Anda di halaman 1dari 39

FAKTOR DENGAN TARAF KUALITATIF DAN KUANTITATIF

Dibuat untuk memenuhi tugas Desain Eksperimen

Disusun : Lies Kurnia N Ifan Hadi P Pramadita Y (0510670035) (0610670025) (0610670036)

Ananda Dharma W (0610670005)

UNIVERSITAS BRAWIJAYA FAKULTAS TEKNIK JURUSAN TEKNIK MESIN PROGRAM STUDI TEKNIK INDUSTRI 2009

FAKTOR DENGAN TARAF KUALITATIF DAN KUANTITATIF

Telah kita pelajari beberapa macam desain disertai cara analisisnya baik yang menyangkut sebuah factor maupun lebih. Factor atau factor-faktor yang terlibat, umumnya terdiri atas beberapa buah taraf yang apabila kita perhatikan, taraf-taraf itu mungkin berbentuk kualitatif dan kuantitatif. Factor temperature misalnya, jika eksperimen dilakukan dalam 50,60,70, maka kita berhadapan dengan taraf kuantitatif. Dan apabila temperature dinyatakan dengan rendah,sedang dan tinggi maka factor temperature berbentuk kualitatif. Masih banyak contoh lain yang dapat diambil untuk factor-faktor yang terdiri atas taraf kualitatif dan kuantitatif. Didalam bab ini akan dibahas cara analisis yang menyangkut factor-faktor dengan taraf kualitatif maupun kuantitatif. Akan tetapi sebelumnya perlu diuraikan terlebih dahulu mengenai regresi lengkung dan poloinom ortoghonal yang akan digunakan kemudian. 1. Regresi Linier dan Berganda Pengertian Regresi Regresi yaitu kecenderungan suatu pengamatan tentang pengaruh satu variabel bebas (independent variable) terhadap variabel tak bebas (dependent variable) Metode Model Regresi a. Enter Memasukkan atau memilih semua variabel independen dalam persamaan regresi b. Remove

Untuk mengeluarkan satu persatu variabel independen dalam persamaan regresi c. Backward Untuk mengeluarkan satu persatu variabel independen dalam persamaan regresi d. Forward Untuk memasukkan satu persatu variabel independen dalam persamaan regresi e. Stepwise Metode ini memilih dan mengeluarkan variabel independen dalam persamaan berdasarkan nilai signifikansi yang ada pada options Kriteria Statistik 1. Uji R2 (koef. determinansi) nilai R2 mempunyai interval 0 R2 1. Semakin besar nilai R2 semakin baik model regresi tersebut 2. Uji F nilai F dipakai untuk pengaruh variabel independen secara keseluruhan terhadap variabel dependen. Pengujian denan membandingkan Ftabel dengan Fhitung yaitu : bila Fhit > Ftabel =maka H0 ditolak bila Fhit < Ftabel =maka H0 diterima

3. Uji t nilai t dipakai untuk melihat signifikansi pengaruh variabel independen secara individu dengan variabel dependen dengan menganggap variabel lain konstan. Uji t dengan membandingkan t tabel dengan t hitung yaitu : bila t hit > t tabel = maka H0 ditolak bila t hit < t tabel = maka H0 diterima

Asumsi-Asumsi regresi : 1. Linier atau aditif Nilai harapan pengamatan-pengamatan variabel dependen dari suatu variabel independen tertentu dengan variabel independen lainnya dan membentuk suatu garis lurus. Dalam hal ini fungsi linearnya berada dalam parameter variabel independen. Apabila sifat keaditifan tidak dipenuhi maka model tersebut sebenarnya salah jumlah 2. Homogen dalam variansi Tingkat variansi atau keseragaman nilai variabel dependen pada suatu variabel independen tertentu dengan variabel independen lainnya cenderung sama. Uji homogenitas variansi biasanya dilakukan dengan uji Barlett. Apabila tingkat keseragaman tidak homogen maka penduga model tidak stabil dan variansi penduganya akan mempunyai nilai yang benar 3. Kenormalan Sebaran variabel respon untuk variabel penjelas tertentu mengikuti distribusi normal. Sifat kenormalan ini dapat diuji dengan uji kebaikan suai. 4. Independen / kebebasan antar pengamatan Pengamatan yang satu dengan pengamatan yang lain tidak saling mempengatuhi. Memeriksa kebebasan antar pengamatan ini dapat dilakukan dengan uji independensi Langkah-langkah dalam uji regresi : 1. Menentukan formula hipotesis 2. Menentukan taraf nyata dan nilai t tabel 3. Menentukan kriteria pengujian 4. Menghitung koefisien regresi, dan standar baku regresi maupun koefisien regresi 5. Menentukan nilai uji statistik 6. Membuat kesimpulan

Regresi Linear Untuk mengukur besarnya pengaruh variabel bebas terhadap variabel tergantung dan memprediksi variabel tergantung dengan menggunakan variabel bebas. Gujarati (2006) mendefinisikan analisis regresi sebagai kajian terhadap hubungan satu variabel yang disebut sebagai variabel yang diterangkan (the explained variabel) dengan satu atau dua variabel yang menerangkan (the explanatory). Variabel pertama disebut juga sebagai variabel tergantung dan variabel kedua disebut juga sebagai variabel bebas. Jika variabel bebas lebih dari satu, maka analisis regresi disebut regresi linear berganda. Disebut berganda karena pengaruh beberapa variabel bebas akan dikenakan kepada variabel tergantung. Persamaan Regresi Linier
y = a + bX

dimana: y = variabel tak bebas (terikat) x = variabel bebas a = kelandaian (slope) kurva garis lurus b = perpotongan (intercept) kurva dengan ordinat atau sumbu tegak Atau dengan kata lain dan adalah parameter yang nilainya tidak diketahui sehingga diduga melalui statistik sampel. (Sambas dan Maman) Nilai koefisien dari persamaan regresi dapat dihitung dengan cara sebagai berikut:

b=

( Xi X )(Yi Y )
n i =1

( Xi X )
n i =1

a = Y bX

Multikolinearitas Secara implisit, intepretasi model (persamaan regresi berganda) bergantung pada asumsi bahwa variabel-variabel bebas dalam persamaan tersebut tidak

saling berkorelasi. Jika dalam model yang dibentuk terdapat korelasi antara variabel bebas, maka permasalahan multikolinearitas (hubungan yang linear) antara regresor akan muncul. Model regresi yang benar semestinya tidak mengandung unsure multikolinearitas (tidak ada korelasi antara variabel bebas), karena akan mengakibatkan intepretasi terhadap permasalahan yang ada menjadi tidak benar. Untuk menguji ada tidaknya masalah multikolinearitas dalam permodelan tersebut dapat digunakan uji terhadap besaran korelasi antar variabel bebas. Adapun batasan-batasan yang digunakan dalam pengujian Multikolinearitas (Levin : 2002) adalah sebagai berikut: Jika korelasi lebih besar dari 0,5, hubungan antara variabel bebas tersebut mempunyai korelasi yang kuat. Jika korelasi lebih kecil dari 0,5, hubungan antara variabel bebas tersebut

mempunyai korelasi yang lemah. Uji multikolinearitas dilakukan guna menghindari sebagai berikut: Variansi besar (dari taksiran OLS) Interval kepercayaan lebar (variansi besarstandard errorbesar interval kepercayaan lebar) Uji-t (t rasio) tidak signifikan. Suatu variabel bebas yang signifikan baik secara substansi, maupun secara statistik jika dibuat regresi sederhana, bisa tidak signifikan karena variansi besar akibat kolinearitas. R2 yang tinggi tetapi tidak banyak variabel yang signifikan dari uji-t. Terkadang taksiran koefisien yang dihasilkan mempunyai nilai yang tidak sesuai dengan substansi, sehingga dapat menyesatkan intepretasi. Akibat Adanya Multikolinearitas Jika antara X1, dan X2 terjadi multikolinear, misalnya secara sempurna seluruh data menunjukkan bahwa X1=2 X2, maka nilai b1 dan b2 tidak dapat ditentukan hasilnya karena dari formula OLS sebagaimana dibahas terdahulu,

2 ( yx1 )(x 2 ) ( yx2 )(x1 x 2 )

bi=

2 (x12 )(x 2 ) (x1 x 2 ) 2

akan menghasilkan bilangan pembagian, b1 =

0 0

Dengan demikian hasilnya tidak menentu. Demikian juga standar error (Sb1) akan menjadi sangat besar. Jika multikolinearitas tidak begitu sempurna tetapi tetap tinggi akibatnya adalah parameter estimate b1 yang diperoleh tetap valid, tetapi Sb1 akan bias membesar. Akibatnya uji t yang rumusannya berupa, t = b1/Sb1 akan cenderung kecil. Autokorelasi Uji Autokorelasi digunakan untuk mengetahui ada atau tidaknya penyimpangan asumsi klasik autokorelasi, yaitu korelasi yang terjadi antar residual pada satu pengamatan dengan pengamatan lain model regresi. Prasyarat yang harus terpenuhi adalah tidak adanya autokorelasi dalam model regresi. Metode pengujian yang sering digunakan adalah dengan uji Durbin-Watson dengan ketentuan sebagai berikut : 1. Jika d lebih kecil dari dL atau lebih besar dari (4-dL) maka hipootesis nol ditolak, yang berarti terdapat autokorelasi. 2. Jika d terletak antar dU dan (4-dU) dL maka hipootesis nol diterima, yang berarti tidak terdapat autokorelasi. 3. Jika d terletak antara dL dan dU atau di antara (4-dU) dan (4-dL) maka tidak menghasilkan kesimpulan yang pasti Nilai dL dan dU diperolah dari tabel statistik Ddurbin Watson yang bergantung banyaknya observasi dan banyaknya variabel yang menjelaskan Rumus uji Durbin Watson adalah sebagai berikut :

Keterangan d = nilai durbin watson

e = residual studi kasus regresi linier Untuk regresi linier, yang diperlukan disini sebaiknya akan langsung dijelaskan dalam contoh. Misalkan bahwa untuk mendapatkan endapan semacam zat,dinyatakan dengan Y, lama waktu mengaduk larutan telah ditentukan enam macam, ialah 5,8,11,14,17,20 menit. Untuk setiap keadaan digunakan tiga kali percobaan yang dilakukan secara acak sempurna. Hasilnya, dengan menggunakan vlume percobaan yang sama, diberikan daftar VII (1). Penyajian data dalam daftarVII (1), bentuk umumnya telah disajikan dalam daftar II (1), Bab II. Jadi semua hasil pengamatan untuk unit eksperimen ke j karena perlakuan ke i dinyatakan dengan Yij. Dengan menggunakan model II (1) dalam Bab II, yakni Yij = + i + VII (1) Dengan i = 1,2,.,6 J = 1,2,3 Yij = berat endapan zat = rata-rata umum i = efek waktu mengaduk larutan ij =efek unit eksperimen ke j karena pengadukan ke i ENDAPAN SEMACAM ZAT KARENA LAMANYA PENGADUKAN (dalam gram) 5 Berat endapa n TEMPO MENGADUK ( menit) 8 1 14 26 28 29 1 3 0 3 35 34 34 Jumla 17 38 36 34 20 37 40 38 h

22 23 20

1 2 Jumlah Ratarata 65 21, 7 83 27, 7 9 9 0 3 0 103 34, 3 10 8 36 115 38, 3 564 31,3

DAFTAR ANAVA UNTUK DATA DIATAS Sumber variansi Rata-rata Antar waktu Kekeliruan jumlah dk 1 15 12 28 JK 17.672 565,3 24,7 18.262 KT 17.672 113,06 2,06 54,88 F

Dengan harga statistik F = 54,88 dan nilai F table =2,62 maka F hitung > f table, 54,88 > 2,62 jadi Ho ditolak maka hasil pengujian sangat berarti sehingga tempo melakukan pengadukan mempunyai pengaruh yang sangat jelas terhadap terjadinya endapan. Dalam praktek sering diinginkan untuk dapat memperkirakan atau menaksir endapan yang terjadi apabila lama waktu melakukan pengadukan diketahui. Maka untuk ini perlu ditentukan hubungan antara lama waktu hubungan , dinyatakan dengan Xj, dengan endapan yang terjadi dinyatakan dengan Yij. Untuk melihat bentuk hubungan yang mungkin ada, sebaiknya diagram pencarnya digambarkan. Dengan jalan memperhatikan letak titik-titik dalam diagram pencar yang diperoleh kita bias memperkirakan apakah hubunganya berbentuk linier (lurus) atau non linier (lengkung). Diagram pencar untuk data dapat dilihat seperti gambar berikut

Memperhatikan letak titik-titik dalam gambar diatas, adanya hubungan liniersudah dapat diduga. Model linier untuk populasi adalah Yx = bo + b1 Xj ..VII(2) Dengan Yx = harga prediksi Y apabila harga diketahui Xj = waktu mengaduk ke j bo = potongan pada sumbu vertical oleh karena garis regresi. b1 = koefisien arah garis regresi harga-harga bo dan b1 dihitung dari system persamaan normal berikut Y ij = bo n + b1 r Xj X i Y ij = bo r Xj + b1 r Xj2
..

VII(3)

dengan n = banyak observasi keseluruhan sedangkan r = replikasi atau banyak observasi untuk tiap taraf factor. jika harga-harga yang diperlukan dihitung dari data diatas maka,

Y ij Xj Xj2

= 564 = 5+8+11++20 = 75 = 52 + 82 +.+202 = 1.095 = 5(22+23+20) +..+ 20(37+40+38) = 5775

X i Y ij n = 18 dan r = 3

maka didapat system persamaan normal 564 = 18bo + 225 b1 5775 = 225bo + 3285b1 setelah diselesaikan didapat b0 = 17921 dan b1 = 1073 , sehingga regresinya mempunyai persamaaan Yx = 17921 + 1073 Xj Apabila ke dalam persamaan regersi diatas disubtitusikan harga-harga Xj maka didapatlah prediksi rata-rata Yx. Prediksi rata-rata ini kita bandingkan dengan rata-rata nilai respon untuk melihat berapa jauh adanya penyimpangan prediksi dari yang sebenarnya. Daftar berisikan harga-harga yang dimaksud PENYIMPANGAN PREDIKSI BERDASARKAN REGRESI LINIER Xj 5 8 11 14 17 20 Yx 23,3 26,5 29,7 32,9 36,2 Yj 21,7 27,7 30 34,3 36 Yj - Yx 1,6 -1,2 -0,3 -1,4 0,2

39,4 38,3 1,1 Untuk melihat apakah penyimpangan ini cukup wajar ataukah tidak, perlu

dilakukan pengujian khusus dengan menggunakan ANAVA. Ini bias dilakukan dengan jalan memecah jumlah kuadrat-kuadrat (JK) sumber variansi perlakuan (dalam hal ini : antar waktu) menjadi JK (regresi linier) dan JK (penyimpangan dari regresi linier).

Rumus-rumusnya adalah JK (regresi linier) JK (penyimpangan) = = rb12 { Xj2 ( Xj )2 / k }..VII(4) JK (perlakuan) JK (reg lin)

Dengan k = menyatakan banyak taraf factor. Derajat kebebasan untuk JK ini sama dengan satu sedangkan dk bagi JK untuk penyimpangan merupakan sisanya. Dengan harga-harga yang diberikan dan k = 6 kita peroleh JK (regresi linier) = 3(1073)2 {1095 (75)2/6} = 544 JK (penyimpangan) = 565,3 544 = 21,3 Dengan harga-harga diatas kita peroleh ANAVA sebagai berikut DAFTAR ANAVA UNTUK REGRESI LINIER Sumber variasi Antar waktu Regresi linier Penyimpangan kekeliruan jumlah d k 5 1 4 1 2 1 7 Statistic F untuk regresi linier = 544/2,06 = 264,08 > F table; 230,2 jadi sangat berarti. Dan F untuk penyimpangan = 5,33/2,06 = 2,59 < F table ; 7,71 jadi tidak berpengaruh JK 565,3 544 21,3 24,7 590 544 5,33 2,06 264,08 2,59 KT F

Tampak bahwa efek linier sangat berarti sedangkan penyimpangan dari regresi linier sama sekali tidak berarti. Karenanya model non linier(lengkung) tidak diperlukan. Jika diperoleh uji penyimpangan yang signifikan, maka regresi lengkung harus dicari. Beberapa hasil statistic dari ANAVA untuk regresi linier yang dapat dikemukakan adalah: 1. Koefisien korelasi person, dinyatakan dengan r atau ryx, merupakan akar dari bagian JK yang dimiliki oleh regresi linier. Untuk ANAVA diatas, maka r2yx = 544/490=0.9222 atau ryx = 0,96 suatu korelasi sangat tinggi yang dapat dijelaskan melalui regresi linier. karena itulah bentuk regresi lengkung tidak diperlukan. 2. Kekeliruan baku taksiran, dinyatakan dengan sy.x, untuk model linier, merupakan akar dari KTyang didapat apabila JK penyimpangan dari regresi linier digabungkan dengan JK kekeliruan. JK yang dihasilkan dari penjumlahan ini dinamakan JK kekeliruan taksiran. Untuk contoh kita, maka JK (kekeliruan taksiran) = 21,3 + 24,7 = 46 Dengan dk Jadi sy.x = = 4+12 = 16
(46/16)

= 1,696

Penggunaan sy.x misalnyauntuk menentukan batas-bataskonfiden koefisien arah dan batas-batas prediksi studi kasus regresi lengkung Dalam contoh diatas tentang regresi linier, sebagai hasil pengujian dengan ANAVA, diperoleh bahwa hipotesis nol tidak terdapat penyimpangan dari regresi linier telah diterima. Jika ternyata hipotesis nol itu ditolak, maka regresi linier perlu diganti dan regresi lengkung perlu ditentukan. Cukup banyak macam regresi lengkung, tetapi disini hanyalah akan ditinjau secara singkat mengenai regresi order m, dan khususnya regresi order dua atau regresi kuadratik. Bentuk umum dari model lengkung order m, apabila kita berbicara taksiranya, adalah Yx = b0 + b1 Xj + .+ bmXjm VII(5)

Dan untuk m=2, diperoleh model kuadratik Yx = b0 + b1 Xj + b2Xj2 ..VII (6) (Untuk m = 3 diperoleh model kubik, m = 4 model kuartik dan untuk m = 5 merupakan model kuintik; model order yang lebih tinggi dalam prakteknya tidak terlalu sering digunakan) Dalam hal model kuadratik yang digunakan, model seperti dalam persamaan maka koefisien b0,b1,dan b2 dapat dihitung dengan jalan menyelesaikan system persamaan normal Y ij Xj Yij Xj2 Y ij = b0 n + b1 r Xj + b2 r Xj2 = b0 r Xj + b1 r Xj2+ b2 r Xj3 = b0 r Xj2+ b1 r Xj3 + b2 r Xj4VII(7)

Dengan Y ij = variable respon (nilai pengamatan) Xj = nilai taraf factor n = ukuran sampel apabila jarak atau beda nilai antara dua taraf factor X berurutan sama, (dalam hal ini dikatakan bahwa factor X berinterval sama) maka perhitungan untuk mencari b0,b1,dan b2 dapat disederhanakan dengan jalan menggunakan tranformasi uj = Xj
X d

dengan X = rata-rata nilai untuk taraf factor X d = jarak antara dua nilai taraf yang berurutan (panjang interval taraf) dengan variable uj ini system persamaan menjadi Y ij uj Yij uj2Yij = b0 n + b2 r uj2 = b1 r u2j = b0 r uj2 + b2 r uj4 .VII(8)

Dengan b0, b1, dan b2 berasal dari model Yx = b0 + b1 uj + b2 uj2 ..VII(9)

Dengan jalan mengganti kembali uj oleh Xj akan diperoleh model kuadratik dalam Xj dengan persamaan VII (6)

Contoh soal. Observasi secara acak terhadap pengembangan volume semacam zat karena adanya perubahan temperaturtelah dilakukan. Hasilnya diperoleh sebagai berikut PENGEMBANGAN ZAT AKIBAT PERUBAHAN TEMPERATUR jumlah 20 Pengembangan 10 8 (%) 9 10 jumlah 37 25 18 16 16 15 65 30 25 20 24 23 92 35 27 26 25 29 107 40 23 20 18 20 81

382

Untuk melihat bentuk regresinya, sebaiknya diagram pencarnya digambarkan. Dari grafik dibawah ini tampak adanya kecenderungan bentuk regresi lengkung.

Jika regresi kuadratik akan kita tentukan, maka sebaiknya kita gunakan rumus VII (8) karena taraf-taraf untuk factor temperature (X) berjarak sama ( yakni 20,25,30,35,40 yang memiliki beda taraf 5 dan X = 30). Dengan menggunakan tranformasi Xj uj uj =
Xj 30 , maka didapat pasangan 5

20 -2

25 -1

30 0

35 1

40 2

untuk perhitungan selanjutnya diperoleh harga-harga Y ij uj Yij uj2 Yij uj 2 uj 4 = 382 = 130 = (-2)2(37) + (-1)2(65) +(0)2(92) + (1)2(107) + (2)2(81) = 644 = (-2)2+ (-1)2 +(0)2+ (1)2 + (2)2 = 10 = (-2)4 + (-1)4 +(0)4 + (1)4 + (2)4 = 34 Mensubstansikan harga-harga ini kedalam rumus VII(8) diperoleh system persamaan sebagai berikut: 382 130 644 = = = 20 b`0 + 40 b`2 40 b`1 40 b`0 + 136 b`2 n = 20 r=4 = (-2)(37) + (-1)(65) +(0)(92) + (1)(107) + (2)(81)

Setelah diselesaikan didapat b`0 = 23,38 ; b`1 = 3,25 dan b`2 = -2,14 Dalam Xj, dengan menggunakan rumus persamaan VII(9) dan Uj =
Xj 30 maka regresi yang sedang dicari adalah 5

Yx = -73,16 + 5,79 Xj - 0,09 Xj2 Apakah model kuadratik diatas dapat digunakan ataukah tidak, masih perlu diselidiki mengenai kemungkinan terjadinya penyimpangan dari bentuk kuadratik. Untuk itu digunakan ANAVA regresi dan perlu ditentukan harga-harga JK untuk sumber-sumber variasi: antar temperature, regresi linier, kuadratik terhadap linier,

penyimpangan dari kuadratik dan kekeliruan. JK (regresi linier) dapat dihitung dengan rumus VII (4), tetapi untuk itu diperlukan dulu persamaan regresi liniernya; dan ini cukup memakan waktu. Karenanya JK ini bias juga ditentukan oleh
(UjYij ) 2 JK (reg. linier) = ..VII(10) ru 2 j

JK(kuadratik terhadap linier) dengan dk = 1 didapat apabila VII(11) JK(reg kuadratik) = r(b2`)2 (uj2 u 2 2 ) + r(b1`)2 (uj2 dikurangi JK (reg linier)) k

JK (penyimpangan dari kuadratik) merupakan sisa dari JK (perlakuan)setelah dikurangi JK (reg linier) dan JK (kuadratik terhadap linier). Menggunakan rumusrumus untuk JK ini dan harga-harga yang telah dihitung, diperoleh JK (linier) =
(130) 2 = 422,5 4(10)

JK (kuadratik) = 4(-2,14)2(14) + 4(3,25)2 (10) = 256,46 + 422,5 = 678,96 JK (kuadratik thd linier) = 678,96 422,5 = 256,46 JK (penyimpangan dari kuadratik) = 720,8 678,96 = 41,84 JK (kekeliruan) = 43 Dari hasil-hasil diatas diperoleh daftar ANAVA sebagai berikut

DAFTAR ANAVA REGRESI ORDER DUA Sumber variasi Antar temperature Regresi linier Kuadratik thd linier dk 4 1 1 JK 720,8 422,5 256,46 JK 180,2 422,5 256,46

Penyimpangan kekeliruan

2 15

41,84 43

20,92 2,87

Jumlah

19

763,8

Jika dilakukan uji F, tampak bahwa efek-efek linier dan kuadratik sangat berarti. Teteapi tampak juga bahwa penyimpangan dari model kuadratik sangat berarti, sehingga model order yang lebih tinggi masih diperlukan. Persamaan dengan order yang lebih tinggi tidak akan ditentukan dengan cara ini tetapi akan digunakan polinom orthogonal yang akan dijelaskan pada bab berikut. Sementara itu, bagian dari jumlah variasi yang dimiliki oleh model regresi dengan order tertinggi dinamakan indeks korelasi dinyatakan dengan R2. untuk soal di atas, dengan memisalkan model regresi tertinggi berorder dua, maka R2 = 763,8 = 0,889 yang berarti 88,9% dari variasi Yij dapat dijelaskan oleh Xj melalui regresi order dua. Polinom Ortogonal adalah salah satu usaha untuk menentukan regresi berorder tinggi. Dalam bagian-bagian sebelumnya telah diberikan contoh-contoh variabel X dengan harga-harga yang berurutan berjarak sama. Untuk contoh regresi linier , tempo mengaduk (variabel X) berharga 5,8,11,14,17,20 menit; bedanya sama, ialah 3 menit. Demikian pula untuk contoh dalam bab regresi lengkung , variabel X (temperatur dalam derajat celcius) berbeda sama, ialah 5 derajat dengan harga 20,25,30,35,dan 40. Penentuan harga-harga X berbeda sama atau berinterval sama seperti nin memberikan keuntungan tertentu, antara lain memudahkan analisis, khususnya bagian regresi lengkung. Hal ini disebabkan oleh memungkinkanya dilakukan tranformasi dari Xj ke uj sedemikian sehinnga uj = 0 (demikian pula jumlah harga-harga uj berpangkat ganjil) yang menyebabkan perhitungan menjadi lebih sederhana. Keuntungan ini akan sangat terasa apabila yang harus kita tentukan itu menyangkut kurva dengan persamaan berorder tinggi seperti diberikan dalam persamaan VII(5)
678,96

Misalkan Yx sebuah polinom dalam X yang berorder m dapat ditulis dalam bentuk: Yx =Aoo + A11 + A22 + .........+Amm Di mana: ...........................VII(13) Untuk keperluan praktek, beberapa harga , , r^2, dan dicantumkan dalam ................................VII(12)

Lampiran, Daftar F, untuk tiap bentuk polinom i, dimulai dari bentuk linier sampai dengan paling tinggi bentuk kuintik, dengan banyak taraf k = 3, 4, ...., 10

............................................VII(14)
2 3 4 = 4 ( u4 - u (3k2 13) + ( k2-1 )( k2-9)) 560 14 3 u 5 = 5 ( u5 - 5u (k2 7) + ( 15k4 - 230k 2 + 407)) 108 18

Harga-harga besaran dalam daftar tersebut telah diturunkan dari rumus-rumus diatas sampai dengan variabel X berskala 10 dengan nilai-nilai berinterval yang sama. Dari daftar F dalam lampiran yang ada tampak bahwa kita bisa menentukan lebih dari sebuah polinom untuk tiap k. Permasalahanya adalah, yang mana diantara polinom itu yang berlaku untuk sesuatu persoalan? Untuk menentukannya, pengujian statistik perlu dilakukan terhadap tiap bentuk polinom. Oleh karena sekarang tiap polinom orthogonal membentuk kontras, maka pengujian dapat dilakukan dengan menggunakan sifat-sifat kontras ini. Karenanya kita perlukan jumlah kuadrat-kuadrat (JK) untuk tiappolinom yang dapat dihitung dengan rumus

JK (polinom) =

(Yijj ) 2 i2

Sedangkan penjumlahan dilakukan untuk semua j. Selanjutnya daftar ANAVA dapat disusun dan untuk pengujian polinom setiap bentuk polinom mempunyai derajat kebebasan dk = 1 Contoh Soal: Observasi secara acak terhadap pengembangan volume semacam zat karena adanya perubahan temperatur telah dilakukan. Hasilnya diperoleh seperti berikut: Temperatur 20 10 Pengembangan 8 (%) 9 10 Jumlah 37 25 18 16 16 15 65 30 25 20 24 23 92 35 27 26 25 29 107 40 23 20 18 20 81 Jumlah

382

Dalam hal ini kita mempunyai harga-harga X = 20,25,30,35,40, yang berinterval sama dengan k=5. Melihat ke dalam Daftar F, dari Lampiran, kita peroleh koefisienkoefisien untuk polinom ortogonal yang linier, kuadratik, kubik dan kuartik sebagai berikut. k Polinom linier kuadratik kubik kuartik a. 20 1 -2 2 -1 1 37 25 2 -1 -1 2 -4 65 30 Skala X 3 0 -2 0 6 92 35 4 1 -1 -2 -4 107 40 5 2 2 1 1 81 i^2 10 14 10 70 1 1 5/6 35/12

Menghitung Jumlah Kuadrat (JK) untuk tiap polinom:

b.

Daftar Anava untuk model polinomial dengan k=5 Sumber Variasi Antar Temperatur dk 4 JK 720,8 KT 180,2 F

linier kuadratik kubik kuartik Kekeliruan Jumlah

1 1 1 1 15 19

422,5 257,14 40 1,16 43 763,8

422,5 257,14 40 1,16 2,87 -

147,21 89,60 13,94 0,40

Dari tabel di atas dapat disimpulkan bahwa uji F untuk bentuk-bentuk linier, kuadratik, dan kubik ternyata sangat nyata; sedangkan bentuk kuartik tidak nyata. Ini berarti bahwa model oeder tiga diperlukan untuk analisis data. c. Membuat bentuk persamaan model orde tiga

Karena model signifikan pada order tiga maka cukuplah dihitung sampai dengan

Maka diperoleh persamaan model order tiga dalam u

Satu Faktor Kuantitatif dan Satu Faktor Kualitatif Studi Kasus : Suatu eksperimen diadakan untuk menentukan hasil latihan ketrampilan anakanak berumur 8 tahun dalam hal tertentu. Latihan ini diberikan pada tiga kelompok anak, yaitu laki-laki, perempuan, dan campuran. Waktu latihan diberikan pada pagi hari dengan empat macam periode, yaitu 90 menit, 100 menit, 110 menit dan 120 menit. Untuk tiap kombinasi kedua perlakuan diambil empat anak, sehingga akan terbentuk desain factorial 4 x 3 dengan 4 replikasi.

Asumsi yang digunakan diantaranya adalah guru yang mengajar memiliki kualitas yang sama dalam segala hal, materi yang diberikan memiliki bobot sama, cara penilaian yang digunakan sama dan pengambilan sampel dilakukan secara acak. Model yang digunakan : Yijk = + Ki + Pj + KPij + k(ij) i j k Yijk Ki Pj = 1, 2, 3, 4 = 1, 2, 3, 4 = 1, 2, 3, 4 = hasil penilaian yang diperoleh dari anak ke k yang ada dalam kelompok ke i dan mengikuti periode latihan ke j = rata-rata yang sebenarnya = efek kelompok anak pada taraf kualitatif ke i = efek periode latihan pada taraf kuantitatif ke j

dengan :

KPij = efek interaksi dikarenakan taraf ke i kelompok K dan taraf ke j periode P k(ij) = efek unit eksperimen (anak) ke k dalam kombinasi perlakuan taraf (ij) Periode Latihan (Pj) Kelompok Anak (Ki) Laki-laki (K1) Perempuan (K2) Campuran (K3) 78 73 75 81 74 80 79 100 menit (P2) 78 81 79 80 110 menit (P3) 82 79 84 69 75 78 74 78 79 72 78 79 80 74 72 70 69 74 70 79 80 76 75 80 80

90 menit (P1)

83 120 menit (P4) 85 90 88 Disederhanakan dengan dijurangi 75 Periode (Pj) (K1) 3 6 (P1) 5 (13) 4 3 (P2) 4 (17) 5 7 (P3) 9 (25) 8 10 (P4) 15 13 Ji00 (46) 101 4 (20) 29 4 6 -3 (3) 3 4 5 -1 (11) 4 5 7 -1 (Ki) (K2) -2 -6 0 3 (-5) -1 3 4

79 80 82 79

80 79 76 82

(K3) 0 -3 -5 -6 (-14) -1 -5 4 5 (3) 1 0 5 5 (11) 5 4 1 7 (17) 17

J0j0

-6

23

47

83

J000 = 147

Y2 = (3)2 + 62 + (-1)2 + 52 + + 52 + 42 + 12 + 72 = 1.397

Ry Py

= (147)2 / (48) = 450,19 = JK (periode) = = 355,06

Ky

= JK (Kelompok) = = 258,00

Jab

= = 642,06

KPy

= JK (interaksi antara K dan P) = 642,06 355,06 258,00 = 29,00

Ey

= 1.397 - 450,19 - 355,06 - 258,00 - 29,00 = 304,75

Berikut ini tabel anovanya: Sumber Variasi Rata-rata Kelompok Periode Interaksi Kekeliruan Jumlah

dk 1 2 3 6 36 48

JK 450,19 258,00 355,06 29,00 304,75 1,397

KT 129,00 118,35 4,83 8,47 -

15,23 13,97 0,57 -

Karena periode bertaraf kuantitatif, maka dapat dicari efek linier, kuadratik, dan kubik sebagai berikut:

Dengan menggunakan k = 4, didapat koefisien seperti pada tabel koefisien polinom orthogonal sebagai berikut: Skala Periode 2 3 -1 1 -1 3 23 -1 -3 47

Polinom Linier Kuadratik Kubik Jojo

1 -3 1 -1 -6

4 3 1 1 83

20 4 20 -

2 1 10/3 -

JK (linier)

= = 352,84

JK (kuadratik)

= = 1,02

JK (kubik)

= = 1,20

JK periode

= JK (linier) + JK (kuadratik) + JK (kubik) = 352,84 + 1,02 + 1,20 = 355,06

Selain efek regresi tersebut, dapat juga dihitung efek regresi antara efek linier periode dengan kelompok (PL x K), efek kuadratik periode dengan kelompok (P D x K) dan efek kubik periode dengan kelompok (PT x K). Skala Periode 2 3 -1 1 -1 -1

Polinom Linier Kuadratik

1 -3 1

4 3 1

20 4

2 1

Kubik J1jo J2jo J3jo

-1 13 -5 -14

3 17 3 3

-3 25 11 11

1 46 20 17

20 -

10/3 -

Menghitung JK (PL x K) K1 K2 K3 = (-3 x 13) + (-1 x 17) +(1 x 25) +(1 x 46) = 107 = (-3 x -5) + (-1 x 3) +(1 x 11) +(3 x 20) = 83 = (-3 x -14) + (-1 x 3) +(1 x 11) +(3 x 17) = 101 K1 + K2 + K3 =107 + 83 + 101 = 291 JK (PL x K) = = 3,90 Menghitung JK (PD x K) K1 K2 K3 = (1 x 13) + (-1 x 17) +(-1 x 25) +(1 x 46) = 17 = (1 x -5) + (-1 x 3) +(-1 x 11) +(1 x 20) =1 = (1 x -14) + (-1 x 3) +(-1 x 11) +(1 x 17) = -11 K1 + K2 + K3 =17 + 1 - 11 =7 JK (PDx K) = = 24,66

Menghitung JK (PT x K) K1 K2 K3 = (-1 x 13) + (3 x 17) +(-3 x 25) +(1 x 46) =9 = (-1 x -1) + (3 x 3) +(-3 x 11) +(1 x 20) =1 = (-1 x -14) + (3 x 3) +(-3 x 11) +(1 x 17) =7 K1 + K2 + K3 =9 + 1 + 7 = 17 JK (PT x K) = = 0,44 JK interaksi = JK (PL x K) + JK (PD x K) + JK (PT x K) = 3,90 + 24,66 + 3,90 + 0,44 = 29,00 Sumber variasi Rata-rata Periode P Linier Kuadratik Kubik Kelompok K Interaksi KP K x PL K x PD K x PT Kekeliruan Jumlah 36 48 2 6 2 2 2 dk 1 3 1 1 1 JK 450,19 355,06 352,84 1,02 1,02 258,00 29,00 3,90 24.66 0.44 304,75 1.397 KT 118,35 352,84 1,02 1,02 129,00 4,83 1,95 12,33 0,22 8,47 -

Untuk memprediksi hasil latihan berdasarkan periode latihan, perlu dibuat model regresinya. A0 A1 = = = 1,21 0= 1 dan 1 = 2u (untuk 1 = 2) Sehingga persamaan regresi linier dalam u adalah: Yu=3,06 + 2,42u Jika ditulis dalam periode latihan (dinyatakan dengan X) u= dalam Yx = 52,65 + 0,242 X dari persamaan tersebut,dimasukkan periode X=90, 100, 110 dan 120, sehingga didapat nilai seperti berikut : X 90 100 110 120 YX 74,43 76,85 79,27 81,69 = = 3,06

74,50 76,92 78,92 81,92

Kedua Faktor Kuantitatif Studi kasus : Sebuah eksperimen untuk mengetahui respon Y yang disebabkan oleh faktor A dan faktor B dilakukan. Faktor A bertaraf kuantitatif dengan skala 5, 10, 15 dan 20. Faktor B bertaraf kuantitatif dengan skala 0, 5, 10 dan 15. Nilai respon Y diukur dengan menggunakan alat atau parameter tertentu. Tiap kombinasi perlakuan dilakukan 3 replikasi sehingga ada 48 unit eksperimen (4x4x3)

Model persamaannya Yijk = + Ai + Bj + ABij + k(ij) i j k Yijk Ai Bj = 1, 2, 3, 4 = 1, 2, 3, 4 = 1, 2, 3, 4 = hasil penilaian yang diperoleh dari unit eksperimen ke k yang dipengaruhi faktor A ke i dan faktor B ke j = rata-rata yang sebenarnya = efek faktor A pada taraf kuantitatif ke i = efek faktor B pada taraf kuantitatif ke j

dengan :

ABij = efek interaksi dikarenakan taraf ke i faktor A dan taraf ke j faktor B k(ij) = efek unit eksperimen ke k dalam kombinasi perlakuan taraf (ij) misalkan data yang diperoleh dari eksperimen tersebut sebagai berikut: Faktor B 0 20 5 30 29 26 10 Faktor A 15 16 22 17 18 11 31 20 38 21 5 98 128 67 35 80 29 68 49 61 68 74 47 10 81 44 77 53 93 59 103 59 128 87 116 90 15 100 84 63 90 103 98 80 91 77 113 86 81

Sebagai langkah awal, akan dilakukan analisa tanpa memperhatikan jenis faktornya. Hasilnya adalah sebagai berikut: Faktor B 5 (B2) 10 (B3) 98 81 128 67 (293) 35 80 29 (144) 68 49 61 (178) 68 74 47 (189) 804 44 77 (202) 53 93 59 (205) 103 59 128 (289) 87 116 90 (293) 989

0 (B1) 20 5 (A1) 30 29 (79) 26 10 (A2) Faktor A 15 (A3) 16 22 (64) 17 18 11 (46) 31 20 (A4) Jijo Y2 Ry Ay 38 21 (90) 279

15 (B4) 100 84 63 (247) 90 103 98 (291) 80 91 77 (248) 113 86 81 (280) 1.066

Jojo

821

704

761

852

3.138

= 202 + 302 + 292 + + 1132 + 862 + 812 = 254.656 = (3.138)2 / (48) = 205.146,75 = JK (faktor A) = = 1.706,75

By

= JK (faktor B)

= = 31.414,42 Jab = = 38.965,25 ABy = JK (interaksi antara A dan B) = 38.965,25 - 1.706,75 - 31.414,42 = 6.474,08 Ey = 254.656 - 205.146,75 - 1.706,75 - 31.414,42 - 6.474,08 = 10.544,00 Sumber Variasi Faktor A Faktor B Interaksi AB dk 3 3 9 JK 1.076,75 31.414,42 6.474,08 KT 358,92 10.471,47 719,34 F 1,09 31,78 2,18

Kekeliruan 32 10.544,00 329,50 Jumlah 47 49.509,25 *karena tidak pernah dilakukan pengujian terhadap rata-rata, maka rata-rata tidak dicantumkan pada sumber variasi Dari tabel tersebut dapat diketahui bahwa faktor B memiliki pengaruh yang nyata terhadap respon Y, sedangkan faktor A dan interaksi keduanya tidak memberikan pengaruh terhadap respon Y secara nyata. Berikutnya akan dilakukan analisa dengan memperhatikan jenis faktornya. Karena kedua faktor bertaraf kuantitaif, maka masing-masing akan dipecah menjadi efek linier, kuadratik dan kubik. Kedua faktor memiliki 4 taraf, sehingga didapatkan koefisien sebagai berikut: Skala Faktor 2 3 -1 1

Polinom Linier

1 -3

4 3

20

Kuadratik Kubik

1 -1

-1 3

-1 -3

1 1

4 20

1 10/3

JK (AL)

= = 93,75

JK (AD)

= = 901,33

JK (AT)

= = 81,67

JK (BL)

= = 27.088,82

JK (BD)

= = 4.181,33

JK (BT)

= = 224,27

JK (AL) + JK (AD) + JK (AT) = 93,75 + 901,33 + 81,67 =1.076,75 JK (BL) + JK (BD) + JK (BT) = 27.088,82 + 4.181,33 + 224,27 = 31.414,42 Setiap macam efek regresi di atas dapat dijabarkan lagi untuk megetahui kontribusinya terhadap respon Y A L x BL A D x BL A L x BD A D x BD A L x BT A D x BT

A T x BL

A T x BD

A T x BT

semua komponen tersebut memiliki nilai dk=1 JK(AL x BL) A (linier) -3 -1 1 3 -3 9 79 3 64 -3 46 -9 90 -1 3 293 1 144 -1 178 -3 189 B (linier) 1 -3 202 -1 205 1 289 3 293 3 -9 247 -3 291 3 248 9 280

A L x BL

= 9(79) + 3(64) - 3(46) 9(90) + 3(29) + 1(44) 1(178) 3(189) 3(202) 1(205) + 1(289) + 3(293) 9(247) 3(291) + 3(248) + 9(280) = 758

JK(AL x BL)

= = 478,80

JK(AL x BD) A (linier) -3 -1 1 1 -3 79 -1 64 1 -1 3 293 1 144 -1 B (kuad) -1 3 202 1 205 -1 1 -3 247 -1 291 1

46 3 90

178 -3 189

289 -3 293

248 3 280

AL x BD = -3(79) - 1(64) + 1(46) ++ 1(248) + 3(280) = -8 JK(AL x BD) = = 0,27 JK(AL x BT) A (linier) -3 -1 1 3 -1 3 1 -1 -3 3 -9 -3 3 9 B (kubik) -3 9 3 -3 -9 1 -3 -1 1 3

Jumlah kuadrat koefisien kontras = 400 A L x BT = 3(79) + 1(64) ++ 1(248) + 3(280) = -1.864 JK(AL x BT) = = 2.895,41 JK(AD x BL) A (kuad) 1 -1 -3 -3 3 -1 -1 1 B (linier) 1 1 -1 3 3 -3

-1 1

3 -3

1 -1

-1 -

-3 3

Jumlah kuadrat koefisien kontras = 80 AD x BL = -3(79) + 3(64) ++ (-3)(248) + 3(280) = -372 JK(AD x BL) = = 576,60 JK(AD x BD) A (kuad) 1 -1 -1 1 1 1 -1 -1 1 -1 -1 1 1 -1 B (kuad) -1 -1 1 1 -1 1 1 -1 -1 1

Jumlah kuadrat koefisien kontras = 16 AD x BD = 1(79) - 1(64) ++ (-1)(248) + 1(280) = -144 JK(AD x BD) = = 270,75 JK(AD x BT) A (kuad) 1 -1 -1 -1 -1 1 1 3 3 -3 -3 B (kubik) -3 -3 3 3 1 1 -1 -1

-1

-3

Jumlah kuadrat koefisien kontras = 80 AD x BT = -1(79) + 1(64) ++ 1(248) + 1(280) = 406 JK(AD x BD) = = 686,80 JK(AT x BL) A (kubik) -1 3 -3 1 -3 3 -9 9 3 -1 1 -3 3 -1 B (linier) 1 -1 3 -3 1 3 -3 9 -9 3

Jumlah kuadrat koefisien kontras = 400 A T x BL = 3(79) - 9(64) ++ (-9)(248) + 3(280) = 336 JK(AT x BL) = = 94,08 JK(AT x BD) A (kubik) -1 3 -3 1 1 -1 3 -3 1 -1 1 -3 3 -1 B (kuad) -1 1 -3 3 -1 1 1 3 -3 1

Jumlah kuadrat koefisien kontras = 80 AT x BD = -1(79) + 3(64) ++ (-3)(248) + 1(280) = 594 JK(AT x BD) = = 1.470,15 JK(AT x BT) A (kubik) -1 3 -3 1 -1 1 -3 3 -1 3 -3 9 -9 3 B (kubik) -3 -3 -9 9 -3 1 -1 3 -3 1

Jumlah kuadrat koefisien kontras = 400 A T x BT = 1(79) - 3(64) ++ (-3)(248) + 1(280) = -38 JK(AT x BT) = = 1,20 Tabel ANOVA Sumber variasi Faktor A A lin A kuad A kubik Faktor B 3 dk 3 1 1 1 31.414,42 JK 1.076,75 93,75 901,33 81,67 KT 93,75 901,33 81,67 F 0,28 2,74 0,25

B lin B kuad B kubik Interaksi A x B AL x BL AL x BD AL x BT AD x BL AD x BD AD x BT AT x BL AT x BD AT x BT Kekeliruan 32 9

1 1 1 6.474,08 1 1 1 1 1 1 1 1 1 10.544,00

27.008,82 4.181,33 224,27 478,80 0,27 2.895,41 576,60 270,75 686,82 94,08 1.470,15 1,20

27.008,8 2 4.181,33 224,27

81,97 12,69 0,68 1,45

478,80 0,27 2.895,41 576,60 270,75 686,82 94,08 1.470,15 1,20

0,00 8,79 1,75 0,82 2,08 0,29 4,46 0,00

Jumlah 47 49.509,25 Dari tabel tersebut, dapat diketahui faktor B linier, B kuadratik, AL x BT dan AT x BD memberikan pengaruh yang nyata terhadap respon Y.