STATISTIKA MATEMATIKA II

REGRESI LINIER SEDERHANA

NAMA KELOMPOK
1. DESSY MAYUNI APSARI (10310001)
2. I PUTU AGUS YOGA ANGGARA KUSUMA (10310007)
3. I MADE EDI SURYAWAN (10310008)
4. DEWA AYU SETIAWATI (10310010)
5. I KOMANG SUMANA DANA (10310011)
6. I PUTU ADI DARMAWAN (10310015)
7. NI LUH GEDE SRI WYANTI (10310032)
8. MADE INDAYANI (10310038)

JURUSAN PENDIDIKAN MATEMATIKA

FAKULTAS PENDIDIKAN MATEMATIKA DAN
ILMU PENGETAHUAN ALAM
INSTITUT KEGURUAN DAN ILMU PENDIDIKAN
SARASWATI TABANAN
2013
 KATA PENGANTAR

Puja dan puji syukur dipanjatkan kehadapan Ida Sang Hyang Widhi
Wasa/Tuhan Yang Maha Esa, karena atas asung kertha nugraha-Nya sehingga
Makalah ini akhirnya tersesaikan tepat pada waktunya. Penyusunan makalah ini
dibuat untuk melengkapi tugas kuliah.
Penulis mengucapkan terima kasih kepada semua pihak yang telah
membantu terselesaikannya makalah ini. Penulis menyadari bahwa laporan ini
masih jauh dari sempurna, maka diharapkan masukan dan kritikan yang
membangun dari pembaca.
Semoga laporan ini bermanfaat bagi para pembaca khususnya bagi para
guru yang akan melakukan perbaikan pembelajaran.

Tabanan, April 2013

Penulis

ii
 DAFTAR ISI

HALAMAN JUDUL........................................................................................ i
KATA PENGANTAR...................................................................................... ii
DAFTAR ISI.................................................................................................... iii
BAB I PENDAHULUAN............................................................................ 1
1.1 Latar Belakang.......................................................................... 1
1.2 Rumusan Masalah..................................................................... 1
1.3 Tujuan....................................................................................... 2
BAB II PEMBAHASAN.............................................................................. 3
2.1 Pengertian Regresi.................................................................... 3
2.2 Kegunaan Regresi..................................................................... 3
2.3 Presentasi Regresi Secara Teoritis............................................ 3
2.4 Variasi dan Kesalahan Baku Koefisien Regresi........................ 6
2.5 Hubungan Korelasi dengan Regresi.......................................... 9
2.6 Pengujian Hipotesis................................................................... 12
2.7 Pendugaan Interval Koefisien, Ramalan Tunggal dan
Interval dengan Regresi Linier Sederhana................................ 16
2.8 Uji Asumsi Regresi Linier Sederhana....................................... 19
2.9 Visualisasi dengan Diagram Pencar (Scatter Diagram)............ 30
BAB III PENUTUP........................................................................................
3.1 Simpulan................................................................................... 33
3.2 Saran.......................................................................................... 33
DAFTAR PUSTAKA

iii
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Memperkirakan atau memperhitungkan besarnya efek atau pengaruhi
dari perubahan kejadian terhadap kejadian lainnya adalah salah satu tujuan
dari analisis data. Setiap kebijakan oleh seseorang maupun kelompok selalu
dimaksudkan untuk mengadakan perubahan. Sebagai contoh, misalnya
pemerintah menambah jumlah pupuk agar produksi meningkat.
Untuk keperluan evaluasi/penilaian suatu kebijaksanaan mungkin
ingin diketahui efek kuantitatif dari perubahan suatu kejadian terjadap
kejadian lainnya.
Salah satu kegunaan lain dari analisis adalah peramalan akan suatu
perubahan kejadian apabila kejadian lain diubah atau pengaruhi kejadian
terhadap kejadian lain. Data hasil ramalan ini dapat menggambarkan
kemampuan yang akan datang, sangat berguna bagi dasar perencanaan.
Misalnya produksi padi dan jumlah penduduk untuk keperluan impor beras.
Metode yang digunakan untuk peramalan tersebut adalah analisis
regresi. Analisis ini mempunyai bentuk fungsi sehingga dapat diperoleh
pendekatan atau taksiran dari ramalan dengan mudah apabila sudah
diketahui bentuk fungsi regresi tersebut.

1.2 Rumusan Masalah

Dari latar belakang yang dikemukakan didapat beberapa rumusan
masalah sebagai berikut.
1. Apa itu Regresi?
2. Apakah kegunaan dari Regresi?
3. Bagaimana bentuk persamaan Regresi Linier Sederhana dan
presentasinya?
4. Bagaimana uji hipotesis terhadap persamaan Regresi Linier Sederhana?
5. Bagaimana hubungan koefisien korelasi dengan koefisien regresi?
6. Bagaimana meramalkan kejadian dan interval ramalan tersebut?

1
 2

1.3 Tujuan
Dari rumusan masalah yang dikemukakan didapat beberapa tujuan
sebagai berikut.
1. Untuk mengetahui Regresi Linier Sederhana?
2. Untuk mengetahui kegunaan dari Regresi Linier Sederhana?
3. Untuk mengetahui bentuk persamaan Regresi Linier Sederhana dan
presentasinya?
4. Untuk mengetahui uji hipotesis terhadap persamaan Regresi Linier
Sederhana?
5. Untuk mengetahui hubungan koefisien korelasi dengan koefisien
regresi?
6. Untuk meramalkan kejadian dan interval ramalan tersebut?
 BAB II
PEMBAHASAN

2.1 Pengertian Regresi

Regresi adalah ketergantungan satu variabel pada variabel yang lain,
studi ketergantungan satu variabel (variabel tak bebas) pada satu atau lebih
variabel lain (variabel yang menjelaskan), dengan maksud untuk menaksir
dan/atau meramalkan nilai rata-rata hitung (mean) atau rata-rata (populasi)
variabel tak bebas, dalam pengambilan sampel berulang-ulang dari variabel
yang menjelaskan (explanatory variable).
Pada regresi linier sederhana ini digunakan dua variabel dengan salah
satu variabel adalah variabel bebas (independent) dan variabel yang lainnya
adalah variabel tak bebas atau terikat (dependent).

2.2 Kegunaan Regresi

1. Sebagai Estimasi
Estimasi digunakan untuk menduga/memperkirakan parameter
dengan penduga yang sesuai. Misalnya dalam bentuk y = f(x).
2. Menguji hipotesa
Regresi dapat juga digunakan untuk menguji hipotesis yang
diberikan pada suatu penelitian.
3. Meramalkan atau prediksi
Regresi dapat pula digunakan untuk meramalkan nilai dengan
memperhatikan variabel-variabel yang ada dalam penelitian serta
variabel yang mempengaruhinya.

2.3 Presentasi Regresi Secara Teoritis

2.3.1 Persamaan Regresi Linier
Garis yang memperlihatkan adanya hubungan antara kedua variabel
disebut garis regresi atau garis perkiraan. Dan persamaan yang digunakan
untuk mendapatkan garis regresi pada diagram pencar disebut persamaan
regresi.

3
 4

Metode yang digunakan untuk menentukan persamaan regresi adalah

metode kuadrat terkecil. Bentuk umum dari persamaan regresi linier
sederhana adalah sebagai berikut:
Y’ = a + bX
Dimana a = Y pintasan, (nilai Y’ bila X = 0)
b = kemiringan dari garis regresi (kenaikan atau penurunan Y’
untuk setiap perubahan satu-satuan X) atau koefisien regresi,
mengukur besarnya pengaruh X terhadap Y kalau X naik satu
unit.
X = nilai tertentu dari variabel bebas.
Y’ = nilai yang diukur/dihitung pada variabel tidak bebas
Adapun cara untuk mencari koefisien b adalah
n∑ X i Yi − ∑ X i ∑ Yi ∑x y
i i
b= atau dengan
n∑ X i − (∑ X i ) ∑x
2 2 2
i

xi = X i − X

yi = Yi − Y

(∑ X ) 2

∑x ∑X
2 2 i
i = i −
n

(∑ Y ) 2

∑y = ∑Y −
2 2 i
i i
n
(∑ X )(∑ Y )
∑x y = ∑X Y
i i
i i i i −
n
a = Y − bX
dimana
Y = rata-rata variabel tak bebas
X = rata-rata variabel bebas
 5

Sebagai contoh diberikan data sebagai berikut.

No Motivasi Belajar (X) Hasil Belajar (Y)
1 72 84
2 68 80
3 70 82
4 70 78
5 73 84
6 62 68
7 58 64
8 52 62
9 70 80
10 76 85
11 68 70
12 52 65
13 54 68
14 62 64
15 68 76

Buat terlebih dahulu persamaan regresinya.

No X Y X2 Y2 XY
1 72 84 5184 7056 6048
2 68 80 4624 6400 5440
3 70 82 4900 6724 5740
4 70 78 4900 6084 5460
5 73 84 5329 7056 6132
6 62 68 3844 4624 4216
7 58 64 3364 4096 3712
8 52 62 2704 3844 3224
9 70 80 4900 6400 5600
10 76 85 5776 7225 6460
11 68 70 4624 4900 4760
12 52 65 2704 4225 3380
13 54 68 2916 4624 3672
14 62 64 3844 4096 3968
15 68 76 4624 5776 5168
∑ 975 1110 64237 83130 72980
Rata-
rata X = 65 Y = 74
n∑ XY − (∑ X )(∑ Y )
b =
n∑ X 2 − (∑ X )
2

15(72980) − (975)(1110) 12450

= =
15(64237) − (975) 2 12930
= 0,9628877 dibulatkan menjadi 0,963
 6

a = Y –bX
= 74 – 0,963(65)
= 11,413
Maka didapat persamaan regresi Y = 11,413 + 0,963X

2.3.3 Peramalan Secara Teoritis

Tujuan utama dari penggunaan persamaan regresi adalah
memperkirakan nilai dari variabel tidak bebas apabila diberikan atau pada
variabel bebas. Sebagai contoh, sesuai persamaan regresi apabila seorang
siswa motivasi belajar sebesar 62 maka perkiraan dari prestasi belajar siswa
tersebut adalah :
Y = 11,413 + 0,963X
= 11,413 + 0,963(62)
= 11,413 + 59,706
= 71,119
Jadi perkiraan nilai prestasi belajar apabila motivasi belajar sebesar
adalah 71,119.

2.4 Variasi dan Kesalahan Baku Koefisien Regresi

Seperti pembahasan yang sebelumnya, nilai Y dari persamaan regresi
tidak selalu sama pada kenyataannya sebab yang mempengaruhi Y bukan
hanya X melainkan ada faktor lain yang tidak dimasukkan dalam persamaan.
Faktor tersebut disebut kesalahan pengganggu. Karena kesalahan ini tidak
dapat dihilangkan sama sekali maka resiko itu betapa kecilnya selalu adal.
Dengan memperhitungkan kesalahan (ε), maka bentuk persamaan linier di
atas menjadi
Y = A + BX + ε
Asumsi yang didapat adalah :
a. Yi = A + BX + εi
b. E(Yi/Xi) = Ai + BXi Untuk semua i (i = 1, 2, …., n)
c. Var(Yi/Xi) = σε2
d. Cov (εi, εj) = 0
 7

Secara umum model yang digunakan adalah sebagai berikut.

Model sebenarnya : Y = A + BX + ε
Model perkiraan : Y = a + bX + e
dengan a, b, dan e adalah perkiraan/taksiran A, B, dan ε
Yi = Yˆi + ei
Dengan Yi = nilai obervasi
Ŷi = teoritis berdasarkan persamaan regresi
Variasi b dan kesalahan baku b, variasi a kesalahan baku a, variasi dan
kesalahan baku dari regresi atau e dapat dihitung dengan :
σε2
Var(b) = σ b = dan kesalahan baku b = σ b = σ b2
2

∑x
2
i


2 1 X 2 
Var(a) = σ a = σ e  + = dan kesalahn baku a = σ a = σ a
2 2
n ∑x  2
 i 

2
e
Se2 = ∑ i dan kesalahan baku Se = S e atau
n−2

Se2 =
∑y i
2
− b 2 ∑ xi
2
2
atau Se =
∑y i
2
− b ∑ xi y i
n−2 n−2
Dengan σ b = variasi b
2

σ a 2 = variasi a

σ ε 2 = variasi kesalahan ε

Se2 = perkiraan variasi kesalahan σ ε

2

Simpangan koefisien a dan koefisien b dapat dipasangkan dengan

persamaan regresinya menjadi :
Yˆ = a + bX
(sa) (sb)

Sebagai contoh, pada pembahasan tentang motivasi belajar dan presasi

belajar, didapat data persamaan regresi sebagai berikut.
Y = 11,413 + 0,963X

∑X = 975
 8

∑Y = 1110

∑X
2
= 64237

∑Y
2
= 83130

∑ XY = 72980

Dapat dihitung :

(∑ X ) 2

∑x ∑X
2 2 i
i = i −
n

= 64237 −
(975)
2

15
= 64237 − 63375
= 862

(∑ Y ) 2

∑y = ∑Y −
2 2 i
i i
n

= 83130 −
(1110 )2
15
= 83130 – 82140
= 990
(∑ X )(∑ Y )
∑x y = ∑X Y
i i
i i i i −
n

= 72980 −
(975)(1110 )
15
1.082.250
= 72980 −
15
= 72980 – 72150
= 830
Maka variasi dan kesalahan baku variabel e, b, a sebagai berikut.

2
se =
∑e 2

=
∑y i
2
− b ∑ xi y i
n−2 n−2
990 − 0,963(830)
=
15 − 2
 9

990 − 799,29
=
13
190,71
=
13
= 14,67
2
se = s e = 14,67 = 3,83
2
sε
sb2 =
∑x i
2

14,67
=
862
= 0,017
2
sb = sb = 0,017 0,13

 
X2  = 14,67 1, + 65 
2
2 1
sa 2 = s e  +  15 862 
n ∑x 2   
 i 
 4225 
= 14,67 0,6667 + 
 862 
= 14,67(0,6667 + 4,9013)
= 14,67(4,968)
= 72,92
2
sa = sa = 72,92 = 8,54

Persamaan regresi yang dilengkapi simpangan baku koefisien a dan b

sebagai berikut.
Yˆ = 11,413 + 0,963X
(8,54) (0,013)

2.5 Hubungan Korelasi dengan Regresi

2.5.1 Pengertian Korelasi
Korelasi adalah hubungan antara dua variabel dimana salah satu
variabel merupakan variabel bebas dan variabel tak bebas. Hubungan ini
dapat bersifat positif atau negatif. Koefisien korelasi menunjukkan kuat atau
 10

tidaknya hubungan antara dua variabel, sedangkan koefisien regresi adalah

besarnya pengaruh variabel bebas terhadap variabel tak bebas.
Sebagai contoh hubungan positif :
X Y
Pupuk → Produksi padi
Biaya advertensi → Hasil penjualan
Berat badan → Tekanan darah
Pendapatan → Konsumsi
Gaji/upah → Harga makanan
Investasi nasional → Pendapatan nasional

Contoh hubungan negatif :

X Y
Jumlah akseptor → Jumlah kelahiran
Harga suatu barang → Permintaan barang
Pendapatan masyarakat → Kejahatan ekonomi

Besarnya koefisien korelasi berkisar antara –1 ≤ r ≤ 1. Adapun rumus

untuk menentukan koefisien korelasi adalah
Rumus :
n∑ XY − (∑ X )(∑ Y )
rxy = atau
(n∑ X 2 2
)(
− (∑ X ) n∑ Y − (∑ Y )
2 2
)
rxy =
∑x y i i

(∑ x )(∑ y )
i
2
i
2

Dimana
r = koefisien korelasi
n = banyaknya responden atau sampel
X = variabel bebas
Y = variabel tak bebas
xi = Xi − X

yi = Yi − Y

2.5.2 Koefisien Determinasi atau Koefisien Penentuan

Dalam suatu korelasi, X dikatakan mempengaruhi Y, jika berubahnya
nilai X akan menyebabkan perubahan nilai Y. Akan tetapi, perubahan ini
 11

tidak hanya karena disebabkan X namun ada faktor lain pula. Besarnya
kontribusi X terhadap perubahan nilai Y dirumuskan dengan Koefisien
Determinasi atau Koefisien Penentuan (KP). Beberapa dilambangkan
dengan R2.
KP = R2 = r2
Dimana r = korelasi antara X dan Y

2.5.3 Hubungan Koefisien Korelasi dengan Koefisien Regresi

Hubungan koefisien korelasi dengan koefisien regresi dinyatakan
dalam rumus :
sy
b= r
sx
Dimana :
b = koefisien regresi
r = koefisien korelasi
sy = simpangan baku variabel tak bebas
sx = simpangan baku variabel bebas

Sebagai contoh digunakan contoh yang sebelumnya didapat data

sebagai berikut.

∑x
2
i = 862

∑y
2
i = 990

∑x y i i = 830

Maka dapat dihitung korelasi sebagai berikut.

rxy =
∑x y i i

(∑ x )(∑ y ) i
2
i
2

830
=
(862)(990)

830
=
853350
 12

830
=
923,757
= 0,898
Dan besarnya kontribusi motivasi belajar (X) terhadap prestasi belajar (Y)
yaitu : KP = r2 = (0,898)2 = 0,807 = 80,7%

2.6 Pengujian Hipotesis

2.6.1 Pengujian Hipotesis dengan Uji t
Pada umumnya, hipotesis dirumuskan sebagai berikut.
H0 : B = B0 (B0 mewakili nilai B yang tertentu, sesuai dengan hipotesis)
Kalau pendapatnya mengatakan bahwa X tak mempengaruhi Y,
maka B0 = 0)
(1) H0 : B > B0 (kalau B0 > 0, berarti pengaruh X terhadap Y positif)
(2) H0 : B < B0 (kalau B0 < 0, berarti pengaruh X terhadap Y negatif)
(3) H0 : B ≠ B0 (kalau B0 ≠ 0, berarti pengaruh X mempengaruhi Y)
b − B0 b
t0 = , kalau B0 = 0 → t 0 = , t0 = nilai t observasi
sb sb
t0 mengikuti fungsi t dengan derajat kebebasan (n – 2)

(b − B0 ) ∑x
2
se i
sb = → t0 = ,
∑ xi 2 se

Se2 =
∑e i
2

=
∑y i − b 2 ∑ xi
n−2 n−2
Pengujian hipotesis dilakukan sebagai berikut :
(1) Kalau t0 > tα, H0 ditolak dan kalau t0 ≤ tα, H0 diterima.
(2) Kalau t0 < –tα, H0 ditolak dan kalau t0 ≥ – tα, H0 diterima.
(3) Kalau t0 < –tα/2, atau kalau t0 > tα/2, H0 ditolak dan kalau tα/2 ≤ t0 ≤ tα/2 H0
diterima. Nilai tα, –tα/2, dapat diperoleh dengan tabel t dengan
menggunakan nilai α derajat kebebasan (n – 2)

Selanjutnya, untuk menguji hipotesis tentang parameter A, perumusan

adalah sebagai berikut :
H0 : A = A0
 13

(1) Ha : A > A0
(2) Ha : A < A0
(3) Ha : A ≠ A0

a − A0 n∑ xi
2
a − A0
t0 = = t0 =
sa se ∑ X i
2

Hipotesis tentang korelasi dengan Ho : ρ = 0 dan Ha : ρ ≠ 0 dirumuskan

n−2
dengan to = r
1− r2
Dari contoh yang sebelumnya mempunyai persamaan regresi Y =
11,413 + 0,963X serta data sebagai berikut.

∑X = 975

∑Y = 1110

∑X
2
= 64237

∑Y
2
= 83130

∑ XY = 72980

se = 3,83
sb = 0,13
sa = 8,54
r = 0,898
r2 = 0,807
Sebagai contoh sesuai data pada pembahasan sebelumnya beberapa
perumusan hipotesis serta pengujiannya sebagai berikut.
a. Ho : B = 1
Ha : B > 1
Dengan taraf signifikansi (α) = 5%
Pengujian :
b − B0 0,963 − 1 − 0,047
t0 = = = = – 0,361
sb 0,13 0,13
Karena to = –0,361 < t0,05(13) = 1,771 maka Ho diterima dan sehingga
hipotesis besar B = 1 diterima.
 14

b. Ho : A = 2
Ha : A < 2
Dengan taraf signifikansi (α) = 5%
Pengujian :
a − A0 11,413 − 2 9,413
t0 = = = = 23,872
sa 0,383 0,383
Karena to = 23,872 > t0,05(13) = –1,771 maka Ho diterima sehingga
hipotesis besar A = 2 dapat diterima.
c. Ho : B = 0
Ha : B ≠ 0
Dengan taraf signifikansi (α) = 10%
Pengujian :
b 0,963
t0 = = = 7,379
sb 0,13
Karena to = 7,379 > t0,1/2 (13) = t0,05(13) = 1,771 maka Ho ditolak sehingga
hipotesis ada pengaruh koefisien regresi B terhadap Y dapat diterima.
d. Ho : ρ = 0
Ha : ρ ≠ 0
Dengan taraf signifikansi (α) = 5%

n−2 15 − 2 13
to = r = 0,898 = 0,898
1− r 2
1 − 0,807 0,193

2.6.2 Uji Hipotesis dengan ANOVA

Untuk menguji hipotesis bahwa X tidak mempengaruhi Y (B = 0)
juga bisa menggunakan fungsi F dengan tabel Analisis Varians (ANOVA)
Tabel ANOVA
Sumber Derajat Rata-rata
Jumlah kuadrat
variasi kebebasan kuadrat
∑ yˆ ∑ yˆ i
2 2
X (Regresi) i 1

∑e
2

∑ ei
2 i
Residu n–2
n−2
∑ y ∑ yˆ ∑e
2 2 2
Jumlah i i + i n–1
 15

∑ yˆ
2
i
F0 = dengan fungsi F dengan derajat kebebasan 1 dan (n –
∑e
2
i
n−2
2). Untuk menguji hipotesis B = 0, kemudian F0 dibandingkan dengan
Fα ( v1 ,v2 ) kalau F0 > Fα ( v1 ,v2 ) ditolak akan tetapi F0 ≤ Fα ( v1 ,v2 ) H0 tidak

ditolak.
Contoh :
Dengan contoh sebelumnya yaitu motivasi belajar dan prestasi belajar
untuk H0 : B = 0 dan Ha : B ≠ 0. Pergunakan Analisis Varians untuk menguji
hipotesis tersebut dengan α = 0,05.
Pemecahan :

∑ yˆ = b∑ xi y i = 0,963(830) = 799,188
2
i

∑e ∑y ∑ yˆ
2 2 2
i = i – i = 990 – 799,188 = 190,812

Sumber Derajat Rata-rata

Jumlah kuadrat
variasi kebebasan kuadrat
X (Regresi) 799,188 1 54,448
Residu 190,812 13 3,83
Jumlah 799,188 14
799,188
F0 = = 54,448
190,812
F0,05(1)(13) = 4,667. Oleh karena F0 > F0,05(1)(3), maka H0 ditolak. Jadi pendapat
B = 0, X tak mempengaruhi Y, tidak dapat diterima.

2.7 Pendugaan Interval Koefisien, Ramalan Tunggal dan Interval dengan

Regresi Linier Sederhana
2.6.1 Pendugaan Interval Koefisien
Interval pendugaan parameter A dan B dapat dihitung dengan rumus
sebagai berikut.
B A
b−B a−A
–tα/2 ≤ ≤ tα/2 –tα/2 ≤ ≤ tα/2
sb sb
–tα/2.sb ≤ b – B ≤ tα/2.sb –tα/2.sa ≤ a – A ≤ tα/2.sa
b – tα/2.sb ≤ B ≤ b + tα/2.sb a – tα/2.sa ≤ A ≤ a + tα/2.sa
 16

se se s e ΣX i
2
s e ΣX i
2
b – tα/2. ≤ B ≤ b + tα/2.
a – tα/2. ≤ A ≤ a + tα/2.
∑x ∑x
2 2
n∑ x i n∑ x i
i i 2 2

2.6.2 Ramalan Tunggal

Dalam praktek, kita sering meramal nilai rata-rata Y untuk nilai X
tertentu, katakan X = X0. Ramalan demikian bisa berupa ramalan tunggal
ataupun ramalan interval. Ramalan tunggal rata-rata Y atau individu Y untuk
X = X0 adalah sebagai berikut.
Yˆ = a + bX0

2.6.3 Interval Pendugaan Regresi

Variasi dan kesalahan baku Ŷ0 adalah sebagai berikut.

σ yˆ 2 σ (X − X ) σ e dan σ = σ
= ε + 0
2 2 2  1 (X 0 − X )2
 +


ε
0
n ∑ xi 2
yˆ 0
n ∑ xi
2 
 

Yˆ0 − E (Y0 / X 0 ) Yˆ0 − E (Y0 / X 0 ) Yˆ0 − E (Y0 / X 0 )

t= = =
s yˆ 0 s yˆ 0 1 (X 0 − X )
2

se +
∑ xi
2
n

Rumus pendugaan interval rata-rata Y0, E(Y0/X0) dengan tingkat keyakinan

(1 – α) adalah sebagai berikut :
(1) Yˆ0 – tα/2 s ŷ0 ≤ E(Y0/X0) ≤ Yˆ0 + tα/2 s ŷ0

 1 (X 0 − X )2 
(2) (a + bX 0 ) – tα/2 s e  +
n
 ≤ E(Y0/X0) ≤ (a + bX )

+
∑ xi
2 0
 

 1 (X 0 − X )2 
tα/2. s e  + 
n ∑ xi
2 
 

 1 (X − X ) 
( )
Variasi Yˆ0 − Y0 = σ ε 1 + + 0 2 
2

 n ∑ x i 
 17

Yˆ0 − Y0 Yˆ0 − Y0
t= =
1 (X − X ) 
s ( yˆ 0 − y0 ) 
s ε 1 + + 0 2 
 n ∑ x i 

Rumus pendugaan interval Y0 dengan tingkat keyakinan (1 – α) adalah
sebagai berikut.
(1) Yˆ0 – tα/2 s( yˆ 0 − y0 ) ≤ Y0 ≤ Yˆ0 + tα/2 s( yˆ 0 − y0 )

1 + 1 + ( X 0 − X )
 2

(2) (a + bX 0 ) – tα/2 s e



≤ Y0 ≤ (a + bX 0 ) +
∑ xi
2
 n 

1 + 1 + ( X 0 − X )
 2

tα/2. s e 
 n ∑ xi
2 
 
Sebagai contoh, pada pembahasan sebelumnya didapat persamaan
regresi Y = 11,413 + 0,963X serta data sebagai berikut.
X = 65

∑x
2
i = 862

se = 3,83
sb = 0,13
sa = 8,54
Maka untuk interval koefisien B untuk taraf signifikansi 5% adalah
sebagai berikut.
b – tα/2.sb ≤ B ≤ b + tα/2.sb
0,963 – t0,05/2.0,13 ≤ B ≤ 0,963 + t0,05/2.0,13
0,963 – 2,16.0,13 ≤ B ≤ 0,963 + 2,16.0,13
0,963 – 0,282 ≤ B ≤ 0,963 + 0,282
0,685 ≤ B ≤ 1,244
Untuk inteval koefisien A signifikansi 5% adalah sebagai berikut.
a – tα/2.sa ≤ A ≤ a + tα/2.sa
11,413 – t0,05/2.8,54 ≤ A ≤ 11,413 + t0,05/2.8,54
11,413 – t0,05/2.8,54 ≤ A ≤ 11,413 + t0,05/2.8,54
11,413 – 2,16.8,54 ≤ A ≤ 11,413 + 2,16.8,54
11,413 – 18,448 ≤ A ≤ 11,413 + 18,448
 18

–7,035 ≤ A ≤ 29,861
Ramalan tunggal dan pendugaan rata-rata dan individu Yo untuk Xo =
62 adalah sebagai berikut.
Ramalan tunggal
Yo = 11,413 + 0,963Xo
= 11,413 + 0,963(62)
= 71,111
Pendugaan rata-rata

 1 (X 0 − X )2 
(a + bX 0 ) – tα/2 s e  +
n
 ≤ E(Y0/X0) ≤ (a + bX ) +

∑ xi
2 0
 

 1 (X 0 − X )2 
tα/2. s e  + 
n ∑ xi
2 
 

 1 (62 − 65)2 
71,111 – 2,16. 3,83  +  ≤ E(Y0/X0) ≤ (a + bX 0 ) +

 15 862 

 1 (62 − 65)2 
2,16. 3,83  + 

 15 862 



71,111 – 8,277  0,067 +
(− 3)
2

 ≤ E(Y0/X0) ≤ 71,111 +
862 
 


8,277  0,067 +
(− 3)2 

862 
 

71,111 – 8,277 (0,067 + 0,01) ≤ E(Y0/X0) ≤ 71,111 + 8,277 (0,067 + 0,01)

71,111 – 8,277(0,278) ≤ E(Y0/X0) ≤ 71,111 + 8,277(0,278)

71,111 – 2,298 ≤ E(Y0/X0) ≤ 71,111 + 2,298
68,813 ≤ E(Y0/X0) ≤ 73,409
Pendugaan individu
 19

1 + 1 + ( X 0 − X )
 2

(a + bX 0 ) – tα/2 s e 
 ≤ Y0 ≤ (a + bX ) +

∑ xi
2 0
 n 

 1 (X − X ) 
2

tα/2. s e 1 + + 0 2 
 n ∑ xi 
 

 1 (62 − 65) 
2
71,111 – 2,16. 3,83 1 + +  ≤ Y0 ≤ (a + bX 0 ) +
15 862 
 

 1 (62 − 65) 
2

2,16. 3,83 1 + + 

 15 862 


71,111 – 8,277 1 + 0,067 +
(− 3)2  ≤ Y ≤ 71,111 +
862 
0




8,277 1 + 0,067 +
(− 3)
2


862 
 

71,111 – 8,277 (1,067 + 0,01) ≤ Y0 ≤ 71,111 + 8,277 (1,067 + 0,01)

71,111 – 8,277(1,038) ≤ Y0 ≤ 71,111 + 8,277(1,038)

71,111 – 8,59 ≤ E(Y0/X0) ≤ 71,111 + 8,59
62,521 ≤ Y0 ≤ 79,701

2.8 Uji Asumsi Regresi Linier Sederhana

2.8.1 Uji Normalitas
Analisis Regresi dapat dilakukan apabila variabel yang terlibat
didalamnya berdistribusi normal. Ungkapan lain yang sering digunakan
adalah data berasal dari populasi yang berdistribusi normal. Ada beberapa
teknik analisis statistik yang umum digunakan untuk menguji normalitas
sebaran data, yaitu teknik Chi Kuadrat, teknik Liliefors, dan teknik
Kolgomorov Smirnov. Pada pembahasan ini digunakan teknik Liliefors.
Secara ringkas, mekanisme pengujian normalitas sebaran data dengan
teknik Liliefors adalah sebagai berikut:
a. Menampilkan data dengan urutan dari data yang terkecil sampai dengan
data yang terbesar.
 20

b. Menghitung frekuensi data.

X−X
c. Menghitung nilai Z untuk tiap-tiap data, yang mana Z =
SD
d. Menghitung frekuensi data pada kurva normal dengan batas Z yang
dinyatakan denga F(Z) yakni luas daerah di bawah kurva normal pada
jarak Z.
e. Menghitung frekuensi kumulatif data (FK).
f. Menghitung probabilitas frekuensi kumulatif yang dinyatakan dengan
S(Z) yakni hasil bagi frekuensi kumulatif dengan banyak data (FK/N).
g. Menghitung harga mutlak selisih antara F(Z) dengan S(Z) yang
dinyatakan dengan |F(Z) – S(Z)|.
h. Mencari nilai |F(Z) – S(Z)| yang terbesar yang selanjutnya ditetapkan
sebagai nilai Lhitung.
i. Nilai Lhitung dibandingkan dengan nilai Ltabel yang diperoleh dari tabel
Liliefors.
j. Apabila nilai Lhitung lebih kecil dari nilai Ltabel, maka hipotesis nol yang
menyatakan bahwa data berasal dari populasi yang berdistribusi normal
dapat diterima.
Sebagai contoh, pada pembahasannya tentang motivasi belajar dan
prestasi belajar dapat dibuat tabel berikut.
X F Z F(Z) FK S(Z) |F(Z) - S(Z)|
52 2 -1,656737632 0,048786266 2 0,13333 0,084547
54 1 -1,40185492 0,080479287 3 0,20000 0,119521
58 1 -0,892089494 0,186172483 4 0,26667 0,080494
62 2 -0,382324069 0,351110502 6 0,40000 0,048889
68 3 0,382324069 0,648889498 9 0,60000 0,048889
70 3 0,637206782 0,73800492 12 0,80000 0,061995
72 1 0,892089494 0,813827517 13 0,86667 0,052839
73 1 1,019530851 0,846024493 14 0,93333 0,087309
76 1 1,40185492 0,919520713 15 1,00000 0,080479
Maks 0,119521

Untuk variabel X didapat Lhitung = 0,119521. Karena Ltabel = 0,2196 >

dari Lhitung maka hipotesis nol yang menyatakan data berasal dari populasi
yang berdistribusi normal dapat diterima.
 21

Y F Z F(Z) FK S(Z) |F(Z) - S(Z)|

62 1 -1,427012136 0,076788198 1 0,06667 0,010122
64 2 -1,18917678 0,117185055 3 0,20000 0,082815
65 1 -1,070259102 0,142251349 4 0,26667 0,124415
68 2 -0,713506068 0,23776633 6 0,40000 0,162234
70 1 -0,475670712 0,317154495 7 0,46667 0,149512
76 1 0,237835356 0,593995602 8 0,53333 0,060662
78 1 0,475670712 0,682845505 9 0,60000 0,082846
80 2 0,713506068 0,76223367 11 0,73333 0,028900
82 1 0,951341424 0,829284457 12 0,80000 0,029284
84 2 1,18917678 0,882814945 14 0,93333 0,050518
85 1 1,308094458 0,904579364 15 1,00000 0,095421
Maks 0,162234

Untuk variabel Y didapat Lhitung = 0,162234. Karena Ltabel = 0,2196 >

dari Lhitung maka hipotesis nol yang menyatakan data berasal dari populasi
yang berdistribusi normal dapat diterima.

2.8.2 Uji Keberartian Arah dan Kelinieran Regresi

Pengujian Keberartian arah dimaksudkan untuk menguji apakah
koefisien regresi tidak mempengaruhi variabel tak bebas (Y) atau B = 0
dengan menggunakan uji F. Perbedaannya disini pada contoh sebelumnya
tidak mempunyai kelompok atau nilai X tidak sama pada setiap observasi
tetapi pada contoh disini dibuat nilai X yang sama namun nilai Y yang tidak
sama.
Nilai F dapat dihitung dengan rumus :
RJK(Reg)
Freg =
RJK(D)
RJK (reg) adalah Rerata Jumlah Kuadrat Regresi dihitung dengan rumus :
JK(Reg)
RJK(Reg) =
dk(Reg)
Dengan JK adalah Jumlah Kuadrat Regresi dan dk adalah derajat
kebebasan. Derajat kebebasan regresi ini bernilai 1.
JK (Reg) dihitung dengan rumus :

JK (Reg) = JK(b) = b ∑ XY −
∑ X ∑Y
n
 22

RJK(D) dihitung dengan memakai rumus jumlah kuadrat dalam yang

dihitung dengan memakai rumus :
JK(D)
RJK(D) =
dk(D)
Dengan : JK(D) adalah jumlah kuadrat dalam atau JK(G) adalah
jumlah kuadrat galat atau error dan dk(D) adalah derajat kebebasan. Nilai
dk(D) = n – k dengan k adalah banyak kelompok. JK(D) dihitung dengan
rumus :
 2 (∑ Y ) 
2

JK(D) = JK(G) = ∑ Y −

Xi  ni 

Jumlah kuadrat sisa dihitung dengan
JK(S) = JK(T) – JK(Koef) – JK(Reg)
Dengan :
JK(T) = jumlah kuadrat total = ∑Y 2

(∑ Y )2

JK(Koef) = JK(a) =
n
Uji Linieritas diuji dengan maksud menguji hipotesis persamaan pada
model adalah linier. Uji linier dirumuskan dengan
RJK(TC)
FTC =
RJK(D)
RJK (TC) adalah rerata tuna cocok (TC) dihitung dengan :
JK(TC)
RJK (TC) =
dk(TC)
Dengan JK(TC) adalah jumlah kuadrat tuna cocok dengan dk = derajat
kebebasan. Nilai dk (TC) adalah k – 2.
JK(TC) = JK(S) – JK(D)
Secara umum didapat tabel ANOVA yaitu :
 23

Sumber Derajat Uji F

Jumlah kuadrat Rata-rata kuadrat
variasi kebebasan

Koefisien
(∑ Y ) 2

1
(∑ Y ) 2 Freg =
JK(koef) = JK(Reg)
n n
JK(D)
JK(b) = n−k
Regresi
∑ X ∑Y 1 b ∑ XY −
∑ X ∑Y
(b) b ∑ XY − n
n
Residu JK(T) – JK(Koef) –
n–2
(sisa) JK(Reg)
Tuna JK (TC ) F (TC) =
JK(S) – JK(D) k–2
Cocok k −2 JK(TC)
k−2
Galat  2 (∑ Y ) 
2
JK ( D)
(Dalam) ∑ Y −

Xi  ni  n–k
n−k
JK(D)
n−k

Jumlah JK(T) = ∑Y 2
n

Dimodifikasi sesuai pada tabel ANOVA sebelumnya menjadi :

Sumber Derajat Rata-rata Uji F
Jumlah kuadrat
variasi kebebasan kuadrat
(∑ Y ) 2
(∑ Y ) 2 F0 =
Koefisien JK(koef) = 1
∑ yˆ i
2
n n
∑ yˆ i = b∑xiyi JK ( D)
2
Regresi (b) 1 b∑xiyi n−k
∑e
2

∑e
2 i
Residu (sisa) i n–2
n−2
JK (TC ) F (TC) =
Tuna Cocok JK(S) – JK(D) k–2
k −2 JK(TC)
k−2
 2 (∑ Y )  2
JK ( D)
Galat (Dalam) ∑ Y −

Xi  ni  n–k
n−k
JK(D)
n−k

Jumlah ∑Y 2
N

Sebagai contoh pada pembahasan sebelumnya didapat persamaan

regresi Y = 11,413 + 0,963X. Untuk menguji keberartian arah dan linieritas
maka tabel kita perbesar dan terurut dari kecil ke besar (asscending) pada X
menjadi :
 24

No X k Y X2 Y2 XY ∑Y ∑Y2 (∑Y)2 (∑Y)2/n JK(D)

1 52 62 2704 3844 3224
2 52 1 65 2704 4225 3380 127 8069 16129 8064,5 4,5
3 54 2 68 2916 4624 3672
4 58 3 64 3364 4096 3712
5 62 68 3844 4624 4216
6 62 4 64 3844 4096 3968 132 8720 17424 8712 8
7 68 80 4624 6400 5440
8 68 70 4624 4900 4760
9 68 5 76 4624 5776 5168 226 17076 51076 17025,333 50,667
10 70 82 4900 6724 5740
11 70 78 4900 6084 5460
12 70 6 80 4900 6400 5600 240 19208 57600 19200 8
13 72 7 84 5184 7056 6048
14 73 8 84 5329 7056 6132
15 76 9 85 5776 7225 6460
∑ 975 1110 64237 83130 72980 71,167
X Y
Rerata = =
65 74

1) Jumlah Kuadrat Total

JKT = ∑Y 2
= 83130

2) Jumlah Kuadrat Regresi JK(Koef)

(∑ Y ) 2
(1110)2 1232100
JK (Koef)= = = = 82140
n 15 15
3) Jumlah Kuadrat Regresi JK(b)

JK (Reg) = JK(b) = b  ∑ XY −
∑ X ∑ Y 
 n 
 
 (975)(1110) 
= 0,9628877  72980 − 
 15 
= 0,9628877 (830) = 799,1879
4) Jumlah Kuadrat Sisa JK(S)
JK(S) = JKT – JK(Koef) – JK(Reg)
= 83130 – 82140 – 799,1879
= 190,8121
5) Jumlah Kuadrat Dalam JK(D) atau Jumlah Kuadrat Galat JK(G)
JK (D) = 71,167
 25

6) Jumlah Kuadrat Tuna Cocok JK(TC)

JK (TC) = JK(S) – JK(D)
= 190,8121 – 71,167
= 119,6454
7) Derajat Kebebasan
dk JK (T) = n = 15
dk JK (Koef) =1
dk JK (Reg) =1
dk JK (S) = n – 2 = 15 – 2 = 13
dk JK (TC) =k–2=9–2 =7
dk JK (D) = n – k = 15 – 9 = 6
8) Variasi atau Rata-rata Jumlah Kuadrat
799,1879
RJK (Reg) = = 799,1879
1
190,8121
RJK (S) = = 14,6778
13
71,167
RJK (D) = = 11,8611
6
119,6454
RJK (TC) = = 17,0922
7
9) Uji Keberartian Arah
RJK(Reg) 799,1879
Freg = = = 67,3788
RJK(D) 11,8611
10) Uji Linieritas
RJK(TC) 17,0992
FTC = = = 1,441
RJK(D) 11,8611
Tabel ANOVA
Derajat Uji F
Sumber variasi Jumlah kuadrat Rata-rata kuadrat
kebebasan
Koefisien 82140 1
Regresi (b) 799,1879 1 799,1879 67,3788
Residu (sisa) 190,8121 13 14,6778
Tuna Cocok 119,6454 7 17,0922
1,441
Galat (Dalam) 71,167 6 11,8611
Jumlah 83130 15
 26

Dari Tabel diatas didapat kesimpulan untuk uji keberartian arah

F0,05(1)(6) = 5,99 < Freg = 67,3788 sehingga hipotesis bahwa koefisien regresi
tidak mempengaruhi Y ditolak sehingga didapat kesimpulan koefisien
regresi mempengaruhi Y. Untuk uji linieritas didapat F0,05(7)(6) = 4,21 > FTC
sehingga hipotesis bahwa bentuk regresi adalah linier diterima sehingga
dapat disimpulkan bahwa bentuk dari regresi adalah linier.

2.8.3 Uji Autokorelasi

Autokorelasi terjadi dalam regresi apabila dua error εt-1 dan εt tidak
independent atau C(εt-1, εt) ≠ 0. Deteksi autokorelasi umumnya dilakukan
dengan uji statistik Durbin Watson. Koefisien uji statistik Durbin-Watson
dinyatakan dengan d yang dihitung dengan menggunakan formula sebagai
berikut.
n

∑ (e − et −1 )
2
t
t =2
d= n

∑e
2
t
t =1

Daerah penerimaan Durbin-Watson dapat digambar sebagai berikut.

Tanpa
Kesimpulan

Tidak ada
Otokorelasi

dU 2 4 – dU 4 – dL

Sebagai contoh pada pembahasa sebelumnya tentang motivasi belajar

dan prestasi belajar memiliki persamaan regresi Y = 11,413 + 0,963X.
Rumusan hipotesisnya adalah Ho : tidak ada autokorelasi dan Ha : ada
autokorelasi. Perhitungan koefisien statistiknya sebagai berikut.
 27

No X Y Perkiraan Y e(t) e(t-1) (e(t) - e(t-1))² e2

1 72 84 80,74013921 3,259860789 10,62669
2 68 80 76,88863109 3,11136891 3,259860789 0,022049838 9,680616
3 70 82 78,81438515 3,185614849 3,11136891 0,00551246 10,14814
4 70 78 78,81438515 -0,814385151 3,185614849 16 0,663223
5 73 84 81,70301624 2,296983759 -0,814385151 9,680616491 5,276134
6 62 68 71,11136891 -3,11136891 2,296983759 29,25027858 9,680616
7 58 64 67,25986079 -3,259860789 -3,11136891 0,022049838 10,62669
8 52 62 61,48259861 0,517401392 -3,259860789 14,26770958 0,267704
9 70 80 78,81438515 1,185614849 0,517401392 0,446509224 1,405683
10 76 85 84,59164733 0,408352668 1,185614849 0,604136498 0,166752
11 68 70 76,88863109 -6,88863109 0,408352668 53,24597197 47,45324
12 52 65 61,48259861 3,517401392 -6,88863109 108,285512 12,37211
13 54 68 63,40835267 4,591647332 3,517401392 1,154004339 21,08323
14 62 64 71,11136891 -7,11136891 4,591647332 136,9605891 50,57157
15 68 76 76,88863109 -0,88863109 -7,11136891 38,72246596 0,789665
Ʃ 408,667406 190,8121

∑ (e − et −1 )
2
t
t =2 408,667406
d= n
= = 2,141.
190,8121
∑e
2
t
t =1

dL = 1,0769
dU = 1,3605
4 – dU = 4 – 1,3605 = 2,6395
4 – dL = 4 – 1,0769 = 2,9231

Tanpa Tanpa
Kesimpulan Kesimpulan
Tidak ada
Otokorelasi
Otokorelasi Otokorelasi
+ –
dL dU 2 4 – dU 4 – dL

1,07697 1,36054 2,63946 2,92303

2,1417

Karena nilai dU < d < dL maka Ho diterima sehingga dapat

disimpulkan tidak terjadi autokorelasi.
 28

2.8.4 Heteroskedastisitas
Heteroskedastisitas artinya varians tidak konstan melainkan berubah-
ubah. Padahal regresi mensyaratkan varian ei konstan. Teknik untuk menguji
apakah terjadi heteroskedastisitas adalah Uji Park, Uji Glejser, dan Uji
Spearman Brown. Pada pembahasan ini hanya menggunakan Uji Glejser.
Pada uji Glejser yaitu dengan meregresikan nilai variabel bebasnya
dengan mutlak variabel pengganggu atau residunya, kemudian ambil nilai
signifikan koefisien regresinya.
Sebagai contoh pada pembahasan sebelumnya, didapat persamaan
regresi Y = 11,413 + 0,963X. Dirumuskan Ho : tidak terjadi
heteroskedastisitas dan H1 : terjadi heteroskedastisitas dengan taraf
signifikansi α = 5%. Perhitungan uji Glejser sebagai berikut.
Dihitung persamaan aslinya.
No X Y Y Prediksi e e mutlak (Y baru)
1 72 84 80,74013921 3,259860789 3,259860789
2 68 80 76,88863109 3,11136891 3,11136891
3 70 82 78,81438515 3,185614849 3,185614849
4 70 78 78,81438515 -0,814385151 0,814385151
5 73 84 81,70301624 2,296983759 2,296983759
6 62 68 71,11136891 -3,11136891 3,11136891
7 58 64 67,25986079 -3,259860789 3,259860789
8 52 62 61,48259861 0,517401392 0,517401392
9 70 80 78,81438515 1,185614849 1,185614849
10 76 85 84,59164733 0,408352668 0,408352668
11 68 70 76,88863109 -6,88863109 6,88863109
12 52 65 61,48259861 3,517401392 3,517401392
13 54 68 63,40835267 4,591647332 4,591647332
14 62 64 71,11136891 -7,11136891 7,11136891
15 68 76 76,88863109 -0,88863109 0,88863109
Σ 975 1110 1110 -2,13163 44,14849188
Mean 65 74 74 -1,42109 2,943232792
 29

Didapat persamaan regresi baru dengan X sebagai variabel bebas dan

e mutlak sebagai variabel tak bebas baru (Y baru)
No X Y’ x kuadrat Y y' kuadrat xy'
1 72 3,259860789 49 0,3166 0,1003 2,2164
2 68 3,11136891 9 0,1681 0,0283 0,5044
3 70 3,185614849 25 0,2424 0,0587 1,2119
4 70 0,814385151 25 -2,1288 4,5320 -10,6442
5 73 2,296983759 64 -0,6462 0,4176 -5,1700
6 62 3,11136891 9 0,1681 0,0283 -0,5044
7 58 3,259860789 49 0,3166 0,1003 -2,2164
8 52 0,517401392 169 -2,4258 5,8847 31,5358
9 70 1,185614849 25 -1,7576 3,0892 -8,7881
10 76 0,408352668 121 -2,5349 6,4256 -27,8837
11 68 6,88863109 9 3,9454 15,5662 11,8362
12 52 3,517401392 169 0,5742 0,3297 -7,4642
13 54 4,591647332 121 1,6484 2,7173 -18,1326
14 62 7,11136891 9 4,1681 17,3734 -12,5044
15 68 0,88863109 9 -2,0546 4,2214 -6,1638
Σ 975 44,14849188 862 0,0000 60,872 -52,1671
mean 65 2,943232792 57,467 0,0000 4,058 -3,4778

b =
∑ xy'
(∑ x )(∑ y' )
2 2

− 52,1671
=
(862)(60,872)
− 52,1671
= = – 0,0605
229,0684

∑e 2
= ∑ y' 2
– b ∑ xy ' = 60,872 – (–0,0605)(–52,1671) = 57,715

se2 =
∑e 2

=
57,715
= 4,439
n−2 15 − 2
se 4,439 2
sb2 = = = 0,005 → sb = sb = 0,005 = 0,071
∑ x 862
2

b − 0,0605
thitung = = = – 0,8432
sb 0,071
Karena thitung = –0,8432 < t0,05/2(13) = 2,16 maka Hipotesis nol diterima
sehingga disimpulkan tidak terjadi heteroskedastisitas.
 30

2.9 Visualisasi dengan Diagram Pencar (Scatter Diagram)

2.9.1 Diagram Pencar Persamaan Regresi
Apabila data sudah dapat dibuat kedalam suatu tabel, dapat dibuat
diagram pencar. Diagram pencar ini menunjukkan titik-titik tertentu. Setiap
titik memperlihatkan suatu hasil yang kita nilai sebagai variabel bebas dan
variable tak bebas. Adapun kegunaan dari diagram pencar ini adalah :
a. Membantu menunjukkan apakah terdapat hubungan yang bermanfaat
antara dua variabel.
b. Membantu menetapkan tipe persamaan yang menunjukkan hubungan
antara kedua variabel tersebut.
Sebagai contoh, dibuat diagram pencar pada pembahasan sebelum
disertai dengan persamaan regresinya.

Y = 11,413 + 0,963X

e1

e14
 31

2.9.2 Diagram pencar interval

Diagram ini dimaksudkan untuk menggambarkan besarnya interval
yang diharapkan apabila diketahui bentuk persamaannya dan nilai
peramalan dari Xo.
Sebagai contoh, pada pembahasan sebelumnya setelah dihitung nilai
dari batas-batas prediksi dan batas-batas rata-rata Yo didapat tabel sebagai
berikut.

Motivasi Hasil Rata-rata Individu

No Belajar Belajar Batas
(X) (Y) Batas Atas Batas Bawah Batas Atas
Bawah
1 72 84 77,831 83,649 71,967 89,513
2 68 80 74,590 79,187 68,299 85,479
3 70 82 76,254 81,374 70,151 87,478
4 70 78 76,254 81,374 70,151 87,478
5 73 84 78,596 84,810 72,862 90,544
6 62 68 68,813 73,410 62,521 79,701
7 58 64 64,351 70,169 58,487 76,033
8 52 62 57,240 65,725 52,182 70,783
9 70 80 76,254 81,374 70,151 87,478
10 76 85 80,826 88,358 75,498 93,685
11 68 70 74,590 79,187 68,299 85,479
12 52 65 57,240 65,725 52,182 70,783
13 54 68 59,642 67,174 54,315 72,502
14 62 64 68,813 73,410 62,521 79,701
15 68 76 74,590 79,187 68,299 85,479

Bentuk diagram pencarnya adalah sebagai berikut.

 32

Y = 11,413 + 0,963X
Prediksi rata-rata Y

Prediksi individu Y

Prediksi
individu Y

Prediksi
rata-rata Y
 BAB III
PENUTUP

4.1 Simpulan
Dari pembahasan dikemukakan didapat beberapa kesimpulan sebagai
berikut.
1. Regresi adalah ketergantungan satu variabel pada variabel yang lain
dengan maksud untuk menaksir dan/atau meramalkan nilai variabel tak
bebas, dalam pengambilan sampel berulang-ulang dari variabel yang
menjelaskan (explanatory variable).
2. Kegunaan regresi yaitu untuk meramalkan variabel tak bebas apabila
diketahui variabel bebasnya.
3. Persamaan umum dari regresi linier sederhana yaitu Y = a + bX.
4. Untuk menguji hipotesis digunakan uji t terhadap koefisien regresi.
5. Hubungan antara koefisien regresi dengan koefisien korelasi adalah
koefisien regresi untuk mengetahui pengaruh X terhadap Y sedangkan
korelasi adalah untuk mengetahui kekuatan pengaruh X terhadap Y dan
sy
dirumuskan dengan b = r
sx
6. Ramalan tunggal didapat dari persamaan regresi linier sederhana dan
interval didapat dari menggunakan uji t dan tα.

4.2 Saran
Adapun saran-saran yang diberikan oleh penulis sebagai berikut.
1. Regresi yang berguna untuk meramalkan suatu kejadian terhadap
kejadian lain sehingga disarankan untuk menggunakannya apabila ingin
melakukan suatu perubahan terhadap suatu kejadian.
2. Dilakukan uji hipotesis terlebih dahulu agar mengetahui apa yang
terjadi apabila ingin mengubah nilai suatu kejadian.
3. Membuat suatu ramalan dari persamaan regresi yang dibuat.

33
 DAFTAR PUSTAKA

Candiasa, I Made. (2010). Statistik Univariat dan Bivariat Disertai Aplikasi SPSS.
Singaraja: Uni Penerbitan Universitas Pendidikan Ganesha.

Mendenhall, Wiliam, and Richard L. Scheaffer. (1963). Mathematical Statistics

with Applications. New York: Duxburg Press.

Supranto. (1993). Statistik Teori dan Aplikasi. Jakarta: Erlangga

Sudjana. (2002). Metoda Statistika. Bandung: Tarsito.

Sugiyono. (2002). Metoda Penelitian Administrasi. Bandung. Alfabeta.

Sugiyono. (2007). Metoda Penelitian Administrasi dilengkapi dengan Metode

R&D. Bandung. Alfabeta.