Oleh :
Nama : Aulia Kahfi
NIM : 14305144018
Kelas : Matematika E 2014
subjek
1
2
3
4
5
6
7
8
9
10
X1
19,5
24,7
30,7
29,8
19,1
25,6
31,4
27,9
22,1
25,5
X2
43,1
49,8
51,9
54,3
42,2
53,9
58,5
52,1
49,9
53,5
X3
29,1
28,2
37
31,1
30,9
23,7
27,6
30,6
23,2
24,8
Y
11,9
22,8
18,7
20,1
12,9
21,7
27,1
25,4
21,3
19,3
Keteranga :
Y
X1
X2
= lingkar paha
X3
= lingkar lengan
subjek
11
12
13
14
15
16
17
18
19
20
X1
31,1
30,4
18,7
19,7
14,6
29,5
27,7
30,2
22,7
25,2
X2
56,6
56,7
46,5
44,2
42,7
54,4
55,3
58,6
48,2
51
X3
30
28,3
23
28,6
21,3
30,1
25,7
24,6
27,1
27,5
Y
25,4
27,2
11,7
17,8
12,8
23,9
22,6
25,4
14,8
21,1
Regresi Y atas
X1 :
SV
Db
JK
KT
F
regresi
1 352.27
352.27 44.3044997
galat
18 143.12 7.95111111
total
19 495.39
Jadi = -1.496 + 0.587 X1
Regresi Y atas
X2 :
SV
Db
JK
KT
F
regresi
1 381.97
381.97 60.6141232
galat
18 113.43 6.30166667
total
19
495.4
Jadi = -23.6345 + 0.8565 X2
Regresi Y atas
X3 :
SV
Db
JK
KT
F
regresi
1
10.05
10.05 0.3727284
galat
18 485.34 26.9633333
total
19 495.39
Jadi = 14.6868 + 0.1994 X3
galat
17 105.93 6.23117647
total
19 495.39
Jadi = 6.792 + 1.0006 X1- 0.4314 X3
= 352.27
Apakah
kecil daripada
? Ya ,
lebih
TUGAS :
Uji apakah
Ya, karena ada tidak kemungkinan untuk ada hubungan linear antara Y ~ X3 besar
sehingga X3 (lingkar lengan) tidak berpengaruh terhadap Y dan Fvalue = 0.3728
dan dari Ftabel didapat 4.41 karena itu didapat 0.3728 < 4.41 atau Fvalue > Ftabel
sehingga variabel lingkar lengan dapat dikeluarkan dari model.
d) Variable lingkar lengan dan lingkar paha dapat dikeluarkan dari model ?
Tidak, karena ada kemungkinan untuk ada hubungan linear antara Y ~ X1+X2
besar sehingga X1 (lipatan kulit trisep) dan X2 (lingkar paha) berpengaruh
terhadap Y dan Fvalue = 29.424 dan dari Ftabel didapat 3.59 karena itu didapat
29.424 > 3.59 atau Fvalue > Ftabel sehingga variabel lingkar lengan dan lingkar
paha tidak dapat dikeluarkan dari model.
e) Dari poin (a,b,c,d) apa yang dapat saudara simpulkan ?
Ket : Gunakan jumlah kuadrat ekstra
Dari poin a,b,c,d dapat disimpulkan bahwa model yang dapat dikeluarkan adalah
X3 karena tidak ada hubungan regresi antara Y~X3 sedangkan X1,X2
berhubungan linear dengan Y yang ditunjukkan dengan besarnya nilai F pada
perhitungan table Anova.
~
X1
~X
2
~X
3
~X
1+X
2
~X
1+X
3
~X
2+X
3
15.2
155
19.6
719
13.2
967
19.0
386
20.4
809
20.3
018
13.5
619
19.1
316
13.7
965
19.3
887
13.4
747
19.0
9
~X
1+X
2+X
3
14.7
194
20.0
616
24.8
139
24.0
426
14.8
727
20.8
383
22.8
951
12.5
254
22.0
53
20.8
789
20.8
391
21.8
475
23.2
293
12.8
8
21.6
107
23.2
468
12.6
221
21.7
219
23.1
979
12.8
816
20.8
228
22.9
556
11.6
25
20.4
432
22.5
523
19.4
063
22.0
333
22.2
246
22.1
471
22.0
732
25.4
138
26.4
945
20.1
824
26.3
523
26.3
534
26.4
361
25.5
29
22.4
143
21.0
097
20.7
794
21.3
577
21.5
599
21.2
777
22.1
06
17.4
437
19.1
243
19.3
068
18.6
203
18.9
361
18.6
951
19.4
372
20.3
575
25.1
567
22.2
095
24.8
662
19.6
252
20.6
6
21.7
475
25.0
336
21.6
515
25.0
211
21.9
123
25.0
496
20.3
792
24.4
164
24.5
568
24.9
519
20.3
217
24.9
441
25.0
514
24.9
715
24.8
128
14.5
299
15.3
869
16.2
105
14.2
394
19.2
67
20.3
814
15.6
249
14.3
312
15.6
187
14.2
117
15.7
825
14.3
628
14.8
628
13.5
332
11.0
162
12.9
539
18.9
287
12.2
105
12.2
456
12.3
855
11.6
776
23.7
855
22.9
808
20.6
799
23.2
286
23.3
765
23.1
87
23.5
554
1,
2
1,
3
2,
3
3.31
55
3.12
81
6.11
39
3.94
26
1.97
27
1.39
67
3.76
14
2.13
83
2.79
51
0.37
46
0.85
23
8.58
09
2.49
82
3.35
3
0.77
89
7.93
91
1.66
19
3.66
84
3.14
75
3.12
93
0.02
1.57
47
3.71
2.29
37
6.91
76
4.62
06
1.99
32
0.32
52
4.74
0.33
33
1.89
65
3.41
13
2.91
07
3.14
68
0.27
79
0.52
46
0.74
77
4.04
23
2.67
97
2.44
75
0.36
64
2.25
59
3.92
49
3.46
88
0.58
95
0.67
14
0.74
66
3.84
01
2.36
39
2.35
15
0.37
89
2.14
86
3.91
87
3.58
83
0.55
44
0.52
35
0.66
39
4.12
23
2.60
49
2.61
23
0.35
04
2.22
85
4.08
25
3.43
72
0.41
45
0.71
3
1.25
68
1.68
62
2.98
57
3.85
63
1.05
75
0.24
33
2.64
32
2.82
99
2.41
31
1.78
38
0.11
45
0.60
55
4.39
03
2.17
57
2.90
95
0.53
38
2.24
81
4.51
05
3.56
06
0.15
39
0.91
92
6.87
83
7.56
7
2.58
14
6.12
87
3.22
01
3.02
19
3.09
79
0.01
84
0.44
71
22.2
429
23.7
521
19.8
043
23.4
221
23.4
667
23.5
305
22.7
986
24.3
854
26.5
802
19.5
854
26.1
518
26.4
422
26.2
332
26.6
002
17.9
579
20.1
004
17.6
674
20.0
67
20.0
829
20.1
625
17.6
332
20.0
334
17.8
597
20.1
902
17.6
228
20.0
44
18.3
742
20.3
268
Uji Autokorelasi
I.
Hipotesis =
0.35
71
1.01
46
3.15
79
0.99
96
1.15
21
1.18
02
2.86
74
1.03
3
2.79
57
5.81
46
5.28
29
0.93
75
0.82
21
0.86
67
0.93
05
0.75
18
1.04
22
0.83
32
2.83
32
1.06
66
3.05
97
0.90
98
2.82
28
1.05
6
Uji Autokorelasi
I.
Hipotesis =
Uji Autokorelasi
I.
Hipotesis =
Uji Autokorelasi
I.
Hipotesis =
Uji Autokorelasi
I.
Hipotesis =
Uji Autokorelasi
I.
Hipotesis =
Uji Autokorelasi
I.
Hipotesis =
Kesimpulan:
Dari pengujian asumsi autokolerasi diatas dari semua data tidak terjadi
autokorelasi karena p-value > 0.05 sehingga semua data tidak mengalami
autokorelasi. Apabila terjadi autokorelasi maka ada beberapa cara untuk
mengatasinya yaitu :
1.
Evaluasi model
dan
Dimana:
Formula diatas untuk data yang besar. Sedangkan untuk data berukuran kecil,
sebaliknya menggunakan formulasi yang diusulkan oleh Theil-Nagar, yaitu:
Dimana:
k
adalah
jumlah
koefisien
termasuk
intercept
Setelah memperoleh modelnya dimasukkan ke model umum tadi sehingga akan
membentuk model baru yang akan dilakukan analisis regresi. Kemudian hasilnya
diharapkan sudah tidak mengadung autokorelasi.
c) Estimasi ro berdasarkan residual
Berbeda dengan metode diatas yang menggunakan DW. Sedangkan pada metode
ini menggunakan residual untuk menentukan roh.
Setelah memperoleh ro maka kita akan membentuk model persamaan seperti pada
transformasi yang dilakukan dengan pendekatan Durbin-Watson. Selain cara itu,
bisa digunakan dengan formulasi berikut:
Dari model tersebut akan diperoleh slope dengan melakukan regresi. koefisien
itulah yang menjadi nilai koefisien korelasi yang diestimasi. Langkah selajutnya
hampir sama dengan langkah yang telah dijelaskan diatas.