Anda di halaman 1dari 35

HASMIANDY HAMID JURUSAN HAMA DAN PENYAKIT TUMBUHAN/ PS.

AGROEKOTEKNOLOGI FAPERTA UNIVERSITAS ANDALAS

ANALISIS REGRESI

Analisa regresi digunakan untuk

mempelajari dan mengukur hubungan statistik yang terjadi antara dua atau lebih varibel.

Dalam regresi sederhana dikaji dua

variabel, sedangkan dalam regresi majemuk dikaji lebih dari dua variabel.
regresi hendak ditentukan dan digunakan untuk menggambarkan pola atau fungsi hubungan yang terdapat antar variabel.

Dalam analisa regresi suatu persamaan

Variabel yang digunakan pada analisis

regresi, yaitu: Variabel terikat (dependent variable atau response variable) adalah variabel yang akan diestimasi nilainya dan biasanya diplot pada sumbu tegak (sumbu-y). Variabel bebas (independent variable atau explanatory variable) adalah variabel yang diasumsikan memberikan pengaruh terhadap variasi variabel terikat dan biasanya diplot pada sumbu datar (sumbu-x).

Dalam analisa Regresi, akan

dikembangkan sebuah persamaan regresi yaitu formula matematika yang mencari nilai variabel terikat (dependent) dari nilai variabel bebas (independent) yang diketahui. Analisa regresi terutama digunakan untuk tujuan peramalan.

Regresi Linier Y terhadap X


Jika pola yang membentuk hubungan X

dan Y membentuk suatu garis lurus, maka disebut Pengaruh Linier, dimana : Variabel X variabel bebas (independent) Variabel Y variabel terikat (dependent) Nilai-nilai Y ditentukan oleh nilai-nilai X Variabel Y dipengaruhi oleh variabel X Variabel X mempengaruhi variabel Y

Regresi Linier Y terhadap X


Garis lurus itu membentuk persamaan : Y = a + bX a = disebut intersep b = disebut slope

Intersep
Bila X = 0, maka Y = a Bila a = 0 maka garis

akan melalui titik (0,0)

Slope
Slope = kemiringan

Y = a + bX
Perubahan 1 satuan pada X mengakibatkan

perubahan b satuan pada Y, sehingga Y mengukur kemiringan/slope garis tersebut.

Slope

Slope
Bila b positif Bila b negatif

Bertambahnya nilai X mengakibatkan bertambahnya nilai Y

Bertambahnya nilai X mengakibatkan berkurangnya nilai Y

Regresi Linier Sederhana


Model regresi linier yang hanya melibatkan satu variabel bebas (X). Model regresinya sbb:

Dimana : Y = variabel terikat X = variable bebas a, = parameter regresi

Regresi Linier Sederhana


Sehingga setiap pasangan pengamatan (Xi, Yj) dalam sampel akan memenuhi persamaan

dimana j = sisaan / galat / eror atau dalam persamaan dugaannya

Sisaan / Galat / Eror


Adalah penyimpangan model regresi dari nilai yang sebenarnya

, = parameter regresi yang akan diduga

dari data sampel a, b = penduga parameter regresi Metode Metode Kuadrat Terkecil (MKT) Suatu metode pendugaan parameter dengan meminimumkan jumlah kuadrat eror (SSe)

Metode Pendugaan Parameter


Pendugaan parameter regresi , atau a, b

Sehingga

N = banyak pasangan data Yi = nilai peubah tak bebas Y ke i Xi = Nilai peubah bebas X ke i

Contoh Soal: Berikut adalah data Biaya Promosi dan Volume Penjualan PT BIMOLI.

Bentuk umum persamaan regresi linier sederhana : Y = a + b X

ANALISIS KORELASI

Analisa korelasi bertujuan untuk mengukur "seberapa kuat" atau "derajat kedekatan" suatu relasi yang terjadi antar variabel. Di dalam korelasi, variabel-variabel dianggap sejajar, artinya tidak ada yg dianggap sebagai variabel bebas (prediktor) dan variabel terikat (respon) seperti halnya regresi linier. Analisa korelasi ingin mengetahui kekuatan

hubungan tersebut dalam koefisien korelasinya. Dengan demikian biasanya analisa regresi dan korelasi sering dilakukan bersama-sama.

Langkah pertama dalam menganalisa relasi

antar variabel adalah dengan membuat diagram pencar (scatter diagram) yang menggambarkan titik-titik plot dari data yang diperoleh. Diagram pencar ini berguna untuk membantu dalam melihat apakah ada relasi yang berguna antar variabel, membantu dalam menentukan jenis persamaan yang akan digunakan untuk menentukan hubungan tersebut.

Beberapa bentuk hubungan antara dua variabel

Koefisien Korelasi
Koefisien korelasi linier ( r ) adalah ukuran

hubungan linier antara dua variabel/peubah acak X dan Y untuk mengukur sejauh mana titik-titik menggerombol sekitar sebuah garis lurus regresi. Jika b positif maka r postif sedangkan jika b negatif, maka r negatif. Rumus Koefisien Korelasi R = r2

Koefisien Korelasi
Nilai r terletak dari 1 sampai +1 atau ditulis 1 r +1 Bila r mendekati +1 dan 1 maka terjadi korelasi tinggi

dan terjadi hubungan linier yang sempurna antara X dan Y. Bila r mendekati 0 hubungan liniernya sangat lemah atau tidak ada. Misalnya: r = - 0,6 , menunjukkan arah yang berlawanan, X tinggi maka Y rendah atau sebaliknya r = + 0,6 , menunjukkan arah yang sama, X tinggi maka Yjuga tinggi atau Xrendah maka Yrendah r = 0 menunjukkan tidak ada hubungan linier antara X dan Y

Korelasi

Contoh Soal 1
Gunakan persamaan regresi yang lalu

Y = 2.530 + 1.053 X, hitung koef. korelasi (r) Gunakan data berikut x = 26 y = 40 xy = 232 x =158 y = 346

Kesimpulan
Nilai r = 0.9857 menunjukkan bahwa peubah X (biaya promosi) dan Y (volume penjualan) berkorelasi linier yang positif dan tinggi
R = r2 = 098572 = 0.97165= 97 % Nilai R = 97% menunjukkan bahwa 97% proporsi keragaman nilai peubah Y (volume

penjualan) dapat dijelaskan oleh nilai peubah X (biaya promosi) melalui hubungan linier.

Contoh Soal 2
Kita ingin mengetahui hubungan

antara tinggi badan (height dalam inci) dengan rasa percaya diri (self esteem) Hipotesis: TB mempengaruhi rasa PD

Person 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Height 68 71 62 75 58 60 67 68 71 69 68 67 63 62 60 63 65 67 63 61

Self Esteem 4.1 4.6 3.8 4.4 3.2 3.1 3.8 4.1 4.3 3.7 3.5 3.2 3.7 3.3 3.4 4.0 4.1 3.8 3.4 3.6

Person 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

Height (x) 68 71 62 75 58 60 67 68 71 69 68 67 63 62 60 63 65

Self Esteem (y) 4.1 4.6 3.8 4.4 3.2 3.1 3.8 4.1 4.3 3.7 3.5 3.2 3.7 3.3 3.4 4 4.1

x*y 278.8 326.6 235.6 330 185.6 186 254.6 278.8 305.3 255.3 238 214.4 233.1 204.6 204 252 266.5

x*x 4624 5041 3844 5625 3364 3600 4489 4624 5041 4761 4624 4489 3969 3844 3600 3969 4225

y*y 16.81 21.16 14.44 19.36 10.24 9.61 14.44 16.81 18.49 13.69 12.25 10.24 13.69 10.89 11.56 16 16.81

18
19 20 Sum =

67
63 61 1308

3.8
3.4 3.6 75.1

254.6
214.2 219.6 4937.6

4489
3969 3721 85912

14.44
11.56 12.96 285.45

n = 20 x = 1308 y = 75,1 xy = 4937,6 x =85912 y = 285,45

Kesimpulan
Jadi terdapat hubungan positif antara

TB dan rasa PD: semakin tinggi semakin PD