• Penjelasan Singkat :

1. Regresi linier sederhana

2. Model matematis
3. Asumsi-asumsi
4. Pengujian model
• Tujuan
1. Mencari model
2. Melakukan estimasi dan peramalan
• Relevansi
1. Aplikasi regresi linier sederhana dalam bidang kesehatan
Pengertian regresi linier sederhana
Hubungan linier antara satu variabel
terpengaruh dengan hanya satu variabel
pengaruh

Contoh
Model linier regresi sedrehana dari :
Angka kuman dengan suhu ruangan bangsal
Angka kuman dengan tingkat kelembaban
Angka kuman dengan intentitas pencahayaan
Umur anak dan remaja dengan rata-rata total waktu
tidur
 Model regresi linier sederhana
Jika variabel terpengaruh (respon) diberi simbol y
sedangkan variabel pengaruh (prediktor) diberi simbol x
maka model matematik dari model regresi linier sederhana
dapat di tuliskan sebagai berikut :

Model regresi linier sederhana dari populasi

y = α+βx+e
Dimana:
y = variabel respon
x = variabel prediktor
α = intersep dari garis regresi
β = slope dari garis regresi
e = komponen error atau sisaan dari garis
Y
Ý = β0+ β1x

Y (Xi,Yi
)
i
Ýi (Xi,Ýi)

X
Xi
 Model regresi linier sederhana dari sampel
ý = α + bx
Dimana,
ý = estimator dari variabel terpengaruh atau
respon ý
x = variabel pengaruh atau prediktor
a = estimator dari intersep α
b = estimator dari slope β
 Keputusan statistik dan kesimpulanny a
Apabila uji –F hitungnya jatuh pada daerah
penolakan H0, maka hipotesis nol (H0)nya
ditolak, hal ini dapat dikatakan bahwa model linier
yang kita buat merupakan model yang cocok
untuk diterapkan pada model data.
Sebaliknya bila F hitung jatuh di daerah
penerimaan H0, Maka hipotesis nol diterima hal
ini berarti model linier bukanlah model yang
cocok untuk diterapkan sebagai model data.
 Pengujian Hipotesis

Pengujian Hipotesis model regresi linier sederhana

dengan menggunakan Uji F.

Hipotesis
H0 = β = 0
Ha = β ≠ 0

Uji statistik

Uji-Fhitung = KT (Regresi)/KT (Sisaan)

KT (Regresi) = Kuadrat Tengah Regresi KT (R)
KT (Sisaan) Kuadrat Tengah Sisaan (Error) = KT
(E).
 Contoh kasus
Dalam sebuah penelitian yang dilakukan
di Unit Rawat Inap disebuah rumah sakit,
mengamati pengaruh intensitas
pencahayaan dengan jumlah kuman
(angka kuman). Dari pengukuran data
diperoleh data yang tercantum dalam
tabel berikut ini
 Tabel 1. 1
Pengaruh intensitas pencahayaan ruangan diunit rawat inap rumah sakit
X terhadap jumlah angka kuman

No. Kode Pencahayaan Angka kuman

ruangan (Lux) (X) (Y)
1 Ruang A 87 840
2 Ruang B 135 804
3 Ruang C 48 139
4 Ruang D 166 1605
5 Ruang F 313 389
6 Ruang G 83 536
 Penghitung Nilai Uji – Statistik
Tabel 1.2
Tabel analisis varians dari regresi linier sederhana
Sumber Jumlah Derajat Kuadrat tengah Fhitung
Keragaman Kuadrat bebas
Regresi JK(R) 1 JK(R)/1 KT(R)/
Sisaan JK(E) n-2 JK(E)/(n-2) KT(E)
Total JK(T) n-1

JK (R) = Jumlah Kuadrat Regresi

JK (E) = Jumlah Kuadrat Sisaan (Error)
KT(R)= Kuadrat Tengah Regresi
KT (E)= Kuadrat Tengah Sisaan (Error)
n = Besarnya sampel penelitian
Hipotesis
H0 = β = 0
Ha = β ≠ 0
Uji statistik
Fhitung = KT(R)/KT(E)
Daerah Pengujian Hipotesis
Gambar.2 Daerah pengujian Hipotesis

Ftabel = 7,71
(1,4) alpha =5%

Daerah penerimaan H0 Daerah penolakan H0

Jika dari hasil pengolahan data maka model regresi
linier sederhana ý = a + bx
Maka dapat dihitung nilai nilai sebagai berikut
JK (T) = yi² + yi² + yi² + yi² +......... + yn²) – (T2²/n)
JK (R) = xi² + xi² + xi² + xi² +......... + xn²) – (T1²/n)
dimana slope b diperoleh dengan metode kudrat
terkecil (the method of least square) sebagai berikut

n  xy   x  y  ˆ n xy   x  y / n
b
n  x   x 
2 2 = 1 
n  x 2   x  / n
2
Dari nilai slope b ini bisa dilakukan
pendugaan terhadap nilai α (β0) sebagai nilai
intersep dari garis regresi linier sederhana
yaitu

ˆ0    ˆ1  =     ̂1 

ˆ  ˆ   
 0 1
Tabel 1.3 Pengaruh Variabel (X) terhadap Variabel (y)

variabel variabel
no. x² y² x.y ўi y-ўi ўi-µ
(x) (y)
1 xi yi xi xi x.yi ўi y-ўi ўi-µ
. . . . . . . .
xn n. n. n. n. n. n. n.
Contoh kasus
Dalam contoh kasus ke 1 disebutkan bahwa
pengaruh intensitas pencahayaan ruangan
terhadap jumlah kuman. Berdasarkan data
tersebut diperoleh bentuk regresi linier
ý= 648,4 + 0,51Xi
Dari model tersebut apakah cocok sebagai
model data? Untuk menjawab pertanyaan
tersebut perlu dilakukan uji statistik.
 Tabel kerja

Angka
Kode Pencahayaan
No. kuman x² y² x.y
ruangan (Lux) (x)
(y)
1 Ruang A 87,0 840,0 7569,0 705600,0 73080,0
2 Ruang B 135,0 804,0 18225,0 646416,0 108540,0
3 Ruang C 48,0 139,0 2304,0 19321,0 6672,0
4 Ruang D 166,0 1605,0 27556,0 2576025,0 266430,0
5 Ruang F 313,0 389,0 97969,0 151321,0 121757,0
6 Ruang G 83,0 536,0 6889,0 287296,0 44488,0
  ∑ 832,0 4313,0 160512,0 4385979,0 620967,0
  µ 138,7 718,8      
 x y α β ў µ (ў-µ) (ў-µ)² (y-ў) (y-ў)²
87,0 840,0 559,5 0,55 607,2 635,5 -28,3 802,9 232,8 54212,7
135,0 304,0 559,5 0,55 633,5 635,5 -2,0 4,2 -329,5 108544,6
48,0 139,0 559,5 0,55 585,8 635,5 -49,7 2470,4 -446,8 199627,8
166,0 1605,0 559,5 0,55 650,4 635,5 14,9 223,3 954,6 911175,7
313,0 389,0 559,5 0,55 731,0 635,5 95,5 9116,5 -342,0 116950,4
83,0 536,0 559,5 0,55 605,0 635,5 -30,5 931,9 -69,0 4757,2
   635,5           13549,2  1395268,5

n
SSE    yˆ i  y i 
2
n
SS yy    yi  yi 
i 1 2

n i 1
SSE    yi  yˆ i 
2

i 1
 Tabel 1.2
Tabel analisis varians dari regresi linier sederhana

Sumber Jumlah Kuadrat Derajat Kuadrat tengah Fhitung

Keragaman bebas

Regresi 13549,2 1 13549,2 0,03884329

Sisaan 1395268,5 4 348817,1
Total 1408817,7 5

Keputusan menerima hipotesis nol (H0) hal ini

karena nilai Uji-Fhitungnya (0,0388) jatuh pada
pada daerah penerima H0 (dengan titik kritis
Ftabel = 7.71 )
Korelasi kuadrat adalah proporsi total
SSyy yang disebabkan oleh regresi
SSR SSE
R2   1
SS yy SS yy

Karena (SSR=SSyy – SSe). R² selalu lebih kecil dari

1. semakin dekat ke 1, semakin sempit
penyesuaian kurva R² = berarti pas sempurna
R²=0
R²=1
R² = penafsiran keragaman variabel y dapat
dijelaskan oleh variabel X
Contoh Nilai R² = 0,89 Ketentuan
Penafsiran : 89% keragaman Y dapat dijelaskan
oleh variabel X