Professional Documents
Culture Documents
Panduan Praktis
I. PENGANTAR
Penggunaan komputer dewasa ini semakin meluas dalam segala bidang pekerjaan. Begitu
pun untuk keperluan analisis data, dewasa ini tersedia banyak pilihan program-program
statistik (statistical software) yang dapat digunakan untuk mempermudah dan mempercepat
analisis data dengan hasil yang akurat. Program-program statistik yang sekarang beredar
antara lain : SAS (Statistical Analysis System), SPSS (Statistical Packages for Social Sciences),
Minitab, Statistica, dsb, yang mana masing-masing program memiliki keunggulan dan
kekurangan tersendiri dibanding program lainnya.
Dalam tulisan ini, penulis hanya akan memperkenalkan salah satu program statistik saja
yakni Minitab for Windows yang merupakan salah satu software statistik yang cukup
terkenal dan mudah dalam pengoperasiannya. Dalam perkembangannya, program ini
dirilis mulai dari sistem operasi DOS hingga saat ini pada versinya yang terakhir (Minitab for
Windows Release 13) telah berbasis sistem operasi Windows.
Untuk kemudahan
pengoperasiannya, penulis menyarankan sebaiknya digunakan Minitab yang sudah
menggunakan sistem operasi Windows, yakni mulai Minitab Release 10 ke atas.
Secara khusus, tulisan ini dimaksudkan untuk memperkenalkan secara umum kepada
mahasiswa tentang prosedur analisis regresi linier sederhana dan berganda dengan bantuan
program Minitab. Pembahasan lebih ditekankan kepada prosedur operasional software
Minitab melalui suatu contoh kasus serta dilengkapi pula dengan interpretasi dari hasil
analisis data. Untuk itu, pemahaman dasar cara-cara pengoperasian komputer dan dasardasar teori tentang analisis regresi (yang sebelumnya pernah dipelajari dalam M.a. Metode
Statistika atau Analisis Statistika) sangat diperlukan untuk kelancaran analisis data.
1).
V = b0 + b1 D
2).
3).
V = b0 .D b1
V = b0 + b1 D + b2T
4).
V = b0 D b1 T b2
Untuk penyusunan model-model regresi tersebut, digunakan data seperti tertera pada
Tabel 1.
Tabel 1. Data dimensi pohon (diameter, tinggi, dan volume) untuk
penyusunan model regresi
No. Pohon
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Diameter (D)
27
25
28
36
33
40
45
49
50
40
53
52
56
50
52
Tinggi (T)
14
19
22
14
21
29
31
28
23
22
30
29
29
29
29
Volume (V)
0,337
0,278
0,418
0,482
0,603
1,002
1,273
1,399
1,345
0,753
1,889
1,442
1,983
1,275
1,596
Marilah kita coba analisis data tersebut dengan program Minitab. Dalam tulisan ini, penulis
menggunakan program Minitab for Windows Release 13.3. Namun demikian, apabila versi
tersebut tidak Anda miliki, masih dapat digunakan versi sebelumnya asalkan yang sudah
menggunakan sistem operasi Windows (misalnya: Minitab Release 10, 11 atau 12).
Input data secara tidak langsung, yakni pemasukan data tidak dilakukan langsung
dengan mengetikkannya pada lembar kerja Minitab melainkan dengan mengimport
data yang dibuat dengan program pengolah angka seperti : MS Excel, Lotus, dll.
Bukalah program Minitab dengan cara : klik tombol Start yang ada di taskbar,
kemudian pilih dan klik menu Program, Minitab 13 for Windows, Minitab. Sesaat
kemudian, akan terlihat jendela kosong yang terdiri dari : Session window dan Worksheet
window, seperti terlihat pada Gambar 1.
2).
Arahkan dan klik kursor pada Worksheet Window untuk memulai pemasukan data.
Perhatikanlah bahwa dalam Minitab data dimasukkan menurut baris atau kolom.
3).
Berilah nama pada tiap kolom (C1, C2, C3, dst) sesuai nama peubah yang dikehendaki
(misalnya : D, T, V, yang masing-masing menyatakan diameter, tinggi, dan volume),
dengan cara mengklik sel kosong dibawah C1, C2, C3, dst. Perhatikan bahwa nama
tiap kolom tidak boleh lebih dari 8 karakter.
4).
5).
Dengan cara yang sama seperti pada langkah ke-4 di atas, masukkan pula data pada
peubah lainnya (yakni : T, dan V) hingga semua data lengkap.
6).
Perhatikanlah model regresi yang akan dibuat, apakah ada peubah yang nilainya perlu
ditransformasi (misal : transformasi ke logaritma, bentuk kuadrat, dsb). Untuk model
contoh di atas, kita perlu melakukan transformasi nilai D ke bentuk kuadratnya (D2)
untuk model V = b0 + b1.D 2 , dan transformasi ke bentuk logaritma (log D dan log T)
untuk model V = b0 .D
b1
dan V = b0 D 1 T 2 .
b
Cobalah bandingkan hasil pekerjaan Anda dengan Gambar 1. Apabila hasilnya sama,
berarti Anda telah benar memasukkan data tersebut.
Simpanlah data tersebut dalam komputer Anda, dengan cara klik menu File, Save
Current Worksheet As, pilih lokasi penyimpanannya dan berilah nama file-nya.
Misalnya data Anda disimpan pada folder dan nama file berikut: C:\My
Documents\Data-regresi.mtw. Perhatikan bahwa pada program Minitab disediakan
dua submenu untuk penyimpanan data, yaitu 1) Save Project atau Save Project As
dan 2) Save Current Worksheet atau Save Current Worksheet As... Perbedaan
keduanya adalah bahwa pada Save Current Worksheet atau Save Current Worksheet
As... , yang akan disimpan hanyalah data pada lembar kerja (worksheet) saja. Sedangkan
pada Save Project atau Save Project As, yang akan disimpan adalah keseluruhan
baik data pada worksheet maupun output pada Session window. Untuk membedakan file
keduanya, lihatlah extension file-nya, jika extension-nya mtw (*.mtw) berarti file data saja
(Minitab Worksheet) sedangkan jika extension-nya mpj (*.mpj) berarti file data dan output
(Minitab Project)
Bukalah program MS Excel dan ketikkan data secara lengkap pada suatu lembar keja
(worksheet).
2).
Perhatikan bahwa judul kolom hendaknya dibuat sesingkat mungkin (misal cukup
diberi nama : D untuk data diameter, T untuk tinggi, dan V untuk volume). Nama
kolom yang lebih dari 8 karakter, tidak akan dapat terbaca semuanya oleh program
Minitab.
3).
Perhatikan pula bahwa judul kolom cukup dibuat pada baris pertama dilanjutkan
pengetikkan datanya pada baris-baris berikutnya, karena Minitab hanya dapat
membaca satu baris nama peubah saja.
4).
Simpanlah data tersebut dalam format MS Excel versi 5.0 atau versi sebelumnya, karena
untuk Minitab versi 11.0 ke bawah belum bisa membaca format MS Excel versi terbaru
(misal MS Excel 2000 atau 2002).
5).
7).
Klik menu File, Open Worksheet, pilihlah pada File of type format data Excel (*.xls),
dan carilah nama file data yang anda simpan tadi. Kemudian tekan tombol Open, dan
sesaat kemudian data akan ditampilkan dalam jendela Worksheet Minitab seperti
terlihat pada Gambar 1 di atas.
8).
Apabila Anda ingin cara yang lebih mudah dan praktis dari cara di atas, maka dapat
dilakukan langkah-langkah berikut ini :
8.1). Pada lembar kerja MS Excel seperti pada Gambar 2., sorotlah (blok) data yang
Anda telah anda ketik berikut nama-nama kolomnya
8.2). Klik icon Copy atau pilih dari menu Edit, Copy.
8.3). Beralihlah ke jendela Worksheet Minitab yang telah dibuka sebelumnya.
8.4). Arahkan kursor dan klik tepat pada sel dibawah kolom C1 (dan di atas baris ke1).
8.5). Klik pada icon Paste atau pilih dari menu Edit, Paste Cells
8.6). Tunggu sesaat, maka data akan ditampilkan seperti pada Gambar 1.
3.2.
Setelah proses pemasukan data Anda kerjakan, sekarang Anda tinggal mengolah data
tersebut dengan menggunakan alat-alat statisik yang cocok yang disediakan Minitab. Dalam
hal ini, untuk keperluan penyusunan suatu model regresi cukup Anda pahami submenu
Regression yang ada dalam menu Stat. Perlu Anda ketahui bahwa untuk alat-alat uji dalam
analisis statistik pada program Minitab disediakan pada menu utama Stat, sedangkan menumenu lainnya berfungsi sebagai pendukung analisis statistik (lihat Gambar 3).
Materi Tambahan untuk Modul Praktikum
M.k. Ilmu Ukur Hutan, Fakultas Kehutanan IPB
Untuk contoh kasus di atas, kita akan membuat lima model regresi linier dan model regresi
transformasi ke bentuk linier. Untuk lebih jelasnya, penyusunan masing-masing model
tersebut akan diuraikan sebagai berikut:
3.2.1.
Penyusunan model V = b0 + b1 D
Model tersebut merupakan model regresi linier sederhana karena hanya melibatkan satu
peubah bebas. Adapun prosedur penyusunan model regresi tersebut dengan program
Minitab adalah sebagai berikut :
1).
Bukalah file data yang sebelumnya Anda simpan, yakni pada direktori :
Documents\Data-regresi.mtw.
C:\My
2).
Setelah data tampil seperti terlihat pada Gambar 1., klik menu Stat, Regression,
Regression , dan isilah kotak dialog sebagai berikut :
2.1). Isilah kotak Response dengan nama peubah atau nama kolom yang akan
dijadikan sebagai peubah tak bebas (peubah respon). Untuk contoh kasus kita,
isilah dengan peubah volume, yakni V dengan cara mengklik dan tekan tombol
Select (atau cukup klik ganda pada peubah V tersebut pada daftar peubah yang
tampil pada kotak disebelahnya) atau ketikkan langsung pada kotak Response.
Selain mengetikkan V, Anda bisa juga menuliskan nomor kolomnya saja, yakni
C3.
2.2). Tempatkan kursor pada kotak Predictors dan isilah dengan nama peubah tak
bebasnya, yakni D atau ketikkan nomor kolomnya (C1).
2.3). Klik tombol OK untuk menginstruksikan kepada komputer agar memproses data
regresi tersebut. Perhatikan bahwa masih ada empat sebmenu lagi, yakni :
Graphs, Results, Options, dan Storage yang mendukung untuk analisis
regresi lanjutan. Namun untuk sementara (bagi pemula), biarkan saja tidak perlu
diklik karena prosedur di atas (langkah 2.1 dan 2.2) sudah memadai.
Sebenarnya, keempat submenu tersebut berguna untuk analisis regresi lebih
lanjut terutama yang menyangkut analisis sisaan.
2.4). Jika Anda melakukan tahapan 2.1. 2.3. di atas dengan benar, akan tampak
seperti Gambar 4.
Simpanlah output program tersebut agar bisa dipanggil lagi lain waktu atau bisa Anda
lampirkan output tersebut dalam lampiran laporan Anda. Untuk itu, klik menu File,
dan pilihlah salah satu menu penyimpanan berikut ini :
Save Project, jika Anda ingin menyimpan seluruh yang tampil di layar, baik pada
Session window maupun Worksheet window. File yag disimpan akan diberi extension
mpj (*.mpj) dan hanya bisa dibuka kembali dengan program Minitab.
Save Project As, mirip dengan pilihan Save Project tetapi bila ingin disimpan
dengan nama file yang berbeda.
Save Session Window As, khusus jika Anda hanya ingin menyimpan output
program pada Session window saja. Format file yang disimpan bisa Anda pilih,
apakah Text File (*.TXT), Rich Text Format (*.RTF), atau List File (*.LIS). Ketiga
format file tersebut bisa Anda buka dengan program pengolah kata, seperti MS
Word, namun untuk kemudahannya disarankan menggunakan format RTF (*.RTF)
yang lebih kompatibel dengan program MS Word.
Untuk data latihan kita, simpanlah dalam format RTF (*.RTF) misalnya disimpan pada
folder : C:\My Documents\Hasil-analisis.RTF.
Catatan :
Apabila Anda ingin cara yang lebih praktis untuk menggabungkan hasil analisis yang
tampil di Session window ke dalam lampiran yang Anda buat di program pengolah kata
seperti MS Word untuk diedit lebih lanjut, maka lakukanlah cara-cara berikut :
Blok hasil analisis yang ingin dicopy. Untuk memblok semua yang tampil di Session
windows, klik menu Edit, Select All.
Klik icon Copy atau pilih dari menu Edit, Copy.
Bukalah dokumen baru pada program MS Word, dan klik icon Paste atau pilih dari
menu Edit, Paste.
Tunggu sesaat, maka akan ditampilkan copy dari Session windows Minitab tadi yang
siap Anda edit lebih lanjut (kalau perlu).
3.2.2.
Penyusunan model V = b0 .D
b1
Model ini bukan merupakan model regresi linier sederhana melainkan model non-linier
karena peubah bebasnya berpangkat lebih dari satu. Namun, apabila kita transformasi ke
bentuk logaritma, maka akan diperoleh suatu model linier sebagai berikut :
Model non-linier : V = b0 .D b1
Transformasi logaritma : log V = log b0 + b1 log D
Apabila :
Dimana, bentuk terakhir ini, Y = a + bX , merupakan regresi linier sederhana yang dapat
diselesaikan seperti pada Sub-bab 2.1.
Adapun prosedur penyusunan model regresi tersebut dengan program Minitab mirip seperti
uraian pada Sub-bab 2.1. namun data diameter (D) dan volume (V) perlu ditransformasi
terlebih dahulu ke dalam bentuk logaritma. Secara singkat, tahapannya dapat diuraikan
sebagai berikut :
1).
Bukalah file data yang sebelumnya Anda simpan, yakni : C:\My Documents\Dataregresi.mtw.
2).
Setelah data tampil seperti terlihat pada Gambar 1., lakukan transformasi peubah D dan
V sebagai berikut :
Berilah nama kolom pada C4 dengan log-D, dan kolom C5 dengan log-V.
Klik menu Calc, Calculator, maka akan ditampilkan kotak dialog Calculator
seperti terlihat pada Gambar 6.
Isilah kotak Store result in variable: log-D , atau C4, dengan cara mengklik
ganda pada daftar peubah kotak sampingnya atau langsung diketikan pada
kotak tersebut.
V = b0 .D b1
3).
Perhatikan kolom log-D dan log-V, karena data inilah yang akan dibuat model
regresinya (bukan data D dan V lagi).
4).
Klik menu Stat, Regression, Regression , dan isilah kotak dialog sebagai berikut
(lihat Gambar 7) :
4.1). Isilah kotak Response : log-V atau ketikkan C5.
4.2). Isilah kotak Predictors : log-D atau ketikkan C4.
4.3). Klik tombol OK.
b1
4.4). Setelah menekan tombol OK, sesaat kemudian akan ditampilkan output program
dalam Session Window seperti terlihat pada Gambar 8.
b1
Simpanlah output program tersebut agar bisa dipanggil lagi di lain waktu atau Anda
dapat melampirkannya dalam laporan.
3.2.3.
Model ketiga ini merupakan model regresi linier berganda yang terdiri atas dua peubah
bebas (yakni D dan T) dan satu peubah tak bebas (V). Apabila Anda telah dapat memahami
penyusunan model pertama dan kedua sebelumnya, maka Anda tidak akan kesulitan untuk
menyusun model ketiga ini. Dengan prosedur analisis regresi yang hampir sama seperti
model-model sebelumnya, Anda dapat menyusun model tersebut dengan prosedur sebagai
berikut:
Materi Tambahan untuk Modul Praktikum
M.k. Ilmu Ukur Hutan, Fakultas Kehutanan IPB
10
1).
Bukalah file data yang sebelumnya Anda simpan, yakni : C:\My Documents\Dataregresi.mtw.
2).
Setelah data tampil seperti terlihat pada Gambar 1., klik menu Stat, Regression,
Regression , dan isilah kotak dialog sebagai berikut :
2.1). Isilah kotak Response dengan peubah volume, yakni V dengan cara mengklik
dan tekan tombol Select (atau cukup klik dua kali pada peubah V tersebut), atau
ketikkan secara langsung V atau C3 pada kotak tersebut.
2.2). Tempatkan kursor pada kotak Predictors dan isilah dengan nama peubah tak
bebasnya, yakni D atau ketikkan nomor kolomnya (C1) dan kemudian T (atau
ketikkan C2). Ingat, dalam hal ini kita memiliki dua peubah bebas, yakni D dan
T.
2.3). Lihatlah Gambar 9. untuk memastikan bahwa Anda melakukan langkah 2.1.dan
2.2. di atas dengan benar.
11
Simpanlah output program tersebut agar bisa dipanggil lagi di lain waktu atau Anda
dapat melampirkannya dalam laporan.
3.2.4.
Penyusunan model V = b0 .D b1 .T b2
Seperti halnya pada model kedua di atas, model ini pun merupakan model regresi nonlinier. Namun, dengan cara transformasi seperti pada model kedua, model tersebut dapat
ditransformasikan kedalam model linier sebagai berikut :
Model non-linier : V = b0 .D 1 .T
b
b2
Bukalah file data yang sebelumnya Anda simpan, yakni : C:\My Documents\Dataregresi.mtw.
2).
Setelah data tampil seperti terlihat pada Gambar 1., lakukan transformasi peubah D, T
dan V sebagai berikut :
Berilah nama kolom pada C4 dengan log-D, kolom C5 dengan log-T, dan kolom
C6 dengan log-V.
12
Klik menu Calc, Calculator, maka akan ditampilkan kotak dialog Calculator
seperti terlihat pada Gambar 11.
Isilah kotak Store result in variable: log-D, atau C4, dengan cara mengklik
ganda pada daftar peubah kotak sampingnya atau langsung Anda ketikkan
pada kotak tersebut.
Isilah kotak Expression: LOGT(D), untuk melakukan transformasi peubah D
kedalam nilai logaritmanya. Fungsi tersebut bisa Anda pilih dari kotak
Functions pada pilihan Log 10. Dalam hal ini, LOGT merupakan fungsi
transformasi untuk logaritma basis 10.
Klik OK dan lihat hasilnya.
Lakukan hal yang sama (seperti tahapan ke-2 sampai ke-4 tersebut) untuk
transformasi peubah T ke bentuk log-T dan peubah V ke bentuk log-V.
Apabila Anda melakukan tahapan di atas dengan benar, maka hasilnya akan
terlihat seperti pada Gambar 11.
Sekarang Anda telah memiliki data transformasi pada kolom log-D (C4), log-T (C5),
dan log-V (C6). Data inilah yang untuk selanjutnya akan Anda gunakan untuk
penyusunan modelnya, jadi bukanlah data pada kolom D, T dan V lagi.
4).
13
b2
4.4). Tunggulah beberapa saat, maka akan ditampilkan output program dalam Session
Window seperti terlihat pada Gambar 13.
Simpanlah output program tersebut agar bisa dipanggil lagi di lain waktu atau Anda
dapat melampirkannya dalam laporan.
14
alangkah baiknya apabila Anda ingat atau baca kembali teori-teori statistika, khususnya
yang berkenaan dengan analisis regresi.
Secara umum, output Minitab untuk analisis regresi menyajikan tampilan hasil analisis yang
hampir sama walaupun model regresinya berbeda. Oleh karena itu, dalam tulisan ini tidak
akan dibahas secara terperinci untuk setiap model dalam contoh kasus sebelumnya,
melainkan hal-hal umum yang berlaku untuk semua hasil analisis regresi dari Minitab.
n
o
p
q
Gambar 14. Contoh output program Minitab untuk regresi linier sederhana
Seperti terlihat pada Gambar 14 di atas, secara umum output program Minitab terdiri atas
empat bagian utama, yakni : 1) persamaan garis regresi, 2) statistik bagi koefisien regresi, 3)
statistik bagi model regresi, dan 4) tabel analisis ragam (ANOVA) bagi model regresi.
Secara rinci, keempat bagian output Minitab tersebut dapat dijelaskan sebagai berikut :
Tampilan tersebut menyatakan bahwa persamaan regresi untuk data contoh di atas
adalah : V = 1,13 + 0, 0518 D , yang dalam hal ini b0 = -1,13 dan b1 = 0,0518. Dengan
demikian, berdasarkan model tersebut kita akan dapat menentukan nilai dugaan bagi
Materi Tambahan untuk Modul Praktikum
M.k. Ilmu Ukur Hutan, Fakultas Kehutanan IPB
15
x
y
x
.
i i
i yi n
i =1 i =1 ; dan = b = Y b . X
= i =1
0
0
1
2
n
n
2
xi xi n
i =1
i =1
n
1 = b1 =
JHK xy
JK x
Beberapa hal yang dapat dijelaskan tentang tampilan tersebut adalah sebagai berikut :
Coef (singkatan dari coefficient), kolom ini mencantumkan koefisien nilai dari b0
(constant) dan b1 (dalam hal ini D). Dari nilai ini dapat diketahui bahwa koefisien
b0 = -1,1262 dan b1 = 0,051837. Apabila diperhatikan, nilai-nilai tersebut sama
(walaupun ada sedikit perbedaan dalam pembulatannya) seperti yang tercantum
dalam persamaan regresinya ( V = 1,13 + 0, 0518 D ).
16
sb0 =
()
2
x
1
+
.KTS dan s = s
=
b1
n JK x
JK X
n
2
i
xi
i=1
i =1
n
dimana : JK X =
KTS
JK X
17
Dalam analisis regresi, nilai-nilai tersebut dapat digunakan sebagai kriteria dalam
pemilihan model regresi terbaik. Secara rinci, ketiga nilai tersebut dapat dijelaskan
lebih lanjut sebagai berikut :
S (standard deviation), menunjukkan simpangan baku dari sisaan model yang
merupakan akar kuadrat dari Mean Square Error (kuadrat tengah sisa). Model
regresi yang baik adalah model regresi yang memiliki simpangan baku sisaan (S)
yang kecil.
R-Sq (R-square, R2), menunjukkan nilai koefisien determinasi yakni suatu nilai
yang menerangkan besarnya keragaman dalam peubah tak bebas (Y) yang dapat
dijelaskan oleh peubah bebasnya (X), yang umumnya dinyatakan dalam persen
(%). Secara manual, R2 tersebut dapat pula dihitung dengan rumus :
R2 =
JHK XY
JKR
.100% = b1.
.100%
JKT
JK Y
( JKS) ( n - p )
R(2adj ) = 1
x100% ,
( JKT ) ( n -1)
Seperti umumnya tampilan dari suatu tabel ANOVA, pada output Minitab pun
menyajikan nilai-nilai statistik yang umum dijumpai pada suatu tabel ANOVA yaitu :
Source, yakni mencantumkan sumber keragaman dalam model regresi. Untuk
regresi linier sederhana, sumber keragaman tersebut berasal dari regresi
(regression), sisaan (residual error), dan total.
DF, yakni mencantumkan derajat bebas (degree of freedom) untuk masingmasing sumber keragaman.
SS, yakni mencantumkan nilai-nilai jumlah kuadrat (sum square) untuk masingmasing sumber keragaman, yaitu : SSR (sum square regression) untuk JKR, SSE
(sum square error) untuk JKS, dan SST (sum square total) untuk JKT.
18
MS, yakni mencantumkan nilai-nilai kuadrat tengah (mean square) dari regresi
(biasa disebut sebagai MSR, mean square regression) dan kuadrat tengah dari
sisaan (disebut sebagai MSE, mean square error).
F, yakni mencantumkan nilai F-hitung dari Uji Fisher untuk menguji
keberartian model regresi (overall fit test). Nilai F tersebut dapat dihitung
dengan rumus :
Fhitung =
MSR
KTR
=
MSE
KTS
19
Sebagai contoh, perhatikanlah Gambar 15 berikut ini yang menyajikan output dari
b
b
model : V = b0 .D 1 .T 2 yang apabila ditransformasikan ke dalam bentuk linier akan
menjadi:
n
o
p
q
r
Gambar 15. Contoh output program Minitab untuk regresi linier berganda
Secara umum, seperti terlihat pada Gambar 15, output program Minitab untuk regresi linier
berganda tidak jauh berbeda dengan regresi linier sederhana, yakni terdiri atas: 1)
persamaan garis regresi, 2) statistik bagi koefisien regresi, 3) statistik bagi model regresi, 4)
tabel analisis ragam (ANOVA), dan 5) jumlah kuadrat sekuensial (sequential sum of squares).
Oleh karena itu, pembahasan selanjutnya akan lebih ditekankan pada hal-hal yang belum
dibahas pada pembahasan sebelumnya. Untuk lebih jelasnya, perhatikanlah uraian di
bawah ini.
20
Jadi : log b0 = 3,92 atau b0 = 0,00012, b1 = 1,92, dan b2 = 0,568. Sehingga diperoleh
model akhir : V = 0, 00012.D1,92 .T 0,568 . Model inilah yang dapat Anda gunakan untuk
menduga volume pohon pada diameter dan tinggi pohon tertentu.
Constant, yakni dalam hal ini adalah log b0 = -3,9232 dengan simpangan baku
0,1472 dan nilai T= -26,65, pada taraf nyata 5% koefisien regresi ini tidak sama
dengan nol sehingga berpengaruh nyata terhadap peubah responnya.
Tentunya, apabila kita membuat model regresi linier berganda dengan peubah bebas
lebih dari dua, maka Minitab akan menyajikan pula statistik bagi koefisien regresi
lainnya.
21
Tabel ANOVA ini dapat digunakan untuk menguji hipotesis sebagai berikut :
H0 : i = 0 , i = 1, 2, 3, ., k ; (artinya: semua peubah bebas tidak berpengaruh
nyata terhadap respon)
H1 : ada i 0 , i = 1, 2, 3, ., k ; (artinya: sekurang-kurangnya ada satu peubah
bebas yang berpengaruh nyata terhadap
respon)
Jumlah kuadrat sekuensial (sequential sum of squares, Seq SS) tersebut menunjukkan
tambahan jumlah kuadrat apabila suatu peubah dimasukkan ke dalam model setelah
peubah lain ada dalam model tersebut, misal : peubah X2 setelah X1 ada dalam model.
Dengan demikian, dari jumlah kuadrat sekuensial tersebut kita dapat pengaruh
penambahan peubah baru dalam model regresi, apakah peubah baru tersebut
berpengaruh nyata atau tidak. Namun demikian, jumlah kuadrat sekuensial ini
tidaklah sama dengan uji T karena uji-T hanya menguji apakah masing-masing
koefisien regresi sama dengan nol atau tidak.
Materi Tambahan untuk Modul Praktikum
M.k. Ilmu Ukur Hutan, Fakultas Kehutanan IPB
22
Dari tampilan jumlah kuadrat sekuensial di atas, kita dapat melakukan interpretasi
sebagai berikut :
Baris pertama : log-D, DF = 1, Seq SS = 1,05823, menyatakan tambahan jumlah
kuadrat dari peubah X1 (dalam hal ini D) setelah b0 ada dalam model, adalah
sebesar 1,05823 atau biasa dituliskan dalam notasi yang lebih ringkas sebagai :
JK (b1|b0)=1,05823. Dengan kata lain, nilai ini menunjukkan pengurangan
(reduksi) dalam jumlah kuadrat sisaan (JKS) akibat pengepasan (fitting)
koefisien b1 (yakni akibat digunakannya X1 sebagai peubah bebas) dengan
asumsi bahwa b0 telah ada dalam model. Dengan demikian, sesungguhnya
nilai jumlah kuadrat sekuensial pada baris ini adalah sama dengan nilai jumlah
kuadrat regresi linier sederhana (JKR) yang hanya melibatkan peubah X1 saja
(Cobalah bandingkan nilai ini dengan JKR pada model V = b0 .D b1 , lihat Gambar 8,
sama bukan ?).
Baris kedua : log-T, DF = 1, Seq SS = 0,02612, menyatakan tambahan jumlah
kuadrat dari peubah X2 (dalam hal ini T) setelah b0 dan b1 ada dalam model,
adalah sebesar 0,02612 atau dapat dituliskan dalam bentuk notasi sebagai : JK
(b2|b0, b1)=0,02612.
Apabila model regresi linier berganda yang kita buat menggunakan lebih dari
dua peubah bebas (katakan : X3, X4, ., Xk), maka pada bari-baris berikutnya
akan ditampilkan pula nilai-nilai dari jumlah kuadrat sekuensial untuk
masing-masing penambahan peubah baru secara berturut-turut, misalkan : JK
(b3|b0, b1, b2), dsb.
Perlu diingat bahwa, dalam hal ini Minitab menganalisis penambahan jumlah
kuadrat dari peubah bebas baru tersebut sesuai urutan kehadiran peubah
bebas dalam model yang kita spesifikasikan. Untuk kasus seperti di atas,
model yang digunakan adalah Y = b0 + b1 X 1 + b2 X 2 . Sehingga, apabila Anda
ingin menganalisis pengaruh penambahan peubah X1 setelah peubah X2 ada
dalam model, maka Anda harus mengulangi lagi prosedur analisis regresi
(lihat pembahasan sebelumnya) dengan memasukkan peubah X2 terlebih
dahulu dan diikuti dengan peubah X1 sehingga spesifikasi modelnya menjadi :
Y = b0 + b2 X 2 + b1 X 1 .
Berdasarkan jumlah kuadrat sekuensial tersebut, kita dapat menganalisis bagaimana
pengaruh penambahan peubah baru ke dalam model. Misalkan untuk contoh di atas,
kita ingin tahu bagaimanakah pengaruh penambahan peubah X2 (log-T) setelah
peubah X1 (log-D) ada dalam model ( log V = log b0 + b1 log D + b2 log T Y = b0 + b1 X 1 + b2 X 2 ).
Untuk itu, lakukan uji F bagi penambahan peubah baru (X2 atau log-T) tersebut,
dinotasikan sebagai Fhit ( b2 |b0 ,b1 ) , sebagai berikut:
( JK
( JK
JK(b1|b0
( b1 , b2|b0
KTS( b1 ,b2|b0 )
( b2|b0 , b1 )
KTS( b1 ,b2|b0 )
Seq SS(log-T ) DF
(untuk notasi dari output Minitab)
MSE
(0,02612)/(1)
=
0,00155
= 16,85 ** ; karena nilai tabel : F0,05(1,12) = 4,75 , F0,01(1,12) = 9,33
=
23
Terlihat bahwa pengaruh penambahan peubah X2 (yakni log-T) tersebut, pada taraf
nyata 5%, bersifat sangat nyata.
Dengan prosedur seperti di atas, Anda dapat
melakukannya untuk menganalisis setiap ada penambahan peubah bebas lain ke
dalam model.
Catatan Penutup
Sesungguhnya masih banyak hal yang dapat dibahas tentang analisis
regresi ini, baik menyangkut analisis sisaan maupun prosedur
pemilihan regresi terbaik. Namun tulisan ini hanya dimaksudkan
sebagai pengantar untuk pemahaman berikutnya, dan Insya Allah
hal-hal yang menyangkut analisis lebih lanjut tentang analisis regresi
tersebut dapat pemulis sajikan pada tulisan berikutnya.
Akhir kata, dengan menyadari bahwa hanyalah ciptaan-Nya yang
maha sempurna, penulis berharap semoga tulisan ini bermanfaat bagi
yang memerlukannya.
Tatang Tiryana
(tangtir@ipb.ac.id)
24