Uway, Juivandy Julio

Business Statistic B
Dosen: Sir, Ananto Niel

Summary Regresi Linear Berganda, Sederhana dan Analisis Varian

A. Penjelasan Pengertian Regresi Linear Berganda

Regresi Linear Berganda adalah model regresi linear dengan melibatkan

lebih dari satu variable bebas atau predictor. Dalam bahasa inggris,
istilah ini disebut dengan multiple linear regression.

5 Jenis Regresi Berganda

 Regresi Linear Berganda.
 Regresi Logistik Berganda.
 Regresi Ordinal Berganda.
 Regresi Multinomial Berganda.
 Regresi Data Panel Berganda.

Analisis regresi linear berganda digunakan oleh peneliti,
apabila peneliti bermaksud untuk melakukan prediksi bagaimana
perubahan nilai variabel dependen bila nilai dua atau lebih variabel
independen sebagai prediktor dinaikkan atau diturunkan nilainya.

Contoh Soal Regresi Linier Berganda

Dalam suatu penelitian yang dilakukan terhadap 10 rumah tangga yang
diilih secara acak, diperoleh data pengeluaran untuk pembelian barang-
barang tahan lama per minggu (Y), pendapatan per minggu (X1), dan
jumlah anggota rumah tangga (X2) sebagai berikut:
Seandainya suatu rumah tangga mempunyai X1 dan X2, masing-masing
11 dan 8. Berapa besarnya nilai Y. Artinya, berapa ratus rupiah rumah
tangga yang bersangkutan akan mengeluarkan biaya untuk pembelian
barang-barang tahan lama ?

Penyelesaian Contoh soal Regresi Linier Berganda:

Langkah pertama adalah mengolah data diatas menjadi sebagai berikut:

Dari hasil penghitungan diatas model regresi linier berganda dapat
dituliskan sebagai berikut:

Yˆ = 5,233 + 3,221X1 + 0,451X2 

Dari model diatas dapat disimpulkan bahwa setiap kenaikan pendapatan
per minggu sebesar Rp1000 maka akan menaikkan pengeluaran untuk
pembelian barang-barang tahan lama per minggu sebesar Rp322,1
dengan asumsi jumlah anggota rumah tangga konstan/tetap.

Demikian juga, jika jumlah anggota rumah tangga bertambah 1 orang

maka akan menaikkan pengeluaran untuk pembelian barang-barang
tahan lama per minggu sebesar Rp45,1 dengan asumsi pendapatan per
minggu konstan/tetap.

Yˆ = 5,233 + 3,221X(11)+ 0,451X(8)

Yˆ = 44,272

Ketika suatu rumah tangga memiliki pendapatan perminggu sebesar

Rp11.000 dengan anggota rumah tangga sebanyak 8 orang maka
pengeluaran untuk pembelian barang-barang tahan lama per minggu
sebesar Rp4.427,2 (nilai Yˆ dikali 100).
Contoh Soal Regresi Linier Berganda 2
Berikut tabel nilai Y untuk dua variabel X1 dan X2:

Y X1 X2

1 40 25

2 45 20

1 38 30

3 50 30

2 48 28
Y X1 X2

3 55 30

3 53 34

4 55 36

4 58 32

3 40 34

5 55 38

3 48 28

3 45 30

2 55 36

4 60 34

5 60 38

5 60 42

5 65 38

4 50 34

3 58 38
Tabel 1 Penyelesaian soal regresi linier berganda

Y X1 X2 X1*Y X2*Y X

Sum 65 1038 655 3513 2219 3

N 20 20 20 20 20 2

M 3.25 51.9 32.75 175.65 110.95 1

SD 1.25 7.58 5.24 84.33 54.73 4

USS 29.75 1091.8 521.75      

Tabel 2 Penyelesaian soal regresi linier berganda (koma diganti titik)

Dengan menggunakan rumus berikut:

Formula
Regresi Linier Berganda

akan didapatkan matrix sebagaimana tabel dibawah ini:

y X1 X2

Y 29.75 139.5 90.25

X1 0.77 1091.8 515.5

X2 0.72 0.68 521.75

Matrix penyelesaian X1 dan X2
Matrix di atas, adalah hasil dari pengerjaan rumus berikut:

Rumus
Tabel Penyelesaian X1 dan X2

Dengan semua tabel penyelesaian di atas, didapatkan penghitungan

rumus sebagai berikut:
 Penghitungan
Koefisien Regresi

Dari hasil kalkulasi di atas, maka didapatkan persamaan regresi linier

berganda sebagaimana dibawah ini:

Per
samaan Regresi Linier Berganda

Hasil akhir dari persamaan dan soal diatas dapat dilihat pada fungsi Y
terhadap X1 dan X2 di bawah ini:
Y = 0.09X1 + 0.09X2 – 4.10

B. Regresi linier sederhana

Regresi linier sederhana adalah suatu metode statistik yang berupaya

memodelkan hubungan antara dua peubah acak dimana satu
peubah acak memengaruhi peubah acak yang lainnya (Soleh, 2005),

Regresi linier sederhana digunakan apabila variable dependen

dipengaruhi hanya oleh satu variable independent,
sedangkan regresi linier berganda digunakan untuk menguji pengaruh
lebih dari satu variable independent terhadap variable dependen.

Rumus regresi linier sederhana:

yaitu regresi linier yang hanya melibatkan 2 variabel (variabel x dan y).
Persamaan regresi linier dari X terhadap Y dirumuskan: Y = a + bX
dimana: Y = Variabel terikat X = Variabel bebas a = Intersep b =
Koefisien regresi/slop.

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) 

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 σ2

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.

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
X y

5 85 425

4 103 412

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

5 82 410

5 89 445

5 98 490

6 66 396

6 95 570

2 169 338

7 70 490

7 48 336

58 975 4732

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.

Analisis regresi sederhana bertujuan untuk mengetahui pengaruh dari

suatu variabel terhadap variabel lainnya. Pada analisis regresi suatu
variabel yang mempengaruhi disebut variabel bebas atau independent
variable, sedangkan variabel yang dipengaruhi disebut variabel terkait
atau dependent variable.

Variabel yang mempengaruhi disebut dengan berbagai istilah: variabel

independen, variabel bebas, variabel penjelas, variabel eksplanatorik,
atau variabel X karena dalam grafik sering digambar sebagai absis atau
sumbu X). Variabel yang dipengaruhi dikenal sebagai variabel
dependen, variabel terikat, atau variabel Y. Kedua variabel ini dapat
merupakan variabel acak (random), namun variabel yang dipengaruhi
harus selalu variabel acak. Analisis regresi adalah salah satu analisis
yang luas pemakaiannya. Analisis regresi digunakan untuk melakukan
prediksi dan ramalan.

Analisis regresi linier sederhana adalah hubungan secara linear antara

satu variabel independen (X) dengan variabel dependen (Y). Analisis
regresi sederhana dapat digunakan untuk mengetahui arah dari hubungan
antara variabel bebas dengan variabel terikat, apakah memiliki hubungan
positif atau negatif serta untuk memprediksi nilai dari variabel terikat
apabila nilai variabel bebas mengalami kenaikan ataupun penurunan.
Pada regresi sederhana biasanya data yang digunakan memiliki skala
interval atau rasio.

Rumus regresi linear sederhana sebagai berikut:

                              Y = a + bX

Keterangan:

Y     = Variabel dependen (variabel terikat)

X     = Variabel independent (variabel bebas)

a      = Konstanta (nilai dari Y apabila X = 0)

b      = Koefisien regresi (pengaruh positif atau negatif)

Contoh untuk regresi sederhana adalah jumlah uang saku yang diterima
mahasiswa dipengaruhi dengan jarak tempuh dari rumah ke kampus.
Apabila didasarkan dari penjelasan logis maka semakin dekat jarak
rumah dengan kampus maka akan semakin kecil nilai uang saku
mahasiswa, sebaliknya apabila semakin jauh jarak tempuh dari rumah ke
kampus maka akan semakin besar jumlah uang saku mahasiswa,
sehingga jarak tempuh dari rumah ke kampus (variabel X) akan
mempengaruhi nilai uang saku mahasiswa (variabel Y) secara positif.

Perbedaan Regresi Linear Berganda dan Sederhana

Seperti yang sudah saya bahas diatas, dikatakan regresi linear berganda
jika jumlah variable bebas atau variabel prediktor lebih dari satu.
Sedangkan jika jumlah variable bebas hanya ada satu saja, maka itu yang
disebut dengan regresi linear sederhana.
Model regresi linear berganda dilukiskan dengan persamaan sebagai
berikut:

Y = α + β1 X2 + β2 X2 + βn Xn + e

Keterangan:
Y = Variabel terikat atau variabel response.
X = Variabel bebas atau variabel predictor.
α = Konstanta.
β = Slope atau Koefisien estimate.

Data Interval atau rasio.

Skala data semua variable terutama variable terikat adalah interval atau
rasio. Asumsi ini tidak perlu diuji, cukup anda pastikan bahwa data yang
digunakan adalah data interval atau rasio (numeric atau kuantitatif).

Agar anda paham tentang berbagai skala data, kami sudah membahasnya
dalam artikel berjudul jenis data dan pemilihan analisis statistik.

Linearitas

Ada hubungan linear antara variable bebas dengan variable terikat.

Asumsi linearitas diuji dengan uji linearitas regresi, misalnya dengan
kurva estimasi.

Dengan kurva estimasi kita bisa tentukan ada hubungan linear atau tidak
dengan melihat nilai p value linearitas. Jika p value < 0,05 maka terdapat
hubungan yang linear antara predictor dan response. Untuk uji linearitas
regresi, kami sudah membahasnya pada artikel yang telah lalu, yaitu
artikel linearitas regresi.
Normalitas Residual

Residual adalah beda antara y dengan y prediksi. Y adalah variable

terikat, sedangkan y prediksi adalah Y hasil persamaan regresi yang
dibuat. Sehingga residual dibangun dengan rumus: y – y prediksi.

Asumsi normalitas pada regresi linear berganda adalah pada residualnya,

bukan pada data per variabelnya.

Berbagai jenis uji normalitas tersebut sudah saya bahas secara tuntas

dalam berbagai artikel yang telah saya rilis sebelumnya. Silahkan
dipelajari untuk menambah wawasan anda.

Homoskedastisitas

Homoskedastisitas adalah sebuah kondisi dimana varians dari error

bersifat konstan atau tetap. Dengan kata lain bahwa varians dari error
bersifat identic untuk setiap pengamatan.

Kebalikan dari homoskedastisitas adalah heteroskedastisitas. Model

regresi linear yang baik adalah model yang bebas dari kondisi
heteroskedastisitas.

Untuk menguji homoskedastisitas pada regresi linear, dapat digunakan

uji homoskedastisitas dari glejser, uji park, uji white, spearman
heteroskedastisitas, dan masih banyak uji lainnya. Yang tentunya sudah
saya bahas pada artikel lainnya terutama pada artikel uji
heteroskedastisitas.

Non Multikolinearitas

Multikolinearitas adalah keadaan dimana terdapat interkorelasi atau

korelasi kuat antar variable bebas di dalam model. Dinyatakan ada
interkorelasi jika korelasi antar variable bebas di dalam model regresi
linear berganda > 0,8. Beberapa pakar menggunakan batasan lebih dari
0,9.

Cara lain yang lebih objektif adalah dengan menggunakan nilai variance
inflating factor (VIF) dan tolerance. Dikatakan ada multikolinearitas jika
nilai VIF > 10 dan/atau nilai tolerance < 0,01.

Berdasarkan uraian diatas, maka jelas sekali bahwa asumsi

multikolinearitas hanya ada dalam regresi linear berganda dan tidak ada
pada regresi linear sederhana. Sebab pada regresi linear berganda ada
lebih dari satu variabel bebas, sedangkan pada regresi linear sederhana
hanya ada satu variable bebas.

Non Autokorelasi

Autokorelasi dapat diartikan bahwa terdapat korelasi antar waktu.

Sehingga bisa diartikan dengan mudah bahwa autokorelasi ini sering
terjadi pada regresi linear dengan data time series atau runtun waktu.
Dan jarang sekali terjadi pada data cross section.

Kesalahan Persepsi Tentang Asumsi Regresi Linear

Ada beberapa kesalahan klasik yang sering terjadi pada para peneliti
yang masih awal belajar untuk meneliti. Terutama yang masih awal
berkenalan dengan regresi linear. Yaitu: lebih dulu melakukan uji asumsi
klasik baru kemudian melakukan uji regresi linear.

Seharusnya, dari sekian banyak asumsi yang ada dalam regresi linear
berganda, hanya asumsi linearitas yang harus dilakukan terlebih dulu.
Dan uji linearitas regresi hanya dilakukan jika tujuan dari dibuatnya
model regresi adalah untuk membentuk model terbaik.
Sedangkan jika tujuannya untuk sekedar menjawab hipotesis, maka
asumsi linearitas ini bisa diabaikan.

Software regresi Linear Berganda

Seperti yang sudah saya bahas di awal artikel ini, bahwasanya saya
sudah membuat berbagai jenis artikel tentang regresi linear
menggunakan berbagai software. Maka kesimpulannya adalah: banyak
sekali software yang dapat digunakan, antara lain: SPSS, EViews,
STATA, Minitab, SPSS AMOS, Excel dan software komputasi lainnya.

Contoh Regresi Linear

Salah satu contoh penelitian yang menggunakan analisis regresi linear
adalah penelitian dengan judul: “pengaruh ROA, NPM dan Size
Terhadap Return Saham.” Untuk contoh penelitian ini sudah saya
jelaskan secara rinci dalam artikel tentang contoh penelitian bisnis
dengan regresi linear.

Berdasarkan contoh penelitian diatas, sudah jelas bahwasanya semua

variable berskala data interval atau rasio. Dengan kata lain data yang
digunakan adalah data kuantitatif atau numeric. Dalam contoh tersebut
juga dijelaskan bahwasanya variable bebas atau prediktor adalah lebih
dari satu, yaitu ROA, NPM dan Size.

C. Analisis Varian

Analisis varians (analysis of variance, ANOVA) adalah

suatu metode analisis statistika yang termasuk ke dalam cabang statistika
inferensi. Dalam literatur Indonesia metode ini dikenal dengan berbagai
nama lain, seperti analisis ragam, sidik ragam, dan analisis variansi. Ia
merupakan pengembangan dari masalah Behrens-Fisher, sehingga uji-
F juga dipakai dalam pengambilan keputusan.
Analisis varians pertama kali diperkenalkan oleh Sir Ronald Fisher,
bapak statistika modern. Dalam praktik, analisis varians dapat
merupakan uji hipotesis (lebih sering dipakai)
maupun pendugaan (estimation, khususnya di bidang genetika terapan).

Analisis varians berfungsi untuk menguji apakah terdapat perbedaan

yang signifikan antara rata-rata beberapa kelompok populasi (lebih dari
dua), melalui ukuran-ukuran penyebaran (variansi) dari masing-masing
kelompok populasi tersebut.

Secara umum, analisis varians menguji dua varians (atau ragam)

berdasarkan hipotesis nol bahwa kedua varians itu sama. Varians
pertama adalah varians antarcontoh (among samples) dan varians kedua
adalah varians di dalam masing-masing contoh (within samples).
Dengan ide semacam ini, analisis varians dengan dua contoh akan
memberikan hasil yang sama dengan uji-t untuk dua rerata (mean).

Supaya sahih (valid) dalam menafsirkan hasilnya, analisis varians

menggantungkan diri pada empat asumsi yang harus dipenuhi dalam
perancangan percobaan:

1. Data berdistribusi normal, karena pengujiannya

menggunakan uji F-Snedecor
2. Varians atau ragamnya homogen, dikenal
sebagai homoskedastisitas, karena hanya digunakan satu
penduga (estimate) untuk varians dalam contoh
3. Masing-masing contoh saling bebas, yang harus dapat
diatur dengan perancangan percobaan yang tepat
4. Komponen-komponen dalam modelnya bersifat aditif
(saling menjumlah).

Analisis varians relatif mudah dimodifikasi dan dapat dikembangkan

untuk berbagai bentuk percobaan yang lebih rumit. Selain itu, analisis ini
juga masih memiliki keterkaitan dengan analisis regresi. Akibatnya,
penggunaannya sangat luas di berbagai bidang, mulai
dari eksperimen laboratorium hingga eksperimen periklanan, psikologi,
dan kemasyarakatan.

melihat akibat dari interaksi dua faktor. Beberapa asumsi yang harus
dipenuhi dalam uji anova adalah sebagai berikut :

1. Varians homogeny (sama)

2. Sampel kelompok independen
3. Data berdistribusi normal
4. Jenis data yang dihubungkan adalah : ada/tidaknya
perbedaan rerata data numerik pada kelompok kategorik

Harga-Harga yang Diperlukan dalam Uji Analisis Varians

Untuk dapat menggunakan teknik anava dengan baik, perlu kiranya

mengenal beberapa pengertian tentang harga-harga yang terdapat di
dalam rumusnya. Baik dalam anava tunggal maupun anava ganda
terdapat beberapa istilah teknis yang belum terdapat di dalam teknik-
teknik sebelumnya. Harga-harga yang dimaksud adalah : sumber variasi,
jumlah kuadrat (disingkat JK), rerata kuadrat atau mean kuadrat (singkat
MK), dan harga F.

Sumber Variasi
Pengertian “sumber variasi” digunakan sebagai judul kolom dalam table
persiapan anava. Hal-hal yang terkandung di dalam di bawah judul
tersebut adalah hal-hal yang dipandang menunjukkan variasi sehingga
menyebabkan timbulnya perbedaan nilain yang dianalisis. Sebagai
sumber variasi misalnya perbedaan yang terjadi di antara kelompok, di
dalam kelompok, dan interaksi antara dua faktor atau lebih.

Jumlah Kuadrat

JKtot = ∑X2-∑(X)2/N
Yang dimaksud dengan jumlah kuadrat adalah penjumlahan tiap-tiap
deviasi nilai reratanya. Ada beberapa jenis jumlah kuadrat yang akan
dijumpai dalam pekerjaan analisis varian : yakni jumlah kuadrat total,
jumlah kuadrat antar kelompok, jumlah kuadrat dalam kelompok. Untuk
anava ganda masih ada satu pengertian lagi yaitu kuadrat interaksi.
Dengan rumus :

∑(X)2/N= faktor koreksi

JKant = ∑ [(∑Xk)2/nk– (∑X)2/N ]

k = banyaknya kelompok

nk = banyaknya subjek dalam kelompok

 

JKtot = Jkant + Jkdal

Pengertian Mean Kuadrat

F = MKant/MKdal

Selain jumlah kuadrat, ada pengertian penting yang sangat berperan di

dalam perhitungan dangan anava yakni mean kuadrat. Dengan mean
kuadrat inilah harga F dapat diketahui, karena F diperoleh dari
pembagian harga mean kuadrat. Mean kuadrat (rerat kuadrat) diperoleh
dengan rumus :

Jenis-Jenis Anava
Sesuai dengan banyaknya faktor yang terlibat, maka anava dibedakan
secara garis besar menjadi dua yaitu :

 Anava tunggal atau anava satu jalan

 Anava ganda atau anava lebih dari satu jalan.
  Analisis Varians Satu Jalan

 Contoh Soal Cerita:

Suatu penelitian dilakukan untuk mengetahui apakah terdapat pengaruh

perbedaan kartu kredit terhadap penggunaannya. Data di bawah ini 
adalah jumlah uang yang dibelanjakan ibu rumah tangga menggunakan
kartu kredit (dalam $). Empat jenis kartu kredit dibandingkan:

Jumlah yang dibelanjakan ($)

ASTRA BCA CITI AMEX

8 12 19 13

7 11 20 12

10 16 15 14

19 10 18 15

11 12 19  

Ujilah dengan α = 0.05, apakah terdapat pengaruh perbedaan kartu kredit

pada penggunaannya?

 Jawaban dan Pembahasan:

Jumlah yang dibelanjakan ($)

ASTRA BCA CITI AMEX

8 12 19 13

7 11 20 12

10 16 15 14

19 10 18 15
 11 12 19  

T = 55 T = 61 T = 91 T = 54

n=5 n=5 n=5 n=4

=11 = 12.2 =18.2 = 13.5

Dari table di atas dapat dihitung:

 Jumlah keseluruhan nilai: T = T1 + T2 + T3 + T4 = 55 + 61 + 91 +

54 = 261
 SSE = SST – SSB = 279.658 – 149.08  =  130.6

Tabel ANOVA yang dibentuk:

Derajat Bebas   Jumlah Kuadrat   Rata-rata Kuadrat   Ftabel

Sumber   Keragaman Fhitung
(Degree of Freedom) (Sum Square) (Mean Square) (lihat Tabel)

Antar Grup v1 = 4–1= 3 149.08   149.08/ 3 = 49.69 F(3, 15)=

5.71
3.29
Dalam Grup (error) v2 = 19–4= 15 130.6 130.6/ 15 = 8.71

Total 18 279.68

Pengujian Hipotesis:

 H : μ1 =  μ2  =  …  =  μk (semua sama)

 H1 : Tidak semuanya sama (minimal sepasang berbeda, μi ≠
μj untuk i ≠ j)
 Statistik uji = Fhitung = 49.69/8.71 = 5.71     (Lihat tabel F disini)                
 Keputusan: Tolak H , terima H1 karena  Fhitung > Ftabel

DAFTAR PUSTAKA

https://www.statistikian.com/2018/01/penjelasan-tutorial-regresi-linear-
berganda.html

https://www.statmat.net/regresi-linier-sederhana/

https://www.statmat.net/regresi-linier-berganda/
https://id.wikipedia.org/wiki/Analisis_varians

https://www.statmat.net/anova-satu-arah/

https://srirayani.wordpress.com/2015/05/19/analisis-varians/