A. PENGERTIAN REGRESI

1. PENGERTIAN REGRESI

Analisis regresi digunakan untuk mempelajari dan mengukur statistik yang terjadi

antara dua variabel atau lebih. Regresi adalah suatu analisis yang digunakan untuk

mengetahui hubungan antara variabel bebas (x) dan variabel terikat (y). Dalam analisis

regresi, suatu persamaan regresi hendak ditentukan dan digunakan untuk menggambarkan

pola atau fungsi hubungan yang terjadi antara variabel. Dalam regresi majemuk dikaji

lebih dari dua variabel. Variabel yang akan dioptimasi nilainya disebut variabel terikat

(dependent variabel) atau response variabel dan biasanya diplot pada sumbu tegak

(sumbu y), sedangkan variabel bebas (independent variabel) atau explanatory variabel

adalah variabel yang diasumsikan memberikan pengaruh terhadap variasi variabel terikat

dan biasanya diplot pada sumbu datar (sumbu x).

(sumber: http://skripsimahasiswa.blogspot.com/2010/10/regresi-linier.html)

2. PENGERTIAN REGRESI MENURUT PARA AHLI

a. Fancis Galton, analisis regresi berkenaan dengan studi ketergantungan dari suatu

variabel yang disebut variabel tak bebas (dependet variable), pada satu atau

variabel yang menerangkan dengan tujuan untuk memperkirakan ataupun

meramalkan nilai-nilai dari variabel tak bebas apabila nilai variabel yang

menerangkan sudah diketahui.

b. Analisis regresi pada dasarnya adalah studi mengenai ketergantungan variabel

dependen (terikat) dengan satu atau lebih variabel independen (variabel

penjelas/bebas), dengan tujuan untuk mengestimasi dan/atau memprediksi rata-

rata populasi atau nilai rata-rata variabel dependen berdasarkan nilai variabel

independen yang diketahui (Gujarati, 2003).

(sumber: http://digilib.unpas.ac.id/files/disk1/12/jbptunpaspp-gdl-ajiefauzia-579-3-bab3.pdf)

B. PENGERTIAN KORELASI

1. PENGERTIAN KORELASI

Korelasi adalah metode untuk mengetahui tingkat keeratan hbungan antara dua

peubah atau lebih yang digambarkan oleh besarnya korelasi. Koefisien korelasi adalah

koefisien yang menggambarkan tingkat keeratan hubungan antar dua peubah atau lebih.

Besaran dari koefisien korelasi tidak menggambarkan hubungan sebab akibat

antara dua peubah (lebih) tapi semata-mata menggambarkan keterlibatan linier antar

peubah.

Nilai koefisien korelasi berkisar antara (-1) sampai 1

Nilai -1 berati terdapat hubungan negatif (berkebalikan) yang sempurna.

Nilai 0 berarti tidak terdapat hubungan sama sekali.

Nilai 1 berarti terdapat hubungan positif yang sempurna.

(sumber: http://skripsimahasiswa.blogspot.com/2010/10/regresi-linier.html)

2. PENGERTIAN KORELASI MENURUT PARA AHLI

a. Faenkel dan Wallen, 2008:328)

korelasi adalah suatu penelitian untuk mengetahui hubungan dan tingkat

hubungan antara dua variabel atau lebih tanpa ada upaya untuk mempengaruhi

varaibel tersebut sehingga tidak terdapat manipulasi variabel.

b. Mc Millan dan Schumacher, dalam Syamsuddin dan Vismala, 2009:25

Korelasi adalah adanya hubungan dan tingkat variabel penting karena dengan

mengetahui tingkat hubungan yang ada, peneliti akan dapat mengembangkannya

sesuai dengan tujuan penelitian. jenis penelitian ini biasanya melibatkan ukuran

statistik/tingkat hubungan.

C. JENIS- JENIS REGRESI

1. Regresi Linier

Regresi linier adalah alat statik yang digunakan untuk mengetahui pengaruh antara satu

atau beberapa variabel terhadap satu buah variabel. Variabel yang mempengaruhi disebut

variabel bebas dan variabel yang dipengaruhi disebut variabel terikat.

Secara umum regresi linier terdiri atas dua yaitu regresi linier sederhana dan regresi linier

berganda.

a. Regresi Linier Sederhana

Regresi dengan satu buah variabel bebas terhadap satu buah variabel terikat.

Persamaan umumnya adalah:

Y= a + bX

Dimana:

Y = variabel terikat

a = titik potongg antara garis regresi dengan sumbu y

b = koefisien regresi

X = variabel bebas

Sifat-Sifat Garis Regresi Linier:

terdapat dua (2) sifatt yang harus dipenuhi sebuah garis lurus untuk dapat menjadi

garis yang cocok (fit) dengan titik-titik data pada diagram pencar, yaitu:

Jumlah simpangan (deviasi) positif dari titik-titik yang tersebar di atas

garis regresi sama dengan (saling menghitung langkah) jumlah simpangan

negatif dari titik-titik yang tersebar di bawah garis regresi dengan kata lain

∑ ∆ y=∑ ( y− y ' )=0

ln y=ln (e−ax+b )

ln y=¿ax+b¿

atau dapat dikatakan:

s=ax+bdimana s= ln y

dengan demikian dapat digunakan regresi linier dalam menentukan fungsi

eksponensial yang paling sesuai dengan data.

kuadrat dari simpangan-simpangan mencapai nilai minimum (least square

value of deviation) jadi:

∑ ∆ y=∑ ( y− y )2=minimum

dengan sifat kedua, metode regresi ini seringg juga disebut sebagai metode

least square. dengan menggunakan kedua sifat di atas dan menggabungkannya

dengan prinsip-prinsip kalkulus differensial untuk enetukan nilai-nilai

konstanta a dan b pada persamaan garis regresi, yang hasilnya sebagai berikut:

b=¿¿

dimana:

n = jumlah titik (pasangan pengamatan (x,y))

x = mean dari variabel x

y= mean dari variabel y

(sumber: www.eepis.its.edu/nalfuragi/numerik/bobot.pdf)

contoh 1:

Berdasarkan hasil pengambilan sampel secara acak tentag pengaruh lamanya belajar (x) terhadap

nilai ujian (y) adalah seperti pada tabel 1.1 berikut:

Tabel 1.1

Nilai Ujian (y) Lama Belajar (x) X2 xy

40 4 16 169

60 6 36 360

50 7 49 350

70 10 100 700

90 13 169 1170

Ʃy = 310 Ʃx = 40 Ʃx2 = 370 Ʃxy = 2740

penyelesaian:

a=(Ʃy . Ʃx2 )−( Ʃx . Ʃxy )

( N . Ʃx 2 )−( Ʃx )2

¿ (310 . 370 )−(40 . 2740 )(5 .370 )−1600

=20,4

b=N ( Ʃxy )−( Ʃx . Ʃy )( N . Ʃx 2 )−( Ʃx )2

¿(5. 2740 )−(40 . 310 )

(5 .370 )−1600=5,4

sehingga persamaan regresi sederhananya adalah:

y = 20,4 + 5,4X

berdasarkan hasil perhitungan dari persamaan regresi sederhana tersebut diatas, maka dapat

diketahui bahwa:

lamanya belajar mempunyai pengaruh positif (koefisien regresi sederhana

(b)=5,2) terhadap nilai ujian, artinya jika semakin lama dalam belajar maka akan

semakin baik atau tinggi nilainya.

nilai konstanta adalah sebesar 20,4 artinya jika tidak belajar atau lama belajar

sama dengan nol, maka nilai ujian adalah sebesar 20,4 dengan asumsi variabel-

variabel lain yang dapat mempengaruhi dianggap tetap.

(sumber: susanto.blogspot.com/2006/06/analisis-regresi-dan korelasi-materi.html)

contoh 2:

mengetahui pengaruh upah terhadap motivasi kerja karyawan PT Benir Berlian.

dimana X atau variabel bebasnya adalah upah, sedangkan variabel Y atau variabel terikatnya

adalah motivasi kerja karyawan PT Benir. Berlian.

(sumber: http://skripsimahasiswa.blogspot.com/2010/10/regresi-linier.html)

b. Regresi Linier Berganda

merupakan regresi dengan beberapa variabel bebas dan satu buah variabel terikat.

Persamaan umumnya adalah:

y=a+b1 X1+b2 X2 +¿… .+bn Xn¿

dimana:

y = variabel terikat

X1 dan X2 = variabel bebas

a = titik potong

b = koefisien regresi

misalnya pertumbuhan mikroba merupakan fungsi dari suhu, nutrient, dan space.

jika total mikroba merupakan symbol y, besarnya suhu dengan X1, jumlah nutrient

dengan X2, dan space dengan X3. maka pendugaan nilai y diperoleh dengan

menggunakan prosedur kuadrat terkecil terhadap data hasil pengukuran suhu,

nutrient, dan space dalam bentuk variabel x dan y dapat diberikan bahwa y

dipengaruhi X1, X2, dan X3. bentuk persamaannya adalah:

μy∨x1 x2 x3=β0+β1 x1+β2 x2+β3 x3

secara umum bentuk persamaannya adalah:

μy∨x1 x2 …. xn=β0+β1 x1+β2 x2+β3 x3+..+βn xn

dengan mengganti β0, β1,…., βn dengan b0, b1,…., bn nilai μy∨x1 x2 …. xn dapat

diduga dari persamaan regresi, yaitu:

yn=b0+b1 x1+b2 x2+bn xn

selanjutnya akan dibahas kasus dengan satu peubah bebas X1dan X2 persamaan

regresi untuk 2 peubah bebas X1 dan X2 adalah:

y=b0+b1 x1+b2 x2+e1

JKG dari persamaan ini adalah:

JKG=∑ e12=∑ ( x−b0−b1 x1−b2 x2 )2

denggan menurunkan persamaan ini terhadap b0, b1, dan b2 secara berturut-turut,

maka diperoleh ketiga persamaan linier simultan berikut:

b1∑ y1 i+b2∑ x2i=∑ y i

b0∑ x1 i+b1∑ x1 i2+b2∑ x1i x2i=∑ y i 1 y i 1

nilai dengan kuadrat terkecil untuk b0, b1, dan b2 dapat diperoleh dengan

menggunakan matriks setelah nilai b2 dan b1 diperoleh nilai b0 dapat ditentukan

dengan menggunakan rumus berikut:

b0= y−b1 x1−b2 x2

contoh 1:

sebuah percobaan dilakukan untuk menduga berat akhir ternak setelah diberi

pakan, dengan menggunakan variabel bebas berat awal ternak sejumlah pakan

yang dihabiskan oleh ternak tersebut (kg)

tabel 1.2

Batas akhir (y) Batas awal (X1) Jumlah pakan (X2)

55 42 272

70 30 226

80 33 259

100 45 192

97 30 311

70 36 183

50 32 173

80 41 236

92 40 220

84 38 235

a. buatlah persamaan regresi berganda!

b. ramal berat akhir ternak, jika berat awal 55kg dan jumlah pakan yang dihabiskan

250kg

jawab:

ƩX1i =379 ƩX2i = 2417 ƩX1iX2i = 92628

ƩX12i = 14535 ƩX2

2i = 601365 X1 = 35,9

ƩX1iYi = 31276 ƩX2iYi = 204569 y = 82, 5

Y2 = 242,7 ƩYi = 825 ƩX2i = 70083

persamaan (1): 10b0 + 379b1 + 2417b2 = 825

persamaan (2): 379b0 + 14535b1 + 92628b2 = 31726

persamaan (3): 2417b0 + 92628b1 + 601365b2 = 204969

dengan menyelesaikan ketiga persamaan ini dengan matematika biasa, maka

diperoleh:

b2 = -0,395751337 b1 = 5,113266098

nilai b1 dan b2 ini dimasukkan ke dalam persamaan b0 sehingga diperoleh:

b0 = y – b1X1 – b2X2 = -15,6396869

persamaan regresinya adalah y = -15,64 + 5,11 X1-X2

y = -15,64 + 5,11 (35) – 0,4 (200) = 63,21

(sumber: http://eepis.tts.edu/nalfangi/numerik/bab9tm.pdf)

contoh 2:

jika kita ingin mengukur faktor-faktor yang berpengaruh terhadap penjualan produk

mobil, mungkin faktor-faktor yang mempengaruhinya dapat berupa citra merk,

layanan purna jual, harga yang kompetitif, pengaruh lingkungan, iklan media, dan

lain sebagainya. dari contoh tersebut, maka penjualan produk mobil disebut variabel

dependent, sedangkanvariabel lainnya merupakan variabel independent.

persamaan yang digunakan yaitu persamaan regresi bergamda:

y=a+b1 X1+b2 X2 +¿… .+bn Xn+e¿

dimana:

y = penjualan produk mobil X4 =pengaruh liingkungan

X1 = citra merk X5 = iklan media

X2 = layanan purna jual b = koefisien regresi

X3 = harga kompetitif e = error

(sumber: http://skripsimahasiswa.blogspot.com/2010/10/regresi-linier.html)

2. Regresi Non linier

Hubungan antara variabel y dan x yang tidak linier, tidak linier maksudnya laju

perubahan y akibat perubahan x tidak konstan untuk nilai tertentu.

beberapa model regresi non linier:

a. model parabola

rumus persamaan regresi non linier parabola, yaitu:

y = a + bx +cx2

b. model hiperbola

Pada regresi hiperbola, di mana variabelbebas X atau variabel tak bebas Y, dapat

berfungsi sebagai penyebut sehinggaregresi ini disebut regresi dengan fungsi

pecahan atau fungsi resiprok.

persamaan regresi hiperbola (lengkung cekung):

y= 1(a+bx )

diman garis persamaa akan memotong sumbu y, ini berarti bahwa nilai x ada yang

negatif atau bahkan keduanya (x dan y) sama-sama negatif.

c. model fungsi pangkat tiga

y = a + bx + cx2 + dx3

d. model eksponensial

Regresi eksponensial ialah regresi di mana variabelbebas X berfungsi sebagai

pangkat atau eksponen.

log y = log a (log b) x

namun jika log-nya dihilangkan, maka: y = axbx

e. model geometri

Pada regresi ini mempunyaibentuk fungsi yang berbeda dengan fungsi

polinomial maupun fungsi eksponensial.

y = a +(x) b

y = log a + b log x

3. Regresi eksponensial

Regresi eksponensial adalah regresi linier yang variabel responnya terdistribusi

eksponensial. model regresi ekksponensial mempunyai peranan penting pada

beberapa bidan statistik dan telah banyak digunakan pada beberapa penelitian data

survival. penelitian tentang ketahanan benda-benda produksi dan penelitian pada

bidang kedokteran.

regresi eksponensial digunakan untuk menetukan fungsi eksponensial yang paling

sesuai dengan kumpulan titik data (X2Y2) yang diketahui. regresi eksponensial ini

merupakan pengembangan dari regresi linier dengan memanfaatkan fungsi logaritma:

y=e−ax+b

dengan melogaritmakan persamaan di atas akan diperoleh:

log y=log a+¿¿¿

(sumber: http://statistielasakel114.blogspot.com)

contoh:

Tabel dibawah ini menunjukan data pengukuran debet dan sedimen melayang DPS Citarum – Nanjung pada bulan Maret 1981. Tentukanlah besarnya koefisien korelasi, persamaan eksponensialnya dan uji ?

Debet (m3/det)-

X

Sedimen Melayang (juta

m3/det)-Y

Debet (m3/det)-

X

Sedimen Melayang (juta

m3/det)-Y3539435456

1,732,453,316,836,99

1198895

105112

10,4416,3627,4729,0633,96

Jawab. Buat tabel pembentu seperti:

No.

Debet (m3/det)-X

Sedimen Melayang P= ln Y XY

(juta m3/det)-Y1.2.3.4.5.6.7.8.9.10

35394354568895

105112119

1,732,453,316,836,99

10,4416,3627,4729,0633,96

0,550.901,201,921,942,352,793,313,373,53

19,2535,1051,60

103,68108,64206,80265,05347,55377,44420,07

746 21,46

Di dapat: P=2, 186 , ∑ P=21 ,86 , ∑ P2=58 ,083 , SP =1,096X=74 ,6 , ∑ X=746 , ∑ X2=65146 , SX= 32,48 dan ∑ XY=1935 ,18 sehingga:

A=(∑ P ) (∑ X2)−(∑ X ) (∑ XP )

n∑ X2−(∑ X )2=

(2 , 186 ) (65146 )− (746 ) (1935 , 18 )10 (65146 )−(746 )2

=−0 ,018

B=n∑ XY −(∑ X ) (∑ Y )

n∑ X2−(∑ X )2 atau B= P−A

X=

2 ,186−(−0 ,018 )74 ,6

=0 ,0296

A=lna atau –0,018=lna maka a=0,98 dan B=b maka b=0,0295.

Jadi persamaan regresi eksponensialnya adalah:Y = a ebX= 0,98e0,0295X

http://www.jonathansarwono.info/regresi/regresi.htm

D. JENIS-JENIS KORELASI

1. korelasi bivariat

korelasi bivariat merupakan hubungan antara dua buah vaiabel jika nilai suatu

variabel naik, sedangkan nilai variabel yang lain turun, maka dikatakan terdapat

hubungan negatif begitupun sebaliknya. korelasi bivariat mengukur keeratan antara

hasil-hasil pengamatan dari populasi yang mempunyai dua variansi.

Contoh kasus: jika terdapat hubungan korelasi antara variabel citra merek dengan

kepuasan konsumen motor merek Honda.

2. korelasi parsial

korelasi parsial membahas mengenai hubungan linier antara dua variabel dengan

melakkukan kontrol terhadap satu atau lebih variabel tambahan.

adapun rumusnya sebagai berikut:

korelasi X1 dengan y dikontrol oleh X2

r y1.2=ry 1−ry2−r 12

√ (1−ry 12 ) (1−r12 )2

korelasi X2 dengan y dokontrol oleh X1

r y2.1=ry2−ry1−r12

√ (1−ry12 ) (1−r12 )2

uji signifikansi korelasi parsial

th=r √N−3√1−r 2

th < tt : korelasi tidak signifikan

th > tt : korelasi signifikan

contoh:

dengan menggunakan data dalam tabel diperoleh hasil perhitungan:

korelasi X1 dengan y dikontrol oleh X2

ry12=0,987−0,959−0,971

(1−0,9592 )−(1−0,9712 )

ry12=0,05580,0677

ry12=0,8242

korelasi X2 dengan y dokontrol oleh X1

ry21=0,959−0,987−0,971

√ (1−0,9872)−(1−0,9712 )

ry21=0,000620,03842

ry21=0,0161

3. Koefisien Korelasi Rangking Spearman

merupakan ukuran korelasi yang menuntut kedua tabel pengamatan sekurang-

kurangnya diukur dalam skala ordinal, sehingga obje-objek atau individu-individu

yang diamati dapat dirangking dalam dua rangkaian berturut-turut.

nilai korelasi yang dihasilkan berkisar antara -1 sampai +1. angka pada nilai korelasi

menunjukkan keeratan hubunan antara variabel yang diuji. jika angka korelasi main

mendekati 1, maka korelasi dua variabel akan makin kuat, sedangkan jika angka

korelasi makin mendekati 0, maka korelasi dua variabel makin lemah.

sedangkan tanda minus dan positif pada nilai korelasi menyatakan sifat hubungan.

jika nilai korelasi bertanda minus berarti hubungan diantara kedua tabel bersifat

searah, sedangkan jika nilai korelasi bertanda positif, berarti hubungan antara kedua

tabel bersifat berlawanan arah.

4. korelai Rank Kendall

digunakan sebagai ukuran korelasi dengan jenis data yang sama dengan data yang

lain, dimana koefisien korelasi rangking spearmannya dapat digunakan. untuk uji

signifikan, diperlukan pembentukan hipotesis sebagai berikut:

Ho : tabel x dan tabel y tidak saling berhubungan

Hi : tabel x dan tabel y saling berhubungan

5. korelasi phi

merupakan ukuran keeratan hubungan antar dua variabel dengan skala nominal yang

bersifat dikotomi (terpisah atau dipisahkan).

nilai korelasi yang dihasilkan berkisar antara 0 sampai dengan 1. angka pada nilai

korelasi menunjukkan keeratan hubungan antar 2 variabel yang diuji. jika angka

korelasi mendekati 1, maka korelasi 2 variabel akan makin kuat. sedangkan jika

angka korelasi makin mendekati 0, maka korelasi 2 variabel akan makin lemah.

sifat hubungan antara kedua tabel yang diuji, tidak dapat ditunjukkan dari nilai

korelasi phi, karena tabel yang diukur mempunyai skala nominal.

6. koefisien kontingensi

merupakan ukuran korelasi antara dua variabel/ tabel kategori yang disusun dalam

tabel kontingensi berukuran rxc. dalam menggunakan koefisien kontingensi C, kita

ridak perlu membuat anggapan kontingensitas untuk berbagai kategori yang

dipergunakan. penyusunan terhadap koefisien kontingensi digunakan sebagai uji

kebebasan (uji indepedensi) antara dua tabel.

(sumber: BAB_VII_statistika_non_parametrik_uji_hubungan)

E. UJI KELINIEARAN REGRESI

hubungan linier diberikan pada variabel x dan y, jika dari diagram pencarnya sebuah

garis lurus yang dapat digambarkan. cara yang dapat digunakan untuk menunjukkan apakah

variabel x dan y berhubungan secara linier. cara ini disebut dengan uji kelinieran regresi. jika uji

kelinieran menunjukkan bahwa garis liniernya pada tingkat kepercayaannya (1 – a) 100%, maka

selanjutnya sifat-sifat keinieran dapat digunakan.

pertama-tama asumsikan linier sehingga parameter a dan b dapat ditentukan. misalnya,

contoh acak n diambil dari k buah nilai x yang berbeda yaitu : X1, X2, X3 dimana untuk X = X1

ada n1 buah pengamatan untuk X = X2 ada n2 buah pengamatan, dan seterusnya.

n=Ʃn i

didefinisikan:

n = Nilai ke-J bagi peubah acak yi

Ʃni = jumlah nilai-nilai y dalam contoh

statistik F dengan V1 = k . 2 dan V2 = n.k digunakan untuk menentukan wilayah kritik,

dan nilai uji dihitung berdasarkan rumus berikut:

f =x1

2/(k−2)x /(n−k)

, dimana

x12=∑( y1

2

n1) ∙

Ʃ y1

n∙ b2(n−1)s2 x

dan

x22=Ʃ y1

2 J ∙∑( y12

ni)

bila H0 benar X12/(k-2) dan X2

2/(n-k) keduanya merupakan nilai dengan bagi σ2, dan

bersifat bebas atau sama yang lain, tetapi bila H0 salah, X12/(k-2) menduga σ2 secara berlebihan

dengan demikian H0 ditolak pada taraf nyata a bila nilai f jatuh pada wilayah kritik yang

berukuran a yang terletak di ujung kanan sebaran f-nya.

(sumber:elearning.gunadarma.ac.id/doc.modul-pengantar-statistika-bab8-regresi-dan-

korelasi.pdf)

F. INFERENSIA MENGENAI KOEFISIEN KORELASI

persamaan regresi y = a + bx adalah persamaan regresi dugaan berdasarkan data-data

contohnya. persamaan regresi contohnya diharapkan mendekati persamaan regresi populasinya.

μy∨X 0=a+bx

parameter a dan b disebut sebagai koefisien regresi, untuk meentukan rumus selang

kepercayaan bagi a dan b, lihat kembali persamaan untuk JKG.

JKG=Ʃ ( y1−abx )2

rumus uji ekuivalen dengan rummus:

JKG=(n−1 ) ( s2 y−b2 s2 x )

dimana:

sx2=nƩ x21−( Ʃ x1 )2

n (1−1 ) dan sy2=

nƩ y12−( Ʃ y1 )2

n (1−1 )

nilai dugaan tak bebas bagi 02 dengan n – 2 derajat bebas diberikan oleh rumus:

Se2= JKGn−2

atau Se2=n−1n−2

( s2 y−b2 s2 x )

jika A dan B merupakan peubah acak dari a dan b yang diperoleh melalui pengambilan

contoh berukuran n beberapa kali, maka nilai A dan B tergantung pada keragaman nilai y karena

x bersifat tetap. bila diasumsikan y1, y2,…,yn bebas dan mnyebar normal, maka peubah acak A

juga menyebar normal dengan nilai tengah:

μA=adan σ A2 =

∑i=1

n

x i2

n(n−1)s2 x σ2

dengan menggunakan transformasi 2, maka:

z= A−a

σ √ Ʃ x12

sx−√n(n−1)

=( A−a ) sx √n(n−1)

σ √∑ x2i

jika σ tidak diketahui, Se digunakan sebagai pengganti σ dan sebaran peubah acaknya

menjadi sebaran t (dengan v = n – 2) dan rumus:

T=( A−a ) sx √n(n−1)

Se √∑ x2i

dengan menggunakan rumus ini, selang kepercayaan (1-a) 100% bagi parameter a dalam

garis regresi µy|x = a + b adalah:

a=t a

2Se√Ʃ x1

2

Sx √n(n−1)<a<a+

t a2

Se√ Ʃ x12

Sx √n(n−1)

paremeter a yang diduga adalah intersep garis regresi populasi, sedangkan a dalam t a/2

adalah taraf nyata uji.

untuk menguji hipotesis na (H0) bahwa a = a0 lawan alternatif yang dikehendaki dapat

digunakan sebaran t dengan derajat bebas v=n-2 untuk menentukan wilayah kritis dan kemudian

mendasarkan keputusan kepada nilai t yang diperoleh dari rumus:

t=(a−a0 ) Sx√n(n−1)

Se √Ʃ X12

contoh:

buat selang kepercayaan 0,5% bagi a dan garis regresi µy|x=a+bx yang didasarkan pada contoh

1.

jawab:

Se2 = 310,16 Se = 17,61

Sx2 = 218,38 Sx = 14,78 t a/2 = 2,131

Sy2 = 555,18 a = 91

maka selang kepercayaan bagi a adalah:

91−2,131 (17,61 ) √1337614,78√16 × 15

<a<91+ 2,131 (17,6 ) √1337614,78√16 × 15

¿72,0449<a<109,9551

(sumber: http://www.eepis.its.edu/nalafarugi/numerik/bab9tm.pdf.com)

G. REGRESI DUMMY DAN REGRESI LOGISTIK

1. Regresi Dummy

nama lain dari regresi dummy adalah regresi kategori. Regresi ini menggunakan

predictor kualitatif (yang bukan dummy dinamai predictor kuantitatif). Pembahasan

pada regresi ini mempunyai hanya untuk satu macam variabel dummy dan

dikhususkan pada penafsiran parameter dan kemaknaan pengaruh predictor.

secara implisit, teknik penggunaan variabel dummy pada dasarnya mengandung

asumsi bahwa variabel kuantitatif mempengaruhi intersep tetapi tidak mempengaruhi

koefisien kemiringan dan berbagai regresi sub kelompok.

(sumber:

http://jurnaldichaniago.wordpress.com/2008/09/22/regresi.atas.variabel.dummy)

Tujuan menggunakan regresi berganda dummy adalah memprediksi besarnya

nilai variabel tergantung/dependent atas dasar satu atau lebih variabel

bebas/independent, di mana satu atau lebih variabel bebas yang digunakan bersifat

dummy. Variabel dummy adalah variabel yang digunakan untuk membuat kategori

data yang bersifat kualitatif (data kualitatif tidak memiliki satuan ukur), agar data

kualitatif dapat digunakan dalam analisa regresi maka harus lebih dahulu di

transformasikan ke dalam bentuk Kuantitatif. contoh data kualitatif misal jenis

kelamin adalah laki-laki dan perempuan, harus di transform ke dalam bentuk Laki-

laki = 1 ; Perempuan = 0. atau tingkat pendidikan misal SMA dan Sarjana, maka

diubah menjadi SMA = 0 ; Sarjana = 1, skala yang terdiri dari dua yakni 0 dan 1

disebut kode Binary, sedangkan persamaan model yang terdiri dari Variabel

Dependentnya Kuantitatif dan variabel Independentnya skala campuran : kualitatif

dan kuantitatif, maka persamaan tersebut disebut persamaan regresi berganda

Dummy. Dalam kegiatan penelitian, kadang variabel yang akan diukur bersifat

Kualitatif, sehingga muncul kendala dalam pengukuran, dengan adanya variabel

dummy tersebut, maka besaran atau nilai variabel yang bersifat Kualitatif tersebut

dapat di ukur dan diubah menjadi kuantitatif.

Berikut akan dijelaskan mengenai bagaimana cara menggunakan persamaan

estimasi yang telah di peroleh melalui analisa regresi berganda Dummy, ingat ada

tiga variabel yang digunakan dalam persamaan model yakni : variabel Gaji

merupakan variabel kuantitatif, variabel Gender terdiri dari 0 : perempuan dan 1 :

pria ; variabel Pendidikan terdiri dari 0 : SMA dan 1 : Sarjana (variabel Gender dan

Didik adalah variabel kualitatif) dan variabel yang terakhir adalah variabel Usia

merupakan variabel kuantitatif.

(Sumber : http://putuartayasa.blogspot.com/2011/05/estimasi-melalui-persamaan-

dalam.html)

Contoh kasus:

Seorang peneliti tertarik untuk memprediksi laba 2 macam perusahaan (swasta asing

dan swasta nasional) bila ditinjau dari besarnya biaya iklan yang dikeluarkan oleh

perusahaan untuk membuat iklan mengenai produknya. (Untuk perusahaan swasta

asing, laba yang diamati adalah laba yang diperoleh dari hasil penjualan produknya di

wilayah Indonesia saja.)

Kasus semacam ini dapat diselesaikan dengan metode regresi menggunakan variabel

dummy. Hanya saja yang perlu diperhatikan adalah teknik menyusun variabel dummy

dalam analisis regresinya.

Dari contoh kasus di atas, variabel respon (Y) adalah Laba perusahaan, variabel bebas

(X) adalah biaya iklan, sedangkan variabel dummy-nya adalah tipe perusahaan, yaitu

swasta asing dan swasta nasonal. Kita sebut terdapat 2 tipe/kategori perusahaan.

Untuk menyusun variabel dummy-nya, maka kita perlu menentukan terlebih dahulu

banyaknya variabel dummy yang digunakan. Banyaknya variabel dummy yang

digunakan adalah sebanyak kategori dikurangi satu.

Rumus: banyaknya var dummy = banyaknya kategori – 1.

Dalam kasus kita di atas, maka banyaknya variabel dummy adalah = 2-1 = 1 buah.

Misalkan jika perusahaan swasta asing dilambangkan dengan angka 1, sedangkan

swasta nasional 0.

(sumber: http://ineddeni.wordpress.com/2007/08/17/analisis-regresi-dengan-variabel-

dummy/#more-20)

2. Regresi Logistik

regresi logistic adalah bagian dari analisis regresi yang digunakan ketika variabel

dependent (respon) merupakan variabel dikotomi. variabel dikotomi biasanya hanya

terdiri atas dua nilai, yang mewakili kemunculan atau tidak adanya suatu kejadian

yang biasanya diberi angka 0 dan 1. tidak seperti regresi linier biasa, regresi logistic

tidak mengasumsikan hubungan antara variabel independent dan dependent secar

linier. Regresi logistik merupakan regresi non linier dimana model yang ditentukan

akan mengikuti pola kurva seperti gambar di bawah ini.

Gambar 1.1 kurva regresi logistik

model yang digunakan pada regresi logistic adalah:

log( p1−p )=β0+β1 x1+β2 x2+ ..+ βn xn

dimana P adalah kemungkinan bahwa y = 1 dan X1, X2, X3 adalah variabel

independent, dan b adalah koefisien regresi.

regresi logistic akan membentuk variabel predictor/ respon (log(p/1-p)) yang

merupakan kombinasi linier dari variabel independent. nilai variabel predictor ini

kemudian ditransformasikan menjadi probabilitas fungsi logit.

Regresi logistik juga menghasilkan rasio peluang (odds ratios) terkait dengan nilai

setiap prediktor. Peluang (odds) dari suatu kejadian diartikan sebagai probabilitas

hasil yang muncul yang dibagi dengan probabilitas suatu kejadian tidak terjadi.

Secara umum, rasio peluang (odds ratios) merupakan sekumpulan peluang yang

dibagi oleh peluang lainnya. Rasio peluang bagi prediktor diartikan sebagai jumlah

relatif dimana peluang hasil meningkat (rasio peluang > 1) atau turun (rasio peluang <

1) ketika nilai variabel prediktor meningkat sebesar 1 unit.

(sumber: http://statistik4file.blogspot.com/2009/12/regresi.logistik.html)

Contoh Kasus

Seorang peneliti ingin mengetahui bagaimana pengaruh kualitas pelayanan public

terhadap kepuasan pengguna (masyarakat). Kualitas pelayanan publik diteliti melaluji

variabel Daya Tanggap (X1) dan Empati (X2). Kepuasan penggunana layanan (Y)

sebagai variabel dependent adalah variabel dummy dimana dimana jika responden

menjawab puas maka kita beri skor 1 dan jika menjawab tidak puas kita beri skor 0.

H. DIAGRAM PENCAR DAN BENTUK-BENTUKNYA

diagram pencar adalah suatu diagram yang menggambarkan titik-titik plot dari data yang

diperoleh. diagram pencar juga merupakan Sebuah grafik yang menggambarkan hubungan dari

satu variabel numerik lain pada sumbu horizontal dan vertikal, dan menentukan tingkat

ketergantungan atau saling ketergantungan. diagram pencar berguna untuk:

1. membantu melihat apakah data relasi berguna antar variabel.

2. membantu menentukan jenis persamaan yang akan digunakan untuk menentukan

hubungan tersebut.

Bentuk-Bentuk Diagram Pencar:

1) Linier Positif

Diagram pencar ini memiliki hubungan yang saling searah/ sejalan dan membentuk garis

lurus dari persamaan yang didapatkan, dimana apabila nilai X naik, maka nilai Y pun

naik.

Gambar 1.2 Linier Positif

2) Linier Negatif

diagram pencar ini memiliki hubungan yang berlawanan dengan kedua variabelnya.

dimana nilai X naik, maka nilai y-nya menurun. dan persamaannya membentuk garis

lurus. oleh karena itu dikatakan diagram pencar negatif.

Gambar 1.3 Linier Negatif

3) Kurva Linier Positif

Diagram ini hamper sama dengan linier positif hanya saja garis yang dihasilkan

membentuk kurva karena persamaannya dari persamaan kuadrat.

Gambar 1.4 Kurva Linier Positif

4) Kurva Linier Negatif

Hampir sama dengan linier negatif, hanya saja garisnya berbentuk kurva karena

persamaannya menggunakan persamaan kuadrat.

Gambar 1.5 Kurva Linier Negatif

5) Kurva Linier

Diagram pencar ini menggambarka kondisi dimana didapatkan hubungan antara x dn y,

seolah meningkat, namun saat mencapai puncak maksimum keduanya mengalami

penurunan. jadi garis yang dihasilkan membentuk kurva persamaan kuadrat juga.

Gambar 1.6 Kurva Linier

6) Tak Tentu

diagram pencar ini menggambarkan seolah-olah tidak adanya hubungan antara variabel x

dan y, seolah-olah keduanya tidak saling mempengaruhi, arena adanya diagram yang

didapatkan tersebar secara acak dan tidak berpola.

Gambar 1.7 Tak Tentu

(sumber: Dr. Ir. Hariadi. meng. prinsip-prinsip statistik untuk teknik dan sains)

Hal terpenting dalam pembuatan atau penggunaan Scatter Diagram adalah :

Bagaimana memilih ukuran yang tepat, agar hubungan yang ter-gambarkan tidak

menghasilkan hubungan yang bias ? Meskipun demikian, dalam kenyataannya kita tidak pernah

dapat benar-benar mendapatkan penjelasan : Mengapa terjadi hubungan tersebut ?”, karena

analisa pada Scatter Diagram hanya terbatas pada menunjukkan adanya hubungan dan kekuatan

dari hubungan tersebut.

Membaca Scatter Diagram

Pada umumnya data dalam gambar diagram akan berpencar dan membentuk pola

tertentu, dan pola pencaran data tersebutlah, dapat dilakukan analisa kecenderungan hubungan

kedua faktor yang diuji, misalnya : Pola pencaran data dari bagian bawah kiri naik ke arah kanan

seolah membentuk sudut. Dan bila ditarik suatu garis imajiner (bayangan), maka kita bisa

membuat garis linear sebagai wakil dari kelompok atau pencaran data tersebut.Garis ini dalam

istilah statistik dinamakan sebagai Garis Regresi.

Dalam Scatter Diagram dikenal 2 macam hubungan, yaitu :

i. Ada Korelasi yang ditandai dengan korelasi Kuat dan Lemah

ii. Tidak Ada Korelasi 

Bila ADA korelasi, hubungan ini masih dibagi dengan Korelasi yang Positif dan Korelasi yang

Negatif. Korelasi Positif diartikan : bila faktor “A” muncul semakin besar, maka faktor “B” akan

muncul semakin besar pula. Sedangkan Korelasi Negatif diartikan : bila faktor “A” muncul

semakin besar, faktor “B” justru akan muncul semakin kecil. Kedua korelasi tersebut (positif dan

negatif) dapat ditandai dengan kuat dan lemah, sehingga dalam Scatter Diagram sebenarnya

dapat ditandai 5 jenis korelasi, yaitu :

1. Korelasi Positif Kuat

2. Korelasi Positif Lemah

3. Korelasi Negatif Kuat

4. Korelasi Negatif Lemah

5. Tanpa Korelasi 

Cara Membuat Scatter Diagram

1. Tentukan faktor-faktor yang akan diamati, misalnya “A” dan “B” (faktor sebab vs akibat atau

akibat 1 vs akibat 2 atau sebab 1 vs sebab 2).  Pedoman : salah satu variabel / faktor ditempatkan

sebagai Variabel Independen (PENYEBAB), yang di dalam diagram ditempatkan pada Sumbu

X, variabel lainnya sebagai Variabel Dependen (AKIBAT), yang ditempatkan pada Sumbu Y.

2. Tetapkan waktu pengamatan dan kumpulkan sejumlah data (umumnya > 30).

3. Gambarkanlah Sumbu “X” dan Sumbu “Y” dalam kertas diagram atau millimeterpaper

4. Tetapkanlah bidang bujur sangkar untuk menempatkan seluruh data yang dikumpulkan dengan

cara :

Tentukan Nilai Tertinggi dan Nilai Terendah masing-masing data.

Hitunglah bedanya, dan tetapkan skalanya, baik sumbu X, maupun sumbu Y.

Masukkan data, dimulai pada sumbu X (penyebab) dan pada sumbu Y (akibat). 

(http://ikhtisar.com/scatter-diagram-untuk-menentukan-faktor-korelasi/)

I. TEKNIK-TEKNIK REGRESI

1. Model Seemingly Unrelated Regretions (SUR)

diperkenalkan oleh Zehner pada tahun 1912, yang merupakan bahasan dari model

regresi multivariate dan merupakan bagian regresi linier. model SUR terdiri atas

beberapa sistem persamaan yang tidak berhubungan (unrelated). artinya setiap

variasi (dependent maupun independent) terdapat dalam satu sistem yang berbeda

saling terkolerasi (berhubungan). singkatnya sistem persamaan linier beberapa

regresi dapat diselesaikan menjadi satu set persamaan saja. beberapa persamaan

regresi yang berbeda dapat disatukan untuk mendapatkan parameter yan efisiensi

dengan SUR.

jika kita memiliki, beberapa persamaan garis seperti berikut ini:

y1t = β11 x1t1 + β12 x2t2 + …. + β1k1 x1tk1 + ε1t

y2t = β21 x2t.1 + β22 x2t2.2 + …. + β2k2 x2t.k2 + ε2t

ymt = βm xmt.1 + βm2 xm2 + …. + βmk + d xmk + d + εmt

2. Uji Heteroskedastisitas

pada analisis regresi, heteroskedastisitas berarti situasi dimana keseragaman variabel

independent bervariasi pada data yang kita miliki. salah satu asumsi kunci pada

metode regresi biasa adalah bahwa error memiliki keragaman yang sama pada tiap-

tiap sampelnya. asumsi inilah yang disebut heteroskedastisitas. jika keragaman

residual error tidak bersifat konstan, data dapat dikatakan bersifat eteroskedastisitas

karena pada metode regresi ordinary least square mengasumsikan keragaman error

yang konstan, heteroskedastisitas menyebabkan estimasi ols menjadi tidak efisien.

model yang memperhitungkan perubahan keragaman dapat membuat penggunaan

estimasi data menjadi lebih efisien.

Uji heteroskedastisitas digunakan untuk mengetahui ada atau tidaknya

penyimpangan asumsi klasik heteroskedastisitas yaitu adanya ketidaksamaan varian

dari residual untuk semua pengamatan pada model regresi. Prasyarat yang harus

terpenuhi dalam model regresi adalah tidak adanya gejala heteroskedastisitas. Ada

beberapa metode pengujian yang bisa digunakan diantaranya yaitu Uji Park, Uji

Glesjer, Melihat pola grafik regresi, dan uji koefisien korelasi Spearman.

a) Uji Park

Metode uji Park yaitu dengan meregresikan nilai residual (Lnei2) dengan masing-

masing variabel dependen (LnX1 dan LnX2).

Kriteria pengujian adalah sebagai berikut:

Ho : tidak ada gejala heteroskedastisitas

Ha : ada gejala heteroskedastisitas

Ho diterima bila –t tabel < t hitung < t tabel berarti tidak terdapat

heteroskedastisitas dan Ho ditolak bila t hitung > t tabel atau -t hitung < -t

tabel yang berarti terdapat heteroskedastisitas.

b) Uji Glejser

Uji Glejser dilakukan dengan cara meregresikan antara variabel independen dengan

nilai absolut residualnya. Jika nilai signifikansi antara variabel independen dengan

absolut residual lebih dari 0,05 maka tidak terjadi masalah heteroskedastisitas.

(sumber: http://duwiconsultant.blogspot.com/2011/11/uji-heteroskedastisitas.html)

3. Persamaan Berbasis Regresi

model kausal mengasumsikan bahwa variabel yang diramalkan (variabel dependent)

terkait dengan variabel lain (variabel independent) dalam tabel. pendekatan ini

mencoba untuk melakukan proyeksi berdasarkan hubungan tersebut. dalam

bentuknya yang paling sederhana, regresi linier digunakan untuk mencocokkan baris

ke data. baris itu kemudian digunakan untuk meramalkan variabel dependent yang

dipilih untuk beberapa nilai dari variabel independent. model yang digunakan sama

dengan model pada regresi linier berganda, yaitu:

y=b0+b1 X1+b2 X2 +¿… .+bn Xn¿

dimana:

y = nilai observasi dari variabel yang diukur

b0 = konstanta

X = variabel pengukur (independent)

∂ = variabel sugrogales (dummy)

ε = error

4. Regresi Stepwise

model regresi terbaik terkadang didapatkan dari beberapa tahapan pemikiran. daftar

sejumlah variabel penjelas tersedia dan dari data itu dicari variabel mana yang

seharusnya dimasukkan ke dalam model. variabel penjelas terbaik akan digunakan

pertama kali, dan kemudian yang kedua, dan seterusnya. prosedur ini dikenal dengan

regresi stepwise.

model dalam regresi stepwise adalah:

y=b0+b1 X1+b2 X2 +b3 X3+¿….+bn Xn ¿

sedangkan hipotesis yang digunakan dalam regresi stepwise adalah:

H 0=β1 , β2 , β3=0

dengan hipotesisnya alternatif adalah:

H 0=β1 , β2 , β3 ≠ 0

5. Uji Multikolinieritas

multikolinieritas adalah kondisi terdapatnya hubungan linier atau korelasi yang tinggi

antara masing-masing variabel independent dalam model regresi. oleh karena itu

multikolinieritas biasanya terjadi ketika sebagian besarr variabel yang digunakan

saling terkait dalam suatu model regresi. oleh karena itu masalah multikolinieritas

tidak terjadi pada regresi linier sederhana yang hanya melibatkan satu variabel

independent. indikasi terhadap masalah multikolinieritas dapat kita lihat dari kasus-

kasus berikut:

a. nilai R2 yang tinggi (signifikan) namun nilai standar error dan tingkat signifikan

masing-masing variabel sangat rendah.

b. perubahan kecil sekalipu pada data akan menyebabkan perubahan signifikan

pada variabel yang dialami.

c. nilai koefisien variabel tidak sesuai dengan hipotesis, misalnya variabel yang

seharusnya memiliki pengaruh positif ditunjukkan dengan nilai negatif.

memang belum ada kriteria yang jelas dalam mendekati masalah multikolinieritas

dalam model regresi linier. selain itu, hubungan korelasi yang tinggi belum tentu

berimplikasi terhadap masalah multikolinieritas. tetapi kita dapat melihat indikasi

multikolinieritas dengan tolerance value (TOL), rigenvalue, dan yang paling umum

diguanakan adalah Variansi Inflarium Factor (VIF). Hingga saat ini tidak ada kriteria

formal untuk menentukan batas terendah dari nilai toleransi atau VIP. beberapa ahli

berpendapat bahwa nilai toleransi kurang dari , atau lebih besar dari 10 menunjukkan

multikolinieritas signifikan, sementara itu para ahli lainnya menegaskan bahwa R2

model dianggap mengindikasikan adanya multikolinieritas.

Klein (1962) menunjukkan bahwa, jika VIF lebih besar dari 1/(t – R2) atau nilai

toleransi kurang dari (1 – R2), maka multikolinieritas dapat dianggap signifikan

secara satistik.

Ciri-ciri yang sering ditemui apabila model regresi linier kita mengalami multikolinieritas

adalah:

a. Terjadi perubahan yang berarti pada koefisien model regresi (misal nilainya menjadi lebih

besar atau kecil) apabila dilakukan penambahan atau pengeluaran sebuah variabel bebas dari

model regresi.

b. Diperoleh nilai R-square yang besar, sedangkan koefisien regresi tidak signifikan pada uji

parsial.

c. Tanda (+ atau -) pada koefisien model regresi berlawanan dengan yang disebutkan dalam

teori (atau logika). Misal, pada teori (atau logika) seharusnya b1 bertanda (+), namun yang

diperoleh justru bertanda (-).

d. Nilai standard error untuk koefisien regresi menjadi lebih besar dari yang sebenarnya

(overestimated)

contoh:

Seorang mahasiswa bernama Bambang melakukan penelitian tentang faktor-faktor yang

mempengaruhi harga saham pada perusahaan di BEJ. Data-data yang di dapat berupa data rasio

dan ditabulasikan sebagai berikut: 

 Tabel. Tabulasi Data (Data Fiktif)

Tahun Harga Saham (Rp) PER (%) ROI (%)

1990 8300 4.90 6.47

1991 7500 3.28 3.14

1992 8950 5.05 5.00

1993 8250 4.00 4.75

1994 9000 5.97 6.23

1995 8750 4.24 6.03

1996 10000 8.00 8.75

1997 8200 7.45 7.72

1998 8300 7.47 8.00

1999 10900 12.68 10.40

2000 12800 14.45 12.42

2001 9450 10.50 8.62

2002 13000 17.24 12.07

2003 8000 15.56 5.83

2004 6500 10.85 5.20

2005 9000 16.56 8.53

2006 7600 13.24 7.37

2007 10200 16.98 9.38

Bambang dalam penelitiannya ingin mengetahui bagaimana hubungan antara rasio

keuangan PER dan ROI terhadap harga saham. Dengan ini Bambang menganalisis dengan

bantuan program SPSS dengan alat analisis regresi linear berganda.

(sumber: http://duwiconsultant.blogspot.com/2011/11/uji-multikolinearitas.html)

6. Auto Korelasi

uji auto korelasi digunakan utnuk melihat apakah ada hubungan linier antara Error

dengan serangkaian observasi yang diurutkan berdasarkan waktu (data time series).

uji autokorelasi perlu dilakukan apabila yang dianalisis merupakan data time series

(Gujari, 1993)

d=∑ ( e1−e2.1 )2

∑ e1

dimana:

d = nilai durbin Watson

Ʃe = jumlah kuadrat sisa

nilai durbin Watson kemudian dibandingkan dengan nilai drabel. hasil perbandingan

akan menghasilkan kesimpulan seperti kriteria sebagai berikut:

a. jika d < d, berarti terdapat autokorelasi positif.

b. jika d > (α – d1), berarti terdapat autokorelasi negatif.

c. jika du ( d < (α – d1)), berarti tidak terdapat autokorelasi.

d. jika d1 < d < du atau ( α – du), berarti tidak dapat disimpulkan.

(sumber: ariyoso.wordpress.com/category/teknik-regresi.html)

Contoh data timeseries (terdapat urutan waktu) misalnya pengaruh biaya iklan terhadap

penjualan dari bulan januari hingga bulan desember. Sedangkan data cross-sectional adalah data

yang tidak ada urutan waktu, misal pengaruh konsentrasi zat X terhadap kecepatan reaksi suatu

senyawa kimia.

(sumber: http://ineddeni.wordpress.com/category/regresi-linier-dan-korelasi/)

J. STANDARD ERROR ESTIMASI

dalam menggunakan persamaan linier untuk melakukan suatu perkiraan, terdapat satu

pertanyaan penting mengenai seberapa kuat hubungan antar variabel bebas dan terikatnya, atau

dengan kata lain, seberapa besar derajat ketergantungan hasil perkiraan tersebut. hal ini dapat

lebih dimengerti dengan mmperhatikan gambar dibawah, yang menunjukkan dua diagram pencar

yang memiliki persamaan garis regresi yang sama. pada gambar (a) terlihat bahwa titik-titik data

pencar lebih rapat disekitar garis regresi dibandingkan dengan titik-titik data pada gambar (b).

dengan begitu, kita dapat mengatakan bahwa suatu estimasi yang dilakukan dengan persamaan

garis regresi untuk keadaan pada gambar (b).

ukuran yang mengidentifikasi derajat variasi, sebaran data disekitar garis regresi data

menunjukkan seberapa besar derajat keterikatan perkiraan yang dieroleh dengan menggunakan

persamaan regresi tersebut. ukuran ini dinamakan sebagai standar error estmas (sy,x) adalah

deviasi standar yang memberikan ukuran penyebaran nilai-nilai yang teramati disekitar garis

regresi dirumuskan sebagai berikut:

sy , x=√∑ ¿¿¿¿¿

Gambar:

Derajat variasi dari sebaran (pencaran data)

(sumber: Hariadi.2005.prinsip-prinsip statistik teknik dan sains.jakarta.erlangga)