ANALISIS REGRESI

Jun Akizaki – The Power of PowerPoint

WELCOME

Faqih Darma Aris Manna

Imam Sapi’i

Sri Mulyani
CONTENTS

Pengujian hipotesis bagi koefisien

1 Hubungan antara variabel bebas dan
variabel dependen
4 regresi

2 Analisis regresi linier sederhana

5 Regresi nonlinier

3 Koefisien determinasi dan sumber

keragaman dalam analisis regresi 6 Regresi Linier Ganda
 Jika kita mempunyai data yang terdiri atas dua atau lebih variable, maka sewajarnya kita
mempelajari bagaimana hubungan antar variable tersebut.Hubungan yang diperoleh, pada
umumnya dinyatakan dalam bentuk persamaan matematik yang menyatakan hubungan fungsional
antara variable-variabel tersebut. Studi yang menyangkut masalah ini dikenal dengan analisis
regresi.
Untuk analisis regresi kita membedakan dua jenis variable, yaitu variable bebas (variable predictor
X) dan variable tak bebas (variable respon Y). Pada umumnya variable bebas merupakan sebab,
sedangkan variable tak bebas merupakan akibat. Untuk keperluan analisis. Analisis regresi atau
sering disebut dengan Anareg adalah suatu teknik statistik parametrik yang dapat digunakan
untuk :
1)mengadakan peramalan atau prediksi besarnya variasi yang terjadi pada variabel Y berdasarkan
variabel X,
2)menentukan bentuk hubungan antara variabel X dengan variabel Y dan
3) menentukan arah dan koefisien korelasi antara variabel X dan variabel Y.

Sebagai alat prediksi, dalam Anareg akan ditemukan suatu persamaan regresi yang digunakan
untuk menentukan besarnya variasi yang terjadi pada variabel Y berdasarkan data yang terdapat
pada variabel X Misal peneliti ingin mengetahui akibat dari kecepatan mengaduk pada kemurnian
cat. Dalam penelitian ini, kecepatan mengaduk merupakan variable predictor dan kemurnian cat
merupakan respon.
Hubungan antara variabel bebas dan variabel
dependen
Hubungan antara variabel bebas dan variabel
dependen
Pemetaan pasangan data (X,Y) ke dalam suatu diagram pencar merupakan
suatu langkah awal dalam menganalisis hubungan antara kedua variabel tersebut.
Beberapa informasi yang dapat kita peroleh dengan mengamati suatu diagram
pencar diantaranya adalah :
 Ada atau tidaknya kecenderungan bahwa data tersebut mengelompok di sekitar suatu
garis lurus atau bentuk kurva sederhana yang lain.
 Bagaimana kecenderungan bentuk hubungan antara variabel X dan Y.Misal adakah
kecenderungan bahwa nilai-nilai Y menaik dengan bertambahnya nilai X, atau nilai-nilai
Y cenderung menurun dengan bertambahnya nilai X.
 Bagaimana “kekuatan “ hubungan antara variabel X dan Y. Kedua variabel tersebut
dikatakan mempunyai hubungan atau keterkaitan yang erat jika data dalam diagram
pencar tersebut mengelompok di sekitar suatu garis lurus atau kurva sederhana yang
lain. Semakin dekat jarak antara data dengan kurva tersebut, maka semakin kuat
hubungan kedua variabel tersebut.
 Kemungkinan adanya nilai pencilan dalam data.
Analisis regresi linier sederhana
Analisis regresi linier sederhana
Karena parameter 𝛽0 dan 𝛽𝑖 dalam persamaan (5.1) tidak kita ketahui besarnya, maka
persamaan regresinyapun tidak kita ketahui dan harus kita duga dengan menggunakan data
sampel. Dengan demikian untuk menduga persamaan regresi tersebut, kita cukup menduga
parameter 𝛽0 dan 𝛽𝑖 . Salah satu teknik pendugaan yang sering digunakan adalah metode
kuadrat terkecil (least squares method). Misal 𝑏0 dan 𝑏𝑖 masing-masing nilai dugaan dari
parameter 𝛽0 dan 𝛽𝑖 maka nilai dugaan bagi 𝑌0 dinotasikan dengan 𝑌𝑖 adalah
Analisis regresi linier sederhana
Karena persamaan (5.2) tersebut diperoleh berdasarkan data sampel, persamaan
tersebut disebut sebagai garis regresi sampel yang merupakan penduga bagi garis
regresi populasi dalam persamaan (5.1). Faktor galat bagi data sampel biasa
disebut sebagai sisaan (residuals) dan dinotasikan dengan 𝑒𝑖 dan 𝑒𝑖 ini adalah
selisih antara nilai pengamatan 𝑌𝑖 dengan nilai dugaan 𝑦𝑖 yaitu
Analisis regresi linier sederhana
Suatu pendugaan yang sempurna terjadi jika 𝑌𝑖 = 𝑦𝑖 yaitu yang mempunyai nilai
sisaan sama dengan nol. Dengan demikian jumlah kuadrat sisaan (JKS) adalah

Jika dugaan terhadap parameter 𝛽0 dan 𝛽𝑖 tersebut mendekati benar, maka JKS harus
mempunyai nilai minimum, atau turunan pertama dari JKS terhadap 𝑏0 dan juga terhadap 𝑏𝑖
adalah sama dengan nol.
Analisis regresi linier sederhana
Dengan menurunkan JKS terhadap b dan menyamakan turunan tersebut dengan
nol

Dengan menyulihkan persamaan (5.5) ke persamaan (5.6), maka

THANK YOU!
Any Questions?

Jun Akizaki – The Power of PowerPoint

Used Font: Crimson Text