Analisis Regresi
Variabel Acak Ganda
Hubungan:
3. Model Regresi Eksponensial
Hubungan:
a0 exp(b0 )
4. Model Regresi Polinomial
[V ][ E ] [ H ]
1
E [V ] [ H ]
4. Model Regresi Polinomial
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:
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
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