Wednesday, December 23, 2015

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(βo) = 2.0868928     
Se(β1) = 0.1788918                 
Se(β2) = 0..3287367
T-Hitung untuk masing-masing koefisien adalah :
T hitung untuk βo            = 2.1646892
T hitung untuk β1         = 0.8892297
T hitung untuk β2            = 0.1227364


p-value untuk masing-masing koefisien adalah :
p-value untuk βo          =0.06233228
p-value untuk β1             = 0.39982780
p-value untuk β2          =0.90534319

Sehingga:
H0 : βo=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(βo) = 2.0868928     
Se(β1) = 0.1788918                 
Se(β2) = 0..3287367
1.      T-Hitung untuk masing-masing koefisien adalah :
T hitung untuk βo            = 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 βo          =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.





Posted by at
Labels: ,

No comments:

Post a Comment

Subscribe to: Post Comments (Atom)