LAPORAN PRAKTIKUM KE–2

“REGRESI RIDGE”

Oleh :

Aisah (135090507111016)

Asisten :

1. Diah Amaliya Ilmayanti (125090500111037)

2. Dhona Ayus Puspitasari (125090507111031)

LABORATORIUM STATISTIKA
PROGRAM STUDI STATISTIKA
JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS BRAWIJAYA
MALANG
2016
 BAB I
METODE

Adapun langkah-langkah Regresi Ridge menggunakan software minitab

adalah sebagai berikut.
1. Input data ke worksheet minitab

2. Uji Asumsi Non Multikolinieritas

 Stat – Regression – Regression

 kemudian, akan muncul kotak dialog kemudian masukkan variabel

respon dan variabel predictor seperti beikut.

 Pada option, klik VIF seperti berikut.

  Klik OK
3. Standarisasi variabel prediktor (variabel X)
 Calc – Standadize

 Kemudian masukkan variabel X yang akan distandarisasi

 Klik OK
 Tambahkan Z0 pada worksheet.
 4. Buat Matriks Z
Data – Copy – Column to Matrix

Masukkan kolom Z0-Z1 pada Copy from Columns:, beri nama

matriks MZ pada In current worksheet,in matrix:

5. Untuk menampilkan matriks, klik Data – Display Data, kemudian pilih

matriks yang akan ditampilkan OK

6. Transpose matriks Z
 Calc – Matrices – transpose, kemudian masukkan matriks Z (M1
Copy) pada Transpose from:, beri nama MZT pada Store result in

7. Tampilkan data transpose matriks Z (MZT) seperti langkah nomor 5.

8. Masukkan MSE pada worksheet minitab

9. Masukkan penduga parameter β hasil dari analisis regresi pada
worksheet
10. Buat matriks beta dengan langkah sama seperti nomor 4. Kemudian
beri nama matriks MB  OK
 -
11. Transpose matriks B dengan langkah sama seperti langkah nomor 6,
beri nama MBT

12. Tampilkan data matriks MB langkah seperti langkah nomor 5.

13. Hitung B’B
Calc – Matrices – Arithmetic, pilih Multiple, kalikan Matiks MBT
dengan MB  OK.
14. Mencari nilai k
Calc – Calculator, masukkan rumus perhitungan untuk mencari
3∗𝑀𝑆𝐸
k = 𝑩𝑻𝑩

15. Hitung Z’Z

Calc – Matrices – Arithmetic, pilih Multiple, kalikan Matiks MZT
dengan MZ  OK.

16. Tampilkan data matriks M5 (MZT*MZ) langkah seperti langkah nomor

5 OK
17. Buat Matiks KI
Buat matriks KI pada Worksheet kemudian jadikan dalam bentuk
matriks seperti langkah nomor 4.

18. Tampilkan data matriks KI langkah seperti langkah nomor 5 OK

19. Buat matriks Y dengan langkah sama seperti nomor 4. Kemudian beri
nama matriks MY  OK

20. Hitung nilai βR(k), rumus βR(k) = (Z’Z + KI)-1Z’Y

Hitung (Z’Z + KI)-1terlebih dahulu: Calc – Matrices – Arithmetic, pilih
Add, jumlahkan Matiks M5(Z’Z) dan Copy_2 (KI)  OK. Kemudian
hitung Invers Matriks M6(Z’Z + KI): Calc – Matrices – Invert, pilih
matriks M6  OK.
 Hitung Z’Y : Calc – Matrices – Arithmetic, pilih Multiple, kalikan
Matiks MZT dengan MY(Copy_3)  OK.

Hitung βR(k) dengan kalikan matriks M7 dan M9: Calc – Matrices –

Arithmetic, pilih Multiple, kalikan Matiks M7 dengan M9  OK.

21. Tampilkan data matriks M10(βR(k) ) langkah seperti langkah nomor 5

OK
22. Masukkan hasil βR(k) pada worksheet minitab.
23. Hitung rata-rata yang standar deviasi variabel predictor (X)
Stat – Basic Statistics – Display Descriptive Statistic..

24. Masukkan rata-rata dan standar deviasi yang telah ditampilkan pada
output ke worksheet minitab.

25. Transformasi balik untuk menghitung parameter β: Calc – Calculator..

Menghitung β0 = br0 – sum((bri*mean)/sd)
Menghitung βi = bri/sd dimana i=1,2,3
26. Diperoleh persamaan regresi ridge yaitu:

𝑦̂ = 25.7501 + 0.0079568X1+0.0097867X2+0.0396810X3
 BAB II
PEMBAHASAN

2.1. Data
Data Konsumsi Ayam Per kapita (Y), Pendapatan Real Per kapita
(X1), Harga Ikan Eceran Real Per Unit (X2) dan Harga Sapi Eceran Real
Per Unit (X3) adalah sebagai berikut.
No. Y X1 X2 X3
1 27.8 397.5 50.7 78.3
2 29.9 413.3 52 79.2
3 29.8 439.2 54 79.2
4 30.8 459.7 55.3 79.2
5 31.2 492.9 54.7 77.4
6 33.3 528.6 63.7 80.2
7 35.6 560.3 69.8 80.4
8 36.4 624.6 65.9 83.9
9 36.7 666.4 64.5 85.5
10 38.4 717.8 70 93.7
11 40.4 768.2 73.2 106.1
12 40.3 843.3 67.8 104.8
13 41.8 911.6 79.1 114
14 40.4 931.1 95.4 124.1
15 40.7 1021.5 94.2 127.6
16 40.1 1165.9 123.5 142.9
17 42.7 1349.6 129.9 143.6
18 44.1 1449.4 117.6 139.2
19 46.7 1575.5 130.9 165.5
20 50.6 1759.1 129.8 203.3
21 50.1 1994.2 128 219.6
22 51.7 2258.1 141 221.6
23 52.9 2478.7 168.2 232.6
24 53.2 2128.2 123 211.9
25 53.1 2035.4 142 221.7
26 52.6 2005.9 133.2 231.8
27 53.8 2112.8 145.7 219.6
 28 52.9 2008.6 143.9 220.7
29 54.3 2123.1 156.8 233.9
30 54.7 2345.9 154.8 245.8

2.2. Uji Asumsi NonMultikolinieritas

Setelah diregresikan antara variabel predictor dan predictor respon
didapatkan output sebagai berikut.

Predictor Coef SE Coef T P VIF

Constant 25.884 2.277 11.37 0.000
X1 0.008176 0.004332 1.89 0.070 54.241
X2 0.00834 0.04051 0.21 0.838 13.858
X3 0.03811 0.04255 0.90 0.379 41.039

Berdasarkan Output tersebut dapat diketahui bahwa nilai VIF

semua variabel predictor (X1, X2, X3) > 10 sehingga dapat diketahui
bahwa data pendapatan Real Per kapita (X1), Harga Ikan Eceran Real
Per Unit (X2) dan Harga Sapi Eceran Real Per Unit (X3) terdapat
multikolinieritas.

2.3. Standarisasi Nilai Peubah Prediktor

Matrix Z
1 -1.24878 -1.35071 -1.11062
1 -1.22656 -1.31689 -1.09633
1 -1.19014 -1.26486 -1.09633
1 -1.16132 -1.23104 -1.09633
1 -1.11463 -1.24664 -1.12491
1 -1.06443 -1.01251 -1.08045
1 -1.01985 -0.85382 -1.07727
1 -0.92943 -0.95528 -1.02170
1 -0.87065 -0.99170 -0.99629
1 -0.79837 -0.84861 -0.86608
1 -0.72750 -0.76536 -0.66919
1 -0.62189 -0.90585 -0.68983
1 -0.52585 -0.61188 -0.54374
1 -0.49843 -0.18783 -0.38337
1 -0.37131 -0.21905 -0.32779
1 -0.16825 0.54320 -0.08485
1 0.09007 0.70969 -0.07373
1 0.23041 0.38971 -0.14360
1 0.40774 0.73571 0.27402
1 0.66592 0.70709 0.87423
1 0.99652 0.66026 1.13306
1 1.36762 0.99846 1.16482
1 1.67783 1.70607 1.33948
1 1.18495 0.53019 1.01079
 1 1.05445 1.02448 1.16640
1 1.01297 0.79554 1.32678
1 1.16329 1.12073 1.13306
1 1.01677 1.07390 1.15053
1 1.17778 1.40950 1.36013
1 1.49108 1.35747 1.54908

Matriks Z’Z
Matrix M5

30 0.0000 -0.0000 0.0000

0 29.0000 27.9340 28.6445
-0 27.9340 29.0000 27.5823
0 28.6445 27.5823 29.0000

2.4. Menentukan nilai k

3∗𝑀𝑆𝐸
k = 𝑩𝑻𝑩 = 0,0227021
Berdasarkan output yang dihasilkan dapat diketahui bahwa nilai k
sebesar 0,0227021

2.5. Menghitung βR(k)

βR(k) = (Z’Z + KI)-1Z’Y
42.8676
5.6573
βR(k) = [ ]
0.3762
2.4999
pendugaan parameter βR(k) dapat diketahui bahwa, sehingga model
sementara yang terbentuk adalah sebagai berikut.
𝑦̂ = 42.8676 + 5.6573Z1+0.37627Z2+2.49990Z3

2.6. Transformasi Balik Pendugaan Parameter

Dengan transformasi balik didapatkan pendugaan parameter

sebagai berikut.
β0 = 25,7501
β1 = 0,0079568
β2 = 0,0097867
β3 = 0,0396810
2.7. Model Terbaik yang Terbentuk
Setelah dilakukan standarisasi pada variabel predictor diperlukan
pengembalia ke bentuk awal agar ditemukan model terbaik. Model terbaik
yang terbentuk berdasarkan perhitungan menggunakan software minitab
yaitu:
𝑦̂ = 25.7501 + 0.0079568X1+0.0097867X2+0.0396810X3
Interpretasi:
 Setiap kenaikkan 1 unit pendapatan real per kapita maka akan
meningkatkan konsumsi ayam per kapita sebesar 0.0079568unit
 Setiap kenaikkan 1 unit harga ikan eceran per unit maka akan
meningkatkan konsumsi ayam per kapita sebesar 0.009786 unit
 Setiap kenaikkan 1 unit harga sapi eceran real per unit maka akan
meningkatkan konsumsi ayam per kapita sebesar 0.0396810 unit
 BAB III
PENUTUP

3.1. Kesimpulan
 Model regresi ridge yang terbentuk sebelum ditransformasi balik
yaitu:
𝑦̂ = 42.8676 + 5.6573Z1+0.37627Z2+2.49990Z3
 Model terbaik yang terbentuk yaitu:
𝑦̂ = 25.7501 + 0.0079568X1+0.0097867X2+0.0396810X3
 Interpretasi:
 Setiap kenaikkan 1 unit pendapatan real per kapita maka akan
meningkatkan konsumsi ayam per kapita sebesar
0.0079568unit
 Setiap kenaikkan 1 unit harga ikan eceran per unit maka akan
meningkatkan konsumsi ayam per kapita sebesar 0.009786 unit
 Setiap kenaikkan 1 unit harga sapi eceran real per unit maka
akan meningkatkan konsumsi ayam per kapita sebesar
0.0396810 unit

3.2. Saran
Regresi Ridge sangat bermanfaat dalam pembentukkan model regresi
linier berganda jika terdapat multikolinieritas pada variabel predictor.
Dalam melakukan regresi ridge hal terpenting adalah memeriksa variabel
predictor apakah terdapat multikolinieritas apa nonmultikolinieritas dan
ketelitian dalam pembentukan serta operasi matriks.
 LAMPIRAN
Welcome to Minitab, press F1 for help.

Regression Analysis: Y versus X1, X2, X3

The regression equation is

Y = 25.9 + 0.00818 X1 + 0.0083 X2 + 0.0381 X3

Predictor Coef SE Coef T P VIF

Constant 25.884 2.277 11.37 0.000
X1 0.008176 0.004332 1.89 0.070 54.241
X2 0.00834 0.04051 0.21 0.838 13.858
X3 0.03811 0.04255 0.90 0.379 41.039

S = 2.25246 R-Sq = 94.1% R-Sq(adj) = 93.4%

Analysis of Variance

Source DF SS MS F P
Regression 3 2096.27 698.76 137.72 0.000
Residual Error 26 131.91 5.07
Total 29 2228.18

Source DF Seq SS
X1 1 2092.00
X2 1 0.20
X3 1 4.07

Unusual Observations

Obs X1 Y Fit SE Fit Residual St Resid

1 398 27.800 32.541 0.776 -4.741 -2.24R

R denotes an observation with a large standardized residual.

Durbin-Watson statistic = 0.473832

* NOTE * VARNAMES subcommand caused existing output variable

names to be
overwritten.

Data Display
 Matrix Copy

1 -1.24878 -1.35071 -1.11062

1 -1.22656 -1.31689 -1.09633
1 -1.19014 -1.26486 -1.09633
1 -1.16132 -1.23104 -1.09633
1 -1.11463 -1.24664 -1.12491
1 -1.06443 -1.01251 -1.08045
1 -1.01985 -0.85382 -1.07727
1 -0.92943 -0.95528 -1.02170
1 -0.87065 -0.99170 -0.99629
1 -0.79837 -0.84861 -0.86608
1 -0.72750 -0.76536 -0.66919
1 -0.62189 -0.90585 -0.68983
1 -0.52585 -0.61188 -0.54374
1 -0.49843 -0.18783 -0.38337
1 -0.37131 -0.21905 -0.32779
1 -0.16825 0.54320 -0.08485
1 0.09007 0.70969 -0.07373
1 0.23041 0.38971 -0.14360
1 0.40774 0.73571 0.27402
1 0.66592 0.70709 0.87423
1 0.99652 0.66026 1.13306
1 1.36762 0.99846 1.16482
1 1.67783 1.70607 1.33948
1 1.18495 0.53019 1.01079
1 1.05445 1.02448 1.16640
1 1.01297 0.79554 1.32678
1 1.16329 1.12073 1.13306
1 1.01677 1.07390 1.15053
1 1.17778 1.40950 1.36013
1 1.49108 1.35747 1.54908

Data Display

Matrix MZT

1.00000 1.00000 1.00000 1.00000 1.00000 1.00000

1.00000 1.00000
-1.24878 -1.22656 -1.19014 -1.16132 -1.11463 -1.06443 -
1.01985 -0.92943
-1.35071 -1.31689 -1.26486 -1.23104 -1.24664 -1.01251 -
0.85382 -0.95528
-1.11062 -1.09633 -1.09633 -1.09633 -1.12491 -1.08045 -
1.07727 -1.02170

1.00000 1.00000 1.00000 1.00000 1.00000 1.00000

1.00000 1.00000
-0.87065 -0.79837 -0.72750 -0.62189 -0.52585 -0.49843 -
0.37131 -0.16825
-0.99170 -0.84861 -0.76536 -0.90585 -0.61188 -0.18783 -
0.21905 0.54320
-0.99629 -0.86608 -0.66919 -0.68983 -0.54374 -0.38337 -
0.32779 -0.08485

1.00000 1.00000 1.00000 1.00000 1.00000 1.00000

1.00000 1.00000
0.09007 0.23041 0.40774 0.66592 0.99652 1.36762
1.67783 1.18495
0.70969 0.38971 0.73571 0.70709 0.66026 0.99846
1.70607 0.53019
-0.07373 -0.14360 0.27402 0.87423 1.13306 1.16482
1.33948 1.01079

1.00000 1.00000 1.00000 1.00000 1.00000 1.00000

1.05445 1.01297 1.16329 1.01677 1.17778 1.49108
1.02448 0.79554 1.12073 1.07390 1.40950 1.35747
1.16640 1.32678 1.13306 1.15053 1.36013 1.54908

————— 4/30/2016 2:05:31 PM —————————————

———————

Data Display

Matrix Copy_1

25.8840
0.0082
0.0083
0.0381

Answer = 669.9830

Data Display

Matrix M5

30 0.0000 -0.0000 0.0000

0 29.0000 27.9340 28.6445
-0 27.9340 29.0000 27.5823
0 28.6445 27.5823 29.0000

* NOTE * VARNAMES subcommand caused existing output variable

names to be
overwritten.
Data Display

Matrix Copy_2

0.0227021 0.0000000 0.0000000 0.0000000

0.0000000 0.0227021 0.0000000 0.0000000
0.0000000 0.0000000 0.0227021 0.0000000
0.0000000 0.0000000 0.0000000 0.0227021

* NOTE * VARNAMES subcommand caused existing output variable

names to be
overwritten.

Data Display

Matrix M7

0.0333081 0.00000 0.000000 -0.00000

0.0000000 1.74976 -0.442928 -1.30601
0.0000000 -0.44293 0.468084 -0.00770
-0.0000000 -1.30601 -0.007697 1.33076

Data Display

Matrix M9

1287.00
246.31
237.90
244.98

Data Display

Matrix M10

42.8676
5.6573
0.3762
2.4999

Descriptive Statistics: X1, X2, X3

Variable Mean StDev

X1 1286 711
X2 102.62 38.44
X3 148.2 63.0