LAPORAN PRAKTIKUM STATISTIKA

ANALISIS REGRESI

Oleh :
BANGKIT PARULIAN SIHOMBING
NIM. 1606114109

KELOMPOK 6 :
CLARA APRILIA
FAHMI AZIZ

Asisten :
AHMAD FAJARUSSHIDIQ

JURUSAN AGROTEKNOLOGI
FAKULTAS PERTANIAN
UNIVERSITAS RIAU
PEKANBARU
2017
I. Langkah Kerja

1. Aplikasi SPSS dibuka dengan mengklik 2x pada tombol kanan mouse

2. Setelah Aplikasi SPSS dibuka akan muncul tampilan seperti di bawah ini
kemudian pilik Type in data lalu klik OK
3. Kemudian akan muncul tampilan seperti gambar di bawah ini, lalu dipilih
menu Variable view pada pojok kiri bawah tampilan

4. Dimasukkan variable data seperti gambar di bawah ini,

5. Setelah selasai mengisi data, kemudian klik data view dan dimasukkan data
pada setiap variable seperti gambar di bawah ini.

6. Setelah semua data dimasukkan, Klik Analyze > regression > Linear sepertti
gambar dibawah ini.
7. Akan muncul tampilan seperti gambar di bawah ini, Kemudian Variabel berat
badan dimasukkan ke Dependent, dan Jumlah kalori yang dijonsumsi ke
Independent seperti gambar di bawah ini
8. Kemudian klik opstions, lalu diisi data seperti di bawah ini dan klik Continue

9. Kemudian klik Statistics dan diisi kolom seperti pada gambar di bawah ini,
lalu klik Continue
10. Kemudian akan muncul tampilan seperti gambar di bawah ini yang
merupakan hasil perhitungan yang di dapatkan
II. Hasil dan Pembahasan
2.1 Hasil
Descriptive Statistics

Std.
Mean Deviation N

Berat_Badan 64.30 15.456 10

Jumlah_Kalori_yang_dikonsumsi 414.10 98.571 10

Correlations

Jumlah_Kalori_
yang_dikonsum
Berat_Badan si

Pearson Berat_Badan 1.000 .950

Correlation Jumlah_Kalori_yang_di
.950 1.000
konsumsi

Sig. (1-tailed) Berat_Badan . .000

Jumlah_Kalori_yang_di
.000 .
konsumsi

N Berat_Badan 10 10

Jumlah_Kalori_yang_di
10 10
konsumsi
 Variables Entered/Removedb

Variables Variables
Model Entered Removed Method

1 Jumlah_Kalor
i_yang_dikon . Enter
sumsia

a. All requested variables entered.

b. Dependent Variable: Berat_Badan

Model Summaryb

Adjusted R Std. Error of

Model R R Square Square the Estimate

1 .950a .903 .891 5.114

a. Predictors: (Constant),
Jumlah_Kalori_yang_dikonsumsi
b. Dependent Variable: Berat_Badan
ANOVAb

Sum of
Model Squares df Mean Square F Sig.

1 Regression 1940.846 1 1940.846 74.201 .000a

Residual 209.254 8 26.157

Total 2150.100 9

a. Predictors: (Constant), Jumlah_Kalori_yang_dikonsumsi

b. Dependent Variable: Berat_Badan
 Casewise Diagnosticsa

Predicted
Case Number Std. Residual Berat_Badan Value Residual

1 1.453 89 81.57 7.433

2 .137 48 47.30 .698
3 .011 56 55.94 .058
4 -1.288 72 78.59 -6.587
5 1.251 54 47.60 6.400
6 -1.037 42 47.30 -5.302
7 -.051 60 60.26 -.263
8 .759 85 81.12 3.880
9 -.280 63 64.43 -1.434
10 -.955 74 78.88 -4.885

a. Dependent Variable: Berat_Badan

Residuals Statisticsa

Std.
Minimum Maximum Mean Deviation N

Predicted Value 47.30 81.57 64.30 14.685 10

Residual -6.587 7.433 .000 4.822 10
Std. Predicted
-1.158 1.176 .000 1.000 10
Value
Std. Residual -1.288 1.453 .000 .943 10

a. Dependent Variable: Berat_Badan

2.2 Pembahasan
Hasil analisis data deskriptif merupakan hasil dari pemilihan check
box Descriptive pada dialog box Statistics. Didapatkan nilai rata-rata untuk berat
badan 64.30 dan jumlah kalori 414.10, serta standar deviasi untuk semua variabel
yaitu 15.456 untuk berat badan dan 98.571 untuk jumlah kalori. Dari hasil yang ada
pada tabel di dapat kan bahwa data N valid dan tidak ada data yang hilang karena
menampilkan semua data yaitu data yang berjumlah 10.
Koefisien Korelasi (Pearson Correlations) juga didapat dari pilihan
Descriptive pada dialog box Statistics. Pada matriks korelasi didapatkan angka
signifikansi untuk hubungan antar seluruh variabel independent dengan variabel
dependent bernilai 0,000 di bawah 0,05 (<0,05) , sehingga dapat disimpulkan
bahwa memang terdapat hubungan yang signifikan dan korelasi yang erat antara
semua variabel independent dengan variabel dependent. Dapat dikatakan bahwa
data tersebut diterima.
Berdasarkan data yang diperoleh pada tabel dapat dilihat bahwa nilai berat
badan yang di prediksi dapat dilihat, sedangkan residual adalah selisih antara berat
badan dengan predicted value dan std. residual adalah nilai residual yang telah
terstandarisasi karena nilai semakin mendekati 0, semakin menjahui 0 atau lebih
dari 1 atau -1 semakin tidak baik model regresi nya dalam melakukan prediksi. Hal
tersebut dapat dibandingkan dari data pertama dengan yang terakhir yaitu sampel
yang ke-10. Dengan data yang pertama yaitu berat badan 89 sedangkan predicted
value yaitu 81,57 dengan jumlah berat badan 74 dan jumlah predicted value 78,88.
Jadi dapa disimpulkan semakin berat berat badan seseorang maka jumlah kalori
yang dikomsumsi semkain banyak.