ANALISIS REGRESI

kuliah- M1
Dr.Dra. Ismaini Zain, M.Si

Email : ismaini_z@statistika.its.ac.id

Jurusan Statistika FMIPA ITS, Gedung H lantai 2 ITS

08123036678 – 0318536724

Kuliah Analisis Regresi – 2010/2011

 SILABUS dan KONTRAK KULIAH
• Nama Mata Kuliah : Analisis Regresi ( Regression Analysis )
• Kode Mata Kuliah : ST 09 1306
• Bobot SKS : 2/1/0 SKS

• Tujuan :
• Memberikan kemampuan pemodelan regresi linier sederhana dan
mengembangkan ke regresi non linier.

• Materi Pokok :
• Pendahuluan, pengertian pemodelan regresi, penaksiran parameter regresi,
regresi linier sederhana dengan metode kuadrat terkecil, kuadrat terkecil terboboti,
regresi dengan pendekatan matriks, regresi dengan variabel bebas lebih dari satu,
model-model regresi yang lebih kompleks, pemilihan model terbaik dan
pendekatan regresi non linier

• Pustaka :
– Drapper, N.R., and Smith, H., 1981. Applied Regression Analysis, John Wiley
& Sons, New York.
– Weisberg, S., 1986. Apllied Linier Regression, John Wiley & Sons, New York.
– Myers, R. , 1986. Classical and Modern Regression with Applications, Duxbury
Press,
PENDAHULUAN
 KONSEP ANALISA REGRESI
• SALAH SATU metode statistika yang menjelaskan atau
memprediksi variabilitas dari variabel dependen dengan
menggunakan informasi dari satu atau lebih variabel independen
melalui suatu persamaan matematis

• Persamaan matematis bisa saja berupa SUATU GARIS atau

KURVA yang diduga terlebih dahulu dari suatu SCATTER PLOT

• SCATTER PLOT adalah suatu gambaran awal atau sederhana dari

hubungan variabel dependen dan independen

• Bila suatu model regresi digunakan TANPA suatu kualifikasi

BIASANYA mewakili LINIER REGRESI

• Simple Linear Regression adalah suatu metode menentukan

“GARIS YANG PALING TEPAT antara variabel dependent, Y dan
variabel independen
"line of best fit“ between the dependent variable, Y,and the independent variable, X.
Simple Linear Regression:

influences
Y X
Dependent variable Independent variable
Variabel tergantung Variabel bebas
Variabel respon Variabel prediktor

Explained variable Explanatory variable

 MACAM ANALISIS REGRESI
• Menurut skala pengukuran Y
• Menurut skala pengukuran X
• Menurut banyaknya Y
• Menurut skala pengukuran Y
• Menurut hubungan parameter dalam
model
• Menurut pola distribusi Y dengan X
• Menurut ……(berkembang) – diskusikan!
 PENGGUNAAN
ANALISA REGRESI
DI DUNIA NYATA

diskusi
 TUJUAN dan MANFAAT
ANALISIS REGRESI
• TUJUAN :
Menentukan POLA HUBUNGAN (secara
matematis) antara variabel dependen dengan
satu atau lebih variabel independen MODEL
REGRESI

• MANFAAT :
Model regresi dapat digunakan untuk mem-
PREDIKSI suatu nilai variabel dependen atau
respon pada sedikitnya satu variabel
independen atau explanatory
 SECARA UMUM
• To describe or model a set of data with
one dependent variable and one (or more)
independent variables.

• To predict or estimate the values of the

dependent variable based on given
value(s) of the independent variable(s).

• To control or administer standards from a

useable statistical relationship.
 APA DEFINISI KORELASI?
• Korelasi adalah …………………..

n
 ( xi  x )( y i  y ) Ingat dan
i 1 Tulis Rumus
rxy 
n n Korelasi,..
 ( xi  x) 2
 ( yi  y) 2
i 1 i 1
, -1  rxy  1
 APA PERBEDAAN
REGRESI dan KORELASI?

Correlation Regression
Is there an association How exactly does Y
between X and Y? change if X changes?
How strong? Positive How much of the
or negative? change in Y is
explained?
 MODEL REGRESI LINIER
SEDERHANA
• Relationship antara Y dan X adalah LINIER
• GARIS LURUS (tergantung Scatter
Diagram) adalah pendekatan terbaik
Y intercept Random
Error

Yi   0   1 X i   i
Dependent
(Response) Independent
Slope (Explanatory)
Variable
Variable
 Simple Linear Regression
Postulated Model

Population Random
Population Independent Error
Slope
Y intercept Variable term
Coefficient
Dependent
Variable

Y  β 0  β1X1  ε i
Linear component Random Error
component

15
 Simple Linear Regression
Population Model
(continued)

Y PM : Yi  β0  β1X i  ε i
Observed Value
of Y for Xi

εi Slope = β1
Predicted Value
Random Error
of Y for Xi
for this Xi value

Intercept = β0

Xi
Satu satuan X 16
Sample Linear Regression
Model

Yi  b0  b1 X i

Yi = Predicted Value of Y for observation i

Xi = Value of X for observation i

b0 = Sample Y - intercept used as estimate of

the population 0
b1 = Sample Slope used as estimate of the
population 1
 Tahap-tahap dalam Analisis Regresi

1. Plot data  SCATTER DIAGRAM

identifikasi bentuk hubungan secara grafik
2. Koefisien Korelasi
identifikasi hubungan linear dengan suatu angka
n
 ( xi  x )( y i  y )
i 1
 rxy  n n
, -1  rxy  1
 ( xi  x)2  ( yi  y) 2
i 1 i 1

3. Pendugaan (estimasi) model regresi

4. Evaluasi (diagnostic check) kesesuain model regresi
5. Prediksi (forecast) suatu nilai Y pada suatu X tertentu
 EXAMPLE
see, p.9 Drapper and Smith

• Terdapat 25 pengamatan antara Y dan X

• Y = banyaknya uap (dalam pound)
• X = rata-rata suhu atmosfir (dalam derajat
Fahrenheit)

Bagaimana model regresi-nya?

 LANGKAH PERTAMA
SCATTER PLOT
13
?
12

11

10
Y

7
?

6
30 40 50 60 70 80
X
 Langkah Kedua :
Tentukan Postulated Model nya
SCATTER PLOT
13

12
PM : Yi  β0  β1X i  ε i
11

10
Y

6
30 40 50 60 70 80
X
 Estimasi MODEL REGRESI
(hasil output MINITAB)
• Regression Analysis: Y versus X

• The regression equation is

• Y = 13.6 - 0.0798 X

• Predictor Coef SE Coef T P

• Constant 13.6230 0.5815 23.43 0.000
• X -0.07983 0.01052 -7.59 0.000

• S = 0.890125 R-Sq = 71.4% R-Sq(adj) = 70.2%

• Analysis of Variance

• Source DF SS MS F P
• Regression 1 45.592 45.592 57.54 0.000
• Residual Error 23 18.223 0.792
• Total 24 63.816
 Langkah Kedua :
Tentukan Postulated Model nya
SCATTER PLOT
13

12
Ŷ  13,6  0,0798X
11

10
Y

6
30 40 50 60 70 80
X
 INTERPRETASI MODEL?
• Persamaan regresi Y = 13.6 - 0.0798 X
• Manfaat Model?
• Cara mengetahui model tersebut
HANDAL?
• Bagaimana cara mendapatkan nilai-nilai
tersebut?
• Apa perlu di uji? Cara?
 TUGAS INDIVIDU
• Carilah persamaan regresi tersebut
dengan cara manual
• Hitung pula, persamaan regresi tersebut
menggunakan PENDEKATAN MATRIKS
• Lalu, cobalah sekali lagi dengan bantuan
PAKET PROGRAM STATISTIK
 DALAM AKTIVITAS
PERKULIAHAN

Tidak banyak yang diberikan dosen

Mengapa???
 Belajar =
menerima
pengetahuan ?

SISWA PASIF
RESEPTIF

SERING
DINAMAKAN
PENGAJARAN
Teacher Centered Learning
 BLACK BOX

BELAJAR ADALAH BERUBAH

(DARI GEMUK KE KURUS)
DAN ADA NILAI
TAMBAH
MENJADI GREY BOX

Mencari dan
mengkonstruksi
pengetahuan
lewat berbagai
strategi

AKTIF
SPESIFIK

SERING
DINAMAKAN
PEMBELAJARAN
Itulah sebabnya,…..dalam KBK,
harus lebih ke ,,,,,,,

SCL
Student Centered Learning
 PENDIDIK

INTERAKSI

SUMBER PESERTA
BELAJAR DIDIK
 DOSEN SEBAGAI FASILITATOR
DAN MOTIVATOR

INTERAKSI
MENITIK BERATKAN
PADA
METHOD OF INQUIRY
DAN DISCOVERY

SUMBER MAHASISWA
BELAJAR MENUNJUKKAN KINERJA
KREATIF
MULTI DEMENSI
KOGNITIF
UTUH
PSIKOMOTOR AFEKTIF
 PASSIVE
10% Reading
Verbal
20% Hearing words reciving
30% Looking at picture
Watching video
50% Looking at an exhibition Visual
Watching a demonstration
reciving
Seeing it done on location
70% Participating in a discussion Partici-

ACTIVE
Giving a talk pating
Doing a Dramatic Presentation
Simullating the Real Experience
Doing
90% Doing the Real Thing

TINGKAT TINGKAT
MEMORISASI MODEL PEMBELAJARAN KETERLIBATAN
 See you,
Tidak lupa, Selamat ber Hari Raya
Mohon Maaf Lahir Batin

If Allah wills
We will meet again