sesi 14.15.16.ppt
TRANSCRIPT
-
8/18/2019 Sesi 14.15.16.ppt
1/26
Luknis Sabri
-
8/18/2019 Sesi 14.15.16.ppt
2/26
-
8/18/2019 Sesi 14.15.16.ppt
3/26
Cara sederhanaMemakai +iagram Tebar & S'atter +iagram*
X
Y
+
+
x
x
x
x
x
x
x
V. Independen
V. Dependen
-
8/18/2019 Sesi 14.15.16.ppt
4/26
Contoh diagram tebar antara
T "#$%
height (cm)
200190180170160150140
F ! c e e x p i ! " t t # $ % & m e i n 1 m
i n ( m % )
600
500
400
'00
200
100
-
8/18/2019 Sesi 14.15.16.ppt
5/26
-kuran Hubungan 2 $ar Pearson’s Correlation Coefcient ( r )
Kekuatan hubungan
erkisar antara . dan % ./ tidak ada hubungan linier antara $ar ( dg
$ar0
%/ hubungan kedua variabel linier sempurna
0ang sering berada antara . dan %
-
8/18/2019 Sesi 14.15.16.ppt
6/26
Kekuatan hubungan+apat dilihat dari s'atter plot
x
xx
x
x
xx
x
x
x
x
xx
x
X
Y
X
Y
-
8/18/2019 Sesi 14.15.16.ppt
7/26
Arah hubungan+itandai oleh 1 dan
1 / Hubungan dire't: korelasi positi3 )ang
berarti semakin besar nilai 4 semakin besar 5uga nilai 0
6 / Hubungan terbalik & inverse*: korelasinegati3 berarti kenaikan variabel 4 diikuti
penurunan var 0 atau sebalikn)a
-
8/18/2019 Sesi 14.15.16.ppt
8/26
Arah hubunganS'atter
x
x
x
x
xx x
x
x
x
X X
Y
Y
&&ng"n p*iti (+) &&ng"n neg"ti (,)
-
8/18/2019 Sesi 14.15.16.ppt
9/26
Hubungan 7on linierS'atter
x
x
x
xx
x x
x
x
x
x
x x
x
x
x
xx
xx
x x
XX
Y Y
,-"!"%i
,/i*" &g" h& xpnen*i"%
id" e%"* p%"n#"
(id" "d" h& %inie!)
-
8/18/2019 Sesi 14.15.16.ppt
10/26
nterpretasi Koe3 KorelasiKekuatan hub &sub5ekti3*
r8.,9 : Hub lemah.,9 8 r 8 ., : Sedangr ; ., : Kuat
Korelasi tidak selalu berarti nhubungan sebabakibat& Causalit)*
Korelasi )ang lemah atau mendekati . berartitidak ada hub linier, mungkin hub parabolatau e(ponensial
-
8/18/2019 Sesi 14.15.16.ppt
11/26
Korelasi: Data Lay-out dan
perhitungan r3&e X X2 Y Y2 X.Y1 X1 X1
2 Y1 Y12 XY1
. X. X.2 Y. Y.
2 XY.
. X. X.2 Y. Y.
2 XY.
n Xn Xn2 Yn Yn
2 XYn
(∑X) (∑X2) (∑Y) (∑Y2) (∑XY)
( ) ( )r
X Y X Y
n
X X
n
Y Y
n
=−
−
−
( )( ) . ( )
( ) . ( )
Σ Σ Σ
Σ Σ
Σ Σ2
2
2
2
-
8/18/2019 Sesi 14.15.16.ppt
12/26
CONTOH KO!L"#$3&e (X) *i" (Y) "m" h"!i !""t X.Y1 20 5100
2 '0 6180
' 25 5 125
4 '5 7245
5 40 8320
(∑X) 150 (∑Y) '1 (∑XY) 970
(∑X2) 4750 (∑Y2) 199
( ) ( ) ( ) ( )r
X Y X Y
n
X X
n Y
Y
n
=−
−
−
=−
−
−
=( )
( ) . ( )
( ) . ( )
( )( ) . ( )
( ) . ( )
.Σ
Σ Σ
Σ Σ
Σ Σ2
2
2
2 2 2
9 7 01 5 0 3 1
5
4 7 5 01 5 0
5 1 9 9
3 1
5
0 9 7
-
8/18/2019 Sesi 14.15.16.ppt
13/26
Koe
-
8/18/2019 Sesi 14.15.16.ppt
14/26
Begresi LinierMen'ari garis terbaik
Adabeberapa 'ara men'ari garis regresi antaralain: "ree Hand
Metode rdinar) Least SDuareMetode LS persamaan garis )ang dibuat
sedemikian rupa sehingga kuadrat selisih nilaiobservasi ke nilai di garis regresi adalah
minimum Persamaan )E/a 1 b(1e
-
8/18/2019 Sesi 14.15.16.ppt
15/26
0E/ a 1 b4 1e 0E/ nilai 0 )ang di prediksi
a / inter'ept?nilai ) pada saat (/.?titik
potong garis regresi dengan sumbu 0 b/ slope kemiringan garis?perubahan
variabel ) pada saat var ( berubah satu unit
e / #rror dari model dalam memprediksi nilai
0
-
8/18/2019 Sesi 14.15.16.ppt
16/26
Faris regresi)E/a1b(
+
+
+ +
+
X
Y
Y"+X
"
" inte!cept
*%pe
:e ;eg
-
8/18/2019 Sesi 14.15.16.ppt
17/26
"ungsi Pers Begresi-ntuk memprediksi nilai ) kalau ( diketahui
Contoh:erapa tek sistolik 5ika umur G. tahunerapa PK mahasis!a kalau TPA n)a G..erapa lama hari ra!at kalau pasien berumur
9. tahunerapa level "#$% pada orang dengan tinggi
badan %>. 'm
-
8/18/2019 Sesi 14.15.16.ppt
18/26
Asumsi pada BegresiLinier%@ 7ilai mean dari 0 adalah 3ungsi garis lurus
&Linierit)* 4???@@ 0E/ a1 b41e
2@ 7ilai 0 terdistribusi normal untuk setiapnilai4 &normalit)*
@ $arian 0 adalah sama untuk setiap nilai 4&homos'edasti'it)*
9@ 7ilai 4 dan 0 tidak saling berkaitan&independen')*
-
8/18/2019 Sesi 14.15.16.ppt
19/26
Persamaan Begresi 0E/I1J 4
n
X X
n
Y X XY
22 )()(
)(*)()(
Σ−Σ
ΣΣ−Σ
=β
X Y β α −=
Y !"t",!"t" Y
X!"t",!"t" X
-
8/18/2019 Sesi 14.15.16.ppt
20/26
3&e (X) *i" (Y) "m" h"!i !""t X.Y
1 20 5100
2 '0 6180
' 25 5125
4 '5 7245
5 40 8320
(∑X) 150 (∑Y) '1 (∑XY) 970
(∑X2) 4750
32Y62.5
(∑Y2) 199
32X1.7
-
8/18/2019 Sesi 14.15.16.ppt
21/26
Persa%aan garis regresi linier&
Lama hari rawat (Y) = a 1 b1Xi Y’ / 1.4 + 0.16 (Usia)
( ) ( )β =
−
−
=−
−
=( )
( ) . ( )
( )
( )( ) . ( )
( )
.Σ
Σ Σ
Σ Σ
X Y X Y
n
X X
n2
2 2
9 7 01 5 0 3 1
5
4 7 5 01 5 0
5
0 1 6
α β = − = − =Y X 6 2 0 1 6 3 0 1 4. . . ( ) .
-
8/18/2019 Sesi 14.15.16.ppt
22/26
7"#B#7S K#" KB#LAS#stimasi r
+ari 'ontoh r/.,=>pada C =G
atas ba!ah r
atas atas r
C I r E x p Z f E x p Z f
( ) [ . ][ . ]
= −+
2 12 1
Z f L n r r
Z n
= +−
±
−12
11 3
2. ( / )α
Z f L nr
r
Z
n L n= +
−
±
− = +
−
±
− = − −
1
2
1
1 3
1
2
1 0 9 7
1 0 9 7
1 9 6
5 30 7 0 6 4 3 4 7 8 2
2. .
.
.
.[ . . ]
( / )α
C I r E x p Z f E x p Z f
E x p E x p
( ) [ . ][ . ]
[ ( . ) ][ ( . ) ]
.= −+
= −
+
=2 12 1
2 0 7 0 6 4 12 0 7 0 6 4 1
0 6 1
C I r
E x p Z f
E x p Z f
E x p
E x p( )
[ . ]
[ . ]
[ ( . ) ]
[ ( . ) ] .=−
+=
−
+=
2 1
2 1
2 3 4 7 8 2 1
2 3 4 7 8 2 1 0 9 9
-
8/18/2019 Sesi 14.15.16.ppt
23/26
-5i hipotesis rHo /. Ha .
I/.,.G
-5i stat -5i t
t/,=%d3 n62?@pv ,.,..G
Ho ditolak
t r n
r =
−
− =
−
− =. .
..
2
10 9 7
5 2
1 0 9 76 9 1
2 2
-
8/18/2019 Sesi 14.15.16.ppt
24/26
n3erens Koe3 Beg JLama hari rawat (Y) = α 1 β 1 X i
Y i / 1.4 + 0.16 (Usia)C /=G
=G C
[ ] [ ]S E
nn
S S
n S
y x
x
β
β
=
−−
−
−=
−−
−
− =
( )( )
. ( . )
( ) .
( )( )
. . ( . ) ( . ) )
( ) ..
12
1
5 15 2
1 7 0 1 6 6 2 5
5 1 6 2 50 0 0 8 6 3
2 2 2
2
2
9 5 %
9 5 % 0 1 6 1 9 6 0 0 0 8 6 3 0 1 4 0 1 7
2C I Z S E
C I
β α β
β
β = ±
= ± = − −
( / ) .
. . ( . ) [ . . ]
-
8/18/2019 Sesi 14.15.16.ppt
25/26
-Ni hipotesis JHo J/. Ha: J.
a/.,.G
-5i Hipotesis:
t/%,G9 d3/n62 pv 8 .,..G
Keputusan u5i Ho ditolak
Kesimpulan koe3 J tidak sama dengan .
t S E
= = =β
β
0 1 6
0 0 0 8 6 3 1 8 5 4
.
. .
-
8/18/2019 Sesi 14.15.16.ppt
26/26