METODE KUADRAT TERKECIL UNTUK REGRESI LINIER

Cara ini berpangkal pada kenyataan bahwa jumlah pangkat dua ( kuaddrat ) dari pada jarak antara titi-
titik dengan garis regrasi yang sedang di cari harus sekecil mungkin . Dari pada menjelaskan panjang
lebar tentang istilah ini,lebih baik kita gunakan saja hasil rumus-rumus yang di turunkan dari metoda
tersebut

Untuk fenomena yang terdiri dari sebuah variable bebas X dan sebuah variable tak bebas Y dimana
model regrasi linier untuk populasi seperti dalam rumus XV (2) telah dapa di dua maka , kita perlu
menaksir parameter-parameter sehingga di dapat persamaan seperti dalam rumusXV (3) . Jadi untuk
model regresi linier populasi

µy.x = ᶿ1 + ᶿ2 X

Akan di taksirn harga-harga ᶿ1 dan ᶿ2 oleh a dan b sehingga di dapat persamaan regresi menggunakan
data sampel :

Y =a+bX

Untuk keperluan ini , sebaiknya data hasil pengamat di catat dalam bentuk seper)ti di bawah ini

Variabel Variabel
Tak bebas Bebas
(Y) (X)
Y1 X1
Y2 X2
. .
. .
Yn Xn

Di sini dapat di dapat pasangan antara X dan Y dan n , seperti biasa , menyatakan ukuran sampel.

Koefosien-koefisien regresi a dan b untuk regrasi linier

Ternyata dapat di hitung dengan rumus :

𝟐
( ∑ 𝒀𝒊 ) (∑ 𝑿 )−( ∑ 𝑿𝒊 ) (∑ 𝑿𝒊 𝒀𝒊 )
𝑰
a= 𝟐
𝒏 ∑ 𝑿 − (∑ 𝑿𝒊 )𝟐
𝒊

𝒏 ∑ 𝑿𝒊 𝒀𝒊−( ∑ 𝑿𝒊 ) ( ∑ 𝒀𝒊 )
b= 𝟐 𝟐
𝒏 ∑ 𝑿 – (∑ 𝑿𝒊)
𝒊
Jika terlebih dahulu di hitung koefisien b , maka koefisien a dapat pula di tentukan oleh rumus :

a = Ȳ−𝒃𝑿

Dengan X̅ dan Y̅ masing – masing rata-rata untuk variabel – variabel X dan Y .

Rumus – rumus di atas di pakai untuk menenukan koefisien-koefisiaen regresi Y atas X untuk koefisien –
koefisien regresi Y atas X . Untuk koefisien –koefisien regresi X atas Y , rumus yang sama di gunakan tapi

Jadi untuk regresi X atas Y yang di taksir oleh

X̅ = c + d Y

Dengan menggunakan datahasil penelitian , maka koefisien-koefisiennya di hitung dari rumus

𝟐
( ∑ 𝑿𝒊 ) (∑ 𝒀 )−( ∑ 𝒀𝒊 ) (∑ 𝑿𝒊 𝒀𝒊 )
𝑰
a= 𝟐
𝒏 ∑ 𝒀 − (∑ 𝒀𝒊 )𝟐
𝒊

𝒏 ∑ 𝑿𝒊 𝒀𝒊−( ∑ 𝑿𝒊 ) ( ∑ 𝒀𝒊 )
b= 𝟐 𝟐
𝒏 ∑ 𝑿 – (∑ 𝑿𝒊)
𝒊

Contoh :

Data berikut melukiskan hasil pengamatan mengenai banyak orang yang datang ( x ) dan banyak orang
berbelanja ( Y ) di sebuah toko selama 30 hari .
 DAFAR XV

BANYAK PENGUNJUNG DAN YANG BERBELANJA

DI SEBUAH TOKO SELAMA 30 HARI

Pengunjung Berbelanja Pengunjung Berbelanja

(Xi) (Yi) (Xi) (Yi)
34 32 42 38
38 36 41 37
34 31 32 30
40 38 34 30
30 29 36 30
40 35 37 33
40 33 36 32
34 30 37 34
35 32 39 35
39 36 40 36
33 31 33 32
32 31 34 32
42 36 36 34
40 37 37 32
42 35 38 34

Akan di tentukan persamaan regresi Y atas X yang di perkirakan paling cocok dengan keadaan data yang
di peroleh . Untuk ini diagram pancaran perlu di perbuat dan dapat di lihat bahwa letak titik-titik ada
pada sekitar garis lurus .
DAFTAR XV

NILAI-NILAI YANG PERLU

UNTUK MENGHITUNG KOEFISIEN REGRESI LINIER

Xi Yi XiYi Xi2 Xi Yi XiYi Xi2

34 32 1088 1156 42 38 1596 1764
38 36 1368 1444 41 37 1517 1681
34 31 1054 1156 32 30 960 1024
40 38 1520 1600 34 30 1020 1156
30 29 870 900 36 30 1080 1296
40 35 1400 1600 37 33 1221 1369
40 33 1320 1600 36 32 1152 1296
34 30 1020 1156 37 34 1258 1369
35 32 1120 1225 39 35 1365 1521
39 36 1404 1521 40 36 1440 1600
33 31 1023 1089 33 32 1056 1089
32 31 992 1024 34 32 1088 1156
42 36 1512 1764 36 34 1224 1296
40 37 1480 1600 37 32 1184 1369
42 35 1470 1764 38 34 1292 1444

seteLah di jumlahkan di dapat :

2
∑ 𝑋𝑖 = 1.105 ; ∑ 𝑌𝑖 =1.001 ; ∑ 𝑋 = 41.029
𝑖

Ari rumus kita peroleh harga-harga

( 1.001 )( 41.029 )–( 1.105 )( 37.094 )
A= = 8,24
30 ( 41.029 )–(1.105 )2

30 ( 37.094 )–( 1.105 )(1.001 )

B= 30 ( 41 .029 )–( 1.105 )2
= 0,68

Dengan demikian , persamaan regresi linier Y atas X untuk soal di atas adalah :

Y̅ = 8,24 + 0,68

Variabel tak bebas Y dalam regresi telah di nyatakan oleh symbol Y ( baca : ye topi ) untuk menyatakan
bahwa kita berhadapan dengan Y yang di dapat dari regresi dan untuk membedakan dengan Y yang di
dapat dari regresi dan untuk membedakan nya dengan Y dari hasil pengamatan .

regresi linier dan menyatakan perubahan rata-rata variabel Y un tuk setiap perubahan variabel Y untuk
setiap perubahan variabel X sebesar satu unit .. Perubahan ini merupakan pertambahan apabila
bbertanda positif dan penurunan atau pengurangan jika bertanda negatif. Demikianlah misalnya , untuk
contoh kita b = 0,68 bertanda positif ; sehingga kita dapat mengatakan bahwa untuk setiap

X ( = pengunjung ) bertambah dengan seorang ,maka ata-rata pembeli (Y) bertambah dengan 0,68
orang.

Regresi yang di dapat ,selanjutnya di gunakan untuk keperluan ramalan apabila harga variabel bebas di
ketahui . Jika X = 30 Misalnya , dengan jalan memasukan harga tersebut kedalam persamaan di atas di
dapat

Y̅ = 8,24 + 0,68 (30) = 28,6

Di perkirakan rata-rata ada 28,6 orang pembeli untuk setiap 30 orang pengunjung yang masuk ke toko
itu . Harga-harga ramalan lainnya dapat dihitung dengan jalan yang sama untuk setiap harga X yang di
berikan . Jika hara-harga X yang di masukan ke dalam persamaan regresi terletak di dalam daer ruang
gerak X hasil pengamatan . dalam contoh kita mulai dari 30 sampai dengan 42 proses itu di namakan
Interpolasi

Memasukan harga – harga X di luar batas daerah ruang gerak pengamatan merupakan ekstrpolasi .
Khusus mengenai ekstrapolasi ini,jika harus di lakukan , hendaknya di lakukan dengan hati-hati dan
penuh pertimbangan . Resiko selalu timbul terkecuali kita tahu dengan cukup alas an bahwa regrasi
yang sama berlaku untuk X di luar daerah ruang gerak pengamatan .

Sebuah contoh lagii adalah mengenai hubungan antara tinggi badan dan berat badan mahasiswa yang
datanya mdi berikan di bawah ini.

DAFTAR XV

TINGGI DAN BERAT BADAN

Tinggi Berat Tinggi Berat

(cm) (kg) (cm) (kg)
162 48,0 161 58,3
168 46,3 163 50,7
170 58,1 160 50,6
167 53,2 168 60,3
159 46,8 169 47,0
160 47,0 156 46,9
170 63,2 162 49,7
163 52,7 159 46,9
164 59,2 164 56,1
158 47,1 167 58,0
164 58,4 158 47,0
158 46,5 163 56,0
156 46,0 160 49,8
Untuk mene ntukan regresi linier antara tinggi (X) dan berat (Y) dalam hal ini adalah masuk akal jika
kedua buah reegresi di tentukan , ialah regresi Y atas X dan regresi antara x atas Y . Dalam hal pertama
kita dapat meramalkan Y kalau X di ketahui sedangkan dalam hal kedua dapat meramalkan X apabila Y di
ketahui .Haarga-harga yang di perlukan untuk ini adalah :

∑ 𝑋𝑖 = 4.209 , ∑ 𝑌𝑖 = 1.349,8 , ∑ 𝑋𝑖𝑌𝑖 = 218.682,4

2
∑ 𝑋𝑖 2 = 681.777 , ∑ 𝑌 = 70.816,551 dan n = 26
𝑖

Dari rumus Xv kita dapat menghitung koefisien b untuk regresi Y atas X, yakni

26 ( 218 .682,4 )–( 4.209 )( 1.349,8 )

B= 26 ( 681 .777 )–( 4.209 )2
= 0,42

Dengan rumus XIV (7) di dapat koefisien :

1.349,8 4.209
A= − (0,49 ) = 16,08
26 26

Regresi Y atas X , persamaannya adalah

Y̅ = -16,08 +0,42 X

Untuk menentukan regresi linier X atas Y .Dengan persamaan X̅ = c + dY, maka koefisien-koefisien c dan
d masing-masing di dapat dari rumus XV (8) maka di peroleh :

( 4.209 ) ( 70.816,51 )–( 1.349 ,8 )( 218.682,4 )

C= 26( 70 .816 ,51 )–(1.349,8 )2
= 147,63

26 ( 218.682,4 )− ( 4.209 )(1.349,8 )

D= = 0,23
26( 70 .816 ,51 )–(1.349,8 )2

Regresi linier X atas Y mempunyai persamaan persamaan

X̅ = 147,63 + 0,23 Y

Berbagai varians sehubungan dengan regresi linier sederhana.