STATISTIKA INDUSTRI

Kelas: A
Dosen: Widya Setiafindari,ST.,M.Sc

Dibuat oleh

5210611010 Andrastea Zefta Christian

Program Studi Teknik Industri

Universitas Teknologi Yogyakarta
2022
 Tugas Kelas 25
Linier Regresi Sederhana

Data mentah
Suatu data penelitian tentang berat badan 60 mahasiswa yang diprediksi dipengaruhi oleh
konsumsi jumlah kalori/hari. Apakah konsumsi jumlah kalori/hari mempengaruhi berat badan
mahasiswa?

No. Kalori/ hari Berat Badan (Y)

(X)
1 530 89
2 300 48
3 358 56
4 510 72
5 302 54
6 300 42
7 387 60
8 527 85
9 415 63
10 512 74
11 494 53
12 413 59
13 460 58
14 404 48
15 435 63
16 393 67
17 456 86
18 441 77
19 403 68
20 320 80
21 388 86
22 364 42
23 514 87
24 423 83
25 393 88
26 431 75
27 458 56
28 336 72
29 530 53
30 311 56
31 508 84
 32 312 52
33 447 65
34 403 71
35 469 75
36 375 64
37 455 66
38 314 45
39 514 61
40 303 48
41 359 43
42 482 88
43 396 50
44 330 86
45 354 56
46 396 71
47 530 77
48 525 71
49 362 69
50 443 85
51 360 56
52 353 56
53 490 56
54 301 45
55 526 85
56 376 61
57 414 89
58 327 86
59 488 70
60 515 50
Diketahui Penentuan Hipotesis (H0 dan H1)
H0: Tidak terdapat pengaruh nilai Kalori/hari (X) terhadap nilai Berat Badan (Y)
H1: Terdapat pengaruh nilai Kalori/hari (X) terhadap nilai Berat Badan (Y)

Hasil Pengolahan dan Analisis Uji Regresi Linier Koefisien Determinansi

Hasil:

Model Summaryb
Adjusted R Std. Error of the
Model R R Square Square Estimate Durbin-Watson
1 .414a .171 .157 68.047 2.261
a. Predictors: (Constant), Berat_badan
b. Dependent Variable: Kalori

Analisis:
Pada tabel di atas didapat nilai R Square, dimana R Square adalah nilai yang menunjukkan
persentase sumbangan variabel independen dalam mempengaruhi variabel dependen sed
angkan sisanya dipengaruhi variabel lain atau epsilon yang disimbolkan Ԑi. R Square didapat
nilai sebesar 0,157 artinya besarnya sumbangan variabel independen dalam mempengaruhi
variabel dependen adalah sebesar 15,7% sedangkan sisanya 84,3% dipengaruhi oleh variabel
lain.

Hasil Pengolahann dan Analisis Uji Regresi Linier Uji Signifikansi Simultan (Uji
Statistik F)

Hasil:
ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 55440.811 1 55440.811 11.973 .001b
Residual 268565.772 58 4630.444
Total 324006.583 59
a. Dependent Variable: Kalori
b. Predictors: (Constant), Berat_badan

Analisis:
Berdasarkan tabel ANOVA atau F test, diperoleh nilai F hitung sebesar 11,973 dengan
probabilitas 0,001. Oleh karena probabilitas jauh lebih kecil dari 0,05, maka dapat
disimpulkan bahwa koefisien regresi Kalori/hari tidak sama dengan nol, atau variabel
independen secara simultan berpengaruh terhadap Berat badan. Hal ini juga berarti nilai
koefisien determinasi R Square tidak sama dengan nol, atau signifikan.

Hasil Pengolahan dan Analisis Uji Regresi Linier Uji Signifikansi Parameter Individual
(Uji Statistik t)
Hasil

Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 274.395 41.738 6.574 .000
 Berat_badan 2.128 .615 .414 3.460 .001
a. Dependent Variable: Kalori

Analisis:
Berdasarkan out put diatas nilai sig sebesar 0.001 lebih kecil dari alpa 0.05, sehingga dapat
disimpulkan bahwa H0: Tidak terdapat pengaruh nilai Kalori/hari (X) terhadap nilai Berat
Badan (Y).

Hasil Pengolahan dan Analisis Uji Regresi Linier Uji Signifikansi Parameter Individual
(Uji Statistik t).
Dari variabel independen yang dimasukkan dalam model ternyata tiddak yang signifikan
pada α=5%, hal ini terlihat dari probabilitas Signifikansi jauh dibawah 0,05. Jadi dapat
disimpulkan bahwa variabel Kalori/hari dipengaruhi oleh Berat Badan, dengan persamaan
matematis sebagai berikut:
Y = 274,395 – 2,128 X
Koefisien konstanta bernilai positif menyatakan angka ini merupakan angka knstan yang
mempunyai arti bahwa jika tidak ada nilai Kalori/hari maka nilai Berat badan adalah sebesar
274,395 Koefisien nilai Kalori/hari bernilai negatif menyatakan bahwa dengan
mengasumsikan ketiadaan variabel independen lainnya, maka apabila nilai Kalori/hari
mengalami peningkatan,maka nilai Berat badan mengalami penurunan.

Hasil Pengolahan dan Analisis Uji Regresi Linier HETEROSKEDASTISITAS

Hasil

Analisis:
Terlihat pada tampilan grafik scatterplots di atas bahwa titik-titik tidak menyebar s ecara
acak baik di atas maupun di baw ah angka 0 pada sumbu Y. Hal ini dap at disimpulkan
bahwa terjadi heteroskedastisitas pada model regresi. Analisis dengan grafik plots memiliki
kelem ahan yang cukup signifikan oleh karena jumlah pengamatan mempengaruhi hasil
plotting. Semakin sedikit jumlah pengama tan, maka semakin sulit menginterpretasi kan hasil
grafik plots. Oleh sebab itu diperlukan uji statistik yang lebih dapat men jamin keakuratan
hasil.

Tugas Kelas 26
Regresi Linier Berganda

Data mentah
Berikut data tentang IQ dan tingkat kehadiran sepuluh siswa di kelas yang diperkirakan
mempengaruhi nilai UAS.

No IQ (X1) Tingkat Nilai UAS

Kehadiran (X2) (Y)
1 125 70 75
2 110 100 85
3 127 90 95
4 127 80 85
5 124 85 90
6 112 100 95
7 121 95 85
8 119 100 90
9 126 100 100
10 125 90 85
11 129 75 68
12 124 95 81
13 130 75 93
14 130 90 90
15 130 90 95
16 115 95 89
17 112 70 94
18 120 80 75
19 114 75 75
20 123 70 73
21 121 90 65
22 116 85 88
23 111 90 80
24 127 90 85
25 120 60 60
26 125 60 68
27 121 65 70
28 125 80 75
29 127 85 80
 30 115 90 85
31 113 85 80
32 122 60 70
33 120 95 95
34 111 80 66
35 129 100 78
36 129 70 77
37 122 70 69
38 125 80 96
39 129 90 73
40 113 85 73
41 120 80 67
42 130 90 94
43 119 95 76
44 114 100 96
45 113 85 84
46 118 70 66
47 112 95 71
48 120 85 73
49 110 60 70
50 128 60 83
51 117 100 98
52 120 80 69
53 121 70 67
54 115 100 66
55 113 85 82
56 118 70 82
57 127 100 91
58 110 70 66
59 123 100 95
60 124 85 82
Diketahui Penentuan Hipotesis (H0 dan H1)
H0: Tidak terdapat pengaruh nilai tingkat kehadiran (X2) terhadap nilai UAS (Y).
H1: Terdapat pengaruh nilai tingkat kehadiran (X2) terhadap nilai UAS (Y).
Hasil pengolahan dan Analisis Uji Regresi Linier Deteksi Multikolinieritas
Hasil:

Model Summaryb
Adjusted R Std. Error of the
Model R R Square Square Estimate Durbin-Watson
1 .584a .341 .318 8.764 1.897
a. Predictors: (Constant), Tingkat_kehadiran, IQ
b. Dependent Variable: Nilai_uas

Analisis:
Terlihat dari luaran SPSS nilai R2 cukup tinggi sebesar 34,1%, sedangkan ke banyakan
variabel independen memiliki nilai t statistik yang signifikan pada α=5%. Oleh karena R2
tinggi dan kebanyakan variabel independenn ya signifikan, maka tidak ada indikasi terjadi
multikolinieritas antar variabel independen.

Hasil pengolahan dan Analisis Uji Regresi Linier Deteksi Multikolinieritas

Hasil:

Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) -2.335 23.836 -.098 .922
IQ .356 .184 .209 1.937 .058
Tingkat_kehadiran .477 .092 .556 5.163 .000
a. Dependent Variable: Nilai_uas

Analisis:
Berdasarkan pada nilai Tolerance dan VIF terlihat bahwa tidak ada nilai To lerance di bawah
0,10 begitupula dengan nilai VIF tidak ada yang di atas 10. Dengan menggunakan parameter
ini, tidak terbukti adanya multikolinieritas yang serius.

Hasil pengolahan dan Analisis Uji Regresi Linier Deteksi Multikolinieritas

Hasil:

Collinearity Diagnosticsa
Variance Proportions
Tingkat_kehadir
Model Dimension Eigenvalue Condition Index (Constant) IQ an
1 1 2.984 1.000 .00 .00 .00
2 .015 14.190 .02 .04 .94
3 .001 49.099 .98 .96 .06
a. Dependent Variable: Nilai_uas
Analisis:
Berdasarkan parameter tersebut, dari tiga dimensi, di antaranya memiliki nilai CI di bawah
10, yang berarti tidak terdapat multikolinieritas. Kemudian satu dimensi memiliki nilai antara
10 - 30 yang menunjukkan multikolinieritas moderat.

Hasil pengolahan dan Analisis Uji Regresi Linier Autokorelasi

Hasil:

Model Summaryb
Adjusted R Std. Error of the
Model R R Square Square Estimate Durbin-Watson
1 .584a .341 .318 8.764 1.897
a. Predictors: (Constant), Tingkat_kehadiran, IQ
b. Dependent Variable: Nilai_uas

Analisis:
Dari hasil output di atas didapat nilai DW yang dihasilkan dari model regresi adalah 1.897.
Sedangkan dari tabel DW dengan signifikansi 0,05 dan jumlah data (n) = 60, seta k = 2 (k
adalah jumlah variabel independen) diperoleh nilai dL sebesar 1,514 dan dU sebesar 1,652
(lihat Tabel DW). Karena nilai DW (1.897) terletak antara dU = 1,7298 dan (4-1,64=2.36),
maka tidak ada autokorelasi positif dan negative dalam model. du < d < 4 - du 1.64 < 1.897 <
2.36.