Table Property Valuation Data

y x1 x2 x4 x8
25.9 1.5 1 0.998 42
29.5 5 1 1.5 62
27.9 3 1 1.175 40
25.9 1.5 1 1.232 54
29.9 6.5 1 1.121 42
29.9 6.5 1 0.988 56
30.9 9.5 1 1.24 51
28.9 4 1 1.501 32
35.9 13 1 1.225 32
31.5 12 1 1.552 30
31 11 1 0.975 30
30.9 9.5 1 1.121 32
30 8 1 1.02 46
36.9 14.5 1.5 1.664 50
41.9 21 1.5 1.488 22
40.5 20 1.5 1.376 17
43.9 22 1 1.5 23
37.5 16 1 1.256 40
37.9 17.5 1.5 1.69 22
44.5 23 1.5 1.82 50
37.9 17.5 1.5 1.652 44
38.9 19 1.5 1.777 48
36.9 14.5 1 1.504 3
45.8 24 1.5 1.831 31

Keterangan :
Y : Penjualan rumah
X1 : Pajak
X2 : Jumlah kamar
X4 : Ruang tamu
X8 : Umur rumah
Respon : y
Regresi : x
Jika x berdistribusi dan y berdistribusi maka disebut korelasi. Jika x mempengaruhi y maka disebut
regresi.
Korelasi mengukur eratnya hubungan linear antara masing-masing peubah yang setara ( jadi bukan
dengan rata-rata peubah lainnya).
Regresi berganda : datanya tidak boleh kurang dari variabelnya.
Matrix Plot of y; x1; x2; x4; x8

MTB > Regress 'y' 4 'x1' 'x2' 'x4' 'x8';

SUBC> Constant;
SUBC> Brief 2.

Tegak sumbu y
Datar sumbu x
A. Berdasarkan matriks plot diatas dapat dilihat bahwa terdapat hubungan antara x1
dengan y, hal ini dipastikan karna x1 memiliki hubungan dengan y. Sedangkan paramater
lainnya tidak memiliki hubungan satu sama lain. Dilihat dari x1 yang mana x1 adalah
pajak dan y adalah penjualan rumah, dari matrik plot tersebut terlihat bahwa pajak
mengalami kenaikkan dan penjualan rumah pun ikut meningkat maka dari itu pajak dan
penjualan rumah terdapat hubungan. Sedangkan sebaran lainnya, x2 dengan y, x4 dengan
y dan x8 dengan y tidak memiliki hubungan karna sebaran datanya tak beraturan. Dari
gambar diatas terlihat bahwa titik-titik plot menyebar disekitar garis kenormalan artinya
tidak ada pencilan dari data tersebut.
B. Berdasarkan matris plot diatas dapat dilihat bahwa tidak terdapat hubungan antara x2
dengan y, dapat dilihat sebaran data pada jumlah kamar tetap pada nilai tertentu tetapi
penjualan rumah meningkat. Maka tidak terdapat hubungan antara Y dengan X2.
C. Berdasarkan matriks plot diatas terlihat bahwa Y dengan X4 tidak memiliki hubungan
karna sebaran data pada jumlah kamar tak beraturan dan tidak ada hubungan dengan area
Y.
D. Berdasarkan matriks plot diatas terlihat bahwa Y(penjualan rumah) dengan X8(umur
rumah) tidak memiliki hubungan karna dapat dilihat dari hasil penyebaran data. Dari
gambar diatas terlihat bahwa titik-titik plot menyebar dan tidak membentuk garis lurus
pada garis kenormalan artinya terdapat pencilan dari data tersebut.
Regression Analysis: y versus x1; x2; x4; x8

The regression equation is

y = 22.8 + 0.809 x1 - 0.92 x2 + 1.89 x4 + 0.0042 x8

Predictor Coef SE Coef T P

Constant 22.804 1.726 13.21 0.000
x1 0.80904 0.06503 12.44 0.000
x2 -0.919 1.813 -0.51 0.618
x4 1.887 1.456 1.30 0.211
x8 0.00420 0.02154 0.20 0.847

S = 1.24040 R-Sq = 96.5% R-Sq(adj) = 95.7%

Analysis of Variance

Source DF SS MS F P
Regression 4 799.81 199.95 129.96 0.000
Residual Error 19 29.23 1.54
Total 23 829.05

Source DF Seq SS
x1 1 797.04
x2 1 0.04
x4 1 2.67
x8 1 0.06

Obs x1 y Fit SE Fit Residual St Resid

10 12.0 31.500 34.648 0.537 -3.148 -2.82R

R denotes an observation with a large standardized residual.

2. Uji kelayakan model

A. H0 : 0=
H1 : 1
Pv= 0.000
=0.05
Pv< maka H1 : 1 terima H1 dan terdapat hubungan linear antara y dengan x1.

B. B. H0: 0=
H1 : 1
Pv= 0.618
=0.05
Pv> maka H1 : 1 tolak H1 atau terima H0 tidak terdapat hubungan linear antara y
dengan x2

C. C. H0: 0=
H1 : 1
 Pv= 0.211
=0.05
Pv> maka H1 : 1 tolak H1 dan tidak terdapat hubungan linear antara y dengan x4.

D. D. H0 : 0=
H1 : 1
Pv= 0.847
=0.05
Pv> maka H1 : 1 tolak H1 dan tidak terdapat hubungan linear antara y dengan x8.

Residual
y = 22.8 + 0.809 x1 - 0.92 x2 + 1.89 x4 + 0.0042 x8
y x1 x2 x4 x8 FITS1
25.9 1.5 1 0.998 42 25.1578
29.5 5 1 1.5 62 29.0206
27.9 3 1 1.175 40 26.6969
25.9 1.5 1 1.232 54 25.6497
29.9 6.5 1 1.121 42 29.4351
29.9 6.5 1 0.988 56 29.243
30.9 9.5 1 1.24 51 32.1245
28.9 4 1 1.501 32 28.0874
35.9 13 1 1.225 32 34.8481
31.5 12 1 1.552 30 34.6476
31 11 1 0.975 30 32.7499
30.9 9.5 1 1.121 32 31.8202
30 8 1 1.02 46 30.4749
36.9 14.5 1.5 1.664 50 36.5059
41.9 21 1.5 1.488 22 41.315
40.5 20 1.5 1.376 17 40.2737
43.9 22 1 1.5 23 42.6106
37.5 16 1 1.256 40 37.3673
37.9 17.5 1.5 1.69 22 38.8645
44.5 23 1.5 1.82 50 43.6771
37.9 17.5 1.5 1.652 44 38.8852
38.9 19 1.5 1.777 48 40.3514
36.9 14.5 1 1.504 3 36.4663
45.8 24 1.5 1.831 31 44.4271
Jumlah 830.6998

RESI1
0.74220
0.47940
1.20308
0.25030
0.46491
0.65705
-1.22455
0.81255
1.05190
-3.14763
-1.74993
-0.92023
-0.47490
0.39409
0.58496
0.22632
1.28944
0.13267
-0.96450
0.82288
-0.98521
-1.45142
0.43372
1.37288
-2E-05

Interpretasi:

Berdasarkan grafik Residuals Versus the Fitted Values diatas, grafik memperlihatkan
bahwa kecocokan antara data dengan model sudah baik kelihatannya dan sisa terlihat
acak.
Berdasarkan regresi diatas dapat dilihat nilai P untuk masing-masing variabel. Jika
= 0,05 maka dapat dilihat apakah data tersebut berdistribusi normal atau tidak. Untuk
variabel x1 P value nya 0,000 berarti data berdistribusi normal karena P value < .
Sedangkan variabel x2 P valuenya adalah 0,618, x4 P valuenya adalah 0,211 dan x8 P
valuenya adalah 0,847 jadi data tersebut berdistribusi tidak normal karna P value > .
Pada regresi diatas nilai R-Sq(adj)= 95,7% ini berarti dari seluruh variansi total y
diterangkan oleh regresi (atau x) dan masih ada 4,3% variasi y yang tidak dapat
diterangkan oleh model yang digunakan.
Pada analysis of variance terdapat nilai P valuenya 0,000 berarti ada data yang
berdistribusi normal karna P value < .
B. Perform residuals analysis
1. Plot sisaan
Residual Plots for y

MTB > PPlot 'RESI1';

SUBC> Normal;
SUBC> Symbol;
SUBC> FitD;
SUBC> Grid 2;
SUBC> Grid 1;
SUBC> MGrid 1.

5. Analisis sisaan
Probability Plot of RESI1

MTB > Name c12 "RESI3" c13 "SRES3" c14 "FITS3" K3 "MSE3"
MTB > Regress 'y' 4 'x1' 'x2' 'x4' 'x8';
SUBC> Weights 'RESI1';
SUBC> Residuals 'RESI3';
SUBC> SResiduals 'SRES3';
SUBC> Fits 'FITS3';
SUBC> MSE 'MSE3';
SUBC> GFourpack;
SUBC> RType 1;
SUBC> Constant;
SUBC> DW;
SUBC> Brief 2.
* ERROR * Negative weight in row 7.
MTB > Stepwise 'y' 'x1' 'x2' 'x4' 'x8';
SUBC> AEnter 0.05;
SUBC> ARemove 0.05;
SUBC> Best 0;
SUBC> Constant.

Stepwise Regression: y versus x1; x2; x4; x8

Alpha-to-Enter: 0.05 Alpha-to-Remove: 0.05

Response is y on 4 predictors, with N = 24

Step 1
Constant 24.19

x1 0.833
T-Value 23.41
P-Value 0.000

S 1.21
R-Sq 96.14
R-Sq(adj) 95.96
Mallows Cp 0.8

More? (Yes, No, Subcommand, or Help)

SUBC> Stop.
SUBC> Abort.
* ERROR * Subcommand STOP is out of sequence or is not valid with this command.
* ERROR * Subcommand ignored.

MTB > Stepwise 'y' 'x1' 'x2' 'x4' 'x8';

SUBC> Backward;
SUBC> ARemove 0.05;
SUBC> Best 0;
SUBC> Constant.

Stepwise Regression: y versus x1; x2; x4; x8

Backward elimination. Alpha-to-Remove: 0.05

Response is y on 4 predictors, with N = 24

Step 1 2 3 4
Constant 22.80 22.90 22.52 24.19

x1 0.809 0.803 0.791 0.833

T-Value 12.44 14.65 16.44 23.41
P-Value 0.000 0.000 0.000 0.000

x2 -0.9 -0.8
T-Value -0.51 -0.48
P-Value 0.618 0.633

x4 1.9 1.9 1.6

T-Value 1.30 1.35 1.30
P-Value 0.211 0.192 0.209

x8 0.004
T-Value 0.20
P-Value 0.847

S 1.24 1.21 1.19 1.21

R-Sq 96.47 96.47 96.43 96.14
R-Sq(adj) 95.73 95.94 96.08 95.96
Mallows Cp 5.0 3.0 1.3 0.8

More? (Yes, No, Subcommand, or Help)

SUBC>
 Kombinasi
Kelompok R-Sq(adj) S2 VIF
Peubah
A 1 X1
2 X3
3 X4
4 X8
B 1 X1,X3
2 X1,X4
3 X1,X8
4 X3,X4
5 X3,X8
6 X4,X8

C 1 X1,X3,X4

2 X1,X3,X8

X1,X4,X8
3

4 X3,X4,X8

D 1 X1,X3,X4,X8