MATERI - 16034308 - Statistik Dan Probabilistik V1 - 11

ANALISIS REGRESI 1
Pokok Bahasan :
REGRESI LINIER
SEDERHANA
Deskripsi Model
Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Macam-macam Model Regresi
Model Regresi
1 peubah penjelas > 1 peubah penjelas

Sederhana Berganda
Linier Non Linier Linier Non Linier
Polinom Multiplikatif Reciprocal Log Eksponensial

Contoh :
Macam-macam Model Regresi
 Sederhana
 Linier
 Hubungannya linier Y  β0  β1x  ε
 Non Linier
 Polinom Y  β0  β1x 2  ε
 Multiplikatif Y  β0 x β1
ε
Y  β 0eβ1 x .ε
β1
 Eksponensial Y  β0 e x
ε
 Reciprocal 1
β 0  β1x  ε
Model Regresi Linier Sederhana
(yang hubungannya linier ordo x=1 )
 Linier dalam parameter

 Sederhana = banyaknya peubah bebas/penjelas hanya satu
 Hubungan antara X dan Y dinyatakan dalam fungsi linier/ordo 1
 Perubahan Y diasumsikan karena adanya perubahan X
 Model populasi regresi linier sederhana yang hubungannya linier
(selanjutnya cukup sebut “regresi linier sederhana”) :
Y  β0  β1x  ε
Dengan :
0 dan 1 adalah parameter regresi
 adalah galat/eror (peubah acak)
Y adalah peubah tak bebas (peubah acak)
X adalah peubah bebas yang nilainya diketahui
dan presisinya sangat tinggi (bukan peubah acak)
Dugaan dan Interpretasi
Parameter Model

Asumsi Model Regresi Linier
 Bentuk hubungannya linear (Y merupakan fungsi linier

dari X, plus galat yang acak)
 Galat εi adalah peubah acak yang bebas thdp nilai x
 Galat merupakan peubah acak yang menyebar Normal
dengan rataan 0 dan memiliki ragam konstan, σ2
(sifat ragam yang konstan/homogen ini disebut homoscedasticity)
E[ε i ]  0 dan E[ε i ]  σ 2 untuk (i  1, , n)

2
 Galat εi, tidak berkorelasi satu dengan yang lainnya,

sehingga E[ε ε ]  0 , i  j atau cov[ε , ε ]  0 , i  j
i j i j

Interpretasi Parameter Model
Regresi Linier Sederhana
Model Regresi Linier Sederhana (populasi) :

Peubah tak Intersep Y Koefisien Peubah bebas/ Galat/eror
bebas/ kemiringan Peubah penjelas
populasi
populasi
Peubah respon
Y  β 0  β1X  ε
Komponen linier (fix) Komponen acak
Y : peubah tak bebas/respon merupakan peubah acak dengan pusat/

nilai harapan di β 0  β1X dan ragam  2

Interpretasi Parameter Model
(lanjutan)
Y Y  β0  β1X  ε
Nilai
pengamatan Y yi
untuk Xi
εi Slope = β1
Nilai Sisaan/galat
E[Y | xi ]
harapan/rataan untuk xi
Y untuk xi
yi  β 0  β1xi  εi
Intersep = β0 yi  E[Y | xi ]   i
E[Y | x i ]  β0  β1 xi
xi X
Dugaan Persamaan Garis
Dugaan persamaan garis regresi linier sederhana
Nilai dugaan Dugaan bagi

Dugaan bagi
y pada kemiringan garis
intersep β0
pengamatan regresi β1
ke - i
Nilai x pada
ŷi  b0  b1x i pengamatan

ke - i
Sisaan ei mempunyai rataan sebesar nol
ei  (yi - yˆ i )  yi - (b0  b1xi )

Interpretasi koefisien kemiringan
dan intersep
 b0 adalah nilai dugaan rataan y

ketika x bernilai nol (jika x = 0 dalam
selang pengamatan)
 b1 adalah nilai dugaan perubahan

rataan y (nilai harapan Y) jika x
berubah satu satuan

Pendugaan
Parameter Regresi

Menduga Persamaan Regresi
 Menduga persamaan regresi linier sederhana

= menduga parameter-parameter regresi β0
dan β1 :
 Penduga parameter yang dihasilkan harus
merupakan penduga yang baik
 Software statistik, seperti Minitab, SAS, SPSS, dll.
banyak digunakan

(lanjutan)
Metode Kuadrat Terkecil

 b0 dan b1 adalah dugaan bagi parameter regresi β0
dan β1 yang didapat salah satunya dengan cara
meminimumkan jumlah kuadrat galat (JKG).
Galat/sisaan = selisih antara y dan ŷ  Metode
Kuadrat Terkecil (MKT) :
min JKG  min e 2

i
 min  (y i ŷ i ) 2
 min  [y i  (b 0  b1x i )]2
Teknik kalkulus digunakan untuk mendapatkan nilai bo dan b1
sedemikian hingga meminimumkan JKG
(lanjutan)
Metode Kuadrat Terkecil
 Penduga bagi koefisien kemiringan garis β1 ialah:

Koefisien
SXY Korelasi
n Pearson
 (x i  x)(yi  y)
S XY sY
b1  i 1
n
  rxy
 i
S XX sX
(x  x) 2
i 1
SXX
 Penduga bagi intersep β0 ialah:
b0  y  b1x
 Garis regresi selalu melalui titik x, y

(lanjutan)
Asumsi Metode Kuadrat Terkecil (MKT)

Kondisi Gauss - Markov
Agar penduga bagi parameter regresi yang

didapatkan dengan menggunakan MKT merupakan
penduga yang baik maka sisaan/galat harus
memenuhi kondisi Gauss-Markov berikut ini :
1. E[ i ]  0 nilai - harapan/rataan sisaan  nol
2. E[ i ]   2
2
ragam sisaan homogen untuk setiap nilai x
( homoscedas ticity )
3. E[ i j ]  0, i  j  i dan  j saling bebas

Contoh
 Sebuah agen real-estate ingin mengetahui

hubungan antara harga jual sebuah rumah
dengan luas lantainya (diukur dalam m2)
10 buah rumah diambil secara acak sebagai contoh

 Peubah tak bebas (Y) = harga rumah (juta rupiah)
 Peubah bebas (X) = luas lantai (m2)

Contoh Regresi Linier Sederhana
(lanjutan)
Data contoh Harga Rumah
Harga Rumah (Rp.juta) (Y) Luas Lantai (m2) (X)
245 1400
312 1600
279 1700
308 1875
199 1100
219 1550
405 2350
324 2450
319 1425
255 1700

(lanjutan)
Tebaran Harga Rumah vs Luas Lantai

Scatterplot of Harga Rumah vs Luas Lantai Model Regresi-nya
Y   0  1 x  
800
700
600
Persamaan Garis
500
Harga Rumah
Regresi-nya
400
300
Y   0  1 x
200
100
Diduga dengan :
0
1000 1200 1400 1600 1800 2000 2200 2400 2600
Luas Lantai Yˆ  b0  b1 x

(lanjutan)

Harga Rumah Luas Lantai
(Rp.juta) (Y) (m2) (X)
245 1400
312 1600
279 1700 FILM :
308 1875
MEMBUAT TEBARAN
“HARGA RUMAH” vs ”LUAS LANTAI”
199 1100
MENGGUNAKAN MINITAB
219 1550
405 2350
324 2450
319 1425 Klik di sini
255 1700

(lanjutan)
MENDUGA PARAMETER REGRESI : OUTPUT MINITAB
Regression Analysis: Harga Rumah versus Luas Lantai
The regression equation is Dugaan

Harga Rumah = 98,2 + 0,110 Luas Lantai Persamaan
Garis Regresi-
b nya
Predictor 0 Coef SE Coef T P
Constant 98,25 58,03 1,69 0,129
Luas Lantai 0,10977 0,03297 3,33 0,010
b
S = 41,3303 R-Sq1 = 58,1% R-Sq(adj) = 52,8%

(lanjutan)

(Rp.juta) (Y) (m2) (X)
245 1400
312 1600
279 1700 FILM :
308 1875
MENDUGA GARIS REGRESI
MENGGUNAKAN MINITAB
199 1100
219 1550
405 2350
324 2450
255 1700

(lanjutan)
Tampilan Grafik
 Model Harga Rumah: scatter plot dan
garis regresi
450
Harga Jual Rumah (Rp.juta)
400
350 Kemiringan
300
250
= 0.10977
200
150
100
50
Intersep 0
= 98.248 0 500 1000 1500 2000 2500 3000
Luas Lantai (m2)
harga rumah  98.24833  0.10977 (luas lantai)

(lanjutan)

Harga
Luas Lantai
Rumah
(m2) (X)
(Rp.juta) (Y)
245 1400
FILM :
312 1600
MEMBUAT TEBARAN ANTARA
279 1700
“HARGA RUMAH”
308 1875
dengan
199 1100
“LUAS LANTAI”
219 1550
& GARIS REGRESI-nya
405 2350
MENGGUNAKAN MINITAB
324 2450
319 1425
(lanjutan)
Interpretasi Intersep b0

 b0 adalah nilai dugaan bagi nilai rataan
Y ketika X bernilai nol (jika X = 0 di
dalam selang pengamatan)
 Dalam hal ini tidak ada rumah yang memiliki luas lantai=0,
jadi b0 = 98.24833 hanya mengindikasikan bahwa : untuk
luas lantai yang berada dalam selang pengamatan, Rp
98.248.330,- adalah bagian harga rumah yang tidak
diterangkan oleh luas lantai

(lanjutan)
Interpretasi koefisien kemiringan, b1
 b1 mengukur dugaan perubahan rataan

nilai Y jika X berubah satu satuan
 Dalam hal ini b1 = .10977 menggambarkan
bahwa setiap penambahan satu m2 luas lantai
rataan harga rumah akan naik sebesar 0,10977
juta rupiah
Apakah b0 dan b1 yang didapat
merupakan penduga yang baik ?
 Pertanyaan di atas = pertanyaan bahwa: “apakah

sisaan yang dihasilkan oleh dugaan persamaan
garis regresi nya menghasilkan sisaan yang
memenuhi kondisi Gauss-Markov?”
 Untuk sementara ini kita yakini saja dulu bahwa
sisaan yang dihasilkan memenuhi kondisi tersebut
 Penjelasan bagaimana cara memeriksanya akan

dijelaskan pada pokok bahasan “Diagnosa model
melalui pemeriksaan sisaan”

PENGURAIAN
KERAGAMAN TOTAL
JKReg
JKsisa

Sumber Keragaman Regresi
 Nilai pengamatan yi yang dihasilkan beragam.
Keragaman ini disebabkan oleh ?

 Nilai pengamatan yi yang dihasilkan beragam. Keragaman
Y ini disebabkan oleh ?
yi 
 2 y
JKG = (yi - yi )
_
JKT = (yi - y)2

yi  _ 2
_ JKR = (yi – y ) _
y y
xi X
(lanjutan)
 Untuk suatu nilai xi keragaman nilai pengamatan yi
disebabkan oleh :
 Menyimpangnya
 nilai amatan  yi terhadap dugaan nilai

harapannya E [Y | x i ]  E [Y | x i ]  yi  b0  b1x i

yi  yi  ei  karena eror/galat /sisaan
 b0 dan b1 beragam  menghasilkan dugaan garis

regresi yang beragam  memiliki rataan Y
Menyimpangnya suatu dugaan garis regresi terhadap
rataannya menyebabkan beragamnya data.
yˆi  y  b0  b1 xi  yˆ i ,y  yˆ i  karena model regresi
Mengukur Keragaman
 Total Keragaman disebabkan oleh dua bagian ini :
JKT  JKR  JKG

Jumlah Jumlah Kuadrat Jumlah Kuadrat
Kuadrat Total = Regresi + Galat/Sisaan
JKT   (yi  y) 2 JKR   (ŷi  y) 2 JKG   (yi  ŷi ) 2
dengan:
y = nilai rata-rata peubah tak bebas Y
yi = nilai pengamatan ke-i peubah tak bebas Y
ŷi = nilai dugaan y untuk suatu nilai xi
Ukuran Keragaman
(lanjutan)
 JKT = Jumlah Kuadrat Total

 Mengukur keragaman nilai yi di sekitar nilai
rataannya y
 JKR = Jumlah Kuadrat Regresi
 Menjelaskan keragaman karena adanya hubungan
linier antara x dan y
 JKS = jumlah Kuadrat Sisa
 Menjelaskan keragaman yang disebabkan oleh
faktor-faktor selain faktor hubungan linier x dan y

Derajat Bebas Jumlah Kuadrat
 Ukuran keragaman adalah ragam

Jumlah Kuadrat (JK)
Ragam 
derajat bebas (db)
 Derajat bebas bagi JKSisaan  n - 2
 Derajat bebas bagi JK Regresi|b0  1

Tabel Sidik Ragam
Sumber Derajat Jumlah Kuadrat
Keragaman Bebas Kuadrat Tengah
(db) (JK) (KT)
 yˆ  y 
n
2 JK Regresi
Regresi 1 i
1
i 1
n
Sisaan n-2 
 i i
y  ˆ
y 2 JK sisaan S2,
i 1 n  2 jika
model
 y  y 
n nya
Total 2
n-1 i pas
(terkoreksi) i 1
Pada analisis regresi ini tentunya diharapkan JK regresi lebih besar

dari JK sisaan  sehingga dapat dikatakan bahwa keragaman nilai y
disebabkan oleh perubahan nilai x.

Tabel Sidik Ragam
(lanjutan)
OUTPUT MINITAB
The regression equation is

Harga Rumah = 98,2 + 0,110 Luas Lantai
Predictor Coef SE Coef T P

Constant 98,25 58,03 1,69 0,129
Luas Lantai 0,10977 0,03297 3,33 0,010
S = 41,3303 R-Sq = 58,1% R-Sq(adj) = 52,8% TABEL SIDIK

JK KT RAGAM
Analysis of Variance db
Source DF SS MS F P
Regression 1 18935 18935 11,08 0,010
Residual Error 8 13666 1708
Total 9 32600

Penduga bagi Ragam Sisaan/galat
 Penduga bagi ragam eror/sisaan dari model populasi

adalah : n
Dengan asumsi
bahwa
i
e 2
JKS i 1
modelnya σ̂  s  KTsisaan 
2 2

n2 n2
pas/cocok e
 Dibagi dengan n – 2 bukan dengan n – 1 karena model

regresi linier sederhana menggunakan 2 penduga
parameter yaitu, b0 dan b1, bukan satu.
s e  s e2 adalah penduga simpangan baku

Penduga bagi Ragam Sisaan/galat
(lanjutan)
OUTPUT MINITAB


Constant 98,25 58,03 1,69 0,129
Luas Lantai 0,10977 0,03297 3,33 0,010
S = 41,3303 R-Sq = 58,1% R-Sq(adj) = 52,8%

se
Analysis of Variance
Source DF SS MS F P
Regression 1 18935 18935 11,08 0,010
Total 9 32600 Dugaan Ragam Sisaan = s2
(JIKA MODELNYA PAS)
Perbandingan Simpangan Baku
se mengukur keragaman penyimpangan nilai
pengamatan yi terhadap garis regresi
Y Y
s e kecil X s e besar X

 0 1
0 Pengujian Hipotesis
Terhadap
Slope dan Intersep
Diperlukan asumsi bahwa εi menyebar Normal
εi ~ N ( 0,σ2 )

Ragam Koefisien Kemiringan Garis
Regresi (b1)
 Ragam dari koefisien kemiringan garis regresi

(b1) diduga sbb :
2 2
s s
s2b1  e
 e
 i
(x  x) 2
(n  1)s2
x
dengan:
sb1 = dugaan simpangan baku kemiringan garis regresi
s 2x = dugaan ragam x
JKsisa
se  = akar KTG = akar Kuadrat Tengah Galat = dugaan
n2
simpangan baku sisaan
Membandingkan Simpangan Baku
Koefisien Kemiringan Garis Regresi (b1)
Sb1 mengukur keragaman koefisien kemiringan garis

regresi dari berbagai contoh (set data) yang mungkin.
Y Y
X X
Sb1 kecil Sb1 besar

(lanjutan)
SIMPANGAN BAKU b1 : OUTPUT MINITAB


Constant 98,25 58,03 1,69 0,129
Luas Lantai 0,10977 0,03297 3,33 0,010
Simpangan
Baku b1 = sb1
S = 41,3303 R-Sq = 58,1% R-Sq(adj) = 52,8%

Inferensia Koefisien Kemiringan Garis
Regresi (b1): Uji t
Pada model regresi linier sederhana :
Uji t untuk koefisien kemiringan garis regresi populasi (β1)
 Apakah ada hubungan linier antara X dan Y?
 Hipotesis Nol dan hipotesis tandingan
H0: β1 = 0 (tidak ada hubungan linier antara X dan Y)
H1: β1  0 (ada hubungan linier antara X dan Y)
dengan:
b1  β1
 Uji Statistik t  b1 = koefisien kemiringan regresi
sb1
β1 = kemiringan yg dihipotesiskan
d.b.  n  2 sb1 = simpangan baku kemiringan

Contoh Inferensia
Koefisien Kemiringan Garis (b1): Uji t

(Rp.juta) (m2)
Dugaan persamaan garis regresi:
(y) (x)
245 1400 harga rumah  98.25  0.1098 (luas lantai)
312 1600
279 1700
308 1875 Koefisien kemiringan garis pada
199 1100 model ini adalah 0.1098
219 1550
405 2350 Meskipun demikian, “apakah luas
324 2450 lantai mempengaruhi harga jual?”
319 1425
255 1700

Contoh Inferensia
Koefisien Kemiringan Garis (b1): uji t
(lanjutan)
H0: β1 = 0
H1: β1  0 b1 sb1
OUTPUT MINITAB
Apakah luas Predictor Coef SE Coef T P

lantai mempe- Constant 98,25 58,03 1,69 0,129
ngaruhi harga Luas Lantai 0,10977 0,03297 3,33 0,010
jual (secara
linier)? b1  β1 0.10977  0
t   3.32938
sb1 0.03297

Contoh Inferensia
(lanjutan)
Statistik Uji-nya : t = 3.329
b1 sb1
H0: β1 = 0 output MINITAB : t
H1: β1  0 Predictor Coef SE Coef T P
Constant 98,25 58,03 1,69 0,129
d.b. = 10-2 = 8 Luas Lantai 0,10977 0,03297 3,33 0,010
t8,.025 = 2.3060
Keputusan : Tolak H0
a/2=.025 a/2=.025
Kesimpulan :
Cukup bukti untuk mengatakan
Tolak H0 Terima H0 Tolak H0
-tn-2,α/2 0 tn-2,α/2 bahwa luas lantai
-2.3060 2.3060 3.329 mempengaruhi harga jual
Itasia & Y Angraini, Dep Statistika FMIPA - IPB secara linier
Contoh Inferensia
(lanjutan)
Nilai peluang P = 0.01039
H0: β1 = 0 output MINITAB :
Constant 98,25 58,03 1,69 0,129
thit = 3.329 Luas Lantai 0,10977 0,03297 3,33 0,010
Ini adalah uji dua arah, Keputusan: P-value < α jadi

jadi p-valuenya adalah Tolak H0
P(t > 3.329)+P(t < -3.329) Kesimpulan:
= 0.01039 Cukup bukti untuk mengatakan
(db. 8) bahwa luas lantai
mempengaruhi harga rumah
Ragam Intersep Garis Regresi (b0)
 Ragam dari intersep garis regresi (b0) diduga

sbb :
x
2 2
s
s 2 e i
n (x i  x)
b0 2
Keterangan:
s b 0 = dugaan simpangan baku intersep garis regresi
SSE
se  = akar KTG = akar Kuadrat Tengah Galat = dugaan
n2 simpangan baku sisaan
Inferensia Intersep Garis Regresi (b0): uji
t
Pada model regresi linier sederhana :

Uji t untuk intersep garis regresi populasi (β0)
 Apakah ada nilai Y yang tidak dapat dijelaskan oleh x?
 Hipotesis Nol dan hipotesis tandingan
H0: β0 = 0 (semua nilai Y dapat dijelaskan oleh x)
H1: β0  0 (ada nilai Y yg tidak dapat dijelaskan oleh x)
dengan:
b0  β0
 Statistik uji t  s b0 = intersep garis regresi
b0
β0 = intersep yg dihipotesiskan
d.b.  1 sb0 = dugaan simp. baku intersep

Contoh Inferensia
Intersep Garis Regresi (b0): uji t
Harga Rumah Luas Lantai Dugaan persamaan garis regresi:

(Rp. Juta) (m2)
(y) (x)
245 1400
312 1600
279 1700
308 1875 Intersep garis pada model ini adalah 98.25
199 1100 Apakah ada bagian harga rumah yang
219 1550 tidak dapat dijelaskan oleh luas lantai?
405 2350
324 2450
Apakah ada bagian harga rumah yang
tidak dipengaruhi oleh luas lantai?
319 1425
255 1700

Contoh Inferensia
Intersep Garis Regresi (b0): uji-t
(lanjutan)
H0: β0 = 0
H1: β0  0 b0 s b0
output MINITAB :
Apakah ada har-
ga rumah yg tdk Predictor Coef SE Coef T P
dpt dijelaskan (tdk Constant 98,25 58,03 1,69 0,129
dipengaruhi) oleh Luas Lantai 0,10977 0,03297 3,33 0,010
luas lantai
b 0  β 0 98.24833  0
t   1.69296
s b0 58.03348

Contoh Inferensia
Intersep Garis Regresi (b0): uji-t
(lanjutan)
Statistik uji: thit = 1.69296
b0 s b0 t
H0: β0 = 0 output MINITAB :
Constant 98,25 58,03 1,69 0,129
d.b. = 1 Luas Lantai 0,10977 0,03297 3,33 0,010
t1, .025 = 12,706
Keputusan: Terima H0
a/2=.025 a/2=.025
Kesimpulan :
Tidak cukup bukti untuk
Tolak H0 Terima H0 Tolak H0
-t1,α/2 t1,α/2 mengatakan bahwa : ada harga
0
-12.706 12.706 1.69296
rumah yang tidak dapat dijelaskan
Itasia & Y Angraini, Dep Statistika FMIPA - IPB oleh luas lantai
Uji F bagi parameter regresi :
Tabel Sidik Ragam
Sumber Derajat Jumlah Kuadrat H 0 : 1  0
Keragaman Bebas Kuadrat Tengah H1 : 1  0
(db) (JK) (KT) Statistik uji-nya :
 yˆ  y 
n
Regresi 2 JK Regresi
1 KTRegresi
(b1| b0) i 1
i
1 Fhit 
n
KTSisaan

 i i
y  ˆ
y 2 JK sisaan
=
Sisaan n-2
i 1 n  2 Ragam Reg
 y  y 
n
2 Ragam Sisaan
Total
n-1 i 1
i S2, jika mo-
(terkoreksi) delnya pas
Statistik uji F tersebut memiliki derajat bebas db1=1 dan db2=n-2

Jika Fhit <1  KTRegresi < KTSisaan Ragam Regresi < Ragam Sisaan 
pengaruh regresi tdk nyata  pengaruh x tdk nyata  b1 = 0 (tdk perlu
tabel)
Contoh Uji F bagi parameter regresi :
Tabel Sidik Ragam
OUTPUT MINITAB (lanjutan)


Constant 98,25 58,03 1,69 0,129
Luas Lantai 0,10977 0,03297 3,33 0,010 KTreg
Fhit 
KTsisaan
S = 41,3303 R-Sq = 58,1% R-Sq(adj) = 52,8%
18935

Analysis of Variance 1708
Source DF SS MS F P
Regression 1 18935 18935 11,08 0,010
Residual Error 8 13666 1708 P-value
Total 9 32600 untuk uji F
Itasia & Y Angraini, Dep Statistika FMIPA - IPB db: 1,8

Contoh Uji F bagi parameter regresi :
Tabel Sidik Ragam
(lanjutan)
Y   0  1 x   Statistik Uji:
H0: β1 = 0 KTregresi
H1: β1 ≠ 0
F  11.08
a = .05 KTsisaan
db1= 1 db2 = 8
Keputusan:
Nilai kritis: Tolak H0 dg a = 0.05
Fa = 5.32
a = .05 Kesimpulan:
Cukup bukti bahwa luas lantai
0 F mempengaruhi harga rumah
terima Tolak H0
H0 F.05 = 5.32
Uji F bagi parameter regresi :
Tabel Sidik Ragam
(lanjutan)
Jika model yang kita pilih di awal ternyata tidak pas

1. Bolehkah kita menggunakan KT sisaan sebagai
penduga bagi ragam sisaan ?
2. Masih relevankah kita melakukan uji F ?
Agar uji F pada tabel Sidik Ragam dapat digunakan, maka
model yang dipilih harus pas.  uji lack of fit atau periksa
pola sisaannya  akan dibahas pada sub pokok bahasan
“ Kualitas Fitted Model “ Untuk sementara anggaplah model
yang kita pilih pas.

Perbandingan Tabel Sidik Ragam
Terkoreksi dan Tidak Terkoreksi
Keragaman Bebas (db) Kuadrat (JK) Tengah (KT)
 yˆ  y  H 0 : 1  0
n
2
Regresi JK Regresi
1 i
(b1| b0) i 1 1
n
H1 : 1  0
JK sisaan
  y  yˆ 
2
Sisaan n-2
i 1
i i
n  2 Sudah diku-
rangi dg faktor
 y  y 
n
Total 2
koreksi ny
n-1 i
(terkoreksi) i 1
H 0 :  0  1  0
Regresi (b0,b1) 2 b1  x i yi  b0  yi
H1 : min ada satu
n  j  0, j  0,1
  y  yˆ 
2
Sisaan n-2
i 1
i i
2
s Tidak bisa mem-
berikan jawaban
y
2
Total n i apkh x berpe-
ngaruh/tidak
Kualitas Fitted Model
• Apakah model regresi sudah cukup pas mewakili data?

• Apakah model regresi cukup baik untuk model prediksi?

Tebaran titik amatan / scatter plot
Mana di antara
y gambar–gam- y
a.
bar ini yang mo- b.
delnya cukup
pas/sesuai ?
x x
Perlu diuji
y apakah model- y
c. nya sudah pas d.
atau belum 
uji lack of fit
atau secara
eksploratif plot
x sisaan x

Tebaran titik amatan / scatter plot
y y
a. Mana di antara b.
gambar–gam-
bar ini yang mo-
delnya cukup
baik untuk
x prediksi? x
y y
c. Perlu suatu be- d.
saran yang dapat
mengukur jauh
/dekatnya titik
pengamatan
x thdp garis regresi
x

Koefisien Determinasi, R2
 Koefisien determinasi mengukur proporsi keragaman atau variasi

total di sekitar nilai tengah (Y) yang dapat dijelaskan oleh garis
regresi
 secara grafis mengukur jauh/dekatnya titik pengamatan
thdp garis regresi
 Koefisien determinasi juga disebut R-kuadrat dan dinotasikan
sebagai R2
R  2
JK Reg

 ( yˆ i  y)2
atau R  1 
2 JK Sisa
JK Tot (y i  y ) 2
JK Total
CATATAN: 0  R2 1
Koefisien Determinasi, R2
(lanjutan)
OUTPUT MINITAB


Constant 98,25 58,03 1,69 0,129
Luas Lantai 0,10977 0,03297 3,33 0,010
S = 41,3303 R-Sq = 58,1% R-Sq(adj) = 52,8%
Analysis of Variance 18935

Source DF SS MS F P R2   0,5808
Regression 1 18935 18935 11,08 0,010 32600
Total 9 32600 58.08% keragaman harga
rumah dijelaskan oleh
keragaman luas lantai
Analisis Korelasi
 Analisis korelasi digunakan untuk mengukur

kekuatan hubungan (hubungan linier) antara
dua peubah
 Korelasi hanya khusus untuk kekuatan hubungan
 Mengukur arah hubungan
 Tidak berdampak pada sebab akibat

Analisis Korelasi
(lanjutan)
 Koefisien korelasi populasi dinotasikan dengan ρ

(huruf Greek rho)
 Koefisien korelasi contoh adalah :
ˆ  rXY 
s xy
s xy 
 (x  x)(y  y)
i i
s xs y n 1
Pada Model Regresi Linier Sederhana
Koefisien yg hub.nya linier :
2
korelasi R2 = r2  rXY = (tanda b1) R
Pearson
Pada sembarang regresi linier berlaku:
rYŶ  R
Uji Hipotesis untuk Korelasi
(lanjutan)
 Untuk melakukan tes bahwa tidak ada

hubungan linier, Hipotesis nol nya :
H0 : ρ  0
Statistik ujinya mengikuti sebaran t Student

dengan derajad bebas (n – 2 )
r (n  2)
t
(1 r 2 )
(lanjutan)
Kaidah Keputusan
H0: ρ  0 H0: ρ ≤ 0 H0: ρ = 0

H1: ρ < 0 H1: ρ > 0 H1: ρ ≠ 0
a a/2 a/2
a
-ta ta -ta/2 ta/2
tolak H0 jika t < -tn-2, a Tolak H0 jika t > tn-2, a Tolak H0 jika t < -tn-2, a/2
atau t > tn-2, a/2
r (n  2)
dengan t  , d.b  n - 2
(1  r )
2
(lanjutan)
OUTPUT MINITAB
Correlations: Harga Rumah; Luas Lantai
Pearson correlation of Harga Rumah and Luas

Lantai = 0,762
P-Value = 0,010
P-value < 0,025  Tolak H0  ρ ≠ 0

APLIKASI DENGAN MINITAB
DUGAAN BAGI KOEFISIEN KORELASI
OUTPUT MINITAB
Harga
Luas Lantai
Rumah
(m2) (X) Correlations: Harga Rumah; Luas Lantai
(Rp.juta) (Y)
Pearson correlation of Harga Rumah and Luas
245 1400
Lantai = 0,762
312 1600 rXY
P-Value = 0,010
279 1700
308 1875
FILM :
199 1100 MENDUGA
219 1550 KOEFISIEN KORELASI PEARSON
405 2350 dengan
324 2450 MENGGUNAKAN MINITAB
319 1425
Interpretasi beberapa nilai r2
Y
r2 = 1 dapat diinterpretasikan
sbb. :
Adanya hubungan linier
yang tepat antara X dan Y:
X
r2 = 1 100% keragaman Y
Y dijelaskan oleh keragaman X
X
r2 =1
Y
0 < r2 < 1 dapat diinterpretasi-
kan sbb. :
Adanya hubungan linier yang

X lemah antara X dan Y:
Y Sebagian (tidak semuanya)

keragaman Y dijelaskan oleh
keragaman X
X
r2 = 0 dapat diinterpretasikan
Y sbb. :
Tidak ada hubungan linier
antara X dan Y:
Nilai Y tidak bergantung pada

X nilai X. (Tidak ada keragaman
r2 = 0
Y yang dapat diterangkan
oleh keragaman X)

Korelasi dan Koefisien
Determinasi R2
 Koefisien determinasi, R2, untuk regresi linier sederhana

yang hubungannya linier (ordo X = 1) sama dengan
koefisien korelasi kuadrat
R r 2 2
xy rxy  R  (tanda b1 )(R ) 2 1/ 2
^
 Korelasi antara amatan Yi dengan nilai dugaannya Yi untuk
sembarang regresi linier dengan berapapun banyaknya
peubah bebas
r ^ R
YY

Berbagai Kondisi yg Menggambarkan
Perbedaan antara R2 dan rXY
Scatterplot of Y1 vs C1 Fitted Line
Scatterplot Plot
of Y2 vs C1
35
100
100
30
R2 = 1 80
R2 = 1
25
r=1 60 r=0
20
Y2
Y2
Y1
40
15
10 20
b1 = 3 b1 = 0
5
0
0 2 4 6 8 10 -10 -5 0 5 10
C1 X2
C1
Correlations: X1; Y1 Correlations: X2; Y2

rXY Pearson correlation of X1 and Y1 Pearson correlation of X2 and Y2
= 1,000 P-Value = * = 0,000 P-Value = 1,000
The regression equation is The regression equation is

R2 Y1 = 2,00 + 3,00 X1 Y2 = 4,000 + 0,00 X2 + 1,000 X2**2
S = 0 R-Sq = 100,0% S = 0 R-Sq = 100,0%

R-Sq(adj) = 100,0% R-Sq(adj) = 100,0%

Perbedaan antara R2 dan rXY (lanjutan)
Scatterplot of Y3 vs X1 Scatterplot of Y4 vs X1
35 35
30 30
R2 = 97,7% R2 = 88,7%
25 25
r = 0,988 r = 0,942
20 20
Y3
Y4
15 15
10 10
5 b1 = 3,1 5 b1 = 3,01
0 0
0 2 4 6 8 10 0 2 4 6 8 10
X1 X1
Correlations: Y3; X1 Correlations: Y4; X1

Pearson correlation of Y3 and X1 = 0,988 Pearson correlation of Y4 and X1 = 0,942

Y3 = 1,27 + 3,10 X1 Y4 = 2,07 + 3,01 X1
S = 1,53396 R-Sq = 97,7% S = 3,44414 R-Sq = 88,7%
R-Sq(adj) = 97,4% R-Sq(adj) = 87,3%

Perbedaan antara b1 dan rXY
Scatterplot of C7 vs X1 Scatterplot of Y6 vs X1
40 10
R2 = 76,0% R2 = 64,8%
8
30 r = -0,872 r = 0,805
6
20
C7
Y6
4
10
2
b1 = 0,116
b1 = -3,38
0 0
0 2 4 6 8 10 0 2 4 6 8 10
X1 X1
Correlations: C7; X1 Correlations: Y6; X1

Pearson correlation of C7 and X1 = -0,872 Pearson correlation of Y6 and X1 = 0,805

C7 = 37,7 - 3,38 X1 Y6 = 3,50 + 0,116 X1
S = 6,09048 R-Sq = 76,0% S = 0,275434 R-Sq = 64,8%
R-Sq(adj) = 73,0% R-Sq(adj) = 60,4%
Perbedaan antara b1 dan rXY (lanjutan)
Scatterplot of Y1 vs X1 Scatterplot of Y vs X
10 17,5
R2 = 93,5% 15,0
R2 = 53,3%
8
r = 0,967 r = 0,730
12,5
6
Y1
Y
10,0
4
7,5
2
b1 = 0,00914 5,0 b1 = 4,67
0
0 2 4 6 8 10 0 1 2 3 4 5
X1 X
Pearson correlation of X1 and Y1 = 0,967 Pearson correlation of X and Y = 0,730
The regression equation is Y1 = 3,99 + 0,00914 X1 The regression equation is Y = 1,06 + 4,67 X
S = 0,0077338 R-Sq = 93,5% R-Sq(adj) = 92,7% S = 2,06491 R-Sq = 53,3% R-Sq(adj) = 52,1%
Analysis of Variance Analysis of Variance
Source DF SS MS F P Source DF SS MS F P
Regression 1 0,0068911 0,00689 115,21 0,000 Regression 1 184,94 184,94 43,37 0,000
Resd Error 8 0,0004785 0,00005 Residual Error 38 162,03 4,26
Total 9 0,0073696 Total 39 346,97

Uji Ketidakpasan Model
 Harus ada ulangan pengamatan yi pada nilai xi

yang sama. Mis. :
x y
x1 y11
y12
x2 y21 Untuk data contoh di samping dapat
y22 dinotasikan :
y23
y24
m = 4, n1=2, n2=4, n3=3, n4=2
x3 y31 m
y32 n   n j  2  4  3  2  11
y33 j 1
x4 y41
y42

Uji ketidakpasan model :
Tabel Sidik Ragam
Keragaman Bebas Kuadrat Tengah
(db) (JK) (KT)
 yˆ  y 
n
Regresi 2 JK Regresi H0: model pas
1 i
1 H1: model tdk pas
(b1| b0) i 1
n

 i i
y  ˆ
y 2 JK sisaan Statistik uji-
Sisaan n-2
i 1 n  2 nya :
Ketidakpasan db -db JK KM KTKM
model (KM) sisa GM
JKsisa – JKGM KTKM 
db KM
Fhit 
KTGM
m m nj
nj  m  ( y ju  y j )2
Galat murni JK GM
KTGM  F tabel :
(GM) j 1 j 1 u 1 db GM
db1=dbKM
 y  y 
n
2
Total db2=dbGM
n-1 i
(terkoreksi) i 1

Contoh : Uji ketidakpasan model
Tabel Sidik Ragam
X Y X Y Untuk data contoh di samping dapat
1 5,135 6 67,586 dinotasikan :
1 30,846 6 47,441
m = 10, n1 = n2 =…..= n10 = 3
1 32,977 6 32,919
2 14,142 7 78,804 n = 30
2 20,785 7 78,202
2 -1,499 7 73,846
db sisaan = n – 2 = 28
m
3
3
13,463
30,391
8
8
154,158
114,145
db galat murni = n
j 1
j m
3 -21,254 8 110,077 = 30 – 10 = 20
4 31,095 9 139,573
4 6,542 9 154,735 db ketidakpasan model = 28 – 20
4 35,466 9 151,428 = 8
5 -5,419 10 163,649
5 59,32 10 189,114
5 73,178 10 214,504

Tabel Sidik Ragam
OUTPUT MINITAB (lanjutan)
The regression equation is y = - 37,3 + 19,5 x
Constant -37,31 11,70 -3,19 0,003
x 19,483 1,885 10,33 0,000
S = 29,6616 R-Sq = 79,2% R-Sq(adj) = 78,5% H0: model pas

H1: model tdk pas
Source DF SS MS F P
Phit < 0,05
Regression 1 93945 93945 106,78 0,000
Lack of Fit 8 15272 1909 4,08 0,005 KEPUTUSAN :
Pure Error 20 9363 468 Tolak H0
Total 29 118580
KESIMPULAN:
Model tidak pas
 Pada contoh tersebut meskipun P-value untuk
pengaruh linier x dan regresi sangat kecil (0,000…)
namun kita tidak memperhatikan hal ini terlebih dahulu.
Kita perhatikan uji ketidakpasan modelnya dulu,
disimpulkan bahwa model tidak pas.
 Selanjutnya kita periksa pola tebaran datanya.
Scatterplot of y vs x
200
Pada tebaran data-nya ter-
150
lihat adanya pola kuadratik
100
 model yang digunakan
y
diubah menjadi :
50
0
Y  β0  β1x  β11x 2  ε
0 2 4 6 8 10
x

(lanjutan) Tabel Sidik Ragam
Scatterplot
Fitted LineofPlot
y vs x OUTPUT MINITAB
200
200
150
150 y = 28,32 - 13,33 x + 2,983 x**2
100
100
S = 19,7555 R-Sq = 91,1% R-Sq(adj) = 90,5%
y
y
5050
Source DF SS MS F P
00
Regression 2 108043 54021,3 138,42 0,00
Error 27 10538 390,3
00 22 44 66 88 1010
xx Total 29 118580
Sequential Analysis of Variance

• Dengan mengubah model
Source DF SS F P
regresi dari linier ke kuadratik, R2 Linear 1 93945,5 106,78 0,000
meningkat dari 79,2% menjadi Quadratic 1 14097,2 36,12 0,000
91,1%
• Dari tabel Sidik Ragam didapat MODEL YG DIGUNAKAN :
bhw pengaruh X kuadrat nyata
dg a = 0,05 Y duga = 28,32 - 13,33 x + 2,983 x**2
Tabel Sidik Ragam
X Y X Y
1 5,135 6 67,586
1 30,846 6 47,441
1 32,977 6 32,919
2 14,142 7 78,804
2 20,785 7 78,202
FILM :
2 -1,499 7 73,846 MENGUJI
3 13,463 8 154,158
3 30,391 8 114,145
KETIDAKPASAN MODEL
3 -21,254 8 110,077 dengan
4 31,095 9 139,573 MENGGUNAKAN MINITAB
4 6,542 9 154,735
4 35,466 9 151,428
5 -5,419 10 163,649
5 59,32 10 189,114
Klik di sini
5 73,178 10 214,504

Langkah-langkah
Pemilihan Model yang Pas
1. Tentukan model, dapatkan dugaan persamaan garis regresinya,

susun tabel Sidik Ragam, jangan dulu melakukan uji F untuk
regresi keseluruhan
2. Lakukan uji ketidakpasan model.
Jika tidak ada ulangan, cek secara eksploratif : plot sisaan-nya
(akan dijelaskan pada pokok bahasan: Diagnosa Model).
Jika nyata : lanjut ke langkah 3
Jika tidak nyata : gunakan KT sisaan s2 sebagai dugaan bagi
Rag(Y) = σ2 , lakukan uji F secara keseluruhan, hitung R2, perik-
sa asumsi untuk MKT melalui plot sisaan (Diagnosa Model)
3. Hentikan analisis, perbaiki modelnya (lihat pola plot sisaannya).

Selang Kepercayaan
bagi koefisien kemiringan b1
Selang kepercayaan bagi koefisien
kemiringan adalah :
b1  t n2,α/2sb1  β1  b1  t n2,α/2sb1
d.b. = n - 2
Output Excel untuk contoh kasus harga rumah:
Coefficients Standard Error t Stat P-value Lower 95% Upper 95%
Intercept 98.24833 58.03348 1.69296 0.12892 -35.57720 232.07386
Luas Lantai 0.10977 0.03297 3.32938 0.01039 0.03374 0.18580
Pada tingkat kepercayaan 95%, selang kepercayaan

bagi koefisien kemiringan garis adalah (0.0337, 0.1858)
Selang Kepercayaan
bagi koefisien kemiringan b1
(lanjutan)
Coefficients Standard Error t Stat P-value Lower 95% Upper 95%
Intercept 98.24833 58.03348 1.69296 0.12892 -35.57720 232.07386
Luas Lantai 0.10977 0.03297 3.32938 0.01039 0.03374 0.18580
Selama satuan peubah tak bebas (harga rumah) dalam juta rupiah, kita
percaya 95% bahwa rata-rata pengaruh penambahan harga rumah
berada antara Rp. 0,03374 juta sampai dengan Rp.0,18580 juta setiap
penambahan satu m2 luas lantai
Selang kepercayaan 95% ini tidak memuat angka 0.

Kesimpulan : Ada hubungan linier yang nyata antara harga rumah
dengan luas lantai dengan tingkat nyata sebesar 95%

Peramalan
 Dugaan persamaan garis regresi dapat

digunakan untuk memprediksi/meramal nilai
Y jika x diketahui (hati-hati hanya untuk x
yang berada dalam selang pengamatan)
 Untuk suatu nilai, xn+1 , nilai prediksi bagi Y

adalah
yˆ n1  b0  b1xn1

Memprediksi dengan menggunakan
persamaan garis regresi
Berapa kira-kira harga rumah yang luas lantainya
2000 m2 ! (2000 bukan titik pengamatan, namun
masih dalam selang pengamatan). interpolasi

 98.25  0.1098(2000)
 317.85
Prediksi harga rumah dengan luas lantai

2000 m2 adalah Rp 317,85 juta
Selang data yang relevan
 Ketika menggunakan garis regresi sebagai alat
untuk memprediksi, x yang boleh digunakan adalah
x yang nilainya dalam selang pengamatan
Selang yang relevan
450
Harga Rumah (juta Rp)
400
350
300
250
Sangat riskan
200 untuk melakukan
150 ekstrapolasi X di
100
luar selang
50
0
pengamatan
0 500 1000 1500 2000 2500 3000
Luas
Itasia & Y Angraini, Dep Statistika Lantai
FMIPA - IPB(m2)
Selang kepercayaan rataan
respon dan dugaan individu
Selang
kepercayaan
bagi rataan Y,
Y 
y
untuk xi
yi = b0 + b1 xi
Selang kepercaya-
an bagi nilai peng-
amatan y, untuk xi
Itasia & Y Angraini, Dep Statistika FMIPA - IPB xi X

Selang Kepercayaan bagi nilai harapan
Y, untuk suatu X
Selang kepercayaan bagi

dugaan nilai harapan/rataan y jika diketahui xn+1
Selang kepercayaan bagi E(Yn 1 | X n 1 ) :

 1 (x n 1  x) 2 
ŷ n 1  t n 2,α/2s e   2
 n  (x i  x) 
Perhatikan bahwa rumus tersebut mengandung (xn1  x)2

Jadi beragamnya lebar selang bergantung pada jarak
antara xn+1 terhadap nilai rataan, x

Selang Kepercayaan bagi
individu Y, untuk suatu nilai x
Selang kepercayaan individu y untuk suatu

nilai xn+1
Selang kepercayaan bagi ŷ n 1 :

 1 (x n 1  x) 2 
ŷ n 1  t n  2,α/2s e 1   2
 n  (x i  x) 

Dugaan bagi Nilai Tengah/Rataan:
Contoh harga rumah
Selang kepercayaan bagi E(Yn+1|Xn+1)
Dapatkan selang kepercayaan 95% bagi rataan

harga rumah dengan luas lantai 2.000 m2

harga rumah yi = 317,85 (Rp. juta)
1 (x n 1  x) 2
ŷ n 1  t n -2,α/2s e   317.85  37.12
n  (x i  x) 2
Selang kepercayaan 95% bagi rataan harga rumah

adalah dari Rp 280.660.000,- sampai Rp. 354.900.000,-

Dugaan bagi Nilai Tengah/Rataan:
Contoh harga rumah
(lanjutan)
OUTPUT MINITAB
Predicted Values for New Observations

Dugaan Nilai Tengah untuk x = 2000
New
Obs Fit SE Fit 95% CI 95% PI
1 317,8 16,1 (280,7; 354,9) (215,5; 420,1)
Values of Predictors for New Observations

Selang Kepercayaan 95% bagi
New Luas dugaan nilai tengah/Rataan
Obs Lantai untuk suatu nilai x tertentu yg
tidak ada pada pengamatan,
1 2000
namun masih dalam selang
pengamatan x = 2000

Dugaan bagi individu/respon:
contoh harga rumah

Selang kepercayaan bagi individu yn+1
Dapatkan selang kepercayaan 95% bagi respon individu

harga rumah untuk rumah dengan luas lantai 2.000 m2

yi = 317,85 (Rp. juta)
1 (X n 1  X) 2
ŷ n 1  t n -1,α/2s e 1   317.85  102.28
n  (Xi  X) 2
Selang kepercayaan 95% bagi harga rumah dengan luas lantai

2000m2 ialah dari Rp 215.500.000,- sampai Rp 420.070.000,-.

Dugaan bagi individu/respon:
contoh harga rumah
(lanjutan)
OUTPUT MINITAB
Predicted Values for New Observations
New
Obs Fit SE Fit 95% CI 95% PI
1 317,8 16,1 (280,7; 354,9) (215,5; 420,1)
Values of Predictors for New Observations

Selang Kepercayaan 95% bagi
New Luas dugaan individu/respon untuk
Obs Lantai suatu nilai x tertentu yg tidak
1 2000 ada pada pengamatan, namun
masih dalam selang
pengamatan x = 2000
Harga FILM :
Luas Lantai
Rumah
(Rp.juta) (Y)
(m2) (X) MENGHITUNG
245 1400 SELANG KEPERCAYAAN BAGI
312 1600 RAMALAN NILAI TENGAH
279 1700 &
308 1875 RAMALAN NILAI INDIVIDU
199 1100 dengan
219 1550 MENGGUNAKAN MINITAB
405 2350
324 2450
255 1700

MATERI - 16034308 - Statistik Dan Probabilistik V1 - 11

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

MATERI - 16034308 - Statistik Dan Probabilistik V1 - 11

Diunggah oleh

Hak Cipta:

Format Tersedia

ANALISIS REGRESI 1

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

1 peubah penjelas > 1 peubah penjelas

Linier Non Linier Linier Non Linier

Polinom Multiplikatif Reciprocal Log Eksponensial

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

 Linier dalam parameter

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

 Bentuk hubungannya linear (Y merupakan fungsi linier

E[ε i ]  0 dan E[ε i ]  σ 2 untuk (i  1, , n)

 Galat εi, tidak berkorelasi satu dengan yang lainnya,

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Model Regresi Linier Sederhana (populasi) :

Y : peubah tak bebas/respon merupakan peubah acak dengan pusat/

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Nilai dugaan Dugaan bagi

ŷi  b0  b1x i pengamatan

Sisaan ei mempunyai rataan sebesar nol

ei  (yi - yˆ i )  yi - (b0  b1xi )

 b0 adalah nilai dugaan rataan y

 b1 adalah nilai dugaan perubahan

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

 Menduga persamaan regresi linier sederhana

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Metode Kuadrat Terkecil

min JKG  min e 2

 Penduga bagi koefisien kemiringan garis β1 ialah:

 Garis regresi selalu melalui titik x, y

Asumsi Metode Kuadrat Terkecil (MKT)

Agar penduga bagi parameter regresi yang

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

 Sebuah agen real-estate ingin mengetahui

10 buah rumah diambil secara acak sebagai contoh

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Data contoh Harga Rumah

Harga Rumah (Rp.juta) (Y) Luas Lantai (m2) (X)

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Tebaran Harga Rumah vs Luas Lantai

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Data contoh Harga Rumah

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

MENDUGA PARAMETER REGRESI : OUTPUT MINITAB

Regression Analysis: Harga Rumah versus Luas Lantai

The regression equation is Dugaan

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Data contoh Harga Rumah

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

harga rumah  98.24833  0.10977 (luas lantai)

Data contoh Harga Rumah

harga rumah  98.24833  0.10977 (luas lantai)

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Interpretasi koefisien kemiringan, b1

harga rumah  98.24833  0.10977 (luas lantai)

 b1 mengukur dugaan perubahan rataan

 Pertanyaan di atas = pertanyaan bahwa: “apakah

 Penjelasan bagaimana cara memeriksanya akan

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

 b0 dan b1 beragam  menghasilkan dugaan garis

 Total Keragaman disebabkan oleh dua bagian ini :

JKT  JKR  JKG