STATISTIKA

DASAR

Cindy Cahyaning Astuti, S.Si, M.Si

 ‫هللا الرَّ حْ ٰم ِن الرَّ ِحيْم‬
ِ ‫ِبسْ ِم‬
‫ َوارْ ُز ْق ِنيْ َف ْهمًا‬،‫َربِّ ِز ْد ِني ِع ْلمًا‬

(Ya Allah Tambahkanlah aku ilmu, Dan berilah aku

karunia untuk dapat memahaminya)
ANALISIS REGRESI LINEAR
SEDERHANA
 ANALISIS REGRESI LINEAR

Metode statistika yang digunakan untuk mengetahui

hubungan fungsional linear antara satu variabel respon
dengan satu variabel prediktor
Variabel
Karakteristik dari objek yang diteliti

Variabel Respon (Variabel Dependen) = Y

Variabel Prediktor (Variabel Independen) = X
 ANALISIS REGRESI LINEAR

Regresi linear berarti bahwa variabel respon

(Y) berkaitan linear dengan x dalam bentuk
persamaan linear biasa yang dapat
dinyatakan sebagai berikut :

Y   x
α dan β adalah dua parameter yang akan
diduga dari data sampel.
 ANALISIS REGRESI LINEAR

Dua parameter α dan β diduga dengan a dan

b, sehingga penduga untuk respon yang
disebut sebagai ŷ
Y   x ŷ  a  bx
a = Intercept
b = Slope
 Slope dan Intercept

Intercept
Definisi secara matematis adalah suatu titik
perpotongan antara suatu garis dengan
sumbu Y pada sumbu kartesius saat X=0
Definisi secara statistik adalah rata-rata
variabel Y saat variabel X bernilai 0
Slope
Definisi secara matematis adalah ukuran
kemiringan suatu garis
Definisi secara statistik adalah suatu nilai
yang menunjukkan seberapa besar kontribusi
yang diberikan oleh suatu variabel X
terhadap variabel Y atau dapat diartikan
sebagai rata-rata pertambahan atau
pengurangan pada variabel Y untuk setiap
peningkatan satu satuan variabel X
 Koefisien Regresi

Persamaan yang digunakan untuk menghitung

koefisien regresi adalah sebagai berikut :

n
 n  n 
n xi yi    xi    yi 
b  i 1  i 1   i 1 
2
n
 n

n xi2    xi 
i 1  i 1 

a  y  bx
 Contoh Koefisien Regresi

Suatu penelitian dilakukan untuk mengetahui pengaruh uang saku harian

terhadap nilai rata-rata rapot siswa kelas 2 di SMA “Unggul Sejahtera”.
Diambil sampel acak berukuran 9 dan diperoleh data sebagai berikut :

Mhs Uang Saku (X) Nilai rata-rata rapot (Y)

1 30.000 80,17
2 25.000 83,57
3 15.000 85,99
4 20.000 87,33
5 25.000 85,25
6 35.000 80,56
7 15.000 84,77
8 20.000 90,56
9 20.000 87,66
 Contoh Koefisien Regresi
n Y X X^2 XY Y^2
1 80,17 30.000 900.000.000 2.405.100 6.427
2 83,57 25.000 625.000.000 2.089.250 6.984
3 85,99 15.000 225.000.000 1.289.850 7.394
4 87,33 20.000 400.000.000 1.746.600 7.627
5 85,25 25.000 625.000.000 2.131.250 7.268
6 80,56 35.000 1.225.000.000 2.819.600 6.490
7 84,77 15.000 225.000.000 1.271.550 7.186
8 90,56 20.000 400.000.000 1.811.200 8.201
9 87,66 20.000 400.000.000 1.753.200 7.684
Jumlah 765,86 205.000,00 5.025.000.000 17.317.600 65.261
n
 n  n 
n xi yi    xi    yi 
b  i 1  i 1   i 1 
2
n
 n

n xi2    xi 
i 1  i 1 

(9) 17.317.600  (205.000)(765,86) 1.142.900

b   0,00036
(9)(5.025.000.000)  (205.000)2 3.200.000.000
 Contoh Koefisien Regresi

b  0,00036
a  y  bx

y  85,1 x  22.777, 78

a  (85,1)  (0, 00036)(22.777, 78)

 93, 3
 ANALISIS REGRESI LINEAR

Persamaan regresi yang terbentuk adalah :

yˆ  93,3  0,00036 x

Interpretasi :
1.Setiap penambahan 1000 rupiah uang saku maka akan
menurunkan nilai rata-rata rapot sebesar 0,36.
KOEFISIEN KORELASI
 Koefisien Korelasi

Koefisien Korelasi digunakan

untuk mengukur keeratan hubungan
antara dua variabel
 Koefisien Korelasi

Persamaan untuk menghitung koefisien korelasi adalah

sebagai berikut:
n   XY     X  Y 
r 
n
   X 2

     n
X
2
  Y 2
    
Y
2

Di mana:
r : Nilai koefisien korelasi
ΣX : Jumlah pengamatan variabel X
ΣY : Jumlah pengamatan variabel Y
ΣXY : Jumlah hasil perkalian variabel X dan Y
(ΣX2) : Jumlah kuadrat dari pengamatan variabel X
(ΣX)2 : Jumlah kuadrat dari jumlah pengamatan variabel X
(ΣY2) : Jumlah kuadrat dari pengamatan variabel Y
(ΣY)2 : Jumlah kuadrat dari jumlah pengamatan variabel Y
n : Jumlah pasangan pengamatan Y dan X
 Nilai Koefisien Korelasi

Korelasi negatif Korelasi negatif Tidak ada Korelasi positif Korelasi positif
sempurna sedang Korelasi sedang sempurna

Korelasi negatif Korelasi negatif Korelasi positif Korelasi positif

kuat lemah lemah kuat

-1,0 -0,5 0,0 0,5 1,0

Skala r
Korelasi negatif Korelasi positif
 Contoh Analisis Korelasi

Suatu penelitian dilakukan untuk mengetahui pengaruh uang saku harian

terhadap nilai rata-rata rapot siswa kelas 2 di SMA “Unggul Sejahtera”.
Diambil sampel acak berukuran dan diperoleh data sebagai berikut :

Mhs Uang Saku (X) Nilai rata-rata rapot (Y)

1 30.000 80,17
2 25.000 83,57
3 15.000 85,99
4 20.000 87,33
5 25.000 85,25
6 35.000 80,56
7 15.000 84,77
8 20.000 90,56
9 20.000 87,66
 Contoh Analisis Korelasi

n   XY     X  Y 
Rumus koefisien korelasi : r 
n
   X     X   n  Y    Y  
2 2 2 2

n Y X X^2 XY Y^2

1 80,17 30.000 900.000.000 2.405.100,00 6.427

2 83,57 25.000 625.000.000 2.089.250,00 6.984
3 85,99 15.000 225.000.000 1.289.850,00 7.394
4 87,33 20.000 400.000.000 1.746.600,00 7.627
5 85,25 25.000 625.000.000 2.131.250,00 7.268
6 80,56 35.000 1.225.000.000 2.819.600,00 6.490
7 84,77 15.000 225.000.000 1.271.550,00 7.186
8 90,56 20.000 400.000.000 1.811.200,00 8.201
9 87,66 20.000 400.000.000 1.753.200,00 7.684
Jumlah 765,86 205.000,00 5.025.000.000 17.317.600 65.261
 Pengujian Hipotesis Kofisien Korelasi

1. Hipotesis:
H0 : ρ = 0 Vs H1: ρ ≠ 0
2. Statistik uji Z
n  3  (1  r )(1   ) 
Z hit  ln  
2  (1  r )(1   ) 
3. α yang digunakan 5% (0,05)
4. Hipotesis alternatif >> dua arah (two sided)
Z 0,025=1,96 ,
Daerah kritis (Daerah penolakan H0)
Z<-1,96 dan Z>1,96
(GAMBAR)
 Contoh Analisis Korelasi

Koefisien korelasi :
n   XY     X  Y 
r 
n
   X     X   n  Y    Y  
2 2 2 2

9(17.317.600)  (205.000)(765,86)
r  0, 71
[9(5.025.000.000)  (205.000) ][9(65.621)  (765,86) ]
2 2

Jadi terjadi korelasi negatif antara uang saku

dan nilai rata-rata rapot dan besar korelasi
antara antara uang saku dan nilai rata-rata
rapot adalah -0,71
 Tujuh Langkah Uji Hipotesis

5. Perhitungan statistik uji

n  3  (1  r )(1   ) 
Z hit  ln  
2  (1  r )(1   ) 
9  3  (1  (0, 71))(1  0) 
 ln  
2  (1  (0, 71))(1  0) 
=(1,22)ln (0,17)=-2,16

6. Karena Zhit (-2,16) berada di daerah penolakan H0

maka keputusan adalah tolak H0
7. Sehingga dapat disimpulkan: Dengan tingkat
kepercayaan 95% sudah cukup bukti untuk
menyatakan bahwa terdapat keeratan hubungan
yang signifikan secara statistik antara jumlah uang
saku perhari dengan nilai rata-rata rapot.
ANALISIS REGRESI LINEAR
BERGANDA
 ANALISIS REGRESI LINEAR BERGANDA

Metode statistika yang digunakan untuk

mengetahui hubungan fungsional linear
antara satu variabel respon (Y) dengan
lebih dari satu variabel prediktor (X)
 ANALISIS REGRESI LINEAR BERGANDA

Bentuk persamaan regresi dengan dua variabel prediktor (x) :

ŷ  a  b1 x1  b2 x2
Bentuk persamaan regresi dengan tiga variabel prediktor (x) :

ŷ  a  b1 x1  b2 x2  b3 x3
Bentuk persamaan regresi dengan k variabel prediktor (x) :

ˆ  a  b1 x1  ...  bk xk
y
 ANALISIS REGRESI LINEAR BERGANDA

Bentuk persamaan regresi dengan dua variabel prediktor (x) :

ŷ  a  b1 x1  b2 x2

b 
  x  x y     x y x x 
2
2 1 2 1 2
a
  Y   b  X   b  X 
1 1 2 2

 x  x    x x 
1 2
2 2
1 2 1 2
n

b2 
  x  x y     x y x x 
2
1 2 1 1 2

 x  x    x x 
2 2 2
1 2 1 2
 ANALISIS REGRESI LINEAR BERGANDA

b 
 x 
 2  x1 y    x2 y x1x2 
2

b2 
  x  x y     x y x x 
2
1 2 1 1 2

 x  x    x x   x  x    x x 
1 2 2 2 2
2 2
1 2 1 2 1 2 1 2

  X    X Y 
2

A   x  X  D   x1 y 
1
XY
2 2 1
1 1 1
n n
 X 2 
2

E   x2 y  X 2Y 
 X 2 Y 
B   x22  X 22  n
n
Y 
2
F   x1 x2  X 1 X 2 
  X1  X 2 
C   y 2  Y 2  n
n

b1 
 B.D    E.F 
b2 
 A.E    D.F 
 A.B    F   A.B    F 
2 2
 Contoh Koefisien Regresi Linear
Berganda

Suatu lembaga bimbingan belajar menggunakan 11 orang siswa dalam suatu penelitian untuk
mengetahui besararnya pengaruh antara lama belajar (jam) dan nilai tyout mata pelajaran
matematika terhadap dan nilai rapot mata pelajaran matematika. Data untuk 13 siswa tsb adalah
sebagai berikut:

Y X1 X2
80,4 5 83
75,6 2 80
82,4 3 85
85,4 6 86
84,6 5 89
81,6 4 83
85 6 90
83,7 4 85
86 6 87
78,9 3 82
78,5 2 83
 Contoh Koefisien Regresi Linear
Berganda
Y X1 X2 X1^2 X2^2 Y^2 X1X2 X1Y X2Y
80,4 5 83 25 6889 6464,16 415 402 6673,2
75,6 2 80 4 6400 5715,36 160 151,2 6048
82,4 3 85 9 7225 6789,76 255 247,2 7004
85,4 6 86 36 7396 7293,16 516 512,4 7344,4
84,6 5 89 25 7921 7157,16 445 423 7529,4
81,6 4 83 16 6889 6658,56 332 326,4 6772,8
85 6 90 36 8100 7225 540 510 7650
83,7 4 85 16 7225 7005,69 340 334,8 7114,5
86 6 87 36 7569 7396 522 516 7482
78,9 3 82 9 6724 6225,21 246 236,7 6469,8
78,5 2 83 4 6889 6162,25 166 157 6515,5
902,1 46 933 216 79227 74092,31 3937 3816,7 76603,6

 X    X  Y   (3.816,7)  (46)(902,1)  44, 28

2
(46)2
A   x  X   216   23,64 D   X 1Y 
2 2 1 1
1 1
n 11 n 11
 X   X 2 Y 
2
(933)2
B   x  X
(933)(902,1)
  79.227   91,64 E   X 2Y 
2
2
2
2
2  (76.603,6)   89,12
n 11 n 11
Y 
2
(902,1)2 F   X1 X 2 
  X1  X 2  (46)(933)
C   y 2  Y 2   74.092,31   111,91  (3.937)   35,36
n 11 n 11
 Contoh Koefisien Regresi Linear
Berganda

A  23,64 D  44, 28
b1 
 B.D    E.F 
b2 
 A.E    D.F 
B  91,64 E  89,12
 A.B    F   A.B    F 
2 2

C  111,91 F  35,36

b1 
 91, 64  44, 28  89,12  35, 36   906, 54  0, 99
    
2
23, 64 91, 64  35, 36 916, 04

b2 
 23, 64 89,12    44, 28 35, 36   541, 06  0, 59
    
2
23, 64 91, 64  35, 36 916, 04

a
  Y    b  X    b  X  (902,1)  (0,99)(46)  (0,59)(933)
1 1 2 2
  27,83
n 11
 ANALISIS REGRESI LINEAR BERGANDA

Persamaan regresi yang terbentuk adalah :

yˆ  27,83  0,99 X1  0,59 X 2

Interpretasi :
1.Setiap penambahan 1satuan lama belajar (jam) maka akan meningkatkan
nilai rapot mata pelajaran matematika sebesar 0,99 dengan menganggap nilai
tryout mata pelajaran matematika bernilai konstan.
1.Setiap penambahan 1 satuan nilai tryout mata pelajaran matematika maka
akan meningkatkan nilai rapot mata pelajaran matematika sebesar 0,59
dengan menganggap lama belajar (jam) bernilai konstan.