Data mining

Regresi Linier Sederhana & Berganda

 Disusun oleh :
Dendy Dyantama (A11.2014.08318) (Ketua)
Ahmad Aunur Rifqy (A11.2014.08315)
Yusuf Tri Jatmika (A11.2014.08309)
Fauzan Arif Fadilla (A11.2014.08425)
KELOMPOK
5
  Terdapat dua jenis regresi linier :
1. Regresi linear sederhana  hanya melibatkan satu variabel
pemberi pengaruh
Regresi Linier 2. Regresi linear berganda  melibatkan lebih dari satu
variabel pemberi pengaruh
 Variabel : besaran yang berubah nilainya
  Bila diketahui data sbb:
 Berapa lama waktu yang
Regresi Linier diperlukan untuk
mengantarkan pesanan yang
ke 26 dengan jarak sekian
kilometer ?
  Regresi linear sederhana merupakan metode yang
menggunakan garis lurus untuk menggambarkan
Regresi Linier hubungan diantara dua variabel atau lebih.
Sederhana  Dari kasus diatas variabel tersebut adalah jarak dan
waktu, dengan jarak sebagai sumbu x (dalam km),
waktu sebagai sumbu y (dalam menit) .
Regresi Linier
Sederhana
  Kita mencari garis yang mendekati titik-titik sehingga garis
tersebut dapat dijadikan acuan untuk prediksi titik berikutnya.
 Secara umum garis tersebut dapat dituliskan dalam bentuk
persamaan garis.
Y =0 + 1X
Regresi Linier
Sederhana Dimana :
Y = variabel terpengaruh
0 = konstanta
1 = gradient garis
X = variabel pemberi pengaruh
  Bagaimana cara mencari garis regresi yang paling baik?
 Menghitung konstanta (0 ) dan gradient (1) dengan
rumus:

Regresi Linier
Sederhana
 Dengan rumus di atas, maka hasil perhitungan pada tabel jarak dan waktu
menjadi :

Regresi Linier
Sederhana
Regresi Linier Sehingga persamaan regresinya adalah :
Sederhana Y = 14.58 + 4.35x
 Pengetahuan yang bisa diperoleh dari pengolahan data di atas
adalah :
 Kita bisa memprediksikan waktu tempuh pengiriman pesanan
sama dengan 14.58 menit ditambah 4.35 kali jarak rumah
Regresi Linier pelanggan.
Sederhana  Misal, pelanggan ke 26 berjarak 1.5 km maka waktu tempuh
adalah :
Y = 14.58 + (4.35) (1.5)
= 21.1 (menit)
  Regresi Linier Berganda digunakan pada data apabila
variabel masukan/pemberi pengaruh lebih dari satu.
 Y = β0 + β1X1 + β2X2 + … + βkXk
Regresi Linier
 Bila kita memiliki (k+1) buah persamaan sementara
Berganda variabel yang tidak kita ketahui juga sebanyak (k+1),
maka persamaan di atas bisa menjadi ….
Regresi Linier
Berganda
  Bila kita isikan data pada tabel di atas maka akan diperoleh persamaan ;
25β0+ β1(206) + β2(82.94) = 725.42
β0(206) + β1(2396) + β2(771.77) = 8001.67
β0(82.94) + β1(771.77) + β2(353.18) = 2745.81
Regresi Linier
Berganda Ketiga persamaan di atas diselesaikan sehingga diperoleh nilai
β0=2.31 β1= 2.74 β2= 1.24
Sehingga persamaan umum model di atas adalah :
Y = 2.31 + 2.74X1+ 1.24X2
 Pengetahuan yang dapat diperoleh adalah :
 Kita bisa memprediksi bahwa bila kita mengantarkan pesanan
maka akan diperoleh waktu sama dengan 2.31 menit ditambah
Regresi Linier 2.74 kali banyaknya lampu merah yang ditemui dan ditambah 1.24
Berganda kali jarak rumah pelanggan.
 Bila jarak rumah pelanggan ke – 26 adalah 1.5 dari restoran dan
akan melewati lampu merah 1 buah maka waktu hantar adalah
6.91 menit.
LAMPIRAN
(jika perlu)
LAMPIRAN
(jika perlu)
LAMPIRAN
(jika perlu)
TERIMA KASIH