regresi linier sederhana lainnya
TRANSCRIPT
Definisi PengaruhJika terdapat 2 variabel, misalkan X dan Y yang data-datanya diplot seperti gambar dibawah
2
X
YY
X
Definisi PengaruhMaka plot data yang membentuk suatu pola tertentu menunjukkan bahwa variabel X dan Y membentuk suatu hubungan
X Y hubungan
X Y pengaruh
4
Definisi PengaruhJika sudah jelas arah hubungannya
Mana variabel yang mempengaruhi ?Mana variabel yang dipengaruhi ?
Maka disebut Pengaruh
Jika belum jelas variabel yang dipengaruhi / mempengaruhi (belum jelas arah hubungannya), maka disebut Hubungan
5
Regresi Linier Y Terhadap XJika pola yang membentuk hubungan X dan Y membentuk suatu garis lurus, maka disebut Pengaruh LinierDimana :
variabel X variabel bebas (independent)variabel Y variabel terikat (dependent)Nilai-nilai Y ditentukan oleh nilai-nilai XVariabel Y dipengaruhi oleh variabel XVariabel X mempengaruhi variabel Y
6
Regresi Linier Y Terhadap X
Plot antara X dan Y
7
Garis lurus tersebut membentuk persamaan :
Y = a + bXa disebut intersepb disebut slope
Y
X
SlopeSlope = kemiringan
Y = a + bX
Perubahan 1 satuan pada X mengakibatkan perubahan b satuan pada Y, sehingga Y mengukur kemiringan/slope garis tersebut.
9
SlopeBila b positif
Bertambahnya nilai X mengakibatkan bertambahnya nilai Y, atau berkurangnya nilai X mengalibatkan berkurangnya nilai Y.
Bila b negatifBertambahnya nilai X mengakibatkan berkurangnya nilai Y, berkurangnya nilai X mengalibatkan bertambahnya nilai Y.
11
Regresi Linier SederhanaModel regresi linier yang hanya melibatkan satu variabel bebas (X). Model regresinya sbb:
XY
12
Dimana :Y = variabel terikatX = variable bebas, = parameter regresi
Regresi Linier SederhanaSehingga setiap pasangan pengamatan (Xi, Yi) dalam sampel akan memenuhi persamaan
iii XY
iii ebXaY
13
Dimana :i = sisaan / galat / eror
Atau dalam persamaan dugaannya
Sisaan / Galat / ErorAdalah penyimpangan model regresi dari nilai yang sebenarnya
14
1e
Y
X
. ..
.. . .
. . .
2e
3e
4e
5e 6e 7e
8e9e
10e
Metode Pendugaan Parameter Regresi
, parameter regresi yang akan diduga dari data Populasi
a, b penduga parameter regresi dari data Sampel
Metode Metode Kuadrat Terkecil (MKT)/Least Square(suatu metode pendugaan parameter dengan meminimumkan / Jumlah Kuadrat Eror / SSE )
n
iie
1
2
15
Metode Pendugaan Parameter Regresi
17
n
i
n
iii
n
i
n
ii
n
iiii
XXn
YXYXnb
1
2
1
2
1 11 XbYa
n
i
n
iii YXbna
1 1
n
ii
n
iii
n
ii YXXbXa
1 1
2
1
Metode Pendugaan Parameter RegresiPenduga Parameter Regresi a, b
Dimana : = rata-rata Xi = rata-
rata Yi
X18
n
i
n
iii
n
i
n
ii
n
iiii
XXn
YXYXnb
1
2
1
2
1 11 XbYa
Y
19
ΣXi2 ΣYi - ΣXi ΣXiYi
nΣXi2 - (ΣXi)2
a =
b = Σxiyi
Σxi2
Σxi2 = ΣXi
2 - (ΣXi)2
n
Σyi2 = ΣYi
2 - (ΣYi)2
n
Σxiyi = ΣXiYi -(ΣXi) (ΣYi)
n
Korelasi ( r )Korelasi merupakan ukuran untuk mengetahui besarnya “keeratan/kekuatan hubungan” antara variabel (derajat asosiasi).-1 ≤ r ≤ 1
20
21
Korelasi ( r )Jika :r ± 1 : hubungan sempurnar antara (±) 0,80 – 0,99 : Hubungan sangat kuatr antara (±) 0,60 – 0,79 : Hubungan kuatr antara (±) 0,40 – 0,59 : Hubungan sedangr antara (±) 0,20 – 0,39 : Hubungan lemahr antara (±) 0,01 – 0,19 : Hubungan sangat lemahr = 0 : tidak ada hubungan
22
Korelasi ( r )Korelasi sedarhana dapat diperoleh dengan menggunakan rumus :
atau r =
√ √r =
n ∑ XiYi - ∑ Xi ∑ Yi
n ∑ Xi2 – (∑ Xi)2 n ∑ Yi2 – (∑ Yi)2
Σ Xi Yi
√ Σ Xi2 √ Σ Yi2
r =√1 - SSESST
23
Koefisien determinan ( kd = r2 )Koefisien determinan berguna untuk mengukur atau mengetahui berapa besar kontribusi variabel independen(bebas) yang dipergunakan mempengaruhi variabel dependen (terikat)
r2 X 100%r2 = 1 – SSE/SSRSedangkan r2
ajd = 1 –
kd =
(SSE / n-k-1)
(SST / n - 1)
24
Uji Model RegresiDilakukan dengan pendekatan analisis variansi dengan menguraikan komponen-komponen total keragaman dari variabel terikat
SST = SSR + SSE
SST = Sum of Square Total / Jumlah Kuadrat TotalSSR = Sum of Square Regression / Jumlah Kuadrat RegresiSSE = Sum of Square Eror / Jumlah Kuadrat Eror
Uji Model RegresiSST = Σyi
2
SSR = b Σxiyi
SSE = SST – SSR = Σyi2 – b Σxiyi
Σyi2 = Σxiyi =
n
i
n
ii
i n
YY
1
2
12
n
i
n
ii
n
ii
ii n
YXYX
1
11
25
Uji Model RegresiTahapan uji keberartian model regresi sbb:1. Hipotesis =
H0 : 0H1 : 0
dimana = matriks [ 0, 1]
26
Uji Model Regresi2. Tabel Analisis Ragam
k = Jumlah Variabel / Koefisien dalam regresin = Jumlah Sampel
Fh =
Sumber Variasi SS df MS Fhitung
Regresi SSR k – 1 MSR = SSR/k - 1 MSR / s2
Eror SSE n – k MSE = s2 = SSE / n - kTotal SST n – 1
27
SSR / k - 1
SSE / n - k
Uji Model Regresi3. Pengambilan Keputusan
H0 ditolak jika
pada taraf kepercayaan atau
28
Fhitung > Ftabel=;(k-1 , n-k)
Uji Parsial Parameter RegresiUji parsial untuk menguji apakah parameter berarti pada model secara parsial
Tahapan Ujinya :1.Hipotesis =
H0 : 0H1 : 0
29
Uji Parsial Parameter Regresi2. Statistik Uji =
Dimana
2
0
/ xis
bt
30
knSSEs
n
XXxi
n
iin
ii
2
1
1
2
2
Uji Parsial Parameter Regresi3. Pengambilan Keputusan =Pada taraf nyata atau tingkat kepercayaan 1 -
α
H0 ditolak jika
atau
31
- t /2(db= n-k) ≤ thitung ≤ t /2(df= n-k)
thitung > t /2(df= n-k)
thitung < -t /2(df= n-k)
Uji Intersep Model RegresiUji parsial untuk menguji apakah parameter berarti pada model secara parsial
Tahapan Ujinya :1.Hipotesis =
H0 : 0H1 : 0
32
Uji Intersep Model Regresi2. Statistik Uji =
Dimana
33
xi/1
2 nXs
at n
ii
knSSEs
i2
n
XXx
n
iin
ii
2
1
1
2
Uji Intersep Model Regresi3. Pengambilan Keputusan =
H0 ditolak jikapada taraf kepercayaan
34
thitung > t /2(db= n-k)
Penggunaan SPSS (Statistical Package for the Social Sciences)
Buka halaman statistik data editor (double klik)
35
Data view digunakan sebagai tempat kertas kerja data yang digunakan.Variabel view digunakan untuk memasukkan berapa banyak indikator atau variabel.Contoh :Berikut disajikan data tentang hasil test kecakapan (IQ) dan hasil penjualan (unit) dari 10 salesman tahun pertama pada PT. BCL
36
Salesman IQ Penjualan1 68 4252 75 4903 60 3504 80 5605 65 3756 77 5107 84 6108 90 6709 76 500
10 95 720
Langkah 1 : Klik Variabel View, ketik Sales abaikan yang lainKetik IQ pada kolom Name Enter yang lain abaikanKetik PENJUALAN pada baris 2 kolom Name Enter yang lain abaikan
Langkah 2 :Klik Data View pada layar maka kolom 1 adalah sales dan Kolom 2 adalah promosi
37
13
2
Langkah 3 :Klik Data View pada layar maka kolom 1 adalah sales dan Kolom 2 adalah promosiLangkah 4:Entri data
Save dengan nama Regresi IQ
38
Isi tiap sel dengan data yang sesuai dengan variabelnya.Kalom Sales: Ketik 1 s.d 10Kolom IQ: Ketik 68 pada baris 1; 75 baris 2; ....; 95 pada baris 10Kolom Penjualan : ketik 425 pada baris 1; 490 pada baris 2; ....; 720 pada baris 10.
39
Langkah 5:Klik Analyze Regression linearMasukkan Dependent Variable: Penjualan, Independent Variable: IQ dengan menekan tanda panah ( )Case label pilih SalesLihat gambar berikut :
40
klik Plot pilih ZPRED untuk Y dan SDRESID untuk X, Klik Normal Probability Plot pada Standarized Residual Plots Klik continue
42
1
2
3
4
Langkah 6:Klik Statistik , pada Regression Coefficient aktifkan Estimate dan Model fitPada Residuals , abaikan saja.Klik ContinueKlik OK
44
Variables Entered/Removedb
Model Variables Entered
Variables Removed Method
1 IQa . Entera. All requested variables entered.b. Dependent Variable: PENJUALAN
45
Model Summaryb
Model R R Square Adjusted R Square
Std. Error of the Estimate
1 .996a .993 .992 11.02024a. Predictors: (Constant), IQb. Dependent Variable: PENJUALAN
ANOVAb
Model Sum of Squares df Mean
Square F Sig.
1Regression 131568.435 1 131568.435 1083.352 .000a
Residual 971.565 8 121.446Total 132540.000 9
a. Predictors: (Constant), IQb. Dependent Variable: PENJUALAN
46
Coefficientsa
ModelUnstandardized
CoefficientsStandardized Coefficients t Sig.
B Std. Error Beta
1(Constant) -332.836 26.174 -12.716 .000
IQ 11.089 .337 .996 32.914 .000
a. Dependent Variable: PENJUALAN
Korelasi (kekuatan hubungan) antara IQ dan penjualan adalah sangat kuat dimana dengan ditunjukannya nilai R = 0,996 atau R2 = 0,993 atau adjusted R Square = 0,992. artinya variabel IQ berpengaruh terhadap kemampuan dari seorang salesmen dalam menjual adalah sebesar 99,2%, sedangkan 0,8% dipengaruhi oleh faktor/variabel lainnya .
Model Summaryb
Model R R Square Adjusted R Square Std. Error of the Estimate
1 .996a .993 .992 11.02024
a. Predictors: (Constant), IQ
b. Dependent Variable: Penjualan
48
Lihat tabel anova dibawah ini, pada kolom F bernilai 1.083,352 yang lebih besar dari nilai tabel statistik 5,32 (1.083,352 > 5.32) atau sig 0,000 lebih kecil dari 0.05. ini berarti bahwa model regresi dengan variabel independen (IQ) yang dipergunakan sangat berpengaruh untuk memprediksi besarnya penjualan Tahun pertama dari seorang salesman.
ANOVAb
ModelSum of Squares df
Mean Square F Sig.
1 Regression 131568.435 1 131568.435 1083.352 .000a
Residual 971.565 8 121.446
Total 132540.000 9
a. Predictors: (Constant), IQ
b. Dependent Variable: Penjualan
49
Pada tabel coefficient, nilai b untuk konstanta sebesat -332.836 dan IQ sebesar 11,089. dengan demikian dapat dituliskan persamaan regresinya : Ŷ = b0 + b1X1 +e atau Ŷ = -332,836 + 11,089 XŶ = PenjualanX = IQsetiap kenaikan IQ sebesar satu-satuan maka akan meningkatkan 11 unit penjualan
Coefficientsa
ModelUnstandardized
CoefficientsStandardized Coefficients t Sig.
B Std. Error Beta
1 (Constant) -332.836 26.174 -12.716 .000
IQ 11.089 .337 .996 32.914 .000
a. Dependent Variable: Penjualan
50
51
Pada gambar Normal P-P Plot of Regression Standarized Residual, dimana sebaran residual data tersebar mendekati garis diagonal probability.Sehingga dapat dikatakan bahwa data yang kita gunakan adalah normal dan linear.