pemilihan model regresi terbaik dengan

(1)

TUGAS INDIVIDU

METODE REGRESI

Analisis Data Pengaruh Usia Mahasiswa Saat Masuk S2

dan Fakultas Asal Mahsiswa Terhadap Nilai Tes Potensi

Akademik (TPA) Mahasiswa Program Magister ITS

Tahun 2006 Dengan Menggunakan Analisis Regresi

Dummy

Oleh:

Fausania Hibatullah

1313 030 018

Asisten Dosen:

Ardhian Bayu Firdauz

Program Studi Diploma III

Jurusan Statistika

Fakultas Matematika dan Ilmu Pengetahuan Alam

Institut Teknologi Sepuluh Nopember

Surabaya

(2)

1

BAB I

ANALISIS DAN PEMBAHASAN

1.1 Interpretasi Model Regresi Linier Berganda dengan Variabel

Prediktor Dummy

Pada penelitian ini, model regresi linier berganda bertujuan untuk meramalkan nilai TPA (Tes Potensi Akademik) dari mahasiswa program Magister ITS pada tahun 2006 berdasarkan faktor usia mahasiswa pada saat masuk S2 dan fakultas mahasiswa berasal. Terdapat 3 kategori fakultas yaitu FMIPA, FTK dan FTIf ITS. Berikut adalah koding yang dilakukan dalam analisis regresi linier berganda dengan variabel dummy pada data fakultas mahasiswa berasal.

Tabel 1.1 Koding Pada Data Fakultas

Fakultas _Dummy1₍ ₎

Berikut hasil persamaan model regresi linier berganda dengan variabel prediktor dummy dengan menggunakan Software Minitab.

Tabel 1.2 Model Regresi

Persamaan Regresi y6213.37x -7.9d₁-54.1d₂

R-Sq 30.5 %

Berdasarkan Tabel 1.2 dapat diketahui bahwa persamaan model regresi mampu menjelaskan sebesar 30.5% variabilitas yang dimiliki, sedangkan sisanya sebesar 69.5% dijelaskan oleh variabel lain yang tidak masuk dalam model.

A. Persamaan Regresi untuk Fakultas Fakultas Matematika dan Ilmu

Pengetahuan Alam (FMIPA)

(3)

2

sebesar 7.9 poin dibandingkan dengan nilai TOEFL dari mahasiswa program Magister FTIf ITS.

B. Persamaan Regresi untuk Fakultas Teknologi Kelautan (FTK)

2

Dari persamaan model diatas, dijelaskan bahwa nilai Tes Potensi Akademik (TPA) dari mahasiswa program Magister FTK ITS tahun 2006 lebih rendah sebesar 54.1 poin dibandingkan dengan nilai TOEFL dari mahasiswa program Magister FTIf ITS.

C. Persamaan regresi untuk Fakultas Teknologi Informasi (FTIf)

2

Dari persamaan model diatas, dijelaskan bahwa nilai Tes Potensi Akademik (TPA) dari mahasiswa program Magister FTIf ITS tahun 2006 lebih tinggi dibandingkan dengan nilai TOEFL dari mahasiswa program Magister FMIPA dan FTK ITS.

1.1.2 Scatterplot

(4)

3

Scatterplot of y duga fmipa, y duga ftk, y duga ftif vs Usia saat ma

Gambar 1.1 Scatterplot

Berdasarkan hasil persamaan model regresi dan Gambar 1.1, dapat diketahui bahwa nilai Tes Potensi Akademik (TPA) mahasiswa program Magister dari FTIf ITS tahun 2006 lebih tinggi sebesar 7.9 poin dibandingkan dengan mahasiswa program Magister dari FMIPA ITS dan lebih tinggi sebesar 54.1 poin dibandingkan dengan mahasiswa program Magister dari FTK ITS.

1.2 Analisis Regresi Linier Berganda dengan Variabel Prediktor Dummy

Pada analisis Regresi Linier Berganda dengan variabel prediktor dummy

akan dilakukan uji serentak sertauji parsial pada data nilai Tes Potensi Akademik (TPA) mahasiswa program Magister ITS tahun 2006 berdasarkan faktor usia mahasiswa saat masuk S2 dan fakultas mahasiswa berasal.

1.2.1 Uji Serentak

Uji serentak adalah pengujian untuk melihat signifikansi parameter secara bersama.

Hipotesis yang digunakan sebagai berikut.

:

0

H _i 0 dimana i = 1, 2, 3 (semua variabel tidak berpengaruh signifikan

terhadap nilai TPA mahasiswa program Magister ITS)

: 1

H Minimal ada satu _i 0 dimana i = 1, 2, 3 (Minimal ada satu variabel yang

berpengaruh signifikan terhadap nilai TPA mahasiswa program Magister ITS)

Taraf signifikan :  0.05

(5)

4

Tabel 1.3 Hasil Uji Serentak

Sumber Derajat Bebas

Jumlah Kuadrat

Kuadrat Tengah

F-hitung F0.05(3,26) P-value

Regresi 3 34248 11416 3.80 2.98 0,022

Galat 26 78039 3001

Total 29 112287

Berdasarkan Tabel 1.3 dapat diketahui bahwa nilai F hitung sebesar 3.80. Pada taraf  0.05, didapatkan nilai F tabel (F0.05(3,26)) sebesar 2.98 sehingga F

(3.80) > F0.05(3,26) (2.98) dan P-value (0.022) < α (0.05) maka keputusan yang

diambil adalah ditolak dan didapatkan kesimpulan bahwa minimal ada satu

variabel yang berpengaruh signifikan terhadap nilai Tes Potensi Akademik (TPA) dari mahasiswa program Magister ITS tahun 2006.

1.2.2 Uji Parsial

Uji parsial digunakan untuk mengetahui variabel/parameter mana dari memiliki pengaruh signifikan terhadap nilai Tes Potensi Akademik (TPA) mahasiswa program Magister ITS tahun 2006. Uji ini dilakukan pada masing-masing variabel prediktor dengan variabel respon sehingga menggunakan beberapa analisis.

A. Uji Parsial Pengaruh Usia Mahasiswa Saat Masuk S2 Terhadap Nilai

TPA Mahasiswa Program Magister ITS

Hipotesis yang digunakan adalah sebagai berikut.

: 0

H ₁ 0 (Usia saat masuk S2 tidak berpengaruh signifikan terhadap nilai

TPA mahasiswa program Magister ITS)

: 1

H ₁ 0 (Usia saat masuk S2 berpengaruh signifikan terhadap nilai TPA

mahasiswa program Magister ITS) Taraf signifikan :  0.05

Daerah penolakan : Tolak H0 jika |t|t/2(n(p1))

Statistik uji :

Tabel 1.4 Uji Parsial X terhadap Y

Prediktor t-hitung t0.025(26) P-value

Usia saat masuk S2

-2.15 2.056 0.041

Berdasarkan Tabel 1.4 dapat diketahui bahwa nilai |t-hitung| sebesar 2.15. Pada taraf  0.05, didapatkan nilai t tabel (t0.025(26)) sebesar 2.056 sehingga |t|

(2.15) > t0.025(26) (2.056) dan P-value (0.041) < α (0.05) maka keputusan yang

(6)

5

diambil adalah ditolak dan didapatkan kesimpulan bahwa usia mahasiswa

saat masuk S2 berpengaruh signifikan terhadap nilai Tes Potensi Akademik (TPA) mahasiswa program Magister ITS

B. Uji Parsial Pengaruh Variabel Dummy Terhadap Nilai TPA

Mahasiswa Program Magister ITS

: 0

H ₂ ₃ 0(Asal fakultas dari FMIPA dan FTK ITS tidak berpengaruh

signifikan terhadap nilai TPA mahasiswa program Magister ITS)

: 1

H Minimal ada satu _i 0 dimana i = 2,3 (Minimal ada satu asal fakultas yang

berpengaruh signifikan terhadap nilai TPA mahasiswa program Magister ITS)

Berdasarkan hasil perhitungan diatas dapat diketahui bahwa nilai F-hitung sebesar 2.819. Pada taraf  0.05, didapatkan nilai F tabel (F0.05(3,26)) sebesar 2.98

sehingga F (2.819) < F0.05(3,26) (2.98) maka keputusan yang diambil adalah H0 gagal

ditolak dan didapatkan kesimpulan bahwa asal fakultas dari FMIPA dan FTK ITS tidak berpengaruh signifikan terhadap nilai TPA mahasiswa program Magister ITS.

C. Uji Parsial Ada Tidaknya Perbedaan Antara Mahasiswa Dengan

Fakultas Asal FMIPA dan FTIf ITS

:

0

H ₂ 0 (Mahasiswa yang berasal dari FMIPA ITS tidak memiliki perbedaan yang signifikan dengan mahasiswa yang berasal dari FTIf ITS)

: 1

H ₂ 0 (Mahasiswa yang berasal dari FMIPA ITS memiliki perbedaan yang

signifikan dengan mahasiswa yang berasal dari FTIf ITS) Taraf signifikan :  0.05

(7)

6

Daerah penolakan : Tolak H₀ jika |t|t__/₂₍_n_₍_p_₁₎₎

Statistik uji :

Tabel 1.5 Uji Parsial Kategori 1 dan 3

Prediktor t-hitung P-value FMIPA ITS -0.32 0,752

(0.32) < t0.025(26) (2.056) dan P-value (0.752) > α (0.05) maka keputusan yang

diambil adalah gagal ditolak dan didapatkan kesimpulan bahwa mahasiswa

yang berasal dari FMIPA ITS tidak memiliki perbedaan yang signifikan dengan mahasiswa yang berasal dari FTIf ITS.

D. Uji Parsial Ada Tidaknya Perbedaan Antara Mahasiswa Dengan

Fakultas Asal FTK dan FTIf ITS

Hipotesis yang digunakan adalah sebagai berikut. :

0

H ₃ 0 (Mahasiswa yang berasal dari FTK ITS tidak memiliki perbedaan yang signifikan dengan mahasiswa yang berasal dari FTIf ITS)

: 1

H ₃0 (Mahasiswa yang berasal dari FTK ITS memiliki perbedaan yang

signifikan dengan mahasiswa yang berasal dari FTIf ITS) Taraf signifikan :  0.05

Daerah penolakan : Tolak H₀ jika |t|t__/₂₍_n_₍_p_₁₎₎

Statistik uji :

Tabel 1.6 Uji Parsial Kategori 2 dan 3

Prediktor t-hitung P-value

FTK ITS -2.19 0,038

(2.19) > t0.025(26) (2.056) dan P-value (0.038) < α (0.05) maka keputusan yang

diambil adalah ditolak dan didapatkan kesimpulan bahwa mahasiswa yang

berasal dari FTK ITS memiliki perbedaan yang signifikan dengan mahasiswa yang berasal dari FTIf ITS.

E. Uji Parsial Ada Tidaknya Perbedaan Antara Mahasiswa Dengan

Fakultas Asal FTI dan FTSP ITS

0 H

(8)

7 :

0

H ₂ ₃ (Mahasiswa yang berasal dari FMIPA dan FTK ITS memberikan respon yang sama terhadap nilai TPA mahasiswa program Magister di ITS)

:

Berdasarkan hasil perhitungan diatas dapat diketahui bahwa nilai |t-hitung| sebesar 1.886. Pada taraf  0.05, didapatkan nilai t tabel (t0.025(26)) sebesar 2.056

sehingga |t| (1.886) < t0.025(26) (2.056) maka keputusan yang diambil adalah

gagal ditolak dan didapatkan kesimpulan bahwa mahasiswa yang berasal dari FMIPA dan FTK ITS memberikan respon yang sama terhadap nilai TPA mahasiswa program Magister di ITS.

1.3 Pemeriksaan Asumsi Residual IIDN

Setelah melakukan analisis Regresi Linier Berganda dengan variabel prediktor dummy, selanjutnya akan dilakukan pemeriksaan asumsi residual IIDN yaitu residual independen, residual identik, dan residual berdistribusi normal.

100

Gambar 1.2 Pemeriksaan Asumsi Residual IIDN

(9)

8

(10)

9

BAB II

KESIMPULAN DAN SARAN

2.1 Kesimpulan

Berdasarkan analisis dan pembahasan pada Bab I dapat diperoleh kesimpulan sebagai berikut.

1. Model regresi linier menunjukkan bahwa nilai nilai Tes Potensi Akademik (TPA) mahasiswa program Magister dari FTIf ITS tahun 2006 lebih tinggi sebesar 7.9 poin dibandingkan dengan mahasiswa program Magister dari FMIPA ITS dan lebih tinggi sebesar 54.1 poin dibandingkan dengan mahasiswa program Magister dari FTK ITS.

2. Uji serentak pada analisis regresi linier berganda dengan variabel prediktor

dummy menunjukkan bahwa minimal ada satu variabel yang berpengaruh signifikan terhadap nilai TPA mahasiswa program Magister ITS, sehingga dilanjutkan ke uji parsial. Uji parsial menunjukkan bahwa usia mahasiswa saat masuk S2 berpengaruh signifikan terhadap nilai TPA mahasiswa program Magister ITS, asal fakultas dari FMIPA dan FTK ITS tidak berpengaruh signifikan terhadap nilai TPA mahasiswa program Magister ITS, mahasiswa yang berasal dari FMIPA ITS tidak memiliki perbedaan yang signifikan dengan mahasiswa yang berasal dari FTIf ITS, mahasiswa yang berasal dari FTK ITS memiliki perbedaan yang signifikan dengan mahasiswa yang berasal dari FTIf ITS, mahasiswa yang berasal dari FMIPA dan FTK ITS memberikan respon yang sama terhadap nilai TPA mahasiswa program Magister di ITS.

3. Pemeriksaan asumsi residual IIDN menunjukkan bahwa data nilai TPA mahasiswa program Magister ITS tahun 2006 memenuhi asumsi residual identik dan independen namun tidak berdistribusi normal.

2.2 Saran

(11)

LAMPIRAN

Lampiran 1 Nilai TPA Mahasiswa Program Magister ITS Tahun 2006

Berdasarkan Usia Saat Masuk S2 dan Fakultas.

No _{Nilai TPA} _{Usia saat masuk s2} _Fakultas _D₁ _D₂

1 ₅₄₀ ₂₉ _FMIPA ₁ ₀

2 ₅₆₀ ₂₈ _FMIPA ₁ ₀

3 ₅₀₀ ₃₂ _FMIPA ₁ ₀

4 ₄₈₀ ₄₅ _FMIPA ₁ ₀

5 ₄₈₀ ₃₉ _FMIPA ₁ ₀

6 ₅₆₀ ₂₄ _FMIPA ₁ ₀

7 ₅₇₅ ₃₁ _FMIPA ₁ ₀

8 ₅₂₀ ₂₃ _FMIPA ₁ ₀

9 ₄₄₀ ₂₇ _FMIPA ₁ ₀

10 ₄₂₀ ₃₄ _FMIPA ₁ ₀

11 ₄₄₀ ₂₆ _FTK ₀ ₁

12 ₄₀₀ ₅₄ _FTK ₀ ₁

13 ₄₈₀ ₃₄ _FTK ₀ ₁

14 ₃₀₀ ₃₁ _FTK ₀ ₁

15 ₅₀₀ ₂₃ _FTK ₀ ₁

16 ₅₆₀ ₂₉ _FTK ₀ ₁

17 ₄₆₀ ₃₂ _FTK ₀ ₁

18 ₄₂₀ ₃₀ _FTK ₀ ₁

19 ₅₂₀ ₂₈ _FTK ₀ ₁

20 ₅₄₀ ₂₃ _FTK ₀ ₁

21 ₅₀₀ ₂₆ _FTIf ₀ ₀

22 ₅₂₀ ₃₀ _FTIf ₀ ₀

23 ₅₄₀ ₃₁ _FTIf ₀ ₀

24 ₅₆₀ ₂₇ _FTIf ₀ ₀

25 ₅₇₅ ₂₃ _FTIf ₀ ₀

26 ₄₄₀ ₂₉ _FTIf ₀ ₀

27 ₅₂₀ ₃₂ _FTIf ₀ ₀

28 ₅₆₀ ₂₈ _FTIf ₀ ₀

29 ₅₂₀ ₃₅ _FTIf ₀ ₀

30 ₅₀₀ ₂₇ _FTIf ₀ ₀

Keterangan :

D1 = Fakultas Matematika dan Ilmu Pengetahuan Alam ITS (FMIPA ITS)

(12)

Lampiran 2 Output Model Regresi

Lampiran 3 Output Regresi Linier Berganda Uji Serentak dan Uji Parsial

Lampiran 4

Lampiran 4 Varians β

The regression equation is

nilai TPA = 621 - 3.37 Usia saat masuk s2 - 7.9 FMIPA - 54.1 FTK

S = 54.7858 R-Sq = 30.5% R-Sq(adj) = 22.5%

Analysis of Variance

Source DF SS MS F P Regression 3 34248 11416 3.80 0.022 Residual Error 26 78039 3001

Total 29 112287

Source DF Seq SS Usia saat masuk s2 1 17330 FMIPA 1 2578 FTK 1 14340

Predictor Coef SE Coef T P Constant 620.62 48.36 12.83 0.000 Usia saat masuk s2 -3.372 1.568 -2.15 0.041 FMIPA -7.91 24.79 -0.32 0.752 FTK -54.08 24.74 -2.19 0.038

Data Display

Matrix M5

(13)

TUGAS INDIVIDU

METODE REGRESI

Pengujian Asumsi Residual IIDN, Pendeteksian

Multikonlinearitas dan Pemilihan Model Terbaik

pada

Data Faktor-Faktor yang Diduga Mempengaruhi Jumlah

Kasus Kanker Serviks di Tiap Kabupaten/Kota di

Provinsi Jawa Timur Tahun 2010

Oleh:

Fausania Hibatullah

1313 030 018

Asisten Dosen:

Ardhian Bayu Firdauz

Program Studi Diploma III

Jurusan Statistika

Fakultas Matematika dan Ilmu Pengetahuan Alam

Institut Teknologi Sepuluh Nopember

Surabaya

(14)

1

BAB I

ANALISIS DAN PEMBAHASAN

1.1 Statistika Deskriptif

Statsistika deskriptif merupakan langkah analisis yang harus dilakukan pertama kali untuk mengetahui dan memberikan keterangan tentang karakteristik data dari hasil pengamatan yang telah dilakukan dalam praktikum. Perhitungan statistika deskriptif tersebut diolah menggunakan software Minitab. Berikut merupakan hasil perhitungan statistika deskriptif data mengenai jumlah kasus kanker serviks di setiap kabupaten/kota di Jawa Timur tahun 2010 berdasarkan faktor persentase sarana kesehatan, persentase tenaga medis, persentase penduduk perempuan yang umur kawin pertama ≤16 tahun, persentase penduduk dan Rumah Tangga (RT) perempuan dan persentase daerah yang berstatus desa di tiap kabupaten/kota di Jawa Timur.

Tabel 1.1 Statistika Deskriptif

Berdasarkan Tabel 1.1, dapat diketahui bahwa nilai rata-rata dari jumlah kasus kanker serviks di tiap kabupaten/kota provinsi Jawa Timur pada tahun 2010 sebesar 45.6 kasus, nilai maksimum sebesar 479 kasus dan nilai minimum sebesar 0 kasus dengan nilai keragaman sebesar 86.6. Setengah dari data jumlah kasus kanker serviks di tiap kabupaten/kota provinsi Jawa Timur mempunyai nilai diatas 25 kasus, sedangkan setengah lainnya mempunyai nilai dibawah 25 kasus. Nilai rata-rata dari persentase sarana kesehatan di tiap kabupaten/kota provinsi Jawa Timur pada tahun 2010 sebesar 0.1135 persen dengan nilai keragaman sebesar 0.124. Nilai rata-rata dari persentase tenaga medis di tiap kabupaten/kota provinsi Jawa Timur pada tahun 2010 sebesar 1.438 persen dengan nilai keragaman sebesar 1.132. Nilai rata-rata dari persentase penduduk perempuan yang umur

Variabel Mean StDev Minimum Median Maksimum

Jumlah Kasus Kanker Serviks (Y) 45.6 86.6 0 25 479

Persentase Sarana Kesehatan (X1) 0.1135 0.124 0.02 0.08 0.73

Persentase Tenaga Medis (X2) 1.438 1.132 0.2 1.28 7.52

Persentase Penduduk Perempuan yang Umur Kawin

Pertama ≤16 Tahun (X3)

29.64 13.19 12.12 25.72 62.7 Persentase Penduduk dan Rumah Tangga (RT)

Perempuan (X4)

(15)

2

kawin pertama ≤16 tahun di tiap kabupaten/kota provinsi Jawa Timur pada tahun 2010 sebesar 29.64 persen dengan nilai keragaman sebesar 13.19. Nilai rata-rata dari persentase penduduk dan RT perempuan di tiap kabupaten/kota provinsi Jawa Timur pada tahun 2010 sebesar 50.669 persen dengan nilai keragaman sebesar 1.077. Nilai rata-rata dari persentase daerah yang berstatus desa di tiap kabupaten/kota provinsi Jawa Timur pada tahun 2010 sebesar 60.83 persen dengan nilai keragaman sebesar 32.62, sehingga variabel prediktor persentase daerah yang berstatus desa di tiap kabupaten/kota provinsi Jawa Timur pada tahun 2010 mempunyai nilai rata-rata dan nilai keragaman terbesar.

1.2 Pemeriksaan dan Pengujian Asumsi Residual IIDN

Pemeriksaan asumsi residual IIDN (Identik, Independen dan Distribusi Normal) ini dilakukan untuk mengetahui apakah data dalam percobaan ini memenuhi asumsi residual identik, independen dan berdistribusi normal dengan memeriksa residualnya. Berikut merupakan pemeriksaan secara visual beserta pengujiannya.

1.2.1 Pemeriksaan dan Pengujian Asumsi Residual Identik

Berikut merupakan hasil pemeriksaan asumsi residual identik pada data yang telah diperoleh dengan software minitab.

300 250

200 150

100 50

0 400

300

200

100

0

-100

Fitted Value

R

e

s

id

u

a

l

Versus Fits (response is y)

Gambar 1.1 Pemeriksaan Asumsi Residual Identik

(16)

3

Timur tahun 2010 berdasarkan faktor persentase sarana kesehatan, persentase tenaga medis, persentase penduduk perempuan yang umur kawin pertama ≤16 tahun, persentase penduduk dan Rumah Tangga (RT) perempuan dan persentase daerah yang berstatus desa di tiap kabupaten/kota di Jawa Timur telah memenuhi asumsi residual identik. Untuk mengetahui lebih tepat apakah data telah memenuhi asumsi identik, maka dilakukan pengujian Glejser.

H0 : σ12= σ22= σ32 = σ42 = σ52 = σ2 (residual memenuhi asumsi identik)

H1 : σ12= σ22= σ32 = σ42 = σ52≠σ2 (residual tidak memenuhi asumsi identik)

Taraf Signifikan : α = 0,05

Daerah Kritis: Tolak H0 jika Fhitung > Ftabel

Statistik Uji:

Tabel 1.2 ANOVA Uji Glejser

Source DF SS MS F Ftabel P

Regression 5 27286 5457 1.55 2.52 0.205

Residual Error 31 109452 3531

Total 36 136737

Berdasarkan Tabel 1.2 dapat diketahui bahwa nilai Fhitung (1.55) < Ftabel

(2.52) maka keputusan yang didapat adalah gagal tolak H0. Selain itu dapat dilihat

dari nilai Pvalue (0.205) > α (0,05) maka dapat diambil keputusan bahwa H0 gagal

ditolak dan didapatkan kesimpulan bahwa residual data pada jumlah kasus kanker serviks di setiap kabupaten/kota di Jawa Timur tahun 2010 berdasarkan faktor persentase sarana kesehatan, persentase tenaga medis, persentase penduduk perempuan yang umur kawin pertama ≤16 tahun, persentase penduduk dan Rumah Tangga (RT) perempuan dan persentase daerah yang berstatus desa di tiap kabupaten/kota di Jawa Timur telah memenuhi asumsi residual identik.

1.2.2 Pemeriksaan dan Pengujian Asumsi Residual Independen

(17)

4

Gambar 1.2 Pemeriksaan Asumsi Residual Independen

Gambar 1.2 secara visual dapat dilihat plot-plot telah menyebar secara acak dan tidak membentuk suatu pola tertentu, sehingga dapat disimpulkan bahwa residual data pada jumlah kasus kanker serviks di setiap kabupaten/kota di Jawa Timur tahun 2010 berdasarkan faktor persentase sarana kesehatan, persentase tenaga medis, persentase penduduk perempuan yang umur kawin pertama ≤16 tahun, persentase penduduk dan Rumah Tangga (RT) perempuan dan persentase daerah yang berstatus desa di tiap kabupaten/kota di Jawa Timur telah memenuhi asumsi residual independen, kemudian dilakukan uji independensi residual dengan pemeriksaan pada plot ACF sebagai berikut.

9

(with 5% significance limits for the autocorrelations)

Gambar 1.3 Plot ACF

(18)

5

kasus kanker serviks di setiap kabupaten/kota di Jawa Timur tahun 2010 berdasarkan faktor persentase sarana kesehatan, persentase tenaga medis, persentase penduduk perempuan yang umur kawin pertama ≤16 tahun, persentase penduduk dan Rumah Tangga (RT) perempuan dan persentase daerah yang berstatus desa di tiap kabupaten/kota di Jawa Timur tidak memiliki autokorelasi atau independen.

Untuk mengetahui lebih tepat apakah data telah memenuhi asumsi independen, maka dilakukan uji Durbin Watson dengan pengujian dua sisi.

Hipotesis yang digunakan adalah sebagai berikut. H0: ρ = 0 (residual data memenuhi asumsi independen)

H1: ρ ≠ 0 (residual data tidak memenuhi asumsi independen)

Taraf signifikan: α = 0,05

Daerah Kritis: Tolak H0 jika d < dU

Statistik Uji:

Tabel 1.3 Nilai Durbin Watson

Durbin-Watson statistic dU

2.02816 1,79

Berdasarkan Tabel 1.3 dapat diketahui bahwa nilai Durbin-Watson statisic

sebesar 2.02816, sehingga dapat diambil keputusan bahwa H0 gagal ditolak dan

didapatkan kesimpulan bahwa residual data pada jumlah kasus kanker serviks di setiap kabupaten/kota di Jawa Timur tahun 2010 berdasarkan faktor persentase sarana kesehatan, persentase tenaga medis, persentase penduduk perempuan yang umur kawin pertama ≤16 tahun, persentase penduduk dan Rumah Tangga (RT) perempuan dan persentase daerah yang berstatus desa di tiap kabupaten/kota di Jawa Timur telah memenuhi asumsi residual independen.

1.2.3 Pemeriksaan dan Pengujian Asumsi Residual Beristribusi Normal

(19)

6

Gambar 1.4 Pemeriksaan Asumsi Residual Distribusi Normal

Berdasarkan Gambar 1.4 dapat diketahui bahwa plot-plot residual tidak mengikuti dan menyebar secara acak pada garis normal, sehingga secara visual didapatkan kesimpulan bahwa residual data pada jumlah kasus kanker serviks di setiap kabupaten/kota di Jawa Timur tahun 2010 berdasarkan faktor persentase sarana kesehatan, persentase tenaga medis, persentase penduduk perempuan yang umur kawin pertama ≤16 tahun, persentase penduduk dan Rumah Tangga (RT) perempuan dan persentase daerah yang berstatus desa di tiap kabupaten/kota di Jawa Timur tidak memenuhi asumsi residual berdistribusi normal.

Untuk lebih jelasnya, pembahasan akan berlanjut pada uji Kolmogorov Smirnov untuk mengetahui apakah residual berdistribusi normal.

Hipotesis yang digunakan adalah sebagai berikut. H0 : residual data berdistribusi normal

H1 : residual data tidak berdistribusi normal

Taraf signifikan : α = 0,05

Daerah Kritis: Tolak H0 jika D>Dtabel

(20)

7

-58.9569 1 5 0.135135 -0.81092 0.208707 0.073571553 -51.2759 1 6 0.162162 -0.70527 0.240321 0.078159256 -43.9837 1 7 0.189189 -0.60497 0.2726 0.08341054 -42.5439 1 8 0.216216 -0.58517 0.279218 0.063001976 -33.6239 1 9 0.243243 -0.46248 0.32187 0.078626479 -33.0508 1 10 0.27027 -0.45459 0.324701 0.054430627 -28.461 1 11 0.297297 -0.39146 0.347727 0.050430084 -26.3403 1 12 0.324324 -0.36229 0.358566 0.034241512 -25.3595 1 13 0.351351 -0.34881 0.363618 0.012266396 -20.6137 1 14 0.378378 -0.28353 0.388386 0.01000721 -12.1991 1 15 0.405405 -0.16779 0.433374 0.027968514 -10.5687 1 16 0.432432 -0.14537 0.442211 0.009778562 -10.2796 1 17 0.459459 -0.14139 0.443781 0.01567828 -9.16279 1 18 0.486486 -0.12603 0.449855 0.036631851 -7.987 1 19 0.513514 -0.10986 0.456262 0.057251856 -5.26453 1 20 0.540541 -0.07241 0.471138 0.069402931 -1.5751 1 21 0.567568 -0.02166 0.491358 0.076209789 -0.17234 1 22 0.594595 -0.00237 0.499054 0.09554026 4.120685 1 23 0.621622 0.056678 0.522599 0.099022648 4.982244 1 24 0.648649 0.068528 0.527317 0.121331402 6.659471 1 25 0.675676 0.091597 0.536491 0.139184783 10.01841 1 26 0.702703 0.137797 0.5548 0.147903064 13.43022 1 27 0.72973 0.184725 0.573277 0.156452232 14.37834 1 28 0.756757 0.197765 0.578386 0.178371068 15.51851 1 29 0.783784 0.213448 0.584511 0.199272619 16.711 1 30 0.810811 0.22985 0.590896 0.219915085 21.9087 1 31 0.837838 0.301341 0.618423 0.219415071 33.5559 1 32 0.864865 0.461541 0.677795 0.187070016 36.09519 1 33 0.891892 0.496468 0.690218 0.201674144 41.54001 1 34 0.918919 0.571358 0.716121 0.202797436 46.13517 1 35 0.945946 0.634562 0.737143 0.208803127 59.90816 1 36 0.972973 0.824001 0.79503 0.17794251

378.8678 1 37 1 5.2111 1 0

D = Sup |Fn(X)-F0(X)| = 0.219915085 = 0.22

Berdasarkan Tabel 1.4 dapat diketahui bahwa nilai D sebesar 0.22 dengan P-value kurang dari 0.01. Nilai D (0.22) > Dtabel (0.196) dan Pvalue (<0,010) < α

(0,05) maka dapat diambil keputusan H0 ditolak, sehingga didapatkan kesimpulan

(21)

8

pertama ≤16 tahun, persentase penduduk dan Rumah Tangga (RT) perempuan dan persentase daerah yang berstatus desa di tiap kabupaten/kota di Jawa Timur tidak memenuhi asumsi residual berdistribusi normal.

1.3 Pendeteksian Multikolinieritas

Identifikasi multikolinieritas pada variable-variabel prediktor dapat dilakukan dengan melihat nilai VIF (Variance Inflation Factor) pada masing-masing variabel prediktor. Berikut adalah nilai VIF dari setiap variabel prediktor yang didapatkan dengan menggunakan Software Minitab.

Tabel 1.5 Nilai VIF

Variabel Nilai VIF Persentase Sarana Kesehatan (X1) 9.733

Persentase Tenaga Medis (X2) 7.953

Persentase Penduduk Perempuan yang

Umur Kawin Pertama ≤16 Tahun (X3)

1.825 Persentase Penduduk dan Rumah

Tangga (RT) Perempuan (X4)

1.135 Persentase Daerah yang Berstatus

Desa (X5)

2.518

Berdasarkan Tabel 1.5, dapat diketahui bahwa pada variabel bebas X1, X2,

X3, X4 dan X5 tidak terdeteksi adanya multikolinieritas karena semua nilai nilai

VIF dari ke-5 variabel prediktor tersebut nilainya kurang dari 10, sehingga dapat disimpulkan bahwa tidak terdapat kasus multikolinieritas pada data jumlah kasus kanker serviks di setiap kabupaten/kota di Jawa Timur tahun 2010 berdasarkan faktor persentase sarana kesehatan, persentase tenaga medis, persentase penduduk perempuan yang umur kawin pertama ≤16 tahun, persentase penduduk dan Rumah Tangga (RT) perempuan dan persentase daerah yang berstatus desa di tiap kabupaten/kota di Jawa Timur.

1.4 Pemilihan Model Terbaik dengan Metode All Possible Regression

Metode All Possible Regression digunakan untuk memilih persamaan penduga yang terbaik dengan mempertimbangkan kriteria nilai R2 yang dicapai, nilai S2 atau jumlah kuadrat sisa regresi, nilai Statistik Cp. Hasil output dari

(22)

9

kawin pertama ≤16 tahun, persentase penduduk dan Rumah Tangga (RT) perempuan dan persentase daerah yang berstatus desa di tiap kabupaten/kota di Jawa Timur adalah sebagai berikut.

Tabel 1.6 Hasil Metode All Possible Regression Antara Variabel Respon Dengan Variabel Prediktor

Berdasarkan Tabel 1.6 dapat diketahui bahwa terdapat beberapa model dari prosedur All Possible Regression yang dapat digolongkan menjadi persamaan regresi terbaik. Salah satu model regresi yang terbaik antara variabel respon dan variabel prediktor yaitu antara Y dengan X1, X3, dan X5. Nilai R-Sq dan R-Sq (adj)

cukup tinggi yaitu 28.4 dan 21.9. Memiliki nilai S (kuadrat tengah sisa) yang kecil yaitu sebesar 76.480. Sedangkan nilai Cp-Mallows sebesar 2.4 yang hampir mendekati jumlah banyaknya variabel prediktor yang ditambah dengan intercept. Sehingga dalam hal ini model regresi terbaik dengan metode All Possible Regression adalah antara jumlah kasus kanker serviks (Y) dengan persentase sarana kesehatan (X1), persentase penduduk perempuan yang umur kawin

pertama ≤16 tahun (X3) dan persentase daerah yang berstatus desa (X5).

Model regresi terbaik dengan metode All Possible Regression adalah

(23)

10

1.5 Pemilihan Model Terbaik dengan Metode Best Subset Regression

Pemilihan model regresi terbaik dengan metode best subset regression

tidak jauh beda dengan all possible regression. Pada metode best subset, hanya ditampilkan persamaan regresi terbaik yang terpilih dengan kriterianya masing-masing. Hasil output dari metode best subset regression pada d data jumlah kasus kanker serviks di setiap kabupaten/kota di Jawa Timur tahun 2010 berdasarkan faktor persentase sarana kesehatan, persentase tenaga medis, persentase penduduk perempuan yang umur kawin pertama ≤16 tahun, persentase penduduk dan Rumah Tangga (RT) perempuan dan persentase daerah yang berstatus desa di tiap kabupaten/kota di Jawa Timur adalah sebagai berikut.

Tabel 1.7 Hasil Metode Best Subset Regression Antara Variabel Respon Dengan Variabel Prediktor

Berdasarkan Tabel 1.7 dapat diketahui bahwa terdapat beberapa model dari prosedur Best Subset Regression yang dapat digolongkan menjadi persamaan regresi terbaik. Salah satu model regresi yang terbaik antara variabel respon dan variabel prediktor yaitu antara Y dengan X1, X3, dan X5. Nilai R-Sq dan R-Sq (adj)

cukup tinggi yaitu 28.4 dan 21.9. Memiliki nilai S (kuadrat tengah sisa) yang kecil yaitu sebesar 76.480. Sedangkan nilai Cp-Mallows sebesar 2.4 yang hampir mendekati jumlah banyaknya variabel prediktor yang ditambah dengan intercept. Sehingga dalam hal ini model regresi terbaik dengan metode Best Subset Regression adalah antara jumlah kasus kanker serviks (Y) dengan persentase sarana kesehatan (X1), persentase penduduk perempuan yang umur kawin

pertama ≤16 tahun (X3) dan persentase daerah yang berstatus desa (X5). Model

regresi terbaik dengan metode Best Subset Regression adalah

(24)

11

1.6 Pemilihan Model Terbaik dengan Metode Forward Selection

Pemilihan model terbaik dengan metode forward selection yaitu dengan menambahkan satu per satu variabel prediktor yang paling signifikan pada model. Berikut merupakan analisis untuk menentukan model regresi terbaik dengan menggunakan metode forward selection pada data jumlah kasus kanker serviks di setiap kabupaten/kota di Jawa Timur tahun 2010 berdasarkan faktor persentase sarana kesehatan, persentase tenaga medis, persentase penduduk perempuan yang umur kawin pertama ≤16 tahun, persentase penduduk dan Rumah Tangga (RT) perempuan dan persentase daerah yang berstatus desa di tiap kabupaten/kota di Jawa Timur.

Tabel 1.8 Hasil Metode Forward Selection Antara Variabel Respon Dengan Variabel Prediktor

Persentase Sarana Kesehatan (X1)

Constant 7.934

X1 332

P-value 0.003

S 77.2

R-Sq 22.73

R-Sq (adj) 20.52

Mallows Cp 1

Berdasarkan Tabel 1.8 dapat diketahui bahwa pada metode forward selection tahap pertama, nilai yang paling signifikan adalah X1 dengan P-value

sebesar 0.003, sehingga dalam hal ini model regresi terbaik dengan metode

forward selection adalah antara jumlah kasus kanker serviks (Y) dengan persentase sarana kesehatan (X1). Model regresi terbaiknya adalah

1

332X 7.934



y .

1.7 Pemilihan Model Terbaik dengan Metode Backward Elimination

(25)

12

perempuan yang umur kawin pertama ≤16 tahun, persentase penduduk dan Rumah Tangga (RT) perempuan dan persentase daerah yang berstatus desa di tiap kabupaten/kota di Jawa Timur.

Tabel 1.9 Hasil Metode Backward Elimination Antara Variabel Respon Dengan Variabel Prediktor

Step 1 2 3 4 5

X1

P-value 0.613 0.026 0.028 0.031 0.003 X2

P-value 0.722

X3

P-value 0.559 0.572 0.542 X4

P-value 0.648 0.582 X5

P-value 0.136 0.124 0.124 0.139

S 78.3 77.3 76.5 75.8 77.2

R-sq 29.46 29.17 28.45 27.62 22.73

Mallows Cp 6 4.1 2.4 0.8 1

Berdasarkan Tabel 1.9 dapat diketahui bahwa pada metode backward elimination tahap pertama, variabel yang paling tidak signifikan adalah X2 dengan

P-value sebesar 0.722 sehingga X2 dikeluarkan dari model. Pada metode

backward elimination tahap kedua, variabel yang paling tidak signifikan adalah X4 dengan P-value sebesar 0.582 sehingga X4 dikeluarkan dari model. Pada

metode backward elimination tahap ketiga, variabel yang paling tidak signifikan adalah X3 dengan P-value sebesar 0.542 sehingga X3 dikeluarkan dari model. Pada

metode backward elimination tahap keempat, variabel yang paling tidak signifikan adalah X5 dengan P-value sebesar 0.139 sehingga X5 dikeluarkan dari

model. Pada tahap terakhir, nilai yang signifikan adalah X1 dengan P-value

sebesar 0.003. Oleh karena itu, dengan menggunakan metode backward elimination variabel yang masuk ke dalam model terbaik adalah jumlah kasus kanker serviks (Y) dengan persentase sarana kesehatan (X1). Model regresi

terbaiknya adalah y7.934332X₁.

1.8 Pemilihan Model Terbaik dengan Metode Stepwise Regression

Stepwise merupakan gabungan antara metode forward dengan metode

(26)

13

adalah variabel yang korelasi parsialnya paling tinggi dan masih signifikan, setelah variabel tertentu masuk kedalam model maka variabel yang lain yang ada didalam model dievaluasi. Jika ada variabel yang tidak signifikan maka variabel tersebut dikeluarkan. Berikut merupakan analisis untuk menentukan model regresi terbaik dengan menggunakan metode stepwise regression pada data jumlah kasus kanker serviks di setiap kabupaten/kota di Jawa Timur tahun 2010 berdasarkan faktor persentase sarana kesehatan, persentase tenaga medis, persentase penduduk perempuan yang umur kawin pertama ≤16 tahun, persentase penduduk dan Rumah Tangga (RT) perempuan dan persentase daerah yang berstatus desa di tiap kabupaten/kota di Jawa Timur.

Tabel 1.10 Uji Korelasi Antara Y dan Variabel Prediktor

X1 X2 X3 X4 X5 Berdasarkan Tabel 1.10 dapat diketahui bahwa korelasi yang paling siginifikan dengan nilai korelasi tertinggi adalah antara jumlah kasus kanker serviks (Y) dengan persentase sarana kesehatan (X1) dengan nilai Pearson

Correlation sebesar 0.477 dan P-value sebesar 0.003. Oleh karena itu, di lanjutkan pada uji korelasi parsial untuk mengetahui apakah ada variabel prediktor lain yang signifikan dengan menggunakan persentase sarana kesehatan (X1) sebagai

variabel kontrol.

Tabel 1.11 Uji Korelasi Parsial

Variabel Kontrol X2 X3 X4 X5

variabel kontrol. Oleh karena itu, dengan menggunakan metode stepwise regression, variabel yang masuk ke dalam model terbaik adalah jumlah kasus kanker serviks (Y) dengan persentase sarana kesehatan (X1). Model regresi

(27)

14

BAB II

KESIMPULAN DAN SARAN

2.2 Kesimpulan

Berdasarkan analisis dan pembahasan pada Bab I dapat diperoleh kesimpulan sebagai berikut.

1. Nilai rata-rata dari jumlah kasus kanker serviks di tiap kabupaten/kota provinsi Jawa Timur pada tahun 2010 sebesar 45.6 kasus, nilai maksimum sebesar 479 kasus dan nilai minimum sebesar 0 kasus dengan nilai keragaman sebesar 86.6. Variabel prediktor persentase daerah yang berstatus desa di tiap kabupaten/kota provinsi Jawa Timur memiliki nilai rata-rata dan nilai keragaman terbesar.

2. Pemeriksaan dan pengujian asumsi residual IIDN menunjukkan bahwa residual data pada jumlah kasus kanker serviks di setiap kabupaten/kota di Jawa Timur tahun 2010 berdasarkan faktor persentase sarana kesehatan, persentase tenaga medis, persentase penduduk perempuan yang umur kawin pertama ≤16 tahun, persentase penduduk dan Rumah Tangga (RT) perempuan dan persentase daerah yang berstatus desa di tiap kabupaten/kota di Jawa Timur telah memenuhi asumsi residual identik dan independen namun tidak memenuhi asumsi residual berdistribusi normal. 3. Tidak terdapat kasus multikolinieritas pada data jumlah kasus kanker

serviks di setiap kabupaten/kota di Jawa Timur tahun 2010 berdasarkan faktor persentase sarana kesehatan, persentase tenaga medis, persentase penduduk perempuan yang umur kawin pertama ≤16 tahun, persentase penduduk dan Rumah Tangga (RT) perempuan dan persentase daerah yang berstatus desa di tiap kabupaten/kota di Jawa Timur.

4. Model regresi terbaik dengan metode All Possible Regression adalah antara jumlah kasus kanker serviks (Y) dengan persentase sarana kesehatan (X1), persentase penduduk perempuan yang umur kawin

Model regresi terbaik dengan metode All Possible Regression adalah

5 3

1 0.8X 0.851X

266X 5

.

43   



(28)

15

5. Model regresi terbaik dengan metode Best Subset Regression adalah antara jumlah kasus kanker serviks (Y) dengan persentase sarana kesehatan (X1), persentase penduduk perempuan yang umur kawin

Model regresi terbaik dengan metode Best Subset Regression adalah

5 3

1 0.8X 0.851X

266X 5

.

43   



y .

6. Model regresi terbaik dengan metode Forward Selection adalah jumlah kasus kanker serviks (Y) dengan persentase sarana kesehatan (X1). Model

regresi terbaiknya adalah y7.934332X₁.

7. Model regresi terbaik dengan metode Backward Elimination adalah jumlah kasus kanker serviks (Y) dengan persentase sarana kesehatan (X1).

Model regresi terbaiknya adalah y7.934332X₁.

8. Model regresi terbaik dengan metode Stepwise Regression adalah jumlah kasus kanker serviks (Y) dengan persentase sarana kesehatan (X1). Model

regresi terbaiknya adalah y7.934332X₁.

2.2 Saran

(29)

LAMPIRAN

Lampiran 1 Data Jumlah Kasus Kanker Serviks di Tiap Kabupaten/Kota Provinsi

Jawa Timur Tahun 2010 dengan Variabel Prediktornya

No Kabupaten/Kota Y X1 X2 X3 X4 X5

1 Pacitan 0 0.02 0.92 21.78 49.87 88.89

2 Ponorogo 25 0.12 1.15 24.82 51.12 78.36

3 Trenggalek 19 0.06 1.08 30.48 50.1 82.17

4 Tulungagung 75 0.16 1.28 22.34 50.85 66.42

5 Blitar 15 0.06 1.14 22.95 49.16 78.63

6 Kediri 11 0.1 1.88 20.71 50.43 69.48

7 Malang 51 0.24 2.14 30.05 49.62 70

8 Lumajang 18 0.1 1.71 34.5 50.79 86.63

9 Jember 0 0.2 2.07 40.79 50.67 74.6

10 Banyuwangi 30 0.14 1.73 31.04 49.16 71.43

11 Bondowoso 54 0.06 1.62 58.78 50.49 84.93

12 Situbondo 0 0.04 0.2 62.7 50.33 75.74

13 Probolinggo 86 0.08 1.06 59.27 50.14 77.27

14 Pasuruan 0 0.06 1.55 33.63 50.97 70.96

15 Sidoarjo 26 0.32 2.19 13.92 49.31 24.08

16 Mojokerto 0 0.16 1.55 24.31 50.25 66.45

17 Jombang 0 0.14 2.03 22.28 50.69 52.94

18 Nganjuk 0 0.12 1.34 24.59 49.4 69.72

19 Madiun 74 0.02 1.4 29.47 51.41 81.07

20 Magetan 39 0.04 1.04 24.76 51.91 69.79

21 Ngawi 46 0.04 1.37 25.72 51.75 93.09

22 Bojonegoro 61 0.12 1.45 36.35 50.29 86.51

23 Tuban 0 0.06 1.01 34.67 50.57 86.28

24 Lamongan 30 0.08 1.47 37.44 51.84 89.24

25 Gresik 63 0.12 1.78 22.16 50.07 60.96

26 Bangkalan 27 0.02 1.01 37.43 53.33 86.48

27 Sampang 15 0.02 0.74 47.45 51.39 93.55

28 Pamekasan 0 0.02 0.98 41.8 51.21 86.77

29 Sumenep 4 0.04 1.09 47.79 53.12 89.46

30 Kota Kediri 58 0.16 0.83 12.12 50.66 0

31 Kota Blitar 53 0.08 0.49 14.98 48.49 0

32 Kota Malang 479 0.18 1.36 17.75 50.6 5.26 33

Kota

(30)

36 Kota Madiun 23 0.11 0.85 13.32 53.12 0 37 Kota Surabaya 262 0.73 7.52 12.16 50.38 0

Keterangan :

Y = Jumlah kasus kanker serviks di tiap kabupaten/kota provinsi Jawa Timur X1 = Persentase sarana kesehatan di tiap kabupaten/kota provinsi Jawa Timur

X2 = Persentase tenaga medis di tiap kabupaten/kota provinsi Jawa Timur

X3 = persentase penduduk perempuan yang umur kawin pertama ≤16 tahun di

tiap kabupaten/kota provinsi Jawa Timur

X4 = Persentase penduduk dan Rumah Tangga (RT) perempuan di tiap

kabupaten/kota provinsi Jawa Timur

X5 = Persentase daerah yang berstatus desa di tiap kabupaten/kota provinsi Jawa

Timur

Lampiran 2 Output Statistika Deskriptif

Lampiran 3 Output Uji Glejser

Descriptive Statistics: y, x1, x2, x3, x4, x5

Variable N Mean StDev Minimum Median Maximum y 37 45.6 86.6 0.0 25.0 479.0 x1 37 0.1135 0.1243 0.0200 0.0800 0.7300 x2 37 1.438 1.132 0.200 1.280 7.520 x3 37 29.64 13.19 12.12 25.72 62.70 x4 37 50.669 1.077 48.490 50.600 53.330 x5 37 60.83 32.62 0.00 71.43 93.55

Regression Analysis: residual abs versus x1, x2, x3, x4, x5

residual abs = - 194 + 105 x1 - 16.6 x2 + 0.31 x3 + 5.62 x4 - 0.820 x5

Analysis of Variance

Source DF SS MS F P Regression 5 27286 5457 1.55 0.205 Residual Error 31 109452 3531

(31)

Lampiran 4 Output Durbin Watson Statistic

Lampiran 5 Output VIF

Lampiran 6 Output Metode All Possible Regression

Regression Analysis: y versus x1, x2, x3, x4, x5

Durbin-Watson statistic = 2.02816

Regression Analysis: y versus x1, x2, x3, x4, x5

y = - 257 + 168 x1 + 11.7 x2 + 0.79 x3 + 6.0 x4 - 0.973 x5

Predictor Coef SE Coef T P VIF Constant -256.5 655.3 -0.39 0.698

x1 167.6 327.7 0.51 0.613 9.733 x2 11.66 32.52 0.36 0.722 7.953 x3 0.790 1.338 0.59 0.559 1.825 x4 5.96 12.91 0.46 0.648 1.135 x5 -0.9732 0.6352 -1.53 0.136 2.518

Best Subsets Regression: y versus x1, x2, x3, x4, x5

Response is y

Mallows x x x x x Vars R-Sq R-Sq(adj) Cp S 1 2 3 4 5 1 22.7 20.5 1.0 77.173 X

(32)

Lampiran 7 Output Metode Best Subset Regression

Lampiran 8 Output Metode Forward Selection

Best Subsets Regression: y versus x1, x2, x3, x4, x5

Response is y

Mallows x x x x x Vars R-Sq R-Sq(adj) Cp S 1 2 3 4 5 1 22.7 20.5 1.0 77.173 X

1 16.8 14.4 3.6 80.082 X 2 27.7 23.4 0.8 75.740 X X 2 27.6 23.4 0.8 75.780 X X 3 28.6 22.1 2.4 76.391 X X X 3 28.4 21.9 2.4 76.480 X X X 4 29.2 20.3 4.1 77.274 X X X X 4 29.0 20.1 4.2 77.379 X X X X 5 29.5 18.1 6.0 78.348 X X X X X

Stepwise Regression: y versus x1, x2, x3, x4, x5

Forward selection. Alpha-to-Enter: 0.05

Response is y on 5 predictors, with N = 37

Step 1 Constant 7.934

x1 332 T-Value 3.21 P-Value 0.003

(33)

Lampiran 9 Output Metode Backward Elimination

Lampiran 10 Output Uji Korelasi

Correlations

Y x1 x2 x3 x4 x5

y Pearson Correlation 1 .477** .402* -.238 -.043 -.410*

Sig. (2-tailed) .003 .014 .157 .801 .012

N 37 37 37 37 37 37

x1 Pearson Correlation .477** 1 .901** -.388* -.235 -.444**

Sig. (2-tailed) .003 .000 .018 .162 .006

N 37 37 37 37 37 37

x2 Pearson Correlation .402* .901** 1 -.240 -.110 -.190

Sig. (2-tailed) .014 .000 .152 .518 .260

Stepwise Regression: y versus x1, x2, x3, x4, x5

Backward elimination. Alpha-to-Remove: 0.05

Response is y on 5 predictors, with N = 37

Step 1 2 3 4 5 Constant -256.525 -313.445 43.512 56.445 7.934

x1 168 277 266 256 332 T-Value 0.51 2.34 2.30 2.26 3.21 P-Value 0.613 0.026 0.028 0.031 0.003

x2 12 T-Value 0.36 P-Value 0.722

x3 0.8 0.8 0.8 T-Value 0.59 0.57 0.62 P-Value 0.559 0.572 0.542

x4 6 7 T-Value 0.46 0.57 P-Value 0.648 0.582

x5 -0.97 -0.86 -0.85 -0.66 T-Value -1.53 -1.58 -1.58 -1.52 P-Value 0.136 0.124 0.124 0.139

(34)

N 37 37 37 37 37 37

x3 Pearson Correlation -.238 -.388* -.240 1 .184 .659**

Sig. (2-tailed) .157 .018 .152 .274 .000

N 37 37 37 37 37 37

x4 Pearson Correlation -.043 -.235 -.110 .184 1 .180

Sig. (2-tailed) .801 .162 .518 .274 .287

N 37 37 37 37 37 37

x5 Pearson Correlation -.410* -.444** -.190 .659** .180 1

Sig. (2-tailed) .012 .006 .260 .000 .287

N 37 37 37 37 37 37

Lampiran 11 Output Uji Korelasi Parsial

Correlations

Control Variables Y x2 x3 x4 x5

x1 y Correlation 1.000 -.072 -.065 .081 -.252

Significance (2-tailed) . .678 .707 .639 .139

df 0 34 34 34 34

x2 Correlation -.072 1.000 .274 .241 .539

Significance (2-tailed) .678 . .106 .156 .001

df 34 0 34 34 34

x3 Correlation -.065 .274 1.000 .104 .590

Significance (2-tailed) .707 .106 . .546 .000

df 34 34 0 34 34

x4 Correlation .081 .241 .104 1.000 .087

Significance (2-tailed) .639 .156 .546 . .614

df 34 34 34 0 34

x5 Correlation -.252 .539 .590 .087 1.000

Significance (2-tailed) .139 .001 .000 .614 .