MATA KULIAH

STATISTIK 2

REFERENSI DAN LITERATUR :

1. Metode Statistik , Jilid II ------- Anto Dajan
2. Statistik Untuk Ekonomi & Niaga Jilid II ---------- Sudjana
3. Statistik Teori & Aplikasi Jilid II ------- J. Supranto
4. Teknik Statistika Untuk Bisnis & Ekonomi Jilid I & II -------
Robert D.Mason dkk, terjemahan : Ellen Gunawan .S
5. Statistik Jilid II -------------- Sutrisno Hadi.
Materi Statistik 2
1. Regresi
- Regresi Linier
- Regresi Non Linier
- Regresi Linier Multiple/Regresi Berganda
- Kekeliruan Standar Taksiran
- Batas-batas nilai ramalan

2. Korelasi
- Korelasi tidak berkelompok
- Korelasi berkelompok
- Korelasi Rank/Spearman
- Korelasi Multiple & parsil
3. Pengujian Hipothesis
- Menguji Rata-rata
- Menguji Perbandingan
- Menguji Beda Rata-rata
- Menguji Beda Perbandingan

4. Chi Quadrat / Chi Square

- Uji Kuadrat untuk data nominal
- Uji Independen antara dua faktor
- Data Binomial
- Koefisien Kontigensi
Regresi Linier Sederhana
1. Hubungan Antar Variabel
Hubungan antar variabel dapat berupa
hubungan linier ataupun hubungan tidak linier.
Misalnya, berat badan laki-laki dewasa sampai
taraf tertentu bergantung pada tinggi badan,
keliling lingkaran bergantung pada
diameternya, dan tekanan gas bergantung
pada suhu dan volumenya.
Hubungan-hubungan itu bila dinyatakan dalam
bentuk matematis akan memberikan
persamaan-persamaan tertentu.
• Untuk dua variabel, hubungan liniernya dapat
dinyatakan dalam bentuk persamaan linier, yaitu :
Y = a + bX
Keterangan :
Y,X = variabel
a = bilangan konstan (konstanta)
b = koefisien regresi

Karena antara Y dan X memiliki hubungan, maka nilai X

dapat digunakan untuk menduga atau meramal nilai Y.
Dalam hal ini, X disebut variabel bebas, yaitu variabel
yang nilai-nilainya berdampak pada variabel lain dan Y
disebut variabel terikat, yaitu variabel yang nilai-
nilainya bergantung pada variabel lain.
2. Persamaan Garis Regresi Linier Sederhana
Regresi yang berarti peramalan, penaksiran, atau
pendugaan pertama kali diperkenalkan pada tahun 1877
oleh Sir Francis Galton (1822 – 1911) sehubungan
dengan penelitiannya terhadap tinggi manusia.
Penelitian tersebut membandingkan antara tinggi anak
laki-laki dan tinggi badan ayahnya.

Analisis Regresi juga digunakan untuk menentukan

bentuk (dari) hubungan antar variabel. Tujuan utama
dalam penggunaan analisis itu adalah untuk
meramalkan atau memperkirakan nilai dari satu variabel
dalam hubungannya dengan variabel yang lain yang
diketahui melalui persamaan garis regresinya.
• Untuk populasi, persamaan garis regresi linier
sederhananya dapat dinyatakan dalam bentuk :
y.x = A + BX
Keterangan :
y.x = rata-rata Y bagi X tertentu
A,B = konstanta atau parameter atau koefisien regresi populasi
Karena populasi jarang diamati secara langsung, maka digunakan
persamaan regresi linier sederhana sampel sebagai penduga
persamaan regresi linier sederhana populasi. Bentuk persamaannya
adalah :


Y = a + bX
Keterangan :
Y = penduga bagi y.x
variabel terikat (variabel yang diduga)
X = variabel bebas (variabel yang diketahui)
a,b = penduga parameter A dan B
koefisien regresi sampel
a = intersep (nilai Y, bila X = 0)
b = slop (kemiringan garis regrsi)
Persamaan Y = a + bX memberikan arti jika
variabel X mengeluarkan satu satuan maka
variabel Y akan mengalami peningkatan atau
penurunan sebesar 1 x b.
Untuk membuat peramalan, penaksiran atau
penduga dengan persamaan regresi, maka nilai a
dan b harus ditentukan terlebih dahlu. Dengan
metode kuadrat terkecil (least square),nilai a dan b
dapat ditentukan dengan rumus berikut :
 XY  n . X . Y
b 
X 2
 n. X 2

a Y  b. X
• Contoh soal :
Berikut ini adalah data hasil pengamatan pemupukan dan hasil
panen pada untuk 5 percobaan yang telah dilakukan.

Tabel. Hasil pengamatan terhadap pemupukan dan panen

padi.

X 3 6 9 10 13
Y 12 23 24 26 28
Y = hasil panen padi (dalam kuintal)
X = pemupukan (dalam kg
Pertanyaan :
a. Buatlah persamaan garis regresi dan jelaskan artinya !
b. Tentukan nilai pendugaan bagi Y,Jika X = 9 !
• Penyelesaian :
Untuk menyelesaikan soal tersebut, terlebih dahulu
dibuat tabel seperti berikut.

X Y X2 Y2 XY
3 12 9 144 36
6 23 36 529 138
9 24 81 576 216
10 26 100 676 260
13 28 169 784 364
 41  113  395  2.709  1.014
n  5
41
X   8,2
5
113
Y   22,6
5

1.014  5  8,2   22,6 

b 
395  5 8,2 2  
87,4

58,8
 1,5  dibulatkan 
a  22,6  1,5  8,2 
 10,3
• Persamaan garis regresi linier sederhannya
adalah : Y = 10,3 + 1,5X
Artinya, jika digunakan pupuk sebesar 1 kg
maka akan memberikan atau peningkatan hasil
panen pada sebesar 1 x 1,5 = 1,5 kuintal.

• Nilai duga Y , jika X = 9 adalah :

Y = 10,3 + 1,5 ( 9 )
= 23,8
REGRESI
Untuk mempelajari hubungan yang ada diantara variabel-
variabel, dari hubungan tersebut kita dapat mengetahui
variabel-variabel yang satu apabila variabel lainnya
diketahui.

Variabel Bebas (Independent)

Adalah sejumlah gejala atau unsur yang mempengaruhi
munculnya gejala atau unsur yang lain.

Variabel Terikat (Dependent)

Adalah gejala atau unsur yang muncul dipengaruhi adanya
variabel bebas.

Contoh : Variabel X = Promosi

Y = Penjualan
Regresi Dibagi menjadi Tiga (3) :
1. Regresi Linier

b= -
b= +


Yang biasa digunakan Y = a + bx ------- X = variabel bebas
Y = variabel terikat
 n XY - X Y Y – b .X
b = a =
n ( X2) – ( X )2 n

a = bilangan konstanta / intercept

b = berubahnya harga Y untuk setiap perubahan satu unit X

Y = ramalan Y


Bila X = 0 --- Y = a

Bila X naik maka Y bertambah sebesar b ( jika b+ )
Contoh : Adakalanya nilai a tidak berfungsi


a = 2,4 b = 0,5 Misalnya : Y =a + bx

X = pendapatan x = pengunjung

Y = pengeluaran y = belanja

Y = 7,2 + 0,2x

Y = 2,4 + 0,5x 

X=0 b = 0,5 Jika x = 0 --- Y = 7,2 tidak mungkin


terjadi, karena apabila pengunjung =
Y = 2,4 0, maka tidak mungkin ada yang
belanja.
a bisa berfungsi jika x  1 atau x = 1
dan a tidak berfungsi apabila x = 0.
Contoh lain :
Misalnya = a = 7,5 x = pendapatan
b = 0,5 y = pengeluaran

------ Y = 7,5 + 0,5x



x = 0 ----- Y = 7,5


artinya : x naik 1,- ---- Y akan bertambah

sebesar 0,5
Contoh dalam tabel
Pendapatan Pengeluaran
(X) (Y) X.Y X2 Y2
(rb Rp) (rb Rp)
80 70 5600 64 4900
100 65 6500 10000 4225
120 90 10800 14400 8100
140 95 13300 19600 9025
160 110 17600 25600 12100
180 115 20700 32400 13225
200 120 24000 40000 14400
220 140 30800 48400 19600
240 155 37200 57600 24025
260 150 39000 67600 22500
X = 1700 Y = 1110 XY = 205500 X2 = 32200 Y2 = 132100

Pertanyaan : Perkirakanlah pengeluaran jika pendapatan

Rp.500.000,- !!!
 n XY - X Y Y – b .X
b = a =
n ( X2) – ( X )2 n

10 (205500) – 1700 (1110) 1110 – (0,51).(1700)

= =
10 (322000) – (1700)2 10

2055000 – 1887000 1110 - 867

= = = 24,3
3220000 – 2890000 
10
Y = 24,3 + 0,51 (x)
168000 = 24,3 + 0,51 (500)
= = 0,509 = 0,51 = 24,3 + 255 = 279,3 atau
330000 Rp. 279.300
 Kekeliruan Standar Taksiran / Selisih Taksiran Standar
dari Regresi (Standard Error of Estimate) / Sy/x

1. Secara Umum 2. Secara Singkat

- Data Besar (n > 30) - Data Besar ( n > 30 )

n  Y2 - aY - b.XY

 (Yi – Y ) 2
i=1 Sy/x =
Sy/x =
n
n

- Data Kecil ( n  30)

- Data Kecil (n  30)
n 
 (Yi – Y )2 Y2 - aY - b.XY
Sy/x =
i=1 Sy/x =
n-2 n-2
Kegunaan : untuk mencari penyimpangan /
kesalahan dari Regresi.
atau untuk menghitung penyimpangan
yang terjadi dari regresi.

Kesalahan Error yang harus ditolerir :

- Kesalahan dalam menentukan tabel
- Kesalahan dalam menentukan variabel
- Kesalahan dalam menentukan fungsi.
Contoh Perhitungan Sy/x :
Dik : Y2 =132100 b = 0,51
a = 24,3 XY = 205500
Y = 1110 n = 10

Rumus yg digunakan :
Data Kecil ( n  30)
Sy/x = 132100 – 24,3(1110) – 0,51 (205500)
10 – 2

Y2 - aY - b.X.Y

Sy/x = = 132100 – 26973 – 104805
n-2 8

= 322
= 6,34
8
Batas-batas Nilai Ramalan
1. Ramalan Rata-rata
a. n > 30
 

Y – z /2 . Sy/x < µx < Y + z /2 .Sy/x

n n
Batas bawah lambang rata- Batas atas
rata untuk
populasi (Miu)

Y = didapat dari regresi dengan memasukkan nilai x
(variabel bebas) yang diketahui
Z /2 = Tabel Z
Sy/x = kekeliruan standar taksiran
n = jumlah data
b. n  30


Y ± tp. Sy/x 1 + (x - x)2

n X2 – n (X)2
tp = tabel t dengan derajat kebebasan (dk) = n – 2
x = variabel bebas yang diketahui
x = rata-rata hitung dari variabel x
x = X
n
 = tingkat kesalahan
Contoh :
X = Pengunjung a = 4,5 Sy/x = 1,9
Y = Yang Belanja b = 0,8 n = 35
Perkirakanlah rata-rata yang belanja di toko tersebut jika jumlah
pengunjung 50 orang dengan tk. Kepercayaan 95%!

Jawab :
Maka :  = 100% - 95% = 5% atau 0,05
Cara melihat tabel z
z/2 = 50% - 
2
= 0,50 – 0,05
50% 50% 2
/2 /2 = 0,5000 – 0,0250
= 0,4750. (lihat tabel)
- 0 +
z/2 = ± 1,96
Misalnya :  = 1% = 0,01
z/2 = 50% - 0,05
2
= 0,5000 – 0,0250 = 0,4950 --- tidak ada di tabel jadi
cari yg mendekati.

z /2 = ± 2,57 / ± 2,58

atau
z /2 = ± 2,575

Misal

: X = 50
Y = a + bx = 4,5 + 0,8 (50) = 4,5 + 40 = 44,5

Y ± z/2 . Sy/x
n
44,5 ± 1,96 . 1,9 = 44,5 + 1,96 . 1,9
35 5,92
= 44,5 + 1,96 ( 0,321 )
= 44,5 + 0,62916

44,5 – 0,62916 < x < 44,5 + 0,62916


Batas atas : Y = 45,12916  45

Batas bawah : Y = 43,87084  44
Jadi perkiraan yang belanja dengan 50 orang pengunjung :
44 < x < 45 orang (lebih besar dari 44 tetapi
kurang dari 45 atau 44 – 45 orang).
Perkirakan rata-rata pengeluaran jika pendapatan 500 dengan tingkat
kepercayaan 95%.
Jawab :
cara melihat tabel t.
Hipotesis -- 2 arah = /2 . 2
1 arah =  . 2
Dik :
 = 0,05
dk = 8 – 2 = 6
( 6 : 0,05 ) lihat tabel t --- t /2 = ± 2,4469
Y= 307,9013
307,9013 ± 2,4469 . 2,73
1

 500  51,625
2

tp = 2,4469 8 25189  8  51,625 2

Sy/x = 2,73
n=8 307,9013 ± 2,4469.2,73 1  201040,1406
X = 500 8 3867,875
X = 51,625 307,9013  2,4469 . 2,73 0,125  51,9769
X2 = 25189
307,9013  2,4469 . 2,73 52,1019
307,9013 ± 2,4469 . 2,73 . 7,2182
307,9013 ± 48,2176

Batas bawah : 259,6837

Batas atas : 307,9013 + 48,2176 = 356,1189

Jadi rata-rata pengeluaran jika pendapatan 500 dengan tingkat

kepercayaan 95% :
Rp 259.683,7 < x < 356.118,9