HYPOTHESIS TESTING ON THE SLOPE DAN INTERCEPT

PENGGUNAAN UJI t

Hipotesis yang akan diuji adalah :

SLOPE

H0 : β1 = β10
H1 : β1 ≠ β10

b1  10 n
s2
............ s (b1) = s 2 k
2
t0 = i = n

 (x
s ( b1 ) i 1
i  x)2
i 1

 1  n
s2 =   
2

n2
i
i 1

b1 – t (n-2 ; 1-/2) s(b1)  10  b1 + t (n-2 ; 1-/2) s(b1)

Jika :

p  10  q ......  = 0.05

maka hal ini berarti,

dengan kepercayaan 95% , taksiran rata-rata ” y ” naik

antara p dan q untuk pertambahan ” x ” 1 (satuan)

Agar lebih mudah dipahami, perhatikan contoh (Sembiring, hal. 64).

1
 Untuk mengetahui apakah terdapat hubungan linear antara x
dengan y , maka β10 = 0 . Sehingga, hipotesisnya berubah
menjadi

H0 : β1 = 0
H1 : β1 ≠ 0

INTERCEPT

H0 : β0 = β00
H1 : β0 ≠ β00

n
s2  xi
2

b 0   00
t0 = ............ var (b0) = n
i 1

n  (x i  x) 2
s( b 0 )
i 1

 1  n
s2 =   
2

n2
i
i 1

b0 – t (n-2 ; 1-/2) s(b0)  00  b0 + t (n-2 ; 1-/2) s(b0)

Jika :
r  00  s ......  = 0.05

Pengujian β0 tidaklah terlalu menarik hati, karena tidak banyak keterangan

yang dapat ditarik dari pengetahuan tentang apakah β 0 nol atau bukan. Jika
x = 0 maka β0 adalah rata-rata y, tapi jika rentangan x tidak mencakup titik 0
maka β0 tidak punya tafsiran yang jelas. Jika β0 = 0 maka model garis regresi
melalui titik nol.

Agar lebih mudah dipahami, perhatikan contoh (Sembiring, hal. 66).

2
3
4
 UJI SIGNIFIKANSI REGRESI

H0 : β1 = 0
H1 : β1 ≠ 0

Jika H0 tidak ditolak, maka ”... there is no linear relationship between x and y”

Prosedur ujinya ada 2 pendekatan, yaitu dapat menggunakan

b1
1. t0 = atau
s ( b1 )

2. Analysis of variance

ANALYSIS OF VARIANCE

Perhatikan yi  y = ( ŷ i  y ) + (yi  ŷ i )

Variasi Akibat Regresi Sisa

(penyimpangan (bagian yang tidak dapat
total) diterangkan oleh regresi)
n n

 (y  y) 2 =  ( y  ŷ i )  ( ŷ i  y)
2
i i
i 1 i 1

n n n
=  ( ŷ i  y) 2 +
i 1
 ( y i  ŷ i ) 2 + 2  ( y i  ŷ i )( ŷ i  y)
i 1 i 1

n n
Karena  ( y i  ŷ i ) = 0 dan
i 1
 (y
i 1
i   0  1 x i ) x i = 0 , maka

 ( y
i 1
i  ŷ i )( ŷ i  y) = 0

n n n
Dengan demikian,  ( y i  y) 2
i 1
=  ( ŷ i  y) 2
i 1
+  (y
i 1
i  ŷ i ) 2

Jumlah Kuadrat Jumlah Kuadrat Jumlah Kuadrat

Total (JKT) Regresi (JKR) Sisa (JKS)

5
 Tabel Anava Regresi Sederhana
Sumber Jumlah Derajat Rataan
Variasi Kuadrat Kebebasan Kuadrat F
(JK) (dk) (RK)
n

 ( ŷ
RKR
Regresi i  y) 2 1 JKR / 1
i 1 s2
n

Sisa  (y
i 1
i  ŷ i ) 2 n2 JKS / (n  2)
n

Total  (y
i 1
i  y) 2 n1

RKR  ( ŷ i  y) 2
Dalam hal ini, F = = i 1

RKS  n

  ( y i  ŷ i ) 2  (n  2)
 i 1 

Kemudian, nilai F dibandingkan dengan nilai F tabel. Untuk menguji

H0 :  1 = 0
H1 :  1 ≠ 0
Jika nilai F hitung lebih besar dari nilai F tabel, maka H0 ditolak.

Agar lebih mudah dipahami, perhatikan contoh 2.4 (Sembiring, hal. 60 – 61).

UJI KESESUAIAN MODEL (UJI LINEARITAS)

Untuk mengestimasi b0 dan b1 tidak diperlukan replikasi dalam y

untuk suatu harga x .

Ada suatu keuntungan jika terdapat replikasi dalam y ,

yaitu dapat melakukan uji apakah model regresi yang dipilih cukup
baik (cocok) atau tidak.
6
 Sehingga, JKS dapat dipecah menjadi 2 komponen, yaitu :
JKS = JKK + JKM
JKK = jumlah kuadrat sesatan ”kurang sesuai” , dk = n  2

 y  yi 
n ni
1

2
JKM = jumlah kuadrat sesatan ”murni” = ij
i 1 n i j1

dk = n0  k , k = banyak x dengan replikasi

n0 = n1 + n2 + ... + nk

Tabel Anava Untuk Uji Kesesuaian Model

Sumber Jumlah Kuadrat Derajat Rataan Kuadrat
Variasi (JK) Kebebasan (RK) F-ratio
(dk)
n
RKR
Regresi  ( ŷ
i 1
i  y) 2 1 JKR / 1 F=
s2
n

Sisa  (y
i 1
i  ŷ i ) 2 n2 JKS / (n  2)

JKS  JKM RKK

Kurang Sesuai h–2 JKK/ (h – 2) F* =
s2

 y  yi 
n ni
1
Murni 
2
ij n0  k s2 = JKM / (n0  k)
i 1 n i j1
n

Total  (y
i 1
i  y) 2 n1

RKK
Dalam hal ini, F* =
RKM

Kemudian, nilai F dibandingkan dengan nilai F tabel. Untuk menguji

H0 : model sesuai ( model linear)

H1 : model tidak sesuai ( model tidak linear)

Jika nilai F hitung lebih besar dari nilai F tabel, maka H0 ditolak.

7
 Hal ini berarti :

Model yang diestimasi cenderung tidak sesuai (tidak

linear) dengan data yang ada

Ada kemungkinan model yang sesuai adalah model

kuadrat, kubik, atau model nonlinear lainnya

KOEFISIEN KORELASI DARAB ( R2 )

Koefisien korelasi darab disebut juga dengan ukuran kecocokkan model dengan

data. Rumus : ŷ = b0 + b1 x

dengan b0 = y  b1 x
n

 (x
i 1
i  x )( y i  y)
b1 = n

 (x
i 1
i  x) 2

amat memudahkan perhitungan. Tetapi di lain pihak, dapat pula menyesatkan. Dalam

arti kelompok data yang berlainan, oleh rumus tersebut, dihasilkan persamaan regresi

yang sama.

8
Jika x mempunyai pengaruh besar terhadap y maka JKR cukup besar dibandingkan
dengan JKS . Sedangkan JKT tetap, dan tidak terpengaruh oleh model yang
digunakan.

 ( ŷ i  y) 2
JKR
Definisi : R2 = i 1
n
=
 (y
JKT
i  y) 2
i 1

R2 disebut koefisien korelasi darab atau koefisien penentu (determinasi),

dan 0  R2  1.

Jika R2 = 0 , maka hal ini berarti JKR = 0 , yaitu JKS = JKT. Kejadian ini
menandakan bahwa ŷ i = y
(Sembiring, gambar 2.8(1), hal. 55)

Jika R2 = 1 , maka hal ini berarti JKS = 0 , yaitu JKR = JKT.

(Sembiring, gambar 2.8(2), hal. 55)

Makin dekat R2 dengan 1 makin baik kecocokkan data dengan model.

Sebaliknya, makin dekat R2 dengan 0 makin jelek kecocokkan tersebut.

Contoh penafsiran dapat dilihat pada contoh 2.3 (Sembiring, hal. 56)

Interpretasi R2
R2 = 36%
Artinya : sebesar 36% dari seluruh variasi total y diterangkan
oleh x dan masih ada sebesar 64% lagi variasi y yang
tidak dapat diterangkan oleh model yang digunakan.
Bagian sisanya yang 64% ini mungkin disebabkan oleh
faktor lain yang gagal diperhitungkan dalam model.
9