NRP : 1314100113
Kelas : Analisi Regresi (B)
Suhu
-5
-4
-3
-2
-1
0
1
2
3
4
5
Berdasarkan Tabel 1.1 didapatkan dua macam data yakni suhu dan hasil proses kimia.
Keduanya merupakan variabel yang akan diidentifikasi hubungannya. Sesuai dengan Tabel 1.1,
maka terdapat dua variabel dimana yang bertindak sebagai variabel prediktor atau variabel
bebas yang dilambangkan dengan X adalah suhu. Sehingga jika suhu dikategorikan sebagai
variabel prediktor maka dapat diubah sesuai dengan keinginan pengamat. Yang selanjutnya
adalah variabel terikat atau variabel respon. Dalam hal ini yang bertindak sebagai variabel respon
dimana variabel yang dipengaruhi oleh perubahan variabel prediktor adalah hasil proses kimia
yang dilambangkan dengan Y.
II.
15
10
0
-5.0
-2.5
0.0
2.5
5.0
Dari Gambar 2.1 dapat diidentifikasi adanya hubungan antara hasil proses kimia (variabel
Y) dan suhu (variabel X) dimana secara visual dapat dilihat pada titik-titik merah tersebut yang
cenderung naik sehingga bermakna bahwa adanya penambahan nilai pada variabel X (suhu) akan
menyebakan penambahan nilai pada variabel Y (hasil proses kimia). Untuk mengetahui lebih
lanjut hubungan kedua variabel Y dan X dapat dijelaskan pada langkah berikutnya yakni uji
korelasi.
III.
Uji Korelasi
Pada uji korelasi hal ini, ada dua indikator yang akan digunakan sebagai acuan dalam
menganalisis hubungan kedua varibel Y dan X yakni P-Value dan Pearson Correlation, dengan
rumusan hipotesis sebagai berikut.
H0 : = 0
H1 : 0
Dengan bantuan software Minitab maka didapatkan hasil berikut ini.
Tabel 3.1 Hasil P-Value dan Pearson Correlation Variabel X dan Y
P-Value
0,000
Dari Tabel 3.1 dapat diketahui hasil uji korelasi antara variabel X dan Y. Didapatkan PValue = 0,000 yang berarti bahwa dengan = 0,05 dimana P-Value = 0,000 lebih kecil dari =
0,05 maka dapat diambil keputusan tolak H0 yang artinya bahwa ada hubungan atau korelasi
antara hasil proses kimia (variabel Y) dan suhu (variabel X).
Pemodelan Regresi
Untuk mengetahui hubungan variabel X (suhu) dengan variabel Y (hasil proses kimia),
maka dapat dibuat model regresi yang dilakukan dengan bantuan program Minitab. Berikut ini
tabel pemodelan regresi yang didapatkan dengan bantuan program Minitab.
Tabel 4.1 Output Minitab Persamaan Regresi
Persamaan Regresi
Y = 9,27 + 1,44 X
Berdasarkan Tabel 4.1 dapat diketahui model persamaan regresi dengan Y adalah variabel
hasil proses kimia (variabel respon) dan X adalah variabel suhu (variabel prediktor). Dengan
persamaan regresi pada tabel 4.1 dapat diperoleh informasi bahwa dengan
variabel X (suhu) naik satu satuan maka variabel Y (hasil proses kimia) akan naik sebesar 1,44
satuan. Kemudian apabila variabel X (suhu) = 0, maka variabel Y (hasil proses kimia) akan tetap
yaitu 9,27.
V.
Evaluasi Residual
Untuk mengetahui kondisi residual dapat diketahui salah satunya melalui program Minitab
yakni normality test dimana pada gambar normality test dibawah ini yang digunakan adalah
Kolmogorov-Smirnov test.
Mean
StDev
N
KS
P-Value
95
90
-2.42230E-15
1.457
11
0.200
>0.150
80
Percent
70
60
50
40
30
20
10
5
-4
-3
-2
-1
0
RESI1
Berdasarkan Gambar 5.1, dari normality test terlihat pada plot residual (titik-titik yang
berwarna merah) berada di sekitar garis lurus (expected value), ini menunjukkan residual hampir
menyebar normal. Dengan nilai mean = -2,44230E-15, artinya residual memusat pada nilai
-2,44230E-15. Dan juga dari nilai St. Dev = 1,457, menyatakan bahwa nilai standar deviasi tidak
terlalu besar sehingga menunjukkan keragaman nilai residual tidak terlalu besar yang artinya
residual bersifat homogen. Selain itu dari N = 11, bisa diketahui bahwa nilai residual yang
dihitung adalah sebanyak 11 data residual dan dengan KS = 0,2, berarti nilai Kolmogorov
Smirnov sebesar 0,2. Nilai ini relatif kecil, yang berarti bisa dikatakan H 0 gagal ditolak yang
artinya data menyebar normal. Selanjutnya, dari P-Value = >0,150, artinya nilai P-Value sebesar
lebih dari 0,150. Dengan menggunakan taraf signifikan = 0,05, maka nilai P-Value > (0,150 >
0,05) artinya H0 gagal ditolak yang berarti menyatakan bahwa residual berdistribusi normal.
Dimana residual dapat dikatakan gagal tolak H0 apabila apabila nilai P-Value lebih besar dari
sehingga dapat dikatakan residual menyebar normal.
Selain itu untuk mengetahui kondisi residual juga dapat dilakukan melalui asumsi
residual dimana asumsiresidual yang harus dipenuhi oleh model regresi ialah i ~ IIDN (0,2).
Arti IIDN (0,2) ialah : I yang pertama berarti independen; I kedua berarti identik; dan DN (0,2)
berarti berdistribusi normal dengan mean dan variansi masing-masing bernilai 0 dan 2. Berikut
ini adalah gambar residual plots yang didapatkan dari bantuan program Minitab.
Versus Fits
99
2
Residual
Percent
90
50
10
1
1
0
-1
-2
-4
-2
0
Residual
1.5
1.0
0.5
0.0
12
16
Versus Order
2.0
Residual
Frequency
Histogram
8
Fitted Value
0
-1
-2
-2
-1
0
Residual
4
5
6
7
8
Observation Order
10
11
Dari Gambar 5.2 dapat diketahui terdapat empat cara untuk menganalisis asumsi residual
IIDN (Identik Independen Distribusi Normal) (0,2) yang terdiri dari:
1 Analisis Normal Probability Plot
Untuk mengetahui residual berdistribusi normal atau tidak, dapat dilakukan dengan
menganalisis normal probability plot. Berdasarkan Gambar 5.2 dapat diketahui bahwa plot
residual (titik-titik yang berwarna merah) berada di sekitar garis lurus (expected value), hal ini
menunjukkan bahwa residual menyebar normal sehingga memenuhi asumsi DN(0,2)
dan
Histogram
Selain melalui analisis normal probability plot, untuk mengetahui residual berdistribusi
normal atau tidak dapat dilakukan dengan menganalisis bentuk histogram. Pada gambar 5.1
secara visual histogram ini kurang menunjukkan residual berdistribusi normal, tetapi kondisi ini
masih dapat dikatakan memenuhi distribusi normal; yang diperkuat pula oleh Gambar 5.1. Pada
Versus Order
Untuk mengetahui residual bersifat independen atau tidak, dapat dilakukan dengan
menganalisis asumsi residual independen (bagian versus order). Dari gambar 5.2 dapat diketahui
bahwa grafiknya tidak membentuk pola corong atau titik-titik residual tampak random, tidak
membentuk pola apapun ini berarti urutan pelaksanaan eksperimen atau urutan data tidak ada
hubungannya dengan nilai residual sehingga dapat dikatakan bahwa residual bersifat independen.
2
Dari analisis pengujian asumsi residual IIDN (0, )., dapat disimpulkan bahwa residual
2
memenuhi asumsi residual IIDN (Identik Independen Distribusi Normal) (0, ).