Uji Korelasi dan Regresi

Presentasi berjudul: "Uji Korelasi dan Regresi"— Transcript presentasi:

1 Uji Korelasi dan Regresi

2 Korelasi

3 Univariate Vs Multivariate
Univariate (Uni = Satu) Bagaimana data umur pelanggan? Bagaimana data kenyamanan pelanggan Bivariate (Bi = Dua) Apakah frekuensi kedatangan pelanggan memberi gambaran mengenai kepuasan pelanggan? Multivariate (Multi = Banyak) Apakah kepuasan pelanggan digambarkan oleh kenyamanan, kelezatan, keramahan dan kecepatan pelayanan?

4 Uji Korelasi Korelasi mengukur apakah ada hubungan yang signifikan antara dua variable Ditunjukkan dengan nilai r yaitu Pearson Product Moment Correlation Coefficient range mulai -1 sampai +1 Perfect Relationship Perfect Relationship No Relationship R = -1 R = 0 R = +1

5 Interpretasi nilai r Sangat kuat = >= 0.80 Kuat = 0.60 - 0.80
Sedang = Rendah = Sangat Rendah= <= 0.20

6 Correlation Coefficient
N = jumlah data X = nilai variable 1 Y = nilai variable 2

7 Types of Relationships
(continued) Strong relationships Weak relationships Y Y X X Y Y X X Statistics for Managers Using Microsoft Excel, 4e © 2004 Prentice-Hall, Inc.

8 SPSS Analyze > Correlate > Bivariate
Options > Mean and standard deviation

9 Regresi

10 Regresi Untuk mengukur bagaimana hubungan kedua variable tersebut dengan persamaan garis (linear) Pengujian Regresi dilakukan untuk data yang sudah pasti berkorelasi Regresi Linear terdiri dari dua jenis Sederhana > Y = α X + b Ex : Y = 5 X + 2 Berganda > Y = α X1 + β X2 + … + b Ex : Y = 7 X1 + 9 X

11 Regresi Regresi terdiri dari variable dependen dan independen
Dependen = bergantung Independen = tidak bergantung Satu variable yang sama dapat menjadi variable dependen maupun independen dalam konteks yang berbeda

12 Regresi Contoh : profit penjualan buku meningkat apabila jumlah pengunjung meningkat, maka dependen = profit penjualan buku independen = jumlah pengunjung Contoh : tingginya tingkat kehilangan barang akan menurunkan jumlah pengunjung dependen = jumlah pengunjung independen = tingkat kehilangan barang

13 Persamaan Regresi Linear

14 Persamaan Regresi Linear
Estimated (or predicted) Y value for observation i Estimate of the regression intercept Estimate of the regression slope Value of X for observation i Statistics for Managers Using Microsoft Excel, 4e © 2004 Prentice-Hall, Inc.

15 Types of Relationships
Linear relationships Curvilinear relationships Y Y X X Y Y X X Statistics for Managers Using Microsoft Excel, 4e © 2004 Prentice-Hall, Inc.

16 Types of Relationships
(continued) No relationship Y X Y X Statistics for Managers Using Microsoft Excel, 4e © 2004 Prentice-Hall, Inc.

17 Bagaimana cara membuat garisnya?
OLS (Ordinary Least Square) SSE (Sum Squared Error atau Std. Error) MSE (Mean Squared Error) MAPE (Mean Absolute Percentage Error) OLS terdiri dari beberapa varian RLS (Recursive Least Square) LM-LS (Levenberg-Marquadt Least Square)

18 Simple Linear Regression Example
A real estate agent wishes to examine the relationship between the selling price of a home and its size (measured in square feet) A random sample of 10 houses is selected Dependent variable (Y) = house price in $1000s Independent variable (X) = square feet Statistics for Managers Using Microsoft Excel, 4e © 2004 Prentice-Hall, Inc.

19 Sample Data for House Price Model
House Price in $1000s (Y) Square Feet (X) 245 1400 312 1600 279 1700 308 1875 199 1100 219 1550 405 2350 324 2450 319 1425 255 Statistics for Managers Using Microsoft Excel, 4e © 2004 Prentice-Hall, Inc.

20 SPSS Analyze > Regression > Linear
Masukkan variabel dependen dan independennya

21 Bonus Time!! Jelaskan dengan bahasa yang paling mudah dimengerti…
Apakah sebenarnya analisa regresi itu? Persamaan garis regresi melalui satu titik penting? Titik apakah itu? Apakah sebenarnya ANOVA itu? Bagaimana cara mencari nilai r (konstanta korelasi) dengan SPSS selain cara yang telah dijelaskan hari ini?