Kelompok 3

 ASEP ROSADI
 ANJAR CAHYA SEPTIAN
 AI FEBRIANTI
 DEDE AMAR
 DUWI SRI ASTUTI
 DIO TRILOKA
 AHMAD SOPANDI
 MODUL 9
Analisis Regresi Linear
dan Korelasi
 KEGIATAN BELAJAR 1
Analisis Regresi Linear Sederhana
 Analisis regresi merupakan alat statistik yang memanfaatkan hubungan
antara dua An lebih peubah kuantitatif sehingga salah satu peubah bisa
diramalkan dari peubah-peubah lainnya. Misalnya, jika kita tahu
hubungan antara kemampuan awal siswa dan prestasi belajarnya pada
tahun pertama di Sekolah Menengah Pertama (SMP) maka kita dapat
MODUL 9 meramal prestasi belajar siswa melalui analisis regresi jika kemampuan
awal siswa telah kita ketahui. Pada modul ini, kita akan membahas
Analisis analisis regresi dengan satu peubah peramal untuk meramal peubah
Regresi yang menarik perhatian kita. Di dalam modul ini khususnya, kita kupas
Linear dan gagasan dasar analisis regresi dan membahas pendugaan parameter-
Korelasi parameter yang ada di dalam model.
 A. HUBUNGAN ANTARA PEUBAH-PEUBAN

Konsep suatu hubungan antara dua peubah, seperti misalnya antara

pendapatan keluarga dan pengeluaran keluarga untuk perumahan,
sudah sangat kita kenal. Kita akan membedakan antara hubungan
fungsional dan hubungan statistik, dan akan mengupas masing-masing
itu.

MODUL 9 1. Hubungan Fungsional antara Dua Peubah

Suatu hubungan fungsional antara dua peubah dinyatakan melalui suatu
Analisis rumus matematis. Jika X peubah bebas (independent variable) dan Y
Regresi peubah tak bebas (dependent variable), hubungan fungsional adalah
Linear dan berbentuk:
Korelasi Y=f(x)
Jika suatu nilai X diketahui, fungsi /dapat menunjukkan nilai Y
padanannya.

2. Hubungan Statistik antara Dua Peubah

Hubungan statistik, tidak seperti fungsional, tidaklah sempurna. Pada
umumnya, amatan-amatan untuk suatu hubungan statistik tidak jatuh
tepat pada kurva hubungan tersebut.
 B. MODEL REGRESI DAN KEGUNAANNYA

1. Konsep Dasar
Model regresi merupakan suatu cara formal untuk mengekspresikan
dua unsur penting suatu hubungan statistik:

a. suatu kecenderungan berubahnya peubah tidak bebas Y secara

MODUL 9 sistematis sejalan dengan berubahnya peubah besar X.
b. perpencaran titik-titik di sekitar kurva hubungan statistik itu.
Analisis
Regresi Kedua ciri ini disatukan dalam suatu model regresi dengan cara
Linear dan mempostulatkan bahwa :
Korelasi
c. ada suatu rencana peluang peubah Y untuk seti setiap taraf (level)
peubah X
d. rata-rata sebaran-sebaran peluang berubah secara sistematis sejalan
dengan berubahnya nilai peubah X.
 2. Bentuk Fungsional Hubungan Regresi

Pemilihan bentuk fungsional hubungan regresi terkait dengan

pemilihan peubah bebasnya. Ada kalanya, teori bilang ilmu
bersangkutan bisa menunjukkan bentuk fungsional yang cocok. Teori
belajar, misalnya, mungkin mengindikasikan bahwa fungsi regresi yang
MODUL 9 menghubungkan biaya produksi dengan berapa kali suatu item tertentu
telah pernah muncul harus memiliki bentuk tertentu dengan sifat-sifat
Analisis asimtotik tertentu pula. Yang lebih sering dijumpai adalah bahwa
Regresi bentuk fungsional hubungan regresi tersebut tidak diketahui
Linear dan sebelumnya, sehingga harus ditetapkan setelah datanya diperoleh dan
Korelasi dianalisis. Oleh karenanya, fungsi regresi linier atau kuadratik sering
digunakan sebagai suatu hampiran yang cukup memuaskan bagi fungsi
regresi yang tidak diketahui bentuknya. Bahkan, kedua jenis fungsi
regresi yang sederhana itu masih juga sering digunakan meskipun teori
yang mendasarinya menunjukkan bentuk fungsionalnya, terutama bila
bentuk fungsional yang ditunjukkan oleh teori terlalu rumit namun
secara logis bisa dihampiri oleh suatu fungsi linier atau kuadratik.
 3. Cakupan Model

Ketika memformulasikan suatu model regresi, kita biasanya harus

membatasi cakupan model ke suatu selang atau daerah nilai-nilai
tertentu peubah bebasnya. Cakupan ini ditentukan oleh rancangan
MODUL 9 penelitian atau oleh jangkauan data yang tersedia. Misalnya, sebuah
perusahaan yang mempelajari pengaruh harga terhadap volume
Analisis penjualan menyelidiki enam tingkat harga, mulai dari Rp4.950,00
Regresi sampai Rp6.950,00. Di sini cakupan model akan dibatasi pada harga-
Linear dan harga yang berkisar dari dekat Rp5.000,00 ke dekat Rp7.000,00.
Korelasi Bentuk fungsi regresi akan cukup meragukan di luar kisaran harga ini
sebab penelitian tidak memberikan informasi mengenai sifat hubungan
statistik di bawah Rp4.950,00 dan di atas Rp6.950,00.
 4. Kegunaan Analisis Regresi

Analisis regresi mempunyai tiga kegunaan utama:

(a) deskripsi,
(b) kontrol atau kendali, dan
(c) peramalan.
Ketiga kegunaan itu telah diilustrasikan oleh ketiga contoh yang telah
dikemukakan di atas. Studi tentang pembelian traktor mempunyai tujuan
deskripsi. Dalam studi biaya pengoperasian kantor cabang, tujuannya adalah
MODUL 9 pengendalian administrasi, dengan mengembangkan suatu hubungan statistik
yang bermanfaat antara biaya dengan peubah-peubah bebas di dalam sistem
Analisis itu maka pihak manajemen berhasil menetapkan biaya standar untuk setiap
Regresi kantor cabang. Dalam studi medis terhadap anak-anak pendek, tujuannya
Linear dan adalah peramalan. Dokter dapat menggunakan hubungan statistik untuk
Korelasi meramalkan kekurangan hormon pertumbuhan pada anak-anak pendek
dengan menggunakan indikator-indikator sederhana yang mudah diukur.
Di dalam praktik, beberapa kegunaan regresi sering ditemukan dalam suatu
analisis regresi, misalnya ialah contoh hubungan POT dengan prestasi
belajar siswa. Pengetahuan mengenai hubungan antara skor POT dengan
prestasi belajar siswa, di masa datang dapat digunakan untuk memberikan
pengetahuan pada orang tua bahwa anaknya perlu mendapatkan perhatian
dalam belajarnya, jika ingin anaknya mempunyai prestasi belajar yang cukup
baik.
 C. MODEL REGRESI LINEAR SEDERHANA DENGAN SEBARAN
SUKU – SUKU GALAT TIDAK DIKETAHUI

1. Model
Adapun Model Regresi dapat ditulis sebagai berikut :

Yi = β0+ β1Xi + €I
Dalam hal ini :
Yi adalah nilai perubahan respons dalam amatan ke-i
MODUL 9
b0 dan b1 adalah parameter
Analisis Xi adalah konstanta yang diketahui, yaitu nilai peubah bebas dari amatan ke-
Regresi i
Linear dan e1 adalah suku galat yang bersifat acak dengan rataan E{ei} = 0 dan ragam
Korelasi s2{ei} = s2; ei dan ej tidak berkorelasi sehingga peragam (covariance) s{eI, ej} =
0 untuk semua i, j; i ¹ j
i = 1, 2, , n
 Ciri-Ciri Penting Model Regresi
 
1. Nilai Yi teramati pada amatan ke-i merupakan jumlah dua komponen :
a. suku konstan b0 + b1Xi dan
b. suku galat ei. Jadi Yi adalah suatu peubah acak.

2. Karena E{ei} = 0, maka peroleh :

 
MODUL 9 E{Yi} = E{b0 + b1Xi + ei} = b0 + b1Xi + E{ei} = b0 + b1Xi
 
Analisis
b0 + b1Xi memainkan peranan sebagai konstanta. Jadi, respons Yi bila nilai X
Regresi
Linear dan pada amatan ke-i adalah Xi berasal dari suatu sebaran peluang yang
Korelasi rataannya adalah :
 
E{Yi} = b0 + b1Xi  
oleh karena itu peroleh fungsi regresi bagi model yaitu :
 
E{Y} = b0 + b1X
Karena fungsi regresi menghubungkan rataan sebaran peluang bagi Y untuk
X tertentu dengan nilai X itu sendiri.
 3. Nilai teramati Y pada amatan ke-i lebih besar atau lebih kecil daripada
nilai fungsi regresi dengan selisih sebesar ei.
4. Setiap suku galat ei diasumsikan mempunyai ragam yang sama s2. oleh
karenanya, respons Yi mempunyai ragam yang sama pula :
 
s2 {Yi} = s2 (1.4)
Karena, berdasarkan sifat variansi, memperoleh :
MODUL 9  
s2{b0 + b1Xi + ei} = s2 {ei) = s2
Analisis Jadi, model regresi mengasumsikan bahwa sebaran peluang bagi Y
Regresi mempunyai ragam yang sama s2, tidak tergantung pada nilai peubah
Linear dan bebas X.
Korelasi 5. Suku-suku galat diasumsikan tidak berkorelasi. Oleh karenanya, hasil dari
setiap amatan manapun yang mempengaruhi galat dari amatan lain
yang manapun baik posotof atau negatif, kecil atau besar. Karena galat,
ei dan ej tidak berkorelasi, maka begitu juga dengan respons Y i dengan Yj.
6. Ringkasan model regresi mengimplementasikan bahwa peubah respons
Yi bersal dari sebaran peluang dengan rataan E{Yi) = b0 + b1Xi dan ragam
s2 yang sama untuk semua nilai X. lebih lanjut, dua amatan sembarang Y i
dan dan Yj tidak berkorelasi.
 Makna Parameter Regresi
 
Kedua parameter b0 dan b1 dalam model regresi dinamakan koefisien
regresi. b1 adalah kemiringan (slope) garis regresi. Kemiringan
menunjukkan perubahan rataan sebaran peluang bagi Y untuk stiap
MODUL 9 kenaikan X satu satuan. Parameter b0 adalah nilai intersep Y garis
regresi tersebut. Bila cakupan model tidak mencakup X = 0, maka b 0
Analisis mempunyai makna sebagai rerata.
Regresi
Linear dan
Korelasi
 D. PENDUGAAN FUNGSI REGRESI

1. Metode Kuadrat Terkecil

Metode Kuadrat Terkecil (Least Square Method) linier adalah suatu

metode yang digunakan untuk menentukan hubungan linier dari suatu
data agar dapat diprediksi nilai-nilainya yang mana nilai tersebut tidak
MODUL 9 terdapat pada data-data yang kita miliki; terkadang proses yang
melibatkan metode kuadrat terkecil untuk menentukan hubungan dua
Analisis variabel data berupa fungsi linier disebut sebagai regresi linier.
Regresi
Linear dan
Korelasi
 2. Pendugaan Kuadrat Terkecil

Pendugaan b0 dan b1 YANG Memenuhi kriterium kuadrat perkecil

dapat ditentukan dalam dua cara berikut :
1.Digunakan suatu prosedur pencarian numerik.
MODUL 9
Prosedur ini untuk berbagai nilai dugaan b0 dan b1
Analisis yang berbeda sampai diperoleh nilai dugaan yang
Regresi meminimumkan Q.
Linear dan
Korelasi 2. Menemukan nilai-nilai b0 dan b1 secara analitis yang
meminimumkan Q. pendekatan analitis mungkin dilakukan bila
model regresinya secara sistematis tidak terlalu rumit seperti
halnya disini.
KEGIATAN BELAJAR 2
Inferensi dalam Analisis Regresi
 Pada Kegiatan Belajar 2, pertama kita akan membahas inferensi
tentang parameter regresi, β0 dan β1, dalam bentuk pendugaan
selang dan uji hipotesis bagi kedua parameter itu. Selanjutnya kita
akan mendiskusikan pendekatan uji linear persamaan regresi
menggunakan analisis ragam. Dan terakhir akan dibahas ukuran
MODUL 9 proporsi keragaman di sekitar nilai tengah.

Analisis Model regresi

Regresi Y i = β 0 + β1 X i + € I
Linear dan
Korelasi Dalam hal ini :
β0 dan β1 adalah parameter
Xi konstanta yang diketahui nilainya
€I menyebar N (0, ∂2) dan bebas satu sama lain.
 A. INFERENSASI TENTANG β1
Inferentasi untuk β1 dapat kita lakukan dengan
menghitung selang kepercayaan (1- α ) 100%
atau dengan uji hipotesis H0 : β1 = 0 lawan Ha :
MODUL 9 β1 ≠ 0. inferensi ini didasarkan pada trasformasi
Analisis
yang dinyatakan dalam besaran:
Regresi t terhitung = b1
Linear dan
Korelasi
S{b1}
yang menyebar t dengan derajat bebas (n-2)
 B. INFERENSI MENGENAI β0
Inferentasi untuk β0 dapat dilakukan dengan
MODUL 9 menghitung selang kepercayaan (1- α )100%
Analisis
yang dinyatakan oleh:
Regresi β0 ± t(1- α /;n-2)S{b0}
Linear dan
Korelasi
Namun, perlu diketahui bahwa inferensi
mengenai β0, layak dilakukanbila model regresi
mencangkup X = 0
 C. MENGUJI KELINIERAN PERSAMAAN REGRESI
Setelah kita menduga dan menguji keberartian koefisien-koefisien
parameter dugaan, langkah selanjutnya adalah mengevaluasi/menguji
kelinieran persamaan regresi. Pada dasarnya pengujian terhadap kelinieran
pada analisis regresi linier sederhana ini sama halnya dengan pengujian
parameter….Untuk mempermudah penarikan proses pengujian terhadap
linieritas tersebut kita dapat memanfaatkan tabel analisis ragam atau
MODUL 9 analysis of variance (ANOVA) dengan bentuk sebagai berikut.

Analisis Sumber Derajat Jumlah Kuadrat F

Regresi Keragama Bebas (db) Kuadrat Tengah
Linear dan n (JK) (KT)
Korelasi
Regresi 1 JKR KTR=JKR KTR/KTG
Galat n-2 JKG KTG=
JKG/(n-2)
Total N-1 JKT
 Dengan

JKR =b1 (∑(Xi Yi) – (∑Xi ) (∑Yi))

MODUL 9
n
JKT = ∑Y²i – (∑Yi)²
Analisis
Regresi n
Linear dan JKG = JKT- JKR
Korelasi