Documente Academic
Documente Profesional
Documente Cultură
html
1 of 14
HOME
ABOUT ME
POLICY PRIVACY
CONTACT US
SANJAYA BETON
Predictor
Constant
X1
Coef
T
P
TheSE Coef
8.153
3.015 2.70 0.011
connec ketika bensin dipompa
0.39670 0.04941 8.03 0.000
S = 5.36776
was
R-Sq =
Analysis of Variance
Source
Regression
Residual Error
Total
DF
1
30
31
SS
1857.1
864.4
2721.5
MS
X1
1857.1
X2
28.8
F
P
:64.45
suhu tanki0.000
(oF)
o
: suhu bensin ( F)
X3
: tekanan asap pada tanki (psi)
: tekanan asap pada bensin (psi)
X4
Model postulat yang akan dibahas berikut adalah regresi linier berganda:
Tabel 1.1 data sebuah penelitian
Anova (2)
Desil (1)
Deskriftif
No
X1
X2
X3
X4
29
33
53
3.32
3.42
24
31
36
3.1
3.26
26
33
51
3.18
3.18
22
37
51
3.39
3.08
27
36
54
3.2
3.41
21
35
35
3.03
3.03
4.57
33
59
56
4.78
34
60
60
4.72
4.72
32
59
60
4.6
4.41
Download (11)
10
34
60
60
4.53
4.53
11
20
34
35
2.9
2.95
Experimen
12
36
60
59
4.4
4.36
13
34
60
62
4.31
4.42
14
23
60
36
4.27
3.94
15
24
62
38
4.41
3.49
16
32
62
61
4.39
4.39
17
40
90
64
7.32
6.7
18
46
90
60
7.32
7.2
19
55
92
92
7.45
7.45
20
52
91
92
7.27
7.26
21
29
61
62
3.91
4.08
22
22
59
42
3.75
3.45
23
31
88
65
6.48
5.8
24
45
91
89
6.7
6.6
25
37
63
62
4.3
4.3
26
37
60
61
4.02
4.1
27
33
60
62
4.02
3.89
28
27
59
62
3.98
4.02
Diagram (1)
Distribusi frekuensi (1)
Galery (1)
Grafik (2)
Interval (2)
Korelasi (2)
Kuartil
Nominal
Ordinal (1)
Presentil (1)
Rasio (1)
Regresi (2)
The
connec
was
Popular
Tags
Blog Archives
ENTRIPOPULER
Regression
Analysis:AL
Y versus X1
VIDEO TUTORI
The regression equation is
Y = 8.15 + 0.397 X1
Search
11/24/2016 06:51 PM
2 of 14
Statistika (18)
Statistika bisnis (3)
Survey (2)
29
34
59
62
4.39
4.53
30
19
37
35
2.75
2.64
31
16
35
35
2.59
2.59
32
22
37
37
2.73
2.59
Uas (1)
ANALISA DATA
Uts (2)
Varians (2)
Video tutorial (3)
TOTAL PAGEVIEW S
31895
0 sec ago
From w w w .google.co.id
Visited Analisis
Perm asalahan RegresiLinier
4 h 46 m in 39 sec ago
From w w w .google.co.id
Visited Cara m em buat
daftar distribusifrekuensi
6 h 17 m in 8 sec ago
From w w w .google.co.id
Visited Cara m em buat
daftar distribusifrekuensi
6 h 24 m in 42 sec ago
Predictor
Constant
x1
x2
x3
x4
Coef
1.015
-0.02861
0.21582
-4.320
8.975
S = 2.73000
SE Coef
1.861
0.09060
0.06772
2.851
2.773
R-Sq = 92.6%
Source
Regression
Residual Error
Total
DF
4
27
31
From w w w .google.co.id
Visited Analisis
Perm asalahan RegresiLinier
12 h 41 m in 36 sec ago
From w w w .google.co.id
Visited Analisis
Perm asalahan RegresiLinier
LABELS
13.0
4.7
71.3
61.9
Anova (2)
Desil (1)
Deskriftif (3)
R-Sq(adj) = 91.5%
SS
2520.27
201.23
2721.50
MS
630.07
7.45
F
84.54
P
0.000
Download (11)
Experimen (2)
Bentuk hubungan regresi linier berganda antara variabel Y dan X1, X2, X3, X4 adalah :
= b0 + b1X1 + b2 X2 + b3 X3 + b4 X4
Galery (1)
Grafik (2)
Nilai beta dan S2
Nilai taksiran untuk beta adalah :
Interval (2)
Taksiran
Beta
b0
b1
b2
b3
b4
From w w w .google.co.id
Visited Cara m em buat
daftar distribusifrekuensi
10 h 51 m in 26 sec ago
VIF
Diagram (1)
8 h 12 m in 58 sec ago
9 h 5 m in 9 sec ago
P
0.590
0.755
0.004
0.141
0.003
Analysis of Variance
From w w w .google.com
Visited Perbandingan
M etode Peram alan U ntuk
From w w w .google.com
Visited U KU RAN D ISPERSI
(UKU RAN PEN YEBARAN )~
T
0.55
-0.32
3.19
-1.52
3.24
Materi Statistika
Iki lho cah download en dewe klik tulisane!
CARA MENGAKTIFKAN TOOLS DATA
ANALISIS STATISTIKA DESKRIPTIF 7
DISPERSI
Nilai
1,015
0,0286
0,216
4,32
8,975
Nilai taksiran untuk variansi (s2) akan sama dengan ni;ai mean square error (MSe) yaitu
sebesar 7,45
Korelasi (2)
Kuartil (1)
Nominal (1)
Ordinal (1)
Presentil (1)
Rasio (1)
Regresi (2)
Statistika (18)
Statistika bisnis (3)
DF
4
27
31
Analysis of Variance
Source
Regression
Residual Error
Total
Survey (2)
SS
2520.27
201.23
2721.50
MS
630.07
7.45
F
84.54
P
0.000
Uts (2)
Varians (2)
Video tutorial (3)
Source
x1
x2
x3
x4
DF
1
1
1
1
Seq SS
1857.11
494.43
90.63
78.09
BLOG ARCHIVE
2016 (1)
11/24/2016 06:51 PM
3 of 14
2015 (3)
2014 (6)
2013 (8)
December (1)
Dari uji overall dengan menggunakan softwere minitab 14 didapatkan nilai P-value = 0.000
atau nilai < 5%, hal ini berarti tolak Ho artinya model regresi berganda yang diperoleh
signifikan. Sehingga bisa dilakukan pengujian secara individu. Dari hal ini dapat disimpulkan
bahwa variabel temperature tangki, temperature bensin, tekanan tangki dan tekanan bensin
secara simultan berpengaruh terhadap besarnya uap. Pada tabel anova dibawah ini bahwa
p-value untuk X1 dan X3 nilai > 5% sehingga parameternya tidak signifikan sedangkan
untuk parameter X2 dan X4 nilai p-value < 5% sehingga parameternya signifikan. Nilai R2
yang besar yaitu 92.6% akan tetapi banyak parameter regresinya tidak signifikan merupakan
gejala adanya kasus multkolinieritas yaitu adanya hubungan antara variabel independen.
November (1)
August (2)
Analisis Permasalahan Regresi Linier
Berganda
Perbandingan Metode Peramalan Untuk
Deret Waktu Mu...
June (1)
May (2)
Coef
1.015
-0.02861
0.21582
-4.320
8.975
SE Coef
1.861
0.09060
0.06772
2.851
2.773
January (1)
T
0.55
-0.32
3.19
-1.52
3.24
P
0.590
0.755
0.004
0.141
0.003
VIF
13.0
4.7
71.3
61.9
2012 (7)
There was an error in this gadget
FOLLOW ERS
S = 2.73000
R-Sq = 92.6%
R-Sq(adj) = 91.5%
Pengikut (1)
a. Pengujian untuk
Adapun langkah-langkah untuk menguji adalah sebagai berikut :
H0 : = 0
H1 : 0
= 5%
Tolak H0 jika T hitung > T (27, 0,05) atau nilai p-value <
Data diatas menunjukkan bahwa nilai p-value untuk b1 adalah sebesar 0,755. Karena
niali p-value > maka diputuskan gagal tolak H0 dan disimpulkan bahwa variable
temperature tangki tidak memiliki pengaruh yang signifikan terhadap banyaknya uap.
b. Pengujian untuk
Adapun langkah-langkah untuk menguji adalah sebagai berikut :
H0 : = 0
H1 : 0
= 5%
Tolak H0 jika T hitung > T (27, 0,05) atau nilai p-value <
Table 3 menunjukkan bahwa nilai p-value untuk b2 adalah sebesar 0,004. Karena niali
p-value < maka diputuskan tolak H0 dan disimpulkan bahwa variable temperature
bensin memiliki pengaruh yang signifikan terhadap banyaknya uap.
Ikuti
c. Pengujian untuk
Adapun langkah-langkah untuk menguji adalah sebagai berikut :
H0 : = 0
H1 : 0
= 5%
Tolak H0 jika T hitung > T (27, 0,05) atau nilai p-value <
Data diatas menunjukkan bahwa nilai p-value untuk b3 adalah sebesar 0,141. Karena
niali p-value > maka diputuskan gagal tolak H0 dan disimpulkan bahwa variable tekanan
uap di tangki tidak memiliki pengaruh yang signifikan terhadap banyaknya uap.
d. Pengujian untuk
Adapun langkah-langkah untuk menguji adalah sebagai berikut :
H0 : = 0
H1 : 0
= 5%
Tolak H0 jika T hitung > T (27, 0,05) atau nilai p-value <
Data diatas menunjukkan bahwa nilai p-value untuk b4 adalah sebesar 0,003. Karena
niali p-value < maka diputuskan tolak H0 dan disimpulkan bahwa variable tekanan uap
bensin memiliki pengaruh yang signifikan terhadap banyaknya uap.
The classic assumption for the residual
Sebelumnya akan dianalisis asumsi-asumsi residual aar model regresi berganda yang telah
didapatkan, bisa digunakan. Asumsi- asumsi tersebut antara lain :
1.
11/24/2016 06:51 PM
4 of 14
11/24/2016 06:51 PM
5 of 14
2.
Gambar 1.2
Plot antara residual dan , secara visualisasi tidak terjadi heteroskedastsitas karena
plot datanya menyebar secara acak (tidak membentuk sebuah model tertentu).
Pengujian terjadinya Heteroskedastisitas bisa dilakukan dengan menggunakan uji
gletser yaitu dengan meregresikan variabel independen dengan nilai mutlak
residualnya. Jika parameter-parameternya signifkan maka bisa disimpulkan terjadi
heteroskedastisitas
The regression equation is
mutlak = 1.19 + 0.130 x1 + 0.0385 x2 + 0.27 x3 - 2.35 x4
Predictor
Constant
x1
x2
x3
x4
S = 1.43953
Coef
1.1873
0.12992
0.03854
0.273
-2.353
SE Coef
0.9815
0.04777
0.03571
1.503
1.462
R-Sq = 34.8%
T
1.21
2.72
1.08
0.18
-1.61
P
0.237
0.011
0.290
0.857
0.119
VIF
13.0
4.7
71.3
61.9
R-Sq(adj) = 25.2%
Dari uji glejser dinyatakan bahwa R square model antara nilai residual mutlak dan
variabel independennya bernilai kecil dan sebagian besar parameternya tidak signifikan.
Sehingga bisa disimpulkan tidak terjadi heteroskedastisitas.
3.
Asumsi Autokorelasi
Asumsi ini bisa di uji dengan menggunakan Durbin Watson.
Hipotesis :
H0 : Tidak terjadi autokorelasi
H1 : Terjadi autokorelasi
Prosedur pengujian untuk uji durbin Watson adalah :
Uji satu arah lawan alternative > 0. jika d < dl simpulkan bahwa d nyata dan tolak
Ho pada taraf alpha.
Uji dua arah lawan alternatifnya p tidak sama dengan 0, jika d < dl atau 4-d < dl,
Nilai durbin Watson yang diperoleh dari Minitab.
Durbin-Watson statistic = 1.73246
Karena kesluruhan asumsi residual telah terpenuhi, maka model regresi yang didapatkan
bisa digunakan untuk pemodelan.
Seperti yang telah dijelaskan di awal bahwa dalam regresi berganda ini ada
kemungkinan terjadi multikolinieritas. Hal ini bisa di deteksi dari adanya nilai R square
yang tinggi (92.6%) namun parameter regresinya tidak signifikan. Oleh karena itu, akan
diterapkan principal component analysis untuk mengatasi permasalahan tersebut.
4. Multikolinearitas
Multikolinearitas adalah kasus dimana terdapat korelasi antar variable bebas.
Multikolinearitas dapat dideteksi melalui nilai VIF yang lebih besar dari 10.
Variabel
VIF
X1
12,997
4,721
X2
X3
71,301
X4
61,993
Tabel diatas menunjukkan bahwa terdapat beberapa nilai VIF yang lebih dari 10, maka
dapat disimpulkan terjadi indikasi terjadinya kasus multikolinearitas. Selain dari nilai VIF
juga dapat dilihat dari R2 yang didapatkan sangat tinggi yaitu sebesar 92,6%. Namun
11/24/2016 06:51 PM
6 of 14
dapat diketahui berdasarkan uji individual bahwa dua variable dari empat variable bebas
yang digunakan tidak memiliki pengaruh yang signifikan terhadap varibel tak bebas.
Kasus multikolinearitas bias berakibat membalik tanda koefisien regresi, sehingga
terkadang dihasilkan interpretasi yang tidak sesuai dengan logika atau disiplin ilmu yang
bersangkutan.
Kasus multikolinearitas dapat ditanggulangi dengan menggunakan
Principal Component Regression (PCR).
Deteksi terjadinya outlier
Unusual Observations
Obs
15
18
X
23
x1
62.0
90.0
y
24.000
46.000
Fit
19.713
44.386
SE Fit
1.765
1.917
Residual
4.287
1.614
St Resid
2.06R
0.83
88.0
31.000
36.586
1.302
-5.586
-2.33R
Deteksi terjadinya outlier ada pada pengamatan yang ke 15, 18, dan 23. Untuk
mengecek apakah data outlier ini merupakan influential observation ataukah tidak
maka akan dilakukan regresi berganda kembali dengan 3 data pengamatan diatas
dibuang.
Hasilnya adalah sebagai berikut :
y = 0.09 - 0.0266 x1 + 0.245 x2 - 4.28 x3 + 8.73 x4
Predictor
Constant
x1
x2
x3
x4
Coef
0.086
-0.02660
0.24540
-4.281
8.733
S = 2.47256
SE Coef
1.714
0.08231
0.07883
3.506
3.821
R-Sq = 94.0%
T
0.05
-0.32
3.11
-1.22
2.29
P
0.960
0.749
0.005
0.234
0.031
VIF
10.7
7.4
104.3
115.8
R-Sq(adj) = 93.0%
Analysis of Variance
Source
Regression
Residual Error
Total
Source
x1
x2
x3
x4
DF
1
1
1
1
DF
4
24
28
SS
2300.72
146.73
2447.45
MS
575.18
6.11
F
94.08
P
0.000
Seq SS
1836.07
382.61
50.12
31.93
Pada percobaan ini terdapat beberapa pengamatan yang berpotensi menjadi outlier
yaitu pengamatan 12, 23 dan 25. Nilai R2 sebelum 3 pengamatan dibuang sebesar
92.6%, sedangkan setelah 3 pengamatan dibuang adalah sebesar 94%. Dapat
diamati jika pengamatan tersebut dihilangkan, hasil regresi yang didapatkan tidak
jauh berbeda sehingga outlier tersebut tidak mempengaruhi model. Sehingga
pengamatan-pengamtan tersebut bisa dibuang atau dipakai sebagai model.
Pemilihan Model Terbaik
Berdasarkan analisis regresi diketahui bahwa terjadi kasus multikolinearitas,
sehingga langkah untuk mendapatkan model terbaik adalah dengan menanggulangi
kasus tersebut dengan menggunakan Principal Component Regression (PCR). Hal
pertama yang dilakuka adalah mendapatkan komponen utama. Berdasarkan
analisis dengan menggunakan Minitab didapatkan :
Principal Component Analysis: x1, x2, x3, x4
Eigenanalysis of the Correlation Matrix
Eigenvalue
3.6398
0.2839
0.0687
0.0075
11/24/2016 06:51 PM
7 of 14
Proportion
Cumulative
Variable
x1
x2
x3
x4
0.910
0.910
PC1
-0.505
-0.464
-0.513
-0.517
0.071
0.981
PC2
0.334
-0.873
0.334
0.126
0.017
0.998
PC3
0.779
0.099
-0.320
-0.531
0.002
1.000
PC4
0.167
-0.118
-0.723
0.660
data diatas menunjukkan bahwa komponen utama pertama sudah bisa mewakili
varians sebesar 91 %. Sehingga dalam melakukan regresi komponen utama cukup
digunakan satu komponen saja.
Regression Analysis: y versus w1
The regression equation is
y = 31.1 - 4.53 w1
Predictor
Constant
w1
Coef
31.1250
-4.5332
S = 3.66394
SE Coef
0.6477
0.3449
T
48.05
-13.14
R-Sq = 85.2%
P
0.000
0.000
R-Sq(adj) = 84.7%
Analysis of Variance
Source
Regression
Residual Error
DF
1
30
SS
2318.8
402.7
Total
31
2721.5
MS
2318.8
13.4
F
172.73
P
0.000
Melakukan pengujian jika dari hasil regresi didapatkan bahwa variable bebas
signifikan maka terjadi kasus heterocedastisitas.
Berdasarkan hasil analisis didapatkan :
Jumlah Kuadrat
db
Regresi
Sumber variansi
8,66
Rata-rata Kuadrat
8,66
Residual
134,55
30
4,49
Total
143,21
31
Dari hasil di atas dapat diketahui bahwa regresi tidak signifikan sehingga
variable juga tidak signifikan maka dapat disimpulkan bahwa tidak terjadi
kasus heterocedastisitas.
Uji Normal :
Uji yang dapat digunakan adalah Kolmogorov-Smirnov.
pengujian distribusi normal adalah sebagai berikut :
Langkah-langkah
11/24/2016 06:51 PM
8 of 14
= 5%
Tolak H0 jika p-value < .
Berdasarkan analisis didapatkan nilai p-value = 0,806. Karena p-value > maka
dapat diputuskan gagal tolak H0 dan disimpulkan bahwa residual berdistribusi
normal.
Semua asumsi klasik sudah terpenuhi maka langkah selanjutnya adalah
menguji keberartian regresi yaitu dengan pengujian overall regression. Pengujian
overall regression dapat dilakukan dengan langkah-langkah sebagai berikut :
Analysis of Variance
Source
Regression
Residual Error
DF
1
30
SS
2318.8
402.7
Total
31
2721.5
MS
2318.8
13.4
F
172.73
P
0.000
H0 : = 0
H1 : 0
= 5%
Tolak H0 jika Fhitung > F(1,30,0,05) atau p-value <
Berdasarkan Anova didapatkan p-value = 0,000. Karena p-value < mala
tolak H0 dan disimpulkan bahwa variable bebas mempengaruhi variable tak
bebas.
Model terbaik yang didapatkan setelah semua asumsi klasik terpenuhi,
regresi signifikan dan kasus multikolinearitas telah ditasi adalah sebagai berikut
:
Y = 31,125 4,533 w1
Y = 2,5 + 0,11609 X1 + 0,13794 X2 + 0,00158 X3 + 0,00167 X4
11/24/2016 06:51 PM
9 of 14
Dibawah ini akan dilakukan analisis regresi lebih lanjut antara variable predictor
yaitu Y
(jumlah asap mobil), X1( suhu tanki (oF)), X2 (suhu bensin (oF)), X3(tekanan
Total
Variable Count
Mean SE Mean
Sum
Squares Minimum
Y
32 31.13
1.66
996.00 33722.00
16.00
Variable
Y
Q1
23.25
Median
31.50
Q3
35.50
Sum of
TrMean
StDev
30.50
9.37
Maximum
55.00
Total
Variable Count
Mean
Squares Minimum
X1
32 57.91
119101.00
31.00
Variable
X1
Q1
37.00
Median
60.00
SE Mean
TrMean
StDev
3.45
57.36
19.51
Q3
62.00
Sum of
Sum
1853.00
Maximum
92.00
11/24/2016 06:51 PM
10 of 14
Total
of
Variable Count
Mean SE Mean
Sum
Squares Minimum
X2
32 55.91
2.78
1789.00 107689.00
35.00
Variable
X2
Q1
39.00
Median
60.00
Q3
62.00
Sum
TrMean
StDev
54.82
15.73
Maximum
92.00
Gambar 1.7. Boxplot dan Histogram Variabel X3(tekanan asap pada tanki (psi))
Descriptive Statistics: X3
Total
Variable Count
Mean SE Mean
Sum Squares Minimum
X3
32 4.422
0.257
141.510 691.163
2.590
Variable
X3
Q1
3.230
Median
4.285
Q3
4.690
Sum of
TrMean
StDev
4.336
1.452
Maximum
7.450
11/24/2016 06:51 PM
11 of 14
Gambar 1.8. Boxplot dan Histogram Variabel X4 (tekanan asap pada bensin (psi))
Dari boxplot pada gambar 1.1 1.5 terlihat bahwa data variable predictor
yaitu
X3(tekanan asap pada tanki (psi)), X4 (tekanan asap pada bensin (psi)) tidak simetri.
Data yang tidak simetri ini juga bisa dilihat pada histogramnyayaitu dari nilai
mean dan standard deviasinya. Untuk mengetahui apakah hubungan antara
variable respon dan predictor bersifat linier, kuadratik atau yang lain, maka bisa
dilakukan plot.
Gambar 1.9. plot Matrik variable Respon dan Prediktor
1.2 Korelasi
Korelasi antara variable predictor yaitu yaitu
X1(
suhu tanki (oF)), X2 (suhu bensin (oF)), X3(tekanan asap pada tanki (psi)), X4 (tekanan asap
pada bensin (psi)) sesuai dengan korelasi pearson adalah sebagai berikut.
Correlations: Y, X1, X2, X3, X4
X1
X2
X3
X4
Y
0.826
0.000
0.909
0.000
0.870
0.000
0.921
0.000
X1
X2
X3
0.774
0.000
0.955
0.000
0.934
0.000
0.782
0.000
0.837
0.000
0.985
0.000
11/24/2016 06:51 PM
12 of 14
11/24/2016 06:51 PM
13 of 14
x1
x1,x2
x1,x2,x3
R(adj)
67.2%
85.5%
88.6%
R-sq
68.2%
86.4%
89.7%
x2
x2,x1
R(adj)
82.1%
85.5%
R-sq
82.7%
86.4%
x3
x3,x1
R(adj)
74.9%
74.0%
R-sq
75.7%
75.7%
x2,x1,x3
88.6%
89.7%
x3,x1,x2
88.6%
89.7%
Controlling X1
Partial Corr
Korelasi antara Y dengan X1, X2, X3 dan X4 signifikan. Pada saat X1
dijadikan sebagai control, ternyata variable X4, X3, dan X2 signifikan. Hal ini
menandakan bahwa variable X4, X3, dan X2 memang signifikan hubungannya
terhadap variable respon Y.
Untuk hasil lebih lanjut bisa dilihat pada lampiran 1 tentang korelasi
parsial. Penghitungan korelasi parsial juga bisa dilakukan di Minitab. Tahap pertama
adalah dengan mengkorelasikan keempat variable yaitu y1, x1, x2, x3, x4. Kemudian
melakukukan korelasi residual dari hasil regresi untuk masing-masing kombinasinya
dengan menetapkan terlebih dahulu variable kontrolnya.
"#""#"# $%
Newer Post
Home
Older Post
0 comments:
Post a Comment
11/24/2016 06:51 PM
14 of 14
M Y BLOG LIST
W IKIPEDIA
TRANSLATE
&
5 weeks ago
11/24/2016 06:51 PM