Anda di halaman 1dari 44

RANCANGAN PERCOBAAN

ANALISIS REGRESI
DAN ANALISIS KORELASI
DISUSUN OLEH

MOHAMMAD CHOZIN, Ph.D.


(KOORDINATOR MATAKULIAH )

PROGRAM STUDI AGROEKOTEKNOLOGI


FAKULTAS PERTANIAN
UNIVERSITAS BENGKULU
HUBUNGAN ANTAR VARIABEL
Dalam banyak hal, suatu variabel berhubungan dengan satu atau
lebih variabel lainnya.
Misalnya:
1. Masa simpan benih berhubungan dengan kadar air benih saat
disimpan.
2. Hasil tanaman berhubungan dengan dosis pupuk nitrogen, fosfor, dan
KCl yang diberikan
Adanya hubungan tersebut berarti informasi tentang besaran nilai
dari salah satu variabel dapat diduga dari nilai variabel (-variabel)
lainnya.
Semakin erat hubungan tersebut berarti semakin cermat dugaan
yang dapat dibuat
Dua hal penting dalam hubungan antar variabel, yakni:
. Bentuk hubungan
. Derajat keeratan hubungan
BENTUK HUBUNGAN ANTAR VARIABEL
Bentuk hubungan antar variabel dapat dinyatakan melalui
persamaan matematik (disebut juga model) yang selanjutnya
dapat divisiualisasikan dalam bentuk kurva.
Dalam persamaan tersebut variabel yang diduga disebut dengan
variabel tak bebas (biasa diberi lambang Y karena dalam kurva
digambarkan sebagai sumbu vertikal), sedangkan variabel
penduga disebut dengan variabel bebas (biasa diberi lambang
X karena dalam kurva digambarkan sebagai sumbu horisontal)
Contoh:
Model Bentuk hubungan
Y = b0 + b1X Linier (garis lurus)
Y = b0 + b1X1 + b2X2 + + bpXp Linier berganda
Y = b0 + b1X + b2X2 Polinomial kuadratik
Y = b0 + b1X + b2X2 + b3X3 Polinomial kubik
BENTUK HUBUNGAN ANTAR VARIABEL

Dalam statistika, proses penentuan persamaan matematik yang


paling sesuai untuk menggambarkan bentuk hubungan antar
variabel disebut ANALISIS REGRESI.
Metode yang digunakan dalam analisis regresi untuk menentukan
persamaan regresi disebut metode kuadrat terkecil (least square
method)
Inti dari analisis regresi adalah:
1. Penentuan bentuk hubungan (model) yang paling sesuai
antara variabel bebas (X) dengan variabel tak bebas (Y).
2. Penaksiran besarnya koefisien b0 (disebut intersep) dan b1,
b2, b3, ., bp (disebut koefisien regresi) dari model yang
ditentukan. Intrersep mengukur besarnya Y ketika X 1, X2, X3,
Xp, = 0. Koefisien regresi mengukur tingkat perubahan Y
ketika nilai X1, X2, X3, Xp berubah.
3. Pengujian keberartian (signifikansi) koefisien regresi.
4. Pengukuran tingkat keterwakilan persamaan regresi atas
sebaran (keragaman) data.
REGRESI LINIER SEDERHANA
Analisis regresi linier sederhana digunakan untuk menentukan
bentuk hubungan antar dua variabel (variabel Y dan variabel X)
yang dapat digambarkan sebagai garis lurus, yaitu:
Y = b0 + b1X
Dalam praktek, nilai X dan nilai Y tidak diperoleh dari
pengamatan seluruh anggota populasi, melainkan hanya
sebagian anggota populasi saja (sampel). Karena itu, b0 dan b1
harus ditaksir dari data sampel yang tidak mungkin terhindar
dari kekeliruan (galat), sehingga untuk data sampel persamaan
tersebut harus dinyatakan sebagai berikut:

= b 0 + b1X
Yi
(baca: Y topi) adalah nilai duga variabel Y
Yi
REGRESI LINIER SEDERHANA
PENENTUAN BENTUK HUBUNGAN
Langkah awal dalam menentukan/mencari bentuk hubungan antara
dua variabel adalah dengan menempatkan data pengamatan dari
kedua variabel tersebut ke dalam diagram pencar (scatter plot).
Misal, hubungan antara dosis pupuk fosfor (X) dengan hasil jagung (Y)
didasarkan atas data berikut.
20
Xi Yi 18
16
1 6 14
12
10
2 9 Hasil (Y)
8
6
3 13 diplot 4
2
4 12 0
0 1 2 3 4 5 6 7
5 14 Dosis fosfor (X)

6 18
Berdasarkan sebaran data pada kurva, tampaknya
garis linier (lurus) dapat digunakan untuk mewakili
sebaran data
REGRESI LINIER SEDERHANA

MENENTUKAN BESARNYA INTERSEP DAN KOEFISIEN REGRESI


Dalam metode kuadrat terkecil besarnya intersep (b0) dan koefisien
regresi (b1) dihitung melalui persamaan berikut:

S XY
b1 dan b 0 Y b1X
S XX
dimana
( X ) 2

(X X 2 i
S XX i
2
X) i Jumlah Kuadrat X = JKX
n

S XY (Xi X)(Yi Y) Xi Yi
( X )( Y )
i i
Jumlah Hasil Kali XY = JHKXY
n

S YY (Yi Y) 2
Yi
2 ( Y) i
2
Jumlah Kuadrat Y = JKY
n
REGRESI LINIER SEDERHANA

Untuk penaksiran b0 dan b1 dari contoh data jagung secara manual,


tabel bantu seperti berikut sering digunakan untuk memudahkan
perhitungan.
No Xi Yi XiYi Xi2 Yi2
1 1 6 6 1 36
2 2 9 18 4 81
3 3 13 39 9 169
4 4 12 48 16 144
5 5 14 70 25 196
6 6 18 108 36 324
21 72 289 91 950
Rata2 3,5 12
REGRESI LINIER SEDERHANA

Selanjutnya,

S XX X i
2

( X i )2
91
(21)2
91 - 73,5 17,5
n 6

S XY Xi Yi
( X )( Y ) 289 - (21)(72) 289 - 252 37
i i

n 6
Jadi,

S XY 37
b1 2,114
S XX 17,5
b 0 Y b1X 12 - 2,114 (3,5) 4,601
Sehingga persamaan regresinya dapat dinyatakan sebagai:
^
Y = 4,601 + 2,114 X
REGRESI LINIER SEDERHANA

Berdasarkan persamaan tersebut maka scatter plot data contoh


dapat dilengkapi dengan garis regresi seperti berikut.

20

18

16

14

12

10
Hasil (Y)
8 ^
Y = 4,601 + 2,114 X
6

0
0 1 2 3 4 5 6 7

Dosis fosfor (X)


REGRESI LINIER SEDERHANA

MENGUJI KEBERADAAN KOEFISIEN REGRESI


Sekalipun nilai koefisien regresi (b 1) dapat dihitung sehingga
diperoleh persamaan regresi, bukan berarti nilai yang diperoleh
dari data sampel tersebut secara statistik sudah syah untuk
menaksir koefisien regresi populasi ( 1).
Pengujian perlu dilakukan untuk menguji hipotesis:
Ho : 1 = 0 vs H 1 : 1 0
o Jika Ho diterima berarti nilai b1 secara statistik dianggap nol atau tidak
ada, sehingga
o Jika Ho ditolak berarti nilai b1 secara statistik tidak sama dengan nol
atau ada
Secara umum, proses pengujian hipotesis dapat dilakukan dengan:
1. Uji F melalui analisis varians
2. Uji t
REGRESI LINIER SEDERHANA
Pengujian hipotesis koefisien regresi dengan Uji F
Perhitungan dalam analisis varians didasarkan pada konsep bahwa:

(Y i Y )2 ( Y i Y )2 (Y i
)2
Yi

Keragaman total Keragaman yang Galat (Sisa keragaman


dapat dijelaskan yang tak dapat dijelaskan
dengan persamaan dengan persamaan
regresi regresi)

Dengan demikian JK total = JK regresi + Jkgalat

JK total = (Yi Y)2 S YY dengan db = n-1


2
S XY
JK reg = (Y i Y)2
S XX
dengan db = 1

JK galat = JK total JK reg dengan db = n-2


2
S
= (Y - Y )
i i
2
S YY XY
S XX
REGRESI LINIER SEDERHANA
Tabel Anava
Sumber db JK KT Fhit
Keragaman

Regresi 1 JK reg KT reg KT reg / KTgalat

Galat n-2 JK galat KT galat

Total n-1 JK total

Pengujian hipotesis Ho : 1 = 0 vs H1 : 1 0 dilakukan dengan


membandingkan Fhit terhadap Ftabel pada taraf yang diinginkan.
Jika Fhit < Ftabel, maka Ho : 1 = 0 diterima dan berarti koefisien b1
dalam persamaan regresi secara statistik dianggap tidak ada.
Jika Fhit > Ftabel, maka Ho : 1 = 0 ditolak dan berarti koefisien
b1 dalam persamaan regresi secara statistik memang ada.
REGRESI LINIER SEDERHANA
Untuk contoh data jagung
JK total = SYY = 86,00
2
S XY 37 2
JK regresi = 78,23
S XX 17,5
JK galat = JK total JK regresi = 86 78,23 = 7,77

Tabel anava

Sumber db JK KT Fhit Ftabel


Keragaman 5%
Regresi 1 78,23 78,23 40,27* 7,71
Galat 4 7,77 1,94

Total 5 86,00

Hasil uji F menunjukkan bahwa Fhit > Ftabel sehingga Ho : 1 = 0 ditolak


dan H1 : 1 0 diterima. Artinya koefisien b1 memang ada dan dapat
disimpulkan bahwa terdapat hubungan linier antara dosis fosfor dengan
hasil jagung.
REGRESI LINIER SEDERHANA
Pengujian hipotesis koefisien regresi dengan Uji t
Uji t dapat digunakan sebagai alternatif uji F untuk pengujian hipotesis
koefisien regresi.
Pengujian dilakukan dengan membandingkan thit. terhadap ttabel. Jika
thit.> ttabel maka Ho : 1 = 0 ditolak dan jika thit.< ttabel maka Ho : 1 = 0
diterima.
koef .regresi b
t hit 1
simpangan baku koef .regresi Sb
JKgalat
Sb
S XX
Untuk data jagung
1,94 dan 2,114
Sb 0,33 t hit 6,41
17,5 0,33
Nilai ttabel dengan db galat =4 dan = 5% adalah 2,78. Jadi thit.> ttabel
maka Ho : 1 = 0 ditolak, sehingga diperoleh kesimpulan yang sama
seperti pengujian dengan uji F.
REGRESI LINIER SEDERHANA

PENGUKURAN TINGKAT KETERWAKILAN PERSAMAAN


REGRESI ATAS SEBARAN DATA
Persamaan regresi merupakan bentuk umum yang mewakili hubungan
antara keragaman data variabel tak bebas (Y) dan variabel bebas (X).
Tingkat akurasi (kecermatan) dari persamaan regresi dalam mewakili
hubungan antar Y dan X diukur berdasarkan koefisien determinasi
(r2).
Semakin besar r2 berarti semakin besar keragaman data yang dapat
dijelaskan oleh persamaan regresi sehingga semakin tinggi tingkat
keterwakilan persamaan regresi atas keragaman data dan semakin
akurat pendugaan nilai Y yang diperoleh berdasarkan nilai X
Nilai koefisien determinasi (r2) berkisar antara 0 dan 1 atau antara 0%
dan 100%.
r2 = 0 atau 0% berarti tidak ada data yang dapat diwakili/dijelaskan
melalui persamaan regresi
r2 = 1 atau 100% berarti seluruh data dapat diwakili/dijelaskan melalui
persamaan regresi
REGRESI LINIER SEDERHANA

Koefisien determinasi ditaksir sebagai berikut.

JKreg. JKreg.
r2 atau r2 x100%
JKtotal JKtotal

Untuk contoh data jagung


78,23
r2 0,91 atau 91%
86
Artinya, 91% dari total keragaman data jagung dapat dijelaskan oleh
persamaan regresi Y = 4,601 + 2,114 X. Sisa 9% keragaman data
yang tidak dapat dijelaskan oleh persamaan regresi merupakan galat.
REGRESI LINIER SEDERHANA

MEMAKNAI PERSAMAAN REGRESI


Persamaan regresi linier sederhana menunjukkan besarnya
perubahan nilai variabel tak bebas (Y) akibat perubahan tiap
satuan perubahan variabel bebas (X)
Pada contoh data jagung, persamaan regresi Y = 4,601 + 2,114 X
dapat dimaknai bahwa setiap perubahan satu unit dosis fosfor
akan meningkatkan hasil sebesar 2,114 satuan hasil.
Pemaknaan (interpretasi) persamaan regresi hanya syah pada
kisaran nilai X yang dilibatkan dalam analisis.
Pemaknaan diluar kisaran nilai X dalam analisis, disebut
ektrapolasi, dapat menyesatkan dan menghasilkan kesimpulan
yang keliru.
KORELASI SEDERHANA
Jika ANALISIS REGRESI digunakan untuk menentukan bentuk
hubungan antar variabel, ANALISIS KORELASI digunakan untuk
mengukur derajat keeratan hubungan antar variabel.
Dalam analisis korelasi tidak dikenal istilah variabel bebas dan variabel
tak bebas, sehingga sering disebut analisis bivariate.
Derajat keeratan hubungan antar variabel diukur menggunakan
koefisien korelasi (r) yang memiliki nilai antara 0 dan +1.
Besarnya nilai r menunjukkan keeratan hubungan antara dua variabel, r
= 0 berarti tidak ada hubungan, sedangkan r =1 berarti hubungan
kedua variabel tersebut sempurna.
Tanda + dan menunjukkan arah hubungan antar variabel. Jika nilai r
bertanda + berarti hubungan kedua variabel tersebut searah.
Sebaliknya, jika nilai r bertanda - berarti hubungan kedua variabel
tersebut berlawanan

Semakin erat
-1 0 1
Sempurna Tidak ada Sempurna
berlawanan hubungan searah
KORELASI SEDERHANA

MENENTUKAN BESARNYA KOEFISIEN KORELASI (r)


S XY
r Sering disebut: persamaan Pearson Product-moment
S XX .S YY
Untuk contoh data jagung,
37
r 0,954
(17,5)(86 )
Artinya, hasil jagung memiliki hubungan searah (bertanda +)
yang sangat erat dengan dosis fosfor. Artinya, peningkatan
dosis fosfor akan diikuti dengan peningkatan hasil jagung.
CATATAN :
pada regresi linier sederhana, koefisien korelasi dapat ditaksir
sebagai akar kuadrat koefisien determinasinya.
r = r2 = 0,91 = 0,94
KORELASI SEDERHANA

MENGUJI KEBERADAAN KOEFISIEN KORELASI


Seperti halnya koefisien regresi (b1), keberadan koefisien
korelasi harus disyahkan secara statistik melalui pengujian
hipotesis.
Hipotesis yang diuji yaitu:
Ho : 1 = 0 vs H 1 : 1 0
o Jika Ho diterima berarti nilai r secara statistik dianggap nol atau tidak ada,
sehingga
o Jika Ho ditolak berarti nilai r secara statistik tidak sama dengan nol atau ada
Pengujian dilakukan untuk membandingkan thit. dengan t tabel.

r 2 (n 2)
t hit
1 r2
KORELASI SEDERHANA

Untuk contoh data jagung


(0,954 )2 ( 6 2)
t hit 2
40,44
1 (0,954 )

Nilai ttabel untuk = 5% dan db galat 4 adalah 2,78 sehingga


jelas Ho : 1 = 0 ditolak dan secara statistik koefisien korelasi
(r) syah digunakan.
REGRESI LINIER BERGANDA

Analisis regresi linier berganda merupakan perluasan dari


analisis regresi linier sederhana dan digunakan untuk
menentukan bentuk hubungan satu variabel tak bebas (Y)
dengan beberapa variabel bebas (X1, X2, X3, ., Xp).
Analisis regresi linier berganda akan semakin kompleks seiring
dengan semakin banyaknya variabel bebas yang dilibatkan.
Namun dengan tersedianya berbagai software statistik, maka
permasalahan tersebut akan mudah diatasi.
Agar proses analisis regresi dapat dikerjakan secara manual
dengan bantuan alat hitung (kalkulator), maka pembahasan
akan dibatasi dengan hanya melibatkan 2 variabel bebas (X1
dan X2).
REGRESI LINIER BERGANDA

MENENTUKAN BENTUK HUBUNGAN


Bentuk hubungan antara variabel tak bebas dan beberapa
variabel bebas tidak mudah divisualisasikan dalam bentuk
kurva karena sifatnya multidimensi.
Bentuk hubungan antara variabel tak bebas dan beberapa
variabel bebas dinyatakan dengan persamaan:
Y = b0 + b1X1 + b2X2 + b3X3 + + bpXp
Dalam hali ini bo adalah intersep, sedangkan b1, b2, b3, , bp
berturut-turut adalah koefisien regresi dari variabel bebas X 1, X2,
X3, , Xp.
Untuk 2 variabel bebas persamaannya adalah:
Y = b0 + b1X1 + b2X2
REGRESI LINIER BERGANDA

Contoh data

No. X1 X2 Y
Data di samping diperoleh dari 1 7 6 67
pengamatan jumlah cabang 2 6 5 63

(X1), diameter batang (X2), 3 6 5 58


4 8 6 68
dan biomassa (Y) tanaman
5 9 7 74
kedelai. Analisis dimaksudkan
6 5 6 60
untuk mengatahui hubungan 7 7 6 65

antara X1 dan X2 dengan Y 8 7 7 71


9 6 6 64
10 9 8 81
REGRESI LINIER BERGANDA

MENENTUKAN BESARNYA INTERSEP DAN KOEFISIEN REGRESI

Besarnya intersep dan koefisien regresi dengan 2 variabel


bebas ditaksir melalui persamaan berikut.
S X2 X2 .S X1Y S X1X2 .S X2 Y
b1
S X1X1 .S X2 X2 S 2 X1X2

S X1X1 .S X2 Y S X1X2 .S X1Y


b2
S X1X1 .S X2 X2 S 2 X1X2

b 0 Y b1X1 b 2 X 2
REGRESI LINIER BERGANDA

Jumlah kuadrat dan jumlah hasil kali dari masing-masing variabel


dihitung sebagai berikut

S X1X1 X1
2 ( X1 )2
n

S X2 X2 X 2

( X 2 )2
2 n

S X1X2 X X 1 2
( X )( X
1 2)

S X1Y X Y
1
( X )( Y) 1

S X2 Y X2 Y
( X )( Y) 2

n
REGRESI LINIER BERGANDA

Untuk contoh data kedelai, analisis regresi dapat dimulai dengan


menggunakan tabel bantu sebagai berikut:

No. X1 X2 Y X12 X 22 X1X 2 X1Y X 2Y Y2


1 7 6 67 49 36 42 469 402 4489
2 6 5 63 36 25 30 378 315 3969
3 6 5 58 36 25 30 348 290 3364
4 8 6 68 64 36 48 544 408 4624
5 9 7 74 81 49 63 666 518 5476
6 5 6 60 25 36 30 300 360 3600
7 7 6 65 49 36 42 455 390 4225
8 7 7 71 49 49 49 497 497 5041
9 6 6 64 36 36 36 384 384 4096
10 9 8 81 81 64 72 729 648 6561
70 62 671 506 392 442 4770 4212 45445
Rata2 7 6.2 67.1
REGRESI LINIER BERGANDA

Berdasarkan rangkuman tabel bantu tersebut, maka jumlah kuadrat


dan jumlah hasil kali masing-masing variabel dapat dihitung.

S X1X1 X 2

( X1 )2
506
(70 )2
16,0
1 n 10

S X2 X2 X 2

( X 2)
2
392
(62)2
7,6
2 n 10

S X1X2 X1X 2
( X )( X
1 2)
442
(70 )(62)
8,0
n 10

S X1Y X1Y
( X )( Y) 4770 (70)(671) 73,0
1

n 10

S X2Y X2 Y
( X )( Y) 4212 (62)(671) 51,8
2

n 10

S YY Y
2

( Y )2
45445
(671)2
420,9
n 10
REGRESI LINIER BERGANDA
Kemudian, nilai jumlah kuadrat dan jumlah hasil kali yang
diperoleh dapat digunakan untuk menaksir besarnya intersep
dan koefisien regresi.
S X2 X2 .S X1Y S X1X2 .S X2 Y (7,6)(73,0) (8,0)(51,8)
b1 2,44
S X1X1 .S X2 X2 S 2 X1X2 (16,0)(7,6) (8,0) 2

S X1X1 .S X2 Y S X1X 2 .S X1Y (16,0)(51,8) (8,0)(73,0)


b2 4,25
S X1X1 .S X2 X2 S 2 X1X 2 (16,0)(7,6) (8,0) 2

b 0 Y b1X1 b 2 X 2 67,1 ( 2,44 )(7,0) ( 4,25 )(6,2) 23,67

Dengan demikian, persamaan regresi yang diperoleh ialah:

^
Y = 23,67 + 2,44 X1 + 4,25 X2
REGRESI LINIER BERGANDA
MENGUJI KEBERADAAN KOEFISIEN REGRESI
Keberadaan koefisien regresi b1, b2, b3,,bp diuji melalui pengujian
hipotesis:
Ho : 1 = 2 = 3 = = p = 0
H1 : i 0 sekurangnya satu i
Seperti halnya regresi linier sederhana, pengujian dapat dilakuan
dengan uji F melalui analisis varian atau uji t.
Pengujian dengan uji F dapat dilakukan baik untuk menguji seluruh
koefisien regresi sebagai satu kesatuan model maupun untuk menguji
masing-masing koefisien regresi, seperti regresi linier sederhana.
Pengujian dengan uji t hanya dapat dilakukan untuk menguji masing-
masing koefisien regresi.
Catatan : pengujian hipotesis koefisien regresi secara individu dapat
menghasilkan kesimpulan yang keliru, karena masing-masing koefisien
tidak independen.
REGRESI LINIER BERGANDA
Analisis Varians Persamaan Regresi

JK total = (Y i Y)2 S YY , dengan db = p

JK reg = b .S
i Xi Y b1.S X1Y b 2 .S X2 Y , dengan db = n p
1

JK galat = JK total JK galat , dengan db = n 1


Tabel Anava
Sumber
db JK KT Fhit.
Keragaman

Regresi p JK reg KT reg KT reg / KTgalat

Galat n p 1 JK galat KT galat

Total n 1 JK total
REGRESI LINIER BERGANDA
Analisis Varians Persamaan Regresi untuk contoh data kedelai

JK total = (Y i Y)2 S YY= 420,90

JK reg = b1.S X1Y b 2 .S X 2 Y= (2,44)( 73,0) + (4,25)(51,48) = 396,91

JK galat = JK total JK galat = 420,9 396,91 = 23,99


Tabel Anava
Sumber
db JK lKT Fhit. F5%
Keragaman
Regresi 2 396,91 198,455 57,91* 4,74
Galat 7 23,99 3,427

Total 9 420,90

Kesimpulan : terdapat hubungan linier antara biomassa tanaman kedelai dengan


tinggi tanaman dan diameter barangnya
REGRESI LINIER BERGANDA

PENGUKURAN TINGKAT KETERWAKILAN PERSAMAAN REGRESI


ATAS SEBARAN DATA
Pada regresi linier berganda, tingkat keterwakilan persamaan regresi
atas keragaman data diukur dengan koefisien determinasi berganda
(R2) sebagai berikut:

b1.S X1Y b 2 .S X2 Y
R2
S YY
Untuk data kedelai:

(2,44)(73,0) ( 4,24)(51,8)
R2 0,95
420,9
Artinya, persamaan regresi Y^ = 23,67 + 2,44 X1 + 4,25 X2 dapat
mewakili 95% keragaman data kedelai.
REGRESI POLINOMIAL

Regresi polinomial ialah regresi linier berganda dengan satu variabel


bebas (X) miliki sejumlah kepangkatan (order), yaitu X, X2, X3, , Xp.
Dalam pembahasan polinomial orthogonal, kepangkatan tersebut
berturut-turut disebut dengan linier, kuadratik, kubik, dst.
Bentuk umum dari persamaan regresi linier adalah sebagai berikut:

Y = b0 + b1X + b2X2 + b3X3 + + bpXp

Dalam kuliah ini, pembahasan hanya mencakup persaman regresi


kuadratik, sehingga persmaannya ialah:

Y = b0 + b1X + b2X2
REGRESI POLINOMIAL

MENENTUKAN BENTUK HUBUNGAN


Penentuan bentuk hubungan antara variabel bebas dengan
variabel tak bebas dapat didasarkan atas hasil analisis varians
dari polinomial orthogonal tempuh dengan analisis polinomial
orthgonal (lihat kembali handout polinomial orthogonal).

Cara lainnya adalah dengan menggunakan scatter plot seperti


analisis regresi sederhana. Berdasarkan sebaran data sebaran
data dapat digunakan sebagai petunjuk awal tentang bentuk
hubungan antara variabel tak bebas dengan variabel bebas.
Cara lain untuk menentukan bentuk hubungan tersebut adalah
berdasarkan hasil analisis varians dari polinomial orthogonal
REGRESI POLINOMIAL
Data berikut adalah rata-rata hasil padi per petak (Y) pada percobaan 5
dosis urea (X) (data mentah percobaan tidak diperlihatkan disini) dan
hasil analisis varians dari polinomial orthogonal menunjukkan bahwa
respon hasil padi per petak terhadap dosis urea mengikuti pola
kuadratik.
Scatter plot dari data tersebut juga menunjukkan pola kuadratik.
Jadi, analisis regresi terhadap data tersebut akan dilakukan untuk
menentukan persamaan kuadratik.
10

X Y 9
8
1 3 7
6
2 5 5
Hasil Padi
4
3 9 diplot 3
2
4 7 1

5 6 0
0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 5.5
Dosis Urea
REGRESI POLINOMIAL
MENENTUKAN BESARNYA INTERSEP DAN KOEFISIEN REGRESI
Seperti halnya contoh analisis regresi linier berganda, perhitungan
jumlah kuadrat dan jumlah hasil kali variabel bebas dan variabel tak
bebas diawali dengan penyusunan tabel bantu.
Guna menghindari kekeliruan dalam perhitungan, untuk sementara, kita
gunakan lambang X1 untuk X1 , X1 untuk X2 , dan Y

Dosis urea
Dosis Urea Hasil padi
No kuadrat X 12 X22 X1X2 X1Y X2Y Y2
X1 Y
X2
1 1 1 2 1 1 1 2 2 4
2 2 4 6 4 16 8 12 24 36
3 3 9 9 9 81 27 27 81 81
4 4 16 7 16 256 64 28 112 49
5 5 25 6 25 625 125 30 150 36
15 55 30 55 979 225 99 369 206
Rata-
3 11 6
rata
REGRESI LINIER BERGANDA

Dari rangkuman tabel bantu tersebut selanjutnya dapat dihitung jumlah


kuadrat dan jumlah hasil kali masing-masing variabel.

S X 1X 1 X 2

( X 1 )2
55
(15 )2
10
1 n 5

S X2 X2 X 2

( X 2)
2
979
(55 )2
374
2 n 5

S X1X 2 X1X 2
( X )( X
1 2 )
225
(15 )(55)
60
n 5

S X 1Y X 1Y
( X )( Y) 99 (15)(30) 9
1

n 5
( X )( Y) 369 (55)(30) 39

2
S X 2Y X 2Y
n 5

S YY Y
2

( Y)2
206
(30 )2
26
n 5
REGRESI POLINOMIAL
Kemudian dilanjutkan dengan penaksiran koefisien regresi dan
intersepnya berdasarkan jumlah kuadrat dan jumlah hasil kali yang
diperoleh.
S X 2 X 2 .S X 1Y S X 1X 2 .S X 2 Y (374 )(9) (60)(39 )
b1 7,33
S X 1X 1 .S X 2 X 2 S 2 X 1X 2 (10 )(374 ) (60) 2

S X 1X 1 .S X 2 Y S X 1X 2 .S X 1Y (10)(39) ( 60 )(9)
b2 1,07
S X 1X 1 .S X 2 X 2 S 2 X 1X 2 (10 )(374 ) ( 60) 2

b 0 Y b1 X 1 b 2 X 2 6 (7,33 )(3) ( 1,07)(11) 4,22

Dengan demikian, diperoleh persamaan regresi :


4,22 7,33 X 1,07 X
Y 1 2

Ingat bahwa X1 melambangkan X dan X1 melambangkan X2 sehinnga


persamaan tersebut dapat ditulis ulang sebagai berikut.

4,22 7,33 X 1,07 X 2


Y
REGRESI POLINOMIAL

Kurva hubungan kuadratik antara hasil padi dengan dosis urea

10
9
8 f(x) = - 1.07x^2 + 7.33x - 4.2
R = 0.93
7
6
5
Hasil padi ^
4
3
2
1
0
0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 5.5
Dosis Urea
REGRESI POLINOMIAL
MENGUJI KEBERADAAN KOEFISIEN REGRESI DAN PENGUKURAN
TINGKAT KETERWAKILAN PERSAMAAN REGRESI
Pengujian hipotesis tentang koefisien regresi dan pengukuran tingkat
keterwakilan (koefisien determinasi) persamaan regresi atas
keragaman data dilakukan melalui cara yang sama seperti pada
regresi linier berganda.
Sebaiknya gunakan kembali lambang X1 untuk X1 , X1 untuk X2 untuk
menghindari kekeliruan perhitungan.
Untuk contoh padi:
Hasil uji F melaui analisis varians menunjukkan bahwa
Ho : 1 = 2 = 0 ditolak, artinya koefisien regresi dalam persamaan
secara statistik memang ada.
Perhitungan koefisien determinasi ganda menghasilkan nilai R2 =
0,93. Artinya 93 % keragaman data dapat dijelaskan oleh
persamaan regresi kuadratik
4,22 7,33 X 1,07 X 2
Y
REGRESI POLINOMIAL

CATATAN
Khusus untuk persamaan regresi kuadratik, titik ekstrem Y (maksimum
atau minimum) pada kurva diperoleh pada koordinat:

2

X b1 ; Y b 0 b1
2b 2 4b 2

Untuk contoh data padi, titik ekstrem tersebut adalah:
b 7,33
X 1 3.43
2b 2 2( 1,07 )
2
b1 (7,33 )2
Y b0 4,2 8,35
4b 2 4( 1,07 )
Artinya, bahwa hasil padi maksimum (8,35) dicapai pada dosis urea =
3,43
Xie xie

TERIMA KASIH,
SELAMAT BELAJAR