Garis besar topik

    • Selasa, 11 Mar 2025 / Pertemuan 1 Forum
    • Siswa harus
      Tandai selesai

      Pengenalan Analisis Regresi

      Materi: Konsep dasar regresi, variabel independen dan dependen
      Tujuan: Mahasiswa memahami dasar-dasar analisis regresi

  • Selasa, 18 Mar 2025 / Pertemuan 2

    • Siswa harus
      Tandai selesai

      Regresi Linear Sederhana


      Materi: Model linier satu prediktor, asumsi klasik
      Tujuan: Mahasiswa mampu membangun dan menginterpretasikan model regresi linear sederhana.

  • Selasa, 25 Mar 2025 / Pertemuan 3

    • Siswa harus
      Tandai selesai

      Estimasi Parameter Regresi


      Materi: Metode kuadrat terkecil (OLS), interpretasi koefisien
      Tujuan: Mahasiswa dapat menghitung dan menafsirkan parameter regresi

  • Selasa, 1 Apr 2025 / Pertemuan 4

    • Siswa harus
      Tandai selesai

      Evaluasi Model Regresi


      Materi: R-squared, adjusted R-squared, MSE
      Tujuan: Mahasiswa mampu mengevaluasi kualitas model regresi.

  • Selasa, 8 Apr 2025 / Pertemuan 5

    • Siswa harus
      Tandai selesai

      Regresi Linear Berganda


      Materi: Model dengan lebih dari satu prediktor
      Tujuan: Mahasiswa mampu membangun model regresi linear berganda.

  • 15 Apr 2025 / Pertemuan 6

    • Siswa harus
      Tandai selesai
      Regresi Linear Ganda

      Regresi Linear Ganda adalah metode statistik yang digunakan untuk memodelkan hubungan antara satu variabel dependen (Y) dan dua atau lebih variabel independen (XΓéü, XΓéé, ..., XΓéÖ). Ini merupakan pengembangan dari regresi linear sederhana yang hanya melibatkan satu variabel independen.

      Rumus Umum Regresi Linear Ganda:

      Y=╬▓0+╬▓1X1+╬▓2X2+Γï»+╬▓nXn+╧╡Y = \beta_0 + \beta_1X_1 + \beta_2X_2 + \dots + \beta_nX_n + \epsilon

      Keterangan:

      • YY = variabel dependen (yang diprediksi)

      • X1,X2,...,XnX_1, X_2, ..., X_n = variabel independen

      • ╬▓0\beta_0 = intersep (konstanta)

      • ╬▓1,╬▓2,...,╬▓n\beta_1, \beta_2, ..., \beta_n = koefisien regresi untuk masing-masing XX

      • ╧╡\epsilon = error (residu)

      Langkah-Langkah Analisis Regresi Linear Ganda:

      1. Mengumpulkan data: Pastikan semua variabel yang relevan tersedia dan terukur.

      2. Menguji asumsi klasik, seperti:

        • Normalitas

        • Multikolinearitas

        • Heteroskedastisitas

        • Autokorelasi (jika data time series)

      3. Mengestimasi parameter regresi (biasanya dengan metode kuadrat terkecil/OLS).

      4. Menguji signifikansi model:

        • Uji F: untuk melihat apakah model secara keseluruhan signifikan.

        • Uji t: untuk melihat signifikansi masing-masing variabel independen.

      5. Menginterpretasi koefisien:

        • Misalnya, jika ╬▓1=2\beta_1 = 2, maka setiap kenaikan 1 unit pada X1X_1 akan meningkatkan nilai YY sebesar 2, dengan asumsi variabel lainnya konstan.

      6. Menguji goodness-of-fit:

        • R2R^2 dan adjusted R2R^2 digunakan untuk melihat seberapa baik model menjelaskan variabilitas data.

      Contoh Kasus Singkat:

      Misalnya, ingin memprediksi penghasilan bulanan (Y) berdasarkan lama pendidikan (XΓéü) dan pengalaman kerja (XΓéé).

      Y=1.5+0.8X1+0.5X2Y = 1.5 + 0.8X_1 + 0.5X_2

      Artinya:

      • Setiap tahun tambahan pendidikan menaikkan penghasilan sebesar 0.8 juta.

      • Setiap tahun tambahan pengalaman kerja menaikkan penghasilan sebesar 0.5 juta.



  • Selasa, 22 Apr 2025 / Pertemuan 7

    • Siswa harus
      Tandai selesai

      The Analysis of Variance (ANOVA)

      ANOVA (Analisis Varians) adalah metode statistik yang digunakan untuk membandingkan rata-rata dari tiga atau lebih kelompok untuk melihat apakah ada perbedaan yang signifikan secara statistik di antara kelompok-kelompok tersebut.

      📌 Tujuan ANOVA:

      Untuk menguji hipotesis:

      • HΓéÇ (null hypothesis): Semua kelompok memiliki rata-rata yang sama.

      • HΓéü (alternatif): Setidaknya ada satu kelompok yang memiliki rata-rata berbeda.

      📊 Jenis-Jenis ANOVA:

      1. One-Way ANOVA
        Digunakan ketika kita memiliki satu faktor/kategori dengan tiga atau lebih grup.
        Contoh: membandingkan nilai ujian antara 3 metode pembelajaran.

      2. Two-Way ANOVA
        Digunakan jika kita menganalisis dua faktor.
        Contoh: pengaruh metode pembelajaran dan jenis kelamin terhadap nilai ujian.

      ✅ Contoh One-Way ANOVA di Python

      Misalnya kita ingin melihat apakah tiga metode belajar (A, B, C) menghasilkan perbedaan signifikan pada nilai ujian.


  • Selasa, 29 Apr 2025 / Pertemuan 8

    • Siswa harus
      Tandai selesai

      UTS ( Ujian Tengah Semester )


  • Selasa, 6 Mei 2025 / Pertemuan 9

    • Siswa harus
      Tandai selesai

      Inferences in Regression

      (Inferensi dalam Regresi)

      Inferensi dalam regresi merujuk pada proses menarik kesimpulan statistik tentang hubungan antara variabel dependen dan variabel independen, berdasarkan hasil dari model regresi. Tujuannya adalah untuk menilai keandalan model dan menentukan signifikansi pengaruh setiap variabel.

      ✅ Tujuan Inferensi dalam Regresi:

      1. Menguji apakah hubungan antara variabel signifikan secara statistik.

      2. Membuat interval kepercayaan untuk koefisien regresi.

      3. Melakukan prediksi terhadap nilai Y baru dan memberikan intervalnya.

      📌 Jenis Inferensi dalam Regresi:

      1. Uji Signifikansi Koefisien (Uji t)

      Untuk mengetahui apakah setiap variabel independen secara signifikan memengaruhi Y.

      Hipotesis:

      • H0H_0: Koefisien ╬▓i=0\beta_i = 0 (tidak ada pengaruh)

      • H1H_1: Koefisien ╬▓iΓëá0\beta_i \neq 0 (ada pengaruh)

      Jika p-value < 0.05 → Tolak H₀ → variabel signifikan.

      2. Uji Signifikansi Model (Uji F)

      Untuk mengetahui apakah seluruh variabel independen secara bersama-sama signifikan memengaruhi Y.

      Hipotesis:

      • H0H_0: Semua koefisien regresi = 0

      • H1H_1: Setidaknya satu koefisien Γëá 0

      Jika p-value F < 0.05 → model secara keseluruhan signifikan.

      3. Interval Kepercayaan Koefisien

      Menunjukkan rentang nilai di mana kita yakin (misalnya 95%) koefisien sebenarnya berada.

      4. Prediksi dan Interval Prediksi

      Dua jenis interval:

      • Interval kepercayaan: untuk estimasi rata-rata Y.

      • Interval prediksi: untuk nilai Y individu baru (lebih lebar).


  • Selasa, 13 Mei 2025 / Pertemuan 10

    • Siswa harus
      Tandai selesai

      Asumsi-Asumsi pada Regresi Linear

      Dalam analisis regresi linear (baik sederhana maupun ganda), terdapat beberapa asumsi klasik yang harus dipenuhi agar hasil analisis valid dan interpretasi model akurat. Pelanggaran terhadap asumsi ini dapat menyebabkan estimasi yang bias, tidak efisien, atau tidak valid secara statistik.

      ✅ Asumsi-Asumsi Regresi Linear:

      1. Linearitas

      Hubungan antara variabel independen dan variabel dependen harus linear.

      • Γ£ö Cek dengan scatter plot atau residual plot.

      • Γ¥î Jika tidak linear, bisa menggunakan transformasi data (log, sqrt) atau model non-linear.

      2. Independensi (Tidak ada autokorelasi)

      Observasi harus independen satu sama lain, terutama dalam data time series.

      • Γ£ö Uji: Durbin-Watson test

      • Γ¥î Jika ada autokorelasi ΓåÆ model tidak valid (misalnya residual bergantung pada waktu sebelumnya).

      3. Homoskedastisitas

      Varians dari residual harus konstan di seluruh nilai prediksi.

      • Γ£ö Residual plot harus menunjukkan sebaran acak (tidak berpola).

      • Γ¥î Jika pola seperti kerucut/gelombang ΓåÆ terjadi heteroskedastisitas

      4. Normalitas Residual

      Residual (kesalahan prediksi) harus berdistribusi normal.

      • Γ£ö Cek dengan histogram residual atau uji Shapiro-Wilk.

      • Γ¥î Jika tidak normal ΓåÆ uji statistik dan prediksi menjadi tidak andal, terutama untuk sampel kecil.

      5. Tidak Ada Multikolinearitas

      Variabel independen tidak boleh saling berkorelasi tinggi satu sama lain.

      • Γ£ö Cek dengan VIF (Variance Inflation Factor):

        • VIF > 10 ΓåÆ indikasi multikolinearitas.

      • Γ¥î Multikolinearitas membuat sulit menginterpretasi koefisien regresi.

      📌 Ringkasan Asumsi

      NoAsumsiGejala PelanggaranSolusi
      1LinearitasHubungan melengkungTransformasi, model non-linear
      2IndependensiPola berulang (time series)Tambah variabel waktu, AR model
      3HomoskedastisitasResidual berpolaTransformasi, robust regression
      4Normalitas residualHistogram tidak normalTransformasi, tambah data
      5Tidak multikolinearitasVIF tinggiHapus/ubah variabel

  • Selasa, 20 Mei 2025 / Pertemuan 11

  • Selasa, 27 Mei 2025 / Pertemuan 12

  • Selasa, 3 Jun 2025 / Pertemuan 13

  • Selasa, 10 Jun 2025 / Pertemuan 14

  • Selasa, 17 Jun 2025 / Pertemuan 15

  • Selasa, 24 Jun 2025 / Pertemuan 16