Laporan Hasil Penelitian Praktikum Regresi Sederhana

RUDINI MULYA _ TEKNIK INDUSTRI U NIVERSITAS MERCU BUANA

2012

LAPORAN AKHIR PRAKTIKUM STATISTIK Diajukan untuk Melengkapi Tugas Mata Kuliah Praktikum Statistik Pada Program Studi Teknik Industri

Disusun Oleh : Kelompok 4

Rudini Mulya Dessy Diardito Miranda Ihsan Maulana Yoel Octavianus

(41610010035) (41610010035) (41610010040) (41610010040) (41610010010) (41610010010) (41610010043) (41610010043)

PROGRAM STUDI TEKNIK INDUSTRI FAKULTAS TEKNIK UNIVERSITAS MERCU BUANA JAKARTA 2012

Diperiksa dan disetujui oleh :

Asisten Praktikum

Kelompok IV - Laporan Laporan Praktikum Regresi Regresi Sederhana Sederhana

| 37

2012


LAPORAN PRAKTIKUM REGRESI SEDERHANA BAB I PENDAHULUAN

1.1 Latar Belakang

Analisa regresi digunakan untuk melihat pengaruh variabel prediktor terhadap variabel respon dengan terlebih dahulu melihat pola hubungan variabel tersebut. Hal ini dapat dilakukan

melalui

dua

pendekatan

yaitu

pendekatan

parametrik

dan

pendekatan

nonparametrik. Pendekatan yang paling umum dan seringkali digunakan adalah pendekatan parametrik. Pendekatan Pendekat an parametr ik mengasumsikan bentuk be ntuk model sudah sud ah ditentukan. dite ntukan. Apabila tidak ada informasi apapun tentang bentuk dari fungsi regresi, maka pendekatan yang digunakan

adalah

pendekatan

nonparametrik (Hardle,

1994).

Karena

pendekatan

nonparametrik tidak tergantung pada asumsi bentuk kurva tertentu, sehingga memberikan fleksibilitas yang lebih besar. Ada beberapa teknik estimasi dalam regresi nonparametrik antara lain estimator regressogram, estimator Spline, estimator kernel (Eubank, 1999), 1999 ), dan estimator wavelet yang merupakan pengembangan dari estimator deret Fourier dan estimator kernel (Welastiningsih, 2005). Pendekatan estimator Spline Spline ada bermacam-macam antara lain Spline original, Spline type M, Spline relaxed, dan Spline terbobot (Budiantara dkk, 2006). 2006) . Pendekatan Spline mempunyai suatu basis basis fungsi. Basis fungsi yang yang dipakai antara lain truncated power basis dan B- spline basis (Eubank, 1999).

1.2 Tujuan Praktikum

1. Menaksir model regresi. 2. Menguji signifikansi parameter dari persamaan regresi. 3. Menentukan kualitas dari model regresi yang terbentuk.


| 38


2012

BAB II LANDASAN TEORI

2.1 Konsep Dasar Analisis Regresi

Analisis regresi adalah suatu proses memperkirakan secara sistematis tentang apa yang paling mungkin mungkin terjadi dimasa yang akan datang berdasarkan informasi yang sekarang dimiliki agar memperkecil kesalahan. Analisis regresi dapat juga diartikan sebagai usaha memprediksi perubahan. Perubahan Perubahan nilai suatu variabel variabel dapat disebabkan karena karena adanya perubahan pada variabel-variabel lain yang mempengaruhinya. Misalnya, volume pupuk terhadap hasil panen padi, karena adanya perubahan volume pupuk maka produksi padi dengan sendirinya akan akan berubah. Dalam fenomena alam banyak sekali kejadian yang saling berkaitan sehingga perubahan pada variabel lain berakibat pada perubahan variabel lainnya. Teknik yang digunakan untuk menganalisis menganalisis ini adalah ada lah analisis regresi. Analisis regresi (regression analysis) merupakan suatu teknik untuk membangun persamaan dan menggunakan menggunakan persamaan tersebut untuk membuat perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai analisis prediksi. Karena merupakan prediksi, maka nilai prediksi tidak selalu tetap dengan nilai riilnya, semakin kecil tingkat penyimpangan antara nilai prediksi dengan nilai riilnya, maka semakin tepat persamaan regresinya. Sehingga dapat didefinisikan bahwa: analisis regresi adalah metode statistik yang digunakan untuk menentukan kemungkinan hubungan antara variabel-variabel. 2.2 Persamaan Regresi

Persamaan regresi yang digunakan untuk membuat taksiran mengenai variabel dependen disebut persamaan regresi estimasi, yaitu suatu formula matematis yang menunjukkan hubungan keterkaitan antara satu atau beberapa variabel yang nilainya sudah diketahui dengan satu variabel lain yang nilainya belum diketahui. Sifat hubungan antar variabel dalam persamaan regresi merupakan hubungan sebab akibat (causal relationship). Oleh karena itu, sebelum menggunakan persamaan maka perlu diyakini terlebih dahulu secara teoritis atau perkiraan sebelumnya, dua atau lebih variabel memiliki hubungan sebab akibat. Variabel yang nilainya akan mempengaruhi nilai variabel lain disebut variabel variabel bebas

(independent variabel), variabel), sedangkan variabel yang yang nilainya

dipengaruhi oleh nilai variabel lain disebut dise but variabel tidak bebas (dependent variabel).


| 39


2012

2.3 Persamaan Regresi Sederhana

Regresi linier sederhana yaitu suatu prosedur untuk mendapatkan hubungan matematis dalam bentuk persamaan persamaan antar variabel bebas tunggal dengan dengan variabel tidak bebas tunggal. Regresi linier sederhana hanya memiliki satu peubah X yang dihubungkan dengan satu peubah tidak bebas Y. Bentuk umum dari persamaan regresi linier untuk u ntuk populasi adalah:

. +  Dengan θ1 dan θ2 merupakan parameter -parameter -parameter yang ada dalam regresi tersebut. Jika θ1 dan θ2 ditaksir oleh b0 dan b1, maka regresi sederhana untuk sampel adalah sebagai berikut: Y= a+bx+e Keterangan:

Y= merupakan variabel bergantung (dependent variable) X= sebagai variabel bebas (independent variable) a= sebagai konstanta regresi b= slope atau kemiringan garis regresi e= error


| 40

2012


BAB III PENGUMPULAN PENGUMPULAN DAN PENGOLAHAN DATA

3.1 pengumpulan data 3.1.1 statistik Diskriptif

Pada suatu perguruan tinggi mempunyai mahasiswa yang cukup banyak, mahasiswa tersebut terdiri dari beberapa jurusan dan angkatan, dari kumpulan mahasiswa tersebut akan dilakukan pengukuran data Tinggi dan Berat badan berdasarkan Umur dan angkatan yang diwakili oleh 100 mahasiwa, adapun hasil pengukuranya adalah sebagai berikut :

No

Nama

Usia

Berat Badan

Tinggi Badan

(Tahun)

(Kg)

(Cm)

1

Fery Prabowo

20

50

176

2

Dodi Indaryana

26

56

168

3

Hery Kuswanto

19

55

170

4

Nurul Fathia

20

60

160

5

Eka Bayu Saputra

19

50

176

6

Nanda Pratama

19

53

175

7

Rocky Himawan

19

72

182

8

Dhika Prasetyo

20

77

175

9

Lutfy Januari E. P.

18

59

176

10

Indra Nugraha

19

55

175

11

Firman Hermawan

19

59

165

12

Joko Akhiriyanto

19

56

168

13

Panji Kusuma Yudha

19

75

175

14

Arip Mustakim

19

59

176

15

Abdul Rahman

20

48

168

16

M. Aditya

19

75

170

17

Yanuar Ardiansyah

19

71

177

18

Endah Woro Wardani

19

47

162

19

Wiyoga Nur Alamsyah

18

54

160

20

Angga Sodikin

19

58

173

21

Anton Nimus

20

52

165

22

Ahmad Mathuri

19

45

168

23

Irfan Widiarto

19

90

170

24

Eko Setiawan

19

60

169

25

Anton Giardhi Bramanto

19

55

165

26

Wahyu Sugar Ibrahim

21

54

165

27

Ade Pratama

19

57

187


| 41

2012


28

M. Syawal Setiawan

20

95

173

29

Soerja Julianto

20

58

175

30

Diah Utami

19

45

160

31

Kukuh W Dias Utami

19

49

160

32

Al Bayhaki

19

46

173

33

Rambu Naha Tarap

19

49

158

34

Dwi Endartanto

19

69

166

35

Martin

19

60

170

36

M. Arif Maulana

20

62

173

37

Fachturrizki Ramadhan

20

75

175

38

Febriana Purwandari

22

80

170

39

Sidik Dwi Saputra

19

55

170

40

Andy Irawan

19

60

169

41

Rafli

19

55

166

42

Novian

19

50

168

43

Firmansyah

20

75

165

44

Novrian Riyadi

18

57

173

45

Adizty Suparno

18

53

160

46

Dini Maulina

17

45

155

47

M. Yusuf

19

63

160

48

Amalda Zulkarnaen

18

68

168

49

Fortunatus Pake

17

62

162

50

Zamaludin

17

55

170

51

M. Kasroniyanto

20

50

169

52

Azis M. A.

18

79

175

53

Isma

18

50

170

54

Ezra Lisfiani

17

40

160

55

Fauzan Septia M.

18

50

180

56

Yoel Octavianus Octavianu s

18

50

173

57

M. Radityo R.

17

60

175

58

Herlian Saputra

18

100

180

59

Ihsan Maulana

19

60

175

60

Nur Muhammad

18

80

173

61

Wisnu Sudaryanto

17

65

172

62

Denny Permana Perman a

18

57

172

63

Dessy Diardito Miranda

17

57

176

64

M. Wahyu S.

18

50

164

65

Aron Mangatas

18

65

175

66

Stefany S.

18

69

170

67

Aliftia Alifti a S.

18

57

172

68

Yodi Ramadhoni

19

73

170

69

Herman Santoso

20

55

168

70

Aziz Kurniawan

19

48

169

71

Eren Yudy P.

18

44

171


| 42

2012


72

Arie Yones

18

60

170

73

Rudini Mulya

20

57

169

74

Faisal Umar N.

18

65

170

75

Ikhwan H.

17

54

175

76

Ryan Nurhuda

18

57

171

77

Agus Raif

20

50

160

78

Adhitama Febrianto

19

60

162

79

Andri Muliyawan

23

60

173

80

Iwan Sutiyono

20

55

160

81

Eko Suriyanto

20

55

170

82

Dede Permana Perman a

20

49

175

83

Achmad Adnan Kasogi

19

58

168

84

Panji Aryo Priyadi

20

55

160

85

Steven Miky Pangkey

22

48

165

86

Ibnu Malik

20

50

168

87

Chandra Adi Putra

20

55

173

88

Yovan Arifin Arifi n

20

50

176

89

Ricky Reza Adhavi

20

49

167

90

Ria Qori'ah

20

53

155

91

Anisah H

20

50

165

92

Ian Danarko

21

60

172

93

Heri Nurmansyah

22

60

170

94

Irwan Yosia

22

55

171

95

Lucyana

21

48

170

96

Eka Rachmatillah

22

60

169

97

Wawan

22

64

170

98

Baskoro

22

65

169

99

Bagus

20

68

169

100

Ossa Sutaarga

22

50

168


| 43


2012

BAB IV PEMBAHASAN DAN ANALISA

4.1 Mendiskripsikan suatu Data

Untuk mendeskripsikan data yang tercantum pada permasalahan, pada kesempatan kali ini kami akan menggunakan program SPSS. Cara penginsertan data sebagai berikut: 

Memilih program SPSS pada menu utama, entri data yang ada


| 44


2012



Klik Variable View di pojok kiri bawah



Pada kolom Berat isikan sesuai dengan nama variabelnya, variabel pertama diberi nama berat dan variabel kedua diberi d iberi nama tinggi.





Klik Analyze, Regression, Linear

Pindahkan variabel salinitas sebagai variabel bebas ke kolom independent, dan variabel produksi sebagai variabel tergantung ke kolom dependent.



Klik menu Statistics, tandai Estimates, Convidence Intervals, Model fit, dan Descriptives, klik Continue.


| 45




Klik Options



Pada pilihan Missing Values, pilih Replace with Mean



Klik Continue,OK.


2012

| 46


2012

Maka akan menghasilkan OUTPUT seperti ini:

REGRESSION /DESCRIPTIVES MEAN STDDEV CORR SIG N /MISSING MEANSUB /STATISTICS COEFF OUTS CI(95) R ANOVA CHANGE ZPP /CRITERIA=PIN(.05) /CRITERIA=PIN(.05) POUT(.10) /NOORIGIN /DEPENDENT Berat /METHOD=ENTER Tinggi /RESIDUALS DURBIN.

Regression

[DataSet0]

Descriptive Statistics Mean

Std. Deviation

N

Berat

58.67

10.797

100

Tinggi

169.44

5.819

100

Correlations Berat Pearson Correlation

Sig. (1-tailed)

N

Tinggi

Berat

1.000

.336

Tinggi

.336

1.000

Berat

.

.000

Tinggi

.000

.

Berat

100

100

Tinggi

100

100

b

Variables Entered/Removed Model 1

Variables Entered Variables Removed a

Tinggi

Method

. Enter

a. All requested variables entered.


| 47

2012


b

Variables Entered/Removed Model 1

Variables Entered Variables Removed a

Tinggi

Method

. Enter

a. All requested variables entered. b. Dependent Variable: Berat

b

ANOVA Model 1

Sum of Squares Regression

df

Mean Square

1303.532

1

1303.532

Residual

10236.578

98

104.455

Total

11540.110

99

F

Sig. a

12.479

.001

a. Predictors: (Constant), Tinggi b. Dependent Variable: Berat

a

Residuals Statistics Minimum Predicted Value

Maximum

Mean

Std. Deviation

N

49.67

69.62

58.67

3.629

100

-15.643

34.745

.000

10.169

100

Std. Predicted Value

-2.481

3.018

.000

1.000

100

Std. Residual

-1.531

3.400

.000

.995

100

Residual

a. Dependent Variable: Berat


| 48


4.2

2012

Pembahasan

Berdasarkan hasil pengolahan data menggunakan menggunakan SPSS 17.0 sehingga menghasilkan data di atas, maka terdapat beberapa pertanyaan mengenai hasil pengolahan data tersebut. Berilut pertanyaanya: 1. Berapa korelasi total dan parsial masing-masing variabel? Jawab:

a) Korelasi total (R)

= 0,336

b) Kolrelasi parsial tinggi

= 0,336

Variabel: Konstanta a = -46,983 b = 0,624

2. Buat persamaan untuk rumus regresinya? Jawab:

 =  + 

46,983 + 0,624  = −46,983 3. Dari kedua variabel, mana yang lebih mempengaruhi? Jawab:

a) Korelasi parsial tinggi = 0,336 (termasuk (ter masuk korelasi positif sedang) Maka, dapat diambil kesimpulan dari variabel yang lebih mempengaruhi mempengaruhi berat badan adalah tinggi.


| 49


2012

4. Jika diketahui tinggi si A adalah adala h 170 cm dan umur 20 tahun, berapakah berat si A tersebut? Jawab:

: = 170  = 20ℎ  = −46,983  = 0,336

: … ? :  =  + 

46,983 83 + (0,336 0,336 × 170) + (0 × 20) 20)  = −46,9 = −46,9 46,983 83 + 57,1 57,12 2 = 10,137 → 10

5. Buat kesimpulan! Kesimpulannya adalah berdasrkan korelasi total yang diperoleh = 0,336 termasuk korelasi positif sedang. Artinya tinggi dan umur mempengaruhi berat badan sebesar positif sedang yaitu dengan menggunakan menggunakan R-square = 0,113 = 11,3%.


| 50

2012


BAB V KESIMPULAN

Adapun kesimpulan yang dapat ditarik dari laporan kami kali ini yaitu :

1. SPSS adalah salah satu program yang dapat membantu para statistikawan dalam menyelesaikan dan membahas permasalan statistika. SPSS dapat mempermudah penyajian dan interprestasi suatu data statistika. Penyajian data dengan SPSS dilengkapi dengan histogram, pie chart, box plot, dan analisis dari data tersebut.

2.

Dengan

menggunakan

permasalahan

statistika

program yang

SPSS berbentuk

tersebut, regresi

kita

dapat

seperti

menyelesaikan

contoh

di

atas.

3. Dari contoh permasalahan di atas, didapatkan output SPSS regresinya sebesar 0,891, hal ini menunjukkan bahwa salinitas berpengaruh kuat pada produktivitas tambaknya . 4. Dari output SPSS juga, kita dapat menentukan persamaannya, yaitu Y = 39,471+0,102x.


| 51

Laporan Hasil Penelitian Praktikum Regresi Sederhana

Recommend Documents