PIKA SILVIANTI, M.SI
WWW.STAT.IPB.AC.ID/EN/
No.
Materi Pokok (Materi Ajar)
Alokasi Waktu (menit)
1
Pengenalan analisis regresi
2 x 50’
2
Model regresi linier sederhana
2 x 50’
3
Model regresi linier sederhana
4
Model regresi linier sederhana
5
Diagnosa model melalui pemeriksaan sisaan dan identifikasi pengamatan berpengaruh
6
Diagnosa model melalui pemeriksaan sisaan dan identifikasi pengamatan berpengaruh
7
Pendekatan matriks terhadap regresi linier
2 x 50’ 2 x 50’
2 x 50’
2 x 50’
2 x 50’
WWW.STAT.IPB.AC.ID/EN/
Bahan / Sumber Belajar 2: Bab 1 2: Bab 2 3: Bab 1 2: Bab 2 3: Bab 1 2: Bab 2 3: Bab 1 2: Bab 5 Bab 6
2: Bab 5 Bab 6
1: Bab 2 3: Bab 3
Pustaka: Draper, N. & Smith, H. 1981. Applied Regression Analysis, Second Edition. John Wiley & Sons.
Myers, R.H. 1998. Classical and Modern Regression with Application. 2nd ed. PWS-KENT. Boston.
Ryan, TP. 1997. Modern Regression Methods. John Wiley & Sons. New York. Aunuddin. 1989. Analisis Data. PAU Ilmu Hayat IPB. Bogor Catatan Kuliah bisa di download: http://stat.ipb.ac.id/en/
WWW.STAT.IPB.AC.ID/EN/
Analisis Hubungan Jenis/tipe hubungan
Ukuran Keterkaitan
Pemodelan Keterkaitan
Skala pengukuran peubah
WWW.STAT.IPB.AC.ID/EN/
Relationship vs Causal Relationship
Tidak semua hubungan (relationship) berupa hubungan sebab-akibat Penentuan suatu hubungan bersifat sebab-akibat memerlukan wellargued position dari bidang ilmu terkait
WWW.STAT.IPB.AC.ID/EN/
Korelasi
WWW.STAT.IPB.AC.ID/EN/
Alat Analisis Keterkaitan Ditentukan oleh: 1. Skala pengukuran data/peubah 2.
Jenis hubungan antar peubah
Relationship Numerik
Korelasi Pearson, Spearman
Kategorik
Tabel Ringkasan Korelasi BIserial
Causal relationship Y
Numerik
Numerik Kategorik
X
Kategorik
Tabel Ringkasan Korelasi Biserial
Spearman (ordinal), Chi Square Korelasi Tetrachoric
Numerik
Kategorik
Regresi Linier
ANOVA
Regresi Logistik, Diskriminan, Classification and Regression Tree, Neural Network
WWW.STAT.IPB.AC.ID/EN/
Regresi Logistik Classification and Regression Tree Neural Network
Apa itu Analisis Regresi ? Analisis
regresi
merupakan alat statistika untuk
mengevaluasi
hubungan antara satu atau lebih
peubah
bebas
X1,X2,…,Xk dengan peubah tak bebas (Y).
WWW.STAT.IPB.AC.ID/EN/
Kapan Analisis Regresi digunakan ? Untuk mendapatkan model hubungan antar peubah
Menduga nilai suatu peubah berdasarkan nilai peubah lainnya Menganalisis hubungan/pengaruh antara satu atau lebih peubah numerik terhadap sebuah peubah numerik lain
WWW.STAT.IPB.AC.ID/EN/
Koefisien Korelasi
WWW.STAT.IPB.AC.ID/EN/
Korelasi
WWW.STAT.IPB.AC.ID/EN/
Koefisien Korelasi tidak menggambarkan hubungan sebab akibat nilainya berkisar antara -1 dan 1 tanda (+) / (-) arah hubungan ◦ ◦
(+) searah; (-) beralawanan arah
Nilai absolut dari analisis korelasi menunjukkan seberapa erat hubungan antara dua peubah, dimana 1 menunjukkan hubungan linier sempurna dan 0 menunjukkan bahwa tidak ada hubungan linier antara dua peubah. Pearson’s Coef of Correlation linear relationship Spearman’n Coef of Correlation (rank correlation) trend relationship WWW.STAT.IPB.AC.ID/EN/
Koefisien Korelasi 20 16
50
12
40
8
30
4
20
0
10
0
5
10
15
Hubungan antara Variabel X1 dan X2 positif (searah)
0
0
5
10
15
Hubungan antara Variabel X1 dan X2 negatif (berlawanan arah)
WWW.STAT.IPB.AC.ID/EN/
WWW.STAT.IPB.AC.ID/EN/
Ilustrasi :
Misal ingin diketahui hubungan antara lama bekerja dengan besarnya pendapatan rumah tangga untuk nasabah yang usianya lebih dari 40 Perhatikan scatter plot (1) berikut:
WWW.STAT.IPB.AC.ID/EN/
Lanjutan ilustrasi
Correlations
Years with current employer Household income in thousands
Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N
Years with current employer 1 216 .598** .000 216
**. Correlation is significant at the 0.01 level (2-tailed).
Besarnya Koefisien Korelasi
Household income in thousands .598** .000 216 1 216
Karena Nilai Sig. < = 5% Ada Keterkaitan antara lama bekerja dengan pendapatan rumah tangga WWW.STAT.IPB.AC.ID/EN/
Lanjutan Ilustrasi
Perhatikan bahwa pada scatter plot antara lama bekerja dengan pendapatan rumah tangga terlihat hubunganyang searah
Namun pada hasil korelasi nilainya hanya sebesar 0.598
Hal ini disebabkan karena beberapa nilai yang relatif jauh dari kumpulannya (lingkaran biru pada Scatter plot (1)) Jika nilai tersebut dihilangkan maka hasilnya terdapat pada scatter plot (2) WWW.STAT.IPB.AC.ID/EN/
Ilustrasi : Scatter Plot (2)
WWW.STAT.IPB.AC.ID/EN/
Lanjutan ilustrasi
Correlations
Years with current employer Household income in thousands
Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N
Besarnya Koefisien Korelasi Years with current employer 1 207 .675** .000 207
**. Correlation is significant at the 0.01 level (2-tailed).
Household income in thousands .675** .000 207 1 207
Nilai korelasi meningkat menjadi 0.675 Penting : Perhatikan karakteristik dari data WWW.STAT.IPB.AC.ID/EN/
Ilustrasi (2)
Ingin melihat hubungan antara lama bekerja dengan lama tinggal di tempat yang sekarang
WWW.STAT.IPB.AC.ID/EN/
Lanjutan Ilustrasi (2) Correlations
Years with current employer Years at current address
Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N
Besarnya Koefisien Korelasi Years with current employer 1 216 .073 .287 216
Years at current address .073 .287 216 1 216
Karena Nilai Sig. > = 5% TIDAK ada Keterkaitan lama bekerja dengan lama tinggal di alamat sekarang Hal ini terlihat dari scatter plot yang menunjukkan tidak ada ploa hubungan antara keduanya Penting : Perhatikan pola hubungan antara peubah WWW.STAT.IPB.AC.ID/EN/
