120870−120120

=
133580−132496

750
=
1084

= 0,6918

b0 =
∑ y i−b 1 . ∑ x i
n

330−( 0,6918 ) . 364

=
10

330−251,815
=
10

78,1840
=
10

= 7,81848

Dengan demikian, persamaan garis regresi linear sederhana Y atas X untuk soal diatas
adalah:

Y^ =7,81848+ 0,6918 x

Konfirmasi nilai di atas dengan SPSS Versi 21.0

A. DEPENDENT VARIABLE: Y
Contoh Soal 3
Seorang ahli pengendali mutu barang (quality control) ingin mengetahui hubungan
fungsional antara temperatur di dalam pabriknya dengan banyaknya kerusakan hasil
produksi akibat temperatur tsb. Untuk itu dia ingin mengendalikan temperatur agar
dapat meminimalisir kerusakan hasil produksinya. Selama 30 hari dia mencatat rata-
rata temperatur perhari dan banyaknya kerusakan hasil produksinya. Datanya adalah
sebagai berikut:
 Jawab:

b 1=
∑ X i ∑ Y i−n ∑ X i ∑ Y i
2
(∑ X i ) −n ∑ X i2
( 664 ) (230 )−(30)(5.358)
b 1= 2
(664) −( 30)(14.906)
15.720−160.740
b 1=
440.896−447.180
 −8.020
b 1=
−6.284
b 1=1,27626 ≈1,273

y=
∑ Y i = 230 =7,66667
n 30

x=
∑ X i = 664 =22,13333
n 30
b 0= y−b1 x

b 0=7,66667−(1,27626)(22,13333)

b 0=7,66667−(28,24788)
b 0=−20,5812 ≈−20,581

Jadi :
^y =−20,581+1,276 X
Konfirmasi contoh soal nomor 1 menggunakan SPSS

 Masukkan data yang akan dianalisis pada data view

 Atur nama, jenis dan label data dalam variabel view

 klik analyze, regression, linear

 pindahkan variabel x ke kolom isian independent, variabel y ke kolom isian dependent

 Klik menu statistik dan klik menu-menu yang dibutuhkan untuk melengkapi output, lalu
klik continue

 Klik option, untuk mengisi nilai probabilitas yang diinginkan, lalu klik continue.
 Klik tombol plots untuk menampilkan diagram pencar (scatter plot) residual, histogram,
diagram outlier dan diagram probabilitas

 Setelah menatur semua yang diperlukan klik ok.

Berikut adalah table dari output yang dihasilkan
Interpretasi hasil Output SPSS:
 Tabel descriptive statistic diketahui bahwa standard deviasi banyaknya kerusakan
adalah 3,507 atau 3 unit untuk banyaknya kerusakan dengan rata-rata 7,67 dari
banyaknya data 30. nilai ini lebih besar dari standard error of estimate. dengan
demikian dapat disimpulkan bahwa model regresi lebih baik dalam bertindak sebagai
prediktor banyaknya kerusakan daripada banyaknya kerusakan itu sendiri. sedangkan
rata-rata temperatur, besar standar deviasinya yaitu 2,688 dengan rata-rata 22,13 dari
banyaknya data 30.
 Tabel corelation menunjukkan besar hubungan antara variabel banyaknya kerusakan
dan rata-rata temperatur adalah 0,978. hal ini menunjukkan hubungan yang positif.
 Tabel variable entered menunjukkan metode yang digunakan. dalam kasus di atas,
diketahui bahwa tidak ada variabel yang dikeluarkan (removed).
 Tabel model summary menampilkan nilai r (koefisien korelasi) sebesar 0,978
sedangkan koefisien korelasi ganda r (multiple r) sebesar 0,957 merupakan indeks
determinan atau persentase pengaruh x terhadap y. dengan demikian kita dapat
menyatakan bahwa 95,7% banyaknya kerusakan dipengaruhi oleh rata-rata
temperatur, sedangkan sisanya 4,3% dipengaruhi oleh faktor lain.
 Dari tabel anova. dapat dijelaskan bahwa nilai F sebesar 617,109 dengan tingkat
signifikansi sebesar 0,000 menunjukkan bahwa memang ada pengaruh dari variabel x
terhadap variabel y. (0,000 < 0,05) berarti model regresi signifikan.
 Dari tabel coefficients, kita dapat membuat persamaan regresi, yaitu: Y = -20,581 +
1,276X. standard error of estimate (se) adalah 1,145 atau 1 unit (dibulatkan). angka
0,978 pada standardized coefficients (beta) menunjukkan tingkat korelasi antara rata-
rata temperatur dan banyaknya kerusakan. sedangkan nilai t berguna untuk menguji
tingkat signifikansinya.
 Dari chat normal p-plot of regression standardized residual jika residual berasal dari
distribusi normal, maka nilai-nilai sebaran data akan terletak pada sekitar garis lurus
hal tersebut menunjukkan bahwa sebaran data pada gambar tersebut, tersebar hampir
kesemua titik pada sumbu normal, maka dapat dikatakan bahwa pernyataan
normalitas dapat dipenuhi.