Disusun Oleh :
KARINA (11754202174)
JURUSAN MATEMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI SULTAN SYARIF KASIM
PEKANBARU
2020
0
BAB II
PEMBAHASAN
Istilah regresi pertama kali dalam konsep statistik digunakan oleh Sir
Francis Galton pada tahun 1886 di mana yang bersangkutan melakukan kajian
yang menunjukkan bahwa tinggi badan anak-anak yang dilahirkan dari para orang
tua yang tinggi cenderung bergerak (regress) ke arah ketinggian rata-rata populasi
secara keseluruhan. Galton memperkenalkan kata regresi (regression) sebagai
nama proses umum untuk memprediksi satu variabel, yaitu tinggi badan anak
dengan menggunakan variabel lain, yaitu tinggi badan orang tua.1
Sehingga dapat disimpulkan bahwa regresi linear sederhana (RLS)
merupakan alat statistik yang digunakan untuk mengetahui pengaruh antara satu
variabel bebas terhadap satu variabel terikat. Variabel bebas dapat pula disebut
dengan istilah prediktor atau variabel independen (x) dan variabel terikat sering
disebut dengan istilah kriterium atau variabel dependen (y).
Penerapan regresi linear sederhana dapat ditemukan secara luas di
berbagai bidang seperti bidang pertanian, ekonomi, medis dan pendidikan. Contoh
penggunaan regresi linear sederhana di berbagai bidang, antara lain:
1. Pengaruh jumlah pupuk terhadap produksi pertanian
2. Pengaruh daya beli masyarakat terhadap hasil penjualan saham
3. Pengaruh penghasil terhadap tingkat inflansi
4. Pengaruh citra perusahaan terhadap minat beli pelanggan
5. Pengaruh rokok terhadap kanker paru-paru
6. Pengaruh lamanya belajar terhadap nilai ujian
7. Pengaruh IQ terhadap IPK
8. Pengaruh berat badan terhadap tekanan darah
1
Jonathan Warsono, “Mengenal apa itu Analisis Regresi”,
http://www.jonathansarwono.info/regresi/regresi.htm (Diakses pada 19 April 2019, pukul 10.58)
1
Secara umum, persamaan regresi linear sederhana dapat ditulis sebagai
berikut:
^y = β^ 0 + β^ 1 x. (1)
2
mahasiswa ingin mengetahui pengaruh berat badan terhadap tinggi badan. Dari
contoh di atas dapat diketahui bahwa:
x: Berat badan (variabel dependen)
y: Tinggi badan (variabel independen)
2. Uji Kenormalan
Uji kenormalan pada regresi digunakan untuk menguji apakah nilai
residual yang dihasilkan dari regresi terdistribusi secara normal atau tidak.
Model regresi yang baik adalah yang memiliki nilai residual yang
terdistribusi secara normal. Langkah-langkah uji kenormalan:
Langkah 1: Hipotesis
Ho: Data berdistribusi normal
H1: Data tidak berditribusi normal
Langkah 2: Tingkat Signifikansi (α )
Langkah 3: Uji statistik
Langkah 4: Keputusan Terima Ho jika Asymp. Sim > α
Langkah 5: Kesimpulan.
3
menetapkan tipe persamaan yang menunjukkan hubungan antara kedua variabel
tersebut.
n
S yy =∑ y − 2
i
(∑ )
i =1
yi
(2)
i=1 n
2. Estimasi interval dari parameter x (Sxx)
n 2
n
S xx =∑ x − 2
i
(∑ )
i =1
xi
(3)
i=1 n
3. Estimasi interval dari parameter x (Sxy)
n n
n
S xy =∑ x i yi −
(∑ )(∑ )
i=1
xi
i=1
yi
(4)
i=1 n
Maka koefisien korelasi antara x dan y adalah
n S xy
r =n ∑ xi y i−¿ ¿ ¿ =
i=1 √ S xx S yy
4
r=0 Tidak ada hubungan linear
Berdasarkan tabel 1.1 maka dapat dilihat korelasi dalam scatter plot di
bawah ini:
Hubungan linear positif Hubungan linear positif sempurna Hubungan linear negatif kuat
kuat
Hubungan korelasi parabolic Hubungan korelasi parabolic Tidak ada hubungan antara x
dan y
Gambar 1.3 Korelasi
Koefisien regresi
β 0 dan β 1 merupakan parameter dan nilainya tidak
diketahui, tetapi parameter tersebut dapat diestimimasi dari data sampel. Ada 2
metode estimasi yang biasa digunakan untuk mengestimasinya, yaitu:
a. Metode kuadrat Terkecil/Ordinary least square (OLS)
b. Metode Maksimum Likelihood (MML). 2
Dalam hal ini, metode yang akan digunakan adalah Metode kuadrat
Terkecil/Ordinary least square (OLS).
5
Dengan,
e i= y i− ^y
SSE merupakan jumlah kuadrat kesalahan kesalahan garis regresi,
sehingga:
n
SSE=∑ (e i)2 (6)
i=1
n
2
∂∑ (ei )
i=1
=0
∂ ^β 0
n
2
∂ ∑ ( y i−^y )
i=1
=0
∂ β^ 0
n
−2 ∑ ( y i− ^β0 − ^β 1 x i )=0
i=1
∑ ( y i− ^β 0− β^ 1 x i )=0
i=1
n n n
∑ yi −∑ ^β 0−∑ β^ 1 x i=0
i=1 i=1 i=1
n n
∑ yi −n ^β 0−∑ ^β 1 x i=0
i=1 i=1
6
n n
∑ yi ∑ xi
i=1
− ^β 0− ^β 1 i=1 =0
n n
Sehingga diperoleh ^β 0:
^β 0= ý − ^β1 x́ (7)
Sedangkan ^β 1 dapat diproleh dengan menurunkan error terhadap ^β 1:
n
2
∂∑ (ei )
i=1 =0
∂ ^β 1
n
2
∂ ∑ ( y i−^y )
i=1
=0
∂ ^β1
n
2
∂ ∑ ( y i− β^ 0− ^β1 xi )
i=1
=0
∂ ^β 1
n
2 ∑ ( y i− ^β0 − ^β1 x i) (−x i) =0
i=1
∑ ( y i− ^β 0− β^ 1 x i ) (−x i ) =0
i=1
n n n
−∑ x i yi + β^ 0 ∑ x i+ β^ 1 ∑ x 2i =0
i=1 i=1 i=1
7
n n n
−∑ x i yi + ( ý− ^β 1 x́ ) ∑ x́ i + ^β 1 ∑ x 2i =0
i=1 i=1 i=1
n n
n
− ∑ x i yi +
i=1
( ∑
i=1
n
yi
− ^β1 i =1
n
∑ xi
) n
∑ x i+ ^β1 ∑ x 2i =0
i=1 i=1
n
n n n
2
n ∑ y i ∑ xi ( ∑ xi ) n
i=1 i=1 i=1
−∑ x i yi +¿ − β^ 1 + β^ 1 ∑ x2i =0 ¿
i=1 n n i=1
n n n n 2 n
−n ∑ x i y i + ∑ x i ∑
i=1 i=1 i=1
y i− ^β 1
( )
∑ xi
i=1
+n ^β 1 ∑ x 2i =0
i=1
n n 2
n n 2 n n n
(
^β 1 n ∑ x 2i −
i=1
(∑ ) )
i=1
xi =n ∑ x i y i−∑ x i ∑ y i
i=1 i=1 i=1
Sehingga diperoleh:
n n n
n ∑ xi y i−∑ x i ∑ y i
i=1 i=1 i=1 S xy
^β 1= = (8)
n n 2
S xx
n∑ x −
i=1
2
i (∑ )i=1
xi
8
β0
Dalam Diagnostic Checking akan dilakukan uji hipotesis terhadap
dan β1
, untuk apakah ada hubungan linear yang signifikan antara variabel
independen x dan variabel dependen y.
a. Pengujian Linearitas dan Signifikansi menggunakan t-tabel
Uji Linearitas (Intercept)
Langkah 1: Hipotesis
H 0 : β 0 =0
H 1 : β 0 ≠0
β0 <0
β0 >0
t α/2,n−2
Mencari nilai t-tabel:
9
Langkah 5: Kesimpulan
Uji Signifikansi (Slope)
Langkah 1: Hipotesis
H 0 : β 1 =0
H 1 : β 1 ≠0
β1 < 0
β1 > 0
t α/2,n−2
Mencari nilai t-tabel:
10
¿
SSE=S yy −β 1 S xy ¿
SSE
MSE=
n−2
Langkah 5: Kesimpulan
b.
Pengujian Menggunakan tabel ANOVA
Error SSE n-
F=MSR/MSE
2 p-value
MSE=SSE/(n-2)
Total SST n-
n
2
SSR=∑ ( ^y − ý )
i=1
n
2
SSE=∑ ( y i−^y )
i=1
n
2
SST =∑ ( y i− ý )
i=1
11
Uji Kesesuaian Model (Uji Linearitas)
Langkah 1: Hipotesis
H 0 : β 1 =0
H 1 : β 1 ≠0
β1 < 0
β1 > 0
maka terima Ho
Jika p−value>α
Langkah 5: Kesimpulan.
12
9 3.01 6
...
29 3.85 6
13
Untuk data variabel x, nilai p-value (0.157) > α = (0.05)
maka terima H0.
c. Scatter plot
Cara sederhana untuk melihat pola hubungan antara variabel y dan x dengan
menggunakan diagram sebar (scetter diagram). Dengan menggunakan
Aplikasi Minitab, klik Grap-scatterplot-simple- lalu masukkan variabel x dan
variabel y - klik OK, maka akan muncul output sebagai berikut:
14
Dari diagram di atas, kita dapat melihat hubungan antara lamanya
waktu mengerjakan tugas (x) dengan nilai IPK (y) (korelasi). Akan tetapi,
data tersebut tidak membentuk garis linear, sehingga kita tidak dapat
menyimpulkan bahwa lamanya waktu mengerjakan tugas (x) berpangaruh
atau tidak terhadap nilai IPK (y).
d. Korelasi
Klik menu Stat-Basic statistic-correlation-klik OK. Maka akan muncul
output sebagai berikut:
e. Estimasi Parameter
Klik stat-klik regression-klik regression-fit regression model-klik ok. Maka
akan muncul output sebagai berikut:
Dari Gambar 1.8 di atas, maka dapat diketahui nilai estimasi parameter
β 0=2.806 dan β 0=0.0266 .
Langkah 1: Hipotesis
15
H 0 : β 0 =0
H 1 : β 0 ≠0
α=5 %
Langkah 5: Kesimpulan
16
Dapat disimpulkan bahwa garis regresi tidak melalui titik
pusat atau pangkal (konstanta signifikan dalam persamaan
regresi).
Uji Signifikansi (Slope)
Langkah 1: Hipotesis
H 0 : β 0=0
H 1 : β 0≠0
α=5 %
Langkah 4: Kesimpulan
regresi.
Uji Kesesuaian Model (Uji Linearitas)
Langkah 1: Hipotesis
H 0 : β 1 =0
H 1 : β 1 ≠0
α=5 %
17
Langkah 3: Statistik Uji
maka tolak Ho
Jika p−value=0.016<α =0.05
Langkah 5: Kesimpulan.
KESIMPULAN
Dari uji hipotesis tersebut, dapat disimpulkan bahwa terdapat pengaruh
lamanya waktu mengerjakan tugas (x) terhadap nilai IPK (y). Di mana lamanya
waktu mengerjakan tugas berpengaruh positif terhadap nilai IPK mahasiswa
jurusan Matematika. Akan tetapi, lamanya waktu mengerjakan tugas (x) dengan
nilai IPK (y) hanya 19.7%.
DAFTAR PUSTAKA
18