Oleh:
Puji syukur kehadirat Allah SWT yang telah memberikan rahmat dan Hidayah-
Nya sehingga kami dapat menyelesaikan tugas Makalah yang berjudul “Regresi
Linear Darab (Berganda)” tepat pada waktunya.
Adapun tujuan dari penulisan dari makalah ini adalah untuk memenuhi salah
satu tugas Probabilitas & Statistik. Selain itu,makalah ini juga bertujuan untuk
menambah wawasan tentang materi: “Regresi Linear Darab (Berganda)”bagi para
pembaca dan juga bagi penulis.
Saya mengucapkan terima kasih kepada Bapak Dian Yayan Sukma, S.T.,M,T.
selaku Dosen Pengampu Matakuliah Probabilitas dan Statistik, yang telah memberikan
tugas ini kepada kelas A S1 Teknik Elektro Angkatan 2021 yang dapat menambah
pengetahuan dan wawasan sesuai dengan bidang studi yang kami tekuni.
Kami juga mengucapkan terima kasih kepada semua pihak yang telah membagi
sebagian pengetahuannya sehingga kami dapat menyelesaikan makalah ini. Kami
menyadari,makalah ini masih jauh dari kata sempurna. Oleh karena itu, kritik dan saran
yang membangun akan kami nantikan demi kesempurnaan makalah ini.
Penyusun
ii
DAFTAR ISI
iii
BAB I
PENDAHULUAN
1.3 Tujuan
1. Mengetahui apa itu Regresi Linear Darab (Berganda)?
2. Mengetahui cara menaksir koefisien regresi dalam sisa kuadrat terkecil?
3. Mengetahui model regresi dengan matriks?
4. Mengetahui sifat penaksir kuadrat terkecil?
5. Mengetahui interferensi dalam regresi linear darab?
1
BAB II
PEMBAHASAN
2
Jika JKG diturunkan berturut-turut terhadap 𝑏0 , 𝑏1, 𝑏2, … , 𝑏𝑘 dan kemudian
disamakan dengan nol,maka kita memperoleh seperangkat persamaan normal
k+1
3
d. Sifat Penaksir Kuadrat terkecil
Sifat-sifat penaksir kuadrat terkecil merujuk pada karakteristik
matematis yang dimiliki oleh metode penaksir ini dalam regresi linear. Berikut
adalah beberapa sifat penting dari penaksir kuadrat terkecil:
4
e. Inferensi dalam Regresi Linear Darab (Berganda)
Analisis Inferensi yang terpenting yang dapat dibuat berkenaan dengan kualitas
prediksi respon y yang berpadanan dengan nilai x1, x2, … , xk ialah selang
kepercayaan pada rataan respon µy| x1, x2, … , xk, jika ingin membuat selang
kepercayaan pada rataan respon untuk pembatas yang diberikan oleh 𝑥 ′ =
[𝐼, 𝑥1 , 𝑥2 , … , 𝑥𝑘 ] , syarat pada x dibubuhi bilangan 1 agar memudahkan
penggunaan lambang matriks, seperti pada kasus k = 1, bila diberi syarat
tambahan bahwa galat saling bebas dan distribusinya normal, maka 𝑏𝑖 juga
normal.
Jadi juga berdistribusi normal dan merupakan penaksir takbias untuk rataan
respon yang ingin dicari selang kepercayaannya. Variansi yˆ yang ditulis dalam
lambang matriks sederhana sebagai fungsi dari σ2 ,(𝑋 ′ 𝑋)−1 dan vektor pembatas
𝑥′0 , ialah
σ2 = σ2 𝑋 ′ (𝑋′𝑋)−1 𝑥0
setelah σ2 diganti dengan S2 , maka selang kepercayaan 100(1-α)% untuk µy| x1,
x2, … , xk dapat dibuat statistic
𝑦̂µ𝑦 |𝑥1, 𝑥2 … , 𝑥𝑘
𝑇=
𝑆√𝑥′(𝑋 ′ 𝑋)−1 𝑥
5
2.2 Study Kasus
6
BAB III
PENUTUP
3.1 KESIMPULAN
Regresi Regresi linear berganda merupakan model regresi yang
melibatkan lebih dari satu variabel independen. Analisis regresi linear berganda
dilakukan untuk mengetahui arah dan seberapa besar pengaruh variabel
independen terhadap variabel dependen. Pada regresi linier berganda, variabel
bebasnya berjumlah lebih dari satu dan memengaruhi variabel yang tak bebas.
tujuan dari analisis regresi linier berganda adalah untuk memprediksi nilai
variabel tak bebas atau response (Y), apabila nilai-nilai variabel bebasnya atau
predictor (X1, X2,..., Xn) diketahui.
3.2 SARAN
Dalam pembuatan makalah ini tim penulis menyadari betul masih
terdapat banyak kesalahan dan kekeliruan maka dari itu tim penulis
mengharapkan kritk dan saran yang membangun kepada pembaca. Selai itu
tim penulis sampaikan kepada pembaca agar tidak merasa cepat puas dengan
materi yang ada karena masih banyak cara yang bisa di jadikan media belajar
dan penambahan wawasan.
7
DAFTAR PUSTAKA
https://spada.uns.ac.id/pluginfile.php/438294/mod_resource/content/1/Pendekatan%2
0Matriks%20-regresi.pdf
Kutner, M. H., Nachtsheim, C. J., Neter, J., & Li, W. (2004). Applied Linear Statistical Models (5th
ed.). McGraw-Hill.
Montgomery, D. C., Peck, E. A., & Vining, G. G. (2012). Introduction to Linear Regression
Analysis (5th ed.). Wiley.