X Hubungan Y
Contoh: Tingkat Pendidikan Tingkat Pendapatan
• Koefisien korelasi sering dinotasikan dengan r dan nilainya berkisar antara -1 dan 1
• Nilai r yang mendekati 1 atau -1 menunjukkan semakin erat hubungan linier antara kedua
peubah tersebut. Nilai r yang mendekati nol menggambarkan hubungan kedua peubah tidak
linier.
• Tanda (+) / (-) menggambarkan arah hubungan
(+) searah;
(-) berlawanan arah 3
PENGANTAR
Gambaran Korelasi
4
Kriteria Guilford (1956)
5
Formula Korelasi (Pearson)
6
ILUSTRASI
8
Jenis Korelasi
Skala Korelasi
Interval/Rasi
o Pearson
Ordinal Spearman
Nominal Koefisien Kontingensi
9
Jenis Korelasi
10
ANALISIS
REGRESI
PENGANTAR
Regresi Linier Sederhana
• Mengkaji pengaruh satu variabel prediktor (X)
terhadap suatu variabel respon (Y)
• Membuat suatu model yang dapat memprediksikan
nilai Y berdasarkan nilai X
X Pengaruh Y
Prediktor Respon
Misalkan :
X = income
Y = expenditure
12
PENGANTAR
Mempengaruhi = X Dipengaruhi = Y
13
PENGANTAR
Model Regresi Linier sederhana
𝑌
^ =𝛽0+ 𝛽1 X
Y
eror =
Variabel Independen
: intercept : nilai Y ketika X=0
: Slope : koefisien pengaruh
X
14
Estimasi Parameter
• Metode estimasi menggunakan metode Ordinary
Least Square.
• Metode OLS merupakan metode yang
meminimumkan jumlah kuadrat dari error
𝑛
∑ 𝑥𝑖 𝑦𝑖 − 𝑛 𝑥 𝑦
´ ´
𝑖=1
𝛽 1= 𝑛
2 2
∑ 𝑥𝑖 − 𝑛 ´
𝑥
𝑖=1
𝛽 0= ´
𝑦 − 𝛽1 ´
𝑥
15
Interpretasi Parameter
Misalkan :
𝑌
^ =0.5 + 2 X
X = tinggi badan
Y = berat badan
Interpretasi :
kenaikan tinggi badan sebesar 1 cm akan
mengakibatkan kenaikan berat badan sebesar 2 kg
Atau
Jika tb naik maka bb akan naik
(karena koefisien X positif)
16
Uji Hipotesis
•
Uji t : dalam analisis regresi, uji t digunakan untuk
menguji keofisien . Tujuannya adalah untuk melihat
apakah variabel prediktor X berpengaruh nyata terhadap
variabel respon Y
• Hipotesis Pengujian:
H0 : ( variabel X tidak berpengaruh signifikan terhadap Y)
H1 : ( variabel X berpengaruh signifikan terhadap Y)
17
Uji Asumsi
Regresi Linier Sederhana memiliki beberapa
asumsi klasik yang harus dipenuhi diantaranya adalah :
• Uji Normalitas
• Uji Autokorelasi
• Uji Heteroskedastisitas
18
Uji Asumsi
Uji Normalitas
Asumsi yang pertama yang dipenuhi adalah eror dari
model harus menyebar normal. pengujiannya bisa
dilakukan dengan beberapa cara :
a. Visualisasi normal probability plot.
sebaran eror harus cenderung berada pada garis
diagonal
b. Uji formal :
H0 : eror menyebar normal (p-value>0.05)
H1 : eror tidak menyebar normal (p-value<0.05)
19
Uji Asumsi
Uji Autokeralasi
Pada asumsi ini, diharapkan eror antar pengamatan
tidak saling berhubungan satu sama lain atau tidak
memiliki autokorelasi
Uji formal :
20
Uji Asumsi
Uji Heteroskedastisitas
Pada asumsi ini, eror diharapkan menyebar secara
homogen
Visualisasi :
Homogen apabila Plot antar residual dan prediksi tidak
membentuk pola tertentu
21
PENGANTAR
Regresi Linier Berganda
• Mengkaji pengaruh beberapa variabel prediktor (misalnya
X1,X2, dan X3) terhadap suatu variabel respon (Y)
• Membuat suatu model yang dapat memprediksikan nilai Y
berdasarkan nilai-nilai X (misalnya X1,X2,dan X3)
X1
X2 Y
X3
Prediktor Respon
22
PENGANTAR
Model Regresi Linier Berganda
23
Estimasi Parameter
• Metode estimasi menggunakan metode Ordinary
Least Square.
• Metode OLS merupakan metode yang
meminimumkan jumlah kuadrat dari error
𝑇 −1 𝑇
𝜷=( 𝑿 𝑿 ) 𝑿 𝒀
24
Estimasi Parameter
𝑇 −1 𝑇
𝜷 =( 𝑿 𝑿) 𝑿 𝒀
𝛽0
[]
1 𝑥 11 𝑥 2𝑛 𝑥 3 𝑛 𝑦1
𝜷=
𝛽1
𝛽2
𝛽3
𝑿= 1
1 [ .
𝑥 1𝑛
. .
𝑥 2𝑛 𝑥 3 𝑛 ] []
𝒀= .
𝑦𝑛
Catatan:
Interpretasi masing-masing koefisiennya sama dengan
interpretasi koefisien pada regresi linier sederhana
25
Uji Hipotesis
26
Uji Hipotesis: Simultan
• Uji Simultan digunakan untuk menguji secara
keseluruhan variabel prediktor X apakah secara
bersama-sama (simultan) berpengaruh nyata terhadap
variabel respon Y. Uji parsial menggunakan uji F
• Hipotesis Pengujian:
H0 : tidak ada satupun variabel X yang berpengaruh
H1 : semua variabel X berpengaruh secara bersama-sama terhadap variabel Y
• Uji Normalitas
• Uji Autokorelasi
• Uji Heteroskedastisitas
• Uji Multikolinieritas
Asumsi Multikolinieritas
Asumsi ini mengisyaratkan bahwa antara variabel prediktor
misalnya X1 dan X2 tidak boleh memiliki korelasi yang tinggi
karena dapat mengganggu estimasi parameter dan pengujian
hipotesis.
Kriteria : jika VIF(variance inflation factor ) 10 maka terdapat
multikolinieritas
29
KEBAIKAN MODEL :R-SQUARE
Y 𝑌
Variabel Independen 𝑌
^
´
𝑌
30
R-SQUARE
SSE=
∑ SQUARE ERROR
SSE=
∑ SQUARE REGRESSION
Y
𝑌 2
SSE= ∑ ( 𝑌𝑖− ^
𝑌 𝑖 )
𝑌
^ 𝑖
2
SSR= ∑ ( ^
𝑌 𝑖− ´
𝑌 )
´
𝑌
2 𝑆𝑆𝑅
𝑅 =
𝑆𝑆𝑇
31
R-SQUARE ADJUSTED
𝑛 −1
2
[ 2
𝑅 . 𝐴𝐷𝐽 =1− ( 1− 𝑅 ) (
𝑛 − 𝑝 −1 )]
32
Terima
Kasih