1
Hubungan Dua Peubah atau Lebih
1.Dosis pupuk Diduga dosis Dosis pupuk ditentukan Perubahan banyaknya padi yg
2.Banyaknya pupuk dahulu, faktor-faktor lain dihasilkan/ha dipengaruhi oleh
padi yg di- mempengaruhi yg mempengaruhi perubahan dosis pupuk
hasilkan /ha banyaknya padi banyaknya padi diken- HUB SEBAB AKIBAT
yg dihasilkan/ha dalikan sehingga
pengaruhnya konstan,
ke-mudian diamati
banyaknya padi yg
dihasilkan
1.Tinggi badan Diduga tinggi Dimulai dengan Pengamatan thdp kedua
2.Berat badan badan dan berat mengamati tinggi badan peubah dilakukan secara
badan memiliki da-hulu, disusul bersamaan. Sulit untuk
hubungan mengamati peubah yg mengatakan bahwa peru-
dianggap relevan (berat bahan satu peubah
badan), atau sebaliknya. disebabkan oleh perubahan
peubah lainnya
bukan HUB SEBAB AKIBAT
Ingin diketahui kekuatan dan
arah hubungannya
2
Hubungan Dua Peubah atau Lebih (2)
PEUBAH KASUS PENGUMPULAN DATA JENIS HUBUNGANNYA
1. Jenis/tipe 3.Ukuran
hubungan Keterkaitan
2. Skala 4. Pemodelan
pengukuran Keterkaitan
variabel
5
Relationship vs Causal Relationship
6
Alat Analisis Keterkaitan/Hubungan
• Ditentukan oleh:
1. Skala pengukuran data/variabel
2. Jenis hubungan antar variabel
7
Hubungan Sebab Akibat
(Causal Relationship)
Variabel X
Variabel Y
Numerik Kategorik
8
9
10
Korelasi
r=1 r=0
r=0 r =110
Korelasi
12
Koefisien Korelasi (r)
• Tidak menggambarkan hubungan sebab
akibat
• Nilainya berkisar antara -1 dan 1
• Tanda (+) atau (-) arah hubungan
o (+) searah;
o (-) beralawanan arah
• Koefisien Korelasi Pearson hubungan linier
• Koefisien Korelasi Spearman (rank correlation)
trend relationship
13
Koefisien Korelasi Pearson (r)
S xy
rxy
S xx S yy
S xy ( xi x )( yi y )
S xx ( xi x ) dan S yy ( yi y )
2 2
Notasi lain:
14
Korelasi !!!
15
Contoh
Diketahui data pengeluaran iklan (x milyar)
dengan total profit penjualan suatu produk
komputer perbulan (y milyar) selama 4 bulan
sebagai berikut:
x : 2 1 5 0
y : 5 3 6 2
a. Buat scatter plot untuk data tersebut.
b. Hitung koefisien korelasinya.
16
(a) Scatter Plot : x dengan y
17
(b) Koefien Korelasi (r)
18
Mendenhall : Example 12.7, hlm. 534
19
Mendenhall : Example 12.7, hlm. 534
20
21
Definisi
• Linier (linear) : linier dalam parameter
• Sederhana (simple) : hanya satu peubah
penjelas (x)
• Berganda (multiple) : lebih dari satu peubah
penjelas (x)
22
linear
Hubungan
Regresi Linear parameter
non
satu linear
Peubah
penjelas (X)
Multiple
Linear
Regression
23
ANALISIS REGRESI
• Hubungan Antar Peubah:
o Fungsional (deterministik) Y=f(X) ; misalnya:
Y=10X
o Statistik (stokastik) amatan tidak jatuh pas pada
kurva
o Misal: IQ vs Prestasi, Berat vs Tinggi, Dosis Pupuk vs
Produksi, Profit vs Biaya Iklan
Yi 0 1 X i i ; i 1,2,..., n
24
Regresi
Makna 0 & 1 ?
26
Analisis Regresi
• Pendugaan terhadap koefisien regresi:
b0 penduga bagi 0 dan b1 penduga bagi 1
( x)( y )
S xy xy n Metode
b1
S xx
x 2
( x ) 2 Kuadrat Terkecil
(Least Square)
n
b0 y b1 x
27
Analisis Regresi
28
Metoda Kuadrat Terkecil
29
Metoda Kuadrat Terkecil
30
Keragaman yang Dapat Dijelaskan dan yang Tidak
Dapat Dijelaskan oleh Model
31
Contoh Data
Apakah semakin besar biaya iklan yang
dikeluarkan akan semakin besar pula profit
Iklan Profit
yang diperoleh? 31 553
Diamati contoh acak 10 perusahaan yang 38 590
memproduksi Laptop, kemudian dicatat 48 608
pengeluaran iklan (dalam milyar) dan profit 52 682
63 752
(dalam milyar) selama tahun 2015.
67 725
a. Buat scatter plotnya dan jelaskan. 75 834
b. Tentukan persamaan model regresinya. 84 752
c. Tentukan penduga bagi parameter 89 845
model regresi tersebut. 99 960
32
Penyelesaian :
Plot antara pengeluaran Iklan(milyar) dg
Profit (milyar)
950
850
Emisi
Profit 750
(Y)
650
550
30 40 50 60 70 80 90 100
Jarak
Iklan (X)
Model : Yi 0 1 X i i ; i 1,2,..., n
33
Penyelesaian :
x y x2 y2 xy
31 553 961 305,809 17,143
38 590 1,444 348,100 22,420
48 608 2,304 369,664 29,184
52 682 2,704 465,124 35,464
63 752 3,969 565,504 47,376
67 725 4,489 525,625 48,575
75 834 5,625 695,556 62,550
84 752 7,056 565,504 63,168
89 845 7,921 714,025 75,205
99 960 9,801 921,600 95,040
Jumlah 646 7,301 46,274 5,476,511 496,125
Analysis of Variance
Source DF SS MS F P
Regression 1 131932 131932 74.76 0.000
Error 8 14118 1765
Total 9 146051
35
Uji Hipotesis
Bagaimana Pengujian terhadap model regresi ??
• parsial (per koefisien) uji-t
• bersama uji-F (Anova)
36
Uji Hipotesis : H0 : 1=0 vs H1: 10
n n n
( y y ) ( yˆ y ) ( y yˆ )
i 1
i
2
i 1
i
2
i 1
i i
2
b1 1
t hitung Sb1 disebut galat baku (standard of
Sb 1 error) bagi b1 SE(b1)
2
s
S b1
i
( x x ) 2
Tolak Ho jika:
SSE |t-hit| > t(/2; db=n-2)
s
2
n2
38
Uji Hipotesis (2) H0 : 1=0 vs H1: 1>0
b1 1
t hitung
Sb 1
s 2 Tolak Ho jika:
S b1
i
t-hit > t(; db=n-2)
( x x ) 2
SSE
s
2
n2
39
Uji Hipotesis (3) H0 : 1=0 vs H1: 1<0
b1 1
t hitung
Sb 1
s 2 Tolak Ho jika:
S b1
i
t-hit < - t(; db=n-2)
( x x ) 2
SSE
s
2
n2
40
Latihan (1)
41
Jawaban Ringkas H0 : 1=0 vs H1: 10
b1 1 b1 0
( 4 ). t hitung = 5.39/0.623 = 8.64
Sb 1 Sb 1
s2
( 3 ). Sb1 = √(S2/Sxx) = √(1,764.81/4,542.4) = 0.623
i
( x x ) 2
( 1 ). = 14,118.45
43
Jawaban Ringkas H0 : 1=0 vs H1: 1> 0
b1 1 b1 0
( 4 ). t hitung = 5.39/0.623 = 8.64
Sb 1 Sb 1
s2
( 3 ). Sb1 = √(S2/Sxx) = √(1,764.81/4,542.4) = 0.623
i
( x x ) 2
( 1 ). = 14,118.45
45
Latihan (4)
46
Koefisien Determinasi (R2)
= = = 0.903 = 90.3%
47
Keterbatasan Korelasi
dan Regresi Linear
• Korelasi dan Regresi Linear hanya
menggambarkan hubungan yang linear
• Korelasi dan metode kuadrat terkecil pada regresi
linear tidak resisten terhadap pencilan
• Prediksi di luar selang nilai X tidak diperkenankan
karena kurang akurat
• Hubungan antara dua variabel bisa dipengaruhi
oleh variabel lain di luar model
48
Catatan
• Apa itu analisis regresi?
• Apa bedanya dengan korelasi?
49
PR/Tugas
Dikumpulkan di TU Dept Statistika, pada hari Senin minggu depan
sebelum jam 12.00 (via Ibu Mar)
50
Terima Kasih
51