Anda di halaman 1dari 26

LAPORAN PRAKTIKUM KE2

REGRESI RIDGE

Oleh :

Aisah (135090507111016)

Asisten :

1. Diah Amaliya Ilmayanti (125090500111037)


2. Dhona Ayus Puspitasari (125090507111031)

LABORATORIUM STATISTIKA
PROGRAM STUDI STATISTIKA
JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS BRAWIJAYA
MALANG
2016
BAB I
METODE

Adapun langkah-langkah Regresi Ridge menggunakan software minitab


adalah sebagai berikut.
1.Input data ke worksheet minitab

2. Uji Asumsi Non Multikolinieritas


Stat Regression Regression

kemudian, akan muncul kotak dialog kemudian masukkan variabel


respon dan variabel predictor seperti beikut.

Pada option, klik VIF seperti berikut.


Klik OK
3. Standarisasi variabel prediktor (variabel X)
Calc Standadize

Kemudian masukkan variabel X yang akan distandarisasi

Klik OK
Tambahkan Z0 pada worksheet.
4. Buat Matriks Z
Data Copy Column to Matrix

Masukkan kolom Z0-Z1 pada Copy from Columns:, beri nama


matriks MZ pada In current worksheet,in matrix:

5. Untuk menampilkan matriks, klik Data Display Data, kemudian pilih


matriks yang akan ditampilkan OK
6. Transpose matriks Z
Calc Matrices transpose, kemudian masukkan matriks Z (M1
Copy) pada Transpose from:, beri nama MZT pada Store result in

7. Tampilkan data transpose matriks Z (MZT) seperti langkah nomor 5.


8. Masukkan MSE pada worksheet minitab
9. Masukkan penduga parameter hasil dari analisis regresi pada
worksheet
10. Buat matriks beta dengan langkah sama seperti nomor 4. Kemudian
beri nama matriks MB OK

-
11. Transpose matriks B dengan langkah sama seperti langkah nomor 6,
beri nama MBT
12. Tampilkan data matriks MB langkah seperti langkah nomor 5.
13. Hitung BB
Calc Matrices Arithmetic, pilih Multiple, kalikan Matiks MBT
dengan MB OK.

14. Mencari nilai k


Calc Calculator, masukkan rumus perhitungan untuk mencari
3MSE
k=
BTB
15. Hitung ZZ
Calc Matrices Arithmetic, pilih Multiple, kalikan Matiks MZT
dengan MZ OK.

16. Tampilkan data matriks M5 (MZT*MZ) langkah seperti langkah nomor


5 OK
17. Buat Matiks KI
Buat matriks KI pada Worksheet kemudian jadikan dalam bentuk
matriks seperti langkah nomor 4.

18. Tampilkan data matriks KI langkah seperti langkah nomor 5 OK


19. Buat matriks Y dengan langkah sama seperti nomor 4. Kemudian beri
nama matriks MY OK

20. Hitung nilai R(k), rumus R(k) = (ZZ + KI)-1ZY


Hitung (ZZ + KI)-1terlebih dahulu: Calc Matrices Arithmetic, pilih
Add, jumlahkan Matiks M5(ZZ) dan Copy_2 (KI) OK. Kemudian
hitung Invers Matriks M6(ZZ + KI): Calc Matrices Invert, pilih
matriks M6 OK.
Hitung ZY : Calc Matrices Arithmetic, pilih Multiple, kalikan
Matiks MZT dengan MY(Copy_3) OK.

Hitung R(k) dengan kalikan matriks M7 dan M9: Calc Matrices


Arithmetic, pilih Multiple, kalikan Matiks M7 dengan M9 OK.

21. Tampilkan data matriks M10(R(k) ) langkah seperti langkah nomor 5


OK
22. Masukkan hasil R(k) pada worksheet minitab.
23. Hitung rata-rata yang standar deviasi variabel predictor (X)
Stat Basic Statistics Display Descriptive Statistic..

24. Masukkan rata-rata dan standar deviasi yang telah ditampilkan pada
output ke worksheet minitab.

25. Transformasi balik untuk menghitung parameter : Calc Calculator..


Menghitung 0 = br0 sum((bri*mean)/sd)
Menghitung i = bri/sd dimana i=1,2,3
26. Diperoleh persamaan regresi ridge yaitu:

^y = 25.7501 + 0.0079568X1+0.0097867X2+0.0396810X3
BAB II
PEMBAHASAN

2.1. Data
Data Konsumsi Ayam Per kapita (Y), Pendapatan Real Per kapita
(X1), Harga Ikan Eceran Real Per Unit (X2) dan Harga Sapi Eceran Real
Per Unit (X3) adalah sebagai berikut.
No. Y X1 X2 X3
1 27.8 397.5 50.7 78.3
2 29.9 413.3 52 79.2
3 29.8 439.2 54 79.2
4 30.8 459.7 55.3 79.2
5 31.2 492.9 54.7 77.4
6 33.3 528.6 63.7 80.2
7 35.6 560.3 69.8 80.4
8 36.4 624.6 65.9 83.9
9 36.7 666.4 64.5 85.5
10 38.4 717.8 70 93.7
11 40.4 768.2 73.2 106.1
12 40.3 843.3 67.8 104.8
13 41.8 911.6 79.1 114
14 40.4 931.1 95.4 124.1
15 40.7 1021.5 94.2 127.6
16 40.1 1165.9 123.5 142.9
17 42.7 1349.6 129.9 143.6
18 44.1 1449.4 117.6 139.2
19 46.7 1575.5 130.9 165.5
20 50.6 1759.1 129.8 203.3
21 50.1 1994.2 128 219.6
22 51.7 2258.1 141 221.6
23 52.9 2478.7 168.2 232.6
24 53.2 2128.2 123 211.9
25 53.1 2035.4 142 221.7
26 52.6 2005.9 133.2 231.8
27 53.8 2112.8 145.7 219.6
28 52.9 2008.6 143.9 220.7
29 54.3 2123.1 156.8 233.9
30 54.7 2345.9 154.8 245.8

2.2. Uji Asumsi NonMultikolinieritas


Setelah diregresikan antara variabel predictor dan predictor respon
didapatkan output sebagai berikut.

Predictor Coef SE Coef T P VIF


Constant 25.884 2.277 11.37 0.000
X1 0.008176 0.004332 1.89 0.070 54.241
X2 0.00834 0.04051 0.21 0.838 13.858
X3 0.03811 0.04255 0.90 0.379 41.039

Berdasarkan Output tersebut dapat diketahui bahwa nilai VIF


semua variabel predictor (X1, X2, X3) > 10 sehingga dapat diketahui
bahwa data pendapatan Real Per kapita (X1), Harga Ikan Eceran Real
Per Unit (X2) dan Harga Sapi Eceran Real Per Unit (X3) terdapat
multikolinieritas.

2.3. Standarisasi Nilai Peubah Prediktor


Matrix Z
1 -1.24878 -1.35071 -1.11062
1 -1.22656 -1.31689 -1.09633
1 -1.19014 -1.26486 -1.09633
1 -1.16132 -1.23104 -1.09633
1 -1.11463 -1.24664 -1.12491
1 -1.06443 -1.01251 -1.08045
1 -1.01985 -0.85382 -1.07727
1 -0.92943 -0.95528 -1.02170
1 -0.87065 -0.99170 -0.99629
1 -0.79837 -0.84861 -0.86608
1 -0.72750 -0.76536 -0.66919
1 -0.62189 -0.90585 -0.68983
1 -0.52585 -0.61188 -0.54374
1 -0.49843 -0.18783 -0.38337
1 -0.37131 -0.21905 -0.32779
1 -0.16825 0.54320 -0.08485
1 0.09007 0.70969 -0.07373
1 0.23041 0.38971 -0.14360
1 0.40774 0.73571 0.27402
1 0.66592 0.70709 0.87423
1 0.99652 0.66026 1.13306
1 1.36762 0.99846 1.16482
1 1.67783 1.70607 1.33948
1 1.18495 0.53019 1.01079
1 1.05445 1.02448 1.16640
1 1.01297 0.79554 1.32678
1 1.16329 1.12073 1.13306
1 1.01677 1.07390 1.15053
1 1.17778 1.40950 1.36013
1 1.49108 1.35747 1.54908

Matriks ZZ
Matrix M5

30 0.0000 -0.0000 0.0000


0 29.0000 27.9340 28.6445
-0 27.9340 29.0000 27.5823
0 28.6445 27.5823 29.0000

2.4. Menentukan nilai k


3MSE
k= = 0,0227021
BTB
Berdasarkan output yang dihasilkan dapat diketahui bahwa nilai k
sebesar 0,0227021

2.5. Menghitung R(k)


R(k) = (ZZ + KI)-1ZY

[ ]
42.8676
5.6573
R(k) =
0.3762
2.4999
pendugaan parameter R(k) dapat diketahui bahwa, sehingga model
sementara yang terbentuk adalah sebagai berikut.
^y = 42.8676 + 5.6573 Z1+ 0.3762 7Z2+ 2.4999
0Z3

2.6. Transformasi Balik Pendugaan Parameter

Dengan transformasi balik didapatkan pendugaan parameter


sebagai berikut.
0 = 25,7501
1 = 0,0079568
2 = 0,0097867
3 = 0,0396810

2.7. Model Terbaik yang Terbentuk


Setelah dilakukan standarisasi pada variabel predictor diperlukan
pengembalia ke bentuk awal agar ditemukan model terbaik. Model terbaik
yang terbentuk berdasarkan perhitungan menggunakan software minitab
yaitu:
^y = 25.7501 + 0.0079568X1+0.0097867X2+0.0396810X3
Interpretasi:
Setiap kenaikkan 1 unit pendapatan real per kapita maka akan
meningkatkan konsumsi ayam per kapita sebesar 0.0079568unit
Setiap kenaikkan 1 unit harga ikan eceran per unit maka akan
meningkatkan konsumsi ayam per kapita sebesar 0.009786 unit
Setiap kenaikkan 1 unit harga sapi eceran real per unit maka akan
meningkatkan konsumsi ayam per kapita sebesar 0.0396810 unit
BAB III
PENUTUP

3.1. Kesimpulan
Model regresi ridge yang terbentuk sebelum ditransformasi balik
yaitu:
^y = 42.8676 + 5.6573 Z1+ 0.3762 7Z2+ 2.4999
0Z3
Model terbaik yang terbentuk yaitu:
^y = 25.7501 + 0.0079568X1+0.0097867X2+0.0396810X3
Interpretasi:
Setiap kenaikkan 1 unit pendapatan real per kapita maka akan
meningkatkan konsumsi ayam per kapita sebesar
0.0079568unit
Setiap kenaikkan 1 unit harga ikan eceran per unit maka akan
meningkatkan konsumsi ayam per kapita sebesar 0.009786 unit
Setiap kenaikkan 1 unit harga sapi eceran real per unit maka
akan meningkatkan konsumsi ayam per kapita sebesar
0.0396810 unit

3.2. Saran
Regresi Ridge sangat bermanfaat dalam pembentukkan model regresi
linier berganda jika terdapat multikolinieritas pada variabel predictor.
Dalam melakukan regresi ridge hal terpenting adalah memeriksa variabel
predictor apakah terdapat multikolinieritas apa nonmultikolinieritas dan
ketelitian dalam pembentukan serta operasi matriks.
LAMPIRAN
Welcome to Minitab, press F1 for help.

Regression Analysis: Y versus X1, X2, X3

The regression equation is


Y = 25.9 + 0.00818 X1 + 0.0083 X2 + 0.0381 X3

Predictor Coef SE Coef T P VIF


Constant 25.884 2.277 11.37 0.000
X1 0.008176 0.004332 1.89 0.070 54.241
X2 0.00834 0.04051 0.21 0.838 13.858
X3 0.03811 0.04255 0.90 0.379 41.039

S = 2.25246 R-Sq = 94.1% R-Sq(adj) = 93.4%

Analysis of Variance

Source DF SS MS F P
Regression 3 2096.27 698.76 137.72 0.000
Residual Error 26 131.91 5.07
Total 29 2228.18

Source DF Seq SS
X1 1 2092.00
X2 1 0.20
X3 1 4.07

Unusual Observations

Obs X1 Y Fit SE Fit Residual St Resid


1 398 27.800 32.541 0.776 -4.741 -2.24R

R denotes an observation with a large standardized residual.

Durbin-Watson statistic = 0.473832

* NOTE * VARNAMES subcommand caused existing output variable


names to be
overwritten.

Data Display
Matrix Copy

1 -1.24878 -1.35071 -1.11062


1 -1.22656 -1.31689 -1.09633
1 -1.19014 -1.26486 -1.09633
1 -1.16132 -1.23104 -1.09633
1 -1.11463 -1.24664 -1.12491
1 -1.06443 -1.01251 -1.08045
1 -1.01985 -0.85382 -1.07727
1 -0.92943 -0.95528 -1.02170
1 -0.87065 -0.99170 -0.99629
1 -0.79837 -0.84861 -0.86608
1 -0.72750 -0.76536 -0.66919
1 -0.62189 -0.90585 -0.68983
1 -0.52585 -0.61188 -0.54374
1 -0.49843 -0.18783 -0.38337
1 -0.37131 -0.21905 -0.32779
1 -0.16825 0.54320 -0.08485
1 0.09007 0.70969 -0.07373
1 0.23041 0.38971 -0.14360
1 0.40774 0.73571 0.27402
1 0.66592 0.70709 0.87423
1 0.99652 0.66026 1.13306
1 1.36762 0.99846 1.16482
1 1.67783 1.70607 1.33948
1 1.18495 0.53019 1.01079
1 1.05445 1.02448 1.16640
1 1.01297 0.79554 1.32678
1 1.16329 1.12073 1.13306
1 1.01677 1.07390 1.15053
1 1.17778 1.40950 1.36013
1 1.49108 1.35747 1.54908

Data Display

Matrix MZT

1.00000 1.00000 1.00000 1.00000 1.00000 1.00000


1.00000 1.00000
-1.24878 -1.22656 -1.19014 -1.16132 -1.11463 -1.06443
-1.01985 -0.92943
-1.35071 -1.31689 -1.26486 -1.23104 -1.24664 -1.01251
-0.85382 -0.95528
-1.11062 -1.09633 -1.09633 -1.09633 -1.12491 -1.08045
-1.07727 -1.02170

1.00000 1.00000 1.00000 1.00000 1.00000 1.00000


1.00000 1.00000
-0.87065 -0.79837 -0.72750 -0.62189 -0.52585 -0.49843
-0.37131 -0.16825
-0.99170 -0.84861 -0.76536 -0.90585 -0.61188 -0.18783
-0.21905 0.54320
-0.99629 -0.86608 -0.66919 -0.68983 -0.54374 -0.38337
-0.32779 -0.08485

1.00000 1.00000 1.00000 1.00000 1.00000 1.00000


1.00000 1.00000
0.09007 0.23041 0.40774 0.66592 0.99652 1.36762
1.67783 1.18495
0.70969 0.38971 0.73571 0.70709 0.66026 0.99846
1.70607 0.53019
-0.07373 -0.14360 0.27402 0.87423 1.13306 1.16482
1.33948 1.01079

1.00000 1.00000 1.00000 1.00000 1.00000 1.00000


1.05445 1.01297 1.16329 1.01677 1.17778 1.49108
1.02448 0.79554 1.12073 1.07390 1.40950 1.35747
1.16640 1.32678 1.13306 1.15053 1.36013 1.54908

4/30/2016 2:05:31 PM

Data Display

Matrix Copy_1

25.8840
0.0082
0.0083
0.0381

Answer = 669.9830

Data Display

Matrix M5

30 0.0000 -0.0000 0.0000


0 29.0000 27.9340 28.6445
-0 27.9340 29.0000 27.5823
0 28.6445 27.5823 29.0000

* NOTE * VARNAMES subcommand caused existing output variable


names to be
overwritten.
Data Display

Matrix Copy_2

0.0227021 0.0000000 0.0000000 0.0000000


0.0000000 0.0227021 0.0000000 0.0000000
0.0000000 0.0000000 0.0227021 0.0000000
0.0000000 0.0000000 0.0000000 0.0227021

* NOTE * VARNAMES subcommand caused existing output variable


names to be
overwritten.

Data Display

Matrix M7

0.0333081 0.00000 0.000000 -0.00000


0.0000000 1.74976 -0.442928 -1.30601
0.0000000 -0.44293 0.468084 -0.00770
-0.0000000 -1.30601 -0.007697 1.33076

Data Display

Matrix M9

1287.00
246.31
237.90
244.98

Data Display

Matrix M10

42.8676
5.6573
0.3762
2.4999

Descriptive Statistics: X1, X2, X3

Variable Mean StDev


X1 1286 711
X2 102.62 38.44
X3 148.2 63.0