DOSEN :
ASISTEN PEMERIKSA :
RIDHO SAPUTRA
DISUSUN OLEH :
NIM : 2210433031
SHIFT : II (dua)
UNIVERSITAS ANDALAS
2023
BAB I
PENDAHULUAN
2.1 Cari data yang minimal terdiri dari 10 baris dan 6 kolom (terdiri dari 5 variabel
bebas dan 1 variabel terikat serta cantumkan link sumber data)
Tabel 2.1 Jumlah penduduk miskin beberapa kabupaten dan kota di Provinsi
Sumatera Utara
y x1 x2 x3 x4 x5
24.99 23.28 22.21 24.53 24.11 24.88
48.38 40.69 39.68 47.79 47.67 48.30
29.91 30.77 29.38 31.20 30.84 29.48
49.61 52.00 49.86 52.20 51.77 53.05
33.09 33.75 32.23 33.37 33.20 33.75
16.64 16.96 16.51 18.31 18.20 18.49
42.08 38.14 37.35 41.63 41.94 42.35
72.32 80.54 76.97 85.16 84.35 83.67
83.09 87.72 86.25 92.89 92.19 91.35
25.49 24.00 23.35 25.33 24.94 24.98
36.71 36.93 35.36 37.52 38.74 40.02
91.19 91.97 90.92 95.65 100.09 97.09
99.27 104.31 100.63 114.19 115.79 114.41
56.94 56.96 54.46 58.97 57.75 57.95
17.25 17.94 17.14 18.04 18.04 18.35
https://sumut.bps.go.id/statictable/2018/08/30/988/jumlah-penduduk-miskin-
sumatera-utara-dan-kabupaten-kota-1993-2017.html
2.1.1 Persamaan regresi (𝑦̂)
(a) Rumus Persamaan regresi (𝑦̂)
𝑦̂ = 𝑎 + 𝑏𝑋
dimana,
𝑛 ∑ 𝑋𝑖 𝑌𝑖 − ∑ 𝑋𝑖 ∑ 𝑌𝑖
𝑏=
𝑛 ∑ 𝑋𝑖 2 − (∑ 𝑋𝑖 )2
𝑎 = 𝑌̅ − 𝑏𝑋̅
Keterangan :
𝑦 ∶ 𝑣𝑎𝑟𝑖𝑎𝑏𝑒𝑙 𝑡𝑒𝑟𝑖𝑘𝑎𝑡
𝑎 ∶ 𝑘𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑎
𝑏 ∶ 𝑘𝑜𝑒𝑓𝑖𝑠𝑖𝑒𝑛 𝑣𝑎𝑟𝑖𝑎𝑏𝑒𝑙 𝑏𝑒𝑏𝑎𝑠
𝑋 ∶ 𝑣𝑎𝑟𝑖𝑎𝑏𝑒𝑙 𝑏𝑒𝑏𝑎𝑠
(b) Bahasa Program
MTB > Set C7
DATA> 1(1)15
DATA> END.
MTB > COPY C7 'x1' 'x2' 'x3' 'x4' 'x5' M1;
SUBC> Varnames.
MTB > NAME M 'X'
MTB > PRINT M1
Data Display
Matrix X
Data Display
Matrix y_1
24,99
48,38
29,91
49,61
33,09
16,64
42,08
72,32
83,09
25,49
36,71
91,19
99,27
56,94
17,25
Data Display
Matrix XT
1,00 1,00
56,96 17,94
54,46 17,14
58,97 18,04
57,75 18,04
57,95 18,35
Data Display
Matrix XTX
Data Display
Matrix XTY
727,0
46429,5
45043,4
49235,5
49605,1
49253,1
Data Display
Matrix INVXTX
0,418704 -0,016581 -0,010307 0,0138755 0,115944 -
0,111688
-0,016581 0,200877 -0,194290 -0,0572351 0,082089 -
0,036930
-0,010307 -0,194290 0,208610 0,0435281 -0,094636
0,044362
0,013876 -0,057235 0,043528 0,0815105 -0,036068 -
0,031212
0,115944 0,082089 -0,094636 -0,0360684 0,141875 -
0,099389
-0,111688 -0,036930 0,044362 -0,0312117 -0,099389
0,127210
Data Display
Matrix b
3,88630
-1,74690
1,93893
0,10211
-0,36605
1,00149
Data Display
Matrix Y_Hat
24,878
45,544
28,521
49,231
32,475
19,996
40,990
74,044
85,106
25,709
37,664
89,875
100,637
52,895
19,396
2.1.2 Nilai 𝑒 = 𝑦̂ − 𝑦
Bahasa Program
MTB > Copy 'Y_Hat' C8;
SUBC> Varnames.
MTB > Subtract 'y_1' 'Y_Hat' M9.
MTB > NAME M9 'e'
MTB > PRINT M9
Data Display
Matrix e
-0,11160
-2,83622
-1,38938
-0,37884
-0,61514
3,35564
-1,08974
1,72420
2,01562
0,21902
0,95375
-1,31536
1,36686
-4,04479
2,14598
2.1.3 Uji apakah e menyebar normal dengan uji kolmogrov smirnov dengan
taraf nyata 5% dan tampilkan plotnya
Uji apakah data e menyebar normal atau tidak, uji dengan Uji
Kolmogorov Smirnov. Hipotesis Uji Kolmogorov Smirnov adalah :
𝐻0 ∶ Data menyebar normal
𝐻1 ∶ Data tidak menyebar normal
Pengujian ini menggunakan tarif nyata 5% (𝛼 = 0,05)
MTB > NormTest 'e_1';
SUBC> KSTest.
Karena p-value > 0,015 dan lebih (>) dari α = 0,05, maka terima H0.
Artinya data menyebar normal.
2.2 Bangkitkan 150 data dari sebaran Uniform dan Gamma
Sebaran Uniform
MTB > Random 150 c1;
SUBC> Uniform 0.0 1.0.
MTB > Print UNIFORM
Sebaran Gamma
MTB > Random 150 'GAMMA';
SUBC> Gamma 5 3.
MTB > Print GAMMA
Scatterplot of f(x) vs x
Plot CDF
MTB > Plot 'Fx(x)'*'x';
SUBC> Symbol;
SUBC> Connect.
Scatterplot of Fx(x) vs x
Gambar 2.3 Grafik diagram pencar CDF sebaran Uniform
Scatterplot of f(x) vs x
Plot CDF
MTB > Plot 'Fx(x)'*'x';
SUBC> Symbol;
SUBC> Connect.
Scatterplot of Fx(x) vs x
Gambar 2.5 Grafik diagram pencar CDF sebaran Gamma
Pada pembahasan makalah kali ini, kita ingin memahami apakah data yang
kita miliki menyebar normal atau tidak. Data yang digunakan pada makalah ini
diambil dari data Badan Pusat Statistik Sumatera Utara. Hasil pengujian data
berdasarkan grafik pada gambar 2.1 menunjukkan bahwa data memiliki distribusi
yang cenderung menyebar secara normal. Hal ini didukung oleh dua aspek utama
dalam analisis ini. Pertama, analisis regresi mengindikasikan bahwa data memenuhi
asumsi-asumsi dasar dari regresi linear, seperti normalitas residual. Dengan
demikian, dapat disimpulkan bahwa data yang digunakan dalam analisis regresi ini
menerima asumsi dasar distribusi normal. Kedua, uji Kolmogorov-Smirnov (K-S)
yang dilakukan menunjukkan bahwa distribusi data tidak secara signifikan berbeda
dari distribusi normal. Ini berarti bahwa data cenderung mengikuti pola distribusi
yang serupa dengan distribusi normal. Oleh karena itu, interpretasi dan kesimpulan
yang diambil dari analisis data tersebut dapat diandalkan, dan hasilnya dapat
digunakan untuk membuat prediksi atau mengambil keputusan yang lebih lanjut.
Pada grafik pada gambar 2.4 sebaran Gamma dengan shape parameter 5 dan
scale parameter 3 data acak sebaran gamma menunjukkan bahwa kebanyakan data
berkumpul di sekitar nilai yang lebih tinggi, tetapi ada beberapa data ekstrem yang
mungkin jauh lebih tinggi dari nilai-nilai pusat. Variabilitas yang besar dalam data
ini dapat dilihat dari sebaran yang luas dalam grafik, menggambarkan perbedaan
yang signifikan antara observasi tertinggi dan terendah dalam distribusi data acak
ini. Selanjutnya, grafik pada gambar 2.5 menunjukkan bahwa semakin tinggi nilai
yang diamati, semakin sedikit data yang mendekati nilai itu. Grafik ini memberikan
gambaran visual tentang bagaimana data terdistribusi dalam distribusi gamma
dengan parameter tertentu, dengan fokus pada akumulasi data di sekitar nilai-nilai
yang lebih rendah.