Statistika dan Analisis Data (STA1111)

Pendidikan Kompetensi Umum (PKU) – IPB University

Analisis Regresi
Program Studi Sarjana Statistika dan Sains Data
Departemen Statistika – FMIPA
IPB University

Sekretariat:
Jalan Meranti Wing 22 Level 4, Kampus IPB Dramaga, Bogor
Jawa Barat 16680
Telp & Fax: (0251) 8624535
Email: statistika@ipb.ac.id
URL: stat.ipb.ac.id
Outline

Pendahuluan

Definisi: Analisis Regresi

Model Regresi Linier Sederhana

Pendahuluan
Pendahuluan
• Hubungan antara dua peubah dapat
dilihat melalui asosiasi dan ukuran
keeratannya dengan korelasi

• Asosiasi dan korelasi tersebut tidak

mengidentifikasi hubungan sebab akibat

• Agar dapat mengidentifikasi hubungan

sebab akibat dapat menggunakan
analisis regresi
Ilustrasi
• Pada gambar di samping keeratan hubungan linier
antara peubah X dan Y diukur dengan menggunakan
Y korelasi pearson

• Nilai korelasi pearson diperoleh sebesar r = 0.7 yang

mengindikasikan bahwa hubungan linier antara
peubah X dan Y cukup kuat dengan arah hubungan
X positif
r = +0.7
• Informasi nilai korelasi pearson tidak memberikan
informasi hubungan sebab akibat antara peubah X
dan Y
Definisi: Analisis Regresi
Definisi
• Analisis regresi linear
Analisis statistika yang memanfaatkan hubungan sebab
akibat antara dua atau lebih peubah sehingga salah satu
peubah dapat diramalkan dari peubah lainnya.
Y
Melalui analisis regresi,
peubah Y dapat diramal
dengan menggunakan
peubah X
X
Analisis Regresi
•Analisis Regresi digunakan untuk:
• Memprediksi nilai dari peubah tak
bebas (dependent variable)
berdasarkan nilai setidaknya satu
peubah bebas (independent variable)
• Menjelaskan dampak perubahan
peubah bebas terhadap peubah tak
bebas
 • Terdapat dua jenis peubah dalam analisis regresi:
• Peubah tak bebas (Y) : peubah yang ingin dijelaskan
• Peubah bebas (X): peubah yang digunakan untuk menjelaskan
peubah tak bebas

Tentukan mana peubah dibawah ini yang merupakan peubah tak bebas dan
peubah bebas ?

1. Umur vs tinggi tanaman

2. Biaya promosi vs volume penjualan
3. Produktivitas pertanian vs (tanaman bahan pangan, tanaman
perkebunan rakyat, peternakan dan perikanan)
4. Produksi padi vs luas lahan sawah
5. Tinggi badan vs berat badan
6. Bobot badan vs bobot jantung
Model Regresi Linier Sederhana
Model Regresi Linier Sederhana
•

Population Random
Population Independent Error
Slope
Y intercept Variable term
Coefficient

Dependent
variable

Linear component Random Error

component
Model Regresi Linier Sederhana
(continued)

Y
Observed Value
of Y for Xi

εi Slope = β1

Predicted Value Random Error for

of Y for Xi this Xi value

Intercept = β0

Xi
X
Model Regresi Linier Sederhana
Persamaan regresi linier sederhana memberikan dugaan bagi garis
regresi populasi

Estimated (or Estimate of Estimate of the

predicted) y the regression regression slope
value for intercept
observation i
Value of x for
observation i

The individual random error terms ei have a mean of zero

 Penduga Kuadrat Terkecil
(Least Squares Estimators (LSE))
 Penduga Kuadrat Terkecil
(Least Squares Estimators (LSE))
Asumsi pada Model Regresi linier Sederhana
Interpretasi Kemiringan dan Intersep garis regresi
Contoh Regresi Linier Sederhana

• Sebuah agen real-estate ingin mengetahui hubungan antara

harga jual sebuah rumah dengan luas lantainya (diukur dalam
m2)

• 10 buah rumah diambil secara acak sebagai contoh

• Peubah tak bebas (Y) = harga rumah (juta rupiah)
• Peubah bebas (X) = luas lantai (m2)
Contoh Regresi Linier Sederhana

Harga
Luas Lantai
Rumah
(m2) (X)
(Rp.juta) (Y)
245 1400
312 1600
279 1700
308 1875
199 1100
219 1550
405 2350
324 2450
319 1425
255 1700
Analisis Regresi menggunakan Excel
• Data 🡪 Data Analysis 🡪 Regression
Output dari Excel
Regression Statistics
Multiple R 0.76211 The regression equation is:
R Square 0.58082
Adjusted R Square 0.52842
Standard Error 41.33032
Observations 10

ANOVA
df SS MS F Significance F
Regression 1 18934.9348 18934.9348 11.0848 0.01039
Residual 8 13665.5652 1708.1957
Total 9 32600.5000

Coefficients Standard Error t Stat P-value Lower 95% Upper 95%

Intercept 98.24833 58.03348 1.69296 0.12892 -35.57720 232.07386
Square Feet 0.10977 0.03297 3.32938 0.01039 0.03374 0.18580
Tampilan Grafik
• Model Harga Rumah: scatter plot dan garis regresi

Kemiringan
= 0.10977

Intersep
= 98.248
Interpretasi dari Intersep, b0
Interpretasi dari koefisien kemiringan regresi, b1
LATIHAN MANDIRI
1. Seorang penelitian pertanian ingin melihat pengaruh pemberian pupuk terhadap produksi padi
sawah. Dari 20 sampel petani diperoleh data sebagai berikut:

Pupuk 0 50 75 100 125 150 175 200 225 250

(kg/ha)
Produksi 3,5 3,6 3,5 4,0 4,5 4,25 4,55 6.0 5.7 6,5
(ton/ha)

Pupuk 275 300 325 350 375 400 425 450 475 500
(kg/ha)
Produksi 6,75 7,00 6,50 7,25 7,75 8,00 7,55 8,45 8,25 8,00
(ton/ha)

• Bangunlah model regresi yang menghubungakan antara pupuk dengan produksi (Petunjuk: buat
plot antara pupuk dan produksi, duga model regresinya dan interpretasikan hasilnya)
LATIHAN MANDIRI
2. Penyenggara layanan mata kuliah Statistika dan Analisis Data (STA111), membuat suatu kajian
untuk melihat hubungan antara perolehan nilai UTS dengan UAS. Menurut pengalaman seorang
peserta yang perolehan nilai UTSnya baik maka ada kecenderungan nilai UAS nya juga akan baik.
Untuk mengkaji pola hubungan tersebut, diambil 20 sampel acak peserta STA111 semester ganjil
2020/21 diperoleh data sebagai berikut: (Nilai UTS diurut dari kecil ke besar)
Nilai UTS 30 32 37 38 43 48 50 55 58 59

Nilai UAS 48 40 39 60 55 50 65 60 72 68

Nilai UTS 60 61 63 67 72 74 75 76 80 85

Nilai UAS 78 75 67 88 80 84 85 78 82 87

Bangunlah model regresi yang menghubungakan antara nilai UTS (X) dengan nilai UAS (Y)
(Petunjuk: buat plot antara UTS dan UAS, duga model regresinya dan interpretasikan hasilnya)
Terima Kasih ☺
Preface Slide