REGRESI LINEAR & KORELASI
Elty Sarvia, ST., MT.
Fakultas Teknik Jurusan Teknik Industri
Universitas Kristen Maranatha
Bandung
#
REGRESI
• Sejauh ini,kita hanya membuat statistik
dengan satu variabel pada waktu
tertentu, baik dari populasi mobil,atau
Mahasiswa.
• Dalam bab ini, kita akan melihat cara
mengaitkan 2 variabel, seperti
berat
badan
Mahasiswa, kita cari
#
Regresi
Semua pertanyaanpenting selalu tentang hubungan
Contoh dari sejumlah pertanyaan penting:
Apakah tekanan darah memberi
gambaran tentang harapan hidup?
Apakah nilai ujian masuk
menggambarkan prestasi di
universitas??
Apakah membaca buku statistik
menjadikanmu pribadi yang lebih
#
Contoh dari sejumlah pertanyaan penting:
Apakah permintaan suatu produk berhubungan
dengan harga produk tersebut atau sebaliknya
harga suatu produk ditentukan juga oleh banyaknya
permintaan terhadap produk tersebut?
Apakah permintaan terhadap suatu produk
dipengaruhi oleh meningkattnya pendapatan
masyarakat?
Apakah persentase kelahiran menurun disebabkan
oleh meningkatnya peserta KB dan membaiknya
kesehatan ibu?
#
Apa itu Garis Regresi?
• Garis linear yang menunjukkan pola
hubungan antara dua variabel misalnya
variabel X dan Y sebenarnya hanya
merupakan garis taksiran yang dipakai
untuk mewakili pola sebaran data
#
TUJUAN REGRESI
Menguji pengaruh
antara satu variabel
terhadap
variabel lain
JENIS-JENIS PERSAMAAN
REGRESI
1. Regresi Linier mempunyai fungsi
linier
a. Regresi Linier Sederhana
b. Regresi Linear Berganda
2. Regresi Non Linier mempunyai
fungsi non-liniear mis :
#
Ada 2 Variabel
Variabel
Independen
(X)
Variabel
Dependen
(Y)
• Kejadian pertama dilambangkan dengan variabel X dan
kejadian kedua dilambangkan dengan variabel Y. Apabila yang
dilibatkan hanya dua variabel X dan Y, maka analisis hubungan
tersebut
dinamakan
regresi
sederhana
dan
korelasi
sederhana.
• Sedangkan bila melibatkan lebih dari dua variabel, misalnya X
1,
X
2, dan Y maka analisis hubungan tersebut dinamakan regresi
berganda dan korelasi ganda.
#
REGRESI
Pada intinya, kegunaan dari regresi adalah untuk masalah peramalan / pendugaan variabel tak bebas berdasarkan variabel bebas yang telah diketahui nilainya, dimana :
– Variabel tak bebas / variabel dependent: lambang Y variabel yg dipengaruhi – Variabel bebas / variabel independent:
lambang Xvariabel yg mempengaruhi
Variabel bebas X sering disebut sebagai prediktor, yaitu variabel yang dipakai untuk memprediksi nilai Y, sedangkan variabel nilai Y sering disebut variabel yang diprediksi atau disebut juga variabel terikat. Regresi adalah teknik statistik untuk menentukan persamaan garis /
#
Regresi
• Dalam pelajaran matematika, kita mungkin belajar untuk melihat hubungan yang ditunjukkan dengan grafik. Jika x di dik maka y bisa diprediksi. Tetapi masalahnya statistik tidak bisa sepasti itu!.
• Kita tahu(atau anggaplah kita tahu) bahwa tinggi badan berpengaruh pada berat tetapi itu bukan satu-satunya pengaruh. Masih ada beberapa faktor lain seperti jenis kelamin, umur, bentuk tubuh,
variasi acak.
Y
X
Data tak pernah sebagus ini!
Gambar 1. Jika x di dik, maka y bisa diprediksi.
Analisa Regresi
• Menyesuaikan
garis
lurus pada scatterplot
yang berantakan ini,
x = independen atau
peramal, dan
y = variabel dependen
atau tanggapan.
#
Regresi Sederhana
• Regresi sederhana ada yang bentuknya
linear dan ada yang bentuknya tidak
linear. Untuk memahami bentuk linear
dan bentuk tidak linear, perhatikanlah
diagram pencar dari variabel X dan
variabel Y yang mencerminkan dua
kejadian berikut.
#
Hubungan X dan Y Searah (Positif) Linear
• Menunjukkan bahwa pola
atau arah hubungan antara
variabel X dengan variabel Y
adalah searah (positif) dan
Linear.
Dalam
hal
ini
kenaikan
nilai
X
diikuti
dengan kenaikan nilai Y atau
sebaliknya penurunan nilai X
juga
diikuti
dengan
penurunan nilai Y secara
linear
Gambar 2.
#
Hubungan X dan Y Berlawanan Arah
(Negatif) Linear
• Menunjukkan bahwa arah
hubungan antara variabel X
dengan variabel Y adalah
berlawanan arah (negatif)
dan Linear. Dalam hal ini bila
nilai X naik, maka nilai Y
turun, sebaliknya nilai X
turun maka nilai Y naik
secara linear
Gambar 3
Hubungan X dan Y Berlawanan Arah (Negatif) Linear.
Hubungan X dan Y Bentuk Kuadrat
• Menunjukkan bahwa arah
hubungan antara variabel X
dengan variabel Y adalah
tidak linear, tetapi mengikuti
bentuk kuadrat.
Gambar 4.
#
Tidak Ada Hubungan Antara X dan Y
• Menunjukkan
pola
yang
tidak teratur, sehingga tidak
ada
hubungan
antara
variabel X dengan variabel
Y.
Gambar 5.
Tidak Ada Hubungan Antara X dan Y
#
Garis Regresi
• Garis Regresi atau Regresi adalah garis lurus atau
garis linear yang merupakan garis taksiran atau
perkiraan untuk mewakili pola hubungan antara
variabel X dengan variabel Y.
• Garis Linear atau garis lurus yang terdapat pada
gambar 2 dan gambar 3 merupakan garis perkiraan
atau taksiran yang dipakai untuk mewakili pola
sebaran data tersebut. Garis linear yang mewakili
sebaran data tersebut dinamakan dengan garis
#
Regresi dibagi 2 :
Regresi didasarkan pada prinsip
“ Least Squares
“ ( kuadrat terkecil ), yang meminimasi jumlah error
kuadrat antara
nilai observasi ( y
i)
dan
hasil
estimasi dari persamaan regresi ( ).
e i = y
i–
;
i = 1, 2, 3, ... , n
Peramalan Regresi adalah persamaan matematik
yg memungkinkan kita meramalkan nilai-nilai suatu
variabel tak bebas dari satu atau lebih nilai-nilai
variabel bebas.
Y = a + b 1 . X 1 + b 2 . X 2 + b 3 . X 3 + ... + b n . X n
REGRESI LINEAR
i yˆ i yˆ#
REGRESI LINEAR SEDERHANA
• Regresi Linear Sederhana ( Simple Linear
Regression
)
hanya
melibatkan
1
variabel
independent
untuk
menentukan
nilai
variabel
dependent.
• Persamaan regresi populasi :
m
Y X=
a
+
b
X
dimana :
a
&
b
= koefisien regresi populasi diestimasi dr data sampel
#
Yˆ
• Persamaan regresi sampel :
= a + b X
dimana :
= nilai-nilai taksiran untuk variabel tak bebas Y
X = nilai-nilai variabel bebas
a = intersep / perpotongan dengan sumbu Y bila X=0
b = koefisien arah atau slope / gradien / kemiringan
dari garis regresi
a & b disebut estimator/koefisien regresi tersebut
a dan b hanyalah taksiran untuk parameter sebenarnya α dan β
yang didasarkan pada sampel sebesar n pengamatan.
Y
ˆ
REGRESI LINEAR SEDERHANA
#
REGRESI LINEAR SEDERHANA
• Model umum :
Y
i
=
m
Y
X
+
Є
i
=
a
+
b
X +
Є
i
• Estimator :
Y
i
= + e
i
= a + b X + e
i
• a, b parameter regresi yang akan diduga dari data sampel • a, b penduga parameter regresi
• Bentuk persamaan kurva regresi linear lainnya dapat dilihat
di :
Leland Blank , Chapter 27.8 , Table 27.5 , page
505.
Y
ˆ
Random Error
for this x value
y
Observed Value
of Y for x
iPredicted Value
of Y for x
iSlope = β
Intercept = α
ε
i
REGRESI LINEAR SEDERHANA
(Populasi)
Yi = a + b X + Єi
#
bx
a
y
ˆ
i
Penaksiran Model RLS (sampel)
Estimate of
the regression
intercept
Estimate of the
regression slope
Estimated
(or predicted)
y value
Independent
variable
The individual random error terms e
ihave a mean of zero
#
Intersep
Bila X = 0 maka Y = a
Y X a.
Bila a = 0 maka garis akan
melalui titik (0,0)
Y
X
#
Slope
Slope = kemiringan
Y = a + bX
Perubahan 1 satuan pada X
mengakibatkan perubahan b satuan pada
Y, sehingga Y mengukur kemiringan/slope
garis tersebut.
Slope
1 satuan b satuan aY
#
Slope
Bila b positif
Bertambahnya nilai X mengakibatkan
bertambahnya nilai Y
Bila b negatif
Bertambahnya nilai X mengakibatkan
berkurangnya nilai Y
#
METODE LEAST SQUARE
• Digunakan untuk memilih persamaan garis
regresi berdasarkan kriteria jumlah kuadrat
error terkecil ( penyimpangan terkecil ) /
meminimasi JKG ( Jumlah Kuadrat Galat ).
• Error
: penyimpangan jarak vertikal antara
titik pengamatan dengan garis regresi.
Populasi
e = Y –
Sampel
Є = Y – m
Y X• JKG =
Y
ˆ
2
2
2)
x
b
-a
-y
(
)
y
ˆ
-y
(
e
#
METODE LEAST SQUARE
Y X = a + b X X Є i e i mY X = a + b X YˆGambar 9. Garis Regresi = a+bX dengan Yˆ mY X = a + b X
METODE LEAST SQUARE
Variabel X tidak memiliki error, karena X adalah variabel bebas ( nilainya ditentukan ). Satu nilai X dapat memiliki beberapa nilai Y yang berdistribusi normal. Distribusi normal untuk setiap nilai X tersebut adalah saling bebas satu sama lain.
Variansi dari distribusi normal masing-masing nilai X adalah sama. Garis regresi linear menghubungi nilai tengah (nilai rata-rata) dari distribusi normal masing-masing nilai X.
#
METODE LEAST SQUARE
Untuk menentukan rumus Variansi (
s
2
populasi
Se
2
sampel ), dalam rumus
Se
2
digunakan pembagi n
– 2 ; karena 2
derajat
kebebasan
hilang
ketika
mengganti
a
dan
b
dengan a dan b.
#
METODE LEAST SQUARE
n
-
1
n
x
x
n
S
2 2 2 x
n -1
n y y n S 2 2 2 y
n
-
1
S
-
b
S
)
y
ˆ
-y
(
JKG
2
y2 2 x2
2
-n
JKG
S
b
-S
2
-n
1
-n
S
e2
y2 2 x2
x
b
y
n
x
b
y
a
2 2 - x x n y x y x n b
Persamaan Regresi :
Y
ˆ
= a + b X
#
METODE LEAST SQUARE
Selang Kepercayaan bagi
a
:
) 1 -n ( n S x S t a α ) 1 -n ( n S x S t a x 2 e 2 / α x 2 e 2 / α
Selang Kepercayaan bagi
b
:
1 -n S S t b β 1 -n S S t b x e 2 / α x e 2 / α
• Estimasi Interval :
v = n – 2METODE LEAST SQUARE
Selang Kepercayaan bagi
m
Y Xo:
untuk nilai X tertentu !2 x 2 e 2 / α Xo Y 2 x 2 e 2 / α S ) 1 -n ( ) x x ( n 1 S t yˆ μ S ) 1 -n ( ) x x ( n 1 S t yˆ
Selang Kepercayaan bagi
yo:
untuk nilai X tertentu !2 x 2 e 2 / α o 2 x 2 e 2 / α S ) 1 -n ( ) x x ( n 1 1 S t yˆ y S ) 1 -n ( ) x x ( n 1 1 S t yˆ
• Estimasi Interval :
v = n – 2#
• S
xy
merupakan kovarians dari X dan Y
• S
x
merupakan simpangan baku dari X
• S
y
merupakan simpangan baku dari Y
• S
2
x
merupakan variansi dari X
• S
2
y
merupakan variansi dari Y
METODE LEAST SQUARE
# Nila I Estimasi batas atas
METODE LEAST SQUARE
• Grafik Estimasi Interval :
Grafik estimasi interval bagi a :
Y
X = a + b X
Yˆ
Gambar 10. Grafik estimasi interval bagi a
Estimasi Interval
#
METODE LEAST SQUARE
• Grafik Estimasi Interval :
Grafik estimasi interval bagi b : Y X = a + b X ) Y , X ( Yˆ
Gambar 11. Grafik estimasi interval bagi b
METODE LEAST SQUARE
• Grafik Estimasi Interval :
Grafik estimasi interval bagi m Y X dan Y :
Yˆ Y = a + b X mY X = a + b X Y = a + b X Y = a + b X mY X = a + b X
#
Contoh Soal :
Tabel berikut menunjukkan tinggi badan (in) dan
berat badan (kg) dari 12 mahasiswa
1. Buat Diagram pencar
2. Tentukanlah persamaan regresi dari data tersebut.
3. Dengan tingkat kepercayaan 95 %, tentukan selang kepercayaan bagi parameter a
4. Dengan tingkat kepercayaan 95 %, tentukan selang kepercayaan bagi parameter b
5. Dgn tkt. kepercayaan 95 %, tent. selang kepercayaan bagi parameter mY Xo ; untuk X = 70
6. Dgn tkt. kepercayaan 95 %, tent. selang kepercayaan bagi parameter Y0 ; untuk X = 60 Tinggi Badan (X) 155 150 180 135 156 168 178 160 132 145 139 152 Berat badan (Y) 70 63 72 60 66 70 74 65 62 67 65 68 #
Jawab Contoh Soal
1.
Buat dulu diagram pencarnya yaitu sbb :
0 20 40 60 80 120 140 160 180 200
Diagram Pencar
#
Jawab Contoh Soal
2. Tentukan garis regresi bagi data dalam tabel diatas :
( latihan dengan prog. kalkulator )
Berdasarkan data diatas, diketahui bahwa :
850 . 1 12 1
i i x 802 12 1
i i y 124.258 12 1
i i iy x 868 . 287 12 1 2
i i x 53.792 12 1 2
i i y n = 12 154,167 x y 66,833
0,23 b ) 1.850 ( -) 287.868 * 12 ( 802) * 1.850 ( -) 124.258 * 12 ( x x n y x x y n b 2 2 2
LATIHAN DENGAN KALKULATOR
Casio fx-4500PA
• Mode LR =Linear Regression
• Shift AcMcl = buat clear
data yang ada dalam kalkulator.
• Masukkan data
70(X),155(Y) M+, ……sampe n
• 2ndF 1 =
• Sx = di kalkulator = X
s
n-1
• Sy = di kalkulator = Y
s
n-1
12 1 2 i i x#
Jawab Contoh Soal
31,107
a
)
154,166
*
0,23
(
-66,833
x
b
y
a
Jadi, persamaan regresinya adalah :
Y
ˆ
= a + b X
Y
ˆ
= 31,107+ 0,23 x
#
Jawab Contoh Soal
3. Dengan tingkat kepercayaan 95 %, tentukan selang
kepercayaan bagi parameter
a
:
Berdasarkan data diatas, diketahui bahwa :
15,55 241,787 S 241,787 ) 1 -12 ( 12 ) 1.850 ( -) 287.868 * 12 ( 1 -n n x x n S x 2 2 2 2 x
4,174 17,424 S 17,424 ) 1 -12 ( 12 ) 802 ( -) 53.792 * 12 ( 1 -n n y y n S y 2 2 2 2 y
2,25 5,097 S 5,097 ) 241,787 * 0,23 ( -17,424 2 -12 1 -12 S b -S 2 -n 1 -n S e 2 2 x 2 2 y 2 e #
Jawab Contoh Soal
a
= 0,05
( 2 arah )
v = n – 2 = 12 – 2 = 10
t
a / 2= 2,228
35,646
α
6,567
2
)
1
-12
(
12
5,55
1
287.868
*
2,25
*
2,228
107
,
31
α
)
1
-12
(
12
5,55
1
287.868
*
2,25
*
2,228
-107
,
31
)
1
-n
(
n
S
x
S
t
a
α
)
1
-n
(
n
S
x
S
t
-a
x 2 e 2 / α x 2 e 2 / α
Jawab Contoh Soal
4. Dengan tingkat kepercayaan 95 %, tentukan
selang kepercayaan bagi parameter
b
:
a
= 0,05
( 2 arah )
v = n – 2 = 12 – 2 = 10
t
a / 2= 2,228
0,327
β
0,132
1
-12
5,55
1
2,25
*
2,228
,23
0
β
1
-12
5,55
1
2,25
*
2,228
-,23
0
1
-n
S
S
t
b
β
1
-n
S
S
t
b
x e 2 / α x e 2 / α
#
Jawab Contoh Soal
5. Dgn tkt. kepercayaan 95 %, tent. selang kepercayaan
bagi parameter
m
Y Xo; untuk X = 170 :
a = 0,05 ( 2 arah ) v = n – 2 = 12 – 2 = 10
Y
ˆ
t
a / 2= 2,228
X = 170 Y
ˆ
= 31,107+ 0,23x
= 31,107+ ( 0,23* 170 ) = 70,207
71,655 μ 68,759 241.781 * ) 1 -12 ( ) 154,167 -170 ( 12 1 * 2,25 * 2,228 70,207 μ 241.781 * ) 1 -12 ( ) 154,167 -170 ( 12 1 * 2,25 * 2,228 -70,207 S ) 1 -n ( ) x -x ( n 1 S t yˆ μ S ) 1 -n ( ) x -x ( n 1 S t yˆ Xo Y 2 Xo Y 2 2 x 2 e 2 / α Xo Y 2 x 2 e 2 / α #Jawab Contoh Soal
6. Dgn tkt. kepercayaan 95 %, tent. selang kepercayaan
bagi parameter Y0 ; untuk X = 170
a
= 0,05 ( 2 arah )
v = n – 2 = 12 – 2 = 10t
a / 2= 2,228
75,425 y 64,989 ... 164,36 y 241.781 * ) 1 -12 ( ) 154,167 -170 ( 12 1 1 2,25 * 2,228 -70,207 S ) 1 -n ( ) x -x ( n 1 1 S t yˆ y S ) 1 -n ( ) x -x ( n 1 1 S t yˆ o o 2 2 x 2 e 2 / α o 2 x 2 e 2 / α Y
ˆ
X = 170 Y
ˆ
= 31,107+ 0,23x
= 31,107+ ( 0,23* 170 ) = 70,207
#
Apa jadinya kalau
Bruce Lee hanya
membaca buku
kungfu?
Maka, amalkanlah ilmu mulai
saat ini juga
INFERENSIA / HIPOTESIS MENGENAI
KOEFISIEN REGRESI
• Disamping menaksir hubungan linear antara x dan y untuk tujuan prediksi orang yang melakukan percobaan (peneliti) mungkin pula ingin menarik inferensia mengenai perpotongan regresi dengan sumbu y dan tanjakan (koefisien arah) dengan menggunakan asumsi bahwa ei (i=1,2,…n) berdistribusi normal sehingga Yi juga berdistribusi normal. • Terdiri dari 2 yaitu Inferensia bagi a intersep dan Inferensia bagi b (Slope).
#
INFERENSIA / HIPOTESIS MENGENAI
KOEFISIEN REGRESI
Inferensia bagi
a
intersep:
• Inferensia bagi a intersep: menyatakan perpotongan garis regresi dengan sumbu y
• Perhatikan bahwa lambang α disini berbeda artinya dengan taraf keberartian/nyata.
• Sehingga lambang α disini digunakan untuk menyatakan dua hal yang sama sekali tidak berkaitan, pertama sebagai taraf keberartian dan kedua sebagai perpotongan garis regresi dengan sumbu y.
#
INFERENSIA / HIPOTESIS MENGENAI
KOEFISIEN REGRESI
1. Struktur Hipotesis : H0 :a = a0 H1 :aa0 ; a > a0 ; a < a0 2. Taraf nyata : a 3. Statistik Uji : x S ) 1 -n ( n S ) α -a ( t 2 e x 0
ta = ... atau : ta / 2 = ... ( 1 arah ) ( 2 arah ) 4. Wilayah Kritis : a = ...5. Keputusan : Terima H0 atau Tolak H0
6. Kesimpulan
#
INFERENSIA / HIPOTESIS MENGENAI
KOEFISIEN REGRESI
Inferensia bagi
b
(Slope):
• Inferensia bagi b (slope): menyatakan tanjakan atau koefisien arah
INFERENSIA / HIPOTESIS MENGENAI
KOEFISIEN REGRESI
1. Struktur Hipotesis :
H0 :b = b0
H1 :bb0 ; b > b0 ; b < b0
2. Taraf nyata : a
3. Statistik Uji : 5. Keputusan : Terima Ho atau Tolak Ho
6. Kesimpulan S 1 -n S ) -b ( t e x 0
b
Inferensia bagi
b
(Slope):
#
Contoh Soal :
7. Dengan menggunakan taksiran a yang telah diperoleh
pada contoh 1, ujilah hipotesis bahwa α =0 pada taraf
nyata 0,05.
Diketahui dari contoh 1 bahwa a = - 61,04 a. Struktur Hipotesis : Ho :a = 0 H1 :a 0 b. Taraf nyata : a = 0,05 #
Contoh Soal :
c. Statistik Uji : 15,268 t 287.868 ,25 2 ) 1 -12 ( 12 * 15,55 * ) 0 -31,107 ( x S ) 1 -n ( n S ) α -a ( t 2 e x 0
t a / 2 = ± 2,228 ( 2 arah ) d. Wilayah Kritis : a = 0,05 a/2 = 0,025 v = n – 2 = 12 – 2 = 10 – 2,228 15,268 2,228 e. Keputusan : Tolak H0 f. Kesimpulan :bahwa a = 0 adalah tidak benar, pada taraf nyata 0,05
#
Dari soal no.1 diperoleh bahwa selang
kepercayaan bagi α :
Dan pengujian hipotesis menyatakan
bahwa bahwa
a
= 0 adalah tidak benar,
pada taraf nyata 0,05
35,646
α
6,567
2
Contoh Soal :
8. Dengan menggunakan taksiran b yang telah diperoleh
pada contoh 1, ujilah hipotesis bahwa seorang peneliti
beranggapan bahwa pengaruh tinggi badan terhadap
berat badan adalah lebih kecil dari 0,3 dengan
menggunakan α = 0,05
Diketahui dari contoh 1 bahwa b = 0,23 a. Struktur Hipotesis :
H0 :b = 0,3 H1 :b > 0,3
#
Contoh Soal :
c. Statistik Uji : 1,6045 t ,25 2 ) 1 -12 ( * 15,55 * ) 0,3 -0,23 ( S ) 1 -n ( S ) -b ( t e x 0 b t a = + 1,812 ( 1 arah ) d. Wilayah Kritis : a = 0,05 v = n – 2 = 12 – 2 = 10 - 1,6045 1,812 e. Keputusan : Terima H0 f. Kesimpulan :bahwa anggapan peneliti mengenai pengaruh tinggi badan terhadap berat badan lebih kecil dari 0,3 adalah benar pada taraf nyata 0,05.
#
Dari soal no.1 diperoleh bahwa selang
kepercayaan bagi β :
Dan pengujian hipotesis menyatakan
bahwa bahwa
b
< 0,3 adalah benar
pada taraf nyata 0,05
0,327
β
0,132
#
Contoh Soal :
9. Idem soal no 3 dengan seorang peneliti beranggapan
bahwa pengaruh tinggi badan terhadap berat badan
adalah lebih kecil dari 0,5 dengan menggunakan α =
0,05
Diketahui dari contoh 1 bahwa b = 0,23 a. Struktur Hipotesis : Ho :b = 0,5 H1 :b > 0,5 b. Taraf nyata : a = 0,05
Contoh Soal :
c. Statistik Uji : 6,1888 t ,25 2 ) 1 -12 ( * 15,55 * 0,5) -0,23 ( S ) 1 -n ( S ) -b ( t e x 0 b t a / 2 = + 2,228 ( 1 arah ) d. Wilayah Kritis : a = 0,05 a/2 = 0,025 v = n – 2 = 12 – 2 = 10 -6,1888 2,228 e. Keputusan : Terima H0 f. Kesimpulan :bahwa anggapan peneliti mengenai pengaruh tinggi badan terhadap berat
#
Dari soal no.1 diperoleh bahwa selang
kepercayaan bagi β :
Dan pengujian hipotesis menyatakan
bahwa bahwa
b
< 0,5 adalah benar
pada taraf nyata 0,05
0,327
β
0,132
#DON’T BE A BABY
Dalam kerja sama, Anda
juga tetap harus memiliki
kemandirian.
Coba dulu semua cara.
Baru minta bantuan orang
lain.
Ketika meminta bantuan,
tunjukkan apa saja usaha
yang telah dilakukan…
#
Soal Responsi
1.
Data pada suatu pabrik kertas menunjukkan bahwa banyaknya
kertas rusak ada hubungannya dengan kecepatan beroperasi
mesin cetak.
a.
Tentukan persamaan regresi linear dengan memakai metode
kuadrat terkecil!
b.
Berapa perkiraan jumlah kertas yang rusak bil a kecepatan mesin
per menit adalah 18,5?
c.
Hitunglah interval kepercayaan intersep α dan slope β
d.
Hitunglah interval kepercayaan intersep
m
YІxodan Yo untuk x=9,2
e.
Dengan menggunakan taksiran a yang telah diperoleh, ujilah
hipotesis bahwa α <-0,8 dan β > 0,5 pada taraf nyata 0,05
Kecepatan mesin permenit 8,1 10,2 10,8 10,9 12 13,1 13,2 13,8 14,9 15,8 16,4 17,4 Jumlah Kerusakan Kertas (Lembar) 6 7 7,5 5,7 7 9,6 9,4 9,2 12,2 9 11,4 12.3
Soal Responsi
2. Berikut ini disajikan data mengenai laju pertumbuhan sektor ekonomi dan sektor industri(dalam persen) dari tahun 1992 s/d 2001
a. Buatlah diagram pencar data tersebut. Bagaimana arahnya? b. Tentukanlah persamaan regresinya!
c. Apa artinya koefisien a dan b pada persamaan regresi yang diperoleh dari hasil perhitungan tersebut?
d. Berapa proyeksi pertumbuhan sektor ekonomi bila laju pertumbuhan sektor industri pada tahun 2003 adalah 8,5%?
e. Hitunglah interval kepercayaan intersep α dan slope β
Tahun 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 Laju pertumbuhan sektor ekonomi 2 4 7 3 6 5 6 8 7 7 Laju pertumbuhan sektor industri 1 2 22 11 9 11 12 9 13 10
# Zulkifli Zaini Direktur Distribution Network PT Bank Mandiri Alumnus Teknik Sipil ITB
“Peran ilmu pengetahuan yang diperoleh dari kuliah adalah sangat
penting, terutama pada awal karir seseorang. Pada tahap selanjutnya, baru soft skills yang sangat menonjol kebutuhannya. Semakin tinggi
posisi seseorang, semakin canggih soft skills yang dibutuhkan.”
REGRESI LINEAR & KORELASI (2)
Elty Sarvia, ST., MT.
Fakultas Teknik Jurusan Teknik Industri
Universitas Kristen Maranatha
Bandung
JADIKAN KULIAH SEBAGAI INVESTASI !
1. Soft skills dapat dilatih sejak sebelum lulus kuliah
2. Untuk mengasah soft skills, seimbangkan aktivitas akademik & non akademik 3. Jangan hanya lulus dengan gelar saja!
#
UJI KELINEARAN REGRESI
• Dalam jenis percobaan tertentu si peneliti dapat melakukan
pengulangan pengamatan pada respon untuk setiap nilai X.
Kendati pengulangan pengukuran ini tidaklah diperlukan untuk
menaksir
α dan β tetapi pengulangan ini memungkinkan
diperolehnya informasi kuantitatif untuk melihat kecocokan
model.
• Jadi bila tersedia pengulangan pengukuran, maka pengujian
keberartian dapat dilakukan untuk menentukan apakah model
sesuai atau tidak.
UJI KELINEARAN REGRESI
I.
Uji Inferensia bagi nilai Slope (
b
) :
Prosedur Uji Kelinearan Regresi :
1. Struktur Hipotesis :
H0 :b = 0 ( Garis regresinya tidak linear ) H1 :b 0 ( Garis regresinya linear ) 2. Taraf nyata : a 3. Statistik Uji : e x e x 0
S
1
-n
S
)
b
(
S
1
-n
S
)
-b
(
t
b
#
UJI KELINEARAN REGRESI (2)
I.
Uji Inferensia bagi nilai Slope (
b
) :
Prosedur Uji Kelinearan Regresi :
4. Wilayah Kritis :
a = ... a/2 = ...
v = n – 2 = ... t a = ... ( 1 arah )
– t a / 2 t a / 2
5. Keputusan : Terima H0 atau Tolak H0 6. Kesimpulan
t a / 2 = ... ( 2 arah )
#
UJI KELINEARAN REGRESI
II.
Uji F
1. Struktur Hipotesis :
H0 :Garis regresinya linear H1 :Garis regresinya tidak linear 2. Taraf nyata : a
3. Statistik Uji :
•Hitung nilai n i untuk setiap X i ( jumlah sampel untuk tiap data X ) •Jumlahkan nilai Y i untuk tiap n i dari X i ( jumlah nilai Yi dari tiap data Xi ) •Hitung nilai X 1 dan X 2
S ) 1 -n ( b n Y n Y χ 2 x 2 2 i 2 i 2 1
n Y Y χ i 2 i 2 j i 2 2#
UJI KELINEARAN REGRESI
II.
Uji F
3. Statistik Uji :
Hitung nilai Statistik Uji F :
) k -n ( / χ ) 2 -k ( / χ f 2 2 2 1 f a = ... dimana :
k : jumlah nilai X i yang berbeda
n : jumlah data / sampel 4. Wilayah Kritis :
a = ...
v 1 = k – 2 = ... v 2 = n – k = ...
UJI KELINEARAN REGRESI
II.
Uji F
4. Wilayah Kritis :
f a
Wilayah Kritis : f > f a
5. Keputusan : Terima H0 atau Tolak H0 6. Kesimpulan
#
UJI KELINEARAN REGRESI
III.
Uji ANOVA :
1. Struktur Hipotesis :
H0 :Garis regresinya tidak linear H1 :Garis regresinya linear 2. Taraf nyata : a
3. Statistik Uji :
Hitung nilai SSR dan SSE : SSR = b 2 ( n – 1 ) S x 2 SSE = ( n – 2 ) S e 2
Hitung nilai MSR dan MSE :
1 SSR MSR 2 -n SSE MSE A n a li s is V a ri a n s i u n tu k P e n g u ji a n K e li n e a ra n r e g re s i #
UJI KELINEARAN REGRESI
III.
Uji ANOVA :
3. Statistik Uji :
Susun tabel perhitungan ANOVA : Sumber Variansi Sum of Square Derajat Kebebasan Mean
Square Statistik Uji
Regresi SSR 1 MSR
Error SSE n - 2 MSE MSE
MSR f f a = ...
f
a 4. Wilayah Kritis : a = ... v 1 = 1 v 2 = n – 2 = ... Wilayah Kritis : f > f a5. Keputusan : Terima H0 atau Tolak H0 6. Kesimpulan n a li s is V a ri a n s i u n tu k P e n g u ji a n K e li n e a ra n r e g re s i
#
UJI KELINEARAN REGRESI
IV.
Uji Hipotesa Koefisien Korelasi ( R ) :
1. Struktur Hipotesis :
H0 :r = 0 ( Garis regresinya tidak linear ) H1 :r 0 ( Garis regresinya linear ) 2. Taraf nyata : a
3. Statistik Uji : lihat tabel 28.2, hlm. 521, Leland Blank
P
ro
s
e
d
u
r
Uji
Kel
in
e
a
ra
n
Re
g
re
s
i
:
Ukuran Sampel Nilai r 0dlm H0 Stat. Uji Rumus Kecil ( n < 30 ) 0 t Besar ( n ≥ 30 ) 0 z Besar ( n ≥ 30 ) Bukan 0 z 2 r -1 2 -n r t 2 r -1 2 -n r Z 1 1 r -1 r 1 ln 2 3 -n Z 0 0 r r
UJI KELINEARAN REGRESI (2)
IV.
Uji Hipotesa Koefisien Korelasi ( R ) :
4. Wilayah Kritis :
– ... +...
5. Keputusan : Terima H0 atau Tolak H0 6. Kesimpulan a = ... a/2 = ... v = n – 2 = ... ( untuk t a / 2 ) t a / 2 = ... ( 2 arah ) ; atau : z a / 2 = ... ( 2 arah )
e
d
u
r
Uji
Kel
in
e
a
ra
n
Re
g
re
s
i
:
#
Contoh Soal
10. Berdasarkan contoh soal no 1 mengenai tinggi badan (in) dan berat
badan (kg) dari 12 mahasiswa. Jika digunakan tingkat kepercayaan
sebesar 95 %, lakukan pengujian kelinearan regresi, dgn :
a.
Uji Slope (
b
)
b.
Uji F
c.
Uji ANOVA
d.
Uji Koefisien Korelasi
#
Jawab :
• Berdasarkan hasil perhitungan sebelumnya, diketahui bahwa :
a = 31,107 b = 0,23 S X = 15,55 S Y = 4,174 S e = 2,25 850 . 1 12 1
i i x 802 12 1
i i y 124.258 12 1
i i iy x 868 . 287 12 1 2
i i x 53.792 12 1 2
i i y n = 12 154,167 x y 66,833#
UJI KELINEARAN REGRESI
I.
Uji Inferensia bagi nilai Slope (
b
) :
1. Struktur Hipotesis :
H0 :b = 0 ( Garis regresinya tidak linear ) H1 :b 0 ( Garis regresinya linear ) 2. Taraf nyata : a 0.05 3. Statistik Uji : e x e x 0
S
1
-n
S
)
b
(
S
1
-n
S
)
-b
(
t
b
5,27 2,25 1 -12 15,55 ) 0,23 ( S 1 -n S ) b ( t e x UJI KELINEARAN REGRESI (2)
I.
Uji Inferensia bagi nilai Slope (
b
) :
4. Wilayah Kritis :
a = 0.05 a/2 = 0.025
v = n – 2 = 12-2=10 t a / 2 = ± 2,228 ( 2 arah )
– 2.228 +2.228
5. Keputusan : Tolak Ho
6. Kesimpulan : bahwa garis regresinya linear, pada taraf nyata 0,05 5,27
#
UJI KELINEARAN REGRESI
II.
Uji F
1. Struktur Hipotesis :
H0 :Garis regresinya linear H1 :Garis regresinya tidak linear 2. Taraf nyata : a 0.05
3. Statistik Uji :
• Hitung nilai n i untuk setiap X i ( jumlah sampel untuk tiap data X )
• Jumlahkan nilai Y i untuk tiap n i dari X i ( jumlah nilai Y i dari tiap data X i )
k=12 X Y 132 n1 =1 62 135 n2 =1 60 139 n3 =1 65 145 n4 =1 67 150 n5 =1 63 152 n6 =1 68 155 n7 =1 70 156 n8 =1 66 160 n9 =1 65 168 n10 =1 70 178 n11 =1 74 180 n12 =1 72 N = 12 S Y i = 1850 #
UJI KELINEARAN REGRESI
II.
Uji F
3. Statistik Uji :
• Hitung nilai X 1 dan X 2
420,09 χ ) (15,55 ) 1 -12 ( ) (0,23 12 802 1 2 7 1 74 1 0 7 1 5 6 1 6 6 1 0 7 1 8 6 1 3 6 1 7 6 1 5 6 1 60 1 62 χ S ) 1 -n ( b n Y n Y χ 2 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 1 2 x 2 2 i 2 i 2 1
53.792 -53.792 χ 1 72 .. ... 1 62 53.792 χ n Y Y χ 2 2 2 2 i 2 i 2 j i 2 2
#
UJI KELINEARAN REGRESI
II.
Uji F
3. Statistik Uji :
Hitung nilai Statistik Uji F :
f a = ??
dimana :
k : jumlah nilai X i yang berbeda
n : jumlah data / sampel 4. Wilayah Kritis : a = 0.05 v 1 = k – 2 = 10 v 2 = n – k = 0 0 ) 12 -12 ( / 0 ) 2 -12 ( / 420,09 ) k -n ( / χ ) 2 -k ( / χ f 2 2 2 1
KASUS LAIN
II.
Uji F
1. Struktur Hipotesis :H0 :Garis regresinya linear H1 :Garis regresinya tidak linear 2. Taraf nyata : a 0.05
3. Statistik Uji :
• Hitung nilai n i untuk setiap X i ( jumlah sampel untuk tiap data X )
• Jumlahkan nilai Y i untuk tiap n i dari X i ( jumlah nilai Y i dari tiap data X i )
X 1 = 60 n 1 = 1 Y 1 = 135 = 135 X 2 = 62 n 2 = 1 Y 2 = 132 = 132 X 3 = 63 n 3 = 1 Y 3 = 150 = 150 X 4 = 65 n 4 = 2 Y 4 = 160 + 139 = 299 X 5 = 66 n 5 = 1 Y 5 = 156 = 156 X 6 = 67 n 6 = 1 Y 6 = 145 = 145 X 7 = 68 n 7 = 1 Y 7 = 152 = 152 k=10 X Y 60 135 62 132 63 150 65 160 65 139 66 156 67 145 68 152 70 155 70 168 72 180 74 178
#
UJI KELINEARAN REGRESI
II.
Uji F
3. Statistik Uji :
• Hitung nilai X 1 dan X 2
367,614 χ ) (4,174 ) 1 -12 ( ) (3,22 12 1850 1 178 1 180 2 323 1 152 1 145 1 156 2 299 1 150 1 132 1 135 χ S ) 1 -n ( b n Y n Y χ 2 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 1 2 x 2 2 i 2 i 2 1
305 χ 287.563 -287.868 χ 1 178 1 180 2 323 1 152 1 145 1 156 2 299 1 150 1 132 1 135 287.868 χ n Y Y χ 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 i 2 i 2 j i 2 2
#UJI KELINEARAN REGRESI
II.
Uji F
3. Statistik Uji :
Hitung nilai Statistik Uji F :
f a = 19,37
dimana :
k : jumlah nilai X i yang berbeda
n : jumlah data / sampel 4. Wilayah Kritis : a = 0.05 v 1 = k – 2 = 8 v 2 = n – k = 2 0,301 ) 10 -12 ( / 305 ) 2 -10 ( / 367,614 ) k -n ( / χ ) 2 -k ( / χ f 2 2 2 1
#
UJI KELINEARAN REGRESI
II.
Uji F
4. Wilayah Kritis : 19,37 Wilayah Kritis : f > f a 5. Keputusan : Terima H0 6. Kesimpulan :bahwa garis regresinya linear, pada taraf nyata 0,05
Wilayah Kritis : f > 19,37
0,301
UJI KELINEARAN REGRESI
III.
Uji ANOVA :
1. Struktur Hipotesis :
H0 :Garis regresinya tidak linear H1 :Garis regresinya linear 2. Taraf nyata : a 0.05
3. Statistik Uji :
Hitung nilai SSR dan SSE :
Hitung nilai MSR dan MSE :
SSR = b 2 ( n – 1 ) S x 2 = 0,232 ( 12 – 1 ) 241.781= 127.902,149 SSE = ( n – 2 ) S e 2 = ( 12 – 2 ) 2,252 = 50,625
9 127.902,14 SSR
# Sumber Variansi Sum of Square Derajat Kebebasan Mean
Square Statistik Uji
Regresi 127.902,1 49 1
127.902,1 49 Error 50,625 12-2 5,0625
UJI KELINEARAN REGRESI
III.
Uji ANOVA :
3. Statistik Uji :
Susun tabel perhitungan ANOVA :
f a = 4,96 4,96 4. Wilayah Kritis : a = 0.05 v 1 = 1 v 2 = 12– 2 = 10 Wilayah Kritis : f > f a 4,96 5. Keputusan : Tolak H0
6. Kesimpulan :bahwa garis regresinya linear, pada taraf nyata 0,05
62 , 264 . 25 0625 , 5 9 127.902,14 M SE M SR f 25.264,62 #
UJI KELINEARAN REGRESI
IV.
Uji Hipotesa Koefisien Korelasi ( R ) :
1. Struktur Hipotesis :
H0 :r = 0 ( Garis regresinya tidak linear ) H1 :r 0 ( Garis regresinya linear ) 2. Taraf nyata : a 0.05
3. Statistik Uji : Uji t ( n kecil )
0,85685
4,174
15,55
*
0,23
S
S
b
r
Y X
5,255
0,85685
-1
2
-12
0,85685
r
-1
2
-n
r
t
2 2
hubungan kuat
#
UJI KELINEARAN REGRESI (2)
IV.
Uji Hipotesa Koefisien Korelasi ( R ) :
Prosedur Uji Kelinearan Regresi :
4. Wilayah Kritis :
– 2.228 +2.228
5. Keputusan : Tolak H0
6. Kesimpulan : bahwa garis regresinya linear, pada taraf nyata 0,05
a = 0.05 a/2 = 0.025 v = 12 – 2 = 10 ( untuk t a / 2 )
t a/2 = ± 2,228 ( 2 arah )
5,255
7 Area Soft Skills : Winning Characteristics
*
* Menurut Patrick O’Brien dalam bukunya “Making College Count”
#
KORELASI LINEAR
Koefisien Korelasi ( r ) digunakan untuk mengukur
kekuatan hubungan antara 2 variabel, tapi tidak
menggambarkan hubungan sebab-akibat.
Range : -1
r
+1
Apabila nilai r = + 1 : maka hubungan positif sempurna antara 2 variabel
Apabila nilai r = – 1 : maka hubungan negatif sempurna antara 2 variabel
Apabila nilai r = 0 : maka tidak ada hubungan antara 2 variabel
Apabila nilai r makin mendekati + 1 : maka hubungan 2 variabel makin kuat positif
Apabila nilai r makin mendekati – 1 : maka hubungan 2 variabel makin kuat negatif
#
HUBUNGAN KUAT DAN LEMAHNYA SUATU KORELASI
0,0
0,5
1,0
Skala r
Korelasi negatif
Korelasi positif
Korelasi negatif sempurna Korelasi negatif sedang Korelasi negatif kuat Korelasi negatif
lemah Korelasi positiflemah Korelasi positifkuat
Korelasi positif sedang Korelasi positif sempurna Tidak ada Korelasi
-0,5
-1,0
#
KOEFISIEN KORELASI
Gambar 13.
Koefsien Korelasi Positif (Sempurna)
Gambar 14.
Koefsien Korelasi Negatif (Sempurna)
Gambar 15. Koefsien Korelasi r=0
Gambar 16. Koefisien Korelasi Positif
Gambar 17 Koefisien Korelasi Negatif
KORELASI LINEAR
Rumus Koefisien Korelasi ( r ) :
y x 2 2 2 2 S S b y y n x x n y x y x n r
Koefisien Determinasi ( r
2) : menunjukkan
berapa % keragaman nilai Y dapat dijelaskan
oleh hubungan linearnya dengan X.
#
Contoh Soal no.11
• Koefisien Korelasi ( r ) = 0,85685
maka terdapat hubungan linear yang kuat antara tinggi badan mahasiswa dengan berat badan mahasiswa.
• Koefisien Determinasi ( D ) = r
2
=
0,85685
2
= 0,7341=
73,41%
Artinya variasi berat badan (Y) dapat yang dapat dijelaskan
oleh variasi tinggi badan (X) mahasiswa oleh persamaan regresi
Ŷ=31,107+0,23x adalah sebesar 73,41%. Sisanya sebesar
26,58 % dijelaskan faktor lain diluar variabel pada persamaan
regresi tersebut.
#
Ada jurang antara materi kuliah dan dunia nyata…
Dalam bidang apapun Anda berkarir, banyak hal baru
#
SOAL RESPONSI (2)
3. Berdasarkan Soal no. 1 diatas (soal Responsi), dengan menggunakan taraf nyata 10 % :
a. Ujilah kelinieran persamaan regresinya dengan menggunakan 4 buah cara diatas !
b. Hitung nilai koefisien korelasi dan koefisien determinasi untuk soal diatas ! Jelaskan !
4. Berdasarkan Soal no. 2 diatas ( Soal Responsi), dengan menggunakan taraf nyata 5 % : (tidak linear)
a. Ujilah kelinieran persamaan regresinya dengan menggunakan 4 buah cara diatas !
b. Hitung nilai koefisien korelasi dan koefisien determinasi untuk soal diatas ! Jelaskan !
OPINI
“
Apapun yang kita mau, harus disadar resource kita terbatas.
Jadi, kita harus me-manage; bagaimana mengatur waktu,
tenaga, uang dan segala macam. Tapi, menentukan tujuan ke
mana kita pergi, adalah hal pertama yang harus dilakukan.”
Palgunadi T. Setyawan Mantan Dirut PT Astra International
#
Soal Responsi
1.
Data pada suatu pabrik kertas menunjukkan bahwa banyaknya
kertas rusak ada hubungannya dengan kecepatan beroperasi
mesin cetak.
a.
Tentukan persamaan regresi linear dengan memakai metode
kuadrat terkecil!
b.
Berapa perkiraan jumlah kertas yang rusak bil a kecepatan mesin
per menit adalah 18,5?
c.
Hitunglah interval kepercayaan intersep α dan slope β
d.
Hitunglah interval kepercayaan intersep
m
YІxodan Yo untuk x=9,2
e.
Dengan menggunakan taksiran a yang telah diperoleh, ujilah
hipotesis bahwa α <-0,8 dan β > 0,5 pada taraf nyata 0,05
Kecepatan mesin permenit 8,1 10,2 10,8 10,9 12 13,1 13,2 13,8 14,9 15,8 16,4 17,4 Jumlah Kerusakan Kertas (Lembar) 6 7 7,5 5,7 7 9,6 9,4 9,2 12,2 9 11,4 12.3
# 2, 1 4, 2 7, 22 3, 11 6, 9 5, 11 6, 12 8, 9 7, 13 7, 10 0 5 10 15 20 25 0 2 4 6 8 10 Se k to r In d u s tr i Sektor Ekonomi
Laju pertumbuhan sektor industri
8.1, 6 10.2, 7 10.8, 7.5 10.9, 5.7 12, 7 13.1, 9.6 13.2, 9.4 13.8, 9.2 14.9, 12.2 15.8, 9 16.4, 11.4 17.4, 12.3 0 2 4 6 8 10 12 14 0 2 4 6 8 10 12 14 16 18 20 J u m la h K e ru s a k a n K e rta s (L e m b a r)
Kecepatan mesin permenit
#
Soal Responsi
2. Berikut ini disajikan data mengenai laju pertumbuhan sektor ekonomi dan sektor industri(dalam persen) dari tahun 1992 s/d 2001
a. Buatlah diagram pencar data tersebut. Bagaimana arahnya? b. Tentukanlah persamaan regresinya!
c. Apa artinya koefisien a dan b pada persamaan regresi yang diperoleh dari hasil perhitungan tersebut?
d. Berapa proyeksi pertumbuhan sektor ekonomi bila laju pertumbuhan sektor industri pada tahun 2003 adalah 8,5%?
e. Hitunglah interval kepercayaan intersep α dan slope β
f. Hitunglah interval kepercayaan intersep mYІxo dan Yo untuk x=9 g. Dengan menggunakan taksiran a yang telah diperoleh, ujilah hipotesis
bahwa α >0 dan β < 0,5 pada taraf nyata 0,05
Tahun 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 Laju pertumbuhan sektor ekonomi 2 4 7 3 6 5 6 8 7 7 Laju pertumbuhan sektor industri 1 2 22 11 9 11 12 9 13 10
Soal QUIZ
3. Tabel dibawah ini menunjukkan dua nilai pertama, yang masing-masing ditandai oleh X dan Y berturut-turut , dari 10 orang Mahasiswa pada nilai Quiz singkat untuk mata pelajaran Akuntansi Biaya.
Nilai Quiz Soal ke-1 6 5 8 8 7 6 10 4 9 7 Nilai Quiz Soal ke-2 8 7 7 10 5 8 10 6 8 6
a. Tent. persamaan garis regresi-nya
b. Ujilah hipotesis nilai intersep dan slope-nya, dengan hipotesis alternatif : a ≠ 0 & b ≠ 0.
c. Hitung interval selang kepercayaan (a) dan (b), serta m YXo dan YO ( untuk X = 4 )
#
Soal QUIZ?
3. Data pada tabel berikut menyajikan besarnya pendapatan dan pengeluaran suatu negara (dalam jutaan dolar) dari tahun 1999 sampai dengan 2008.
a. Mana yang tepat merupakan variabel X dan Variabel Y? Mengapa? b. Buatlah diagram pencar data tersebut. Bagaimana pola
penyebarannya?
c. Tentukanlah persamaan regresinya!
d. Apa artinya koefisien a dan b pada persamaan regresi yang diperoleh dari hasil perhitungan tersebut? Apakah b cocok dengan pola penyebaran data? Jelaskan!
Tahun 1999 2000 2001 2002 2003 2004 2005 2006 2007 2007
Besar Pendapatan 4,7 4,5 4,7 4,9 5,2 5,4 5,8 6,5 6,7 7