STATSTIK
tentang
“Teknik pengambilan sampling dan menentukan besar anggota sampling.”
Dosen Pembimbing
TRIANDA FARHAN SATRIA,ST.,M.T
Tim Penulis
i
DAFTAR ISI
KATA PENGATAR.......................................................................................i
DAFTAR ISI ..................................................................................................ii
BAB I PENDAHULUAN...............................................................................3
A. Latar Belakang ..........................................................................................3
B. Rumusan Masalah......................................................................................3
C. Tujuan Masalah.........................................................................................4
BAB II PEMBAHASAN............................................................................................4
A. Teknik pengambilan sampling .............................................................4
B. Menentukan besar anggota sampling ...................................................18
ii
0
BAB I
PENDAHULUAN
A. Latar Belakang
B. Rumusan Masalah
1
BAB II
PEMBAHASAN
Istilah regresi pertama kali dalam konsep statistik digunakan oleh Sir
Francis Galton pada tahun 1886 di mana yang bersangkutan melakukan kajian
yang menunjukkan bahwa tinggi badan anak-anak yang dilahirkan dari para orang
tua yang tinggi cenderung bergerak (regress) ke arah ketinggian rata-rata populasi
secara keseluruhan. Galton memperkenalkan kata regresi (regression) sebagai
nama proses umum untuk memprediksi satu variabel, yaitu tinggi badan anak
dengan menggunakan variabel lain, yaitu tinggi badan orang tua.1
Sehingga dapat disimpulkan bahwa regresi linear sederhana (RLS)
merupakan alat statistik yang digunakan untuk mengetahui pengaruh antara satu
variabel bebas terhadap satu variabel terikat. Variabel bebas dapat pula disebut
dengan istilah prediktor atau variabel independen (x) dan variabel terikat sering
disebut dengan istilah kriterium atau variabel dependen (y).
Penerapan regresi linear sederhana dapat ditemukan secara luas di
berbagai bidang seperti bidang pertanian, ekonomi, medis dan pendidikan. Contoh
penggunaan regresi linear sederhana di berbagai bidang, antara lain:
1. Pengaruh jumlah pupuk terhadap produksi pertanian
2. Pengaruh daya beli masyarakat terhadap hasil penjualan saham
3. Pengaruh penghasil terhadap tingkat inflansi
4. Pengaruh citra perusahaan terhadap minat beli pelanggan
5. Pengaruh rokok terhadap kanker paru-paru
6. Pengaruh lamanya belajar terhadap nilai ujian
7. Pengaruh IQ terhadap IPK
8. Pengaruh berat badan terhadap tekanan darah
1
Jonathan Warsono, “Mengenal apa itu Analisis Regresi”,
http://www.jonathansarwono.info/regresi/regresi.htm (Diakses pada 30 November 2023, pukul
20.00 WIB)
2
Secara umum, persamaan regresi linear sederhana dapat ditulis sebagai
berikut:
^y = β^ 0 + β^ 1 x . (1)
3
mahasiswa ingin mengetahui pengaruh berat badan terhadap tinggi badan. Dari
contoh di atas dapat diketahui bahwa:
x: Berat badan (variabel dependen)
y: Tinggi badan (variabel independen)
2. Uji Kenormalan
Uji kenormalan pada regresi digunakan untuk menguji apakah nilai
residual yang dihasilkan dari regresi terdistribusi secara normal atau tidak.
Model regresi yang baik adalah yang memiliki nilai residual yang
terdistribusi secara normal. Langkah-langkah uji kenormalan:
Langkah 1: Hipotesis
Ho: Data berdistribusi normal
H1: Data tidak berditribusi normal
Langkah 2: Tingkat Signifikansi (α )
Langkah 3: Uji statistik
Langkah 4: Keputusan Terima Ho jika Asymp. Sim > α
Langkah 5: Kesimpulan.
4
menetapkan tipe persamaan yang menunjukkan hubungan antara kedua variabel
tersebut.
(∑ )
n 2
yi
n
(2)
S yy =∑ y − 2 i =1
i
i=1 n
2. Estimasi interval dari parameter x (Sxx)
(∑ )
n 2
xi
n
(3)
S xx =∑ x − 2 i =1
i
i=1 n
3. Estimasi interval dari parameter x (Sxy)
(∑ )(∑ )
n n
xi yi
n
(4)
S xy =∑ x i y i−
i=1 i=1
i=1 n
Maka koefisien korelasi antara x dan y adalah
n S xy
r =n ∑ x i y i−¿ ¿ ¿ =
i=1 √ S xx S yy
5
r =0 Tidak ada hubungan linear
Berdasarkan tabel 1.1 maka dapat dilihat korelasi dalam scatter plot di
bawah ini:
Hubungan linear positif Hubungan linear positif sempurna Hubungan linear negatif kuat
kuat
Hubungan korelasi parabolic Hubungan korelasi parabolic Tidak ada hubungan antara x
dan y
Gambar 1.3 Korelasi
Koefisien regresi
β 0 dan β 1 merupakan parameter dan nilainya tidak
diketahui, tetapi parameter tersebut dapat diestimimasi dari data sampel. Ada 2
metode estimasi yang biasa digunakan untuk mengestimasinya, yaitu:
a. Metode kuadrat Terkecil/Ordinary least square (OLS)
b. Metode Maksimum Likelihood (MML). 2
Dalam hal ini, metode yang akan digunakan adalah Metode kuadrat
Terkecil/Ordinary least square (OLS).
6
Dengan,
e i= y i− ^y
SSE merupakan jumlah kuadrat kesalahan kesalahan garis regresi,
sehingga:
n
SSE=∑ (e i)2 (6)
i=1
n
∂∑ (ei )
2
i=1
=0
∂ ^β 0
n
∂ ∑ ( y i−^y )
2
i=1
=0
∂ ^β0
i=1
=0
∂ ^β 0
n
−2 ∑ ( y i − ^β 0− ^β 1 x i )=0
i=1
∑ ( y i− ^β 0− β^ 1 xi )=0
i=1
n n n
∑ yi −∑ ^β 0−∑ β^ 1 x i=0
i=1 i=1 i=1
n n
∑ yi −n ^β 0−∑ ^β 1 x i=0
i=1 i=1
7
n n
∑ yi ∑ xi
i=1
− ^β 0− ^β 1 i=1 =0
n n
y− β^ 0 − ^β1 x=0
Sehingga diperoleh ^β 0:
^β = y − ^β x (7)
0 1
i=1 =0
∂ ^β 1
n
∂ ∑ ( y i−^y )
2
i=1
=0
∂ ^β1
n
∂ ∑ ( y i− β^ 0 − ^β1 x i)
2
i=1
=0
∂ ^β 1
n
2 ∑ ( y i− ^β0 − ^β 1 x i ) (−x i )=0
i=1
∑ ( y i− ^β 0− β^ 1 xi ) (−x i ) =0
i=1
n n n
−∑ x i y i+ β^ 0 ∑ x i+ ^β1 ∑ x 2i =0
i=1 i=1 i=1
8
n n n
−∑ x i y i+ ( y− β^ 1 x ) ∑ x i + ^β 1 ∑ x 2i =0
i=1 i=1 i=1
( )
n n
n ∑ yi ∑ xi n n
−∑ x i y i+ − ^β1 ∑ x i + ^β 1 ∑ x i =0
i=1 i =1 2
n n n
2
n ∑ yi ∑ xi (∑ x i) n
−∑ x i y i+¿ i=1 i=1
− β^ 1 i=1
+ β^ 1 ∑ x 2i =0 ¿
i=1 n n i=1
( )
n n n n 2 n
−n ∑ x i y i+ ∑ x i ∑ y i− β^ 1 ∑ xi +n β^ 1 ∑ x2i =0
i=1 i =1 i=1 i=1 i=1
( (∑ ) )
n n 2
( (∑ ) )
n n 2 n n n
^β n ∑ x 2− xi =n ∑ x i y i−∑ xi ∑ y i
1 i
i=1 i=1 i=1 i=1 i=1
Sehingga diperoleh:
n n n
n ∑ xi y i−∑ x i ∑ y i
S xy
^β 1= i=1 i=1 i=1
= (8)
(∑ )
n n 2
S xx
n∑ x − 2
i xi
i=1 i =1
9
β0
Dalam Diagnostic Checking akan dilakukan uji hipotesis terhadap
dan β 1 , untuk apakah ada hubungan linear yang signifikan antara variabel
Uji Linearitas (Intercept)
Langkah 1: Hipotesis
H 0 : β0 =0
H 1 : β0 ≠0
β 0 <0
β 0 >0
t α /2,n−2
Mencari nilai t-tabel:
10
Langkah 5: Kesimpulan
Uji Signifikansi (Slope)
Langkah 1: Hipotesis
H 0 : β1 =0
H 1 : β1 ≠0
β 1 <0
β 1 >0
t α /2,n−2
Mencari nilai t-tabel:
11
¿
SSE=S yy −β 1 S xy ¿
SSE
MSE=
n−2
Langkah 5: Kesimpulan
Error SSE n-
F=MSR/MSE
2 p-value
MSE=SSE/(n-2)
Total SST n-
n
SSR=∑ ( ^y − y )
2
i=1
n
SSE=∑ ( y i−^y )
2
i=1
n
SST =∑ ( y i− y )
2
i=1
12
Uji Kesesuaian Model (Uji Linearitas)
Langkah 1: Hipotesis
H 0 : β1 =0
H 1 : β1 ≠0
β 1 <0
β 1 >0
maka terima Ho
Jika p−value>α
Langkah 5: Kesimpulan.
13
7 3.68 12
8 2.32 2
9 3.01 6
...
29 3.85 6
14
Untuk data variabel x, nilai p-value (0.157) >α = (0.05)
maka terima H0.
c. Scatter plot
Cara sederhana untuk melihat pola hubungan antara variabel y dan x dengan
menggunakan diagram sebar (scetter diagram). Dengan menggunakan
Aplikasi Minitab, klik Grap-scatterplot-simple- lalu masukkan variabel x dan
variabel y - klik OK, maka akan muncul output sebagai berikut:
15
Gambar 1.6 Scatter Plot
Dari diagram di atas, kita dapat melihat hubungan antara lamanya
waktu mengerjakan tugas (x) dengan nilai IPK (y) (korelasi). Akan tetapi,
data tersebut tidak membentuk garis linear, sehingga kita tidak dapat
menyimpulkan bahwa lamanya waktu mengerjakan tugas (x) berpangaruh
atau tidak terhadap nilai IPK (y).
d. Korelasi
Klik menu Stat-Basic statistic-correlation-klik OK. Maka akan muncul
output sebagai berikut:
e. Estimasi Parameter
Klik stat-klik regression-klik regression-fit regression model-klik ok. Maka
akan muncul output sebagai berikut:
Dari Gambar 1.8 di atas, maka dapat diketahui nilai estimasi parameter
β 0=2.806 dan β 0=0.0266 .
16
Langkah 1: Hipotesis
H 0 : β0 =0
H 1 : β0 ≠0
α =5 %
Langkah 5: Kesimpulan
17
Uji Signifikansi (Slope)
Langkah 1: Hipotesis
H 0 : β0 =0
H 1 : β0 ≠0
Langkah 4: Kesimpulan
regresi.
Uji Kesesuaian Model (Uji Linearitas)
Langkah 1: Hipotesis
H 0 : β1 =0
H 1 : β1 ≠0
α =5 %
18
Langkah 4: Mengambil keputusan
maka tolak Ho
Jika p−value=0.016<α =0.05
Langkah 5: Kesimpulan.
19
BAB III
PENUTUP
A. KESIMPULAN
Penggunaan statistika dalam mengolah data penelitian berpengaruh terhadap
tingkat analisis hasil penelitian. Penelitian-penelitian dalam bidang ilmu
pengetahuan alam (IPA) yang menggunakan perhitungan-perhitungan statistika,
akan menghasilkan data yang mendekati benar jika memperhatikan tata cara
analisis data yang digunakan. Dalam memprediksi dan mengukur nilai dari
pengaruh satu variabel (bebas/independent/ predictor) terhadap variabel lain
(tak bebas/dependent/response) dapat digunakan uji regresi. Analisis/uji regresi
merupakan suatu kajian dari hubungan antara satu variabel, yaitu variabel yang
diterangkan (the explained variabel) dengan satu atau lebih variabel, yaitu
variabel yang menerangkan (the explanatory). Apabila variabel bebasnya hanya
satu, maka analisis regresinya disebut dengan regresi sederhana. Apabila
variabel bebasnya lebih dari satu, maka analisis regresinya dikenal dengan
regresi linear berganda. Dikatakan berganda karena terdapat beberapa variabel
bebas yang mempengaruhi variabel tak bebas. Analisis/uji regresi banyak
digunakan dalam perhitungan hasil akhir untuk penulisan karya
ilmiah/penelitian. Hasil perhitungan analisis/uji regresi akan dimuat dalam
kesimpulan penelitian dan akan menentukan apakah penelitian yang sedang
dilakukan berhasil atau tidak. Analisis perhitungan pada uji regresi menyangkut
beberapa perhitungan statistika seperti uji signifikansi (uji-t, uji-F), anova dan
penentuan hipotesis. Hasil dari analisis/ uji regresi berupa suatu persamaan
regresi. Persamaan regresi ini merupakan suatu fungsi prediksi variabel yang
mempengaruhi variabel lain.
B. Saran
Demikianlah makalah ini kami buat, kami menyadari bahwa makalah ini
masih banyak kekurangan, oleh sebab itu kami menyarankan kepada para
pada materi ini. Semoga makalah ini dapat bermanfaat bagi penulis dan
20
pembaca. Masukan dan saran sangat kami harapkan dari pembaca agar
C.
21
DAFTAR PUSTAKA
22