Oleh

Ir. H. TOBARI, MP

Prediksi: berkaitan dengan

waktu.
Analisis masa lampau penting,
karena memberi kesempatan
provider untuk membuat
prediksi untuk aktifitas di masa
mendatang.

Hasil prediksi berdasarkan analisis

runtut waktu atau yang dikenal
dengan istilah time series akan
meningkatkan efisiensi dalam
mengambil keputusan.

Pada studi keterkaitan antara

dua variabel, langkah pertama
adalah melakukan plot data ke
dalam suatu grafik scatter
Apabila titik-titik tersebut
membentuk suatu garis linier
maka hubungan dua variabel
tersebut dikatakan bersifat
linier

Berdasarkan hubungan yang

bersifat linier tersebut maka
dapat dirumuskan menjadi

y= b0 + b1x
b0 : intercept
b1: Slope

b0 : intercept (perpotongan) garis

regresi terhadap axis y
b1: slope garis regresi, atau
perubahan per unit y terhadap
perubahan per unit x.

Nilai X pada analisis trend ini

adalah menunjukkan waktu
tertentu,

Trend variabel Y naik:

nilai b1 menunjukkan nilai trend
positif
Trend variabel Y turun: maka nilai
b1 menunjukkan nilai trend negatif.

METODE KUADRAT TERKECIL

(Principles of Least Square)
metode yang terbaik dan sering digunakan
untuk persamaan linier adalah metode
kuadrat terkecil

Bisa dilihat dalam diagram pencaran,

setiap garis yang ditarik belum tentu
melalui semua titik dalam diagram
pencaran

Apabila garis lurus tidak tepat pada titiktitik diagram pencaran akan terdapat deviasi
antara tiap-tiap nilai Yi

atau

Perhitungan :
(Xi - X) (Yi - Y)
b1 = --------------------------- (Xi - X ) 2

Xi Yi - ( Xi) ( Yi)/n
b1 = --------------------------------------- Xi2 - ( Xi)2 /n
b0 = Y b 1 X atau
b 0 = Yi /n b 1. Xi /n

STANDAR DEVIASI REGRESI

(The Standard Error of Estimate)

Standar deviasi nilai Yi terhadap

garis regresi disebut standar deviasi
regresi dan sering disebut Standard
Error of Estimate
karena digunakan untuk mengukur
kesalahan dari setiap nilai Yi
terhadap garis regresi.

 Standar deviasi dari nilai yang

dihitung atau dari distribusi
sampling disebut standard error
Rumus
Syx = [( Yi2 bo Yi b1 Xi Yi) /n]

PERSAMAAN GARIS REGRESI

DI POPULASI
Analisis Regresi sederhana:
satu variabel bebas dan satu variabel
tergantung,
data: interval/rasio,

0: koefisien intersep (populasi)

1 : koefisien slope (populasi)

Model statistik untuk analisis regresi

sederhana
Yi = 0 + iXi + i.
I = 1....n
Yi: variabel tergantung
X i: variabel bebas

 0: nilai konstanta (koefisien

intercept): perpotongan
persamaan garis regresi dgn
sumbu Y bila x = 0.

Bila 0 = 0 berarti garis

tersebut melalui titik asal (0,0)
sehingga 0 bisa dihapus dari
persamaan garis regresi.

 i : koefisien slope: kenaikan

di sesuai dengan kenaikan
satu unit dari xi
i: adalah random
disturbance atau error term:
mengukur perbedaan dalam
pendekatan dari suatu
fungsi linier y untuk harga x1
tertentu.

 0 dan 1 ditaksir lewat metode

estimasi kuadrat terkecil, melalui
metoda ini 0 ditaksir lewat b0 dan
1 ditaksir lewat b1.

Ypop = 0 + 1xi + i atau

Y|X = 0 + 1xi + i
i = sisa = residu
Model sudah fit dgn metode least squares,
Model statistik menaksir model di populasi
tidak semua variasi bisa dijelaskan,
Variasi tidak terjelaskan disebut residu.

Estimasi 0 dan 1
Varian Populasi (2) tidak diketahui => DITAKSIR DARI
SD (s) SAMPEL dengan rumus sebagai berikut

s2 =

( yi b0 - b1 x 1i )2
(yi y ) 2
------------------------------ = ------------------n-2
n-2

s2
Var (b1 ) = ------------- (xi - X )2

SE (b1) =

s
--------------- (xi - X )2

X2
Var (b0 ) = s2 ( 1/n + ------------- )
(xi - X )2

X2
SE (b 0 ) = s ( 1/n + ------------- )
(xi - X )2

PENAKSIRAN PARAMETER
DI POPULASI.
Interval kepercayaan 100(1-). % bagi
parameter 0 dalam garis regresi
Y|X = 0 + 1xi :

b0 t/2 (df=n-2) . SE(b 0)

Interval kepercayaan 100(1-) % bagi

parameter 1dalam garis regresi
Y|X = 0 + 1xi :

b1 t/2 (df=n-2) . SE(b1)

UJI HIPOTESIS
1. INTERCEPT (0 )
H 0 : 0 = 0
H1 : 0 0

Uji statistik :

b 0 - 0 b 0

t = ---------- = ---------
SE (b 0) SE ( b 0)
H0 ditolak jika :

t > t1-/2 (df=n-2)

atau

t < t/2 (df=n-2)

SLOPE (1 )
H0 : 1 = 0
H1 : 1 0
Uji statistik :

b 1- 1
b1

t = ---------- = ---------
SE (b1)
SE (b1)

H0 DITOLAK JIKA :
t > t1-/2 (df=n-2)

atau

t < t/2 (df=n-2)

Koefisien korelasi ganda (R2)

Coefficient of Determination
R2 disebut koefisien korelasi ganda,
yaitu statistik yang paling sering
digunakan untuk mengukur sampai
seberapa jauh model regresi linier
sesuai (fit) dengan data,

RUMUS

( [ y1 - y ] [yi y] ) 2

R2 = ------------------------------

[yi - y ]2 [ yi y ] 2

R2 dipakai untuk mengukur indeks

kesesuaian (index of fit).
R mempunyai nilai di antara 1 dan + 1.
R2 selalu positif sehingga nilai 0-1
R2 ditafsirkan sebagai proporsi dari
variabilitas total di y yang dijelaskan
oleh x1.

Jika R2 mendekati 1, maka x1

menjelaskan sebagian besar variasi di y.
Sebaliknya R2 mendekati 0 maka
x1 tidak menjelaskan variasi di y

Adjusted R
Rumus yang digunakan adalah:
2

R a = 1 (1-R) [ (n-1) / (n-p) ].

2

Adjusted R2
memperhitungkan jumlah
parameter dan besar sampel,
Adjusted R2 merupakan R2
yang telah dikoreksi dengan
derajat bebas.

n adalah besar sampel

p menyatakan jumlah parameter

termasuk 0
R2a digunakan: membandingkan
persamaan yang disesuaikan terhadap suatu
himpunan data tertentu,
dua atau lebih himpunan data yang berbeda
secara keseluruhan.
Biasanya model yang paling baik dipilih
R2a yang paling besar

Tahun awal dibuat 0

 Tahun awal dibuat 1

 Tahun 0 ada pada pertengahan periode

Terdapat persamaan harga parameter, yaitu

dari tabel 1, tabel 2, dan tabel 3
R 2 menunjukkan indeks kesesuaian (fit)
dengan data, atau proporsi / persentase
varian total di Y yang dapat diterangkan X:
sebesar 90,3%

Ra2 = 89,5%, SD regresi 2,82 secara

umum model persamaan regresi
adalah fit dengan tingkat
signifikansi p=0,000

1 = 1,85.

Perbedaan adalah pada nilai 0,

pada tabel 1 dan tabel 2 menunjukkan
0 = 0 karena tidak signifikan,
Pada tabel 3 0 = (15,4).