LAPORAN PRAKTIKUM

STATISTIKA INDUSTRI II
“STATISTIK DESKRIPTIF, UJI ASUMSI, DAN REGRESI LINIER BERGANDA”

Oleh:
Nama : Alifatus Sholikhah
NIM : 175100301111001
Kelompok : 10
Asisten : Fatimatur Rahmawati
 LABORATORIUM KOMPUTASI DAN ANALISIS SISTEM
JURUSAN TEKNOLOGI INDUSTRI PERTANIAN
FAKULTAS TEKNOLOGI PERTANIAN
UNIVERSITAS BRAWIAYA
MALANG
2018
BAB I
PENDAHULUAN

1.1 Latar Belakang

Statistika deskriptif adalah bagian dari ilmu statistika yang hanya
mengolah, menyajikan data tanpa mengambil keputusan untuk populasi. Dengan
kata lain hanyamelihat gambaran secara umum dari data yang didapatkan.
Statistika adalah ilmu yang mempelajari bagaimana merencanakan,
mengumpulkan, menganalisis, menginterpretasi, dan mempresentasikan data.
Singkatnya, statistika adalah ilmu yang berkenaan dengan data. Dalam
kehidupan, suatu data sangat diperlukan oleh banyak dunia kerja seperti
pemerintahan, perusahaan, dan pendidikan untuk mengetahui berapa banyak
data yang di peroleh, bagaimana menginterprestasikannya, serta menganalisis
masalah yang berkenaan, menyajikan dan menginformasikannya
sehingga statistika deskriptif ini dapat mudah proses tersebut.
Analisis regresi merupakan alat statistik yang banyak digunakan dalam
berbagai bidang. Analisis tersebut bertujuan untuk mengetahui hubungan antara
variabel dependen dan variabel independen. Salah satu cara untuk melakukan
analisis data multivariat dapat digunakan analisis regresi ganda (multiple
regression analysis). Metode ini dapat diperluas penggunaannya dalam berbagai
bidang penelitian, baik yang eksperimen manpun yang bukan bersifat
eksperimen dalam ilmu social dan lain sebagainya. Dalam uji analisis regresi ada
beberapa syarat yang harus dipenuhi agar estimasi yang diperoleh adalah benar
dan efektif. Salah satu asumsi yang penting dan harus terpenuhi. Dari Latar
belakang di atas tujuan umum penelitian ini adalah untuk mengetahui uji
persyaratan regresi linear ganda (Linearitas, Multikolinearitas, Heterosdastisitas,
Autokorelasi) agar estimasi yang di peroleh adalah benar dan efektif.
1.2 Tujuan
Tujuan dari Praktikum Statistika Industri 2 tentang statistika deskriptif, uji
asumsi, dan regresi linier berganda yaitu untuk mengetahui definisi dari statistika
deskriptif, uji asumsi dan regresi linier. Untuk mengetahui pemanfaatan statistika
deskriptif, uji asumsi dan regresi linier. Dan aplikasi dari statistika deskriptif, uji
asumsi dan regresi linier.

BAB II
TINJAUAN PUSTAKA

2.1 Uji Statistik Deskriptif

2.1.1 Definisi Uji Statistik Deskriptif
Descriptive statistical analysis is any statistical or mathematical procedure
that reduces or summarizes numerical and/or categorical data into a form that is
more easily understood. Descriptive statistics is that branch of statistics that you
use when the data have been collected any you now wish to describe them.
Contrast this with the other major branch of statistics, known as interential
statistical analysis (Aldrich and James, 2016).
Analisis statistik deskriptif adalah setiap prosedur statistik atau
matematika yang mengurangi atau meringkas data numerik dan / atau kategori
menjadi bentuk yang lebih mudah dipahami. Statistik deskriptif adalah cabang
statistik yang Anda gunakan saat data telah dikumpulkan, yang sekarang ingin
Anda jelaskan. Bandingkan hal ini dengan cabang besar statistik lainnya, yang
dikenal sebagai analisis statistik interferensi (Aldrich dan James, 2016).
2.1.2 Kelebihan dan Kekurangan Uji Statistik Deskriptif
Kelebihan statistika deskriptif, yaitu dapat menyajikan sejumlah data yang
besar, dengan pola distribusinya, ke dalam bentuk yang lebih ringkas dan
kompak. Jika data mentah penelitian tidak diolah, tidak mungkin dapat secara
cepat memberikan gambaran keadaan atau potret diri profil anggota/pengguna
perpustakaan. Jika data mentah diolah menjadi bentuk tabel, akan terkesan lebih
sulit dan kurang komunikatif. Penyajian bentuk histogram, atau diagram, atau
bentuk gambar lain secara cepat dapat menyajikan informasi yang lebih mudah
ditangkap dan dimengerti. Akan tetapi kekurangannnya adalah penggunaan
statistika deskriptif adalah metode tersebut tidak dipergunakan untuk melihat
pengaruh satu variabel dengan variabel lainnya di dalam suatu penelitian
(Saparita, 2012).
2.1.3 Aplikasi Uji Statistik Deskriptif bidang Agroindustri
Uji deskriptif digunakan untuk mengidentifikasi karakteristik sensori yang
penting pada suatu produk dan memberikan informasi tentang intensitas
karakteristik tersebut. Informasi deskriptif tersebut dapat membantu dalam
mengindentifikasi variabel bahan atau proses yang bertanggung jawab terhadap
karateristik tertentu. Begitu juga uji deskriptif merupakan uji yang membedakan
produk berdasarkan karateristik sensorinya dan menentukan deskripsi produk
secara kuantitatif. Metode uji deskriptif melibatkan atribut sensori secara objektif,
deskripsi dan kuantitatif terhadap produk yang di analisis oleh panelis terlatih
(Maharani dan kiki, 2015).
2.1.4 Kegunaan Pie Chart, Bar Chart
A pie chart, like a pictograph is designed to show how many things
belong to each category of an attribute. It does this by representing the entire of
data as a circle or ‘pie’ and dividing the circle into segment or ‘slice’. Each
segment represents a category and the size of the segment reflects the number
of things in the category. A third way of presenting qualitative data is to display it
in the form of a bar chart. Like pie charts, bar charts are widely used,
straighttoward to interpret, and can be constructed using a spreadsheet or
statistical package. However, because there are several different varieties of bar
charts, they are more flexible tools, by using a bar chart we can portray a two for
even three way tabulation in a single diagram (Taylor and Francis, 2012).
Bagan pai, seperti piktograf dirancang untuk menunjukkan berapa banyak
barang milik setiap kategori atribut. Ini dilakukan dengan merepresentasikan
seluruh data sebagai lingkaran atau ‘pai’ dan membagi lingkaran menjadi
segmen atau ‘slice’. Setiap segmen mewakili kategori dan ukuran segmen
mencerminkan jumlah hal-hal dalam kategori. Cara ketiga menyajikan data
kualitatif adalah dengan menampilkannya dalam bentuk grafik batang. Seperti
diagram lingkaran, diagram batang banyak digunakan, lurus untuk ditafsirkan,
dan dapat dikonstruksi menggunakan spreadsheet atau paket statistik. Namun,
karena ada beberapa jenis diagram batang yang berbeda, mereka adalah alat
yang lebih fleksibel, dengan menggunakan diagram batang kita dapat
menggambarkan dua bahkan untuk tabulasi tiga cara dalam satu diagram
tunggal (Taylor dan Francis, 2012).
2.1.5 Kegunaan Box Plot dan Line Chart
Dalam statistics analysis, Box Plot merupakan metode graphic yang
mudah digunakan dan diintepretasikan untuk memperoleh informasi dari sebuah
sample. Box Plot dapat juga digunakan untuk mengetahui data extreme (outlier)
dari suatu data. Box Plot dapat digambarkan dalam posisi vertical maupun
horizontal. Diagram garis adalah penyajian data statistik dengan menggunakan
diagram berbentuk garis lurus. Kegunaannya: Diagram inibiasanya digunakan
untuk menyajikan data statistik yang diperoleh berdasarkan pengamatan dari
waktu ke waktu secara berurutan.Grafik ini juga untuk menggambarkan nilai
masing-masing deret data dalam bentuk garis pada sebuah baris. Fungsinya
untuk menunjukkan data pada rentang waktu tertentu.

2.2 Regresi Linier Berganda

2.2.1 Pengertian Regresi Linier Berganda
Suppose that the response variable Y is quantitative and that at least one
predictor variable x, is quantitative. Then the multiple linear regression (MLR)
model is often a very useful model. For the MLR model

For I = 1……, n. Here Y, is the response variable, x, is a p x l vector of nontrivial

predictors, α is an unknown constant, β is a p x l vector of unknown coefficients,
and €, is a random variable called the error (Olive, 2017).
Anggaplah bahwa variabel respon Y adalah kuantitatif dan bahwa
setidaknya satu variabel prediktor x, adalah kuantitatif. Kemudian model regresi
linier berganda (MLR) sering menjadi model yang sangat berguna. Untuk model
MLR

Untuk I = 1 ……, n. Di sini Y, adalah variabel respon, x, adalah vektor p x l dari

prediktor trivial, α adalah konstanta yang tidak diketahui, β adalah vektor px l dari
koefisien yang tidak diketahui, dan €, adalah variabel acak yang disebut
kesalahan (Olive, 2017).
2.2.2 Tujuan Regresi Linier Berganda
Regresi linier berganda bertujuan untuk memodelkan atau menjelaskan
hubungan antar variabel. Regresi linier berganda juga bertujuan untuk
memprediksi nilai dari dua atau lebih variabel independen (variabel bebas)
terhadap variabel dependen (variabel terikat). Selain itu terdapat tujuan regresi
linear secara umum yaitu berfungsi dalam pembuatan estimasi rata-rata dan
menguji hipotesis karakteristik dependensi, meramalkan nilai rata-rata variabel
bebas dengan didasarkan pada nilai variabel bebas diluar jangkauan sampel
(Santoso, 2009).
2.2.3 Fungsi Regresi Linier Berganda
Fungsi dari regresi linear berganda yaitu untuk mengetahui pengaruh
beberapa variabel bebas terhadap variabel tergantung. Sehingga dapat ditarik
kesimpulan hubungan antara variabel bebas dan terikat. Regresi linier berganda
digunakan untuk membuat estimasi rata-rata, menguji hipotesis karakteristik
depedensi, meramalkan nilai rata-rata variabel bebas dengan didasarakan pada
nilai variabel bebas diluar jangkau sampel (Sarwono dan Budiono, 2012).
2.2.4 Rumus Persamaan Regresi Linier Berganda
In many scientific research it is often needed to determine the relationship
between a response (or dependent) variable (y) and more than one regressors
(or independent variable) (x1, x2, ……, xk). A general form of a multiple linear
regression model is given by
y = β 0 + β 1 x 1+ β2 x 2+ …+ β k x k + ε
Where € is the random error. Here, regressors x1, x2, ……, xk may contain
regressors and their higher order terms (Yan and Xiao, 2009).
Dalam banyak penelitian ilmiah, seringkali diperlukan untuk menentukan
hubungan antara variabel respon (atau dependen) (y) dan lebih dari satu regresi
(atau variabel independen) (x1, x2, ……, xk). Suatu bentuk umum dari model
regresi linier berganda diberikan oleh
y = β 0 + β 1 x 1+ β2 x 2+ …+ β k x k + ε
Di mana € kesalahan acak. Di sini, regressor x1, x2, ……, xk dapat memuat
regressor dan istilah urutannya yang lebih tinggi (Yan dan Xiao, 2009).

2.3 Uji Asumsi

2.3.1 Definisi Asumsi
Asumsi adalah kepercayaan, gagasan, dugaan, atau pemikiran yang
dimiliki oleh anda, sekelompok orang, atau para ahli internal atau eksternal
mengenai suatu subjek. Asumsi-asumsi ini menjadi penting karena kita
menggunakan asumsi kita ini sebagai panduan bagi tindakan dan pengambilan
keputusan yang kita lakukan. Hal ini kadang-kadang menjadi rumit karena pada
kenyataannya sering kali asumsi-asumsi ini tersembunyi dan tidak terungkap.
Pengambilan keputusan bisa menjadi bencana jika kita menerima asumsi
sebagai fakta tanpa menganalisanya terlebih dahulu (Cohen, 2008).

2.3.2 Tujuan Asumsi

Tujuan dari asumsi yaitu untuk menduga, memperkirakan atau
memprediksi, memperhitungkan atau meramalkan suatu hal. Asumsi berfungsi
sebagai penghubung antara satu variabel dengan variabel lainnya. Selain itu
asumsi juga bertujuan untuk menentukan paradigma penelitian dan menafsirkan
kesimpulan (Firdaus dan Zamzam, 2018).
Uji asumsi atau biasa dikenal dengan uji asumsi klasik regresi berganda
memiliki tujuan untuk menganalisis apakah model regresi yang digunakan dalam
penelitian tersebut merupakan model yang terbaik. Apabila model tersebut
adalah terbaik, maka hasil analisis regresinya layak dijadikan sebagai
rekomendasi untuk pengetahuan atau untuk tujuan pemecahan masalah praktis.
Perlunya dilakukan uji ini yaitu agar data sampel yang didapat dan diolah dapat
benar-benar mewakili populasi secara keseluruhan sesuai data yang ada
(Juliandi dkk, 2014).
2.3.3 Macam-macam Uji Asumsi
Persamaan regresi linier berganda harus bersifat BLUE (Best Linier
Unbiased Estimator), artinya pengambilan keputusan melalui uji F dan uji t tidak
boleh bias. Untuk menghasilkan keputusan yang BLUE maka harus dipenuhi
diantaranya tiga asumsi dasar yaitu Uji Normalitas digunakan untuk mengetahui
apakah populasi data berdistribusi normal atau tidak. Uji ini biasanya digunakan
untuk mengukur data berskala ordinal, interval, ataupun rasio. Uji
Multikoliniearitas digunakan untuk mengetahui ada atau tidak penyimpangan
asumsi klasik Multikoliniearitas, yaitu adanya hubungan linear antar variabel
independen dalam model regresi. Uji Autokorelasi digunakan untuk mengetahui
ada atau tidaknya penyimpangan asumsi klasik autokorelasi, yaitu korelasi yang
terjadi antara residual pada satu pengamatan dengan pengamatan lain pada
model regresi (Purwanti, 2010).
2.3.4 Aplikasi Uji Asumsi di Bidang Agroindustri
Uji asumsi sangat penting dalam bidang agroindustri. Salah satu
aplikasinya ialah menghitung perbedaan efisiensi penggunaan biaya usaha.
Aplikasi lainnya yaitu menghitung perbedaan pendapatan usaha dan mengetahui
faktor-faktor yang berpengaruh terhadap pemdapatan usaha (Dedi dkk, 2016).