Presented by: Regresi Linier Berganda (Cont.) (RLB) Dudi Barmana, M.Si. 55 1.
Regresi Linier Berganda
description
Transcript of Regresi Linier Berganda
Regresi Linier BergandaAinur Komariah
PendahuluanRegresi linier sederhana : variabel dependen
(y) dipengaruhi hanya 1 variabel independen (x)persamaan umum : y = a + bx
Pada kenyataannya, suatu variabel dependen dipengaruhi oleh lebih dari satu variabel independen.
Misalnya : kecepatan angin dipengaruhi oleh ketinggian tempat, suhu dan tekanan.
Niat membeli handphone dipengaruhi oleh harga, performance, iklan dan brand.
Regresi linier bergandaPersamaan umum :
garis regresi yang sesungguhnya, memiliki persamaan umum Y = β0 + β1 x1 + β2 x2 + ……….+ βr xr
β0 , β1 , β2 , ……, βr adalah parameter yang harus diduga dari data. Dengan melambangkan nilai dugaan dengan b0 , b1 , b2 , ……., br maka pers menjadi
rr xbxbxbby .......ˆ 22110
Regresi dengan 2 var independen
Pers umum :Setiap pengamatan, memenuhi hubungan :
Nilai dugaan dapat diperoleh dengan memecahkan persamaan linier simultan :n b0 + b1 ∑x1 + b2 ∑x2 = ∑y b0 ∑x1 + b1 ∑x1
2 + b2 ∑x1 x2 = ∑ x1 y b0 ∑x2 + b1 ∑x1 x2 + b2 ∑x2
2 = ∑ x2 y
22110ˆ xbxbby
iii xbxbby 22110
ContohSiswa
NoNilai Kimia
y
Skor IQx1
Frek Bolosx2
1 85 65 12 74 50 73 76 55 54 90 65 25 85 55 66 87 70 37 94 65 28 98 70 59 81 55 410 91 70 311 76 50 112 74 55 4
Pertanyaan : Dari data tersebut, dugalah persamaan regresi yang berbentuk :Y = β0 + β1x1 + β2 x2
JawabanDari data tersebut, kita peroleh :n = 12 ∑x1 = 725 ∑x2 = 43∑x1
2 = 44475 ∑x22 = 195 ∑y =
1011∑x1 x2 = 2540 ∑x1 y = 61685 ∑x2 y =
3581
Dengan memasukkan nilai-nilai ke pers, didapat :12 b0 + 725b1 + 43b2 = 1011 725b0 + 44475b1 + 2540b2 = 61685 43b0 + 2540b1+ 195b2 = 3581
JawabanDengan menyelesaikan sistem
persamaan linear ini, didapat : b0 = 27,547 b1 = 0.922 b2 =
0,284Dugaan garis regresi :Y = 27,547 + 0,922x1 + 0,284
x2
Korelasi determinasi bergandaKoefisien determinasi berganda, dilambangkan
dengan R2y.12 menunjukkan proporsi
keragaman total nilai-nilai peubah y yang dapat diterangkan oleh model yang digunakan.
Di mana :JKG = ∑y2 - b0 ∑y – b1 ∑x1 y – b2 ∑x2 y
2y
212. S1)-(n
JKG1 yR
)1(
222
nn
yynS y
Korelasi ParsialKorelasi yang kuat antara Y dengan suatu
variabel, misalnya x2 , mungkin saja semata-mata disebabkan oleh kenyataan bahwa Y dan x2 berhubungan dengan variabel lain yaitu x1. Korelasi yang sebenarnya antara Y dan x2 hanya dapat diamati bila pengaruh x1 telah dikeluarkan.
Sehingga :r y2.1 : ukuran hubungan linear antara variabel Y
dan x2 bila x1 dibuat tetapr y1.2 : ukuran hubungan linear antara variabel Y
dan x1 bila x2 dibuat tetap
Korelasi Parsial
)1()1( 212
21
12121.2
rr
rrrr
y
yyy
Di mana :
21
21
22
111
)()(
.
xxnyyn
yxyxnry
22
22
22
222
)()(
.
xxnyyn
yxyxnry
22
22
21
21
121212
)()(
.
xxnxxn
xxxxnr
Nilai korelasi soal sebelumnyaDari perhitungan, diperoleh :∑y2 = 85905 dan Sy
2 = 66205JKG = 85905 – (27,547) (1011) – (0,922)(61685) –
(0,284) (3581) = 164,409Sehingga
Hasil perhitungan menunjukkan bahwa bidang regresi Y = 27,547 + 0,922x1 + 0,284 x2 dapat menjelaskan
77,4% keragaman dalam y
774,0(66,205) (11)
164,4091212. yR
Koefisien korelasi parsialDengan memasukkan angka ke
dalam rumus, didapat :
862,0)725()44475()12()1011()85905()12(
)725()1011()61685()12(221
yr
242,0)43()195()12()1011()85905()12(
)43()1011()3581()12(221
yr
349,0)43()195()12()725()44475()12(
)43()725()2540()12(221
yr
Koefisien Korelasi Parsial
124,0)349,0(1)862,0(1
)349,0()862,0(242,0221.2
yr
015,021.2 yr
Nilai 0,015 menunjukkan bahwa memasukkan x2 ke dalam persamaan regresi hanya akan mengurangi 1,5% keragaman y yang tidak dapat diterangkan oleh garis regresi yang hanya menggunakan x1 saja. Ini berarti bahwa frekuensi membolos hanya menyumbang sangat kecil dalam peramalan nilai kimia mahasiswa di akhir semester