BAB I

PEMBAHASAN

A. Pendahuluan
Banyak analisis statistika yang bertujuan untuk mengetahui apakah ada
hubungan antara dua atau lebih peubah. Bila hubungan demikian ini dapat
dinyatakan dalam bentuk rumus matematika, maka kita akan dapat digunakan
untuk keperluan peramalan. Misalnya, pengukuran-pengukuran dari data
meteorologi digunakan secara meluas untuk meramalkan daerah-daerah yang
akan terpengaruh penembakan peluru pada berbagai kondisi admosfir, ahli
agronomi meramalkan hasil tanaman pertaniannya berdasarkan konsentrasi
nitrogen, kalium dan fosfor dalam pupuk yang digunakan, panitia penerimaan
mahasiswa baru, melakukan berbagai tes kepada mahasiswa baru untuk
meramalkan keberhasilan studi mereka, dal lain sebagainya. Seberapa jauh
peramalan itu dapat dipercaya bergantung, tentu saja, pada keeratan hubungan
antara peubah-peubah dalam rumus tersebut.
Umumnya suatu peubah bersifat mempengaruhi peubah yang lainnya,
peubah pertama di sebut peubah bebas (independence varieble) sedangkan
peubah yang kedua disebut peubah tak bebas (Dependence variable). Se4cara
kuantitatif hubungan antara peubah bebas dan peubah terikat tersebut dapat kita
modelkan dalam suatu persamaan matematik, sehingga kita dapat meramal atau
menduga nilai suatu peubah tak bebas bila diketahui nilai peubah bebas.
Pengertian Regresi
Persamaan matematik yang menggambarkan hubungan antara peubah
bebas dan terikat sering disebut persamaan regresi (Walpole, 1992). Selain itu,
menurut Arikunto (2006) regresi mulai digunakan dalam analisis statistik Oleh
Dalton. Regresi adalah pengukur hubungan dua variabel atau lebih yang
dinyatakan dengan bentuk hubungan atau fungsi. Kedua metode regresi dipakai

untuk mengukur derajat hubungan antarvariabel yang bersifat korelasional atau

bersifat keterpautan atau ketergantungan.
B. Macam-Macam Regresi
Telah disebutkan di muka bahwa regresi adalah bentuk hubungan antara
variabel bebas X dengan variabel tak bebas Y, yang dinyatakan dalam bentuk
fungsi matematis Y = f(X). Sehingga persamaan regresi atau bentuk fungsi, sesuai
dengan variabel bebas X yang menyusunnya. Dengan demikian bentuk fungsi
atau regresi dapat digolongkan menjadi beberapa macam yaitu: regresi linear dan
regresi Ganda. Pada pembahasan kali ini penulis hanya akan membahas tentang
regresi linier.
C. Regresi linier
1. Hubungan fungsional antara variabel
Regresi linear sederhana adalah

persamaan

regresi

yang

menggambarkan hubungan antara suatu peubah bebas (x) dan suatu peubah
tak bebas (y), dimana hubungan keduanya dapat di gambarkan sebagai suatu
garis lurus (Juanda, 2003).
Selain itu Sudjana (1989) menyatakan bahwa penentuan variabel mana
yang bebas dan yang mana yang tidak bebas dalam beberapa hal yang tidak
mudah dapat dilaksanakan. Studi yang cermat, diskusi yang seksama,
berbagai pertimbangan, kewajaran masalah yang dihadapi dan pengalaman
akan membantu memudahkan penentuan. Variabel yang mudah didapat atau
yang tersedia sering dapat diglongkan kedalam variabel bebas sedangkan
variabel yang terjadikarena variabel bebas itu merupakan variebel tak bebas.
Untuk keperluan analisis, variabel bebas akan dinyatakan dengan X1, X2,,Xk
(k 1) sedangkan variabel tak bebas akan dinyatakan dengan Y (Sudjana,
1989).
Menurut Sudjana (1989) menyatakan bahwa model atau persamaan
regresi untuk populasi, secara umum dapat di tulis dengan bentuk:
a.1.

x1

x2

xk

, , ,, = f (X1, X2,,Xk
2

1,

Ket:

1,

2,. . . ,

adalah parameter-parameter yang ada dalam

regresi itu.
Adapun rumus dari regresi linear sederhana untuk sebuah populasi
dengan sebuah variabel bebas adalah:
a.2.

Ket: 1 dan = 2 adalah

parameternya
1+
.
Rumus regresi berdasarkan sampel jika
y

1+

di taksir oleh a dan

b adalah:
a.3. = a + b
Ket: dengan simbul adalah parameternya
Rumus model regresi populasi pangkat dua atau parabola untuk sebuah
variabel bebas dengan parameter

1,

dan

adalah:

a.4.
y x x2

=sampel1+acak, parameter-parameter
2X+
dan berdasarkan
.

1,

2X

dan

perlu ditaksir. Regresi dari hasil penelitian yang dipakai untuk menaksirkan
regresi dalam rumus a.4, adalah:
a.5.
= a + bX + cX2
Ket: dengan a, b dan c masing-masing didapat dari perhitungan berdasarkan
data penelitian yang berturut-turut merupakan taksiran untuk
dan

1,

2X

3.

Bagaiman persamaan regresi ditentukan jika hasil pengamatan telah didapat?

Ada dua hal yang akan ditinjau di sini, ialah yang dikenal dengan metode tangan
bebas dan metode kuadrat terkecil (Sudjana,1989).
2. Metoda tangan bebas
Metoda ini merupakan metoda yang menggunakan diagram pencar
berdasarkan hasil pengamatan. Jika fenomena meliputi sebuah variabel bebas

X dan variabel takbebas Y, maka data yang dapat digambarkan pada diagram
dengan sumbu datar menyatakan X dan sum,buh tegak menyatakan Y. Titik
yang ditentukan oleh absis X dan ordinat Y digambarkan dan terjadilah
diagram pancar. Dengan memperhatikan letak titik-titik dalam diagram,
bentuk regresi dapat diperkirakan. Jika letak titik-titik tersebut sekitar garis
lurus, maka cukup beralasan untuk menduga regresi linier. Jika letak titik-titik
sekitar garis lengkung, wajarlah untu menduga regresi nonlinier. Gambar a.1
melukiskan diagram pancar mengenai berat (Y) dan tinggi (X) badan pemuda
berumur antara 17 sampe 23 tahun. Nampak bahwa ada gejala linearitas atau
kelurusan letak titik sehingga dapat di duga regresinya linear (Sudjana,1989).

Gambar a.1
Gambar a.2 memperlihatkan diagram pencar yang menunjukkan
model lengkung. Regresinya juga dapat digambarkan secocok mungkin
dengan letak titik sedangkan persamaannya masih harus difikirkan baik-baik
apakah akan parabola, pangkat tiga atau bentuk lain (Sudjana,1989).

Gambar a.2
Penentuan regresi dengan cara ini bersifat tidak tunggal, artinya tiap
orang

akan

memberikan

perkiraan

yang

berbeda

bergantung

pada

pertimbangan pribadi masing-masing. Hanya mereka yang betul-betul ahli

mungkin dapat menentukan regresi yang baik dengan cara ini (Sudjana,1989).
3. Metoda kuadrat terkecil untuk regresi linear
Menurut Sudjana (1989) metoda tangan bebas dapat di pakai untuk
menolong menentukan dugaan bentuk regresi apakah linier atau tidak.
Persamaannya, jika tidak betul-betul yakin, lebih baik ditentukan dengan cara
lain, misalnya dengan cara kuadrat terkecil.

Cara ini berpangkal pada

kenyataan bahwa jumlah pangkat dua (kuadrat) daripada jarak antara titik-titik
dengan garis regresi yang sedang dicari harus sekecil mungkin.
Sudjana (1989) mengatakan bahwa untuk fenomena yang terjadi dari
sebuah variable bebas X dan dari sebuah variable tak bebas Y dimana model
regresi linear untuk populasi dalam rumus a.2 telah dapat di duga maka kita
perlu menaksir paa meter-parameter regresi sehingga didapat persamaan
seperti dalam rumus a.3. Jadi untuk model regresi linear populasi:
y

Akan ditaksir harga-harga

= 1 dan 1 +

.
persamaan regresi menggunakan data sampel:

oleh a dan b sehingga didapat

= a + bX
Untuk keperlluan ini, sebaiknya data hasil pengamatan dicatat dalam
bentuk seperti dibawah ini.
Variansi tak bebas (Y)
Y1
Y2

Variansi bebas (X)

X1
X2

Yn

Yn

Disini dapat dipasang antara X dan Y dan n, seperti biasa, menyatakan ukuran
sampel. Koefesien-koefesien regresi a ddan b untuk regresi liniear, ternyata
dapat di itung dengan rumus:
2

Xi
2
n X i
5
2

a=

( Y i) ( X i ) ( Y i )( X i Y i)

a.6.
Jika terlebih dahulu dihitung koefesien b, maka koefesien a dapat pula
ditentukan oleh rumus:
a.7.

a= -b

X
dengan a = dan X masing-masing rata-rata untuk variable-variabel
X dan Y. Rumus di atas di gunakan untuk menentukan koefesien-koefesien
regresi Y dan X, untuk kooefesien regresi X atas Y di atas rumus yang sama di
gunakan tetapi harus di perhitungkan tempat untuk X dan Y. jadi untuk
regresi X dan Y ditaksir oleh:
H = c + dY
dengan menggunakan data hasil penelitian, maka koefesien-koefesiennya
dihitung dari rumus:
a.8.

contoh: data berikut melukiskan hasil pengamatan mengenai banyak rang

yang datang (X) dan banyak rang yang belanja (Y) di sebuah tokoh selama 3o
hari.

Akan ditentukan persamaan regresi Y atas X di perkirakan yang paling cock

dengan keadaan data yang diperolah. Untuk ini, diagram pemancar perlu di
buat dan dapat di lihat dibawah letak titik ada pada sekitar garis lurus.

X
Gambar a.3
4. Berbagai variansi sehubungan dengan regresi linear sederhana
Menurut Sudjana (1989) untuk analisis selanjutnya tentang regresi
linear sederhana beberapa asumsi harus diambil. Pertama mengingat hasil
pengamatan variable takbebas Y belumtentu sama besarnya dengan harga di
harapkan, yakni yang didapat dari regresi hasil pengamatan, maka terjadi
perbedaan e=|Y - |, bias disebut kekeliruan prediksi atau galat prediksi.

Dalam populasi, galat prediksi ini dimisalkan berbentuk variasi acak yang
mengikuti distribusi normal dengan rata-rata nol dan variansi

. Tentu

saja sudah jelas bahwa kita juga memisalkan tidak terjadi kekeliruan atas
pengamatan variable bebas X.
Asumsi kedua yang di ambil adalah untuk setiap harga X yang
diberikan, variable tak bebas Y independen dan berdistribusi normal dengan
rata-rata (

1 +

X) dan variansi

Y . X .

Variansis

Y .X .

dimisalkan sama untuk setiap X dan karenanya dapat dinyatakan oleh

yang bias pula dinamakan variansi kekeliruan taksiran sedangkan

y. x

dikenal dengan kekeliruan baku taksiran (Sudjana,1989).

Berpegang pada asumsi di atas, maka variansi

di taksir oleh

rata-rata kuadrat penyimpangan sekitar regresi atau di sebut juga rata-rata

2
kuadrat residu, dinyatakan oleh varians S e yang rumusnya berbentuk:

a.9..
denga Y= variable tak bebas hasil pengamatan, = di dapat dari
regresi berdasarkan sampel, dan n ukuran sampel.
Rumus a.9 dapat pula di tulis dengan:
a.10.
dengan

S 2Y

dan

S 2X

masing-masing menyatakan variansi untuk variable-

variavel Y dan X.

Setelah itu kita akan menghitung

S 2e , maka varians-varians

lainnya untuk regresi linear sederhana dapat di tentukan ialah: variansi

koevesien regresi b
a.11.
Variansi koefesien regresi a
a.12.

variansi ramalan individu Y untuk Xo yang diketahui

a.13.
variansi ramalan variansi Y untuk Xo diketahui
a.14

untuk rumus di atas, (Xi X)2 dapat pulah dig anti oleh
yang biasanya perhitungan untuk memperolehnya lebih mudah.

Terlihat bahwa fariansi ramalan individu lebih besar dari variansi

lamaran rata-rata.

5. Interval kepercayaan sehubungan dengan regresi linear

Kita lihat bahwa regresi liniear populasi dalam rumus a.8 telah di
taksir oleh regresi linear sampel = a + b X dengan koefesien-koefesien a
dan b dihitung menggunakan rumus a.6. Jadi Nampak bahwa a dan b masingmasing merupakan titik taksiran untuk 1 dan 2. Dengan asumsi-asumsi
yang di berikan dalam pembahasan sebelumnya, maka berbagai interval
10

taksiran sehubungan dengan regresi linier, termasuk untuk 1 dan 2 dapat di

tentukan.
Jika kooefesien kepercayaan diambil , 0 < < 1, maka interval
taksiran untuk 1 ditentukan oleh:
a.15.
dengan sa dihitung dengan menggunakan rumus a.12 dan derajat
kebebasan dk untuk distribusi t yang dipakai adalah (n-20).
Sejalan dengan hal ini, interval taksiran untuk 2 dapat di hitung dari:
a.16.
dengan sb dihitung dengan menggunakan rumus a.11.
Selanjutnya unntuk variansi kekeliruan taksiran

Y . X , juga interval

taksirannya dapat di tentukan. Kita tau bahwa titik taksirannya adalah

sY . X

yang di hitung dengann rumus a.9. Dengan menggunakan sifat bahwa X 2 = (n

2 )

s 2Y . X / 2Y . X

2
taksiran Y . X

berdistribusi X2 dengan dk = (n 2), maka interval

ditentukan oleh:

a.17
dalam rumus diatas, utnuk distribusi chi-kuadrat diambil dk= (n-2).
Taksiran yang lebih penting lagi dalam regresi linear adalah menaksir
rata-rata Y untuk X diketahui (diberi simbul

11

Y X

) dan menaksir individu

Y jika X diketahui bahwa titik taksirann rata-rata Y dengan mudah dapat di

cari dengan persamaan tersebut disubtitusikan harga X diketahui, Interval
taksiran rata-rata Y juka X diketahui dengan koefisien kepercayaan , adalah:
a.18
dengan s dihitung menggunakan rumus a.13 sedangkan untuk distribusi t
diambil dk = (n 2).
Interval taksiran individu Y untuk X diketahui, bentuknya seperti
rumus a.18 hanya bedanya terletak pada penggunaan s. Rumus itu adalah:
a.19
dengan s dihitung menggunakan rumus a.14.
6. Menguji hipotesis sehubungan dengan regresi linear sederhana
Dalam penelitian sering ingin mengetahui apakah koefisien-koefisien
regresi linear populasi 1 dan 2, mempunyai harga yang dihipotesiskan
ataukah tidak. Dengan demikian perlu diadakan pengujian terhadap hipotesis
nol Ho : 1 = 10 dan Ho : 2 = 20 dengan 10 dan 20 harga-harga yang di
ketahui. Pertama-tama akan di uji dengan pengujian hipotesis nol:
Ho : 2 = 20, melaawan salahsatu alternatif
H1 : 2 20, atau mungkin
H1 : 2 < 20, atau
H1 : 2 > 20.
Dengan asumsi-asumsi seperti di jelaskan pada pembahasan poin 4,
maka untuk pengujiannya menggunakan statistik :
a.20

t=
b20
sb

12

Dengan dk untuk distribusi t diambil (n 2). Kriteria pengujian,

seperti biasa di tentukan oleh bentuk alternatif H1. Untuk alternative H1
2

20 , maka tolah hipotesis Ho jika t t1

atau t - t1

dengan distribusi t yang digunakan mempunyai dk = (n-2) dan

menyatakan taraf nyata pengujian. Hal kusus dari H o: 2= 20 dalah apabila

20 = 0, jadi Ho: 2= 0. Dalam hal ini penguji Ho: 2= 0, berarti penguji Y
independenn daripada X dalam pengertian linear. Ini berarti pula bahwa
dalam hubungan linaer tidak ada harga X yang dapat di pakai untuk
meramalkan Y, atau untuk harga X berapapun, Y harganya tetap (Sudjana,
1989).
Uji independen antara X dan Y, tepanya pengujian Ho: 2

0, dapat

pula di tempuh dengan menggunakan analisis varians. Untuk ini, jumlah

kuadrat-kuadrat semua nilai individu Y, ialah Y2, dipecah menjadi tiga
bagian sumber variasi berbentuk:

Dengan kata-kata, semua sumber variasi ini biasanya ditulaskan dalam

bentuk:
Jumlah kuadrat-kuadrat total = jumlah kuadrat-kuadrat karena regresi (a)
+ jumlah kuadrat-kuadrat karena regresi (b|a)
+ jumlah kuadrat-kuadrat residu
Hubungan di atas ini dapat pula di tuliskan sebagai:

Dengan JK berarti jumlah kuadrat-kuadratnya.

Tiap jumlah kuadrat JK mempunyai derajat kebebasan masingmasing, yakni: n untuk Y2, 1 untuk JK (a), dan 1 JK (b|a) dan (n 2) untuk

13

JK (Res). Jika tiap JK dibagi oleh dknya masing-masing, maka diperoleh

kuadrat tengah disingkat KT, untuk tiap sumber variasi.
Untuk memudahkan, satuan-satuan yang perlu sebaiknya di
susun dalam sebuah daftar sehingga di dapat daftar analisis varians disingkat
ANAVA, seperti di bawah ini:

Dengan:
a.21.
2
Hasil bagi F = s reg

s 2res

ternyata di distribusi F dengan dk

pembilang satu dan dk penyebut (n 2), berdasarkann ini, hipotesis Ho: 2 = 0

ditolak jika F

F( 1 )(1.n2)

dan diterima dalam hal lainnya.

Jika ingin menguji hipotesis Ho: 1

10 (dengan 10 0) melawan

alternatif H1: 1 10 misalnyam digunakan statistik

a.22.
dan tolak Ho jika t t1

dengan dk untuk distribusi t di ambil (n-2).

Demikian pula, kita bias menguji hipotesis rata-rata Y, ialah

apabila di ketahui X, jadi kita dapat menguji hipotesis nol.
14

Y . X

Ho :

Y . X

, melawan H1 :

Y . X

dengan

harga

yang diketahui. Untuk pengujian ini, tenyata di gunakan statistik:

a.23

dengan Xo = harga X yang diketahui dan

dihitung dengan rumus

a.13. Daerah kritis pengujian sama seperti di atas. Jika kita ingin menguji
hipotesis sekaligus bersama-sama. Jadi hipotesisnya adalah:
Ho : 1 = 10 dan 2 = 20 , melawan tandingan
H1 : 1 10 dan 2 20.
Untuk ini dipakai statistik
a.24.

dan tolak Ho jika F

F( 1 )(2,n2)

7. Uji kelinieran regresi

Akan adanya perbedaan antara hasil pengamatan Y dan hasil yang
diperoleh dari model linier. Kekeliruan yang terjadi perlu dinilai dan satusatunya cara untuk mendapatkannya iyalah dengan jalan melakukan ulangan
terhadap variable bebas X. Dengan pola ini, maka hasil pengamatan akan
berbentuk:

15

Menurut Sudjana (1989) data di atas memperlihatkan bahwa variabel

X pada nilai X1 telah di ulang sabanyak n1 kali, pada nilai X2 sebanyak n2 kali
dan seterusnya. Dengan adanya pengulangan terhadapa X semacam ini, maka
jumlah kuadrat-kuadrat residu (JKres), di bagi menjadi dua bagian:
a. Kekeliruan eksperimen atau galat eksperimen
b. Ukuran tuna cocok model linier
untuk menguji apakah model linier yang telah diambil itu betul-betul cocok
dengan keadaannya ataukah tidak. Jika hasil pengujian mengatakan model
linier kurang cocok maka selayaknya harus di ambil model lain yang
nonlinear. Agar supaya JKres dapat dipecah seperti dimaksud di atas, maka
kita perlu menghitung jumlah kuadrat-kuadrat kekeliruan eksperimen
selanjutnya akan disingkat dengan JK(E). Rumusnya adalah:
a.25

Dengan tanda jumlah pertama yang diambil untuk semua harga X.

Jumlah kuadrat-kuadrat untuk tuna cocok model linier, disingkat dengan
JK(TC),didapat dengan mengurangi JKres oleh JK(E). Dengan terjadinya
pemecahan JKres ini, maka daftar analisis variansi dalam daftar analisis untuk
regresi linier sederhana sekarang menjadi seperti dalam daftar berikut

16

Seperti biasa KT setiap sumber variasi didapat sebagai hasil pembagian JK

oleh dk-nya masing-masing.
Dari daftar di atas sekaligus kita dapatkan dua hasil, ialah:
a. F =

s reg / s res

untuk uji independen seperti telah di jelaskan dalam

daftar analisis untuk regresi linier sederhana.

2
2
b. F = s TC / s e yang akan dipakai untuk menguji tuna cocok regresi
linier. Dann dalam hal ini, kita tolak hiptesis model regresi linier jika F
F( 1 )(k2,nk)
Untuk distribusi F yang digunakan diambil dk pembilang = (k-2) dan dk
penyebut = (n-k).

BAB II

PENUTUP
A. Kesimpulan
Dewasa ini statistik digunakan sebagai suatu alat bantu utama dalam
menyelesaikan suatu permesalahan ilmu pengetahuan dan teknologi. Korelasi
merupakan hubungan antara dua kejadian dimana kejadian yang satu dapat
mempengaruhi

eksistensi

kejadian

yang

lain,

Misalnya

kejadian

mempengerahui kejadian Y. Apabila dua variable X dan Y mempunyai hubungan,

maka nilai variable X yang sudah diketahui dapat dipergunakan untuk
memperkirakan/menaksir atau meramalkan Y. Ramalan pada dasarnya merupakan
17

perkiraan/taksiran mengenai terjadinya suatu kejadian (nilai suatu variabel) untuk

waktu yang akan datang. Variable yang nilainya akan diramalkan disebut variable
tidak bebas (dependent variable), sedangkan variabel C yang nilainya
dipergunakan untuk meramalkan nilai Y disebut variable bebas (independent
variable) atau variable peramal (predictor) atau seringkali disebut variable yang
menerangkan (explanatory).
Jadi jelas analisis korelasi ini memungkinkan kita untuk mengetahui suatu
di luar hasil penyelidikan, Salah satu cara untuk melakukan peramalan adalah
dengan menggunakan garis regresi. Untuk menghitung parameter yang akan
dijadikan dalam penentuan hubungan antara dua variabel, terdapat beberapa cara,
yaitu: koefisien

detreminasi,

koefisien korelasi. Apabila terdapat

data

berkelompok menggunakan koefisien data berkelompok dan bila menggunakan

data berganda maksudnya variable bebas yang mempengaruhi variable terikat ada
dua, maka menggunakan koefisien berganda. Sedangkan regeresi di bagi menjadi
dua, yaitu regresi linier dan regresi nonlinier. Dimana regresi linier juga dibagi
menjadi dua yakni regresi linier sederhana dan regresi linier berganda

B. Saran
Dalam makalah ini masih banyak kekurang, penulis harapkan bagi
pemakalah yang akan membahas poko bahasan regresi linier dapat memperdalam
lagi pokok bahasan tersebut.

18

DAFTAR PUSTAKA
Arikunto. 2006. Prosedur Penelitian. Rineka Cipta: Jakarta.
Juanda, Bambang. 2003. Metode Statistika. ITB: Bogor
Sudjana. 1989. Metoda Statistika. Tarsito: Bandung.
Walpole, Ronal E. 1992. Pengantar Statistika. PT Gramedia: Jakarta.

TUGAS MAKALAH

STATISTIKA
(REGRESI LINIER)

19

Oleh :

Raya Agni
Eni Darma Susanti

PROGRAM STUDI PENDIDIKAN SAINS

PASCASARJANA UNIVERSITAS TADULAKO
2014
KATA PENGANTAR
i
Syukur Alhamdulillah kepada Allah SWT atas segala nikmat dan karunia yang
telah diberikan dalam menyusun dan menyelesaikan makalah ini. Makalah ini
membahas tentang Regresi Linier.

20

Penulis mengucapkan terima kasih kepada semua pihak yang telah membantu
dalam penyelesaian makalah ini. Kepada Ibu dosen pengampu mata kuliah Statistika.
Penulis menyadari bahwa makalah ini masih banyak kekurangannya, Oleh
sebab itu segala kritikan positif dan membangun dari para pembaca sangat diperlukan
demi kesempurnaan makalah ini. Akhirnya harapan penulis semoga makalah ini dapat
bermanfaat bagi diri setiap pembaca untuk menambah wawasan dan ilmu
pengetahuan kita.

Palu,

ii

21

Agustus 2014

DAFTAR ISI

HALAMAN JUDUL............................................................................................

KATA PENGANTAR ........................................................................................

ii

DAFTAR ISI........................................................................................................

iii

BAB I PEMBAHASAN
A. Pendahuluan...............................................................................................

B. Macam-Macam Regresi.............................................................................

C. Regresi Linier..............................................................................................

1. Hubungan fungsional antar variabel...................................................

2. Metoda tangan bebas.............................................................................

3. Metoda kuadrat terkecil untuk regresi linear.....................................

4. Berbagai variansi sehubungan dengan regresi linier sederhana.......

5. Interval kepercayaan sehubungan dengan regresi linier...................

11

6. Menguji hipotesis sehubungan dengan regresi linier sederhana.......

12

22

7. Uji kelinieran regresi.............................................................................

15

BAB 11 PENUTUP
A. Kesimpulan...................................................................................................... 18
B. Saran ............................................................................................................

19

DAFTAR PUSTAKA...........................................................................................

20

iii

iii

23