pemilihan model regresi terbaik

TUGAS INDIVIDU

METODE REGRESI

Analisis Data Pengaruh Usia Mahasiswa Saat Masuk S2

dan Fakultas Asal Mahsiswa Terhadap Nilai Tes Potensi

Akademik (TPA) Mahasiswa Program Magister ITS

Tahun 2006 Dengan Menggunakan Analisis Regresi

Dummy

Oleh:

Fausania Hibatullah 1313 030 018

Asisten Dosen:

Ardhian Bayu Firdauz

Program Studi Diploma III

Jurusan Statistika

Fakultas Matematika dan Ilmu Pengetahuan Alam

Institut Teknologi Sepuluh Nopember

Surabaya

2014

1

BAB I

ANALISIS DAN PEMBAHASAN

1.1 Interpretasi Model Regresi Linier Berganda dengan Variabel

Prediktor Dummy

Pada penelitian ini, model regresi linier berganda bertujuan untuk

meramalkan nilai TPA (Tes Potensi Akademik) dari mahasiswa program Magister

ITS pada tahun 2006 berdasarkan faktor usia mahasiswa pada saat masuk S2 dan

fakultas mahasiswa berasal. Terdapat 3 kategori fakultas yaitu FMIPA, FTK dan

FTIf ITS. Berikut adalah koding yang dilakukan dalam analisis regresi linier

berganda dengan variabel dummy pada data fakultas mahasiswa berasal.

Tabel 1.1 Koding Pada Data Fakultas

Fakultas Dummy1 )( 1d Dummy2 )( 2d

FMIPA 1 0

FTK 0 1

FTIf 0 0

1.1.1 Model Regresi

Berikut hasil persamaan model regresi linier berganda dengan variabel

prediktor dummy dengan menggunakan Software Minitab.

Tabel 1.2 Model Regresi

Persamaan Regresi 21 d 54.1 - d 7.9 -3.37x 621y

R-Sq 30.5 %

Berdasarkan Tabel 1.2 dapat diketahui bahwa persamaan model regresi

mampu menjelaskan sebesar 30.5% variabilitas yang dimiliki, sedangkan sisanya

sebesar 69.5% dijelaskan oleh variabel lain yang tidak masuk dalam model.

A. Persamaan Regresi untuk Fakultas Fakultas Matematika dan Ilmu

Pengetahuan Alam (FMIPA)

21 d 54.1 - d 7.9 -3.37x 621y

Pada Fakultas Matematika dan Ilmu Pengetahuan Alam, nilai d1 = 1 dan d2 = 0

(0) 54.1 - (1) 7.9 -3.37x 6211 y

3.37x - 1.1361 y

Dari persamaan model diatas, dijelaskan bahwa nilai Tes Potensi Akademik

(TPA) dari mahasiswa program Magister FMIPA ITS tahun 2006 lebih rendah

2

sebesar 7.9 poin dibandingkan dengan nilai TOEFL dari mahasiswa program

Magister FTIf ITS.

B. Persamaan Regresi untuk Fakultas Teknologi Kelautan (FTK)

21 d 54.1 - d 7.9 -3.37x 621y

Pada Fakultas Teknologi Kelautan, nilai d1 = 0 dan d2 = 1

(1) 54.1 - (0) 7.9 -3.37x 6212 y

x 37.39.5662 y


(TPA) dari mahasiswa program Magister FTK ITS tahun 2006 lebih rendah

sebesar 54.1 poin dibandingkan dengan nilai TOEFL dari mahasiswa program

Magister FTIf ITS.

C. Persamaan regresi untuk Fakultas Teknologi Informasi (FTIf)

21 d 54.1 - d 7.9 -3.37x 621y

Pada Fakultas Matematika dan Ilmu Pengetahuan Alam, nilai d1 = 1 dan d2 = 0

(0) 54.1 - (0) 7.9 -3.37x 6213 y

3.37x -6213 y


(TPA) dari mahasiswa program Magister FTIf ITS tahun 2006 lebih tinggi

dibandingkan dengan nilai TOEFL dari mahasiswa program Magister FMIPA dan

FTK ITS.

1.1.2 Scatterplot

Scatterplot digunakan untuk mengetahui hubungan kelinieran antara

variabel respon yaitu nilai Tes Potensi Akademik (TPA) mahasiswa program

Magister dari FMIPA, FTK dan FTIf ITS tahun 2006 dengan variabel prediktor

usia mahasiswa tersebut saat masuk S2.

3

5550454035302520

550

525

500

475

450

425

400

Usia saat masuk s2

Y-D

ata

y duga fmipa

y duga ftk

y duga ftif

Variable

Scatterplot of y duga fmipa, y duga ftk, y duga ftif vs Usia saat ma

Gambar 1.1 Scatterplot

Berdasarkan hasil persamaan model regresi dan Gambar 1.1, dapat diketahui

bahwa nilai Tes Potensi Akademik (TPA) mahasiswa program Magister dari FTIf

ITS tahun 2006 lebih tinggi sebesar 7.9 poin dibandingkan dengan mahasiswa

program Magister dari FMIPA ITS dan lebih tinggi sebesar 54.1 poin

dibandingkan dengan mahasiswa program Magister dari FTK ITS.

1.2 Analisis Regresi Linier Berganda dengan Variabel Prediktor Dummy

Pada analisis Regresi Linier Berganda dengan variabel prediktor dummy

akan dilakukan uji serentak serta uji parsial pada data nilai Tes Potensi Akademik

(TPA) mahasiswa program Magister ITS tahun 2006 berdasarkan faktor usia

mahasiswa saat masuk S2 dan fakultas mahasiswa berasal.

1.2.1 Uji Serentak

Uji serentak adalah pengujian untuk melihat signifikansi parameter secara

bersama.

Hipotesis yang digunakan sebagai berikut.

:0H 0i dimana i = 1, 2, 3 (semua variabel tidak berpengaruh signifikan

terhadap nilai TPA mahasiswa program Magister ITS)

:1H Minimal ada satu 0i dimana i = 1, 2, 3 (Minimal ada satu variabel yang

berpengaruh signifikan terhadap nilai TPA mahasiswa program Magister

ITS)

Taraf signifikan : 05.0

Daerah penolakan : Tolak H0 jika ),( 21 dbdbFF

4

Tabel 1.3 Hasil Uji Serentak

Sumber Derajat

Bebas Jumlah

Kuadrat Kuadrat

Tengah F-hitung F0.05(3,26) P-value

Regresi 3 34248 11416 3.80 2.98 0,022 Galat 26 78039 3001 Total 29 112287

Berdasarkan Tabel 1.3 dapat diketahui bahwa nilai F hitung sebesar 3.80.

Pada taraf 05.0 , didapatkan nilai F tabel (F0.05(3,26)) sebesar 2.98 sehingga F

(3.80) > F0.05(3,26) (2.98) dan P-value (0.022) < α (0.05) maka keputusan yang

diambil adalah ditolak dan didapatkan kesimpulan bahwa minimal ada satu

variabel yang berpengaruh signifikan terhadap nilai Tes Potensi Akademik (TPA)

dari mahasiswa program Magister ITS tahun 2006.

1.2.2 Uji Parsial

Uji parsial digunakan untuk mengetahui variabel/parameter mana dari

memiliki pengaruh signifikan terhadap nilai Tes Potensi Akademik (TPA)

mahasiswa program Magister ITS tahun 2006. Uji ini dilakukan pada masing-

masing variabel prediktor dengan variabel respon sehingga menggunakan

beberapa analisis.

A. Uji Parsial Pengaruh Usia Mahasiswa Saat Masuk S2 Terhadap Nilai

TPA Mahasiswa Program Magister ITS

Hipotesis yang digunakan adalah sebagai berikut.

:0H 01 (Usia saat masuk S2 tidak berpengaruh signifikan terhadap nilai

TPA mahasiswa program Magister ITS)

:1H 01 (Usia saat masuk S2 berpengaruh signifikan terhadap nilai TPA

mahasiswa program Magister ITS)


Daerah penolakan : Tolak 0H jika ))1((2/|| pntt

Statistik uji :

Tabel 1.4 Uji Parsial X terhadap Y

Prediktor t-hitung t0.025(26) P-value

Usia saat masuk

S2 -2.15 2.056 0.041

Berdasarkan Tabel 1.4 dapat diketahui bahwa nilai |t-hitung| sebesar 2.15.

Pada taraf 05.0 , didapatkan nilai t tabel (t0.025(26)) sebesar 2.056 sehingga |t|

(2.15) > t0.025(26) (2.056) dan P-value (0.041) < α (0.05) maka keputusan yang

0H

5

diambil adalah ditolak dan didapatkan kesimpulan bahwa usia mahasiswa

saat masuk S2 berpengaruh signifikan terhadap nilai Tes Potensi Akademik (TPA)

mahasiswa program Magister ITS

B. Uji Parsial Pengaruh Variabel Dummy Terhadap Nilai TPA

Mahasiswa Program Magister ITS


:0H 032 (Asal fakultas dari FMIPA dan FTK ITS tidak berpengaruh

signifikan terhadap nilai TPA mahasiswa program Magister ITS)

:1H Minimal ada satu 0i dimana i = 2,3 (Minimal ada satu asal fakultas yang


ITS)


Daerah penolakan : Tolak 0H jika ),( 21 dbdbFF

Statistik uji :

819.23001

2/)1733034248()1/()( 1032

KTG

kbbbbJKF

Berdasarkan hasil perhitungan diatas dapat diketahui bahwa nilai F-hitung

sebesar 2.819. Pada taraf 05.0 , didapatkan nilai F tabel (F0.05(3,26)) sebesar 2.98

sehingga F (2.819) < F0.05(3,26) (2.98) maka keputusan yang diambil adalah H0 gagal

ditolak dan didapatkan kesimpulan bahwa asal fakultas dari FMIPA dan FTK ITS

tidak berpengaruh signifikan terhadap nilai TPA mahasiswa program Magister

ITS.

C. Uji Parsial Ada Tidaknya Perbedaan Antara Mahasiswa Dengan

Fakultas Asal FMIPA dan FTIf ITS


:0H 02 (Mahasiswa yang berasal dari FMIPA ITS tidak memiliki perbedaan

yang signifikan dengan mahasiswa yang berasal dari FTIf ITS)

:1H 02 (Mahasiswa yang berasal dari FMIPA ITS memiliki perbedaan yang

signifikan dengan mahasiswa yang berasal dari FTIf ITS)


0H

6


Statistik uji :

Tabel 1.5 Uji Parsial Kategori 1 dan 3

Prediktor t-hitung P-value

FMIPA ITS -0.32 0,752



(0.32) < t0.025(26) (2.056) dan P-value (0.752) > α (0.05) maka keputusan yang

diambil adalah gagal ditolak dan didapatkan kesimpulan bahwa mahasiswa

yang berasal dari FMIPA ITS tidak memiliki perbedaan yang signifikan dengan

mahasiswa yang berasal dari FTIf ITS.

D. Uji Parsial Ada Tidaknya Perbedaan Antara Mahasiswa Dengan

Fakultas Asal FTK dan FTIf ITS


:0H 03 (Mahasiswa yang berasal dari FTK ITS tidak memiliki perbedaan

yang signifikan dengan mahasiswa yang berasal dari FTIf ITS)

:1H 03 (Mahasiswa yang berasal dari FTK ITS memiliki perbedaan yang

signifikan dengan mahasiswa yang berasal dari FTIf ITS)



Statistik uji :

Tabel 1.6 Uji Parsial Kategori 2 dan 3

Prediktor t-hitung P-value

FTK ITS -2.19 0,038



(2.19) > t0.025(26) (2.056) dan P-value (0.038) < α (0.05) maka keputusan yang

diambil adalah ditolak dan didapatkan kesimpulan bahwa mahasiswa yang

berasal dari FTK ITS memiliki perbedaan yang signifikan dengan mahasiswa

yang berasal dari FTIf ITS.

E. Uji Parsial Ada Tidaknya Perbedaan Antara Mahasiswa Dengan

Fakultas Asal FTI dan FTSP ITS


0H

0H

7

:0H 32 (Mahasiswa yang berasal dari FMIPA dan FTK ITS memberikan

respon yang sama terhadap nilai TPA mahasiswa program Magister di ITS)

:1H32 (Mahasiswa yang berasal dari FMIPA dan FTK ITS memberikan

respon yang berbeda terhadap nilai TPA mahasiswa program Magister di

ITS)



Statistik uji :

886.1)313.075 (2612.094614.335

1.549.7

)cov(2))(())(( 21

2

2

2

1

21

aaaSeaSe

aat

Berdasarkan hasil perhitungan diatas dapat diketahui bahwa nilai |t-hitung|

sebesar 1.886. Pada taraf 05.0 , didapatkan nilai t tabel (t0.025(26)) sebesar 2.056

sehingga |t| (1.886) < t0.025(26) (2.056) maka keputusan yang diambil adalah

gagal ditolak dan didapatkan kesimpulan bahwa mahasiswa yang berasal dari

FMIPA dan FTK ITS memberikan respon yang sama terhadap nilai TPA

mahasiswa program Magister di ITS.

1.3 Pemeriksaan Asumsi Residual IIDN

Setelah melakukan analisis Regresi Linier Berganda dengan variabel

prediktor dummy, selanjutnya akan dilakukan pemeriksaan asumsi residual IIDN

yaitu residual independen, residual identik, dan residual berdistribusi normal.

1000-100-200

99

90

50

10

1

Residual

Pe

rce

nt

560520480440400

100

0

-100

Fitted Value

Re

sid

ua

l

100500-50-100-150

10.0

7.5

5.0

2.5

0.0

Residual

Fre

qu

en

cy

30282624222018161412108642

100

0

-100

Observation Order

Re

sid

ua

l

Normal Probability Plot Versus Fits

Histogram Versus Order

Residual Plots for nilai TPA

Gambar 1.2 Pemeriksaan Asumsi Residual IIDN

0H

8

Berdasarkan Gambar 1.2 dapat diketahui bahwa grafik versus fits dari data

nilai TPA mahasiswa program Magister ITS tahun 2006 tidak berpola atau tidak

membentuk suatu pola tertentu sehingga secara visual nilai TPA mahasiswa

program Magister ITS tahun 2006 dapat dikatakan memenuhi asumsi independen.

Grafik versus order dari data nilai TPA mahasiswa program Magister ITS tahun

2006 tidak berpola atau tidak membentuk suatu pola tertentu sehingga secara

visual nilai TPA mahasiswa program Magister ITS tahun 2006 dapat dikatakan

memenuhi asumsi identik. Pada grafik normal probability plot menunjukkan nilai

probabilitas masing-masing residual tidak menyebar mengikuti garis lurus yang

artinya data nilai TPA mahasiswa program Magister ITS tahun 2006 tidak

berdistribusi normal.

9

BAB II

KESIMPULAN DAN SARAN

2.1 Kesimpulan

Berdasarkan analisis dan pembahasan pada Bab I dapat diperoleh

kesimpulan sebagai berikut.

1. Model regresi linier menunjukkan bahwa nilai nilai Tes Potensi Akademik

(TPA) mahasiswa program Magister dari FTIf ITS tahun 2006 lebih tinggi

sebesar 7.9 poin dibandingkan dengan mahasiswa program Magister dari

FMIPA ITS dan lebih tinggi sebesar 54.1 poin dibandingkan dengan

mahasiswa program Magister dari FTK ITS.

2. Uji serentak pada analisis regresi linier berganda dengan variabel prediktor

dummy menunjukkan bahwa minimal ada satu variabel yang berpengaruh

signifikan terhadap nilai TPA mahasiswa program Magister ITS, sehingga

dilanjutkan ke uji parsial. Uji parsial menunjukkan bahwa usia mahasiswa

saat masuk S2 berpengaruh signifikan terhadap nilai TPA mahasiswa

program Magister ITS, asal fakultas dari FMIPA dan FTK ITS tidak


ITS, mahasiswa yang berasal dari FMIPA ITS tidak memiliki perbedaan

yang signifikan dengan mahasiswa yang berasal dari FTIf ITS, mahasiswa

yang berasal dari FTK ITS memiliki perbedaan yang signifikan dengan

mahasiswa yang berasal dari FTIf ITS, mahasiswa yang berasal dari

FMIPA dan FTK ITS memberikan respon yang sama terhadap nilai TPA

mahasiswa program Magister di ITS.

3. Pemeriksaan asumsi residual IIDN menunjukkan bahwa data nilai TPA

mahasiswa program Magister ITS tahun 2006 memenuhi asumsi residual

identik dan independen namun tidak berdistribusi normal.

2.2 Saran

Diharapkan dengan adanya percobaan ini, mahasiswa lebih teliti dan

cermat pada mengolah data yang ada. Selain itu, saran untuk percobaan

selanjutnya adalah harus lebih disiplin waktu dan tidak menunda-nunda pekerjaan.

LAMPIRAN

Lampiran 1 Nilai TPA Mahasiswa Program Magister ITS Tahun 2006

Berdasarkan Usia Saat Masuk S2 dan Fakultas.

No Nilai TPA Usia saat masuk s2 Fakultas D1 D2

1 540 29 FMIPA 1 0

2 560 28 FMIPA 1 0

3 500 32 FMIPA 1 0

4 480 45 FMIPA 1 0

5 480 39 FMIPA 1 0

6 560 24 FMIPA 1 0

7 575 31 FMIPA 1 0

8 520 23 FMIPA 1 0

9 440 27 FMIPA 1 0

10 420 34 FMIPA 1 0

11 440 26 FTK 0 1

12 400 54 FTK 0 1

13 480 34 FTK 0 1

14 300 31 FTK 0 1

15 500 23 FTK 0 1

16 560 29 FTK 0 1

17 460 32 FTK 0 1

18 420 30 FTK 0 1

19 520 28 FTK 0 1

20 540 23 FTK 0 1

21 500 26 FTIf 0 0

22 520 30 FTIf 0 0

23 540 31 FTIf 0 0

24 560 27 FTIf 0 0

25 575 23 FTIf 0 0

26 440 29 FTIf 0 0

27 520 32 FTIf 0 0

28 560 28 FTIf 0 0

29 520 35 FTIf 0 0

30 500 27 FTIf 0 0

Keterangan :

D1 = Fakultas Matematika dan Ilmu Pengetahuan Alam ITS (FMIPA ITS)

D2 = Fakultas Teknologi Kelautan ITS (FTK ITS)

Lampiran 2 Output Model Regresi

Lampiran 3 Output Regresi Linier Berganda Uji Serentak dan Uji Parsial

Lampiran 4

Lampiran 4 Varians β

The regression equation is

nilai TPA = 621 - 3.37 Usia saat masuk s2 - 7.9 FMIPA - 54.1 FTK

S = 54.7858 R-Sq = 30.5% R-Sq(adj) = 22.5%

Analysis of Variance

Source DF SS MS F P

Regression 3 34248 11416 3.80 0.022

Residual Error 26 78039 3001

Total 29 112287

Source DF Seq SS

Usia saat masuk s2 1 17330

FMIPA 1 2578

FTK 1 14340

Predictor Coef SE Coef T P

Constant 620.62 48.36 12.83 0.000

Usia saat masuk s2 -3.372 1.568 -2.15 0.041

FMIPA -7.91 24.79 -0.32 0.752

FTK -54.08 24.74 -2.19 0.038

Data Display

Matrix M5

2338.38 -70.7737 -130.243 -144.398

-70.77 2.4574 -5.898 -5.406

-130.24 -5.8978 614.355 313.075

-144.40 -5.4063 313.075 612.094

TUGAS INDIVIDU

METODE REGRESI

Pengujian Asumsi Residual IIDN, Pendeteksian

Multikonlinearitas dan Pemilihan Model Terbaik pada

Data Faktor-Faktor yang Diduga Mempengaruhi Jumlah

Kasus Kanker Serviks di Tiap Kabupaten/Kota di

Provinsi Jawa Timur Tahun 2010

Oleh:

Fausania Hibatullah 1313 030 018

Asisten Dosen:

Ardhian Bayu Firdauz

Program Studi Diploma III

Jurusan Statistika

Fakultas Matematika dan Ilmu Pengetahuan Alam

Institut Teknologi Sepuluh Nopember

Surabaya

2014

1

BAB I

ANALISIS DAN PEMBAHASAN

1.1 Statistika Deskriptif

Statsistika deskriptif merupakan langkah analisis yang harus dilakukan

pertama kali untuk mengetahui dan memberikan keterangan tentang karakteristik

data dari hasil pengamatan yang telah dilakukan dalam praktikum. Perhitungan

statistika deskriptif tersebut diolah menggunakan software Minitab. Berikut

merupakan hasil perhitungan statistika deskriptif data mengenai jumlah kasus

kanker serviks di setiap kabupaten/kota di Jawa Timur tahun 2010 berdasarkan

faktor persentase sarana kesehatan, persentase tenaga medis, persentase penduduk

perempuan yang umur kawin pertama ≤16 tahun, persentase penduduk dan

Rumah Tangga (RT) perempuan dan persentase daerah yang berstatus desa di tiap

kabupaten/kota di Jawa Timur.

Tabel 1.1 Statistika Deskriptif

Berdasarkan Tabel 1.1, dapat diketahui bahwa nilai rata-rata dari jumlah

kasus kanker serviks di tiap kabupaten/kota provinsi Jawa Timur pada tahun 2010

sebesar 45.6 kasus, nilai maksimum sebesar 479 kasus dan nilai minimum sebesar

0 kasus dengan nilai keragaman sebesar 86.6. Setengah dari data jumlah kasus

kanker serviks di tiap kabupaten/kota provinsi Jawa Timur mempunyai nilai diatas

25 kasus, sedangkan setengah lainnya mempunyai nilai dibawah 25 kasus. Nilai

rata-rata dari persentase sarana kesehatan di tiap kabupaten/kota provinsi Jawa

Timur pada tahun 2010 sebesar 0.1135 persen dengan nilai keragaman sebesar

0.124. Nilai rata-rata dari persentase tenaga medis di tiap kabupaten/kota provinsi

Jawa Timur pada tahun 2010 sebesar 1.438 persen dengan nilai keragaman

sebesar 1.132. Nilai rata-rata dari persentase penduduk perempuan yang umur

Variabel Mean StDev Minimum Median Maksimum

Jumlah Kasus Kanker Serviks (Y) 45.6 86.6 0 25 479

Persentase Sarana Kesehatan (X1) 0.1135 0.124 0.02 0.08 0.73

Persentase Tenaga Medis (X2) 1.438 1.132 0.2 1.28 7.52

Persentase Penduduk Perempuan yang Umur Kawin

Pertama ≤16 Tahun (X3)

29.64 13.19 12.12 25.72 62.7

Persentase Penduduk dan Rumah Tangga (RT)

Perempuan (X4)

50.669 1.077 48.49 50.6 53.33

Persentase Daerah yang Berstatus Desa (X5) 60.83 32.62 0.00 71.43 93.55

2

kawin pertama ≤16 tahun di tiap kabupaten/kota provinsi Jawa Timur pada tahun

2010 sebesar 29.64 persen dengan nilai keragaman sebesar 13.19. Nilai rata-rata

dari persentase penduduk dan RT perempuan di tiap kabupaten/kota provinsi Jawa

Timur pada tahun 2010 sebesar 50.669 persen dengan nilai keragaman sebesar

1.077. Nilai rata-rata dari persentase daerah yang berstatus desa di tiap

kabupaten/kota provinsi Jawa Timur pada tahun 2010 sebesar 60.83 persen

dengan nilai keragaman sebesar 32.62, sehingga variabel prediktor persentase

daerah yang berstatus desa di tiap kabupaten/kota provinsi Jawa Timur pada tahun

2010 mempunyai nilai rata-rata dan nilai keragaman terbesar.

1.2 Pemeriksaan dan Pengujian Asumsi Residual IIDN

Pemeriksaan asumsi residual IIDN (Identik, Independen dan Distribusi

Normal) ini dilakukan untuk mengetahui apakah data dalam percobaan ini

memenuhi asumsi residual identik, independen dan berdistribusi normal dengan

memeriksa residualnya. Berikut merupakan pemeriksaan secara visual beserta

pengujiannya.

1.2.1 Pemeriksaan dan Pengujian Asumsi Residual Identik

Berikut merupakan hasil pemeriksaan asumsi residual identik pada data

yang telah diperoleh dengan software minitab.

300250200150100500

400

300

200

100

0

-100

Fitted Value

Re

sid

ua

l

Versus Fits(response is y)

Gambar 1.1 Pemeriksaan Asumsi Residual Identik

Gambar 1.1 jika dilihat secara visual dapat terlihat plot menyebar secara

acak dan tidak membentuk suatu pola tertentu sehingga dapat dikatakan bahwa

residual data pada jumlah kasus kanker serviks di setiap kabupaten/kota di Jawa

3

Timur tahun 2010 berdasarkan faktor persentase sarana kesehatan, persentase

tenaga medis, persentase penduduk perempuan yang umur kawin pertama ≤16

tahun, persentase penduduk dan Rumah Tangga (RT) perempuan dan persentase

daerah yang berstatus desa di tiap kabupaten/kota di Jawa Timur telah memenuhi

asumsi residual identik. Untuk mengetahui lebih tepat apakah data telah

memenuhi asumsi identik, maka dilakukan pengujian Glejser.


H0 : σ12 = σ2

2 = σ3

2 = σ4

2 = σ5

2 = σ

2 (residual memenuhi asumsi identik)

H1 : σ12 = σ2

2 = σ3

2 = σ4

2 = σ5

2 ≠ σ

2 (residual tidak memenuhi asumsi identik)

Taraf Signifikan : α = 0,05

Daerah Kritis: Tolak H0 jika Fhitung > Ftabel

Statistik Uji:

Tabel 1.2 ANOVA Uji Glejser

Source DF SS MS F Ftabel P

Regression 5 27286 5457 1.55 2.52 0.205


Total 36 136737

Berdasarkan Tabel 1.2 dapat diketahui bahwa nilai Fhitung (1.55) < Ftabel

(2.52) maka keputusan yang didapat adalah gagal tolak H0. Selain itu dapat dilihat

dari nilai Pvalue (0.205) > α (0,05) maka dapat diambil keputusan bahwa H0 gagal

ditolak dan didapatkan kesimpulan bahwa residual data pada jumlah kasus kanker

serviks di setiap kabupaten/kota di Jawa Timur tahun 2010 berdasarkan faktor

persentase sarana kesehatan, persentase tenaga medis, persentase penduduk



kabupaten/kota di Jawa Timur telah memenuhi asumsi residual identik.

1.2.2 Pemeriksaan dan Pengujian Asumsi Residual Independen

Berikut merupakan hasil pemeriksaan asumsi residual independen pada

data yang telah diperoleh dengan software minitab.

4

35302520151051

400

300

200

100

0

-100

Observation Order

Re

sid

ua

l

Versus Order(response is y)

Gambar 1.2 Pemeriksaan Asumsi Residual Independen

Gambar 1.2 secara visual dapat dilihat plot-plot telah menyebar secara acak

dan tidak membentuk suatu pola tertentu, sehingga dapat disimpulkan bahwa

residual data pada jumlah kasus kanker serviks di setiap kabupaten/kota di Jawa

Timur tahun 2010 berdasarkan faktor persentase sarana kesehatan, persentase

tenaga medis, persentase penduduk perempuan yang umur kawin pertama ≤16

tahun, persentase penduduk dan Rumah Tangga (RT) perempuan dan persentase

daerah yang berstatus desa di tiap kabupaten/kota di Jawa Timur telah memenuhi

asumsi residual independen, kemudian dilakukan uji independensi residual dengan

pemeriksaan pada plot ACF sebagai berikut.

987654321

1.0

0.8

0.6

0.4

0.2

0.0

-0.2

-0.4

-0.6

-0.8

-1.0

Lag

Au

toco

rre

lati

on

Autocorrelation Function for RESI1(with 5% significance limits for the autocorrelations)

Gambar 1.3 Plot ACF

Berdasarkan Gambar 1.3 didapatkan bahwa tidak ada lag yang melewati

batas garis merah, maka dapat disimpulkan bahwa residual data pada jumlah

5

kasus kanker serviks di setiap kabupaten/kota di Jawa Timur tahun 2010

berdasarkan faktor persentase sarana kesehatan, persentase tenaga medis,

persentase penduduk perempuan yang umur kawin pertama ≤16 tahun, persentase

penduduk dan Rumah Tangga (RT) perempuan dan persentase daerah yang

berstatus desa di tiap kabupaten/kota di Jawa Timur tidak memiliki autokorelasi

atau independen.

Untuk mengetahui lebih tepat apakah data telah memenuhi asumsi

independen, maka dilakukan uji Durbin Watson dengan pengujian dua sisi.


H0: ρ = 0 (residual data memenuhi asumsi independen)

H1: ρ ≠ 0 (residual data tidak memenuhi asumsi independen)

Taraf signifikan: α = 0,05

Daerah Kritis: Tolak H0 jika d < dU

Statistik Uji:

Tabel 1.3 Nilai Durbin Watson

Durbin-Watson statistic dU

2.02816 1,79

Berdasarkan Tabel 1.3 dapat diketahui bahwa nilai Durbin-Watson statisic

sebesar 2.02816, sehingga dapat diambil keputusan bahwa H0 gagal ditolak dan

didapatkan kesimpulan bahwa residual data pada jumlah kasus kanker serviks di

setiap kabupaten/kota di Jawa Timur tahun 2010 berdasarkan faktor persentase

sarana kesehatan, persentase tenaga medis, persentase penduduk perempuan yang

umur kawin pertama ≤16 tahun, persentase penduduk dan Rumah Tangga (RT)

perempuan dan persentase daerah yang berstatus desa di tiap kabupaten/kota di

Jawa Timur telah memenuhi asumsi residual independen.

1.2.3 Pemeriksaan dan Pengujian Asumsi Residual Beristribusi Normal

Pemeriksaan dan pengujian asumsi residual berdistribusi normal untuk

mengetahui apakah residual data telah berdistribusi normal. Pemeriksaan asumsi

residual berdistribusi normal secara visual menggunakan Probability Plot sebagai

berikut.

6

4003002001000-100-200

99

95

90

80

70

60

50

40

30

20

10

5

1

RESI1

Pe

rce

nt

Mean 5.645934E-14

StDev 72.70

N 37

KS 0.220

P-Value <0.010

Probability Plot of RESI1Normal

Gambar 1.4 Pemeriksaan Asumsi Residual Distribusi Normal

Berdasarkan Gambar 1.4 dapat diketahui bahwa plot-plot residual tidak

mengikuti dan menyebar secara acak pada garis normal, sehingga secara visual

didapatkan kesimpulan bahwa residual data pada jumlah kasus kanker serviks di





Jawa Timur tidak memenuhi asumsi residual berdistribusi normal.

Untuk lebih jelasnya, pembahasan akan berlanjut pada uji Kolmogorov

Smirnov untuk mengetahui apakah residual berdistribusi normal.


H0 : residual data berdistribusi normal

H1 : residual data tidak berdistribusi normal

Taraf signifikan : α = 0,05

Daerah Kritis: Tolak H0 jika D>Dtabel

Statistik Uji:

Tabel 1.4 Uji Kolmogorov-Smirnov

Residual

urut Frekuensi Kumulatif Fn z F0 |Fn-F0|

-78.2484 1 1 0.027027 -1.07626 0.140906 0.113878627

-76.0918 1 2 0.054054 -1.0466 0.147643 0.093588737

-65.1571 1 3 0.081081 -0.8962 0.185074 0.103992753

-62.914 1 4 0.108108 -0.86534 0.193425 0.085316871

7

-58.9569 1 5 0.135135 -0.81092 0.208707 0.073571553

-51.2759 1 6 0.162162 -0.70527 0.240321 0.078159256

-43.9837 1 7 0.189189 -0.60497 0.2726 0.08341054

-42.5439 1 8 0.216216 -0.58517 0.279218 0.063001976

-33.6239 1 9 0.243243 -0.46248 0.32187 0.078626479

-33.0508 1 10 0.27027 -0.45459 0.324701 0.054430627

-28.461 1 11 0.297297 -0.39146 0.347727 0.050430084

-26.3403 1 12 0.324324 -0.36229 0.358566 0.034241512

-25.3595 1 13 0.351351 -0.34881 0.363618 0.012266396

-20.6137 1 14 0.378378 -0.28353 0.388386 0.01000721

-12.1991 1 15 0.405405 -0.16779 0.433374 0.027968514

-10.5687 1 16 0.432432 -0.14537 0.442211 0.009778562

-10.2796 1 17 0.459459 -0.14139 0.443781 0.01567828

-9.16279 1 18 0.486486 -0.12603 0.449855 0.036631851

-7.987 1 19 0.513514 -0.10986 0.456262 0.057251856

-5.26453 1 20 0.540541 -0.07241 0.471138 0.069402931

-1.5751 1 21 0.567568 -0.02166 0.491358 0.076209789

-0.17234 1 22 0.594595 -0.00237 0.499054 0.09554026

4.120685 1 23 0.621622 0.056678 0.522599 0.099022648

4.982244 1 24 0.648649 0.068528 0.527317 0.121331402

6.659471 1 25 0.675676 0.091597 0.536491 0.139184783

10.01841 1 26 0.702703 0.137797 0.5548 0.147903064

13.43022 1 27 0.72973 0.184725 0.573277 0.156452232

14.37834 1 28 0.756757 0.197765 0.578386 0.178371068

15.51851 1 29 0.783784 0.213448 0.584511 0.199272619

16.711 1 30 0.810811 0.22985 0.590896 0.219915085

21.9087 1 31 0.837838 0.301341 0.618423 0.219415071

33.5559 1 32 0.864865 0.461541 0.677795 0.187070016

36.09519 1 33 0.891892 0.496468 0.690218 0.201674144

41.54001 1 34 0.918919 0.571358 0.716121 0.202797436

46.13517 1 35 0.945946 0.634562 0.737143 0.208803127

59.90816 1 36 0.972973 0.824001 0.79503 0.17794251

378.8678 1 37 1 5.2111 1 0

D = Sup |Fn(X)-F0(X)| = 0.219915085 = 0.22

Berdasarkan Tabel 1.4 dapat diketahui bahwa nilai D sebesar 0.22 dengan

P-value kurang dari 0.01. Nilai D (0.22) > Dtabel (0.196) dan Pvalue (<0,010) < α

(0,05) maka dapat diambil keputusan H0 ditolak, sehingga didapatkan kesimpulan

bahwa residual data pada jumlah kasus kanker serviks di setiap kabupaten/kota di

Jawa Timur tahun 2010 berdasarkan faktor persentase sarana kesehatan,

persentase tenaga medis, persentase penduduk perempuan yang umur kawin

8

pertama ≤16 tahun, persentase penduduk dan Rumah Tangga (RT) perempuan dan

persentase daerah yang berstatus desa di tiap kabupaten/kota di Jawa Timur tidak

memenuhi asumsi residual berdistribusi normal.

1.3 Pendeteksian Multikolinieritas

Identifikasi multikolinieritas pada variable-variabel prediktor dapat

dilakukan dengan melihat nilai VIF (Variance Inflation Factor) pada masing-

masing variabel prediktor. Berikut adalah nilai VIF dari setiap variabel prediktor

yang didapatkan dengan menggunakan Software Minitab.

Tabel 1.5 Nilai VIF

Variabel Nilai VIF

Persentase Sarana Kesehatan (X1) 9.733

Persentase Tenaga Medis (X2) 7.953

Persentase Penduduk Perempuan yang

Umur Kawin Pertama ≤16 Tahun (X3) 1.825

Persentase Penduduk dan Rumah

Tangga (RT) Perempuan (X4) 1.135

Persentase Daerah yang Berstatus

Desa (X5) 2.518

Berdasarkan Tabel 1.5, dapat diketahui bahwa pada variabel bebas X1, X2,

X3, X4 dan X5 tidak terdeteksi adanya multikolinieritas karena semua nilai nilai

VIF dari ke-5 variabel prediktor tersebut nilainya kurang dari 10, sehingga dapat

disimpulkan bahwa tidak terdapat kasus multikolinieritas pada data jumlah kasus






1.4 Pemilihan Model Terbaik dengan Metode All Possible Regression

Metode All Possible Regression digunakan untuk memilih persamaan

penduga yang terbaik dengan mempertimbangkan kriteria nilai R2 yang dicapai,

nilai S2 atau jumlah kuadrat sisa regresi, nilai Statistik Cp. Hasil output dari

metode all possible regression pada data jumlah kasus kanker serviks di setiap

kabupaten/kota di Jawa Timur tahun 2010 berdasarkan faktor persentase sarana

kesehatan, persentase tenaga medis, persentase penduduk perempuan yang umur

9

kawin pertama ≤16 tahun, persentase penduduk dan Rumah Tangga (RT)


Jawa Timur adalah sebagai berikut.

Tabel 1.6 Hasil Metode All Possible Regression Antara Variabel Respon Dengan Variabel

Prediktor

Vars R-Sq R-Sq

(adj)

Mallows

Cp S

X

1

X

2

X

3

X

4

X

5

1 22.7 20.5 1 77.173 X

1 16.8 14.4 3.6 80.082 X

1 16.2 13.8 3.8 80.382 X

1 5.7 3.0 8.5 85.277 X

1 0.2 0.0 10.9 87.712 X

2 27.7 23.4 0.8 75.740 X X

2 27.6 23.4 0.8 75.780 X X

2 23.3 18.7 2.7 78.044 X X

2 23.1 18.6 2.8 78.099 X X

2 23.1 18.5 2.8 78.135 X X

3 28.6 22.1 2.4 76.391 X X X

3 28.4 21.9 2.4 76.480 X X X

3 28.4 21.9 2.4 76.481 X X X

3 28.1 21.5 2.6 76.683 X X X

3 28.0 21.5 2.6 76.703 X X X

4 29.2 20.3 4.1 77.274 X X X X

4 29.0 20.1 4.2 77.379 X X X X

4 28.9 20.0 4.3 77.439 X X X X

4 28.7 19.7 4.3 77.547 X X X X

4 24.1 14.6 6.3 77.980 X X X X

5 29.5 18.1 6.0 78.348 X X X X X

Berdasarkan Tabel 1.6 dapat diketahui bahwa terdapat beberapa model

dari prosedur All Possible Regression yang dapat digolongkan menjadi persamaan

regresi terbaik. Salah satu model regresi yang terbaik antara variabel respon dan

variabel prediktor yaitu antara Y dengan X1, X3, dan X5. Nilai R-Sq dan R-Sq (adj)

cukup tinggi yaitu 28.4 dan 21.9. Memiliki nilai S (kuadrat tengah sisa) yang kecil

yaitu sebesar 76.480. Sedangkan nilai Cp-Mallows sebesar 2.4 yang hampir

mendekati jumlah banyaknya variabel prediktor yang ditambah dengan intercept.

Sehingga dalam hal ini model regresi terbaik dengan metode All Possible

Regression adalah antara jumlah kasus kanker serviks (Y) dengan persentase

sarana kesehatan (X1), persentase penduduk perempuan yang umur kawin

pertama ≤16 tahun (X3) dan persentase daerah yang berstatus desa (X5).

Model regresi terbaik dengan metode All Possible Regression adalah

531 X851.00.8X 266X 5.43 y .

10

1.5 Pemilihan Model Terbaik dengan Metode Best Subset Regression

Pemilihan model regresi terbaik dengan metode best subset regression

tidak jauh beda dengan all possible regression. Pada metode best subset, hanya

ditampilkan persamaan regresi terbaik yang terpilih dengan kriterianya masing-

masing. Hasil output dari metode best subset regression pada d data jumlah kasus





kabupaten/kota di Jawa Timur adalah sebagai berikut.

Tabel 1.7 Hasil Metode Best Subset Regression Antara Variabel Respon Dengan Variabel

Prediktor

Vars R-Sq R-Sq

(adj)

Mallows

Cp S

X

1

X

2

X

3

X

4

X

5

1 22.7 20.5 1 77.173 X

1 16.8 14.4 3.6 80.082 X

2 27.7 23.4 0.8 75.740 X X

2 27.6 23.4 0.8 75.780 X X

3 28.6 22.1 2.4 76.391 X X X

3 28.4 21.9 2.4 76.480 X X X

4 29.2 20.3 4.1 77.274 X X X X

4 29.0 20.1 4.2 77.379 X X X X

5 29.5 18.1 6.0 78.348 X X X X X

Berdasarkan Tabel 1.7 dapat diketahui bahwa terdapat beberapa model

dari prosedur Best Subset Regression yang dapat digolongkan menjadi persamaan

regresi terbaik. Salah satu model regresi yang terbaik antara variabel respon dan

variabel prediktor yaitu antara Y dengan X1, X3, dan X5. Nilai R-Sq dan R-Sq (adj)

cukup tinggi yaitu 28.4 dan 21.9. Memiliki nilai S (kuadrat tengah sisa) yang kecil

yaitu sebesar 76.480. Sedangkan nilai Cp-Mallows sebesar 2.4 yang hampir

mendekati jumlah banyaknya variabel prediktor yang ditambah dengan intercept.

Sehingga dalam hal ini model regresi terbaik dengan metode Best Subset

Regression adalah antara jumlah kasus kanker serviks (Y) dengan persentase

sarana kesehatan (X1), persentase penduduk perempuan yang umur kawin

pertama ≤16 tahun (X3) dan persentase daerah yang berstatus desa (X5). Model

regresi terbaik dengan metode Best Subset Regression adalah

531 X851.00.8X 266X 5.43 y .

11

1.6 Pemilihan Model Terbaik dengan Metode Forward Selection

Pemilihan model terbaik dengan metode forward selection yaitu dengan

menambahkan satu per satu variabel prediktor yang paling signifikan pada model.

Berikut merupakan analisis untuk menentukan model regresi terbaik dengan

menggunakan metode forward selection pada data jumlah kasus kanker serviks di





Jawa Timur.

Tabel 1.8 Hasil Metode Forward Selection Antara Variabel Respon Dengan Variabel Prediktor

Persentase Sarana Kesehatan (X1)

Constant 7.934

X1 332

P-value 0.003

S 77.2

R-Sq 22.73

R-Sq (adj) 20.52

Mallows Cp 1

Berdasarkan Tabel 1.8 dapat diketahui bahwa pada metode forward

selection tahap pertama, nilai yang paling signifikan adalah X1 dengan P-value

sebesar 0.003, sehingga dalam hal ini model regresi terbaik dengan metode

forward selection adalah antara jumlah kasus kanker serviks (Y) dengan

persentase sarana kesehatan (X1). Model regresi terbaiknya adalah

1332X 7.934y .

1.7 Pemilihan Model Terbaik dengan Metode Backward Elimination

Pemilihan model terbaik dengan metode backward elimination yaitu

dengan meregresikan variabel respon dengan semua variabel prediktor, dan secara

bertahap mengurangi banyaknya peubah di dalam persamaan sampai suatu

keputusan dicapai untuk menggunakan persamaan yang diperoleh. Berikut

merupakan analisis untuk menentukan model regresi terbaik dengan

menggunakan metode backward elimination pada data jumlah kasus kanker

serviks di setiap kabupaten/kota di Jawa Timur tahun 2010 berdasarkan faktor

persentase sarana kesehatan, persentase tenaga medis, persentase penduduk

12




Tabel 1.9 Hasil Metode Backward Elimination Antara Variabel Respon Dengan Variabel

Prediktor Step 1 2 3 4 5

X1

P-value 0.613 0.026 0.028 0.031 0.003

X2

P-value 0.722

X3

P-value 0.559 0.572 0.542

X4

P-value 0.648 0.582

X5

P-value 0.136 0.124 0.124 0.139

S 78.3 77.3 76.5 75.8 77.2

R-sq 29.46 29.17 28.45 27.62 22.73

Mallows Cp 6 4.1 2.4 0.8 1

Berdasarkan Tabel 1.9 dapat diketahui bahwa pada metode backward

elimination tahap pertama, variabel yang paling tidak signifikan adalah X2 dengan

P-value sebesar 0.722 sehingga X2 dikeluarkan dari model. Pada metode

backward elimination tahap kedua, variabel yang paling tidak signifikan adalah

X4 dengan P-value sebesar 0.582 sehingga X4 dikeluarkan dari model. Pada

metode backward elimination tahap ketiga, variabel yang paling tidak signifikan

adalah X3 dengan P-value sebesar 0.542 sehingga X3 dikeluarkan dari model. Pada

metode backward elimination tahap keempat, variabel yang paling tidak

signifikan adalah X5 dengan P-value sebesar 0.139 sehingga X5 dikeluarkan dari

model. Pada tahap terakhir, nilai yang signifikan adalah X1 dengan P-value

sebesar 0.003. Oleh karena itu, dengan menggunakan metode backward

elimination variabel yang masuk ke dalam model terbaik adalah jumlah kasus

kanker serviks (Y) dengan persentase sarana kesehatan (X1). Model regresi

terbaiknya adalah 1332X 7.934y .

1.8 Pemilihan Model Terbaik dengan Metode Stepwise Regression

Stepwise merupakan gabungan antara metode forward dengan metode

backward, variabel yang pertama kali dimasukan adalah variabel yang korelasinya

tertinggi dan signifikan dengan variabel dependent, variabel yang masuk kedua

13

adalah variabel yang korelasi parsialnya paling tinggi dan masih signifikan,

setelah variabel tertentu masuk kedalam model maka variabel yang lain yang ada

didalam model dievaluasi. Jika ada variabel yang tidak signifikan maka variabel

tersebut dikeluarkan. Berikut merupakan analisis untuk menentukan model regresi

terbaik dengan menggunakan metode stepwise regression pada data jumlah kasus






Tabel 1.10 Uji Korelasi Antara Y dan Variabel Prediktor

X1 X2 X3 X4 X5

Y r

P-value

0.477

0.003

0.402

0.014

-0.238

0.157

-0.043

0.801

-0.410

0.012

Berdasarkan Tabel 1.10 dapat diketahui bahwa korelasi yang paling

siginifikan dengan nilai korelasi tertinggi adalah antara jumlah kasus kanker

serviks (Y) dengan persentase sarana kesehatan (X1) dengan nilai Pearson

Correlation sebesar 0.477 dan P-value sebesar 0.003. Oleh karena itu, di lanjutkan

pada uji korelasi parsial untuk mengetahui apakah ada variabel prediktor lain yang

signifikan dengan menggunakan persentase sarana kesehatan (X1) sebagai

variabel kontrol.

Tabel 1.11 Uji Korelasi Parsial

Variabel Kontrol X2 X3 X4 X5

X1 Y r

P-value

-0.072

0.678

-0.065

0.707

0.081

0.639

-0.252

0.139

Berdasarkan Tabel 1.11 dapat diketahui bahwa tidak ada nilai yang

signifikan dari variabel prediktor X2, X3, X4 dan X5 terhadap Y dengan X1 sebagai

variabel kontrol. Oleh karena itu, dengan menggunakan metode stepwise

regression, variabel yang masuk ke dalam model terbaik adalah jumlah kasus

kanker serviks (Y) dengan persentase sarana kesehatan (X1). Model regresi

terbaiknya adalah 1332X 7.934y .

14

BAB II

KESIMPULAN DAN SARAN

2.2 Kesimpulan

Berdasarkan analisis dan pembahasan pada Bab I dapat diperoleh

kesimpulan sebagai berikut.

1. Nilai rata-rata dari jumlah kasus kanker serviks di tiap kabupaten/kota

provinsi Jawa Timur pada tahun 2010 sebesar 45.6 kasus, nilai maksimum

sebesar 479 kasus dan nilai minimum sebesar 0 kasus dengan nilai

keragaman sebesar 86.6. Variabel prediktor persentase daerah yang

berstatus desa di tiap kabupaten/kota provinsi Jawa Timur memiliki nilai

rata-rata dan nilai keragaman terbesar.

2. Pemeriksaan dan pengujian asumsi residual IIDN menunjukkan bahwa

residual data pada jumlah kasus kanker serviks di setiap kabupaten/kota di

Jawa Timur tahun 2010 berdasarkan faktor persentase sarana kesehatan,

persentase tenaga medis, persentase penduduk perempuan yang umur

kawin pertama ≤16 tahun, persentase penduduk dan Rumah Tangga (RT)

perempuan dan persentase daerah yang berstatus desa di tiap

kabupaten/kota di Jawa Timur telah memenuhi asumsi residual identik dan

independen namun tidak memenuhi asumsi residual berdistribusi normal.

3. Tidak terdapat kasus multikolinieritas pada data jumlah kasus kanker

serviks di setiap kabupaten/kota di Jawa Timur tahun 2010 berdasarkan

faktor persentase sarana kesehatan, persentase tenaga medis, persentase

penduduk perempuan yang umur kawin pertama ≤16 tahun, persentase

penduduk dan Rumah Tangga (RT) perempuan dan persentase daerah

yang berstatus desa di tiap kabupaten/kota di Jawa Timur.

4. Model regresi terbaik dengan metode All Possible Regression adalah

antara jumlah kasus kanker serviks (Y) dengan persentase sarana

kesehatan (X1), persentase penduduk perempuan yang umur kawin


Model regresi terbaik dengan metode All Possible Regression adalah

531 X851.00.8X 266X 5.43 y .

15

5. Model regresi terbaik dengan metode Best Subset Regression adalah

antara jumlah kasus kanker serviks (Y) dengan persentase sarana

kesehatan (X1), persentase penduduk perempuan yang umur kawin


Model regresi terbaik dengan metode Best Subset Regression adalah

531 X851.00.8X 266X 5.43 y .

6. Model regresi terbaik dengan metode Forward Selection adalah jumlah

kasus kanker serviks (Y) dengan persentase sarana kesehatan (X1). Model

regresi terbaiknya adalah 1332X 7.934y .

7. Model regresi terbaik dengan metode Backward Elimination adalah

jumlah kasus kanker serviks (Y) dengan persentase sarana kesehatan (X1).

Model regresi terbaiknya adalah 1332X 7.934y .

8. Model regresi terbaik dengan metode Stepwise Regression adalah jumlah

kasus kanker serviks (Y) dengan persentase sarana kesehatan (X1). Model

regresi terbaiknya adalah 1332X 7.934y .

2.2 Saran

Diharapkan dengan adanya percobaan ini, mahasiswa lebih teliti dan

cermat pada mengolah data yang ada. Selain itu, saran untuk percobaan

selanjutnya adalah harus lebih disiplin waktu dan tidak menunda-nunda pekerjaan.

LAMPIRAN

Lampiran 1 Data Jumlah Kasus Kanker Serviks di Tiap Kabupaten/Kota Provinsi

Jawa Timur Tahun 2010 dengan Variabel Prediktornya

No Kabupaten/Kota Y X1 X2 X3 X4 X5

1 Pacitan 0 0.02 0.92 21.78 49.87 88.89

2 Ponorogo 25 0.12 1.15 24.82 51.12 78.36

3 Trenggalek 19 0.06 1.08 30.48 50.1 82.17

4 Tulungagung 75 0.16 1.28 22.34 50.85 66.42

5 Blitar 15 0.06 1.14 22.95 49.16 78.63

6 Kediri 11 0.1 1.88 20.71 50.43 69.48

7 Malang 51 0.24 2.14 30.05 49.62 70

8 Lumajang 18 0.1 1.71 34.5 50.79 86.63

9 Jember 0 0.2 2.07 40.79 50.67 74.6

10 Banyuwangi 30 0.14 1.73 31.04 49.16 71.43

11 Bondowoso 54 0.06 1.62 58.78 50.49 84.93

12 Situbondo 0 0.04 0.2 62.7 50.33 75.74

13 Probolinggo 86 0.08 1.06 59.27 50.14 77.27

14 Pasuruan 0 0.06 1.55 33.63 50.97 70.96

15 Sidoarjo 26 0.32 2.19 13.92 49.31 24.08

16 Mojokerto 0 0.16 1.55 24.31 50.25 66.45

17 Jombang 0 0.14 2.03 22.28 50.69 52.94

18 Nganjuk 0 0.12 1.34 24.59 49.4 69.72

19 Madiun 74 0.02 1.4 29.47 51.41 81.07

20 Magetan 39 0.04 1.04 24.76 51.91 69.79

21 Ngawi 46 0.04 1.37 25.72 51.75 93.09

22 Bojonegoro 61 0.12 1.45 36.35 50.29 86.51

23 Tuban 0 0.06 1.01 34.67 50.57 86.28

24 Lamongan 30 0.08 1.47 37.44 51.84 89.24

25 Gresik 63 0.12 1.78 22.16 50.07 60.96

26 Bangkalan 27 0.02 1.01 37.43 53.33 86.48

27 Sampang 15 0.02 0.74 47.45 51.39 93.55

28 Pamekasan 0 0.02 0.98 41.8 51.21 86.77

29 Sumenep 4 0.04 1.09 47.79 53.12 89.46

30 Kota Kediri 58 0.16 0.83 12.12 50.66 0

31 Kota Blitar 53 0.08 0.49 14.98 48.49 0

32 Kota Malang 479 0.18 1.36 17.75 50.6 5.26

33

Kota

Probolinggo 0 0.04 0.82 27.28 49.78 27.59

34 Kota Pasuruan 5 0.02 0.79 21.88 50.74 5.88

35 Kota Mojokerto 39 0.12 0.55 13.05 50.76 0

36 Kota Madiun 23 0.11 0.85 13.32 53.12 0

37 Kota Surabaya 262 0.73 7.52 12.16 50.38 0

Keterangan :

Y = Jumlah kasus kanker serviks di tiap kabupaten/kota provinsi Jawa Timur

X1 = Persentase sarana kesehatan di tiap kabupaten/kota provinsi Jawa Timur

X2 = Persentase tenaga medis di tiap kabupaten/kota provinsi Jawa Timur

X3 = persentase penduduk perempuan yang umur kawin pertama ≤16 tahun di

tiap kabupaten/kota provinsi Jawa Timur

X4 = Persentase penduduk dan Rumah Tangga (RT) perempuan di tiap

kabupaten/kota provinsi Jawa Timur

X5 = Persentase daerah yang berstatus desa di tiap kabupaten/kota provinsi Jawa

Timur

Lampiran 2 Output Statistika Deskriptif

Lampiran 3 Output Uji Glejser

Descriptive Statistics: y, x1, x2, x3, x4, x5 Variable N Mean StDev Minimum Median Maximum

y 37 45.6 86.6 0.0 25.0 479.0

x1 37 0.1135 0.1243 0.0200 0.0800 0.7300

x2 37 1.438 1.132 0.200 1.280 7.520

x3 37 29.64 13.19 12.12 25.72 62.70

x4 37 50.669 1.077 48.490 50.600 53.330

x5 37 60.83 32.62 0.00 71.43 93.55

Regression Analysis: residual abs versus x1, x2, x3, x4, x5 The regression equation is

residual abs = - 194 + 105 x1 - 16.6 x2 + 0.31 x3 + 5.62 x4 -

0.820 x5

Analysis of Variance

Source DF SS MS F P

Regression 5 27286 5457 1.55 0.205


Total 36 136737

Lampiran 4 Output Durbin Watson Statistic

Lampiran 5 Output VIF

Lampiran 6 Output Metode All Possible Regression

Regression Analysis: y versus x1, x2, x3, x4, x5 Durbin-Watson statistic = 2.02816

Regression Analysis: y versus x1, x2, x3, x4, x5 The regression equation is

y = - 257 + 168 x1 + 11.7 x2 + 0.79 x3 + 6.0 x4 - 0.973 x5

Predictor Coef SE Coef T P VIF

Constant -256.5 655.3 -0.39 0.698

x1 167.6 327.7 0.51 0.613 9.733

x2 11.66 32.52 0.36 0.722 7.953

x3 0.790 1.338 0.59 0.559 1.825

x4 5.96 12.91 0.46 0.648 1.135

x5 -0.9732 0.6352 -1.53 0.136 2.518

Best Subsets Regression: y versus x1, x2, x3, x4, x5 Response is y

Mallows x x x x x

Vars R-Sq R-Sq(adj) Cp S 1 2 3 4 5

1 22.7 20.5 1.0 77.173 X

1 16.8 14.4 3.6 80.082 X

1 16.2 13.8 3.8 80.382 X

1 5.7 3.0 8.5 85.277 X

1 0.2 0.0 10.9 87.712 X

2 27.7 23.4 0.8 75.740 X X

2 27.6 23.4 0.8 75.780 X X

2 23.2 18.7 2.7 78.044 X X

2 23.1 18.6 2.8 78.099 X X

2 23.1 18.5 2.8 78.135 X X

3 28.6 22.1 2.4 76.391 X X X

3 28.4 21.9 2.4 76.480 X X X

3 28.4 21.9 2.4 76.481 X X X

3 28.1 21.5 2.6 76.683 X X X

3 28.0 21.5 2.6 76.703 X X X

4 29.2 20.3 4.1 77.274 X X X X

4 29.0 20.1 4.2 77.379 X X X X

4 28.9 20.0 4.3 77.439 X X X X

4 28.7 19.7 4.3 77.547 X X X X

4 24.1 14.6 6.3 79.980 X X X X

5 29.5 18.1 6.0 78.348 X X X X X

Lampiran 7 Output Metode Best Subset Regression

Lampiran 8 Output Metode Forward Selection

Best Subsets Regression: y versus x1, x2, x3, x4, x5 Response is y

Mallows x x x x x

Vars R-Sq R-Sq(adj) Cp S 1 2 3 4 5

1 22.7 20.5 1.0 77.173 X

1 16.8 14.4 3.6 80.082 X

2 27.7 23.4 0.8 75.740 X X

2 27.6 23.4 0.8 75.780 X X

3 28.6 22.1 2.4 76.391 X X X

3 28.4 21.9 2.4 76.480 X X X

4 29.2 20.3 4.1 77.274 X X X X

4 29.0 20.1 4.2 77.379 X X X X

5 29.5 18.1 6.0 78.348 X X X X X

Stepwise Regression: y versus x1, x2, x3, x4, x5 Forward selection. Alpha-to-Enter: 0.05

Response is y on 5 predictors, with N = 37

Step 1

Constant 7.934

x1 332

T-Value 3.21

P-Value 0.003

S 77.2

R-Sq 22.73

R-Sq(adj) 20.52

Mallows Cp 1.0

Lampiran 9 Output Metode Backward Elimination

Lampiran 10 Output Uji Korelasi

Correlations

Y x1 x2 x3 x4 x5

y Pearson Correlation 1 .477** .402

* -.238 -.043 -.410

*

Sig. (2-tailed) .003 .014 .157 .801 .012

N 37 37 37 37 37 37

x1 Pearson Correlation .477** 1 .901

** -.388

* -.235 -.444

**

Sig. (2-tailed) .003 .000 .018 .162 .006

N 37 37 37 37 37 37

x2 Pearson Correlation .402* .901

** 1 -.240 -.110 -.190

Sig. (2-tailed) .014 .000 .152 .518 .260

Stepwise Regression: y versus x1, x2, x3, x4, x5 Backward elimination. Alpha-to-Remove: 0.05

Response is y on 5 predictors, with N = 37

Step 1 2 3 4 5

Constant -256.525 -313.445 43.512 56.445 7.934

x1 168 277 266 256 332

T-Value 0.51 2.34 2.30 2.26 3.21

P-Value 0.613 0.026 0.028 0.031 0.003

x2 12

T-Value 0.36

P-Value 0.722

x3 0.8 0.8 0.8

T-Value 0.59 0.57 0.62

P-Value 0.559 0.572 0.542

x4 6 7

T-Value 0.46 0.57

P-Value 0.648 0.582

x5 -0.97 -0.86 -0.85 -0.66

T-Value -1.53 -1.58 -1.58 -1.52

P-Value 0.136 0.124 0.124 0.139

S 78.3 77.3 76.5 75.8 77.2

R-Sq 29.46 29.17 28.45 27.62 22.73

R-Sq(adj) 18.08 20.31 21.94 23.37 20.52

Mallows Cp 6.0 4.1 2.4 0.8 1.0

N 37 37 37 37 37 37

x3 Pearson Correlation -.238 -.388* -.240 1 .184 .659

**

Sig. (2-tailed) .157 .018 .152 .274 .000

N 37 37 37 37 37 37

x4 Pearson Correlation -.043 -.235 -.110 .184 1 .180

Sig. (2-tailed) .801 .162 .518 .274 .287

N 37 37 37 37 37 37

x5 Pearson Correlation -.410* -.444

** -.190 .659

** .180 1

Sig. (2-tailed) .012 .006 .260 .000 .287

N 37 37 37 37 37 37

Lampiran 11 Output Uji Korelasi Parsial

Correlations

Control Variables Y x2 x3 x4 x5

x1 y Correlation 1.000 -.072 -.065 .081 -.252

Significance (2-tailed) . .678 .707 .639 .139

df 0 34 34 34 34

x2 Correlation -.072 1.000 .274 .241 .539

Significance (2-tailed) .678 . .106 .156 .001

df 34 0 34 34 34

x3 Correlation -.065 .274 1.000 .104 .590

Significance (2-tailed) .707 .106 . .546 .000

df 34 34 0 34 34

x4 Correlation .081 .241 .104 1.000 .087

Significance (2-tailed) .639 .156 .546 . .614

df 34 34 34 0 34

x5 Correlation -.252 .539 .590 .087 1.000

Significance (2-tailed) .139 .001 .000 .614 .

df 34 34 34 34 0

pemilihan model regresi terbaik

Documents