Anda di halaman 1dari 7

WORKSHOP KOMPUTER DAN STATISTIKA

Dosen Pengampu: Putriaji Hendikawati, S.Si., M.Pd., M.Sc.

Disusun Oleh :
1. Marlina Nur Aisyah
2. Dirta Sugiarti
3. Farah Kurnia Aghnaita

(4112313002)
(4112313003)
(4112313016)

JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS NEGERI SEMARANG
2015
REGRESI LINEAR

Dalam analisis regresi, akan dikembangkan sebuah estimating equation (persamaan


regresi)
yaitu suatu formula matematika yang mencari nilai variable dependent dari nilai variable
independent yang diketahui.
Analisis regresi digunakan terutama untuk tujuan peramalan, di mana dalam model tersebut
ada sebuah variable dependent (tergantung) dan variable independent (bebas). Sebagai
contoh ada tiga variable, yaitu Penjualan, Biaya Promosi dan Biaya Iklan. Dalam praktek,
akan dibahas bagaimana hubungan antara Biaya Promosi dan Biaya Iklan terhadap
Penjualan. Di sini berarti ada variable dependent yaitu Penjualan, sedangkan variable
independentnya adalah Biaya Promosi dan Biaya Iklan.
Dalam praktek, regresi sering dibedakan antara regresi sederhana dan berganda. Disebut
regresi sederhana (Simple Regression) jika hanya ada satu variable independent, sedangkan
disebut regresi berganda (Multiple Regression) jika ada lebih dari satu variable independent.
Pengertian regresI linear :
Hubungan antar variabel yaitu variabel x dan y, dimana variabel x berfungsi sebagai variabel
bebas atau variabel yang mempengaruhi, dan variabel y sebagai variabel terikat adalah variabel
yang dipengaruhi.
Variabel x juga disebut variabel independen atau respon, dan variabel y disebut variabel
dependen.
Persamaan regrasi:

^y =a+bx

Keterangan:

^y

= Variabel dependen (nilai yang diprediksikan)

= Variabel independen
^y apabila x = 0)

= Konstanta (nilai

= Koefisien regresi (nilai peningkatan ataupun penurunan)

REGRESI MODEL EKSPONENSIAL


Model ini dipakai jika plot data mengalami kenaikan atau penurunan yang cenderungkonstan
pada periode tertentu, kemudian mengalami kenaikan cukup besar pada periodeakhir.
X
^
Persamaan modelnya Y =ab .

Keterangan:

^y

= Variabel dependen (nilai yang diprediksikan)

= Variabel independen
^y apabila x = 0)

= Konstanta (nilai

= Koefisien regresi (nilai peningkatan ataupun penurunan)

Regresi eksponensial adalah Hubungan antara dua peubah dinyatakan oleh fungsi eksponensial.
Bentuk persamaan model regresi eksponen:
Y^ =ab X
Bentuk persamaan tersebut dapat dilogaritmikan menjadi:
b
log X

a+
log Y^ =log
Persamaan dalam logaritma, untuk mencari a & b:
log b
logY i )
log a=
n

Xi
n

Yi
Xi
Yi
log


X i log

n
b=
log
MODEL LOGISTIK
Model logistik mempunyai banyak bentuk,dan penggunaannya juga cukup luas. Bentuk model
logistik yang paling sederhana dapat ditaksir oleh
1
= a b x
Dengan a dan b konstanta. Untuk yang tidak sama dengan nol,bentuk diatas dapat pula
ditulis sebagai
1
bX
=a
Jika rumus diambil logaritmanya ,maka diperoleh
1

log(
=log a + (log b) X
1

Yang merupakan model linear dalam peubah X dan log (


.
Koefesien-koefesien a dan b dapat dicari dengan menggunakan rumus

log Y1
log a = i=1
n

- (log b )

Xi
i =1

1
Yi
Xi
1
Y
n

log
i=1

log b =
n


i=1

X i log
n

i=1

Model logistik ini memiliki aplikasi yang cukup penting pada regresi dengan peubah
terikatnya bernilai biner( 0 dan 1). Jika Y peubah bernilai 1 dan 0, sedangkan X peubah dengan
skala pengukuran interval, bentuk khusus model regresi logistik adalah
( x )=

0+

1+

Dimana

0+

(x) = H (Y|x) adalah nilai harapan bersyarat Y untuk nilai tertentu X = x yang

diberikan. Karena Y, peubah dikontomi, nilai harapan bersyarat ini harus lebih atau sama dengan
0 dan kurang dari atau sama dengan 1 (yakni H(Y|x)1).
Bentuk model logistik yang secara khusus digunakan dalam Hosmer dan Stanley Lomeshow
(1989) dengan mendefinisikan logit transformation adalah sebagai berikut
g ( x ) =ln

(x)
+ x
1 ( x) 0 1

Transformasi ini sangat penting karena model regresinya memilki sifat-sifat seperti sebuah
model regresi linear.
MODEL HIPERBOLA
Perkiraan persamaan umum sederhana untuk model hiperbola ini dapat dituliskan dalam bentuk
1
=
a+ bX
atau jika tidak ada yang bernilai nol dapat ditulis menjadi
1
=a+bX

dengan a dan b konstanta,yang ternyata merupakan bentuk linear dalam peubah-peubah X dan
1/Y.
Koefisien-koefisien a dan b dapat dihitung seperti pada model garis lurus dengan rumus
n
n
n
n
1
2
X

X
Y i i X i Y1
i=1
i=1
i=1
i =1
i
i
2
n
n
a=
n X 2i X i

( )( ) ( )(
( )
i=1

i=1

i=1

) ( )( )
( )

1
n Xi

Yi
i=1
b=

Xi

i=1

2
i

i=1

1
Yi

Xi

i=1

MODEL GEOMETRI
Seperti hanya dengan model eksponen, maka model geometrik dapat dikembalikan kepada
model linier.
Taksiran untuk model geometri mempunyai persamaan umum:
b
^
Y =a X
dengan koefisien-koefisien a, dan x harus ditentukan berdasarkan data hasil pengamatan.
Model yang ditaksir adalah
Y^ =a X b
Untuk menghitung a dan b dilakukan seperti pada model eksponensial,yakni mengubah bentuk
tersebut menjadi

log Y^ =log a+b log X


Misalkan
'
'
'
Y^ =log Y^ , a =log a , X =log X

Maka diperoleh
Y^ ' =a' +bX '
Ada beberapa rumus yang digunakan dalam regresi non linier model geometri:

bX
Y^ =a e

log Y^ =log a+b log X

log a=

Xi
log 2

2
n ( log Xi )
n ( log Xi logYi ) ( log Xi )( logYi )
b=

logYi b log Xi
n