LAPORAN RESMI

PRAKTIKUM STATISTIKA
REGRESI LINIER BERGANDA

DISUSUN OLEH

NAMA : FAJAR SHUFI FAUZIANTO

NPM : 21034010144
KELOMPOK : C4

DOSEN PENGAMPU
Restu Hikmah A. M, SST, MSc

PEMBIMBING
Anggit Salis Media U

PROGRAM STUDI TEKNIK LINGKUNGAN

FAKULTAS TEKNIK
UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN” JAWA TIMUR
2022
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Analisis regresi merupakan suatu cara yang dapat digunakan untuk mengetahui
hubungan sebuah variabel tak bebas (regression) dengan sebuah atau lebih variabel bebas
(regressor). Bila dalam analisisnya hanya melibatkan sebuah variabel bebas, maka analisis
yang digunakan adalah analisis regresi linier sederhana. Apabila dalam persamaan analisis
regresi melibatkan dua atau lebih variabel bebas, maka regresi ini disebut analisis regresi
linier berganda (multiple linier regression).
Analisis regresi linier berganda merupakan suatu model regresi yang melibatkan lebih
dari satu variabel independen. Analisis regresi linier berganda digunakan juga untuk
mengetahui seberapa besar pengaruh variabel independen pada variabel dependennya dan
juga digunakan untuk mengetahui arah. Analisis regresi linier berganda mempunyai lebih
dari satu variabel bebas, sering menimbulkan masalah karena terjadinya hubungan kuat
antara dua variabel bebasnya yang mengakibatkan terjadinya kolinearitas ganda
(multikolenierity).
Analisis regresi berganda adalah pengembangan dari analisis regresi sederhana.
Kegunaannya yaitu untuk meramalkan nilai variabel terika (Y) apabila jumlah variabel bebas
berjumlah dua atau lebih. Analisis regresi berganda adalah suatu alat analisis peramalan nilai
dua variabel bebas atau lebih terhadap variabel terikat untuk membuktikan ada atau tidaknya
hubungan fungsi atau hubungan kasual diantaranya (Riduwan, 2009) Berdasarkan uraian
diatas, uji regresi digolongkan menjadi tiga macam, salah satunya adalah regresi linier
berganda.
Oleh karena itu, untuk dapat memudahkan kita dalam mengolah suatu data dan menarik
kesimpulan dari suatu penelitian yang dilakukan, maka dilakukannya praktikum analisis
regresi linier berganda. Sehingga hasil perhitungan yang didapat akan memperoleh nilai-
nilai yang akurat.

1.2 Tujuan Praktikum

Adapun tujuan dari dilakukannya praktikum regresi linier berganda kali ini, yaitu untuk
mengukur kekuatan hubungan antara variabel respon dan beberapa variabel prediktor,
memprediksi pengaruh suatu variabel atau beberapa variabel prediktor terhadap variabel
respon.

1.3 Ruang Lingkup

1. Pada praktikum ini menggunakan aplikasi minitab sebagai media penerapannya.
2. Materi praktikum yang diangkat mengenai pengolahan suatu data dengan regresi ganda.
3. Data yang digunakan dalam perhitungan bersumber dari hasil jurnal dan makalah.
 BAB II
TINJAUAN PUSTAKA

2.1 Pengertian Analisis Regresi Linier Berganda

Dalam persamaan regresi terdapat dua macam variabel, yaitu variabel independen (x)
dan variabel dependen (y). Variabel dependen ialah variabel yang nilainya tergantung
dengan variabel lain sedangkan variabel indepen adalah variabel yang nilainya tidak
bergantung pada variabel lain. Hubungan sifat antarvariabel dalam persamaan regresi adalah
hubungan sebab akibat.
Regresi linear berganda merupakan sesuatu lanjutan dari regresi linear sederhana,
dimana ketika regresi linear sederhananya menyediakan satu variabel independent (x) dan
satu variabel depedenden (y) (Kurniawan, 2016:91). Maka regresi linear menyediakan lebih
dari satu variabel y, atau bisa dikatakan apabila terdapat suatu yang dapat mempengaruhi
variabel konsumsi (y) yang dipengaruhi oleh lebih dari satu variabel. Oleh karena itu, regresi
linear berganda disini untuk melengkapi kekurangan regresi linear sederhana ketika terdapat
lebih dari satu variabel independent (x1, x2, x3….xn) dan satu variabel dependen (y).
analisis ini untuk mengetahui arah hubungan antara varabel independent dan variabel
dependen, akahag masing-masing variabel independent berhubungan positif atau negative
serta untuk memprediksi nilai dari variabel dependen apabila nilai variabel independent
mengalami kenaikan atau penurunan. Atau data yang digunakan berskala interval atau rasio.
Analisis ini dugunakan untuk mengetahui arah hubungan antara variabel independen dengan
variabel dependen apakah masing-masing variabel independen berhubungan positif atau
negatif dan untuk memprediksi nilai dari variabel dependen apabila nilai variabel
independen mengalami kenaikan atau penurunan. Data yang digunakan biasanya berskala
interval atau rasio.

2.2 Model Regresi Linier Berganda

Berdasarkan Raraway 2020 terdapat model regresi lnear berganda, dengan terdiri dari
satu variabel dependen dan beberapa variabel independent :
𝑌𝑖 = 𝛽0 + 𝛽1 𝑋𝑖1 + 𝛽2𝑋𝑖1 + ⋯ 𝛽𝑘𝑋𝑖𝑘 + 𝑒𝑖
Dimana arti dari symbol diatas adalah dengan 𝑌𝑖 merupakan nilai variabel dependen
dalam observasi ke-i, 𝑋𝑖1, 𝑋𝑖1,𝑋𝑖𝑘 merupakan variabel independen pada observasi ke-i dan
parameter ke-k, dan 𝛽0, 𝛽1 , 𝛽2, … 𝛽𝑘 merupakan parameter regresi yang tidak diketahui
nilainya dan akan dicari nilai estimasinya, 𝑒𝑖 merupakan galat yang berdistribusi normal
dengan mean-nya nol dan variasinya 𝜎 2 atau 𝑒𝑖~𝑁(0, 𝜎 2 )

2.3 Pengujian Asumsi Analisa Regresi

Pengujian asumsi analisis regresi adalah pengujian asumsi-asumsi statistik yag harus
dipenuhi pada analisis regresi linear berganda yang berbasis metode kuadrat terkecil. Metode
kuadrat terkecil sendiri merupakan suatu metode yang digunakan untuk mengestimasi 𝛽0,
𝛽1 , 𝛽2, … 𝛽𝑘 dengan cara meminimumkan jumlah kuadrat galat. Uji asumsi yang dilakukan
pada model regresi diantaranya :
1. Uji Asumsi Normalitas
Analisis ini mengansumsikan bahwa residual berdistribusi noermal. Cara untuk
menguji asumsi kenormalan yaitu dengan menggunakan uji Kolmogorov Smirnov. Uji
ini didasarkan pada nilai D dengan ketentuan :
𝐷 = 𝑀𝑎𝑥𝐹0𝑋1 − 𝑆𝑛𝑋1 , 𝑖 = 1,2,3, … 𝑛
Dengan 𝐹0𝑋1 merupakan fungsi distribusi komulatif dari distribusi teoritis dibawah
𝐻0. 𝑆𝑛𝑋1 merupakan distribusi frekuensi komulatif dari observasi sebanyak n. 𝐻0
merupakan residu yang berdistribusi normal. Selanjutnya nilai D ini dibandingkan
dengan nilai D kritis dengan signifikansi pada tabel Kolmogorov-Smirnov. Apabila nilai
D > Dtabel maka asumsi normalitas dipenuhi.
2. Uji Asumsi Homoskedastisitas
Uji Homoskedastisitas adalah variansi residu pada setiap variabel adalah
homoskedasitas (Gujarti, 2004). Pengujian ini bertujuan untuk mengetahui apakah
variansi pada tiap residu konstan. Jika variansi pada tiap residu berbeda disebut
heteroskedastisitas. Asumsi ini dapat ditulis sebagai berikut :
𝑉𝑎𝑟 𝑒𝑖 = 𝜎 2 , 𝑖 = 1,2, … , 𝑛
Dari pernyataan tersebut jika sebaran residu bersifat acak (tidak membentuk pola
tertentu), maka dikatakan bahwa variansi sisaan homogen (Draper & Smith, 1981).
3. Uji Asumsi Non Autokorelasi
Salah satu asumsi dari regresi linear adalah bahwa tidak adanya autokorelasi antara
serangkaian pengamatan yang diurutkan menurut waktu. Pendeteksian autokorelasi
dapat dideteksi secara grafis yaitu dengan melihat scatter-plot residu terhadap urutan
waktu. Jika sebaran residu terhadap urutan waktu tidak membentuk pola tertentu atau
bersifat acak maka dapat disimpulkan tidak ada autokorelasi antar residu. Untuk
mendeteksi autokorelasi dapat menggunakan metode grafik, karena metode ini paling
sederhana sekaligus merupakan langkah awal untuk mendeteksi adanya autokorelasi.
Sesuai dengan definisinya, metode ini membandingkan antara residu dengan variabel X.
Selain itu, dengan membandingkan antara residu ke-t dengan residu ke-(t-1). Suatu
grafik mengindikasikan adanya autokorelasi dapat dilihat dari polanya.
 BAB III
DATA
3.1 Data Penelitian

Waktu Tegangan TSS

30 3 122,5
60 3 122,4
90 3 122,3
120 3 122,1
30 6 122,4
60 6 122,3
90 6 122,2
120 6 121,9

3.2 Data yang Digunakan dalam Analisis Korelasi

3.2.1 Variabel
- Waktu
- Tegangan
- TTS
 BAB IV
LANGKAH PENGOLAHAN DATA

4.1 Langkah Pengolahan Data untuk Analisis Regresi Linear Berganda

Tahap
No. Gambar
Pengerjaan

Buka software
1.
minitab

Masukkan data
kedalam
2.
worksheet atau
lembar kerja

Pilih Stat > Basic

3. Statistics >
Correlation

4. Pilih Stat >

 Regression > Best
Subsets

Pilih yang akan di

5.
Regresikan

Klik OK
Akan muncul
pada bagian
6.
Session Lalu
interpretasikan
hasil data tersebut

Regresikan satu
7.
per satu
 BAB V
HASIL DAN PEMBAHASAN

5.1 Hasil Analisa Praktikum

Korelasi Waktu, Tegangan, TSS
Correlations
Correlation: waktu; tegangan; TSS

waktu tegangan
tegangan 0,000
TSS -0,901 -0,348

Cell Contents: Pearson correlation

Best Subtsets Regression

Response is TSS

t
e
g
w a
a n
k g
R-Sq R-Sq Mallows t a
Vars R-Sq (adj) (pred) Cp S u n
1 81,3 78,1 62,3 10,1 0,089907 X
1 12,1 0,0 0,0 61,9 0,19472 X
2 93,3 90,7 81,3 3,0 0,058737 X X

Analisis Regresi
Hasil Running Uji Regresi Y Versus X1

Regression Analysis: TSS versus waktu; tegangan

Method

Categorical predictor coding (1; 0)

Analysis of Variance

Source DF Adj SS Adj MS F-Value P-Value

Regression 2 0,24150 0,120750 35,00 0,001
waktu 1 0,21025 0,210250 60,94 0,001
tegangan 1 0,03125 0,031250 9,06 0,030
Error 5 0,01725 0,003450
Total 7 0,25875

Model Summary

S R-sq R-sq(adj) R-sq(pred)

0,0587367 93,33% 90,67% 81,33%
Coefficients

Term Coef SE Coef T-Value P-Value VIF

Constant 122,687 0,055 2232,99 0,000
waktu -0,004833 0,000619 -7,81 0,001 1,00
tegangan
6 -0,1250 0,0415 -3,01 0,030 1,00

Regression Equation

tegangan
3 TSS = 122,687 - 0,004833 waktu

6 TSS = 122,562 - 0,004833 waktu

Hasil Running Uji Regresi Y Versus X1, X2

Regression Analysis: TSS versus waktu; tegangan

Analysis of Variance

Source DF Adj SS Adj MS F-Value P-Value

Regression 2 0,24150 0,120750 35,00 0,001
waktu 1 0,21025 0,210250 60,94 0,001
tegangan 1 0,03125 0,031250 9,06 0,030
Error 5 0,01725 0,003450
Total 7 0,25875

Model Summary

S R-sq R-sq(adj) R-sq(pred)

0,0587367 93,33% 90,67% 81,33%

Coefficients

Term Coef SE Coef T-Value P-Value VIF

Constant 122,812 0,080 1526,98 0,000
waktu -0,004833 0,000619 -7,81 0,001 1,00
tegangan -0,0417 0,0138 -3,01 0,030 1,00

Regression Equation

TSS = 122,812 - 0,004833 waktu - 0,0417 tegangan

5.2 Pembahasan
Pada uji analisi linear berganda ini dapat ditentukan pada hasil subset dengan varian Waktu,
Tegangan, TSS yang dipilih adalah yang memiliki nilai R-Sq tertinggi dari keseluruhan
variasi yang ada. Dari hasil tersebut didapatkan hasil best subset yang Dari hasil
perbandingan tersebut Korelsi antara tegangan dan waktu 0 artinya korelasi tidak ada
Antar tss dan waktu -0.901 artinya korelasi negatif dan nilainya sangat kuat
Antara tegangan dengan tss nilainya -0.348 artinya korelasinya lemah dan jenis korelasi
negative Dari subset kita tahu bahwa pada variasi 1 nilai r sq tertinggi 81.3 yaitu antara tss
dengan waktu Dan variasi 2 yaitu 93.3 antara tss dengan waktu dan tegangan
Dari running tss vs waktu tegangan di dapat df nya 2 dan p value nya waktu 0.01 <5% maka
h0 ditolak paramater ada dalam model P value tegangan 0.030 >5% maka ho gagal ditolak
parameter tidak ada dalam model

Intersept
122,812
Slope parameter 1 = - 0,004833 waktu
Slope parameter 2 = - 0,0417 tegangan
 BAB VI
KESIMPULAN DAN SARAN
6.1 Kesimpulan
Dalam praktikum regresi linear berganda yang telah dilakukan, adapun kesimpulan yang
bisa diperoleh, yaitu variabel yang cocok dan terbaik untuk melakukan uji lanjutan pada
penelitian ini adalah dengan menggunakan variabel Waktu, Tegangan, TSS mampu
memiliki nilai terbesar. Pada uji analisi linear berganda ini dapat ditentukan pada hasil subset
dengan varian Waktu, Tegangan, TSS yang dipilih adalah yang memiliki nilai R-Sq tertinggi
dari keseluruhan variasi yang ada. Dari hasil tersebut didapatkan hasil best subset yang Dari
hasil perbandingan tersebut Korelsi antara tegangan dan waktu 0 artinya korelasi tidak ada
Antar tss dan waktu -0.901 artinya korelasi negatif dan nilainya sangat kuat

6.2 Saran
Saran yang dapat diberikan ialah agar semua praktikan menguasai materi regresi
linear berganda dengan cermat serta teliti sehingga pada saat pelaksanaan running data
diaplikasi minitab dapat selesai dengan tepat waktu dan mencegah terjadinya kesalahan
dalam pengujian. Para praktikum juga diharapkan lebih memahami pengujian regresi
linear berganda, perhitungannya, dan penerapan konsepnya dalam kehidupan sehari-
hari.
 DAFTAR PUSTAKA

Riduwan, 2009. Dasar-Dasar Statistika . Bandung: Alfabeta.

G Mona, Margaretha, dkk. 2015. Penggunaan Regresi Linear Berganda untuk Menganalisis
Pendapatan Petani Kelapa Studi Kasus: Petani Kelapa Di Desa Beo, Kecamatan Beo
Kabupaten Talaud. Vol. 4. No 2. Sulawesi Utara.
Kurniawan, Robert. 2016. Analisis Regresi: Dasar dan Penerapannya dengan R. Jakarta:
KENCANA
Oteny, Ayi. 2014. “Laporan Regresi Berganda” (online),