TUGAS ANALISIS REGRESI PERSAMAAN REGRESI GARIS LURUS HALAMAN 70 ANALISIS REGRESI
TUGAS ANALISIS
REGRESI
PERSAMAAN GARIS LURUS HALAMAN 70
ANALISIS REGRESI
OLEH
MARIA ALVES WARA
( NIM : 20160302204)
PROGRAM
STUDI ILMU GIZI
FAKULTAS
ILMU KESEHATAN
UNIVERSITAS
ESA UNGGUL
JAKARTA
2017
1.
Lakukan uji
kualitas garis lurus dan hipotesa slope dan intersep (gunakan rumus – rumus
yang sudah diberikan dan kerjakan di laboratorium komputer):
KASUS
|
IMT
|
GPP
|
KASUS
|
IMT
|
GPP
|
1
|
18,6
|
150
|
15
|
24,5
|
130
|
2
|
28,1
|
150
|
16
|
23,7
|
180
|
3
|
25,1
|
120
|
17
|
21,9
|
140
|
4
|
21,6
|
150
|
18
|
18,6
|
135
|
5
|
28,4
|
190
|
19
|
27
|
140
|
6
|
20,8
|
110
|
20
|
18,9
|
100
|
7
|
23,2
|
150
|
21
|
16,7
|
100
|
8
|
15,9
|
130
|
22
|
18,5
|
170
|
9
|
16,4
|
130
|
23
|
19,4
|
150
|
10
|
18,2
|
120
|
24
|
24
|
160
|
11
|
17,9
|
130
|
25
|
26,8
|
200
|
12
|
21,8
|
140
|
26
|
28,7
|
190
|
13
|
16,1
|
100
|
27
|
21
|
120
|
14
|
21,5
|
150
|
|||
15
|
24,5
|
130
|
a.
Asumsi : bahwa
model persamaan garis lurus beserta asumsinya berlaku,
b.
Hipotesa : Ho :
β1 = 0
H1 : β1 ≠ 0
c.
Uji statistik :
d.
Distribusi
statistik : bila asumsi terpenuhi dan Ho diterima maka uji t digunakan dengan
derajat kebebasan n – 2 ;
e.
Pengambilan
keputusan : Ho ditolak bila nilai t-hitung lebih besar dari t-tabel;
α=0,05 = 2,05954
f.
Perhitungan
statistik :
Coefficientsa
|
||||||
Model
|
Unstandardized Coefficients
|
Standardized Coefficients
|
t
|
Sig.
|
||
B
|
Std. Error
|
Beta
|
||||
1
|
(Constant)
|
48.737
|
23.494
|
2.074
|
.048
|
|
IMT
|
4.319
|
1.070
|
.628
|
4.035
|
.000
|
|
a. Dependent Variable: GPP
|
dari
komputer out put diperoleh besaran nilai β1 = 4,319 dan Sβ1
= 1,070
Jadi
t = 4,319 / 1,070 = 4,035
g.
Keputusan
statistik :
Nilai
t-hitung = 4,035 > t-tabel;
α=0,05 = 2,05954 kita menolak hipotesa nol
h.
Kesimpulan
: slop garis regresi tidak sama dengan 0 maka garis regresi antara IMT dengan
GPP adalah linear.
2.
Data Berat badan
dan kadar glukosa darah orang dewasa sebagai berikut :
SUBJEK
|
BERAT BADAN
|
GLUKOSA
|
SUBJEK
|
BERAT BADAN
|
GLUKOSA
|
1
|
64
|
108
|
9
|
82,1
|
101
|
2
|
75,3
|
109
|
10
|
78,9
|
85
|
3
|
73
|
104
|
11
|
76,7
|
99
|
4
|
82,1
|
102
|
12
|
82,1
|
100
|
5
|
76,2
|
105
|
13
|
83,9
|
108
|
6
|
95,7
|
121
|
14
|
73
|
104
|
7
|
59,4
|
79
|
15
|
64,4
|
102
|
8
|
93,4
|
107
|
16
|
77,6
|
87
|
a.
Asumsi : bahwa
model persamaan garis lurus beserta asumsinya berlaku,
b.
Hipotesa : Ho :
β1 = 0
H1 : β1 ≠ 0
c.
Uji statistik :
d.
Distribusi
statistik : bila asumsi terpenuhi dan Ho diterima maka uji t digunakan dengan
derajat kebebasan n – 2 ;
e.
Pengambilan
keputusan : Ho ditolak bila nilai t-hitung lebih besar dari t-tabel;
α=0,05 = 2,14479
f.
Perhitungan
statistik :
Coefficientsa
|
||||||
Model
|
Unstandardized Coefficients
|
Standardized Coefficients
|
t
|
Sig.
|
||
B
|
Std. Error
|
Beta
|
||||
1
|
(Constant)
|
29.867
|
22.240
|
1.343
|
.201
|
|
Glukosa
|
.465
|
.218
|
.495
|
2.129
|
.051
|
|
a. Dependent
Variable: BB
|
dari
komputer out put diperoleh besaran nilai β1 = 0,465 dan Sβ1
= 0,218
Jadi
t = 0,465 / 0,218 = 2,129
g.
Keputusan statistik :
Nilai
t-hitung = 2,129 < t-tabel;
α=0,05 = 2,14479 kita menerima hipotesa nol
h.
Kesimpulan : slop garis regresi sama
dengan 0 maka garis regresi antara berat badan dengan glukosa adalah tidak linear.
Latihan
3
1. Jelaskan
asumsi-asumsi tentang analisa regresi sederhana bila kita ingin membuat
inferensi tentang populasi dari data yang kita punyai.
Jawab :
Dalam analisa regresi beberapa asumsi harus terpenuhi untuk
mendapatkan model garis lurus yang sebenarnya seperti dibawah ini:
a. Eksistensi untuk setiap nilai dari
variabel X, dan Y adalah random variabel yang mempunyai nilai rata-rata dan
varians tertentu. Notasi
untuk populasi.
b. Nilai-nilai Y adalah independen
satu sama lain, artinya suatu nilai Y tidak dipengaruhi oleh nilai Y lain.
c. Linearity berarti nilai rata-rata
Y,
adalah
fungsi garis lurus X, dengan demikian
= β0
+ β1x. Persamaan garis lurus itu dapat ditulis Y =
β0 + β1X+E, Dimana E adalah Eror yang merupakan random
variabel dengan nilai rata-rata 0 untuk setiap nilai X (yaitu
untuk
setiap nilai X). Dengan demikian nilai Y adalah jumlah dari β0+ β1X dan E(random
Variabel), dan karena nilai E = 0.
d. Homoscedasticity artinya varians Y
adalah sama untuk setiap nilai X (homo artinya sama ; scedastic artinya
“menyebar” = scattered).
e. Distribusi normal artinya untuk
setiap nilai X, nilai Y berdistribusi normal.
2.
Mengapa persamaan regresi disebut “the least
square equation”?
Jawab :
The least square equation merupakan tehnik dalam menentukan garis
lurus yang terbaik. Tehnik ini menggunakan “penentuan garis dengan error yang
minimalkan” berdasarkan titik observasi dalam diagram sebar. Karena semakin
kecil penyimpangan satu observasi terhadap garis lurus (semakin kecil kuadrat
simpangan) semakin dekat garis lurus yang terbaik yang diperoleh dari data yang
dimiliki.
3.
Jelaskan tentang
pada persamaan regresi.
Jawab : β0 adalah nilai Y bila nilai X=0
4. Jelaskan
tentang
pada persamaan regresi.
Jawab :
β1 adalah setiap kenaikan 1 unit X maka nilai Y akan
bertambah (meningkat) sebesar β1. Sebaliknya,bila β1 negatif
(-β1) maka kenaikan 1 unit X maka nilai Y akan
menurun sebesar β1.
Komentar
Posting Komentar