STATISTIKA

PERTEMUAN 6
REGRESI LINIER BERGANDA

Dosen Pengasuh :
NURYADI, S.Si, M.Si
 REGRESI BERGANDA
MENGAPA DIPERLUKAN ???
Motivasi Prestasi

Kepribadian
Kecerdasan
Pendidikan

Apakah Kecenderungan Prestasi

Hanya Berhubungan Dengan
Motivasi ???

TIDAK

Perlu Ditinjau Juga Dari Kepribadian, Kecerdasan, Pendidikan

REGRESI BERGANDA
Nuryadi_STMKG
REGRESI BERGANDA LINEAR

satu variabel dependen (Y )

k buah variabel independen ( X 1, X 2 , , X k )
buah pengamatan
n
(observasi)

Y1 X 11  X 1k
Y2 X 21  X 2 k
  
Yn X n1  X nk
 MODEL
REGRESI BERGANDA LINEAR

Y   0  1 X 1   2 X 2     k X k    mod el dalam teori


Yi  b0  b1 X 1i  b2 X 2i    bk X ki  ei  mod el dalam praktek

 0 , 1 ,  2 , ,  k parameter – parameter tetap tetapi tidak diketahui

X 1 , X 2 , , X k diukur tanpa galat (kesalahan)

 variabel random yang menyebar secara normal di sekitar nol dan mempunyai ragam V
dimana  ~ NID(0,V )

b0 , b1 , b2 , , bk adalah penaksir  0 , 1 ,  2 , ,  k (merupakan variabel random)

X 1i , X 2i , , X ki diukur tanpa galat

ei galat taksiran untuk pengamatan ke-i (merupakan sampel independen
dari suatu sebaran normal)
 RUMUS UMUM REGRESI BERGANDA

Yi  b0  b1 X 1i  b2 X 2i    bk X ki  Rumus _ 1

dengan konstanta b0 dan koefisien b1, b2, ……. bk yang ditaksir berdasarkan n
buah pasangan data X1, X2, …… Xn, maka Y dapat diduga.

CONTOH :
Kecenderungan terjadinya curah hujan (Y), dikaitkan dengan suhu muka laut
(X1) dan indeks monsun (X2), maka bentuk regresi linear untuk mempelajari hal
ini :
Ŷ = b0 + b1X1 + b2X2
Jika pembahasan tersebut diperluas dengan menambah peubah bebas baru,
misal ketinggian tempat (X3), maka bentuk regresi linear menjadi :

Ŷ = b0 + b1X1 + b2X2 + b3X3

Demikian seterusnya, kita dapat menambah peubah bebas baru, apabila memang
WAJAR, sehingga terjadi atau DIDUGA ada hubungan di antara semua peubah
bebas dan peubah tak bebas.
 (1) MENENTUKAN KOEFISIEN b0, b1, b2, ….. bk
Seperti halnya menentukan a dan b dalam persamaan regresi linear sederhana
dalam model Ŷ = a + bX diperlukan n buah pasangan data X dan Y, sebaiknya
disusun seperti tabel_1 berikut :

Tabel_1 : Data Penelitian (X1, X2, ……. Xk dan Y)

X1 X2 …….. Xk Y
X11 X21 …….. Xk1 Y1

X12 X22 …….. Xk2 Y2

…….. …….. …….. …….. ……..

…….. …….. …….. …….. ……..

X1n X2n …….. Xkn Yn

Dalam tabel tampak bahwa Y1 berpasangan dengan X11, X21, Xk1.

Data Y2 berpasangan dengan X12, X22, Xk2. Demikian seterusnya.
Berdasarkan data seperti pada tabel_1, maka koefisien-koefisien
b0, b1, b2, ….. bk dalam Rumus_1 dapat ditentukan.
Perhitungan menggunakan metode “KUADRAT TERKECIL”
untuk regresi berganda dengan dua peubah bebas X1 dan X2 memberikan hasil
b0, b1, b2 dengan menggunakan Rumus_2 berikut :
∑Y = n b0 + b1 ∑ X1 + b2 ∑ X2
       
∑ X 1Y = b0 ∑ X1 + b1 ∑ X12 + b2 ∑ X1X2 Rumus_2
       
∑ X 2Y = b0 ∑ X2 + b1 ∑ X1X2 + b2 ∑ X22

Berdasarkan Rumus_2, maka data dalam Tabel_1 sebaiknya disusun secara

khusus berisikan besaran-besaran yang diperlukan untuk menghitung
persamaan regresi berganda, seperti pada Tabel_2 :

Tabel_2 : Besaran untuk menghitung regresi Ŷ = b0 + b1X1 + b2X2

X1 X2 Y X1X2 X1Y X2Y X12 X2 2 Y2
… … … … … … … … …
… … … … … … … … …
… … … … … … … … …
∑X1 ∑X2 ∑Y ∑X1X2 ∑X1Y ∑X2Y ∑X12 ∑X22 ∑Y2

Baris paling bawah berisikan jumlah tiap kolom yang nilainya

diperlukan untuk menghitung Rumus_2
 CONTOH 1
Indeks prestasi kerja (Y) terhadap 30 pegawai ditinjau dari skor tes kemampuan
teoritis (X1) dan keterampilan (X2), berdasarkan data pada Tabel_1 :
Tabel_1
No X1 X2 Y X1X2 X1Y X2Y X12 X22 Y2
1 70 41 10 2870 700 410 4900 1681 100
2 71 43 11 3053 781 473 5041 1849 121
3 72 46 12 3312 864 552 5184 2116 144
4 73 47 15 3431 1095 705 5329 2209 225
5 74 45 11 3330 814 495 5476 2025 121
6 75 48 12 3600 900 576 5625 2304 144
7 78 49 13 3822 1014 637 6084 2401 169
8 79 48 14 3792 1106 672 6241 2304 196
9 78 49 15 3822 1170 735 6084 2401 225
10 79 52 18 4108 1422 936 6241 2704 324
11 75 42 15 3150 1125 630 5625 1764 225
12 80 40 14 3200 1120 560 6400 1600 196
13 82 39 13 3198 1066 507 6724 1521 169
14 81 46 15 3726 1215 690 6561 2116 225
15 83 49 18 4067 1494 882 6889 2401 324
16 84 43 17 3612 1428 731 7056 1849 289
17 84 42 16 3528 1344 672 7056 1764 256
18 83 48 19 3984 1577 912 6889 2304 361
19 80 46 16 3680 1280 736 6400 2116 256
20 85 48 16 4080 1360 768 7225 2304 256
 No X1 X2 Y X1X2 X1Y X2Y X12 X22 Y2
21 88 50 18 4400 1584 900 7744 2500 324
22 89 51 17 4539 1513 867 7921 2601 289
23 86 53 20 4558 1720 1060 7396 2809 400
24 85 52 19 4420 1615 988 7225 2704 361
25 88 53 22 4664 1936 1166 7744 2809 484
26 90 48 20 4320 1800 960 8100 2304 400
27 94 47 19 4418 1786 893 8836 2209 361
28 93 54 22 5022 2046 1188 8649 2916 484
29 95 54 22 5130 2090 1188 9025 2916 484
30 98 60 25 5880 2450 1500 9604 3600 625

∑ 2472 1433 494 118716 41415 23989 205274 69101 8538

Nilai-nilai pada Tabel_3 dimasukkan dalam Rumus_2 dengan n = 30, diperoleh sistem
persamaan sebagai berikut :
Pers (1) ………… 494 = 30 b0 + 2472 b1 + 1433 b2
Pers (2) ………… 41415 = 2472 b0 + 205274 b1 + 118716 b2
Pers (3) ………… 23989 = 1433 b0 + 118716 b1 + 69101 b2
Selanjutnya, untuk memperoleh b0, b1, dan b2 digunakan metode SUBSTITUSI/
ELIMINASI :
Pertama, eliminasi b0 dengan jalan mengalikan Pers (1) oleh 2472 dan Pers (2) oleh
30, maka diperoleh nilai (1a) yaitu : - 21282 = - 47436 b1 – 19104 b2
Selanjutnya, mengalikan Pers (1) oleh 1433 dan Pers (3) oleh 30, maka diperoleh nilai
(2a) yaitu : - 11768 = - 19104 b1 – 19541 b2
Kemudian, dari (1a) dan (2a) eliminasikan b1 dengan jalan mengalikan (1a) oleh -
19104 dan (2a) oleh – 47436, lalu dikurangkan maka akan diperoleh : b2 = 0,270
Substitusikan (2a) dengan memasukkan nilai b2, diperoleh : b1 = 0,340
Akhirnya, masukan nilai b1 dan b2 ke Pers (1), maka diperoleh : b0 = - 24,437
MAKA :
Regresi Y atas X1 dan X2, memiliki persamaan untuk nilai Ŷ, yaitu :

Ŷ = - 24,437 + 0.340 X1 + 0,270 X2

Perhitungan koefisien-koefisien tersebut akan sangat rumit dan tidak

sederhana ketika akan menyelesaikan sistem persamaan dengan tiga
peubah bebas, empat peubah bebas, dan seterusnya.
Dengan demikian perlu alat bantu berupa komputer yang dilengkapi dengan
software perhitungan multiple regresi, seperti MINITAB, STATISTIK V5.5,
SPSS, atau lainnya.
 CONTOH 2
Data hujan bulan Juni (Y) stasiun Buleleng_bali, periode 1981-1990, ditinjau dari suhu
muka laut di Pasifik (X1) dan Perairan Indonesia (X2), seperti pada Tabel :
Y (milimeter) 98 2 5 21 61 76 14 15 139 0
X1 (0C) 26.7 27.9 27.4 26.4 26.4 27.2 28.3 25.9 26.2 27.2
X2 (0C) 28.6 28.4 28.7 28.5 28.6 28.5 28.6 28.9 28.7 28.6
Jika suhu muka laut (X1) dan (X2), masing-masing 27.0 dan 28.0, berapa besarnya curah
hujan bulan Juni (Y) ??
PENYELESAIAN  : Y X1 X2 X1Y X2Y X1X2 Y2 X12 X22
  98 26.7 28.6 2616.6 2802.8 763.6 9604 712.9 818.0
  2 27.9 28.4 55.8 56.8 792.4 4 778.4 806.6
  5 27.4 28.7 137.0 143.5 786.4 25 750.8 823.7
  21 26.4 28.5 554.4 598.5 752.4 441 697.0 812.3
  61 26.4 28.6 1610.4 1744.6 755.0 3721 697.0 818.0
  76 27.2 28.5 2067.2 2166.0 775.2 5776 739.8 812.3
  14 28.3 28.6 396.2 400.4 809.4 196 800.9 818.0
  15 25.9 28.9 388.5 433.5 748.5 225 670.8 835.2
  139 26.2 28.7 3641.8 3989.3 751.9 19321 686.4 823.7
  0 27.2 28.6 0.0 0.0 777.9 0 739.8 818.0
Σ 431 269.6 286.1 11467.9 12335.4 7712.8 39313.0 7273.8 8185.5

∑Y = n b0 + b1 ∑ X1 + b2 ∑ X2 Cara eliminasi, diperoleh :

Pers_1  431 = b0 = ……; b1 = …….; b2 = ……..
 10 b0 +  269.6 b1 +  286.1 b2 Pers regresi berganda :
Pers_2 ∑ X1Y = b0 ∑ X 1 + b1 ∑ X12 + b2 ∑ X1X2 Y = .…… ± ……. X1 ± …….. X2
 11467.9 Hujan Juni 1991 :
=  269.6 b0 +  7273.8 b1 +  7712.8 b2 Y = ….. ± ….. (27) ± …….(28) =
Pers_3
∑ X2Y = b0 ∑ X 2 + b1 ∑ X1X2 + b2 ∑ X22 ………. mm.
 (2) UJI KEBERARTIAN REGRESI BERGANDA LINEAR
Tujuan Uji adalah untuk meyakinkan apakah regresi (berbentuk linear) yang
diperoleh ada artinya bila dipakai untuk membuat kesimpulan mengenai
hubungan sejumlah peubah yang sedang dipelajari.
Uji keberartian regresi berganda linear, memerlukan dua macam jumlah kuadrat
yaitu untuk regresi : JK(Reg) dan untuk sisa : JK(S), yang secara umum
dihitung dengan Rumus :

JK(Reg) = b1 ∑ X1Y + b2 ∑ X2Y + ….. + bk ∑ XkY

JK(S) = ∑ y2 - JK(Reg)

∑ y2 = ∑ Y2 - (( ∑Y)2 / n)

Masing-masing JK memiliki derajat kebebasan (dk), yang besarnya k untuk

JK(Reg), dan (n-k-1) untuk JK(S), yang dibentuk dari distribusi F
dengan Rumus :

F = {JK(Reg) / k} / {JK(S) / (n-k-1)} Rumus_3

HIPOTESIS : Jika F_hitung (Rumus_3) > F_tabel dari distrbusi F dengan

taraf nyata yang dipilih (α = 0,05), maka regresi BERARTI, dalam hal lainnya
regresi dinyatakan TIDAK BERARTI.
 CONTOH UJI
Persamaan Regresi Berganda Linear yang diperoleh Contoh 1, yaitu :
Ŷ = - 24,437 + 0,340X1 + 0,270X2

Menggunakan Rumus-Rumus JK dan F, diperoleh :

∑ y2 = 403,47
JK(Reg) = (0,340) (707,93) + (0,270) (393,27) = 348,73
JK(S) (dengan k = 2 dan n = 30) = 403,47 – 348,73 = 54,74
F_hitung = (348,73 / 2) / (54.74 / 27) = 86,00
Ternyata nilai F_hitung lebih besar bila dibandingkan dengan F_tabel untuk
dk pembilang 2 dan dk penyebut 27 dengan taraf nyata 0,05, diperoleh
3,3541.
Hasil Uji ini tidak meragukan kita untuk menyatakan bahwa persamaan regresi
yang terbentuk tersebut “BERARTI“ dapat digunakan untuk membuat
kesimpulanmengenai hubungan antara Y dengan X1 dan X2
 PENYELESAIAN PERSAMAAN
MEGGUNAKAN MATRIK
Metode Kuadrat Terkecil
bo n  b1  X 1  b2  X 2   Y

b0  X 1  b1  X 12  b2  X 1. X 2   X 1.Y

bo  X 2  b1  X 1. X 2  b2  X 22   X 2 .Y

det( A1 )
bo 
det( A)

MENCARI KOEFISIEN det( A2 )

b1 
b1, bo, DAN b2 det( A)
MENGGUNAKAN MATRIK det( A3 )
b2 
det( A)
 PERSAMAAN DALAM MATRIKS

n
X 1 X 2 o Y
=
 X1 X 1
2
 X 1 .X 2 1  X .Y 1

X 2
2  X .X
1 2  2
X 2
2  X .Y
2

A b H
A = Matriks (diketahui)
H = Vektor kolom (diketahui)
b = Vektor kolom (tidak diketahui)
Variabel b dapat diselesaikan dengan cara : Ab = H; b = A-1H
Dimana A-1 adalah kebalikan (Invers) dari matriks A
 CARA MEMECAHKAN PERSAMAAN
LEBIH DARI DUA VARIABEL
(MENGGUNAKAN DETERMINAN)

a11a12 
MatriksA    ' det erninanA  det( A)  A  a11a 22  a12 a 21
a 21a 22 
Contoh :
Cari determinan dari matriks berikut :

 24  46 43

A    ; B   ; C   
67  58  58
Penyelesaian :
det (A) = 14 – 24 = -10
det (B) = 32 – 30 = 2
det (C) = 32 – 15 = 17
 MATRIKS 3 BARIS 3 KOLOM
(MENGGUNAKAN DETERMINAN)

a11 a12 a13  b11b12b13 

MatriksA  a 21a 22 a 23 MatriksB  b 21b 22b 23
a 31a 32 a 33  b 31b 32b 33 

det( A)  A  a11 a 22 a 33  a12 a 23a 31  a13a 21a 32  a 31a 22 a13  a 32 a 23a11  a 33a 21a12
det( B )  B  b11b 22b 33  b12b 23b31  b13b 21b32  b31b 22b13  b32b 23b11  b33b 21b12
 CONTOH SOAL (Hal. 199)

• CARILAH PERSAMAAN REGRESI LINIER BERGANDA DARI

NILAI PEMBELIAN BARANG (Y) YANG DIPENGARUHI OLEH
JUMLAH PENDAPATAN (X1), DAN JUMLAH ANAK (X2) PADA
DATA BERIKUT :

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 10
 LANGKAH I
CARILAH
NILAI

n
X 1 X 2 o Y
 X1  1
X 2
 X .X1 2 1 =  X .Y 1

X 2
2  X .X
1 2  2
X 2
2  X .Y 2

Hasil Nilai Statistik ( Σ ) dari data soal :

Y X1 X2 X1Y X2Y X1X2 Y2 X 12 X22

Σ 170 60 40 1122 737 267 3162 406 182
 LANGKAH II : MENYUSUN MATRIK DATA

10 60 40 bo = 170
MATRIK
A 60 406 267 b1 = 1122
40 267 182 b2 = 737

170 60 40
MATRIK
1122 406 267
A1
737 267 182

10 60 170
MATRIK
60 406 1122
A2
40 267 737

10 170 40
60 1122 267 MATRIK
A3
40 737 182
 LANGKAH III : CARILAH bo, b1, dan b2
Hasil Hitungan DET (A) 2.830
Determinan (DET) :
DET (A1) 11.090
DET(A2) 7.050
DET (A3) -1.320

det( A1 ) det( A2 ) det( A3 )

b1  b2  b0 
det( A) det( A) det( A)

b1 = 3,92 Persamaan Regresi Linier Berganda :

b2 = 2,49 Y = -0.47 + 3.92 X1 + 2.49 X2

b0 = -0,47
 KOEFISIEN KORELASI LINIER BERGANDA
Pada korelasi antara dua variabel X dan Y , koefisien korelasinya diberi simbol
rxy atau r :
 x i yi xi  Xi  X
rxy  r  dimana
 xi 2
.  yi 2
yi  Yi  Y
Jika terdapat tiga variabel Y, X1 dan X2 (regresi berganda), maka :

 x1i yi x 1i  X 1i  X 1
Korelasi X1 dan Y : rx1, y  r 1 y  dimana
 x1i 2 .  yi 2 yi  Yi  Y
x 2i X 2i  X 2
 x 2 i yi

Korelasi X2 dan Y : rx 2 , y  r 2 y  dimana
 x 2 i 2 .  yi 2 yi  Yi  Y

Korelasi X1 dan X2 : rx1 x 2  r 12   x 1i x 2 i

 x 1i 2 .  x 2 i 2
Eratnya hubungan antara variabel Y, X1 dan X2, dihitung menggunakan
Koefisien Korelasi Linier Berganda (KKLB) :

r12y  r22y  2r1 y .r2 y .r12

KKLB  Ry .12 
1  r122
 KOEFISIEN PENENTUAN (KP) BERGANDA
(Multiple Coefficient of Determination)
Jika KKLB dikuadratkan maka akan diperoleh KP Berganda (multiple coefficient
of determination), yaitu nilai untuk mengukur besarnya pengaruh (share) dari
beberapa variabel X terhadap variasi (naik/turunnya) Y.
Jika Y’ = b0 + b1X1 + b2X2, maka KP :

KP  Ry 2 .12
Jika dikalikan dengan 100% akan diperoleh persentase sumbangan / pengaruh
(share) variabel X1 dan X2, terhadap variasi (naik/turunnya) Y.
Rumus lainnya untuk menghitung KP :

KP  R 2 y .12  b1 x1i yi b 22  x 2 i yi b1 b2 diperoleh dari Y’ = b0 + b1X1 + b2X2

 yi
dimana :
 
 x1i yi    X 1i  X 1   Yi Y    X 1iYi  n  X 1i Yi
1

 
 x 2 i yi    X 2i  X 2   Yi Y    X 2 iYi  n  X 2 i Yi
1

 Yi   Yi 
2
 
 yi   Yi Y
2 2 1 2

 
  
  n
 CONTOH SOAL
Data hujan bulan Juni (Y) stasiun Buleleng_bali, periode 1981-1990, ditinjau dari suhu
muka laut di Pasifik (X1) dan Perairan Indonesia (X2), seperti pada Tabel :
Y (milimeter) 98 2 5 21 61 76 14 15 139 0
X1 (0C) 26.7 27.9 27.4 26.4 26.4 27.2 28.3 25.9 26.2 27.2
X2 (0C) 28.6 28.4 28.7 28.5 28.6 28.5 28.6 28.9 28.7 28.6
Berapa koefisien korelasi Linier Berganda (KKLB) data tersebut ??
PENYELESAIAN  : Y X1 X2 X1Y X2Y X1X2 Y2 X12 X22
  98 26.7 28.6 2616.6 2802.8 763.6 9604 712.9 818.0
  2 27.9 28.4 55.8 56.8 792.4 4 778.4 806.6
  5 27.4 28.7 137.0 143.5 786.4 25 750.8 823.7
Dari persamaan regresi   21 26.4 28.5 554.4 598.5 752.4 441 697.0 812.3
berganda yang diperoleh   : 61 26.4 28.6 1610.4 1744.6 755.0 3721 697.0 818.0
  76 27.2 28.5 2067.2 2166.0 775.2 5776 739.8 812.3
Y = 2649.09 - 33.26 X1 - 59.64
  X 14 28.3 28.6 396.2 400.4 809.4 196 800.9 818.0
2
  15 25.9 28.9 388.5 433.5 748.5 225 670.8 835.2
b1 = -33.26   139 26.2 28.7 3641.8 3989.3 751.9 19321 686.4 823.7
  0 27.2 28.6 0.0 0.0 777.9 0 739.8 818.0
b2 = -59.64 Σ 431 269.6 286.1 11467.9 12335.4 7712.8 39313.0 7273.8 8185.5

 x1i yi  X 1iYi  n  X 1i Yi 11467.910 ( 269.6 )( 431)  151.86

1 1

 x 2 i yi   X 2iYi  n  X 2 i Yi 12335.4 10 ( 286.1)( 431)  4.49

1 1

 yi   Yi   Yi  KKLB  Ry 2 .12  0.2842  0.53

2 2 1 2 1
  39313.0  ( 431) 2  20736.9
n 10

KP  R 2 y .12  b1 x1i yi b 22  x 2 i yi  ( 33.26)(1146739313

.9 )  ( 59.64)(12335.4 )
 28.42 28.42%  0.2842
 yi .0
KOEFISIEN KORELASI PARSIAL

JIKA VARIABEL Y BERKORELASI DENGAN

VARIABEL X1, X2

KOEFISIEN KORELASI PARSIAL X1 DAN Y,

MAKA VARIABEL X2 DIANGGAP KONSTAN

KOEFISIEN KORELASI PARSIAL X2 DAN Y,

MAKA VARIABEL X1 DIANGGAP KONSTAN

KOEFISIEN KORELASI PARSIAL X1 DAN X2,

MAKA Y DIANGGAP KONSTAN.
 r r1 y  r2 y . r12
KOEFISIEN KORELASI 1 y .2 
PARSIAL X1 DAN Y
1 r22y . 1 r12
2

KOEFISIEN KORELASI
r r2 y  r1 y . r12
PARSIAL X2 DAN Y 2 y .1
1 r12y . 1 r12
2

KOEFISIEN KORELASI r r12  r1 y . r2 y

PARSIAL X1 DAN X2 12. y 
1 r12y . 1 r22y
 CONTOH SOAL

X1 10 2 4 6 8 7 4 6 7 6
X1 = Pendapatan
X2 7 3 2 4 6 5 3 3 4 3 X2 = Jlh Anggota RT
Y 23 7 15 17 23 22 10 14 20 10 Y = Pengeluaran

CARILAH KOEFISIEN KORELASI PARSIAL X1 DAN Y, MAKA VARIABEL X2

DIANGGAP KONSTAN
CARILAH KOEFISIEN KORELASI PARSIAL X2 DAN Y, MAKA VARIABEL X1
DIANGGAP KONSTAN
CARILAH KOEFISIEN KORELASI PARSIAL X1 DAN X2, MAKA Y DIANGGAP
KONSTAN.
LANGKAH PENYELESAIAN :

LANGKAH I : CARILAH KORELASI X1 DAN Y

LANGKAH II : CARILAH KORELASI X2 DAN Y

LANGKAH III : CARILAH KORELASI X1 DAN X2

LANGKAH IV : CARILAH KORELASI PARSIAL UNTUK MASING-MASING KORELASI

 PENYELESAIAN
( Rincian Jawaban di Hal. 203 – 204, Jilid 1, J Supranto )
SIMKOR PEM PENYE 1 PENYE 2 NILKOR
r1Y 102 21,45 52,15 0,91
r2Y 57 14,83 52,15 0,74
  r12 27 21,45 14,83 0,85

MASUKAN
NILAI r DALAM
RUMUS BERIKUT

r r1 y  r2 y .r12 r r2 y  r1 y .r12 r r12  r1 y .r2 y

1 y .2   0 ,80 2 y .1  0 ,15 12. y   0 , 63
1 r22y . 1 r122 1 r12y . 1 r122 1 r12y . 1 r22y

r1y.2 = KKP antara biaya iklan dan hasil penjualan, jika pendapatan konstan. Jadi, pengaruh
pendapatan terhadap penjualan tidak diperhitungkan.
r2y.1 = KKP antara pendapatan dan hasil penjualan, jika biaya iklan konstan. Jadi, pengaruh
biaya iklan terhadap penjualan tidak diperhitungkan.
r12.y = KKP antara biaya iklan dan pendapatan, jika hasil penjualan konstan. Jadi, pengaruh
hasil penjualan terhadap pendapatan tidak diperhitungkan.
 TREND NON LINIER (KUADRATIK / PARABOLA)
Dalam jangka pendek, trend yang linier dapat menggambarkan dengan “baik”
gerakan trend deret berkala. Namun, dalam jangka panjang trend yang linier
umumnya cenderung agak mendatar, sehingga secara keseluruhan akan
memperlihatkan bentuk yang “non linier”

Secara matematis, persamaan trend non linier adalah :

Y’ = a + bX + c X2 …….. Pers 2.3.1

dimana : Y’ = Nilai trend yang ditaksir; a, b, dan c merupakan konstanta
Pers 2.3.1 dinamakan “persamaan kuadratik” atau “persamaan pangkat dua”.
Pada dasarnya, penentuan trend kuadratik tidak banyak berbeda dengan cara
trend linier. Jika jumlah observasi sebanyak n, maka persamaan kuadratik :
ΣY = na + b ΣX + c ΣX2
…….. Pers 2.3.2
ΣXY = a ΣX + b ΣX2 + c ΣX3
ΣX2Y = a ΣX2 + b ΣX3 + c ΣX4
Dengan konsep yang sama dari Pers 1 sampai Pers 12, maka Pers 2.3.2 dapat
disederhanakan menjadi :
ΣY = na + c Σu2 …….. Pers 2.3.3
ΣuY = b Σu2
Σu2Y = a Σu2 + c Σu4 dimana : Σu = 0 dan Σu3 = 0
 h :
nt o
Co
Trend jumlah uang yang disimpan pada Bank Tabungan Pos di Indonesia 1989-2002
(dalam jutaan rupiah)

Tahun Deposit u uY u2Y u2 u4 Y' Nilai Konstanta

  uang (Y)             a b c
1 2 3 4 5 6 7 8      
1989 71 -13 -923 11999 169 28561 133.645 186.49 38.71 2.665
1990 49 -11 -539 5929 121 14641 83.145
1991 71 -9 -639 5751 81 6561 53.965
1992 95 -7 -665 4655 49 2401 46.105
1993 128 -5 -640 3200 25 625 59.565
1994 156 -3 -468 1404 9 81 94.345
1995 192 -1 -192 192 1 1 150.445
1996 217 1 217 217 1 1 227.865
1997 301 3 903 2709 9 81 326.605
1998 378 5 1890 9450 25 625 446.665
1999 520 7 3640 25480 49 2401 588.045
2000 726 9 6534 58806 81 6561 750.745
2001 804 11 8844 97284 121 14641 934.765
2002 1328 13 17264 224432 169 28561 1140.105
Σ 5036 0 35226 451508 910 105742        
 Berdasarkan Pers 2.3.3 :
5036 = 14a + 910c (I)
Langkah 35226 = 910b (II)
Perhitungan 451508 = 910a +105742c (III)

Dari Pers (II) :

910b = 35226
b= 38.71

Dari Pers 2.3.1 dan 2.3.2 (Pers 2.3.1 dikalikan 116,2) :

585183.2 = 1626.8a + 105742c (I)
451508.0 = 910.0a + 105742c (III)
133675.2 = 716.8a
a= 186.49

Nilai konstanta a disubstitusikan ke Pers 2.3.1 :

5036 = 14 (186.49) + 910c
c= 2.665

Persamaan Kuadratiknya dapat dirumuskan sebagai berikut :

Y' = 186.49 + 38.71 u + 2.655 u2
1995 - 1996 = 0
unit u = 6 bulan
Y = jumlah uang tabungan tahunan dalam jutaan rupiah

Maka, nilai trend kuadratik tahun 1989 adalah :

Y' = 186.49 + 38.71 ( -13 ) + 2.655 ( -13 )2 = 133.645

Nilai trend kuadratik tahun 1990 adalah :

Y' = 186.49 + 38.71 ( -11 ) + 2.655 ( -11 )2 = 83.145

Dengan cara yang sama bisa diperoleh nilai trend kuadratik untuk semua tahun
 Diagram Trend
jumlah uang yang disimpan pada Bank Tabungan Pos di Indonesia 1989-2002
(dalam jutaan rupiah)
 d :
r e n
T Apakah Garis Trend jumlah uang yang disimpan
ij “sesuai” bagi
U penerapan deret berkala jumlah uang tabungan pos ???

Hal ini dapat dibuktikan dengan cara yang sederhana, seperti dalam
tabel berikut disajikan hasil perhitungan nilai Y’ bagi u = 0, 1, 2, ….., 6
serta selisih pertama dan keduanya :

Hasil perhitungan nilai trend Y’ = 186.49 + 38.71u + 2.655u 2

untuk u = 1,2,3, ….,6
Jika selisih kedua dari nilai Y’
X Y Selisih Selisih yang diperoleh dari persamaan
    Pertama Kedua kuadrat relatif “konstan”,
(1) (2) (3) (4)
Maka trend kuadrat tersebut
0 186.490    
1 227.865 41.375  
“benar” merupakan trend yang
2 274.570 46.705 5.330 sesuai bagi deret yang
3 326.605 52.035 5.330 bersangkutan.
4 383.970 57.365 5.330 Pada tabel trend kuadratik yang
5 446.665 62.695 5.330 diterapkan “sudah benar”,
6 514.690 68.025 5.330 karena selisih kedua nilai trend
kurang lebih “konstan”.
Soal : (Tugas 2)
Seorang peneliti ingin mengetahui hubungan antara indeks penguapan di
Samudera Hindi pada posisi grid 6 (X1) dan 7 (X2) dengan curah hujan
bulanan (Y) di pesisir Sumatera Barat (diwakili Stamet Tabing) selama
periode 1991-2000.
Hitung Koefisien b0, b1, b2, b3 dan tuliskan persamaan regresi linier
bergandanya ?
Selanjutnya, hitung korelasi partial untuk masing-masing korelasi (Grid 6
dan Y; Grid 7 dan Y; Grid 6 dan Grid 7) ?
Jika indeks penguapan di Grid 6 = 3,5 dan Grid 7 = 2,5 Berapa prediksi
curah hujan (mm)?

34
Data Indeks Penguapan Grid 6 dan 7 Samudera Hindia dan Hujan Bulanan Stamet Tabing
Periode 1991 - 2000
Tahun Bulan Indeks Penguapan Hujan Tahun Bulan Indeks Penguapan Hujan
    Grid 6 Grid 7 (mm)     Grid 6 Grid 7 (mm)
1991 1 5.282412 3.714587 532 1996 1 3.363413 2.947815 413
  2 3.836398 3.721022 235   2 2.154603 1.363093 345
  3 1.508003 1.692004 535   3 4.107632 3.49738 373
  4 2.549796 2.2825 240   4 2.361696 1.761204 46
  5 0.731398 0.151899 208   5 2.049619 1.594603 27
  6 0.662399 0.672007 211   6 0.117599 0.2475 484
  7 2.633073 2.111118 302   7 2.354628 1.126399 296
  8 2.988215 2.209807 227   8 0.0633 0.106799 327
  9 0.1687 0.907805 259   9 2.494819 1.747991 334
  10 0.828799 1.035997 308   10 5.653903 4.39401 537
  11 4.210383 4.790509 594   11 4.9 4.174795 186
  12 0.978594 0.744801 566   12 5.728825 3.060184 314
1992 1 0.0245 0 88 1997 1 2.762108 2.325318 58
  2 2.022398 2.188291 575   2 3.21 2.412407 36
  3 4.171165 4.043994 278   3 1.958398 3.191986 158
  4 3.292933 2.851402 523   4 3.15 3.311011 328
  5 2.219611 2.558391 480   5 3.590988 2.297101 565
  6 1.402496 1.184395 216   6 1.187988 1.349991 86
  7 1.491003 1.685999 301   7 3.176794 2.613199 249
  8 3.502968 3.766931 464   8 4.59198 3.928505 45
  9 4.107632 3.890701 241   9 4.803929 2.803184 38
  10 4.679993 4.424289 531   10 2.734794 0.300999 7
  11 1.468787 0.350998 309   11 1.879206 0.081 122
  12 2.932808 1.831194 417   12 0.35 0.252003 456
1993 1 5.023192 4.425 366 1998 1 1.411211 2.032007 380
  2 5.778247 4.95 197   2 1.185599 1.675611 191
  3 3.124189 2.898695 433   3 1.635215 2.459991 312
  4 5.195938 4.833375 416   4 0.1146 0.705002 231
  5 1.837015 1.993591 585   5 1.638029 0.95521 250
  6 2.261987 1.32811 230   6 1.278403 1.069197 544
  7 2.76123 1.669788 309   7 3.30053 1.695996 427
  8 0.776108 0.889003 89   8 0.493501 0 798
  9 0.0988 0.513001 490   9 0.390597 0.812803 801
  10 0.174299 0.972395 481   10 4.129613 3.247986 507
  11 6.839982 6.254997 617   11 7.412417 6.596809 499
  12 6.266208 4.92343 473   12 7.192022 6.571181 725
1994 1 5.829239 4.112012 239 1999 1 8.947071 7.811796 549
  2 3.805183 3.182401 386   2 4.524014 3.945586 443
  3 3.541971 2.516386 232   3 4.445986 3.444031 283
  4 4.02 3.837634 180   4 4.445 3.654682 185
  5 0.353998 0.0235 110   5 0.567505 0.295001 153
  6 0.993603 0.794998 366   6 0.067799 0.167999 247
  7 2.60302 2.713184 171   7 1.260801 1.701887 150
  8 4.547155 3.182397 71   8 4.162371 2.908799 156
  9 3.904434 2.312979 85   9 5.508052 3.107986 426
  10 2.047481 0.265197 9   10 1.62 1.945415 752
  11 3.601025 4.787959 478   11 5.781051 5.146514 235
  12 6.149034 5.036167 434   12 5.945837 4.250204 393
1995 1 4.442206 3.798992 412 2000 1 1.055008 1.680195 255
  2 1.893604 1.77 215   2 1.814392 1.493097 74
  3 4.997952 5.080905 200   3 1.127493 1.073101 127
  4 2.61061 2.483108 306   4 3.030343 1.78188 273
  5 1.441998 1.155 424   5 3.066827 2.758795 211
  6 1.948827 1.390799 456   6 4.163387 3.330002 229
  7 0.926999 0.186901 336   7 2.760798 2.251799 209
  8 2.83217 2.33051 492   8 1.373395 1.381801 251
  9 0.382397 0.090601 393   9 2.224797 0.968995 428
  10 4.670567 4.827618 445   10 3.382385 3.135627 470
  11 7.218181 6.100855 581   11 8.199182 7.31643 826
  12 4.958972 3.182426 482   12 6.472232 5.805564 674
 Dosen Pengasuh :
NURYADI, S.Si, M.Si
Penjelasan Penyelesaian Soal Korelasi Parsial