BAB I

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:

1. Bagaimana hasil deteksi multikolinearitas pada data faktor-faktor yang

mempengaruhi beban yang diproduksi?
2. Bagaimana hasil model terbaik dengan backward step pada data faktor-faktor
yang mempengaruhi beban yang diproduksi?
3. Bagaimana hasil model terbaik dengan forward step pada data faktor-faktor
yang mempengaruhi beban yang diproduksi?
4. Bagaimana hasil model terbaik dengan stepwise step pada data faktor-faktor
yang mempengaruhi beban yang diproduksi?
5. Bagaimana hasil model terbaik dengan best supsets pada data faktor-faktor
yang mempengaruhi beban yang diproduksi?
1.3 Tujuan
Rumusan masalah diatas menghasilkan beberapa tujuan yang akan dicapai
dalam praktikum kali ini sebagai berikut:
1. Untuk mengetahui hasil deteksi multikolinearitas pada data faktor-faktor yang
mempengaruhi beban yang diproduksi.
2. Untuk mengetahui hasil model terbaik dengan backward step pada data faktorfaktor yang mempengaruhi beban yang diproduksi.
3. Untuk mengetahui hasil model terbaik dengan forward step pada data faktorfaktor yang mempengaruhi beban yang diproduksi.
4. Untuk mengetahui hasil model terbaik dengan stepwise step pada data faktorfaktor yang mempengaruhi beban yang diproduksi.
5. Untuk mengetahui hasil model terbaik dengan best supsets pada data faktorfaktor yang mempengaruhi beban yang diproduksi.
6. 1.4 Manfaat
Dalam kegiatan praktikum kali ini, manfaat yang dapat diambil adalah
mampu memahami data dari hasil Analisis Regresi dengan uji multikolinieritas
dan mampu menyajikan sebuah informasi dari data pengaruh beban yang
diproduksi terhadap gas alam, minyak, kapasitas udara.

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

(pembangunan model linier) untuk menemukan kombinasi peubah yang terbaik

dari suatu gugus peubah. Dalam Prosedur Forward selection, sekalinya variabel
masuk kedalam persamaan maka tidak bisa dihilangkan. Selain itu, Forward
selection dapat berarti memasukkan variabel bebas yang memiliki korelasi yang
paling erat dengan variabel tak bebasnya (variabel yang paling potensial untuk
memiliki hubungan linier dengan Y). kemudian secara bertahap memasukkan
variabel bebas yang potensial berikutnya dan nanti akan terhenti sampai tidak ada
lagi variabel bebas yang potensial.
Prosedur Forward Selection
Prosedur forward selection dimulai dengan sebuah persamaan yang terdiri
dari suku konstanta, tidak terdiri dari predictor variabel. Variabel pertama yang
masuk ke dalam persamaan adalah variabel yang memiliki simple correlation
tertinggi dan signifikan dengan variabel Y. Jika koefisien regresi signifikan
berbeda dari 0 maka tetap dipakai dalam persamaan, dan dilakukan pencarian

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).

b) Jika FL>F0, ambillah persamaan regresi tersebut. (Anonim,2011)

2.1.4 Pemilihan Model Terbaik Dengan Stepwise Elimination
Regresi Stepwise merupakan salah satu metode untuk mengatasi adanya
kasus multikolinieritas, yaitu suatu kondisi dimana terjadi korelasi yang kuat
diantara

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 :

memiliki nilai C-p kurang dari atau sama dengan p + 1,

memiliki nilai S yang paling kecil,
memiliki nilai R-sq dan R-sq yang paling besar. (Anonim,2011)

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

3.3 Langkah Analisis

Dalam penelitian ini disusun langkah-langkah yang digunakan adalah sebagai:
1. Mengumpulkan data sekunder
2. Melakukan uji multikolinieritas terhadap data
3. Melakukan analisis korelasi antara variabel dependen dan independen
4. Membuat model dugaan antara variabel dependen dan indepnenden
5. Melakukan uji terhadap model dengan forward steps
6. Melakukan uji terhadap model dengan backward steps
7. Melakukan uji terhadap model dengan stepwise
8. Melakukan uji terhadap model dengan best subset regression
9. Melakukan interpretasi model
10. Menarik kesimpulan

3.4 Flowchart

Mulai

Mengumpulkan
data sekunder

Uji Multikolinieritas
Tidak

Ya

Forward step

Backward step

Stepwise

Menginterpretasikan
model

Menarik kesimpulan

Selesai

Gambar 3.4. Flowchart

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

Berdasarkan Gambar 4.1 di atas dijelaskan bahwa yang terdapat kasus

multikolinearitas adalah pada variabel minyak dan variabel udara karena jumlah
VIF 10 pada hasil data penelitian tentang pengaruh beban yang diproduksi oleh
variabel prediktor.
4.1.2 Uji Korelasi
Pada analisis data faktor-faktor yang mempengaruhi beban dari beberapa
faktor dilakukan uji korelasi. Uji korelasi dilakukan untuk mengetahui hubungan
antara variabel X1(gas), X2 (minyak), X3 (udara), X4 (air) dengan variabel Y
(beban). Pengujian ini menggunakan software.
Hipotesis :

H0

: = 0 (tidak terdapat korelasi)

H 1 : 0 (terdapat korelasi)

Taraf Signifikan : = 5 %
Daerah kritis : P-value <, maka tolak

H0

Tabel 4.2 Uji Korelasi

X1
X2

-0,215

X3

-0.015

X4

0,030

X2

0,966
0,000
0,830
0.000

X3

0,841
0,000

Berdasarkan Tabel 4.2 diatas diketahui bahwa antara variabel X 2 dan

variabel X3 memiliki nilai korelasi sebesar 0,966 dengan P-Value 0,000 maka
diambil keputusan tolak H0 karena nilai P-Value (0,000) < (0,05) dapat
disimpulkan bahwa ada korelasi antara X2 dan X3. Jadi dapat disimpulkan bahwa
antara X2dan X3 terjadi multikolinearitas.
Setelah pengujian VIF selanjutnya dilakukan pengujian yang sebelumnya
didapatkan bahwa adanya multikolinearitas, untuk itu dilakukan perbaikan model.
Perbaikan model dilakukan dengan melihat eigenvalue dari data faktor-faktor
yang mempengaruhi beban. Hasil analisis eigenvalue dengan menggunakan
software sebagai berikut
Tabel 4.3 Eigenvalue

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

Berdasarkan Tabel 4.4, maka dilakukan perbaikan model dengan

meregresikan PC1, PC2 karena pada cumulative nilai pada X2memiliki nilai lebih
dari 75% . Berikut model hasil dari analisis regresi.
Berikut model hasil dari analisis regresi.
Tabel 4.5 Perbaikan Model Regresi

Model Regresi
Y = 134 + 14,6 PC1 + 3,38 PC2

Berdasarkan Tabel 4.5 diatas model regresi tersebut dapat disimpulkan

bahwa setiap pertambahan PC1 sebesar satu satuan maka variabel Y akan
bertambah sebesar 14,6 dengan syarat PC2,PC3dan PC4 bernilai konstan.Selain itu
dapat disimpulkan juga bahwa PC1 dan PC2 signifikan terhadap model.
Sehingga untuk PC1 dilakukan regresi antara Y terhadap X1, X2, X3, dan X4,
berikut hasil analisis regresi:
Y =134+14,6 PC1
=134+14,6(-0.07

( 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

).

Y = 134 + 14,6 (-0,231X1 + 1,948X2 + 1,914X3 + 1,815X4)

Y = 134 + (-3,3726X1 + 28,4408X2 + 28,0592X3 + 26,499X4)
Y = 130,63X1 + 162,44X2 + 162,05X3 + 160,49X4
Sedangkan untuk PC2 dilakukan regresi antara Y terhadap X1, X2, X3, dan
X4, berikut hasil analisis regresi:
Y =134+14,6 PC2
Y

( 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 )

).

Y = 134 + 14,6 (4,656X1 + 0,522X2 + 0,380X3 + 0,712X4)

Y = 134 + (67,977X1 + 7,621X2 + 5,548X3 + 10,395X4)
Y = 201,98X1 + 141,62X2 + 139,54X3 + 144,39X4
11

+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.

4.2 Pemilihan Model Terbaik dengan Metode Forward

Setelah pengujian perbaikan model selanjutnya dilakukan pengujian
forward stepdari data faktor-faktor yang mempengaruhi beban. Hasil analisis
forward step dengan menggunakan software sebagai berikut.
Tabel 4.6 Uji Forward

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

Berdasarkan tabel 4.8, diketahui bahwa pada langkah pertama metode

Backward semua variabel X diregresikan terhadap variable Y dan ternyata
didapatkan bahwa p-value pada X4 tidak signifikan sehingga variabel X4 dibuang.
Selanjutnya pada langkah kedua variabel X1, X2dan X3 diregresikan kembali
terhadap variabel Y dandidapatkan bahwa p-value pada X3 tidak signifikan
sehingga variabel X3 dibuang. Selanjutnya pada langkah ketiga variabel X1 dan
X2diregresikan kembali terhadap variabel Y dan menghasilkan p-value yang sudah
signifikan. Dengan demikian didapatkan model regresi terbaik melalui metode
backward yaitu,y = -9,189 + 4,75 X1 + 4,391 X2
4.5 Pemilihan Model Terbaik dengan Metode Subsets

13

Setelah itu pengujian subset sdari data faktor-faktor yang mempengaruhi

beban. Hasil analisis subsets dengan menggunakan software sebagai berikut.
Tabel 4.9 Uji Subsets

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

Berdasarkan hasil deteksi multikolinearitas pada variabel prediktor data

pengaruh gas, minyak, udara, dan air terhadap beban yang diproduksidengan
menggunakan

nilai

VIF

(Variance

Inflation

Factor)

ditemukan

multikolinearitas pada variabel prediktor X2 dan X3 dalam model. Dan saat

menggunakan pengujian korelasi dan Eigen Valuediperoleh hasil bahwa
terdapat multikolinearitas antar variabel prediktor pada model.
2

Berdasarkan hasil pemilihan model terbaik dengan menggunakan metode

Forward diperoleh model yaitu y = -104 + 4,51 X3.

Berdasarkan hasil pemilihan model terbaik dengan menggunakan metode

Stepwise diperoleh model yaitu y = -104 + 4,51 X3.

Berdasarkan hasil pemilihan model terbaik dengan menggunakan metode

Backward diperoleh model yaitu y = -9,189 + 4,75 X1 + 4,391 X2

Berdasarkan metode Subsets menghasilkan model terbaik yang memenuhi
semua kriteria yaitu y = -19,4 + 4,45 X1 + 4,03 X2 + 0,449 X3 - 0,00479 X4

5.2 Saran
Saran untuk penelitian selanjutnya adalah mencari data yang benar-benar
sesuai dengan multikolinearitas sehingga dapat menganalisis data
dengan benar.

15