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

Postingan populer dari blog ini

MANOVA DUA JALUR (TWO WAY MANOVA)

-
Gambar
source APA ITU UJI MANOVA? MANOVA ( Multivariate Analysis of Variance ) identik dengan ANOVA, kecuali ia menggunakan dua atau lebih variabel respon. Mirip dengan ANOVA, itu juga bisa satu jalur atau dua jalur.   APA ITU UJI MANOVA DUA JALUR? Analisis varians dua jalur multivariat (dua jalur MANOVA) sering dianggap sebagai perpanjangan dari ANOVA dua jalur untuk situasi di mana ada dua atau lebih variabel dependen. Tujuan utama dari MANOVA dua jalur adalah untuk memahami jika ada interaksi antara dua variabel independen pada dua atau lebih variabel dependen gabungan.   ASUMSI MANOVA DUA JALUR Untuk menjalankan MANOVA dua jalur, ada 10 asumsi yang perlu diperhatikan. Tiga asumsi pertama berhubungan dengan pilihan desain studi dan pengukuran yang dipilih, sementara tujuh asumsi lainnya berhubungan dengan bagaimana data cocok dengan model MANOVA dua jalur. Asumsi ini adalah: 1. Memiliki dua atau lebih variabel dependen yang diukur pada tingkat kontinu. 2. Memiliki dua variabel independen d
Baca selengkapnya

TUTORIAL SPSS UJI TWO-WAY ANOVA

-
Gambar
Source pic Contoh Kasus: Seorang guru ingin mengetahui prestasi belajar siswa berdasarkan gender (laki-laki dan perempuan). Sampel yang diambil 3 sekolah, dimana ketiga sekolah tersebut diterapkan model pembelajaran yang berbeda. Jenis Kelamin Sekolah SMA 1 (Model A) SMA 2 (Model B) SMA 3 (Model C) Laki-laki 53 65 64 55 65 48 68 58 54 70 73 48 64 68 49 48 45 61 Perempuan 48 80 60 82 63 45 59 65 55 61 75 58 69 68 43 83 87 58 64 71 45 48 58 77 78 40 73
Baca selengkapnya

UJI MANN-WHITNEY U DENGAN SPSS (CONTOH KASUS)

-
Gambar
Uji Mann-Whitney U merupakan uji non-parametrik untuk membandingkan dua sampel independen bila datanya berbentuk ordinal Berikut beberapa kriteria data yang menjadi ketentuan: 1. Data yang diuji harus berskala rasio, interval, atau ordinal. 2. Terdapat 2 kelompok data yang diuji. 3. Data tidak berpasangan alias berbeda kelompok. 4. Kelompok yang diuji variansnya sama alias homogen. Contoh Kasus:  Seorang guru Fisika ingin mengetahui apakah ada perbedaan nilai hasil belajar Fisika antara siswa laki-laki dan perempuan setelah menerapkan model pembelajaran Discovery Learning . Diambil 16 siswa sebagai sampel. Hipotesis untuk kasus di atas: Ho: Tidak terdapat perbedaan hasil belajar fisika antara siswa perempuan dan laki laki Ha: Terdapat perbedaan hasil belajar fisika antara siswa perempuan dan laki-laki Tabel Data Hasil Belajar Fisika Peserta Didik Langkah – langkah analisis dengan SPSS: 1. Jalankan program SPSS, pilih Variable View di bagian bawah. Isikan di kolom Name
Baca selengkapnya