PENDAHULUAN
1.1 Latar Belakang
Industri adalah suatu usaha atau kegiatan pengolahan bahan mentah atau
barang setengah jadi menjadi barang jadi yang memiliki nilai tambah untuk
mendapatkan keuntungan. Hasil industri tidak hanya berupa barang, tetapi juga
dalam bentuk jasa.
Dalam kegiatan pengolahan bahan tersebut suatu industri memerlukan
sumber daya alam. Namun sumber daya alam tersedia dalam jumlah yang
terbatas, sehingga hal tersebut mempengaruhi laju tingkat produksi dari suatu
sektor industri. Tinggi rendahnya tingkat produksi mencerminkan nilai dari suatu
sektor industri, sehingga naik turunnya tingkat produksi suatu sektor industri
menunjukkan naik turunnya nilai sektor industri bagi para konsumen. Tinggi
rendahnya tingkat produksi suatu sektor industri dipengaruhi oleh ketersediaan
sumber daya alam seperti gas alam, minyak, kapasitas udara, dan jumlah air.
Produsen perlu mengetahui terlebih dahulu mengenai bagaimana pengaruh
adanya beban yang diproduksi agar sektor industri tersebut tetap bisa melakukan
kegiatan produksi untuk mendapatkan keuntungan maksimal. Oleh karena itu,
produsen membutuhkan banyak informasi baik informasi mengenai sektor industri
itu sendiri maupun informasi umum lainnya. Salah satu informasi utama yang
dibutuhkan tersebut adalah informasi statistika yang diperlukan untuk menilai
resiko yang melekat dalam proses produksi maupun untuk memperkirakan return
yang akan diperoleh dari proses produksi tersebut, dengan analisa variabel gas
alam, minyak, kapasitas udara, dan jumlah air.
Masalah diatas akan dibuat sebagai bahan penelitian Analisis Regresi
dengan multikolinearitas pada pengaruh beban yang diproduksi terhadap gas
alam, minyak, kapasitas udara, dan jumlah air.
1.2 Rumusan Masalah
Berdasarkan latar belakang diatas dapat diambil rumusan masalah sebagai
berikut:
Batasan Masalah
Batasan masalah dalam penelitian kali ini adalah jumlah variabel X yang
telah ditentukan sebanyak empat variabel. Banyak data dengan batasan minimal
30 data.
BAB II
TINJAUAN PUSTAKA
2.1 Tinjauan Statistik
2.1.1 Uji Multikolinieritas
Uji multikolinieritas adalah untuk melihat ada atau tidaknya korelasi yang
tinggi antara variabel-variabel bebas dalam suatu model regresi linier berganda.
Jika ada korelasi yang tinggi diantara variabel-variabel bebasnya, maka hubungan
antara variabel bebas terhadap variabel terikatnya menjadi tergganggu.
Deteksi adanya multikolinieritas dalam model regresi dapat dilakukan
melalui 3 cara, yaitu.
1. Nilai VIF (Variance Inflation Factor) dari masing-masing variabel
prediktor.
2. Melihat adanya Korelasi yang tinggi antar variabel prediktor.
3. Melihat nilai eigen value matriks korelasi dari variabel prediktor yang
telah distandarkan. (Draper.1998)
2.1.2 Pemilihan Model Terbaik Dengan Foward Elimination
Forward
Selection
merupakan
salah
satu
metode
pemodelan
variabel kedua. Variabel yang masuk ke dalam persamaan sebagai variabel kedua
adalah variabel yang memiliki korelasi tertinggi kedua dan masih signifikan
dengan Y. kemudian koefisien regresi dari variabel kedua diuji. Jika signifikan,
maka dilakukan pencarian terhadap variabel ketiga dengan cara yang sama.
Prosedur dihentikan saat pemasukan variabel terakhir tidak memiliki koefisien
regresi dan tidak signifikan atau semua variabel masuk dalam persamaan.
Koefisien regresi yang signifikan dari variabel terakhir dilihat dari uji-t dari
persamaan terakhir.
Langkah-langkah Forward Selection
1. Mulai dengan tidak ada predictor variabel (model hanya berisi konstanta),
2. Untuk semua predictor variabel tidak dalam model, pilih satu variabel dengan
nilai p-value terkecil dan kurang dari taraf nyata .
3. Ulangi langkah kedua hingga tidak terdapat predictor variabel yang dapat
ditambahkan ke dalam model. (Anonim,2011)
2.1.3 Pemilihan Model Terbaik Dengan Backward Elimination
Metode regresi bertatar umumnya dipakai sebagai pemilihan model terbaik
apabila antara variabel bebasnya mengalami multikolinieritas karena dengan
metode
bertatar
ini
dapat
menghilangkan
variabel
yang
mempunyai
multikolinieritas tinggi.
Metode regresi bertatar langkah mundur (backward selection) mencoba
memeriksa hanya regresi terbaik yang mengandung sejumlah tertentu peubah
peramal. Metode ini bekerja dengan mengeluarkan satu persatu variabel bebas
yang tidak signifikan dan dilakukan terus menerus sampai tidak ada variabel
bebas yang tidak signifikan, langkah-langkah metode backward adalah sebagai
berikut:
1. Menghitung persamaan regresi yang mengandung semua peubah peramal.
2. Menghitung nilai F-parsial untuk setiap peubah peramal.
3. Membandingkan nilai F-parsial terendah, misalnya FL, dengan nilai F bertaraf
nyata tertentu dari tabel, misalnya F0.
a) Jika FL<F0, buang peubah ZL yang menghasilkan FL dari persamaan
regresi, kemudian hitung kembali persamaan regresi tanpa menyertakan
peubah tersebut; kembali kelangkah (2).
variabel-variabel
bebas
(X).
Untuk
mendeteksi
adanya
kasus
multikolinieritas dapat dilihat dari besarnya nilai VIF yang lebih dari 10. Metode
stepwise merupakan gabungan dari metode backward elimination dan forward
selection.
Model dala regresi Stepwise adalah:
Y 0 1 X 1 2 X 2 3 X 3 .... n X n
Hipotesis yang digunakan dalam Regresi Stepwise adalah
H0 : 1,2,3 = 0
Hipotesis alternatifnya adalah:
Ha : 1,2,3 0
(Anonim,2011)
2.1.5 Pemilihan Model Terbaik Dengan Best Of Subset Regression
Regresi terbaik (best subset regression) merupakan suatu metode analisi
regresi dengan cara meregresikan satu peubah terikat pada semua kemungkinan
kombinasi subset peubah-peubah bebasnya, kemudian dari kombinasi-kombinasi
tersebut akan dipilih subset yang terbaik. Pada setiap regresi subset terbaik
ditampilkan statistik, yaitu : R-sq, R-sq adj, S dan C-p. Untuk mendapatkan subset
terbaik kita memilih subset dengan kriteria :
BAB III
METODOLOGI
3.1 Sumber Data
Sumber data yang digunakan pada penelitian ini adalah data sekunder
yang dambil dari hasil Tugas Akhir dengan judul Pengaruh Beban Yang
Diproduksi Terhadap Gas Alam, Minyak, Kapasitas Udara, dan Jumlah Air.
Pengambilan data dilakukan pada hari Jumat, 22 Nopember 2013 pada pukul
10.15 11.00 WIB di jurusan Statistika ITS.
3.2 Variabel Penelitian
Dalam praktikum ini terdapat variabel yang digunakan sebagai acuan
sebagai berikut:
Variabel
Y
X1
X2
X3
X4
Data
Pengaruh beban yang diproduksi
Gas alam
Minyak
Kapasitas udara
Jumlah air
3.4 Flowchart
Mulai
Mengumpulkan
data sekunder
Uji Multikolinieritas
Tidak
Ya
Forward step
Backward step
Stepwise
Menginterpretasikan
model
Menarik kesimpulan
Selesai
Best subset
BAB IV
ANALISIS DAN PEMBAHASAN
4.1 Uji Multikolinearitas
Dalam uji multikolinearitas ini dilakukan sebuah pengamatan untuk
mengetahui kebaikan model dengan variabel yang berasal dari data yang telah di
ambil yaitu ada variabel respon [beban(y)] dan variabel prediktor [gas(X1)],
[minyak(X2)],
[udara(X3)],
[air(X4)].
Dan
untuk
mengetahui
adanya
multikolinearitas antara variabel prediktor tersebut adalah dengan uji VIF dan uji
korelasi antara variabel prediktor.
4.1.1 Uji Variance Inflation Factors (VIF 10)
Pada analisis data faktor-faktor yang mempengaruhi beban dari beberapa
faktor dilakukan uji VIF. Berikut adalah hasil dari pengujian VIF dengan
menggunakan software minitab :
Tabel 4.1 ANOVA Multikolinearitas (VIF)
Predictor
Constant
T
-3,51
P
0,002
VIF
Gas(X1)
17,15
0,000
2,699
Minyak(X2)
17,15
0,000
40,309
Udara(X3)
1,93
0,065
35,030
Air(X4)
-0,96
0,348
3,779
H0
H 1 : 0 (terdapat korelasi)
Taraf Signifikan : = 5 %
Daerah kritis : P-value <, maka tolak
H0
X1
X2
-0,215
X3
-0.015
X4
0,030
X2
0,966
0,000
0,830
0.000
X3
0,841
0,000
X1
X2
X3
X4
2,7673
Eigenvalue
1.0288
0,1906
0.0133
0,692
Proportion
0,257
0,048
0,003
0,692
Cumulative
0,949
0,997
1,000
Berdasarkan Tabel 4.3, diketahui bahwa eigenvalue pada X1 dan X2
mencapai nilai yang lebih dari 1 jadi pada faktor -faktor yang mempengaruhi
beban terjadi multikolinearitas yang selanjutnya dilakukan analisis untuk
mengatasi multikolinearitas.
Tabel 4.4 Perbaikan Model
Variabel
X1
X2
X3
X4
PC1
-0,067
0,588
0,585
0,554
PC2
0,978
-0,115
0,084
0,153
10
PC3
-0,129
-0,339
-0,488
0,817
PC4
-0,149
-0,725
0,671
0,043
Model Regresi
Y = 134 + 14,6 PC1 + 3,38 PC2
( X 34,49
1,36 )
+0.55
( X 44,49
1,36 )
( X 14,49
1,36 )
+0.59
( X 24,49
1,36 )
+0.58
).
( X 327,7
5,83 )
+0.15
134+14,6(0.98
( X 427,7
5,83 )
( X 127,7
5,83 )
+0.11
( X 227,7
5,83 )
).
+0.08
Dapat disimpulkan bahwa jika dilihat dari uji korelasi dan uji eigenvalue
maka terdapat gejala mutikolinearitas dalam data pengaruh gas alam (X1), minyak
(X2), udara (X3), dan air (X4) terhadap beban yang diproduksi (Y). Jika dilihat
dari uji VIF maka terjadi multikolinearitasdata pengaruh gas (X2) dan udara (X3)
terhadap beban yang diproduksi (Y) di Jawa Timur.
Step
1
X3
4,51
T-value
31,22
P-value
0,000
R-sq
97,21
R-sq (adj)
97,11
Berdasarkan tabel 4.6, metode forward menunjukkan bahwa pada langkah
pertama semua variabel X diregresikan terhadap variabel Y satu per satu, ternyata
didapatkan bahwa nilai R-sq terbesar terdapat padavariabel X 3. Sehingga pada
langkah yang pertama sudah didapatkan model regresi terbaik melalui metode
forward yaitu.
Model : y = -104 + 4,51 X3
Model tersebut menjelaskan bahwa jika variabel udara (X 3) bertambah satu satuan
maka variabel beban yang diproduksi (Y) bertambah sebesar 4,51 satuan.
4.3 Pemilihan Model Terbaik dengan Metode Stepwise
Setelah pengujian perbaikan model selanjutnya dilakukan pengujian
stepwisedari data faktor-faktor yang mempengaruhi beban. Hasil analisis stepwise
dengan menggunakan software sebagai berikut.
Tabel 4.7 Uji Stepwise
Step
X3
T-value
P-value
R-sq
1
4,51
31,22
0,000
97,21
12
R-sq (adj)
97,11
Berdasarkan tabel 4.6, metode forward menunjukkan bahwa pada langkah
pertama semua variabel X diregresikan terhadap variabel Y satu per satu, ternyata
didapatkan bahwa nilai R-sq terbesar terdapat pada variabel X3. Sehingga pada
langkah yang pertama sudah didapatkan model regresi terbaik melalui metode
forward yaitu.
Model : y = -104 + 4,51 X3
Model menjelaskan bahwa jika variabel udara (X3) bertambah satu satuan maka
variabel beban yang diproduksi (Y) bertambah sebesar 4,51 satuan.
4.4 Pemilihan Model Terbaik dengan Metode Backward
Setelah pengujian perbaikan model selanjutnya dilakukan pengujian
backwarddari data faktor-faktor yang mempengaruhi beban. Hasil analisis
backward dengan menggunakan software sebagai berikut.
Tabel 4.8 Uji Backward
Step
X1
P-value
X2
P-value
X3
P-value
X4
P-value
R-sq
R-sq (adj)
1
4,45
0,000
4,025
0,000
0,45
0,065
-0,0048
0,348
99,81
99,79
2
4,38
0,000
3,958
0,000
0,46
0,060
3
4,75
0,000
4,391
0,000
99,81
99,79
99,78
9,76
13
Vars
R-sq
R-sq (adj)
Mallows Cp
1
1
2
2
3
3
4
97,2
93,4
99,8
97,5
99,8
99,8
99,8
97,1
93,2
99,8
97,3
99,8
99,8
99,8
350,9
866,1
5,8
311,6
3,9
6,7
5,0
S
4,2554
6,5472
1,2177
4,0894
1,1581
1,2190
1,1599
XXXX
1 2 3 4
X
X
XX
XX
XXX
XX X
XXXX
Berdasarkan tabel 4.9, dapat dilihat bahwa R-sq terbesar masuk di variabel
air (X4).Untuk R-sq (adj) yang terbesar masuk di variabel X4 juga.Dan untuk
mallows cp yang mendekati 5 adalah variabel X4.Sedangkan pada varians yang
terkecil terdapat juga pada variabel X4.Sehingga yang memenuhi semua kriteria
adalah pada variabel air(X4).Dari metode tersebut didapatkan model terbaik yang
memenuhi semua kriteria tersebut.
Model : y = -19,4 + 4,45 X1 + 4,03 X2 + 0,449 X3 - 0,00479 X4
Model menjelaskan bahwa jika variabel gas (X 1) bertambah satu satuan maka
variabel beban yang diproduksi (Y) bertambah sebesar 4,45 satuan dan variabel
minyak (X2) bertambah satu satuan maka variabelbeban yang diproduksi (Y)
bertambah sebesar 4,03 satuan dan variabel udara (X 3) bertambah satu satuan
maka variabelbeban yang diproduksi (Y) bertambah sebesar 0,449 satuan dan
variabel air (X4) bertambah satu satuan maka variable beban yang diproduksi (Y)
berkurang sebesar 0,00479 satuan
BAB V
KESIMPULAN DAN SARAN
1
Kesimpulan
14
Berdasarkan analisis dari penelitian yang dilakukan dari data faktor-faktor yang
mempengaruhi beban, dapat diambil kesimpulan sebagai berikut:
1
nilai
VIF
(Variance
Inflation
Factor)
ditemukan
5.2 Saran
Saran untuk penelitian selanjutnya adalah mencari data yang benar-benar
sesuai dengan multikolinearitas sehingga dapat menganalisis data
dengan benar.
15