A.
REGRESI
1. Pengertian Regresi
Istilah regresi pertama kali
diperkenalkan oleh Sir Francis Galton pada tahun 1886. Galton menemukan adanya
tendensi bahwa orang tua yang memiliki tubuh tinggi memiliki anak-anak yang
tinggi, orang tua yang pendek memiliki anak-anak yang pendek pula. Kendati
demikian. Ia mengamati bahwa ada kecenderungan tinggi anak cenderung bergerak
menuju rata-rata tinggi populasi secara keseluruhan. Dengan kata lain,
ketinggian anak yang amat tinggi atau orang tua yang amat pendek cenderung
bergerak kearah rata-rata tinggi populasi. Inilah yang disebut hukum Golton
mengenai regresi universal. Dalam bahasa galton, ia menyebutkan sebagai regresi
menuju mediokritas.
Hukum regresi semesta (law of universal regression) dari
Galton diperkuat oleh temannya Karl Pearson, yang mengumpulkan lebih dari
seribu catatan tinggi anggota kelompok keluarga. Ia menemukan bahwa rata-rata
tinggi anak laki-laki kelompok ayah (yang) pendek lebih besar dari pada tinggi
ayah mereka, jadi “mundurnya” (“regressing”) anak
laki-laki yang tinggi maupun yang pendek serupa kea rah rata-rata tinggi semua
laki-laki. Dengan kata lain Galton, ini adalah “kemunduran kearah sedang”.
2.
Analisis
Regresi
Analisis
regresi mempelajari bentuk hubungan antara satu atau lebih peubah/variabel bebas (X) dengan satu peubah tak
bebas (Y). Dalam penelitian peubah bebas ( X) biasanya peubah yang ditentukan
oleh peneliti secara bebas misalnya dosis obat, lama penyimpanan, kadar zat
pengawet, umur ternak dan sebagainya. Disamping itu peubah bebas bisa juga
berupa peubah tak bebasnya, misalnya dalam pengukuran panjang badan dan berat
badan sapi, karena panjang badan lebih mudah diukur maka panjang badan
dimasukkan kedalam peubah bebas (X), sedangkan berat badan dimasukkan peubah
tak bebas (Y). Sedangkan peubah tak bebas (Y) dalam penelitian berupa respon
yang diukur akibat perlakuan/peubah bebas (X). misalnya jumlah sel darah merah
akibat pengobatan dengan dosis tertentu, jumlah mikroba daging setelah disimpan
beberapa hari, berat ayam pada umur tertentu dan sebagainya.
Bentuk
hubungan antara peubah bebas (X) dengan peubah tak bebas (Y) bisa dalam bentuk
polinom derajat satu (linear) polinom derajat dua (kuadratik). Polinom derajat
tiga (Kubik) dan seterusnya. Disamping itu bisa juga dalam bentuk lain misalnya
eksponensial, logaritma, sigmoid dan sebagainya. Bentuk-bentuk ini dalam
analisis regresi-korelasi biasanya dilakukan transformasi supaya menjadi bentuk polinom.
Ada
beberapa tujuan penggunaan analisis regresi, antara lain:
a.
Membuat
estimasi rata-rata dan nilai variabel tergantung dengan didasari pada nilai
variabel bebas.
b.
Menguji
hipotesis karakteristik dependensi.
c.
Untuk
meramalkan nilai rata-rata variabel bebas dengan didasarkan pada nilai variabel
bebas diluar jangkauan sample.
3. Persyaratan
Penggunaan Regresi
Model kelayakan regresi linear didasarkan pada hal-hal
sebagai berikut:
1. Model regresi
dikatakan layak jika angka signifikansi
pada ANOVA sebesar < 0.05.
2. Predictor yang
digunakan sebagai variabel bebas harus layak. Kelayakan ini diketahui jika
angka Standard Error of Estimate < Standard Deviation.
3. Koefesien
regresi harus signifikan. Pengujian dilakukan dengan Uji T. Koefesien regresi
signifikan jika T hitung > T tabel (nilai kritis).
4. Tidak boleh
terjadi multikolinieritas, artinya tidak boleh terjadi korelasi yang sangat
tinggi atau sangat rendah antar variabel bebas. Syarat ini hanya berlaku untuk
regresi linier berganda dengan variabel bebas lebih dari satu.
5. Tidak terjadi otokorelasi. Terjadi
otokorelasi jika angka Durbin dan Watson (DB) sebesar < 1 dan > 3.
6. Keselerasan model regresi dapat
diterangkan dengan menggunakan nilai r2 semakin besar nilai tersebut
maka model semakin baik. Jika nilai mendekati 1 maka model regresi semakin
baik. Nilai r2 mempunyai karakteristik diantaranya: 1) selalu
positif, 2) Nilai r2 maksimal sebesar 1. Jika Nilai r2
sebesar 1 akan mempunyai arti kesesuaian yang sempurna. Maksudnya seluruh
variasi dalam variabel Y dapat diterangkan oleh model regresi. Sebaliknya jika
r2 sama dengan 0, maka tidak ada hubungan linier antara X dan Y.
7. Terdapat hubungan linier antara
variabel bebas (X) dan variabel tergantung (Y)
8.
Data harus berdistribusi normal
9. Data berskala interval atau rasio
10. Kedua
variabel bersifat dependen, artinya satu variabel merupakan variabel bebas
(disebut juga sebagai variabel predictor) sedang variabel lainnya variabel tergantung
(disebut juga sebagai variabel response).
4.
Pengukuran Analisis Regresi
a)
Regresi Linier Sederhana
Dalam bentuk yang paling sederhana yaitu satu peubah bebas (X) dengan satu
peubah tak bebas (Y) mempunyai persamaan:
Ŷ =a +bx
Dimana
:
Ŷ =
Subyek dalam variabel dependen yang diprediksikan
a =
Harga Y ketika harga X = 0 ( harga konstanta )
b =
Angka arah atau koefisien regresi, yang menunjukkan angka
peningkatan ataupun penurunan variabel
dependen yang didasarkan
pada perubahan variabel independen.
Bila (+) arah garis naik, dan bila
(-) maka arah garis turun.
X =
Subyek pada variabel independen yang mempunyai nilai tertentu
b =
a =
Dalam pengertian fungsi persamaan garis Ŷ = a + bx hanya ada satu yang dapat
dibentuk dari dua buah titik dengan koordinat yang berbeda yaitu ( X1,
Y1) dan X2,Y2). Hal ini berarti kita bisa
membuat banyak sekali persamaan garis dalam bentuk lain melalui dua buat titik
yang berbeda koordinatnya/tidak berimpit.
Persamaan garis melalui dua
buah titik dirumuskan sebagai berikut:
Sebagai contoh misalnya
titik A (1,3) dan titik B (4,9) maka persamaan garis linear yang dapat dibuat
adalah:
Contoh soal :
1.
Misalnya X adalah persentase kenaikan biaya
periklanan dan Y adalah persantase kenaikan hasil penjualan. Berapakah besarnya
ramalan persentase (%) kenaikan penjualan kalau biaya iklan dinaikkan menjadi
15% (X=15)?
X
(1)
|
Y
(2)
|
1
|
2
|
2
|
4
|
4
|
5
|
5
|
7
|
7
|
8
|
9
|
10
|
10
|
12
|
12
|
14
|
Penyelesaian:
X
(1)
|
Y
(2)
|
X2
(3)
|
XY
(4)
|
1
|
2
|
1
|
2
|
2
|
4
|
4
|
8
|
4
|
5
|
16
|
20
|
5
|
7
|
25
|
35
|
7
|
8
|
49
|
56
|
9
|
10
|
81
|
90
|
10
|
12
|
100
|
120
|
12
|
14
|
144
|
168
|
∑X = 50
Rata-rata X=6,25
|
∑Y = 62
Rata-rata Y=7,75
|
∑X2=420
|
∑XY=499
|
b =
=
\
= 1,04
(setiap
ada kenaikan 1% biaya iklan, hasil penjualan naik 1,04%
a =
Y - bx
= 7,75 – 1,04(6,25)
= 1,25
Y =
a + bx
= 1,25 + 1,04X
Kalau
X = 15, ramalan % kenaikan penjualan Y = 1,25 + 1,04(15) = 16,85
2.
Karyawan
|
Hasil Produksi
(lusin) (Y)
|
Skor Tes (X)
|
Y
(Y -
)
|
X
(X -
)
|
xy
|
X2
|
Y2
|
A
|
30
|
6
|
-7
|
-1
|
7
|
1
|
49
|
B
|
39
|
9
|
12
|
2
|
24
|
4
|
144
|
C
|
18
|
3
|
-19
|
-4
|
76
|
16
|
361
|
D
|
42
|
8
|
5
|
1
|
5
|
1
|
25
|
E
|
39
|
7
|
2
|
0
|
0
|
0
|
4
|
F
|
25
|
5
|
-12
|
-2
|
24
|
4
|
144
|
G
|
41
|
8
|
4
|
1
|
4
|
1
|
16
|
H
|
52
|
10
|
15
|
3
|
45
|
9
|
225
|
|
256
|
56
|
0
|
0
|
185
|
36
|
968
|
=
=
=
37 ;
=
=
= 7
Dari hasil perhitungan
diatas, nilai a dan b dihitung sebagai berikut:
b =
= 5,138 atau 5,14
a =
- b
= 37 – 5,14(7)
= 1,02
Sehingga, persamaan regresi
yang memperlihatkan hubungan kedua variabel antara hasil produksi dan hasil tes
kecerdasan karyawan pada pabrik mainan anak-anak.
Y’
= 1,02 + 5,14X
b)
Regresi Ganda
Jika
pengukuran pengaruh antar variabel melibatkan lebih dari satu variabel bebas
(X1, X2, X3,…., Xn) dinamakan analisis regresi linier berganda. Persamaan
estimasi regresi linier berganda sebagai berikut :
Y
= a + b1X1 + b2X2 + b3X3
+ bnXn
Keterangan
a
= nilai konstanta dan b1, b2, b3, …., bn
= nilai koefisien regresi variable X1, X2, X3,…., Xn
Untuk
menentukan nilai a dan b1, b2, b3, …., bn,
dipergunakan beberapa persamaan regresi linier berganda :
1.
∑Y = an + b1∑X1 + b2∑X2 + b3∑X3
+ bn∑Xn
2.
∑X1Y = a∑X1 + b1∑X12 + b2∑X1X2
+ ….+ bn∑X1Xn
3.
∑X2Y = a∑X2+
b1∑X1X2 + b2∑X22
+ bn∑X2Xn dan seterusnya
1)
Contoh soal untuk regresi ganda dua
prediktor :
Penelitian dilakukan untuk
mengetahui pengaryh kemampuan kerja pegawai dan kepemimpinan direktif terhadap
produktivitas kerja pegawai. Berdasarkan 10 responden yang digunakan sebagai
sumber data penelitian, hasilnya adalah sebagai berikut:
No.Responden
|
X1
|
X2
|
Y
|
1
|
10
|
7
|
23
|
2
|
2
|
3
|
7
|
3
|
4
|
2
|
15
|
4
|
6
|
4
|
17
|
5
|
8
|
6
|
23
|
6
|
7
|
5
|
22
|
7
|
4
|
3
|
10
|
8
|
6
|
3
|
14
|
9
|
7
|
4
|
20
|
10
|
6
|
3
|
19
|
Penyelesaian :
No
|
X1
|
X2
|
Y
|
X1Y
|
X2Y
|
X1X2
|
X12
|
X22
|
1
|
10
|
7
|
23
|
230
|
161
|
70
|
100
|
49
|
2
|
2
|
3
|
7
|
14
|
21
|
6
|
4
|
9
|
3
|
4
|
2
|
15
|
60
|
30
|
8
|
16
|
4
|
4
|
6
|
4
|
17
|
102
|
68
|
24
|
36
|
16
|
5
|
8
|
6
|
23
|
184
|
138
|
48
|
64
|
36
|
6
|
7
|
5
|
22
|
154
|
110
|
35
|
49
|
25
|
7
|
4
|
3
|
10
|
40
|
30
|
12
|
16
|
9
|
8
|
6
|
3
|
14
|
84
|
42
|
18
|
36
|
9
|
9
|
7
|
4
|
20
|
140
|
80
|
28
|
49
|
16
|
10
|
6
|
3
|
19
|
114
|
57
|
18
|
36
|
9
|
Jumlah
|
60
|
40
|
170
|
1122
|
737
|
267
|
406
|
182
|
Untuk
menghitung harga-harga a, b1 dan b2 dapat menggunakan
persamaan berikut :
∑Y = an + b1∑X1 + b2∑X2
∑X1Y = a∑X1 + b1∑X12
+ b2∑X1X2
∑X2Y = a∑X2+ b1∑X1X2
+ b2∑X22
Bila
harga-harga dari data di atas dimasukkan dalam persamaan tersebut maka:
170 = 10a
+ 60b1 + 40b2 …………….
(1)
1112 = 60a + 406b1 + 267b2 ……………. (2)
737 = 40a + 267b1 + 182b2 …………….. (3)
Agar
a menjadi 0 pada persamaan 1 dan 2, maka persamaan (1) dikalikan 6 , persamaan
(2) dikalikan 1, hasilnya menjadi :
1020 = 60a + 360b1 + 240b2
1122 = 60a + 406b1 + 267b2
-102
= 0a – 46b1 – 27b2
-102
= -46b1 – 27b2 …………….
(4)
Agar
perhitungan a menjadi 0 pada persamaan 1 dan 3, maka persamaan (1) dikalikan
dengan 4, persamaan (3) dikalikan dengan 1 hasilnya menjadi :
680
= 40a + 240b1 + 160b2
737
= 40a + 267b1 + 182b2
-57 =
0a - 27b1 - 22b2
-57 = -27b1 - 22b2 ……………
(5)
Persamaan
(4) dikalikan dengan 27, persamaan (5) dikalikan dengan 46 hasilnya menjadi :
-2754
= -1242b1 – 729b2 …………..
(4)
-2622 = -1242b1 – 1012b2 ................. (5)
- 132 = 0b1 + 283b2
b1 =
-132 : 283 = -0,466
Harga b2 dimasukkan dalam
salah satu persamaan (4) atau persamaan (5). Dalam hal ini dimasukkan dalam
persamaan (4), maka:
-102 = -46b1 – 27(-0,466)
-102 = -46b1 + 12,582
46b1 = 102 + 12,582 =
114,582
b1 = 114,582 : 46 =
2,4909
Harga b1 dan b2
dimasukkan dalam persamaan (1), maka :
170 = 10a + 60(2,4909) + 40(-0,466)
170 = 10a + 149,454 – 18,640
10a = 170 – 149,454+ 18,640
a
= 39,186 : 10 = 3,9186
Jadi:
a = 3,9186
b1 = 2,4909
b2 = -0,466
Jadi persamaan regresi ganda linier
untuk dua predictor (kemampuan kerja pegawai, dan kepemimpinan direktif) adalah
:
Y = 3,9186 + 2,4909X1 –
0,466X2
Dari persamaan itu berarti
produktivitas kerja pegawai akan naik, bila kemampuan pegawai ditingkatkan, dan
akan turun bila kepemimpinan direktif (otokratis) ditingkatkan. Tetapi
koefisien regresi untuk kemampuan pegawai X1 = 2,4909 lebih besar
dari pada koefisien regresi untuk kepemimpinan direktif X2 = -0,466
(harga mutlak). Jadi bila kemampuan pegawai ditingkatkan sehingga mendapat
nilai 10, dan juga tingkat kepemimpinan direktif sampai mendapat nilai 10, maka
produktivitasnya adalah :
Y = 3,9186 + 2,4909 X1 –
0,466 X2
Y = 3.9186 + 2,4909 (10) – 0,466(10)
= 24,1676
Diperkirakan produktivitas kerja
pegawai = 24,1676
2)
Contoh soal analisis regresi tiga
prediktor:
Hubungan
antara kemampuan kerja, pemahaman terhadap tugas, motivasi kerja dan
produktivitas kerja.
Di
mana :
X1 =
kemampuan kerja
X2 =
pemahaman terhadap tugas
X3 =
motivasi kerja
Y
=
produktivitas kerja
DATA TENTANG KEMAMPUAN KERJA,
PEMAHAMAN TUGAS DAN PRODUKTIVITAS KERJA
No
|
X1
|
X2
|
X3
|
Y
|
1
|
60
|
59
|
67
|
56
|
2
|
31
|
33
|
41
|
36
|
3
|
70
|
70
|
71
|
71
|
4
|
69
|
69
|
70
|
68
|
5
|
50
|
48
|
49
|
47
|
6
|
30
|
29
|
33
|
34
|
7
|
40
|
48
|
51
|
50
|
8
|
55
|
54
|
60
|
60
|
9
|
58
|
61
|
59
|
61
|
10
|
26
|
34
|
31
|
29
|
11
|
78
|
76
|
75
|
77
|
12
|
45
|
43
|
43
|
46
|
13
|
47
|
56
|
46
|
50
|
14
|
34
|
42
|
43
|
39
|
15
|
57
|
58
|
56
|
56
|
TABEL PENOLONG UNTUK MENGHITUNG
PERSAMAAN REGRESI TIGA PREDIKTOR
No
|
X1
|
X2
|
X3
|
Y
|
X12
|
X22
|
X32
|
Y2
|
X1Y
|
X2Y
|
X3Y
|
X1X2
|
X1X3
|
X2X3
|
1
|
60
|
59
|
67
|
56
|
3.600
|
3.481
|
4.489
|
3.136
|
3.360
|
3.304
|
3.752
|
3.540
|
4.020
|
3.953
|
2
|
31
|
33
|
41
|
36
|
961
|
1.089
|
1.681
|
1.296
|
1.116
|
1.188
|
1.476
|
1.023
|
1.271
|
1.353
|
3
|
70
|
70
|
71
|
71
|
4.900
|
4.900
|
5.041
|
5.041
|
4.970
|
4.970
|
5.041
|
4.900
|
4.970
|
4.970
|
4
|
69
|
69
|
70
|
68
|
4.761
|
4.761
|
4.900
|
4.624
|
4.692
|
4.692
|
4.760
|
4.761
|
4.830
|
4.830
|
5
|
50
|
48
|
49
|
47
|
2.500
|
2.304
|
2.401
|
2.209
|
2.350
|
2.256
|
2.303
|
2.400
|
2.450
|
2.352
|
6
|
30
|
29
|
33
|
34
|
9.00
|
841
|
1.089
|
1.156
|
1.020
|
9.86
|
1.122
|
870
|
990
|
957
|
7
|
40
|
48
|
51
|
50
|
1.600
|
2.304
|
2.601
|
2.500
|
2.000
|
2.400
|
2.550
|
1.920
|
2.040
|
2.448
|
8
|
55
|
54
|
60
|
60
|
3.025
|
2.916
|
3.600
|
3.600
|
3.300
|
3.240
|
3.600
|
2.970
|
3.300
|
3.240
|
9
|
58
|
61
|
59
|
61
|
3.364
|
3.721
|
3.481
|
3.721
|
3.538
|
3.721
|
3.599
|
3.538
|
3.422
|
3.599
|
10
|
26
|
34
|
31
|
29
|
676
|
1.156
|
961
|
841
|
754
|
986
|
899
|
884
|
806
|
1.054
|
11
|
78
|
76
|
75
|
77
|
6.084
|
5.776
|
5.625
|
5.929
|
6.006
|
5.852
|
5.775
|
5.928
|
5.850
|
5.700
|
12
|
45
|
43
|
43
|
46
|
2.025
|
1.849
|
1.849
|
2.116
|
2.070
|
1.978
|
1.978
|
1.935
|
1.935
|
1.849
|
13
|
47
|
56
|
46
|
50
|
2.209
|
3.136
|
2.116
|
2.500
|
2.350
|
2.800
|
2.300
|
2.632
|
2.162
|
2.576
|
14
|
34
|
42
|
43
|
39
|
1.156
|
1.764
|
1.849
|
1.521
|
1.326
|
1.638
|
1.677
|
1.428
|
1.462
|
1.806
|
15
|
57
|
58
|
56
|
56
|
3.249
|
3.364
|
3.136
|
3.136
|
3.192
|
3.248
|
3.136
|
3.306
|
3.192
|
3.248
|
Dari
tabel diatas diperoleh harga-harga sebagai berikut :
∑X1
= 750 ∑X12
= 41.010 Ẋ1 = 50
∑X2
= 780 ∑X22
= 43.362 Ẋ2 = 52
∑X3
= 795 ∑X32
= 44.819 Ẋ3 = 53
∑Y = 780 ∑Y2 = 43.326 Ῡ = 52
∑X1Y
= 42.044 ∑X1X2
= 42.035
∑X2Y
= 43.259 ∑X1X3
= 42.700
∑X3Y
= 43.968 ∑X2X3
= 43.935
Dengan
metode skor deviasi diperoleh hasil sbb :
∑X12 = 41010 –
= 3510
∑X22 = 43362 –
= 2802
∑X32 = 44819 –
= 2684
∑Y2 = 43326 –
= 2766
∑X1Y
= 42044 –
= 3044
∑X2Y
= 43259 –
= 2699
∑X3Y
= 43968 –
= 2628
∑X1X2
= 42035 –
= 3035
∑X1X3
= 42700 –
= 2950
∑X2X3
= 43935 –
= 2595
Persamaan
regresi untuk tiga prediktor adalah :
Y =
a + b1X1 + b2X2 + b3X3
Untuk
mencari koefisien regresi a, b1, b2, dan b3
digunakan persamaan simultan sebagai berikut:
1.
∑X1Y = b1∑X12 + b2∑X1X2
+ b3∑X1X3
2.
∑X2Y = b1∑X1X2 + b2∑X22
+ b3∑X2X3
3.
∑X3Y = b1∑X1X3 + b2∑X2X3
+ b3∑X32
a = Ῡ - b1Ẋ1 – b2Ẋ2
– b3Ẋ3
Hasil
perhitungan dengan metode skor deviasi dimasukkan ke rumus persamaan 1, 2, 3
diatas.
3044
= 3510b1 + 3035b2 + 2950b3 …………… (1)
2699
= 3035b1 + 2802b2 + 2595b3 …………… (2)
2628
= 2950b1 + 2595b2 + 2684b3 …………… (3)
Jika
persamaan (1) dibagi dengan 2950; persamaan (2) dibagi dengan 2595; dan
persamaan (3) dibagi dengan 2684, maka diperoleh :
1,032
= 1,190b1 + 1,029b2 + b3 ……………… (4)
1,040
= 1,170b1 + 1,080b2 + b3 ...................... (5)
0,979
= 1,099b1 + 0,967b2 + b3 ……………… (6)
Jika
persamaan (4) dikurangi persamaan (5); dan persamaan (5) dikurangi persamaan
(6), maka diperoleh :
-0,008
= 0,020b1 – 0,051b2 ……………..
(7)
0,061
= 0,071b1 + 0,113b2 ……………..
(8)
Jika
persamaan (7) dibagi dengan -0,051; dan persamaan (8) dibagi dengan 0,113, maka
diperoleh :
0,157
= -0,392b1 + b2 ………………
(9)
0,540
= 0,628b1 + b2 ………………
(10)
Jika
persamaan (9) dikurangi persamaan (10), maka diperoleh:
-0,383
= -1,020b1
b1
= 0,375
Jika
nilai b1 dimasukkan ke persamaan (10), maka diperoleh:
0,540
= 0,628b1 + b2
0,540
= 0,628(0,375) + b2
0,540
= 0,236 + b2
b2
= 0,304
Jika
nilai b1 dan b2 dimasukkan ke persamaan (6), maka
diperoleh:
0,979
= 1,099b1 + 0,967b2 + b3
0,979
= 1,099(0,375) + 0,967(0,304) + b3
0,979
= 0,412 + 0,294 + b3
b3
= 0,273
Nilai
a diperoleh dari :
a =
Ῡ - b1Ẋ1 – b2Ẋ2 – b3Ẋ3
a =
52 – (0,375)(50) – (0,304)(52) – (0,273)(53)
a =
3,792
Jadi,
persamaan regresi adalah:
Y =
a + b1X1 + b2X2 + b3X3
Y =
3,792 + 0,375X1 + 0,304X2 + 0,273X3
Berdasarkan
analisis regresi, koefisien regresi didapat berturut-turut :
a =
3,792; b1 = 0,375; b2 = 0,304 b3 = 0,273
c)
Uji Liniearitas Regresi
Salah
satu asumsi dari analisi regresi adalah linearitas. Rumus-rumus yang digunakan
dalam uji liniearitas:
JK (T) = ∑ Y2
JK (A) =
JK (b a) =
b
=
JK (S) = JK(T)
– JK(A) - JK (b a)
JK (TC) =
JK (G) = JK(S)
– JK(TC)
|
Dimana
:
JK
(T) : Jumlah Kuadrat Total
JK
(A) : Jumlah Kuadrat Koefisien a
JK
(b l a) : Jumlah Kuadrat Regresi (b l a)
JK
(S) : Jumlah Kuadrat Sisa
JK
(TC) : Jumlah Kuadrat Tuna Cocok
JK
(G) : Jumlah Kuadrat Galat
DAFTAR ANALISIS VARIANS (ANAVA)
REGRESI LINEAR SEDERHANA
Sumber Variasi
|
dk
|
JK
|
KT
|
F
|
Total
|
n
|
∑Y2
|
∑Y2
|
|
Koefisien (a)
Regresi (bla)
Sisa
|
1
1
n – 2
|
JK (a)
JK (bla)
JK (S)
|
JK (a)
S2reg = JK
(bla)
S2sis =
|
|
Tuna Cocok
Galat
|
k – 2
n - k
|
JK (TC)
JK (G)
|
S2TC =
S2G =
|
|
Uji Keberartian :
Ho
= Koefisien arah regresi tidak berarti (b = 0)
Ha
= koefisien itu berarti (b ≠ 0)
Untuk menguji
hipotesis nol, dipakai statistik F =
(
Fhitung ) dibandingkan dengan F tabel dengan dk pembilang = 1dan dk penyebut =
n - 2. Untuk menguji hipotesis nol, kriterianya adalah tolak hipotesis nol
apabila koefisien F hitung lebih besar dari harga F tabel berdasarkan taraf
kesalahan yang dipilih dan dk yang bersesuaian.
Uji Liniearitas :
Ho = Regresi
linier
Ha = Regresi
non-linier
Statistik F =
(F hitung) dibandingkan dengan F tabel dengan
dk pembilang (k – 2) dan dk penyebut (n – k). Untuk menguji hipotesis nol,
tolak hipotesis regresi linier, juka statistik F hitung untuk tuna cocok yang
diperoleh lebih besar dari harga F dari tabel menggunakan taraf kesalahan yang
dipilih dan dk yang bersesuaian.
nilai b dari soal 1 cara kerjanua gimana ya? mohon penjelasannya. Terima Kasih
BalasHapus