Anisha Fera Wati S

NPM 0119101174

Tugas 12 - METODOLOGI PENELITIAN AKUNTANSI-D

Ringkasan Materi 12

Ada kalanya seorang peneliti ingin melihat hubungan yang terjadi antara satu variabel
dengan variabel yang lain. Derajat hubungan yang terjadi dinamakan korelasi. Jika nilai-nilai
suatu variabel menaik sedangkan nilai-nilai variabel yang lain menurun, maka kedua variabel
tersebut mempunyai korelasi negatif. Sebaliknya jika nilai-nilai suatu varibel menaik dan
diikuti pula dengan menaiknya nilai variabel lain, atau menurunnya nilai suatu variabel dan
diikuti pula dengan menurunnya nilai variabel lain, kedua variabel tersebut mempunyai
korelasi positif. Derajat atau tingkat hubungan antara dua variabel diukur dengan indeks
korelasi, yang disebut koefisien korelasi. Korelasi yang sering digunakan dalam penelitian,
dan yang akan diuraikan dalam bab ini adalah :

- Korelasi produk momen dari Pearson.

- Korelasi rank Spearman.
- Korelasi biserial.

1. Korelasi Momen Produk Pearson

Jika sepasang varibel kontinu, X dan Y, mempunyai korelasi, maka derajat korelasi
dapat dicari dengan menggunakan koefisien korelasi Pearson. Rumus untuk koefisien
korelasi Pearson adalah :

𝑆𝑃
𝑟 = √𝑆𝑆𝑥 , 𝑆𝑆𝑦

Dimana : Sp = sum of product.

SSx = sumsquare dari variabel X. SSy = sumsquare dari variabel Y.

r = koefisien korelasi Spearman.

Rumus untuk Sp, SSx, SSy adalah :

𝑆� = ∑𝑥𝑦 = − (∑𝑥)(∑𝑦) = ∑𝑥. 𝑦

𝑁
�

𝑆𝑆
= ∑𝑥2 − (∑𝑥)2 = ∑𝑥2
𝑥
𝑆𝑆𝑦 = ∑𝑦2 − (∑𝑦)2 = ∑𝑦2
𝑁

Dimana :
N = jumlah pengamatan dari masing-masing variabel
x = (X - 𝑋̅)
y = (Y - 𝑌̅).
𝑋̅ = mean dari variabel X.
𝑌̅ = mean dari variabel Y.

Dalam menghitung koefisien korelasi perlu diingat beberapa hal, yaitu :

a. jumlah pengamatan varibel X dan Y harus sama, atau kedua nilai variabel tersebut
harus berpasangan.
b. Secara relatif, makin besar koefisien korelasi, makin tinggi pula derajat hubungan
antara kedua varibel. Sebaliknya, secara relatif makin kecil koefisien korelasi, makin
rendah pula derajat hubungan antara kedua variabel.
c. Hubungan yang terjadi diasumsikan berbentuk linear. Jika hubungan yang terjadi
adalah hubungan bukan linear, maka peneliti harus menggunakan teknik lain untuk
mengukur derajat korelasinya.
d. Koefisien korelasi tidak memperlihatkan adanya hubungan sebab akibat antara varibel-
variabel yang diukur.

Contoh :
Seorang peneliti yang ingin melihat apakah ada korelasi antara dua variable X dan Y.
Pengamatan dari variabel tersebut adalah :
X : 2 3 3 4 5 5 5 7 8 8
Y : 8 7 8 5 4 5 3 5 3 2

Ditanya :
Bagaimana derajat korelasi antara variable X dan Y ?

Jawab :
- Buatlah worksheet sebagai berikut !
 Tabel 16.22
Worksheet untuk mencari koefisien korelasi Pearson
X Y 2 2 XX
X Y
2 8 4 64 16
3 7 9 49 21
3 8 9 64 24
4 5 16 25 20
5 4 25 16 20
5 5 25 25 25
5 3 25 9 15
7 5 49 25 35
8 3 64 9 24
8 2 64 4 16
50 50 290 290 216

Tabel 16.22 memprlihatkan bahwa :

∑X = 50 ; ∑Y = 50 ; ∑X2 = 290 ; ∑X2 = 290 ; ∑XY = 216

- Hitung SP, SSx dan SSy !

(∑𝑋)(∑𝑦)
𝑆𝑃 = ∑𝑋𝑌 −
𝑁

= 216 − (50)(50) = 216 − 2.500 = −34

10 10

𝑆𝑆 = ∑𝑋 − 2 (∑𝑋)
2 = 290 − (50)
2 = 40
𝑥 𝑁 10

𝑆𝑆 = ∑𝑌 − 2 (∑𝑌)
2 = 290 − (50)
2 = 40
𝑦 𝑁 10

- Hitung koefisien korelasi !

𝑆𝑃
𝑟= −34 = −0,85
√𝑆𝑆𝑥 ,𝑆𝑆𝑦
=
40.40

- Tarik kesimpulan
Terdapat korelasi negatif antara X dan Y dengan derajat hubungan yang cukup baik.

Jika peneliti mempunyai beberapa variabel, dan si peneliti ingin mencari hubungan
antara dua variabel dari variabel tersebut, maka koefisien korelasi dapat diatur dalam
sebuah matriks korelasi. Misalnya, dari 6 buah variabel X, Y, Z, W, Q, dan P dapat
dihitung korelasi
dan dibuat koefisien matriks sebagai berikut.
X Y Z W Q P
X 1,00 0,22 0,75 0,61 0,22 -0,71
Y 0,22 1,00 0,41 0,13 -0,60 0,36
Z 0,75 0,41 1,00 0,66 0,11 0,77
W 0,51 0,13 0,66 1,00 -0,44 0,03
Q 0,22 -0,60 0,11 -0,44 1,00 0,55
P -0,71 0,36 0,77 0,03 0,55 1,00

2. Korelasi Spearman

Jika pengamatan dari 2 variabel, X dan Y adalah dalam bentuk skala ordinal, maka
derajat korelasi dicari dengan koefisien korelasi Spearman. Prosedur untuk mencari
koefisien korelasi Spearman adalah sebagai berikut.
- Aturlah pengamatan dari kedua variabel dalam bentuk ranking.
- Cari beda dari masing-masing pengamatan yang sudah berpasangan.
- Hitung koefisien korelasi Spearman dengan rumus :
6∑𝑑 2

𝜌=1 1

− 𝑁3 − 𝑁

Dimana :
di = beda antara 2 pengamatan berpasangan.
N = total pengamatan.
ρ = koefisien korelasi Spearman.

Contoh :
Seorang peneliti ingin melihat, apakah ada korelasi antara nilai ujian akhir matematika
dan nilai ekonomi mikro. Untuk keperluan tersebut dipilih secara random nilai ujian
akhir matematika dan ekonomi mikro dari 10 mahasiswa. Nilai-nilai tersebut adalah
sebagai berikut :
 Nilai Akhir
Mahasiswa
Matematika Ek. Mikro
A 1 2
B 2 3
C 3 2
D 4 5
E 5 5
F 6 7
G 7 5
H 8 6
I 9 7
J 10 8

Jawab :
Untuk melihat ada tidaknya korelasi antara nilai akhir matematika dan ekonomi makro,
peneliti tersebut ingin menggunakan koefisien korelasi Spearman. Untuk keperluan
tersebut, prosedur yang diikuti adalah sebagai berikut :
- Misalkan X = nila akhir matematika dan Y = nilai akhir dari ekonomi makro.
- Buatlah ranking dari masing-masing nilai akhir tersebut :

Nilai X : 1 2 2 3 4 5 6 8 9 10
Ranking : 1 1,5 1,5 4 5 6 7 8 9 10
Nilai Y : 2 3 2 5 5 7 5 6 8 8
Urutan : 2 2 3 5 5 5 6 7 7 8
Ranking : 1,5 1,5 3 5 5 5 7 8,5 8,5 10

- Untuk menghitung ∑d2, dibuat worksheet sebagai berikut :

-
Tabel 16.23
Worksheet untuk Menghitung Koefisien Korelasi Spearman
Ranking
X Y X Y d 2
d
1 2 1.0 1.5 0.5 0.25
2 3 2.5 3.0 0.5 0.25
3 2 2.5 1.5 -1.0 1.0
4 5 4.0 5.0 1.0 1.0
5 5 5.0 5.0 0.0 0.0
6 7 6.0 8.5 2.5 6.25
7 5 7.0 5.0 -2.0 4.0
8 6 8.0 7.0 -1.0 1.0
9 7 9.0 8.5 -0.5 0.25
 10 8 10.0 10.0 0.0 0.0
d2 = 14.00
- Hitung koefisien korelasi Spearman :
6∑ d 2

=1 1

− N3−N

6(14)
=1− 3
=1− 84
= 0,915
(10) −10 990

3. Korelasi Biserial
3.1. Koefisien korelasi point biserial

Jika derajat hubungan ingin dicari antara sebuah variabel kontinu dengan sebuah
variabel dichotomi, maka indeks korelasi yang digunakan adalah koefisien korelasi point
biserial. Koefisien korelasi point biserial juga dijabarkan dari koefisien korelasi Pearson.
Rumus untuk koefisien point biserial adalah :
̅ ̅
𝑟𝑝𝑏 = 𝑋1 − 𝑋0 √𝑝. 𝑞

𝑠𝑥

Dimana :
X = variabel kontinu
𝑋̅1 = mean dari kelompok variabel kontinu yang mempunyai pengamatan satu pada
variabel dichotomi
𝑋̅0 = mean dari kelompok variabel kontinu yang mempunyai pengamatan nol pada
kelompok dichotomi
p = proporsi dari pengamatan satu pada kelompok pengamatan variabel dichotomi
q = proporsi dari pengamatan nol pada kelompok pengamatan variabel dichotomy
sx = standar deviasi dari variabel kontinu.

Contoh :
Carilah koefisien korelasi poin biserial dari variabel-variabel berikut :

X : 1 1 2 6 6 7 8 9
Y : 1 1 0 1 1 0 0 0
Jawab :
- Buatlah worksheet sebagai berikut :
Tabel 16.24
Worksheet untuk Mencari Koefisien Korelasi Poin Biserial
X Y 2
X
1 1 1
1 1 1
2 0 4
6 1 36
6 1 36
7 0 49
8 0 64
9 0 81
40 4 272

- Hitung ̅X1 , ̅X0 , p dan q !

1 1+1+6−6 0 2+7+8+9
𝑋̅ = = 3,5 ; 𝑋̅ = = 6,5
4 4

𝑝 = 4 = 0,5 ; 𝑞 = 4 = 0,5
8 8

- Hitung Vx dan kemudian sx !

(∑𝑋)2
∑𝑋 2−
1
𝑉𝑥 𝑛

= 𝑁

(40)2
272−
= 8
=9
8

𝑆𝑥 = √𝑉𝑥 = √9 = 3

- Hitung koefisien korelasi poin biseral !

𝑟𝑝𝑏 𝑋1 − 𝑋0
= ̅ ̅ √𝑝. 𝑞
𝑠𝑥

= 3,5− 6,5 √(0,5)(0,5) = −0,5

−3

3.2. Koefisien korelasi biserial

Koefisien korelsai biseral adalah indeks untuk mencari hubungan antara dua variable,
dimana salah satu dari variabel tersebut dianggap sebagai variabel dichotomy.

Rumus untuk koefisien korelasi biserial adalah :

𝑟𝑏
𝑋̅𝑝 − 𝑝.𝑞
=
𝑋̅ ( )
𝑦
𝑠𝑥

Di mana:
X = variabel kontinu
𝑋̅p = mean dari variabel X pada kelompok "sukses"

Xq = mean dari variabel X pada kelompok yang "tidak sukses''

p = proporsi pengamatan pada kelompok "sukses"

q = proporsi pengamatan kelompok "tidak sukses"

y = ordinat dari kurva normal yang membagi kurva normal atas 2 bagian, satu bagian
adalah proporsi p dan sebagian lagi adalah proporsi q dari total area
rb = koefisien korelasi biserial.

Koefisien korelasi biserial mempunyai tanda positif jika kelompok "sukses"

mempunyai mean variabel kontinu yang lebih besar dan tanda koefisien korelasi biserial
menjadi negatif, jika mean variabel kontinu pada kelompok "sukses" lebih kecil
dibandingkan dengan mean variabel kontinu pada kelompok "tidak sukses".
Harga Y pada berbagai-bagai harga p dapat dilihat pada lampiran 19. Lampiran
𝑝.𝑞
tersebut juga memberikan nilai .
𝑦

Contoh :
Seorang peneliti ingin melihat apakah ada hubungan antara IQ seorang mahasiswa
dengan lulus tidaknya mahasiswa tersebut pada akhir tahun kuliah. Untuk ini, ingin dicari
koefisien korelasi biserial. Data yang dikumpulkan menunjukkan berikut ini :
- 60% dari mahasiswa lulus pada akhir tahun kuliah.
- 40% dari mahasiswa tidak lulus.
- Mean IQ dari mahasiswa yang lulus adalah 120
- Mean IQ dari mahasiswa yang tidak lulus adalah 110.
- Standar deviasi dari IQ adalah 15.

Ditanya :
Hitunglah koefisien korelasi biserial antara IQ dan lulus tidaknya mahasiswa !
Jawab :

- 𝑋̅p = 120 ; 𝑋̅q = 110 ; p = 0,6 ; q = 0,4 ; sx = 15

𝑝.𝑞
- Lihat harga y dengan p = 0,4 dan harga pada lampiran 19. Lampiran 19
𝑦
𝑝.𝑞
memberikan y = 0,386 dan
𝑦 = 0,621
- Hitung koefisien korelasi biserial

𝑋̅𝑝 − 𝑝. 𝑞
𝑟𝑏 =̅
𝑋 ( 𝑦 )
𝑠𝑥

= 120− 110 (0,621) = 0,41

15

ANALISIS REGRESI

Peneliti ada kalanya berkehendak untuk mempelajari bagaimana variasi dari

beberapa variabel independen mempengaruhi variabel dependen dalam suatu fenomena
yang kompleks. Jika X1, X2, .... Xk adalah variabel-variabel independen dan Y adalah
variabel dependen, maka terdapat hubungan fungsional antara variabel X dan Y, di mana
variasi dari X akan diiringi pula oleh variasi dari Y. Secara matematika, hubungan di atas
dapat dijabarkan sebagai berikut :

Y = f (X1, X2,.............., Xk, e)

Di mana:
Y = variabel dependen X
= variabel independen e
= disturbance term

Dengan perkataan lain, variasi dari Y disebabkan oleh variasi dari variabel
independen X dan oleh variasi random lainnya yang tidak dapat diketahui secara pasti. Jika
hubungan yang terjadi adalah linear, maka hubungan tersebut dapat dijabarkan sebagai
berikut.

Y = A0 + A1X1 +A2X2 + .... + AkXk +.............+ e

Dimana : A0, Al, A2, ....Ak adalah parameter. Dengan menggunakan data empiris,
parameter-parameter tersebut ingin diestimasikan. Ada beberapa cara untuk
mengadakan estimasi terhadap parameter. Salah satu di antaranya adalah dengan teknik
Ordinary Least Square. Analisis regresi ingin mempelajari bagaimana eratnya hubungan antara
satu atau beberapa variabel independen dengan sebuah variabel dependen. Dalam analisis
regresi, 4 usaha pokok akan dilaksanakan, yaitu :

- mengadakan estimasi terhadap parameter berdasarkan data empiris;

- menguji berapa besar variasi variabel dependen dapat diterangkan
- menguji apakah estimasi parameter tersebut signifikan atau tidak;
- melihat apakah tanda dan magnitude dari estimasi parameter cocok dengan teori.

Dalam analisis regresi, dipikirkan bahwa hubungan antara variabel independen dan
variabel dependen adalah dalam bentuk linear, dan diasumsikan bahwa :
- Disturbance term adalah variabel random yang mempunyai distribusi normal.
- Mean dari disturbance term adalah nol sedangkan variance-nya konstan.
- Disturbance term dari observasi yang berbeda tidak bergantung dari disturbance
term
sebelumnva.
- Variabel eksplanatori adalah variabel nonstokhastik, diukur tanpa error dan tidak
tergantung pada disturbance term.

1. Regresi Sederhana

Analisis regresi yang menyangkut sebuah variabel independen dan sebuah variabel
dependen dinamakan analisis regresi sederhana. Hubungan stokhastik dari variabel-
variabel tersebut adalah : Y = A0 + A1X1 + ui

Estimasi terhadap hubungan di atas adalah :

Y = a0 + a1X1 + ei

Dengan teknik ordinary least square (OLS), estimasi terhadap parameter dikerjakan
dengan menggunakan persamaan normal sebagai berikut :
∑Y = a0n + a1∑X1
∑X1Y = a0∑X1 + a1∑X2 i

Jika dinyatakan dalam bentuk deviasi dari mean, di mana xi = (Xi - ̅X), persamaan
normal mempunyai bentuk.

∑x1y = a1∑ 𝑥2𝑖

Di mana :
Y = variabel dependen.
X1 = variabel independen.
X̅ = mean dan variabel independen.
n = jumlah observasi.
a0 = intercept

al = estimator dari parameter atau koefisien regresi.

Dari persamaan normal, dapat dijabarkan rumus untuk mencari estimasi parameter
(koefisien regressi), yaitu :
1 ∑𝑥1𝑦
𝑎 = ∑𝑥
2 1
∑𝑦−𝑎1∑𝑥2

𝑎0 = 1
𝑛

Dimana :
(∑𝑥1)
∑𝑥2 = ∑𝑥2 − 2
1 1 𝑛

(∑𝑥1)(∑𝑦)
∑𝑥1 𝑦 = ∑𝑥1 𝑦 −
𝑛

Dalam analisis regresi diperlukan juga untuk melihat berapa persen dari variasi
variabel dependen dapat diterangkan oleh variasi dari variabel independen. Untuk ini
digunakan koefisien diterminasi, R2.

variasi yang dapat diterangkan

𝑅2 = variasi yang harus diterangkan

a 12 . ∑ x2
=
∑y2

Harga R2 berada dalam jangka 0 sampai dengan 1.

Dalam analisis regresi perlu juga diuji apakah estimator terhadap parameter berbeda
secara signifikan dari nol. Untuk maksud tersebut digunakan uji t. Untuk uji t, diperlukan
pula standar error dari estimator. Standar error dari estimator dicari dengan rumus berikut.

𝑆𝑎.1
𝜎∗2∑𝑥12
= √ 2
𝑛∑𝑥

sedangkan 𝜎∗2 = (∑𝑦)2− 𝑎2∑𝑥2

1
𝑛−2
Dimana :
𝜎∗2 = estimator dari variance disturbance term
n = jumlah pengamatan.

Daerah penolakan hipotesis adalah sebagai berikut.

H0 : a0 = 0 ; HA : a0 ≠ 0
H0 : a1 = 0 ; HA : a1 ≠ 0

Level signifikan : b
Statistik yang digunakan :
a0
Untuk a0 : t =
Sa.0

a1
Untuk at : t =
Sa.1

Tolak H0, atau terima HA jika :

- 𝑡 1 ;𝑑𝑓=𝑛−2 (𝑠𝑎.0 ) > 𝑎0 > 𝑡1 ;𝑑𝑓=𝑛
(𝑠𝑎.0 )
2𝑏 2

- 𝑡 1 ;𝑑𝑓=𝑛−2(𝑠𝑎.1) > 𝑎1 > 𝑡 1 ;𝑑𝑓=𝑛−2(𝑠𝑎.1)

2𝑏 2𝑏

Harga 𝑡 1 ;𝑑𝑓=𝑛−2 dapat dilihat pada lampiran 5.

2
𝑏

Contoh :
Dipikirkan bahwa permintaan terhadap bahan makanan Y bergantung dari Produk
Nasional Bruto (X1). Dengan perkataan lain, fungsi dari permintaan terhadap bahan

makanan adalah : Y = a0 + a1X1 + e

Ditanya :
a) Estimasikan fungsi permintaan terhdap bahan makanan
b) Tentukan koefisien determinasi !
c) Uji, apakah estimator berbeda dari nol atau tidak
 Untuk keperluan di atas, gunakan data empiris berikut :

Permintaan Produk Nasional

Tahun
bahan makanan Bruto
1960 6 50
61 7 52
62 8 55
63 10 59
64 8 57
65 09 58
66 10 62
67 9 65
68 11 78
69 10 70

Jawab :
- Buatlah worksheet sebagai berikut :
Tabel 16.25
Worksheet untuk Analisis Regresi Sederhana

Y X1 2 2 Y.X1
Y X1
6 50 36 2.500 300
7 52 49 2.704 364
8 55 64 3.025 440
10 59 100 3.481 590
8 57 64 3.249 456
9 58 81 3.364 522
10 62 100 3.844 620
9 65 81 4.225 585
11 78 121 6.084 858
10 70 100 4.900 700
88 596 796 35.916 5.325

- Hitung ∑x1y1 ; ∑x2 dan ∑y2

 (∑𝑥1)(∑𝑦)
∑x1y = ∑x1y –
𝑛
(596)(88)
= 5.325 – = 80,2
10
2 2 (∑𝑥1)
∑𝑥 = ∑𝑥 − 2

= 35.916 − (596)2 = 394,4

10

∑y2 = ∑y2 − (∑𝑦)2

𝑛

= 796 – (88)
= 39,2
10

- Hitung a1 dan a0

1
𝑎 =
∑𝑥1𝑦
=
80,2 = 0,203
∑𝑥21 394,4

0 ∑𝑌−𝑎1∑𝑥1 88−0,203(596)
𝑎 = = = −3,299
𝑛 10

- Fungsi permintaan terhadap bahan makanan

adalah : Y = -3,3 + 0,203 X1

- Tentukan koefisien determinasi :

a 2.∑
(0,203)(394,4)
R = 1x2 = 0,76
=2 39,2
∑y2
- Uji signifikan dari estimator H :
a=0;H:a≠ 0
a=0;H:a≠0
𝑎0 −3,299
Untuk a0 : t = = = −1,346
𝑠𝑎.0 2,45

𝑡1⁄2 (0,05) ; 𝑑𝑓=8 = 2,31

Karena t < t0,025 ; df = 8 , maka hipotesis diterima. Dengan perkataan lain, a0 tidak
berbeda secara signifikan dari nol atau intercept tidak signifikan.
𝑎1 0,203
Untuk a1 : t = = = 4,951
𝑆𝑎.1 0,041

Karena t > t0,025 ; df = 8 , maka hipotesis ditolak. Dengan perkataan lain, koefisien
a1 berbeda secara signifikan dari nol.

- Sebagai kesimpulan, kita tulis hsil analisis regresi sebagai berikut :

Y = -3,3 + 0,203 X1 R2 = 0,76
= (2,45) (0,041)*
Angka dalam kurung adalah standar error. Bintang memperlihatkan bahwa koefisien
regresi bebeda secara signifikan dari nol pada level 0,05.

2. Analisis Regresi Berganda

Jika parameter dari suatu hubungan fungsional antara satu variabel dependen dengan
lebih dari satu variabel ingin diestimasikan, maka analisis regresi yang dikerjakan
berkenaan dengan regresi berganda (multiple regression). Analisis regresi berganda
mempunyai kaedah yang sama seperti analisis regresi sederhana. Rumus-rumus yang
digunakan pun tidak lain dari pengembangan dari rumus-rumus yang digunakan pada
regresi sederhana.
Jika hubungan antara satu variabel dependen dengan dua variabel independen,
berbentuk : y = a0 + a1x1 + a2x2 + e, maka persamaan normalnya adalah sebagai berikut :
∑y = a0n + a1∑x1 + a2∑x2
∑x1y = a0∑x1 + a1∑x2 + a2∑x1x2
1
∑x2y = a0∑x2 + a1∑x1x2 + a2∑x2 2

Dalam bentuk deviasi dari mean, persamaan normal tersebut adalah :

∑x1y = a1∑x21 + a2∑x1x2

∑x2y = a2∑x1x2 + a2∑x2

2
Persamaan di atas juga ditulis dalam bentuk matriks sebagai berikut :
𝑥 1𝑦
𝑎1 𝑥2 𝑥1𝑥2
[ 1
𝑥2𝑦
] = [𝑎 ] [ ]
2 𝑥1𝑥2 𝑥 21

Uji t digunakan untuk melihat apakah koefisien berbeda secara signifikan dari nol
atau tidak. Teknik regresi untuk hubungan variable yang mempunyai lebih dari dua
variable independen dapat dikembangkan dari prosedur di atas. Misalnya, untuk analisis
regresi dari persamaan stokhastik.

Y = a0 + a1X1 + a2X2 + a3X3 + e

Persamaan normalnya adalah :

∑y = a0n + a1∑x1 + a2∑x2 + a3∑x3

∑x1y = a0∑x1 + a1∑x2 + a2∑x1x2 + a2∑x1x3

1
∑x2y = a0∑x2 + a1∑x1x2 + a2∑x2 + a3∑x2x3
2
∑x3y = a0∑x3 + a1∑x1x3 + a2∑x2x3 + a3∑x2
3

Atau dalam bentuk deviasi dari mean

∑x1y = a1∑x21+ a2∑x1x2 + a2∑x1x3

∑x2y = a1∑x1x2 + a2∑x2 + a3∑x2x3

2
∑x3y = a1∑x1x3 + a2∑x2x3 + a3∑x2
3

Prosedur selanjutnya dapat dikembangkan dari keterangan-keterangan yang telah lalu.

Contoh :
Dipikirkan, bahwa terdapat hubungan linear antara pengeluaran untuk pakaian (Y) dengan
total pengeluaran (X1) dan harga bahan pakaian (X2). Hitunglah koefisien korelasi serta
reliabilitas dari koefisien tersebut dengan menggunakan data berikut :
 Pengeluaran Total Harga
untuk pakaian pengeluaran bahan pakaian
3,5 15 16,0
4,3 20 13,0
5,0 30 10,0
6,0 42 7,0
7,0 50 7,0
9,0 54 5,0
8,0 65 4,0
10,0 72 3,0
12,0 85 3,5
14,0 90 2,0

Jawab :

- Persamaan regresi adalah Y = a0 + a1X1 + a2X2 + e

- Buatlah worksheet berikut :
Tabel 16.26
Worksheet untuk regresi Y = a0 + a1X1 + a2X2

Y X1 X2 Y2 2 2 YX1 YX2 X1X2

X1 X𝟐
3,5 15 16,0 12,25 225 256 52,5 56 240
4,3 20 13,0 18,49 400 169 86,0 55,9 260
5,0 30 10,0 25,00 900 100 150,0 50,0 300
6,0 42 7,0 36,00 1.764 49 252,0 42,0 294
7,0 50 7,0 49,00 2.500 49 350,0 49,0 350
9,0 54 5,0 81,00 2.916 25 486,0 45,0 270
8,0 65 4,0 64,00 4.225 16 520,0 32,0 260
10,0 72 3,0 100,00 5.184 9 720,0 30,0 216
12,0 85 3,5 144,00 7.225 12,2 1.020 42,0 297,5
14,0 90 2,0 196,00 8.100 4 1.260 28,0 180,0
78,8 523 70,5 725,74 33.439 689,25 4.896,5 429,9 2.667,5