Laporan Praktikum

Analisis Regresi dari data StackLoss pada R

Dosen : Dr. Yusep Suparman , S.Si., M.Sc.

Disusun oleh :
Fadil Muhammad Aziz
140610160020

Universitas Padjadjaran
Fakultas Matematika dan Ilmu Pengetahuan Alam

Statistika

2017/2018
 Brownlee's Stack Loss Plant Data

I. Pendahuluan
Analisis regresi linear sederhana digunakan untuk mencari pola
hubungan fungsional antara variabel X 1 dengan Y , dan X 2 dengan Y ,
Adapun persamaan regresi linear sederhana dinyatakan dengan :
Y  a  bX (Sudjana, 1992:315)
Pada praktikum kali ini kita akan mencari ;
 Taksiran dari  0 , 1 ,  2 ,  3 .

 Taksiran standar eror untuk ˆ0 , ˆ1 , ˆ2 , ˆ3 .

 Uji signifikansi dari ˆ0 , ˆ1 , ˆ2 , ˆ3 .

 Bentuk taksiran interval untuk ˆ0 , ˆ1 , ˆ2 , ˆ3 dengan taraf
konfidensi sebesar 90%.
 Taksiran interval untuk rata – rata stakloss dari proses yang
memiliki Air.Flow = 60, Water.Temp = 21, Acid.Conc = 86
dengan taraf konfidensi sebesar 90%.
 Taksiran interval satu proses yang memiliki Air.Flow = 60,
Water.Temp = 21, Acid.Conc = 86 dengan taraf konfidensi
sebesar 90%.
 Derajat determinasi ( R 2 ) dan penaksir ekspalanatori ( R 2 adj )
Data yang digunakan pada praktikum kali ini adalah data yang sudah
tersedia dalam program R yaitu data icecream. Icecream adalah data frame
dengan 30 hasil pengamatan ditiap variabelnya dan memiliki 4 variable
masing – masing adalah price, cons, income, dan temp. Variabel dependen dari
data ini adalah cons sedangankan untuk variabel eksplanatorinya adalah price,
income, dan temp.
II. Pembahasan
 Berikut ini adalah data dari sebuah tumbuhan yang mengoksidasi
amonia menjadi asam nitrit.

data=as.matrix(stackloss)
data
Air.Flow Water.Temp Acid.Conc. stack.loss
[1,] 80 27 89 42
[2,] 80 27 88 37
[3,] 75 25 90 37
[4,] 62 24 87 28
[5,] 62 22 87 18
[6,] 62 23 87 18
[7,] 62 24 93 19
[8,] 62 24 93 20
[9,] 58 23 87 15
[10,] 58 18 80 14
[11,] 58 18 89 14
[12,] 58 17 88 13
[13,] 58 18 82 11
[14,] 58 19 93 12
[15,] 50 18 89 8
[16,] 50 18 86 7
[17,] 50 19 72 8
[18,] 50 19 79 8
[19,] 50 20 80 9
[20,] 56 20 82 15
[21,] 70 20 91 15
  Taksiran dari  0 , 1 ,  2 ,  3 .
X=cbind(matrix(1,21,1),data[,-4])
y=data[,4]
btop=(solve(t(X)%*%X))%*%t(X)%*%y

[,1]
-39.9196744
Air.Flow 0.7156402
Water.Temp 1.2952861
Acid.Conc. -0.1521225

Sehingga taksiran untuk  0 , 1 ,  2 ,  3 masing – masing adalah

 0  39.9196744 , 1  0.7156402 ,  2  1.2962861 , 3  0.1521225 .

 Taksiran standar eror untuk ˆ0 , ˆ1 , ˆ2 , ˆ3 .

ytop=X%*%btop
e=y-ytop
sk=(t(e)%*%e)/(21-1-3)
s=sqrt(sk)
c=matrix(sk,nrow=4,ncol=4)
d=solve(t(X)%*%X)
covbtop=c*d
se=sqrt(diag(covbtop))

Air.Flow Water.Temp Acid.Conc.

11.8959969 0.1348582 0.3680243 0.1562940
Taksiran standar error untuk ˆ0 , ˆ1 , ˆ2 , ˆ3 masing – masing adalah

ˆ0  11.8959969 , ˆ1  0.1348582 , ˆ2  0.3680243 , 3  0.1562940 .
 Uji signifikansi dari ˆ0 , ˆ1 , ˆ2 , ˆ3 .
t=btop/se
t
pv=2*(1-pt(abs(t),17))
[,1]
3.750307e-03
Air.Flow 5.799025e-05
Water.Temp 2.630054e-03
Acid.Conc. 3.440461e-01

 Uji signifikansi ˆ0  0

H 0 : ˆ0  0

H1 : ˆ0  0

Karena p-value lebih kecil dari alpha maka H 0 ditolak.

 Uji signifikansi ˆ1  0

H 0 : ˆ1  0 (variabel Air.Flow tidak memberikan pengaruh terhadap

StackLoss)

H 1 : ˆ1  0 (variabel Air.Flow memberikan pengaruh terhadap

StackLoss)

Karena p-value lebih kecil dari alpha maka H 0 ditolak. Berarti

variabel Air.Flow memberikan pengaruh terhadap StackLoss.

 Uji signifikansi ˆ2  0

H 0 : ˆ2  0 (variabel Water.Temp tidak memberikan pengaruh

terhadap StackLoss)

H 1 : ˆ2  0 (variabel Water.Temp memberikan pengaruh terhadap

StackLoss)

Karena p-value lebih kecil dari alpha maka H 0 ditolak. Berarti

variabel Water.Temp memberikan pengaruh terhadap StackLoss.

  Uji signifikansi ˆ3  0

H 0 : ˆ3  0 (variabel Acid.Conc tidak memberikan pengaruh

terhadap StackLoss)

H1 : ˆ3  0 (variabel Acid.Conc memberikan pengaruh terhadap

StackLoss)
Karena p-value lebih besar dari alpha maka H 0 diterima. Berarti

variabel Acid. Conc tidak memberikan pengaruh terhadap StackLoss.

 Bentuk Taksiran interval untuk ˆ0 , ˆ1 , ˆ2 , ˆ3 .

bb=btop-(matrix(qt(0.95,17),4,1)*se)
ba=btop+(matrix(qt(0.95,17),4,1)*se)
bb
[,1]
-60.6140306
Air.Flow 0.4810400
Water.Temp 0.6550686
Acid.Conc. -0.4240127
ba
[,1]
-19.2253183
Air.Flow 0.9502404
Water.Temp 1.9355036
Acid.Conc. 0.1197676

 Taksiran interval untuk  0

Sehingga taksiran interval untuk 0 adalah

- 60.6140306   0  19.2253183 .

 Taksiran interval untuk 1

Sehingga taksiran interval untuk 1 adalah

0.4810400  1  0.9502404 .
 Taksiran interval untuk  2
 Sehingga taksiran interval untuk 2 adalah

0.6550686   2  1.9355036 .

 Taksiran interval untuk  3

Sehingga taksiran interval untuk 3 adalah

- 0.4240127   3  0.1197676 .

 Taksiran interval untuk rata – rata stakloss dari proses yang memiliki
Air.Flow = 60, Water.Temp = 21, Acid.Conc = 86 dengan taraf
konfidensi sebesar 90%.

X0=matrix(c(1,60,21,86),4,1)
y0=t(X0)%*%btop
se_y1=sqrt(sk*t(X0)%*%solve(t(X)%*%X)%*%X0)
bb_y1=y0-se_y1*qt(0.95,17)
ba_y1=y0+se_y1*qt(0.95,17)
bb_y1
[,1]
[1,] 15.90373
ba_y1
[,1]
[1,] 18.37069

 Jadi taksiran interval untuk rata – rata stakloss dari proses yang
memilikiAir.Flow = 60, Water.Temp = 21, Acid.Conc = 86
dengan taraf konfidensi sebesar 90% adalah
15.90373    18.37069
 Taksiran innterval satu proses yang memiliki Air.Flow = 60,
Water.Temp = 21, Acid.Conc = 86 dengan taraf konfidensi sebesar
90%.
se_y2=sqrt(sk+se_y1^2)
bb_y2=y0-se_y2*qt(0.95,17)
ba_y2=y0+se_y2*qt(0.95,17)
bb_y2
[,1]
[1,] 11.36178
ba_y2
[,1]
[1,] 22.91264
 Jadi taksiran interval satu proses yang memiliki Air.Flow = 60,
Water.Temp = 21, Acid.Conc = 86 dengan taraf konfidensi
sebesar 90% adalah 11.36178  Yˆ  22.91264
 Derajat determinasi ( R 2 ) dan penaksir ekspalanatori ( R 2 adj )
ytop=X%*%btop
r_2=var(ytop)/var(y)
r_2
[,1]
[1,] 0.9135769
 Berarti sebesar 91.35769% variasi dari variabel Y(respon)
dapat diterangkan dengan variabel X(explanatory), sedang
sisanya 0.08654231 dipengaruhi oleh variabel – variabel yang
tidak diketahui atau variabilitasnya inheren
r_2adj=1-(sk/var(y))
r_2adj
[,1]
[1,] 0.8983258
 Digunakan untuk mengoptimalkan model regresi, saat variabel
independen yang kita gunakan dalam regresi lebih dari 1 Nilai
determinasi adjusted untuk men-seleksi variabel apa saja “dari
var x” yang paling memberikan kontribusiterhadap perubahan
variabel dependen dalam model regresi.