LINEAR REGRESSION

& CORRELATION

Yumi Sarassanti
• Model regresi berganda disebut semiparametrik jika fungsi
yang menjelaskan hubungan (bentuk hubungan fungsional) SEMIPARAMETRIK
antara variabel target dan prediktor sebagian telah
diketahui dan sebagina tidak diketahui sebelumnya
• Model regresi disebut nonparametrik jika fungsi yang
menjelaskan hubungan (bentuk hubungan fungsional) NONPARAMETRIK
antara variabel target dan prediktor tidak diketahui
sebelumnya
• Model regresi disebut parametrik jika fungsi yang
menjelaskan hubungan (bentuk hubungan fungsional)
MODEL REGRESI PARAMETRIK
antara variabel target dan prediktor telah diketahui
 Additive & Nonadditive Models,
LINEAR Straight-line & Polynomial
Models, Linear Mixed Models

Binary Response Data, Logistic

GENERALIZED Regression, Poisson Regression,
PARAMETRIC
LINEAR Gamma GLM, Gaussian GLM,
Generalized Linear Mixed Models

NONLINEAR Gauss-Newton & Levenberg-

(inflexible) Marquandt (iterative algorithm)
 Kernel, k-Nearest Neighbour, Orthogonal, & Spline
GENERAL
Smoothing

DATA WITH OUTLIERS

RESISTANT Lowess, L-Smoothing, M-Smoothing, & R-Smoothing
SMOOTHING

Nonparametric prediction of Time Series &

CORRELATED DATA
Smoothing with Dependent Errors
NONPARAMETRIC
(Flexible Nonlinear)
QUALITATIVE Monotonic & Unimodal Smoothing, Estimation of
SMOOTHING Zero & Extrema

INCORPORATING
PARAMETRIC Partial Linear Models & Shape-Invariant Modeling
COMPONENTS

Regression Trees, Projection Pursuit Regression,

SMOOTHING IN HIGH
Alternating Conditional Expectations, Average
DIMENSIONS
Derivative Estimation, & General Additive Models
 SIMPLE SEMIPARAMETRIC

SEMIPARAMETRIC MIXED
SEMIPARAMETRIK
MODELS

BAYESIAN
SEMIPARAMETRIC
REGRESSION
 PROSEDUR ANALISIS REGRESI
LINIER – GARIS LURUS
ANALISIS
REGRESI
LINIER
Linier

UJI
Normal LINIERITAS
REGRESI
ANALISIS
Tidak REGRESI
UJI NONLINIER
NORMALITAS

REGRESI
Tidak NONPARA-
METRIK
Model Regresi Linier Sederhana
(untuk hubungan kausal/fungsional/direksional)

atau

Model ini digunakan untuk populasi, selain itu

juga digunakan untuk model terstandard.
Untuk sampel modelnya dapat dituliskan sebagai
berikut:

atau

Selain itu juga dapat dituliskan sebagai berikut:

atau
dengan
Data

X Y X Y X Y X Y X Y
30 29 34 31 36 32 38 34 40 37
32 31 34 30 36 34 39 36 40 36
32 30 34 30 37 33 39 35 41 37
33 31 34 32 37 34 40 38 42 36
33 32 35 32 37 32 40 35 42 35
34 32 36 30 38 36 40 33 42 38
X Y XY X Y XY
30 29 900 841 870 37 34 1369 1156 1258
32 31 1024 961 992 37 32 1369 1024 1184
32 30 1024 900 960 38 36 1444 1296 1368
33 31 1089 961 1023 38 34 1444 1156 1292
33 32 1089 1024 1056 39 36 1521 1296 1404
34 32 1156 1024 1088 39 35 1521 1225 1365
34 31 1156 961 1054 40 38 1600 1444 1520
34 30 1156 900 1020 40 35 1600 1225 1400
34 30 1156 900 1020 40 33 1600 1089 1320
34 32 1156 1024 1088 40 37 1600 1369 1480
35 32 1225 1024 1120 40 36 1600 1296 1440
36 30 1296 900 1080 41 37 1681 1369 1517
36 32 1296 1024 1152 42 36 1764 1296 1512
36 34 1296 1156 1224 42 35 1764 1225 1470
37 33 1369 1089 1221 42 38 1764 1444 1596
J U M L A H 1105 1001 41029 33599 37094
Perhitungan
Dengan demikian, jika data yang digunakan
merupakan sampel, persamaan regresi linier
sederhana nya dapat dituliskan sebagai berikut:

atau
 Korelasi
dalam Regresi Linier Sederhana
Determination Index

Pearson’s Correlation Product Moment

Coefficient
Perhitungan
Determination Index

atau 76,5%

Pearson’sCorrelation Product Moment

Coefficient

=
Pemaknaan Koefisien Korelasi Secara Deskriptif

Besaran Koefisien Klasifikasi Hubungan

0,00 Nihil
0,01 – 0,20 Sangat Rendah
0,21 – 0,40 Rendah
0,41 – 0,60 Cukup
0,61 – 0,80 Tinggi
0,81 – 0,99 Sangat Tinggi
1,00 Sempurna
Uji Keberartian Koefisien Korelasi (inferensia)

Hipotesis Uji

H0: … tidak memiliki hubungan linier dengan ….

HA: … memiliki hubungan linier dengan ….

Statistik Uji

Korelasi Product Moment

Kriteria Uji

Terima H0 bila r hitung ≤ r tabel

Terima HA bila r hitung > r tabel
Analisis

Sudah dilakukan

Uji Hipotesis

Dengan n = 30 dan α = 0,05 didapat nilai 0,361

pada TABEL R.
Karena r hitung (0,875) > r tabel (0,361), maka
HA diterima

Kesimpulan Uji

… memiliki hubungan yang signifikan dengan ….

LINEAR
REGRESSION &
CORRELATION

Yumi Sarassanti
 PROSEDUR

ANALISIS
(MISAL:
PILIH MODEL LINIER)
PLOTTING
REGRESI
DATA
PARAMETRIK
X&Y
YANG SESUAI
HITUNG
RESIDUAL

TIDAK LINIER
UJI
ANALISIS LINIERITAS
LINIER
RESIDUAL CLEAR
(UJI
NORMAL
ASUMSI) UJI
ANALISIS
NORMALITASS
TIDAK NORMAL REGRESI NON-
PARAMETRIK
Uji Independensi
dalam Regresi Linier Sederhana

• Hipotesis Uji
H0: X tidak berpengaruh secara
linier terhadap Y
HA: X berpengaruh secara
linier terhadap Y
• Kriteria Uji
Terima H0 jika F hitung ≤ F tabel
Terima HA jika F hitung > F tabel

F tabel didapat dengan:

df pembilang = 1
df penyebut = n-2
• Analisis Data
Data
X Y X Y X Y X Y X Y
30 29 34 31 36 32 38 34 40 37
32 31 34 30 36 34 39 36 40 36
32 30 34 30 37 33 39 35 41 37
33 31 34 32 37 34 40 38 42 36
33 32 35 32 37 32 40 35 42 35
34 32 36 30 38 36 40 33 42 38
X Y XY X Y XY
30 29 900 841 870 37 34 1369 1156 1258
32 31 1024 961 992 37 32 1369 1024 1184
32 30 1024 900 960 38 36 1444 1296 1368
33 31 1089 961 1023 38 34 1444 1156 1292
33 32 1089 1024 1056 39 36 1521 1296 1404
34 32 1156 1024 1088 39 35 1521 1225 1365
34 31 1156 961 1054 40 38 1600 1444 1520
34 30 1156 900 1020 40 35 1600 1225 1400
34 30 1156 900 1020 40 33 1600 1089 1320
34 32 1156 1024 1088 40 37 1600 1369 1480
35 32 1225 1024 1120 40 36 1600 1296 1440
36 30 1296 900 1080 41 37 1681 1369 1517
36 32 1296 1024 1152 42 36 1764 1296 1512
36 34 1296 1156 1224 42 35 1764 1225 1470
37 33 1369 1089 1221 42 38 1764 1444 1596
J U M L A H 1105 1001 41029 33599 37094
 Tabel Perhitungan
SumberVariasi df JK RJK F

Regresi (a) 1
- -

Regresi (b│a) 1 JK(b│a)/df(b│a)

RJK(b│a)/RJKR
Residu n-2 JKT – JK(a) – JK(b│a) JKR/dfR

Total n - -
df residu = n-2 = 30-2 = 28
df total = n = 30
JK(a)= = 1.0012/30 = 1.002.001/30 = 33.400,03

JK(b│a) = =

= =
= 0,68 x 223,83 = 152,2
JKT = 33.599
JKR = JKT – JK(a) – JK(b│a) = 33.599 – 33.400,03 – 152,2
= 198,97 – 152,2 = 46,77
 RJK(b│a) = JK(b│a) / df(b│a) = 152,2/1 = 152,2
RJKR = JKR/dfR = 46,77/28 = 1,67
F = RJK(b│a) / RJKR = 152,2/1,67 = 91,14

• Uji Hipotesis
Dengan df pembilang = 1 dan
df penyebut = n – 2 = 30 – 2 = 28
pada taraf signifikansi = 0,05
didapat nilai F tabel = 4,20.
Karena F hitung (91,14) > F tabel (4,20) maka HA diterima.
• Kesimpulan
X berpengaruh signifikan terhadap Y.
LINEAR REGRESSION
& CORRELATION

Yumi Sarassanti
 PROSEDUR

ANALISIS
REGRESI
LINIER
Linier

UJI
Normal LINIERITAS
REGRESI
ANALISIS
Tidak REGRESI
UJI NONLINIER
NORMALITAS

REGRESI
Tidak NONPARA-
METRIK
Uji Linieritas Regresi
•  
• Kriteria Uji
Terima H0 jika F hitung ≤ F tabel
Terima HA jika F hitung > F tabel

F tabel didapat dengan:

df pembilang = k-2
df penyebut = n-k
• Analisis Data
Data
X Y X Y X Y X Y X Y
30 29 34 31 36 32 38 34 40 37
32 31 34 30 36 34 39 36 40 36
32 30 34 30 37 33 39 35 41 37
33 31 34 32 37 34 40 38 42 36
33 32 35 32 37 32 40 35 42 35
34 32 36 30 38 36 40 33 42 38
 Tabel Perhitungan
Sumber
Variasi df JK RJK F

Total n - -
Regresi (a) 1 - -
Regresi (b│a) 1 - -
Residu n-2 -
JKT – JK(a) – JK(b│a) -
Tuna Cocok k-2 JKRes – JKk JKTC/dfTC
RJKTC/RJKk
Kekeliruan n-k JKK/dfK
 Hasil sebelumnya
Sumber
df JK RJK F
Variasi

Total 30 33.599 - -
Regresi (a) 1 33.400,03 - -
Regresi (b│a) 1 152,2 - -
Residu 28 46,77
- -
Tuna Cocok k-2 JKRes – JKk JKTC/dfTC
RJKTC/RJKk
Kekeliruan n-k JKK/dfK
 X Y X Y X Y X Y X Y
30 29 34 31 36 32 38 34 40 37
32 31 34 30 36 34 39 36 40 36
32 30 34 30 37 33 39 35 41 37
33 31 34 32 37 34 40 38 42 36
33 32 35 32 37 32 40 35 42 35
34 32 36 30 38 36 40 33 42 38

Berdasarkan nilai X dapat dibentuk 12 kelompok (lihat warna latar).

Dengan demikian,
df Tuna Cocok = k – 2 = 12 – 2 = 10
df Kekeliruan = n – k = 30 – 12 = 18
 Sumber
df JK RJK F
Variasi

Total 30 33.599 - -
Regresi (a) 1 33.400,03 - -
Regresi (b│a) 1 152,2 - -
Residu 28 46,77
- -
Tuna Cocok 10 JKRes – JKk JKTC/dfTC
RJKTC/RJKk
Kekeliruan 18 JKK/dfK
Dengan demikian,
JKTC = 46,77 – 37,67 = 9,1
RJKTC = 9,1/10 = 0,91
RJKK = 37,67/18 = 2,09
Sehingga,
F = 0,91/2,09 = 0,44
 Sumber
df JK RJK F
Variasi

Total 30 33.599 - -
Regresi (a) 1 33.400,03 - -
Regresi (b│a) 1 152,2 - -
Residu 28 46,77
- -
Tuna Cocok 10 9,1 0,91
0,44
Kekeliruan 18 37,67 2,09
• Uji Hipotesis
Dengan df pembilang = k-2 = 12-2 =
10 dan df penyebut = n-k = 28-10 =
18, pada taraf signifikansi = 0,05
didapat nilai F tabel = 2,41.
Karena F hitung (0,44) < F tabel
(2,41) maka H0 diterima.

• Kesimpulan
Hubungan antar variabel mengikuti
model linier
 KORELASI

PRESENTED BY: YUMI SARASSANTI

 PARAMETRIC
USED TO QUANTIFY
TYPE 1ST VARIABLE(S) 2ND VARIABLE(S) THE RELATIONSHIP BETWEEN

SIMPLE CONTINUOUS CONTINUOUS 2 VARIABLES

MULTIPLE CONTINUOUS CONTINUOUS A SET OF SEVERAL VARIABLES WITH A

SINGLE VARIABLE
PEARSON (r)

2 VARIABLES WHILE HOLDING THE EFFECT

PARTIAL CONTINUOUS CONTINUOUS OF OTHER(S) 1ST VARIABLE(S) CONSTANT
FOR BOTH VARIABLES

2 VARIABLES WHILE HOLDING THE EFFECT

SEMI PARTIAL CONTINUOUS CONTINUOUS OF OTHER(S) 1ST VARIABLE(S) CONSTANT
FOR 1ST OR 2ND VARIABLE

CANONICAL CONTINUOUS CONTINUOUS 2 SETS OF SEVERAL VARIABLES

 NONPARAMETRIC
USED TO QUANTIFY
THE REALTIONSHIP
TYPE 1ST VARIABLE(S) 2ND VARIABLE(S) BETWEEN

SPEARMAN ρ INTERVAL/ORDINAL ORDINAL

KENDALL τ INTERVAL/ORDINAL ORDINAL
POLYSERIAL INTERVAL ORDINAL
POINT BISERIAL CONTINUOUS BINARY (NOMINAL)
2 VARIABLES THAT ARE
BISERIAL CONTINUOUS BINARY (ORDINAL) NOT MEASURED ON
CONTINUOUS SCALE
RANK BISERIAL ORDINAL BINARY (NOMINAL)
POLYCHORIC BINARY (ORDINAL) BINARY (ORDINAL)
TETRACHORIC BINARY (ORDINAL) BINARY (ORDINAL)
C, λ, φ, BINARY BINARY
SPEARMAN BORWN’S RANK
CORRELATION
 SEKIAN

TERIMA KASIH DAN SELAMAT

BELAJAR