Regresi Linier 𝑡𝑡𝛼𝛼⁄2 𝑆𝑆𝑒𝑒 𝑡𝑡𝛼𝛼⁄2 𝑆𝑆𝑒𝑒

�1 −
𝛽𝛽 �1 +
< 𝛽𝛽0 < 𝛽𝛽
• Regresi = suatu model yang menunjukkan sebab akibat antara 𝑆𝑆𝑥𝑥 �(𝑛𝑛 − 1) 𝑆𝑆𝑥𝑥 �(𝑛𝑛 − 1)
peubah terikat Y dengan peubah bebas.
• Regresi linier sederhana adalah regresi antara satu peubah terika (2,306)(7,01) (2,306)(7,01)
Y dengan satu peubah X. 10,4181 − < 𝛽𝛽0 < 10,4181 +
Rumus: 3,027�(10 − 1) 3,027�(10 − 1)
Y= β0 + β1X + ε
𝟖𝟖, 𝟔𝟔𝟔𝟔 < 𝜷𝜷𝟏𝟏 < 𝟏𝟏𝟏𝟏, 𝟏𝟏𝟏𝟏
Keterangan:
d. Rumuskan hipotesis

β0 = parameter intercept
β1= parameter koefisien regresi
X= peubah bebas, bukan peubah acak, nilainya dianggap fix atau
tetap.
ε = galat, peubah acak yang tidak dapat diamati

a. Interpretasi scatter plot.

No X Y X2 XY Y2 (x-x̄)

1 1 60 1 60 3600 20.25

2 2 75 4 150 5625 12.25

3 3 81 9 243 6561 6.25

4 4 97 16 388 9409 2.25

5 5 96 25 480 9216 0.25

6 6 117 36 702 13689 0.25

7 7 112 49 784 12544 2.25

8 8 126 64 1008 15876 6.25

9 9 144 81 1296 20736 12.25

10 10 165 100 1650 27225 20.25

Jml. 55 1073 385 6761 124481 82.5

Mean 5.5 107.3 38.5 676.1 12448.1 8.25

SD 3.027 32.229 34.174 518.612 7299.389 7.266

b. Koefisien regresi, Rumus:

e. Koefisien diterminasi
Persamaan regresi Y= 10,41x + 50
2
c. Pendugaan selang 95 % untuk intercept dan slope. Rumus: No X Y 𝑌𝑌� �𝑌𝑌 − 𝑌𝑌�� (𝑦𝑦 − 𝑦𝑦�)2
�0 = 𝑦𝑦� − 𝛽𝛽�𝚤𝚤 𝑥𝑥̅
𝛽𝛽 1 1 60 60.41 0.1681 2237.29
= 107,3 −10,41 (5,5)
= 107,3 – 57,255 2 2 75 70.82 17.4724 1043.29
=50,045 ≈ 50 (Intercept)
3 3 81 81.23 0.0529 691.69
𝑛𝑛(∑ 𝑥𝑥𝑖𝑖 𝑦𝑦𝑖𝑖 ) − (∑ 𝑥𝑥𝑖𝑖 )(∑ 𝑦𝑦𝑖𝑖 ) 4 4 97 91.64 28.7296 106.09
𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆 =
𝑛𝑛 ∑ 𝑥𝑥𝑖𝑖2 − (∑ 𝑥𝑥𝑖𝑖 )2
(10)(6761)−(55)(1073) 5 5 96 102.05 36.6025 127.69
= (10)(385)−(55)2 6 6 117 112.46 20.6116 94.09
= 8595 = 10,418
825 7 7 112 122.87 118.1569 22.09

Dari table xi = 55, xi2 = 385, yi=1073, yi2 = 124481 8 8 126 133.28 52.9984 349.69
9 9 144 143.69 0.0961 1346.89
10(385) − 552
𝑆𝑆𝑥𝑥2 = = 9,16 10 10 165 154.1 118.81 3329.29
10(10 − 1)
Jumlah 55 1073 393.6985 9348.1
10(124481) − 10732
𝑆𝑆𝑦𝑦2 = = 1038,67 Rataan 5.5 107.3
10(10 − 1)

�2 𝑆𝑆 2 �
𝐽𝐽𝐽𝐽𝐽𝐽 = (𝑛𝑛 − 1)�𝑆𝑆𝑦𝑦2 − 𝛽𝛽 Koefisien determinan ini
1 𝑥𝑥
= (10 − 1)�1038,7 − (10,418)(9,2)� = 8485,68 menunjukkan bahwa
393,6985 95.8% tekanan darah
(𝑛𝑛 − 1) 2 �2 2 =1− dapat dijelaskan oleh
9348,1
𝑆𝑆𝑒𝑒2 = �𝑆𝑆 − 𝛽𝛽1 𝑆𝑆𝑥𝑥 � = 1 − 0,0421 konsumsi garam.
(𝑛𝑛 − 2) 𝑦𝑦
(10−1)
= (10−2) �1038,7 − (108,5 × 9,2)� = 49,21 = 0,9579 ≈ 0,958

f. Dugalah Selang kepercayaan 95% untuk mean sistolik dan sistolik

𝑆𝑆𝑒𝑒 = �𝑆𝑆𝑒𝑒2
tunggal pada saat konsumsi garam 5 gram.
= √49,21
= 7,01
Prediksi Mean Sistol
𝛼𝛼 = 0,05

𝑡𝑡𝛼𝛼⁄2 𝑆𝑆𝑒𝑒 �∑ 𝑥𝑥𝑖𝑖2 𝑡𝑡𝛼𝛼⁄2 𝑆𝑆𝑒𝑒 �∑ 𝑥𝑥𝑖𝑖2

�0 −
𝛽𝛽 �0 +
< 𝛽𝛽0 < 𝛽𝛽
𝑆𝑆𝑥𝑥 �𝑛𝑛(𝑛𝑛 − 1) 𝑆𝑆𝑥𝑥 �𝑛𝑛(𝑛𝑛 − 1)
(2,306)(7,01)(19,62) (2,306)(7,01)(19,62)
50 − < 𝛽𝛽0 < 50 +
3,027�10(10 − 1) 3,027�10(10 − 1)

𝟑𝟑𝟑𝟑, 𝟗𝟗𝟗𝟗 < 𝜷𝜷𝟏𝟏 < 𝟔𝟔𝟔𝟔, 𝟎𝟎𝟎𝟎 Penduga titik bagi y jika x = 5 adalah 𝑦𝑦� = 50 + 10,4181(5) = 102,09

1 (5 − 5,5)2 1 (5 − 5,5)2
102,09 − 𝑡𝑡0,025 (7,01)� + < 𝜇𝜇𝑌𝑌𝑌𝑌5 < 102,09 + 𝑡𝑡0,025 (7,01)� +
10 (10 − 1)9,16 10 (10 − 1)9,16
 1 (5 − 5,5)2 1 (5 − 5,5)2
102,09 − 2,306(7,01)� + < 𝜇𝜇𝑌𝑌𝑌𝑌5 < 102,09 + 2,306(7,01)� +
10 (10 − 1)9,16 10 (10 − 1)9,16
96,89 < 𝜇𝜇𝑌𝑌𝑌𝑌5 < 107,28

Prediksi Sistol Tunggal

Selang kepercayaan bagi nilai tunggal y0
diberikan saat x = 5

1 (5 − 5,5)2 1 (5 − 5,5)2
102,09 − 𝑡𝑡0,025 (7,01)�1 + + < 𝜇𝜇𝑌𝑌𝑌𝑌5 < 102,09 + 𝑡𝑡0,025 (7,01)�1 + +
10 (10 − 1)9,16 10 (10 − 1)9,16 Interpretasi:
1 (5 − 5,5)2 1 (5 − 5,5)2 Saat ibu lebih banyak mengonsumsi sayur dibandingkan daging
102,09 − 2,306(7,01)�1 + + < 𝜇𝜇𝑌𝑌𝑌𝑌5 < 102,09 + 2,306(7,01)�1 + +
10 (10 − 1)9,16 10 (10 − 1)9,16 diperkirakan peluang memperoleh anak dengan jenis kelamin
𝟖𝟖𝟖𝟖, 𝟏𝟏𝟏𝟏 < 𝝁𝝁𝒀𝒀𝒀𝒀𝒀𝒀 < 𝟏𝟏𝟏𝟏𝟏𝟏, 𝟎𝟎𝟎𝟎 perempuan 96,15431% (dibulatkan menjadi 96,2%) atau ibu yang
lebih banyak mengonsumsi sayur, 96,15431% memperoleh anak
perempuan.
• Regresi linier berganda adalah model regresi antara satu peubah
Y dengan dua atau lebih peubah X.
Interpretasi scatter plot:
Penduga dari E(Y|X).
Nilai dari E(Y|X) atau mean bersyarat dari Y pada X akan paling
kecil 0 dan paling besar 1 (0
Selanjutnya didefinisikan: .

Bentuk spesifik dari regresi logistik adalah:

Fungsi Logit. Suatu transformasi terhadap yaitu transformasi logit

didefinisikan sebagai:

g(x) = ln = +

Fungsi Likelihood. Untuk regresi logistik digunakan metode maksimum

likelihood sebagai berikut:
= untuk i-1,2,..n

Karena antara pengamatan diasumsikan indipenden maka fungsi

likelihood adalah sebagai berikut:
l( = ,

Ln dari Fungsi Likelihood

L( )=ln(l( )ln(1-

𝜮𝜮𝒅𝒅 = 𝒅𝒅(𝒙𝒙, 𝒚𝒚) = �(𝒙𝒙 − 𝒚𝒚)𝟏𝟏 (𝒙𝒙 − 𝒚𝒚) Untuk memperoleh dan yang memaksimumkan L , kita

𝒚𝒚 lakukan turunan pertama terhadap dan dan kemudia

disamakan dengan nol. Hasil turunan pertama ini memperoleh:
= ��(𝒙𝒙𝒊𝒊− 𝒚𝒚𝒊𝒊 )𝟐𝟐
𝒊𝒊=𝟏𝟏
- =0 dan =0.

Pendugaan parameter fungsi logit dan fungsi logistik.

Hasil pendugaan berdaarkan metode maksimum likelihood
memberikan = -5.393 dan =0.113 sehingga diperoleh

dan penduga logitnya =-5.393 +0.113 Umur

jika X=40 maka g(40)=-5.393+0.113(40)=-0.873

dan =0.29463

Saat umur 40 tahun diperkirakan peluang menderita darah tinggi

29.463 % atau yang berumur 40, 29.463 persen menderita darah
Regresi Logistik tinggi.
Regresi logistik = Regresi antara peubah terikat Y yang bersifat biner Hasil SPSS menunjukkan bahwa dan sangat nyata, peluangnya
dengan peubah bebas x1, x2, dst. dibawah 0.01.

Regresi logistik dengan dua peubah bebas atau lebih disebut regresi
logistik berganda. Untuk p peubah bebas modelnya:

)=

Interpretasi
dan fungsi logitnya g(x)=
Penduga koefisien diperoleh 𝛽𝛽0= 1,114, 𝛽𝛽1=2,739, dan 𝛽𝛽2= -1,030,
namun karena hanya konsumsi makan ibu yang berpengaruh nyata,
maka regresi logistik harus diulang hanya dengan memasukan Tabel t untuk regresi linier, intercept
konsumsi ibu. Tabel f untuk anova
Tabel z untuk probabilitas