SDP09 Regresi Dan Korelasi

Universitas Gadjah Mada
Fakultas Teknik
Departemen Teknik Sipil dan Lingkungan
REGRESI DAN KORELASI

Statistika dan Probabilitas
Kurva Regresi
2
q Mencari garis/kurva yang mewakili serangkaian titik data

q Ada dua cara untuk melakukannya, yaitu
q Regresi
q Interpolasi
q Aplikasi di bidang enjiniring
q Pola perilaku data (trend analysis)
q Uji hipotesis (hypothesis testing)
http://istiarto.staff.ugm.ac.id Regresi dan Korelasi 10-Nov-17

Kurva Regresi
3
q Pemakaian regresi
q Apabila data menunjukkan tingkat kesalahan yang cukup signifikan atau
menunjukkan adanya noise
q Untuk mencari satu kurva tunggal yang mewakili pola umum perilaku data
q Kurva yang dicari tidak perlu melewati setiap titik data

Kurva Regresi
4
q Interpolasi
q Diketahui bahwa data sangat akurat
q Untuk mencari satu atau serangkaian kurva yang melewati setiap titik data
q Untuk memperkirakan nilai-nilai di antara titik-titik data
q Extrapolasi
q Mirip dengan interpolasi, tetapi untuk memperkirakan nilai-nilai di luar range
titik-titik data

Kurva Regresi terhadap Data Pengukuran
5
q Analisis pola perilaku data

q Pemanfaatan pola data (pengukuran, eksperimen) untuk melakukan perkiraan
q Apabila data persis (akurat): interpolasi
q Apabila data tak persis (tak akurat): regresi
q Uji hipotesis
q Pembandingan antara hasil teori atau hasil hitungan dengan hasil pengukuran

Beberapa Parameter Statistik
6
merepresentasikan sebaran data
Rata-rata aritmatik, mean 1

q y=
n
∑ yi
q Deviasi standar, simpangan St 2

baku, standard deviation sy = St = ∑ ( y i − y )
n −1
q Varian (‘ragam’), variance St

sy 2 =
n −1
q Coefficient of variation s
cv = y 100%
y
Distribusi Probabilitas
7
frek
Distribusi Normal
salah satu distribusi/sebaran data
yang sering dijumpai adalah
distribusi normal

8 Regresi
Regresi linear: metode kuadrat terkecil
Regresi hubungan tak-linear yang dilinearkan

Regresi: Metode Kuadrat Terkecil
9
q Mencari satu kurva atau satu fungsi (pendekatan) yang sesuai dengan pola
umum yang ditunjukkan oleh data
q Datanya menunjukkan kesalahan yang cukup signifikan
q Kurva tidak perlu memotong setiap titik data
q Regresi linear
q Regresi persamaan-persamaan tak-linear yang dilinearkan
q Regresi tak-linear

Regresi: Metode Kuadrat Terkecil
10
q Bagaimana caranya?
q Program komputer
q Spreadsheet (Microsoft Excel)
q Program aplikasi: Matlab, Octave, Scilab

Regresi Linear
11
q Mencari suatu kurva lurus yang cocok menggambarkan pola serangkaian titik
data: (x1,y1), (x2,y2) … (xn,yn)
yreg = a0 + a1x
a0 : intercept
a1 : slope, gradien
q Microsoft Excel
q INTERCEPT(y1:yn;x1:xn)
q SLOPE(y1:yn;x1:xn)

Regresi Linear
12
q Kesalahan atau residu (e) adalah perbedaan antara nilai y sesungguhnya

(data y) dan y nilai pendekatan (yreg) menurut persamaan linear a0 + a1x.
e = y − y reg = y − a0 − a1x
q Meminimumkan jumlah kuadrat residu tersebut
min !" Sr #$ = min !" ∑ ei 2 #$ = min !' ∑ ( y i − a0 − a1xi ) #(

2
" $

Regresi Linear
13
q Bagaimana cara mencari

koefisien a0 dan a1?
q Diferensialkan persamaan
tersebut dua kali, masing-masing ∂Sr
= −2∑ ( y i − a0 − a1xi ) = 0
terhadap a0 dan a1. ∂a0
q Samakan kedua persamaan hasil ∂Sr
diferensiasi tersebut dengan nol. = −2∑ ( y i − a0 − a1xi ) xi = 0
∂a1

Regresi Linear
14
q Selesaikan persamaan yang didapat untuk mencari

a0 dan a1
n∑ xi y i − ∑ xi ∑ y i
a1 = 2
n∑ xi − 2
(∑ x )
i
a0 = y − a1x
q dalam hal ini, y dan x masing-masing adalah nilai y rata-rata x rata-rata

Contoh Regresi Linear
15
Tabel data Grafik/kurva data

i xi yi = f(xi) 7
6
0 1 0.5
5
1 2 2.5
y = f(x)
4
2 3 2 3
3 4 4 2
4 5 3.5 1
5 6 6 0
0 1 2 3 4 5 6 7
6 7 5.5 X
Hitungan Regresi Linear
16
i xi yi xi yi xi2 yreg (yi−yreg)2 (yi−ymean)2

0 1 0.5 0.5 1 0.910714 0.168686 8.576531
1 2 2.5 5 4 1.75 0.5625 0.862245
2 3 2.0 6 9 2.589286 0.347258 2.040816
3 4 4.0 16 16 3.428571 0.326531 0.326531
4 5 3.5 17.5 25 4.267857 0.589605 0.005102
5 6 6.0 36 36 5.107143 0.797194 6.612245
6 7 5.5 38.5 49 5.946429 0.199298 4.290816
∑= 28 24.0 119.5 140 ∑= 2.991071 22.71429

17
n∑ xi y i − ∑ xi ∑ y i 7 (119.5) − 28 (24)
a1 = 2
= 2
= 0.839286
n∑ xi − 2
(∑ x ) i
7 (140) − (28)
24
y= = 3.4
7
28
x= =4
7
a0 = 3.4 − 0.839286 ( 4) = 0.071429

18
7
6
5
4
Y
3 data
y reg = a0 + a1x
2 regresi
1
0
0 1 2 3 4 5 6 7 8
X

Regresi Linear
19
q Kuantifikasi kesalahan
q Kesalahan standar
Sr
Sr = å (yi - a0 - a1xi )
2
sy x =
n -2
q Perhatikan kemiripannya dengan simpangan baku
St
St = å (y i - y )
2
sy =
n -1

Regresi Linear
20
q Beda antara kedua kesalahan tersebut menunjukkan perbaikan atau

pengurangan kesalahan
St − S r koefisien determinasi
r2 =
St (coefficient of determination)
r=
(∑ x ) (∑ y )
n∑ xi y i − i i koefisien korelasi
2 2 (correlation coefficient)
n∑ x − (∑ x ) n∑ y − (∑ y )
i
2
i i
2
i
−1 ≤ r ≤ +1

Hitungan regresi linear
21
2
Sr = ∑ ( y i − a0 − a1xi ) = 2.991071
2
St = ∑ ( y i − y ) = 22.71429
St − Sr 22.71429 − 2.991071
r2 = = = 0.868318
St 22.71429
r = 0.931836
−1 ≤ r ≤ +1

22 Regresi
Linearisasi persamaan tak-linear

Regresi Linear
23
q Linearisasi persamaan-persamaan tak-linear

q Logaritmik menjadi linear
q Eksponensial menjadi linear
q Pangkat (polinomial tingkat n > 1) menjadi linear (polinomial tingkat 1)
q Dll.

Linearisasi Persamaan Tak-Linear
24
y ln y
ln y = ln a1 + b1 x
y = a1 eb1x b1
1
ln a1
x x

25
y log y log y = log a2 + b2 log x
y = a2 xb2 b2
1
x log x
logb2

26
1 b3 + x 1 b3 1
y 1/y = = +
y a3 x a3 a3 x
x b3 a3
y = a3
b3 + x 1 a3 1
x 1/x

27 Korelasi
Korelasi
Korelasi serial (auto korelasi)

Koefisien Korelasi
28
St − S r S St − S r Sr
r2 = = 1− r r= = 1− q koefisien korelasi
St St St St
2
St = å (y i - y ) ∑ (y − y )
2
i reg
r = 1− 2
∑ (y − y )
i
Sr = å (yi - a0 - a1xi )
2
2
r = 1−
∑ (y − a − a x )
i 0 1 i
2
∑ (y − y )
i

Koefisien Korelasi
29
∑ (y i − a0 − a1xi )
2
r=
(∑ x ) (∑ y )
n∑ xi y i − i i
r = 1− 2 2 2
∑ (y − y )
i n∑ x − (∑ x ) n∑ y − (∑ y )
i
2
i i
2
i

Koefisien Korelasi
30
r=
(∑ x ) (∑ y )
n∑ xi y i − i i
2 2
n∑ x − (∑ x ) n∑ y − (∑ y )
i
2
i i
2
i
2 2
sX ,Y =
∑ ( )(
X i − X Yi −Y ) sX =
∑( Xi − X ) sY =
∑( Yi −Y )
! n−1 n−1 n−1
kovarian X dan Y simpangan baku X simpangan baku Y

Koefisien Korelasi
31
sX ,Y = COVARIANCE. S(X,Y)
r = rX ,Y = rX ,Y ←
sX sY = STDEV . S(X) × STDEV . S(Y)
! MS Excel
r ← = CORREL(X ,Y )
! X ,Y
q koefisien korelasi antara variabel random X dan Y

Koefisien Korelasi
32
q Pengertian koefisien korelasi

q Koefisien korelasi menunjukkan tingkat keeratan hubungan linear antara suatu
variabel random Y dan suatu variabel kedua yang merupakan fungsi linear dari
satu atau lebih variabel(-variabel) X
n Setiap variabel X dapat berupa variabel random atau bukan variabel random
http://istiarto.staff.ugm.ac.id http://istiarto.staff.ugm.ac.id 10-Nov-17

Koefisien Korelasi
33
q Nilai koefisien korelasi adalah −1 < rX,Y < 1

q rX,Y = ±1 menunjukkan hubungan linear sempurna antara X dan Y
q rX,Y = 0 menunjukkan independensi (ketidak-gantungan) linear,
namun dapat saja keduanya memiliki hubungan
(kebergantungan) yang lain, yang tidak linear
q Jika X dan Y tidak saling bergantung (independent), maka rX,Y = 0
q Koefisien korelasi sampel dan populasi
q rX,Y koefisien korelasi sampel
q ρX,Y koefisien korelasi populasi

Inferensi terhadap Koefisien Korelasi Populasi
34
q Dua variabel random

q tak berkorelasi, ρX,Y = 0
q berkorelasi, ρX,Y ≠ 0
q Situasi
q Sampel yang diperoleh dari variabel random yang tidak berkorelasi
n jarang menunjukkan nilai rX,Y = 0

n koefisien korelasi sering rX,Y ≠ 0, karena kebetulan
q Oleh karena itu perlu pengujian
n untuk mengetahui penyimpangan koefisien korelasi dari nol tersebut benar disebabkan oleh
kebetulan, atau
n penyimpangan tersebut terlalu besar untuk dikatakan sebagai akibat kebetulan

Inferensi terhadap ρ
35
q Uji hipotesis
q H0: ρX,Y = 0
q H1: ρX,Y ≠ 0
12
⎡n−2⎤
statistik uji T =r⎢ 2⎥
T > t1−α 2,n−2
H0 ditolak
⎣ 1− r ⎦

Inferensi terhadap ρ
36
q Uji hipotesis
q H0: ρX,Y = ρ* (ρ* konstanta) ukuran sampel n > 25
q H1: ρX,Y ≠ ρ*
( )( )
12
statistik uji Z = W −ω n−3 Z > z1−α 2 H0 ditolak
⎡ 1+ r ⎤ $ 1+ρ '
W = ln⎢ 1
2
⎥ = arctanh r ω = ln&1
2 ) = arctanhρ
⎣1− r ⎦ ! %1−ρ (
# & # &
z z
q Rentang keyakinan ρ: l = tanh%%W − 1−α 21 2 (( u = tanh%%W + 1−α 21 2 ((
!
%$ n−3 ('( )!
%$ n−3 (' ( )
Korelasi Serial
37
q Korelasi serial (serial correlation)

q dikenal pula sebagai autokorelasi (autocorrelation)
q yaitu korelasi antara data hasil pengukuran pada suatu waktu dengan data
hasil pengukuran pada waktu sebelumnya
q elemen dalam sampel yang memiliki korelasi serial bukan elemen random
(ingat definisi variabel random)

Korelasi Serial
38
q Pada korelasi serial, dengan demikian

q sampel berukuran n yang memiliki korelasi serial akan memberikan informasi
yang lebih sedikit dibandingkan dengan informasi yang dimiliki oleh sampel
random berukuran n
q sebagian informasi pada sampel yang memiliki korelasi serial dapat diperoleh
dari atau telah diketahui dalam data hasil pengukuran pada waktu sebelumnya

Korelasi Serial
39
q Korelasi serial (serial correlation)

q Dapat pula dijumpai antara suatu pengukuran pada waktu tertentu dengan
pengukuran pada waktu k periode waktu sebelumnya (terdahulu), k = 1,2, …
q Asumsi
n Selang waktu antar pengukuran adalah sama (seragam)
n Sifat-sifat statistis proses atau peristiwa yang diukur tidak berubah terhadap waktu
(bersifat permanen)
n ρ(k) koefisien korelasi serial populasi
r(k) koefisien korelasi serial sampel

Korelasi Serial
40
n−k n−k n−k
∑x x i i+k
− ∑ xi ∑ xi+k (n−k ) xi = X i − X i
r(k) = i=1 i=1
12
i=1
12
) n−k # n−k &
2 , ) n−k # n−k &
2 , x = X i+k − X i+k
+ x 2 −% x ( ! i+k
( n−k .
) + x 2 −% x (
( n−k .
)
+∑ i %∑ i (
$ i=1 ' . +∑ i+k %∑ i+k (
$ i=1 ' .
! * i=1 - * i=1 -
sX ,X = COVARIANCE. S (X I , X i+k )
r(k) = rX ,X = i i+k
r (k) ←
i i+k
sX sX = STDEV . S (X I ) × STDEV . S (X i+k )
! i i+k
r ( k ) ← = CORREL (X I , X I+K )

Korelasi Serial
41
q r(0) = 1 korelasi suatu elemen data dengan dirinya sendiri adalah sama
dengan satu
q semakin besar k, jumlah pasangan data untuk menghitung r(k) semakin
sedikit; r(k) adalah nilai estimasi ρ(k)
q oleh karena itu, k << n
q jika ρ(k) = 0 untuk semua k, maka proses atau peristiwa atau populasi
tersebut bersifat random murni

42 Regresi
Regresi linear ganda (multiple linear regression)
10-marras-
http://istiarto.staff.ugm.ac.id Regresi dan Korelasi
17
Regresi Linear Ganda
43
q Misal variabel y adalah fungsi linear dua variabel bebas x1 dan x2
y = a0 + a1x1 + a2x2
q Koefisien a0, a1, a2 pada persamaan di atas dapat ditemukan dengan metode
kuadrat terkecil kesalahan (error)
n
2
Sr = ∑ ( y i − a0 − a1x1i − a2x2i )
i=1
10-marras-
17
44
q Diferensial parsial persamaan q Samakan persamaan diferensial

tersebut terhadap masing-masing tsb dengan nol dan atur suku-suku
koefisien adalah sbb. dalam persamaan
n
∂Sr n n n
∂a0
(
= −2∑ yi −a0 −a1 x1i −a2 x2i ) na0 + ∑ x1i a1 + ∑ x2i a2 = ∑ yi
i=1 i=1 i=1 i=1
n n n n n
∂Sr
∂a1
(
= −2∑ x1i yi −a0 −a1 x1i −a2 x2i ) ∑x 1i
2
a0 + ∑ x1i a1 + ∑ x1i x2i a2 = ∑ x1i yi
i=1 i=1 i=1 i=1 i=1
n n n n n
∂Sr
∂a2
(
= −2∑ x2i yi −a0 −a1 x1i −a2 x2i ) x a + x x a + x 2
∑ 2i 0 ∑ 1i 2i 1 ∑ 2i a2 = ∑ x2i yi
i=1
! i=1 i=1 i=1 i=1
10-marras-
17
45
q Persamaan-persamaan linear tersebut dapat dituliskan dalam bentuk

persamaan matriks sbb.
⎡ n n ⎤ ⎧ n ⎫
⎢ n ∑x 1i ∑x 2i
⎥ ⎪ ∑ yi ⎪⎪
⎢ ⎥⎧ ⎫ ⎪
⎢
i=1 i=1
a
⎥⎪ 0 ⎪ ⎪
i=1
⎪⎪
n n n n
⎢ ∑x ∑x 2
∑x x2i ⎥⎪⎨ a ⎪⎬ = ⎪⎨ ∑ x1i yi ⎬
⎢ 1i 1i 1i ⎥⎪ 1 ⎪ ⎪
i=1 i=1 i=1 i=1 ⎪
⎢ n n n
⎥⎪⎩ a2 ⎪⎭ ⎪ n ⎪
⎢ 2 ⎥
⎢ ∑x 2i ∑x 1i
x2i ∑x 2 ⎥
⎪
⎪⎩
∑ x2i yi ⎪⎪
⎣ i=1 i=1 i=1 ⎦ i=1 ⎭
10-marras-
17
Contoh
46
q Temukanlah persamaan linear x1 x2 y

yang mewakili pola sebaran 0 0 5
data dalam tabel di samping ini. 2 1 10
q Jawab 2.5 2 9
y = 5+ 4x1 − 3x2 1 3 0
4 6 3
r2 = 1
7 2 27
10-marras-
17
47 http://istiarto.staff.ugm.ac.id Regresi dan Korelasi 10-Nov-17

SDP09 Regresi Dan Korelasi

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

SDP09 Regresi Dan Korelasi

Diunggah oleh

Hak Cipta:

Format Tersedia

Universitas Gadjah Mada

REGRESI DAN KORELASI

q Mencari garis/kurva yang mewakili serangkaian titik data

http://istiarto.staff.ugm.ac.id Regresi dan Korelasi 10-Nov-17

http://istiarto.staff.ugm.ac.id Regresi dan Korelasi 10-Nov-17

http://istiarto.staff.ugm.ac.id Regresi dan Korelasi 10-Nov-17

q Analisis pola perilaku data

http://istiarto.staff.ugm.ac.id Regresi dan Korelasi 10-Nov-17

Rata-rata aritmatik, mean 1

q Deviasi standar, simpangan St 2

q Varian (‘ragam’), variance St

http://istiarto.staff.ugm.ac.id Regresi dan Korelasi 10-Nov-17

http://istiarto.staff.ugm.ac.id Regresi dan Korelasi 10-Nov-17

http://istiarto.staff.ugm.ac.id Regresi dan Korelasi 10-Nov-17

http://istiarto.staff.ugm.ac.id Regresi dan Korelasi 10-Nov-17

http://istiarto.staff.ugm.ac.id Regresi dan Korelasi 10-Nov-17

q Kesalahan atau residu (e) adalah perbedaan antara nilai y sesungguhnya

q Meminimumkan jumlah kuadrat residu tersebut

min !" Sr #$ = min !" ∑ ei 2 #$ = min !' ∑ ( y i − a0 − a1xi ) #(

http://istiarto.staff.ugm.ac.id Regresi dan Korelasi 10-Nov-17

q Bagaimana cara mencari

http://istiarto.staff.ugm.ac.id Regresi dan Korelasi 10-Nov-17

q Selesaikan persamaan yang didapat untuk mencari

q dalam hal ini, y dan x masing-masing adalah nilai y rata-rata x rata-rata

http://istiarto.staff.ugm.ac.id Regresi dan Korelasi 10-Nov-17

Tabel data Grafik/kurva data

i xi yi xi yi xi2 yreg (yi−yreg)2 (yi−ymean)2

http://istiarto.staff.ugm.ac.id Regresi dan Korelasi 10-Nov-17

http://istiarto.staff.ugm.ac.id Regresi dan Korelasi 10-Nov-17

http://istiarto.staff.ugm.ac.id Regresi dan Korelasi 10-Nov-17

q Perhatikan kemiripannya dengan simpangan baku

http://istiarto.staff.ugm.ac.id Regresi dan Korelasi 10-Nov-17

q Beda antara kedua kesalahan tersebut menunjukkan perbaikan atau

http://istiarto.staff.ugm.ac.id Regresi dan Korelasi 10-Nov-17

http://istiarto.staff.ugm.ac.id Regresi dan Korelasi 10-Nov-17

http://istiarto.staff.ugm.ac.id Regresi dan Korelasi 10-Nov-17

q Linearisasi persamaan-persamaan tak-linear

http://istiarto.staff.ugm.ac.id Regresi dan Korelasi 10-Nov-17

http://istiarto.staff.ugm.ac.id Regresi dan Korelasi 10-Nov-17

y log y log y = log a2 + b2 log x

http://istiarto.staff.ugm.ac.id Regresi dan Korelasi 10-Nov-17

http://istiarto.staff.ugm.ac.id Regresi dan Korelasi 10-Nov-17

http://istiarto.staff.ugm.ac.id Regresi dan Korelasi 10-Nov-17

http://istiarto.staff.ugm.ac.id Regresi dan Korelasi 10-Nov-17

http://istiarto.staff.ugm.ac.id Regresi dan Korelasi 10-Nov-17

kovarian X dan Y simpangan baku X simpangan baku Y

http://istiarto.staff.ugm.ac.id Regresi dan Korelasi 10-Nov-17

q koefisien korelasi antara variabel random X dan Y

http://istiarto.staff.ugm.ac.id Regresi dan Korelasi 10-Nov-17

q Pengertian koefisien korelasi

http://istiarto.staff.ugm.ac.id http://istiarto.staff.ugm.ac.id 10-Nov-17

q Nilai koefisien korelasi adalah −1 < rX,Y < 1

http://istiarto.staff.ugm.ac.id http://istiarto.staff.ugm.ac.id 10-Nov-17

q Dua variabel random

n jarang menunjukkan nilai rX,Y = 0

http://istiarto.staff.ugm.ac.id http://istiarto.staff.ugm.ac.id 10-Nov-17

http://istiarto.staff.ugm.ac.id http://istiarto.staff.ugm.ac.id 10-Nov-17

q Korelasi serial (serial correlation)

http://istiarto.staff.ugm.ac.id http://istiarto.staff.ugm.ac.id 10-Nov-17

q Pada korelasi serial, dengan demikian

http://istiarto.staff.ugm.ac.id http://istiarto.staff.ugm.ac.id 10-Nov-17

q Korelasi serial (serial correlation)

http://istiarto.staff.ugm.ac.id http://istiarto.staff.ugm.ac.id 10-Nov-17