NAMA : ANDI MUGIRA FADA

NIM : H121 12 257

PRODI : STATISTIKA
1. Diberikan data
No X1
X2
X3
y
1
80
27
89
42
2
80
27
88
37
3
75
25
90
37
4
62
24
87
28
5
62
22
87
18
6
62
23
87
18
7
62
24
93
19
8
62
24
93
20
9
58
23
87
15
10 58
18
80
14
11 58
18
89
14
12 59
17
88
13
13 58
18
82
11
14 58
19
93
12
15 50
18
89
8
16 50
18
86
7
17 50
19
72
8
18 50
19
79
8
19 50
20
80
9
20 56
20
82
15
21 70
20
91
15
X1=aliran udara , X2= suhu air pendingin , X3= Konsentrasi pendingin , y=
Persentasi amoniak yang hilang yang tak terikat.
Pilih model terbaik dengan menggunakan
a. Metode Seleksi Maju
b. Metode semua kombinasi yang mungkin

JAWABAN
Langkah 1. Buat dan periksa matriks korelasinya : yang ditunjukkan pada tabel 1
Tabel 1: Matriks korelasi 4 variabel

x1
X1
X2

1
0,77568
8
0,50247
1
0,91830
5

X3
Y

x2

x3

1
0,39094

0,87550
4

0,3998
3

Tampak pada tabel 1 bahwa variabel bebas

x1

x1

memberi korelasi terbesar dengan y, sehingga

masuk pertama sekali kedalam model, yang menghasilkan persamaan regresi linier

sederhana (regresi y terhadap

x1

x1

OUTPUT REGRESI Y TERHADAP

Tabel 1 SUMMARY OUTPUT

Tabel 3 ANOVA

Regression Statistics
Multiple R

df

R
Square
Regression
Residual R Square
Adjusted
Total
Standard
Error

SS
0,91830506
0,84328419
1
1744,956
19
324,2823
0,83503599
20
2069,238
4,13128197

Observations
Tabel 4 koefisien regresi
Intercept
Variable X1

Coefficients
-44,1611493
1,01998751

Berdasarkan output diatas diperoleh

^y =44,161+ 1,019 x 1
dengan

MS
1744,956
17,06749

F
102,2386

Significance
F
4,40217E-09

21
Standard Error
6,166843
0,100876

t Stat
-7,16106
10,11131

P-value
8,34E-07
4,4E-09

s ( b1 ) =0,100876
2

R =84,32
2

MSE (RJKG)= s = 17,06749

Fh it =F(1,19)=102,2386

Selanjutnya periksa keberartian

melalui uji hipotesis ,

H 0 : 1=0

versus

H 1: 1 0

Karena persamaan ini adalah regresi linier sederhana, maka uji keberartian
Fh it =

sbb

MSR 1744,956
=
= 102,238
MSE 17,06749

untuk =0,05, Ftab =F ( 0,95 ; 1 ; 19 )= 4,380

Karena

Fh it > F tab , tolak H 0 , berarti

t =

Cara lain :

1 0

b1
1,019
=
=
10,1113 dan untuk
s ( b1 ) 0,100876

t ( 1 ; n p )=t ( 0,975 ; 19 )=2,0930 . Karena

artinya

|t |>t (0,975 ; 19)

=0.05

diperoleh

maka terima

1 0

2
Langkah 2. Langkah berikutnya adalah memeriksa r y x . x , j=2 dan 3 , sebagai berikut :
j

Tabel 5 :Kuadrat korelasi

r 2y x . x , j=2 dan 3
j

xj

ryx

. x3

r 2y x . x

x2

0,6531

0,4265

x3

-0,18011

0,0324

H1

Dari tabel 5 terlihat bahwa calon peubah berikutnya yang masuk ke dalam model adalah variabel
x2
x2
x1
, karena
memiliki kuadrat korelasi parsial terbesar dengan y , ketika
dikontrol.
Sehingga diperoleh model regresi dengan dua variabel bebas

x1

dan

x2

, yaitu:

^y =50,6267+0,667 x 11,3184 x 2
Tabel 6 SUMMARY OUTPUT
Regression Statistics
Multiple R
0,954013
R Square
0,910141
Adjusted R
Square
0,900157
Standard Error
3,214021
Observations
21
Tabel 7 ANOVA

Regression
Residual
Total

df
2
18
20

SS
1883,299
185,9388
2069,238

MS
941,6496
10,3299

F
91,15737

Significance
F
3,82E-10

Tabel 8 KOEFISIEN REGRESI

Intercept
Variable X1
Variable x2

Tampak bahwa

Coefficients
-50,6267
0,667
1,3184
s ( b1 ) =0,1243

Standard Error
5,1126
0,1243
0,3603

s ( b2 ) =0,3603

2
MSE (RJKG)= s =10,3299 Uji keseluruhan

t Stat
-9,9023
5,3639
3,6596

R =91,01 ,

F(2,18)=

MSR
=
91,1574
MSE

Tabel 9
Peubah

Koef.regresi

Galat baku

F(2,18)

P-value
1,04E-08
4,25E-05
0,001793

x1

0,667
1,3184
-50,6267

x2

0,1243
0,3603
5,1126

Konstanta

R2

Tambahan

akibat pemasukan

x2

kedalam model adalah 91,01-84,32 = 6,69 %, suatu

penambahan yang tidak kecil. Begitu pula RJKG bertambah kecil menjadi hampir separuhnya.
MSR 941.6496
=
Uji koefisien secara keseluruhan dengan F(2,18)= MSE 10.3299 =91,1574 dengan nilai
kritis 0,0001. Bagian ini menguji kedua koefisien dan ternyata keduanya tidak sama dengan nol
(salah satu masih mungkin nol).
Uji bagian kedua yaitu melihat p-value pada variabel 1 untuk
1 0.

kecil dari

=0,05 sehingga terlihat bahwa

2 0

dengan p-value pada variable 2 untuk

x2

x2

4,25E-05 yang jauh lebih

Hal yang sama juga benar untuk

0,00179 yang jauh lebih kecil dari

=0,05.

Hal ini membuktikan bahwa

x2

masuk kedalam model.

Langkah 3 :
2
Sekarang tinggal X3 diluar model dengan r y x . x x =
3

R2( y3|12 )=( r ( y2|12 ) )2=

dimana

SSR ( x 3|x 1 , x 2 )
SSE ( x 1 , x 2 )

10,6666

10,6666
=0,057366 0 , 0574
185,9388

SSR ( x 3|x 1 , x 2 )=SSE ( x 1 , x 2 )SSE ( x1 , x 2 , x 3 )

185,9388175 , 2722

Sehingga persamaan regresi secara lengkap :

10,6666

^y =39,83+0,7131 x1 +1,319 x 20,1576 x 3

SUMMARY OUTPUT
Regression Statistics
Multiple R
0,9567
R Square
0,9153
Adjusted R
Square
0,9003
Standard
Error
3,2109
Observations
21
ANOVA
df
Regression

SS
1893,965
9

Residual

17

Total

20
Coefficien
ts

175,2722
2069,238
1

X Variable 1

0,7131

X Variable 2

1,3192

Standard
Error
11,77772
4
0,132250
7
0,359927
6

X Variable 3

-0,1576

0,154973
3

Intercept

-39,832

MS
631,32
2
10,310
1

F
61,233
2

Pvalue
0,0035
4
4,9E05
0,0019
2

t Stat
-3,382
5,3922
9
3,6652
8
1,0171
4

0,3233
4

Keterangan
R2=0,9153=91,53
MS=RJKG=10,31 ;

SSR (JKR)=1893,9658
b1=0,713

b2=1,319

s ( b1 ) =0,1322
,

s ( b2 ) =0,3599

SSE (JKG )=175,2721

b3 =0,157
Uji F keseluruhan (F = 61,23318)
Bila dipilih =0,05 ataupun =0,1 , maka

s ( b3 ) =0,1549

x3

tidak satupun yang memenuhui syarat

untuk dimasukkan kedalam model regresi. Karena p-value untuk

x3

0,3233 jauh lebih besar

dari 0,05 ataupun 0,1.

Sehingga

x3

tidak masuk kedalam model regresi.

Jadi, model terbaik untuk metode seleksi maju adalah :

^y =50,63+0,667 x 1+1,318 x 2

F masuk untuk

x1

adalah F(1,19) = 31,62, merupakan uji individu ketika yang lainnya sudah

dalam model.
SSR ( x 1|x 2 , x 3 ) SSE ( x1 , x 2 , x 3 ) MSR ( x 1|x 2 , x 3 )
F ( x 1 ) =
:
=
1
n p
MSE

326,048 175,27
:
=326,048 :10,31=31,62
1
214

dimana
SSR ( x 1|x 2 , x 3 )=SSE ( x 2 , x 3 )SSE ( x 1 , x 2 , x 3 )
475,058175,27=326,048
F masuk untuk

x2

adalah F(1,19) = 13,434, merupakan uji individu ketika yang lainnya

sudah dalam model.

F ( x 2 ) =

SSR ( x 2|x 1 , x 3 ) SSE ( x 1 , x 2 , x 3 ) MSR ( x2|x 1 , x 3 )

:
=
1
n p
MSE

138,51 175,27
:
=138,51 :10,31=13,434
1
214

dimana
SSR ( x 2|x 1 , x 3 )=SSE ( x 1 , x 3 )SSE ( x 1 , x 2 , x 3 )
313,78175,27=138,51

F masuk untuk

x3

adalah F(1,19) = 14,45, merupakan uji individu ketika yang lainnya sudah

dalam model.
SSR ( x 3| x1 , x2 ) SSE ( x 1 , x 2 , x 3 ) MSR ( x3|x 1 , x 2 )

F ( x3 )=
:
=
1
n p
MSE

10,668 175,27
:
=10,668 :10,31=0,358
1
214

dimana
SSR ( x 3|x 1 , x 2 )=SSE ( x 1 , x 2 )SSE ( x1 , x 2 , x 3 )
185,938175,27=10,668

b. Metode semua kombinasi yang mungkin

Cp

Mallows untuk model regresi

C p ( y , x1 ) =

{212 ( 2 ) }

Mallows untuk model regresi

C p ( y , x2 ) =

SSE ( X 2 )
SSE ( X 1 , X 2 , X 3, )
214

^y =41,9109+2,8174 x 2

{212 ( 2 ) }

483,1506
{ 214 }=29,86
175,27
17

Cp

Mallows untuk model regresi

C p ( y , x3 ) =

SSE ( X 1 , X 2 , X 3, )
214

324,28
{ 214 }=14,45
175,27
17

Cp

SSE ( X 1 )

^y =44,16+ 1,019 x 1

SSE ( X 3 )
SSE ( X 1 , X 2 , X 3, )
214

^y =47,96+ 0,7589 x 3

{212 ( 2 ) }

1738,442
{214 }=151,6154
175,27
17

Cp

Mallows untuk model regresi

^y =50,63+0,667 x 1+1,318 x 2
C p ( y , x1 , x2 ) =

SSE ( X 1 , X 2 )
SSE ( X 1 , X 2 , X 3 )
214

{212 ( 3 ) }

Cp

Mallows untuk model regresi

C p ( y , x1 , x3 ) =

SSE ( X 1, X 3 )
SSE ( X 1 , X 2 , X 3, )
214

^y =33,440,1564 x 1+ 1,0059 x 3

{212 ( 3 ) }

313,78
{ 216 }=15,434
175,27
17

Cp

Mallows untuk model regresi

C p ( y , x2, x 3 )=

185,93
{ 216 }=3,033
175,27
17

SSE ( X 2, X 3 )
SSE ( X 1 , X 2 , X 3, )
214

^y =51,236+2,732 x2 +0,1289 x 3

{212 (3 ) }

475,058
{ 216 }=31,077
175,27
17

Cp

Mallows untuk model regresi lengkap

^y =39,83+0,7131 x1 +1,319 x 20,1576 x 3

adalah
C p ( y , x1 , x2 , x3 , ) =

SSE ( X 1 , X 2 , X 3 , )
SSE ( X 1 , X 2 , X 3, )
165

{212 ( 4 ) }

175,27
{ 218 }=4
175,27
17

Terdapat 3 variavel bebas X1, X2, dan X3 , maka periksa 23 = 8 kombinasi

persamaan regresi, seperti pada table dibawah ini :

Kelompok

Cp

Kombinasi
peubah
x1

0,8432

14,45

17,0675

x2

0,7665

29,86

25,4289

x3

0,1598

151,6154

91,4969

x1 , x2

0,9101

3,03

10,329

x1 , x3

0,8484

15,43

17,4323

x2 , x3

0,7704

31,077

26,3921

x1 , x2 , x3

0,9153

10,3101

R2

Mallows

MSSE(RJKG)

Perwakilan persamaan terbaik :

Kombinasi Peubah

R2

Cp

MSSE(RJKG)

^y =44,16+ 1,019 x 1

0,8432

Mallows
14,45

17,0675

^y =50,63+0,667 x 1+ 1,318 x 2

0,9101

3,03

10,329

10,3101

Kelomp
ok

^y =39,83+0,7131 x1 +1,319 x 20,1576

x3
0,9153

Model yang mana sebaiknya digunakan banyak tergantung pada

pemahaman kita tentang permasalahan yang dihadapi dan untuk apa model
itu digunakan. Jika pada contoh diatas kita diperhadapkan kepada pemilihan
satu model saja, maka salah satu dari B atau C dapat diambil, karena paling
dekat memenuhi 3 kriteria kebaikan.