STATISTIK TERAPAN

SAP-5
Anakoreg
Regressi Linier:
Y= 5,25+ 0,8X
14 14
0 5,25
Teoritis: 1 6,05 12 12
2 6,85 10 10
Garis linier 3
4
7,65
8,45
8 8

6 6
Y=5,25 + 0,8X 5 9,25 Series1
4
Series1
6 10,05 4
7 10,85 2 2
8 11,65 0
0
9 12,45
0 2 4 6 8 10 12 0 2 4 6 8 10 12
10 13,25

Empiris 0
1
2
4
10
Regressi ŷ=a+b.x 10
9
2 3 8 8

(observasi) 3
4
6
5
6
7
6
5
Regressi linier 5
6
5
7
4 Series1 4
3
Series1

7 6 2
Y= a + b.X 8 8
2
1
9 7 0 0
10 9 0 2 4 6 8 10 12 0 2 4 6 8 10 12

Manusia selalu ingin memaknai interaksi antar elementer alam

semesta secara obyektif dengan pendekatan matematis. Elementer
alamiah Roh, Energi dan Materi.
Jenis-jenis Regressi: Linier dan Non linier.

Y= 2+0,5X (linier) Y= 0,6.X^3 (non linie

x y 700
0 2 6 0 0
1 2,5 5 1 0,6 600
2 3 4 2 4,8 500
3 3,5 3 3 16,2
2 Series1 400
4 4 4 38,4
5 4,5 1 5 75 300 Series1
6 5 0 6 129,6 200
7 5,5 0 2 4 6 8 7 205,8
y= 2+0,8X
Y= 2+4x² (nonlinier) 8 307,2 100
0 2 9 437,4 0
1 6 450 10 600 0 5 10 15
2 18 400 y= 0,6.X^3 Y=0,6x^2+0,8X+12,5 (non
50
3 38 350 0 12,5
4 66 300 1 13,9 40
5 102 250 2 16,5
200 S… 30
6 146 3 20,3
150
7 198 100
4 25,3
20 Series1
8 258 50 5 31,5
9 326 0 6 38,9 10
10 402 0 5 10 15 7 47,5
y=2+4x^2 y=0,6X^2+0,8x+12,5 0
0 2 4 6 8
 0 2 140000 0 0,5 0,6
1 16 1 0,357143
120000 0,5
2 18 2 0,277778
100000
3 54 3 0,227273 0,4
4 200 80000 4 0,192308
0,3
5 486 60000 Series1 5 0,166667 Series1
6 1600 40000 6 0,147059 0,2
7 4374 7 0,131579
20000 0,1
8 15000 8 0,119048
0
9 39366 9 0,108696 0
0 2 4 6 8 10 12
10 118098 10 0,1 0 2 4 6 8 10 12
Y= 2.3^X y= 1/(2+ 0,8.x)
0 0 0 0,5
1 4 4,85 1 0,625
5
2 4,228072 4,8
2 0,78125
4,5
3 4,367468 3 0,976563
4,75 4
4 4,469149 4 1,220703
4,7 3,5
5 4,549646 5 1,525879
3
6 4,616492 4,65 6 1,907349
7 4,673775 Series1 7 2,384186 2,5
4,6 Series1
8 4,723971 8 2,980232 2
4,55 1,5
9 4,768693 9 3,72529
10 4,809058 4,5 10 4,656613 1
y= 2.X^0,8 4,45 y= 1/(2.0.8^X) 0,5
0 1 2 3 4 5 6 7 0
0 2 4 6 8 10 12
.

Y= 0,5^X
0 1 1,2

1 0,5 1
2 0,25
0,8
3 0,125
4 0,0625 0,6
5 0,03125 Series1
0,4
6 0,015625
7 0,007813 0,2
8 0,003906
0
9 0,001953
10 0,000977 0 5 10 15

25000
0 1
1 2,7183 20000
2 7,389155
3 20,08594 15000
4 54,59961
5 148,4181 10000 Series1
6 403,445
5000
7 1096,684
8 2981,117
0
9 8103,571
0 5 10 15
10 22027,94
Analisis Korelasi dan Regresi
Regresi adalah bentuk hubungan matematis antar variabel f(x).
Korelasi adalah koefisien untuk menyatakan kadar hubungan
antar variabel.
(1). Analisis regresi dan korelasi Linier.
a.1. Analisis regresi dan korelasi linier sederhana, berbentuk: y = a + b.X
Penurunan Rumus: Untuk data berpasangan (xi,yi) bentuk regressi
linier
Y (xi , yi) ŷ= a+b.x sederhana seperti gambar. Dalam hal ini
ȳ JKres JKt X sebagai variabel bebas dan Y sebagai varia

JKreg bel terikat. Dari setiap dua titik (Xi,Yi) dapat dibu
at satu garis lurus. Jadi bila ada n data berpasang
0 X an maka akan dapat dibuat ½.n(n-1) garis.
Gbr: Garis regressi Diperlukan satu yang dapat dijadikan acuan

S 2

dapat dibuat sebagai pedoman
 ( y i atau
ˆ
y )


2 mewakili seluruh 2garis yang mungkin
( yi  a  b.x)
. Variansi garis- garis yang mungkin ada dapat
yˆ
(n  1) (n  1)
ditulis dalam bentuk:
Harga koefisien regressi a dan b akan optimal jika turunan pertama varians
regressi terhadap a dan b adalah nol, yaitu : dS y2ˆ dS y2ˆ
2  0....dan..... 0
(1). dS yˆ  0. da db
da 2
0
(n  1)
 ( yi  a  b.xi )( 1)
0  ( yi  n.a  b. xi ) persamaan y i  n.a   xi .b …….(1)

Didapat: a  y i
 b.
 x i
 y  b.x
2 n n
dS yˆ
(2). 0
db 2
0
(n  1)
 ( yi  a  b.xi )(  xi )

0   ( yi .xi  a.xi  b.xi2 )

0   yi .xi  a. xi  b. xi2 Σ xi.yi = a.Σ xi + b.Σ xi² ……(2)
i i i n. x . y  ( x )(  y )
i
Subsitusikan harga a akan didapat :b 
Biasakan menghitung b terdahulu. n. x 2
i  ( x i ) 2
 
Dengan diperolehnya nilai a dan b, maka regressi ŷ = a + b.x ; telah terbentuk.
Cara lain (matrik):
Dari persamaan (1) dan (2) dapat dibuat matrik sbb :
n x i a

y i

 xi x 2
i b  x .yi i

Dengan menggunakan metode Kremer didapat:

det
 y  x i i

a
 x .y  x
i i
2
i

 y . x   x . x . y
i
2
i i i i

n  x i
n  x  ( x )
2
i i
2

det
x x i
2
i

det
n y i

b
x i  x .y
i i

n xi . yi   xi . yi
n x i
n xi2  ( xi ) 2
det
x i x 2
i
Rumus-rumus koefisien regressi., dapat juga dibuat sbb:
( xi )(  yi )
JK xi . yi  xi. yi  n
b 
JK xi
 i x 2

(  xi ) 2

n
a  y  b.x
Dalam peraktek perhitungan sebaiknya hitung terlebih dahulu nilai b kemudian a

Dimana : JKx = Σ xi² - (Σ xi)²/n (jumlah kuadrat data X).

JKy = Σ yi² - (Σ yi)²/n juga merupakan JKt. Yaitu jumlah kuadrat total Y.

JKxy = Σ xi.yi - (Σ xi)(Σ yi)/n

JKreg.= b.JKxy = b(Σxi yi - (Σ xi)(yi)/n ) (lihat Jkreg gambar garis regressi)
JK x
JKres.= JKt – JK reg . (lihat gambar garis regressi) S 2
x 
(n  1)
Dari nilai JKx ini dapat dihitung varians data dengan rumus: dllnya.
n. xi . y i   xi . yi JK xi. yi
r 
Dengan korelasi n. x 2
i
2

   xi  n. y i2    y i 
2
 JK xi .JK yi

Kontribusi (sumbangan) var. bebas sebesar: KD = r². 100%

Dari unsur-unsur yang terdapat dalam rumus-rumus di atas, dapat dibuat tabel Sbb:
no. Xi Yi Xi² Yi² Xi.Yi ŷ (Yi-Ȳ
)² (Yi-Ŷ
)² (Ŷ- Ȳ)² Kel JKE
1
2
3
4
5
6
.
.
n
Jumlah Σ Xi Σ Yi Σ Xi² Σ Yi² Σ Xi.Yi Σ.Ŷ Σ (Yi-Ȳ)² Σ (Yi-ŷ̂)² Σ(ȳi-Ŷ)² K ΣJKE
(JKt) (Jkres) (Jkreg)
Pada tabel di atas, nilai ŷ dapat diisi jika nilai a dan b pada persamaan ŷ= a + b.x telah
diperoleh. Demikian juga nilai pada kolom berikutnya JKt, Jkres. Jkreg.
Dalam bentuk rumus, nilai-nilai jumlah kuadrat pada tabel adalah:
Jumlah kuadrat total. JKt = Σ(yi-ȳ)²= Σyi²-(Σyi )²/n.
Jumlah kuadrat regressi. JKreg.= Σ(ȳ-ŷ)²= b.(Σxi.yi-(Σxi)(Σyi)/n = b .JKxy .
Jumlah kuadrat residu. JK res= Σ(yi- ŷ)²= JKt - JKreg.
JKE = Σ y²ik - (Σyik)²/nk (jumlah kuadrat untuk setiap kelompok data yang Xi nya sama.
Kel.= Kelompok data berdasarkan nilai x yang sama nilai y bervariasi, sehingga data
terbagi menjadi K kelompok.
Pengujian kelinieran garis regressi menggunakan uji F dengan kriteria bentuk
regressi linier apabila nilai F sampel lebih besar dari nilai F tabel pada konvi
dens dan derajat kebebasan yang dimiliki sampel. Atau nilai p-v lebih kecil dari
nilai koefisien konvidensi yang ditentukan (α).
2
S reg JK reg / k ; k = banyaknya variabel bebas.
F 
S 2
JK res /( n  k  1)
res
n2
Pengujian koefisien korlasi r dengan uji t yaitu : t  r
Dengan derajat kebebasan dk= (n-2) dan konvidens α . 1  r 2

Harga 1  r 2 , dinyatakan sebagai koefisien alienasi dan (1-r²) merupakan

koefisient error, diluar variabel yang diperhitungkan (dianalisis) .
ε² =1- r² dan ε = 1  r 2 . Dengan struktur hubungan X Y ε
Kriteria pengujian tolak Ho jika t h  t tab . Penolakan Ho artinya hubungan tidak bermakna.

Kriteria hubungan: 0,80 ≤ r < 1 hubungan sangat tinggi

0,60 ≤ r < 0,80 hubungan tinggi
0,40 ≤ r < 0,60 hubungan sedang.
0,20 ≤ r < 0,40 hubungan rendah
0,00 ≤ r < 0,20 hubungan sangat rendah.
r = 1 hubungan sempurna dan r = 0 tidak berhubungan .
 C0ntoh-1: Data dalam tabel berikut(warna merah) adalah nilai hasil belajar
siswa (Y) dengan gaya belajarnya (X).Tentukan bentuk regressi dan hitung
koefisien korelasi dan kontribusinya . Uji dengan koefisien konvidensi α= 0,05.
No Xi Yi Xi² Yi² Xi.Yi Ŷ )̄ ²²
(Yi-Ȳ (Yi-Ŷ
)² (Ŷ
- Ȳ
)² Kel. JKE
12
1 1 5 1 25 5 5,37 4,41 0,1369 2,9929 I 0
2 2 6 4 36 12 6,19 1,21 0,0361 0,8281
.ŷ=4,55+0,82Xi
10
3 2 6 4 36 12 6,19 1,21 0,0361 0,8281 II 0,666667
4 2 7 4 49 14 6,19 0,01 0,6561 0,8281 8
5 3 6 9 36 18 7,01 1,21 1,0201 0,0081
6 Series1
6 3 8 9 64 24 7,01 0,81 0,9801 0,0081 III 2
7 4 7 16 49 28 7,83 0,01 0,6889 0,5329
4
8 4 9 16 81 36 7,83 3,61 1,3689 0,5329 IV 2
9 5 7 25 49 35 8,65 0,01 2,7225 2,4025 2
10 5 10 25 100 50 8,65 8,41 1,8225 2,4025 V 4,5
0
0 1 2 3 4 5 6
Jumlah 31 71 113 525 234 70,92 20,9 9,4682 11,3642 K= 5 9,166667

 Jawab: Dari tabel didapat n= 10; ΣXi= 31 ; Σ Yi= 71 , ΣX²i= 525; Σ Xi.Yi = 234 .
 Nilai-nilai yang diperlukan: JKx = Σ X²i –(Σ Xi)²/n = 113 – (31)²/10 = 16,9
 JKy = Σ Y²i –(Σ Yi)²/n = 525 – (71)²/10 = 20,9
 JKxy= Σ Xi.Yi –(Σ Xi)(Σyi)/n = 234 –(31)(71)/10 = 13,9 .
10.234  31.71
a. Bentuk regressi:  0,82
10.113  (31) 2
 b = JKxy/JKx = 13,9/16,9 = 0,82. 71.113  31.234
Rumus:  4,55
b=
10.113  (31) 2
 a = ȳ- b.x̄ = 7,1 – 0,82.3,1 = 4,55.Rumus a=
 didapat : ŷ = 4,55 + 0,82 Xi .
Lengkapi tabel, isi kolom ŷ, (yi-Ȳ)², (Yi-Ŷ)²; (Ŷ-Ȳ)² ; K dan JK E .
Dari tabel didapat ; JKt = 20,9
JKreg.= 11,36342
JKres.= 9,4682
Dengan perhitungan rumus: JKt = Σ Yi²-(Σyi)²/n =525-(71)²/10 = 20,9
JKreg.= b.Jkxy = 0,82. 13,9 = 11,40
JKres.= JKt – Jkreg. = 20,9-11,40 = 9,5 .
Perbedaan antara hasil tabel bantu dengan rumus, karena pembulatan angka (penggunaan
desimal pada perhitungan).
b. Koefisien Korelasi. JKxy 13,9
r   0,7396
JKx.JKy 16,9.20,9
Kriteria r= =,7396 pada kategori hubungan tinggi. Kontribusi sebesar r²= 0,5470
C.Pengujian .
c.1 Pengujian Regressi. JK reg / k 11,40 / 1
F   9,6
JK res /( n  k  1) 9,5 /(10  1  1)
Untuk dk1=1 dan dk2 = 8, nilai Fh= 9,6 terletak diantara interval F1= 5,32 dengan
α1= 0,05 dan F2= 12,26 dengan α2= 0,01. f(F)
Didapat : p-v= 0,05-0,04.(4,28/6,74)= 0,0246. α= 0,05
Keputusan: Karena p-v < 0,05 maka Ho ditolak . P-v

Kesimpulan : Bentuk regressi linier, signifikan pada α= 0,05 . 0 5,32 9,6 F

c.2. Pengujian koefisien Korelasi. n2 10  2
tr  0,7396  3,108
Penguian korelasi dengan uji t sbb: 1 r 2 1  (0,7396) 2
Untuk dk=8, nilai th= 3,108 terletak dalam interval :
t1= 2,90 dengan α1= 0,01 dan t2= 3,38 dengan α2= 0,005.
p- v= 0,01-0,005(0,208/0,48)= 0,0078.
Keputusan: Karena p-v< 0,025 maka Ho ditolak.
Kesimpulan: nilai r= 0,7396 signifikan untuk
½α=0,o25 menjelaskan hubungan antara variabel X
0 2,31 3,108 dengan Y, pada taraf nyata α2= 0,005.
Gbr: Kurva Uji t.
c.3. Pengujian koefisien regressi.
1. Koefisien a= 4,55. t  a  a (n  2) 8
a  4,55  7,86
Sa 1 x 1 3,1
JK res . (  ) 9,5( 
n JKx 10 16,9
Untuk dk=8, nilai th= 7,86 terletak dalam interval : t1= 2,82 dengan α1= 0,01
dan t2= 3,25 dengan α2= 0,005. p- v= 0,01-0,005(5,04/0,43)= -0,0486.
Keputusan: Karena p-v< 0,025 maka Ho ditolak.
Kesimpulan: nilai a= 4,55 signifikan untuk menjelaskan hubungan X dgn Y.
2. Koefisien b= 0,82 . b JKx 16,9
tb   b. (n  2)  0,82 8  3,093
Sb JK res . 9,5
Untuk dk=8, nilai th= 7,86 terletak dalam interval : t1= 2,82 dengan α1= 0,01 dan t2=
3,25 dengan α2= 0,005. p- v= 0,01-0,005(0,273/0,43)= 0,0068.
Keputusan: Karena p-v< 0,025 maka Ho ditolak.
Kesimpulan: nilai b= 0,82 signifikan untuk menjelaskan hubungan X dgn Y.

 C.4. Pengujian kelinieran regressi karena pengelompokan variabel X.

 Untuk nilai Xi yang berulang (sama) menyebabkan JKres. Terbagi menjadi dua
bagian yaitu :
1.JK E    y 2
k  ( yk ) 2 nk 
x

2.JK TC  JK res .  JK E
JKE = jumlah kuadrat error, sebagai galat adanya pengelompokan nilai untuk Xi
yang sama.
JKTC = adalah jumlah kuadrat tuna cocok untuk model kelinieran regressi akibat
nilai Xi yang sama, sedangkan nilai Yi bervariasi.
Nilai uji F untuk uji kelinieran menjadi : 2
STC JK TC (k  2)
F 2 
JKTC = 9,5 - 9,17 = 0,33 dan JKE = 19,17 . S E JK E (n  k )
Untuk contoh di atas didapat nilai F sampel: Fh  0,33 (5  2)  0,060
9,17 (10  5)

Untuk dk 1 = 3, dan dk2 = 5, nilai Fh= 0,060 terletak dalam interval : F1= 5,41 dengan
α1= 0,05 dan F2= 12,06 dengan α2= 0,01. didapat: p- v= 0,05-0,04(-5,35/6,65)= 0,0822.
Keputusan: Karena p-v > 0,025 maka Ho tidak ditolak.
Kesimpulan: Bentuk regressi linier, signifikan untuk menjelaskan hubungan X dgn Y,
jadi tidak perlu dicari bentuk regressi yang lain.
Cara lain:
Untuk mempermudah pengujian, dapat digunakan tabel Anava yang berisikan
nilai-nilai perhitungan di atas. Bentuk tabel sbb:
TABEL : ANAVA
Sumber dk JK RJK F
Variasi
2
S reg
Regressi (a) 1 (Σyi)²/n F 2
Regressi (a/b) 1 Jkreg. S²reg S res
Residu (n-2) Jkres. S²res.
Total n ΣY² 2
STC
Tuna Cocok K-2 J KTC=Jkres –JKE S²TC F 2
SE
Error n-k JKE= S²E
Tabel Anava, Pengujian Bentuk Regressi Linier.
Sumber Variasi dk JK RJK F P-v
Regressi (a) 1 504,10 -
Regressi (a/b) 1 11,40 11,40 0,0246
Residu 8 9,50 1,88 9,6 (Ho ditolak)
Total 10 525 - - -
Tuna Cocok 3 0,33 0,11
0,060 0,0822
Error 5 9,17 1,834 (Ho diterima)

Keterangan:
1. Pengujian regressi (a/b), signifikan pada α=0,05 artinya regressi y= 4,55+0,82Xi ,
dapat digunakan untuk memprediksi nilai Y apabila X diketahui.
2. Pengujian tuna cocok tidak signifikan pada α=0,05 , artinya untuk nilai Xi yang
sama dengan nilai Yi yang berbeda (bervariasi) tidak mempengaruhi kelinier
an bentuk regressi yang didapat. Dengan demikian tidak perlu dicari model
regressi lainnya (non linier).
Soal-1: Tentukan regressi dan korelasi antara berat badan (Kg) dan tinggi (Cm)
mahasiwa yang kuliah hari ini dan uji dengan α=0,05 . Hitung kontribusinya.
a2. . ANALISIS REGRESI MULTIPLE.
Bentuk regressi: y  a0  a1.x1  a2 x2  a3 .x3  .........  ak .xk
k = banyaknya variabel bebas yang membentuk persamaan regressi.
Turunan varians regressi untuk setiap koefisien regressi menghasilkan persamaan
sebagai berikut:

1. yi  a0 .n  a1. x1  a 2 . x2  a3 . x3  ........  ak . xk

 x1. yi  a0 . x1  a1. x1  a2 . x1.x2  a3. x1.x3  ........  ak . x1.xk
2
2.
3. x2 . yi  a0 . x2  a1. x1.x2  a2 . x22  a3 . x2 .x3  ........  ak . x2 .xk

4. x3 . yi  a0 . x3  a1. x1.x3  a2 . x2 .x3  a3 . x32  ........  ak . x3 .xk

……………………………………..
………………………………………………………………
……………………………………………………………………………………..

. xpersamaan
kDari k . y i  a 0  di
. x  a1 dapat
.
k atas x . x  a 2  matrik
1 k dibuat
. x .
2 kx  a . 3 k berikut. k  k
x .
3sebagaix  ........  a . x 2
Bentuk matrik (KxK).

n x x 1 x 2 3 . . x k a0 y i

x 1  x  x .x  x .x
2
1 1 2 1 3 . .  x .x
1 k a1  x .y 1 i

x 2  x .x  x  x . x
1 2
2
2 2 3 . .  x .x
2 k a2  x .y 2 i

x 3  x .x  x .x  x
1 3 2 3
2
3 . .  x .x
3 k . a3   x .y 3 i

. . . . . . . . .
. . . . . . . . .
 xk  x1.xk  x2 . xk  x3.xk . .  k
x 2
ak  xk . yi
Perhitungan koefisien regressi menggunakan bantuan metode
eliminasi Gaos dengan matrik segitiga, yang melakukan operasi
baris, untuk membuat nilai dibawah diagonal matrik menjadi
nol. Perhitungan koefisien korelasi dilakukan dengan bantuan
nilai-nilai Jumlah Kuadrat (JK) untuk setiap variabel atau antar
variabel Sbb:
Rumus-rumus untuk perhitungan Jumlah Kuadrad (JK).
 y  2

1.JK t  JK y   y i2 
i

n
 x  2

2.JK xi   x  2 i
i
n
  x   x 
3.JK xi . xk   xi .x k 
i k

n
  x   y 
4.JK xi . yk   xi . y i 
i k

n
5.JK reg   ai .JK xi . yi  a1 .JK x1. yi  a 2 .JK x 2. yi  a3 .JK x 3. yi  ....
6.JK res  JK t  JK reg .
2
S reg JK reg . / k
7.F  
S 2
res JK res /( n  k  1)
8. Korelasi total dan parsial.
a. Korelasi Total. JK reg
R
JK t
b. Korelasi antar variabel bebas dengan terikat
JK xi . yi
rxi. yi 
JK xi .JK yi

c.Korelasi antar variabel bebas

JK xi . xk
rxi . xk 
JK xi .JK xk

9. Sumbangan antar variabel (kontribusi)

a. Sumbangan relatif: SR  ai .JK Xi .Yi dengan
i
JK reg .  SR
i  100%
b. Sumbangan efektif:
SEi  SRi .R 2 
dengan SE
i  R2
10. Pengujian Statistik. JK reg k
Fh 
a. Uji kelinieran regressi: JK res (n  k  1)
Kriteria pengujian tolak Ho jika Fh > F tab . Atau tolak Ho jika p-v < α .
b. Pengujian koefisien korelasi dengan uji t. t  r n  2
Kriteria pengujian tolak Ho jika p-v< α . 1 r2
c. Pengujian koefisien regressi dengan uji t.
ai ai Kriteria tolak Ho jika th > ttab.
t ai  
S ai JK res
( n  2). JK Xi
Contoh-2: Pengukuran gaya belajar siswa (X1) dengan kreativitas belajar
(X2), dan hasil belajar siswa (Y) seperti tabel. Lakukan analisis regressi dan
korelasi dan uji dengan α = 0,05.
No X1 X2 Y X1^2 X2^2 Y^2 X1.Y X2.Y X1.X2
1 1 2 5 1 4 25 5 10 2
2 1 4 6 1 16 36 6 24 4
3 2 1 6 4 1 36 12 6 2
4 2 3 7 4 9 49 14 21 6
5 3 2 6 9 4 36 18 12 6
6 3 5 8 9 25 64 24 40 15
7 4 4 7 16 16 49 28 28 16
8 4 5 9 16 25 81 36 45 20
9 5 3 7 25 9 49 35 21 15
10 5 5 10 25 25 100 50 50 25
Jumlah 30 34 71 110 134 525 228 257 111
Dari tabel di atas dapat dibuat matrik Sbb: Selanjutnya lakukan eliminasi Gaos.
10 30 34 a0 71
30 110 111 a1 228
34 111 134 a2 257

10 30 34 a0 71
30
b2  .b1 0 20 9 a1 15
34 10 0 9 18,4 a2 15,6
b3  .b1
10 10 30 34 a0 71
0 20 9 a1 15
0 0 14,35 a2 8,85
9
b3  .b2
20 a2= 0,616725
a1= 0,472474 y= 3,59 + 0,47 X2 + 0,62 X2.
a0= 3,585714

Dari perhitungan tersebut dapat dibuat regressi Sbb:

y ̂ = 3,59 + 0,47 X1 + 0,62 X2.
(1). Nilai nilai yang diperlukan:
1. JKx1= 110-(30)²/10= 20 4. JKX1.X2= 111 – (30.34)/10 = 9
2. JKx2 = 134-(34)²/10= 18,4 5. JKX1.Y = 228 – (30.71)/10 = 15
3. Jky = 525 – (71)²/10 = 20,9 6. JKX2.Y = 257 – (34.71)/10 = 15,60
(2). Jkreg.= a1.JKx1.y + a2.JKx2.y= 0,47.15 + 0,62.15,60 = 16,722.
Jkres.= JKt-Jkreg. = 20,9 – 16,722 = 4,178.
(3). Koefisien korelasi total: R=JK reg  16,722  0,8945
JK t 20,9
R² = (0,8945)²= 0,8001
(4). Korelasi parsial:
a. rYX1 = JK x1. y  15  0,7337
JK x1.JK y 20.20,9
JK x 2. y 15,6
b. r YX2 =   0,7955
JK x 2 .JK y 18,4.20,9
JK x 2. x1 9
c. rx1. x 2    0,4692
JK x 2 .JK x1 20.18,4

(5).Bentuk Struktur: X1 ry.1 = 0,7337

R=0,8945 Y ε =0,4471

r1.2 = 0,4692 ry.1 = 0,7955

X2
(6). Pengujian statistik: JK reg k 16,722 2
a. Pengujian bentuk kelinieran regressi. h JK (n  k  1) 4,17 (10  2  1)  14,01
F  
res
Dari tabel untuk dk1= 2 dan dk2 = 7 nilai Fh= 14,01 terletak dalam interval,
F1= 4,74 dengan α1 = 0,05 dan F2= 9,55 dengan α2= 0,01 didapat :
p-v= 0,05-0,04(9,27/4,81)= -0,027.
Keputusan: Karena p-v < 0,05 maka Ho ditolak.
Kesimpulan : Bentuk regressi linier pada taraf nyata α = 0,05
b. Uji setiap koefisien korelasi dengan uji t. Rumus:

n2
tr
1 r 2

c. Uji setiap koefisien regressi ao, a1 dan a2 , dengan uji t.

Rumus
ai a1
t 
S ai JK res
(n  2) JK xi
Contoh-3: Telah di ukur Gaya belajar siswa (X1), Tingkat kreativitas siswa (X2) ,
Sikap belajar siswa (X3) dan Hasil belajar (Y).tentukan bentuk regressi
hubungan antar variabel dan hitung koefisien korelasi total dan parsial serta
hitung besar sumbangan (kontribusi) antar variabel, dan uji dengan α=
0,05. Hasilnya seperti tabel berikut:
Jawab: Buat tabel bantu perhitungan untuk mendapatkan nilai-nilai yang
diperlukan, untuk membuat matrik perhitungan koefisien regressi dengan
bentuk: ŷ = ao + a1.X1 + a2.X2 + a3.X3
No. X1 X2 X3 Y X1^2 X2^2 X3^2 Y^2 X1.Y X2.Y X3.Y X1.X2 X1.X3 X2.X3
1 1 2 4 5 1 4 16 25 5 10 20 2 4 8
2 1 4 5 6 1 16 25 36 6 24 30 4 5 20
3 2 1 3 6 4 1 9 36 12 6 18 2 6 3
4 2 3 4 7 4 9 16 49 14 21 28 6 8 12
5 3 2 5 6 9 4 25 36 18 12 30 6 15 10
6 3 5 3 8 9 25 9 64 24 40 24 15 9 15
7 4 4 2 7 16 16 4 49 28 28 14 16 8 8
8 4 5 1 9 16 25 1 81 36 45 9 20 4 5
9 5 3 5 7 25 9 25 49 35 21 35 15 25 15
10 5 5 2 10 25 25 4 100 50 50 20 25 10 10
Jumlah 30 34 34 71 110 134 134 525 228 257 228 111 94 106

Bentuk matrik dasar: 10 30 34 34 a0 71

30 110 111 94 a1 228

34 111 134 106 a2 257
34 94 106 134 a3 228
Perhitungan dalam matrik (exel)

10 30 34 34 71
30 110 111 94 228
34 111 134 106 257
34 94 106 134 228
operasi baris-1
10 30 34 34 71
0 20 9 -8 15 b2-30/10.b1
0 9 18,4 -9,6 15,6 b3-34/10.b1
0 -8 -9,6 18,4 -13,4 b4-34/10.b1
operasi baris-2
10 30 34 34 71
0 20 9 -8 15
0 0 14,35 -6 8,85 b3-9/20.b2
0 0 -6 15,2 -7,4 b4-(-8/20).b2
operasi baris-3
10 30 34 34 71
0 20 9 -8 15
0 0 14,35 -6 8,85
0 0 0 12,69129 -3,69965 b4-(-6/14,35).b3

a3= -0,291511092 -0,29 Persamaan regressi:

a2= 0,494838569 0,49 Y = 5,18 + 0,41 X1 + 0,49 X2 - 0,29 X3
a1= 0,410718207 0,41
a0= 5,176531956 5,18
Persamaan regressi yang didapat adalah: ŷ = 5,18 + 0,41 X1 + 0,49 X2 – 0,29 X3 .

b. Nilai-nilai yang diperlukan :

1.JKx1 = 110-(30)²/10 = 20.
2.JKx2 = 134-(34)²/10 = 18,4.
3.JKx3 = 134-(34)²/10 = 18,4.
4.JKy = 525-(71)²/10 = 20,9.
5.JKx1.y = 228-(30.71)/10 = 15.
6.JKx2.y = 257-(34.71)/10 = 15,6.
7.JKx3.y = 228-(34.71)/10 =-13,4.
8.JKx1.x2 = 111-(30.34)/10 = 9.
9.JKx1.x3 = 94-(30.34)/10 = -8.
10.JKx2.x3 = 106-(34.34)/10 = -9,6.
(nilai-nilai JK ini merupakan isi sel-sel pada matrik kedua, operasi baris kesatu)

c. Jkreg.= a1.JKx1.y + a2.JKx2.y + a3.JKx3.y = 0,41 . 15 + 0,49 . 15,6 – 0,29 . (-13,4) = 17,68
Jkres.= JKt-Jkreg. = 20,9 – 17,68 = 3,22

d. Koefisien korelasi total: R= √(Jkreg./JKt) =√(17,68/20,9)= 0,9197 .

R²= (0,9197)² = 0,8459 .
Error sebesar: ε  (1  R 2 )  (1  0,8459)  0,3926
 e.Korelasi parsial.
15 9
1.ry .1   0,7337 4.r1.2   0,4692
20.20.9 20.18,4
15,6 8
2.ry.2   0,7955 5.r1.3   0,4171
18,4.20.9 20.18,4
 13,4  9,6
3.ry .3   0,6833 6 .r2.3   0,5217
18,4.20.9 18,4.18,4

Model struktur hubungan adalah :

X1

r1.2 ry.1

r1.3 X2 ry.2 Y ε
5. Sumbangan antar variabel:
a1.JK x1. y 0,41.15
a. Sumbangan relatif. SR1    0,3479
JKreg 17,68
a2 .JK x 2. y 0,49.15,6
SR2    0,4324
JKreg 17,68
a3 .JK x 3. y  0,29.  13,4
SR3    0,2197
JKreg 17,68
b. Sumbangan efektif.
SE1  SR1.R 2  0,3479.0,8459  0,2943
SE2  SR2 .R 2  0,4324.0,8459  0,3658
c. Pengujian: SE3  SR3 .R 2  0,2197.0,8459  0,1858
c.a. Bentuk regressi. JK reg / k 17,68 / 3
Fh    10,98
JK res /( n  k  1) 3,22 /(10  3  1)
Untuk dk1= 3 dan dk2 = 6, nilai Fh = 10,98 terletak diantara F1= 4,76 dengan
α1 = 0,05 dan F2= 9,78 dengan α2 = 0,01 .
p-v = 0,05-0,04(6,22/5,02)= 0,00044
Keputusan: karena p-v < 0,05 maka Ho ditolak.
Kesimpulan : Bentuk regressi linier, signifikan pada α = 0,05
Besaran lainnya uji sendiri.
Analisis Jalur.
Analisis jalur digunakan untuk mengisolir variabel yang tidak ber pengaruh dalam
struktur hubungan antar variabel pada analisis regressi linier multiple. Pada
awalnya struktur hubungan diasum sikan semua variabel bebas tidak memiliki
hubungan. Hubungan yang terjadi hanya mutlak antara hubungan var iabel bebas
de ngan terikat saja. Oleh karena itu bila hubungan antara variabel bebas dengan
variabel bebas lainnya di analisis akan didapat ke mungkinan bahwa struktur
hubungan yang diasumsikan akan berubah bentuknya. Lihat gambar berikut:
Masih banyak kemungkinan yang dapat terjadi selain apa yang digambarkan
tersebut, yaitu f(X1,X2)=0 dan f(X2,X3,Y)=0 . Mungkin pula terjadi f(X1,X3)= 0 dan
f(X,X3,Y)=0 dll. ε
X1 X2
Y ε
X1 X3
r1.2 ry.1 Gbr –b: f(X1,X2)=0 dan f(X2,X3,Y) = 0
r1.3 X2 ry.2 Y ε X1 ε
r2.3 ry.3 X2 Y ε
X3 X3
Gbr-a: f(X1,X2,X3,Y)= 0 Gbr-c: f(X1,X2,X3) = 0 dan f(X2,Y) = 0
Pada gambar X1,X2,X3 sebaga variabel bebas (prediktor). Variabel Y sebagai
variabel terikat dan ε sebagai residu (diluar variabel yag dianalisis). Bentuk regressi
untuk struktur diatas adalah y = a1.X1 + a2.X2 + a3.X3 + ε . (Gbr-a) dan
X2= a1.X1+ a3.X3 + ε ; serta y = a2.X2 + ε
Semakin kompleks hubungan struktur antar variabel, semakin kompleks oula diagram
jalurnya, dan semakin banyak sub struktur yang membangun diagram jalurnya.
Perhitungan Koefisien Jalur (ρ).
Koefisien jalur (ρ) dihitung berdasarkan analisis hubungan antara
koefisien korelasi yang ada dalam struktur. Prosedur perhitungan
sebagai berikut:
1. Gambarkan struktur hubungan dan hitung koefisien korelasi parsial
yang membentuk struktur tersebut.
2. Buat matrik korelasi Sbb: 1 r1.2 r1.3 . r1.k 1 ry .1
Gunakan eliminasi Gaos r1.2 1 r 2.3 . r2.k  2 ry .2
untuk menghitung koefi- r1.3 r2.3 1 . r3.k  3  ry .3
sien jalur ρi . . . . . . . .
r1.k r2. r3.k . 1  k ry .k
3.Hitung koefisien determinasi R² dengan rumus :
ry .1
ry .2
R 2  1 2 3 .  k . ry .3
.
ry .k

Selanjutnya dapat dihitung koefisient korelasi total R= √R².

4. Hitung koefisien error dengan rumus :   1  R 2
E.2. Pengujian Koefisien jalur.
Tingkat keberartian koefisien jalur diuji dengan statistik t, dengan
rumus: (n  k  1)
th   y.i
(1  R ).ci.i
2

Ci.i = elemen matrik kofaktor pada baris ke i kolom ke i ; C 11, C22, C33
dan seterusnya. a11 a12 a13 Didapat: c11  a22 .a33  a23.a32
Contoh: a21 a22 a 23 c22  a11 .a33  a13 .a31
a31 a32 a33 c33  a11 .a22  a12 .a21
Kriteria pengujian: tolak Ho jika p-v < α .
Penolakan Ho menyatakan koefisien jalur yang diui signifi- kan pada
taraf nyata α .
E.3. Pengujian Perbedaan koefisien jalur.
Pengujian untuk menentukan variabel yang lebih besar
pengaruhnya, menggunakan statistik t sebagai beikut:
(n  k  10
th  (  y.i   y.k )
(1  R )(cii  c jj  2cij )
2

Karena bentuk matrik simetris, maka lihat penjelasan di atas tentang

cii . Keriteria pengujian: Tolak
c12  c21  a21.a33  a23.a31 Ho jika p-v < α .Penolakan
Ho menyatakan bahwa, ter
c13  c31  a12 .a23  a22 .a31 dapat perbedaan pengaruh
c23  c32  a11 .a32  a12 .a31 terbesar adalah yang terbaik.
yang signifikan. ρi yang
Contoh: Dari contoh yang lalu (analisis regressi dengan 3 prediktor)
struktur menurut proporsi tioritik adalah; seperti gambar.
Lakukan analisis jalur dan uji dengan α= 0,05.
X1 ry1= 0,7337
r1.2= 0,4692

r1.3=-0,4171 X2 ry2= 0,7955 Y ε= 0,380

r2.3= -0,5217
X3 r.y.3=-0,6833
Gbr. Struktur hubungan f(X1,X2,X3,Y)=0
Jawab: Bentuk matrik korelasi untuk perhitungan koefisien jalur dapat dibuat
sebagai berikut;

1 0,4692  0,4171 1 0,7337

0,4692 1  0,5217  2  0,7955
 0,4171  0,5217 1 3  0,6833
Perhitungan selanjutnya menggunakan bantuan exel.
Perhitungan dengan Exel.
1 0,4692 -0,4171 0,7337
 0,4692 1 -0,5217 0,7955 Koefisien determinasi dan ko-
-0,4171 -0,5217 1 -0,6833
 relasi total:
1 0,4692 -0,4171 0,7337
0 0,7799 -0,326 0 0,451248 0,7337
0 -0,326 0,826028 0 -0,37727 0,4018 0,4642 -0,2736 0,7955
-0,6833
1 0,4692 -0,4171 0,7337
0 0,7799 -0,326 0,4512 R^2= 0,851023
0 0 0,68976 0 -0,18865 R= 0,9225

ρ1= -0,2735
ρ2= 0,464211
 ρ3= 0,401814
0,7337
Koefisien determinasi : R²= 0,4018. 0,4642. -0,2735 0,7955
 -0,6833
R²= 0,8510
Koefisien korelasi total R = √0,8510 = 0,9225
Error: ε= √(1-R²)=√0,1490 = 0,3860
Struktur jalur:
X1
ρ1=0,4018
X2 ρ2=0,4642 Y ε= 0,3860
ρ3=-0,2736
X3
Pengujian jalur:
1. Jalur ρ1= 0,4018; Untuk mencari c11 lihat matrik utama.
c11= 1.1-(-0,5217. (-0,5217))= 0,7278
10  3  1
t h  0,4018  2,99
(1  0,8510).0,7278

Untuk dk = 6, nilai th = 2,99 terletak dalam interval, t1 = 2,45 dengan α1 =

0,025 dan t2 = 3,14 dengan α2 = 0,01.
Didapat p-v = 0,025 - 0,015.(0,539/0,69) = 0,0133.
Keputusan : Karena p-v < 0,025 maka Ho ditolak.
Kesimpulan: Jalur ρ1 signifikan untuk menjelaskan hubungan multiple.
2. Jalur ρ2 = 0,4642;
Untuk mencari c22 lihat matrik utama c22= 1.1-(-0,4171. (-0,4171))= 0,8260
(10  3  1)
t h  0,4642  3,241
0,149.0,8260
Untuk dk = 6, nilai th = 3,241 terletak dalam interval, t1 = 3,14 dengan α1 = 0,01 dan
t2 = 3,71 dengan α2 = 0,005.
Didapat p-v = 0,001 - 0,005.(0,101/0,57) = 0,0091.
Keputusan : Karena p-v < 0,025 maka Ho ditolak.
Kesimpulan: Jalur ρ2 signifikan untuk menjelaskan hubungan multiple.
3. Jalur ρ3 = -0,2736;
Untuk mencari c33 lihat matrik utama. c33= 1.1-(0,4692. (0,4692))= 0,7799
(10  3  1)
t h  0,2736  1,966
0,149.0,7799
Untuk dk = 6, nilai th = -1,966 terletak dalam interval, t1 = 1,94 dengan α1 = 0,05 dan
t2 = 2,45 dengan α2 = 0,025.
Didapat p-v = 0,05 - 0,025.(0,026/0,51) = 0,0487.
Keputusan : Karena p-v < 0,025 maka Ho ditolak.
Kesimpulan: Jalur ρ3 signifikan untuk menjelaskan hubungan multiple.
c. Pengujian kekuatan jalur.
1. Uji ρ1 dengan ρ2 dengan Ho: ρ1 = ρ2
dari matrik utama didapat , c12 = 0,4692. 1- (-0,5217. (-0,4171))=
0,2516 .
(n  k  1)
t h  ( 1   2 )
(1  R 2 )( c11  c22  2c12 )
10  3  1
 (0,4642  0,4018)  0,3863
0,149(0,7278  0,8260  2.0,2516

Untuk dk = 6, nilai th = 0,3863 terletak dalam interval t1 = 0,265 dengan

α1= 0,40 dan t2= 0,553 dengan α2= 0,30.
Didapat p-v = 0,40 – 0,10 (0,1213/0,288) = 0,3579 .
Keputusan: Karena p-v > 0,025 maka Ho tidak ditolak.
Kesimpulan : Kedua jalur seimbang dalam mempengaruhi Y .
2. Uji ρ1 dengan ρ3 dengan Ho: ρ1 = ρ3
dari matrik utama didapat :
c13 = 0,4692.(-0,5217)- (1. (-0,4171))= 0,1723.
( n  k  1)
t h  ( 1   3 )
(1  R 2 )( c11  c33  2c13 )
10  3  1
 (0,4018  0,2736)  3,974
0,149(0,7278  0,7799  2.0,1723

Untuk dk = 6, nilai th = 3,974 terletak dalam interval

t1 = 3,14 dengan α1= 0,01 dan t2= 3,71 dengan α2= 0,005.
Didapat p-v = 0,01 – 0,005 (0,834/0,57) = 0,0027.
Keputusan: Karena p-v < 0,025 maka Ho ditolak.
Kesimpulan : Jalur ρ1 lebih baik dari ρ3 dalam
mempengaruhi Y .
 3.
Uji ρ2 dengan ρ3 dengan Ho: ρ2 = ρ3
dari matrik utama didapat :
c23 = 1.(-0,5217)- (0,4692.(-0,4171)) = -0,3260.
( n  k  1)
th  (  2  3 )
(1  R 2 )(c22  c33  2c23 )
10  3  1
 (0,4642  0,2736)  3,12
0,149(0,8260  0,7799  2.9  0,3260

Untuk dk = 6, nilai th = 312 terletak dalam interval t1 = 2,45 dengan

α1= 0,025 dan t2= 3,14 dengan α2= 0,01.
Didapat p-v = 0,025 – 0,015 (0,67/0,69) = 0,0104.
Keputusan: Karena p-v < 0,025 maka Ho ditolak.
Kesimpulan : Jalur ρ2 lebih baik dari ρ3 dalam mempengaruhi Y .
Kesimpulan Umum: Semua jalur mempengaruhi variabel terikat secara
signifikan, artinya struktur jalur yang diajukan tidak perlu diseleksi
(triming).
Soal:
1. Ambil data usia dan pangkat golongan dari 40 orang dosen dilingkungan
FPTK. Tentukan bentuk regressi hubungan antara pangkat golongan dengan
usia dosen tersebut dan hitung koefisien korelasi. Uji dengan α= 0,05 . Beri
nilai untuk gol. 3a=1, 3b=2, 3c=3, 3d=4, 4a=5, 4b=6 , 4c=7 , 4d=8 dan 4e= 9.
2. Lakukan analisis korelasi dan regressi untuk data seperti tabel berikut:
X1 1 2 3 4 5 2 2 4 4 5 3 3 5 5 1 2 2 4 4 3
X2 2 4 2 3 4 3 2 5 4 5 4 5 4 5 3 2 3 3 3 5
X3 3 1 3 4 5 2 3 4 5 4 4 4 5 5 2 3 2 2 3 4
X4 4 3 4 4 5 3 3 4 5 4 4 5 5 4 3 2 3 4 3 3

Yi 5 6 7 8 9 6 5 9 8 9 7 8 9 9 6 7 6 7 8 7

Hitung besarnya sumbangan antar variabel dan uji dengan α= 0,05.

3. Lakukan analisis jalur untuk soal no 2.
Regressi Bentuk
Lain, dapat dibuat
dengan cara seperti
penurunan rumus-
rumus regressi
linier .
Hub. Berat badan dengan tinggi. (latihan)
no Berat (Kg) Tinggi (Cm) B² T² B.T Ŷ JKt JK reg Jkres Kel. JKE
1 46 152 2116 23104 6992 151,8748 110,25 112,8949 0,015675 I 0
2 52 156 ii 18
3 52 150
4 54 156 III 8
5 54 158
6 54 160
7 55 158 IV 0
8 60 158 V 36,8
9 60 164
10 60 162
11 60 158
12 60 164
13 62 158 VI 0
14 65 158 VII 70,75
15 65 164
16 65 169
17 65 160
18 68 162 VIII 35,2
19 68 162
20 68 158
21 68 166
22 68 164
23 69 165 IX 0
24 70 164 X 8
25 70 166
26 70 168
27 78 174 XI 0
28 79 175 XIII 0
29 82 172 XIII 0
30 88 174 XIV 0
Jumlah 1935 4875 2116 23104 6992 151,8748 110,25 112,8949 0,015675 14 176,75

b= 2,505842 JKx= 2607,5 r= 0,871821

a= 0,873198 JKt= 1131,5 F1= 88,70191 (Ho ditolak) Regressi linier
Jkreg= 860,022 F2= 0,714591 (Ho diterima) Tdk perlu dicari model lain
Ŷ
= 125,457+ 0,5743 X Jkres= 271,478 t= 9,418169 (Ho ditolak) r signifikan.
JKG= 94,728
Dua
No variabel
Y bebas.
X1 X2 Y² X²1 X²2 X1.Y X2.Y X1.X2 Ŷ JKt Jkreg Jkres
1 9,95 2 50 99,0025 4 2500 19,9 497,5 100 8,3773 364,15326 426,64968 2,4733853
2 24,45 8 110 597,8025 64 12100 195,6 2689,5 880 25,5931 21,002056 11,831536 1,3066776
3 31,75 11 120 1008,0625 121 14400 349,25 3810 1320 33,951 7,3831758 24,188691 4,844401
4 35 10 550 1225 100 302500 350 19250 5500 36,5817 35,607476 56,985891 2,5017749
5 25,02 8 295 626,0004 64 87025 200,16 7380,9 2360 27,9056 16,102564 1,2705798 8,3266874
6 16,86 4 200 284,2596 16 40000 67,44 3372 800 15,7409 148,17706 176,67461 1,2523848
7 14,38 2 375 206,7844 4 140625 28,76 5392,5 750 12,4398 214,70455 275,32765 3,764376
8 9,6 2 52 92,16 4 2704 19,2 499,2 104 8,4023 377,63372 425,61753 1,4344853
9 24,35 9 100 592,9225 81 10000 219,15 2435 900 28,2124 21,928616 0,6730562 14,918134
10 27,5 8 300 756,25 64 90000 220 8250 2400 27,9681 2,3494758 1,1335861 0,2191176
11 17,08 4 412 291,7264 16 169744 68,32 7036,96 1648 18,3909 142,86943 113,25004 1,7184588
12 37 11 400 1369 121 160000 407 14800 4400 37,451 63,476276 70,866091 0,203401
13 41,95 12 500 1759,8025 144 250000 503,4 20975 6000 41,4453 166,85406 154,07016 0,2547221
14 11,66 2 360 135,9556 4 129600 23,32 4197,6 720 12,2523 301,81418 281,58518 0,3508193
15 21,65 4 205 468,7225 16 42025 86,6 4438,25 820 15,8034 54,505736 175,01702 34,182732
16 17,89 4 400 320,0521 16 160000 71,56 7156 1600 18,2409 124,16199 116,46511 0,1231308
17 69 20 600 4761 400 360000 1380 41400 12000 64,6497 1597,3771 1268,5636 18,92511
18 10,3 1 585 106,09 1 342225 10,3 6025,5 585 12,3205 350,9178 279,30097 4,0824202
19 34,93 10 540 1220,1049 100 291600 349,3 18862,2 5400 36,4567 34,776968 55,114291 2,3308129
20 46,59 15 250 2170,6281 225 62500 698,85 11647,5 3750 46,5532 308,25527 306,96442 0,0013542
21 44,88 15 290 2014,2144 225 84100 673,2 13015,2 4350 47,0532 251,13375 324,73482 4,7227982
22 54,12 16 510 2928,9744 256 260100 865,92 27601,2 8160 52,5475 629,3676 552,94112 2,4727562
23 56,63 17 590 3206,9569 289 348100 962,71 33411,7 10030 56,2918 761,60545 743,05308 0,1143792
24 22,13 6 100 489,7369 36 10000 132,78 2213 600 19,9795 47,648648 81,962241 4,6246502
25 21,15 5 400 447,3225 25 160000 105,75 8460 2000 20,9852 62,138536 64,763866 0,027159
Jumlah 725,82 206 8294 27178,532 2396 3531848 8008,47 274816,71 77177 725,5933 6105,9447 5989,0048 115,17613

matrik-1: 25 206 8294 725,82 matrik-2 25 206 8294 725,82 jkt= 6105,9447 F= 567,7224657 Ho ditolak
206 2396 77177 8008,47 0 698,56 8834,44 2027,7132 Jkreg= 5989,8867
8294 77177 3531848 274817 0 8834,44 780230,56 34018,957 Jkres= 116,05803

matrik-3 25 206 8294 725,82 a2= 0,0125282 JKx1= 698,56 R= 0,9904507 t= 34,45367999 Ho ditolak
0 698,56 8834,44 2027,71 a1= 2,7442596 JKx2= 780230,56 ry1= 0,9818118 t= 24,80080825 Ho ditolak
0 0 668504,54 8375,1888 ao= 2,2637305 JKt= 6105,9447 ry2= 0,4928666 t= 2,716574904 Ho ditolak
JKx1.x2= 8834,44 r1.2= 0,3784127 t= 1,960599587 Ho ditolak
Y= 2,2637 +2,7443 X1 + 0,0125 X2 JKX1Y= 2027,7132 SR1= 0,9289944
JKX2Y= 34018,667 SR2= 0,0711523
SE1= 0,9113367
SE2= 0,0697999