P. 1
5. ANALISIS REGRESI

5. ANALISIS REGRESI

|Views: 21|Likes:
Published by Ratna Wulandari
analisis regresi statistika
analisis regresi statistika

More info:

Published by: Ratna Wulandari on May 19, 2013
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOC, PDF, TXT or read online from Scribd
See more
See less

02/28/2014

pdf

text

original

5

ANALISIS REGRESI
Jika kita mempunyai data yang terdiri atas dua atau lebih variable, maka sewajarnya kita mempelajari bagaimana hubungan antar variable tersebut. Hubungan yang diperoleh, pada umumnya dinyatakan dalam bentuk persamaan matematik yang menyatakan hubungan fungsional antara variable-variabel tersebut. Studi yang menyangkut masalah ini dikenal dengan analisis regresi. Untuk analisis regresi kita membedakan dua jenis variable, yaitu variable bebas (variable predictor X) dan variable tak bebas (variable respon Y). Pada umumnya variable bebas merupakan sebab, sedangkan variable tak bebas merupakan akibat. Untuk keperluan analisis. Analisis regresi atau sering disebut dengan Anareg adalah suatu teknik statistik parametrik yang dapat digunakan untuk : 1)mengadakan peramalan atau prediksi besarnya variasi yang terjadi pada variabel Y berdasarkan variabel X, 2)menentukan bentuk hubungan antara variabel X dengan variabel Y dan 3) menentukan arah dan koefisien korelasi antara variabel X dan variabel Y. Sebagai alat prediksi, dalam Anareg akan ditemukan suatu persamaan regresi yang digunakan untuk menentukan besarnya variasi yang terjadi pada variabel Y berdasarkan data yang terdapat pada variabel X Misal peneliti ingin mengetahui akibat dari kecepatan mengaduk pada kemurnian cat. Dalam penelitian ini, kecepatan mengaduk merupakan variable predictor dan kemurnian cat merupakan respon. Sebagai alat perdiksi, dalam analisis regresi akan ditemukan suatu persamaan regresi yang digunakan untuk menentukan besarnya variasi yang terjadi pada variable Y (respon) berdasarkan data yang terdapat pada variable X (predictor). Dasar ramalan yang ditemukan dalam penelitian yang menggunakan Anareg sebagai metode analisis datanya akan berupa persamaan matematis, yang juga dapat diteruskan untuk melihat bentuk hubungan antara respon dengan predictor. Bentuk hubungan dalam Anareg ada dua, yaitu : bentuk hubungan linier dan non linier. Karena bentuk hubungan ini maka dikenal adanya Anareg linier

84

dan Anareg nonlinier. Dalam bab ini kita akan mempelajari anareg linier saja, terutama anareg linier sederhana. 5.1. Hubungan antara variabel bebas dan variabel dependen Untuk model regresi yang hanya melibatkan satu variabel bebas dan satu variabel dependen, bentuk hubungan antara dua variabel tersebut biasanya dapat diperiksa dengan memetakan setiap pasangan pengamatan (X,Y) dalam suatu diagram pencar. Pemetaan data dalam suatu bentuk diagram pencar sangat bermanfaat selain untuk memeriksa bentuk hubungan antar kedua variabel, juga dalam mengeksplorasi data secara keseluruhan, misal dalam memeriksa kemungkinan adanya nilai pencilan, melihat bentuk distribusi data atau memerika kecenderungan (trend) dalam data. Sebagai gambaran berbagai diagram pencar disajikan pada Gambar 5.1. Y

Y

X

X

a

b

Y

Y

X

X

c

d

Gambar 5.1. Diagram pencar : beberapa contoh bentuk hubungan antara X dan Y

85

Pemetaan pasangan data (X,Y) ke dalam suatu diagram pencar merupakan suatu langkah awal dalam menganalisis hubungan antara kedua variabel tersebut. Beberapa informasi yang dapat kita peroleh dengan mengamati suatu diagram pencar diantaranya adalah : Ada atau tidaknya kecenderungan bahwa data tersebut mengelompok di sekitar suatu garis lurus atau bentuk kurva sederhana yang lain. Bagaimana kecenderungan bentuk hubungan antara variabel X dan Y. Misal adakah kecenderungan bahwa nilai-nilai Y menaik dengan bertambahnya nilai X, atau nilai-nilai Y cenderung menurun dengan bertambahnya nilai X. Bagaimana “kekuatan “ hubungan antara variabel X dan Y. Kedua variabel tersebut dikatakan mempunyai hubungan atau keterkaitan yang erat jika data dalam diagram pencar tersebut mengelompok di sekitar suatu garis lurus atau kurva sederhana yang lain. Semakin dekat jarak antara data dengan kurva tersebut, maka semakin kuat hubungan kedua variabel tersebut. Kemungkinan adanya nilai pencilan dalam data.

5.2. Analisis regresi linier sederhana Tujuan penggunaan analisis regresi adalah untuk membangun suatu model probabilistik yang dapat digunakan untuk meramalkan nilai variabel dependen (Y), berdasarkan pada nilai-nilai variabel bebas (X). Dalam teknik regresi linier sederhana, yang kita bahas adalah satu variabel Y oleh satu variabel X saja. Asumsi yang digunakan dalam suatu model regresi linier sederhana adalah bahwa hubungan antara nilai harapan Bagi Yi dengan nilai Xi dapat dinyatakan dengan persamaan
E (Yi X i ) = β0 + β1 X i

(5.1)

dengan β dan β1 adalah parameter regresi yang tidak diketahui nilainya. 0 Persamaan (5.1) tersebut menyatakan bahwa nilai rata-rata bagi Y i untuk nilai Xi tertentu terletak dalam satu garis lurus.

86

Karena parameter β 0 dan β 1 dalam persamaan (5.1) tidak kita ketahui besarnya, maka persamaan regresinyapun tidak kita ketahui dan harus kita duga dengan menggunakan data sampel. Dengan demikian untuk menduga persamaan regresi tersebut, kita cukup menduga parameter β 0 dan β 1. Salah satu teknik pendugaan yang sering digunakan adalah metode kuadrat terkecil ( least squares method). Misal b0 dan b1 masing-masing nilai dugaan dari parameter β 0 dan β1,
ˆ i adalah maka nilai dugaan bagi Yi dinotasikan dengan y
ˆ i = b0 + b1 xi y

(5.2)

Karena persamaan (5.2) tersebut diperoleh berdasarkan data sampel, persamaan tersebut disebut sebagai garis regresi sampel yang merupakan penduga bagi garis regresi populasi dalam persamaan (5.1). Faktor galat bagi data sampel biasa disebut sebagai sisaan (residuals) dan dinotasikan dengan ei dan ei ini adalah
ˆ i , yaitu selisih antara nilai pengamatan Yi dengan nilai dugaan y

ˆ 1 = Yi − b0 − b1 xi ei = Yi − y

(5.3)

ˆ 1 yaitu yang mempunyai nilai Suatu pendugaan yang sempurna terjadi jika Yi = y

sisaan sama dengan nol. Dengan demikian jumlah kuadrat sisaan (JKS) adalah
2 ˆi ) 2 JKS = ∑ ei = ∑ ( Yi − y

= ∑ ( y i − b0 − b1 xi )
2

2 2 2

= ∑ y i − 2b0 ∑ y i − 2b1 ∑ xi y i + nb0 + 2b0 b1 ∑ x1 + b1

∑x

2 i

Jika dugaan terhadap parameter β 0 dan β1 tersebut mendekati benar, maka JKS harus mempunyai nilai minimum, atau turunan pertama dari JKS terhadap b 0 dan juga terhadap b1 adalah sama dengan nol.
∂JKS = −2∑ y i + 2nb0 + 2b1 ∑ xi = 0 ∂b0
nb0 = ∑ y i − b1 ∑xi
b0 = y − b1 x

(5.4)

atau
b0 =

∑y
n

i

− b1

∑x
n

i

(5.5)

87

Dengan menurunkan JKS terhadap b1 dan menyamakan turunan tersebut dengan nol
∂JKS 2 = −2∑ xi y i + 2b0 ∑ xi + 2b1 ∑ xi = 0 ∂b1

(5.6)

Dengan menyulihkan persamaan (5.5) ke persamaan (5.6), maka
 ∑ yi − 2∑ xi y i + 2 − b1  n 

∑x
n

i

 ∑ xi + 2b1 ∑ xi 2 = 0  

− 2∑ x i y i
2

∑ y ∑x +2
i

i

n

− 2b1
i

(∑ x )
i

2

n

+ 2b1 ∑ xi = 0
2

b1 ∑ xi − b1
2

(∑ x )
i

2

n

=
2

∑ y ∑x
n

i

− ∑ xi y i

b1 n∑ xi − b1 ( ∑ xi ) = ∑ y i ∑ xi − n∑ xi y i
b1 = n ∑ xi y i − ∑ x i ∑ y i n ∑ x i − ( ∑ xi )
2 2

(5.7)

Contoh 5.1 Seorang peneliti ingin mengetahui hubungan antara kecepatan aduk cat dengan kemurnian yang diperolehnya, dan diperoleh data seperti yang tercantum dalam Tabel 5.1. Tentukan persamaan regresi untuk menduga hubungan antara kecepatan mengaduk dengan kemurnian yang diperoleh

Tabel 5.1 Kecepatan aduk, rpm Kemurnian, % 20 8,4

88

22 24 26 28 30 32 34 36 38 40 42 Penyelesaian
20 18 16 14 12 10 8 6 4 2 0 0 10 20 30

9,5 11,8 10,4 13,3 14,8 13,2 14,7 16,4 16,5 18,9 18,5

y(percent)

40

50

x(rpm)

Gambar 5.2. Diagram pencar dan persamaan regresi dari data pada tabel 5.1 Dari data tersebut diperoleh : n = 12
y =13,87

∑x

i

= 372

∑y

i

=166,4
2

∑x
∑y x
i i

2 i

= 12104

∑y n ∑ xi y i − ∑ x i ∑ y i b1 = 2 2 n ∑ x i − ( ∑ xi )
x = 31

i

= 2435,14

= 5419,60

b1 =

12( 5419,60 ) − (372)(166,4) 3134,4 = = 0,4566 6864 12(12104) − (372) 2

b0 = 13,87 – (0,4566 x 31) = - 0,2846

89

Jadi persamaan regresi sampelnya adalah
ˆ i = −0,2846 + 0,4566 xi y

Suatu model persamaan regresi biasanya digunakan untuk tujuan pendugaan. Hal yang perlu diperhatikan dalam melakukan pendugaan ini adalah bahwa kita hanya bisa melakukan pendugaan dalam suatu kisaran nilai variabel bebas tertentu. Kisaran nilai tersebut terdiri atas semua nilai variabel X yang terletak antara nilai data terkecil sampai nilai data terbesar, yang kita gunakan untuk menyusun model tersebut. Artinya dalam melakukan pendugaan tersebut, kita hanya dapat melakukan interpolasi dalam kisaran nilai X tersebut, tetapi tidak dapat melakukan ekstrapolasi. Misal dalam contoh 5.1, kita peroleh persamaan garis regresi
ˆ i = −0,2846 + 0,4566 xi y
ˆ adalah nilai dugaan bagi dengan x adalah kecepatan aduk cat (rpm), dan y

kemurnian yang diperoleh (%). Untuk contoh tersebut nilai terkecil bagi X adalah 20 rpm dan nilai terbesarnya adalah 42 rpm. Nilai b 0 = -0,2846 adalah titik potong garis regresi tersebut dengan sumbu tegak Y. Akan tetapi untuk kasus ini nilai tersebut tidak dapat diinterpretasikan sebagai nilai dugaan bagi cat yang diaduk dengan kecepatan 0 rpm (tidak diaduk). Alasannya adalah : pertama nilai X = 0 terletak di luar kisaran variabel X. Kedua, karena pernyataan tersebut tidak masuk akal. Sebaliknya kemiringan garis regresi sering memberikan interpretasi yang lebih bermanfaat. Untuk contoh 5.1 tersebut, nilai b 1 = 0,4566 menunjukkan bahwa untuk setiap kenaikan kecepatan aduk sebesar satu rpm, secara rata-rata akan menaikkan kemurnian cat sebesar 0,4566 %. Persamaan regresi di atas kita peroleh dengan menggunakan metode kuadrat terkecil, sehingga garis tersebut merupakan garis lurus terbaik yang meminimumkan JKS. Tetapi hal ini bukan merupakan jaminan bahwa garis tersebut mencerminkan keadaan data dengan baik. Salah satu indikator yang dapat digunakan untuk mengetahui sampai sejauh mana persamaan suatu garis regresi mencerminkan keadaan data secara keseluruhan adalah dengan menghitung

90

simpangan baku sisaan (residual standart deviastion), se yang dinyatakan dengan persamaan
se = JKS = n−2

∑( y
i

i

− b0 − b1 xi ) n−2

2

(5.8)

atau
se =

∑y
i

2 i

− b0 ∑ y i − b1 ∑ xi y i
i i

n−2

(5.9)

dengan n adalah jumlah pengamatan, sedangkan bilangan 2 (dalam n-2) adalah jumlah parameter yang diduga dalam persamaan regresi (yaitu β 0 dan β1). Simpangan baku sisaan (se) mengukur pencaran atau keragaman data di sekitar garis regresinya. Semakin kecil nilai se , maka nilai-nilai Y akan semakin terkonsentrasi di sekitar garis regresi. Se baliknya semakin besar nilai se maka semakin besar pula pencaran data dari garis regresinya. Untuk contoh 5.1, simpangan baku sisaannya adalah :
se = 2435,14 − ( − 0,2846 )(166,4 ) − ( 0,4566 )( 5419,60 ) = 12 − 2 7,90808 10

se = 0,8892

5.3. Koefisien determinasi dan sumber keragaman dalam analisis regresi Untuk mengetahui sejauh mana variabel bebas X menduga variabel tergantung Y dalam model probabilistik tersebut, kita perlu mengetahui beberapa jenis ukuran keragaman. Salah satu diantaranya adalah jumlah kuadrat total (JKT), yang merupakan ukuran keragaman nilai Yi di sekitar nilai rata-ratanya (
Y ). Dalam analisis regresi linier sederhana, jumlah kuadrat total dapat diuraikan

menjadi jumlah kuadrat regresi (JKR), yang mencerminkan hubungan antara variabel X dan Y, dan jumlah kuadrat sisaan (JKS), yang mencerminkan keragaman karena faktor-faktor lain selain hubungan antara X dan Y tersebut. Interpretasi grafis dari ukuran-ukuran keragaman tersebut dapat dilihat dalam Gambar 5.3.

91

Y

y1

Jumlah kuadrat sisaan

ˆ1 = b 0 + b1 xi y

Jumlah kuadrat total Jumlah kuadrat regresi
Y

x1

X

Gambar 5.3. Ukuran keragaman dalam regresi Jumlah kuadrat regresi dapat diinterpretasikan sebagai ukuran keragaman
ˆ ) dengan nilai rata-rata ( yang berdasarkan pada perbedaan antara nilai dugaan (Y i Y ). Sedangkan jumlah kuadrat sisaan adalah bagian keragaman yang tidak

terjelaskan oleh persamaan regresi dan dihitung berdasarkan pada perbedaan
ˆ ) . Hubungan antara nilai setiap pengamatan (Yi) dengan nilai dugaannya (Y i

antara jumlah-jumlah kuadrat tersebut dapat dinyatakan sebagai berikut Jumlah kuadrat total = jumlah kuadrat regresi + jumlah kuadrat sisaan Atau JKT = JKR + JKS
JKT = ∑( y i − y )
i 2

(5.10)

= ∑ yi −
2

1 ( ∑ yi ) 2 n
2

(5.11)

ˆi − y) JKR = ∑( y

= b0 ∑ y i + b1 ∑ xi y i −

1 (∑ yi ) 2 n

(5.12)

dan

92

ˆi ) JKS = ∑( y i − y
2

2

= ∑ y i − b0 ∑ y i − b1 ∑ xi y i
serta JKS = 7,768.

(5.13)

Untuk contoh 5.1 tersebut, kita peroleh bahwa JKT = 127,727 dan JKR = 119,818 Ukuran keragaman yang lain adalah koefisien determinasi, R 2. Koefisien determinasi merupakan bagian keragaman dari variabel Y yang dijelaskan oleh persamaan regresinya. Nilai R2 dihitung dengan persamaan
R2 = JKR JKT

(5.14)

Untuk contoh 5.1 kita peroleh bahwa
R2 = 119,818 = 0,9380 127,727

Nilai R2 tersebut menunjukkan bahwa persamaan garis regresi linier
ˆ i = −0,2846 + 0,4566 xi menjelaskan 93,80 % dari keragaman kemurnian cat. y

Sedangkan sekitar 6,20% dari keragaman tersebut tidak terjelaskan oleh persamaan regresinya. 5.4. Pengujian hipotesis bagi koefisien regresi Pengujian hipotesis terhadap parameter regresi dengan
t= b−β sb

β0 dan β1 dapat

dilakukan dengan menggunakan statistik uji t, dan nilai statistik t dinyatakan

(5.15)

Statistik t tersebut dapat digunakan sebagai suatu statistik uji dalam pengujian hipotesis tentang koefisien regresi. Dengan s b1 =
se

∑( x

i

− x)

2

(5.16)

dan

sb 0 = se

1 x2 + n ∑ ( xi − x ) 2

(5.17)

93

1. Hipotesis tentang tidak adanya hubungan linier antara variabel X dengan variabel Y dinyatakan dalam bentuk hipotesis nol sebagai berikut
H 0 : β1 = 0

(5.18)

2. Hipotesis alternatif bagi hipotesis nol tersebut adalah bahwa ada hubungan linier antar kedua variabel tersebut, artinya β1 ≠ 0 dan hal ini dirumuskan sebagai berikut
H 1 : β1 ≠ 0

(5.19)

Jika hipotesis nol benar, artinya β1 = 0 , maka nilai statistik uji t dalam persamaan (5.15) berubah menjadi
t= b1 sb1

(5.20)

Selanjutnya untuk pengujian terhadap pasangan hipotesis tersebut dapat dilakukan dengan membandingkan nilai t yang diperoleh dengan persamaan (5.20) dengan nilai t pada Tabel Distribusi t, dengan derajat kebebasan v = n – k. Untuk taraf nyata

α tertentu, kriteria pengujiannya adalah
• • terima H0 jika − t1− 1 2α ,n −k ≤ t ≤ t1− 12α ,n −k tolak H0 jika t ≥ t1− 1 2α , n −k atau t ≤ −t1− 1 2α ,n −k

Untuk contoh 5.1
s b1 = 0,8892

( 72 ) 2

= 0,01235

t=

0,4566 = 36,971 0,01235

Jika ditentukan

α = 5% atau 0,05 dan dari tabel distribusi t didapatkan

t1−1

2

α, n −k

= t 0 ,975;10 = 2,23 . Karena t > t1− 1 2α , n −k maka H0 ditolak, artinya ada

hubungan linier antara variabel X dan variabel Y dengan taraf nyata 5%.

94

5.5 Regresi nonlinier Dalam contoh 5.1 telah kita lihat bahwa regresi linier dapat dipakai untuk data yang tercantum pada tabel 5.1 karena hipotesis kelinieran telah diterima. Hal tersebut juga dapat dilihat dari letak titik-titik dalam diagram pencarnya pada Gambar 5.3. Jika hipotesis tentang adanya hubungan linier antara dua variabel ditolak, yang berarti antara dua variabel tersebut tidak ada hubungan linier, maka kita perlu memperbaikinya dengan regresi non linier. Dari sekian banyak model regresi nonlinier, diantaranya adalah - Parabola kudratik - Parabola kubik - Eksponen - Geometrik - Logistik - Hiperbola - dan lain-lain Koefisien-koefisien a, b, c maupun d harus ditentukan berdasarkan data hasil pengamatan. Dengan menggunakan metode kuadrat terkecil, koefisien-koefisien tersebut dapat diketahui harganya.
Y = a + bX + cX 2 Y = a + bX + cX 2 + dX 3 Y = ab X Y = aX b

Y=
Y =

1 ab + c
X

1 a + bX

∂JKS ∂∑ ( Y − Yi ) = =0 ∂k ∂k
2

(5.21)

dengan k adalah koefisien-koefisien yang akan ditentukan.

5.6. Regresi Linier Ganda

95

Banyak data pengamatan yang terjadi sebagai akibat lebih dari dua variabel. Misal hasil suatu proses kimia (Y) tergantung pada temperatur (X 1) tekanan (X1) da konsentrasi katalis(X3). Akan ditentukan hubungan antara Y dan X1, X2, ………Xk sehingga didapatkan regresi Y atas X1, X2, ………Xk. Yang akan kita tinjau di sini hanyalah garis regresi sederhana, yakni yang dikenal dengan regresi linier ganda. Model regresi linier ganda atas X1, X2, ………Xk akan ditaksir oleh
ˆ = a + a X + a X +.......a X Y 0 1 1 2 2 k k

(5.22) koefisien-koefisien yang harus

dengan a 0 , a1 , a 2 .......a k

merupakan

ditentukan berdasarkan data hasil pengamatan. Koefisien-koefidien untuk regresi linier
a 0 , a1 , a 2 .......a k ditentukan dengan menggunakan

metoda kuadrat terkecil seperti halnya menentukan koefisien-koefisien a dan b
ˆ = a + bX Y

. Karena persamaan (5.22) berisikan (k + 1) buah

koefisien, maka a 0 , a1 , a 2 .......a k diperoleh dengan jalan menyelesaikan sistem persamaan yang terdiri atas (k + 1) buah persamaan. Untuk regresi linier ganda dengan dua variabel bebas:
ˆ = a +a X +a X Y 0 1 1 2 2

(5.23)

Untuk menentukan besarnya a 0 , a1 dana 2 maka kita harus menyelesaikan tiga persamaan dengan tiga bilangan anu yang belum diketahui tersebut. Misal persamaan tersebut adalah

∑Y

i

= a 0 n + a1 ∑ X 1i + ∑ X 2i
1i

∑Y X
i

= a 0 ∑X 1i + a1 ∑X 12 i + a 2 ∑ X 1i X 2 i
2 = a 0 ∑ X 2i + a1 ∑ X 1i X 2i + a 2 ∑ X 2 i

(5.24)

∑Y X
i

2i

Sistem persamaan dalam (5.24) dapat disederhanakan, apabila diambil
x1 = X 1 − X 1 , x 2 = X 2 − X 2 dan y =Y −Y .

Maka persamaan (5.23) akan menjadi

96

y = a1 x1 + a 2 x 2

(5.25)

Koefisien-koefisien

a1 ; a 2 dalam persamaan (5.25) dapat dihitung dari

∑y x
i

1i

2 = a1 ∑x1 i + a 2 ∑x1i x 2 i 2 = a1 ∑x1i x 2i + a 2 ∑x 2 i

∑y x
i

2i

(5.26)

Dengan menggunakan x1, x2 dan y yang baru ini, kecuali dengan persamaan (5.26), koefisien-koefisien a 0 , a1 ; a 2 dapat juga dihitung dengan persamaan
a 0 = Y − a1 X 1 − a 2 X 2

a1 =

( ∑ x )( ∑ x y ) − ( ∑ x x )( ∑ x ( ∑ x )( ∑ x ) − ( ∑ x x )
2 2i 1i i 1i 2i 2 1i 2 2i 2 1i 2i 2 1i 2i i 1i 2i 2 1i 2 2i 2 1i 2i

2i

yi )

(5.27)

a2

( ∑ x )( ∑ x y ) − ( ∑ x x )( ∑ x y ) = ( ∑ x )( ∑ x ) − ( ∑ x x )
1i i

Jika harga-harga a 0 , a1 ; a 2 yang diperoleh disubstitusikan ke persamaan (5.23) maka didapatlah model regresi linier ganda Y atas X1 dan X2.

SOAL-SOAL 1. Seorang peneliti mahasiswa ingin mengetahui hubungan antara suhu udara dengan kelembaban udara pada suatu daerah di wilayah Semarang bagian Barat, maka dia melakukan pengamatan tentang suhu udara dan kelembaban selama satu bulan (bulan November 2004) setiap jam 18.00. Hasilnya seperti tercantum pada tabel di bawah ini. . Data klimatologi suhu udara dan kelembaban udara (pengamatan pada jam ! 8.00)
Tanggal 1 2 3 Suhu udara (oC) (X) 30 29.7 30.2 Kelembaban udara (%) (Y) 68 72 71

97

4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

30 30 29.7 29.6 29.6 28 28.8 30 30.4 30.4 30.2 30.2 30.2 29.8 30.4 29.6 29.8 27.8 28 26.8 28 26.7 28.6 25.6 28.5 24.8 24

68 68 77 73 68 77 77 71 73 72 69 71 68 57 72 74 74 84 72 85 80 80 73 91 73 93 97

Selidikilah, apakah hubungan antara suhu dan kelembaban udara yang terdapat pada tabel tersebut linier ? 2. Y adalah daya regang dan X adalah kekerasan aluminium yang dinyatakan dalam satuan tertentu. Penelitian yang dilakukan sebanyak 12 kali. Sesudah digambarkan diagram pencarnya dan ditentukan regresi linier untuk Y dan X ujilah dengan taraf kepercayaan 95 % X Y 71 355 53 314 82 322 67 334 56 247 70 371 64 308 78 342 55 300 70 349 53 295 84 368

3. Kekuatan kertas yang dihasilkan oleh suatu pabrik kertas diduga dipengaruhi oleh kekerasan daging kayu. Sepuluh sampel diproduksi oleh suatu proyek penelitian, dan hasilnya tercantum dalam tabel di bawah ini

98

Strenghth 160 171 175 182 184

Percent hardwood 10 15 15 20 20

Strenghth 181 188 193 195 200

Percent hardwood 20 25 25 28 30

Buatlah persamaan regresi linier yang menyatakan kekuatan kertas sebagai fungsi dari persentase kekerasan kayu dari data tersebut. 4. Misal antara tekanan P dan volume V untuk semacam gas ditentukan oleh persamaan PVa = b, dengan a dan b adalah bilangan-bilangan konstan. Percobaan dilakukan sembilan kali yang memberikan hasil sebagai berikut : V (cm3) P (kg/cm2) a. Tentukan harga a dan b b. Tentukan persamaan yang melukiskan hubungan P dan V 5. Hasil dari suatu proses reaksi kimia tergantung pada konsentrasi bahan reactan dan temperatur operasi. Data yang diperoleh tercantum dalam tabel di bawah ini. Tentukan model regresinya dan ujilah signifikansinya ! Hasil 86 85 87 86 85 85 Konsentrasi 1,50 1,50 1,50 1,50 1,50 1,50 Temperatur 165 165 165 165 165 165 3,5 19,6 4,0 15,8 4,6 12,0 5,7 9,1 7,6 6,1 12,4 3,2 14,0 1,9 16,9 0,9 19,0 0,2

DAFTAR PUSTAKA Bevington, Philip R. 1992. Data Reduction And Error Analysis for the Physical Sciences. New York : Mc Graw – Hill.

99

Dadan Kusnandar, Ir, M.Sc, Ph.D. 2004. Metode Statistik Dan Aplikasinya Dengan Minitab Dan Excel. Yogyakarta : Madyan Press Douglas c. Montgomery. 1984. Design And Analysis Of Experiments. New York : John Willey and Sons Sudjana, Prof. DR., MA., M. Sc. 1996. Metoda Statistika. Bandung : Penerbit Tarsito

100

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->