BAB I

PENDAHULUAN
1.1. Latar Belakang
Dalam permasalahan pengelolaan dan menejemen seringkali dijumpai kegiatan
peramalan, pendugaan, perkiraan, dan lainnya. Salah satu metode yang dapat
digunakan untuk menyelesaikan masalah tersebut adalah dengan menggunakan
metode statistik. Metode statistika yang digunakan sangat bergantung pada struktur
data atau banyaknya variabel yang akan diamati. Salah satu metode yang dipakai
untuk banyaknya variabel lebih dari satu adalah analisis
regresi.
Analisis regresi adalah suatu metodologi statistika untuk memprediksi nilai dari satu
atau lebih variabel respon (variabel dependen) dari koleksi nilai variabel prediktor
(variabel independen). Analisis ini juga dapat digunakan untuk memprediksi atau
meramal pengaruh dari variabel prediktor (variabel independen) pada respon. Dalam
analisis regresi pun dipelajari bagaimana variabel-variabel tersebut berhubungan dan
dinyatakan dalam sebuah persamaan matematik.
Sayangnya, istilah regresi, diambil dari judul peper pertama dari F. Galton yang tidak
menunjukkan atau menggambarkan pentingnya atau luasnya cakupan aplikasi dari
metodologi ini. Dalam analisis regresi, ada dua jenis variabel yaitu variabel bebas
atau variabel prediktor (dinotasikan dengan X) dan variabel tak bebas atau variabel
respon (dinotasikan dengan Y). Untuk melihat hubungan antara variabel respon
dan sejumlah variabel prediktor secara simultan dapat digunakan analisis regresi
linier dengan variabel respon diukur sekurang- kurangnya dalam skala interval dam
mempunyai distribusi normal.
Pada analisis regresi linier terbagi menjadi dua, yaitu analisis regresi linier sederhana
dan analisis regresi linier berganda. Yang membedakan keduanya adalah hanya
terletak pada variabel bebas atau variabel prediktornya, untuk analisis regresi
linier sederhana variabel bebasnya hanya satu sedangkan untuk analisis regresi linier
berganda banyaknya variabel bebas adalah lebih dari satu.

REGRESI-MULTIVARIAT 1
 Tetapi bagaimana dengan banyaknya variabel tak bebas atau variabel respon
yang lebih dari satu. Oleh karena itulah, kami mencoba untuk mempelajari
lebih jauh tentang model regresi linier multivariat.
Pada makalah ini, kami akan mencoba mendiskusikan model regresi linier
berganda untuk memprediksi respon tunggal. Model ini kemudian diperumum
untuk membahas prediksi dari beberapa variabel dependen (variabel respon).
Perlakuan penyingkatan kita menyoroti atau membahas asumsi-asumsi regresi
dan konsekuensinya, formula alternatif dari model regresi, dan aplikasi umum
dari teknik regresi pada kasus yang tampaknya berbeda.

2.2. Rumusan Masalah

Berdasarkan pemaparan diatas maka permasalahan yang akan dibahas dalam
makalah ini adalah bagaimana penjelasan secara terperinci mengenai model
regresi multivariat.
2.3. Tujuan Penulisan
Berdasarkan rumusan masalah di atas, maka tujuan penulisan makalah ini
adalah untuk mengetahui dan mempelajari lebih rinci mengenai model
regresi multivariat, yang akan dibahas bersama contoh kasus.

REGRESI-MULTIVARIAT 1
 BAB II
TINJAUAN PUSTAKA

2.1. Analisis Regresi Multivariat

Analisis regresi multivariat adalah analisis statistika yang dikenakan pada

data yang terdiri dari banyak variabel dam antar variabel saling berkorelasi.
Data multivariat tidak hanya terdiri dari satu variabel saja, melainkan dapat
terdiri atas lebih dari satu variabel. Misal data dari dari n pengamatan pada p
variabel sehingga dapat disusun matriks dengan n baris dan p kolom.

Model regresi multivariat adalah model regresi dengan lebih dari satu
variabel respon yang saling berkorelasi dan satu lebih variabel prediktor
(Mattjik & Sumertajaya;2011). Terdapat 2 tipe dasar variabel x pada regresi
multivariat yaitu x yang tetap dan x yang random/acak.

2.2. Model Regresi Multivariat

Misalkan terdapat variabel respon berjumlah q yaitu Y1, Y2,...,Yq dan p variabel
prediktor yaitu X1, X2,..,Xp, maka model linier multivariat respon ke-q adalah:
Y1 = β0 + β02X1 + ... + βp1Xp +ε1
Y2 = β02 + β12X1 + ... + βp2Xp + ε2
.
.
.
Yq = β0q + β1qX1 +...+ βpqXp + εq
Model regresi multivariat yang terdiri dari q model linier secara simultan dapat
ditunjukkan bentuk matriks pada persamaan sebagai berikut:
Y(nxq) =Xnx(p+1) β(p+1)xq + ε(nxq) dengan asumsi,
E(ε(ij)) = 0 untuk i = 1,2,...,n.
Var(εi) = 0 untuk i= 1,2,...n. dan
Cov(ε(i)ε(i)) = σiiI, untuk i ≠ j

2.3. Langkah-Langkah dalam analisis regresi multivariat

Teknik analisa data yang digunakan dalam analisis data multivariat meliputi:
a. Mendeskripsikan variabel respon dan variabel prediktor.
b. Menguji korelasi antar variabel respon
c. Mengestimasi parameter

REGRESI-MULTIVARIAT 2
 d. Pengujian signifikansi parameter:
 Uji simultan (Uji F)
 Uji Parsial (Uji T)
e. Pengujian asumsi regresi linier multivariat:
 Uji kenormalan
 Uji matriks varian dan kovarian
f. Pemilihan model terbaik dengan kriteria MSE dan AIC.

2.4. Koefisien Korelasi

Koefisien korelasi (rxy) merupakan suatu ukuran (indikator) hubungan
linier antara 2 variabel, misalnya variabel X dan variabel Y.

Korelasi berkisar antara nilai -1 sampai 1 (-1 ≤ rxy ≤ 1). Artinya semakin
medekati 1, berarti hubungan antara dua variabel tersebut semakin erat
secara linier dan juga sebaliknya.

REGRESI-MULTIVARIAT 3
 BAB III
HASIL DAN PEMBAHASAN
Kasus:
Dalam suatu penelitian yang bertujuan untuk mengetahui faktor-faktor yang
berpengaruh terhadap kualitas kertas di perusahaan faktor-faktor yang berpengaruh
terhadap kualitas kertas di perusahaan PT.ITCI HUTANI MANUNGGAL pada
tahun 2013-2014.
Variabel Penelitian:
Variabel respon (terikat) dalam penelitian ini adalah:
Y1 : Basis Weight (Berat dasar) (gr/m2)
Y2 : Caliper (Ketebalan) (µm)
Variabel prediktor (bebas) dalam penelitian ini adalah:
X1 : Flow Bottom (Aliran Bawah) (It/min)
X2 : Flow Middle (Aliran Tengah) (It/min)
X3 : Flow Top (Aliran Atas) (It/min)
X4 : Speed (Kecepatan) (m/min)
3.1. Hasil analisis statistika deskriptif
Tabel 1. Statistika Deskriptif pada data karekteristik produk kertas di
Perusahaan PT. Itci Hutani Manunggal (IHM) pada tahun 2013-
2014.

Berdasarkan tabel 1 dilihat bahwa pada Basis Weight (Y1) data berjumlah 24,
memiliki nilai minimum sebesar 81,3, nilai maksimum sebesar 416,2 dan rata-rata
sebesar 216,63. Untuk Caliper (Y2) data berjumlah 24, memiliki nilai minimum

REGRESI-MULTIVARIAT 4
 67,6, nilai maksimum 393,0 dan nilai minimum 393,0, dan nilai rata-rata sebesar
214,79. Untuk Flow Bottom (X1) data berjumlah 24, memiliki nilai minimum 82,9,
nilai maksimum 442,2, dan nilai rata-rata sebesar 233,33. Begitu pula selanjutnya
untuk nilai dari variabel-variabel lain yang tekah dipaparkan pada tabel 1.

3.2. Penaksiran parameter

3.2.1 Uji simultan (Uji F)
Tabel 2. Uji Simultan

Berdasarkan tabel 2, dapat dilihat variabel Y1 dan Y2 memiliki nilai masing-masing

Pvalue sebesar 0,019 dan 0,0046 < α = 0,05 maka diputuskan untuk menolak H0
sehingga dapat disimpulkan bahwa secara simultan minimal ada satu variabel bebas
(flow bottom, flow middle, flow top, speed) yang berpengaruh terhadap basis weight
dan caliper.

3.2.2 Uji parsial (uji T)

Tabel 3. Uji parsial

Pada Tabel 3 diperoleh nilai p-value = 0,096, 0,291, dan 0,0,957 untuk
masing- masing variabel X1, X2, dan X3 > α = 0,05 maka diputuskan untuk
menerima H0 sehingga dapat disimpulkan bahwa tidak ada pengaruh flow
bottom, flow middle, dan flow top terhadap basis weight dan caliper. Sedangkan
untuk variabel X4 p-value = 0,020 < α = 0,05 maka diputuskan untuk menolak
H0 sehingga dapat disimpulkan bahwa speed berpengaruh terhadap basis weight

REGRESI-MULTIVARIAT 5
 dan caliper. Karena masih ada variabel yang tidak berpengaruh maka dilakukan
pungujian ulang dengan mengeluarkan variabel yang tidak berpengaruh.

3.3. Asumsi regresi multivariat

Tabel 4. Uji Kenormalan

Pada Tabel 4 dapat dilihat nilai untuk masing-masing variabel Y 1 dan Y2

p-value = 0,115 dan 0,714 > α = 0,05 maka diputuskan untuk menerima H0
sehingga dapat disimpulkan bahwa residual data yang digunakan berdistribusi
normal dan dapat dilanjutkan ke uji asumsi selanjutnya.

3.4. Uji Kesamaan Variansi

Tabel 5. Uji kesamaan variansi

Pada tabel 5, dapat dilihat nilai untuk masing-masing variabel Y1 dan Y2 Pvalue
= 0,645 dan 0,635 > α = 0,05 maka diputuskan untuk menerima H0 sehingga
dapat disimpulkan bahwa variansi data hasil produksi kayu caliper pada speed
adalah sama.

3.5. Uji kesamaan Kovariansi

Tabel 6. Uji kesamaan kovariansi

REGRESI-MULTIVARIAT 6
 Pada tabel 6, dapat dilihat nilai untuk masing-masing variabel Y1 dan Y2 Pvalue
= 0,645 dan 0,635 > α = 0,05 maka diputuskan untuk menerima H0 sehingga
dapat disimpulkan bahwa kovariansi variabel dependen pada setiap grup
adalah sama.

3.6. Pemilihan model terbaik

3.6.1 Dengan kriteria MSE
Prosedur pemilihan modek terbaik dengan kriteria MSE adalah dengan
menregresikan seluruh variabel respon. Oleh karena itu, dapat dikatakan
bahwa model regrei linier multivariat terbaik adalah sebagai beikut:

Tabel 7. Menentukan Nilai MSE

Dari Tabel 10 dapat kita lihat model terbaik regresi linier multivariat
terbaik dengan kriteria MSE adalah sebagai berikut:

REGRESI-MULTIVARIAT 7
 Interpretasi Model:

1. Untuk setiap penambahan satu l/min flow bottom maka akan menambahkan
basis weight sebesar 0,152 (lt/min). Kemudian setiap penambahan satu
m/min speed maka menambahkan basis weight sebesar 0,691 (m/min).

2. Untuk setiap penambahan satu l/min flow bottom maka akan menambahkan
caliper sebesar 0,365 (lt/min). Setiap penambahan satu l/min flow middle
maka akan menambahkan caliper sebesar 0,278 (lt/min).

3. Dengan Kriteria AIC

Pemilihan model terbaik dengan menggunakan AIC adalah dengan
meregresikan seluruh variabel prediktor (X) terhadap variabel respon (Y).
Untuk memperoleh nilai AIC terlebih dahulu harus mengetahui nilai dari
rata-rata kuadrat error. Nilai rata-rata kuadrat error:

Tabel 8. Menetukan Nilai AIC

REGRESI-MULTIVARIAT 8
 dari tabel 8, dapat kita lihat model regresi linier multivariat terbaik dengan
kriteria AIC adalah sebagai berikut:

Interpretasi Model:

1. Untuk setiap penambahan satu l/min flow bottom maka akan menambahkan basis
weight sebesar 0,152 (lt/min). Kemudian setiap penambahan satu m/min speed
maka menambahkan basis weight sebesar 0,691 (m/min).

2. Untuk setiap penambahan satu l/min flow bottom maka akan menambahkan caliper
sebesar 0,365 (lt/min). Setiap penambahan satu l/min flow middle maka akan
menambahkan caliper sebesar 0,278 (lt/min).

REGRESI-MULTIVARIAT 9
 BAB IV
KESIMPULAN

4.1. Kesimpulan
Berdasarkan analisis yang telah dilakukan sebelumnya diperoleh
kesimpulan sebagai berikut :
1. Dalam pengujian antar variabel respon bersifat dependent dan
memiliki hubungan yang cukup kuat karena mempunyai nilai korelasi
sebesar 0,425.
2. Dari hasil pemilihan model MSE dan AIC Diperoleh faktor-faktor yang
berpengaruh terhadap kualitas kertas basis weight flow bottom dan
speed sedangkan yang berpengaruh terhadap caliper adalah flow
bottom dan flow middle.
Model regresi linear multivariat terbaik yang diperoleh untuk
variabel respon basic weight (Y1) dan Caliper (Y2) adalah:

REGRESI-MULTIVARIAT 10
 DAFTAR PUSTAKA

Lestari, E., et al. 2016. Pemilihan Model Regresi Linier Multivariat

terbaik dengan Kriteria Mean Square Error dan Akaike’s
Information Criterion. Makalah dalam Seminar Sains dan
Teknologi FMIPA Unmul. ISBN, Samarinda, periode Maret 2016.

Riskiyanti, R. Analisis Regresi Multivariat Berdasarkan Faktor-faktor yang

mempengaruhi derajat kesehatan di Provinsi Jawa Timur.
Digilib.its.ac.id. [7 Januari 2018].

Mattjik, A.N. & Sumertajaya, I.M. 2011. Sidik Peubah Ganda dengan
Menggunakan SAS. Bogor: Departemen Statistika FMIPA-IPB.

REGRESI-MULTIVARIAT 11
REGRESI-MULTIVARIAT 12
REGRESI-MULTIVARIAT 13
REGRESI-MULTIVARIAT 14