00:00:03
Oke, baik. Selamat datang. Pada video
00:00:05
pembelajaran kali ini kita akan
00:00:06
melanjutkan materi data bivariat yang
00:00:08
sudah kita bahas di pertemuan
00:00:10
sebelumnya. Jadi di pertemuan sebelumnya
00:00:12
kalau kita kan sudah punya data bivariat
00:00:15
nih, data bivariatnya itu adalah terkait
00:00:19
data banyak bahasa asing yang dikuasai
00:00:21
siswa itu kita sebut X dan juga nilai
00:00:24
ulangan harian bahasa Inggris itu kita
00:00:25
sebut Y dari en orang siswa di suatu
00:00:29
kelas. Jadi misalkan untuk siswa yang
00:00:31
pertama dia menguasai tiga bahasa asing.
00:00:33
Terus nilai ulangan hariannya 70. Yang
00:00:36
berikutnya dia menguasai tiga bahasa
00:00:38
asing. Nilai ulangan harian berikutnya
00:00:40
untuk siswa itu adalah 100. Kemudian ada
00:00:43
siswa yang ketiga, dia menguasai empat
00:00:45
bahasa asing. Nilai ulangan hariannya 90
00:00:47
dan seterusnya ya sampai siswa yang
00:00:49
keenam. Di pertemuan sebelumnya kita
00:00:51
sudah mengajukan misalkan ada tiga garis
00:00:54
penduga
00:00:55
nih. Ada 15x + 30, 25x -5, 10x + 50.
00:01:01
Masing-masing saling mengklaim bahwa
00:01:02
dirinya adalah garis penduga yang
00:01:03
terbaik. Ingat kembali, kita bisa
00:01:05
menyatakan suatu garis penduga itu
00:01:08
adalah yang terbaik kalau apa? Jumlahan
00:01:11
dari kuadrat errornya adalah yang paling
00:01:13
minimum kalau dibandingkan dengan garis
00:01:14
penduga-garis penduga pesaing lainnya.
00:01:17
Ternyata ketika kita melakukan
00:01:18
perhitungan, kita mendapatkan bahwa
00:01:21
untuk y = 15x + 30 dia memberikan
00:01:24
jumlahan dari kuadrat error yang paling
00:01:26
kecil. Maka kita bisa membuat kesimpulan
00:01:28
bahwa dari tiga garis penduga ini yang
00:01:32
terbaik adalah y = 15x + 30. Yang jadi
00:01:36
masalah adalah kalau misalkan muncul
00:01:38
garis penduga keempat kemudian dia
00:01:41
menyampaikan bahwa saya bisa memberikan
00:01:43
jumlahan dari kuadrat error dengan
00:01:46
besaran yang lebih kecil dari 1900.
00:01:49
Nah, kemudian muncul lagi. Misalkan
00:01:52
garis penduga yang kelima mengajukan
00:01:53
bahwa dirinya memberikan jumlahan
00:01:55
kuadrat error yang lebih kecil lagi dari
00:01:57
garis penduga keempat. Maka timbul
00:01:59
pertanyaan, kalau begitu ada enggak satu
00:02:01
buah cara, satu buah rumus, satu buah
00:02:04
formula yang bisa kita pakai untuk
00:02:06
langsung
00:02:09
menentukan persamaan garis yang terbaik
00:02:11
sedemikian sehingga dialah persamaan
00:02:15
garis yang memberikan jumlahan kuadrat
00:02:17
error terkecil. sehingga tidak akan ada
00:02:20
lagi persamaan garis lain yang memiliki
00:02:22
jumlahan kuadrat error yang lebih kecil
00:02:24
dari dirinya. Nah, itu adalah tujuan
00:02:27
pembelajaran kita untuk pertemuan hari
00:02:29
ini. Bagaimana caranya menemukan
00:02:32
persamaan garis lurus yang memberikan
00:02:34
jumlahan kuadrat error terkecil.
00:02:39
Nanti kalau kita sudah menemukan
00:02:41
persamaan garis yang memberikan jumlahan
00:02:43
kuadrat error terkecil, maka kita bisa
00:02:46
sebut garis tersebut sebagai garis
00:02:48
penduga terbaik atau line of best
00:02:52
fit. Oke, jadi hari ini kita akan bahas
00:02:55
tentang line of bestfit atau garis
00:02:57
penduga
00:02:58
terbaik. Nah, ingat kembali terkait
00:03:02
skater plot atau diagram pencar ya. Jadi
00:03:05
kita sama-sama tahu kalau data bivariat
00:03:07
itu adalah data yang memuat dua
00:03:08
variabel. Misalkan variabel X dan Y. Dan
00:03:11
kita sama-sama tahu bahwa best way cara
00:03:14
terbaik untuk merepresent suatu data
00:03:17
bivariat itu adalah disajikan ke dalam
00:03:19
diagram pencar atau scatter
00:03:21
plot. Kita tahu bahwa diagram pencar
00:03:24
dapat membantu kita sebagai reader untuk
00:03:26
melihat korelasi atau hubungan dari dua
00:03:28
buah variabel misalkan X dan Y. Nah, apa
00:03:32
sih yang bisa dibaca dari hubungan itu?
00:03:34
Yang pertama adalah trendnya seperti
00:03:36
apa? Is it linear or nonlinear? Ya,
00:03:39
misalkan kita bisa lihat arah kursor
00:03:41
yang ini linear dan yang ini adalah yang
00:03:43
nonlinear. Opsi untuk nonlinear dia bisa
00:03:46
eksponensial atau yang bentuknya U.
00:03:49
Kemudian kita bisa melihat dari skatter
00:03:51
plot terkait arahnya is positif atau
00:03:53
negatif atau tidak ada. Dan yang ketiga
00:03:56
adalah kita bisa melihat kekuatannya ya.
00:03:58
Kekuatan streng-nya itu apa? bisa dia
00:04:01
strong, bisa dia moderate, bisa dia weak
00:04:03
atau non. Tapi kekurangannya adalah dari
00:04:06
skatter plot itu hanya untuk perkiraan
00:04:08
saja. Sehingga kalau misalkan kamu mau
00:04:11
tahu kekuatannya itu apa, kamu harus
00:04:13
pakai menggunakan rumus product momen
00:04:16
atau koefisien korelasi R yang mana kita
00:04:19
sudah bahas di dua pertemuan sebelumnya,
00:04:21
ya.
00:04:22
Nah, sekarang coba lihat dulu gambar
00:04:24
berikut ini. Kita punya data bivariat
00:04:27
beach visitors. Kita punya informasi
00:04:30
tentang di sumbu X-nya average daily
00:04:33
temperature ya, rata-rata suhu harian
00:04:35
dalam derajat fahrenheit. Kemudian di
00:04:37
sumbu Y-nya itu adalah banyaknya
00:04:39
pengunjung pantai. Di sini kita coba
00:04:42
sama-sama baca untuk yang titik ini. Ini
00:04:44
artinya apa sih? Artinya adalah bahwa
00:04:46
ketika rata-rata suhu hariannya itu 84
00:04:49
derajat Fahenheit, maka visitorsnya itu
00:04:52
ada 225 orang. Kemudian yang kalau yang
00:04:56
ini ketika suhunya itu adalah 94 derajat
00:05:00
Fahrenheit, maka banyaknya visitors di
00:05:03
pantai itu ada 600 orang dan seterusnya
00:05:06
ya. Nah, kalau kita lihat kan dari
00:05:08
gambar ini bisa kita asumsikan trennya
00:05:11
linier ya. Ketika trennya linear, maka
00:05:13
kita dapat membuat beberapa persamaan
00:05:15
garis lurus penduga
00:05:17
tentunya. Nah, bentuk umum dari
00:05:19
persamaan garis lurus itu adalah y = mx
00:05:23
+ c. Di mana m itu adalah gradien atau
00:05:27
kemiringan dari garis dan citik potong
00:05:31
pada sumbu Y. Nanti kita akan bahas
00:05:33
lebih detailnya.
00:05:36
Nah, nanti si persamaan garis-persamaan
00:05:39
garis yang lurus ini mereka akan saling
00:05:42
mengklaim nih bahwa mereka mampu
00:05:44
mewakili arus persebaran dari data
00:05:46
bivariat kita. Di mana setiap garis
00:05:48
tersebut pasti memiliki informasi
00:05:50
terkait jumlah kuadrat error yang
00:05:54
berbeda-beda. Misalkan di layar, kamu
00:05:56
bisa lihat di sini ada empat garis pendu
00:05:58
yang saling mengflame dirinya adalah
00:06:00
garis pendu yang paling baik untuk
00:06:03
merepresentasikan si databat kita.
00:06:05
Tentu kita sebagai reader akan bertanya
00:06:07
kira-kira dari mereka berempat yang bisa
00:06:10
memprediksi jumlah pengunjung banyaknya
00:06:12
visitors ya yang bisa memprediksi nilai
00:06:14
y ketika x diketahui itu yang mana sih?
00:06:18
Pertemuan lalu kita sudah tahu kalau
00:06:19
kita bisa pakai cara jumlahan kuadrat
00:06:23
error yang paling kecil dia yang paling
00:06:24
baik. Nah, tapi gimana caranya ee kita
00:06:28
bisa menentukan persamaannya langsung
00:06:30
nih yang terbaik tanpa harus menghitung
00:06:32
jumlahan kuadrat errornya ya. Jadi itu
00:06:34
target kita hari ini. Kita akan lihat
00:06:36
rumusnya
00:06:38
apa. Nah, nanti kalau kita sudah tahu
00:06:40
cara hitungnya, kita bisa menyatakan
00:06:42
bahwa persamaan garis lurus itu pasti
00:06:44
memiliki jumlahan kuadrat error terkecil
00:06:47
tanpa kita harus hitung lagi menggunakan
00:06:48
tabel seperti di dua pertemuan
00:06:50
sebelumnya atau di pertemuan sebelumnya,
00:06:52
ya. Nah, persamaan garis lurus yang
00:06:54
memiliki jumlahan kuadrat error terkecil
00:06:57
itu kita sebut sebagai garis regresi
00:06:59
atau regresi linear, ya. Karena garis
00:07:02
regresi itu memiliki jumlahan kuadrat
00:07:04
error yang terkecil, maka kita bisa
00:07:06
menyimpulkan bahwa garis regresi
00:07:09
merupakan persamaan garis terbaik atau
00:07:11
line of best fit untuk memprediksi
00:07:14
variabel y berdasarkan variabel x yang
00:07:17
sudah
00:07:20
diketahui. Jadi nanti kita akan ketahui
00:07:23
bahwa hanya ada tepat satu garis terbaik
00:07:25
atau line of best fit yang mampu
00:07:27
mempredik nilai Y yang mana dia adalah
00:07:31
memiliki jumlahan kuadrat error terkecil
00:07:33
kalau dia di battle dibandingkan dengan
00:07:36
semua garis-garis lain yang mengklaim
00:07:39
dirinya juga paling baik.
00:07:43
Oke, pada garis regresi atau line of
00:07:45
best fit atau persamaan garis terbaik,
00:07:48
kita sama-sama tahu kalau persamaan
00:07:49
garis itu kan rumus umumnya materi SMP
00:07:52
ya, y = mx + c. Nah, kita lihat di
00:07:56
persamaan garis y = mx + c itu ada dua
00:07:59
variabel kan, ada x dan juga ada
00:08:02
y. Kita bisa definisikan dua istilah di
00:08:06
sini. Yang pertama x. X itu kita sebut
00:08:08
sebagai variabel bebas atau nama lainnya
00:08:11
variabel independen. Artinya apa sih?
00:08:14
Artinya pada persamaan ini nanti x itu
00:08:16
adalah apa yang mau kita input ya. Itu
00:08:18
adalah apa yang mau kita input. Bebas,
00:08:20
terserah angkanya berapa. Nah, kemudian
00:08:22
kalau kita sudah nginput si X nanti kan
00:08:25
kita akan dapat hasil Y kan. Y itu kita
00:08:27
sebut sebagai output. Nah, si output
00:08:29
inilah yang kita sebut sebagai variabel
00:08:31
trik, variabel dependen. Kenapa
00:08:34
variabelnya trikat? Kenapa variabelnya
00:08:36
dependen? karena it depends on del nilai
00:08:38
x yang kamu input. Oke, jadi hati-hati
00:08:41
jangan sampai ketukar. Kalau kita lihat
00:08:43
keer plot yang ada di sebelah kiri ini
00:08:45
case-nya gimana nih
00:08:47
kira-kira? Yang jadi variabel bebasnya
00:08:49
tentu berdasarkan gambar itu bisa kita
00:08:52
pasang adalah yang average daily
00:08:54
temperaturnya. Kenapa? Karena target
00:08:56
kita di sini adalah kalau kita tahu suhu
00:09:00
rata-rata hariannya misalkan 92 derajat
00:09:03
Fahheit, maka nanti visitornya bakalan
00:09:05
berapa orang ya?
00:09:06
Jadi visitornya itu jadi variabel yang
00:09:08
terikat. It depends on average daily
00:09:11
temperature yang kita ajukan yang kita
00:09:13
input pada persamaan garis itu. Kayak
00:09:15
gitu
00:09:15
ya. Nah, ini untuk detailnya lagi.
00:09:19
Variabel bebas adalah variabel yang
00:09:20
diasumsikan mempengaruhi variabel
00:09:22
terikat pada analisis regresi pada
00:09:26
analisis persamaan garis terbaik.
00:09:28
Kemudian variabel terikat itu adalah
00:09:30
variabel yang dipredik, yang dijelaskan,
00:09:33
yang diprediksi atau dipengaruhi oleh si
00:09:35
variabel X, si variabel bebas dalam
00:09:39
analisis
00:09:40
regresi. Nah, ini ya. Ini berarti yang
00:09:43
bebasnya rata-rata suhu harian, yang
00:09:46
terikatnya itu adalah jumlah
00:09:48
pengunjung.
00:09:51
Oke. Nah, ini ya tadi ini Ibu buat lagi
00:09:54
di sini. X-nya rata-rata suhu udara
00:09:57
harian. y-nya itu adalah jumlah
00:09:58
pengunjung pantai. Oke. Nah, ini
00:10:01
maknanya. Jadi, nanti ketika kita sudah
00:10:03
tahu persamaan garis regresinya apa,
00:10:05
misalkan y = 15x + 25 gitu ya. Maka
00:10:10
dengan menggunakan persamaan garis y =
00:10:12
15x + 25 itu misalkan ya, misalkan itu
00:10:15
persamaan garisnya, kita akan mampu nih
00:10:17
memprediksi banyak visitors di hari itu
00:10:20
kalau suhu udara x-nya
00:10:22
diberikan dan pastinya dia akan
00:10:24
memberikan jumlahan kuadrat error yang
00:10:26
paling kecil ya. Kalau dia dibandingkan
00:10:28
dengan menggunakan persamaan garis yang
00:10:30
lain. Yang berikutnya adalah kita juga
00:10:33
bisa melihat besar partisipasi suhu
00:10:35
udara atau x dalam mempredik jumlah
00:10:38
pengunjung y dengan menggunakan
00:10:40
koefisien determinasi r^. Nah, untuk
00:10:42
formulanya ini nanti kamu bisa ingat
00:10:44
kembali di dua pertemuan sebelumnya kita
00:10:46
sudah bahas tentang koefisien korelasi.
00:10:48
Jadi, r = ssxy / √ ssx * √ ssyy. Ya,
00:10:54
nanti result-nya hasilnya dikuadratkan
00:10:56
aja. ya, it will tell you tentang ee
00:11:00
berapa persen sih partisipasinya si
00:11:02
variabel bebas terhadap variabel triket
00:11:04
dari si persamaan garis terbaik yang
00:11:06
kamu akan temukan di slide berikutnya
00:11:09
untuk
00:11:10
formulanya. Oke, kita baca dulu di sini
00:11:13
ada penjabaran informasi ya. Line of
00:11:16
bestfit adalah garis penduga terbaik
00:11:19
yang menduga si variabel dependen Y
00:11:21
ketika nilai variabel independen X-nya
00:11:24
diberikan. Dan tentu line of bestfit
00:11:28
memiliki jumlah kuadrat error yang
00:11:29
terkecil jika dibandingkan dengan semua
00:11:31
garis penduga lainnya yang mungkin
00:11:33
diklaim atau
00:11:37
dibuat. Bed ini sama aja dengan line of
00:11:40
speed ya. Jadi persamaan garis terbaik
00:11:42
itu disebut juga dengan garis
00:11:45
regresi. Persamaan garis itu kita pakai
00:11:47
Y topi ya atau Y duga sama aja. Y topi =
00:11:51
MX + C. Nah, karena Y topi adalah garis
00:11:55
pasti dia punya gradien kan, punya
00:11:57
kemiringan. Kemiringan dari si persamaan
00:11:59
garis terbaik ini itu ditunjukkan oleh
00:12:01
nilai M.
00:12:03
Nanti kalau misalkan kamu ketemu nilai
00:12:05
m-nya itu positif, artinya korelasinya
00:12:08
dari variabel x dan y itu pasti
00:12:10
korelasinya positif. Tapi kalau kamu
00:12:12
ketemunya gradiennya itu kurang dari 0,
00:12:16
berarti kan gradiennya negatif. Nih
00:12:18
artinya apa? Ketika kamu
00:12:21
memberikan pos 1 untuk nilai x, maka
00:12:25
nilai y-nya akan turun, akan negatif.
00:12:27
Jadi dia enggak saling dukung ya. Yang
00:12:29
satunya semakin besar, yang satunya
00:12:31
justru mengecil. makanya korelasinya
00:12:33
negatif ya. Sementara itu nanti nilai C
00:12:35
itu akan menunjukkan nilai dari y juga
00:12:37
ketika x-nya = 0. Atau dengan kata lain
00:12:41
ee si persamaan garis itu akan memiliki
00:12:43
titik potong sumbu y di 0, c. Jadi
00:12:47
misalkan kamu punya persamaan garis y =
00:12:50
15x + 25. Artinya apa? Gradiennya adalah
00:12:54
+15 ya. Artinya setiap kamu kasih satu
00:12:58
satuan
00:12:59
X, maka si Y-nya itu akan bergerak 25
00:13:04
satuan positif ke atas. Tapi kalau
00:13:06
misalkan dia itu ee sori 15 satuan
00:13:10
positif ke atas. Tapi kalau
00:13:13
misalkan negatif berarti dia akan turun
00:13:15
ke bawah kayak
00:13:18
gitu. Nah, ini adalah formula garis
00:13:21
regresi. Kamu bisa pause dulu videonya.
00:13:24
Jadi, tolong dicatat di sini ada tiga
00:13:26
kotak. Ini semuanya penting. Silakan
00:13:28
dicatat
00:13:32
dulu. Jadi kalau misalkan kamu mau cari
00:13:35
formula garis regresi atau formula dari
00:13:37
persamaan garis yang terbaik untuk
00:13:39
merepresentasikan suatu data variat,
00:13:42
yang kamu harus lakukan adalah kamu
00:13:44
tulis dulu rumus
00:13:46
umumnya atau y = fx + c. Kemarin kan
00:13:50
kita sudah nyari beberapa kan. Coba ini
00:13:53
Ibu keluar
00:13:55
dulu. Nah, ini kita yang kemarin nih ada
00:13:58
beberapa garis penduga. Misalkan y = 15x
00:14:02
+ 30. Berarti m-nya berapa? M-nya 15.
00:14:05
Jadi, m itu adalah gradien. Nah, gradien
00:14:09
itu adalah koefisien dari variabel x
00:14:11
yang nempel di depannya x nih. Nah,
00:14:13
kalau garis penduga berarti m-nya
00:14:14
berapa? M-nya 25. Garis penduga 3, m-nya
00:14:17
berapa? M-nya 10. Nah, kemudian kan y =
00:14:21
mx + c
00:14:26
ya. Untuk c-nya itu adalah informasi
00:14:29
titik potong pada sumbu Y. Berarti garis
00:14:31
pendug 1 titik potong sumbu Y-nya
00:14:32
berapa? 0, C atau
00:14:35
0,30. Garis pendu 2 berarti di
00:14:38
0,-5. Garis pendug 3 di 0,50 dan
00:14:41
seterusnya. Nah, PR kita adalah kita mau
00:14:43
cari nih garis penduga terbaik.
00:14:52
Kira-kira dia itu formulanya apa
00:14:56
sih? Y = mx + c. Sedemikian sehingga dia
00:15:01
bisa mengalahkan ketiga garis penduga
00:15:02
ini dan mengalahkan semua garis penduga
00:15:04
yang mengklaim dirinya yang terbaik.
00:15:06
Oke, jadi PR kita adalah kita cari, kita
00:15:09
hitung nilai M yang memenuhi dan kita
00:15:12
cari juga nilai dari C. Terus kalau kamu
00:15:16
sudah dapat, tinggal masukin aja ke
00:15:17
persamaan ini. Sesimpel itu.
00:15:21
Oke. Nah, ini formulanya pastikan kamu
00:15:24
sudah mencatat ya. Nah, sekarang kita
00:15:26
akan melakukan
00:15:28
perhitungan. Oke, jadi untuk menghitung
00:15:32
ya nilai M dan nilai C ini Ibu tutup
00:15:36
dulu.
00:15:44
Tadi kita sudah sama-sama tahu kalau
00:15:46
rumus dari menghitung m itu adalah yang
00:15:49
ini.
00:16:06
[Musik]
00:16:14
[Musik]
00:16:16
Nah, ini untuk menghitung yang M berarti
00:16:19
Berarti kita cari dulu nih fsxy sama
00:16:22
fsx-nya berapa. Kita sudah belajar di
00:16:24
koefisien korelasi. Ini adalah rumus
00:16:27
dari ssxy dan juga ssxx-nya kan. Ini Bu
00:16:31
Nita copy dulu di sini ya. Jadi nanti
00:16:33
tinggal kita ikutin aja. Kamu boleh
00:16:35
mengerjakan ini dengan menggunakan
00:16:39
kalkulator meskipun nanti ketika ulangan
00:16:41
kita enggak pakai kalkulator ya. Nah,
00:16:43
karena nanti ulangan soalnya juga
00:16:45
angka-angkanya yang
00:16:47
enggak susah-susah banget ya, yang harus
00:16:50
pakai kalkulator enggak. Oke, kita lihat
00:16:53
berarti kita di sini untuk nyari SSXY
00:16:55
sama SSX perlu apa aja nih? Perlu N.
00:16:58
Nah, kita data ya. N itu apa sih?
00:17:02
Banyaknya datum kan? Banyaknya isian
00:17:03
dari data bivariat. Ini ada berapa
00:17:05
siswa? Ada 6. Berarti n-nya 6.
00:17:09
Kemudian kita perlu jumlahan dari x,
00:17:13
jumlahan dari y, jumlahan dari xy
00:17:15
jumlahan dari x^ berarti kita bikin aja
00:17:17
di sini kita buat kita perlu
00:17:21
x² terus kita perlu apa lagi nih? kita
00:17:25
perlu
00:17:26
XY. Oke.
00:17:38
Ini kita kuadratin aja ya. 3
00:17:39
dikuadratkan berapa? 9. 3 dikuadratkan
00:17:42
9. 4 dikuadratkan 16. 1 dikuadratkan 1.
00:17:46
2 jadi 4 5 jadi 25. Oke. Kalau sudahudah
00:17:50
nanti kita lakukan penjumlahan. Kamu
00:17:52
boleh pakai kalkulator, tapi hitung
00:17:54
manual juga lebih baik. Ini diam dapat
00:17:57
64. Nah, kemudian kita perlu cari juga
00:18:00
ya jumlahan x ini diam
00:18:06
aja. Kemudian ini juga di su untuk yang
00:18:09
jumlahan Y. Kemudian untuk jumlahan yang
00:18:12
x-nya ini di
00:18:13
juga. Oh sori kita hitung dulu ya.
00:18:17
Berarti yang ini 3 * 70 210 3 * 100 itu
00:18:20
300 dan seterusnya.
00:18:28
Kalau udah kita
00:18:33
suah sekarang kita sudah dapat nih
00:18:35
info-infonya. Ini ibu tulis di sini dulu
00:18:38
ya.
00:18:52
Di sini enggak ada
00:18:54
jumlahannya. Untuk mempermudah Ibu
00:18:56
nulisnya gini aja ya. Jumlahan dari X
00:18:59
itu berapa? Terus jumlahan
00:19:02
sori jumlahan
00:19:05
dari Y. Kemudian jumlahan
00:19:09
dari ee
00:19:15
x². Kemudian ada jumlahan dari XY.
00:19:23
Oke. Nah, ini sama dengan berapa
00:19:28
ya? Kita lihat di sini jumlahan x itu
00:19:31
dia ada di 18. Jumlahan y itu ada di
00:19:34
420. itu jumlahan x^ itu ada di
00:19:38
64. Kemudian jumlahan dari xy itu ada di
00:19:42
1410. Nah, kalau udah kamu hitung untuk
00:19:45
m ee sori hitung ss xy-nya dulu ya. SS
00:19:58
XY. Oke, rumusnya apa?
00:20:02
Berarti N itu kan 6 ya, 6 itu dikalikan
00:20:07
dengan jumlahan dari XY. Jumlahan dari
00:20:09
XY itu 14 10. Oke. Kalau sudah dikurangi
00:20:13
sama jumlahan dari X kali jumlahan dari
00:20:16
Y. Jumlahan dari X tadi 18. Kemudian
00:20:19
dikalikan dengan jumlahan dari Y itu
00:20:23
420. Oke, jadi jawabannya adalah 900.
00:20:27
ini ssx ya kita kamu bisa pakai
00:20:29
kalkulator. Nah, kemudian kita nyari
00:20:31
untuk
00:20:32
SSX ya ini sama dengan kan berarti sama
00:20:36
dengan banyaknya datum itu ada 6
00:20:40
dikalikan dengan jumlahan dari x^ itu
00:20:43
adalah
00:20:45
64. Ee ini dikasih kali 64 ditambahkan
00:20:50
dengan jumlahan x dikali jumlahan x.
00:20:52
Jumlahan x itu 18. Kemudian dikalikan
00:20:55
dengan 18 lagi. Oke, di-enter dapat
00:20:59
708. Oh, ini dikurang ya. Oh, jadi
00:21:01
ditambah sih dikurang. Nah, dapat 60.
00:21:04
Oke. Nah, maka kita bisa menghitung nih
00:21:07
nilai M-nya berapa. Nilai M-nya itu
00:21:09
adalah tadi apa? SS XY / SSX.
00:21:14
Berarti itu sama dengan 900 / 60 kan di
00:21:18
antar dapat M-nya 15.
00:21:21
Oke, berarti kita tahu kalau ini nanti
00:21:24
garis penduga terbaik M-nya itu adalah
00:21:26
15. Oke, sudah beres nih buat nyari
00:21:30
M. Kita
00:21:32
bisa taruh geser dulu ke sini. Cari
00:21:35
nilai M. Sudah beres. Kita hapus.
00:21:37
Sekarang kita cari nilai C. Nah, gimana
00:21:39
cara nyari nilai
00:21:41
C? Kita lihat ke sini. Cara nyari nilai
00:21:44
C itu
00:21:46
adalah rata-rata dari Y dikurangin sama
00:21:49
rata-rata dari m dikali rata-ratanya
00:21:52
[Musik]
00:21:56
X. Oke, that's what we gonna do. Jadi
00:21:59
kita cari dulu rata-rata Y itu berapa
00:22:01
sih? Nah, kita tulis
00:22:04
rata-rata Y. Rumus rata-rata itu
00:22:08
apa? Jumlah nilai Y berapa? 7 y 420 kan
00:22:13
dibagi banyaknya data. Data kita ada 6.
00:22:17
Nah, ini sudah dapat. Next. Rata-rata
00:22:21
x. Rumus rata-rata apa? Banyaknya
00:22:26
berapa? 18 dibagi banyaknya data kamu
00:22:28
ada 6 3 kan? Oke. Jadi tinggal dimasukin
00:22:32
aja ke sini. Maka nilai
00:22:35
C itu sama dengan rata-ratanya Y.
00:22:39
Rata-rata Y berapa tadi?
00:22:43
70 itu dikurangin sama nilai m kamu tadi
00:22:46
15 itu dikaliin sama rata-ratanya si x
00:22:51
3. Oke, hasilnya
00:22:55
25. Maka kita bisa ganti nih C-nya itu
00:22:58
adalah 25. Oke, sehingga kita bisa
00:23:01
simpulkan bahwa garis terbaik untuk
00:23:05
menduga dengan jaminan bahwa jumlahan
00:23:08
kuadrat errornya adalah yang paling
00:23:09
kecil dari semua garis penduga itu
00:23:11
dipenuhi oleh persamaan garis y = 15x +
00:23:16
25. Seperti itu ya. Nah, untuk
00:23:19
membuktikannya kamu bisa pakai bantuan
00:23:21
Desmos atau bisa juga menggunakan
00:23:23
bantuan dari Microsoft Excel. Jadi
00:23:26
caranya gini, ini kamu
00:23:27
bisa blok semua data bivariat kamu.
00:23:31
Terus kamu klik insert, pilih scatter
00:23:34
plot.
00:23:36
This one skatter yang pertama aja, maka
00:23:39
dia akan kasih skatter plot kamu.
00:23:42
Nih, inilah visualisasi dari data kamu.
00:23:49
Oke, hebatnya dia bisa
00:23:53
ngebaca garis regresi atau line of best
00:23:55
fit kamu. Persamaannya apa. Caranya
00:23:58
adalah kamu klik aja salah satu dari
00:24:01
titik data ini. Terus kamu klik kanan,
00:24:04
pilih
00:24:06
trendline. Terus di sini ada display air
00:24:09
squed value on chart. Itu dia ngasih
00:24:11
tahu koefisien determinasi. Nah, ini
00:24:14
koefisien determinasinya di
00:24:15
0,5625. Kemudian display equation on
00:24:18
chart dia akan kasih line of best fit.
00:24:21
Dan ini dia jawabannya sama y = 15x + 25
00:24:26
kayak gitu ya. Oke. Jadi
00:24:30
ketika kamu kemarin sudah menghitung
00:24:33
jumlahan kuadrat error dari tiga buah
00:24:35
garis yang mengklaim dirinya paling
00:24:37
baik, ternyata ada yang lebih baik,
00:24:39
yaitu si y = 15x + 25. seperti
00:24:44
itu. Dan kalau misalkan kamu mau coba
00:24:47
untuk menghitung jumlahan kuadrat
00:24:49
errornya, kamu akan temukan bahwa untuk
00:24:53
regresi linear ini dia memberikan
00:24:55
jumlahan kuadrat error sebesar
00:24:58
1750 dan bisa dijamin tidak akan ada
00:25:01
garis penduga lain yang mampu memberikan
00:25:04
jumlahan kuadrat error kurang dari angka
00:25:07
milik si y = 15x + 25. Mungkin cukup
00:25:11
sekian untuk materi hari ini. Untuk
00:25:13
tugas akan Ibu berikan via WhatsApp.
00:25:15
Terima kasih. Selamat pagi, selamat
00:25:17
siang untuk F3, F4, dan F5.
