Pad

2021

UJI Regresi
sederhan
 Regresi Korelasi
Variabelnya tidak setara. Variabelnya setara atau
Ada variabel yang sejajar
mempengaruhi / menjadi
penyebab / menjadi
prediktor / independent
Ada variabel yang
dipengaruhi/ menjadi akibat /
dependent
Introduction
● Regresi linier sering digunakan untuk melihat nilai prediksi atau
perkiraan yang akan datang

● Apabila X dan Y mempunyai hubungan, maka nilai X yang sudah

diketahui dapat digunakan memperkirakan Y

● Perkiraan mengenai terjadinya sesuatu kejadian (nilai variabel untuk

waktu yang akan datang, seperti prediksi produksi 3 tahun yang akan
datang, prediksi harga bulan depan, ramalan jumlah penduduk 10
tahun mendatang, ramalan hasil penjualan tahun depan).
● Ramalan mengetahui suatu kejadian baik secara kualitatif (akan turun
hujan, akan terjadi perang, akan lulus ujian)

● Kuantitatif (produksi padi akan mencapai 16 juta ton, indek harga 9 bahan
pokok naik 10%, penerimaan devisa turun 5%)

● Melakukan peramalan adalah dengan mengunakan garis regresi

Lanjutan
Variable Y yang nilainya akan diramalkan disebut variable
tidak bebas (dependent variable)

 sedangkan variable X yang nilainya digunakan untuk

meramalkan nilai Y disebut variable bebas (independent
variable) atau variable peramal (predictor) dan sering kali
disebut variable yang menerangkan (exsplanatory).
Analisis Regresi Linier

● Analisis Regresi mengukur hubungan antara variabel dependen

yang bersifat metrik dengan satu atau lebih variabel independen
yang juga bersifat metrik.

● Apabila variabel independennya hanya 1, maka regresinya

adalah regresi linier sederhana (simple linier regression) atau
bivariate regression.

● Apabila variabel independennya lebih dari 1, maka

menggunakan analisis regresi linier berganda (multiple linier
regression)

6
Analisis Regresi Sederhana (Bivariate/
simple regression)

● Persamaan model regresi sederhana:

Y = α + βi.xi + ei
dimana…
■ Y = variabel dependen
■ X = variabel independen (prediktor)
■ α = konstanta
■ β = koefisien regresi variabel (x)
■ e = error
7
Simple Linear
Regression Model Y
The
Thesimple
simplelinear
linearregression
regression
model
model seeks to fit aline
seeks to fit a line
through
through various dataover
various data over a
time
time 0 1 2 3 4 5 x (Time)

Yt = a + bx IsIsthe
thelinear
linearregression
regressionmodel
model

Yt adalah nilai perkiraan mundur atau variabel

dependen dalam model, a adalah nilai intersepsi dari
garis regresi, dan b mirip dengan kemiringan garis
regresi. Namun, karena dihitung dengan variabilitas
data dalam pikiran, formulasinya tidak lurus ke
depan seperti gagasan kemiringan kita yang biasa.
 X Y
Prediktor Variabel respon
variabel indipenden Variabel dependen

Adakah korelasi/ hubungannya nya ?

Dapatkah variabel X memprediksi Y ? Analisis
Regresi
Analisis regresi digunakan untuk mengetahui bagaimana variabel
dependen atau kriterium dapat diprediksikan melalui variabel
independen atau prediktor secara individu atau parsial maupun secara
bersama-sama atau simultan.
Ilustrasi hubungan positif
X Y

Pupuk Produksi
Berat Tekanan
Badan darah
Ilustrasi hubungan negatif

X Y
Jumlah aseptor Jumlah kelahiran
Harga suatu barang Permintaan
barang darah
Scatter Plot
Strong
Weak
relationships
Examples
y
relationships

x x

y y

x x
Scatter Plot No

Examples y
relationship

x
Jenis Analisis Regresi
I. Regresi linier jika hubungan antara variabel bebas terhadap
variabel tak bebas berbentuk linier
 Regresi linier sederhana  Yˆ  a  bX
 Regresi linier berganda  Yˆ  a  b1 X 1  b2 X 2  b3 X 3

II. Regresi tak linier jika hubungan antara variabel bebas

terhadap variabel tak berbentuk linier
 Regresi kuadratik Yˆ  a  bX  cX 2
 Regresi kubik  Yˆ  a  bX 2
Yˆ  a  bX  cX 2  dX 3
Yˆ  a  bX 2  cX 3
Yˆ  a  bX 3
Regresi Linier Sederhana
 Xi

Yi

● variabel independen ke-i

● variabel dependen ke-i maka bentuk model regresi
sederhana adalah : Yi    X i   i , i  1,2,  , n
Yˆi  ˆ  ˆX
Yˆi  a  bX
ˆ
dengan ˆ ,  atau a, b
parameter yang tidak diketahui
i

sesatan random dgn asumsi E[ i ]  0 Var ( i )   2

Dari garis regresi sampel diperoleh :
^ ^ Turunkan D
ei  Yi  (   X i )
terhadap
Dan n a dan b !!!!
D   ei   (Yi  (a  bX i )) 2
2

i 1
Simple Linear Regression Formulas for
Calculating “a” and “b”
a = y - bx

 xy - n(y)(x)
b= 2 2
 x - n(x )
Simple Linear Regression
Problem Data
Question:
Question:Mengingat
Mengingatdata
datadidibawah
bawahini,
ini,apa
apamodel
modelregresi
regresi
linier
liniersederhana
sederhanayang
yangdapat
dapatdigunakan
digunakanuntuk
untukmemprediksi
memprediksi
penjualan di minggu-minggu mendatang?
penjualan di minggu-minggu mendatang?

Week Sales
1 150
2 157
3 162
4 166
5 177
 20

Answer:
Answer:First,
First,using
usingthe
thelinear
linearregression
regressionformulas,
formulas,we
we
can
cancompute
compute“a”“a”and
and“b”
“b”
Week Week*Week Sales Week*Sales
1 1 150 150
2 4 157 314
3 9 162 486
4 16 166 664
5 25 177 885
3 55 162.4 2499
Average Sum Average Sum

b=
 xy - n( y)(x) 2499 - 5(162.4)(3) 63
=  = 6.3
 x 2
- n(x ) 2
55  5( 9 ) 10

a = y - bx = 162.4 - (6.3)(3) = 143.5

 21

The resulting regression model

is: Yt = 143.5 + 6.3x
Now if we plot the regression generated forecasts against the
actual sales we obtain the following chart:
180
175
170
165
160 Sales
Sales

155 Forecast
150
145
140
135
1 2 3 4 5
Period
Perhitungan statistik terkait dengan
hasil uji regresi
 Coefficient of determination…R2 (Koefisien Determinasi)
Kekuatan hubungan antar variabel (x) dan (Y) ditentukan oleh nilai
koefisien determinasi, (r 2). Nilainya bervariasi antara 0.00 sampai
1.00. Koefisien determinasi menentukan seberapa besar variasi
nilai Y (dlm prosentase) yang mampu dijelaskan oleh variasi dari
(x).

 Adjusted R2 (Koefisien Determinasi yang Disesuaikan) Koefisien

determinasi yang telah disesuaikan menurut jumlah variabel
independen dan jumlah sampel yang diteliti. Nilai Adjusted R 2 < R2
nya.

22
Terima
kasih