Anda di halaman 1dari 78

MODUL PANDUAN PENGGUNAAN MINITAB 14 DALAM ANALISIS DATA

Created by : Reza Septiani Pontoh
Created by :
Reza Septiani Pontoh

1

DAFTAR ISI

1 PENGANTAR STATISTIKA & PENGENALAN MINITAB

4

1.1

Pendahuluan

4

1.1.1

Input Data

4

2 STATISTIKA DESKRIPTIF

 

6

2.1 Meringkas Data

 

6

2.2 Menyajikan Data

7

 

2.2.1 Histogram

7

2.2.2 Boxplot

8

2.2.3 Steam and Leaf

9

2.2.4 Plot

9

3 STATISTIKA DASAR

 

10

3.1 Satu Gugus Data Contoh

 

10

3.2 Dua Gugus Data Contoh

12

4 ANALISIS REGRESI

 

13

4.1 Regresi

Linier

13

4.2 Regresi

Bertatar

16

 

4.2.1 Prosedur Stepwise

 

16

4.2.2 Forward Selection

17

4.2.3 Backward Elimination

17

4.3 Regresi Terbaik (Best Regression)

18

4.4 Regresi Percobaan Satu Faktor Bertaraf kualitatif

19

4.5 Regresi Percobaan Satu Faktor Bertaraf Kuantitatif

21

4.6

Regresi Percobaan Tiga Faktor Bertaraf Kualitatif dan Kuantitatif

24

5 REGRESI DAN MASALAH PELANGGARAN ASUMSI

28

5.1 Heteroskedastisitas (Heteroscedasticity)

28

5.2 Autokorelasi (Serial Independen)

33

 

5.2.1 Metode Kuadrat Terkecil Terboboti (Weighted Least Square)

34

5.2.2 Transformasi model

 

35

5.3

MULTIKOLINIERITAS

36

6 PERANCANGAN PERCOBAAN

41

6.1

KLASIFIKASI

PERLAKUAN

42

6.1.1 Rancangan

Perlakuan

42

6.1.2 Rancangan

Lingkungan

43

6.2

PERCOBAAN FAKTORIAL

43

6.2.1 Percobaan

Dua

Faktor

RAL

43

6.2.2 Percobaan Dua Faktor RAK

45

6.2.3 Percobaan

Dua

Faktor

RBSL

46

6.3 RANCANGAN PETAK TERPISAH ( Split Plot Design)

46

6.4 RANCANGAN BLOK TERPISAH ( Split Block Design or Strip Plot Design)

47

7 PENGUJIAN ASUMSI

 

48

7.1 Pengujian Keaditifan Model

 

50

7.2 Pengujian Kenormalan Galat

50

7.3 Pengujian

Kehomogenan Ragam

50

7.4 Pengujian keacakan/kebebasan galat

51

8 TRANSFORMASI DATA

 

52

8.1

Transformasi untuk data tunggal

52

Tangga transformasi Tukey

52

2

8.2

Transformasi untuk k buah data sample bebas

53

 

8.2.1 Transformasi logaritma ( log Y )

53

8.2.2 Transformasi akar kuadrat ( ÷Y )

53

8.2.3 Transformasi Arcsin ( Sin-1÷Y)

54

8.3

Transformasi Dalam Regresi Linear Sederhana

55

9 REGRESI LOGIT DAN PROBIT

 

55

9.1

Regresi Logit

55

9.1.1 Model Logit

56

9.1.2 Pengujian Parameter

56

9.1.3 Intepretasi Koefisien

57

9.2

Regresi Probit

60

9.2.1 Intepretasi koefisien

60

9.2.2 Kriteria pemilihan Model Terbaik

60

9.3 Perbedaan

Logit dan Probit

 

61

9.4 Perbedaan Regresi Linier dan Logistik

61

10 ANALISIS MULTIVARIATE

 

63

10.1 ANALISIS KOMPONEN UTAMA

63

10.2 ANALISIS

KORESPONDENSI

 

63

 

10.2.1 Analisis korespondensi sederhana

63

10.2.2 Analisis

korespondensi

berganda

65

10.3

ANALISIS GEROMBOL

68

10.3.1 Konsep

Jarak

68

10.3.2 Metode

Perbaikan Jarak

68

3

1

PENGANTAR STATISTIKA & PENGENALAN MINITAB

Dalam berbagai literatur, statistik atau. statistic dapat diartikan sebagai

penduga parameter, dimana parameter disini dapat berupa rata-rata, standar deviasi, proporsi dan lain-lain. Sementara itu Statistika atau statistics adalah suatu disiplin ilmu yang mempelajari metode pengumpulan data, menganalisis (termasuk pendugaan parameter) dan menarik kesimpulan dari data tersebut. Data dibagi ke dalam kelompok menurut sumbernya, yaitu data primer dan data sekunder. Data primer adalah data yang berasal dari sumber asli dan dikumpulkan secara khusus untuk menjawab pertanyaan penelitian kita. Data sekunder adalah data yang berasal dari hasil survey pihak lain. Statistika adalah salah satu alat untuk membantu para pengambil kebijakan dalam membuat keputusan. Pengambilan keputusan ini umumnya didasarkan atas informasi yang tersedia dari data contoh. Untuk mengetahui prosedur pengambilan keputusan tersebut terlebih dahulu diperlukan pengertian-pengertian dasar tentang konsep dan teori statistika. Konsep-konsep dan tahapan-tahapan yang harus dimiliki oleh seorang peneliti dalam melakukan penelitiannya, yaitu:

1. Pendefinisian masalah

2. Pendefinisian populasi

3. Penentuan peubah / variabel

4. Teknik penarikan contoh

5. Pembuatan alat ukur

6. Metode analisis

7. Interpretasi hasil analisis

8. Kesimpulan

9. Penyajian hasil analisis

1.1 Pendahuluan

Paket program MINITAB merupakan perangkat lunak yang dapat digunakan sebagai media pengolahan data yang menyediakan berbagai jenis perintah sehingga memungkinkan proses pemasukkan data, manipulasi data, pembuatan grafik, peringkasan nilai-nilai numerik dan analisis statistika. MINITAB memiliki dua sesi primer yaitu worksheet (lembar kerja) untuk melihat dan mengedit lembar kerja, serta sesi command yang merupakan layar untuk menampilkan hasil. Perintah-perintah MINITAB dapat diakses melalui menu, kotak dialog dan perintah interaktif. Perintah interaktif ditulis pada sesi command.

1.1.1 Input Data

READ : Perintah READ selain digunakan untuk memanggil atau membaca data dari File ASCII juga dapat digunakan untuk memasukkan data melalui keyboard. Tulislah setiap baris data pada satu baris baru dan pisahkan masing-masing angka dengan spasi atau koma dan akhiri dengan END.

Contoh

: MTB

> READ C2 C3

 

DATA> 2

4

DATA> 3.5

27

DATA> 1

12

SET

DATA> END : Perintah SET digunakan untuk memasukkan data ke suatu

7

9

Contoh

kolom. : MTB > SET C6 DATA> 2 DATA> 3.8 22 DATA> END

Beberapa cara meringkas penulisan data melalui perintah SET

DATA> 1 : 4

DATA> 1 : 4 1 2 3 4

1

2

3

4

DATA> 1 : 4 1 2 3 4 4
4

4

DATA> 1 : 4 1 2 3 4 4
DATA> 1 : 4 1 2 3 4 4
DATA> 1 : 4 1 2 3 4 4

DATA> 1 : 3 / .5

1

1.5

2

2.5

3

DATA> 3(1)

1

1

1

DATA> 2(1:3)

1

2

3

1

2

3

DATA> (1:3) 2

1

1

2

2

3

3

DATA> 2 (1: 3) 2 Contoh: MTB> SET C6 DATA> 1 : 3 / .5 DATA> END

2

1

2

3

2

LET : Perintah LET digunakan untuk perhitungan aritmatik, bisa juga digunakan untuk mengganti atau memperbaiki nilai dalam kolom. LET E = ekspresi aljabar Contoh: MTB> LET C1 (3) = 4 MTB> LET C4 = (C1-MEAN(Cl))**2 MTB> LET K2= SUM (ABSO(Cl-MEAN (C1)))

Ekspresi aljabar didalam format perintah tersebut adalah :

1. Operasi aritmatik ( +, -, *, /, **, =, ~=, >, <, <=, => )

2. Fungsi : ABSOLUTE, EXPO, MINIMUN, ROUND, SUM, COUNT, MEDIAN,

STDEV, RANK, SORT, MEAN, PARSUM, SQRT, SSQ Perintah fungsi selalu diikuti dengan tanda kurung MTB> SQRT (C5)

DELETE & ERASE : DELETE berfungsi untuk menghapus baris, sedangkan ERASE digunakan untuk menghapus kolom. Contoh: MTB> DELETE 2,4 C1-C3

untuk menghapus kolom. Contoh: MTB> DELETE 2,4 C1-C3 MTB> ERASE C1 INSERT : berfungsi untuk menyisipkan

MTB> ERASE C1

kolom. Contoh: MTB> DELETE 2,4 C1-C3 MTB> ERASE C1 INSERT : berfungsi untuk menyisipkan baris data

INSERT : berfungsi untuk menyisipkan baris data pada lembar kerja. Contoh: MTB> INSERT 2,3 Cl-C2

DATA> 56

8

DATA> END

INSERT 2,3 Cl-C2 DATA> 56 8 DATA> END COPY : Perintah COPY digunakan untuk menggandakan data.

COPY

: Perintah COPY digunakan untuk menggandakan data.

Contoh

:

NAMA

JK

BB

TB

 

JOAN

2

135

66

HENRI

1

155

70

MARY

2

125

64

5

SUSAN 2

115

65

JAMES

1

145

64

MTB> COPY 'NAMA'

SUBC> USE 'JK'=l. (perintah ini sama dengan OMIT 'JK'=2.)

Hasilnya :

'JK'

'BB'

'TB'

C12-C14;

Hasilnya : 'JK' 'BB' 'TB' C12-C14; CODE : untuk menggandakan sekaligus mengganti beberapa

CODE : untuk menggandakan sekaligus mengganti beberapa nilai STACK DAN UNSTACK :

Perintah STACK digunakan untuk menggabungkan kolom atau konstanta diatas kolom atau konstanta yang lain, UNSTACK digunakan untuk memecah atau memisahkan isi sebuah atau beberapa kolom ke dalam beberapa kolom atau konstanta. Subcommand yang digunakan untuk memecah adalah SUBSCRIPTS.

2 STATISTIKA DESKRIPTIF

membicarakan metode

mengumpulkan, meringkas/menyederhanakan dan menyajikan data sehingga dapat

memberikan informasi. Mengumpulkan data dapat dilakukan dengan cara:

Statistika

deskriptif adalah bidang statistika yang

1. Penelitian

2. Observasi

Ukuran yang digunakan dalam meringkas data:

1. Ukuran pemusatan ( mean, median, modus, kuartil)

2. Ukuran penyebaran ( ragam, range, jarak antar kuartil)

Penyajian data dapat berupa :

1. Tabulasi

2. Grafik ( histogram, boxplot (diagram kotak garis), steam and leaf (diagram dahan daun), plot) Peringkasan dan penyajian data yang baik akan sangat membantu dalam menganalisis data selanjutnya. Dan membantu dalam mengambil kesimpulan secara deskriptif.

2.1 Meringkas Data

Tahapan menggunakan menu MINITAB :

Klik Stat > Basic Statistics > Display Descriptive Statistics

Variables

klik Graph

klik Statistics

: isi dengan peubah yang akan dideskripsikan

: pilih Histogram of Data with normal curve

: checklist nilai-nilai statistic yang ingin ditampilkan

Klik OK!

Contoh :

Data hasil yang diperoleh dari varietas padi lokal (ton/ha):

4.0, 4.0, 5.5, 6.0, 7.5, 4.8, 6.1, 4.5, 4.5, 5.0, 4.0, 5.3, 5.1, 5.8, 5.9. 6.5, 7.5, 7.5, 4.0, 4.5

Masukkan data diatas pada kolom C1

Kemudian ikuti tahapan menggunakan menu MINITAB diatas

6

Descriptive Statistics: hasil Variable N Mean SE Mean StDev Minimum Q1 Median Q3 Maximum hasil

Descriptive Statistics: hasil

Variable N Mean SE Mean StDev Minimum Q1 Median Q3 Maximum hasil 20 5.400 0.265
Variable
N
Mean
SE Mean StDev Minimum
Q1 Median
Q3 Maximum
hasil
20
5.400
0.265 1.183
4.000 4.500
5.200 6.075
7.500
Keterangan :
N
Mean
Median
TrMean
StDev
SE Mean
: Banyak data
: Rataan
: Nilai tengah setelah data terurut dari terkecil hingga
terbesar
: Rataan Terpangkas, yaitu rataan setelah data terkecil
dan terbesar dipotong masing-masing 5%
: Simpangan Baku/ akar dari ragam
: Rataan Galat Baku/ Simpangan Baku bagi N
Min/Max
: Nilai terkecil/terbesar setelah data terurut
Q1/Q3
: kuartill/kuartil3
Histogram(withNormal Curve) of hasil
Mean
5.4
4
StDev
1.183
N
20
3
2
1
0
3
4
6
7
8
hasil
Interpretasi :
Frequency

Dengan Histogram dapat dilihat apakah data menyebar normal atau tidak. Histogram diatas menunjukan bahwa data tidak menyebar normal tetapi cenderung menjulur ke kanan. Sedangkan kotak-kotak tersebut memiliki interval yang sama yaitu 0.5 dan tinggi kotak menunjukkan frekuensi nilai-nilai yang berada pada interval tersebut.

2.2 Menyajikan Data

2.2.1

Histogram

Penyajian dalam bentuk Histogram memberikan gambaran frekuensi untuk setiap nilai atau selang nilai tertentu dari peubah yang diamati secara visual.

7

Tahapan menggunakan menu MINITAB :

Klik Graph > Histogram

Pilih bentuk histogram yang akan ditampilkan

Graph Variables : isi dengan variabel yang akan dibuat histogram

Klik Label jika ingin memberi judul histogram

Klik Multiple Graph untuk memilih tampilan histogram (overlay lebih dari 1 variabel atau separate)

Klik OK! Contoh :

Data hasil yang diperoleh dari vareitas padi lokal (ton/ha):

4.0, 4.0, 5.5, 6.0, 7.5, 4.8, 6.1, 4.5. 4.5, 5.0, 4.0,5.3,5.1, 5.8 , 5,9,6.5, 7.5, 7.5, 4.0, 4.5

Masukkan data di atas pada kolom Cl, beri judul kolom Hasil (ton/ha)

Kemudian ikuti tahapan menggunakan menu MINITAB diatas

 Kemudian ikuti tahapan menggunakan menu MINITAB diatas histogramhasil (ton/ ha) 4 3 2 1 0
histogramhasil (ton/ ha) 4 3 2 1 0 4.0 4.5 5.0 5.5 6.0 6.5 7.0
histogramhasil (ton/ ha)
4
3
2
1
0
4.0
4.5
5.0
5.5
6.0
6.5
7.0
7.5
hasil(ton/ ha)
Frequency

2.2.2

Boxplot

Penyajian

dalam

menampilkan :

bentuk

Boxplot

tidak

menampilkan

data

asli,

tetapi

Kesimetrisan penyebaran data, dapat dilihat dari apakah kotak terbagi dua oleh garis median sama besar atau tidak, dan apakah 'ekor' bawah dan 'ekor' atas sama panjang atau tidak.

Keanehan data, jika data pengamatan berada di luar batas BB1 dan BA1, disebut pencilan minor, dan jika data pengamatan berada di luar batas BB2 dab BA2 disebut data ekstrim.

berada di luar batas BB2 dab BA2 disebut data ekstrim. Keterangan : Q1 : Nilai Kuartil

Keterangan :

Q1

: Nilai Kuartil 1, nilai yang menyekat kumpulan data yang telah

Q2

diurutkan, dimana data yang lebih kecil dari Q1 sebanyak 25% dan data yang lebih besar dari Q1 sebanyak 75%. : Nilai Kuartil 2, sama dengan median, merupakan nilai pembatas

8

Q3

50% data disebelah kiri Q2 dan 50% data di sebelah kanan Q2. : Nilai Kuartil 3, nilai yang menyekat kumpulan data yang telah

diurutkan, dimana data yang lebih kecil dari Q3 sebanyak 75% dan data yang lebih besar dari Q3 sebanyak 25%.

BA1 = Q3 + 3/2(Q3-Q1) BA2 = Q3 + 3(Q3-Q1)

BB1 = Q1 - 3/2(Q3-Q1) BB2 = Q1 - 3(Q3-Q1)

Tahapan menggunakan menu MINITAB :

Klik Graph > Boxplot

Pilih bentuk histogram yang akan ditampilkan

Graph Variables

Klik Label jika ingin memberi judul boxplot

Klik OK!

: isi dengan variabel yang akan dibuat boxplot

Contoh :

Gunakan data contoh Histogram, kemudian ikuti tahapan di atas

BOXPLOTHASIL (TON/ HA) 8 7 6 5 4 hasil(ton/ ha)
BOXPLOTHASIL (TON/ HA)
8
7
6
5
4
hasil(ton/ ha)

2.2.3 Steam and Leaf

Memungkinkan pengguna mendapat lebih banyak informasi dibandingkan dengan penyajian Histogram, karena diagram dahan daun menyajikan data asli dari setiap objek pengamatan. Tahapan menggunakan menu MINITAB :

Klik Graph > Steam-and-leaf

Graph Variables : isi variabel yang akan dibuat steam and-leaf

Klik OK! Contoh:

Gunakan data Histogram, ikuti langkah diatas

Stem-and-Leaf Display: hasil (ton/ha)

Stem-and-leaf of hasil (ton/ha) N = 20 Leaf Unit = 0.10

4

4

0000

8

4

5558

(3)

5

013

9

5

589

6

6

01

4

6

5

3

7

3

7

555

2.2.4 Plot

Menggunakan plot harus ada dua variabel, sehingga data tersebut dapat diplotkan antara kedua variabel tersebut. Tahapan menggunakan menu MINITAB :

9

Klik Graph > Plot

Graph Variables

dan X dengan peubah lain (C2)

Klik Label jika ingin memberi judul plot serta klik pada bagian data labels jika ingin menampilkan tipe label pada plot (klik use y-value labels).

: isi Y dengan variabel yang akan diplotkan (Cl)

Klik OK! Contoh :

Gunakan data Histogram, dengan tambahan data lokasi penanaman padi :

1, 2, 3, 1, 2, 2, 3, 3, 1, 1, 1, 2, 3, 3, 2, 1, 1, 2, 3, 3. 1 = Jawa Barat, 2 = Jawa Tengah, 3 = Jawa Timur Tempatkan data tambahan di atas pada kolom C2, kemudian ikuti tahapan di atas

di atas pada kolom C2, kemudian ikuti tahapan di atas 3 STATISTIKA DASAR 3.1 Satu Gugus
di atas pada kolom C2, kemudian ikuti tahapan di atas 3 STATISTIKA DASAR 3.1 Satu Gugus

3 STATISTIKA DASAR

3.1 Satu Gugus Data Contoh

MINITAB menyediakan fasilitas untuk melakukan pengujian hipotesis (pengujian

dan membuat selang kepercayaan. Beberapa kriteria yang harus

nilai

diperhatikan:

tengah)

1. Jika ukuran contoh besar (n>30) atau ragam populasi diketahui, maka

statistik uji yang digunakan statistik uji z.

2. Jika ukuran contohnya kecil (n<30) dan ragam populasi tidak diketahui, maka statistik uji yang digunakan statistik uji t.

Bentuk hipotesis yang diuji :

1. H 0 : μ = μ 0 vs H 1 : μ ≠ μ 0

2. H 0 : μ = μ 0 vs H 1 : μ > μ 0

3. H 0 : μ = μ 0 vs H 1 : μ < μ 0

sedangkan selang kepercayaan (1-α) 100% bagi nilai tengah popuJasi adalah:

10

(

x

±

z

(

/ 2)

x

)

dimana : x

= nilai tengah contoh

x = galat baku nilai tengah x

Langkah-langkah menggunakan menu MINITAB untuk Uji Z :

Klik Stat > BasicStatistcs > 1-Sample z

Variables

Test Mean

: isi dengan peubah C1 atau hasil(ton/ha)

: isi dengan nilai tengah populasi yang dihipotesiskan (5.2)

Standar deviation : isi dengan simpangan baku populasi (1.2)

Klik options

: pilih taraf nyata pada confident level dan hipotesisnya pada alternative

pada confident level dan hipotesisnya pada alternative One-Sample Z: hasil (ton/ha ) Test of mu =
pada confident level dan hipotesisnya pada alternative One-Sample Z: hasil (ton/ha ) Test of mu =

One-Sample Z: hasil (ton/ha)

Test of mu = 5.2 vs not = 5.2 The assumed standard deviation = 1.2

Variable

N

Mean

StDev

SE Mean

95% CI

Z

P

hasil (ton/ha) 20 5.40000 1.18322 0.26833 (4.87409, 5.92591)

0.75

0.456

Intepretasi :

Hipotesis yang diuji adalah Ho : μ = 5.0 vs H1 : μ ≠ 5.0. Setelah dilihat dari nilai P-value teryata nilainya lebih besar dari taraf nyata 0.05 yang berarti terima H 0 atau μ = 5.0. Langkah-langkah menggunakan menu MINITAB untuk Uji T :

Klik menu Stat > Basic Statistics > 1-Sample t

Variables

Test Mean

: isi dengan peubah C1

: isi dengan nilai tengah populasi yang

dihipotesiskan (5.2)

Klik options

: pilih taraf nyata pada confident level hipotesisnya pada alternative

nyata pada confident level hipotesisnya pada alternative One-Sample Intepretasi : T: hasil (ton/ha) Test of mu

One-Sample Intepretasi : T: hasil (ton/ha)

Test of mu = 5.2 vs not = 5.2

Variable

N

Mean

11

StDev SE Mean

95% CI

T

P

Hipotesis yang diuji adalah Ho : μ = 5.0 vs H1 : μ ≠ 5.0. Setelah dilihat dari nilai P-value teryata nilainya lebih besar dari taraf nyata yang kita tentukan yaitu sebesar 0.05 yang berarti terima H 0 .

3.2 Dua Gugus Data Contoh

Jika ingin melakukan uji kesamaan dua nilai tengah dan selang kepercayaan untuk beda nilai tengah populasi bagi dua gugus data contoh digunakan uji t dengan perintah TWOSAMPLE (jika 2 gugus data contoh diletakkan pada kolom terpisah) atau TWOT (jika 2 gugus data diletakkan pada satu kolom dan kolom lain dituliskan koding dari gugus contoh). Bentuk hipotesis yang diuji :

1. H 0 : μ 1 = μ 2 vs H 1 : μ 1 ≠ μ 2

2. H 0 : μ 1 = μ 2 vs H 1 : μ 1 > μ 2

3. H 0 : μ 1 = μ 2 vs H 1 : μ 1 < μ 2

Contoh: Kita ingin menguji apakah nilai tengah antara variabel di C1 dan

C2 sama, dan kita mengujinya pada taraf nyata sebesar 0.05

Langkah-langkah dalam MINITAB :

Klik Stat > Basic statistics > 2-sample t

Klik Samples in different columns:

Masukkan kolom mana yang akan diuji (C1 dan C2)

Klik "Assume equal variances" jika kita mennganggap bahwa ragam populasi sama

Klik options

: pilih taraf nyata pada confident level serta hipotesisnya pada alternative.

pada confident level serta hipotesisnya pada alternative. Two-Sample T-Test and CI: hasil (ton/ha), lokasi Two-sample
pada confident level serta hipotesisnya pada alternative. Two-Sample T-Test and CI: hasil (ton/ha), lokasi Two-sample

Two-Sample T-Test and CI: hasil (ton/ha), lokasi

Two-sample T for hasil (ton/ha) vs lokasi

 

N

Mean StDev

SE Mean

hasil (ton/ha) 20

5.40

1.18

0.26

lokasi

14

2.071 0.917

0.25

Difference = mu (hasil (ton/ha)) - mu (lokasi) Estimate for difference: 3.32857 95% CI for difference: (2.55990, 4.09725)

T-Test of difference = 0 (vs not =): T-Value = 8.82

Both use Pooled StDev = 1.0829

P-Value = 0.000

DF = 32

Interpretasi :

Hipotesis yang diuji adalah Ho : μ hasil = μ lokasi vs H1 : μ hasil ≠ μ lokasi . Setelah dilihat dari nilai P-value teryata nilainya lebih kecil dari taraf nyata yang kita tentukan yaitu sebesar 0.05 yang berarti tolak H 0 atau nilai tengah hasil tidak sama dengan nilai tengah lokasi.

12

4 ANALISIS REGRESI

Dalam MINITAB terdapat fasilitas untuk analisis regresi yaitu regresi linier, regresi bertatar (stepwise regression), regresi terbaik (best regression), dan regresi kekar (robust regression). Disini hanya akan dibahas tentang regresi linier, bertatar dan terbaik.

Model : Y t = α + βX t + U t

Asumsi yang mendasari pendugaan model regresi linier dengan menggunakan metode kuadrat terkecil yaitu :

U t adalah random variable (peubah acak) dengan nilai rata-rata U t [E(U t )] = 0, untuk semua t.

Homoskedastisitas (kehomogenan ragam) yang berarti untuk setiap sisaan ragamnya sama. Untuk semua t, Var (U t ) = σ 2 .

Tidak ada auto korelasi dalam sisaan.

Tidak terdapat hubungan atau korelasi antara beberapa atau semua variabel bebas (multikolinearitas)

Untuk setiap t, U t menyebar Normal (0, σ 2 )

4.1 Regresi Linier

Regresi Linier adalah persamaan regresi yang menggambarkan hubungan antara peubah bebas (X, independence variable) dengan peubah tak bebas (Y, dependence variable) dimana hubungan keduanya dapat digambarkan sebagai suatu garis lurus. Berikut adalah contoh menganalisis data menggunakan regresi linier. Suatu telaah dilakukan untuk mengevaluasi sejauh mana pengaruh biaya yang dikeluarkan untuk iklan terhadap hasil penjualan, dikumpulkan data biaya iklan dan hasil penjualan sebagai berikut :

No

No

Biaya

Hasil

No

Biaya

Hasil

Hasil

1

40

385

7

40

490

2

20

400

8

20

420

3

25

395

9

50

560

4

20

365

10

40

525

5

30

475

11

25

480

6

50

440

12

50

510

Jika diasumsikan hubungan antara biaya iklan dengan hasil penjualan dapat dinyatakan sebagai persamaan linier sederhana, dugalah persamaan garis tersebut apakah biaya iklan memberikan pengaruh yang nyata terhadap hasil penjualan.

Langkah-langkah dalam MINITAB:

Peubah respon (Hasil) disimpan di kolom pertama (C1) dan peubah penjelas (Biaya) di kolom berikutnya (C2)

Klik Stat > Regression > Regression

Response : Masukkan peubah respon (Hasil)

Predictors : Masukkan peubah bebas (Biaya)

Klik Graphs :

Residual for plots : pilih Regular

Residual plots

: pilih four in one

Klik Options :

Display, pilih variance inflation factor

Predictions intervals for new observations : isi nilai X = 35

Confidence interval: 95

Storage : Fits

Klik Result : Pilih option kedua regression equation, table

Klik storage : Checklist pada residuals.

13

Regression Analysis: Hasil versus Biaya The regression equation is Hasil = 344 + 3.22 Biaya
Regression Analysis: Hasil versus Biaya The regression equation is Hasil = 344 + 3.22 Biaya
Regression Analysis: Hasil versus Biaya The regression equation is Hasil = 344 + 3.22 Biaya
Regression Analysis: Hasil versus Biaya The regression equation is Hasil = 344 + 3.22 Biaya

Regression Analysis: Hasil versus Biaya

The regression equation is Hasil = 344 + 3.22 Biaya

Predictor

Coef

SE Coef

T

P

Constant

343.71

44.77 7.68

0.000

Biaya

3.221

1.240 2.60

0.027

S = 50.2257

R-Sq = 40.3%

R-Sq(adj) = 34.3%

Analysis of Variance

Source

DF

SS

MS

F

P

Regression

1

17030

17030 6.75

0.027

Residual Error 10 25226

2523

Total

11

42256

Predicted Values for New Observations New

 

Obs

Fit

SE Fit

95% CI

95% PI

1

456.4

14.5 (424.0, 488.8) (339.9, 572.9)

Values of Predictors for New Observations

Interpretasi :

New

Obs Biaya

Dari output diatas dapat diperoleh beberapa informasi, persamaan regresi yang

diperoleh adalah Hasil = 344 + 3.22 Biaya, dimana setiap

1

35.0

kenaikan satu satuan biaya akan menaikkan hasil sebesar 3.22 satuan. Dari nilai-p untuk koefisien biaya dapat disimpulkan bahwa biaya mempunyai pengaruh yang nyata terhadap perubahan hasil (nilai-p < 0.05), kemudian dari R-Sq diperoleh kesimpulan bahwa model hanya mampu menerangkan 40.3% dari keragaman data tetapi dari anova model diperoleh informasi bahwa model sudah cukup baik atau tepat untuk menginterpretasikan data (nilai-p < 0.05) Output selanjutnya adalah bila kita ingin melihat nilai dugaan y (hasil) dari suatu nilai x (biaya) tertentu pada persamaan regresi yang telah kita peroleh. Dalam kasus ini kita ingin menduga hasil pada biaya sebesar 35 (x = 35.00), pada biaya sebesar 35 maka hasil yang diperoleh sebesar 456.4

14

Residual Plotsfor Hasil Normal Probability Plot of the Residuals Residuals Versus the Fitted Values 99
Residual Plotsfor Hasil
Normal Probability Plot of the Residuals
Residuals Versus the Fitted Values
99
50
90
0
50
-50
10
1
-100
-100
-50
0
50
100
400
425
450
475
500
Residual
FittedValue
Histogram of the Residuals
Residuals Versus the Order of the Data
3
50
2
0
1
-50
0
-100
-100
-75
-50
-25
0
25
50
1
2
3
4
5
6
7
8
9
10
11
12
Residual
ObservationOrder
Percent
Frequency
Residual
Residual

Plot sisaan untuk hasil diatas dapat digunakan untuk pengujian asumsi. Plot

normal probability

versus the fitted values (plot sisaan dan dugaan) menunjukkan kehomogenan ragam sisaan, jika plot membentuk suatu pola acak atau lebar selang homogen maka

diindikasikan sisaan bersifat homogen; plot residuals versus the order menunjukkan keacakan galat. Dari plot diatas maka ketiga asumsi tersebut telah terpenuhi. Kemudian bila ingin mengetahui apakah model regresi ordo berapa yang tepat bisa menggunakan menu fitted line plot, tapi hanya terbatas sampai model cubic. Dari langkah ini juga dipeloreh plot regresinya.

Langkah-langkah dalam MINITAB:

digunakan untuk uji asumsi kenormalan; plot residual

Klik Stat > Regression > Fitted Line Plot

Response (Y)

Predictors (X)

Type or Regression Model : Misal pilih Cubic

: Masukkan peubah respon (Hasil)

: Masukkan peubah bebas (Biaya)

peubah respon ( Hasil ) : Masukkan peubah bebas ( Biaya ) Polynomial Regression Analysis: Hasil

Polynomial Regression Analysis: Hasil versus Biaya

The regression equation is Hasil = - 337.4 + 66.03 Biaya - 1.800 Biaya**2 + 0.01630 Biaya**3

S = 53.9014

Analysis of Variance

R-Sq = 45.0%

R-Sq(adj) = 24.4%

Source

DF

SS

MS

F

P

Regression

3

19013.4 6337.80 2.18

0.168

Error

8 23242.9 2905.36

Total

11 42256.2

 

Sequential Analysis of Variance

Source

DF

SS

F

P

Linear

1

17030.0 6.75 0.027

Quadratic

1

456.1

0.17 0.693

Cubic

1

1527.2

0.53 0.489

15

FittedLinePlot Hasil = - 337.4 +66.03 Biaya - 1.800 Biaya**2 +0.01630 Biaya**3 S 53.9014 550
FittedLinePlot
Hasil = - 337.4 +66.03 Biaya
- 1.800 Biaya**2 +0.01630 Biaya**3
S
53.9014
550
R-Sq
45.0%
R-Sq(adj)
24.4%
500
450
400
350
20
25
30
35
40
45
50
Biaya
Hasil

interpretasi :

Dari output terlihat bahwa hanya model linear yang nyata, sehingga untuk data ini model yang tepat adalah model regresi linear atau berordo satu. Ulangi langkah diatas (Fitted Line Plot) tapi pilih model linear.

Regression Analysis: Hasil versus Biaya

The regression equation is Hasil = 343.7 + 3.221 Biaya

S = 50.2257

Analysis of Variance

R-Sq = 40.3%

R-Sq(adj) = 34.3%

Source

DF

SS

MS

F

P

Regression

1

17030.0 17030.0 6.75

0.027

Error

10 25226.2

2522.6

Total

11 42256.2

FittedLinePlot Hasil = 343.7 +3.221 Biaya S 50.2257 550 R-Sq 40.3% R-Sq(adj) 34.3% 500 450
FittedLinePlot
Hasil = 343.7 +3.221 Biaya
S
50.2257
550
R-Sq
40.3%
R-Sq(adj)
34.3%
500
450
400
350
20
25
30
35
40
45
50
Biaya
Hasil

4.2 Regresi Bertatar

Regresi bertatar digunakan untuk memilih secara otomatis peubah bebas yang dapat menerangkan peubah dengan baik berdasarkan statistic F maksimum. Ada tiga metode yang dapat didukung oleh MINITAB dalam menganalisis data menggunakan regresi bertatar ini, yaitu :

4.2.1 Prosedur Stepwise

Adapun langkah-langkah untuk melakukan prosedur ini yaitu :

Pada setiap tahap dihitung statistik F untuk setiap prediktor dalam model.

Jika nilai F lebih kecil dari Alpha to remove (A REMOVE), maka peubah yang nilai statistik F-nya paling kecil dikeluarkan dari model

Persamaan regresi yang baru dihitung dan hasilnya dicetak

Jika tidak ada lagi prediktor yang dikeluarkan dari model, maka dihitung statistik F prediktor yang tidak termasuk dalam model.

16

Nilai F yang paling besar dimasukkan kedalam model jika lebih besar dari Alpha to enter (A ENTER). Jika tidak ada lagi prediktor yang dapat ditambahkan ke dalam model, prosedur stepwise dihentikan.

4.2.2 Forward Selection

Sama dengan prosedur stepwise, tetapi tanpa ada prediktor yang dikeluarkan dari model. Untuk forward selection, gunakan nilai A to remove = 0.

4.2.3 Backward Elimination

Tahapan untuk melakukan prosedur ini yaitu :

Masukkan prediktor

Keluarkan prediktor dengan menggunakan prosedur stepwise

Tidak ada prediktor yang dimasukkan kembali ke dalam model

Gunakan nilai A to enter = 10000 dan tuliskan semua prediktor pada sub perintah ENTER

Contoh kasus :

Suatu survey dilakukan terhadap 17 rumah sakit di sekitar Jabotabek. Peubah-peubah yang diamati dalarn survey tersebut adalah :

X1

= banyaknya pasien rata-rata per hari

X2

= banyaknya pelayanan sinar-X per hari

X3

= tempat tidur yang terisi per bulan

X4

= banyaknya penduduk disekitarnya yang mungkin memerlukan fasilitas

X5

= rata-rata lamanya pasien dirawat (opname) dalam hari

Y

= banyaknya jam kerja per bulan yang dipakai di rumah sakit tersebut.

Secara lengkap data hasil survey tersebut disajikan sebagai berikut :

No

No

X1

X2

X3

X4

X5

Y

Y

1

15.6

2463.0

472.9

18.0

4.5

566.5

2

44.0

2048.0

1339.7

9.5

6.9

696.8

3

20.4

3940.0

620.2

4.3

4.3

1033.2

4

18.7

6505.0

568.3

36.2

3.9

1603.6

5

49.2

5723.0

1497.6

35.2

5.5

1611.4

6

44.9

11520.0

1365.8

24.0

4.6

1613.3

7

45.5

5779.0

1687.0

43.3

5.6

1854.2

8

59.3

5969.0

1639.9

46.7

5.2

2160.6

9

94.4

8461.0

2872.3

78.7

6.2

2305.6

10

182.0

21106.0

366.1

180.5

6.2

3503.9

11

96.0

13313.0

2912.0

60.9

5.9

3571.9

12

131.4

10771.0

3921.0

103.7

4.9

3741.4

13

127.2

15543.0

3865.7

126.8

5.5

4026.5

14

252.9

36194.0

7684.1

157.7

7.0

10343.8

15

409.2

34703.0

12446.3

169.4

10.8

11732.2

16

463.7

39204.0

14098.4

331.4

7.1

15414.9

17

510.2

86533.0

15524.0

371.6

6.4

18845.4

Langkah-langkah :

Klik Stat > Regression > Stepwise

Respon

Predictors

: Masukkan peubah responnya (Y) = C6

: Masukkan peubah penjelas (X) = C1 - C5

17

Stepwise Regression: Y versus X1, X2, X3, X4, X5 Alpha-to-Enter: 0.15 Alpha-to-Remove: 0.15 Response is

Stepwise Regression: Y versus X1, X2, X3, X4, X5

Alpha-to-Enter: 0.15 Alpha-to-Remove: 0.15 Response is Y on 5 predictors, with N = 17

Step

1

2

3

4

Constant

-106.082 -118.446 2.008 1375.574

X1

33.7

24.0

9.1

13.3

T-Value

18.72

6.97

1.99

2.76

P-Value

0.000

0.000 0.068

0.017

X2

0.081 0.079

0.059

T-Value

3.10

4.26

2.92

P-Value

0.008 0.001

0.013

X3

0.51

0.51

T-Value

3.87

4.20

P-Value

0.002

0.001

X5

-279

T-Value

-1.81

P-Value

0.096

S

1163

927

656

606

R-Sq

95.90

97.56 98.87

99.11

R-Sq(adj)

95.62

97.22 98.61

98.81

Mallows C-p

37.7

19.1

5.0

4.0

Interpretasi Output :

Dari hasil output diatas dapat diketahui bahwa dengan menggunakan metode stepwise, peubah bebas yang berpengaruh nyata terhadap respon yaitu X1, X2, X3 dan X5. Hal ini diketahui dari nilai p-value pada step ke-4 lebih kecil dari nilai α = 15. Nilai R-Sq = 98.81% pada step ke-4 menunjukkan bahwa model regresi diatas sudah baik.

Pada contoh diatas digunakan α = 0.15 (default), jika ingin merubah taraf

nyata tetap gunakan langkah diatas. Taraf nyata bisa dirubah melalui icon

methods

pada alpha to enter dan alpha to remove.

4.3 Regresi Terbaik (Best Regression)

Regresi terbaik digunakan untuk meregresikan satu peubah respon pada semua kemungkinan kombinasi subset peubah-peubah prediktor dan kemudian memilih subset terbaik untuk setiap ukuran (size). Informasi model terbaik ini dipilih berdasarkan nilai R-square terbesar. Pada setiap regresi subset terbaik ditampilkan statistik, yaitu : R-sq, adj R-sq, s dan C-p. Jika model difit tanpa konstanta, R-sq dan adj R-sq tidak ditampilkan. Contoh :

Dari data pada contoh sebelumnya, ingin dicari kombinasi peubah yang terbaik dalam memodelkan hubungan X dan Y dengan menggunakan regresi terbaik (Best Regression). Langkah-langkahnya yaitu :

Klik Stat > Regression > Best Subsets

Response : masukkan peubah respon (Y) = C6

18

Free Predictors

: masukkan peubah bebas (X) = C1 - C5

 Free Predictors : masukkan peubah bebas (X) = C1 - C5 Best Subsets Regression: Y

Best Subsets Regression: Y versus X1, X2, X3, X4, X5

Response is Y

 

Mallows

X

X X X X

Vars

R-Sq

R-Sq(adj)

C-p

S

1

2

3

4

5

1

95.9

95.6

37.7

1163.2

X

1

95.6

95.3

42.0 1210.8

X

 

2

98.5

98.3

7.3

722.57

X X

2

98.1

97.8

13.0

828.30

X X

3

99.0

98.8

3.3

614.43

X X X

3

98.9

98.6

5.0

656.26

X X X

4

99.1

98.8

4.0

605.65

X X X

X

4

99.0

98.7

5.1

634.31

X X X X

5

99.1

98.7

6.0

632.43

X X X X X

Interpretasi Output :

Jika dilihat dari outputnya, maka dapat disimpulkan bahwa :

Kombinasi 3 peubah X terbaik yaitu X2, X3, X4 dengan nilai

98.8%

Kombinasi 4 peubah X terbaik yaitu X1, X2, X3, X5 dengan nilai = 98.8%

R-Sq(adj) =

R-Sq(adj)

4.4 Regresi Percobaan Satu Faktor Bertaraf kualitatif

Analisis regresi percobaan satu faktor bertaraf kualitatif pada dasarnya serupa dengan analisis ragam yang mengkaji perbedaan nilai rata-rata terhadap perlakuan atau taraf kontrol. Variabel penjelas pada model regresi ini adalah (t-1) buah variabel dummy, apabila taraf faktor kualitatif tersebut ada t buah taraf. Contoh :

Percobaan RAL untuk mengetahui pengaruh pencampuran bensin terhadap penggunaan bahan bakar mobil yang diukur melalui jarak tempuh perliter (km/l). Perlakuan yang dicobakan ada 4 macam dimana A sebagai kontrol.

teknik pencampuran

teknik pencampuran

teknik pencampuran
teknik pencampuran
 

A

B

C

D

10

13

14

14

11

11

12

11

8

10

11

10

jarak tempuh per liter

7

9

10

11

9

10

13

10

total

total

45

53

60

56

56

rata-rata

9

10.6

12

11.2

Sesuai ketentuan umum pada regresi dari factor bertaraf kualitatif maka kita bangun 4 - 1 = 3 peubah dummy: D1, D2, D3

19

D

1

D

D

2

2

 

D1

D2

D3

Y

  D1 D2 D3 Y keterangan

keterangan

  D1 D2 D3 Y keterangan
 

no

 

taraf

ulangan

 

1

0

0

0

10

A

1

2

0

0

0

11

A

2

3

0

0

0

8

A

3

4

0

0

0

7

A

4

5

0

0

0

9

A

5

6

1

0

0

13

B

1

7

1

0

0

11

B

2

8

1

0

0

10

B

3

9

1

0

0

9

B

4

10

1

0

0

10

B

5

11

0

1

0

14

C

1

12

0

1

0

12

C

2

13

0

1

0

11

C

3

14

0

1

0

10

C

4

15

0

1

0

13

C

5

16

0

0

1

14

D

1

17

0

0

1

11

D

2

18

0

0

1

10

D

3

19

0

0

1

11

D

4

20

0

0

1

10

D

5

 

1

jika pengamatan dari taraf B

 

=

 

0

untuk pengamatan lain (bukan dari B)

 

1

jika pengamatan dari taraf C

 

=

 

0

untuk pengamatan lain (bukan dari C)

 

1

jika pengamatan dari taraf D

 

=

 

0

untuk pengamatan lain (bukan dari D)

 

Langkah-langkah :

Klik Stat > Regression > Stepwise

Respon

Predictors Output :

: masukkan peubah responnya (Y)

: masukkan peubah penjelas, yaitu : D1 D2 D3

Regression Analysis: Y versus D1, D2, D3

The regression equation is Y = 9.00 + 1.60 D1 + 3.00 D2 + 2.20 D3

Predictor

Coef

SE Coef

T

P

Constant

9.0000

0.7071 12.73 0.000

D1

1.600

1.000

1.60 0.129

D2

3.000

1.000

3.00 0.008

D3

2.200

1.000

2.20 0.043

S = 1.58114

R-Sq = 37.7%

R-Sq(adj) = 26.0%

Analysis of Variance

Source

DF

SS

MS

F

P

Regression

3

24.200

8.067

3.23 0.051

Residual Error 16 40.000 2.500

Total

19 64.200

20

Interpretasi :

Dari output diatas untuk uji koefisien regresi diperoleh informasi bahwa rata- rata perlakuan B tidak berbeda nyata dengan rata-rata respon dari control (A). sedangkan rata-rata respon untuk perlakuan C dan D pada taraf nyata 5% berbeda nyata dengan rata-rata respon perlakuan A. Dari persamaan diatas diperoleh informasi bahwa rata-rata respon dari perlakuan C lebih tinggi sebesar 3.00 dari rata-rata respon perlakuan A serta perlakuan D mempunyai rata-rata respon lebih tinggi dari rata-rata respon perlakuan A sebesar 2.20.

4.5 Regresi Percobaan Satu Faktor Bertaraf Kuantitatif

Model regresi percobaan satu faktor bertaraf kuantitatif sering dirumuskan dalam bentuk fungsi polynomial. Persamaan regresi polynomial yang menyatakan hubungan antara variable respon (Y) dan taraf-taraf kuantitatif (X) dengan ordo q dapat dinyatakan sebagai berikut :

Y X

=

0

+

1

+

2

X

2

+

+

q

X

q +

contoh :

Percobaan pengaruh temperatur terhadap daya aktifitas baterai yang diukur pada suatu satuan waktu. 5 Perlakuan diulang sebanyak 4 ulangan dengan rancangan acak lengkap (RAL).

temperatur (F)  

temperatur (F)

 
 

0

25

50

75

100

55

63

70

73

68

53

61

65

71

65

daya baterai

52

62

69

70

63

54

60

68

74

67

total

total

total

214

214

246

246

272

272

288

288

263

263

1283

1283

rata-rata

53.50

61.50

68.00

72.00

65.75

64.15

Dilakukan analisis ragam sebelum membangun model regresi pengaruh temperature terhadap daya aktifitas baterai. Langkah-langkah dengan minitab :

Klik Stat > ANOVA > General Linear Model

Responses

Model

: isi dengan kolom Respon yang akan diperiksa.

: isi dengan kolom variabel bebas yang sesuai dengan rancangan yang digunakan (temperatur)

General Linear Model: dayabaterai versus temperatur

Factor

temperatur fixed

Analysis of Variance for dayabaterai, using Adjusted SS for Tests

Type

Levels Values 0, 25, 50, 75, 100

5

Source

DF

Seq SS

Adj SS

Adj MS

F

P

temperatur

4

797.80 797.80 199.45 61.37

0.000

Error

15

48.75

48.75

3.25

Total

19 846.55

 

S = 1.80278

Interpretasi :

R-Sq = 94.24%

R-Sq(adj) = 92.71%

Dari output diatas terlihat bahwa temperatur berpengaruh nyata terhadap respons daya aktivitas baterai, dimana R-Sq juga menunjukkan bahwa model mampu merepresentasikan data sebesar 94.24%.

Langkah selanjutnya adalah membangun model regresi yang tepat, dengan terlebih dahulu melihat arah kecenderungan atau tebaran data.

21

Langkah-langkah dengan minitab :

Klik Graph > Scatter Plot

Pilih bentuk histogram yang akan ditampilkan

Y variables

X variables

: isi dengan kolom Respon (daya baterai).

: isi dengan kolom variabel bebas (temperatur)

baterai ). : isi dengan kolom variabel bebas (temperatur) tebarandatatemperatur terhadapdayaaktivitasbaterai 75 70
tebarandatatemperatur terhadapdayaaktivitasbaterai 75 70 65 60 55 50 0 20 40 60 80 100 temperatur
tebarandatatemperatur terhadapdayaaktivitasbaterai
75
70
65
60
55
50
0
20
40
60
80
100
temperatur
dayabaterai

Dari tampilan diatas tampak bahwa model regresi yang cocok dengan data adalah regresi nonlinear. Perlakuan temperatur merupakan faktor kuantitatif berjarak sama diantara berbagai taraf temperatur yang dicobakan, maka untuk memudahkan perhitungan analisis regresi dilakukan transformasi menjadi peubah code sebagai berikut :

X

T

i

(

T

min

+

T

maks

)
)

2 T

= X

i

=

i

50

=

i (

T

maks

T

min

) 2

T min + T maks ) 2 T = X i = i 50 = i

50

temperatu

tem_code

dayabaterai

temperatu

tem_cod

dayabaterai

r

r

e

0

-1

55

50

0

69

0

-1

53

50

0

68

0

-1

52

75

0.5

73

0

-1

54

75

0.5

71

25

-0.5

63

75

0.5

70

25

-0.5

61

75

0.5

74

25

-0.5

62

100

1

68

25

-0.5

60

100

1

65

50

0

70

100

1

63

50

0

65

100

1

67

Kemudian kita bentuk model regresi yang cocok pada percobaan ini, karena faktor temperatur mempunyai 5 taraf maka model regresi nonlinear yang yang mungkin terbentuk hanya sampai pada ordo 4 (kuartik). Untuk mengetahui model regresi ordo berapa yang digunakan bisa dilakukan memalaui SAS atau MINITAB.

22

Langkah-langkah dalam MINITAB :  Klik Stat > Regression > Regression  Response (Y) :

Langkah-langkah dalam MINITAB :

Klik Stat > Regression > Regression

Response (Y)

: Masukkan peubah respon (daya baterai)

: Masukkan peubah bebas (X X 2 X 3 X 4 )

Predictors (X) Output :

Regression Analysis: dayabaterai versus x, x**2, x**3, x**4

The regression equation is

dayabaterai

= 68.0 + 12.0 x - 3.87 x**2 - 5.83 x**3 - 4.50 x**4

Predictor

Coef

SE Coef

T

P

Constant

68.0000

0.9014 75.44 0.000

x

11.958

1.713

6.98 0.000

x**2

-3.875

5.649 -0.69 0.503

x**3

-5.833

1.900 -3.07

0.008

x**4

-4.500

5.028

-0.90 0.385

S = 1.80278

R-Sq = 94.2%

R-Sq(adj) = 92.7%

Analysis of Variance

Source

DF

SS

MS

F

P

Regression

4

797.80 199.45 61.37

0.000

Residual Error 15

48.75

3.25

Interpretasi :

Total

19 846.55

Dari anova model terlihat bahwa model sudah sangat tepat dalam merepresentasikan data serta diperoleh R-Sq yang tinggi. Sementara itu untuk uji koefisien secara parsial hanya samapai ordo 3 yang nyata sehingga kita ulangi langkah diatas tetapi hanya kita gunakan model kubik atau ordo 3. Langkah-langkah dalam MINITAB:

Klik Stat > Regression