STATISTIKA

REGRESI DAN KORELASI LINEAR SEDERHANA

OLEH:

KELOMPOK 4

 MADE DWIKI SANDY PRADISTHA (1705511028)

 YAFET SINGANOM KANGKAM (1705511032)
 MADE DWI ADIATMA SAPUTRA (1705511050)
 DESAK AYU KRYSTINA W. K. (1705511051)
 GUNAWAN GINTING (1705511053)

TEKNIK SIPIL
FAKULTAS TEKNIK
UNIVERSITAS UDAYANA
2018
I. Regresi Linear Sederhana
Regresi adalah salah satu metode untuk membuat suatu persamaan garis
(kurva) secara matematis yang paling mewakili hubungan antara X dan Y.
Persamaan garis ini disebut sebagai persamaan regresi. Sedangkan kegunaan
regresi adalah untuk menganalisis bentuk hubungan matematis antara dua
peubah atau lebih.
Berdasarkan banyaknya peubah bebas, persamaan regresi dapat dibedakan
menjadi 2, yaitu regresi sederhana dan regresi peubah banyak (berganda).
Regresi sederhana berarti hanya terdapat satu peubah bebas, sedangkan jika
lebih dari satu peubah bebas maka disebut regresi peubah banyak.
Pengertian regresi linear adalah jika bentuk hubungan antara peubah tak
bebas (Y) dengan peubah bebas (X) berupa garis lurus (linear). Jika ada n
pasang data hasil pengukuran (X,Y) yaitu: (x1, y1) , (x2, y2), …, (xn, yn)
dimana hubungan antara peubah tak bebas Y dengan peubah bebas X bersifat
linear, maka model linear untuk populasinya dapat ditulis sebagai berikut:
Yi = β0 + β1xi + 𝜖𝑖
S = ∑𝜖𝑖 2
= ∑ ( Yi – β0 – β1xi 2 )
Besaran S ini dapat dibuat sekecil mungkin dengan mencari diferrensial
terhadap βo dan β1 kemudian disamakan dengan nol.
𝑑𝑆⁄
𝑑𝛽𝑜 = - 2 ∑ ( Yi – βo – β1xi)
𝑑𝑆⁄
𝑑𝛽1 = - 2 ∑ Xi ( Yi – βo – β1xi)
Sehingga besarnya b0 dan b1 dapat dicari melalui
∑ ( Yi – b0 – b1xi) =0
∑ Xi ( Yi – βo – β1xi) = 0
Jika dijabarkan persamaan tersebut menjadi:
∑Yi – n b0 – b1 x1i =0
∑XiYi – b0 ∑Xi – b1 ∑𝑋 2 𝑖 = 0
Atau dapat ditulis
b0. n + b1 ∑Xi = ∑Yi
b0 ∑Xi + b1 ∑𝑋 2 𝑖 = ∑𝑋𝑖𝑌𝑖
Persamaan ini disebut persamaan normal. Dari persamaan normal akan
didapatkan nilai-nilai b0 dan b1, yaitu:
∑𝑋𝑖𝑌𝑖 − [(∑𝑋𝑖)(∑𝑌𝑖)]/𝑛
𝑏1 =
∑∑𝑋 2 𝑖 − (∑𝑋𝑖)2 /𝑛
Atau
𝑛 ∑𝑋𝑖𝑌𝑖 − [(∑𝑋𝑖)(∑𝑌𝑖)]
𝑏1 =
𝑛 ∑𝑋 2 𝑖 − (∑𝑋𝑖)2
Dari persamaan normal juga akan didapatkan,
b0 = 𝑌̅ − 𝑏𝑥̅
Jadi persamaan regresi Y terhadap X dapat ditulis sebagai berikut:
Y = b0 + b1 x
= 𝑌̅ - b1 𝑥̅ + b1 x
= 𝑌̅ + b1 (x - 𝑥̅ )

II. Korelasi Linear Sederhana

Korelasi merupakan pengukur kuatnya tingkat hubungan antara dua

perubahan. Jika X dan Y merupakan dua perubah, besarnya koefisien kolerasi
antara X dengan Y dilambangkan 𝑟𝑥𝑦 (= 𝑟ℎ𝑜) dan rumusya adalah :
𝐾𝑜𝑣𝑎𝑟𝑖𝑎𝑛 (𝑋,𝑌)
XY =
√𝑉𝑎𝑟 (𝑋).𝑉𝑎𝑟(𝑌)

Dapat dicari melalui penduganya yang diperoleh dari

{(X1,Y1),(X2,Y2),(X3,Y3),…..(Xn,Yn)} dengan
∑(𝑋𝑖 − 𝑋̅ )(𝑌𝑖− 𝑌̅)
𝑟𝑥𝑦 = √{ (∑(𝑋𝑖−𝑋̅)2)((∑(𝑋𝑖−𝑌̅)2)

∑ 𝑋𝑖 𝑌𝑖 –(∑ 𝑋𝑖)(∑ 𝑌𝑖)/𝑛

𝑟̅𝑥𝑦 = 2 2
√{ (∑ 𝑋 2 𝑖−(∑ 𝑋𝑖) )(∑ 𝑌 2 𝑖−(∑ 𝑌𝑖) )}
𝑛 𝑛

∑ 𝑋𝑖 𝑌𝑖 –(∑ 𝑋𝑖)(∑ 𝑌𝑖)/𝑛

𝑟̅𝑥𝑦 =
√{ (𝑛 ∑ 𝑋 2 𝑖−(∑ 𝑋𝑖)2 )(𝑛 ∑ 𝑌 2 𝑖−(∑ 𝑌𝑖)2 )}
 Bila koefisien kolerasi berkisar antar -1 < 𝑟𝑥𝑦 < 1 jika rxy = 1 berarti

antara X dengan Y mempunyai hubungan yang sempurna dan positip. Jika 𝑟𝑥𝑦
= -1 berarti mempunyai hubungan yang negatif sempurna. Sedangkan jika
𝑟𝑥𝑦 = 0 berarti antara X dengan Y tidak ada hubungan linear.

III. Hubungan Regresi dan Kolerasi

Misalkan terdapat n pasang data (X1,Y1), (X2,Y2),……. (Xn,Yn). Kita
dapat mencari 𝑟𝑥𝑦 = 𝑟𝑦𝑥 dan jika kira menggunakan model regresi linear

sederhana Y = βo + β1 𝑋 + ∈ , maka nilai β0 dan β1 dapat diduga dengan bo dan

b1 terdapat hubungan sebagai berikut =
3
∑(𝑌𝑖 – 𝑋̅)2 2
b1 =[ ] 𝑟𝑥𝑦
∑(𝑋𝑖 − 𝑌̅)2

Sederhanakan
𝑉𝑎𝑟 (𝑌) ∑(𝑌𝑖− 𝑌̅)2 /(𝑛−1)
= ∑(𝑌𝑖− 𝑋̅)2 /(𝑛−1)
𝑉𝑎𝑟 (𝑋)
𝑠.𝑑 (𝑌)
Maka : b1 = 𝑟
𝑠.𝑑 (𝑋) 𝑥𝑦

Dapat dikatakan bahwa ada hubungan yang erat antara b1 dan 𝑟𝑥𝑦 tetapi
mempunyai interpretasi yang berbeda.
Jika 𝑟𝑥𝑦 adalah suatu ukuran hubungan keeratan antara X dan Y, sedang b1
adalah nilai ukuran perubahan dalam Y yang diprediksi bila nilai X diubah-
ubah

IV. Contoh Soal

Tabel di bawah ini menyatakan berat badan (Y) dalam pon, dan umur (X)
dalam bulan dari 12 bayi di suatu komplek perumahan
X : 8 10 12 14 15 18 19 20 21 22 23 24
Y : 18 22 23 27 31 35 34 35 36 37 40 42
Dapatkan suatu persamaan garis regresi Y terhadap X
Penyelesaian:
 50
40
30
20
10
0
8 10 12 14 15 18 19 20 21 22 23 24

Langkah pertama dibuat dulu diagram pencar dari X dan Y, ternyata dari
diagram pencar tersebut dapat terlihat bahwa Y mempunyai hubungan dengan
X secara linear. Misalkan persamaan garis regresi Y pada X adalah:
Y = b0 + b1 x , maka dari data dapat dihitung
No Xi Yi XiYi X2i Y2i
1 8 18 144 64 324
2 10 22 220 100 484
3 12 23 276 144 529
4 14 27 378 196 729
5 15 31 465 225 961
6 18 35 630 324 1225
7 19 34 646 361 1156
8 20 35 700 400 1225
9 21 36 756 441 1256
10 22 37 814 484 1359
11 23 40 920 529 1600
12 24 42 1008 576 1764
n = 12 ∑Xi =206 ∑Yi =380 ∑XiYi= 6957 ∑ X2i= 3844 ∑ Y2i= 12612

380 206
𝑌̅ = = 31,667 𝑋̅ = = 17,167
12 12
 𝑛 ∑𝑋𝑖𝑌𝑖 − [(∑𝑋𝑖)(∑𝑌𝑖)]
𝑏1 =
𝑛 ∑𝑋 2 𝑖 − (∑𝑋𝑖)2

12.(6957) − [(206)(380)] 83484 − 78280 5204

= = =
12.(3844) − (206)2 46128 − 42436 3692

= 1,41

𝑌̅ = b0 + b1𝑋̅

b0 = 𝑌̅ - b1𝑋̅ = 31,667 – 1,41(17,167)

b0 = 7,47
Sehingga didapatkan persamaan regresi:
Y = b0 + b1X
Y = 7,47 + 1,41X
Intepretasi dari persamaan tersebut adalah setiap penambahan satu satuan X,
maka Y akan bertambah sebesar 1.41 dalam satuan Y. Dengan kata lain, setiap
umur bayi bertambah satu bulan, maka berat badannya akan bertambah 1.41
pon. Jika diketahui umur seorang bayi adalah 17 bulan, maka dengan
persamaan garis regresi tersebut akan dapat diduga bahwa berat badan bayi
tersebut adalah:
Y = 7.47 + 1.41 (17) = 31.44 pon
Kedua, menghitung koefisien korelasinya dengan rumus:
∑ 𝑋𝑖 𝑌𝑖 –(∑ 𝑋𝑖)(∑ 𝑌𝑖)/𝑛
𝑟̅𝑥𝑦 =
√{ (𝑛 ∑ 𝑋 2 𝑖−(∑ 𝑋𝑖)2 )(𝑛 ∑ 𝑌 2 𝑖−(∑ 𝑌𝑖)2 )}

12𝑥6957−(206)(380)
=
√{ (12𝑥3844−(206)2 )(12𝑥12612−(380)2 )}
83484−78280
=
√{(46128−42436)(151344−144400)}
5204 5204 5204
= = =
√{ 3692)(6944)} √25637248 5063,324

= 1,03
=1
Karena 𝑟̅𝑥𝑦 = 1 maka antara X dan Y mempunyai hubungan yang sempurna
dan positif.