Professional Documents
Culture Documents
Sebuah perusahaan, sebut saja PT. X, melakukan penelitian untuk melihat karakteristik
kualitas dalam diversifikasi produk kertas. Sehingga perlu dikaji bagaimana pengaruh Flow
Bottom, Flow Middle, Flow Top, dan Speed terhadap Basis Weight dan Caliper. Flow Bottom,
Flow Middle, dan Flow Top merupakan volume buburan pembuat lapisan kertas (lt/min) serta
Speed merupakan kecepatan wire (m/min). Sedangkan Basis Weight merupakan gramatur
(gr/m2) dan Caliper merupakan ketebalan (𝜇m) yang dianggap mampu mewakili sifat kertas.
Flow Bottom Flow Middle Flow Top Speed Basis Weight Caliper
1. Deskripsi Data
Untuk memudhkan proses perhitungan digunakan software R dengan input-
output sebagai berikut :
> data
x1 x2 x3 x4 y1 y2
> summary(data)
x1 x2 x3 x4
y1 y2
Interpretasi :
Dari output di atas dapat dilihat nilai minimum, maksimum, kuartil bawah, kuartil atas,
median, dan rata-rata untuk setiap variabel yang diperhatikan.
2. Modelling
Output R :
> model=lm(cbind(y1,y2)~x1+x2+x3+x4,data=data)
> anova(model)
Residuals 16
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> summary(model)
Response y1 :
Call:
Residuals:
Coefficients:
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Response y2 :
Call:
Coefficients:
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> summary(manova(model))
Residuals 16
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Interpretasi :
Berdasarkan output R diatas, diperoleh model regresi linear untuk respon Y1 (Basis
Weight) dan Y2 (Caliper) adalah :
Setelah dilakukan uji manova untuk model tersebut, diperoleh hasil yang signifikan
untuk variabel X1, X2, X3, dan X4 terhadap alpha 5%. Artinya variable perlakuan Flow Bottom,
Flow Middle, Flow Top, dan Speed berpengaruh terhadap variabel respon Basis Weight dan
Caliper.
Kemudian lakukan Uji signifikasi paramater regresi secara simultan dan parsial, dengan
output R sebagai berikut :
> model1=lm(y1~x1+x2+x3+x4,data=data)
> model2=lm(y2~x1+x2+x3+x4,data=data)
> summary(model1)
Call:
Residuals:
Coefficients:
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> summary(model2)
Call:
Coefficients:
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Interpretasi :
Berdasarkan output di atas dapat dilihat variabel apa saja yang berpengaruh secara
parsial terhadap respom Y1 dan Y2, dapat dilihat dari hasil diatas. Dapat dilihat bahwa untuk
respon Y1 variabel yang berpengaruh secara parsial adalah variabel X1 dan X4 dengan tingkat
kepercayaan 95%, sedangkan untuk respon Y2 variabel yang berpengaruh secara parsial adalah
variabel X4 dengan tingkat kepercayaan 99.9%.
3. Evaluasi
Asumsi klasik regresi linear berlaku juga untuk regresi linear multivariate :
a. Linearitas
Hipotesis
H0 : δ1 = δ2 = 0 (model linear)
H1 : minimal satu δm≠ 0 ; m = 1,2 (model non-linear)
α = 0.05
Kriteria Uji : Tolak H0 jika p-value < α
Output R :
> library(lmtest)
> resettest(model1)
RESET test
data: model1
> resettest(model2)
RESET test
data: model2
Interpretasi :
Berdasarkan output diatas diperoleh p-value < 0.05, sehingga H0 ditolak. Artinya model
tidak linear baik untuk model 1 maupun untuk model 2.
b. Homoskedastisitas
Hipotesis:
H0 : Var(εi) = σ2 (homoskedastisitas)
H1 : Var(εi) ≠ σ2 (heteroskedastisitas)
α = 0.05
Kriteria Uji: Tolak H0 jika p-value < α.
Output R :
> bptest(model1)
data: model1
> bptest(model2)
data: model2
c. Autokorelasi
Hipotesis:
H0 : ρ = 0 (tidak terdapat autokorelasi)
H1 : ρ ≠ 0 (terdapat autokorelasi)
α = 0.05
Kriteria Uji: Tolak H0 jika p-value < α.
> dwtest(model1)
Durbin-Watson test
data: model1
DW = 1.8025, p-value = 0.1819
alternative hypothesis: true autocorrelation is greater than 0
> dwtest(model2)
Durbin-Watson test
data: model2
DW = 1.9721, p-value = 0.3054
alternative hypothesis: true autocorrelation is greater than 0
Interpretasi :
Berdasarkan output diatas, diproleh p-value = 0.1819 untuk model 1 dan p-value =
0.3054, dimana nilai p-value untuk kedua model > α = 0.05 sehingga H0 diterima. Artinya
tidak terdapat autokorelasi antar variabel independent.
d. Multikolinearitas
o Multikolinearitas sempurna :
semua variabel X saling mempengaruhi
Jika X’X > 0, maka tidak terjadi multikolinearitas sempurna
o Multikolinearitas tidak sempurna :
Jika VIF > 10, maka terdapat multikolinearitas
Output R :
> library(car)
> X=as.matrix(data[,-5:-6])
> det(t(X)%*%X)
[1] 8.405994e+25
> vif(model1)
X1 X2 X3 X4
> vif(model2)
X1 X2 X3 X4
Interpretasi :
Berdasarkan output diatas, dapat dilihat tidak terdapat nilai VIF >10 baik pada model I
maupun II. Dapat dikatakan bahwa tidak terdapat multikolinearitas. Maka, asumsi
multikolinearitas terpenuhi.
e. Normalitas
Hipotesis:
H0 : F(εi) = F0(εi) (residual berdistribusi normal)
H1 : F(εi) ≠ F0(εi) (residual tidak berdistribusi normal)
α = 0.05
Kriteria Uji: Tolak H0 jika p-value < α.
Output R :
> res=resid(model1)
> shapiro.test(res)
data: res
W = 0.96795, p-value = 0.6874
> res=resid(model2)
> shapiro.test(res)
4. Kesimpulan
Berdasarkan metoda pengujian di atas, ternyata data yang digunakan belum
memenuhi semua asumsi untuk regresi multivariate, seperti asumsi linearitas dan
asumsi autokorelasi belum terpenuhi, sehingga model yang diperoleh belum tentu
cocok dengan kasus tersebut.