ANALISIS PEMILIHAN MATERIAL YANG BAIK
TERHADAP KUALITAS BETON
DISUSUN
OLEH:
PUTRI RIZA CHANIAGO (1410432009)
NUR FAUZANA (1410432021)
DOSEN PEMBIMBING:
HAZMIRA YOZA M.Si
IZZATI RAHMI HG S.Si.,M.Si
JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS ANDALAS
KATA PENGANTAR
Puji syukur penulis ucapkan kehadirat Allah SWT yang karena berkat
rahmat dan karuniaNYA peneliti dapat menyelesaikan makalah mengenai Analisis
Pemilihan Material yang Baik terhadap Kualitas Beton sebagai tugas mata kuliah
Analisis Regresi. Makalah ini disusun dan dibuat berdasarkan buku-buku, internet
serta literatur tentang pemilihan material yang baik terhadap kualitas beton.
Terimakasih peneliti ucapkan kepada ibu Hazmira Yoza M.Si dan ibu
Izzati Rahmi HG S.Si.,M.Si selaku dosen pembimbing yang telah mengarahkan
serta memberi masukan kepada peneliti demi kebaikan dan kelengkapan makalah
ini. Peneliti menyadari bahwa makalah ini masih jauh dari kesempurnaan untuk
itu peneliti mengharapkan adanya kritik dan saran demi kelengkapan dan
kebaikan makalah ini.
BAB I
PENDAHULUAN
A. Latar belakang
Beton merupakan suatu hal yang penting dalam pembangunan di berbagai
bidang. Salah satu fungsi utama beton adalah sebagai pondasi suatu bangunan.
Hal ini yang menunjukkan bahwa dalam suatu pembangunan sangat perlu beton
yang berkualitas. Beton merupakan suatu material kontruksi yang kuat yang
terdiri dari campuran berbagai bahan dan sangat kompleks. Pemilihan material
yang baik akan meningkatkan kualitas beton. Material-material pembentuk beton
tersebut adalah sebagai berikut :
Semen
Semen merupakan bahan pengikat pengikat hidrolis berupa bubuk halus
yang dihasilkan dengan cara menghaluskan klinker (bahan yang berupa
silikat-silikat kalsium yang bersifat hidrolis.
Terak
Terak merupakan limbah nikel yang dimanfaatkan sebagai material
pembentuk beton.
Fly ash
Fly ash
merupakan abu terbang ringan yang dihasilkan dari pembakaran
batubara.
Air
Di dalam campuran beton, air mempunyai dua kegunaan. Pertama, untuk
membantu terjadinya proses kimia yang menyebabkan terjadinya
pengikatan material dan berlangsungnya pengerasan. Kedua, sebagai
pelincir agregat kasar, agregat halus dan semen agar memudahkan
pencetakan.
Super plasticizer
Super palsticizer
merupakan bahan kimia yang berguna untuk mengurangi
penggunaan air dan mempercepat pengeringan.
Agregat kasar
Agregat kasar yang digunakan dapat berupa kerikil atau benda-benda lain
yang sejenis.
Agregat halus
Agregat halus yang digunakan dapat berupa pasir.
Kuat tekan beton merupakan sifat utama yang umum harus dimiliki oleh
beton, sebab beton yang tidak cukup kuat tekannya menurut kebutuhan menjadi
tidak berguna. Diantara material-material di atas ingin diketahui material mana
yang lebih berpengaruh terhadap kuat tekan beton. Untuk itu dilakukannya
analisis pemilihan material agar beton yang dihasilkan berkualitas.
B. Rumusan masalah
1. Apa itu beton dan apa fungsinya?
2. Faktor apa yang mempengaruhi kualitas beton?
4. Bagaimana cara untuk menentukan model yang paling baik dari kasus
diatas?
C. Tujuan penelitian
1. Dapat menngetahui faktor-faktor apa saja yang mempengaruhi kualitas
beton.
2. Dapat menentukan model yang tepat untuk menduga porsi dari
material yang digunakan agar memperoleh beton yang berkualitas.
BAB II
Beton merupakan material konstruksi yang kuat dan sangat kompleks.
Pemilihan material yang baik akan meningkatkan kualitas beton.
Material-material pembentuk beton tersebut adalah sebagai berikut :
-
Semen
-
Terak
-
Fly ash
-
Air
-
Super plasticizer
-
Agregat kasar
-
Agregat halus
Kuat tekan beton merupakan sifat utama yang umum harus dimiliki oleh
beton, sebab beton yang tidak cukup kuat tekannya menurut kebutuhan menjadi
tidak berguna. Diantara material-material di atas ingin diketahui material mana
yang lebih berpengaruh terhadap kuat tekan beton. Untuk itu peneliti
menggunakan analisis regresi dalam menyelesaikan kasus di atas.
Dalam menggunakan analisis regresi perlu adanya suatu data yang
digunakan untuk menduga model yang baik . Berikut ini disajikan data tentang uji
beton yang mengkaji faktor-faktor yang mempengaruhi kuat tekan beton-28 hari.
Data ini diperoleh dari
UCI Irvine Machine Learning Repository
. Data ini
merupakan data uji beton yang dilakukan terhadap 102 kasus.Peubah respons Y
adalah kuat tekan beton-28 hari (dalam Mpa) merupakan data numerik. Ketujuh
peubah penjelas juga merupakan data numerik, terdiri dari:
-
X
1merupakan banyaknya semen dengan satuan kg dalam 1 M
3beton,
-
X
2merupakan banyaknya terak dengan satuan kg dalam 1 M
3beton,
-
X
3merupakan banyaknya
fly ash
dengan satuan kg dalam 1 M
3beton,
-
X
4merupakan banyaknya air dengan satuan kg dalam 1 M
3beton dimana
massa jenis air adalah 1 kg/dm
3-
X
4merupakan banyaknya
super plasticizer
dengan satuan kg dalam 1 M
3beton
-
X
6merupakan banyaknya agregat kasar dengan satuan kg dalam 1 M
3beton,
-
X
7merupakan banyaknya agregat halus dengan satuan kg dalam 1 M
3beton.
Data kuat tekan beton yang diperoleh dari
UCI Irvine Machine
Learning Repository
(X1)
(X2)
(X3)
(X4)
(X5) aggr. (X6)
aggr.(X7)
strength
(28-day)
(Mpa) (Y)
1
273
82
105
210
9
904
680
34.99
2
163
149
191
180
12
843
746
41.14
3
162
148
191
179
16
840
743
41.81
4
162
148
190
179
19
838
741
42.08
5
154
112
144
220
10
923
658
26.82
6
147
89
115
202
9
860
829
25.21
7
152
139
178
168
18
944
695
38.6
8
145
0
227
240
6
750
853
36.59
9
152
0
237
204
6
785
892
32.71
10
304
0
140
214
6
895
722
38.46
11
145
106
136
208
10
751
883
26.02
12
148
109
139
193
7
768
902
28.03
13
142
130
167
215
6
735
836
31.37
14
354
0
0
234
6
959
691
33.91
15
374
0
0
190
7
1013
730
32.44
16
159
116
149
175
15
953
720
34.05
17
153
0
239
200
6
1002
684
28.29
18
295
106
136
206
11
750
766
41.01
19
310
0
143
168
10
914
804
49.3
20
296
97
0
219
9
932
685
29.23
21
305
100
0
196
10
959
705
29.77
22
310
0
143
218
10
787
804
36.19
23
148
180
0
183
11
972
757
18.52
24
146
178
0
192
11
961
749
17.19
25
142
130
167
174
11
883
785
36.72
26
140
128
164
183
12
871
775
33.38
27
308
111
142
217
10
783
686
42.08
28
295
106
136
208
6
871
650
39.4
29
298
107
137
201
6
878
655
41.27
30
314
0
161
207
6
851
757
41.14
31
321
0
164
190
5
870
774
45.82
32
349
0
178
230
6
785
721
43.95
33
366
0
187
191
7
824
757
52.65
34
274
89
115
209
9
759
827
35.52
35
137
167
214
226
6
708
757
34.45
36
275
99
127
184
13
810
790
43.54
37
252
76
97
194
8
835
821
33.11
38
165
150
0
182
12
1023
729
18.26
39
158
0
246
174
7
1035
706
34.99
40
156
0
243
180
11
1022
698
33.78
42
154
141
181
234
11
797
683
33.51
43
160
146
188
203
11
829
710
33.51
44
291
105
0
205
6
859
797
27.62
45
298
107
0
210
6
879
815
30.97
46
318
126
0
210
6
861
737
31.77
47
280
92
118
207
9
883
679
37.39
48
287
94
121
188
9
904
696
43.01
49
332
0
170
160
6
900
806
58.53
50
326
0
167
174
6
884
792
52.65
51
320
0
163
188
9
866
776
45.69
52
342
136
0
225
11
770
747
32.04
53
356
142
0
193
11
801
778
36.46
54
309
0
142
218
10
912
680
38.59
55
322
0
149
186
8
951
709
45.42
56
159
193
0
208
12
821
818
19.19
57
307
110
0
189
10
904
765
31.5
58
313
124
0
205
11
846
758
29.63
59
143
131
168
217
6
891
672
26.42
60
140
128
164
237
6
869
656
29.5
61
278
0
117
205
9
875
799
32.71
62
288
0
121
177
7
908
829
39.93
63
299
107
0
210
10
881
745
28.29
64
291
104
0
231
9
857
725
30.43
65
265
86
111
195
6
833
790
37.39
66
159
0
248
175
12
1041
683
35.39
67
160
0
250
168
12
1049
688
37.66
68
166
0
260
183
13
859
827
40.34
69
320
127
164
211
6
721
723
46.36
70
336
134
0
222
6
756
787
31.9
71
276
90
116
180
9
870
768
44.08
72
313
112
0
220
10
794
789
28.16
73
294
106
136
207
6
747
778
41.27
73
146
106
137
209
6
875
765
27.89
73
149
109
139
193
6
892
780
28.7
76
159
0
187
176
11
990
789
32.57
77
261
78
100
201
9
864
761
34.18
78
140
1.4
198.1
174.9
4.4
1049.9
780.5
30.83
79
141.1
0.6
209.5
188.8
4.6
996.1
789.2
30.43
80
140.1
4.2
215.9
193.9
4.7
1049.5
710.1
26.42
81
140.1
11.8
226.1
207.8
4.9
1020.9
683.8
26.28
82
160.2
0.3
240
233.5
9.2
781
841.1
36.19
83
140.2
30.5
239
169.4
5.3
1028.4
742.7
36.32
84
140.2
44.8
234.9
171.3
5.5
1047.6
704
33.78
86
143.3
91.8
239.8
200.8
6.2
964.8
647.1
27.09
87
194.3
0.3
240
234.2
8.9
780.6
811.3
38.46
88
150.4
110.
9
239.7
168.1
6.5
1000.2
667.2
37.92
89
150.3
111.
4
238.8
167.3
6.5
999.5
670.5
38.19
90
155.4
122.
1
240
179.9
6.7
966.8
652.5
35.52
91
165.3
143.
2
238.3
200.4
7.1
883.2
652.6
32.84
92
303.8
0.2
239.8
236.4
8.3
780.1
715.3
44.48
93
172
162.
1
238.5
166
7.4
953.3
641.4
41.54
94
172.8
158.
3
239.5
166.4
7.4
952.6
644.1
41.81
95
184.3
153.
4
239.2
179
7.5
920.2
640.9
41.01
96
215.6
112.
9
239
198.7
7.4
884
649.1
39.13
97
295.3
0
239.9
236.2
8.3
780.3
722.9
44.08
98
248.3
101
239.1
168.9
7.7
954.2
640.6
49.97
99
248
101
239.9
169.1
7.7
949.9
644.1
50.23
10
0
258.8
88
239.6
175.3
7.6
938.9
646
50.5
10
1
297.1
40.9
239.9
194
7.5
908.9
651.8
49.17
10
2
348.7
0.1
223.1
208.5
9.6
786.2
758.1
48.77
Bentuk Model
Bentuk matriks dari variabel-variabel yang mempengaruhi Y (kuat tekan
beton).
X =
Y =
1 X11 X21 X31 X41 X51 X61 X71
: : : : : : : :
1 X1,102 X2,102 X3,102 X4,102 X5,102 X6,102 X7,102
Untuk memperoleh model diperlukan b
0,b
1,...,b
7.
b = (X
TX)
-1(X
TY)
Dengan mentrasposkan X dan mengalikannya dengan matriks X kemudian
diinverskan dan dikalikan dengan matriks X transpose yang juga dikalikan dengan
matriks Y, maka diperoleh
b =
Tabel ANOVA
Sumber
Db
Jumlah Kuadrat
(JK)
Kuadrat Tengah
(KT)
F
hitungRegresi
dbr = 7
JKR =b
TX
TY-n
Ӯ
2KTR =JKR/dbr
KTR /
KTS
Sisaan
dbs = n-7-1
JKS =
Y
TY-b
TX
TY
KTS = JKS/dbs
-Total
dbt = n-1
JKT =Y
TY-n
Ӯ
2-
-Kriteria standar pemilihan Model Terbaik
A. Koefisien Detminasi ( R
2)
Kriteria kebaikan model
b
0b
1b
2b
3b
4b
5b
6
Mengatur proporsi keragaman model yang mampu dijelaskan oleh
model regresi
R
2= JKS / JKT X 100 %
Model terbaik = model terbaik adalah model dengan R
2paling
tinggi.
B. Simpangan Baku ( S
2)
S
2= KTS = JKS / dbs = JKS – JKR / n-k-1
Jika S
2semakin kecil maka model semakin baik
Model terbaik = Model dengan nilai-nilai yang paling rendah
C. Koefisien Determinan yang disesuaikan ( R
2adj )
Koefisien Determinasi ( R
2) ada kelemahan jika jumlah variabel
bebas semakin banyak maka R
2semakin tinggi sehingga kita
akan
cenderung memilih model yang mengandung semua variabel. Untuk
mengatasi hal tersebut R
2adj digunakan untuk mengatasi kelemahan R
2
R
2adj = (1- S
2(n-1) / JKT ) x
100 %
Jika R
2adj tinggi maka model semakin baik
Model terbaik = Model dengan nilai R
2adj yang paling tinggi.
BAB III
Untuk menguji Ho: b1=b2=b3....=b7=0 vs H1: Ada bi ≠ 0 dengan i =
1,2,...,7. Berdasarkan data di atas, diperoleh F = 119,47, dengan α = 0,01 dan titik
kritisnya ± F
0,01 , 7 , 94= ±2,84. Karena Fhit tidak berada pada wilayah penerimaan,
maka tolak Ho, segingga dapat disimpulkan ada variabel bebas yang berpengaruh
terhadap kekuatan tekanan beton. Berdasarkan tabel Anova, diperoleh p-value =
0,000 yang menunjukan 2 kemungkinan. Jika value < α maka tolak Ho, jika
p-value ≥ α maka terima Ho. Pada hasil perhitungan minitab sebelumnya, diperoleh
p-value pada masing-masing variabel:
P-Semen
: 0,000
P-Slag
: 0,868
P- Fly ash
: 0,001
P-Water
: 0,003
P-SP
: 0,243
P-Coarse aggr
: 0,131
P-Fine aggr
: 0,159
Pada taraf nyata α= 0,01, variabel-variabel yang berpengaruh terhadap
kuat beton adalah semen, fly ash, dan water. Karena hanya variabel ini yang
berpengaruh, maka bentuk model baru, tanpa slag, SP, Coarse aggr, fine aggr.
Model yang baru adalah:
y = 23,9 + 0,0897 x1 + 0,0749 x3 - 0,0994 x4
Interpretasi
a. bo = 23,9
Pada saat semen, fly ash , air = 0 maka diduga kuat tekan beton sebesar
23,9 Mpa
b. b1 = 0,0897
Jika setiap penambahan semen sebesar 1 m
3pada saat fy ash dan air
konstan, maka kuat tekan beton diduga akan bertambah sebesar 0,0897
Mpa.
c. b2 = 0,0749
Jika setiap penambahan fly ash sebesar 1 m
3pada saat semen dan air
konstan, maka kuat tekan beton diduga akan bertambah sebesar 0,0749
Mpa.
d. b3 = 0,0994
Jika setiap penambahan air sebesar 1 m
3pada saat semen dan fly ash
konstan, maka kuat tekan beton diduga akan bertambah sebesar 0,0994
Mpa.
MEMILIH MODEL TERBAIK
terbaik dengan membandingkan nilai S
2,
R
2,R
2adj dan berapa variabel yang
digunakan .
Berdasarkan hasil perhitungan dari 128 kemungkinan, nilai S
2yang paling
rendah diperoleh dari model ke 124 yaitu sebesar 2,61160. Nilai dari R
2tertinggi
diperoleh dari model ke 124 yaitu sebesar 89,6% dan R
2adj
tertinggi diperoleh
pada model ke 124,sehingga model terbaik yang mungkin terpilih yaitu model ke
124 dengan 6 variabel bebas. Pada dasarnya pemilihan model terbaik terdapat
beberapa pertimbangan khusus, yaitu
a. Kesederhanaan model
b. Tujuan pembentukan model
c. Pendapat Ahli dalam Bidang darimana data tersebut di ambil
Dari peryataan di atas dapat dipertimbangkan bahwa model 124 bukan
merupakan model yang sederhana(variabel bebasnya banyak), sehingga perlu
dicari model yang sederhana(dengan variabel yang sedikit), dimana model
tersebut juga memiliki S
2kecil, R
2besar dan R
2adj yang besar. Setelah
dipertimbangkan model yang paling baik adalah model ke 75, dimana nilai S
2nya
adalah 2,70570 R
2= 88,6%, R
2adj = 88,1% yang memiliki 4 variabel bebas, yaitu
X1,X3,X4 dan X6.
Catatan : Data hasil perhitungan, ada pada lampiran.
Lampiran
A. Perhitungan model dengan 7 variabel
The regression equation isy = 84,5 + 0,0796 x1 - 0,0044 x2 + 0,0669 x3 - 0,181 x4 + 0,151 x5 - 0,0346 x6
Predictor Coef SE Coef T P Constant 84,55 58,70 1,44 0,153 x1 0,07960 0,01896 4,20 0,000 x2 -0,00436 0,02625 -0,17 0,868 x3 0,06692 0,01947 3,44 0,001 x4 -0,18129 0,05973 -3,04 0,003 x5 0,1507 0,1282 1,18 0,243 x6 -0,03456 0,02270 -1,52 0,131 x7 -0,01532 0,02367 -0,65 0,519
S = 2,58728 R-Sq = 89,9% R-Sq(adj) = 89,1%
Analysis of Variance
Source DF SS MS F P Regression 7 5598,07 799,72 119,47 0,000 Residual Error 94 629,24 6,69
Total 101 6227,31
Source DF Seq SS x1 1 1316,21 x2 1 299,99 x3 1 3421,55 x4 1 351,25 x5 1 70,98 x6 1 135,29 x7 1 2,80
Unusual Observations
Obs x1 y Fit SE Fit Residual St Resid 8 145 36,590 29,688 0,953 6,902 2,87R 14 354 33,910 27,479 0,967 6,431 2,68R 22 310 36,190 41,264 0,613 -5,074 -2,02R 45 298 30,970 27,772 1,486 3,198 1,51 X 49 332 58,530 50,797 0,884 7,733 3,18R 60 140 29,500 23,964 0,884 5,536 2,28R 86 143 27,090 32,875 0,609 -5,785 -2,30R
R denotes an observation with a large standardized residual. X denotes an observation whose X value gives it large leverage.
B. Perhitungan model baru yang berpengaruh terhadap kuat tekan beton
Regression Analysis: y versus x1; x3; x4
The regression equation is
y = 23,9 + 0,0897 x1 + 0,0749 x3 - 0,0994 x4
Constant 23,883 3,606 6,62 0,000 x1 0,089722 0,004715 19,03 0,000 x3 0,074912 0,004388 17,07 0,000 x4 -0,09944 0,01663 -5,98 0,000
S = 3,25592 R-Sq = 83,3% R-Sq(adj) = 82,7%
PRESS = 1138,99 R-Sq(pred) = 81,83%
Analysis of Variance
Source DF SS MS F P Regression 3 5217,5 1739,2 164,06 0,000 Residual Error 99 1049,5 10,6
Total 102 6267,0
Source DF Seq SS x1 1 1246,3 x3 1 3592,3 x4 1 378,9
Unusual Observations
Obs x1 y Fit SE Fit Residual St Resid 3 162 41,810 34,926 0,486 6,884 2,14R 4 162 42,080 34,851 0,486 7,229 2,25R 8 145 36,590 30,032 0,955 6,558 2,11R 17 153 28,290 35,626 0,521 -7,336 -2,28R 49 332 58,530 50,495 0,909 8,035 2,57R 81 140 26,420 33,345 0,497 -6,925 -2,15R 82 140 26,280 32,727 0,579 -6,447 -2,01R 87 143 27,090 34,736 0,545 -7,646 -2,38R
R denotes an observation with a large standardized residual.
C. Hasil perhitungan S
2,
R
2,R
2adj untuk memilih model terbaik
Regression Analysis: y versus x1 S = 7,05053 R-Sq = 19,9% R-Sq(adj) = 19,1%
PRESS = 5227,99 R-Sq(pred) = 16,58%
Regression Analysis: y versus x2 S = 7,43043 R-Sq = 11,0% R-Sq(adj) = 10,1%
PRESS = 5820,31 R-Sq(pred) = 7,13%
Regression Analysis: y versus x3 S = 7,05620 R-Sq = 19,8% R-Sq(adj) = 19,0%
PRESS = 5205,90 R-Sq(pred) = 16,93%
Regression Analysis: y versus x4 S = 7,60389 R-Sq = 6,8% R-Sq(adj) = 5,9%
PRESS = 6073,20 R-Sq(pred) = 3,09%
Regression Analysis: y versus x5 S = 7,87118 R-Sq = 0,2% R-Sq(adj) = 0,0%
PRESS = 6494,57 R-Sq(pred) = 0,00%
Regression Analysis: y versus x6 S = 7,77455 R-Sq = 2,6% R-Sq(adj) = 1,6%
PRESS = 6315,72 R-Sq(pred) = 0,00%
PRESS = 6346,10 R-Sq(pred) = 0,00%
Regression Analysis: y versus x1; x2 S = 6,84715 R-Sq = 25,2% R-Sq(adj) = 23,7%
PRESS = 4973,74 R-Sq(pred) = 20,64%
Regression Analysis: y versus x1; x3 S = 3,77943 R-Sq = 77,2% R-Sq(adj) = 76,8%
PRESS = 1505,62 R-Sq(pred) = 75,98%
Regression Analysis: y versus x1; x4 S = 6,43336 R-Sq = 34,0% R-Sq(adj) = 32,6%
PRESS = 4426,02 R-Sq(pred) = 29,38%
Regression Analysis: y versus x1; x5 S = 7,08536 R-Sq = 19,9% R-Sq(adj) = 18,3%
PRESS = 5333,30 R-Sq(pred) = 14,90%
Regression Analysis: y versus x1; x6 S = 7,08317 R-Sq = 19,9% R-Sq(adj) = 18,3%
PRESS = 5303,96 R-Sq(pred) = 15,37%
Regression Analysis: y versus x1; x7 S = 6,94084 R-Sq = 23,1% R-Sq(adj) = 21,6%
PRESS = 5104,58 R-Sq(pred) = 18,55%
Regression Analysis: y versus x2; x3 S = 6,91380 R-Sq = 23,7% R-Sq(adj) = 22,2%
PRESS = 5045,64 R-Sq(pred) = 19,49%
Regression Analysis: y versus x2; x4 S = 7,15984 R-Sq = 18,2% R-Sq(adj) = 16,6%
PRESS = 5456,70 R-Sq(pred) = 12,93%
Regression Analysis: y versus x2; x5 S = 7,44914 R-Sq = 11,5% R-Sq(adj) = 9,7%
PRESS = 5883,26 R-Sq(pred) = 6,12%
Regression Analysis: y versus x2; x6 S = 7,21911 R-Sq = 16,8% R-Sq(adj) = 15,2%
PRESS = 5531,68 R-Sq(pred) = 11,73%
Regression Analysis: y versus x2; x7 S = 7,26343 R-Sq = 15,8% R-Sq(adj) = 14,1%
PRESS = 5604,55 R-Sq(pred) = 10,57%
Regression Analysis: y versus x3; x4 S = 6,99173 R-Sq = 22,0% R-Sq(adj) = 20,4%
PRESS = 5178,05 R-Sq(pred) = 17,38%
Regression Analysis: y versus x3; x5 S = 7,08859 R-Sq = 19,8% R-Sq(adj) = 18,2%
PRESS = 5277,63 R-Sq(pred) = 15,79%
Regression Analysis: y versus x3; x6 S = 6,82948 R-Sq = 25,6% R-Sq(adj) = 24,1%
PRESS = 4908,72 R-Sq(pred) = 21,67%
Regression Analysis: y versus x3; x7 S = 7,08745 R-Sq = 19,8% R-Sq(adj) = 18,2%
PRESS = 5302,49 R-Sq(pred) = 15,39%
PRESS = 6139,58 R-Sq(pred) = 2,03%
Regression Analysis: y versus x4; x6 S = 6,94927 R-Sq = 22,9% R-Sq(adj) = 21,4%
PRESS = 5115,87 R-Sq(pred) = 18,37%
Regression Analysis: y versus x4; x7 S = 7,58181 R-Sq = 8,3% R-Sq(adj) = 6,4%
PRESS = 6086,57 R-Sq(pred) = 2,88%
Regression Analysis: y versus x5; x6 S = 7,80078 R-Sq = 2,9% R-Sq(adj) = 1,0%
PRESS = 6408,83 R-Sq(pred) = 0,00%
Regression Analysis: y versus x5; x7 S = 7,81794 R-Sq = 2,5% R-Sq(adj) = 0,5%
PRESS = 6454,58 R-Sq(pred) = 0,00%
Regression Analysis: y versus x6; x7 S = 7,52204 R-Sq = 9,7% R-Sq(adj) = 7,9%
PRESS = 5968,27 R-Sq(pred) = 4,77%
Regression Analysis: y versus x1; x2; x3
Regression Analysis: y versus x1; x2; x4
Regression Analysis: y versus x1; x2; x5
Regression Analysis: y versus x1; x2; x6
Regression Analysis: y versus x1; x2; x7
Regression Analysis: y versus x1; x3; x4
Regression Analysis: y versus x1; x3; x5
Regression Analysis: y versus x1; x3; x6
Regression Analysis: y versus x1; x3; x7
Regression Analysis: y versus x1; x4; x5
S = 6,02482 R-Sq = 42,7% R-Sq(adj) = 40,9%
PRESS = 3892,98 R-Sq(pred) = 37,88%
Regression Analysis: y versus x1; x4; x7
Regression Analysis: y versus x1; x5; x6
Regression Analysis: y versus x1; x5; x7
Regression Analysis: y versus x1; x6; x7
Regression Analysis: y versus x2; x3; x4
Regression Analysis: y versus x2; x3; x5
Regression Analysis: y versus x2; x3; x6
Regression Analysis: y versus x2; x3; x7
Regression Analysis: y versus x2; x4; x5
Regression Analysis: y versus x2; x4; x6
Regression Analysis: y versus x2; x4; x7
Regression Analysis: y versus x2; x5; x6
Regression Analysis: y versus x2; x5; x7
S = 6,42832 R-Sq = 34,7% R-Sq(adj) = 32,7%
PRESS = 4400,88 R-Sq(pred) = 29,78%
Regression Analysis: y versus x3; x4; x5
Regression Analysis: y versus x3; x4; x6
Regression Analysis: y versus x3; x4; x7
Regression Analysis: y versus x3; x5; x6
Regression Analysis: y versus x3; x5; x7
Regression Analysis: y versus x3; x6; x7 Regression Analysis: y versus x4; x5; x6
Regression Analysis: y versus x4; x5; x7
S = 7,59756 R-Sq = 8,8% R-Sq(adj) = 6,1%
PRESS = 6165,21 R-Sq(pred) = 1,62%
Regression Analysis: y versus x4; x6; x7
Regression Analysis: y versus x5; x6; x7
Regression Analysis: y versus x1; x2; x3; x4
Regression Analysis: y versus x1; x2; x3; x5
Regression Analysis: y versus x1; x2; x3; x6
Regression Analysis: y versus x1; x2; x3; x7
PRESS = 1199,74 R-Sq(pred) = 80,86%
Regression Analysis: y versus x1; x2; x4; x5
Regression Analysis: y versus x1; x2; x4; x6
Regression Analysis: y versus x1; x2; x4; x7
Regression Analysis: y versus x1; x2; x5; x6
Regression Analysis: y versus x1; x2; x5; x7
Regression Analysis: y versus x1; x2; x6; x7
Regression Analysis: y versus x1; x3; x4; x5
Regression Analysis: y versus x1; x3; x4; x6
Regression Analysis: y versus x1; x3; x4; x7
Regression Analysis: y versus x1; x3; x5; x6
Regression Analysis: y versus x1; x3; x5; x7
Regression Analysis: y versus x1; x3; x6; x7
Regression Analysis: y versus x1; x4; x5; x6
Regression Analysis: y versus x1; x4;
Regression Analysis: y versus x1; x5; x6; x7
Regression Analysis: y versus x2; x3; x4; x5
Regression Analysis: y versus x2; x3; x4; x6
Regression Analysis: y versus x2; x3; x4; x7
Regression Analysis: y versus x2; x3; x5; x6
Regression Analysis: y versus x2; x3; x5; x7
Regression Analysis: y versus x2; x3; x6; x7
Regression Analysis: y versus x2; x4; x5; x6
Regression Analysis: y versus x2; x4; x5; x7
Regression Analysis: y versus x2; x4; x6; x7
Regression Analysis: y versus x2; x5; x6; x7
Regression Analysis: y versus x3; x4; x5; x6
Regression Analysis: y versus x3; x4; x5; x7
S = 5,84730 R-Sq = 46,5% R-Sq(adj) = 44,4%
PRESS = 3728,23 R-Sq(pred) = 40,51%
Regression Analysis: y versus x3; x5; x6; x7
Regression Analysis: y versus x4; x5; x6; x7
Regression Analysis: y versus x1; x2; x3; x4; x5
Regression Analysis: y versus x1; x2; x3; x4; x6
Regression Analysis: y versus x1; x2; x3; x4; x7
Regression Analysis: y versus x1; x2; x3; x5; x6
Regression Analysis: y versus x1; x2; x3; x5; x7
Regression Analysis: y versus x1; x2; x3; x6; x7
Regression Analysis: y versus x1; x2; x4; x5; x6
Regression Analysis: y versus x1; x2; x4; x5; x7
Regression Analysis: y versus x1; x2; x4; x6; x7
Regression Analysis: y versus x1; x2; x5; x6; x7
Regression Analysis: y versus x1; x3; x4; x5; x6
S = 3,05621 R-Sq = 85,5% R-Sq(adj) = 84,8%
PRESS = 1036,08 R-Sq(pred) = 83,47%
Regression Analysis: y versus x1; x3; x4; x6; x7
Regression Analysis: y versus x2; x3; x4; x5; x6
Regression Analysis: y versus x2; x3; x4; x5; x7
Regression Analysis: y versus x2; x3; x4; x6; x7
Regression Analysis: y versus x2; x3; x5; x6; x7
Regression Analysis: y versus x2; x4; x5; x6; x7
Regression Analysis: y versus x3; x4; x5; x6; x7
Regression Analysis: y versus x1; x2; x3; x4; x5; x6
Regression Analysis: y versus x1; x2; x3; x4; x5; x7 Regression Analysis: y versus x1; x2; x3; x4; x6; x7
Regression Analysis: y versus x1; x2; x3; x5; x6; x7
Regression Analysis: y versus x1; x2; x3; x4; x6; x7
Regression Analysis: y versus x1; x2; x4; x5; x6; x7
Regression Analysis: y versus x1; x3; x4; x5; x6; x7
PRESS = 777,214 R-Sq(pred) = 87,60%
Regression Analysis: y versus x2; x3; x4; x5; x6; x7
S = 2,82674 R-Sq = 87,8% R-Sq(adj) = 87,0%
PRESS = 910,156 R-Sq(pred) = 85,48%
Regression Analysis: y versus x1; x2; x3; x4; x5; x6; x7
S = 2,62443 R-Sq = 89,6% R-Sq(adj) = 88,8%
PRESS = 803,875 R-Sq(pred) = 87,17%
Regression Analysis: y versus x1; x3; x5; x6; x7
S = 3,52503 R-Sq = 80,8% R-Sq(adj) = 79,8%