Laporan Praktikum Regresi Berganda

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 Berganda Berganda

| 51


2012

LAPORAN PRAKTIKUM REGRESI BERGANDA BAB I PENDAHULUAN

1.1

Latar Belakang

Dalam banyak hal yang berkaitan dengan kegiatan perusahaan dan perekonomian mungkin perlu diketahui hubungan antara 2 (dua) variabel atau lebih variabel, variabel, dan hubungan ini dapat digunakan digunakan untuk memperkirakan memperkirakan nilai rata-rata dari satu variabel yang dinamakan dinamakan variabel tidak bebas (dependent variable), dan variabel bebas (independent variable). Misalnya diketahui data tentang pengeluaran untuk iklan berdasarkan volume penjualan, memperkirakan pengeluaran untuk keperluan pokok keluarga berdasarkan pendapatan keluarga itu, meramalkan hasil tanaman kacang tanah berdasarkan banyak pupuk yang digunakan tiap hektar, daya daya tahan

papan kayu A terhadap bobot bobot tertentu ditinjau ditinjau dari

tebalnya, dan masih banyak contoh lain lagi yang dapat dikemukakan. Untuk menjawab halhal yang seperti dicontohkan, perlu dibahas mengenai bentuk hubungan dan keeratan hubungan. Bila ingin mengetahui bentuk hubungan hubungan dua variabel atau lebih, lebih, maka digunakan analisa regresi. Kemudian bila ingin melihat melihat hubungan, hubungan, maka digunakan analisa korelasi.

Analisa regresi digunakan untuk mempelajari dan mengukur hubungan statistik yang terjadi antara dua atau lebih variabel. Dalam regresi sederhana dikaji dua variabel, sedangkan regresi berganda (multiple regression) dikaji lebih dari dua variabel. Analisa Korelasi bertujuan untuk mengukur mengukur seberapa kuat atau derajat kedekatan suatu relasi yang terjadi antara variabel. Dengan menggunakan analisa regresi ingin diketahui pola relasi dalam bentuk persamaan regresi, dan dengan menggunakan analisa korelasi ingin diketahui kekuatan hubungan hubungan tersebut terhadap koefisien korelasinya. Sehingga analisis regresi dan korelasi sering dilakukan bersama-sama.


| 52


1.2

2012

Tujuan

Secara umum, tujuan dari regresi linear berganda adalah untuk menemukan baris yang memprediksi terbaik Y dari X. Regresi linear memerlukan hal ini dengan mencari baris yang meminimalkan jumlah kuadrat jarak dari kesalahan (the error sum of square).

1.3

Alat – alat yang digunakan.

Peralatan dan bahan yang digunakan selama praktikum antara lain;

1.4



Data pengamatan.



Lembar pengamatan, alat tulis dan alat a lat hitung.

Pelaksanaan Praktikum

Praktikum ilmu Statistik untuk mahasiswa jurusan Teknik Industri mempelajari tentang Statistik Deskriptis (Menyajikan data–data yang meliputi Table , Grafik ,dan ukuran Lokasi dan Deviasi ) , Distribusi Binomial dan Hypergiometrik (melakukan pendekatan Distribusi Hypergeometris dan pendekatan Distribusi Normal terhadap Binomial ) , dan Distribusi Poisson dan Eksponential (memahami karakteristik dari Distribusi Poisson dan Eksponensial). Praktikum ilmu Statistik untuk mahasiswa jurusan teknik industri Universitas Mercu Buana dilaksanakan pada : Hari

: Kamis

Tanggal

: 21 April 2012 s/d 8 Juni 2012

Jam

: 10.00 Wib s/d Selesai

Tempat

: Ruang D-208 Gedung D Laboratorium Komputer Industri Universitas Mercu Buana, Jakarta 2012


| 53


2012

BAB II LANDASAN TEORI

Banyak data pengamatan terjadi akibat lebih dari dua variabel. Misalnya rata-rata pertambahan berat daging dag ing sapi (Y) bergantung pada berat pemulusan pe mulusan (X1), umur sapi sap i ketika ket ika pengamatan mulai dilakukan (X2), berat makanan yang diberikan setiap hari (X3) dan faktor lainnya. Untuk memberikan gambaran tentang suatu permasalahan atau persoalan, biasanya sangat sa ngat sulit ditentukan, sehingga diperlukan suatu model yang dapat diprediksi dan da n meramalkan respon yang penting terhadap persoalan tersebut, yaitu regresi linier ganda. Analisis Regresi Linear Berganda digunakan untuk mengukur pengaruh antara lebih dari satu variabel prediktor (variabel bebas) terhadap variabel terikat.

Rumus : Y = a + b1X1+b2X2+…+bnXn

Keterangan :

Y

= variabel terikat

a

= konstanta

b1,b2

= koefisien regresi

X1, X2 = variabel bebas


| 54

2012


BAB III PENGUMPULAN PENGUMPULAN DAN PENGOLAHAN P ENGOLAHAN DATA

3.1

Langkah Pengumpulan Data

Pada suatu Perguruan Tinggi yaitu di Universitas Mercubuana mempunyai mahasiswa program studi Teknik Industri yang jumlahnya cukup banyak. Dari kumpulan mahasiswa tersebut akan dilakukan pengukuran tinggi, berat badan, dan umur berdasarkan jurusan dan angkatan yang diwakili oleh 100 orang mahasiswa. Kemudian data hasil pengukuran tersebut dicatat pada lembar pengamatan yang telah disediakan. 3.2

Penyajian Data

Pada makalah ini telah kami paparkan beberapa langkah proses pengolahan dan analisa data yang akan disajikan menggunakan SPSS 17.0.

Faktor utama yang mempengaruhi mempengaruhi berat badan adalah tinggi badan, dan umur.

3.2.1

Berdasarkan data yang telah dikumpulkan, kami ingin mengetahui seberapa besar tinggi badan, dan umur berpengaruh terhadap berat badan seseorang. seseorang.

Data Tinggi Badan dan Berat Berat Badan Mahasiswa Teknik Teknik Industri Sebanyak 100 Mahasiswa.

No

Nama

Usia (Tahun)

Berat Badan (Kg)

Tinggi Badan (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


| 55

2012


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

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


| 56

2012


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

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

Ossa Sutaarga

22

50

168

100


| 57


2012

Langkah-langkah dalam menjalankan SPSS 17.0 adalah sebagai berikut: 1. Klik Start. 2. All Programs. 3. Pilih SPSS Statistic 17.0 4. Kemudian pilih Type in data 5. Kemudian klik OK dan SPSS siap digunakan 6. Langkah pertama entrilah data sesuai dengan format di bawah ini berdasarkan data yang diperoleh Tabel Data Tinggi dan Berat Badan Mahasiswa Teknik Industri.

7. Klik Variable View di sebelah kiri bawah lembar kerja.


| 58


2012

8. Kolom Name digunakan untuk memperjelas informasi tentang variable var iable yang dimaksud. Pada kolom Name, tulislah NAMA, TINGGI, BADAN dan UMUR. 9. Klik Analyze, Regression, Linear. Untuk kolom Dependent disi dengan BERAT sedangkan Independent diisi dengan TINGGI, dan UMUR.

10. Klik Statistic.


| 59


2012

Kemudian beri tanda pada Estimates, Confidence intervals, Covariance matrix, Model fit, R-squared changes, Descriptives Part, and Partial correlations, Collinearity diagnostics, Durbin-Watson Durbin-Watson dan Casewise diagnostics.

Klik Continue.

11. Klik Options. Kemudian beri tanda pada Use Probability of F, Include constant in equation, dan Exclude cases listwise.

Klik Continue.

12. Klik OK.


| 60

2012


Maka akan menghasilkan OUTPUT seperti berikut:

Regression Descriptive Statistics Mean

Std. Deviation

N

Berat

58.67

10.797

100

Tinggi

168.34

11.938

100

Umur

19.31

1.482

100

Correlations Berat Pearson Correlation

Sig. (1-tailed)

N

Tinggi

Umur

Berat

1.000

.023

-.009

Tinggi

.023

1.000

-.009

Umur

-.009

-.009

1.000

Berat

.

.410

.466

Tinggi

.410

.

.463

Umur

.466

.463

.

Berat

100

100

100

Tinggi

100

100

100

Umur

100

100

100

Variables Entered/Removed Model

Variables Entered Variables Removed Removed a

1

Umur, Tinggi

Method

. Enter

a. All requested variables entered.

b

Model Summary

Change Statistics

Model

R

1

.025

Adjusted R

Std. Error of

R Square

Square

the Estimate

Change

R Square a

.001

-.020

10.904

.001

Sig. F F Change .029

df1

df2 2

Change 97

.971

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


| 61

2012


b

ANOVA Model 1

Sum of Squares Regression

df

Mean Square

6.965

2

3.482

Residual

11533.145

97

118.898

Total

11540.110

99

F

Sig. a

.029

.971

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

a

Coefficient Correlations Model 1

Umur Correlations

Covariances

Tinggi

Umur

1.000

.009

Tinggi

.009

1.000

Umur

.547

.001

Tinggi

.001

.008

a. Dependent Variable: Berat

a

Collinearity Diagnostics

Variance Proportions

Dimensio Model

n

Eigenvalue

Condition Index

(Constant)

Tinggi

Umur

1

1

2.993

1.000

. 00

.00

.00

2

.005

23.451

.00

.42

.57

3

.002

41.203

1.00

.58

.43


a

Casewise Diagnostics


| 62

2012


Case Number

Std. Residual

Berat

Predicted Value

Residual

28

3.327

95

58.72

36.276

58

3.761

100

58.99

41.007


a

Residuals Statistics Minimum Predicted Value

Maximum

Mean

Std. Deviation

N

56.54

59.08

58.67

.265

100

-18.639

41.007

.000

10.793

100

Std. Predicted Value

-8.025

1.534

.000

1.000

100

Std. Residual

-1.709

3.761

.000

.990

100

Residual



| 63


2012

BAB IV PEMBAHASAN DAN ANALISA 4.1

Pembahasan

Berdasarkan hasil pengolahan data 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)

= 0,025

b) Kolrelasi parsial tinggi

= 0,023

c) Korelasi parsial umur

= - 0,008

Variabel: Konstanta a = 56,364 b = 0,021 c = - 0,062 2. Buat persamaan untuk rumus regresinya? Jawab:

 =  +  + 

56,364 64 + 0,02 0,021 1 + (−0,062) )  = 56,3 3. Dari kedua variabel, mana yang lebih mempengaruhi? Jawab:

a) Korelasi parsial tinggi = 0,023 (termasuk (ter masuk korelasi positif sedang)


| 64


2012

b) Korelasi parsial parsial umur = - 0,008 (termasuk korelasi negatif kuat) Maka, dapat diambil kesimpulan dari kedua variabe l yang lebih mempengaruhi berat badan adalah tinggi. 4. Jika diketahui tinggi si A adalah adala h 170 cm dan umur 20 tahun, berapakah berat si A tersebut? Jawab:

: = 170  = 20ℎ  = 56,364  = 0,021  = −0,062 : … ? :  =  +  +   = 56,36 56,364 4 + (0,021 0,021 × 170 170) + (−0,06 0,062 2 × 20) 20)

= 56, 56,364 364 + 3,57 3,57 + −1,24 = 58,694 → 59

5. Buat kesimpulan! Kesimpulannya adalah berdasrkan korelasi total yang diperoleh = 0,025 termasuk korelasi positif sedang. Artinya tinggi dan umur mempengaruhi berat badan sebesar positif sedang yaitu dengan menggunakan menggunakan R-square = 0,001 = 0,1%.


| 65

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 dat a tersebut.

2.

Dengan

menggunakan

permasalahan

statistika

program yang

SPSS

tersebut,

berbentuk

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 ta mbaknya. mbaknya.

4. Dari output SPSS juga, kita dapat menentukan persamaannya, yaitu Y = 39,471+0,102x. 39,471+0,102x.


| 66

Laporan Praktikum Regresi Berganda

Recommend Documents