Escolar Documentos
Profissional Documentos
Cultura Documentos
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.
REGRESI-MULTIVARIAT 1
BAB II
TINJAUAN PUSTAKA
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.
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.
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.
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.
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.
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.
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).
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
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