Senin, 30 Oktober 2017

Contoh Latihan Keterkaitan Korelasi dan Analisa Regresi



Latihan
  1. Dengan data diatas, lakukan analisa korelasi untuk TDS dan Umur serta IMT dan Umur.

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


Jawaban :

A. TDS DAN UMUR

Regression
Variables Entered/Removedb
Model
Variables Entered
Variables Removed
Method
1
Umura
.
Enter
a. All requested variables entered.
b. Dependent Variable: Tekanan Darah Sistolik

Model Summary
Model
R
R Square
Adjusted R Square
Std. Error of the Estimate
1
.757a
.573
.557
9.567
a.     Predictors: (Constant), Umur
Nilai r = 0.757, artinya besaran korelasi antara Tekanan Darah Sistolik dan Umur adalah 0.757

ANOVAb
Model
Sum of Squares
df
Mean Square
F
Sig.
1
Regression
3433.639
1
3433.639
37.516
.000a
Residual
2562.661
28
91.524


Total
5996.300
29



a. Predictors: (Constant), Umur
b.   Dependent Variable: Tekanan Darah Sistolik
·       Sum Of Square Total adalah



      Sum Of Square Residual adalah

      Sum of square Regression = SSY – SSE =
5996.300 – 2562.661 = 3433.639


Coefficientsa
Model
Unstandardized Coefficients
Standardized Coefficients
t
Sig.
B
Std. Error
Beta


1
(Constant)
59.465
13.863

4.289
.000
Umur
1.596
.261
.757
6.125
.000
a. Dependent Variable: Tekanan Darah Sistolik

Hasilnya :
      Dependen variabel adalah TDS ;
      Independen variabel adalah UMUR ;
      Persamaan garis regresi : TDS = 59.465 + 1.596 UMUR ;
      Nilai r = 0.757 ;
      Uji t untuk membuktikan
H0 : â1 = 0
        â1 = 1.596;        SEâ1 = 0.261 ingat bahwa t=

      Uji t untuk membuktikan H0 : r = 0


Lihat tabel t dengan n = 28, dan hasilnya adalah 1.701
thitung = 9.38  > ttabel = 1.701
Maka kita berkesimpulan bahwa TDS dan UMUR berkorelasi positif dan bermakna.

Hasil Scatter plot dibawah ini : Diagram sebar TDS dan UMUR

B. IMT DAN UMUR
Regression
Variables Entered/Removedb
Model
Variables Entered
Variables Removed
Method
1
Umura
.
Enter
a. All requested variables entered.
b. Dependent Variable: Indeks Massa Tubuh

Model Summary
Model
R
R Square
Adjusted R Square
Std. Error of the Estimate
1
.799a
.639
.626
3.069
a. Predictors: (Constant), Umur
Nilai r = 0.799, artinya besaran korelasi antara Indeks Massa Tubuh dan Umur adalah 0,799
ANOVAb
Model
Sum of Squares
df
Mean Square
F
Sig.
1
Regression
466.175
1
466.175
49.501
.000a
Residual
263.691
28
9.418


Total
729.867
29



a. Predictors: (Constant), Umur
b. Dependent Variable: Indeks Massa Tubuh
      Sum Of Square Total adalah

      Sum Of Square Residual adalah
      Sum Of Square Regression = SSY – SSE =
729.867 – 263.691 = 466.175

Coefficientsa
Model
Unstandardized Coefficients
Standardized Coefficients
t
Sig.
B
Std. Error
Beta


1
(Constant)
2.895
4.447

.651
.520
Umur
.588
.084
.799
7.036
.000
a. Dependent Variable: Indeks Massa Tubuh
Hasilnya :
      Dependen variabel adalah IMT ;
      Independen variabel adalah Umur ;
      Persamaan garis regresi : IMT = 2.895 + 0.588 Umur ;
      Nilai r = 0.799 ;
      Uji t untuk membuktikan
H0 : â1 = 0
â1 = 0.588 ; SEâ1 = 0.084 ingat bahwa t=
      Uji t untuk membuktikan H0 : r = 0

Lihat tabel t dengan n = 28, dan hasilnya adalah 1.701
thitung = 6.94  > ttabel = 1.701
Maka kita berkesimpulan bahwa IMT dan Umur berkorelasi positif dan bermakna.

          Hasil Scatter plot dibawah ini : Diagram sebar TDS dan IMT

  1. Dengan menggunakan data berikut (data fiktif)
    Hitung nilai r ;
    Hitung nilai â1 ;
    Lakukan uji t untuk membuktikan H0 : â1 = 0 ;
    Lakukan uji t untuk membuktikan H0 : 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





Jawaban :

a.   MG TULANG DAN MG SERUM

Regression
Variables Entered/Removedb
Model
Variables Entered
Variables Removed
Method
1
Mg Seruma
.
Enter
a. All requested variables entered.
b. Dependent Variable: Mg Tulang
Model Summary
Model
R
R Square
Adjusted R Square
Std. Error of the Estimate
1
.766a
.587
.566
111.894
a. Predictors: (Constant), Mg Serum







Nilai r = 0.766, artinya besaran korelasi antara Mg Tulang dan Mg Serum adalah 0,766

ANOVAb
Model
Sum of Squares
df
Mean Square
F
Sig.
1
Regression
338633.876
1
338633.876
27.047
.000a
Residual
237885.934
19
12520.312


Total
576519.810
20



a. Predictors: (Constant), Mg Serum
b. Dependent Variable: Mg Tulang
      Sum Of Square Total adalah

      Sum Of Square Residual adalah
      Sum of square Regression = SSY – SSE = 576519.810 – 237885.934 = 338633.876

Coefficientsa
Model
Unstandardized Coefficients
Standardized Coefficients
t
Sig.
B
Std. Error
Beta


1
(Constant)
37.550
76.410

.491
.629
Mg Serum
180.948
34.793
.766
5.201
.000
a. Dependent Variable: Mg Tulang
Hasilnya :
      Dependen variabel adalah Mg Tulang ;
      Independen variabel adalah Mg Serum ;
      Persamaan garis regresi : Mg tulang = 37.550 + 180.948 Mg Serum ;
      Nilai r = 0.766 ;
      Uji t untuk membuktikan
H0 : â1 = 0
â1 = 180.948;     SEâ1 = 34.79 ingat bahwa t=
      Uji t untuk membuktikan H0 : r = 0

Lihat tabel t dengan n = 19, dan hasilnya adalah 1.729
thitung = 5.14  > ttabel = 1.729
Maka kita berkesimpulan bahwa Mg Tulang dan Mg Serum berkorelasi positif dan bermakna.
Hasil Scatter plot dibawah ini : Diagram sebar Mg Tulang dan Mg Serum 
3.   Data Berat dan kadar glukosa darah orang dewasa sebagai berikut.
    Hitung nilai r ;
    Hitung nilai â1 ;
    Lakukan uji t untuk membuktikan H0 : â1 = 0 ;
      Lakukan uji t untuk membuktikan H0 : r = 0

Subjek
Berat badan
Glukosa
(Kg)
mg/100 ml
1
64.0
108
2
75.3
109
3
73.0
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
73.0
104
15
64.4
102
16
77.6
87

Jawaban :
  1. Glukosa dan Berat badan
Regression
Variables Entered/Removedb
Model
Variables Entered
Variables Removed
Method
1
Berat badan (kg)a
.
Enter
a. All requested variables entered.
b. Dependent Variable: Glukosa mg/100 ml

Model Summary
Model
R
R Square
Adjusted R Square
Std. Error of the Estimate
1
.484a
.234
.180
9.276
a. Predictors: (Constant), Berat badan (kg)
Nilai r = 0.484, artinya besaran korelasi antara Glukosa dan Berat Badan adalah 0,484

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), Berat badan (kg)
b. Dependent Variable: Glukosa mg/100 ml
      Sum Of Square Total adalah

·         Sum Of Square Residual adalah
      Sum of square Regression = SSY – SSE =
1573.437 – 1204.639 = 368.798

Coefficientsa
Model
Unstandardized Coefficients
Standardized Coefficients
t
Sig.
B
Std. Error
Beta


1
(Constant)
61.877
19.189

3.225
.006
Berat badan (kg)
.510
.246
.484
2.070
.057
  1. Dependent Variable: Glukosa mg/100 ml

Hasilnya :
      Dependen variabel adalah Glukosa ;
      Independen variabel adalah Berat badan ;
      Persamaan garis regresi : Glukosa = 61.877 + 0.510 Berat badan ;
      Nilai r = 0.484 ;
      Uji t untuk membuktikan
H0 : â1 = 0
â1 = 0.510 ;       SEâ1 = 0.24 ingat bahwa t=
      Uji t untuk membuktikan H0 : r = 0

Lihat tabel t dengan n = 14, dan hasilnya adalah 1.761
thitung = 2.06  > ttabel = 1.761
Maka kita berkesimpulan bahwa Glukosa dan Berat badan berkorelasi positif dan bermakna.
Hasil Scatter plot dibawah ini : Diagram sebar Glukosa dan Berat badan 


Tidak ada komentar:

Posting Komentar