Regression

Variabel Terikat (y)

Variable Bebas(x)

• Regresi berusaha menjelaskan variasi dalam variabel terikat dengan

menggunakan variasi dalam variabel bebas
• Regresi penjelasan sebab-akibat
• Bila variabel bebas bisa menjelaskan variasi dalam variabel terikat,
maka model dapat digunakan untuk menduga.
 Simple Linear Regression
Persamaan : Y = 0 + 1X + 

Variabel Terikat (y)

y’ = b0 + b1X ± є

b1 = slope
= ∆y/ ∆x
b0 (y intercept)

Variable Bebas(x)

b0 = penduga 0
b1 = penduga 1

Output dari regresi adalah fungsi yang memprediksi

variabel terikat berdasarkan nilai variabel bebas
Model Regresi Linear Sederhana
Y = 0 + 1X + 
Dimana
  adalah error random (kasalahan pengganggu)
   N ( 0, 2 ).

Penduga y’ = b0 + b1X + є

 xy   x  y 
1

1 b1  n

 x   x 
2 1 2
 y  x
n
3 y
n
x
n
2 b0  y  b1 x
Anova Untuk Analisa Kualitas Regresi

Hipotessis
Y = 0 + 1X +  H0 : β = 0
H1 : β ≠ 0

Untuk memeriksa kebenaran hipotesais bisa digunakan Uji F

Sumber Derajat Jumlah Kuadrat Fhitung

Keragaman Bebas Kuadrat Tengah
Regresi 1 JKR JKR/1 KTR/KTG
Galat n-2 JKG JKG/(n-2)
TOTAL n-1 JKT
Sumber Derajat Jumlah Kuadrat Fhitung
Keragaman Bebas Kuadrat Tengah
Regresi 1 JKR JKR/db KTR/KTG
Galat n-2 JKG JKG/db
TOTAL n-1 JKT

FK 
 y
2

n
JKRegresi  b1 xy  n1  x  y 

JKTotal   y 2  FK

JKGalat  (3)  (2)

 Simple Linear Regression

Variabel Terikat (y)

Observasi: y

Dugaan: y^

x
Variable Bebas(x)

Fungsi ini akan membuat prediksi untuk setiap titik data

pengamatan Pengamatan dilambangkan oleh y dan
prediksi yang dilambangkan dengan y.^
 Simple Linear Regression

Dugaan error: ε

y ^
Dugaan: y

Untuk setiap observasi, variasi dapat diungkapkan dengan

y =^
y+ε
Aktual = Yang terjelaskan + Error
 Regression

Variabel Terikat (y)

Variable Bebas(x)

Suatu regresi terbaik mempunyai variasi kesalahan total

paling sedikit, total kesalahan diungkapkan dengan jumlah
kuadrat galat (error)
Total jumlah kuadrat galat adalah jumlah total dari selisih
nilai duga dan nilai sebenarnya dikuadratkan
Ukuran keakuratan

Standard Error Se  KTGalat

Nilai duga : y^ ± se

Proporsi total variasi (JKT) yang dijelaskan

oleh Regresi (JKR) dikenal sebagai Koefisien Determinasi

JK Re gresi
Koefisien Determinasi (R2)=
JKTotal

Nilai R2dapat berkisar antara 0 dan 1, dan

semakin tinggi nilainya menunjukkan
model yang lebih akurat .
Contoh:
 Seorang peneliti mencari hubungan antara umur induk dengan
berat telur pada puyuh. Datanya sebagai berikut:
Umur (minggu) Berat telur (g) Persamaannya :Y = 0 + 1X
x y
7 9.00 1. Tentukan penduga 0 dan 1 yaitu b0
8 9.40 dan b1.
9 9.80 2. Tentukan persamaan regresinya
10 10.00 3. Uji H0 0 = 0 lawan 1 ≠ 0 pada taraf α =
11 10.20 0.05 dengan analisis ragam
12 10.45 4. Tentukan koefisien determinasi dan
13 10.97 berikan penjelasan
14 11.00
15 11.20
16 11.34
 x y x2 y2 x.y
7 9.00 49 81.00 63.00
8 9.40 64 88.36 75.20
9 9.80 81 96.04 88.20
10 10.00 100 100.00 100.00
11 10.20 121 104.04 112.20
12 10.45 144 109.20 125.40
13 10.97 169 120.34 142.61
14 11.00 196 121.00 154.00
15 11.20 225 125.44 168.00
16 11.34 256 128.60 181.44
n 10
∑ 115 103.36 1405 1074.02 1210.05
Rata-rata 11.5 10.34 140.5 107.402 121.01

 xy   x  y  1210.05  115103.36

1 1
b1  n
 10
 0.26
 x   x 
2 1
n
2
1405  115 1
10
2

b0  y  b1 x  10.34  0.26(11.5)  7.35

Persamaan : y = 7.35 + 0.26 x

 x y x2 y2 x.y
n 10
∑ 115 103.36 1405 1074.02 1210.05
Rata-rata 11.5 10.34 140.5 107.402 121.01

 y
2
103.36
2

1 FK 
n

10
 1068.33

2 JKReg  b1 xy  n1  x  y   0.261210.05  n1 (115)(103.36  5.56

3 JKTotal   y 2  FK  1074.02  1068.33  5.69

4 JKGalat  (3)  (2)  5.69  5.56  0.13

SK db JK KT Fhit F0.05
REG 1 5.56 5.56 332.16 5.32
Galat 8 0.13 0.02
Total 9 5.69

Kesimpulan : F> Ftabel; tolak H0 atau terima H1, persamaan regresi bisa
dipakai
Tabel F  0.05
Keakuratan
SK db JK KT Fhit F0.05
REG 1 5.56 5.56 332.16 5.32
Galat 8 0.13 0.02
Total 9 5.69

JK Re gresi 5.56
R2    0.98 Artinya 98% variasi y disebabkan oleh variasi x
JKTotal 5.69

Se  KTGalat  0.02  0.13 Nilai duga : ^y ± 0.13

Koefisien korelasi (r)= R2  0.98  0.99

 Latihan
 Dibawah ini adalah bobot badan sapi perah FH dari lahir
sampai umur 9 bulan

Persamaannya : Y = 0 + 1X
Umur (bulan) Bobot (kg)
x y 1. Tentukan penduga 0 dan 1 yaitu b0
0 40 dan b1.
1 50 2. Tentukan persamaan regresinya
2 65 3. Uji H0 0 = 0 lawan 1 ≠ 0 pada taraf
3 85 α = 0.05 dengan analisis ragam
4 100 4. Tentukan koefisien determinasi dan
5 120 berikan penjelasan
6 140
7 140
8 165
9 180