Metode Regresi dan taksiran kuadrat terkecil dari ketepatan metode peramalan (1).pptx
1. Metode Regresi dan Taksiran
Terkecil dari Ketepatan Metode
Peramalan
Arifah Wahyu Hidayat (4112321009)
Belinda Damara Datu (4112321016)
Tangkas Pangestu (4112321021)
2. Metode Regresi
metode regresi adalah suatu teknik analisis statistik yang
bertujuan untuk memperhitungkan hubungan sebab
akibat antara dua atau lebih variabel berbeda. Di samping
itu, metode tersebut juga digunakan sebagai proyeksi dari
kumpulan data kuantitatif.
Dalam pengertian lain, regresi adalah metode yang dipakai
untuk mengukur hubungan antara variabel kunci
(independent variable) terhadap suatu prediksi masa depan
(dependent variable)
3. Perbedaan Korelasi dan Regresi
Perbedaan korelasi dan regresi adalah fungsi variabelnya. Korelasi
ditunjukan untuk menentukan hubungan atau asosiasi dua variable
yang sama. Artinya, tidak ada perbedaan antara variable dependen
maupun independent. Sehingga, korelasi x dan y mirip dengan y dan
x. ini dimaksudkan untuk menggambarkan sejauh mana variable-
variable tersebut bergerak Bersama. Sementara, regresi menunjukan
hubungan x pada ytidak sama dengan y pada x. dari penjelasan diatas,
dapat disimpulkan bahwa metode regresi adalah Teknik analisis
statistic yang memperkirakan pengaruh hubungan antara dua variable
berbeda.
Mars
4. Metode ini juga dapat memprediksi hal-
hal yang mungkin terjadi di masa depan,
termasuk memproyeksikan peluang serta
risiko
Memprediksi Masa Depan
Fungsi dan Manfaat Regresi
Metode ini akan membantu
dan memperbaiki kekeliruan
yang mungkin terjadi
Menghindari kekeliruan
Metode ini juga berfungsi
mengoptimalkan operasional bisnis
Mengoptimalkan Efiensi Operasional
Memberikan wawasan baru melalui
himpunan informasi yang dimiliki
Memberikan Pengetahuan Baru
Third Fourth
Second
First
5. Jenis Regresi
Linier Sederhana merupakan jenis regresi yang hanya
menghubungkan dua variabel saja (X dan Y) dimana
keduanya adalah data kuantitatif. Contohnya, data jumlah
kue yang di konsumsi dengan berat badan.
Rumus :
Keterangan :
๐ = Variabel dependen
๐ = Variabel Independen
๐ = Konstanta (titik potong Y)
๐ = koefisien dari variable X
1. Regresi Linier Sederhana
๐ = ๐ + ๐๐ฅ
6. Jenis Regresi
Linier Berganda adalah jenis regresi yang mengaitkan satu
variable Y terhadap dua atau lebih variable X dengan jenis
data kuantitatif. Misalkan, pengaruh jumlah camilan yang
dikonsumsi terhadap tinggi dan berat badan.
Rumus :
Keterangan :
๐ = Variabel dependen
๐ = Variabel Independen
๐ = Konstanta (titik potong Y)
๐ = koefisien dari variable X (koefisien determinasi)
e = eror atau residu
2. Regresi Linier Berganda
๐ = ๐ + ๐1๐1 + ๐2๐2 + โฏ + โ
7. Jenis Regresi
Regresi Non-Linier adalah jenis regresi yang menghubungkan
antara variable Y dengan X yang tidak Linier. Misalnya,
pemberian pupuk pada tanaman dengan intensitas rendah
akan membuatnya tumbuh optimal, namun sebaliknya
intensitas tinggi malah akan membuat tanaman tumbuh
lambat.
Ada berbagai macam bentuk umum regresi non-linier,
diantaranya :
Regresi berbentuk eksponensial : ๐ = ๐โ ๐๐
Regresi berbentuk pangkat : ๐ = ๐๐๐
Regresi berbentuk polynomial : ๐ = ๐0 + ๐1๐ + โฏ + ๐๐ ๐ฅ๐
3. Regresi Non-Linier
8. Metode Least Square
Metode Peramalan (forecasting)
kuadrat terkecil atau yang disebut
sebagai metode Least Square adalah
metode yang menggunakan
persamaan linier untuk menemukan
garis paling sesuai untuk kumpulan
data lampau guna meramalkan masa
depan.
9. Untuk n Ganjil Maka
- Jarak antara dua waktu diberi
nilai satu satuan
- Diatas 0 diberi tanda negatif
- Dibawahnya deberi tanda
positif
Untuk n Genap maka
- Jarak antar dua waktu diberi
nilai dua satuan
- Diatas nol diberi tanda
negative
- Dibawah diberi tanda positif
โ Metode ini paling sering digunakan untuk meramalkan Y, karena
perhitunganya lebih teliti.
โ Rumus
โ Keterangan :
โ ๐โฒ
= data berkala (Time series)
โ ๐0 = nilai trend pada tahun dasar
โ b = rata-rata pertumbuhan nilai trend tiap tahun
โ ๐ = variable waktu
โ Untuk melakukan perhitungan, maka diperlukan nilai tertentu
pada variable waktu (s) sehimgga jumlah nilai variable waktu
adalah nol atau
๐โฒ
= ๐0 + ๐๐ฅ
๐ =
๐ด๐
๐
b =
๐๐ฅ
๐ด๐ฅ2
๐ด๐ฅ = 0
๐ = 2๐ + 1
๐ = 2๐
10. Contoh Soal
Seorang peneliti inin mengetahui pengaruh minat belajar (X)
terhadap prestasi belajar matematika (Y). Data penelitian berjumlah
12 mahasiswa, data lengkap dapat dilihat pada tabel dibawah ini
Siswa Minat belajar (Xi)
Prestasi
Belajar (Yi)
1 75 80
2 70 75
3 70 75
4 80 90
5 75 85
6 89 85
7 85 95
8 88 95
9 75 80
10 75 90
11 65 75
12 70 75
Pertanyaanya :
a. Tentukan Persamaan regresi
linier sederhana?
b. Buktikan apakah ada pengaruh
minat belajar terhadap prestasi
belajar?
11. Jawaban Manual
Jawaban pertanyaan a dan b
1. Membuat hipotesis penelitian ๐ฏ๐ ๐ ๐๐ ๐ฏ๐
๐ป0 = Tidak ada pโ ngaruh minat tโ rhadap prโ stasi bโ lajar matโ matika
๐ป1 = ๐ด๐๐ ๐๐๐๐๐๐๐ขโ ๐๐๐๐๐ก ๐๐๐๐๐๐๐ ๐ก๐๐โ๐๐๐๐ ๐๐๐๐ ๐ก๐๐ ๐ ๐๐๐๐๐๐๐ ๐๐๐ก๐๐๐๐ก๐๐๐
2. Membuat hipotesis statistik
๐ป0 : ๐ฝ = 0
๐ป1 โถ ๐ฝ โ 0
3. Menentukan taraf signifikansi
Taraf signifikansi ๐ผ = 5 %
4. Menentukan uji yang digunakan
Regresi Linier Sederhana
5. Kaidah Pengujuan
๐ฝ๐๐๐ ๐กโ๐๐ก๐ข๐๐ > ๐ก๐ก๐๐๐๐ ๐๐๐๐ ๐ป0 ๐๐๐ก๐๐๐๐
๐ฝ๐๐๐ โ ๐ก๐ก๐๐๐๐ โค ๐กโ๐๐ก๐ข๐๐ โค ๐ก๐ก๐๐๐๐ , ๐๐๐๐ ๐ป0 ๐๐๐ก๐๐๐๐๐
18. Output Bagian Pertama (Variabel Entered/Removed) :
variabel Minat belajar sebagai variabel Independent dan
prestasi belajar sebagai variabel dependent dan metode
yang digunakan adalah metode Enter.
Output Bagian Kedua (Model Summary): untuk nilai korelasi
yaitu sebesar 0,816. dari output tersebut diperoleh koefisien
determinasi (R square) sebesar 0,666.
Output Bagian Ketiga (Anova): diketahui bahwa nilai F
hitung = 19,914 dengan tingkat signifikansi 0,001< 0,05.
maka model regresi dapat dipakai untuk memprediksi
pengaruh variabel X terhadap variabel Y.
Output Bagian Keempat : Di bagian output terakhir
menghasilkan persamaan
๐ = ๐ + ๐๐
๐ = 19,744 + 0,832๐