HUBUNGAN
Prof. Dr. Ir. Sumarsono, MS.
DASAR ANALISIS
HUBUNGAN
Relationship vs Causal
Relationship
Tidak semua hubungan (relationship)
berupa hubungan sebab-akibat
Penentuan suatu hubungan bersifat
sebab-akibat memerlukan wellargued position dari bidang terkait
Relationship
Relationship
Numerik
Katagorik
Numerik
Katagorik
Korelasi
Pearson,
Sperman
(interval/rasio)
Tabel Ringkasan
Point Biserial
Interval/ratio vs
dikotom
Tabel Ringkasan
Biserial
(nominal vs
interval)
Sperman
(ordinal)
Chi Square
Korelasi Phi
(nominal)
Causal Relationship
Y
Numerik
Katagorik
Numerik
Regresi Linier/
non linier
ANOVA
Katagorik
Regresi Logistik
Regresi Logistik
QUIZ
1.Apa itu analisis regresi
2.Apa bedanya dengan
korelasi
Jawab
1. Analisis regresi
Analisis
statistik yang memanfaatkan
hubungan antara dua atau lebih
peubah kuantitatif sehingga salah
satu peubah dapat diramalkan dari
peubah lainnya
2. Korelasi
mengukur keeratan
HUBUNGAN LINIER dari dua variabel
Koefisien Korelasi
Pearson
Sx
Rx =
Syx S
y
(x
x)(y
i
i
y
Sx =
=
y) (n
y
1)
(xi
Sx = 2
S
y=
x)(n
2
2
JK
1)
XX
Sx =
Sy =
(n
2
2
1)
JK XY
(n
1)
(yi
2
y)(n
JK
1) YY
(n
1)
Koefisien Korelasi
Pearson
JKxy
Rx =
y
JKxx JK
yy
(
X)(
JKx = XY
n
Y)
(
2
y
JKx = X
n2
X)
x
2
(
Y)
JKy = Y2 - n
y
Koefisien Korelasi
Pearson
STRONG
WEAK
STRONG
Negative
Positive
l-----------------------------------------------------------------------------l
-1
Correlation Coefficient
REGRESI
Linier : linier dalam parameter
Sederhana : hanya satu peubah
penjelas
Berganda : lebih dari satu peubah
penjelas
Linier
Regresi
Linier
satu
Peubah
Penjelas
>
satu
Simple
Linier
Regressio
n
Multiple
Linier
Regressio
n
Hubunga
n
Paramet
er
Non
Linie
r
Regresi
Non Linier
ANALISIS REGRESI
Hubungan Antar Peubah
Fungsional (deterministik)
Y = f (X);
misalnya Y = 10 X
Statistik (stokastik)
amatan tidak jatuh
persis pada kurva ; misalnya IQ vs Prestasi,
Berat vs Tinggi, Dosis Pupuk vs Produksi
Y i = 0 + 1 X1 +
i ; I = 1, 2, . . . . . . . , n
(Y)
Makna 0 & 1 ?
1 Unit
1 Unit
0
Predictor
(X)
Analisis Regresi
Pendugaan terhadap koefisien regresi :
dan b1 penduga bagi 1
b1 =
xy
x2 = JKXX =
JKR =
b0 = Y b1 X
x2
xy = JK XY =
( xy )2
x2
b0 penduga bagi 0
XY X2 -
( x)( y)
n
( X) 2
n
t=
Sb1 =
S2
2
(Xi X)
(Yi Y)2
S2 =
n -2
JKYY - JKXY
n -2
Hipotesis : H0 : 1 = 0 vs H1 : 1 0
CONTOH DATA
Percobaan dalam bidang
kesehatan lingkungan :
Apakah semakin tua mobil (jarak
km yang telah ditempuh)
semakin besar juga emisi HC
yang dihasilkan
Jarak Tempuh
(dalam ribu
km)
31
38
48
52
63
67
75
84
89
99
Emisi (ppm)
55
3
59
0
60
8
68
2
75
2
72
5
EMISI = 382 + 5.39 JARAK; S = 42,01;83
R2 = 90,3 %; t =
8,65
4
75
2
84
SPSS
Logarithme
eY = 0 X 1
Y = 0 + 1 log X
Quadratic
Y = 0 + 1 X + 2 X2
Y = 0 1 X
Log Y = 0 + 1 X
Cubic
Y = 0 + 1 X + 2 X2 + 3 X3
Y = 0 X 1
Log Y = 0 + 1 log X
Polynomial
Linier
Y = 0 + 1 X
Y = 0 + 1 X
Y = 0 + 1 X + 2 X2
Y = 0 + 1 X + 2 X2 + 3 X3
eY = 0 X 1
eY = 0 X 1
eY = 0 X 1
Definisi
Y = eZ
Log Y =
Log Y = Z
Definisi
Regresi logistik dapat dijelaskan
berdasar fungsi logistik :
3,
Definisi
Intersep : nilai z pd kondisi nilai dari variabel bebas
nol
Koefisien regresi : besaran kontribusi variabel bebas
Koefisien regresi positif : variabel penjelas
meningkatkan kemungkinan hasil,
Koefisien regresi negatif : variabel penjelas
menurunkan kemungkinan hasil,
Koefisien regresi besar : variabel penjelas sangat
mempengaruhi kemungkinan hasil,
Koefisien regresi-nol : variabel penjelas tidak
mempengaruhi kemungkinan hasil .
Definisi
Regresi logistik digunakan untuk
mengetahui hubungan antara
satu/lebih variabel independen
(misalnya, usia, jenis kelamin, dll)
dengan variabel respon biner, yang
dinyatakan sebagai dua nilai
kemungkinan, misalnya kematian
("mati "atau" tidak mati ").
Example 1
Penerapan regresi logistik :
Misal kematian akibat penyakit
jantung. Model dijelaskan dengan
tiga faktor risiko (umur, jenis
kelamin, dan tingkat kolesterol
darah)
Example 1
Model cocok diperoleh :
0 = 5.0 (the intercept)
1 = + 2.0
x
x
x
= 1.0
= + 1.2
Example 1
Model dapat dituliskan :
Model menjelaskan :
1)Peningkatan usia meningkatkan risiko kematian penyakit jantung
(z naik sebesar 2.0 untuk setiap tahun di atas usia 50),
2)Jenis kelamin perempuan menurunkan risiko kematian penyakit
jantung (z turun sebesar 1,0 jika pasien adalah wanita),
3)Peningkatkan kolesterol meningkatkan risiko kematian
(z naik 1,2 setiap 1 mmol / L peningkatan kolesterol > 5 mmol/L).
Example 1
Model dapat digunakan untuk memprediksi risiko kematian akibat
penyakit jantung seseorang laki-laki berumur 50 tahun dengan
kadar kolesterol 7.0 mmol / L.
Hasil Prediksi :
Example 2
Ingin diketahui faktor pembelian kosmetik
merk tertentu oleh sekelompok wanita
Variabel penjelas : umur, tingkat
pendapatan (low, medium, high), dan
status (M menikah; S untuk single).
Variabel prediktor yang dijelaskan dengan
angka 1 sebagai membeli dan 0 sebagai
tidak membeli.
TUGAS
Status
1
2
2
2
2
1
2
1
2
1
Kontrol
30
15
22
19
25
17
19
22
21
28
Nikah
53
11
16
17
20
12
18
11
21
14
Peran
24
43
45
52
45
41
35
37
46
30
Rumah
30
15
22
19
25
17
19
22
21
28
TUGAS
Apakah status pekerjaan (wanita karir versus ibu rumah tangga) dapat
dijelaskan oleh empat variabel perilaku (Perilaku terhadap pekerjaan di
dalam rumah =rumah, Perilaku terhadap kesehatan reproduksi =nikah,
Perilaku terhadap peranan/hak wanita =peran, dan Kemampuan
mengendalikan diri =kontrol)
Buat persamaan Regresi Logistik Sederhana (parsial) dengan perhitungan
manual dan bandingkan dengan output SPSS.
Status vs kontrol, Status vs nikah, Status vs peran, Status vs rumah
Tuliskan dalam model eksponensialnya, beri penjelasan masing-masing
Buat persamaan Regresi logistik berganda perhitungan SPSS.
Status vs kontrol, nikah, peran, rumah
Tuliskan dalam model eksponensialnya, beri penjelasan.
Prediksi peluang seseorang adalah wanita karir, apabila dia mempunyai
kontrol diri rendah (15), perilaku terhadap kesehatan reproduksi sedang
(20), thd pekerjaan RT tinggi (30) dan perilaku peran wanita tinggi (45)
HP : 0811273402
Email : marsono_53@yahoo.co.id