REGRESI LINEAR SEDERHANA

oleh: 1. Amalia Fikri Utami 2.M. Heri Asyari 3. Eva Agustiana Rahayu

4101409049 4101409113 4101409149

JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS NEGERI SEMARANG 2012

Aplikasi Regresi Linear Sederhana dalam Kehidupan 1. Memperkirakan prestasi belajar siswa pada akhir tahun berdasarkan hasil tes masuk 2. mengetahui pertambahan atau peningkatan daya ingat siswa dalam usaha peningkatan intensitas belajar 3. Menduga kemampuan mengajar guru berdasarkan daya motivasinya

Perlu dicari atau diperkirakan apakah ada hubungan diantara dua peubah tersebut. Bentuk hubungan ini dikenal dengan nama regresi untuk satu peubah atas peubah lain. Pada contoh pertama didapat regresi prestasi belajar anak pada akhir tahun atas hasil tes masuk. Dalam hal ini prestasi belajar dinamakan peubah respon / peubah terikat / peubah tergantung / peubah tak bebas. Sedangkan hasil tes masuk merupakan peubah prediktor / peubah pendahulu / peubah bebas. Dengan demikian dapat disimpulkan regresi merupakan bentuk hubungan antara peubah respon dan peubah prediktor. Hubungan ini dinyatakan dalam bentuk persamaan matematis linear atau nonlinear.

Secara umum, dalam bab ini akan dibahas regresi linear sederhana Y atas X berbentuk : I(1)......... Dimana: = subyek dalam variable dependen yang diprediksikan = harga Y ketika harga X=0 (harga konstan) = angka arah atu koefisien regresi, yang menunjukkan angka peningkatan ataupun penurunan variable dependen yang didasarkan pada perubahan variable independen. Bila (+) arah garis naik dan bila (-) maka arah garis turun. = subyek pada variable independen yang mempunyai nilai tertentu = +

DIAGRAM PENCAR
Y Y

X (A) Regresi linear Gambar I(1) (B) Regresi non linear

Pasangan data yang diperlukan untuk menghitung a dan b sebaiknya disiapkan seperti dalam Tabel I.1. Harga-harga X dan Y oleh keadaan tertentu terikat dalam bentuk pasangan, yakni X1 berpasangan dengan Y1, X2 berpasangan dengan Y2 dan seterusnya hingga pengamatan terakhir Xn berpasangan dengan Yn.
Tabel I.1 Pasangan data Pengamatan X dan Y

Responden 1 1 2 2 . . . . . .

1 2 . . . .

Setelah data berpasangan hasil pengamatan diperoleh dan dari diagram pencar kita duga regresinya linear berbentuk = + , maka berdasarkan pasangan data yang disusun seperti dalam tabel I.1, dengan menggunakan metode kuadrat terkecil, koefisien-koefisien a dan b dapat dihitung. Rumusnya adalah (indeks pada X dan Y dihilangkan untuk kesederhanaan bentuk). I(2) ............ = =

Dengan menyatakan jumlah semua harga dimiliki Z yang digunakan dalam sampel berukuran n.

Dari rumus I(2), data hasil penelitian yang ada dalam Tabel I.1 perlu disusun dalam Tabel I.2 sehingga besaran-besaran yang diperlukan untuk menghitung a dan b dengan Rumus I(2) dapat diperoleh dari tabel tersebut. Tabel I.2 Harga-harga yang dipelukan untuk menghitung a dan b dalam regresi = + 2 2 Responden 1 . . . . . 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . Jumlah 2 2

C NO : OT H Mn g n ka in tru e p n litia e g u a n s mn e e n te n , d liti h b n a a ta rte tu ite u u g n n ra m tiv s (X d n ke e d ru g n o ai ) a c n e n a b rp s s (Y s ke m o p m d e retai ) e lo p k e u a te iri a s 30 o n . Dri s tia p rd ta ra g a e a p m d ya g d liti d a t d a e u a n ite ic ta u ka kte tik ia h m tiv s (X d n ra ris la o ai ) a ke e d ru g n b rp s s (Y ya g c n e n a e retai ) n s d n d e ja e a g ip la ri.

Y (prestasi)
38

37
36 35 34 33 32 31 30 29

30

32

34

36

38

40

42

X (motivasi)

Gambar I(2)
TABEL 1.3 :

Pada baris terakhir dalam Tabel I.3 diperoleh harga-harga = 1.105, = 1.001, = 37.094, 2 = 41.029, dan 2 = 33.559 . Sementara itu, karena yang diteliti sebanyak 30 pemuda maka ini berarti ukuran sampel n= 30. Jika harga-harga ini dimasukkan ke dalam Rumus I(2) maka diperoleh = b=
1.001 41.029 1.105 (37.094) 30 41.029 (1.105)2 30 37.094 1.105 (1.001) 30 41.029 (1.105)2

Setelah perhitungan diselesaikan, akan diperoleh konstanta a = 8,24 dan koefisien arah b=0,68. Dengan adanya hasil ini, maka regresi kecenderungan berprestasi (Y) atas motivasi (X) adalah = 8,24 + 0,68 .

Apakah kegunaan regresi yang diperoleh ini? Sebelum kita gunakan untuk pengambilan kesimpulan, regresi yang diperoleh harus mengalami dulu pemeriksaan beberapa hal, utamanya mengenai: (i) kelinearan bentuk regresi dan (ii) keberartian regresi.

BOBOT REGRESI
Regresi : = + . Koefisien a merupakan konstanta regresi untuk = 0 sedangkan b merupakan koefisien arah yang menentukan arah bagaimana regresi terletak. Dengan demikian koefisien b ini seolah-olah menjadi pembobot kedudukan regresi, bobot yang menyebabkan apakah garis regresi sejajar sumbu, miring tajam atau miring landai. Karena itu b ini sering pula disebut sebagai bobot regresi.

Regresi = + yang diperoleh menggunakan n pasang data sampel ( , ) diharapkan bisa mengambil alih peran regresi dalam populasi yang memiliki persamaan berbentuk = + dengan harga-harga dan tidak diketahui dan masing-masing ditaksir oleh a dan b; koefisien ditaksir oleh a dan koefisien regresi atau bobot regresi ditaksir oleh b.

Untuk b dihitung menggunakan Rumus I(2),sedangkan bobot regresi didefinisikan oleh I(3)..... =

Dengan = simpangan baku untuk X dan = simpangan baku untuk Y. Dari rumus I(3) ini, apabila diketahui maka kita peroleh I(4)...... =

Menggunakan hubungan antara b dan ini, kita dapat menentukan regresi = + melalui . Bagaimana caranya? Pasangan data , kita ubah menjadi bilangan baku I(5)...... =

dan =

Lalu terhadap data dan ini kita gunakan Rumus I(2), maka akan diperoleh (bobot regresi dalam bentuk bilangan baku). Dengan adanya bobot regresi dalam bentuk bilangan baku ini, maka kita dapat menentukan persamaan regresi dalam bentuk bilangan baku, ialah : I(6)..... =

Dengan bobot regresi dihitung oleh I(7).... =

2

Contoh : Apabila contoh yang kita miliki semua datnaya dijadikan bilangan baku maka diperoleh seperti dalam Tabel I.4.

TABEL I4:

Dari data Tabel I.3 dapat dihitung bahwa :

1.105 = 30 = 36,8333 , 30 41.029 (1.105)2 2 = 30(29)

1.001 30

= 33,3667

= 11,3161 atau = 3,3639 = 6,8609 atau = 2,6193

30 33.559 (1.001)2 30(29)

M enggunakan rumus I(7), dengan data dari Tabel I.4, diperoleh 25,3969 = = 0,8757 29,0014 Dari rumus I(6), dalam bilangan baku, maka diperoleh regresi = 0,8757 Dan mebggunakan rumus I(4) kita dapatkan koefisien arah regresi Y atas X sebesar = 0,8757
2,6193 3,3639

= 0,6819. Hingga

dua desimal hasil ini sama dengan koefisien arah regresi yang diperoleh dengan Rumus I(2).

UJI KELINEARAN DAN KEBERARTIAN REGRESI

Pemeriksaan kelinearan regresi dilakukan melalui pengujian hipotesis nol bahwa regresi linear melawan hipotesis tandingan bahwa regresi non-linear, sedangkan keberartian regresi diperiksa melalui pengujian hipotesis nol bahwa koefisien-koefisien regresi, khususnya koefisien arah b, sama dengan nol (tidak berarti) melawan hipotesis tandingan bahwa koefisien arah regresi tidak sama dengan nol (atau bentuk lain bergantung pada persoalannya).

Untuk uji kelinearan, diperlukan adanya beberapa pengulangan pengamatan sehingga diperoleh beberapa kelompok data X, tiap kelompok terdiri atas beberapa data X yang berharga sama sementara harga-harga Y pasangannya diharapkan berlainan. Pasangan data untuk keadaan ini secara umum dapat disusun seperti dalam table I.5 .

TABEL I.5:

Menggunakan data yang disusun dalam Tabel I.5, uji kelinearan dapat dilakukan terlebih dahulu menghitung jumlah kuadrat-kuadrat, disingkat JK, untuk berbagai sumber variasi. Sumber-sumber variasi yang JK-nya perlu dihitung adalah sumbersumber variasi untuk total, koefisien (a), regresi , sisa, tuna cocok dan galat.

I(8)........... Keterangan : = = 2
2 2 2

JK(T) = jumlah kuadrat total JK(a) = jumlah kuadrat koefisien a

= =

JK

= jumlah kuadrat regresi

JK(S) = jumlah kuadrat sisa JK(TC) = jumlah kuadrat Tuna cocok

= =

JK(G) = jumlah kuadrat galat

= ()

Setiap sumber variasi memiliki besaran yang biasa dinamakan derajat kebebasan(dk), yang besarnya n untuk total, 1 untuk koefisien (a), 1 untuk regresi . (n 2) untuk sisa, (k 2) untuk tuna cocok dan (n k) untuk galat. Dengan adanya dk dan JK untuk tiap sumber variasi, selanjutnya dapat ditentukan besaran yang disebut kuadrat tengah, disingkat KT, yang diperoleh dengan jalan membagi JK oleh dk-nya masing-masnig. Demikianlah kite peroleh =
()

, KT (a) = JK (a)

dan KT = JK karena kedua sumber variasi ini masing-masing memiliki sumber dk sama dengan satu, =
()

, =

()

, dan =

() .

Sementara itu, KT sering pula dilambangkan oleh 2 , menyatakan varians regresi, dan KT(S) dilambangkan oleh 2 ,, menyatakan varians sisa. Demikian pula dapat kita lambangkan 2 , untuk KT(TC) dan 2 , untuk KT(G) yang masing-masing menyatakan varians tuna cocok dan varians galat. Semua besaran yang diperoleh, biasanya disusun dalam sebuah daftar, dikenal dengan daftar analisis varians, disingkat ANAVA, untuk regresi linear sederhana, yang susunannya dapat
TABEL I.6

dilihat dalam Tabel I.6 .

Untuk regresi linear yang didapat dari pasangan data X dan Y dalam tabel I.3, marilah kita periksa apakah regresi itu mendukung untuk menyimpulkan bahwa populasi yang sebagian datanya telah diambil sebanyak n = 30 dan memberikan regresi = 8,24 + 0,68X memang memiliki regresi yang bentuknya linear dan berarti, khususnya koefisien arahnya, ataukah tidak. Mengikuti uraian yang telah diberikan, maka pasangan data X dan Y perlu disusun untuk memperoleh susunan seperti dalam Tabel I.5. Setelah dilakukan, dan juga dihitung besar-besaran yang perlu, maka diperoleh :
Tabel I.7

Untuk mengisi sel-sel daftar ANAVA dalam Tabel I.6 masih perlu dicari JK lainnya menggunakan rumus I(8) () = . (dari kolom akhir tabel I.3) . () =

= . ,

. (. ) (|) = (, ) . = , () = . . , , = , = , , = , Dengan semua harga-harga ini, didapat daftar ANAVA berikut.

TABEL I.8 :

GALAT BAKU TAKSIRAN

Regresi = + yang diperoleh dari pasangan data berdasarkan penelitian merupakan taksiran terhadap regresi = + untuk populasi yang n buah pasangan datanya telah diambil dan dipakai untuk menghitung regresi = + . Mudah dimengerti bahwa untuk n buah pasangan data mana pun yang diambil dari populasi, bukan saja kita akan memperoleh taksiran regresi yang berlainan tetapi juga untuk taksiran regresi mana pun yang diperoleh akan ada perbedaan antara respon Y sebenarnya dan harga dihitung dari regresi = + untuk prediktor X yang diketahui.

Perbedaan ini merupakan kekeliruan atau galat dan apabila dihitung JK nya kemudian dibagi oleh dk untuk ini sebesar (n2), maka diperolehlah varians galat taksiran Y untuk X 2 diketahui, dilambangkan oleh . , yang dapat dihitung menggunakan rumus I(9)..... Varians
2 . 2 . ini

( )2 2

merupakan

taksiran

untuk

varians

2 . dalam populasi dengan model regresi = + . 2 Diasumsikan bahwa varians . ini sama besar untuk tiap kelompok X sedangkan untuk X diketahui Y berdistribusi 2 normal dengan rata-rata ( + ) dan varians . .

Asumsi-asumsi ini perlukan untuk melakukan analisis regresi yang melibatkan estimasi dan pengujian hipotesis tentang regresi termasuk pengujian kelinearan dan keberartian regresi, menggunakan ANAVA seperti dilakukan dalam bag D. Sebenarnya asumsi yang disebutkan tadi tidak cukup, akan tetapi masih harus ditambah bahwa tiap harga Y harus independen dari harga-harga lainnya dan bahwa galat acak = berdistribusi 2 normal dengan rata-rata nol dan varians yang berharga konstan. Apabila semua asumsi yang disebutkan dipenuhi, maka sahlah analisis regresi yang kita lakukan.

Besaran . (atau . untuk populasi) dinamakan galat baku taksiran Y untuk X yang diketahui. Dengan adanya galat baku ini, berdasarkan regresi linear sederhana = + dapat dihitung varians untuk konstanta a, ialah
2 , dan varians untuk koefisien arah regresi b, ialah

2 , Rumusnya untuk varians konstanta a adalah I(10).......

2 2 = .

Adapun untuk menghitung varians Y bila diketahui = 0 ,

I(13) ...........

1 1+ +

0 2

2 2

Bila diamati lebih lanjut, terdapat perbedaan antara varians rata-rata Y dan varians individu. Nampak bahwa variasi nilai individu Y lebih besar daripada variasi yang terjadi dalam rata-rata Y untuk tiap kelompok X. Untuk lebih jelasnya, mari perhatikan contoh berikut

CONTOH

SELANG TAFSIRAN PARAMETER REGRESI LINEAR

Varians-varians yang dihitung sebelumnya, berguna untuk menentukan selang taksiran konstanta regresi , koefisien arah dalam regresi populasi berbentuk = + , selang taksiran individu Y dan selang taksiran rata-rata Y. Jika asumsi-asumsi dipenuhi, yaitu : i. Galat taksiran berdistribusi normal dengan rata-rata nol dan varians 2 . yang harus diuji ii. varians 2 . sama untuk tiap kelompok X, diperiksa melalui pengujian hipotesis iii. Y berdistribusi normal dengan rata-rata + dan varians 2 . perlu diuji iv. Model regresi linear sudah diperiksa bentuk serta keberartiannya

Selang taksiran untuk konstanta berdasarkan angka kepercayaan dimana 0 < < 1 ditentukan oleh, I(14) ........... . < < + . Keterangan: : konstanta regresi dari = + : varians konstanta t : diambil dari daftar distribusi Student t untuk dk = (n-2) dengan memperhitungkan adanya peluang sebesar

Bila angka kepercayaan dimana 0 < < 1, maka selang taksiran untuk koefisien arah dapat dihitung dengan rumus, I(15) ........... . < < + . Keterangan: : koefisien arah regresi dari = + : varians koefisien arah regresi b t : diambil dari daftar distribusi Student t untuk dk = (n2) dengan memperhitungkan adanya peluang sebesar , 0 < < 1

Bila angka kepercayaan dimana 0 < < 1, maka selang taksiran rata-rata Y untuk = dapat dihitung dengan rumus, I(16) ........... . < < + . Dimana didapat dari regresi = + setelah dihitung untuk = 0 , dihitung dengan rumus I(12) untuk = 0 dan t didapat dari tabel distribusi t untuk dk = (n-2) dengan memperhitungkan adanya peluang sebesar

Maka selang taksiran individu Y untuk = , dimana angka kepercayaan , < < 1 dapat dihitung dengan rumus, I(17) ........... . < < + . Dalam pemakaiannya, yang sering digunakan adalah selang taksiran untuk koefisien arah dan selang taksiran untuk rata-rata Y.
CONTOH

TERIMAKASIH