MMT 216 METODE NUMERIK

#1 REGRESI LINIER
Salmawaty
Jurusan Matematika FMIPA UNSYIAH
19 Januari 2023
 Regresi Linier
• Tujuan
• Review
– dasar-dasar statistik
– ukuran sebaran
– distribusi normal
– contoh histogram
• Regresi Linier Kuadrat Terkecil
 Tujuan
• Mengenal dasar-dasar statistik deskriptif
dan distribusi normal
• Mengetahui cara menentukan kemiringan
dan titik potong dengan sumbu-y (intersep)
yang paling tepat untuk garis regresi
• Mengetahui dan memahami arti dari
koefisien determinasi dan simpangan baku
dari penaksiran
• Mengetahui cara menerapkan regresi linier
pada program komputer
 Review Dasar-dasar Statistik
• Rata-rata (mean)
– jumlah data (yi) dibagi dengan jumlah titik (n)

• Median
– titik tengah dari sekumpulan data

• Modus
– nilai yang paling sering muncul dalam sekumpulan
data
 Ukuran Sebaran
• Simpangan baku St
sy =
n −1
St : jumlah kuadrat sisa
St = (yi − y )
2


n-1: derajat kebebasan

(y − y )  y − ( y ) / n
2

2 2
• Variansi i i

s 2
y =
i
=
n −1 n −1
• Koefisien variasi sy
c.v.= 100%
y

Distribusi Normal
Contoh Histogram
Contoh Regresi Linier

Sumber: Rolov Computer Academy

 Regresi Linier Kuadrat Terkecil
• Regresi linier kuadrat terkecil
– metode penentuan koefisien terbaik untuk model linier
dari himpunan data
• Terbaik
– meminimumkan jumlah kuadrat sisa dari penaksiran
– untuk model berupa garis:
n n

S r = ∑ ei2 = ∑ ( yi - a0 - a1 xi )
2

i =1 i =1

• Metode ini membentuk garis tunggal dari himpunan

data
 n n

Meminimumkan S = ∑ e = ∑ ( y - a
r i
2
i 0
- a1 xi )
2

i =1 i =1

• Sr = Sr (a0, a1);
𝜕Sr 𝜕Sr
• Syarat minimum, = 0; =0
𝜕a0 𝜕a1
• Dari kedua syarat di atas, selesaikan untuk
mendapatkan nilai a0 dan a1.
 Pencocokan Kuadrat Terkecil pada
Garis Lurus
• Persamaan garis lurus
y = a0 + a1 x

• Kemiringan dan perpotongan dengan sumbu y

untuk menghasilkan garis terbaik

n ∑ xi y i - ∑ xi ∑ y i
a1 =
n∑ x − (∑ x )
2
2
i i

a0 = y - a1 x
 Contoh
n ∑ xi y i - ∑ xi ∑ y i ...(...) - (...)(...)
i xi yi (xi)2 xiyi a1 = = = ...
n∑ xi2 - (∑ x )i
2
...(...) - (...)
2

1 1 0.5 a0 = y - a1 x = ... − ...(...) = ...

2 2 2.5
y est = ... + ...x
3 3 2.0

4 4 4.0

5 5 3.5

6 6 6.0

7 7 5.5


 Kuantifikasi Galat Taksiran
• Pada garis lurus, jumlah kuadrat sisa
n n
Sr =  e =  (yi − a0 − a1 xi )
2 2
i
i=1 i=1

• Galat taksiran baku: Sr

s y/ x =
n−2
 Simpangan Baku
• Data hasil regresi
(a) sebaran data di sekitar rata-rata
(b) sebaran data di sekitar garis terbaik

• Penurunan sebaran: disebabkan regresi linier

 Koefisien Determinasi
• Koefisien determinasi r2
– Selisih dari jumlah kuadrat sisa dari data dan jumlah kuadrat sisa dari
taksiran, dibagi jumlah kuadrat sisa dari data

St − Sr
r =
2

St
• r2 menyatakan persentase ketidakpastian dari model.
• Untuk taksiran terbaik, Sr=0 dan r2=1.
•  ada perbaikan dari pemilihan nilai rata-rata
Jika r2=0, tidak
• Jika r2<0, model lebih buruk
 Contoh
i xi yi a0+a1xi (yi- ȳ)2 (yi-a0-a1xi)2

1 1 0.5 y est = ... + ...x

St =  ( y − y ) = ...
2
2 2 2.5 i

=  (y − a − a x ) = ...
2
3 3 2.0 Sr i 0 1 i

...
4 4 4.0 sy = = ...
... − 1
5 5 3.5
...
sy / x = = ...
6 6 6.0 ... − 2
... − ...
7 7 5.5 r2 = = ...
...


...% dari ketidakpastian awal telah

dijelaskan oleh model linier