Achmad Alfian

Prodi Teknik Industri

1
Pokok Bahasan
1. Pendahuluan
2. Regresi Linier Sederhana
3. Analisis Korelasi

2
1. Pendahuluan
Analisis Regresi
Digunakan untuk mempelajari pola atau fungsi statistik
yang terjadi antara dua atau lebih variabel.
Variabel tersebut, yaitu:
Variabel terikat (dependent variable atau response
variable) adalah variabel yang nilainya sukar
ditentukan atau diukur (Y)
Variabel bebas (independent variable atau explanatory
variable) adalah variabel yang nilainya dapat
ditentukan dengan mudah (X)
3
1. Pendahuluan (1)
Sir Francis Galton (1822-1911)
Adalah orang yang pertama kali
memperkenalkan istilah regresi.
Ia adalah seorang antropolog dan pakar
meteorologi terkenal dari Inggris.

4
1. Pendahuluan (2)
Analisis Regresi
Regresi linier digunakan untuk
memodelkan hubungan sebab akibat
antara variabel bebas dengan variabel
respon. Dari namanya saja sudah
kelihatan, bahwa model hubungan yang
dimaksud adalah model hubungan linier.
5
1. Pendahuluan (3)
Analisis Korelasi
Digunakan untuk mengukur
“seberapa kuat” atau “derajat
kedekatan” suatu hubungan
(relasi) yang terjadi antar
variabel.
6
 1. Pendahuluan (4)
Relasi yang Logis
Dalam menentukan apakah terdapat
suatu hubungan yang logis antar
variabel, terutama bila penilaian
dilakukan terhadap angka-angka
statistik saja, perlu diperhatikan
beberapa hal yang berkaitan dengan
masuk akal. 7
 1. Pendahuluan (5)
Relasi yang Logis
Contoh: Ingin dicari model regresi antara
“biaya iklan” dengan “penjualan”. Variabel
bebas/prediktor adalah biaya iklan dan
variabel respon adalah penjualan. Jadi ingin
dicari bagaimanakah model hubungan antara 2
variabel tsb, sehingga bisa diketahui berapakah
nilai penjualan yang akan diperoleh bila
perusahaan mengeluarkan biaya iklan sebesar
x rupiah.
8
1. Pendahuluan (6)
Diagram Pencar (Scatter diagram)
Menggambarkan titik-titik plot dari data yang
diperoleh, yang berguna untuk:
 Membantu melihat apakah ada relasi
yang berguna antar variabel
 Membantu menemukan jenis persamaan
yang akan digunakan.

9
1. Pendahuluan (7)
Linier positif
Linier negatif Curvelinier
positif

Taktentu
Curvelinier Curvelinier
negatif

10
 2. Regresi Linier Sederhana
Model Persamaan Regresi
y  α  βx  e
disederhanakan menjadi:
ŷ  a  bx
Dimana:
ŷ = nilai estimasi variabel terikat
a = titik potong garis regresi pada sumbu y
b = gradien regresi
x = nilai variabel bebas
11
2. Regresi Linier Sederhana (1)
Contoh 1: Model Persamaan Regresi
ŷ  a  bx
1) a mengandung arti
ŷ  30  2x
Misalkan x = biaya promosi dan y = tingkat
penjualan, jika x = 0. Artinya pada saat biaya
promosi belum dikeluarkan (belum dijalankan,
sudah ada produk yang terjual sebanyak 30 unit
12
2. Regresi Linier Sederhana (2)
Contoh 2: Model Persamaan Regresi
ŷ  a  bx
1) a tidak mengandung arti
ŷ  30  2x
Misalkan x = jam kerja dan y = hasil produksi,
jika x = 0. Pernyataan ini tidak ada artinya,
karena tidak mungkin orang yang belum bekerja
(jam kerja = 0) dapat menghasilkan produk
13
2. Regresi Linier Sederhana (3)
Persamaan Regresi
ŷ  a  b.x n   n  n 
n  x i yi  -   x i   y i 
b  i 1   i 1  i 1 
a  y  b.x  n
2 
n

2

n  x i     x i 
Dimana:  i 1   i 1 
n = jumlah data
x = rata-rata dari variabel x
y = rata-rata dari variabel y
14
3. Analisis Korelasi
(1) Koefisien Determinasi (r2)
Adalah perbandingan dari variasi terjelaskan
dengan variasi total.
Σ( yˆ  y)2
a (y)  b(xy )  n( y) 2
r 
2

Σ(y  y) 2
Σ(y)  n( y)
2 2

Nilai koefisien determinasi berkisar antara

0-1, dimana (0 tidak ada relasi) dan (1 relasi
sempurna)
15
3. Analisis Korelasi (1)
 Koefisien Korelasi (r)
Adalah merupakan akar dari koefisien
determinasi dan mempunyai tanda dengan
ketentuan sbb:
r r 2

Tanda r mengikuti tanda konstanta b

persamaan regresi (r positif jika b posisif dan r
negatif jika b negatif).
Nilai r berkisar antara -1 s/d +1.
16
3. Analisis Korelasi (1)
 Koefisien Korelasi
Menurut Colton, kekuatan hubungan dua
variabel secara kualitatif dapat dibagi dalam
empat area sebagai berikut:
r = 0,00 – 0,25  tidak ada hubungan/lemah
r = 0,26 – 0,50  hubungan sedang
r = 0,51 – 0,75  hubungan kuat
r = 0,76 – 1,00  hubungan sangat kuat
(sempurna)
17
Contoh 1:
Suatu survei ingin mengetahui hubungan
antara usia dengan lama hari rawat di RS. X
tahun x, survei dengan mengambil sampel
5 pasien dan hasilnya sebagai berikut:
 umur : 20 30 25 35 40 (tahun)
 lama rawat : 5 6 5 7 8 (hari)
a. Tentukan persamaan regresinya!
b. Hitung korelasi dan interpretasikan!
18
 Solusi:
Pasien Usia Lama Hari
xi.yi xi2 yi2
(i) (xi) (yi)
1 20 5 100 400 25
2 30 6 180 900 36
3 25 5 125 625 25
4 35 7 245 1225 49
5 40 8 320 1600 64
n=5 150 31 970 4750 199
n n n
n(  x i y i ) - (  x i )(  y i ) 5(970)  (150)(31)
b i 1 i 1 i 1
  0,16
n
n(  x )  (  x i )
2
n
2 5(4750)  (150) 2
i
i 1 i 1
19
 Solusi:
a  y  b.x  (31/5) - (0,160)(15 0/5)  1,40
a. Persamaan regresinya!
ŷ  a  b.x  1,40  0,16x
Pasien usia 40 tahun dapat diperkirakan lama-
hari-rawatnya dengan menghitung dari
persamaan regresi linier di atas, yaitu:
= 1,4 + 0,16 (40) = 7,8 hari.
Sementara itu, pasien usia 30 tahun:
= 1,4 + 0,16 (30) = 6,2 hari. Selisih lama hari
rawat pada kedua pasien adalah 1,6 hari.
20
Nilai b = 0,16 dapat diartikan
bahwa bila pasien yang dirawat
usianya lebih tua satu tahun,
kemungkinan lama-hari rawat
nya akan lebih lama 0,16 hari

21
 b. Koefisien korelasi!

a (y)  b(xy )  n( y) 2
r
Σ(y)  n( y)
2 2

1,40(31)  0,16(970)  5(6,20) 2

  0,97
199  5(6,20) 2

Koefisien Determinasi
r  0,97  0,941
2 2

22
b. Interpretasi Koefisien korelasi!
r  0,97
Interpretasi:
Hubungan umur dengan lama hari rawat
menunjukkan hubungan yang sangat kuat
(r = 0,97) dan berpola linier positif.
Artinya, semakin tinggi usia pasien,
semakin lama hari rawatnya.
23
PR:
Survei hubungan umur dengan denyut
nadi penduduk dewasa di daerah X
didapatkan data sebagai berikut:
Umur : 20-25-27-29-26-27-28-36-50
Nadi : 80-75-80-77-75-75-74-73-71
Berdasarkan data tersebut hitunglah:
a. Persamaan Regresi
b. Korelasi
24
 See You Next Week
Terima Kasih

25