Anda di halaman 1dari 52

Regresi dalam statistik dimaksudkan untuk

mengetahui sejauh mana satu variabel


berhubungan dengan lainnya atau dengan
beberapa variabel lain.
(Mengetahui hubungan antara dua
variabel.)
Mengetahui hubungan antara X dan Y.
 Apakah linear atau TidaK..???
 Seberapa linearkah hubungannya.???
x = variabel bebas.
y = variabel terikat.
Y = a + bX
• Variabel yang mempengaruhi  X,
variabel bebas, variabel penjelas
Data X dan Y Plot antara X dan Y
Y = a + bX
X= Variabel bebas /independen
Y= Variabel tergantung/dependen
a= intersep(titik potong Bentuk persamaan regresi
linear
b= kemiringan(slope)kurva linear
Dengan demikian dengan simbol X dan Y,maka Y
merupakan variabel tergantung dapat diprediksi
terhadap perubahan variabel X.Besarnya a dan b
konstan sepanjang kurva linear.
• Cara Mencari a • Cara mencari b

n  XY   X  Y 
a  Y  bX b
 
n  X   X 
2 2
Y

b satuan


1 satuan

X
• Jika....
...
X 2,1 3,0 4,3 5,2 3,3 2,7 5,6 4,0 6,0
Y 15 21 35 43 24 19 50 30 62

Tentukan persamaan regresi linearnyA.!


ploting Y
70

60

50

40

30 ploting Y

20

10

0
1 2 3 4 5 6 7 8 9
Dalam bentuk Tabel

Sampel X Y XY X2 Y2
1 2,1 15 31,5 4,41 225
2 3 21 63 9 441
3 4,3 35 150,5 18,49 1225
4 5,2 43 223,6 27,04 1849
5 3,3 24 79,2 10,89 576
6 2,7 19 51,3 7,29 361
7 5,6 50 280 31,36 2500
8 4 30 120 16 900
9 6 62 372 36 3844
JUMLAH 36,2 299 1371 160,5 11921
RATA-RATA 4,022 33,22
Jawaban
n  XY   X  Y  a  Y  bX
b
 2

n  X   X 
2
a  33,22  3,683 * 4,022
b
9 *1371 - 36,2 * 299 a 14,80
9 *160,5  36,2 2

1515,2
b
411,4
b  3,683

Y = 14,80 + 3,683x
ploting Y
70
y = 3,683x + 14,80
60 R² = 0,409
50

40

ploting Y
30
Linear (ploting Y)

20

10

0
1 2 3 4 5 6 7 8 9
2
Dapat di uji Dengan besar 
R
• R-squared tinggi adalah indikasi model
yang baik ( hubungan Linearnya kuat).
Aplikasi Regresi Linear
• Banyak dijumpai pada berbagai area
bisnis. Misalnya untuk melihat bentuk
hubungan antara periklanan dan
penjualan, hubungan antara tes sikap
dengan kinerja karyawan, hubungan
antara rasio keuangan dengan harga
saham, dan lain – lain.
Contoh Aplikasi
Dari hasil pencatatan antara biaya iklan dan volume penjualan
sebuah perusahaan jasa eceran produk Laser Diode, diperoleh
informasi seperti tertera dalam tabel berikut :

Diagram Pencar Pasangan nilai


biaya iklan dengan penjualan
yang terkait
Penyelesaian
Arti dari persamaan diatas
Setiap penambahan biaya iklan sejumlah
satu juta rupiah, akan menambah volume
penjualan 0,6429 ribu unit. Untuk
peramalan, dicoba pula seandainya
dikeluarkan biaya iklan 7 juta rupiah,
maka volume penjualannya adalah
ŷ = 9,1426 + 0,6429(7) = 13,64 ribu unit
Diagram Pencar Aplikasi

Diagram Pencar
18
y = 0.6429x + 9.1429
16 R² = 0.7232

14

12
Axis Title

10

8 Series1
Linear (Series1)
6

0
0 1 2 3 4 5 6 7 8 9 10
Axis Title
Diagram Pencar
Untuk memberikan gambaran bentuk
hubungan dua variabel, apakah mempunyai
hubungan linear atau tidak maka dilakuka
plotting (tebaran titik) terhadap pasangan
nilai – nilai X dan Y. Hasil plot inilah yang
disebut diagram pencar (scatter diagram).
Y Y

X
X

Contoh – contoh Diagram Pencar


Berikut akan disajikan hasil pendugaan
dengan model (ŷ) dibanding volume
penjualan yang sebenarnya...
STANDARD ERROR PENDUGAAN(Se)

Se adalah standar deviasi yang menggambarkan variasi


titik – titik di atas dan di bawah regresi sampel. Nilai Se
dapat diperoleh dengan rumus berikut :

Sehingga untuk permasalahan sebelumnya, nilai Se adalah

Se = = 0,94

Semakin tinggi Se , berarti kesalahan pendugaan semakin


tinggi
STANDARD ERROR KOEFISIEN REGRESI
Ukuran nilai variasi dinotasikan sebagai Sb ,
yaitu standard error kemiringan. Nilai Sb ini
dapat dicari dengan rumus

Nilai Sb untuk kasus sebelumnya adalah :


Sb =
STANDARD ERROR BAGI ŷ BILA NILAI X DIKETAHUI

Bila nilai X dimasukkan berulang – ulang pada


persamaan regresi, maka nilai rata – rata Y yang
diperoleh tidka akan sama, sehingga bisa dicari
standard error rata – rata Y bila X diketahui :

dengan,
Se = standard error pendugaan
n = ukuran sampel
X = nilai X (sudah diketahui) yang akan
digunakan untuk menduga
Dari hasil perhitungan sebelumnya diperoleh nilai X = 6
Contoh untuk kasus sebelumnya bila X = 6
STANDARD ERROR BAGI PERAMALAN Y BILA X DIKETAHUI

Misal ada satu nilai X yang digunakan untuk meramal


nilai Y, maka nilai Y disebut nilai peramalan. Dimana Y
adalah variabel acak.
Rumus standard error untuk meramal Y bila X
diketahui :

Y = nilai dugaan bila X dimasukkan pada persamaan


regresi
Contoh untuk kasus sebelumnya bila X=6

S(Y/X=6) = 0,94 .
Regresi Linear Berganda
Merupakan sebuah regresi linier dengan 2 Variabel
Bebas (X1 dan X2) dan 1 Variabel Tak Bebas (Y)

Bentuk Umum :

Y = a + b1 X1 + b2 X2
Y : peubah takbebas a : konstanta
X1 : peubah bebas ke-1 b1 : kemiringan ke-1
X2 : peubah bebas ke-2 b2 : kemiringan ke-2
Mencari nilai a,b1,b2.....
Nilai a,b1,b2 dapat di cari dengan persamaan spt ini :
Contoh Soal
..... adalah data Volume Penjualan (juta unit) Mobil dihubungkan dengan
Berikut
variabel biaya promosi (X1 dalam juta rupiah/tahun) dan variabel biaya
penambahan asesoris (X2 dalam ratusan ribu rupiah/unit).

CARI REGRESI LINEAR BERGANDA ...!!


KOEFISIEN KORELASI
KOEFISIEN KORELASI

Variasi total adalah  Y - Y 2

 
2 2
Dimana 
2    ^ ^
 Y - Y   Y - Y    Y - Y 
   
Perbandingan antara variasi yang dijelaskan dengan
variasi total adalah koefisien determinasi, yaitu :
2
 ^

 Y - Y 
r2   

Dimana 0 < r2 < 1



 Y-Y
2

KOEFISIEN KORELASI

Jadi koefisien korelasinya adalah :


2
 ^

 Y - Y 
r  
 Y-Y 2

Dimana -1 < r < 1 dan jika :
1. r = -1 maka disebut korelasi linear negatif
2. r = 1 maka disebut korelasi linear positif
3. r = 0 maka disebut tidak berkorelasi secara
linear
KOEFISIEN KORELASI
(lanjutan)
Koefisien korelasi juga dapat dinyatakan
dengan rumus : 2^
S Y .X
r  1- 2
SY
Dimana :
Y 2 - aY - bXY
S 2^
Y .X  (kuadrat dari kesalahan baku)
n

S 2
Y 

 Y-Y 
2

(variansi Y)
n
KOEFISIEN KORELASI
(lanjutan)
Bila hubungan antara variable X dan Y linear,
maka koefisien korelasinya disebut koefisien
korelasi produk momen:
xy
r
x y 
2 2

Dimana :
xX-X
yY-Y
KOEFISIEN KORELASI (lanjutan)
Rumuzzz...
KOEFISIEN KORELASI
(lanjutan)
Koefisien korelasi produk momen juga dapat
dihitung dengan rumus :
SXY
r
SX SY
Dimana :

XY X 2
Y 2
SXY  ; SX  ; SY 
n n n
KOEFISIEN KORELASI
(lanjutan)
Atau bentuk yang lebih sederhana :

nXY - XY
r
nX 2
- X 
2
 n Y 2
- Y 
2

Bila nilai r :
1. 0,9 < r < 1,0 atau -1,0 < r < -0,9 (hubungan yang sangat kuat)
2. 0,7 < r < 0,9 atau -0,9 < r < -0,7 (hubungan kuat)
3. 0,5 < r < 0,7 atau -0,7 < r < -0,5 (hubungan moderat)
4. 0,3 < r < 0,5 atau -0,5 < r < -0,3 (hubungan lemah)
5. 0,0 < r < 0,3 atau -0,3 < r < 0,0 (hubungan yang sangat lemah)
KOEFISIEN KORELASI
(lanjutan)
Bila data variabel X dan variabel Y
merupakan data yang dikelompokkan dalam
bentuk distribusi frekuensi, maka
koefisienkorelasinya dihitung dengan rumus :
nfXY  - fX fY 
r
nfX 2
- fX 
2
 nfY 2
- fY 
2

CONTOH 2
Dari contoh 1, tentukan :
a. Koefisien korelasi r dan artinya!
b. Koefisien determinasi r2 dan artinya!

Tinggi
badan 70 63 72 60 66 70 74 65 62 67 65 68 802
(X)
Berat
badan 155 150 180 135 156 168 178 160 132 145 139 152 1850
(Y)
X2 4900 3969 5184 3600 4356 4900 5476 4225 3844 4489 4225 4624 53792
Y2 24025 22500 32400 18225 24336 28224 31684 25600 17424 21025 19321 23104 287868
XY 10850 9450 12960 8100 10296 11760 13172 10400 8184 9715 9035 10336 124258
JAWAB

Tinggi
badan 70 63 72 60 66 70 74 65 62 67 65 68 802
(X)
Berat
badan 155 150 180 135 156 168 178 160 132 145 139 152 1850
(Y)
X2 4900 3969 5184 3600 4356 4900 5476 4225 3844 4489 4225 4624 53792
Y2 24025 22500 32400 18225 24336 28224 31684 25600 17424 21025 19321 23104 287868
XY 10850 9450 12960 8100 10296 11760 13172 10400 8184 9715 9035 10336 124258

12124258 - 8021850
r  0,86
1253792 - 802  12287868 - 1850 
2 2

Karena r terletak antara 0,7 dan 0,9, maka terdapat hubungan positif
yang kuat antara tinggi badan dan berat badan mahasiswa.
JAWAB (lanjutan)

Koefisien Determinasinya
r2 = (0,86)2 = 0,7396= 73,96 %
Artinya variasi berat badan yang dapat
dijelaskan oleh variasi tinggi badan
mahasiswa (X) oleh persamaan regresi
^
Y  - 61,04  3,22 X
adalah sebesar 73,96 %. Sisanya sebesar
26,04 % dijelaskan oleh faktor lain di luar
variabel pada persamaan regresi tersebut.

Anda mungkin juga menyukai