KL2103 Statistika dan Probabilitas

Analisis Regresi
 Variabel Acak Ganda

Banyak masalah teknik/rekayasa yang berhubungan

dengan 2 variabel acak atau lebih

Kecepatan arus dan arah arus

Kecepatan angin dan arah angin
Kecepatan angin dan tinggi gelombang
Hubungan tinggi gelombang H dan periode gelombang T
Hubungan curah hujan dan debit banjir sebuah sungai
Hubungan kualitas hasil produksi dan suhu pemrosesan
 Analisis Regresi

Analisis regresi berguna

jika
suatu variabel acak
punya hubungan fungsional
dengan
variabel lainnya
Analisis Regresi
 1. Model Regresi Linear

Persamaan yang diperkirakan:

Dengan Metode Kuadrat Terkecil (MKT) diperoleh:

 2. Model Regresi Logaritmik

Persamaan yang diperkirakan:

Hubungan:
 3. Model Regresi Eksponensial

Persamaan yang diperkirakan:

Hubungan:
a0  exp(b0 )
 4. Model Regresi Polinomial

Persamaan yang diperkirakan:

[V ][ E ]  [ H ]
1
E  [V ] [ H ]
 4. Model Regresi Polinomial

Pers Regresi Polinomial Orde 2

2
yi  b0  b1 xi  b2 xi

 N

x x 2
 b0    y 
3    
 x x x   b1     yx 
2

 x 2 x x 3 4

b 
   y x 2
  2  
RINGKASAN ANALISIS REGRESI
DENGAN MKT
Metode Kuadrat Terkecil (Least Square Method)
Prosedur untuk mendapatkan kurva terbaik dari
sebaran data yang ada dengan menggunakan Metoda
Kuadrat Terkecil adalah sebagai berikut:
1. Pertama-tama kita uraikan makna dari kurva terbaik
itu apa? Melalui metode kuadrat terkecil (Least
Square Method) diterangkan bahwa garis/bidang
terbaik adalah garis/bidang yang memberikan jumlah
kuadrat error terkecil (J terkecil) terhadap data yang
diamati. error   i  yˆ  yi
Jadi,
Dimana:ŷ  garis/model yang kita gunakan
yi  data
ε i  error
Metode Kuadrat Terkecil (Least Square Method)
N
jumlah kuadrat error = J    i2
i 1
dalam MKT berlaku bahwa terbaik bila menghasilkan J
minimum. Dalam matematika untuk mendapatkan nilai
minimum/maksimum dengan menggunakan:
  J
0
  ...
parameter/variable yang menyebabkan J
berubah
 
Metode Kuadrat Terkecil (Least Square Method)
2. Dari sebaran titik data yang ada, kita dapat menggunakan berbagai macam
model regresi untuk menemukan garis terbaik yang dapat mewakili
kecenderungan (trend) dari sebaran data. Model itu antara lain model linier,
model polynomial, model logaritmik, model eksponensial, dll. Tentukan
model yang akan kita gunakan. Biasanya kita menguji dari beberapa model
garis, garis yang memiliki error terkecil itulah yang terbaik dari yang terbaik.
Model-model tersebut bisa diiliustrasikan sebagai berikut:

Model Linear Model Eksponensial

Tan  = a Y=aebx
Dan
Y=ax+b


b a

Model Polinomial

Y=a1xn+a2xn-1+…+anx+an+1

a
Metode Kuadrat Terkecil (Least Square Method)
3. Setelah kita memilih model mana yang akan digunakan, selanjutnya kita cari
persamaan dari garis tersebut sesuai dengan model yang kita pilih. Yang harus
kita lakukan adalah mencari koefisien dari persamaan yang ada dengan
menggunakan cara untuk mendapatkan nilai maksimum atau minimum
Sebagai contoh untuk model linier:
 i  yi  yˆ
N N
J      ( yi  yˆ ) 2 ; model linier yˆ  ax  b
i
2
i 1 i 1
N
J   ( yi  ax  b) 2
i 1
lalu J diturunkan terhadap a dan b, dan untuk mendapatkan model linier
terbaik, turunkan J terhadap a dan b = 0
J J
 0 dan 0
a b
dari keduanya dapat diketahui nilai a dan b.
begitu pula dengan model Eksponensial, dengan cara yang sama dapat
diketahui a dan b nya. Langkah selanjutnya analog dengan model linier.
Metode Kuadrat Terkecil (Least Square Method)
4. Setelah mendapatkan model yang terbaik dari setiap model yang kita pilih, kita
bisa memilih manakah dari model-model tersebut yang paling cocok (dalam
hal ini yang bisa mewakili data actual). Criteria dalam menentukan yang paling
cocok ini dapat diambil dari konsep uji kecocokan (menggunakan rata-rata
prosentase error, deviasi, atau yang lain).
Misalnya menggunakan metode deviasi, model yang memiliki deviasi yang
paling kecil terhadap data merupakan model yang paling cocok.
Perhitungan nilai rata-rata error relatif menggunakan rumus:
n ^
Σ ( yi  yi )2
δ i 1
n 1
model yang memiliki Nilai rata-rata error relatif yang terkecil menunjukkan
bahwa itulah model terbaik .
 x  y ŷ  i ( yˆ i  yi ) 2
i i

(data) (data) linier polinomial logaritmik eksponensial linier polinomial logaritmik eksponensial
1 2                
2 4                
3 5                
. .                
. .                
. .                
Rata-rata error relatif        
pilih yang paling kecil
 Analisis Korelasi
• Adalah teknik statistik yang digunakan
untuk menentukan keeratan hubungan
(korelasi) antara dua variabel.
• Ukuran yang menyatakan keeratan
hubungan adalah koefisien korelasi (r).
• Koefisien ini bernilai antara –1 sampai
dengan +1.
• Koefisien korelasi :
J xy
r
J xx J yy

– dimana
( X )(Y )
J xy   XY 
n

( X ) 2
J xx   X 2 
n

( Y ) 2
J yy   
Y 2

n
HUBUNGAN KUAT DAN LEMAHNYA SUATU
KORELASI

korelasi korelasi tidak ada korelasi korelasi

negatif negatif korelasi positif positif
sempurna sedang sedang kuat
korelasi korelasi
korelasi positif lemah korelasi
negatif positif kuat
negatif kuat lemah

-1,0 -0,5 0,5 1,0

0,0
korelasi korelasi
negatif positif
Korelasi dalam Scatter Diagram
 Interpretasi Nilai r

Interval Sifat/tingkat
Hubungan
0 < r < 0.2 Sangat rendah
0 .2 < r < 0.4 Rendah
0.4 < r < 0.6 Sedang
0.6 < r < 0.8 Kuat
0 .8 < r < 1 Sangat Kuat