Jawaban : Lihat Analisis

Analisis :
𝛼 masuk dan keluar sama , yaitu 5%.
Tahap 1
Matriks Korelasi
y x1 x2 x3 x4 x5
y 1.0000 0.2928 0.6307 -0.0888 0.4132 -0.0656
x1 0.2928 1.0000 -0.0199 0.4359 -0.0796 0.1049
x2 0.6307 -0.0199 1.0000 0.1057 0.9185 -0.1115
x3 -0.0888 0.4359 0.1057 1.0000 0.0319 0.0377
x4 0.4132 -0.0796 0.9185 0.0319 1.0000 -0.1590
x5 -0.0656 0.1049 -0.1115 0.0377 -0.1590 1.0000
Pilih peubah bebas yang memiliki nilai korelasi tertinggi dengan peubah respon, tanda minus
diabaikan karena menunjukkan arah hubungan. Peubah 𝑋2 memiliki korelasi tertinggi dengan 𝑌
yaitu sebesar 0.6307. Maka 𝑋2 merupakan peubah pertama yang dimasukkan ke dalam
persamaan.
Tahap 2

Regresikan Y dengan X2
𝑦̂ = 2273.088 + 0.0798𝑋2

Dengan taraf signifikansi sebesar 5%, diperoleh F tabel dengan db1=1 dan db2=15 adalah 4.54.
Karena F hitung > F tabel, maka uji F keseluruhan menunjukkan bahwa persamaan ini secara
statistik nyata. Jadi 𝑋2 dipertahankan.
Tahap 3
Menghitung Koefisien Korelasi Parsial (antara peubah bebas yang tidak ada di model regresi
dengan peubah respon) Dengan kondisi bahwa X2 sudah ada di dalam model.
𝑟𝑌𝑋1 − 𝑟𝑌𝑋2 ∙ 𝑟𝑋1.𝑋2 0.293−(0.631)∙(−0.020)
• 𝑟𝑌𝑋1 .𝑋2 = = = 0.394 𝑟𝑌𝑋1 .𝑋2 2 = 0.155
√(1−𝑟𝑌.𝑋2 2 )((1−𝑟𝑋1 .𝑋2 2 ) √(1−(0.631)2 )(1−(−0.020)2 )

𝑟𝑌𝑋3 − 𝑟𝑌𝑋2 ∙ 𝑟𝑋3.𝑋2 (−0.089)−(0.631)∙(0.106)

• 𝑟𝑌𝑋3 .𝑋2 = = = −0.202
√(1−𝑟𝑌.𝑋2 2 )((1−𝑟𝑋3 .𝑋2 2 ) √(1−(0.631)2 )(1−(0.106)2 )

𝑟𝑌𝑋1 .𝑋2 2 = 0.155

𝑟𝑌𝑋4 − 𝑟𝑌𝑋2 ∙ 𝑟𝑋4.𝑋2 (0.413)−(0.631)∙(0.918)
• 𝑟𝑌𝑋4 .𝑋2 = = = −0.541
√(1−𝑟𝑌.𝑋2 2 )((1−𝑟𝑋4 .𝑋2 2 ) √(1−(0.631)2 )(1−(0.918)2 )

𝑟𝑌𝑋4 .𝑋2 2 = 0.293

 𝑟𝑌𝑋5 − 𝑟𝑌𝑋2 ∙ 𝑟𝑋5.𝑋2 (−0.066)−(0.631)∙(−0.111)
• 𝑟𝑌𝑋5 .𝑋2 = = = −0.006
√(1−𝑟𝑌.𝑋2 2 )((1−𝑟𝑋5 .𝑋2 2 ) √(1−(0.631)2 )(1−(−0.111)2 )

𝑟𝑌𝑋4 .𝑋2 2 = 0.00004

Ringkasan :
𝑟𝑌𝑋1 .𝑋2 2 = 0.155; 𝑟𝑌𝑋1 .𝑋2 2 = 0.155; 𝑟𝑌𝑋4 .𝑋2 2 = 0.293 ; 𝑟𝑌𝑋4 .𝑋2 2 = 0.00004
𝑟𝑌𝑋4 .𝑋2 2 = 0.293 merupakan korelasi parsial tertinggi
Maka, X4 adalah peubah kedua yang dimasukkan ke dalam model regresi.
Tahap 4
Regresikan Y dengan X2 dan X4
𝑦̂ = 4600.805 + 0.203𝑋2 − 21.567𝑋4

Dengan taraf signifikansi sebesar 5%, diperoleh F tabel dengan db1=2 dan db2=14 adalah 3.74.
Karena F hitung > F tabel, maka uji F keseluruhan menunjukkan bahwa persamaan ini secara
statistik nyata. Namun, nilai koefisien determinasi 𝑅 2 cukup rendah yaitu sebesar 0.574 atau hanya
57.4% keragaman 𝑌 dapat dijelaskan oleh 𝑋2 𝑑𝑎𝑛 𝑋4.
Tahap 5
Menghitung nilai F parsial untuk X2 dan X4
Kriterianya : Jika F parsial > F tabel, maka peubah X dipertahankan

Keputusan :
Karena nilai F parsial dari kedua peubah lebih besar dari F tabel, maka X2 dan X4 dipertahankan
untuk tetap dimasukkan di model regresi.
Tahap 6
Menghitung Koefisien Korelasi Parsial (antara peubah bebas yang tidak ada di model regresi
dengan peubah respon) Dengan kondisi bahwa 𝑿2 𝒅𝒂𝒏 𝑿𝟒 sudah ada di dalam model
𝒓𝒀𝑿𝟏.𝑿𝟐𝑿𝟒
𝑟𝑌𝑋1 .𝑋4 − 𝑟𝑌𝑋2 .𝑋4 ∙ 𝑟𝑋1 𝑋2.𝑋
4
𝑟𝑌𝑋1 .𝑋2 𝑋4 =
√(1−𝑟𝑌𝑋2 .𝑋4 2 )((1−𝑟𝑋1 𝑋2 .𝑋4 2 )
𝑟𝑌𝑋1 − 𝑟𝑌𝑋4 ∙ 𝑟𝑋1.𝑋4
𝑟𝑌𝑋1 .𝑋4 = = 0.359
√(1−𝑟𝑌.𝑋4 2 )((1−𝑟𝑋1 .𝑋4 2 )

𝑟𝑌𝑋1 .𝑋4 2 = 0.129

𝑟𝑌𝑋2 − 𝑟𝑌𝑋4 ∙ 𝑟𝑋2 .𝑋4
𝑟𝑌𝑋2 .𝑋4 = = 0.698
√(1−𝑟𝑌.𝑋4 2 )((1−𝑟𝑋2 .𝑋4 2 )

𝑟𝑌𝑋2 .𝑋4 2 = 0.487

𝑟𝑋1 𝑋2 − 𝑟𝑋1 𝑋4 ∙ 𝑟𝑋2 .𝑋4
𝑟𝑋1 𝑋2 ∙𝑋4 = = 0.135
√(1−𝑟𝑋1 .𝑋4 2 )((1−𝑟𝑋2 .𝑋4 2 )

𝑟𝑋1 𝑋2 ∙𝑋4 2 = 0.018

Maka,
𝑟𝑌𝑋1 .𝑋4 − 𝑟𝑌𝑋2 .𝑋4 ∙ 𝑟𝑋1 𝑋2. 𝑋4 (0.359)−(0.698)𝑥(0.135)
𝑟𝑌𝑋1 .𝑋2 𝑋4 = = = 0.373
√(1−𝑟𝑌𝑋2 .𝑋4 2 )((1−𝑟𝑋1 𝑋2 .𝑋4 2 ) √(1−(0.487))(1−0.018)

𝑟𝑌𝑋1 .𝑋2 𝑋4 2 = 0.139

𝒓𝒀𝑿𝟑.𝑿𝟐𝑿𝟒 ,
𝑟𝑌𝑋3 .𝑋4 − 𝑟𝑌𝑋3 .𝑋4 ∙ 𝑟𝑋3 𝑋2.𝑋
4
𝑟𝑌𝑋3 .𝑋2 𝑋4 =
√(1−𝑟𝑌𝑋2 .𝑋4 2 )((1−𝑟𝑋3 𝑋2 .𝑋4 2 )
𝑟𝑌𝑋3 − 𝑟𝑌𝑋4 ∙ 𝑟𝑋3.𝑋4
𝑟𝑌𝑋3 .𝑋4 = = -0.112
√(1−𝑟𝑌.𝑋4 2 )((1−𝑟𝑋3 .𝑋4 2 )

𝑟𝑌𝑋3 .𝑋4 2 = 0.013

𝑟𝑌𝑋2 − 𝑟𝑌𝑋4 ∙ 𝑟𝑋2 .𝑋4
𝑟𝑌𝑋2 .𝑋4 = = 0.698
√(1−𝑟𝑌.𝑋4 2 )((1−𝑟𝑋2 .𝑋4 2 )

𝑟𝑌𝑋2 .𝑋4 2 = 0.487

𝑟𝑋3 𝑋2 − 𝑟𝑋3 𝑋4 ∙ 𝑟𝑋2 .𝑋4
𝑟𝑋3 𝑋2 ∙𝑋4 = = 0.193
√(1−𝑟𝑋3 .𝑋4 2 )((1−𝑟𝑋3 .𝑋4 2 )

𝑟𝑋3 𝑋2 ∙𝑋4 2 = 0.037

Maka,
𝑟𝑌𝑋3 .𝑋4 − 𝑟𝑌𝑋2 .𝑋4 ∙ 𝑟𝑋3 𝑋2. 𝑋4 (−0.112)−(0.698)(0.193)
𝑟𝑌𝑋3 .𝑋2 𝑋4 = = = -0.351
√(1−𝑟𝑌𝑋2 .𝑋4 2 )((1−𝑟𝑋3 𝑋2 .𝑋4 2 ) √(1−(0.487))(1−0.037)

𝑟𝑌𝑋3 .𝑋2 𝑋4 2 = 0.123

𝒓𝒀𝑿𝟓.𝑿𝟐𝑿𝟒 ,
𝑟𝑌𝑋5 .𝑋4 − 𝑟𝑌𝑋5 .𝑋4 ∙ 𝑟𝑋5 𝑋2.𝑋
4
𝑟𝑌𝑋5 .𝑋2 𝑋4 =
√(1−𝑟𝑌𝑋2 .𝑋4 2 )((1−𝑟𝑋5 𝑋2 .𝑋4 2 )
 𝑟𝑌𝑋5 − 𝑟𝑌𝑋4 ∙ 𝑟𝑋5.𝑋4
𝑟𝑌𝑋5 .𝑋4 = = 0.000095
√(1−𝑟𝑌.𝑋4 2 )((1−𝑟𝑋5 .𝑋4 2 )

𝑟𝑌𝑋5 .𝑋4 2 = 0.000000009

𝑟𝑌𝑋2 − 𝑟𝑌𝑋4 ∙ 𝑟𝑋2 .𝑋4
𝑟𝑌𝑋2 .𝑋4 = = 0.698
√(1−𝑟𝑌.𝑋4 2 )((1−𝑟𝑋2 .𝑋4 2 )

𝑟𝑌𝑋2 .𝑋4 2 = 0.487

𝑟𝑋5 𝑋2 − 𝑟𝑋5 𝑋4 ∙ 𝑟𝑋2 .𝑋4
𝑟𝑋5 𝑋2 ∙𝑋4 = = 0.089
√(1−𝑟𝑋5 .𝑋4 2 )((1−𝑟𝑋5 .𝑋4 2 )

𝑟𝑋5 𝑋2 ∙𝑋4 2 = 0.008

Maka,
𝑟𝑌𝑋5 .𝑋4 − 𝑟𝑌𝑋2 .𝑋4 ∙ 𝑟𝑋5 𝑋2. 𝑋4 (0.000095)−(0.698)(0.089)
𝑟𝑌𝑋5 .𝑋2 𝑋4 = = = -0.086
√(1−𝑟𝑌𝑋2 .𝑋4 2 )((1−𝑟𝑋5 𝑋2 .𝑋4 2 ) √(1−(0.487))(1−0.008)

𝑟𝑌𝑋5 .𝑋2 𝑋4 2 = 0.007

Karena 𝑟𝑌𝑋1 .𝑋2 𝑋4 2 = 0.139 merupakan nilai yang paling besar, maka 𝑿1 adalah peubah ke-3 yang
dimasukkan ke dalam model regresi.
Tahap 7
Regresikan Y dengan X1, X2, dan X4
𝑦̂ = 3843.17 + 8.283𝑋1 + 0.193𝑋2 − 19.606𝑋4

Dengan taraf signifikansi sebesar 5%, diperoleh F tabel dengan db1=3 dan db2=13 adalah 3.41.
Karena F hitung > F tabel, maka uji F keseluruhan menunjukkan bahwa persamaan ini secara
statistik nyata. Nilai koefisien determinasi 𝑅2 tidak terlalu tinggi yaitu sebesar 0.633 atau 63.3%
keragaman 𝑌 dapat dijelaskan oleh 𝑋1, 𝑋2, 𝑑𝑎𝑛 X4
Tahap 8
Menghitung nilai F parsial untuk X1, X2 dan X4
Kriterianya : Jika F parsial > F tabel, maka peubah X dipertahankan

Berdasarkan hasil tersebut, nilai F parsial 𝑿1 lebih kecil dari F tabel, sedangkan 𝑿2 dan X4 bernilai
lebih besar dari F tabel. Maka, hanya peubah 𝑿2 dan 𝑿4 yang dimasukkan ke dalam model regresi.
Jadi, model regresi terbaiknya adalah
𝑦̂ = 4600.805 + 0.203𝑋2 − 21.567𝑋4
Berdasarkan uji F dengan taraf signifikansi sebesar 5%, diperoleh F hitung = 9,440 > F tabel = 3,74,
maka uji F keseluruhan menunjukkan bahwa persamaan ini secara statistik nyata. Kebaikan model
ini digambarkan (salah satunya) oleh nilai koefisien determinasi 𝑅 2 sebesar 0.574 yang berarti
57.4% keragaman 𝑌 dapat dijelaskan oleh 𝑋2 𝑑𝑎𝑛 𝑋4.