Download - acara 6 fix
LAPORAN PRAKTIKUM PENGOLAHAN DATA PERIKANANACARA VIREGRESI LINIER
Oleh:Bimo Pambudi A11/318086/PN/12404
JURUSAN PERIKANANFAKULTAS PERTANIANUNIVERSITAS GADJAH MADA YOGYAKARTA2013
I. TINJUAN PUSTAKAAnalisis regresi dalam statistika adalah salah satu metode untuk menentukan hubungan sebab-akibat antara satu variabel dengan variabel(-variabel) yang lain. Variabel "penyebab" disebut dengan bermacam-macam istilah: variabel penjelas, variabel eksplanatorik, variabel independen, atau secara bebas, variabel X (karena seringkali digambarkan dalam grafik sebagai absis, atau sumbu X)(Owen,2007).Kedua variabel biasanya bersifat kausal atau mempunyai hubungan sebab akibat yaitu saling berpengaruh. Sehingga dengan demikian, regresi merupakan bentuk fungsi tertentu antara variabel tak bebas Y dengan variabel bebas X atau dapat dinyatakan bahwa regresi adalah sebagai suatu fungsi Y = f(X).Metode regresi adalah salah satu metode statistik yang mempelajari pola hubungan (secara sistematik) antara dua variabel atau lebih memodelkan variabel respon Y dengan variabel X.Analisis regresi untuk membangun persamaan dan menggunakan persamaan tersebut untuk membuat perkiraan (prediction).. Ada 2 jenis persamaan regresi, yaitu (William and Judith, 1978) :a. Persamaan regresi linier sederhanaRegresi linier sederhana yaitu suatu prosedur untuk mendapatkan hubungan matematis dalam bentuk persamaan antar variabel bebas tunggal dengan variabel tidak bebas tunggal. Regresi linier sederhana hanya memiliki satu pengubah X yang dihubungkan dengan satu pengubah tidak bebas Y. Persamaan umumnya adalah:Y = a + b X.b. Persamaan regresi linier bergandaUntuk memberikan gambaran tentang suatu permasalahan atau persoalan, biasanya sangat sulit ditentukan, sehingga diperlukan suatu model yang dapat diprediksi dan meramalkan respon yang penting terhadap persoalan tersebut, yaitu regresi linier ganda. Analisis regresi linear berganda sebenarnya sama dengan analisis regresi linear sederhana, hanya variabel bebasnya lebih dari satu buah. Persamaan umumnya adalah:Y = a + b1 X1 + b2 X2 + .... + bn Xn.Dengan Y adalah variabel bebas, dan X adalah variabel-variabel bebas, a adalah konstanta (intersept) dan b adalah koefisien regresi pada masing-masing variabel bebas. metode analisis regresi linear berganda memerlukan asumsi klasik yang secara statistik harus dipenuhi. Asumsi klasik tersebut meliputi asumsi normalitas, multikolinearitas, autokorelasi, heteroskedastisitas dan asumsi linearitas. Beberapa asumsi yang digunakan dalam regresi (Algifari, 1997) :a. Nilai distrubance term sebesar 0 atau dengan simbol sebagai berikut : (E (U/X) = 0b. Varian untuk masing-masing error term (kesalahan) konstan.c. Tidak terjadi otokorelasid. Jika variabel bebas lebih dari satu, maka antara variabel bebas tidak ada hubungan linear yang nyata.
II. INTERPRETASI DATAA. Regresi Linier SederhanaDescriptive Statistics
MeanStd. DeviationN
Gaji819.5060.46330
Pendidikan1.47.50730
Dari tabel di atas dapat diketahui jumlah data ada 30. Rata-rata gaji yang didapat adalah 819,50 dengan standar deviasi 60,463 kemudian pada data pendidikan rata-rata ialah 1,47 dan standar deviasi 0,507.
Correlations
GajiPendidikan
Pearson CorrelationGaji1.000.244
Pendidikan.2441.000
Sig. (1-tailed)Gaji..097
Pendidikan.097.
NGaji3030
Pendidikan3030
Hipotesis pada data diatas adalah:Ho : Tidak ada hubungan antara pendidikan dengan gajiH1: Ada hubungan antara pendidikan dengan gajiPengambilan keputusan berdasarkan pada :Jika Sig. (p) > 0,05 : Ho diterimaJika Sig. (p) < 0,05 : Ho ditolakBerdasarkan tabel diatas diketahui jumlah data yang dipakai untuk kedua variabel yaitu gaji dan pendidikan masing-masing adalah 30 data. Nilai pearson correlation sebesar 0,244 (korelasi yang sangat lemah). Nilai Sig (1-tailed) yang didapat yaitu 0,097 maka Sig. > 0,05 yang berarti Ho diterima. Maka kesimpulannya tidak ada hubungan antara pendidikan dengan gaji.
Model Summary
ModelRR SquareAdjusted R SquareStd. Error of the Estimate
dimension01.244a.059.02659.675
a. Predictors: (Constant), Pendidikan
Tabel diatas menunjukkan seberapa besar pengaruh pendidikan(variabel X) terhadap variabel gaji(variabel Y). Nilai R menunjukkan hubungan korelasi yang ada,didapat nilai 0,244 Sehingga dapat diartikan bahwa korelasi sangat lemah. Selain itu nilai R square (R) yang didapat adalah 0.059.ANOVAb
ModelSum of SquaresdfMean SquareFSig.
1Regression6306.56216306.5621.771.194a
Residual99710.938283561.105
Total106017.50029
a. Predictors: (Constant), Pendidikan
b. Dependent Variable: Gaji/bulan
Tabel diatas digunakan untuk mengetahui apakah model regresi yang digunakan signifikan atau tidak. Hipotesis yang digunakan adalah:Ho : regresi tidak dapat digunakan untuk memprediksi gajiH1: regresi dapat digunakan untuk memprediksi gaji Berdasarkan tabel diatas dapat dilihat bahwa nilai Sig. yang didapat yaitu 0,194 maka Sig. > 0,05 yang berarti Ho diterima. Sehingga dapat ditarik kesimpulan bahwa persamaan regresi tersebut tidak dapat digunakan untuk memprediksi gaji.
Coefficientsa
ModelUnstandardized CoefficientsStandardized CoefficientstSig.
BStd. ErrorBeta
1(Constant)776.87533.83322.962.000
Pendidikan29.06221.839.2441.331.194
a. Dependent Variable: Gaji/bulan
Dari table diatas diperoleh persamaan Y= 776,875 + 29,062x. Hipotesis yang digunakan adalah:Ho : Koefisien regresi tidak signifikan sehingga persamaan regresi tidak diterimaH1: Koefisien regresi signifikan sehingga persamaan regresi diterimaBerdasarkan tabel diatas dapat dilihat bahwa nilai Sig. yang didapat untuk constant adalah 0,000 sedangkan untuk pendidikan 0,194,karena kedua Sig. > 0,05 yang berarti Ho diterima. Sehingga kesimpulannya koefisien regresi tidak signifikan sehingga persamaan regresi tidak dapat diterima.Casewise Diagnosticsa
Case NumberNO RespondenStd. ResidualGaji/bulanPredicted ValueResidual
dimension011-1.356725805.94-80.938
22-.587800835.00-35.000
33-.854755805.94-50.938
441.089900835.0065.000
55-.518775805.94-30.937
66-.168825835.00-10.000
77-.099800805.94-5.937
881.157875805.9469.063
99.319825805.9419.063
1010-1.775700805.94-105.938
1111-1.424750835.00-85.000
1212-1.005775835.00-60.000
1313-1.508745835.00-90.000
1414-.587800835.00-35.000
1515.655845805.9439.063
16161.325885805.9479.063
17171.508925835.0090.000
18181.089900835.0065.000
1919-.686765805.94-40.938
20201.005895835.0060.000
2121.487835805.9429.063
22221.089900835.0065.000
2323-.099800805.94-5.937
2424.670875835.0040.000
2525-.351785805.94-20.937
2626-.518775805.94-30.937
2727-.168825835.00-10.000
2828-1.005775835.00-60.000
2929.822855805.9449.063
30301.492895805.9489.063
a. Dependent Variable: Gaji/bulan
Tabel diatas menunjukkan profil responden lengkap beserta gaji/bulan beserta predicted valuenya berdasar persamaan regresi yang sudah ditentukan.
Residuals Statisticsa
MinimumMaximumMeanStd. DeviationN
Predicted Value805.94835.00819.5014.74730
Residual-105.93890.000.00058.63730
Std. Predicted Value-.9201.051.0001.00030
Std. Residual-1.7751.508.000.98330
a. Dependent Variable: Gaji
Dari data dapat dilihat bahwa nilai predicted value min. 805,94 dan max. 835,00 dan mean 819,50. Sedangkan untuk residual min. -105,938 dan max. 90,000 dengan rerata 0.000, dan standar deviasi 58,637. Jumlah data adalah 15
Histogram diatas menunjukkan persebaran data yang cenderung mengikuti distribusi normal.
Grafik diatas menunjukkan persebaran data mengikuti distribusi normal karena titik titik masih berada di sekitar garis linier dan masih berada dalam satu jalur,tidak menyimpang terlalu jauh.B. Regresi Linier BergandaDescriptive Statistics
MeanStd. DeviationN
Jumlah Produksi Benih (ekor)17915.0011943.21625
Luas Kolam (m2)175.52246.15025
Jumlah Tebar Telur19840.0024639.89425
Jumlah Tebar Benih9140.005836.79125
Cacing Sutera (lt)9.5210.20325
Pakan Buatan (kg)17.9610.49825
Berdasarkan tabel di atas dapat diketahui jumlah data ialah 25 nilai rata-ratanya tertinggi 19840 dan terendah 9,52.Variabel dependen (Y) adalah produksi benih sementara variabel independen (X) adalah luaskolam, jumlah tebar telur, jumlah tebar benih,cacing sutra dan pakan buatan. Correlations
Jumlah Produksi Benih (ekor)Luas Kolam (m2)Jumlah Tebar Telur
Pearson CorrelationJumlah Produksi Benih (ekor)1.000.720.903
Luas Kolam (m2).7201.000.644
Jumlah Tebar Telur.903.6441.000
Jumlah Tebar Benih.216.508-.108
Cacing Sutera (lt).640.109.510
Pakan Buatan (kg).599.811.618
Sig. (1-tailed)Jumlah Produksi Benih (ekor)..000.000
Luas Kolam (m2).000..000
Jumlah Tebar Telur.000.000.
Jumlah Tebar Benih.150.005.303
Cacing Sutera (lt).000.302.005
Pakan Buatan (kg).001.000.000
NJumlah Produksi Benih (ekor)252525
Luas Kolam (m2)252525
Jumlah Tebar Telur252525
Jumlah Tebar Benih252525
Cacing Sutera (lt)252525
Pakan Buatan (kg)252525
Correlations
Jumlah Tebar BenihCacing Sutera (lt)Pakan Buatan (kg)
Pearson CorrelationJumlah Produksi Benih (ekor).216.640.599
Luas Kolam (m2).508.109.811
Jumlah Tebar Telur-.108.510.618
Jumlah Tebar Benih1.000-.216.248
Cacing Sutera (lt)-.2161.000.158
Pakan Buatan (kg).248.1581.000
Sig. (1-tailed)Jumlah Produksi Benih (ekor).150.000.001
Luas Kolam (m2).005.302.000
Jumlah Tebar Telur.303.005.000
Jumlah Tebar Benih..150.116
Cacing Sutera (lt).150..226
Pakan Buatan (kg).116.226.
NJumlah Produksi Benih (ekor)252525
Luas Kolam (m2)252525
Jumlah Tebar Telur252525
Jumlah Tebar Benih252525
Cacing Sutera (lt)252525
Pakan Buatan (kg)252525
Tabel di atas digunakan untuk melihat hubungan antara variabel produksi dengan variabel luas kolam,jumlah tebar benih, jumlah tebar telur,cacing sutera dan pakan buatan. Dari tabel diatas menunjukkan bahwa jumlah data yang digunakan adalah 25. Sedangkan untuk pengujian ada atau tidaknya korelasi antar variabel dapat dilihat dengan nilai sig (1-tailed) yang didapat. Hipotesis yang digunakan adalah :
Ho : Tidak ada korelasi antar dua variabel.H1 : Ada korelasi antar dua variabel.Berdasarkan tabel di atas dapat dilihat bahwa nilai Sig. untuk variabel luas kolam, jumlah tebar telur,cacing sutera dan pakan buatan < 0,05 yang berarti Ho ditolak. Sehingga dapat ditarik kesimpulan bahwa ada korelasi antara variabel luas kolam, jumlah tebar telur,cacing dan pakan buatan dengan variabel produksi. Sedangkan untuk nilai Sig. untuk jumlah benih adalah 0,15 maka Sig. (1-tailed) > 0,05 yang berarti Ho diterima sehingga tidak ada korelasi antara variabel jumlah benih dengan variabel produksi benihVariables Entered/Removedb
ModelVariables EnteredVariables RemovedMethod
dimension01Pakan Buatan (kg), Cacing Sutera (lt), Jumlah Tebar Benih, Jumlah Tebar Telur, Luas Kolam (m2)a.Enter
a. All requested variables entered.
b. Dependent Variable: Jumlah Produksi Benih (ekor)
Model Summaryb
ModelRR SquareAdjusted R SquareStd. Error of the Estimate
dimension01.996a.992.9891230.020
a. Predictors: (Constant), Pakan Buatan (kg), Cacing Sutera (lt), Jumlah Tebar Benih, Jumlah Tebar Telur, Luas Kolam (m2)
b. Dependent Variable: Jumlah Produksi Benih (ekor)
Nilai R yang didapat yaitu 0,996 dimana R menunjukkan hubungan korelasi yang ada. Sehingga dapat diartikan bahwa korelasi antara variabel-variabel tersebut sangat kuat. Selain itu nilai R square (R) yang didapat adalah 0.992.Nilai adjusted R square sebesar 0,989.ANOVAb
ModelSum of SquaresdfMean SquareFSig.
1Regression3.395E956.789E8448.743.000a
Residual2.875E7191512949.567
Total3.423E924
a. Predictors: (Constant), Pakan Buatan (kg), Cacing Sutera (lt), Jumlah Tebar Benih, Jumlah Tebar Telur, Luas Kolam (m2)
b. Dependent Variable: Jumlah Produksi Benih (ekor)
Tabel diatas digunakan untuk mengetahui apakah model regresi yang digunakan signifikan atau tidak. Hipotesis yang digunakan adalah:Ho : Model regresi tidak dapat digunakan untuk memprediksi produksi benihH1: Model regresi dapat digunakan untuk memprediksi produksi benihBerdasarkan tabel diatas dapat dilihat bahwa nilai Sig. yang didapat yaitu 0,000 maka Sig. < 0,05 yang berarti Ho ditolak. Sehingga dapat ditarik kesimpulan bahwa model regresi dapat digunakan untuk memprediksi produksi benih.
Coefficientsa
ModelUnstandardized CoefficientsStandardized CoefficientstSig.
BStd. ErrorBeta
1(Constant)916.858917.1071.000.330
Luas Kolam (m2)2.1412.748.044.779.445
Jumlah Tebar Telur.385.021.79518.555.000
Jumlah Tebar Benih.749.069.36610.839.000
Cacing Sutera (lt)373.89130.537.31912.244.000
Pakan Buatan (kg)-79.24843.218-.070-1.834.082
a. Dependent Variable: Jumlah Produksi Benih (ekor)
Hipotesis yang digunakan adalah:Ho : Koefisien regresi tidak signifikan sehingga persamaan regresi tidak bisa diterimaH1: Koefisien regresi signifikan sehingga persamaan regresi bisa diterima
Berdasarkan tabel diatas dapat dilihat bahwa nilai Sig. secara keseluruhan < 0,05 terkecuali pada luas kolam dan pakan buatan.Tabel diatas juga dapat menjelaskan hubungan setiap variable dengan produksi, apakah positif atau negative.Casewise Diagnosticsa
Case NumberNo RespondenStd. ResidualJumlah Produksi Benih (ekor)Predicted ValueResidual
dimension011.1343250032335.01164.985
22-.8261225013265.55-1015.545
33.1341975019584.73165.274
441.1491427512862.091412.905
55-.9421275013908.72-1158.718
66-.10897509882.62-132.622
77.907105009384.481115.521
882.9761875015089.943660.055
99-.389975010228.58-478.576
1010-.7272090021794.07-894.066
11111.2714725045686.931563.073
1212.5861725016528.66721.344
1313-.6151550016256.91-756.909
1414-.02165006526.38-26.383
1515.04165006449.2850.724
1616-.8151100012002.44-1002.439
1717-.2311425014533.66-283.662
1818-.9392345024604.50-1154.497
1919-.8802600027082.56-1082.557
2020.40962505746.33503.673
2121.40962505746.33503.673
2222-.4331175012282.87-532.867
2323-.58787509471.83-721.830
2424-.2584300043317.90-317.902
2525-.2464300043302.65-302.654
a. Dependent Variable: Jumlah Produksi Benih (ekor)
Residuals Statisticsa
MinimumMaximumMeanStd. DeviationN
Predicted Value5746.3345686.9317915.0011892.96725
Residual-1158.7183660.055.0001094.41825
Std. Predicted Value-1.0232.335.0001.00025
Std. Residual-.9422.976.000.89025
a. Dependent Variable: Jumlah Produksi Benih (ekor)
Tabel diatas menunjukkan selisih antara nilai yang diprediksi dengan nilai hasil observasi. Dapat dilihat bahwa nilai predicted value min. 5746,33 dan max. 45686,93 dengan.Untuk residual min. -1158,718 dan max. 3660.055 dengan rerata 0.00000. Jumlah data yang digunakan masing-masing ada 25 data (N). Sehingga berdasarkan hasil tersebut dapat disimpulkan bahwa dari pendidikan dapat diprediksi seberapa besar gaji yang diterima dengan memasukkan data ke dalam persamaan Y = a + bx.
Dari gambar grafik dan histogram diatas menunjukkan persebaran atau distribusi data yang digunakan normal, karena titik titik masih berada di sekitar garis linier dan masih berada dalam satu jalur (tidak acak).
DAFTAR PUSTAKAAlgifari. 1997. Analisis Statistik Untuk Bisnis dengan Regresi, Korelasi dan Non Parametrik. BPFE. Yogyakarta.Kurniawan, Albert. 2009. Belajar Mudah SPSS untuk Pemula. PT. Buku Kita. Jakarta.Lindley, D.V. 1987. Regression and Correlation Analysis. New Palgrave: A Dictionary of Economics, v. 4, pp.12023.Mason, R.D & Douglas A. Lind. 1996. Teknik Statistik Untuk Bisnis dan Ekonomi. Jilid II. Erlangga. Jakarta. Santoso, Singgih. 2008. Panduan Lengkap Menguasaai Statistik dengan SPSS 17 + CD. Elex Media Komputindo. Jakarta. William H. Kruskal and Judith M. Tanur, ed, 1978, "Linear Hypotheses," International Encyclopedia of Statistics. Free Press, v. 1.