TASK 21 : komstat (regresi linier berganda)

LANGSUNG SAJA YAAAAA..... hehe ini juga bisa didownload loh disini

LAPORAN PRAKTIKUM

KOMPUTASI STATISTIKA

“Regresi Linier Berganda“

OLEH:

                        NAMA         : Makhrifatul Murdhita

                        NIM             : 135090501111048

                        ASISTEN     : 1. Diana Rosyida

                                               2. Nur Pradina K

LABORATORIUM STATISTIKA

PROGRAM STUDI STATISTIKA

JURUSAN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS BRAWIJAYA

MALANG

2015

BAB I

SOURCE CODE

No.	Source Code	Fungsi
1	>p=read.table("C:\\Users\\Toshiba\\Documents\\data1.txt",header=TRUE) > p	Untuk memanggil data dari notepad sehingga data dapat ditampilkan pada software R
2	> Q=function(p){ + n=length(p$Y) + x0=matrix(1,n) + MY=matrix(p$Y,nrow=n) + x1=matrix(p$X1,nrow=n) + x2=matrix(p$X2,nrow=n) + MX=matrix((cbind(x0,x1,x2)),nrow=n,ncol=3) + Q=(solve(t(MX)%*%MX))%*%(t(MX)%*%MY) + Q}	Digunakan untuk membuat fungsi pendugaan parameter.
3	> Q(p)	Digunakan untuk menampilkan output dari fungsi.
4	> R=function(Q,p){ + Q=Q(p) + n=length(p$Y) + i=length(Q) + x0=matrix(1,n) + MY=matrix(p$Y,nrow=n) + x1=matrix(p$X1,nrow=n) + x2=matrix(p$X2,nrow=n) +MX=matrix((cbind(x0,x1,x2)),nrow=n,ncol=3) + y_hat=MX%*%Q + e=MY-y_hat + SSR=sum((y_hat-mean(MY))^2) + SSE=sum((MY-y_hat)^2) + MSR=SSR/1 + MSE=SSE/(n-i) + cov_b=solve(t(MX)%*%MX)*MSE + R=sqrt(diag(cov_b)) + R}	Digunakan untuk menghitung standard error masing-masing koefisien dengan fungsi.
5	> R(Q,p)	Digunakan untuk menampilkan output dari fungsi.
6	> thit=function(Q,R,p){ + b=Q(p) + R_b=R(Q,p) + thit=(1/R_b)*b + thit}	Digunakan untuk membuat fungsi untuk menghitung t hitung.
7	> thit(Q,R,p)	Untuk menampilkan output dari fungsi.
8	> p_val=function(thit,p){ + thit=thit(Q,R,p) + n=length(p$Y) + p_val=2*(1-pt(abs(thit),n-2)) + p_val}	Digunakan untuk membuat fungsi untuk menghitung p-value.
9	> p_val(thit,p)	Untuk menampilkan output dari fungsi.

BAB II

HASIL DAN PEMBAHASAN

Kasus

Dibawah ini merupakan data mengenai permintaan sari apel, harga sari apel dan pendapatan konsumen. Ingin diketahui pengaruh harga sari apel dan pendapatan konsumen terhadap permintaan sari apel.

Y         X1       X2

5          18        9

6          14        5

6          9          3

8          14        2

6          3          5

11        15        8

10        20        10

6          19        11

3          7          4

7          8          8

Keterangan :

Y     = Permintaan sari apel

X1   = Harga sari apel

X2   = Pendapatan konsumen

Hasil dan Pembahasan

> source("C:\\Users\\Userlab\\Documents\\dhitukkk.txt")

Error in source("C:\\Users\\Userlab\\Documents\\dhitukkk.txt") :

  C:\Users\Userlab\Documents\dhitukkk.txt:1:9: unexpected symbol

1: Y       X1

           ^

> p=read.table("C:\\Users\\Userlab\\Documents\\dhitukkk.txt",header=TRUE)

> p

    Y X1 X2

1   5 18  9

2   6 14  5

3   6  9  3

4   8 14  2

5   6  3  5

6  11 15  8

7  10 20 10

8   6 19 11

9   3  7  4

10  7  8  8

> Q=function(p){

+ n=length(p$Y)

+ x0=matrix(1,n)

+ MY=matrix(p$Y,nrow=n)

+ x1=matrix(p$X1,nrow=n)

+ x2=matrix(p$X2,nrow=n)

+ MX=matrix((cbind(x0,x1,x2)),nrow=n,ncol=3)

+ Q=(solve(t(MX)%*%MX))%*%(t(MX)%*%MY)

+ Q}

> Q(p)

           [,1]

[1,] 4.51747418

[2,] 0.15907591

[3,] 0.04034796

> R=function(Q,p{

Error: unexpected '{' in "R=function(Q,p{"

> R=function(Q,p){

+ Q=Q(p)

+ n=length(p$Y)

+ i=length(Q)

+ x0=matrix(1,n)

+ MY=matrix(p$Y,nrow=n)

+ x1=matrix(p$X1,nrow=n)

+ x2=matrix(p$X2,nrow=n)

+ MX=matrix((cbind(x0,x1,x2)),nrow=n,ncol=3)

+ y_hat=MX%*%Q

+ SSR=sum((y_hat-mean(MY))^2)

+ e=MY-y_hat

+ SSE=sum((MY-y_hat)^2)

+ MSR=SSR/1

+ MSE=SSE/(n-i)

+ cov_b=solve(t(MX)%*%MX)*MSE

+ R=sqrt(diag(cov_b))

+ R}

> R(Q,p)

[1] 2.0868928 0.1788918 0.3287367

> thit=function(Q,R,p){

+ thit}

> thit=(1/R_b)*b

Error: object 'R_b' not found

> R_b=R(Q,p)

> b=Q(p)

> thit=function(Q,R,p){

+ b=Q(p)

+ R_b=R(Q,p)

+ thit=(1/R_b)*b

+ thit}

> thit(Q,R,p)

          [,1]

[1,] 2.1646892

[2,] 0.8892297

[3,] 0.1227364

> p_val=function(thit,p){

+ thit=thit(Q,R,p)

+ n=length(p$Y)

+ p_val=2*(1-pt(abs(thit),n-2))

+ p_val}

> p_val(thit,p)

           [,1]

[1,] 0.06233228

[2,] 0.39982780

[3,] 0.90534319

> 

Model yang terbentuk berdasarkan kasus tersebut adalah

Y = 4.51747418+ 0.15907591X₁ +0.04034796

X₂

Interpretasi       :

1.      Jika harga sari apel dan pendapatan konsumen sama dengan 0, maka permintaan sari apel adalah 4.51747418 kg.

2.      Setiap kenaikan satu rupiah X₁ atau harga sari apel akan menurunkan Y atau permintaan sari apel sebesar 0.15907591 kg, dimana variabel lainnya konstan.

3.      Setiap kenaikan satu rupiah X₂ atau pendapatan konsumen akan menaikkan Y atau permintaan sari apel sebesar 0.04034796 kg, dimana variabel lainnya konstan.

Standard error masing-masing koefisien adalah :

Se(β_o) = 2.0868928     

Se(β₁) = 0.1788918                 

Se(β₂) = 0..3287367

T-Hitung untuk masing-masing koefisien adalah :

T hitung untuk β_o            = 2.1646892

T hitung untuk β₁         = 0.8892297

T hitung untuk β₂            = 0.1227364

p-value untuk masing-masing koefisien adalah :

p-value untuk β_o          =0.06233228

p-value untuk β₁             = 0.39982780

p-value untuk β₂          =0.90534319

Sehingga:

H0 : β_o=0

H1: βo≠0

Keputusan : Terima H0

Kesimpulan :

Dengan tingkat kepercayaan 95% dapat disimpulkan bahwa intersep tidak berpengaruh secara nyata terhadap permintaan sari apel.

H0 : β₁=0

H1: β₁≠0

Keputusan : Terima H0 karena

Kesimpulan :

Dengan tingkat kepercayaan 95% dapat disimpulkan bahwa X1 atau harga sari apel tidak berpengaruh secara nyata terhadap permintaan sari apel.

H0 : β₂=0

H1: β₂≠0

Keputusan : Terima H0 karena

Kesimpulan :

Dengan tingkat kepercayaan 95% dapat disimpulkan bahwa X2 atau pendapatan konsumen tidak berpengaruh secara nyata terhadap permintaan sari apel.

BAB III

PENUTUP

3.1  Kesimpulan

1.      Model yang terbentuk berdasarkan kasus tersebut adalah

Y = 5.4341329 – 0.0630528 X₁ +0.1360895 X₂

2.      Standard error masing-masing koefisien adalah :

Se(β_o) = 2.0868928     

Se(β₁) = 0.1788918                 

Se(β₂) = 0..3287367

1.      T-Hitung untuk masing-masing koefisien adalah :

T hitung untuk β_o            = 2.1646892

T hitung untuk β₁         = 0.8892297

T hitung untuk β₂            = 0.1227364

2.      p-value untuk masing-masing koefisien adalah :

p-value untuk β_o          =0.06233228

p-value untuk β₁              = 0.39982780

p-value untuk β₂       =0.90534319

1.      Berdasarkan pengujian hipotesis dapat disimulkan bahwa :

·         Dengan tingkat kepercayaan 95% dapat disimpulkan bahwa intersep tidak berpengaruh secara nyata terhadap permintaan sari apel.

·         Dengan tingkat kepercayaan 95% dapat disimpulkan bahwa X1 atau harga sari apel tidak berpengaruh secara nyata terhadap permintaan sari apel.

·         Dengan tingkat kepercayaan 95% dapat disimpulkan bahwa X2 atau pendapatan konsumen tidak berpengaruh secara nyata terhadap permintaan sari apel.

3.2  Saran

Dalam mengerjakan suatu data pada software R diperlukan ketelitian. Ketelitian disini adalah dalam hal pembuatan coding (menuliskan Syntax dan tanda baca). Jangan sampai kecerobohan kita membuat kerugian akan waktu dan tenaga.