Anda di halaman 1dari 123

Laporan Praktikum Statistika Industri

Modul 2 Korelasi dan Regresi Linier


Kelompok 27

BAB I

PENDAHULUAN

1.1 LATAR BELAKANG

Gagasan perhitungan ditetapkan oleh Sir Francis Galton (1822-1911)


Persamaan regresi adalah Persamaan matematik yang memungkinkan peramalan
nilai suatu peubah takbebas (dependent variable) dari nilai peubah bebas
(independent variable) Diagram Pencar = Scatter Diagram. Diagram yang
menggambarkan nilai-nilai observasi peubah takbebas dan peubah bebas. Nilai
peubah bebas ditulis pada sumbu X (sumbu horizontal). Nilai peubah takbebas
ditulis pada sumbu Y (sumbu vertikal). Nilai peubah takbebas ditentukan oleh nilai
peubah bebas.
Regresi merupakan teknik statistika yang digunakan untuk mempelajari
hubungan fungsional dari satu atau beberapa peubah bebas (peubah yang
mempengaruhi) terhadap satu peubah tak bebas (peubah yang dipengaruhi).
Korelasi merupakan ukuran kekuatan hubungan dua peubah (tidak harus memiliki
hubungan sebab akibat).

Analisis regresi mempelajari bentuk hubungan antara satu atau lebih


peubah bebas (X) dengan satu peubah tak bebas (Y). dalam penelitian peubah bebas
( X) biasanya peubah yang ditentukan oelh peneliti secara bebas misalnya dosis
obat, lama penyimpanan, kadar zat pengawet, umur ternak dan sebagainya.
Disamping itu peubah bebas bisa juga berupa peubah tak bebasnya, misalnya dalam
pengukuran panjang badan dan berat badan sapi, karena panjang badan lebih mudah
diukur maka panjang badan dimasukkan kedalam peubah bebas (X), sedangkan
berat badan dimasukkan peubah tak bebas (Y). sedangkan peubah tak bebas (Y)
dalam penelitian berupa respon yang diukur akibat perlakuan/peubah bebas (X).
misalnya jumlah sel darah merah akibat pengobatan dengan dosis tertentu, jumlah

Program Studi Teknik Industri


Universitas Diponegoro
1
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

mikroba daging setelah disimpan beberapa hari, berat ayam pada umu tertent dan
sebagainya.

Bentuk hubungan antara peubah bebas (X) dengan peubah tak bebas (Y)
bisa dalam bentuk polinom derajat satu (linear) polinom derajat dua (kuadratik).
Polinim derajat tiga (Kubik) dan seterusnya. Disamping itu bisa juga dalam bentuk
lain misalnya eksponensial,logaritma,sigmoid dan sebagainya. Bentuk-bentuk ini
dalam analisis regresi-korelasi biasanya ditransformasi supaya menjadi bentuk
polinom.

1.2 TUJUAN PRAKTIKUM

Tujuan yang hendak dicapai dalam praktikum ini adalah :

1. Mengerti dan memahami teknik pengolahan dengan menggunakan analisis


korelasi dan regresi linier

2. Mampu menginterpretasikan hasil yang diperoleh dari korelasi dan regresi linier

3. Mampu mengidentifikasikan berbagai faktor yang berpengaruh terhadap


permasalahan di dunia industri yang berkaitan dengan analisis korelasi dan
regresi linier.

1.3 PEMBATASAN MASALAH

Pada praktikum ini kami membahas masalah mengenai pengolahan data


dan analisa dari data yang merupakan hubungan antar komponen. Selain membahas
mengenai regresi dengan satu peubah kami juga melakukan pengolahan data dan
penganalisaan terhadap data yang mempunyai empat peubah bebas ( regresi
majemuk ) .

Program Studi Teknik Industri


Universitas Diponegoro
2
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

1.4 METODOLOGI PRAKTIKUM

1.4.1 PROSEDUR PRAKTIKUM

Pengumpulan data praktikum dilakukan dengan :


1. Menentukan data suatu populasi untuk regresi sederhana dengan mengambil 1
variabel dependent dan 1 variabel independent sebanyak 60 observasi (30
model dan 30 validasi).
2. Menentukan data suatu populasi untuk regresi majemuk dengan mengambil 1
variabel dependent dan 3 variabel independent sebanyak 60 observasi (30
model dan 30 validasi).
1.4.2 FLOWCHART PRAKTIKUM

Identifikasi Masalah

Pengumpulan Data

Studi Pustaka

Identifikasi variabel independen dan dependen

Pembuatan Modeel

a. Regresi Sederhana

b. Regresi Majemuk

Pengolahan Data
Program Studi Teknik Industri
Universitas Diponegoro
3
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

Pembuatan Validasi

a. Regresi Sederhana

b. Regresi Majemuk

Interpretasi dan Analisis

Kesimpulan dan Saran

1.5 SISTEMATIKA PRAKTIKUM

BAB I PENDAHULUAN

Berisi tentang latar belakang, tujuan praktikum, pembatasan masalah, prosedur


praktikum, flowchart praktikum, serta sistematika penulisan yang digunakan.

BAB II DASAR TEORI

Berisi tentang teori-teori yang sesuai dan berhubungan dengan praktikum yang akan
dilaksanakan seperti tentang pengertian korelasi dan regresi linier, macam- macam
regresi dan sebagainya.

Program Studi Teknik Industri


Universitas Diponegoro
4
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

BAB III PENGOLAHAN DAN ANALISIS DATA

Berisi tentang pengolahan data untuk regresi sederhana, regresi majemukdan regresi
polinom (Excel, SPSS, maupun minitab)

BAB IV PENUTUP

Berisi tentang kesimpulan yang diperoleh dari percobaan serta saran.

BAB II

DASAR TEORI

Program Studi Teknik Industri


Universitas Diponegoro
5
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

2.1 Regresi Sederhana

Analisa regresi (Regression Analysis) adalah salah satu teknik statistika yang
digunakan untuk mengestimasi hubungan antara variabel independen dengan
variabeldependen. Beberapa jenis analisa regresi, yaitu:

 Regresi sederhana (dengan satu variabel independen)


 Regersi majemuk (lebih dari satu variabel independen)
 Regresi Polinom
 Regresi dengan dummy variabel, yaitu regresi dengan variabel independen
yang berjenis nominal

 Regresi ordinal, yaitu regresi dengan variabel dependen yang berjenis


ordinal

 Log regresi, yaitu regresi dengan variabel dependen yang berjenis nominal

Dalam regresi dikenal adanya dua jenis peubah, yaitu :

1. Peubah bebas (independent variable)

Adalah variabel/ peubah yang nilai-nilainya tidak bergantung pada variabel


lainnya, biasanya disimbolkan dengan X dan digunakan untuk meramalkan atau
menerangkan nilai variabel yang lain.

2. Peubah terikat (dependent variable)

Adalah variabel/ peubah yang nilai-nilainya bergantung pada variabel lainnya,


biasanya disimbolkan dengan Y dan merupakan variabel yang diramalkan atau
diterangkan nilainya.

Sering kali dalam praktek kita berhadapan dengan persoalan yang menyangkut
sekelompok peubah bila diketahui bahwa diantara peubah tersebut terdapat suatu
hubungan alamiah. Misalnya dalam industri diketahui bahwa kadar ter hasil suatu

Program Studi Teknik Industri


Universitas Diponegoro
6
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

proses kimia berkaitan dengan temperatur masukan. Mungkin perlu dikembangkan


suatu metode peramalan, yaitu suatu cara kerja guna menaksir kadar ter untuk berbagai
taraf temperatur masukan yang didapat dari data percobaansegi statistika dari persoalan
tersebut menjadi persoalan menemukan taksiran terbaik untuk hubungan antara
sekelompok peubah itu.

Dalam regresi biasanya terdapat suatu peubah terikat yang tunggal atau disebut
respon Y, yang tidak dikontrol dalam percobaaan tersebut. Respon Y bergantung pada
satu atau lebih peubah bebas, misalnya x1,x2,…xk . Bila Y dan X masing-masing
tunggal , persoalan menjadi regresi Y atas X. bila ada k peubah bebas maka dikatakan
reresi Y atas X1, X2, Xk. Istilah regresi linear berarti bahwa rataan µ yIx berkaitan linear
dalam bentuk persamaan linear populasi

µ yIx = α + β x

(Walpole, Ilmu Peluang dan Statistika untuk Insinyur dan Ilmuwan, hal 404 –
405)

2.1.1 Persamaan Garis Regresi

Koefisien regresi, α dan β merupakan dua parameter yang akan ditaksir dari
data terok. Bila taksiran untuk kedua parameter itu masing-masing dinyatakan dengan a
dan b maka dapat ditaksir dengan ŷ dari garis bentuk regresi berdasarkan sample atau
garis kecocokan regresi.

ŷ = a + bx

dengan taksiran a dan b masing-masing menyatakan perpotongan terhadap sumbu y dan


tanjakannya.

Dimana : ŷ = prediksi nilai variabel dependen

a = konstanta

b = bobot regresi untuk variabel independen

Program Studi Teknik Industri


Universitas Diponegoro
7
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

x = variabel dependen

Lambang ŷ digunakan disini untuk membedakan antara taksiran atau nilai


prediksi yang diberikan oleh garis regresi sampel dan nilai y amatan percobaan yang
sesungguhnya untuk suatu nilai x.

Bila diketahui sampel {(xi,yi);1 = 1, 2, 3, …n} maka taksiran kuadrat terkecil a


dan b dari koefisien regresi α dan β dihitung dengan menggunakan rumus :

n
 n  n 
n∑ x i y i −  ∑ x i   ∑ y i  n n

b=
i =1  i =1   i =1 
2
∑ y i − b ∑ xi
n
n  a= i =1 i =1

n ∑ xi −  ∑ x i 
2
n
i =1  i =1 

(Walpole, Ilmu Peluang dan Statistika Untuk Insinyur dan Ilmuwan, hal 404-405)

2.1.2 Taksiran Nilai t α dan t β

Untuk menguji hipotesis nol bahwa β = β 0 melawan tandingan yang sesuai


dengan persoalan, digunakan distribusi-t dengan derajat kebebasan n-2 untuk
mendapatkan daerah kritis. Sedangkan nilai tβ -hitung diperoleh dari rumus:

b − β0
t=
s
J XX

Sedangkan untuk menguji hipotesis nol α = α 0 bahwa melawan tandingan yang


sesuai dengan persoalan, digunakan distribusi-t dengan derajat kebebasan n-2 untuk
mendapatkan daerah kritis.

Sedangkan nilai tα -hitung diperoleh dari rumus:

Program Studi Teknik Industri


Universitas Diponegoro
8
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

α −α0
t=
n

∑ xi 2

s i =1
n.J xx

(Walpole, Ilmu Peluang dan Statistika untuk Insinyur dan Ilmuwan, hal 420 – 422

2.1.3 Sifat Penaksir Kuadrat Terkecil

Baik a maupun b mempunyai sifat-sifat sebagai berikut

2 σ2
µ B = β ;σ B =
∑ (x )
• n
2
i −x
i =1

n 2

∑ xi
• µ A = β ;σ A 2 = i =1
σ2
∑(x ) 2
i −x

JKG Jyy − Jxy


Dalam hal ini taksiran tak bias untuk σ 2 adalah s = =
2

n−2 n−2

Dimana:

2 2
n  n 
n  ∑ xi  n ∑ yi 
Jxx = ∑ xi −  i =1 
2
Jyy = ∑ y i −  i =1 
2

i =1 n i =1 n

 n  n 
n  ∑ xi   ∑ y i  JKG = Jyy - b.Jxy
Jxy = ∑ xi −  i =1   i =1 
2

i =1 n

(Walpole, Ilmu Peluang dan Statistika untuk Insinyur dan Ilmuwan, hal 415)

2.1.4 Inferensi mengenai koefisien regresi


1. Suatu selang kepercayaan sebesar (1-α ) 100% untuk parameter β dalam persamaan
garis regresi µ yIx = α + β x adalah:

Program Studi Teknik Industri


Universitas Diponegoro
9
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

tα s tα s
b− 2
< β < b+ 2

J xx J xx

(tα /2 menyatakan nilai dist-t dengan v = n-2)

2. Suatu selang kepercayaan sebesar (1-α ) 100% untuk parameter α dalam persamaan
garis regresi µ yIx = α + β x adalah:
n n
tα s
2
∑ xi2
i =1
tα s
2
∑x
i =1
2
ii

a− <α < a+
nJ xx nJ xx

(tα /2 menyatakan nilai dist-t dengan v = n-2)

3. Suatu selang kepercayaan sebesar (1-α ) 100% untuk rataan respon µ yIx = α + β x
diberikan oleh ;

yˆ − tα s
1 x0 − x
+
( ) 2

< β < yˆ + tα s
1 x0 − x
+
( ) 2

2 n J xx 2 n J yy

(tα /2 menyatakan nilai dist-t dengan v = n-2)

4. Suatu selang prediksi sebesar (1-α ) 100% untuk respon Y0 yang tunggal diberikan
oleh ;

1 x −x
yˆ − tα s 1 + + 0
( ) 2
1 x −x
< Y0 < yˆ + tα s 1 + + 0
( ) 2

2 n J xx 2 n J yy

(tα /2 menyatakan nilai dist-t dengan v = n-2)

(Walpole, Ilmu Peluang dan Statistika untuk Insinyur dan Ilmuwan )

Program Studi Teknik Industri


Universitas Diponegoro
10
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

2.1.5 Pemilihan Model Regresi

Jika model sebenarnya mengandung lebih dari satu peubah, misalnya model
yang sebenarnya adalah:

µ yIx = α + β x1 + γ x2.

Dan bentuk ini tidak diketahui oleh yang melakukan percobaan maka taksiran
atas koefisien persamaan regresi yang dihasilkan akan bias. Untuk mengetahui apkah
model yang diperoleh sudah tepat maka dilakukan pendekatan melalui analisis variansi,
dengan tabel sebagai berikut:

Tabel 2. 1 Analisis Variansi dengan β=0 untuk Pemilihan Model Regresi


Sumber Variasi Jumlah Kuadrat Derajat Kebebasan Rataan Kuadrat F Hitungan

Regresi JKR 1 JKR JKR/s2

Galat JKG n-2 JKG


s2 =
n −2

Total JKT n-1

Hipotesis nol ditolak, yaitu jika nilai statistik F hitungan lebih besar dari nilai kritis
fα (1,n-2).

(Walpole, Ilmu Peluang dan Statistika untuk Insinyur dan Ilmuwan, hal 433)

2.1.6 Pengujian Kelinieran Regresi

Untuk pengujian kelinieran regresi dapat digunakan analisis variansi sebagai


berikut:

Program Studi Teknik Industri


Universitas Diponegoro
11
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

Tabel 2. 2 Analisis Variansi untuk Pengujian Kelinieran Regresi

Sumber Derajat
Jumlah Kuadrat Rataan Kuadrat F Hitungan
Variasi Kebebasan

Regresi JKR 1 JKR JKR/s2


JKG
Galat JKG n-2 s2 =
n −2

Kekurang
k − 2 JKG − JKG (murni )
cocokan JKG − JKG ( murni )
  k −2



Galat  JKG ( murni )
n − k s2 =
JKG (murni )
 n −2
murni

Total JKT n-1

(Walpole, Ilmu Peluang dan Statistika untuk Insinyur dan Ilmuwan, hal 433)

2.2 Regresi Majemuk

Pada umumnya persoalan yang menggunakan analisis regresi memerlukan lebih


dari satu peubah bebas dalam model regresinya. Mekanisme yang mendasari persoalan
pada umumnya begitu rumit sehingga diperlukan model regresi Linier darab agar dapat
memprediksikan respon yang penting.

Model yang linier dalam koefisiennya disebut Model Regresi Linier Darab.
Dalam hal k peubah bebas x1, x2,…,xk, rataan yIx1, x2,…xk diberikan oleh model
regresi Linier darab.

µ yIx1, x2,….xk = β 0 + β 1x1 + β 2x2 + ……+ β kxk

Dan taksiran respon diperoleh dari persamaan regresi sampel

Ŷ = b0 + bx1 + bx2 + ……+ bxk

Program Studi Teknik Industri


Universitas Diponegoro
12
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

Bila rataan tidak berbentuk garis lurus tapi lebih sesuai bila dinyatakan dengan
Model Regresi Polinom.

µ yIx1, x2,….xk = β 0 + β 1x1 + β 2x22 + ……+ β rxrr

Dan taksiran respon diperoleh dari persamaan regresi polinom

Ŷ = b0 + b1x1 + b2x2 + ……+ brxrr

dimana: Y = Prediksi nilai variabel independen

b0 = konstanta

bn = bobot regresi untuk variabel independent

Xn = variabel independen

Sebagaimana persamaan regresi dengan satu peubah maka persamaan regresi


dengan dua peubah atau lebih juga memiliki sifat penaksir kuadrat terkecil, inferensi
mengenai koefisien regresi dan berbagai uji yang dapat digunakan untuk menguji
kecocokan model.

(Walpole, Ilmu Peluang dan Statistika untuk Insinyur dan Ilmuwan, hal 454 )

2.2.1 Model Regresi Linear Menggunakan matriks

Dalam mencocokkan model regresi linear darab, khusunya bila banyak peubah
melebihi dua pengetahuan teorimatrik dapat menyederhanakan perhitungan. Misalnya
yang melakukan percobaan mempunyai k peubah bebas, x1, x2, …,xk dan n pengamatan
y1, y2, .…yn masing-masing dapt dinyatakan dengan persamaan

Y1 =β 0 + β 1x1i + β 2x2i + …..+ β kxki + ε I ……… (2.24)

Model ini pada dasarnya menyatakan n persamaan yang memberikan


bagaimana nila respon diperoleh dalam proses penelitian.

Program Studi Teknik Industri


Universitas Diponegoro
13
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

Langkah-langkah pengerjaan analisis regresi linier multipel :

a. Dari data yang sudah ada hitung jumlah, jumlah kuadrat, dan jumlah hasil kali

kemudian buat dalam bentuk matriks : ( XT X) kemudian hasilnya diinverskan

( XT X) −1
b. Kemudian hitung hasil perkalian matrik antara X dan Y sebagai berikut : XT Y
ˆ = ( XT X) −1 XT Y
c. Kemudian hitung koefisien beta dengan rumus sebagai berikut β
Persamaan di atas belum boleh digunakan sebagai dasar kesimpulan, karena itu
perlu diuji mengenai koefisien regresinya

(OlahData.com)

Dengan menggunakan lambang matrik, persamaan kuadrat dapat ditulis sebagai

y =β x + ε ……… (2.25)

Program Studi Teknik Industri


Universitas Diponegoro
14
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

 y1 
y 
 2 1 x11

x 21 • • • x k1 
xk 2 
•  1 x12
• •
x 22 • • •
• 

bila y=  , x =1
• •
• • • •
• • •
,

• 
• • 
• • • • • • • 
 
•  1 x1n
 x 2n • • • 
x kn 

 
 y n 

β1 
β 
 2
• 
β= 
• 
• 
 
 β n 

Rumus

Program Studi Teknik Industri


Universitas Diponegoro
15
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

 n n n
  n 
n ∑x 1i ∑i= 1 x2i ∑i= 1 x3i   g0 = ∑ yi 
n i= 1
n n n
  n 
i= 1

 x  g = xy 
 ∑i= 1 1i ∑x ∑i= 1 1i 2i ∑i= 1 1i 3i   1 ∑i= 1 1 i 
2
1i x x x x
i= 1
n n n n  g = X'y =  n 
 ∑ x 2i ∑ xx ∑i= 1 x2i ∑i= 1 x2i x3i   g2 = ∑i= 1 x2 yi 
2
1i 2i
 i= 1 i= 1
n n n n   n

 ∑ x 3i ∑ xx ∑i= 1 x2i x3i ∑i= 1 x3i   g3 = ∑i= 1 x3 yi 
2
1i 3i
 i= 1 i= 1   
   
dengan kata lain

Ab = g atau ( X’X )b = ( X’y )

Maka, nilai taksiran koefisien regresi b, dicari dengan

b = A-1g atau b = ( X’X )-1( X’y )…….. (2.26)

Untuk peramaan regresi linear

Y = xβ + ε

Taksiran tak bias untuk σ 2 adalah rataan kuadrat sisa atau galat

Program Studi Teknik Industri


Universitas Diponegoro
16
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

JKG
s2 = ……. (2.27)
n − k −1

dimana nilai JKG ditentukan dengan rumusan sebagai berikut

JKG = JKT − JKR


n n
…….. (2.28)
JKG = ∑ ei = ∑ ( y i − yˆ )
2 2

i =1 i =1

2
n 
n n ∑ yi 
JKT = J yy = ∑ ( y i − y i ) = ∑ y i −  i =1 
2 2

i =1 i =1 n
2
n 
n k ∑ yi 
JKR = ∑ ( yˆ i − y ) = ∑ b j g j −  i =1 
2

i =1 j =0 n

……… (2.29)

(Walpole, Ronald E,H. Myers, Ilmu Peluang dan Statistika Untuk Insinyur dan
Ilmuwan)

2.2.2 Inferensi Dalam Regresi Linear Majemuk

Suatu selang kepercayaan untuk µ yIx10,x20,…xk0 pada selang kepercayaan


sebesar (1-α ) 100% untuk rataan respon µ yIx10,x20,…xk0 diberikan oleh :

y 0 − tα ⋅ s X 0( X ' X ) −1 < µ y Ix10, x 20,.... x k 0 < y 0 − tα ⋅ s X ( X ' X ) −1 .... (2.30)


2 2

Suatu selang prediksi untuk Y0 selang prediksi (1-α ) 100% untuk respon
tunggal Y0 diberikan oleh :

y 0 − tα ⋅ s 1 + X 0( X ' X ) −1 < Y0 < y 0 − tα ⋅ s 1 + X ( X ' X ) −1 ..... (2.31)


2 2

Program Studi Teknik Industri


Universitas Diponegoro
17
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

2.2.3 Peubah Orthogonal


Sumbangan suatu peubah tertentu atau sekelompok peubah pada dasarnya
diperoleh dengan mengabaikan peubah lainnya dalam model. Penilaian terpisah
mengenai kegunaan suatu peubah dikerjakan dengan menggunakan teknik analisis
variansi untuk peubah orthogonal

Tabel 2. 3 Analisa Variansi untuk Peubah Orthogonal

Sumber Derajat Rataan F


Jumlah kuadrat
Variasi Kebebasan Kuadrat Hitungan
n
R( β1 )
β1 R( β1 ) = b12 ∑ x12i 1 R(β1)
i =1 S2
n
R( β 2 )
β2 R ( β 2 ) = b22 ∑ x 22i 1 R(β2)
i =1 S2
….. ….. ….. ….. …..
n
R( β k )
βk R( β k ) = bk2 ∑ x ki2 1 R(βk)
i =1 S2
JKG
Galat JKG n–k-1 S2 =
n − k −1

Total JKT = Syy n-1

2.3 Regresi Polinom

Analisa regresi polinom adalah model regresi yang tidak berbentuk linier.
Polinom Orthogonal digunakan untuk menduga polinom ordo berapa pun di dalam satu
peubah bebas.

Model Dasar

Model dasar dari regresi polinom adalah :

Program Studi Teknik Industri


Universitas Diponegoro
18
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

Y = b0 + b1X1 + b2X2 + ….. + brXnr (n dan r = 1,2,3,….) …… (2.32)

Dimana :

Y = Prediksi nilai variable dependen

b0 = konstanta

br = bobot regresi untuk variable independent

Xn = variable independent

Model Regresi Linier dengan Matriks

Dalam mencocokan model regresi polinom dapat disederhanakan dengan


menggunakan matriks sebagai berikut :

 n n 2 n
  n 
∑x ∑x ∑ ∑
r
 n i i ** xi   y i 
 n i =1
n
i =1
n
i =1
n  b0   ni =1 
 x r +1  b   
∑ ∑x ∑x ∑  1   ∑ xi yi 
2 3
** xi
i i i

i =1 i =1 i =1 i =1  *  = i =1
 * * * ** *     * 
  *
   
 n* * * ** *     n
br 
* 
 n n n
2r   
∑ xi ∑x ∑x ∑ ∑ xi yi 
r r +1 r+2 r
i i ** xi 
 i =1 i =1 i =1 i =1   i =1 

Dengan kata lain : Ab = g atau (X’X)b = (X’Y)

Maka, nilai taksiran koefisien regresi b, dicari dengan

b = A-1g atau b = (X’X)-1(X’Y) …… (2.33)

(Walpole, Ronald E,H. Myers, Ilmu Peluang dan Statistika Untuk Insinyur dan
Ilmuwan)

2.4 Korelasi

Program Studi Teknik Industri


Universitas Diponegoro
19
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

Analisis korelasi berusaha mengukur eratnya hubungan antara dua peubah dengan
menggunakan suatu bilangan yang disebut koefisien korelasi sampel r yang dapat
diperoleh dari perhitungan menggunakan rumus:

J xx J xy
r =b =
J xy J xx − J yy

Nilai r antara -1 dan +1 perlu ditafsirkan dengan berhati-hati. Sebagai contoh nilai
r sebesar 0,3 dan 0,6 hanya berarti bahwa kedua korelasi itu positif, yang satu lebih erat
dari yang lainnya. Namun tidak dapat diartikan bahwa r = 0,6 menunjukkan hubungan
linier yang dua kali lebih erat daripada yang diberikan oleh nilai r = 0,3.

(Walpole, Ilmu Peluang dan Statistika untuk Insinyur dan Ilmuwan, hal 445)

2.4.1 Uji Korelasi

Arti angka korelasi menurut kriteria Gulford ( 1956 ) :

1. kurang dari 0,2 : Hubungan sangat kecil dan bisa diabaikan

2. 0,2 < r < 0,4 : Hubungan yang kecil ( tidak erat )

3. 0,4 < r < 0,7 : Hubungan yag cukup erat

4. 0,7 < r < 0,9 : Hubungan yang erat ( reliabel )

5. 0,9 < r < 1 : Hubungan yang sangat erat ( sangat reliabel )

6. 1 : Hubungan sempurna

2.5 Uji Asumsi

2.5.1 Uji Autokorelasi dan Multikolinieritas

 Autokorelasi

Program Studi Teknik Industri


Universitas Diponegoro
20
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

Salah satu asumsi kelayakan suatu model regresi adalah adanya kebebasan
data. Kebebasan data disini berarti data untuk satu periode tertentu tidak
dipengaruhi oleh data sebelumnya. Dalam pengumpulan data yang berdasarkan
deret waktu, perlu diuji apakah data saling berkaitan. Jika berkaitan, maka hasil
residual yang positif akan cenderung diikuti residual yang positif juga, begitu pula
sebaliknya. Hal inilah yang dikatakan autokorelasi di antara dua data.

 Multikolinieritas
Multikolinieritas adalah keadaan dimana antara variabel x saling berkorelasi
dengan yang lainnya. Jika persamaan regresi berganda terjadi multikolinieritas di
antara variabel-variabel bebasnya, maka variabel-variabel yang berkolinier tidak
memberikan informasi apa-apa terhadap variabel independent. Karena itu,
persamaan regresi yang bagus adalah persamaan yang bebas dari adanya
multikolinieritas. Untuk menguji ada tidaknya multikolinieritas adalah
berdasarkan nilai korelasi antar variabel bebas.

2.5.2 Uji Linearitas, Homossedasticity (Variasi Residu yang Konstan), Normalitas


dan Independensi
Linearitas
Suatu model sederhana harus dapat memprediksikan nilai (variabel
dependen) pada suatu garis lurus yang perubahan nilainya konstan terhadap
perubahan nilai variabel independen. Pengujian hubungan sederhana antara
variabel dependen dan independen dapat dilakukan dengan membuat plot
residu. Apabila plot residu mengikuti suatu garis lurus untuk setiap
pertambahan nilai variabel dependen atau independen, maka model dinyatakan
memenuhi asumsi sederhanaitas.

 Homossedacticity
Merupakan variasi residu yang konstan terhadap perubahan nilai
variabel independen. Asumsi ini diperlukan karena diharapkan variansi nilai
variabel dijelaskan melelui model tidak terkonsentrasi pada nilai variabel
independen yang terbatas. Pengujian ni dapat dilakukan dengan membuat plot

Program Studi Teknik Industri


Universitas Diponegoro
21
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

antara residu terhadap nilai variabel independen, variasi konstan diperoleh


manakala plot ini memiliki kecenderungan untuk membentuk garis lurus.

• Normalitas
Sifat kenormalan harus dimiliki variabel dependen maupun
independen. Pengujian ini dapat dilakukan dengan melakukan pemeriksaan
visual terhadap histogram residu. Metode lainnya adalah membuat normal
probability ploy yaitu plot antara residu yang distandarisasi dengan plot
distribusi normal. Jika normal, maka seharusnya plot residu ini akan mengikuti
suatu garis lurus.

 Independensi
Nilai variabel dependen yang diprediksi harus independen satu dengan
yang lainnya, tidak ada katan antara hasil suatu variabel dependen hasil
prediksi dengan prediksiberikutnya. Untuk mendeteksinya dapat dilakukan
dengan membuat plot antara residu dengan nilai variabel terurut yang
mungkin. Apabila residu bersifat independen maka plot seharusya terlihat
random.

2.6 Seleksi Variabel

2.6.1 Metode Forward (Depan)

Didasarkan pada pandangan bahwa peubah sebaiknya dimasukkan satu


persatu sampai persamaan regresi yang memuaskan ditemukan.

Langkah-langkahnya:

1. Pilihlah peubah x1 yang memberikan jumlah kuadrat regresi terbesar bila


mengerjakan regresi linear sederhana dengan y, atau dengan kata lain,
peubah yang memberikan nilai R2 terbesar.
2. Pilihlah selanjutnya peubah x2 yang bila dimasukkan ke dalam model
memberikan penambahan terbesar pada R2, yaitu tambahan pada R2 dalam
langkah (1) akibat x1. Jika ini dihasilkan oleh peubah xj, maka

Program Studi Teknik Industri


Universitas Diponegoro
22
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

R(βj │βi) = R(βi , βj) - R(βi)

terbesar. Model regresi dengan x1 dan x2 kemudian dicari dan R2 dicatat;

3. Pilihlah selanjutnya peubah x3 yang memberikan nilai

R(βj │β1, β2) = R(β1 , β2, βj) - R(β1 , β2),

terbesar, yaitu penambahan R2 sesudah langkah (2). Sehingga diperoleh


model regresi yang mengandung x1, x2, dan x3.

Cara ini dilanjutkan sampai peubah yang masuk terakhir tidak lagi
memberikan tambahan R2 yang berarti. Penambahan itu dapat ditentukan pada tiap
langkah dengan menggunakan uji-F atau uji-t yang sesuai.

2.6.2 Metode Backward (Belakang)


Penyisihan mundur menyangkut pengertian yang sama seperti pilihan maju
kecuali bahwa di sini dimulai dari semua peubah dalam model. Misalkanlah,
sebagai contoh, terdapat lima peubah yang sedang ditangani. Langkahnya adalah
sebagai berikut:

1. Cobakanlah persamaan regresi dengan kelima peubah dalam model.


Tentukanlah peubah yang memberikan nilai jumlah kuadrat regresi terkecil
jika pengaruh peubah lainnya diperhitungkan. Misalkanlah peubah tersebut
x2. Sisihkan x2 dari model bila

R ( β 2 β1 , β 3 , β 4 , β 5 )
f = tak berarti
s2

2. Cobakan persamaan regresi dengan menggunakan peubah yang tinggal yaitu


x1, x3, x4, dan x5 kemudian ulangi langkah 1. Misalkanlah sekarang calon
peubah untuk disisihkan x5. Sekali lagi bila

Program Studi Teknik Industri


Universitas Diponegoro
23
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

R( β 5 β1 , β 3 , β 4 )
f = tak berarti maka peubah x5 disisihkan dari model.
s2
Pada tiap langkah s2 yang dipakai dalam uji-F ialah rataan kuadrat galat
model regresi pada langkah tersebut.

Cara ini diulang sampai pada suatu langkah peubah yang memberikan jumlah kuadrat
regresi terkecil, jika pengaruh peubah lainnya diperhitungkan, menghasilkan nilai f yang
berarti untuk suatu taraf α yang ditentukan sebelumnya.

2.6.3 Metode Stepwise


Regresi bertahap dikerjakan dengan sedikit penyempurnaan, tetapi penting
pada metode pilihan maju. Penyempurnaan ini mengenai pengujian lebuh lanjut
pada tiap langkah untuk menjamin kesangkilan seterusnya dari peubah yang telah
dimasukkan kedalam model pada langkah sebelumnya. Ini merupakan perbaikan
atas pilihan maju, karena mungkin saja suatu peubah yang memasuki persamaan
regresi pada langkah sebelumnya ternyata tidak lagi berarti karena hubungannya
dengan peubah lain yang masuk pada tahap kemudian. Karena itu, pada tahap
pemasukan peubah baru ke dalam persamaan regresi akibat penambahn R 2 yang
berarti yang ditentukan oleh uji-F, semua peubah yang telah masuk kedalam model
diperiksa dengan uji-F (atau dengan uji-t) dengan memperhatikan peubah yang baru
masuk dan disisihkan bila tidak menyajikan nilai-f yang berarti. Proses ini
diteruskan sampai tidak ada lagi peubah yang memenuhi syarat untuk masuk
ataupun disisihkan.

Prosedur regresi bertahap ini dijelaskan sebagai berikut:

1. Untuk mengamati pengaruh tiap peubah secara terpisah, empat persamaan


regresi linear sederhana dicocokkan, kemudian dihitung keempat jumlah
kuadrat regresi.
2. Tiga persamaan regresi, semuanya mengandung x1 dicocokkan pada
langkah ini. Hasil yang penting dari pasangan (x1,x2), (x1,x2), (x1,x4) adalah
R(β 2β 1), R(β 3β 1), dan R(β 4β 1).

Program Studi Teknik Industri


Universitas Diponegoro
24
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

Sesudah x1 dan x3 dalam model, dihitung R(β 2β 1, β 3) dan R(β 4β 1, β 2) untuk
menentukan yang mana, jika ada, dari kedua peubah yang masih tersisa yang akan
masuk ke dalam model pada langkah ini.

2.7 Validasi

Validasi model regresi dapat dilakukan dengan dua cara sebagai berikut :

a. Menerapkan sampel ini ke dalam sampel berikutnya.

Sampel lainnya di sini dapat diperoleh dari sampel baru atau sampel yang diambil
sebagai bagian dari sampel terdahulu. Cara kedua, sebelum analisis dilakukan,
sampel dibagi dua secara random. Sampel bagian pertama digunakan untuk
membangun model, yang kedua untuk menguji model (validasi).

b. Membandingkan beberapa model regresi.

Dilakukan dengan membandingkan suatu model regresi dengan model-model


regresi lainnya dengan jumlah variabel independent atau ukuran sample yang
berbeda

(Modul Praktikum Statistika Industri, hal 7)

Program Studi Teknik Industri


Universitas Diponegoro
25
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

BAB III

PENGOLAHAN DATA DAN ANALISIS

3.1 Korelasi dan Regresi Linier Sederhana

3.1.1 Data Model

Untuk data model pada analisis korelasi dan regresi linier sederhana, digunakan
30 data yaitu harga media penyimpanan berdasarkan kapasitasnya. Sebagai variabel
dependen adalah harga dari media penyimpanan, sedangkan kapasitas sebagai variabel
independen.

Tabel 3.1 Data Model Regresi Linier Sederhana

Kapasitas Media
Harga
No Penyimpanan
(ribu rupiah)
(gigabyte)
1 4 125

2 1 59

3 2 64

4 4 139

5 1 94

Program Studi Teknik Industri


Universitas Diponegoro
26
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

6 2 103

7 4 164

8 8 255

9 16 510

10 8 256

11 1 83
Lanjutan Tabel 3.1

12 1 87

13 2 89

14 2 93

15 4 132

16 4 136

17 8 286

18 8 290

19 16 500

20 16 525

21 1 91

22 2 108

23 4 155

24 8 260

25 16 522

26 2 66

27 1 62

28 2 67

29 1 55

Program Studi Teknik Industri


Universitas Diponegoro
27
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

30 2 59

3.1.1.1 Uji Asumsi Klasik Statistik

1. Uji Linieritas

 Microsoft Excel

Gambar 3.1 Scatter Diagram Output Excel Data Model Regresi Linier Sederhana

 SPSS

Program Studi Teknik Industri


Universitas Diponegoro
28
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

600

500

400
Harga

300

200

100

0 2.5 5 7.5 10 12.5 15

Kapasitas

Gambar 3.2 Scatter Diagram Output SPSS Data Model Regresi Linier Sederhana

 Minitab

Scatterplot of Harga vs Kapasitas

500

400

300
Harga

200

100

0
0 2 4 6 8 10 12 14 16
Kapasitas

Gambar 3.3 Scatter Diagram Output Minitab Data Model Regresi Linier Sederhana

Program Studi Teknik Industri


Universitas Diponegoro
29
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

Analisis:

Untuk melakukan analisis regresi linier sederhana, data diharuskan memenuhi


semua asumsi klasik statistik, salah satunya yaitu linieritas. Mengetahui kelinieran data
dilakukan dengan cara membuat scatter diagram melalui Microsoft Excel, SPSS, dan
Minitab. Ketiganya menghasilkan gambar yang sama dengan titik-titik nilai yang berada
di sekitar garis linier. Semakin data berada di garis linier maka data dikatakan
memenuhi uji linieritas. Dari gambar ketiga scatter diagram di atas, dapat disimpulkan
bahwa data model untuk regresi linier sederhana ini memenuhi asumsi linieritas.

2. Uji Normalitas

 SPSS

Normal P-P Plot of Regression Standardized


Residual

Dependent Variable: Harga


Expected Cum Prob

1.0

0.8

0.6

0.4

0.2

0.0
0.0 0.2 0.4 0.6 0.8 1.0

Observed Cum Prob

Program Studi Teknik Industri


Universitas Diponegoro
30
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

Gambar 3.4 Normal P-P Plot Output SPSS Data Model Regresi Linier Sederhana

Tabel 3.2 Test of Normality Data Model Regresi Linier Sederhana

Tests of Normality

Kolmogorov-Smirnov(a) Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
Data_Sederhana ,109 30 ,200(*) ,966 30 ,425
* This is a lower bound of the true significance.
a Lilliefors Significance Correction

 Minitab

Normal Probability Plot of the Residuals


(response is Harga)
99

95

90

80
70
Percent

60
50
40
30
20

10

1
-40 -30 -20 -10 0 10 20 30 40 50
Residual

Gambar 3.5 Normal P-P Plot Output Minitab Data Model Regresi Linier Sederhana

Analisis:

Program Studi Teknik Industri


Universitas Diponegoro
31
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

Untuk melakukan analisis regresi linier sederhana, data juga diharuskan


memenuhi asumsi klasik statistik normalitas. Mengetahui normalitas data dapat
dilakukan dengan cara membuat grafik normal melalui SPSS dan Minitab. Ketiganya
menghasilkan gambar yang sama dengan titik-titik nilai yang berada di sekitar garis
normal. Dari gambar kedua grafik normal di atas, dapat disimpulkan bahwa data model
untuk regresi linier sederhana ini memenuhi asumsi normalitas.

3. Uji Heteroskesdastisitas

Program Studi Teknik Industri


Universitas Diponegoro
32
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

 SPSS

Regression Standardized
Predicted Value

Scatterplot

Dependent Variable: Harga

2.5

2.0

1.5

1.0

0.5

0.0

-0.5

-1.0

-2 0 2

Regression Studentized Residual

Gambar 3.6 Scatter Plot Uji Heteroskesdastisitas Output SPSS Data Model Regresi Linier
Sederhana

Analisis:

Program Studi Teknik Industri


Universitas Diponegoro
33
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

Untuk melakukan analisis regresi linier sederhana, data juga diharuskan


memenuhi asumsi klasik statistik heteroskesdastisitas. Mengetahui data tersebut
heteroskesdastisitas atau homoskesdastisitas dapat dilakukan dengan cara membuat
scatter plot melalui SPSS. Dalam scatter plot terlihat bahwa data menyebar tidak
beraturan. Apabila data tidak beraturan dan tidak membentuk pola tertentu, maka data
tersebut merupakan data yang homoskesdastisitas. Suatu model regresi yang baik harus
memenuhi asumsi homoskesdastisitas. Dari scatter plot di atas, dapat disimpulkan
bahwa data model untuk regresi linier sederhana ini lolos uji heteroskesdastisitas.

4. Uji Autokorelasi

 SPSS

Tabel 3.3 Model Summary Data Model Regresi Linier Sederhana

Model Summary(b)

Adjusted R Std. Error of


Model R R Square Square the Estimate Durbin-Watson
1 ,993(a) ,985 ,985 18,691 1,547
a Predictors: (Constant), Kapasitas
b Dependent Variable: Harga

 Minitab

Durbin-Watson statistic = 1,54715

Analisis:

Untuk melakukan analisis regresi linier sederhana, data juga diharuskan


memenuhi asumsi klasik statistik autokorelasi. Mengetahui apakah data memenuhi
asumsi ini atau tidak digunakan uji Durbin-Watson dengan menggunakan SPSS dan
Minitab. Nilai Durbin-Watson adalah 1,547 dan memenuhi syarat untuk lolos uji

Program Studi Teknik Industri


Universitas Diponegoro
34
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

autokorelasi. Dari hasil uji di atas, dapat disimpulkan bahwa data model untuk regresi
linier sederhana ini lolos uji autokorelasi.

3.1.1.2 Korelasi

1. Koefisien Korelasi Pearson

- SPSS

Tabel 3.4 Correlations Data Model Regresi Linier Sederhana

Correlations

Kapasitas Harga
Kapasitas Pearson Correlation 1 ,993(**)
Sig. (2-tailed) ,000
N 30 30
Harga Pearson Correlation ,993(**) 1
Sig. (2-tailed) ,000
N 30 30
** Correlation is significant at the 0.01 level (2-tailed).

Tabel 3.5 Coefficients Data Model Regresi Linier Sederhana

Coefficients(a)

Standardize
Unstandardized d 95% Confidence Collinearity
Model Coefficients Coefficients t Sig. Interval for B Statistics
Std. Lower Upper
B Error Beta Bound Bound Tolerance VIF
1 (Constant) 30,196 4,894 6,169 ,000 20,170 40,222
Kapasitas 29,994 ,697 ,993 43,028 ,000 28,566 31,422 1,000 1,00

Program Studi Teknik Industri


Universitas Diponegoro
35
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

0
a Dependent Variable: Harga

- Minitab

Pearson correlation of Kapasitas and Harga = 0,993


P-Value = 0,000

- Excel

Kapasit
as Harga
Kapasit
as 1
0,9929
Harga 92 1

• Perhitungan

Ukuran hubungan linier ρ antara dua peubah bebas x dan peubah terikat y
ditaksir dengan koefisien korelasi terok, r dengan
2
 n 
n

∑ yt 

Jyy = ∑t =1
 t =1
yt 2 − 
n

 =1641243 −
29539225
30
=656602 ,17

Program Studi Teknik Industri


Universitas Diponegoro
36
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

2
 n 
n

 ∑ xt 


 t =1
 
 22801
Jxx = xt 2 − =1479 − = 718 ,97
n 30
t =1

 n  n 
n

 ∑ ∑
xt 

yt 

(151 )(5435 )
Jxy = ∑
t =1
 t =1
xt yt − 


n
 t =1 
 = 48921 −
30
= 21564 ,833

J xx J xy 21564 ,833
r =b = = = 0,993
J xy J xx J yy ( 718 ,97 )( 656602 ,17 )

Dari perhitungan manual, SPSS, minitab, dan excel, nilai r yang diperoleh sama,
yaitu r = 0,993.

• Uji Hipotesis 1

1. Ho : ρ = 0
2. H1 : ρ ≠ 0
3. Taraf keberartian α = 0,05
4. Daerah kritis dengan derajat kebebasan v = 28, t > 2,048 dan t < -2,048
5. Perhitungan
r n −2 0,993 28
t = = =44 ,4862
2
1 −r 1 −0,993 2

6. Keputusan : Tolak Ho karena t-hitung berada pada daerah kritis.


7. Kesimpulan : Terdapat hubungan linear antara nilai kapasitas dan harga.

• Uji Hipotesis 2

1. Ho : ρ = 0.9

2. H1 : ρ> 0,9

3. Taraf keberartian α = 0,05

Program Studi Teknik Industri


Universitas Diponegoro
37
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

4. Daerah kritis : z < -1,96 dan z > 1,96


5. Perhitungan
n − 3  (1 + r )(1 − ρ0 ) 
z= ln  
2  (1 − r )(1 + ρ0 ) 

30 − 3 (1 + 0,993 )(1 − 0,9)   0,1993 


z= ln   = 2,598 ln 
 0,0133 
 = 7,0329
2  (1 − 0,993 )(1 + 0,9 )   

6. Kesputusan : Tolak Ho karena z-hitung berada didaerah kritis.


7. Kesimpulan : Ada petunjuk yang jelas bahwa koefisien korelasi
melebihi 0,9.

2. Koefisien Determinasi

Tabel 3.6 Model Summary SPSS Data Model Regresi Linier Sederhana

Model Summary(b)

Adjusted R Std. Error of


Model R R Square Square the Estimate Durbin-Watson
1 ,993(a) ,985 ,985 18,691 1,547
a Predictors: (Constant), Kapasitas
b Dependent Variable: Harga

• Perhitungan

Nilai koefisien penentu terok r2 adalah kuadrat dari nilai koefisien korelasi r dan
diberikan dengan rumusan sebagai berikut :

J 2 XY 0,993 2
r2 = Jxx .Jyy
=
(656602 ,17 )( 718 ,97 )
=0,985

Analisis:

Program Studi Teknik Industri


Universitas Diponegoro
38
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

Analisis korelasi digunakan untuk mengukur tingkat keeratan hubungan antara


dua variabel, yaitu variabel dependen (y) dalam ini adalah harga media penyimpanan
dan variabel bebas (x) yang merupakan kapasitas media penyimpanan dengan
menggunakan suatu bilangan yang disebut koefisien korelasi. Nilai r yang didapat dari
SPSS, Minitab, Excel, dan manual mendapat nilai yang sama yaitu 0,993. Dilakukan uji
hipotesis pertama yang berhubungan dengan nilai t, dari uji tersebut didapatkan
kesimpulan bahwa terdapat hubungan linier antara variabel dependen dan variabel bebas
(independen). Sedangkan pada uji hipotesis kedua yang berhubungan dengan nilai z
didapatkan kesimpulan bahwa ada petunjuk yang jelas bahwa koefisien korelasi
melebihi 0,9. Dengan demikian, dari kedua uji hipotesis di atas dapat disimpulkan
bahwa belum terdapat hubungan linear antara kapasitas media penyimpanan (x) dengan
harga media penyimpanan (y).

Dari perhitungan SPSS dan manual, didapatkan nilai r2 yang sama, yaitu 0,985
yang menandakan bahwa 98,5 % variansi dari nilai y (harga media penyimpanan)
disebabkan oleh hubungan linear dengan x (kapasitas media penyimpanan).

3.1.1.3 Regresi Linier Sederhana

- SPSS

Tabel 3.7 Coefficients Output SPSS Data Model Regresi Linier Sederhana

Coefficients(a)

Standardize
Unstandardized d 95% Confidence Collinearity
Model Coefficients Coefficients t Sig. Interval for B Statistics
Std. Lower Upper
B Error Beta Bound Bound Tolerance VIF
1 (Constant) 30,196 4,894 6,169 ,000 20,170 40,222
Kapasitas 1,00
29,994 ,697 ,993 43,028 ,000 28,566 31,422 1,000
0
a Dependent Variable: Harga

Program Studi Teknik Industri


Universitas Diponegoro
39
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

Tabel 3.8 Anova Data Model Regresi Linier Sederhana

ANOVA(b)

Sum of
Model Squares df Mean Square F Sig.
1 Regression 646820,02
1 646820,024 1851,431 ,000(a)
4
Residual 9782,143 28 349,362
Total 656602,16
29
7
a Predictors: (Constant), Kapasitas
b Dependent Variable: Harga

- Minitab

The regression equation is


Harga = 30,2 + 30,0 Kapasitas

Predictor Coef SE Coef T P


Constant 30,196 4,894 6,17 0,000
Kapasitas 29,9942 0,6971 43,03 0,000

S = 18,6912 R-Sq = 98,5% R-Sq(adj) = 98,5%

PRESS = 11005,4 R-Sq(pred) = 98,32%

Analysis of Variance

Source DF SS MS F P
Regression 1 646820 646820 1851,43 0,000

Program Studi Teknik Industri


Universitas Diponegoro
40
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

Residual Error 28 9782 349


Total 29 656602

- Microsoft Excel

SUMMARY OUTPUT

Regression Statistics
Multiple R 0,992992
R Square 0,986032
Adjusted R
Square 0,985515
Standard
Error 18,38439
Observations 29

ANOVA
Significanc
Df SS MS F eF
644213, 644213, 1906,03
Regression 1 1 1 5 1,39E-26
9125,62
Residual 27 1 337,986
653338,
Total 28 7

Coefficient Standar Upper Lower Upper


s d Error t Stat P-value Lower 95% 95% 95,0% 95,0%
4,87362 41,2537 21,2540 41,2537
Intercept 31,25387 4 6,41286 7,18E-07 21,25402 2 2 2
0,68616 43,6581 31,3646 28,5488 31,3646
X Variable 1 29,95672 5 6 1,39E-26 28,54883 2 3 2

Program Studi Teknik Industri


Universitas Diponegoro
41
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

1. Slop

Nilai b yang ditaksir dari rumus adalah:


n  n  n 
n ∑ xi . yi − 


∑ ∑ xi 

yi 

b=
i =1  i =1  
 i =1  
2
n  n 
n ∑ xi − 
2
 ∑ xi 
 i =1 

i =1  
30 ( 48921 ) − (151 )( 5435 )
b=
2
30 (1479 ) − (151 )
646945
b= = 29 ,994
21569

Dari perhitungan manual dan output SPSS pada tabel Coefficients didapat nilai slop
yang sama yaitu 29,994.

2. Intersep

Nilai a yang ditaksir dari rumus:


n n

∑ yi − b ∑xi
a = i =1 i =1
n
5435 − ( 29 ,994 )(151 )
a=
30
905 ,906
a= = 30 ,196
30

Dari perhitungan manual dan output SPSS pada tabel Coefficients didapat nilai intersep
yang sama, yaitu 30,196.

3. Persamaan Garis Regresi

Program Studi Teknik Industri


Universitas Diponegoro
42
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

Persamaan garis regresinya yaitu


a = 30,196
b = 29,994

Model: yˆ = a + bx
ˆ =30 ,196 +29 ,994 x
y

Dari persamaan tersebut dapat dikatakan bahwa :

• Nilai konstanta a adalah 30,196 hal ini berarti bahwa nilai dari harga media
penyimpanan tidak hanya dipengaruhi besarnya kapasitas media penyimpanan
tersebut tetapi juga terdapat nilai konstan.
• Koefisien regresi x sebesar 29,994 menyatakan bahwa setiap penambahan harga
media penyimpanan, maka nilai kapasitas media penyimpanan juga akan
mengalami penambahan nilai sebesar 29,994.

4. Pengujian Garis Regresi

Penilaian baik tidaknya taksiran garis regresi dilakukan melalui pendekatan


analisis variansi. Ini suatu cara kerja yang membagi keseluruhan jumlah variansi peubah
tak bebas atas komponen yang jelas tafsirannya kemudian diamati dan diolah secara
sistematik. Kesalahan dalam taksiran garis regresi dapat terjadi karena dua faktor yaitu:
a. Galat yang diakibatkan oleh faktor random
b. Pemilihan model atau kesalahan regresi

Persamaan garis regresinya adalah:


ˆ =30 ,196 +29 ,994 x
y

Pengujian Hipotesa Kecocokkan Model


1. Ho: Tidak ada hubungan linier antara x dan y (β =0)

2. H1: Ada hubungan linier antara x dan y (β ≠ 0)


3. Taraf keberartian α = 0,1

Program Studi Teknik Industri


Universitas Diponegoro
43
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

4. Daerah kritis f < -f(α /2;1,n-2) dan f > f(α /2;1,n-2) dari tabel L.6 didapat f < -4,2
dan f > 4,2 dengan n = 30 dan derajat kebebasan v1 = 1 dan v2 = n-2 = 28
5. Perhitungan : Didapat dari pengolahan data SPSS Tabel Anova sebagai berikut:

Tabel 3.9 Anova Dari Output SPSS Data Model Regresi Linier Sederhana

Sumber variasi Jumlah Kuadrat Derajat kebebasan Rataan Kuadrat F Hitung


Regresi 646820 1 646820,024 1851,431
Galat 9782,143 28 349,362
Total 656602,2 29

6. Keputusan : Tolak H0, karena nilai F hitung = 1851,431 berada di dalam


daerah kritis.
7. Kesimpulan : Ada hubungan linier antara kapasitas media penyimpanan
dengan harga.

Analisis :
Pemilihan model regresi dapat dilakukan dengan menggunakan uji f. Uji f
merupakan suatu pengujian yang digunakan untuk mengetahui apakah variabel
independen (kapasitas media penyimpanan) yang dimasukkan dalam model mempunyai
pengaruh terhadap variabel dependen (harga media penyimpanan). Hasil perhitungan
menunjukkan bahwa H0 ditolak karena nilai f-hitung berada di dalam daerah kritis
sehingga besarnya kapasitas banyak berpengaruh terhadap harga media penyimpanan
tersebut. Dengan demikian, dapat disimpulkan bahwa model regresi sudah dapat dipakai
untuk memprediksi variable dependen.

Program Studi Teknik Industri


Universitas Diponegoro
44
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

3.1.1.4 Kesalahan Baku

1. Taksiran Kesalahan Baku dari Regresi Linier Sederhana

∑ei ² Jyy −b ² Jxx


2
656602 ,17 −( 29 ,994 ) (718 ,97 ) 9787 ,97
Se ² = i =1 = = = =349 ,
n −2 n −2 30 − 2 28

2. Taksiran Kesalahan Baku dari Parameter Regresi Linier

Sederhana

 1 ( x)² 
Sa ² = Se ² 
 n + Jxx 
 

1 5,03 2 
=349 ,57  + 
30 718 ,97 
 

= 23,954

 Se ² 
Sb ² =  
 Jxx 

= 0,486

3.1.15 Selang Kepercayaan

Taksiran tak bias untuk S2 adalah


2 JKG J yy − b.J xy 656602 ,17 − ( 29 ,994 )( 21564 ,833 ) 9786 ,569
S = = = = = 349 ,520
n −2 n −2 30 − 2 28

Dari perhitungan manual, nilai S2 yang diperoleh adalah 349,520 sedangkan data
output SPSS pada tabel Anova diperoleh nilai S2 = 349,362 dan output minitab nilai

Program Studi Teknik Industri


Universitas Diponegoro
45
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

S2=349. Perbedaan nilai pada perhitungan manual dan SPSS sedikit berbeda, hal ini
dikarenakan perbedaan tingkat ketelitian yang digunakan antara SPSS, minitab, dan
manual.
S = S 2 = 349 ,520 =18 ,695

1. Selang Kepercayaan Slop

Suatu selang kepercayaan sebesar (1-0,05).100% atau 95% untuk parameter α


dalam persamaan regresi µ Y| X = α + β x diberikan sebagai
tα .s tα .s
b− 2
< β < b+ 2

J xx J xx

dimana dalam rumus ini t(β /2,n-2) menyatakan nilai distribusi-t dengan derajat
kebebasan adalah n-2.
2,048 .18 ,695 2,048 .18 ,695
29 ,994 − < β <29 ,994 +
718 ,97 718 ,97
28 ,566 < β <31 ,422

Dari hasil pengolahan data secara manual dan output SPSS pada Tabel
Coefficients diperoleh hasil yang sama yaitu
28,566 < β < 31,422

2. Selang Kepercayaan Intersep

Suatu selang kepercayaan sebesar (1-0,05).100% atau 95% untuk parameter α


dalam persamaan regresi µ Y| X = α + β x diberikan sebagai
n n
tα .s
2
∑ xi 2
i =1
tα .s
2
∑ xi
i =1
2

a− <α < a+
n.J xx n.J xx

Program Studi Teknik Industri


Universitas Diponegoro
46
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

dimana dalam rumus ini t(α /2,n-2) menyatakan nilai distribusi-t dengan derajat
kebebasan adalah n-2.
2,048 .18 ,695 1479 2,048 .18 ,695 1479
30 ,196 − <α <30 ,196 +
30 .718 ,97 30 .718 ,97
20 ,170 <a <40 ,222

Dari hasil pengolahan data secara manual dan output SPSS pada Tabel
Coefficients diperoleh hasil yang sama yaitu
20,170 < β < 40,222

3.1.1.6 Uji Hipotesis

1. Uji Hipotesis Slop

1. H0 :β =0
2. H1 :β ≠ 0
3. Pilih taraf keberartian 0,05
4. Daerah kritis : t(0,025;28) > 2,048 dan t(0,025;28) < -2,048
untuk derajat kebebasan v = 28
5. Nilai t-hitung
Untuk menguji hipotesis nol bahwa β = β 0 melawan tandingan yang
sesuai dengan persoalan, digunakan distribusi-t dengan derajat kebebasan n-2
untuk mendapatkan daerah kritis.
Sedangkan nilai t-hitung diperoleh dari rumus
b − β0 29,994 − 0 29,994
t= = = = 43,019
s 18,695 0,697
J XX 718,97

6. Keputusan : Tolak H0 karena nilai t-hitung berada diluar daerah kritis.


7. Kesimpulan : Parameter β ≠ 0

2. Uji Hipotesis Intersep

Program Studi Teknik Industri


Universitas Diponegoro
47
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

1. H0 :α =0
2. H1 :α ≠ 0
3. Pilih taraf keberartian 0,05
4. Daerah kritis : t(0,025;28) > 2,048 dan t(0,025;28) < -2,048 (Lihat tabel L-4)
untuk derajat kebebasan v = n – 2 = 30 – 2 = 28
5. Nilai t-hitung
Untuk menguji hipotesis nol bahwa α = α 0 melawan tandingan yang
sesuai dengan persoalan, digunakan distribusi-t dengan derajat kebebasan n-2
untuk mendapatkan daerah kritis.
Sedangkan nilai t-hitung diperoleh dari rumus

α − α0 30 ,196 − 0 30 ,196
t= = = = 6,169
n 18 ,695 1479 4,895
∑xi
i =1
2 30 .718 ,97

s
n.J xx

6. Keputusan : Tolak Ho karena t-hitung berada di luar daerah kritis


7. Kesimpulan : parameter α ≠ 0

3.1.2 Data Validasi

Untuk data validasi pada analisis korelasi dan regresi linier sederhana,
digunakan 30 data lainnya dalam data yang sama, yaitu harga media penyimpanan
berdasarkan kapasitasnya. Sebagai variabel dependen adalah harga dari media
penyimpanan, sedangkan kapasitas sebagai variabel independen.

Program Studi Teknik Industri


Universitas Diponegoro
48
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

Tabel 3.10 Data Validasi Regresi Linier Sederhana

Kapasitas Media Harga


No Penyimpanan (ribu
(gigabyte) rupiah)
1 2 147
2 2 57
3 4 89
4 1 67
5 2 69
6 4 97
7 8 162
8 1 67
9 2 74
10 1 72
11 2 76
12 1 64
13 2 70
14 2 114
15 1 78
16 2 96
17 4 165
18 1 66
19 2 75
20 4 100
21 8 192
22 1 89
23 2 117
24 1 61
25 2 66
26 1 48
27 1 50
28 2 50
29 2 52
30 4 82

Program Studi Teknik Industri


Universitas Diponegoro
49
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

3.1.2.1 Korelasi

- SPSS

Tabel 3.11 Correlations Data Validasi Regresi Linier Sederhana

Correlations

Kapasitas Harga
Kapasitas Pearson Correlation 1 ,762(**)
Sig. (2-tailed) ,000
N 30 30
Harga Pearson Correlation ,762(**) 1
Sig. (2-tailed) ,000
N 30 30
** Correlation is significant at the 0.01 level (2-tailed).

- Minitab

Correlations: Kapasitas; Harga

Pearson correlation of Kapasitas and Harga = 0,762


P-Value = 0,000

- Microsoft Excel

Kapasit
as Harga
Kapasit
as 1
0,7620
Harga 83 1

Program Studi Teknik Industri


Universitas Diponegoro
50
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

Analisis:

Analisis korelasi juga dilakukan pada 30 data lainnya untuk melakukan validasi.
Nilai r yang didapat dari SPSS, Minitab, dan Excel mendapat nilai yang sama yaitu
0,762.

3.1.2.2 Regresi Linier Sederhana

- SPSS

Tabel 3.12 Model Summary Data Validasi Regresi Linier Sederhana

Model Summary(b)

Adjusted R Std. Error of


Model R R Square Square the Estimate Durbin-Watson
1 ,762(a) ,581 ,566 24,155 1,186
a Predictors: (Constant), Kapasitas
b Dependent Variable: Harga

Tabel 3.13 Anova Data Validasi Regresi Linier Sederhana

ANOVA(b)

Sum of
Model Squares df Mean Square F Sig.
1 Regression 22632,533 1 22632,533 38,789 ,000(a)
Residual 16337,333 28 583,476
Total 38969,867 29
a Predictors: (Constant), Kapasitas
b Dependent Variable: Harga

Program Studi Teknik Industri


Universitas Diponegoro
51
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

Tabel 3.14 Coefficients Data Validasi Regresi Linier Sederhana

Coefficients(a)

Unstandardized Standardized
Coefficients Coefficients

Model B Std. Error Beta t Sig.


1 (Constant) 50,444 7,350 6,863 ,000
Kapasitas 15,259 2,450 ,762 6,228 ,000
a Dependent Variable: Harga

- Minitab

Regression Analysis: Harga versus Kapasitas

The regression equation is


Harga = 50,4 + 15,3 Kapasitas

Predictor Coef SE Coef T P


Constant 50,444 7,350 6,86 0,000
Kapasitas 15,259 2,450 6,23 0,000

S = 24,1553 R-Sq = 58,1% R-Sq(adj) = 56,6%

PRESS = 18516,4 R-Sq(pred) = 52,49%

Analysis of Variance

Source DF SS MS F P
Regression 1 22633 22633 38,79 0,000
Residual Error 28 16337 583
Total 29 38970

Unusual Observations

Program Studi Teknik Industri


Universitas Diponegoro
52
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

Obs Kapasitas Harga Fit SE Fit Residual St Resid


1 2,00 147,00 80,96 4,52 66,04 2,78R
7 8,00 162,00 172,52 14,41 -10,52 -0,54 X
17 4,00 165,00 111,48 5,90 53,52 2,28R
21 8,00 192,00 172,52 14,41 19,48 1,00 X

R denotes an observation with a large standardized residual.


X denotes an observation whose X value gives it large influence.

- Microsoft Excel

SUMMARY OUTPUT

Regression Statistics
Multiple R 0,762083
R Square 0,58077
Adjusted R
Square 0,565798
Standard
Error 24,15525
Observations 30

ANOVA
Significanc
Df SS MS F eF
22632,5 22632,5 38,7891
Regression 1 3 3 3 9,93E-07
16337,3 583,476
Residual 28 3 2
38969,8
Total 29 7

Coefficient Standar Upper Lower Upper


s d Error t Stat P-value Lower 95% 95% 95,0% 95,0%
7,35020 6,86299 65,5006 65,5006
Intercept 50,44444 9 5 1,86E-07 35,38822 6 35,38822 6
6,22809
X Variable 1 15,25926 2,45007 2 9,93E-07 10,24052 20,278 10,24052 20,278

Program Studi Teknik Industri


Universitas Diponegoro
53
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

Analisis :

Dari output SPSS, minitab, dan microsoft excel didapatkan persamaan garis regresi
pada data validasi yang sama, yaitu y = 50,4 + 15,3 x. Persamaan ini memiliki nilai
intersep dan slop yang berbeda cukup jauh dengan persamaan garis regresi pada data
model.

3.1.2.3 Kesalahan Baku

2
 n 
n

 ∑ yt 

Jyy = ∑
t =1
 t =1
yt 2 − 
n

 = 266388 −
6822544
30
= 38969 ,87

2
 n 
n

∑ xt 


 t =1  5184
xt 2 − 

Jxx = = 270 − =97 ,2
n 30
t =1

 n  n 

n

 ∑ ∑
x t 

yt 

(72 )( 2612 )

 t =1
 

 t =1 

Jxy = xt y t − = 7752 − =1483 ,2
n 30
t =1

1. Taksiran Kesalahan Baku dari Regresi Linier Sederhana

∑ei ² Jyy −b ² Jxx 38969 ,87 −(15 ,23 ) 2 (97 ,2) 16424 ,048
Se ² = i =1 = = = = 586 ,57
n −2 n −2 30 −2 28

2. Taksiran Kesalahan Baku dari Parameter Regresi Linier

Program Studi Teknik Industri


Universitas Diponegoro
54
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

Sederhana

 1 ( x)² 
Sa ² = Se ² 
 n + Jxx 
 

1 2, 4
2 
=586 ,57  + 
30 97 ,2 
 

= 54,312

 Se ² 
Sb ² =  
 Jxx 

= 6,035

3.1.3 Validasi

Tabel 3.15 Uji Validasi Regresi Linier Sederhana


Model Validasi
Persamaan Garis Regresi Y =30,196+29,994x Y =50,444+15,259x
σα 4,894 7,350
σβ 0,697 2,450
R 0,993 0,762
σR 18,691 24,155
R2 0,985 0,581

 Uji Koefisien σ α

1. Ho : kedua model valid (σ 1


2
=σ 2
2
)

Program Studi Teknik Industri


Universitas Diponegoro
55
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

2. H1 : kedua model tidak valid (σ 1


2
≠ σ 2
2
)
3. Taraf keberartian = 0,1
4. Daerah kritis : dimana v1 = n1 – 1 dan v2 = n2 + 1, v1 = 29 dan v2 = 31
f0,05(29,31) = 1,858
1
f0,95(29,31) = f = 0,538
0 , 05 ( 29 ,31 )

σ 12
Jadi, hipotesis nol ditolak jika f < 0,538 dan f > 1,858 untuk f = 2 ,
σ2
dengan derajat kebebasan v1 = 29 dan v2 = 31
5. Perhitungan :σ 1
2
= 23,951 dan σ 2
2
= 54,0225

σ 12 23 ,951
Maka nilai f = 2 = = 0,443
σ2 54 ,0225

6. Keputusan : Tolak H0 karena nilai f-hitung berada di daerah kritis dan


simpulkan bahwa kedua model tidak valid.
7. Kesimpulan : kedua model tidak valid (σ 1
2
≠ σ 2
2
)

 Uji Koefisien σ β

1. Ho : kedua model valid (σ 1


2
=σ 2
2
)
2. H1 : kedua model tidak valid (σ 1
2
≠ σ 2
2
)
3. Taraf keberartian = 0,1
4. Daerah kritis : dimana v1 = n1 – 1 dan v2 = n2 + 1, v1 = 29 dan v2 = 31
f0,05(29,31) = 1,858
1
f0,95(29,31) = f = 0,538
0 , 05 ( 29 ,31 )

σ 12
Jadi, hipotesis nol ditolak jika f < 0,54 dan f > 1,84 untuk f = 2 , dengan
σ2
derajat kebebasan v1 = 29 dan v2 = 31
5. Perhitungan :σ 1
2
= 0,486 dan σ 2
2
= 6,0025

Program Studi Teknik Industri


Universitas Diponegoro
56
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

σ 12 0,486
Maka nilai f = 2 = = 0,081
σ2 6,0025

6. Keputusan : Tolak H0 karena nilai f-hitung berada di daerah kritis dan


simpulkan bahwa kedua model tidak valid.
7. Kesimpulan : kedua model tidak valid (σ 1
2
≠ σ 2
2
)

 Uji Koefisien σ R

1. Ho : kedua model valid (σ 1


2
=σ 2
2
)
2. H1 : kedua model tidak valid (σ 1
2
≠ σ 2
2
)
3. Taraf keberartian = 0,1
4. Daerah kritis : dimana v1 = n1 – 1 dan v2 = n2 + 1, v1 = 29 dan v2 = 31
f0,05(29,31) = 1.858
1
f0,95(29,31) = f = 0,538
0 , 05 ( 29 ,31 )

σ 12
Jadi, hipotesis nol ditolak jika f < 0,54 dan f > 1,84 untuk f = 2 , dengan
σ2
derajat kebebasan v1 = 29 dan v2 = 31
5. Perhitungan :σ 1
2
= 349,353 dan σ 2
2
= 583,464

σ 12 349 ,353
Maka nilai f = 2 = =0,598
σ2 583 ,464

6. Keputusan: Terima Ho karena nilai f hitung berada diluar daerah kritis


sehingga kedua data tersebut valid.
7. Kesimpulan : Kedua model valid (σ 1
2
=σ 2
2
)
Analisis :

• Uji Koefisien α
2
Dengan menggunakan uji hipotesis bahwa Ho : kedua model valid (σ 1 =
σ 2
2
) sedangkan H1 : kedua model tidak valid (σ 1
2
≠ σ 2
2
). Daerah kritis
terjadi bila f < 0,538 atau f > 1,858. Hasil perhitungan menunjukkan bahwa

Program Studi Teknik Industri


Universitas Diponegoro
57
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

Ho diterima dengan nilai f (perbandingan antara σ 12 dengan σ 22 ) sebesar


0,443 berada di daerah kritis. Sehingga variansi α model tidak sama dengan
variansi α validasi, dan konstanta α model tersebut adalah tidak valid.

• Uji Koefisien β
2
Dengan menggunakan uji hipotesis bahwa Ho : kedua model valid (σ 1 =
σ 2
2
) sedangkan H1 : kedua model tidak valid (σ 1
2
≠ σ 2
2
). Daerah kritis
terjadi bila f < 0,54 atau f > 1,84. Hasil perhitungan menunjukkan bahwa Ho

diterima dengan nilai f (perbandingan antara σ 12 dengan σ 22 ) sebesar 0,081

berada di daerah kritisnya. Sehingga variansi β model tidak sama dengan


variansi β validasi, dan konstanta β model tersebut adalah tidak valid.

• Uji Koefisien R
2
Dengan menggunakan uji hipotesis bahwa Ho : kedua model valid (σ 1 =
σ 2
2
) sedangkan H1 : kedua model tidak valid (σ 1
2
≠ σ 2
2
). Daerah kritis
terjadi bila f < 0,54 atau f > 1,84. Hasil perhitungan menunjukkan bahwa Ho

diterima dengan nilai f (perbandingan antara σ 12 dengan σ 22 ) sebesar 0,598


berada di luar daerah kritisnya. Sehingga variansi R model sama dengan
variansi R validasi, dan konstanta R model tersebut valid.

3.1.4 Prediksi (Ramalan)

Tabel 3.16 Descriptive Statistics Data Regresi Linier Sederhana

Descriptive Statistics

N Minimum Maximum Mean Std. Deviation


Kapasitas 30 1 16 5,03 4,979
Harga 30 55 525 181,17 150,471
Valid N (listwise) 30

Program Studi Teknik Industri


Universitas Diponegoro
58
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

3.1.4.1 Selang Prediksi Rata-Rata

Suatu selang kepercayaan (1–α ).100% atau 95% untuk rataan respon µ Y| X0

diberikan dengan rumus

1 X −X( )2 < µYΙX 0 < yˆo + 1 (


X −X )2
yˆ o −
t α .
2
.Se
n
+ 0
J xx t α
2
.Se
n
+ 0
J xx

dimana nilai t(α /2,n-2) adalah nilai distribusi-t dengan derajat kebebasan n-2.
Bila X0 adalah data variabel x pertama yaitu x0 = 4 ; X =5,03 (tabel
descriptive statistic); n = 30; Se = 18,697 maka nilai ŷ 0 sebagai berikut:
ˆ o =30 ,196 +29 ,994 ( 4)
y = 150,172
Dengan menggunakan tabel L4 diperoleh t0,025 = 2,048 untuk derajat kebebasan
v = 30 – 2 = 28
Dan ( x0 − x ) = (4-5,03)2 = 1,06
2

Jxx = 718,97
Jadi selang kepercayaan 95% untuk µ Y| X0 adalah :
1 1,06 1 1,06
150,172 −( 2,048 ×18 ,697 ) + < µYΙX 0 <150 ,172 +( 2,048 ×18 ,697 ) +
30 718 ,97 30 718 ,97

dan bila disederhanakan menjadi


143 ,056 < µYΙX 0 <157 ,316

3.1.4.2 Selang Prediksi Tunggal

Suatu selang prediksi (1-α ).100% atau 95% untuk respon y0 yang tunggal
diberikan dengan rumus sebagai berikut

1 (
X −X )2 1 X −X ( )2
yˆ o −
tα 2
.
.Se 1 +
n
+ 0
J xx
< y0 < yˆ o +
t
α
2
.Se 1 + + 0
n J xx

dimana nilai t(α /2,n-2) adalah nilai distribusi-t dengan derajat kebebasan n-2.

Program Studi Teknik Industri


Universitas Diponegoro
59
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

Bila X0 adalah data variabel x pertama yaitu x0 = 4 ; X =5,03 (tabel descriptive


statistic); n = 30; s = 18,697 (dari tabel model summary); maka nilai ŷ 0 sebagai
berikut:
ˆ o =30 ,196 +29 ,994 ( 4)
y = 150,172
Dengan menggunakan tabel L.4 diperoleh t0,025 = 2,048 untuk derajat kebebasan v = 30
– 2 = 28.
Jadi, selang prediksi 95% untuk y0 adalah
1 1,0609 1 1,0609
150 ,172 −( 2,048 ×18 ,697 ) 1 + + < yo <150 ,172 +( 2,048 ×18 ,697 ) 1 + +
30 718 ,97 30 718 ,97

dan bila disederhanakan menjadi


111 ,219 < y 0 <189 ,124

3.2 Regresi Linear Majemuk

3.2.1 Data Model

Tabel 3.17 Data Model Korelasi dan Regresi Linear Majemuk

No Sistole Umur BB IMT diastole


1 150 28 55 20,7 100
2 120 29 55 20,2 80
3 130 27 55 19,49 90
4 120 26 55 20,45 70
5 130 26 59 22,48 90
6 130 28 49 18,22 90
7 140 29 61 20,15 90
8 120 27 64 24,69 80
9 110 25 56 20,82 70
10 120 25 49 19,88 80
11 140 26 51 20,43 90
12 120 25 60 22,04 80
13 120 28 59 20,9 80
14 110 26 55 19,49 80
15 100 25 45 17,8 70
Lanjutan Tabel 3.17

Program Studi Teknik Industri


Universitas Diponegoro
60
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

16 120 26 55 20,25 80
17 120 25 55 18,59 80
18 100 27 55 19,96 70
19 130 28 50 18,59 90
20 150 26 53 21,5 100
21 120 25 51 19,67 80
22 140 25 53 19,23 90
23 110 25 54 19,83 70
24 120 26 55 23,19 80
25 120 25 45 18,03 90
26 130 25 45 17,36 100
27 110 25 54 19,83 70
28 120 25 48 19,23 80
29 140 25 54 19,36 100
30 130 26 51 18,73 90

3.2.1.1 Uji Asumsi

1. Uji Multikolinearitas

• SPSS

Tabel 3.18 Collinearity Statistics Data Model Regresi Linear Majemuk

Collinearity Statistics
Model Tolerance VIF
1 Umur ,756 1,322
BB ,325 3,074
IMT ,380 2,630
Diastole ,894 1,118

a Dependent Variable: Sistole

Tabel 3.19 Coefficient Correlations Data Model Regresi Linear Majemuk

Coefficient Correlations(a)

Model Diastole IMT Umur BB

Program Studi Teknik Industri


Universitas Diponegoro
61
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

1 Correlations Diastole 1,000 -,039 -,289 ,192


IMT -,039 1,000 ,208 -,772
Umur -,289 ,208 1,000 -,420
BB ,192 -,772 -,420 1,000
Covariances Diastole ,014 -,005 -,032 ,009
IMT -,005 1,165 ,210 -,337
Umur -,032 ,210 ,877 -,159
BB ,009 -,337 -,159 ,164
a Dependent Variable: Sistole

Tabel 3.20 Collinearity Diagnostics Data Model Regresi Linear Majemuk

Collinearity Diagnostics(a)

Variance Proportions
Mode Dimensio Eigenvalu Condition (Constan
l n e Index t) Umur BB IMT Diastole
1 1 4,980 1,000 ,00 ,00 ,00 ,00 ,00
2 ,014 18,769 ,00 ,00 ,03 ,02 ,53
3 ,004 37,535 ,13 ,17 ,06 ,12 ,44
4 ,002 52,715 ,23 ,14 ,45 ,37 ,02
5 ,001 75,548 ,64 ,69 ,46 ,48 ,01
a Dependent Variable: Sistole

Tabel 3.21 Residuals Statistics Data Model Regresi Linear Majemuk

Residuals Statistics(a)

Minimum Maximum Mean Std. Deviation N


Predicted Value 102,8926 145,1769 124,0000 11,59662 30
Std. Predicted Value -1,820 1,826 ,000 1,000 30
Standard Error of
1,166 3,271 2,273 ,557 30
Predicted Value

Program Studi Teknik Industri


Universitas Diponegoro
62
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

Adjusted Predicted Value 103,8971 144,0907 124,1329 11,60343 30


Residual -9,58860 11,71546 ,00000 5,31762 30
Std. Residual -1,674 2,046 ,000 ,928 30
Stud. Residual -1,742 2,161 -,010 1,014 30
Deleted Residual -11,41187 13,07419 -,13289 6,37161 30
Stud. Deleted Residual -1,821 2,348 -,008 1,050 30
Mahal. Distance ,236 8,493 3,867 2,283 30
Cook's Distance ,000 ,194 ,041 ,053 30
Centered Leverage Value ,008 ,293 ,133 ,079 30
a Dependent Variable: Sistole

Analisa :
Ho= tidak terjadi multikolinearitas

H1 = terjadi multikolinearitas

Daerah kritis: VIF < 5

Keputusan: VIF < 5, terima Ho

Kesimpulan: data tidak terjadi gejala multikolinearitas

• Minitab

Predictor Coef SE Coef T P VIF


Constant -16,46 24,70 -0,67 0,511
C2 0,3190 0,9363 0,34 0,736 1,3
C3 0,3090 0,4047 0,76 0,452 3,1
C4 0,748 1,079 0,69 0,494 2,6
C5 1,2022 0,1166 10,31 0,000 1,1

S = 5,72725 R-Sq = 82,6% R-Sq(adj) = 79,8%

PRESS = 1177,86 R-Sq(pred) = 75,05%

Analisa :

Program Studi Teknik Industri


Universitas Diponegoro
63
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

Ho= tidak terjadi multikolinearitas

H1 = terjadi multikolinearitas

Daerah kritis: VIF > 10

Keputusan: VIF < 10, terima Ho

Kesimpulan: data tidak terjadi gejala multikolinearitas

2. Uji Normalitas

• SPSS

Kolmogrov Smirnov

Ho : Data berdistribusi normal

H1 : Data tidak berdistribusi normal

Daerah kritis: apabila plot mendekati garis maka distribusi normal

Program Studi Teknik Industri


Universitas Diponegoro
64
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

Normal P-P Plot of Regression Standardized Residual

Dependent Variable: VAR00001

1.0

0.8

0.6
Expected Cum Prob

0.4

0.2

0.0
0.0 0.2 0.4 0.6 0.8 1.0

Observed Cum Prob

Gambar 3.7 Normal Plot Data SPSS Model Regresi Linear Majemuk

Keputusan : Terima Ho
Kesimpulan : Data berdistribusi normal

• Minitab

Kolmogrov Smirnov

Ho : Data berdistribusi normal

Program Studi Teknik Industri


Universitas Diponegoro
65
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

H1 : Data tidak berdistribusi normal

Daerah kritis: KS < 2,42

Normal Probability Plot of the Residuals


(response is C1)
99

95

90

80
70
60
Percent

50
40
30
20

10

1
-15 -10 -5 0 5 10
Residual

Gambar 3.8 Normal Plot Data Minitab Model Regresi Linear Majemuk

Keputusan : Terima Ho karena KS > 2,42


Kesimpulan : Data berdistribusi normal

3. Uji Heteroskesdastisitas

• SPSS

Program Studi Teknik Industri


Universitas Diponegoro
66
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

Scatterplot

Dependent Variable: Sistole

1
Regression Studentized Residual

-1

-2

-2 0 2

Regression Standardized Predicted Value

Gambar 3.9 Scatter Plot Data Model Regresi Linear Majemuk

Kesimpulan:
Dari gambar tersebut terlihat bahwa penyebaran residual tidak teratur. Hal
tersebut dapat dilihat pada plot yang terpencar dan tidak membentuk pola
tertentu. Dengan hasil demikian, tidak terjadi gejala heteroskedastisitas atau
persamaan regresi memenuhi asumsi homoskedastisitas.

Program Studi Teknik Industri


Universitas Diponegoro
67
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

4. Uji Autokorelasi

• SPSS

Ho : Model regresi tidak terjadi autokorelasi


H1 : Model regresi terjadi auto korelasi
α = 0.05
Daerah kritis, 1.14>DW>2.86

Model Durbin-Watson
1 1,924(a)

Keputusan : Ho diterima, berdasarkan hasil pengolahan data


SPSS diperoleh nilai DW 1,924>1.14 dan
1,924<2.86
Kesimpulan : Model regresi tidak terjadi autokorelasi

• Minitab

Ho : Model regresi tidak terjadi autokorelasi


H1 : Model regresi terjadi auto korelasi
α = 0.05
Daerah kritis, 1.14>DW>2.86

Durbin-Watson statistic = 1,92399

Program Studi Teknik Industri


Universitas Diponegoro
68
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

Keputusan : Ho diterima, berdasarkan hasil pengolahan


data Minitab diperoleh nilai DW 1,924>1.14
dan 1,924<2.86
Kesimpulan : Model regresi tidak terjadi autokorelasi

3.2.1.2 Korelasi

1. Perhitungan Koefisien Korelasi

• Minitab

The regression equation is


sistole = - 16,5 + 0,319 umur + 0,309 BB + 0,75 IMT + 1,20
diastole

Predictor Coef SE Coef T P VIF


Constant -16,46 24,70 -0,67 0,511
umur 0,3190 0,9363 0,34 0,736 1,3
BB 0,3090 0,4047 0,76 0,452 3,1
IMT 0,748 1,079 0,69 0,494 2,6
diastole 1,2022 0,1166 10,31 0,000 1,1

• SPSS

Tabel 3.22 Correlations Data Model Regresi Linear Majemuk

Correlations

BB IMT Diastole Sistole Umur


BB Pearson Correlation 1 ,776(**) -,154 ,056 ,372(*)
Sig. (2-tailed) ,000 ,416 ,768 ,043
N 30 30 30 30 30
IMT Pearson Correlation ,776(**) 1 -,134 ,064 ,168
Sig. (2-tailed) ,000 ,481 ,736 ,375
N 30 30 30 30 30
Diastole Pearson Correlation -,154 -,134 1 ,886(**) ,206
Sig. (2-tailed) ,416 ,481 ,000 ,274

Program Studi Teknik Industri


Universitas Diponegoro
69
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

N 30 30 30 30 30
Sistole Pearson Correlation ,056 ,064 ,886(**) 1 ,277
Sig. (2-tailed) ,768 ,736 ,000 ,138
N 30 30 30 30 30
Umur Pearson Correlation ,372(*) ,168 ,206 ,277 1
Sig. (2-tailed) ,043 ,375 ,274 ,138
N 30 30 30 30 30
** Correlation is significant at the 0.01 level (2-tailed).
* Correlation is significant at the 0.05 level (2-tailed).

• Perhitungan :

1. Koefisien Korelasi Pearson X1.Y

2. Koefisien Korelasi Pearson X2.Y

3. Koefisien Korelasi Pearson X3.Y

4. Koefisien Korelasi Pearson X4.Y

Program Studi Teknik Industri


Universitas Diponegoro
70
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

5. Koefisien Korelasi Pearson X1. X2

6. Koefisien Korelasi Pearson X1. X3

7. Koefisien Korelasi Pearson X1. X4

8. Koefisien Korelasi Pearson X2. X3

9. Koefisien Korelasi Pearson X2. X4

Program Studi Teknik Industri


Universitas Diponegoro
71
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

10. Koefisien Korelasi Pearson X3. X4

a. Uji Hipotesis

1. JKG = JKT – JKR

s2 =

= 16,348

• Uji Hipotesis 1

Ho : ρ = 0
H1 : ρ ≠ 0
Taraf keberartian α =0.05

Daerah kritis t > 2,048 dan t < -2.048


Perhitungan :

Program Studi Teknik Industri


Universitas Diponegoro
72
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

= -0,025
Kesimpulan : Terima Ho dan nilai tidak berada pada daerah kritis,
ρ=0

• Uji Hipotesis 2

Ho : ρ = 0.9
H1 : ρ < 0.9
Taraf keberartian α =0.05

Daerah kritis t < -2.048 dan t > 2.048


Perhitungan :

= 5,177
Kesimpulan : tolak Ho dan nilai berada pada daerah kritis, ρ < 0.9

2. Koefisien Determinasi

• SPSS

Tabel 3.23Model Summary Data Model Regresi Linear Majemuk

Model Summary(b)

Adjusted R Std. Error of


Model R R Square Square the Estimate
1 ,909(a) ,826 ,798 5,72725

Program Studi Teknik Industri


Universitas Diponegoro
73
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

a Predictors: (Constant), Diastole, IMT, Umur, BB


b Dependent Variable: Sistole

• Minitab

sistole = - 16,5 + 0,319 umur + 0,309 BB + 0,75 IMT + 1,20


diastole

Predictor Coef SE Coef T P VIF


Constant -16,46 24,70 -0,67 0,511
umur 0,3190 0,9363 0,34 0,736 1,3
BB 0,3090 0,4047 0,76 0,452 3,1
IMT 0,748 1,079 0,69 0,494 2,6
diastole 1,2022 0,1166 10,31 0,000 1,1

S = 5,72725 R-Sq = 82,6% R-Sq(adj) = 79,8%

PRESS = 1177,86 R-Sq(pred) = 75,05%

• Perhitungan

 Menghitung JKR, JKG, JKT

JKR = = 3899,965

= 820,035
JKT = JKR+JKG = 4720,000
 Koefisien Determinasi:

Program Studi Teknik Industri


Universitas Diponegoro
74
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

3. Koefisien Determinasi Penyesuaian

• SPSS

Tabel 3.24 Model Summary Data Model Regresi Linear Majemuk

Model Summary(b)

Adjusted R Std. Error of


Model R R Square Square the Estimate
1 ,909(a) ,826 ,798 5,72725
a Predictors: (Constant), Diastole, IMT, Umur, BB
b Dependent Variable: Sistole

• Minitab

sistole = - 16,5 + 0,319 umur + 0,309 BB + 0,75 IMT + 1,20


diastole

Predictor Coef SE Coef T P VIF


Constant -16,46 24,70 -0,67 0,511
umur 0,3190 0,9363 0,34 0,736 1,3
BB 0,3090 0,4047 0,76 0,452 3,1
IMT 0,748 1,079 0,69 0,494 2,6
diastole 1,2022 0,1166 10,31 0,000 1,1

S = 5,72725 R-Sq = 82,6% R-Sq(adj) = 79,8%

PRESS = 1177,86 R-Sq(pred) = 75,05%

• Perhitungan

Program Studi Teknik Industri


Universitas Diponegoro
75
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

3.2.1.3 Regresi Linear Majemuk

Tabel 3.25 Data Model Regresi Linear Majemuk

X1 X2 X3 X4 Y X1.X2 X1.X3 X1.X4 X1.Y

No Sistole Umur BB IMT diastole


1 150 28 55 20.7 100 4200 8250 3105 15000
2 120 29 55 20.2 80 3480 6600 2424 9600
2533.
3 130 27 55 19.49 90 3510 7150 7 11700
4 120 26 55 20.45 70 3120 6600 2454 8400
2922.
5 130 26 59 22.48 90 3380 7670 4 11700
2368.
6 130 28 49 18.22 90 3640 6370 6 11700
7 140 29 61 20.15 90 4060 8540 2821 12600
2962.
8 120 27 64 24.69 80 3240 7680 8 9600
2290.
9 110 25 56 20.82 70 2750 6160 2 7700
2385.
10 120 25 49 19.88 80 3000 5880 6 9600
Lanjutan Tabel 3.25
2860.
11 140 26 51 20.43 90 3640 7140 2 12600
2644.
12 120 25 60 22.04 80 3000 7200 8 9600
13 120 28 59 20.9 80 3360 7080 2508 9600
2143.
14 110 26 55 19.49 80 2860 6050 9 8800
15 100 25 45 17.8 70 2500 4500 1780 7000
16 120 26 55 20.25 80 3120 6600 2430 9600

Program Studi Teknik Industri


Universitas Diponegoro
76
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

2230.
17 120 25 55 18.59 80 3000 6600 8 9600
18 100 27 55 19.96 70 2700 5500 1996 7000
2416.
19 130 28 50 18.59 90 3640 6500 7 11700
20 150 26 53 21.5 100 3900 7950 3225 15000
2360.
21 120 25 51 19.67 80 3000 6120 4 9600
2692.
22 140 25 53 19.23 90 3500 7420 2 12600
2181.
23 110 25 54 19.83 70 2750 5940 3 7700
2782.
24 120 26 55 23.19 80 3120 6600 8 9600
2163.
25 120 25 45 18.03 90 3000 5400 6 10800
2256.
26 130 25 45 17.36 100 3250 5850 8 13000
2181.
27 110 25 54 19.83 70 2750 5940 3 7700
2307.
28 120 25 48 19.23 80 3000 5760 6 9600
2710.
29 140 25 54 19.36 100 3500 7560 4 14000
2434.
30 130 26 51 18.73 90 3380 6630 9 11700
601.0 9735 19924
Σ 3720 784 1606 9 2510 0 0 74574 314400

Program Studi Teknik Industri


Universitas Diponegoro
77
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

Program Studi Teknik Industri


Universitas Diponegoro
78
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

Persamaan Regresi Linier Majemuk:

X2X3 X2X4 X2Y X3X4 X 3Y X4Y X12 X22 X32 X42 X52

1540 579.6 2800 1138.5 5500 2070 22500 784 3025 428.49 10000
1595 585.8 2320 1111 4400 1616 14400 841 3025 408.04 6400
1485 526.23 2430 1072 4950 1754.1 16900 729 3025 379.8601 8100
1430 531.7 1820 1124.8 3850 1431.5 14400 676 3025 418.2025 4900
1534 584.48 2340 1326.3 5310 2023.2 16900 676 3481 505.3504 8100
1372 510.16 2520 892.78 4410 1639.8 16900 784 2401 331.9684 8100
1769 584.35 2610 1229.2 5490 1813.5 19600 841 3721 406.0225 8100
1728 666.63 2160 1580.2 5120 1975.2 14400 729 4096 609.5961 6400
1400 520.5 1750 1165.9 3920 1457.4 12100 625 3136 433.4724 4900
Lanjutan Tabel 3.25
1225 497 2000 974.12 3920 1590.4 14400 625 2401 395.2144 6400
1326 531.18 2340 1041.9 4590 1838.7 19600 676 2601 417.3849 8100
1500 551 2000 1322.4 4800 1763.2 14400 625 3600 485.7616 6400
1652 585.2 2240 1233.1 4720 1672 14400 784 3481 436.81 6400
1430 506.74 2080 1072 4400 1559.2 12100 676 3025 379.8601 6400
1125 445 1750 801 3150 1246 10000 625 2025 316.84 4900
1430 526.5 2080 1113.8 4400 1620 14400 676 3025 410.0625 6400
1375 464.75 2000 1022.5 4400 1487.2 14400 625 3025 345.5881 6400
1485 538.92 1890 1097.8 3850 1397.2 10000 729 3025 398.4016 4900
1400 520.52 2520 929.5 4500 1673.1 16900 784 2500 345.5881 8100
1378 559 2600 1139.5 5300 2150 22500 676 2809 462.25 10000
1275 491.75 2000 1003.2 4080 1573.6 14400 625 2601 386.9089 6400
1325 480.75 2250 1019.2 4770 1730.7 19600 625 2809 369.7929 8100
1350 495.75 1750 1070.8 3780 1388.1 12100 625 2916 393.2289 4900
1430 602.94 2080 1275.5 4400 1855.2 14400 676 3025 537.7761 6400
1125 450.75 2250 811.35 4050 1622.7 14400 625 2025 325.0809 8100
1125 434 2500 781.2 4500 1736 16900 625 2025 301.3696 10000
1350 495.75 1750 1070.8 3780 1388.1 12100 625 2916 393.2289 4900
1200 480.75 2000 923.04 3840 1538.4 14400 625 2304 369.7929 6400
1350 484 2500 1045.4 5400 1936 19600 625 2916 374.8096 10000
1326 486.98 2340 955.23 4590 1685.7 16900 676 2601 350.8129 8100
42035 15719 65670 32344 134170 50232.2 466000 20538 86590 12117.57 212700

ŷ = a + b1 x1 + b2 x 2 + b3 x3 + b4 x 4

Program Studi Teknik Industri


Universitas Diponegoro
79
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

Persamaan Normal
n n n n n
na + b1 ∑ x1i +b2 ∑ x 2i +b3 ∑ x3i +b4 ∑ x 4i = ∑ y i
i =1 i =1 i =1 i =1 i =1

n n n n n n
a ∑ x1i + b1 ∑ x1i +b2 ∑ x 2i x1i +b3 ∑ x3i x1i +b4 ∑ x 4i x1i = ∑ x1i y i
2

i =1 i =1 i =1 i =1 i =1 i =1

n n n n n n
a ∑ x 2i + b1 ∑ x 2i x1i +b2 ∑ x 2i +b3 ∑ x3i x 2i +b4 ∑ x 4i x 2i = ∑ x 2 i y i
2

i =1 i =1 i =1 i =1 i =1 i =1

n n n n n n
a ∑ x3i + b1 ∑ x3i x1i +b2 ∑ x 2i x3i +b3 ∑ x3i +b4 ∑ x 4 i x3i = ∑ x3i y i
2

i =1 i =1 i =1 i =1 i =1 i =1

n n n n n n
a ∑ x 4i + b1 ∑ x 4i x1i +b2 ∑ x 2i x 4i +b3 ∑ x3i x 4i +b4 ∑ x 4 i = ∑ x 4i y i
2

i =1 i =1 i =1 i =1 i =1 i =1

Sehingga didapatkan persamaan berikut :


+784 +1606 +601,09 =2510
+97350 +199240 +74574 =314400
+20538 +42035 +15718,68 =65670
+42035 +86590 +32343,74 =134170
+15718,68 +32343,74 +12117,57 =50232,2

Dari persamaan kuadrat a + b1x1 + b2x2 +b3x3 +b4x4 = y, dapat disusun matriks sebagai
berikut:

Program Studi Teknik Industri


Universitas Diponegoro
80
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

1. Parameter (Slop & Intersep)

• Slop

 SPSS

Tabel 3.26 Coefficients Data Model Regresi Linear Majemuk

Coefficients(a)

Unstandardized Standardized
Coefficients Coefficients

Model B Std. Error Beta t Sig.


1 (Constant) -16,464 24,696 -,667 ,511
Umur ,319 ,936 ,033 ,341 ,736
BB ,309 ,405 ,112 ,763 ,452
IMT ,748 1,079 ,094 ,693 ,494
Diastole 1,202 ,117 ,909 10,308 ,000
a Dependent Variable: Sistole

 Minitab

Regression Analysis: Sistole versus Umur; BB; IMT; Diastole

The regression equation is


sistole = - 16,5 + 0,319 umur + 0,309 BB + 0,75 IMT + 1,20 diastole

Predictor Coef SE Coef T P VIF


Constant -16,46 24,70 -0,67 0,511
umur 0,3190 0,9363 0,34 0,736 1,3

Program Studi Teknik Industri


Universitas Diponegoro
81
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

BB 0,3090 0,4047 0,76 0,452 3,1


IMT 0,748 1,079 0,69 0,494 2,6
diastole 1,2022 0,1166 10,31 0,000 1,1

S = 5,72725 R-Sq = 82,6% R-Sq(adj) = 79,8%

PRESS = 1177,86 R-Sq(pred) = 75,05%

 Perhitungan Manual

b1 = 0,6523

b2 = 1,2259

b3 = 0,0624

b4 = -2,2927

• Intersep

 SPSS

Tabel 3.27 Coefficients Data Model Regresi Linear Majemuk

Coefficients(a)

Unstandardized Standardized
Coefficients Coefficients

Model B Std. Error Beta t Sig.


1 (Constant) -16,464 24,696 -,667 ,511
Umur ,319 ,936 ,033 ,341 ,736
BB ,309 ,405 ,112 ,763 ,452
IMT ,748 1,079 ,094 ,693 ,494
Diastole 1,202 ,117 ,909 10,308 ,000
a Dependent Variable: Sistole

Program Studi Teknik Industri


Universitas Diponegoro
82
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

 Minitab

Regression Analysis: Sistole versus Umur; BB; IMT; Diastole

The regression equation is


sistole = - 16,5 + 0,319 umur + 0,309 BB + 0,75 IMT + 1,20 diastole

Predictor Coef SE Coef T P VIF


Constant -16,46 24,70 -0,67 0,511
umur 0,3190 0,9363 0,34 0,736 1,3
BB 0,3090 0,4047 0,76 0,452 3,1
IMT 0,748 1,079 0,69 0,494 2,6
diastole 1,2022 0,1166 10,31 0,000 1,1

S = 5,72725 R-Sq = 82,6% R-Sq(adj) = 79,8%

PRESS = 1177,86 R-Sq(pred) = 75,05%

 Perhitungan Manual

a = 13,3460

2. Persamaan Garis Regresi Linear Majemuk

 SPSS

Tabel 3.28 Coefficients Data Model Regresi Linear Majemuk

Coefficients(a)

Model Unstandardized Standardized t Sig.

Program Studi Teknik Industri


Universitas Diponegoro
83
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

Coefficients Coefficients

B Std. Error Beta


1 (Constant) -16,464 24,696 -,667 ,511
Umur ,319 ,936 ,033 ,341 ,736
BB ,309 ,405 ,112 ,763 ,452
IMT ,748 1,079 ,094 ,693 ,494
Diastole 1,202 ,117 ,909 10,308 ,000
a Dependent Variable: Sistole

 Minitab

Regression Analysis: Sistole versus Umur; BB; IMT; Diastole

The regression equation is


sistole = - 16,5 + 0,319 umur + 0,309 BB + 0,75 IMT + 1,20 diastole

Predictor Coef SE Coef T P VIF


Constant -16,46 24,70 -0,67 0,511
umur 0,3190 0,9363 0,34 0,736 1,3
BB 0,3090 0,4047 0,76 0,452 3,1
IMT 0,748 1,079 0,69 0,494 2,6
diastole 1,2022 0,1166 10,31 0,000 1,1

S = 5,72725 R-Sq = 82,6% R-Sq(adj) = 79,8%

PRESS = 1177,86 R-Sq(pred) = 75,05%

 Perhitungan Manual

ŷ = a + b1 x1 + b2 x 2 + b3 x3 + b4 x 4
ŷ = 13,3460– 0,6523x1 + 1,2259x2 + 0,0624x3 + -2,2927x4

Program Studi Teknik Industri


Universitas Diponegoro
84
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

3. Pengujian Garis Regresi Linear Majemuk

 SPSS

Tabel 3.29 Anova Data Model Regresi Linear Majemuk

ANOVA(b)

Sum of
Model Squares df Mean Square F Sig.
1 Regression 3899,965 4 974,991 29,724 ,000(a)
Residual 820,035 25 32,801
Total 4720,000 29
a Predictors: (Constant), Diastole, IMT, Umur, BB
b Dependent Variable: Sistole

 Minitab

Analysis of Variance

Source DF SS MS F P
Regression 4 3899,97 974,99 29,72 0,000
Residual Error 25 820,03 32,80
Total 29 4720,00

Source DF Seq SS
C2 1 362,99
C3 1 11,98
C4 1 39,54
C5 1 3485,45

Program Studi Teknik Industri


Universitas Diponegoro
85
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

Unusual Observations

Obs C2 C1 Fit SE Fit Residual St Resid


4 26,0 120,00 108,28 1,85 11,72 2,16R

R denotes an observation with a large standardized residual.

Durbin-Watson statistic = 1,92399

 Perhitungan Manual

Menghitung JKR, JKG, JKT

JKR = = 3899,965

= 820,035
JKT = JKR+JKG = 4720,000

Pengujian Kekurangcocokan
Pengujian kekurangcocokan dikerjakan dengan tahapan sebagai berikut:
 Hubungan y dengan x1
Uji Hipotesis
1. H0 : Regresi linear dalam x
2. H1 : Regresi tak linear dalam x
3. α : 0,05
4. k : 30
5. Daerah kritis : f-hitung > f-tabel

6. Perhitungan :

Program Studi Teknik Industri


Universitas Diponegoro
86
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

v1 = 30-2 v2 = n-k f-tabel = f ( α;v1 ;v2 )

= 30-2 = 30-30 = f ( 0, 05 ; 28 ; 0 )
= 28 =0 = ∞

JKR = b. Jxy = 828,333

JKT = Jyy = 4720,000

JKG = Jyy – b. Jxy = 3891,667


k ni k ni k
Ti 2
JKG murni = ∑i =1
∑ ( yij − y) 2 = ∑
j =1 i =1
∑ yij2 − ∑
j =1 i =1 ni

= 4720,000
Kekurangcocokan dihitung dari:
JKG – JKG (murni) = 3891,667-4720,000 = -828,333

Tabel 3.30 Analisis kelinearan regresi majemuk (Hubungan y dan x1)


Sumber variansi Jumlah kuadrat Derajat kebebasan Rataan kuadrat f-hitung
Regresi 828,333 1 207,083 1,330
Galat 3891,667 28
Kekurangcocokan -823,333 0 -∞ -∞
Galat murni 4720,000 30 155,667
Total 4720,000 29

7. Keputusan :
• Untuk regresi : Terima H0 karena f-hitung < f-tabel
• Untuk kekurangcocokan: Terima H0 karena f-hitung < f-tabel

Program Studi Teknik Industri


Universitas Diponegoro
87
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

8. Kesimpulan : Regresi linier terjadi dalam x

 Hubungan y dengan x2
Uji Hipotesis
1. H0 : Regresi linear dalam x
2. H1 : Regresi tak linear dalam x
3. α : 0,05
4. k : 30
Daerah kritis : f-hitung > f-tabel
Perhitungan :
v1 = k-2 v2 = n-k f-tabel = f ( α;v1 ;v2 )
= 30-2 = 30-30
= f ( 0, 05 ; 28 ; 0 )
= 28 =0
= ∞

JKR = b. Jxy = 1814,444


JKT = Jyy = 4720,000
JKG = Jyy – b. Jxy = 2905,556
k ni k ni k
Ti 2
JKG murni = ∑
i =1
∑ ( yij − y) 2 = ∑
j =1 i =1
∑ yij2 − ∑
j =1 i =1 ni

= 4720,000
Kekurangcocokan dihitung dari:
JKG – JKG (murni) = 2905,556-4720,000 = -1814,444

Tabel 3.31 Analisis kelinearan regresi majemuk (Hubungan y dan x2)


Sumber variansi Jumlah kuadrat Derajat kebebasan Rataan kuadrat f-hitung
Regresi 1814,444 1 151,204 0,885
Galat 2905,556 28
Kekurangcocokan -1814,444 0 -∞ -∞
Galat murni 4720,000 30 170,915
Total 4674577937 29

Program Studi Teknik Industri


Universitas Diponegoro
88
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

Keputusan:
• Untuk regresi : Terima H0 karena f-hitung < f-tabel
• untuk kekurangcocokan : Terima H0 karena f-hitung < f-tabel
8. Kesimpulan : Regresi linier terjadi dalam x

 Hubungan y dengan x3
Uji Hipotesis
1. H0 : Regresi linear dalam x
2. H1 : Regresi tak linear dalam x
3. α : 0,05
4. k : 30
5. Daerah kritis : f-hitung > f-tabel
6. Perhitungan :
v1 = k-2
= 30-2= 28
v2 = n-k
= 30-30= 0
f-tabel= f ( α;v1 ;v2 )

= f ( 0, 05 ; 28 ; 0 ) = ∞

Program Studi Teknik Industri


Universitas Diponegoro
89
JKR = b. Jxy = 4270,000
JKT = Jyy = 4720,000
JKG = Jyy – b. Jxy = 450,000
k ni k ni k
Ti 2
JKG murni = ∑
i =1
∑ ( yij − y) 2 = ∑
j =1 i =1
∑ yij2 − ∑
j =1 i =1 ni

= 4720,000
Kekurangcocokan dihitung dari:
JKG – JKG (murni) = 450,000-4720,000 = -4270,000

Tabel 3.32 Analisis kelinearan regresi majemuk (Hubungan y dan x3)


Sumber variansi Jumlah kuadrat Derajat kebebasan Rataan kuadrat f-hitung
Regresi 4270,000 1 170,800 1,518
Galat 450,000 28
Kekurangcocokan -4270,000 0 -∞ -∞
Galat murni 4720,000 30 112,500
Total 4720,000 29

7. Keputusan:
• Untuk regresi : Terima H0 karena f-hitung < f-tabel
• untuk kekurangcocokan : Terima H0 karena f-hitung < f-tabel
8. Kesimpulan : Regresi linier terjadi dalam x

 Hubungan y dengan x4
Uji Hipotesis
1. H0 : Regresi linear dalam x
2. H1 : Regresi tak linear dalam x
3. α : 0,05
4. k : 14
5. Daerah kritis : f-hitung > f-tabel
6. Perhitungan :
v1 = k-2
= 30-2
= 28
v2 = n-k
= 30-30
=0
f-tabel = f ( α;v1 ;v2 )

= f ( 0, 05 ; 28 ; 0 )
= ∞

JKR = b. Jxy = 3715,202

JKT = Jyy = 4720,000


JKG = Jyy – b. Jxy = 1004,798
k ni k ni k
Ti 2
JKG murni = ∑
i =1
∑ ( yij − y) 2 = ∑
j =1 i =1
∑ yij2 − ∑
j =1 i =1 ni

= 4720,000
Kekurangcocokan dihitung dari:
JKG – JKG (murni) = 1004,798-4720,000 = -3715,202

Tabel 3.33 Analisis kelinearan regresi majemuk (Hubungan y dan x4)

Sumber variansi Jumlah kuadrat Derajat kebebasan Rataan kuadrat f-hitung


Regresi 3715,202 1 1238,401 0,000
Galat 1004,798 28
Kekurangcocokan -3715,202 0 -∞ -∞
Galat murni 4720,000 30 38,045
Total 4720,000 29

7. Keputusan:
• Untuk regresi : Terima H0 karena f-hitung < t-tabel
• Untuk kekurangcocokan : Terima H0 karena f-hitung < t-tabel
8. Kesimpulan : Regresi linier terjadi dalam x

3.2.1.4 Kesalahan Baku

1. Taksiran Kesalahan Baku Dari Regresi Linear Majemuk

= = 5,727

2. Taksiran Kesalahan Baku Dari Parameter Regresi Linear


Majemuk

= 13,985
3.2.1.5 Selang Kepercayaan
1. Selang Kepercayaan Untuk Slop
1.1 Output excel

Tabel 3.34 Output Excel Data Regresi Linier Majemuk


P-
Coeffi Standar t valu Lower Upper Lower Upper
cients d Error Stat e 95% 95% 95,0% 95,0%
- - - -
Inter 16.46 24.6964 0.66 0.51 67.326 34.399 67.326 34.399
cept 3585 4211 664 1109 85958 68884 85958 68884
- -
Umu 0.318 0.93633 0.34 0.73 1.6094 2.2474 1.6094 2.2474
r 98319 723 0671 6197 39421 05796 39421 05796
- -
0.308 0.40474 0.76 0.45 0.5245 1.1425 0.5245 1.1425
BB 98689 2541 3416 236 95965 69754 95965 69754
- -
0.748 1.07931 0.69 0.49 1.4745 2.9712 1.4745 2.9712
IMT 32142 8653 3328 4496 76937 19779 76937 19779
- -
Diast 1.202 0.11662 10.3 1.73 0.9620 1.4424 0.9620 1.4424
ole 24446 9783 0821 E-10 40931 47994 40931 47994
β Selang kepercayaan
i

β -1.609439421< β 1 <
1 2.247405796

β -0.524595965< β 2 <
2 1.142569754

β -1.474576937< β 3 <
3 2.971219779

β -0.962040931< β 3 <
4 1.442447994

 Selang kepercayaan untuk β 1

Dengan adanya nilai variabel umur maka koefisien yang berpengaruh


terhadap nilai sistole berada antara --1.609439421 sampai dengan
2.247405796 dengan selang kepercayaan sebesar 95%.

 Selang kepercayaan untuk β 2

Dengan adanya nilai variabel BB maka koefisien yang berpengaruh


terhadap nilai systole berada antara -0.524595965 sampai dengan
1.142569754 dengan selang kepercayaan sebesar 95%.

 Selang kepercayaan untuk β 3

Dengan adanya nilai variabel IMT maka koefisien yang berpengaruh


terhadap nilai sistole berada antara -1.474576937 sampai dengan
2.971219779 dengan selang kepercayaan sebesar 95%.

 Selang kepercayaan untuk β 4


Dengan adanya nilai variabel diastole maka koefisien yang berpengaruh
terhadap nilai systole berada antara --0.962040931 sampai dengan
1.442447994 dengan selang kepercayaan sebesar 95%.

1.2 Output SPSS

Tabel 3.35 Coefficients Data Regresi Linier Majemuk


Coefficientsa
Standardize 95%
Unstandardize d Confidence Collinearity
d Coefficients Coefficients Interval for B Correlations Statistics
Zero
Std. Lower Upper - Partia Toleranc
Model B Error Beta t Sig. Bound Bound order l Part e VIF
1 (Constant -
- . 33.80
) 24.624 -.687 67.62
16.912 499 3
7
Umur . .
.324 .933 .033 .347 -1.598 2.247 .277 .069 .759 1.318
731 029
BB . .
.294 .402 .106 .732 -.534 1.122 .056 .145 .329 3.043
471 061
IMT . .
.805 1.076 .101 .748 -1.412 3.022 .067 .148 .384 2.607
461 062
Diastole 10.32 . .
1.202 .116 .909 .962 1.442 .886 .900 .894 1.118
5 000 859
a. Dependent Variable:
Sistole

β i Selang kepercayaan

β 1 -1.598< β 1 < 2.247

β 2 -0.534< β 2 < 1.122

β 3 -1.412< β 3 < 3.022


β 4 -0.962< β 3 < 1.442

 Selang kepercayaan untuk β 1

Dengan adanya nilai variabel umur maka koefisien yang berpengaruh


terhadap nilai sistole berada antara -1.598 sampai dengan 2.247 dengan
selang kepercayaan sebesar 95%.

 Selang kepercayaan untuk β 2

Dengan adanya nilai variabel BB maka koefisien yang berpengaruh


terhadap nilai systole berada antara -0.534 sampai dengan 1.122 dengan
selang kepercayaan sebesar 95%.

 Selang kepercayaan untuk β 3

Dengan adanya nilai variabel IMT maka koefisien yang berpengaruh


terhadap nilai sistole berada antara -1.412 sampai dengan 3.022 dengan
selang kepercayaan sebesar 95%.

 Selang kepercayaan untuk β 4

Dengan adanya nilai variabel diastole maka koefisien yang berpengaruh


terhadap nilai systole berada antara -0.962 sampai dengan 1.442 dengan
selang kepercayaan sebesar 95%.
2. Selang Kepercayaan untuk intersep

2.1 output excel

α Selang Kepercayaan

-67.32685958< α <
34.39968884

 Selang kepercayaan untuk α


Tanpa adanya nilai umur, BB, IMT, dan diastole, maka nilai sistole akan
berkisar antara -67.32685958 sampai dengan 34.39968884 dengan
selang kepercayaan sebesar 95%.

2.2 Output SPSS

α Selang Kepercayaan

-67.627< α <
33.803

 Selang kepercayaan untuk α


Tanpa adanya nilai umur, BB, IMT, dan diastole, maka nilai sistole akan
berkisar antara –67.627 sampai dengan 33.803 dengan selang
kepercayaan sebesar 95%.
3.2.1.6 Uji Hipotesis

1. Uji Hipotesis Slop

β i Nilai t
tα 2.174
tβ 1 -2.191
tβ 2 -0.624
tβ 3 0.495
tβ 4 5.794

 Uji hipotesis menyangkut nilai β 1

1. H0 :β 1=0
2. H1 :β 1 ≠ 0
3. α : 0,05
4. Daerah kritis : t-hitung > t-tabel
5. t-hitung : -2.191
6. Perhitungan :
v = n-k-1 t-tabel = t (α;v )
= 30-4-1 = t ( 0, 05 ; 25 )
= 25 = 1,708
7. Keputusan : Terima H0 karena t-hitung < t-tabel
8. Kesimpulan :β 1=0

Uji Hipotesis menyangkut nilai β 2

1. H0 :β 2=0
2. H1 :β 2 ≠ 0
3. α : 0,05
4. Daerah kritis : t-hitung > t-tabel
5. t-hitung : -0,624
6. Perhitungan :
v = n-k-1 t-tabel = t (α;v )
= 30-4-1 = t ( 0, 05 ; 25 )
= 25 = 1,708
7. Keputusan : Terima H0 karena t-hitung < t-tabel
8. Kesimpulan :β 2=0

Uji Hipotesis menyangkut nilai β 3

9. H0 :β 3=0
10. H1 :β 3 ≠ 0
11. α : 0,05
12. Daerah kritis : t-hitung > t-tabel
13. t-hitung : -0,495
14. Perhitungan :
v = n-k-1
= 30-4-1
= 25
t-tabel = t (α;v )
= t ( 0, 05 ; 25 )
= 1,708
15. Keputusan : Terima H0 karena t-hitung < t-tabel
16. Kesimpulan :β 3=0

Uji Hipotesis menyangkut nilai β 4

17. H0 :β 4=0
18. H1 :β 4 ≠ 0
19. α : 0,05
20. Daerah kritis : t-hitung > t-tabel
21. t-hitung : 5,794
22. Perhitungan :
v = n-k-1
= 30-4-1
= 25
t-tabel = t (α;v )
= t ( 0, 05 ; 25 )
= 1,708
23. Keputusan: Terima H1 karena t-hitung > t-tabel
24. Kesimpulan : β 4 ≠ 0

2. Uji Hipotesis Intersep


αi Nilai t
tα 2.174

1. H0 :α=0
2. H1 :α ≠ 0
3. α : 0,05
4. Daerah kritis : t-hitung > t-tabel
5. t-hitung : 2,174
6. Perhitungan :
v = n-k-1
= 30-4-1
= 25
t-tabel = t (α;v )
= t ( 0, 05 ; 25 )
= 1,708
7. Keputusan: Terima H1 karena t-hitung > t-tabel

8. Kesimpulan: α ≠0
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

3.2.2 Data Validasi

3.2.2.1 Korelasi

a. MS Excel

Tabel 3.36 Output Korelasi Ms Excel Data Validasi Regresi Linier Majemuk

sistole umur BB IMT Diastole


sistole 1
umur -0.26038 1
BB 0.376731 0.032148 1
IMT 0.407341 0.087642 0.696608 1
Diastole 0.789477 -0.02187 0.540179 0.526681 1

b. SPSS

Tabel 3.37 Correlations Data Validasi Regresi Linier Majemuk


Correlations

Sistole umur BB IMT Diastole


Pearson Sistole
1.000 -.260 .377 .407 .789
Correlation
umur -.260 1.000 .032 .088 -.022
BB .377 .032 1.000 .697 .540
IMT .407 .088 .697 1.000 .527
Diastole .789 -.022 .540 .527 1.000

c. Minitab

Correlations: Sistole; umur; BB; IMT; Diastole

Sistole umur BB IMT


umur -0,260
0,165

BB 0,377 0,032
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

0,040 0,866

IMT 0,407 0,088 0,697


0,025 0,645 0,000

Diastole 0,789 -0,022 0,540 0,527


0,000 0,909 0,002 0,003

Analisis:

Analisis korelasi juga dilakukan pada 30 data lainnya untuk melakukan validasi.
Nilai r yang didapat dari SPSS, Minitab, dan Excel mendapat nilai yang hampir sama.

 Untuk r antara umur dan systole dari output Excel = -0.26038 Spss= -0,260
Mnitab = -0,260

 Untuk r antara BB dan systole dari output excel = 0.376731 Spss= 0,377 Minitab
= 0,377

 Untuk r antara umur dengan BB dari output excel= 0.032148 Spss=0,032


Minitab=0,032

 Untuk r antara IMT dengan systole dari output excel=0.407341 Spss=0,407


Minitab= 0,407

 Untuk r antara IMT dengan umur dari output excel= 0.087642 spss= 0,088
Minitab= 0,088

 Untuk r antara IMT dengan BB dari output excel= 0.696608 spss= 0,697
Minitab= 0,697

 Untuk r antara diastole dengan systole dari output excel= 0.789477 spss= 0,789
Minitab= 0,789

 Untuk r antara diastole dengan umur dari output excel= -0.02187 spss= -0,022
Minitab= -0,022

 Untuk r antara diastole dengan BB dari output excel= 0.540179 spss= 0,540
Minitab= 0,540
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

 Untuk r antara diastole dengan IMT dari output excel= 0.526681 spss=0,527
Minitab= 0,527

3.2.2.2 Regresi linear majemuk

a. MS Excel

Regression
Statistics
0.8292
Multiple R 28
0.6876
R Square 19
Adjusted R 0.6376
Square 39
Standard 7.3015
Error 71
Observation
s 30

ANOVA
Significanc
Df SS MS F eF
Regressi 2933.8 733.46 13.757 4.63026E-
on 4 43 08 65 06
1332.8 53.312
Residual 25 24 94
4266.6
Total 29 67

Coeff P-
icien Standa t valu Lower Upper Lower Upper
ts rd Error Stat e 95% 95% 95,0% 95,0%
Interce 67.6 31.135 2.17 0.03 3.5556 131.80 3.5556 131.80
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

7950
pt 554 0803 3738 9401 07855 34032 07855 34032
-
2.16 - - - - -
3748 0.9875 2.19 0.03 4.1976 0.1298 4.1976 0.1298
umur 21 39195 105 7984 23241 7319 23241 73186
-
0.22 - - -
0385 0.3530 0.62 0.53 0.9474 0.5067 0.9474 0.5067
BB 76 37275 426 8115 79637 08107 79637 08107
0.48 - -
5461 0.9816 0.49 0.62 1.5363 2.5072 1.5363 2.5072
IMT 247 74523 4524 5254 35263 57756 35263 57756
1.41
Diastol 2527 0.2437 5.79 4.85 0.9104 1.9146 0.9104 1.9146
e 099 80419 426 E-06 51931 02266 51931 02266

b. SPSS

Tabel 3.38 Model Summary Data Validasi Regresi Linier Majemuk


Model Summaryb
Change Statistics
R Adjusted R Std. Error of the R Square F Sig. F Durbin-
Model R Square Square Estimate Change Change df1 df2 Change Watson
1 .829a .688 .638 7.30157 .688 13.758 4 25 .000 1.880
a. Predictors: (Constant), umur, BB, IMT, Diastole
b. Dependent Variable: Sistole

Tabel 3.39 Anova Data Validasi Regresi Linier Majemuk


ANOVA(b)

Sum of
Model Squares df Mean Square F Sig.
1 Regression 2933.843 4 733.461 13.758 .000(a)
Residual 1332.824 25 53.313
Total 4266.667 29
a Predictors: (Constant), Diastole, umur, BB, IMT
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

b Dependent Variable: Sistole

Tabel 3.40 Coefficients Data Validasi Regresi Linier Majemuk

Coefficientsa
Standardize 95%
Unstandardize d Confidence Collinearity
d Coefficients Coefficients Interval for B Correlations Statistics
Std. Lower Upper Zero-
Model B Error Beta t Sig. Bound Bound order Partial Part Tolerance VIF
1 (Constant) 67.680 31.135 2.174 .039 3.556 131.803
umur - -.24
-2.164 .988 -.247 .038 -4.198 -.130 -.260 -.401 .986 1.015
2.191 5
BB -.07
-.220 .353 -.101 -.624 .538 -.947 .507 .377 -.124 .473 2.114
0
IMT .485 .982 .080 .495 .625 -1.536 2.507 .407 .098 .055 .477 2.095
Diastole 1.413 .244 .797 5.794 .000 .910 1.915 .789 .757 .648 .661 1.513
a. Dependent Variable:
Sistole

2. Output Minitab

Regression Analysis: Sistole versus Umur; IMT; BB; Diastole

The regression equation is


sistole = 67,7 - 2,16 umur - 0,220 IMT + 0,485 BB + 1,41 Diastole

Predictor Coef SE Coef T P VIF


Constant 67,68 31,14 2,17 0,039
umur -2,1637 0,9875 -2,19 0,038 1,0
IMT -0,2204 0,3530 -0,62 0,538 2,1
BB 0,4855 0,9817 0,49 0,625 2,1
diastole 1,4125 0,2438 5,79 0,000 1,5
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

S = 7,30157 R-Sq = 68,8% R-Sq(adj) = 63,8%

PRESS = 2186,06 R-Sq(pred) = 48,76%

Analysis of Variance

Source DF SS MS F P
Regression 4 2933,84 733,46 13,76 0,000
Residual Error 25 1332,82 53,31
Total 29 4266,67

Source DF Seq SS
umur 1 289,26
IMT 1 633,41
BB 1 221,27
diastole 1 1789,90

Unusual Observations

Obs umur sistole Fit SE Fit Residual St Resid


16 25,0 150,00 131,28 3,70 18,72 2,97R

R denotes an observation with a large standardized residual.

Durbin-Watson statistic = 1,88027

Analisa :

Dari output SPSS, minitab, dan microsoft excel didapatkan persamaan garis regresi
pada data validasi yang sama, yaitu
yˆ o = 67 ,68 − 2,164 x1 − 0,22 x2 + 0,485 x3 +1,413 x4

. Persamaan ini memiliki nilai intersep dan slop yang berbeda cukup jauh dengan
persamaan garis regresi pada data model.
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

3.2.2.3 Kesalahan Baku

σ bi Nilai

σ α 31,135
σb1 0,988
σb2 0,353
σb3 0,982
σb4 0,244

 Besarnya kesalahan baku (σ ) untuk koefisien α adalah 31,135,


berarti penyimpangan yang terjadi pada koefisien α adalah sebesar
31,135.
 Besarnya kesalahan baku (σ ) untuk koefisien b1 adalah 0,988,
berarti penyimpangan yang terjadi pada koefisien b1 adalah sebesar
0,988.
 Besarnya kesalahan baku (σ ) untuk koefisien b2 adalah 0,353,
berarti penyimpangan yang terjadi pada koefisien b2 adalah sebesar
0,353.
 Besarnya kesalahan baku (σ ) untuk koefisien b3 adalah 0,982,
berarti penyimpangan yang terjadi pada koefisien b3 adalah sebesar
0,982.
 Besarnya kesalahan baku (σ ) untuk koefisien b4 adalah 0,244,
berarti penyimpangan yang terjadi pada koefisien b4 adalah sebesar 0,244

3.2.3 Validasi

Data Model
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

Tabel 3.41 Coefficients Data Model Regresi Linier Majemuk


Coefficientsa
Standardize 95%
Unstandardize d Confidence Collinearity
d Coefficients Coefficients Interval for B Correlations Statistics
Zero
Std. Lower Upper - Partia Toleranc
Model B Error Beta t Sig. Bound Bound order l Part e VIF
1 (Constant -
- . 33.80
) 24.624 -.687 67.62
16.912 499 3
7
Umur . .
.324 .933 .033 .347 -1.598 2.247 .277 .069 .759 1.318
731 029
BB . .
.294 .402 .106 .732 -.534 1.122 .056 .145 .329 3.043
471 061
IMT . .
.805 1.076 .101 .748 -1.412 3.022 .067 .148 .384 2.607
461 062
Diastole 10.32 . .
1.202 .116 .909 .962 1.442 .886 .900 .894 1.118
5 000 859
a. Dependent
Variable: Sistole
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

Tabel 3.42 Model Summary Data Model Regresi Linier Majemuk

Model Summaryb
Change Statistics
R Adjusted R Std. Error of the R Square F Sig. F Durbin-
Model R Square Square Estimate Change Change df1 df2 Change Watson
a
1 .909 .827 .799 5.71842 .827 29.835 4 25 .000 1.928
a. Predictors: (Constant), umur, BB, IMT, Diastole
b. Dependent Variable:Sistole

Data Validasi

Tabel 3.43 Coefficients Data Validasi Regresi Linier Majemuk


Coefficientsa
Standardize 95%
Unstandardize d Confidence Collinearity
d Coefficients Coefficients Interval for B Correlations Statistics
Lower Zero
Std. Boun Upper - Partia Toleranc
Model B Error Beta t Sig. d Bound order l Part e VIF
1 (Constant 2.17 . 131.80
67.680 31.135 3.556
) 4 039 3
umur -
. -.24
-2.164 .988 -.247 2.19 -4.198 -.130 -.260 -.401 .986 1.015
038 5
1
IMT . -.07
-.220 .353 -.101 -.624 -.947 .507 .377 -.124 .473 2.114
538 0
BB . .
.485 .982 .080 .495 -1.536 2.507 .407 .098 .477 2.095
625 055
Diastole 5.79 . .
1.413 .244 .797 .910 1.915 .789 .757 .661 1.513
4 000 648
a. Dependent Variable:
Sistole

Tabel 3.44 Model Summary Data Validasi Regresi Linier Majemuk


Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

Model Summaryb
Change Statistics
R Adjusted R Std. Error of the R Square F Sig. F Durbin-
Model R Square Square Estimate Change Change df1 df2 Change Watson
1 .829a .688 .638 7.30157 .688 13.758 4 25 .000 1.880
a. Predictors: (Constant), umur, BB, IMT, Diastole
b. Dependent Variable: Sistole

Tabel 3.45 Perbandingan Data Model dan Validasi Regresi Linier Majemuk

Keterangan Model Validasi


Pers. garis
yˆ o = −16 ,912 + 0,324 x1 + 0,294 x2 + 0,805 x3yˆ o
+1=
,202 x4 − 2,164 x1 − 0,22 x2 + 0,485 x3 +
67 ,68
regresi
σ α 24,624 31,135
σb1 0,933 0,988
σb2 0,402 0,353
σb3 1,076 0,982
σb4 0,116 0,244
R 0,909 0,829
R2 0,827 0,688
σR 5,71842 7,30157

• Uji Koefisien α

H0 : σ 12 = σ 22 .

H1 : σ 12 ≠ σ 22 .
α : 0,1
Daerah kritis : f-hitung > f-tabel.
Perhitungan :
v1 = n1-1 v2 = n2-1 f-tabel = f ( α;v1 ;v2 )

= 30-1 = 30-1 = f ( 0, 05 ; 29 ; 29 )
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

= 29 = 29 = 1,8583

σ 12 = 24,624 σ 22 = 31,135

σ 12 24 ,624
f-hitung = 2 = 31 ,135 = 0,7909
σ2
Keputusan : Terima H0 karena f-hitung < f-tabel
7. Kesimpulan : Variansi b0 model = variansi b0 validasi, maka
koefisien b0 model tersebut adalah valid.

• Uji Koefisien b1

H0 : σ 12 = σ 22 .

H1 : σ 12 ≠ σ 22 .
α : 0,1
Daerah kritis : f-hitung > f-tabel.
Perhitungan :
v1 = n1-1 v2 = n2-1 f-tabel = f ( α;v1 ;v2 )

= 30-1 = 30-1 = f ( 0, 05 ; 29 ; 29 )
= 29 = 29 = 1,8583
σ 12 = 0,933 σ 22 = 0,988

σ 12 0,933
f-hitung = 2 = 0,988 = 0,9443
σ2
Keputusan : Terima H0 karena f-hitung < f-tabel
7. Kesimpulan : Variansi b1 model = variansi b1 validasi, maka
koefisien b1 model tersebut adalah valid.

• Uji Koefisien b2

H0 : σ 12 = σ 22 .

: σ1 ≠ σ 2 .
2 2
H1
α : 0,1
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

Daerah kritis : f-hitung > f-tabel.


Perhitungan :
v1 = n1-1 v2 = n2-1 f-tabel = f ( α;v1 ;v2 )

= 30-1 = 30-1 = f ( 0, 05 ; 29 ; 29 )
= 29 = 29 = 1,8583

σ 12 = 0,402 σ 22 = 0,353

σ 12 0,402
f-hitung = 2 = 0,353 = 1,1388
σ2
6. Keputusan : Terima H0 karena f-hitung < f-tabel
7. Kesimpulan : Variansi b2 model = variansi b2 validasi, maka
koefisien b2 model tersebut adalah valid.

• Uji Koefisien b3

H0 : σ 12 = σ 22 .

: σ1 ≠ σ 2 .
2 2
H1
α : 0,1
Daerah kritis : f-hitung > f-tabel.

Perhitungan :
v1 = n1-1 v2 = n2-1 f-tabel = f ( α;v1 ;v2 )

= 30-1 = 30-1 = f ( 0, 05 ; 29 ; 29 )
= 29 = 29 = 1,8583

σ 12 = 1,076 σ 22 = 0,982

σ 12 1,076
f-hitung = 2 = 0,982 = 1,0957
σ2
6. Keputusan : Terima H0 karena f-hitung < f-tabel
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

7. Kesimpulan : Variansi b3 model = variansi b3 validasi, maka


koefisien b3 model tersebut adalah valid.

• Uji Koefisien b4

H0 : σ 12 = σ 22 .

: σ1 ≠ σ 2 .
2 2
H1
α : 0,1
Daerah kritis : f-hitung > f-tabel.
Perhitungan :
v1 = n1-1 v2 = n2-1 f-tabel = f ( α;v1 ;v2 )

= 30-1 = 30-1 = f ( 0, 05 ; 29 ; 29 )
= 29 = 29 = 1,8583

σ 12 = 0,277 σ 22 = 0,204

σ 12 0,116
f-hitung = 2 = 0,224 = 0,4754
σ2
6. Keputusan : Terima H0 karena f-hitung < f-tabel
7. Kesimpulan : Variansi b4 model = variansi b4 validasi, maka
koefisien b4 model tersebut adalah valid.

• Uji Koefisien R

1. H0 : σ 12 = σ 22 .

: σ1 ≠ σ 2 .
2 2
H1
α : 0,1
Daerah kritis : f-hitung > f-tabel.
Perhitungan :
v1 = n1-1 v2 = n2-1 f-tabel = f ( α;v1 ;v2 )

= 30-1 = 30-1 = f ( 0, 05 ; 29 ; 29 )
= 29 = 29 = 1,8583
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

σ 12 = 5,71842 σ 22 = 7,30157

σ 12 5,71842
f-hitung = 2 = 7,30157 = 0,7832
σ2
6. Keputusan : Terima H0 karena f-hitung < f-tabel
7. Kesimpulan : Variansi R model = variansi R validasi, maka
koefisien korelasi tersebut adalah valid.

3.2.4 Prediksi (ramalan)

3.2.4.1 Selang Prediksi rata-rata

Suatu Selang Prediksi rata-rata diberikan dengan rumus:

^ ^
y o − tα S x ( X ' X ) x0 < µ I x1 ,20 , 0. k. 0. <, y o + tα S x ( X ' X ) x0
'
0
−1 '
0
−1
2 y 2
Dimana nilai dari tα /2 adalah nilai distribusi-t dengan derajat kebebasan n-k-1.
Dengan persamaan regresi: yˆ o = bo + b1 x1 + b2 x 2 + b3 x3 + b4 x 4

b Nilai
b0 -16.912
b1 0.324
b2 0.294
b3 0.805
b4 1.202

Di mana diketahui:
b0 = 0 b1 = 0,324 b2 = 0,294 b3 = 0,805 b4 = 1,202
x1 = 28 x2 = 55 x3=20,7 x4 = 100
maka:
ŷ o = -16.912 + (0,324 x 28) + (0,294 x 55) + (0,805 x 20,7) + (1,202 x 100)
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

= 9,072 + 16,17+ 16,6635 + 120,2


= 145,1935
Dari output SPSS diperoleh nilai s = 7.30157.
Untuk mencari X’X dengan menggunakan matriks adalah dengan menggunakan
formula:

 n n n

 n ∑ x1i ∑ x2i ∑x ki 
 n i =1
n n
i =1 ... i =1 
 x x1i. x2i ... ∑ x1i .xki  = X ' X
∑ ∑x ∑
2
1i 1i
i =1 i =1 i =1
 n n n ... n 
∑ xki ∑x ki .x1i ∑ xki .x2i ∑ x k 1  2
 i =1 i =1 i =1 i =1 
atau dengan kata lain:
A.b = g atau (X`X).B = (X`y)
Maka nilai taksiran koefisien regresi b dicari dengan:
b = A-1g atau b = (X`X)-1(X`y)
Dari tabel pengolahan data dengan empat peubah bebas yang diberikan, diperoleh
perhitungan matrik persamaan taksiran kuadrat terkecil (X`X).b = (X`y) sebagai
berikut:

 372 784 1606 601,09 


Untuk matriks X`0 = 1
 3 30 30 30 
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

=[1 124 26,13 53,53 20,04 ]

X`0.(X`X)-1.X0 = 83.65853

Maka selang prediksi rata-ratanya adalah :

145,1935 − (2,060)(7,30157) 83,65853 < µ I x10, 20 ,..., k 0


< 145,1935 + (2,060)(7,30157
y

− 483,97 < µ I x 10 , 20 ,..., k 0


< 774,3573
y

3.2.4.2 Selang prediksi tunggal

Suatu selang prediksi tunggal diberikan dengan formula sebagai berikut:

yˆ 0 − tα s 1 + x0 ' ( X ' X ) −1 x 0 < y 0 < yˆ 0 + tα s 1 + x0 ' ( X ' X ) −1 x0


2 2

Dimana nilai dari tα /2 adalah nilai distribusi-t dengan derajat kebebasan n-k-1.
Dengan menggunakan tabel distribusi-t diperoleh t0,025 = 2,060 untuk derajat
kebebasan 25. Jadi selang prediksi 95% untuk y0 adalah:

1 4 5,1 9 3 5− (2,0 6 0) (7 ,3 0 1 5) 71 + 8 3,6 5 8 5 <3 y0 <


145 ,1935 +( 2,060 )( 7,30157 ) 1 +83 ,65853

dan bila disederhanakan menjadi: -491.491< y0 < 781.8779


Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

BAB IV

PENUTUP

4.1 Kesimpulan

4.1.1 Regresi Sederhana


• Uji asumsi meliputi : uji linieritas, heteroskesdastisitas, normalitas
dan autokorelasi. Uji ini dilakukan pada data model korelasi dan regresi
linier sederhana.

Tabel 4.1 Uji Asumsi Pada Regresi Sederhana Model dan Validasi

Uji Asumsi Model Validasi


Linieritas memenuhi memenuhi
Heteroskesdastisitas memenuhi memenuhi
Autokorelasi memenuhi memenuhi
Normalitas memenuhi memenuhi

• Persamaan garis regresi adalah y = 30,196 + 29,444 x


• Koefesien korelasi yang menunjukkan hubungan antara variabel
dependen dan variabel independen sebesar r = 0,993.
• Inferensi Mengenai Koefisien Regresi

Tabel 4.2 Selang Kepercayaan Pada Regresi Sederhana


Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

Selang kepercayaan

β 28,566 < β < 31,422


α 20,170 < α < 40,222
Prediksi Rata-Rata 143,056 < μYІX0 < 157,316

Prediksi Tunggal 111,219 < yo< 189,124

• Dari analisa kecocokan model dan kelinieran didapat bahwa model


yang dipakai cocok dan kelinearannya terdefinisi.
• Perbandingan antara model dan validasi :

Tabel 4.3 Perbandingan antara Model dan Validasi

Keterangan Model Validasi

Persamaan garis
y = 30,196 + 29,444 x Y =50,444+15,259x
regresi

σa 4,894 7,350

σb 0,697 2,450

R 0,993 0,762

R2 0,985 0,581

σR 18,691 24,155

Persamaan regresi tersebut cukup valid untuk digunakan.

4.1.2 Regresi Majemuk

• Uji asumsi meliputi : uji mutikolinieritas, heteroskesdastisitas,


normalitas dan autokorelasi. Uji ini dilakukan pada regresi sederhana model
dan validasi.
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

Tabel 4.4 Uji Asumsi Pada Regresi Majemuk Model dan Validasi

Uji Asumsi Model Validasi


Multilinieritas memenuhi memenuhi
Heteroskesdastisitas memenuhi memenuhi
Autokorelasi memenuhi memenuhi
Normalitas memenuhi memenuhi

Persamaan garis regresi adalah ŷ = 13,3460– 0,6523x1 + 1,2259x2 + 0,0624x3


+ -2,2927x4
• Koefesien korelasi yang menunjukkan hubungan antara variabel
dependen dan variabel independen sebesar r = 0,909.
• Interferensi mengenai koefisien regresi :
Tabel 4.5 Selang Kepercayaan Pada Regresi Majemuk

Selang kepercayaan

β 1 1.598< β 1 < 2.247

β 2 -0.534< β 2 < 1.122

β 3 -1.412< β 3 < 3.022

β 4 -0.962< β 4 < 1.442

µ yx0,x20,…xko -483,97< µY x10 , x 20 ,..., xk 0 <


774,3573

Prediksi y0 -491.491< y0 < 781.8779

• Dari analisa kecocokan model dan kelinieran didapat bahwa model yang
dipakai cocok dan terdapat regresi linier.
• Perbandingan antara model dan validasi :

Tabel 4.6 Perbandingan antara Model dan Validasi


Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

Keterangan Model Validasi


Pers. garis
yˆ o = −16 ,912 + 0,324 x1 + 0,294 x2 + 0,805 x3yˆ o
+1=
,202 x4 − 2,164 x1 − 0,22 x2 + 0,485 x3 +
67 ,68
regresi
σ α 24,624 31,135
σb1 0,933 0,988
σb2 0,402 0,353
σb3 1,076 0,982
σb4 0,116 0,244
R 0,909 0,829
R2 0,827 0,688
σR 5,71842 7,30157
Persamaan regresi tersebut valid untuk digunakan.

4.2 Saran

Berdasarkan praktikum dan pengolahan data, hal-hal yang perlu dipertimbangkan

dan yang disarankan adalah:

a. Sebaiknya dalam mencari data praktikan dapat menguji terlebih


dahulu sehingga data lulus keempat uji asumsi statistik klasik, sehingga tidak
mengalami kesulitan di akhir.
b. Praktikan sebaiknya dapat lebih menguasai software SPSS,
Minitab, dan Excel sehingga lebih memudahkan dalam mengerjakan.
c. Sebaiknya praktikan lebih mendalami hasil dari praktikum ini,
menganalisis dengan baik sehingga dapat diaplikasikan dalam kehidupan.
d. Seharusnya asisten memahami betul seluruh materi yang
berhubungan dengan praktikum sehingga ketika menjelaskan, mengkoreksi, atau
menjawab pertanyaan dari praktikan dapat lebih baik.
e. Sebaiknya terdapat standarisasi peraturan dan format antar asisten
sehingga tidak membuat bingung praktikan.
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

DAFTAR PUSTAKA
Laporan Praktikum Statistika Industri
Modul 2 Korelasi dan Regresi Linier
Kelompok 27

Modul praktikum Statistika Industri. Laboratotorium Optimasi dan Perencanaan Sistem


Produksi

Walpole, R.E and Raymond H Myers. 1995. Ilmu Peluang dan Statistika Untuk
Insinyur dan Ilmuwan. Penerbit ITB: Bandung

Olahdata.com