SEDERHANA
E R N A W A T I PUJI. R
(1 9 0 6 4 5 2 1 6 4 )
FAUZIAH K HAIRATU NNIS A
(2 0 0 6 4 9 1 2 7 3 )
DEPARTEMEN BIOLOGI
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS INDONESIA
Regresi
• Regresi merupakan suatu alat ukur yang juga digunakan untuk mengukur ada atau
tidaknya korelasi antar variabel.
• Analisis regresi terbagi menjadi dua yaitu regresi linier dan Nonlinier.
• Analisi regresi linear terdiri dari analisis regresi linear sederhana dan analisis
regresi linear berganda.
• Perbedaan antar keduanya terletak pada jumlah variabel independennya. Regresi
linear sederhana hanya memiliki satu variabel independen, sedangkan regresi linear
berganda mempunyai banyak variabel independen. Analisis regresi Nonlinier adalah
regresi eksponensial.
Regresi linear sederhana adalah hubungan secara linear antara satu
variabel independen (X) dengan variabel dependen (Y). Analisis ini
Regresi digunakan untuk mengetahui arah hubungan antara variabel independen
dengan variabel dependen apakah positif atau negatif serta untuk
Linier memprediksi nilai dari variabel dependen apabila nilai variabel
independen mengalami kenaikan atau penurunan nilai. Data yang
Sederhana digunakan biasanya berskala interval atau rasio.
Kegunaan Regresi Linier
1. Untuk deskripsi dari fenomena data atau kasus yang sedang diteliti
2. Untuk tujuan kontrol
3. Untuk tujuan prediksi
nilai duga parameter di dalam model regresi untuk kondisi
yang sebenarnya (true condition), sama halnya dengan
statistik mean (rata-rata) pada konsep statistika dasar.
Hanya saja, koefisien-koefisien untuk model regresi
merupakan suatu nilai rata-rata yang berpeluang terjadi
Koefisien pada variabel Y (variabel terikat) bila suatu nilai X (variabel
bebas) diberikan.
Regresi Koefisien regresi dapat dibedakan menjadi 2 macam,
yaitu:
1. Intersep
2. Slope
Matematika : suatu titik perpotongan antara
suatu garis dengan sumbu Y pada
diagram/sumbu kartesius saat nilai X = 0
Statistika : nilai rata-rata pada variabel Y apabila
nilai pada variabel X bernilai 0. Apabila X tidak
memberikan kontribusi, maka secara rata-rata,
variabel Y akan bernilai sebesar intersep.
Intersep Intersep hanyalah suatu konstanta yang
memungkinkan munculnya koefisien lain di
dalam model regresi. Intersep tidak selalu dapat
atau perlu untuk diinterpretasikan. Apabila data
pengamatan pada variabel X tidak mencakup
nilai 0 atau mendekati 0, maka intersep tidak
memiliki makna yang berarti, sehingga tidak
perlu diinterpretasikan.
Matematis : slope merupakan ukuran kemiringan dari
suatu garis.
Slope adalah koefisien regresi untuk variabel X (variabel
bebas).
Error menyebar normal dengan rata-rata nol dan suatu ragam (variance) tertentu.
Koefisien
Semakin besar nilai R2 , semakin baik model regresi yang
determinasi (R2) diperoleh. Nilai R2 berkisar antara 0 s.d. 1.
Langkah 7 : Lakukan Prediksi atau Peramalan terhadap Variabel Faktor Penyebab atau Variabel Akibat
I.Prediksikan Jumlah Cacat Produksi jika suhu dalam keadaan tinggi (Variabel X), contohnya : 30°C
Y = -24,38 + 1,45 (30)
Y = 19,12
Jadi Jika Suhu ruangan mencapai 30°C, maka akan diprediksikan akan terdapat 19,12 unit cacat yang dihasilkan oleh
produksi.
II. Jika Cacat Produksi (Variabel Y) yang ditargetkan hanya boleh 4 unit, maka berapakah suhu ruangan yang diperlukan
untuk mencapai target tersebut ?
4 = -24,38 + 1,45X
1,45X = 4 + 24,38
X = 28,38 / 1,45
X = 19,57
Jadi Prediksi Suhu Ruangan yang paling sesuai untuk mencapai target Cacat Produksi adalah sekitar 19,57°C
Contoh Soal
Suatu data penelitian tentang berat badan 10
mahasiswa yang diprediksi dipengaruhi oleh Data sebagai berikut :
konsumsi jumlah kalori/hari. Bagaimana
menganalisis kasus ini ? No. Nama Mahasiswa Kalori/ hari (X) Berat Badan (Y)
3 Winda 358 56
1. Tujuan : apakah konsumsi jumlah kalori/hari
mempengaruhi berat badan mahasiswa. 4 Kelo 510 72
5 Intan 302 54
2. Variabel : X (variable bebas/predictor) = 6 Putu 300 42
jumlah kalori/hari Y (variable tak 7 Aditya 387 60
bebas/response) = berat badan 8 Anita 527 85
9 Sefia 415 63
10 Rosa 512 74
Tabel bantu yang dibuat untuk memudahkan
dalam melakukan perhitungan :
No. X X2 Y Y2 XY
1 530 280900 89 7921 47170
2 300 90000 48 2304 14400
3 358 128164 56 3136 20048
4 510 260100 72 5184 36720
5 302 91204 54 2916 16308
6 300 90000 42 1764 12600
7 387 149769 60 3600 23220
Supranto. J., 2001, Statistika Teori dan Aplikasi Edisi Ke-6 Jilid 2. Jakarta:Erlangga
Walpole. R.,E., 1995, Ilmu Peluang Dan Statistika Untuk Insinyur dan Ilmuawan. Bandung:ITB