Biaya Promosi 40 20 25 20 30 50 40 20 50 40 25 50
Volume
Penjualan 385 400 395 365 475 440 490 420 560 525 480 510
2. Mencari nilai a
∑𝑦 − 𝑏∑𝑥
𝑎=
𝑛
5445 − 3,22(410)
𝑎=
12
4124,8
𝑎=
12
𝑎 = 343,73
400
300
200
100
0
0 20 40 60
Biaya Promosi
Analisis korelasi adalah suatu cara atau metode untuk mengetahui derajat
hubungan linier antar dua variabel.
Derajat korelasi suatu hubungan linier yaitu antara -1 hingga 1. Apabila suatu
hubungan linier berderajat -1 maka hubungan antara kedua variabel sangat kuat
negatif, sedangkan apabila berderaat 1 maka hubungan antara kedua variabel
sangat kuat positif. Jika mendekati 0 maka kedua variabel hubungannya semakin
lemah.
Contoh berdasarkan soal di atas, menghitung nilai korelasinya yaitu :
𝑛 ∑ 𝑥𝑦 − (∑ 𝑥)(∑ 𝑦)
𝑟=
√[𝑛 ∑ 𝑥 2 − (∑ 𝑥)2 ][𝑛 ∑ 𝑦 2 − (∑ 𝑦)2 ]
10(1913250) − (410)(5445)
𝑟=
√[12(15650) − (410)2 ][12(2512925) − (5445)2 ]
𝑟 = 0,6348
Nilai dari koefisien korelasinya adalah 0,6348. Hal ini berarti hubungan antara
biaya promosi dengan volume penjualannya memiliki hubungan yang positif dan
lumayan kuat
Metode least square adalah metode yang meminimumkan jumlah kuadrat error atau
sum square error (SSE), sehingga rumus:
Jumlah kuadrat error akan mencapai minimum jika turunan terhadap b0 dan turunan
terhadap b1 sama dengan nol. Dengan menggunakan turunan dan sifat sifat dari sigma,
maka diperoleh persamaan seperti di bawah ini:
Turunan terhadap bo:
Dengan mensubstitusikan (i) dan (ii), maka diperoleh bo dan b1 sebagai berikut:
Sumber: https://www.rumusstatistik.com/2015/03/metode-least-square-pada-regresi-
linier.html
Penurunan Rumus Regresi Sederhana dengan Metode
Maximum Likelihood Estimation (MLE)
𝑌𝑖 = 𝛽0 + 𝛽1 𝑥𝑖 + 𝜀𝑖
𝛽̂0 = 𝑦̂ − 𝛽̂1 𝑥̂
𝑛
∑ (𝑥𝑖 −𝑥̅ )𝑦𝑖
𝛽̂1 = ∑𝑖=1
𝑛 (𝑥
−𝑥̅ )2
𝑖=1 𝑖
1
𝜎̂ = 𝑛 ∑𝑛𝑖=1(𝑦𝑖 − 𝛽̂0 − 𝛽̂1 𝑥𝑖 )2
Pembuktian:
𝑛
2)
1 1
𝐿(𝛽0 , 𝛽0 , 𝜎 =∏ 𝑒𝑥𝑝 [− 2
(𝑦𝑖 − 𝛽0 − 𝛽1 𝑥𝑖 )2 ]
√2𝜎 2 2𝜎
𝑖=1
𝑛
2)
1 1
ln 𝐿(𝛽0 , 𝛽0 , 𝜎 = ln [∏ 𝑒𝑥𝑝 [− (𝑦 − 𝛽0 − 𝛽1 𝑥𝑖 )2 ]]
√2𝜎 2 2𝜎 2 𝑖
𝑖=1
𝑛
𝑛 1
= − ln(2𝜋𝜎 2 ) − 2 ∑(𝑦𝑖 − 𝛽̂0 − 𝛽̂1 𝑥𝑖 )2
2 2𝜎
𝑖=1
Turuna ln L terhadap 𝜷𝟎
𝑛 1
𝜕(ln 𝐿(𝛽0 , 𝛽0 , 𝜎 2 )) 𝜕 (− 2 ln(2𝜋𝜎 2 ) − 2 ∑𝑛𝑖=1(𝑦𝑖 − 𝛽̂0 − 𝛽̂1 𝑥𝑖 )2 )
= 2𝜎
𝜕𝛽0 𝜕𝛽0
𝑛
1
0 = 2 2 ∑(𝑦𝑖 − 𝛽̂0 − 𝛽̂1 𝑥𝑖 ) (−1)
2𝜎
𝑖=1
𝑛 𝑛
0 = ∑ 𝑦𝑖 − 𝑛𝛽̂0 − 𝛽̂1 ∑ 𝑥𝑖
𝑖=1 𝑖=1
𝑛 𝑛
𝑛𝛽̂0 = ∑ 𝑦𝑖 − 𝛽̂1 ∑ 𝑥𝑖
𝑖=1 𝑖=1
𝛽̂0 = 𝑦̂ − 𝛽̂1 𝑥̂
Turunan ln L terhadap 𝜷𝟏
𝑛 1
𝜕(ln 𝐿(𝛽0 , 𝛽0 , 𝜎 2 )) 𝜕 (− 2 ln(2𝜋𝜎 2 ) − 2 ∑𝑛𝑖=1(𝑦𝑖 − 𝛽̂0 − 𝛽̂1 𝑥𝑖 )2 )
= 2𝜎
𝜕𝛽1 𝜕𝛽1
𝑛
1
0 = 2 2 ∑(𝑦𝑖 − 𝛽̂0 − 𝛽̂1 𝑥𝑖 ) (−𝑥𝑖 )
2𝜎
𝑖=1
𝑛 𝑛 𝑛
0 = ∑ 𝑥𝑖 𝑦𝑖 − 𝛽̂0 ∑ 𝑥𝑖 − 𝛽̂1 ∑ 𝑥𝑖 2
𝑖=1 𝑖=1 𝑖=1
𝑛 𝑛 𝑛
∑𝑛𝑖=1 𝑦𝑖 𝛽̂1 ∑𝑛𝑖=1 𝑥𝑖
𝛽̂1 ∑ 𝑥𝑖 2
= ∑ 𝑥𝑖 𝑦𝑖 − [ − ] ∑ 𝑥𝑖
𝑛 𝑛
𝑖=1 𝑖=1 𝑖=1
𝑛 𝑛
∑𝑛𝑖=1 𝑥𝑖 ∑𝑛𝑖=1 𝑦𝑖 𝛽̂1 (∑𝑛𝑖=1 𝑥𝑖 )2
𝛽̂1 ∑ 𝑥𝑖 2 = ∑ 𝑥𝑖 𝑦𝑖 − −
𝑛 𝑛
𝑖=1 𝑖=1
𝑛 𝑛
𝛽̂1 (∑𝑛𝑖=1 𝑥𝑖 )2 ∑𝑛𝑖=1 𝑥𝑖 ∑𝑛𝑖=1 𝑦𝑖
̂ 2
𝛽1 ∑ 𝑥𝑖 + = ∑ 𝑥𝑖 𝑦𝑖 −
𝑛 𝑛
𝑖=1 𝑖=1
𝑛 𝑛
(∑𝑛𝑖=1 𝑥𝑖 )2 ∑𝑛𝑖=1 𝑥𝑖 ∑𝑛𝑖=1 𝑦𝑖
𝛽̂1 (∑ 𝑥𝑖 2 + ) = ∑ 𝑥𝑖 𝑦𝑖 −
𝑛 𝑛
𝑖=1 𝑖=1
∑𝑛𝑖=1 𝑥𝑖 ∑𝑛𝑖=1 𝑦𝑖
∑𝑛𝑖=1 𝑥𝑖 𝑦𝑖 −
𝛽̂1 = 𝑛
𝑛
(∑ 𝑥 )2
∑𝑛𝑖=1 𝑥𝑖 2 + 𝑖=1 𝑖
𝑛
∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )𝑦𝑖
𝛽̂1 =
∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )2
Turunan ln L terhadap 𝝈𝟐
𝑛 1
𝜕(ln 𝐿(𝛽0 , 𝛽0 , 𝜎 2 )) 𝜕 (− 2 ln(2𝜋𝜎 2 ) − 2 ∑𝑛𝑖=1(𝑦𝑖 − 𝛽̂0 − 𝛽̂1 𝑥𝑖 )2 )
= 2𝜎
𝜕𝜎 2 𝜕𝜎 2
𝑛
𝑛 1 1 2 −2
0=− − ( (𝜎 ) ) ∑(𝑦𝑖 − 𝛽0 − 𝛽1 𝑋𝑖 )2 (−1)
2 𝜎2 2
𝑖=1
𝑛
𝑛 1 1
2
= ( (𝜎 2 )−2 ) ∑(𝑦𝑖 − 𝛽0 − 𝛽1 𝑋𝑖 )2
2𝜎 2
𝑖=1
𝑛
1
𝜎̂ = ∑(𝑦𝑖 − 𝛽̂0 − 𝛽̂1 𝑥𝑖 )2
𝑛
𝑖=1