bab i pendahuluan gejala
TRANSCRIPT
BAB I
PENDAHULUAN
Gejala-gejala alam dan akibat atau faktor yang
ditimbulkannya dapat diukur atau dinyatakan dengan dua
kategori yaitu fakta atau data yang bersifat kuantitatif
dan fakta atau data yang bersifat kualitatif. Dalam
pembicaraan ini akan diuraikan masalah regresi dan
korelasi, sebagai pengukur hubungan antara dua variabel
atau lebih. Dalam pembicaraan regresi dan korelasi data
yang dianalisis harus bersifat kuantitatif atau terukur
atau terhitung atau dapat dikuantitatifkan; jadi
sekurang-kurangnya data dengan skala interval. Data
kuantitatif dapat dibedakan atas dua macam yaitu: Data
atau pernyataan yang bersifat bebas adalah pernyataan
yang ditentukan dengan mana suka atau bebas pilih.
Pernyataan ini sering disebut dengan variabel bebas atau
variabel bebas atau variabel atau predictor atau
independent variable.
Data atau pernyataan yang tergantung atau terikat
pada variabel bebas disebut dengan variabel tak bebas
atau variabel tergantung atau variable tak bebas atau
variabel endogen atau kreterium atau dependent variable.
Apakah perlunya mempelajari regresi dan korelasi ?.
Tujuan mempelajari regresi dan korelasi adalah untuk
menemukan atau mencari hubungan antarvariabel, sebagai
dasar untuk dapat dipakai melakukan penaksiran atau
peramalan atau estimasi dari hubungan antarvariabel
tersebut.
BAB II
PEMBAHASAN
2.1 PENGERTIAN REGRESI
Dalam kehidupan sehari-hari sering kali ingin
diketahui hubungan antar peubah, misalnya hubungan antara
: prestasi belajar dengan IQ, tingkat pendidikan ibu
dengan gizi balita, dan sebagainya. Umumnya suatu peubah
bersifat mempengaruhi peubah yang lainnya. Peubah yang
mempengaruhi disebut peubah bebas sedangkan yang
dipengaruhi disebut sebagai peubah tak bebas atau peubah
terikat.
Secara kuantitatif hubungan antara peubah bebas dan
peubah terikat dapat dimodelkan dalam suatu persamaan
matematik, sehingga dapat diduga nilai suatu peubah
terikat bila diketahui nilai peubah bebasnya. Persamaan
matematik yang menggambarkan hubungan antara peubah bebas
dan terikat sering disebut persamaan regresi.
Regresi pertama-tama dipergunakan sebagai konsep
statistik pada tahun 1877 oleh Sir Francis Galton yang
melakukan studi tentang kecenderungan tinggi badan anak.
Hasil studi tersebut merupakan suatu kesimpulan bahwa
kecenderungan tinggi badan anak yang lahir terhadap
orangtuanya adalah menurun (regress) mengarah pada tinggi
badan rata-rata penduduk. Istilah regresi pada mulanya
bertujuan untuk membuat perkiraan nilai satu variabel
(tinggi badan anak) terhadap satu variabel yang lain
(tinggi badan orangtua). Selanjutnya berkembang menjadi
alat untuk membuat perkiraan nilai suatu variabel dengan
menggunakan beberapa variabel lain yang berhubungan
dengan variabel tersebut. Sehingga dalam ilmu statistika,
teknik yang umum digunakan untuk menganalisis hubungan
antara dua atau lebih variabel adalah analisis regresi.
Persamaan regresi dapat terdiri dari satu atau lebih
peubah bebas dan satu peubah terikat. Persamaan yang
terdiri dari satu peubah bebas dan satu peubah terikat
disebut persamaan regresi sederhana, sedangkan yang
terdiri dari satu peubah terikat dan beberapa peubah
bebas disebut persamaan regresi berganda. Regresi dapat
dipisahkan menjadi regresi linear dan regresi non linear
Misalkan kita mempunyai sejumlah data berpasangan
{(xi , yi), i = 1, 2, 3, . . ., n} data itu dapat
diplotkan atau digambarkan pada bidang Kartesius yang
disebut sebagai diagram pencar atau diagram hambur. Dari
diagram pencar dapat diperkirakan hubungan antara peubah-
peubah itu apakah mempunyai hubungan linear atau tidak
linear.
2.1.1 Regresi Linear Sederhana
Regresi linear sederhana adalah persamaan regresi
yang menggambarkan hubungan antara satu peubah bebas (X)
dan satu peubah tak bebas (Y), dimana hubungan keduanya
dapat digambarkan sebagai suatu garis lurus. Hubungan
kedua peubah tersebut dapat dituliskan dalam bentuk
persamaan:
Yi = 0 + 1 iX + i
(2.1)
Y = Peubah tak bebas, X = Peubah bebas, 0 =
intersep/perpotongan dengan sumbu tegak, 1 =
Kemiringan/gradien, i error yang saling bebas dan menyebar
normal N(0,2) i = 1, 2, …, n.
Dalam kenyataan seringkali kita tidak dapat
mengamati seluruh anggota populasi, sehingga hanya
mengambil sampel misalkan sampel itu berukuran n dan
ditulis sebagai {(xi , yi), i = 1, 2, 3, . . ., n}.
Y
X
Persamaan yang diperoleh adalah dugaan dari persamaan
(12.1) dan dapat dituliskan sebagai:
iY = b0 + b1 Xi
(2.2)
b0 adalah penduga untuk 0, dan b1 adalah penduga untuk
1.
Untuk peubah bebas xi nilai pengamatan yi tidak
selalu tepat berada pada garis iY~= 0 + 1 iX (garis regresi
populasi) atau iY = b0 + b1 Xi (garis regresi sampel)
y i
iY = b0 + b1 Xi
ei
Gambar 2.1 Garis penduga hubungan antara peubah X dan Y
Terdapat simpangan sebesar ei (untuk sampel) atau i
(untuk populasi), sehingga
Yi = iY + ei atau Yi = iY~ + i
atau
Yi = b0 + b1 Xi + ei (model regresi sampel)
Yi =0 + 1 iX + i (model regresi populasi)
Anggapan/asumsi dalam analisis regresi linear sederhana
dengan model Yi =o + 1 iX + i adalah:.
i merupakan galat acak yang menyebar normal dengan
E( i ) = 0 dan Var( i ) = 2 untuk semua i
Yi menyebar normal dengan E(Yi) = o + 1 iX dan
Var(Yi) = 2 untuk semua i
a. Pendugaan Parameter 0 dan 1
Untuk menduga nilai parameter 0 dan 1 terdapat
bermacam-macam metode, misalnya metode kuadrat terkecil
(least square method), metode kemungkinan maksimum (maximum
likelihood method), metode kuadrat terkecil terboboti
(weighted least square method), dsb.
Disini metode yang digunakan adalah metode kuadrat
terkecil, karena mudah dikerjakan secara manual. Prinsip
dasar metode kuadrat terkecil adalah meminimumkan jumlah
kuadrat simpangan atau Jumlah Kuadrat Galat
(JKG)=1
2
iie=
1
2)ˆ(i
ii YY
(2.3)
Dengan menggunakan bantuan pelajaran kalkulus, diperoleh
nilai dugaan parameter regresi sebagai berikut:
∑Y= nb0+ b1∑X∑XY= b0∑X+ b1∑X2
(2.4)
Dimana :
a=Y−b X
b=∑ (X−X)(Y−Y)
∑ (X−X)2
(2.5)
(2.6)
Dengan demikian dapat diperoleh hubungan;
(2.7)
Contoh 2.1
Diketahui data percobaan
Subjeki
1 2 3 4 5 6 7 8 9
xi 1,5 1,8 2,4 3,0 3,5 3,9 4,4 4,8 5,0yi 4,8 5,7 7,0 8,3 10,9 12,4 13,1 13,6 15,3
Tentukan persamaan regresi dugaan
Jawab
Dengan menggunakan kalkulator dapat dengan mudah dihitung
= 30,3 = 91,1 = 345,09
= 115,11 = 3,3667 = 10, 1222
bo = 10,1222 – (2,9303)(3,3667) = 0,2568
Jadi persamaan regresi dugaan = 0,26 + 2,93X
b. Pengujian terhadap Model Regresi
Proses selanjutnya setelah melakukan pendugaan
parameter model regresi sederhana adalah pengujian
terhadap model regresi apakah signifikan atau tidak, yang
dapat dilakukan dengan dua cara yaitu ANAVA dengan uji F
dan uji parsial dengan uji t.
Uji bagi 1=0 lawan 10 melalui ANAVA
Hipotesis
H0 : 1=0 (Tidak ada hubungan linear antara X
dan Y)
H1 : 1 0 (Ada hubungan linear antara X dan Y)
Tabel 2.1. Anava untuk pengujian pada model regresilinear sederhana
Sumber Keragaman Db JK KT Fhit Ftabel
Regresi
Galat
1
n2
JKR
JKG
KTR=JKR/1
KTG=JKG/(n 2)
Fhit=KTR/KTG Fα(1,n2)
Total n1 JKT
Ho ditolak jika Fhit > Ftabel, yang berarti model
regresi signifikan atau ada hubungan liner antara X
dan Y
Keterangan
Uji bagi 1=0 lawan 10 melalui uji t
Hipotesis
H0 : 1=0 (Tidak ada hubungan linear antara X dan Y)
H1 : 1 0 (Ada hubungan linear antara X dan Y)
Statistik uji adalah :
dengan Kriteria keputusan :
H0 ditolak jika |thit|> tα/2(n2)
1. Uji bagi 0=0 lawan 0 0 melalui uji t
Hipotesis
H0 : 0=0
H1 : 0 0
Statistik uji adalah :
dengan
Kriteria keputusan :
H0 ditolak jika |thit|> tα/2(n2)
Contoh 2.2 Perhitungan untuk uji hipotesis menggunakan data Contoh 2.1.
Dari perhitungan sebelumnya telah diperoleh
= 30,3 = 91,1 = 345,09
= 115,11 = 3,3667 =
10, 1222
b0 = 0,2568 b1 = 2,9303
Dengan demikian diperoleh
JKT = 1036,65 9. (10,1222)2 = 114,52
JKG = 1036,65 (0,2568) 91,1 – (2,9303) 345,09 = 2,0383
JKR = 945,55 –2,0383 = 112,4813
Tabel anava untuk data tersebut disajikan dalam Tabel 2.2.
Tabel 2.2. Anava untuk data pada Contoh 2.1
Sumber Keragaman Db JK KT Fhit Ftabel
Regresi
Galat
1
7
112,4813
2,0383
KTR=112,4813
KTG=0,2911
Fhit=386,2885
F0,05(1,7) =5,59
Total 8 114,52
Berdasarkan hasil pada Tabel 2.2 diperoleh nilai F hitung
lebih besar daripada nilai F tabel, sehingga H0 ditolak.
Jadi ada hubungan linear antara variabel X dan Y. Untuk
uji parsial perlu dihitung terlebih dahulu nilai
dan
0,284
Jadi untuk uji signifikansi koefisien 1
thit =
sedangkan untuk uji signifikansi konstanta diperoleh
thit =
Karena t tabel adalah t0,025;7 = 2,365 maka H0 ditolak untuk
uji koefisien 1 dan H0 diterima untuk uji signifikansi
konstanta.
2.1.2 REGRESI NONLINIER
Dalam contoh terakhir telah kita lihat bahwa regresi
linier tidak dapat dipakai untuk dalam Daftar XIV(10)
karena hipotesis kelinieran telah ditolak.Hal ini juga
dapat dilihat dari letak titik- titik dalam diagram
pencarnya seperti Nampak dalam Gambar XV(5).
Y
50
40
30
20
10
0 1 2 3 4 5 6
7 8 9 10
Dara gambar diatas kelihatan juga bahwa regresi
linier yang telah didapat sangat menyimpang dari letak
titik- titik dalam diagram.
Karenanya kita memperbaikinya dengan regresi
nonlinier.Dari sekian banyaknya model regresi nonlinier,
disini hanyalah akan ditinjau beberapa regresi yang
mudah, diantaranya:
1. Parabola kuadratik Y = a+bX+cX2
2. Parabola kubik Y = a+bX+cX2+dX3
3. Eksponen Y = abX
4. Geometric Y = aXb
5. Gompertz Y = pqbX
6. Logistik Y=
1abX+c
7. Hiperbola Y=
1a+bX
a. Model parabola kuadratik
Taksiran untuk model parabola kuadratik mempunyai
persamaan umum :
Y = a+bX+cX2
Dengan koefisien- koefisien a, b, dan c harus ditentukan
berdasarkan data hasil pengamatan.
Dengan menggunakan metoda kuadrat terkecil, maka a, b dan
c dapat dihitung dari system persamaan:
ΣYi =na+bΣXi+cΣYi2ΣXiYi =aΣXi+bΣYi2+cΣXi3ΣX
i2Y =aΣX
i2+bΣY
i3+cΣX
i4
(2.8)
Contoh 2.3
Diberikan data mengenai tinggi tumbuhan telah kita
ketahui bahwa model regresi linier tidak cocok dipakai.
Kaerenanya, marilah kita coba tentukan regresi
nonliniernya dengan mengambil bentuk parabola
kuadratik.Untuk ini kita buat daftar berikut.
NILAI- NILAI YANG PERLU UNTUK MENENTUKAN REGRESI PARABOLA
Tabel 2.3
Xi Yi Xi2 Xi
3 Xi4 Xi Yi Xi
2 Yi
1
1
1
2
2
2
2
3
3
3
3
4
4
6
8
9
15
12
13
13
23
23
20
25
27
29
1
1
1
4
4
4
4
9
9
9
9
16
16
1
1
1
8
8
8
8
27
27
27
27
64
64
1
1
1
16
16
16
16
81
81
81
81
256
256
6
8
9
30
24
26
26
69
69
60
75
108
116
6
8
9
60
48
52
52
207
207
180
225
432
464
4
5
5
5
5
6
6
6
6
7
7
7
8
8
8
9
9
10
10
10
30
30
33
32
35
37
37
36
35
38
36
36
38
36
39
39
38
40
38
42
16
25
25
25
25
36
36
36
36
49
49
49
64
64
64
81
81
100
100
100
64
125
125
125
125
216
216
216
216
343
343
343
512
512
512
729
729
1000
1000
1000
256
625
625
625
625
1296
1296
1296
1296
2401
2401
2401
4096
4096
4096
6561
6561
10000
10000
10000
120
150
165
160
175
222
222
216
210
266
252
252
304
288
312
351
342
400
380
420
480
750
825
800
875
1332
1332
1296
1260
1862
1764
1764
2432
2304
2496
3159
3078
4000
3800
4200172 948 1148 8722 71456 5833 41759
Dari Rumus 2.8 didapat sistem persamaan :
948 = 33a + 172b + 1.148c
5.883= 172a + 1.148b + 8.722c
41.759= 1.148a + 8.722b + 71.456c
Setelah diselesaikan diperoleh harga-harga :
a = -1,759, b = 9,497 dan c = – 0,547 sehingga regresi
parabola kuadratik Y atas X mempunyai persamaan :
Y = -1,759 + 9,497 X – 0,547 X2
Nampak bahwa model kuadratik lebih cocok bila
dibandingkan dengan model linier.
b. Model Parabola Kubik
Persamaan umum untuk perkiraan model ini adalah :
Y=¿ a + bX + cX2 + dX3
(2.9)
Dengan koefisien-koefisien a, b, c dan d dihitung dari
data hasil pengamatan. Sistem persamaan yang harus
diselesaikan untuk menentukan a, b, c dan d adalah :
∑Yi = na + b∑Xi +c∑Xi2+d∑Xi
3
∑XiYi= a∑Xi + b∑Xi2+ c∑Xi
3 + d∑Xi
4
(2.10)
∑Xi2Yi= a∑Xi
2+ b∑Xi
3 + c∑Xi
4+ d∑Xi
5
.∑Xi3Yi= a∑Xi
3 + b∑Xi
4+ c∑Xi
5+ d∑Xi
6
Makin tinggi pangkat X di dalam persamaan regresi,
makin banyak sistem persamaan yang harus diselesaikan.
Untuk penyelesaian yang lebih baik dan cepat memerlukan
matematika yang teorinya lebih jauh atau dapat pula
diselesaikan dengan bantuan computer.
c. Model Eksponen
Perkiraan untuk model ini, yang persamaannya :
Y=¿ abX (2.11)
Ternyata dapat dikembalikan kepada model linier apabila
diambil logaritmanya. Dalam logaritma, persamaannya
sekarang menjadi :
.log Y=¿ log a + (log b) X
(2.12)
Apabila diamati Y=log Y, a’ = log a dan b’ = log b, makadiperoleh model
Y=¿ a’ + b’ X
Dan ini adalah model linier seperti dalam Rumus 2.6.
Dengan Rumus 2.6, maka a’ dan b’ dapat dihitung, dan
selanjutnya karena a’ = log a dan b’ = log b, maka a dan
b juga dapat dihitung.
Langsung di dalam logaritma, maka a dan b dapat
dapat dicari dari rumus :
Log a = ∑logYi
n−(log b)(∑ Xi
n )
(2.13)
Log b =
n (∑ XilogYi)−(∑Xi )(∑logYi )n∑ Xi
2−(∑ X )i2
Contoh 2.4:
Marilah kita gunakan model ini untuk data dalam Daftar
tabel 2.3. Dari Rumus 2.13) kelihatan bahwa harga-harga
Y harus diambil logaritmanya, sedangkan X tetap
sebagaimana asalnya. Jika ini dilakukan, maka diperoleh
seperti dalam daftar berikut :
Variable X1 2 3 4 5 6 7 8 9 10
Log
Y
0,77
82
0,90
31
0,95
42
1,17
61
1,07
92
1,11
39
1,11
39
1,36
17
1,36
17
1,30
10
1,39
79
1,43
14
1,46
24
1,47
71
1,47
71
1,51
85
1,50
51
1,54
41
1,56
82
1,56
82
1,55
63
1,54
41
1,57
98
1,55
63
1,55
63
1,57
98
1,55
63
1,59
11
1,59
11
1,57
98
1,60
21
1,57
98
1,62
32
Dari daftar itu didapat :
∑X1=172 , ∑logY1=46,5890, ∑ X12=1.148
∑X1logY1=260,2505 dan n=33
Rumus XV(32) memberikan :
Log b = 33(260,2505 )−(172)(46,5890 )
33(1.148)−(172)2
Log b = 0,0692 yang menghasilkan b = 1,173
Log a = 46,58933
−(0,0692)(17233 )Log a = 1,051 yang menghasilkan a = 11,24.
Regresi model eksponen yang diperoleh adalah :
Y=¿ (11,24) (1,173)X
Marilah sekarang kita bandingkan antara hasil regresi
parabola dan eksponen. Regresi linier tidak lagi menjadi
perhatian kita oleh karena sudah kita uji dan ternyata
tidak cocok.
Untuk X = 2, 4, 6, 8, 10, harga-harga Y dari kedua modelialah parabola dan eksponen, dapat dilihat dalam daftar
berikut.
Tabel 4
INTERPOLASI MODEL PARABOLA DAN EKSPONEN
Xi Yi Yi Parabola Yi Eksponen
2
2
2
2
4
4
4
6
6
6
6
15
12
13
13
27
29
30
37
37
36
35
15,05
27,48
35,53
39,21
15,47
21,28
29,38
40,28
8
8
8
10
10
10
38
36
39
40
38
42
38,51 55,42
Daftar tersebut memperlihatkan kepada kita bahwa model
parabola lebih cocok setelah membandingkan harga-harga Yi
dan Yi dari regresi.
Model eksponen dalam Rumus XIV(30) sering pula
disebut model pertumbuhan karena sering banyak digunakan
dalam menganalisis data sebagai hasil pengamatan mengenai
fenomena yang sifatnya tumbuh.
Dalam hal ini, modelnya diubah sedikit dan persamaanya
menjadi :
.Yi = aebX (2.14)
Dengan e = bilangan pokok logaritma asli atau logaritma
Napir harganya hingga empat decimal adalah e = 2,7183.
Penyelesaiannya sama seperti di atas, hanya sekarang
harus diambil logaritma Napir dan bukan logaritma biasa.
Persamaan XV(34) sekarang menjadi :
lnYi = ln a + bX
(2.15)
Dan ini linier dalam X dan ln Y sehingga a dan b dapat
dicari seperti biasa.
Jika daftar logaritma asli tidak tersedia maka dapat
digunakan daftar logaritma biasa, tetapi persamaan dalam
Rumus XV(34) sekarang menjadi :
log Y = log a + 0,4343 bX(2.16)
d. Model Geometrik
Seperti hanya dengan model eksponen, maka model geometric
juga dapat dikembalikan kepada model linier. Persamaan
umum model ini ditaksir oleh bentuk :
Y = aXb (2.17)
Jika diambil logaritmanya, maka
log Y = log a + b log X(2.18)
Dan ini merupakan model linier dalam log X dan log Y.
koefisien-koefisien a dan b dapat dicari dari :
Log a = ∑logYi
n −b∑logXi
n(2.19)
b =
n (∑logXilogYi)−(∑ logXi)(∑ logYi)n (∑ log2Xi )−(∑logXi )2
Contoh : diberikan data berikut
Tabel 5
DATA HASIL
PENGAMATANX Y20 15035 12560 105100 100150 92300 97500 97800 621200 581300 401500 381600 35Penyelesaian
Harga-harga yang diperlukan untuk menghitung a dan b
Tabel 6
X Y Log X Log Y Log X LOG Y Log2 X20 150 1.3010 2.1761 2.8311 1.692635 125 1.5441 2.0689 3.2378 2.384260 105 1.7782 2.0210 3.5941 3.1620100 100 2.0000 2.0000 4.0000 4.0000150 92 2.1761 1.9638 4.2734 4.7354300 97 2.4771 1.9868 4.9215 6.1360500 97 2.6990 1.9865 5.3623 7.2846800 62 2.9031 1.7924 5.2035 8.42801200 58 3.0792 1.7634 5.4289 9.48141300 40 3.1139 1.6021 4.9887 9.69631500 38 3.1761 1.5796 5.0176 10.08761600 35 3.2401 1.5441 4,9474 10.2662jumla
h
29.451
9
22.5134 53.8072 77.3543
Dengan rumus 2.19 didapat
b=12 (53.8072)−(29.4519)(22,5134)
12 (77.3543 )−(29.4519)2
b=−0.2856
loga=22.5134
12−(−0.2856 )(29.4519
12)
loga=2.5770;a=377.6
Persamaan regresinya adalah
Y=377.6X−0.2856
e. Model Logistik
bentuk yang paling sederhana model logistic dapat ditaksioleh :
Y= 1abX (2.20)
Untuk Y yang tidak sama dengan nol, bentuk diatas dapatpula ditulis sebagai
1Y
=abX (2.21)
Jika diambil logaritmanya, maka didapat
log 1Y
=loga+logbX (2.22)
Yang merupakan model linear dalam variable-variable X dan
log 1Y. Koefisien-koefisien a dan b dapat dicari dengan
menggunakan rumus 2.11 apabila disitu log diganti oleh
log 1/y
Log a =
∑log 1
Yin
−(log b)(∑ Xin )
Log b =
n(∑ Xilog1
Yi)−(∑ Xi)(∑log 1
Yi )n∑ Xi
2−(∑X )i2
(2.23)
f. Model Hiperbola
Perkiraan persamaan umumn yang sederhana untuk modelhiperbola ini dapat ditulis dalam bentuk
Y=1
a+bX (2.24)
Atau jika tidak ada Y berharga nol dapat ditulis menjadi
1Y
=a+bX (2.25)
Yang ternyata merupakan bentuk linear dalam variable-variable X dan 1/y. koefisien-koefisien a dan b dapatdihitung dengan menggunakan rumus 2.6 yaitu
a=∑ 1
Yn −b∑X
n
b=n∑X
Y−∑ X∑ 1
Yn∑X2−(∑ X)2
Contoh 2.5
untuk data dalam daftar tabel 5, tentukanlah regresinyadengan mengambil model hiperbola. Untuk itu kita perludata sebagai berikut
X Y 1/Y X2 X/Y20 150 0.0066 400 0.13235 125 0.0080 1225 0.2860 105 0.0095 3600 0.57100 100 0.0100 10000 1.00150 92 0.0108 22500 1.62300 97 0.0103 90000 3.09500 97 0.0103 250000 5.15800 62 0.0161 640000 12.881200 58 0.0172 1440000 20.641300 40 0.0250 1690000 32.501500 38 0.02630 2250000 42.051600 35 0.0285 2560000 47.207565 - 0.1786 8957725 167.112
Dari rumus didapat
b=(12) (167.112 )−(7.565 ) (0.1786)
12 (8957725 )−(7.565)2
b=0.000013
a=0.178612
−(0.000013 )7.56512
a=0.0066
Persamaan regresi model hiperbolanya dapat ditulismenjadi :
Y=1
0.0066+0.000013X
BAB III
PENUTUP
3.1 Kesimpulan
Analisis regresi ialah menjadi alat untuk membuatperkiraan nilai suatu variabel dengan menggunakanbeberapa variabel lain yang berhubungan denganvariabel tersebut. Sehingga dalam ilmu statistika,teknik yang umum digunakan untuk menganalisishubungan antara dua atau lebih variable
\persamaan regresi menurut banyaknya variablebebasnya terbagi atas dua bagia yaitu1. Persamaan regresi sederhana 2. Persamaan regresi Ganda
persamaan regresi Sederhana adalah . Persamaan yangterdiri dari satu peubah bebas dan satu peubahterikat. Persamaan regresi ini terbagi atas duabagian yaitu :1. persamaan regresi linear sederhana2. persamaan regresi nonlinear sederhana
Regresi linear sederhana adalah persamaan regresiyang menggambarkan hubungan antara satu peubah bebas(X) dan satu peubah tak bebas (Y), dimana hubungankeduanya dapat digambarkan sebagai suatu garis lurus
Regresi nonlinear sederhana terbagi atas beberapamodel yaitu :1. Model parabola kuadrati2. Model parabola kubik3. Model eksponen4. Model geometri5. Model logistik