Daftar Isi

Daftar Isi................................................................................................................... i
Daftar Tabel ............................................................................................................ ii
Daftar Gambar ........................................................................................................ iii
1 Pendahuluan .................................................................................................... 1
1.1 R-Studio .................................................................................................. 1
1.2 Regresi Non-linear .................................................................................. 1
2 Deskripsi Kerja................................................................................................ 3
2.1 Studi Kasus ............................................................................................. 3
2.2 Langkah Kerja ......................................................................................... 4
2.2.1 Membuka Lembar Kerja R-Studio ...................................................... 4
2.2.2 Melakukan Penginputan Data ............................................................. 5
2.2.3 Melakukan Analisis Regresi Linier Sederhana ................................... 6
2.2.4 Menampilkan Analisis Regresi Kuadratik .......................................... 7
2.2.5 Menampilkan Analisis Regresi Kubik ................................................ 7
2.2.6 Membandingkan R-Squared dari Analisis Kuadratik dan Kubik ....... 8
3 Pembahasan ..................................................................................................... 9
3.1 Diagram Plot ........................................................................................... 9
3.2 Analisis Regresi Linier Sederhana ........................................................ 10
3.2.1 Identifikasi dan Estimasi Model........................................................ 10
3.2.2 Uji Overall ........................................................................................ 10
3.3 Analisis Regresi Non Linier .................................................................. 11
3.3.1 Analisis Regresi Kuadratik dan Kubik .............................................. 11
3.3.2 Interpretasi Hasil ............................................................................... 19
4 Penutup.......................................................................................................... 20
4.1 Kesimpulan ........................................................................................... 20
5 Daftar Pustaka ............................................................................................... 21

i
Daftar Tabel
Tabel 2.1. Data Dosis Obat dan Kadar Creatin ...................................................... 3
Tabel 3.1. Tabel Keputusan Uji T ........................................................................ 13
Tabel 3.2. Tabel Keputusan Uji T Tanpa Intercept. ............................................. 15
Tabel 3.3. Tabel Keputusan Uji T ........................................................................ 17
Tabel 3.4. Tabel Keputusan Uji T dengan Menghilangkan b2 ............................. 19

ii
Daftar Gambar
Gambar 2.1. Folder R-Studio ................................................................................. 4
Gambar 2.2. Tampilan Awal R-Studio .................................................................. 4
Gambar 2.3. Syntax untuk Menginputkan Data ..................................................... 5
Gambar 2.4. Pemilihan Data yang akan Diinputkan ............................................. 5
Gambar 2.5. Output Data yang telah Di-input-kan ............................................... 5
Gambar 2.6. Syntax untuk Menampilkan Variabel................................................ 6
Gambar 2.7. Syntax untuk Menampilkan Analisis Regresi Sederhana ................. 6
Gambar 2.8. Syntax untuk Menampilkan Diagram Plot ........................................ 6
Gambar 2.9. Syntax untuk Menampilkan Analisis Kuadratik ............................... 7
Gambar 2.10. Syntax Analisis Kuadratik Apabila Intercept dihilangkan.............. 7
Gambar 2.11. Syntax untuk Menampilkan Analisis Kubik ................................... 7
Gambar 2.12. Syntax Analisis Kuadratik Apabila Intercept dihilangkan.............. 7
Gambar 2.13. Syntax untuk Menampilkan Perbandingan R-Squared ................... 8
Gambar 3.1. Diagram Plot ..................................................................................... 9
Gambar 3.2. Output Summary Regresi Linier Sederhana ................................... 10
Gambar 3.3. Analisis Regresi Kuadratik ............................................................. 11
Gambar 3.4. Analisis Regresi Kuadratik bila Interceptnya dihilangkan ............. 14
Gambar 3.5. Analisis Regresi Kubik ................................................................... 15
Gambar 3.6. Analisis Regresi Kubik agar Signifikan ......................................... 17
Gambar 3.7. Perbandingan Nilai R-squared........................................................ 19

iii
1 Pendahuluan

1.1 R-Studio
R adalah salah satu dari program sumber terbuka yang dapat diunduh gratis
di http://cran.r-project.org/, yang mana situs resminya ada di http://www.r-
project.org/. R pertama kali diciptakan oleh Ross Ihaka dan Robert Gentleman (-
nama R berasal dari huruf pertama nama depan kedua orang ini-), R diluncurkan
pertama kali tahun 1997, dan versi terakhir ketika tulisan ini dibuat adalah 3.0.1.
(Nurmansyah, 2015)

1.2 Regresi Non-linear

Analisis regresi merupakan metode dalam statistika yang digunakan untuk
mengetahui pola hubungan antara variabel bebas dan variabel terikat (Hosmer and
Lemeshow, 2000). Berdasarkan pola hubungannya, analisis regresi terbagi atas
analisis regresi linear dan analisis regresi non-linear. Suatu model disebut model
regresi nonlinear apabila variabel-variabelnya ada yang berpangkat. Contoh
model regresi nonlinear dalam antara lain model, kuadratik, kubik, dan lain-lain.
Model regresi nonlinear dalam parameter adalah suatu model apabila
dideferensialkan hasilnya masih merupakan fungsi dalam parameter tersebut.
Dalam analisis regresi, melalui metode kuadrat terkecil, model-model yang
linear dalam parameter dituliskan sebagai :
Y = 𝛽0 + 𝛽1 𝑍1 + 𝛽2 𝑍2 + … + 𝛽𝑝 𝑍𝑝 + 𝜀
dimana𝑍𝑖 merupakan sembarang fungsi peubah-peubah peramal 𝑋1 , 𝑋2 , … , 𝑋𝑘 .
Dalam banyak bidang ilmu-ilmu fisika, kimia, teknik, dan biologi, banyak situasi
percobaan yang secara teoritis menggunkan model regresi nonlinear. Model
regresi nonlineardiantaranya berbentuk :
y = α 𝑒 𝛽𝑥 + 𝜀
𝛼
y = 1+exp(−(𝛽 +ε
1 𝑋1 + 𝛽2 𝑋2 + …+ 𝛽𝑘 𝑋𝑘 ))

𝛾1 𝛾2 𝛾𝑘
y = 𝛼 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + … + 𝛽𝑘 𝑋𝑘 + ε

1
 Meskipun persamaan ini dapat mempresentasikan berbagai keragaman
yang luas, namun ada banyak situasi yang tidak dapat dianalisis oleh model
tersebut. Misalnya, dalam kasus tersedianya informasi yang pasti tentang
hubungan antara peubah respon dan peubah peramal. Informasi seperti itu
mungkin mengandung pengetahuan yang langsung tentang bentuk model yang
sesungguhnya atau mungkin dapat dipresentasikan melalui suatu persamaan
diferensial yang harus dipenuhi oleh model tersebut. Bila informasi membawa
kita pada model nonlinear, biasanya bila mungkin kita lebih suka menggunkannya
daripada mengambil model linear alternatif (hasil diferensial) yang mungkin
kurang realistis

1.2.1 Metode Kuadratik

Metode kuadratik merupakan nilai variable yang tidak bebas dengan
bentuk naik atau turun secara linier atau terjadi secara parabola, jika data dibuat
scatter plot (hubungan variable dependen dan independent adalah kuadratik) dan
merupakan metode regresi non linier. (Yusuf, 2009). Model matematikanya
sebagai berikut :

1.2.2 Metode Kubik

Model regresi non linier polynomial berderajat tiga atau model regresi kubik
mempunyai persamaan umum yang berbentuk:

𝑌 = 𝛽0 + 𝛽1 𝑋 + 𝛽2 𝑋 2 + 𝛽3 𝑋 3

Asumsi yang diperlukan dalam model regresi polynomial berderajat tiga

adalah:
1. Bahwa ε merupakan peubah acak dengan nilai tengah dan variansi σ2.
2. Bahwa ε i dan ε j ,i tidak sama dengan j ( i ≠ j ), tidak berkorelasi satu
sama lain atau dapat ditulis Cov (ε i, ε j) = 0 (Draper & Smith, 1998).

2
2 Deskripsi Kerja

2.1 Studi Kasus

NOTE :
1. Seluruh nama data dan syntax regresi menggunakan nama masing-masing
2. Output bab 3 di screenshoot dengan syntaxnya
SOAL:
Seorang peneliti ingin mengetahui hubungan antara dosis obat tertentu (X)
dengan kadar Creatinin Ginjal (Y) kelinci percobaan, dari hasil peneitiannya
diperoleh hasil sebagai berikut:
Tabel 2.1. Data Dosis Obat dan Kadar Creatin

Dosis Obat Kadar Creatin

1 10
2 13
3 15
4 20
5 16
7 11
3 14
2 12
4 21
6 17
7 10
8 7
8 6
1 11
3 16

a. Analisis regresi apakah yang tepat digunakan untuk data tersebut? Alasannya?
b. Lakukan analisis regresi menggunakan jenis analisis regresi yang kalian pilih!
c. Tentukan model terbaik, sertakan alasannya!

3
2.2 Langkah Kerja
Pada bab sebelumnya telah dijelaskan mengenai analisis regresi non linier
kuadratik dan analisis regresi non linier kubik menggunakan program R-Studio.
Untuk lebih memahaminya, praktikan akan memberikan contoh pengerjaan dari
penjelasan diatas. Berikut deskripsi kerja pengaplikasiannya ke dalam aplikasi R-
Studio tersebut.

2.2.1 Membuka Lembar Kerja R-Studio

Langkah-langkah yang diperlukan dalam membuka lembar kerja baru dalam SPSS
antara lain sebagai berikut :
1. Klik Start
2. Klik all programs
3. Pilih icon R-Studio

Gambar 2.1. Folder R-Studio

4. Kemudian Double klik R-Studio pada menu start, maka muncul lembar
kerja R-Studio yang siap untuk digunakan.

Gambar 2.2. Tampilan Awal R-Studio

4
2.2.2 Melakukan Penginputan Data
Praktikan akan menggunakan metode analisis deskriptif, adapun langkah-
langkah dalam melakukan pengujian sampel dengan metode analisis deskriptif
adalah sebagai berikut :
1. Disajikan sebuah data yang terdapat dalam Tabel 2.1, praktikan akan
meng-input-kan data tersebut ke dalam program R-Studio dengan
mengetikkan syntax seperti Gambar 2.3.

Gambar 2.3. Syntax untuk Menginputkan Data

2. Kemudian, pilih menu run.
3. Selanjutnya, setelah meng-klik run maka, akan menampilkan file data
yang akan digunakan seperti pada Gambar 2.4.

Gambar 2.4. Pemilihan Data yang akan Diinputkan

4. Setelah itu, klik open kemudian ketikkan syntax “nadia” untuk memanggil
data tersebut, lalu klik menu run, maka data telah selesai di-input-kan
seperti tampilan pada Gambar 2.5.

Gambar 2.5. Output Data yang telah Di-input-kan

5. Kemudian untuk menunjukkan variabel yang akan digunakan dapat
diketikkan “names(nadia)” maka akan menampilkan variabel dosis obat

5
 dan kadar creatin. Selanjutnya, praktikan akan menampilkan isi data pada
dosis obat dan kadar creatin yang syntaxnya dapat dilihat pada Gambar
2.6.

Gambar 2.6. Syntax untuk Menampilkan Variabel

2.2.3 Melakukan Analisis Regresi Linier Sederhana

Selanjutnya, praktikan akan menggunakan metode analisis regresi linier
sederhana dengan menggunakan R-studio, adapun langkah-langkah dalam
melakukan pengujian sampel dengan metode analisis regresi linier sederhana
adalah sebagai berikut :
1. Setelah meng-input-kan data seperti pada Gambar 2.5, praktikan akan
mengetikkan syntax untuk menganalisis regresi linier sederhana yang
syntax nya dapat dilihat seperti pada Gambar 2.7 kemudian untuk
memanggil syntax tersebut dapat diketikkan “out3” klik run, maka akan
menampilkan analisis regresinya.

Gambar 2.7. Syntax untuk Menampilkan Analisis Regresi Sederhana

2. Selanjutnya, praktikan akan menampilkan plot untuk data “nadia” dengan

mengetikkan syntax seperti pada Gambar 2.8 kemudian, klik run. Setelah
itu untuk menampilkan garis regresinya dapat diketikkan syntax
“abline(regres3,col="red")”

Gambar 2.8. Syntax untuk Menampilkan Diagram Plot

6
2.2.4 Menampilkan Analisis Regresi Kuadratik
1. Praktikan akan mengetikkan syntax untuk menampilkan analisis regresi
kuadratik yang syntax nya dapat dilihat pada Gambar 2.9 setelah itu,
ketikkan “out4” lalu, klik menu run untuk memanggil syntax tersebut.

Gambar 2.9. Syntax untuk Menampilkan Analisis Kuadratik

2. Karena, hasilnya tidak signifikan maka praktikan akan menghilangkan
intercept nya yang syntaxnya dapat dilihat pada Gambar 2.10.

Gambar 2.10. Syntax Analisis Kuadratik Apabila Intercept dihilangkan

2.2.5 Menampilkan Analisis Regresi Kubik

1. Praktikan akan mengetikkan syntax untuk menampilkan analisis regresi
kubik yang syntax nya dapat dilihat pada Gambar 2.11 setelah itu,
ketikkan “out5” lalu, klik menu run untuk memanggil syntax tersebut.

Gambar 2.11. Syntax untuk Menampilkan Analisis Kubik

2. Karena, hasil dari analisis kubik tidak ada yang intercept maka praktikan
akan menampilkan syntax agar hasilnya dapat signifikan yang syntaxnya
dapat dilihat pada Gambar 2.12.

Gambar 2.12. Syntax Analisis Kuadratik Apabila Intercept dihilangkan

7
2.2.6 Membandingkan R-Squared dari Analisis Kuadratik dan Kubik
1. Praktikan akan mengetikkan syntax untuk menampilkan perbandingan r-
squared dari analisis kuadratik dan analisi kubik yang syntaxnya dapat
dilihat pada Gambar 2.13.

Gambar 2.13. Syntax untuk Menampilkan Perbandingan R-Squared

Seperti itulah deskripsi kerja praktikan dalam mengaplikasian data ke dalam
analisis regresi sederhana, regresi kuadratik, dan kubik menggunakan program R-
studio.

8
3 Pembahasan

Pada bab sebelumnya, praktikan sudah menampilkan deskripsi kerja

mengenai analisis regresi sederhana, regresi kuadratik dan analisis regresi kubik
menggunakan program R-Studio. Pada bagian pembahasan ini praktikan akan
menjelaskan lebih rinci lagi mengenai output dari analisis regresi sederhana,
regresi kuadratik dan analisis regresi kubik.

3.1 Diagram Plot

Gambar 3.1. Diagram Plot

Dapat dilihat pada Gambar 3.1 bahwa variabel dosis obat merupakan
variabel bebas (x) yang mempengaruhi variabel kadar creatin atau variabel terikat
(y). Pada diagram plot diatas dapat dilihat bahwa garis regresi nya tidak linier
karena datanya menyebar keseluruhan, yang menyebabkan garis regresinya tidak
lurus namun bisa jadi melengkung yang menyebabkan pengerjaannya tidak bisa
menggunakan analisis regresi linier sederhana. Namun, untuk mengecek agar
lebih pasti lagi dapat dilihat pengujiannya yang terdapat pada Gambar 3.2.

9
3.2 Analisis Regresi Linier Sederhana

Gambar 3.2. Output Summary Regresi Linier Sederhana

3.2.1 Identifikasi dan Estimasi Model

Y= β0+ β1x
𝑌 = 15,6367 − 0,5555𝑥
Kemudian, untuk estimasi model b0 (intercept) dan b1 (dosis obat), dapat
dilihat pada kolom estimate dengan model regresinya yaitu Y= 15,6367 – 0,5555x
yang artinya setiap perubahan satu satuan variable dosis obat (X) maka akan
menyebabakan perubahan pada variabel kadar creatin (Y) sebesar -0,5555.

3.2.2 Uji Overall

Pada Gambar 3.2 praktikan melakukan uji F, untuk menguji kelayakan dari
analisis. Berikut adalah hipotesisnya :

i). Hipotesis Uji

H0: β0=0 (model tidak layak digunakan)
H1: minimal ada salah satu βi yang tidak sama dengan 0, untuk i = 0,1 (model
layak digunakan)
ii). Tingkat Signifikansi
α = 5% = 0,05
iii). Daerah Kritis
Tolak H0jika F-hit > F-tabel, atau Sig. ≤ α.
iv). Statistik Uji
p-value = 0,2577
v). Keputusan

10
 Karena nilai p-value 0,2577 > 0.05, maka keputusannya gagal tolak H0.
vi). Kesimpulan
Jadi dengan menggunakan tingkat kepercayaan 95% didapatkan bahwa p-
value 0,2577 > 0.05 maka gagal tolak H0 dan model tidak layak digunakan.
Dari output regresi linier sederhana menggunakan R-studio di peroleh p-
value sebesar 0,2577 lebih besar dari alpha 5%. Artinya model tidak layak pada
taraf nyata 5%, model ini lemah dlam pengepasan data dengan R2 = 9,7%. Cara
lain untuk melihat layak atau tidaknya suatu model adalah dengan melihat grafik
dari output tersebut. Terlihat bahwa garis tersebut tidak sesuai dengan pola
sebaran data. Sehingga model linier tidak tepat untuk data tersebut. Pola data
tersebut lebih mirip pola parabola. Maka, akan di uji regresi nonlinier kuadratik
dan kubik untuk menentukan jenis regresi yang cukup baik untuk digunakan.

3.3 Analisis Regresi Non Linier

3.3.1 Analisis Regresi Kuadratik

Gambar 3.3. Analisis Regresi Kuadratik

Analisis regresi kudratik dilakukan dengan dua tahap yaitu uji overall (uji
F) dan uji parsial (uji t). Dari Gambar 3.3 dapat dilakukan uji overall
menggunakan nilai p-value, uji overall digunakan untuk menguji kelayakan model
untuk melihat apakah variabel independen secara bersama-sama berpengaruh
terhadap variabel dependen, berikut adalah inteprestasinya :
Uji Overall

11
 1. Hipotesis
H0 = β1 = β2 = 0 (Model regresi tidak layak digunakan)
H1 = ada minimal satu i dimana βi ≠ 0, dengan (i=1,2) (Model regresi
layak digunakan)
2. Tingkat signifikansi
α=5%
3. Daerah kritis
jika p-value < α maka tolak H0 dan sebaliknya jika p-value > α maka tolak
H0.
4. Statistik Uji
p-value = 0,0000124 < α = 0,05
5. Keputusan
Karena p-value < α maka tolak H0.
6. Kesimpulan
Dengan menggunakan tingkat kepercayaan 95% yaitu data yang ada tidak
mendukung H0 yang artinya model regresi layak digunakan.

Uji Parsial
Karena dalam uji overall model regresi layak digunakan maka dalam hal
ini dilanjutkan dengan uji parsial menggunakan uji t. Uji t digunakan untuk
melihat pengaruh variabel independen (Kadar Creatin) dalam menerangkan
variasi variabel dependen (Dosis Obat). berikut adalah interprestasinya :
1. Hipotesis
H0 = βi = 0, dimana (i=0,1) (Koefisien regresi tidak signifikan dalam
model)
H1 = βi ≠ 0, dimana (i=0,1) (Koefisien regresi signifikan dalam model )
2. Tingkat signifikansi
α=5%
3. Daerah kritis
jika p-value < α maka tolak H0 dan sebaliknya jika p-value > α maka gagal
tolak H0.

12
 4. Statistik Uji
Tabel 3.1. Tabel Keputusan Uji T

Koefisien p-value Tanda Α Keputusan

β0 0.0974 > 0.05 Gagal tolak H0
β1 71,52 x 10-5 < 0.05 Tolak H0
β2 5,59 x 10-6 < 0.05 Tolak H0

5. Keputusan
Berdasarkan nilai p-value dari β0>α didapatkan keputusan gagal tolak H0,
sedangkan pada nilai p-value dari β1 dan β2<α didapatkan keputusan tolak
H0.
6. Kesimpulan
Dengan tingkat kepercayaan 95% data yang ada mendukung H0 yang
berarti bahwa intercept koefisien x tidak signifikan terhadap model
sedangkan koefisien dosis obat dan koefisien dosis obat kuadrat
signifikan terhadap model regresi.

3.3.2 Analisis Regresi Kuadratik Apabila Intercept di Hilangkan

Berdasarkan pengujian parsial diatas dapat dilihat bahwa intercept tidak
signifikan terhadap model regresi kuadratik maka dari itu dilakukan uji t ulang
namun tanpa menggunakan nilai intercept. Dari uji t tanpa intercept didapatkan
output seperti pada Gambar 3.4.

13
 Gambar 3.4. Analisis Regresi Kuadratik bila Interceptnya dihilangkan
Dari output pada Gambar 3.4 dapat dilakukan uji F, berikut adalah
interprestasi dari output tersebut :
Uji Overall
1. Hipotesis
H0 = β1 = β2 = 0 (Model regresi tidak layak digunakan)
H1 = ada minimal satu i dimana βi ≠ 0, dengan (i=1,2) (Model regresi
layak digunakan)
2. Tingkat signifikansi
α=5%
3. Daerah kritis
jika p-value < α maka tolak H0 dan sebaliknya jika p-value > α maka tolak
H0.
4. Statistik Uji
p-value = 3,789 x 10-12 < α = 0,05
5. Keputusan
Karena p-value < α maka tolak H0.
6. Kesimpulan
Dengan menggunakan tingkat kepercayaan 95% yaitu data yang ada tidak
mendukung H0 yang artinya model regresi layak digunakan.

Uji Parsial
Karena dalam uji overall model regresi layak digunakan maka dalam hal
ini dilanjutkan dengan uji parsial menggunakan uji t. Uji t digunakan untuk
melihat pengaruh variabel independen (Kadar Creatin) dalam menerangkan
variasi variabel dependen (Dosis Obat). berikut adalah interprestasinya :
1. Hipotesis
H0 = βi = 0, dimana (i=0,1) (Koefisien regresi tidak signifikan dalam
model)
H1 = βi ≠ 0, dimana (i=0,1) (Koefisien regresi signifikan dalam model )
2. Tingkat signifikansi

14
 α=5%
3. Daerah kritis
jika p-value < α maka tolak H0 dan sebaliknya jika p-value > α maka gagal
tolak H0.
4. Statistik Uji
Tabel 3.2. Tabel Keputusan Uji T Tanpa Intercept.

Koefisien p-value Tanda α Keputusan

β1 1,52 x 10-11 < 0.05 Tolak H0
β2 4,84 x 10-10 < 0.05 Tolak H0

5. Keputusan
Karena nilai p-valuedari β1 dan β2<α maka tolak H0.
6. Kesimpulan
Dengan tingkat kepercayaan 95% data yang ada tidak mendukung H0
yang berarti bahwa koefisien x signifikan terhadap model regresi.

3.3.3 Analisis Regresi Kubik

Gambar 3.5. Analisis Regresi Kubik

Analisis regresi kubik dilakukan dengan dua tahap yaitu uji overall (uji F)
dan uji parsial (uji t). Dari Gambar 3.5 dapat dilakukan uji overall menggunakan
nilai p-value, uji overall digunakan untuk menguji kelayakan model untuk melihat
apakah variabel independen secara bersama-sama berpengaruh terhadap variabel
dependen, berikut adalah inteprestasinya :
Uji Overall
1. Hipotesis

15
 H0 = β1 = β2 = 0 (Model regresi tidak layak digunakan)
H1 = ada minimal satu i dimana βi ≠ 0, dengan (i=1,2) (Model regresi
layak digunakan)
2. Tingkat signifikansi
α=5%
3. Daerah kritis
jika p-value < α maka tolak H0 dan sebaliknya jika p-value > α maka tolak
H0.
4. Statistik Uji
p-value = 5,462 x 10-05 < α = 0,05
5. Keputusan
Karena p-value < α maka tolak H0.
6. Kesimpulan
Dengan menggunakan tingkat kepercayaan 95% yaitu data yang ada tidak
mendukung H0 yang artinya model regresi layak digunakan.

Uji Parsial
Karena dalam uji overall model regresi layak digunakan maka dalam hal
ini dilanjutkan dengan uji parsial menggunakan uji t. Uji t digunakan untuk
melihat pengaruh variabel independen (Kadar Creatin) dalam menerangkan
variasi variabel dependen (Dosis Obat). berikut adalah interprestasinya :

1. Hipotesis
H0 = βi = 0, dimana (i=0,1) (Koefisien regresi tidak signifikan dalam
model)
H1 = βi ≠ 0, dimana (i=0,1) (Koefisien regresi signifikan dalam model )
2. Tingkat signifikansi
α=5%
3. Daerah kritis

16
 jika p-value < α maka tolak H0 dan sebaliknya jika p-value > α maka gagal
tolak H0.
4. Statistik Uji
Tabel 3.3. Tabel Keputusan Uji T

Koefisien p-value Tanda Α Keputusan

β0 0,0951 < 0,05 Tolak H0
β1 0,1684 > 0,05 Gagal Tolak H0
β2 0,8872 > 0,05 Gagal Tolak H0
Β3 0,3629 > 0,05 Gagal Tolak H0

5. Keputusan
Berdasarkan nilai p-value dari β0<α didapatkan keputusan tolak H0,
sedangkan pada nilai p-value dari β1, β2 dan β3>α didapatkan keputusan
gagal tolak H0.
6. Kesimpulan
Dengan tingkat kepercayaan 95% data yang ada mendukung H0 yang
berarti bahwa intercept koefisien x signifikan terhadap model sedangkan
koefisien dosis obat, koefisien dosis obat kuadrat, dan koefisien dosis obat
kubik tidak signifikan terhadap model regresi.

3.3.4 Analisis Regresi Kubik Agar Signifikan

Gambar 3.6. Analisis Regresi Kubik agar Signifikan

17
 Analisis regresi kubik dilakukan dengan dua tahap yaitu uji overall (uji F)
dan uji parsial (uji t). Dari Gambar 3.7 dapat dilakukan uji overall menggunakan
nilai p-value, uji overall digunakan untuk menguji kelayakan model untuk melihat
apakah variabel independen secara bersama-sama berpengaruh terhadap variabel
dependen, berikut adalah inteprestasinya :
Uji Overall
1. Hipotesis
H0 = β1 = β2 = 0 (Model regresi tidak layak digunakan)
H1 = ada minimal satu i dimana βi ≠ 0, dengan (i=1,2) (Model regresi
layak digunakan)
2. Tingkat signifikansi
α=5%
3. Daerah kritis
jika p-value < α maka tolak H0 dan sebaliknya jika p-value > α maka tolak
H0.
4. Statistik Uji
p-value = 7,823 x 10-06 < α = 0,05
5. Keputusan
Karena p-value < α maka tolak H0.
6. Kesimpulan
Dengan menggunakan tingkat kepercayaan 95% yaitu data yang ada tidak
mendukung H0 yang artinya model regresi layak digunakan.

Uji Parsial
Karena dalam uji overall model regresi layak digunakan maka dalam hal
ini dilanjutkan dengan uji parsial menggunakan uji t. Uji t digunakan untuk
melihat pengaruh variabel independen (Kadar Creatin) dalam menerangkan
variasi variabel dependen (Dosis Obat). berikut adalah interprestasinya :
1. Hipotesis

18
 H0 = βi = 0, dimana (i=0,1) (Koefisien regresi tidak signifikan dalam
model)
H1 = βi ≠ 0, dimana (i=0,1) (Koefisien regresi signifikan dalam model )
2. Tingkat signifikansi
α=5%
3. Daerah kritis
jika p-value < α maka tolak H0 dan sebaliknya jika p-value > α maka gagal
tolak H0.
4. Statistik Uji
Tabel 3.4. Tabel Keputusan Uji T dengan Menghilangkan b2

Koefisien p-value Tanda Α Keputusan

β0 0,00144 < 0,05 Tolak H0
β1 2,45 x 10-05 < 0,05 Tolak H0
β3 3,51 x 10-06 < 0,05 Tolak H0

5. Keputusan
Berdasarkan nilai p-value dari β0<α didapatkan keputusan tolak H0,
sedangkan pada nilai p-value dari β1 dan β3<α didapatkan keputusan tolak
H0.
6. Kesimpulan
Dengan tingkat kepercayaan 95% data yang ada mendukung H0 yang
berarti bahwa intercept koefisien x, koefisien dosis obat, dan koefisien dosis
obat kubik signifikan terhadap model terhadap model regresi.

3.3.5 Interpretasi Hasil

Gambar 3.7. Perbandingan Nilai R-squared

Setelah melalui uji regresi linear dan nonlinear, model regresi yang tepat
adalah model regresi nonlinear kubik karena memiliki error terkecil dan nilai R2
besar. Pada uji parsial model kubik, jika nilai dosis obat kuadrat nya diikutkan
akan didapatkan kesimpulan bahwa koefisien dosis obat (β1), dosis obat kuadrat

19
(β2), dan dosis obat kubik (β3) tidak signifikan terhadap model regresi kubik.
Maka dari itu model yang dipilih adalah model regresi nonlinear kubik dengan
menghilangkan koefisien dosis obat kuadrat (β2), sehingga koefisisen intercept,
dosis obat (β1), dan dosis obat kubik (β3) signifikan terhadap model regresi
kubik.
Pada output Gambar 3.7 terdapat koefisien intercept, dosis obat, dan dosis
obat kubik untuk nilainya dapat dilihat pada kolom estimate. Nilai pada kolom
estimate digunakan untuk mendapatkan persamaan model regresi yaitu:
Y = 6,184734 + 3,816160X + (-0,060582)X 3
Dapat dilihat dari output analisis regresi kubik tanpa dosis obat kuadrat
pada Gambar 3.7 terdapat nilai multiple R-squared (R2) sebesar 0,8591, yang
mempunyai arti bahwa variabel kadar creatin (X)mampu menjelaskan 85,91%
variasi variabel dosis obat (Y), sedangkan 14,09% sisanya dijelaskan oleh variabel
lain.

4 Penutup

4.1 Kesimpulan
1. Analisis regresi yang tepat untuk digunakan pada data dosis obat dan
kadar creatin adalah analisis regresi nonlinear kubik.
2. Berdasarkan hasil analisis regresi nonlinear kubik yang didapatkan
melalui uji F dilanjutkan dengan uji t, dosis obat dipengaruhi oleh kadar
creatin.
3. Nilai multiple R-squared (R2) pada output analisis regresi kubik adalah
sebesar 0,8591 yang mempunyai arti bahwa variabel kadar creatin
mampu menjelaskan 85,91% variasi variabel dosis obat, sedangkan
14,09% sisanya dijelaskan oleh variabel lain. Model regresi yang

20
 didapatkan adalah Y = 6,184734 + 3,816160X + (-0,060582)X 3, dimana
X adalah variabel dosis obat dan Y adalah variabel kadar cratin.

5 Daftar Pustaka

Draper, N., & Smith, H. (1998). Applied Regression Analysis. 3th Edition. New
York: Wiley.
Hosmer, D. W., & Lemeshow, S. (2000). Applied Logistic Regression. New York:
John Wiley & Sons, Inc.
Nurmansyah. 2015. R Bahasa Pemrograman untuk analisis data dan Statistik..
Diakses pada tanggal 24 Juni pukul 12.08

21
 dari :
https://www.kompasiana.com/nurmansyah/552fab4f6ea8349b138b456f/r-
bahasa-pemrograman-untuk-analisis-data-dan-statistik
Purwaningsih Tuti dan Utari Dina Tri. 2017. Modul Praktikum Analisis Regresi
Terapan. Yogyakarta : Universitas Islam Indonesia.

22