Tugas Analisis Regresi

Oleh :
Nama : Aulia Kahfi
NIM : 14305144018
Kelas : Matematika E 2014

Universitas Negeri Yogyakarta

Tahun 2016/2017

Perhatikan data lemak tubuh berikut :

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

= banyak lemak tubuh

X1

= ketebalan lipatan kulit trisep

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

Regresi Y atas X1 dan X2 :

SV
Db
JK
KT
F
regresi
2 385.44
192.72 29.7975443
X1
1 352.27
X2
1
33.17
galat
17 109.95 6.46764706
total
19 495.39
Jadi = -19.174 + 0.2224 X1+0.659 X2

Regresi Y atas X1 dan X3 :

SV
Db
JK
KT
F
regresi
2 389.46
194.73 31.2509204
X1
1 352.27
X3
1
37.19

galat
17 105.93 6.23117647
total
19 495.39
Jadi = 6.792 + 1.0006 X1- 0.4314 X3

Regresi Y atas X2 dan X3 :

SV
Db
JK
KT
F
regresi
2 384.28
192.14 29.397714
X2
1 381.97
X3
1
2.31
galat
17 111.11 6.53588235
total
19 495.39
Jadi = -25.997 + 0.85088 X2+0.09603X3

Regresi Y atasX1, X2, dan

X3 :
SV
Db
JK
KT
F
regresi
3 396.99
132.33 21.5170732
X1
1 352.27
X2
1
33.17
X3
1
11.55
galat
16
98.4
6.15
total
19 495.39
Jadi = 117.085+ 4.334X1 - 2.857 X2 2.186 X3
JKR(X1)

= 352.27

JKR(X1|X2) = JKG(X2) JKG(X1,X2) = 113,42 109,95 = 3,47

Apakah
kecil daripada

jauh lebih kecil dibanding

.

? Ya ,

lebih

Mengapa ? Karena ada indikasi kemungkinan hubungan linier antara X1 dan

X2. Karena ternyata informasi X2 untuk Y lebih besar daripada yang
dibawa X1 untuk Y

TUGAS :

Uji apakah

a) Variable ketebalan lipatan kulit trisep dapat dikeluarkan dari model ?

Tidak, karena ada kemungkinan untuk ada hubungan linear antara Y ~ X1 besar
sehingga X1 (lipatan kulit trisep) berpengaruh terhadap Y dan Fvalue = 44.305
dan dari Ftabel didapat 4.41 karena itu 44.305 > 4.41 atau Fvalue > Ftabel
sehingga Variabel ketebalan kulit trisep tidak dapat dikeluarkan dari model.
b) Variable lingkar paha dapat dikeluarkan dari model ?
Tidak, karena ada kemungkinan untuk ada hubungan linear antara Y ~ X2 besar
sehingga X2 (lingkar paha) berpengaruh terhadap Y dan Fvalue = 60.617 dan dari
Ftabel didapat 4.41 karena itu didapat 60.617 > 4.41 atau Fvalue>Ftabel sehingga
variabel lingkar paha tidak dapat dikeluarkan dari model.
c)

Variable lingkar lengan dapat dikeluarkan dari model ?

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

H0 : tidak ada hubungan autokorelasi

H1 : ada hubungan autokorelasi

II. Taraf Sinifikansi () = 0.05
III. Kriteria Keputusan = H0 ditolak jika p-value <
IV. Hasil Uji R =
Durbin-Watson test
data: Y ~ X1
DW = 1.9283, p-value = 0.8358
alternative hypothesis: true autocorrelation is not 0
V. Keputusan
H0 diterima karena p-value > 0.05 yaitu 0.8358 > 0.05 sehingga tidak ada
hubungan autokorelasi Y dan X1.

Uji Autokorelasi
I.
Hipotesis =

H0 : tidak ada hubungan autokorelasi

H1 : ada hubungan autokorelasi

II. Taraf Sinifikansi () = 0.05

III. Kriteria Keputusan = H0 ditolak jika p-value <
IV. Hasil Uji R =
Durbin-Watson test
data: Y ~ X2
DW = 2.5001, p-value = 0.2791
alternative hypothesis: true autocorrelation is not 0
V.
Keputusan
H0 diterima karena p-value > 0.05 yaitu 0.2791> 0.05 sehingga tidak ada
hubungan autokorelasi Y dan X2.

Uji Autokorelasi
I.
Hipotesis =

H0 : tidak ada hubungan autokorelasi

H1 : ada hubungan autokorelasi

II. Taraf Sinifikansi () = 0.05
III. Kriteria Keputusan = H0 ditolak jika p-value <
IV. Hasil Uji R =
Durbin-Watson test
data: Y ~ X3
DW = 1.8406, p-value = 0.7093
alternative hypothesis: true autocorrelation is not 0
V.
Keputusan
H0 diterima karena p-value > 0.05 yaitu 0.7093> 0.05 sehingga tidak ada
hubungan autokorelasi Y dan X3.

Uji Autokorelasi
I.
Hipotesis =

H0 : tidak ada hubungan autokorelasi

H1 : ada hubungan autokorelasi

II. Taraf Sinifikansi () = 0.05

III. Kriteria Keputusan = H0 ditolak jika p-value <
IV. Hasil Uji R =
Durbin-Watson test
data: Y ~ X1 + X2
DW = 2.3595, p-value = 0.4516
alternative hypothesis: true autocorrelation is not 0
V.
Keputusan
H0 diterima karena p-value > 0.05 yaitu 0.4516> 0.05 sehingga tidak ada
hubungan autokorelasi Y dan X1+X2.

Uji Autokorelasi
I.
Hipotesis =

H0 : tidak ada hubungan autokorelasi

H1 : ada hubungan autokorelasi

II. Taraf Sinifikansi () = 0.05
III. Kriteria Keputusan = H0 ditolak jika p-value <
IV. Hasil Uji R =
Durbin-Watson test
data: Y ~ X1 + X3
DW = 2.3712, p-value = 0.4297
alternative hypothesis: true autocorrelation is not 0
V.
Keputusan
H0 diterima karena p-value > 0.05 yaitu 0.4297 > 0.05 sehingga tidak ada
hubungan autokorelasi Y dan X1+X3.

Uji Autokorelasi
I.
Hipotesis =

H0 : tidak ada hubungan autokorelasi

H1 : ada hubungan autokorelasi

II. Taraf Sinifikansi () = 0.05
III. Kriteria Keputusan = H0 ditolak jika p-value <
IV. Hasil Uji R =
Durbin-Watson test
data: Y ~ X2 + X3
DW = 2.3897, p-value = 0.407
alternative hypothesis: true autocorrelation is not 0
V.
Keputusan
H0 diterima karena p-value > 0.05 yaitu 0.407 > 0.05 sehingga tidak ada
hubungan autokorelasi Y dan X2+X3.

Uji Autokorelasi
I.
Hipotesis =

H0 : tidak ada hubungan autokorelasi

H1 : ada hubungan autokorelasi

II. Taraf Sinifikansi () = 0.05
III. Kriteria Keputusan = H0 ditolak jika p-value <
IV. Hasil Uji R =
Durbin-Watson test
data: Y ~ X1 + X2 + X3
DW = 2.2429, p-value = 0.6603
alternative hypothesis: true autocorrelation is not 0
V.
Keputusan
H0 diterima karena p-value > 0.05 yaitu 0.6603 > 0.05 sehingga tidak ada
hubungan autokorelasi Y dan X1+X2+X3.

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

Langkah pertama yang harus dilakukan untuk mendeteksi autokorelasi yaitu

dengan mengidentifikasi apakah autokorelasi itu pure autocorrelation atau karena
mis-spesification model. Mis-spesifikasi disini adalah kemungkinan adanya
kuadratik model atau modelnya mengandung kuadratik. Sehingga apabila hasil
tersebut masih mengandung autokorelasi maka autokorelasi tersebut merupakan
pure autocorrelation.
2. Generalized Least Squared(GLS)
Setelah kita mengetahui ternyata pure autocorrelation . maka langkah
selajutnya yaitu salah satunya dengan melakukan transformasi. Transformasi ini
dilakukan dengan mengurangi nilai variabel (bebas dan terikat) pada waktu ke-t,
dengan waktu ke-(t-1).
Pertama, kita memulai dengan regresi biasa.

dan

Sehingga akan membentuk persamaan umum berikut:

Atau bisa dibentuk menjadi:

Dimana:

Jika autokorelasi di dalam residual tinggi (p=1), maka kita akan

persamaan regresi tanpa intersep. Sedangkan jika (p=0) maka model regresi
yang akan didapat adalah regresi dengan pembeda pertama.
GLS ini bisa digunakan jika nilai ro didapatkan. Permasalahannya ro
didapatkan dari nilai populasi yang sulit diperoleh. Sehingga perlu dilakukan
roh berdasarkan data sampel.
a) First-Difference Method (Pembeda Pertama)
Metode ini dapat digunakan jika statistic Durbin-Watson lebih kecil
dibandingkan koefisien determinasi (DW<R2). Sehingga dengan nilai DW yang
kecil, maka pada residual terdapat autokorelasi yang kuat. Jika autokorelasi kuat,
kita dapat mengasumsikan ro = 1. Sehingga menggunakan metode pembeda
pertama.

b) Estimasi roh dengan Durbin Watson

Permasalahan metode pembeda pertama adalah kita harus mempunyai nilai
korelasi yang kuat. Sehingga untuk korelasi tidak terlalu kuat tidak bisa
digunakan. Sehingga cara selajutnya yaitu dengan menggunakan estimasi ro .
salah satu cara yaitu dengan estimasi Durbin-Watson.

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.