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


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


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)


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)


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


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


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.

acara 6 fix

Documents