PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER

Presentasi berjudul: "PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER"— Transcript presentasi:

1 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER
STATISTIK (ESA 310) PERTEMUAN 10 <TEAM DOSEN> PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER

2 VISI DAN MISI UNIVERSITAS ESA UNGGUL

3 Materi Sebelum UTS 01. Pengertian dan Deskripsi Data 02. Probabilitas
03. Distribusi Probabilitas: Peubah acak diskrit 04. Distribusi Probabilitas: Peubah acak kontinu 05. Distribusi Sampling 06. Estimasi 07. Hipotesis

4 Materi Setelah UTS 08. Analysis of Variance
09. Regressi dan Korelasi Sederhana 10. Regressi dan Korelasi Ganda 11. Distribusi Chi-Square dan analisis frekuensi 12. Statistik non-Parametrik 13. Statistik Parametrik dengan SPSS 14. Statistik uji komparatif dan asosiatif dengan SPSS

5 10. REGRESSI DAN KORELASI GANDA
Tujuan: Mahasiswa mampu menguasai konsep regresi dan korelasi ganda

6 Asumsi Analisis Regresi Linier
Data Y berskala minimal interval Data X berskala minimal nominal (jika data X berskala nominal / ordinal harus menggunakan bantuan variabel dummy) Existensi untuk setiap nilai dari variabel x yang tetap, y adalah variabel random dengan distribusi probabilitas tertentu yang mempunyai mean dan varians. Nilai y secara statistik saling bebas Linieritas, nilai rata-rata y adalah sebuah fungsi garis lurus dari x Homoscedasticity. Varians dari y adalah sama pada beberapa x Statistics UEU 2017

7 Asumsi Analisis Regresi Linier
Distribusi normal pada beberapa nilai tertentu x, y mempunyai distribusi normal Statistics UEU 2017

8 Xi = variabel bebas ( i = 1, 2, 3, …, k)
Model regresi linier berganda melibatkan lebih dari satu variabel bebas. Modelnya : Dimana Y = variabel terikat Xi = variabel bebas ( i = 1, 2, 3, …, k) 0 = intersep i = koefisien regresi ( i = 1, 2, 3, …, k) Model penduganya adalah Statistics UEU 2017

9 Sehingga setiap pengamatan Akan memenuhi persamaan
Misalkan model regresi dengan kasus 2 peubah bebas X1 dan X2 maka modelnya : Sehingga setiap pengamatan Akan memenuhi persamaan Statistics UEU 2017

10 Menaksir Koefisien Regresi Dengan Menggunakan Matriks
Dari hasil Metode Kuadrat Terkecil didapatkan persamaan normal : ….. Statistics UEU 2017

11 Menaksir Koefisien Regresi Dengan Menggunakan Matriks
Tahapan perhitungan dengan matriks : Membentuk matriks A, b dan g Statistics UEU 2017

12 Menaksir Koefisien Regresi Dengan Menggunakan Matriks
Statistics UEU 2017

13 Menaksir Koefisien Regresi Dengan Menggunakan Matriks
Membentuk persamaan normal dalam bentuk matriks A b = g Perhitungan matriks koefisien b b = A-1 g Statistics UEU 2017

14 Metode Pendugaan Parameter Regresi
Dengan Metode Kuadrat Terkecil, misalkan model terdiri dari 2 variabel bebas Tahapan pendugaannya : 1. Dilakukan turunan pertama terhadap b0 , b1 dan b2 Statistics UEU 2017

15 Metode Pendugaan Parameter Regresi
2. Ketiga persamaan hasil penurunan disamakan dengan nol Statistics UEU 2017

16 Metode Pendugaan Parameter Regresi
3. Nilai b1 dan b2 dapat diperoleh dengan memakai aturan-aturan dalam matriks Statistics UEU 2017

17 Uji Kecocokan Model Dengan Koefisien Determinasi
R2 menunjukkan proporsi variasi total dalam respon Y yang dapat diterangkan oleh model r merupakan koefisien korelasi antara Y dengan kelompok X1 , X2 , X3 , … , Xk Statistics UEU 2017

18 Statistics UEU 2017

19 Korelasi Berganda : Apabila kita mempunyai tiga variabel Y, X1, X2, maka korelasi X1 dan Y digambarkan dengan rumus berikut : Statistics UEU 2017

20 Korelasi X2 dan Y digambarkan dengan rumus berikut :
Korelasi X1 dan X2 digambarkan dengan rumus berikut : Statistics UEU 2017

21 Koefisien Korelasi Linear Berganda (KKLB)
Untuk mengetahui kuatnya hubungan antara variabel Y dengan beberapa variabel X lainnya (misalnya antara Y dengan X1 dan X2) Statistics UEU 2017

22 Koefisien Penentuan (KP):
suatu nilai untuk mengukur besarnya sumbangan dari beberapa variabel X terhadap variasi (naik-turunnya) Y. Jika Y’ = b0 + b1X1 + b2X2, KP mengukur besarnya sumbangan X1 dan X2 terhadap variasi, atau naik turunnya Y. Apabila dikalikan dengan 100% akan diperoleh persentase sumbangan X1 dan X2 terhadap naik-turunnya Y. Statistics UEU 2017

23 Koefisien Korelasi Parsial :
Variabel Y berkorelasi dengan X1 dan X2, maka koefisien korelasi antara Y dan X1 (X2 konstan), antara Y dan X2 (X1 konstan), dan antara X1 dan X2 (Y konstan) disebut Koefisien Korelasi Parsial (KKP) Statistics UEU 2017

24 Koefisien korelasi parsial X1 dan Y, kalau X2 konstan Koefisien korelasi parsial X2 dan Y, kalau X1 konstan Statistics UEU 2017

25 Koefisien korelasi parsial X2 dan Y, kalau X1 konstan
Statistics UEU 2017

26 Uji Kecocokan Model Dengan Pendekatan Analisis Ragam Tahapan Ujinya :
Hipotesis = H0 :   0 Ha :   0 dimana  = matriks [ 0, 1, 2, … , k ] Statistics UEU 2017

27 Uji Kecocokan Model Tabel Analisis Ragam Regresi JKR k JKR / k JKR /k
Komponen Regresi SS db MS Fhitung Regresi JKR k JKR / k JKR /k s2 Galat JKG n – k – 1 s2 = JKG / n-k-1 Total JKT n – 1 Statistics UEU 2017

28 Fhitung > Ftabel(1 , n-k-1)
Uji Kecocokan Model Pengambilan Keputusan H0 ditolak jika pada taraf kepercayaan  Fhitung > Ftabel(1 , n-k-1) Statistics UEU 2017

29 Uji Parsial Koefisien Regresi
Tahapan Ujinya : Hipotesis = H0 : j  0 Ha : j  0 dimana j merupakan koefisien yang akan diuji Statistics UEU 2017

30 Uji Parsial Koefisien Regresi
2. Statistik uji : Dimana : bj = nilai koefisien bj s = cjj = nilai matriks A-1 ke-jj Statistics UEU 2017

31 Uji Parsial Koefisien Regresi
3. Pengambilan keputusan H0 ditolak jika pada taraf kepercayaan  thitung > t /2(db= n-k-1) Statistics UEU 2017

32 Pemilihan Model Terbaik
All Possible Regression Tahapan pemilihan : Tuliskan semua kemungkinan model regresi dan kelompokkan menurut banyaknya variabel bebas Urutkan model regresi menurut besarnya R2 Periksalah untuk setiap kelompok apakah terdapat suatu pola variabel yang konsisten Lakukan analisa terhadap kenaikan R2 pada tiap kelompok Statistics UEU 2017

33 Pemilihan Model Terbaik
Contoh : Akan dianalisis model regresi yang terdiri dari 4 variabel bebas Pembagian kelompoknya Kelompok A terdiri dari koefisien intersep Kelompok B terdiri dari 1 variabel bebas Kelompok C terdiri dari 2 variabel bebas Kelompok D terdiri dari 3 variabel bebas Kelompok E terdiri dari 4 variabel bebas Statistics UEU 2017

34 Pemilihan Model Terbaik
Persamaan regresi yang menduduki posisi utama dalam setiap kelompok adalah Persamaan terbaiknya adalah Y = f(X1 , X4) Kelompok Model Regresi R2 B Y = f(X4) 67,5% C Y = f(X1 , X2) 97,9% Y = f(X1 , X4) 97,2% D Y = f(X1 , X2 , X4) 98,234% E Y = f(X1 , X2 , X3, X4) 98,237% Statistics UEU 2017

35 Pemilihan Model Terbaik
Backward Elimination Procedur Tahap pemilihannya : Tuliskan persamaan regresi yang mengandung semua variabel Hitung nilai t parsialnya Banding nilai t parsialnya Jika tL < tO maka buang variabel L yang menghasilkan tL, kemudian hitung kembali persamaan regresi tanpa menyertakan variabel L Jika tL > tO maka ambil persamaan regresi tersebut Statistics UEU 2017

36 Pemilihan Model Terbaik
Contoh : Akan dianalisis model regresi yang terdiri dari 4 variabel bebas Model regresi yang mengandung semua variabel bebas Model terbaiknya Y = f(X1,X2) Persamaan Regersi t parsial F Y = f(X1,X2,X3,X4) 157,266* X1 4,337* X2 0,497* X3 0,018 X4 0,041* Y = f(X1,X2,X4) 166,83* 154,008* 5,026* 1,863 Y = f(X1,X2) 229,5* Statistics UEU 2017

37 Pemilihan Model Terbaik
Stepwise Regression Procedur Tahap pemilihannya : Hitung korelasi setiap variabel bebas terhadap variabel Y. Variabel bebas dengan nilai korelasi tertinggi masukkan dalam model regresi (syarat uji F menunjukkan variabel ini berpengaruh nyata) Hitung korelasi parsial setiap variabel bebas tanpa menyertakan variabel bebas yang telah mauk model. Masukkan variabel bebas dengan korelasi parsial tertinggi ke dalam model Hitung nilai t parsial variabel yang telah masuk model, jika tidak berpengaruh nyata keluarkan dari model Kembali ke langkah ii Statistics UEU 2017

38 Pemilihan Model Terbaik
Contoh : Akan dianalisis model regresi yang terdiri dari 4 variabel bebas Statistics UEU 2017

39 Model terbaik Y = f(X1 , X2) Model Variabel Korelasi t parsial F riy
0,731 r2y 0,816 r3y -0,535 r4y -0,821 Y = f(X4) 22,798* r1y.4 0,915 r2y.4 0,017 r3y.4 0,801 Y = f(X1,X4) 176,627* r2y.14 0,358 X1 = 108,223* r3y.14 0,320 X4 = 159,295* Y = f(X1, X2,X4) 166,832* X1 = 154,008* X2 = 5,026* X4 = 1,863 r3y.124 0,002 Y = f(X1, X2) 229,504* Model terbaik Y = f(X1 , X2) Statistics UEU 2017

40 Kesimpulan: Regressi Linier berganda bisa digunakan untuk menganalisis hubungan linier lebih dari dua variabel. Kriteria Persamaan linier yang diperoleh ditentukan dengan koefisien korelasi parsial.

41 KEMAMPUAN AKHIR YANG DIHARAPKAN
Mahasiswa mampu menguasai konsep regresi dan korelasi ganda

42 Daftar Pustaka Ronald E. Walpole, Raymond H. Myers, Sharon L. Myers and Keying Ye, 2007, Probabilitiy and Statistics for Engineers and Scientists, 8th edition, Pearson Prentice Hall. Sharma, Subhash, 1996, Applied Multivariate Techniques, John Willey & Son, Inc., USA. Johson & Wichern, 2007, Applied multivariate statistical analysis, Upper Saddle River: Pearson Prentice Hall. J. Supranto, M.A. ,2001, Statistika Teori dan Aplikasi, Erlangga, Jakarta. Douglas C. Montgomery, George C. Runger, 2003, Applied Statistic and Probability for Engineer, third edition, John Wiley and Son Inc. Singgih Santoso, 2014, Panduan Lengkap SPSSversi 20, Alex Media Komputindo.