Modul 2 Kelompok 11
Modul 2 Kelompok 11
MODUL 2
KORELASI DAN REGRESI LINIER
Disusun Oleh :
Kelompok 11
1.
2.
3.
4.
21070114120009
21070114120067
21070114130113
21070114140123
KATA PENGANTAR
Puji syukur kami panjatkan kehadirat Tuhan Yang Maha Esa karena atas limpahan
rahmat dan hidayah-Nya, sehingga kami mampu menyelesaikan laporan praktikum
modul 2 yang berjudul Koefisien dan regresi Linier sesuai dengan waktu yang telah
direncanakan dengan baik dan lancar.
Penulisan laporan
praktikan praktikum Statistika Industri serta untuk lebih mengetahui dan mendalami
tentang ilmu Statistika Industri khususnya tentang Koefisien dan Regresi Linier.
Ucapan terimakasih penulis sampaikan kepada
1
Bapak Ir. Naniek Utami H., S.Si, MT selaku Ketua Jurusan Teknik Industri
penulisan laporan ini. Untuk itu segala kritik dan saran sangat dibutuhkan untuk
perbaikan laporan ini. Terima kasih.
Penyusun
DAFTAR ISI
KATA PENGANTAR...................................................................................................ii
DAFTAR ISI.................................................................................................................iii
DAFTAR GAMBAR....................................................................................................vii
DAFTAR TABEL.........................................................................................................ix
BAB I PENDAHULUAN
1.1 Latar Belakang............................................................................................1
1.2 Tujuan Penulisan........................................................................................2
1.3 Pembatasan Masalah...................................................................................2
1.4 Metodologi Praktikum................................................................................3
1.5 Sistematika Penulisan.................................................................................3
BAB II TINJAUAN PUSTAKA
2.1 Korelasi.......................................................................................................5
2.1.1 Koefisien Korelasi....................................................................5
2.1.2 Koefisien Determinasi..............................................................6
2.2 Regresi........................................................................................................6
2.2.1 Regresi Linier Sederhana..........................................................6
2.2.2 Regresi Linier Majemuk...........................................................7
2.2.3 Selang Kepercayaan.................................................................8
2.2.3.1 Regresi Sederhana........................................................8
2.2.3.2 Regresi Majemuk..........................................................9
2.3 Seleksi Variabel..........................................................................................10
2.4 Uji Asumsi Klasik.......................................................................................12
2.4.1 Persamaan Garis Regresi..........................................................12
2.4.2 Uji Normalitas..........................................................................12
2.4.3 Uji Linearitas...........................................................................13
2.4.4 Uji Autokorelasi........................................................................14
2.4.5 Uji Heteroskedastisitas.............................................................14
2.4.6 Uji Multikolinearitas.................................................................15
BAB III PENGOLAHAN DATA
3.1 Korelasi dan Regresi Linier Sederhana......................................................17
3.1.1 Data Model.......................................................................................17
3.1.2 Korelasi............................................................................................18
3.1.2.1 Koefisien Korelasi Pearson..................................................18
3.1.2.2 Uji Hipotesis.........................................................................22
3.1.3
Regresi Linier Sederhana..................................................................................23
3.1.3.1 Slop
23
3.1.3.2 Intersep 24
3
3.1.3.3
3.1.4
3.1.4.1
3.1.4.2
3.1.4.3
3.1.5
3.1.5.1
3.1.5.2
3.1.6
3.1.6.1
3.1.6.2
3.1.7
3.1.7.1
3.1.7.2
3.1.7.3
3.1.7.4
3.1.8
3.1.8.1
3.1.8.2
3.2.3
3.2.3.1
3.2.3.2
3.2.3.3
3.2.4
3.2.4.1
3.2.4.2
3.2.4.3
3.2.5
3.2.5.1
3.2.5.2
3.2.6
3.2.6.1
3.2.6.2
3.2.7
3.2.7.1
3.2.7.2
3.2.7.3
3.2.7.4
3.2.8
3.2.8.1
3.2.8.2
4.1.2
4.1.3
4.1.3.1
4.1.3.2
4.1.3.3
4.1.4
4.1.4.1
4.1.4.2
4.1.5
4.1.5.1
4.1.5.2
4.1.5.3
4.2.2
4.2.3
4.2.3.1
4.2.3.2
4.2.3.3
4.2.4
4.2.4.1
4.2.4.2
4.2.5
4.2.6
4.2.6.1
4.2.6.2
4.2.6.3
BAB V PENUTUP
5.1. Kesimpulan................................................................................................138
5.2. Saran..........................................................................................................139
DAFTAR PUSTAKA
5
LAMPIRAN
DAFTAR GAMBAR
DAFTAR TABEL
3.10
Output
Excel
Data
Model
Regresi
Linier
Sederhana
(intersep)..........................................................................................................................22
Tabel 3.11 Perbandingan Regresi Linier Sederhana (intersep)......................................23
Tabel 3.12 Perbandingan Persamaan Garis Regresi Sederhana......................................24
Tabel 3.13 Kesalahan Baku Data Model Regresi Linier Sederhana SPSS.....................24
Tabel 3.14 Kesalahan Baku Data Model Regresi Linier Sederhana Excel.....................24
Tabel 3.15 Perbandingan Kesalahan Baku Data Model Regresi Linier Sederhana........25
Tabel 3.16 Taksiran Kesalahan Baku Regresi Linier Sederhana SPSS (slop)................25
Tabel 3.17 Taksiran Kesalahan Baku Regresi Linier Sederhana Excel (slop)................25
Tabel 3.18 Perbandingan Taksiran Kesalahan Baku Regresi Linier Sederhana SPSS
(slop)................................................................................................................................26
Tabel 3.19 Taksiran Kesalahan Baku Regresi Linier Sederhana SPSS (intersep)..........26
Tabel 3.20 Taksiran Kesalahan Baku Regresi Linier Sederhana Excel (intersep)..........26
Tabel 3.21 Perbandingan Taksiran Kesalahan Baku Regresi Linier Sederhana
(intersep)..........................................................................................................................27
Tabel 3.22 Output SPSS Selang Kepercayaan Slop Regresi Sederhana.........................27
Tabel 3.23 Output Excel Selang Kepercayaan Slop Regresi Sederhana.........................27
Tabel 3.24 Perbandingan Selang Kepercayaan Parameter (Slop)...............................28
3.33
Output
Manual
uji
Autokorelasi....................................................................35
Tabel 3.34 Output SPSS Pengujian Garis Regresi..........................................................39
Tabel 3.35 Output Excel Pengujian Garis Regresi..........................................................39
Tabel 3.36 Perhitungan Manual Pengujian Garis Regresi...............................................40
Tabel 3.37 Perbandingan Pengujian Garis Regresi.........................................................40
Tabel 3.38 Output SPSS Uji T.........................................................................................41
Tabel 3.39 Output Excel Uji T........................................................................................41
Tabel 3.40 Output Excel Uji F.........................................................................................43
....................................(2.1)
2.1.1
Koefisien Korelasi
2.1.2
Koefisien Determinasi
Uji Koefisien Determinasi disebut juga uji R-square. Koefisien determinasi
2.2.1
Persamaan umum :
Y
= ax + b
X
= nilai variabel independen
Langkah-langkah regresi linier sederhana :
- Mencari harga a dan b
- Menyusun persamaan regresi
- Membuat garis regresi
Cara mencari nilai a dan b (Indriani.2008) :
..............................................(2.6)
............................(2.7)
(Agus, 2010)
2.2.2
antara variabel dependen atau variabel tak bebas dengan dua atau lebih variabel
independen atau variabel bebas. Dimana ada kalanya persamaan regresi tidak hanya
dipengaruhi oleh satu faktor dalam menganalisanya, tetapi dapat juga dipengaruhi dua
atau lebih faktor yang mempengaruhinya. Maka regresi linier yang mengandung lebih
dari satu peubah bebas digunakan regresi linier berganda.
Program Studi Teknik Industri
Universitas Diponegoro
2016
b0
= konstanta
bn
Xn
= variabel independen
Untuk
mencari
persamaan
regresi
linier
majemuk
dapat
dihitung
dengan
(Walpole,1995):
........................(2.12)
........................(2.13)
........................(2.14)
2.2.3
Selang Kepercayaan
n2,1
n2,1
n2,1
n2,1
Y0
3. Selang Kepercayaan 100(1)% Untuk
Apabila diketahui atau ditentukan nilai variabel bebas sebesar X0 , dan X0 merupakan
nilai prediktor yang digu-nakan untuk eksperimen, maka penaksir atau dugaan nilai
respon dinyatakan oleh persamaan berikut :
Y0 b0 b1 X 0
.
Y0
yang
merupakan fungsi linier b0 dan b1, berarti fungsi linier variabel random normal,
Y0
menjadikan
berdistribusi normal
Y0
4. Selang Prediksi 100(1)% Untuk
10
Y0 b0 b1 X 0
.
2.2.3.1 Regresi Sederhana
Selang kepercayaan pada regresi sederhana ada 2 yaitu selang kepercayaan
untuk parameter dan . Selang kepercayaan untuk parameter dalam persamaan
regresi Y = + x dihitung dengan (Walpole,1995):
........................(2.15)
...................(2.17)
2.2.3.2 Regresi
Majemuk
3
1
Seleksi Variabel
Pemilihan ke Belakang (Backward)
Dimulai dengan memasukkan semua variabel independen yang ada kedalam
persamaan regresi. Kemudian dilakukan pemilihan terhadap setiap variabel
11
analisis regresi linear berganda yang berbasis ordinary least square (OLS). Jadi analisis
regresi yang tidak berdasarkan OLS tidak memerlukan persyaratan asumsi klasik,
misalnya regresi logistik atau regresi ordinal. Demikian juga tidak semua uji asumsi
klasik harus dilakukan pada analisis regresi linear, misalnya uji multikolinearitas tidak
dilakukan pada analisis regresi linear sederhana dan uji autokorelasi tidak perlu
diterapkan pada data cross sectional.
Tidak ada ketentuan yang pasti tentang urutan uji mana dulu yang harus dipenuhi.
Analisis dapat dilakukan tergantung pada data yang ada. Sebagai contoh, dilakukan
analisis terhadap semua uji asumsi klasik, lalu dilihat mana yang tidak memenuhi
persyaratan. Kemudian dilakukan perbaikan pada uji tersebut, dan setelah memenuhi
persyaratan, dilakukan pengujian pada uji yang lain (Darmanto, 2012).
2.4.1 Persamaan Garis Regresi
Koefisien regresi, dan merupakan dua parameter yang akan ditaksir dari data
sampel. Bila taksiran untuk kedua parameter itu masing-masing dinyatakan dengan a
dan b maka dapat ditaksir dengan dari garis bentuk regresi berdasarkan sampel atau
garis kecocokan regresi.
= a + bx
Program Studi Teknik Industri
Universitas Diponegoro
2016
12
................................................(2.19)
n xi yi
i 1
i 1
i 1
i 1
2
......................................(2.20)
i 1
n xi
2.4.2
x y
i 1
b xi
....................................(2.21)
i 1
Uji Normalitas
Uji normalitas di maksudkan untuk mengetahui apakah residual terstandarisasi
yang diteliti berdistribusi normal atau tidak. Suatu data tidak normal biasanya
disebabkan karena terdapat nilai ektrim dalam data yang kita ambil. Uji normalitas
biasanya dilakukan dengan menggunakan analisis grafik (P-P Plot) maupun dengan uji
Kolmogorov Smirnov dan Shapiro Wilks (Walpole, 1995).
2.4.3
Uji Linearitas
Istilah linier mengandung bahwa apakah kedua data atau variabel yang
dihubungkan itu berbentuk garis lurus atau linearitas dapat juga diartikan sifat hubungan
yang linear antar variabel, artinya setiap perubahan yang terjadi pada satu variabel akan
diikuti perubahan dengan besaran yang sejajar pada variabel lainnya. Uji linearitas
bertujuan untuk mengetahui apakah dua variabel mempunyai hubungan yang linear atau
tidak secara signifikan. Uji linearitas dilakukan dengan mencari persamaan garis regresi
variabel bebas x terhadap variabel terikat y (Darmanto, 2012).
Program Studi Teknik Industri
Universitas Diponegoro
2016
13
2.4.4
Uji Autokorelasi
Uji autokorelasi bertujuan untuk melihat apakah terjadi korelasi antara suatu
periode t dengan periode sebelumnya (t -1). Secara sederhana bahwa analisis regresi
yaitu untuk melihat pengaruh antara variabel bebas terhadap variabel terikat, jadi tidak
boleh ada korelasi antara observasi dengan data observasi sebelumnya. Sebagai contoh
pada pengeluaran rutin dalam suatu rumah tangga, ketika pada bulan Januari suatu
keluarga mengeluarkan belanja bulanan yang relatif tinggi, maka tanpa ada pengaruh
dari apapun pengeluaran pada bulan Februari akan rendah.
Uji autokorelasi hanya dilakukan pada data time series (runtut waktu) dan tidak
perlu dilakukan pada data cross section seperti pada kuesioner di mana pengukuran
semua variabel dilakukan secara serempak pada saat yang bersamaan. Model regresi
pada penelitian di Bursa Efek Indonesia di mana periodenya lebih dari satu tahun
biasanya memerlukan uji autokorelasi (Darmanto, 2012).
2.4.5
Uji Heteroskesdastisitas
Uji heteroskedastisitas bertujuan untuk melihat apakah terdapat ketidaksamaan
variansi dari residual satu ke pengamatan yang lain. Model regresi yang memenuhi
persyaratan adalah di mana terdapat kesamaan variansi dari residual satu pengamatan ke
pengamatan yang lain tetap atau disebut homoskedastisitas(Darmanto, 2012).
2.4.6
Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk melihat ada atau tidaknya korelasi yang
tinggi antara variabel-variabel bebas dalam suatu model regresi linear berganda. Jika
ada korelasi yang tinggi di antara variabel-variabel bebasnya, maka hubungan antara
variabel bebas terhadap variabel terikatnya menjadi terganggu. Sebagai ilustrasi, adalah
model regresi dengan variabel bebasnya motivasi, kepemimpinan dan kepuasan kerja
dengan variabel terikatnya adalah kinerja. Logika sederhananya adalah bahwa model
tersebut untuk mencari pengaruh antara motivasi, kepemimpinan dan kepuasan kerja
Program Studi Teknik Industri
Universitas Diponegoro
2016
14
15
NO
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
3.1.2 Korelasi
3.1.2.1 Koefisien Korelasi Pearson
Program Studi Teknik Industri
Universitas Diponegoro
2016
16
IPK
(Y)
2,89
3,29
3,6
2,95
3,57
3,28
3,19
3,25
3,43
3,44
3,11
3,85
3,5
3,53
3,76
2,88
3,52
3,25
3,25
2,24
3,79
3,3
3,56
3,77
3,6
3
3,09
3,37
3,37
2,7
MS
Pearson Correlation
Sig. (2-tailed)
,801
N
MS
,048
30
30
Pearson Correlation
,048
Sig. (2-tailed)
,801
30
30
b. Minitab
Correlation: IPK; MS
Pearson correlation of IPK and MS = 0,048
P-Value = 0,801
c. Excel
Tabel 3.3 Koefisien Korelasi Output Excel
MS
MS
IPK
1
0,0481
47
17
IPK
X
5
Y
2,89
XX
25
XY
14,45
YY
8,35
30
3,29
900
98,7
10,82
30
3,6
900
108
12,96
90
2,95
8.100
265,5
8,70
30
3,57
900
107,1
12,74
600
3,28
360.000
1968
10,76
600
3,19
360.000
1914
10,18
600
3,25
360.000
1950
10,56
15
3,43
225
51,45
11,76
10
3,44
100
34,4
11,83
10
3,11
100
31,1
9,67
15
3,85
225
57,75
14,82
15
3,5
225
52,5
12,25
15
3,53
225
52,95
12,46
20
3,76
400
75,2
14,14
600
2,88
360.000
1728
8,29
600
3,52
360.000
2112
12,39
30
3,25
900
97,5
10,56
18
3,25
324
58,5
10,56
10
2,24
100
22,4
5,02
600
3,79
360.000
2274
14,36
30
3,3
900
99
10,89
120
3,56
14.400
427,2
12,67
150
3,77
22.500
565,5
14,21
70
3,6
4.900
252
12,96
30
900
90
9,00
XX
XY
YY
27
3,09
9,55
18
3,37
11,36
29
90
3,37
8.100
303,3
11,36
30
30
2,7
900
81
7,29
Jumlah
4463
99,33
2.226.249
14891,5
332,5
Jumlah^2
9.866,45
Jyy
19.918.369
1.562.303,3
7
3,62
Jxy
114,51
0,048147
Jxx
yi
n
i=1
2
y i
n
Jyy =
i=1
xi
n
i=1
x 2i
n
Jxx =
i=1
19
i=1
i =1
x i y i
n
Jxy =
i=1
r=b
Jxx
Jxy
114,51
=
=
=0,048147
Jyy JxxJyy 1562303,4 x 3,62
No
Perhitunga
.
1
2
3
4
n
SPSS
Minitab
Excel
Manual
0.048
0.048
0.048
0.048
2. H1:
3.
: 0,05
4. Daerah kritis dengan derajat kebebasan v = n-2 = 28, t >2,048 dan t < -2,048
(Didapat dari tabel L.4 (Walpole))
5. Perhitungan
20
t=
r n2 0,048 28
=
=0,254
1r 2 10,0482
6. Keputusan : Terima Ho karena t-hitung berada di luar daerah kritis dimana 0,254
< 2,048.
7. Kesimpulan : Pada tingkat kepercayaan 95%, tidak terdapat hubungan linear
antara X dan Y.
Hipotesis II
1. Ho
: 0,9 (terdapat hubungan yang sangat erat antara y dan x)
2. H1: < 0,9 (tidak terdapat hubungan yang sangat erat antara y dan x)
3. 0,05
4. Daerah kritis : z < -1,64 dan z > 1,64 (Didapat dari tabel L.3 (Walpole))
5. Perhitungan
( 1+r ) ( 1 0 )
n3
Z =
ln
2
( 1r )( 1+ 0 )
Z=
(10,048 ) ( 1+ 0,9 )
Z =7,40027
6. Keputusan
: Tolak Ho karena z-hitung berada di dalam daerah kritis.
7. Kesimpulan: Pada tingkat kepercayaan 95%, tidak terdapat hubungan yang
sangat erat antara panjang telapak kaki dan ukuran sepatu.
B
(Constant)
MS
Std. Error
3,300
,078
7,329E-5
,000
Coefficients
Beta
,048
b. Minitab
Coefficients
Term
Constant
Coef
3,3001
SE Coef
0,0783
T-Value
42,16
21
P-Value
0,000
VIF
Sig.
42,158
,000
,255
,801
0,000073
0,000287
0,26
0,801
1,00
c. Excel
Tabel 3.7 Coefficients Output Excel Data Model Regresi Linier Sederhana (slop)
Interc
ept
X
Variab
le 1
Coeffici
ents
3,30009
6
Stand
ard
Error
0,078
279
t Stat
42,15
835
Pvalue
7,02E27
7,33E05
0,000
287
0,255
064
0,800
538
d. Manual
xi
n
i=1
yi
n
i=1
xi
n
i=1
n x 2i
i=1
x i y i
n
n
i=1
b=
b=
b=
3435,21
46.869.101
b= 7,33E-05
22
Lowe
r
95%
3,139
75
0,000
52
Upper
95%
3,460
443
0,000
662
Lowe
r
95,0
%
3,139
75
0,000
52
Upper
95,0%
3,460
443
0,000
662
No
Perhitunga
.
1
2
3
4
n
SPSS
Minitab
Excel
Manual
R
7,329E-5
0,000073
7,33E-05
7,33E-05
3.1.3.2 Intersep
a. SPSS
Tabel 3.9 Coefficients Output SPSS Data Model Regresi Linier Sederhana (intersep)
Standardized
Unstandardized Coefficients
Model
(Constant)
MS
Coefficients
Std. Error
3,300
,078
7,329E-5
,000
Beta
,048
Sig.
42,158
,000
,255
,801
b. Minitab
Coefficients
Term
Constant
MS
Coef
3,3001
0,000073
SE Coef
0,0783
0,000287
T-Value
42,16
0,26
P-Value
0,000
0,801
VIF
1,00
c. Excel
Tabel 3.10 Coefficients Output Excel Data Model Regresi Linier Sederhana (intersep)
Interc
ept
X
Variab
le 1
Coeffici
ents
3,30009
6
Stand
ard
Error
0,078
279
t Stat
42,15
835
Pvalue
7,02E27
7,33E05
0,000
287
0,255
064
0,800
538
d. Manual
23
Lowe
r
95%
3,139
75
0,000
52
Upper
95%
3,460
443
0,000
662
Lowe
r
95,0
%
3,139
75
0,000
52
Upper
95,0%
3,460
443
0,000
662
y i b x i
a= i=1
a=
i=1
a= 3,300
Tabel 3.11 Perbandingan Regresi Linier Sederhana (intersep)
No
Perhitunga
.
1
2
3
n
SPSS
Minitab
Excel
3,300
3,3001
3,30009
Manual
6
3,300
No
Perhitunga
.
1
2
n
SPSS
Minitab
3,300
3,3001
24
b
7,329E-5
0,000073
Excel
3,30009
7,33E-05
Manual
6
3,300
7,33E-0,5
Sum of Squares
Regression
df
Mean Square
,008
,008
Residual
3,612
28
,129
Total
3,620
29
Sig.
,065
,801b
b. Minitab
Source
Regression
MS
Error
Lack-of-Fit
Pure Error
Total
DF
1
1
28
10
18
29
Adj SS
0,00839
0,00839
3,61208
1,54015
2,07193
3,62047
Adj MS
0,008393
0,008393
0,129003
0,154015
0,115107
F-Value
0,07
0,07
P-Value
0,801
0,801
1,34
0,284
c. Excel
Tabel 3.14 Kesalahan Baku Data Model Regresi Linier Sederhana Excel
ANOVA
df
Regres
sion
Residu
al
28
Total
29
SS
0,008
393
3,612
077
3,620
47
MS
0,008
393
0,129
003
F
0,065
058
Signific
ance F
0,80053
8
d. Manual
n
ei2
Se 2= i=1 =
n2
2
Jyyb2 Jxx 3,62 ( 7,33E-05 1.562 .203,37 )
=
n2
302
Se 2 = 0,129
Program Studi Teknik Industri
Universitas Diponegoro
2016
25
Tabel 3.15 Perbandingan Kesalahan Baku Data Model Regresi Linier Sederhana
No
Perhitunga
Nilai
.
1
2
n
SPSS
Minitab
0,129
0,12900
Excel
3
0,12900
Manual
3
0,129
B
(Constant)
MS
Coefficients
Std. Error
3,300
,078
7,329E-5
,000
Beta
,048
Sig.
42,158
,000
,255
,801
b. Minitab
Coefficients
Term
Constant
MS
Coef
3,3001
0,000073
SE Coef
0,0783
0,000287
T-Value
42,16
0,26
P-Value
0,000
0,801
VIF
1,00
c. Excel
Tabel 3.17 Taksiran Kesalahan Baku Regresi Linier Sederhana Excel (slop)
Standa
rd
Error
0,0782
79
Coefficie
nts
Interce
pt
X
Variabl
e1
3,300096
7,33E05
0,0002
87
t Stat
42,158
35
0,2550
64
P-value
7,02E27
0,8005
38
Lower
95%
3,139
75
0,000
52
d. Manual
Se 2
0,129
Sb =
=
=8,2572E-08
Jxx
1.562 .303,37
2
( )(
26
Upper
95%
3,4604
43
0,0006
62
Lower
95,0%
3,139
75
0,000
52
Upper
95,0%
3,4604
43
0,000662
Tabel 3.18 Perbandingan Taksiran Kesalahan Baku Regresi Linier Sederhana SPSS (slop)
No
Perhitunga
Nilai
.
1
2
n
SPSS
Minitab
0,000
0,00028
Excel
7
0,00028
Manual
7
0,00028
7
3.1.4.3 Taksiran Kesalahan Baku dari Parameter Intersep
a. SPSS
Tabel 3.19 Taksiran Kesalahan Baku Regresi Linier Sederhana SPSS (intersep)
Standardized
Unstandardized Coefficients
Model
1
B
(Constant)
MS
Coefficients
Std. Error
Beta
3,300
,078
7,329E-5
,000
,048
Sig.
42,158
,000
,255
,801
b. Minitab
Coefficients
Term
Constant
MS
Coef
3,3001
0,000073
SE Coef
0,0783
0,000287
T-Value
42,16
0,26
P-Value
0,000
0,801
VIF
1,00
c. Excel
Tabel 3.20 Taksiran Kesalahan Baku Regresi Linier Sederhana Excel (intersep)
Interce
pt
X
Variabl
e1
Standa
rd
Error
0,0782
79
Coefficie
nts
3,30009
6
7,33E05
0,0002
87
t Stat
42,158
35
0,2550
64
P-value
7,02E27
0,8005
38
d. Manual
Program Studi Teknik Industri
Universitas Diponegoro
2016
27
Lower
95%
3,139
75
0,000
52
Upper
95%
3,4604
43
0,0006
62
Lower
95,0%
3,139
75
0,000
52
Upper
95,0%
3,4604
43
0,00066
2
Sa 2=Se 2
2
1 ( x )
+
n Jxx
Sa 2=0,129
( 148,77 )2
1
+
30 1.562.303,37
Sa =0,00612754
Sa=0,078
Tabel 3.21 Perbandingan Taksiran Kesalahan Baku Regresi Linier Sederhana (intersep)
No
Perhitunga
Nilai
.
1
2
3
n
SPSS
Minitab
Excel
0,078
0,0783
0,07827
Manual
9
0,078
Model
1
Unstandardized
Standardized
Coefficients
Coefficients
B
(Constan
t)
MS
Std. Error
3,300
,078
7,329E-5
,000
Beta
Sig.
42,15
8
,048
,255
Lower Bound
Upper Bound
,000
3,140
3,460
,801
-,001
,001
b. Excel
Tabel 3.23 Output Excel Selang Kepercayaan Slop Regresi Sederhana
Interce
pt
X
Variabl
e1
Coefficie
nts
3,30009
6
Standa
rd
Error
0,0782
79
t Stat
42,158
35
P-value
7,02E27
7,33E-05
0,0002
87
0,2550
64
0,8005
38
28
Lower
95%
3,139
75
0,000
52
Upper
95%
3,4604
43
0,0006
62
Lower
95,0%
3,139
75
0,000
52
Upper
95,0%
3,4604
43
0,0006
62
b t .sb b t .sb
2
0,00052< <0,00066
Tabel 3.24 Perbandingan Selang Kepercayaan Parameter (Slop)
No
1
2
3
Cara Perhitungan
SPSS
Excel
Manual
Selang Kepercayaan
-0,001< <0,001
-0,00052< <0,00062
-0,00052< <0,00066
Model
1
Unstandardized
Standardized
Coefficients
Coefficients
B
(Constan
3,300
,078
7,329E-5
,000
t)
MS
Std. Error
Beta
Sig.
42,15
8
,048
,255
Lower Bound
Upper Bound
,000
3,140
3,460
,801
-,001
,001
b. Excel
Tabel 3.26 Output Excel Selang Kepercayaan Intersep Regresi Sederhana
Interc
ept
X
Variab
le 1
Coeffici
ents
3,30009
6
Stand
ard
Error
0,078
279
t Stat
42,15
835
Pvalue
7,02E27
7,33E05
0,000
287
0,255
064
0,800
538
c. Manual
Lowe
r
95%
3,139
75
0,000
52
0,000
662
a t .sa a t .sa
2
Upper
95%
3,460
443
29
Lowe
r
95,0
%
3,139
75
0,000
52
Upper
95,0%
3,460
443
0,000
662
No
Cara Perhitungan
Selang Kepercayaan
SPSS
Excel
Manual
b 0
0, 00073 0
318,81
sb
0, 000287
J XX
1562303,37
6. Keputusan : Tolak H0 karena nilai t-hitung berada di daerah kritis yaitu 318,81
> 2,048
7. Kesimpulan : Ada hubungan linier antara x dan y
3.1.6.2 Uji Hipotesis Intersep
1. H0: = 0(persamaan garis regresi melewati titik koordinat (0,0))
2. H1: 0 (persamaan garis regresi tidak melewati titik koordinat (0,0))
3. = 0,05
Program Studi Teknik Industri
Universitas Diponegoro
2016
30
a 0 3,300 0
42,16
sa
0, 078
Validasi
Koefisien Determinasi
a. SPSS
Tabel 3.28 Koefisien Determinasi Data Model Regresi Linier Sederhana SPSS
Model Summaryb
Model
1
R Square
,048a
Adjusted R
Square
Estimate
,002
-,033
,35917
a. Predictors: (Constant), MS
b. Dependent Variable: IPK
b. Minitab
Model Summary
S
0,359170
R-sq
0,23%
R-sq(adj)
0,00%
R-sq(pred)
0,00%
c. Excel
Tabel 3.29 Koefisien Determinasi Data Model Regresi Linier Sederhana Excel
SUMMARY OUTPUT
Regression
Statistics
0,048
Multiple R
147
R Square
0,002
31
Adjusted R
Square
Standard
Error
Observatio
ns
30
d. Manual
Nilai koefisien penentu r2 adalah kuadrat dari nilai koefisien korelasi r dan
diberikan dengan rumusan sebagai berikut :
Jxx
Jxy
114,51
r=b
=
=
=0,04815
Jyy JxxJyy 1562303,4 x 3,62
r =0,00232
Tabel 3.30 Perbandingan Koefisien Determinasi
No
Perhitunga
Nilai
.
1
2
3
n
SPSS
Minitab
Excel
0,002
0,0023
0,00231
Manual
8
0,00232
1,549
32
Mean
Df
Square
11
,141
F
1,223
Sig.
,340
IPK *
Between
Linearity
,008
,008
,073
,790
MS
Groups
Deviation from
1,540
10
,154
1,338
,284
Within Groups
2,072
18
,115
Total
3,620
29
Linearity
6. Keputusan : Karena nilai sig > 0,05 (0,284 > 0,05) maka jangan tolak Ho.
7. Kesimpulan : Data model bersifat regresi linier.
3.1.7.1.2
Uji Normalitas
1. Ho : Data model regresi berdistribusi secara normal.
2. H1 : Data model regresi tidak berdistribusi secara normal.
3. : 0.05
4. Daerah kritis : KS > 0,241
5. Perhitungan : KS = 0,131
33
SPSS
34
Mean
3,311
StDev 0,3533
N
30
KS
0,131
P-Value >0,150
95
90
Percent
80
70
60
50
40
30
20
10
5
2,0
2,5
3,0
3,5
4,0
IPK
Autokorelasi
1. Ho : Model regresi tidak terjadi autokorelasi (r = 0)
2. H1 : Model regresi terjadi autokorelasi (r 0 )
3. = 0.05
4. Daerah kritis: 1.49 > DW dan DW > 2.51
5. Perhitungan :
a. SPSS
Tabel 3.32 Uji Autokorelasi Regresi Linier Sederhana SPSS
Model Summaryb
35
Model
Square
Estimate
R Square
,048a
Adjusted R
,002
-,033
,35917
a. Predictors: (Constant), MS
b. Dependent Variable: IPK
b. Minitab
Durbin-Watson Statistic
Durbin-Watson Statistic =
c. Manual
2,18712
^y
Mencari nilai
^y =a+bx
^y =3,300+ 0,000073 x
Mencari nilai et
et=Y ^y
Mencari nilai d
t=n
( et e t 1 )2
d= t2
t=n
et 2
t 2
(et-1)^2
(et)^2
-0,01219
-0,41037
0,168404
0,000149
3,30219
0,29781
-0,01219
0,000149
0,088691
2,95
3,30657
-0,35657
0,29781
0,088691
0,127142
30
3,57
3,30219
0,26781
-0,35657
0,127142
0,071722
600
3,28
3,3438
-0,0638
0,26781
0,071722
0,00407
600
3,19
3,3438
-0,1538
-0,0638
0,00407
0,023654
NO
Et
2,89
3,300365
-0,41037
30
3,29
3,30219
30
3,6
90
y'
Et
et-1
600
3,25
3,3438
-0,0938
-0,1538
36
(et-1)^2
0,02365
4
(et)^2
0,008798
15
3,43
3,30109
5
0,12890
5
-0,0938
10
10
3,44
3,30073
0,13927
0,12890
5
11
10
3,11
3,30073
12
15
3,85
13
15
3,5
14
15
3,53
15
20
16
0,00879
8
0,01661
6
0,01939
6
0,03637
8
0,30129
7
0,03956
3
0,05239
7
0,21025
9
0,21511
0,03104
6
0,00272
4
0,00263
3
1,12514
8
0,19909
4
4,80E06
0,06312
2
0,21072
7
0,016616
0,019396
3,30109
5
3,30109
5
3,30109
5
0,19073
0,54890
5
0,19890
5
0,22890
5
3,76
3,30146
0,45854
600
2,88
3,3438
-0,4638
0,45854
17
600
3,52
3,3438
-0,4638
18
30
3,25
3,30219
19
18
3,25
3,30131
4
20
10
2,24
3,30073
0,1762
0,05219
0,05131
1,06073
21
600
3,79
3,3438
0,4462
22
30
3,3
3,30219
0,00219
0,4462
23
120
3,56
3,30876
0,25124
0,00219
24
150
3,77
3,31095
0,45905
0,25124
25
70
3,6
3,30511
0,29489
0,45905
26
30
3,30219
0,30219
0,29489
0,08696
27
3,09
3,3
-0,21
28
29
0
90
3,37
3,37
3,3
3,30657
30
30
2,7
3,30219
0,07
0,06343
0,60219
0,30219
-0,21
0,07
0,09131
0,0441
9
0,0441
0,0049
0,0049
0,004023
0,00402
0,362633
3
3,24944
3,443679
9
0,943598
0,13927
0,19073
0,54890
5
0,19890
5
0,22890
5
0,1762
0,05219
0,05131
1,06073
0,06343
Total
D
0,036378
0,301297
0,039563
0,052397
0,210259
0,21511
0,031046
0,002724
0,002633
1,125148
0,199094
4,80E-06
0,063122
0,210727
0,08696
0,091319
6. Keputusan : karena nilai DW sebesar 0,943598 sehingga 1,49 > DW, maka
Ho ditolak.
7. Kesimpulan : Model regresi terjadi autokorelasi.
37
Uji Heteroskedastisitas
Hipotesis:
1. Ho : Tidak terjadi ketidaksamaan variansi dari satu pengamatan dengan
pengamatan lainnya.
2. H1 : Terjadi ketidaksamaanvariansi dari satu pengamatan dengan
pengamatan yang lain.
3. : 0.05
4. Daerah kritis : plot membentuk pola geometris
5. Perhitungan
a. SPSS
38
Versus Fits
(response is IPK)
0,50
0,25
Residual
0,00
-0,25
-0,50
-0,75
-1,00
-1,25
3,30
3,31
3,32
3,33
3,34
3,35
Fitted Value
39
0,05
c.
d.
Daerah kritis n = 30, f < -f (/2;1,n-2) dan f > f(/2;1,n-2) dari tabel L.6 didapat f <
-4,2 dan f > 4,2 dan derajat kebebasan v1 = 1 dan v2 = n-2 = 28
e. Perhitungan :
SPSS
Tabel 3.35 Output SPSS Pengujian Garis Regresi
ANOVAa
Model
1
Sum of Squares
Regression
df
Mean Square
,008
,008
Residual
3,612
28
,129
Total
3,620
29
Sig.
,065
,801b
Minitab
Analysis of Variance
Source
Regression
MS
Error
Lack-of-Fit
Pure Error
Total
DF
1
1
28
10
18
29
Adj SS
0,00839
0,00839
3,61208
1,54015
2,07193
3,62047
Adj MS
0,008393
0,008393
0,129003
0,154015
0,115107
F-Value
0,07
0,07
P-Value
0,801
0,801
1,34
0,284
Excel
Tabel 3.36 Output Excel Pengujian Garis Regresi
ANOVA
df
Regress
ion
Residua
l
28
Total
29
SS
0,008
393
3,612
077
3,620
47
MS
0,008
393
0,129
003
F
0,065
058
Significa
nce F
0,80053
8
Manual
JKR
= b. Jxy
JKG
= Jyy b. Jxy
= 3,612
S2
= JKG / (n-2)
= 3046,68/28
= 0,129
40
= JKR /S2
= 20,47 / 108,8
= 0,065
Sumber
variasi
Jumlah Kuadrat
Derajat
Rataan
kebebasan
Kuadrat
Regresi
0,008
0,008
Galat
3,612
28
0,129
Total
3,620
29
F Hitungan
0,065
No
Cara Penghitungan
Nilai F
SPSS
0,065
Minitab
0,070
Excel
0,065
Manual
0,065
f. Keputusan : Jangan tolak H0, karena nilai f > -4,2 (0,065 > -4,2) dan f < 4,2
(0,065 < 4,2).
g. Kesimpulan : Jumlah jam penggunaan media sosial tidak mempengaruhi jumlah
IPK.
1.
41
Mean
Pair
IPK
MS
Std.
Std. Error
Deviation
Mean
232,0878
145,455
67
Difference
Lower
42,37325
Sig. (2t
df
Upper
-
232,11868
-58,79265
-3,433
29
,002
Minitab
N
IPK
MS
Difference
Mean
30
30
30
StDev SE Mean
3,3
0,4
0,1
148,8 232,1
42,4
-145,5 232,1
42,4
tailed)
Excel
Tabel 3.40 Output Excel Uji t
Mean
Variance
Observations
Pearson
Correlation
Hypothesized
Mean Difference
Df
0
29
3,43
272
0,00
0909
1,69
9127
0,00
1818
t Stat
P(T<=t) one-tail
t Critical one-tail
P(T<=t) two-tail
42
Varia
ble 2
148,
7667
5387
2,53
30
P-Value
2,04
523
t Critical two-tail
Manual
S 21 ( n 11 ) + S22 (n 21)
Sp=
n 1+n 22
Sp=
Sp=
S 21 ( n 11 ) + S22 (n 21)
n 1+n 22
53872,53 ( 29 ) +0,125(29)
30+302
Sp=164,123
( y y ) 0
1
1
Sp
+
n 1 n2
t=
6. Keputusan
0,00014
2
164,123
30
=3,30373E-06
: Jangan tolak Ho
2
2
H0 : 1 = 2
H1 : 1 2
= 0.05
Daerah kritis:
3029
2925
1,85x
x1,9
( x1,9 ) = 4 (1,85x )
x1,9 = 7,44 x
X = 1,86
Program Studi Teknik Industri
Universitas Diponegoro
2016
43
Perhitungan:
Minitab
Tests
Method
F
Test
Statistic
0,00
P-Value
0,000
Excel
Tabel 3.41 Output Excel Uji F
Mean
Variance
Observations
Df
F
P(F<=f) one-tail
F Critical one-tail
Manual
S2
f = 12
S2
f=
6
7
Varia
ble 2
148,
7667
5387
2,53
30
29
0,124844
=2,32 e0,6
53872,53
44
1 X0 X
y o t . .Se
2
n
J xx
YX
1 X0 X
y o t .Se
2
n
J xx
2
2
1 ( X 0 X )
1 ( X 0 X )
( 3,300+0,000073 x 0 )t Se n + Jxx < Y |X < ( 3,300+ 0,000073 x 0 ) +t /2 Se n + Jxx
2
0
1 ( 5148,77 )
+
<
< ( 3,300+ 0,000073 ( 5 ) )+ ( 2,048 ) ,36
( 3,300+0,000073(5) ) ( 2,048 ) 0 ,36
30 1562303,37 Y |X
0
3,14127< Y |X <3,45946
0
1 X X
y o t . .Se 1 0
2
n
J xx
YX
1 X X
y o t .Se 1 0
2
n
J xx
1 ( 5148,77 )
( 3,300+0,000073 x 0 )2,048(0,36) 1+ 30 + 1562303,37 < Y |X < ( 3,300+0,000073 x 0 ) +2,048(0,36
3,3003650,887 < Y|X < 3,300365+0,887
2,414< Y |X < 4,187
45
No.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
Total Nilai
(Y)
76
79
83
70
93
57
63
82
77
78
93
90
75
89
67
90
79
92
89
85
55
74
70
78
66
65
Ulangan Harian
1
2
(X1)
(X2)
70,8
75,5
82,4
79,3
79,6
88,3
85,4
66,3
96,6
88,9
40,9
67,6
64,3
76,1
86,7
84,3
78,8
80,5
73,3
85,5
94,7
90,9
96,6
92,3
79,8
84,3
89,3
92,8
65
70
79
91,5
60
80,5
88
86,5
68
90
80
84
59
42,5
67
72,5
85
93
68
77,5
68
71,5
75
74,5
46
3
(X3)
81,8
73,9
77,6
60,6
97,1
55,9
54,4
73,1
74,9
77,8
94,6
87,4
72,9
88
72,5
91,3
87,5
92,5
97,5
76,5
78,8
72,5
91,3
88,8
85
80
4
(X4)
76,4
79,9
85,4
67,4
90,1
62,4
55,4
82,4
75,5
77
91,4
83,5
64,6
87,9
60
100
89
100
99
99
40
84
10
77
40
30
No.
27
28
29
30
Ulangan Harian
Total Nilai
1
2
(Y)
(X1) (X2)
65
56
68
91
86
89
72
83 70,5
61
69
73
3
(X3)
78,8
87,5
72,5
42,5
4
(X4)
58
100
63
59
3.2.2 Korelasi
3.2.2.1 Koefisien Korelasi Pearson
a. SPSS
Tabel 3.43 Output Koefisien Korelasi Pearson SPSS
Correlations
Total
Total
Pearson Correlation
Nilai1
1
Nilai1
Pearson Correlation
Sig. (2-tailed)
N
Nilai2
Pearson Correlation
Sig. (2-tailed)
N
Nilai3
Pearson Correlation
Sig. (2-tailed)
N
Nilai4
Pearson Correlation
Sig. (2-tailed)
N
,685**
,799**
,000
,000
,000
,000
30
30
30
30
**
,326
,000
,020
,078
30
30
30
**
,492**
,004
,006
**
,725
,000
30
30
**
**
,639
,639
,422
,508
,000
,000
30
30
30
30
30
,685**
,422*
,508**
,314
,000
,020
,004
30
30
30
30
30
,799**
,326
,492**
,314
,000
,078
,006
,091
30
30
30
30
b. Minitab
Program Studi Teknik Industri
Universitas Diponegoro
2016
Nilai4
,818**
30
,818
Nilai3
,725**
Sig. (2-tailed)
N
Nilai2
47
,091
30
nilai 1
nilai 2
0.818
0.000
0.639
0.000
nilai 3
0.685
0.000
0.422
0.020
0.508
0.004
nilai 4
0.799
0.000
0.326
0.078
0.492
0.006
nilai 1
nilai 2
nilai 3
0.314
0.091
c. Excel
Tabel 3.44 Output Koefisien Korelasi Pearson Excel
Total
1
2
3
4
Total
1
2
3
1
0,7247
49
1
0,8179 0,6388
83
68
1
0,6848 0,4221 0,5075
55
98
92
1
0,7992 0,3262 0,4921 0,3137
66
47
39
71
d. Manual
Tabel 3.45 Perhitungan Data Korelasi Linear Regresi Majemuk
X1
X2
X3
X4
Y2
X1^2
X2^2
X3^2
76
70,8
75,5
81,8
76,4
5776
5012,64
5700,25
6691,24
79
82,4
79,3
73,9
79,9
6241
6789,76
6288,49
5461,21
48
79,6
88,3
77,6
85,4
6889
6336,16
7796,89
6021,76
70
85,4
66,3
60,6
67,4
4900
7293,16
4395,69
3672,36
93
96,6
88,9
97,1
90,1
8649
9331,56
7903,21
9428,41
57
40,9
67,6
55,9
62,4
3249
1672,81
4569,76
3124,81
63
64,3
76,1
54,4
55,4
3969
4134,49
5791,21
2959,36
82
86,7
84,3
73,1
82,4
6724
7516,89
7106,49
5343,61
77
78,8
80,5
74,9
75,5
5929
6209,44
6480,25
5610,01
78
73,3
85,5
77,8
77
6084
5372,89
7310,25
6052,84
93
94,7
90,9
94,6
91,4
8649
8968,09
8262,81
8949,16
90
96,6
92,3
87,4
83,5
8100
9331,56
8519,29
7638,76
75
79,8
84,3
72,9
64,6
5625
6368,04
7106,49
5314,41
89
89,3
92,8
88
87,9
7921
7974,49
8611,84
7744
67
65
70
72,5
60
4489
4225
4900
5256,25
90
79
91,5
91,3
100
8100
6241
8372,25
8335,69
79
60
80,5
87,5
89
6241
3600
6480,25
7656,25
92
88
86,5
92,5
100
8464
7744
7482,25
8556,25
89
68
90
97,5
99
7921
4624
8100
9506,25
85
80
84
76,5
99
7225
6400
7056
5852,25
55
59
42,5
78,8
40
3025
3481
1806,25
6209,44
74
67
72,5
72,5
84
5476
4489
5256,25
5256,25
70
85
93
91,3
10
4900
7225
8649
8335,69
78
68
77,5
88,8
77
6084
4624
6006,25
7885,44
66
68
71,5
85
40
4356
4624
5112,25
7225
65
75
74,5
80
30
4225
5625
5550,25
6400
65
56
68
78,8
58
4225
3136
4624
6209,44
91
86
89
87,5
100
8281
7396
7921
7656,25
72
83
70,5
72,5
63
5184
6889
4970,25
5256,25
61
69
73
42,5
59
3721
4761
5329
1806,25
2304
2275,2
2387,1
2365,5
2187,3
180622
177396
193458
191415
X1.Y
X2.Y
X3.Y
X4.Y
X1.X2
X1.X3
X1.X4
X2.X3
5836,96
5380,8
5738
6216,8
5806,4
5345,4
5791,44
5409,12
6175,9
6384,01
6509,6
6264,7
5838,1
6312,1
6534,32
6089,36
6583,76
5860,27
7293,16
6606,8
7328,9
6440,8
7088,2
7028,68
6176,96
6797,84
6852,08
49
5978
4641
4242
4718
5662,02
5175,24
5755,96
4017,78
8118,01
8983,8
8267,7
9030,3
8379,3
8587,74
9379,86
8703,66
8632,19
3893,76
2331,3
3853,2
3186,3
3556,8
2764,84
2286,31
2552,16
3778,84
3069,16
4050,9
4794,3
3427,2
3490,2
4893,23
3497,92
3562,22
4139,84
6789,76
7109,4
6912,6
5994,2
6756,8
7308,81
6337,77
7144,08
6162,33
5700,25
6067,6
6198,5
5767,3
5813,5
6343,4
5902,12
5949,4
6029,45
5929
5717,4
6669
6068,4
6006
6267,15
5702,74
5644,1
6651,9
8353,96
8807,1
8453,7
8797,8
8500,2
8608,23
8958,62
8655,58
8599,14
6972,25
8694
8307
7866
7515
8916,18
8442,84
8066,1
8067,02
4173,16
5985
6322,5
5467,5
4845
6727,14
5817,42
5155,08
6145,47
7726,41
7947,7
8259,2
7832
7823,1
8287,04
7858,4
7849,47
8166,4
3600
4355
4690
4857,5
4020
4550
4712,5
3900
5075
10000
7110
8235
8217
9000
7228,5
7212,7
7900
8353,95
7921
4740
6359,5
6912,5
7031
4830
5250
5340
7043,75
10000
8096
7958
8510
9200
7612
8140
8800
8001,25
9801
6052
8010
8677,5
8811
6120
6630
6732
8775
9801
6800
7140
6502,5
8415
6720
6120
7920
6426
1600
3245
2337,5
4334
2200
2507,5
4649,2
2360
3349
7056
4958
5365
5365
6216
4857,5
4857,5
5628
5256,25
100
5950
6510
6391
700
7905
7760,5
850
8490,9
5929
5304
6045
6926,4
6006
5270
6038,4
5236
6882
1600
4488
4719
5610
2640
4862
5780
2720
6077,5
900
4875
4842,5
5200
1950
5587,5
6000
2250
5960
3364
3640
4420
5122
3770
3808
4412,8
3248
5358,4
10000
7826
8099
7962,5
9100
7654
7525
8600
7787,5
3969
5976
5076
5220
4536
5851,5
6017,5
5229
5111,25
3481
4209
4453
2592,5
3599
5037
2932,5
4071
3102,5
173905
177793
186270
184575
173805
183675
181456
168613
190329
X2.X4
5768,2
6336,0
7
7540,8
Program Studi Teknik Industri
Universitas Diponegoro
2016
X3.X4
6249,5
2
5904,6
1
6627,0
50
4
4084,4
4
8748,7
1
3488,1
6
3013,7
6
6023,4
4
5654,9
5
5990,6
8646,4
4
7297,9
4709,3
4
7735,2
4350
9130
7787,5
9250
9652,5
7573,5
3152
6090
913
6837,6
3400
2400
4570,4
8750
4567,5
2507,5
175106
51
Jyy yt
2
n
2
Jxx xt
2
t 1
t 1
t 1
t 1
x
t yt
n
Jxy xt yt t 1 t 1
n
t 1
r b
1.
J xy
J xx
J xy
J xx J yy
30
x 12
Jxx1 =
i=1
i=1
5176535
30
= 177396 -
= 4844,812
y1
30
30
Jyy
y1
i=1
i=1
5308416
30
= 180622 -
= 3674,8
x1
y1
30
30
Jx1y =
x1y1
i=1
i=1
30
= 177793
2275,1 x 2304
30
i=1
52
= 3065,32
2.
3065,32
=0,726
4844,812 x 3674,8
30
x2
Jxx2 =
i=1
i=1
5698246
30
= 193458 -
= 3516,623
y1
30
30
Jyy
y1
i=1
5308416
30
= 180622 -
i=1
= 3674,8
x2
y1
30
30
i=1
x2y1 Jx2y =
i=1
30
= 186270
2387,1 x 2304
30
= 2940,72
i=1
r 2=
3.
2940,72
=0,81
3516,623 x 3674,8
30
Jxx3 =
x3
i=1
2
i=1
= 191415 -
5595590
30
53
= 4895,22
30
Jyy
y 12 =
i=1
5308416
30
= 180622 -
i=1
= 3674,8
x3
y1
30
30
i=1
x3y1 Jx3y =
i=1
30
2365 x 2304
30
= 184575
= 2943
i=1
r 3=
4.
2943
=0,69
4895,22 x 3674,8
30
x4
Jxx4 =
i=1
i=1
= 173905 -
4784281,29
30
= 14428,957
y1
30
30
Jyy
y1
i=1
2
i=1
= 180622 -
5308416
30
54
= 3674,8
30
30
x4 y1
Jx4y =
i=1
i=1
30
2187,3 x 2304
30
=173805
= 5820,36
i=1
r 4 =
5.
5820,36
=0,799
14428,957 x 3674,8
30
x1
Jxx1 =
i=1
= 177396 -
i=1
5176535
30
= 4844,81
x2
30
30
Jxx2 =
x2
i=1
193458 -
i=1
5698246
30
= 3516,62
x1
x2
30
30
Jx1x2 =
x 1x 2
i=1
i=1
30
= 183675
2275,2 x 2387,1
30
i=1
r 5=
6.
Jx 1 x 2
2653,25
=
=0,64
Jxx 1 X Jxx 2 4844,81 x 3516,62
55
= 2653,25
30
x 12
Jxx1 =
i=1
2
i=1
= 177396 -
5176535
30
= 4844,81
= 191415 -
5595590
30
=4895,3
x3
30
30
x 32
Jxx3 =
i=1
2
i=1
x1
x3
30
30
Jx1x3 =
x 1x3
i=1
i=1
30
= 181456
2275 2365,5
30
= 2072,25
i=1
r 6=
7.
Jx 1 x 3
2072,25
=
=0,42
Jxx 1 X Jxx 3 4844,81 x 4895,3
30
x1
Jxx1 =
i=1
2
i=1
= 177396 -
5176535
30
= 4844,81
= 173905 -
4784281
30
= 14428,6
x4
30
30
x4
Jxx4 =
i=1
2
i=1
56
30
30
Jx1x4 =
x 1x 4
i=1
i=1
30
=168613
2275 2187,3
30
= 2742,75
i=1
r 7=
8.
Jx 1 x 4
2742,75
v=
=0,75
Jxx 1 X Jxx 4 4844,11 x 2742,75
30
Jxx2 =
x2
i=1
2
i=1
= 193458 -
5698246
30
= 3516,46
= 191415 -
5595590
30
=4895,3
x3
30
30
x3
Jxx3 =
i=1
2
i=1
x2
x3
30
30
Jx2x3 =
x 2x 3
i=1
i=1
30
= 190329
2387,1 2365,5
30
i=1
r 8=
Jx 2 x 3
2106,16
=
=0,507
Jxx 2 X Jxx 3 3516,46 x 4895,3
57
=2106,16
9.
x2
30
30
Jxx2 =
x2
i=1
2
i=1
= 193458 -
5698246
30
= 3516,46
= 173905 -
4784281
30
= 14428,6
x4
30
30
x 42
Jxx4 =
i=1
2
i=1
x2
x4
30
30
Jx2x4 =
x 2x 4
i=1
i=1
30
= 177549
5221304
30
= 3505,53
i=1
r 9=
10.
Jx 2 x 4
3505,53
=
=0,492
Jxx 2 X Jxx 4 3516,46 x 14428,6
30
x3
Jxx3 =
i=1
2
i=1
= 191415 -
5595590
30
58
=4895,3
30
x 42
Jxx4 =
i=1
= 173905 -
i=1
4784281
30
= 14428,6
x3
x4
30
30
x 3x 4
Jx3x4 =
i=1
i=1
30
= 175106
5174058
30
= 2637,4
i=1
r 10 =
Jx 3 x 4
2637,4
=
=0,31
Jxx 3 X Jxx 4 4895,3 x 14428,6
Tabel 3.46 Perbandingan Hasil Koefisian Korelasi Pearson antar Perhitungan
Koefisien Korelasi
SPSS
Minitab
Excel
Manual
x1y
0,725
0,725
0,725
0,723
x2y
0,818
0,818
0,818
0,81
x3y
0,685
0,685
0,685
0,69
x4y
0,799
0,799
0,799
0,799
x1.x2
0,639
0,639
0,639
0,64
x1.x3
0,422
0,422
0,422
0,42
x1.x4
0,326
0,326
0,33
0,75
x2.x3
0,508
0,508
0,508
0,507
x2.x4
0,492
0,3492
0,49
0,492
x3.x4
0,314
0,314
0,314
0,31
Pearson
59
z=
( 1+0,725 ) ( 10,9 )
303
ln
=2,87
2
( 10,725 )( 1+0,9 )
60
> 1,708)
z=
61
z=
( 10,685 )( 1+0,9 )
62
z=
( 1+0,799 ) ( 10,9 )
303
ln
=1,95
2
( 10,799 )( 1+0,9 )
3.2.3
3.2.3.1
Model
1
Std. Error
(Constant)
,205
,425
Nilai1
,248
,005
Nilai2
,254
Nilai3
Nilai4
Coefficients
Beta
Sig.
Lower Bound
Upper Bound
,483
,634
-,671
1,082
,285
45,440
,000
,237
,259
,007
,249
35,345
,000
,239
,269
,245
,005
,283
50,382
,000
,235
,255
,250
,003
,495
90,037
,000
,244
,256
63
Coef
SE Coef
T-Value
P-Value
0.205
0.425
0.48
0.634
nilai 1
0.24809
0.00546
45.44
0.000
1.73
nilai 2
0.25419
0.00719
35.34
0.000
2.18
nilai 3
0.24520
0.00487
50.38
0.000
1.39
nilai 4
0.24989
0.00278
90.04
0.000
1.33
Constant
VIF
c. Excel
Tabel 3.48 Output Slop Excel
Interce
pt
1
2
3
4
Coefficie
nts
Standa
rd
Error
t Stat
P-value
Lower
95%
Upper
95%
Lower
95,0%
Upper
95,0%
0,20532
8
0,24809
4
0,25418
6
0,24520
2
0,24989
1
0,4254
6
0,0054
6
0,0071
92
0,0048
67
0,0027
75
0,4826
03
45,439
92
35,344
7
50,381
95
90,037
36
0,6335
76
1,49E25
7,26E23
1,16E26
6,25E33
0,6709
2
0,2368
49
0,2393
74
0,2351
78
0,2441
75
1,0815
79
0,2593
38
0,2689
97
0,2552
25
0,2556
07
0,6709
2
0,2368
49
0,2393
74
0,2351
78
0,2441
75
1,0815
79
0,2593
38
0,2689
97
0,2552
25
0,2556
07
d. Manual
Persamaan Regresi Linier Majemuk:
a b1 x1 b2 x 2 b3 x3 b4 x 4
=
Persamaan Normal
n
i 1
i 1
i 1
i 1
i 1
na b1 x1i b2 x 2i b3 x3i b4 x 4i y i
64
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
a x 2i b1 x 2i x1i b2 x 2i b3 x3i x 2i b4 x 4i x 2i x 2i y i
2
a x 4i b1 x 4i x1i b2 x 2i x 4i b3 x3i x 4i b4 x 4i x 4i y i
2
i 1
3720 a+466000 b 1
2387.1a+183674.7b1
2365.5a+181455.6b1
b2
+177396b1+
b3
=177793.4
784 a+ 97350 b1
+193458.2
b4
=186269.8
1606 a+199240 b1
+190328.9
b2
b4
=2304
+181455.6
b3
+168612.5
+190328.9
b3
+177549.1
b2
+191414.9
b3
+ 175105.6
b2
+175105.6
b3
+173904.6
=184575.1
601,09 a+74574 b 1
b4
+2187.3
183674.7 b2
b4
b4
2187.3a+168612.5b1
+2365.5
+177549.1
=173804.6
65
Dari persamaan kuadrat a + b1x1 + b2x2 +b3x3 +b4x4 = y, dapat disusun matriks sebagai berikut:
30
2275.2
2387.1 2365.5 2187.3
2275.2 177396
183674.7 181455.6 168612.5
2387.1 183674.7 193458.2 190328.9
177549.1
2365.5 181455.6 190328.9 191414.9
175105.6
2187.3 168612.5 177549.1 175105.6 173904.6 1.50663E+1284921
[ ][
[ ][ ]
2.16503
0.00432 0.01552 0.00817
a
b 1 0.004317 0.00036 0.00024 4.7E-05
b 2 = 0.01552 0.00024 0.00062 0.00012
b3
0.00817 0.00005 0.00012 0.000283
b4
0.0010
0.00000 0.00008 1.4E-05
0.001027
9.3E-07
8.3E-05
1.44E-05
9.21E-05
][ ] [ ]
a
2304
b1
177793.4
b 2 = 186269.8
b3
184575.1
b4
173804.6
][ ]
2304
177793.4
186269.8
184575.1
173804.6
a
0.206
b1
0.248
b 2 = 0.254
b3
0.245
b4
0.249
b1= 0.248
b2= 0. 254
b3= 0.245
b4 = 0. 249
Tabel 3.49 Perbandingan Parameter Slop
No
Perhitungan
b1
b2
b3
b4
0.248
0.254
0.245
0.250
0.24809
0.25419
0.24520
0.24989
1 SPSS
2 Minitab
66
0.248094
0.254186
0.245202
0.249891
0.248
0.254
0.245
0.249
4 Manual
67
Coefficients
Std. Error
(Constant)
,205
,425
Nilai1
,248
,005
Nilai2
,254
Nilai3
Nilai4
Beta
Sig.
Lower Bound
Upper Bound
,483
,634
-,671
1,082
,285
45,440
,000
,237
,259
,007
,249
35,345
,000
,239
,269
,245
,005
,283
50,382
,000
,235
,255
,250
,003
,495
90,037
,000
,244
,256
b. Minitab
Coefficients
Term
Coef
SE Coef
T-Value
P-Value
0.205
0.425
0.48
0.634
nilai 1
0.24809
0.00546
45.44
0.000
1.73
nilai 2
0.25419
0.00719
35.34
0.000
2.18
nilai 3
0.24520
0.00487
50.38
0.000
1.39
nilai 4
0.24989
0.00278
90.04
0.000
1.33
Constant
VIF
c. Excel
Tabel 3.51 Output Intersep Excel
Interc
ept
1
2
3
4
Coeffici
ents
Stand
ard
Error
t Stat
Pvalue
0,2053
28
0,2480
94
0,2541
86
0,2452
02
0,2498
91
0,425
46
0,005
46
0,007
192
0,004
867
0,002
775
0,482
603
45,43
992
35,34
47
50,38
195
90,03
736
0,633
576
1,49E25
7,26E23
1,16E26
6,25E33
d. Manual
Program Studi Teknik Industri
Universitas Diponegoro
2016
68
Lower
95%
0,670
92
0,236
849
0,239
374
0,235
178
0,244
175
Upper
95%
1,081
579
0,259
338
0,268
997
0,255
225
0,255
607
Lower
95,0%
0,670
92
0,236
849
0,239
374
0,235
178
0,244
175
Upper
95,0%
1,081
579
0,259
338
0,268
997
0,255
225
0,255
607
a b1 x1 b2 x 2 b3 x3 b4 x 4
=
Persamaan Normal
n
i 1
i 1
i 1
i 1
i 1
na b1 x1i b2 x 2i b3 x3i b4 x 4i y i
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
a x 2i b1 x 2i x1i b2 x 2i b3 x3i x 2i b4 x 4i x 2i x 2i y i
2
a x 4i b1 x 4i x1i b2 x 2i x 4i b3 x3i x 4i b4 x 4i x 4i y i
2
i 1
b2
+2365.5
3720 a+466000 b 1
b3
+2187.3
+177396b1+
183674.7 b2
=177793.4
b4
69
=2304
+181455.6
b3
+168612.5
b2
+190328.9
b3
+177549.1
1606 a+199240 b1
+190328.9
b2
+191414.9
b3
+ 175105.6
601,09 a+74574 b 1
+177549.1
b2
+175105.6
b3
+173904.6
=184575.1
2187.3a+168612.5b1
b4
+193458.2
=186269.8
2365.5a+181455.6b1
b4
784 a+ 97350 b1
=173804.6
Dari persamaan kuadrat a + b1x1 + b2x2 +b3x3 +b4x4 = y, dapat disusun matriks sebagai berikut:
30
2275.2
2387.1 2365.5 2187.3
2275.2 177396
183674.7 181455.6 168612.5
2387.1 183674.7 193458.2 190328.9
177549.1
2365.5 181455.6 190328.9 191414.9
175105.6
2187.3 168612.5 177549.1 175105.6 173904.6 1.50663E+1284921
[ ][
2.16503
0.00432 0.01552 0.00817
a
b 1 0.004317 0.00036 0.00024 4.7E-05
b 2 = 0.01552 0.00024 0.00062 0.00012
b3
0.00817 0.00005 0.00012 0.000283
b4
0.0010
0.00000 0.00008 1.4E-05
[ ][ ]
a
0.206
b1
0.248
b 2 = 0.254
b3
0.245
b4
0.249
70
0.001027
9.3E-07
8.3E-05
1.44E-05
9.21E-05
][ ] [ ]
][ ]
2304
177793.4
186269.8
184575.1
173804.6
a
2304
b1
177793.4
=
b2
186269.8
b3
184575.1
b4
173804.6
a= 0.206
Tabel 3.52 Perbandingan Parameter Intersep
No.
Perhitungan
1
2
3
4
SPSS
Minitab
Excel
Manual
0.205
0.205
0.205328
0.206
3.2.3.3
Model
1
Coefficients
Std. Error
(Constant)
,205
,425
Nilai1
,248
,005
Nilai2
,254
Nilai3
Nilai4
Beta
Sig.
Lower Bound
Upper Bound
,483
,634
-,671
1,082
,285
45,440
,000
,237
,259
,007
,249
35,345
,000
,239
,269
,245
,005
,283
50,382
,000
,235
,255
,250
,003
,495
90,037
,000
,244
,256
Y = + x
Y1 = 0,205 + 0,248x
Y2 = 0,205 + 0,254x
Y2 = 0,205 + 0,245x
71
Y4 = 0,205 + 0,250x
b. Minitab
Coefficients
Term
Coef
SE Coef
T-Value
P-Value
0.205
0.425
0.48
0.634
nilai 1
0.24809
0.00546
45.44
0.000
1.73
nilai 2
0.25419
0.00719
35.34
0.000
2.18
nilai 3
0.24520
0.00487
50.38
0.000
1.39
nilai 4
0.24989
0.00278
90.04
0.000
1.33
Constant
VIF
Regression Equation
total = 0.205 + 0.24809 nilai 1 + 0.25419 nilai 2 + 0.24520 nilai 3
+ 0.24989 nilai 4
c. Excel
Tabel 3.54 Output Garis Regresi Majemuk Excel
Coefficie
nts
Interce
pt
1
2
3
4
0,20532
8
0,24809
4
0,25418
6
0,24520
2
0,24989
1
Standa
rd
Error
0,4254
6
0,0054
6
0,0071
92
0,0048
67
0,0027
75
t Stat
0,4826
03
45,439
92
35,344
7
50,381
95
90,037
36
P-value
Lower
95%
0,6335
76
1,49E25
7,26E23
1,16E26
6,25E33
0,6709
2
0,2368
49
0,2393
74
0,2351
78
0,2441
75
Y = + x
Y1 = 0,205 + 0,248x
Y2 = 0,205 + 0,254x
Y2 = 0,205 + 0,245x
Y4 = 0,205 + 0,249x
d. Manual
Program Studi Teknik Industri
Universitas Diponegoro
2016
72
Upper
95%
Lower
95,0%
Upper
95,0%
1,0815
79
0,2593
38
0,2689
97
0,2552
25
0,2556
07
0,6709
2
0,2368
49
0,2393
74
0,2351
78
0,2441
75
1,0815
79
0,2593
38
0,2689
97
0,2552
25
0,2556
07
[] [ ]
a
b1
b2
b3
b4
0,205
0,248
0,254
0,245
0,249
Sum of Squares
Regression
Mean Square
3672,710
918,177
2,090
25
,084
3674,800
29
Residual
Total
df
F
10981,877
Sig.
,000b
b. Minitab
Analysis of Variance
Source
Regression
DF
Adj SS
Adj MS
F-Value
P-Value
3672.71
918.177
10981.88
0.000
nilai 1
172.63
172.634
2064.79
0.000
nilai 2
104.45
104.448
1249.25
0.000
nilai 3
212.23
212.227
2538.34
0.000
nilai 4
677.79
677.791
8106.73
0.000
Error
25
2.09
0.084
Total
29
3674.80
c. Excel
Tabel 3.56 Output Taksiran Kesalahan Baku Regresi lInear Majemuk Excel
ANOVA
df
Regres
sion
Residu
al
4
25
SS
3672,
71
2,090
211
MS
918,1
774
0,083
608
73
F
10981
,88
Signific
ance F
3,69E40
Total
3674,
8
29
d. Manual
Tabel 3.57 Taksiran Kesalahan Baku Regresi Linier Majemuk
76
76,110
07
78,891
37
82,766
83
07
69,946
70
39
79
93
93,091
99
56,834
94
62,683
63
83
81,657
82
68
57
77
78
77,448
96
78,441
33
92,840
93
86
90 89,928
Program Studi Teknik Industri
Universitas Diponegoro
2016
Y-
0,1100
7
0,1086
26
0,2339
33
0,0536
11
0,0919
9
0,1650
59
0,3161
68
0,3423
24
0,4489
6
0,4413
3
0,1591
4
0,0714
74
(Y-)^2
0,0121
16
0,0118
0,0547
25
0,0028
74
0,0084
63
0,0272
44
0,0999
62
0,1171
86
0,2015
67
0,1947
74
0,0253
26
0,0051
75
75,448
77
89,491
2
66,894
67
55
89
90
79
90,438
26
79,247
91
91,694
36
88,598
89
33
84,901
85
07
54,962
55
75
92
74
74,023
57
69,817
98
77,790
78
14
70
66
66,087
31
64,861
65
61
65
91
72
61
65,198
34
90,607
65
72,236
94
61,043
59
Total
74
0,4487
7
0,4912
0,1054
5
0,4382
5
0,2479
1
0,3056
45
0,4016
7
0,0989
3
0,0372
55
0,0235
6
0,1820
2
0,2098
65
0,0873
1
0,1383
95
0,1983
4
0,3923
5
0,2369
4
0,0435
9
0,0136
86
75
09
0,2013
97
0,2412
77
0,0111
2
0,1920
67
0,0614
57
0,0934
19
0,1613
39
0,0097
87
0,0013
88
0,0005
55
0,0331
31
0,0440
43
0,0076
22
0,0191
53
0,0393
39
0,1539
39
0,0561
38
0,0019
2,0902
17
i 1
i 1
2
2
JKG ei y i y
S e 2=
JKG
2,090217
=
nk 1 3041
= 0,08309
Model
1
Unstandardized
Coefficients
Coefficients
for B
B
(Constant
Std. Error
,205
,425
Nilai1
,248
,005
Nilai2
,254
Nilai3
Nilai4
Beta
Sig.
Bound
Bound
,634
-,671
1,082
,285
45,440
,000
,237
,259
,007
,249
35,345
,000
,239
,269
,245
,005
,283
50,382
,000
,235
,255
,250
,003
,495
90,037
,000
,244
,256
b. Minitab
Coefficients
Coef
SE Coef
T-Value
P-Value
0.205
0.425
0.48
0.634
nilai 1
0.24809
0.00546
45.44
0.000
1.73
nilai 2
0.25419
0.00719
35.34
0.000
2.18
nilai 3
0.24520
0.00487
50.38
0.000
1.39
nilai 4
0.24989
0.00278
90.04
0.000
1.33
Constant
Upper
,483
Term
Lower
76
VIF
c. Excel
Tabel 3.59 Outpu Taksiran Kesalahan Baku Slop Excel
Interc
ept
1
2
3
4
Coeffici
ents
Stand
ard
Error
t Stat
Pvalue
0,2053
28
0,2480
94
0,2541
86
0,2452
02
0,2498
91
0,425
46
0,005
46
0,007
192
0,004
867
0,002
775
0,482
603
45,43
992
35,34
47
50,38
195
90,03
736
0,633
576
1,49E25
7,26E23
1,16E26
6,25E33
Lower
95%
0,670
92
0,236
849
0,239
374
0,235
178
0,244
175
Upper
95%
1,081
579
0,259
338
0,268
997
0,255
225
0,255
607
Lower
95,0%
0,670
92
0,236
849
0,239
374
0,235
178
0,244
175
Upper
95,0%
1,081
579
0,259
338
0,268
997
0,255
225
0,255
607
d. Manual
S b1= S2e .C 22
0.096696 x 0.00036=0.00587
S b2= S2e .C 33
0.096696 x 0.00062=0.00773
S b3= S2e .C 44
0.096696 x 0.000283=0.00523
S b4 = S 2e . C 55
0.096696 x 9.21E-05=0.002985
Tabel 3.60 Perbandingan Taksiran Kesalahan Baku Slop
No.
Perhitungan
Sb1
Sb 2
Sb 3
Sb 4
SPSS
0.005
0.007
0.005
0.003
Minitab
0.00546
0.00719
0.00487
0.00278
77
Excel
0.00546
0.007192
0.004867
0.002775
Manual
0.00587
0.00773
0.00523
0.002985
Model
1
Unstandardized
Standardized
Coefficients
Coefficients
for B
Std. Error
(Constant)
,205
,425
Nilai1
,248
,005
Nilai2
,254
Nilai3
Nilai4
Beta
Sig.
,483
,634
-,671
1,082
,285
45,440
,000
,237
,259
,007
,249
35,345
,000
,239
,269
,245
,005
,283
50,382
,000
,235
,255
,250
,003
,495
90,037
,000
,244
,256
b. Minitab
Coefficients
Term
Coef
SE Coef
T-Value
P-Value
0.205
0.425
0.48
0.634
nilai 1
0.24809
0.00546
45.44
0.000
1.73
nilai 2
0.25419
0.00719
35.34
0.000
2.18
nilai 3
0.24520
0.00487
50.38
0.000
1.39
nilai 4
0.24989
0.00278
90.04
0.000
1.33
Constant
VIF
c. Excel
Tabel 3.62 Output Taksiran Kesalahan Baku Intersep Excel
Interc
ept
1
2
Coeffici
ents
Stand
ard
Error
t Stat
Pvalue
0,20532
8
0,24809
4
0,25418
0,425
46
0,005
46
0,007
0,482
603
45,43
992
35,34
0,633
576
1,49E25
7,26E-
78
Lower
95%
0,670
92
0,236
849
0,239
Upper
95%
1,081
579
0,259
338
0,268
3
4
6
0,24520
2
0,24989
1
192
0,004
867
0,002
775
47
50,38
195
90,03
736
23
1,16E26
6,25E33
374
0,235
178
0,244
175
997
0,255
225
0,255
607
d. Manual
S a= S2e .C 11 =
No.
Perhitungan
Sa
SPSS
0.425
Minitab
0.425
Excel
0.42546
Manual
0.4575
Model
1
Unstandardized
Standardized
Coefficients
Coefficients
for B
Std. Error
(Constant)
,205
,425
Nilai1
,248
,005
Nilai2
,254
Nilai3
Nilai4
Beta
Sig.
,483
,634
-,671
1,082
,285
45,440
,000
,237
,259
,007
,249
35,345
,000
,239
,269
,245
,005
,283
50,382
,000
,235
,255
,250
,003
,495
90,037
,000
,244
,256
79
b. Excel
Tabel 3.65 Output Selang Kepercayaan Slop Excel
Interc
ept
1
2
3
4
Coeffici
ents
Stand
ard
Error
0,20532
8
0,24809
4
0,25418
6
0,24520
2
0,24989
1
0,425
46
0,005
46
0,007
192
0,004
867
0,002
775
t Stat
Pvalue
0,482
603
45,43
992
35,34
47
50,38
195
90,03
736
0,633
576
1,49E25
7,26E23
1,16E26
6,25E33
Lower
95%
0,670
92
0,236
849
0,239
374
0,235
178
0,244
175
Upper
95%
1,081
579
0,259
338
0,268
997
0,255
225
0,255
607
Lower
95,0%
0,670
92
0,236
849
0,239
374
0,235
178
0,244
175
c. Manual
80
Upper
95,0%
1,081
579
0,259
338
0,268
997
0,255
225
0,255
607
b 4t . S b 4 < 4 <b 4 +t . Sb 4
2
Perhitu
ngan
Selang kepercayaan
1
Excel
0.244175
0.255607
SPSS
0.237<1<
0.259
0.239
0.269
Manual
0.239664 < 2
< 0.268336
<2
< 0.235
0.255
<3
<
<4<
Model
Unstandardized
Standardized
Coefficients
Coefficients
for B
Std. Error
Beta
81
Sig.
(Constant
,205
,425
Nilai1
,248
,005
Nilai2
,254
Nilai3
Nilai4
,483
,634
-,671
1,082
,285
45,440
,000
,237
,259
,007
,249
35,345
,000
,239
,269
,245
,005
,283
50,382
,000
,235
,255
,250
,003
,495
90,037
,000
,244
,256
b. Excel
Tabel 3.68 Output Selang Kepercayaan Intersep Excel
Interc
ept
1
2
3
4
Coeffici
ents
Stand
ard
Error
t Stat
Pvalue
0,2053
28
0,2480
94
0,2541
86
0,2452
02
0,2498
91
0,425
46
0,005
46
0,007
192
0,004
867
0,002
775
0,482
603
45,43
992
35,34
47
50,38
195
90,03
736
0,633
576
1,49E25
7,26E23
1,16E26
6,25E33
Lower
95%
0,670
92
0,236
849
0,239
374
0,235
178
0,244
175
Upper
95%
1,081
579
0,259
338
0,268
997
0,255
225
0,255
607
Lower
95,0%
0,670
92
0,236
849
0,239
374
0,235
178
0,244
175
c. Manual
at . Sa <<a+ t . S a
2
82
Upper
95,0%
1,081
579
0,259
338
0,268
997
0,255
225
0,255
607
Perhitungan
Selang kepercayaan
Excel
-0.67092<< 1.081579
SPSS
-0.671<<1.082
Manual
0.6654 <<
1.0754
1 0
3. = 0,05
4. Daerah kritis t > 2,048 atau t < -2,048
5. Perhitungan :
t=
b1 0
Sb
1
t=
0,2480
=49,6
0,005
1 0
3. = 0,05
4. Daerah kritis t > 2,048 atau t < -2,048
5. Perhitungan :
b
t= 2 0
Sb
2
83
0,2540
=36,2
0,007
6. Keputusan :
Karena 36,2 > 2,048, maka jangan terima H0
7. Kesimpulan :
Garis model regresi tidak melewati titik (0,0)
c. Uji Hipotesis 3
1=0
1. H0 :
(garis mode regresi melewati titik (0,0))
2. H1
1 0
3. = 0,05
4. Daerah kritis t > 2,048 atau t < -2,048
5. Perhitungan :
b
t= 3 0
Sb
3
t=
0,2450
=49
0,005
6. Keputusan :
Karena 49> 2,048, maka jangan terima H0
7. Kesimpulan :
Garis model regresi tidak melewati titik (0,0)
d. Uji Hipotesis 4
1=0
1. H0 :
(garis mode regresi melewati titik (0,0))
2. H1
1 0
3. = 0,05
4. Daerah kritis t > 2,048 atau t < -2,048
5. Perhitungan :
b 0
t= 4
Sb
4
t=
0,2500
=50
0,005
6. Keputusan :
Karena 50 > 2,048, maka jangan terima H0
7. Kesimpulan :
Garis model regresi tidak melewati titik (0,0)
3.2.6.2 Uji Hipotesis Intersep
Program Studi Teknik Industri
Universitas Diponegoro
2016
84
1=0
2. H1
1 0
3. = 0,05
4. Daerah kritis t > 2,048 atau t < -2,048
5. Perhitungan :
0
t=
Sa
t=
0,2480
=0,173
0,425
6. Keputusan : Karena -2,048 < 0,173 < 2,048, maka jangan tolak H0
7. Kesimpulan :Garis mode regresi melewati titik (0,0)
3.2.7 Validasi
3.2.7.1 Koefisien Determinai
a. SPSS
Tabel 3.70 Output Koefisien Determinasi SPSS
Model Summaryb
DurbinChange Statistics
Std. Error
Mod
el
1
R
1,000a
Adjusted R
of the
R Square
Square
Square
Estimate
Change
Change
,999
,999
,28915
,999
Watson
Sig. F
10981,8
77
df1
df2
4
Change
25
c. Minitab
Model Summary
S
R-sq
R-sq(adj)
R-sq(pred)
0.289151
99.94%
99.93%
99.92%
d. Excel
Tabel 3.71 Output Koefisien Determinasi Excel
SUMMARY OUTPUT
Regression Statistics
0,9997
Multiple R
16
85
,000
1,748
R Square
Adjusted R
Square
Standard Error
Observations
0,9994
31
0,9993
4
0,2891
51
30
e. Manual
Y
^
Y i
Y
Y i
J 2 XY
JKR
R^2
Jxx.Jyy Jyy
=
i=1
3672,695
=0,999427
3674,8
No
Perhitungan
r2
SPSS
0,999
Minitab
0,999
Excel
0,999
Manual
0,999
86
Mean
df
Square
Sig.
Total *
Between
(Combined)
3405,633
26
130,986
1,460
,431
Nilai1
Groups
Linearity
1930,231
1930,231
21,513
,019
1475,402
25
59,016
,658
,766
269,167
89,722
3674,800
29
Deviation from
Linearity
Within Groups
Total
ANOVA Table
Sum of
Squares
Mean
df
Square
Sig.
Total *
Between
(Combined)
3648,300
27
135,122
10,198
,093
Nilai2
Groups
Linearity
2458,796
2458,796
185,569
,005
1189,504
26
45,750
3,453
,249
26,500
13,250
3674,800
29
Deviation from
Linearity
Within Groups
Total
ANOVA Table
Sum of
Squares
Mean
Df
Square
Sig.
Total *
Between
(Combined)
3326,800
24
138,617
1,992
,228
Nilai3
Groups
Linearity
1723,577
1723,577
24,764
,004
1603,223
23
69,705
1,002
,559
348,000
69,600
3674,800
29
Deviation from
Linearity
Within Groups
Total
ANOVA Table
87
Sum of
Squares
Mean
Df
Square
Total *
Between
(Combined)
3604,300
24
Nilai4
Groups
Linearity
2347,561
1256,739
23
54,641
70,500
14,100
3674,800
29
Deviation from
Linearity
Within Groups
Total
150,179
Sig.
10,651
,008
2347,561 166,494
,000
3,875
,069
6.Keputusan :
b. sig1 > 0,05, yakni 0,776>0,05
c. sig2 > 0,05, yakni 0,249>0,05
d. sig3 > 0,05, yakni 0,559>0,05
e. sig4 > 0,05, yakni 0,069>0,05, maka jangan tolak Ho
7. Kesimpulan : Data bersifat linier
b. Uji Normalitas
SPSS
1. H0 : Data model regresi berdistribusi secara normal.
2. H1 : Data model regresi tidak berdistribusi secara normal.
3. : 0.05
4. Daerah kritis : KS > 0,242 (diambil dari tabel kolmogorov Smirnov
dengan alpha 0,05 dan n=30
5. Perhitungan :
88
Minitab
89
Mean
76.8
StDev
11.26
N
30
KS
0.127
P-Value >0.150
95
90
Percent
80
70
60
50
40
30
20
10
5
50
60
70
80
90
100
110
total
6.Keputusan
7. Kesimpulan
c. Autokorelasi
1. Ho : Model regresi tidak terjadi autokorelasi
2. H1 : Model regresi terjadi autokorelasi
3. = 0.05
4. Daerah kritis: 1,74 <dw<2,26
5. Perhitungan
a. SPSS
Tabel 3.74 Output Perhitungan Autokorlasi SPSS
Model Summaryb
Dur
Change Statistics
Std. Error of
Mode
l
1
R
1,000a
Adjusted R
the
R Square
Square
Square
Estimate
Change
Change
,999
,999
,28915
,999
b. Minitab
Durbin-Watson Statistic
Durbin-Watson Statistic =
1.74828
90
Wa
Sig. F
10981,87
7
df1
df2
4
Change
25
,000
f. Manual
Tabel 3.75 Perhitungan Manual Autokorelasi Regresi Majemuk
Y
X1
X2
X3
X4
76
70,8
75,5
81,8
76,4
79
82,4
79,3
73,9
79,9
83
79,6
88,3
77,6
85,4
70
85,4
66,3
60,6
67,4
93
96,6
88,9
97,1
90,1
57
40,9
67,6
55,9
62,4
63
64,3
76,1
54,4
55,4
82
86,7
84,3
73,1
82,4
77
78,8
80,5
74,9
75,5
78
73,3
85,5
77,8
77
93
94,7
90,9
94,6
91,4
90
96,6
92,3
87,4
83,5
75
79,8
84,3
72,9
64,6
89
89,3
92,8
88
87,9
67
65
70
72,5
60
90
79
91,5
91,3
100
79
60
80,5
87,5
89
91
76,1100
7
78,8913
7
82,7660
7
69,9463
9
93,0919
9
56,8349
4
62,6838
3
81,6576
8
77,4489
6
78,4413
3
92,8408
6
89,9285
3
75,4487
7
89,4912
66,8945
5
90,4382
6
79,2479
92
88
86,5
92,5
100
89
68
90
97,5
99
85
80
84
76,5
99
55
59
42,5
78,8
40
74
67
72,5
72,5
84
70
85
93
91,3
10
78
68
77,5
88,8
77
66
68
71,5
85
40
65
75
74,5
80
30
65
56
68
78,8
58
91
86
89
87,5
100
72
83
70,5
72,5
63
61
69
73
42,5
59
1
91,6943
6
88,5983
3
84,9010
7
54,9627
5
74,0235
7
69,8179
8
77,7901
4
66,0873
1
64,8616
1
65,1983
4
90,6076
5
72,2369
4
61,0435
9
Et
et-1
76,11
007
0,110
07
78,89
137
0,108
626
82,76
607
0,233
933
0,110
07
0,108
626
69,94
639
0,053
611
0,233
933
93,09
199
0,091
99
0,053
611
et(et-1)
(et-(et1))^2
et^2
0,218
696
0,047827
94
0,011
8
0,125
307
0,180
32
0,145
61
0,015701
844
0,054
725
0,032516
024
0,002
874
0,021200
816
0,008
463
92
0,165
059
62,68
383
81,65
768
0,316
168
0,342
324
0,448
96
0,441
33
77,44
896
78,44
133
92,84
086
0,159
14
89,92
853
0,071
474
75,44
877
89,49
12
66,89
455
90,43
826
0,448
77
0,491
2
0,105
45
0,438
25
0,247
91
0,091
99
0,165
059
0,316
168
0,342
324
0,448
96
0,441
33
0,159
14
0,071
474
0,099
962
0,117
186
0,626133
534
0,201
567
0,007
628
5,81864E05
0,194
774
0,600
47
0,360564
221
0,025
326
0,007685
328
0,005
109
0,270656
941
0,201
397
0,087
67
0,520
25
0,596
65
0,355991
223
0,011
12
0,105
45
0,543
7
0,295615
127
0,192
067
0,190
345
0,036231
219
0,061
457
0,553
555
0,306423
138
0,093
419
0,096
025
0,302
74
0,061
67
0,060
82
0,205
58
0,009220
801
0,161
339
0,091651
508
0,009
787
0,003803
806
0,001
388
0,003699
072
0,000
555
0,042263
136
0,033
131
0,401
67
84,90
107
0,098
93
0,401
67
54,96
275
0,037
255
0,098
93
0,022833
93
0,000684
136
0,241
277
88,59
833
69,81
798
0,151
109
0,026
156
0,791
29
0,001800
305
0,305
645
0,023
56
0,182
02
0,027
244
0,042
43
91,69
436
74,02
357
0,066074
188
0,448
77
0,491
2
0,438
25
0,247
91
0,305
645
79,24
791
0,257
049
0,037
255
0,023
93
77,79
014
0,209
865
0,087
31
66,08
731
56
0,182
02
0,209
865
0,027
845
0,297
17
0,000775
344
0,044
043
0,088310
009
0,007
622
64,86
161
0,138
395
0,087
31
0,225
705
0,050942
747
0,019
153
65,19
834
0,198
34
0,138
395
0,336
74
0,113390
46
0,039
339
90,60
765
0,392
35
0,198
34
0,590
69
0,348914
676
0,153
939
0,392
35
0,629
29
0,395999
611
0,056
138
0,193
35
0,037384
222
0,001
9
Total
3,654353
493
2,078
101
1,758
506
0,236
94
0,043
59
72,23
694
61,04
359
0,236
94
0,043
59
t=n
d =
3,6543
2,078
1,75
Tabel 3.76 Perbandingan Nilai Uji Autokorelasi Regresi Linier
Majemuk
No
Perhitungan
SPSS
1,746
94
Minitab
1,758
Manual
1,75
6. Keputusan :
Ho diterima, berdasarkan hasil pengolahan data SPSS diperoleh nilai
D-W 1,74 < 2,51.
7. Kesimpulan : Model regresi terjadi autokorelasi.
d. Uji Heteroskedastisitas
Hipotesis:
1. Ho : Tidak terjadi ketidaksamaan variansi dari satu pengamatan dengan
pengamatan lainnya.
2. H1 : Terjadi ketidaksamaanvariansi dari satu pengamatan dengan
pengamatan yang lain.
3. : 0.05
4. Daerah kritis : plot membentuk pola geometris
5. Perhitungan
a. SPSS
95
b. Minitab
Versus Fits
(response is total)
0.50
Residual
0.25
0.00
-0.25
6.
-0.50
50
60
70
80
90
Fitted Value
Keputusan
96
Model
1
Unstandardized
Standardized
Coefficients
Coefficients
Std. Error
(Constant)
,205
,425
Nilai1
,248
,005
Nilai2
,254
Nilai3
Nilai4
Beta
Collinearity Statistics
t
Sig.
,634
,285
45,440
,000
,579
1,727
,007
,249
35,345
,000
,460
2,175
,245
,005
,283
50,382
,000
,721
1,387
,250
,003
,495
90,037
,000
,752
1,329
b. Minitab
Coefficients
Coef
SE Coef
T-Value
P-Value
0.205
0.425
0.48
0.634
nilai 1
0.24809
0.00546
45.44
0.000
1.73
nilai 2
0.25419
0.00719
35.34
0.000
2.18
nilai 3
0.24520
0.00487
50.38
0.000
1.39
nilai 4
0.24989
0.00278
90.04
0.000
1.33
Constant
VIF
,483
Term
Tolerance
6.Keputusan :
VIF < 100 maka jangan tolak Ho
7. Kesimpulan : model regresi tidak terjadi multikolinearitas
97
VIF
Sum of Squares
Regression
Mean Square
3672,710
918,177
2,090
25
,084
3674,800
29
Residual
Total
df
F
10981,877
b. Minitab
Analysis of Variance
Source
Regression
DF
Adj SS
Adj MS
F-Value
P-Value
3672.71
918.177
10981.88
0.000
nilai 1
172.63
172.634
2064.79
0.000
nilai 2
104.45
104.448
1249.25
0.000
nilai 3
212.23
212.227
2538.34
0.000
nilai 4
677.79
677.791
8106.73
0.000
0.084
Error
25
2.09
Total
29
3674.80
c. Excel
Tabel 3.79 Output Uji Garis Regresi Excel
ANOVA
df
Regres
sion
Residu
al
Total
4
25
29
SS
3672,
71
2,090
211
3674,
MS
918,1
774
0,083
608
98
F
10981
,88
Signific
ance F
3,69E40
Sig.
,000b
d. Manual
JKR =
^y y 2
= 2,090217
JKR 2,090217
=
=0,522554
k
4
y ^y
JKG =
= 2,090217
JKG
2,090217
=
=0,0836
( nk )1 (304 )1
rataankuadrat regresi
rataan kuadrat galat
0,522554
=6,25
2,090217
S.Variansi
Jmlh Kuadrat
Rataan Kuadrat
F hitung
6,25
JKR
2,090217
0,522554
JKG
2,090217 25
0,606
JKT
21550,67 29
99
2. H1 :
^y )
^y )
3. = 0,05
4. Daerah kritis = t < -1,69 atau t > 1,69 dengan v = 30 (tabel L.4)
5. Perhitungan :
a. SPSS
Tabel 3.81 Output UjiT Regresi Majemuk SPSS
Paired Samples Test
Sig. (2Paired Differences
df
tailed)
Mean
Pair 1 Total Nilai1
Pair 2 Total Nilai2
Pair 3 Total Nilai3
Pair 4 Total Nilai4
Std.
Std. Error
Deviation
Mean
the Difference
Lower
Upper
,96000
9,10387
1,66213
-2,43944
4,35944
,578
29
,568
-2,77000
6,72203
1,22727
-5,28005
-,25995
-2,257
29
,032
-2,05000
9,75672
1,78133
-5,69322
1,59322
-1,151
29
,259
3,89000
14,92908
2,72566
-1,68461
9,46461
1,427
29
,164
b. Minitab
Paired T-Test and CI: total, nilai 1
Paired T for total - nilai 1
N
Mean
StDev
SE Mean
total
30
76.80
11.26
2.06
nilai 1
30
75.84
12.93
2.36
Difference
30
0.96
9.10
1.66
100
P-Value = 0.568
Mean
StDev
SE Mean
total
30
76.80
11.26
2.06
nilai 2
30
79.57
11.01
2.01
Difference
30
-2.77
6.72
1.23
P-Value = 0.032
Mean
StDev
SE Mean
total
30
76.80
11.26
2.06
nilai 3
30
78.85
12.99
2.37
Difference
30
-2.05
9.76
1.78
P-Value = 0.259
Mean
StDev
SE Mean
total
30
76.80
11.26
2.06
nilai 4
30
72.91
22.31
4.07
Difference
30
3.89
14.93
2.73
P-Value = 0.164
c. Excel
Tabel 3.82 Output UjiT Regresi Majemuk Excel
Mean
Total
76,8
101
1
75,84
126,7
172
167,0
625
30
30
0,724
749
0
29
0,577
572
0,284
005
1,699
127
0,568
011
2,045
23
76,8
126,
7172
30
0,81
7983
0
29
2,25
705
0,01
5856
1,69
9127
0,03
102
Varia
ble 2
79,5
7
121,
2629
30
t Critical two-tail
1711
2,04
523
76,8
126,71
72
30
0,6848
55
3
78,8
5
168,
800
5
30
0
29
1,1508
3
0,1296
02
1,6991
27
0,2592
04
2,0452
3
76,8
126,
7172
30
0,79
9266
0
29
103
4
72,9
1
497,
5368
30
t Stat
P(T<=t) one-tail
t Critical one-tail
P(T<=t) two-tail
t Critical two-tail
d. Manual
t=
( y ^y )
( n 1 ) S
1
t=
2
1
+ ( n21 ) S22
n 1 n2 (n1+ n22)
n1+ n2
30.30 ( 30+302 )
0,013686
30+30
( 301 ) 167057,248+ ( 301 ) 27909,878
t=0,001925
6. Keputusan :
Karena t > 1,69, maka terima H0.
7. Kesimpulan :
Tidak erdapat perbedaan rataan antara y dan
^y .
No Perhitungan
1
SPSS
2
Minitab
3
Excel
4
Manual
Hasil
0,578
0,58
0,58
0,0019
Uji F
2
1. H0 : 1 = 2
^y )
2
2
2. H1 : 1 2 (nilai variansi y tidak sama dengan
3. = 0,05
4. Daerah kritis :
f0.05 (29,29) =
Program Studi Teknik Industri
Universitas Diponegoro
2016
3029
2924
104
^y )
1,85x
x1,9
a. Minitab
Test and CI for Two Variances: total, nilai 1
Tests
Test
Method
F
DF1
DF2
Statistic
P-Value
29
29
0.76
0.461
Tests
Test
Method
F
DF1
DF2
Statistic
P-Value
29
29
1.04
0.907
Tests
105
Test
Method
DF1
DF2
Statistic
P-Value
29
29
0.75
0.445
DF1
DF2
Statistic
P-Value
29
29
0.25
0.000
b. Excel
F-Test Two-Sample for Variances
Total
Mean
Variance
Observations
Df
F
P(F<=f) one-tail
F Critical one-tail
76,8
126,
7172
30
29
0,75
8502
0,23
0649
0,53
74
1
75,8
4
167,
0625
30
29
76,8
126,
7172
30
29
1,04
498
2
79,5
7
121,
2629
30
29
106
P(F<=f) one-tail
F Critical one-tail
0,45
3253
1,86
0811
76,8
126,
7172
30
29
0,75
0692
0,22
2373
0,53
74
3
78,8
5
168,
8005
30
29
76,8
126,
7172
30
29
0,25
4689
0,00
0213
0,53
74
4
72,9
1
497,
5368
30
29
c. Manual
s12 s ( y )2 73,6
2=
=
=0,959
s1 s ( ^y )2 76,8
6. Keputusan :
Program Studi Teknik Industri
Universitas Diponegoro
2016
107
^y .
No Perhitungan
1
SPSS
3.2.8
Hasil
0.76
Minitab
0.758502
Excel
0.7585
Manual
0,959
Prediksi (ramalan)
3.2.8.1 Selang Prediksi rata-rata
selang kepercayaan (1).100% atau 95% untuk rataan respon | xo rumusnya
adalah:
Dimana nilai t/2 adalah nilai distribusi-t, dengan derajat kebebasan n-k-1.
Dengan persamaan regresi
^
yo=b0 +b 1 x 1+ b2 x 2 +b 3 x 3 +b4 x 4
[] [ ]
a
b1
b2
b3
b4
0,205
0,248
0,254
0,245
0,249
x2 = 2387,1
b2=0,254
x3=2365,5
b3 = 0,245
b4 =0,249
x4 = 2187,3
Maka :
^
yo=0,205+(0,248)(70,8)+(0,254)(75,5)+(0,245)(81,8)+( 0,249)(76,4 )
^
yo=73,243
108
30
2275.2
2387.1 2365.5 2187.3
2275.2 177396
183674.7 181455.6 168612.5
2387.1 183674.7 193458.2 190328.9
177549.1
2365.5 181455.6 190328.9 191414.9
175105.6
2187.3 168612.5 177549.1 175105.6 173904.6 1.50663E+1284921
][ ] [ ]
a
2304
b1
177793.4
=
b2
186269.8
b3
184575.1
b4
173804.6
Matrik persamaan (X`X).b = (X`y), invers dari (X`X) adalah sebagai berikut = (XX)-1
2.16503
0.00432 0.01552 0.00817
0.004317 0.00036 0.00024 4.7E-05
0.01552 0.00024 0.00062 0.00012
0.00817 0.00005 0.00012 0.000283
0.0010
0.00000 0.00008 1.4E-05
Untuk matriks Xo
109
0.001027
9.3E-07
8.3E-05
1.44E-05
9.21E-05
2.16503
0.00432 0.01552 0.00817
0.004317 0.00036 0.00024 4.7E-05
0.01552 0.00024 0.00062 0.00012
0.00817 0.00005 0.00012 0.000283
0.0010
0.00000 0.00008 1.4E-05
0.001027
9.3E-07
8.3E-05
1.44E-05
9.21E-05
][ ]
1
75,84
79,57
78,85
72,91
= 0,033
Dengan menggunakan tabel L4 diperoleh t0,025 = 2,060 untuk derajat kebebasan
v = 30 - 4 - 1 = 25
Jadi selang prediksi rata-rata dengan selang kepercayaan 95% untuk Y X0 adalah :
^
y o t S x 0' ( X ' X ) 1 x 0 I
y
'
1
x10,20,..., k 0 y o t S x0 ( X ' X ) x0
2
10, 20,..., k 0
73,134
73,538
Dimana nilai dari t /2 adalah nilai distribusi-t dengan derajat kebebasan n-k-1.
Dengan menggunakan tabel distribusi-t diperoleh t0,025 = 2,060 untuk derajat
73,43 2,060 (0,289)
10, 20,..., k 0
72,637
3.3
74,03
Seleksi Variabel
1.3.1 Forward
Tabel 3.85 Output Seleksi Variabel Forward
Variables Entered/Removeda
110
Model
Variables
Variables
Entered
Removed
Method
Forward
Nilai2
(Criterion:
Probability-of-Fto-enter <= ,050)
Forward
Nilai4
(Criterion:
Probability-of-Fto-enter <= ,050)
Forward
Nilai3
(Criterion:
Probability-of-Fto-enter <= ,050)
Forward
Nilai1
(Criterion:
Probability-of-Fto-enter <= ,050)
a.
1.3.2 Backward
Tabel 3.86 Output Seleksi Variabel Forward
Variables Entered/Removeda
Model
1
Variables
Variables
Entered
Removed
Nilai4, Nilai3,
Method
. Enter
Nilai1, Nilai2b
a. Dependent Variable: Total
b. All requested variables entered.
1.3.3 Stepwise
Tabel 3.87 Output Seleksi Variabel Forward
Variables Entered/Removeda
Model
Variables
Variables
Entered
Removed
111
Method
Stepwise
(Criteria:
Probability-of-FNilai2
Stepwise
(Criteria:
Probability-of-FNilai4
Stepwise
(Criteria:
Probability-of-FNilai3
Stepwise
(Criteria:
Probability-of-FNilai1
112
Perhitunga
.
1
2
3
4
n
SPSS
Minitab
Excel
Manual
0.048
0.048
0.048
0.048
113
regresi
merupakan
teknik
statistika
yang
digunakan
untuk
Slop
Berikut ini adalah tabel perbandingan nilai slop regresi sederhana
Tabel 4.2 Perbandungan Nilai Slop Regresi
No
Perhitunga
.
1
2
3
4
n
SPSS
Minitab
Excel
Manual
R
7,329E-5
0,000073
7,33E-05
7,33E-05
Perhitunga
.
1
2
3
n
SPSS
Minitab
Excel
3,300
3,3001
3,30009
6
4
Manual
3,300
Berdasarkan hasil perhitungan software SPSS, Minitab, Excel dan
manual diperoleh nilai intersep yang hampir sama, yaitu 3,300 secara
berurutan walaupun terdapat angka di belakang perhitungan. Perbedaan
Program Studi Teknik Industri
Universitas Diponegoro
2016
114
Perhitunga
Nilai
.
1
2
n
SPSS
Minitab
0,129
0,12900
Excel
3
0,12900
Manual
3
0,129
4.1.3.2
115
Perhitunga
Nilai
.
1
2
n
SPSS
Minitab
0,000
0,00028
Excel
7
0,00028
Manual
7
0,00028
7
Berdasarkan hasil perhitungan software SPSS, Minitab, Excel dan manual
diperoleh nilai intersep yang sama, yaitu kisaran 0,000289. Nilai ini menunjukkan
tingkat ketepatan yang dimiliki nilai regresi dan koefisien. Perbedaan nilai terjadi
karena perbedaan pembulatan angka dan ketentuan jumlah angka yang diambil di
belakang koma. Maka berdasarkan nilai taksiran slop, yaitu 0,000287, dapat
disimpulkan bahwa perhitungan taksiran mendekati aslinya karena nilai slop mendekati
nol.
4.3.1.3
No
Perhitunga
Nilai
.
1
2
3
n
SPSS
Minitab
Excel
0,078
0,0783
0,07827
Manual
9
0,078
116
slop dengan = 0,05 (pada derajat kepercayaan 95 . Nilai taksiran slop merupakan nilai
yang dikalikan dengan variabel independen. Jika nilai slop positif maka nilai model
regresi akan bertambah sedangkan bila nilai slop negatif maka model regresi linear akan
berkurang.
Tabel 4.7 Perbandungan Nilai Selang Kepercayaan Slop
No
1
2
3
Cara Perhitungan
SPSS
Excel
Manual
Selang Kepercayaan
-0,001< <0,001
-0,00052< <0,00062
-0,00052< <0,00066
Dari tabel diatas, menunjukkan bahwa ketiga output menghasilkan nilai batas
bawah dan batas atas yang tidak signififkan perbedaannya. Perbedaan hanya terlihat
pada pembulatan di belakang koma. Secara garis besar, dapat terlihat bahwa batas
bawah dari selang kepercayaan slop adalah -0,00052 dan batas atasnya adalah 0,00062.
Pada SPSS berbeda dikarenakan pembulatan yang berbeda pula dengan yang lainnya.
4.1.4.2
intersep dan taksiran intersep dengan = 0,05 (derajat kepercayaan 95%). Nilai taksiran
Intersep digunakan untuk menyatakan nilai konstanta (nilai tetap) terhadap variabel
dependen.
Tabel 4.8 Perbandungan Nilai Selang Kepercayaan Intersep
No
Cara Perhitungan
Selang Kepercayaan
117
SPSS
Excel
Manual
Perhitunga
Nilai
.
1
2
3
n
SPSS
Minitab
Excel
0,002
0,0023
0,00231
Manual
8
0,00232
Pada perhitungan regresi linier sederhana selain koefisien korelasi terdapat pula
koefisien determinasi (r2) yang menyatakan proporsi variansi keseluruhan dalam nilai
peubah y yang dapat diakibatkan oleh hubungan linier dengan nilai peubah x.
Berdasarkan perhitungan menggunakan software SPSS, Minitab, Excel, dan
manual didapatkan nilai koefisien determinan sebesar 0,002. Hal ini menandakan bahwa
0,02% variansi dari nilai y (total nilai) disebabkan oleh hubungan linier dengan x (nilai
ulangan harian). Dari besar nilai presentase yang sangat kecil tersebut menandakan
bahwa tidak ada pengaruh signifikan antara variabel x dan y.
4.1.5.2 Uji Asumsi Klasik Statistika
Program Studi Teknik Industri
Universitas Diponegoro
2016
118
Betwee
(Combined)
Linearity
Deviation from
Groups
Squares
1,549
,008
Linearity
Within Groups
Total
Mean
Df Square
F
11
,141 1,223
1
,008 ,073
1,540
10
,154 1,338
2,072
3,620
18
29
,115
Sig.
,340
,790
,284
Berdasarkan hasil output dari software SPSS didapatkan nilai signifikan dari
deviation from linierity sebesar 0,284. Nilai tersebut menandakan bahwa data tersebut
bersifat linier karena berada diluar nilai kritis dengan = 0.05. Suatu model linier
digunakan untuk memprediksi variabel dependen pada suatu garis lurus yang peubah
nilainya konstan terhadap peubah nilai variabel independen.Berdasarkan perhitungan
tersebut, dapat disimpulkan bahwa nilai linieritas yang dimiliki oleh variabel
independen dan dependen memenuhi syarat pada uji asumsi klasik untuk regresi linier.
2. Uji Normalitas
119
Mean
3,311
StDev 0,3533
N
30
KS
0,131
P-Value >0,150
95
90
Percent
80
70
60
50
40
30
20
10
5
2,0
2,5
3,0
3,5
4,0
IPK
3. Uji Autokorelasi
Berdasarkan hasil perhitungan software SPSS, Minitab, Excel dan manual
maka dihasilkan nilai Durbin Watson untuk uji autokorelasi sebagai berikut :
Tabel 4.11 Perbandingan Uji Autokorelasi
Durbin Watson
SPSS
2,187
Minitab
2,187
Manual
0,943
120
Residual
0,00
-0,25
-0,50
-0,75
-1,00
-1,25
3,30
3,31
3,32
3,33
3,34
3,35
Fitted Value
Nilai T
-3,433
121
Nilai F
-3,43
0,00
2,32e-
Excel
-3,43
0,6
2,32e-
Manual
-0,6
0,6
Uji t adalah suatu pengujian yang digunakan untuk mengetahui apakah rataan y
(aktual) yang dimasukkan secara parsial mempunyai kesamaan terhadap rataan
(taksiran). Sedangkan hasil uji f adalah suatu pengujian yang digunakan untuk
mengetahui apakah variansi y (aktual) yang dimasukkan secara bersama-sama
mempunyai kesamaan terhadap rataan (taksiran).
Berdasarkan hasil perhitungan menggunakan software SPSS, Minitab, Excel
dan manual pengujian dengan menggunakan Uji t menghasilkan nilai -3,4. Sedangkan
pengujian dengan menggunakan Uji F menghasilkan nilai sebesar 2,32e-0,6.
122
SPSS
Minitab
Excel
Manual
0,725
0,818
0,685
0,799
0,639
0,422
0,326
0,508
0,492
0,314
0,725
0,818
0,685
0,799
0,639
0,422
0,326
0,508
0,3492
0,314
0,725
0,818
0,685
0,799
0,639
0,422
0,33
0,508
0,49
0,314
0,723
0,81
0,69
0,799
0,64
0,42
0,75
0,507
0,492
0,31
Analisis :
Seperti pada diatas tidak terdapat perbedaan dari perhitungan baik manual
maupun menggunakan software. Berdasarkan nilai koefisien korelasi yang diperoleh,
menunjukkan bahwa anata variabel memiliki hubungan satu sama lain. Koefisien
korelasi yang mendekati satu dan memberikan indikator hubungan yang erat antara
kedua variabel diatas. Hubungan yang cukup erat dan ketiga bahwa koefisien korelasi
antara interval 0,4 < r < 0,9 Hubungan yang erat ( reliabel ). Dari tabel diatas juga dapat
dilihat bahwa yg memiliki hubungan yang erat adalah x1y, x2y, x4y yakni variabel total
nilai ulangan haran 1, ulangang harian 2, ulangan harian 4 terhadap total nilai. Semua
koefisien tersebut juga menyatakan ke arah yang positive karena nilai dari koefisien
korelasinya bernilai positive, dimana nilai Ulangan harian 1, Ulangan harian 2, Ulangan
harian 3, dan Ulagan harian 4 mempengaruhi Total nilai.
b1
0.248
b2
0.254
123
b3
0.245
b4
0.250
0.24809
0.248094
0.248
0.25419
0.254186
0.254
0.24520
0.245202
0.245
0.24989
0.249891
0.249
Analisis:
Slope adalah ukuran kemiringan dari suatu garis. Slope merupakan koefisien
regresi untuk variabel bebas. Perubahan 1 satuan pada X mengakibatkan perubahan b
satuan pada Y, sehingga Y mengukur kemiringan/slope garis tersebut. Dari perhitungan
manual, SPSS, minitab, dan excel, nilai intersep (a) dan slop (b1, b2, b3, dan b4) yang
diperoleh tidak menunjukkan perbedaan yang signifikan. Maka dari nilai intersep (a)
dan slop (b1, b2, b3, dan b4) didapatkan persamaan garis regresinya Y = 0,205 + 0,248
X1 + 0,254 X2 + 0,245 X3 +0,249 X4
.
Pengaruh dari nilai slope dan keempat nilai intersep ini akan mempengaruhi
dari nilai variabel dependennya, nilai slope dan intersep yang positif akan
mempengaruhi vriabel dependennya, yakni variabel Y. Dan dalam konsep statistika,
intersep merupakan suatu titik perpotongan antara suatu garis dengan sumbu Y pada
diagram kartesius saat nilai X = 0. Dapat dinyatakan bahwa pada data ini, jika jumlah
nilai ulangn harian adalah 0 maka secara rata-rata jumlah kemenangan akan bernilai
sama dengan intersep yaitu sebesar 0,205. Dan dalam konsep statistika, slope
merupakan suatu nilai yang menunjukkan seberapa besar kontribusi yang diberikan
variable X terhadap variable Y, nilai slope ini dapat diartikan sebagai rata-rata
pertambahan atau pengurangan yang terjadi pada variable Y untuk setiap peningkatan
satu satuan variable X. Dalam data ini dapat dinyatakan bahwa, yang pertama adalah
setiap peningkatan 1 Nilai UH 1 maka dapat diperkirakan terjadi peningkatan sebesar
0,248 terhadap Total nilai. Kedua, setiap peningkatan 1 Nilai UH 2 maka akan terjadi
peningkatan 0,254 terhadap Total nilai. Ketiga, setiap peningkatan 1 nilai UH 3 maka
akan terjadi peningkatan sebesar 0,245 terhadap Total nilai. Dan untuk variabel terakhir
yaitu setiap peningkatan 1 Nilai UH 3 akan terjadi peningkatan sebesar 0,249 terhadap
Total nilai
4.2.3 Standard Error atau Kesalahan Baku
Program Studi Teknik Industri
Universitas Diponegoro
2016
124
Perhitungan
1
2
3
4
SPSS
Minitab
Excel
Manual
Kesalahan
Baku
0.084
0.084
0.083608
0.08309
Analisis:
Nilai kesalahan baku menunjukan tingkat ketepatan yang dimiliki oleh nilai
regresi dan koefisien. Dari perhitungan manual, SPSS, minitab, dan excel, dan manual,
didapatkan nilai taksiran kesalahan baku dari regresi linier majemuk (Se 2) tidak
menunjukkan perbedaan yang signifikan. Perbedaan hanya ditunjukkkan tentang
masalah pembulatan nilai dari software. Dalam analisis regresi, standar error
mencerminkan standar deviasi yang mengukur variasi titik-titik di atas dan dibawah
garis regresi populasi. Standar error yang didapatkan dari perhitungan SPSS, Mintab,
Excel, dan Manual adalah senilai 0.084 ; 0.084; 0.083608; dan 0.08309. Semakin kecil
angka standar error ini dibandingkan angka standar deviasi dari variabel independen
maka model regresi semakin tepat dalam memprediksi variabel independen.
Perhitungan
SPSS
Minitab
Excel
Sb1
0,005
0,00546
0,00546
Sb 2
0,007
0,00719
0,007192
125
Sb 3
0,005
0,00487
0,004867
Sb 4
0,003
0,00278
0,00277
Manual
0.00587
0.00773
0.00523
0.002985
Analisis:
Nilai kesalahan baku menunjukan tingkat ketepatan yang dimiliki oleh nilai
regresi dan koefisien. Dari perhitungan manual, SPSS, minitab, dan excel, dan manual,
didapatkan nilai taksiran kesalahan baku slop dari regresi linier majemuk (S b) tidak
menunjukkan perbedaan yang signifikan. Perbedaan hanya ditunjukkkan tentang
masalah pembulatan nilai dari software. Dalam analisis regresi, standar error
mencerminkan standar deviasi yang mengukur variasi titik-titik di atas dan dibawah
garis regresi populasi. Standar error untuk slop (b1, b2, b3, b4, secara berurutan) yang
didapatkan dari perhitungan SPSS, minitab, excel dan manual adalah senilai (0.005 :
0.007 : 0.005 : 0.003), (0,00546 : 0,00719 : 0,00487: 0,00278), (0,00546: 0,007192 :
0,004867 : 0,00277), (0.00587 : 0.00773 : 0.00523 : 0.002985). Semakin kecil angka
standar error ini dibandingkan angka standar deviasi dari variabel independen maka
model regresi semakin tepat dalam memprediksi variabel independen.
4.2.3.3 Kesalahan Baku Taksiran Intersep
Tabel 4.17 Perbandingan Hasil Kesalahan Baku Taksiran Intersep
No.
1
2
3
4
Perhitungan
SPSS
Minitab
Excel
Manual
Sa
0.425
0.425
0.42546
0.42575
Analisis :
Nilai kesalahan baku menunjukan tingkat ketepatan yang dimiliki oleh nilai regresi dan
koefisien. Dari perhitungan manual, SPSS, minitab, dan excel, dan manual, didapatkan
nilai taksiran kesalahan baku intersep dari regresi linier majemuk (S a) tidak
menunjukkan perbedaan yang signifikan. Perbedaan hanya ditunjukkkan tentang
masalah pembulatan nilai dari software. Dalam analisis regresi, standar error
mencerminkan standar deviasi yang mengukur variasi titik-titik di atas dan dibawah
garis regresi populasi. Standar error untuk intersep yang didapatkan dari perhitungan
SPSS, minitab, excel, dan manual adalah senilai 0.425, 0.425, 0.42546 dan 0.42575.
Program Studi Teknik Industri
Universitas Diponegoro
2016
126
Manual
Selang kepercayaan
2
3
0.239 <2 < 0.269 0.235 <3 < 0.255 0.244 <4< 0.256
0.239374 <2 < 0.235178 <3 < 0.244175
<4<
0.259338
0.268997
0.255225
0.268336
0.25524
0.255607
0.243856 < 4 <
0.256144
Analisis :
Selang kepercayaan dengan nilai (1-) 100% menyatakan besar nilai yang masih
mungkin pada nilai taksiran slop dengan nilai = 0.05. Dari perhitungan Excel, SPSS
dan manual, nilai yang diperoleh tidak menunjukkan perbedaan yang signifikan.
Perbedaan nilai selang kepercayaan hanya masalah pembulatan. Hal ini dikarenakan
pembulatan tidak hanya dilakukan pada hasil akhir tetapi juga pada saat proses
perhitungan. Nilai koefisien selang kepercayaan yang diberikan pada output regresi
merupakan dugaan titik (point estimate) dari parameter koefisien regresi. Untuk selang
kepercayaan slop b1, b2, b3 dan b4 menggunakan perhitungan software excel, SPSS dan
perhitungan manual. Pada slop b1 terletak diantara nilai 0.237 <1 < 0.259. Untuk selang
kepercayaan slop b2 terletak diantara nilai 0.239 <2 < 0.269, untuk selang kepercayaan
b3 terletak diantara nilai 0.235 <3 < 0.255 dan untuk selang kepercayaan b4 terletak
diantara nilai 0.244 <4< 0.256.
Terjadinya selang kepercayaan ini dikarenakan adanya rentang perkiraan nilainilai yang memungkinkan untuk mencakup parameter populasi data. Perkiraan rentang
atau selang kepercayaan ini diketahui dari himpunan data sampel. Lebar dari selang
Program Studi Teknik Industri
Universitas Diponegoro
2016
127
Selang kepercayaan
-0.67092<< 1,081579
-0.671<<1.082
0.6654 << 1.0754
Analisis :
Selang kepercayaan dengan nilai (1-) 100% menyatakan besar nilai yang masih
mungkin pada nilai taksiran intersep dengan nilai = 0.05. Dari perhitungan excel,
SPSS, dan manual nilai yang diperoleh tidak menunjukkan perbedaan yang signifikan.
Perbedaan nilai selang kepercayaan hanya masalah pembulatan. Hal ini dikarenakan
pembulatan tidak hanya dilakukan pada hasil akhir tetapi juga pada saat proses
perhitungan. Nilai koefisien selang kepercayaan yang diberikan pada output regresi
merupakan dugaan titik (point estimate) dari parameter koefisien regresi. Untuk selang
kepercayaan intersep dengan menggunakan software Excel, SPSS, dan perhitungan
manual terletak diantara nilai - 0.6654 << 1.0754 .
Terjadinya selang kepercayaan ini dikarenakan adanya rentang perkiraan nilainilai yang memungkinkan untuk mencakup parameter populasi data. Perkiraan
rentang/selang kepercayaan ini diketahui dari himpunan data sampel. Lebar dari selang
kepercayaan yang sangat besar dapat menunjukkan bahwa lebih banyak data yang harus
dikumpulkan sebelum sesuatu yang sangat pasti dapat dikatakan sebagai parameter.
4.2.5 Analisa Seleksi Variabel
Forward
Pada metode forward dimulai dari keadaan dimana semua variabel independen berada
diluar persamaan regresi. Kemudian dilakukan penilaian satu persatu terhadap variabel
independen variabel yang telah dilakukan tidak dapat lagi dikeluarkan. Langkah
Program Studi Teknik Industri
Universitas Diponegoro
2016
128
square terbaik adalah nilai mean yang memiliki nilai terkecil yaitu pada X1.
Backward
Pada selesksi variable dengan menggunakan metode backward dengan memasukkan
semua variable independen yang ada kedalam persamaan garis regresi. Kemudian
dilakukan pemilihan terhadap setiap variable independen apakah layak untuk berada di
dalam persamaan regresi Pada praktikum ini terdapat variable yang dikeluarkan yaitu
variable dokter umum (X1). Variables Removed menjelaskan bahwa variabel dokter
umum (X1) tidak terlalu mempengaruhi variabel dependennya. Pada Backward, seluruh
4.2.6 Validasi
4.2.6.1 Koefisien Determinasi
Tabel 4.20 Perhitungan Koefisien Determinasi Majemuk
No
Perhitungan
r2
SPSS
0,999
Minitab
0,9994
Excel
0,999431
Manual
0,999427
Analisis :
Dari hasil perhitungan yang didapatkan menggunakan software SPSS, Minitab,
Excel, dan juga secara manual dapat dilihat bahwa nilai koefisien determinasi majemuk
Program Studi Teknik Industri
Universitas Diponegoro
2016
129
0,127. Nilai KS tersebut lebih kecil dari 0,241, maka dapat dinyatakan bahwa data yang
digunakan berdistribusi normal.
c. Uji Autokorelasi
Tabel 4.21 Perbandingan Nilai Durbin-Watson Regresi Majemuk
No
Perhitungan
130
SPSS
1,748
Minitab
1,74828
Manual
1,7585
Uji autokorelasi bertujuan untuk menguji apakah pada model regresi terdapat
korelasi antara residual pada periode ke-t dengan residual pada periode sebelumnya (t1). Pada perhitungan ini digunakan uji Durbin Watson, dimana untuk mendapatkan
regresi yang baik maka suatu model harus tidak terjadi autokorelasi. Pada percobaan ini
dihasilkan nilai uji Durbin Watson pada software SPSS, Minitab, dan perhitungan
manual sebesar 1,748 dengan daerah kritis 1.49 < d < 2,51. Nilai perhitungan tersebut
berada diantara daerah kritis, sehingga dapat disimpulkan bahwa tidak terdapat
autokorelasi positif atau negatif pada model data. Dari hal ini, dapat disimpulkan bahwa
spesifikasi model persamaan utama adalah benar atau linear sehingga data dapat
digunakan.
d. Uji Heterokesdastisitas
Uji heterokesdastisitas digunakan untuk menguji apakah dalam model regresi
terjadi ketidaksamaan variansi residual dari satu pengamatan ke pengamatan lain atau
tidak. Jika variansi dari pengamatan tetap, maka disebut homoskesdastisitas. Suatu
model regresi yang baik haruslah memenuhi asumsi homoskesdastisitas. Berdasarkan
hasil output dari software SPSS dan Minitab dihasilkan grafik yang memiliki plot
tersebar tanpa membentuk suatu bentuk geometri, sehingga dapat disimpulkan bahwa
model regresi bersifat heteroskesdastisitas.
e. Uji Multikolinearitas
Tabel 4.22 Perbandingan Nilai VIF Uji Multikolinearitas Majemuk
Variabel Independen
Nilai VIF
SPSS
Minitab
X1
1,727
1,73
X2
2,175
2,18
X3
1,387
1,39
X4
1,329
1,33
131
Perhitungan
SPSS
Minitab
Excel
Manual
Uji T
0.578
0.58
0.577572
0.5775
Uji F
0.76
0.758502
0.7585
^y .
^y .
132
133
memberikan indikator hubungan yang kurang erat atau lemah antar kedua variabel.
Dalam bidang industri, korelasi dan regresi bisa digunakan untuk mengetahui pengaruh
variabel tertentu untuk meningkatkan produktivitas seperti untuk mengetahui pengaruh
kepuasan kerja terhadap kinerja karyawan.
5.2 Saran
Program Studi Teknik Industri
Universitas Diponegoro
2016
134
2. Praktikan sebaiknya dapat lebih menguasai software SPSS, Minitab, dan Excel
sehingga lebih memudahkan dalam mengerjakan.
3. Sebaiknya praktikan lebih mendalami hasil dari praktikum ini, menganalisis
dengan baik sehingga dapat diaplikasikan dalam kehidupan.
135
DAFTAR PUSTAKA
LAMPIRAN
1. Lembar Asistensi