Anda di halaman 1dari 98

ANALISIS REGRESI 1

Pokok Bahasan :

REGRESI LINIER
SEDERHANA

Deskripsi Model

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Macam-macam Model Regresi


Model Regresi

1 peubah penjelas

> 1 peubah penjelas


Berganda

Sederhana

Linier

Polinom

Non Linier

Multiplikatif

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Non Linier

Linier

Reciprocal

Log

Eksponensial

Contoh :
Macam-macam Model Regresi
Sederhana
Linier
Hubungannya linier

Y = 0 + 1x +

Non Linier
Polinom

Y = 0 + 1x 2 +

Multiplikatif

Y = 0 x

Eksponensial

Y = 0 e 1 x .

Reciprocal

1
0 + 1x +

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

+
Y = 0 e

Model Regresi Linier Sederhana


(yang hubungannya linier

ordo x=1 )

Linier dalam parameter


Sederhana = banyaknya peubah bebas/penjelas hanya satu
Hubungan antara X dan Y dinyatakan dalam fungsi linier/ordo 1
Perubahan Y diasumsikan karena adanya perubahan X
Model populasi regresi linier sederhana yang hubungannya linier
(selanjutnya cukup sebut regresi linier sederhana) :

Y = 0 + 1x +
Dengan :
0 dan 1 adalah parameter regresi

adalah sisaan/galat/eror (peubah acak)


Y
adalah peubah tak bebas (peubah acak)
X
adalah peubah bebas yang nilainya diketahui
dan presisinya sangat tinggi (bukan peubah acak)
Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Dugaan dan Interpretasi


Parameter Model

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Asumsi Model Regresi Linier


Bentuk hubungannya linear (Y merupakan fungsi linier
dari X, plus sisaan yang acak)
Sisaan i adalah peubah acak yang bebas thdp nilai x
Sisaan merupakan peubah acak yang menyebar Normal
dengan rataan 0 dan memiliki ragam konstan, 2
(sifat ragam yang konstan/homogen ini disebut homoscedasticity)
2

E[ i ] = 0 dan

E[ i ] = 2

untuk (i = 1, K , n)

Sisaan i, tidak berkorelasi satu dengan yang lainnya,


sehingga E[ ] = 0 , i j atau cov[ , ] = 0 , i j
i

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Interpretasi Parameter Model


Regresi Linier Sederhana
Model Regresi Linier Sederhana (populasi) :
Peubah tak
bebas/
Peubah respon

Intersep Y
populasi

Koefisien Peubah bebas/


kemiringan Peubah penjelas
populasi

Sisaan/
galat

Y = 0 + 1X +
Komponen linier (fix)

Komponen acak

Y : peubah tak bebas/respon merupakan peubah acak dengan pusat/


nilai harapan di 0 + 1X dan ragam 2

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Interpretasi Parameter Model


Regresi Linier Sederhana
(lanjutan)

Y
Nilai
pengamatan Y
untuk Xi

Y = 0 + 1X +

yi

Nilai
E[Y | xi ]
harapan/rataan
Y untuk xi

Sisaan/galat
untuk xi

yi = 0 + 1xi + i

Intersep = 0

E[Y | x i ] = 0 + 1 xi

xi
Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Slope = 1

yi = E[Y | xi ] + i

Dugaan Persamaan Garis


Regresi Linier Sederhana
Dugaan persamaan garis regresi linier sederhana
Nilai dugaan
y pada
pengamatan
ke - i

Dugaan bagi
intersep 0

Dugaan bagi
kemiringan garis
regresi 1

y i = b 0 + b1x i

Nilai x pada
pengamatan
ke - i

Galat individu ei mempunyai rataan sebesar nol

ei = ( y i - y i ) = y i - (b0 + b1x i )
Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Interpretasi koefisien kemiringan


dan intersep
b0 adalah nilai dugaan rataan y
ketika x bernilai nol (jika x = 0 dalam
selang pengamatan)

b1 adalah nilai dugaan perubahan


rataan y (nilai harapan Y) jika x
berubah satu satuan
Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Pendugaan
Parameter Regresi

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Menduga Persamaan Regresi


Menduga persamaan regresi linier sederhana
= menduga parameter-parameter regresi 0
dan 1 :
Penduga parameter yang dihasilkan harus
merupakan penduga yang baik
Software statistik, seperti Minitab, SAS, SPSS, dll.
banyak digunakan

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Menduga Persamaan Regresi


(lanjutan)

Metode Kuadrat Terkecil


b0 dan b1 adalah dugaan bagi parameter regresi 0
dan 1 yang didapat salah satunya dengan cara
meminimumkan jumlah kuadrat galat (JKG).
Metode
Galat/sisaan = selisih antara y dan y
Kuadrat Terkecil (MKT) :

min JKG = min


= min
= min

e
(y
[y

2
i
i

y i ) 2

(b 0 + b 1 x i )] 2

Teknik kalkulus digunakan untuk mendapatkan nilai bo dan b1


sedemikian hingga meminimumkan JKG
Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Menduga Persamaan Regresi


(lanjutan)
Metode Kuadrat Terkecil

Penduga bagi koefisien kemiringan garis 1 ialah:


SXY

b1 =

Koefisien
Korelasi
Pearson

(x
i =1

x)(yi y)

2
(x

x
)
i

S XY
sY
=
= rxy
S XX
sX

i =1

SXX

Penduga bagi intersep 0 ialah:

b0 = y b1x
Garis regresi selalu melalui titik x, y
Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Menduga Persamaan Regresi


(lanjutan)

Asumsi Metode Kuadrat Terkecil (MKT)


Kondisi Gauss - Markov
Agar penduga bagi parameter regresi yang
didapatkan dengan menggunakan MKT merupakan
penduga yang baik maka sisaan/galat harus
memenuhi kondisi Gauss-Markov berikut ini :
1. E[ i ] = 0

nilai - harapan/rataan sisaan = nol

2. E[ i ] = 2

ragam sisaan homogen untuk setiap nilai x

( homoscedasticity )
3. E[ i j ] = 0, i j
Itasia & Y Angraini, Dep Statistika FMIPA - IPB

i dan j saling bebas

Contoh
Regresi Linier Sederhana
Sebuah agen real-estate ingin mengetahui
hubungan antara harga jual sebuah rumah
dengan luas lantainya (diukur dalam m2)
10 buah rumah diambil secara acak sebagai contoh
Peubah tak bebas (Y) = harga rumah (juta rupiah)
Peubah bebas (X)
= luas lantai (m2)

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Contoh Regresi Linier Sederhana


(lanjutan)

Data contoh Harga Rumah


Harga Rumah (Rp.juta) (Y)

Luas Lantai (m2) (X)

245

1400

312

1600

279

1700

308

1875

199

1100

219

1550

405

2350

324

2450

319

1425

255

1700

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Contoh Regresi Linier Sederhana


(lanjutan)

Tebaran Harga Rumah vs Luas Lantai


Model Regresi-nya

Scatterplot of Harga Rumah vs Luas Lantai

Y = 0 + 1 x +

800
700

Harga Rumah

600

Persamaan Garis
Regresi-nya

500
400

Y = 0 + 1 x

300
200
100
0
1000

Diduga dengan :
1200

1400

1600

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

1800
2000
Luas Lantai

2200

2400

2600

Y = b0 + b1 x

Contoh Regresi Linier Sederhana


(lanjutan)

Data contoh Harga Rumah


Harga Rumah
(Rp.juta) (Y)

Luas Lantai
(m2) (X)

245

1400

312

1600

279

1700

308

1875

199

1100

219

1550

405

2350

324

2450

319

1425

255

1700

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

FILM :
MEMBUAT TEBARAN
HARGA RUMAH vs LUAS LANTAI
MENGGUNAKAN MINITAB

Klik di sini

Contoh Regresi Linier Sederhana


(lanjutan)

MENDUGA PARAMETER REGRESI : OUTPUT MINITAB


Regression Analysis: Harga Rumah versus Luas Lantai
Dugaan
Persamaan
Garis Regresinya

The regression equation is


Harga Rumah = 98,2 + 0,110 Luas Lantai
b
Predictor 0 Coef
SE Coef
T
Constant
98,25
58,03
1,69
Luas Lantai 0,10977
0,03297 3,33

P
0,129
0,010

b
S = 41,3303 R-Sq1 = 58,1% R-Sq(adj) = 52,8%

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Contoh Regresi Linier Sederhana


(lanjutan)

Data contoh Harga Rumah


Harga Rumah
(Rp.juta) (Y)

Luas Lantai
(m2) (X)

245

1400

312

1600

279

1700

308

1875

199

1100

219

1550

405

2350

324

2450

319

1425

255

1700

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

FILM :
MENDUGA GARIS REGRESI
MENGGUNAKAN MINITAB

Klik di sini

Contoh Regresi Linier Sederhana


(lanjutan)

Tampilan Grafik

Intersep
= 98.248

Harga Jual Rumah (Rp.juta)

Model Harga Rumah: scatter plot dan


garis regresi
450
400
350
300
250
200
150
100
50
0

Kemiringan
= 0.10977

500

1000

1500

2000

2500

3000

Luas Lantai (m2)

harga rumah = 98.24833 + 0.10977 (luas lantai)


Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Contoh Regresi Linier Sederhana


(lanjutan)
Data contoh Harga Rumah
Harga
Rumah
(Rp.juta) (Y)

Luas Lantai
(m2) (X)

245

1400

312

1600

279

1700

308

1875

199

1100

219

1550

405

2350

324

2450

319

1425

255

1700

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

FILM :
MEMBUAT TEBARAN ANTARA
HARGA RUMAH
dengan
LUAS LANTAI
& GARIS REGRESI-nya
MENGGUNAKAN MINITAB
Klik di sini

Contoh Regresi Linier Sederhana


(lanjutan)

Interpretasi Intersep b0

harga rumah = 98.24833 + 0.10977 (luas lantai)

b0 adalah nilai dugaan bagi nilai rataan


Y ketika X bernilai nol (jika X = 0 di
dalam selang pengamatan)
Dalam hal ini tidak ada rumah yang memiliki luas lantai=0,
jadi b0 = 98.24833 hanya mengindikasikan bahwa : untuk
luas lantai yang berada dalam selang pengamatan, Rp
98.248.330,- adalah bagian harga rumah yang tidak
diterangkan oleh luas lantai
Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Contoh Regresi Linier Sederhana


(lanjutan)

Interpretasi koefisien kemiringan, b1

harga rumah= 98.24833+ 0.10977 (luaslantai)


b1 mengukur dugaan perubahan rataan
nilai Y jika X berubah satu satuan
Dalam hal ini b1 = .10977 menggambarkan
bahwa setiap penambahan satu m2 luas lantai
rataan harga rumah akan naik sebesar 0,10977
juta rupiah
Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Apakah b0 dan b1 yang didapat


merupakan penduga yang baik ?
Pertanyaan di atas = pertanyaan bahwa: apakah
sisaan yang dihasilkan oleh dugaan persamaan
garis regresi nya menghasilkan sisaan yang
memenuhi kondisi Gauss-Markov?
Untuk sementara ini kita yakini saja dulu bahwa
sisaan yang dihasilkan memenuhi kondisi tersebut
Penjelasan bagaimana cara memeriksanya akan
dijelaskan pada pokok bahasan Diagnosa model
melalui pemeriksaan sisaan
Itasia & Y Angraini, Dep Statistika FMIPA - IPB

PENGURAIAN
KERAGAMAN TOTAL
JKReg
JKsisa

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Sumber Keragaman Regresi


Nilai pengamatan yi yang dihasilkan beragam.
Keragaman ini disebabkan oleh ?

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Sumber Keragaman Regresi


Y
yi

Nilai pengamatan yi yang dihasilkan beragam. Keragaman


ini disebabkan oleh ?

2
JKG = (yi - yi )

yi

JKT = (yi - y)2


_ 2
JKR = (yi y )

_
y

xi
Itasia & Y Angraini, Dep Statistika FMIPA - IPB

_
y

Sumber Keragaman Regresi


(lanjutan)
Untuk suatu nilai xi keragaman nilai pengamatan yi
disebabkan oleh :
Menyimpangnya
yi terhadap dugaan nilai
) nilai amatan
)
)
harapannya E [Y | x i ] E [Y | x i ] = yi = b 0 + b1x i

)
yi yi = ei karena eror/galat/sisaan

b 0 dan b1 beragam menghasilkan dugaan garis


regresi yang beragam memiliki rataan Y
Menyimpangnya suatu dugaan garis regresi terhadap
rataannya menyebabkan beragamnya data.

y i y = b0 + b1 xi y i
Itasia & Y Angraini, Dep Statistika FMIPA - IPB

,y = y i karena model regresi

Mengukur Keragaman
Total Keragaman disebabkan oleh dua bagian ini :

JKT =
Jumlah
Kuadrat Total

JKT = (y i y) 2

JKR +
Jumlah Kuadrat
Regresi

JKR = (y i y) 2

JKG
+

Jumlah Kuadrat
Galat/Sisaan

JKG = (y i y i ) 2

dengan:

= nilai rata-rata peubah tak bebas Y


yi = nilai pengamatan ke-i peubah tak bebas Y
y i = nilai dugaan y untuk suatu nilai xi
Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Ukuran Keragaman
(lanjutan)

JKT = Jumlah Kuadrat Total


Mengukur keragaman nilai yi di sekitar nilai
rataannya y
JKR = Jumlah Kuadrat Regresi
Menjelaskan keragaman karena adanya hubungan
linier antara x dan y
JKS = jumlah Kuadrat Sisa
Menjelaskan keragaman yang disebabkan oleh
faktor-faktor selain faktor hubungan linier x dan y
Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Derajat Bebas Jumlah Kuadrat


Ukuran keragaman adalah ragam

Ragam =

Jumlah Kuadrat (JK)


derajat bebas (db)

Derajat bebas bagi

JK Sisaan = n - 2

Derajat bebas bagi

JK Regresi

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

|b 0

=1

Tabel Sidik Ragam


Sumber
Keragaman

Derajat
Bebas
(db)
1

(y y )

JK Regresi

n-2

(
)
y

y
i i

JK sisaan
(n 2 )

n-1

(y y )

Regresi
Sisaan
Total
(terkoreksi)

Kuadrat
Tengah
(KT)

Jumlah
Kuadrat
(JK)
i =1
n

i =1

i =1

Pada analisis regresi ini tentunya diharapkan JK regresi lebih besar


dari JK sisaan sehingga dapat dikatakan bahwa keragaman nilai y
disebabkan oleh perubahan nilai x.
Itasia & Y Angraini, Dep Statistika FMIPA - IPB

S2,
jika
model
nya
pas

Tabel Sidik Ragam

(lanjutan)

OUTPUT MINITAB
Regression Analysis: Harga Rumah versus Luas Lantai
The regression equation is
Harga Rumah = 98,2 + 0,110 Luas Lantai
Predictor
Coef
SE Coef
Constant
98,25
58,03
Luas Lantai 0,10977
0,03297

T
1,69
3,33

P
0,129
0,010

S = 41,3303 R-Sq = 58,1% R-Sq(adj) = 52,8%


Analysis of Variance db
Source
DF SS
Regression
1 18935
Residual Error 8 13666
Total
9 32600
Itasia & Y Angraini, Dep Statistika FMIPA - IPB

JK

KT

MS
18935
1708

F
11,08

P
0,010

TABEL SIDIK
RAGAM

Penduga bagi Ragam Sisaan/galat


Penduga bagi ragam eror/sisaan dari model populasi
adalah :
n
Dengan asumsi
bahwa
modelnya
pas/cocok

= s = KTsisaan
2

2
e

2
e
i

JKS i =1
=
=
n2 n2

Dibagi dengan n 2 bukan dengan n 1 karena model


regresi linier sederhana menggunakan 2 penduga
parameter yaitu, b0 dan b1, bukan satu.

s e = s e2

adalah penduga simpangan baku

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Penduga bagi Ragam Sisaan/galat


(lanjutan)
OUTPUT MINITAB
Regression Analysis: Harga Rumah versus Luas Lantai
The regression equation is
Harga Rumah = 98,2 + 0,110 Luas Lantai
Predictor
Coef
SE Coef
Constant
98,25
58,03
Luas Lantai 0,10977
0,03297

se

T
1,69
3,33

P
0,129
0,010

S = 41,3303 R-Sq = 58,1% R-Sq(adj) = 52,8%


Analysis of Variance
Source
DF SS
Regression
1 18935
Residual Error 8 13666
Total
9 32600

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

MS
18935
1708

F
11,08

P
0,010

Dugaan Ragam Sisaan = s2


(JIKA MODELNYA PAS)

Perbandingan Simpangan Baku


se mengukur keragaman penyimpangan nilai
pengamatan yi terhadap garis regresi
Y

s e kecil

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

s e besar

0 1

Pengujian Hipotesis
Terhadap
Slope dan Intersep

Diperlukan asumsi bahwa i menyebar Normal


i ~ N ( 0,2 )

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Ragam Koefisien Kemiringan Garis


Regresi (b1)
Ragam dari koefisien kemiringan garis regresi
(b1) diduga sbb :
2
2
s
s
e
e
s 2b1 =
=
2
2
(x

x
)
(n

1)s
i
x

dengan:

sb1

= dugaan simpangan baku kemiringan garis regresi

s 2x

= dugaan ragam x

JK sisa
se =
= akar KTG = akar Kuadrat Tengah Galat = dugaan
n2
simpangan baku sisaan

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Membandingkan Simpangan Baku


Koefisien Kemiringan Garis Regresi (b1)
Sb1 mengukur keragaman koefisien kemiringan garis

regresi dari berbagai contoh (set data) yang mungkin.


Y

X
Sb1 kecil

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Sb1 besar

Contoh Regresi Linier Sederhana


(lanjutan)

SIMPANGAN BAKU b1 : OUTPUT MINITAB


Regression Analysis: Harga Rumah versus Luas Lantai
The regression equation is
Harga Rumah = 98,2 + 0,110 Luas Lantai
Predictor
Coef
SE Coef
T
Constant
98,25
58,03
1,69
Luas Lantai 0,10977
0,03297 3,33

P
0,129
0,010

S = 41,3303 R-Sq = 58,1% R-Sq(adj) = 52,8%

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Simpangan
Baku b1 = sb1

Inferensia Koefisien Kemiringan Garis


Regresi (b1): Uji t
Pada model regresi linier sederhana :
Uji t untuk koefisien kemiringan garis regresi populasi (1)
Apakah ada hubungan linier antara X dan Y?
Hipotesis Nol dan hipotesis tandingan
H0: 1 = 0
H1: 1 0

(tidak ada hubungan linier antara X dan Y)


(ada hubungan linier antara X dan Y)

Uji Statistik t =

b1 1
sb1

d.b. = n 2
Itasia & Y Angraini, Dep Statistika FMIPA - IPB

dengan:
b1 = koefisien kemiringan regresi
1 = kemiringan yg dihipotesiskan
sb1 = simpangan baku kemiringan

Contoh Inferensia
Koefisien Kemiringan Garis (b1): Uji t
Harga Rumah
(Rp.juta)
(y)

Luas Lantai
(m2)
(x)

245

1400

312

1600

279

1700

308

1875

199

1100

219

1550

405

2350

324

2450

319

1425

255

1700

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Dugaan persamaan garis regresi:


harga rumah = 98.25 + 0.1098 (luas lantai)

Koefisien kemiringan garis pada


model ini adalah 0.1098
Meskipun demikian, apakah luas
lantai mempengaruhi harga jual?

Contoh Inferensia
Koefisien Kemiringan Garis (b1): uji t
(lanjutan)

H0: 1 = 0
H1: 1 0
Apakah luas
lantai mempengaruhi harga
jual (secara
linier)?

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

OUTPUT MINITAB

b1

sb1

Predictor
Coef
SE Coef
T
Constant
98,25
58,03
1,69
Luas Lantai 0,10977
0,03297 3,33

P
0,129
0,010

b1 1 0.10977 0
t=
=
= 3.32938
s b1
0.03297

Contoh Inferensia
Koefisien Kemiringan Garis (b1): uji t
(lanjutan)

Statistik Uji-nya : t = 3.329


H0: 1 = 0
H1: 1 0

output MINITAB :

b1

sb1

Predictor
Coef
SE Coef
T
Constant
98,25
58,03
1,69
Luas Lantai 0,10977
0,03297 3,33

d.b. = 10-2 = 8

t
P
0,129
0,010

t8,.025 = 2.3060
/2=.025

/2=.025

Keputusan : Tolak H0
Kesimpulan :

Tolak H0

Terima H0

-tn-2,/2
-2.3060

Tolak H0

tn-2,/2
2.3060 3.329

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Cukup bukti untuk mengatakan


bahwa luas lantai
mempengaruhi harga jual

Contoh Inferensia
Koefisien Kemiringan Garis (b1): uji t
(lanjutan)

Nilai peluang P = 0.01039


H0: 1 = 0
H1: 1 0
thit = 3.329

output MINITAB :
Predictor
Coef
SE Coef
T
Constant
98,25
58,03
1,69
Luas Lantai 0,10977
0,03297 3,33

P
0,129
0,010

Ini adalah uji dua arah,


jadi p-valuenya adalah

Keputusan: P-value < jadi

P(t > 3.329)+P(t < -3.329)


= 0.01039
(db. 8)

Kesimpulan:

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Tolak H0
Cukup bukti untuk mengatakan
bahwa luas lantai
mempengaruhi harga rumah

Ragam Intersep Garis Regresi (b0)


Ragam dari intersep garis regresi (b0) diduga
sbb :

s =
2
b0

2
e

n (x i x)

Keterangan:

s b 0 = dugaan simpangan baku intersep garis regresi


SSE
= akar KTG = akar Kuadrat Tengah Galat = dugaan
se =
n2
simpangan baku sisaan
Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Inferensia Intersep Garis Regresi (b0): uji


t
Pada model regresi linier sederhana :
Uji t untuk intersep garis regresi populasi (0)
Apakah ada nilai Y yang tidak dapat dijelaskan oleh x?
Hipotesis Nol dan hipotesis tandingan
H0: 0 = 0 (semua nilai Y dapat dijelaskan oleh x)
H1: 0 0 (ada nilai Y yg tidak dapat dijelaskan oleh x)

b0 0
Statistik uji t = s
b0

d.b. = 1
Itasia & Y Angraini, Dep Statistika FMIPA - IPB

dengan:
b0 = intersep garis regresi
0 = intersep yg dihipotesiskan
sb0 = dugaan simp. baku intersep

Contoh Inferensia
Intersep Garis Regresi (b0): uji t
Harga Rumah
(Rp. Juta)
(y)

Luas Lantai
(m2)
(x)

245

1400

312

1600

279

1700

308

1875

199

1100

219

1550

405

2350

324

2450

319

1425

255

1700

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Dugaan persamaan garis regresi:


harga rumah = 98.25 + 0.1098 (luas lantai)

Intersep garis pada model ini adalah 98.25


Apakah ada bagian harga rumah yang
tidak dapat dijelaskan oleh luas lantai?
Apakah ada bagian harga rumah yang
tidak dipengaruhi oleh luas lantai?

Contoh Inferensia
Intersep Garis Regresi (b0): uji-t
H0: 0 = 0
H1: 0 0
Apakah ada harga rumah yg tdk
dpt dijelaskan (tdk
dipengaruhi) oleh
luas lantai

(lanjutan)

output MINITAB :

b0

s b0

Predictor
Coef
SE Coef
T
Constant
98,25
58,03
1,69
Luas Lantai 0,10977
0,03297 3,33

P
0,129
0,010

b 0 0 98.24833 0
t=
=
= 1.69296
s b0
58.03348

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Contoh Inferensia
Intersep Garis Regresi (b0): uji-t

(lanjutan)

Statistik uji: thit = 1.69296


H0: 0 = 0
H1: 0 0
d.b. = 1

output MINITAB :

b0

s b0

Predictor
Coef
SE Coef
T
Constant
98,25
58,03
1,69
Luas Lantai 0,10977
0,03297 3,33

t
P
0,129
0,010

t1, .025 = 12,706

Keputusan: Terima H0
/2=.025

/2=.025

Kesimpulan :
Tolak H0

Terima H0

-t1,/2

-12.706

t1,/2
12.706

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Tolak H0

1.69296

Tidak cukup bukti untuk


mengatakan bahwa : ada harga
rumah yang tidak dapat dijelaskan
oleh luas lantai

Uji F bagi parameter regresi :


Tabel Sidik Ragam
Derajat
Sumber
Keragaman Bebas
(db)
Regresi
(b1| b0)

Kuadrat
Tengah
(KT)

Jumlah
Kuadrat
(JK)

(y y )
n

i =1

Sisaan
Total
(terkoreksi)

n-2

(
)
y

y
i i
i =1

(y
n

n-1

i =1

JK Regresi
1
JK sisaan
(n 2 )

H 0 : 1 = 0
H 1 : 1 0
Statistik uji-nya :

Fhit =

KTRe gresi
KTSisaan

Ragam Reg
Ragam Sisaan

S2, jika modelnya pas

Statistik uji F tersebut memiliki derajat bebas db1=1 dan db2=n-2


Jika Fhit <1 KTRegresi < KTSisaan Ragam Regresi < Ragam Sisaan
pengaruh regresi tdk nyata pengaruh x tdk nyata b1 = 0 (tdk perlu
tabel)
Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Contoh Uji F bagi parameter regresi :


Tabel Sidik Ragam
OUTPUT MINITAB

(lanjutan)

Regression Analysis: Harga Rumah versus Luas Lantai


The regression equation is
Harga Rumah = 98,2 + 0,110 Luas Lantai
Predictor
Coef
SE Coef
Constant
98,25
58,03
Luas Lantai 0,10977
0,03297

T
1,69
3,33

P
0,129
0,010

Fhit =

S = 41,3303 R-Sq = 58,1% R-Sq(adj) = 52,8%


Analysis of Variance
Source
DF SS
Regression
1 18935
Residual Error 8 13666
Total
9 32600
Itasia & Y Angraini, Dep Statistika FMIPA - IPB

=
MS
18935
1708

db: 1,8

F
11,08

P
0,010

KTreg
KTsisaan
18935
1708

P-value
untuk uji F

Contoh Uji F bagi parameter regresi :


Tabel Sidik Ragam
(lanjutan)

Y = 0 + 1 x +
= .05
db1= 1

Statistik Uji:

H0: 1 = 0
H1: 1 0

F=

db2 = 8

Kesimpulan:

= .05

terima
H0

F.05 = 5.32

KTsisaan

= 11.08

Keputusan:
Tolak H0 dg = 0.05

Nilai kritis:
F = 5.32

KTregresi

Tolak H0

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Cukup bukti bahwa luas lantai


mempengaruhi harga rumah

Uji F bagi parameter regresi :


Tabel Sidik Ragam
(lanjutan)

Jika model yang kita pilih di awal ternyata tidak pas


1. Bolehkah kita menggunakan KT sisaan sebagai
penduga bagi ragam sisaan ?
2. Masih relevankah kita melakukan uji F ?
Agar uji F pada tabel Sidik Ragam dapat digunakan, maka
model yang dipilih harus pas. uji lack of fit atau periksa
pola sisaannya akan dibahas pada sub pokok bahasan
Kualitas Fitted Model Untuk sementara anggaplah model
yang kita pilih pas.
Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Perbandingan Tabel Sidik Ragam


Terkoreksi dan Tidak Terkoreksi
Sumber
Keragaman

Derajat
Bebas (db)

Jumlah
Kuadrat (JK)

(y y )

Regresi
(b1| b0)

i =1
n

Sisaan
Total
(terkoreksi)
Regresi (b0,b1)

n-2

(y

n-1

(y y )

i =1

Total
Itasia & Y Angraini, Dep Statistika FMIPA - IPB

n-2
n

JK Regresi
1

JK sisaan
(n 2 )

i =1

(y
i =1

y i )

yi

H 0 : 1 = 0
H1 : 1 0
Sudah dikurangi dg faktor
koreksi ny

H 0 : 0 = 1 = 0

b1xi yi + b0 yi
n

Sisaan

y i )

Kuadrat
Tengah (KT)

H 1 : min ada satu

j 0, j = 0,1
Tidak bisa memberikan jawaban
apkh x berpengaruh/tidak

Kualitas Fitted Model

Apakah model regresi sudah cukup pas mewakili data?


Apakah model regresi cukup baik untuk model peramalan?

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Tebaran titik amatan / scatter plot

a.

Mana di antara
y
gambargambar ini yang mo- b.
delnya cukup
pas/sesuai ?

c.

x
Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Perlu diuji
apakah modelnya sudah pas
atau belum
uji lack of fit
atau secara
eksploratif plot
sisaan

x
y

d.

Tebaran titik amatan / scatter plot


a.

c.

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Mana di antara
gambargambar ini yang modelnya cukup
baik untuk
peramalan?

b.

x
y

Perlu suatu besaran yang dapat


mengukur jauh
/dekatnya titik
pengamatan
x thdp garis regresi

d.

Koefisien Determinasi, R2
Koefisien determinasi mengukur proporsi keragaman atau variasi
total di sekitar nilai tengah (Y) yang dapat dijelaskan oleh garis
regresi
secara grafis mengukur jauh/dekatnya titik pengamatan
thdp garis regresi

Koefisien determinasi juga disebut R-kuadrat dan dinotasikan


sebagai R2

R =
2

JK Reg
JK Tot

( y

=
(y

CATATAN:
Itasia & Y Angraini, Dep Statistika FMIPA - IPB

y)2

y
)
i

2
atau R = 1

0 R2 1

JK Sisa
JK Total

Koefisien Determinasi, R2
(lanjutan)
OUTPUT MINITAB
Regression Analysis: Harga Rumah versus Luas Lantai
The regression equation is
Harga Rumah = 98,2 + 0,110 Luas Lantai
Predictor
Coef
SE Coef
Constant
98,25
58,03
Luas Lantai 0,10977
0,03297

T
1,69
3,33

P
0,129
0,010

S = 41,3303 R-Sq = 58,1% R-Sq(adj) = 52,8%


Analysis of Variance
Source
DF SS
Regression
1 18935
Residual Error 8 13666
Total
9 32600
Itasia & Y Angraini, Dep Statistika FMIPA - IPB

MS
18935
1708

F
11,08

P
0,010

R2 =

18935
= 0,5808
32600

58.08% keragaman harga


rumah dijelaskan oleh
keragaman luas lantai

Analisis Korelasi
Analisis korelasi digunakan untuk mengukur
kekuatan hubungan (hubungan linier) antara
dua peubah
Korelasi hanya khusus untuk kekuatan hubungan
Mengukur arah hubungan
Tidak berdampak pada sebab akibat

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Analisis Korelasi
(lanjutan)

Koefisien korelasi populasi dinotasikan dengan


(huruf Greek rho)

Koefisien korelasi contoh adalah :

= rXY =

s xy
s xs y

Koefisien
korelasi
Pearson

s xy

(x x)(y y)

=
i

n 1

Pada Model Regresi Linier Sederhana


yg hub.nya linier :
R2 = r2 rXY = (tanda b1) R2
Pada sembarang regresi linier berlaku:

rYY = R

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Uji Hipotesis untuk Korelasi


(lanjutan)

Untuk melakukan tes bahwa tidak ada


hubungan linier, Hipotesis nol nya :

H0 : = 0
Statistik ujinya mengikuti sebaran t Student
dengan derajad bebas (n 2 )

t=
Itasia & Y Angraini, Dep Statistika FMIPA - IPB

r (n 2)
(1 r )
2

Uji Hipotesis untuk Korelasi


(lanjutan)

Kaidah Keputusan
H0: 0
H1: < 0

H0: 0
H1: > 0

H0: = 0
H1: 0

-t

tolak H0 jika t < -tn-2,

Tolak H0 jika t > tn-2,

dengan t =
Itasia & Y Angraini, Dep Statistika FMIPA - IPB

r (n 2)
(1 r )
2

, d.b = n - 2

/2
-t/2

/2
t/2

Tolak H0 jika t < -tn-2, /2


atau t > tn-2, /2

Uji Hipotesis untuk Korelasi


OUTPUT MINITAB

Correlations: Harga Rumah; Luas Lantai


Pearson correlation of Harga Rumah and Luas
Lantai = 0,762
P-Value = 0,010
P-value < 0,025 Tolak H0 0

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

(lanjutan)

APLIKASI DENGAN MINITAB


Data contoh Harga Rumah
Harga
Rumah
(Rp.juta) (Y)

Luas Lantai
(m2) (X)

245

1400

312

1600

279

1700

308

1875

199

1100

219

1550

405

2350

324

2450

319

1425

255

1700

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

DUGAAN BAGI KOEFISIEN KORELASI


OUTPUT MINITAB
Correlations: Harga Rumah; Luas Lantai
Pearson correlation of Harga Rumah and Luas
Lantai = 0,762
P-Value = 0,010

rXY

FILM :
MENDUGA
KOEFISIEN KORELASI PEARSON
dengan
MENGGUNAKAN MINITAB

Klik di sini

Interpretasi beberapa nilai r2


Y

r2 = 1 dapat diinterpretasikan
sbb. :
Adanya hubungan linier
yang tepat antara X dan Y:
r2 = 1

X
100% keragaman Y
dijelaskan oleh keragaman X

r2

=1

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Interpretasi beberapa nilai r2


Y
0 < r2 < 1 dapat diinterpretasikan sbb. :

Sebagian (tidak semuanya)


keragaman Y dijelaskan oleh
keragaman X

X
Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Adanya hubungan linier yang


lemah antara X dan Y:

Interpretasi beberapa nilai r2


r2 = 0 dapat diinterpretasikan
sbb. :

Tidak ada hubungan linier


antara X dan Y:

r2 = 0

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Nilai Y tidak bergantung pada


nilai X. (Tidak ada keragaman
Y yang dapat diterangkan
oleh keragaman X)

Korelasi dan Koefisien


Determinasi R2
Koefisien determinasi, R2, untuk regresi linier sederhana
yang hubungannya linier (ordo X = 1) sama dengan
koefisien korelasi kuadrat

=r

2
xy

rxy = R = (tanda b1 )(R )

2 1/ 2

Korelasi antara amatan Yi dengan nilai dugaannya Yi untuk


sembarang regresi linier dengan berapapun banyaknya
peubah bebas

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Y Y

= R

Berbagai Kondisi yg Menggambarkan


Perbedaan antara R2 dan rXY
Fitted Line
Plot
Scatterplot
of Y2
vs C1

Scatterplot of Y1 vs C1
35

100
100

30

R2 = 1
r=1

R2 = 1
r=0

80

20

Y2
Y2

Y1

25

60

40

15

b1 = 3

10

b1 = 0

20

0
0

10

C1

-10

-5

0
X2
C1

10

rXY

Correlations: X1; Y1
Pearson correlation of X1 and Y1
= 1,000
P-Value = *

R2

The regression equation is


Y1 = 2,00 + 3,00 X1

The regression equation is


Y2 = 4,000 + 0,00 X2 + 1,000 X2**2

S = 0 R-Sq = 100,0%
R-Sq(adj) = 100,0%

S = 0 R-Sq = 100,0%
R-Sq(adj) = 100,0%

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Correlations: X2; Y2
Pearson correlation of X2 and Y2
= 0,000
P-Value = 1,000

Berbagai Kondisi yg Menggambarkan


Perbedaan antara R2 dan rXY (lanjutan)
Scatterplot of Y3 vs X1

Scatterplot of Y4 vs X1

35

35

30

30

R2 = 97,7%
r = 0,988

25

R2 = 88,7%
r = 0,942

25

20

Y4

Y3

20

15

15

10

10

b1 = 3,1

b1 = 3,01

0
0

10

X1

10

X1

Correlations: Y3; X1
Pearson correlation of Y3 and X1 = 0,988

Correlations: Y4; X1
Pearson correlation of Y4 and X1 = 0,942

The regression equation is


Y3 = 1,27 + 3,10 X1

The regression equation is


Y4 = 2,07 + 3,01 X1

S = 1,53396 R-Sq = 97,7%


R-Sq(adj) = 97,4%

S = 3,44414 R-Sq = 88,7%


R-Sq(adj) = 87,3%

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Berbagai Kondisi yg Menggambarkan


Perbedaan antara b1 dan rXY
Scatterplot of Y6 vs X1

Scatterplot of C7 vs X1
10

40

R2 = 76,0%
r = -0,872

30

R2 = 64,8%
r = 0,805

20

Y6

C7

4
10

b1 = 0,116

b1 = -3,38
0
0

10

X1

10

X1

Correlations: C7; X1
Pearson correlation of C7 and X1 = -0,872

Correlations: Y6; X1
Pearson correlation of Y6 and X1 = 0,805

The regression equation is


C7 = 37,7 - 3,38 X1

The regression equation is


Y6 = 3,50 + 0,116 X1

S = 6,09048 R-Sq = 76,0%


R-Sq(adj) = 73,0%

S = 0,275434 R-Sq = 64,8%


R-Sq(adj) = 60,4%

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Berbagai Kondisi yg Menggambarkan


Perbedaan antara b1 dan rXY
(lanjutan)
Scatterplot of Y vs X

Scatterplot of Y1 vs X1
17,5

10

R2 = 93,5%
r = 0,967

R2 = 53,3%
r = 0,730

15,0

12,5
Y

Y1

10,0

4
7,5

b1 = 0,00914
0

10

X1

Pearson correlation of X1 and Y1 = 0,967


The regression equation is Y1 = 3,99 + 0,00914 X1
S = 0,0077338 R-Sq = 93,5% R-Sq(adj) = 92,7%
Analysis of Variance
Source
DF
SS
MS
F
P
Regression 1 0,0068911 0,00689 115,21 0,000
Resd Error 8 0,0004785 0,00005
Total
9 0,0073696
Itasia & Y Angraini, Dep Statistika FMIPA - IPB

b1 = 4,67

5,0
0

Pearson correlation of X and Y = 0,730


The regression equation is
S = 2,06491 R-Sq = 53,3%
Analysis of Variance
Source
DF
SS
Regression
1 184,94
Residual Error 38 162,03
Total
39 346,97

Y = 1,06 + 4,67 X
R-Sq(adj) = 52,1%
MS
F
P
184,94 43,37 0,000
4,26

Uji Ketidakpasan Model


Harus ada ulangan pengamatan yi pada nilai xi
yang sama. Mis. :
x

x1

y11
y12

x2

y21
y22
y23
y24

x3

m = 4, n1=2, n2=4, n3=3, n4=2

y31
y32
y33

x4

Untuk data contoh di samping dapat


dinotasikan :

y41
y42

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

n =

j =1

n j = 2 + 4 + 3 + 2 = 11

Uji ketidakpasan model :


Tabel Sidik Ragam
Derajat
Sumber
Keragaman Bebas
(db)
Regresi

(b1| b0)

Jumlah
Kuadrat
(JK)

Kuadrat
Tengah
(KT)

JK Regresi

(y y )

i =1

Sisaan

n-2

Ketidakpasan db -db
sisa
GM
model (KM)
Galat murni
(GM)

nj m
j =1

Total
(terkoreksi)
Itasia & Y Angraini, Dep Statistika FMIPA - IPB

(
)
y

y
i i
i =1

JKsisa JKGM
m

nj

( y ju y j )2
j =1 u =1

(y y )
n

n-1

i =1

1
JK sisaan
(n 2 )
KTKM =

JKKM
dbKM

KTGM =

JKGM
dbGM

H0: model pas


H1: model tdk pas
Statistik ujinya :

Fhit =

KT KM
KT GM

F tabel :
db1=dbKM
db2=dbGM

Contoh : Uji ketidakpasan model


Tabel Sidik Ragam
X

5,135

67,586

30,846

47,441

32,977

32,919

14,142

78,804

20,785

78,202

-1,499

73,846

13,463

154,158

30,391

114,145

-21,254

110,077

31,095

139,573

6,542

154,735

35,466

151,428

-5,419

10

163,649

59,32

10

189,114

73,178

10

214,504

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Untuk data contoh di samping dapat


dinotasikan :
m = 10, n1 = n2 =..= n10 = 3
n = 30

db sisaan

= n 2 = 28
m

db galat murni =

n
j =1

= 30 10 = 20
db ketidakpasan model = 28 20
= 8

Contoh : Uji ketidakpasan model


Tabel Sidik Ragam
OUTPUT MINITAB

(lanjutan)

The regression equation is y = - 37,3 + 19,5 x


Predictor Coef
SE Coef
Constant -37,31 11,70
x
19,483 1,885

T
-3,19
10,33

P
0,003
0,000

H0: model pas


H1: model tdk pas

S = 29,6616 R-Sq = 79,2% R-Sq(adj) = 78,5%


Analysis of Variance
Source
DF

SS

MS

Regression

93945

93945

28

24635

880

8
20

15272
9363

1909
468

29

118580

Residual Error
Lack of Fit
Pure Error
Total

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

106,78

0,000

4,08

0,005

Phit < 0,05


KEPUTUSAN :
Tolak H0
KESIMPULAN:
Model tidak pas

Pada contoh tersebut meskipun P-value untuk


pengaruh linier x dan regresi sangat kecil (0,000)
namun kita tidak memperhatikan hal ini terlebih dahulu.
Kita perhatikan uji ketidakpasan modelnya dulu,
disimpulkan bahwa model tidak pas.
Selanjutnya kita periksa pola tebaran datanya.
Scatterplot of y vs x

Pada tebaran data-nya terlihat adanya pola kuadratik


model yang digunakan
diubah menjadi :

200

150

100

50

Y = 0 + 1x + 11x 2 +

6
x

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

10

Contoh : Uji ketidakpasan model


(lanjutan) Tabel Sidik Ragam
OUTPUT MINITAB

FittedLineofPlot
Scatterplot
y vs x

The regression equation is


y = 28,32 - 13,33 x + 2,983 x**2

200
200

y
y

150
150

100
100

S = 19,7555 R-Sq = 91,1% R-Sq(adj) = 90,5%

50
50

Analysis of Variance
Source
DF SS
MS
F
P
Regression 2 108043 54021,3 138,42 0,00
Error
27 10538 390,3
Total
29 118580

00

00

22

44

66

88

10
10

xx

Dengan mengubah model


regresi dari linier ke kuadratik, R2
meningkat dari 79,2% menjadi
91,1%
Dari tabel Sidik Ragam didapat
bhw pengaruh X kuadrat nyata
dg = 0,05
Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Sequential Analysis of Variance


Source DF
SS
F
P
Linear
1 93945,5 106,78 0,000
Quadratic 1 14097,2 36,12 0,000

MODEL YG DIGUNAKAN :
Y duga = 28,32 - 13,33 x + 2,983 x**2

Contoh : Uji ketidakpasan model


Tabel Sidik Ragam
X

5,135

67,586

30,846

47,441

32,977

32,919

14,142

78,804

20,785

78,202

-1,499

73,846

13,463

154,158

30,391

114,145

-21,254

110,077

31,095

139,573

6,542

154,735

35,466

151,428

-5,419

10

163,649

59,32

10

189,114

73,178

10

214,504

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

FILM :
MENGUJI
KETIDAKPASAN MODEL
dengan
MENGGUNAKAN MINITAB
Klik di sini

Langkah-langkah
Pemilihan Model yang Pas
1. Tentukan model, dapatkan dugaan persamaan garis regresinya,
susun tabel Sidik Ragam, jangan dulu melakukan uji F untuk
regresi keseluruhan
2. Lakukan uji ketidakpasan model.
Jika tidak ada ulangan, cek secara eksploratif : plot sisaan-nya
(akan dijelaskan pada pokok bahasan: Diagnosa Model).
Jika nyata : lanjut ke langkah 3
Jika tidak nyata : gunakan KT sisaan s2 sebagai dugaan bagi
Rag(Y) = 2 , lakukan uji F secara keseluruhan, hitung R2, periksa asumsi untuk MKT melalui plot sisaan (Diagnosa Model)
3. Hentikan analisis, perbaiki modelnya (lihat pola plot sisaannya).
Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Selang Kepercayaan
bagi koefisien kemiringan b1
Selang kepercayaan bagi koefisien
kemiringan adalah :

b1 t n2,/2 sb1 < 1 < b1 + t n2,/2 sb1


Output Excel untuk contoh kasus harga rumah:
Intercept
Luas Lantai

Coefficients

Standard Error

98.24833
0.10977

d.b. = n - 2

t Stat

P-value

Lower 95%

Upper 95%

58.03348

1.69296

0.12892

-35.57720

232.07386

0.03297

3.32938

0.01039

0.03374

0.18580

Pada tingkat kepercayaan 95%, selang kepercayaan


bagi koefisien kemiringan garis adalah (0.0337, 0.1858)
Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Selang Kepercayaan
bagi koefisien kemiringan b1
(lanjutan)
Intercept
Luas Lantai

Coefficients

Standard Error

t Stat

P-value

98.24833
0.10977

Lower 95%

Upper 95%

58.03348

1.69296

0.12892

-35.57720

232.07386

0.03297

3.32938

0.01039

0.03374

0.18580

Selama satuan peubah tak bebas (harga rumah) dalam juta rupiah, kita
percaya 95% bahwa rata-rata pengaruh penambahan harga rumah
berada antara Rp. 0,03374 juta sampai dengan Rp.0,18580 juta setiap
penambahan satu m2 luas lantai
Selang kepercayaan 95% ini tidak memuat angka 0.
Kesimpulan : Ada hubungan linier yang nyata antara harga rumah
dengan luas lantai dengan tingkat nyata sebesar 95%
Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Peramalan
Dugaan persamaan garis regresi dapat
digunakan untuk memprediksi/meramal nilai
Y jika x diketahui (hati-hati hanya untuk x
yang berada dalam selang pengamatan)
Untuk suatu nilai, xn+1 , nilai prediksi bagi Y
adalah

y n+1 = b0 + b1x n+1

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Memprediksi dengan menggunakan


persamaan garis regresi
Berapa kira-kira harga rumah yang luas lantainya
2000 m2 ! (2000 bukan titik pengamatan, namun
masih dalam selang pengamatan). interpolasi

harga rumah = 98.25 + 0.1098 (luas lantai)


= 98.25 + 0.1098(200 0)
= 317.85
Prediksi harga rumah dengan luas lantai
2000 m2 adalah Rp 317,85 juta
Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Selang data yang relevan


Ketika menggunakan garis regresi sebagai alat
untuk memprediksi, x yang boleh digunakan adalah
x yang nilainya dalam selang pengamatan

Harga Rumah (juta Rp)

Selang yang relevan


450
400
350
300
250
200
150
100
50
0

Sangat riskan
untuk melakukan
ekstrapolasi X di
luar selang
pengamatan
0

500

1000

1500

2000

Itasia & Y Angraini, Dep Statistika


FMIPA
- IPB(m2)
Luas
Lantai

2500

3000

Selang kepercayaan rataan


respon dan dugaan individu
Selang
kepercayaan
bagi rataan Y,
untuk xi

yi = b0 + b1 xi

Selang kepercayaan bagi nilai pengamatan y, untuk xi


Itasia & Y Angraini, Dep Statistika FMIPA - IPB

xi

Selang Kepercayaan bagi nilai harapan


Y, untuk suatu X
Selang kepercayaan bagi
dugaan nilai harapan/rataan y jika diketahui xn+1

Selang kepercayaan bagi E(Yn +1 | X n +1 ) :


y n +1 t n 2,/2 s e

1 (x n +1 x) 2
+
2
n (x i x)

Perhatikan bahwa rumus tersebut mengandung (x n+1 x)2


Jadi beragamnya lebar selang bergantung pada jarak
antara xn+1 terhadap nilai rataan, x
Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Selang Kepercayaan bagi


individu Y, untuk suatu nilai x
Selang kepercayaan individu y untuk suatu
nilai xn+1
Selang kepercayaa n bagi y n +1 :
y n +1 t n 2, /2 s e

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

1 (x n +1 x ) 2
1 + +
2
n (x i x )

Dugaan bagi Nilai Tengah/Rataan:

Contoh harga rumah

Selang kepercayaan bagi E(Yn+1|Xn+1)


Dapatkan selang kepercayaan 95% bagi rataan
harga rumah dengan luas lantai 2.000 m2

harga rumah yi = 317,85 (Rp. juta)


y n +1 t n -2,/2s e

1 (x n +1 x) 2
+
= 317.85 37.12
2
n (x i x)

Selang kepercayaan 95% bagi rataan harga rumah


adalah dari Rp 280.660.000,- sampai Rp. 354.900.000,Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Dugaan bagi Nilai Tengah/Rataan:

Contoh harga rumah


(lanjutan)

OUTPUT MINITAB

Predicted Values for New Observations


New
Obs
1

Dugaan Nilai Tengah untuk x = 2000

Fit
SE Fit
317,8 16,1

95% CI
(280,7; 354,9)

95% PI
(215,5; 420,1)

Values of Predictors for New Observations


New
Obs
1

Luas
Lantai
2000

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Selang Kepercayaan 95% bagi


dugaan nilai tengah/Rataan
untuk suatu nilai x tertentu yg
tidak ada pada pengamatan,
namun masih dalam selang
pengamatan x = 2000

Dugaan bagi individu/respon:

contoh harga rumah

Selang kepercayaan bagi individu yn+1


Dapatkan selang kepercayaan 95% bagi respon individu
harga rumah untuk rumah dengan luas lantai 2.000 m2

yi = 317,85 (Rp. juta)

y n +1 t n -1,/2s e

1 (X n +1 X ) 2
= 317.85 102.28
1+ +
2
n (X i X )

Selang kepercayaan 95% bagi harga rumah dengan luas lantai


2000m2 ialah dari Rp 215.500.000,- sampai Rp 420.070.000,-.
Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Dugaan bagi individu/respon:

contoh harga rumah


(lanjutan)

OUTPUT MINITAB

Predicted Values for New Observations


New
Obs
1

Fit
SE Fit
317,8 16,1

95% CI
(280,7; 354,9)

95% PI
(215,5; 420,1)

Values of Predictors for New Observations


New
Obs
1

Luas
Lantai
2000

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Selang Kepercayaan 95% bagi


dugaan individu/respon untuk
suatu nilai x tertentu yg tidak
ada pada pengamatan, namun
masih dalam selang
pengamatan x = 2000

Data contoh Harga Rumah


Harga
Rumah
(Rp.juta) (Y)

Luas Lantai
(m2) (X)

245

1400

312

1600

279

1700

308

1875

199

1100

219

1550

405

2350

324

2450

319

1425

255

1700

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

FILM :
MENGHITUNG
SELANG KEPERCAYAAN BAGI
RAMALAN NILAI TENGAH
&
RAMALAN NILAI INDIVIDU
dengan
MENGGUNAKAN MINITAB

Klik di sini

Anda mungkin juga menyukai