Professional Documents
Culture Documents
"Analisis Data Regresi Linier Berganda dan Regresi Polinom Menggunakan Software
Minitab 16 dan SPSS 20
Oleh :
Anies Yulinda Wulandari
081611833002
Dosen Pengajar :
Suliyanto
I. Sumber Data
Dalam penelitian ini digunakan data praktikum variabilitas individu oleh Mega
Sukarno yang berjudul Analisis Pengaruh Panjang, Lebar, dan Tinggi
Cangkang Terhadap Berat Keseluruhan Kerang Kijing (Razor Clam)
II. Ringkasan
Praktikum ini berhubungan dengan variabilitas di antara individu yang dilakukan
dengan metode deskripsi statistik yang terdiri dari rata-rata, akurasi dan presisi,
membandingkan dua populasi statistic, regresi, dan koefisien determinan.
Berdasarkan hal tersebut, praktikum ekologi mengenai variabilitas di antara individu
dapat dijadikan sebagai pengembangan analisis data yang dilakukan dari suatu
percobaan sehingga diharapkan semakin terampil dalam melakukan analisis
perhitungan dan ketelitian. Pembelajaran mengenai variabilitas akan mendorong
mahasiswa untuk melestarikan dan menjaga keanekaragaman hayati.
60
50
40
30
20
10
1
-1.5 -1.0 -0.5 0.0 0.5 1.0
RESI1
c. Interpretasi
Hipotesis:
H0: Data berdistribusi normal
H1: Data tidak berdistribusi normal
Daerah kritis:
H0 ditolak jika p-value < dengan =5%
Keputusan:
Karena nilai p-value pada Probability Plot of Ysebesar 0,150 (p-value > )
maka terima H0.
Kesimpulan:
Data berdistribusi normal.
2. Uji heteroskedastisitas
Versus Fits
(response is Y)
1.5
1.0
0.5
Residual
0.0
-0.5
-1.0
4 5 6 7 8
Fitted Value
Uji heteroskedastisitas digunakan untuk mengetahui ada atau tidaknya
penyimpangan asumsi klasik heteroskedastisitas yaitu adanya ketidaksamaan varian
dari residual untuk semua pengamatan pada model regresi.Heteroskedastisitas
merupakan salah satu faktor yang menyebabkan model regresi linier sederhana tidak
efisien dan akurat, juga mengakibatkan penggunaan metode kemungkinan maksimum
dalam mengestimasi parameter (koefisien) regresi akan terganggu. Apabila plot
menyebar merata di atas dan di bawah sumbu 0 tanpa membentuk suatu pola tertentu,
maka dapat dikatakan model regresinya tidak mengalami heteroskedastis. Diagram di
atas (output minitab) dapat menyimpulkan model regresinya sudah baik karena tidak
terdapat gejala heteroskedastisitas.
3. Uji Multikolinearitas
Multikolinieritas terjadi karena adanya korelasi yang cukup tinggi diantara
variabel prediktor. Pengujian multikolinieritas dapat dilakukan dengan melihat nilai
VIF . Nilai VIF >10 menunjukkan bahwa ada pengaruh multikolinieritas antar
variabel prediktor.
a. Menggunakan Minitab
Stat > Regressions > Regression (option > variance inflation factors)
b. Hasil
c. Interpretasi
VIF panjang Kerang Kijing = 2.535
VIF lebar Kerang Kijing = 2.509
VIF tinggi Kerang Kijing = 2.127
Karena nilai VIF panjang,lebar dan tinggi kijing kurang dari 10 maka tidak ada
gejala multikolinearitas antar variabel.
Tafsiran :
1 = 0,377 artinya jika variabel prediktor X1 naik sebesar 1 unit, maka rata
nilai Y naik sebesar 0,377 unit dengan menganggap variabel prediktor yang
lain tetap
2 = 4,74 artinya jika variabel prediktor X2 naik sebesar 1 unit, maka rata nilai
Y naik 4,74 unit dengan menganggap variabel prediktor yang lain tetap
3 = 1,30 artinya jika variabel prediktor X3 naik sebesar 1 unit, maka rata nilai
Y naik sebesar 1,3 unit dengan menganggap variabel prediktor yang lain tetap
c. Interpretasi
Hipotesis:
H0: 1 = 2 = 3=0
Tidak terdapat pengaruh secara signifikan antara panjang,lebar,dan tinggi
cangkang kerang secara bersama sama terhadap berat keseluruhan
Kerang Kijing.
H1: tidak semua k = 0
Terdapat pengaruh secara signifikan antara panjang,lebar,dan tinggi
cangkang kerang secara bersama sama terhadap berat keseluruhan
Kerang Kijing.
Daerah kritis:
H0 ditolak jika F > F0,05(3,26) = F > 2,98 atau p-value < dengan = 5%
Keputusan:
Karena nilai F pada tabel Analysis of Variance sebesar 23,11 (F > 2,98) dan
nilai p-value pada tabel adalah 0,000 (p-value < ) maka tolak H0.
Kesimpulan:
Tidak semua k = 0. Jadi,terdapat pengaruh secara signifikan antara
panjang,lebar,dan tinggi cangkang kerang secara bersama sama terhadap
variabel respon berat keseluruhan Kerang Kijing (Yi).
2. Uji Individu
Uji individu dilakukan untuk menentukan apakah ada hubungan antara
masing-masing variabel-variabel prediktor inflasi, suku bunga, dan nilai tukar (X1,
X2, dan X3) dengan variabel respon tingkat pengembalian saham sektor industri
barang konsumsi (Y) dengan menguji k.
a. Menggunakan Minitab
Stat > Regressions > Regression
b. Hasil
c. Interpretasi
a) Menguji apakah panjang cangkang (1) berpengaruh terhadap berat
keseluruhan Kerang Kijing (Y)
Hipotesis:
H0: Tidak ada pengaruh panjang cangkang terhadap berat keseluruhan
Kerang Kijing.
H1: Ada pengaruh panjang cangkang terhadap berat keseluruhan Kerang
Kijing.
Daerah kritis :
H0 ditolak jika |T1| > t0,025(26) = 2,056 atau p-value < dengan = 0,05
Keputusan:
Karena nilai p-value berat cangkang adalah 0,352 (p-value > ) dan nilai
Thitung adalah 0,95 (|T1| < 2,056 maka terima H0.
Kesimpulan:
Panjang cangkang tidak berpengaruh terhadap berat keseluruhan Kerang
Kijing.
b) Menguji apakah lebar cangkang (2) .berpengaruh terhadap berat keseluruhan
Kerang Kijing (Y).
Hipotesis:
H0: Tidak ada pengaruh lebar cangkang terhadap berat keseluruhan
Kerang Kijing.
H1: Ada pengaruh lebar cangkang terhadap berat keseluruhan Kerang
Kijing.
Daerah kritis :
H0 ditolak jika |T2| > t0,025(26) = 2,056 atau p-value < dengan = 0,05
Keputusan:
Karena nilai p-value lebar cangkang adalah 0,001 (p-value < ) dan nilai
Thitung lebar cangkang adalah 3.81 (|T2| > 2,056) maka tolak H0.
Kesimpulan:
Terdapat pengaruh lebar cangkang terhadap berat keseluruhan Kerang
Kijing.
c) Menguji apakah tinggi cangkang (3) berpengaruh terhadap berat
keseluruhan Kerang Kijing (Y).
Hipotesis:
H0: Tidak ada pengaruh tinggi cangkang terhadap berat keseluruhan
Kerang Kijing.
H1: Terdapat pengaruh tinggi cangkang terhadap berat keseluruhan
Kerang Kijing.
Daerah kritis :
H0 ditolak jika |T3| > t0,025(26) = 2,056 atau p-value < dengan = 0,05
Keputusan:
Karena nilai p-value nilai tukar adalah 0,000 (p-value < ) dan nilai
Thitung adalah 1,01 (|T3| > 2,056) maka terima H0.
Kesimpulan:
Source DF SS MS F P
Regression 1 15.655 15.655 29.02 0.000
Residual Error 28 15.106 0.539
Lack of Fit 25 13.087 0.523 0.78 0.699
Pure Error 3 2.019 0.673
Total 29 30.761
Variabel Penduga parameter Simpangan baku t
X1 1 = 1.7374 (1 ) = 0.3225 5.39
2. Regresi y terhadap X2: = -5.08 +6.39 X2
Analysis of Variance
Source DF SS MS F P
Regression 1 21.397 21.397 63.98 0.000
Residual Error 28 9.364 0.334
Lack of Fit 20 5.353 0.268 0.53 0.878
Pure Error 8 4.011 0.501
Total 29 30.761
Variabel Penduga parameter Simpangan baku t
X2 2 = 6.3932 (2 ) = 0.7993 8.00
Source DF SS MS F P
Regression 1 13.976 13.976 23.31 0.000
Residual Error 28 16.785 0.599
Lack of Fit 20 13.421 0.671 1.60 0.254
Pure Error 8 3.363 0.420
Total 29 30.761
Variabel Penduga parameter Simpangan baku t
X3 3 = 5.794 (3 ) = 1.200 4.83
Source DF SS MS F P
Regression 2 22.042 11.021 34.13 0.000
Residual Error 27 8.719 0.323
Total 29 30.761
Variabel Penduga parameter Simpangan baku t
X1 1 = 0.5228 (1 ) = 0.3699 1.41
X2 2 = 5.178 (2 ) = 1.164 4.45
5. Regresi y terhadap X1 dan X3: = -3.09 + 1.16 X1 + 3.02 X3
Analysis of Variance
Source DF SS MS F P
Regression 2 17.6914 8.8457 18.27 0.000
Residual Error 27 13.0695 0.4841
Total 29 30.7609
Variabel Penduga parameter Simpangan baku t
X1 1 = 1.1553 (1 ) = 0.417 2.77
X3
3 = 3.019 (3 ) = 1.472 2.05
Source DF SS MS F P
Regression 2 22.081 11.040 34.34 0.000
Residual Error 27 8.680 0.321
Lack of Fit 26 8.612 0.331 4.84 0.347
Pure Error 1 0.068 0.068
Total 29 30.761
Variabel Penduga parameter Simpangan baku t
X2 2 = 5.343 (2 ) =1.064 5.02
X3 3 = 1.741 (3 ) = 1.193 1.46
7. Regresi y terhadap X1, X2, dan X3: = -5.33 + 0.377 X1 + 4.74 X2 + 1.30 X3
Analysis of Variance
Source DF SS MS F P
Regression 3 22.3707 7.4569 23.11 0.000
Residual Error 26 8.3902 0.3227
Total 29 30.7609
Variabel Penduga parameter Simpangan baku t
X1 1 = 0.3765 (1 ) = 0.3972 0.95
X2
2 = 4.736 (2 ) = 1.244 3.81
X3 3 = 1.297 (3 ) = 1.284 1.01
Tabel ANOVA dengan penguraian JKR untuk data tingkat pengembalian saham
sektor industri barang konsumsi
Sumber JK Db KT
Regresi JKR (X1, X2, X3) = 22,3707 3 KTR (X1, X2, X3) = 7,4569
X1 JKR (X1) = 15,655 1 KTR (X1) = 15,655
X2|X1 JKR (X2|X1) = 6,387 1 KTR (X2|X1) = 6,387
X3|X1, X2 JKR (X3|X1, X2) = 0,3287 1 KTR (X3|X1, X2) = 0.3287
Galat JKG (X1, X2, X3) = 8,3902 n-4 KTG (X1, X2, X3) = 0,3227
=26
Total JKT = 30,7609 n-1
=29
Menguji apakah k = 0
a. Menguji apakah panjang cangkang (X1) dapat dibuang dari model penuh.
Hipotesis:
H0: 1 = 0
H1: 1 0
Daerah kritis:
H0 ditolak jika F > F (0,05;1;26) atau F > 4,23
Statsitik uji:
(1 |2 ,3 ) (1 ,2 ,3 )
F =
(3)(4)
:
(4)
(1 ,2 ,3 ) (2 ,3 )
= (303)(304)
: KTG (X1,X2,X3)
22,3707 22,081
= : 0,3227
1
0,2897
=
0,3227
= 0,897738
Keputusan:
Karena nilai F pada statistik uji adalah 0,897738 (F < 4,23) maka terima H0.
Kesimpulan:
1 = 0. Jadi, X1 dapat dibuang dari model penuh.
b. Menguji apakah lebar cangkang (X2) dapat dibuang dari model penuh.
Hipotesis:
H0: 2 = 0
H1: 2 0
Daerah kritis:
H0 ditolak jika F > F (0,05;1;26) atau F > 4,23
Statsitik uji:
(2 |1 ,3 ) (1 ,2 ,3 )
F =
(3)(4)
:
(4)
(1 ,2 ,3 ) (1 ,3 )
= (303)(304)
: KTG (X1,X2,X3)
22,3707 17,6914
= : 0,3227
1
4,6793
=
0,3227
= 14,5
Keputusan:
Karena nilai F pada statistik uji adalah 14,5 (F > 4,23)maka tolak H0.
Kesimpulan:
2 0. Jadi, X2 tidak dapat dibuang dari model penuh.
c. Menguji apakah tinggi cangkang (X3) dapat dibuang dari model penuh.
Hipotesis:
H0: 3 = 0
H1: 3 0
Daerah kritis:
H0 ditolak jika F > F (0,05;1;26) atau F > 4,23
Statsitik uji:
(3 |1 ,2 ) (1 ,2 ,3 )
F =
(3)(4)
:
(4)
(1 ,2 ,3 ) (1 ,2 )
= (303)(304)
: KTG (X1,X2,X3)
22,3707 22,042
= : 0,3227
1
0,3287
=
0,3227
= 1,0186
Keputusan:
Karena nilai F pada statistik uji adalah 1,0186 (F < 4,23) maka terima H0.
Kesimpulan:
3 = 0. Jadi, X3 dapat dibuang dari model penuh.
1.0
0.5
RESI1 0.0
-0.5
-1.0
-1.5
-0.50 -0.25 0.00 0.25 0.50
RESI2
c. Interpretasi:
Dalam plot digambarkan garis kuadrat terkecil melalui titik asal dengan slope
1 = 0,377. Plot regresi parsial ini menunjukkan sifat hubungan linier positif
antara Y dengan X1 apabila X2 dan X3 sudah ada dalam model regresi. Ini
menunjukkan bahwa penambahan variabel predictor X1 ke dalam model regresi
Y yang telah memuat X2 dan X3 mungkin dapat bermanfaat. Jika kita
meregresikan galat (Y|X2,X3) terhadap galat (X1|X2,X3) melalui titik asal,
maka diperoleh
(Y|X2,X3) = 0,377 (X1|X2,X3)
Y - 1 = 0,377 ( X1 - 1 )
Y (- 4.62 + 5.34 X2 + 1.74 X3 ) = 0,377 [ X1 (1.89 + 1.61 X2 + 1.18 X3)]
Y= - 5.33 + 0.377 X1 + 4.74X2 + 1,30 X3 (kembali pada persamaan awal)
Dalam hal ini solusi bagi Y merupakan nilai estimasi jika X1,X2,X3 dimasukkan
ke dalam model regresi.
2. Plot Regresi Parsial Y dengan X2 Apabila X1 danX3 Sudah Ada dalam Model
Regresi
e. Menggunakan Minitab:
Stat > Regression > Regression (Regresikan Y dengan X1 dan X3 dan
munculkan residual, Regresikan X2 dengan X1 dan X3 dan munculkan residual)
f. Hasil:
1
RESI3
-1
-2
-0.2 -0.1 0.0 0.1 0.2
RESI4
g. Interpretasi:
Dalam plot digambarkan garis kuadrat terkecil melalui titik asal dengan slope
2 = 4,74 . Plot regresi parsial ini menunjukkan sifat hubungan linier positif antara
Y dengan X2 apabila X1 dan X3 sudah ada dalam model regresi. Ini menunjukkan
bahwa penambahan variabel predictor X2 ke dalam model regresi Y yang telah
memuat X1 dan X3 mungkin dapat bermanfaat. Jika kita meregresikan galat
(Y|X1,X3) terhadap galat (X2|X1,X3) melalui titik asal, maka diperoleh
(Y|X1,X3) = 4,74 (X2|X1,X3)
Y - 2 = 4,74 ( X2 - 2 )
Y (- 3.09 + 1.16 X1 + 3.02 X3 )= 4,74 [ X2 (0.474 + 0.164 X1 + 0.364 X3)]
Y= - 5.33 + 0.377 X1 + 4.74X2 + 1,30 X3 (kembali pada persamaan awal)
Dalam hal ini solusi bagi Y merupakan nilai estimasi jika X1,X2,X3 dimasukkan
ke dalam model regresi.
3. Plot Regresi Parsial Y dengan X3 Apabila X1 danX2 Sudah Ada dalam Model
Regresi
a. Menggunakan Minitab:
Stat > Regression > Regression (Regresikan Y dengan X1 dan X2 dan
munculkan residual, Regresikan X3 dengan X1 dan X2 dan munculkan residual)
b. Hasil:
1.0
0.5
RESI5
0.0
-0.5
-1.0
c. Interpretasi:
Dalam plot digambarkan garis kuadrat terkecil melalui titik asal dengan slope
3 = 1,30 . Plot regresi parsial ini menunjukkan sifat hubungan linier positif antara
Y dengan X3 apabila X1 dan X2 sudah ada dalam model regresi. Ini menunjukkan
bahwa penambahan variabel predictor X3 ke dalam model regresi Y yang telah
memuat X1 dan X2 mungkin dapat bermanfaat. Jika kita meregresikan galat
(Y|X1,X2) terhadap galat (X3|X1,X2) melalui titik asal, maka diperoleh
(Y|X1,X2) = 1,3 (X3|X1,X2)
Y - 3 = 1,3 ( X3 - 3 )
Y (- 5.90 + 0.523 X1 + 5.18 X2)= 1,3 [ X3 (- 0.442 + 0.113 X1 + 0.341 X2)]
Y= - 5.33 + 0.377 X1 + 4.74X2 + 1,30 X3 (kembali pada persamaan awal)
Dalam hal ini solusi bagi Y merupakan nilai estimasi jika X1,X2,X3
dimasukkan ke dalam model regresi.
a. Menggunakan Minitab
Stat > Regression > Regression > (Centang HI (leverages))
b. Hasil
Tabel diagnostik pencilan variabel X data.
c. Interpretasi
Unsur diagonal hii merupakan indikator yang berguna dalam model regresi
liniear berganda apakah pengamatan ke i merupakan pencilan atau bukan
terhadap nilai-nilai X. Nilai leverage hii biasanya dianggap lebih besar jika
nilainya lebih besar dari dua kali nilai rata-rata semua leverage, yaitu:
hii > 2
4
hii > 2
30
hii > 0,266666
Dari tabel diatas diperoleh pencilan terhadap nilai-nilai X pada pengamatan ke:
5 (h5,5 = 0,601843 )
16 (h16,16 = 0,392107)
XIII. Identifikasi Pencilan Pengamatan Respon
a. Menggunakan Minitab
Stat > Regression > Regression> (Centang Deleted t residuals)
b. Hasil
Tabel diagnostik pencilan variabel Y data
c. Interpretasi
Pengamatan dianggap pencilan dari nilai Y apabila:
|tii| > t(n-p-1)
|tii| > t0,05(25)
|tii| > 1,708
Dari tabel diatas diperoleh pencilan terhadap nilai-nilai X pada pengamatan ke:
3 (|t3| = 1,95783)
5 (|t5| = 2,21329)
22 (|t22| = 2,51831)
23 (|t22| = 2,18213)
XIV. Identifikasi Pengamatan Berpengaruh
Untuk memastikan apakah pengamatan pencilan itu berpengaruh atau tidak.
Suatu pengamatan dianggap berpengaruh jika ketidakikutsertaan pengamatan ini
menyebabkan perubahan besar pada fungsi regresi dugaannya.
1. Pengaruh Terhadap Nilai Dugaan DFITS
a. Menggunakan Minitab
Stat > Regression > Regression > (Centang DFITS)
b. Hasil
Tabel DFITS diagnostik pengamatan berpengaruh data
c. Interpretasi
Suatu pengamatan berpengaruh jika |(DFITS)i| > 1 .
Berdasarkan tabel di atas nilai |DFITS| untuk gugus data berukuran besar yang
lebih besar dari 1 adalah pengamatan ke-22,yaitu |(DFITS)22| = 1,10340 >1.
Nilai ini sedikit lebih besar dari 1, tetapi cukup dekat pada 1 sehingga
pengamatan ini berpotensi berpengaruh, tetapi mungkin tidak cukup besar
pengaruhnya sehingga tidak perlu dilakukan tindakan remedial.
DBETAS
0 1 2 3
0.08087 -0.00111 -0.0845 0.10551
-0.00734 0.00135 -0.00397 0.00663
-0.22036 -0.06024 0.16627 0.33791
-0.00233 0.00121 -0.00131 -0.00375
-0.32314 0.0499 0.22813 -0.44965
-0.2638 0.22437 -0.63175 0.06313
-0.31949 0.24679 -0.47587 -0.27893
-0.0202 0.00592 0.00293 -0.01962
0.01261 0.02304 -0.19217 0.26278
-0.14075 -0.01143 0.11402 0.04602
-0.02622 -0.00207 0.02018 0.01011
-0.52211 0.06838 0.15548 -0.16061
-0.12635 0.0671 0.00458 -0.30642
-0.10869 0.01374 0.04069 -0.03042
0.06217 -0.00768 -0.02872 0.02342
-0.12321 -0.01122 0.105 0.02655
0.20355 0.10849 -0.45804 -0.03512
0.12001 -0.02531 0.03167 -0.04385
-0.0209 0.01649 -0.02333 -0.05143
-0.03494 -0.00673 0.02467 0.03823
0.32058 -0.07641 -0.01993 0.14886
0.56676 -0.35246 0.68607 0.35704
-0.13589 -0.16675 0.76805 -0.35763
0.63648 -0.0933 -0.14791 0.09436
-0.00671 -0.00318 0.00431 0.02151
0.07454 -0.02301 0.04866 -0.02622
0.25548 -0.07129 0.10952 -0.06026
-0.08041 -0.00874 0.02609 0.10546
-0.00044 -0.00058 0.00289 -0.0014
0.04651 0.10656 -0.34468 -0.04976
Pada kasus ini sesuai dengan tabel diatas, tidak ditemukan (DBETAS)k(i)> 1
sehingga tidak terdapat DBETAS atau tidak mengindikasikan pengaruh yang
disebabkan oleh pengamatan ke i terhadap masing-masing koefisien regresi k
3. Cook Destance
a. Menggunakan Minitab
Stat > Regression > Regression > (Centang Cooks Distance)
b. Hasil
Tabel Cook Destance (Di) diagnostik pengamatan berpengaruh data
c. Interpretasi
Untuk mengevaluasi pengaruh pengamatan 22 dengan nilai D22 = 0.252496
digunakan distribusi F padanannya, yaitu dengan bantuan minitab F(p,n-p) = F(4,26)
x P( X <= x )
0.252496 0.0945012
x P( X <= x )
0.148426 0.0379578
2. Model Logarithmic
Untuk estimasi model regresi dengan jenis kurva logarithmic dari data tersebut, dapat
dinyatakan dalam
= 0 + 1 l(1 ) + 2 ( 2 ) + 3 ( 3 )
Analysis of Variance
Source DF SS MS F P
Regression 3 22.3430 7.4477 23.00 0.000
Residual Error 26 8.4179 0.3238
Total 29 30.7609
3. Model Invers
Untuk estimasi model regresi dengan jenis kurva invers dari data tersebut, dapat
dinyatakan dalam
= 0 + 1 /1 + 2 /2 + 3 /3
The regression equation is
Y = 16.0 - 8.6 1/x1 - 13.1 1/x2 - 0.633 1/x3
Analysis of Variance
Source DF SS MS F P
Regression 3 22.1597 7.3866 22.33 0.000
Residual Error 26 8.6012 0.3308
Total 29 30.7609
4. Model Quadratic
Untuk estimasi model regresi dengan jenis kurva kuadratik dari data tersebut, dapat
dinyatakan dalam
= 0 + 1 1 + 2 2 + 3 3 + 1 12 + 2 22 + 3 32
Analysis of Variance
Source DF SS MS F P
Regression 6 22.3975 3.7329 10.27 0.000
Residual Error 23 8.3634 0.3636
Total 29 30.7609
5. Model Cubic
Untuk estimasi model regresi dengan jenis kurva kubik dari data tersebut ,dapat
dinyatakan dalam
= 0 + 1 1 + 2 2 + 3 3 + 1 12 + 2 22 + 3 32 + 1 13 + 2 23 + 3 33
Regression Analysis: Y versus X1, X2, ...
Analysis of Variance
Source DF SS MS F P
Regression 9 23.4904 2.6100 7.18 0.000
Residual Error 20 7.2705 0.3635
Total 29 30.7609
6. Model Compound
Untuk estimasi model regresi dengan jenis kurva compound dari data tersebut, dapat
dinyatakan dalam
0 +
=
1 1 +
2 2 +
3 3
Analysis of Variance
Source DF SS MS F P
Regression 3 0.80496 0.26832 18.08 0.000
Residual Error 26 0.38587 0.01484
Total 29 1.19083
7. Model Power
Untuk estimasi model regresi dengan jenis kurva power dari data tersebut, dapat
dinyatakan dalam
0 +
=
1 (1 ) +
2 (2 ) + 3 (3 )
Analysis of Variance
Source DF SS MS F P
Regression 3 0.81288 0.27096 18.64 0.000
Residual Error 26 0.37795 0.01454
Total 29 1.19083
8. Model S
Untuk estimasi model regresi dengan jenis kurva logarithmic dari data tersebut, dapat
dinyatakan dalam
= 0 + 1 /1 + 2 /2 + 3 /3
Analysis of Variance
Source DF SS MS F P
Regression 3 0.81474 0.27158 18.78 0.000
Residual Error 26 0.37609 0.01446
Total 29 1.19083
Jenis Kurva MSE R-Square
Linier 0,3227 0,727
Logarithmic 0,3238 0,726
Invers 0,3308 0,72
Quadratic 0,3636 0,728
Cubic 0,3635 0,764
Compound 0,01484 0,676
Power 0,01454 0,683
S 0,01446 0,684
Berdasarkan tabel tersebut diperoleh estimasi kurva terbaik adalah dengan
menggunakan model cubic.
ANALISIS DATA REGRESI LINIER POLINOM
I. Sumber Data
Dalam penelitian ini digunakan data praktikum metode dan teknik analisis lingkungan
pengukuran kebisingan jalan raya oleh Mega Sukarno tentang pengaruh kelembaban
udara dengan intensitas bunyi.
II. Ringkasan
Tingkat kebisingan di Jalan Dr. Ir. H. Soekarno dapat diukur dengan menggunakan SLM
(Sound Level Meter). Data hasil pengukuran SLM dapat digunakan untuk menghitung
nilai Traffic Noise Index (TNI) pada setiap sesi pengukuran. Tingkat kebisingan juga
dipengaruhi oleh beberapa faktor pendukung seperti kelembaban, sehingga pada
percobaan pengukuran kebisingan juga dilakukan pengukuran kelembaban dengan
menggunakan Sling Psychrometer.
III. Variabel Penelitian
Variabel yang digunakan dalam penelitian ini adalah :
Variabel respon (Y) : Intensitas bunyi (dB)
Variabel prediktor (X) :
X1 : Kelembaban Udara
IV. Tabel Data yang Digunakan
Tabel data di bawah ini berisi data mengenai intensitas bunyi sebagai variabel respon (Yi)
yang dipengaruhi oleh 1 variabel prediktor, yaitu kelembapan udara (X1)
.
Sehingga diperoleh fungsi regresi dugaannya adalah
i = 429 8.98 X + 0,0547 X2
VI. Analisis Kesesuaian Model
1. Uji bagi Fungsi Respon Kuadratik
Hipotesis yang harus diuji adalah:
H0 : Yi = 0 + 1X + 11X2
H1 : Yi 0 + 1X + 11X2
Hasil ANOVA adalah sebagai berikut :
Analysis of Variance
Source DF SS MS F P
Regression 2 101.506 50.753 6.49 0.018
Residual Error 9 70.410 7.823
Lack of Fit 3 4.729 1.576 0.14 0.930
Pure Error 6 65.681 10.947
Total 11 171.915
Jika dipilih tingkat signifikan = 0,05 maka diperoleh t(0,975;9)= 2,262. Kaidah
keputusannya adalah :
Jika |t| 2,262 maka H0 diterima
Jika |t| > 2,262 maka H0 ditolak
Karena nilai t = 0,97 < 2,262 maka H0 diterima dan berarti bahwa suku kuadratik dapat
dibuang dari model.
Untuk menyelidiki apakah suku linier dapat dibuang dari model, maka harus diuji :
H0 : 1 = 0
H1 : 1 0
Nilai statistic uji nya adalah
1
8,981
= = = 1,05
1)
( 8,562
Jika dipilih tingkat signifikan = 0,05 maka diperoleh t(0,975;9)= 2,262. Kaidah
keputusannya adalah :
Jika |t| 2,262 maka H0 diterima
Jika |t| > 2,262 maka H0 ditolak
Karena nilai t = - 1,05 < 2,262 maka H0 diterima dan berarti bahwa suku linier dapat
dibuang dari model.
VII. Pendugaan Koefisien Regresi
Analisis selanjutnya ingin memperoleh interval kepercayaan 90% bagi kedua koefisien
regresi 1 dan 11 dengan metode Bonferroni. Dalam hal ini digunakan g=2 interval
kepercayaan, sehingga diperoleh
= (1 ; ) = (0,975; 9) = 2,262
2
101,506
2 = = = 0,59
171,915
Ukuran ini menunjukkan bahwa keragaman intensitas bunyi bisa diturunkan sampai
59% bila hubungan kuadratik terhadap presentase kelembaban udara dimasukkan
kedalam model.
IX. Penduga Rataan Respon
Misal untuk mengetahui rataan respon untuk Xh = 80% . Penduga rataan respon ini
menggunakan interval kepercayaan 98 %. Dalam hal ini untuk
Xh= Xh- X = 80 80 = 0 diperoleh Xh = ( 1 Xh Xh2), sehingga
h = Xh
= ( ) ( . ) = 428,6
.
Var ( )Xht = ,
h )= Xh var(
h ) = 324,6 dan t(0,99;9)= 2,821. Interval kepercayaan 98% bagi rataan respon
s (
adalah h s (
h ) t(0,99;11) = 428,6 (324,6)(2,821), sehingga diperoleh
h) 1344,2966
487,0966 (