BAB 2

ANALISIS KORELASI DAN REGRESI

Analisis korelasi dan analisis regresi merupakan dua hal yang berbeda,
namun sering digunakan secara bersama. Pada analisis korelasi
mengkaitkan hubungan beberapa variable yang independent (bebas).
Sedangkan pada analisis regresi, memainkan pengaruh variable
independent (bebas) terhadap variable dependent (terikat).

A. ANALISIS KORELASI

Korelasi untuk sampel dinotasikan dengan r sedangkan

untuk populasi dinotasikan “ρ” (baca rho). Uji korelasi
bertujuan untuk menguji hubungan antara dua variable yang
independen.
Jika kecenderungan dalam satu variabel selalu diikuti oleh
kecenderungan dalam variabel lain, kita dapat mengatakan
bahwa kedua variabel ini memiliki hubungan atau korelasi.
Ketika berbicara mengenai korelasi, biasanya orang akan
berbicara mengenai korelasi antara dua atau lebih variabel yang
memiliki skala pengukuran interval. Angka yang digunakan
untuk menggambarkan derajat hubungan ini disebut koefisien
korelasi dengan lambang r. Teknik yang paling sering digunakan
untuk menghitung koefisien korelasi selama ini adalah teknik
Korelasi Product Momen Pearson.
Pemikiran utama korelasi product momen adalah sebagai
berikut:
 Jika kenaikan kuantitas dari suatu variabel diikuti dengan
kenaikan kuantitas dari variabel lain, maka dapat kita katakan
kedua variabel ini memiliki korelasi yang positif.
 Jika kenaikan kuantitas dari suatu variabel diikuti dengan
penurunan kuantitas dari variabel lain, maka dapat kita
katakan kedua variabel ini memiliki korelasi yang negatif.
1
 Jika kenaikan kuantitas dari suatu variabel diikuti oleh
kenaikan dan penurunan kuantitas secara random dari
variabel lain atau jika kenaikan suatu variabel tidak diikuti
oleh kenaikan atau penurunan kuantitas lain (nilai dari
variabel lain stabil), maka dapat dikatakan kedua variabel itu
tidak berkorelasi atau memiliki korelasi yang mendekati nol
(0).
Macam-Macam Uji Korelasi yang dibahas disini meliputi, (i)
korelasi sederhana, (ii) korelasi ganda (iii) korelasi parsial.

1. Uji Korelasi Sederhana (Korelasi Dua Variable)

i. Mencari hubungan antara variable x dan variable y

nΣxy−(Σx)(Σy)
ii. Rumus : rxy =
√{nΣx2 −(Σx)2 }√{nΣy2 −(Σy)2 }
iii. Uji signifikansi korelasi :
r√n−2
Rumus : t =
√1−r2

Batas nilai koefisien korelasi (r) adalah -1 ≤ r ≤ 1 , yang

kriteria pemanfaatannya dijelaskan sebagai berikut :
i. Jika r > 0, artinya telah terjadi hubungan linier positif,
yaitu makin besar nilai variabel X makin besar pula
nilai variabel Y atau makin kecil nilai variabel X makin
kecil pula nilai variabel Y.
ii. Jika r < 0, artinya telah terjadi hubungan linier negatif,
yaitu makin besar nilai variabel X makin kecil nilai
variabel Y atau makin kecil nilai variabel X maka makin
besar nilai variabel Y
iii. Jika r = 0, artinya tidak ada hubungan sama sekali
antara variabel X dan variabel Y.
iv. Jika nilai r = 1 atau r = -1, maka dapat dikatakan
telah terjadi hubungan linier sempurna.

Contoh 2.1.
Diketahui Data Nilai ulangan Harian (X) dan ulangan akhir
2
semester (Y) dari 10 siswa adalah sebagai berikut:
Tabel 2.1
siswa X Y
1 5 7
2 7 8
3 6 8
4 8 7
5 7 9
6 8 8
7 6 7
8 7 9
9 5 7
10 8 9

Carilah koefisien korelasinya.

Jawab:
Untuk memudahkan, dibuatkan tabel berikut:
no X Y X2 Y2 XY
1 5 7 25 49 35
2 7 8 49 64 56
3 6 8 36 64 48
4 8 7 64 49 56
5 7 9 49 81 63
6 8 8 64 64 64
7 6 7 36 49 42
8 7 9 49 81 63
9 5 7 25 49 35
10 8 9 64 81 72
jml 67 79 461 631 534

3
 nΣxy−(Σx)(Σy)
rxy =
√{nΣx2 −(Σx)2 }√{nΣy2 −(Σy)2 }

10.534−67.79
rxy =
√{10.461 −(67)2 }√{10.631 −(79)2 }
5340−5293
rxy =
√{4610 −4489}√{6310 −6241}

47
rxy = = 0,51
√121√69

Selanjutnya untuk mengukur apakah harga r signifikan,

dilanjutkan dengan menghitung harga t.

r√n−2
t=
√1−r2

0,51√10−2
t= = 4,7348
√1−(0,51)2

untuk melihat apakah harga r signifikan, konsultasikan

thitung dengan ttabel.
Jika t hitung> t tabel maka berarti r signifikan.

Untuk α=0,05 diperoleh t tabel = 2,262.

Karena t hitung> t tabel maka berarti r signifikan, yang berarti ada

korelasi antara nilai harian dengan nilai akhir semester.

2. Uji Korelasi Ganda :

 Menyatakan hubungan antara dua (lebih) variable secara

bersama-sama dengan variable lainnya.

4
 X1
Y
X2
 Rumus :
r2yx1 + r2yx2 − 2ryx1ryx2 rx1 x2
Ryx1yx2 = √
1−r2x1x2

dimana
Ryx1yx2 : korelasi antara x1 dan x2 bersama-sama
dengan y
ryx1 : korelasi y dengan x1
ryx2 : korelasi y dengan x2
rx1 x2 : korelasi x1 dengan x2

Uji signifikansi nilai R = Ryx1yx2

R2 / k
Rumus : Fh = (1−R2 )/(n−k−1)
dimana :
Fh : F hitung
R : koefisien korelasi ganda
k : banyaknya variable independen
n : banyaknya anggota sampel
 Konsultasikan dengan tabel F ; dengan
dk pembilang = k dan dk penyebut = n – k – 1.
Jika Fh > F tabel, maka hipotesis nol ditolak.

Jika korelasi ganda digambarkan sebagai berikut,

X
Z
Y

maka langkah yang dilakukan untuk perhitungan sebagai

berikut:
dicari nilai ryx ; rxz ; ryz ; Rzxzy

5
 2
rxz 2
+ ryz − 2rxz ryz rxy
Rzxzy = √
2
1 − rxy

Contoh 2.2:
Diketahui Data Nilai ulangan Matematika (X), ulangan IPA
(Y) dan ulangan IPS (Z) dari 15 siswa adalah sebagai berikut:

Tabel 2.2
siswa X Y Z
1 5 7 6
2 7 8 6
3 6 8 8
4 8 7 7
5 7 9 8
6 8 8 6
7 6 7 6
8 7 9 7
9 5 7 7
10 8 9 8
11 7 9 7
12 7 8 7
13 9 8 8
14 8 9 8
15 8 9 7

Carilah koefisien korelasinya.

Jawab :
Akan dicari nilai ryx ; rxz ; ryz ; Rzx

6
 2
rxz 2
+ ryz − 2rxz ryz rxy
Rzxzy = √
2
1 − rxy

siswa X Y Z X2 Y2 Z2 XY XZ YZ

1 5 7 6 25 49 36 35 30 42
2 7 8 6 49 64 36 56 42 48
3 6 8 8 36 64 64 48 48 64
4 8 7 7 64 49 49 56 56 49
5 7 9 8 49 81 64 63 56 72
6 8 8 6 64 64 36 64 48 48
7 6 7 6 36 49 36 42 36 42
8 7 9 7 49 81 49 63 49 63
9 5 7 7 25 49 49 35 35 49
10 8 9 8 64 81 64 72 64 72
11 7 9 7 49 81 49 63 49 63
12 7 8 7 49 64 49 56 49 56
13 9 8 8 81 64 64 72 72 64
14 8 9 8 64 81 64 72 64 72
15 8 9 7 64 81 49 72 56 63
JML 106 122 106 768 1002 758 869 754 867

15.869 − 106.122
rxy =
√{15.768 − (106)2 }√{15.1002 − (122)2 }

rxy = 0,506
15.754−106.106
rzx =
√{15.768 −(106)2}√{15.758 −(106)2}

rzx = 0,379

7
 15.867 − 122.106
rzy =
√{15.758 − (106)2 }√{15.1002 − (122)2 }

rzy = 0,522

r2xz + r2yz − 2rxz ryz rxy

R zxzy = √
1−r2xy

0,3792 +0,522 2 − 2.0,379.0,522.0,506

R zxzy = √ 1−0,5062

= 0.5387
Untuk menguji signifikansi nilai R, gunakan rumus
R2 / k
Fh =
(1 − R2 )/(n − k − 1)

0,53872/2 0,145099
F = (1−0,53872 )/(15−2−1) = 0,059150 = 2,45307

Untuk α=0,05 diperoleh F tabel(12;2) = 3,89

Karena F hitung < F tabel maka dikatakan koefisien R tidak
signifikan. Dengan kata lain, korelasi antara X, Y dan Z tidak
berarti.

3. Uji Korelasi Parsial :

Mengetahui hubungan antara variable independen dan variabel

dependen, dengan salah satu variabel independen dianggap tetap
(dikendalikan).
i. Rumus :
ryx − rzx rzy
R yxz =
2 )(1 − r 2 )
√(1 − rzy zx

8
 Korelasi parsial antara X1 dengan Y; dengan X2
dianggap konstan.
ii. Uji signifikansi korelasi parsial :
Digunakan rumus t; dengan dk = n – 1

Rp n  3
t =
1  R 2p
Rp = Ryx1x2 ∶ koefisien korelasi parsial
t : t hitung

iii. Jika t hitung > t tabel, maka R dikatakan berarti.

Contoh 2.3.
Diketahui Data Nilai ulangan Matematika (X), ulangan IPA (Y)
dan ulangan IPS (Z) dari 15 siswa adalah sebagai berikut:

Tabel 2.3
siswa X Y Z
1 5 7 6
2 7 8 6
3 6 8 8
4 8 7 7
5 7 9 8
6 8 8 6
7 6 7 6
8 7 9 7
9 5 7 7
10 8 9 8
11 7 9 7
12 7 8 7
13 9 8 8
14 8 9 8
15 8 9 7

9
Carilah koefisien korelasi parsial antara matematika (X) dan
IPA (Y).

Jawab:
Dengan menggunakan rumus korelasi dua variable diperoleh
hasil:
rxy = 0,506
rzx = 0,379
rzy = 0,522

Korelasi parsial X dan Y dengan variable control Z, diperoleh :

ryx −rzx rzy

R yxz =
√(1−r2zy )(1−r2zx)

0,506−0,379 .0,522
R yxz = = 0,390
√(1−0,5222 )(1−0.3792 )

Ternyata hasilnya Ryxz lebih kecil daripada rxy.

10
B. ANALISIS REGRESI

Analisis regresi adalah suatu analisis statistika yang

memanfaatkan hubungan antara dua variabel atau lebih. Dalam
praktek seringkali ingin dilihat ketergantungan suatu variabel Y
(yang biasanya dinamakan variabel terikat atau respon ) pada
beberapa variabel lain X1, X2, …, Xk, yang dinamakana variabel
bebas atau prediktor. Hubungan antara variabel dapat berbentuk
hubungan : (a) fungsional atau (b) statistika.

Jika Y variabel terikat dan X variabel bebas, maka

hubungan fungsional akan berbentuk Y= f(X). Misalnya
persamaan Y= 2 + 5X. Persamaan ini jika digambar dalam
sistem sumbu silang akan berbentuk garis lurus atau titik-titik
yang terletak pada garis lurus. Hubungan dua variabel dalam
hubungan statistika merupakan model matematika yang
menggambarkan titik-titik di sekitar persamaan garis lurus yang
merupakan garis estimasi. Persamaan garis diperoleh dari data
yang ada yang tersebar secara bebas dalam diagram. Misalnya
hubungan antara hasil suatu reaksi kimia dan temperaturnya.
Hasil reaksi dipandang sebagai variabel terikat sedangkan
temperatur sebagai variabel bebas.

Tabel 2.4
77,4 76,7 78,2 84,1 84,5 83,7 88,9 89,2 89,7 94,8 94,7 95,9
(%) Y

(oC) X 150 150 150 200 200 200 250 250 250 300 300 300

Untuk menganalisis regresi sederhana pertama-tama

digambarkan titik-titik yang menyatakan hubungan X dan Y
pada sistem sumbu silang. Diagram titik-titik ini dikenal dengan
nama scatter diagram
Jika regresi dilakukan untuk satu variabel terikat dan satu
variabel bebas, regresi ini dinamakan regresi linier sederhana.
Sering dijumpai pula penelitian tentang hubungan antara satu
variabel terikat dengan beberapa variabel bebas. Regresi
semacam ini dinamakan regresi linier ganda .
11
Model Regresi

Suatu model regresi adalah cara yang digunakan untuk

menyatakan dua hal :
kecenderungan berubah-ubahnya variabel terikat terhadap
variabel bebas dalam bentuk yang sistematis.
Berpencarnya data observasi di sekitar kurva/garis yang
menyatakan hubungan statistika.

Memilih Variabel Bebas

Dalam suatu regresi linier ganda, banyaknya variabel bebas

harus dipilih sedemikian rupa sehingga benar-benar merupakan
himpunan variabel bebas yang terbaik untuk tujuan analisis.
Beberapa hal yang perlu diperhatikan adalah :
Kontribusi variabel bebas yang bersangkutan.
Pentingnya variabel bebas sebagai penyebab variabel terikat.
Adanya kemudahan, keakuratan, dan ekonomis dalam analisis
yang berkaitan dengan variabel bebas.

Bentuk Fungsional Persamaan Regresi

Pemilihan bentuk fungsional persamaan regresi berhubungan

dengan pemilihan variabel bebas. Dalam banyak hal bentuk
fungsional persamaan regresi tidak diketahui sebelumnya dan
harus ditentukan setelah data terkumpul dan dianalisis. Fungsi
regresi linear (lurus) atau lengkung kerap kali merupakan
pendekatan pertama yang cukup memuaskan untuk fungsi
regresi yang belum diketahui. Tentu saja bentuk– bentuk
sederhana ini juga selalu digunakan meskipun bentuk fungsional
yang sebenarnya diketahui. Hal ini dilakukan untuk
menyederhanakan bentuk regresi yang semestinya kompleks.
Bentuk – bentuk sederhana merupakan pendekatan yang baik,
karena pada interval yang relatif pendek, garis lurus merupakan
pendekatan paling yang baik.

12
1. Regresi Linier Sederhana

Pandang model regresi linier dengan satu variabel bebas.

Yi =  o +  1Xi + i, i = 1, 2, …, n

di mana
Yi : harga variabel respons pada percobaan ke i
o dan 1 : parameter yang tidak diketahui.
Xi : konstan yang sudah diketahui, yaitu harga
variabel bebas pada percobaan ke i.
i : suku sesatan yang random dengan E(i ) = 0
untuk semua i
Var (i ) =  untuk semua i
2

Cov (i, j) = 0, i  j, yaitu suku sesatan yang tidak berkorelasi.

Model di atas dikatakan sederhana, linear dalam parameter, dan

linear dalam variabel bebas (derajat satu). Hal – hal yang perlu
diperhatikan dalam model ini ialah
Harga observasi Yi pada percobaan ke-i merupakan jumlah dua
komponen.
i) suku konstan (  o + 1 X1), dan
ii) suku sesatan i yang random, yang mengakibatkan Yi juga
merupakan variabel random.

Karena E(i ) = 0, maka E(Yi) = i =  o + 1 Xi

Harga pengamatan Y pada percobaan ke-i melebihi atau kurang
dari harga fungsi regresi dengan harga suku sesatan i.
Suku sesatan i dianggap mempunyai variansi 2 yang konstan.
Sehingga Var (Yi ) = 2.
Suku sesatan dianggap tidak berkorelasi, yaitu Cov (i, j) = 0,
sehingga Cov (Yi, Yj) = 0.
Parameter ( o dan 1) dinamakan koefisien regresi.

13
Estimasi Fungsi Regresi

Koefisien regresi  o dan  1 harus diestimasi dari data sampel.

Untuk mendapatkan estimasi yang “baik” dari parameter regresi
 o dan 1, digunakan metode kuadrat terkecil (least squares
method). Untuk setiap pasangan observasi (Xi, Yi), metode ini
memandang harga sesatan.

i = Yi – ( o + 1Xi), i = 1,2,….,n

selanjutnya dihitung jumlah kuadrat dari i ini yaitu :

n n
Q =   i2 =  (Yi   o  1X i ) 2
i 1 i 1

Menurut metode kuadrat terkecil harga-harga estimasi bo dan b1

adalah harga-harga yang membuat Q minimum. Harga estimasi
(penduga) ini dikenal sebagai penduga kuadrat terkecil (PKT). Q
akan minimum jika derivatif parsial Q terhadap  o dan 1
keduanya sama dengan nol, yaitu

Q n
 2 (Yi   0  1X i )
 0 i 1

Q n
 2 X i (Yi   0  1X i )
1 i 1

keduanya harus bernilai nol sehingga diperoleh :

n
I.  (Yi  b 0  b1X i ) = 0
i 1

n
II.  X i (Yi  b 0  b1X i ) = 0
i 1

Sistem persamaan ini dinamakan persamaan normal. Dengan

menyelesaikan persamaan– persamaan normal ini diperoleh :

14
 n n n
n  X i Yi  ( X i )( Yi )
i 1 i 1 i 1
b1  n n
n  X i2  ( X i ) 2
i 1 i 1

1 n 1 n
bo = Y  b1X, di mana X   i
n i1
X dan Y  Y
n i1 i

PKT (Penduga Kuadrat Terkecil) adalah penduga tak bias dan

merupakan fungsi linear dari Yi, yaitu :

E(bo) =  o dan E(b1) = 1

Langkah Menyusun Persamaan Regresi Linier sederhana secara

manual sebagai berikut :

i) Buat tabel untuk perhitungan sebagai berikut

No Xi Yi Xi Yi Xi2

2) Masukkan data ke dalam tabel

3) menghitung bo dan b1 berdasarkan rumus tersebut.
3) menyusun persamaan yang berbentuk Y= bo + b1X
4) menguji keberartian koefisien b1

15
 Contoh 2.4.
Hubungan hasil reaksi kimia dan temperatur.
Tabel 2.5
No Xi Yi Xi Yi Xi2
1 150 77,4 11610 22500
2 150 76,7 11505 22500
3 150 78,2 11730 22500
4 200 84,1 16820 40000
5 200 84,5 16900 40000
6 200 83,7 16740 40000
7 250 88,9 22225 62500
8 250 89,2 27300 62500
9 250 89,7 22425 62500
10 300 94,8 28440 90000
11 300 94,7 28410 90000
12 300 95,9 26770 90000
 2700 1037,8 237875 645000

Rerata 225 86,4833

n n n
n  X i Yi  ( X i )( Yi )
i 1 i 1 i 1
b1  n n
n  X i2  ( X i ) 2
i 1 i 1

12(237875 )  (2700 )(1034,8) 52480

   0,1165
12(645000 )  (2700) 2 450000

b0 = 86,4833 – (0,1165)(225) = 60,2708

Sehingga persamaan regresi estimasinya adalah :
Ŷ  60,2708  0,1165 X

Uji Linieritas Untuk Regresi

Kerapkali harus diuji hipotesis bahwa 1 = 0 (yaitu tidak adanya

hubungan garis lurus variabel Y dan variabel X), yang dikenal
16
dengan uji linieritas. Jika hipotesis 1 = 0 ditolak, artinya
persamaan regresi yang diperoleh tersebut berarti, yaitu dapat
digunakan untuk memprediksi.

Untuk itu hipotesisnya ditulis :

H0 :  1 = 0
H1 :  1  0

Selanjutnya dihitung :
b  1
t= 1 dengan derajat bebas (n – 2)
s ( b1 )
dimana :
s2
s(b1) = n
 (X i  X ) 2
i 1
n
JKS 1
dengan s2 = SKR=
n2
= 
n  2 i 1
(Yi  Ŷi ) 2

untuk menguji linieritas regresi di atas dapat dilakukan

perhitungan sebagai berikut :

Tabel 2.6
No Xi Yi Ŷi Yi- Ŷi (Yi- Ŷi )2

1 150 77,4 77,7458 -0,3458 0,11957764

2 150 76,7 77,7458 -1,0458 1,09369764
3 150 78,2 77,7458 0,4542 0,20629764
4 200 84,1 83,5708 0,5292 0,28005264
5 200 84,5 83,5708 0,9292 0,86341264
6 200 83,7 83,5708 0,1292 0,01669264
7 250 88,9 89,3958 -0,4958 0,24581764
8 250 89,2 89,3958 -0,1958 0,03833764
9 250 89,7 89,3958 0,3042 0,09253764
10 300 94,8 95,2208 -0,4208 0,17700764
11 300 94,7 95,2208 -0,5208 0,27123264
12 300 95,9 95,2208 0,6792 0,46131264
 3,86597698

17
 JKS = 3,86597698
1
SKR = (3,86597698) = 0,386597698
12  2
dari perhitungan dengan menggunakan rumus di atas, diperoleh :

s(b1) = 0,00321
b1 = 0,1165
1 = 0
jadi t = 36,40625 [sebagai t hitung]

Dari tabel, dengan α = 0,05 diperoleh t(10;0,025) = 2,228

[sebagai t tabel]
Karena t hitung > t tabel, maka H0 ditolak, yang berarti 1  0 dan
diyakini bahwa ada hubungan antara X dan Y. Dengan kata
lain ada pengaruh variabel X terhadap variabel Y dengan tingkat
kepercayaan 95%.

2. Regresi Linier Ganda

Sering kali dijumpai dalam penelitian yang menggunakan

analisis regresi, dengan menggunakan lebih dari satu variabel
bebas. Bentuk regresi seperti ini disebut regresi linier ganda atau
sering dikenal dengan istilah regresi ganda. Model umum regresi
linear ganda adalah

Yi =  o +  1xi1 + ….. + p-1xi,p-1 + i

dengan :  o,  1 ….. p-1 parameter-parameter.

i ~ NID

Karena i berjalan dari 1 sampai dengan n maka untuk

menyatakan model ini dengan matriks didefinisikan matriks-
matriks sebagai berikut:

18
  Y1   1 X11 X12 . X1,P 1 
   
 Y2   1 X 21 X 22 . X 2,P 1 
.   1 X 31 X 32 . X 3,P 1 
   
Ynx1 =  .  ,Xnxp = . . . . . 
   . . . . . 
.   
.   . . . . . 
   
 Yn   1 X n1 X n2 . X n ,P 1 

0   1 
   
 1  2 
.  . 
 pxl =   nxl =  
.  . 
   
.  . 
  p 1   
   n

Model umum regresi linear dengan matriks

Ynxl = Xnxp  pxl + nxl
dimana Y : vektor observasi
 : vektor parameter
 ~ NID (0, 2I)
dengan anggapan normalitas ini, sehingga didapat
Y ~ NID (E(Y), 2I)
dengan : E (Y) = X
Var(Y) = 2I, matriks variansi – covariansi dari Y.

Estimator-Estimator Kuadrat Terkecil

Vektor dari estimator-estimator koefisien regresi b0, b1, … bp-1,

ditulis sebagai berikut

19
  b0 
 
 b1 
. 
bpxl =  
. 
 
. 
 b p 1 
 
Persamaan normal untuk model ini,

(X’X)b = X’Y

dan estimator-estimator kuadrat terkecil didapat dari

penyelesaian persamaan normal.

b = (X’X)-1 X’Y

Estimator-estimator ini, tak bias dengan variansi minimum.

Setelah didapat estimator b, selanjutnya dapat dihitung harga-
harga
Ŷi  b 0  b1X i1  ...  b p 1 X ip 1 i = 1,2,…,n

Ŷ nx1 = Xnxpbpx1

 Ŷ1  1 X11 X12 . X1,P 1

   
 Ŷ2   
 1 X 21 X 22 . X 2,P 1 
   
.  1 X 31 X 32 . X 3,P 1
 
Ŷ nx1 =  .  ,Xnxp = . . . . . 
   
.  
. . . . .

   . . . . . 
.   
 Ŷ   1 X n1 X n2 . X n ,P 1 
 n

20
  b0 
 
 b1 
. 
bpxl =  
. 
 
. 
 b p 1 
 

suku sisa ei = Yi - Ŷ i , i = 1,2,….,n .

Banyak data pengamatan yang terjadi sebagai akibat lebih

dari dua variabel. Misalnya, rata-rata pertambahan berat daging
sapi (Y) bergantung pada berat permulaan (X1), (X3) dan
mungkin masih ada faktor lain lagi. Demikian pula, permintaan
barang tertentu di pasar (Y) tidak saja bergantung pada harga
pokok barang itu (X1) tetapi juga dari faktor lain, misalnya harga
barang lain (X2) dan banyaknya pembelian (X3). Secara umum,
data hasil pengamatan Y bisa terjadi akibat variabel-variabel
bebas X1, X2, . . . . , Xk.

Akan ditentukan hubungan antara Y dan X1, X2, . . . , Xk

sehingga didapat regresi Y atas X1, X2, . . . , Xk. Yang akan
ditinjau disini hanyalah garis regresi yang dikenal dengan nama
regresi linear ganda. Model regresi linear ganda atas X1, X2, . .
. , Xk akan ditaksir oleh :

Ŷ = a0 + a1 X1 + a2 X2 + . . . + ak Xk (1)

dengan a0, a1, a2, . . . , ak merupakan koefisien-koefisien yang

harus ditentukan berdasarkan data hasil pengamatan. Mudah
dilihat bahwa regresi linear Ŷ = a + bX merupakan bentuk
istimewa dari Rumus Ŷ = a0 + a1 X1 + a2 X2 + . . . + ak Xk untuk
a2 = a3 = . . . = ak = 0.

Koefisien-koefisien a0, a1, a2, . . . , ak ditentukan dengan

menggunakan metode kuadrat terkecil seperti halnya
menentukan koefisien-koefisien a dan b untuk regresi linier

Ŷ = a + bX.

21
Oleh karena Rumus Ŷ = a0 + a1 X1 + a2 X2 + . . . + ak Xk
berisikan (k + 1) buah koefisen maka a0, a1, a2, . . . , ak didapat
dengan jalan menyelesaikan sistem persamaan yang terdiri atas
(k + 1) buah persamaan. Dapat dibayangkan bahwa untuk ini
diperlukan metode penyelesaian yang lebih baik dan karenanya
memerlukan matematika yang lebih tinggi pula, lebih-lebih
kalau harga k yang menyatakan banyak variabel bebas, cukup
besar, maka harus menggunakan bantuan matriks seperti yang
sudah dibahas di atas.

Cara Lain Menentukan Koefisien Pada Regresi Linier

Ganda

Selain dengan matriks, jika banyaknya variable bebas 2 atau 3

maka untuk menyelesaikan regresi linier ganda dapat
menggunakan rumus di bawah ini,

Untuk regresi linier ganda dengan dua variabel bebas:

Ŷ = a0 + a1 X1 + a2 X2 (2)

misalnya, kita harus menyelesaikan tiga persamaan yang

berbentuk:

 Y1 = a0 n + a1  X1i + a2  X2i

 Y1 X1i = a0  X1i + a1  X1i2 + a2  X1i X2i

 Y1 X2i = a0  X2i + a1  X1i X2i + a2  X2i2 (3)

dan untuk regresi linier ganda dengan tiga variable bebas:

Ŷ = a0 + a1 X1 + a2 X2 + a3 X3 (4)

Yang persamaan harus diselesaikan adalah empat persamaan

dengan empat variabel berbentuk:

 Y1 = a0 n + a1  X1i + a2  X2i + a3  X 3i

 Y1 X1i = a0  X1i + a1  X1i2 + a2  X1i X2i + a3  X1i X3i

 Y1 X2i = a0  X2i + a1  X1i X2i + a2  X2i2 + a3  X2i X3i

22
 Y1 X3i = a0  X3i + a1  X1i X3i + a2  X2i X3i

+ a3  X3i2 (5)

Sistem persamaan dalam Rumus (3) dan Rumus (5) dapat

disederhanakan sedikit, apabila diambil x 1 = ͞X1; x2 = X2 - ͞X2 ;
x3=X3 - ͞X3 dan y = Y - Ῡ

Persamaan dalam Rumus (3) sekarang jadi :

y = a1 x1 + a2 x2 (6)

Sedangkan dalam rumus (4) menjadi:

y = a1 x1 + a2 x2 + a3 x3 (7)

Koefisien-koefisien a1 dan a2 untuk persamaan 6 sekarang dapat

dihitung dari:

 yi x1i = a1  x1i2 + a2  x1i x2i

 yi x2i = a1  x1i x2i + a2  x2i2 (8)

Sedangkan koefisien-koefisien a1, a2 dan a3 untuk persamaan 7

dapat dihitung dari:

 yi x1i = a1  x1i2 + a2  x1i x2i + a3  x1i x3i

 yi x2i = a1  x1i x2i + a2  x2i2 + a3  x2i x3i

 yi x3i = a1  x1i x3i + a2  x2i x3i + a3  x3i2 (9)

Dengan menggunakan x1, x2, x3 dan y yang baru ini juga, khusus
untuk persamaan (3), kecuali menggunakan Persamaan (9),
koefisien-koefisien a0, a1, dan a2 dapat pula dihitung dengan
menggunakan:

a0 = ͞Y – a1 ͞X1 – a2 ͞X2

(∑ 𝒙 𝟐𝟐𝒊)(∑ 𝒙𝟏𝒊 𝒚𝒊 )−(∑ 𝒙𝟏𝒊 𝒙𝟐𝒊 )(∑ 𝒙𝒙𝟐𝒊 𝒚𝒊 )

a1 = (∑ 𝒙𝟐𝟏𝒊 )(∑ 𝒙𝟐𝟐𝒊 )−(∑ 𝒙𝟏𝒊 𝒙𝟐𝒊 )𝟐

23
 (∑ 𝒙𝟐𝟏 )(∑ 𝒙𝟐𝒊 𝒚𝒊 )− (∑ 𝒙𝟏𝒊 𝒙𝟐𝒊 )(∑ 𝒙𝟏𝒊 𝒚𝒊 )
a2 = 𝟐 𝟐 (10)
(∑ 𝒙𝟏𝒊 )(∑ 𝒙𝟐𝒊 )− (∑ 𝒙𝟏𝒊 𝒙𝟐𝒊 )𝟐

Harga-harga a0, a1 dan a2 yang didapat, langsung disubstitusi ke

dalam Persamaan (2) dan diperoleh model regresi ganda Y atas
X1 dan X2.

Dalam regresi linier Y = a + bX, telah kita lihat bahwa

koefisien b berarti perubahan rata-rata Y untuk setiap perubahan
satu unit variabel X. Jika X dalam ribuan rupiah sedangkan Y
dalam rupiah misalnya, maka berarti bahwa Y akan berubah
rata-rata sebesar b rupiah untuk setiap ribuan rupiah perubahan
X. Perubahan rata-rata y bertambah apabila tanda b positif dan
berkurang untuk tanda b negatif.

Hal yang serupa berlaku pula untuk regresi linier ganda

dengan memperhatikan adanya variabel-variabel X yang lain.
Demikianlah untuk Rumus (1), maka a1 berarti perubahan rata-
rata Y untuk setiap perubahan satuan dalam variabel X 1 apabila
X2, X3, . . . , Xk semuanya dianggap tetap, a2 menyatakan
perubahan rata-rata Y untuk setiap perubahan satuan dalam
variabel X2 apabila X1, X3, X4, . . . ,Xk tetap dan begitu seterusnya.
Jelas bahwa disini X, setiap koefisien hanya memberikan
gambaran parsial apa yang terjadi pada Y untuk perubahan X
yang berhubungan dengan koefisien dimaksud. Karenanya,
koefisien-koefisien a1, a2, . . . , ak disebut pula koefisien regresi
parsial.

Sejalan dengan regresi linier Y = a + bX, dimana kita dapat

mengukur dispersi data Y sekitar garis regresi Y atau X, maka di
sini pun berlaku hal yang sama. Dalam hal regresi linier, ukuran
tesebut ditentukan oleh kekeliruan baku taksiran sy.x yang
2
ditentukan oleh rumus sy.x = se2 = ∑(Y1 − Ŷi )2 / (n-2). Untuk
regresi linier ganda dalam Rumus (1), maka aturan yang dapat
digunakan adalah kekeliruan baku taksiran s y.1,2,...,k dengan
rumus:

24
 2 ∑(Yi −Ŷi )2
sy.1.2,…k = (11)
n−k−1

dimana Yi = nilai data hasil pengamatan dan Ŷi didapat dari

regresi dalam Rumus (1) yang telah dihitung berdasarkan data
sampel berukuran n.

Contoh 2.5.
Misalkan kita melakukan pengamatan terhadap 10 keluarga
mengenai
X1 = pendapatan dalam ribuan rupiah
X2 = besar keluarga dalam satuan jiwa
Y = pengeluaran untuk membeli barang A dalam ratusan rupiah.

Data hasil pengamatan diberikan dalam daftar berikut.

Tabel 2.7
Daftar Pengeluaran, Pendapatan dan Banyak Jiwa
Untuk 10 Keluarga
X1 10 2 4 6 8 7 4 6 7 6
X2 7 3 2 4 6 5 3 3 4 3
Y 23 7 15 17 23 22 10 14 20 19

Akan ditentukan model regresi linier ganda sehingga kita dapat

meramalkan pengeluaran untuk membeli barang A jika
diketahui pendapatan dan besar keluarga.
Persamaan yang dicari, bentuk umumnya seperti dalam Rumus
(2) dan untuk menentukan ao, a1, dan a2 kita buat daftar berikut.

25
 Tabel 2.8
MENGHITUNG a0, a1 DAN a2

Kel. Y1 X1i X2i X1iYi X2iYi X1iY2i X21i X22i

1 23 10 7 230 161 70 100 49
2 7 2 3 14 21 6 4 9
3 15 4 2 60 30 8 16 4
4 17 6 4 102 68 24 36 16
5 23 8 6 184 138 48 64 36
6 22 7 5 154 110 35 49 25
7 10 4 3 40 30 12 16 9
8 14 6 3 84 42 18 36 9
9 20 7 4 140 80 28 49 16
10 19 6 3 114 57 18 36 9
Jum 170 60 40 1122 737 267 406 182
Dari data di atas didapat harga-harga:
 Yi = 170,  Xi = 60,  X2i = 40,  X1i Yi = 1122
 X2i Y = 737,  X1i X2i = 267,  𝑋12 i = 406,  𝑋22 i = 182
dan n = 10
Rumus 3 memberikan sistem persamaan:
170 = 10a0 + 60a1 + 40a2
1122 = 60a0 + 40a1 + 267a2
737 = 40a0 + 267a1 + 182a2

Setelah diselesaikan, maka didapat koefisien-koefisien a0 = 3,92,

a1 = 2,50 dan a2 = -0,48 sehingga persamaan regresi linier ganda
yang dicari adalah:

Ŷ = 3,92 + 2,50 X1 – 0,48 X2

Berdasar regresi yang didapat ini, kita dapat menaksir
pengeluaran untuk membeli barang A jika keluarga yang terdiri
atas empat orang berpenghasilan Rp 6.000,00. Ini berarti X 1 = 6
dan X2 = 4 harus disubstitusikan ke dalam persamaan dimuka.
Hasilnya:

Ŷ = 3,92 + (2,50)(6) – (0,48)(4) = 17

26
Diperkirakan rata-rata pengeluaran sebesar Rp 1.700 untuk
keluarga berjiwa empat dengan penghasilan Rp 6.000.

Untuk menghitung kekeliruan baku taksiran s y.1.2, diperlukan

harga-harga Ŷ yang didapatdai persamaan regresi di atas untuk
tiap harga X1 dan X2 yang diketahui. Dengan data dari Daftar
Pengeluaran Pendapatan dan Banyak Jiwa untuk 10 Keluarga
dan persamaan regresi di atas, didapat daftar berikut:

Tabel 2.9
X1i X2i Yi Ŷi Yi – Ŷi (Yi - Ŷi)𝟐
10 7 23 25,56 -2,56 6,5536
2 3 7 7,48 -0,48 0,2304
4 2 15 12,96 2,04 4,1616
6 4 17 17,00 0 0
8 6 23 21,04 1,96 3,8416
7 5 22 19,02 2,98 8,8804
4 3 10 12,48 -2,48 6,1504
6 3 14 17,48 -3,48 12,1104
7 4 20 19,50 0,50 0,2500
6 3 19 17,48 1,52 2,3104
Jumlah - - - 44,4888

Dari tabel 2.8 dengan k = 2, n = 10 dan  (Yi - Ŷi)2 = 44,4888

berdasarkan persamaan (11) didapat:

44,4888
𝑠𝑦2 1.2 = = 6,3555
7
Contoh 2.6.
Data berikut menyatakan adanya unsur Y apabila unsur-unsur
lainnya X1, X2 dan X3 diketahui. Satuan unsur semuanya
dinyatakan dalam gram.

27
 Tabel 2.9
PENGAMATAN X1i X2i X3i Y
1 10,1 31 117 93
2 9,4 44 46 81
3 23,1 46 114 96
4 0,4 53 158 64
5 3,1 19 37 71
6 4,7 24 59 54
7 21,6 44 73 93
8 0,4 23 163 60
9 29,9 51 124 99
10 1,9 36 143 54
11 0,6 34 157 61
12 26,8 58 202 168
13 23,1 56 168 95
14 11,6 29 173 93
15 1,7 65 123 73
16 23,1 50 134 77
17 12,6 58 112 51
18 10,9 37 111 76
Jumlah 215,0 758 2214 1463

Untuk menentukan persamaan regresi linier ganda dengan

seperti persamaan (4) menggunakan sistem persamaan (9)
untuk mencari koefisien-koefisien regresinya. Harga-harga yang
diperlukan adalah:

x1 = 11,94; x2 = 42,11; x3 = 123

y = 81,28;  𝑋1𝑖
2
= 1.752,96;  𝑋2𝑖
2
= 3.155,78;

 𝑋3𝑖
2
= 35,572;  x1i y2i = 1.085,61;  x1i x3i = 1.200;

 x2i x3i = 3,364;  x1i y3i = 3.231,48;

 x2i yi = 2.216,44;  x3i yi = 7.593; dan n = 18.

28
Jika harga-harga di atas disubstitusikan ke dalam persamaan (9)
didapat sistem persamaan:

3.231,48 = 1.752,96 a1 + 1.085,61 a2 + 1.200 a3

2.216,44 = 1.085,61 a1 + 3.155,78 a2 + 3.364 a3

7.593 = 1.200 a1 + 3.364 a2 + 35.572 a3

Setelah diselesaikan diperoleh harga-harga:

a1 = 1,7848; a2 = -0,0834 dan a3 = 0,1611

Jika harga-harga ini disubstitusikan ke dalam persamaan (7) kita

dapatkan:

y = 1,7848 x1 – 0,0834 x2 + 0,1611 x3

Ini memberikan regresi Y atas X1, X2 dan X3 berbentuk:

Ŷ-̅ Y = 1,7848 (X1 - ̅

X1) – 0,0834 (X2 - ̅
X 2) + 0,1611 (X3 - ̅
X3)
atau

Ŷ = 43,67 + 1,7848 X1 – 0,0834 X2 + 0,1611 X3

Ketika melakukan pengujian koefisien b tersebut untuk regresi

linear sederhana Ŷ = a + bX menggunakan statistik F yang
dibentuk dari hasil bagi varians regresi S 2reg oleh varians residu
S2res. Demikian pula halnya untuk menguji koefisien regresi
linear ganda.

Jika x1i = X1i - 𝑋̅1, x2i = X2i - 𝑋̅2, . . . . . . , xki = Xki - 𝑋̅k dan yi = Y2i -
𝑌̅ dan rumus Ŷ = a0 + a1 X1 + a2 X2 + . . . + ak Xk,
maka jumlah kuadrat-kuadrat regresi (JKreg) dapat dihitung dari :

JKreg = a1 x1i yi + a2  x2i yi + .... + ak  xki yi (12)

dengan derajat kebebasan dk = k.

Adapun jumlah kuadrat-kuadrat residu (JKres) dihitung dari :

JKres =  (Y – Ŷ1)2 (13)

29
 dengan Ŷ1 didapat dari Persamaan JKreg = a1 x1i yi + a2  x2i yi
+ .... + ak  xki yi untuk harga-harga sampel X1, X2, ..... , Xk

sedangkan derajat kebebasannya dk = k (n – 1 – k) untuk sampel

berukuran n. Statistik F yang diperoleh adalah :
JKreg /k
F = JK (14)
res /(n−k−1)

Contoh 2.7.
Dengan menggunakan Daftar 1,
Ŷ = 3,92 + 2,50 X1 – 0,84 X2.

Untuk mendapatkan JK yang datanya, substitusikan harga-harga

X1 dan X2 dalam Daftar 1 ke dalam persamaan regresi yang
didapat, Hitung semua harga x1i, x2i dan yi , kemudian cari
besaran-besaran yang diperlukan.

Tabel 2.10
DAFTAR HARGA-HARGA YANG PERLU UNTUK
UJI REGRESI (͞X1 = 6, ͞X2 = 4 dan Ῡ = 17)

X1i X2i Yi x1i x2i yi x1i yi x2i yi Ŷ1 Y1-Ŷ1 (Y1-Ŷ1)𝟐

10 7 23 4 3 6 24 18 25,56 -2,56 6,5536
2 3 7 -4 -1 - 40 10 7,48 -0,48 0,2304
4 2 15 -2 -2 10 4 4 12,96 2,04 4,1616
6 4 17 0 0 -2 0 0 17,00 0,00 0,0000
8 6 23 2 2 0 12 12 21,04 1,96 3,8416
7 5 22 1 1 6 5 5 19,02 2,98 8,8804
4 3 10 -2 -1 5 14 7 12,48 -2,48 6,1504
6 3 14 0 -1 -7 0 3 17,48 -3,48 12,1104
7 4 20 1 0 -3 3 0 19,50 -0,50 0,2500
6 3 19 0 -1 3 0 -2 17,48 1,52 2,3104
2
Jumlah - - - 102 57 - - 44,4888

30
Dengan menggunakan persamaan (12) didapat:
JKreg = (2,50)(102) + (-0,48)(57) = 227,64
dan dari jumlah kolom akhir diperoleh:
JKres = 44,4888.
Rumus (14) menghasilkan statistik:
227,64/2
F= =17,91
44,4888/7

Dari daftar distribusi F dengan dk pembilang = 2, dk penyebut =

7 dan  = 0,05 didapat F = 4,74.
Karena F hit = 17,91 lebih besar dari F tab= 4,74, kesimplannya
bahwa koefisien regresi linier ganda Y atas X1 dan X2 adalah
berarti.

Regresi Ŷ = 3,92 + 2,50 X1 + 0,84 X2 secara berarti dapat

digunakan untuk prediksi rata-rata Y apabila X1 dan X2
diketahui.

31
 Tabel t
Uji 2 Pihak, =0,05
dk t0,05 dk t0,05 dk t0,05 dk t0,05 dk t0,05 dk t0,05
- - 49 2.010 99 1.984 149 1.976 199 1.972 249 1.970
- - 50 2.009 100 1.984 150 1.976 200 1.972 250 1.969
1 12.706 51 2.008 101 1.984 151 1.976 201 1.972 251 1.969
2 4.303 52 2.007 102 1.983 152 1.976 202 1.972 252 1.969
3 3.182 53 2.006 103 1.983 153 1.976 203 1.972 253 1.969
4 2.776 54 2.005 104 1.983 154 1.975 204 1.972 254 1.969
5 2.571 55 2.004 105 1.983 155 1.975 205 1.972 255 1.969
6 2.447 56 2.003 106 1.983 156 1.975 206 1.972 256 1.969
7 2.365 57 2.002 107 1.982 157 1.975 207 1.971 257 1.969
8 2.306 58 2.002 108 1.982 158 1.975 208 1.971 258 1.969
9 2.262 59 2.001 109 1.982 159 1.975 209 1.971 259 1.969
10 2.228 60 2.000 110 1.982 160 1.975 210 1.971 260 1.969
11 2.201 61 2.000 111 1.982 161 1.975 211 1.971 261 1.969
12 2.179 62 1.999 112 1.981 162 1.975 212 1.971 262 1.969
13 2.160 63 1.998 113 1.981 163 1.975 213 1.971 263 1.969
14 2.145 64 1.998 114 1.981 164 1.975 214 1.971 264 1.969
15 2.131 65 1.997 115 1.981 165 1.974 215 1.971 265 1.969
16 2.120 66 1.997 116 1.981 166 1.974 216 1.971 266 1.969
17 2.110 67 1.996 117 1.980 167 1.974 217 1.971 267 1.969
18 2.101 68 1.995 118 1.980 168 1.974 218 1.971 268 1.969
19 2.093 69 1.995 119 1.980 169 1.974 219 1.971 269 1.969
20 2.086 70 1.994 120 1.980 170 1.974 220 1.971 270 1.969
21 2.080 71 1.994 121 1.980 171 1.974 221 1.971 271 1.969
22 2.074 72 1.993 122 1.980 172 1.974 222 1.971 272 1.969
23 2.069 73 1.993 123 1.979 173 1.974 223 1.971 273 1.969
24 2.064 74 1.993 124 1.979 174 1.974 224 1.971 274 1.969
25 2.060 75 1.992 125 1.979 175 1.974 225 1.971 275 1.969
26 2.056 76 1.992 126 1.979 176 1.974 226 1.971 276 1.969
27 2.052 77 1.991 127 1.979 177 1.973 227 1.970 277 1.969
28 2.048 78 1.991 128 1.979 178 1.973 228 1.970 278 1.969
29 2.045 79 1.990 129 1.979 179 1.973 229 1.970 279 1.969
30 2.042 80 1.990 130 1.978 180 1.973 230 1.970 280 1.968
31 2.040 81 1.990 131 1.978 181 1.973 231 1.970 281 1.968
32 2.037 82 1.989 132 1.978 182 1.973 232 1.970 282 1.968
33 2.035 83 1.989 133 1.978 183 1.973 233 1.970 283 1.968
34 2.032 84 1.989 134 1.978 184 1.973 234 1.970 284 1.968
35 2.030 85 1.988 135 1.978 185 1.973 235 1.970 285 1.968
36 2.028 86 1.988 136 1.978 186 1.973 236 1.970 286 1.968
37 2.026 87 1.988 137 1.977 187 1.973 237 1.970 287 1.968
38 2.024 88 1.987 138 1.977 188 1.973 238 1.970 288 1.968
39 2.023 89 1.987 139 1.977 189 1.973 239 1.970 289 1.968
40 2.021 90 1.987 140 1.977 190 1.973 240 1.970 290 1.968
41 2.020 91 1.986 141 1.977 191 1.972 241 1.970 291 1.968
42 2.018 92 1.986 142 1.977 192 1.972 242 1.970 292 1.968
43 2.017 93 1.986 143 1.977 193 1.972 243 1.970 293 1.968
44 2.015 94 1.986 144 1.977 194 1.972 244 1.970 294 1.968
45 2.014 95 1.985 145 1.976 195 1.972 245 1.970 295 1.968
46 2.013 96 1.985 146 1.976 196 1.972 246 1.970 296 1.968
47 2.012 97 1.985 147 1.976 197 1.972 247 1.970 297 1.968
48 2.011 98 1.984 148 1.976 198 1.972 248 1.970 298 1.968

Sumber: Diolah dengan Excel, Formula: =TINV(probability,deg_freedom)

32
 Tabel F
=0,05
dk Pembilang (k)
dk
Penyebut
1 161.45 199.50 215.71 224.58 230.16 233.99 236.77 238.88 240.54 241.88
1 2 3 4 5 6 7 8 9 10
2
(n-k-1) 18.51 19.00 19.16 19.25 19.30 19.33 19.35 19.37 19.38 19.40
3 10.13 9.55 9.28 9.12 9.01 8.94 8.89 8.85 8.81 8.79
4 7.71 6.94 6.59 6.39 6.26 6.16 6.09 6.04 6.00 5.96
5 6.61 5.79 5.41 5.19 5.05 4.95 4.88 4.82 4.77 4.74
6 5.99 5.14 4.76 4.53 4.39 4.28 4.21 4.15 4.10 4.06
7 5.59 4.74 4.35 4.12 3.97 3.87 3.79 3.73 3.68 3.64
8 5.32 4.46 4.07 3.84 3.69 3.58 3.50 3.44 3.39 3.35
9 5.12 4.26 3.86 3.63 3.48 3.37 3.29 3.23 3.18 3.14
10 4.96 4.10 3.71 3.48 3.33 3.22 3.14 3.07 3.02 2.98
11 4.84 3.98 3.59 3.36 3.20 3.09 3.01 2.95 2.90 2.85
12 4.75 3.89 3.49 3.26 3.11 3.00 2.91 2.85 2.80 2.75
13 4.67 3.81 3.41 3.18 3.03 2.92 2.83 2.77 2.71 2.67
14 4.60 3.74 3.34 3.11 2.96 2.85 2.76 2.70 2.65 2.60
15 4.54 3.68 3.29 3.06 2.90 2.79 2.71 2.64 2.59 2.54
16 4.49 3.63 3.24 3.01 2.85 2.74 2.66 2.59 2.54 2.49
17 4.45 3.59 3.20 2.96 2.81 2.70 2.61 2.55 2.49 2.45
18 4.41 3.55 3.16 2.93 2.77 2.66 2.58 2.51 2.46 2.41
19 4.38 3.52 3.13 2.90 2.74 2.63 2.54 2.48 2.42 2.38
20 4.35 3.49 3.10 2.87 2.71 2.60 2.51 2.45 2.39 2.35
21 4.32 3.47 3.07 2.84 2.68 2.57 2.49 2.42 2.37 2.32
22 4.30 3.44 3.05 2.82 2.66 2.55 2.46 2.40 2.34 2.30
23 4.28 3.42 3.03 2.80 2.64 2.53 2.44 2.37 2.32 2.27
24 4.26 3.40 3.01 2.78 2.62 2.51 2.42 2.36 2.30 2.25
25 4.24 3.39 2.99 2.76 2.60 2.49 2.40 2.34 2.28 2.24
26 4.23 3.37 2.98 2.74 2.59 2.47 2.39 2.32 2.27 2.22
27 4.21 3.35 2.96 2.73 2.57 2.46 2.37 2.31 2.25 2.20
28 4.20 3.34 2.95 2.71 2.56 2.45 2.36 2.29 2.24 2.19
29 4.18 3.33 2.93 2.70 2.55 2.43 2.35 2.28 2.22 2.18
30 4.17 3.32 2.92 2.69 2.53 2.42 2.33 2.27 2.21 2.16
31 4.16 3.30 2.91 2.68 2.52 2.41 2.32 2.25 2.20 2.15
32 4.15 3.29 2.90 2.67 2.51 2.40 2.31 2.24 2.19 2.14
33 4.14 3.28 2.89 2.66 2.50 2.39 2.30 2.23 2.18 2.13
34 4.13 3.28 2.88 2.65 2.49 2.38 2.29 2.23 2.17 2.12
35 4.12 3.27 2.87 2.64 2.49 2.37 2.29 2.22 2.16 2.11
36 4.11 3.26 2.87 2.63 2.48 2.36 2.28 2.21 2.15 2.11
37 4.11 3.25 2.86 2.63 2.47 2.36 2.27 2.20 2.14 2.10
38 4.10 3.24 2.85 2.62 2.46 2.35 2.26 2.19 2.14 2.09
39 4.09 3.24 2.85 2.61 2.46 2.34 2.26 2.19 2.13 2.08
40 4.08 3.23 2.84 2.61 2.45 2.34 2.25 2.18 2.12 2.08
41 4.08 3.23 2.83 2.60 2.44 2.33 2.24 2.17 2.12 2.07
42 4.07 3.22 2.83 2.59 2.44 2.32 2.24 2.17 2.11 2.06
43 4.07 3.21 2.82 2.59 2.43 2.32 2.23 2.16 2.11 2.06
44 4.06 3.21 2.82 2.58 2.43 2.31 2.23 2.16 2.10 2.05
45 4.06 3.20 2.81 2.58 2.42 2.31 2.22 2.15 2.10 2.05
46 4.05 3.20 2.81 2.57 2.42 2.30 2.22 2.15 2.09 2.04
47 4.05 3.20 2.80 2.57 2.41 2.30 2.21 2.14 2.09 2.04
48 4.04 3.19 2.80 2.57 2.41 2.29 2.21 2.14 2.08 2.03
49 4.04 3.19 2.79 2.56 2.40 2.29 2.20 2.13 2.08 2.03
50 4.03 3.18 2.79 2.56 2.40 2.29 2.20 2.13 2.07 2.03
51 4.03 3.18 2.79 2.55 2.40 2.28 2.20 2.13 2.07 2.02
52 4.03 3.18 2.78 2.55 2.39 2.28 2.19 2.12 2.07 2.02
53 4.02 3.17 2.78 2.55 2.39 2.28 2.19 2.12 2.06 2.01
54 4.02 3.17 2.78 2.54 2.39 2.27 2.18 2.12 2.06 2.01
55 4.02 3.16 2.77 2.54 2.38 2.27 2.18 2.11 2.06 2.01

33
Tabel r Product Moment
=0,05
n dk=n-2 t-tabel r-tabel
1 - - -
2 - - -
3 1 12.706 0.997
4 2 4.303 0.950
5 3 3.182 0.878
6 4 2.776 0.811
7 5 2.571 0.754
8 6 2.447 0.707
9 7 2.365 0.666
10 8 2.306 0.632
11 9 2.262 0.602
12 10 2.228 0.576
13 11 2.201 0.553
14 12 2.179 0.532
15 13 2.160 0.514
16 14 2.145 0.497
17 15 2.131 0.482
18 16 2.120 0.468
19 17 2.110 0.456
20 18 2.101 0.444
21 19 2.093 0.433
22 20 2.086 0.423
23 21 2.080 0.413
24 22 2.074 0.404
25 23 2.069 0.396
26 24 2.064 0.388
27 25 2.060 0.381
28 26 2.056 0.374
29 27 2.052 0.367
30 28 2.048 0.361
31 29 2.045 0.355
32 30 2.042 0.349
33 31 2.040 0.344
34 32 2.037 0.339
35 33 2.035 0.334
36 34 2.032 0.329
37 35 2.030 0.325
38 36 2.028 0.320
39 37 2.026 0.316
40 38 2.024 0.312
41 39 2.023 0.308
42 40 2.021 0.304
43 41 2.020 0.301
44 42 2.018 0.297
45 43 2.017 0.294

34