Makalah Analisis Regresi
Makalah Analisis Regresi
KELOMPOK 4 :
( 11.6505)
(11.6616)
(11.6687)
(11.6746)
(11.6814)
(11.6859)
(11.6971)
R=
SSR
SSE
=1
SST
SST
atau
n
R2
JK Regresi
JK Total
(Y Y )
i 1
n
(Y
i 1
Y )2
3. KETERBATASAN R2
Dalam kasus tertentu, R2 tidak dapat menunjukkan apakah koefisien dan prediksi bias. Itulah
sebabnya mengapa kita harus menilai plot residual. R2 tidak menunjukkan apakah model regresi itu
sesuai. Kita dapat memilih nilai R 2 yang rendah atau tinggi untuk model yang tidak sesuai dengan
data.
Sebagaimana yang kita ketahui bahwa tidak ada ukuran tunggal yang mampu
menggambarkan kegunaan model regresi untuk aplikasi yang berbeda. Namun, koefisien
determinasi digunakan secara luas. Sayangnya, banyak terjadi kesalahpahaman yang serius. Tiga
kesalahpahaman yang umum terjadi :
Kesalahpahaman 1. Sebuah koefisien determinasi yang tinggi menunjukkan bahwa penduga dapat
diprediksi. Ini tidak selalu benar. Dalam Perusahaan Toluca[1] misalnya, kita melihat bahwa
koefisien determinasi tinggi (R2 = 0,82). Namun 90 persen penduga interval untuk bagian
berikutnya, terdiri dari 100 unit, masih melebar (332 hingga 507 jam) dan tidak cukup tepat untuk
mengatur jadwal pekerja dengan efektif.
Kesalahpahaman 2. Sebuah koefisien determinasi yang tinggi menunjukkan bahwa garis regresi
penduga cocok. Sekali lagi, ini tidak selalu benar. Gambar a menunjukkan scatter plot di mana
koefisien determinasi tinggi (R2 = 0.69). Namun fungsi regresi linier tidak akan cocok karena
hubungan regresi adalah lengkung.
Kesalahpahaman 3. Sebuah koefisien determinasi mendekati nol menunjukkan bahwa X dan Y
tidak berhubungan. Ini juga belum tentu benar. Gambar b menunjukkan scatter plot di mana
koefisien determinasi antara X dan Y (R2) adalah 0.02. Namun X dan Y adalah terkait kuat
meskipun hubungan antara kedua variabel lengkung.
Kesalahpahaman 1 muncul karena R2 hanya mengukur pengurangan relatif dari SSTO dan
tidak memberikan informasi tentang presisi mutlak untuk memperkirakan respon rata-rata atau
memprediksi pengamatan baru. Kesalahpahaman 2 dan 3 muncul karena R2 mengukur derajat
hubungan linier antara X dan Y, sedangkan hubungan regresi yang sebenarnya mungkin menjadi
lengkung.
4. CONTOH SOAL
Contoh 1:
Berikut ini data hubungan antara umur mobil dan harga jualnya :
Car Age (years)
X
Price($100)
Y
5
4
6
5
5
5
6
6
2
7
7
58
85
103
70
82
89
98
66
95
169
70
48
975
Sumber : Fiktif
Dari data di atas, hitung nilai R2 nya.
Jawab :
Car Age
(Thn)
X
5
4
6
5
5
5
6
6
2
7
7
58
Price ($100)
Y
XY
X2
Y2
85
103
70
82
89
98
66
95
169
70
48
975
425
412
420
410
445
490
396
570
338
490
336
4.732
25
16
36
25
25
25
36
36
4
49
49
326
7.225
10.609
4.900
6.724
7.921
9.604
4.356
9.025
28.561
4.900
2.304
96.129
Interpretasi :
Nilai R2 = 0,853 menjelaskan bahwa variabel X (umur mobil) mempengaruhi variabel Y (harga
mobil) sebesar 0,853 atau 85,30%.
Contoh 2 :
Berikut data jumlah barang (X) dan harga barang (Y) di suatu mall.
X (potong)
Y (ribu)
40
10
35
11
30
15
32
22
19
22
26
23
24
28
22
28
18
35
197
252
Jawab :
Dari perhitungan regresi, maka di peroleh : Y =0.94X + 43.7
X
Yr
(Yr Y)
(Yr Y)2
(Y - Y )
(Y - Y )2
40
40.88
.88
.77
14.8
219.04
10
35
34.30
-.70
.49
9.8
96.04
11
30
33.36
3.36
11.29
4.8
23.04
15
32
29.60
-2.40
5.76
6.8
46.24
22
19
23.02
4.02
16.16
-6.2
38.44
22
26
23.02
-2.98
8.88
.8
.64
23
24
22.08
-1.92
3.69
-1.2
1.44
28
22
17.38
-4.62
21.34
-3.2
10.24
28
18
17.38
-.62
.38
-7.2
51.84
35
10.80
4.8
23.04
-19.2
368.65
Mean:
25.2
91.81
SST:
855.60
R2 = 1
SSE
SST
=1
SSE:
91.81
855.60
= 0.89
Interpretasi :
Dari hasil perhitungan di atas, diperoleh nilai R2 = 0,89 menjelaskan bahwa jumlah barang
mempengaruhi harga jual barang tsb sebesar 0,89 atau 89 %.