HANDOUT

STATISTIKA INFERENSIA

Oleh :

Hadi Kusmanto, M.Si

JURUSAN TADRIS MATEMATIKA

FAKULTAS ILMU TARBIYAH DAN KEGURUAN
IAIN SYEKHNURJATI CIREBON 2016
Topik 1 : Analisis Korelasi

Analisis korelasi adalah analisis statistika yang membahas tentang derajat (kekuatan) hubungan antara
peubah-peubah.

Koefisien korelasi linear mengukur kekuatan hubungan linear antara peubah X dan Y. Koefisien
korelasi linear seringkali disebut juga dengan koefisien korelasi Pearson (ditemukan oleh Karl
Pearson pada tahun 1857-1936).

Rumus koefisien korelasi linear populasi

 ∑

  − ∑
 ∑

 

=
 ∑
 ∑


 − ∑

 

 − ∑

 

Rumus koefisien korelasi linear sampel

 ∑
  − ∑
 ∑

=
 ∑
 − ∑
   ∑
 − ∑
 

(a) Korelasi positif (b) Korelasi positif yang kuat (c) Korelasi positif sempurna
antara X dan Y antara X dan Y antara X dan Y

1
 (d) Korelasi negatif (e) Korelasi negatif yang kuat (f) Korelasi negatif sempurna
antara X dan Y antara X dan Y antara X dan Y

(g) Tidak ada korelasi (h) Hubungan nonlinear antara X dan Y

antara X dan Y

Koefisien Determinasi bagi sampel (r2)

Nilai r2 menyatakan persentase keragaman Y yang dapat dijelaskan oleh hubungan linear
antara X dan Y.

Contoh 1:
Data berikut adalah tentang banyaknya keketidakhadiran dan nilai akhir dari tujuh mahasiswa
yang dipilih secara acak dari suatu kelas Statistika.
Mahasiswa A B C D E F G
Banyaknya ketidakhadiran (X) 6 2 15 9 12 5 8
Nilai Akhir (Y) 82 86 43 74 58 90 78

a) Buatlah diagram pencar dari data tersebut.

b) Tentukan koefisien korelasi dan maknanya.
c) Tentukan koefisien determinasi dan maknanya.

2
Penyelesaian:
a) Diagram pencar bagi X dan Y, terlihat bahwa titik-titik data mengikuti arah garis lurus.

Scatterplot of Y vs X

90

80

70
Y

60

50

40
2 4 6 8 10 12 14 16
X

b) Koefisien korelasi r = -0,944 artinya ada korelasi negatif yang kuat antara banyaknya
ketidakhadiran dan nilai akhir, semakin banyak ketidakhadiran maka semakin menurun
nilai akhirnya
c) Koefisien determinasi r2 = 0,891, artinya sebesar 89,1% keragaman nilai akhir yang dapat
dijelaskan oleh hubungan linear antara banyaknya ketidakhadiran dan nilai akhir.

Pengujian Korelasi Populasi

Nilai koefisien korelasi antara -1 dan +1. Bila nilai r dekat +1 atau -1 maka ada hubungan linear
yang kuat. Bila nilai r dekat 0 maka hubungan linear itu lemah. Bila r samadengan 0 maka tidak
ada hubungan linear antara dua peubah tersebut.

Pengujian Hipotesis untuk signifikansi hubungan linear antara dua peubah.

1. Hipotesis
H0 :
= 0 (Tidak ada korelasi antara X dan Y)
H1 :
≠ 0 (Ada korelasi signifikan antara X dan Y)
2. Taraf nyata: α
3. Statistik Uji:

 = 
 
4. Kriteria Keputusan
H0 ditolak jika | | > ( !)


3
H0 :
= 0 H1 :
≠ 0 H0 ditolak jika || > (
Hipotesis Nol Hipotesis Alternatif Statistik Uji Kriteria Keputusan
−2 !)
 = #

H0 :
= 0 H1 :
< 0 1 − 
H0 :
≥ 0
H0 ditolak jika t < - tα(n-2)

H0 :
= 0 H1 :
> 0
H0 :
≤ 0
H0 ditolak jika t > tα(n-2)

Latihan
Pada soal-soal berikut,
a. Tentukan mana yang sebagai peubah bebas dan peubah tak bebas
b. Buatlah diagram pencar
c. Tentukan koefisien korelasi dan maknanya
d. Tentukan koefisien determinasi dan maknanya
e. Apakah ada hubungan linear antara kedua peubah tersebut? Gunakan α = 0.05.
f. Apakah ada hubungan linear positif antara kedua peubah tersebut? Gunakan α = 0.05.

1. Seorang pendidik ingin mengetahui hubungan antara nilai skor tes dan nilai IPK dari
mahasiswa. Berikut data sampel.

Nilai skor tes 98 105 100 100 106 95 116 112

IPK 2,1 2,4 3,2 2,7 2,2 2,3 3,8 3,4

2. Seorang peneliti ingin mengetahui apakah ada hubungan antara umur dengan lamanya
seseorang melakukan olahraga per minggu. Berikut data sampelnya.
Umur 18 26 32 38 52 59
Lamanya olahraga (jam) 10 5 2 3 1,5 1

3. Seorang manajer perusahaan ingin mengetahui hubungan antara banyaknya iklan di

radio per minggu dan banyaknya penjualan (dalam jutaan rupiah) untuk suatu barang.
Berikut data sampelnya.
Banyaknya iklan di radio 2 5 8 8 10 12
Banyaknya penjualan 2 4 7 6 9 10

4. Empatbelas mahasiswa telah dipilih secara acak dan diperiksa tekanan darahnya.
Berikut data tekanan darah sistolik dan diastolik (dalam mmHg).
Sistolik 138 130 135 140 120 125 120 130 130 144 143 140 130 150
Diastolik 82 91 100 100 80 90 80 80 80 98 105 85 70 100

4
Topik 2 : Analisis Regresi Linear Sederhana

Analisis regresi adalah analisis statistika yang memanfaatkan hubungan antara dua atau lebih
peubah kuantitatif sehingga salah satu peubah dapat diramalkan dari peubah lainnya.

Model Regresi Linear Sederhana

       
dengan
Yi adalah nilai peubah tak bebas dalam pengamatan ke-i
β0 dan β1 adalah parameter
Xi adalah konstanta yang diketahui, yaitu nilai peubah bebas dari pengamatan ke-i
εi adalah galat yang bersifat acak dengan rataan E[εi]=0 dan ragam Var [εi]=σ2; εi dan εj tidak
berkorelasi sehingga peragam/kovariansi σ {εi, εj} =0 untuk semua i,j ; i ≠ j

Model regresi linear sederhana:

• Dikatakan “sederhana” karena hanya ada satu peubah bebas.
• Dikatakan “linear dalam parameter” karena tidak ada parameter yang muncul sebagai suatu
eksponen atau dikalikan atau dibagi oleh parameter lain.
• Dikatakan “linear dalam peubah bebas” karena peubah dalam model tersebut berpangkat
satu.
• Model yang linear dalam parameter dan linear dalam peubah bebas juga dinamakan model
ordo-pertama.

Bila sudah diperoleh data sampel (Xi,Yi), selanjutnya hal yang penting adalah membuat diagram
pencar antara X dan Y untuk mengetahui pola dari data. Bila pola data menunjukkan linear maka
model regresi linear sederhana dapat digunakan. Perhatikan gambar berikut.

Scatterplot of Y vs X

90

80

70
Y

60

50

40
2 4 6 8 10 12 14 16
X

(a) (b)

5
 (c) (d)

 13,82
13  48,60

ei (sisaan ke-i)
i) adalah beda antara nilai amatan Yi dengan nilai dugaannya

Bagaimana mendapatkan b0 dan b1?

Penduga bagi β0 dan β1 dapat diperoleh dengan metode metode kuadrat terkecil, yaitu dengan
meminimumkan
inimumkan jumlah kuadrat galat. Misalkan model regresi linear sederhana
       
iid
dengan ε i ~ N 0, σ 2 maka

       .
( )
n n n
2 2
∑ε
i =1
i
2
= ∑ (Yi − E (Yi )) = ∑ (Yi − (β 0 + β1 X i )) = L
i =1 i =1

Selanjutnya diturunkan terhadap masing-masing

masing parameter.
n
∂L
= −2∑ (Yi − (β 0 + β1 X i )) = 0
∂β 0 i =1
n
∂L
= −2∑ (Yi − (β 0 + β1 X i ))X i = 0
∂β1 i =1

Penduga bagi β0 adalah b0 dan penduga bagi β1 adalah b1 yang diperoleh dengan menyelesaikan
kedua persamaan tersebut. Sehingga diperoleh

∑ X Y − ∑ n∑
X Y i i
i i
1
b1 = 2
, b0 = (∑ Yi − b1 ∑ X i ) = Y − b1 X .
∑X − ∑
( X) 2 i
n
i
n

6
Makna dugaan koefisien regresi
Misalkan ingin mengetahui hubungan jarak tempuh kendaraan mobil dalam km (X) dengan tingkat
emisinya dalam ppm (Y).
• Plot data ternyata menunjukkan ada hubungan linear antara X dan Y
• Dicobakan model linear Yi = β0 + β1Xi + εi, diperoleh persamaan regresi Yˆi = 364 + 5,47 X i .
• Apa makna b0 dan b1 pada konteks ini ?
Makna dari b1 yaitu rata-rata emisi meningkat 5,47 ppm untuk setiap kenaikan jarak tempuh
kendaraan mobil 1 km (atau kenaikan jarak tempuh kendaraan mobil 1 km akan meningkatkan rata-
rata emisi yang dihasilkan mobil sebesar 5,47 ppm).
Makna dari b0 yaitu untuk mobil dengan jarak tempuh kendaraan mobil 0 km (mobil baru) maka
rata-rata tingkat emisi yang dihasilkan sebesar 364 ppm.

b0 tidak selalu bermakna

SOAL LATIHAN
1. Berikut data sampel tentang nilai mutu rata-rata (NMR) mahasiswa pada akhir tahun
pertama (Y) dan nilai ujian masuk (X).
i 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Xi 5,5 4,8 4,7 3,9 4,5 6,2 6,0 5,2 4,7 4,3 4,9 5,4 5,0 6,3 4,6 4,3 5,0 5,9 4,1 4,7
Yi 3,1 2,3 3,0 1,9 2,5 3,7 3,4 2,6 2,8 1,6 2,0 2,9 2,3 3,2 1,8 1,4 2,0 3,8 2,2 1,5

a) Buatlah diagram pencar X dan Y.

b) Tentukan persamaan regresi dugaannya beserta maknanya.

2. Data berikut merupakan hasil penelitian tentang hubungan antara nilai ulangan Matematika
(dalam skala nilai 10 sampai 100) dengan lama waktu belajar matematika (dalam jam selama
seminggu)
Nilai ulangan matematika 95 100 100 80 70 55 50 75 55 60 65 95
Lama waktu belajar 18 18 19 17 14 5 6 10 13 4 12 10
matematika

a) Tentukan peubah mana sebagai peubah bebas X dan peubah tak bebas Y.
b) Tentukan persamaan regresi dugaan dan berikan makna dugaan koefisien regresinya.

3. Suatu penelitian telah dilakukan untuk mengetahui hubungan antara pengeluaran untuk
iklan (X dalam jutaan rupiah) dengan penerimaan melalui penjualan (Y dalam jutaan rupiah)
pada perusahaan tertentu. Berikut ringkasan datanya :
n = 10, ∑ X i = 120, ∑ Yi = 500, ∑ X iYi = 6106, ∑ X i2 = 1470, ∑ Yi 2 = 25440
a) Tentukan persamaan regresi dugaan! Berikan maknanya.
b) Bila pengeluaran untuk iklan sebesar 16 juta rupiah, berapakah penerimaan dari hasil
penjualan?

7
4. Tabel ini menunjukkan skor tes penalaran verbal (X) dan skor tes Inggris (Y), untuk setiap
sampel acak dari 8 anak yang mengikuti kedua tes tersebut:
Anak A B C D E F G H
X 112 113 110 113 112 114 109 113
Y 69 65 75 70 70 75 68 76

a) Plot data dengan diagram pencar. Berikan penjelasan dari plot tersebut.
b) Tentukan persamaan regresi linear dugaan dan berikan maknanya

8
Topik 3 : Asumsi-asumsi dalam Analisis Regresi Linear Sederhana

Model regresi linear sederhana bergalat normal

𝑌𝑖 = 𝛽0 + 𝛽1 𝑋𝑖 + 𝜀𝑖
dengan
0 dan 1 adalah parameter
Xi adalah konstanta yang diketahui nilainya
i adalah galat yang menyebar N(0,2) dan bebas satu sama lain

Asumsi-asumsi dalam analisis regresi linear sederhana adalah

a. Galat memiliki ragam yang konstan
b. Galat menyebar normal
c. Galat bersifat saling bebas

Penyelidikan terpenuhi atau tidak asumsi-asumsi tersebut dengan menggunakan analisis sisaan.
Sisaan atau nilai dugaan galat didefinisikan sebagai
𝑒𝑖 = 𝑌𝑖 − 𝑌𝑖

Galat memiliki ragam yang konstan

Pendeteksian apakah galat memiliki ragam yang konstan atau tidak dengan menggunakan:
a. Plot sisaan (ei) dengan nilai dugaan ( 𝑌𝑖 )
b. Plot sisaan (ei) dengan peubah bebas (Xi)
Kriterianya : Bila sisaan-sisaan tidak membentuk suatu pola tertentu maka galat memiliki ragam
yang konstan.
Perhatikan gambar berikut.

(a) Galat memiliki ragam konstan (tidak berpola) (b) Galat tidak memiliki ragam konstan (berpola)

Galat menyebar normal

Pendeteksian apakah galat menyebar normal atau tidak dengan menggunakan plot peluang
normal. Plot peluang normal bagi sisaan yaitu plot ei versus hi.
Cara membuat plot peluang normal bagi sisaan:
1. Menghitung nilai sisaan, lalu diurutkan dari kecil ke besar, selanjutnya disebut sisaan terurut
2. Menghitung hi (nilai harapan di bawah asumsi kenormalan) dengan rumus

9
 𝑖−0,375
ℎ𝑖 = 𝐾𝑇𝐺 𝑧 𝑛+0,25
𝐾𝑇𝐺 = 𝐽𝐾𝐺 𝑛 − 2 , 𝐽𝐾𝐺 = 𝑌𝑖2 − 𝑏0 𝑌𝑖 − 𝑏1 𝑋𝑖 𝑌𝑖

Kriterianya: bila titik-titik (sisaan-sisaan) mengikuti arah garis diagonal maka galat menyebar
normal.

Perhatikan contoh berikut:

Dari data sampel ini diperoleh Ŷ = 10 + 2X dengan KTG = 7,5. Selanjutnya akan dibuat plot peluang
normal bagi sisaan sebagai berikut.

Urutan 𝑖 − 0,375
i Xi Yi Ŷi ei ei terurut 𝑧 hi
naik i 𝑛 + 0,25
1 30 73 70 3 1 -3 -4,24
2 20 50 50 0 2 -2 -2,74
3 60 128 130 -2 3 -2 -1,79
4 80 170 170 0 4 -2 -1,02
5 40 87 90 -3 5 -1 -0,33
6 50 108 110 -2 6 0 0,33
7 60 135 130 5 7 0 1,02
8 30 69 70 -1 8 2 1,79
9 70 148 150 -2 9 3 2,74
10 60 132 130 2 10 5 4,24

Gambar disamping menunjukkan

bahwa galat menyebar normal karena
titik-titik mengikuti arah garis
diagonal.

Galat saling bebas

a. Bila data tidak diamati secara bersamaan, melainkan dalam suatu urutan waktu maka
buatlah plot sisaan (ei) terhadap waktu. Tujuan adalah untuk melihat apakah ada korelasi
antara suku galat dengan suku galat berikutnya.
b. Bila data diamati bersamaan, untuk melihat keacakan galat percobaan dibuat plot antara
nilai dugaan galat (ei) dengan nilai dugaan respons ( Ŷi )

10
Kriterianya : apabila titik-titik sisaan berfluktuasi secara acak di sekitar nol maka dapat dikatakan
bahwa galat saling bebas.

Perhatikan gambar berikut.

(a) (b)
Gambar (a) Plot waktu versus sisaan menunjukkan bahwa titik-titik sisaan tidak berfluktuasi
secara acak disekitar nol maka galat tidak saling bebas.
Gambar (b) Plot nilai dugaan versus sisaan menunjukkan bahwa titik-titik sisaan berfluktuasi
secara acak disekitar nol maka galat saling bebas.

11
 Topik 4 : Inferensi dalam Analisis Regresi Linear Sederhana

Inferensi terhadap 1
a. Selang Kepercayaan bagi 1
b  1
Diketahui bahwa 1 ~ tn 2  , sehingga
sb1
 b  
P  t  ;n 2   1 1  t  ;n2    1  
 2
sb1 2

→ 𝑃 𝑏1 − 𝑡𝛼 (𝑛 −2) 𝑠 𝑏1 ≤ 𝛽1 ≤ 𝑏1 + 𝑡𝛼 (𝑛 −2) 𝑠 𝑏1 =1−𝛼
2 2

𝐾𝑇𝐺
dengan 𝑠 2 𝑏1 = 2
𝑋𝑖
𝑋𝑖2 −
𝑛
Jadi selang kepercayaan 100(1-) bagi 1 adalah
𝑏1 − 𝑡𝛼 (𝑛 −2) 𝑠 𝑏1 ≤ 𝛽1 ≤ 𝑏1 + 𝑡𝛼 (𝑛 −2) 𝑠 𝑏1
2 2

Misalkan diperoleh selang kepercayaan 95% bagi 1

1,89  1  2,11
Artinya diduga bahwa rata-rata Y naik sekitar antara 1,89 sampai 2,11 satuan untuk
setiap kenaikan satu satuan X.

b. Uji bagi  1

Uji bagi 1=0 lawan 10

Hipotesis
H0 : 1=0 (Tidak ada hubungan linear antara X dan Y)
H1 : 1 0 (Ada hubungan linear antara X dan Y)
Taraf nyata : 
Statistik Uji:
Sumber db JK KT Fhit
Keragaman
Regresi 1 JKR KTR F = KTR/KTG
Galat n – 2 JKG KTG
Total n – 1 JKT
Kriteria keputusan:
H0 ditolak jika Fhit > F(1, n – 2)

12
 Perhatikan simpangan total berikut:
Y  Y  Yˆ  Y  Y  Yˆ
i i i i

Jumlah kuadrat simpangan-simpangan tersebut :

 Y  Y    Yˆ  Y    Y  Yˆ 
2 2 2
i i i i

JKT  JKR  JKG

JKT   Yi 2  nY 2
JKG   Yi 2  b0  Yi  b1  X iYi

 X i  Yi 
2

 
 Yi    
2  X iYi 
n
  Yi 2  
 X
 X i2  n i
2
 n 


JKR  JKT  JKG

𝐽𝐾𝑅 = 𝑏12 𝑋𝑖 − 𝑋 2

Hipotesis Hipotesis Statistik Uji Kriteria keputusan

Nol Alternatif
H0 : 1 = c H1 : 1  c 𝑏1 − 𝑐 H0 ditolak jika |thit| > 𝑡𝛼 𝑛 −2
𝑡= 2
H0 : 1  c H1 : 1 > c 𝑠 𝑏1 H0 ditolak jika thit > 𝑡𝛼 𝑛 −2
H0 : 1 = c
H0 : 1  c H1 : 1 < c H0 ditolak jika thit < −𝑡𝛼 𝑛 −2
H0 : 1 = c

Inferensi terhadap 0
a. Selang Kepercayaan bagi 0
b  0
Diketahui bahwa 0 ~ t n2  , sehingga
sb0 
 b  0 
P  t  ;n2   0  t  ;n2    1  
 2 sb0  2

→ 𝑃 𝑏0 − 𝑡𝛼 (𝑛 −2) 𝑠 𝑏0 ≤ 𝛽0 ≤ 𝑏0 + 𝑡𝛼 (𝑛 −2) 𝑠 𝑏0 = 1−𝛼
2 2

1 𝑋2
dengan 𝑠 2 𝑏0 = 𝐾𝑇𝐺 + 2
𝑛 𝑋𝑖
𝑋𝑖2 −
𝑛

Jadi selang kepercayaan 100(1-) bagi 0 adalah

𝑏0 − 𝑡𝛼 (𝑛 −2) 𝑠 𝑏0 ≤ 𝛽0 ≤ 𝑏0 + 𝑡𝛼 (𝑛 −2) 𝑠 𝑏0
2 2

13
 Misalkan diperoleh selang kepercayaan 90% bagi 0
5,34  0  14,66
Artinya diduga bahwa rata-rata Y sekitar antara 5,34 sampai 14,66 satuan untuk X
sebesar 0.

Selang kepercayaan bagi 0 ini tidak selalu memberikan informasi yang bermanfaat.

b. Uji bagi  0

Uji bagi 0=0 lawan 00

Hipotesis
H0 : 0=0
H1 : 0 0
Taraf nyata : 
Statistik Uji:
𝑏0
𝑡=
𝑠 𝑏0
Kriteria keputusan:
H0 ditolak jika |thit| > 𝑡𝛼 𝑛 −2
2

Selang kepercayaan bagi 𝑬 𝒀𝒉

𝑌ℎ − 𝑡𝛼 (𝑛 −2) 𝑠 𝑌ℎ ≤ 𝐸 𝑌ℎ ≤ 𝑌ℎ + 𝑡𝛼 (𝑛 −2) 𝑠 𝑌ℎ
2 2
dengan
1 𝑋ℎ − 𝑋 2
𝑠 2 𝑌ℎ = 𝐾𝑇𝐺 +
𝑛 𝑋𝑖 − 𝑋 2
𝑌ℎ = 𝑏0 + 𝑏1 𝑋ℎ

Misalkan diperoleh selang kepercayaan 90% bagi 𝐸 𝑌ℎ dengan Xh = 65

277,4 ≤ 𝐸 𝑌ℎ ≤ 311,4
Maknanya dengan tingkat kepercayaan 90% maka rata-rata Y untuk X sebesar 65 adalah
277,4 sampai 311,4 satuan.

Selang prediksi bagi Yh(baru)

𝑌ℎ − 𝑡𝛼 (𝑛 −2) 𝑠 𝑝𝑟𝑒𝑑 ≤ 𝑌ℎ(𝑏𝑎𝑟𝑢 ) ≤ 𝑌ℎ + 𝑡𝛼 (𝑛−2) 𝑠 𝑝𝑟𝑒𝑑
2 2
dengan
1 𝑋ℎ − 𝑋 2
𝑠 2 𝑝𝑟𝑒𝑑 = 𝐾𝑇𝐺 1 + +
𝑛 𝑋𝑖 − 𝑋 2
𝑌ℎ = 𝑏0 + 𝑏1 𝑋ℎ

14
 Misalkan diperoleh selang prediksi 90% bagi 𝑌ℎ(𝑏𝑎𝑟𝑢 ) dengan Xh = 100 adalah
332,2 ≤ 𝑌ℎ(𝑏𝑎𝑟𝑢 ) ≤ 506,6
Maknanya dengan tingkat kepercayaan 90% dapat diprediksikan bahwa rata-rata Y untuk
proses berikutnya pada X sebesar 100 adalah 332,2 sampai 506,6 satuan.

SOAL LATIHAN
1. Data berikut merupakan hasil penelitian tentang hubungan antara nilai ulangan Matematika
(dalam skala nilai 10 sampai 100) dengan lama waktu belajar matematika (dalam jam selama
seminggu).
Nilai ulangan matematika 95 100 100 80 70 55 50 75 55 60 65 95
Lama waktu belajar matematika 18 18 19 17 14 5 6 10 13 4 12 10

a) Tentukan peubah mana sebagai peubah bebas X dan peubah tak bebas Y!
Anggap asumsi-asumsi dalam model regresi linear sederhana terpenuhi.
b) Tentukan selang kepercayaan 99% bagi 0 dan 1 beserta maknanya!
c) Ujilah apakah ada hubungan linear antara lama waktu belajar matematika dan nilai ulangan
matematika? Gunakan taraf nyata  = 0,01.
d) Ujilah apakah 1 = 5 lawan 1  5 ? Gunakan taraf nyata  = 0,01.
e) Ujilah apakah 0 = 0 atau tidak? Gunakan taraf nyata  = 0,01.
f) Tentukan selang prediksi 95% bagi Yh(baru) dengan Xh = 15

2. Suatu tes diberikan pada semua mahasiswa baru. Seseorang yang memperoleh nilai di bawah 35
tidak diizinkan mengikuti kuliah matematika yang biasa, tetapi harus mengikuti suatu kelas
khusus (remedial class). Berikut ringkasan data dari nilai tes dan nilai akhir bagi 20 mahasiswa
yang mengikuti kuliah matematika yang biasa:
𝑋𝑖 = 1110; 𝑌𝑖 = 1173; 𝑋𝑖 𝑌𝑖 = 67690; 𝑋𝑖2 = 67100; 𝑌𝑖2 = 74725

a. Tentukan peubah mana sebagai peubah bebas X dan peubah tak bebas Y!
b. Tentukan persamaan regresi dugaan!
c. Bila 60 adalah nilai terendah agar lulus dari pelajaran matematika tersebut, berapakah batas
nilai tes terendah di masa mendatang untuk dapat diizinkan mengikuti kuliah tersebut?
Anggap asumsi-asumsi dalam model regresi linear sederhana terpenuhi.
d. Ujilah apakah ada hubungan linier antara nilai tes dan nilai akhir? Gunakan taraf nyata 0,05.
e. Tentukan selang kepercayaan 95% bagi 0 dan 1 beserta maknanya.
f. Tentukan selang kepercayaan 95% bagi 𝐸 𝑌ℎ dengan Xh = 75 beserta maknanya.

15
 3. Suatu percobaan dilakukan pada jenis mobil baru merk tertentu, untuk menentukan jarak yang
dibutuhkan untuk berhenti bila mobil tersebut direm pada berbagai kecepatan. Data yang
diperoleh sebagai berikut:

Kecepatan (kilometer per jam) 35 50 65 80 95 110

Jarak sampai berhenti (meter) 16 26 41 62 88 119
a. Tentukan peubah mana sebagai peubah bebas X dan peubah tak bebas Y!
b. Tentukan persamaan regresi dugaan dan berikan makna dugaan koefisien regresinya!
Anggap asumsi-asumsi dalam model regresi linear sederhana terpenuhi.
c. Tentukan selang kepercayaan 95% bagi 1 dan berikan maknanya!
d. Tentukan selang kepercayaan 95% bagi 0 dan berikan maknanya!
e. Ujilah apakah ada hubungan linear antara kecepatan dan jarak sampai berhenti? Gunakan
taraf nyata  = 0,05.
f. Ujilah apakah 1 positif? Gunakan taraf nyata  = 0,05.

Analisis Variansi
Uji F untuk Ketidakcocokkan Model Regresi Linear Sederhana
• Uji ini mengasumsikan bahwa pengamatan-pengamatan Y untuk suatu X tertentu bersifat bebas,
tersebar normal, memiliki ragam yang sama.
• Uji ini menghendaki adanya pengamatan berulang pada satu atau lebih nilai X.
Hipotesis
H0 : E{Y} = 0+ 1X
H1 : E{Y}  0+ 1X
Atau
H0 : Tidak ada ketidakcocokan model regresi linear sederhana dengan data
H1 : Ada ketidakcocokan model regresi linear sederhana dengan data
Atau
H0 : Model regresi linear sederhana cocok
H1 : Model regresi linear sederhana tidak cocok
Taraf nyata: 
Statistik Uji :
J KKM k  2
F
JKGM n  k 
Kriteria keputusan :
H0 ditolak jika Fhit > Fα(k-2,n-k)

k= menyatakan banyaknya x yang berbeda

n = banyaknya pengamatan

16
Perhatikan berikut ini:

 Y  Yˆij    Y 
 Y j    Y j  Yˆij 
2 2 2
ij ij

JKG  JKGM  JKKM

Contoh:
Lakukan uji kecocokan model regresi linear sederhana dengan taraf nyata 0,05 pada data sampel berikut.
i Xi Yi Xi Yi 𝑌𝑗
1 125 160 75 28 35
2 100 112 42
3 200 124 100 112 124
4 75 28 136
5 150 152 125 160 155
6 175 156 150
7 75 42 150 152 152
8 175 124 175 156 140
9 125 150 124
10 200 104 200 124 114
11 100 136 104

Hipotesis
H0 : E{Y} = 0+ 1X
H1 : E{Y}  0+ 1X
Taraf nyata :  = 0,05
Statistik Uji : F = KTKM/KTGM
Kriteria keputusan:
n=11, k=6, db(KM)=k-2=6-2=4 ,db(GM)=n-k=11-6=5
F0,05(4,5)=5,19
H0 ditolak jika Fhit > 5,19
Hitungan:
JKG=170696-(50,722511288)-(0,48670 186200)=14742
JKGM=(28-35)2+(42-35)2+(112-124)2+(136-124)2+(160-155)2+(150-155)2+(152-152)2+(156-140)2+(124-
140)2+(124-114)2+(104-114)2=1148
JKKM=JKG-JKGM=14742-1148=13594
F=(13594/4)/(1148/5)=14,80
Kesimpulan : Karena Fhit=14,80>5,19 maka H0 ditolak
Jadi dengan taraf nyata 0,05 dapat disimpulkan bahwa model regresi linear sederhana tidak cocok
digunakan.

17
SOAL LATIHAN
Seorang kimiawan mempelajari hubungan konsentrasi suatu larutan (Y) dengan waktu (X). Berikut data
sampel yang diperoleh:
i Xi Yi

1 9 0,07 a. Tentukan persamaan regresi linear dugaan

b. Lakukan uji F untuk memeriksa apakah ada
2 9 0,09 ketidakcocokan model bila digunakan model regresi
3 9 0,08 linear sederhana, gunakan taraf nyata 0,05.
c. Buatlah diagram pencar antara X dan Y.
4 7 0,16

5 7 0,17

6 7 0,21

7 5 0,49

8 5 0,58

9 5 0,53

10 3 1,22

11 3 1,15

12 3 1,07

13 1 2,84

14 1 2,57

15 1 3,10

18
Topik 5 : Pendekatan Matriks terhadap Analisis Regresi Linear Sederhana

Perhatikan kembali model regresi linear sederhana berikut

Yi = β0+β1Xi+εi

Bila diambil sebanyak n maka diperoleh

Y1 = β 0 + β1 X 1 + ε 1
Y2 = β 0 + β1 X 2 + ε 2
M
Yn = β 0 + β1 X n + ε n
Dalam notasi matriks dituliskan sebagai berikut
Y1  1 X1  ε 1 
Y  1 X 2  β 0  ε 2 

 2 =   + 
 M  M M   β1   M 
atau Y = Xβ + ε
n×1 n×2 2×1 n×1
  1 X n   
Yn   ε n 

Perhatikan bahwa Xβ
β adalah vektor nilai-nilai harapan bagi amatan-amatan Yi sebab E{Yi}= β0+β1Xi,
sehingga
E{Y} = X β
n×1 n×2 2×1

Asumsi : ε adalah suatu vektor peubah acak normal yang bebas dengan E{εε } = 0 dan
  =
 
Persamaan normal regresi linear sederhana :


+  ∑  = ∑ 

∑  +  ∑  = ∑  

Ditulis dalam notasi matriks

1 X1  Y1 
1 1 K 1  1 
X 2  b0  1 1 K 1  Y2 
X X K X n  M M  b1   X1 X 2 K X n   M 
=
 1 2
   
1 Xn  Yn 
   = ′
→  = ′ ′

19
 1 X 1 
1 1 K 1  1 X 2   n ∑X i 
X' X =  = 
X1 X 2 K X n  M M  ∑ X i ∑X i
2

 
1 X n 

Y1 
1 1 K 1  Y2   ∑ Yi 
X' Y =  = 
X1 X 2 K X n   M  ∑ X i Yi 
 
Yn 
−1 1  ∑ X i2 − ∑ Xi
(X' X ) =  
n∑ X i2 − (∑ X i ) − ∑ X i
2
n 

Uji terhadap β1
Untuk menguji apakah ada hubungan linear antara Y dengan X, dilakukan pengujian berikut :
Hipotesis :
H0 : β 1 = 0
H1 : β 1 ≠ 0
Taraf nyata : α
Statistik Uji :
 ⁄
=
 ⁄!
Kriteria Keputusan :
H0 ditolak jika Fhit > Fα(1,n-2)

1
JKT = Y' Y −   Y' JY , Y' Y = ∑ Yi 2 , Y' JY = (∑ Yi )
2
JKG = Y' Y − b' X' Y ,
n
1 L 1
J = M M M
1 L 1

Selang Kepercayaan bagi βk

bk − tα / 2,(n − 2 ) s{bk } ≤ β k ≤ bk + tα / 2 ,(n − 2 ) s{bk }

2 −1 2
 s 2 {b0 } s{b0 , b1 }
s {b} = KTG (X' X ) , s {b} =  2 
 s{b1 , b0 } s {b1 } 

20
SOAL LATIHAN
1. Suatu percobaan telah dilakukan untuk menentukan apakah berat seekor kambing (dalam
kilogram) dapat diprediksikan (setelah pada periode tertentu) berdasarkan jumlah makanan yang
dimakan (dalam kilogram). Berikut data yang telah dinyatakan dalam notasi matriks.
 10 379   825 
X' X =   , X' Y =  , Y' Y = [70083], Y' JY = [680625]
379 14533 31726

Anggap asumsi-asumsi dalam model regresi linear sederhana terpenuhi.

a) Tentukan persamaan regresi dugaan beserta maknanya.
b) Bila jumlah makanan seekor kambing sebesar 300 kg, berapakah prediksi berat kambing
tersebut?
c) Buatlah selang kepercayaan 99% bagi β1 dan berikan maknanya.
d) Tentukan koefisien korelasinya.

2. Data berikut merupakan hasil penelitian tentang hubungan antara nilai ulangan Matematika
(dalam skala nilai 10 sampai 100) dengan lama waktu belajar matematika (dalam jam selama
seminggu).
Nilai ulangan matematika 95 100 100 80 70 55 50 75 55 60 65 95
Lama waktu belajar matematika 18 18 19 17 14 5 6 10 13 4 12 10

a) Tentukan peubah mana sebagai peubah bebas X dan peubah tak bebas Y!
Anggap asumsi-asumsi dalam model regresi linear sederhana terpenuhi.
b) Tentukan selang kepercayaan 99% bagi β0 dan β1 beserta maknanya!
c) Ujilah apakah ada hubungan linear antara lama waktu belajar matematika dan nilai ulangan
matematika? Gunakan taraf nyata α = 0,01.

21
Topik 6 : Analisis Regresi Linear Ganda

Analisis regresi linear ganda adalah analisis statistika yang digunakan untuk mengetahui
hubungan linear antara satu peubah tak bebas Y dengan beberapa peubah bebas (X1, X2, …,
Xp-1).

Model regresi linear ganda

Yi  0  1 X i1   2 X i 2     p 1 X i , p 1   i
dengan :
0, 1, …, p-1 adalah parameter
Xi1, …, Xi,p-1 adalah konstanta yang diketahui nilainya
i saling bebas dan menyebar N(0,2)
i = 1, 2, …, n

Persamaan Normal
b0 n  b1  X i1  b2  X i 2    b p 1  X ip 1   Yi
b0  X i1  b1  X i21  b2  X i1 X i 2    b p 1  X i1 X ip 1   X i1Yi
b0  X i 2  b1  X i1 X i 2  b2  X i22    b p 1  X i 2 X ip 1   X i 2Yi

b0  X ip 1  b1  X i1 X ip 1  b2  X i 2 X ip 1    b p 1  X ip2 1   X ip 1Yi

Persamaan regresi dugaan

Yˆ  b  b X  b X    b
i 0 1 i1 2 i2 p 1 X i , p 1
1 X 11 X 12 
 1 1  1   n
X 22  
X i1 X i2 

X' X   X 11  X n1  
1 X 21
X 21   X i1 X 2
X X
  
i1 i 2 
 
i1

 X 12  X n 2     X i 2 X X X 
2
X 22
X n2  
i2 i1 i2 
1 X n1
Y 
 1 1  1   1   Yi 
 
X' Y   X 11  X n1   2    X i1Yi 
Y
X 21

 X 12 X 22  X n 2     X i 2Yi 
Yn   

b  X' X X' Y
1

22
 Memaknai Persamaan Regresi Dugaan
Misalkan : Ingin mengetahui apakah volume penjualan (Y, gros) berhubungan dengan jumlah
penduduk (X1, ribuan jiwa) dan pendapatan per kapita (X2, dolar).
Diperoleh persamaan regresi dugaannya ialah
Yˆ  3,453  0,496 X  0,00920 X
1 2

Persamaan ini menunjukkan bahwa rataan volume penjualan diharapkan akan naik 0,496
gros bila jumlah penduduk naik 1 ribu jiwa kalau pendapatan per kapita tetap, dan bahwa
rataan volume penjualan diharapkan akan naik 0,0092 gros bila pendapatan per kapita naik 1
dolar kalau jumlah penduduk tetap. Bila jumlah penduduk sebesar 0 jiwa dan pendapatan
per kapita 0 dollar maka rata-rata volume penjualan sebesar 3,453 gros (tidak bermakna).

Uji terhadap Hubungan Regresi

Untuk menguji apakah peubah tak bebas Y berhubungan dengan peubah-peubah bebas
(X1, X2,…,Xp-1), dilakukan pengujian berikut :
Hipotesis :
H0 : 1 = 2 = … = p-1=0
H1 : Tidak semua k (k=1,2,…,p-1)sama dengan nol
Taraf nyata : 
Statistik Uji :
𝐽𝐾𝑅 𝑝−1
𝐹 = 𝐽𝐾𝐺 𝑛 −𝑝
Kriteria Keputusan :
H0 ditolak jika Fhit > F(p-1,n-p)

1
JKT  Y' Y    Y' JY , JKG  Y' Y  b' X' Y
n
Uji terhadap k
Hipotesis Hipotesis Statistik Uji Kriteria keputusan
Nol Alternatif
H0 : k = c H1 : k  c 𝑏𝑘 − 𝑐 H0 ditolak jika |thit| > 𝑡𝛼 𝑛 −𝑝
𝑡= 2
H0 : k  c H1 : k > c 𝑠 𝑏𝑘 H0 ditolak jika thit > 𝑡𝛼 𝑛 −𝑝
H0 : k = c
H0 : k  c H1 : k < c H0 ditolak jika thit < −𝑡𝛼 𝑛 −𝑝
H0 : k = c

s 2 b  KTGX' X
1

23
  s 2 b0  sb0 , b1   sb0 , b p 1 
 
 sb1 , b0  s 2 b1   sb1 , b p 1 
s b 
2
     
 
 sb p 1 , b0  sb p 1 , b1   s b p 1  
2

Selang kepercayaan bagi k

𝑏𝑘 − 𝑡𝛼 (𝑛 −𝑝 ) 𝑠 𝑏𝑘 ≤ 𝛽𝑘 ≤ 𝑏𝑘 + 𝑡𝛼 (𝑛 −𝑝 ) 𝑠 𝑏𝑘
2 2

Makna Selang Kepercayaan bagi k

Misal diperoleh selang kepercayaan 95% bagi β1 adalah
0,018 ≤ 1 ≤ 2,773
Artinya dengan tingkat kepercayaan 95% diduga bahwa rata-rata Y naik sekitar antara 0,018
sampai 2,773 satuan untuk setiap kenaikan satu satuan X1 bila X2 tetap.

Selang Kepercayaan Serempak bagi k

Selang kepercayaan bersama Bonferroni dapat digunakan untuk menduga beberapa
koefisien regresi secara serempak. Jika g buah parameter akan diduga secara bersamaan
(asalkan g ≤ p), maka batas-batas kepercayaan serempak dengan tingkat kepercayaan 1-
adalah
bk  B sbk    k  bk  B sbk 
dengan
Bt
n  p 
2g

Makna Selang Kepercayaan Serempak

Misalkan : Ingin mengetahui apakah volume penjualan (Y, gros) berhubungan dengan jumlah
penduduk (X1, ribuan jiwa) dan pendapatan per kapita (X2, dolar). Diperoleh selang
kepercayaan serempak 90% sebagai berikut : (g=2)
0,483≤1≤0,509; 0,0071 ≤2≤0,0113
Selang kepercayaan serempak ini mengindikasikan bahwa 1 dan 2 keduanya positif, hal ini
sesuai harapan teoritis bahwa volume penjualan memang harus naik jika jumlah penduduk
naik dan pendapatan per kapita naik, tentu saja asalkan peubah-peubah lain dipertahankan
konstan.

24
 Koefisien Determinasi Ganda (R2)
 R2 = JKR/JKT = 1- (JKG/JKT)
 Koefisien ini mengukur proporsi pengurangan keragaman total di dalam Y akibat
digunakannya peubah-peubah bebas
X1,X2, …, Xp-1.
 Sifat koefisien determinasi ganda : 0  R2  1.
 R2 akan bernilai 0 bila semua bk = 0 (k=1,…,p-1). R2 akan bernilai 1 bila semua amatan Y
berada tepat pada permukaan respons dugaannya, Yi = Ŷi untuk semua i.

Koefisien determinasi ganda terkoreksi (𝑹𝟐𝒂 )

 Penambahan lebih banyak peubah bebas ke dalam model selalu akan menaikkan nilai R2
tidak pernah menurunkannya, sebab JKG tidak pernah menjadi lebih besar bila peubah
bebasnya lebih banyak, sedangkan JKT tidak akan berubah bila data responsnya tetap
sama.
 Karena R2 sering bisa dibuat besar dengan cara menyertakan peubah bebas, maka ada
yang menyarankan agar ukuran ini dimodifikasi untuk mempertimbangkan banyaknya
peubah bebas di dalam model.
 Koefisien determinasi ganda terkoreksi
JKG n  p   n  1  JKG
Ra2  1   1   
JKT n  1  n  p  JKT

Memaknai Koefisien Determinasi Ganda

Misalkan : Ingin mengetahui apakah volume penjualan (Y, gros) berhubungan dengan jumlah
penduduk (X1, ribuan jiwa) dan pendapatan per kapita (X2, dolar)
Diperoleh R2 = 0,9989, artinya bila kedua peubah saling bebas, jumlah penduduk dan
pendapatan per kapita ikut diperhitungkan maka keragaman volume penjualan dapat dikurangi
sebanyak 99,9%.
atau
sebesar 99,9% keragaman dari volume penjualan yang dapat dijelaskan oleh jumlah penduduk
dan pendapatan per kapita.

Koefisien Korelasi Ganda

Koefisien korelasi ganda R adalah akar kuadrat positif dari R2
R  R2

Uji F untuk Kecocokan Model Regresi Linear Ganda

• Uji ini mengasumsikan bahwa pengamatan-pengamatan Y untuk suatu X tertentu
bersifat bebas, tersebar normal, memiliki ragam yang sama.
• Uji ini menghendaki adanya pengamatan berulang pada satu atau lebih nilai X.

25
Hipotesis
H0 : E{Y} = 0+ 1X1+ 2X2 + …+ p-1Xp-1
H1 : E{Y}  0+ 1X1 + 2X2 + …+ p-1Xp-1
Atau
H0 : Tidak ada ketidakcocokan model regresi linear ganda dengan data
H1 : Ada ketidakcocokan model regresi linear ganda dengan data
Atau
H0 : Model regresi linear ganda cocok
H1 : Model regresi linear ganda tidak cocok
Taraf nyata: 
Statistik Uji:
JKKM k  p 
F
JKGM n  k 
Kriteria Keputusan
H0 ditolak jika Fhit > Fα(k-p,n-k)

Dengan
JKGM   Yij  Y j  , JKG  Y' Y  b' X' Y , JKKM  JKG  JKGM
2

Contoh
Perhatikan data tentang kesukaan merk berikut
i 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Xi1 4 4 4 4 6 6 6 6 8 8 8 8 10 10 10 10
Xi2 2 4 2 4 2 4 2 4 2 4 2 4 2 4 2 4
Yi 64 73 61 76 72 80 71 83 83 89 86 93 88 95 94 100
Y : derajat kesukaan terhadap merk , X1 : kandungan uap air, X2 : kemanisan produk
k = 8, JKG = 94,3, Ŷ = 37,650 + 4,425 X1 + 4,375 X2
Ujilah ketidakcocokan model regresi linear ganda dengan taraf nyata 0,01.

Xi1 Xi2 Yij Yj

4 2 64; 61
4 4 73; 76
6 2 72; 71
6 4 80; 83
8 2

26
8 4
10 2
10 4

Hipotesis
H0 : E{Y} = 0+ 1X1+ 2X2
H1 : E{Y}  0+ 1X1+2X2
Taraf nyata :  = 0,01
Statistik Uji:
JKKM k  p 
F
JKGM n  k 
Kriteria keputusan:
n=16, k=8, db(KM)=k-p=8-3=5 ,db(GM)=n-k=16-8=8, F0,05(5,8)= 3,69
H0 ditolak jika Fhit > 3,69
Hitungan:

SOAL LATIHAN
1. Suatu penelitian telah dilakukan untuk mengetahui hubungan antara persentase
kehadiran mahasiswa (X1) dan lama belajar dalam jam per minggu (X2) terhadap nilai
akhir ujian suatu mata kuliah (Y). Sebanyak 30 mahasiswa telah dipilih secara acak untuk
menjadi subyek penelitian.
Diketahui :
 9,8866861  0,132528 0,640573 
XX   0,132528 0,0018375  0,010051
1

 0,640573  0,010051 0,079075 

 Y  2440,  Y  2016000,  X Y  224670,  X

i i
2
i1 i Y  8880,
i2 i

 X X  9810,  X  251674,  X  409

i1 i2
2
i1
2
i2

a) Tentukan persamaan regresi dugaan dan berikan maknanya.

b) Bila dianggap asumsi-asumsi dalam analisis regresi linear ganda terpenuhi, ujilah
apakah ada hubungan antara persentase kehadiran mahasiswa dan lama belajar
dalam jam per minggu terhadap nilai akhir ujian suatu mata kuliah. Gunakan  = 0,05.
c) Tentukan selang kepercayaan 95% bagi 1 dan maknanya.
d) Buatlah selang kepercayaan serempak 95% bagi 1 dan 2 beserta maknanya
e) Hitunglah koefisien determinasi ganda dan berikan maknanya.

27
 f) Hitunglah koefisien korelasi ganda.
2. Seorang pegawai administrasi rumah sakit ingin mengetahui hubungan antara kepuasan
pelanggan (Y) dan umur pasien (X1, dalam tahun), tingkat keparahan penyakit (X2, dalam
indeks) dan tingkat kecemasan (X3, dalam indeks). Ia mengambil secara acak 23 pasien
dan mengumpulkan data tersebut. Berikut datanya:

i 1 2 3 4 5 6 7 8 9 10 11 12
Xi1 50 36 40 41 28 49 42 45 52 29 29 43
Xi2 51 46 48 44 43 54 50 48 62 50 48 53
Xi3 2,3 2,3 2,2 1,8 1,8 2,9 2,2 2,4 2,9 2,1 2,4 2,4
Yi 48 57 66 70 89 36 46 54 26 77 89 67

i 13 14 15 16 17 18 19 20 21 22 23
Xi1 38 34 53 36 33 29 33 55 29 44 43
Xi2 55 51 54 49 56 46 49 51 52 58 50
Xi3 2,2 2,3 2,2 2,0 2,5 1,9 2,1 2,4 2,3 2,9 2,3
Yi 47 51 57 66 79 88 60 49 77 52 60

Anggap asumsi-asumsi dalam model regresi linear ganda terpenuhi.

a. Tentukan fungsi regresi dugaan
b. Ujilah hubungan regresi, gunakan taraf nyata 0,01.
c. Tentukan selang kepercayaan serempak bagi 1, 2 dan 3 dengan tingkat
kepercayaan 90%. Interpretasikan hasilnya.
d. Hitung koefisien korelasi ganda dan berikan maknanya.

3. Seorang peneliti ingin mengevaluasi hubungan antara gaji tahuan peneliti matematika
golongan menengah dan senior (Y, dalam ribuan dolar) dan indeks kualitas publikasi (X1),
jumlah tahun pengalaman (X2) dan indeks kesuksesan dalam memperoleh hibah (X3).
Berikut data sampel 24 peneliti matematika golongan menengah dan senior.

i 1 2 3 4 5 6 7 8 9 10 11 12
Xi1 3,5 5,3 5,1 5,8 4,2 6,0 6,8 5,5 3,1 7,2 4,5 4,9
Xi2 9 20 18 33 31 13 25 30 5 47 25 11
Xi3 6,1 6,4 7,4 6,7 7,5 5,9 6,0 4,0 5,8 8,3 5,0 6,4
Yi 33,2 40,3 38,7 46,8 41,4 37,5 39,0 40,7 30,1 52,9 38,2 31,8

i 13 14 15 16 17 18 19 20 21 22 23 24
Xi1 8,0 6,5 6,6 3,7 6,2 7,0 4,0 4,5 5,9 5,6 4,8 3,9
Xi2 23 35 39 21 7 40 35 23 33 27 34 15
Xi3 7,6 7,0 5,0 4,4 5,5 7,0 6,0 3,5 4,9 4,3 8,0 5,0
Yi 43,3 44,1 42,8 33,6 34,2 48,0 38,0 35,9 40,4 36,8 45,2 35,1

28
Anggap asumsi-asumsi dalam model regresi linear ganda terpenuhi.
a. Tentukan fungsi regresi dugaan
b. Ujilah hubungan regresi, gunakan taraf nyata 0,05.
c. Ujilah apakah masing-masing k signifikan. Gunakan taraf nyata 0,05.
d. Tentukan selang kepercayaan serempak bagi 1, 2 dan 3 dengan tingkat
kepercayaan 95%. Interpretasikan hasilnya.
e. Hitung koefisien korelasi determinasi dan berikan maknanya.
f. Buatlah selang kepercayaan 95% bagi masing-masing k.

29
Topik 7 : Asumsi-asumsi dalam Analisis Regresi Linear Ganda

Asumsi-asumsi dalam analisis regresi linear ganda adalah

a. Linearitas
b. Tidak terjadi multikolinearitas
c. Tidak terjadi heteroskedastisitas
d. Normalitas
e. Tidak ada autokorelasi

Linearitas
Model regresi linear ganda diasumsikan linear dalam parameter regresi. Asumsi linearitas dalam
regresi ganda lebih sulit dipenuhi berkaitan dimensi data yang semakin tinggi.
Asumsi ini dapat dideteksi dengan plot pencar sisaan dibakukan dengan masing-masing peubah
bebas.
Kriteria: asumsi ini terpenuhi bila pada plot ini menunjukkan titik-titik berpencar secara acak, bila
berpola maka mengindikasikan terjadinya pelanggaran asumsi. Jika asumsi linearitas tidak terpenuhi
maka lakukan transformasi pada Y dan atau peubah bebas tertentu.

Gambar 1. Plot sisaan dibakukan dengan masing-masing peubah bebas

Pada Gambar 1, pada masing-masing plot menunjukkan bahwa titik-titik berpencar secara acak
sehingga asumsi linearitas dalam parameter regresi terpenuhi.

Multikolinearitas
 Multikolinearitas atau kekolinearan ganda adalah terjadinya korelasi antar peubah bebas.
 Model regresi yang baik seharusnya tidak terjadi korelasi antar peubah bebas.
 Metode yang banyak digunakan untuk mendeteksi adanya multikolinearitas adalah faktor inflasi
ragam (variance inflation factor/VIF) dengan rumus
VIFk  (1  Rk2 ) 1 , k  1,2,..., p  1
 Rk2 adalah koefisien determinasi ganda bila Xk diregresikan terhadap p-2 peubah lainnya di dalam
model.

30
 Kriteria terjadinya multikolinearitas adalah VIF > 10 atau nilai TOLERANCE < 0,1
(TOLERANCE = 1/VIF)

Heteroskedastisitas
 Ragam galat diasumsikan konstan dari satu pengamatan ke pengamatan lain, hal ini disebut
homoskedastisitas.
 Jika ragam galat berbeda disebut heteroskedastisitas.
 Model regresi yang baik adalah tidak terjadi heteroskedastisitas.
 Untuk mendeteksi heteroskedastisitas adalah dengan membuat plot nilai dugaan yang
dibakukan (standardized predicted value) dengan sisaan yang dibakukan (studentized residual).
 Jika ada pola tertentu (bergelombang, melebar kemudian menyempit) maka terjadi
heteroskedastisitas.
 Jika tidak ada pola jelas, maka tidak terjadi heteroskedastisitas.

Gambar 2. Plot nilai dugaan dibakukan dengan sisaan dibakukan

Pada Gambar 2, plot menunjukkan bahwa titik-titik berpencar secara acak (tidak berpola) yang
mengindikasikan homoskedastisitas. (Galat memiliki ragam yang sama).

Normalitas
 
Galat diasumsikan berdistribusi Normal  i ~ N 0,  2 .
 Model regresi yang baik adalah distribusi data normal atau mendekati normal.
 Untuk mendeteksi normalitas digunakan normal p-p plot.
 Jika titik-titik (sisaan) menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, maka
model regresi memenuhi asumsi normalitas.
 Jika titik-titik (sisaan) menyebar jauh dari garis diagonal dan atau tidak mengikuti arah garis
diagonal, maka model regresi tidak memenuhi asumsi normalitas.

31
 Gambar 3. Plot P-P Normal

Pada Gambar 3 terlihat bahwa titik-titik dekat dengan garis diagonal sehingga galat memiliki
distribusi normal.

Autokorelasi
 Bila dalam model regresi linear ganda ada korelasi antara galat pada periode t dengan galat pada
periode t-1, maka dinamakan ada masalah autokorelasi.
 Model regresi yang baik adalah model regresi yang bebas dari autokorelasi.
 Autokorelasi sering ditemukan pada regresi yang datanya adalah time series atau berdasarkan
waktu berkala seperti bulanan, tahunan.
 Deteksi autokorelasi dengan menggunakan besaran Durbin -Watson (D-W)
n

 (e  ei i 1 )2
d i 2
n

e
i 1
2
i

Hipotesis Hipotesis Alternatif Taraf Kriteria Keputusan

Nol Nyata
H0 :  = 0 H1 :  > 0  Jika d > dU maka terima H0 (tidak ada autokorelasi)
(Tidak ada (Ada autokorelasi Jika d < dL maka tolak H0 (ada autokorelasi positif)
autokorelasi) positif) Jika dL ≤ d ≤ dU , maka uji tidak meyakinkan
H1 :  < 0  Jika 4-d > dU maka terima H0 (tidak ada autokorelasi)
(Ada autokorelasi Jika 4-d < dL maka tolak H0 (ada autokorelasi negatif)
negatif) Jika dL ≤ 4-D ≤ dU , maka uji tidak meyakinkan
H1 :  ≠ 0 2 Jika d < dL atau 4-d < dL maka tolak H0 (ada
(Ada autokorelasi) autokorelasi)
Jika d > dU dan 4-d > dU maka terima H0 (tidak ada
autokorelasi )
Selain itu, maka uji dikatakan tidak meyakinkan

32
SOAL LATIHAN
Sebuah studi untuk mengetahui hubungan lama bekerja dan kepuasan kerja dengan pendapatan.
Berikut data sampel dari sembilan pekerja.

Pendapatan per tahun Lama bekerja Indeks kepuasan kerja

(ribuan dolar)
47 8 5,6
42 4 6,3
54 12 6,8
48 9 6,7
56 16 7,0
59 14 7,7
53 10 7,0
62 15 8,0
66 22 7,8

Selidiki pemenuhan asumsi-asumsi dalam model regresi linear ganda.

Berikut output SPSS.

33
34
 Topik 8 : Jumlah Kuadrat Ekstra

Kegunaan Jumlah Kuadrat Ekstra:

a. Mengukur pengurangan JKG akibat dimasukkannya 1 atau lebih peubah bebas ke dalam
model regresi, jika diketahui peubah-peubah lain telah ada di dalam model
b. Mengukur kenaikan JKR akibat dimasukkannya 1 atau beberapa peubah bebas ke dalam
model regresi
c. Untuk menguji apakah peubah Xk dapat dibuang dari model regresi ganda
d. Untuk menguji apakah beberapa peubah bebas dapat dibuang dari model regresi ganda

Definisi
Jumlah kuadrat esktra 𝐽𝐾𝑅 𝑋2 𝑋1 mengukur pengaruh marjinal akibat penambahan X2 dalam
model regresi yang sudah ada X1.
𝐽𝐾𝑅 𝑋2 𝑋1 = 𝐽𝐾𝑅 𝑋1 , 𝑋2 − 𝐽𝐾𝑅 𝑋1 atau
𝐽𝐾𝑅 𝑋2 𝑋1 = 𝐽𝐾𝐺 𝑋1 − 𝐽𝐾𝐺 𝑋1 , 𝑋2

Perluasan
𝐽𝐾𝑅 𝑋3 𝑋1 , 𝑋2 = 𝐽𝐾𝑅 𝑋1 , 𝑋2 , 𝑋3 − 𝐽𝐾𝑅 𝑋1 , 𝑋2 atau
𝐽𝐾𝑅 𝑋3 𝑋1 , 𝑋2 = 𝐽𝐾𝐺 𝑋1 , 𝑋2 − 𝐽𝐾𝐺 𝑋1 , 𝑋2 , 𝑋3

Contoh 1
Perhatikan tabel berikut
Yˆ  1,496  0,8572 X 1 Yˆ  23,634  0,8565 X 2
Sumber JK db KT Sumber variasi JK db KT
variasi
Regresi JKR(X2)=381,97 1 381,97
Regresi JKR(X1)=352,27 1 352,27
Galat JKG(X2)=113,42 18 6,30
Galat JKG(X1)=143,12 18 7,95
Total 495,39 19
Total 495,39 19

Yˆ  19,174  0,2224 X 1  0,6594 X 2 Yˆ  117,08  4,334 X 1  2,857 X 2  2,186 X 3

Sumber JK db MS Sumber JK db KT
variasi variasi

Regresi JKR(X1,X2)=385,44 2 192,72 Regresi JKR(X1,X2,X3)=396,98 3 132,33

Galat JKG(X1,X2)=109,95 17 6,47 Galat JKG(X1,X2,X3)=98,41 16 6,15

Total 495,39 19 Total 495,39 19

35
Jumlah kuadrat galat bila X1 dan X2 ada dalam model, 𝐽𝐾𝐺 𝑋1 , 𝑋2 = 109,95 lebih kecil
dibandingkan bila dalam model hanya ada X1, 𝐽𝐾𝐺 𝑋1 = 143,12.

Jumlah kuadrat ekstra untuk pengaruh marjinal akibat penambahan X2 dalam model regresi
yang sudah ada X1.
𝐽𝐾𝑅 𝑋2 𝑋1 = 𝐽𝐾𝐺 𝑋1 − 𝐽𝐾𝐺 𝑋1 , 𝑋2 = 143,12 − 109,95 = 33,17
atau 𝐽𝐾𝑅 𝑋2 𝑋1 = 𝐽𝐾𝑅 𝑋1 , 𝑋2 − 𝐽𝐾𝑅 𝑋1 = 385,44 − 352,27 = 33,17

Jumlah kuadrat ekstra untuk pengaruh marjinal akibat penambahan X3 dalam model regresi
yang sudah ada X1 dan X2.
𝐽𝐾𝑅 𝑋3 𝑋1 , 𝑋2 = 𝐽𝐾𝐺 𝑋1 , 𝑋2 − 𝐽𝐾𝐺 𝑋1 , 𝑋2 , 𝑋3 = 109,95 − 98,41 = 11,54
atau 𝐽𝐾𝑅 𝑋3 𝑋1 , 𝑋2 = 𝐽𝐾𝑅 𝑋1 , 𝑋2 , 𝑋3 − 𝐽𝐾𝑅 𝑋1 , 𝑋2 = 396,98 − 385,44 = 11,54

Dekomposisi JKR menjadi Jumlah Kuadrat Ekstra

Dalam regresi ganda dapat diperoleh beberapa dekomposisi JKR menjadi Jumlah Kuadrat Ekstra.

Misal untuk dua peubah bebas.

𝐽𝐾𝑇 = 𝐽𝐾𝑅 𝑋1 + 𝐽𝐾𝐺 𝑋1
Lalu substitusi 𝐽𝐾𝐺 𝑋1 dengan 𝐽𝐾𝑅 𝑋2 𝑋1 + 𝐽𝐾𝐺 𝑋1 , 𝑋2 sehingga
𝐽𝐾𝑇 = 𝐽𝐾𝑅 𝑋1 + 𝐽𝐾𝑅 𝑋2 𝑋1 + 𝐽𝐾𝐺 𝑋1 , 𝑋2
→ 𝐽𝐾𝑇 = 𝐽𝐾𝑅 𝑋1 , 𝑋2 + 𝐽𝐾𝐺 𝑋1 , 𝑋2

Tabel 1. Contoh Tabel ANOVA dengan Dekomposisi JKR untuk Tiga Peubah X
Sumber Variasi JK db KT
Regresi JKR(X1, X2, X3) 3 KTR(X1, X2, X3)
X1 JKR(X1) 1 KTR(X1)
X2|X1 JKR(X2|X1) 1 KTR(X2|X1)
X3|X1,X2 JKR(X3|X1,X2) 1 KTR(X3|X1,X2)
Galat JKG(X1, X2, X3) n-4 KTG(X1, X2, X3)
Total JKT n-1

Uji masing-masing 𝜷𝒌 = 𝟎
Bentuk 𝛽𝑘 𝑋𝑘 dapat dikeluarkan dari model regresi ganda, dengan hipotesis alternatif sebagai
berikut

Hipotesis Nol Hipotesis Alternatif Statistik Uji Kriteria keputusan

H0 : 𝛽𝑘 = 0 H1 : 𝛽𝑘 ≠ 0 𝑏𝑘 H0 ditolak jika 𝑡 > 𝑡𝛼 (𝑛 −𝑝 )
𝑡= 2
𝑠 𝑏𝑘

36
Hipotesis :
H0 : k= 0
H1 : k 0
Taraf nyata : 
Statistik Uji :
JKR X k X 1 ,, X k 1 , X k 1 ,, X p 1  JKG X 1 ,, X p 1 
F :
1 n p
KTRX k X 1 ,, X k 1 , X k 1 ,, X p 1 

KTG
Kriteria Keputusan :
H0 ditolak jika Fhit > F(1,n-p)

Uji Apakah Semua k = 0

Hipotesis :
H0 : 1 = 2 = … = p-1 = 0
H1 : Tidak semua k (k=1, …, p-1) sama dengan nol
Taraf nyata : 
Statistik Uji :
JKR X 1 ,, X p 1  JKG X 1 ,, X p 1  KTR
F : 
p 1 n p KTG
Kriteria Keputusan :
H0 ditolak jika Fhit > F(p-1,n-p)

Uji Apakah Beberapa k = 0

Hipotesis :
H0 : q= q+1 = …= p-1= 0
H1 : Tidak semua k di dalam H0 sama dengan nol
Taraf nyata : 
Statistik Uji :

F

JKR X q ,, X p 1 X 1 ,, X q 1  : JKG X ,, X 
1 p 1

pq n p



KTR X q ,, X p 1 X 1 ,, X q 1 
KTG
Kriteria Keputusan :
H0 ditolak jika Fhit > F(p-q,n-p)

37
Misalkan model regresi orde pertama dengan tiga peubah bebas
𝑌𝑖 = 𝛽0 + 𝛽1 𝑋𝑖1 + 𝛽2 𝑋𝑖2 + 𝛽3 𝑋𝑖3 + 𝜀𝑖

Uji apakah 𝛽3 = 0.
Hipotesis Nol Hipotesis Statistik Uji Kriteria keputusan
Alternatif
H0 : 𝛽3 = 0 H1 : 𝛽3 ≠ 0 𝐽𝐾𝑅 𝑋3 𝑋1 , 𝑋2 1 H0 ditolak jika
𝐹=
𝐽𝐾𝐺 𝑋1 , 𝑋2 , 𝑋3 𝑛 − 4 𝐹 > 𝐹𝛼 (1,𝑛 −4)

Contoh 2
Dari contoh 1. Apakah X3 dapat dikeluarkan dari model regresi? Gunakan taraf nyata 𝛼 = 0.01.
Hipotesis
H0 : 𝛽3 = 0
H1 : 𝛽3 ≠ 0
Taraf nyata: 𝛼 = 0,01
𝐽𝐾 𝑅 𝑋3 𝑋1 ,𝑋2 1
Statistik Uji: 𝐹 = 𝐽𝐾𝐺 𝑋1 ,𝑋2 ,𝑋3 𝑛 −4
Kriteria keputusan: F0,01(1,20-4) = F0,01(1,16) = 8,53
H0 ditolak jika 𝐹ℎ𝑖𝑡 > 8,53
Hitungan:
11,54 1
𝐹 = 98,41 = 1,88
16
Kesimpulan:
Karena Fhit = 1,88 < 8,53 maka H0 diterima. (𝛽3 = 0)
Jadi pada taraf nyata 0,01 dapat disimpulkan bahwa X3 dapat dikeluarkan dari model regresi.

Misalkan model regresi orde pertama dengan tiga peubah bebas

𝑌𝑖 = 𝛽0 + 𝛽1 𝑋𝑖1 + 𝛽2 𝑋𝑖2 + 𝛽3 𝑋𝑖3 + 𝜀𝑖 (Model Lengkap)
Apakah 𝑋2 and 𝑋3 dapat dikeluarkan dari model regresi.

Null Hypothesis Alternative Statistik Uji Kriteria

Hypothesis Keputusan
H0 : 𝛽2 = 𝛽3 = 0 H1 : Tidak semua 𝐽𝐾𝑅 𝑋2 , 𝑋3 𝑋1 2 H0 ditolak jika
𝐹=
𝛽2 dan 𝛽3 sama 𝐽𝐾𝐺 𝑋1 , 𝑋2 , 𝑋3 𝑛 − 4 𝐹 > 𝐹𝛼 (2,𝑛 −4)
dengan nol

Contoh 3
Dari contoh 1. Apakah X2 dan X3 dapat dikeluarkan dari model regresi? Gunakan taraf nyata
𝛼 = 0,01.

38
Hipotesis
H0 : 𝛽2 = 𝛽3 = 0
H1 : Tidak semua 𝛽2 dan 𝛽3 sama dengan nol
Taraf nyata: 𝛼 = 0,01
𝐽𝐾𝑅 𝑋2 ,𝑋3 𝑋1 2
Statistik Uji: 𝐹 = 𝐽𝐾𝐺 𝑋1 ,𝑋2 ,𝑋3 𝑛 −4
Kriteria keputusan: F0,01(1,20-4) = F0,01(2,16) = 6,23
H0 ditolak jika 𝐹ℎ𝑖𝑡 > 3,63
Hitungan:
44,71/2
𝐹 = 98,41 = 3,63
16
Hitungan:
Karena Fhit = 3,63 < 6,23 maka H0 diterima. (𝛽2 = 𝛽3 = 0)
Jadi pada taraf nyata 0,01 dapat disimpulkan bahwa X2 dan X3 dapat dikeluarkan dari model
regresi.

Koefisien Determinasi Parsial

• Untuk mengukur sumbangan marjinal satu peubah bebas X, bila semua peubah bebas
lain telah ada di dalam model.
• Model regresi ganda ordo-pertama dengan 2 peubah bebas
Yi  0  1 X i1   2 X i 2   i
Maka koefisien determinasi parsial antara Y dan X1 bila dalam model sudah ada X2
adalah
JKR X 1 X 2 
rY21.2 
JKG  X 2 
Ukuran ini mengukur proporsi penurunan keragaman Y yang diakibatkan oleh
dimasukkannya X1 dalam model yang sebelumnya sudah ada X2.

JKR X 2 X 1  33,17
Misalkan diperoleh rY22.1    0,232 , artinya jika X2 dimasukkan ke dalam
JKG  X 1  143,12
model regresi yang di dalamnya sudah ada X1 maka JKG akan berkurang 23,2%.

Berikut beberapa rumus koefisien determinasi parsial

JKR X 1 X 2  2 JKR X 1 X 2 , X 3  2 JKR X 2 X 1 , X 3  2 JKR X 3 X 1 , X 2 
rY21.2  , rY 1.23  , rY 2.13  , rY 3.12 
JKG  X 2  JKG  X 2 , X 3  JKG  X 1 , X 3  JKG  X 1 , X 2 
JKR X 4 X 1 , X 2 , X 3 
rY24.123 
JKG  X 1 , X 2 , X 3 

39
Koefisien Korelasi Parsial
a. Koefisien korelasi parsial merupakan akar kuadrat koefisien determinasi parsial.
b. Koefisien ini mempunyai tanda yang sama dengan koefisien regresi padanannya di dalam
fungsi regresi dugaannya.

Contoh 4
Dari contoh 1. Tentukan koefisien korelasi parsial X2 bila X1 sudah ada dalam model regresi?
Yˆ  19,174  0,2224 X  0,6594 X
1 2
2
𝑟𝑌2|1 = 𝑅𝑌2|1 = 0,232 = 0,482
Koefisien 𝑟𝑌2|1 ini bernilai positif karena b2 = 0,6594 bernilai positif.

40
Topik 9 : Seleksi Model

Langkah-langkah dalam membangun model

1. Pilih satu set peubah bebas

2. Sesuaikan model regresi dengan nilai VIF
3. Jika nilai VIF > 5 maka eliminasi peubah bebas yang memiliki nilai VIF tertinggi, jika
semua nilai VIF  5 maka lanjut ke langkah 5
4. Sesuaikan model regresi dengan nilai VIF untuk model yang baru (tanpa peubah yang
telah dihapus)
5. Lakukan best-subsets regression dengan peubah bebas yang tersisa
6. Daftar seluruh model yang mempunyai Cp  (p+1), dengan p adalah banyaknya peubah
bebas dalam model
7. Pada langkah 6, pilih model terbaik dengan menggunakan kriteria Cp, R2adj, s
8. Lanjutkan analisis yang lengkap dengan analisis sisaan
9. Perbaiki model bila ada indikasi pelanggaran asumsi
10. Gunakan model terbaik yang telah diperoleh bisa untuk prediksi dan inferensi

Best-Subset Regression
Kriteria dalam memilih model terbaik pada best-subset regression:
1. Cp, pilih nilai Cp  p+1 (Cp mengukur ketepatan model)
2. S, pilih nilai simpangan baku yang terkecil ( 𝑠 = 𝐾𝑇𝐺)
3. R2adj, pilih nilai R2adj mendekati 1 (100%)
4. Prinsip parsimony, model dengan peubah bebas yang lebih sedikit adalah lebih baik
daripada lebih banyak peubah bebas.

Contoh 1
Berikut hasil output Minitab
Best Subsets Regression: Y versus X1, X2, X3, X4

Response is Y

Mallows X X X X
Vars R-Sq R-Sq(adj) Cp S 1 2 3 4
1 36.6 34.0 13.3 38.621 X
1 17.1 13.7 24.2 44.162 X
2 49.0 44.6 8.4 35.387 X X
2 45.0 40.2 10.6 36.749 X X
3 53.8 47.5 7.8 34.443 X X X
3 53.6 47.3 7.8 34.503 X X X
4 62.3 55.1 5.0 31.835 X X X X

Model terbaik adalah 𝑌 = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + 𝛽3 𝑋3 + 𝛽4 𝑋4 + 𝜀, karena memiliki nilai R2adj =

55,1 terbesar, R2 = 62,3 terbesar , Cp Mallows = 5,0 ( 5) dan S = 31,835 terkecil.

41
Forward Regression
Pada metode forward regression, penambahan peubah bebas ke dalam model dilakukan satu
per satu berdasarkan kekuatan koefisien korelasi.

Gambar 1. Diagram Alur untuk Forward Selection

Contoh 2
Berikut hasil output Minitab
Stepwise Regression: Y versus X1, X2, X3, X4

Forward selection. Alpha-to-Enter: 0.25

Response is Y on 4 predictors, with N = 26

Step 1 2 3 4
Constant -272.4 -330.7 -283.7 -330.8

X1 1.42 1.76 1.75 1.25

T-Value 3.72 4.66 4.75 3.02
P-Value 0.001 0.000 0.000 0.006

X2 -0.139 -0.119 -0.118

T-Value -2.36 -2.02 -2.18
P-Value 0.027 0.055 0.041

X3 -0.16 -0.30
T-Value -1.48 -2.52
P-Value 0.153 0.020

X4 0.131
T-Value 2.20
P-Value 0.039

S 38.6 35.4 34.5 31.8

R-Sq 36.60 48.99 53.62 62.31
R-Sq(adj) 33.96 44.56 47.29 55.13
Mallows Cp 13.3 8.4 7.8 5.0

42
Model terbaik adalah 𝑌 = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + 𝛽3 𝑋3 + 𝛽4 𝑋4 + 𝜀, karena memiliki nilai R2adj =
55,13 terbesar, R2 = 62,31 terbesar , Cp Mallows = 5,0 ( 5) dan S = 31,8 terkecil.

Backward Regression
Pada metode backward regression, diawali dengan memasukan semua peubah bebas ke dalam
model lalu mengeluarkan peubah bebas yang memiliki nilai R2 terkecil.

Gambar 2. Diagram Alur untuk Backward Elimination

Contoh 3
Berikut hasil output Minitab
Stepwise Regression: Y versus X1, X2, X3, X4
Backward elimination. Alpha-to-Remove: 0.1

Response is Y on 4 predictors, with N = 26

Step 1
Constant -330.8

X1 1.25
T-Value 3.02
P-Value 0.006

X2 -0.118
T-Value -2.18
P-Value 0.041

X3 -0.30
T-Value -2.52
P-Value 0.020

X4 0.131
T-Value 2.20
P-Value 0.039

43
S 31.8
R-Sq 62.31
R-Sq(adj) 55.13
Mallows Cp 5.0

Model terbaik adalah 𝑌 = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + 𝛽3 𝑋3 + 𝛽4 𝑋4 + 𝜀, karena memiliki nilai R2adj =

55,13 terbesar, R2 = 62,31 terbesar , Cp Mallows = 5,0 ( 5) dan S = 31,8 terkecil.

Stepwise Regression
Pada metode stepwise regression merupakan kombinasi antara forward dan backward.

Contoh 4
Berikut hasil output Minitab

Stepwise Regression: Y versus X1, X2, X3, X4

Alpha-to-Enter: 0.15 Alpha-to-Remove: 0.15

Response is Y on 4 predictors, with N = 26

Step 1 2
Constant -272.4 -330.7 Model terbaik adalah 𝑌 = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + 𝜀, karena
memiliki nilai R2adj = 44,56 terbesar, R2 = 48,99 terbesar ,
X1 1.42 1.76
T-Value 3.72 4.66 Cp Mallows = 8,4 (> 3)  tidak memenuhi dan S = 35,4
P-Value 0.001 0.000 terkecil.
X2 -0.139
T-Value -2.36
P-Value 0.027

S 38.6 35.4
R-Sq 36.60 48.99
R-Sq(adj) 33.96 44.56
Mallows Cp 13.3 8.4

44
SOAL LATIHAN

Data 1
Seorang direktur operasi penyiaran di suatu stasiun televisi ingin mempelajari tentang “jam
siaga” . Ia ingin memperoleh model terbaik untuk memprediksikan berapa jumlah jam siaga per
minggu (Y) bagi pekerja. Peubah bebas yang telah tersedia adalah jumlah pekerja yang hadir
(X1), jumlah jam istirahat (X2), jumlah jam sibuk (X3) dan total jam kerja (X4). Berikut data selama
26 minggu.

i Y X1 X2 X3 X4 i Y X1 X2 X3 X4
1 245 338 414 323 2001 14 161 307 402 207 1720
2 177 333 598 340 2030 15 274 322 151 287 2056
3 271 358 656 340 2226 16 245 335 228 290 1890
4 211 372 631 352 2154 17 201 350 271 355 2187
5 196 339 528 380 2078 18 183 339 440 300 2032
6 135 289 409 339 2080 19 237 327 475 284 1856
7 195 334 382 331 2073 20 175 328 347 337 2068
8 118 293 399 311 1758 21 152 319 449 279 1813
9 116 325 343 328 1624 22 188 325 336 244 1808
10 147 311 338 353 1889 23 188 322 267 253 1834
11 154 304 353 518 1988 24 197 317 235 272 1973
12 146 312 289 440 2049 25 261 315 164 223 1839
13 115 283 388 276 1796 26 232 331 270 272 1935

Tentukan model terbaik dengan kriteria best-subsets regression, forward selection dan backward
elimination.

Data 2
Data tentang rumah sakit. Peubah tak bebas adalah jumlah jam perawat bekerja per bulan (Y) dan
peubah bebas adalah rata-rata jumlah pasien per hari (X1), jumlah pasien yang rontgen (X2), jumlah
tempat tidur yang terisi per bulan (X3), rata-rata daya tampung pasien baru yang menginap (X4) dan
rata-rata lama pasien menginap (X5).
i Y X1 X2 X3 X4 X5
1 566,5 15,57 2463 472,9 18 4,45
2 696,8 44,02 2048 1339,8 9,5 6,92
3 1033,2 20,42 3940 620,3 12,8 4,28
4 1603,6 18,74 6505 568,3 36,7 3,9
5 1611,4 49,20 5723 1497,6 35,7 5,5
6 1613,3 44,92 11520 1365,8 24 4,6
7 1854,2 55,48 5779 1687 43,3 5,62
8 2160,6 59,28 5969 1639,9 46,7 5,15
9 2305,6 94,39 8461 2872,3 78,7 6,18

45
 10 3503,9 128,02 20106 3655,1 180,5 6,15
11 3571,9 96,00 13313 2912 60,9 5,88
12 3741,4 131,42 10771 3921 103,7 4,88
13 4026,5 127,21 15543 2865,7 126,8 5,5
14 10343,8 252,90 36194 7684,1 157,7 7
15 11732,2 409,20 34703 12446,3 169,4 10,78
16 15414,9 463,70 39204 14098,4 331,4 7,05
17 18854,4 510,22 86533 15524 371,6 6,35

Tentukan model terbaik dengan kriteria best-subsets regression, forward selection dan backward
elimination.

Data 3
Berikut data sampel.
i Y X1 X2 X3 X4 X5 X6
1 443 49 79 76 8 15 205
2 290 27 70 31 6 6 129
3 676 115 92 130 0 9 339
4 536 92 62 92 5 8 247
5 481 67 42 94 16 3 202
6 296 31 54 34 14 11 119
7 453 105 60 47 5 10 212
8 617 114 85 84 17 20 285
9 514 98 72 71 12 -1 242
10 400 15 59 99 15 11 174
11 473 62 62 81 9 1 207
12 157 25 11 7 9 9 45
13 440 45 65 84 19 13 195
14 480 92 75 63 9 20 232
15 316 27 26 82 4 17 134
16 530 111 52 93 11 13 256
17 610 78 102 84 5 7 266
18 617 106 87 82 18 7 276
19 600 97 98 71 12 8 266
20 480 67 65 62 13 12 196
21 279 38 26 44 10 8 110
22 446 56 32 99 16 8 188
23 450 54 100 50 11 15 205
24 335 53 55 60 8 0 170
25 459 61 53 79 6 5 193
26 630 60 108 104 17 8 273
27 483 83 78 71 11 8 233

46
 28 617 74 125 66 16 4 265
29 605 89 121 71 8 8 283
30 388 64 30 81 10 10 176
31 351 34 44 65 7 9 143
32 366 71 34 56 8 9 162
33 493 88 30 87 13 0 207
34 648 112 105 123 5 12 340
35 449 57 69 72 5 4 200
36 340 61 35 55 13 0 152
37 292 29 45 47 13 13 123
38 688 82 105 81 20 9 268
39 408 80 55 61 11 1 197
40 461 82 88 54 14 7 225

Tentukan model terbaik dengan kriteria best-subsets regression, forward selection dan backward
elimination.

47
Topik 10 : Analisis Variansi

Analisis variansi digunakan untuk menguji kesamaan tiga rata-rata populasi atau lebih
dengan hipotesis nol 𝐻0 : 𝜇1 = 𝜇2 = 𝜇3 = ⋯ = 𝜇𝑘 , dan hipotesis alternatif : paling sedikit
ada sepasang rata-rata tidak sama dengan nol (𝐻1 : ∃ 𝜇𝑖 ≠ 𝜇𝑗 , 𝑖 ≠ 𝑖′, 𝑖 = 1, 2, … , 𝑘).

Definisi
Analisis variansi (ANAVA) adalah metode pengujian kesamaan tiga atau lebih rata-rata
populasi dengan analisis variansi sampel.

Metode ANAVA menggunakan distribusi F. Distribusi F mempunyai sifat-sifat berikut:

1. Distribusi F tidak simetri dengan kemiringan ke kanan.
2. Nilai F dapat 0 atau positif, tetapi tidak dapat bernilai negatif.
3. Distribusi F memiliki dua derajat bebas yaitu untuk pembilang dan penyebut.

Gambar 1. Distribusi F

Analisis Variansi Satu Arah

Analisis variansi satu arah (analisis variansi satu faktor) digunakan untuk menguji tiga atau
lebih rata-rata populasi dengan satu karakteristik dalam populasi.

Analisis variansi digunakan pula untuk menganalisis data yang diperoleh dari rancangan
percobaan. Berikut beberapa istilah yang digunakan dalam merancang percobaan.

Definisi
 Perlakuan : suatu prosedur atau metode yang diterapkan pada unit percobaan.
Setara dengan taraf dari faktor.
 Unit Percobaan : unit terkecil dalam suatu percobaan yang diberi suatu perlakuan.
Unit dimana perlakuan diberikan secara acak.
 Satuan Pengamatan : anak gugus dari unit percobaan, tempat dimana respon
perlakuan diukur.

48
  Faktor : peubah bebas yang dicobakan dalam percobaan sebagai penyusun struktur
perlakuan.
 Taraf : jenis-jenis suatu faktor yang dicobakan dalam percobaan

Asumsi-asumsi dalam analisis variansi

1. Sampel berasal dari populasi berdistribusi normal
2. Sampel berasal dari populasi yang memiliki variansi sama 2

Ada dua pendekatan untuk menduga nilai 2 yaitu

1. Variansi antara sampel (variansi antar perlakuan) adalah penduga variansi populasi 2
berdasarkan variansi antar rata-rata sampel
2. Variansi dalam sampel (variansi akibat galat) adalah penduga variansi populasi 2
berdasarkan variansi sampel

Statistik Uji untuk Anava satu arah

𝑣𝑎𝑟𝑖𝑎𝑛𝑠𝑖 𝑎𝑛𝑡𝑎𝑟 𝑠𝑎𝑚𝑝𝑒𝑙
𝐹=
𝑣𝑎𝑟𝑖𝑎𝑛𝑠𝑖 𝑑𝑎𝑙𝑎𝑚 𝑠𝑎𝑚𝑝𝑒𝑙

Perhatikan kedua kasus berikut.

Pengaruh Rata-rata pada Statistik Uji F

A ditambahkan 10 B
Sampel 1 Sampel 2 Sampel 3 Sampel 1 Sampel 2 Sampel 3
7 6 4 17 16 14
3 5 7 13 15 17
6 5 6 16 15 16
6 8 7 16 18 17
n1 = 4 n2 = 4 n1 = 4 n1 = 4 n2 = 4 n1 = 4
𝑥1 = 5,5 𝑥2 = 6,0 𝑥3 = 6,0 𝑥1 = 5,5 𝑥2 = 6,0 𝑥3 = 6,0
2
2 2 2
𝑠1 = 3,0 𝑠2 = 2,0 𝑠3 = 2,0 𝑠1 = 3,0 𝑠22 = 2,0 𝑠32 = 2,0

Tabel A
Variansi antar sampel
𝑛𝑠𝑋2 = 4 0,0833 = 0,3332
Variansi dalam sampel
𝑠12 + 𝑠22 + 𝑠32 3,0 + 2,0 + 2,0
𝑠𝑝2 = = = 2,3333
3 3

Derajat Bebas
Derajat bebas pembilang = k– 1
Derajat bebas penyebut = k(n - 1)

k = banyaknya perlakuan, n = ukuran sampel

49
Perhitungan analisis variansi untuk ukuran sampel sama

Sumber variasi Penduga bagi 𝜎 2 Statistik Uji Kriteria keputusan

2
Antar sampel 𝑛 𝑘
𝑋𝑖 − 𝑋 𝑛𝑆 2 H0 ditolak jika
𝑛𝑆 2 =
𝑖=1 𝐹=
𝑘 𝑆𝑖
2 F > F(k-1, k(n-1))
𝑘−1
𝑘 𝑖=1 𝑘
Dalam sampel 𝑆𝑖2
𝑘
𝑖=1

Perhitungan analisis variansi untuk ukuran sampel berbeda

Sumber variasi Penduga bagi 𝜎 2 Statistik Uji Kriteria Keputusan

2 2
Antar sampel 𝑘 𝑘 H0 ditolak jika
𝑖=1 𝑛𝑖 𝑋𝑖 − 𝑋 𝑖=1 𝑛𝑖 𝑋𝑖 − 𝑋
𝑘−1 F > 𝐹𝛼(𝑘−1, 𝑛 𝑖 −1
𝑘−1 𝐹=
𝑘 2 𝑘 2
Dalam sampel 𝑖=1 𝑛𝑖 − 1 𝑆𝑖 𝑖=1 𝑛𝑖 − 1 𝑆𝑖
𝑘
𝑖=1 𝑛𝑖 − 1
𝑘
𝑖=1 𝑛𝑖 − 1

Perhitungan diatas ekuivalen dengan menghitung komponen-komponen Anava berikut :

1) JKT (Jumlah Kuadrat Total) mengukur variasi total (sekitar 𝑋) dalam seluruh sampel.
2
𝐽𝐾𝑇 = 𝑥𝑖 − 𝑥

JKT dapat diuraikan menjadi komponen JKP (Jumlah Kuadrat Perlakuan) dan JKG
(Jumlah Kuadrat Galat).
2) JKP (Jumlah Kuadrat Perlakuan), dimaksudkan untuk JK antar sampel, mengukur
variasi antara rata-rata sampel.
2
𝐽𝐾𝑃 = 𝑛𝑗 𝑥𝑗 − 𝑥
3) JKG (Jumlah Kuadrat Galat), dimaksudkan untuk JK (dalam sampel), adalah jumlah
kuadrat yang menunjukkan variasi dalam sampel.
𝐽𝐾𝐺 = 𝑛𝑗 − 1 𝑠𝑗2

Sumber Derajat Jumlah Kuadrat Kuadrat Statistik Uji Kriteria

variasi bebas (db) (JK) Tengah (KT) keputusan
Perlakuan k-1 𝑛𝑗 𝑥𝑗 − 𝑥
2
JKP /(k-1) 𝐾𝑇𝑃 H0 ditolak jika
𝐹=
𝐾𝑇𝐺 F > 𝐹𝛼(𝑘−1,𝑛−𝑘)
Galat n–k 𝑛𝑗 − 1 𝑠𝑗2 JKG/(n-k)

Total n–1 𝑥𝑖 − 𝑥 2

50
Contoh
Seorang administrator perguruan tinggi mengklaim bahwa tidak ada perbedaan rata-rata
nilai UAN siswa dari tiga SMA berbeda yang masuk perguruan tinggi tersebut. Data berikut
adalah 15 mahasiswa tahun pertama yang dipilih secara acak dari tiga sekolah tersebut
dengan masing-masing sekolah diambil 5 orang. Apakah pernyataan administrator tersebut
cukup beralasan? Gunakan taraf nyata 0,05.

SMA A SMA B SMA C

3,2 2,8 2,5
2,7 3,0 2,8
3,0 3,3 2,4
3,3 2,5 2,2
2,6 3,1 3,0
Penyelesaian:
Misal 1: SMA A, 2: SMA B, 3: SMA C.

SMA A SMA B SMA C

3,2 2,8 2,5
2,7 3,0 2,8
3,0 3,3 2,4
3,3 2,5 2,2
2,6 3,1 3,0
𝑥𝑗 2,96 2,94 2,58
𝑠𝑗 0,304959 0,304959 0,319374
𝑛𝑗 5 5 5

𝑥𝑖 = 42,4 ; 𝑥𝑖2 = 121,46; 𝑥 = 2,8267

𝐽𝐾𝑇 = 𝑥𝑖2 − 𝑛𝑥 2 = 121,46 − 15 × 2,82672 = 1,6065

𝐽𝐾𝑃 = 𝑛𝑗 𝑥𝑗2 − 𝑛𝑥 2 = 5 × 2,962 + 5 × 2,942 + 5 × 2,582 − 15 × 2,82672

𝑗
= 120,308 − 119,8535 = 0,4545
𝐽𝐾𝐺 = 𝐽𝐾𝑇 − 𝐽𝐾𝑃 = 1,6065 − 0,4545 = 1,152

Hipotesis
H0 : 𝜇1 = 𝜇2 = 𝜇3
H1 : ∃ 𝜇𝑖 ≠ 𝜇𝑗 , 𝑖 ≠ 𝑖′, 𝑖 = 1, 2, 3
Taraf nyata:  = 0.05
Statistik Uji:
𝐽𝐾𝑃 𝑘−1
𝐹 = 𝐽𝐾𝐺 𝑛 −𝑘
Kriteria keputusan: k = 3, n = 15; F0,05(2,12) = 3,89
H0 ditolak jika Fhit > 3,89
Hitungan:
0,4545 /2
𝐹 = 1,152 = 2,367
12

51
Kesimpulan:
Karena Fhit = 2,367 < 3,89 maka H0 diterima. Jadi pada taraf nyata 0,05 dapat disimpulkan
bahwa tidak ada perbedaan rata-rata nilai UAN siswa dari tiga SMA berbeda yang masuk
perguruan tinggi tersebut.

SOAL LATIHAN
1. Lima belas siswa kelas XI di suatu sekolah menengah pertama dengan kemampuan
relatif sama telah dipilih secara acak untuk dikelompokkan dalam 3 grup yang
selanjutnya diberikan perlakuan tiga metode mengajar aritmetika yang berbeda.
Pada akhir semester, tes yang sama diberikan kepada lima belas siswa tersebut.
Berikut tabel hasil tes dari siswa tersebut.

Metode I Metode II Metode III

48 55 84
73 85 68
51 70 95
65 69 74
87 90 67

Apakah dapat disimpulkan bahwa rata-rata hasil tes siswa dari ketiga metode itu
berbeda? Gunakan taraf nyata 0,05 dan anggap bahwa asumsi-asumsi dalam analisis
variansi terpenuhi.

2. Empat desain sirkuit komputer digital yang berbeda telah diteliti untuk dibandingkan
volume suara yang muncul. Hasil berikut diperoleh:

Desain Sirkuit
Volume suara (dalam dB)
Komputer Digital
1 29; 26; 27; 30
2 36; 34; 33; 35; 30
3 36; 41; 35; 39
4 42; 38; 37; 41; 45

Apakah rata-rata volume suara yang muncul sama untuk semua desain sirkuit
komputer digital? Gunakan α = 0,05. Anggap bahwa asumsi-asumsi dalam analisis
variansi terpenuhi.

52
Rancangan Acak Lengkap (RAL) (Complete Randomized Design)

Latar belakang dari rancangan acak lengkap:

a. Biasanya digunakan jika kondisi unit percobaan relatif homogen
b. Umumnya percobaan dilakukan di laboratorium
c. Unit percobaan tidak cukup besar dan jumlah perlakuan terbatas
d. Sederhana

Beberapa keuntungan dari penggunaan RAL

 Bagan rancangan percobaan lebih mudah
 Analisis statistika terhadap subyek percobaan sederhana
 Fleksibel dalam penggunaan jumlah perlakuan dan jumlah ulangan
 Kehilangan informasi relatif sedikit dalam hal data hilang dibandingkan rancangan
lain

Pengacakan dan Bagan Percobaan

 Misalkan ada 3 perlakuan (A, B, C)
2 ulangan
Maka diperlukan 3  2 = 6 unit percobaan
 Bagan percobaan Salah satu hasil pengacakan adalah

1 2 1 C 2 A
3 4 3 A 4 B
5 6 5 C 6 B

 Tabulasi data

Ulangan Perlakuan Total Keseluruhan

A B C
1 Y11 Y21 Y31
2 Y12 Y22 Y32
Total Perlakuan (Yi.) Y1. Y2. Y3. Y..

53
Model linier aditif dalam RAL
 Model Tetap
Model tetap merupakan model dimana perlakuan-perlakuan yang digunakan dalam
percobaan berasal dari populasi yang terbatas dan pemilihan perlakuan ditentukan
langsung oleh peneliti dan kesimpulan yang diperoleh terbatas hanya pada
perlakuan-perlakuan yang dicobakan saja tidak bisa digeneralisasikan.
 Model Acak
Model acak merupakan model dimana perlakuan-perlakuan yang dicobakan
merupakan sampel acak dari populasi perlakuan dan kesimpulan yang diperoleh
berlaku secara umum untuk seluruh populasi perlakuan.

Model linier aditif dari RAL adalah

Yij     i   ij
dengan
i  1, 2, , a
j  1, 2, , r

 ij ~ N 0,  2 
iid

Yij : pengamatan pada perlakuan ke-i dan ulangan ke-j

μ : rataan umum
i : pengaruh perlakuan ke-i
ij : pengaruh acak pada perlakuan ke-i ulangan ke-j

Asumsi untuk model tetap ialah 𝑎𝑖=1 𝜏𝑖 = 0 .

Asumsi untuk model acak ialah 𝜏𝑖 𝑖𝑖𝑑~𝑁 0, 𝜎𝜏2 .

Analisis pada Model Tetap

 Ingin menguji persamaan dari rata-rata a perlakuan, diketahui
E Yij      i  i , i  1, 2,, a
Sehingga bentuk hipotesis
H0 : 1  2    a (Semua perlakuan memberikan respons yang sama)
H1 : i  i ' , i  i, i  1, 2,, a
 Diketahui    i  i
a a

    i    i
i 1 i 1
a

a a  i
 a   i   i ,  i 1

i 1 i 1 a
sehingga berakibat
a


i 1
i 0

54
  Sehingga bentuk hipotesis diatas ekuivalen dengan hipotesis berikut
H0 :  1   2     a  0 (perlakuan tidak berpengaruh terhadap respons yang diamati)
H1 :  i  0, i  1, 2,, a

Analisis pada Model Acak

 Diketahui
Var Yij   Var    i   ij 
 Var  i   ij ,  konstanta
 Var  i   Var  ij  ,  i dan  ij saling bebas
  2   2
 Sehingga bentuk hipotesisnya adalah
H0 :  2  0 (Keragaman perlakuan tidak berpengaruh terhadap respons yang diamati)
H1 :  2  0 (Keragaman perlakuan berpengaruh positif terhadap respons yang diamati)

Dekomposisi Jumlah Kuadrat Total

 Keragaman total dapat diuraikan sebagai berikut:
Yij  Y  Yij  Yi  Yi  Y
Y ij  Y   Yi  Y   Yij  Yi 
 Jika kedua ruas dikuadratkan maka akan diperoleh
Y ij  Y   Yi  Y   Yij  Yi   2Yi  Y Yij  Yi 
2 2 2

 Kemudian jika dijumlahkan untuk semua pengamatan

 Y ij  Y    Yi   Y    Yij  Yi  

a r a r a r
2 2 2

i 1 j 1 i 1 j 1 i 1 j 1

 Y  Y Yij  Yi   0

a r
karena i
i 1 j 1

 Sehingga
Jumlah Kuadrat Total = Jumlah Kuadrat Perlakuan + Jumlah Kuadrat Galat
JKT = JKP + JKG

Perhitungan Analisis Variansi (Anava)

Ulangan sama Ulangan tidak sama
Y 2
Y2
FK  
FK  a

r
ar
a i

 Yi2 i 1

Yi2
a
JKP   FK JKP  
i 1
 FK
r i 1 ri
a r
JKT   Yij2  FK
a r

i 1 j 1
JKT   Yij2  FK
i 1 j 1
JKG  JKT  JKP JKG  JKT  JKP

55
Tabel Analisis Variansi
Ulangan sama Ulangan tidak sama
SV db JK KT Fhitung SV db JK KT Fhitung
Perlakuan a-1 JKP KTP KTP/KTG Perlakuan a-1 JKP KTP KTP/KTG
Galat a(r-1) JKG KTG Galat (ri -1) JKG KTG
Total ar-1 JKT Total ri -1 JKT
Kriteria keputusan Kriteria keputusan
H0 ditolak jika Fhit > F(a-1, a(r-1)) H0 ditolak jika Fhit > F(a-1, (ri -1))

SOAL LATIHAN
1. Suatu penelitian telah dilakukan untuk mengetahui pengaruh persentase kandungan
paracetamol dalam obat penurun panas terhadap waktu yang diperlukan untuk
menurunkan panas dari 39 menjadi 37. Untuk keperluan ini telah dipilih secara
acak 25 penderita sakit panas dengan suhu 39 dari usia yang hampir sama dan tanpa
keluhan sakit yang lain. Keduapuluh lima pasien tersebut dibagi secara acak menjadi
5 kelompok dan masing-masing kelompok yang terdiri dari 5 orang tersebut diberi
obat penurun panas dengan persentase kandungan paracetamol tertentu. Berikut
data tentang waktu (dalam jam) yang diperlukan oleh para pasien tersebut sampai
dengan panas badan mereka turun menjadi 37 .

KADAR PARACETAMOL
40% 50% 60% 75% 90%
7 9 5 3 2
6 7 4 5 3
9 8 8 2 4
4 6 6 3 1
7 9 3 7 4

Apakah ada pengaruh persentase kandungan paracetamol dalam obat penurun

panas terhadap waktu yang diperlukan untuk menurunkan panas dari 39 menjadi
37? Gunakan taraf nyata 0,05.

2. Sebuah lembaga penelitian di suatu perguruan tinggi ingin mengetahui pengaruh

metode mengajar yang digunakan dosen terhadap hasil belajar mahasiswa khusus
untuk mata kuliah Statistika Elementer. Ada berbagai macam metode mengajar
dalam pembelajaran, pada penelitian ini telah dipilih secara acak empat metode yang
dianggap sesuai dengan karakteristik mata kuliah tersebut yaitu metode ceramah,
tanya jawab, problem solving dan diskusi. Untuk keperluan itu telah dipilih secara
acak 20 kelas yang relatif seragam, dengan rata-rata kemampuan awal mahasiswa
dalam Statistika Elementer yang relatif sama. Secara acak 20 kelas tersebut dibagi

56
 menjadi 4 kelompok, masing-masing kelompok mendapatkan pembelajaran dengan
salah satu metode tersebut. Dosen yang mengajar di kelas-kelas tersebut telah dipilih
sedemikian hingga dapat dianggap mempunyai karakteristik yang hampir sama.
Setelah pembelajaran selesai, semua kelas mendapat tes dengan soal dan waktu
yang sama. Berikut ini adalah data tentang rata-rata nilai tes mahasiswa dari ke-20
kelas yang digunakan dalam penelitian.
Metode Mengajar
Kelas Tanya Problem Jumlah
Ceramah Diskusi
Jawab Solving
1 8,2 7,0 8,7 6,2 30,1
2 9,2 6,8 7,5 6,8 30,3
3 9,4 5,8 9,3 7,5 32,0
4 7,5 5,3 8,9 5,5 27,2
5 6,2 8,0 7,6 5,7 27,5
Jumlah 40,5 32,9 42 31,7 147,1

a) Tentukan rancangan apa yang sesuai dengan penelitian yang dimaksud.

b) Tentukan model linear dan maknanya
c) Model tetap atau model acak? Sebutkan alasannya.
d) Anggap asumsi-asumsi dalam Anava terpenuhi, lakukan pengujian hipotesis sesuai
dengan penelitian yang dimaksud. Gunakan taraf nyata 0,05.

57
Rancangan Acak Kelompok Lengkap (RAKL) (Randomized Complete Block Design)

Alasan penggunaan rancangan acak kelompok lengkap

a. Keheterogenan unit percobaan berasal dari satu sumber keragaman
b. Mengatasi kesulitan dalam mempersiapkan unit percobaan dalam jumlah besar
c. Kelompok yang dibentuk harus merupakan kumpulan dari unit-unit percobaan yang
relatif homogen sedangkan keragaman antar kelompok diharapkan cukup tinggi

Pengacakan dan Bagan Percobaan

• Misalkan ada 6 perlakuan (P1, P2, P3, P4, P5, P6) dan 3 kelompok, maka ada 6 unit
percobaan pada setiap kelompok
• Total unit percobaan ada 36 = 18 unit percobaan
• Pengacakan dilakukan pada masing-masing kelompok
• Salah satu bagan percobaan \

Tabulasi data
Perlakuan
Kelompok Total kelompok (Y•j)
P1 P2 P3 P4 P5 P6
1 Y11 Y21 Y31 Y41 Y51 Y61 Y•1
2 Y12 Y22 Y32 Y42 Y52 Y62 Y•2
3 Y13 Y23 Y33 Y43 Y53 Y63 Y•3
Total Perlakuan (Yi•) Y1• Y2• Y3• Y4• Y5• Y6• Total keseluruhan (Y••)

Model linier aditif dari RAKL

Yij     i   j   ij
Dengan
i  1, 2, , a
j  1, 2, , b

 ij ~ N 0,  2 
iid

Yij : pengamatan pada perlakuan ke-i dan kelompok ke-j

μ : rataan umum
i : pengaruh perlakuan ke-i
j : pengaruh kelompok ke-j
ij : pengaruh acak pada perlakuan ke-i kelompok ke-j

58
Asumsi untuk model tetap ialah
a b


i 1
i  0 dan 
j 1
j 0

Asumsi untuk model acak ialah

 i ~ N 0,  2  dan  j ~ N 0,  2 

iid iid

Hipotesis Model Tetap

• Hipotesis pengaruh perlakuan
H 0 :1   2     a  0
(perlakuan tidak berpengaruh terhadap respons yang diamati)
H1 :  i  0 , i  1, 2,, a
• Hipotesis pengaruh kelompok
H 0 : 1   2     b  0
(kelompok tidak berpengaruh terhadap respons yang diamati)
H1 :  j  0 , j  1, 2,, b

Hipotesis Model Acak

• Hipotesis pengaruh perlakuan
H 0 :  2  0 (keragaman perlakuan tidak berpengaruh terhadap respons yang diamati)
H1 :    0 2 (keragaman perlakuan berpengaruh positif terhadap respons yang diamati)

• Hipotesis pengaruh kelompok

H 0 :  2  0 (keragaman kelompok tidak berpengaruh terhadap respons yang diamati)
H1 :    0 2 (keragaman kelompok berpengaruh positif terhadap respons yang diamati)

Perhitungan Analisis Variansi

b
Y2
FK 
ab
Y
j 1
2
j

a
JKK   FK
a
Y 2
i a b
JKP  i 1
 FK JKT   Yij2  FK
b i 1 j 1

JKG  JKT  JKP  JKK

Tabel Analisis Variansi
SV db JK KT Fhitung

Perlakuan a-1 JKP KTP KTP/KTG

Kelompok b-1 JKK KTK KTK/KTG

Galat (a-1)(b-1) JKG KTG

Total ab-1 JKT

Kriteria Keputusan :
1. Ho ditolak jika Fhit > F(a-1, (a-1)(b-1))
2. Ho ditolak jika Fhit > F(b-1, (a-1)(b-1))

59
SOAL LATIHAN
1. Suatu penelitian akan dilakukan untuk membandingkan pengaruh jenis media
pembelajaran yang digunakan guru terhadap hasil belajar siswa kelas 2 SMA khusus
untuk pokok bahasan peluang. Jenis media yang dimaksudkan adalah cetak, audio,
visual dan berbasis komputer. Untuk keperluan tersebut telah dipilih secara acak 12
kelas, namun setelah dilakukan tes kemampuan awal ternyata kelas-kelas tersebut
dapat digolongkan menjadi 3 kelompok (kategori kemampuan awal rendah, kategori
kemampuan awal sedang, kategori kemampuan awal tinggi). Masing-masing
kelompok mendapatkan perlakuan 4 jenis media tersebut. Setelah pembelajaran
selesai, semua kelas mendapat tes dengan soal dan waktu yang sama. Berikut adalah
data tentang rata-rata nilai tes siswa dari keduabelas kelas yang digunakan dalam
penelitian.
Kategori kelas Jenis Media
kemampuan Cetak Audio Visual Berbasis Komputer
awal
Rendah 8,1 6,5 7,4 8,4
Sedang 8,9 6,8 6 7,4
Tinggi 7,7 5,9 5,9 9,4
Jumlah 24,7 19,2 19,3 25,2

2. Suatu percobaan yang telah dilakukan untuk mengetahui pengaruh berbagai

suplemen makanan terhadap perkembangan kecerdasan anak (diukur dengan
pertambahan skor IQ). Unit percobaan dalam hal ini anak yang tersedia berbeda
umur, karenanya dilakukan pengelompokkan menjadi 4 kelompok umur. Berikut
rata-rata pertambahan kecerdasan anak untuk keempat suplemen adalah
Jenis Suplemen A B C D
Rata-rata pertambahan skor IQ 7,5 1,5 5,75 7

Diasumsikan asumsi-asumsi dalam Anava terpenuhi. Kerjakanlah Anava berikut

dengan cara melengkapi Tabel Anava berikut:
Sumber Variasi db JK KT F hitung F tabel

Perlakuan 89,1875
Kelompok 4,7292
Galat
Total 111,9375

Lakukan pengujian hipotesis sesuai dengan yang dimaksud gunakan  = 0,05 dalam
menyimpulkannya.

60
UJI LANJUT SETELAH ANALISIS VARIANSI

Uji lanjut ini hanya berlaku untuk pengujian model tetap bila hipotesis nol pengaruh
perlakuan ditolak.

Beda Nyata Terkecil (BNT) atau Least Significant Difference (LSD)

• Hipotesis
H0 : μi = μi’
H1 : μi  μi’
• Taraf nyata : 
• Statistik Uji :
1 1
BNT  t  KTG  ' 
db( G ) 
2  ri ri 
Kriteria Keputusan :
H0 ditolak jika Yi  Yi ' > BNT

Beda Nyata Jujur (BNJ) atau Honest Significant Difference (Tukey test)
• Hipotesis
H0 : μi = μi’
H1 : μi  μi’
• Taraf nyata : 
• Statistik Uji :
KTG
BNJ  q a ,db( g )  a
a 1 r
i 1
i

• Kriteria Keputusan :
H0 ditolak jika Yi  Yi ' > BNJ

Uji Perbandingan Berganda Duncan atau Duncan Multiple Range Test (DMRT)
• Hipotesis
H0 : μi = μi’
H1 : μi  μi’
• Taraf nyata : 
• Statistik Uji :
KTG
R p  r  p ,db( g )  a
a 1 r
i 1
i

• Kriteria Keputusan :
H0 ditolak jika Yi  Yi ' > Rp

61
Contoh
Suatu penelitian telah dilakukan untuk mengetahui pengaruh persentase kandungan
paracetamol dalam obat penurun panas terhadap waktu yang diperlukan untuk menurunkan
panas dari 39 menjadi 37. Untuk keperluan ini telah dipilih secara acak 25 penderita sakit
panas dengan suhu 39 dari usia yang hampir sama dan tanpa keluhan sakit yang lain.
Keduapuluh lima pasien tersebut dibagi secara acak menjadi 5 kelompok dan masing-masing
kelompok yang terdiri dari 5 orang tersebut diberi obat penurun panas dengan persentase
kandungan paracetamol tertentu. Berikut data tentang waktu (dalam jam) yang diperlukan
oleh para pasien tersebut sampai dengan panas badan mereka turun menjadi 37 .

KADAR PARACETAMOL
40% 50% 60% 75% 90%
7 9 5 3 2
6 7 4 5 3
9 8 8 2 4
4 6 6 3 1
7 9 3 7 4

Lakukan uji lanjut setelah Anava bila hipotesis nol pengaruh perlakuan ditolak? Gunakan
taraf nyata 0,05.

Uji lanjut dengan BNT

• Hipotesis
H0 : μi = μi’
H1 : μi  μi’, i  i’, i = 1, 2, 3, 4, 5
• Taraf nyata :  =0,05
• Statistik Uji :
1 1 
BNT  t KTG  
db( G ) 
2  ri ri ' 
• Kriteria Keputusan : t0,025(20) = 2,086
1 1
BNT  2,086 2,880    2,2389
5 5
H0 ditolak jika Yi  Yi ' > 2,2389
• Hitungan:
Y1  Y2  1,2 Y2  Y4  3,8
Y1  Y3  1,4 Y2  Y5  5
Y1  Y4  2,6  Y3  Y4  1,2
Y1  Y5  3,8 Y3  Y5  2,4 
Y2  Y3  2,6  Y4  Y5  1,2

62
 • Kesimpulan
1=2, 1=3, 3=4, 4=5
14, 15, 25, 23, 24, 35

Uji lanjut dengan BNJ

• Hipotesis
H0 : μi = μi’
H1 : μi  μi’, i  i’, i = 1, 2, 3, 4, 5
• Taraf nyata :  =0,05
• Statistik Uji :
KTG
BNJ  q a ,db( g )  a
a 1 r
i 1
i

• Kriteria Keputusan : q0,05(5,20) = 4,24

2,880
BNJ  4,24  3,2179
5
H0 ditolak jika Yi  Yi ' > 3,2179
• Hitungan:
Y1  Y2  1,2 Y2  Y4  3,8
Y1  Y3  1,4 Y2  Y5  5
Y1  Y4  2,6 Y3  Y4  1,2
Y1  Y5  3,8 Y3  Y5  2,4
Y2  Y3  2,6 Y4  Y5  1,2
• Kesimpulan
1=2=3, 3=4=5, 1=3=4
15, 25, 24

Uji Lanjut dengan DMRT

• Hipotesis
H0 : μi = μi’
H1 : μi  μi’, i  i’, i = 1, 2, 3, 4, 5
• Taraf nyata :  = 0,05

63
 KTG
• Statistik Uji : R p  r  p ,db( g )  a
a 1 r
i 1
i

• Kriteria Keputusan : H0 ditolak jika Yi  Yi ' > Rp

p 2 3 4 5
rp 2,95 3,10 3,18 3,25
Rp 2,24 2,35 2,41 2,47
Hitungan :

Y5 Y4 Y3 Y1 Y2

2,8 4 5,2 6,6 7,8

Y2  Y5  5  2,47 R5 



Y2  Y4  3,8  2,41 R4 



Y1  Y5  3,8  2,41 R4 



Y2  Y3  2,6  2,35 R3 



Y1  Y4  2,6  2,35 R3 



Y3  Y5  2,4  2,35 R3 



Y2  Y1  1,2  2,24 R2 

Y1  Y3  1,4  2,24 R2 
Y3  Y4  1,2  2,24 R2 
Y4  Y5  1,2  2,24 R2 

• Kesimpulan
1=2, 1=3, 3=4, 4=5
14, 15, 25, 23, 24, 35

64
Topik 11 : Asumsi-asumsi dalam Analisis Variansi

Asumsi-asumsi dalam analisis variansi

1. Sampel berasal dari populasi berdistribusi normal

2. Sampel berasal dari populasi yang memiliki variansi sama 2

Uji Kesamaan Variansi (Uji Bartlett, 1937)

Hipotesis
H0 : 𝜎12 = 𝜎22 = ⋯ = 𝜎𝑘2 (Variansi k populasi adalah sama)
H1 : ∃𝜎𝑖2 ≠ 𝜎𝑖′2 , 𝑖 ≠ 𝑖 ′ , 𝑖 = 1, 2, ⋯ , 𝑘 (Variansi k populasi tidak sama)
Taraf nyata: 
Statistik Uji:
𝜈 𝑖 𝑙𝑛 𝜈 𝑖 𝑠𝑖2 / 𝜈 𝑖 − 𝜈 𝑖 𝑙𝑛 𝑠𝑖2
𝐵 = 1+[ 1 𝜈 𝑖 −(1 𝜈𝑖 ) 3 𝑘−1 ]
dengan
𝑛𝑖 2
𝑠𝑖2 = 𝑗 =1 𝑥𝑖𝑗 − 𝑥 𝑛𝑖 − 1
k = banyaknya perlakuan, 𝜈𝑖 = 𝑛𝑖 − 1
Kriteria keputusan:
2
H0 ditolak jika B > 𝜒𝛼(𝑘−1)

Uji Normalitas (Kolmogorov-Smirnov Test)

Hipotesis
H0 : Data mengikuti distribusi normal
H1 : Data tidak mengikuti distribusi normal
Taraf nyata : 
Statistik Uji:

Kriteria keputusan:
H0 ditolak jika p-value < 

65
Contoh
Seorang peneliti ingin membandingkan tiga merk bola golf dengan melihat jarak bola yang
dipukul oleh teknisi. Dalam hal ini, para teknisi memiliki kemampuan bermain golf yang sama.
Berikut data tentang jarak dalam meter untuk ketiga merk bola golf.

Merk A Merk B Merk C

246 243 265
231 246 260
236 243 265
217 235 253
246 235 291

Lakukan cek asumsi-asumsi dalam analisis variansi.

Penyelesaian

Uji Kesamaan Variansi Ketiga Populasi

Hipotesis
H0 : 𝜎𝐴2 = 𝜎𝐵2 = 𝜎𝐶2 (Variansi ketiga populasi adalah sama)
H1 : ∃𝜎𝑖2 ≠ 𝜎𝑖′2 , 𝑖 ≠ 𝑖 ′ , 𝑖 = 𝐴, 𝐵, 𝐶 (Variansi ketiga populasi tidak sama)
Taraf nyata:  = 0,05
Statistik Uji:
𝜈 𝑖 𝑙𝑛 𝜈 𝑖 𝑠𝑖2 /
𝜈 𝑖 − 𝜈 𝑖 𝑙𝑛 𝑠𝑖2
𝐵 = 1+[ 1 𝜈 𝑖 −(1 𝜈 𝑖 ) 3 𝑘−1 ]
2
Kriteria keputusan: k = 3, 𝜒0,05(2) = 5,991
H0 ditolak jika B > 5,991
Hitungan
12𝑙𝑛 126,2328134 −54,26244104
𝐵= 1+ 0,75−0,08333 /6
= 3,415
Kesimpulan
Karena B = 3,415 < 5,991 maka H0 diterima. Jadi dengan taraf nyata 0,05 dapat disimpulkan
bahwa ketiga populasi memiliki variansi yang sama.

Uji Normalitas (Kolmogorov-Smirnov Test)

Hipotesis
H0 : Data mengikuti distribusi normal
H1 : Data tidak mengikuti distribusi normal
Taraf nyata :  = 0,01
Statistik Uji:
𝐷 = 𝑚𝑎𝑥 𝐷+, 𝐷−

66
Kriteria keputusan:
H0 ditolak jika p-value < 0,01
Hitungan:

Merk A Merk B Merk C

Kesimpulan:
a) p-value > 0,150 > 0,01 maka H0 diterima
b) p-value > 0,150 > 0,01 maka H0 diterima
c) p-value = 0,046 > 0,01 maka H0 diterima
Jadi pada taraf nyata 0,01 dapat disimpulkan bahwa masing-masing data sampel mengikuti
distribusi normal.

67
Topik 12 : Analisis Variansi Dua Arah

Analisis variansi dua arah merupakan analisis variansi yang digunakan pada rancangan
faktorial. Pengertian dua arah dalam hal ini berkaitan dengan jumlah faktor yang diteliti ada
dua.

Rancangan Faktorial
• Ciri : perlakuan merupakan kombinasi dari semua kemungkinan kombinasi dari taraf-taraf
dua faktor atau lebih.
• Keuntungan adalah mampu mendeteksi respons dari
1. Taraf masing-masing faktor (pengaruh utama)
2. Interaksi antara dua faktor (pengaruh interaksi)
Bila sudah ada dugaan kuat (ada literatur) bahwa faktor A dan faktor B tidak ada interaksi maka tidak
perlu menggunakan rancangan faktorial.

Asumsi-asumsi dalam rancangan faktorial:

1. Distribusi peubah respons adalah distribusi normal.
2. Variansi antar perlakuan adalah identik.
3. Sampel saling bebas.

Berikut beberapa contoh plot faktor A dengan faktor B.

Bila pengaruh interaksi nyata/signifikan maka

a. uji pada pengaruh utama tidak bermakna
b. pengaruh faktor A dan B tidak saling bebas

Percobaan Dua Faktor dalam Rancangan Acak Lengkap

• Latar Belakang : unit percobaan yang digunakan relatif homogen
• Misal ada dua faktor (A dan B)
Faktor A mempunyai 3 taraf (A1, A2, A3)
Faktor B mempunyai 2 taraf (B1, B2)

68
 Maka kombinasi perlakuan ada 3 × 2 = 6
(A1B1, A1B2, A2B1, A2B2, A3B1, A3B2)
Ulangan ada sebanyak 3
Maka unit percobaan yang diperlukan 3 × 2 × 3 = 18.

Bagan Percobaan dan Cara Pengacakan

1 2 3 4 5 A1B1 6

7 8 9 A1B1 10 11 12

13 14 15 16 17 18 A1B1

Tabulasi Data
Ulangan A1 A2 A3 Total
B1 1 Y111 Y211 Y311
2 Y112 Y212 Y312
3 Y113 Y213 Y313
Total Y11• Y21• Y31• Y•1•
B2 1 Y121 Y221 Y321
2 Y122 Y222 Y322
3 Y123 Y223 Y323
Total Y12• Y22• Y32• Y•2•
Total Y1•• Y2•• Y3•• Y•••

Model Linier Aditif dari Faktorial RAL

Yijk = µ + α i + β j + (αβ )ij + ε ijk
dengan
i = 1, 2, K, a
j = 1, 2, K, b
k = 1, 2,K , r
iid
ε ijk ~ N (0, σ 2 )
Yijk : pengamatan pada faktor A taraf ke-i, faktor B taraf ke-j dan ulangan ke-k
μ : rataan umum
αi : pengaruh utama faktor A taraf ke-i
βj : pengaruh utama faktor B taraf ke-j
(αβ)ij : pengaruh interaksi dari faktor A taraf ke-i dan faktor B taraf ke-j
εijk : pengaruh acak pada faktor A taraf ke-i, faktor B taraf ke-j dan ulangan ke-k

Asumsi untuk model tetap ialah

a b a b

∑ α i = 0, ∑ β j = 0, ∑ (αβ )ij = ∑ (αβ )ij = 0

i =1 j =1 i =1 j =1

69
Asumsi untuk model acak ialah
iid iid iid
α i ~ N (0, σ α2 ), β j ~ N (0, σ β2 ), (αβ )ij ~ N (0, σ αβ
2
)
Model Tetap (Faktor A dan B tetap)

Model Acak (Faktor A dan B acak)

Model Campuran (Faktor A acak dan B tetap)

70
Model Campuran (Faktor A tetap dan B acak)

Hipotesis Model Tetap (Faktor A dan B tetap)

• Hipotesis pengaruh utama faktor A
H 0 : α1 = α 2 = K = α a = 0 (faktor A tidak berpengaruh terhadap respons yang diamati)

H1 : ∃α i ≠ 0 , i = 1, 2,K , a (faktor A berpengaruh terhadap respons yang diamati)

• Hipotesis pengaruh utama faktor B

H 0 : β1 = β 2 = K = β b = 0 (faktor B tidak berpengaruh terhadap respons yang diamati)
H1 : ∃β j ≠ 0 , j = 1, 2, K , b (faktor B berpengaruh terhadap respons yang diamati)

• Hipotesis pengaruh interaksi

(Interaksi faktor A dengan faktor B tidak berpengaruh
H 0 : (αβ )11 = (αβ )12 = K = (αβ )ab = 0 terhadap respons yang diamati)
H1 : ∃(αβ )ij ≠ 0 , i = 1, 2, K, a, j = 1, 2,K, b (Interaksi faktor A dengan faktor B berpengaruh
terhadap respons yang diamati)
Hipotesis Model Acak (Faktor A dan B acak)
• Hipotesis pengaruh utama faktor A
H 0 : σ α2 = 0 (Keragaman faktor A tidak berpengaruh terhadap respons yang diamati)
H1 : σ α2 > 0 (Keragaman faktor A berpengaruh positif terhadap respons yang diamati)
• Hipotesis pengaruh utama faktor B
H 0 : σ β2 = 0 (Keragaman faktor B tidak berpengaruh terhadap respons yang diamati)
H1 : σ β2 > 0 (Keragaman faktor B berpengaruh positif terhadap respons yang diamati)
• Hipotesis pengaruh interaksi
2
H 0 : σ αβ = 0 (Keragaman faktor A dengan faktor B tidak berpengaruh terhadap respons yang diamati)
2
H1 : σ αβ > 0 (Keragaman faktor A dengan faktor B berpengaruh positif terhadap respons yang diamati)

71
Perhitungan Analisis Variansi

b
Y2
FK = ••• ∑Y 2
• j•
abr JKB =
j =1
− FK
a b ar
∑∑ Y
i =1 j =1
2
ij •
a b
JKT = ∑∑∑ Yijk2 − FK
r

JKP = − FK i =1 j =1 k =1
r JKAB = JKP − JKA − JKB
a

∑Y
i =1
2
i ••
JKG = JKT − JKP
JKA = − FK
br

SOAL LATIHAN
1. Suatu penelitian telah dilakukan untuk mengetahui pengaruh jenis pupuk dan varietas padi
terhadap hasil produksi padi. Jenis pupuk yang diteliti adalah P1, P2, P3 dan P4. Dari berbagai
varietas padi yang ada, telah dipilih secara acak 3 diantaranya yaitu V1, V2 dan V3.
Mengingat terbatasnya lahan, ulangan hanya dilakukan sebanyak 3 kali untuk setiap
kombinasi perlakuannya. Percobaan dilakukan di sawah percobaan, dengan kondisi tanah,
pengairan dan penyinaran dapat dianggap relatif homogen, sehingga pengacakan secara
lengkap dapat diterapkan pada petak-petak percobaan. Berikut ini adalah data hasil produksi
padi untuk setiap petak percobaan, yang dicatat dalam kuintal.

Analisislah data tersebut sesuai maksud penelitiannya. Gunakan taraf nyata 0,05. Anggap
asumsi-asumsi dalam Anava terpenuhi

Varietas Padi Total

Jenis Pupuk
V1 V2 V3
64 72 74
P1 66 81 51
70 64 65
Jumlah
65 57 47
P2 63 43 58
58 52 67
Jumlah
59 66 58
P3 68 71 39
65 59 42
Jumlah

72
 58 57 53
P4 41 61 59
46 53 38
Jumlah
Total

Perhatikan berikut !
A : jenis pupuk
B : varietas padi
a = 4, b = 3, r = 3
Sumber Keragaman Derajat Bebas
A a-1 = (a) – (1)
B b-1 = (b) – (1)
AB (a-1)(b-1) = (ab) – (a) – (b) +(1)
Galat ab(r-1) = (abr) – (ab)
Total abr-1 = (abr) – (1)
2 2 2 2
(a ) → a1 +a +a +a
2 3 4
br
2
+ b22 + b32
(b ) → b1
ar
2 2 2 2 2 2 2 2 2 2 2 2
(ab ) → ab11 + ab12 + ab13 + ab21 + ab22 + ab23 + ab31 + ab32 + ab33 + ab41 + ab42 + ab43
r

(abr ) → ∑∑∑
Yijk2
1

Y•2••
(1) →
abr

2. Sebuah percobaan telah dilakukan untuk mengetahui pengaruh diabetes dan berat badan
terhadap tekanan darah diastolik. Berikut data tekanan darah diastolik (dalam mmHg) dari 20
peserta.

Berat badan normal Berat badan berlebih

Tanpa Diabetes 75, 80, 83, 85, 65 85, 80, 90, 95, 88
Diabetes 85, 90, 95, 90, 86 90, 95, 100, 105, 110

Apakah ada pengaruh interaksi antara diabetes dan berat badan terhadap tekanan darah
diastolik? Gunakan taraf nyata 0,05.

73
3. Sebuah penelitian telah dilakukan untuk mengetahui pengaruh televisi dan internet terhadap
hasil prestasi mahasiswa. Berikut data nilai IPK sebagai peubah respons.
Waktu penggunaan internet Waktu menonton televisi
Sedikit Lama
Sedikit 3,9; 4,0; 3,5 2,7; 2,5; 2,8
Lama 3,5; 3,3; 3,0 2,0; 2,4; 2,3
a) Buatlah tabel analisis variansi dua arah.
b) Buatlah gambar pengaruh interaksi televisi dan internet, interpretasikan.

74
TABEL
4
Appendix A

Table A-1
Models with an intercept (from Savin and White)

Durbin-Watson Statistic: 1 Per Cent Significance Points of dL and dU

k’*=1 k’=2 k’=3 k’=4 k’=5 k’=6 k’=7 k’=8 k’=9 k’=10
n dL dU dL dU dL dU dL dU dL dU dL dU dL dU dL dU dL dU dL dU
6 0.390 1.142 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- -----
7 0.435 1.036 0.294 1.676 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- -----
8 0.497 1.003 0.345 1.489 0.229 2.102 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- -----
9 0.554 0.998 0.408 1.389 0.279 1.875 0.183 2.433 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- -----
10 0.604 1.001 0.466 1.333 0.340 1.733 0.230 2.193 0.150 2.690 ----- ----- ----- ----- ----- ----- ----- ----- ----- -----
11 0.653 1.010 0.519 1.297 0.396 1.640 0.286 2.030 0.193 2.453 0.124 2.892 ----- ----- ----- ----- ----- ----- ----- -----
12 0.697 1.023 0.569 1.274 0.449 1.575 0.339 1.913 0.244 2.280 0.164 2.665 0.105 3.053 ----- ----- ----- ----- ----- -----
13 0.738 1.038 0.616 1.261 0.499 1.526 0.391 1.826 0.294 2.150 0.211 2.490 0.140 2.838 0.090 3.182 ----- ----- ----- -----
14 0.776 1.054 0.660 1.254 0.547 1.490 0.441 1.757 0.343 2.049 0.257 2.354 0.183 2.667 0.122 2.981 0.078 3.287 ----- -----
15 0.811 1.070 0.700 1.252 0.591 1.465 0.487 1.705 0.390 1.967 0.303 2.244 0.226 2.530 0.161 2.817 0.107 3.101 0.068 3.374
16 0.844 1.086 0.738 1.253 0.633 1.447 0.532 1.664 0.437 1.901 0.349 2.153 0.269 2.416 0.200 2.681 0.142 2.944 0.094 3.201
17 0.873 1.102 0.773 1.255 0.672 1.432 0.574 1.631 0.481 1.847 0.393 2.078 0.313 2.319 0.241 2.566 0.179 2.811 0.127 3.053
18 0.902 1.118 0.805 1.259 0.708 1.422 0.614 1.604 0.522 1.803 0.435 2.015 0.355 2.238 0.282 2.467 0.216 2.697 0.160 2.925
19 0.928 1.133 0.835 1.264 0.742 1.416 0.650 1.583 0.561 1.767 0.476 1.963 0.396 2.169 0.322 2.381 0.255 2.597 0.196 2.813
20 0.952 1.147 0.862 1.270 0.774 1.410 0.684 1.567 0.598 1.736 0.515 1.918 0.436 2.110 0.362 2.308 0.294 2.510 0.232 2.174
21 0.975 1.161 0.889 1.276 0.803 1.408 0.718 1.554 0.634 1.712 0.552 1.881 0.474 2.059 0.400 2.244 0.331 2.434 0.268 2.625
22 0.997 1.174 0.915 1.284 0.832 1.407 0.748 1.543 0.666 1.691 0.587 1.849 0.510 2.015 0.437 2.188 0.368 2.367 0.304 2.548
23 1.017 1.186 0.938 1.290 0.858 1.407 0.777 1.535 0.699 1.674 0.620 1.821 0.545 1.977 0.473 2.140 0.404 2.308 0.340 2.479
24 1.037 1.199 0.959 1.298 0.881 1.407 0.805 1.527 0.728 1.659 0.652 1.797 0.578 1.944 0.507 2.097 0.439 2.255 0.375 2.417
25 1.055 1.210 0.981 1.305 0.906 1.408 0.832 1.521 0.756 1.645 0.682 1.776 0.610 1.915 0.540 2.059 0.473 2.209 0.409 2.362
26 1.072 1.222 1.000 1.311 0.928 1.410 0.855 1.517 0.782 1.635 0.711 1.759 0.640 1.889 0.572 2.026 0.505 2.168 0.441 2.313
27 1.088 1.232 1.019 1.318 0.948 1.413 0.878 1.514 0.808 1.625 0.738 1.743 0.669 1.867 0.602 1.997 0.536 2.131 0.473 2.269
28 1.104 1.244 1.036 1.325 0.969 1.414 0.901 1.512 0.832 1.618 0.764 1.729 0.696 1.847 0.630 1.970 0.566 2.098 0.504 2.229
29 1.119 1.254 1.053 1.332 0.988 1.418 0.921 1.511 0.855 1.611 0.788 1.718 0.723 1.830 0.658 1.947 0.595 2.068 0.533 2.193
30 1.134 1.264 1.070 1.339 1.006 1.421 0.941 1.510 0.877 1.606 0.812 1.707 0.748 1.814 0.684 1.925 0.622 2.041 0.562 2.160
31 1.147 1.274 1.085 1.345 1.022 1.425 0.960 1.509 0.897 1.601 0.834 1.698 0.772 1.800 0.710 1.906 0.649 2.017 0.589 2.131
32 1.160 1.283 1.100 1.351 1.039 1.428 0.978 1.509 0.917 1.597 0.856 1.690 0.794 1.788 0.734 1.889 0.674 1.995 0.615 2.104
33 1.171 1.291 1.114 1.358 1.055 1.432 0.995 1.510 0.935 1.594 0.876 1.683 0.816 1.776 0.757 1.874 0.698 1.975 0.641 2.080
34 1.184 1.298 1.128 1.364 1.070 1.436 1.012 1.511 0.954 1.591 0.896 1.677 0.837 1.766 0.779 1.860 0.722 1.957 0.665 2.057
35 1.195 1.307 1.141 1.370 1.085 1.439 1.028 1.512 0.971 1.589 0.914 1.671 0.857 1.757 0.800 1.847 0.744 1.940 0.689 2.037
36 1.205 1.315 1.153 1.376 1.098 1.442 1.043 1.513 0.987 1.587 0.932 1.666 0.877 1.749 0.821 1.836 0.766 1.925 0.711 2.018
37 1.217 1.322 1.164 1.383 1.112 1.446 1.058 1.514 1.004 1.585 0.950 1.662 0.895 1.742 0.841 1.825 0.787 1.911 0.733 2.001
38 1.227 1.330 1.176 1.388 1.124 1.449 1.072 1.515 1.019 1.584 0.966 1.658 0.913 1.735 0.860 1.816 0.807 1.899 0.754 1.985
39 1.237 1.337 1.187 1.392 1.137 1.452 1.085 1.517 1.033 1.583 0.982 1.655 0.930 1.729 0.878 1.807 0.826 1.887 0.774 1.970
40 1.246 1.344 1.197 1.398 1.149 1.456 1.098 1.518 1.047 1.583 0.997 1.652 0.946 1.724 0.895 1.799 0.844 1.876 0.749 1.956
45 1.288 1.376 1.245 1.424 1.201 1.474 1.156 1.528 1.111 1.583 1.065 1.643 1.019 1.704 0.974 1.768 0.927 1.834 0.881 1.902
50 1.324 1.403 1.285 1.445 1.245 1.491 1.206 1.537 1.164 1.587 1.123 1.639 1.081 1.692 1.039 1.748 0.997 1.805 0.955 1.864
55 1.356 1.428 1.320 1.466 1.284 1.505 1.246 1.548 1.209 1.592 1.172 1.638 1.134 1.685 1.095 1.734 1.057 1.785 1.018 1.837
60 1.382 1.449 1.351 1.484 1.317 1.520 1.283 1.559 1.248 1.598 1.214 1.639 1.179 1.682 1.144 1.726 1.108 1.771 1.072 1.817
65 1.407 1.467 1.377 1.500 1.346 1.534 1.314 1.568 1.283 1.604 1.251 1.642 1.218 1.680 1.186 1.720 1.153 1.761 1.120 1.802
70 1.429 1.485 1.400 1.514 1.372 1.546 1.343 1.577 1.313 1.611 1.283 1.645 1.253 1.680 1.223 1.716 1.192 1.754 1.162 1.792
75 1.448 1.501 1.422 1.529 1.395 1.557 1.368 1.586 1.340 1.617 1.313 1.649 1.284 1.682 1.256 1.714 1.227 1.748 1.199 1.783
80 1.465 1.514 1.440 1.541 1.416 1.568 1.390 1.595 1.364 1.624 1.338 1.653 1.312 1.683 1.285 1.714 1.259 1.745 1.232 1.777
85 1.481 1.529 1.458 1.553 1.434 1.577 1.411 1.603 1.386 1.630 1.362 1.657 1.337 1.685 1.312 1.714 1.287 1.743 1.262 1.773
90 1.496 1.541 1.474 1.563 1.452 1.587 1.429 1.611 1.406 1.636 1.383 1.661 1.360 1.687 1.336 1.714 1.312 1.741 1.288 1.769
95 1.510 1.552 1.489 1.573 1.468 1.596 1.446 1.618 1.425 1.641 1.403 1.666 1.381 1.690 1.358 1.715 1.336 1.741 1.313 1.767
100 1.522 1.562 1.502 1.582 1.482 1.604 1.461 1.625 1.441 1.647 1.421 1.670 1.400 1.693 1.378 1.717 1.357 1.741 1.335 1.765
150 1.611 1.637 1.598 1.651 1.584 1.665 1.571 1.679 1.557 1.693 1.543 1.708 1.530 1.722 1.515 1.737 1.501 1.752 1.486 1.767
200 1.664 1.684 1.653 1.693 1.643 1.704 1.633 1.715 1.623 1.725 1.613 1.735 1.603 1.746 1.592 1.757 1.582 1.768 1.571 1.779

*k’ is the number of regressors excluding the intercept

 5
Durbin-Watson Significance Tables

k’*=11 k’=12 k’=13 k’=14 k’=15 k’=16 k’=17 k’=18 k’=19 k’=20
n dL dU dL dU dL dU dL dU dL dU dL dU dL dU dL dU dL dU dL dU
16 0.060 3.446 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- -----
17 0.084 3.286 0.053 3.506 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- -----
18 0.113 3.146 0.075 3.358 0.047 3.557 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- -----
19 0.145 3.023 0.102 3.227 0.067 3.420 0.043 3.601 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- -----
20 0.178 2.914 0.131 3.109 0.092 3.297 0.061 3.474 0.038 3.639 ----- ----- ----- ----- ----- ----- ----- ----- ----- -----
21 0.212 2.817 0.162 3.004 0.119 3.185 0.084 3.358 0.055 3.521 0.035 3.671 ----- ----- ----- ----- ----- ----- ----- -----
22 0.246 2.729 0.194 2.909 0.148 3.084 0.109 3.252 0.077 3.412 0.050 3.562 0.032 3.700 ----- ----- ----- ----- ----- -----
23 0.281 2.651 0.227 2.822 0.178 2.991 0.136 3.155 0.100 3.311 0.070 3.459 0.046 3.597 0.029 3.725 ----- ----- ----- -----
24 0.315 2.580 0.260 2.744 0.209 2.906 0.165 3.065 0.125 3.218 0.092 3.363 0.065 3.501 0.043 3.629 0.027 3.747 ----- -----
25 0.348 2.517 0.292 2.674 0.240 2.829 0.194 2.982 0.152 3.131 0.116 3.274 0.085 3.410 0.060 3.538 0.039 3.657 0.025 3.766
26 0.381 2.460 0.324 2.610 0.272 2.758 0.224 2.906 0.180 3.050 0.141 3.191 0.107 3.325 0.079 3.452 0.055 3.572 0.036 3.682
27 0.413 2.409 0.356 2.552 0.303 2.694 0.253 2.836 0.208 2.976 0.167 3.113 0.131 3.245 0.100 3.371 0.073 3.490 0.051 3.602
28 0.444 2.363 0.387 2.499 0.333 2.635 0.283 2.772 0.237 2.907 0.194 3.040 0.156 3.169 0.122 3.294 0.093 3.412 0.068 3.524
29 0.474 2.321 0.417 2.451 0.363 2.582 0.313 2.713 0.266 2.843 0.222 2.972 0.182 3.098 0.146 3.220 0.114 3.338 0.087 3.450
30 0.503 2.283 0.447 2.407 0.393 2.533 0.342 2.659 0.294 2.785 0.249 2.909 0.208 3.032 0.171 3.152 0.137 3.267 0.107 3.379
31 0.531 2.248 0.475 2.367 0.422 2.487 0.371 2.609 0.322 2.730 0.277 2.851 0.234 2.970 0.193 3.087 0.160 3.201 0.128 3.311
32 0.558 2.216 0.503 2.330 0.450 2.446 0.399 2.563 0.350 2.680 0.304 2.797 0.261 2.912 0.221 3.026 0.184 3.137 0.151 3.246
33 0.585 2.187 0.530 2.296 0.477 2.408 0.426 2.520 0.377 2.633 0.331 2.746 0.287 2.858 0.246 2.969 0.209 3.078 0.174 3.184
34 0.610 2.160 0.556 2.266 0.503 2.373 0.452 2.481 0.404 2.590 0.357 2.699 0.313 2.808 0.272 2.915 0.233 3.022 0.197 3.126
35 0.634 2.136 0.581 2.237 0.529 2.340 0.478 2.444 0.430 2.550 0.383 2.655 0.339 2.761 0.297 2.865 0.257 2.969 0.221 3.071
36 0.658 2.113 0.605 2.210 0.554 2.310 0.504 2.410 0.455 2.512 0.409 2.614 0.364 2.717 0.322 2.818 0.282 2.919 0.244 3.019
37 0.680 2.092 0.628 2.186 0.578 2.282 0.528 2.379 0.480 2.477 0.434 2.576 0.389 2.675 0.347 2.774 0.306 2.872 0.268 2.969
38 0.702 2.073 0.651 2.164 0.601 2.256 0.552 2.350 0.504 2.445 0.458 2.540 0.414 2.637 0.371 2.733 0.330 2.828 0.291 2.923
39 0.723 2.055 0.673 2.143 0.623 2.232 0.575 2.323 0.528 2.414 0.482 2.507 0.438 2.600 0.395 2.694 0.354 2.787 0.315 2.879
40 0.744 2.039 0.694 2.123 0.645 2.210 0.597 2.297 0.551 2.386 0.505 2.476 0.461 2.566 0.418 2.657 0.377 2.748 0.338 2.838
45 0.835 1.972 0.790 2.044 0.744 2.118 0.700 2.193 0.655 2.269 0.612 2.346 0.570 2.424 0.528 2.503 0.488 2.582 0.448 2.661
50 0.913 1.925 0.871 1.987 0.829 2.051 0.787 2.116 0.746 2.182 0.705 2.250 0.665 2.318 0.625 2.387 0.586 2.456 0.548 2.526
55 0.979 1.891 0.940 1.945 0.902 2.002 0.863 2.059 0.825 2.117 0.786 2.176 0.748 2.237 0.711 2.298 0.674 2.359 0.637 2.421
60 1.037 1.865 1.001 1.914 0.965 1.964 0.929 2.015 0.893 2.067 0.857 2.120 0.822 2.173 0.786 2.227 0.751 2.283 0.716 2.338
65 1.087 1.845 1.053 1.889 1.020 1.934 0.986 1.980 0.953 2.027 0.919 2.075 0.886 2.123 0.852 2.172 0.819 2.221 0.789 2.272
70 1.131 1.831 1.099 1.870 1.068 1.911 1.037 1.953 1.005 1.995 0.974 2.038 0.943 2.082 0.911 2.127 0.880 2.172 0.849 2.217
75 1.170 1.819 1.141 1.856 1.111 1.893 1.082 1.931 1.052 1.970 1.023 2.009 0.993 2.049 0.964 2.090 0.934 2.131 0.905 2.172
80 1.205 1.810 1.177 1.844 1.150 1.878 1.122 1.913 1.094 1.949 1.066 1.984 1.039 2.022 1.011 2.059 0.983 2.097 0.955 2.135
85 1.236 1.803 1.210 1.834 1.184 1.866 1.158 1.898 1.132 1.931 1.106 1.965 1.080 1.999 1.053 2.033 1.027 2.068 1.000 2.104
90 1.264 1.798 1.240 1.827 1.215 1.856 1.191 1.886 1.166 1.917 1.141 1.948 1.116 1.979 1.091 2.012 1.066 2.044 1.041 2.077
95 1.290 1.793 1.267 1.821 1.244 1.848 1.221 1.876 1.197 1.905 1.174 1.943 1.150 1.963 1.126 1.993 1.102 2.023 1.079 2.054
100 1.314 1.790 1.292 1.816 1.270 1.841 1.248 1.868 1.225 1.895 1.203 1.922 1.181 1.949 1.158 1.977 1.136 2.006 1.113 2.034
150 1.473 1.783 1.458 1.799 1.444 1.814 1.429 1.830 1.414 1.847 1.400 1.863 1.385 1.880 1.370 1.897 1.355 1.913 1.340 1.931
200 1.561 1.791 1.550 1.801 1.539 1.813 1.528 1.824 1.518 1.836 1.507 1.847 1.495 1.860 1.484 1.871 1.474 1.883 1.462 1.896
*k’ is the number of regressors excluding the intercept
6
Appendix A

Table A-2
Models with an intercept (from Savin and White)

Durbin-Watson Statistic: 5 Per Cent Significance Points of dL and dU

k’*=1 k’=2 k’=3 k’=4 k’=5 k’=6 k’=7 k’=8 k’=9 k’=10
n dL dU dL dU dL dU dL dU dL dU dL dU dL dU dL dU dL dU dL dU
6 0.610 1.400 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- -----
7 0.700 1.356 0.467 1.896 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- -----
8 0.763 1.332 0.559 1.777 0.367 2.287 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- -----
9 0.824 1.320 0.629 1.699 0.455 2.128 0.296 2.588 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- -----
10 0.879 1.320 0.697 1.641 0.525 2.016 0.376 2.414 0.243 2.822 ----- ----- ----- ----- ----- ----- ----- ----- ----- -----
11 0.927 1.324 0.758 1.604 0.595 1.928 0.444 2.283 0.315 2.645 0.203 3.004 ----- ----- ----- ----- ----- ----- ----- -----
12 0.971 1.331 0.812 1.579 0.658 1.864 0.512 2.177 0.380 2.506 0.268 2.832 0.171 3.149 ----- ----- ----- ----- ----- -----
13 1.010 1.340 0.861 1.562 0.715 1.816 0.574 2.094 0.444 2.390 0.328 2.692 0.230 2.985 0.147 3.266 ----- ----- ----- -----
14 1.045 1.350 0.905 1.551 0.767 1.779 0.632 2.030 0.505 2.296 0.389 2.572 0.286 2.848 0.200 3.111 0.127 3.360 ----- -----
15 1.077 1.361 0.946 1.543 0.814 1.750 0.685 1.977 0.562 2.220 0.447 2.471 0.343 2.727 0.251 2.979 0.175 3.216 0.111 3.438
16 1.106 1.371 0.982 1.539 0.857 1.728 0.734 1.935 0.615 2.157 0.502 2.388 0.398 2.624 0.304 2.860 0.222 3.090 0.155 3.304
17 1.133 1.381 1.015 1.536 0.897 1.710 0.779 1.900 0.664 2.104 0.554 2.318 0.451 2.537 0.356 2.757 0.272 2.975 0.198 3.184
18 1.158 1.391 1.046 1.535 0.933 1.696 0.820 1.872 0.710 2.060 0.603 2.258 0.502 2.461 0.407 2.668 0.321 2.873 0.244 3.073
19 1.180 1.401 1.074 1.536 0.967 1.685 0.859 1.848 0.752 2.023 0.649 2.206 0.549 2.396 0.456 2.589 0.369 2.783 0.290 2.974
20 1.201 1.411 1.100 1.537 0.998 1.676 0.894 1.828 0.792 1.991 0.691 2.162 0.595 2.339 0.502 2.521 0.416 2.704 0.336 2.885
21 1.221 1.420 1.125 1.538 1.026 1.669 0.927 1.812 0.829 1.964 0.731 2.124 0.637 2.290 0.546 2.461 0.461 2.633 0.380 2.806
22 1.239 1.429 1.147 1.541 1.053 1.664 0.958 1.797 0.863 1.940 0.769 2.090 0.677 2.246 0.588 2.407 0.504 2.571 0.424 2.735
23 1.257 1.437 1.168 1.543 1.078 1.660 0.986 1.785 0.895 1.920 0.804 2.061 0.715 2.208 0.628 2.360 0.545 2.514 0.465 2.670
24 1.273 1.446 1.188 1.546 1.101 1.656 1.013 1.775 0.925 1.902 0.837 2.035 0.750 2.174 0.666 2.318 0.584 2.464 0.506 2.613
25 1.288 1.454 1.206 1.550 1.123 1.654 1.038 1.767 0.953 1.886 0.868 2.013 0.784 2.144 0.702 2.280 0.621 2.419 0.544 2.560
26 1.302 1.461 1.224 1.553 1.143 1.652 1.062 1.759 0.979 1.873 0.897 1.992 0.816 2.117 0.735 2.246 0.657 2.379 0.581 2.513
27 1.316 1.469 1.240 1.556 1.162 1.651 1.084 1.753 1.004 1.861 0.925 1.974 0.845 2.093 0.767 2.216 0.691 2.342 0.616 2.470
28 1.328 1.476 1.255 1.560 1.181 1.650 1.104 1.747 1.028 1.850 0.951 1.959 0.874 2.071 0.798 2.188 0.723 2.309 0.649 2.431
29 1.341 1.483 1.270 1.563 1.198 1.650 1.124 1.743 1.050 1.841 0.975 1.944 0.900 2.052 0.826 2.164 0.753 2.278 0.681 2.396
30 1.352 1.489 1.284 1.567 1.214 1.650 1.143 1.739 1.071 1.833 0.998 1.931 0.926 2.034 0.854 2.141 0.782 2.251 0.712 2.363
31 1.363 1.496 1.297 1.570 1.229 1.650 1.160 1.735 1.090 1.825 1.020 1.920 0.950 2.018 0.879 2.120 0.810 2.226 0.741 2.333
32 1.373 1.502 1.309 1.574 1.244 1.650 1.177 1.732 1.109 1.819 1.041 1.909 0.972 2.004 0.904 2.102 0.836 2.203 0.769 2.306
33 1.383 1.508 1.321 1.577 1.258 1.651 1.193 1.730 1.127 1.813 1.061 1.900 0.994 1.991 0.927 2.085 0.861 2.181 0.796 2.281
34 1.393 1.514 1.333 1.580 1.271 1.652 1.208 1.728 1.144 1.808 1.079 1.891 1.015 1.978 0.950 2.069 0.885 2.162 0.821 2.257
35 1.402 1.519 1.343 1.584 1.283 1.653 1.222 1.726 1.160 1.803 1.097 1.884 1.034 1.967 0.971 2.054 0.908 2.144 0.845 2.236
36 1.411 1.525 1.354 1.587 1.295 1.654 1.236 1.724 1.175 1.799 1.114 1.876 1.053 1.957 0.991 2.041 0.930 2.127 0.868 2.216
37 1.419 1.530 1.364 1.590 1.307 1.655 1.249 1.723 1.190 1.795 1.131 1.870 1.071 1.948 1.011 2.029 0.951 2.112 0.891 2.197
38 1.427 1.535 1.373 1.594 1.318 1.656 1.261 1.722 1.204 1.792 1.146 1.864 1.088 1.939 1.029 2.017 0.970 2.098 0.912 2.180
39 1.435 1.540 1.382 1.597 1.328 1.658 1.273 1.722 1.218 1.789 1.161 1.859 1.104 1.932 1.047 2.007 0.990 2.085 0.932 2.164
40 1.442 1.544 1.391 1.600 1.338 1.659 1.285 1.721 1.230 1.786 1.175 1.854 1.120 1.924 1.064 1.997 1.008 2.072 0.952 2.149
45 1.475 1.566 1.430 1.615 1.383 1.666 1.336 1.720 1.287 1.776 1.238 1.835 1.189 1.895 1.139 1.958 1.089 2.022 1.038 2.088
50 1.503 1.585 1.462 1.628 1.421 1.674 1.378 1.721 1.335 1.771 1.291 1.822 1.246 1.875 1.201 1.930 1.156 1.986 1.110 2.044
55 1.528 1.601 1.490 1.641 1.452 1.681 1.414 1.724 1.374 1.768 1.334 1.814 1.294 1.861 1.253 1.909 1.212 1.959 1.170 2.010
60 1.549 1.616 1.514 1.652 1.480 1.689 1.444 1.727 1.408 1.767 1.372 1.808 1.335 1.850 1.298 1.894 1.260 1.939 1.222 1.984
65 1.567 1.629 1.536 1.662 1.503 1.696 1.471 1.731 1.438 1.767 1.404 1.805 1.370 1.843 1.336 1.882 1.301 1.923 1.266 1.964
70 1.583 1.641 1.554 1.672 1.525 1.703 1.494 1.735 1.464 1.768 1.433 1.802 1.401 1.838 1.369 1.874 1.337 1.910 1.305 1.948
75 1.598 1.652 1.571 1.680 1.543 1.709 1.515 1.739 1.487 1.770 1.458 1.801 1.428 1.834 1.399 1.867 1.369 1.901 1.339 1.935
80 1.611 1.662 1.586 1.688 1.560 1.715 1.534 1.743 1.507 1.772 1.480 1.801 1.453 1.831 1.425 1.861 1.397 1.893 1.369 1.925
85 1.624 1.671 1.600 1.696 1.575 1.721 1.550 1.747 1.525 1.774 1.500 1.801 1.474 1.829 1.448 1.857 1.422 1.886 1.396 1.916
90 1.635 1.679 1.612 1.703 1.589 1.726 1.566 1.751 1.542 1.776 1.518 1.801 1.494 1.827 1.469 1.854 1.445 1.881 1.420 1.909
95 1.645 1.687 1.623 1.709 1.602 1.732 1.579 1.755 1.557 1.778 1.535 1.802 1.512 1.827 1.489 1.852 1.465 1.877 1.442 1.903
100 1.654 1.694 1.634 1.715 1.613 1.736 1.592 1.758 1.571 1.780 1.550 1.803 1.528 1.826 1.506 1.850 1.484 1.874 1.462 1.898
150 1.720 1.747 1.706 1.760 1.693 1.774 1.679 1.788 1.665 1.802 1.651 1.817 1.637 1.832 1.622 1.846 1.608 1.862 1.593 1.877
200 1.758 1.779 1.748 1.789 1.738 1.799 1.728 1.809 1.718 1.820 1.707 1.831 1.697 1.841 1.686 1.852 1.675 1.863 1.665 1.874

*k’ is the number of regressors excluding the intercept

 7
Durbin-Watson Significance Tables

k’*=11 k’=12 k’=13 k’=14 k’=15 k’=16 k’=17 k’=18 k’=19 k’=20
n dL dU dL dU dL dU dL dU dL dU dL dU dL dU dL dU dL dU dL dU
16 0.098 3.503 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- -----
17 0.138 3.378 0.087 3.557 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- -----
18 0.177 3.265 0.123 3.441 0.078 3.603 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- -----
19 0.220 3.159 0.160 3.335 0.111 3.496 0.070 3.642 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- -----
20 0.263 3.063 0.200 3.234 0.145 3.395 0.100 3.542 0.063 3.676 ----- ----- ----- ----- ----- ----- ----- ----- ----- -----
21 0.307 2.976 0.240 3.141 0.182 3.300 0.132 3.448 0.091 3.583 0.058 3.705 ----- ----- ----- ----- ----- ----- ----- -----
22 0.349 2.897 0.281 3.057 0.220 3.211 0.166 3.358 0.120 3.495 0.083 3.619 0.052 3.731 ----- ----- ----- ----- ----- -----
23 0.391 2.826 0.322 2.979 0.259 3.128 0.202 3.272 0.153 3.409 0.110 3.535 0.076 3.650 0.048 3.753 ----- ----- ----- -----
24 0.431 2.761 0.362 2.908 0.297 3.053 0.239 3.193 0.186 3.327 0.141 3.454 0.101 3.572 0.070 3.678 0.044 3.773 ----- -----
25 0.470 2.702 0.400 2.844 0.335 2.983 0.275 3.119 0.221 3.251 0.172 3.376 0.130 3.494 0.094 3.604 0.065 3.702 0.041 3.790
26 0.508 2.649 0.438 2.784 0.373 2.919 0.312 3.051 0.256 3.179 0.205 3.303 0.160 3.420 0.120 3.531 0.087 3.632 0.060 3.724
27 0.544 2.600 0.475 2.730 0.409 2.859 0.348 2.987 0.291 3.112 0.238 3.233 0.191 3.349 0.149 3.460 0.112 3.563 0.081 3.658
28 0.578 2.555 0.510 2.680 0.445 2.805 0.383 2.928 0.325 3.050 0.271 3.168 0.222 3.283 0.178 3.392 0.138 3.495 0.104 3.592
29 0.612 2.515 0.544 2.634 0.479 2.755 0.418 2.874 0.359 2.992 0.305 3.107 0.254 3.219 0.208 3.327 0.166 3.431 0.129 3.528
30 0.643 2.477 0.577 2.592 0.512 2.708 0.451 2.823 0.392 2.937 0.337 3.050 0.286 3.160 0.238 3.266 0.195 3.368 0.156 3.465
31 0.674 2.443 0.608 2.553 0.545 2.665 0.484 2.776 0.425 2.887 0.370 2.996 0.317 3.103 0.269 3.208 0.224 3.309 0.183 3.406
32 0.703 2.411 0.638 2.517 0.576 2.625 0.515 2.733 0.457 2.840 0.401 2.946 0.349 3.050 0.299 3.153 0.253 3.252 0.211 3.348
33 0.731 2.382 0.668 2.484 0.606 2.588 0.546 2.692 0.488 2.796 0.432 2.899 0.379 3.000 0.329 3.100 0.283 3.198 0.239 3.293
34 0.758 2.355 0.695 2.454 0.634 2.554 0.575 2.654 0.518 2.754 0.462 2.854 0.409 2.954 0.359 3.051 0.312 3.147 0.267 3.240
35 0.783 2.330 0.722 2.425 0.662 2.521 0.604 2.619 0.547 2.716 0.492 2.813 0.439 2.910 0.388 3.005 0.340 3.099 0.295 3.190
36 0.808 2.306 0.748 2.398 0.689 2.492 0.631 2.586 0.575 2.680 0.520 2.774 0.467 2.868 0.417 2.961 0.369 3.053 0.323 3.142
37 0.831 2.285 0.772 2.374 0.714 2.464 0.657 2.555 0.602 2.646 0.548 2.738 0.495 2.829 0.445 2.920 0.397 3.009 0.351 3.097
38 0.854 2.265 0.796 2.351 0.739 2.438 0.683 2.526 0.628 2.614 0.575 2.703 0.522 2.792 0.472 2.880 0.424 2.968 0.378 3.054
39 0.875 2.246 0.819 2.329 0.763 2.413 0.707 2.499 0.653 2.585 0.600 2.671 0.549 2.757 0.499 2.843 0.451 2.929 0.404 3.013
40 0.896 2.228 0.840 2.309 0.785 2.391 0.731 2.473 0.678 2.557 0.626 2.641 0.575 2.724 0.525 2.808 0.477 2.829 0.430 2.974
45 0.988 2.156 0.938 2.225 0.887 2.296 0.838 2.367 0.788 2.439 0.740 2.512 0.692 2.586 0.644 2.659 0.598 2.733 0.553 2.807
50 1.064 2.103 1.019 2.163 0.973 2.225 0.927 2.287 0.882 2.350 0.836 2.414 0.792 2.479 0.747 2.544 0.703 2.610 0.660 2.675
55 1.129 2.062 1.087 2.116 1.045 2.170 1.003 2.225 0.961 2.281 0.919 2.338 0.877 2.396 0.836 2.454 0.795 2.512 0.754 2.571
60 1.184 2.031 1.145 2.079 1.106 2.127 1.068 2.177 1.029 2.227 0.990 2.278 0.951 2.330 0.913 2.382 0.874 2.434 0.836 2.487
65 1.231 2.006 1.195 2.049 1.160 2.093 1.124 2.138 1.088 2.183 1.052 2.229 1.016 2.276 0.980 2.323 0.944 2.371 0.908 2.419
70 1.272 1.987 1.239 2.026 1.206 2.066 1.172 2.106 1.139 2.148 1.105 2.189 1.072 2.232 1.038 2.275 1.005 2.318 0.971 2.362
75 1.308 1.970 1.277 2.006 1.247 2.043 1.215 2.080 1.184 2.118 1.153 2.156 1.121 2.195 1.090 2.235 1.058 2.275 1.027 2.315
80 1.340 1.957 1.311 1.991 1.283 2.024 1.253 2.059 1.224 2.093 1.195 2.129 1.165 2.165 1.136 2.201 1.106 2.238 1.076 2.275
85 1.369 1.946 1.342 1.977 1.315 2.009 1.287 2.040 1.260 2.073 1.232 2.105 1.205 2.139 1.177 2.172 1.149 2.206 1.121 2.241
90 1.395 1.937 1.369 1.966 1.344 1.995 1.318 2.025 1.292 2.055 1.266 2.085 1.240 2.116 1.213 2.148 1.187 2.179 1.160 2.211
95 1.418 1.930 1.394 1.956 1.370 1.984 1.345 2.012 1.321 2.040 1.296 2.068 1.271 2.097 1.247 2.126 1.222 2.156 1.197 2.186
100 1.439 1.923 1.416 1.948 1.393 1.974 1.371 2.000 1.347 2.026 1.324 2.053 1.301 2.080 1.277 2.108 1.253 2.135 1.229 2.164
150 1.579 1.892 1.564 1.908 1.550 1.924 1.535 1.940 1.519 1.956 1.504 1.972 1.489 1.989 1.474 2.006 1.458 2.023 1.443 2.040
200 1.654 1.885 1.643 1.896 1.632 1.908 1.621 1.919 1.610 1.931 1.599 1.943 1.588 1.955 1.576 1.967 1.565 1.979 1.554 1.991
*K’ is the number of regressors excluding the intercept