MODEL REGRESI MAJEMUK DAN MASALAH PENAKSIRAN

Model regresi majemuk yang akan dibahas dalam pokok bahasan adalah model regresi
linear majemuk juga disebut model regresi linear berganda. Model regresi linear berganda
(majemuk) adalah model regresi linear yang menyertakan lebih dari satu variabel bebas, atau
model regresi linear yang memiliki 2 variabel bebas atau lebih. Secara umum model regresi
linear berganda dapat ditulis dalam suatu persamaan matematis:
Y i=b0 +b1 X 1 i +b2 X 2 i +…+b ki X ki +ui
(Catatan: kesalahan pengganggu disini menggunakansimbol e i bukan ui ¿

Model ini menunjukan bahwa variabel bebas dalam suatu persamaan regresi bisa
sebanyak “k” dimana “k = 2, 3, 4, ……. “. Jika kita hanya bermaksud menghitung regresi linear
berganda 2 variabel bebas, maka modelnya akan menjadi:
Y i=b0 +b1 X 1 i +b2 X 2 i +ui, Y merupakan variabel bebas atau dependent variable, X 1 dan X 2

merupakan variabel bebas atau independent variable, ui merupakan kesalahan pengganggu,

b0

merupakan intersep atau konstanta , b1 dan b2 merupakan koefisien slop atau parameter X 1 dan
X 2 . b0 , b1 dan b2 inilah yang harus dihitung nilainya. Salah satu metode yang digunakan untuk

menghitung
b0 , b1 dan b2 adalah Metode Kuadrat Terkecil atau Ordinary Least Square (OLS).

Metode OLS mendalilkan bahwa

b0 , b1 dan b2 harus menghasilkan jumlah kuadrat kesalahan
pengganggu yang minimum. Syarat minimum yang harus dipenuhi adalah turunan pertama

jumlah kuadrat kesalahan pengganggu terhadap

b0 , b1 dan b2 secara parsial harus sama dengan
nol atau secara matematis dapat ditulis:
∂ ∑ ui
2
1. =0
∂ b0

∂ ∑ u 2i
2. =0
∂ b1

∂ ∑ ui
2
3. =0
∂ b2

Untuk memperoleh turunan pertama jumlah kuadrat kesalahan pengganggu terhadap

b0 , b1 dan
b2 , maka perlu diketahui persamaan jumlah kuadrat kesalahan pengganggu sebagai berikut:
1. Persamaan kesalahan pengganggu: −ui=b0 +b 1 X 1 i +b2 X 2 i−Y i atau

ui=Y i−b0 −b1 X 1 i−b 2 X 2 i

2 2
2. Kuadrat kesalahan pengganggu: ui =( Y i−b 0−b1 X 1 i−b 2 X 2i )

3. Jumlah kuadrat kesalahan pengganggu: ∑ u i =∑ ( Y i−b0−b1 X 1i −b2 X 2 i )

2 2

Dengan demikian dapat dihitung turunan pertama jumlah kuadrat kesalahan pengganggu

terhadap
b0 , b1 dan b2 :

∂ ∑ ui
2
1. =2 ∑ ( Y i−b0−b1 X 1i −b2 X 2 i ) (−1 )=0
∂ b0

2 ∑ (−Y i +b 0+ b1 X 1 i+ b2 X 2 i) =0

2 ∑ ( −Y i+ b0 +b 1 X 1 i +b 2 X 2 i )
=0
2
∑ ( −Y i+ b0 +b 1 X 1 i +b 2 X 2 i ) =0
−∑ Y i +n b 0+ b1 ∑ X 1 i+ b2 ∑ X 2 i=0
n b 0+ b1 ∑ X 1 i+ b2 ∑ X 2 i=∑ Y i

∂ ∑ u 2i
2. =2 ∑ ( Y i −b0−b1 X 1 i−b2 X 2 i ) (−X 1 i ) =0
∂ b1

2 ∑ (− X 1i Y i +b0 X 1 i +b 1 X 21 i +b2 X 1 i X 2 i )=0

2 ∑ ( −X 1 i Y i+ b0 X 1 i+ b1 X 21 i+ b2 X 1 i X 2i )
=0
2

∑ (−X 1 i Y i+ b0 X 1 i+ b1 X 21 i+ b2 X 1 i X 2i )=0
−∑ X 1i Y i +b0 ∑ X 1 i +b 1 ∑ X 1 i +b 2 ∑ X 1i X 2 i=0
2

∑ X 1 i b 0+ b1 ∑ X 21 i+ b2 ∑ X 1 i X 2i =∑ X 1 i Y i
∂ ∑ ui
2
3. =2 ∑ ( Y i −b0−b1 X 1 i−b2 X 2 i ) (−X 2 i ) =0
∂ b2

2 ∑ (− X 2i Y i +b 0 X 2 i +b 1 X 1 i X 2 i+ b2 X 22 i )=0

2 ∑ ( −X 2 i Y i+ b0 X 2 i+ b1 X 1 i X 2i +b 2 X 2i )
2

=0
2
 ∑ (−X 2 i Y i+ b0 X 2 i +b1 X 1 i X 2i +b 2 X 22i )=0
−∑ X 2i Y i +b0 ∑ X 2i +b 1 ∑ X 1i X 2 i +b2 ∑ X 2 i=0
2

b 0 ∑ X 2i +b 1 ∑ X 1i X 2 i +b 2 ∑ X 2i=∑ X 2 i Y i
2

Perhitungan diferensial parsial di atas mnghasilkan tiga persamaan normal, yang dapat

dimanipulasi untuk menaksir

b0 , b1 dan b2 sebagai berikut:

1)
nb o +b 1 ∑ X 1i +b2 ∑ X 2i =∑ Y i

2) b o ∑ X 1 i +b1 ∑ X 21i +b2 ∑ X 1 i . X 2i =∑ X 1 i Y i

b o ∑ X 2 i +b1 ∑ X 1i X 2i +b 2 ∑ . X 2i =∑ X 2 i Y i
2
3)
Ke 3 persamaan normal tersebut dapat dimanipulasi dengan menggunakan metode matematis

guna menurunkan rumus

b0 , b1 dan b2 , sebagai berikut:
Pendekatan Subtitusi:
Dengan menggunakan metode subtitusi maka diperoleh rumus:

1. Rumus
b0 :

Rumus
b0 dapat diformulasikan dari persamaan normal pertama:

b0 =
∑ Y i −b ∑ X 1i −b ∑ X 2i
n 1
n 2
n atau
b0 =Ȳ −b1 X̄ 1−b2 X̄ 2

2. Rumus b1 :
[ ∑ X 2i ∑ Y i {n ∑ X 1i X 2i −∑ X 1i ∑ X 2i } − n ∑ X 2i Y i {n ∑ X 1i X 2i −∑ X 1i ∑ X 2i }]−[ ∑ X 1i ∑ Y i {n ∑ X 22i −( ∑ X 2i )2
b1 = 2
[ {n ∑ X 21i −( ∑ X 1i )2 } {n ∑ X 22i −( ∑ X 2i )2 }−{n ∑ X 1i X 2i −∑ X 1i ∑ X 2i } ]

3. Rumus b2 :

b2 =[ ∑ X 2i ∑ Y i
Contoh:

Jika diketahui data Y , X 1 dan X 2 dari 5 pengamatan seperti pada tabel berikut, maka hitunglah

nilai
b0 , b1 dan b2 , kemudian tunjukkan model regresinya:

Obs. X1 i X2i Yi
 1 2 5 8
2 4 6 13
3 5 8 16
4 6 10 18
5 8 11 20

∑ 25 40 75

Dengan memperhatikan rumus

b0 , b1 dan b2 di atas, maka dapat disusun tabel kerja sebagai
berikut:
2 2 2
Obs. X1i X2 i Yi X1 i X2 i Yi X 1 i X 2i X1 iY i X2 iY i
1 2 5 8 4 25 64 10 16 40
2 4 6 13 16 36 169 24 52 78
3 5 8 16 25 64 256 40 80 128
4 6 10 18 36 100 324 60 108 180
5 8 11 20 64 121 400 88 160 220
n=5 25 40 75 145 346 1213 222 416 646
∑
i=1

X̄ 1 =5 X̄ 2 Ȳ =15

Dari tabel kerja tersebut diketahui bahwa: n=5,∑ X 1i =25 , ∑ X 2i =40 , ∑ Y 1=75 ,
∑ X 21i =145 , ∑ X 22i =346 , ∑ Y 2i =1213 , ∑ X 1i X 2 i=222 , ∑ X 1i Y i=416 , dan
∑ X 2i Y i =646 . Selanjutnya dimasukkan ke rumus b1 dan b2 sebagai berikut:

[ ∑ X 2i ∑ Y i {n ∑ X 1i X 2i −∑ X 1i ∑ X 2i } − n ∑ X 2i Y i {n ∑ X 1i X 2i −∑ X 1i ∑ X 2i }]−[ ∑ X 1i ∑ Y i {n ∑ X 22i −( ∑ X 2i )2 }-n ∑

b1 = 2
[ {n ∑ X 21i −( ∑ X 1i )2 } {n ∑ X 22i −( ∑ X 2i )2 }−{n ∑ X 1i X 2i −∑ X 1i ∑ X 2i } ]

2
b1=[40.75{5.222−25.40}−5.646{5.222−25.40}]−[25.75{5.346−(40) }−5.416¿¿¿¿
 =
[3000 {1110−1000} −3230 {1110−1000}]−[ 1875 {1730−1600}−2080 {1730−1600}]
2
[{725−625} {1730−1600}− {1110−1000} ]
[3000 {110} −3230 {110}]−[ 1875 {130}−2080 {130}]
= {100} {130}− {110}2
[330000−355300 ]−[243750−270400 ] −25300−(−26650 ) 1350
= 13000−12100 = 900 = 900 = 1,5

b2 =[ ∑ X 2i ∑ Y i ¿
b2 =[ 40 . 75 ¿ ¿ ¿ ¿
[ 3000 {725−625} −3230 {725−625}]−[1875 {1110−1000}−2080 {1110−1000}]
= 2
{1110−1000} − {725−625} {1730−1600}
[ 3000 {100} −3230 {100}]−[1875 {110}−2080 {110}]
=
{1110−1000}2 − {725−625 } {1730−1600}
[ 300000−323000 ]−[ 206250−228800 ] (−23000) − (−22550 )
=
12100−(100 ) (130) = 12100−13000
−450
= −900 = 0,5
b
Dengan mengetahui bahwa nilai b1 =1,5 , dan b2 =0,5 , maka nilai 0 dapat dihitung:
b0 =Ȳ −b1 X̄ 1−b2 X̄ 2 =15−1,5 ( 5 )−0,5 ( 8 )
b0 =15−7,5−4=3,5

Dengan demikian, maka model regresi linear yang dihitung adalah:

Y i=3,5+1,5 X 1i +0,5 X 2i
Pendekatan Matriks:
Pendekatan ini dilakukan dengan cara memanipulasi tiga persamaan normal ke dalam sebuah
persamaan matriks sebagai berikut:
[ ][ ] [ ]
n ∑ X 1i
2
∑ X 2i b0 ∑Yi
∑ X 1i ∑X 1i
∑ X 1i X 2i b1 ∑ X 1i Y i
∑ X 2i Y i
2
∑ X 2i ∑ X 1 i X 2i ∑ X 2i b2
=
Persamaan matriks ini dapat dilakukan dengan menggunakan 2 metode, yaitu metode invers dan
metode Cramer sebagai berikut:

1. Metode invers:

[ ][ ] [ ]
n ∑ X 1i
2
∑ X 2i b0 ∑Yi
∑ X 1i ∑X 1i
∑ X 1i X 2i b1 ∑ X 1i Y i
∑ X 2i Y i
2
∑ X 2i ∑ X 1 i X 2i ∑ X 2i b2
=

[] [ ][ ]
−1
b0 n ∑ X 1i ∑ X 2i ∑Yi
2
b1 ∑ X 1i ∑X 1i
∑ X 1i X 2i ∑ X 1i Y i
∑ X 2i Y i
2
b2
= ∑ 2i ∑ X 1 i X 2i ∑ X 2i
X

[] [ ][]
−1
b0 5 25 40 75
b1 25 145 222 416
b2
=
40 222 346 646

Untuk menyelesaikan persamaan matriks diatas, maka gunakan persamaan matriks berikut
ini:

[] [ ][ ]
b0 K 11 K 21 K 31 ∑Yi
b1
1 K 12 K 22 K 32 ∑ X 1i Y i
b2
= D
K 13 K 23 K 33 ∑ X 2i Y i

[] [ ][ ]
b0 K 11 K 21 K 31 75
b1 1 K 12 K 22 K 32 416
b2
= D
K 13 K 23 K 33 646
 i+ j
Jika kita menghitung kofaktor
K ij dengan formla K ij =−1 |M| dimana “i = indeks baris”,

“j = indeks kolom”, dan |M| = Determinan Minor Matriks, maka diperoleh K 11=886 ,

K 12=230 , K 13=−250 , K 21=230 , K 22=130 , K 23=−110 , K 31=−250 , K 32=−110 ,

K 33=100 . Berdasarkan hasil perhitungan kofaktor tersebut, maka determinan matriks dapat
dihitung dengan memilih salah satu baris atau kolom, jika dipilih kolom baris pertama

determinan dapat dihitung dengan rumus

D=a11 . K 11+a12 . K 12+a13 . K 13 :

D=5 ( 886 )+25 ( 230 )+40 (−25 )=180 . Hasil perhitungan kofaktor dan determinan
selanjutnya dimasukkan ke dalam persamaan matriks di atas:

[] [ ][ ] [ ] [ ]
b0 886 230 −250 75 630 3,5
b1 1 230 130 −110 416 1 270 1,5
= 180 −250 −110 100 646 = 180 90 = 0,5
b2

Dengan demikian, maka model regresi linear yang dihitung adalah:

Y i=3,5+1,5 X 1i +0,5 X 2i
2. Metode Cramer:
Metode ini dilakukan dengan cara memanipulasi tiga persamaan normal ke dalam sebuah
persamaan matriks pecahan sebagai berikut:

∑Yi ∑ X 1i ∑ X2 i n ∑ Yi ∑ X2 i
|∑ X 1i Y i ∑ X 21i ∑ X 1i X 2 i| |∑ X 1 i ∑ X1 i Y i ∑ X 1i X 2 i|
b0 =
∑ X 2i Y i ∑ X 1i X 2 i ∑ X 22 i b1 =
∑ X2 i ∑ X 2i Y i ∑ X 22 i
n ∑ X 1i ∑ X2i n ∑ X1 i ∑ X2i
|∑ X 1i ∑ X 21i ∑ X 1i X 2 i| |∑ X 1 i ∑ X 21 i ∑ X 1 i X 2i |
∑ X 2i ∑ X 1i X 2i ∑ X 22 i , ∑ X2i ∑ X 1i X 2 i ∑ X 22 i ,
n ∑ X1 i ∑ Yi
|∑ X 1 i ∑ X 21 i ∑ X 1 i Y i|
b2 =
∑ X2i ∑ X 1i X 2 i ∑ X2i Y i
n ∑ X1i ∑ X2i
|∑ X 1 i ∑ X 12 i ∑ X 1 i X 2 i|
∑ X 2i ∑ X 1i X 2 i ∑ X 22 i
 Berdasarkan rumus tersebut nilai
b0 , b1 dan b2 dapat di hitung sebagai berikut:

75 25 40
|416 145 222 |
646 222 346 |11042130−11041500| 630
b0= = = =3,5
5 25 40 |694850−695670| 180
|25 145 222 |
40 222 346 ,
5 75 40
|25 416 222|
40 646 346 |2031680−2031410| |270|
b1 = = = =1,5
5 25 40 |180| |180|
|25 145 222 |
40 222 346 ,
5 25 75
|25 145 416 |
40 222 646 |1300600−1300510| 90
b2 = = = −0,5
5 25 40 |180| 180
|25 145 222 |
40 222 346
Dengan demikian, maka model regresi linear yang dihitung adalah:
Y i=3,5+1,5 X 1i +0,5 X 2i
Model Reduksi
Model reduksi adalah perhitungan nilai koefisien regresi, dengan menggunakan data
terikat dan variabel bebas yang diperkecil, yaitu data absolut setiap variabel dikurangi dengan

rata-ratanya, sehingga modelnya menjadi: ( Y i −Ȳ ) =b0 + b1 ( X 1i − X̄ 1 ) +b2 ( X̄ 2i ) +e i , dengan

mengandaikan ( Y i −Ȳ ) = y , ( X 1i− X̄ 1) =x 1i , ( X 2i − X̄ 2 ) =x 2i , dan dengan mengabaikan

b0 ,
maka diperoleh model reduksi:
y i=b1 x 1i +b 2 x 2i +e i . Selanjutnya untuk menghitung nilai b1 dan b2 digunakan Metode OLS

yang mendalilkan bahwa b1 dan b2 dalam persamaan ini harus mengasilkan jumlah kuadrat
kesalahan pengganggu yang minimum. Syarat minimum yang harus dipenuhi adalah turunan
pertama jumlah kuadrat kesalahan pengganggu terhadap b1 dan b2 secara parsial harus sama
∂∑ e 2 ∂∑ e 2
i i
=0 =0
dengan nol atau secara matematis dapat ditulis:, ∂ b1 , dan ∂ b2 .
Berdasarkan metode OLS, maka kita dapat menurunkan 2 persamaan normal:

1) b1 ∑ x 21i +b2 ∑ x 1i x 2i =∑ x 1i y i
2) b1 ∑ x 1i x 2 i +b2 ∑ x 2 i=∑ x 2i y i
2

Dengan menggunakan metode subtitusi maka diperoleh rumus:

1. Rumus b1 :

∑ x 22i (∑ x 1i y i )−∑ x 1 i x 2 i ( ∑ x 2i y i )
b1 = 2
∑ x 21 i ( ∑ x 22i )−(∑ x 1i x 2i )
2. Rumus b2 :

∑ x 1i x 2i (∑ x 1 i y i )−∑ x21 i ( ∑ x 2i y i )
b2 =
(∑ x 1 i x 2 i ) −∑ x 21i ∑ x 22i
2

3. Rumus
b0 :

b0 =Ȳ −b1 X̄ 1−b2 X̄ 2

Dengan memperhatikan rumus b1 dan b2 di atas, maka dapat disusun tabel kerja data reduksi
sebagai berikut:
2 2 2
Obs. X1 i X2i Yi x 1i x 2i yi x 1i x 2i yi x 1i x 2i x 1i y i x 2i y i
1 2 5 8 -3 -3 -7 9 9 49 9 21 21
2 4 6 13 -1 -2 -2 1 4 4 2 2 4
3 5 8 16 0 0 1 0 0 1 0 0 0
4 6 10 18 1 2 3 1 4 9 2 3 6
5 8 11 20 3 3 5 9 9 25 9 15 15
5 25 40 75 0 0 0 20 26 88 22 41 46
∑
1

X̄ 1 =5 X̄ 2 =8 Ȳ =15
Dari tabel kerja tersebut diketahui bahwa:, , , ∑ x
2
1i =20 , ∑ x
2
2i =26 , ∑ y
2
i =88 ,

∑ x 1i x 2i =22 , ∑ x 1i y i =41 , dan ∑ x 2i yi =46 . Selanjutnya dimasukkan ke rumus b1 dan b2

sebagai berikut:

∑ x 22i (∑ x 1i y i )−∑ x 1 i x 2 i ( ∑ x 2i y i )
b1 =
∑ x 21 i ( ∑ x 22i )−(∑ x 1i x 2i )
2

26 ( 41 ) −22 ( 46 ) 1066−1012 54
b1 = 2 = =1,5
20 ( 26 ) −( 22 ) = 520−484 36

∑ x 1i x 2i (∑ x 1 i y i )−∑ x21 i ( ∑ x 2i y i )
b2 = 2
(∑ x 1 i x 2 i ) −∑ x 21i ∑ x 22i
22 ( 41 )−20 ( 46 ) 902−920 −18
b2 = = = =0,5
2
( 22 ) −20 ( 26 ) 484−520 −36

b0 =Ȳ −b1 X̄ 1−b2 X̄ 2 =15−1,5 ( 5 )−0,5 ( 8 )

b0 =15−7,5−4=3,5
Pendekatan Matriks Pada Data Reuksi:
Pendekatan ini dilakukan dengan cara memanipulasi dua persamaan normal model reduksi ke
dalam sebuah persamaan matriks sebagai berikut:

[ ∑ x21 i ∑ x 1i x 2i
∑ x1 i x2 i ∑ x 22i ][ ] [
b1
b2
=
∑ x1 i y i
∑ x 2 i yi ]
Persamaan matriks ini dapat dilakukan dengan menggunakan 2 metode, yaitu metode invers dan
metode Cramer sebagai berikut:
1. Metode invers:

[ ∑ x21 i ∑ x 1i x 2i
∑ x1 i x2 i ∑ x 22i ][ ] [ ]
b1
b2
=
∑ x1 i y i
∑ x 2 i yi

[ ][ ∑ ] [∑ ]
−1
b1
=
∑ x 21i ∑ ∑
x1 i x2 i x 1i y i
b2 ∑ x 1i x 2i x 22 i x 2i y i

[ ][ ] [ 4146 ]
−1
b1 20 22
=
b 2 22 26
 Untuk menyelesaikan persamaan matriks diatas, maka gunakan persamaan matriks berikut
ini:

[] [
b1
=
1 K 11
b 2 D K 12
K 21
K 22 ][ ∑ x 1i y i
∑ x 2i y i ]
[] [
b1 1 K 11 K 21 41
=
b 2 D K 12 K 22 46 ][ ]
Jika kita menghitung kofaktor
K ij dengan formla K ij =−1i+ j|M| dimana “i = indeks baris”,

“j = indeks kolom”, dan |M| = Determinan Minor Matriks, maka diperoleh K 11=26 ,

K 12=−22 , K 21=−22 , K 22=20 , berdasarkan hasil perhitungan kofaktor maka persamaan

matriks tersebut dapat diselesaikan:

[] [=
][ ]
b1 1 26 −22 41
b 2 D −22 20 46

[]
b1
=
[ 1
][ ]
b 2 20|26|− (−22 )
26 −22 41
2 −22 20 46

[]
b1
b2
=
[ 1
] [ ][ ]
520−484
1066−1012
−902+920
=
1 54
36 18
=
1,5
0,5

Dengan demikian, maka model regresi linear yang dihitung adalah:

Y i=3,5+1,5 X 1i +0,5 X 2i
2. Metode Cramer:
Metode ini dilakukan dengan cara memanipulasi tiga persamaan normal ke dalam sebuah
persamaan matriks pecahan sebagai berikut:

b1 =
[
∑ x1 i y i ∑ x 1i x 2i
∑ x2 i y i ∑ x 22i ]
[ ∑ x 21i ∑ x 1 i x 2 i
∑ x 1i x 2i ∑ x 22 i ]
b=
[ 46 26 ] 1066−1012 54
41 22
= = =1,5
[22 26 ]
1
20 22 520−484 36
,
 b2 =
[ ∑ x21 i
∑ x1 i x2 i
∑ x 1i y i
∑ x 2i y i ]
[ ∑ x 21i
∑ x 1i x 2i
∑ x1 i x 2 i
∑ x 22 i ]
b=
[ 22 46 ] 920−902 18
20 41
= = =0,5
[ 22 26 ]
2
20 22 520−484 36

Dengan demikian, maka model regresi linear yang dihitung adalah:

Y i=3,5+1,5 X 1i +0,5 X 2i
KOEFISIEN KORELASI BERGANDA

Koefisien korelasi berganda dua variabel bebas biasanya ditulis dengan simbol RY 12 . Nilai
koefisien korelasi berganda mudah dihitung jika koefisien regresi sudah diketahui. Rumus yang

digunakan adalah:
RY 12=
√ b1 ∑ x 1i y i +b2 ∑ x 2i y i

data di atas dapat dihitung sebagai berikut:

∑ y 2i , dengan demikian maka koefisien korelasi

RY 12=
√ 88
=
√
1,5 ( 41 ) +0,5 ( 46 ) 61 , 5+23
88
=
64 ,5
88 √
=√ 0 , 96023=
0.979913. Koefisien korelasi ini

menunjukkan bahwa korelasi simultan X 1 dan X 2 dengan Y sangat kuat karena berada pada
interval nilai R ¿ 0,80.
KOEFISIEN DETERMINASI BERGANDA
2
Koefisien determinasi berganda dua variabel bebas biasanya ditulis dengan simbol RY 12 . Nilai
koefisien determinasi berganda mudah dihitung jika koefisien regresi sudah diketahui. Rumus
b 1 ∑ x1 i y i +b2 ∑ x 2 i yi
R2Y 12=
yang digunakan adalah: ∑ y 2i , dengan demikian maka koefisien
determinasi data di atas dapat dihitung sebagai berikut:
1,5 ( 41 ) +0,5 ( 46 ) 61 ,5+23 84 ,5
R2Y 12 = = = =0 , 96023
88 88 88 . Koefisien determinasi ini menunjukkan

bahwa kontribusi simultan X 1 dan X 2 terhadap variasi Y rata-rata 96,02 persen.

PENGUJIAN HIPOTESIS
1. Uji Simultan:
1) Hipotesis yang diuji:
H 0 : β 1 =β2 =0
H 1 : β 1≠β 2 ≠0
2) Kriteria pengujian:

- Terima H0 jika
Fhitung <F tabel

- Tolak H0 jika
Fhitung ≥F tabel
Fhitunf dapat dihitung dengan menggunakan tabel ANOVA:
Tabel Anova :
SV SS df MS
ESS ¿
K-1 ∑ ^y 2i =84 ,5 =42 , 25
= ∑ (Y i − Y ) =
∑ ^y 2i ^ 2

K −1 2
b1 ∑ x 1i y +b 2 ∑ x 2i y i =

1,5 ( 41 ) +0,5 ( 46 )=84 ,5

RSS
∑ ei 2 = ∑ (Y i − ^ )2
Y = ∑ y 2i −∑ ^y 2i = 88-
n-K ∑ e 2i
3,5
=1, 75
n−K = 2 =
84,5 = 3,5
s 2e
TSS ∑ y 2i =∑ ( Y i−Ȳ )2=88 n-1 ∑ y 2i =88 =22
n−1 4
Kterangan: n = 5, K = 3.
42 ,25
Fhitung = =24 , 14
Dari tabel anova tersebut dapat dihitung Fhitung: 1 , 75 . Dengan

menggunakan α=0 , 05 , pada derajad bebas pembilang atau v 1 =K−1=3−1=2 dan

pada derajad bebas penyebut atau v 2 =n−K=5−3=2 diperoleh Ftabel = 19,00. Dengan

demikian
Fhitung ≥F tabel maka H ditolak H diterima berarti secara simultan X dan X
0 1 1 2

berpengaruh signifikan terhadap Y.

2. Uji parsial:
1) Uji koefisien b1:
 - Hipotesis yang diuji:

Ho : B1 = 0 (tidak ada pengaruh parsial

X 1 i terhadap Y i )

H1 : B1 ¿ 0 (ada pengaruh parsial

X 1 i terhadap Y i )
- Kriteria pengujian:

Terima H0 jika
tb1 <t tabel

Tolak H0 jika
tb1≥t tabel

- Cara menghitung
t b1 :
b1
t b1 =

atau
√ S 2e
D
{n ∑ X 22i − ( ∑ X 2i )2 }

b1
t b1 =

√ S 2e
D
K 22

1,5 1,5 1,5 1,5

t b1 = = = = =1 , 33426=1 , 33

√ 1 ,75
180
130
√ 227 , 5
180
√ 1, 26389 1 ,124229

Sedangkan
t tabel pada α=0 ,05 dan derajad bebas n-K = 5-3=2 adalah t tabel=2, 92 .

Dengan demikian
t b1 =1,33 < t tabel=2, 92 , H diterima, berarti secara parsial X tidak
0 1

berpengaruh signifikan terhadap Y.

2) Uji koefisien b2
- Hipotesis yang diuji:

Ho : B2 = 0 (tidak ada pengaruh parsial

X 2 i terhadap Y i )

H1 : B2 ¿ 0 (ada pengaruh parsial

X 2 i terhadap Y i )

- Kriteria pengujian:

Terima H0 jika
tb 2 <t tabel

Tolak H0 jika
tb 2 ≥t tabel
 b2
t b2 =

Atau:
√ S2e
D
{n ∑ X 21i − ( ∑ X 1i )2 }

b2
t b2 =

√ S2e
D
K 33

0,5 0,5 0,5 0,5

t b2 = = = = =0 , 50709=0 ,51

√ 1 ,75
180
100
√ 175
180
√ 0 , 97222 0 ,986012

Sedangkan
t tabel pada α=0 ,05 dan derajad bebas n-K = 5-3=2 adalah t tabel=2, 92 .

Dengan demikian
t b2 =0 ,51 < t tabel=2, 92 , H diterima, berarti secara parsial X tidak
0 2

berpengaruh signifikan terhadap Y.