Psucmuu REGRESI

Sering kali peneliti ingin melihat kondisi d: waktu yang alum datang dengan suatu dasar keadaan
sekarang atau ingm mehhat kondisi di waktu yang lalu dengan dasar keadaan sekarang. Sula! ini
melakukan prediksi atau taksiran mulai berkembang dalam dunia ekonomi, tetapi sekarang banyak
dilakukan di duma pendidikan. Bahkan dewasa ini, melakukan prediksi keadaan siswa untuk waktu yang
akan datang merupakan kondisi yang sangat dibutuhkan dalam dunia pendidikan. Melalui prediksi yang
baik, perencanaan pendidikan, baik yang menyangkut kurikulum, metode mengajar, fasilitas ruang dan
guru, dan lainlainnya, akan dapat direalisasikan seefisien mungkin.

Pada pembahasan bab ketujuh kita telah membahas korelasi antara satu variabel dengan variabel yang
lainnya. Hubungan yang telah dibahas di muka merupakan hubungan yang bersifat korelasional, artinya
mana yang sebagai sebab dan mana yang menjadi akibat tidaklah jelas.

Dalam melakukan prediksi, kita harus dapat menentukan dengan tegas mana yang sebab dan mana yang
akibat (tentunya dengan bantuan kajian teoritis). Dengan diketahuinya sebab dan akibat, maka
hubungan yang dicari bersifat kausal (sebab akibat). Selanjutnya, jika kita tahu tentang variabel sebab
(variabel bebas), Inaka kita akan dapat melakukan prediksi tentang kondisi Variabel akibat (variabel
terikatnya).

Sebagaimana layaknya arti kata prediksi, prediksi di sini pun bukanlah merupakan hal yang pasti, tetapi
merupakan suatu keadaan yang mendekati kebenaran. Jika kita membandingkan hilai asli variabel yang
kita predik dengan nilai prediksinya beta kel'nungkinan besar akan terdapat perbedaan. Perbedaan
tersebut 5183 terlalu besar maupun terlalu kecil. Sepanjang perbedaan

tersebut tidak besar, maka prediksi yang kita lakukan merupakan hasil kerja yang luar biasa.
Penyimpangan-penyimpangan nilai 331i dan nilai prediksi ini sering terjadi karena dalam melakukan
prediksi kita berdasarkan nilai rata-rata, dan menggunakan suatu persamaan yang menggambarkan
suatu garis tertentu. Sifat yang meng\ gambarkan garis bermacam-macam, ada yang lurus, hiperbola
dan lainnya. Untuk menentukan rumus mana yang akan dipakai tergantung pada teori yang dipakai dan
kondisi data yang diperoleh, karena masing-masing rumus dikembangkan melalui beberapa asumsi.

Salah satu syarat untuk dapat melakukan prediksi atas variabel terikat di waktu yang akan datang,
maupun di dalam populasinya, dengan dasar beberapa skor variabel bebas dan variabel terikat (sebagai
sampel) adalah adanya hubungan yang signifikan antara variabel bebas dan variabel terikat. Sebenarnya
statistik tidak dapat membedakan antara data yang mempunyai hubungan secara teoritis maupun tidak,
oleh karena itu hasil analisis statistik bisa menyesatkan jika dasar teoritisnya tidak kuat. Suatu misal: kita
mempredik antara banyaknya panen cengkeh dengan banyaknya janda, mungkin hasil analisis statistik
masyarakat bahwa panen cengkeh dapat dipredik berdasarkan banyaknya janda, tetapi secara nyata
hasil analisis ini tidak dapat dibuktikan.

Kalau toh dapat dibuktikan hubungan kausal antara variabel banyak janda dan banyak panen cengkeh
terdapat banyak variabel antaranya. Dengan banyaknya janda akan banyak kucing di rumahrumah,
karena mayoritas janda senang kucing. Karena di rumah banyak kucing, maka tikus akan lari dari rumah
ke kebun. Di kebun, tikus akan memakan serangga kecil yang merupakan hama cengkeh, sehingga
pohon-pohon cengkeh dapat berbunga dengan baik. Kami rasa hubungan seperti ini tidaklah tepat,
kecuali seluruh variabel antara memang dimasukkan dalam analisis Statistik.

Ada beberapa pola persamaan regresi dengan satu variabel bebaS yang dapat digunakan untuk
melakukan prediksi, di antaranya: 1. Linier dengan persamaanz \? = a + bX 2. Parabola dengan
persamaan : \A/ = a + bX + ch 3. Hiperbola dengan persamaan: Y = 1/ (a+bX)

4, Fungsi pangkét tiga dengan persamaan: Y = a + bX + cX2 + dX’ 5, Dan lain-lain.

Sedangkan regresi dengan variabel bebas lebih dari satu sampai saat ini baru dikembangkan dengan
model linier yang rumus persamaannya: Y = a + b1X1+ bZX2 + bi Xi, di mana jumlah variabel bebas
sebanyak i.

REGRESI LINIER SEDERHANA

Pembahasan pada Sub Bab ini dititikberatkan pada pembahasan regresi linier dengan satu variabel
bebas. Kita mulai dengan model linier sederhana ditujukan untuk mempermudah pemahaman konsep
regresi, karena model inilah yang paling sederhana dibanding dengan model-model lainnya. Tanpa
mempelajari model linier sederhana memungkinkan terlalu sukar mendalami dan memahami model-
model lainnya.

Untuk mempermudah pemahaman regresi perlu kita kembali pada pola penyebaran skor (titik-titik
penyebaran skor) yaitu titiktitik perpotongan antara nilai X dan Y.

Contoh 58 Misalnya, kita mempunyai data dari dua buah variabel yaitu variabel intelegensi (X) dan
variabel hasil belajar (Y), yang penyebarannya sebagai berikut:

Iika antara titik satu dengan titik yang lainnya dihubungka;1 dengan suatu garis, maka akan diperoleh
garis yang tidak lurus‘ Tetapi,ji1<a diambil suatu garis yang mewakili rata-rata dari seluruh titik-titik
tersebut, maka akan diperoleh garis lurus. Garis lurus itulah yang merupakan garis regresi linier.
Melalui pérsamaan garis lurus itulah kita dapat melakukan prediksi rata-rata nilai variabel terikat. Jadi
dengan mengetahui nilai variabel bebas kita dapat mengetahui rata-rata nilai variabel terikatnya.
Tentunya dengan kondisi dan situasi yang tidak berbeda dengan sampel, atau dengan kata lain nilai yang
dipredik terbatas pada populasi yang diambil sampel. Apabila kita ingin menerapkan hasil predikasi
tersebut pada populasi yang lain, maka populasi tersebut harus mempunyai kriteria yang sama dengan
populasi yang diambil sampelnya. Nilai prediksi belum tentu sama dengan nilai aslinya. Hal ini
disebabkan oleh karena yang diprediksi adalah nilai rata-ratanya. Dengan demikian, nilai prediksi dapat
dikatakan baik

apabila nilai prediksi tidak jauh menyimpang (kalau mungkin sama) dari nilai aslinya. Ini berarti bahwa
rata-rata simpangan nilai asli dengan nilai rata-ratanya tidak terlalu besar (kalau mungkin n01).

Rumus persamaan regresi linier {I = a + bX bukan merupakan persamaan yang tepat, artiAnya
persamaan tersebut merupakan pendekatan dari persarnaan Y = a + bX. Persamaan yang sebenarnya
terlalu sukar untuk dihitung (walaupun sebenarnya dapat dihitung dengan bantuan komputer yang
canggih) sehingga hasil perhitungan a dan b yang merupakan pendekatan a dam B perlu diuji
kecocokannya. Jika ternyata a berfungsi sebagai pengganti a dam B berfungsi sebagai pengganti B, maka
persamaan di atas dapat digunakan sebagai pengganti persamaan sebenarnya, yang fungsinya untuk
melakukan prediksi.

Nilai a maupun nilai b dapat dihitung melalui rumus yang sederhana, sehingga tidak perlu ditakuti.
Untuk memperoleh nilal a dapat digunakan rumus 7.1.

~v-LLJ1 : /,1b

_ Jika menggunakan alpha 0,05 maka tabel dengan dl< = 8 adalah 2,306. Dengan demikian maka kita
menolak hipotesis n01, artinya koefisien regresi adalah signifikan sehingga ada hubungan linier yang
signifikan antara X dan Y, dan nilai b = 0,93 bukan sematamata disebabkan oleh faktor random
(kebetulan) saja.

Langkah keempat adalah melakukan perhitungan tentang interval kepercayaan atas ramalan yang
dilakukan, artinya kalau kita meramal nilai Y dengan dasar nilai X, maka nilai Y itu akan terletak di antara
dua garis yang terletak di atas dan di bawah garis persamaan regresi linier.
Semakin dekat j arak antara garis persamaan regresi dengan garis batas interval kepercayaan,
mempunyai arti bahwa persamaan regresi linier yang diperoleh mempunyai daya ramal yang semakin
baik. Sebaiknya jika jarak antara garis persamaan regresi dengan batas interval ternyata besar, maka
persamaan regresi tidak mempunyai daya ramal yang baik.

Kondisi besar kecilnya simpangan garis yang berasal dari ramalan dengan garis yang berasal dari
persamaan mumi bisa dilihat dengan jelas dalam suatu gambar (grafik). Grafik di bawah memberikan
gambaran tentang besarnya interval kepercayaan yang diakibatkan oleh persamaan regresi. Semakin
sempit jarak antara garis batas interval kepercayaan dengan garis persamaan regresi

akan menunjukkan kepada kita bahwa daya ramal persamaan yang diperoleh adalah baik.

Garis A merupakan garis persamaan regresi, sedangkan garis B dan C merupakan batas confidence
interval yang besarnya merupakan interval kepercayaan sehubungan dengan regresi linier, Jarak antara
garis B dan garis C dapat dihitung dengan rumus 7.11,

Y =9izs

Y.X

Untuk contoh di atas:

1. Persamaan regresi linier (garis B) adalah Y’ = -12,77 + 0,93 X

2. Confidence interva1(jarak BC) untuk nilai X = 100 dan alpha 0,05

adalah: Y

{-12,77 + (0,93 x 100)} 1 (1,96 x 12,25) 80,23 1 6,845985685

Iadi, confidence interval untuk contoh di atas adalah di antara 87,07598569 dan 73,38401432
Pada saat kita ingin melakukan prediksi atas nilai Y berdasarkan nilai X, perlu diingat bahwa nilai-nilai
tersebut bukan merupakan nilai-nilai yang independen. Kedua nilai tersebut hendaknya mempunyai
hubungan yang signifikan. Oleh karenanya kita perlu menguji apakah kedua nilai tersebut mempunyai
hubungan yang signifikan atau tidak. Pada pembahasan terdahulu kita telah membahas tentang korelasi,
dan dalam pembahasan di sini kuadrat nilai korelasi merupakan koefisien korelasi dari garis regresi. Oleh
karena nilai-nilai yang dianalisis ( nilai X dan nilai, Y) berskala interval maka rumus korelasi sebaiknya
adalah korelasi product moment (lihat rumus korelasi product moment atau rumus 6.1. atau rumus
6.2.).

Di samping rumus yang telah kita pelajari di muka, kita juga dapat menghitung korelasi dengan
menggunakan rumus lain, yaitu yang didasarkan pada nilai simpangan Y dengan rata-ratanya serta
simpangan Y dengan nilai prediksi Y. Walaupun bentuk rumus yang akan dikemukakan di sini agak
berbeda dengan rumus yang telah kita pelajari, namun hasil yang akan diperoleh akan tetap sama/
sehingga rumus mana yang akan digunakan tergantung pada selera pemakai.

Korelasi antara variabel X dengan variabel Y dapat pula dihitung dengan rumus 7.12.

2 (Y Y)2 2(Y Y)2 2a-%2

Korelasi juga dapat dihitung dengan rumus 7.13.

g-s

Y.X 2 SY

Untuk contoh di atas koefisiennya adalah:

r2 = 80,28 6.32 = 0,9212755356 80,28 Jadi, r = 0,9212755356 = 0,9598309932 = 0,96

Coba dihitung koefisien korelasi dengan rumus lainnya untuk soal di atas, seandainya terdapat
perbedaan, perbedaan tersebut biasanya kecil, yang disebabkan oleh adanya pembulatanpembulatan
pada proses perhitungan.

Setelah kita dapat menghitung besarnya hubungan antara variabel bebas dan variabel terikat, maka
langkah selanjutnya adalah melakukan penafsiran. Dalam melakukan penafsiran kita gunakan koefisien
determinasi yaitu kuadrat koefisien korelasi, pada contoh di atas koefisien determinasinya adalah 0,92.
Ini berarti bahwa kirakira 92% variasi pada Y dapat diterangkan oleh X, sedangkan sisanya Yang 8% dari
penyimpangan-penyimpangan nilai Y tidak dapat diterangkan oleh variabel X. Tentunya kondisi pada
contoh soal ini Sangat baik, tetapi jika kita masih ragu atas hasil perhitungan koefisien korelasi, maka
harus dilakukan pengujian kesignifikansian koefisien korelasi tersebut (ingat ujian signifikansi korelasi).
Dalam Soal di atas koefisien korelasi ternyata signifikan (coba uji sendiri).

Secara singkat langkah-langkah dalam perhitungan regresi linier

sederhana adalah: 4

‘r

1. Menghitung nilai a dan b untuk menentukan persamaan regresi linier sederhana.

2. Menguji signifikan koefisien regresi (bisa seluruh koefisien regresi diuji, tetapi yang terpenting adalah
koefisien regresi).

3. Menghitung variasi untuk selanjutnya digunakan untuk menentukan standard error penaksiran.

4. Menentukan confidence interval dari penaksiran.

5. Menghitung koefisien korelasi, untuk menghitung koefisien determinasi.

6. Menguji signifikansi daripada koefisien korelasi. 7. Melakukaninterpretasi.

Langkah lain untuk menguji hipotesis berkaitan dengan regresi linier adalah melalui analisis variance
atau analisis variasi. Dalam hal ini kita akan berhubungan dengan jumlah kuadrat (sum of squares) dari
masing-masing variabel. Di sini jumlah kuadrat variabel terikat merupakan jumlah dari: kuadrat jumlah Y
dibagi dengan jumlah sampel, ditambah dengan hasil kali b dengan jumlah hasil kali simpangan masing-
masing variabel dengan rata-ratanya; dan jumlah kuadrat simpangan Y dengan Y’. Jika ditulis dalam
bentuk

matematikal, maka jumlah kuadrat variabel terikat dapat dilihat pada rumus 7.14.

2Y2 = (2302/n+bZ(X-X)(Y-Y)+2(y_{{)2

Persamaan di atas dapat diubah menjadi bentuk lain (rumus 7.15).

m s1): = (M(xv): / n b 2(x >‘<’> (Y Y)

1. Regresi a, dengan derajat kebebasan 1.

F = MSb/a 2 MSsisa

Nilai F untuk contoh di atas adalah: = 625,425 : 12,134375 = 51,54159155 = 51,54

Setelah nilai F hitung diperoleh, maka kita akan menerima atau menolak H0 dengan jalan
membandingkan nilai F hitung dengan

nilai F tabel. Apabila kita mengambil alpha (0c) sebesar 0,01 maka Fa01 (1,8) = 11,26, (lihat Tabel F).

Dengan demikian maka tampak bahwa hasil perhitungan dengan langkah pertama maupun kedua
menghasilkan kesimpulan yang sama, yaitu éama-sama menyatakan bahwa persamaan regresi linier Y’ =
12,77 + 0,93 X dapat digunakan untuk melakukan prediksi. Untuk lebih jelasnya, biasanya hasil langkah
terakhir ini di
simpulkan/diringkas dalam satu tabel yang disebut dengan tabel ANOVA. Tabel ANOVA untuk contoh
soal di atas sebagai berikut:

Sumber Variansi dk SS MS F Regresi a 1 71402,5 714025

Regresi b/ a 1 625,425 625,425 51,54 Sisa 8 97,075 12,134375

Total 10 721 25

Langkah-langkah tersebut di atas akan menghasilkan analisis yang baik jika beberapa syarat telah
dipenuhi. Oleh karena itu, sebelum kita beranjak lebih jauh lebih baik kita menguji apakah kondisi data
sampel kita telah memenuhi seluruh persyaratan

analisis regresi atau tidak. Sedangkan syarat-syarat yang harus dipenuhi dalam perhitungan di atas
adalah:

1. 2.

Sampel diambil secara random (acak).

Variabel X dan Variabel Y mempunyai hubungan yang kausal, di mana X merupakan sebab dan Y
merupakan akibat.

Nilai Y mempunyai penyebaran yang berdistribusi normal. Persamaan tersebut hendaknya benar-benar
linier.

3.

UJI LINIER REGRESI SEDERHANA

Pada pembahasan yang lalu kita tidak secara teliti dan terperinci membahas tentang linieri’tas dari
persamaan regresi yang kita peroleh. Pada saart pengujian signifikansi koefisien regresi soal No. 58
telah‘ kita simpulkan bahwa koefisien regresi adalah signifikan dan linier. Untuk lebih telitinya analisis,
masih perlu dilakukan analisis terpisah tentang apakah persamaan regresi yang diperoleh itu linier atau
tidak. Iika ternyata persamaan regresi linier barulah bisa digunsakan untuk melakukan prediksi dengan
bentuk linier, sebaliknya jika ternyata persamaan regresi yang diperoleh tidak linier, maka kita perlu
menggunakan persamaan lain yang lebih cocok. Pada pembahasan yang lalu pun telah disinggung
selintas pengujian linieritas dengan ”least squares”. Iika jumlah data tidak banyak, least squares
memang bisa membantu peneliti untuk melihat bentuk persamaan. Tetapi, jika jumlah sampel yang
dihadapi banyak, maka pengamatan melalui least squares bisa menyesatkan. Di samping itu,
leastsquares tergantung pada pengamatan mata semata. Untuk itulah least squares perlu disertai
dengan bentuk pengujian linieritas.

Pengujian linieritas berkaitan dengan sum of squares sisa, di mana sum ofsquares sisa dipisah menjadi
dua bagian yaitu sum of squares ketidaksamaan, dan sum of squares error. Dalam membahas
ketidaksamaan kita perlu melihat (mengelompokkan) Y berdasarkan nilai X, artinya kita sari simpangan
nilai Y dalam setiap kelompok X. Sehingga banyaknya derajat kebebasannya adalah k (banyak kelompok
X) dikurang dengan 2. Sedangkan sum of squares error merupakan selisih sum of squares sisa dengan
sum of squares ketidaksamaan, dengan derajat kebebasan n k.

Untuk lebih jelasnya marilah kita uji linieritas contah soal No. 58 di muka.

Langkah awal adalah menyusun penyebaran nilai-nilai data Y berdasarkan nilai X.

Penyebaran nilai pengamatan Y berdasarkan nilai X untuk soal no. 58 sebagai berikut:

panjang jika dibandingkan dengan perhitungan yang telah kitE1 pelajari di muka. Walaupun demikian,
perhitungannya tetap sederhana, bahkan akan tampak mudah bagi orang yang memahami konsep
persamaan dengan tiga buah bilangan tak diketahui (persamaan dengan tiga bilangan anu).

Untuk perhitungan koefisien regresi kita akan menggunakan tjga buah persamaan yang masing-masing
mengandung tiga macam faktor yang tak diketahui, yaitu:
EY = na+b22X+cZJX2 EXY = aEX+b2X2+cEX2 ZXZY = aEX2+b23X3+c23X4

Dengan memperhatikan ketiga persamaan tersebut di atas maka data yang ada perlu disusun suatu
tabel yang mengandung:

X, Y, XYI X2 1 X3 IX4 [Y

Berdasarkan tabel tersebut maka dengan mudah kita peroleh jumlah masing-masing yang kita perlukan
untuk mengubah ketiga persamaan di atas agar berisi angka-angka, sehingga kita tinggal menghadapi
tiga bilangan anu untuk masing-masing persamaan. Untuk lebih jelasnya kita ambil suatu contoh:

Contoh 59 Seorang dosen olahraga melakukan penelitian terhadap hasil Ioncatjauh mahasiswanya (Y),
yang dikaitkan dengan lamanya melakukan pemanasan (X). Dari hasil pengumpulan data yang berkaitan
dengan lama pemanasan dan hasil loncatan atas sampel 10 mahasiswa yang diambil secara random
sebagai

berikut Responden Lama Pemanasan Hasil Loncatan (sampel) (X) (Y)

Dengan menggunakan matematika sederhana kita dapat menghitung nilai a, b, dan c dengan dasar
ketiga persamaan di atas. Pertama-tama kita coba hilangkan salah satu bilangan anu atau bilangan yang
tak diketahui dengan jalan menyamakan faktor (bilangan) dari suku yang akan dihilangkan. Setelah sama
faktor atas suku yang mau dihilangkan, barulah kita ambil selisihnya, dengan demikian akan diperoleh
persamaan baru yang mengandung dua buah bilangan tak diketahui (persamaan keempat). Oleh karena
masih ada dua buah bilangan anu (tak diketahui), maka kita masih memerlukan dua buah persamaan.
Untuk itu, kita membuat persamaan kelima berdasarkan salah satu persamaan yang telah dipakai untuk
memperoleh persamaan keempat dan persamaan yang belum dipakai. Langkah selanjutnya sama
dengan langkah pertama, tetapi dalam hal ini kita hanya menghadapi dua persamaan

dan masing-masing persamaan mengandung dua buah bilangan anu (persamaan l<e 4 dan ke 5).

Dengan menghilangkan salah satu bilangan tak diketahui (bilangan anu), maka akan diperoleh salah satu
bilangan anu yang kita cari. Setelah salah satu bilangan anu telah diperoleh, langkah berikutnya adalah
mundur yaitu memasukkan bilangan anu yang telah diperoleh ke dalam persamaan-persamaan yang
ada. Melalui langkah-langkah tersebut akan diperoleh seluruh bilangan anu, yang merupakan koefisien
regresi parabola.

Melalui ketiga persamaan di atas marilah kita hitung nilai koefisen regresi parabola.

Pertama: Kita ambil persamaan pertama clan kedua, untuk kitsl ' samakan faktor a (menghilangkan
bilangan anu a), yaitt} dengan jalan mengalikan persamaan pertama dengan 15,1

sedangkan persamaan kedua tetap, maka hasilnya sbb.:

1. 548,885 = 151 a + 2280,1 b + 39475175 (2 2. 5156 = 151 a+ 261425 b+ 87585 c4. 33,285 = -334,15b
9283,325c

Kedua:

Ketiga:

Keempat:

Kelima:

Kita ambil persamaan pertama dan ketiga, untuk kita samakan faktor a (menghilangkan bilangan anu a),
yaitu dengan jalan mengalikan persamaan pertama dengan 261/125 sedangkan persamaan ketiga tetap,
maka hasilnya sbb.:

1. 9502,79875 2614,25 a + 39475,175 b + 683430,3063c 3. 7702 = .12 +1: ; In;

5. -267,45125 -9283,325 b 264533,9437 c

Kita ambil persamaan keempat dan kelima, untuk kita samakan faktor b (menghilangkan bilangan anu
b), yaitu dengan jalan mengalikan persamaan keempat dengan 27,78190932 sedangkan persamaan
kelima tetap, maka hasilnya sbb.:

4. 924,7208517

-9283,325 b 257908,4933 c

5. -2.74 12 = --2: 2 b2.4 3 94 7 _ 1192,172102 = -6625,4504c Jadi, c = 1192,172102 : (-6625,4504 ) c = -

O,1799382729

Memasukkan nilai c pada persamaan keempat (bisa juga ke persamaan kelima), yang akhirnya dapat
diperoleh nilai b. Pemilihan persamaan di sini didasarkan pada persamaan yang mengandung dua
bilangan anu.

4. 33,285 = 334,15 b 9283,325 c 33,285 = 334,15 b (9283,325 x (-O,1799382729) 334,15b = 33,285

1670,425459 b = 1637,140459 : 334,15 = 4,899417803

Memasukkan nilai b dan c pada persamaan pertama (boleh pada persamaan kedua), yang akhirnya
dapat diperoleh nilai a.

1. 36,35 = 10 a + 151 b + 2614,25 c 36,35 = 10 a + (151 x (5,098639734) + (2614,25 x 0,1799382729)

36,35 = 10 a 769,8945998 + 470,4036299 -10 a = -36,35 769,8945998 + 470,4036299 10 a = 36,35 +
769,8945998 470,4036299 10 a = 335,8409699 a = 33,58409699

Melalui pembulatan menjadi 4 desimal, maka koefisien regresi Parabola adalah:

a = 33,5941 b = 4,89942 c --= -0,1799

Iadi, persamaan regresi parabola dari contoh soal No. 59 di atas adalah :
1? = 33,5941 + 4,89942X 0,1799 x2

Setelah persamaan regresi parabola kita temukan langkah selanjutnya adalah menguji signifikansi
koefisien regresi dengan jalan yang tidak berbeda dengan yang telah dibahas pada sub bah pengujian
signifikansi persamaan regresi linier di muka.

Dalarn model ini perhitungan koefisien korelasi diganti dengan istilah indeks korelasi, yang rumusnya
sama dengan perhitungan koefisien korelasi. Perbedaannya terletak pada hasil perhitungannya, di mana
koefisien korelasi masih memperhitungkan tanda positif dan negatif, maupun negatif (hanya diambil
nilai positifnya).

2 . Model Hiperbola

Persamaan regresi hiperbola (Iengkung cekung) ada dua model, yaitu: A. Y = 1/ (a + b X) di mana garis
persamaannya akan memotong

sumbu Y, ini berarti bahwa nilai X ada yang negatif, atau bahkan keduanya (nilai X maupun Y) sama-sama
negatif.

B. 7 = a + b/X di mama garis persamaannya akan memotong sumbu X, W berarti bahwa dalam
persamaan ini penyebaran nilai Y ada yang negatif.

Model hiperboia ini jarang terpakai pada penelitian pemdidikan karena nilaivnilai yang dihadapi daiam
dunia pendidikan sifatrl)’a aositif. Walaupun tetjadi maka model ini pun dapat digunakal‘b edangkan
perhitungan koefisien regresinya tidak berbeda dangan ang telah dibahas di muka (regresi sederhana
linier), lnam)’a 'Iuruh nilai Y diganti dengan l/YDengan demikian maka um“k

menghitung koefisien regresi a digunakan rumus 7.26.

a = (21/Y)(ZX2)-(2X) (2x1 /Y) 11 2x (2X)

Sedangkan untuk menghitung koefisien regresi b digunakan rumus 7..27 ‘

b = nXEl/YEX)(21/Y n‘Z‘.X2 (EX)2

3, Model Fungsi Pangkat Tiga

Model ini pun jarang terpakai dalam dunia pendidikan. Oleh karena jenis koefisien regresinya banyak (a,
b, c, dan d), maka

perhitungan di sini lebih panjang daripada model parabola, tetapi langkahnya tidak jauh berbeda.

Untuk menghitung nilai a, b, c, clan d kita akan menggunakan empat buah persamaan, yaitu:

ZY = na + bZX + CZX2 + d2X3 ZXY = aZX + b‘z‘.X2 + (22X3 + dEX“ 21sz = a‘z‘.X2+bEX3+c2:X4 +dZ:Xs

2X3Y = a23X3+b2‘.X“+c2X5+d§.‘.X6

Dengan menggunakan keempat persaman di atas dan langkah penyelesaian seperti pada pembahasan
model parabola, maka nilainilai koefisien regresi akan diperoleh.

Selanjutnya pengujian keberartian koefisien regresi tidak berbeda dmgan pengujian koefisien regresi
yang telah kita bahas di muka. Pel‘bedaannya terletak pada banyaknya pengujian, karena pada
Persamaan regresi kita menghadapi empat macam koefisien regresi, maka pengujianya pun melibatkan
keempat koefisien regresi tersebUtProblem penggunaan persamaan ini terletak pada keberartian
koefisien regresi. Iika pengujian menunjukkan kondisi

Salah satu koefisien regresi tidak signifikan, maka dengan sendirinya PerSamaan tersebut akan kurang
mempunyai daya ramal.

Untuk mempermudah perhitungan sering dilakukan pq/ gderhanaan dengan jalan perhitungan antilog,
sehingga koefisiev “éresl'nya dengan mudah dicari dengan rumus 7.30. re
a = antilog (log a) = antilog (10gb)

Untuk menghitung nilai koefisien regresi secara manual memerlukan bantuan kalkulator yang agak
komplit yaitu scien tifid calculator-lah yang dapat membantu pemakai untuk menemukan nilai a maupun
b dengan mudah. Jalan lain adalah dengan bantuan komputer. Walaupun komputer dapat membantu
peneliti dalam menganalisis datanya, bukan berarti bahwa peneliti tidak perlu tahu tentang statistik,
karena hasil komputer tidak dapat mempunyai arti sebelum dideskripsikan/ diinterpretasikan. Agar
peneliti dapat melakukan interpretasi hasil analisis data dengan komputer diperlukan pengetahuan
tentang statistik.

Contoh 6O Sebuah penelitian tentang hubungan antara jumlah sks yang diambil dengan indeks prestasi
mahasiswa, untuk melihat berapa sumbangan banyak sks yang diambil terhadap indeks prestasi
mahasiswa. Pengambilan sampel secara acak diperoleh 10 mahasiswa, sedangkan penyebaran datanya
sebagai

berikut:

Jumlah Tingkat Indeks Prestasi

8 1,5 10 2,0 11 2,5 12 2,6 12 2,7 13 3,0 13 3,1 15 3,0 15 2,9 15 2’9

Berdasarkan data di atas dapat dihit ung:

2X = 124

ZY = 26,2

ZXY == 334,4 n = 10 k = 6

Z X2 1586 2Y2 = 70,98

Dengan model linier koefisien regresi b = 0,19669

Sebelum kita melangkah lebih lanjut, sebaiknya kita coba untuk melihat, apakah data tersebut
mempunyai bentuk regresi linier? Untuk itu kita lakukan uji linieritas, secara ringkas dapat diperoleh
angka-angka yang dibutuhkan dalam pengujian linieritas sbb.:

SS :

$5. =

SS =

'" 5 5 g II II II II

Pom“) =

68,64 ssh:a = 1,8724888 0,463512

0,016667 dk 55m = 4 0,4468453 dk ssketidamaf 4 0,11171325

0,00416675

26,811

6,39

Berdasarkan pengujian di atas, dapat disimpulkan bahwa model regresi linier sederhana tidak sesuai
untuk data di atas. Untuk itu kita coba dengan melakukan transformasi dengan logaritma. Jika ini yang
kita lakukan maka kita akan menggunakan model eksponensial, karena persamaan eksponensial
merupakan pe’ rubahan bentuk linier dengan menggunakan logaritma.Untu1¢ perhitungan lebih lanjut,
kita perlu membuat tabel yang me“
ngandung nilai-nilai yang dibutuhkan dalam perhitungan regresi

BkSponensial sbb.:

Dengan demikian telah kita ketahui persamaan regresi eks. ponensial, yaitu:

9 = 0,87094 x 1,09108"

Jika ada mahasiswa yang mengambil kredit sebanyak 12 dalam satu semester, maka prediksi indeks
prestasi yang akan dicapainya dalam semester tersebut adalah:

Y = 0,87094 x 1,09108" = 0,87094 x 2,846289957 = 2,478947775 = 2,48

Angka prediksi di atas tampak di bawah indeks prestasi sebenarnya, hal ini disebabkan oleh karena nilai
prediksi didasarkan pada nilai rata-rata. Sepanjang perbedaannya masih kecil, maka prediksi tersebut
dapat digunakan untuk dasar pengambilan keputusan. Sebaliknya, jika ternyata nilai prediksi
mempunyai perbedaan yang cukup besar, maka hasil prediksi tersebut tidak boleh kita percayai. Kapan
nilai prediksi itu dinyatakan tidak berarti atau dengan kata lain tidak berbeda secara signifikan? Untuk
itu perlu pengujian signifikansi variasi seperti yang telah dibahas pada pembahasan di muka.Garis
regresi eksponensial dapat pula dihitung dengan menggunakan bilangan pokok logaritma asli (e =
2,718281828). Jika

menggunakan bilangan pokok logaritma asli, maka persamaan regresi eksponensialnya adalah:

A Y = ae 5" atau

Log Y

loga+ebX
5. Model Geometri

Model ini hampir sama dengan model eksponensial, karena dapat dikembalikan pada model linier
dengan jalan melakukan pengambilan logaritma pada persamaannya.

persamaan garis geometri adalah: Y = a ( x )b

Iika diambil logaritmanya maka bentuk persamaannya menjadi: Y = loga+blogX '

Mengingat nilai X maupun nilai Y diambil logaritmanya, maka

kita membutuhkan nilai-nilai logaritma dari masing-masing variabel yang dihadapi, sehingga langkah
awal yang harus dilakukan peneliti adalah mencari nilai log untuk setiap nilai. Untuk perhitungan
koefisien regresinya digunakan rumus 7.31. yang mengandung unsur logaritma sbb.:

b = n (2 log X log Y) (210g X) (210g Y) n (210g2 X) (2 log X)2 Log2 X = (log X) (log X) Antiloga = a

Seluruh pembahasan di atas bisa digunakan jika data kita berskala interval atau ratio. Iika data kita tidak
berskala interval atau ratio, maka penggunaan rumus-rumus di atas akan menyesatkan. Hal ini bukan
berarti bahwa data kategorikal tak bisa dianalisis dengan regresi. Jika data yang dihadapi berskala
rendah (nominal atau ordinal), maka kita harus menggunakan koding. Ada tiga macam koding yang
dapat digunakan yaitu dumm y coding, effect coding, dan orthogonal coding. Tetapi itu pun terbatas
pada variabel X, artinya variabel Y harus masih tetap interval atau ratio. Iika kedua data yang diperoleh
berskala nominal atau ordinal, maka analisis non parametriklah yang lebih cocok untuk digunakan
sebagai alat analisis. Jika Y decoding maka yang digunakan adalah Logistic

Regression.