modul 2 statin lengkap
TRANSCRIPT
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
BAB I
PENDAHULUAN
1.1 LATAR BELAKANG
Gagasan perhitungan ditetapkan oleh Sir Francis Galton (1822-1911)
Persamaan regresi adalah Persamaan matematik yang memungkinkan peramalan
nilai suatu peubah takbebas (dependent variable) dari nilai peubah bebas
(independent variable) Diagram Pencar = Scatter Diagram. Diagram yang
menggambarkan nilai-nilai observasi peubah takbebas dan peubah bebas. Nilai
peubah bebas ditulis pada sumbu X (sumbu horizontal). Nilai peubah takbebas
ditulis pada sumbu Y (sumbu vertikal). Nilai peubah takbebas ditentukan oleh nilai
peubah bebas.
Regresi merupakan teknik statistika yang digunakan untuk mempelajari
hubungan fungsional dari satu atau beberapa peubah bebas (peubah yang
mempengaruhi) terhadap satu peubah tak bebas (peubah yang dipengaruhi).
Korelasi merupakan ukuran kekuatan hubungan dua peubah (tidak harus memiliki
hubungan sebab akibat).
Analisis regresi mempelajari bentuk hubungan antara satu atau lebih
peubah bebas (X) dengan satu peubah tak bebas (Y). dalam penelitian peubah bebas
( X) biasanya peubah yang ditentukan oelh peneliti secara bebas misalnya dosis
obat, lama penyimpanan, kadar zat pengawet, umur ternak dan sebagainya.
Disamping itu peubah bebas bisa juga berupa peubah tak bebasnya, misalnya dalam
pengukuran panjang badan dan berat badan sapi, karena panjang badan lebih mudah
diukur maka panjang badan dimasukkan kedalam peubah bebas (X), sedangkan
berat badan dimasukkan peubah tak bebas (Y). sedangkan peubah tak bebas (Y)
dalam penelitian berupa respon yang diukur akibat perlakuan/peubah bebas (X).
misalnya jumlah sel darah merah akibat pengobatan dengan dosis tertentu, jumlah
Program Studi Teknik IndustriUniversitas Diponegoro
1
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
mikroba daging setelah disimpan beberapa hari, berat ayam pada umu tertent dan
sebagainya.
Bentuk hubungan antara peubah bebas (X) dengan peubah tak bebas (Y)
bisa dalam bentuk polinom derajat satu (linear) polinom derajat dua (kuadratik).
Polinim derajat tiga (Kubik) dan seterusnya. Disamping itu bisa juga dalam bentuk
lain misalnya eksponensial,logaritma,sigmoid dan sebagainya. Bentuk-bentuk ini
dalam analisis regresi-korelasi biasanya ditransformasi supaya menjadi bentuk
polinom.
1.2 TUJUAN PRAKTIKUM
Tujuan yang hendak dicapai dalam praktikum ini adalah :
1. Mengerti dan memahami teknik pengolahan dengan menggunakan analisis
korelasi dan regresi linier
2. Mampu menginterpretasikan hasil yang diperoleh dari korelasi dan regresi linier
3. Mampu mengidentifikasikan berbagai faktor yang berpengaruh terhadap
permasalahan di dunia industri yang berkaitan dengan analisis korelasi dan
regresi linier.
1.3 PEMBATASAN MASALAH
Pada praktikum ini kami membahas masalah mengenai pengolahan data
dan analisa dari data yang merupakan hubungan antar komponen. Selain membahas
mengenai regresi dengan satu peubah kami juga melakukan pengolahan data dan
penganalisaan terhadap data yang mempunyai empat peubah bebas ( regresi
majemuk ) .
1.4 METODOLOGI PRAKTIKUM
1.4.1 PROSEDUR PRAKTIKUM
Pengumpulan data praktikum dilakukan dengan :
Program Studi Teknik IndustriUniversitas Diponegoro
2
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
1. Menentukan data suatu populasi untuk regresi sederhana dengan mengambil 1
variabel dependent dan 1 variabel independent sebanyak 60 observasi (30
model dan 30 validasi).
2. Menentukan data suatu populasi untuk regresi majemuk dengan mengambil 1
variabel dependent dan 3 variabel independent sebanyak 60 observasi (30
model dan 30 validasi).
1.4.2 FLOWCHART PRAKTIKUM
Program Studi Teknik IndustriUniversitas Diponegoro
3
Identifikasi Masalah
Pengumpulan Data
Identifikasi variabel independen dan dependen
Studi Pustaka
Pembuatan Modeel
a. Regresi Sederhana
b. Regresi Majemuk
Pengolahan Data
Pembuatan Validasi
a. Regresi Sederhana
b. Regresi Majemuk
Interpretasi dan Analisis
Kesimpulan dan Saran
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
1.5 SISTEMATIKA PRAKTIKUM
BAB I PENDAHULUAN
Berisi tentang latar belakang, tujuan praktikum, pembatasan masalah, prosedur
praktikum, flowchart praktikum, serta sistematika penulisan yang digunakan.
BAB II DASAR TEORI
Berisi tentang teori-teori yang sesuai dan berhubungan dengan praktikum yang akan
dilaksanakan seperti tentang pengertian korelasi dan regresi linier, macam- macam
regresi dan sebagainya.
BAB III PENGOLAHAN DAN ANALISIS DATA
Berisi tentang pengolahan data untuk regresi sederhana, regresi majemukdan regresi
polinom (Excel, SPSS, maupun minitab)
BAB IV PENUTUP
Berisi tentang kesimpulan yang diperoleh dari percobaan serta saran.
Program Studi Teknik IndustriUniversitas Diponegoro
4
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
BAB II
DASAR TEORI
2.1 Regresi Sederhana
Analisa regresi (Regression Analysis) adalah salah satu teknik statistika yang
digunakan untuk mengestimasi hubungan antara variabel independen dengan
variabeldependen. Beberapa jenis analisa regresi, yaitu:
Regresi sederhana (dengan satu variabel independen)
Regersi majemuk (lebih dari satu variabel independen)
Regresi Polinom
Regresi dengan dummy variabel, yaitu regresi dengan variabel independen
yang berjenis nominal
Regresi ordinal, yaitu regresi dengan variabel dependen yang berjenis
ordinal
Log regresi, yaitu regresi dengan variabel dependen yang berjenis nominal
Dalam regresi dikenal adanya dua jenis peubah, yaitu :
1. Peubah bebas (independent variable)
Adalah variabel/ peubah yang nilai-nilainya tidak bergantung pada variabel
lainnya, biasanya disimbolkan dengan X dan digunakan untuk meramalkan atau
menerangkan nilai variabel yang lain.
2. Peubah terikat (dependent variable)
Adalah variabel/ peubah yang nilai-nilainya bergantung pada variabel lainnya,
biasanya disimbolkan dengan Y dan merupakan variabel yang diramalkan atau
diterangkan nilainya.
Program Studi Teknik IndustriUniversitas Diponegoro
5
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
Sering kali dalam praktek kita berhadapan dengan persoalan yang menyangkut
sekelompok peubah bila diketahui bahwa diantara peubah tersebut terdapat suatu
hubungan alamiah. Misalnya dalam industri diketahui bahwa kadar ter hasil suatu
proses kimia berkaitan dengan temperatur masukan. Mungkin perlu dikembangkan
suatu metode peramalan, yaitu suatu cara kerja guna menaksir kadar ter untuk berbagai
taraf temperatur masukan yang didapat dari data percobaansegi statistika dari persoalan
tersebut menjadi persoalan menemukan taksiran terbaik untuk hubungan antara
sekelompok peubah itu.
Dalam regresi biasanya terdapat suatu peubah terikat yang tunggal atau disebut
respon Y, yang tidak dikontrol dalam percobaaan tersebut. Respon Y bergantung pada
satu atau lebih peubah bebas, misalnya x1,x2,…xk . Bila Y dan X masing-masing
tunggal , persoalan menjadi regresi Y atas X. bila ada k peubah bebas maka dikatakan
reresi Y atas X1, X2, Xk. Istilah regresi linear berarti bahwa rataan yIx berkaitan linear
dalam bentuk persamaan linear populasi
yIx = + x
(Walpole, Ilmu Peluang dan Statistika untuk Insinyur dan Ilmuwan, hal 404 –
405)
2.1.1 Persamaan Garis Regresi
Koefisien regresi, dan merupakan dua parameter yang akan ditaksir dari data
terok. Bila taksiran untuk kedua parameter itu masing-masing dinyatakan dengan a dan
b maka dapat ditaksir dengan ŷ dari garis bentuk regresi berdasarkan sample atau garis
kecocokan regresi.
ŷ = a + bx
dengan taksiran a dan b masing-masing menyatakan perpotongan terhadap sumbu y dan
tanjakannya.
Dimana : ŷ = prediksi nilai variabel dependen
Program Studi Teknik IndustriUniversitas Diponegoro
6
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
a = konstanta
b = bobot regresi untuk variabel independen
x = variabel dependen
Lambang y digunakan disini untuk membedakan antara taksiran atau nilai
prediksi yang diberikan oleh garis regresi sampel dan nilai y amatan percobaan yang
sesungguhnya untuk suatu nilai x.
Bila diketahui sampel {(xi,yi);1 = 1, 2, 3, …n} maka taksiran kuadrat terkecil a
dan b dari koefisien regresi dan dihitung dengan menggunakan rumus :
(Walpole, Ilmu Peluang dan Statistika Untuk Insinyur dan Ilmuwan, hal 404-405)
2.1.2 Taksiran Nilai t dan t
Untuk menguji hipotesis nol bahwa = 0 melawan tandingan yang sesuai
dengan persoalan, digunakan distribusi-t dengan derajat kebebasan n-2 untuk
mendapatkan daerah kritis. Sedangkan nilai tβ -hitung diperoleh dari rumus:
Sedangkan untuk menguji hipotesis nol = 0 bahwa melawan tandingan yang
sesuai dengan persoalan, digunakan distribusi-t dengan derajat kebebasan n-2 untuk
mendapatkan daerah kritis.
Sedangkan nilai tα -hitung diperoleh dari rumus:
Program Studi Teknik IndustriUniversitas Diponegoro
7
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
(Walpole, Ilmu Peluang dan Statistika untuk Insinyur dan Ilmuwan, hal 420 – 422
2.1.3 Sifat Penaksir Kuadrat Terkecil
Baik a maupun b mempunyai sifat-sifat sebagai berikut
Dalam hal ini taksiran tak bias untuk 2 adalah
Dimana:
JKG = Jyy - b.Jxy
(Walpole, Ilmu Peluang dan Statistika untuk Insinyur dan Ilmuwan, hal 415)
2.1.4 Inferensi mengenai koefisien regresi
1. Suatu selang kepercayaan sebesar (1-) 100% untuk parameter dalam
persamaan garis regresi yIx = + x adalah:
Program Studi Teknik IndustriUniversitas Diponegoro
8
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
(t/2 menyatakan nilai dist-t dengan v = n-2)
2. Suatu selang kepercayaan sebesar (1-) 100% untuk parameter dalam
persamaan garis regresi yIx = + x adalah:
(t/2 menyatakan nilai dist-t dengan v = n-2)
3. Suatu selang kepercayaan sebesar (1-) 100% untuk rataan respon yIx = +
x diberikan oleh ;
(t/2 menyatakan nilai dist-t dengan v = n-2)
4. Suatu selang prediksi sebesar (1-) 100% untuk respon Y0 yang tunggal
diberikan oleh ;
(t/2 menyatakan nilai dist-t dengan v = n-2)
(Walpole, Ilmu Peluang dan Statistika untuk Insinyur dan Ilmuwan )
Program Studi Teknik IndustriUniversitas Diponegoro
9
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
2.1.5 Pemilihan Model Regresi
Jika model sebenarnya mengandung lebih dari satu peubah, misalnya model
yang sebenarnya adalah:
yIx = + x1 + x2.
Dan bentuk ini tidak diketahui oleh yang melakukan percobaan maka taksiran
atas koefisien persamaan regresi yang dihasilkan akan bias. Untuk mengetahui apkah
model yang diperoleh sudah tepat maka dilakukan pendekatan melalui analisis variansi,
dengan tabel sebagai berikut:
Tabel 2. 1 Analisis Variansi dengan β=0 untuk Pemilihan Model Regresi
Sumber
Variasi
Jumlah Kuadrat Derajat
Kebebasan
Rataan Kuadrat F Hitungan
Regresi JKR 1 JKR JKR/s2
Galat JKG n-2
Total JKT n-1
Hipotesis nol ditolak, yaitu jika nilai statistik F hitungan lebih besar dari nilai kritis f(1,n-
2).
(Walpole, Ilmu Peluang dan Statistika untuk Insinyur dan Ilmuwan, hal 433)
2.1.6 Pengujian Kelinieran Regresi
Untuk pengujian kelinieran regresi dapat digunakan analisis variansi sebagai
berikut:
Program Studi Teknik IndustriUniversitas Diponegoro
10
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
Tabel 2. 2 Analisis Variansi untuk Pengujian Kelinieran Regresi
Sumber
VariasiJumlah Kuadrat
Derajat
Kebebasa
n
Rataan Kuadrat F Hitungan
Regresi JKR 1 JKR JKR/s2
Galat JKG n-2
Kekurang
cocokan
Galat
murni
Total JKT n-1
(Walpole, Ilmu Peluang dan Statistika untuk Insinyur dan Ilmuwan, hal 433)
2.2 Regresi Majemuk
Pada umumnya persoalan yang menggunakan analisis regresi memerlukan lebih
dari satu peubah bebas dalam model regresinya. Mekanisme yang mendasari persoalan
pada umumnya begitu rumit sehingga diperlukan model regresi Linier darab agar dapat
memprediksikan respon yang penting.
Model yang linier dalam koefisiennya disebut Model Regresi Linier Darab.
Dalam hal k peubah bebas x1, x2,…,xk, rataan yIx1, x2,…xk diberikan oleh model
regresi Linier darab.
yIx1, x2,….xk = 0 + 1x1 + 2x2 + ……+ kxk
Program Studi Teknik IndustriUniversitas Diponegoro
11
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
Dan taksiran respon diperoleh dari persamaan regresi sampel
Ŷ = b0 + bx1 + bx2 + ……+ bxk
Bila rataan tidak berbentuk garis lurus tapi lebih sesuai bila dinyatakan dengan
Model Regresi Polinom.
yIx1, x2,….xk = 0 + 1x1 + 2x22 + ……+ rxr
r
Dan taksiran respon diperoleh dari persamaan regresi polinom
Ŷ = b0 + b1x1 + b2x2 + ……+ brxrr
dimana: Y = Prediksi nilai variabel independen
b0 = konstanta
bn = bobot regresi untuk variabel independent
Xn = variabel independen
Sebagaimana persamaan regresi dengan satu peubah maka persamaan regresi
dengan dua peubah atau lebih juga memiliki sifat penaksir kuadrat terkecil, inferensi
mengenai koefisien regresi dan berbagai uji yang dapat digunakan untuk menguji
kecocokan model.
(Walpole, Ilmu Peluang dan Statistika untuk Insinyur dan Ilmuwan, hal 454 )
2.2.1 Model Regresi Linear Menggunakan matriks
Dalam mencocokkan model regresi linear darab, khusunya bila banyak peubah
melebihi dua pengetahuan teorimatrik dapat menyederhanakan perhitungan. Misalnya
yang melakukan percobaan mempunyai k peubah bebas, x1, x2, …,xk dan n pengamatan
y1, y2, .…yn masing-masing dapt dinyatakan dengan persamaan
Y1 =0 + 1x1i + 2x2i + …..+ kxki + I ……… (2.24)
Program Studi Teknik IndustriUniversitas Diponegoro
12
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
Model ini pada dasarnya menyatakan n persamaan yang memberikan
bagaimana nila respon diperoleh dalam proses penelitian.
Langkah-langkah pengerjaan analisis regresi linier multipel :
a. Dari data yang sudah ada hitung jumlah, jumlah kuadrat, dan jumlah hasil kali
kemudian buat dalam bentuk matriks : kemudian hasilnya diinverskan
b. Kemudian hitung hasil perkalian matrik antara X dan Y sebagai berikut :
c. Kemudian hitung koefisien beta dengan rumus sebagai berikut
Persamaan di atas belum boleh digunakan sebagai dasar kesimpulan, karena itu
perlu diuji mengenai koefisien regresinya
(OlahData.com)
Dengan menggunakan lambang matrik, persamaan kuadrat dapat ditulis sebagai
y =x + ……… (2.25)
bila ,
,
Rumus
Program Studi Teknik IndustriUniversitas Diponegoro
13
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
dengan kata lain
Ab = g atau ( X’X )b = ( X’y )
Maka, nilai taksiran koefisien regresi b, dicari dengan
b = A-1g atau b = ( X’X )-1( X’y )…….. (2.26)
Untuk peramaan regresi linear
Y = x +
Taksiran tak bias untuk 2 adalah rataan kuadrat sisa atau galat
……. (2.27)
dimana nilai JKG ditentukan dengan rumusan sebagai berikut
…….. (2.28)
Program Studi Teknik IndustriUniversitas Diponegoro
14
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
……… (2.29)
(Walpole, Ronald E,H. Myers, Ilmu Peluang dan Statistika Untuk Insinyur dan
Ilmuwan)
2.2.2 Inferensi Dalam Regresi Linear Majemuk
Suatu selang kepercayaan untuk yIx10,x20,…xk0 pada selang kepercayaan
sebesar (1-) 100% untuk rataan respon yIx10,x20,…xk0 diberikan oleh :
.... (2.30)
Suatu selang prediksi untuk Y0 selang prediksi (1-) 100% untuk respon
tunggal Y0 diberikan oleh :
..... (2.31)
2.2.3 Peubah Orthogonal
Sumbangan suatu peubah tertentu atau sekelompok peubah pada dasarnya
diperoleh dengan mengabaikan peubah lainnya dalam model. Penilaian terpisah
mengenai kegunaan suatu peubah dikerjakan dengan menggunakan teknik analisis
variansi untuk peubah orthogonal
Program Studi Teknik IndustriUniversitas Diponegoro
15
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
Tabel 2. 3 Analisa Variansi untuk Peubah Orthogonal
Sumber
VariasiJumlah kuadrat
Derajat
Kebebasan
Rataan
Kuadrat
F
Hitungan
β1 1 R(β1)
β 2 1 R(β2)
….. ….. ….. ….. …..
β k 1 R(βk)
Galat JKG n – k - 1
Total JKT = Syy n - 1
2.3 Regresi Polinom
Analisa regresi polinom adalah model regresi yang tidak berbentuk linier.
Polinom Orthogonal digunakan untuk menduga polinom ordo berapa pun di dalam satu
peubah bebas.
Model Dasar
Model dasar dari regresi polinom adalah :
Y = b0 + b1X1 + b2X2 + ….. + brXnr (n dan r = 1,2,3,….) …… (2.32)
Dimana :
Y = Prediksi nilai variable dependen
Program Studi Teknik IndustriUniversitas Diponegoro
16
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
b0 = konstanta
br = bobot regresi untuk variable independent
Xn = variable independent
Model Regresi Linier dengan Matriks
Dalam mencocokan model regresi polinom dapat disederhanakan dengan
menggunakan matriks sebagai berikut :
=
Dengan kata lain : Ab = g atau (X’X)b = (X’Y)
Maka, nilai taksiran koefisien regresi b, dicari dengan
b = A-1g atau b = (X’X)-1(X’Y) …… (2.33)
(Walpole, Ronald E,H. Myers, Ilmu Peluang dan Statistika Untuk Insinyur dan
Ilmuwan)
2.4 Korelasi
Analisis korelasi berusaha mengukur eratnya hubungan antara dua peubah dengan
menggunakan suatu bilangan yang disebut koefisien korelasi sampel r yang dapat
diperoleh dari perhitungan menggunakan rumus:
Program Studi Teknik IndustriUniversitas Diponegoro
17
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
Nilai r antara -1 dan +1 perlu ditafsirkan dengan berhati-hati. Sebagai contoh nilai
r sebesar 0,3 dan 0,6 hanya berarti bahwa kedua korelasi itu positif, yang satu lebih erat
dari yang lainnya. Namun tidak dapat diartikan bahwa r = 0,6 menunjukkan hubungan
linier yang dua kali lebih erat daripada yang diberikan oleh nilai r = 0,3.
(Walpole, Ilmu Peluang dan Statistika untuk Insinyur dan Ilmuwan, hal 445)
2.4.1 Uji Korelasi
Arti angka korelasi menurut kriteria Gulford ( 1956 ) :
1. kurang dari 0,2 : Hubungan sangat kecil dan bisa diabaikan
2. 0,2 < r < 0,4 : Hubungan yang kecil ( tidak erat )
3. 0,4 < r < 0,7 : Hubungan yag cukup erat
4. 0,7 < r < 0,9 : Hubungan yang erat ( reliabel )
5. 0,9 < r < 1 : Hubungan yang sangat erat ( sangat reliabel )
6. 1 : Hubungan sempurna
2.5 Uji Asumsi
2.5.1 Uji Autokorelasi dan Multikolinieritas
Autokorelasi
Salah satu asumsi kelayakan suatu model regresi adalah adanya kebebasan
data. Kebebasan data disini berarti data untuk satu periode tertentu tidak
dipengaruhi oleh data sebelumnya. Dalam pengumpulan data yang berdasarkan
deret waktu, perlu diuji apakah data saling berkaitan. Jika berkaitan, maka hasil
residual yang positif akan cenderung diikuti residual yang positif juga, begitu pula
sebaliknya. Hal inilah yang dikatakan autokorelasi di antara dua data.
Program Studi Teknik IndustriUniversitas Diponegoro
18
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
Multikolinieritas
Multikolinieritas adalah keadaan dimana antara variabel x saling berkorelasi
dengan yang lainnya. Jika persamaan regresi berganda terjadi multikolinieritas di
antara variabel-variabel bebasnya, maka variabel-variabel yang berkolinier tidak
memberikan informasi apa-apa terhadap variabel independent. Karena itu,
persamaan regresi yang bagus adalah persamaan yang bebas dari adanya
multikolinieritas. Untuk menguji ada tidaknya multikolinieritas adalah
berdasarkan nilai korelasi antar variabel bebas.
2.5.2 Uji Linearitas, Homossedasticity (Variasi Residu yang Konstan), Normalitas
dan Independensi
Linearitas
Suatu model sederhana harus dapat memprediksikan nilai (variabel
dependen) pada suatu garis lurus yang perubahan nilainya konstan terhadap
perubahan nilai variabel independen. Pengujian hubungan sederhana antara
variabel dependen dan independen dapat dilakukan dengan membuat plot
residu. Apabila plot residu mengikuti suatu garis lurus untuk setiap
pertambahan nilai variabel dependen atau independen, maka model dinyatakan
memenuhi asumsi sederhanaitas.
Homossedacticity
Merupakan variasi residu yang konstan terhadap perubahan nilai
variabel independen. Asumsi ini diperlukan karena diharapkan variansi nilai
variabel dijelaskan melelui model tidak terkonsentrasi pada nilai variabel
independen yang terbatas. Pengujian ni dapat dilakukan dengan membuat plot
antara residu terhadap nilai variabel independen, variasi konstan diperoleh
manakala plot ini memiliki kecenderungan untuk membentuk garis lurus.
Normalitas
Sifat kenormalan harus dimiliki variabel dependen maupun
independen. Pengujian ini dapat dilakukan dengan melakukan pemeriksaan
visual terhadap histogram residu. Metode lainnya adalah membuat normal
Program Studi Teknik IndustriUniversitas Diponegoro
19
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
probability ploy yaitu plot antara residu yang distandarisasi dengan plot
distribusi normal. Jika normal, maka seharusnya plot residu ini akan mengikuti
suatu garis lurus.
Independensi
Nilai variabel dependen yang diprediksi harus independen satu dengan
yang lainnya, tidak ada katan antara hasil suatu variabel dependen hasil
prediksi dengan prediksiberikutnya. Untuk mendeteksinya dapat dilakukan
dengan membuat plot antara residu dengan nilai variabel terurut yang
mungkin. Apabila residu bersifat independen maka plot seharusya terlihat
random.
2.6 Seleksi Variabel
2.6.1 Metode Forward (Depan)
Didasarkan pada pandangan bahwa peubah sebaiknya dimasukkan satu
persatu sampai persamaan regresi yang memuaskan ditemukan.
Langkah-langkahnya:
1. Pilihlah peubah x1 yang memberikan jumlah kuadrat regresi terbesar bila
mengerjakan regresi linear sederhana dengan y, atau dengan kata lain,
peubah yang memberikan nilai R2 terbesar.
2. Pilihlah selanjutnya peubah x2 yang bila dimasukkan ke dalam model
memberikan penambahan terbesar pada R2, yaitu tambahan pada R2 dalam
langkah (1) akibat x1. Jika ini dihasilkan oleh peubah xj, maka
R(βj │βi) = R(βi , βj) - R(βi)
terbesar. Model regresi dengan x1 dan x2 kemudian dicari dan R2 dicatat;
3. Pilihlah selanjutnya peubah x3 yang memberikan nilai
R(βj │β1, β2) = R(β1 , β2, βj) - R(β1 , β2),
Program Studi Teknik IndustriUniversitas Diponegoro
20
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
terbesar, yaitu penambahan R2 sesudah langkah (2). Sehingga diperoleh
model regresi yang mengandung x1, x2, dan x3.
Cara ini dilanjutkan sampai peubah yang masuk terakhir tidak lagi
memberikan tambahan R2 yang berarti. Penambahan itu dapat ditentukan pada tiap
langkah dengan menggunakan uji-F atau uji-t yang sesuai.
2.6.2 Metode Backward (Belakang)
Penyisihan mundur menyangkut pengertian yang sama seperti pilihan maju
kecuali bahwa di sini dimulai dari semua peubah dalam model. Misalkanlah,
sebagai contoh, terdapat lima peubah yang sedang ditangani. Langkahnya adalah
sebagai berikut:
1. Cobakanlah persamaan regresi dengan kelima peubah dalam model.
Tentukanlah peubah yang memberikan nilai jumlah kuadrat regresi terkecil
jika pengaruh peubah lainnya diperhitungkan. Misalkanlah peubah tersebut
x2. Sisihkan x2 dari model bila
tak berarti
2. Cobakan persamaan regresi dengan menggunakan peubah yang tinggal yaitu
x1, x3, x4, dan x5 kemudian ulangi langkah 1. Misalkanlah sekarang calon
peubah untuk disisihkan x5. Sekali lagi bila
tak berarti maka peubah x5 disisihkan dari model. Pada
tiap langkah s2 yang dipakai dalam uji-F ialah rataan kuadrat galat model
regresi pada langkah tersebut.
Cara ini diulang sampai pada suatu langkah peubah yang memberikan jumlah kuadrat
regresi terkecil, jika pengaruh peubah lainnya diperhitungkan, menghasilkan nilai f yang
berarti untuk suatu taraf α yang ditentukan sebelumnya.
2.6.3 Metode Stepwise
Program Studi Teknik IndustriUniversitas Diponegoro
21
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
Regresi bertahap dikerjakan dengan sedikit penyempurnaan, tetapi penting
pada metode pilihan maju. Penyempurnaan ini mengenai pengujian lebuh lanjut
pada tiap langkah untuk menjamin kesangkilan seterusnya dari peubah yang telah
dimasukkan kedalam model pada langkah sebelumnya. Ini merupakan perbaikan
atas pilihan maju, karena mungkin saja suatu peubah yang memasuki persamaan
regresi pada langkah sebelumnya ternyata tidak lagi berarti karena hubungannya
dengan peubah lain yang masuk pada tahap kemudian. Karena itu, pada tahap
pemasukan peubah baru ke dalam persamaan regresi akibat penambahn R2 yang
berarti yang ditentukan oleh uji-F, semua peubah yang telah masuk kedalam model
diperiksa dengan uji-F (atau dengan uji-t) dengan memperhatikan peubah yang baru
masuk dan disisihkan bila tidak menyajikan nilai-f yang berarti. Proses ini
diteruskan sampai tidak ada lagi peubah yang memenuhi syarat untuk masuk
ataupun disisihkan.
Prosedur regresi bertahap ini dijelaskan sebagai berikut:
1. Untuk mengamati pengaruh tiap peubah secara terpisah, empat persamaan
regresi linear sederhana dicocokkan, kemudian dihitung keempat jumlah
kuadrat regresi.
2. Tiga persamaan regresi, semuanya mengandung x1 dicocokkan pada
langkah ini. Hasil yang penting dari pasangan (x1,x2), (x1,x2), (x1,x4) adalah
R(21), R(31), dan R(41).
Sesudah x1 dan x3 dalam model, dihitung R(21, 3) dan R(41, 2) untuk
menentukan yang mana, jika ada, dari kedua peubah yang masih tersisa yang akan
masuk ke dalam model pada langkah ini.
2.7 Validasi
Validasi model regresi dapat dilakukan dengan dua cara sebagai berikut :
a. Menerapkan sampel ini ke dalam sampel berikutnya.
Program Studi Teknik IndustriUniversitas Diponegoro
22
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
Sampel lainnya di sini dapat diperoleh dari sampel baru atau sampel yang diambil
sebagai bagian dari sampel terdahulu. Cara kedua, sebelum analisis dilakukan,
sampel dibagi dua secara random. Sampel bagian pertama digunakan untuk
membangun model, yang kedua untuk menguji model (validasi).
b. Membandingkan beberapa model regresi.
Dilakukan dengan membandingkan suatu model regresi dengan model-model
regresi lainnya dengan jumlah variabel independent atau ukuran sample yang
berbeda
(Modul Praktikum Statistika Industri, hal 7)
Program Studi Teknik IndustriUniversitas Diponegoro
23
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
BAB III
PENGOLAHAN DATA DAN ANALISIS
3.1 Korelasi dan Regresi Linier Sederhana
3.1.1 Data Model
Untuk data model pada analisis korelasi dan regresi linier sederhana, digunakan
30 data yaitu harga media penyimpanan berdasarkan kapasitasnya. Sebagai variabel
dependen adalah harga dari media penyimpanan, sedangkan kapasitas sebagai variabel
independen.
Tabel 3.1 Data Model Regresi Linier Sederhana
NoKapasitas Media
Penyimpanan (gigabyte)
Harga(ribu rupiah)
1 4 125
2 1 59
3 2 64
4 4 139
5 1 94
6 2 103
7 4 164
8 8 255
9 16 510
10 8 256
11 1 83
Program Studi Teknik IndustriUniversitas Diponegoro
24
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
Lanjutan Tabel 3.1
12 1 87
13 2 89
14 2 93
15 4 132
16 4 136
17 8 286
18 8 290
19 16 500
20 16 525
21 1 91
22 2 108
23 4 155
24 8 260
25 16 522
26 2 66
27 1 62
28 2 67
29 1 55
30 2 59
Program Studi Teknik IndustriUniversitas Diponegoro
25
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
3.1.1.1 Uji Asumsi Klasik Statistik
1. Uji Linieritas
Microsoft Excel
Gambar 3.1 Scatter Diagram Output Excel Data Model Regresi Linier Sederhana
SPSS
Program Studi Teknik IndustriUniversitas Diponegoro
26
1512.5107.552.50
Kapasitas
600
500
400
300
200
100
0
Har
ga
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
Gambar 3.2 Scatter Diagram Output SPSS Data Model Regresi Linier Sederhana
Minitab
Kapasitas
Harg
a
1614121086420
500
400
300
200
100
0
Scatterplot of Harga vs Kapasitas
Gambar 3.3 Scatter Diagram Output Minitab Data Model Regresi Linier Sederhana
Analisis:
Untuk melakukan analisis regresi linier sederhana, data diharuskan memenuhi
semua asumsi klasik statistik, salah satunya yaitu linieritas. Mengetahui kelinieran data
dilakukan dengan cara membuat scatter diagram melalui Microsoft Excel, SPSS, dan
Minitab. Ketiganya menghasilkan gambar yang sama dengan titik-titik nilai yang berada
di sekitar garis linier. Semakin data berada di garis linier maka data dikatakan
memenuhi uji linieritas. Dari gambar ketiga scatter diagram di atas, dapat disimpulkan
bahwa data model untuk regresi linier sederhana ini memenuhi asumsi linieritas.
Program Studi Teknik IndustriUniversitas Diponegoro
27
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
2. Uji Normalitas
SPSS
Gambar 3.4 Normal P-P Plot Output SPSS Data Model Regresi Linier Sederhana
Tabel 3.2 Test of Normality Data Model Regresi Linier Sederhana
Tests of Normality
Kolmogorov-Smirnov(a) Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
Data_Sederhana ,109 30 ,200(*) ,966 30 ,425
* This is a lower bound of the true significance.
a Lilliefors Significance Correction
Program Studi Teknik IndustriUniversitas Diponegoro
28
1.00.80.60.40.20.0
Observed Cum Prob
1.0
0.8
0.6
0.4
0.2
0.0
Exp
ect
ed
Cu
m P
rob
Normal P-P Plot of Regression Standardized Residual
Dependent Variable: Harga
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
Minitab
Residual
Perc
ent
50403020100-10-20-30-40
99
95
90
80
70
605040
30
20
10
5
1
Normal Probability Plot of the Residuals(response is Harga)
Gambar 3.5 Normal P-P Plot Output Minitab Data Model Regresi Linier Sederhana
Analisis:
Untuk melakukan analisis regresi linier sederhana, data juga diharuskan
memenuhi asumsi klasik statistik normalitas. Mengetahui normalitas data dapat
dilakukan dengan cara membuat grafik normal melalui SPSS dan Minitab. Ketiganya
menghasilkan gambar yang sama dengan titik-titik nilai yang berada di sekitar garis
normal. Dari gambar kedua grafik normal di atas, dapat disimpulkan bahwa data model
untuk regresi linier sederhana ini memenuhi asumsi normalitas.
3. Uji Heteroskesdastisitas
Program Studi Teknik IndustriUniversitas Diponegoro
29
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
SPSS
Gambar 3.6 Scatter Plot Uji Heteroskesdastisitas Output SPSS Data Model Regresi Linier
Sederhana
Analisis:
Untuk melakukan analisis regresi linier sederhana, data juga diharuskan
memenuhi asumsi klasik statistik heteroskesdastisitas. Mengetahui data tersebut
heteroskesdastisitas atau homoskesdastisitas dapat dilakukan dengan cara membuat
scatter plot melalui SPSS. Dalam scatter plot terlihat bahwa data menyebar tidak
beraturan. Apabila data tidak beraturan dan tidak membentuk pola tertentu, maka data
tersebut merupakan data yang homoskesdastisitas. Suatu model regresi yang baik harus
Program Studi Teknik IndustriUniversitas Diponegoro
30
20-2
Regression Studentized Residual
2.5
2.0
1.5
1.0
0.5
0.0
-0.5
-1.0
Scatterplot
Dependent Variable: Harga
Reg
ress
ion
Sta
nd
ard
ized
Pre
dic
ted
Va
lue
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
memenuhi asumsi homoskesdastisitas. Dari scatter plot di atas, dapat disimpulkan
bahwa data model untuk regresi linier sederhana ini lolos uji heteroskesdastisitas.
4. Uji Autokorelasi
SPSS
Tabel 3.3 Model Summary Data Model Regresi Linier Sederhana
Model Summary(b)
Model R R Square
Adjusted R
Square
Std. Error of
the Estimate Durbin-Watson
1 ,993(a) ,985 ,985 18,691 1,547
a Predictors: (Constant), Kapasitas
b Dependent Variable: Harga
Minitab
Durbin-Watson statistic = 1,54715
Analisis:
Untuk melakukan analisis regresi linier sederhana, data juga diharuskan
memenuhi asumsi klasik statistik autokorelasi. Mengetahui apakah data memenuhi
asumsi ini atau tidak digunakan uji Durbin-Watson dengan menggunakan SPSS dan
Minitab. Nilai Durbin-Watson adalah 1,547 dan memenuhi syarat untuk lolos uji
autokorelasi. Dari hasil uji di atas, dapat disimpulkan bahwa data model untuk regresi
linier sederhana ini lolos uji autokorelasi.
Program Studi Teknik IndustriUniversitas Diponegoro
31
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
3.1.1.2 Korelasi
1. Koefisien Korelasi Pearson
- SPSS
Tabel 3.4 Correlations Data Model Regresi Linier Sederhana
Correlations
Kapasitas Harga
Kapasitas Pearson Correlation 1 ,993(**)
Sig. (2-tailed) ,000
N 30 30
Harga Pearson Correlation ,993(**) 1
Sig. (2-tailed) ,000
N 30 30
** Correlation is significant at the 0.01 level (2-tailed).
Tabel 3.5 Coefficients Data Model Regresi Linier Sederhana
Coefficients(a)
Model
Unstandardized
Coefficients
Standardize
d
Coefficients t Sig.
95% Confidence
Interval for B
Collinearity
Statistics
B
Std.
Error Beta
Lower
Bound
Upper
Bound Tolerance VIF
1 (Constant) 30,196 4,894 6,169 ,000 20,170 40,222
Kapasitas29,994 ,697 ,993 43,028 ,000 28,566 31,422 1,000
1,00
0
a Dependent Variable: Harga
Program Studi Teknik IndustriUniversitas Diponegoro
32
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
- Minitab
Pearson correlation of Kapasitas and Harga = 0,993
P-Value = 0,000
- Excel
Kapasitas Harga
Kapasitas 1
Harga 0,992992 1
Perhitungan
Ukuran hubungan linier antara dua peubah bebas x dan peubah terikat y
ditaksir dengan koefisien korelasi terok, r dengan
Program Studi Teknik IndustriUniversitas Diponegoro
33
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
Dari perhitungan manual, SPSS, minitab, dan excel, nilai r yang diperoleh sama,
yaitu r = 0,993.
Uji Hipotesis 1
1. Ho :
2. H1 :
3. Taraf keberartian
4. Daerah kritis dengan derajat kebebasan v = 28, t > 2,048 dan t < -2,048
5. Perhitungan
6. Keputusan : Tolak Ho karena t-hitung berada pada daerah kritis.
7. Kesimpulan : Terdapat hubungan linear antara nilai kapasitas dan harga.
Uji Hipotesis 2
1. Ho : 0.9
2. H1 : 0,9
3. Taraf keberartian
4. Daerah kritis : z < -1,96 dan z > 1,96
5. Perhitungan
= 7,0329
6. Kesputusan : Tolak Ho karena z-hitung berada didaerah kritis.
7. Kesimpulan : Ada petunjuk yang jelas bahwa koefisien korelasi
melebihi 0,9.
Program Studi Teknik IndustriUniversitas Diponegoro
34
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
2. Koefisien Determinasi
Tabel 3.6 Model Summary SPSS Data Model Regresi Linier Sederhana
Model Summary(b)
Model R R Square
Adjusted R
Square
Std. Error of
the Estimate Durbin-Watson
1 ,993(a) ,985 ,985 18,691 1,547
a Predictors: (Constant), Kapasitas
b Dependent Variable: Harga
Perhitungan
Nilai koefisien penentu terok r2 adalah kuadrat dari nilai koefisien korelasi r dan
diberikan dengan rumusan sebagai berikut :
r2 =
Analisis:
Analisis korelasi digunakan untuk mengukur tingkat keeratan hubungan antara
dua variabel, yaitu variabel dependen (y) dalam ini adalah harga media penyimpanan
dan variabel bebas (x) yang merupakan kapasitas media penyimpanan dengan
menggunakan suatu bilangan yang disebut koefisien korelasi. Nilai r yang didapat dari
SPSS, Minitab, Excel, dan manual mendapat nilai yang sama yaitu 0,993. Dilakukan uji
hipotesis pertama yang berhubungan dengan nilai t, dari uji tersebut didapatkan
kesimpulan bahwa terdapat hubungan linier antara variabel dependen dan variabel bebas
(independen). Sedangkan pada uji hipotesis kedua yang berhubungan dengan nilai z
didapatkan kesimpulan bahwa ada petunjuk yang jelas bahwa koefisien korelasi
melebihi 0,9. Dengan demikian, dari kedua uji hipotesis di atas dapat disimpulkan
Program Studi Teknik IndustriUniversitas Diponegoro
35
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
bahwa belum terdapat hubungan linear antara kapasitas media penyimpanan (x) dengan
harga media penyimpanan (y).
Dari perhitungan SPSS dan manual, didapatkan nilai r2 yang sama, yaitu 0,985
yang menandakan bahwa 98,5 % variansi dari nilai y (harga media penyimpanan)
disebabkan oleh hubungan linear dengan x (kapasitas media penyimpanan).
3.1.1.3 Regresi Linier Sederhana
- SPSS
Tabel 3.7 Coefficients Output SPSS Data Model Regresi Linier Sederhana
Coefficients(a)
Model
Unstandardized
Coefficients
Standardize
d
Coefficients t Sig.
95% Confidence
Interval for B
Collinearity
Statistics
B
Std.
Error Beta
Lower
Bound
Upper
Bound Tolerance VIF
1 (Constant) 30,196 4,894 6,169 ,000 20,170 40,222
Kapasitas29,994 ,697 ,993 43,028 ,000 28,566 31,422 1,000
1,00
0
a Dependent Variable: Harga
Tabel 3.8 Anova Data Model Regresi Linier Sederhana
ANOVA(b)
Model
Sum of
Squares df Mean Square F Sig.
Program Studi Teknik IndustriUniversitas Diponegoro
36
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
1 Regression 646820,02
41 646820,024 1851,431 ,000(a)
Residual 9782,143 28 349,362
Total 656602,16
729
a Predictors: (Constant), Kapasitas
b Dependent Variable: Harga
- Minitab
The regression equation is
Harga = 30,2 + 30,0 Kapasitas
Predictor Coef SE Coef T P
Constant 30,196 4,894 6,17 0,000
Kapasitas 29,9942 0,6971 43,03 0,000
S = 18,6912 R-Sq = 98,5% R-Sq(adj) = 98,5%
PRESS = 11005,4 R-Sq(pred) = 98,32%
Analysis of Variance
Source DF SS MS F P
Regression 1 646820 646820 1851,43 0,000
Residual Error 28 9782 349
Total 29 656602
- Microsoft Excel
SUMMARY OUTPUT
Program Studi Teknik IndustriUniversitas Diponegoro
37
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
Regression Statistics
Multiple R 0,992992
R Square 0,986032
Adjusted R
Square 0,985515
Standard
Error 18,38439
Observations 29
ANOVA
Df SS MS F
Significance
F
Regression 1 644213,1 644213,1 1906,035 1,39E-26
Residual 27 9125,621 337,986
Total 28 653338,7
Coefficients
Standard
Error t Stat P-value Lower 95%
Upper
95%
Lower
95,0%
Upper
95,0%
Intercept 31,25387 4,873624 6,41286 7,18E-07 21,25402 41,25372 21,25402 41,25372
X Variable 1 29,95672 0,686165 43,65816 1,39E-26 28,54883 31,36462 28,54883 31,36462
1. Slop
Nilai b yang ditaksir dari rumus adalah:
Program Studi Teknik IndustriUniversitas Diponegoro
38
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
Dari perhitungan manual dan output SPSS pada tabel Coefficients didapat nilai slop
yang sama yaitu 29,994.
2. Intersep
Nilai a yang ditaksir dari rumus:
Dari perhitungan manual dan output SPSS pada tabel Coefficients didapat nilai intersep
yang sama, yaitu 30,196.
3. Persamaan Garis Regresi
Persamaan garis regresinya yaitu
a = 30,196
b = 29,994
Model:
Dari persamaan tersebut dapat dikatakan bahwa :
Program Studi Teknik IndustriUniversitas Diponegoro
39
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
Nilai konstanta a adalah 30,196 hal ini berarti bahwa nilai dari harga media
penyimpanan tidak hanya dipengaruhi besarnya kapasitas media penyimpanan tersebut
tetapi juga terdapat nilai konstan.
Koefisien regresi x sebesar 29,994 menyatakan bahwa setiap penambahan harga
media penyimpanan, maka nilai kapasitas media penyimpanan juga akan mengalami
penambahan nilai sebesar 29,994.
4. Pengujian Garis Regresi
Penilaian baik tidaknya taksiran garis regresi dilakukan melalui pendekatan
analisis variansi. Ini suatu cara kerja yang membagi keseluruhan jumlah variansi peubah
tak bebas atas komponen yang jelas tafsirannya kemudian diamati dan diolah secara
sistematik. Kesalahan dalam taksiran garis regresi dapat terjadi karena dua faktor yaitu:
a. Galat yang diakibatkan oleh faktor random
b. Pemilihan model atau kesalahan regresi
Persamaan garis regresinya adalah:
Pengujian Hipotesa Kecocokkan Model
1. Ho: Tidak ada hubungan linier antara x dan y ( =0)
2. H1: Ada hubungan linier antara x dan y ( 0)
3. Taraf keberartian
4. Daerah kritis f < -f(/2;1,n-2) dan f > f(/2;1,n-2) dari tabel L.6 didapat f < -4,2 dan f >
4,2 dengan n = 30 dan derajat kebebasan v1 = 1 dan v2 = n-2 = 28
5. Perhitungan : Didapat dari pengolahan data SPSS Tabel Anova sebagai berikut:
Tabel 3.9 Anova Dari Output SPSS Data Model Regresi Linier Sederhana
Sumber variasiJumlah
Kuadrat
Derajat
kebebasanRataan Kuadrat F Hitung
Regresi 646820 1 646820,024 1851,431
Program Studi Teknik IndustriUniversitas Diponegoro
40
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
Galat 9782,143 28 349,362
Total 656602,2 29
6. Keputusan : Tolak H0, karena nilai F hitung = 1851,431 berada di dalam
daerah kritis.
7. Kesimpulan : Ada hubungan linier antara kapasitas media penyimpanan
dengan harga.
Analisis :
Pemilihan model regresi dapat dilakukan dengan menggunakan uji f. Uji f
merupakan suatu pengujian yang digunakan untuk mengetahui apakah variabel
independen (kapasitas media penyimpanan) yang dimasukkan dalam model mempunyai
pengaruh terhadap variabel dependen (harga media penyimpanan). Hasil perhitungan
menunjukkan bahwa H0 ditolak karena nilai f-hitung berada di dalam daerah kritis
sehingga besarnya kapasitas banyak berpengaruh terhadap harga media penyimpanan
tersebut. Dengan demikian, dapat disimpulkan bahwa model regresi sudah dapat dipakai
untuk memprediksi variable dependen.
3.1.1.4 Kesalahan Baku
1. Taksiran Kesalahan Baku dari Regresi Linier Sederhana
Program Studi Teknik IndustriUniversitas Diponegoro
41
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
2. Taksiran Kesalahan Baku dari Parameter Regresi Linier
Sederhana
= 23,954
= 0,486
3.1.15 Selang Kepercayaan
Taksiran tak bias untuk S2 adalah
Dari perhitungan manual, nilai S2 yang diperoleh adalah 349,520 sedangkan data
output SPSS pada tabel Anova diperoleh nilai S2 = 349,362 dan output minitab nilai
S2=349. Perbedaan nilai pada perhitungan manual dan SPSS sedikit berbeda, hal ini
dikarenakan perbedaan tingkat ketelitian yang digunakan antara SPSS, minitab, dan
manual.
1. Selang Kepercayaan Slop
Suatu selang kepercayaan sebesar (1-0,05).100% atau 95% untuk parameter
dalam persamaan regresi Y X = + x diberikan sebagai
Program Studi Teknik IndustriUniversitas Diponegoro
42
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
dimana dalam rumus ini t(/2,n-2) menyatakan nilai distribusi-t dengan derajat
kebebasan adalah n-2.
Dari hasil pengolahan data secara manual dan output SPSS pada Tabel
Coefficients diperoleh hasil yang sama yaitu
28,566 < < 31,422
2. Selang Kepercayaan Intersep
Suatu selang kepercayaan sebesar (1-0,05).100% atau 95% untuk parameter
dalam persamaan regresi Y X = + x diberikan sebagai
dimana dalam rumus ini t(/2,n-2) menyatakan nilai distribusi-t dengan derajat
kebebasan adalah n-2.
Dari hasil pengolahan data secara manual dan output SPSS pada Tabel
Coefficients diperoleh hasil yang sama yaitu
20,170 < < 40,222
3.1.1.6 Uji Hipotesis
Program Studi Teknik IndustriUniversitas Diponegoro
43
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
1. Uji Hipotesis Slop
1. H0 : = 0
2. H1 : 0
3. Pilih taraf keberartian 0,05
4. Daerah kritis : t(0,025;28) > 2,048 dan t(0,025;28) < -2,048
untuk derajat kebebasan v = 28
5. Nilai t-hitung
Untuk menguji hipotesis nol bahwa = 0 melawan tandingan yang
sesuai dengan persoalan, digunakan distribusi-t dengan derajat kebebasan n-2
untuk mendapatkan daerah kritis.
Sedangkan nilai t-hitung diperoleh dari rumus
6. Keputusan : Tolak H0 karena nilai t-hitung berada diluar daerah kritis.
7. Kesimpulan : Parameter 0
2. Uji Hipotesis Intersep
1. H0 : = 0
2. H1 : 0
3. Pilih taraf keberartian 0,05
4. Daerah kritis : t(0,025;28) > 2,048 dan t(0,025;28) < -2,048 (Lihat tabel L-4)
untuk derajat kebebasan v = n – 2 = 30 – 2 = 28
5. Nilai t-hitung
Untuk menguji hipotesis nol bahwa = 0 melawan tandingan yang
sesuai dengan persoalan, digunakan distribusi-t dengan derajat kebebasan n-2
untuk mendapatkan daerah kritis.
Sedangkan nilai t-hitung diperoleh dari rumus
Program Studi Teknik IndustriUniversitas Diponegoro
44
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
6. Keputusan : Tolak Ho karena t-hitung berada di luar daerah kritis
7. Kesimpulan : parameter 0
3.1.2 Data Validasi
Untuk data validasi pada analisis korelasi dan regresi linier sederhana,
digunakan 30 data lainnya dalam data yang sama, yaitu harga media penyimpanan
berdasarkan kapasitasnya. Sebagai variabel dependen adalah harga dari media
penyimpanan, sedangkan kapasitas sebagai variabel independen.
Tabel 3.10 Data Validasi Regresi Linier Sederhana
NoKapasitas Media
Penyimpanan (gigabyte)
Harga (ribu
rupiah)1 2 1472 2 573 4 894 1 675 2 696 4 977 8 1628 1 679 2 7410 1 72
Program Studi Teknik IndustriUniversitas Diponegoro
45
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
11 2 7612 1 6413 2 7014 2 11415 1 7816 2 9617 4 16518 1 6619 2 7520 4 10021 8 19222 1 8923 2 11724 1 6125 2 6626 1 4827 1 5028 2 5029 2 5230 4 82
3.1.2.1 Korelasi
- SPSS
Tabel 3.11 Correlations Data Validasi Regresi Linier Sederhana
Correlations
Kapasitas Harga
Kapasitas Pearson Correlation 1 ,762(**)
Sig. (2-tailed) ,000
N 30 30
Harga Pearson Correlation ,762(**) 1
Sig. (2-tailed) ,000
N 30 30
** Correlation is significant at the 0.01 level (2-tailed).
Program Studi Teknik IndustriUniversitas Diponegoro
46
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
- Minitab
Correlations: Kapasitas; Harga
Pearson correlation of Kapasitas and Harga = 0,762
P-Value = 0,000
- Microsoft Excel
Kapasitas Harga
Kapasitas 1
Harga 0,762083 1
Analisis:
Analisis korelasi juga dilakukan pada 30 data lainnya untuk melakukan validasi.
Nilai r yang didapat dari SPSS, Minitab, dan Excel mendapat nilai yang sama yaitu
0,762.
3.1.2.2 Regresi Linier Sederhana
- SPSS
Tabel 3.12 Model Summary Data Validasi Regresi Linier Sederhana
Model Summary(b)
Program Studi Teknik IndustriUniversitas Diponegoro
47
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
Model R R Square
Adjusted R
Square
Std. Error of
the Estimate Durbin-Watson
1 ,762(a) ,581 ,566 24,155 1,186
a Predictors: (Constant), Kapasitas
b Dependent Variable: Harga
Tabel 3.13 Anova Data Validasi Regresi Linier Sederhana
ANOVA(b)
Model
Sum of
Squares df Mean Square F Sig.
1 Regression 22632,533 1 22632,533 38,789 ,000(a)
Residual 16337,333 28 583,476
Total 38969,867 29
a Predictors: (Constant), Kapasitas
b Dependent Variable: Harga
Tabel 3.14 Coefficients Data Validasi Regresi Linier Sederhana
Coefficients(a)
Model
Unstandardized
Coefficients
Standardized
Coefficients
t Sig.B Std. Error Beta
1 (Constant) 50,444 7,350 6,863 ,000
Kapasitas 15,259 2,450 ,762 6,228 ,000
a Dependent Variable: Harga
- Minitab
Program Studi Teknik IndustriUniversitas Diponegoro
48
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
Regression Analysis: Harga versus Kapasitas
The regression equation is
Harga = 50,4 + 15,3 Kapasitas
Predictor Coef SE Coef T P
Constant 50,444 7,350 6,86 0,000
Kapasitas 15,259 2,450 6,23 0,000
S = 24,1553 R-Sq = 58,1% R-Sq(adj) = 56,6%
PRESS = 18516,4 R-Sq(pred) = 52,49%
Analysis of Variance
Source DF SS MS F P
Regression 1 22633 22633 38,79 0,000
Residual Error 28 16337 583
Total 29 38970
Unusual Observations
Obs Kapasitas Harga Fit SE Fit Residual St Resid
1 2,00 147,00 80,96 4,52 66,04 2,78R
7 8,00 162,00 172,52 14,41 -10,52 -0,54 X
17 4,00 165,00 111,48 5,90 53,52 2,28R
21 8,00 192,00 172,52 14,41 19,48 1,00 X
R denotes an observation with a large standardized residual.
X denotes an observation whose X value gives it large influence.
- Microsoft Excel
SUMMARY OUTPUT
Program Studi Teknik IndustriUniversitas Diponegoro
49
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
Regression Statistics
Multiple R 0,762083
R Square 0,58077
Adjusted R
Square 0,565798
Standard
Error 24,15525
Observations 30
ANOVA
Df SS MS F
Significance
F
Regression 1 22632,53 22632,53 38,78913 9,93E-07
Residual 28 16337,33 583,4762
Total 29 38969,87
Coefficients
Standard
Error t Stat P-value Lower 95%
Upper
95%
Lower
95,0%
Upper
95,0%
Intercept 50,44444 7,350209 6,862995 1,86E-07 35,38822 65,50066 35,38822 65,50066
X Variable 1 15,25926 2,45007 6,228092 9,93E-07 10,24052 20,278 10,24052 20,278
Analisis :
Dari output SPSS, minitab, dan microsoft excel didapatkan persamaan garis regresi
pada data validasi yang sama, yaitu y = 50,4 + 15,3 x. Persamaan ini memiliki nilai
intersep dan slop yang berbeda cukup jauh dengan persamaan garis regresi pada data
model.
3.1.2.3 Kesalahan Baku
Program Studi Teknik IndustriUniversitas Diponegoro
50
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
1. Taksiran Kesalahan Baku dari Regresi Linier Sederhana
2. Taksiran Kesalahan Baku dari Parameter Regresi Linier
Sederhana
= 54,312
= 6,035
Program Studi Teknik IndustriUniversitas Diponegoro
51
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
3.1.3 Validasi
Tabel 3.15 Uji Validasi Regresi Linier Sederhana
Model Validasi
Persamaan Garis Regresi Y =30,196+29,994x Y =50,444+15,259x
4,894 7,350
0,697 2,450
R 0,993 0,762
R 18,691 24,155
R2 0,985 0,581
Uji Koefisien
1. Ho : kedua model valid (12 = 2
2 )
2. H1 : kedua model tidak valid (12 2
2 )
3. Taraf keberartian = 0,1
4. Daerah kritis : dimana v1 = n1 – 1 dan v2 = n2 + 1, v1 = 29 dan v2 = 31
f0,05(29,31) = 1,858
f0,95(29,31) = = 0,538
Jadi, hipotesis nol ditolak jika f < 0,538 dan f > 1,858 untuk f = , dengan
derajat kebebasan v1 = 29 dan v2 = 31
5. Perhitungan :12 = 23,951 dan 2
2 = 54,0225
Program Studi Teknik IndustriUniversitas Diponegoro
52
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
Maka nilai f = = = 0,443
6. Keputusan : Tolak H0 karena nilai f-hitung berada di daerah kritis dan
simpulkan bahwa kedua model tidak valid.
7. Kesimpulan : kedua model tidak valid (12 2
2 )
Uji Koefisien
1. Ho : kedua model valid (12 = 2
2 )
2. H1 : kedua model tidak valid (12 2
2 )
3. Taraf keberartian = 0,1
4. Daerah kritis : dimana v1 = n1 – 1 dan v2 = n2 + 1, v1 = 29 dan v2 = 31
f0,05(29,31) = 1,858
f0,95(29,31) = = 0,538
Jadi, hipotesis nol ditolak jika f < 0,54 dan f > 1,84 untuk f = , dengan
derajat kebebasan v1 = 29 dan v2 = 31
5. Perhitungan :12 = 0,486 dan 2
2 = 6,0025
Maka nilai f = = = 0,081
6. Keputusan : Tolak H0 karena nilai f-hitung berada di daerah kritis dan
simpulkan bahwa kedua model tidak valid.
7. Kesimpulan : kedua model tidak valid (12 2
2 )
Uji Koefisien R
1. Ho : kedua model valid (12 = 2
2 )
2. H1 : kedua model tidak valid (12 2
2 )
3. Taraf keberartian = 0,1
4. Daerah kritis : dimana v1 = n1 – 1 dan v2 = n2 + 1, v1 = 29 dan v2 = 31
Program Studi Teknik IndustriUniversitas Diponegoro
53
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
f0,05(29,31) = 1.858
f0,95(29,31) = = 0,538
Jadi, hipotesis nol ditolak jika f < 0,54 dan f > 1,84 untuk f = , dengan
derajat kebebasan v1 = 29 dan v2 = 31
5. Perhitungan :12 = 349,353 dan 2
2 = 583,464
Maka nilai f = = =0,598
6. Keputusan: Terima Ho karena nilai f hitung berada diluar daerah kritis
sehingga kedua data tersebut valid.
7. Kesimpulan : Kedua model valid (12 = 2
2 )
Analisis :
Uji Koefisien
Dengan menggunakan uji hipotesis bahwa Ho : kedua model valid (12 = 2
2 )
sedangkan H1 : kedua model tidak valid (12 2
2 ). Daerah kritis terjadi bila
f < 0,538 atau f > 1,858. Hasil perhitungan menunjukkan bahwa Ho diterima
dengan nilai f (perbandingan antara dengan ) sebesar 0,443 berada di
daerah kritis. Sehingga variansi model tidak sama dengan variansi
validasi, dan konstanta model tersebut adalah tidak valid.
Uji Koefisien
Dengan menggunakan uji hipotesis bahwa Ho : kedua model valid (12 =
22 ) sedangkan H1 : kedua model tidak valid (1
2 22 ). Daerah kritis
terjadi bila f < 0,54 atau f > 1,84. Hasil perhitungan menunjukkan bahwa Ho
diterima dengan nilai f (perbandingan antara dengan ) sebesar 0,081
berada di daerah kritisnya. Sehingga variansi model tidak sama dengan
variansi validasi, dan konstanta model tersebut adalah tidak valid.
Uji Koefisien R
Program Studi Teknik IndustriUniversitas Diponegoro
54
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
Dengan menggunakan uji hipotesis bahwa Ho : kedua model valid (12 =
22 ) sedangkan H1 : kedua model tidak valid (1
2 22 ). Daerah kritis
terjadi bila f < 0,54 atau f > 1,84. Hasil perhitungan menunjukkan bahwa Ho
diterima dengan nilai f (perbandingan antara dengan ) sebesar 0,598
berada di luar daerah kritisnya. Sehingga variansi R model sama dengan
variansi R validasi, dan konstanta R model tersebut valid.
3.1.4 Prediksi (Ramalan)
Tabel 3.16 Descriptive Statistics Data Regresi Linier Sederhana
Descriptive Statistics
N Minimum Maximum Mean Std. Deviation
Kapasitas 30 1 16 5,03 4,979
Harga 30 55 525 181,17 150,471
Valid N (listwise) 30
3.1.4.1 Selang Prediksi Rata-Rata
Suatu selang kepercayaan (1–).100% atau 95% untuk rataan respon YX0
diberikan dengan rumus
dimana nilai t(/2,n-2) adalah nilai distribusi-t dengan derajat kebebasan n-2.
Bila X0 adalah data variabel x pertama yaitu x0 = 4 ; (tabel descriptive
statistic); n = 30; Se = 18,697 maka nilai sebagai berikut:
= 150,172
Dengan menggunakan tabel L4 diperoleh t0,025 = 2,048 untuk derajat kebebasan
v = 30 – 2 = 28
Dan = (4-5,03)2 = 1,06
Program Studi Teknik IndustriUniversitas Diponegoro
55
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
Jxx = 718,97
Jadi selang kepercayaan 95% untuk Y X0 adalah :
dan bila disederhanakan menjadi
3.1.4.2 Selang Prediksi Tunggal
Suatu selang prediksi (1-).100% atau 95% untuk respon y0 yang tunggal
diberikan dengan rumus sebagai berikut
dimana nilai t(/2,n-2) adalah nilai distribusi-t dengan derajat kebebasan n-2.
Bila X0 adalah data variabel x pertama yaitu x0 = 4 ; (tabel descriptive
statistic); n = 30; s = 18,697 (dari tabel model summary); maka nilai sebagai berikut:
= 150,172
Dengan menggunakan tabel L.4 diperoleh t0,025 = 2,048 untuk derajat kebebasan v = 30
– 2 = 28.
Jadi, selang prediksi 95% untuk y0 adalah
dan bila disederhanakan menjadi
3.2 Regresi Linear Majemuk
3.2.1 Data Model
Program Studi Teknik IndustriUniversitas Diponegoro
56
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
Tabel 3.17 Data Model Korelasi dan Regresi Linear Majemuk
No Sistole Umur BB IMT diastole1 150 28 55 20,7 1002 120 29 55 20,2 803 130 27 55 19,49 904 120 26 55 20,45 705 130 26 59 22,48 906 130 28 49 18,22 907 140 29 61 20,15 908 120 27 64 24,69 809 110 25 56 20,82 7010 120 25 49 19,88 8011 140 26 51 20,43 9012 120 25 60 22,04 8013 120 28 59 20,9 8014 110 26 55 19,49 8015 100 25 45 17,8 70
Lanjutan Tabel 3.17
16 120 26 55 20,25 8017 120 25 55 18,59 8018 100 27 55 19,96 7019 130 28 50 18,59 9020 150 26 53 21,5 10021 120 25 51 19,67 8022 140 25 53 19,23 9023 110 25 54 19,83 7024 120 26 55 23,19 8025 120 25 45 18,03 9026 130 25 45 17,36 10027 110 25 54 19,83 7028 120 25 48 19,23 8029 140 25 54 19,36 10030 130 26 51 18,73 90
3.2.1.1 Uji Asumsi
1. Uji Multikolinearitas
SPSS
Program Studi Teknik IndustriUniversitas Diponegoro
57
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
Tabel 3.18 Collinearity Statistics Data Model Regresi Linear Majemuk
Model
Collinearity Statistics
Tolerance VIF
1 Umur ,756 1,322
BB ,325 3,074
IMT ,380 2,630
Diastole ,894 1,118
a Dependent Variable: Sistole
Tabel 3.19 Coefficient Correlations Data Model Regresi Linear Majemuk
Coefficient Correlations(a)
Model Diastole IMT Umur BB
1 Correlations Diastole 1,000 -,039 -,289 ,192
IMT -,039 1,000 ,208 -,772
Umur -,289 ,208 1,000 -,420
BB ,192 -,772 -,420 1,000
Covariances Diastole ,014 -,005 -,032 ,009
IMT -,005 1,165 ,210 -,337
Umur -,032 ,210 ,877 -,159
BB ,009 -,337 -,159 ,164
a Dependent Variable: Sistole
Tabel 3.20 Collinearity Diagnostics Data Model Regresi Linear Majemuk
Collinearity Diagnostics(a)
Mode
l
Dimensio
n
Eigenvalu
e
Condition
Index
Variance Proportions
(Constan Umur BB IMT Diastole
Program Studi Teknik IndustriUniversitas Diponegoro
58
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
t)
1 1 4,980 1,000 ,00 ,00 ,00 ,00 ,00
2 ,014 18,769 ,00 ,00 ,03 ,02 ,53
3 ,004 37,535 ,13 ,17 ,06 ,12 ,44
4 ,002 52,715 ,23 ,14 ,45 ,37 ,02
5 ,001 75,548 ,64 ,69 ,46 ,48 ,01
a Dependent Variable: Sistole
Tabel 3.21 Residuals Statistics Data Model Regresi Linear Majemuk
Residuals Statistics(a)
Minimum Maximum Mean Std. Deviation N
Predicted Value 102,8926 145,1769 124,0000 11,59662 30
Std. Predicted Value -1,820 1,826 ,000 1,000 30
Standard Error of
Predicted Value1,166 3,271 2,273 ,557 30
Adjusted Predicted Value 103,8971 144,0907 124,1329 11,60343 30
Residual -9,58860 11,71546 ,00000 5,31762 30
Std. Residual -1,674 2,046 ,000 ,928 30
Stud. Residual -1,742 2,161 -,010 1,014 30
Deleted Residual -11,41187 13,07419 -,13289 6,37161 30
Stud. Deleted Residual -1,821 2,348 -,008 1,050 30
Mahal. Distance ,236 8,493 3,867 2,283 30
Cook's Distance ,000 ,194 ,041 ,053 30
Centered Leverage Value ,008 ,293 ,133 ,079 30
a Dependent Variable: Sistole
Program Studi Teknik IndustriUniversitas Diponegoro
59
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
Analisa :
Ho= tidak terjadi multikolinearitas
H1 = terjadi multikolinearitas
Daerah kritis: VIF < 5
Keputusan: VIF < 5, terima Ho
Kesimpulan: data tidak terjadi gejala multikolinearitas
Minitab
Predictor Coef SE Coef T P VIF
Constant -16,46 24,70 -0,67 0,511
C2 0,3190 0,9363 0,34 0,736 1,3
C3 0,3090 0,4047 0,76 0,452 3,1
C4 0,748 1,079 0,69 0,494 2,6
C5 1,2022 0,1166 10,31 0,000 1,1
S = 5,72725 R-Sq = 82,6% R-Sq(adj) = 79,8%
PRESS = 1177,86 R-Sq(pred) = 75,05%
Analisa :
Ho= tidak terjadi multikolinearitas
H1 = terjadi multikolinearitas
Daerah kritis: VIF > 10
Keputusan: VIF < 10, terima Ho
Kesimpulan: data tidak terjadi gejala multikolinearitas
2. Uji Normalitas
SPSS
Kolmogrov Smirnov
Ho : Data berdistribusi normal
H1 : Data tidak berdistribusi normal
Program Studi Teknik IndustriUniversitas Diponegoro
60
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
Daerah kritis: apabila plot mendekati garis maka distribusi normal
Gambar 3.7 Normal Plot Data SPSS Model Regresi Linear Majemuk
Keputusan : Terima Ho
Kesimpulan : Data berdistribusi normal
Program Studi Teknik IndustriUniversitas Diponegoro
61
1.00.80.60.40.20.0
Observed Cum Prob
1.0
0.8
0.6
0.4
0.2
0.0
Exp
ect
ed
Cu
m P
rob
Normal P-P Plot of Regression Standardized Residual
Dependent Variable: VAR00001
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
Minitab
Kolmogrov Smirnov
Ho : Data berdistribusi normal
H1 : Data tidak berdistribusi normal
Daerah kritis: KS < 2,42
Gambar 3.8 Normal Plot Data Minitab Model Regresi Linear Majemuk
Keputusan : Terima Ho karena KS > 2,42
Kesimpulan : Data berdistribusi normal
3. Uji Heteroskesdastisitas
SPSS
Program Studi Teknik IndustriUniversitas Diponegoro
62
Residual
Perc
ent
1050-5-10-15
99
95
90
80
70
60
50
40
30
20
10
5
1
Normal Probability Plot of the Residuals(response is C1)
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
Gambar 3.9 Scatter Plot Data Model Regresi Linear Majemuk
Kesimpulan:
Dari gambar tersebut terlihat bahwa penyebaran residual tidak teratur. Hal
tersebut dapat dilihat pada plot yang terpencar dan tidak membentuk pola
tertentu. Dengan hasil demikian, tidak terjadi gejala heteroskedastisitas atau
persamaan regresi memenuhi asumsi homoskedastisitas.
Program Studi Teknik IndustriUniversitas Diponegoro
63
20-2
Regression Standardized Predicted Value
2
1
0
-1
-2
Reg
ress
ion
Stu
den
tize
d R
esid
ual
Scatterplot
Dependent Variable: Sistole
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
4. Uji Autokorelasi
SPSS
Ho : Model regresi tidak terjadi autokorelasi
H1 : Model regresi terjadi auto korelasi
α = 0.05
Daerah kritis, 1.14>DW>2.86
Model Durbin-Watson
1 1,924(a)
Keputusan : Ho diterima, berdasarkan hasil pengolahan data
SPSS diperoleh nilai DW 1,924>1.14 dan
1,924<2.86
Kesimpulan : Model regresi tidak terjadi autokorelasi
Minitab
Ho : Model regresi tidak terjadi autokorelasi
H1 : Model regresi terjadi auto korelasi
α = 0.05
Daerah kritis, 1.14>DW>2.86
Durbin-Watson statistic = 1,92399
Keputusan : Ho diterima, berdasarkan hasil pengolahan
data Minitab diperoleh nilai DW 1,924>1.14
dan 1,924<2.86
Kesimpulan : Model regresi tidak terjadi autokorelasi
Program Studi Teknik IndustriUniversitas Diponegoro
64
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
3.2.1.2 Korelasi
1. Perhitungan Koefisien Korelasi
Minitab
The regression equation is
sistole = - 16,5 + 0,319 umur + 0,309 BB + 0,75 IMT + 1,20
diastole
Predictor Coef SE Coef T P VIF
Constant -16,46 24,70 -0,67 0,511
umur 0,3190 0,9363 0,34 0,736 1,3
BB 0,3090 0,4047 0,76 0,452 3,1
IMT 0,748 1,079 0,69 0,494 2,6
diastole 1,2022 0,1166 10,31 0,000 1,1
SPSS
Tabel 3.22 Correlations Data Model Regresi Linear Majemuk
Correlations
BB IMT Diastole Sistole Umur
BB Pearson Correlation 1 ,776(**) -,154 ,056 ,372(*)
Sig. (2-tailed) ,000 ,416 ,768 ,043
N 30 30 30 30 30
IMT Pearson Correlation ,776(**) 1 -,134 ,064 ,168
Sig. (2-tailed) ,000 ,481 ,736 ,375
N 30 30 30 30 30
Diastole Pearson Correlation -,154 -,134 1 ,886(**) ,206
Sig. (2-tailed) ,416 ,481 ,000 ,274
N 30 30 30 30 30
Sistole Pearson Correlation ,056 ,064 ,886(**) 1 ,277
Sig. (2-tailed) ,768 ,736 ,000 ,138
N 30 30 30 30 30
Umur Pearson Correlation ,372(*) ,168 ,206 ,277 1
Sig. (2-tailed) ,043 ,375 ,274 ,138
N 30 30 30 30 30
** Correlation is significant at the 0.01 level (2-tailed).
Program Studi Teknik IndustriUniversitas Diponegoro
65
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
* Correlation is significant at the 0.05 level (2-tailed).
Perhitungan :
1. Koefisien Korelasi Pearson X1.Y
2. Koefisien Korelasi Pearson X2.Y
3. Koefisien Korelasi Pearson X3.Y
4. Koefisien Korelasi Pearson X4.Y
5. Koefisien Korelasi Pearson X1. X2
6. Koefisien Korelasi Pearson X1. X3
Program Studi Teknik IndustriUniversitas Diponegoro
66
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
7. Koefisien Korelasi Pearson X1. X4
8. Koefisien Korelasi Pearson X2. X3
9. Koefisien Korelasi Pearson X2. X4
10. Koefisien Korelasi Pearson X3. X4
a. Uji Hipotesis
1. JKG = JKT – JKR
=
Program Studi Teknik IndustriUniversitas Diponegoro
67
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
s2 =
=
= 16,348
Uji Hipotesis 1
Ho : ρ = 0
H1 : ρ ≠ 0
Taraf keberartian α =0.05
Daerah kritis t > 2,048 dan t < -2.048
Perhitungan :
= -0,025
Kesimpulan : Terima Ho dan nilai tidak berada pada daerah kritis,
ρ = 0
Uji Hipotesis 2
Ho : ρ = 0.9
Program Studi Teknik IndustriUniversitas Diponegoro
68
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
H1 : ρ < 0.9
Taraf keberartian α =0.05
Daerah kritis t < -2.048 dan t > 2.048
Perhitungan :
= 5,177
Kesimpulan : tolak Ho dan nilai berada pada daerah kritis, ρ < 0.9
2. Koefisien Determinasi
SPSS
Tabel 3.23Model Summary Data Model Regresi Linear Majemuk
Model Summary(b)
Model R R Square
Adjusted R
Square
Std. Error of
the Estimate
1 ,909(a) ,826 ,798 5,72725
a Predictors: (Constant), Diastole, IMT, Umur, BB
b Dependent Variable: Sistole
Minitab
sistole = - 16,5 + 0,319 umur + 0,309 BB + 0,75 IMT + 1,20
diastole
Predictor Coef SE Coef T P VIF
Constant -16,46 24,70 -0,67 0,511
umur 0,3190 0,9363 0,34 0,736 1,3
BB 0,3090 0,4047 0,76 0,452 3,1
Program Studi Teknik IndustriUniversitas Diponegoro
69
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
IMT 0,748 1,079 0,69 0,494 2,6
diastole 1,2022 0,1166 10,31 0,000 1,1
S = 5,72725 R-Sq = 82,6% R-Sq(adj) = 79,8%
PRESS = 1177,86 R-Sq(pred) = 75,05%
Perhitungan
Menghitung JKR, JKG, JKT
JKR = = 3899,965
= 820,035
JKT = JKR+JKG = 4720,000
Koefisien Determinasi:
3. Koefisien Determinasi Penyesuaian
SPSS
Tabel 3.24 Model Summary Data Model Regresi Linear Majemuk
Model Summary(b)
Model R R Square
Adjusted R
Square
Std. Error of
the Estimate
1 ,909(a) ,826 ,798 5,72725
Program Studi Teknik IndustriUniversitas Diponegoro
70
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
a Predictors: (Constant), Diastole, IMT, Umur, BB
b Dependent Variable: Sistole
Minitab
sistole = - 16,5 + 0,319 umur + 0,309 BB + 0,75 IMT + 1,20
diastole
Predictor Coef SE Coef T P VIF
Constant -16,46 24,70 -0,67 0,511
umur 0,3190 0,9363 0,34 0,736 1,3
BB 0,3090 0,4047 0,76 0,452 3,1
IMT 0,748 1,079 0,69 0,494 2,6
diastole 1,2022 0,1166 10,31 0,000 1,1
S = 5,72725 R-Sq = 82,6% R-Sq(adj) = 79,8%
PRESS = 1177,86 R-Sq(pred) = 75,05%
Perhitungan
3.2.1.3 Regresi Linear Majemuk
Tabel 3.25 Data Model Regresi Linear Majemuk
X1 X2 X3 X4 Y X1.X2 X1.X3 X1.X4 X1.YNo Sistole Umur BB IMT diastole 1 150 28 55 20.7 100 4200 8250 3105 150002 120 29 55 20.2 80 3480 6600 2424 96003 130 27 55 19.49 90 3510 7150 2533.7 117004 120 26 55 20.45 70 3120 6600 2454 8400
Program Studi Teknik IndustriUniversitas Diponegoro
71
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
5 130 26 59 22.48 90 3380 7670 2922.4 117006 130 28 49 18.22 90 3640 6370 2368.6 117007 140 29 61 20.15 90 4060 8540 2821 126008 120 27 64 24.69 80 3240 7680 2962.8 96009 110 25 56 20.82 70 2750 6160 2290.2 770010 120 25 49 19.88 80 3000 5880 2385.6 9600
Lanjutan Tabel 3.25
11 140 26 51 20.43 90 3640 7140 2860.2 1260012 120 25 60 22.04 80 3000 7200 2644.8 960013 120 28 59 20.9 80 3360 7080 2508 960014 110 26 55 19.49 80 2860 6050 2143.9 880015 100 25 45 17.8 70 2500 4500 1780 700016 120 26 55 20.25 80 3120 6600 2430 960017 120 25 55 18.59 80 3000 6600 2230.8 960018 100 27 55 19.96 70 2700 5500 1996 700019 130 28 50 18.59 90 3640 6500 2416.7 1170020 150 26 53 21.5 100 3900 7950 3225 1500021 120 25 51 19.67 80 3000 6120 2360.4 960022 140 25 53 19.23 90 3500 7420 2692.2 1260023 110 25 54 19.83 70 2750 5940 2181.3 770024 120 26 55 23.19 80 3120 6600 2782.8 960025 120 25 45 18.03 90 3000 5400 2163.6 1080026 130 25 45 17.36 100 3250 5850 2256.8 1300027 110 25 54 19.83 70 2750 5940 2181.3 770028 120 25 48 19.23 80 3000 5760 2307.6 960029 140 25 54 19.36 100 3500 7560 2710.4 1400030 130 26 51 18.73 90 3380 6630 2434.9 11700Σ 3720 784 1606 601.09 2510 97350 199240 74574 314400
X2X3 X2X4 X2Y X3X4 X3Y X4Y X12 X2
2 X32 X4
2 X52
1540 579.6 2800 1138.5 5500 2070 22500 784 3025 428.49 10000
1595 585.8 2320 1111 4400 1616 14400 841 3025 408.04 6400
1485 526.23 2430 1072 4950 1754.1 16900 729 3025 379.8601 8100
1430 531.7 1820 1124.8 3850 1431.5 14400 676 3025 418.2025 4900
1534 584.48 2340 1326.3 5310 2023.2 16900 676 3481 505.3504 8100
1372 510.16 2520 892.78 4410 1639.8 16900 784 2401 331.9684 8100
1769 584.35 2610 1229.2 5490 1813.5 19600 841 3721 406.0225 8100
Program Studi Teknik IndustriUniversitas Diponegoro
72
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
1728 666.63 2160 1580.2 5120 1975.2 14400 729 4096 609.5961 6400
1400 520.5 1750 1165.9 3920 1457.4 12100 625 3136 433.4724 4900
Lanjutan Tabel 3.25
1225 497 2000 974.12 3920 1590.4 14400 625 2401 395.2144 6400
1326 531.18 2340 1041.9 4590 1838.7 19600 676 2601 417.3849 8100
1500 551 2000 1322.4 4800 1763.2 14400 625 3600 485.7616 6400
1652 585.2 2240 1233.1 4720 1672 14400 784 3481 436.81 6400
1430 506.74 2080 1072 4400 1559.2 12100 676 3025 379.8601 6400
1125 445 1750 801 3150 1246 10000 625 2025 316.84 4900
1430 526.5 2080 1113.8 4400 1620 14400 676 3025 410.0625 6400
1375 464.75 2000 1022.5 4400 1487.2 14400 625 3025 345.5881 6400
1485 538.92 1890 1097.8 3850 1397.2 10000 729 3025 398.4016 4900
1400 520.52 2520 929.5 4500 1673.1 16900 784 2500 345.5881 8100
1378 559 2600 1139.5 5300 2150 22500 676 2809 462.25 10000
1275 491.75 2000 1003.2 4080 1573.6 14400 625 2601 386.9089 6400
1325 480.75 2250 1019.2 4770 1730.7 19600 625 2809 369.7929 8100
1350 495.75 1750 1070.8 3780 1388.1 12100 625 2916 393.2289 4900
1430 602.94 2080 1275.5 4400 1855.2 14400 676 3025 537.7761 6400
1125 450.75 2250 811.35 4050 1622.7 14400 625 2025 325.0809 8100
1125 434 2500 781.2 4500 1736 16900 625 2025 301.3696 10000
1350 495.75 1750 1070.8 3780 1388.1 12100 625 2916 393.2289 4900
1200 480.75 2000 923.04 3840 1538.4 14400 625 2304 369.7929 6400
1350 484 2500 1045.4 5400 1936 19600 625 2916 374.8096 10000
1326 486.98 2340 955.23 4590 1685.7 16900 676 2601 350.8129 8100
42035 15719 65670 32344 134170 50232.2 466000 20538 86590 12117.57 212700
Persamaan Regresi Linier Majemuk:
ŷ =
Persamaan Normal
Program Studi Teknik IndustriUniversitas Diponegoro
73
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
Sehingga didapatkan persamaan berikut :
+784 +1606 +601,09 =2510
+97350 +199240 +74574 =314400
+20538 +42035 +15718,68 =65670
+42035 +86590 +32343,74 =134170
+15718,68 +32343,74 +12117,57 =50232,2
Dari persamaan kuadrat a + b1x1 + b2x2 +b3x3 +b4x4 = y, dapat disusun matriks sebagai
berikut:
Program Studi Teknik IndustriUniversitas Diponegoro
74
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
1. Parameter (Slop & Intersep)
Slop
SPSS
Tabel 3.26 Coefficients Data Model Regresi Linear Majemuk
Coefficients(a)
Model
Unstandardized
Coefficients
Standardized
Coefficients
t Sig.B Std. Error Beta
1 (Constant) -16,464 24,696 -,667 ,511
Umur ,319 ,936 ,033 ,341 ,736
BB ,309 ,405 ,112 ,763 ,452
IMT ,748 1,079 ,094 ,693 ,494
Diastole 1,202 ,117 ,909 10,308 ,000
a Dependent Variable: Sistole
Minitab
Regression Analysis: Sistole versus Umur; BB; IMT; Diastole
The regression equation is
sistole = - 16,5 + 0,319 umur + 0,309 BB + 0,75 IMT + 1,20 diastole
Predictor Coef SE Coef T P VIF
Constant -16,46 24,70 -0,67 0,511
umur 0,3190 0,9363 0,34 0,736 1,3
BB 0,3090 0,4047 0,76 0,452 3,1
Program Studi Teknik IndustriUniversitas Diponegoro
75
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
IMT 0,748 1,079 0,69 0,494 2,6
diastole 1,2022 0,1166 10,31 0,000 1,1
S = 5,72725 R-Sq = 82,6% R-Sq(adj) = 79,8%
PRESS = 1177,86 R-Sq(pred) = 75,05%
Perhitungan Manual
b1 = 0,6523
b2 = 1,2259
b3 = 0,0624
b4 = -2,2927
Intersep
SPSS
Tabel 3.27 Coefficients Data Model Regresi Linear Majemuk
Coefficients(a)
Model
Unstandardized
Coefficients
Standardized
Coefficients
t Sig.B Std. Error Beta
1 (Constant) -16,464 24,696 -,667 ,511
Umur ,319 ,936 ,033 ,341 ,736
BB ,309 ,405 ,112 ,763 ,452
IMT ,748 1,079 ,094 ,693 ,494
Diastole 1,202 ,117 ,909 10,308 ,000
a Dependent Variable: Sistole
Minitab
Regression Analysis: Sistole versus Umur; BB; IMT; Diastole
Program Studi Teknik IndustriUniversitas Diponegoro
76
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
The regression equation is
sistole = - 16,5 + 0,319 umur + 0,309 BB + 0,75 IMT + 1,20 diastole
Predictor Coef SE Coef T P VIF
Constant -16,46 24,70 -0,67 0,511
umur 0,3190 0,9363 0,34 0,736 1,3
BB 0,3090 0,4047 0,76 0,452 3,1
IMT 0,748 1,079 0,69 0,494 2,6
diastole 1,2022 0,1166 10,31 0,000 1,1
S = 5,72725 R-Sq = 82,6% R-Sq(adj) = 79,8%
PRESS = 1177,86 R-Sq(pred) = 75,05%
Perhitungan Manual
a = 13,3460
2. Persamaan Garis Regresi Linear Majemuk
SPSS
Tabel 3.28 Coefficients Data Model Regresi Linear Majemuk
Coefficients(a)
Model
Unstandardized
Coefficients
Standardized
Coefficients
t Sig.B Std. Error Beta
1 (Constant) -16,464 24,696 -,667 ,511
Umur ,319 ,936 ,033 ,341 ,736
BB ,309 ,405 ,112 ,763 ,452
IMT ,748 1,079 ,094 ,693 ,494
Diastole 1,202 ,117 ,909 10,308 ,000
a Dependent Variable: Sistole
Program Studi Teknik IndustriUniversitas Diponegoro
77
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
Minitab
Regression Analysis: Sistole versus Umur; BB; IMT; Diastole
The regression equation is
sistole = - 16,5 + 0,319 umur + 0,309 BB + 0,75 IMT + 1,20 diastole
Predictor Coef SE Coef T P VIF
Constant -16,46 24,70 -0,67 0,511
umur 0,3190 0,9363 0,34 0,736 1,3
BB 0,3090 0,4047 0,76 0,452 3,1
IMT 0,748 1,079 0,69 0,494 2,6
diastole 1,2022 0,1166 10,31 0,000 1,1
S = 5,72725 R-Sq = 82,6% R-Sq(adj) = 79,8%
PRESS = 1177,86 R-Sq(pred) = 75,05%
Perhitungan Manual
ŷ =
ŷ = 13,3460– 0,6523x1 + 1,2259x2 + 0,0624x3 + -2,2927x4
3. Pengujian Garis Regresi Linear Majemuk
SPSS
Tabel 3.29 Anova Data Model Regresi Linear Majemuk
ANOVA(b)
Model
Sum of
Squares df Mean Square F Sig.
1 Regression 3899,965 4 974,991 29,724 ,000(a)
Program Studi Teknik IndustriUniversitas Diponegoro
78
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
Residual 820,035 25 32,801
Total 4720,000 29
a Predictors: (Constant), Diastole, IMT, Umur, BB
b Dependent Variable: Sistole
Minitab
Analysis of Variance
Source DF SS MS F P
Regression 4 3899,97 974,99 29,72 0,000
Residual Error 25 820,03 32,80
Total 29 4720,00
Source DF Seq SS
C2 1 362,99
C3 1 11,98
C4 1 39,54
C5 1 3485,45
Unusual Observations
Obs C2 C1 Fit SE Fit Residual St Resid
4 26,0 120,00 108,28 1,85 11,72 2,16R
R denotes an observation with a large standardized residual.
Durbin-Watson statistic = 1,92399
Perhitungan Manual
Menghitung JKR, JKG, JKT
Program Studi Teknik IndustriUniversitas Diponegoro
79
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
JKR = = 3899,965
= 820,035
JKT = JKR+JKG = 4720,000
Pengujian Kekurangcocokan
Pengujian kekurangcocokan dikerjakan dengan tahapan sebagai berikut:
Hubungan y dengan x1
Uji Hipotesis
1. H0 : Regresi linear dalam x
2. H1 : Regresi tak linear dalam x
3. α : 0,05
4. k : 30
5. Daerah kritis : f-hitung > f-tabel
6. Perhitungan :
v1 = 30-2 v2 = n-k f-tabel =
= 30-2 = 30-30 =
= 28 = 0 =
JKR = b. Jxy = 828,333
JKT = Jyy = 4720,000
JKG = Jyy – b. Jxy = 3891,667
Program Studi Teknik IndustriUniversitas Diponegoro
80
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
JKG murni =
= 4720,000
Kekurangcocokan dihitung dari:
JKG – JKG (murni) = 3891,667-4720,000 = -828,333
Tabel 3.30 Analisis kelinearan regresi majemuk (Hubungan y dan x1)
Sumber variansi Jumlah kuadrat Derajat kebebasan Rataan kuadrat f-hitung
Regresi
Galat
Kekurangcocokan
Galat murni
828,333
3891,667
-823,333
4720,000
1
28
0
30
207,083
-
155,667
1,330
-
Total 4720,000 29
7. Keputusan :
Untuk regresi : Terima H0 karena f-hitung < f-tabel
Untuk kekurangcocokan: Terima H0 karena f-hitung < f-tabel
8. Kesimpulan : Regresi linier terjadi dalam x
Hubungan y dengan x2
Uji Hipotesis
1. H0 : Regresi linear dalam x
2. H1 : Regresi tak linear dalam x
3. α : 0,05
4. k : 30
Program Studi Teknik IndustriUniversitas Diponegoro
81
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
5. Daerah kritis : f-hitung > f-tabel
6. Perhitungan :
v1 = k-2
= 30-2
= 28
v2 = n-k
= 30-30
= 0
f-tabel =
=
=
JKR = b. Jxy = 1814,444
JKT = Jyy = 4720,000
JKG = Jyy – b. Jxy = 2905,556
JKG murni =
= 4720,000
Kekurangcocokan dihitung dari:
JKG – JKG (murni) = 2905,556-4720,000 = -1814,444
Tabel 3.31 Analisis kelinearan regresi majemuk (Hubungan y dan x2)
Sumber variansi Jumlah kuadrat Derajat kebebasan Rataan kuadrat f-hitung
Regresi
Galat
Kekurangcocokan
Galat murni
1814,444
2905,556
-1814,444
4720,000
1
28
0
30
151,204
-
170,915
0,885
-
Total 4674577937 29
7. Keputusan:
Untuk regresi : Terima H0 karena f-hitung < f-tabel
untuk kekurangcocokan: Terima H0 karena f-hitung < f-tabel
8. Kesimpulan : Regresi linier terjadi dalam x
Hubungan y dengan x3
Uji Hipotesis
Program Studi Teknik IndustriUniversitas Diponegoro
82
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
1. H0 : Regresi linear dalam x
2. H1 : Regresi tak linear dalam x
3. α : 0,05
4. k : 30
5. Daerah kritis : f-hitung > f-tabel
6. Perhitungan :
v1 = k-2
= 30-2= 28
v2 = n-k
= 30-30= 0
f-tabel=
= =
Program Studi Teknik IndustriUniversitas Diponegoro
83
JKR = b. Jxy = 4270,000
JKT = Jyy = 4720,000
JKG = Jyy – b. Jxy = 450,000
JKG murni =
= 4720,000
Kekurangcocokan dihitung dari:
JKG – JKG (murni) = 450,000-4720,000 = -4270,000
Tabel 3.32 Analisis kelinearan regresi majemuk (Hubungan y dan x3)
Sumber variansi Jumlah kuadrat Derajat kebebasan Rataan kuadrat f-hitung
Regresi
Galat
Kekurangcocokan
Galat murni
4270,000
450,000
-4270,000
4720,000
1
28
0
30
170,800
-
112,500
1,518
-
Total 4720,000 29
7. Keputusan:
Untuk regresi : Terima H0 karena f-hitung < f-tabel
untuk kekurangcocokan: Terima H0 karena f-hitung < f-tabel
8. Kesimpulan : Regresi linier terjadi dalam x
Hubungan y dengan x4
Uji Hipotesis
1. H0 : Regresi linear dalam x
2. H1 : Regresi tak linear dalam x
3. α : 0,05
4. k : 14
5. Daerah kritis : f-hitung > f-tabel
6. Perhitungan :
v1 = k-2
= 30-2
= 28
v2 = n-k
= 30-30
= 0
f-tabel =
=
=
JKR = b. Jxy = 3715,202
JKT = Jyy = 4720,000
JKG = Jyy – b. Jxy = 1004,798
JKG murni =
= 4720,000
Kekurangcocokan dihitung dari:
JKG – JKG (murni) = 1004,798-4720,000 = -3715,202
Tabel 3.33 Analisis kelinearan regresi majemuk (Hubungan y dan x4)
Sumber variansi Jumlah kuadrat Derajat kebebasan Rataan kuadrat f-hitung
Regresi
Galat
Kekurangcocokan
Galat murni
3715,202
1004,798
-3715,202
4720,000
1
28
0
30
1238,401
-
38,045
0,000
-
Total 4720,000 29
7. Keputusan:
Untuk regresi : Terima H0 karena f-hitung < t-tabel
Untuk kekurangcocokan : Terima H0 karena f-hitung < t-tabel
8. Kesimpulan : Regresi linier terjadi dalam x
3.2.1.4 Kesalahan Baku
1. Taksiran Kesalahan Baku Dari Regresi Linear Majemuk
= = 5,727
2. Taksiran Kesalahan Baku Dari Parameter Regresi Linear
Majemuk
=
= 13,985
3.2.1.5 Selang Kepercayaan
1. Selang Kepercayaan Untuk Slop
1.1 Output excel
Tabel 3.34 Output Excel Data Regresi Linier Majemuk
Coeffici
ents
Standard
Error t Stat
P-
value
Lower
95%
Upper
95%
Lower
95,0%
Upper
95,0%
Interc
ept
-
16.4635
85
24.69644
211
-
0.666
64
0.511
109
-
67.32685
958
34.3996
8884
-
67.32685
958
34.3996
8884
Umur
0.31898
319
0.936337
23
0.340
671
0.736
197
-
1.609439
421
2.24740
5796
-
1.609439
421
2.24740
5796
BB
0.30898
689
0.404742
541
0.763
416
0.452
36
-
0.524595
965
1.14256
9754
-
0.524595
965
1.14256
9754
IMT
0.74832
142
1.079318
653
0.693
328
0.494
496
-
1.474576
937
2.97121
9779
-
1.474576
937
2.97121
9779
Diasto
le
1.20224
446
0.116629
783
10.30
821
1.73E-
10
-
0.962040
931
1.44244
7994
-
0.962040
931
1.44244
7994
i Selang kepercayaan
1 -1.609439421< 1 < 2.247405796
2 -0.524595965< 2 < 1.142569754
3 -1.474576937< 3 < 2.971219779
4 -0.962040931< 3 < 1.442447994
Selang kepercayaan untuk 1
Dengan adanya nilai variabel umur maka koefisien yang berpengaruh
terhadap nilai sistole berada antara --1.609439421 sampai dengan
2.247405796 dengan selang kepercayaan sebesar 95%.
Selang kepercayaan untuk 2
Dengan adanya nilai variabel BB maka koefisien yang berpengaruh
terhadap nilai systole berada antara -0.524595965 sampai dengan
1.142569754 dengan selang kepercayaan sebesar 95%.
Selang kepercayaan untuk 3
Dengan adanya nilai variabel IMT maka koefisien yang berpengaruh
terhadap nilai sistole berada antara -1.474576937 sampai dengan
2.971219779 dengan selang kepercayaan sebesar 95%.
Selang kepercayaan untuk 4
Dengan adanya nilai variabel diastole maka koefisien yang berpengaruh
terhadap nilai systole berada antara --0.962040931 sampai dengan
1.442447994 dengan selang kepercayaan sebesar 95%.
1.2 Output SPSS
Tabel 3.35 Coefficients Data Regresi Linier Majemuk
Coefficientsa
Model
Unstandardize
d Coefficients
Standardize
d
Coefficients
t Sig.
95%
Confidence
Interval for B Correlations
Collinearity
Statistics
B
Std.
Error Beta
Lower
Bound
Upper
Bound
Zero
-
order
Partia
l Part
Toleranc
e VIF
1 (Constant
)-
16.91224.624 -.687
.49
9
-
67.62
7
33.80
3
Umur.324 .933 .033 .347
.73
1-1.598 2.247 .277 .069
.02
9.759
1.31
8
BB.294 .402 .106 .732
.47
1-.534 1.122 .056 .145
.06
1.329
3.04
3
IMT.805 1.076 .101 .748
.46
1-1.412 3.022 .067 .148
.06
2.384
2.60
7
Diastole1.202 .116 .909
10.32
5
.00
0.962 1.442 .886 .900
.85
9.894
1.11
8
a. Dependent Variable:
Sistole
i Selang kepercayaan
1 -1.598< 1 < 2.247
2 -0.534< 2 < 1.122
3 -1.412< 3 < 3.022
4 -0.962< 3 < 1.442
Selang kepercayaan untuk 1
Dengan adanya nilai variabel umur maka koefisien yang berpengaruh
terhadap nilai sistole berada antara -1.598 sampai dengan 2.247 dengan
selang kepercayaan sebesar 95%.
Selang kepercayaan untuk 2
Dengan adanya nilai variabel BB maka koefisien yang berpengaruh
terhadap nilai systole berada antara -0.534 sampai dengan 1.122 dengan
selang kepercayaan sebesar 95%.
Selang kepercayaan untuk 3
Dengan adanya nilai variabel IMT maka koefisien yang berpengaruh
terhadap nilai sistole berada antara -1.412 sampai dengan 3.022 dengan
selang kepercayaan sebesar 95%.
Selang kepercayaan untuk 4
Dengan adanya nilai variabel diastole maka koefisien yang berpengaruh
terhadap nilai systole berada antara -0.962 sampai dengan 1.442 dengan
selang kepercayaan sebesar 95%.
2. Selang Kepercayaan untuk intersep
2.1 output excel
Selang Kepercayaan
-67.32685958< < 34.39968884
Selang kepercayaan untuk
Tanpa adanya nilai umur, BB, IMT, dan diastole, maka nilai sistole akan
berkisar antara -67.32685958 sampai dengan 34.39968884 dengan
selang kepercayaan sebesar 95%.
2.2 Output SPSS
Selang Kepercayaan
-67.627< < 33.803
Selang kepercayaan untuk
Tanpa adanya nilai umur, BB, IMT, dan diastole, maka nilai sistole akan
berkisar antara –67.627 sampai dengan 33.803 dengan selang
kepercayaan sebesar 95%.
3.2.1.6 Uji Hipotesis
1. Uji Hipotesis Slop
i Nilai t
t 2.174
t1 -2.191
t2 -0.624
t3 0.495
t4 5.794
Uji hipotesis menyangkut nilai 1
1. H0 : 1 = 0
2. H1 : 1 0
3. α : 0,05
4. Daerah kritis : t-hitung > t-tabel
5. t-hitung : -2.191
6. Perhitungan :
v = n-k-1
= 30-4-1
= 25
t-tabel =
=
= 1,708
7. Keputusan : Terima H0 karena t-hitung < t-tabel
8. Kesimpulan : 1 = 0
Uji Hipotesis menyangkut nilai 2
1. H0 : 2 = 0
2. H1 : 2 0
3. α : 0,05
4. Daerah kritis : t-hitung > t-tabel
5. t-hitung : -0,624
6. Perhitungan :
v = n-k-1
= 30-4-1
= 25
t-tabel =
=
= 1,708
7. Keputusan : Terima H0 karena t-hitung < t-tabel
8. Kesimpulan : 2 = 0
Uji Hipotesis menyangkut nilai 3
1. H0 : 3 = 0
2. H1 : 3 0
3. α : 0,05
4. Daerah kritis : t-hitung > t-tabel
5. t-hitung : -0,495
6. Perhitungan :
v = n-k-1
= 30-4-1
= 25
t-tabel =
=
= 1,708
7. Keputusan : Terima H0 karena t-hitung < t-tabel
8. Kesimpulan : 3 = 0
Uji Hipotesis menyangkut nilai 4
1. H0 : 4 = 0
2. H1 : 4 0
3. α : 0,05
4. Daerah kritis : t-hitung > t-tabel
5. t-hitung : 5,794
6. Perhitungan:
v = n-k-1
= 30-4-1
= 25
t-tabel =
=
= 1,708
7. Keputusan: Terima H1 karena t-hitung > t-tabel
8. Kesimpulan : 4 0
2. Uji Hipotesis Intersep
i Nilai t
t 2.174
1. H0 : α = 0
2. H1 : α 0
3. α : 0,05
4. Daerah kritis : t-hitung > t-tabel
5. t-hitung : 2,174
6. Perhitungan :
v = n-k-1
= 30-4-1
= 25
t-tabel =
=
= 1,708
7. Keputusan: Terima H1 karena t-hitung > t-tabel
8. Kesimpulan: α 0
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
3.2.2 Data Validasi
3.2.2.1 Korelasi
a. MS Excel
Tabel 3.36 Output Korelasi Ms Excel Data Validasi Regresi Linier Majemuk
sistole umur BB IMT Diastole
sistole 1
umur -0.26038 1
BB 0.376731 0.032148 1
IMT 0.407341 0.087642 0.696608 1
Diastole 0.789477 -0.02187 0.540179 0.526681 1
b. SPSS
Tabel 3.37 Correlations Data Validasi Regresi Linier Majemuk
Correlations
Sistole umur BB IMT Diastole
Pearson
Correlation
Sistole1.000 -.260 .377 .407 .789
umur -.260 1.000 .032 .088 -.022
BB .377 .032 1.000 .697 .540
IMT .407 .088 .697 1.000 .527
Diastole .789 -.022 .540 .527 1.000
c. Minitab
Correlations: Sistole; umur; BB; IMT; Diastole
Sistole umur BB IMT
umur -0,260
0,165
BB 0,377 0,032
0,040 0,866
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
IMT 0,407 0,088 0,697
0,025 0,645 0,000
Diastole 0,789 -0,022 0,540 0,527
0,000 0,909 0,002 0,003
Analisis:
Analisis korelasi juga dilakukan pada 30 data lainnya untuk melakukan validasi.
Nilai r yang didapat dari SPSS, Minitab, dan Excel mendapat nilai yang hampir sama.
Untuk r antara umur dan systole dari output Excel = -0.26038 Spss= -0,260
Mnitab = -0,260
Untuk r antara BB dan systole dari output excel = 0.376731 Spss= 0,377 Minitab
= 0,377
Untuk r antara umur dengan BB dari output excel= 0.032148 Spss=0,032
Minitab=0,032
Untuk r antara IMT dengan systole dari output excel=0.407341 Spss=0,407
Minitab= 0,407
Untuk r antara IMT dengan umur dari output excel= 0.087642 spss= 0,088
Minitab= 0,088
Untuk r antara IMT dengan BB dari output excel= 0.696608 spss= 0,697
Minitab= 0,697
Untuk r antara diastole dengan systole dari output excel= 0.789477 spss= 0,789
Minitab= 0,789
Untuk r antara diastole dengan umur dari output excel= -0.02187 spss= -0,022
Minitab= -0,022
Untuk r antara diastole dengan BB dari output excel= 0.540179 spss= 0,540
Minitab= 0,540
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
Untuk r antara diastole dengan IMT dari output excel= 0.526681 spss=0,527
Minitab= 0,527
3.2.2.2 Regresi linear majemuk
a. MS Excel
Regression
Statistics
Multiple R 0.829228
R Square 0.687619
Adjusted R
Square 0.637639
Standard Error 7.301571
Observations 30
ANOVA
Df SS MS F Significance F
Regression 4 2933.843 733.4608 13.75765 4.63026E-06
Residual 25 1332.824 53.31294
Total 29 4266.667
Coeffi
cients
Standard
Error t Stat
P-
value
Lower
95%
Upper
95%
Lower
95,0%
Upper
95,0%
Intercept
67.67
95055
4
31.13508
03
2.173
738
0.039
401
3.55560
7855
131.803
4032
3.55560
7855
131.803
4032
umur -
2.163
0.987539
195
-
2.191
0.037
984
-
4.19762
-
0.12987
-
4.19762
-
0.12987
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
74821 05 3241 319 3241 3186
BB
-
0.220
38576
0.353037
275
-
0.624
26
0.538
115
-
0.94747
9637
0.50670
8107
-
0.94747
9637
0.50670
8107
IMT
0.485
46124
7
0.981674
523
0.494
524
0.625
254
-
1.53633
5263
2.50725
7756
-
1.53633
5263
2.50725
7756
Diastole
1.412
52709
9
0.243780
419
5.794
26
4.85E
-06
0.91045
1931
1.91460
2266
0.91045
1931
1.91460
2266
b. SPSS
Tabel 3.38 Model Summary Data Validasi Regresi Linier Majemuk
Model Summaryb
Model R
R
Square
Adjusted R
Square
Std. Error of the
Estimate
Change Statistics
Durbin-
Watson
R Square
Change
F
Change df1 df2
Sig. F
Change
1 .829a .688 .638 7.30157 .688 13.758 4 25 .000 1.880
a. Predictors: (Constant), umur, BB, IMT, Diastole
b. Dependent Variable: Sistole
Tabel 3.39 Anova Data Validasi Regresi Linier Majemuk
ANOVA(b)
Model
Sum of
Squares df Mean Square F Sig.
1 Regression 2933.843 4 733.461 13.758 .000(a)
Residual 1332.824 25 53.313
Total 4266.667 29
a Predictors: (Constant), Diastole, umur, BB, IMT
b Dependent Variable: Sistole
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
Tabel 3.40 Coefficients Data Validasi Regresi Linier Majemuk
Coefficientsa
Model
Unstandardize
d Coefficients
Standardize
d
Coefficients
t Sig.
95%
Confidence
Interval for B Correlations
Collinearity
Statistics
B
Std.
Error Beta
Lower
Boun
d
Upper
Bound
Zero
-
order
Partia
l Part
Toleranc
e VIF
1 (Constant
)67.680 31.135
2.17
4
.03
93.556
131.80
3
umur
-2.164 .988 -.247
-
2.19
1
.03
8-4.198 -.130 -.260 -.401
-.24
5.986
1.01
5
BB-.220 .353 -.101 -.624
.53
8-.947 .507 .377 -.124
-.07
0.473
2.11
4
IMT.485 .982 .080 .495
.62
5-1.536 2.507 .407 .098
.05
5.477
2.09
5
Diastole1.413 .244 .797
5.79
4
.00
0.910 1.915 .789 .757
.64
8.661
1.51
3
a. Dependent Variable:
Sistole
2. Output Minitab
Regression Analysis: Sistole versus Umur; IMT; BB; Diastole
The regression equation is
sistole = 67,7 - 2,16 umur - 0,220 IMT + 0,485 BB + 1,41 Diastole
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
Predictor Coef SE Coef T P VIF
Constant 67,68 31,14 2,17 0,039
umur -2,1637 0,9875 -2,19 0,038 1,0
IMT -0,2204 0,3530 -0,62 0,538 2,1
BB 0,4855 0,9817 0,49 0,625 2,1
diastole 1,4125 0,2438 5,79 0,000 1,5
S = 7,30157 R-Sq = 68,8% R-Sq(adj) = 63,8%
PRESS = 2186,06 R-Sq(pred) = 48,76%
Analysis of Variance
Source DF SS MS F P
Regression 4 2933,84 733,46 13,76 0,000
Residual Error 25 1332,82 53,31
Total 29 4266,67
Source DF Seq SS
umur 1 289,26
IMT 1 633,41
BB 1 221,27
diastole 1 1789,90
Unusual Observations
Obs umur sistole Fit SE Fit Residual St Resid
16 25,0 150,00 131,28 3,70 18,72 2,97R
R denotes an observation with a large standardized residual.
Durbin-Watson statistic = 1,88027
Analisa :
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
Dari output SPSS, minitab, dan microsoft excel didapatkan persamaan garis regresi
pada data validasi yang sama, yaitu
. Persamaan ini memiliki nilai intersep dan slop yang berbeda cukup jauh dengan
persamaan garis regresi pada data model.
3.2.2.3 Kesalahan Baku
bi Nilai
31,135
0,988
0,353
0,982
0,244
Besarnya kesalahan baku () untuk koefisien adalah 31,135, berarti
penyimpangan yang terjadi pada koefisien adalah sebesar 31,135.
Besarnya kesalahan baku () untuk koefisien b1 adalah 0,988, berarti
penyimpangan yang terjadi pada koefisien b1 adalah sebesar 0,988.
Besarnya kesalahan baku () untuk koefisien b2 adalah 0,353, berarti
penyimpangan yang terjadi pada koefisien b2 adalah sebesar 0,353.
Besarnya kesalahan baku () untuk koefisien b3 adalah 0,982, berarti
penyimpangan yang terjadi pada koefisien b3 adalah sebesar 0,982.
Besarnya kesalahan baku () untuk koefisien b4 adalah 0,244, berarti
penyimpangan yang terjadi pada koefisien b4 adalah sebesar 0,244
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
3.2.3 Validasi
Data Model
Tabel 3.41 Coefficients Data Model Regresi Linier Majemuk
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
Coefficientsa
Model
Unstandardize
d Coefficients
Standardize
d
Coefficients
t Sig.
95%
Confidence
Interval for B Correlations
Collinearity
Statistics
B
Std.
Error Beta
Lower
Bound
Upper
Bound
Zero
-
order
Partia
l Part
Toleranc
e VIF
1 (Constant
)-
16.91224.624 -.687
.49
9
-
67.62
7
33.80
3
Umur.324 .933 .033 .347
.73
1-1.598 2.247 .277 .069
.02
9.759
1.31
8
BB.294 .402 .106 .732
.47
1-.534 1.122 .056 .145
.06
1.329
3.04
3
IMT.805 1.076 .101 .748
.46
1-1.412 3.022 .067 .148
.06
2.384
2.60
7
Diastole1.202 .116 .909
10.32
5
.00
0.962 1.442 .886 .900
.85
9.894
1.11
8
a. Dependent
Variable: Sistole
Tabel 3.42 Model Summary Data Model Regresi Linier Majemuk
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
Model Summaryb
Model R
R
Square
Adjusted R
Square
Std. Error of the
Estimate
Change Statistics
Durbin-
Watson
R Square
Change
F
Change df1 df2
Sig. F
Change
1 .909a .827 .799 5.71842 .827 29.835 4 25 .000 1.928
a. Predictors: (Constant), umur, BB, IMT, Diastole
b. Dependent Variable:Sistole
Data Validasi
Tabel 3.43 Coefficients Data Validasi Regresi Linier Majemuk
Coefficientsa
Model
Unstandardize
d Coefficients
Standardize
d
Coefficients
t Sig.
95%
Confidence
Interval for B Correlations
Collinearity
Statistics
B
Std.
Error Beta
Lower
Boun
d
Upper
Bound
Zero
-
order
Partia
l Part
Toleranc
e VIF
1 (Constant
)67.680 31.135
2.17
4
.03
93.556
131.80
3
umur
-2.164 .988 -.247
-
2.19
1
.03
8-4.198 -.130 -.260 -.401
-.24
5.986
1.01
5
IMT-.220 .353 -.101 -.624
.53
8-.947 .507 .377 -.124
-.07
0.473
2.11
4
BB.485 .982 .080 .495
.62
5-1.536 2.507 .407 .098
.05
5.477
2.09
5
Diastole1.413 .244 .797
5.79
4
.00
0.910 1.915 .789 .757
.64
8.661
1.51
3
a. Dependent Variable:
Sistole
Tabel 3.44 Model Summary Data Validasi Regresi Linier Majemuk
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
Model Summaryb
Model R
R
Square
Adjusted R
Square
Std. Error of the
Estimate
Change Statistics
Durbin-
Watson
R Square
Change
F
Change df1 df2
Sig. F
Change
1 .829a .688 .638 7.30157 .688 13.758 4 25 .000 1.880
a. Predictors: (Constant), umur, BB, IMT, Diastole
b. Dependent Variable: Sistole
Tabel 3.45 Perbandingan Data Model dan Validasi Regresi Linier Majemuk
Keterangan Model Validasi
Pers. garis
regresi
24,624 31,135
0,933 0,988
0,402 0,353
1,076 0,982
0,116 0,244
R 0,909 0,829
R2 0,827 0,688
5,71842 7,30157
Uji Koefisien α
1. H0 : .
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
2. H1 : .
3. α : 0,1
4. Daerah kritis : f-hitung > f-tabel.
5. Perhitungan :
v1 = n1-1 v2 = n2-1 f-tabel =
= 30-1 = 30-1 =
= 29 = 29 = 1,8583
= 24,624 = 31,135
f-hitung = = = 0,7909
6. Keputusan : Terima H0 karena f-hitung < f-tabel
7. Kesimpulan : Variansi b0 model = variansi b0 validasi, maka
koefisien b0 model tersebut adalah valid.
Uji Koefisien b 1
1. H0 : .
2. H1 : .
3. α : 0,1
4. Daerah kritis : f-hitung > f-tabel.
5. Perhitungan :
v1 = n1-1 v2 = n2-1 f-tabel =
= 30-1 = 30-1 =
= 29 = 29 = 1,8583
= 0,933 = 0,988
f-hitung = = = 0,9443
6. Keputusan : Terima H0 karena f-hitung < f-tabel
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
7. Kesimpulan : Variansi b1 model = variansi b1 validasi, maka
koefisien b1 model tersebut adalah valid.
Uji Koefisien b 2
1. H0 : .
2. H1 : .
3. α : 0,1
4. Daerah kritis : f-hitung > f-tabel.
5. Perhitungan :
v1 = n1-1 v2 = n2-1 f-tabel =
= 30-1 = 30-1 =
= 29 = 29 = 1,8583
= 0,402 = 0,353
f-hitung = = = 1,1388
6. Keputusan : Terima H0 karena f-hitung < f-tabel
7. Kesimpulan : Variansi b2 model = variansi b2 validasi, maka
koefisien b2 model tersebut adalah valid.
Uji Koefisien b 3
1. H0 : .
2. H1 : .
3. α : 0,1
4. Daerah kritis : f-hitung > f-tabel.
5. Perhitungan :
v1 = n1-1 v2 = n2-1 f-tabel =
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
= 30-1 = 30-1 =
= 29 = 29 = 1,8583
= 1,076 = 0,982
f-hitung = = = 1,0957
6. Keputusan : Terima H0 karena f-hitung < f-tabel
7. Kesimpulan : Variansi b3 model = variansi b3 validasi, maka
koefisien b3 model tersebut adalah valid.
Uji Koefisien b 4
1. H0 : .
2. H1 : .
3. α : 0,1
4. Daerah kritis : f-hitung > f-tabel.
5. Perhitungan :
v1 = n1-1 v2 = n2-1 f-tabel =
= 30-1 = 30-1 =
= 29 = 29 = 1,8583
= 0,277 = 0,204
f-hitung = = = 0,4754
6. Keputusan : Terima H0 karena f-hitung < f-tabel
7. Kesimpulan : Variansi b4 model = variansi b4 validasi, maka
koefisien b4 model tersebut adalah valid.
Uji Koefisien R
1. H0 : .
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
2. H1 : .
3. α : 0,1
4. Daerah kritis : f-hitung > f-tabel.
5. Perhitungan :
v1 = n1-1 v2 = n2-1 f-tabel =
= 30-1 = 30-1 =
= 29 = 29 = 1,8583
= 5,71842 = 7,30157
f-hitung = = = 0,7832
6. Keputusan : Terima H0 karena f-hitung < f-tabel
7. Kesimpulan : Variansi R model = variansi R validasi, maka
koefisien korelasi tersebut adalah valid.
3.2.4 Prediksi (ramalan)
3.2.4.1 Selang Prediksi rata-rata
Suatu Selang Prediksi rata-rata diberikan dengan rumus:
Dimana nilai dari t/2 adalah nilai distribusi-t dengan derajat kebebasan n-k-1.
Dengan persamaan regresi:
b Nilai
b0 -16.912
b1 0.324
b2 0.294
b3 0.805
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
b4 1.202
Di mana diketahui:
b0 = 0 b1 = 0,324 b2 = 0,294 b3 = 0,805 b4 = 1,202
x1 = 28 x2 = 55 x3=20,7 x4 = 100
maka:
= -16.912 + (0,324 x 28) + (0,294 x 55) + (0,805 x 20,7) + (1,202 x 100)
= 9,072 + 16,17+ 16,6635 + 120,2
= 145,1935
Dari output SPSS diperoleh nilai s = 7.30157.
Untuk mencari X’X dengan menggunakan matriks adalah dengan menggunakan
formula:
atau dengan kata lain:
A.b = g atau (X`X).B = (X`y)
Maka nilai taksiran koefisien regresi b dicari dengan:
b = A-1g atau b = (X`X)-1(X`y)
Dari tabel pengolahan data dengan empat peubah bebas yang diberikan, diperoleh
perhitungan matrik persamaan taksiran kuadrat terkecil (X`X).b = (X`y) sebagai
berikut:
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
Untuk matriks X`0 =
= [ 1 124 26,13 53,53 20,04 ]
X`0.(X`X)-1.X0 = 83.65853
Maka selang prediksi rata-ratanya adalah :
3.2.4.2 Selang prediksi tunggal
Suatu selang prediksi tunggal diberikan dengan formula sebagai berikut:
Dimana nilai dari t/2 adalah nilai distribusi-t dengan derajat kebebasan n-k-1.
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
Dengan menggunakan tabel distribusi-t diperoleh t0,025 = 2,060 untuk derajat
kebebasan 25. Jadi selang prediksi 95% untuk y0 adalah:
dan bila disederhanakan menjadi: -491.491< y0 < 781.8779
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
BAB IV
PENUTUP
4.1 Kesimpulan
4.1.1 Regresi Sederhana
Uji asumsi meliputi : uji linieritas, heteroskesdastisitas, normalitas dan
autokorelasi. Uji ini dilakukan pada data model korelasi dan regresi linier
sederhana.
Tabel 4.1 Uji Asumsi Pada Regresi Sederhana Model dan Validasi
Uji Asumsi Model Validasi
Linieritas memenuhi memenuhi
Heteroskesdastisitas memenuhi memenuhi
Autokorelasi memenuhi memenuhi
Normalitas memenuhi memenuhi
Persamaan garis regresi adalah y = 30,196 + 29,444 x
Koefesien korelasi yang menunjukkan hubungan antara variabel dependen
dan variabel independen sebesar r = 0,993.
Inferensi Mengenai Koefisien Regresi
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
Tabel 4.2 Selang Kepercayaan Pada Regresi Sederhana
Selang kepercayaan
28,566 < < 31,422
20,170 < < 40,222
Prediksi Rata-Rata 143,056 < μYІX0 < 157,316
Prediksi Tunggal 111,219 < yo< 189,124
Dari analisa kecocokan model dan kelinieran didapat bahwa model yang
dipakai cocok dan kelinearannya terdefinisi.
Perbandingan antara model dan validasi :
Tabel 4.3 Perbandingan antara Model dan Validasi
Keterangan Model Validasi
Persamaan garis
regresiy = 30,196 + 29,444 x Y =50,444+15,259x
4,894 7,350
0,697 2,450
R 0,993 0,762
R2 0,985 0,581
18,691 24,155
Persamaan regresi tersebut cukup valid untuk digunakan.
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
4.1.2 Regresi Majemuk
Uji asumsi meliputi : uji mutikolinieritas, heteroskesdastisitas, normalitas
dan autokorelasi. Uji ini dilakukan pada regresi sederhana model dan
validasi.
Tabel 4.4 Uji Asumsi Pada Regresi Majemuk Model dan Validasi
Uji Asumsi Model Validasi
Multilinieritas memenuhi memenuhi
Heteroskesdastisitas memenuhi memenuhi
Autokorelasi memenuhi memenuhi
Normalitas memenuhi memenuhi
Persamaan garis regresi adalah ŷ = 13,3460– 0,6523x1 + 1,2259x2 + 0,0624x3
+ -2,2927x4
Koefesien korelasi yang menunjukkan hubungan antara variabel dependen
dan variabel independen sebesar r = 0,909.
Interferensi mengenai koefisien regresi :
Tabel 4.5 Selang Kepercayaan Pada Regresi Majemuk
Selang kepercayaan
1 1.598< 1 < 2.247
2 -0.534< 2 < 1.122
3 -1.412< 3 < 3.022
4 -0.962< 4 < 1.442
yx0,x20,…xko -483,97< < 774,3573
Prediksi y0 -491.491< y0 < 781.8779
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
Dari analisa kecocokan model dan kelinieran didapat bahwa model yang
dipakai cocok dan terdapat regresi linier.
Perbandingan antara model dan validasi :
Tabel 4.6 Perbandingan antara Model dan Validasi
Keterangan Model Validasi
Pers. garis
regresi
24,624 31,135
0,933 0,988
0,402 0,353
1,076 0,982
0,116 0,244
R 0,909 0,829
R2 0,827 0,688
5,71842 7,30157
Persamaan regresi tersebut valid untuk digunakan.
4.2 Saran
Berdasarkan praktikum dan pengolahan data, hal-hal yang perlu dipertimbangkan
dan yang disarankan adalah:
a. Sebaiknya dalam mencari data praktikan dapat menguji terlebih
dahulu sehingga data lulus keempat uji asumsi statistik klasik, sehingga tidak
mengalami kesulitan di akhir.
b. Praktikan sebaiknya dapat lebih menguasai software SPSS,
Minitab, dan Excel sehingga lebih memudahkan dalam mengerjakan.
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
c. Sebaiknya praktikan lebih mendalami hasil dari praktikum ini,
menganalisis dengan baik sehingga dapat diaplikasikan dalam kehidupan.
d. Seharusnya asisten memahami betul seluruh materi yang
berhubungan dengan praktikum sehingga ketika menjelaskan, mengkoreksi, atau
menjawab pertanyaan dari praktikan dapat lebih baik.
e. Sebaiknya terdapat standarisasi peraturan dan format antar asisten
sehingga tidak membuat bingung praktikan.
Laporan Praktikum Statistika IndustriModul 2 Korelasi dan Regresi Linier
Kelompok 27
DAFTAR PUSTAKA
Modul praktikum Statistika Industri. Laboratotorium Optimasi dan Perencanaan Sistem
Produksi
Walpole, R.E and Raymond H Myers. 1995. Ilmu Peluang dan Statistika Untuk
Insinyur dan Ilmuwan. Penerbit ITB: Bandung
Olahdata.com