MODUL PERKULIAHAN

Data Mining

Linear Regression

Fakultas Program Studi Tatap Muka Kode MK Disusun Oleh

Ilmu Komputer Informatika W1517010 Prastika Indriyanti S.Kom., MCS,

05

Abstrak Kompetensi
- - memahami jenis data
- - memahami dataset
 Introduction

Penggunaan statistika dalam mengolah data penelitian berpengaruh terhadap tingkat

analisis hasil penelitian. Penelitian-penelitian dalam bidang ilmu pengetahuan alam (science)
yang menggunakan perhitungan-perhitungan statistika, akan menghasilkan data yang
mendekati benar, jika memperhatikan tata cara analisis data yang digunakan. Dalam
memprediksi dan mengukur nilai dari pengaruh satu variabel (bebas/independent/ predictor)
terhadap variabel lain (tak bebas/ dependent/ response) dapat digunakan uji regresi.

Analisis/uji regresi merupakan suatu kajian dari hubungan antara satu variabel, yaitu
variabel yang diterangkan (the explained variabel) dengan satu atau lebih variabel, yaitu
variabel yang menerangkan (the explanatory). Apabila variabel bebasnya hanya satu, maka
analisis regresinya disebut dengan regresi linear sederhana. Apabila variabel bebasnya lebih
dari satu, maka analisis regresinya dikenal dengan regresi linear berganda. Dikatakan
berganda karena terdapat beberapa variabel bebas yang mempengaruhi variabel tak bebas.

Analisis/uji regresi banyak digunakan dalam perhitungan hasil akhir untuk penulisan
karya ilmiah/penelitian. Hasil perhitungan analisis/uji regresi akan dimuat dalam kesimpulan
penelitian dan akan menentukan apakah penelitian yang sedang dilakukan berhasil atau tidak.
Analisis perhitungan pada uji regresi menyangkut beberapa perhitungan statistika seperti uji
signifikansi (uji-t, uji-F), anova dan penentuan hipotesis. Hasil dari analisis/ uji regresi
berupa suatu persamaan regresi. Persamaan regresi ini merupakan suatu fungsi prediksi
variable yang mempengaruhi variabel lain.

Regresi Linear Sederhana adalah Metode Statistik yang berfungsi untuk menguji
sejauh mana hubungan sebab akibat antara Variabel Faktor Penyebab (X) terhadap Variabel
Akibatnya. Faktor Penyebab pada umumnya dilambangkan dengan X atau disebut juga
dengan Predictor sedangkan Variabel Akibat dilambangkan dengan Y atau disebut juga
dengan Response. Regresi Linear Sederhana atau sering disingkat dengan SLR (Simple
Linear Regression) juga merupakan salah satu Metode Statistik yang dipergunakan dalam
produksi untuk melakukan peramalan ataupun prediksi tentang karakteristik kualitas maupun
kuantitas.

2019 Minninng Data Lanjutan Pusat Bahan Ajar dan eLearning

2 Prastika Indriyanti S.Kom., MCS, http://www.mercubuana.ac.id
 Contoh penggunaan analisis Regresi Linear Sederhana dalam kegiatan produksi,
antara lain:

1. Hubungan antara lamanya kerusakan mesin dengan kualitas produk yang dihasilkan

2. Hubungan jumlah pekerja dengan output yang diproduksi

3. Hubungan antara suhu ruangan dengan cacat produksi yang dihasilkan.

Metode Regresi Linear Sederhana

Model Persamaan Regresi Linear Sederhana

Model Persamaan Regresi Linear Sederhana adalah seperti berikut ini :

Y = a + bX

Dimana :

Y = Variabel Response atau Variabel Akibat (Dependent)

X = Variabel Predictor atau Variabel Faktor Penyebab (Independent)

a = konstanta

2019 Minninng Data Lanjutan Pusat Bahan Ajar dan eLearning

3 Prastika Indriyanti S.Kom., MCS, http://www.mercubuana.ac.id
b = koefisien regresi (kemiringan/slope); besaran Response yang ditimbulkan oleh Predictor .

Besarnya konstanta a dan b dapat ditentukan menggunakan persamaan:

Adapun langkah-langkah yang perlu dilakukan untuk melakukan analisis dan uji regresi
linier sederhana adalah sebagai berikut:

1. Menentukan tujuan dari Analisis Regresi Linear Sederhana

4. Mengidentifikasi variabel predictor dan variabel response

5. Melakukan pengumpulan data dalam bentuk table

6. Menghitung X², Y², XY dan total dari masing-masingnya

7. Menghitung a dan b menggunakan rumus yang telah ditentukan

8. Membuat model Persamaan Garis Regresi

9. Melakukan prediksi terhadap variabel predictor atau response

10. Uji korelasi

Studi Kasus

2019 Minninng Data Lanjutan Pusat Bahan Ajar dan eLearning

4 Prastika Indriyanti S.Kom., MCS, http://www.mercubuana.ac.id
STUDI KASUS 1

“ Terdapat suatu data penelitian tentang berat badan 10 mahasiswa yang diprediksi
dipengaruhi oleh konsumsi jumlah kalori/hari”.

Bagaimana menganalisisnya?

1. Menentukan Tujuan : “Apakah konsumsi jumlah kalori/hari mempengaruhi berat badan

mahasiswa?”

2. Mengidentifikasi variabel predictor dan variabel response

X (variable bebas/ predictor) = jumlah kalori/hari

Y (variable tak bebas/ response) = berat badan

3. Melakukan pengumpulan data dalam bentuk tabel

4. Menghitung X², Y², XY dan total dari masing-masingnya

2019 Minninng Data Lanjutan Pusat Bahan Ajar dan eLearning

5 Prastika Indriyanti S.Kom., MCS, http://www.mercubuana.ac.id
5. Menghitung a dan b menggunakan rumus yang telah ditentukan

2019 Minninng Data Lanjutan Pusat Bahan Ajar dan eLearning

6 Prastika Indriyanti S.Kom., MCS, http://www.mercubuana.ac.id
Membuat model Persamaan Garis Regresi. Setelah didapat koefisien a dan b, maka
persamaan garisnya adalah:

Y = 2,608 + 0,149 X

7. Melakukan prediksi terhadap variabel predictor atau response

• Prediksikan berat badan mahasiswa jika asupannya adalah 600 kalori/ hari:

Y = 2,608 + 0,149 X

• Prediksi Y = 2,608 + (0,149 * 600) = 92 kilo gram

• Prediksikan asupan mahasiswa, jika berat badan mahasiswa adalah 40 kilo gram:

40 = 2,608 + 0,149 X

37,392 = 0,149X

•Prediksi X = 250.59 kalori/ hari

2019 Minninng Data Lanjutan Pusat Bahan Ajar dan eLearning

7 Prastika Indriyanti S.Kom., MCS, http://www.mercubuana.ac.id
 Untuk mengukur kekuatan hubungan antar variable predictor X dan response Y,
dilakukan analisis korelasi yang hasilnya dinyatakan oleh suatu bilangan yang dikenal
dengan koefisien korelasi. Biasanya analisis regresi sering dilakukan bersama-sama
dengan analisis korelasi. Persamaan koefisien korelasi (r ) diekspresikan oleh:

Berdasarkan data tabel, maka koefisien korelasinya adalah:

Nilai ini memberi arti bahwa, hubungan variable bebas/ predictor X dengan variabel
terikat/ response Y adalah sangat kuat, persentasenya 95%.

Jadi, berat badan memang sangat dipengaruhi oleh konsumsi jumlah kalori/hari.

Koefisien determinasi dapat ditentukan dengan mengkuadratkan koefisien korelasi.

Dari contoh kasus di atas, maka koefisien determinasinya adalah r² = 0,90

Nilai ini berarti bahwa, 90% variabel bebas/ predictor X dapat menerangkan/
menjelaskan variabel tak bebas/ response Y dan 10% dijelaskan oleh variabel lainnya.

2. Kasus 2

Prediksi Pengaruh Volume Mesin Terhadap Emisi C02

2019 Minninng Data Lanjutan Pusat Bahan Ajar dan eLearning

8 Prastika Indriyanti S.Kom., MCS, http://www.mercubuana.ac.id
2019 Minninng Data Lanjutan Pusat Bahan Ajar dan eLearning
9 Prastika Indriyanti S.Kom., MCS, http://www.mercubuana.ac.id
Project

1. Anda diminta untuk menemukan permasalahan yang akan mampu diselesaikan dengan
menggunakan data mining !

2. Anda diminta untuk membuat dataset yang diperlukan dalam menyelesaikan

permasalahan tersebut !

Referensi :

Towarddatascience.com