NIM: 102422006
Kasus:
Sebuah perusahaan logistik sedang melakukan penelitian untuk mengetahui pengaruh sebuah
variable terhadap performa perusahaan. Kalian bisa mengkategorikan penelitian ini sebagai
tahap awal dari sebuah projek yang besar. Data yang berjumlah 15 sampel dari variable
independent dan menghasilkan respon variable. Untuk melengkapi data pada tabel gantilah
nilai X dengan 2 digit angka Pada NIM anda. Kemudian bantulah perusahaan untuk
menjelasakan hubungan antar variable pada penelitian ini. Tulis hasil analisis kalian
menggunakan Microsoft word kemudian konversi menjadi PDF sebelum dikumpulkan. File
yang belum dirubah akan mendapatkan potongan nilai sebesar 20 poin dari maksimal skor 100.
1. Visualisasikan Data dan Analisisnya
Dibawah ini merupakan tabel data yang berjumlah 15 sampel dari variabel independent
dan dependent.
Tabel 1. Data awal
Sampel Independent Dependent
1 30 90
2 12 24
3 40 80
4 15 45
5 60 120
6 110 220
7 50 100
8 67 134
9 44 132
10 12 24
11 27 27
12 11 33
13 90 180
14 33 99
15 6 12
Dikarenakan pada perintah pengerjaan untuk data ke 15 diisi dengan dua angka terakhir
NIM maka pada data ke-15 saya berisikan 6 di independent yang merupakan angka
paling akhir NIM dan pada dependent berisi 12 yang mana merupakan 2X = 2(6) = 12.
Selanjutnya untuk memperlihatkan visualisasi dari data di atas saya membuat grafik
plot data sebagai berikut.
Visualisasi Data
250
200
150
100
50
0
0 2 4 6 8 10 12 14 16
Independent Dependent
Linear (Independent ) Linear (Dependent)
200
150
100
50
0
0 20 40 60 80 100 120
Dari hasil perhitungan dan analisis diatas dapat disimpulkan bahwa kedua data yang
menunjukkan hasil yang positif sehingga arah pergerakan data dari variabel-
variabelnya bergerak ke arah yang sama.
Dari hasil perhitungan dan analisis dapat disimpulkan bahwa hasil correlation sebesar
0,9601371 yang berada diantara -1 sampai 1 menunjukkan bahwa nilai tersebut
menggambarkan hubungan linier sempurna positif.
4. Perhitungan nilai slope dan intercept, serta prediksi data ke 16 dengan nilai X
sebesar 20, 30, 40, 50, 60, 70.
Tabel 5. Perhitungan nilai Slope dan Intercept
(x_i - x̅)(y_i -
NO x y x_i - x̅ y_i - y̅ y̅) (x_i - x̅)^2
-
1 30 90 10,46667 2 -20,93333333 109,551111
-
2 12 24 28,46667 -64 1821,866667 810,351111
-
3 40 80 0,466667 -8 3,733333333 0,21777778
-
4 15 45 25,46667 -43 1095,066667 648,551111
5 60 120 19,53333 32 625,0666667 381,551111
6 110 220 69,53333 132 9178,4 4834,88444
7 50 100 9,533333 12 114,4 90,8844444
8 67 134 26,53333 46 1220,533333 704,017778
9 44 132 3,533333 44 155,4666667 12,4844444
-
10 12 24 28,46667 -64 1821,866667 810,351111
(x_i - x̅)(y_i -
NO x y x_i - x̅ y_i - y̅ y̅) (x_i - x̅)^2
-
11 27 27 13,46667 -61 821,4666667 181,351111
-
12 11 33 29,46667 -55 1620,666667 868,284444
13 90 180 49,53333 92 4557,066667 2453,55111
-
14 33 99 7,466667 11 -82,13333333 55,7511111
-
15 6 12 34,46667 -76 2619,466667 1187,95111
AVERAGE 40,4667 88 0 0 1703,466667 876,648889
SUM 607 1320 0 0 25552 13149,7333
Hasil nilai slope/kemiringan dan intercept:
β1 1,943157 slope/kemiringannya
β0 9,366902 intercept
Keterangan:
∑(𝑋𝑖−𝑋)(𝑌𝑖−𝑌)
β1 = ∑(𝑋𝑖−𝑋)^2
25552
= 13149,733 = 1,943157
β0 = y̅ - β 1 x̅
= 88 - 1,943157(40,4667)
= 9,366902
y̅ = 9,366902 + 1,943157 X
Y naif
NO x y Y Regresi Residual Residual^2 (Y regresi - Y)^2
(Prediction)
1 30 90 67,662 88 2 4 499,003198
2 12 24 32,685 88 -64 4096 75,42556956
3 40 80 87,093 88 -8 64 50,31339078
4 15 45 38,514 88 -43 1849 42,06480546
5 60 120 125,96 88 32 1024 35,47797172
6 110 220 223,11 88 132 17424 9,698257643
7 50 100 106,52 88 12 144 42,57257172
8 67 134 139,56 88 46 2116 30,89625206
9 44 132 94,866 88 44 1936 1378,947148
10 12 24 32,685 88 -64 4096 75,42556956
11 27 27 61,832 88 -61 3721 1213,278582
12 11 33 30,742 88 -55 3025 5,100224775
13 90 180 184,25 88 92 8464 18,07148609
14 33 99 73,491 88 11 121 650,7043699
15 6 12 21,026 88 -76 5776 81,46589417
AVERAGE 40,47 88 88 88 0 3590,6667 280,5630194
SUM 607 1320 1320 1320 0 53860 4208,445292
Keterangan:
Contoh perhitungan no 1:
Residual = Y – Y naif = 90-88 = 2
SSE = ∑(Y regresi - Y)2 = 4208,445292
4208,445292
=√ = 17,9924
15−2
Dalam standar error ini menunjukkan seberapa stabil prediksi model regresi atau
seberapa jauh nilai sampel yang mungkin berbeda dari nilai populasi. Besar kecilnya
standar error menunjukkan semakin akurat atau tidaknya prediksi tersebut.
7. Besar nilai error variabel, nilai SSR, dan perhitungan persen nilai X
Adapun nilai error variabel pada data yaitu sebagai berikut:
𝑆𝑆𝐸 4208,445292
MSE = 𝑛−2 = = 323, 7266
15 −2
SSR adalah metrik yang digunakan dalam analisis regresi guna mengukur seberapa
cocok model regresi dengan data yang telah diamati. Ini dihitung dengan
menjumlahkan kuadrat selisih antara nilai yang diamati dan nilai yang diprediksi oleh
model regresi. Nilai SSR yang kecil seharusnya ditunjukkan oleh model regresi yang
baik, yang menunjukkan bahwa nilai yang diprediksi oleh model lebih dekat dengan
nilai yang sebenarnya ditemukan. SSR = SSE, Nilai r^2 dan persennya akan dihitung
dengan nilai SSR. Tabel berikut menunjukkan nilai-nilai tersebut.
Tabel 9. Nilai r2 dan persennya
r^2 0,078137
persen 8%
Keterangan:
SSR = SSE = 4208,445292
𝑆𝑆𝑅 4208,445292
r2 = 𝑆𝑆𝑇 = = 0,078137
53860
= 8%
Seberapa besar persen koefisien untuk menunjukkan error data dipengaruhi oleh nilai
SSR dan SST. Apabila SSR semakin besar dan SST semakin kecil, maka errornya akan
semakin besar, dan jika SSR semakin kecil dan SST semakin kecil, maka errornya akan
semakin kecil. Hasil yang dihasilkan adalah sebesar 8%, sehingga nilai yang mampu
mengurangi error total yaitu sebesar 8%.