Modul 2 Statin Lengkap

Laporan Praktikum Statistika Industri
Modul 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 Industri

Universitas Diponegoro
1
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 :

2
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
Identifikasi Masalah
Pengumpulan Data
Studi Pustaka
Identifikasi variabel independen dan dependen
Pembuatan Modeel
a. Regresi Sederhana
b. Regresi Majemuk
Pengolahan Data
Pembuatan Validasi
a. Regresi Sederhana
b. Regresi Majemuk
Interpretasi dan Analisis
Kesimpulan dan Saran

3
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.

4
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.

5
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

6
Kelompok 27
a = konstanta
b = bobot regresi untuk variabel independen
x = variabel dependen
Lambang ŷ 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 :
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)
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:
b  0
t
s
J XX
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:

7
Kelompok 27
 0
t
n
 xi 2
s i 1
n.J xx
(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
2
 B   ; B 
2
 x 
n
2
 i x
i 1
n 2
 xi
 A   ; A  2
2 i 1
x 
 2
i x
JKG Jyy  Jxy

Dalam hal ini taksiran tak bias untuk 2 adalah s  
2
n2 n2
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)
2.1.4 Inferensi mengenai koefisien regresi

8
Kelompok 27
1. Suatu selang kepercayaan sebesar (1-) 100% untuk parameter  dalam

persamaan garis regresi yIx =  + x adalah:
t s t s
b 2
  b 2
J xx J xx
(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:
n n
t s
2
 xi2
i 1
t s
2
x
i 1
2
ii
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
(Walpole, Ilmu Peluang dan Statistika untuk Insinyur dan Ilmuwan )

9
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 Jumlah Kuadrat Derajat Rataan Kuadrat F Hitungan
Variasi Kebebasan
Regresi JKR 1 JKR JKR/s2
Galat JKG n-2 JKG

s2 
n2
Total JKT n-1
Hipotesis nol ditolak, yaitu jika nilai statistik F hitungan lebih besar dari nilai kritis f (1,n-
.
2)
2.1.6 Pengujian Kelinieran Regresi
Untuk pengujian kelinieran regresi dapat digunakan analisis variansi sebagai

berikut:

10
Kelompok 27
Tabel 2. 2 Analisis Variansi untuk Pengujian Kelinieran Regresi

Derajat
Sumber
Jumlah Kuadrat Kebebasa Rataan Kuadrat F Hitungan
Variasi
n
Regresi JKR 1 JKR JKR/s2

JKG
Galat JKG n-2 s2 
n2
Kekurang
JKG  JKG (murni )
cocokan  JKG  JKG (murni) k 2
 k  2



n  k


 JKG (murni ) JKG ( murni )
Galat s2 
n2
murni
Total JKT n-1
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

11
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 + ……+ rxrr
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)

12
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 : ( XT X) kemudian hasilnya diinverskan
( 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)
Dengan menggunakan lambang matrik, persamaan kuadrat dapat ditulis sebagai
y =x +  ……… (2.25)

 y1 
 y 2 
 
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

13
Kelompok 27
 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 
   
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
JKG
s2  ……. (2.27)
n  k 1
dimana nilai JKG ditentukan dengan rumusan sebagai berikut
JKG  JKT  JKR

n n
…….. (2.28)
JKG   ei    y i  yˆ 
2 2
i 1 i 1

14
Kelompok 27
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)
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 :
y 0  t  s X 0( X ' X ) 1   y Ix10, x 20,.... x k 0  y 0  t  s X ( X ' X ) 1 .... (2.30)

2 2
Suatu selang prediksi untuk Y0 selang prediksi (1-) 100% untuk respon
tunggal Y0 diberikan oleh :
y 0  t  s 1  X 0( X ' X ) 1  Y0  y 0  t  s 1  X ( X ' X ) 1 ..... (2.31)

2 2
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

15
Kelompok 27
Tabel 2. 3 Analisa Variansi untuk Peubah Orthogonal
Sumber Derajat Rataan F

Jumlah kuadrat
Variasi Kebebasan Kuadrat Hitungan
n
R 1 
β1 R 1   b12  x12i 1 R(β1)
i 1 S2
n
R  2 
β2 R  2   b22  x 22i 1 R(β2)
i 1 S2
….. ….. ….. ….. …..
n
R  k 
βk R  k   bk2  x ki2 1 R(βk)
i 1 S2
JKG
Galat JKG n–k-1 S2 
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
b0 = konstanta
br = bobot regresi untuk variable independent

16
Kelompok 27
Xn = variable independent
Model Regresi Linier dengan Matriks
Dalam mencocokan model regresi polinom dapat disederhanakan dengan

menggunakan matriks sebagai berikut :
 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 
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:
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

17
Kelompok 27
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.
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.
 Multikolinieritas

18
Kelompok 27
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
probability ploy yaitu plot antara residu yang distandarisasi dengan plot

19
Kelompok 27
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),

20
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
R  2 1 ,  3 ,  4 ,  5 
f  tak berarti
s2
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
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.
2.6.3 Metode Stepwise

21
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 R 2 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 (x 1,x2), (x1,x2), (x1,x4) adalah
R(21), R(31), dan R(41).
Sesudah x1 dan x3 dalam model, dihitung R(21, 3) dan R(41, 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.

22
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)

23
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
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

24
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

25
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
600
500
400
Harga
300
200
100
0 2.5 5 7.5 10 12.5 15
Kapasitas

26
Kelompok 27
Gambar 3.2 Scatter Diagram Output SPSS Data Model Regresi Linier Sederhana
 Minitab
Scatterplot of Harga vs Kapasitas
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:
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.

27
Kelompok 27
2. Uji Normalitas
 SPSS
Normal P-P Plot of Regression Standardized

Residual
Dependent Variable: Harga

Expected Cum Prob
1.0
0.8
0.6
0.4
0.2
0.0
0.0 0.2 0.4 0.6 0.8 1.0
Observed Cum Prob
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

28
Kelompok 27
 Minitab
Normal Probability Plot of the Residuals

(response is Harga)
99
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:
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

29
Kelompok 27
 SPSS
Regression Standardized
Predicted Value
Scatterplot
Dependent Variable: Harga
2.5
2.0
1.5
1.0
0.5
0.0
-0.5
-1.0
-2 0 2
Regression Studentized Residual
Gambar 3.6 Scatter Plot Uji Heteroskesdastisitas Output SPSS Data Model Regresi Linier
Sederhana
Analisis:

30
Kelompok 27

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
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)
Adjusted R Std. Error of

Model R R Square Square 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:

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

31
Kelompok 27
autokorelasi. Dari hasil uji di atas, dapat disimpulkan bahwa data model untuk regresi
linier sederhana ini lolos uji autokorelasi.
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
N 30 30
** Correlation is significant at the 0.01 level (2-tailed).
Tabel 3.5 Coefficients 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 29,994 ,697 ,993 43,028 ,000 28,566 31,422 1,000 1,00

32
Kelompok 27
0
a Dependent Variable: Harga
- Minitab
Pearson correlation of Kapasitas and Harga = 0,993

P-Value = 0,000
- 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

33
Kelompok 27
 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 n2 0,993 28
t    44,4862
2
1 r 1  0,9932
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
4. Daerah kritis : z < -1,96 dan z > 1,96
5. Perhitungan

34
Kelompok 27
n  3  (1  r )(1   0 ) 
z ln  
2  (1  r )(1   0 ) 
30  3  (1  0,993)(1  0,9)   0,1993 

z ln    2,598 ln  = 7,0329
2  (1  0,993)(1  0,9 )   0,0133 
6. Kesputusan : Tolak Ho karena z-hitung berada didaerah kritis.

7. Kesimpulan : Ada petunjuk yang jelas bahwa koefisien korelasi
melebihi 0,9.
2. Koefisien Determinasi
Tabel 3.6 Model Summary SPSS Data Model Regresi Linier Sederhana
Model Summary(b)

1 ,993(a) ,985 ,985 18,691 1,547
 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:
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

35
Kelompok 27
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).
3.1.1.3 Regresi Linier Sederhana
- 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

36
Kelompok 27
Tabel 3.8 Anova Data Model Regresi Linier Sederhana
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
- 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

37
Kelompok 27
- 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
Coefficient Standar Upper Lower Upper

s d Error t Stat P-value Lower 95% 95% 95,0% 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

38
Kelompok 27
Nilai b yang ditaksir dari rumus adalah:

n  n  n 
n 
i 1
xi. yi  
   xi  

yi 
 i 1   i 1 

b
2
n  n 
n  xi  
2
 
xi 

i 1  i 1 
30( 48921)  (151)(5435)
b
30(1479)  (151) 2
646945
b  29,994
21569
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:

n n
 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.
3. Persamaan Garis Regresi
Persamaan garis regresinya yaitu

a = 30,196
b = 29,994
Model: yˆ  a  bx
ˆ  30,196  29,994 x
y

39
Kelompok 27
Dari persamaan tersebut dapat dikatakan bahwa :
 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:

ˆ  30,196  29,994 x
y
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)
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 variasi Jumlah Derajat Rataan Kuadrat F Hitung

40
Kelompok 27
Kuadrat kebebasan
Regresi 646820 1 646820,024 1851,431
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
 ei² Jyy  b ² Jxx

2
656602,17  ( 29,994) (718,97) 9787,97
Se²  i 1     349,5
n2 n2 30  2 28

41
Kelompok 27
2. Taksiran Kesalahan Baku dari Parameter Regresi Linier
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
3.1.15 Selang Kepercayaan
Taksiran tak bias untuk S2 adalah

2 JKG J yy  b.J xy 656602,17  (29,994)(21564,833) 9786,569
S      349,520
n2 n2 30  2 28
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
1. Selang Kepercayaan Slop

42
Kelompok 27
Suatu selang kepercayaan sebesar (1-0,05).100% atau 95% untuk parameter 

dalam persamaan regresi Y X =  + x diberikan sebagai
t .s t .s
b 2
  b 2
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
2. Selang Kepercayaan Intersep
Suatu selang kepercayaan sebesar (1-0,05).100% atau 95% untuk parameter 

dalam persamaan regresi Y X =  + x diberikan sebagai
n n
t .s
2
 xi 2
i 1
t .s
2
 xi
i 1
2
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

43
Kelompok 27
3.1.1.6 Uji Hipotesis
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
b  0 29,994  0 29,994
t    43,019
s 18,695 0,697
J XX 718,97
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

44
Kelompok 27
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
  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
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
Kapasitas Media Harga

No Penyimpanan (ribu
(gigabyte) rupiah)
1 2 147
2 2 57

45
Kelompok 27
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
Tabel 3.11 Correlations Data Validasi Regresi Linier Sederhana
Correlations

46
Kelompok 27
Kapasitas Harga
Kapasitas Pearson Correlation 1 ,762(**)
N 30 30
Harga Pearson Correlation ,762(**) 1
N 30 30
- Minitab
Correlations: Kapasitas; Harga
Pearson correlation of Kapasitas and Harga = 0,762

P-Value = 0,000
- 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.

47
Kelompok 27
3.1.2.2 Regresi Linier Sederhana
- SPSS
Tabel 3.12 Model Summary Data Validasi Regresi Linier Sederhana
Model Summary(b)

1 ,762(a) ,581 ,566 24,155 1,186
Tabel 3.13 Anova Data Validasi Regresi Linier Sederhana
ANOVA(b)
Sum of
1 Regression 22632,533 1 22632,533 38,789 ,000(a)
Residual 16337,333 28 583,476
Total 38969,867 29
Tabel 3.14 Coefficients Data Validasi Regresi Linier Sederhana
Coefficients(a)
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.

1 (Constant) 50,444 7,350 6,863 ,000
Kapasitas 15,259 2,450 ,762 6,228 ,000

48
Kelompok 27
- Minitab
Regression Analysis: Harga versus Kapasitas

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%
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.

49
Kelompok 27
- 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
Coefficient Standar Upper Lower Upper

s d Error t Stat P-value Lower 95% 95% 95,0% 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.

50
Kelompok 27
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
1. Taksiran Kesalahan Baku dari Regresi Linier Sederhana
 ei² Jyy  b ² Jxx 38969,87  (15,23) 2 (97,2) 16424,048

Se²  i 1     586,57
n2 n2 30  2 28
2. Taksiran Kesalahan Baku dari Parameter Regresi Linier
Sederhana
 1 ( x)² 
Sa ²  Se²  
n Jxx 
 1 2,4
2 
 586,57  
 30 97,2 
 
= 54,312

51
Kelompok 27
 Se ² 
Sb²   
 Jxx 
= 6,035
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 = 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

52
Kelompok 27
 12 23,951
Maka nilai f = = = 0,443
 22 54,0225
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  22 )
 Uji Koefisien 
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
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  22 )
 Uji Koefisien R

53
Kelompok 27
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
6. Keputusan: Terima Ho karena nilai f hitung berada diluar daerah kritis

sehingga kedua data tersebut valid.
7. Kesimpulan : Kedua model valid (12 = 22 )
Analisis :
 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
dengan nilai f (perbandingan antara  12 dengan  22 ) 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 (12  22 ). Daerah kritis terjadi
bila f < 0,54 atau f > 1,84. Hasil perhitungan menunjukkan bahwa Ho
diterima dengan nilai f (perbandingan antara  12 dengan  22 ) sebesar 0,081
berada di daerah kritisnya. Sehingga variansi  model tidak sama dengan

variansi  validasi, dan konstanta  model tersebut adalah tidak valid.

54
Kelompok 27
 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
diterima dengan nilai f (perbandingan antara  12 dengan  22 ) 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 YX0
diberikan dengan rumus
1 
X X 2  YX 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

55
Kelompok 27
Dan ( x0  x ) 2 = (4-5,03)2 = 1,06

Jxx = 718,97
Jadi selang kepercayaan 95% untuk Y X0 adalah :
1 1,06 1 1,06
150,172  (2,048  18,697)   YX 0  150,172  ( 2,048  18,697) 
30 718,97 30 718,97
dan bila disederhanakan menjadi

143,056  YX 0  157,316
3.1.4.2 Selang Prediksi Tunggal
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.
Bila X0 adalah data variabel x pertama yaitu x0 = 4 ; X  5,03 (tabel descriptive

statistic); n = 30; s = 18,697 (dari tabel model summary); maka nilai ŷ 0 sebagai
berikut:
ˆ o  30,196  29,994( 4)
y = 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
1 1,0609 1 1,0609
150,172  ( 2,048  18,697 ) 1    yo  150,172  ( 2,048  18,697) 1  
30 718,97 30 718,97
dan bila disederhanakan menjadi

111,219  y 0  189,124

56
Kelompok 27
3.2 Regresi Linear Majemuk
3.2.1 Data Model
Tabel 3.17 Data Model Korelasi dan Regresi Linear Majemuk
No Sistole Umur BB IMT diastole

1 150 28 55 20,7 100
2 120 29 55 20,2 80
3 130 27 55 19,49 90
4 120 26 55 20,45 70
5 130 26 59 22,48 90
6 130 28 49 18,22 90
7 140 29 61 20,15 90
8 120 27 64 24,69 80
9 110 25 56 20,82 70
10 120 25 49 19,88 80
11 140 26 51 20,43 90
12 120 25 60 22,04 80
13 120 28 59 20,9 80
14 110 26 55 19,49 80
15 100 25 45 17,8 70
Lanjutan Tabel 3.17
16 120 26 55 20,25 80
17 120 25 55 18,59 80
18 100 27 55 19,96 70
19 130 28 50 18,59 90
20 150 26 53 21,5 100
21 120 25 51 19,67 80
22 140 25 53 19,23 90
23 110 25 54 19,83 70
24 120 26 55 23,19 80
25 120 25 45 18,03 90
26 130 25 45 17,36 100
27 110 25 54 19,83 70
28 120 25 48 19,23 80
29 140 25 54 19,36 100
30 130 26 51 18,73 90
3.2.1.1 Uji Asumsi

57
Kelompok 27
1. Uji Multikolinearitas
 SPSS
Tabel 3.18 Collinearity Statistics Data Model Regresi Linear Majemuk
Collinearity Statistics
Model 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
Tabel 3.20 Collinearity Diagnostics Data Model Regresi Linear Majemuk
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

58
Kelompok 27
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
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
1,166 3,271 2,273 ,557 30
Predicted Value
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
Analisa :
Ho= tidak terjadi multikolinearitas
H1 = terjadi multikolinearitas
Daerah kritis: VIF < 5
Keputusan: VIF < 5, terima Ho

59
Kelompok 27
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
Daerah kritis: apabila plot mendekati garis maka distribusi normal

60
Kelompok 27
Normal P-P Plot of Regression Standardized Residual
Dependent Variable: VAR00001
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
Observed Cum Prob
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

61
Kelompok 27
Daerah kritis: KS < 2,42
Normal Probability Plot of the Residuals

(response is C1)
99
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
Keputusan : Terima Ho karena KS > 2,42

Kesimpulan : Data berdistribusi normal
3. Uji Heteroskesdastisitas
 SPSS

62
Kelompok 27
Scatterplot
Dependent Variable: Sistole
1
Regression Studentized Residual
-1
-2
-2 0 2
Regression Standardized Predicted Value
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.

63
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
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

64
Kelompok 27
3.2.1.2 Korelasi
1. Perhitungan Koefisien Korelasi
 Minitab
sistole = - 16,5 + 0,319 umur + 0,309 BB + 0,75 IMT + 1,20
diastole

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 0.05 level (2-tailed).

65
Kelompok 27
 Perhitungan :
1. Koefisien Korelasi Pearson X1.Y
5. Koefisien Korelasi Pearson X1. X2

66
Kelompok 27
a. Uji Hipotesis
1. JKG = JKT – JKR
s2 =

67
Kelompok 27
= 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
H1 : ρ < 0.9
Taraf keberartian α =0.05
Daerah kritis t < -2.048 dan t > 2.048

Perhitungan :

68
Kelompok 27
= 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 Square the Estimate
1 ,909(a) ,826 ,798 5,72725
a Predictors: (Constant), Diastole, IMT, Umur, BB
b Dependent Variable: Sistole
 Minitab
diastole

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%

69
Kelompok 27
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 Square the Estimate
1 ,909(a) ,826 ,798 5,72725
 Minitab
diastole

70
Kelompok 27

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.Y
No Sistole Umur BB IMT diastole
1 150 28 55 20.7 100 4200 8250 3105 15000
2 120 29 55 20.2 80 3480 6600 2424 9600
3 130 27 55 19.49 90 3510 7150 2533.7 11700
4 120 26 55 20.45 70 3120 6600 2454 8400
5 130 26 59 22.48 90 3380 7670 2922.4 11700
6 130 28 49 18.22 90 3640 6370 2368.6 11700

71
Kelompok 27
7 140 29 61 20.15 90 4060 8540 2821 12600
8 120 27 64 24.69 80 3240 7680 2962.8 9600
9 110 25 56 20.82 70 2750 6160 2290.2 7700
10 120 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 12600
12 120 25 60 22.04 80 3000 7200 2644.8 9600
13 120 28 59 20.9 80 3360 7080 2508 9600
14 110 26 55 19.49 80 2860 6050 2143.9 8800
15 100 25 45 17.8 70 2500 4500 1780 7000
16 120 26 55 20.25 80 3120 6600 2430 9600
17 120 25 55 18.59 80 3000 6600 2230.8 9600
18 100 27 55 19.96 70 2700 5500 1996 7000
19 130 28 50 18.59 90 3640 6500 2416.7 11700
20 150 26 53 21.5 100 3900 7950 3225 15000
21 120 25 51 19.67 80 3000 6120 2360.4 9600
22 140 25 53 19.23 90 3500 7420 2692.2 12600
23 110 25 54 19.83 70 2750 5940 2181.3 7700
24 120 26 55 23.19 80 3120 6600 2782.8 9600
25 120 25 45 18.03 90 3000 5400 2163.6 10800
26 130 25 45 17.36 100 3250 5850 2256.8 13000
27 110 25 54 19.83 70 2750 5940 2181.3 7700
28 120 25 48 19.23 80 3000 5760 2307.6 9600
29 140 25 54 19.36 100 3500 7560 2710.4 14000
30 130 26 51 18.73 90 3380 6630 2434.9 11700

72
Kelompok 27
Σ 3720 784 1606 601.09 2510 97350 199240 74574 314400

73
Kelompok 27
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

74
Kelompok 27
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 = a  b1 x1  b2 x 2  b3 x3  b4 x 4
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
Sehingga didapatkan persamaan berikut :
+784 +1606 +601,09 =2510

75
Kelompok 27
+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:
1. Parameter (Slop & Intersep)

 Slop
 SPSS
Tabel 3.26 Coefficients Data Model Regresi Linear Majemuk
Coefficients(a)

76
Kelompok 27
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
 Minitab
Regression Analysis: Sistole versus Umur; BB; IMT; Diastole

sistole = - 16,5 + 0,319 umur + 0,309 BB + 0,75 IMT + 1,20 diastole

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
b1 = 0,6523
b2 = 1,2259
b3 = 0,0624
b4 = -2,2927
 Intersep

77
Kelompok 27
 SPSS
Coefficients(a)

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
 Minitab


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%
a = 13,3460

78
Kelompok 27
2. Persamaan Garis Regresi Linear Majemuk

 SPSS
Coefficients(a)

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
 Minitab


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%

79
Kelompok 27
ŷ = a  b1 x1  b2 x 2  b3 x3  b4 x 4
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)
Sum of
1 Regression 3899,965 4 974,991 29,724 ,000(a)
Residual 820,035 25 32,801
Total 4720,000 29
 Minitab
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

80
Kelompok 27
Obs C2 C1 Fit SE Fit Residual St Resid

4 26,0 120,00 108,28 1,85 11,72 2,16R
Menghitung JKR, JKG, JKT
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

81
Kelompok 27
6. Perhitungan :
v1 = 30-2 v2 = n-k f-tabel = f   ;v1 ;v2 
= 30-2 = 30-30 = f  0, 05; 28;0 

= 28 =0 = 
JKR = b. Jxy = 828,333
JKT = Jyy = 4720,000
JKG = Jyy – b. Jxy = 3891,667

k ni k ni k
Ti 2
JKG murni = i 1
 ( yij  y)2  
j 1 i 1
 yij2  
j 1 i 1 ni
= 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 828,333 1 207,083 1,330
Galat 3891,667 28
Kekurangcocokan -823,333 0 - -
Galat murni 4720,000 30 155,667
Total 4720,000 29
7. Keputusan :

82
Kelompok 27
 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
Uji Hipotesis
3. α : 0,05
4. k : 30
6. Perhitungan :
v1 = k-2 v2 = n-k f-tabel = f   ;v1 ;v2 
= 30-2 = 30-30
= f  0, 05; 28;0 
= 28 =0
= 
JKR = b. Jxy = 1814,444

JKT = Jyy = 4720,000
JKG = Jyy – b. Jxy = 2905,556
k ni k ni k
Ti 2
JKG murni = 
i 1
 ( yij  y)2  
j 1 i 1
 yij2  
j 1 i 1 ni
= 4720,000
JKG – JKG (murni) = 2905,556-4720,000 = -1814,444


83
Kelompok 27
Regresi 1814,444 1 151,204 0,885

Galat 2905,556 28
Galat murni 4720,000 30 170,915
Total 4674577937 29
7. Keputusan:
 untuk kekurangcocokan : Terima H0 karena f-hitung < f-tabel
Uji Hipotesis
3. α : 0,05
4. k : 30
6. Perhitungan :
v1 = k-2
= 30-2= 28
v2 = n-k
= 30-30= 0
f-tabel= f   ;v1 ;v2 
= f  0, 05; 28;0  = 

84
JKR = b. Jxy = 4270,000
JKT = Jyy = 4720,000
JKG = Jyy – b. Jxy = 450,000
k ni k ni
Ti 2
k
JKG murni =  (y
i 1 j 1
ij  y)  
2
i 1

j 1
y 2
ij
i 1 ni
= 4720,000
JKG – JKG (murni) = 450,000-4720,000 = -4270,000

Regresi 4270,000 1 170,800 1,518
Galat 450,000 28
Galat murni 4720,000 30 112,500
Total 4720,000 29
7. Keputusan:
 untuk kekurangcocokan : Terima H0 karena f-hitung < f-tabel
Uji Hipotesis
3. α : 0,05
4. k : 14
6. Perhitungan :
v1 = k-2
= 30-2
= 28
v2 = n-k
= 30-30
=0
f-tabel = f   ;v1 ;v2 
= f  0, 05; 28;0 
= 
JKR = b. Jxy = 3715,202
JKT = Jyy = 4720,000

JKG = Jyy – b. Jxy = 1004,798
k ni k ni k
Ti 2
JKG murni = 
i 1
 ( yij  y)2  
j 1 i 1
 yij2  
j 1 i 1 ni
= 4720,000
JKG – JKG (murni) = 1004,798-4720,000 = -3715,202

Regresi 3715,202 1 1238,401 0,000
Galat 1004,798 28
Galat murni 4720,000 30 38,045
Total 4720,000 29
7. Keputusan:
 Untuk regresi : Terima H0 karena f-hitung < t-tabel
 Untuk kekurangcocokan : Terima H0 karena f-hitung < t-tabel

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 Standard P- Lower Upper Lower Upper
ents Error t Stat value 95% 95% 95,0% 95,0%
- - - -
Interc 16.4635 24.69644 0.666 0.511 67.32685 34.3996 67.32685 34.3996
ept 85 211 64 109 958 8884 958 8884
- -
0.31898 0.936337 0.340 0.736 1.609439 2.24740 1.609439 2.24740
Umur 319 23 671 197 421 5796 421 5796
- -
0.30898 0.404742 0.763 0.452 0.524595 1.14256 0.524595 1.14256
BB 689 541 416 36 965 9754 965 9754
- -
0.74832 1.079318 0.693 0.494 1.474576 2.97121 1.474576 2.97121
IMT 142 653 328 496 937 9779 937 9779
- -
Diasto 1.20224 0.116629 10.30 1.73E- 0.962040 1.44244 0.962040 1.44244
le 446 783 821 10 931 7994 931 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%.

Dengan adanya nilai variabel BB maka koefisien yang berpengaruh
terhadap nilai systole berada antara -0.524595965 sampai dengan

Dengan adanya nilai variabel IMT maka koefisien yang berpengaruh
terhadap nilai sistole berada antara -1.474576937 sampai dengan

Dengan adanya nilai variabel diastole maka koefisien yang berpengaruh
terhadap nilai systole berada antara --0.962040931 sampai dengan
1.2 Output SPSS
Tabel 3.35 Coefficients Data Regresi Linier Majemuk

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
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

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%.

Dengan adanya nilai variabel BB maka koefisien yang berpengaruh
terhadap nilai systole berada antara -0.534 sampai dengan 1.122 dengan

Dengan adanya nilai variabel IMT maka koefisien yang berpengaruh
terhadap nilai sistole berada antara -1.412 sampai dengan 3.022 dengan

Dengan adanya nilai variabel diastole maka koefisien yang berpengaruh
terhadap nilai systole berada antara -0.962 sampai dengan 1.442 dengan
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
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
t1 -2.191
t2 -0.624
t3 0.495
t4 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 t-tabel = t   ;v 
= 30-4-1 = t  0, 05; 25 
= 25
= 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
5. t-hitung : -0,624
6. Perhitungan :
v = n-k-1 t-tabel = t   ;v 
= 30-4-1 = t  0, 05; 25 
= 25
= 1,708

1. H0 : 3 = 0
2. H1 : 3  0
3. α : 0,05
5. t-hitung : -0,495
6. Perhitungan :
v = n-k-1
= 30-4-1
= 25
t-tabel = t   ;v 
= t  0 , 05; 25 
= 1,708

1. H0 : 4 = 0
2. H1 : 4  0
3. α : 0,05
5. t-hitung : 5,794
6. Perhitungan:
v = n-k-1
= 30-4-1
= 25
= t  0 , 05; 25 
= 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
5. t-hitung : 2,174
6. Perhitungan :
v = n-k-1
= 30-4-1
= 25
= t  0, 05; 25 
= 1,708
7. Keputusan: Terima H1 karena t-hitung > t-tabel
8. Kesimpulan: α  0
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 Sistole
1.000 -.260 .377 .407 .789
Correlation
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
IMT 0,407 0,088 0,697

0,025 0,645 0,000
Kelompok 27
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
 Untuk r antara diastole dengan IMT dari output excel= 0.526681 spss=0,527
Minitab= 0,527
Kelompok 27
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 Standard P- Lower Upper Lower Upper

cients Error t Stat value 95% 95% 95,0% 95,0%
67.67
95055 31.13508 2.173 0.039 3.55560 131.803 3.55560 131.803
Intercept 4 03 738 401 7855 4032 7855 4032
- - - - - -
2.163 0.987539 2.191 0.037 4.19762 0.12987 4.19762 0.12987
umur 74821 195 05 984 3241 319 3241 3186
- - - -
0.220 0.353037 0.624 0.538 0.94747 0.50670 0.94747 0.50670
BB 38576 275 26 115 9637 8107 9637 8107
0.485 - -
46124 0.981674 0.494 0.625 1.53633 2.50725 1.53633 2.50725
IMT 7 523 524 254 5263 7756 5263 7756
Diastole 1.412 0.243780 5.794 4.85E 0.91045 1.91460 0.91045 1.91460
52709 419 26 -06 1931 2266 1931 2266
Kelompok 27
b. SPSS
Tabel 3.38 Model Summary Data Validasi Regresi Linier Majemuk

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 3.39 Anova Data Validasi Regresi Linier Majemuk

ANOVA(b)
Sum of
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
Tabel 3.40 Coefficients Data Validasi Regresi Linier Majemuk

Kelompok 27
Coefficientsa
Standardize 95%
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
Sistole
2. Output Minitab
Regression Analysis: Sistole versus Umur; IMT; BB; Diastole

sistole = 67,7 - 2,16 umur - 0,220 IMT + 0,485 BB + 1,41 Diastole

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%

Kelompok 27
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
Obs umur sistole Fit SE Fit Residual St Resid

16 25,0 150,00 131,28 3,70 18,72 2,97R
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.

Kelompok 27
bi Nilai
 31,135
b1 0,988
b2 0,353
b3 0,982
b4 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.
penyimpangan yang terjadi pada koefisien b4 adalah sebesar 0,244
3.2.3 Validasi
Data Model
Tabel 3.41 Coefficients Data Model Regresi Linier Majemuk

Kelompok 27
Coefficientsa
Standardize 95%
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
Tabel 3.42 Model Summary Data Model Regresi Linier Majemuk

Kelompok 27
Model Summaryb
Change Statistics
a
1 .909 .827 .799 5.71842 .827 29.835 4 25 .000 1.928
b. Dependent Variable:Sistole
Data Validasi
Tabel 3.43 Coefficients Data Validasi Regresi Linier Majemuk

Coefficientsa
Standardize 95%
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
IMT . -.07
-.220 .353 -.101 -.624 -.947 .507 .377 -.124 .473 2.114
538 0
BB . .
.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
Sistole
Tabel 3.44 Model Summary Data Validasi Regresi Linier Majemuk

Kelompok 27
Model Summaryb
Change Statistics
a
1 .829 .688 .638 7.30157 .688 13.758 4 25 .000 1.880
b. Dependent Variable: Sistole
Tabel 3.45 Perbandingan Data Model dan Validasi Regresi Linier Majemuk
Keterangan Model Validasi

Pers. garis
yˆ o  16,912  0,324 x1  0,294 x2  0,805 x3yˆo1
,202 4  2,164 x1  0, 22 x2  0, 485 x3 
67,x68
regresi
 24,624 31,135
b1 0,933 0,988
b2 0,402 0,353
b3 1,076 0,982
b4 0,116 0,244
R 0,909 0,829
R2 0,827 0,688
R 5,71842 7,30157
 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 
Kelompok 27
= 30-1 = 30-1 = f  0, 05; 29; 29 

= 29 = 29 = 1,8583
 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
5. Perhitungan :
v1 = n1-1 v2 = n2-1 f-tabel = f   ;v1 ;v2 
= 30-1 = 30-1 = f  0, 05; 29; 29 

= 29 = 29 = 1,8583
 12 = 0,933  22 = 0,988
 12 0,933
f-hitung = 2 = 0,988 = 0,9443
2
1. H0 :  12   22 .
Kelompok 27
: 1   2 .
2 2
2. H1
3. α : 0,1
5. Perhitungan :
v1 = n1-1 v2 = n2-1 f-tabel = f   ;v1 ;v2 
= 30-1 = 30-1 = f  0, 05; 29; 29 

= 29 = 29 = 1,8583
 12 = 0,402  22 = 0,353
 12 0,402
f-hitung = 2 = 0,353 = 1,1388
2
1. H0 :  12   22 .
: 1   2 .
2 2
2. H1
3. α : 0,1
5. Perhitungan :
v1 = n1-1 v2 = n2-1 f-tabel = f   ;v1 ;v2 
= 30-1 = 30-1 = f  0, 05; 29; 29 

= 29 = 29 = 1,8583
 12 = 1,076  22 = 0,982
Kelompok 27
 12 1,076
f-hitung = 2 = 0,982 = 1,0957
2
1. H0 :  12   22 .
: 1   2 .
2 2
2. H1
3. α : 0,1
5. Perhitungan :
v1 = n1-1 v2 = n2-1 f-tabel = f   ;v1 ;v2 
= 30-1 = 30-1 = f  0, 05; 29; 29 

= 29 = 29 = 1,8583
 12 = 0,277  22 = 0,204
 12 0,116
f-hitung = = = 0,4754
 22 0,224
 Uji Koefisien R
1. H0 :  12   22 .
: 1   2 .
2 2
2. H1
3. α : 0,1
5. Perhitungan :
Kelompok 27
v1 = n1-1 v2 = n2-1 f-tabel = f   ;v1 ;v2 
= 30-1 = 30-1 = f  0, 05; 29; 29 

= 29 = 29 = 1,8583
 12 = 5,71842  22 = 7,30157
 12 5,71842
f-hitung = 2 = 7,30157 = 0,7832
2
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:
^ ^
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:
Kelompok 27
ŷ o = -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:
 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:
Kelompok 27
 372 784 1606 601,09 

Untuk matriks X`0 = 1
 3 30 30 30 
=[1 124 26,13 53,53 20,04 ]
X`0.(X`X)-1.X0 = 83.65853
Maka selang prediksi rata-ratanya adalah :
145,1935  (2,060)(7,30157) 83,65853   I x10, 20,...,k 0  145,1935  (2,060)(7,30157)

y
 483,97   I x
10, 20 ,..., k 0
 774,3573
y
3.2.4.2 Selang prediksi tunggal
Suatu selang prediksi tunggal diberikan dengan formula sebagai berikut:
yˆ 0  t s 1  x0 ' ( X ' X ) 1 x0  y 0  yˆ 0  t s 1  x0 ' ( X ' X ) 1 x0

2 2
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 
145,1935  ( 2,060)(7,30157) 1  83,65853
dan bila disederhanakan menjadi: -491.491< y0 < 781.8779

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
Tabel 4.2 Selang Kepercayaan Pada Regresi Sederhana

Kelompok 27
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
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
Persamaan regresi tersebut cukup valid untuk digunakan.
4.1.2 Regresi Majemuk
Uji asumsi meliputi : uji mutikolinieritas, heteroskesdastisitas, normalitas

dan autokorelasi. Uji ini dilakukan pada regresi sederhana model dan
validasi.
Kelompok 27
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
yx0,x20,…xko -483,97< Y x10 , x 20 ,..., x k 0 <

774,3573
Prediksi y0 -491.491< y0 < 781.8779
Dari analisa kecocokan model dan kelinieran didapat bahwa model yang
dipakai cocok dan terdapat regresi linier.
Perbandingan antara model dan validasi :
Kelompok 27
Tabel 4.6 Perbandingan antara Model dan Validasi

Pers. garis
yˆ o  16,912  0,324 x1  0,294 x2  0,805 x3yˆo1
,202 4  2,164 x1  0, 22 x2  0, 485 x3 
67,x68
regresi
 24,624 31,135
b1 0,933 0,988
b2 0,402 0,353
b3 1,076 0,982
b4 0,116 0,244
R 0,909 0,829
R2 0,827 0,688
R 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.
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.
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
Kelompok 27

Modul 2 Statin Lengkap

Uploaded by

Document Information

Original Description:

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Modul 2 Statin Lengkap

Uploaded by

Copyright:

Available Formats

Laporan Praktikum Statistika Industri

Modul 2 Korelasi dan Regresi Linier

1.1 LATAR BELAKANG

Program Studi Teknik Industri

1.2 TUJUAN PRAKTIKUM

1.3 PEMBATASAN MASALAH

1.4 METODOLOGI PRAKTIKUM

Program Studi Teknik Industri

1. Menentukan data suatu populasi untuk regresi sederhana dengan mengambil 1

Identifikasi variabel independen dan dependen

Interpretasi dan Analisis

Kesimpulan dan Saran

Program Studi Teknik Industri

1.5 SISTEMATIKA PRAKTIKUM

BAB II DASAR TEORI

BAB III PENGOLAHAN DAN ANALISIS DATA

Program Studi Teknik Industri

2.1 Regresi Sederhana

 Regresi sederhana (dengan satu variabel independen)

 Regresi ordinal, yaitu regresi dengan variabel dependen yang berjenis

Dalam regresi dikenal adanya dua jenis peubah, yaitu :

1. Peubah bebas (independent variable)

Adalah variabel/ peubah yang nilai-nilainya tidak bergantung pada variabel

2. Peubah terikat (dependent variable)

Adalah variabel/ peubah yang nilai-nilainya bergantung pada variabel lainnya,

Program Studi Teknik Industri

2.1.1 Persamaan Garis Regresi

dengan taksiran a dan b masing-masing menyatakan perpotongan terhadap sumbu y dan

Dimana : ŷ = prediksi nilai variabel dependen

Program Studi Teknik Industri

b = bobot regresi untuk variabel independen

Lambang ŷ digunakan disini untuk membedakan antara taksiran atau nilai

Bila diketahui sampel {(xi,yi);1 = 1, 2, 3, …n} maka taksiran kuadrat terkecil a

2.1.2 Taksiran Nilai t  dan t 

Untuk menguji hipotesis nol bahwa  = 0 melawan tandingan yang sesuai

Sedangkan untuk menguji hipotesis nol  = 0 bahwa melawan tandingan yang

Sedangkan nilai tα -hitung diperoleh dari rumus:

Program Studi Teknik Industri

2.1.3 Sifat Penaksir Kuadrat Terkecil

Baik a maupun b mempunyai sifat-sifat sebagai berikut

JKG Jyy  Jxy

2.1.4 Inferensi mengenai koefisien regresi

Program Studi Teknik Industri

1. Suatu selang kepercayaan sebesar (1-) 100% untuk parameter  dalam

(t/2 menyatakan nilai dist-t dengan v = n-2)

2. Suatu selang kepercayaan sebesar (1-) 100% untuk parameter  dalam

(t/2 menyatakan nilai dist-t dengan v = n-2)

(t/2 menyatakan nilai dist-t dengan v = n-2)

(t/2 menyatakan nilai dist-t dengan v = n-2)

(Walpole, Ilmu Peluang dan Statistika untuk Insinyur dan Ilmuwan )

Program Studi Teknik Industri

2.1.5 Pemilihan Model Regresi

yIx =  + x1 + x2.

Tabel 2. 1 Analisis Variansi dengan β=0 untuk Pemilihan Model Regresi

Regresi JKR 1 JKR JKR/s2

Galat JKG n-2 JKG

Total JKT n-1

2.1.6 Pengujian Kelinieran Regresi

Untuk pengujian kelinieran regresi dapat digunakan analisis variansi sebagai

Program Studi Teknik Industri

Tabel 2. 2 Analisis Variansi untuk Pengujian Kelinieran Regresi

Regresi JKR 1 JKR JKR/s2