LAPORAN PRAKTIKUM

BIOMETRI

ANALISIS REGRESI MENGGUNAKAN SAS

OLEH

JEMMI

F05112053

FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN

UNIVERSITAS TANJUNGPURA
PONTIANAK
2015
Kata pengantar
Statistical Analysis Systematau popular (SAS) adalah suatu sistem terpadu
dari produk perangkat lunak yang disediakan oleh SAS Institute Inc yang
pengoperasiannya dilakukan dalam percobaan ini. SAS memungkinkan programmer
untuk melakukan entri data, analisis statistik, peramalan untuk mendukung keputusan
riset operasi, peningkatan kualitas pengembangan aplikasi data dan lain sebagainya.
Pada percobaan ini dilakukan dengan menganalisis Regresi. Analisis Regresi
adalah salah satu metode yang sangat popular dalam mencari hubungan antara 2
variabel atau lebih. Variabel-variabel yang dikomputasi selanjutnya dikelompokkan
menjadi variabel dependen yang biasanya dinotasikan dengan huruf Y dan variabel
independen yang biasanya dinotasikan dengan huruf X.
Banyaknya variabel dependen harus sama dengan 1 untuk analisis regresi,
sebab dalam analisis ini kita akan mencari hanya satu nilai variabel berdasarkan nilai-
nilai variabel independen yang jumlahnya bisa lebih dari 1. Variabel dependen yang
selanjutnya dinotasikan Y juga dikenal sebagai variabel tak bebas, tergantung, respon
ataupun outcome, sedangkan variabel independen yang dinotasikan sebagai X dikenal
sebagai variabel bebas, tak tergantng atau prediktor. Lebih lanjut, analisis regresi
yang dapat kita terapkan dalam mencari hubungan variabel X dan Y tergantung
kepada tipe dari variabel Y atau variabel dependen yang nilainya akan kita cari
berdasarkan variabel independen. setidaknya 2 dua :

Jika variabel dependen merupakan data kontinu maka kita dapat

menggunakan regresi linear, maupun non-linear, sedangkan
Jika variabel dependen merupakan data kategorikal maka kita dapat
menggunakan analisis regresi logistic
Persyaratan Penggunaan Model Regresi

Model kelayakan regresi linear didasarkan pada hal-hal sebagai berikut:

a. Model regresi dikatakan layak jika angka signifikansi pada ANOVA

sebesar < 0.05

b. Predictor yang digunakan sebagai variabel bebas harus layak. Kelayakan

ini diketahui jika angka Standard Error of Estimate < Standard Deviation

c. Koefesien regresi harus signifikan. Pengujian dilakukan dengan Uji T.

Koefesien regresi signifikan jika T hitung > T table (nilai kritis)

d. Tidak boleh terjadi multikolinieritas, artinya tidak boleh terjadi korelasi

yang sangat tinggi atau sangat rendah antar variabel bebas. Syarat ini
hanya berlaku untuk regresi linier berganda dengan variabel bebas lebih
dari satu.

e. Tidak terjadi otokorelasi. Terjadi otokorelasi jika angka Durbin dan

Watson (DB) sebesar < 1 dan > 3

f. Keselerasan model regresi dapat diterangkan dengan menggunakan nilai

2
r semakin besar nilai tersebut maka model semakin baik. Jika nilai
mendekati 1 maka model regresi semakin baik. Nilai r2 mempunyai
karakteristik diantaranya: 1) selalu positif, 2) Nilai r2 maksimal sebesar 1.
Jika Nilai r2 sebesar 1 akan mempunyai arti kesesuaian yang sempurna.
Maksudnya seluruh variasi dalam variabel Y dapat diterangkan oleh
model regresi. Sebaliknya jika r2 sama dengan 0, maka tidak ada
hubungan linier antara X dan Y.

g. Terdapat hubungan linier antara variabel bebas (X) dan variabel

tergantung (Y)

h. Data harus berdistribusi normal

i. Data berskala interval atau rasio

j. Kedua variabel bersifat dependen, artinya satu variabel merupakan

variabel bebas (disebut juga sebagai variabel predictor) sedang variabel
lainnya variabel tergantung (disebut juga sebagai variabel response)
Tabel Pengamatan
Halaman Editorial Regresi
Option ls=78 ps=60;

Data regresi;

Input x y;

Cards;

1.0 41.3

1.5 34.0

2.0 32.5

2.5 35.2

3.0 28.8

3.5 25.6

4.0 30.1

4.5 25.7

5.0 22.6

5.5 20.3

6.0 18.8

6.5 17.1

Run;

Proc print data=regresi;

Run;

Proc reg;

Model y= x;

Run;
Hasil Analisis Regresi

The SAS System 17:12 Monday, May 5, 1997

1

OBS X Y

1 1.0 41.3
2 1.5 34.0
3 2.0 32.5
4 2.5 35.2
5 3.0 28.8
6 3.5 25.6
7 4.0 30.1
8 4.5 25.7
9 5.0 22.6
10 5.5 20.3
11 6.0 18.8
12 6.5 17.1
 The SAS System 17:12 Monday, May 5, 1997
2

OBS X Y

1 1.0 41.3
2 1.5 34.0
3 2.0 32.5
4 2.5 35.2
5 3.0 28.8
6 3.5 25.6
7 4.0 30.1
8 4.5 25.7
9 5.0 22.6
10 5.5 20.3
11 6.0 18.8
12 6.5 17.1
 The SAS System 17:12 Monday, May 5, 1997
3

Model: MODEL1
Dependent Variable: Y

Analysis of Variance

Sum of Mean
Source DF Squares Square F Value
Prob>F

Model 1 540.83643 540.83643 106.442

0.0001
Error 10 50.81023 5.08102
C Total 11 591.64667

Root MSE 2.25411 R-square 0.9141

Dep Mean 27.66667 Adj R-sq 0.9055
C.V. 8.14739

Parameter Estimates

Parameter Standard T for H0:

Variable DF Estimate Error Parameter=0 Prob > |T|

INTERCEP 1 42.252331 1.55630103 27.149 0.0001

X 1 -3.889510 0.37699672 -10.317 0.0001

Pembahasan

Pada saat mengolah data regresi dengan menggunakan SAS digunakan label-
label sebagai berikut, option ls=78 ps=60, data 7, input miles size, cards, run, prog
reg, title, model size=miles. Option ls=78 ps=60 berfungsi untuk mengatur panjang
dan lebar kertas serta mengatur banyaknya halaman data. Data dt7 berfungsi
menunjukkan data yang dibuat. Input miles size berfungsi untuk memasukkan data
percobaan dengan mile pada kolom pertama, dan size pada kolom kedua. Cards
berfungsi sebagai pembuka data. Run berfungsi sebagai tanda yang diberikan kepada
SAS agar melakukan proses terhadap perintah-perintah sebelumnya. Dalam
pengolahan data regresi menggunakan SAS tidak menggunakan prog print ataupun
prog glm, tetapi menggunakan prog reg yang memiliki fungsi sama seperti prog print
dan prog glm, yaitu berfungsi untuk mengeluarkan tabel anova dari data yang
diproses. Title berfungsi untuk memberi judul data yang akan diproses. Dan model
size=miles adalah model linier matematik regresi untuk program SAS.

Selain itu, juga digunakan juga simbol titik koma (;) yang diletakkan pada
setiap akhir pernyataan agar pernyataan tersebut dapat dibaca oleh SAS..

Kesimpulan
Model regresi dikatakan layak jika angka signifikansi pada ANOVA sebesar < 0.05

DAFTAR PUSTAKA
Safar, Gempur. ( 2010). Analisis Regresi. ( online ).
(https://exponensial.wordpress.com/analisis-regresi/).
Sugiyanto. (2004). Analisis Statistika Sosial. Malang : Bayumedia Publishing.