawan H1 :   o
Pengujian dilakukan dengan menggunakan rumus :
  o
ZH 
/ n

Criteria penerimaan Ho adalah :

Ho diterima pada taraf  jika ; Z h  Z 1 / 2

Ho ditolak pada taraf  jika ; Z h  Z 1 / 2

b.  tidak diketahui
Ho :  =  o lawan H1 :   o
Pengujian dilakukan dengan menggunakan rumus :
  o
tH 
s/ n

Criteria penerimaan Ho adalah :

Ho diterima pada taraf  jika ; t h  t1 / 2 db  n 1

Ho ditolak pada taraf  jika ; t h  t1 / 2  db  n 1

B. Pengujian Satu Arah : Arah kanan

a.  diketahui
Ho :   o lawan H1 :  .>  o
Pengujian dilakukan dengan menggunakan rumus :

  o
ZH 
/ n
kriteria penerimaan Ho adalah :
Ho diterima pada taraf  jika ; ZH ≤ Zα
Ho ditolak pada taraf  jika ; ZH > Zα
Untuk yang arah kiri criteria penerimaan Ho adalah
b.  tidak diketahui : Arah Kanan
Ho :   o lawan H1 :  .>  o
Pengujian dilakukan dengan menggunakan rumus :
  o
tH 
s/ n
kriteria penerimaan Ho adalah :
Ho diterima pada taraf  jika ; tH ≤ tα(db = n-1)
Ho ditolak pada taraf  jika ; tH > tα (db = n-1)
Kriteria penerimaan Ho untuk pengujian hipotesisi arah kiri adalah kebalikan dari
yang arah kanan.

PENGUJIAN PROPORSI Π
Hipotesisnya :
H o :    o lawanH 1 :    o

Pengujian dilakukan dengan rumus

p  o
ZH 
p (1  p)
n
kriteria penerimaan Ho adalah :
Ho diterima pada taraf α jika  Z H    Z 

Ho ditolak pada taraf α jika  Z H    Z 

Hipotesis dan kriteria penerimaan hipotesis untuk uji satu arah sama dengan pengujian
rata-rata μ
Contoh :
1. Seorang penjual ayam broiler menyatakan bahwa rata-rata berat ayam yang dijual
adalah 2,3 kg dengan kisaran berat 0,5 kg. untuk membuktikan hal tersebut maka
ditimbang 15 ekor ayam broiler dan diperoleh rata-rata bertana 2,1 kg. apakah
penyatan pedagang ayam tersebut dapat dipercaya 95%.
Jawab.
Hipotesinya dua arah karena kemungkinan berat ayam tersebut lebih besar atau
lebih kecil dari 2,3 kg maka hipoteisinya adalah :
Ho : θ = 2,3 lawan H1 : θ ≠2,3
X  o 2,1  2,3  0,2
ZH   ZH    1,54
/ n 0,5 / 15 0,13

Jadi Z H  Z 0 , 025 atau 1,54<1,96 maka Ho diterima.

2. Seorang pedagang obat perangsang pertumbuhan menyatakan bahwa, obat yang
mereka jual dapta meningkatkan berat sebesr 0,5 kg dengan keragaman 0,1 kg2
dari anak babi yang dipelihara selama masa menyusu. Dari 25 ekor anak babi
yang dipelihara dan diberikan obat perangsang pertumbuhan ternyata rata-rata
berat yang diperoleh sebesar 6,1 Kg,seangkan sebelumnya (tanpa obat
perangsang) diperoleh berat rata-rata 5,8 Kg. Apakah obat tersebut dapat
dipercaya 95 % dapat merangsang pertumbuhan anak bagi selama menyusu.
Jawab
 Hipotesisi yang dapat dibuat adalah hipotesisi satu arah karena yang diinginkan
dapat meningkatkan saja, maka hipotesisinya adalah:
Ho : μ <0,5 lawan H1 : μ ≥ 0,5
S = α = √0,1 =0,32
Kenaika yang dipero;eh (x) = 61-58 = 0,3
X  o 0,5  0,3  0,2
ZH     3,125
/ n 0,32 / 25 0,064

Jadi Z H  Z 0 , 025 atau 3,125>1,645 maka Ho diterima karena nyata lebih kecil
dari 0,5. maka pernyataan pedagang obat tersebut tidak benar, pernyataan
pedagang baru benar jika hasilnya tidak nyata lebih kecil (P>0,05) dar 0,5 kg
atau nyata lebih besar dari 0,5 kg
3. jika diketahui peluang lahirnya anak sapi jantan adalah 0,50 jika dari dari 8 ekor
anak sapai yang terlahir ternyata 5 ekor jantan dan 3 ekor betina. Apakah masih
dapat dieprcaya 95 % peluang yang menyatakan kemungkinan anak sapi jantan
yang lahir 0,50
jawab
X 5
P   0,625
n 8
Karena peluang tersebut kemungkinan lebih besar atau lebih kecil dari 0,50 maka
hipotesisinya adalah :
H o :   0,50lawanH 1 :   0,50

p  o 0,625  0,50 0,125

ZH   ZH    0,73
p (1  p ) 0,625(1  0,625 0,171
n 8
Jadi ZH<Z0,025 atau 0,73<1,96 maka Ho diterima , maka peluang yang menyatakan
kemungkinan anak sapi jantan lahir peluang 0,50 masih dapat dipercaya (P>0,05)

PENGUJIAN KESAMAAN(HOMOGENITAS) RAGAM/VARIANS

Hipotesisinya :
H o :  12   22 lawanH 1 :  12   22

Pengujian dilakukan dengan menggunakan rumus :

 S12
FH 
S12

Dengan ketentuan : S12  S12

Kriteria penerimaan Ho adalah

Ho diterima (ragam homogen) pada taraf α jika FH  F ( db1 n11;db 2  n 2 1)

Ho ditolak (ragam tidak homogen) pada taraf α jika FH  F ( db1 n11; db 2 n 21)

MENGUJI KESAMAAN DUA RATA-RATA PENGAMATAN

BERPASANGAN
A. Uji Dua Arah
Hipotesisnya
Ho : μ1=μ2 lawan H1 : μ1 ≠ μ2
a.  12   22   2 dan 2 diketahui
pengujian dilakukan dengan mengguunakan rumus :
X1  X 2
ZH 
 1/ n
Disini n1 =n2=n
Kriteria penerimaan Ho adalah:
Ho diterima pada taraf α jika : Z H  Z 1 / 2

Ho ditolak pada taraf α jika : Z H  Z 1 / 2

b.  12   22   2 dan 2 tidak diketahui

pengujian dilakukan dengan menggunakan rumus :
_ _
X1  X2
______
tH 
Sd/ n
 2
n 
n  (X 1i  X 2i)
 (X 1i  X 2i ) 2   i1 
n
Sd  i1
n1

Kriteria penerimaan Ho adalah:

Ho diterima pada taraf α jika : t H  t1 / 2 ( db  n 1)

Ho ditolak pada taraf α jika : t H  t1 / 2 ( db  n 1)

B. Uji Satu Arah

Hipotesisnya:
Ho : μ1≤μ2 lawan H1 : μ1 > μ2
a.  12   22   2 dan 2 diketahui
pengujian dilakukan dengan menguunakan rumus :
X1  X 2
ZH 
 1/ n
Kriteria penerimaan Ho adalah:
Ho diterima pada taraf α jika : ZH≤Zα
Ho ditolak pada taraf α jika : ZH>Zα
b.  12   22   2 dan 2 tidak diketahui
pengujian dilakukan dengan menggunakan rumus :
X1  X 2
tH 
Sg 1 / n1  1 / n2

2
n 
n 

 ( X 1i  X 2 i ) 

 ( X 1i  X 2i ) 
2 i 1

n
Sd  i 1
n 1
Kriteria penerimaan Ho adalah:
Ho diterima pada taraf α jika : t H  t  ( db  n 1)
 Ho ditolak pada taraf α jika : t H  t  ( db  n 1)

MENGUJI KESAMAAN DUA RATA-RATA PENGAMATAN TIDAK

BERPASANGAN
A. uji dua Arah
Hipotesisnya
Ho : μ1=μ2 lawan H1 : μ1 ≠ μ2
a.  12   22   2 dan 2 diketahui
pengujian dilakukan dengan menguunakan rumus :
X1  X 2
ZH 
 1 / n1  1 / n2
Kriteria penerimaan Ho adalah:
Ho diterima pada taraf α jika : Z H  Z 1 / 2

Ho ditolak pada taraf α jika : Z H  Z 1 / 2

b.  12   22   2 dan 2 tidak diketahui

pengujian dilakukan dengan menggunakan rumus :
X1  X2
tH 
Sg 1/n1  1/n2

(n1  1)S 12  (n2  1)S 22

Sg 
n1  n2  2
Kriteria penerimaan Ho adalah:
Ho diterima pada taraf α jika : t H  t1 / 2 ( db  n1 n 2  2 )

Ho ditolak pada taraf α jika : t H  t1 / 2 ( db  n1 n 2  2 )

B. Uji Satu Arah

Hipotesisnya
a.  12   22   2 dan 2 diketahui
pengujian dilakukan dengan menguunakan rumus :
X1  X 2
ZH 
 1 / n1  1 / n2
Kriteria penerimaan Ho adalah:
Ho diterima pada taraf α jika : ZH≤Zα
 Ho ditolak pada taraf α jika : ZH>Zα
b.  12   22   2 dan 2 tidak diketahui
X1  X 2
tH 
Sg 1 / n1  1 / n2

(n1  1) S12  (n 2  1) S 22
Sg 
n1  n 2  2
Kriteria penerimaan Ho adalah:
Ho diterima pada taraf α jika : t H  t ( db  n1 n 2 2 )
Ho ditolak pada taraf α jika : t H  t ( db  n1 n 2 2 )
Contoh:
1. Seorang peneliti ingin mengetahui perubahan pH daging api sebelum dan sesudah
diberikan bahan pengawet asam Acetat 1,5 % untuk tujuan tersebut peneliti
memeriksa 15 contoh daging dan diuji pHnya sebelum dan sesudah diberi bahan
pengawet.
Data hasil penelitiannya sebagai berikut :
nomor Sebelum (X1i) Sesudah (X2i)
1 5,2 4,1
2 5,6 4,4
3 5.8 4,9
4 5,7 4,8
5 5,6 4,7
6 5,9 5,2
7 5,5 4,2
8 5,6 4,3
9 5,8 4,7
10 5,6 4,3
11 5,7 4,5
12 5,6 4,1
13 5,4 4,1
14 5,3 4,0
15 5,8 4,4

Dari data yang diperoleh peneliti ingin mengetahui apakah terjadi penurunan pH
daging yang nyata dengan pemberian asam Acetat 1,5 % disamping pula ingin
diketahui kesamaan ragam antara sebelum dan sesudah duberikan asam Acetat 1,5
%
Jawab>
Hipotesisi
Kesamaan dua rata-rata berpasangan satu arah
Ho : μ1≤μ2 lawan H1 : μ1 > μ2
Kesamaan ragam (α2)
H o :  12   22 lawanH 1 :  12   22

Perhitungan
15

(X
i 1
1i  X 2i ) 2 = (5,2-4,1)2 +(5,6-4,4)2+………….+(5,8-4,4)2

= 20,88
15

(X
i 1
1i  X 2i ) =(5,2-4,1)+(5,6-4,4)+……….=(5,8-4,4)

=17,4
15 2

X
i 1
1i = 5,22+5,62+5,82+…………..+5,82=472,05

15

X
i 1
1i = 5,2 + 5,6 + 5,8+…………..+ 5,8=84,1

1 15 84,1
X  
15 i 1
X 1i 
15
 5,61

15

X
i 1
2i
2
= 4,12 + 4,42 +4,92+…………..+4,42=298,29

15

X
i 1
2i =4,1 + 4,4 +4,9+…………..+4,4=66,7

1 15 66,7
 
15 i 1
X 2i 
15
 4,45

2
 15 
15   ( X 1i  X 2i ) 

i 1
( X 1i  X 2i ) 2   i 1
 15


 
Sd 
15  1
 (17,4) 2
20,88 
Sd  15  0,223
15  1
1  X 2 5,61  4,45 1,16
tH     20,14
Sd 1 / 15 0,223 1 / 15 0,0576

Oleh karena tH>t0,05(db=15-1), yaitu 20,14>1,761

Maka Ho ditolak jadi disimpulkan bahwa pemberian asam Acetat 1,5 % dapat
menurunkan pH daging sapi secara nyata (P<0,05)
15

15
( X 1i ) 2
(85,1) 2
X
2
1i  i 1
472,05  15
15 `5
 12  i 1
  0,0378
15  1 14
15

15
( X 2 i ) 2
(66,7) 2
X 2i
2
 i 1

15
298,29 
15
15
 22  i 1
  0,1212
15  1 14
 22 0,1212
FH    3,206
 22 0,0378

Oleh karena FH>F0,05(cb 14,14)yaitu 3,206>2,46 maka Ho ditolak jadi ragam sebelum dan
sesudah diberikan asam acetate tidak homogen (P>0,05)
2. jika peneliti ingin menambah aplatosin sebanya 20 % pada ransom itik Bali terhadap
kadar rotein darahnya. Untuk tujuan tersebut dipelihara 30 ekor itik, 15 ekor diberikan
ransom tanpa aplatosisn (ransom 1)dan 15 ekor lagi diberikan ransom dengan aplatosin
20 % (ransom 2)
Data hasil penelitian sebagai berikut:
nomor Ransum 1(X1i) Ransum 2 (X2i)
1 2,87 3,17
2 2,91 3,18
3 2,21 3,15
4 2,79 3,09
5 2,65 3,07
6 2,66 2,96
7 2,64 2,85
8 2,65 2,96
9 2,58 2,89
 10 2,96 2,65
11 2,65 3,11
12 2,63 3,08
13 2,68 3,06
14 2,75 3,12
15 2,84 2,97
Dari data tersebut juga ingin diuji kesamaan ragam dari ransom 1 dan ransom 2
Jawab
Hipotesis
Kesamaan dua rata-rata tidak berpasangan, uji dua arah
H o : 1   2 lawanH 1 : 1   2

Kesamaan ragam (α2)

H o :  12   22 lawanH 1 :  22   22

Perhitungan:
15 2

X
i 1
1i  2,87 2  2,912  .......  2,84 2  109,6313

15

X
i 1
1i  2,87  2,91  .......... ..  2,84  40,47

1 15 41,47
X  
15 i 1
X 1i 
15
 2,698

15 2

X
i 1
2i  3,172+3,182+…………+2,972=137,1545

15

X
i 1
2i  3,17+3,18+…………+2,97= 45,31

1 15 45,31
X  
5 i 1
X 2i 
15
 3,0207

15

15
( X 1i ) 2
(40,47) 2
X 1i
2
 i 1

15
109,6313 
15
SD1  i 1

15  1 14
SD1=0,1779
 15

15
( X 2 i ) 2
(45,31) 2
 X 21i 
2 i 1
137,1545 
15 15
SD2  i 1

15  1 14
SD2=0,1434

(15  1) S12  (15  1) S 22

Sg 
15  15  2

(15  1)0,1779 2  (15  1)0,1434 2

Sg  =0,1616
28
X1  X 2 2,6980  3,0207
tH    5,47
Sg 1 / n1  1 / n 2 0,1616 1 / 15  1 / 15

Oleh karena tH>t0,059db=28) yaitu 5,47>2,048

Maka Ho ditolak disimpulkan bahwa Aplatosispada ransom itik dapat mempengaruhi
secara nyata (P<0,05) kadar protein darahnya
 12 (0,1979) 2
FH    1,54
 22 (0,1435) 2
Oleh karena FH<F0,05(db14,14) yaitu 1,54>2,26
Maka Ho diterima jadi ragam ransum1 dan ransum2 sama atau homogen (P>0,05)
XIII. ANALISIS RAGAM SEDERHANA

Jika perlakuan yang ingin diuji/dibandingkan lebih dari dua(P>2) dan ragam tidak
diketahui maka kita bisa melakukan uji t dengan jalan menguji perlakuan sepasang demi
sepasang. Banyaknya pasangan hipotesis yang dapat dibuat sebanyak (P !)/(2!(P-2)!).
sebagai contoh jika P=3 maka pasangan hipotesis yang dpat dibuat adalah sebanyak (3 !)
(2!(3-1)!)=3 pasang yaitu:
H o : 1   2 lawanH 1 : 1   2

H o : 1   3lawanH1 :  2   3

H o :  2   3 lawanH1 : 1   3

Jika perlakuannya lebih banyak lagi (P>3) maka pasangan hipotesis yang dibuat akan
lebih banyak lagi. Jadi untuk menyederhanakannya tanpa mempengaruhi hasil yang
diperoleh maka diperlukan pengujian dengan cara yang lebih praktis, bahkan
memberikan hasil yang jauh lebih baik.
Cara lain untuk menguji jika P>2 adalah dengan menggunakan analisis ragam dengan
model matematikanya sebagi berikut :
Yij  μ  α i  ε ij

i=1,2,3,……,p dan j=1,2,3,…………..,u

disini
Yij : pengamatan pada perlakuan ke I dan ulangan ke j
μ : rata-rata umum
αi : pengaruh perlakuan ke i
εij : kesalahan/galat percobaan pada perlakuan ke I dan ulangan ke j
Berdasarkan data model matematik diatas diduga dengan nilainilai sampelnya sebagai
berikut:
Yij     i   ij

Yij  Y ..  (Yi .  Y ..)  (Yij  Yi .)

(Yij  Y.. )  ( Yi .  Y..  (Yij  Yi

Dengan derajat bebas (pu-1) =(p-1)+(pu-p)

(pu-1)=(p-1)+p(u-1)
Sebagai contoh kita ambil p=4 dan u=6 maka tabulasi datanya sebagai berikut:
Perlakuan Ulangan(j) Total Rataan
(I) 1 2 3 4 5 6 (Yi.) ( Yi .
1 Y11 Y12 Y13 Y14 Y15 Y16 Y1 Y1 .

2 Y21 Y22 Y23 Y24 Y25 Y26 Y2 Y2

Y3 .
3 Y31 Y32 Y33 Y34 Y35 Y36 Y3
Y4 .
4 Y41 Y42 Y43 Y44 Y45 Y46 Y4
Y… Y…
Dengan mengkuadratkan dan menjumlahkan persamaan diatas maka diperoleh :
_
 (Y .  Y ..)  (Y 
p u p u 2


i 1
 ij ..)2
(Y 
j 1
Y 
i 1 j 1
i ij Y i.

p u p u _
  (Y
i 1 j 1
ij  Y ..)  
2

i 1
 [(Yi .  Y ..)  2(Y i ..  Y ..)(Yij  Y i .)  (Yij  Y ..)]2
j 1
2
 _
Oleh karena ; 2(Y i ..  Y ..)(Yij  Y i .)  (Yij  Y ..)  0
p u p u p u
Maka : 
i 1 j 1
(Yij  Y ..) 2  
i 1
 (Y .  Y ..)
j 1
i
2

i 1
 (Yj 1
ij  Yi .) 2

Jadi :
p u
Jumlah kuadrat total (JKT) =   (Y ij  Y ..) 2
i 1 j i

p u
(Y..) 2
=  i 1
 Y12 j 
j 1 pu
p u
Jmlah Kuadrat Perlakuan (JKP) =   (Y .  Y ..) 2
i
i 1 j 1

1 p 2 (Y..) 2
=  Y1 .  pu
u i1
p u
Jumlah kuadrat galat (JKG) =   (Y ij  Y ..)  (Y ij  Y i .) 2
i 1 j 1

Jumlah Kuadrat galat (JKG) =   (Y 

p u 2

ij  Y ..)  (Yi .  Y ..)

i 1 j 1

= JKT-JKP
Kemudian kita buat daftra analisis ragam (sidik Ragam)
Sumber Derajat Jumlah Kuadrat F
Keragaman Bebas kuadrat tengah hitung
Perlakuan (p-1) JKP JKP/(p-1) JKP/(p-1)
JKG/(pu-p)
galat P(u-1) JKG JKG/(pu-p)
total (pu-1) JKT
Hipotesisinya adalah :
H o : 1   2   p lawanH 1 :  i   i untuk suatu i
Ho diterima jika FH < F ( dbperlakuan ;dbgalat )
Ho ditolak jika FH ≥ F ( dbperlakuan ;dbgalat )
Jika Ho ditolak maka H1 kita terima yaitu μi≠μi maka timbul suatu pertanyaan apakah
semua pasangan rataan dari setiap perlakuan akan berbeda ? untuk menjawab
membuktikan maka kita haus emmbandingkan pasangan-pasangan perlakuan tersebut
yaitu dengan melakukan uji rataan, salha satu uji rataan tersebut adalah uji benda nyata
terkecil (BNT) dengan rumus ;
 2 KTGalat
BNT  t1 / 2 ;dbGalat )
Ulangan

Ho ditolak jika X .  X ..  BNT

Ho diterima jika X .  X ..  BNT

Contoh
Seorang peneliti ingin mengetahui pengaruh kadar protein ransom terhadap kadar
globulin darah (gram %) kelinci dewasa jantan. Untuk tujuan tersebut peneliti
menggunakan ransom dengan kadar protein (10,16,22 dan 28 %) setelah dilakukan
penelitian diperoleh hasilsebagai berikut :
Protein Ulangan(j) Total Rataan
Ransom 1 2 3 4 5 6 (Y i.) ( Yi.)
( i)
10% 1,08 0,82 0,96 0,99 0,97 0,91 5,73 0,955
16% 0,96 0,98 1,01 1,01 0,98 0,81 5,78 0,963
22% 1,23 1,18 1,01 1,01 1,07 1,02 6,68 1,113
28% 1,18 1,03 1,17 1,15 1,32 1,23 7,08 1,118
25,27 1,053

Jawab
Hipotesis
H o : 1   2   3   4

H 1 :  i   i untuk suatu i

Perhitungan
4 6
 Y ..
2

JKT =  Y 
2
1 j
i 1 j 1 4 x6

25,27 2
= 1,0812+0,822+0,962+………….+1,232-
24
=26,9893 -26,6072 =0,3821
1 p 2 (Y ..) 2
JKP =  Y1 . 
u i 1 pu
 1 25,27 2
= (5,732+5,782+6,682+7,082)-
6 24
=26,8317 -26,6072 =0,2245
JKG=JKT-JKP =0,3821 -0,2245 =0,1576

Daftar sidik ragam

Sumber Derajat Jumlah Kuadrat F
Keragaman Bebas Kuadrat Tengah hitung
Perlakuan (4-1)=3 0,2245 0,0748 9,49
Galat 4(6-1)=20 0,1576 0,00788
total (24-1)=24 0,3821

Oleh karena FH>F0,05(db=9:20) yaitu 9,45>3,10

Maka Ho ditolak jadi disimpulkan protein ransom berpengaruh nyata ( P<0,05) terhadap
kadar globulin darah kelinci.
Bila dibandingkan FH>F0,05(db=9:20) yaitu 9,45>4,94 maka
Maka Ho ditolak jadi disimpulkan protein ransom berpengaruh nyata ( P<0,01) terhadap
kadar globulin darah kelinci.
Untuk mengetahui / mencari kadar protein ransom berapa saja yang saling berbeda nyata
atau sangat nyata maka dilanjutkan denagn uji Beda Nyata Terkecil (BNT)

2 KTGalat
BNT  t1 / 2 ;dbGalat )
Ulangan

2(0,00788)
BNT0, 05  t ( 0, 025;db  20) =2,086 x 0,0512
6
= 0,107

2(0,00788)
BNT0, 01  t ( 0, 05;db  20 ) = 2,845 x 0,05125
6
= 0,146
Kita bandingkan rattan perlakuannya ( Y i . ) seperti tabel berikut :
Tabel hasil uji BNT pada tingkat kepercayaan 95 % dan 99 %

Protein Rataan Y 4.  Y i. Y 3.  Y i . Y 2.  Y i . Signifikansi

Ransum (Yi.) 0,05 0,01
28% 1,180 - - - A A
22% 1,113 0,067tn - - a a
16% 0,963 0,217** 0,150** - b b
10% 0,955 0,225** 0,158** 0,008tn b b
Keterangan
** : jika (Yi .  Yi ..)  nilai BNT α=0,05 dan BNT α=0,01

tn : jika (Yi .  Yi ..)  nilai BNT α=0,05

nilai rataan dengan huruf yang sama pada kolom signifikansi menunjukkan tidak berbeda
nyata (P>0,05) sedangkan dengan huruf yang berbeda menunjukkan berbeda nyata
(P<0,05) atau berbeda nyata )P<0,01)
dari tabel diatas dapat disimpulakan bahwa antar protein ransom 10 % dengan 16 % dan
antara protein ransom 22 % dengan 28 % tidak memberikan hasil kadar globulin darah
kelinci yang berbeda nyata (P>0,05) sedangkan antara protein ransom 10 % dan 16 %
dengan 22 % dan 28 % memberikan hasil yang berbeda sangat nyata (p<0,01)

XIV. ANALISIS REGRESI KORELASI

Analisis regresi mempelajari bentuk hubungan antara satu atau lebih peubah bebas
(X) dengan satu peubah tak bebas (Y). dalam penelitian peubah bebas ( X) biasanya
peubah yang ditentukan oelh peneliti secara bebas misalnya dosis obat, lama
penyimpanan, kadar zat pengawet, umur ternak dan sebagainya. Disamping itu peubah
bebas bisa juga berupa peubah tak bebasnya, misalnya dalam pengukuran panjang badan
dan berat badan sapi, karena panjang badan lebih mudah diukur maka panjang badan
dimasukkan kedalam peubah bebas (X), sedangkan berat badan dimasukkan peubah tak
bebas (Y). sedangkan peubah tak bebas (Y) dalam penelitian berupa respon yang diukur
akibat perlakuan/peubah bebas (X). misalnya jumlah sel darah merah akibat pengobatan
dengan dosis tertentu, jumlah mikroba daging setelah disimpan beberapa hari, berat ayam
pada umu tertent dan sebagainya.
Bentuk hubungan antara peubah bebas (X) dengan peubah tak bebas (Y) bisa dalam
bentuk polinom derajat satu (linear) polinom derajat dua (kuadratik). Polinim derajat tiga
(Kubik) dan seterusnya. Disamping itu bisa juga dalam bentuk lain misalnya
eksponensial,logaritma,sigmoid dan sebagainya. Bentuk-bentuk ini dalam analisis
regresi-korelasi biasanya ditransformasi supaya menjadi bentuk polinom.
Dalam bentuk yang paling sederhana yaitu satu eubah bebas (X) dengan satu peubah
tak bebas (Y) mempunyai persamaan :
Y =a +bx
Disini a disebut intersep dan b koefisien arah
Dlam pengertian fungsi persamaan garis Y + a +bx hanya ada satu yang dapat
dibentuk dari dua buah titik denagn koordinat yang berbeda yaitu ( X1, Y1) dan X2,Y2).
Hal ini berarti kita bisa membuat banyak sekali persamaan garis dalam bentuk lain
melalui dua buat titik yang berbeda koordinatnya/tidak berimpit.
Persamaan garis melalui dua buah titik dirumuskan sebagai berikut :

(Y  Y) 1 (X  X 1 )

(Y2  Y1 ) (X 2  X 1

Y=a+bx
 X

-----------------
y
b
x
-------------------------
a - x
……………………..

Sebagai contoh misalnya titik A (1,3) dan titik B ($,9) maka persamaan gais linear yang
dapat dibuat adalah :
(Y  3) ( X  1)

(9  3) (4  1)

(Y-3)(4-1) =(X-1) (9-3)

3Y-9 = 6X-6
3Y = 3 +6X Y=1+2X
Dalam bentukmatrik bisa kita buat persaman sebagai berikut :
Y1 = a + b X 1
Y2 = a + b X 2
Y1 1 X1a
   
Y2 1 X2b
3 1 a
   
9  1 4b
 1
a 1  a
    
b  1 4 b
a 1  14 3
  
b (41)1 9
 a 4/9 13 431
  
b 1/3 9 132
Jadi a=1 dan b=2 sehingga persamaannya Y=1 +2X
Jika jumlah data sebanyak n maka persamaannya sebagai berikut ;
Yi   o   1 X 1   i

i= 1,2,3,…..n
disini βo adalah penduga a, β1 adlah penduga b dan εi merupakan besarnya simpangan
persamaan garis penduga. Semakin kecil nilai ε i persamaan regresi yang diperoleh akan
semakin baik.
Jadi kita dapat menuliskan pengamatan kita menjadi
y1   o   1 X 1   1
y 2   o  1 X 2   2

y3   o  1 X 3   3

…………………..
y n   o  1 X n   n

Dengan notasi matrik dapt ditulis sebagi berikut :

Y1  1 X1   1 
Y  1 X2   
 2   2
Y3  1 X 3    o   3 
    
 .  . .    1   . 
 .  . .  .
     
Yn  1 X n   n 

Jadi kita peroleh matrik Y,X,β dan ε dengan dimensi sebagi berikut :

Y X β

nx1 nx2 2x1  nx1
ε

Jika diasumsikan E(ε) = 0 maka E(Y) = Xβ

Bila modelnya benar β merupakan enduga terbaik yaitu dengan jalan melakukan
penggadaaan awal dengan X’ sehingga diperoleh persamaan normal sebagai berikut :
X’Y=X’X β
2x1 2x2 2x1

Y1  1 X1 
Y  1 X 2 
 2 
1 1 1 ......... 1  Y3   1 1 1 ........ 1  1 X 3   o 
X    
 1 X2 X2 ........... X n   .   X 1 X2 X3 ...... X n   . .    1 
. . . 
   
Yn  1 X n 

 n   n

  Yi   n X i   o 
 ni 1    n i 1
 
2   1 
n
 XY  X
    Xi
i 1
i i
i 1
i
i 1

 1
 n
  n 
 0  
n  Xi    Yi 
    n   ni 1 
i 1
n
 1  X 2  XY
  
X1
i 1
i
i 1
 i 1
i i

Jadi β=(X’X)-1X’Y
Disini(X’X)-1 adalah kebalikan (inverse)dari matrik X’X

 n 2 n

1   X i   Xi 
(X’X)-1 = n n
 i 1n i 1

2 
n X i  ( X i )   X i
2
n 
i 1 i 1

 i 1 

 
 Y  1 X 
 n 
 o   n n
Jadi       X i Yi  ( X i )( Yi ) / n 
 1  i 1 i 1 i 1
 n n 
  X i  ( X i ) 2 / n 
2

 i 1 i 1 
Contoh
Seorang peneliti ingin mengetahui bentuk hubungan antara jumlah cacing jenis
tertentu denagn jumlah telurnya pada usus ayam buras. Untuk tujuan tersebut diperiksa
20 ekor ayam dan ditemukan sebagai berikut :
Tabel 1 jumlah cacing dan jumlah telurnya pada usus ayam buras am buras.
No Jumlah Cacing ( Xi) Jumlah telurnya (Yi)
1 12 45
2 14 50
3 13 51
4 12 43
5 15 61
6 16 62
7 13 50
8 11 43
9 10 40
10 11 44
11 12 48
12 13 52
13 17 70
14 19 76
15 13 53
16 11 43
17 16 60
 18 12 48
19 14 53
20 15 63
Total 269 1055
rataan 13,45 52,75
Dari data diatas kita bisa menghitung :
n

X
i 1
i =12+14+13+…………………………+15=269

Y
i 1
i =45+50+51+……………………….+63=1055

X 2
i =122+142+132+……………………+152=3719
i 1

Y
i 1
i
2
=452+502+512+……………………+622=57449

X Y
i 1
i i =12x45+14x50+13x51+…………………+15x63=14604

1 n 1
X  
n i 1
Xi 
20
 269  13,45

1 n 1
X  
n i 1
Yi 
20
 1055  52,75

Bila kita duga bentuk hubungan antara jumlah cacing (X)dan jumlah telurnya (Y)
adalah :
Ŷi=β0 +β1Xi+εi
i=1,2,3,……………………..,20
disini Ŷi adalah dugaan Yi
jadi persamaan normalnya adalah :
X’Y =X’Xβ

 20   n

  Yi   20 X i   0 
 20i 1    20 i 1
 
2   1 
20
 XY  X
    X1
i 1
i i
i 1
i
i 1


 1055   20 269    o 
14604  269 3719   
    1 
  20 2 20
 n 2 
 o  1  1 X   X i    Yi 

    20  20   20i 1 
i 1 i 1
20
2 
 1  20 X 2
 1  ( X i )   X i 20   X i Yi 
i 1 i 1

 i 1   i 1 

 o  1  3719  269  1055   2,442

    269 
20  14604  4,103 
 1  20(3719)  (269)
2

Jadi Ŷ=-2,442 + 4,103 Xi,
Persamaan garis regresi Yi =-2,442 + 4,103 Xi bukanlah satu-satunya garis penduga
untuk menyatakan hubungan antara jumlah cacing dengan jumlah telurnya. Sudah barang
tentu masih banyak lagi bentuk persamaan penduga yang dapat dibuat misalnya dalam
bentuk persamaan Yi=βo+β1Xi+β2Xi2,Yi=βoXiβ1 ( dalam bnetuk linear LnYi=Ln
βo+βiLnXi)dan masih banyak lagi bentuk yang lainnya
Untuk menyatakan apakah garis yang diperoleh cukup baik untuk menggambarkan
hubungan antara peubah bebas (X) dengan peubah tak bebas(Y) dapat dilakukan
pengujian bentuk model yang digunakan dan keeratan hubungannya (korelasinya) untuk
menyatakan ketepatan dan ketelitian persamaan garis regresi yang diperoleh.
Garis regresi yang kita peroleh akan selalu melalui rata-rata peubah X dan Y (X,Y)maka
dapat dijelaskan seperti gambar dibawah ini

(Xi,Yi)
Ỹ = β0 + β1Xi
Yi
(Yi-Ў.)=(ỹ- Ў.)(Yi- ỹ)
Ỹ
ỹ

β0

_
X
Dengan metode kuadrat terkecil maka kita peroleh :

  
n n 2

 (Yi  Y .) 2   i  Y .  (Yi Y i)
i 1 i 1

 
n n

 (Yi  Y .) 2   ˆ(Y  Y .) 2  (Yˆi  Y .)(Yi  Yˆi )  (Yi  Yˆi ) 2

i 1 i 1

Dari persamaan diatas maka diperoleh :

n n
1 n
JK total =  (Yi  Y .)   Yi  ( Yi )
22 2

i 1 i 1 n i 1
n n
1
JK Regresi =  (Yˆi  Y .)  ( X ' Y )   ( Yi )
2 2

i 1 n i 1
n n 2

JK Galat =  (Yi  Yˆi ) 2   Yi  ( X ' Y )' 

i 1 i 1

n
Sedangkan=  (Yˆ
i 1
i  Y .)(Yi  Yˆi )  0

Untuk menetukan apakah garis regresi yang kita peroleh cukkup dapatdipercaya maka
kita dapat mengujinya dengan uji F seperi tabel sidik ragam dibawah ini

Sumber Derajat Jumlah Kuadrat tengah F F tabel

keragaman bebas kuadrat hitung 0,05 0,01
Regresi p JK R JKR KTR
 KTR
p KTG
JKG
Galat n-1-p JK G  KT
n 1 p
G

Total n-1 JK T

KTR
Jika hasil hitungan yaitu F hitung ( )≥ dari F tabel (0,05; p,n-1-p) maka dapat
KTG
disimpulkan persamaan garis regresi nyata (P<0,05) bentuk persamaannya seperti yang

KTR
kita duga demikian pula jika F hitung ( )≥ dari F tabel (0,05; p,n-1-p) maka dapat
KTG
disimpulkan persamaan garis regresi sangat nyata (P>0,05) atau dengan kata lain
persamaaan garis regresi tersebut tidak bisa kita terima sebagai penduga hubungan antara
peubah (X) dengan Peubah (Y)
Bila bentuk hubungan antar peubah X dengan peubah Y sudah dapat kita terima maka
kita ingin pula mengetahui seberapa besar keeratan hubungannya(korelasinya). Walaupun
bentuk hubungan antara peubah X dengan peubah Y ada dalam bentuk yang benar belum
tentu korelasinya bsar karena banyakpeubah lain yang turut mempengaruhi perubahan
peubah Y
Besarnya perubahan peubah Y yang dapat diterangkan oleh peubah X dengan
menggunakan persamaan garis regresi yang diperoleh disebut koefisien determinan
Koefisien determinat diberi lambing r2 untukbentuk persamaan garis regresi
sederhana dan R2 untuk bentuk persamaan lainnya, besarnya 0<r2 =R2<1 dan dihitung
dengan rumus :
JK Re gresi
r2  R2 
JKTotal

Jadi koefisien korelasinya : r =R=  R 2

Dari tabel 1 kita dapat menghitung
n
1 n (1055) 2
JK Total =  Yi  ( Yi )  57449 
2 2

i 1 n i 1 20
= 57449-55651,25=1797,75
JK Regresi = (X’Y)’β= JK total- JK Regresi
= 1797,75-1692,625=105,098
Jadi tabel sidik ragamnya adalah :
Sumber Derajat Jumlah Kuadrat tengah F F tabel
keragaman bebas kuadrat hitung 0,05 0,01
Regresi 1 1692,652 1692,652 289,89 4,41 8,29

Galat 18 105,098 5,839

Total 19 1797,750
Jadi dapat disimpulkan bahwa persamaan garis regresi yang diperoleh sangat nyata
(P<0,01) karena F hitung> F tabel pada taraf signifikansi 0,01 (289,89>8,29)
JKregresi 1692,652
Jadi r  JKTotal  1797,750  0,9415
2
Jadi dengan menggunakan persamaan garis regresi penduga Yi =-2,442 + 4,103 Xi
banyaknya jumlah telur cacing pada usus ayam buras sekitar 94,15 % ditentukan oleh
banyaknya cacing dalam usus tersebut sedangkan 5,85 % ditentukan atau dipengaruhi
oleh factor lain.
Jadi kereratan hubungan (r=±√0,9415=0,9703) dalam persamaan ini diambil hanya r
positip karena dengan bertambah besarnya nilai Xi nilai Yi juga meningkay. Untuk
menyatakan apakah hubungan cukup berarti maka besarnya r ini dapat kita bandingkan
dengan r tabel.
Jika r hitung ≥ r tabel (0,05:p,db=n-p-1) maka disimpulkan keeratan hubungannya
nyata (P>0,05) dan jika r hitung≥r tabel (0,01;p,db=n-p-1)maka disimpulkan keeratan
hungannya sangat nyata (P<0,01) sedangkan jika r hitung< r tabel (0,05;p,db=n-p-1)
maka disimpulkan keeratan hubungannya tidak nyata (P<0,01)
Bila persamaan garis regresi derajat polinomnya atau peubah bebasnya (X) lebih
besar dari satu maka perlu dilakukan pengujian terhadap koefisien garis regresinya (βj
yaitu β1,β2,…………,βp), untuk mengetahui βj yang mana yang menentukan ketepatan dan
ketelitian garis regresinya yang diperoleh.
Misalkan terdiri dari p peubah bebas maka modelnya menjadi Yi = β o + β1Xi1+
………..+βpXip dengan persamaan normalnya :
X 'Y X'X 
 disini d=p+1
dxi dxd dx1

 n   n n n

  Yi   n  Xi1  Xi 2 .......... ...  Xip 
 n i 1
  n i 1
n n
i 1
n
i 1

 Xi1Yi   Xi1Xip 
    
2
Xi1 X 1 Xi1Xi 2 .......... ...
i 1
  i 1 i 1
i
i 1 i 1

 n  n n n n 2
  Xi 2Yi    Xi 2  Xi 2 Xi1  X i2 .......... ....  Xi 2 Xip 
 i 1   i 1 i 1 i 1 i 1 
 ..........  .......... ...... .......... ....... .......... ....... .......... ... .......... ...... 
 n   n n n n

  XipYi    Xip  XipXi1  XipXi1 .......... ....  X i2 p 
 i 1   i 1 i 1 i 1 i 1 
Jadi :β= (X’X)-1X’Y
Jika elemen-elemen matrik X kita kurangi dengan rata-rata elemen-elemen tiap kolomnya
maka diperoleh matrik XA. sebagai contoh kita untuk p=2 maka matriknya adalah sebagai
berikut :

 ( X 11  X .1 ) ( X 12  X .2 ) 
 
( X 21  X .1 ) ( X 22  X . 2 ) 
X A  ( X 31  X .1 ) ( X 32  X .2 ) 
 
 .............. .............. 
( X  X . ) ( X  X . ) 
 n1 1 n2 2 

 n n

  ( Xi1  X 1 .) 2  ( Xi 1  X i2  X .2 )
X 'A X A   n 
i 1 i 1
n
 ( Xi  X . )( Xi  X . ) 2 2 
  ( Xi2  X 2 . )
1 2 2 2

 i 1 i 1

 JKX 1 JHKX 1 X 2 
Biasanya ditulis : X ' A X A  
 JHKX 1 X 2 JKX 2 

Untuk menguji βi kita cari kekalikan dari matriks XAXA-1kemudian kita gandakan dengan

n
S r2 regresi yaitu ( Yˆi  Yi ) /( n  p  1) maka pengujian βi dapat dilakukan dengan
2

i 1

rumus :
i
tH 
Sbi

Disini √Sbi adalah elemen-elemen diagonal matrik XAXA-1 yang telah digandakan dengan

S r2 regresi
Contoh
Seorang peneliti ingin mengetahui hubungan antara dosis oba tertentu (X) dengan kadar
Creatinin Ginjalnya (Y) dari hasil peneitiannya diperoleh hasil sebagai berikut :
Data hasil penelitiannya sebagai berikut:
No Dosis Obat mg (Xi) Kadar Creatinin % (Yi)
1 1 10
2 2 13
3 3 15
4 4 20
 5 5 16
6 7 11
7 3 14
8 2 12
9 4 21
10 6 17
11 7 10
12 8 7
13 8 6
14 1 11
15 3 16
Jawab
Dari data yang diperoleh diduga bentuk persamaan garis regresinya Yi =β0 +β1Xi
+β2X12+εi
Jadi persamaann normalnya adalah X’Y=X’X β

 n   n n

  Yi   n  Xi X 1
2

 ni 1   n i 1
n
i 1
n   o 
 XiYi    Xi
 i 1
  i 1
X
i 1
1
2
i1 X 13   1 
n  n n n    2 
 X 12Yi   X 12 X 3
1 i1 X 1 
4

 i 1   i 1 i 1

 199   15 64 356    0 
 803    64 356 2278    
    1 
4055 356 2278 15703   2 
1
 15 64 356   199 
 1  

    64 356 2278   803 
 
 2  356 2278 15703 4055


 1,0520  0,5090 0,0500   199   3,36313 

 1  
      0,5090 0,2855  0,0299  803    6,77799 
   
 2   0,0500 0,0033 
  0,0299  4055   0,80123

Jadi persamaan garis regresinya adalah:

Ŷi=3,36313 + 6,77799Xi -0,80123X 12
n
1 n (199) 2
JK total =  Yi  ( Yi ) 2  2903 
2

i 1 n i 1 15
= 2903-2640,067=262,933
 1 n 2
JK Regresi =(X”Y)’   ( )
n i 1

 3,36313 
 6,77799  2
= 199 803 4055    (199)
 0,80123 15
 
 
= 669,263 +5442,726 -3248,988-1640,067
= 222,934
n
JK Galat =  Yi  ( X ' Y )'  = JK total – JK Regresi
2

i 1

= 262,933-222,934 =39,999

Jadi tabel sidik ragamnya adalah :

Sumber Derajat Jumlah Kuadrat tengah F F tabel
keragaman bebas kuadrat hitung 0,05 0,01
Regresi 2 222,934 111,476 33,44 3,89 6,93

Galat 12 39,999 3,333

Total 14 262,933

Disini S r2 = KT Galat =3,333

Jadi dapat kita simpulkan bahwa persamaan garis regresi yang diperoleh sangat nyata
(P<0,01) karena F hitung > f tabel pada taraf signifikasi 0,01(33,44>8,93)
JK Re gresi 222,934
Jadi R    0,8479
2

JKTotal 262,933

Maka R =√0,8479=0,9208
Bila kita bandingkan dengan R0,01(db=2;12)=0,732 maka disimpulkan korelasinya sangat
nyata (P<0,01)
Untuk menguji β1dan β2 maka dicari matrik XAXA dan kebalikkanya (XAXA-1)
 n
1 n (64) 2
JK X =  Xi  ( Xi )  356 
2 2

i 1 n i 1 15
= 356 – 273,0667 = 82,9333

n
1 n (356) 2
JK X2 =  Xi  ( Xi )  15703 
4 2 2

i 1 n i 1 15
= 15703 -8449,0667 =7253,9333
n
1 n n
JK XX =  Xi  ( Xi ) ( Xi )
2 3 2

i 1 n i 1 i 1

(64)(356)
= 2278-
15
= 2278 – 1518,9333 =759,0667
 82,9333 759,0667  1  0,28545  0,02987
X’AXA =   , X 'A X A  
759,0667 7253,9333  0,02987 0,00326 

 0,28545  0,02987  0,951405  0,099557

S r2  3,333 
XAXA-1   0,02987 0,00326   0,099557 0,010866 

i
tH 
Sbi
6,77799
Untuk  1 maka t H  0,951405
 6,61

 0,80123
Untuk  2 maka t H  0,010866
 7,69

Bila kita bandingkan t0,005(db=n-p-1=12)=3,055 tH untuk β1 dan β2 lebih besar dari t tabel 0,01
maka disimpulkan koefisien garis regresinya sangat nyata (P<0,01)
dar creatinin Darah (%)
Y = 3.36313 + 6.77799X – 0.80123X2