ANALISIS REGRESI

An 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).
 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 Examples
Weak
Strong relationships
relationships

y y

x x

y y

x x
Scatter Plot Examples
No
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 variabel independen ke-i
 Yi variabel dependen ke-i maka bentuk model regresi
sederhana adalah :
Yi     X i   i , i  1,2,  , n
Yˆi  ˆ  ˆX
Yˆ  a  bX
i
dengan
ˆ , ˆ atau a, bparameter 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
Analisis Regresi
• Pendugaan terhadap koefisien regresi:

( x )( y )
 xy  n
b Metode
( x ) 2
 
x 2

n
Kuadrat Terkecil

a
 
 Y   X 2   X  XY 
n  X 2   X 
2

Bagaimana Pengujian terhadap model regresi ??

• parsial (per koefisien)  uji-t
• bersama  uji-F (Anova)
Bagaimana menilai kesesuaian model ??
R2 (Koef. Determinasi: % keragaman Y yang mampu dijelaskan oleh X)
 ATAU
y x xy x2 y2

. . . . .
. . . . .

Σy Σx Σxy Σx2 Σy2

n xy   x  y
b
n x 2  ( x ) 2
a  y  bx

y
 y
x
 x
n n
 Latihan
Carilah persamaan regresi Y pada X dari data Tabel :

( x )( y )
 xy  n
b
 x 2

(  x ) 2

n
53305 -
665951
 12  0.8972
37525 
665 2

12
a  y  b1 x  29.53
jadi diperoleh persamaan regresi :
Yˆ  29.5294  0.8972 X
i i
 MENGUJI KOEFISIEN REGRESI
DENGAN ANALISIS VARIANSI

Perhatikan

yi  y   yˆ i  y  y i  yˆ i 
var iasi regresi sisa

n n n

 i
( y
i 1
 y ) 2
  i
( ˆ
y  y )
i 1
2
  i i
( y  ˆ
y ) 2

i 1
 Variasi yang diterangkan dan
Yang tidak dapat diterangkan

y
yi 
2
JKS = (yi - yi ) y
_
JKT = (yi - y)2

y  _
_ JKR = (yi - y)2
_
y y

Xi x
 Tabel Anava :

Sumber JK dk RK F Hitung
Variasi

Regresi JKR= 1 RKR=JKR/1 F=RKR/RKS

 x  x 
n
2
b i
i 1

Sesatan JKS= JKT-JKR n-2 RKS=JKS/n-2 Ftabel

F(alpha, 1,n-2)

Total JKT= n-1

n  y
2

y  n
i 1
2
i
i