Korelasi Bivariat dan Regresi Linier Sederhana · Korelasi Bivariat dan Regresi Linier Sederhana ....
-
Upload
vuongkhanh -
Category
Documents
-
view
326 -
download
3
Transcript of Korelasi Bivariat dan Regresi Linier Sederhana · Korelasi Bivariat dan Regresi Linier Sederhana ....
www.company.com
Korelasi Bivariat dan Regresi Linier Sederhana
www.company.com
Pendahuluan
• Dalam suatu observasi, kita sering kali mencatat dua atau
lebih variabel dalam suatu individu, misalkan: dari 1 orang
dicatat data tinggi dan berat badannya. Tinggi dan berat
badan merupakan variabel.
• Data yang memiliki dua variabel disebut data bivariat,
data yang memiliki lebih dari dua variabel disebut data
multivariat.
www.company.com
• Tujuan kita mengumpulkan data bivariat yaitu
untuk menjawab:
– Apakah kedua variabel tersebut terkait?
– Relasi seperti apa yang diindikasikan oleh data?
– Dapatkah kita mengukur kekuatan relasi antara
variabel tersebut?
– Dapatkah kita memprediksi nilai satu variabel
menggunakan variabel yang lain?
www.company.com
Rangkuman dari data bivariat kategorik
• Data kategorik/data kualitatif: data yang biasanya bukan dalam
bentuk angka.
• Data bivariat kategorik: data kualitatif yang memiliki 2 variabel.
• Setelah melakukan pencatatan pada data kategorik, hal yang
kemudian dilakukan adalah merangkum data tersebut.
• Rangkuman data kategorik biasanya disebut data tertabulasi
atau data terklasifikasi silang. Dalam statistik disebut juga tabel
kontingensi.
www.company.com
Contoh:
Gender Aktifitas Media Sosial
Jumlah Tweeting No Tweeting
Laki-laki 120 75 195
Perempuan 155 90 245
275 165 440
www.company.com
Diagram Scatter untuk data bivariate kuantitatif
• Data kuantitatif: data dalam bentuk numerik/angka.
• Data bivariate kuantitatif: data kuantitatif yang memiliki 2
variabel.
• Misalkan: kita memiliki 2 variabel, namakan variabel x dan
y. Kedua variabel tersebut kita pasangkan menjadi (x,y).
Jika data tercatat sebanyak n kali, maka kita memiliki n
pasangan (x,y):
(x1,y1), (x2,y2), …, (xn,yn)
www.company.com
• Sebanyak n pasangan (x,y) digambarkan sebagai titik di
dalam diagram.
• Diagram tersebut dinamakan diagram scatter atau plot
scatter.
• Dengan melihat diagram scatter, relasi antara kedua
variabel dapat dinilai secara visual. Singkatnya, kita dapat
mengobservasi apakah titik-titik dalam plot berkumpul
membentuk garis atau kurva atau tidak berpola.
www.company.com
Contoh:
• Variabel x: skor GPA (Grade Point Average)
• Variabel y: skor GMAT (Graduate Mangement Aptitute
Test)
www.company.com
• Solusi:
Dari diagram plot terlihat titik-titik membentuk pola dari
barat daya ke timur laut mengindikasikan relasi yang
positif antara x dan y. Demikian sehingga, seseorang
yang memiliki GPA yang tinggi, juga memiliki skor GMAT
yang tinggi.
www.company.com
Koefisien Korelasi
• Koefisien korelasi (dinotasikan dengan r) adalah ukuran
kekuatan dari relasi linier antara variabel x dan y.
• Sifat dari koefisien korelasi:
– Nilai r berada diantara -1 dan 1:
– Nilai r dekat dengan 0, menunjukkan relasi yang lemah.
– Nilai r dekat dengan 1 atau -1, menunjukkan relasi yang
kuat.
– Besarnya r mengindikasikan kekuatan relasi linier,
dimana tandanya menunjukkan arah. Secara spesifik
sebagai berikut:
1 r 1
www.company.com
• r>0 jika pola nilai (x,y) terkumpul dari kiri bawah ke kanan
atas.
• r<0 jika pola nilai (x,y) terkumpul dari kiri atas ke kanan
bawah.
• r=1 jika semua nilai (x,y) terbentang membentuk garis
lurus dengan kemiringan positif (relasi positif linier
sempurna)
• r=-1 jika semua nilai (x,y) terbentang membentuk garis
lurus dengan kemiringan negatif (relasi negatif linier
sempurna)
www.company.com
Contoh:
www.company.com
Dimana
Menghitung koefisien korelasi • Rumus menghitung r:
• Korelasi pada populasi dinotasikan: ρ
• Estimasi korelasi dinotasikan: r, disebut koefisien korelasi
product-moment Pearson atau hanya koefisien korelasi.
xy
xx yy
2 22 2
Sr
S S
n xy x y
n x x n y y
xy
2
xx
2
yy
S x x y y
S x x
S y y
www.company.com
Contoh: Koefisien Korelasi No y x xy y^2 x^2
1 45 10 450 2025 100
2 67 9 603 4489 81
3 89 6 534 7921 36
4 23 17 391 529 289
5 69 7 483 4761 49
6 90 5 450 8100 25
7 77 4 308 5929 16
8 81 6 486 6561 36
9 82 4 328 6724 16
10 67 6 402 4489 36
11 56 12 672 3136 144
12 49 15 735 2401 225
13 69 10 690 4761 100
14 72 8 576 5184 64
15 91 3 273 8281 9
1027 122 7381 75291 1226
y: Nilai UTS mata kuliah Statistika
Komunikasi
x: banyaknya update sosmed dalam 1
hari
Ba
nyakn
ya U
pd
ate
So
sm
ed
Nilai UTS Statistika Komunikasi
Diagram Scatter Nilai UTS Statistika Komunikasi dengan Banyaknya
Update Sosmed
www.company.com
• Nilai koefisien korelasi product-moment
Pearsonnya:
2 22 2
2 2
n xy x yr
n x x n y y
15 7381 1027 122
15 75291 1027 15 1226 122
0.90125
www.company.com
Latihan
• Browsing data dengan 2 variabel atau buatlah
data fiksi dengan 2 variabel. (Banyak data,
minimal n=10)
• Gambarkan diagram scatternya.
• Hitung koefisien korelasinya.
www.company.com
Regresi Linier Sederhana
• Setelah kita menemukan pola linier (garis) dalam
diagram scatter, dan korelasi diantara dua
variabel cukup kuat, kita dapat menentukan
suatu persamaan yang memungkinkan kita
untuk memprediksi nilai satu variabel
menggunakan variabel yang lain.
• Persamaan ini disebut dengan regresi linier
sederhana.
www.company.com
Menentukan variabel Manakah yang menjadi X dan manakah yang menjadi Y?
• Ketika kita menentukan koefisien korelasi, pilihan untuk menentukan yang manakah variabel X dan yang manakah variabel Y,tidak menjadi masalah. Akan tetapi lain halnya ketika kita ingin membuat prediksi.
• Dalam statistik: – Variabel X disebut variabel bebas /independen atau variabel
penjelas.
– Variabel Y disebut variabel terikat /dependen atau variabel respon
www.company.com
• Sebelum kita menentukan garis regresi, baiknya
melakukan pengecekan terhadap kondisi berikut:
– Diagram scatter-nya memiliki pola linier.
– Koefisien korelasinya cukup kuat (diatas kurang lebih
0.60)
www.company.com
Persamaan regresi linier
• Persamaan regresi linier sederhana:
• Estimasi koefisien beta dalam regresi linier yaitu:
0 1y x
0 1y b b x
www.company.com
Contoh:
www.company.com
Residual
• Residual adalah error yang dari pendugaan oleh
persamaan regresi.
dimana
e: error
y: nilai yang sebenarnya
y(topi): nilai dugaan dari persamaan regresi.
i i iˆe y y
www.company.com
Nilai estimasi koefisien persamaan regresi
• Persamaan regresi:
• Estimasi koefisien b0 dan b1 persamaan regresi
yaitu:
0 1y b b x
1 22
0 1
n xy x yb
n x x
b y b x
www.company.com
Contoh: • y: Nilai UTS mata kuliah Statistika
Komunikasi
• x: banyaknya update sosmed dalam 1
hari
• Nilai koefisien:
No y x xy y^2 x^2
1 45 10 450 2025 100
2 67 9 603 4489 81
3 89 6 534 7921 36
4 23 17 391 529 289
5 69 7 483 4761 49
6 90 5 450 8100 25
7 77 4 308 5929 16
8 81 6 486 6561 36
9 82 4 328 6724 16
10 67 6 402 4489 36
11 56 12 672 3136 144
12 49 15 735 2401 225
13 69 10 690 4761 100
14 72 8 576 5184 64
15 91 3 273 8281 9
1027 122 7381 75291 1226
bar 68.46667 8.133333
1 22
2
0
n xy x yb
n x x
15 7381 1027 122
15 1226 122
4.1583
b 68.4667 ( 4.1823) 8.1333
102.2875
www.company.com
• Persamaan regresinya:
y 102.2875 4.1583x
No y x y(topi)
1 45 10 60.7045
2 67 9 64.8628
3 89 6 77.3377
4 23 17 31.5964
5 69 7 73.1794
6 90 5 81.496
7 77 4 85.6543
8 81 6 77.3377
9 82 4 85.6543
10 67 6 77.3377
11 56 12 52.3879
12 49 15 39.913
13 69 10 60.7045
14 72 8 69.0211
15 91 3 89.8126
1027 122
y 102.2875 4.1583 (12)
52.3879
www.company.com
Mean Squared Error
• Ukuran baik atau buruknya
suatu persamaan regresi,
salah satunya dapat dilihat dari
nilai rata-rata galat kuadratnya,
yang disebut MSE (Mean
Squared Error).
• Semakin kecil nilai MSE-nya,
maka persamaan regresi
tersebut baik.
No y x y(topi) error e^2
1 45 10 60.7045 -15.7045 246.6313
2 67 9 64.8628 2.1372 4.567624
3 89 6 77.3377 11.6623 136.0092
4 23 17 31.5964 -8.5964 73.89809
5 69 7 73.1794 -4.1794 17.46738
6 90 5 81.496 8.504 72.31802
7 77 4 85.6543 -8.6543 74.89691
8 81 6 77.3377 3.6623 13.41244
9 82 4 85.6543 -3.6543 13.35391
10 67 6 77.3377 -10.3377 106.868
11 56 12 52.3879 3.6121 13.04727
12 49 15 39.913 9.087 82.57357
13 69 10 60.7045 8.2955 68.81532
14 72 8 69.0211 2.9789 8.873845
15 91 3 89.8126 1.1874 1.409919
1027 122 MSE 62.27619
21MSE e
n
www.company.com
Latihan
• Menggunakan data pada latihan sebelumnya
(menghitung koefisien korelasi), tentukan
persamaan regresi dari data tersebut.
• Hitunglah error dan MSE-nya