Studi Kasus

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

1950 5650 1750 400 209.5 289.79

2025 5675 2000 400 219.8 299.01

2300 6000 2300 400 229.42 314.44

2310 5880 2290 370 250.07 345.36

2355 5905 2320 340 269.92 368.64

2400 5925 2350 290 300.48 416.36

2430 5775 2365 290 309.4 435.67

2150 5350 2150 240 348.61 500.47

1800 5475 1750 400 209 290.48

2250 5850 225 400 229.37 314.29

2050 5325 1700 400 209.03 290.03

2125 5350 1950 400 219.07 300.23

2400 5675 2250 400 229.5 316.2

2410 5555 2240 370 249.33 344.83

2455 5580 2270 340 269.2 369

2500 5600 2300 290 299.3 415.17

2530 5450 2315 290 309.37 436.27

2250 5025 2100 240 349.17 500.27

1950 5850 1800 400 209.43 310.13

2400 5600 2300 290 300.65 417.16

2500 5350 2400 240 349.9 496.67

Sumber: Departemen Produksi PT. X

SOAL :
1. Lakukan analisis regresi linier multivariat terhadap data di atas lengkap dengan interpretasi
hasil dan evaluasinya.
2. Saran apa yang dapat anda berikan untuk PT. X?
JAWAB :
Variabel-variabel yang diperhatikan :
 X1 ≡ variabel independent Flow Bottom
 X2 ≡ variabel independent Flow Middle
 X3 ≡ variabel independent Flow Top
 X4 ≡ variabel independent Speed
 Y1 ≡ variabel respon Basis Weight
 Y2 ≡ variabel respon Caliper

1. Deskripsi Data
Untuk memudhkan proses perhitungan digunakan software R dengan input-
output sebagai berikut :

> data=read.csv("data1.csv", header=TRUE, sep=",")

> data

x1 x2 x3 x4 y1 y2

1 1950 5650 1750 400 209.50 289.79

2 2025 5675 2000 400 219.80 299.01

3 2300 6000 2300 400 229.42 314.44

4 2310 5880 2290 370 250.07 345.36

5 2355 5905 2320 340 269.92 368.64

6 2400 5925 2350 290 300.48 416.36

7 2430 5775 2365 290 309.40 435.67

8 2150 5350 2150 240 348.61 500.47

9 1800 5475 1750 400 209.00 290.48

10 2250 5850 225 400 229.37 314.29

11 2050 5325 1700 400 209.03 290.03

12 2125 5350 1950 400 219.07 300.23

13 2400 5675 2250 400 229.50 316.20

14 2410 5555 2240 370 249.33 344.83

15 2455 5580 2270 340 269.20 369.00

16 2500 5600 2300 290 299.30 415.17

17 2530 5450 2315 290 309.37 436.27

 18 2250 5025 2100 240 349.17 500.27

19 1950 5850 1800 400 209.43 310.13

20 2400 5600 2300 290 300.65 417.16

21 2500 5350 2400 240 349.90 496.67

> summary(data)

x1 x2 x3 x4

Min. :1800 Min. :5025 Min. : 225 Min. :240.0

1st Qu.:2125 1st Qu.:5450 1st Qu.:1950 1st Qu.:290.0
Median :2310 Median :5600 Median :2250 Median :370.0
Mean :2264 Mean :5612 Mean :2054 Mean :342.4
3rd Qu.:2410 3rd Qu.:5850 3rd Qu.:2300 3rd Qu.:400.0
Max. :2530 Max. :6000 Max. :2400 Max. :400.

y1 y2

Min. :209.0 Min. :289.8

1st Qu.:219.8 1st Qu.:310.1

Median :250.1 Median :345.4

Mean :265.2 Mean :370.0

3rd Qu.:300.6 3rd Qu.:417.2

Max. :349.9 Max. :500.5

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)

Analysis of Variance Table

Df Pillai approx F num Df den Df Pr(>F)

(Intercept) 1 0.99959 18289.1 2 15 < 2.2e-16 ***

x1 1 0.96911 235.3 2 15 4.712e-12 ***

x2 1 0.93796 113.4 2 15 8.814e-10 ***

x3 1 0.61715 12.1 2 15 0.0007459 ***

x4 1 0.97022 244.3 2 15 3.587e-12 ***

Residuals 16

---

Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

> summary(model)

Response y1 :

Call:

lm(formula = y1 ~ x1 + x2 + x3 + x4, data = data)

Residuals:

Min 1Q Median 3Q Max

-11.048 -4.441 1.252 4.401 8.631

Coefficients:

Estimate Std. Error t value Pr(>|t|)

(Intercept) 478.961297 33.896481 14.130 1.87e-10 ***

x1 0.025855 0.008965 2.884 0.0108 *

x2 -0.001105 0.006704 -0.165 0.8712

x3 -0.003022 0.003401 -0.888 0.3874

x4 -0.759013 0.033247 -22.830 1.23e-13 ***

---

Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 6.205 on 16 degrees of freedom

Multiple R-squared: 0.9876, Adjusted R-squared: 0.9845

F-statistic: 319.5 on 4 and 16 DF, p-value: 4.861e-15

Response y2 :

Call:

lm(formula = y2 ~ x1 + x2 + x3 + x4, data = data)

 Residuals:

Min 1Q Median 3Q Max

-18.228 -7.068 2.069 8.390 13.460

Coefficients:

Estimate Std. Error t value Pr(>|t|)

(Intercept) 754.188915 60.726479 12.419 1.25e-09 ***

x1 0.016178 0.016061 1.007 0.329

x2 -0.002587 0.012010 -0.215 0.832

x3 -0.004693 0.006094 -0.770 0.452

x4 -1.158457 0.059563 -19.449 1.47e-12 ***

---

Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 11.12 on 16 degrees of freedom

Multiple R-squared: 0.9817, Adjusted R-squared: 0.9771

F-statistic: 214.8 on 4 and 16 DF, p-value: 1.107e-13

> summary(manova(model))

Df Pillai approx F num Df den Df Pr(>F)

x1 1 0.96911 235.33 2 15 4.712e-12 ***

x2 1 0.93796 113.38 2 15 8.814e-10 ***

x3 1 0.61715 12.09 2 15 0.0007459 ***

x4 1 0.97022 244.32 2 15 3.587e-12 ***

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 :

Y1 = 478.961297 + 0.025855 X1 - 0.001105 X2 -0.003022 X3 - 0.759013 X4

 Y2 = 754.188915 + 0.016178 X1 - 0.002587 X2 - 0.004693 X3 - 1.158457 X4

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:

lm(formula = y1 ~ x1 + x2 + x3 + x4, data = data)

Residuals:

Min 1Q Median 3Q Max

-11.048 -4.441 1.252 4.401 8.631

Coefficients:

Estimate Std. Error t value Pr(>|t|)

(Intercept) 478.961297 33.896481 14.130 1.87e-10 ***

x1 0.025855 0.008965 2.884 0.0108 *

x2 -0.001105 0.006704 -0.165 0.8712

x3 -0.003022 0.003401 -0.888 0.3874

x4 -0.759013 0.033247 -22.830 1.23e-13 ***

---

Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 6.205 on 16 degrees of freedom

Multiple R-squared: 0.9876, Adjusted R-squared: 0.9845

F-statistic: 319.5 on 4 and 16 DF, p-value: 4.861e-15

> summary(model2)

Call:

lm(formula = y2 ~ x1 + x2 + x3 + x4, data = data)

 Residuals:

Min 1Q Median 3Q Max

-18.228 -7.068 2.069 8.390 13.460

Coefficients:

Estimate Std. Error t value Pr(>|t|)

(Intercept) 754.188915 60.726479 12.419 1.25e-09 ***

x1 0.016178 0.016061 1.007 0.329

x2 -0.002587 0.012010 -0.215 0.832

x3 -0.004693 0.006094 -0.770 0.452

x4 -1.158457 0.059563 -19.449 1.47e-12 ***

---

Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 11.12 on 16 degrees of freedom

Multiple R-squared: 0.9817, Adjusted R-squared: 0.9771

F-statistic: 214.8 on 4 and 16 DF, p-value: 1.107e-13

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

RESET = 6.2329, df1 = 2, df2 = 14, p-value = 0.01159

> resettest(model2)

RESET test

data: model2

RESET = 7.6264, df1 = 2, df2 = 14, p-value = 0.005751

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)

studentized Breusch-Pagan test

data: model1

BP = 1.4086, df = 4, p-value = 0.8427

> bptest(model2)

studentized Breusch-Pagan test

data: model2

BP = 2.4923, df = 4, p-value = 0.646

 Interpretasi :
Berdasarkan output diatas diperoleh p-value > 0.05, sehingga H0 diterima. Artinya
asumsi homoskedastisitas terpenuhi.

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)

Loading required package: carData

> X=as.matrix(data[,-5:-6])

> det(t(X)%*%X)

[1] 8.405994e+25

> vif(model1)

X1 X2 X3 X4

1.842821 1.444957 1.365617 2.198579

> vif(model2)

X1 X2 X3 X4

1.842821 1.444957 1.365617 2.198579

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)

Shapiro-Wilk normality test

data: res
W = 0.96795, p-value = 0.6874

> res=resid(model2)
> shapiro.test(res)

Shapiro-Wilk normality test

data: res
W = 0.94138, p-value = 0.232
Interpretasi :
Berdasarkan output diatas diperoleh p-value > 0.05, sehingga H0 diterima. Artinya
residual untuk model 1 dan model 2 berdistribusi normal.

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.