PENGEMBANGAN MODUL

DESAIN EKSPERIMEN
BY NICHOLAS FERDYNANDO NG
210403056
DESAIN EKSPERIMEN

• Desain eksperimen statistik adalah proses perancangan eksperimen untuk mengumpulkan

data yang tepat sehingga dapat dianalisa dengan menggunakan metode statistik, sehingga
kesimpulan yang diperoleh bersifat obyektif dan valid.
• Aplikasi desain eksperimen dalam dunia teknik antara lain untuk peningkatan kinerja proses
manufaktur, pengembangan proses baru maupun produk baru serta peningkatan kinerja produk.
• Pembahasan kali ini akan membahas mengenai metode statistik desain model Regresi Ridge untuk
mengatasi masalah model regresi linear berganda yang mengandung multikolinieritas agar diperoleh
persamaan regresi linear yang baru.
REGRESI RIDGE

Regresi Ridge adalah suatu teknik yang dikembangkan untuk

menstabilkan nilai koefisien regresi karena adanya
Multikolinieritas. Metode Regresi Ridge pertama kali
dikemukakan oleh A. E. Hoerl pada tahun 1962. Metode ini
ditujukan untuk mengatasi kondisi buruk yang diakibatkan oleh
korelasi yang tinggi antara beberapa peubah bebas didalam model
regresi, sehingga menyebabkan matriks 𝑋𝑋T nya hampir singular
yang pada gilirannya menghasilkan nilai dugaan parameter model
regresi yang tidak stabil.
MULTIIKOLINIERITAS

Multikolinieritas yakni situasi dimana terdapat korelasi

atau hubungan linier antara variabel-variabel bebas
diantara satu dengan yang lainnya sehingga variabel-
variabel bebas tersebut tidak bersifat orthogonal.
Variabel-variabel bebas yang bersifat orthogonal adalah
variabel bebas yang memiliki nilai korelasi diantara
sesamanya sama dengan nol.
DATA

Penelitian menggunakan data sekunder yang diambil dari website Badan Pusat Statistik (BPS)
Provinsi Jawa Tengah Tahun 2021 yang meliputi:
1. Data Indeks Pembangunan Manusia (IPM)
2. Angka Harapan Hidup (AHH) saat lahir
3. Harapan Lama Sekolah (HLS)
4. Rata-rata Lama Sekolah (RLS)
5. Pengeluaran per kapita Disesuaikan
6. Persentase Penduduk Miskin
7. Pengangguran Terbuka.
Dari data tersebut diperoleh persamaan regresi linier berganda setelah di standarisasi yaitu:

Ŷ=0,1879X1+0,1959X2+0,3623X3+0,3478X4−0,0069X5−0,0013X6

Setelah diperoleh model persamaan regresi kemudian dilakukan uji asumsi multikolinieritas, dimana
Nilai VIF pada variabel rata-rata lama sekolah adalah 11,3219 lebih besar dari 10, sehingga dapat
disimpulkan bahwa terjadi masalah multikolinieritas antara variabel bebas. Oleh karena itu diperlukan
suatu penanganan untuk mengatasi masalah multikolinieritas menggunakan regresi ridge.
Dalam proses pengestimasian regresi ridge, pemilihan nilai 𝜆 merupakan hal yang paling penting
dalam penelitian ini. Penentuan nilai 𝜆 melalui pendekatan nilai VIF.

Nilai 𝜆 VIF X1 VIF X2 VIF X3 VIF X4 VIF X5 VIF X6 MSE

0,000 2,8385 8,5286 11,3219 3,4779 2,0344 1,8512 0,0451

0,001 2,8159 8,2697 10,9402 3,4357 2,0241 1,8236 0,0441

0,002 2,7937 8,0238 10,5783 3,3947 2,0138 1,7972 0,0435

0,003 2,7717 7,7901 10,2349 3,3549 2,0037 1,7720 0,0432

0,004 2,7501 7,5677 9,9088 3,3162 1,9936 1,7479 0,0431

0,005 2,7288 7,3560 9,5987 3,2785 1,9837 1,7249 0,0433
0,006 2,7078 7,1541 9,3036 3,2419 1,9739 1,7027 0,0438
0,007 2,6870 6,9616 9,0227 3,2061 1,9641 1,6815 0,0444
0,008 2,6666 6,7777 8,7549 3,1713 1,9545 1,6611 0,0452
0,009 2,6464 6,6021 8,4994 3,1373 1,9449 1,6414 0,0463
0,010 2,6265 6,4341 8,2556 3,1041 1,9355 1,6225 0,0474
0,020 2,4411 5,0900 6,3233 2,8104 1,8453 1,4661 0,0653
0,030 2,2773 4,1683 5,0236 2,5695 1,7624 1,3510 0,0893
0,040 2,1314 3,5035 4,1051 2,3664 1,6857 1,2617 0,1158
0,050 2,0006 3,0050 3,4301 2,1917 1,6144 1,1895 0,1431
Nilai 𝜆 VIF X1 VIF X2 VIF X3 VIF X4 VIF X5 VIF X6 MSE

0,060 1,8828 2,6192 2,9185 2,0395 1,5479 1,1292 0,1705

0,070 1,7761 2,3130 2,5205 1,9052 1,4857 1,0777 0,1975

0,080 1,6791 2,0648 2,2042 1,7859 1,4275 1,0327 0,2241

0,090 1,5905 1,8600 1,9483 1,6790 1,3728 0,9929 0,2503

0,100 1,5094 1,6885 1,7380 1,5827 1,3214 0,9572 0,2760

0,200 0,9680 0,8333 0,7618 0,9723 0,9393 0,7214 0,5108

0,300 0,6853 0,5261 0,4528 0,6730 0,7060 0,5848 0,7170

0,400 0,5166 0,3739 0,3113 0,5002 0,5523 0,4907 0,9028

0,500 0,4068 0,2853 0,2332 0,3902 0,4455 0,4205 1,0726

0,600 0,3309 0,2282 0,1847 0,3152 0,3680 0,3659 1,2298

0,700 0,2759 0,1889 0,1521 0,2615 0,3099 0,3221 1,3767

0,800 0,2347 0,1603 0,1290 0,2215 0,2652 0,2862 1,5151

0,900 0,2027 0,1387 0,1117 0,1909 0,2299 0,2563 1,6465

1,000 0,1775 0,1219 0,0985 0,1667 0,2016 0,2310 1,7720

• Berdasarkan Tabel 1, nilai 𝜆=0 sampai dengan 𝜆=1, VIF semakin lama semakin kecil. Diperoleh nilai VIF
untuk masing-masing variabel bebas X1, X2, X3, X4, X5, dan X6 sebesar 2,7501; 7,5677; 9,9088; 3,3162;
1,9936; dan 1,7479 dengan menggunakan nilai MSE terkecil sebesar 0,0431. Dengan nilai 𝜆 = 0,004
diperoleh koefisien 𝛽̂1∗=0,1872; 𝛽̂2=0,2004; 𝛽̂3=0,3565; 𝛽̂4=0,3470; 𝛽̂5=-0,0087; dan 𝛽̂6=-0,0027,
sehingga didapatkan persamaan:

Y𝑅=0,1872X1+0,2004X2+0,3565X3+0,3470X4−0,0087X5−0,0027X6

• Dari uji secara simultan, diperoleh nilai Fhitung = 3756,1650 dan Ftabel = 2,45. Karena Fhitung > Ftabel, sehingga
dapat disimpulkan bahwa semua variabel bebas secara simultan berpengaruh signifikan terhadap variabel
IPM. Pada uji parsial, diperoleh nilai thitung untuk variabel bebas X1, X2, X3, dan X4 yaitu yaitu 20,4957;
13,1169; 19,7336; dan 30,022, serta ttabel = 2,0484. Karena |thitung| > |ttabel|, maka variabel X1, X2, X3, dan X4
memiliki pengaruh signifikan terhadap IPM. Sehingga model regresi baru untuk variabel yang signifikan
sebagai berikut:

𝑌̂𝑅=0,1911 X1+0,1983 X2+0,3613X3+0,3478X4

DAFTAR PUSTAKA

Sulistianingsih E, Suparti, Ispriyanti D. 2022. Pemodelan Indeks

Pembangunan Manusia Di Jawa Tengah Menggunakan Metode Regresi
Ridge Dan Regresi Stepwise. Jurnal Gaussian Vol.11, No.3, Hal 468-
477.