Professional Documents
Culture Documents
KENORMALAN
BAB I
PENDAHULUAN
1.1 Latar Belakang
Berbagai rumus statistik inferensi yang digunakan untuk menguji hipotesis
penelitian didasarkan pada asumsi bahwa data yang bersangkutan memenuhi ciri
sebaran normal. Dengan kata lain, keadaan data berdistribusi normal merupakan
sebuah persyaratan yang harus terpenuhi.
Terdapat beberapa macam sebaran, tetapi sebaran yang paling penting
dalam bidang statistik adalah sebaran atau distribusi normal. Berbagai rumus
statistik yang digunakan untuk memecahkan berbagai perhitungan berangkat dari
asumsi distribusi normal, artinya data yang digunakan menyebar normal. Jika
tidak, rumus-rumus statistik tersebut tidak dapat digunakan.
Distribusi normal merupakan sebuah konsep matematik yang diidealkan.
Sebuah sebaran skor yang benar-benar normal yang sesuai dengan konsep
idealistik tersebut, sebenarnya jarang ditemukan. Tetapi, sebaran-sebaran skor dari
berbagai bidang mempunyai kecenderungan mengikuti atau memenuhi asumsi
distribusi normal banyak sekali ditemukan. Karena sebagian besar sebaran angka-
angka berada di tengah, sedangkan semakin ke kanan atau ke kiri semakin kecil,
jika digambarkan sebaran angka-angka tersebut akan menyerupai kurva. Gambar
inilah yang kemudian disebut gambar kurva normal. Gambar kurva normal sendiri
berasal dari histogram dan polygon yang diperhalus, jadi, puncak kurva yang
berada di tengah menunjukkan banyaknya frekuensi, dan pada kedua ekor kanan
dan kiri yang semakin rendah menunjukkan semakin kecilnya frekuensi.
Salah satu analisis statistik mensyaratkan datanya berdistribusi normal
adalah analisis regresi. Analisis regresi adalah analisis statistika yang
memanfaatkan hubungan antara dua atau lebih peubah kuantitatif sehingga salah
satu peubah dapat diramalkan dari peubah lainnya.
Uji kenormalandalam analisis regresi bertujuan untuk menguji apakah
dalam suatu model regresi linier variabel terikat dan variabel bebas keduanya
mempunyai distribusi normal atau tidak.
Penyebab mengapa data tidak menyebar secara normal adalah apabila
melakukan pengacakan (randomization) yang tidak sesuai dengan prinsip
pengacakan suatu rancangan percobaan. Hal ini memungkinkan data akan
menyebar secara tidak normal.
Konsekuensi akibat data yang tidak menyebar normal adalah akan
menyebabkan keputusan yang di bawah duga (under estimate) atau kelebihan
duga (over estimate) terhadap taraf nyata percobaan.
1.2 Tujuan
Tujuan dari penulisan makalah ini adalah untuk mengkaji landasan teori
serta penerapan asumsi kenormalan pada analisis regresi, tujuan secara rinci
adalah sebagai berikut:
1. Mengetahui apa itu asumsi kenormalan dan mengapa asumsi kenormalan
harus terpenuhi.
2. Mengetahui bagaimana cara mengidentifikasi asumsi kenormalan.
3. Mengetahui dampak pelanggaran asumsi kenormalan.
4. Mengetahui cara mengatasi pelanggaran asumsi kenormalan.
1
BAB II
LANDASAN TEORI
2.1 Analisis Regresi
Untuk mengukur besarnya pengaruh variabel bebas (Independent
Variable) terhadap variabel terikat (Dependent Variable) dan memprediksi
variabel terikat dengan menggunakan variabel bebas, Gujarati (2006)
mendefinisikan analisis regresi sebagai kajian terhadap hubungan satu variabel
yang disebut sebagai variabel yang diterangkan (the explained variable) dengan
satu atau dua variabel yang menerangkan (the explanatory). Variabel pertama
disebut juga sebagai variabel terikat dan variabel kedua disebut juga sebagai
variabel bebas. Jika dalam persamaan regresi hanya terdapat satu variabel bebas
dan satu variabel terikat, maka disebut sebagai persamaan regresi sederhana,
sedangkan jika variabel bebasnya lebih dari satu, maka disebut sebagai persamaan
regresi berganda. Model dari persamaan regresi sederhanadapat dilihat pada
persamaan (2.1) dan model persamaan regresi berganda pada persamaan (2.2).
= 0 + 1 + (2.1)
= 0 + 1 1 + 2 2 + 3 3 + + + (2.2)
dengan :
i : parameter regresi
: error
Y : variabel terikat
X: variabel bebas
Definisi yang telah dikemukakan oleh Gujaratai (2006) tersebut di atas
sekaligus merupakan tujuan dari analisis regresi, selain itu tujuan dari penggunaan
analisis regresi adalah membuat estimasi rata-rata dan nilai variabel terikat dengan
didasarkan pada nilai variabel bebas, menguji hipotesis karakteristik dependensi,
dan meramalkan nilai rata-rata variabel terikat dengan didasarkan pada nilai
variabel bebas diluar jangkauan sampel.
Dalam model regresi terdapat asumsi-asumsi yang harus dipenuhi. Asumsi
ini dikaitkan dengan pengujian parameter model dimana pengujian dikatakan
sahih jika asumsi model regresi dipenuhi. Asumsi tersebut menyangkut sifat dari
distribusi residual (i), yaitu, i ~ IIDN (0, 2) artinya residual harus menyebar
disekitar 0, memiliki varians konstan (identik) dan independen (tidak berkorelasi
satu sama lain). Salah satu syarat untuk mencapai ini adalah pengamatan antar Yi
tidak berkorelasi, misalnya tidak bersifat time series.
Berkaitan dengan metode penaksiran dari parameter regresi, maka untuk
regresi linier berganda dibutuhkan kondisi bahwa antar variabel X tidak saling
berkorelasi (independen).
Asumsi yang berkaitan dengan residual yang sudah dijelaskan di atas
dapat ditulis sebagai berikut:
1. ~(0, 2 ), artinya kesalahan error atau residual mengikuti distribusi
normal dengan rata-rata nol dan varians 2 atau dapat ditulis dengan:
a. ( ) = 0; = 1,2, ,
b. ( ) = 2 atau disebut juga dengan homoskedastisitas dimana
antar variansi residual bernilai identik.
2. Tidak ada autokorelasi antar residual ( dan tidak berkorelasi, i j
sehingga cov (i, j) = 0
2
3. Tidak ada kolinieritas ganda (multikolinieritas) antar variabel independen
Selain harus memenuhi asumsi, menurut Gujarati (2006) suatu model
regresi dikatakan baik jika memenuhi beberapa kriteria seperti di bawah ini:
Parsimoni,suatu model tidak akan pernah dapat secara sempurna menangkap
realitas, akibatnya kita akan melakukan sedikit abstraksi ataupun
penyederhanaan dalam pembuatan model.
Mempunyai Identifikasi Tinggi,artinya dengan data yang ada, parameter-
parameter yang diestimasi harus mempunyai nilai-nilai yang unik atau dengan
kata lain, hanya akan ada satu parameter saja.
Keselarasan (Goodness of Fit),tujuan analisis regresi ialah menerangkan
sebanyak mungkin variasi dalam variabel tergantung dengan
menggunakanvariabel bebas dalam model. Oleh karena itu, suatu model
dikatakan baik jika eksplanasi diukur dengan menggunakan nilai adjusted
R2 yang setinggi mungkin.
Konsistensi Dalam Teori,model sebaiknya segaris dengan teori. Pengukuran
tanpa teori akan dapat menyesatkan hasilnya.
Kekuatan Prediksi,validitas suatu model berbanding lurus dengan kemampuan
prediksi model tersebut. Oleh karena itu, pilihlah suatu model yang prediksi
teoritisnya berasal dari pengalaman empiris.
3
normal. Sehingga jika ei normal maka penduga MKT 0 dan 1 juga
berdistribusi normal.
4. Distribusi normal adalah distribusi yang relatif sederhana yang hanya
meibatkan dua parameter (rata-rata dan varians).
5. Jika berhadapan dengan ukuran sampel yang kecil, atau terbatas, atau data
kurang dari 100 observasi maka asumsi normalitas memegang peran penting
dalam kasus ini. Asumsi kenormalan tidak hanya membantu untuk
memperoleh distribusi probabilitas yang tepat dari penduga MKT tetapi juga
memungkinkan untuk penggunaan ujit, F, dan uji statistik X2untuk model
regresi. Jika ukuran sampel cukup besar, mungkin peneliti dapat
mengendurkan asumsi normalitas.
1. Histogram
Histogram dari sisaan/residual merupakan metode grafik yang paling
sederhana untuk melihat bentuk fungsi kepadatan peluang dari variabel acak.
Sumbu horizontal (x) merupakan nilai ei yang dikelompokkan ke dalam
interval-interval. Sumbu vertikal (y) merupakan frekuensi dari ei. Jika
histogram mendekati bentuk setimbang seperti kurva normal (berbentuk
lonceng) maka dapat dikatakan sebaran ei mengikuti distribusi normal tetapi
jika data melenceng ke kanan atau melenceng ke kiri berarti data tidak
mengikuti distribusi normal.
2. Box Plot
Box plot adalah representasi grafik dari sekelompok data yang memuat 5
ringkasan data yaitu median, kuartil pertama, kuartil ketiga, minimum dan
maksimum. Box plot memberikan gambaran tentang distibusi data, sehingga
dari box plot ini akan kelihatan kemencengan data, keruncingan data dan
outlier (Modul Diklat BPS, 2012).
4
tersebut pada setiapindikatornya terdapat nilai Critical Rasio (CR). Pada
tingkat signifikan 1% nilai CRberada diantara 2,58 ( 2,58 CR 2,58 ),
sedangkan pada tingkat signifikansi 5% nilai CRberada diantara
1,96( 1,96 CR 1,96 )jika diluar batas ini dapat dikatakan data pada
indikator tersebut tidak normal. Nilai skewness yang positif mengindikasikan
tingginya frekuensi nilai yang ada di sebelah kiri puncak distribusinormal
demikian pula sebaliknya sedangkan nilai kurtosis yang negatif menunjukkan
distribusi yang landai (varians besar) sedangkan nilai kurtosis yangpositif
menunjukkan distribusi data yang memuncak (satu nilai mendominasi).
5
6. Uji Kolmogrov Smirnov
Dengan Uji Kolmogorov Smirnov dapat diperiksa apakah sebaran nilai-nilai
sampel yang teramati sesuai dengan sebaran normal tertentu. Uji Kolmogorov
Smirnov beranggapan bahwa sebaran vaiabel yang diuji bersifat kontinu dan
sampel diambil dari populasi acak sederhana. Dengan demikian uji ini hanya
dapat digunakan, bila variabel yang diukur paling sedikit dalam skala ordinal.
6
7. Kriteria keputusan: tolak H0 jika D>Dtabel (nilai Tabel Mann-Whitney)
pada tingkat signifikansi .
(Modul Diklat BPS, 2012).
7. Uji Chi-kuadrat
Uji chi-kuadrat digunakan jika ukuran sampel (n 30).Metode Chi-Square
atau uji Goodness of fit Distribution Normal menggunakan pendekatan
penjumlahan penyimpangan data observasi tiap kelas dengan nilai yang
diharapkan. Prosedur pengujian adalah sebagai berikut:
a. Rumus X2
( )2
2 = (2.4)
Keterangan:
X2 = Nilai X2
Oi = Nilai observasi
Ei = Nilai harapan, luasan interval kelas berdasarkan tabel normal
dikalikan N (total frekuensi)
N = banyaknya angka pada data
Komponen penyusun rumus (2.4) didapatkan berdasarkan pada hasil
transformasi data distribusi frekuensi yang akan diuji normalitasnya yang
prosesnya dapat dilihat pada tabel1.
Keterangan:
Xi = Batas tidak nyata interval kelas
Z = transformasi dari angka batas interval kelas ke notasi pada distribusi
normal
Pi = Luas proporsi kurva normal tiap interval kelas berdasar tabel normal
Oi = nilai observasi
Ei = nilai harapan, luasan interval kelas berdasarkan tabel normal di
kalikan N
b. Persyaratan
Data tersusun berkelompok atau dikelompokkan dalam tabel distribusi
frekuensi.
Cocok untuk data dengan banyaknya angka besar (n > 30).
Setiap sel harus terisi, yang kurang dari 5 digabungkan.
c. Signifikansi
Signifikansi uji, nilai X2 hitung dibandingkan dengan X2 tabel (Chi-
Square):
Jika nilai X2 hitung kurang dari nilai X2, maka Ho diterima
Jika nilai X2 hitung besar dari nilai X2, maka Ho ditolak
(Ram dan Sam, 2012)
7
8. Uji Kenormalan dengan Shapiro Wilk
Uji Shapiro-Wilk dirancang khusus untuk mendeteksi kenormalan tanpa
melihat rata-rata atau varians dari hipotesis sebaran normal(Modul Diklat
BPS, 2012). Uji ini menggunakan data dasar yang belum diolah dalam tabel
distribusi frekuensi. Data diurut, kemudian dibagi dalam dua kelompok untuk
dikonversi dalam Shapiro Wilk. Dapat juga dilanjutkan transformasi dalam
nilai Z untuk dapat dihitung luasan kurva normal. Prosedur analisis
menggunakan formula berikut:
a. Rumus
1 2
3 = [=1 ( +1 )] (2.5)
= =1( )2 (2.6)
3
G = bn + cn + ln( 1 ) (2.7)
3
Keterangan:
Xi = angka ke-i pada data
= rata rata data
ai = koefisien test Shapiro Wilk
Xn-i+1 = angka ke n-i+1 pada data
G = identik dengan nilai Z distribusi normal
bn, cn, dn = Konversi Statistik Shapiro-Wilk pendekatan distribusi normal
b. Persyaratan
Data berskala interval atau ratio (kuantitatif)
Data tunggal/belum dikelompokkan pada tabel distribusi frekuensi
Data dari sampel random
c. Signifikansi
Signifikan dibandingkan dengan tabel Shapiro Wilk. Signifikansi uji 3
nilai dibandingkan dengan tabel Shapiro Wilk, untuk dilihat posisi nilai
probabilitasnya (p). Jika nilai p > 5% maka Ho diterima. Jika nilai
p < 5% maka Ho ditolak.
Dalam Aunudin (2005), menjelaskan prosedur uji Shapiro Wilk dengan
tahapan sebagai berikut:
a. Nilai sisaan diurutkan dari kecil ke besar
b. Hitung b = ( ) dengan nilai ai yang diperoleh pada tabel
c. Hitung Statistik Whitung = b2 / JK(ei)
bandingkan Whitung terhadap nilai kritis W dari tabel (berbeda dengan uji-
uji lain, jika nilai Whit< Wtab maka mengindikasikan ketaknormalan data).
8
Bandingkan B2 hasil perhitungan dengan nilai kritis B2 dalam tabel yang
tersedia. Bila nilainya lebih tinggi dari nilai kritisnya maka hipotesis tentang
kenormalan data ditolak.
9
merupakan suatu parameter yang ditentukan dari data dan dicobakan pada
suatu selang nilai tertentu (pada MINITAB 14 selang nilai yang dicobakan
antara -5 sampai dengan 5, jika = 0 transformasi berupa log(Y)). Kriteria
yang digunakan untuk menentukan nilai yang optimal adalah nilai yang
meminimumkan jumlah kuadrat galat regresi dari data respon yang telah
ditransformasi tersebut.
BAB III
10
CONTOH PENERAPAN ASUMSI KENORMALAN
3.1 Data
Data yang akan dibahas dalam makalah ini adalah data tentang pengaruh
iklan koran (X1) yang menyatakan iklan di koran (juta rupiah/bulan) dan jumlah
outlet (X2) yang menyatakan jumlah outlet perusahaan untuk setiap daerah seperti
di pasar, supermarket dan mall terhadap sales (Y) yang merupakan tingkat
penjualan roti semua rasa (unit/bulan). Data terdiri dari 30 pengamatan yang
diperoleh dari hasil download melalui situs
staff.uny.ac.id/sites/default/files/handout Analisis Regresi.pdf, yang sudah
dimodifikasi. Data dapat dilihat pada lampiran 1.
1. Histogram
Histogram dari sisaan dapat dilihat dari gambar 2 berikut:
11
Histogram of RESIDUAL
Normal
Mean -2,53901E-13
10
StDev 117,6
N 30
Frequency
6
0
-200 -100 0 100 200
RESIDUAL
2. Box Plot
Box Plot dari sisaan dapat dilihat dari gambar 3 berikut:
Boxplot of RESIDUAL
200
100
RESIDUA L
-100
-200
Dari gambar 3 terlihat bentuk histogram sisaan tidak simetris sehingga dapat
dikatakan bahwa sisaan tidak berdistribusi normal.
12
Nilai skewness dan Kurtosis yang terdapat pada tabel 2 digunakan untuk
menghitung nilai kritis skewness dan kurtosis dengan formula:
= 6
, untuk ZKurtosis formulanya juga sama, dengan formula
tersebut diperoleh ZSkewness=1.409, dan ZKurtosis=-1.319, kedua nilai ini berada
di dalam selang CR yaitu pada tingkat signifikansi 5% ,( 1,96 CR 1,96 )
sehinggaberdasarkan nilai-nilai inidapat dikatakan data pada indikator
normal.
4. P Plot
P Plot dari sisaan dapat dilihat dari gambar 4 berikut:
60
50
40
30
20
10
1
-400 -300 -200 -100 0 100 200 300 400
RESIDUAL
Dari gambar 4 terlihat sisaan tidak mengikuti pola garis normal dan nilai p-
valuenya kurang dari 0.05, sehingga dapat disimpulkan bahwa sisaan tidak
berdistribusi normal.
13
Probability Plot of RESIDUAL
Normal
99
Mean -2,53901E-13
StDev 117,6
95 N 30
KS 0,172
90
P-Value 0,032
80
70
Percent
60
50
40
30
20
10
1
-300 -200 -100 0 100 200 300
RESIDUAL
Dari gambar 5 terlihat sisaan tidak mengikuti pola garis normal dan nilai p-
valuenya kurang dari 0.05, sehingga dapat disimpulkan bahwa sisaan tidak
berdistribusi normal.
60
50
40
30
20
10
1
-300 -200 -100 0 100 200 300
RESIDUAL
Dari gambar 6 terlihat sisaan tidak mengikuti pola garis normal dan nilai p-
valuenya kurang dari 0.05, sehingga dapat disimpulkan bahwa sisaan tidak
berdistribusi normal.
14
7. Uji normalitas dengan Anderson Darling
Hipotesis:
H0 : Data berdistribusi normal
H1 : Data tidak berdistribusi normal
Output Minitab dari Uji Anderson Darlingdapat dilihat pada gambar 7.
60
50
40
30
20
10
1
-300 -200 -100 0 100 200 300
RESIDUAL
Dari gambar 7 terlihat sisaan tidak mengikuti pola garis normal dan nilai p-
valuenya kurang dari 0.05, sehingga dapat disimpulkan bahwa sisaan tidak
berdistribusi normal.
15
= 5,72 + 0,0212 X1 0,0514 X2 (3.2)
Setelah memperoleh dugaan model regresi pada persamaan (3.2),
selanjutnya dilakukan pengujian terhadap model (3.2) secara keseluruhan (Uji F)
dengan Hipotesis:
2 2
H0 : = (1 = 2 = 0)
2 2
H1 : > (1 2 0)
Output Minitab menunjukkan hasil pengujian yang tidak signifikan, dengan nilai
p-value=0.063, R2 = 18,5% dan MSE = 0,092457. Nilai-nilai ini sudah lebih baik
dibandingkan dengan nilai pada model 3.1 (model dengan pelanggaran asumsi
kenormalan) yaitu p-value=0,078,R2 = 17,2% dan MSE = 14860, walaupun masih
dihasilkan kesimpulan yang sama yaitu bahwa model regresi tidak dapat
menjelaskan keragaman sales (Y*).
Selanjutnya dilakukan uji t yaitu uji untuk melihat pengaruh masing-
masing variabel bebas secara parsial yaitu terlihat dari output Minitab bahwa
variabel iklan koran (X1) memberikan pengaruh yang signifikan terhadap Sales
(Y*) dengan nilai P-value = 0.032 dimana pada pembahasan 3.3 variabel X1 tidak
signifikan. Sedangkan variabel outlet (X2) masih tidak berpengaruh signifikan
terhadap sales (Y*).
16
BAB IV
PENUTUP
Asumsikenormalan merupakan salah satu asumsi yang dibutuhkan sebagai
prasyarat untuk melakukan analisis data, banyak metode analisis yang
mensyaratkan data harus mengikuti sebaran normal diantaranya analisis regresi.
Dalam analisis regresi asumsi kenormalan berkaitan dengan pengujian terhadap
parameter regresi yaitu uji F dan uji t, jika asumsi kenormalan tidak dipenuhi
maka pengujian tersebut tidak dapat dilakukan.
Terdapat berbagai teknik pemeriksaankenormalan suatu data yang telah
dikembangkan oleh para ahli dan juga terdapat banyak alat bantu berupa program
statistik yang bisa digunakan.
Pemeriksaan terhadap Kenormalan dilakukan dengan berbagai cara
diantaranyadengan histogram, box plot, Skewness dan kurtosis, P Plot, uji
Kolmogorov-Smirnov, uji Chi Kuadrat, uji Shapiro Wilk, uji Andeson Darling
dan Uji Jarque Bera. Berbagai prosedur pemeriksaan tersebut dapat dilakukan
dengan bantuan software Minitab.
Dari prosedur-prosedur pemeriksaan terhadap asumsi kenormalan tersebut,
tidak dapat dipastikan tentang prosedur pemeriksaan ataupun pengujian yang
paling baik, karena masing-masing teknik yang digunakan tergantung kepada
kebutuhan dan jenis data digunakan.
17
DAFTAR PUSTAKA
Aunuddin. 2005. Statistika: Rancangan dan analisis Data.IPBPRESS: Bogor.
Badan Pusat Statistik. 2012. Modul Diklat: Fungsional Statistisi Tingkat Ahli.
Pusat Pendidikan dan Pelatihan BPS.
Walpole R. dan Myers R., 1986. Ilmu Peluang dan Statistika untuk Insinyur dan
Ilmuwan. ITB, Bandung.
https://www.google.com/url?sa=t&rct=j&q=&esrc=s&source=web&cd=3&cad=rj
a&ved=0CDoQFjAC&url=http%3A%2F%2Fkk.mercubuana.ac.id%2Ffil
es%2F99020-12-
659054692896.doc&ei=OdZiUayNJ4XZrQeUnoGYBw&usg=AFQjCN
EUa70pbUkTtHOClrpwtJ4w9qs_pg&sig2=MbLGBVcZCrHRSoSLsLH
q4A&bvm=bv.44770516,d.bmk
http://tonyteaching.wordpress.com/2010/11/15/memperbaiki-normalitas-dengan-
transformation-data/
18
Lampiran 1. Data
Y X1 X2
500,34 26,23 7
450,24 25,12 8
600,45 29,8 8
551,23 34,55 9
650,34 33,45 6
700,7 32,6 5
560,4 23,45 8
366,25 34,76 9
451,29 40,12 8
430,22 36,21 10
265,99 25,89 11
254,26 22,98 10
352,16 36,25 9
365,21 36,87 8
295,15 22,41 5
354,25 26,25 6
415,25 36,99 8
400,23 32,79 9
423,22 33,98 7
452,62 23,21 5
512,33 14,98 8
435,23 35,99 8
302,21 25 9
330,92 23,25 8
254,25 24,86 6
265,21 26,23 5
215,36 20,98 7
235,26 24,88 9
222,32 25,87 8
323,45 28,94 9
19
Lampiran 2. Output Minitab Analisis Regresi Linier
Analysis of Variance
Source DF SS MS F P
Regression 2 83374 41687 2,81 0,078
Residual Error 27 401228 14860
Total 29 484601
20
Lampiran 3.Langkah-langkah Pemeriksaan Asumsi Kenormalan Menggunakan
Minitab
A. Histogram
a. Pilih Graphs Histogram
b. Pilih With Fit
c. Pilih OK
d. Pilih Data select Residual sehingga Residual berada pada kotak
GraphVariable
e. Pilih OK
B. Box Plot
a. Pilih Graph boxplot
b. Muncul kotak dialog berikut:
c. Pilih simple
d. OK
e. Select Residual, sehingga Residual berada di kotak Graph variables
f. OK
21
C. Skewness dan Kurtosis
a. Pilih stat basic statistics
b. Pilih Display Descriptive Statistics
c. Select Residual sehingga Residual berada pada kotak Variables
d. Klik Statistics, Muncul kotak dialog berikut:
D. P Plot
a. Pilih Graphs Probability Plot OK
22
similar to Shapiro Wilk
3. Untuk Uji Anderson Darling Pada Test for normality Pilih
Anderson Darling
d. OK
23
Lampiran 4.Data Hasil Transformasi menggunakan metode Box Cox
Y* X1 X2
6,21529 26,23 7
6,10978 25,12 8
6,39768 29,8 8
6,31215 34,55 9
6,47750 33,45 6
6,55208 32,6 5
6,32865 23,45 8
5,90332 34,76 9
6,11211 40,12 8
6,06430 36,21 10
5,58346 25,89 11
5,53836 22,98 10
5,86409 36,25 9
5,90047 36,87 8
5,68748 22,41 5
5,87000 26,25 6
6,02888 36,99 8
5,99204 32,79 9
6,04789 33,98 7
6,11505 23,21 5
6,23897 14,98 8
6,07587 35,99 8
5,71112 25 9
5,80188 23,25 8
5,53832 24,86 6
5,58052 26,23 5
5,37231 20,98 7
5,46069 24,88 9
5,40412 25,87 8
5,77904 28,94 9
24
Lampiran 5.Output Minitab Analisis Regresi Linier terhadap Data Hasil
Transformasi
Analysis of Variance
Source DF SS MS F P
Regression 2 0,56857 0,28428 3,07 0,063
Residual Error 27 2,49668 0,09247
Total 29 3,06525
25
Lampiran 6.Output Minitab Pemeriksaan Kenormalan Data setelah Transformasi
A. Histogram
Histogram of RESIDUAL*
Normal
Mean -3,10862E-15
7
StDev 0,2934
N 30
6
5
Frequency
0
-0,6 -0,4 -0,2 0,0 0,2 0,4 0,6
RESIDUAL*
B. Box Plot
Boxplot of RESIDUAL*
0,75
0,50
0,25
RESIDUAL*
0,00
-0,25
-0,50
D. P Plot
26
Probability Plot of RESIDUAL*
Normal - 95% CI
99
Mean -3,10862E-15
StDev 0,2934
95 N 30
AD 0,477
90
P-Value 0,220
80
70
Percent
60
50
40
30
20
10
1
-1,0 -0,5 0,0 0,5 1,0
RESIDUAL*
60
50
40
30
20
10
1
-0,8 -0,6 -0,4 -0,2 0,0 0,2 0,4 0,6 0,8
RESIDUAL*
27
Probability Plot of RESIDUAL*
Normal
99
Mean -3,10862E-15
StDev 0,2934
95 N 30
RJ 0,982
90
P-Value >0,100
80
70
Percent
60
50
40
30
20
10
1
-0,8 -0,6 -0,4 -0,2 0,0 0,2 0,4 0,6 0,8
RESIDUAL*
60
50
40
30
20
10
1
-0,8 -0,6 -0,4 -0,2 0,0 0,2 0,4 0,6 0,8
RESIDUAL*
28