29/11/2013

1
Prob&Stat?
29/11/2013
2
Analisis Regresi, Korelasi,
dan Determinasi
Probabilitas dan Statistika
Analisis Hubungan
29/11/2013
3
Pilihan
Adakah hubungan antara
karakteristik Tempat Makan
dengan Karakteristik Orang
yang mau Makan?
Analisis Regresi: Mempelajari bentuk hubunganatau
model diantara variabel-variabel
Salah satu alat / tools yang paling umumdigunakandalam
analisis bisnis
Tujuan: Memprediksi, meramal, menaksir, menduga
fenomenadi masa yang akan datang berdasarkandata atau
informasi masa lalu.
Analisis Regresi: Model probabilistik yang mengandung
faktor error.
Analisis Regresi
29/11/2013
4
Duakelompok variabel berdasarkanfungsi / perannya:
Variabel dalam
Regresi
Variabel dalam
Regresi
Variabel Bebas Variabel Bebas Variabel Tak Bebas Variabel Tak Bebas
Independent Variable Independent Variable Dependent Variable Dependent Variable
Stimulus Variable Stimulus Variable Response Variable Response Variable
Explanatory Variable Explanatory Variable Explained Variable Explained Variable
Predictor Variable Predictor Variable Predicted Variable Predicted Variable
Known Variable Known Variable Unknown Variable Unknown Variable
Variabel dalam Analisis Regresi
Variabel bebas:
Akan mengendalikan variabel lainnya
Muncul lebih dahulu
Variabel dalam Analisis Regresi
Note: Buat Model Hubunganyang logis!
Logis: Rata-rata JamBelajar denganNilai Ujian
Tidak Logis: Tinggi PenanamPohondengan Tinggi
Pohonyang Ditanam
29/11/2013
5
Berdasarkanjumlah variabel yang terlibat:
Simple Regression: Hanya mempunyai satu variabel bebas
Multiple Regression: Mempunyai beberapaVariabel bebas
Berdasarkanbentuk / kurva hubungan-nya:
Linier Regression: Straight-line relationship
Non-linier: Implies curve relationship
Analisis Regresi
X
Y
X
Y
X
0
0
0
0
0
Y
X
Y
X
Y
X
Y
Scatter Plots
29/11/2013
6
Scatter Plot - Prediction
Model Matematis:
bX a Y + =
Model Probabilistik:
(Salah satu model linier yang sering dipakai dalam Analisis
Regresi)
i i
bX a Y + =
^
i i i
e bX a Y + + =
Penyelesaian persamaan model dengan menggunakan
Metode Kuadrat Terkecil (The Least Square Method)
Prinsip MKT: Mencari nilai-nilai a dan b sedemikian
rupa sehingga memberikan jumlah error kuadrat (e
i
2
)
terkecil.
{ ;

+ =
i
i i
i
i
bX a Y e
2 2
) (
Model Analisis Regresi
29/11/2013
7
Taksiran a dan b untuk Model Regresi Variabel Dua
Variabel diperoleh:
=


=


Atau:
X b Y a =
Model Analisis Regresi
Berikut adalah score GMAT dan IPK dari 20 mahasiswa
MBA
NO
GMAT
score
IPK NO
GMAT
score
IPK NO
GMAT
score
IPK NO
GMAT
score
IPK
1 388 3,72 6 617 3,28 11 567 3,07 16 639 3,55
2 647 3,44 7 557 3,02 12 542 2,86 17 619 3,47
3 652 3,21 8 599 3,13 13 510 2,91 18 694 3,60
4 608 3,29 9 616 3,45 14 573 2,79 19 718 3,88
5 680 3,91 10 594 3,33 15 560 3,00 20 759 3,76
1. Buat Scatter Plots antara GMAT dengan IPK
2. Tentukan Model Regresi Linier dengan Menggunakan
Kuadrat Terkecil
3. Jika Score GMAT=600, berapakan taksiran IPK-nya?
Contoh 1
29/11/2013
8
Scatter Plot GMAT dengan IPK
Contoh 1
Tabel Hitungan Variabel
GMAT IPK
(X) (Y)
1 388 3.72 150,544 13.84 1,443.36
2 647 3.44 418,609 11.83 2,225.68
3 652 3.21 425,104 10.30 2,092.92
4 608 3.29 369,664 10.82 2,000.32
5 680 3.91 462,400 15.29 2,658.80
6 617 3.28 380,689 10.76 2,023.76
7 557 3.02 310,249 9.12 1,682.14
8 599 3.13 358,801 9.80 1,874.87
9 616 3.45 379,456 11.90 2,125.20
10 594 3.33 352,836 11.09 1,978.02
11 567 3.07 321,489 9.42 1,740.69
12 542 2.86 293,764 8.18 1,550.12
13 510 2.91 260,100 8.47 1,484.10
14 573 2.79 328,329 7.78 1,598.67
15 560 3.00 313,600 9.00 1,680.00
16 639 3.55 408,321 12.60 2,268.45
17 619 3.47 383,161 12.04 2,147.93
18 694 3.60 481,636 12.96 2,498.40
19 718 3.88 515,524 15.05 2,785.84
20 759 3.76 576,081 14.14 2,853.84
12,139 66.67 7,490,357 224.41 40,713.11
No X^2 Y^2 XY
Contoh 1
29/11/2013
9
Perhitungan koefisien regresi
, ,
,

=
2
2
i i
i i i i
X X n
Y X Y X n
b
) 139 . 12 ( ) 357 . 490 . 7 ( 20
) 67 , 66 ( 139 . 12 ) 11 , 713 . 40 ( 20
2

=
0020 , 0 = b
20
139 . 12
0020 , 0
20
67 , 66
=
1069 , 2 = a
X b Y a =
Contoh 1
Persamaan Model Regresi yang diperoleh:
i i i
e X Y + + = 0020 , 0 1069 , 2
i i i
e bX a Y + + =
a
x
y
b=
y
x
Konstanta a: Intercept.
Besar nilai Variabel Tak Bebas
jika nilai Variabel Bebas sama
dengan 0 (nol)
b: Regression Coeficient.
Besarnya perubahan nilai
Variabel Tak Bebas jika nilai
Variabel Bebas berubah
sebesar 1 (satu) unit.
Interpretasi Model Regresi
29/11/2013
10
Persamaan Model Regresi yang diperoleh:
i i i
e X Y + + = 0020 , 0 1069 , 2
Apa artinya?
(i) Nilai Konstanta/Intercept: Jika mahasiswa score
GMAT-nya 0, maka IPK-nya diperkirakan 2,11
(ii) Nilai Koefisien Regresi = 0,0020 berarti bahwa setiap
terjadi perubahan score GMAT sebesar 1, maka IPK
pun akan berubah secara searah sebesar 0,0020.
Contoh 1
Analisis Korelasi: Mempelajari derajat atau tingkat
hubungan diantara variabel-variabel
Tingkat hubungan diantara variabel-variabel dinyatakan
dengan Koefisien Korelasi, umumnya dinotasikan
dengan atau r.
Rumus Koefisien Korelasi (R-Pearson):
=

) ( ). (
) (
Y Var X Var
XY Cov
=
Analisis Korelasi
29/11/2013
11
Nilai Koefisien Korelasi: -1ss+1
= -1: menunjukkan hubungan negatif sempurna
= +1: menunjukkan hubungan positif sempurna
= 0: Menunjukkan hubungan yang kurang baik
Skala pengukuran minimal: Interval
Analisis Korelasi
Y
X
=0
Y
X
=-.8
Y
X
=.8
Y
X
=0
Y
X
=-1
Y
X
=1
Analisis Korelasi Pola Standar
29/11/2013
12
Koefisien Determinasi: Menunjukkan tingkat pengaruh
Variabel Bebas terhadap Variabel Tak Bebas
Koefisien Determinasi: Bentuk Kuadrat dari Koefisien
Korelasi, yaitu
2
atau r
2
.
KD= r
2
x 100%
Contoh:

YX
2
= 0,85, berarti bahwa 85% Variabel Tak Bebas
Y dapat ditentukan oleh Variabel Bebas X
Koefisien Determinasi
Hitung Koefisien Korelasi dan Koefisien Determinasi
untuk data pada soal sebelumnya!
Contoh
29/11/2013
13