BAB I
PENDAHULUAN
1.1 LATAR BELAKANG MASALAH
Regresi Linier merupakan suatu persamaan matematika untuk menentukan dan menggambarkan hubungan antara variabel X dan Y dalam suatu peristiwa yang terjadi. Biasanya tertulis dalam persamaan Y = f ( X ). Diagram sebar yang dibuat, adalah untuk menggambarkan pola hubungan antara X dan Y tersebut, sehingga dapat terlihat dengan jelas sejauh mana hubungan yang terjadi, dapat ditinjau dari penyebaran ragam data. Dengan kata lain, Regresi linier adalah metode statistika yang digunakan untuk membentuk model hubungan antara variabel terikat (dependen; respon; Y) dengan satu atau lebih variabel bebas (independen, prediktor, X). Apabila banyaknya variabel bebas hanya ada satu, disebut sebagai regresi linier sederhana, sedangkan apabila terdapat lebih dari 1 variabel bebas, disebut sebagai regresi linier berganda.
Analisis regresi setidak-tidaknya memiliki 3 kegunaan, yaitu untuk tujuan deskripsi dari fenomena data atau kasus yang sedang diteliti, untuk tujuan kontrol, serta untuk tujuan prediksi. Regresi mampu mendeskripsikan fenomena data melalui terbentuknya suatu model hubungan yang bersifatnya numerik. Regresi juga dapat digunakan untuk melakukan pengendalian (kontrol) terhadap suatu kasus atau hal-hal yang sedang diamati melalui penggunaan model regresi yang diperoleh. Selain itu, model regresi juga dapat dimanfaatkan untuk melakukan prediksi untuk variabel terikat. Namun yang perlu diingat, prediksi di dalam konsep regresi hanya boleh dilakukan di dalam rentang data dari variabel-variabel bebas yang digunakan untuk membentuk model regresi tersebut. Misal, suatu model regresi diperoleh dengan mempergunakan data variabel bebas yang memiliki rentang antara 5 s.d. 25, maka prediksi hanya boleh dilakukan bila suatu nilai yang digunakan sebagai input untuk variabel X berada di dalam rentang tersebut. Konsep ini disebut sebagai interpolasi.
Sedangkan prinsip Metode Kuadrat terkecil, merupakan prinsip untuk menentukan fungsi paling baik yang dapat menggambarkan pola data yang diberikan. Fungsi Y = f (X) yang terbaik adalah fungsi Y yang memberikan jumlah kesalahan (error) yang paling kecil, dimana kesalahan ini dinyatakan dengan Y’. Selisih ini dapat berharga positif dan negatif, sehingga untuk menghilangkan harga negatif nilai selisih tersebut dikuadratkan. Metode kuadrat terkecil, yang lebih dikenal dengan nama Least-Squares Method, adalah salah satu metode ‘pendekatan’ yang paling penting
MIII Bab I Hal -2
dalam dunia keteknikan untuk: (a). regresi ataupun pembentukan persamaan dari titik data diskretnya (dalam pemodelan), dan (b). analisis sesatan pengukuran (dalam validasi model).
Metode kuadrat terkecil termasuk dalam keluarga metode pendekatan sesatan terdistribusi (“distributed error” approximation methods), berdasarkan karakterisik kerjanya yang melakukan pengurangan sesatan menyeluruh (global error) yang terukur berdasarkan interval pendekatan keseluruhan (whole approximation interval) sesuai dengan order pendekatan yang meningkat. Metode ini berbeda dengan metode-metode asimptotis, khususnya yang dikembangkan melalui pendekatan melalui deret ‘Taylor’, karena metode asimptotis memiliki karakteristik kerja yang memperkecil sesatan pada beberapa titik tertentu, sesuai dengan order pendekatan yang meningkat.
Korelasi berkaitan langsung dengan Regresi, jika pada fungsi Regresi Y=F(X) nilai Y dan X memenuhi persamaan Regresi maka dikatakan bahwa variabel X dan Y mempunyai korelasi yang sempurna.
1.2 PERUMUSAN MASALAH
Berdasarkan Latar Belakang Masalah yang telah diuraikan di atas, maka yang menjadi pokok permasalahan praktikum modul III ini adalah Regresi dan Korelasi linier. Dalam praktikum modul III ini akan dibahas mengenai bagaimana prinsip menentukan fungsi terbaik berdasarkan kesalahan terkecil untuk model regresi Yi = a + bX, menentukan galat regresi linier, menghitung koefisien korelasi
dan determinasi antara x dan y, serta menguji koefisien garis regresi. Adapun pengujiannya dengan melakukan uji hipotesis a1 = A1, uji hipotesis ao =Ao dan uji
hipotesis untuk koefisien korelasi.
Dalam praktikum ini objek pengamatannya adalah paku beton yang diukur dengan menggunakan beberapa alat ukur berupa jangka sorong digital untuk mengetahui panjang paku beton dan neraca analitik untuk mengetahui berat dari paku beton tersebut, sehingga dari data tersebut dapat dibuat diagram sebar yang menggambarkan hubungan antara panjang paku beton dan berat paku beton.
1.3 TUJUAN PRAKTIKUM
Praktikum Statistik Modul III ini, memiliki tujuan agar praktikan dapat :
MIII Bab I Hal -3
2. Menggambarkan diagram sebar.
3. Mengolah data hasil pengukuran untuk kemudian menghitung koefisien regresi, koefisien korelasi dan determinasi .
4. Membuat garis perkiraan dengan menggunakan ”tangan bebas”.
5. Melakukan uji hipotesis koefisien garis regresi dan korelasi apakah signifikan berbeda dengan nol.
1.4 PEMBATASAN MASALAH
Dalam praktikum Statistik Modul III ini, pembahasannya dibatasi pada hal -hal sebagai berikut :
1. Pengukuran panjang dan berat paku beton yang diambil sebanyak 20 data.
2. Pengukuran panjang dan berat paku beton pada saat praktikum dilakukan dengan menggunakan jangka sorong digital dan neraca analitik.
3. Pengolahan data dan perhitungan data terbatas pada :
Membuat diagram sebar dan garis perkiraan dengan menggunakan “tangan bebas”.
Menghitung persamaan garis regresi y = a + bX Menghitung koefisien korelasi dan determinasi. Menguji koefisien garis regresi yaitu dengan :
- Uji hipotesis a1 = A1.
- Uji hipotesis ao = Ao.
- Uji hipotesis untuk nilai koefisien korelasi. 4. Menggunakan level of signifikan 0,05.
BAB II
STUDI PUSTAKA
2.1 PRINSIP METODE KUADRAT TERKECIL
Misal diketahui pasangan data x dan y sebagai berikut :
X : x1 x2 x3 x4 ...xn
Y : y1 y2 y3 y4 ...yn
Persoalan disini adalah berdasarkan pasangan data x dan y yang diketahui akan ditentukan sebuah fungsi pendekatan yang secara umum dapat menggambarkan pola hubungan antara x dan y tersebut, dan selanjutnya dengan fungsi ini akan dapat ditaksir nilai fungsi untuk harga x yang selanjutnya. Kalau kita misalkan y’ = f (x) adalah nilai fungsi taksiran dan y adalah nilai data yang sebenarnya maka kesalahan (error ) pada titik data ke-i adalah :
'
i
y
i
y
i
e
...
………...….…..(2.1) Dalam hal ini maka fungsi terbaik yang dapat menggambarkan pola hubungan antara x dan y adalah fungsi yang memberikan harga jumlah kesalahan yang minimum, yakni :
n
21 i
' i y i y 2
n 1 i ei
E
...(2.2)
Nilai selisih dikuadratkan karena untuk menghilangkan nilai – nilai selisih yang negatif. Prinsip menentukan fungsi terbaik berdasarkan kesalahan terkecil ini disebut dengan prinsip kuadrat terkecil (least square).
2.2 PRINSIP METODE KUADRAT TERKECIL UNTUK MODEL REGRESI : y’= ao+a1x
Persoalan disini adalah dengan prinsip “ Least Square ” diatas akan dicari berapa harga parameter ao dan a1 yang akan meminimumkan harga E.
y y'2
E
y a bX2
E
MIII Bab II Hal -5
E akan minimum apabila 0 a E
dan 0
b E 0 1) bX)( a (y 2 a E 0 1) bX)( a (y 2 a E 0 X b a y 2 a E
b X y
na 0 ) X )( bX a (y 2 b E
2 (y a bX )X 0
0 2 X b X a xy
b X Y
na
Jadi dalam hal ini kita mempunyai dua persamaan dengan dua parameter yang tidak diketahui, yakni a dan b
(1) nabX Y
(2) nabX Y
Persamaan ini disebut dengan persamaan normal. Dengan eliminasi gauss atau determinan harga a0 dan a1 dapat diturunkan sebagai berikut :
2 2 2 22
x
x
n
y
x
xy
n
b
;
x
x
n
x
xy
x
y
a
......(2.3)
2.3 GALAT REGRESI LINIER
Galat regresi linier dinyatakan oleh besaran yang disebut “standart error estimate ” sebagai berikut :
2 n y' y S 2y/x ...(2.4)
berkurang dua (yakni n – 2) karena sudah ada dua parameter data yang dihitung yakni a dan b.
2.4 KOEFISIEN KORELASI
Hubungan baik tidaknya antar variabel dalam regresi (antara variable x dan y) diterangkan dengan menggunakan koefisien yang disebut dengan koefisien korelasi dan koefisien determinasi. Koefisien korelasi dinyatakan dengan r dan dirumuskan sebagai berikut :
x
n
y
y
x
n
y
x
xy
n
r
2 2
2 2
...(2.5)
- Koefisien determinasi
2
r
R ... (2.6)
- Koefisien korelasi dapat juga dihitung dengan formula berikut :
2 y y
2 ' y y 2 y -y
r ...(2.7)
Koefisien determinasi R menggambarkan prosentasi perubahan variabel y yang dapat diterangkan oleh variabel x.
Contoh 1
Misal diketahui pasangan data x dan y sebagai berikut :
x : 1 2 3 4 5 6 7
y : 0.5 2.5 2.0 4.0 3.5 6.0 5.5
Pertanyaan:
a. Berdasarkan data iatas tentukan garis regresi y’= f(x)= a+ bX b. Hitung Standart error estimate, koefisien korelasi dan determinasi
Tabel 2. 1 Tabel Perhitungan Contoh 1
x Y x.y x² y' ( y - y' )² y²
1 0,5 0,5 1 0,91 0,1681 0,25
2 2,5 5,0 4 1,75 0,5625 6,25
3 2,0 6,0 9 2,59 0,3481 4,0
4 4,0 16,0 16 3,43 0,3249 16
5 3,5 17,5 25 4,27 0,5929 12,25
6 6,0 36,0 36 5,11 0,7921 36,00
7 5,5 38,5 49 5,95 0,2025 30,25
28 24,0 119,5 140 29,911 105,00
Sumber : Modul Praktikum Statistik industri
a. y’= a0 + a1x dengan
2 x 2 x n x xy 2 x y 0 a
196 0,0714 784 980 3346 3360 28 140 7 28 119,5 140 24
a0 2
2 x 2 x n y x xy n 1 a
196 0,83928 0,84164,5 784 980 672 836,5 2 28 140 7 24 28 119,5 7 1
a
Jadi, garis regresinya adalah : y’ = 0,07 + 0,84x
b.
0,77342 7 9911 2 2 n 2 y' y y/x S ,
0,932 178,54 164,5 12,61 14 672 836,5 2 24 105 7 2 28 140 7 24 28 119,5 7r
0,869 r
R 2
2.5 TEORI SAMPLING DAN REGRESI
Persamaan garis regresi y = a+ bX diperoleh berdasarkan suatu data sampel. Seringkali kita juga ingin mengetahui bagaimana persamaan regresi populasi dari mana data sampel tadi telah diambil. Berikut ini adalah uji hipotesis dan interval kepercayaan dari parameter dan hasil ramalan regresi tersebut.
a. Uji Hipotesis a1 = A1
Untuk menguji hipotesis bahwa koefisien regresi a1 sama dengan suatu harga
tertentu, misalnya sama dengan A1, maka digunakan statistik uji sebagai berikut :
n
2
S
S
A
a
2
n
S
S
A
a
t
Y/X X y/x1
1
1
1
x
Dimana :
n 2 y' y y/xS ...…...(2.9)
2n x i x x
S ...
(2.10)
Statistik uji diatas berdistribusi t dengan derajat kebebasan = n – 2 Berdasarkan nilai statistik uji diatas maka interval kepercayaan 1 – α% dari parameter A1 dapat ditentukan sebagai berikut :
x S y/x S . 2 n α/2 t 1 a Bawah Batas
...(2.11)
x S y/x S . 2 n α/2 t 1 a Atas Batas
...(2.12)
Jadi interval kepercayaan 1 – α% dari A1 diberikan oleh :
x S y/x S . 2 n α/2 t 1 a 1 A x S y/x S . 2 n α/2 t 1 a
...(2.13)
Dengan tα/2 adalah nilai distribusi t dari tabel dengan derajat kebebasan = n – 2
b. Uji Hipotesis : a0 = A0
Statistik uji untuk menguji apakah a0 = A0 adalah :
2 i x 2) n(n S y/x S x A0 a0 2 n 2 n n 2 i x . S x Sy/x 0 A 0 a t .Statistik uji ini juga berdistribusi t dengan derajat kebebasan = n-2. Berdasarkan nilai statistik uji diatas maka interval kepercayaan 1 – α% dari a0
adalah sebagai berikut :
n
n 2
2 i x x S y/x S α/2 t 0 a 0 A 2 n n 2 i x x S y/x S . α/2 t 0 a
...(2.15)
c. Uji Hipotesis Untuk Nilai Ramalan Regresi
Misal y0 adalah nilai ramalan y untuk x = x0 yang diramalkan dari garis
regresi sampel y0 = a0 + bX0, dan yp adalah nilai ramalan y pada x = x0 untuk
populasi, maka statistic uji :
2 n 2 x S x x 1 n y/x S p y 0 y t 0 2 2 n n y/x S y/x S dimana 2 n 2 x S x) 0 (x 1 n y/x S p y 0 y t adalah berdistribusi c dengan derajat kebebasan = n – 2.
...(2.14)
Berdasarkan nilai statistik uji ini, maka interval kepercayaan 1 – α% dari yp dapat
dirumuskan sebagai berikut :
2 x S 2 x 0 x 1 n y/x .S 2 n α/2 t 0 y p y BawahBatas
...(2.17)
2 x S 2 x 0 x 1 n y/x .S 2 n α/2 t 0 y p y AtasBatas
...(2.18)
Contoh 2
Tabel berikut menunjukkan data berat beberapa orang ayah dengan anaknya yang paling tua.
Tabel 2. 2 Tabel Berat Ayah dan Anak
Berat Ayah (Kg,x) 65 63 67 64 68 62 70 66 68 67 69 71
Berat Anak (Kg,y) 68 66 68 65 69 66 68 65 71 67 68 70
Sumber : Modul Praktikum Statistik industri
Pertanyaan:
a. Gambarkan diagram sebarnya.
b. Tentukan garis regresi linier : y = a + bx
c. Lakukan uji hipotesis deengan tingkat kepercayaan 95% bahwa koefisien regresi populasi (A1) adalah kurang dari 0,180
d. Tentukaan interval kepercayaan 95% dari koefisien regresi tersebut.
e. Lakukan uji hipotesis dengan tingkat kepercayaan 95% bahwa A0 = 30 dan
tentukan interval kepercayaan 95% dari populasi A0 tersebut.
f. Tentukan interval kepercayaan 95% dari nilai ramalan y untuk harga x = 67. Jawab:
Gambar 2.1 Diagram Sebar
b. Menentukan Persamaan Garis Regresi : y = a + bx
Rumus a0 dan a1 adalah :
2 x 2
x n
x xy 2
x y a
2 x 2
x n
Tabel 2. 3 Tabel Perhitungan Garis Regresi
x Y x² xy y²
65 68 4225 4420 4624
63 66 3969 4158 4356
67 68 4489 4556 4624
64 65 4096 4160 4225
68 69 4624 4692 4761
62 66 3844 4092 4356
70 68 4900 4760 4624
66 65 4356 4290 4225
68 71 4624 4828 5041
67 67 4489 4489 4489
69 68 4761 4692 4624
71 70 5041 4970 4900
800 811 53418 54107 54849
Sumber : Modul Praktikum Statistik industri
12 54849
811
35,8254107 800
53418 811
a 2
12 54849
811
2 0,476811 800 54107 12
b
Jadi, persamaan regresinya : y = 35,82 + 0,476x
c. Uji Hipotesis Koefisien Regresi a1
n 2 y' i y y/x
S
n 2 x i x x
Tabel 2. 4 Tabel Perhitungan Koefisien Regresi
Y y1 y- y1 (y-y1)2
68 66,76 1,24 1,54
66 65,81 0,19 0,036
68 67,71 0,29 0,084
65 66,28 -1,8 1,64
69 68,19 0,87 0,656
66 65,33 0,67 0,45
68 69,14 -1,44 1,3
65 67,24 -2,24 5,02
74 68,19 2,81 7,9
67 67,71 -0,71 0,504
68 68,66 -0,66 0,436
70 69,62 0,38 0,144
Sumber : Modul Praktikum Statistik industri
y-y'2 19,71
Sy/x=
12 19,71
= 1,6425= 1,28
Tabel 2. 5 Tabel Perhitungan Koefisien Regresi
X x -x x-x2
65 -1,7 2,89
63 -3,7 13,69
67 0,3 0,09
64 -2,7 7,29
68 1,3 1,69
72 -4,7 22,09
70 3,3 10,89
66 -0,7 0,49
68 1,3 1,69
67 0,3 0,09
69 2,3 5,29
71 4,3 18,49
800 84,68
Sumber : Modul Praktikum Statistik industri
x =
12 800
= 66,7
Sx =
n 2 ) x -(x
=
2
1 84,68
= 7,057 = 2,66
t = 12 2
2,66 1,28
0,180 -0,74
=
= 1,95
t0,05;10 = 1,872
Gambar 2. 2 Uji Hipotesis Koefisien Regresi untuk alpha 5%
Oleh karena t statistik > t0,05;10 maka hipotesis Ho:A1 < 0,180 kita tolak
a1 > 0,180, artinya b = 0,476 adalah signifikan lebih besar dari 0,180
d. Interval Keyakinan 95% dari A1
a1 =
x S
y/x S
2 -n a/2 t
< A1 < a1 +
x S
y/x S
2 -n a/2 t
t/2;n-2 = t0,025;10 = 2,23
Batas bawah interval = 0,476 - 1,282,66
2 -12 2,23
.
= 0,476 – 0,340 = 0,136
Batas atas interval = 0,476 + 0,340 = 0,816
Kesimpulan : Dengan tingkat keyakinan 95%, maka koefisien regresi A1 adalah
berada pada interval 0,136 < A1 < 0,816
e. Uji hipotesis koefisien regresi a0
= 0,05
t = (35,82 – 30)
53418 (12)(10) 1,28
2,66
= 0,573246567 = 0,573
t,n-2 = t0.05;10 = 1,812
tstatistik < ttabel
H0 : A0 = 30 diterima.
Artinya A0 = 35,82 adalah tidak signifikan lebih besar dari 30.
Interval keyakinan 95% dari A0.
BB = 35,82 – t0.025 ; 10
12 800
(12)(10) 53418
= 35,82 – 2,23
2,66 1,28
. 21,0986
= 35,82 – 22,64 = 13,18
BA = 35,82 + 22,64 = 58,46
Interval kepercayaan 95% dari A0 adalah sebagai berikut:
13,18 < A0 < 58,46
f. Interval kepercayaan 95% untuk ramalan regresi
x0 = 67 y0 = 35,82 + 0,476 (67)
= 67,712
= 5% /2 = 0,5 = 0,025
t/2;n-2 = t0.025 ; 10 = 2,23
BB = 67,712 -
10 2,23
. 1,28
7,057 2 66,7) (67 1
12
= 67,712 – 0,9026 13,01275329
BA = 67,712 + 3,256 = 70,968
BAB III
PENGUMPULAN DAN PENGOLAHAN DATA
3.1 PENGUMPULAN DATA
Data yang digunakan untuk pengukuran/eksperimen adalah data pengukuran panjang paku beton sebanyak 20 data.
3.1.1 Alat Yang Digunakan
Alat yang digunakan dalam praktikum ini adalah sebagai berikut : 1. Jangka Sorong Digital
2. Neraca Analitik 3. Alat Tulis
4. Modul Praktikum
3.1.2 Bahan Yang Digunakan
Bahan yang digunakan dalam praktikum ini adalah 20 buah paku beton yang akan diukur panjang dan beratnya.
3.1.3 Cara Pengukuran.
Pengukuran dilakukan dengan cara mengukur panjang paku beton dan beratnya sebanyak 20 buah dengan menggunakan jangka sorong digital dan neraca analitik.
Berikut ini adalah langkah – langkah untuk melakukan pengukuran panjang paku beton :
Tekan tombol POWER ON/OFF. Tombol ini berfungsi untuk menghidupkan ataupun mematikan fungsi dari jangka sorong digital tersebut.
Tekan tombol ZERO. Tombol ini berfungsi untuk menormalkan tampilan pada layar menjadi posisi nol.
Posisikan paku beton diantara kedua rahang geser jangka sorong digital. Rapatkan rahang geser hingga sesuai dengan panjang paku dan baca
panjang paku yang ditampilkan pada display digital. Ulangi langkah pertama untuk mengukur paku berikutnya.
MIII Bab III Hal - 18
Berikut ini adalah langkah–langkah untuk melakukan pengukuran berat paku beton :
Tekan tombol POWER ON/OFF. Tombol ini berfungsi untuk menghidupkan ataupun mematikan fungsi dari neraca analitik tersebut.
Tekan tombol UNITS set. Tombol ini digunakan untuk mengatur satuan berat suatu unit, misal dalam satuan gram/kilogram.
Tekan tombol ZERO. Tombol ini digunakan untuk menormalkan tampilan pada layar menjadi posisi nol.
Letakkan obyek yang diukur diatas neraca dan baca hasil pengukuran berat pada layar display.
3.1.4 Hambatan Pengukuran.
Hambatan yang kami hadapi pada saat melakukan pengukuran paku beton yaitu neraca yang telah dipakai seringkali tidak kembali ke posisi normal sehingga kami harus menormalkan terlebih dahulu neraca tersebut.
3.2 HASIL DATA PENGUKURAN
Berdasarkan data praktikum modul I diperoleh tabel panjang dan berat paku beton.
Tabel 3. 1 Hasil Pengukuran Panjang dan Berat Paku Beton
Data Ke
Pengukuran Panjang Paku
Beton (mm)
Pengukuran Berat Paku
Beton (gram)
Data Ke
Pengukuran Panjang Paku
Beton (mm)
Pengukuran Berat Paku
Beton (gram)
1 102,84
2,54
11 102,872,58
2 101,11
2,52
12100,54
2,48
3 103,21
2,56
13 101,972,53
4 102,59
2,56
14 101,922,53
5 102,11
2,54
15 103,342,57
6 101,07
2,48
16 101,832,52
7 103,08
2,58
17102,62
2,55
8 100,76
2,50
18 103,262,54
9
102,91
2,55
19 102,422,55
10 101,77 2,53 20 100,14 2,48
MIII Bab III Hal -19
3.3 PENGOLAHAN DATA
Tabel 3. 2 Perhitungan Panjang dan Berat Paku Beton
Data ke X Y X2 Y2 X.Y
1 102,84 2,54 10576,066 6,452 261,214
2 101,11 2,52 10223,232 6,350 254,797
3 103,21 2,56 10652,304 6,554 264,218
4 102,59 2,56 10524,708 6,554 262,630
5 102,11 2,54 10426,452 6,452 259,359
6 101,07 2,48 10215,145 6,150 250,654
7 103,08 2,58 10625,486 6,656 265,946
8 100,76 2,5 10152,578 6,250 251,900
9 102,91 2,55 10590,468 6,503 262,421
10 101,77 2,53 10357,133 6,401 257,478
11 102,87 2,58 10582,237 6,656 265,405
12 100,54 2,48 10108,292 6,150 249,339
13 101,97 2,53 10397,881 6,401 257,984
14 101,92 2,53 10387,686 6,401 257,858
15 103,34 2,57 10679,156 6,605 265,584
16 101,83 2,52 10369,349 6,350 256,612
17 102,62 2,55 10530,864 6,503 261,681
18 103,26 2,54 10662,628 6,452 262,280
19 102,42 2,55 10489,856 6,503 261,171
20 100,14 2,48 10028,020 6,150 248,347
∑ 2042,36 50,69 208579,540 128,492 5176,877
Sumber : Pengolahan Data
n Xi
X 102,118
20 2042,36
n Yi
X 2,5345
20 50,69
MIII Bab III Hal -20
3.3.1 Diagram Sebar dan Tangan Bebas
Gambar 3.1 Diagram sebar dan tangan bebas
3.3.2 Menghitung Koefisien Regresi dan Korelasi
Persamaan Garis Regresi : Y’ = a + bX
2
X) ( ) 2 X n(
XY X Y
2 X a
2 (2042,36) 540)
20(208579,
5176,877) (2042,36)(
0)(50,69) (208579,54
356,43 149,627
- -0,4198
2 X) ( ) 2 X n(
Y X XY n b
2 (2042,36) 540)
20(208579,
50,69) (2042,36)(
7) 20(5176,87
356,43 10,31
0,0289
Y’ = -0,4198 + 0,0289XMIII Bab III Hal -21 2 y 2 y n 2 x 2 x n Y X XY n r
2042,362 20128,492 50,692
208579,540 20 50,69) (2042,36)( 7) 20(5176,87 r
0,6
(18,879) 10,31 r
0,910 r
Koefisien Determinasi R = r2 = (0,910)2 = 0,828
3.3.3 Melakukan Uji Hipotesis a1 = A1 Dan Uji Hipotesis ao = Ao
Uji Hipotesis a1 = 0
1. Ho : a1 = 0
Hi : a1
02. = 0,05 /2 = 0,025
t/2;n-2 = t0,025;18 = + 1.734
Gambar 3. 2 Distribusi t
Ho ditolak jika t hitung > tα/2;18 atau Ho diterima jika t hitung < tα/2;18
3. Uji Statistik.
2 n Sy/x Sx 0) (b
t
Daerah Penolakan Daerah Penolakan
MIII Bab III Hal -22
Dimana :
n 2 ) Y' (Y
Sy/x dan
n 2 ) X (X Sx
Y’ = -0,4198 + 0,0289X
Tabel 3. 3 Perhitungan Garis Regresi
Data y y’ y-y’ (y-y’)²
1 2,54 2,552 -0,012 0,000144
2 2,52 2,502 0,018 0,000324
3 2,56 2,563 -0,003 0,000009
4 2,56 2,545 0,015 0,000225
5 2,54 2,531 0,009 0,000081
6 2,48 2,501 -0,021 0,000441
7 2,58 2,559 0,021 0,000441
8 2,5 2,492 0,008 0,000064
9 2,55 2,554 -0,004 0,000016
10 2,53 2,521 0,009 0,000081
11 2,58 2,553 0,027 0,000729
12 2,48 2,486 -0,006 0,000036
13 2,53 2,527 0,003 0,000009
14 2,53 2,525 0,005 0,000025
15 2,57 2,567 0,003 0,000009
16 2,52 2,523 -0,003 0,000009
17 2,55 2,546 0,004 0,000016
18 2,54 2,564 -0,024 0,000576
19 2,55 2,54 0,01 0,000100
20 2,48 2,474 0,006 0,000036
∑ 50,69 50,625 0,065 0,003371
Sumber : Pengolahan Data
0,0130 20
0,003371 n
2 ) Y' (Y
Sy/x
MIII Bab III Hal -23
n 2 ) X (X
Sx dan
n xx
n xx
20 2042,36 x
102,118 x
Tabel 3. 4 Perhitungan Garis Regresi
Data x x x (x x)2
1 102,84 0,722 0,5213
2 101,11 -1,008 1,0161
3 103,21 1,092 1,1925
4 102,59 0,472 0,2228
5 102,11 -0,008 0,0001
6 101,07 -1,048 1,0983
7 103,08 0,962 0,9254
8 100,76 -1,358 1,8442
9 102,91 0,792 0,6273
10 101,77 -0,348 0,1211
11 102,87 0,752 0,5655
12 100,54 -1,578 2,4901
13 101,97 -0,148 0,0219
14 101,92 -0,198 0,0392
15 103,34 1,222 1,4933
16 101,83 -0,288 0,0829
17 102,62 0,502 0,2520
18 103,26 1,142 1,3042
19 102,42 0,302 0,0912
20 100,14 -1,978 3,9125
∑ 2042,36 17,8217
Sumber : Pengolahan Data
n 2 ) X (X Sx
20 17,8217 Sx
0,9440 Sx
MIII Bab III Hal -24
2 n Sy/x
Sx 0) 1 (a
t
2 20 0,0130 0,9440 0)
(0,0289
t
8,903 t
thitung = 8,903 > t0,025;18 = 1.734
Ho ditolak karena thitung > t0,025;18 artinya koefisien regresi tersebut tidaksama dengan nol.
3.3.4 Uji Hipotesis Koefisien Korelasi : ρ = 0 1. Ho : p = 0
HA : p > 0
2. = 0,05 t;n-2 = t0,05;18 = 1,734
Ho ditolak jika t hitung > tα;18 atau Ho diterima jika t hitung < tα;18
Uji statistik :
2 r 1
2 n r t
yang terdistribusi t dengan = n – 2
0,828 1
2 20 0,910 t
0,4147 (4,2426) 0,910
t
9,3098 t
MIII Bab III Hal -25
Daerah penolakan
1,734 9,3098
Gambar 3.3 Distribusi t
Ho ditolak oleh karena thitung > t0,05;18 artinya koefisien regresi tersebutBAB IV
KESIMPULAN DAN SARAN
4.1 KESIMPULAN
Kesimpulan yang didapat dari praktikum modul III ini, adalah antara lain :
Tabel 4. 1 Tabel Hasil Perhitungan
Koefisien korelasi r 0,910
Koefisien determinasi R 0,828
Persamaan Garis Regresi
Y’ = a0 + a1x Y’ = -0,4198 + 0,0289 X
Nilai Sx Sx 0,9440
Nilai Sy/x Sy/x 0,0130
Uji Hipotesis a1
0t hitung = 8,903 > t0,025;18 = 1,734
t tabel = + 1,734
thitung = 8,903 > t0,025;18 = 1,734
Jadi, Ho ditolak oleh karena thitung > t0,025;18 artinya koefisien regresi tersebut
signifikan bebeda dengan nol.
Uji Hipotesis ao
0t hitung = 9,3098
t tabel = + 1,734
thitung = 9,3098 > t0,025;17 = 1,734
Jadi, Ho ditolak oleh karena thitung > t0,025;18 artinya koefisien regresi tersebut
signifikan berbeda dengan nol.
MIII Bab IV Hal -27
4.2 SARAN
Adapun saran dalam pelaksanaan praktikum modul III ini adalah :
1. Penggunaan software untuk stastistik perlu dikembangkan lebih mendalam, supaya praktikan dapat menguasai cara untuk melakukan uji hipotesis dengan menggunakan software tersebut.
DAFTAR PUSTAKA
Darmawan, Muchtar. 2009. Statistik Industri I. Penerbit Universitas Pancasila. Jakarta Darmawan, Muchtar. 2009. Statistik Industri II. Penerbit Universitas Pancasila. Jakarta. Supranto, J. 2001, Statistik Edisi 6. Penerbit Erlangga.
Supranto, J. 2001, Statistik Jilid 2. Penerbit Erlangga.
Lampiran 1 SPSS Data Panjang Paku Beton
Curve Fit
[DataSet0]
Model Description
Model Name MOD_1
Dependent Variable
1 Panjang_Paku_Beton
Equation 1 Linear
Independent Variable Berat_Paku_Beton
Constant Included
Variable Whose Values Label Observations in Plots
Unspecified
Case Processing Summary N
Total Cases 20
Excluded Casesa 0
Forecasted Cases 0
Newly Created Cases
0
Variable Processing Summary
Variables
Dependent Independent Panjang_Pak
u_Beton
Berat_Paku_ Beton
Number of Positive Values 20 20
Number of Zeros 0 0
Number of Negative Values 0 0
Number of Missing Values
User-Missing 0 0
System-Missing 0 0
Model Summary and Parameter Estimates Dependent Variable:Panjang_Paku_Beton
Equati on
Model Summary
Parameter Estimates
R Square F df1 df2 Sig. Constant b1
Linear .816 79.931 1 18 .000 30.751 28.150
Regression
[DataSet0] G:\Data SPSS\Data Modul 3.sav
Descriptive Statistics
Mean
Std.
Deviation N
Panjang_Paku_Bet on
102.0970 .96157 20
Berat_Paku_Beton 2.5345 .03086 20
Correlations
Panjang_Pak u_Beton
Berat_Paku_ Beton Pearson
Correlation
Panjang_Paku_Bet on
1.000 .903
Berat_Paku_Beton .903 1.000
Sig. (1-tailed) Panjang_Paku_Bet on
. .000
Berat_Paku_Beton .000 .
N Panjang_Paku_Bet
on
20 20
Berat_Paku_Beton 20 20
Variables Entered/Removedb
Model
Variables Entered
Variables
Removed Method
1 Berat_Paku_
Betona
. Enter
a. All requested variables entered.
Model Summary
Mo
del R
R Square
Adjuste d R Square
Std. Error of the Estimate
Change Statistics R Square
Change
F
Change df1 df2
Sig. F Change
1 .903a .816 .806 .42354 .816 79.931 1 18 .000
a. Predictors: (Constant), Berat_Paku_Beton
ANOVAb
Model
Sum of
Squares df
Mean
Square F Sig.
1 Regression 14.339 1 14.339 79.931 .000a
Residual 3.229 18 .179
Total 17.568 19
a. Predictors: (Constant), Berat_Paku_Beton b. Dependent Variable: Panjang_Paku_Beton
Coefficientsa
Model
Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error Beta
1 (Constant) 30.751 7.981 3.853 .001
Berat_Paku_Beto n
28.150 3.149 .903 8.940 .000
a. Dependent Variable: Panjang_Paku_Beton
Coefficient Correlationsa
Model
Berat_Paku_ Beton 1 Correlations Berat_Paku_Beto
n
1.000
Covariance s
Berat_Paku_Beto n
9.914