Trend

dan
Korelasi Data

Trend dan Korelasi Data

Trend Data :
kecenderungan data mengikuti model matematis

Korelasi Data :
arah dan kedekatan hubungan dua variabel data sesuai dengan trend datanya,
dinyatakan dengan notasi r (koefisien korelasi)
Tingkat ketepatan data terhadap trend datanya dinyatakan dengan R2 atau r2
Semakin besar nilai R2 (koefisien determinasi) semakin tepat trend datanya.

r positip

r 0

r negatip

n X iYi ( X i )( Yi )
2
i

{n X ( X i ) }{n Yi ( Yi ) 2 }

Pemodelan Kecocokan Data (Fitting Curve)

Trend Data :

kecenderungan data mengikuti model matematis

Kurva Kecocokan Data (fitting curve)

adalah rekostruksi kecenderungan (trend) data terhadap model kurva matematis

Kriteria Kecocokan Kurva

jumlah simpangan terkecil antara data riel dengan data yang seharusnya pada kurva
atau
jumlah simpangan terkecil antara nilai data prediksi dengan data seharusnya

S
i=1 i
min

10

= jumlah simpangan terkecil

Latihan Kecocokan Data (Fitting Curve)

Data ke-

Nilai

Model Matematis

Kadar (Y)

Temperatur (X)

96

50

110

55

125

62

126

66

135

70

140

75

158

81

175

88

Model yang dipilih :

Alasan :

Y = 2.X - 3

Y = ln X3 + 40

Trend Linier
(Regresi Linier)
Trend Data
(Regresi)

Polinomial
Eksponensial
Logaritmik
Trigoneometrik
dll

Trend Non Linier

(Regresi Non Linier)

REGRESI & KORELASI

A. KONSEP ANALISIS REGRESI
Fenomena Beberapa Variabel
(misal: kadar, temperatur, tekanan, ketebalan)

Variabel Bebas

KAITAN

(prediktor)

Variabel Tak Bebas

(respon )

Regresi

- mudah didapat
(diukur)
- notasi : X

Persamaan Regresi

- terjadi akibat
variabel bebas
- notasi : Y

Model Regresi
Persamaan Umum :

( X , X ,.., X , ,.., )
Y . X , X ,.., X
1 2
k 1 2
m
1 2
k

1. Satu Variabel Bebas, linier : Regresi Linier Sederhana

1 2 X
Y .X

; 1, 2 : parameter

dengan taksiran persamaan :

16
14
12

Y a bX

10
8
6

; a taksiran 1 , b taksiran 2

y = 0,28x + 0,8
R = 0,970

4
2
0
0

20

40

60

2. Satu Variabel Bebas, non-linier : Regresi non-linier

0 1 X 2 X 2 .... k X k
Y .X

dengan taksiran persamaan :

Y a0 a1 X a 2 X 2 .... a k X k
16
14
12
10
8
6

y = 3E-05x4 - 0,002x3 + 0,092x2 - 0,883x +

5
R = 1

4
2
0
0

20

40

60

3. Beberapa Variabel Bebas, linier : Regresi Linier Berganda

0 1 X 1 2 X 2 ..... k X k
Y .X
dengan taksiran persamaan :

Y a 0 a1 X 1 a 2 X 2 .... a k X k

Regresi Linier Sederhana (RLS)

Y a bX
Y

16
14

Variabel Tak Bebas

X =

12
10

Varibel Bebas

8
6

Y = f(X)

y = 0,28x + 0,8
R = 0,970

R2 =

2
0
0

20

40

60

Koefisien Determinasi

A. Metode Pembentukan RLS

Y a bX
1. Metode Komputerisasi (Exel)

Tahapan :
1. Permasalahan : CT vs Jarak
CT dipengaruhi (Y) oleh
jarak angkut (X)
Scatter plot

16
14
12

Jarak, X

CT, Y

10
20
30
40
50

3
7
10
11
15

10
8
6

y = 0,28x + 0,8
R = 0,970

2. Trend Data
Linier or non-linier

2
0
0

20

40

60

2. Metode Least Square Methods (Kuadrat Terkecil)

Y a bX

Y dan X : data masukan

a dan b : dicari

untuk mendapatkan nilai a dan b diperlukan paling sedikit 2 persamaan, yaitu :

a. Persamaan Dijumlahkan sampai n data
( Y = a + bX)
Y = a + bX
Y = n.a + b.X ...... (1)
b. Kalikan dengan variabel X dan Jumlahkan
(Y.X = a.X + bX.X)
XY = a X + b. X 2 .....................................(2)
c. Eliminasi persamaan (1) dan (2)
Y = n.a + b. X
X
X Y = n.a X + b. ( X ) 2
XY = a X + b. X 2 n
n. XY = n.a X + b.n. ( X 2 )
X Y n. XY = b [( X )2- n. X2 ]
maka :
X Y n. XY
Y
X
b=
a
=
b.
( X )2 - n. X2
n
n

Korelasi RSL
Studi yang membahas tentang derajat hubungan antara variabel-variabel

di dalam persamaan regresi, disebut ANALISIS KORELASI

Ukuran kuantitatif yang dipakai untuk mengetahui derajat hubungan tersebut,
dinamakan KOEFISIEN KORELASI ( r )
Y;
t
u
r
u
n

Y;

Y;

X naik
r negatif

t
e
t
a
p

X naik
r0

-1 < r < 1

n
a
i
k

X naik ; Y naik
r positif

Koefisien korelasi didapat dengan rumus :

1.

2.

3.

n X iYi ( X i )( Yi )
2

{n X i2 ( X i ) 2 }{n Yi ( Yi ) 2 }

r 1 s

r = b. Sx / Sy

y. x / s

2
y

S 2 y.x

)2
(
Y

Y
i i

SX = simpangan baku variabel X

Sy = simpangan baku variabel Y
b = koefisien regresi

( n 2)

 Apabila r dikuadratkan, menjadi r2 atau R2, disebut

sebagai KOEFISIEN DETERMINASI
artinya variabel tidak bebas Y dapat dijelaskan oleh
R2 variabel bebas X, sisanya 1-R2 dijelaskan oleh
variabel lain

Koefisien Determinasi dapat juga dihitung dengan

rumus :
r

(Y

Y ) 2 (Yi Yi ) 2
(Yi Y ) 2

atau
r2 = b1.b2

b1 = koefisien arah Y atas X

b2 = koefisien arah X atas Y

Regresi Linier Berganda (RLB)

2
k

Y a0 a1 X a 2 X .... a k X
16
14
12
10
8
6

y = -0,001x2 + 0,365x - 0,2

R = 0,973

4
2
0
0

10

20

y = -0,0014x2 + 0,3657x - 0,2

R = 0,9738

30

40

50

60

2 variabel bebas
R = 1

Untuk 2 variabel prediktor X, ditulis sebagai :

Y a0 a1 X 1 a 2 X 2
Koefisien a0, a1, dan a2 didapat dari :
- dijumlahkan
: Yi
= a0n + a1 X1i + a2 X2i
- dikalikan dg X1i :
YiX1i = a0 X1i + a1 X1i2 + a2 X1iX2i
- dikalikan dg X2i : YiX2i = a0 X2i + a1 X1iX2i + a2 X2i2
maka didapat :

a0 Y a1 X 1 a2 X 2
( X 22 i )( X 1iYi ) ( X 1i X 2 i )( X 2 iYi )
a1
( X 12i )( X 22i ) ( X 1i X 2 i ) 2

( X 12 i )( X 2 iYi ) ( X 1i X 2i )( X 1iYi )
a2
( X 12i )( X 22i ) ( X 1i X 2 i ) 2

 Perhatikan tabel di bawah :

X1 = pendapatan, ribu rupiah
X2 = banyak jiwa keluarga
Y = pengeluaran, ratusan rupiah
X1

10

X2

23

15

17

23

22

10

14

20

19

Susun Persamaan Regresi Linier Berganda

Hitung Koeifisien Determinasi, apa artinya
Hitung ry1.2 dan ry2.1
Tulis persamaan regresi secara lengkap

 Dari data di atas didapat harga-harga :

Yi = 170
X1iYi = 1.122
X1i2 = 406
maka :

X1i = 60
X2iYi = 737
X2i2 = 182

X2i = 40
X1iX2i = 267
n = 10

170 = 10 a0 + 60 a1 + 40 a2
1.122 = 60 a0 + 40 a1 + 267 a2
737 = 40 a0 + 267 a1 + 182 a2

Didapat : a0 = 3,92

a1 = 2,50

Jadi persamaan regresi linier berganda :

Y = 3,92 + 2,50 X1 0,48 X2

a2 = - 0,48

Koefisien Korelasi RSB

ry .12
Dengan

ry21 ry22 2ry1ry 2 r12

1 r122

: ry1 = koef.kor. Y dan X1

ry2 = koef.kor. Y dan X2
r12 = koed.kor. X1 dan X2

Koefisien Regresi Parsiel dihitung dengan rumus :

ry1.2

ry1 ry 2 r12
2
y2

2
12

(1 r )(1 r )

dan

ry 2.1

ry 2 ry1r12
(1 ry21 )(1 r122 )

ry1.2 = koefisien korelasi parsiil Y dan X2 bila X1 tetap

ry2.1 = koefisien korelasi parsiil Y dan X1 bila X2 tetap

X1i
10
2
4
6
8
7
4
6
7
6

X2i
7
3
2
4
6
5
3
3
4
3

Yi
23
7
15
17
23
22
10
14
20
19

x1i
4
-4
-2
0
2
1
-2
0
1
0

x2i
3
-1
-2
0
2
1
-1
-1
0
-1

yi
6
-10
-2
0
6
5
-7
-3
3
2

Y = 3,92 + 2,50 X1 0,48 X2

r2

x1iyi
24
40
4
0
12
5
14
0
3
0

x2iyi
18
10
4
0
12
5
7
3
0
-2

yi2
36
100
4
0
36
25
49
9
9
4

102

57

272

x1iyi = 102
x2iyi = 57
yi2 = 272

(2,50)(102) (0,48)(57)
0,8369
272

r = 0,914
ry1 = 0,92 ; ry2 = 0,74 ; r12 = 0,86

ry1.2
ry1.2

0,92 (0,74)(0,86)
0,8263
(1 0,5476)(1 0,7396)

0,74 (0,92)(0,86)

0,257
(1 0,8464)(1 0,7396)

Y = 3,92 + 2,50 X1 0,48 X2

(0,8236) (-0,257)
R2 = 0,8369

Dalam rangka persiapan ujian akhir semester diadakan suatu penelitian

apakah jumlah jam kuliah berpengaruh terhadap Indeks Prestasi (IP).
Diambil sampel acak 10 mahasiswa dan diperoleh data sebagai berikut :
Sampel keJam Kuliah
IP

1
8
2,5

2
5
2,3

3
11
3,0

4
13
3,2

5
10
2,7

6
5
2,3

7
18
3,4

8
15
3,1

9
2
2,1

Susun persamaan Regresi Linier Sederhana

Jika seorang mahasiswa belajar selama 20 jam sebelum ujian,
berapa perkiraan Indeks Prestasi yang diperoleh ?
Apakah ada korelasi antara jam belajar dengan Indeks Prestasi,
bagaimana korelasinya ?

10
8
2,6

Solusi RSL
X

XY

n X Yi ( X i )( Yi )
2

n X i ( X i ) 2

a Y bX

n X iYi ( X i )( Yi )
2
i

{n X ( X i ) }{n Yi ( Yi ) 2 }