Contoh soal uji hipotesa

Cara Mendapatkan Garis Regresi

Terdapat beberapa cara yang dapat digunakan untuk menentukan garis regresi,
yaitu;

 Cara bebas (freehand methode)

Kelemahan: tidak ada metode baku yang dipercaya karena tiap orang bisa beda

 Menghubungkan dua titik yang terendah dan tertinggi

Kelemahan: Persamaan regresi ini hanya menggunakan dua titik terendah dan
tertinggi saja dan titik-titik yang lain tidak dihiraukan dan sangat berbahaya jika
ada nilai ekstrim

 Membagi data menjadi dua kelompok yang sama,kemudian masing-

masing dicari rata-ratanya yaitu x1 dan x2

Baca Juga:  Mengenal Statistik Deskriptif dan Inferensial: Contoh dan Perbedaannya

Kelebihan: Sudah mengikutkan semua titik karena dicari rata-ratanya, dan ini
adalah cara terbaik daripada 2 cara diatas. Rata-ratanya dipengaruhi nilai
ekstrim masing-masing baik nilai ekstrim rendah maupun nilai ekstrim
tinggi,sehingga tidak menggambarkan regresi yang sebenarnya

 Metode kuadrat terkecil

Metode ini diperkenalkan oleh Gauss

E=y^−y
Dalam regresi linear sederhana hubungan variabel tersebut dapat dituliskan
dalam bentuk model persamaan linear:

y^=a+bx
Cara mencari nilai koefisien a pada regresi linier sederhana, maka didapat
bahwa a=y¯−bx¯
Variabel Bebas dan Terikat Regresi Linier Sederhana
(Dependent And Independent Variable)

 Dependent Variable/Variabel Tak Bebas (Y): Variabel yang nilainya

ditentukan oleh variabel lain. Diasumsikan bersifat random/stochastic
 Independent Variable/Variabel Bebas (X): Variabel yang nilainya
ditentukan secara bebas (variabel yang diduga mempengaruhi variabel tak
bebas). Diasumsikan bersifat fixed/non stochastic.
 Syarat: Y: Berjenis data kuantitatif  X: Berjenis data kuantitatif atau
kualitatif/kategorik

Konsep Dasar Regresi Linier Sederhana

 Pada suatu nilai X tertentu akan terdapat banyak kemungkinan nilai-nilai

Y (Y akan terdistribusi mengikuti suatu fungsi peluang tertentu Distribusi
Normal) dengan Nilai rata-rata E(Y) dan Nilai varians σ2  tertentu
  Nilai rata-rata E(Y) diasumsikan berubah secara sistematik mengikuti
perubahan nilai X, yang digambarkan dalam bentuk garis linier
 Nilai varians σ2 pada setiap nilai X akan sama

Prosedur Penting Dalam Regresi Linier Sederhana

Dalam prosedur regresi hal pertama yang harus dilakukan adalah
melakukan identifikasi model dengan menggunakan Scatter plot  (diagram
pencar) yang berguna untuk mengidentifikasi model hubungan antara variabel X
dan Y. Bila pencaran titik-titik pada plot ini menunjukkan adanya suatu
kecenderungan (trend) yang linier, maka model regresi linier layak digunakan.
Setelah itu dapat dilakukan estimasi terhadap parameter model.
Grafik diatas merupakan contoh identifikasi model yang dilakukan dengan
variabel X adalah umur mobil dan variabel Y adalah harga mobil. Ternyata
titik-titik (plotting data) tersebut terlihat mengelompok di sekitar garis lurus dan
scatter plot tersebut, sebenarnya bisa ditarik beberapa garis yang dekat terhadap
titik-titik tersebut.

Model Regresi Linear Sederhana

Yi = β + β1Xi + εi  (i = 1, 2, …, n) 

Baca Juga:  Teknik Purposive Sampling dan Contoh Aplikasinya

dimana:

 Yi merupakan nilai dari variabel dependent pada observasi ke-i

 β  dan β1 merupakan parameter model
  εi  merupakan komponen error (pengaruh variabel bebas lain selain
variabel X)
 Xi adalah nilai variabel bebas X pada observasi ke-i
 N adalah banyaknya data observasi (sampel)

Note:  β dan β1 disebut juga koefisien regresi, β  merupakan intercept dan

β1 merupakan slope   (gradien garis) yang menyatakan perubahan   nilai Y untuk
setiap kenaikan satu satuan X.

Asumsi Regresi Linier Sederhana

Dalam aplikasinya terdapat beberapa asumsi yang harus terpenuhi untuk
melakukan analisis regresi sederhana. Beberapa asumsi tersebut sebagai
berikut :

1. Yi (Variabel Tak Bebas/Dependent Variable) merupakan random

variable/bersifat stochastic
2. Xi (Variabel bebas/Independent Variable) bersifat fixed/non stochastic
(bukan merupakan random variable)
3. E(εi) = 0
4. E(εi εj) = E(εi2) = σ2 untuk i = j (Homoscedastic)
5. E(εi εj) = 0 untuk i ≠ j (Non autocorrelation)
6. εi merupakan random variable yang terdistribusi secara bebas dan
indentik mengikuti distribusi normal dengan rata-rata 0 dan varian σ 2

Metode estimasi yang digunakan pada regresi linier sederhana adalah Metode
Kuadrat Terkecil (Least Square Method) dengan prinsip meminimalkan ∑εi2

Sehingga estimasi parameternya:

βˆ1=∑(X1−X¯¯¯¯¯)(Y1−Y¯¯¯¯)∑(X1−X¯¯¯¯¯)2
dan

βˆ0=Y¯¯¯¯−βˆ1X
Estimasi untuk Y jika X diketahui :

Yˆi=βˆ+βˆ1Xi
Sifat-sifat Estimator Least Squares

 Jika semua asumsi yang diberlakukan terhadap model regresi terpenuhi,

maka menurut suatu teorema (Gauss Markov theorem) estimator tersebut
akan bersifat BLUE (Best Linear Unbiased Estimator).
 Best = Terbaik, mempunyai varian yang minimum
 Linear = Linear dalam Variabel Random Y
 Unbiased = Tak bias
 Artinya estimator tersebut akan unbiased, linier dan mempunyai varian
yang minimum diantara semua estimator unbiased & linier yang lain.

Cara Menghitung Koefisien Determinasi

Dalam regresi linier sederhana, koefisien determinasi (r2) diartikan sebagai
ukuran kemampuan semua variabel bebas dalam menjelaskan varians terikat.
Karena koefisien determinasi (r2) merupakan kuadrat dari koefisien korelasi (r)
maka dapat rumus koefisien determinasi (r2) sama dengan rumus koefisien
korelasi (r) yang dipangkatkan.

r2=[n∑xy–∑x∑yn∑x2−(∑x)2.∑y2−(∑y)2√]2

Baca Juga:  Ukuran Sampel Penelitian yang Memenuhi Syarat Menurut Para Ahli

Misalkan jika diperoleh nilai koefisien korelasi sebesar 0.92 maka koefisien
determinasinya adalah 0.85 di dapat dari (0.92)2. Artinya, kemampuan variabel
bebas dalam menjelaskan varian-varian variabel terikatnya sebesar 85% atau
masih terdapat sekitar 15% varias variabel terikat yang dijelaskan oleh faktor
lain.

Langkah Membuat Regresi Linear Sederhana

 Cari dulu apakah kedua variabel tersebut ada hubungan linear atau tidak
 Tentukan terlebih dahulu variabel independent (x) dan variabel
dependennya(y)
 Membuat diagram pencar dari data x dan y
 Dari diagram pencar tersebut akan diperoleh gambaran pola tebaran x dan
y.apakah membentuk hubungan linear?jika ya,maka model regresinya
adalah regresi linear sederhana,kalau tidak linear bias dicari regresinya
  Menghitung a dan b
 Menghitung y^=a+bx, dimana y^= estimasi harga y jika x
disubtitusikan kedalam persamaan regresi
 Membuat garis y^=a+bx  pada sumbu x dan y

Istilah dalam Regresi Linier Sederhana

 Koefisien Korelasi (r) adalah nilai yang menyatakan kuat atau tidaknya
hubungan antara 2 variabel
 Standar error koefisien regresi (E) adalah ukuran dari ketepatan koefisien
regresi dalam memprediksi nilai populasinya.Standar error diukur
berdasarkan akar kuadrat dari deviasi atau varians koefisien regresi
sampel dengan koefisien regresi populasi
 Koefisien determinasi regresi(r 2) adalah a. Nilai yang menunjukkan
seberapa besar pengurangan variasi dalam Y (variabel dependent) saat
satu atau lebih X (variabel independent)  masuk kedalam model
regresi. b. Besarnya sumbangan / andil dari variabel x terhadap variasi
atau naik turunnya y.
 Konstanta (a) adalah perpotongan garis regresi dengan sumbu Y (nilai
estimate jika x = 0)
 Koefisien arah dari regresi linear (b) adalah nilai yang menunjukkan
seberapa besar perubahan nilai Y (variabel dependen) saat X (variabel
independent) bertambah satu-satuan

Contoh soal Regresi Linier Sederhana

Berikut contoh soal yang dapat dipecahkan menggunakan regresi linier
sederhana. Data disajikan dalam bentuk tabel dimana X merupakan umur mobil
sedangkan Y adalah harga mobil tersebut sebagaimana terlihat dibawah ini:

Usia Mobil (tahun) Harga Mobil ($100)

xy x2
X y

5 85 425 25

4 103 412 16

6 70 420 36
 Usia Mobil (tahun) Harga Mobil ($100)
xy x2
X y

5 82 410 25

5 89 445 25

5 98 490 25

6 66 396 36

6 95 570 36

2 169 338 4

7 70 490 49

7 48 336 49

58 975 4732 326

Tabel contoh soal regresi linier sederhana

Tabel diatas menyajikan data dengan variabel X adalah umur mobil dan variabel
Y adalah harga. Hasil estimasinya adalah sebagai berikut :

sehingga persamaan regresinya menjadi

Yˆ=195.47−20.26X
Dari hasil estimasi yang diperoleh dapat disimpulkan bahwa setiap umur mobil
bertambah satu tahun maka harga mobil tersebut akan turun sebesar $2.026.

Contoh soal leaf hipotesis

Data PT ABC TAHUN 1995-2006

NO TAHUN PENJUALAN (Y)

1 1996 15.000

2 1997 16.000

3 1998 17.000

4 1999 17.500
 5 2000 18.000

6 2001 18.500

7 2002 18.500

8 2003 19.000

9 2004 19.250

10 2005 19.500

11 2006 19.750

JUMLAH 11 198.000

1. ANALISIS MENGGUNAKAN METODE LEAST SQUARE

PT ABC
PENJUALAN PREDIKSI
NO TAHUN X^2 XY
(Y) (X)

1 1996 15.000 -5 25 -75.000

2 1997 16.000 -4 16 -64.000

3 1998 17.000 -3 9 -51.000

4 1999 17.500 -2 4 -35.000

5 2000 18.000 -1 1 -18.000

6 2001 18.500 0 0 0

7 2002 18.500 1 1 18.500

 8 2003 19.000 2 4 38.000

9 2004 19.250 3 9 57.750

10 2005 19.500 4 16 78.000

11 2006 19.750 5 25 98.750

JUMLAH 11 198.000 0 110 48.000

2. Mencari nilai a dan b

a = 198.000 /11 = 18.000
b = 48.000 /110 = 436.36
maka persamaan least squarenya adalah

Y’ = a + bX

Y’ = 18.000 + 436.36X

Maka ramalan penjualan untuk tahun 2007 :

Y (2007) = 18.000 + 436.36 (6)

Y (2007) = 18.000 + 2,618.18

Y (2007) = 20618.18 dibulatkan menjadi 20.619 unit

Ramalan penjualan tahun sebelumnya misalkan tahun 1995 adalah

Y (1995) = 18.000 + 436.36 (-6)

Y (1995) = 18.000 + (-2,618.18)

Y (1995) = 15.381,82 dibulatkan menjadi 15.382 unit

PENJUALAN PREDIKSI
NO TAHUN X^2 XY
(Y) (X)

1 1997 16250 -9 81 -146250

2 1998 17200 -7 49 -120400

3 1999 18050 -5 25 -90250

4 2000 18800 -3 9 -56400

5 2001 19450 -1 1 -19450

6 2002 20000 1 1 20000

7 2003 20450 3 9 61350

8 2004 20800 5 25 10400

9 2005 21050 7 49 147350

10 2006 21250 9 81 191250

JUMLAH 10 193300 0 330 91200

2. Mencari nilai a dan b

a = 193300/10 = 19330
b = 91200/330 = 276.36
maka persamaan least squarenya adalah

Y’ = a + bX
Y’ = 19330 + 276.36X

Maka ramalan penjualan untuk tahun 2007 :

Y (2007) = 19330 + 276.36 (11)

Y (2007) = 19330 + 3040

Y (2007) = 22370 jadi ramalan penjualan menjadi 20.619 unit

Ramalan penjualan tahun sebelumnya misalkan tahun 1995 adalah

Y (1995) = 18.000 + 436.36 (-13)

Y (1995) = 18.000 + (-3592.73)

Y (1995) = 15737,82 dibulatkan menjadi 15.738 unit