REGRESI LINEAR

Kelompok 9 (IKM C)

1. Delta Mutiara Setia Rini 2200029193

2. Gadis Finandia Nigeliya 2200029198
3. Nika Riyani 2200029207
4. Cecep Ahmat Pauzi 2200029225
5. M. Andiffa Arifianto 2200029232

I. Syarat Uji
Uji F regresi linear sederhana
Untuk menguji H0 : β = 0 vs. H1 : β ≠ 0, menggunakan prosedur berikut :
(1) Hitung statistic uji F
F = Reg MS / Res MS = (L2xy / Lxx) / [(Lyy – L2xy / Lxx) / (n - 2)]
Yang mengikuti distribusi F1,n-2 di bawah H0.
(2) Untuk uji dua sisi dengan tingkat signifikansi α, jika
F > F1, n-2, 1-α, lalu tolak H0; jika
F ≤ F1, n-2, 1-α, lalu terima H0.
(3) Nilai P yang diberikan oleh Pr(F1, n-2 > F).

F = Reg MS / Res MS

= (L2xy / Lxx) / [(Lyy – L2xy / Lxx) / (n - 2)]

F1, n-2 Distribusi

F ≤ F1, n-2, 1-α

Daerah
penerimaan
F > F1, n-2, 1-α
Daerah penolakan

F1, n-2, 1-α Nilai

0
 F1, n-2 Distribusi

P = Pr(F1, n-2 > F)

p-nilai

0 F

Uji t regresi linear sederhana

Untuk menguji hipotesis H0 : β = 0 vs.
H1 : β ≠ 0, menggunakan prosedur berikut
(1) Hitung statistic uji
t = b / (S2y∙x / Lxx)1/2
(2) Untuk uji dua sisi dengan tingkat signifikan level α,
jika t > tn-2, 1-α/2 atau t < tn-2, α/2 = -tn-2, 1- α/2
maka tolak H0;
jika –tn-2, 1-α/2 ≤ t ≤ tn-2, 1-α/2
lalu terima H0.
(3) Nilai p diberikan oleh
p = 2 x (area di sebelah kiri t di bawah tn-2 distribusi) jika t < 0
p = 2 x (area di sebelah kanan t di bawah tn-2 distribusi) jika t ≥ 0
 Daerah
penerimaan
t > tn-2, 1-α/2
≤ t ≤ tn-2, 1-α/2 tn-2 Distribusi
t = b / (S2y.x / Lxx)1/2
t < tn-2, 1-α/2
Daerah
penolakan t > tn-2, 1-α/2
Daerah penolakan

tn-2, α/2 0 tn-2, 1-α/2

Nilai

tn-2 Distribusi
frekuen
si

P/2

t 0
Nilai
(a) jika t < 0, maka p = 2 x (area di sebelah kiri t di bawah tn-2 distribusi)
 tn-2 distribusi
frekuen
si

P/2

0 t

Nilai
(b) jika t = 0, p = 2 x (area di sebelah kanan t di bawah tn-2 distribusi)

II. Rumus Uji

Garis regresi yang dipasang disebut residual. Residu dilambangkan dengan ei.

ei = Yi – (b0 + b1 Xi)

 Yi adalah nilai variabel respon pada level ith dari variabel independen;
 Parameter b0 dan b1 adalah koefisien regresi yang tidak diketahui yang nilainya
akan dihitung;
 Xi adalah konstanta yang diketahui, yang merupakan nilai dari variabel bebas pada
tingkat ke-I; dan E,
 Mewakili istilah kesalahan yang merupakan variabel acak, diasumsikan
terdistribusi normal dengan rata-rata 0 dan varian σ2, yaitu εi ~ N(0,σ2).

Metode kuadrat terkecil menghasilkan perkiraan b0 dan b1 dari parameter regresi yang
meminimalkan jumlah jarak kuadrat dari titik data dari garis regresi yang diberikan oleh,

n n
Q=∑ ei =∑ Yi – (b0 +b 1 X i)
2

i=1 i=1
Metode memperkirakan koefisien regresi b0 dan b1 ini memilih garis lurus yang datang sedekat
mungkin dengan semua titik data di scatter plot. Dapat ditunjukkan bahwa perkiraan diperoleh
oleh,

∑ ( X i −X )(Y i−Y )
b 1= i=1 n

∑ (X i−X )2
i=1

n n

n ( ∑ X i)( ∑ Y i )
∑ X i Y i− i=1
n
i=1

i=1
¿ n

∑ X 2i −¿ ¿ ¿ ¿ ¿
i=1

( )
n n
1
b 0=
n
∑ Y i−b 1 ∑ X i =Y −b 1 X
i=1 i=1

III. Cara Menolak dan Menerima Hipotesis

Daerah
penerimaan
t > tn-2, 1-α/2
≤ t ≤ tn-2, 1-α/2 tn-2 Distribusi
t = b / (S2y.x / Lxx)1/2
t < tn-2, 1-α/2
Daerah
penolakan t > tn-2, 1-α/2
Daerah penolakan

tn-2,α/2 0 tn-2, 1-α/2

Nilai
IV. Cara Membaca Tabel

V. Contoh Soal
Berapa peneliti memeriksa fungsi neuromuskular, indeks oklusal, dan perbedaan oklusi yang
berpusat pada hubungan sentris dari pasien yang dirawat secara ortodontik, Kowalczyk [6]
mengumpulkan peningkatan masseter isometrik berikut Nilai sEMG (elektromiografi
permukaan) kanan anterior temporalis (R-AT) dan temporal anterior kiri (L-AT) dari 23 pasien.
Memperkirakan regresi berfungsi untuk memprediksi temporal anterior kiri yang diberikan nilai
temporal anterior kanan

3.8
 3.6 ei
Pre-clinic score
3.4

3.2

3.0

2.8
12 14 16 18 20 22 24 26 28

PAT score

Pasien R-AT L-AT Pasien R-AT L-AT

1 61 60 13 110 95
2 180 185 14 49 20
3 190 180 15 75 88
4 115 90 16 103 102
5 200 185 17 145 170
6 155 80 18 245 220
7 185 190 19 100 150
8 48 77 20 160 120
9 75 75 21 160 190
10 70 65 22 101 120
 11 142 110 23 15 40
12 98 50

Menunjukkan bahwa garis lurus akan cocok. Temporalis anterior kiri adalah variabel respon Yi
dan temporalis anterior kanan adalah variabel independen Xi. Menggunakan metode kuadrat
terkecil untuk memperkirakan koefisien regresi b0 dan bi, dari data yang disajikan dalam tabel,
kita dapat menghitung

n n

n ( ∑ X i)( ∑ Y i )

b1
∑ X i Y i− i=1
n
i=1

i=1
¿ n

∑ X 2i −¿ ¿ ¿ ¿ ¿
i=1

( 2,782 ) ( 2,662 )
384 , 857−
23
¿ 2
=0,8589
(2,782)
409 ,704−
23

(∑ )
n n
1
b 0= Y i−b 1 ∑ X i =Y −b 1 X
n i=1 i=1

1
¿
23
[ 2,662−( 0,8589 )( 2,782 ) ]=11.850

Dengan subtitusi kita mendapatkan regresi yang pas Yi = 11.850 + 0.8589 Xi.
Jika kita tarik pada rata-rata L-AT (atau nilai prediksi) ketika R-AT adalah X =125, estimasi Yi
kita 11,850+0,8589(125)+119,21. Nilai dari L-TA untuk setiap pasien individu yang R-AT-nya
125 tidak mungkin tepat 119,21 tetapi lebih rendah atau lebih tinggi karena variabilitas inheren
dalam variabel respon Yi Sebagaimana diwakili oleh istilah ei. Namun perlu diingat bahwa nilai
eskpetasi Yi untuk nilai tertentu Xi = 125 adalah 119,21. Kami menyatat bahwa garis regresi pas
n n
yang di ilustrasikan pada gambar 11.2.7 memiliki Q=∑ ei =∑ Yi – (b0 +b 1 X i) daripada garis
2

i=1 i=1

regresi arbitrary lainya.

VI. Kesimpulan
Dari materi mengenai regresi linear ini adalah metode statistik yang berfungsi untuk menguji
sejauh mana hubungan sebab akibat antara variabel faktor penyebab terhadap variabel akibatnya.
Dalam regresi linear dikenal istilah residual, yaitu Garis regresi yang dipasang yang disimbolkan
dengan ei, variabel bebas disimbolkan dengan XI, koefisien dan konstanta, parameter b0 dan b1
adalah koefisien regresi yang tidak diketahui yang nilainya akan dihitung. Regresi linear secara
matematik dirumuskan dengan Yi = b0 + bi Xi + ei.