PERBEDAAN ANALISIS REGRESI LINIER SEDERHANA DAN REGRESI LINIER BERGANDA
1.
REGRESI LINIER SEDERHANA
Dalam Regresi Linier Sederhana, kita
mencoba mencari hubungan antara satu variabel bebas (input) dan variabel
terikat yang bersesuaian (output). Hal ini dapat dinyatakan dalam bentuk
garis lurus.
Persamaan garis yang sama dapat
ditulis ulang menjadi:
Y = β0 + β1X + є
dimana,
1. Y mewakili output atau
variabel dependen.
2. β0 dan β1 adalah
dua konstanta yang tidak diketahui yang mewakili potongan dan koefisien
(kemiringan) masing-masing.
3. X mewakili input atau variabel
independen.
4. є (Epsilon) adalah istilah
kesalahan.
Berikut ini adalah contoh grafik
Model Regresi Linier Sederhana :
Aplikasi Regresi Linier Sederhana
antara lain:
1. Memprediksi hasil panen
berdasarkan jumlah curah hujan:
Hasil panen merupakan variabel
terikat sedangkan jumlah curah hujan adalah variabel bebas.
2. Nilai yang dinilai oleh siswa
berdasarkan jumlah jam belajar (idealnya):
Di sini nilai yang diperoleh adalah variabel terikat dan jumlah jam belajar adalah variabel bebas.
3. Memprediksi
Gaji seseorang berdasarkan pengalaman bertahun-tahun:
Dengan demikian pengalaman menjadi
variabel bebas sedangkan gaji menjadi variabel terikat.
2.
REGRESI LINIER BERGANDA
Dalam Regresi Linier Berganda, kita
mencoba mencari hubungan antara 2 atau lebih variabel bebas (input) dan
variabel terikat yang bersesuaian (output). Variabel bebas dapat bersifat
kontinu atau kategorikal.
Persamaan yang menjelaskan bagaimana
nilai prediksi y berhubungan dengan p variabel bebas disebut persamaan Regresi
Linier Berganda :
Y = β0 + β1X1 + β2X2 + … + βpXp + є
dimana,
1. Y mewakili output atau
variabel dependen.
2. β0, β1 dan β2
adalah konstanta yang tidak diketahui yang mewakili potongan dan koefisien
(kemiringan) masing-masing.
3. X1 dan X2
mewakili input atau variabel independen.
4. є (Epsilon) adalah istilah
kesalahan.
Di bawah ini adalah grafik untuk
Model Regresi Linier Berganda, yang diterapkan pada kumpulan data iris:
Analisis Regresi Linier Berganda dapat
membantu kita dengan cara berikut:
1. Membantu memprediksi tren dan
nilai masa depan. Analisis regresi linier berganda dapat digunakan untuk
mendapatkan estimasi titik.
2. Dapat digunakan untuk meramalkan
efek atau dampak dari perubahan. Artinya, analisis regresi linier berganda
dapat membantu untuk memahami seberapa besar variabel dependen akan berubah ketika
kita mengubah variabel independen.
3. Dapat digunakan untuk
mengidentifikasi kekuatan efek yang dimiliki variabel independen terhadap
variabel dependen.
Komentar
Posting Komentar