MATERI 2.1
Latar Belakang
Terdapat kejadian– kejadian , kegiatan- kegiatan, atau
masalah- masalah yang saling berhubungan satu sama lain
Dibutuhkan analisis hubungan antara kejadian tersebut
Perlu dibahas mengenai bentuk hubungan yang ada atau
diperkirakan ada antara kedua peubah tersebut
APA YANG DIUKUR DARI HUBUNGAN TERSEBUT
(x i x )( yi y )
rxy i 1
n n
i
( x
i 1
x ) 2
i
( y
i 1
y ) 2
Keterangan:
Hubungan positif menyatakan hubungan semakin besar nilai pada variabel
bebas, diikuti pula perubahan dengan semakin besar nilai pada variabel
terikat
r = 0,00 menyatakan tidak ada hubungan sama sekali (dua variabel tidak
berhubungan).
Kuat dan tidaknya hubungan antara X dan Y apabila dapat dinyatakan dengan fungsi
linear(paling tidak mendekati), diukur dengan suatu nilai yang disebut koefisien
korelasi. Nilai koefisien korelasi ini dari –1 sampai +1.
Jadi jika r = koefisien korelasi, maka r dapat dinyatakan sebagai berikut :
-1 r +1
Kuat (-) Kuat (+)
-1 +1
14
12
10
0 1 2 3 4 5 6 7 8 9 10 11 12 13
Koefisien korelasi (x dan y) mempunyai hubungan negatif
16
14
12
10
0 1 2 3 4 5 6 7 8 9 10 11 12 13
Koefisien korelasi (x dan y) tidak mempunyai hubungan atau hubungan lemah sekali
Y Y
atau
0 X 0 X
Contoh 1
• Berikut ini data mengenai pengalaman kerja dan penjualan
• x=pengalaman kerja (tahun)
• y=omzet penjualan (ribuan)
x 2 3 2 5 6 1 4 1
y 5 8 8 7 11 3 10 4
Yi 0 1 X i i ; i 1,2,..., n
Macam-macam Model Regresi
Model Regresi
influences
Y X
Dependent variable Independent variable
Variabel tergantung Variabel bebas
Variabel respon Variabel prediktor
Correlation Regression
Is there an association How exactly does Y change
between X and Y? if X changes?
Y intercept Random
Error
Yi 0 1 X i i
Dependent
(Response) Independent
Slope (Explanatory)
Variable
Variable
Simple Linear Regression
Population Model
Y Yi β 0 β1X i ε i
Observed Value
of Y for Xi
εi Slope = β1
Predicted Value
of Y for Xi Random Error for
this Xi value
Intercept = β0
Xi
Satu satuan X
Model Regresi linear Sederhana
(yang hubungannya linear ordo x=1 )
linear dalam parameter
Sederhana = banyaknya peubah bebas/penjelas hanya satu
Hubungan antara X dan Y dinyatakan dalam fungsi linear/ordo 1
Perubahan Y diasumsikan karena adanya perubahan X
Model populasi regresi linear sederhana yang hubungannya linear (selanjutnya
cukup sebut “regresi linear sederhana”) :
Y β 0 β1x ε
Dengan :
0 dan 1 adalah parameter regresi
adalah galat (peubah acak)
Y adalah peubah tak bebas (peubah acak)
X adalah peubah bebas yang nilainya diketahui
Tahap-tahap dalam Analisis Regresi
( x )( y )
xy n Metode
b1
x 2
( x ) 2
Kuadrat Terkecil
n
b0 y b1 x
b1 r
sy
sx
dimana s y
1
n i
Yi Y
2
dan s x
1
n i
Xi X
2
.
Bagaimana menilai kesesuaian model regresi ??
R2 (Koef. Determinasi) = proporsi keragaman Y yang mampu dijelaskan oleh X
𝑛 2
𝑖=1 𝑦𝑖 − 𝑦𝑖
𝑅2 = 1 − 𝑛 2
𝑖=1 𝑦𝑖 − 𝑦𝑖
galat εi, tidak berkorelasi satu dengan yang lainnya, sehingga E[ε i ε j ] 0 , i j
atau cov[ε i , ε j ] 0 , i j
Interpretasi Parameter Model
Regresi linear Sederhana
Model Regresi linear Sederhana (populasi) :
Peubah tak Intersep Y Koefisien Peubah bebas/
bebas/ kemiringan Peubah penjelas galat
populasi
populasi
Peubah respon
Y β 0 β1X ε
β 0 β1 X
2
Interpretasi Parameter Model
Regresi linear Sederhana
(lanjutan)
Y Y β 0 β1X ε
Nilai
pengamatan Y yi
untuk Xi
εi Slope = β1
Nilai E[Y | xi ] galat untuk xi
harapan/rataan
Y untuk xi
yi β 0 β1xi εi
Intersep = β0 yi E[Y | xi ] i
E[Y | x i ] β 0 β1 xi
xi X
Model Regresi linear
Sederhana (contoh)
Dugaan bagi persamaan garis regresi :
Y ^
yˆi b b1 xi
Nilai
y b 0 b1x 0
pengamatan Y yi
untuk Xi
ei Slope = b1
Nilai dugaan
Sisaan/galat
E [Y | xi ]
bagi nilai untuk xi
harapan Y
untuk xi yi b0 b1 xi ei
Intersep = b0 e[y | x i ] b 0 b1 xi ei y i yi
xi X
Persamaan Garis Regresi linear
Sederhana
Persamaan garis regresi linear sederhana merupakan dugaan bagi garis
regresi linear sederhana populasi
Dugaan bagi
Nilai dugaan Dugaan bagi kemiringan garis
y pada intersep β0 regresi β1
pengamatan
ke - i Nilai x pada
pengamatan
ŷ i b 0 b1x i ke - i
ei ( y i - yˆ i ) y i - (b0 b1x i )
Interpretasi koefisien
kemiringan dan intersep
b0 adalah nilai dugaan rataan y ketika x bernilai nol (jika x = 0
dalam selang pengamatan)
x 2 3 2 5 6 1 4 1
y 5 8 8 7 11 3 10 4
n n
(x i x)(yi y) (x i x )( yi y )
30
30 rxy i 1
0,8183
b1 i 1
1,25 n n
( 24 )( 56 )
n
(x x) 2
(y y)2
i
24
2 i i
(x x ) i 1 i 1
i 1 𝑛 2
2 𝑖=1 𝑦𝑖 − 𝑦𝑖 18,5
𝑅 =1− =1− = 0,6696
b 0 y b1x 7 - (1,25)(3) 3,25 𝑛
𝑖=1 𝑦𝑖 − 𝑦𝑖 2 56
Contoh 1
a. Diperoleh nilai b0 = 3,25 ; b1 = 1,25 ; rxy = 0,8183 ; dan R2 = 0,6696
b. Persamaan regresi linearnya adalah y = 3,25 + 1,25x
c. Nilai duga y jika x=3,5 adalah y = 3,25 + 1,25x
Y = 3,25 + 1,25(3,5)
= 7,625
Contoh 2
Diketahui suatu penelitian terhadap hubungan antara nilai biaya periklanan dengan tingkat
penjualan dari sebuah koperasi adalah sebagai berikut : (dalam ribuan rupiah)
Biaya periklanan Tingkat Penjualan
50 40
51 46
52 44
53 55
54 49
(x
n
i x)(yi y) (x i x )( yi y )
27
27 rxy i 1
0,7582
b1 i 1
2,7 n n
10 126,8
(x (y
n
x) y)2
(x
10 2
i x) 2
i 1
i
i 1
i
i 1
𝑛 2
b 0 y b1x 46,8 - (2,7)(52) 93,6 𝑅 =1−2 𝑖=1
𝑛
𝑦𝑖 − 𝑦𝑖
=1−
53,59
= 0,5749
𝑦𝑖 − 𝑦𝑖 2 126,8
𝑖=1
Contoh 2
Kesimpulan jawaban
1. Persamaan regresi linearnya adalah y = - 93,6 + 2,7x
2. Jika garis regresi ditunjukkan dengan persamaan y = - 93,6 + 2,7x maka
dapat diartikan bahwa tingkat penjualan akan bertambah sebesar 2,7 pada
setiap kenaikan biaya periklanan sebanyak 1 satuan
3. Nilai koefisien determinasi (R2) sebesar 0.5749, artinya sumbangan atau
pengaruh biaya periklanan terhadap naik turunnya tingkat penjualan
adalah sebesar 57,49%. Sisanya 42.51% disebabkan oleh faktor lain yang
tidak dimasukkan dalam model
4. Nilai koef korelasi (rxy) = 0,7582 artinya ada hubungan yang kuat dan positif
antara biaya periklanan dan tingkat penjualan
Contoh 2
Kesimpulan jawaban