Laporan Praktikum Statistika Industri

Modul 3 Korelasi dan Regresi Linier

Kelompok 1

BAB I
PENDAHULUAN

1.1 LATAR BELAKANG

Gagasan perhitungan ditetapkan oleh Sir Francis Galton (1822-1911)
Persamaan regresi adalah Persamaan matematik yang memungkinkan peramalan
nilai suatu peubah takbebas (dependent variable) dari nilai peubah bebas
(independent variable) Diagram Pencar = Scatter Diagram. Diagram yang
menggambarkan nilai-nilai observasi peubah takbebas dan peubah bebas. Nilai
peubah bebas ditulis pada sumbu X (sumbu horizontal). Nilai peubah takbebas
ditulis pada sumbu Y (sumbu vertikal). Nilai peubah takbebas ditentukan oleh nilai
peubah bebas.
Regresi merupakan teknik statistika yang digunakan untuk mempelajari
hubungan fungsional dari satu atau beberapa peubah bebas (peubah yang
mempengaruhi) terhadap satu peubah tak bebas (peubah yang dipengaruhi).
Korelasi merupakan ukuran kekuatan hubungan dua peubah (tidak harus memiliki
hubungan sebab akibat).
Analisis regresi mempelajari bentuk hubungan antara satu atau lebih
peubah bebas (X) dengan satu peubah tak bebas (Y). dalam penelitian peubah bebas
( X) biasanya peubah yang ditentukan oelh peneliti secara bebas misalnya dosis
obat, lama penyimpanan, kadar zat pengawet, umur ternak dan sebagainya.
Disamping itu peubah bebas bisa juga berupa peubah tak bebasnya, misalnya dalam
pengukuran panjang badan dan berat badan sapi, karena panjang badan lebih mudah
diukur maka panjang badan dimasukkan kedalam peubah bebas (X), sedangkan
berat badan dimasukkan peubah tak bebas (Y). sedangkan peubah tak bebas (Y)
dalam penelitian berupa respon yang diukur akibat perlakuan/peubah bebas (X).
misalnya jumlah sel darah merah akibat pengobatan dengan dosis tertentu, jumlah
mikroba daging setelah disimpan beberapa hari, berat ayam pada umu tertent dan
sebagainya.

Laporan Praktikum Statistika Industri

Modul 3 Korelasi dan Regresi Linier
Kelompok 1

Bentuk hubungan antara peubah bebas (X) dengan peubah tak bebas (Y)
bisa dalam bentuk polinom derajat satu (linear) polinom derajat dua (kuadratik).
Polinim derajat tiga (Kubik) dan seterusnya. Disamping itu bisa juga dalam bentuk
lain misalnya eksponensial,logaritma,sigmoid dan sebagainya. Bentuk-bentuk ini
dalam analisis regresi-korelasi biasanya ditransformasi supaya menjadi bentuk
polinom.
Jadi, pentingnya penggunaan regresi dan korelasi adalah untuk mengestimasi
hubungan antara variabel dependen dan variabel independen. Regresi sebagai
statistika induktif juga melakukan analisa terhadap variabel-variabel independen
tersebut, apakah variabel tersebut benar-benar mempengaruhi variabel dependen,
sehingga dapat dilakukan tindakan lanjutan agar variabel dependen menjadi lebih
baik nilainya. Sedangkan korelasi digunakan untuk mengukur tingkat keeratan
hubungan variabel dependen dan independen.

1.2 TUJUAN PRAKTIKUM

Tujuan yang hendak dicapai dalam praktikum ini adalah :
1. Praktikum mengerti dan memahami teknik pengolahan dengan menggunakan
analisis variansi korelasi dan regresi linier
2. Praktikum mampu menginterprestasikan hasil yang diperoleh dari korelasi dan
regresi linier.
3. Mampu mengidentifikasikan berbagai faktor yang berpengaruh terhadap
permasalahan di dunia industri yang berkaitan dengan analisis korelasi dan
regresi linier.

Laporan Praktikum Statistika Industri

Modul 3 Korelasi dan Regresi Linier
Kelompok 1

1.3 METODE PRAKTIKUM

Identifikasi Masalah

Pengumpulan Data
Studi Pustaka
Identifikasi variabel independen dan dependen

Pembuatan Modeel
a. Regresi Sederhana
b. Regresi Majemuk

Pengolahan Data

Pembuatan Validasi
a. Regresi Sederhana
b. Regresi Majemuk

Interpretasi dan Analisis

Kesimpulan dan Saran

Gambar 1.1 Flowchart Metode Praktikum

Laporan Praktikum Statistika Industri

Modul 3 Korelasi dan Regresi Linier
Kelompok 1

1.4 SISTEMATIKA PRAKTIKUM

BAB I PENDAHULUAN
Berisi tentang latar belakang, tujuan praktikum, pembatasan masalah, prosedur
praktikum, flowchart praktikum, serta sistematika penulisan yang digunakan.

BAB II DASAR TEORI

Berisi tentang teori-teori yang sesuai dan berhubungan dengan praktikum yang akan
dilaksanakan seperti tentang pengertian korelasi dan regresi linier, macam- macam
regresi dan sebagainya.

BAB III PENGOLAHAN DAN ANALISIS DATA

Berisi tentang pengolahan data untuk regresi sederhana, regresi majemukdan regresi
polinom (Excel, SPSS, maupun minitab) dan tentang pengolahan data yang ada di
pengumpulan data, dan tentang analisa dari pengolahan data yang telah dilakukan

BAB IV PENUTUP
Berisi tentang kesimpulan yang diperoleh dari percobaan serta saran.

Laporan Praktikum Statistika Industri

Modul 3 Korelasi dan Regresi Linier
Kelompok 1

BAB II
DASAR TEORI

2.1 Korelasi
Analisis korelasi ( correlation analysis ) merupakan salah satu teknik statistika
yang digunakan untuk mengestimasi apakah terdapat hubungan linier antara dua buah
variable untuk mengestimasi hubungan tersebut digunakan suatu bilangan yang disebut
dengan koefisien korelasi ( )
Nilai

berkisar antara -1 sampai 1. Apabila nilai

= 0 maka tidak ada

hubungan yang linier antara dua variable tersebut. Apabila nilai

= 1 maka terdapat

hubungan linier sempurna dengan arah yang positif. Sedang bila nilai
terdapat hubungan linier sempurna dengan arah

= -1 maka

yang negative. Semakin nilai

mendekati 1 atau -1 maka terdapat korelasi yang baik antara dua buah variable tersebut.
Dan bila nilai

dekat dengan 0 maka korelasi antara keduanya bisa dikatakan lemah.

Untuk memperoleh taksiran sampel untuk

digunakan koefisien korelasi

sampel (r) atau ada yang menyebut koefisien peason. Nilai r hanya menunjukan
keeratan hubungan antara dua buah variable bersifat sebagai bilangan interval, bukan
bilangan rasio.

r b

J xx

J xy

J xy
J xx J yy

Selain koefisien korelasi terdapat pula koefisien determinasi, dilambangkan

dengan r2 yang menyatakan proporsi variasi keseluruhan dalam nilai peubah y yang
dapat diterangkan atau diakibatkan oleh hubungan linier dengan nilai peubah x,
selain itu diterangkan oleh peubah yang lain (galat atau peubah lainya). Nilai dari
koefisien determinasi adalah kuadrat dari nilai koefisien korelasi.

Laporan Praktikum Statistika Industri

Modul 3 Korelasi dan Regresi Linier
Kelompok 1

Untuk menguji apakah terdapat korelasi antara dua buah variabel yang ada,
digunakan pengujian hipotesis dengan menggunakan t-statistics sebagai berikut:

Untuk menguji koefisien korelasi dengan koefisien korelasi taksiran (o)

digunakan uji-Z dengan rumus sebagai berikut:

ln
( Modul Praktikum Statistika Industri 2013)

2.2 Definisi Regresi

Analisa Regresi (Regression Analysis) adalah salah satu teknik statistika yang
digunakan untuk mengestimasi hubungan antara variabel dependen dan variabel
independen. Macam-macam regresi antara lain :
Regresi sederhana.
Regresi Majemuk.
Regresi Polinom.
Regresi dengan dummy variabel
Regresi ordinal
Log regresi
Regresi yang akan dianalisis dalam praktikum kali ini adalah regresi linier,
baik yang sederhana ( dengan satu variabel independen ) maupun yang majemuk (
lebih dari satu variabel independen )
Sebelum menggunakan teknik analisis regresi linier, data-data yang akan
diteliti harus bebas dari asumsi klasik statistik, yakni :
1. Normalitas
Uji normalitas digunakan untuk mengetahui apakah residual berdistribusi normal
atau tidak. Jika asumsi ini dilanggar, maka model regresi dianggap tidak valid.

Laporan Praktikum Statistika Industri

Modul 3 Korelasi dan Regresi Linier
Kelompok 1

Uji normalitas bisa dilakukan dengan analisis grafik ( normal P-P ) maupun
dengan uji Kolmogorov-Smirnov.
2. Linieritas
Suatu model linier harus dapat memprediksikan variable dependen, pada suatu
garis lurus yang perubahan nilainnya konstan terhadap perubahan nilai variable
independen. Pengujian liieritas antara variable dependen dan independen dapat
dilakukan dengan membuat plot grafik. Apabila nilai variable dependen
membentuk suatu garis lurus, maka dinyatakan asumsi linieritas terpenuhi.
3. Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah model regresi

terdapat

kebebasan data dimana data untuk satu periode tertentu tidak dipengaruhi oleh
data periode sebelumnya. Dalam pengumpulan data berdasarkan deret waktu,
perlu diuji apakah data saling berkaitan. Jika berkaitan maka hasil residual
periode I yang positif akan diikuti residual periode t + 1 yang positif pula. Hal
inilah yang disebut autokorelasi antara dua data. Ada beberapa cara untuk
mengetahui autokorelasi, yang paling popular dengan uji Durbin, Walson. Suatu
model regresi yang baik harus tidak terjadi autokorelasi.
4. Heteroskesdastisitas
Uji Heteroskesdastisitas bertujuan untuk menguji apakah dalam model regresi
terjadi ketidaksamaan variansi residual dari pengamatan satu ke pengamatan
lain. Jika variansi tetap ( tidak ada perbedaan) maka disebut homoskesdastisitas.
Suatu model regresi yang baik haruslah memenuhi asumsi homoskesdastisitas.
5. Multikolinearitas
Uji multiklinearitas bertujuan untuk menguji apakah model regresi ditemukan
adanya korelasi antarvariabelbebas. Model regresi yang baik seharusnya tidak
terjadi korelasi diantara variable bebasnya. Tentu saja hal ini hanya bisa
dilakukan pada model regresi linier majemuk.
( Modul Praktikum Statistika Industri 2013)

Laporan Praktikum Statistika Industri

Modul 3 Korelasi dan Regresi Linier
Kelompok 1

2.3 Regresi Sederhana

Dalam regresi dikenal adanya dua jenis peubah, yaitu :
1. Peubah bebas (independent variable)
Adalah variabel/ peubah yang nilai-nilainya tidak bergantung pada variabel
lainnya, biasanya disimbolkan dengan X dan digunakan untuk meramalkan atau
menerangkan nilai variabel yang lain.
2. Peubah terikat (dependent variable)
Adalah variabel/ peubah yang nilai-nilainya bergantung pada variabel lainnya,
biasanya disimbolkan dengan Y dan merupakan variabel yang diramalkan atau
diterangkan nilainya.
Sering kali dalam praktek kita berhadapan dengan persoalan yang menyangkut
sekelompok peubah bila diketahui bahwa diantara peubah tersebut terdapat suatu
hubungan alamiah. Misalnya dalam industri diketahui bahwa kadar ter hasil suatu
proses kimia berkaitan dengan temperatur masukan. Mungkin perlu dikembangkan
suatu metode peramalan, yaitu suatu cara kerja guna menaksir kadar ter untuk berbagai
taraf temperatur masukan yang didapat dari data percobaansegi statistika dari persoalan
tersebut menjadi persoalan menemukan taksiran terbaik untuk hubungan antara
sekelompok peubah itu.
Dalam regresi biasanya terdapat suatu peubah terikat yang tunggal atau disebut
respon Y, yang tidak dikontrol dalam percobaaan tersebut. Respon Y bergantung pada
satu atau lebih peubah bebas, misalnya x1,x2,xk . Bila Y dan X masing-masing
tunggal , persoalan menjadi regresi Y atas X. bila ada k peubah bebas maka dikatakan
reresi Y atas X1, X2, Xk. Istilah regresi linear berarti bahwa rataan yIx berkaitan linear
dalam bentuk persamaan linear populasi
yIx = + x
(Walpole, hal 404 405)

Laporan Praktikum Statistika Industri

Modul 3 Korelasi dan Regresi Linier
Kelompok 1

2.3.1 Persamaan Garis Regresi

Koefisien regresi, dan merupakan dua parameter yang akan ditaksir dari data
terok. Bila taksiran untuk kedua parameter itu masing-masing dinyatakan dengan a dan
b maka dapat ditaksir dengan dari garis bentuk regresi berdasarkan sample atau garis
kecocokan regresi.
= a + bx
dengan taksiran a dan b masing-masing menyatakan perpotongan terhadap sumbu y dan
tanjakannya.
Dimana :

= prediksi nilai variabel dependen

= konstanta

= bobot regresi untuk variabel independen

= variabel dependen

Lambang y digunakan disini untuk membedakan antara taksiran atau nilai

prediksi yang diberikan oleh garis regresi sampel dan nilai y amatan percobaan yang
sesungguhnya untuk suatu nilai x.
Bila diketahui sampel {(xi,yi);1 = 1, 2, 3, n} maka taksiran kuadrat terkecil a
dan b dari koefisien regresi dan dihitung dengan menggunakan rumus :
n
n n
n x i y i x i y i
i 1 i 1
b i 1
2
n
n
2
n x i x i
i 1
i 1

y
i 1

b xi
i 1

(Walpole, hal 404-405)

Laporan Praktikum Statistika Industri

Modul 3 Korelasi dan Regresi Linier
Kelompok 1

2.3.2 Taksiran Nilai t dan t

Untuk menguji hipotesis nol bahwa = 0 melawan tandingan yang sesuai
dengan persoalan, digunakan distribusi-t dengan derajat kebebasan n-2 untuk
mendapatkan daerah kritis. Sedangkan nilai t -hitung diperoleh dari rumus:

b 0
s
J XX

Sedangkan untuk menguji hipotesis nol = 0 bahwa melawan tandingan yang

sesuai dengan persoalan, digunakan distribusi-t dengan derajat kebebasan n-2 untuk
mendapatkan daerah kritis.
Sedangkan nilai t -hitung diperoleh dari rumus:

xi

i 1

n.J xx

(Walpole, Ilmu Peluang dan Statistika untuk Insinyur dan Ilmuwan, hal 420 422
2.3.3 Sifat Penaksir Kuadrat Terkecil
Baik a maupun b mempunyai sifat-sifat sebagai berikut

B ; B 2

x
n

i 1

A ; A

x
i 1

Dalam hal ini taksiran tak bias untuk 2 adalah s 2

JKG Jyy Jxy

n2
n2

Laporan Praktikum Statistika Industri

Modul 3 Korelasi dan Regresi Linier
Kelompok 1

Dimana:
n
x i
n
2
Jxx xi i 1
n
i 1

n
y i
n
2
Jyy y i i 1
n
i 1

n n
x i y i
n
2
Jxy xi i 1 i 1
n
i 1

JKG = Jyy - b.Jxy

(Walpole, Ilmu Peluang dan Statistika untuk Insinyur dan Ilmuwan, hal 415)
2.3.4. Inferensi mengenai koefisien regresi
1. Suatu selang kepercayaan sebesar (1-) 100% untuk parameter dalam
persamaan garis regresi yIx = + x adalah:

t s

J xx

t s
2

J xx

(t/2 menyatakan nilai dist-t dengan v = n-2)

2. Suatu selang kepercayaan sebesar (1-) 100% untuk parameter dalam
persamaan garis regresi yIx = + x adalah:
n

t s
a

x
i 1

2
i

t s
a

nJ xx

x
i 1

2
ii

nJ xx

(t/2 menyatakan nilai dist-t dengan v = n-2)

3. Suatu selang kepercayaan sebesar (1-) 100% untuk rataan respon yIx = +
x diberikan oleh ;

1 x0 x
y t s

2
n
J xx

1 x0 x
y t s

2
n
J yy

(t/2 menyatakan nilai dist-t dengan v = n-2)

Laporan Praktikum Statistika Industri

Modul 3 Korelasi dan Regresi Linier
Kelompok 1

4. Suatu selang prediksi sebesar (1-) 100% untuk respon Y0 yang tunggal
diberikan oleh ;

1 x x
y t s 1 0
2
n
J xx

1 x x
Y0 y t s 1 0
2
n
J yy

(t/2 menyatakan nilai dist-t dengan v = n-2)

(Walpole, Ilmu Peluang dan Statistika untuk Insinyur dan Ilmuwan )

2.3.5 Pemilihan Model Regresi

Jika model sebenarnya mengandung lebih dari satu peubah, misalnya model
yang sebenarnya adalah:
yIx = + x1 + x2.
Dan bentuk ini tidak diketahui oleh yang melakukan percobaan maka taksiran
atas koefisien persamaan regresi yang dihasilkan akan bias. Untuk mengetahui apkah
model yang diperoleh sudah tepat maka dilakukan pendekatan melalui analisis variansi,
dengan tabel sebagai berikut:
Tabel 2. 1 Analisis Variansi dengan =0 untuk Pemilihan Model Regresi

Sumber Variasi

Jumlah Kuadrat

Derajat Kebebasan Rataan Kuadrat

F Hitungan

Regresi

JKR

JKR

JKR/s2

Galat

JKG

n-2

s2

Total

JKT

n-1

JKG
n2

Hipotesis nol ditolak, yaitu jika nilai statistik F hitungan lebih besar dari nilai kritis
f(1,n-2).
(Walpole, hal 433)

Laporan Praktikum Statistika Industri

Modul 3 Korelasi dan Regresi Linier
Kelompok 1

2.3.6 Pengujian Kelinieran Regresi

Untuk pengujian kelinieran regresi dapat digunakan analisis variansi sebagai
berikut:
Tabel 2. 2 Analisis Variansi untuk Pengujian Kelinieran Regresi

Sumber
Variasi

Derajat
Jumlah Kuadrat

Rataan Kuadrat

F Hitungan

JKR/s2

Kebebasan

Regresi

JKR

JKR

Galat

JKG

n-2

s2

Kekurang
cocokan
Galat

JKG JKG (murni)

JKG (murni)

k 2

n k

JKT

n-1

murni
Total

JKG
n2

JKG JKG (murni)

k 2
s2

JKG (murni)
n2

(Walpole, hal 433)

2.4 Regresi Majemuk
Pada umumnya persoalan yang menggunakan analisis regresi memerlukan lebih
dari satu peubah bebas dalam model regresinya. Mekanisme yang mendasari persoalan
pada umumnya begitu rumit sehingga diperlukan model regresi Linier darab agar dapat
memprediksikan respon yang penting.
Model yang linier dalam koefisiennya disebut Model Regresi Linier Darab.
Dalam hal k peubah bebas x1, x2,,xk, rataan yIx1, x2,xk diberikan oleh model
regresi Linier darab.

Laporan Praktikum Statistika Industri

Modul 3 Korelasi dan Regresi Linier
Kelompok 1

yIx1, x2,.xk = 0 + 1x1 + 2x2 + + kxk

Dan taksiran respon diperoleh dari persamaan regresi sampel
= b0 + bx1 + bx2 + + bxk
Bila rataan tidak berbentuk garis lurus tapi lebih sesuai bila dinyatakan dengan
Model Regresi Polinom.
yIx1, x2,.xk = 0 + 1x1 + 2x22 + + rxrr
Dan taksiran respon diperoleh dari persamaan regresi polinom
= b0 + b1x1 + b2x2 + + brxrr
dimana: Y

= Prediksi nilai variabel independen

b0

= konstanta

bn

= bobot regresi untuk variabel independent

Xn

= variabel independen

Sebagaimana persamaan regresi dengan satu peubah maka persamaan regresi

dengan dua peubah atau lebih juga memiliki sifat penaksir kuadrat terkecil, inferensi
mengenai koefisien regresi dan berbagai uji yang dapat digunakan untuk menguji
kecocokan model.
(Walpole, hal 454 )
2.4.1 Model Regresi Linear Menggunakan matriks
Dalam mencocokkan model regresi linear darab, khusunya bila banyak peubah
melebihi dua pengetahuan teorimatrik dapat menyederhanakan perhitungan. Misalnya
yang melakukan percobaan mempunyai k peubah bebas, x1, x2, ,xk dan n pengamatan
y1, y2, .yn masing-masing dapt dinyatakan dengan persamaan
Y1 =0 + 1x1i + 2x2i + ..+ kxki + I (2.24)

Laporan Praktikum Statistika Industri

Modul 3 Korelasi dan Regresi Linier
Kelompok 1

Model ini pada dasarnya menyatakan n persamaan yang memberikan

bagaimana nila respon diperoleh dalam proses penelitian.
Langkah-langkah pengerjaan analisis regresi linier multipel :
a. Dari data yang sudah ada hitung jumlah, jumlah kuadrat, dan jumlah hasil kali
kemudian buat dalam bentuk matriks : ( XT X) kemudian hasilnya diinverskan

( XT X)1
b. Kemudian hitung hasil perkalian matrik antara X dan Y sebagai berikut : XT Y
c. Kemudian hitung koefisien beta dengan rumus sebagai berikut (XT X)1 XT Y
Persamaan di atas belum boleh digunakan sebagai dasar kesimpulan, karena itu
perlu diuji mengenai koefisien regresinya
(OlahData.com)
Dengan menggunakan lambang matrik, persamaan kuadrat dapat ditulis sebagai
y =x + (2.25)

bila

1
y1

y
1
2

y , x 1

y n
1

x11

x 21

x12

x 22

x1n

x 2n

x k1
1

xk 2
2


,

x kn
n

Laporan Praktikum Statistika Industri

Modul 3 Korelasi dan Regresi Linier
Kelompok 1

Rumus

n
n
x
1i

i 1
n
x 2 i
i 1
n
x 3i
i 1

x1i
i 1
n

x
i 1
n

1i

i 1
n

1i

x 2i

2i

x 3i

2i

i 1
n
i 1

1i

1i

x 3i

i 1
n

x
i 1
n
i 1

0 yi
i 1

g
x1 y i

i 1
g X'y
n

g 2 x2 yi

i 1
n

g 3 x3 y i
i 1

x 2i

i 1
n

x 2i
2

x
i 1
n

2i

3i

i 1
n

x 3i

1i

i 1

x 3i
x 3i
2

dengan kata lain

Ab = g atau ( XX )b = ( Xy )
Maka, nilai taksiran koefisien regresi b, dicari dengan
b = A-1g atau b = ( XX )-1( Xy ).. (2.26)
Untuk peramaan regresi linear
Y = x +
Taksiran tak bias untuk 2 adalah rataan kuadrat sisa atau galat
s2

JKG
. (2.27)
n k 1

dimana nilai JKG ditentukan dengan rumusan sebagai berikut

JKG JKT JKR
n

JKG ei y i y
i 1

i 1

.. (2.28)

Laporan Praktikum Statistika Industri

Modul 3 Korelasi dan Regresi Linier
Kelompok 1

JKT J yy y i y i
i 1

JKR y i y
i 1

n
y i
n
2
y i i 1
n
i 1

n
y i
k
b j g j i 1
n
j 0

(2.29)
(Walpole, Ronald E,H. Myers,)

2.4.2 Inferensi Dalam Regresi Linear Majemuk

Suatu selang kepercayaan untuk yIx10,x20,xk0 pada selang kepercayaan
sebesar (1-) 100% untuk rataan respon yIx10,x20,xk0 diberikan oleh :

y0 t s X 0( X ' X ) 1 y Ix10, x20,....xk 0 y0 t s X ( X ' X ) 1 .... (2.30)

2

Suatu selang prediksi untuk Y0 selang prediksi (1-) 100% untuk respon
tunggal Y0 diberikan oleh :

y0 t s 1 X 0( X ' X ) 1 Y0 y0 t s 1 X ( X ' X ) 1 ..... (2.31)

2

2.4.3 Peubah Orthogonal

Sumbangan suatu peubah tertentu atau sekelompok peubah pada dasarnya
diperoleh dengan mengabaikan peubah lainnya dalam model. Penilaian terpisah
mengenai kegunaan suatu peubah dikerjakan dengan menggunakan teknik analisis
variansi untuk peubah orthogonal

Laporan Praktikum Statistika Industri

Modul 3 Korelasi dan Regresi Linier
Kelompok 1

Tabel 2. 3 Analisa Variansi untuk Peubah Orthogonal

Sumber
Variasi

2.5

Jumlah kuadrat

Derajat

Rataan

Kebebasan

Kuadrat

Hitungan

R(1)

R1
S2

R1 b12 x12i

R 2 b22 x 22i

R(2)

R 2
S2

..

..

..

..

..

R k bk2 x ki2

R(k)

R k
S2

Galat

JKG

nk-1

S2

Total

JKT = Syy

n-1

i 1

i 1

i 1

JKG
n k 1

Regresi Polinom
Analisa regresi polinom adalah model regresi yang tidak berbentuk linier.

Polinom Orthogonal digunakan untuk menduga polinom ordo berapa pun di dalam satu
peubah bebas.
Model Dasar
Model dasar dari regresi polinom adalah :
Y = b0 + b1X1 + b2X2 + .. + brXnr
Dimana :
Y = Prediksi nilai variable dependen
b0 = konstanta

(n dan r = 1,2,3,.) (2.32)

Laporan Praktikum Statistika Industri

Modul 3 Korelasi dan Regresi Linier
Kelompok 1

br = bobot regresi untuk variable independent

Xn = variable independent
Model Regresi Linier dengan Matriks
Dalam mencocokan model regresi polinom dapat disederhanakan dengan
menggunakan matriks sebagai berikut :

n
n
x
i

i 1
*

n*

r
xi
i 1

xi

xi

i 1
n

i 1

i 1
n

i 1

*
n

x
i 1

r 1

**

**

**

x
i 1

**

r2

r
x
yi

i 1
b0 ni 1

n
r 1 b

xi
1 xi yi

i 1
* = i 1
* *
*

* *
n
n r
2 r br
x

xi yi
i 1

i 1

**

Dengan kata lain : Ab = g atau (XX)b = (XY)

Maka, nilai taksiran koefisien regresi b, dicari dengan
b = A-1g atau b = (XX)-1(XY) (2.33)
(Walpole, Ronald E,H. Myers)

2.6 Uji Asumsi

2.6.1 Uji Autokorelasi dan Multikolinieritas

Autokorelasi
Salah satu asumsi kelayakan suatu model regresi adalah adanya kebebasan

data. Kebebasan data disini berarti data untuk satu periode tertentu tidak
dipengaruhi oleh data sebelumnya. Dalam pengumpulan data yang berdasarkan
deret waktu, perlu diuji apakah data saling berkaitan. Jika berkaitan, maka hasil
residual yang positif akan cenderung diikuti residual yang positif juga, begitu pula
sebaliknya. Hal inilah yang dikatakan autokorelasi di antara dua data.

Laporan Praktikum Statistika Industri

Modul 3 Korelasi dan Regresi Linier
Kelompok 1

Multikolinieritas
Multikolinieritas adalah keadaan dimana antara variabel x saling berkorelasi

dengan yang lainnya. Jika persamaan regresi berganda terjadi multikolinieritas di

antara variabel-variabel bebasnya, maka variabel-variabel yang berkolinier tidak
memberikan informasi apa-apa terhadap variabel independent. Karena itu,
persamaan regresi yang bagus adalah persamaan yang bebas dari adanya
multikolinieritas.

Untuk

menguji

ada

tidaknya

multikolinieritas

adalah

berdasarkan nilai korelasi antar variabel bebas.

2.6.2 Uji Linearitas, Homossedasticity (Variasi Residu yang Konstan), Normalitas
dan Independensi

Linearitas
Suatu model sederhana harus dapat memprediksikan nilai (variabel
dependen) pada suatu garis lurus yang perubahan nilainya konstan terhadap
perubahan nilai variabel independen. Pengujian hubungan sederhana antara
variabel dependen dan independen dapat dilakukan dengan membuat plot
residu. Apabila plot residu mengikuti suatu garis lurus untuk setiap
pertambahan nilai variabel dependen atau independen, maka model dinyatakan
memenuhi asumsi sederhanaitas.

Homossedacticity
Merupakan variasi residu yang konstan terhadap perubahan nilai
variabel independen. Asumsi ini diperlukan karena diharapkan variansi nilai
variabel dijelaskan melelui model tidak terkonsentrasi pada nilai variabel
independen yang terbatas. Pengujian ni dapat dilakukan dengan membuat plot
antara residu terhadap nilai variabel independen, variasi konstan diperoleh
manakala plot ini memiliki kecenderungan untuk membentuk garis lurus.

Normalitas
Sifat

kenormalan

harus

dimiliki

variabel

dependen

maupun

independen. Pengujian ini dapat dilakukan dengan melakukan pemeriksaan

visual terhadap histogram residu. Metode lainnya adalah membuat normal

Laporan Praktikum Statistika Industri

Modul 3 Korelasi dan Regresi Linier
Kelompok 1

probability ploy yaitu plot antara residu yang distandarisasi dengan plot
distribusi normal. Jika normal, maka seharusnya plot residu ini akan mengikuti
suatu garis lurus.

Independensi
Nilai variabel dependen yang diprediksi harus independen satu dengan
yang lainnya, tidak ada katan antara hasil suatu variabel dependen hasil
prediksi dengan prediksiberikutnya. Untuk mendeteksinya dapat dilakukan
dengan membuat plot antara residu dengan nilai variabel terurut yang
mungkin. Apabila residu bersifat independen maka plot seharusya terlihat
random.

2.7 Seleksi Variabel

2.7.1 Metode Forward (Depan)
Didasarkan pada pandangan bahwa peubah sebaiknya dimasukkan satu
persatu sampai persamaan regresi yang memuaskan ditemukan.
Langkah-langkahnya:
1. Pilihlah peubah x1 yang memberikan jumlah kuadrat regresi terbesar bila
mengerjakan regresi linear sederhana dengan y, atau dengan kata lain,
peubah yang memberikan nilai R2 terbesar.
2. Pilihlah selanjutnya peubah x2 yang bila dimasukkan ke dalam model
memberikan penambahan terbesar pada R2, yaitu tambahan pada R2 dalam
langkah (1) akibat x1. Jika ini dihasilkan oleh peubah xj, maka
R(j i) = R(i , j) - R(i)
terbesar. Model regresi dengan x1 dan x2 kemudian dicari dan R2 dicatat;
3. Pilihlah selanjutnya peubah x3 yang memberikan nilai
R(j 1, 2) = R(1 , 2, j) - R(1 , 2),

Laporan Praktikum Statistika Industri

Modul 3 Korelasi dan Regresi Linier
Kelompok 1

terbesar, yaitu penambahan R2 sesudah langkah (2). Sehingga diperoleh

model regresi yang mengandung x1, x2, dan x3.
Cara ini dilanjutkan sampai peubah yang masuk terakhir tidak lagi
memberikan tambahan R2 yang berarti. Penambahan itu dapat ditentukan pada tiap
langkah dengan menggunakan uji-F atau uji-t yang sesuai.
2.7.2

Metode Backward (Belakang)

Penyisihan mundur menyangkut pengertian yang sama seperti pilihan maju

kecuali bahwa di sini dimulai dari semua peubah dalam model. Misalkanlah,
sebagai contoh, terdapat lima peubah yang sedang ditangani. Langkahnya adalah
sebagai berikut:
1. Cobakanlah persamaan regresi dengan kelima peubah dalam model.
Tentukanlah peubah yang memberikan nilai jumlah kuadrat regresi terkecil
jika pengaruh peubah lainnya diperhitungkan. Misalkanlah peubah tersebut
x2. Sisihkan x2 dari model bila
f

R 2 1 , 3 , 4 , 5
s2

tak berarti

2. Cobakan persamaan regresi dengan menggunakan peubah yang tinggal yaitu

x1, x3, x4, dan x5 kemudian ulangi langkah 1. Misalkanlah sekarang calon
peubah untuk disisihkan x5. Sekali lagi bila
f

R 5 1 , 3 , 4
s2

tak berarti maka peubah x5 disisihkan dari model. Pada

tiap langkah s2 yang dipakai dalam uji-F ialah rataan kuadrat galat model
regresi pada langkah tersebut.
Cara ini diulang sampai pada suatu langkah peubah yang memberikan jumlah kuadrat
regresi terkecil, jika pengaruh peubah lainnya diperhitungkan, menghasilkan nilai f yang
berarti untuk suatu taraf yang ditentukan sebelumnya.

Laporan Praktikum Statistika Industri

Modul 3 Korelasi dan Regresi Linier
Kelompok 1

2.7.3 Metode Stepwise

Regresi bertahap dikerjakan dengan sedikit penyempurnaan, tetapi penting
pada metode pilihan maju. Penyempurnaan ini mengenai pengujian lebuh lanjut
pada tiap langkah untuk menjamin kesangkilan seterusnya dari peubah yang telah
dimasukkan kedalam model pada langkah sebelumnya. Ini merupakan perbaikan
atas pilihan maju, karena mungkin saja suatu peubah yang memasuki persamaan
regresi pada langkah sebelumnya ternyata tidak lagi berarti karena hubungannya
dengan peubah lain yang masuk pada tahap kemudian. Karena itu, pada tahap
pemasukan peubah baru ke dalam persamaan regresi akibat penambahn R2 yang
berarti yang ditentukan oleh uji-F, semua peubah yang telah masuk kedalam model
diperiksa dengan uji-F (atau dengan uji-t) dengan memperhatikan peubah yang baru
masuk dan disisihkan bila tidak menyajikan nilai-f yang berarti. Proses ini
diteruskan sampai tidak ada lagi peubah yang memenuhi syarat untuk masuk
ataupun disisihkan.
Prosedur regresi bertahap ini dijelaskan sebagai berikut:
1. Untuk mengamati pengaruh tiap peubah secara terpisah, empat persamaan
regresi linear sederhana dicocokkan, kemudian dihitung keempat jumlah
kuadrat regresi.
2. Tiga persamaan regresi, semuanya mengandung x1 dicocokkan pada langkah
ini. Hasil yang penting dari pasangan (x1,x2), (x1,x2), (x1,x4) adalah
R(21), R(31), dan R(41).
Sesudah x1 dan x3 dalam model, dihitung R(21, 3) dan R(41, 2) untuk
menentukan yang mana, jika ada, dari kedua peubah yang masih tersisa yang akan
masuk ke dalam model pada langkah ini.
2.8 Validasi
Validasi model regresi dapat dilakukan dengan dua cara sebagai berikut :
a. Menerapkan sampel ini ke dalam sampel berikutnya.

Laporan Praktikum Statistika Industri

Modul 3 Korelasi dan Regresi Linier
Kelompok 1

Sampel lainnya di sini dapat diperoleh dari sampel baru atau sampel yang diambil
sebagai bagian dari sampel terdahulu. Cara kedua, sebelum analisis dilakukan,
sampel dibagi dua secara random. Sampel bagian pertama digunakan untuk
membangun model, yang kedua untuk menguji model (validasi).
b. Membandingkan beberapa model regresi.
Dilakukan dengan membandingkan suatu model regresi dengan model-model
regresi lainnya dengan jumlah variabel independent atau ukuran sample yang
berbeda

Laporan Praktikum Statistika Industri

Modul 3 Korelasi dan Regresi Linier
Kelompok 1

Laporan Praktikum Statistika Industri

Modul 3 Korelasi dan Regresi Linier
Kelompok 1

DAFTAR PUSTAKA
Modul praktikum Statistika Industri. Laboratotorium Optimasi dan Perencanaan Sistem
Produksi
Walpole, R.E and Raymond H Myers. 1995. Ilmu Peluang dan Statistika Untuk
Insinyur dan Ilmuwan. Penerbit ITB: Bandung
Olahdata.com