KLASIFIKASI MODEL REGRESI

Model Regresi Linier Sederhana :

Ŷi = 1 + 2Xi + i

• Misalkan Y: Konsumsi dan X Pendapatan, maka persamaan

ditulis:

Konsumsi = 1 + 2 Pendapatan + I
 Pengamatan
• 10.000 penduduk Banjarmasin , untuk melihat hubungan antara pendapatan
dan konsumsi.

120

100
Konsum si

80

60

40

20

0
0 50 100 150 200

Pendapatan
Bagaimana membentuk suatu garis yang dapat mencerminkan
kondisi umum?
Garis mana yang benar?

 Tidak semua titik berada

pada garis.
120  Hal ini menunjukan bahwa
100
hubungan antara variabel
konsumsi, dan pendapatan
80 tidak eksak.
Konsumsi

60  Secara substansi, kondisi ini

disebabkan masih ada
40 variabel lain yang
20
mempengaruhi konsumsi,
seperti:
0  jumlah anggota keluarga,
0 50 100 150 200  umur anggota keluarga,
 selera pribadi, dan
Pendapatan sebagainya.
 Error/Galat
Jarak antara Garis dan titik observasi disebut error (Beda nilai sesungguhnya
dengan nilai prediksi).

Konsumsi

 = error/kesalahan

Pendapatan
 Teknik Estimasi
Idealnya: seluruh titik berada pada garis.

Kenyataan: Hampir tidak mungkin.

Solusi?

Carilah garis dengan error paling kecil.

Tekhnik Estimasi: Ordinary Least Square (OLS)

 Pemeriksaan Persamaan Regresi

• Standard Error
Prinsip OLS: meminimalkan error. Oleh karena itu, ketepatan dari nilai dugaan sangat
ditentukan oleh standard error dari masing-masing penduga. Adapun standard error
dirumuskan sebagai berikut:

1/ 2
  2 
s.e(b1 )   
  2
 ( X i X ) 

1/ 2
  
2
Xi
s.e(b0 )    
 N (X i  X )2 
 
 Pemeriksaan Persamaan Regresi
Oleh karena  merupakan penyimpangan yang terjadi dalam populasi, yang nilainya tidak
diketahui, maka  biasanya diduga berdasarkan data sampel.
Adapun penduganya adalah sebagai berikut:

 ε i 
1/2
2

s  
 N  2 Berdasar formula: error yang minimal akan
  mengakibatkan standar error koefisien yang minimal
pula.
Berapa batasannya standar error disebut besar atau
εi2 = (Yi  Yˆi ) 2 kecil?
 Pemeriksaan Persamaan Regresi
• Sulit ditentukan secara absolut.
– Data jutaan rupiah tentunya akan memiliki standar error yang lebih
besar dibanding ratusan rupiah.
• Digunakan dengan membuat rasio dengan koefisien regresi.
Bila rasio tersebut bernilai 2 atau lebih, dapat dinyatakan
bahwa nilai standar error relatif besar dibanding
Parameternya.
• Rasio inilah yang menjadi acuan pada Uji-t.
 Uji Hipotesis
• Uji-F
Diperuntukkan guna melakukan uji hipotesis koefisien (slope) regresi secara bersamaan.
H0 : 2 = 3 = 4 =............= k = 0
H1 : Tidak demikian (paling tidak ada satu slop yang  0)
Dimana: k adalah banyaknya variabel bebas.

• Regresi sederhana:
H0 : 1 = 0
H1 : 1  0

• Pengujian: Tabel ANOVA (Analysis of Variance).

 Uji-F
• Observasi: Yi = 0 + 1 Xi + ei
• Regresi: Ŷi = b1 + b2 Xi (catatan: Ŷi merupakan estimasi dari Yi).

• Bila kedua sisi dikurangi maka:

Selanjutnya kedua sisi dikumulatifkan:

Y
Yi  Y  Y  Y  ei
SST SSR SSE
 (Y  Y )
i
2
  (Yi  Y  ei ) 2
 (Y  Y ) i
2
  (Yi  Y ) 2   ei 2
• SST : Sum of Squared Total
• SSR : Sum of Squared Regression
• SSE : Sum of Squared Error/Residual
 Uji F
Tabel ANOVA
Sumber Sum of Square df Mean Squares F Hitung
Regresi SSR k MSR = SSR/k F = MSR
Error SSE n-k-1 MSE= SSE/(n-k-1) MSE
Total SST n-1

• df adalah degree of freedom, k adalah jumlah variabel bebas (koefisien slope), dan n jumlah
observasi (sampel).
• Bandingkan F Hit dengan Fα(k,n-k-1)
 Uji-t

• Pengujian koefisien regresi secara individu.

H0 : j = 0
H1 : j  0; j = 0, 1, 2........, k k adalah
koefisien slope.
• Untuk regresi sederhana:
(1) H0 : 0 = 0 (2) H0 : 1 = 0
H1 : 0  0 H1 : 1  0;
• Uji-t didefinisikan sebagai berikut:

bj   j j akan diuji apakah

bj
t t
s.eb j  sama dengan 0 s.eb j 
 Uji-t
• Nilai t dibandingkan dengan nilai t tabel. Bila ternyata, setelah dihitung t > t/2,
maka nilai t berada dalam daerah penolakan, sehingga hipotesis nol (j = 0) ditolak
pada tingkat kepercayaan (1-) x100%. Dalam hal ini dapat dikatakan bahwa j
statistically significance.
• Khusus untuk Uji-t ini dapat dibuat batasan daerah penolakan secara praktis, yaitu:
Bila derajat bebas = 20 atau lebih dan  = 5%, maka hipotesis j = 0 akan ditolak jika
 Koefisien Determinasi
• Koefisien Determinasi (Goodness of Fit), yang dinotasikan dengan R2,menginformasikan baik atau tidaknya
model regresi yang terestimasi.
• Atau dengan kata lain, angka tersebut dapat mengukur seberapa dekatkah garis regresi yang terestimasi dengan
data sesungguhnya.

• Nilai Koefisien Determinasi ini mencerminkan seberapa besar variasi dari variabel terikat Y dapat diterangkan
oleh variabel bebas X.
– Bila nilai Koefisien Determinasi sama dengan 0 (R2 = 0), artinya variasi dari Y tidak dapat diterangkan oleh X
sama sekali.
– Sementara bila R2 = 1, artinya variasi dari Y secara keseluruhan dapat diterangkan oleh X. Dengan kata lain
bila R2 = 1, maka semua titik-titik pengamatan berada tepat pada garis regresi.
– Dengan demikian baik atau buruknya suatu persamaan regresi ditentukan oleh R2-nya yang mempunyai
nilai antara nol dan satu.
 Koefisien Determinasi
• R2 didefinisikan atau dirumuskan berdasarkan langkah-langkah sebagaimana
yang dilakukan pada Tabel ANOVA. Adapun rumusannya adalah:

SSR
R 2

SST
Apabila tidak ada penyimpangan tentunya tidak akan ada error.
Maka SSE = 0, yang berarti SSR = SST atau R2 = 1.
Atau dengan kata lain, semua titik-titik observasi berada
tepat di garis regresi.
Jadi, SST sesungguhnya adalah variasi dari data, sedang SSR adalah variasi
dari garis regresi yang dibuat.
 Nilai Ekstrim (Outlier)
• Kenapa perlu diperhatikan?
• Regresi didasarkan pada rata-rata
sei
• Nilai berapa yang disebut ekstrim?
ei
2
s ei

sei adalah standar error estimasi atau akar dari Mean Square of Error
Interpretasi Parameter Model Regresi Linier Sederhana
Dugaan persamaan garis regresi linier sederhana
Interpretasi Parameter Model Regresi Linier Sederhana
 Contoh Regresi Linier Sederhana
Pengusaha tanaman jeruk ingin mengetahui hubungan
antara nilai hasil-jual buah jeruk (Rp.) dengan luas
kebun jeruk (m2).

1) 10 kebun jeruk diambil secara acak sebagai contoh

2) Peubah tak bebas (Y) = hasil panen buah (juta
rupiah)
3) Peubah bebas (X) = luas kebun jeruk (m2).
 Data hasil survei
Hasil panen (Y) Luas Kebun (X) Diagram pencar Hasil Panen vs Luas Kebun
(Rp.juta) (m2)
245 1400
312 1600

Hasil panen, jt rp
279 1700
308 1875
199 1100
219 1550
405 2350
324 2450
319 1425
255 1700
Luas Kebun , m2
Model Regresi-nya:
Y = β0 + β1 X + ε
Persamaan Garis Regresi-nya : Y = β0 + β1X
Diduga dengan : Y = b0 + b1 X
 Menghitung Parameter regresi

Analisis Regresi : Hasil Panen versus Luas Kebun

b0

Hasil Panen = 98,25 + 0,110 Luas Kebun

Predictor Coef SE Coef T P

Constant 98,25 58,03 1,69 0,129
Luas Kebun 0,10977 0,03297 3,33 0,010

S = 41,3303 R-Sq = 58,1% R-Sq(adj) = 52,8% (R square adjusted)

b1
 Model Hasil Panen:
Diagram pencar dan Garis Regresi

Hasil panen, jt rp
Kemiringan
= 0.10977

Luas Kebun , m2

Intersep
= 98.248

Hasil Panen = 98,25 + 0,110 Luas Kebun

 Interpretasi Intersep b0

Hasil Panen = 98,25 + 0,10977 Luas Kebun

b0 adalah dugaan nilai rataan Y, jika X = 0.

Dalam hal ini tidak ada kebun jeruk yang luasnya 0 m2,
jadi b0 = 98.25 hanya mengindikasikan bahwa:
untuk luas kebun yang berada dalam selang pengamatan, Rp
98.250.000 merupakan bagian dari hasil panen yang tidak
diterangkan oleh luas kebun.
 Interpretasi koefisien kemiringan, b1

Hasil Panen = 98,25 + 0,10977 Luas Kebun

b1 mencerminkan perubahan rataan Y jika X berubah satu satuan.

Dalam hal ini, b1 = 0.10977 mempunyai makna bahwa setiap penambahan
satu m2 luas kebun jeruk, rataan hasil panen jeruk akan naik sebesar
0,10977 juta rupiah.
 Sidik Ragam Regresi
Nilai pengamatan Yi bervariasi (beragam).
Keragaman ini disebabkan oleh ?
 Sidik Ragam Regresi
Nilai Yi bervariasi (beragam). Keragaman ini disebabkan oleh apa?
 Sumber Keragaman Regresi

Untuk suatu nilai Xi keragaman nilai pengamatan Yi

disebabkan oleh :
1. Penyimpangan nilai pengamatan Yi terhadap dugaan nilai harapannya:

2. b0 dan b1 beragam, sehingga menghasilkan dugaan garis regresi yang

beragam ------ memiliki nilai rataan Ÿ.

Penyimpangan suatu dugaan garis regresi terhadap rataannya

menyebabkan beragamnya data.
 Mengukur Keragaman
Total Keragaman disebabkan oleh dua bagian ini :
 Ukuran Keragaman

1. JKT = Jumlah Kuadrat Total.

Mengukur keragaman nilai Yi di sekitar nilai rataannya Y.

2. JKR = Jumlah Kuadrat Regresi.

Menjelaskan keragaman karena ada hubungan linier antara X dan Y.

3. JKS = jumlah Kuadrat Sisa

Menjelaskan keragaman yang disebabkan oleh faktor-faktor selain
faktor hubungan linier X dan Y.
 Derajat Bebas Jumlah Kuadrat

Ukuran keragaman adalah ragam:

Derajat bebas bagi JKsisaan = N - 2

Derajat bebas bagi

 Tabel Sidik Ragam
Pada analisis regresi ini tentunya diharapkan JKregresi lebih besar dari
JKsisa  sehingga dapat dikatakan bahwa variasi nilai Y disebabkan oleh
perubahan nilai X.

S2, jika
Modelnya
pas
 Tabel Sidik Ragam
Analisis Ragam Regresi

The regression equation is

Hasiol Panen = 98,25 + 0,110 Luas Kebun

Predictor Coef SE Coef T P

Constant 98,25 58,03 1,69 0,129
Luas Kebun 0,10977 0,03297 3,33 0,010
S = 41,3303 R-Sq = 58,1% R-Sq(adj) = 52,8%

Analysis of Variance
Source DF SS MS F P
Regression 1 18935 18935 11,08 0,010 Tabel Sidik Ragam
Residual Error 8 13666 1708
Total 9 32600

DF = db; SS = JK; MS = KT KT = JK/db F = KT(R) / KT(S)

 Uji Koefisien Regresi
Ragam dari koefisien kemiringan garis regresi (b1) diduga sbb :

dimana:
= dugaan simpangan baku kemiringan garis regresi

= dugaan ragam x

= akar KTG = Akar Kuadrat Tengah Galat = dugaan

simpangan baku sisa.
 Uji Koefisien Regresi: Uji-t
Pada model regresi linier sederhana :

Uji-t untuk koefisien regresi populasi (β1)

Apakah ada hubungan linier antara X dan Y?

Hipotesis Nol dan hipotesis alternatif:

H0: β1 = 0 (tidak ada hubungan linier antara X dan Y)

H1: β1 ≠ 0 (ada hubungan linier antara X dan Y)

Uji Statistik:

dimana:
b1 = koefisien (kemiringan) regresi
β1 = kemiringan yang dihipotesiskan
sb1 = simpangan baku kemiringan.
 Uji Koefisien Regresi (b1): uji t
Apakah luas kebun mempengaruhi hasil panen buah
(secara linier)?

Hasil analisis dengan MINITAB:

Predictor Coef SE Coef T P

Constant 98,25 58,03 1,69
0,129
Luas kebun 0,10977 0,03297 3,33
0,010
 Uji Koefisien Regresi (b1): uji t
Statistik Uji-nya : t = 3.329
Keputusan:
Tolak H0
Kesimpulan :
Cukup bukti untuk
Hasil analisis dengan MINITAB: mengatakan
bahwa luas kebun
Predictor Coef SE Coef T P mempengaruhi hasil
Constant 98,25 58,03 1,69 0,129 panen
Luas kebun 0,10977 0,03297 3,33 0,010
 Uji Koefisien Regresi (b1): uji t
Nilai peluang P = 0.01039

Hasil analisis dengan MINITAB:

Predictor Coef SE Coef T P Keputusan:

Constant 98,25 58,03 1,69 P-value < α jadi
0,129 Tolak H0
Luas kebun 0,10977 0,03297 3,33
0,010 Kesimpulan:
Cukup bukti untuk mengatakan bahwa
Ini adalah uji dua sisi, jadi p-valuenya : luas kebun mempengaruhi hasil
P(t > 3.329)+P(t < -3.329) = 0.01039 panen
(db. 8)
 Uji Koefisien b0
Nilai peluang P = 0.129

Hasil analisis dengan MINITAB:

Predictor Coef SE Coef T P Keputusan:

Constant 98,25 58,03 1,69 P-value > α jadi
0,129 Terima H0
Luas kebun 0,10977 0,03297 3,33
0,010
Kesimpulan:
Tidak cukup bukti untuk mengatakan bahwa ada hasil panen buah yang tidak dapat
dijelaskan oleh luas kebun
 Kualitas Fitted Model
Apakah model regresi sudah cukup bagus mewakili data?
Apakah model regresi cukup baik untuk model peramalan?
Diagram pencar
 Kualitas Fitted Model
Apakah model regresi sudah cukup bagus mewakili data?
Apakah model regresi cukup baik untuk model peramalan?
Diagram pencar
 Koefisien Determinasi, R2
Koefisien determinasi mengukur proporsi ragam atau variasi total di sekitar
nilai tengah (Y) yang dapat dijelaskan oleh garis regresi.

Secara grafis mengukur jarak (jauh/dekatnya) titik pengamatan terhadap garis

regresi.

Koefisien determinasi juga disebut R-kuadrat dan dinotasikan sebagai R2

 Koefisien Determinasi, R2
Analisis dengan MINITAB
The regression equation is
Hasil Panen = 98,25 + 0,110 Luas Kebun

Predictor Coef SE Coef T P

Constant 98,25 58,03 1,69 0,129
Luas Kebun 0,10977 0,03297 3,33 0,010
S = 41,3303 R-Sq = 58,1% R-Sq(adj) = 52,8%

Analysis of Variance
Source DF SS MS F P
Regression 1 18935 18935 11,08 0,010
Residual Error 8 13666 1708
Total 9 32600 58.08% keragaman hasil panen dapat
dijelaskan oleh keragaman luas
kebun
 Berbagai Kondisi yg Menggambarkan
Perbedaan antara R2 dan rXY

The regression equation is The regression equation is

Y3 = 1,27 + 3,10 X1
S = 1,53396 R-Sq = 97,7%
R-Sq(adj) = 97,4%
Correlations: Y3; X1
Pearson correlation of Y3 and X1 = 0,988
Y4 = 2,07 + 3,01 X1
S = 3,44414 R-Sq = 88,7%
R-Sq(adj) = 87,3%
Correlations: Y4; X1
Pearson correlation of Y4 and X1 = 0,942
 Kondisi yg Menggambarkan Perbedaan b1 dan rXY

The regression equation is The regression equation is

C7 = 37,7 - 3,38 X1
S = 6,09048 R-Sq = 76,0%
R-Sq(adj) = 73,0%
Correlations: C7; X1
Pearson correlation of C7 and X1 = -0,872
Y6 = 3,50 + 0,116 X1
S = 0,275434 R-Sq = 64,8%
R-Sq(adj) = 60,4%
Correlations: Y6; X1
Pearson correlation of Y6 and X1 = 0,805
 Peramalan

1. Persamaan garis regresi dapat digunakan untuk memprediksi / meramal nilai Y

jika X diketahui (hati-hati hanya untuk X yang berada dalam kisaran
pengamatan)

2. Untuk suatu nilai, Xn+1 , nilai prediksi bagi Y adalah:

 Memprediksi dengan menggunakan
persamaan garis regresi

Berapa kira-kira hasil panen buah dari kebun jeruk yang luasnya 2000 m2 !
(data 2000 m2 bukan titik pengamatan, namun
masih berada dalam kisaran pengamatan)----------- INTERPOLASI.

Hasil panen = 98.25 + 0.1098 (Luas Kebun) = 98.25 +0.1098 (2000) = 317.85

Prediksi hasil panen buah dengan luas kebun 2000 m2 adalah

Rp 317.85 juta.
 KISARAN (SELANG) DATA YANG RELEVAN

Ketika garis regresi DIGUNAKAN sebagai alat untuk memprediksi, maka X yang boleh digunakan
adalah X yang nilainya dalam selang pengamatan.

Hasil panen, Rp

Luas kebun, m2
SELANG-KEPERCAYAAN

X
Xi
 Selang Kepercayaan bagi
individu Y, untuk suatu nilai x

Selang kepercayaan individu Yn+1 untuk suatu nilai Xn+1

 REGRESI LINEAR
Persamaan regresi linier untuk menduga nilai variabel dependen (Y) berdasarkan
nilai variabel independen (X) tertentu :
Y=a+bX
n XY   X  Y
b
n X 2   X 
2

Nilai b (slope garis regresi), Rumus :

a
 Y  b X
Nilai a (intersep garis regresi), Rumus : n
 Koefisien Determinasi R2

Koefisien determinasi adalah besarnya keragaman di dalam variabel Y yang

dapat diberikan (dijelaskan) oleh model regresi yang diperoleh.

Nilai R2 berkisar antara 0 - 1.

Apabila nilai R2 dikalikan 100%, maka hal ini menunjukkan persentase

keragaman variabel Y yang dapat dijelaskan oleh model regresi.

Semakin besar nilai R2, semakin baik model regresi yang diperoleh.
 REGRESI LINEAR

Y Y

α α
a
a
0 1 2 X 0 1 2 X

Y = a + b X; b = tangen α
contoh garis regresi dalam bentuk grafik
Dalam grafik tampak bahwa sumbu X
berada pada kisaran angka 5 lebih
sedikit hingga angka 15 lebih sedikit.

Hal ini berarti bahwa kita hanya

diijinkan untuk melakukan
prediksi nilai Y untuk nilai X yang
berada dalam rentang tersebut.

Dalam contoh ini, karena data untuk

variabel X tidak ada angka nol atau
mendekati nol, intersep dikatakan tidak
memiliki makna yang berarti, sehingga
tidak perlu diinterpretasikan.
 Pengambilan Keputusan dengan p-value
Untuk memutuskan apakah H0 ditolak atau diterima, diperlukan kriteria uji. Kriteria uji yang
paling sering digunakan akhir-akhir ini adalah p-value. P-value lebih disukai dibandingkan kriteria
uji lain seperti tabel distribusi dan selang kepercayaan.
Hal ini karena p-value memberikan dua informasi sekaligus, yaitu petunjuk apakah H0 pantas
ditolak, dan p-value juga memberikan informasi mengenai peluang terjadinya kejadian yang
disebutkan di dalam H0 (dengan asumsi H0 dianggap benar).

Definisi p-value adalah tingkat signifikansi terkecil sehingga nilai suatu uji statistik yang
sedang diamati masih signifikan.

Misalnya, p-value sebesar 0.021, hal ini berarti bahwa jika H0 dianggap benar, maka kejadian yang
disebutkan di dalam H0 hanya akan terjadi sebanyak 21 kali dari 1000 kali percobaan yang sama.
Oleh karena sedemikian kecilnya peluang terjadinya kejadian yang disebutkan di dalam H0
tersebut, maka kita dapat menolak pernyataan yang ada di dalam H0 . Sebagai gantinya, kita
menerima pernyataan di dalam H1 .
 Pengambilan Keputusan dengan p-value
p-value dapat diartikan sebagai besarnya peluang melakukan kesalahan apabila kita
memutuskan menolak H0.

Pada umumnya, p-value dibandingkan dengan suatu taraf signifikansi tertentu, biasanya
α = 0.05 atau 5%.
Taraf signifikansi diartikan sebagai peluang kita melakukan kesalahan untuk
menyimpulkan bahwa H0 salah, padahal sebenarnya statement H0 yang benar.
Kesalahan semacam ini disebut kesalahan Tipe I (Type one error).

Misalnya yang digunakan α = 0.05, jika p-value = 0.021 (< 0.05), maka kita berani
memutuskan menolak H0 .
Hal ini disebabkan karena jika kita memutuskan menolak H0 (menganggap statement H0
salah), kemungkinan kita melakukan kesalahan masih lebih kecil dari 0.05, dimana 0.05
merupakan ambang batas maksimal dimungkinkannya kita salah dalam membuat
keputusan.
 REGRESI LINEAR
Tabel 2. Hasil panen jagung dengan dosis pemupukan urea

Kompon Pupuk Hasil jagung

(kg/ha): X (kg/ha): Y
en
0 4.230
50 5.442
100 6.661
150 7.150

Jumlah 300 23.483

Rata-rata 75 5.870,75
 REGRESI LINEAR
Tabel 2. Hasil panen jagung dengan dosis pemupukan urea

Pupuk Hasil jagung XY X2 Y2

(kg/ha): X (kg/ha): Y

0 4.230 0 0 17.892.900
50 5.442 272.100 2.500 29.615.364
100 6.661 666.100 10.000 44.368.921
150 7.150 1.072.500 22.500 51.122.500

Jumlah 300 23.483 2.010.700 35.000 142.999.685

Rata-rata 75 5.870,75
 REGRESI LINEAR
n XY   X  Y 4 x 2.010.700  300 x 23.483
b 
n X   X  4 x35.000  300 
2 2 2

8.042.800  7.044.900 997.900

b   19,96
140.000  90.000 50.000

a
 Y  b X

23.483  19,96 x300
n 4

23.483  5.989 17.495

a   4.374
4 4
 REGRESI LINEAR
Persamaan regresi linear :

Y=a+bX

Y = . . . . . + …,… X unt. (0 ≤ X ≤ 150)

Jika X = 55 ----- Y = …….?

Y = ……… + (…… x ….)
= …… + …….
= ………..
 Pengujian Signifikansi dan linieritas Garis Regresi
Setelah diperoleh persamaan garis regresi, langkah berikutnya adalah melakukan
pengujian apakah persamaan tersebut signifikan serta linier atau tidak. Untuk itu terlebih
dahulu perlu dicari Jumlah kuadrat untuk masing-masing sumber ragam :

Jumlah Kuadrat :
JKT(Jumlah Kuadrat Total) =  Y2
JK (Jumlah Kuadrat) (a) = ( Y)2
N
JK (R) (Jumlah Kuadrat Total direduksi) = JKT - JK (a)
JK (Jumlah Kuadrat) (b) = b  xy
JKS (Jumlah Kuadrat Sisa) = JKR - JK (b)
JK (G) (Jumlah Kuadrat Galat) =  (yk 2)
JK(TC) (Jumlah Kuadrat Tuna Cocok) = JKS - JKG
 ANOVA = Analysis of Variance
Nilai-nilai hasil perhitungan tersebut kemudian dimasukan pada tabel Anova sbb :

Tabel . Anova untuk pengujian Signifikansi dan linieritas

Persamaan regresi
Sumber
Ragam db JK RJK Fh Ft0.05 Ft0.01

Total .. …..

Regresi a ….. …..

Regresi b ….. ….. ….. ….. …..
Sisa ….. …..

Kesimpulan : …………..
Sidik Ragam (Anova) Regresi
 Uji F

F-hitung disimbulkan dengan Fhit ini diartikan bahwa dalam pengujian F akan dibuktikan
suatu hipotesis nol (H0) : Fhit = 0 dan H1: Fhit > 0

Kemudian F-hitung dibandingkan dengan F-tabel yang biasa ditulis dengan:

Fhitung ≈ Ftabel
(Di mana Ftabel = F(α, p,n-2) dan α = taraf nyata )

Kreteria pengujian nilai Fhit adalah:

1. Jika Fhit ≤ F(tabel 5%). Hal ini berarti bahwa garis regresi penduga (Ŷ) linier sederhana
yang didapat tersebut bukan garis regresi yang terbaik untuk menghampiri pasangan
pengamatan X,Y. Atau dapat dikatakan ini berarti bahwa terdapat hubungan bukan linier
pada pasangan pengamatan X,Y tersebut.
2. Jika Fhit > F(tabel 5%). Hal ini berarti bahwa terdapat hubungan linier antara pengaruh X
terhadap Y. Atau dapat dikatakan bahwa garis regresi penduga (Ŷ) linier
sederhana yang didapat tersebut adalah garis regresi penduga yang terbaik untuk
menghampiri pasangan pengamatan X,Y.
 Uji signifikansi koefisien regresi (bi)

Pengujian yang dilakukan dengan uji F seperti di atas, dapat memberikan

petunjuk apakah setiap variabel X menunjukkan pengaruh atau hubungan yang
nyata terhadap variabel Y.

Jika Uji-F atau uji ragam regresi menunjukkan bahwa Fhit > F(tabel 5%) barulah
dilanjutkan dengan uji koefisien regresi (Uji-t).

Secara umum uji t mempunyai rumus adalah:

Rumus t-hitung
t-hitung dibandingkan dengan t-tabel
 DISTRIBUTION TABEL NILAI F0,05
DEGREES OF FREEDOM FOR NOMINATOR