TUGAS MATA KULIAH REGRESI TERAPAN

"Analisis Data Regresi Linier Berganda dan Regresi Polinom Menggunakan Software
Minitab 16 dan SPSS 20

Oleh :
Anies Yulinda Wulandari
081611833002

Dosen Pengajar :
Suliyanto

PROGRAM STUDI S-1 STATISTIKA

FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS AIRLANGGA
SURABAYA
2017
 ANALISIS DATA REGRESI LINIER BERGANDA

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.

III. Variabel Penelitian

Variabel yang digunakan dalam penelitian ini adalah :
a. Variabel respon (Y) : Berat keseluruhan Kerang Kijing.
b. Variabel prediktor (X) :
X1 : Panjang cangkang Kerang Kijing.
X2 : Lebar cangkang Kerang Kijing
X3 : Tinggi cangkang Kerang Kijing
IV. Tabel Data yang Digunakan
Tabel data di bawah ini berisi data mengenai berat keseluruhan Kerang Kijing (Razor
Clam) sebagai variabel respon (Yi) yang dipengaruhi oleh 3 variabel prediktor, yaitu
panjang cangkang (X1), lebar cangkang (X2) dan tinggi cangkang(X3).

Nomor Panjang (cm) Lebar (mm) Tinggi (mm) Berat (gram)

1 5,29 1,57 0,74 5,45
2 5,14 1,57 0,65 4,83
3 5,09 1,49 0,58 3,38
4 5,25 1,62 0,74 5,26
5 4,98 1,46 0,94 4,57
6 4,93 1,63 0,66 4,00
7 5,75 1,56 0,68 5,87
8 5,53 1,64 0,68 5,46
9 5,73 1,63 0,91 6,00
10 5,61 1,75 0,81 6,49
11 5,66 1,77 0,83 6,32
12 4,76 1,44 0,63 3,46
13 5,37 1,58 0,61 5,56
14 5,68 1,72 0,76 6,16
15 5.51 1,67 0,73 5,37
16 6,11 2,02 0,98 7,88
17 5,25 1,41 0,62 4,65
18 4,52 1,44 0,51 4,00
19 5,27 1,64 0,76 5,21
20 5,04 1,47 0,57 4,15
21 6,07 1,76 0,76 5,99
22 4,85 1,63 0,71 6,33
23 5,53 1,53 0,76 3,90
24 5,97 1,79 0,82 5,72
25 5,08 1,49 0,55 4,31
26 5,06 1,57 0,65 5,20
27 4,38 1,45 0,51 4,10
28 5,02 1,49 0,57 4,05
29 5,08 1,69 0,64 5,42
30 5,41 1,51 0,67 5,40

V. Uji Asumsi Klasik

1. Uji Normalitas
a. Menggunakan Minitab
 Stat > Basic Statistics > Normality Test > Variabel: RESI1 > Test for Normality:
Kolmogorov-Smirnov > OK
b. Hasil

Probability Plot of RESI1

Normal
99
Mean -9.62193E-16
StDev 0.5379
95 N 30
KS 0.118
90
P-Value >0.150
80
70
Percent

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.

VI. Estimasi Data

1. Estimasi Model Regresi Linear Berganda (Yi = 0 + 1Xi1 + 2Xi2 + 3Xi3 + i)
a. Menggunakan Minitab
Stat > Regression > Regression
b. Hasil
 c. Interpretasi
Dari hasil Minitab, didapatkan :
.
= (XX)-1XY = ( . )

.
.
Dari hasil Minitab yang telah dibulatkan, didapatkan hasil estimasi modelnya :
= -5.33 + 0.377 X1 + 4.74X2 + 1,30 X3
i = Xi

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

2. Koefisien Determinasi Ganda (R2)

Dari hasil Minitab sebelumnya, nilai R2 diambil dari R-Sq yaitu 72,7% =
0,727. Artinya keragaman nilai pada variabel respon berat Kerang Kijing (Yi) yang
dapat dijelaskan oleh 3 variabel prediktor, yaitu panjang (X1), lebar (X2) dan tinggi
(X3) sebesar 72,7% = 0,727. Sedangkan sisanya sebesar 27,3% atau 0,273
dipengaruhi atau dijelaskan oleh variabel lain yang tidak dimasukkan dalam metode
penelitian ini.
3. Koefisien Korelasi Ganda (R)
Koefisien ini menunjukkan seberapa besar hubungan yang terjadi antara
variabel independen (X1, X2,Xn) secara serentak terhadap variabel dependen
(Y). nilai R berkisar antara 0 sampai 1, nilai semakin mendekati 1 berarti hubungan
 yang terjadi semakin kuat, sebaliknya nilai semakin mendekati 0 maka hubungan
yang terjadi semakin lemah.
Menurut Sugiyono (2007) pedoman untuk memberikan interpretasi koefisien
korelasi sebagai berikut:
0,00 - 0,199 = sangat rendah
0,20 - 0,399 = rendah
0,40 - 0,599 = sedang
0,60 - 0,799 = kuat
0,80 - 1,000 = sangat kuat

Koefisien korelasi ganda didefinisikan oleh : R = 2 = 0,8526. Hal ini

menunjukkan adanya hubungan yang sangat kuat antara panjang, lebar, dan tinggi
cangkang Kerang Kijing terhadap berat keseluruhan Kerang Kijing.

VII.Inferensi Parameter Regresi Linear Berganda

1. Uji Serempak
Uji serempak digunakan untuk menguji apakah ada hubungan antara variabel
respon berat keseluruhan Kerang Kijing dengan variabel-variabel prediktor
panjang, lebar, dan tinggi cangkang (X1, X2, dan X3).
a. Menggunakan Minitab
Stat > Regression > Regression
b. Hasil

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:

Tidak ada pengaruh tinggi cangkang terhadap berat keseluruhan Kerang

Kijing.
3. Interval Kepercayaan 95% bagi Parameter k
Interval kepercayaan bagi tiap parameter k dirumuskan sebagai berikut.
/2(n-p) s(
)
/2(n-p) s(
) <
<
+ /2(n-p) s(
)
a) Interval kepercayaan 95% bagi parameter 1

1 0,05/2(30-4) s(1 ) < 1 < 1 + 0,05/2(30-4) s(1)

0,3765 0,026(26) . 0,3972 < 1 < 0,3765+ 0,026(26) . 0,3972
0,3765 2,056 . 0,3972 < 1 < 0,3765 + 2,056 . 0,3972
-0,4401432 < 1 < 1.1931432

b) Interval kepercayaan 95% bagi parameter 2-1

2 0,05/2(30-4) s(2) < 2 < 2 + 0,05/2(30-4) s(2)

4,736 0,026(26) . 1,244 < 2 < 4,736 + 0,026(26) . 1,244
4,736 2,056 . 1,244 < 2 < 4,736 + 2,056 . 1,244
2,178336 < 2 < 7,293664
c) Interval kepercayaan 95% bagi parameter 3
 3 0,05/2(30-4) s(3 ) < 3 < 3 + 0,05/2(30-4) s(3)
1,297 0,026(26) . 1,284 < 3 < 1,297 + 0,026(26) . 1,284
1,297 2,056. 1,284 < 3 < 1,297 + 2,056 . 1,284
-1,342904 < 3 < 3,936904
VIII. Uji Ketidaksesuaian Model
Uji Ketidaksesuaian Model digunakan untuk menyelidiki apakah fungsi respon regresi
linear berganda merupakan permukaan respon yang sesuai bagi segugus data yang
mempunyai amatan berulang, sehingga :
Hipotesis :
H0 :E(yi) = 0 + 1Xi1 + 2Xi2+ 3Xi3 (Model regresi linear berganda sesuai)
H1 : E(yi) 0 + 1Xi1 + 2Xi2+ 3Xi3 (Model regresi linear berganda tidak sesuai)
: 5 % (0,05)
Daerah kritisnya adalah H0 ditolak jika < (=0,05)
Selanjutnya, hasil perhitungan dilakukan dengan software minitab dan disajikan
hasil sebagai berikut :
There are no replicates.
Minitab cannot do the lack of fit test based on pure error.
Artinya bahwa tidak ada data yang mempunyai amatan berulang pada variabel prediktor
x1 , x2 ,dan x3 sehingga data tersebut tidak dapat dilakukan uji ketidaksesuaian model.
IX. Jumlah Kuadrat Ekstra
Jumlah kuadrat ekstra dilakukan karena akibat dimasukkanya satu atau lebih variabel
prediktor ke dalam model regresi jika diketahui bahwa variabel lain telah ada di dalam
model.

1. Regresi y terhadap X1: = - 4.05 + 1.74 X1

Analysis of Variance

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

3. Regresi y terhadap X3 : = -5.08 +6.39 X3

Analysis of Variance

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

4. Regresi y terhadap X1 dan X2: = -5.90+ 0.523 X1 + 5.18 X2

Analysis of Variance

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

6. Regresi y terhadap X2 dan X3: = - 4.62 + 5.34 X2 + 1.74 X3

Analysis of Variance

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

Berdasarkan hasil regresi di atas diperoleh:

JKR (X1) = 15,655 JKG (X1) = 15,106
JKR( X2 ) = 21,397 JKG (X2) = 9,364
JKR (X3) = 13,976 JKG (X3) = 16,785
JKR (X1, X2) = 22,042 JKG (X1, X2) = 8,719
JKR (X1, X3) = 17,6914 JKG (X1, X3) = 13,0695
JKR (X2, X3) = 22,081 JKG (X2, X3) = 8,680
JKR (X1, X2, X3) = 22,3707 JKG (X1, X2, X3) = 8,3902
JKR (X1|X2) = JKR (X1,X2) JKR (X2) = 22,042 21,397 = 0,645
JKR (X1|X3) = JKR (X1,X3) JKR (X3) = 17,6914 13,976 = 3,7154
JKR (X2|X1) = JKR ( X1,X2) JKR (X1) = 22,042 15,655 = 6, 387
JKR (X2|X3) = JKR (X2,X3) JKR (X3) = 22,081 13,976 = 8,105
JKR (X3|X1) = JKR (X1,X3) JKR (X1) = 17,6914 15,655 = 2,0364
JKR (X3|X2) = JKR (X2,X3) JKR (X2) = 22,081 21,397 = 0,684
JKR (X1|X2,X3) = JKR (X1,X2,X3) JKR (X2,X3) = 22,3707 22,081 = 0,2897
JKR (X2|X1,X3) = JKR (X1,X2,X3) JKR ( X1,X3) = 22,3707 17,6914 = 4,6793
JKR (X3|X1,X2) = JKR (X1,X2,X3) JKR (X1,X2) = 22, 3707 22,042 = 0,3287
JKR (X2,X3|X1) = JKR (X1,X2,X3) JKR (X1) = 22, 3707 15,655 = 6,7157
JKR (X1,X3|X2) = JKR (X1,X2,X3) JKR (X2) = 22,3707 21,397 = 0,9737
JKR (X1,X2|X3) = JKR (X1,X2,X3) JKR (X3) = 22,3707 13,976 = 8, 3947

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.

Menguji apakah beberapa k = 0

a. Menguji apakah 1X1 dan 2X2 dapat dibuang dari model penuh.
Hipotesis :
H0: 1 = 2 =0
H1: tidak benar bahwa 1 dan 2 sama dengan nol
Daerah kritis:

H0 ditolak jika F > F (0,05;2;26) atau F > 3,37

Statsitik uji:
(3 ) (1 ,2 ,3 ) (1 ,2 ,3 )
F =
(2)(4)
:
(4)
(1 ,2 |3 )
= : KTG (X1,X2,X3)
2
8,3947
= : 0,3227
2
4,19735
=
0,3227
= 13,00697
Keputusan:
Karena nilai F pada statistik uji adalah 13,00697 (F > 3,37) maka tolak H0.
 Kesimpulan:
Tidak benar bahwa 1 dan 2 sama dengan nol. Jadi, X1 dan X2 tidak dapat
dibuang dari model regresi yang didalamnya terdapat X3.
b. Menguji apakah 1X1 dan 3X3 dapat dibuang dari model penuh.
Hipotesis :
H0: 1 = 3 =0
H1: tidak benar bahwa 1 dan 3 sama dengan nol
Daerah kritis:

H0 ditolak jika F > F (0,05;2;26) atau F > 3,37

Statsitik uji:
(2 ) (1 ,2 ,3 ) (1 ,2 ,3 )
F =
(2)(4)
:
(4)
(1 ,3 |2 )
= : KTG (X1,X2,X3)
2
0,9737
= : 0,3227
2
0,48685
=
0,3227
= 1,5087
Keputusan:
Karena nilai F pada statistik uji adalah 1,5087 (F < 3,37) maka terima H0.
Kesimpulan:
1 = 3 =0. Jadi, X1 dan X3 dapat dibuang dari model regresi yang didalamnya
terdapat X2.
c. Menguji apakah 2X2 dan 3X3 dapat dibuang dari model penuh.
Hipotesis :
H0: 2 = 3 =0
H1: tidak benar bahwa 2 dan 3 sama dengan nol
Daerah kritis:

H0 ditolak jika F > F (0,05;2;26) atau F > 3,37

Statsitik uji:
(1 ) (1 ,2 ,3 ) (1 ,2 ,3 )
F =
(2)(4)
:
(4)
(2 ,3 |1 )
= : KTG (X1,X2,X3)
2
6,7157
= : 0,3227
2
3,35785
=
0,3227
= 10,4055
Keputusan:
Karena nilai F pada statistik uji adalah 10,4055 (F >3,37) maka tolak H0.
 Kesimpulan:
2 = 3 =0. Jadi, X2 dan X3 tidak dapat dibuang dari model regresi yang
didalamnya terdapat X1.
d. Menguji apakah semua k= 0
Uji ini dinamakan Uji Serempak yang sudah dikerjakan sebelumnya.

X. Koefisien Determinasi Parsial (r2)

Koefisien determinasi parsial digunakan untuk mengukur sumbangan marginal satu
variabel X bila semua variabel predictor lain telah ada di dalam model.
1.

1. Koefisien korelasi parsial antara y dan X1 jika sudah ada X2 dan X3

(1 |2 ,3 ) 0,2897
r2y1.23 = = = 0,033375576
(2 ,3 ) 8,680
Artinya, jika X1 dimasukkan ke dalam model regresi yang didalamnya sudah ada X2
dan X3 maka JKG (2 , 3 ) akan berkurang 3,338 %

2. Koefisien korelasi parsial antara y dan X2 jika sudah ada X2 dan X3

(2 |1 ,3 ) 4,6793
r2y2.13 = = = 0,358032059
(1 ,3 ) 13,0695
Artinya, jika X2 dimasukkan ke dalam model regresi yang didalamnya sudah ada X1
dan X3 maka JKG (1 , 3 ) akan berkurang 35,80 %

3. Koefisien korelasi parsial antara y dan X3 jika sudah ada X1 dan X2

(3 |1 ,2 ) 0,3287
r23.12 = = = 0,037699277
(1 ,2 ) 8,719
Artinya, jika X3 dimasukkan ke dalam model regresi yang didalamnya sudah ada X1
dan X2 maka JKG (1 , 2 ) akan berkurang 3,77%.

XI. Plot Regresi Parsial

1. Plot Regresi Parsial Y dengan X1 Apabila X2 danX3 Sudah Ada dalam Model
Regresi
a. Menggunakan Minitab:
Stat > Regression > Regression (Regresikan Y dengan X2 dan X3 dan
munculkan residual, Regresikan X1 dengan X2 dan X3 dan munculkan residual)
b. Hasil:

Estimasi masing-masing: = - 4.62 + 5.34 X2 + 1.74 X3

1= 1.89 + 1.61 X2 + 1.18 X3

 Scatterplot of RESI1 vs RESI2

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:

Estimasi masing-masing: = - 3.09 + 1.16 X1 + 3.02 X3

2= 0.474 + 0.164 X1 + 0.364 X3

 Scatterplot of RESI3 vs RESI4
2

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:

Estimasi masing-masing: = - 5.90 + 0.523 X1 + 5.18 X2

2= - 0.442 + 0.113 X1 + 0.341 X2

 Scatterplot of RESI5 vs RESI6
1.5

1.0

0.5
RESI5

0.0

-0.5

-1.0

-0.1 0.0 0.1 0.2 0.3

RESI6

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.

XII. Identifikasi Pencilan Variabel Prediktor

Penyeledikan kasus pencilan variable prediktor digunakan untuk memutuskan
apakah kasus tersebut harus dibuang atau masih dapat dipertahankan, jika
dipertahankan apakah pengaruhnya harus dikurangi di dalam proses estimasi
modelnya dan atau model regresinya direvisi.
Tabel Diagnostik Pencilan variabel X dan Y

Xi1 Xi2 Xi3 Yi ei ri hii ti

5.29 1.57 0.74 5.45 0.39302 0.70959 0.04937 0.70265
5.14 1.57 0.65 4.83 -0.0538 -0.0967 0.04106 -0.0948
5.09 1.49 0.58 3.38 -1.0153 -1.8592 0.07578 -1.9578
5.25 1.62 0.74 5.26 -0.0187 -0.0337 0.04506 -0.0331
4.98 1.46 0.94 4.57 -0.1087 -0.3032 0.60184 -0.2978
4.93 1.63 0.66 4 -1.1018 -2.064 0.11683 -2.2133
 5.75 1.56 0.68 5.87 0.76499 1.48681 0.17965 1.52417
5.53 1.64 0.68 5.46 0.05895 0.10724 0.06364 0.10518
5.73 1.63 0.91 6 0.27274 0.53861 0.2054 0.53113
5.61 1.75 0.81 6.49 0.36929 0.67764 0.07965 0.67042
5.66 1.77 0.83 6.32 0.05981 0.11061 0.09381 0.10849
4.76 1.44 0.63 3.46 -0.6391 -1.1884 0.10368 -1.1983
5.37 1.58 0.61 5.56 0.59412 1.0926 0.08372 1.09686
5.68 1.72 0.76 6.16 0.21985 0.40105 0.06874 0.39449
5.51 1.67 0.73 5.37 -0.2304 -0.4152 0.04565 -0.4085
6.11 2.02 0.98 7.88 0.07188 0.1623 0.39211 0.15923
5.25 1.41 0.62 4.65 0.52144 1.00649 0.16826 1.00675
4.52 1.44 0.51 4 0.14687 0.28279 0.16418 0.27773
5.27 1.64 0.76 5.21 -0.1969 -0.3565 0.05458 -0.3504
5.04 1.47 0.57 4.15 -0.1188 -0.2184 0.0833 -0.2144
6.07 1.76 0.76 5.99 -0.2864 -0.5586 0.18536 -0.5511
4.85 1.63 0.71 6.33 1.19344 2.29369 0.16106 2.51831
5.53 1.53 0.76 3.9 -1.0838 -2.0396 0.1249 -2.1821
5.97 1.79 0.82 5.72 -0.7387 -1.392 0.12746 -1.4189
5.08 1.49 0.55 4.31 -0.0427 -0.079 0.09744 -0.0775
5.06 1.57 0.65 5.2 0.34633 0.62486 0.04805 0.61738
4.38 1.45 0.51 4.1 0.25222 0.50285 0.22039 0.49551
5.02 1.49 0.57 4.05 -0.306 -0.5605 0.07636 -0.5529
5.08 1.69 0.64 5.42 0.00346 0.0066 0.14942 0.00647
5.41 1.51 0.67 5.4 0.67277 1.24371 0.09325 1.25754

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.

2. Pengaruh terhadap Koefisien Regresi

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)

MTB > New.

MTB > CDF 0.252496 ;
SUBC> F 4 26.

Cumulative Distribution Function

F distribution with 4 DF in numerator and

26 DF in denominator

x P( X <= x )
0.252496 0.0945012

Oleh karena D22 berada di sekitar persentil ke-9 maka pengamatan 22

berpengaruh pada kesesuaian regresi tetapi besarnya sangat kecil sehingga tidak
perlu dilakukan tindakan remedial.
Ukuran cook selanjutnya adalah mengevaluasi pengaruh pengamatan 23
dengan nilai D23 = 0.148426 digunakan distribusi F padanannya, yaitu dengan
bantuan minitab F(p,n-p) = F(4,26)
 MTB > CDF 0.148426 ;
SUBC> F 4 26.

Cumulative Distribution Function

F distribution with 4 DF in numerator and 26

DF in denominator

x P( X <= x )
0.148426 0.0379578

Oleh karena D23 berada di sekitar persentil ke-4 maka pengamatan 23

berpengaruh pada kesesuaian regresi tetapi besarnya sangat kecil sehingga tidak
perlu dilakukan tindakan remedial.
XV. Estimasi Kurva
1. Model Linier
Seperti dijelaskan pada estimasi model linear berganda sebelumnya.

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 )

ln(x1) ln (x2) ln(x3)

1.665818 0.451076 -0.30111
1.637053 0.451076 -0.43078
1.627278 0.398776 -0.54473
1.658228 0.482426 -0.30111
1.60543 0.378436 -0.06188
1.595339 0.48858 -0.41552
1.7492 0.444686 -0.38566
1.710188 0.494696 -0.38566
1.745716 0.48858 -0.09431
1.724551 0.559616 -0.21072
1.733424 0.57098 -0.18633
1.560248 0.364643 -0.46204
1.680828 0.457425 -0.4943
1.736951 0.542324 -0.27444
1.706565 0.512824 -0.31471
1.809927 0.703098 -0.0202
1.658228 0.34359 -0.47804
 1.508512 0.364643 -0.67334
1.66203 0.494696 -0.27444
1.617406 0.385262 -0.56212
1.803359 0.565314 -0.27444
1.578979 0.48858 -0.34249
1.710188 0.425268 -0.27444
1.786747 0.582216 -0.19845
1.625311 0.398776 -0.59784
1.621366 0.451076 -0.43078
1.477049 0.371564 -0.67334
1.61343 0.398776 -0.56212
1.625311 0.524729 -0.44629
1.688249 0.41211 -0.40048

Regression Analysis: Y versus ln(x1), ln (x2), ln(x3)

The regression equation is

Y = - 1.16 + 1.78 ln(x1) + 7.93 ln (x2) + 0.948 ln(x3)

Predictor Coef SE Coef T P

Constant -1.156 3.374 -0.34 0.735
ln(x1) 1.776 2.107 0.84 0.407
ln (x2) 7.932 2.022 3.92 0.001
ln(x3) 0.9484 0.9410 1.01 0.323

S = 0.569004 R-Sq = 72.6% R-Sq(adj) = 69.5%

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

Predictor Coef SE Coef T P

Constant 15.978 1.603 9.96 0.000
1/x1 -8.59 11.20 -0.77 0.450
1/x2 -13.142 3.283 -4.00 0.000
1/x3 -0.6330 0.6739 -0.94 0.356

S = 0.575165 R-Sq = 72.0% R-Sq(adj) = 68.8%

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

Regression Analysis: Y versus X1, X2, X3, X1^2, X2^2, X3^2

The regression equation is

Y = - 10.5 + 1.19 X1 + 9.8 X2 - 2.0 X3 - 0.076 X1^2 - 1.49 X2^2 + 2.2
X3^2

Predictor Coef SE Coef T P

Constant -10.50 20.63 -0.51 0.615
X1 1.193 7.058 0.17 0.867
X2 9.75 21.63 0.45 0.656
X3 -2.03 17.02 -0.12 0.906
X1^2 -0.0755 0.6673 -0.11 0.911
X2^2 -1.491 6.521 -0.23 0.821
X3^2 2.24 11.35 0.20 0.845

S = 0.603016 R-Sq = 72.8% R-Sq(adj) = 65.7%

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, ...

The regression equation is

Y = 305 - 192 X1 - 23 X2 + 163 X3 + 36.5 X1^2 + 19 X2^2 - 227 X3^2 -
2.30 X1^3
- 4.2 X2^3 + 104 X3^3

Predictor Coef SE Coef T P

Constant 305.0 263.8 1.16 0.261
X1 -191.6 114.2 -1.68 0.109
X2 -22.9 307.8 -0.07 0.941
X3 163.2 157.1 1.04 0.311
X1^2 36.49 21.73 1.68 0.109
X2^2 18.9 184.4 0.10 0.919
X3^2 -226.7 220.5 -1.03 0.316
X1^3 -2.301 1.374 -1.68 0.109
X2^3 -4.17 36.61 -0.11 0.910
X3^3 103.6 101.3 1.02 0.319

S = 0.602931 R-Sq = 76.4% R-Sq(adj) = 65.7%

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

Regression Analysis: ln (Yi) versus X1, X2, X3

The regression equation is

ln (Yi) = - 0.390 + 0.0925 X1 + 0.844 X2 + 0.241 X3

Predictor Coef SE Coef T P

Constant -0.3902 0.3218 -1.21 0.236
X1 0.09246 0.08518 1.09 0.288
X2 0.8443 0.2667 3.17 0.004
X3 0.2413 0.2754 0.88 0.389

S = 0.121825 R-Sq = 67.6% R-Sq(adj) = 63.9%

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 )

Regression Analysis: ln (Yi) versus ln(x1), ln (x2), ln(x3)

The regression equation is

ln (Yi) = 0.300 + 0.432 ln(x1) + 1.43 ln (x2) + 0.183 ln(x3)

Predictor Coef SE Coef T P

Constant 0.3004 0.7149 0.42 0.678
ln(x1) 0.4320 0.4465 0.97 0.342
ln (x2) 1.4309 0.4285 3.34 0.003
ln(x3) 0.1828 0.1994 0.92 0.368

S = 0.120567 R-Sq = 68.3% R-Sq(adj) = 64.6%

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

Regression Analysis: ln (Yi) versus 1/x1, 1/x2, 1/x3

The regression equation is

ln (Yi) = 3.70 - 2.04 1/x1 - 2.40 1/x2 - 0.126 1/x3

Predictor Coef SE Coef T P

Constant 3.7005 0.3353 11.04 0.000
1/x1 -2.045 2.343 -0.87 0.391
1/x2 -2.3964 0.6865 -3.49 0.002
1/x3 -0.1262 0.1409 -0.90 0.379

S = 0.120270 R-Sq = 68.4% R-Sq(adj) = 64.8%

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)

Sesi Kelembaban Udara (%) Intensitas Bunyi (dB)

1 70 68,43
2 70 67,07
3 72 66,07
4 72 64,97
5 75 65,36
6 75 62,23
7 77 62,8
8 77 57,89
9 80 59,53
10 80 60,57
11 82 55,37
12 82 65,03
V. Estimasi Model
Analisis ini menduga bahwa hubungan antara intensitas bunyi dengan banyaknya
presentase (%) kelembaban udara adalah kuadratik dalam jangkauan data amatan;
intensitas bunyi akan meningkat apabila presentase kelembaban udara semakin
meningkat, namun jika kelembaban udara semakin meningkat, peningkatan intensitas
bunyi akan terhambat. Karena itu model regresi kuadratik :
Yi = 0 + 1X + 11X2 + i
Hasil estimasi parameter dengan metode kuadrat terkecil adalah :


= (XX) XY = ( . )
-1

.
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

Rata rata Y1 = 67,75 Rata rata Y4 = 60,345

Rata rata Y2 = 65,52 Rata rata Y5 = 60,05
Rata rata Y3 = 63,795 Rata rata Y6 = 60,2
JKGM = (68,43 - 67,75)2 + (67,07 67,75)2 +.+ (65,03 60,2)2 = 65,6809
Ada c = 6 taraf x yang berbeda, sehingga JKGM mempunyai n-c = 12 - 6 = 6 derajat
predictor. Akibatnya diperoleh
65,6809
= = = 10,94682
6 6
JKKM= JKG JKGM = 70,41 65,6809 = 4,7291
 JKKM mempunyai c p = 6 3 = 3 derajat predictor sehingga diperoleh
4,7291
= = = 1,57636667
3 3
Akhirnya diperoleh statistik uji

= = 0,144

Jika dipilih tingkat signifikansi = 0,05 maka diperoleh F(0,95;3,6)= 4,12. Karena nilai
F=0,144< 4,12 maka H0 diterima dan berarti fungsi respon kuadratik sesuai digunakan.
2. Uji Koefisien Regresi
Analisis tersebut menyelidiki apakah suku kuadratik dapat dibuang dari model, untuk
itu harus diuji :
H0 : 11 = 0
H1 : 11 0

Predictor Coef SE Coef T P VIF

Constant 428.6 324.6 1.32 0.219
x1 -8.981 8.562 -1.05 0.322 1986.695
x1^2 0.05470 0.05632 0.97 0.357 1986.695

S = 2.79701 R-Sq = 59.0% R-Sq(adj) = 49.9%

Nilai statistic uji nya adalah

11
0,0547
= = = 0,97
11 )
( 0,05632

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

Interval kepercayaan Bonferroni bagi parameter 1 dan 11 masing masing adalah

-8,981 2,262 ( 8,562) dan 0,0547 2,262(0,05632) , yang menghasilkan interval
kepercayaan : -28,348 < 1 < 10,386 dan 0,073 < 11 < 0,182
VIII. Koefisien Determinasi
Untuk memperoleh ukuran deskriptif bagi hubungan antara intensitas bunyi dan
kelembaban udara, analisis perlu menghitung koefisien determinasi ganda, yaitu:

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 (