ANALISIS REGRESI

(REGRESSION ANALYSIS)

Oleh:
Agung Priyo Utomo, S.Si., MT.(agung@stis.ac.id)
Sekolah Tinggi Ilmu Statistik (STIS)

Agung Priyo Utomo (STIS Jakarta) 1

HUBUNGAN ANTAR VARIABEL
HUBUNGAN
ANTAR VARIABEL

HUB. FUNGSIONAL/ HUB. SECARA

MATEMATIS, y = f(x) STATISTIK, y = f(x) + ε

MODEL LINIER MODEL NON LINIER

MODEL REGRESI INTRINSIK NON INTRINSIK

Transformasi

MODEL EXP. DESIGN

DLL

Agung Priyo Utomo (STIS Jakarta) 2

 REGRESI DAN KORELASI
(Keduanya mempelajari hubungan antar variabel)

REGRESI
n  Mempelajari bentuk hubungan antar variabel melalui
suatu persamaan (RLS, RLB, Regresi non Linear).
Hubungan bisa berupa hubungan sebab akibat.
n  Dapat mengukur seberapa besar suatu variabel
mempengaruhi variabel lain
n  Dapat digunakan untuk melakukan peramalan nilai
suatu variabel berdasarkan variabel lain

Agung Priyo Utomo (STIS Jakarta) 3

 REGRESI DAN KORELASI
(Keduanya mempelajari hubungan antar variabel)

KORELASI
n  Mempelajari keeratan hubungan antar 2 variabel
kuantitatif yang bisa dilihat dari besarnya angka, bukan
tandanya
n  Dapat mengetahui arah hubungan yang terjadi
(berbanding lurus jika tandanya positif, dan berbanding
terbalik jika tandanya negatif)
n  Nilainya berkisar -1 sampai dengan 1
n  Tidak bisa menyatakan hubungan sebab akibat

Agung Priyo Utomo (STIS Jakarta) 4

Korelasi yang tinggi tidak selalu berarti bahwa
suatu variabel menyebabkan/mempengaruhi
variabel yang lain
Contoh:
(1) # kematian karena kekeringan di musim panas
# soft drink yang dikonsumsi di musin panas
High positive correlation
Apakah soft drink menyebabkan kematian?
(2) Gaji guru dan jumlah $ yang diperoleh dalam
penjualan minuman keras.
High positive correlation
Apakah guru membelanjakan uangnya untuk
membeli minuman keras?
Agung Priyo Utomo (STIS Jakarta) 5
 DEPENDENT AND INDEPENDENT
VARIABLE

¨  Dependent Variable/Variabel Tak Bebas (Y): Variabel

yang nilainya ditentukan oleh variabel lain.
Diasumsikan bersifat random/stochastic
¨  Independent Variable/Variabel Bebas (X): Variabel
yang nilainya ditentukan secara bebas (variabel yang
diduga mempengaruhi variabel tak bebas).
Diasumsikan bersifat fixed/non stochastic.

¨  Syarat :
Y: Berjenis data kuantitatif
X: Berjenis data kuantitatif atau kualitatif/kategorik
Agung Priyo Utomo (STIS Jakarta) 6
JENIS DATA UNTUK Y
¨  Data Observasi
diperoleh tanpa melakukan kontrol thd var. X
à tdk kuat menyatakan cause-effect relationships

¨  Data Eksperimen
diperoleh dengan melakukan kontrol thd var. X
à dapat menyatakan cause-effect relationships

Agung Priyo Utomo (STIS Jakarta) 7

 Examples
n  Effect of Car Age on its Price (to what degree can Car
Age predict Its Price)
n  Effect of Woman Age on Her Fertility (to what degree
can Woman Age predict Her Fertility level)
n  Effect of A Person Height on His/Her Weight (to what
degree can A Person Height predict His/Her Weight)
n  Effect of Household Income to Their Consumption
Expenditure (to what degree can Household Income
predict Their Consumption Expenditure)
n  Effect of Dow Jones Performance on Darts performance
(to what degree can Dow Jones predict Dart
performance)
Agung Priyo Utomo (STIS Jakarta) 8
 KONSEP DASAR
¨  Pada suatu nilai X tertentu akan
tdp banyak kemungkinan nilai-nilai
Y (Y akan terdistribusi mengikuti
suatu fungsi peluang tertentu à
Distribusi Normal) dengan Nilai
rata-rata E(Y) dan Nilai varians σ2
tertentu
¨  Nilai rata-rata E(Y) diasumsikan
berubah secara sistematik
mengikuti perubahan nilai X, yg
digambarkan dalam bentuk garis
linier
¨  Nilai varians σ2 pada setiap nilai X
akan sama

Agung Priyo Utomo (STIS Jakarta) 9

 PROSEDUR DALAM ANALISIS
REGRESI
1.  Identifikasi dan pembentukan model
2.  Pendugaan parameter model
3.  Pengujian keberartian parameter
4.  Penilaian ketepatan model (goodness of fit) dan
pemeriksaan asumsi

Agung Priyo Utomo (STIS Jakarta) 10

IDENTIFIKASI MODEL
Contoh Ploting Data Car Age vs Price

Scatter plot 180

(diagram pencar)
160

140

120

¨  Berguna utk 100

mengidentifikasi model

Y
80

hubungan antara variabel X 60

dan Y. 40

¨  Bila pencaran titik-titik 20

pada plot ini menunjukkan 0

0 1 2 3 4 5 6 7 8

adanya suatu
X

kecenderungan (trend) yang Relationship can be represented

linier, maka model regresi by line of best fit
linier layak digunakan.

Agung Priyo Utomo (STIS Jakarta) 11

 KETERANGAN
n  Ternyata titik-titik (plotting data) tersebut terlihat
mengelompok di sekitar garis lurus
n  Pada scatter plot tersebut, sebenarnya bisa ditarik
beberapa garis yang dekat terhadap titik-titik tersebut
n  Tujuan kita di sini adalah
1. Mencari garis yang paling tepat
2. Melakukan Peramalan
3. Ingin mengetahui hubungan yang terjadi (seberapa
besar pengaruh usia kendaraan terhadap harga
jualnya)

Agung Priyo Utomo (STIS Jakarta) 12

 Beberapa Contoh Model Regresi Linear

n  Model Regresi Linier Sederhana (Simple Linear

Regression)
!! = !! + !! !! + !! i = 1, 2, …, n
n  Model Regresi Kuadratik (Regresi Polinomial orde 2)

n  Model Regresi Linier Berganda (Multiple Linear

Regression)

n  dan lain-lain

Agung Priyo Utomo (STIS Jakarta) 13