PENCOCOKAN KURVA

REGRESI KUADRAT TERKECIL

PENCOCOKAN KURVA

Teknik untuk mencocokkan kurva terhadap data-data yang

diberikan agar memperoleh taksiran-taksiran antara
dibutuhkan.

 Menghitung nilai-nilai fungsi pada sejumlah nilai diskrit

Regresi Interpolasi
Pengertian Regresi

Regresi dikembangkan dari himpunan data dimana tidak

semua data dihubungkan melainkan mencirikan kecendrungan
/ umum dari data tersebut dengan sebuah garis lurus.

Analisis regresi merupakan studi ketergantungan satu atau

lebih variabel bebas terhadap variabel tidak bebas. Dengan
maksud untuk meramalkan nilai variabel tidak bebas.
Contoh Penerapan Analisis Regresi

1. Analisis Regresi antara pendapatan terhadap konsumsi

rumah tangga.
2. Analisis Regresi antara harga terhadap penjualan barang.
3. Analisis Regresi antara tingkat upah terhadap tingkat
pengangguran.
4. Analisis Regresi antara tingkat suku bunga bank terhadap
harga saham
5. Analisis regresi antara biaya periklanan terhadap volume
penjualan perusahaan.
Ketergantungan Statistik vs. Fungsional

Hubungan kausal (ketergantungan statistik)

 Konsumsi dengan pendapatan
 Masa kerja dengan produktifitas
 Iklan dengan penjualan

Hubungan fungsional/Identitas
 Likuditas dengan aktiva lancar
 Produktivitas dengan hasil produksi
 Upah karyawan dengan jam kerja
Perbedaan mendasar antara korelasi dan
regresi ?

Korelasi Regresi
 Korelasi hanya  Regresi menunjukkan
menunjukkan sekedar hubungan pengaruh.
hubungan.  Dalam regresi terdapat
 Dalam korelasi variabel istilah tergantung dan
tidak ada istilah variabel bebas.
tergantung dan variabel
bebas.
Istilah dan notasi variabel dalam
regresi ?
Y X
 Varaibel tergantung  Varaibel bebas (Independent
(Dependent Variable) Variable)
 Variabel yang dijelaskan  Variabel yang menjelaskan
(Explained Variable) (Explanatory Variable)
 Variabel yang diramalkan
 Variabel peramal (Predictor)
(Predictand)  Variabel yang meregresi
(Regressor)
 Variabel yang diregresi
(Regressand)  Variabel perangsang atau
kendali (Stimulus or control
 Variabel Tanggapan variable)
(Response)
Persamaan Regresi

Persamaan Regresi linier Sederhana:

Y = a + bX + 
Y = Nilai yang diramalkan
a = Konstansta
b = Koefisien regresi
X = Variabel bebas
 = Nilai Residu

b
n( XY )  ( X )(  Y )
a
 Y  b( X )
n( X 2 )  ( X ) 2 n
 Contoh Soal

Percobaan dalam bidang lingkungan Jarak Emisi

31 553
 Apakah semakin tua mobil semakin besar
38 590
juga emisi HC yang dihasilkan?
48 608
 Diambil contoh 10 mobil secara acak, 52 682
kemudian dicatat jarak tempuh yang sudah 63 752
dijalani mobil (dalam ribu kilometer) dan 67 725
diukur Emisi HC-nya (dalam ppm) seperti 75 834
table data di samping 84 752
 Akan diperoleh hubungan antara emisi dgn
jarak sbb
89 845
99 960
Emisi = 382 + 5.39 Jarak
Plot antara Emisi HC (ppm) dengan
Jarak Tempuh Mobil (ribu kilometer) berdasarkan
data

950

850
Emisi

750

650

550

30 40 50 60 70 80 90 100
Jarak
Contoh Soal

 Berikut ini data mengenai pengalaman kerja dan penjualan dimana

X = pengalaman kerja (tahun)
Y = omzet penjualan (ribuan)

X 2 3 2 5 6 1 4 1
Y 5 8 8 7 11 3 10 4

 Tentukan nilai a dan b !

 Buatkan persamaan regresinya!
 Berapa omzet pengjualan dari seorang karyawan yg
pengalaman kerjanya 3,5 tahun
Penyelesaian :
X Y XY (8)(198)  (24)(56)
2 5 4 25 10
b
3 8 (8)(96)  (24) 2
9 64 24
2 8 4 64 16 1.584  1.344
5 7 25 49 35
b  1,25
6 11 36 121 66
768  576
1 3 1 9 3 Cara 2.
4 10 16 100 40
1 4 1 16 4
 8 24  a   56 
24 56 96 448 198      
___
24 ___
56  24 96  b  198 
X 3 Y  7
8 8  8 24   56 24   8 56 
A    A1    A2   
Cara 1.  24 96  198 96   24 198 
det A  (8)(96)  (24  24)  192
(56)(96)  (24)(198)
a det A1  (56)(96)  (24)(198)  624
(8)(96)  (24) 2
det A2  (8)(198)  (56)( 24)  240
5.376  4.752 624 240
a  3,25 a  3,25 b  1,25
768  576 192 192
Cara 3 dengan Regresi
(8)(198)  (24)(56)
b
(8)(96)  (24) 2
1.548  1.344
b  1,25
768  576
a  7  1,25(3)
a  3,25

a. Dari ketiga cara pengerjaan tersebut diperoleh nilai a

= 3,25 dan nilai b = 1,25
b. Persamaan regresi linearnya adalah Y=3,25 + 1,25X
c. Nilai duga Y, jika X=3,5 adalah Y=3,25+1,25X
Y= 3,25 + 1,25(3,5)
= 7,625
Koefisien Determinasi (R2)
2 (( n)( XY )  (X )(Y )) 2
R 
( n (  X 2 )  ( X ) 2 ( n ( Y 2 )  (  Y ) 2 )
2 ((8)(198)  (24)(56)) 2
R 
(8(96)  (24) 2 (8(448)  (56) 2 )
2 (1.584  1.344) 2
R 
(768  576) (3.584  3.136)
2 ( 240) 2 57.600
R    0,6696
(192)( 448) 86.016

Nilai determinasi (R2) sebesar 0,6696, artinya pengaruh pengalaman

kerja terhadap naik turunnya omzet penjualan adalah sebesar 66,96%.
Sisanya 33,04% disebabkan oleh faktor lain yang tidak dimasukkan
dalam model.
Contoh Soal
Diketahui hubungan antara variabel X dan variabel Y

X 1 2 3 4 5 6
Y 6 4 3 5 4 2
a. Buatkan persamaan regresinya
b. Tentukan nilai duga Y, jika X = 8
c. Tentukan selisih taksir standarnya
Penyelesaian

n( XY )  ( X )(  Y )
X Y X2 Y2 XY b
1 6 1 36 6 n(  X 2 )  (  X ) 2
2 4 4 16 8 6(75)  (21)( 24)
3 3 9 9 9 b
4 5 16 25 20
6(91)  (21) 2
5 4 25 16 20  54
6 2
b  0,5
36 4 12 105
21 24 91 106 75
a  Y  b. X
24  21 
a  (0,5) 
6 6
a. Persamaan garis regresinya:
Y’ = 5,75 – 0,5 X
b. Nilai duga Y’, jika X=8
Y’ = 5,75 – 0,5 (8)
Y’ = 1,75
c. Selisih taksir standar
X Y Y' Y-Y' (Y-Y')2
2
1 6 5.25 0.75 0.5625 (Y  Y ' )
2 4 4.75 -0.8 0.5625 Sy/x 
3 3 4.25 -1.3 1.5625 n2
4 5 3.75 1.25 1.5625
5,375
5 4 3.25 0.75 0.5625 Sy/x  1,2
6 2 2.75 -0.8 0.5625 62
5.375
TERIMA KASIH