tugas infografis

1. NAMA : ERLIN ODE
NIM : P3E121009
TUGAS : PENGANTAR
INFOGRAFIS

2. AN INTRODUCTION
Regresi linier sering digunakan untuk melihat nilai
prediksi atau perkiraan yang akan datang
Apabila X dan Y mempunyai hubungan, maka nilai X
yang sudah diketahui dapat digunakan memperkirakan Y
Perkiraan mengenai terjadinya sesuatu kejadian (nilai
variabel untuk waktu yang akan datang, seperti prediksi
produksi 3 tahun yang akan datang, prediksi harga bulan
depan, ramalan jumlah penduduk 10 tahun mendatang,
ramalan hasil penjualan tahun depan).

3.  Ramalan mengetahui suatu kejadian baik secara kualitatif (akan turun
hujan, akan terjadi perang, akan lulus ujian)
 Kuantitatif (produksi padi akan mencapai 16 juta ton, indek harga 9 bahan
pokok naik 10%, penerimaan devisa turun 5%)
 Melakukan peramalan adalah dengan mengunakan garis regresi

4. LANJUTAN
Variable Y yang nilainya akan diramalkan disebut variable
tidak bebas (dependentvariable)
 sedangkan variable X yang nilainya digunakan untuk
meramalkan nilai Y disebut variable bebas (independent
variable) atau variable peramal (predictor) dan sering kali
disebut variable yang menerangkan(exsplanatory).

5. X
Analisis regresi digunakan untuk mengetahui bagaimana variabel
dependen atau kriterium dapat diprediksikan melalui variabel
independen atau prediktor secara individu atau parsial maupun
secara bersama-sama atau simultan.
Y
Variabel respon
Variabel dependen
Prediktor
variabel indipenden
Dapatkah variabel X memprediksi Y ? Analisis Regresi
Adakah korelasi/ hubungannya nya ?

6. ILUSTRASI HUBUNGAN
POSITIF
X
Pupuk
Berat
Badan
Y
Produksi
Tekanan
darah

7. ILUSTRASI HUBUNGAN NEGATIF
X
Jumlah aseptor
Harga suatu barang
Y
Jumlah kelahiran
Permintaan barang
darah

8. SCATTER PLOT EXAMPLES
y
x
y
x
y
y
x
x
Strong
relationships
Weak
relationships

9. SCATTER PLOT EXAMPLES
y
x
y
x
No
relationship

10. JENIS ANALISIS REGRESI
I. Regresi linier jika hubungan antara variabel bebas terhadap
variabel tak bebas berbentuk linier
II. Regresi tak linier jika hubungan antara variabel bebas
terhadap variabel tak berbentuk linier
Regresi linier sederhana 
 Regresi linier berganda 
 Regresi kuadratik
 Regresi kubik 
bX
a
Y 

ˆ
3
3
2
2
1
1
ˆ X
b
X
b
X
b
a
Y 



3
3
2
3
2
2
2
ˆ
ˆ
ˆ
ˆ
ˆ
bX
a
Y
cX
bX
a
Y
dX
cX
bX
a
Y
bX
a
Y
cX
bX
a
Y















11. Regresi Linier Sederhana

12.  variabel independen ke-i
 variabel dependen ke-i maka bentuk model regresi
sederhana adalah :
dengan
parameter yang tidak diketahui
sesatan random dgn asumsi
i
X
i
Y
b
a,
atau
ˆ
,
ˆ 

i

0
]
[ 
i
E 
2
)
( 
 
i
Var
bX
a
Y
X
Y
n
i
X
Y
i
i
i
i
i








ˆ
ˆ
ˆ
ˆ
,
,
2
,
1
,




 

13. Dari garis regresi sampel diperoleh :
Dan
)
(
^
^
i
i
i X
Y
e 
 


2
1
2
))
(
( i
n
i
i
i bX
a
Y
e
D 


 
 
Turunkan
D
terhadap
a dan b
!!!!

14. ANALISIS REGRESI
• Pendugaan terhadap koefisien regresi:
Bagaimana Pengujian terhadap model regresi ??
• parsial (per koefisien)  uji-t
• bersama  uji-F (Anova)
Bagaimana menilai kesesuaian model ??
R2 (Koef. Determinasi: % keragaman Y yang mampu dijelaskan oleh X)
     
 2
2
2
2
2 )
(
)
)(
(






 
 







X
X
n
XY
X
X
Y
a
n
x
x
n
y
x
xy
b Metode
Kuadrat Terkecil

15.  
  


 2
2
)
( x
x
n
y
x
xy
n
b
x
b
y
a 

n
x
x
n
y
y

 

y x xy x2 y2
.
.
.
.
.
.
.
.
.
.
Σy Σx Σxy Σx2 Σy2
ATAU

16. LATIHAN
Carilah persamaan regresi Y pada X dari data Tabel :
  
 
i
i X
Y
x
b
y
a
n
x
x
n
y
x
xy
b
8972
.
0
5294
.
29
ˆ
:
regresi
persamaan
diperoleh
jadi
53
.
29
8972
.
0
12
665
37525
12
951
665
-
53305
)
(
)
)(
(
1
2
2
2











 
 


17. Perhatikan
     
sisa
i
i
regresi
i
iasi
i y
y
y
y
y
y ˆ
ˆ
var





MENGUJI KOEFISIEN REGRESI
DENGAN ANALISIS VARIANSI
 
  






n
i
n
i
i
i
i
n
i
i y
y
y
y
y
y
1 1
2
2
1
2
)
ˆ
(
)
ˆ
(
)
(

18. Xi
y
x
yi
JKT = (yi - y)2
JKS = (yi - yi )2

JKR = (yi - y)2

_
_
_
VARIASI YANG DITERANGKAN DAN
YANG TIDAK DAPAT DITERANGKAN
y

y
y
_
y


19. Tabel Anova :
Sumber
Variasi
JK dk RK F Hitung
Regresi JKR= 1 RKR=JKR/1 F=RKR/RKS
Sesatan JKS= JKT-JKR n-2 RKS=JKS/n-2 Ftabel
F(alpha, 1,n-2)
Total JKT= n-1
 



n
i
i x
x
b
1
2
 
n
y
y i
n
i
i
2
1
2 
 
