Modul-12-13_Regresi
Transcript of Modul-12-13_Regresi
-
7/24/2019 Modul-12-13_Regresi
1/23
Trenddan
Korelasi Data
-
7/24/2019 Modul-12-13_Regresi
2/23
Trend dan Korelasi Data
Trend Data :
kecenderungan data mengikuti model matematis
Korelasi Data :
arah dan kedekatan hubungan dua variabel data sesuai dengan trend datanya,
dinyatakan dengan notasi r (koefisien korelasi)
Tingkat ketepatan data terhadap trend datanya dinyatakan dengan R atau rSemakin besar nilai R (koefisien determinasi) semakin tepat trend datanya.
22
2
})(}{)({
))((
2222
iiii
iiii
YYnXXn
YXYXnr
r positip r 0 r negatip
-
7/24/2019 Modul-12-13_Regresi
3/23
Pemodelan Kecocokan Data (Fitting Curve)
Trend Data : kecenderungan data mengikuti model matematis
Kurva Kecocokan Data (fitting curve)adalah rekostruksi kecenderungan (trend) data terhadap model kurva matematis
Kriteria Kecocokan Kurvajumlah simpangan terkecil antara data riel dengan data yang seharusnya pada kurva
atau
jumlah simpangan terkecil antara nilai data prediksi dengan data seharusnya
0 1 2 3 4 5 6 7 8 9 10
S
S
S = jumlah simpangan terkecili=1
min
n
i
-
7/24/2019 Modul-12-13_Regresi
4/23
Latihan Kecocokan Data (Fitting Curve)
Data ke- Nilai Model Matematis
Kadar (Y) Temperatur (X) Y = 2.X - 3 Y = ln X3 + 40
1 96 50
2 110 55
3 125 62
4 126 66
5 135 70
6 140 75
7 158 81
8 175 88
Model yang dipilih :
Alasan :
-
7/24/2019 Modul-12-13_Regresi
5/23
Trend Data
(Regresi)
Trend Linier
(Regresi Linier)
Trend Non Linier(Regresi Non Linier)
Polinomial
Eksponensial Logaritmik
Trigoneometrik
dll
-
7/24/2019 Modul-12-13_Regresi
6/23
REGRESI & KORELASI
A. KONSEP ANALISIS REGRESIFenomena Beberapa Variabel(misal: kadar, temperatur, tekanan, ketebalan)
Variabel Bebas Variabel Tak Bebas
(prediktor) (respon )
Regresi
- mudah didapat - terjadi akibat
(diukur) variabel bebas- notasi : X - notasi : Y
KAITAN
Persamaan Regresi
-
7/24/2019 Modul-12-13_Regresi
7/23
Model Regresi
Persamaan Umum :
1. Satu Variabel Bebas, linier : Regresi Linier Sederhana
; 1
, 2
: parameter
dengan taksiran persamaan :
; a taksiran 1 , b taksiran2
),..,
2
,
1
,..,
2
,
1
(
,..,2,1. mk
XXX
kXXXY
X
XY 21
.
bXaY
y = 0,28x + 0,8R = 0,970
0
2
4
6
8
10
12
14
16
0 20 40 60
-
7/24/2019 Modul-12-13_Regresi
8/23
2. Satu Variabel Bebas, non-linier : Regresi non-linier
dengan taksiran persamaan :
k
kXXX
XY
....
.
2
210
k
kXaXaXaaY .... 2
210
y = 3E-05x4 - 0,002x3 + 0,092x2 - 0,883x +5
R = 1
0
2
4
6
8
10
12
14
16
0 20 40 60
-
7/24/2019 Modul-12-13_Regresi
9/23
3. Beberapa Variabel Bebas, linier : Regresi Linier Berganda
dengan taksiran persamaan :
kkXXXXY ...... 22110
kkXaXaXaaY ....
22110
-
7/24/2019 Modul-12-13_Regresi
10/23
Regresi Linier Sederhana (RLS)
bXaY
y = 0,28x + 0,8R = 0,970
0
2
4
6
8
10
12
14
16
0 20 40 60
Y Variabel Tak Bebas
X = Varibel Bebas
Y = f(X)
R = Koefisien Determinasi2
-
7/24/2019 Modul-12-13_Regresi
11/23
A. Metode Pembentukan RLS
bXaY
1. Metode Komputerisasi (Exel)
y = 0,28x + 0,8R = 0,970
0
2
4
6
8
10
12
14
16
0 20 40 60
Jarak, X CT, Y
10 3
20 7
30 10
40 11
50 15
Tahapan :
1. Permasalahan : CT vs Jarak
CT dipengaruhi (Y) oleh
jarak angkut (X)
Scatter plot
2. Trend Data
Linier or non-linier
-
7/24/2019 Modul-12-13_Regresi
12/23
2. Metode Least Square Methods (Kuadrat Terkecil)
dan X : data masukan
a dan b : dicari
untuk mendapatkan nilai a dan b diperlukan paling sedikit 2 persamaan, yaitu :
a. Persamaan Dijumlahkan sampai n data
( Y = a + bX) Y = a + bX Y = n.a + b.X ...... (1)
b. Kalikan dengan variabel X dan Jumlahkan
(Y.X = a.X + bX.X) XY = a X + b. X .....................................(2)
c. Eliminasi persamaan (1) dan (2)
Y = n.a + b. X X X Y = n.a X + b. ( X )
XY = a X + b. X n n. XY = n.a X + b.n. ( X )
X Y n. XY = b [( X ) - n. X ]
maka :
X Y n. XY Y X( X ) - n. X n n
bXaY Y
2
2 2
2
2
2
2 2b =
-
a = - b.
-
7/24/2019 Modul-12-13_Regresi
13/23
Korelasi RSL
Studi yang membahas tentang derajat hubungan antara variabel-variabel
di dalam persamaan regresi, disebut ANALISIS KORELASI
Ukuran kuantitatif yang dipakai untuk mengetahui derajat hubungan tersebut,
dinamakan KOEFISIEN KORELASI ( r )
r negatif r 0 r positif
-1 < r < 1
X naik X naik ; Y naik
Y ;t
u
r
u
n
Y ;n
a
i
k
X naik
Y ;
t
e
t
a
p
-
7/24/2019 Modul-12-13_Regresi
14/23
Koefisien korelasi didapat dengan rumus :
})(}{)({))((
2222
iiii
iiii
YYnXXnYXYXnr
yxy ssr 2
.2
/1 )2()( 2
.2
n
YY
S ii
xy
r = b. Sx/ Sy SX = simpangan baku variabel XSy = simpangan baku variabel Yb = koefisien regresi
1.
2.
3.
-
7/24/2019 Modul-12-13_Regresi
15/23
Apabila r dikuadratkan, menjadi r2 atau R2, disebutsebagai KOEFISIEN DETERMINASI
artinya variabel tidak bebas Y dapat dijelaskan olehR2 variabel bebas X, sisanya 1-R2 dijelaskan olehvariabel lain
Koefisien Determinasi dapat juga dihitung dengan
rumus :
atau
r2 = b1.b2 b1 = koefisien arah Y atas X
b2 = koefisien arah X atas Y
2
22
2
)(
)()(
YY
YYYYr
i
iii
-
7/24/2019 Modul-12-13_Regresi
16/23
Regresi Linier Berganda (RLB)
k
k
XaXaXaaY .... 2210
y = -0,0014x2 + 0,3657x - 0,2
R = 0,9738 2 variabel bebas
R = 1
y = -0,001x2 + 0,365x - 0,2R = 0,973
0
2
4
6
8
10
12
14
16
0 10 20 30 40 50 60
-
7/24/2019 Modul-12-13_Regresi
17/23
Koefisien a0, a1, dan a2 didapat dari :- dijumlahkan : Yi = a0n + a1 X1i + a2 X2i- dikalikan dgX1i : YiX1i = a0 X1i + a1 X1i
2 + a2 X1iX2i- dikalikan dgX2i : YiX2i = a0 X2i + a1 X1iX2i + a2 X2i
2
Untuk 2 variabel prediktor X, ditulis sebagai :
22110 XaXaaY
maka didapat :22110
XaXaYa
2
21
2
2
2
1
2211
2
2
1)())((
))(())((
iiii
iiiiiii
XXXX
YXXXYXXa
2
21
2
2
2
1
1212
2
1
2
)())((
))(())((
iiii
iiiiiii
XXXX
YXXXYXXa
-
7/24/2019 Modul-12-13_Regresi
18/23
Perhatikan tabel di bawah :
X1 = pendapatan, ribu rupiah
X2 = banyak jiwa keluarga
Y = pengeluaran, ratusan rupiah
X1
10 2 4 6 8 7 4 6 7 6
X2 7 3 2 4 6 5 3 3 4 3
Y 23 7 15 17 23 22 10 14 20 19
Susun Persamaan Regresi Linier Berganda
Hitung Koeifisien Determinasi, apa artinya Hitung ry1.2 dan ry2.1 Tulis persamaan regresi secara lengkap
-
7/24/2019 Modul-12-13_Regresi
19/23
Dari data di atas didapat harga-harga :
Yi = 170 X1i = 60 X2i = 40
X1iYi = 1.122 X2iYi = 737 X1iX2i = 267 X1i
2 = 406 X2i2 = 182 n = 10
maka : 170 = 10 a0 + 60 a1 + 40 a21.122 = 60 a0 + 40 a1 + 267 a2
737 = 40 a0 + 267 a1 + 182 a2
Didapat : a0 = 3,92 a1 = 2,50 a2 = - 0,48
Jadi persamaan regresi linier berganda :
Y = 3,92 + 2,50 X1 0,48 X2
-
7/24/2019 Modul-12-13_Regresi
20/23
Koefisien Korelasi RSB
Dengan : ry1 = koef.kor. Y dan X1ry2 = koef.kor. Y dan X2
r12 = koed.kor. X1 dan X2
2
12
122122
21
12.1
2
r
rrrrrr
yyyy
y
Koefisien Regresi Parsiel dihitung dengan rumus :
dan
ry1.2 = koefisien korelasi parsiil Y dan X2 bila X1 tetap
ry2.1 = koefisien korelasi parsiil Y dan X1 bila X2 tetap
)1)(1( 212
2
2
1221
2.1
rr
rrrr
y
yy
y
)1)(1( 212
2
1
1212
1.2
rr
rrrr
y
yy
y
-
7/24/2019 Modul-12-13_Regresi
21/23
X1i X2i Yi x1i x2i yi x1iyi x2iyi yi2
10246
874676
7324
653343
2371517
232210142019
4-4-20
21-2010
3-1-20
21-1-10-1
6-10-20
65-7-332
244040
12514030
181040
125730-2
3610040
362549994
102 57 272
x1iyi = 102
x2iyi = 57
yi2 = 272
8369,0272
)57)(48,0()102)(50,2(2
r
Y = 3,92 + 2,50 X1 0,48 X2
r = 0,914
ry1 = 0,92 ; ry2 = 0,74 ; r12 = 0,86
8263,0)7396,01)(5476,01(
)86,0)(74,0(92,02.1
yr
257,0)7396,01)(8464,01(
)86,0)(92,0(74,02.1
yr
= 3,92 + 2,50 X1 0,48 X2(0,8236) (-0,257)
R2 = 0,8369
Y
-
7/24/2019 Modul-12-13_Regresi
22/23
Dalam rangka persiapan ujian akhir semester diadakan suatu penelitianapakah jumlah jam kuliah berpengaruh terhadap Indeks Prestasi (IP).Diambil sampel acak 10 mahasiswa dan diperoleh data sebagai berikut :
Sampel ke- 1 2 3 4 5 6 7 8 9 10
Jam Kuliah 8 5 11 13 10 5 18 15 2 8
IP 2,5 2,3 3,0 3,2 2,7 2,3 3,4 3,1 2,1 2,6
Susun persamaan Regresi Linier Sederhana
Jika seorang mahasiswa belajar selama 20 jam sebelum ujian,
berapa perkiraan Indeks Prestasi yang diperoleh ? Apakah ada korelasi antara jam belajar dengan Indeks Prestasi,
bagaimana korelasinya ?
-
7/24/2019 Modul-12-13_Regresi
23/23
Solusi RSL
X Y XY X Y
22 )(
))((
ii
iii
XXn
YXYXnb
XbYa
})(}{)({
))((
2222
iiii
iiii
YYnXXn
YXYXnr