Tugas kelompok 6 statistika industri

Analisis Regresi

1. Adibul athfal
2. A. soleh
3.

Teori Regresi
Metoda analisis yang telah dibicarakan sampai sekarang adalah analisis terhadap data mengenai
sebuah karakteristik atau atribut (jika data itu kualitatif) dan mengenai sebuah variabel , diskrit
ataupun kontinu (jika data itu kuantitatif). Tetapi, sebagaimana disadari, banyak persoalan atau
fenomena yang meliputi lebih dari sebuah variabel. Misalnya : berat orang dewasa laki-laki
sampai taraf tertentu bergantung pada tingginya, tekanan semacam gas bergantung pada
temperatur, hasil produksi padi tergantung pada jumlah pupuk yang digunakan, banyak hujan,
cuaca dan sebagainya. Akibatnya, terasa perlu untuk mempelajari analisis data yang terdiri atas
banyak variabel.

Definisi Regresi
Jika kita mempunyai data yang terdiri atas dua atau lebih variabel, adalah sewajarnya untuk
mempelajari cara bagaimana variabel-variabel itu berhubungan. Hubungan yang didapat pada
umumnya dinyatakan dalam bentuk persamaan matematik yang menyatakan hubungan
fungsional antara variabel-variabel. Studi yang menyangkut masalah ini dikenal dengan analisis
regresi. Analisis regresi dilakukan untuk mengestimasi atau menduga nilai variabel terikat (tidak
bebas) atau dependent variable dengan syarat bahwa nilai variabel terkait (variabel
independen/bebas). Penetuan variabel mana yang bebas dan mana yang terkait dalam beberapa
hal tidak mudah dilaksanakan. Studi yang cermat, diskusi yang seksama (dengan para pakar),
berbagai pertimbangan, kewajaran masalah yang dihadapi dan pengalaman akan membantu
memudahkan penetuan kedua variabel tersebut.

a. Variabel yang akan diduga disebut variabel terikat (tidak bebas) atau dependent variable,
biasa dinyatakan dengan variabel Y.
b. Variabel yang menerangkan perubahan variabel terikat disebut variabel bebas atau
independent variable, biasa dinyatakan dengan variabel X.

Untuk menentukan persamaan hubungan antarvariabel, langkah-langkahnya sebagai berikut :

1. Mengumpulkan data dari variabel yang dibutuhkan misalnya X sebagai variabel bebas
dan Y sebagai variabel tidak bebas.
2. Menggambarkan titik-titik pasangan (x,y) dalam sebuah sistem koordinat bidang. Hasil
dari gambar itu disebut Scatter Diagram (Diagram Pencar/Tebaran) dimana dapat
dibayangkan bentuk kurva halus yang sesuai dengan data. Kegunaan dari diagram pencar
adalah :

 Membantu menunjukkan apakah terdapat hubungan yang bermanfaat antara dua

variabel.
 Membantu menetapkan tipe persamaan yang menunjukkan hubungan antara
kedua variabel tersebut.

3. Menentukan persamaan garis regresi atau mencari nilai-nilai konstan.

Analisis Agresi

Analisis regresi merupakan alat analisis statistik yang memanfaatkan hubungan antara dua
variabel atau lebih. Tujuannya adalah untuk membuat perkiraan (prediksi) yang dapat dipercaya
untuk nilai suatu variabel (variabel terikat atau variabel dependen), jika nilai variabel lain yang
berhubungan dengannya diketahui (variabel bebas atau variabel independen).
 Persamaan regresi adalah persamaan matematik yang memungkinkan untuk meramalkan
nilai-nilai suatu variabel terikat dari nilai-nilai satu atau lebih variabel bebas. Regresi ini dapat
diterapkan pada semua jenis peramalan, dan tidak harus berimplikasi suatu regresi mendekati
nilai tengah populasi.

Analisis regresi linear sederhana adalah analisis regresi linear yang hanya melibatkan dua
variabel, yaitu satu variabel independen dan satu variabel dependen. Bila diberikan data contoh
[(xi, yi); I = 1,2 … n], maka nilai dugaan kuadrat terkecil bagi parameter dalam garis regresi
sederhana, yaitu :

y = β0 + β1x + ε

dimana

y = variabel dependen;

β0 = titik potong kurva terhadap sumbu Y;

β1 = kemiringan kurva linear;

x = variabel independen;

dan ε = variabel pengganggu (residual)

Jika variabel yang digunakan pada analisis regresi linear sederhana hanya dua yaitu satu variabel
dependen dan satu variabel independen, maka jumlah variabel yang digunakan pada analisis
regresi berganda lebih dari dua, yaitu satu variabel dependen dan selebihnya adalah variabel
independen.

Y = β0 + β1 X1 + β2 X2 + … + βp Xp + ε

Dimana:
Y : variabel dependen

β0 : intercept
Xk : variabel independen (k = 1, 2, …, p)

βk : koefisien regresi pada variabel Xk (k = 1, 2, …, p)

ε : variabel pengganggu / residual
A. Jenis-Jenis Regresi

1. Regresi Linier

a. Regresi Linier Sederhana

Setelah kita dapat menentukan parameter-parameter diatas, maka tugas yang dihadapi
sekarang adalah, berdasarkan sebuah sampel, persamaan regresi populasi yang persamaan
umumnya ditulis seperti rumus dibawah ini, akan ditentukan, atau lebih tepat akan ditaksir.
Ini dapat dilakukan dengan jalan menaksir parameter-parameternya. Untuk regresi linier
sederhana, perlu ditaksir parameter . Jika ditaksir oleh a dan b, maka regresi linier
berdasarkan sampel dirumuskan sebagai berikut :

Keterangan :
Y= nilai yang diukur/dihitung pada variabel tidak bebas
x = nilai tertentu dari variabel bebas
a = intersep/ perpotongan garis regresi dengan sumbu y
b= koefisien regresi / kemiringan dari garis regresi / untuk mengukur kenaikan atau
penurunan y untuk setiap perubahan satu-satuan x / untuk mengukur besarnya pengaruh x
terhadap y kalau x naik satu unit.
Regresi linier dapat diketehui apabila terlihat hubungan antara variabel bebas dengan
variabel terikat berbentuk sebuah garis lurus kalau kita gambarkan dalam sebuah diagram
pencar. Bila hubungan linier demikian ini ada, maka kita berusaha menyatakan secara
matematik dengan sebuah persamaan garis lurus yang disebut dengan garis regresi linear.
b. Regresi linear Ganda.
Banyak data pengamatan yang terjadi sebagai akibat lebih dari dua variabel. Misalnya,
rata- rata pertambahan berat daging sapi bergantung kepada berat permulaan , umur sapi
ketika mulai mulai dilakukan, berat mkanan yang diberikan setiap hari dan mungkin masih
ada factor lain. Persamaan garis linearnya dinyatakan dalam bentuk :
Dengan merupakan koefisien – koefisien yang harus ditentukan berdasrkan data hasil
pengamatan.
2. Regresi Non Linier

Jika dalam suatu distribusi sampel tidak dapat dilakukan dengan pendekatan regresi linier,
maka dari itu kita perlu memperbaikinya dengan regresi non linier. Dari sekian banyaknya
model regresi non linier, disini hanyalah akan ditinjau beberapa regresi yang mudah,
diantranya sebagai berikut :

a. Regresi Kuadratik.
Taksiran untuk model parabola kuadratik mempunyai persamaan umum :

dimana koefisien koefisien a, b, c harus ditentukan berdasrkan data hasil pengamatan.

b. Regresi Parabola Kubik

Persamaan umum untuk perkiraan model ini adalah :

dengan koefisien-koefisieen a, b, c dan d dapat dihitung dari data hasil pengamatan .

Makin tinggi pangkat X dalam persamaan regresi, maka banyak sistem persamaan
yang harus diselesaikan. Untuk penyelesaian yang lebih baik dan capat memerlukan
matematika yang teorinya lebiuh jauh atau dapat pula diselesaikan dengan bantuan
komputer. Karenanya hal ini akan kita tinggalkan mengingat sudah keluar dari tujuan
penulisan laporan ini.

c. Regresi Eksponensial
Bila segugus data tampaknya paling baik disajikan melalui kurava regresi yang tak
linier, maka kita harus mencoba menetukan bentuk kurvanya dan menduga
parameternya. Adakalanya diaram pencarnya menunjukan bahwa nilai tengahnya
dapat disajikan dengan baik melalui sebuah kurva eksponensial yang mempunyai
persamaan :

Dengan mengambil logaritma berbasis 10, kita kan mendapatkan persamaan yang baru
sebagai berikut :
 Apabila diambil , mak diperoleh model :

dan ini adalah model linier dengan a’, dan b’ dapat dihitung. Selanjutnya karena a’ =
log a dan b’ = log b, maka adan b juga dapt dihitung.
Langsung didalam logaritma, maka a dan b dapat dicari dengan rumus :

d. Regresi Model Geometrik

Seperti halnya dengan model eksponensial, maka model geometrik juga dapat
dikembalikan kedalam model linier. Persamaan umum model ini ditaksir oleh bentuk :
Jika diambil logaritmanya, maka :
e. Model Logistik
Bentuk yang paling sederhana dari model ditaksir oleh persamaan :
Jika diambil logaritmanya, maka didapat :

B. Perhitungan Koefisien Regresi

Pada regresi linear maka koefisien regresinya adalah parameter a dan b maka dapat dihitung
dengan menggunakan rumus berikut:

Dengan dan masing- masing rata- rata untuk variabel- variabel X dan Y

C. Uji Kelinieran Regresi

Uji kelinieran regresi adalah menguji apakah model linier yang telah diambil itu betul- betul
cocok dengan keadaannya ataukah tidak cocok dengan keadaannya. Jika hasil pengujian
mengatakan model linier kurang cocok maka selayaknya harus diambil model lain yang non
linier. Agar supaya JKres dapat dipecah , maka kita perlu menghitung jumlah kuadrat- kuadrat
kekeliruan eksperimen yang disingkat dengan JK(E)

Dengan tanda jumlah yang pertama diambil untuk semua harga X. jumlah kuadrat – kuadrat
untuk tuna cocok model linier(JK(TC)), didapat dengan mengurangi JKres oleh JK(E). dari
daftar analisis varians untuk uji kelinieran regresi didapatkan dua hasil yaitu:
a. F = S reg / S2res untuk uji independent
b. F = S Tc / S2e yang akan dipakai untuk menguji tuna cocok regresi linier. Dalam hal ini,
kita tolak hipotesis model regresi lineir jika F
untuk menghitung distribusi F maka bisa digunakan rumus :