REGRESI LINEAR MODUL

SEDERHANA
1
Dra. Sri Pangesti, S.U.

 PENDAHULUAN


A
nalisis regresi merupakan analisis statistik yang mempelajari hubungan antara
dua variabel atau lebih. Dalam analisis regresi linear diasumsikan berlakunya
bentuk hubungan linear dalam parameter. Modul regresi linear yang paling
sederhana adalah regresi linear dengan satu variabel bebas (independent variable).
Pokok bahasan dalam modul ini terdiri atas dua kegiatan belajar, pertama, tentang
regresi linear dengan satu variabel bebas dan kedua, tentang inferensi dalam analisis
regresi.
Pada Kegiatan Belajar 1, Anda akan mempelajari penaksiran (estimasi) fungsi regresi
dan variansi suku sesatan  2  dengan distribusi suku sesatan belum ditentukan
(diasumsikan). Pada Kegiatan Belajar 2, Anda akan mempelajari inferensi pada model
regresi dengan suku sesatan berdistribusi normal.
Setelah mempelajari modul ini, secara umum Anda diharapkan dapat memahami
dasar-dasar pemikiran dalam analisis regresi dan dapat melakukan inferensi model regresi
linear sederhana secara tepat.
Secara khusus, Anda diharapkan dapat:
1. menentukan penaksir parameter model regresi dengan metode kuadrat terkecil,
2. menentukan penaksir parameter model regresi dengan metode maksimum likelihood,
3. menentukan selang kepercayaan untuk parameter model regresi,
4. menghitung koefisien korelasi dan determinasi,
5. melakukan analisis regresi dengan pendekatan analisis variansi.

1.1
 Kegiatan Belajar 1

Regresi Linear dengan

Satu Variabel Bebas

A
nalisis regresi adalah analisis statistik yang mempelajari hubungan antara dua
atau lebih variabel kuantitatif sehingga satu variabel dapat diramalkan
(predicted) dari variabel lainnya.
Hubungan antara dua variabel dapat dibedakan menjadi dua, yaitu hubungan
fungsional dan hubungan statistik. Hubungan fungsional antara dua variabel dapat
dinyatakan secara matematis; jika X variabel bebas (indenpendent variable) dan Y
variabel tak bebas (dependent variable), hubungan fungsional ditulis dalam bentuk

Y  f X

Jika diketahui nilai X tertentu, fungsi f akan memberikan nilai Y yang bersesuaian.

Contoh 1.1
Misalkan Y = total nilai penjualan suatu produk (dalam ribuan rupiah) dan X =
jumlah unit produk yang terjual. Jika harga jual Rp 5.000,00 per unit produk maka
hubungan antara Y dan X dapat dinyatakan dalam Gambar 1.1.

150

Y=5X
100

50

X
10 20

Gambar 1.1.

1.2
 SATS4312/MODUL 1

Hubungan statistik antara dua variabel tidak sempurna. Pada umumnya pada
hubungan statistik, pengamatan tidak tepat jatuh pada kurve hubungan.

Contoh 1.2
Jika hubungan antara X yang menyatakan usia (dalam tahun) dan Y yang menyatakan
tingkat steroid dinyatakan dalam Gambar 1.2.

30
25
20
15
10
5
X
0 10 15 20 25

Gambar 1.2.

Model regresi secara formal menyatakan dua hal tentang hubungan statistik, yaitu:
kecenderungan variabel tak bebas Y  berubah-ubah terhadap variabel bebas  X  dalam
bentuk yang sistematik dan tersebarnya titik-titik di sekitar kurve hubungan statistik.
Kedua hal tersebut dinyatakan dalam suatu model regresi yaitu: untuk setiap nilai X
terdapat distribusi probabilitas dari Y dan mean dari distribusi probabilitas Y berubah-
ubah secara sistematik terhadap perubahan nilai X .

Model Regresi Linear Sederhana

Model regresi dengan satu variabel bebas X dapat ditulis dalam bentuk

Yi   0  1 X i   i , i  1, 2, n

dengan
Yi : nilai variabel tak bebas dalam trial ke-i,
 0 , 1 : parameter,
Xi : konstanta yang diketahui nilainya, yakni nilai variabel bebas
dalam trial ke-i,
i : suku sesatan random dengan E  i   0 ,   i ,  j    2 ,  i dan
 j tidak berkorelasi, kovariansi   i ,  j   0 untuk semua
i, j, i  j

1.3
Model Linear Terapan

Sifat-sifat dari Model Regresi

1. Yi merupakan jumlah dari dua komponen, yaitu suku konstan  0  1 X i dan suku
random  i .
2. Karena E  i   0 maka E Yi   E  0  1 X i  i   0  1 X i . Hal ini berarti
distribusi dari Yi pada tingkat X dalam trial ke-i mempunyai mean
E Yi   0  1 X i
3. Nilai pengamatan Y pada trial ke-i jatuh pada jarak  i dari nilai fungsi regresinya
 E Y  atau Y  E Y    .
i i i i

4. Suku sesatan   i  diasumsikan mempunyai variansi konstan  2  . Oleh karena itu,

 2 Yi    2 .
5. Suku sesatan diasumsikan tidak berkorelasi. Karena  i dan  j tidak berkorelasi untuk
i  j , maka Yi dan Y j tidak berkorelasi.

Contoh 1.3
Diketahui model regresi Yi  9,5  2,1 X   i . Misalkan dalam trial ke-i diperoleh
nilai-nilai X i  45 , Yi  108 , dan suku sesatan  i  4 maka E Yi   9,5  2,1 45  104
dan Yi  104  4  108 . Visual model regresi tersebut dapat dilihat pada Gambar 1.3
berikut.
Y

Yi  108

i  4

E (Yi )  104

E (Yi )  9,5  2,1 X i

0 25 45 X

Gambar 1.3.

Model regresi linear sederhana Yi   0  1 X i   i dapat ditulis dalam bentuk lain

Yi   0 X 0  1 X i   i dengan X 0  1 . Model ini dapat kita ubah menjadi:

Yi   0  1  X i  X   1 X  
   0  1 X   1  X i  X   
  0*  1  X i  X    i

Jadi model regresi alternatif Yi  0*  1  X i  X    i dengan  0*   0  1 X

1.4
 SATS4312/MODUL 1

Penaksiran Fungsi Regresi

Untuk mendapatkan penaksir yang baik bagi parameter regresi  0 dan 1  dapat
digunakan metode kuadrat terkecil. Untuk setiap pasangan pengamatan
 Xi , Yi  , i  1, 2, n pandang nilai simpangan Yi terhadap E Yi  , yaitu:

Yi  E Yi   Yi   0  0 X i 

Jumlah kuadrat dari n simpangan ini ditulis dengan notasi Q, yakni

n
Q  Y    1 X i 
2
i 0
i 1

Penaksir b0 dan b1 diperoleh dengan meminimumkan Q, yaitu dengan

mendeferensialkan Q terhadap  0 dan 1 .

Q
n

 0 i 1

 2 Yi   0  1 X i 

Q
n

1 i 1

 2 X i Yi   0  1 X i 

Selanjutnya masing-masing persamaan kita samakan dengan nol serta mengganti  0

dengan b0 dan 1 dengan b1 .

n n

Y  nb  b  X
i 1
i 0 1
i 1
i 0

n n n

i 1
X iYi  b0 
i 1
X i  b1 X i 1
i
2
0

Kedua persamaan ini kita sebut sebagai persamaan normal. Penyelesaian persamaan
normal untuk b1 dan b0 adalah

n n

n  Y Xi i n

XY  i i
i 1
n
i 1
  X  X Y  Y 
i i

b1  i 1
 i 1
n
 
 X  X 
n 2 2

n   Xi 
i 1
i

 i 1
X 
2
i
i 1
n


1.5
Model Linear Terapan

1 
n n
b0  
n  i 1
Yi  b1  X   Y  b X
i 1
i 1

Notasi-notasi berikut dapat dipergunakan untuk menyederhanakan penulisan rumus:

n n n
SYX   Xi 1
i  X Yi  Y    X
i 1
i  X  Yi   X Y  Y 
i 1
i i

n n

n  X Y i i n
  i 1
X i Yi  i 1
n
i 1
 X Y n X Y
i 1
i i

n n

 X X   X  X  Xi
2
S XX  i i
i 1 i 1
2
 n

n   Xi  n
  i 1
Xi  
2 i 1

n
 
X i 1
i
2
n X2

n n

 Y  Y    Y  Y  Y
2
SYY  i i i
i 1 i 1
2
 n

n   Yi  n
  i 1
Yi  
2 i 1

n
 
Y i 1
i
2
n Y2

S XY
Sehingga rumus untuk b1 dapat ditulis dalam bentuk lebih sederhana b1  dan
S XX
persamaan regresi taksiran Yˆi  Y  b1  X i  X  .

Contoh 1.4
Data berikut menunjukkan jumlah unit yang diproduksi X dan jumlah jam kerja
karyawan Y  .

X 30 20 60 80 40 50 60 30 70 60
Y 73 50 128 170 87 108 135 69 148 132
n n n n
Dari data dihitung X
i 1
i  500 ; X
i 1
i
2
 28.400 ;  X Y  61.800 ; Y
i 1
i i
i 1
i  1.100 ;
n

Y
i 1
i
2
 134.660 ; n  10; X  50; Y  110 . Dengan menggunakan rumus yang ada,

diperoleh:

1.6
 SATS4312/MODUL 1

n n

n  X Y i i
500 1.100 
 X iYi  i 1
n
i 1
61.800 
10
b1  i 1
 2
 
2
  500
n 2

n   Xi  28.400 
10
 i 1
X 
2
i
i 1
n


1 
n n

  X   10 1.100  2 500  10
1
b0   Yi  b1 i
n i 1 i 1

Sehingga persamaan regresi taksirannya adalah Yˆ  10  2 X , artinya kita taksir rata-rata

jam kerja bertambah dengan 2 jam untuk setiap pertambahan 1 unit produk.
Untuk model alternatif: Yi  0*  1  X i  X    i dengan  0*   0  1 X , penaksir
kuadrat terkecil untuk b0 adalah b0*  b0  b1 X  Y  b1 X   b1 X  Y . Sehingga
persamaan regresi taksiran untuk model alternatif adalah Ŷ  Y  b1  X  X  . Persamaan
regresi taksiran untuk contoh di atas adalah Yˆ  110  2  X  50 .

Residual
Kesalahan (residual) ke-i adalah selisih antara nilai pengamatan Yi dengan nilai
taksirannya Yˆ , ditulis dengan notasi ei .
i

ei  Yi  Yˆi  Yi  b0  b1 X i

Kita perlu membedakan antara nilai suku sesatan i  Yi  E Yi  dengan ei  Yi  Yˆi .
Residual kita gunakan untuk mempelajari ketepatan model regresi untuk data.

Contoh 1.5
Dari Contoh 1.4 telah dihitung persamaan regresi Yˆ  10  2 X . Nilai taksiran Yˆi , ei ,
dan ei2 dapat diperoleh dengan cara sebagai berikut. Misalkan untuk X1  30 dan
Y1  73 , maka diperoleh nilai-nilai Yˆ1  10  2  30  70 , e1  73  70  3 , dan e12  9 .
Untuk nilai-nilai X i dan Yi lainnya, diperoleh nilai taksiran Yˆ , ei , dan ei2 sebagai i
berikut.

1.7
Model Linear Terapan

No. Xi Yi Yˆi ei ei2

1 30 73 70 3 9
2 20 50 50 0 0
3 60 128 130 -2 4
4 80 170 170 0 0
5 40 87 90 -3 9
6 50 108 110 -2 4
7 60 135 130 5 25
8 30 69 70 -1 1
9 70 148 150 -2 4
10 60 132 130 2 4
Total 500 1.100 1.100 0 60

Sifat-Sifat Garis Regresi Taksiran (Fitted)

Persamaan garis regresi yang dihitung dengan metode kuadrat terkecil memenuhi
sifat-sifat berikut:
n
1. Jumlah residual sama dengan nol, yakni e  0
i 1
i

Bukti:
n n

  Y  b  b X 
i 1
ei 
i 1
i 0 1 1

n n
 
i 1
Yi  nb0  b1 X
i 1
i  0 (dari persamaan normal)

n
2. Jumlah kuadrat residual, e
i 1
2
i adalah minimum. Hal ini sesuai dengan syarat dalam

penghitungan penaksir kuadrat terkecil untuk parameter regresi.

3. Jumlah nilai observasi Yi sama dengan jumlah nilai taksiran Yˆi , yakni
n n

Y Yˆ
i 1
i
i 1
i

Bukti:
Dari persamaan normal diperoleh

n n n n

Y  nb  b  X   b   b X
i 1
i 0 1
i 1
i
i 1
0
i 1
1 i

n n
  b0  b1 X i   Yˆi
i 1 i 1

1.8
 SATS4312/MODUL 1

4. Jumlah residual tertimbang sama dengan nol jika angka timbang adalah X i , yakni
n

X e  0
i 1
i i

Bukti:
Dari persamaan normal dapat diturunkan

n n

 X e   X Y  b  b X 
i 1
i i
i 1
i i 0 1 i

n n n
  i 1
X i Yi  b0 
i 1
X i  b1 Xi 1
i
2
0

5. Jumlah residual tertimbang dengan angka timbang Yˆi sama dengan nol, yaitu
n

Yˆ e  0
i 1
i i

6. Garis regresi selalu melalui titik  X , Y  .

Bukti:
Untuk X  X , diperoleh Ŷ  Y  b1  X  X   Y  b1  X  X   Y

Penaksiran Variansi Suku Sesatan

Variansi suku sesatan  2  kita taksir untuk mengetahui keragaman dari distribusi Y.
Penaksir titik untuk  2 dapat dihitung dari residual ei . Jumlah kuadrat dari ei adalah

e      Y  b
n n
 b1 X i 
2
JKS  Yi  Yˆ
2 2
i i 0
i 1 i 1 i 1
n n n
 Y i 1
i
2
 b0 Y  b  X Y
i 1
i 1
i 1
i i

Rumus lain untuk menghitung JKS adalah

2
 n 
 S XY 
2 n 
  X i  X Yi  Y  
 Yi  Y    i 1 
2
JKS  SYY   n

 X
S XX
X
i 1 2
i
i 1

1.9
Model Linear Terapan

atau
2
 n n

  n
  
2  n
X i  Y i 

 n 
 Yi   


X i Yi  i 1
n
i 1 

JKS  

 Yi 2   i 1     i 1
n    n  
2


i 1
  Xi  
 n  

 i 1

Xi 
2  i 1
n 


JKS mempunyai derajat bebas n  2 , dua derajat bebas hilang karena dalam perhitungan
kita gunakan penaksir untuk  0 dan 1 . Kuadrat rata-rata sesatan (KRS) dirumuskan
sebagai:

e    Y  b
n n n
 b1 X i 
2
Yi  Yˆi
2 2
i i 0
JKS
KRS   i 1  i 1
 i 1

n2 n2 n2 n2

KRS merupakan taksiran tak bias dari  2 , yakni E  KRS    2

Contoh 1.5
Kita tinjau kembali Contoh 1.4
2
 n n

  n
  
2  n
X 
i Y i 

 n 
 Yi   


X i Yi  i 1
n
i 1 

JKS  

 Yi 2   i 1     i 1
n    n  
2


i 1
  Xi  
 n  

 i 1

X i2   i 1
n 

 500 1.100  
2

 61.800  
 1.100   
2

 134.660  
10   13.660  13.600  60
 500 
2
 10 
28.400 
10
JKS 60
dan KRS    7,5
n2 8

1.10
 SATS4312/MODUL 1

 LATIHAN

Untuk memperdalam pemahaman Anda mengenai materi di atas, silakan Anda

mengerjakan latihan berikut ini!

1) Suatu eksperimen dilakukan untuk melihat hubungan antara dosis pemupukan X
dan hasil panen Y  . Dari hasil perhitungan didapat nilai-nilai
n n

 X  X   70,6;  Y  Y 
2 2
i i  98,5
i 1 i 1
n

  X  X Y  Y   68,3 ; n  15;

i 1
i i X  10,8; Y  122, 7

Jika hubungan antara Y dan X diasumsikan linear, maka

a) dengan metode kuadrat terkecil, hitunglah garis regresi Ŷ  b0  b1 X
b) hitunglah nilai JKS dan selanjutnya hitung taksiran untuk  2

2) Diketahui observasi berpasangan  X , Y  sebagai berikut:

X 1 2 3 4 5
Y 0,9 2,1 2,5 3,3 3,8

a) Buat diagram titik

b) Hitunglah penduga kuadrat terkecil b0 dan b1
c) Hitunglah nilai taksiran dari  2

Petunjuk Jawaban Latihan

  X  X Y  Y 
i i
68,3
1) a) b1  i
n
  0,9674
 X  X 
2 70, 6
i
i 1

b0  Y  b1 X  122,7   0,967410,8  112, 2518

sehingga garis regresi Yˆ  112, 2518  0,9674 X

1.11
Model Linear Terapan

2
 n 
n 
  X i  X Yi  Y 
 68,3
2

 Y  Y   
2 i 1
b) JKS  i  n
 98,5   32, 4251
 Xi  X 
i 1
2 70,6
i 1
JKS 32, 4251
ˆ 2    2, 4942
n2 13

2) a)

1512, 6 
n

  X  X Y  Y 
i i 44,8 
5 7
b) b1  i
   0, 7
15
n 2

 X  X 
2 10
i 55 
i 1 5
b0  Y  b1 X  2,52   0,73  0, 42

n n n
c) JKS  
i 1
Yi 2  b0 
i 1
Yi  b1 X Y
i 1
i i

 36,8   0, 4212,6   0,7  44,8  0,148

JKS 0,148
ˆ 2    0, 0493
n2 3

1.12
 SATS4312/MODUL 1

 RANGKUMAN

1. Dalam modul ini dipelajari hubungan statistik antara variabel bebas  X  dan
variabel tak bebas Y  . Dalam analisis linear sederhana bentuk hubungannya
adalah garis lurus dengan model Yi   0  1 X i   i ;  i N  0,  2  dan
independen.

2. Untuk mencari estimasi dari  0 dan 1 digunakan metode kuadrat terkecil

dan didapat penaksir titik:

  X  X Y  Y 
i i

b1  i 1
n
dan b0  Y  b1 X
 X  X 
2
i
i 1

3. Selanjutnya didefinisikan:

2
 n 
n 
  X i  X Yi  Y 
 Y  Y    i 1 n 
2
JKS  i

  Xi  X 
2
i 1

i 1

dan sebagai estimasi titik untuk  2 adalah:

JKS
KRS   s2
n2

1.13
Model Linear Terapan

 TES FORMATIF 1

Pilih satu jawaban yang paling tepat dari beberapa alternatif jawaban yang disediakan!

1) Tabel berikut ini menunjukkan tinggi badan X dalam cm dan berat badan Y 
dalam kg dari 10 orang dewasa.
X 150 162 160 162 165 160 172 170 180 182
Y 55 67 60 70 65 79 79 76 89 90
Jika X sebagai variabel independen Y sebagai variabel dependen dalam model regresi
Yi   0  1 X   i . Dari data ini dapat dihitung nilai b0 sama dengan ….
A. -103,63
B. -130,63
C. -103,36
D. -130,36

2) Lihat soal nomor 1, nilai b1 sama dengan ….

A. 1,052
B. 1,521
C. 1,062
D. 1,620

3) Lihat soal nomor 1, untuk X k  175 , nilai terhitung Yˆk sama dengan ….
A. 81,28
B. 82,18
C. 82,84
D. 81,81

4) Lihat soal nomor 1, nilai variansi ( s 2 ) sama dengan ….

A. 32,61
B. 31,16
C. 32,26
D. 31,59

5) Diketahui 10 observasi berpasangan  X , Y  .

X 54,5 56,4 43,2 65,2 45,5 47,5 65,0 66,5 57,3 68,0
Y 61,5 61,2 32,0 52,5 31,5 22,5 53,0 56,8 34,8 52,7
Jika digunakan model regresi Yi   0  1 X i   i ; dari data di atas dihitung nilai b0
sama dengan ….

1.14
 SATS4312/MODUL 1

A. -15,19
B. -15,20
C. -15,09
D. -15,92

6) Lihat soal nomor 5, nilai b1 sama dengan ….

A. 1,073
B. 1,072
C. 1,721
D. 1,722

7) Lihat soal nomor 5, nilai estimasi dari variansi Y, yakni s 2 sama dengan ….
A. 931,46
B. 913,46
C. 116,37
D. 116,44
n

 X  X 
2
8) Diketahui: n  277; X  65; Y  72 ; i  1600;
i 1
n n

 X  X Y  Y   2000 ; Y  Y 

2
i i i  3600
i 1 i 1

Jika digunakan model regresi Yi   0  1 X i   i ; nilai b0 sama dengan ….

A. -9,27
B. -9,25
C. -9,15
D. -9,52

9) Lihat soal nomor 8, nilai b1 sama dengan ….

A. -1,25
B. 1,25
C. -1,35
D. 1,53

10) Lihat soal nomor 8, nilai s 2 sama dengan ….

A. 3,99
B. 3,98
C. 3,97
D. 4,00

Cocokkanlah jawaban Anda dengan Kunci Jawaban Tes Formatif 1 yang terdapat di
bagian akhir modul ini. Hitunglah jawaban Anda yang benar. Kemudian gunakan rumus
di bawah ini untuk mengetahui tingkat penguasaan Anda terhadap materi Kegiatan
Belajar 1.

1.15
Model Linear Terapan

Rumus:

Jumlah jawaban Anda yang benar

Tingkat penguasaan = × 100%
10

Arti tingkat penguasaan yang Anda capai:

90 - 100% = baik sekali
80 - 89% = baik
70 - 79% = cukup
< 70% = kurang

Bila Anda mencapai tingkat penguasaan 80% atau lebih, Anda dapat meneruskan
dengan Kegiatan Belajar 2. Bagus! Tetapi bila tingkat penguasaan Anda masih di bawah
80%, Anda harus mengulangi Kegiatan Belajar 1, terutama bagian yang belum Anda
kuasai.

1.16
 Kegiatan Belajar 2

Inferensi dalam Analisis Regresi

anpa memperhatikan bentuk fungsional distribusi dari  i , penaksir kuadrat

T terkecil b0 dan b1 selalu bersifat tak bias dan mempunyai variansi minimum
dibandingkan penaksir-penaksir tak bias linear lainnya. Untuk inferensi, kita
memerlukan asumsi tentang bentuk fungsional distribusi dari  i . Salah satu asumsi baku
yang diperlukan adalah  i N  0,  2  . Secara umum model regresi dengan sesatan
normal dinyatakan sebagai

Yi   0  1 X i   i

dengan
Yi : hasil observasi pada trial ke- i
Xi : konstanta yang diketahui nilainya, yakni tingkat variabel X
dalam trial ke- i
 0 , 1 : parameter
i N  0,  2  independen; i  1, 2, n

Salah satu alasan digunakannya asumsi i N  0, 2  karena prosedur inferensi

didasarkan pada distribusi t yang tidak peka terhadap penyimpangan normalitas yang
tidak besar (modurate).

Penaksiran Parameter dengan Metode Kemungkinan Maksimum

Apabila bentuk fungsional dari distribusi probabilitas suku sesatan tertentu, penaksir
untuk  0 , 1 , dan  2 dapat dihitung dengan metode kemungkinan maksimum (maximum
likelihood). Fungsi likelihood untuk model regresi sesatan normal adalah:

n
L   0 , 1 ,  2
 1
1
exp   1 2 Yi   0  1 X i  
 2
2

i 1
 2 2 2

1.17
Model Linear Terapan

Nilai-nilai  0 , 1 , dan  2 yang memaksimumkan fungsi likelihood merupakan

penaksir-penaksir maximum likelihood yang diperoleh dengan mendeferensialkan
L   0 , 1 ,  2  terhadap  0 , 1 , dan  2 ; kemudian masing-masing disamakan dengan
nol. Untuk menyederhanakan perhitungan, kita dapat menggunakan ln L karena L dan
ln L akan maksimum untuk nilai-nilai yang sama dari  0 , 1 , dan  2 . Dengan
n

 Y  
n n 1
ln L   ln  2   ln  2   1 X i 
2
mendeferensialkan terhadap
2 2
i 0
2 2 i 1

 0 , 1 , dan  2 diperoleh:

 ln L
n

 Y  
1
 2  1 X i 
 0 
i 0
i 1

 ln L
n

 X Y  
1
 2  1 X i 
1 
i i 0
i 1

 ln L
n

 Y  
n 1
 2   1 X i 
2

 2 2 4
2 i 0
i 1

Jika  0 , 1 , dan  2 masing-masing diganti dengan b0 , b1 dan ̂ 2 serta disamakan

dengan nol, maka diperoleh persamaan
n

 Y  b  b X   0
i 1
i 0 1 i

 X Y  b X  b X   0
i 1
i i 0 i 1 i
2

n
1
 Y  b  b X   ˆ 2
2
i 0 1 i
n i 1

Dua persamaan pertama, sama dengan persamaan normal, sehingga penaksir maximum
likelihood untuk masing-masing parameter adalah sebagai berikut.

 X i  X i Yi  Yi 
b1  i 1
n

 X  Xi 
2
i
i 1

b0  Y  b1 X

 Y  Yˆ 
n
2
i i

ˆ 2  i 1

1.18
 SATS4312/MODUL 1

Jadi penaksir maksimum likelihood untuk  0 dan 1 sama dengan penaksir kuadrat
terkecil yakni b0 dan b1 . Penaksir maksimum likelihood ̂ 2 adalah bias sehingga untuk
mendapatkan penaksir tak bias untuk  2 digunakan KRS (Kuadrat Rata-rata Sesatan).

Inferensi tentang  1
Sering kali kita tertarik untuk melakukan inferensi tentang 1 , yaitu kemiringan
(slope) dari garis regresi Yi  0  1 X i   i dengan  0 dan 1 adalah parameter, X i
adalah konstanta yang diketahui, dan  i N  0,  2  adalah independen. Sebelum kita
pelajari inferensi tentang 1 , kita bahas terlebih dahulu tentang distribusi sampling
penaksir titik untuk 1 yaitu

  X  X Y  Y 
i i

b1  i 1
n

 X  X 
2
i i
i 1

Dari pengambilan sampel berulang pada nilai X tetap, diperoleh nilai b1 yang bervariasi.
Untuk model regresi sesatan normal akan dibuktikan bahwa

 2 
b1 N  1 ; n 

  X i  X i  
2

 i 1 

Bukti:
b1 dapat dinyatakan sebagai kombinasi linear dari Yi yaitu:

n n

  X  X Y  Y    X  X Y
i i i i n
b1  i 1
n
 i 1
n
 k Y i i

  Xi  X    Xi  X 
2 2
i 1

i 1 i 1
dengan
Xi  X
ki  n

(X
i 1
i  X )2

Untuk X i tetap, ki merupakan kuantitas tetap. Oleh karena itu, b1 merupakan kombinasi
linear dari Yi . Koefisien ki mempunyai sifat-sifat sebagai berikut.

1.19
Model Linear Terapan

n
1. k  0
i 1
i

n n
 Xi  X   X  X  i

k  
0
  0
i 1
Bukti: i  n n n

 2 
 X  X   X  X 
2 2
i 1 i 1
 (Xi  X )  i i
 i 1  i 1 i 1

n
2. k X
i 1
i i 1
n

 X X
2

  Xi  X  Xi    X i  X   
2 i
n n n
Bukti:  ki X i    n



 
 n

i 1
n
1
   X X
2
i 1 i 1
 ( X i  X )2 
i 1
 ( X i  X )2  i
 i 1   i 1  i 1

k
1
3. i
2
 n
i 1
(X
i 1
i  X )2

X X
2
n n  
Bukti: k   i
2


n
i


i 1 i 1


i 1
( X i  X )2 

n

 X X 
1 2 1
 2 i n
 n

2
  Xi  X    X X
i 1 2
i
 i 1  i 1

Kembali kita perhatikan distribusi sampling dari b1 pada model regresi linear dengan
i N  0,  2  . Distribusi sampling dari b1 adalah normal, hal ini akibat dari b1
merupakan kombinasi linear dari Yi . Akan kita buktikan b1 merupakan penaksir tak bias
untuk 1 atau E  b1   1 .

Bukti:
 n

E  b1   E 

i 1
kiYi   ki E Yi 

n n n
 k 
i 1
i 0  1 X i    0 k   k X
i 1
i 1
i 1
i i  1

1.20
 SATS4312/MODUL 1

Selanjutnya variansi dari b1 dijabarkan sebagai berikut.

 n
 n
 2  b1    2 

 i 1
kiYi  

k i 1
i
2 2
Yi 
n n

k  k
1
 i
2 2
 2
i
2
2 n

 X  X 
2
i 1 i 1
i
i 1

Penaksir untuk  2  b1  diperoleh dengan mengganti  2 dengan KRS sehingga penaksir

tak bias untuk  2  b1  adalah:

KRS KRS
s 2  b1   n
 2

  Xi  X   
n


2

n  Xi 
 X  
i 1 2 i 1
i
i 1
n

Untuk membuktikan bahwa b1 mempunyai variansi minimum di antara semua

penaksir tak bias linear, kita nyatakan penaksir linear tak bias untuk 1 dalam bentuk:

n
1  c Y
i 1
i i dengan ci adalah konstanta sembarang.

Jika 1 penaksir tak bias maka:

 n
 n

 
E 1  E   ciYi    c E Y    . i i 1
 i 1  i 1

Karena E Yi   0  1 X i , maka syarat tak bias di atas menjadi:

n n n

  c  
E 1  i 0  1 X i    0  ci  1 c X i i  1.
i 1 i 1 i 1

n n
Agar syarat tak bias berlaku maka haruslah  i 1
ci  0 dan c Xi 1
i i  1.

Variansi dari 1 adalah:

n n
 2  1    ci2 2 Yi    2 c 2
i .
i 1 i 1

1.21
Model Linear Terapan

Kita definisikan:
Xi  X
ci  ki  di ; ki  n
; d i adalah konstanta sembarang,
 X  X 
2
i
i 1
sehingga
n
 2  1    2 c 2
i
i 1
n
 k  d 
2 2
i i
i 1

 n n n

 

2
 i 1
k  i
2
 i 1
d 2 i
2
 i 1
ki d i 


Telah kita buktikan bahwa

n n

k k
1
i
2
 n
dan  2
 b1    2
i
2

i 1
(X
i 1
i  X )2 i 1

sehingga

n n n n

k d
i 1
i i   k c  k    c k   k
i 1
i i i
i 1
i i
i 1
i
2

n
 Xi  X 
 c 
1
 i n  n

 2 
 X X
2
i 1
 (Xi  X )  i
 i 1  i 1
n n

c X i i X c i
1
 i 1
n
i 1
 n
0
 X X  X X
2 2
i i
i 1 i 1

 
Kita peroleh  2 1   2  b1    2 d i
2
, sehingga terbukti  2 1   2  b1  . Nilai  
i 1
n n
terkecil diperoleh jika i 1
di2  0 atau semua  d  0 sehingga c  k .
i 1
i i i Jadi,  2  b1 

merupakan nilai terkecil untuk  2

 . 1

1.22
 SATS4312/MODUL 1

Distribusi Sampling dari

 b1  1 
s  b1 
2
Diketahui b1 N  1 ,  2  b1   dengan  2  b1   n
, sehingga statistik
 X  X 
2
i
i 1
b1  1
N  0, 1 . Pada umumnya  2  b1  tidak diketahui, diganti dengan s  b1  .
  b1 
b1  1 b  s  b1  b 
Statistik dapat ditulis dalam bentuk 1 1 . Diketahui 1 1 z dan
s  b1    b1    b1    b1 
KRS
n

 X  X 
2
JKS
s  b1 
2 i  2n2  b1  1
 2  n 22 
KRS JKS z
 i 1
sehingga
 2  b1   2
    n  2
2
n2 s  b1  2n2
n

 X  X  n2
2
i
i 1

JKS b1  1
Karena b1 dan independen maka z dan  2 independen, sehingga t n  2 .
 2
s  b1 

Selang Kepercayaan untuk  1

b  1
Karena 1 t n  2 maka kita dapat menyatakan
s  b1 

 b  1 
P  t    1  t     1  
  2 ; n  2  s  b1  1 ; n  2  
 2 

Karena distribusi t simetri, maka ketidaksamaan di atas dapat kita tulis sebagai berikut.

 
P b1  t   s  b1   1  b1  t   s  b1    1  
  ; n2 
2 
 ; n2 
2  

Karena probabilitas ini berlaku untuk semua nilai yang mungkin dari 1 maka batas
kepercayaan untuk 1 adalah:

b1  t  
s  b1 
 ; n2 
2 

1.23
Model Linear Terapan

Contoh 1.6
Diketahui data sebagai berikut.
Xi 1,5 1,8 2,4 3,0 3,5 3,9 4,4 4,8 5,0
Yi 4,8 5,7 7,0 8,3 10,9 12,4 13,1 13,6 15,3

Jika digunakan model regresi linear Yi   0  1 X i   i dengan  i N  0,  2  ,

independen. Untuk menaksir 1 dengan selang kepercayaan 95%, dari data diperoleh:

n n
n  9; X i 1
i  30,3 ; X  3,3667 ; Y  91,1 ;
i 1
i Y  10,1222 ;

n n n

 i 1
X i2  115,11 ;  i 1
Yi 2  1036, 65 ;  X Y  345,09
i 1
i i

n n

n  X Y i i
 30,3 91,1
 X iYi  i 1
n
i 1
345, 09 
9
b1  i 1
  2,9303
 30,3
2 2
 n

n   Xi  115,11 
9
 i 1
X 
2
i
i 1

n


2
 n n

  n

2
  n
X i  
Yi 

 n   Yi   

    i 1

X iYi  i 1 i 1 


n
JKS   Y 
2 i 1

  
i 2
 n   n

i 1
 n  Xi  
  

 i 1

X i2   i 1
n 


 30,3 91,1 
2

 345, 09  
  91,1   
2

 1036, 65  
9   2, 026
 30,3
2
 9 
115,11 
9
JKS 2, 026
KRS    0, 289
n2 7

Selanjutnya kita hitung

1.24
 SATS4312/MODUL 1

KRS KRS 0, 289 0, 289

s 2  b1       0, 02206
   30,3
2 2
 n
 S XX 13,1

 n   Xi  

115,11 
9



i 1
X 
2
i
i 1

n




s  b1   0,02206  0,1485 dan t(0,025; 7)  2,365

Selang kepercayaan 95% untuk 1 adalah

2,9303  2,365  0,1485  1  2,9303  2,365 0,1485 atau 2,579  1  3, 282

Uji tentang  1

Karena
 b1  1  t n2 , uji tentang 1 dapat kita lakukan berdasarkan distribusi t.
s  b1 

Contoh 1.7
Jika kita hanya ingin menguji apakah ada ( atau tidak) hubungan linear antara Y dan X
maka hipotesis kita rumuskan sebagai:

H 0 : 1  0 dan H1 : 1  0

Untuk   0,05 , kesimpulan tentang H 0 dapat diperoleh dengan menggunakan selang

kepercayaan 95% untuk 1 . Untuk Contoh 1.6, selang kepercayaan 95% untuk 1 adalah
2,579  1  3, 282 tidak memuat 0 (batas kepercayaan kiri dan kanan positif) sehingga
diperoleh kesimpulan menolak H 0 .
b
Uji yang lebih tegas dapat dilakukan berdasarkan statistik uji t   1 . Aturan
s  b1 
pengambilan kesimpulan untuk taraf nyata  adalah menerima H 0 jika t   t  
dan
 ; n2 
2 

menolak H 0 jika t   t  
.
 ; n2 
2 

Contoh 1.8
Dari Contoh 1.6, hipotesis kita tulis sebagai H 0 : 1  0 dan H1 : 1  0 . Selanjutnya
b 2,9303
kita hitung statistik uji t   1   19, 73 . Untuk taraf nyata   0,05 ,
s  b1  0,1485
diperoleh nilai t0,025;7  2,365 . Karena t   2,365 maka kita menolak H 0 : 1  0 ,
berarti ada hubungan linear antara Y dan X.

1.25
Model Linear Terapan

Sering kali kita ingin menguji apakah 1 sama dengan nilai tertentu, hipotesis kita
rumuskan sebagai:

H 0 : 1  10 dan H1 : 1  10

Statistik uji:

b1  1
t 
s  b1 

Jika kita ingin menguji apakah 1 positif, hipotesis dinyatakan sebagai:

H 0 : 1  0 dan H1 : 1  0

Kesimpulan untuk taraf nyata  adalah menerima H 0 jika t   t ; n2 dan menolak H 0
jika t   t ; n2 .

Contoh 1.9
b1  1
Dari Contoh 1.8 diperoleh t    19, 73 . Untuk   0,05 , diperoleh nilai
s  b1 
t0,05;7  1,895 . Karena t   1,895 , maka H 0 ditolak, berarti 1 positif.

Inferensi tentang  0
Sebelum kita melakukan inferensi untuk  0 , kita pelajari terlebih dahulu tentang
distribusi sampling dari b0 . Penaksir titik untuk  0 adalah:

b0  Y  b1 X

dapat dinyatakan sebagai kombinasi linear dari Yi yaitu:

l Y
1
b0  i i dengan li   X ki
i 1
n
dan
Xi  X
ki  n

 X  X 
2
i
i 1

1.26
 SATS4312/MODUL 1

Distribusi sampling untuk b0 adalah normal dan b0 merupakan penaksir tak bias dari  0
atau E  b0   0 .
Bukti:
b0  Y  b1 X
E  b0   E Y   E  b1 X   0  1 X  1 X  0

Variansi dari b0 kita peroleh sebagi berikut.

n
b0  l Y
i 1
i i

n n
1 
 
X2
 2  b0   li2 2 Yi    2 li2   2   n 
i 1 i 1 n



i 1
2 
(Xi  X ) 


Sehingga untuk model regresi linear dengan sesatan normal, diperoleh:

b0 N  0 ,  2  b0 
dengan
1 X2 
 2  b0    2   n 
n


i 1
2 
(Xi  X ) 


b0   0 b  0
dan distribusi sampling untuk adalah normal standar atau 0 N  0,1 .
  b0    b0 

Penaksir untuk  2  b0  adalah:

 n

1 X 2



X i
2


s 2  b0   KRS     KRS i 1
n
 n
2
n
  X i  X     Xi  X  
2
n
 i 1   i 1 
dan
b0   0
t n 2
s  b0 

Selang kepercayaan untuk  0 pada taraf kepercayaan 1    adalah:

b0  t  
s  b0    0  b0  t  
s  b0 
 ; n2   ; n2 
2  2 

1.27
Model Linear Terapan

Contoh 1.10
Dari data pada Contoh 1.6 diperoleh:
n n

i 1
X i  30,3 ; X
i 1
i
2
 115,11 ; X  3,3667 ; Y  10,1222 ; n = 9; b1  2,9303 ; dan

KRS  0, 289 . Selanjutnya kita hitung:

b0  Y  b1 X  10,1222  2,93033,3667   0, 2568
 n



 X i2 
  0, 289  115,11 
s  b0   KRS
2 i 1
   0, 282
 n   9 13,1 
 i 1

 n (Xi  X ) 
2


s  b0   0, 282  0,531

Untuk taraf kepercayaan 90%, diperoleh t0,05; 7  1,895 sehingga selang kepercayaan
untuk  0 adalah:
0, 2568  1,895 0,531  0  0, 2568  1,895 0,531 atau  0,749  0  1, 263

Penaksir Selang untuk E Yh 

Salah satu tujuan utama analisis regresi adalah untuk menaksir mean dari satu atau
lebih distribusi probabilitas dari Y. Misalkan X h adalah taraf dari X di mana kita ingin
menaksir mean dari Y dan X h merupakan salah satu nilai sampel atau suatu nilai lain dari
X, maka untuk X  X diperoleh mean Yˆ  E Y  .
h h h

Untuk model regresi dengan sesatan normal, distribusi sampling dari Yˆh  b0  b1 X h
adalah normal dengan mean dan variansi masing-masing adalah:

 
E Yˆh  E Yh 
dan
1 X X 
2

 2
 
Yˆh    
n
2
n
h

2



i 1
 Xi  X  


Yˆh merupakan penaksir titik tak bias dari E Yh  yang ditunjukkan sebagai berikut.

 
E Yˆh  E  b0  b1 X h 
 E  b0   X h E  b1 
  0  1 X h  E Yh 

1.28
 SATS4312/MODUL 1

Keragaman dari distribusi sampling Yˆh dipengaruhi oleh besarnya simpangan X h dari
 
X . Makin jauh X h dari X , nilai  2 Yˆh makin besar. Untuk menentukan  2 Yˆh , kita  
buktikan dulu bahwa b1 dan Y tidak berkorelasi.
Bukti:
n n
Y  
i 1
1Y ; b 
n i 1 k Y
i 1
i i

dengan
Xi  X
ki  n
dan Yi independen.
(X
i 1
i  X) 2

1
n n n
 2 Y , b1    i 1 n
2 2
  ki  Yi   n i 1
ki  0, karena k  0
i 1
i

Sekarang kita hitung variansi Yˆh , yaitu:

 
 2 Yˆh   2 Y  b1  X h  X  

Karena Y dan b1 independen serta X h dan X konstan maka diperoleh:

 
 2 Yˆh   2 Y    X h  X   2  b1 
2

 2 Yi 
  X h  X   2  b1 
2

n
 2
2
  Xh  X 
2
 n

 X
n
X
2
i
i 1

1 X X  2

   
2 h

n n
2 


i 1
 Xi  X  

Penaksir untuk  2
Yˆ h adalah:

1 X X
 2
2
 
s Yˆh  KRS  
n
n
h

2


i 1
 Xi  X  


1.29
Model Linear Terapan

Yˆh  E Yh 
Untuk model regresi dengan sesatan normal, distribusi sampling adalah
 
s Yˆ
h

distribusi t n2 , sehingga selang kepercayaan 1    100% untuk E Yh  adalah:

Yˆh  t  
 ; n2 
 
s Yˆh  E Yh   Yˆh  t  
 ; n2 
 
s Yˆh
2  2 

Contoh 1.11
Dari data pada Contoh 1.6 diperoleh:
n

 X  X 
2
b0  0, 2568 ; b1  2,93 ; i  13,1 ; KRS  0, 289 ; n = 9; X  3,3667
i 1

Untuk X h  4 diperoleh:
Yˆ  0, 2568   2,93 4  11,977
h

 1  4  3,3667 2 
2 ˆ 
s Yh  0, 289  
 9 13,1
  0, 04096 atau s Yˆh  0, 202

 
t0,025; 7  2,365

Selang kepercayaan 95% untuk E Yh  adalah:

11,977  2,365  0, 202   E Yh   11,977  2,365  0, 202 

11, 499  E Yh   12, 455

Peramalan Pengamatan Baru

Pengamatan baru Yhbaru  dipandang sebagi hasil dari suatu trial baru yang bebas
terhadap trial lain. Jika parameter  0 dan 1 diketahui maka selang peramalan
1  100% untuk Yhbaru  adalah:

E Yh   z   Yh (baru )  E Yh   z 

2 2

Contoh 1.12
Misalkan diketahui  0  9,5 ; 1  2,1 ;  2  10 .
Untuk X h  40 didapat E Y40   9,5   2,1 40  93,5 . Selang peramalan 95% untuk Y40
adalah:
93,5  1,96 10  Y40  93,5  1,96 10 atau 87,30  Y40  99, 70

1.30
 SATS4312/MODUL 1

Jika parameter  0 dan 1 tidak diketahui, kita gunakan penaksir b0 dan b1 . Selang
peramalan di atas tidak dapat kita gunakan karena kita hanya menggunakan taksiran dari
E Yh  . Dalam penaksiran untuk E Yh  , kita gunakan selang kepercayaan sehingga letak
distribusi dari Y tidak dapat ditentukan dengan tepat.
Dengan menganggap pengamatan baru independen terhadap sampel yang digunakan
untuk menaksir garis regresi, maka variansi dari Yhbaru  terdiri dari variansi distribusi
sampling Yˆh dan variansi distribusi Y pada X  X h , yaitu:

 
 2 Yh (baru )    2 Yˆh  Y   2 Yˆh   2 Y   

Penaksir tak bias dari  2 Yh baru  adalah: 
 1 X X 
2
2

s Yhbaru   ˆ 2
 
 s Yh  KRS  KRS 1  
 n
n
h

2



i 1
 Xi  X  


Contoh 1.13
Dari data pada Contoh 1.6 diperoleh:
n

 X  X 
2
X  3,3667 ; i  13,1 ; KRS  0, 289 ; n = 9; b0  0, 2568 ; b1  2,93
i 1

Sehingga untuk X h  2 diperoleh Yˆh  0, 2568  2,93  2   6,117 , t0,025; 7  2,365 ; dan
 1  2  3,3667 2 
2 ˆ 
s Y2  0, 289 1  
 9 13,1
  0,362 .

Selang peramalan 95% untuk Yhbaru  adalah:
6,117  2,365 0,362  Yhbaru   6,117  2,365 0,362 atau 4,693  Yhbaru   7,541

Ramalan Mean dari m Pengamatan Baru

Sering kali diinginkan meramal mean dari m pengamatan baru untuk taraf variabel
bebas, X tertentu. Nilai ramalan mean dari Y ditulis sebagai Yhbaru  . Batas ramalan
1  100% untuk Yhbaru  adalah:

Yˆh  t  
 ; n 2 

s Yhbaru  
2 
dengan
 
s 2 Yhbaru   s 2 Yˆh  KRS
m  

1.31
Model Linear Terapan

atau ekuivalen dengan

  Xh  X   2
2
  1 1
s Yh baru   KRS   
m n n


   X i  X 2 
 i 1 

Dari rumus diketahui bahwa s 2 Yhbaru    mempunyai dua komponen yaitu variansi
distribusi sampling dari Yh dan variansi mean m pengamatan dari distribusi probabilitas Y
pada X  X h .

Contoh 1.14
Kita tinjau kembali Contoh 1.6. Jika m  3 , untuk X h  2 akan dihitung selang
ramalan 90% untuk Yhbaru  . Dari data yang ada telah dihitung:

Yˆh  6,117 ;   
s 2 Yˆh  0,362 ; KRS  0, 289 ; s 2 Yhbaru   0,362 
0, 289
3

 0, 458 atau


s Yh baru    0, 677 dan t0,05; 7  1,895 .
Sehingga selang ramalan 90% untuk Yhbaru  adalah:
6,117  1,895  0,677   Yhbaru   6,117  1,895  0,677  atau 4,834  Yhbaru   7,399

Selang ramalan Yhbaru  lebih sempit dibandingkan dengan selang ramalan untuk Yhbaru 
karena selang ramalan untuk Yhbaru  memuat Yhbaru  .

Pendekatan Analisis Variansi untuk Analisis Regresi

Dasar pendekatan analisis variansi adalah pemecahan jumlah kuadrat dan derajat
bebas yang berkaitan dengan Y. Pandang simpangan total Yi  Y  pada Gambar 1.4
berikut ini.
Yi
Y

Yi  Yˆi
Yi  Y
Yˆi  Y
Y

Ŷ  b0  b1 X

Gambar 1.4.

1.32
 SATS4312/MODUL 1

Pemecahan simpangan:

Yi  Y  Yˆi  Y  Yi  Yˆi
simpangan total simpangan nilai regresi simpangan sekitar
taksiran sekitar mean garis regresi taksiran

sehingga pemecahan JK menjadi:

   Y  Yˆ 
n n n

 Y  Y 
2 2
Yˆi  Y
2
i   i i
i 1 i 1 i 1
jumlah kuadrat jumlah kuadrat jumlah kuadrat
sekitar mean karena regresi sekitar regresi

atau
JK = JKR + JKS

JK adalah jumlah kuadrat total, JK  0 berarti semua pengamatan sama. Makin besar
nilai JK makin besar variasi (keragaman) nilai-nilai Yi . JKR adalah jumlah kuadrat
regresi merupakan ukuran keragaman pengamatan yang diterangkan oleh garis regresi.
JKS adalah jumlah kuadrat sesatan merupakan ukuran keragaman pengamatan terhadap
garis regresinya. Jika JKS = 0, semua pengamatan jatuh pada garis regresi. Rumus-rumus
untuk menghitung jumlah kuadrat adalah:

2
 n

n   Yi  n
JK   i 1
Yi  
2 i 1

n
 
Y i 1
i
2
 nY 2  SYY

 n n

 n   Y 
Xi i

JKR  b1 

X Y 
i 1
i i
i 1

n
i 1
  b1 S XY

n

 X  X   b12 S XX
2
 b12 i
i 1

2
 n

  n

2
  n 
X i Yi 

 n  Yi   
   X i Yi  i 1
n


  S   S XY 
2

JKS  

 Yi 2   i 1    
n  
i 1

 n  
2 YY
S XX

i 1
  Xi  
 n
 


 i 1
X i2   i 1
n 


1.33
Model Linear Terapan

Pemecahan derajat bebas sesuai dengan pemecahan jumlah kuadrat total. Derajat
bebas untuk JK sama dengan n  1 . Satu derajat bebas hilang karena simpangan Yi  Y
n
tidak independen, yakni Y  Y   0 atau ekuivalen satu derajat bebas hilang karena
i 1
i

mean sampel Y digunakan untuk menaksir mean pupolasi  . JKS mempunyai derajat
bebas n  2 atau dua derajat bebas hilang karena dalam menghitung nilai Yˆ digunakan i

taksiran untuk parameter  0 dan 1 . JKR mempunyai derajat bebas satu. Ada dua
parameter dalam persamaan regresi, tetapi simpangan Yi  Y tidak bebas, yakni

Yˆ  Y   0
n

i sehingga satu derajat bebas hilang. Secara singkat, derajat bebas dari
i 1

masing-masing jumlah kuadrat adalah n 1  1   n  2 dan tabel analisis variansi

(ANAVA) untuk regresi linear sederhana diberikan oleh Tabel 1.1 berikut.

Tabel 1.1. ANAVA untuk Regresi Linear Sederhana

Derajat Bebas Jumlah Kuadrat Kuadrat Rata-rata

Sumber Variasi
(db) (JK) (KR)

Regresi 1 JKR KRR

Sesatan n2 JKS KRS

Total n 1 JK

Harapan Kuadrat Rata-rata

Agar dapat melakukan inferensi berdasarkan pendekatan analisis variansi, kita perlu
mengetahui nilai harapan dari kuadrat rata-rata, yaitu:

E  KRS    2
n
E  KRR       X X
2 2 2
1 i
i 1
Bukti:
JKS
Untuk model regresi dengan sesatan normal  2n  2  , maka
 2

 JKS 
E 2   n2
  
atau
 JKS 
  E  KRS   
2
E
 n2

1.34
 SATS4312/MODUL 1

Untuk mendapatkan E  KRR  , kita tulis JKR dalam bentuk sebagai berikut.

 X X
2
JKR  b12 i
i 1
Karena
 2  b1   E b1  E  b1  
2

 E  b12    E  b1  
2

 E  b12   12
atau
2
E  b12    2  b1   12  n
 12
 X X
2
i
i 1
maka
 n
2
E  JKR   E b12

 X
i 1
i X 

n
 E b  X X
2 2
1 i
i 1

 2  n

 X X
2
 n
 12  i

 X X 
2 i 1
 i 1
i

n

 X X
2
   2
1
2
i
i 1
Jadi
 JKR 
n
E  KRR   E   X X
2
    1
2 2
i
 1  i 1

Uji Hipotesis
Pendekatan analisis variansi dengan uji F dapat dilakukan untuk menguji hipotesis:

H 0 : 1  0 terhadap H1 : 1  0

Pada regresi linear sederhana dan statistik ujinya adalah:

KRR
F 
KRS

1.35
Model Linear Terapan

Jika 1  0 maka semua Yi mempunyai mean sama yaitu    0 dan variansi sama yaitu
JKS JKR
 2 . Variabel 2 dan 2 adalah independen dan berdistribusi  2 sehingga, statistik
 
*
uji F dapat ditulis dalam bentuk:

JKR
1
F   2 
KRR
JKS KRS
n2
2
Jika H 0 benar, maka


 21 1
F
 2n  2 n2

Karena 21 dan 2n2 independen sehingga F  F1, n2 . Kesimpulan yang diperoleh
yakni menerima H 0 jika F   F ; 1; n2 dan menolak H 0 jika F   F ; 1; n2 dengan
F ; 1; n2 adalah persentase 1   100 dari distribusi F.

Contoh 1.15
Diketahui data sebagai berikut:
X 1 1 2 3 4 4 5 6 6 7
Y 2,1 2,5 3,1 3 3,8 3,2 4,3 3,9 4,4 4,8

Jika digunakan model regresi linear sederhana Y   0  1 X   dengan sesatan normal

i N  0,  2  independen, maka untuk menguji H 0 : 1  0 terhadap H1 : 1  0
dengan uji F, dari data kita hitung:
2
 n

n   Xi 
  193   39   40,9
2

 i 1
Xi  
2 i 1

n 10
2
 n

n   Yi 
  130, 05   35,1  6,85
2

 i 1
Yi  
2 i 1

n 10
n n

n  Y Xi i
 39  35,1
X Y 
i 1
i i
i 1

n
i 1
 152, 7 
10
 15,81

1.36
 SATS4312/MODUL 1

sehingga
2
 n

n   Yi 
JK  SYY  i 1
Yi  
2 i 1

n
  6,85

n n

n  Y Xi i

S
X Y  i i
i 1
n
i 1

15,81
b1  XY  i 1
2
  0,387
S XX  n
 40,9
n   X  i

 i 1
Xi  
2 i 1
n
  n 
2


 n
 Xi   

JKR  b1 S XX  b1  Xi  
 i 1 
   0,387   40,9   6,13
2 2 2 2

 i 1 n 
JKS  JK  JKR  6,85  6,13  0,72

Selanjutnya hasil hitungan, kita susun dalam tabel ANAVA sebagai berikut.

Tabel 1.2. ANAVA

Sumber Variasi db JK KR F
1 6,13 6,13 6,13
Regresi F   68,1
Sesatan 8 0,72 0,09 0, 09

Total 9 6,85

Untuk   0,05 , dari tabel distribusi F diperoleh nilai F0,05; 1,8  5,32 , sehingga
diperoleh kesimpulan menolak H 0 karena F   5,32 , artinya ada hubungan linear antara
Y dan X atau garis regresi nyata.

Kesetaraan Uji F dan Uji t

Pada taraf nyata  , uji F untuk hipotesis H 0 :  0  0 terhadap H1 : 1  0 secara
aljabar setara dengan uji t dua sisi. Hal ini dapat kita tunjukkan sebagai berikut.

 X X
2 2
b 1 i
JKR 1
F   i 1

JKS n  2 KRS

1.37
Model Linear Terapan

2
KRS b2  b 
Karena diketahui s  b1   2 
, maka kita peroleh F  2 1   1 
n
s  b1   s  b1  
 X X
2
i
i 1

Statistik t  untuk uji H 0 : 1  0 terhadap H1 : 1  0 adalah:

b1
t 
s  b1 
atau
2
 b 
t   2
  1   F 
 s  b1  

Dari hubungan antara t  dan F  , kita peroleh hubungan antara persentil distribusi t dan F
sebagai

  F
2
t    ; 1; n  2 
 ; n2 
2 

Contoh 1.16
Kita tinjau kembali Contoh 1.15. Dari data yang ada diperoleh F   68,1; b1  0,387 ;
2
 0,387 
s  b1  
2 0,09
 0,0022 ; s  b1   0,047 sehingga t 
 2
   68, 06  68,1 dan
40,9  0, 047 
t    2,306   5,32  F 0,05; 1;8 .
2 2
0,025; 8

Pendekatan Uji Linear Umum

Analisis variansi untuk menguji H 0 : 1  0 terhadap H1 : 1  0 merupakan pengujian
untuk model statistik linear. Akan kita pelajari pendekatan uji (linear) secara umum, yang
dapat kita gunakan untuk pengujian model-model linear. Tiga langkah dalam pengujian
ini adalah:
1. Menentukan model yang dipandang sesuai untuk data. Model ini kita sebut model
lengkap. Untuk regresi linear sederhana, model lengkap:

Yi   0  1 X i   i

Penaksir parameter dihitung dengan metode kuadrat terkecil. Kemudian kita hitung
jumlah kuadrat sesatan untuk model lengkap, yang ditulis dengan notasi JKS  L
sebagai:

1.38
 SATS4312/MODUL 1

 Y  Yˆ 
n n
JKS  L    Y   b 0  b1 X i   
2 2
i i i
i 1 i 1

JKS  L mengukur keragaman pengamatan Yi sekitar garis regresi.

2. Perhatikan hipotesis H 0 : 1  0 dan H1 : 1  0 model di bawah H 0 disebut model

tereduksi. Maksudnya jika 1  0 , model lengkap tereduksi menjadi Yi   0   i .
Penaksir parameter untuk model tereduksi dihitung dengan metode kuadrat terkecil,
didapat b0  Y dan jumlah kuadrat sesatan untuk model tereduksi, adalah:
n n
JKS  R     Y  b    Y  Y 
2
 JK
2
i 0 i
i 1 i 1

3. Sekarang kita bandingkan JKS  L dengan JKS  R . Tampak bahwa

JKS  L  JKS  R  . Apabila JKS  R   JKS  L  terkecil maka kita cenderung untuk
menerima H 0 dan jika sebaliknya maka H 0 kita tolak. Dengan menggunakan
statistik uji:

F 
 JKS  R   JKS  L    dbR  dbL 
JKS  L  dbL

Diperoleh kesimpulan menerima H 0 jika F *  F ; dbR dbL , dbL  dan menolak H 0 jika
F *  F ; dbR dbL , dbL  .

Untuk pengujian hipotesis H 0 : 1  0 terhadap H1 : 1  0 , kita peroleh

JKS  R   JK dengan d .b  n  1 ; JKS  L   JKS dengan d .b  n  2 ; dan statistik uji

F* 
 JK  JKS   n 1   n  2  JKR 1

KRR
JKS  n  2  JKS  n  2  KRS
Jadi F  sama dengan statistik uji analisis variansi.

Ukuran Deskriptif untuk Hubungan antara X dan Y

Dalam taksiran dan ramalan, untuk mengukur ketepatan hanya panjang interval yang
diperhatikan, tetapi derajat hubungan variabel X dan variabel Y tidak diperhatikan.
Sebagai ukuran deskriptif, dapat digunakan koefisien determinasi dan koefisien korelasi.
Koefisien determinasi didefinisikan sebagai

JK  JKS JKR JKS

r2    1
JK JK JK

1.39
Model Linear Terapan

Karena 0  JKS  JK maka 0  r 2  1. Makin besar harga r 2 , berarti makin besar

pengaruh variabel X terhadap variasi harga Y.

Y
Y

Ŷ  Y
Yˆ  b0  b1 X

X X
2
(a) r  1 0
2
(b) r

Gambar 1.5.

Apabila semua observasi terletak pada garis regresinya, maka JKS  0 sehingga

 
n
0 ˆ
2
didapat r  1 
2
 1 . Apabila b1  0 berarti Yi  Y dan JKR  Yˆi  Y  0 atau
JK i 1

JKS  JK sehingga didapat r 2  0 . Koefisien korelasi didefinisikan sebagai r   r 2 .

Tanda dari koefisien korelasi sesuai dengan tanda dari b1 . Nilai dari r selalu terletak
dalam  1, 1 atau 1  r  1 . Untuk menghitung koefisien korelasi digunakan rumus
sebagai berikut.
n

  X  X Y  Y 
i i

r  i 1

 n n
 12
 X i  X  Y  Y 
2 2
 i 
 i 1 i 1 
 n n

 n   Y  Xi i

 XY 
i 1
i i
i 1
n
i 1

 1
 2
      
n 2 n 2

 n   X i  
 
n   Yi 

  



i 1
X 
2
i
i 1
n




i 1
Yi   i 1
n 


Hubungan antara b1 dan r adalah:

1.40
 SATS4312/MODUL 1

1
 n
2
 Yi  Y  
2

b1   i 1  r
 n
2 



i 1
 Xi  X  


Jika r  0 maka b1  0 dan sebaliknya jika nilai r dan r 2 mendekati 1 maka dapat
dilakukan inferensi yang cukup tepat terhadap Y.

Contoh 1.17
Diketahui data pengamatan sampel sebagai berikut.
X 1,5 1,8 2,4 3,0 3,5 3,9 4,4 4,8 5,0
Y 4,8 5,7 7,0 8,3 10,9 12,4 13,1 13,6 15,3
Akan dihitung nilai r 2 dan r dari data tersebut dan diperoleh:
2
 n

n   Xi 
  115,11   30,3  13,10
2


i 1
X 
2
i
i 1

n 9
2
 n

n   Yi 
  1036, 65   91,1  114,52
2


i 1
Y 
i
2 i 1

n 9
n n

n  X Y i i
 30,3 91,1  38,39
X Y 
i 1
i i
i 1
n
i 1
 345, 09 
9

Selanjutnya kita hitung

n

  X  Y Y  X 
i i
38,39
b1  i 1
n
  2,9303
 X  X 
2 13,10
i
i 1

JK  114,52
JKS  114,52  (2,9303)(38,39)  2,026
JK  JKS 114,52  2,026
r2    0,9823
JK 114,52

Hal ini berarti 98,23 persen variasi-variasi variabel Y disebabkan oleh hubungannya
dengan variabel X. Sedangkan koefisien korelasi r  r 2  0,9823  0,99 (tanda +

1.41
Model Linear Terapan

sesuai dengan tanda b1 ) atau dengan menggunakan rumus untuk koefisien korelasi
n

  X  X Y  Y 
i i
38,39
didapat r  i 1
  0,99 .
 n n
 1

  X  X   Y  Y  13,10 114,52  
2 2 1
2
 
2
i i
 i 1 i 1 

 LATIHAN

Untuk memperdalam pemahaman Anda mengenai materi di atas, silakan Anda

mengerjakan latihan berikut ini!

1) Jika penduga kuadrat terkecil b1 merupakan linear dari Yi , yakni:

Xi  X
n
b1  k Y i i dengan ki  n
i 1
(X  X )
i 1
i
2

n n

 k Y  1 dan  k
1
Tunjukkan bahwa i i i
2
 n

 X  X 
2
i 1 i 1
i
i 1

2) Data dalam tabel berikut menunjukkan periode waktu yang digunakan dalam suatu
percobaan pengeringan bahan  X  dalam jam dan berkurangnya berat bahan Y 
dalam gram.
X 4,4 4,5 4,8 5,5 5,7 5,9 6,3 6,9 7,5 7,8
Y 13,1 11,5 10,8 13,8 15,1 12,7 12,7 13,8 17,6 18,8
Jika digunakan model regresi linear dengan sesatan normal,
a) carilah persamaan regresi taksiran
b) carilah selang kepercayaan 90% untuk 1
c) ujilah H 0 : 1  0 terhadap H1 : 1  0 pada tingkat signifikansi   10%
d) carilah selang kepercayaan 95% untuk E Y7 
e) untuk X h  8 , carilah selang ramalan 90% untuk Y8
f) untuk X h  8 , m = 5, carilah selang ramalan 90% mean dari m observasi baru,
yakni Y8baru 
g) hitunglah koefisien determinasi r 2

1.42
 SATS4312/MODUL 1

3) Diketahu tabel ANAVA sebagai berikut.

Sumber Variasi db JK KR
Regresi 1 40 -
Sesatan 50 - -

Total 51 240
a) Lengkapilah tabel ANAVA tersebut.
b) Uji H 0 : 1  0 terhadap H1 : 1  0 pada tingkat signifikansi   0,05
c) Hitunglah nilai koefisien determinasi dan kesimpulan apa yang diperoleh dari
hasil perhitungan tersebut.

Petunjuk Jawaban Latihan

1) Lihat penjelasan sifat-sifat koefisien ki .

n n n
2) Dari data yang ada diperoleh: n  10;  X i  59,3;  Yi  139,9;  X i2  364,59;
i 1 i 1 i 1
n n

 Yi2  2015,17;  X iYi  852

i 1 i 1
n n n
n  X Y   X Y i i i i

a) b1  i 1
2
 1, 7304 dan b0  Y  b1 X  3, 7288
i 1 i 1


n n

n
i 1

X i2  
 i 1
Xi 


Persamaan regresi taksiran Yˆi  3,7288  1,7304 X i
n n n
b) JKS  Yi 1
i
2
 b0 Y  b  X Y  19, 2203
i 1
i 1
i 1
i i

JKS 19, 2203

s2    2, 4025
n2 8
s2
s 2  b1   n  0,1857 atau s  b1   0,1857  0, 4309

(Xi  X ) 2

i 1

t  
 t 0,05;8  1,860
 ; n2 
2 

Selang kepercayaan 90% untuk 1 adalah:

1,7304  1,860 0, 4309  1  1,7304  1,860 0, 4309 atau

0,929  1  2,532

1.43
Model Linear Terapan

c) Untuk uji H 0 : 1  0 terhadap H1 : 1  0 diperoleh statistik uji:

b 1, 7304
t  1   4, 0158
s  b1  0, 4309
Karena t   t  
maka H 0 ditolak
 ; n2 
2 

d) Yˆ7  3,7288  1,7304  7   15,8415

  7 X    1  7  5,932 
2

ˆ  2 1
s Y7  s   n
2

n
   2, 4025  
2
  0, 4528 ;
  
 10 12,941
 (Xi  X ) 
 i 1 
 
ˆ
s Y7  0, 6729 dan t0,025;8  2,306
Selang kepercayaan 95% untuk E Y7  adalah:
15,8415   2,306  0, 6729   E Y7   15,8415   2,306  0, 6729 
14, 29  E Y7   17,39

e) Yˆ8  3,7288  1,7304 8  17,5719

 1 8  X    8  5,93 
2 2
2

s Y8baru    s 1  
2

 n n
   2, 4025  1  1 
2   10 12,941 
  3, 4382



i 1
(Xi  X ) 




s Y8baru    1,8542
Selang ramalan 90% untuk Y8baru  adalah:
17,5719  1,86 1,8542   Y8 baru   17,5719  1,86 1,8542 
14,123  Y8 baru   21, 021

1 1 8  X    8  5,93   1,5162
2 2

f) 2

s Y8baru   s   
2

m n
n
   2, 4025   1  1 
2

 
 5 10 12,941 
 (Xi  X ) 
 i 1 

s Y8baru    1, 2314
Selang ramalan 90% untuk Y8baru  adalah:
17,5719  1,86 1, 2314   Y8baru   17,5719  1,86 1, 2314  atau
15, 2816  Y8baru   19,8622

1.44
 SATS4312/MODUL 1

(X i  X )2
g) Koefisien determinasi r 2  b12 i 1
n
 0, 668
 Y  Y 
2
i
i 1

3) a) Tabel ANAVA

Sumber Variasi db JK KR
Regresi 1 40 40
Sesatan 50 200 4

Total 51 240

KRR 40
b) Statistik Uji: F     10
KRS 4
Dari tabel diperoleh F1;50;0,05  4,04 , karena F   4, 04 maka diperoleh
kesimpulan tolak H 0 .

JKR 40
c) Koefisien determinasi r 2    0,167
JK 240
Artinya 16,7% variasi variabel Y disebabkan oleh hubungannya dengan
variabel X.

 RANGKUMAN

1. Untuk dapat melakukan inferensi dalam analisis regresi, terutama jika sampel
yang digunakan kecil diperlukan asumsi  i N  0,  2  .

2. Inferensi untuk 1 dan  0 dilakukan dengan menghitung selang kepercayaan

1 100% dari 0 dan 1 , yakni:
b1  t   s  b1   1  b1  t   s  b1 
; n2  ; n2  
2  2 

b0  t  
s  b0    0  b0  t  
s  b0 
 ; n2   ; n2 
2  2 

1.45
Model Linear Terapan

dengan
KRS s2
s  b1   n
 n

(X
i 1
i  X)
2
(X
i 1
i  X )2

1 X2 
s  b0   KRS   n 
 n  ( X i  X )2 
 i 1 

3. Untuk X  X h , inferensi untuk mean respons E Yh  dilakukan dengan

menghitung selang kepercayaan 1   100% , yakni

Yˆh  t  
 ; n2 
 
s Yˆh  E Yh   Yˆh  t  
 ; n2 
 
s Yˆh
2  2 
dengan
1  Xh  X  
2

Yˆh  b0  b1 X h dan s Yˆh  KRS   n

n
  
2
 i 1
(Xi  X ) 


4. Dalam peramalan observasi baru Yh , jika parameter  0 , 1 ,  diketahui dan

E Yh   0  1 X h , maka selang ramalan 1   100% untuk Yh adalah:
E Yh   z   Yhbaru   E Yh   z  ,.
2 2

Jika parameter-parameter  0 , 1 dan  tidak diketahui, digunakan selang

ramalan 1   100% :

Yˆh  t  
 ; n2 
 
s Yhbaru   Yˆhbaru   Yh  t  
 ; n 2 

s Yhbaru  
2  2 
dengan
 1  Xh  X  
2

Yˆh  b0  b1 X h dan s 2
Y  
h baru
 KRS 1   n
 n

2
 i 1
(Xi  X ) 


Jika ada m pengamatan baru, digunakan selang ramalan 1   100%

Yˆh  t  
 ; n2 
 
s Yhbaru   Yhbaru   Yˆ  t  
 ; n 2 

s Yhbaru  . 
2  2 

1.46
 SATS4312/MODUL 1

dengan

1 1  Xh  X  
2

s 2
Y  
h baru
 KRS    n
m n

2
 i 1
(Xi  X ) 


5. Sebagai ukuran deskriptif, didefinisikan koefisien determinasi

JK  JKS JKR JKS

r2   1  ; 0  r2  1
JK JK JK

yang mengukur besarnya pengaruh variabel X terhadap variabel Y.

Ukuran lain adalah koefisien korelasi, yakni:

n n

n  X i  Yi
XY  i i
i 1
n
i 1

r i 1
; 1  r  1
  n  
2
  n  
2

 n  i  
X  n  i  
Y
 X 2   i 1    Y 2   i 1  
 
i 1
i
n   
i 1
i
n 

Tanda dari r sesuai dengan tanda dari b1 .

 TES FORMATIF 2

Pilih satu jawaban yang paling tepat dari beberapa alternatif jawaban yang disediakan!

1) Dari pasangan data X (variabel independen) dan Y (variabel respons), dihitung nilai
sebagai berikut.
n n n n n

X
i 1
i
2
 121,  X i  20;  X iYi  82;  Yi 2  516;  Yi  40; n  40
i 1 i 1 i 1 i 1

Jika digunakan model regresi linear sederhana, maka nilai variansi s 2 sama
dengan ….
A. 4,48
B. 4,00
C. 4,49
D. 3,89

1.47
Model Linear Terapan

2) Lihat soal nomor 1, nilai s 2  b1  sama dengan ….

A. 0,04938
B. 0,05531
C. 0,04310
D. 0,04792

3) Lihat soal nomor 1, selang kepercayaan 95% untuk 1 adalah ….

A. 2, 495  1   1,505
B. 2,512  1   1, 488
C. 2, 437  1   1,563
D. 2, 402  1   1,598

4) Data berikut menunjukkan jumlah senyawa kimia yang larut dalam 100 gram air (Y)
pada berbagai temperatur (X) dalam  0 C  .
X 0 15 30 45 50 75
Y 8 12 24 33 39 44
Dari data dapat dihitung nilai s 2 sama dengan ….
A. 4,38
B. 5,48
C. 3,64
D. 4,84

5) Lihat soal nomor 4, nilai s 2  b1  sama dengan ….

A. 0,0011
B. 0,0093
C. 0,0014
D. 0,0012

6) Lihat soal nomor 4, untuk uji H 0 : 1  0 terhadap H1 : 1  0, statistik penguji t 

sama dengan ….
A. 17,934
B. 13,794
C. 12,794
D. 4,794

7) Lihat soal nomor 4, untuk uji H 0 : 1  0 terhadap H1 : 1  0 dengan analisis


variansi dihitung statistik penguji F sama dengan ….
A. 285,84
B. 190,17
C. 0,9794
D. 0,4948

1.48
 SATS4312/MODUL 1

8) Lihat soal nomor 4, selang kepercayaan 95% untuk E Yk  yang bersesuai dengan
X k  35 adalah ….
A. 23, 46  E Yk   27,30
B. 23,71  E Yk   27,05
C. 23,55  E Yk   27, 21
D. 23,33  E Yk   27, 43

9) Lihat soal nomor 4, koefisien determinasi r 2 sama dengan ….

A. 0,98
B. 0,90
C. 0,92
D. 0,95

Cocokkanlah jawaban Anda dengan Kunci Jawaban Tes Formatif 2 yang terdapat di
bagian akhir modul ini. Hitunglah jawaban Anda yang benar. Kemudian gunakan rumus
di bawah ini untuk mengetahui tingkat penguasaan Anda terhadap materi Kegiatan
Belajar 2.

Rumus:

Jumlah jawaban Anda yang benar

Tingkat penguasaan =  100%
9

Arti tingkat penguasaan yang Anda capai:

90 - 100% = baik sekali
80 - 89% = baik
70 - 79% = cukup
< 70% = kurang

Bila Anda mencapai tingkat penguasaan 80% atau lebih, Anda dapat meneruskan
dengan modul selanjutnya. Bagus! Tetapi bila tingkat penguasaan Anda masih di bawah
80%, Anda harus mengulangi Kegiatan Belajar 2, terutama bagian yang belum Anda
kuasai.

1.49
 Kunci Jawaban Tes Formatif

Tes Formatif 1

1) A
2) C
3) B untuk X k  175, Yˆk  b0  b1 X k
2
 n 
   X i  X Yi  Y  
JKS   (Yi  Y ) 2   i 1 n 
n
JKS
4) D dan s 2  KRS 
n2
i 1
 ( X i  X )2 i 1

5) B
6) A
7) C
8) B

 X
n

i  X Yi  Y 
9) B b1  i 1
n

(X
i 1
i  X )2

10) D

Tes Formatif 2

JKS
1) B hitung dengan rumus s 2 
n2
s2
2) A gunakan rumus s 2  b1   n

(X
i 1
i  X )2

3) B
4) B
5) C

1.50
 SATS4312/MODUL 1

b1
6) B statistik penguji t  
s  b1 
KRR
7) B statistik penguji F  
KRS
8) D
JK  JKS JKR
9) A gunakan rumus r 2  
JK JK

1.51
 Daftar Pustaka

Draper, N. & Smith, H. (1998). Applied Regression Analysis. New York: Wiley.

Montgomery, D.C. & Peck, E. A. (1992). Introduction to Linear Regression Analysis.

New York: Wiley.

Neter, J., Wasserman, W. & Kutner, M. H. (1990). Applied Linear Statistical Models.
Irwin.

1.52