REGRESI SEDERHANA

(ESTIMASI PARAMETER)
Ira Yudistira, S.Si., M.Si.
Jurusan Matematika FMIPA UIM
Ira.yudistira91@gmail.com
 REGRESI LINIER
 Metode statistika yang digunakan untuk membentuk model
hubungan antara variabel terikat (dependen, respon, Y)
dengan satu atau lebih variabel bebas (independen,
prediktor, X)
 Mampu mendeskripsikan fenomena data melalui
terbentuknya suatu model hubungan yang bersifatnya
numerik.
 Dapat digunakan untuk melakukan pengendalian
(kontrol) terhadap suatu kasus atau hal-hal yang sedang
diamati melalui penggunaan model regresi yang
diperoleh.
 Dapat dimanfaatkan untuk melakukan prediksi untuk
variabel terikat sesuai rentang variable bebas yang
digunakan.
 REGRESI LINIER
Antara variabel bebas (X) dan variabel terikat (Y) membentuk
sebuah pola garis yang lurus, dan dalam aplikasinya jika nilai X
meningkat maka nilai Y juga meningkat dan jika nilai X
mengalami penurunan makan nilai Y juga mengalami
penurunan.
 REGRESI LINIER
Koefisien Regresi Nilai rata-rata yang berpeluang terjadi
pada variabel Y bila suatu nilai X
diberikan.

 Intercept
Secara metematis adalah suatu titik perpotongan antara suatu garis
dengan sumbu Y pada diagram/sumbu kartesius saat nilai X = 0.
Secara statistika adalah nilai rata-rata pada variabel Y apabila nilai
pada variabel X bernilai 0.

 Slope
Secara matematis, slope merupakan ukuran kemiringan dari suatu
garis. Slope adalah koefisien regresi untuk variabel X. Secara
statistika, slope merupakan suatu nilai yang menunjukkan seberapa
besar kontribusi (sumbangan) yang diberikan suatu variabel X
terhadap variabel Y.
 REGRESI LINIER
Model Umum:

𝑌 = 𝛽0 + 𝛽𝑖 𝑋𝑖 + 𝜀

Y : variable terikat
𝑋𝑖 : variable bebas ke −𝑖
𝛽0 : intercept
𝛽𝑖: slope ke −𝑖
 : galat
 REGRESI LINIER

Contoh

Model Regresi

𝑌 = 9,4 + 0,7𝑋
REGRESI LINIER

Regresi Linier

Sederhana

Berganda
REGRESI LINIER SEDERHANA

Terdiri dari satu Variabel bebas dan satu variable

terikat

Model Umum:
Y = 0 + 1X + 

Y : variable terikat
X : variable bebas
0 : intercept
1 : slope
 : galat
 REGRESI LINIER SEDERHANA
Skor tes intelegensi mahasiswa Skor tes Nilai
dan nilai kimia (X) kimia (Y)
mahasiswa baru 1 65 85
2 50 74
3 55 76
4 65 90
5 55 85
6 70 87
7 65 94
8 70 98
9 55 81
10 70 91
11 50 76
12 55 74
REGRESI LINIER SEDERHANA
Digram pencar dan garis regresi skor tes intelegensi
dan nilai kimia mahasiswa baru
100

98

95
94

91
90 90
nilai kimia (Y)

87

85 85 85

81
80

76 76
75
74 74

70
50 52 54 56 58 60 62 64 66 68 70
skor tes (X)
 REGRESI LINIER SEDERHANA
Tahapan:

1. Identifikasi permasalahan
2. Penentuan variabel
3. Pengumpulan data
4. Analisis regresi
 Estimasi parameter
 Uji signifikansi parameter
 Uji kesesuaian model
 Prediksi/ peramalan
 ESTIMASI PARAMETER

𝑌 = 𝛽0 + 𝛽𝑖 𝑋𝑖 + 𝜀 Model regresi Populasi

𝑌𝑖 = 𝛽0 + 𝛽𝑖 𝑋𝑖 + 𝜀𝑖 Model tiap pengamatan

Model taksiran/Model
𝑌෠𝑖 = 𝛽መ0 + 𝛽መ𝑖 𝑋𝑖
Regresi Sampel
𝜀𝑖 = Yi − 𝑌෠𝑖
Galat
= Yi − 𝛽መ0 − 𝛽መ1 𝑋𝑖

𝒏 𝒏
OLS: Meminimalkan 𝟐
෍ 𝜺𝒊 𝟐 ෡𝟎 − 𝜷
= ෍ Yi − 𝜷 ෡ 𝟏 𝑿𝒊
jumlah kuadrat galat
𝒊=𝟏 𝒊=𝟏
 ESTIMASI PARAMETER
OLS: Meminimalkan jumlah kuadrat galat

𝒏 𝒏
𝟐
෍ 𝒖𝒊 𝟐 ෡𝟎 − 𝜷
= ෍ Yi − 𝜷 ෡ 𝟏 𝑿𝒊
𝒊=𝟏 𝒊=𝟏

Diturunkan kemudian disamadengankan nol

σ𝑛𝑖=1 𝑋𝑖 − 𝑋ത 𝑌𝑖 − 𝑌ത
𝛽መ1 = 𝛽መ0 = 𝑌ത − 𝛽መ1 𝑋ത
σ𝑛𝑖=1 𝑋𝑖 − 𝑋ത 2
Contoh Kasus

Pengamatan dilakukan pada 8 agen sepeda motor untuk

mengetahui bagaimana pengaruh harga terhadap jumlah
permintaan sepeda motor. Setiap agen memasang harga yang
berbeda untuk tiap satu unit sepeda motor. Ternyata jumlah yang
diminta pada tiap agen juga bervariasi. Berikut data dari ke 8 agen:

agen 1 2 3 4 5 6 7 8
X (juta) 9.94 9.87 9.88 9.91 9.92 9.89 9.93 9.90
Y(unit) 84 100 99 93 90 97 88 94

Bagaimanakah hubungan antara jumlah permintaan sepeda motor

dengan harganya?
 agen 𝑋 𝑌 𝑋𝑖 − 𝑋ത = 𝑥 𝑌𝑖 − 𝑌ത = 𝑦 𝑥2 𝑦2 xy
Penyelesaian 1 9.94 84 0.035 -9.125 0.001225 83.2656 -0.31937
2 9.87 100 -0.035 6.875 0.001225 47.2656 -0.24063
3 9.88 99 -0.025 5.875 0.000625 34.5156 -0.14688
4 9.91 93 0.005 -0.125 0.000025 0.0156 -0.00062
5 9.92 90 0.015 -3.125 0.000225 9.7656 -0.04687
6 9.89 97 -0.015 3.875 0.000225 15.0156 -0.05813
7 9.93 88 0.025 -5.125 0.000625 26.2656 -0.12812
8 9.9 94 -0.005 0.875 0.000025 0.7656 -0.00438
total 79.24 745 0.0042 216.8750 -0.945
rata 9.905 93.125

Model Umum:
σ𝑛𝑖=1 𝑋𝑖 − 𝑋ത 𝑌𝑖 − 𝑌ത −0.945 Yi = 0 + 1Xi +  i dimana 𝛽1 < 0
𝛽መ1 = =
σ𝑛𝑖=1 𝑋𝑖 − 𝑋ത 2 0.0042
= −225 Sehingga didapat model regresi

𝛽መ0 = 𝑌ത − 𝛽መ1 𝑋ത = 93.125 − ( − 225)(9.905)

=2321.75 𝑌෠𝑖 = 2321.75 − 225𝑋𝑖
Penyelesaian

Model Regresi: ෡ 𝒊 = 2321.75 − 𝟐𝟐𝟓𝑿𝒊

𝒀

𝛽መ0 𝛽መ1 𝑆𝑒 𝛽መ0 𝑆𝑒 𝛽መ1

Nilai estimator:
2321.75 −225
Interpretasi:

Nilai 𝛽መ0 menunjukkan Terjadi hubungan yang negative antara jumlah

jumlah permintaan permintaan dan harga, yaitu “Jika harga naik
sepeda motor ketika (atau turun) sebesar Rp. 1 juta maka jumlah
harga sepeda motor permintaan akan turun ( atau naik) sebesar
sebesar Rp.0 225 unit”.