Upload
ratna-wulandari
View
230
Download
0
Embed Size (px)
Citation preview
7/30/2019 5. ANALISIS REGRESI
1/17
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
7/30/2019 5. ANALISIS REGRESI
2/17
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.
Gambar 5.1. Diagram pencar : beberapa contoh bentuk hubungan antara X dan Y
85
X
Y
X
Y
a b
d
Y
X X
c
Y
7/30/2019 5. ANALISIS REGRESI
3/17
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 bahwahubungan antara nilai harapan Bagi Yi dengan nilai Xi dapat dinyatakan dengan
persamaan
( ) iii XXYE 10 += (5.1)
dengan 0 dan 1 adalah parameter regresi yang tidak diketahui nilainya.
Persamaan (5.1) tersebut menyatakan bahwa nilai rata-rata bagi Y i untuk nilai Xi
tertentu terletak dalam satu garis lurus.
86
7/30/2019 5. ANALISIS REGRESI
4/17
Karena parameter 0 dan 1 dalam persamaan (5.1) tidak kita ketahui
besarnya, maka persamaan regresinyapun tidak kita ketahui dan harus kita dugadengan menggunakan data sampel. Dengan demikian untuk menduga persamaan
regresi tersebut, kita cukup menduga parameter 0 dan 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 0 dan 1,
maka nilai dugaan bagi Yi dinotasikan dengan iy adalah
ii xbby 10 += (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
selisih antara nilai pengamatan Yi dengan nilai dugaan iy , yaitu
iiii xbbYyYe 101 == (5.3)
Suatu pendugaan yang sempurna terjadi jika 1yYi = yaitu yang mempunyai nilai
sisaan sama dengan nol. Dengan demikian jumlah kuadrat sisaan (JKS) adalah
( ) ==22
iii yYeJKS
( )
+++=
=22
1110
2
010
2
2
10
222 iiiii
ii
xbxbbnbyxbyby
xbby
Jika dugaan terhadap parameter 0 dan 1 tersebut mendekati benar, maka JKS
harus mempunyai nilai minimum, atau turunan pertama dari JKS terhadap b0 dan
juga terhadap b1 adalah sama dengan nol.
=++=
0222 100
ii xbnbyb
JKS
= ii xbynb 10
xbyb 10 = (5.4)
atau
n
xb
n
yb
ii = 10 (5.5)
87
7/30/2019 5. ANALISIS REGRESI
5/17
Dengan menurunkan JKS terhadap b1 dan menyamakan turunan tersebut dengan
nol
=++=
02222
10
1
iiii xbxbyxb
JKS(5.6)
Dengan menyulihkan persamaan (5.5) ke persamaan (5.6), maka
=+
+ 0222 2
11 ii
ii
ii xbxn
xb
n
yyx
( ) =++ 02222
2
1
2
1 i
iii
ii xbn
xb
n
xyyx
( )
= ii
iii
i yxn
xy
n
xbxb
2
1
2
1
( ) = iiiiii yxnxyxbxnb2
1
2
1
( )
=
221
ii
iiii
xxn
yxyxnb (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
7/30/2019 5. ANALISIS REGRESI
6/17
22 9,5
24 11,8
26 10,428 13,3
30 14,8
32 13,2
34 14,7
36 16,4
38 16,5
40 18,9
42 18,5
Penyelesaian
0
24
68
10
1214
1618
20
0 10 20 30 40 50
x(rpm)
y(percent)
Gambar 5.2. Diagram pencar dan persamaan regresi dari data pada tabel 5.1
Dari data tersebut diperoleh :
n = 12 =372
ix = 4,166
iy =121042
ix
87,13=y 31=x = 14,24352
iy = 60,5419iixy
( )
=
221
ii
iiii
xxn
yxyxnb
( )4566,0
6864
4,3134
)372()12104(12
)4,166)(372(60,54191221
==
=b
b0 = 13,87 (0,4566 x 31) = - 0,2846
89
7/30/2019 5. ANALISIS REGRESI
7/17
Jadi persamaan regresi sampelnya adalah
ii
xy 4566,02846,0 +=
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
ii xy 4566,02846,0 +=
dengan x adalah kecepatan aduk cat (rpm), dan y adalah nilai dugaan bagi
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 b1 = 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
7/30/2019 5. ANALISIS REGRESI
8/17
simpangan baku sisaan (residual standart deviastion), se yang dinyatakan dengan
persamaan
( )
22
2
10
=
=
n
xbby
n
JKSs i
ii
e
(5.8)
atau
2
10
2
=
n
yxbyby
s i iii
i
ii
e
(5.9)
dengan n adalah jumlah pengamatan, sedangkan bilangan 2 (dalam n-2) adalah
jumlah parameter yang diduga dalam persamaan regresi (yaitu 0 dan 1).
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 :
( )( ) ( )( )10
90808,7
212
60,54194566,04,1662846,014,2435
=
=es
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
7/30/2019 5. ANALISIS REGRESI
9/17
Gambar 5.3. Ukuran keragaman dalam regresi
Jumlah kuadrat regresi dapat diinterpretasikan sebagai ukuran keragaman
yang berdasarkan pada perbedaan antara nilai dugaan ( )iY dengan nilai rata-rata (
Y ). Sedangkan jumlah kuadrat sisaan adalah bagian keragaman yang tidakterjelaskan oleh persamaan regresi dan dihitung berdasarkan pada perbedaan
antara nilai setiap pengamatan (Yi) dengan nilai dugaannya iY . Hubungan
antara jumlah-jumlah kuadrat tersebut dapat dinyatakan sebagai berikut
Jumlah kuadrat total = jumlah kuadrat regresi + jumlah kuadrat sisaan
Atau
JKT = JKR + JKS (5.10)
( ) 2 = i i yyJKT
( ) = 22 1 ii yn
y (5.11)
( ) =2
yyJKR i
( ) += 210 1 iiii yn
yxbyb (5.12)
dan
92
Y
X
Jumlah kuadrat regresi
Jumlah kuadratsisaan ixbby 11 0 +=
1x
1y
Jumlah kuadrat total
Y
7/30/2019 5. ANALISIS REGRESI
10/17
( ) =2
ii
yyJKS
= iiii yxbyby 102
(5.13)
Untuk contoh 5.1 tersebut, kita peroleh bahwa JKT = 127,727 dan JKR = 119,818
serta JKS = 7,768.
Ukuran keragaman yang lain adalah koefisien determinasi, R2. Koefisien
determinasi merupakan bagian keragaman dari variabel Y yang dijelaskan oleh
persamaan regresinya. Nilai R2 dihitung dengan persamaan
JKT
JKRR
=
2
(5.14)
Untuk contoh 5.1 kita peroleh bahwa
9380,0727,127
818,1192==R
Nilai R2 tersebut menunjukkan bahwa persamaan garis regresi linier
ii xy 4566,02846,0 += menjelaskan 93,80 % dari keragaman kemurnian cat.
Sedangkan sekitar 6,20% dari keragaman tersebut tidak terjelaskan oleh
persamaan regresinya.
5.4. Pengujian hipotesis bagi koefisien regresi
Pengujian hipotesis terhadap parameter regresi 0 dan 1 dapat
dilakukan dengan menggunakan statistik uji t, dan nilai statistik t dinyatakan
dengan
bs
bt
= (5.15)
Statistik t tersebut dapat digunakan sebagai suatu statistik uji dalam pengujian
hipotesis tentang koefisien regresi.
Dengan( )
=2
1
xx
ss
i
e
b (5.16)
dan( )
+=2
2
0
1
xx
x
nss
i
eb (5.17)
93
7/30/2019 5. ANALISIS REGRESI
11/17
1. Hipotesis tentang tidak adanya hubungan linier antara variabel X dengan
variabel Y dinyatakan dalam bentuk hipotesis nol sebagai berikut
0: 10 =H (5.18)
2. Hipotesis alternatif bagi hipotesis nol tersebut adalah bahwa ada hubungan
linier antar kedua variabel tersebut, artinya 01 dan hal ini dirumuskan
sebagai berikut
0: 11 H (5.19)
Jika hipotesis nol benar, artinya 01 = , maka nilai statistik uji t dalam persamaan
(5.15) berubah menjadi
1
1
bs
bt = (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 tertentu, kriteria pengujiannya adalah
terima H0 jika knkn ttt ,2
11,2
11
tolak H0 jika kntt ,2
11 atau kntt ,2
11
Untuk contoh 5.1
( )01235,0
72
8892,0
21 ==bs
971,3601235,0
4566,0==t
Jika ditentukan = 5% atau 0,05 dan dari tabel distribusi t didapatkan
knt
,2
11 = 23,210;975,0 =t . Karena kntt > ,2
11 maka H0 ditolak, artinya ada
hubungan linier antara variabel X dan variabel Y dengan taraf nyata 5%.
94
7/30/2019 5. ANALISIS REGRESI
12/17
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 2cXbXaY ++=
- Parabola kubik 32 dXcXbXaY +++=
- Eksponen XabY =
- Geometrik baXY =
- Logistik cabY X +=
1
- HiperbolabXa
Y+
=1
- 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.
( )0
2
=
=
k
YY
k
JKS i (5.21)
dengan k adalah koefisien-koefisien yang akan ditentukan.
5.6. Regresi Linier Ganda
95
7/30/2019 5. ANALISIS REGRESI
13/17
Banyak data pengamatan yang terjadi sebagai akibat lebih dari dua
variabel. Misal hasil suatu proses kimia (Y) tergantung pada temperatur (X1)
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, Xkakan ditaksir oleh
kkXaXaXaaY .......
22110+++= (5.22)
dengan kaaaa .......,, 210 merupakan koefisien-koefisien yang harus
ditentukan berdasarkan data hasil pengamatan.
Koefisien-koefidien kaaaa .......,, 210 ditentukan dengan menggunakan
metoda kuadrat terkecil seperti halnya menentukan koefisien-koefisien a dan b
untuk regresi linier bXaY += . Karena persamaan (5.22) berisikan (k + 1) buah
koefisien, maka kaaaa .......,, 210 diperoleh dengan jalan menyelesaikan sistem
persamaan yang terdiri atas (k + 1) buah persamaan.
Untuk regresi linier ganda dengan dua variabel bebas:
22110 XaXaaY ++= (5.23)
Untuk menentukan besarnya 210 , danaaa maka kita harus menyelesaikan tiga
persamaan dengan tiga bilangan anu yang belum diketahui tersebut. Misal
persamaan tersebut adalah
++= iii XXanaY 2110
++= iiiiii XXaXaXaXY 2122
11101 (5.24)
++=2
22211202 iiiiii XaXXaXaXY
Sistem persamaan dalam (5.24) dapat disederhanakan, apabila diambil
111XXx = , 222 XXx = dan YYy = .
Maka persamaan (5.23) akan menjadi
96
7/30/2019 5. ANALISIS REGRESI
14/17
2211 xaxay += (5.25)
Koefisien-koefisien 21;aa dalam persamaan (5.25) dapat dihitung dari
+= iiiii xxaxaxy 2122
111
+=2
222112 iiiii xaxxaxy (5.26)
Dengan menggunakan x1, x2 dan y yang baru ini, kecuali dengan persamaan
(5.26), koefisien-koefisien 0a , 21;aa dapat juga dihitung dengan persamaan
22110
XaXaYa =
( )( ) ( )( )
( )( ) ( ) 2212
2
2
1
2211
2
2
1
=
iiii
iiiiiii
xxxx
yxxxyxxa (5.27)
( )( ) ( )( )
( )( ) ( ) 2212
2
2
1
1212
2
1
2
=
iiii
iiiiiii
xxxx
yxxxyxxa
Jika harga-harga 0a , 21;aa 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)
TanggalSuhu udara
(oC)Kelembaban udara
(%)
(X) (Y)
1 30 68
2 29.7 72
3 30.2 71
97
7/30/2019 5. ANALISIS REGRESI
15/17
4 30 68
5 30 68
6 29.7 777 29.6 73
8 29.6 68
9 28 77
10 28.8 77
11 30 71
12 30.4 73
13 30.4 72
14 30.2 69
15 30.2 71
16 30.2 68
17 29.8 57
18 30.4 7219 29.6 74
20 29.8 74
21 27.8 84
22 28 72
23 26.8 85
24 28 80
25 26.7 80
26 28.6 73
27 25.6 91
28 28.5 73
29 24.8 93
30 24 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 71 53 82 67 56 70 64 78 55 70 53 84
Y 355 314 322 334 247 371 308 342 300 349 295 368
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
7/30/2019 5. ANALISIS REGRESI
16/17
Strenghth Percent hardwood Strenghth Percent hardwood
160 10 181 20
171 15 188 25
175 15 193 25
182 20 195 28
184 20 200 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 olehpersamaan PVa = b, dengan a dan b adalah bilangan-bilangan konstan.
Percobaan dilakukan sembilan kali yang memberikan hasil sebagai berikut :
V (cm3) 3,5 4,0 4,6 5,7 7,6 12,4 14,0 16,9 19,0
P
(kg/cm2)
19,6 15,8 12,0 9,1 6,1 3,2 1,9 0,9 0,2
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 Konsentrasi Temperatur
86 1,50 165
85 1,50 165
87 1,50 16586 1,50 165
85 1,50 165
85 1,50 165
DAFTAR PUSTAKA
Bevington, Philip R. 1992.Data Reduction And Error Analysis for the Physical
Sciences. New York : Mc Graw Hill.
99
7/30/2019 5. ANALISIS REGRESI
17/17
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