Kuliah 11: Regresi Linear Mudah

CCM PPIP USM 12-12-15

 Regresi linear mudah digunakan untuk
meramal skor bagi satu variabel dengan
menggunakan skor bagi satu variabel yang
lain
 Variabel yang digunakan untuk meramal
skor dikenali sebagai variabel bebas atau
variabel peramal (X)
 Variabel yang diramalkan dikenali sebagai
variabel bersandar atau variabel kriteria (Y)

CCM PPIP USM 12-12-15

Contoh 1: Meramal skor Y daripada skor X apabila
korelasi antara X dan Y adalah sempurna
– Jadual di bawah menunjukkan korelasi antara X dan Y yang
sempurna (r = 1):

X Y
2 3
4 4
6 5
8 6
10 7
12 8
14 9

– a) Ramalkan skor Y apabila X = 16. Y = 10

– b) Ramalkan skor Y apabila X = 125.5 Y=?
CCM PPIP USM 12-12-15
 Meramalkan skor Y apabila X = 125.5

1. Bina satu plot serakan

2. Lukis satu garis lurus yang terbaik untuk
mewakili hubungan linear antara X dan Y
3. Tentukan persamaan bagi garis lurus yang
terbaik itu
4. Gunakan persamaan bagi garis lurus yang
terbaik itu untuk meramal skor Y apabila X
= 125.5

CCM PPIP USM 12-12-15

 Langkah 1: Bina satu plot serakan

X Y
2 3

4 4

6 5

8 6

10 7

12 8

14 9

X
CCM PPIP USM 12-12-15
 Langkah 2: Lukis satu garis lurus yang terbaik
untuk mewakili hubungan linear antara X dan Y

X
CCM PPIP USM 12-12-15
Langkah 3: Tentukan persamaan bagi garis lurus
yang terbaik itu

Persamaan garis lurus ialah:

Y=mX+c

di mana m = kecerunan garis lurus

jarak menegak
m=
jarak mengufuk

dan c = pintasan-Y, iaitu nilai Y di mana garis lurus

memintas paksi Y

m=?,c=? CCM PPIP USM 12-12-15

 Langkah 3: Tentukan persamaan bagi garis lurus
yang terbaik, Y = m X + c
Persamaan garis lurus, Y = m X + c
Y = 0.5 X + 2

c = pintasan-Y jarak menegak

=2 m=
Y jarak mengufuk
1 unit
=
2 unit
= 0.5

m = 0.5 bermaksud satu tokokan sebanyak 1 unit (2 unit) dalam X

X
berkait dengan satu tokokan sebanyak 0.5 unit (1 unit) dalam Y
CCM PPIP USM 12-12-15
Langkah 4: Gunakan persamaan bagi garis lurus yang
terbaik itu untuk meramal skor Y apabila X = 125.5

Persamaan garis lurus itu:

Y = 0.5 X + 2

Apabila X = 125.5, Y = 0.5 (125.5) + 2

= 64.75

CCM PPIP USM 12-12-15

 Contoh 2: Ramalkan skor Y daripada skor X apabila
korelasi antara X dan Y adalah tidak sempurna (r ≠ 1)
– Jadual di bawah menunjukkan korelasi antara skor
penaakulan logik (X) dan skor kreativiti (Y) bagi 20 orang
pelajar:

X 15 10 7 18 5 10 7 17 15 9 8 15 11 17 8 11 12 13 18 7

Y 12 13 9 18 7 9 14 16 10 12 7 13 14 19 10 16 12 16 19 11

– Ramalkan skor kreativiti bagi seorang pelajar yang

mempunyai skor penaakulan logik sebanyak 25.

Apabila X = 25, Y = ?

CCM PPIP USM 12-12-15

Meramalkan skor kreativiti bagi seorang pelajar yang
mempunyai skor penaakulan logik sebanyak 25

1. Bina satu plot serakan

2. Lukis satu garis lurus yang terbaik untuk
mewakili hubungan linear antara X dan Y
3. Tentukan persamaan bagi garis lurus yang
terbaik itu
4. Gunakan persamaan bagi garis lurus yang
terbaik itu untuk meramal skor kreativiti (Y)
apabila skor penaakulan logik (X) ialah 25
• X = 25, Y = ?

CCM PPIP USM 12-12-15

 Langkah 1: Bina satu plot serakan
X 15 10 7 18 5 10 7 17 15 9 8 15 11 17 8 11 12 13 18 7

Y 12 13 9 18 7 9 14 16 10 12 7 13 14 19 10 16 12 16 19 11

Kreativiti
Kreativiti(Y)
(Y)

Penaakulan
Penakulanlogik (X)
Logik (X)

CCM PPIP USM 12-12-15

 Langkah 2: Lukis satu garis lurus yang terbaik
untuk mewakili hubungan linear antara X dan Y

Kreativiti
Kreativiti(Y)
(Y)

Penaakulan
Penakulanlogik (X)
Logik (X)

CCM PPIP USM 12-12-15

 Langkah 3: Tentukan persamaan bagi garis lurus
yang terbaik, Y = m X + c
Persamaan garis lurus, Y = m X + c
Y = 0.6 X + 5.2

jarak menegak
m=
jarak mengufuk
Kreativiti
Kreativiti(Y)
(Y)
0.6 unit
c = pintasan-Y =
= 5.2 1 unit
= 0.6

Penaakulan
Penakulanlogik (X)
Logik (X)

CCM PPIP USM 12-12-15

Langkah 4: Gunakan persamaan bagi garis lurus yang
terbaik itu untuk meramal skor Y apabila X = 25

Persamaan garis lurus itu:

Y = 0.6 X + 5.2

Apabila X = 25, Y = 0.6 (25) + 5.2

= 20.2

CCM PPIP USM 12-12-15

 Atau
Langkah 2: Lukis satu garis lurus yang terbaik
untuk mewakili hubungan linear antara X dan Y

Kreativiti
Kreativiti(Y)
(Y)

Yang manakah merupakan garis lurus

yang terbaik untuk mewakili hubungan
linear antara X dan Y?
Kaedah kuasa dua terkecil

Penaakulan
Penakulanlogik (X)
Logik (X)

CCM PPIP USM 12-12-15

 Kaedah kuasa dua terkecil

• Kaedah kuasa dua terkecil membina garis lurus

yang terbaik supaya jumlah bagi kuasa dua
perbezaan antara nilai sebenar Y dan nilai
ramalan Y (iaitu Y’ ) adalah minimum
• Secara simbol:

∑ (Y − Y ' ) 2 adalah minimum

CCM PPIP USM 12-12-15

 Kaedah kuasa dua terkecil
20

18

16
Garis lurus yang terbaik
14

12

Kreativiti (Y) 10

8
Y' (nilai ramalan bagi Y)
Y - Y'
(perbezaan antara Y (nilai sebenar bagi Y)
nilai sebenar
6
Y dan
nilai ramalan Y)
4

-5 5 10 15 20 25 30 35

Penaakulan logik (X)

-2

∑ (Y −CCM ')2
YPPIP adalah minimum
USM 12-12-15
 Kaedah kuasa dua terkecil
• Untuk melukis garis lurus yang terbaik (garis regresi),
persamaan bagi lurus yang terbaik (persamaan
regresi) adalah seperti berikut:

Y’ = b X + a
di mana
Y’ = nilai ramalan Y
b = kecerunan garis regresi (pekali regresi)
X = skor yang digunakan untuk meramal skor Y
a = pintasan-Y (pemalar regresi)

CCM PPIP USM 12-12-15

 Pekali regresi, b
• Kecerunan garis regresi dinamakan pekali
regresi, b
• Pekali regresi, b menunjukkan bahawa
perubahan satu unit dalam X berkait dengan
perubahan sekian unit dalam Y
• Rumus untuk mengira nilai b :

n ∑ XY − ∑ X ∑ Y
b=
n ∑ X 2 − (∑ X ) 2
CCM PPIP USM 12-12-15
 Pemalar regresi, a

• Pintasan-Y dinamakan pemalar regresi, a

• Pemalar regresi, a menunjukkan nilai Y’ di mana
garis regresi memintas paksi-Y atau nilai Y’
apabila X = 0
• Rumus untuk mengira a :

∑Y − b ∑ X
a= atau a = Y − b X
n
CCM PPIP USM 12-12-15
Menentukan persamaan regresi bagi Contoh 2:
X Y
15 12
10
7
13
9
Y’ = b X + a
18 18
5 7
10 9

n ∑ XY − ∑ X ∑ Y
7 14
17 16
b=
15
9
10
12
n ∑ X 2 − (∑ X ) 2
8 7

∑Y − b ∑ X
15 13
11
17
14
19
a=
8 10
n
11 16
12 12
13
18
16
19
n = 20
7 11 CCM PPIP USM 12-12-15
 n ∑ XY − ∑ X ∑ Y ∑Y − b ∑ X
b= a=
n ∑ X 2 − (∑ X ) 2 n
X Y XY X2
15 12 180 225
10 13 130 100
7 9 63 49
18 18 324 324
5 7 35 25
10 9 90 100
7 14 98 49
17 16 272 289
15 10 150 225
9 12 108 81
8 7 56 64
15 13 195 225
11 14 154 121
17 19 323 289
8 10 80 64
11 16 176 121
12 12 144 144
13 16 208 169
18 19 342 324
7 11 77 49
CCM PPIP USM 12-12-15
∑X = 233 ∑Y =257 ∑XY =3 205 ∑X2 =3 037
Mengira nilai pekali regresi, b
∑X = 233 ∑Y =257 ∑XY =3 205 ∑X2 =3 037

n = 20

n ∑ XY − ∑ X ∑ Y
b=
n ∑ X 2 − (∑ X ) 2
(20)(3,205) − (233)(257)
=
(20)(3,037) − (233) 2
= 0.65

Nilai positif b, iaitu 0.65 menunjukkan bahawa tokokan 1 unit

dalam X berkait dengan tokokan 0.65 unit dalam Y
CCM PPIP USM 12-12-15
 Makna pekali regresi, b
20 Y' = 0.65X + 5.28
(persamaan regresi)
18
garis regresi
16

14

12

Kreativiti (Y) 10

b = 0.65
6
tokokan 0.65 unit dalam Y
4
tokokan 1 unit dalam X
2

-5 5 10 15 20 25 30 35

-2
Penaakulan logik (X)

CCM PPIP USM 12-12-15

Mengira nilai pemalar regresi, a
∑X = 233 ∑Y =257 b = 0.65, n = 20

∑Y − b ∑ X
a=
n
257 − (0.65)(233)
=
20
= 5.28

Nilai positif a, iaitu 5.28 menunjukkan bahawa

pintasan-Y ialah 5.28

CCM PPIP USM 12-12-15

 Makna pemalar regresi, a

20 Y' = 0.65X + 5.28

(persamaan regresi)
18
garis regresi
16

14

12

Kreativiti (Y) 10

a = 5.28 6

-5 5 10 15 20 25 30 35

-2
Penaakulan logik (X)

CCM PPIP USM 12-12-15

 Kaedah kuasa dua terkecil
Menentukan persamaan regresi bagi Contoh 2:
Maka, persamaan regresi bagi garis regresi itu
ialah:
Y’ = b X + a

Apabila b = 0.65 dan a = 5.28,

Y’ = 0.65 X + 5.28

CCM PPIP USM 12-12-15

Gunakan persamaan bagi garis lurus yang terbaik itu
untuk meramal skor kreativiti (Y) apabila skor
penaakulan logik (X) ialah 25

Persamaan regresi bagi garis regresi itu ialah:

Y’ = 0.65 X + 5.28

Apabila X = 25, Y’ = 0.65 (25) + 5.28

= 21.53

CCM PPIP USM 12-12-15

 X Y Y’ = 0.65X + 5.28 Y – Y’ (Y – Y’)2
15 12 Y’ = 0.65(15) + 5.28 = 15.03 12 – 15.03 = -3.03 9.18
10 13 Y’ = 0.65(10) + 5.28 =11.78 13 – 11.78 = 1.22 1.49
7 9 Y’ = 0.65(7) + 5.28 = 9.83 9 – 9.83 = -0.83 0.69
18 18 Y’ = 0.65(18) + 5.28 =16.98 18 – 16.98 = 1.02 1.04
5 7 Y’ = 0.65(5) + 5.28 = 8.53 7 – 8.53 = -1.53 2.34
10 9 Y’ = 0.65(10) + 5.28 =11.78 9 – 11.78 = -2.78 7.73
7 14 Y’ = 0.65(7) + 5.28 = 9.83 14 – 9.83 = 4.17 17.39
17 16 Y’ = 0.65(17) + 5.28 =16.33 16 – 16.33 = -0.33 0.11
15 10 Y’ = 0.65(15) + 5.28 =15.03 10 – 15.03 = -5.03 25.30
9 12 Y’ = 0.65(9) + 5.28 =11.13 12 – 11.13= 0.87 0.76
8 7 Y’ = 0.65(8) + 5.28 =10.48 7 – 10.48 = -3.48 12.11
15 13 Y’ = 0.65(15) + 5.28 =15.03 13 – 15.03 = -2.03 4.12
11 14 Y’ = 0.65(11) + 5.28 =12.43 14 – 12.43 = 1.57 2.46
17 19 Y’ = 0.65(17) + 5.28 =16.33 19 – 16.33 = 2.67 7.13
8 10 Y’ = 0.65(8) + 5.28 =10.48 10 – 10.48= -0.48 0.23
11 16 Y’ = 0.65(11) + 5.28 =12.43 16 – 12.43 = -3.57 12.74
12 12 Y’ = 0.65(12) + 5.28 =13.08 12 – 13.08 = 1.08 1.17
13 16 Y’ = 0.65(13) + 5.28 =13.73 16 – 13.73 = -2.27 5.15
18 19 Y’ = 0.65(18) + 5.28 =16.98 19 – 16.98 = 2.02 4.08
7 11 Y’ = 0.65(7) + 5.28 =9.83 11 – 9.83 = -1.17 1.37
∑X = 233 ∑Y =257 ∑(Y – Y’)2 = 116.59
∑(Y – Y’) = 0.00* adalah minimum
CCM PPIP USM 12-12-15
 Kaedah kuasa dua terkecil
20 Y' = 0.65X + 5.28
(persamaan regresi)
18
19 -16.33 =2.67 garis regresi
16 16 - 16.33 = -0.33
garis lurus yang terbaik
14

e = Y - Y'
12

Kreativiti (Y) 10

8
Y' (nilai ramalan Y)
Y - Y'
(perbezaan antara Y (nilai sebenar Y)
nilai sebenar
6
Y dan
nilai ramalan Y)
4

-5 5 10 15 20 25 30 35

-2
Penaakulan logik (X)

∑ (YCCM−PPIP ) 2 12-12-15
Y ' USM adalah minimum
 Menghasilkan garis regresi dengan
menggunakan SPSS

A. Menghasilkan plot serakan dengan

menggunakan SPSS
B. Menghasilkan garis regresi dengan
menggunakan SPSS

CCM PPIP USM 12-12-15

A. Menghasilkan plot serakan dengan
menggunakan SPSS

– Bina fail data

– Graphs > Chart Builder … >Scatter/Dot
– Pindahkan Simple Scatter ke kotak Chart
preview
– Pindahkan variabel Y (kreativiti) ke kotak Y
Axis
– Pindahkan variabel X (penaakulan logik) ke
kotak X Axis
– OK
CCM PPIP USM 12-12-15
B. Menghasilkan garis regresi
dengan menggunakan SPSS
– Klik dua kali pada plot serakan
– Klik pada sebarang titik dalam plot serakan
– Element > Fit Line at Total
– Linear > Close
– Tutup Chart Editor

CCM PPIP USM 12-12-15

Plot serakan dengan garis regresi

CCM PPIP USM 12-12-15

 Menghasilkan persamaan regresi
dengan menggunakan SPSS

– Buka fail data yang berkenaan

– Analyze > Regression > Linear
– Pindahkan variabel Y ke kotak Dependent:
– Pindahkan variabel X ke kotak Independent(s):
– Continue > OK

CCM PPIP USM 12-12-15

 Menghasilkan persamaan regresi dengan
menggunakan SPSS

Coefficientsa
Model Unstandardized Standardized t Sig. 95.0%
Coefficients Coefficients Confidence
Interval for B
B Std. Beta Lower Upper
Error Bound Bound
(Constant) 5.231 1.746 a 2.996 .008 1.562 8.899
1 Penaakulan
logik (X) .654 .142 b .736 4.615 .000 .356 .952
a. Dependent Variable: Kreativiti (Y)

Y’ = b X + a
Y’ = 0.654 X + 5.231
CCM PPIP USM 12-12-15
 Ralat dalam ramalan
• Ralat dalam ramalan ialah perbezaan antara skor
sebenar Y dan skor ramalan Y (iaitu Y’ )

• Rumus untuk mengira ralat dalam ramalan (e ):

e = Y – Y’

CCM PPIP USM 12-12-15

 Ralat dalam ramalan

20 Y' = 0.65X + 5.28

(persamaan regresi)
18
19 -16.33 =2.67 garis regresi
16 16 - 16.33 = -0.33
garis lurus yang terbaik
14

ee == Y – Y’
Y - Y'
12

Kreativiti (Y) 10

8
Y' (nilai ramalan Y)
Y - Y'
(perbezaan antara Y (nilai sebenar Y)
nilai sebenar
6
Y dan
nilai ramalan Y)
4

-5 5 10 15 20 25 30 35

Penaakulan logik (X)

-2 CCM PPIP USM 12-12-15
 X Y Y’ = 0.65X + 5.28 e = Y – Y’
15 12 Y’ = 0.65(15) + 5.28 = 15.03 12 – 15.03 = -3.03
10 13 Y’ = 0.65(10) + 5.28 =11.78 13 – 11.78 = 1.22
7 9 Y’ = 0.65(7) + 5.28 = 9.83 9 – 9.83 = -0.83
18 18 Y’ = 0.65(18) + 5.28 =16.98 18 – 16.98 = 1.02
5 7 Y’ = 0.65(5) + 5.28 = 8.53 7 – 8.53 = -1.53
10 9 Y’ = 0.65(10) + 5.28 =11.78 9 – 11.78 = -2.78
7 14 Y’ = 0.65(7) + 5.28 = 9.83 14 – 9.83 = 4.17
17 16 Y’ = 0.65(17) + 5.28 =16.33 16 – 16.33 = -0.33
15 10 Y’ = 0.65(15) + 5.28 =15.03 10 – 15.03 = -5.03
9 12 Y’ = 0.65(9) + 5.28 =11.13 12 – 11.13= 0.87
8 7 Y’ = 0.65(8) + 5.28 =10.48 7 – 10.48 = -3.48
15 13 Y’ = 0.65(15) + 5.28 =15.03 13 – 15.03 = -2.03
11 14 Y’ = 0.65(11) + 5.28 =12.43 14 – 12.43 = 1.57
17 19 Y’ = 0.65(17) + 5.28 =16.33 19 – 16.33 = 2.67
8 10 Y’ = 0.65(8) + 5.28 =10.48 10 – 10.48= -0.48
11 16 Y’ = 0.65(11) + 5.28 =12.43 16 – 12.43 = -3.57
12 12 Y’ = 0.65(12) + 5.28 =13.08 12 – 13.08 = 1.08
13 16 Y’ = 0.65(13) + 5.28 =13.73 16 – 13.73 = -2.27
18 19 Y’ = 0.65(18) + 5.28 =16.98 19 – 16.98 = 2.02
7 11 Y’ = 0.65(7) + 5.28 =9.83 11 – 9.83 = -1.17
∑X = 233 ∑Y =257 ∑e = 0.00*

* ∑e =0.05, dan tidak sama dengan sifar

CCMkerana ralat
PPIP USM pembundaran (Hinkle et al., 2003)
12-12-15
 Ralat piawai anggaran
• Sisihan piawai bagi ralat dalam ramalan dikenali
sebagai ralat piawai anggaran (standard error of
the estimate)
• Ralat piawai anggaran ialah satu ukuran keseluruhan
bagi sejauh mana nilai-nilai ramalan Y’ berbeza
daripada nilai-nilai sebenar Y
• Iaitu ukuran ketidaktepatan bagi persamaan regresi
dalam meramalkan nilai Y
• Diwakili oleh se

CCM PPIP USM 12-12-15

 Ralat piawai anggaran
• Rumus untuk mengira ralat piawai anggaran, se :

∑(Y − Y ′) 2 ∑ e2
se = atau s e =
n−2 n−2

kerana e = Y – Y’

CCM PPIP USM 12-12-15

 Contoh

– Seorang penyelidik ingin meramal skor kreativiti daripada skor

penaakulan logik pelajar. Jadual 1 menunjukkan skor penaakulan
logik dan skor kreativiti bagi 20 orang pelajar yang telah dikumpul
oleh penyelidik itu. Kira ralat piawai anggaran bagi skor kreativiti
pelajar.

Jadual 1. Skor Penakulan Logik (X) dan Skor Kreativiti (Y) Pelajar

X 15 10 7 18 5 10 7 17 15 9 8 15 11 17 8 11 12 13 18 7

Y 12 13 9 18 7 9 14 16 10 12 7 13 14 19 10 16 12 16 19 11

CCM PPIP USM 12-12-15

 X Y Y’ = 0.65X + 5.28 e = Y – Y’ e2 = (Y – Y’)2
15 12 Y’ = 0.65(15) + 5.28 = 15.03 12 – 15.03 = -3.03 9.18
10 13 Y’ = 0.65(10) + 5.28 =11.78 13 – 11.78 = 1.22 1.49
7 9 Y’ = 0.65(7) + 5.28 = 9.83 9 – 9.83 = -0.83 0.69
18 18 Y’ = 0.65(18) + 5.28 =16.98 18 – 16.98 = 1.02 1.04
5 7 Y’ = 0.65(5) + 5.28 = 8.53 7 – 8.53 = -1.53 2.34
10 9 Y’ = 0.65(10) + 5.28 =11.78 9 – 11.78 = -2.78 7.73
7 14 Y’ = 0.65(7) + 5.28 = 9.83 14 – 9.83 = 4.17 17.39
17 16 Y’ = 0.65(17) + 5.28 =16.33 16 – 16.33 = -0.33 0.11
15 10 Y’ = 0.65(15) + 5.28 =15.03 10 – 15.03 = -5.03 25.30
9 12 Y’ = 0.65(9) + 5.28 =11.13 12 – 11.13= 0.87 0.76
8 7 Y’ = 0.65(8) + 5.28 =10.48 7 – 10.48 = -3.48 12.11
15 13 Y’ = 0.65(15) + 5.28 =15.03 13 – 15.03 = -2.03 4.12
11 14 Y’ = 0.65(11) + 5.28 =12.43 14 – 12.43 = 1.57 2.46
17 19 Y’ = 0.65(17) + 5.28 =16.33 19 – 16.33 = 2.67 7.13
8 10 Y’ = 0.65(8) + 5.28 =10.48 10 – 10.48= -0.48 0.23
11 16 Y’ = 0.65(11) + 5.28 =12.43 16 – 12.43 = -3.57 12.74
12 12 Y’ = 0.65(12) + 5.28 =13.08 12 – 13.08 = 1.08 1.17
13 16 Y’ = 0.65(13) + 5.28 =13.73 16 – 13.73 = -2.27 5.15
18 19 Y’ = 0.65(18) + 5.28 =16.98 19 – 16.98 = 2.02 4.08
7 11 Y’ = 0.65(7) + 5.28 =9.83 11 – 9.83 = -1.17 1.37
∑X = 233 ∑Y =257 ∑e = 0.00* ∑e2 = 116.59

* ∑e =0.05, dan tidak sama dengan sifar

CCMkerana ralat
PPIP USM pembundaran (Hinkle et al., 2003)
12-12-15
 Ralat piawai anggaran
• Ralat piawai anggaran bagi skor kreativiti:

∑(Y − Y ′) 2 ∑ e2
se = atau s e =
n−2 n−2
116.59 ∑e 2 = 116.59, n = 20
=
20 − 2
= 2.55

• Nilai se = 2.55 menunjukkan bahawa ketidaktepatan

persamaan regresi dalam meramalkan skor kreativiti
adalah lebih kurang CCM
2.55 poin secara purata.
PPIP USM 12-12-15
Semakin kuat korelasi antara X dan Y
Cth r = 1

 Semakin kecil nilai ralat piawai anggaran

Cth s e = 0
 Semakin tinggi ketepatan ramalan
Cth 100% tepat

CCM PPIP USM 12-12-15

 Menentukan ralat piawai anggaran dengan
menggunakan SPSS

– Buka fail data yang berkenaan

– Analyze > Regression > Linear
– Pindahkan variabel Y ke kotak Dependent:
– Pindahkan variabel X ke kotak Independent(s):
– Continue > OK

CCM PPIP USM 12-12-15

 Output SPSS

Model Summary

Model R R Square Adjusted R Square Std. Error of the

Estimate

1 .736a .542 .517 2.545

a. Predictors: (Constant), Penaakulan logik (X)

se = 2.55
Nilai se = 2.55 menunjukkan bahawa ketidaktepatan persamaan
regresi dalam meramalkan skor kreativiti adalah lebih kurang 2.55 poin
secara purata.
CCM PPIP USM 12-12-15
 R, R Square dan Adjusted R Square

Model Summary

Model R R Square Adjusted R Square Std. Error of the

Estimate

1 .736a .542 .517 2.545

a. Predictors: (Constant), Penaakulan logik (X)

CCM PPIP USM 12-12-15

 Pekali Korelasi Berganda (R)

• Pekali korelasi berganda (R) mengukur kekuatan

hubungan antara Y dan Y’
• Nilai R : 0 ≤ R ≤1
• Jika R = 1, terdapat hubungan linear yang
sempurna antara Y dan Y’
• Jika R = 0, tidak terdapat hubungan linear antara Y
dan Y’

CCM PPIP USM 12-12-15

 Pekali Korelasi Berganda (R)

• R = .736 menunjukkan terdapat hubungan linear yang kuat antara

Y dan Y’

Model Summary

Model R R Square Adjusted R Square Std. Error of the

Estimate

1 .736a .542 .517 2.545

a. Predictors: (Constant), Penaakulan logik (X)

CCM PPIP USM 12-12-15

 Pekali Penentuan (R Square)

• Pekali penentuan, R Square (R2 ) ialah saiz kesan bagi regresi linear
mudah.
• menunjukkan peratus varians dalam variabel bersandar (Y ) yang
dapat dijelaskan oleh variabel bebas ( X )
• R2 = .542 menunjukkan bahawa 54.2% varians dalam kreativiti (Y )
dapat dijelaskan oleh penaakulan logik ( X )
Model Summary

Model R R Square Adjusted R Square Std. Error of the

Estimate

1 .736a .542 .517 2.545

a. Predictors: (Constant), Penaakulan logik (X)
CCM PPIP USM 12-12-15
 R2 yang dilaraskan
• Nilai R2 bagi sampel lazimnya lebih menganggar nilai R2 bagi
populasi.
• Maka, nilai R2 bagi sampel perlu dikurangkan untuk menganggar
nilai R2 bagi populasi dengan lebih baik.
• Nilai R2 bagi sampel yang dilaraskan supaya dapat menganggar nilai
R2 bagi populasi dengan lebih baik dikenali sebagai Adjusted R2

Model Summary

Model R R Square Adjusted R Square Std. Error of the

Estimate

1 .736a .542 .517 2.545

a. Predictors: (Constant), Penaakulan logik (X)
CCM PPIP USM 12-12-15
 R2 yang dilaraskan

• Rumus untuk menentukan nilai Adjusted R2 ialah:

n −1
2
Radj = 1 − (1 − R ) 2
n − k −1
dengan n = saiz sampel
k = bilangan variabel bebas

CCM PPIP USM 12-12-15

 Pengiraan R2 yang dilaraskan

n −1
2
Radj = 1 − (1 − R ) 2
n − k −1
Apabila R2 = 0.542, n = 20, k = 1:

2 20 − 1
R = 1 − (1 − 0.542)( )
adj 20 − 1 − 1
= 0.517(3t. p.)

CCM PPIP USM 12-12-15

 R2 yang dilaraskan

Model Summary

Model R R Square Adjusted R Square Std. Error of the

Estimate

1 .736a .542 .517 2.545

a. Predictors: (Constant), Penaakulan logik (X)

• R2adj = .517 menunjukkan bahawa 51.7%

varians dalam kreativiti (Y ) dapat dijelaskan
oleh penaakulan logik ( X ) bagi populasi
dengan lebih baik
CCM PPIP USM 12-12-15
 Regresi linear mudah:
Menguji pekali regresi untuk kesignifikanan statistik

• Untuk menentukan sama ada variabel bebas (X ) ialah peramal

yang signifikan bagi variabel bersandar (Y )
• Andaian-andaian bagi regresi linear mudah:
1. Sampel dipilih secara rawak daripada populasi dan skor-skor
variabel bersandar adalah bebas daripada satu sama lain
2. Skor-skor variabel bersandar adalah bertaburan secara normal
dalam populasi bagi setiap skor variabel bebas
3. Skor-skor variabel bersandar mempunyai varians yang sama
dalam populasi bagi setiap skor variabel bebas

CCM PPIP USM 12-12-15

 Regresi linear mudah:
Menguji pekali regresi untuk kesignifikanan statistik

• Lima langkah utama dalam pengujian hipotesis dengan

menggunakan SPSS:
1. Nyatakan hipotesis nol dan hipotesis alternatif
2. Tetapkan aras signifikan untuk menolak hipotesis nol
3. Analisis data dengan menggunakan SPSS
4. Buat keputusan tentang hipotesis nol
5. Buat kesimpulan

Nota: α ialah aras signifikan atau kebarangkalian

melakukan ralat Jenis I (kebarangkalian menolak hipotesis
nol yang benar)
CCM PPIP USM 12-12-15
 Contoh 1
– Seorang penyelidik ingin meramal skor kreativiti daripada skor
penaakulan logik pelajar. Jadual 1 menunjukkan skor penaakulan
logik dan skor kreativiti bagi 30 orang pelajar yang telah dikumpul
oleh penyelidik itu.
– Uji sama ada penaakulan logik ialah peramal yang signifikan bagi
kreativiti pada aras signifikan 0.01.

Jadual 1. Skor Penakulan Logik (X) dan Skor Kreativiti (Y) Pelajar
X 15 10 7 18 5 10 7 17 15 9 8 15 11 17 8 11 12 13 18 7

Y 12 13 9 18 7 9 14 16 10 12 7 13 14 19 10 16 12 16 19 11

X 9 15 11 17 8 11 12 13 18 9

Y 7 13 14 19 10 16 12 16 19 11

CCM PPIP USM 12-12-15

 Langkah 1: Nyatakan hipotesis nol dan
hipotesis alternatif

Ho : Penaakulan logik bukan peramal yang signifikan bagi

kreativiti dalam populasi
H1 : Penaakulan logik ialah peramal yang signifikan bagi
kreativiti dalam populasi
Atau
Ho : β=0
H1 : β≠0

• β (beta) ialah pekali regresi bagi populasi

CCM PPIP USM 12-12-15

 Langkah 2: Tetapkan aras signifikan untuk
menolak hipotesis nol

• Tetapkan nilai α = 0.01

• Jika p ≤ .01, maka hipotesis nol ditolak

• Jika p > .01, maka hipotesis nol gagal ditolak

CCM PPIP USM 12-12-15

Langkah 3: Analisis data dengan menggunakan SPSS
– Bina fail data
– Analyze > Regression > Linear
– Pindahkan variabel Y ke kotak Dependent:
– Pindahkan variabel X ke kotak Independent(s):
– Statistics… > Confidence intervals Level (99%): >Descriptives >
Casewise diagnostics
– Continue
– Plots…
– Histogram dan Normal probability plot
– Pindahkan *ZRESID ke dalam kotak Y
– Pindahkan *ZPRED ke dalam kotak X
– Continue > OK CCM PPIP USM 12-12-15
Histogram hampir berbentuk lengkuk normal. Maka, skor-skor kreativiti
diandaikan bertaburan secara normal dalam populasi bagi setiap skor
penaakulan logik (Field, 2005)
CCM PPIP USM 12-12-15
Dalam plot kebarangkalian normal, corak taburan set titik hampir berbentuk
garis lurus. Maka, skor-skor kreativiti diandaikan bertaburan secara normal dalam
populasi bagi setiap skor penaakulan logik.
CCM PPIP USM 12-12-15
Plot serakan *ZRESID lawan*ZPRED bertaburan secara rawak dan agak rata di
sekitar sifar. Maka, skor-skor kreativiti diandaikan mempunyai varians yang sama
dalam populasi bagi setiap skor penaakulan logik (Field, 2005)

CCM PPIP USM 12-12-15

Langkah 4: Buat keputusan tentang hipotesis nol

Coefficientsa
Model Unstandardized Standardized t Sig. 99.0%
Coefficients Coefficients Confidence
B Std. Beta Interval for B
Error Lower Upper
Bound Bound
(Constant) 4.510 1.467 3.073 .005 .455 8.565
1 Penaakulan
logik (X) .727 .118 .759 6.169 .000 .401 1.052
a. Dependent Variable: Kreativiti (Y)

p = 0.00 α = 0.01

Hipotesis nol ditolak kerana p <.01

CCM PPIP USM 12-12-15

 Langkah 5: Buat kesimpulan
Model Summary
Std. Error of the
Model R R Square Adjusted R Square Estimate
1 .759 a .576 .561 2.447
a. Predictors: (Constant), Penaakulan logik (X)

Coefficientsa
Model Unstandardized Standardized t Sig. 99.0% Confidence
Coefficients Coefficients Interval for B
B Std. Error Beta
Lower Upper
Bound Bound
(Constant) 4.510 1.467 3.073 .005 .455 8.565
1 Penaakulan
logik (X) .727 .118 .759 6.169 .000 .401 1.052

a. Dependent Variable: Kreativiti (Y)

• Penaakulan logik ialah peramal yang signifikan bagi kreativiti, β = .76,

t (29) = 6.17, p < .01, R2adj = .56. Saiz kesan menunjukkan bahawa 56%
daripada varians dalam kreativiti dapat dijelaskan oleh penaakulan
logik.
• Nota: df bagi t ialah n – 1 = 30 – 1 = 29
CCM PPIP USM 12-12-15
 Langkah 5: Buat kesimpulan
Coefficientsa
Model Unstandardized Standardized t Sig. 99.0% Confidence
Coefficients Coefficients Interval for B
B Std. Error Beta
Lower Upper
Bound Bound
(Constant) 4.510 1.467 3.073 .005 .455 8.565
1 Penaakulan
logik (X) .727 .118 .759 6.169 .000 .401 1.052
a. Dependent Variable: Kreativiti (Y)

• Persamaan regresi ialah:

Y’ = b X + a
Y’ = 0.727 X + 4.510 atau
Y’ = 0.73 X + 4.51
Atau
• Kreativiti yang diramalkan = 0.73 (Penaakulan logik) + 4.51

CCM PPIP USM 12-12-15

 Regresi linear mudah:
Menguji pekali regresi untuk kesignifikanan
statistik

• Contoh 2:
– Jadual 2 menunjukkan skor Bahasa Malaysia (X)
dan skor Bahasa Inggeris (Y) bagi 45 orang murid
– Uji sama ada pencapaian Bahasa Malaysia ialah
peramal yang signifikan secara statistik bagi
pencapaian Bahasa Inggeris pada aras signifikan
0.05

CCM PPIP USM 12-12-15

 Jadual 2
X Y X Y X Y
42 29 84 72 45 53
45 53 45 53 42 29
45 48 45 48 45 48
38 38 38 38 38 38
48 49 53 37 48 49
50 46 50 46 50 46
38 41 38 41 38 41
44 42 44 42 44 42
48 44 48 44 48 44
53 37 48 49 53 37
60 76 60 76 60 76
62 38 62 38 62 38
73 55 73 55 73 55
80 60 80 60 80 60
84 72 42 USM 29
CCM PPIP 12-12-15 84 72
Langkah 1: Nyatakan hipotesis nol dan hipotesis
alternatif

Ho : Pencapaian Bahasa Malaysia bukan peramal yang signifikan

bagi pencapaian Bahasa Inggeris dalam populasi
H1 : Pencapaian Bahasa Malaysia ialah peramal yang signifikan bagi
pencapaian Bahasa Inggeris dalam populasi

Atau
Ho : β=0
H1 : β≠0

• β (beta) ialah pekali regresi bagi populasi

CCM PPIP USM 12-12-15
 Langkah 2: Tetapkan aras signifikan untuk
menolak hipotesis nol

• Tetapkan nilai α = 0.05

• Jika p ≤ .05, maka hipotesis nol ditolak

• Jika p > .05, maka hipotesis nol gagal ditolak

CCM PPIP USM 12-12-15

Langkah 3: Analisis data dengan menggunakan SPSS
– Bina fail data
– Analyze > Regression > Linear
– Pindahkan variabel Y ke kotak Dependent:
– Pindahkan variabel X ke kotak Independent(s):
– Statistics… > Confidence intervals Level (95%): >Descriptives >
Casewise diagnostics
– Continue
– Plots…
– Histogram dan Normal probability plot
– Pindahkan *ZRESID ke dalam kotak Y
– Pindahkan *ZPRED ke dalam kotak X
– Continue > OK CCM PPIP USM 12-12-15
Histogram tidak berbentuk lengkuk normal. Maka, skor-skor Bahasa Inggeris
diandaikan tidak bertaburan secara normal dalam populasi bagi setiap skor
Bahasa Malaysia. Tetapi, saiz sampel yang besar (N = 45 > 30) tidak banyak
mempengaruhi ketepatan ujian regresi linear mudah (Yockey, 2008)

CCM PPIP USM 12-12-15

Dalam plot kebarangkalian normal, corak taburan set titik tidak hampir berbentuk
garis lurus. Maka, skor-skor Bahasa Inggeris diandaikan tidak bertaburan secara
Normal dalam populasi bagi setiap skor Bahasa Malaysia. Tetapi, saiz sampel yang
Besar (N = 45 > 30), tidak banyak mempengaruhi ketepatan ujian regresi linear
Mudah (Yockey, 2008) CCM PPIP USM 12-12-15
Plot serakan *ZRESID lawan ZPRED bertaburan agak rawak dan agak rata di
sekitar sifar. Maka, skor-skor Bahasa Inggeris diandaikan mempunyai varians
yang sama dalam populasi bagi setiap skor Bahasa Malaysia (Field, 2005)

CCM PPIP USM 12-12-15

 Langkah 4: Buat keputusan tentang hipotesis nol
Coefficientsa
Model Unstandardized Standardized t Sig. 95.0% Confidence
Coefficients Coefficients Interval for B

B Std. Beta Lower Upper

Error Bound Bound

(Constant) 46.518 6.421 7.244 .000 33.568 59.467

1 Pencapaian
Bahasa .020 .115 .027 .174 .862 -.212 .252
Malaysia (X)
a. Dependent Variable: Pencapaian Bahasa Inggeris (Y)

p = 0.86 α = 0.05

Hipotesis nol gagal ditolak kerana p > .05

CCM PPIP USM 12-12-15

 Langkah 5: Buat kesimpulan
Model Summaryb
Model R R Square Adjusted R Square Std. Error of the
Estimate
1 .027a .001 -.023 10.987
a. Predictors: (Constant), Pencapaian Bahasa Malaysia (X)
b. Dependent Variable: Pencapaian Bahasa Inggeris (Y)

Coefficientsa
Model Unstandardized Standardized t Sig. 95.0% Confidence
Coefficients Coefficients Interval for B
B Std. Beta Lower Upper
Error Bound Bound
(Constant) 46.518 6.421 7.244 .000 33.568 59.467
1 Pencapaian
Bahasa .020 .115 .027 .174 .862 -.212 .252
Malaysia (X)
a. Dependent Variable: Pencapaian Bahasa Inggeris (Y)

• Pencapaian Bahasa Malaysia bukan peramal yang signifikan bagi

pencapaian Bahasa Inggeris dalam populasi, β = .03, t (44) = .17, p > .05.
• Nota: df bagi t ialah n – 1 = 45 – 1 = 44

CCM PPIP USM 12-12-15