PENDAHULUAN
8. Ingin menghasilkan dugaan yang valid untuk satu atau lebih koefisien regresi
1.4 Analisis Ragam
Pengujian model dalam analisis regresi dapat dilakukan dengan menggunakan
analisis ragam, komponen keragamannya dapat diuraikan seperti terlihat pada tabel
berikut :
Tabel 1. struktur analisis ragam dari regresi linier berganda yang meilbatkan p buah
peubah bebas
Sumber
Derajat BebasJumlah KuadratKuadrat TengahF-hitung
Keragaman
(db)
(JK)
(KT)
Regresi
JKR/2
' X ' Y nY
KTR/KTS
Sisaan
n-p-1
Total
n-1
Y ' Y nY
Bab II
PEMBAHAHASAN
Sebelum kita melakukan analisis regresi terhadap data yang diperoleh, kita harus
memeriksa apakah asumsi-asumsi untuk melakukan pengujian tersebut terpenuhi atau
tidak. Hal yang perlu dilakukan untuk pertama kalinya adalah eksplorasi data, kita buat
hubungan antar peubah dengan scatter plot atau plot pencaran antar peubah. Eksplorasi
data merupakan pemeriksaan terhadap data untuk mengetahui pola hubungan antara
peubah bebas(X1, X2, X3) dengan peubah tak bebas(Y). Plot tersebut bisa kita lihat di
bawah ini.
300
NAA
200
100
0
0
10
20
30
40
50
60
70
80
90
%stek
Gambar 1. plot antara zat NAA dengan persentase stek hidup tanaman anyelir
MST
7,0
6,5
6,0
0
10
20
30
40
50
60
70
80
90
%stek
Gambar 2. plot antara waktu pemberian dengan persentase stek hidup tanaman
anyelir
6
LRendam
2
225
0 NAA
10
20
30
40
50
60
70
80
90
%stek
75
3
62,475
%stek
20,825
4
75
5
22
5
6 ,2
5
6,7
20
5
,82
5
,47
62
Normal Score
-1
-2
-20
-10
10
20
30
Residual
Frequency
5
4
3
2
1
0
-1,5
-1,0
-0,5
0,0
0,5
1,0
1,5
2,0
2,5
Standardized Residual
Dari gambar di atas, terlihat bahwa plot dari galat mengikuti garis lurus yang
berarti mengikuti sebaran normal sehingga asumsi ini terpenuhi. Asumsi ini dibutuhkan
ketika kita akan melakukan analisis ragam.
Selanjutnya kita menguji apakah kebebasan dari galat terpenuhi atau tidak. Untuk
mengujinya, bisa kita amati gambar dibawah ini.
Residuals Versus the Fitted Values
(response is %stek)
Standardized Residual
-1
-2
0
10
20
30
40
50
60
70
80
90
100
Fitted Value
30
20
RESI1
10
0
-10
-20
0
100
200
300
NAA
30
20
RESI1
10
0
-10
-20
6,0
6,5
7,0
MST
RESI1
20
10
0
-10
-20
2
LRendam
I Chart of Residuals
30
Residual
Residual
20
10
0
-10
-20
-1
UCL=43,03
Mean=-8,1E-14
LCL=-43,03
10
15
20
Normal Score
Observation Number
Histogram of Residuals
Residuals v s. Fits
30
20
Residual
Frequency
-2
50
40
30
20
10
0
-10
-20
-30
-40
-50
3
2
1
25
10
0
-10
-20
0
-20 -15-10 -5 0
5 10 15 20 25 30
Residual
0 10 20 30 40 50 60 70 80 90
Fit
NAA
0,000
1,000
MST
0,000
1,000
0,000
1,000
-0,656
0,001
-0,560
0,004
LRendam
-0,229
0,283
Hasil di atas menunjukkan nilai korelasi antara peubah respon dengan ketiga peubah
bebas kecil sekali yaitu sebesar 0,001, 0,004, 0,283 yang berarti keeratan hubungan linier
antara peubah-peubah tersebut begitu rendah.
Jika kita inginkan model regresi yang hanya terdiri satu peubah bebas, dalam hal
ini zat NAA, maka hasil outputnya sebagai berikut.
Regression Analysis: %stek versus NAA
The regression equation is
%stek = 74,9558 - 0,152733 NAA
S = 20,5336
R-Sq = 43,0 %
R-Sq(adj) = 40,4 %
Analysis of Variance
Source
Regression
Error
Total
DF
1
22
23
SS
6998,2
9275,8
16274,0
MS
6998,24
421,63
F
16,5982
P
0,001
R-Sq = 43,0 %
R-Sq(adj) = 40,4 %
90
80
70
%stek
60
50
40
30
20
10
0
0
100
200
300
NAA
Gambar 12. garis regresi antara zat NAA dengan persentase stek hidup
Dari hasil Minitab diatas, model regresi dugaan yang diperoleh yaitu Y= 74,9558
0,152733X. R2 yang diperoleh ternyata hanya sebesar 43,0% dengan nilai-p sebesar
0,001. Artinya sekitar 43,0% keragaman dari Y(persentase stek hidup) dapat dijelaskan
oleh model regresi linier sederhana (oleh zat NAA). Hal ini mununjukkan bahwa model
tersebut tidak cukup memadai.
Sebagai perbandingan, kita coba model regresi dengan dua peubah bebas yaitu
zat NAA dengan waktu MST. Hasil analisis dari model tersebut sebagai berikut.
Regression Analysis: %stek versus NAA; MST
The regression equation is
%stek = 264 - 0,153 NAA - 29,2 MST
Predictor
Constant
NAA
MST
Coef
264,49
-0,15273
-29,158
S = 14,10
PRESS = 5478,36
SE Coef
37,72
0,02574
5,756
T
7,01
-5,93
-5,07
R-Sq = 74,3%
R-Sq(pred) = 66,34%
P
0,000
0,000
0,000
VIF
1,0
1,0
R-Sq(adj) = 71,9%
Analysis of Variance
Source
Regression
Residual Error
Total
DF
2
21
23
SS
12099,5
4174,5
16274,0
MS
6049,7
198,8
F
30,43
P
0,000
Model regresi dugaan yang diperoleh yaitu Y= 264 0,153 X 1 29,2X2 dengan R2
sebesar 74,3% dengan nilai-p=0,000. Ada peningkatan nilai R 2 dibandingkan dengan
model sebelumnya. Begitu juga dengan R 2 adjusted dari 40,4% menjadi 71,9%. Hal ini
menunjukkan bahwa model kedua lebih baik, artinya model kedua cukup memadai.
Jika dianggap bahwa modelnya adalah model linier berikut :
Y= 0 + 1X1 + 2X2 + 3X3
Maka hasil analisis regresi dengan Minitab adalah sebagai berikut
Regression Analysis: %stek versus NAA; MST; LRendam
The regression equation is
%stek = 279 - 0,153 NAA - 29,2 MST - 3,64 LRendam
Predictor
Constant
NAA
MST
LRendam
Coef
279,06
-0,15273
-29,158
-3,644
S = 12,89
PRESS = 4979,69
SE Coef
35,09
0,02354
5,264
1,612
T
7,95
-6,49
-5,54
-2,26
R-Sq = 79,6%
R-Sq(pred) = 69,40%
P
0,000
0,000
0,000
0,035
VIF
1,0
1,0
1,0
R-Sq(adj) = 76,5%
Analysis of Variance
Source
Regression
Residual Error
Total
DF
3
20
23
SS
12949,2
3324,8
16274,0
MS
4316,4
166,2
F
25,96
P
0,000
Dari outoput terlihat bahwa persamaan regresi dugaan yang didapat adalah :
Y= 279 0,153X1 2,92X2 3,64X3
Dari hasil diatas juga bisa kita lihat bahwa R 2 yang diperoleh sebesar 79,6% dan p-value
sama dengan 0,000. Hal ini menunjukkan bahwa model tersebut cukup memadai.
Jika kita bandingkan model kedua dan ketiga, perbedaan antara R 2 dan R2
adjusted tidak begitu besar. Manakah model yag lebih baik? Kita lihat bahwa model kedua
terdiri dari 2 peubah bebas saja sedangkan model ketiga terdiri dari 3 peubah bebas. Jika
kita anggap bahwa perbedaan antara R 2 adjusted diantara kedua model itu signifikan
maka model ketiga lebih baik. Tapi jika kita anggap bahwa perbedaan itu tidak signifikan,
berarti model kedua lebih baik karena peubah bebas yang menyusun model lebih sedikit.
Pada model ketiga, kita lihat p-value untuk masing-masing peubah. Jika kita
gunakan alpha sebesar 5%, maka kesimpulan yang kita ambil yaitu ketiganya memiliki
koefisien yang tidak nol atau berpengaruh nyata terhadap respon. Namun jika kita
gunakan alpha sebesar 1% maka peubah yang ketiga(lama perendaman) tidak
berpengaruh nyata karena nilai-p untuk X 3 lebih besar dari 1% yaitu 0,035.
10
Bab III
KESIMPULAN
Dari pembahasan sebelumnya, bisa kita simpulkan bahwa data yang kita peroleh
memenuhi asumsi-asumsi untuk dilakukan analisis regresi. Asumsi-asumsi yang dimaksud
yaitu kebebasan galat, kehomodenan ragam dari galat dan kenormalan. Jika asumsiasumsi tersebut tidak terpenuhi maka untuk mengatasinya bisa kita gunakan transformasi,
pembobotan ragam dan sebagainya.
Dari hasil diatas juga, bisa kita simpulkan bahwa model yang diperoleh yang
melibatkan tiga peubah bebas yaitu zat NAA, lama perendaman dan waktu MST cukup
memadai. Keputusan yang diambil yaitu tolak H 0 artinya, ada paling sedikit satu peubah
bebas yang berpengaruh secara nyata terhadap peubah tak bebas/respon (persentase
stek hidup tanaman anyelir).
Jadi, jika kita ingin mengetahui hubungan antara peubah yang satu dengan
peubah yang lain maka alat yang tepat untuk menganalisis hubungan tersebut adalah
analisis regresi.
11
DAFTAR PUSTAKA
Draper, Norman dan Harry Smith.1992.Analisis Regresi Terapan.Gramedia,Jakarta
Mattjik, Ahmad Ansori dan I Made sumertajaya.2002. Perancangan Percobaan dengan
Aplikasi SAS dan Minitab.IPB PRESS, Bogor.
Myers, Raymond H.1989.Classical and Modern regression With Aplications.PWS-KENT
Publishing,Boston.
Susanti, Dini.2003.Pengaruh Pemberian Zat Pengatur Tumbuh NAA dan IBA
serta Lama Perendaman terhadap Perajaran Stek Anyelir. Dari Skripsi
mhs jurusan BDP IPB Bogor.
12