Penulis: yenapriliablog

mahasiswa

Tugas Anreg 12

Nama: Yenaprilia

NIM: 201532290

HAL 221

Soal 1

Lakukan prediksi TRI dengan variabel independen IMT, Umur dan Umur Kuadrat.

  1. Lakukan analisa regresi masing-masing independen variabel
  2. Hitung SS for Regression
  3. Hitung SS for Residual
  4. Hitung Means SS for Regression
  5. Hitung Means SS for Residual
  6. Hitung nilai F parsial
  7. Hitung nilai r2
  8. Buktikan penambahan berperan dalam memprediksi Y
TRI IMT UM
135 28 45
101 37 52
57 37 60
56 46 64
113 41 64
42 30 50
84 32 57
186 33 53
164 30 48
205 38 63
230 32 41
146 29 54
160 36 48
186 39 59
138 36 56
160 34 49
142 34 56
153 32 50
139 28 43
170 41 63
136 31 49
139 28 47
124 23 44
138 40 51
150 35 54
142 30 46
145 37 58
149 33 54
128 29 43
155 39 62

 

MODEL 1 : TRI = β0 + β1 IMT

 

Variables Entered/Removedb
Model Variables Entered Variables Removed Method
1 Indeks Massa Tubuha . Enter
a. All requested variables entered.
b. Dependent Variable: Trigliserida
Model Summary
Model R R Square Adjusted R Square Std. Error of the Estimate
1 .057a .003 -.032 41.696
a. Predictors: (Constant), Indeks Massa Tubuh

 

ANOVAb
Model Sum of Squares Df Mean Square F Sig.
1 Regression 160.067 1 160.067 .092 .764a
Residual 48678.633 28 1738.523
Total 48838.700 29
a. Predictors: (Constant), Indeks Massa Tubuh
b. Dependent Variable: Trigliserida
Coefficientsa
Model Unstandardized Coefficients Standardized Coefficients t Sig.
B Std. Error Beta
1 (Constant) 154.991 52.922 2.929 .007
Indeks Massa Tubuh -.468 1.543 -.057 -.303 .764
a. Dependent Variable: Trigliserida

 

MODEL 2 : TRI = β0 + β1 UM

 

Variables Entered/Removedb
Model Variables Entered Variables Removed Method
1 Umura . Enter
a. All requested variables entered.
b. Dependent Variable: Trigliserida
Model Summary
Model R R Square Adjusted R Square Std. Error of the Estimate
1 .170a .029 -.006 41.154
a. Predictors: (Constant), Umur
ANOVAb
Model Sum of Squares Df Mean Square F Sig.
1 Regression 1416.088 1 1416.088 .836 .368a
Residual 47422.612 28 1693.665
Total 48838.700 29
a. Predictors: (Constant), Umur
b. Dependent Variable: Trigliserida
Coefficientsa
Model Unstandardized Coefficients Standardized Coefficients t Sig.
B Std. Error Beta
1 (Constant) 193.196 59.636 3.240 .003
Umur -1.025 1.121 -.170 -.914 .368
a. Dependent Variable: Trigliserida

 

MODEL 3 : TRI = β0 + β1 UMKWT

 

Variables Entered/Removedb
Model Variables Entered Variables Removed Method
1 Umur Kuadrata . Enter
a. All requested variables entered.
b. Dependent Variable: Trigliserida
Model Summary
Model R R Square Adjusted R Square Std. Error of the Estimate
1 .162a .026 -.008 41.210
a. Predictors: (Constant), Umur Kuadrat
ANOVAb
Model Sum of Squares Df Mean Square F Sig.
1 Regression 1287.955 1 1287.955 .758 .391a
Residual 47550.745 28 1698.241
Total 48838.700 29
a. Predictors: (Constant), Umur Kuadrat
b. Dependent Variable: Trigliserida
Coefficientsa
Model Unstandardized Coefficients Standardized Coefficients t Sig.
B Std. Error Beta
1 (Constant) 165.049 30.732 5.371 .000
Umur Kuadrat -.009 .011 -.162 -.871 .391
a. Dependent Variable: Trigliserida

 

 

MODEL 4 : TRI = β0 + β1 IMT + β2 UM

 

Variables Entered/Removedb
Model Variables Entered Variables Removed Method
1 Umur, Indeks Massa Tubuha . Enter
a. All requested variables entered.
b. Dependent Variable: Trigliserida
Model Summary
Model R R Square Adjusted R Square Std. Error of the Estimate

1

.215a

.046

-.024

41.536

a. Predictors: (Constant), Umur, Indeks Massa Tubuh

ANOVAb

Model

Sum of Squares

df

Mean Square

F

Sig.

1

Regression

2256.283

2

1128.141

.654

.528a

Residual

46582.417

27

1725.275

Total

48838.700

29

a. Predictors: (Constant), Umur, Indeks Massa Tubuh

b. Dependent Variable: Trigliserida

Coefficientsa

Model

Unstandardized Coefficients

Standardized Coefficients

T

Sig.

B

Std. Error

Beta

1

(Constant)

188.027

60.643

3.101

.004

Indeks Massa Tubuh

1.785

2.558

.218

.698

.491

Umur

-2.075

1.883

-.345

-1.102

.280

a. Dependent Variable: Trigliserida

 

MODEL 5 : TRI = β0 + β1 IMT + β2 UMKWT

 

Variables Entered/Removedb

Model

Variables Entered

Variables Removed

Method

1

Umur Kuadrat, Indeks Massa Tubuha

.

Enter

a. All requested variables entered.

b. Dependent Variable: Trigliserida

Model Summary

Model

R

R Square

Adjusted R Square

Std. Error of the Estimate

1

.204a

.042

-.029

41.634

a. Predictors: (Constant), Umur Kuadrat, Indeks Massa Tubuh

 

ANOVAb

Model

Sum of Squares

df

Mean Square

F

Sig.

1

Regression

2036.327

2

1018.163

.587

.563a

Residual

46802.373

27

1733.421

Total

48838.700

29

a. Predictors: (Constant), Umur Kuadrat, Indeks Massa Tubuh

b. Dependent Variable: Trigliserida

Coefficientsa

Model

Unstandardized Coefficients

Standardized Coefficients

T

Sig.

B

Std. Error

Beta

1

(Constant)

133.975

56.573

2.368

.025

Indeks Massa Tubuh

1.706

2.597

.209

.657

.517

Umur Kuadrat

-.019

.018

-.330

-1.040

.307

a. Dependent Variable: Trigliserida

MODEL 6 : TRI = β0 + β1 IMT + β2 UM + β3 UMKWT

Variables Entered/Removedb

Model

Variables Entered

Variables Removed

Method

1

Umur Kuadrat, Indeks Massa Tubuh, Umura

.

Enter

a. All requested variables entered.

b. Dependent Variable: Trigliserida

Model Summary

Model

R

R Square

Adjusted R Square

Std. Error of the Estimate

1

.237a

.056

-.053

42.103

a. Predictors: (Constant), Umur Kuadrat, Indeks Massa Tubuh, Umur

ANOVAb

Model

Sum of Squares

df

Mean Square

F

Sig.

1

Regression

2750.563

3

916.854

.517

.674a

Residual

46088.137

26

1772.621

Total

48838.700

29

a. Predictors: (Constant), Umur Kuadrat, Indeks Massa Tubuh, Umur

b. Dependent Variable: Trigliserida

Coefficientsa

Model

Unstandardized Coefficients

Standardized Coefficients

T

Sig.

B

Std. Error

Beta

1

(Constant)

453.925

507.281

.895

.379

Indeks Massa Tubuh

1.511

2.644

.185

.572

.573

Umur

-12.042

18.970

-2.000

-.635

.531

Umur Kuadrat

.095

.180

1.685

.528

.602

a. Dependent Variable: Trigliserida
  1. Y = β0 + β1X1

TRI = β0 + β1 IMT

TRI = 154.991 – 0.468 IMT => Nilai F hitung (0.092) < F tabel (4.2) maka Ho diterima sehingga dapat disimpukan bahwa IMT tidak mempengaruhi TRIGLISERIDA.

Y = β0 + β1X1  

TRI = β0 + β1 UM

TRI = 193.196 – 1.025 UM => Nilai F hitung (0.836) < F tabel (4.2) maka Ho diterima sehingga dapat disimpukan bahwa UMUR tidak mempengaruhi TRIGLISERIDA.

Y = β0 + β1X1  

TRI = β0 + β1 UMKWT

TRI = 1287.955 + 47550.745 UMKWT => Nilai F hitung (0.758) < F tabel (4.2) maka Ho sehingga diterima dapat disimpukan bahwa UMUR Kuadrat tidak mempengaruhi TRIGLISERIDA.

  1. Nilai SS for Regression adalah 2750.563
  2. Nilai SS for Residual adalah 46088.137
  3. Nilai Means SS for Regression adalah 916.854
  4. Nilai Means SS for Residual adalah 772.621
  5. Nilai nilai F parsial adalah 0.517
  6. Nilai r2 adalah 0.056
  7. Buktikan penambahan berperan dalam memprediksi Y

TRI = 453.925 + 1.511 IMT – 12.042 UM + 0.095 UMKWT

Pada model 6 diatas, nilai F untuk penambahan independen variabel X3 = 0.157 < F tabel (2.98), ini berarti hipotesa Ho : β3 = 0 diterima atau gagal ditolak, artinya penambahan Umur Kuadrat (X3) tidak secara bermakna dapat memprediksi Y.

 

 

 

 

BAB 8 HAL 187-191

Soal 1.

Pelajari data yang disajikan dibawah ini tentang pengaruh umur serta pemberian makanan tinggi protein dan rendah protein terhadap panjang badan.

Tinggi Protein

Rendah Protein

Umur (bln)

Panjang ( cm)

Umur (bln)

Panjang ( cm)

2

50

4

52

5

54,3

7

55

8

63

10

61

10

66

10

63,4

10

69

15

66

14

73

20

68,5

18

82

20

67,9

20

83

24

72

20

80,3

28

78

25

85

30

74

25

84

13

65

30

86

18

69

27

85

20

74
  1. Tentukan persamaan garis untuk kelompok tinggi protein dan rendah protein secara terpisah
  2. Tentukan satu persamaan garis dengan memasukkan semua independen variabel
  3. Buktikan bahwa jenis makanan sangat berpengaruh terhadap panjang badan
  4. Bila umur dikelompokkan menjadi 2 kelompok yaitu <20 dan > 20 bulan, lakukan uji regresi untuk membuktikan jenis makanan dan umur berpengaruh terhadap panjang badan (ingat ada interaksi!)

Jawaban:

  1. Persamaan garis
  • Kelompok tinggi protein

Variables Entered/Removedb

Model

Variables Entered

Variables Removed

Method

1

Umur (bln)a

.

Enter

a. All requested variables entered.

b. Dependent Variable: Panjang (cm)

Model Summary

Model

R

R Square

Adjusted R Square

Std. Error of the Estimate

1

.954a

.911

.903

3.8651

a. Predictors: (Constant), Umur (bln)

ANOVAb

Model

Sum of Squares

df

Mean Square

F

Sig.

1

Regression

1681.302

1

1681.302

112.546

.000a

Residual

164.327

11

14.939

Total

1845.629

12

a. Predictors: (Constant), Umur (bln)

b. Dependent Variable: Panjang (cm)

Coefficientsa

Model

Unstandardized Coefficients

Standardized Coefficients

t

Sig.

B

Std. Error

Beta

1

(Constant)

52.211

2.308

22.624

.000

Umur (bln)

1.317

.124

.954

10.609

.000

a. Dependent Variable: Panjang (cm)

Persamaan garis kelompok tinggi protein:

Y = β0 + β1X1

Y = β0 + β1 Umur => Panjang Badan = 52,211 + 1, 317 Umur

  • Kelompok rendah protein

Variables Entered/Removedb

Model

Variables Entered

Variables Removed

Method

1

Umur (bln)a

.

Enter

a. All requested variables entered.

b. Dependent Variable: Panjang (cm)

Model Summary

Model

R

R Square

Adjusted R Square

Std. Error of the Estimate

1

.940a

.883

.872

2.6769

a. Predictors: (Constant), Umur (bln)

ANOVAb

Model

Sum of Squares

df

Mean Square

F

Sig.

1

Regression

593.115

1

593.115

82.769

.000a

Residual

78.825

11

7.166

Total

671.940

12

a. Predictors: (Constant), Umur (bln)

b. Dependent Variable: Panjang (cm)

Coefficientsa

Model

Unstandardized Coefficients

Standardized Coefficients

t

Sig.

B

Std. Error

Beta

1

(Constant)

51.656

1.803

28.656

.000

Umur (bln)

.887

.098

.940

9.098

.000

a. Dependent Variable: Panjang (cm)

Persamaan garis kelompok rendah protein:

Y = β0 + β1X1

Y = β0 + β1 Umur => Panjang Badan = 51,656 + 0,887 Umur

  1. Persamaan garis semua independen variabel

Variables Entered/Removedb

Model

Variables Entered

Variables Removed

Method

1

Jenis Protein, Umur (bl)a

.

Enter

a. All requested variables entered.

b. Dependent Variable: Panjang (cm)

Model Summary

Model

R

R Square

Adjusted R Square

Std. Error of the Estimate

1

.942a

.888

.878

3.7390

a. Predictors: (Constant), Jenis Protein, Umur (bl)

ANOVAb

Model

Sum of Squares

df

Mean Square

F

Sig.

1

Regression

2541.687

2

1270.844

90.905

.000a

Residual

321.538

23

13.980

Total

2863.225

25

a. Predictors: (Constant), Jenis Protein, Umur (bl)

b. Dependent Variable: Panjang (cm)

Coefficientsa

Model

Unstandardized Coefficients

Standardized Coefficients

t

Sig.

B

Std. Error

Beta

1

(Constant)

47.581

1.838

25.888

.000

Umur (bl)

1.129

.090

.876

12.533

.000

Jenis Protein

7.727

1.467

.368

5.267

.000

a. Dependent Variable: Panjang (cm)

Persamaan garis kelompok tinggi protein:

Y = β0 + β1X1

Y = β0 + β1 Umur + β2 Jenis Protein

Panjang Badan = 47,581 + 1, 129 Umur + 7,727 Jenis Protein

  1. Buktikan jenis makanan sangat berpengaruh terhadap panjang badan

Variables Entered/Removedb

Model

Variables Entered

Variables Removed

Method

1

Jenis Proteina

.

Enter

a. All requested variables entered.

b. Dependent Variable: Panjang (cm)

Model Summary

Model

R

R Square

Adjusted R Square

Std. Error of the Estimate

1

.347a

.121

.084

10.2420

a. Predictors: (Constant), Jenis Protein

ANOVAb

Model

Sum of Squares

df

Mean Square

F

Sig.

1

Regression

345.655

1

345.655

3.295

.082a

Residual

2517.569

24

104.899

Total

2863.225

25

a. Predictors: (Constant), Jenis Protein

b. Dependent Variable: Panjang (cm)

Coefficientsa

Model

Unstandardized Coefficients

Standardized Coefficients

t

Sig.

B

Std. Error

Beta

1

(Constant)

66.600

2.841

23.446

.000

Jenis Protein

7.292

4.017

.347

1.815

.082

a. Dependent Variable: Panjang (cm)

Kesimpulan: Fhitung  = 3,295 < Ftabel = 4,26 maka Ho diterima artinya bahwa jenis makanan (jenis protein) sangat tidak berpengaruh terhadap panjang badan.

  1. Uji regresi membuktikan jenis protein dan umur berpengaruh terhadap panjang badan
  • Sebelum Interaksi

Variables Entered/Removedb

Model

Variables Entered

Variables Removed

Method

1

Jenis Protein, UmurKategoria

.

Enter

a. All requested variables entered.

b. Dependent Variable: Panjang (cm)

Model Summary

Model

R

R Square

Adjusted R Square

Std. Error of the Estimate

1

.778a

.606

.572

7.0040

a. Predictors: (Constant), Jenis Protein, UmurKategori

ANOVAb

Model

Sum of Squares

df

Mean Square

F

Sig.

1

Regression

1734.927

2

867.464

17.683

.000a

Residual

1128.297

23

49.056

Total

2863.225

25

a. Predictors: (Constant), Jenis Protein, UmurKategori

b. Dependent Variable: Panjang (cm)

Coefficientsa

Model

Unstandardized Coefficients

Standardized Coefficients

t

Sig.

B

Std. Error

Beta

1

(Constant)

59.832

2.322

25.770

.000

Jenis Protein

7.292

2.747

.347

2.654

.014

Umur Kategori

14.663

2.755

.697

5.322

.000

a. Dependent Variable: Panjang (cm)

Kesimpulan: Fhitung  = 17,683 > Ftabel = 3,42 maka Ho ditolak artinya bahwa jenis makanan (jenis protein) dan umur (berdasarkan kategori) sangat berpengaruh terhadap panjang badan.

  • Setelah Interaksi

Variables Entered/Removedb

Model

Variables Entered

Variables Removed

Method

1

UmurKategori*Jenis Protein, Jenis Protein, Umur Kategoria

.

Enter

a. All requested variables entered.

b. Dependent Variable: Panjang (cm)

Model Summary

Model

R

R Square

Adjusted R Square

Std. Error of the Estimate

1

.800a

.640

.591

6.8438

a. Predictors: (Constant), UmurKategori*Jenis Protein, Jenis Protein, Umur Kategori

ANOVAb

Model

Sum of Squares

df

Mean Square

F

Sig.

1

Regression

1832.788

3

610.929

13.043

.000a

Residual

1030.437

22

46.838

Total

2863.225

25

a. Predictors: (Constant), UmurKategori*Jenis Protein, Jenis Protein, Umur Kategori

b. Dependent Variable: Panjang (cm)

Coefficientsa

Model

Unstandardized Coefficients

Standardized Coefficients

t

Sig.

B

Std. Error

Beta

1

(Constant)

61.629

2.587

23.825

.000

Jenis Protein

3.700

3.658

.176

1.011

.323

Umur Kategori

10.771

3.808

.512

2.829

.010

UmurKategori*Jenis Protein

7.783

5.385

.312

1.445

.162

a. Dependent Variable: Panjang (cm)

Kesimpulan: Fhitung  = 13,043 > Ftabel = 3,05 maka Ho ditolak artinya bahwa jenis makanan (jenis protein) dan umur (berdasarkan kategori) serta interaksi jenis protein*umur kategori sangat berpengaruh terhadap panjang badan.

Soal 2

Dengan pengetahuan biomedik yang saudara miliki, gunakan data dibawah ini untuk membuat beberapa persamaan garis regresi dan membuktikan hipotesa tentang slop dan intersep. (Buat dulu hipotesis yang akan dibuktikan)

SKL    : Jenis Sekolah: 1 = Swasta; 0 = Negeri

JK        : Jenis Kelamin: 1 = Laki-laki; 0 = Perempuan

UM      : Umur dalam Tahun

BB       : Berat Badan

TB       : Tinggi Badan

IMT     : Indeks Massa Tubuh

BJ        : Berat Jenis Urin

AMA   : Jumlah Air Dari Makanan

TKAR : Total Konsumsi Air

SKL

JK

UMUR

BB

TB

IMT

BJ

AMA

TKAR

0

2

10

65

148

29,7

1025

402

1943

0

1

11

27

129

16,2

1020

634

2135

0

2

10

26

138

13,7

1015

359

1951

0

2

11

28

142

13,9

1020

679

2205

0

2

10

23

125

14,7

1030

273

2116

0

1

11

29

145

13,8

1025

352

2272

0

2

11

36

145

17,1

1025

454

2204

0

2

11

41

148

18,7

1020

635

2177

0

2

10

38

142

18,8

1025

473

2043

0

2

10

55

146

25,8

1020

562

2244

0

2

11

30

140

15,3

1035

382

1924

0

2

11

32

143

15,7

1020

569

2182

0

2

11

31

131

18,1

1015

711

2253

0

2

11

53

150

23,6

1010

386

2237

0

1

11

66

144

31,9

1025

290

2042

0

2

11

43

147

19,9

1020

522

2255

0

1

11

25

134

14

1010

260

2071

0

2

10

30

134

16,7

1010

529

2180

0

2

11

41

151

18

1030

293

1904

0

1

11

24

133

14

1025

256

2077

0

2

12

27

136

14,6

1020

409

2282

0

2

11

40

150

17,8

1025

350

2034

0

2

11

37

144

17,8

1010

832

2105

0

2

10

32

136

17,3

1025

480

2164

0

2

11

41

147

19

1030

457

2139

0

2

11

27

137

14,4

1025

317

2009

0

2

11

33

141

16,5

1040

289

1549

0

2

11

25

135

13,7

1020

593

1976

0

2

10

48

148

22

1025

812

2005

0

2

11

36

151

16

1025

458

2280

0

2

10

36

149

16,2

1005

815

2077

1

2

11

33

139

17,1

1020

482

2321

1

2

11

25

130

14,8

1005

596

2679

1

1

11

31

147

14,3

1005

868

3018

1

2

11

35

147

16,2

1025

661

2112

1

2

11

51

149

23

1015

694

2547

1

2

11

39

148

17,8

1005

709

2958

1

2

10

52

158

20,8

1015

604

2917

1

2

11

58

158

23,2

1020

580

2477

1

2

11

49

153

21

1015

592

2488

1

2

11

43

147

19,9

1010

693

2894

1

1

10

42

153

18

1010

547

2591

1

1

11

43

146

20,2

1020

379

2232

1

1

11

35

141

17,6

1015

1000

2786

1

1

11

51

152

22,1

1010

636

2785

1

2

11

27

128

16,5

1010

446

2927

1

1

11

39

151

17,1

1015

631

3072

1

2

12

38

154

16,1

1015

458

2741

1

1

10

35

140

17,9

1020

578

2312

1

1

11

31

147

14,3

1020

267

2388

1

2

11

35

148

16

1010

605

2468

1

1

11

18

119

12,7

1015

388

2521

1

1

12

54

147

25

1025

492

2384

1

2

11

36

149

16,2

1020

407

2447

1

1

11

28

148

12,8

1010

715

2503

1

2

10

38

142

18,8

1020

909

2750

1

2

10

33

144

16

1020

436

2756

1

2

11

32

149

14,4

1005

1067

3547

1

1

11

40

148

18,3

1015

596

3373

1

1

11

38

147

17,6

1005

560

2710

1

1

11

39

148

17,8

1010

545

2328

1

1

10

45

147

20,8

1030

513

2343

0

2

10

65

148

29,7

1025

402

1943

0

1

11

27

129

16,2

1020

634

2135

0

2

10

26

138

13,7

1015

359

1951

0

2

11

28

142

13,9

1020

679

2205

0

2

10

23

125

14,7

1030

273

2116

0

1

11

29

145

13,8

1025

352

2272

0

2

11

36

145

17,1

1025

454

2204

0

2

11

41

148

18,7

1020

635

2177

0

2

10

38

142

18,8

1025

473

2043

0

2

10

55

146

25,8

1020

562

2244

0

2

11

30

140

15,3

1035

382

1924

X1 = SKL :      1 bila sekolah swasta

0 bila sekolah Negeri

X2 = JK :         1 bila laki-laki

0 bila Perempuan

X3 = UM

X4 = BB

X5 = TB

X6 = IMT

X7 = AMA

X8 = TKAR

X9 = SKL*JK

Jawab:

H0 : µ1 =  µ2  atau H0 : β1 = 0

Tidak ada hubungan antara jenis sekolah, jenis kelamin, umur, berat badan, tinggi badan, indeks massa tubuh, jumlah air dari makanan dan total konsumsi air dengan berat jenis urin.

Ha : µ1 ≠  µ2  atau H0 : β1 ≠ 0

Ada hubungan antara jenis sekolah, jenis kelamin, umur, berat badan, tinggi badan, indeks massa tubuh, jumlah air dari makanan dan total konsumsi air dengan berat jenis urin.

Y = β0 + β1X1 + β2X2 + β3X3 + β4X4 + β5X5 + β6X6 + β7X7 + β8X8 + β9X9

Persamaan garis untuk jenis sekolah swasta dan jenis kelamin laki-laki:

Y = β0 + β1X1 + β2X2 + β3X3 + β4X4 + β5X5 + β6X6 + β7X7 + β8X8 + β9X9

Y = β0 + β1(1) + β2(1) + β3X3 + β4X4 + β5X5 + β6X6 + β7X7 + β8X8 + β9(1*1)

Y = (β0 + β1 + β2 + β9) + β3X3 + β4X4 + β5X5 + β6X6 + β7X7 + β8X8

Model Regresi:

BJ = (978,545 + 1,878 + 1,881 – 1,283) + 0,289 UM – 0,857 BB + 0,419 TB + 1,967 IMT

 – 0,014 AMA – 0,009 TKAR

= 981,021 + 0,289 UM – 0,857 BB + 0,419 TB + 1,967 IMT – 0,014 AMA

 – 0,009  TKAR

Persamaan garis untuk jenis sekolah swasta dan jenis kelamin perempuan:

Y = β0 + β1X1 + β2X2 + β3X3 + β4X4 + β5X5 + β6X6 + β7X7 + β8X8 + β9X9

Y = β0 + β1(1) + β2(0) + β3X3 + β4X4 + β5X5 + β6X6 + β7X7 + β8X8 + β9(1*0)

Y = (β0 + β1) + β3X3 + β4X4 + β5X5 + β6X6 + β7X7 + β8X8

Model Regresi:

BJ = (978,545 + 1,878) + 0,289 UM – 0,857 BB + 0,419 TB + 1,967 IMT – 0,014 AMA

 – 0,009 TKAR

 = 980,423 + 0,289 UM – 0,857 BB + 0,419 TB + 1,967 IMT – 0,014 AMA

 – 0,009  TKAR

Persamaan garis untuk jenis sekolah negeri dan jenis kelamin laki-laki:

Y = β0 + β1X1 + β2X2 + β3X3 + β4X4 + β5X5 + β6X6 + β7X7 + β8X8 + β9X9

Y = β0 + β1(0) + β2(1) + β3X3 + β4X4 + β5X5 + β6X6 + β7X7 + β8X8 + β9(0*1)

Y = (β0 + β2) + β3X3 + β4X4 + β5X5 + β6X6 + β7X7 + β8X8            

 

Model Regresi:

BJ = (978,545 + 1,881) + 0,289 UM – 0,857 BB + 0,419 TB + 1,967 IMT – 0,014 AMA

 – 0,009 TKAR

 = 980,426 + 0,289 UM – 0,857 BB + 0,419 TB + 1,967 IMT – 0,014 AMA

  – 0,009  TKAR

 

Persamaan garis untuk jenis sekolah negeri dan jenis kelamin perempuan:

Y = β0 + β1X1 + β2X2 + β3X3 + β4X4 + β5X5 + β6X6 + β7X7 + β8X8 + β9X9

Y = β0 + β1(0) + β2(0) + β3X3 + β4X4 + β5X5 + β6X6 + β7X7 + β8X8 + β9(0*0)

Y = β0 + β3X3 + β4X4 + β5X5 + β6X6 + β7X7 + β8X8

 

Model Regresi:

BJ = 978,545 + 0,289 UM – 0,857 BB + 0,419 TB + 1,967 IMT – 0,014 AMA

 – 0,009 TKAR

 

Variables Entered/Removedb

Model

Variables Entered

Variables Removed

Method

1

Jenis Sekolah*Jenis Kelamin, Indeks Massa Tubuh, Jenis Kelamin, Umur dalam Tahun, Jumlah Air Dari Makanan, Tinggi Badan, Total Konsumsi Air, Jenis Sekolah, Berat Badana

.

Enter

a. All requested variables entered.

b. Dependent Variable: Berat Jenis Urin

Model Summary

Model

R

R Square

Adjusted R Square

Std. Error of the Estimate

1

.686a

.471

.395

6.103

a. Predictors: (Constant), Jenis Sekolah*Jenis Kelamin, Indeks Massa Tubuh, Jenis Kelamin, Umur dalam Tahun, Jumlah Air Dari Makanan, Tinggi Badan, Total Konsumsi Air, Jenis Sekolah, Berat Badan

ANOVAb

Model

Sum of Squares

df

Mean Square

F

Sig.

1

Regression

2086.687

9

231.854

6.226

.000a

Residual

2346.190

63

37.241

Total

4432.877

72

a. Predictors: (Constant), Jenis Sekolah*Jenis Kelamin, Indeks Massa Tubuh, Jenis Kelamin, Umur dalam Tahun, Jumlah Air Dari Makanan, Tinggi Badan, Total Konsumsi Air, Jenis Sekolah, Berat Badan

b. Dependent Variable: Berat Jenis Urin

Coefficientsa

Model

Unstandardized Coefficients

Standardized Coefficients

t

Sig.

B

Std. Error

Beta

1

(Constant)

978.545

75.754

12.917

.000

Jenis Sekolah

1.878

6.239

.119

.301

.764

Jenis Kelamin

1.881

2.719

.111

.692

.492

Umur dalam Tahun

.289

1.512

.019

.191

.849

Berat Badan

-.857

1.120

-1.157

-.765

.447

Tinggi Badan

.419

.510

.419

.821

.415

Indeks Massa Tubuh

1.967

2.410

1.008

.816

.417

Jumlah Air Dari Makanan

-.014

.005

-.320

-2.805

.007

Total Konsumsi Air

-.009

.003

-.431

-2.713

.009

Jenis Sekolah*Jenis Kelamin

-1.283

3.471

-.135

-.370

.713

a. Dependent Variable: Berat Jenis Urin

 

Pembuktian hipotesa tentang slop dan intersep:

            Dari keempat persamaan garis dan model regresi diatas menunjukkan intersep masing-masing berbeda namun slopenya sama. Hal ini dikarenakan variabel jenis sekolah dan jenis kelamin mengalami interaksi.

            Dari penyataan diatas dapat disimpulkan bahwa H0 ditolak karena nilai Fhitung (6,226) > Ftabel (2,03). Sehingga dapat disimpulkan ada pengaruh antara variabel indeks massa tubuh, jenis kelamin, umur dalam tahun, jumlah air dari makanan, tinggi badan, total konsumsi air, jenis sekolah, berat badan dan interaksi jenis sekolah-jenis kelamin dengan berat jenis urin.

            Namun, untuk masing – masing variabel hanya variabel AMA dan TKAR yang berpengaruh terhadap berat jenis urin karena nilai Thitung > Ttabel (1,96) sedangkan variabel lain tidak berpengaruh.

Soal 3

Variabel

β

Sβ

Partial F

t

Umur

1.02892

0.50177

4.205

2.05

IMT

10.45104

9.13111

1.310

1.144

RKK

-0.53744

23.23004

0.0005

0.022

Umur*RKK

0.43733

0.71320

0.376

0.613

IMT*RKK

-3.70682

10.76763

0.11851

0.344

Intersep

48.61271

 

Parsial F1 = (β1 : Sβ1)2 = (1.02892 : 0.50177)2 = 4.205

Sβ2  = β2 :    = 10.45104 :    = 9.13111

Parsial F3 = (β3 : Sβ3)2 = (-0.53744 : 23.23004)2 = 0.0005

Sβ4  = β4 :    = 0.43733 :    = 0.71320

Parsial F5 = (β5 : Sβ5)2 = (-3.70682 : 10.76763)2 = 0.11851

X1 = Umur

X2 = IMT

X3 = RKK

X4 = Umur*RKK

X5 = IMT*RKK

Persamaan garis:

Y = β0 + β1X1 + β2X2 + β3X3 + β4X4 + β5X5

    = 48.61271 + 1.02892 X1 + 10.45104 X2 + -0.53744 X3 + 0.43733 X4 + -3.70682 X5

    = 48.61271 + 1.02892 Umur + 10.45104 IMT  – 0.53744 RKK + 0.43733 Umur*RKK

      – 3.70682 IMT*RKK

Kesimpulan:

Penambahan variabel X1 (Umur) kedalam model bermakna karena Thitung (2,05) > Ttabel (1,96) dengan kata lain perlu menambahkan variabel tersebut kedalam model regresi. Sedangkan variabel selain itu tidak perlu ditambahkan kedalam model regresi sehingga model regresi akhir adalah sebagai berikut:

Y = β0 + β1X1

Y = 48.61271 + 1.02892 Umur

 

TUGAS 11

Nama: Yenaprilia

NIM: 201532290

Dengan pengetahuan biomedik yang saudara miliki, gunakan data dibawah ini untuk membuat beberapa persamaan garis regresi dan membuktikan hipotesa tentang slop dan intersep. (Buat dulu hipotesis yang akan dibuktikan)

SKL    : Jenis Sekolah: 1 = Swasta; 0 = Negeri

JK        : Jenis Kelamin: 1 = Laki-laki; 0 = Perempuan

UM      : Umur dalam Tahun

BB       : Berat Badan

TB       : Tinggi Badan

IMT     : Indeks Massa Tubuh

BJ        : Berat Jenis Urin

AMA   : Jumlah Air Dari Makanan

TKAR : Total Konsumsi Air

SKL JK UMUR BB TB IMT BJ AMA TKAR
0 2 10 65 148 29,7 1025 402 1943
0 1 11 27 129 16,2 1020 634 2135
0 2 10 26 138 13,7 1015 359 1951
0 2 11 28 142 13,9 1020 679 2205
0 2 10 23 125 14,7 1030 273 2116
0 1 11 29 145 13,8 1025 352 2272
0 2 11 36 145 17,1 1025 454 2204
0 2 11 41 148 18,7 1020 635 2177
0 2 10 38 142 18,8 1025 473 2043
0 2 10 55 146 25,8 1020 562 2244
0 2 11 30 140 15,3 1035 382 1924
0 2 11 32 143 15,7 1020 569 2182
0 2 11 31 131 18,1 1015 711 2253
0 2 11 53 150 23,6 1010 386 2237
0 1 11 66 144 31,9 1025 290 2042
0 2 11 43 147 19,9 1020 522 2255
0 1 11 25 134 14 1010 260 2071
0 2 10 30 134 16,7 1010 529 2180
0 2 11 41 151 18 1030 293 1904
0 1 11 24 133 14 1025 256 2077
0 2 12 27 136 14,6 1020 409 2282
0 2 11 40 150 17,8 1025 350 2034
0 2 11 37 144 17,8 1010 832 2105
0 2 10 32 136 17,3 1025 480 2164
0 2 11 41 147 19 1030 457 2139
0 2 11 27 137 14,4 1025 317 2009
0 2 11 33 141 16,5 1040 289 1549
0 2 11 25 135 13,7 1020 593 1976
0 2 10 48 148 22 1025 812 2005
0 2 11 36 151 16 1025 458 2280
0 2 10 36 149 16,2 1005 815 2077
1 2 11 33 139 17,1 1020 482 2321
1 2 11 25 130 14,8 1005 596 2679
1 1 11 31 147 14,3 1005 868 3018
1 2 11 35 147 16,2 1025 661 2112
1 2 11 51 149 23 1015 694 2547
1 2 11 39 148 17,8 1005 709 2958
1 2 10 52 158 20,8 1015 604 2917
1 2 11 58 158 23,2 1020 580 2477
1 2 11 49 153 21 1015 592 2488
1 2 11 43 147 19,9 1010 693 2894
1 1 10 42 153 18 1010 547 2591
1 1 11 43 146 20,2 1020 379 2232
1 1 11 35 141 17,6 1015 1000 2786
1 1 11 51 152 22,1 1010 636 2785
1 2 11 27 128 16,5 1010 446 2927
1 1 11 39 151 17,1 1015 631 3072
1 2 12 38 154 16,1 1015 458 2741
1 1 10 35 140 17,9 1020 578 2312
1 1 11 31 147 14,3 1020 267 2388
1 2 11 35 148 16 1010 605 2468
1 1 11 18 119 12,7 1015 388 2521
1 1 12 54 147 25 1025 492 2384
1 2 11 36 149 16,2 1020 407 2447
1 1 11 28 148 12,8 1010 715 2503
1 2 10 38 142 18,8 1020 909 2750
1 2 10 33 144 16 1020 436 2756
1 2 11 32 149 14,4 1005 1067 3547
1 1 11 40 148 18,3 1015 596 3373
1 1 11 38 147 17,6 1005 560 2710
1 1 11 39 148 17,8 1010 545 2328
1 1 10 45 147 20,8 1030 513 2343
0 2 10 65 148 29,7 1025 402 1943
0 1 11 27 129 16,2 1020 634 2135
0 2 10 26 138 13,7 1015 359 1951
0 2 11 28 142 13,9 1020 679 2205
0 2 10 23 125 14,7 1030 273 2116
0 1 11 29 145 13,8 1025 352 2272
0 2 11 36 145 17,1 1025 454 2204
0 2 11 41 148 18,7 1020 635 2177
0 2 10 38 142 18,8 1025 473 2043
0 2 10 55 146 25,8 1020 562 2244
0 2 11 30 140 15,3 1035 382 1924

 

X1 = SKL :      1 bila sekolah swasta

0 bila sekolah Negeri

X2 = JK :         1 bila laki-laki

0 bila Perempuan

X3 = UM

X4 = BB

X5 = TB

X6 = IMT

X7 = AMA

X8 = TKAR

X9 = SKL*JK

 

Jawab:

H0 : µ1 =  µ2  atau H0 : β1 = 0

Tidak ada hubungan antara jenis sekolah, jenis kelamin, umur, berat badan, tinggi badan, indeks massa tubuh, jumlah air dari makanan dan total konsumsi air dengan berat jenis urin.

 

Ha : µ1 ≠  µ2  atau H0 : β1 ≠ 0

Ada hubungan antara jenis sekolah, jenis kelamin, umur, berat badan, tinggi badan, indeks massa tubuh, jumlah air dari makanan dan total konsumsi air dengan berat jenis urin.

 

Y = β0 + β1X1 + β2X2 + β3X3 + β4X4 + β5X5 + β6X6 + β7X7 + β8X8 + β9X9

 

Persamaan garis untuk jenis sekolah swasta dan jenis kelamin laki-laki:

Y = β0 + β1X1 + β2X2 + β3X3 + β4X4 + β5X5 + β6X6 + β7X7 + β8X8 + β9X9

Y = β0 + β1(1) + β2(1) + β3X3 + β4X4 + β5X5 + β6X6 + β7X7 + β8X8 + β9(1*1)

Y = (β0 + β1 + β2 + β9) + β3X3 + β4X4 + β5X5 + β6X6 + β7X7 + β8X8

 

Model Regresi:

BJ = (978,545 + 1,878 + 1,881 – 1,283) + 0,289 UM – 0,857 BB + 0,419 TB + 1,967 IMT

– 0,014 AMA – 0,009 TKAR

= 981,021 + 0,289 UM – 0,857 BB + 0,419 TB + 1,967 IMT – 0,014 AMA

– 0,009  TKAR

Persamaan garis untuk jenis sekolah swasta dan jenis kelamin perempuan:

Y = β0 + β1X1 + β2X2 + β3X3 + β4X4 + β5X5 + β6X6 + β7X7 + β8X8 + β9X9

Y = β0 + β1(1) + β2(0) + β3X3 + β4X4 + β5X5 + β6X6 + β7X7 + β8X8 + β9(1*0)

Y = (β0 + β1) + β3X3 + β4X4 + β5X5 + β6X6 + β7X7 + β8X8

 

Model Regresi:

BJ = (978,545 + 1,878) + 0,289 UM – 0,857 BB + 0,419 TB + 1,967 IMT – 0,014 AMA

– 0,009 TKAR

= 980,423 + 0,289 UM – 0,857 BB + 0,419 TB + 1,967 IMT – 0,014 AMA

– 0,009  TKAR

 

Persamaan garis untuk jenis sekolah negeri dan jenis kelamin laki-laki:

Y = β0 + β1X1 + β2X2 + β3X3 + β4X4 + β5X5 + β6X6 + β7X7 + β8X8 + β9X9

Y = β0 + β1(0) + β2(1) + β3X3 + β4X4 + β5X5 + β6X6 + β7X7 + β8X8 + β9(0*1)

Y = (β0 + β2) + β3X3 + β4X4 + β5X5 + β6X6 + β7X7 + β8X8            

 

Model Regresi:

BJ = (978,545 + 1,881) + 0,289 UM – 0,857 BB + 0,419 TB + 1,967 IMT – 0,014 AMA

– 0,009 TKAR

= 980,426 + 0,289 UM – 0,857 BB + 0,419 TB + 1,967 IMT – 0,014 AMA

– 0,009  TKAR

 

Persamaan garis untuk jenis sekolah negeri dan jenis kelamin perempuan:

Y = β0 + β1X1 + β2X2 + β3X3 + β4X4 + β5X5 + β6X6 + β7X7 + β8X8 + β9X9

Y = β0 + β1(0) + β2(0) + β3X3 + β4X4 + β5X5 + β6X6 + β7X7 + β8X8 + β9(0*0)

Y = β0 + β3X3 + β4X4 + β5X5 + β6X6 + β7X7 + β8X8

 

Model Regresi:

BJ = 978,545 + 0,289 UM – 0,857 BB + 0,419 TB + 1,967 IMT – 0,014 AMA

– 0,009 TKAR

 

Variables Entered/Removedb
Model Variables Entered Variables Removed Method
1 Jenis Sekolah*Jenis Kelamin, Indeks Massa Tubuh, Jenis Kelamin, Umur dalam Tahun, Jumlah Air Dari Makanan, Tinggi Badan, Total Konsumsi Air, Jenis Sekolah, Berat Badana . Enter
a. All requested variables entered.
b. Dependent Variable: Berat Jenis Urin

 

Model Summary
Model R R Square Adjusted R Square Std. Error of the Estimate
1 .686a .471 .395 6.103
a. Predictors: (Constant), Jenis Sekolah*Jenis Kelamin, Indeks Massa Tubuh, Jenis Kelamin, Umur dalam Tahun, Jumlah Air Dari Makanan, Tinggi Badan, Total Konsumsi Air, Jenis Sekolah, Berat Badan

 

ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 2086.687 9 231.854 6.226 .000a
Residual 2346.190 63 37.241
Total 4432.877 72
a. Predictors: (Constant), Jenis Sekolah*Jenis Kelamin, Indeks Massa Tubuh, Jenis Kelamin, Umur dalam Tahun, Jumlah Air Dari Makanan, Tinggi Badan, Total Konsumsi Air, Jenis Sekolah, Berat Badan
b. Dependent Variable: Berat Jenis Urin

 

Coefficientsa
Model Unstandardized Coefficients Standardized Coefficients t Sig.
B Std. Error Beta
1 (Constant) 978.545 75.754 12.917 .000
Jenis Sekolah 1.878 6.239 .119 .301 .764
Jenis Kelamin 1.881 2.719 .111 .692 .492
Umur dalam Tahun .289 1.512 .019 .191 .849
Berat Badan -.857 1.120 -1.157 -.765 .447
Tinggi Badan .419 .510 .419 .821 .415
Indeks Massa Tubuh 1.967 2.410 1.008 .816 .417
Jumlah Air Dari Makanan -.014 .005 -.320 -2.805 .007
Total Konsumsi Air -.009 .003 -.431 -2.713 .009
Jenis Sekolah*Jenis Kelamin -1.283 3.471 -.135 -.370 .713
a. Dependent Variable: Berat Jenis Urin

 

 

Pembuktian hipotesa tentang slop dan intersep:

Dari keempat persamaan garis dan model regresi diatas menunjukkan intersep masing-masing berbeda namun slopenya sama. Hal ini dikarenakan variabel jenis sekolah dan jenis kelamin mengalami interaksi.

Dari penyataan diatas dapat disimpulkan bahwa H0 ditolak karena nilai Fhitung (6,226) > Ftabel (2,03). Sehingga dapat disimpulkan ada pengaruh antara variabel indeks massa tubuh, jenis kelamin, umur dalam tahun, jumlah air dari makanan, tinggi badan, total konsumsi air, jenis sekolah, berat badan dan interaksi jenis sekolah-jenis kelamin dengan berat jenis urin.

Namun, untuk masing – masing variabel hanya variabel AMA dan TKAR yang berpengaruh terhadap berat jenis urin karena nilai Thitung > Ttabel (1,645) sedangkan variabel lain tidak berpengaruh.

 

HAL 191

Variabel β Sβ Partial F t
Umur 1.02892 0.50177 4.205 2.05
IMT 10.45104 9.13111 1.310 1.144
RKK -0.53744 23.23004 0.0005 0.022
Umur*RKK 0.43733 0.71320 0.376 0.613
IMT*RKK -3.70682 10.76763 0.11851 0.344
Intersep 48.61271

 

Parsial F1 = (β1 : Sβ1)2 = (1.02892 : 0.50177)2 = 4.205

Sβ2  = β2 :    = 10.45104 :    = 9.13111

Parsial F3 = (β3 : Sβ3)2 = (-0.53744 : 23.23004)2 = 0.0005

Sβ4  = β4 :    = 0.43733 :    = 0.71320

Parsial F5 = (β5 : Sβ5)2 = (-3.70682 : 10.76763)2 = 0.11851

 

X1 = Umur

X2 = IMT

X3 = RKK

X4 = Umur*RKK

X5 = IMT*RKK

Persamaan garis:

Y = β0 + β1X1 + β2X2 + β3X3 + β4X4 + β5X5

    = 48.61271 + 1.02892 X1 + 10.45104 X2 + -0.53744 X3 + 0.43733 X4 + -3.70682 X5

    = 48.61271 + 1.02892 Umur + 10.45104 IMT  – 0.53744 RKK + 0.43733 Umur*RKK

– 3.70682 IMT*RKK

Kesimpulan:

Penambahan variabel X1 (Umur) kedalam model bermakna karena Thitung (2,05) > Ttabel (1,96) dengan kata lain perlu menambahkan variabel tersebut kedalam model regresi. Sedangkan variabel selain itu tidak perlu ditambahkan kedalam model regresi sehingga model regresi akhir adalah sebagai berikut:

Y = β0 + β1X1

Y = 48.61271 + 1.02892 Umur

 

Tugas 10

TUGAS 10 ANALISA REGRESI

Nama : Yenaprilia Mariana

NIM : 201532290

1.a. Tinggi protein

 

Coefficientsa
Model Unstandardized Coefficients Standardized Coefficients t Sig.
B Std. Error Beta
1 (Constant) 52.125 2.320 22.464 .000
umur 1.320 .125 .954 10.571 .000
a. Dependent Variable: panjang

 

Y= 52.125 + 1.320 umur

 

Rendah protein

 

Coefficientsa
Model Unstandardized Coefficients Standardized Coefficients t Sig.
B Std. Error Beta
1 (Constant) 51.555 1.828 28.198 .000
umur .885 .099 .938 8.947 .000
a. Dependent Variable: panjang

 

Y= 51.555 + 0 .885 umur

1.b.

 

ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 2552.074 2 1276.037 89.667 .000a
Residual 327.311 23 14.231
Total 2879.385 25
a. Predictors: (Constant), jenis protein, umur
b. Dependent Variable: panjang

 

Coefficientsa
Model Unstandardized Coefficients Standardized Coefficients t Sig.
B Std. Error Beta
1 (Constant) 47.436 1.854 25.580 .000
umur 1.129 .091 .874 12.427 .000
jenis protein 7.819 1.480 .371 5.283 .000
a. Dependent Variable: panjang

 

Y= 47.436 + 1.129 umur + 7.819 jenis protein

1.c.

 

ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 354.462 1 354.462 3.369 .079a
Residual 2524.923 24 105.205
Total 2879.385 25
a. Predictors: (Constant), jenis protein
b. Dependent Variable: panjang

 

 

Coefficientsa
Model Unstandardized Coefficients Standardized Coefficients t Sig.
B Std. Error Beta
1 (Constant) 66.462 2.845 23.363 .000
jenis protein 7.385 4.023 .351 1.836 .079
a. Dependent Variable: panjang

 

F hitung = 3.369 < F tabel 4.28 maka menerima hipotesa 0 artinya kita menyatakan bahwa jenis makanan tidak mempengaruhi panjang badan.

 

 

1.d.

 

ANOVAb
Model Sum of Squares Df Mean Square F Sig.
1 Regression 1726.418 2 863.209 17.220 .000a
Residual 1152.967 23 50.129
Total 2879.385 25
a. Predictors: (Constant), jenis protein, umur
b. Dependent Variable: panjang

 

Coefficientsa
Model Unstandardized Coefficients Standardized Coefficients t Sig.
B Std. Error Beta
1 (Constant) 59.736 2.347 25.452 .000
umur 14.571 2.785 .690 5.231 .000
jenis protein 7.385 2.777 .351 2.659 .014
a. Dependent Variable: panjang

 

F hitung 17.220 > F tabel 3.05 menolak hipotesa 0   artinya kita menyatakan bahwa jenis makanan dan umur  tidak mempengaruhi panjang badan .

 

ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 1832,788 3 610,929 13,043 ,000b
Residual 1030,437 22 46,838
Total 2863,225 25
a. Dependent Variable: PANJANG
b. Predictors: (Constant), INTERAKSIJENISMAKANANDANUMUR, JENISPROTEIN, UMUR

 

 

 

Coefficientsa
Model Unstandardized Coefficients Standardized Coefficients t Sig.
B Std. Error Beta
1 (Constant) 61,629 2,587 23,825 ,000
UMUR 10,771 3,808 ,512 2,829 ,010
JENISPROTEIN 3,700 3,658 ,176 1,011 ,323
INTERAKSIJENISMAKANANDANUMUR 7,783 5,385 ,312 1,445 ,162
a. Dependent Variable: PANJANG

 

F hitung=13,043< F tabel 3,05 maka menolak hipotesa 0 artinya kita menyatakan bahwa jenis makanan ,umur, dan interaksi mempengaruhi panjang badan.

 

 

 

 

ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 1161.665 3 387.222 9.771E3 .000a
Residual 2.735 69 .040
Total 1164.399 72
a. Predictors: (Constant), interaksiBBdanTB, tinggi badan, berat badan
b. Dependent Variable: indeks masa tubuh

 

 

 

 

Coefficientsa
Model Unstandardized Coefficients Standardized Coefficients t Sig.
B Std. Error Beta
1 (Constant) 13.472 1.485 9.071 .000
berat badan 1.046 .049 2.752 21.260 .000
tinggi badan -.092 .010 -.180 -8.893 .000
interaksiBBdanTB -.004 .000 -1.690 -11.865 .000
a. Dependent Variable: indeks masa tubuh

 

Y = β0+ β1X1 +β2X2 +β3X3

IMT = 13.472 + 1.046 BB -.092 TB -0.004 interaksi BB dan TB

Hipotesa intersep dan slop = Setiap kenaikan BB akan mempengaruhi nillai IMT nsmun interaksi ke duanya BB dan TB tidak mempengaruhi nilai IMT.

 

ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 75.863 3 25.288 1.603 .197a
Residual 1088.537 69 15.776
Total 1164.399 72
a. Predictors: (Constant), interaksi jenis kelamin dan umur, umur, jenis kelamin
b. Dependent Variable: indeks massa tubuh

 

Coefficientsa
Model Unstandardized Coefficients Standardized Coefficients t Sig.
B Std. Error Beta
1 (Constant) -25.817 45.760 -.564 .574
jenis kelamin 33.589 24.833 3.859 1.353 .181
umur 3.973 4.196 .508 .947 .347
interaksi jenis kelamin dan umur -3.075 2.283 -3.778 -1.347 .182
a. Dependent Variable: indeks massa tubuh

 

Y = β0+ β1X1 +β2X2 +β3X3

IMT = -25.817 + 33.589 JK +  3.973 umur  -3.075 interaksi jenis kelamin dan umur

Hipotesa intersep dan slop = Setiap kenaikan umur dan jenis kelamin mempengaruhi nilai IMT namun interaksi keduanya tidak mempengaruhi nilai IMT .

 

ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 1383.154 3 461.051 7.959 .000a
Residual 3997.093 69 57.929
Total 5380.247 72
a. Predictors: (Constant), interaksi, umur, jumlah air dalam makanan
b. Dependent Variable: berat jenis

 

 

 

Coefficientsa
Model Unstandardized Coefficients Standardized Coefficients t Sig.
B Std. Error Beta
1 (Constant) 980.543 65.228 15.033 .000
jumlah air dalam makanan .138 .124 2.840 1.116 .268
umur 4.716 6.053 .281 .779 .439
interaksi -.015 .011 -3.333 -1.298 .199
a. Dependent Variable: berat jenis

 

Y = β0+ β1X1 +β2X2 +β3X3

IMT = -980.543 + 0.138 AMA +  4.716 umur  – 0.015 interaksi AMA dan umur

Hipotesa intersep dan slop = Setiap kenaikan jumlah air dalam  makanan dan umur mempengaruhi berat jenis urin namun interaksi keduanya tidak mempengaruhi berat jenis urin .

 

 

Tugas Halaman 154

Nama               : Yenaprilia Mariana

NIM                : 201532290

Tugas Halaman 154

 

BB TB BTL AK
79,2 54,1 149 2670
64 44,3 152 820
67 47,8 155,7 1210
78,4 53,9 159 2678
66 47,5 163,3 1205
63 43 166 815
65,9 47,1 169 1200
63,1 444 172 1180
73,2 44,1 174,5 1850
66,5 48,3 176,1 1260
61,9 43,5 176,5 1170
72,5 43,3 179 1852
101,1 66,4 182 1790
66,2 47,5 170,4 1250
99,9 66 184,9 1889
63 44 169 915

 

Jawaban:

 

Tugas Halaman 153

 

Nama               : Yenaprilia Mariana

Umur Cholestrol Trigliserida
  40 218 194
46 265 188
69 197 134
44 188 155
41 217 191
56 240 207
48 222 155
49 244 235
41 190 167
38 209 186
36 208 179
39 214 129
59 238 220
56 219 155
44 241 201
37 212 140
40 244 132
32 217 140
56 227 279
49 218 101
50 241 213
46 234 168
52 231 242
52 297 142
46 230 240
60 258 173
47 243 175
58 236 199
66 193 201
52 193 193
55 319 191
58 212 216
41 209 154
60 224 198
50 184 129
48 222 115
49 229 148
39 204 164
40 211 104
47 230 218
67 230 239
57 222 183
50 213 190
43 238 259
55 234 156

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Jawaban :

Tugas 7 Halaman 154

 

Nama               : Yenaprilia Mariana

NIM                : 201532290

Tugas Halaman 154

 

BB TB BTL AK
79,2 54,1 149 2670
64 44,3 152 820
67 47,8 155,7 1210
78,4 53,9 159 2678
66 47,5 163,3 1205
63 43 166 815
65,9 47,1 169 1200
63,1 444 172 1180
73,2 44,1 174,5 1850
66,5 48,3 176,1 1260
61,9 43,5 176,5 1170
72,5 43,3 179 1852
101,1 66,4 182 1790
66,2 47,5 170,4 1250
99,9 66 184,9 1889
63 44 169 915

 

Jawaban:

 

Tugas 6

Nama : Yenaprilia

NIM : 201532290

TUGAS 6

  1. Lakukananalisakorelasiuntuk TDS danumurserta IMT danumur
TDS IMT UMUR
135 28 45
148 37 52
162 37 60
180 46 64
152 41 64
134 30 50
135 32 57
137 33 53
132 30 48
161 38 63
122 32 41
146 29 54
160 36 48
166 39 59
138 36 56
145 34 49
142 34 56
132 32 50
120 28 43
170 41 63
130 31 49
129 28 47
144 23 44
138 40 51
140 35 54
142 30 46
144 37 58
149 33 54
126 29 43
152 39 62

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Analisakorelasi TDS danUmurserta IMT danUmur

 

Correlations
TDS umur
TDS Pearson Correlation 1 .730**
Sig. (2-tailed) .000
N 30 30
umur Pearson Correlation .730** 1
Sig. (2-tailed) .000
N 30 30
**. Correlation is significant at the 0.01 level (2-tailed).

Nilaikorelasi 0,000 < 0,05

Kesimpulan : TDS danUmurberkorelasippositifdansignifikan

 

Correlations
IMT umur
IMT Pearson Correlation 1 .799**
Sig. (2-tailed) .000
N 30 30
umur Pearson Correlation .799** 1
Sig. (2-tailed) .000
N 30 30
**. Correlation is significant at the 0.01 level (2-tailed).

Nilaikorelasi 0,000 < 0,05

Kesimpulan :IMTdanUmurberkorelasippositifdansignifikan

 

2.Hitungnilai r, nilai ß1, Uji t untukmembuktikanH0 :  ß1= 0danH0 : r = 0

 

Mg Serum Mg Tulang
3.60 672
2.70 567
2.45 612
1.45 400
0.90 236
1.40 270
2.80 340
2.80 621
2.55 638
1.80 524
1.40 294
2.90 330
1.80 240
1.50 190
2.85 610
2.60 570
2.25 552
1.35 277
1.60 268
1.65 270
1.35 215

 

 

Model Summary
Model R R Square Adjusted R Square Std. Error of the Estimate
1 .766a .587 .566 .47393
a. Predictors: (Constant), MgTulang

 

ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 6.075 1 6.075 27.047 .000b
Residual 4.268 19 .225
Total 10.342 20
a. Dependent Variable: MgSerum
b. Predictors: (Constant), MgTulang

 

Coefficientsa
Model Unstandardized Coefficients Standardized Coefficients t Sig.
B Std. Error Beta
1 (Constant) .737 .278 2.647 .016
MgTulang .003 .001 .766 5.201 .000
a. Dependent Variable: MgSerum

 

Nilai r = 0,766

Nilai ß1 = 0,003

Uji t untukmembuktikanH0 :  ß1= 0

t = ß1    = 0,003

SE     0,001

= 3

Uji t untukmembuktikanH0 : r = 0

t = r     = 0,766

2              2                    

                                = 3,339

0,643

= 5,193

t-hitung = 5,193 > t-tabel n:19 = 1,73

 

Dapatdisimpulkanbahwakadar Mg serum dan Mg tulangberkorelasipositifdanbermakna

 

3.Hitungnilai r, nilai ß1, Uji t untukmembuktikanH0 :  ß1= 0 dan H0 : r = 0

beratbadan (kg) glukosa (mg/100ml)
64 108
75.3 109
73 104
82.1 103
76.2 105
95.7 121
59.4 79
93.4 107
82.1 101
78.9 85
76.7 99
82.1 100
83.9 108
73 104
64.4 102
77.6 87

 

 

 

Model Summary
Model R R Square Adjusted R Square Std. Error of the Estimate
1 .487a .237 .183 9.266
a. Predictors: (Constant), beratbadan

 

 

ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 373.644 1 373.644 4.352 .056b
Residual 1202.106 14 85.865
Total 1575.750 15
a. Dependent Variable: glukosa
b. Predictors: (Constant), beratbadan

 

 

 

Coefficientsa
Model Unstandardized Coefficients Standardized Coefficients t Sig.
B Std. Error Beta
1 (Constant) 61.681 19.169 3.218 .006
beratbadan .513 .246 .487 2.086 .056
a. Dependent Variable: glukosa

 

Nilai r = 0,487

Nilai ß1 = 0,513

Uji t untukmembuktikanH0 :  ß1= 0

t = ß1    = 0,513

SE     0,246

= 2,075

Uji t untukmembuktikanH0 : r = 0

t = r     = 0,487

2              2                    

                                = 1,822

0,873

= 2,087

t-hitung = 2,087 > t-tabel n:14 = 1,76

 

Dapatdisimpulkanbahwaberatbadandankadarglukosaberkorelasipositifdanbermakna

 

Tugas 5

Nama : Yenaprilia

NIM : 201532290

Hal.85

UM CHOL TRIG
40 218            194
46 265            188
69 197            134
44 188            155
41 217            191
56 240            207
48 222            155
49 244            235
41 190            167
38 209            186
36 208            179
39 214            129
59 238            220
56 219            155
44 241            201
37 212            140
40 244            132
32 217            140
56 227            279
49 218            101
50 241            213
46 234            168
52 231            242
51 297            142
46 230            240
60 258            173
47 243            175
58 236            199
66 193            201
52 193            193
55 319            191
58 212            216
41 209            154
60 224            198
50 184            129
48 222            115
49 229            148
39 204            164
40 211            104
47 230            218
67 230            239
57 222            183
50 213            190
43 238            259
55 234            156

 

 

Variables Entered/Removedb
Model Variables Entered Variables Removed Method
1 Cholesterola . Enter
a. All requested variables entered.
b. Dependent Variable: Umur

 

 

Model Summary
Model R R Square Adjusted R Square Std. Error of the Estimate
1 .151a .023 .000 8.66730
a. Predictors: (Constant), Cholesterol

 

 

ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 75.662 1 75.662 1.007 .321a
Residual 3230.249 43 75.122
Total 3305.911 44
a. Predictors: (Constant), Cholesterol
b. Dependent Variable: Umur

 

 

 

 

 

 

Coefficientsa
Model Unstandardized Coefficients Standardized Coefficients t Sig.
B Std. Error Beta
1 (Constant) 37.435 11.640 3.216 .002
Cholesterol .051 .051 .151 1.004 .321
a. Dependent Variable: Umur

 

Sum of Square total: SSY= 3305,911

Sum of Square Residual: SSE= 3230,249

Sum of Square Regression: SSY-SSE= 3305,911-3230,249= 75,662

Mean Sum of Square Regression: SSReg/df= 75,662/1= 75,662

Mean Sum of Square Resudial: SSResd/df= 3230,249/43= 75,122

F=MS-Reg/MS-Resd= 75,622/75,122= 1,007

 

 

 

 

 

 

 

 

 

 

Tugas 4 Halaman 86

Mg Serum Mg Tulang
3,60 672
2,7 567
2,45 612
1,45 400
0,90 236
1,40 270
2,80 340
2,85 610
2,60 570
2,25 552
1,35 277
1,60 268
1,65 270
1,35 215
2,80 621
2,55 638
1,80 524
1,40 294
2,90 330
1,80 240
1,50 190

 

Hasil Analisa data dengan regresi seperti di bawah ini

 

VARIABLES ENTERED/REMOVED (b)

Model Variables Entered Variables Removed Method
1 Mg Serum (a) . Enter
  1. All requested variables entered
  2. Dependent Variable: Mg Tulang

 

MODEL SUMMARY

Model R R Square Adjusted R Square Std. Error of the Estimate
1 .766 (a) .587 .566 111.894
  1. Predictors: (Constant), Mg Serum

 

 

ANOVA (b)

Model Sum of Squares df Mean Square F Sig.
Regression 338633.876 1 338633.876 27.047 .000 (a)
Residual 237885.934 19 12520.312
Total 576519.810 20
  1. Predictors: (Constant), Mg Serum
  2. Dependent Variable: Mg Tulang

 

COEFFICIENTS (a)

Model Unstandardized Coefficients Standardized Coefficients t Sig.
B Std. Error Beta
1 (Constant) 37.550 76.410 .491 .629
MgS 180.948 34.793 .766 5.201 .000
  1. Dependent Variable: MgT

 

Sum of Square Total

 

Sum of Square Residual

 

Sum of Square Regression

SSY – SSE = 576519.810 – 237885.934 = 338633.876

 

Mean Sum of Square for Regression

 

Mean Sum of Square for Residual

 

Nilai F

 

Nilai Fhitung = 27.046 > Ftabel = 4.38, nilai p < 0.05 sangat bermakna, dengan nilai Sig. = 0.000.

Kesimpulan : Artinya hipotesa nol ditolak, maka dinyatakan bahwa :Mg Serum mempengaruhi Mg Tulang.

 

Soal no 4 halaman 86

  1. Jelaskan ”Total Sum Of Square”?
  2. Jelaskan “Explained Sum Of Square”?
  3. Jelaskan “Unexplained Sum Of Square”?
  4. Jelaskan “The Coefficient Of Determination”?
  5. Jelaskan fungsi Analisis Varians dalam analisis regresi
  6. Uraikan 3 cara untuk menguji nol :
  7. Jelaskan dua tujuan kita menggunakan analisis regrasi.

Jawab :

1.SST (jumalah kuadrat total) adalah jumlah kuadrat dari masing-masing obeservasi (Y) dikurangi rata-rata seluruh observasi. Rumus jumlah kuadarat Total SST=SSG+SSW

Dimana

SST     =Total of Square

k          =jumlah populasi

ni         =ukuran sampel dari populasi i

x ij       =pengukuran ke-j dari populasi ke-i

x          =mean keselueuan (dari seluruh nilai data)

2.ESS Jumlah dari kuadrat deviasi dari nilai prediksi dari nilai rata-rata dalam model regresi standar.

  1. Besaran SST : total correct sum of squares di definisikan :

SSE : variasi karena random error = unexplained

Sedangkan SSE

SST = SSR + SSE

Dan SSR (Regression sum squares)

R= Koefisien dterminasi, persentase dari variasi data yang bisa dijelaskan oleh regresi

4.Seberapa besar kemampuan semua variabel bebas dalam menjelaskan varians dari variabel terikatnya.Secara sederhana koefisien determinasi dihitung dengan mengkuadratakan Koefisien Kortelasi (R).Contoh : Jika nilai R adalah sebesar 0,80 maka koefisien determinasi (R Square) adalah sebesar 0,80 X 0,80= 0,64.Berarti kemampuan variabel bebas dalam menjelaskan varians dari variabel terkaitnya adalah sebesar 64,0% berarti terdapat36% (100%-64%) Varians variabel terkait yang dijelaskan oleh faktor lain.Berdasarkan Interpretasi tersebut,maka tampak bawa nilai R Square adalah antara 0 sampai dengan 1.

  1. Analisis varians relatif mudah dimodifikasi dan dapat dikembangkan untuk berbagai bentuk percobaan yang lebih rumit. Selain itu, analisis ini juga masih memiliki keterkaitan dengan analisis regresi. Akibatnya, penggunaannya sangat luas di berbagai bidang, mulai dari eksperimenlaboratorium hingga eksperimen periklanan, psikologi, dan kemasyarakatan

6.a. Tidak ada perbedaan tentang angka kematian akibat penyakit jantung antara penduduk perkotaan dengan penduduk pedesaan.
b. Tidak ada perbedaan antara status gizi anak balita yang tidak mendapat ASI pada waktu bayi, dengan status gizi anak balita yang mendapat ASI pada waktu bayi.
c. Tidak ada perbedaan angka penderita sakit diare antara kelompok penduduk yang menggunakan air minum dari PAM dengan kelompok penduduk yang menggunakan air minum dari sumur.

Hipotesis dapat juga dibedakan berdasarkan hubungan atau perbedaan 2 variabel alau lebih. Hipotesis hubungan berisi tentang dugaan adanya hubungan antara dua variabel. Misalnya, ada hubungan antara tingkat pendidikan dengan praktek pemeriksaan hamil. Hipotesis dapat diperjelas lagi menjadi : Makin tinggi pendidikan ibu, makin sering (teratur) memeriksakan kehamilannya. Sedangkan hipotesis perbedaan menyatakan adanya ketidaksamaan atau perbedaan di antara dua variabel; misalnya. praktek pemberian ASI ibu-ibu de Kelurahan X berbeda dengan praktek pemberian ASI ibu-ibu di Kelurahan Y. Hipotesis ini lebih dielaborasi menjadi: praktek pemberian ASI ibu-ibu di Kelurahan X lebih tinggi bila dibandingkan dengan praktek pemberian ASI ibu-ibu di Kelurahan Y.

7.menjelaskan temuan data dalam bentuk garis lurus atau kurva atau parabola dan lain sebagainya dan sangat sesuai dengan data yang ada.Pertamkali lakukan adalah membuat diagram sebar dari data yang kita miliki.

 

 

 

Tugas 4

TUGAS ANALISIS REGRESI

 

Nama  : Yenaprilia

Nim     :  201532220

Sesi      : 10

Tugas Halaman : 70-71

 

Latihan 1

Uji Kualitas garis lurus dan hipotesa slopen dan intersep

Kasus IMT GPP
1 18,6 150
2 28,1 150
3 25,1 120
4 21,6 150
5 28,4 190
6 20,8 110
7 23,2 150
8 15,9 130
9 16,4 130
10 18,2 120
11 17,9 130
12 21,8 140
13 16,1 100
14 21,5 150
15 24,5 130
16 23,7 180
17 21,9 140
18 18,6 135
19 27 140
20 18,9 100
21 16,7 100
22 18,5 170
23 19,4 150
24 24 160
25 26,8 200
26 28,7 190
27 21 120

 

Regression

 

 

Variables Entered/Removedb
Model Variables Entered Variables Removed Method
1 IMTa . Enter
a. All requested variables entered.
b. Dependent Variable: GPP

 

 

Model Summary
Model R R Square Adjusted R Square Std. Error of the Estimate
1 .628a .394 .370 21.629
a. Predictors: (Constant), IMT

 

 

ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 7617.297 1 7617.297 16.282 .000a
Residual 11695.666 25 467.827
Total 19312.963 26
a. Predictors: (Constant), IMT
b. Dependent Variable: GPP

 

 

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

 

 

Persamaan Garis          :

 

GPP = 48.737 + 4.319 IMT

 

Langkah Pembuktian Hipotesa :

  1. Asumsinya : bahwa model persamaan garis lurus beserta asumsinya berlaku;
  2. Hipotesa : Ho : β1 = 0

Ha : β1 ≠ 0

  1. Uji Statistik :
  2. Distribusi Statistik : bila asumsi terpenuhi dan Ho diterima maka uji t digunakan dengan derajat kebebasan n-1
  3. Pengambilan keputusan Ho ditolak bila t-hitung lebih besar dari t-tabel; α = 0,05 = 2.05553
  4. Perhitungan statistik : dari komputer out put diperoleh besaran nilai β1 = 4.319 dan Sβ1 = 1.070

 

  1. Keputusan Statistik :

Nilai t– hitung = 4.035 > t-tabel = 2,05553

Kita menolak Hipotesa nol

  1. Kesimpulan : Slop garis regresi tidak sama dengan 0 maka garis regresi antara IMT dan GPP adalah Linier

 

 

 

 

 

 

Latihan 2

Data Berat Badan dan Kadar Glukosa Darah Orang Dewasa

 

Subjek Berat Badan Glukosa
(Kg) mg/100 ml
1 64 108
2 75,3 109
3 73 104
4 82,1 102
5 76,2 105
6 95,7 121
7 59,4 79
8 93,4 107
9 82,1 101
10 78,9 85
11 76,7 99
12 82,1 100
13 83,9 108
14 73 104
15 64,4 102
16 77,6 87

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Regression

 

 

Variables Entered/Removedb
Model Variables Entered Variables Removed Method
1 BBa . Enter
a. All requested variables entered.
b. Dependent Variable: Glukosa

 

 

Model Summary
Model R R Square Adjusted R Square Std. Error of the Estimate
1 .484a .234 .180 9.276
a. Predictors: (Constant), BB

 

 

ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 368.798 1 368.798 4.286 .057a
Residual 1204.639 14 86.046
Total 1573.437 15
a. Predictors: (Constant), BB
b. Dependent Variable: Glukosa

 

 

Coefficientsa
Model Unstandardized Coefficients Standardized Coefficients t Sig.
B Std. Error Beta
1 (Constant) 61.877 19.189 3.225 .006
BB .510 .246 .484 2.070 .057
a. Dependent Variable: Glukosa

 

Persamaan Garis          :

 

Glukosa  = 61.877 + 510 BB

 

Langkah Pembuktian Hipotesa :

  1. Asumsinya : bahwa model persamaan garis lurus beserta asumsinya berlaku;
  2. Hipotesa : Ho : β1 = 0

Ha : β1 ≠ 0

  1. Uji Statistik :
  2. Distribusi Statistik : bila asumsi terpenuhi dan Ho diterima maka uji t digunakan dengan derajat kebebasan n-1
  3. Pengambilan keputusan Ho ditolak bila t-hitung lebih besar dari t-tabel; α = 0,05 = 2.13145
  4. Perhitungan statistik : dari komputer out put diperoleh besaran nilai β1 = 510 dan Sβ1 = 246

 

  1. Keputusan Statistik :

Nilai t– hitung = 2.070 < t-tabel = 2.13145

Kita menerima Hipotesa nol

  1. Kesimpulan : Slop garis regresi tidak sama dengan 0 maka garis regresi antara BB dan Glukosa adalah Linier

 

 

 

 

 

 

 

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:

  1. Eksistensi untuk setiap nilai dari variabel X, dan Y adalah random variabel yang mempunyai nilai rata-rata dan varians tertentu. Notasi untuk populasi.
  2. Nilai-nilai Y adalah independen satu sama lain, artinya suatu nilai Y tidak dipengaruhi oleh nilai Y lain.
  3. 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.
  4. Homoscedasticity artinya varians Y adalah sama untuk setiap nilai X (homo artinya sama ; scedastic artinya “menyebar” = scattered).
  5. Distribusi normal artinya untuk setiap nilai X, nilai Y berdistribusi normal.

 

 

  1. 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.

 

 

  1. Jelaskan tentang pada persamaan regresi.

Jawab :

β0 adalah nilai Y bila nilai X=0

 

  1. 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.

Tugas 3

­­­Nama: Yenaprilia

NIM : 201532290

No Berat Badan (Y) (kg) Tinggi Badan (X) (cm)
1 54 155 -7.55 -7.7 58.135 59.29
2 51 155 -10.55 -7.7 81.235 59.29
3 53 156 -8.55 -6.7 57.285 44.89
4 57 157 -4.55 -5.7 25.935 32.49
5 52 159 -9.55 -3.7 35.335 13.69
6 61 159 -0.55 -3.7 2.035 13.69
7 60 160 -1.55 -2.7 4.185 7.29
8 64 160 2.45 -2.7 -6.615 7.29
9 58 161 -3.55 -1.7 6.035 2.89
10 63 162 1.45 -0.7 -1.015 0.49
11 77 172 15.45 9.3 143.685 86.49
12 71 170 9.45 7.3 68.985 53.29
13 68 168 6.45 5.3 34.185 28.09
14 64 166 2.45 3.3 8.085 10.89
15 63 164 1.45 1.3 1.885 1.69
16 68 167 6.45 4.3 27.735 18.49
17 70 168 8.45 5.3 44.785 28.09
18 63 166 1.45 3.3 4.785 10.89
19 59 165 -2.55 2.3 -5.865 5.29
20 55 164 -6.55 1.3 -8.515 1.69
Jumlah 582.3 486.2
rerata 61.55 162.7
SD 6.954551709 5.058603926
1.197655286  
-133.308515  

 

Pertanyaan

Berapakah berat badan anak balita bila tingginya:

  1. 150 cm
  2. 155 cm
  3. 165 cm

 

 

Jawaban

  1. Y = 0 + 1 X = -133,309 + 1,198X

= -133,309 + (1,198*150)

= -133,309 + 179,7 = 46,391

 

  1. Y = 0 + 1 X = -133,309 + 1,198X

= -133,309 + (1,198*155)

= -133,309 + 185,69 = 52,381

 

  1. Y = 0 + 1 X = -133,309 + 1,198X

= -133,309 + (1,198*160)

= -133,309 + 191,68 = 58,371


 

Latihan Hal 57

  1. Data Indeks Massa Tubuh (IMT) dan Glukosa Post Pradinal (GPP)
Kasus IMT GPP
1 18,6 150 -3,00 7,96 -23,92 63,41
2 28,1 150 6,50 7,96 51,73 63,41
3 25,1 120 3,50 -22,04 -77,05 485,63
4 21,6 150 0,00 7,96 -0,03 63,41
5 28,4 190 6,80 47,96 325,97 2300,45
6 20,8 110 -0,80 -32,04 25,75 1026,37
7 23,2 150 1,60 7,96 12,71 63,41
8 15,9 130 -5,70 -12,04 68,66 144,89
9 16,4 130 -5,20 -12,04 62,64 144,89
10 18,2 120 -3,40 -22,04 75,01 485,63
11 17,9 130 -3,70 -12,04 44,58 144,89
12 21,8 140 0,20 -2,04 -0,40 4,15
13 16,1 100 -5,50 -42,04 231,36 1767,11
14 21,5 150 -0,10 7,96 -0,83 63,41
15 24,5 130 2,90 -12,04 -34,86 144,89
16 23,7 180 2,10 37,96 79,58 1441,19
17 21,9 140 0,30 -2,04 -0,60 4,15
18 18,6 135 -3,00 -7,04 21,14 49,52
19 27 140 5,40 -2,04 -10,99 4,15
20 18,9 100 -2,70 -42,04 113,66 1767,11
21 16,7 100 -4,90 -42,04 206,14 1767,11
22 18,5 170 -3,10 27,96 -86,79 781,93
23 19,4 150 -2,20 7,96 -17,55 63,41
24 24 160 2,40 17,96 43,04 322,67
25 26,8 200 5,20 57,96 301,19 3359,71
26 28,7 190 7,10 47,96 340,36 2300,45
27 21 120 -0,60 -22,04 13,30 485,63
JML 1763,80 19312,96
Rerata 21,6037 142,037
SD 3,96334 27,25447
0,091327
8,631877

Persamaan Garis Lurus

Y = 0 + 1 X

Y = 8,63 + 0,09 X

  1. Data Indeks Massa Tubuh (IMT) dan Trigliserida
Kasus IMT TRIG
1 18,6 180 -3,00 6,48 -19,47 42,01
2 28,1 180 6,50 6,48 42,11 42,01
3 25,1 160 3,50 -13,52 -47,26 182,75
4 21,6 180 0,00 6,48 -0,02 42,01
5 28,4 210 6,80 36,48 247,94 1330,90
6 20,8 140 -0,80 -33,52 26,94 1123,49
7 23,2 180 1,60 6,48 10,35 42,01
8 15,9 160 -5,70 -13,52 77,11 182,75
9 16,4 160 -5,20 -13,52 70,35 182,75
10 18,2 150 -3,40 -23,52 80,05 553,12
11 17,9 160 -3,70 -13,52 50,07 182,75
12 21,8 170 0,20 -3,52 -0,69 12,38
13 16,1 130 -5,50 -43,52 239,51 1893,86
14 21,5 180 -0,10 6,48 -0,67 42,01
15 24,5 160 2,90 -13,52 -39,15 182,75
16 23,7 210 2,10 36,48 76,48 1330,90
17 21,9 170 0,30 -3,52 -1,04 12,38
18 18,6 165 -3,00 -8,52 25,59 72,57
19 27 170 5,40 -3,52 -18,99 12,38
20 18,9 140 -2,70 -33,52 90,62 1123,49
21 16,7 130 -4,90 -43,52 213,40 1893,86
22 18,5 200 -3,10 26,48 -82,19 701,27
23 19,4 180 -2,20 6,48 -14,28 42,01
24 24 190 2,40 16,48 39,49 271,64
25 26,8 230 5,20 56,48 293,49 3190,16
26 28,7 240 7,10 66,48 471,77 4419,79
27 21 160 -0,60 -13,52 8,16 182,75
JML 1839,65 19290,74
Rerata 21,6037 173,5185
SD 3,96334 27,23879
0,095364
5,05623

Persamaan Garis Lurus

Y = 0 + 1 X

Y = 5,06 + 0,09 X