MAKALAH

“PENDUGAAN PARAMENTER KOEFISIEN

REGRESI LINIEAR SEDERHANA (RLS)”

Dosen Pengampu:
Djoni Hatidja S.Si, M.Si

Oleh:
Kelompok 14
Nurnia Hamid (20101103050)
Grace Nesita Sandag (20101103012)
Novelinda Lobbu (20101103027)

PROGRAM STUDI MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
UNIVERSITAS SAM RATULANGI
MANADO 2021
 I. PEMBAHASAN
A. Analisi Regresi

Analisis regresi adalah suatu metode yang digunakan untuk melihat hubungan

antar satu variabel independent (bebas) dan mempunyai hubungan garis lurus dengan
variabel dependennya (terikat). Sebuah variabel hasil observasi yang diperoleh sangat
mungkin dipengaruhi oleh variabel lainnya, misalkan tinggi badan dan berat badan
seseorang. Untuk suatu tinggi tertentu ada besaran berat badan yang mempengaruhi,
demikian juga sebaliknya. Contoh lain misalnya produksi padi yang dipengaruhi oleh
luas lahan yang ditanami, jenis pupuk yang dipakai, banyaknya pupuk yang dipakai
dll.Tujuan analisi regresi adalah untuk mengestimasi suatu parameter dan pengaruh
hubungan antara variable bebas yang mempengaruhi variable respon.
Regresi adalah suatu metode statistik dengan merumuskan persamaan atau
fungsi matematis yang menunjukkan hubungan atau pengaruh dari dua buah variabel
atau lebih. Regresi ini juga dapat digunakan sebagai suatu prediksi dengan data-data
yang diolah merupakan data kuantitatif.

B. Macam-Macam Model Regresi

1. Regresi Linear Sederhana
Regresi linear sederhana yaitu regresi yang hanya menentukan hubungan dari dua
variabel saja dan keduanya merupakan data kuantitatif. Misalnya data banyak
makanan yang dikonsumsi dengan berat badan.
Rumus Regresi
Rumus Regresi Linear Sederhana Bentuk umum regresi linear sederhana dituliskan
sebagai:
Y = a + bX
Keterangan:
a : konstanta (titik potong Y)
b : koefisien dari variabel X
Y : variabel dependen
X : variabel independen
Rumus Regresi Linear Berganda
Bentuk umum regresi linear berganda dapat dituliskan sebagai:
 Y = a + b1X1 + b2X2 + … + e
2. Regresi Linear Berganda
Regresi linear berganda ini merupakan regresi yang menghubungkan satu variabel
Y terhadap dua atau lebih variabel X serta data yang digunakan merupakan data
kuantitatif. Misalnya pengaruh banyak makanan yang dikonsumsi terhadap berat
badan dan tinggi badan.
Rumus Regresi Linear Berganda
Bentuk umum regresi linear berganda dapat dituliskan sebagai:
Y = a + b1X1 + b2X2 + … + e
Keterangan:
a : konstanta (titik potong Y)
b : koefisien dari variabel X (koefisien determinasi)
Y : variabel dependen
X : variabel independen
e : error
3. Regresi Non Linear
Regresi non linear ini merupakan regresi yang menghubungkan antara variabel X
dan variabel Y yang tidak linear. Misalnya pada pemberian pupuk pada tanaman
dengan intensitas pemberian pupuk rendah – sedang akan membuat tanaman
tumbuh dengan optimal (tinggi tanaman maksimum), sedangkan pemberian pupuk
intensitas tinggi
akan membuat tanaman tumbu dengan lambat.
Rumus Regresi Non Linear
Beberapa contoh bentuk umum regresi non linear dituliskan sebagai berikut.
Regresi berbentuk eksponensial: Y = aebX
Regresi berbentuk pangkat: Y = aXb
Regresi berbentuk polinomial: Y = a0 + a1X + … +anXn

C. Interpretasi Parameter Model Regresi Linear Sederhana

1. Model regresi Linear sederhana (populasi) :
Y = β0+ β1 X + ε
Y : peubah tak bebas atau respon merupakan peubah acak dengan pusat atau nilai
harapan di β 0 + β 1 X dan ragam σ 2

2. Dugaan persamaan Garis Regresi Linear Sederhana

Y^i = b 0+ b1 X 1
Keterangan :
Y^i = Nilai dugaan Y pada pengamatan ke-i
b 0= Dugaan bagi intersep β 0
b 1= Dugaan bagi kemiringan garis regresi β 1
X 1 = Nilai X pada pengamatan ke-i
Sasaran ei mempunyai rataan sebesar nol :
e i=( y i −^
y i )= y i−(b0 + b1 X 1)
3. Interpretasi zkoefisien kemiringan dan intersep
b0 adalah nilai dugaan rataan y ketika x bernilai 0 ( jika x=0 dalam selang
pengamatan)
b1 adalah nilai dugaan perubahan rataan y (nilai harapan Y) jika x berubah satu
satuan.

D. Pendugaan Parameter Regresi

1. Menduga persamaan Regresi
Menduga persamaan regresi Linear sederhana = menduga parameter regresi
β 0 dan β 1
 Penduga parameter yangh dihasilkn harus merupakan penduga yang
baik
  Software statistic, seperti minitab, SAS, SPSS, dan lain yang banyak
digunakan.

2. Menggunakan Metode Kuadarat Terkecil

b0 dan b1 adalah dugaaan bagi parameter regresi β 0 dan β 1 yang didapat
salah satunya dengan cara meminimumkan jumlah kuadrat galat (JKG).
Galat/sisaan = selisih antara y dan ^y
Maka Metote kuadrat Terkecil (MKT) :
Min JKG = min ∑ e1i
= min ∑ ( y− ^
y i ¿ ) ¿²

= min ∑ [ y i¿ −(b 0+ b1 X 1)]¿²

* Teknik kalkulus digunakan untuk mendapatkan β 0 dan β 1 sedemikian
hingga meminimumkan JKG

Pendugaan bagi koefisien kemiringan garis β 1 ialah :

n

∑ ( xi −x́ ) ( y i¿ −ý) S XY S
b 1= n =i n
¿= =r xy y
2 S XY Sx
∑ ( x i− x́ )
n=i

Penduga bagi intersep β 0 adalah :

b 0= ý−b 1 x́
Garis regresi selalu melaului titik x́, ý
- Asumsi Metode KuadratbTerkecil (MKT)
Kondisi Gauss- Markov
Agarr penduga bagi aparmeter regresi yang didapatkan dengan
menggunakan MKT meruapakan penduga yang baik maka sisaan/galat
harus memenuhi kondisi Gauss-Matkovv berikut ini :
1. E[ε i] = 0 nilai-nilai harapan/sisaan = nol
2. E[ε i²] = σ 2 ragam sisaan homogen untuk setiap nilai x
(homoscedasticity)
3. E[ε i ε j]=0, i≠ j ε i dan ε j = saling bebass
 DAFTAR PUSTAKA

https://rumuspintar.com/regresi/