Professional Documents
Culture Documents
BAB I
PENDAHULUAN
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.
Identifikasi Masalah
Pengumpulan Data
Studi Pustaka
Pembuatan Modeel
a. Regresi Sederhana
b. Regresi Majemuk
Pengolahan Data
Pembuatan Validasi
a. Regresi Sederhana
b. Regresi Majemuk
BAB IV PENUTUP
Berisi tentang kesimpulan yang diperoleh dari percobaan serta saran.
BAB II
DASAR TEORI
Analisa regresi (Regression Analysis) adalah salah satu teknik statistika yang
digunakan untuk mengestimasi hubungan antara variabel independen dengan
variabeldependen. Beberapa jenis analisa regresi, yaitu:
Log regresi, yaitu regresi dengan variabel dependen yang berjenis nominal
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)
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
a = konstanta
x = variabel dependen
n
n n
n x i y i x i y i n n
b i 1 i 1 i 1
2
y i b xi
n
n a i 1 i 1
n x i x i
2
n
i 1 i 1
(Walpole, Ilmu Peluang dan Statistika Untuk Insinyur dan Ilmuwan, hal 404-405)
b 0
t
s
J XX
0
t
n
xi 2
s i 1
n.J xx
(Walpole, Ilmu Peluang dan Statistika untuk Insinyur dan Ilmuwan, hal 420 – 422
2
B ; B
2
x
n
2
i x
i 1
n 2
xi
A ; A 2
2 i 1
x
2
i x
n2 n2
Dimana:
2 2
n n
n xi n y i
Jxx xi i 1
2
Jyy y i i 1
2
i 1 n i 1 n
n n
n x i y i JKG = Jyy - b.Jxy
Jxy xi i 1
2 i 1
i 1 n
(Walpole, Ilmu Peluang dan Statistika untuk Insinyur dan Ilmuwan, hal 415)
J xx J xx
a a
nJ xx nJ xx
3. Suatu selang kepercayaan sebesar (1-) 100% untuk rataan respon yIx = +
x diberikan oleh ;
yˆ t s
1 x0 x
2
yˆ t s
1 x0 x
2
2 n J xx 2 n J yy
4. Suatu selang prediksi sebesar (1-) 100% untuk respon Y0 yang tunggal
diberikan oleh ;
yˆ t s 1
1 x0 x
2
Y0 yˆ t s 1
1 x0 x
2
2 n J xx 2 n J yy
Jika model sebenarnya mengandung lebih dari satu peubah, misalnya model
yang sebenarnya adalah:
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:
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)
Kekurang
JKG JKG (murni )
cocokan JKG JKG (murni) k 2
k 2
n k
JKG (murni ) JKG ( murni )
Galat s2
n2
murni
(Walpole, Ilmu Peluang dan Statistika untuk Insinyur dan Ilmuwan, hal 433)
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.
Bila rataan tidak berbentuk garis lurus tapi lebih sesuai bila dinyatakan dengan
Model Regresi Polinom.
b0 = konstanta
Xn = variabel independen
(Walpole, Ilmu Peluang dan Statistika untuk Insinyur dan Ilmuwan, hal 454 )
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
a. Dari data yang sudah ada hitung jumlah, jumlah kuadrat, dan jumlah hasil kali
( X T X ) 1
b. Kemudian hitung hasil perkalian matrik antara X dan Y sebagai berikut : XT Y
c. Kemudian hitung koefisien beta dengan rumus sebagai berikut ˆ ( XT X) 1 XT Y
Persamaan di atas belum boleh digunakan sebagai dasar kesimpulan, karena itu
perlu diuji mengenai koefisien regresinya
(OlahData.com)
bila ,
y
y n
1 x11 x 21 x k1
x k 2
1 x12 x 22
1
x 1 ,
2
n
1 x1n x 2n x kn
Rumus
n n n
n
n x1i x 2i x 3i 0 yi
g
n i 1
n
i 1
n
i 1
n
i 1
n
x g x y
x x x x x 1
2
i 1
1i
i 1
1i
i 1
1i 2 i
i 1
1i 3i
i 1
1 i
n n n n g X'y n
x 2 i x x x1i 2i 2i
2
x x
2 i 3i
g 2 x 2 yi
i 1 i 1 i 1 i 1 i 1
n n n n n
x 3i x x x x g 3 x3 y i
2
1i 3i x
2 i 3i 3i
i 1 i 1 i 1 i 1 i 1
Y = x +
Taksiran tak bias untuk 2 adalah rataan kuadrat sisa atau galat
JKG
s2 ……. (2.27)
n k 1
i 1 i 1
2
n
n n y i
JKT J yy y i y i y i i 1
2 2
i 1 i 1 n
2
n
n k y i
JKR yˆ i y b j g j i 1
2
i 1 j 0 n
……… (2.29)
(Walpole, Ronald E,H. Myers, Ilmu Peluang dan Statistika Untuk Insinyur dan
Ilmuwan)
Suatu selang prediksi untuk Y0 selang prediksi (1-) 100% untuk respon
tunggal Y0 diberikan oleh :
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
Dimana :
b0 = konstanta
Xn = variable independent
n n 2 n
r n
n xi xi ** xi yi
n i 1
n
i 1
n
i 1
n b0 ni 1
x r 1 b
x x 1 xi yi
2 3
** xi
i 1
i
i 1
i
i 1
i
i 1
* = i 1
* * * ** * *
*
n* * * ** * br *
n n n
2r n r
i 1
xi
r
xi
i 1
r 1
x
i 1
i
r 2
** i 1
xi
xi yi
i 1
(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:
J xx J xy
r b
J xy J xx J yy
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)
6. 1 : Hubungan sempurna
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.
Multikolinieritas
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
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.
Langkah-langkahnya:
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.
R 2 1 , 3 , 4 , 5
f tak berarti
s2
R 5 1 , 3 , 4
f tak berarti maka peubah x5 disisihkan dari model. Pada
s2
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.
2.7 Validasi
Validasi model regresi dapat dilakukan dengan dua cara sebagai berikut :
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).
BAB III
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.
Kapasitas Media
Harga
No Penyimpanan
(ribu rupiah)
(gigabyte)
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
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
1. Uji Linieritas
Microsoft Excel
Gambar 3.1 Scatter Diagram Output Excel Data Model Regresi Linier Sederhana
SPSS
600
500
400
Harga
300
200
100
Kapasitas
Gambar 3.2 Scatter Diagram Output SPSS Data Model Regresi Linier Sederhana
Minitab
500
400
300
Harga
200
100
0
0 2 4 6 8 10 12 14 16
Kapasitas
Gambar 3.3 Scatter Diagram Output Minitab Data Model Regresi Linier Sederhana
Analisis:
2. Uji Normalitas
SPSS
1.0
0.8
0.6
0.4
0.2
0.0
0.0 0.2 0.4 0.6 0.8 1.0
Gambar 3.4 Normal P-P Plot Output SPSS 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
Minitab
95
90
80
70
Percent
60
50
40
30
20
10
1
-40 -30 -20 -10 0 10 20 30 40 50
Residual
Gambar 3.5 Normal P-P Plot Output Minitab Data Model Regresi Linier Sederhana
Analisis:
3. Uji Heteroskesdastisitas
SPSS
Regression Standardized
Predicted Value
Scatterplot
2.5
2.0
1.5
1.0
0.5
0.0
-0.5
-1.0
-2 0 2
Gambar 3.6 Scatter Plot Uji Heteroskesdastisitas Output SPSS Data Model Regresi Linier
Sederhana
Analisis:
4. Uji Autokorelasi
SPSS
Model Summary(b)
Minitab
Analisis:
autokorelasi. Dari hasil uji di atas, dapat disimpulkan bahwa data model untuk regresi
linier sederhana ini lolos uji autokorelasi.
3.1.1.2 Korelasi
- SPSS
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).
Coefficients(a)
Standardize
Unstandardized d 95% Confidence Collinearity
Model Coefficients Coefficients t Sig. Interval for B Statistics
Std. Lower Upper
B Error Beta Bound Bound Tolerance VIF
1 (Constant) 30,196 4,894 6,169 ,000 20,170 40,222
Kapasitas 29,994 ,697 ,993 43,028 ,000 28,566 31,422 1,000 1,00
0
a Dependent Variable: Harga
- Minitab
- Excel
Kapasita
s 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
2
n
n
yt
Jyy
t 1
2
yt
t 1
n
1641243
29539225
30
656602,17
2
n
n
xt
2 t 1
22801
Jxx xt 1479 718,97
n 30
t 1
n n
n
xt
yt
48921 151 5435 21564,833
Jxy t 1
xt yt
t 1
n
t 1
30
J xx J xy 21564,833
r b 0,993
J xy J xx J yy 718,97 656602,17
Dari perhitungan manual, SPSS, minitab, dan excel, nilai r yang diperoleh sama,
yaitu r = 0,993.
Uji Hipotesis 1
1. Ho : 0
2. H1 : 0
3. Taraf keberartian 0,05
4. Daerah kritis dengan derajat kebebasan v = 28, t > 2,048 dan t < -2,048
5. Perhitungan
r n2 0,993 28
t 44,4862
2
1 r 1 0,9932
Uji Hipotesis 2
1. Ho : 0.9
2. H1 : 0,9
3. Taraf keberartian 0,05
4. Daerah kritis : z < -1,96 dan z > 1,96
5. Perhitungan
n 3 (1 r )(1 0 )
z ln
2 (1 r )(1 0 )
2. Koefisien Determinasi
Tabel 3.6 Model Summary SPSS Data Model Regresi Linier Sederhana
Model Summary(b)
Perhitungan
Nilai koefisien penentu terok r2 adalah kuadrat dari nilai koefisien korelasi r dan
diberikan dengan rumusan sebagai berikut :
2 2
J XY 0,993
r2 = 0,985
Jxx.Jyy (656602,17)(718,97)
Analisis:
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
bahwa belum terdapat hubungan linear antara kapasitas media penyimpanan (x) dengan
harga media penyimpanan (y).
Dari perhitungan SPSS dan manual, didapatkan nilai r 2 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).
- SPSS
Tabel 3.7 Coefficients Output SPSS Data Model Regresi Linier Sederhana
Coefficients(a)
Standardize
Unstandardized d 95% Confidence Collinearity
Model Coefficients Coefficients t Sig. Interval for B Statistics
Std. Lower Upper
B Error Beta Bound Bound Tolerance VIF
1 (Constant) 30,196 4,894 6,169 ,000 20,170 40,222
Kapasitas 1,00
29,994 ,697 ,993 43,028 ,000 28,566 31,422 1,000
0
a Dependent Variable: Harga
ANOVA(b)
Sum of
Model Squares df Mean Square F Sig.
1 Regression 646820,02
1 646820,024 1851,431 ,000(a)
4
Residual 9782,143 28 349,362
Total 656602,16
29
7
a Predictors: (Constant), Kapasitas
b Dependent Variable: Harga
- Minitab
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
Regression Statistics
Multiple R 0,992992
R Square 0,986032
Adjusted R
Square 0,985515
Standard
Error 18,38439
Observations 29
ANOVA
Significanc
Df SS MS F eF
Regression 1 644213,1 644213,1 1906,035 1,39E-26
Residual 27 9125,621 337,986
Total 28 653338,7
1. Slop
Dari perhitungan manual dan output SPSS pada tabel Coefficients didapat nilai slop
yang sama yaitu 29,994.
2. Intersep
yi b xi
a i 1 i 1
n
5435 (29,994)(151)
a
30
905,906
a 30,196
30
Dari perhitungan manual dan output SPSS pada tabel Coefficients didapat nilai intersep
yang sama, yaitu 30,196.
Model: yˆ a bx
ˆ 30,196 29,994 x
y
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.
Tabel 3.9 Anova Dari Output SPSS Data Model Regresi Linier Sederhana
Kuadrat kebebasan
Regresi 646820 1 646820,024 1851,431
Galat 9782,143 28 349,362
Total 656602,2 29
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.
Sederhana
1 ( x)²
Sa ² Se²
n Jxx
1 5,03
2
349,57
30 718,97
= 23,954
Se ²
Sb²
Jxx
= 0,486
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.
S S2 349,520 18,695
J xx J xx
dimana dalam rumus ini t(/2,n-2) menyatakan nilai distribusi-t dengan derajat
kebebasan adalah n-2.
2,048.18,695 2,048.18,695
29,994 29,994
718,97 718,97
28,566 31,422
Dari hasil pengolahan data secara manual dan output SPSS pada Tabel
Coefficients diperoleh hasil yang sama yaitu
28,566 < < 31,422
a a
n.J xx n.J xx
dimana dalam rumus ini t(/2,n-2) menyatakan nilai distribusi-t dengan derajat
kebebasan adalah n-2.
2,048.18,695 1479 2,048.18,695 1479
30,196 30,196
30.718,97 30.718,97
20,170 a 40,222
Dari hasil pengolahan data secara manual dan output SPSS pada Tabel
Coefficients diperoleh hasil yang sama yaitu
20,170 < < 40,222
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
b 0 29,994 0 29,994
t 43,019
s 18,695 0,697
J XX 718,97
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
0 30,196 0 30,196
t 6,169
n 18,695 1479 4,895
i 1
xi
2 30.718,97
s
n.J xx
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.
3 4 89
4 1 67
5 2 69
6 4 97
7 8 162
8 1 67
9 2 74
10 1 72
11 2 76
12 1 64
13 2 70
14 2 114
15 1 78
16 2 96
17 4 165
18 1 66
19 2 75
20 4 100
21 8 192
22 1 89
23 2 117
24 1 61
25 2 66
26 1 48
27 1 50
28 2 50
29 2 52
30 4 82
3.1.2.1 Korelasi
- SPSS
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).
- Minitab
- Microsoft Excel
Kapasita
s 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.
- SPSS
Model Summary(b)
ANOVA(b)
Sum of
Model 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
Coefficients(a)
Unstandardized Standardized
Coefficients Coefficients
- Minitab
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
- Microsoft Excel
SUMMARY OUTPUT
Regression Statistics
Multiple R 0,762083
R Square 0,58077
Adjusted R
Square 0,565798
Standard
Error 24,15525
Observations 30
ANOVA
Significanc
Df SS MS F eF
Regression 1 22632,53 22632,53 38,78913 9,93E-07
Residual 28 16337,33 583,4762
Total 29 38969,87
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.
2
n
n
yt
Jyy t 1
2
yt
t 1
n
266388
6822544
30
38969,87
2
n
n
xt
2
t 1
5184
Jxx xt 270 97,2
n 30
t 1
n n
n
xt
yt
72 2612 1483,2
Jxy
t 1
xt y t
t 1 t 1
n
7752
30
Sederhana
1 ( x)²
Sa ² Se²
n Jxx
1 2,4
2
586,57
30 97,2
= 54,312
Se ²
Sb²
Jxx
= 6,035
3.1.3 Validasi
Uji Koefisien
1. Ho : kedua model valid (12 = 22 )
2. H1 : kedua model tidak valid (12 22 )
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
1
f0,95(29,31) = f = 0,538
0 , 05 ( 29,31)
12
Jadi, hipotesis nol ditolak jika f < 0,538 dan f > 1,858 untuk f = ,
22
dengan derajat kebebasan v1 = 29 dan v2 = 31
5. Perhitungan :12 = 23,951 dan 22 = 54,0225
12 23,951
Maka nilai f = = = 0,443
22 54,0225
Uji Koefisien
1. Ho : kedua model valid (12 = 22 )
2. H1 : kedua model tidak valid (12 22 )
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
1
f0,95(29,31) = f = 0,538
0 , 05 ( 29,31)
12
Jadi, hipotesis nol ditolak jika f < 0,54 dan f > 1,84 untuk f = , dengan
22
derajat kebebasan v1 = 29 dan v2 = 31
5. Perhitungan :12 = 0,486 dan 22 = 6,0025
12 0,486
Maka nilai f = = = 0,081
22 6,0025
Uji Koefisien R
1. Ho : kedua model valid (12 = 22 )
2. H1 : kedua model tidak valid (12 22 )
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
1
f0,95(29,31) = f (29,31) = 0,538
0 , 05
2
1
Jadi, hipotesis nol ditolak jika f < 0,54 dan f > 1,84 untuk f = , dengan
22
derajat kebebasan v1 = 29 dan v2 = 31
5. Perhitungan :12 = 349,353 dan 22 = 583,464
2
1 349,353
Maka nilai f = = =0,598
22 583,464
Uji Koefisien
Dengan menggunakan uji hipotesis bahwa Ho : kedua model valid (12 = 22 )
sedangkan H1 : kedua model tidak valid (12 22 ). Daerah kritis terjadi bila
f < 0,538 atau f > 1,858. Hasil perhitungan menunjukkan bahwa Ho diterima
Uji Koefisien
Dengan menggunakan uji hipotesis bahwa Ho : kedua model valid (12 =
22 ) sedangkan H1 : kedua model tidak valid (12 22 ). Daerah kritis terjadi
bila f < 0,54 atau f > 1,84. Hasil perhitungan menunjukkan bahwa Ho
Uji Koefisien R
Dengan menggunakan uji hipotesis bahwa Ho : kedua model valid (12 =
22 ) sedangkan H1 : kedua model tidak valid (12 22 ). Daerah kritis terjadi
bila f < 0,54 atau f > 1,84. Hasil perhitungan menunjukkan bahwa Ho
Descriptive Statistics
Suatu selang kepercayaan (1–).100% atau 95% untuk rataan respon YX0
diberikan dengan rumus
1
X X 2 YX 0 yˆo 1
X X 2
yˆ o
t 2
.
.Se
n
0
J xx t 2
.Se
n
0
J xx
dimana nilai t(/2,n-2) adalah nilai distribusi-t dengan derajat kebebasan n-2.
Bila X0 adalah data variabel x pertama yaitu x 0 = 4 ; X 5,03 (tabel
descriptive statistic); n = 30; Se = 18,697 maka nilai ŷ 0 sebagai berikut:
ˆ o 30,196 29,994( 4)
y = 150,172
Dengan menggunakan tabel L4 diperoleh t0,025 = 2,048 untuk derajat kebebasan
v = 30 – 2 = 28
Suatu selang prediksi (1-).100% atau 95% untuk respon y0 yang tunggal
diberikan dengan rumus sebagai berikut
1
X0 X 2 y0 yˆo 1 X0 X 2
t
yˆ o
.
2
.Se 1
n J xx t
2
.Se 1
n J xx
dimana nilai t(/2,n-2) adalah nilai distribusi-t dengan derajat kebebasan n-2.
1. Uji Multikolinearitas
SPSS
Collinearity Statistics
Model Tolerance VIF
1 Umur ,756 1,322
BB ,325 3,074
IMT ,380 2,630
Diastole ,894 1,118
Coefficient Correlations(a)
Collinearity Diagnostics(a)
Variance Proportions
Mode Dimensio Eigenvalu Condition (Constan
l n e Index t) Umur BB IMT Diastole
1 1 4,980 1,000 ,00 ,00 ,00 ,00 ,00
2 ,014 18,769 ,00 ,00 ,03 ,02 ,53
Residuals Statistics(a)
Analisa :
Ho= tidak terjadi multikolinearitas
H1 = terjadi multikolinearitas
Daerah kritis: VIF < 5
Keputusan: VIF < 5, terima Ho
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
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
Daerah kritis: apabila plot mendekati garis maka distribusi normal
1.0
0.8
0.6
0.4
Expected Cum Prob
0.2
0.0
0.0 0.2 0.4 0.6 0.8 1.0
Gambar 3.7 Normal Plot Data SPSS Model Regresi Linear Majemuk
Keputusan : Terima Ho
Kesimpulan : Data berdistribusi normal
Minitab
Kolmogrov Smirnov
Ho : Data berdistribusi normal
H1 : Data tidak berdistribusi normal
95
90
80
70
60
50
Percent
40
30
20
10
1
-15 -10 -5 0 5 10
Residual
Gambar 3.8 Normal Plot Data Minitab Model Regresi Linear Majemuk
3. Uji Heteroskesdastisitas
SPSS
Scatterplot
1
Regression Studentized Residual
-1
-2
-2 0 2
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.
4. Uji Autokorelasi
SPSS
Model Durbin-Watson
1 1,924(a)
Minitab
Ho : Model regresi tidak terjadi autokorelasi
H1 : Model regresi terjadi auto korelasi
α = 0.05
Daerah kritis, 1.14>DW>2.86
3.2.1.2 Korelasi
Minitab
The regression equation is
sistole = - 16,5 + 0,319 umur + 0,309 BB + 0,75 IMT + 1,20
diastole
SPSS
Correlations
Perhitungan :
a. Uji Hipotesis
s2 =
= 16,348
Uji Hipotesis 1
Ho : ρ = 0
H1 : ρ ≠ 0
Taraf keberartian α =0.05
= -0,025
Kesimpulan : Terima Ho dan nilai tidak berada pada daerah kritis,
ρ=0
Uji Hipotesis 2
Ho : ρ = 0.9
H1 : ρ < 0.9
Taraf keberartian α =0.05
= 5,177
Kesimpulan : tolak Ho dan nilai berada pada daerah kritis, ρ < 0.9
2. Koefisien Determinasi
SPSS
Model Summary(b)
Minitab
sistole = - 16,5 + 0,319 umur + 0,309 BB + 0,75 IMT + 1,20
diastole
Perhitungan
Menghitung JKR, JKG, JKT
JKR = = 3899,965
= 820,035
SPSS
Tabel 3.24 Model Summary Data Model Regresi Linear Majemuk
Model Summary(b)
Minitab
sistole = - 16,5 + 0,319 umur + 0,309 BB + 0,75 IMT + 1,20
diastole
Perhitungan
X2X3 X2X4 X2Y X3X4 X 3Y X4Y X12 X22 X32 X42 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
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 Normal
n n n n n
na b1 x1i b2 x 2i b3 x3i b4 x 4i y i
i 1 i 1 i 1 i 1 i 1
n n n n n n
a x1i b1 x1i b2 x 2i x1i b3 x3i x1i b4 x 4i x1i x1i y i
2
i 1 i 1 i 1 i 1 i 1 i 1
n n n n n n
a x 2i b1 x 2i x1i b2 x 2i b3 x3i x 2i b4 x 4i x 2i x 2i y i
2
i 1 i 1 i 1 i 1 i 1 i 1
n n n n n n
a x3i b1 x3i x1i b2 x 2i x3i b3 x3i b4 x 4i x3i x3i y i
2
i 1 i 1 i 1 i 1 i 1 i 1
n n n n n n
a x 4i b1 x 4i x1i b2 x 2i x 4i b3 x3i x 4i b4 x 4i x 4i y i
2
i 1 i 1 i 1 i 1 i 1 i 1
Dari persamaan kuadrat a + b1x1 + b2x2 +b3x3 +b4x4 = y, dapat disusun matriks sebagai
berikut:
Unstandardized Standardized
Coefficients Coefficients
Minitab
Perhitungan Manual
b1 = 0,6523
b2 = 1,2259
b3 = 0,0624
b4 = -2,2927
Intersep
SPSS
Coefficients(a)
Unstandardized Standardized
Coefficients Coefficients
Minitab
Regression Analysis: Sistole versus Umur; BB; IMT; Diastole
Perhitungan Manual
a = 13,3460
Unstandardized Standardized
Coefficients Coefficients
Minitab
Perhitungan Manual
ŷ = a b1 x1 b2 x 2 b3 x3 b4 x 4
ŷ = 13,3460– 0,6523x1 + 1,2259x2 + 0,0624x3 + -2,2927x4
ANOVA(b)
Sum of
Model Squares df Mean Square F Sig.
1 Regression 3899,965 4 974,991 29,724 ,000(a)
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
Perhitungan Manual
JKR = = 3899,965
= 820,035
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 = f ;v1 ;v2
= 4720,000
Kekurangcocokan dihitung dari:
JKG – JKG (murni) = 3891,667-4720,000 = -828,333
7. Keputusan :
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
5. Daerah kritis : f-hitung > f-tabel
6. Perhitungan :
v1 = k-2 v2 = n-k f-tabel = f ;v1 ;v2
= 30-2 = 30-30
= f 0, 05; 28;0
= 28 =0
=
= 4720,000
Kekurangcocokan dihitung dari:
JKG – JKG (murni) = 2905,556-4720,000 = -1814,444
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
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= f ;v1 ;v2
= f 0, 05; 28;0 =
i 1
j 1
y 2
ij
i 1 ni
= 4720,000
Kekurangcocokan dihitung dari:
JKG – JKG (murni) = 450,000-4720,000 = -4270,000
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 = f ;v1 ;v2
= f 0, 05; 28;0
=
= 4720,000
Kekurangcocokan dihitung dari:
JKG – JKG (murni) = 1004,798-4720,000 = -3715,202
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
= = 5,727
= 13,985
3.2.1.5 Selang Kepercayaan
1. Selang Kepercayaan Untuk Slop
1.1 Output excel
i Selang kepercayaan
i Selang kepercayaan
Selang Kepercayaan
Selang Kepercayaan
i Nilai t
t 2.174
t1 -2.191
t2 -0.624
t3 0.495
t4 5.794
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 = t ;v
= t 0, 05; 25
= 1,708
7. Keputusan: Terima H1 karena t-hitung > t-tabel
8. Kesimpulan: α 0
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27
3.2.2.1 Korelasi
a. MS Excel
Tabel 3.36 Output Korelasi Ms Excel Data Validasi Regresi Linier Majemuk
b. SPSS
c. Minitab
Correlations: Sistole; umur; BB; IMT; Diastole
BB 0,377 0,032
0,040 0,866
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 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
Untuk r antara diastole dengan IMT dari output excel= 0.526681 spss=0,527
Minitab= 0,527
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27
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
b. SPSS
Sum of
Model 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
Coefficientsa
Standardize 95%
Unstandardize d Confidence Collinearity
d Coefficients Coefficients Interval for B Correlations Statistics
Lower Zero
Std. Boun Upper - Partia Toleranc
Model B Error Beta t Sig. d Bound order l Part e VIF
1 (Constant 2.17 . 131.80
67.680 31.135 3.556
) 4 039 3
umur -
. -.24
-2.164 .988 -.247 2.19 -4.198 -.130 -.260 -.401 .986 1.015
038 5
1
BB . -.07
-.220 .353 -.101 -.624 -.947 .507 .377 -.124 .473 2.114
538 0
IMT . .
.485 .982 .080 .495 -1.536 2.507 .407 .098 .477 2.095
625 055
Diastole 5.79 . .
1.413 .244 .797 .910 1.915 .789 .757 .661 1.513
4 000 648
a. Dependent Variable:
Sistole
2. Output Minitab
Regression Analysis: Sistole versus Umur; IMT; BB; Diastole
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
Analisa :
Dari output SPSS, minitab, dan microsoft excel didapatkan persamaan garis regresi
pada data validasi yang sama, yaitu
yˆ o 67,68 2,164 x1 0,22 x2 0,485 x3 1,413x4
. Persamaan ini memiliki nilai intersep dan slop yang berbeda cukup jauh dengan
persamaan garis regresi pada data model.
bi Nilai
31,135
b1 0,988
b2 0,353
b3 0,982
b4 0,244
3.2.3 Validasi
Data Model
Coefficientsa
Standardize 95%
Unstandardize d Confidence Collinearity
d Coefficients Coefficients Interval for B Correlations Statistics
Zero
Std. Lower Upper - Partia Toleranc
Model B Error Beta t Sig. Bound Bound order l Part e VIF
1 (Constant -
- . 33.80
) 24.624 -.687 67.62
16.912 499 3
7
Umur . .
.324 .933 .033 .347 -1.598 2.247 .277 .069 .759 1.318
731 029
BB . .
.294 .402 .106 .732 -.534 1.122 .056 .145 .329 3.043
471 061
IMT . .
.805 1.076 .101 .748 -1.412 3.022 .067 .148 .384 2.607
461 062
Diastole 10.32 . .
1.202 .116 .909 .962 1.442 .886 .900 .894 1.118
5 000 859
a. Dependent
Variable: Sistole
Model Summaryb
Change Statistics
R Adjusted R Std. Error of the R Square F Sig. F Durbin-
Model R Square Square Estimate Change Change df1 df2 Change Watson
a
1 .909 .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
Model Summaryb
Change Statistics
R Adjusted R Std. Error of the R Square F Sig. F Durbin-
Model R Square Square Estimate Change Change df1 df2 Change Watson
a
1 .829 .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
Uji Koefisien α
1. H0 : 12 22 .
2. H1 : 12 22 .
3. α : 0,1
4. Daerah kritis : f-hitung > f-tabel.
5. Perhitungan :
v1 = n1-1 v2 = n2-1 f-tabel = f ;v1 ;v2
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27
12 = 24,624 22 = 31,135
12 24,624
f-hitung = 2 = 31,135 = 0,7909
2
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 b1
1. H0 : 12 22 .
2. H1 : 12 22 .
3. α : 0,1
4. Daerah kritis : f-hitung > f-tabel.
5. Perhitungan :
v1 = n1-1 v2 = n2-1 f-tabel = f ;v1 ;v2
12 0,933
f-hitung = 2 = 0,988 = 0,9443
2
6. Keputusan : Terima H0 karena f-hitung < f-tabel
7. Kesimpulan : Variansi b1 model = variansi b1 validasi, maka
koefisien b1 model tersebut adalah valid.
Uji Koefisien b2
1. H0 : 12 22 .
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27
: 1 2 .
2 2
2. H1
3. α : 0,1
4. Daerah kritis : f-hitung > f-tabel.
5. Perhitungan :
v1 = n1-1 v2 = n2-1 f-tabel = f ;v1 ;v2
12 = 0,402 22 = 0,353
12 0,402
f-hitung = 2 = 0,353 = 1,1388
2
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 b3
1. H0 : 12 22 .
: 1 2 .
2 2
2. H1
3. α : 0,1
4. Daerah kritis : f-hitung > f-tabel.
5. Perhitungan :
v1 = n1-1 v2 = n2-1 f-tabel = f ;v1 ;v2
12 = 1,076 22 = 0,982
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27
12 1,076
f-hitung = 2 = 0,982 = 1,0957
2
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 b4
1. H0 : 12 22 .
: 1 2 .
2 2
2. H1
3. α : 0,1
4. Daerah kritis : f-hitung > f-tabel.
5. Perhitungan :
v1 = n1-1 v2 = n2-1 f-tabel = f ;v1 ;v2
12 = 0,277 22 = 0,204
12 0,116
f-hitung = = = 0,4754
22 0,224
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 : 12 22 .
: 1 2 .
2 2
2. H1
3. α : 0,1
4. Daerah kritis : f-hitung > f-tabel.
5. Perhitungan :
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27
12 = 5,71842 22 = 7,30157
12 5,71842
f-hitung = 2 = 7,30157 = 0,7832
2
6. Keputusan : Terima H0 karena f-hitung < f-tabel
7. Kesimpulan : Variansi R model = variansi R validasi, maka
koefisien korelasi tersebut adalah valid.
^ ^
y o t S x ( X ' X ) x0 I x10,20,. .,k0 y o t S x0' ( X ' X )1 x0
'
0
1
2 y 2
Dimana nilai dari t/2 adalah nilai distribusi-t dengan derajat kebebasan n-k-1.
Dengan persamaan regresi: yˆ o bo b1 x1 b2 x 2 b3 x3 b4 x 4
b Nilai
b0 -16.912
b1 0.324
b2 0.294
b3 0.805
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:
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27
n n n
n x1i x2i x ki
n i 1
n n
i 1 ... i 1
x x1i. x2i ... x1i .xki X ' X
x
2
i 1
1i
i 1
1i
i 1
n n n ... n
xki x ki .x1i xki .x2i x k1 2
i 1 i 1 i 1 i 1
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 Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27
X`0.(X`X)-1.X0 = 83.65853
483,97 I x
10, 20 ,..., k 0
774,3573
y
Dimana nilai dari t/2 adalah nilai distribusi-t dengan derajat kebebasan n-k-1.
Dengan menggunakan tabel distribusi-t diperoleh t0,025 = 2,060 untuk derajat
kebebasan 25. Jadi selang prediksi 95% untuk y0 adalah:
145,1935 (2,060)(7,30157) 1 83,65853 y 0
BAB IV
PENUTUP
4.1 Kesimpulan
Tabel 4.1 Uji Asumsi Pada Regresi Sederhana Model dan Validasi
Selang kepercayaan
Dari analisa kecocokan model dan kelinieran didapat bahwa model yang
dipakai cocok dan kelinearannya terdefinisi.
Perbandingan antara model dan validasi :
Persamaan garis
y = 30,196 + 29,444 x Y =50,444+15,259x
regresi
a 4,894 7,350
b 0,697 2,450
R 0,993 0,762
R2 0,985 0,581
R 18,691 24,155
Tabel 4.4 Uji Asumsi Pada Regresi Majemuk Model dan Validasi
Selang kepercayaan
Dari analisa kecocokan model dan kelinieran didapat bahwa model yang
dipakai cocok dan terdapat regresi linier.
Perbandingan antara model dan validasi :
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27
4.2 Saran
DAFTAR PUSTAKA
Walpole, R.E and Raymond H Myers. 1995. Ilmu Peluang dan Statistika Untuk
Insinyur dan Ilmuwan. Penerbit ITB: Bandung
Olahdata.com
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27