Anda di halaman 1dari 9

TUGAS 2

SI-5101 ANALISIS REKAYASA

DOSEN PENGASUH :
IR. BIEMO W SOEMARDI, PH.D.

DISUSUN OLEH:

NAMA :

ANNA ELVARIA

NIM

25014017

FAKULTAS TEKNIK SIPIL DAN LINGKUNGAN


PROGRAM MAGISTER TEKNIK SIPIL
INSTITUT TEKNOLOGI BANDUNG
2014

4-5)

Explain how the adjusted r2 value is used in developing regression model .

Answer :
Koefisien determinasi atau r2( r square) merupakan suatu ukuran yang penting dalam
regresi karena dapat menginformasikan baik atau tidaknya suatu model regresi yang kita
buat. Nilai r2 mencerminkan seberapa besar variasi dari variabel terikat Y dapat
diterangkan oleh variabel bebas X ; atau intinya r2 berfungsi untuk mengukur seberapa
jauh kemampuan model dalam menerangkan variasi variabel depeden.
Rumus r2 = SSR/SST = 1- (SSE/SST)
Perencanaan r2 sering menimbulkan permasalahan, karena nilainya akan selalu
meningkat dengan adanya penambahan variabel bebas dalam model regresi, sehingga
peneliti dapat dengan sembarang menambahkan variabel bebas dengan nilai r terus
meningkat tanpa tahu apakah variabel bebas tambahan itu berhubungan dengan variabel
terikat atau tidak.
Oleh karena itu, r2 perlu disesuaikan atau adjusted r2 , yang dirumuskan pada persamaan:
Adjusted r2 = r2 {(k-1)/(n-k)} x (1- r2)
Dimana r2 = koefisien determinasi sebelum disesuaikan
k = banyak variabel
n = jumlah data yang digunakan
Nilai adjusted r2 dapat naik atau turun dengan adanya penambahan variabel baru,
tergantung dari korelasi antara variabel bebas tambahan dengan variabel terikatnya.
Nilai adjusted r2 bila bernilai negatif dianggap 0 (nol), yang artinya variabel bebas sama
sekali tidak mampu menjelaskan varians dari variabel terikatnya (tidak ada hubungan
antara kedua variabel)
Nilai adjusted r2 yang mendekati atau bernilai 1 (satu) menjelaskan bahwa setiap
variabel memiliki hubungan yang kuat, sehingga model regresi yang kita buat memiliki
akurasi yang kuat (cukup akurat).
4-6)

Explain what information is provided by the F test.

Answer :
F test atau uji model/anova adalah uji statistik yang menunjukan bagaimanakah pengaruh
semua variabel bebasnya secara bersama-sama terhadap variabel terikatnya (dependen).
F test digunakan untuk mengetahui apakah model yang kita buat layak/signifikan atau
tidak. Jika model regresi yang kita buat signifikan, maka model bisa digunakan untuk
prediksi/peramalan, begitupun sebaliknya.
Tahapan melakukan F test :
1. Merumuskan hipotesis
H0 = 1 = 0 Tidak ada pengaruh signifikan antara variabel X dan Y
H1 = 1 0 Ada pengaruh secara signifikan antara variabel X dan Y secara
bersama-sama
2. Menentukan tingkat signifikansi ; biasanya menggunakan = 5 % (signifikansi 0,05
adalah ukuran standar yang sering digunakan dalam penelitian)
3. Menentukan Fhitung ; F = MSR/MSE ; MSR = SSR/k

4.

5.

Menentukan Ftabel ; Dengan menggunakan tingkat keyakinan 95%, = 5 %, nilai F


pada Table Appendix D
df1 = k = 1
df2 = n-k-1
Kriteria pengujian:
H0 diterima bila Fhitung < Ftabel
H0 ditolak bila Fhitung > Ftabel

4-10) Manajer operasi dari suatu alat musik merasakan demand for bass drums mungkin
berhubungan dengan banyaknya penampilan televisi oleh grup rock populer Green
Shades sepanjang bulan lalu. Manajer tersebut telah mengumpulkan data sebagai
berikut :
Demand For Bass Drums

Green Shades Tv Appearance

3
6
7
5
10
8

3
4
7
6
8
5

a) Dari Microsoft Exel diperoleh Grafik dan persamaan linear yang menunjukan hubungan

Green Shades TV
Appearance

antara grups television shown dan bass drum sales :


y=x+1
R = 0,593

10
8
6
4
2

pers. linier

0
0

10

Demand For Bass Drums

b)
No.
1
2
3
4
5
6

Mean

Green
Demand
Shades TV
For Bass
Appearance
Drums (Y)
(X)
3
3
6
4
7
7
5
6
10
8
8
5
33,0
39,0
6,5
5,5

=x+1
-2,5
-1,5
1,5
0,5
2,5
-0,5
-

6,25
2,25
2,25
0,25
6,25
0,25
17,5
2,9

-3,50
-0,50
0,50
-1,50
3,50
1,50
-

8,75
0,75
0,75
-0,75
8,75
-0,75
17,5
2,9

12,25
0,25
0,25
2,25
12,25
2,25
29,5
4,9

4
5
8
7
9
6
39,0
6,5

1
1
1
4
1
4
12,0
2,0

6,25
2,25
2,25
0,25
6,25
0,25
17,5
2,9

b1 =

b0 =

)(

,
,

=1

b1 = 6,5 (1)(5,5) = 1

Sehingga persamaan regresinya adalah = x + 1


Sum Of The Square Total
SST = ( ) = 29,5
Sum Of The Square Error
SSE = = ( ) = 12
Sum Of Square Due To Regression SSR = = ( ) = 17,5
r2

Koefisien determinasi

= 0,5932

Nilai r2 menunjukan bahwa 59,32% variasi dari variabel terikat Y dapat


diterangkan oleh variabel bebas X.
Koefisien korelasi

= 0,7702

Nilai r mendekati 1 , berarti variabel memiliki hubungan yang kuat, sehingga


model regresi yang kita buat cukup akurat (positif correlation).
c) Estimasi untuk penjualan bass drum jika penampilan Green Shades di TV sebanyak 6 kali
di bulan lalu adalah :
= x+1=6+1=7
Jadi jika Green Shades di TV sebanyak 6 kali maka bass drum terjual sebanyak 7 buah.
4-11) Dari soal 4-10 dilakukan F test untuk menunjukan hubungan signifikan antara
penjualan bass drum dengan banyaknya penampilan di TV di level signifikan 0,05
menggunakan table Appendix D.
Answer :
Untuk melakukan F test dilakukan perhitungan estimasi varian.
Dimana n = 6 , k= 1 , maka :
Mean Squared Error ,

Mean Squared Regression , MSR =


Nilai F =
df1 = k = 1

MSE = S2 =

= 17,5

=3,S==

= 5,8333

df2 = n-k-1 = 6-1-1 = 4


Dari Table Appendix D F = 0,05 ; df1 = 1 ; df2 = 4 diperoleh Ftabel = 7,71

= 1,7321

Sehingga Fhitung < Ftabel = 5,8333 < 7,71 = Hipotesis diterima . Sehingga disimpulkan
bahwa tidak ada hubungan yang signifikan antara variable X dan Y (model tidak
cukup akurat).

4-22) Diberikan data selling price, square footage, number of bedrooms dan age dari rumah
yang telah dijual 6 bulan lalu.
Selling Price ($)
64000
59000
61500
79000
87500
92500
95000
113000
115000
138000
142500
144000
145000
147500
144000
155500
165000

Square Footage
1670
1339
1712
1840
2300
2234
2311
2377
2736
2500
2500
2479
2400
3124
2500
4062
2854

Bedrooms
2
2
3
3
3
3
3
3
4
3
4
3
3
4
3
4
3

Age (Years)
30
25
30
40
18
30
19
7
10
1
3
3
1
0
2
10
3

Maka Tiga Model Regresi yang memprediksi Selling Price berdasarkan setiap faktor yang
ada adalah :
Answer :

Model Regresi 1

No.

Selling Price
Age (X)
(Y)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

Mean

b1 =
b0 =

64000
59000
61500
79000
87500
92500
95000
113000
115000
138000
142500
144000
145000
147500
144000
155500
165000
1948000
114588

30
25
30
40
18
30
19
7
10
1
3
3
1
0
2
10
3
232
14

-2424,2
147671

16
11
16
26
4
16
5
-7
-4
-13
-11
-11
-13
-14
-12
-4
-11
0
0

267
129
267
694
19
267
29
44
13
160
113
113
160
186
136
13
113
2726
160

SST =
SSE =
SSR =

-50588
-55588
-53088
-35588
-27088
-22088
-19588
-1588
412
23412
27912
29412
30412
32912
29412
40912
50412
0
0

-827266,436
-631089,9654
-868148,7889
-937854,6713
-117913,4948
-361207,6125
-104854,6713
10557,09343
-1501,730104
-296089,9654
-297178,2007
-313148,7889
-384619,3772
-449148,7889
-342560,5536
-149207,6125
-536737,0242
-6607971
-388704

20622617647
4603850275
16018767372

2559169550
3090051903
2818360727
1266522491
733772491
487890138
383698962
2522491
169550
548110727
779066609
865051903
924875433
1083184256
865051903
1673772491
2541346021
20622617647
1213095156

74946,11567
87066,90764
74946,11567
50704,53172
104036,0164
74946,11567
101611,858
130701,7587
123429,2836
145246,7091
140398,3923
140398,3923
145246,7091
147670,8675
142822,5507
123429,2836
140398,3923
1948000
114588

r2 =

119817448,2
787751304,4
180798026,5
800633525,1
273439838,4
308138855,2
43716666,29
313352262,5
71052821,27
52514792,88
4416754,851
12971577,9
60865,38328
29195,70292
1386386,826
1028530853
605239100,6
4603850275
270814722

0,776757231

1571497649
757423475,9
1571497649
4081127582
111349323,6
1571497649
168386367,5
259645637,8
78164134,37
939942016,5
666164205,6
666164205,6
939942016,5
1094460554
797176567,1
78164134,37
666164205,6
16018767372
942280434

Model Regresi 2

Selling Price Bedrooms


(X)
(Y)

No.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

Mean

64000
59000
61500
79000
87500
92500
95000
113000
115000
138000
142500
144000
145000
147500
144000
155500
165000
1948000
114588

b1 =
b0 =

2
2
3
3
3
3
3
3
4
3
4
3
3
4
3
4
3
53
3

-1
-1
0
0
0
0
0
0
1
0
1
0
0
1
0
1
0
0
0

1
1
0
0
0
0
0
0
1
0
1
0
0
1
0
1
0
6
0

SST =
SSE =
SSR =

36137,8
1923,47

-50588
-55588
-53088
-35588
-27088
-22088
-19588
-1588
412
23412
27912
29412
30412
32912
29412
40912
50412
0
0

56539,79239
62128,02768
6245,67474
4186,851211
3186,851211
2598,615917
2304,49827
186,8512111
363,3217993
-2754,32526
24628,02768
-3460,207612
-3577,854671
29039,79239
-3460,207612
36098,61592
-5930,795848
208324
12254

20622617647
13094272959
7528344688

2559169550
3090051903
2818360727
1266522491
733772491
487890138
383698962
2522491
169550
548110727
779066609
865051903
924875433
1083184256
865051903
1673772491
2541346021
20622617647
1213095156

74198,97959
74198,97959
110336,7347
110336,7347
110336,7347
110336,7347
110336,7347
110336,7347
146474,4898
110336,7347
146474,4898
110336,7347
110336,7347
146474,4898
110336,7347
146474,4898
110336,7347
1948000
114588

r2 =

104019184,7
231008980,6
2385026656
981990941,3
521516451,5
318149104,5
235215431,1
7092982,091
990643507,9
765256247,4
15796569,14
1133215431
1201541962
1051671,179
1133215431
81459834,44
2988072574
13094272959
770251351

1631291976
1631291976
18075257,35
18075257,35
18075257,35
18075257,35
18075257,35
18075257,35
1016733226
18075257,35
1016733226
18075257,35
18075257,35
1016733226
18075257,35
1016733226
18075257,35
7528344688
442843805

0,365052818

Model Regresi 3

No.

Selling Price
(Y)

Square
Footage (X)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

Mean

64000
59000
61500
79000
87500
92500
95000
113000
115000
138000
142500
144000
145000
147500
144000
155500
165000
1948000
114588

1670
1339
1712
1840
2300
2234
2311
2377
2736
2500
2500
2479
2400
3124
2500
4062
2854
40938
2408

b1 =
b0 =

46,6011
2367,26

-738
-1069
-696
-568
-108
-174
-97
-31
328
92
92
71
-8
716
92
1654
446
0
0

544818
1143013
484580
322758
11689
30317
9432
968
107507
8442
8442
5024
66
512488
8442
2735327
198811
6132124
360713

SST =
SSE =
SSR =

-50588
-55588
-53088
-35588
-27088
-22088
-19588
-1588
412
23412
27912
29412
30412
32912
29412
40912
50412
0
0

37340069,2
59430363,32
36955657,44
20218304,5
2928716,263
3845951,557
1902363,322
49422,14533
135010,3806
2151128,028
2564598,616
2084775,087
-246871,9723
23560951,56
2702422,145
67663245,67
22477716,26
285763824
16809637

20622617647
7305703969
13316913678

2559169550
3090051903
2818360727
1266522491
733772491
487890138
383698962
2522491
169550
548110727
779066609
865051903
924875433
1083184256
865051903
1673772491
2541346021
20622617647
1213095156

r2 =

80191,12768
64766,1576
82148,37464
88113,31775
109549,8321
106474,1583
110062,4444
113138,1181
129867,9195
118870,0557
118870,0557
117891,4322
114209,9439
147949,1533
118870,0557
191661,0021
135366,8515
1948000
114588

262152615,5
33248573,48
426355375,2
83052560,42
486195093,8
195277099,3
226877230
19076,62328
221055031,3
365954770
558374269
681657313
948027556,8
201738,7246
631514102
1307618072
878123492,1
7305703969
429747292

1183161012
2482239426
1052344559
700921258,9
25385507,16
65838246
20482783,6
2102839,732
233468750,5
18333985,74
18333985,74
10911109,75
143104,4052
1112950853
18333985,74
5940211381
431750890
13316913678
783347863

0,64574313

Kesimpulan : Dari ketiga model regresi dengan variabel bebas X yang berbeda diperoleh
bahwa model dengan nilai r2 terbesar adalah Model Regresi 1 dengan Faktor AGE sebagai
variabel bebas X nya. Ini menunjukan bahwa faktor AGE memiliki pengaruh sebesar 77,68%
dalam mempengaruhi variabel Selling Price.

4-23) Dari soal 4-22, kembangkanlah model regresi yang menunjukan hubungan antara
selling price yang didasarkan pada square footage dan number of bedrooms. Gunakan
model regresi untuk memprediksi selling price dari 2000 square foot house dengan 3
bedrooms. Bandingkan model yang baru dengan model regresi di jawaban no 4-22,
jelaskan apakah number of bedrooms perlu dimasukan ke dalam variabel model atau
tidak.
Answer :
Model regresi diperoleh dengan menggunakan bantuan Microsoft Exel - Data Analisis
Regresi - ANOVA. Adapun output exelnya adalah sebagai berikut :
Regression Statistics
Multiple R
0,80403283
R Square
0,646468791
Adjusted R Square
0,595964333
Standard Error
22820,32137
Observations
17
ANOVA
Regression
Residual
Total

df
2
14
16

SS
13331878702
7290738945
20622617647

MS
6665939351
520767067,5

F
12,800232

Significance F
0,000690231

Intercept
Square Footage
Bedrooms

Coefficients
5701,449491
48,50544349
-2540,386547

Standard Error
30165,64537
14,53001186
14985,90059

t Stat
0,189004724
3,338293455
-0,169518444

P-value
0,8528017
0,0048762
0,8678139

Lower 95%
-58997,42494
17,34166757
-34681,94655

Upper 95%
70400,32392
79,66921941
29601,17345

Lower 95,0%
-58997,42494
17,34166757
-34681,94655

Upper 95,0%
70400,32392
79,66921941
29601,17345

Maka persamaan model regresinya adalah :


= b0 + b1X1 + b2X2
= 5701,449491 + 48,50544349 X1 - 2540,386547 X2
= 5701,449491 + 48,50544349 (2000) - 2540,386547 (3) = 95091,17683

Jadi harga jual yang dipengaruhi luas rumah dan jumlah kamar tidur sebesar
95091,17683.
Dari output analisis ANOVA dapat dilihat bahwa nilai dari bedrooms adalah negatif = (2540,386547) . Ini menunjukan bahwa variabel bedrooms seharusnya tidak
dimasukkan ke dalam model regresi, karena dapat menurunkan nilai dari harga
jual rumah.

4-24) Gunakan data dari soal 4-22 untuk mengembangkan model regresi yang memprediksi
harga jual rumah berdasarkan luas tanah sebesar 2000, banyaknya kamar tidur 3 dan
usia rumah selama 10 tahun.
Answer :
Model regresi diperoleh dengan menggunakan bantuan Microsoft Exel - Data Analisis
Regresi - ANOVA. Adapun output exelnya adalah sebagai berikut :

Regression Statistics
Multiple R
R Square
Adjusted R Square
Standard Error
Observations

0,941348446
0,886136896
0,859860795
13439,76663
17

ANOVA
Regression
Residual
Total

df
3
13
16

SS
18274462395
2348155252
20622617647

MS
6091487465
180627327,1

F
33,724064

Significance F
2,12163E-06

Intercept
Square Footage
Bedrooms
Age

Coefficients
82185,64946
25,94076314
-2151,741748
-1711,537456

Standard Error
23008,76671
9,583036976
8826,08705
327,1908271

t Stat
3,571927627
2,706945951
-0,243793397
-5,231006845

P-value
0,0034102
0,0179546
0,8111959
0,0001621

Lower 95%
32478,23104
5,237870426
-21219,34357
-2418,390263

Upper 95%
131893,0679
46,64365586
16915,86007
-1004,684648

Lower 95,0%
32478,23104
5,237870426
-21219,34357
-2418,390263

Upper 95,0%
131893,0679
46,64365586
16915,86007
-1004,684648

Maka persamaan model regresinya adalah :


= b0 + b1X1 + b2X2 + b3X3
= 82185,64946+ 25,94076314 X1 - 2151,741748 X2 - 1711,537456 X3
= 82185,64946+ 25,94076314 (2000) - 2151,741748 (3) - 1711,537456 (10)
= 110496,5759
Jadi harga jual yang dipengaruhi oleh luas rumah, jumlah kamar tidur dan usia rumah adalah
sebesar 110496,5759.

4-33) Diberikan data yang berhubungan dengan stock price dari Dow Jones Industrial
Average (DJIA) sebagai berikut :
MONTH
1
2
3
4
5
6
7
8
9
10
11
12
13

DJIA (X)
11168
11150
11186
11381
11679
12081
12222
12463
12622
12269
12354
13063
13326

STOCK 1 (Y1)
48,5
48,2
44,5
44,7
49,3
49,3
46,1
46,2
47,7
48,3
47
47,9
47,8

STOCK 2 (Y2)
32,4
31,7
31,9
36,6
36,7
38,7
39,5
41,2
43,3
39,4
40,1
42,1
45,2

a) Model regresi yang memprediksi harga dari Stock 1 berdasarkan Dow Jones Industrial
Average (DJIA) diperoleh dengan menggunakan bantuan Microsoft Exel - Data Analisis
Regresi - ANOVA. Adapun output exelnya adalah sebagai berikut :

Regression Statistics
Multiple R
R Square
Adjusted R Square
Standard Error
Observations

0,187627675
0,035204145
-0,05250457
1,603963525
13

ANOVA
Regression
Residual
Total

df
1
11
12

SS
1,032618801
28,29968889
29,33230769

MS
1,032618801
2,57269899

F
0,401375678

Significance F
0,539329066

Intercept
DJIA (X)

Coefficients
42,43247825
0,000406958

Standard Error
7,768625337
0,000642354

t Stat
5,46203175
0,633542167

P-value
0,000197216
0,539329066

Lower 95%
25,33384918
-0,001006853

Upper 95%
59,53110732
0,001820769

Lower 95,0% Upper 95,0%


25,33384918 59,53110732
-0,001006853 0,001820769

Maka persamaan model regresinya adalah :


= b0 + b1X1
= 42,43247825 + 0,000406958 X1

b) Model regresi yang memprediksi harga dari Stock 2 berdasarkan Dow Jones Industrial
Average (DJIA) diperoleh dengan menggunakan bantuan Microsoft Exel - Data Analisis
Regresi - ANOVA. Adapun output exelnya adalah sebagai berikut :
Regression Statistics
Multiple R
R Square
Adjusted R Square
Standard Error
Observations

0,961226308
0,923956015
0,917042925
1,250572788
13

ANOVA
Regression
Residual
Total

df
1
11
12

SS
209,024437
17,20325527
226,2276923

MS
209,024437
1,563932298

F
133,6531238

Significance F
1,70492E-07

Intercept
DJIA (X)

Coefficients
-31,54007643
0,005789996

Standard Error
6,057015195
0,000500828

t Stat
-5,207197838
11,56084443

P-value
0,000291216
1,70492E-07

Lower 95%
-44,87147698
0,004687681

Upper 95%
-18,20867588
0,006892312

Lower 95,0% Upper 95,0%


-44,87147698 -18,20867588
0,004687681 0,006892312

Maka persamaan model regresinya adalah :


= b0 + b1X1
= -31,54007643 + 0,005789996 X1
c) Dari kedua model regresi diatas yang korelasi paling tinggi terhadap Dow Jones Industrial
Average (DJIA) adalah model regresi yang kedua, karena memiliki nilai r2 yang paling
tinggi = 92,39% . Model kedua juga merupakan model yang paling signifikan
(berpengaruh) karena nilai Significance F pada tabel anova medekati nol dan kurang dari
= 0,05 .