oleh:
NO X Y 23 67.7 23.7
24 68.6 25.1
1 49.3 18.9
25 69.2 23.8
2 55.9 21.3
26 70.1 23.8
3 56.2 21.6
27 71 27.8
4 56.4 20.7
28 71 22.1
5 56.5 20.4
29 71.7 23.1
6 58 22.5
30 72.7 27.1
7 59.6 22
31 73 28.1
8 59.7 21.9
32 73.7 27.5
9 60.6 22.6
33 74 23.4
10 60.9 24.1
34 75.5 26.8
11 61.5 22.8
35 76.3 29.2
12 61.6 22
36 77.8 26.3
13 62 23.3
37 77.8 27.9
14 62.9 22.2
38 80.3 25.5
15 62.9 21.1
39 81 28.4
16 63 21.5
40 81.6 27.5
17 63.5 23.6
41 82.3 27.2
18 63.6 20.1
42 83 28.8
19 64.5 24.7
43 83.8 28.1
20 66 24
44 85.5 30.8
21 67.2 23.1
45 86.4 30.6
22 67.5 21.7
Hubungan antara dua peubah X dan Y dapat dijelaskan melalui persamaan garis lurus:
Ŷi = a + bXi ; i=1,2,3,...,n
Dengan adanya persamaan garis, dapat dilakukan interpolasi atau dugaan terhadap nilai
Y untuk X tertentu yang tidak diamati tetapi masih berada dalam selang X yang diteliti.
Scatter plot menunjukkan pola garis lurus. Untuk memeriksa apakah pola tersebut benar
lurus atau lengkung, diperlukan paling sedikit tiga titik yang dapat mewakili seluruh titik
yang ada. Dengan menghubungkan ketiga titik tersebut dengan dua penggalan garis, dan
masing-masing menghubungkan dua titik yang berdekatan, pola garis lurus dapat
diperiksa. Jika rasio koefisien b kedua penggalan garis tersebut, sangat jauh dari nilai 1,
maka hal tersebut menunjukkan adanya pola lengkung.
𝑌𝑎 − 𝑌𝑏
𝑏=
𝑋𝑎 − 𝑋𝑏
𝑎 = (𝑌𝑎 + 𝑌𝑡 + 𝑌𝑏) − 𝑏(𝑋𝑎 + 𝑋𝑡 + 𝑋𝑏)/3
(𝑌𝑎 − 𝑌𝑡)/(𝑋𝑎 − 𝑋𝑏)
𝑟=
(𝑌𝑡 − 𝑌𝑏)/(𝑋𝑡 − 𝑋𝑏)
Persamaan garis resisten yang didapat memiliki kelemahan dalam penaksiran koefisien
a dan b. Kedua nilai ini sering kali bukan taksiran yang paling cocok. Kekurangan ini
dapat diperbaiki dengan melakukan iterasi.
Proses iterasi melibatkan nilai residu, karena dalam komponen ini masih tersisa informasi
yang dapat digunakan untuk memperbaiki nilai taksiran a dan b. Residual adalah selisih
antara dugaan dengan data aktual.
X Y Ῠ r(1)
−0.17 − (−0.15)
𝑏1 𝐼 =
80.3 − 59.6
𝑏1 𝐼 = 0.00096618
𝑏2 = 𝑏 + 𝑏1 𝐼
𝒃𝟐 = 𝟎. 𝟐𝟖𝟔𝟗𝟔𝟔𝟏𝟖
b1’ sudah lebih kecil dari 1% kali nilai b awal, sehingga proses iterasi dihentikan.
Sehingga didapat model:
̂ = 𝟒. 𝟕𝟎𝟒𝟒 + 𝟎. 𝟐𝟖𝟔𝟗𝟔𝟔𝟏𝟖 𝑿
𝒚
Artinya, terdapat hubungan positif antara panjang dengan lebar hidung kangguru.
Semakin panjang hidung seekor kangguru maka semakin lembar pula hidung kangguru.
Untuk setiap 1 mm penambahan panjang hidung (nasal length), lebar hidung (nasal
width) akan bertambah rata-rata 0.28696618 mm dengan konstanta awal 4.7044.
Apabila dalam pengamatan terdapat pencilan atau outlier, nilai koefisien regresi atau
korelasinya akan menurun. Hal ini terjadi karena ragam yang mengukur bervariasinya
data membesar atau kisaran data menjadi lebih lebar. Dengan rendahnya nilai koefisien
regresi dan korelasi dengan sendirinya dapat menurunkan kualitas dari garis regresi yang
dihasilkan, sehingga perlu dicari model lain yang lebih cocok dengan kondisi yang
diamati atau melakukan transformasi terhadap data tersebut.
Residu dalam regresi linier sederhana merupakan selisih dari nilai prediksi dan nilai
sebenarnya atau ei =Yi - (a + b Xi ). Jika nilai pengamatan terletak dalam garis regresi
maka nilai residunya sama dengan nol. Jadi jika total jarak atau nilai mutlak dari residu
atau Σ|ei| = 0 berarti semua nilai pengamatan terletak pada garis regresi (tidak pernah
terjadi). Makin besar total jarak maka makin jauh regresi itu dari nilai aktual, atau nilai
residunya makin besar dan garis regresi kurang tepat digunakan untuk memprediksi.
Yang diharapkan adalah sebaliknya yaitu total residu semakin kecil sehingga garis regresi
cukup handal untuk digunakan. Dari perhitungan di atas didapat Σ|ei| = -0.78 , karena
nilainya sudah cukup kecil, dapat disimpulkan bahwa garis regresi mendekati nilai
aktual.
Untuk mendeteksi pencilan (pengamatan dengan residu terlalu besar) dilakukan langkah-
langkah berikut:
∑ 𝒆𝒊 𝟐
𝒔𝟐 =
(𝒏 − 𝟐)
2 2
2
(−0.15)2 + (−0.46) + (−0.17)
𝑠 =
(3 − 2)
𝑠 2 = 0.263
𝑠 = 0.512835
r1 r2 r3
1 (𝑥𝑖 − 𝑥̅ )2
ℎ𝑖𝑖 = +
𝑛 ∑(𝑥𝑘 − 𝑥̅ )2
Berdasarkan perhitungan laverage value, disimpulkan bahwa tidak ada pencilan terhadap
variabel panjang hidung kangguru (X) sebab nilai hii lebih kecil dari cutoff-nya 0.0888.