NAMA : REFY PANDU WINATA

NPM : 2040303012
MK : STATISTIKA & PROBABILITAS
DOSEN PENGAMPU : SHINTA TRI KISMANTI, S.PD., M.SI

MATERI
REGRESI LINEAR
 PENGERTIAN

REGRESI LINEAR MERUPAKAN SUATU PENDEKATAN UNTUK

MEMANTAPKAN HUBUNGAN ANTARA SATU ATAU LEBIH VARIABEL
DEPENDEN (REGRESI LINEAR SEDERHANA) DAN JUGA VARIABELEL
INDEPENDEN (REGRESI LINEAR BANYAK). SALAH SATU APLIKASI DARI
REGRESI LINEAR ADALAH UNTUK MELAKUKAN PREDIKSI BERDASARKAN
DATA-DATA YANG TELAH DIMILIKI SEBELUMNYA.
 JENIS-JENIS ANALISIS REGRESI

1.) ANALISIS REGRESI LINIER SEDERHANA

ANALISIS REGRESI LINIER SEDERHANA ADALAH HUBUNGAN SECARA LINEAR ANTARA SATU VARIABEL INDEPENDEN (X) DENGAN
VARIABEL DEPENDEN (Y). ANALISIS REGRESI SEDERHANA DAPAT DIGUNAKAN UNTUK MENGETAHUI ARAH DARI HUBUNGAN
ANTARA VARIABEL BEBAS DENGAN VARIABEL TERIKAT, APAKAH MEMILIKI HUBUNGAN POSITIF ATAU NEGATIF SERTA UNTUK
MEMPREDIKSI NILAI DARI VARIABEL TERIKAT APABILA NILAI VARIABEL BEBAS MENGALAMI KENAIKAN ATAUPUN PENURUNAN.
PADA REGRESI SEDERHANA BIASANYA DATA YANG DIGUNAKAN MEMILIKI SKALA INTERVAL ATAU RASIO.

RUMUS REGRESI LINEAR SEDERHANA SEBAGAI BERIKUT:

Y = A + BX

KETERANGAN:

Y = VARIABEL DEPENDEN (VARIBEL TERIKAT)

X = VARIABEL INDEPENDENT (VARIABEL BEBAS)

A = KONSTANTA (NILAI DARI Y APABILA X = 0)

B = KOEFISIEN REGRESI (PENGARUH POSITIF ATAU NEGATIF)

2.) ANALISIS REGRESI LINIER BERGANDA

ANALISIS REGRESI BERGANDA HAMPIR SAMA DENGAN ANALISIS REGRESI LINIER SEDERHANA, DIMANA UNTUK MEMPREDIKSI NILAI
DEPENDEN ATAU YANG LEBIH DIKENAL DENGAN VARIABEL Y MEMERLUKAN VARIABEL INDEPENDEN ATAU YANG LEBIH DIKENAL
DENGAN VARIABEL X. HAL YANG MEMBEDAKAN ANTARA REGRESI INI DENGAN REGRESI LINIER SEDERHANA ADALAH JUMLAH
VARIABEL YANG DIGUNAKANNYA. DI REGRESI LINEAR BERGANDA, KITA BISA MENGGUNAKAN MULAI DARI DUA BAHKAN LEBIH
VARIABEL INDEPENDEN. NAMUN BISA JADI TIDAK SEMUA VARIABEL MEMPENGARUHI VARIABEL Y. UNTUK MENDAPATKAN MODEL
TERBAIK, KITA HANYA PERLU MEMILIH VARIABEL YANG BERPENGARUH KE VARIABEL Y SAJA.

MODEL REGRESI LINEAR BERGANDA DILUKISKAN DENGAN PERSAMAAN SEBAGAI BERIKUT:

Y = Α + Β1 X2 + Β2 X2 + ΒN XN + E

KETERANGAN:
Y = VARIABEL TERIKAT ATAU VARIABEL RESPONSE.
X = VARIABEL BEBAS ATAU VARIABEL PREDICTOR.
Α = KONSTANTA.
Β = SLOPE ATAU KOEFISIEN ESTIMATE.
3.) ANALISIS REGRESI LOGISTIK

REGRESI LOGISTIK ADALAH SEBUAH PENDEKATAN UNTUK MEMBUAT MODEL PREDIKSI SEPERTI HALNYA REGRESI LINEAR ATAU
YANG BIASA DISEBUT DENGAN ISTILAH ORDINARY LEAST SQUARES (OLS) REGRESSION. PERBEDAANNYA ADALAH PADA REGRESI
LOGISTIK, PENELITI MEMPREDIKSI VARIABEL TERIKAT YANG BERSKALA DIKOTOMI.

ASUMSI REGRESI LOGISTIK ANTARA LAIN:

1. REGRESI LOGISTIK TIDAK MEMBUTUHKAN HUBUNGAN LINIER ANTARA VARIABEL INDEPENDEN DENGAN VARIABEL DEPENDEN.

2. VARIABEL INDEPENDEN TIDAK MEMERLUKAN ASUMSI MULTIVARIATE NORMALITY.

3. ASUMSI HOMOKEDASTISITAS TIDAK DIPERLUKAN

4. VARIABEL BEBAS TIDAK PERLU DIUBAH KE DALAM BENTUK METRIK (INTERVAL ATAU SKALA RATIO).

5. VARIABEL DEPENDEN HARUS BERSIFAT DIKOTOMI (2 KATEGORI, MISAL: TINGGI DAN RENDAH ATAU BAIK DAN BURUK)

6. VARIABEL INDEPENDEN TIDAK HARUS MEMILIKI KERAGAMAN YANG SAMA ANTAR KELOMPOK VARIABEL

7. KATEGORI DALAM VARIABEL INDEPENDEN HARUS TERPISAH SATU SAMA LAIN ATAU BERSIFAT EKSKLUSIF

8. SAMPEL YANG DIPERLUKAN DALAM JUMLAH RELATIF BESAR, MINIMUM DIBUTUHKAN HINGGA 50 SAMPEL DATA UNTUK SEBUAH
VARIABEL PREDIKTOR (INDEPENDEN).

9. DAPAT MENYELEKSI HUBUNGAN KARENA MENGGUNAKAN PENDEKATAN NON LINIER LOG TRANSFORMASI UNTUK MEMPREDIKSI
ODDS RATIO. ODD DALAM REGRESI LOGISTIK SERING DINYATAKAN SEBAGAI PROBABILITAS.