Analisis Regresi Linear

Analisis regresi merupakan metode analisis data yang

memanfaatkan hubungan antara dua variabel atau lebih (Berat
Badan dengan Umur; FEV1 dengan Tinggi Badan; Berat Badan
dengan Umur dan Asupan Gizi).
Y=variabel dependen, tak bebas, tergantung, respon, outcome.
X=variabel independen, bebas, tak tergantung, prediktor.
Tujuan:
Menyelidiki bentuk/pola hubungan antara Y dengan X.
Mengestimasi/menduga mean atau rata-rata dari Y populasi
berdasarkan X yang diberikan.

Case Summariesa
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
Total

berat badan
15.00
13.00
9.00
6.00
6.00
18.00
16.00
11.00
6.00
12.00
18.00
22.00
7.00
10.00
10.00
14.00
20.00
17

umur
20.00
16.00
12.00
6.00
10.00
34.00
25.00
20.00
8.00
14.00
30.00
36.00
9.00
10.00
15.00
24.00
30.00
17

a. Limited to first 100 cases.

Scatter Plot

Coefficientsa
Unstandardized
Coefficients
Model
1

(Constant)
umur

B
3.025
.507

Std. Error
.838
.040

t
3.608
12.652

Sig.
.003
.000

a. Dependent Variable: berat badan

Berat Badan = 3.025 + 0.507 Umur

Untuk seorang anak yang berumur 18 bulan, maka berat anak
tersebut dapat diprediksi sebesar 12.151 kg

Analisis Korelasi
Analisis korelasi merupakan metode analisis data yang
mengukur derajat hubungan antara dua variabel random X dan
Y melalui sebuah bilangan yang disebut koefisien korelasi r.

r=

n
[n

x2 (

xy
x) 2 ][n

y
y2 (

y) 2 ]

Kuadrat dari koefisien korelasi disebut koefisien

determinasi yang merepresentasikan besarnya proporsi
variasi dalam variabel y yang dijelaskan oleh variabel x
dalam model. Dengan menggunakan pasangan data
berat badan dan umur anak balita, diperoleh nilai
koefisien korelasi sebesar 0.956 dan koefisien
determinasi sebesar 0.914

M o d e l R e g r e s i L in e a r G a n d a
M odel

re g re s i

v a r ia b e l

lin e a r

in d e p e n d e n

ganda

dengan

d itu n ju k k a n

dengan

p e rs a m a a n :
E (Y ) = 0 + 1X
v a r ia b e l

dependen

v a r ia b e l- v a r ia b e l

+ 2X

+ ..... + p X

k o n tin u ,

in d e p e n d e n

k o n tin u a ta u k a te g o r ik .

sedangkan
X

dapat

!
"
!! ! #
"$%!&'
'!
(
)! ) "# # )!
(
&
! "
$ *&
"+&
&
!
'! )!
("$%!, !' !)
) +
%#' * ,!%& )#!
&
&
!&
) &.
"
%(!
"
%" $)!
(%# %( ) " % "
%(/0 &
!
&
''1

ANOVAb
Model
1

Regression
Residual
Total

Sum of
Squares
2653.792
289.141
2942.933

df
3
11
14

Mean Square
884.597
26.286

F
33.653

a. Predictors: (constant) Sex, Number of Previous Admissions, Age...

b. Dependent Variable: Length of stay

Significance
.000a

a
Coefficients

Unstandardized
Standardized
Coefficients
Coefficients
B
Std. Error
Beta
16.186
7.175

Model
1
(Constant)
Number of Previous
-.859
Admissions
Age
.815
Sex
-10.360

a. Dependent Variable: Length of stay

t
Significance
2.256
.045

1.435

-.083

-.598

.562

.164
4.421

.711
-.362

4.977
-2.343

.000
.039

Model Summary
Model
1

.950a

R Square
.902

Adjusted
R Square
.875

a. Predictors: (constant) Sex, Number of Previous

Admissions, Age...

Std. Error of
the Estimate
5.12694