Você está na página 1de 19

ANALISIS REGRESI LINEAR SEDERHANA DAN KORELASI

Drs. Suwarno, M.Si. PENDAHULUAN

MODUL

rancis Galton, adalah orang yang pertama kali memperkenalkan alat statistik yang bernama analisis regresi dan analisis korelasi. Ia lahir pada 16 Februari 1822 di Birmingham, Inggris. Galton mempelajari hubungan antara tinggi badan ayah dan anak. Ia mengamati bah a tinggi anak yang bera! sal dari tinggi dan pendek cenderung "mundur #regress$% ke arah rataan grup. Ia menamakan kecenderungan ini regresi ke arah "mediokritas #sedang$%. Galton kemudian mengem! bangkan suatu deskripsi matematis bagi kecenderungan re! gresi ini. Istilah regresi tetap bertahan sampai hari ini untuk menjelaskan hubungan statistik antara dua atau lebih peu! bah. &engan mempelajari modul ' ini, (nda memperoleh pengetahuan tentang beberapa konsep yang terkait dengan analisis regresi linear sederhana dan analisis korelasi. )etelah mempelajari modul ini, secara umum, (nda diharapkan dapat membedakan penggunaan analisis regresi linear sederhana dan analisis korelasi. )ecara khusus, (nda diharapkan dapat* 1. +embedakan analisis regresi linear sederhana dengan analisis korelasi. 2. +enentukan korelasi linear antara dua peubah ,. +enjelaskan pegertian peubah tak bebas #dependent variables$ dengan peubah bebas #independent variables$. -. +enjelaskan asumsi!asumsi yang mendasari analisis regresi linear sederhana .. +enentukan dan mengartikan penduga inetersep dan slope pada regresi linear sederhana. 6. +enjelaskan konsep koe/isien determinasi 0. +elakukan uji hipotesis terhadap intersep dan slope pada regresi linear seder! hana. )ajian materi modul ini dibagi dalam tiga kegiatan belajar, yaitu* 1egiatan Belajar 1* mencakup hakekat regresi linear, regresi linear sederhana, peubah tak bebas dengan peubah bebas, asumsi!asumsi dalam regresi linear

sederhana, pengertian interesep dan slope, konsep koe/isien deter! minasi. 1egiatan Belajar 2* In/erensi dalam analisis regresi linear sederhana* uji hipotesis interesep dan slope. 1egiatan Belajar ,* mencakup hakekat korelasi, analisis korelasi, perbedaan analisis kore! lasi dan analisis regresi linear sederhana. (gar (nda dapat memahami modul ini dengan baik, sebaiknya (nda bekerja sama dalam kelompok belajar untuk mendiskusikan dan menyelesaikan kesulitan yang (nda hadapi ketika mempelajari modul. +ulailah dengan membaca dan mencoba memahami penjelasan dalam modul disertai dengan catatan!catatan yang (nda anggap perlu. 1erjakan setiap contoh soal dan latihan, dan melihat penyelesaiannya kemudian setelah (nda selesai mengerjakan. &emikian juga ketika (nda mengerjakan soal tes /ormati/. 2ika hasil yang (nda peroleh masih salah, pahami kembali teorinya dan kerjakan kembali soalnya hingga (nda tidak menemukan kesalahan. Selamat Belajar, Semoga Berhasil.

Kegiatan Belajar 1

Analisis Regresi Linear Sederhana


(nalisis regresi merupakan alat statistik yang meman/aatkan hubungan antara dua atau lebih peubah kuantitati/ sehingga salah satu peubah bisa diramalkan dari peubah! peubah lainnya. +isalnya, jika kita tahu hubungan antara kemampuan a al sis a dan prestasi belajarnya pada tahun pertama di )ekolah +enengah 3ertama #)+3$, maka kita dapat meramal prestasi belajar sis a melalui analisis regresi jika kemampuan a al sis a telah kita ketahui. 3ada modul ini, kita akan membahas analisis regresi dengan satu peubah peramal untuk meramal peubah yang menarik perhatian kita. &i dalam modul ini khususnya, kita kupas gagasan dasar analisis regresi dan membahas pendugaan paramter!parameter yang ada di dalam model. .!.! H"#"$ga$ A$tara Pe"#ah%&e"#ah 1onsep suatu hubungan antara dua peubah, seperti misalnya antara pendapatan keluarga dan pengeluaran keluarga untuk perumahan, sudah sangat kita kenal. 1ita akan membe! dakan antara hubungan fungsional dan hubungan statistik, dan akan mengupas masing! masing itu. H"#"$ga$ F"$gsio$al a$tara D"a Pe"#ah )uatu hubungan /ungsional antara dua peubah dinyatakan melalui suatu rumus matematis. 2ika X peubah bebas (independent variable) dan Y peubah takbebas (dependent variable), hubungan /ungsional adalah berbentuk* Y = f(X) 2ika suatu nilai X diketahui, /ungsi f dapat menunjukkan nilai Y padanannya. 'o$toh .!.1 3erhatikan hubungan antara 4olume penjualan dalam rupiah #Y) sebuah produk yang dijual pada harga tetap tertentu dan banyaknya unit barang yang terjual # X). 2ika harga jualnya adalah 5p 2.666,! per unit, maka hubungan antara keduanya dapat dinyatakan oleh persamaan* Y = 2X 7ubungan /ungsional ini ditunjukkan dalam Gambar '.1. Banyaknya unit terjual dan 4olume penjualan selama tiga periode terakhir #harga jual tetap konstan pada 5p 2.666,! per unit$ ialah sebagai berikut*

Ribuan Rp Y 300

200

100

Y = 2X

50 100 Unit terjual

Gambar '.1.1 8eladan 7ubungan Fungsional

8abel '.1.1 Banyaknya unit terjual pada setiap periode 3eriode 1 2 , Banyaknya 9nit 8erjual 0. 2. 1,6 :olume 3enjualan #5ibuan 5upiah$ 1.6 .6 266

(matan!amatan ini kemudian diplotkan dalam Gambar '.1.1 3erhatikan bah a semua titik amatan jatuh tepat pada garis hubungan /ungsional. Inilah ciri hubungan /ungsional. H"#"$ga$ Statisti( a$tara D"a Pe"#ah 7ubungan statistik, tidak seperti /ungsional, tidaklah sempurna. 3ada umumnya, amatan! amatan untuk suatu hubungan statistik tidak jatuh tepat pada kur4a hubungan tersebut. 'o$toh .!.). )uatu penelitian ingin mengetahui hubungan antara 3erhatian ;rang 8ua #3;8$ dengan 3restasi Belajar )is a. 8abel '.1.1. mencantumkan data skore 3;8 dan prestasi belajar sis a untuk 16 sis a yang dipilih secara acak dari suatu sekolah. &ata ini diplotkan dalam Gambar '.1.2a. 3restasi belajar sis a diambil sebagai peubah takbebas atau peubah respons Y, sedangkan skore 3;8 sebagai peubah bebas atau peubah pera al X. 3engeplotannya dilakukan seperti sebelumnya. )ebagai misal, sis a pertama diplotkan sebagai X = ,6, Y < --.

100 90 80
105 95 85

Regression Plot
Y = 15.5941+ 1.09412X R-Sq= 0.975

70 60 50 40 20 30 40 50 60 70 80

75 65 55 45 35 20 30 40 50 60 70 80

Gambar '.1.2 7ubungan )tatistik antara 3;8 dan 3restasi Belajar )is a Gambar '.1.2a secara jelas mengindikasikan adanya suatu hubungan antara skore 3;8 dengan prestasi belajar sis a, dalam pengertian bah a semakin besar skore 3;8, semakin besar pula prestasi belajarnya. (kan tetapi, hubungan ini tidak sempurna. 8itik!titiknya agak memencar, menunjukkan bah a ada keragaman prestasi belajar yang tidak bisa dijelaskan oleh skore 3;8. +isalnya, dua sis a runtutan #1 dan 8$ yang sama!sama memiliki skore 3;8 ,6, namun keduanya memiliki prestasi belajar yang sedikit berbeda. 1arena perpencarannya titik!titik di dalam suatu hubungan statistik, maka Gambar '.1.2a dinamakan diagra pen!ar atau plot pen!ar. &alam terminologi statistika, setiap titik dalam diagram pencar menyatakan suatu tindakan (trial) atau suatu kasus. &alam Gambar '.1.2b, kita telah memplot suatu garis yang menggambarkan hubungan statistik antara prestasi belajar sis a dengan 3;8. Garis ini mengindikasikan kecenderungan umum ber4ariasinya prestasi belajar sis a berkaitan dengan berubahnya skore 3;8. 3erhatikan bah a sebagian besar titik tidak jatuh tepat pada garis hubungan statistik tersebut. 3erpencaran titik!titik di sekitar garis ini menggambarkan keragaman prestasi belajar sis a yang tidak ada kaitannya dengan skore 3;8 dan biasanya dianggap bersi/at acak. 7ubungan statistik bisa sangat berman/aat, alaupun hubungan semacam ini tidak memiliki kepastian seperti halnya hubungan /ungsional. 'o$toh .!.*. Gambar '.1.,. menyajikan data umur dan kandungan sejenis steroid di dalam plasma untuk 10 perempuan sehat yang berumur antara 8 dan 2. tahun. &ata ini mengindikasikan adanya suatu hubungan statistik yang kurvilinear #tidak linear$. 1ur4a ini mengimplikasikan bah a sejalan dengan semakin tingginya umur, kandungan steroid naik sampai suatu titik tertentu dan kemudian mulai menurun. 3erhatikan sekali lagi memencarnya titik!titik di sekitar kur4a hubungan statistik ini, yang tipikal pada semua hubungan statistik.

Tingkat Steroid Y 30 25 20 15 10 5 0 5


10

Umur (th)

15

20

25 X

Gambar '.1.,. 7ubungan )tatistik 1ur4ilinear antara 9mur dan 1andungan )teroid pada 3erempuan )ehat Berumur 8 sampai 2.. .!.). +o,el Regresi ,a$ Keg"$aa$$-a Ko$se& Dasar +odel regresi merupakan suatu cara /ormal untuk mengekspresikan dua unsur penting suatu hubungan statistik * 1. )uatu kecenderungan berubahnya peubah tidak bebas Y secara sistematis sejalan dengan berubahnya peubah besar X. 2. 3erpencaran titik!titik di sekitar kur4a hubungan statistik itu. 1edua ciri ini disatukan dalam suatu model regresi dengan cara mempostulatkan bah a * 1. (da suatu rencana peluang peubah Y untuk setiap tara/ #level$ peubah X. 2. 5ataan sebaran!sebaran peluang berubah secara sistematis sejalan dengan berubahnya nilai peubah X. 'o$toh .!... +isalkanlah Y menyatakan prestasi belajar sis a dan X menyatakan skore perhatian orang tua #3;8$. &alam hal ini di dalam model regresi peubah Y diperlakukan sebagai suatu peubah acak. 9ntuk setiap skore perhatian orang tua, ada sebaran peluang bagi Y. Gambar '.1.-. menunjukkan sebaran peluang demikian ini untuk X < ,6, yaitu skore 3;8 sebesar ,6. 8abel '.1.1. =ilai amatan Y yang sesungguhnya #-- dalam contoh kita ini$ dengan demikian dipandang sebagai suatu amatan acak dari sebaran peluang ini.
Skore POT X

50
%ari! Regre!i #i!tribu!i Peluang bagi $

30

Pre!ta!i "elajar

Gambar '.1.-. 5epresentasi Gambar bagi +odel 5egresi >inear Gambar '.1.-. juga menunjukkan sebaran peluang Y untuk ukuran lot X < .6 dan X < 06. 3erhatikan bah a rataan sebaran!sebaran peluang ini mempunyai hubungan yang sistematis dengan tara/!tara/ peubah X. 7ubungan sistematis ini dinamakan fungsi regresi Y terhadap X. Gra/ik /ungsi regresi ini dinamakan kurva regresi. 3erhatikan bah a /ungsi regresi dalam Gambar '.1.-. adalah linear. Ini berimplikasi untuk contoh kita bah a prestasi belajar sis a rata!rata ber4ariasi secara linear dengan skore 3;8. 8entu saja tidak ada alasan apriori mengapa prestasi belajar sis a mempunyai hubungan linear dengan skore 3;8. &ua model regresi mungkin saja berbeda dalam hal bentuk /ungsi regresinya, dalam hal bentuk sebaran peluang bagi peubah ?, atau dalam hal lainnya lagi. (papun perbedaannya, konsep sebaran peluang bagi ? untuk @ yang diketahui merupakan pasangan /ormal bagi diagram pencar dalam suatu relasi statistik. Begitu pula, kur4a regresi, yang menjelaskan hubungan antara rataan sebaran!sebaran peluang bagi ? dengan @, merupakan pasangan /ormal bagi kecenderungan umum ber4ariasinya ? secara sistematis terhadap @ dalam suatu hubungan statistik. 'atata$ / 9ngkapan "peubah bebas% atau "peubah peramal% bagi @ dan "peubah takbebas% atau "peubah respons% bagi ? dalam suatu model regresi adalah kebiasaan saja. 8idak ada implikasi bah a ? bergantung secara kausal pada @. Betapa pun kuatnya suatu hubungan statistik, ini tidak berimplikasi adanya hubungan sebab!akibat. &alam kenyataannya, suatu peubah bebas mungkin saja sesungguhnya bergantung secara kausal pada peubah responsnya, seperti bila kita menduga suhu #respons$ dari tinggi air raksa #peubah bebas$ dalam suatu termometer. Be$t"( F"$gsio$al H"#"$ga$ Regresi 3emilihan bentuk /ungsional hubungan regresi terkait dengan pemilihan peubah bebasnya. (da kalanya, teori bilang ilmu bersangkutan bisa menunjukkan bentuk /ungsional yang cocok. 8eori belajar, misalnya, mungkin mengindikasikan bah a /ungsi regresi yang menghubungkan biaya produksi dengan berapa kali suatu item tertentu telah pernah muncul harus memiliki bentuk tertentu dengan si/at!si/at asimtotik tertentu pula. ?ang lebih sering dijumpai adalah bah a bentuk /ungsional hubungan regresi tersebut tidak diketahui sebelumnya, sehingga harus ditetapkan setelah datanya diperoleh dan dianalisis. ;leh karenanya, /ungsi regresi linier atau kuadratik sering digunakan sebagai suatu hampiran yang cukup memuaskan bagi /ungsi regresi yang tidak diketahui bentuknya. Bahkan, kedua jenis /ungsi regresi yang sederhana itu masih juga sering digunakan meskipun teori yang mendasarinya menunjukkan bentuk /ungsionalnya, terutama bila bentuk /ungsional yang ditunjukkan oleh teori terlalu rumit namun secara logis bisa dihampiri oleh suatu /ungsi linier atau kuadratik. 'a("&a$ +o,el. 1etika mem/ormulasikan suatu model regresi, kita biasanya harus membatasi cakupan model ke suatu selang atau daerah nilai!nilai tertentu peubah bebasnya.

Aakupan ini ditentukan oleh rancangan penelitian atau oleh jangkauan data yang tersedia. +isalnya, sebuah perusahaan yang mempelajari pengaruh harga terhadap 4olume penjualan menyelidiki enam tingkat harga, mulai dari 5p -.'.6,! sampai 5p 6.'.6,!. &isini cakupan model akan dibatasi pada harga!harga yang berkisar dari dekat 5p ..666,! ke dekat 5p 0.666,!. Bentuk /ungsi regresi akan cukup meragukan di luar kisaran harga ini sebab penelitian tidak memberikan in/ormasi mengenai si/at hubungan statistik di ba ah 5p -.'.6,! dan di atas 5p 6.'.6,!. Keg"$aa$ A$alisis Regresi (nalisis regresi mempunyai tiga kegunaan utama* #1$ deskripsi, #2$ kontrol atau kendali, dan #,$ peramalan. 1etiga kegunaan itu telah diilustrasikan oleh ketiga contoh yang telah dikemukakan di atas. )tudi tentang pembelian traktor mempunyai tujuan deskripsi. &alam studi biaya pengoperasian kantor cabang, tujuannya adalah pengendalian administrasiB dengan mengembangkan suatu hubungan statistik yang berman/aat antara biaya dengan peubah!peubah bebas di dalam sistem itu, maka pihak menejemen berhasil menetapkan biaya standart untuk setiap kantor cabang. &alam studi medis terhadap anak!anak pendek, tujuannya adalah peramalan. &okter dapat menggunakan hubungan statistik untuk meramalkan kekurangan hormon pertumbuhan pada anak!anak pendek dengan menggunakan indikator!indikator sederhana yang mudah diukur. &i dalam praktek, beberapa kegunaan regresi sering ditemukan dalam suatu analisis regresi, misalnya ialah contoh hubungan 3;8 dengan prestasi belajar sis a. 3engetahuan mengenai hubungan antara skore 3;8 dengan prestasi belajar sis a, di masa datang dapat digunkan untuk memberikan pengetahuan pada orang tua bah a anaknya perlu mendapatkan perhatian dalam belajarnya, jika ingin anaknya mempunyai prestasi belajar yang cukup baik. .!.* +o,el Regresi Li$ear Se,erha$a ,e$ga$ se#ara$ S"("%s"(" Galat 0i,a( Di(etah"i +o,el 3ada 1egiatan Belajar I ini, kita akan membahas suatu model regresi dasar yang melibatkan hanya satu peubah bebas dan /ungsi regresinya linear. (dapun model regresinya dapat dituliskan sebagai berikut* ?i < 6 C 1@i C i #'.1.1$

&alam hal ini * ?i adalah nilai perubahan respons dalam amatan ke!i 6 dan 1 adalah parameter @i adalah konstanta yang diketahui, yaitu nilai peubah bebas dari amatan ke!i 1 adalah suku galat yang bersi/at acak dengan rataan DEiF < 6 dan ragam 2EiF < 2B i dan j tidak berkorelasi sehingga peragam (!ovarian!e$ EI, jF < 6 untuk semua i, "# i"

i < 1, 2, . . . ., n +odel regresi #'.1.1$ dikatakan sederhana, linear dala para eter, dan linier dala peubah bebas. &ikatakan "sederhana% karena hanya ada satu peubah bebas, "linear dalam parameter% karena tidak ada parameter yang muncul sebagai salah satu eksponen atau dikalikan atau dibagi oleh parameter lain, dan "linear dalam peubah bebas% sebab peubah ini di dalam model berpangkat satu. +odel yang linear dalam parameter dan linear dalam peubah bebas juga dinamakan odel ordo$perta a. 'iri%'iri Pe$ti$g +o,el 1. =ilai ?i teramati pada amatan ke!i merupakan jumlah dua komponen * #1$ suku konstan 6 C 1@i dan #2$ suku galat i. 2adi ?i adalah suatu peubah acak. 2. 1arena %EiF < 6, maka kita peroleh * %E?iF < %E6 C 1@i C iF < 6 C 1@i C %EiF < 6 C 1@i 3erhatikan bah a 6 C 1@i memainkan peranan sebagai konstanta. 2adi, respons ?i bila nilai @ pada amatan ke!i adalah @i berasal dari suatu sebaran peluang yang rataannya adalah * %E?iF < 6 C 1@i #'.1.2$

oleh karena itu kita peroleh /ungsi regresi bagi model #'.1.1$, yaitu * %E?F < 6 C 1@ #'.1.,$

1arena /ungsi regresi menghubungkan rataan sebaran peluang bagi ? untuk @ tertentu dengan nilai @ itu sendiri. ,. =ilai teramati ? pada amatan ke!i lebih besar atau lebih kecil daripada nilai /ungsi regresi dengan selisih sebesar i. -. )etiap suku galat i diasumsikan mempunyai ragam yang sama 2. oleh karenanya, respons ?i mempunyai ragam yang sama pula * 2 E?iF < 2 1arena, berdasarkan si/at 4ariansi, kita memperoleh * 2E6 C 1@i C iF < 2 Ei$ < 2 2adi, model regresi #'.1.1$ mengasumsikan bah a sebaran peluang bagi ? mempunyai ragam yang sama 2, tidak tergantung pada nilai peubah bebas @. .. )uku!suku galat diasumsikan tidak berkorelasi. ;leh karenanya, hasil dari setiap amatan manapun yang mempengaruhi galat dari amatan lain yang manapun baik posoto/ atau negati/, kecil atau besar. 1arena galat, i dan j tidak berkorelasi, maka begitu juga dengan respons ?i dengan ?j. #'.1.-$

'

6. 5ingkasan model regresi #'.1.1$ mengimplementasikan bah a peubah respons ? i bersal dari sebaran peluang dengan rataan %E?i$ < 6 C 1@i dan ragam 2 yang sama untuk semua nilai @. lebih lanjut, dua amatan sembarang ? i dan dan ?j tidak berkorelasi. 'o$toh .!.1. +isalkan bah a model regresi #'.1.1$ dapat diterapkan pada Aontoh 7ubungan )kore 3erhatian ;rang 8ua dengan 3restasi Belajar )is a dan model itu ialah sebagai berikut* ?i < 1..6 C 1.6'@i C i 3ada Gambar '.1.. dapat dilihat /ungsi regresi * %E?F < 1..6 C 1.6'@

Y1 = 62 (Y1) = 2.8 E(Y1) = 59.2


E(Y) =15.6 +1.09X

20

40 Skore POT

Gambar '.1.. +isalnya bah a suatu skore 3;8 @i < -6 dan ternyata prestasi belajar sis a yang teramati ialah ?1 < 62. maka galatnya ialah I < C2.8 sebab %E?1$ < 1..6 C 1.6'#-6$ < .'.2 dan ?i < 62 < .'.2C2.8 Gambar '.1.. memperlihatkan sebaran peluang bagi ? untuk @< -6, dan memperlihatkan dari mana di dalam sebaran ini amatan ?1 < 62 beasal. 3erhatikan sekali lagi bah a suku galat I tidak lain adalah simpangan ?i dari nilai rataannya %#?i$.

16

Gambar '.1.. juga memperhatikan sebaran peluang bagi ? bila @ < 26. 3erhatikan bah a sebaran ini mempunyai ragam yang sama seperti sebaran peluang bagi ? untuk @ < -., sesuai dengan persyaratan model regresi #'.1.1$. +a($a Parameter Regresi 1edua parameter 6 dan 1 dalam model regresi #'.1.1$ dinamakan koefisien regresi. 1 adalah kemiringan #slope$ garis regresi. 1emiringan menunjukkan perubahan rataan sebaran peluang bagi ? untuk stiap kenaikan @ satu satuan. 3arameter 6 adalah nilai intersep ? garis regresi tersebut. Bila cakupan model tidak mencakup @ < 6, maka 6 tidak mempunyai makna. 'o$toh .!.2/ Gambar '.1.6 memperlihatkan /ungsi regresi * %#?$ < 1..6 C 1.6'@ bagi contoh hubungan 3;8 dengan prestasi belajar sis a. 1emiringan 1 < 1.6' menunjukkan bah a kenaikan skore 3;8 satu satuan akan menaikkan rataan sebaran peluang bagi ? sebesar 1.6'.
3restasi Belajar ?

%#?$ < 1..6 C 1.6' @ .6

1 < 1.6' 1emirinagn @

6 < 1..6 6 16 26 )kore 3;8 ,6 -6 G

Gambar '.1.6. Fungsi regresi %#?$ < 1..6 C 1.6'@ Intersep 6 < 1..6 menunjukkan nilai /ungsi pada @ < 6. (kan tetapi, karena model regresi linear ini di/ormulasikan untuk diterapkan pada skore 3;8 yang berkisar antara 26 sampai 86, maka dalam hal ini 6 tidak mempunyai makna. 1hususnya, parameter ini tidak berarti bisa diartikan sebagai rata!rata prestasi belajar sis a bila tidak mendapatkan perhatian oranmg tua sama sekali. )uatu model dengan /ungsi regresi kur4ilinear dan satuan nilai 6 yang berbeda daripada yang ada di dalam model linear ini mungkin diperlukan cakupan model yang diperluas sampai nol.

11

.!..

Pe$,"gaa$ F"$gsi Regresi

1ita coba perhatikan Aontoh hubungan )kore 3erhatian ;rang 8ua #3;8$ dengan 3restasi Belajar )is a untuk mengilustrasikan pendugaan /ungsi regresi linear sederhana. &ata obser4asional untuk runtutan sis a yang teramati, yaitu skore 3;8 #@$ dan prestasi belajar sis a disajikan dalam 8abel '.1. 1ita akan melambangkan amatan #@, ?$ dari tindakan pertama sebagai #@1, ?1$ untuk tindakan kedua sebagai #@2, ?2$ dan secara umum untuk tindakan ke!i sebagai #@i, ?i$, dengan i < 1, 2, . . . ., n. 9ntuk data dalam 8abel '.1, @1 < ,6, ?1 < -6, dan seterusnya, dan n < 16.

8abel '.1.2

&ata )kore 3erhatian ;rang 8ua #3;8$ dan 3restasi Belajar )is a S(ore PO0 3i ,6 26 66 86 -6 .6 66 ,6 06 66 Prestasi Belajar 4i -,8 80 '8 62 06 86 -0 '2 8.

R"$t"ta$ (e% I 1 2 , . 6 0 8 ' 16

+eto,e K"a,rat 0er(e5il 9ntuk mendapatkan penduga yang "baik% bagi parameter regresi 6 dan 1 kita akan menerapkan metode kuadrat terkecil. 9ntuk setiap amatan sampel#@i, ?i$, metode kuadrat terkecil akan menggunakan simpangan ?i dari nilai harapannya * ?i H #6 C 1@i$ #'.1.0$

>ebih tepatnya metode kuadrat terkecil akan menggunakan jumlah n simpangan kuadrat. 1riterium ini dilambangkan sebagai & * &<

i 1

(Yi 6 1 X i )

#'.1.8$

12

+enurut metode kuadrat terkecil, penduga bagi 6 dan 1 ialah nilai!nilai b6 dan b1 yang meminimumkan kriterium & untuk data amatan yang dimiliki. 'o$toh .!.1. Gambar '.1.0a mengulang kembali diagram pencar data dalam 8abel '.1.1 untuk Aontoh hubungan skore 3;8 dengan 3restasi Belajar )is a. &alam Gambar '.1.0b diplotkan garis regresi suaian #fitted regression line$ dengan menggunakan nilai dugaan sembarang berikut*

100 90 80

70 60 50 40 20 30 40 50 60 70 80

+ulai

(nalisis &ata Dksplorasi analysis Bangun satu atau lebih model regresi

5e4isi model regresi atau bangun model baru

8&1

(pakah satu atau lebih model regresi tsb cocok untuk dataI ?( Identi/ikasi model yang palik sesuai suitable model Buat in/erensi berdasar model regresi )elesai

Gam#ar .!. )trategi untuk (nalisis 5egresi +isalkanlah bah a* b' < ,6 b1 < 6

1,

maka simpangan dari garis regresi ialah ?i H ,6 H #6$@i. 3erhatikan bah a setiap simpangan digambarkan sebagai jarak 4ertikal antara yi dengan garis regresi suaian. 8ampak jelas bah a garis ini kurang cocok #kurang pas$ bagi data tersebut. Ini tercermin dari besarnya simpangan!simpangan. )impangan yang besar membuat simpangan kuadrat juga besar. 2umlah simpangan kuadrat & ialah * & < #--!,6$2 C #,8 H ,6$2 C . . . . C#8. H ,6$2 < 26-1. =ilai ini jelas cukup besar. )ekarang perhatikan jika b6 < 1. dan b1 < 1... Garis ini lebih cocok #namun masih belum baik$, simpangan Hsimpangan sudah jauh lebih kecil, sehingga jumlah simpangan!simpangan kuadrat berkurang menjadi & < -.-.. Ini berarti garis regresi yang lebih cocok menghasilkan & yang lebih kecil. 8ujuan metode kuadrat terkecil adalah menemukan nilai dugaan b6 dan b1 yang menghasilkan & minimum. &alam pengertian tertentu, yang segera akan kita bahas, nilai dugaan itu akan menghasilkan /ungsi regresi linier yang "baik%. Pe$,"ga K"a,rat 0er(e5il. 3enduga b6 dan b1 yang memenuhi kriterium kuadrat terkecil dapat ditemukan dalam dua cara berikut. 3ertama, digunakan suatu prosedur pencarian numerik. 3rosedur ini untuk berbagai nilai dugaan b6 dan b1 yang berbeda sampai diperoleh nilai dugaan yang meminimumkan &. 3endekatan kedua adalah menemukan nilai!nilai b6 dan b1 secara analitis yang meminimumkan &. 3endekatan analitis mungkin dilakukan bila model regresinya secara sistematis tidak terlalu rumit, seperti halnya di sini. &apat diperlihatkan nilai!nilai b6 dan b1 yang meminimumkan & untuk data sampel yang dimiliki diberikan oleh sistem persamaan linear berikut *
( i = nb6 + b1 X i
X 1Yi = b6 X i +b1 X i2

#'.1.'a$ #'.1.'b$

3ersamaan #'.1.'a$ dan #'.1.'b$ dinamakan persa aan nor alB b6 dan b1 dinamakan penduga titik (point esti ator) bagi 6 dan 1. Besaran!besaran ?i, @i, dan seterusnya di dalam #'.1.'$ dihitung dari amatan! amatan sampel#@i, ?i$. &engan demikian, kedua persamaan itu bisa diselesaikan. 9ntuk memperoleh b6 dan b1 bisa dihitung secara langsung menggunakan rumus * X i Yi X iYi ( X i X ) ( Yi Y ) n b1 = = #'.1.16a$ 2 2 Xi ) ( ( Xi X ) 2 Xi n 1 b6 = ( Yi bi X i ) = Y b1 X #'.1.16b$ n dalam hal ini X dan Y berturut!turut adalah rataan @i dan rataan ?i.

1-

3ersamaan normal #'.1.'$ dapat diturunkan secara kalkulus. 9ntuk suatu data amatan #@i, ?i$, besaran J dalam #'.1.8$ merupakan suatu /ungsi 6 dan 1 yang meminimumkan J dapat diturunkan dengan cara mendi/erensialkan #'.1.8$ terhadap 6 dan 1 . 1ita peroleh*
& = 2 #Yi 6 1 X i $ 6 & = 2 X i #Yi 6 1 X i $ 1 )elanjutnya kedua turunan parsial ini disamakan dengan nol, dan dengan menggunakan b6 dan b1 untuk menyatakan 6 dan 1 yang meminimumkan J, maka* #Yi 6 1 X i $ = 6

1 X i $ = 6 )istem persamaan ini dinamakan persamaan normal. &engan menyelesaikan persamaan!persamaan normal ini diperoleh* n X iYi # X i $# Yi $ b1 = n X i2 # X i $ 2
i i 6

X #Y

b6 = Y b1 X 5umus terakhir ini merupakan 4ersi lain dari rumusan yang telah disajikan di depan, namun akan menghjasilkan nilai yang sama #pembaca dapat membuktikannya$. 3enduga kuadrat terkecil ini ialah penduga tak bias dan merupakan /ungsi linear dari Yi , yaitu* a. % #b6 $ = 6 dan % #b1 $ = 1 #jadi merupakan penduga tak bias$.

b.

b1 = =

n X iYi # X i $# Yi $

dimana*

# X X $Y = k Y # X X $
i i 2 i i 2 i

n X i2 # X i $ 2

i i

ki =
b6

#X X $ # X X $ 1 = Y X k Y = b Y n
i i i

i i

dimana* 1 bi = # Xki $ n #jadi baik b1 maupun b6 merupakan kombinasi linear atau /ungsi linear dari Yi $.

1.

Latiha$ !
1. 8abel di ba ah ini menyajikan skore moti4asi belajar +atematika #@$ dan prestasi belajar +atematika #?$ dari 26 sis a yang dipilih secara acak dari suatu sekolah menengah pertama. @ ? a. b. c. d. 08 66 .0 -6 .' 06 6. 66 68 .8 -- ,8 06 66 6. 68 .6 0- -6 .8. 06 6. -. 08 8' .6 66 0. .6 .6 -6 80 0. 08 86 -. '6 .6 .8

Gambarkan diagram pencar untuk data di atasK 8entukan nilai dugaan koe/isien regresi b) dan b'K 8uliskan persamaan regresi dugaannyaK Gambarkan garis regresi dugaan tersebut pada gambar diagram pencar pada soal aK

2. )uatu penelitian telah dilakukan untuk menentukan hubungan antara peubah bebas @ dan peubah tak bebas ?. &ata hasil penelitian telah dihitung dan didapatkan hasil sebagai berikut* B B B B B n<12. a. 8entukan nilai dugaan b) dan b'K b. 8uliskan persamaan regresi dugaannyaK

Ra$g("ma$
7ubungan statistik antara peubah babas @ dan peubah tak bebas ? telah kita pelajari di muka. (nalisis regresi mempelajari hubungan antara rerata semua ? yang berkaitan dengan @ tertentu. &alam analisis regresi sederhana kita menganggap bah a hubungan antara @ dan ? berbentuk garis lurus yaitu* merupakan suku galat yang bersi/at acak. &engan metode kuadrat terkecil kita duga persamaan regresi tersebut berdasarkan data berpasangan #Xi, Yi$ i<1, 2, ,, ..., n. (dapun rumus dugaan dari koe/isien regresi tersebut adalah*
b1 = n X i Yi # X i $#Yi $ n X i2 # X i $ 2
Y = 6 + 1 X + B dimana

, dan

. &ari nilai dugaan koe/isien regresi tersebut di atas didapatkan penduga garis regresi sebagai berikut* L = b +b X . Y 6 1

b6 = Y b1 X

16

1ita ketahui bah a penduga!penduga di atas merupakan penduga tak bias.

0es Formati6 !
1erjakanlah semua soal di ba ah ini, dengan cara menemukan satu pilihan ja aban yang paling tepatK (. 3ada tabel di ba ah ini, data menunjukkan harga @ yang menyatakan tingkat kenyamanan guru dalam lingkungannya bekerja, dan ? yang menyatakan moti4asi guru dalam untuk meningkatkan kinerjanya dalam memberikan pembelajaran terhadap sis anya. @ ? ', '6 168 0, 6' 8, 86 .'2 60 86 .1 '6 06 110 8. '. 08 '2 0'6 168 '2 06 0' 68

Bila masalah tersebut didalam regresi dimodelkan dengan model regresi linear* Y = 6 + 1 X + , maka* 1. =ilai dugaan untuk b1 adalah* a. 1,268 b. 6,''8 c. 6,8'8 d. 6,''8 e. !1,268 2. =ilai dugaan untuk b6 adalah* a. !2.,1,1 b. !1.,1,2 c. !.,,21 d. 1,82. e. .,,21 ,. 9ntuk Xk<166 maka nilai dugaan bagi Yk yaitu a. 8-,-0' b. 86,,-. c. 06,68d. 0-,668 e. 60,86-. 9ntuk Xk<86 maka nilai dugan bagi Yk yaitu a. .6,068 b. 6.,608 c. -.,086 d. .-,068
L Y k

sama dengan*

L Y k

sama dengan*

10

e. 6.,068 .. ;leh sebab itu untuk Xk<86, maka didapatkan nilai galat #residu$ ek sama dengan* a. 0,.68 b. .,068 c. !.,068 d. !6,086 e. !0,860 B. &ata pada tabel di ba ah ini menunjukkan nilai @ yang menyatakan skore total dalam ujian masuk di suatu sekolah, dan ? yang menyatakan nilai tes pelajaran Fisika dari sampel randon 26 sis a tahun pertama pada sekolah tersebut. @ ? @ ? ., -. ..' ,6 -, 0, 00 88 8' 6. .6 80' 2' 28 86 8.2 .1 666 22 20 -. -' 06 06 -8 -8 ,2 ,,' -, .1 66 60 06 ,0 ,2

Bila masalah tersebut didalam regresi dimodelkan dengan model regresi linear* Y = 6 + 1 X + , maka* 6. =ilai dugaan untuk b1 adalah* a. 6,'-, b. 6,0-' c. 6,6-, d. 6,-0' e. 6,,'0. =ilai dugaan untuk b6 adalah* a. 6,'-, b. ,,881 c. -,18d. 6,18e. 8,-18 8. 9ntuk @k<86 maka nilai dugaan bagi ?k yaitu a. 8-,-0' b. 0',62c. 06,62d. 6',188 e. 66,62'. 9ntuk Xk<6- maka nilai dugan bagi Yk yaitu a. ,-,.,6 b. ,.,6.,
L Y k

sama dengan*

L Y k

sama dengan*

18

c. -.,,6. d. .-,.,6 e. 6-,.,6 16. ;leh sebab itu untuk Xk<6-, maka didapatkan nilai galat #residu$ ek sama dengan* a. 6,-2b. -,-6c. -,26d. 2,-6e. 1,-6-

Bali(a$ ,a$ 0i$,a( La$j"t


Aocokkanlah ja aban (nda dengan 1unci 2a aban 8es Formati/ 1 yang terdapat di bagian akhir +odul ini. 7itunglah ja aban (nda yang benar. 1emudian gunakan rumus di ba ah ini untuk mengetahui tingkat penguasaan (nda terhadap materi 1egiatan Belajar 1. 5umus*
-ingkat ,enguasaan = +u lah "awaban *nda (ang benar 166M 16

(rti tingkat penguasaan yang (nda dapat* '6M ! 166M < baik sekali 86M ! 8'M < baik 06M ! 0'M < cukup N 06M < kurang Bila (nda mencapai tingkat penguasan 86M atau lebih, (nda dapat meneruskan dengan 1egiatan Belajar selanjutnya. Bag"s7 8etapi bila tingkat penguasaan (nda masih di ba ah 86M, (nda harus mengulangi 1egiatan Belajar 1, terutama bagian yang belum (nda kuasai.

1'