Res Jarak Biaya Uang Saku

Transportasi
1. 23 500 270
2. 26 700 440
3. 25 600 350
4. 5 25 25
5. 15 250 100
6. 4 20 20
7. 34 1110 770
8. 32 1000 680
9. 12 150 30
10. 34 1200 860
11. 17 300 130
12. 29 850 560
13. 20 400 200
14. 11 150 40
15. 5 25 25
16. 31 1000 690
17. 30 900 600
18. 14 200 60
19. 22 500 280
20. 14 200 60
21. 33 1100 770
22. 6 50 20
23. 4 20 20
24. 26 700 440
25. 9 90 20
26. 33 1100 770
27. 29 850 560
28. 23 550 320
29. 2 10 10
30. 17 300 130
31. 33 1100 770
32. 12 150 30
33. 20 400 200
34. 29 850 560
35. 24 600 360
36. 30 900 600
37. 15 225 75
 38. 2 10 10
39. 3 20 10
40. 31 900 590

A. Uji Asumsi Kasus 1 variabel bebas

a. Model dalam Orde-2

Y = β0 + β 1 ( x −x́ ) + β 2 ( x −x́ )2 + ε

Pemusatan Biaya Transportasi

Y X (X – (X –
19,6) 19,6)2
500 23 3.4 11.56
700 26 6.4 40.96
600 25 5.4 29.16
25 5 -14.6 213.16
250 15 -4.6 21.16
20 4 -15.6 243.36
1110 34 14.4 207.36
1000 32 12.4 153.76
150 12 -7.6 57.76
1200 34 14.4 207.36
300 17 -2.6 6.76
850 29 9.4 88.36
400 20 0.4 0.16
150 11 -8.6 73.96
25 5 -14.6 213.16
1000 31 11.4 129.96
900 30 10.4 108.16
200 14 -5.6 31.36
500 22 2.4 5.76
200 14 -5.6 31.36
1100 33 13.4 179.56
50 6 -13.6 184.96
20 4 -15.6 243.36
700 26 6.4 40.96
90 9 -10.6 112.36
1100 33 13.4 179.56
850 29 9.4 88.36
550 23 3.4 11.56
 10 2 -17.6 309.76
300 17 -2.6 6.76
1100 33 13.4 179.56
150 12 -7.6 57.76
400 20 0.4 0.16
850 29 9.4 88.36
600 24 4.4 19.36
900 30 10.4 108.16
225 15 -4.6 21.16
10 2 -17.6 309.76
20 3 -16.6 275.56
900 31 11.4 129.96

Script SAS untuk menganalisis model orde-2

TITLE 'Model Orde-2';
Data PrakAnreg1 ;
INPUT Y X1 X2 ;
DATALINES;
500 3.4 11.56
700 6.4 40.96
600 5.4 29.16
25 -14.6 213.16
250 -4.6 21.16
20 -15.6 243.36
1110 14.4 207.36
1000 12.4 153.76
150 -7.6 57.76
1200 14.4 207.36
300 -2.6 6.76
850 9.4 88.36
400 0.4 0.16
150 -8.6 73.96
25 -14.6 213.16
1000 11.4 129.96
900 10.4 108.16
200 -5.6 31.36
500 2.4 5.76
200 -5.6 31.36
1100 13.4 179.56
50 -13.6 184.96
20 -15.6 243.36
700 6.4 40.96
90 -10.6 112.36
1100 13.4 179.56
850 9.4 88.36
550 3.4 11.56
10 -17.6 309.76
300 -2.6 6.76
1100 13.4 179.56
150 -7.6 57.76
400 0.4 0.16
850 9.4 88.36
600 4.4 19.36
900 10.4 108.16
225 -4.6 21.16
10 -17.6 309.76
20 -16.6 275.56
900 11.4 129.96

PROC CORR DATA=PrakAnreg1;

VAR Y X1 X2;
ODS GRAPHICS ON;
PROC MODEL DATA=PrakAnreg1;
PARMS a1 b1 b2;
Y=a1+b1*X1+b2*X2;
FIT Y / WHITE BREUSCH=(1 X1 X2);
PROC REG DATA=PrakAnreg1;
MODEL Y= X1 X2/VIF DW;
OUTPUT OUT=resids R=res;
PROC UNIVARIATE DATA=resids NORMAL PLOT;
VAR res;
RUN;
ODS GRAPHICS OFF;

 Asumsi Normalitas

Tests for Normality

Test Statistic p Value
Shapiro-Wilk W 0.91078 Pr < W 0.0040
Kolmogorov- D 0.202544 Pr > D <0.0100
Smirnov
Cramer-von Mises W-Sq 0.253881 Pr > W- <0.0050
Sq
Anderson-Darling A-Sq 1.408085 Pr > A-Sq <0.0050

Uji Normalitas
Dapat dilihat bahwa plot titik menyebar disekitar garis sehingga dapat diasumsikan
data berdistribusi normal akan tetapi jika dilihat pada boxplot terdapat banyak
outlier, sehingga ini dapat menyebabkan data tidak berdistribusi normal. Untuk itu
dilakukan uji normalitas sebagai berikut.

Hipotesis :
H 0 : Galat/residual berdistribusi normal.
H 1 : Galat/residual dari tidak berdistribusi normal.
Aturan Keputusan :
Apabila p-value > 0.05 maka H0 diterima
Apabila p-value < 0.05 maka H0  ditolak
 a. Uji Shapiro-Wilk
Karena p-value (0.0040) < α (0,05) maka tolak H 0. Jadi kesimpulannya
galat/residual tidak berdistribusi normal.
b. Uji Kolmogorov-Smirnov
Karena p-value (<0.0100) < α (0,05) maka tolak H 0. Jadi kesimpulannya
galat/residual tidak berdistribusi normal.
c. Uji Cramer-von Mises
Karena p-value (<0.0050) < α (0,05) maka tolak H 0. Jadi kesimpulannya
galat/residual tidak berdistribusi normal.
d. Uji Anderson-Darling
Karena p-value (<0.0050) < α (0,05) maka tolak H 0. Jadi kesimpulannya
galat/residual tidak berdistribusi normal.

∴ Kesimpulan galat/residual tidak berdistribusi normal

 Asumsi Autokorelasi

Durbin-Watson D 1.759
Number of Observations 40
1st Order -0.052
Autocorrelation
Hipotesis
H 0 :Tidak ada autokorelasi
H 1 : Ada autokorelasi
Taraf Signifikansi : α =5 %=0,05
n=4 0 , k=3
Dengan melihat tabel Durbin-Watson D diperoleh nilai dU dan dL yaitu
dL=1.34 , dU=1.66
Aturan Keputusan :
0< d< dL dL< d< dU dU < d<(4−dU
( 4−dU
) )< d <( 4−dL)d >(4−dL)
 Tolak H0 Wilayah tanpa Terima H0 Wilayah tanpa keputusan Tolak H0
keputusan
Ada Autokorelasi Tidak ada Ada autokorelasi
Positif Autokorelasi negatif

Kesimpulan :
Karena nilai d(1.759) berada diantara dU ( 1.66 ) < d ( 1.759 ) < 4−d U (2,34) maka H 0
diterima. Jadi dapat disimpulkan tidak terdapat autokorelasi.

 Asumsi Multikolinearitas

Parameter Estimates
Variable D Parameter Standar t Value Pr > |t| Variance
F Estimate d Inflation
Error
Intercep 1 392.18203 5.11852 76.62 <.0001 0
t
X1 1 38.92343 0.31812 122.35 <.0001 1.09461
X2 1 0.97651 0.03616 27.00 <.0001 1.09461

Karena nilai VIF < 10 maka tidak terjadi multikolinearitas atau tidak terdapat
hubungan linier atau korelasi yang tinggi antara masing-masing variabel independen
dalam model regresi

 Asumsi Heteroskedastisitas

Heteroscedasticity Test
Equatio Test Statistic D Pr > ChiSq Variables
n F
Y White's Test 9.77 4 0.0445 Cross of all vars
  Breusch-Pagan 9.25 2 0.0098 1, X1, X2

Uji Heteroskedastisitas
Dari output diatas dapat terlihat bahwa antara predicted value dengan residual plot
tidak membentuk pola tertentu dan data menyebar bebas ini berarti galat bersifat
independent dan diasumsikan homogen.

a. Uji White
H 0 : tidak ada gejala heteroskedastisitas (ada gejala homoskedastisitas)
H 1 : ada gejala heteroskedastisitas
Aturan Keputusan :
Ho diterima bila Signifikansi > 0,05
Ho ditolak bila Signifikansi < 0,05.
Karena P-value (0.0445)<0,05 maka Ho ditolak sehingga terdapat gejala
heteroskedasitas.
Dengan demikian ada gejala heteroskedasitas yang berarti ragam ε heterogen.
b. Uji Breusch-Pagan
H 0 : tidak ada gejala heteroskedastisitas (ada gejala homoskedastisitas)
H 1 : ada gejala heteroskedastisitas
Aturan Keputusan :
 Ho diterima bila Signifikansi > 0,05
Ho ditolak bila Signifikansi < 0,05.
Karena P-value (0.0098)<0,05 maka Ho ditolak sehingga terdapat gejala
heteroskedasitas.
Dengan demikian ada gejala heteroskedasitas yang berarti ragam ε heterogen.

∴ Kesimpulan
Model dalam orde-2 memenuhi asumsi autokorelasi dan multikolinearitas tetapi
tidak memenuhi asumsi normalitas dan heteroskedastisitas
b. Model dalam Orde-3

Y = β0 + β 1 ( x −x́ ) + β 2 ( x −x́ )2 + β 3 ( x −x́ )3 + ε

Pemusatan Biaya Transportasi

Y X (X – (X – (X –
19,6) 19,6)2 19,6)3
500 23 3.4 11.56 39.304
700 26 6.4 40.96 262.144
600 25 5.4 29.16 157.464
25 5 -14.6 213.16 -3112.14
250 15 -4.6 21.16 -97.336
20 4 -15.6 243.36 -3796.42
1110 34 14.4 207.36 2985.984
1000 32 12.4 153.76 1906.624
150 12 -7.6 57.76 -438.976
1200 34 14.4 207.36 2985.984
300 17 -2.6 6.76 -17.576
850 29 9.4 88.36 830.584
400 20 0.4 0.16 0.064
150 11 -8.6 73.96 -636.056
25 5 -14.6 213.16 -3112.14
1000 31 11.4 129.96 1481.544
900 30 10.4 108.16 1124.864
200 14 -5.6 31.36 -175.616
500 22 2.4 5.76 13.824
200 14 -5.6 31.36 -175.616
1100 33 13.4 179.56 2406.104
50 6 -13.6 184.96 -2515.46
 20 4 -15.6 243.36 -3796.42
700 26 6.4 40.96 262.144
90 9 -10.6 112.36 -1191.02
1100 33 13.4 179.56 2406.104
850 29 9.4 88.36 830.584
550 23 3.4 11.56 39.304
10 2 -17.6 309.76 -5451.78
300 17 -2.6 6.76 -17.576
1100 33 13.4 179.56 2406.104
150 12 -7.6 57.76 -438.976
400 20 0.4 0.16 0.064
850 29 9.4 88.36 830.584
600 24 4.4 19.36 85.184
900 30 10.4 108.16 1124.864
225 15 -4.6 21.16 -97.336
10 2 -17.6 309.76 -5451.78
20 3 -16.6 275.56 -4574.3
900 31 11.4 129.96 1481.544

Script SAS untuk menganalisis model orde-3

TITLE 'Model Orde-3';
Data PrakAnreg1 ;
INPUT Y X1 X2 X3;
DATALINES;
500 3.4 11.56 39.304
700 6.4 40.96 262.144
600 5.4 29.16 157.464
25 -14.6 213.16 -3112.136
250 -4.6 21.16 -97.336
20 -15.6 243.36 -3796.416
1110 14.4 207.36 2985.984
1000 12.4 153.76 1906.624
150 -7.6 57.76 -438.976
1200 14.4 207.36 2985.984
300 -2.6 6.76 -17.576
850 9.4 88.36 830.584
400 0.4 0.16 0.064
150 -8.6 73.96 -636.056
25 -14.6 213.16 -3112.136
1000 11.4 129.96 1481.544
900 10.4 108.16 1124.864
200 -5.6 31.36 -175.616
500 2.4 5.76 13.824
200 -5.6 31.36 -175.616
1100 13.4 179.56 2406.104
50 -13.6 184.96 -2515.456
20 -15.6 243.36 -3796.416
700 6.4 40.96 262.144
90 -10.6 112.36 -1191.016
1100 13.4 179.56 2406.104
850 9.4 88.36 830.584
550 3.4 11.56 39.304
10 -17.6 309.76 -5451.776
300 -2.6 6.76 -17.576
1100 13.4 179.56 2406.104
150 -7.6 57.76 -438.976
400 0.4 0.16 0.064
850 9.4 88.36 830.584
600 4.4 19.36 85.184
900 10.4 108.16 1124.864
225 -4.6 21.16 -97.336
10 -17.6 309.76 -5451.776
20 -16.6 275.56 -4574.296
900 11.4 129.96 1481.544

PROC CORR DATA=PrakAnreg1;

VAR Y X1 X2 X3;
ODS GRAPHICS ON;
PROC MODEL DATA=PrakAnreg1;
PARMS a1 b1 b2 b3;
Y=a1+b1*X1+b2*X2+b3*X3;
FIT Y / WHITE BREUSCH=(1 X1 X2 X3);
PROC REG DATA=PrakAnreg1;
MODEL Y= X1 X2 X3/VIF DW;
OUTPUT OUT=resids R=res;
PROC UNIVARIATE DATA=resids NORMAL PLOT;
VAR res;
RUN;
ODS GRAPHICS OFF;

 Asumsi Normalitas

Tests for Normality

Test Statistic p Value
Shapiro-Wilk W 0.912236 Pr < W 0.0044
Kolmogorov- D 0.198401 Pr > D <0.0100
Smirnov
Cramer-von Mises W-Sq 0.241319 Pr > W- <0.0050
Sq
Anderson-Darling A-Sq 1.35454 Pr > A-Sq <0.0050

Uji Normalitas
Dapat dilihat bahwa plot titik menyebar disekitar garis sehingga dapat diasumsikan
data berdistribusi normal akan tetapi jika dilihat pada boxplot terdapat banyak
outlier, sehingga ini dapat menyebabkan data tidak berdistribusi normal. Untuk itu
dilakukan uji normalitas sebagai berikut.

Hipotesis :
H 0 : Galat/residual berdistribusi normal.
H 1 : Galat/residual dari tidak berdistribusi normal.
Aturan Keputusan :
Apabila p-value > 0.05 maka H0 diterima
Apabila p-value < 0.05 maka H0  ditolak
e. Uji Shapiro-Wilk
 Karena p-value (0.0044) < α (0,05) maka tolak H 0. Jadi kesimpulannya
galat/residual tidak berdistribusi normal.
f. Uji Kolmogorov-Smirnov
Karena p-value (<0.0100) < α (0,05) maka tolak H 0. Jadi kesimpulannya
galat/residual tidak berdistribusi normal.
g. Uji Cramer-von Mises
Karena p-value (<0.0050) < α (0,05) maka tolak H 0. Jadi kesimpulannya
galat/residual tidak berdistribusi normal.
h. Uji Anderson-Darling
Karena p-value (<0.0050) < α (0,05) maka tolak H 0. Jadi kesimpulannya
galat/residual tidak berdistribusi normal.

∴ Kesimpulan galat/residual tidak berdistribusi normal

 Asumsi Autokorelasi

Durbin-Watson D 1.768
Number of Observations 40
1st Order -0.055
Autocorrelation
Hipotesis
H 0 :Tidak ada autokorelasi
H 1 : Ada autokorelasi
Taraf Signifikansi : α =5 %=0,05
n=4 0 , k=4
Dengan melihat tabel Durbin-Watson D diperoleh nilai dU dan dL yaitu
dL=1.29 , dU =1.72
Aturan Keputusan :
0< d< dL dL< d< dU dU < d<(4−dU
( 4−dU
) )< d <( 4−dL)d >(4−dL)
Tolak H 0 Wilayah tanpa Terima H 0 Wilayah tanpa keputusan Tolak H 0
keputusan
Ada Autokorelasi Tidak ada Ada autokorelasi
Positif Autokorelasi negatif
 Kesimpulan :
Karena nilai d(1.768) berada diantara dU ( 1.72 ) <d ( 1.768 ) <4−d U (2,28) maka H 0
diterima. Jadi dapat disimpulkan tidak terdapat autokorelasi.

 Asumsi Multikolinearitas

Parameter Estimates
Variable D Parameter Standar t Value Pr > |t| Variance
F Estimate d Inflation
Error
Intercep 1 392.00318 5.27914 74.26 <.0001 0
t
X1 1 38.77440 0.88059 44.03 <.0001 8.16807
X2 1 0.98031 0.04219 23.23 <.0001 1.45131
X3 1 0.00084542 0.00465 0.18 0.8567 9.36414

Karena nilai VIF < 10 maka tidak terjadi multikolinearitas atau tidak terdapat
hubungan linier atau korelasi yang tinggi antara masing-masing variabel independen
dalam model regresi

 Asumsi Heteroskedastisitas

Heteroscedasticity Test
Equatio Test Statistic D Pr > ChiSq Variables
n F
Y White's Test 10.41 6 0.1085 Cross of all vars
  Breusch-Pagan 9.67 3 0.0216 1, X1, X2, X3

Uji Heteroskedastisitas
Dari output diatas dapat terlihat bahwa antara predicted value dengan residual plot
tidak membentuk pola tertentu dan data menyebar bebas ini berarti galat bersifat
independent dan diasumsikan homogen.

a. Uji White
H 0 : tidak ada gejala heteroskedastisitas (ada gejala homoskedastisitas)
H 1 : ada gejala heteroskedastisitas
Aturan Keputusan :
Ho diterima bila Signifikansi > 0,05
Ho ditolak bila Signifikansi < 0,05.
 Karena P-value (0.1085)>0,05 maka Ho diterima sehingga tidak terdapat gejala
heteroskedasitas.
Dengan demikian tidak ada gejala heteroskedasitas yang berarti ragam ε
homogen.
b. Uji Breusch-Pagan
H 0 : tidak ada gejala heteroskedastisitas (ada gejala homoskedastisitas)
H 1 : ada gejala heteroskedastisitas
Aturan Keputusan :
Ho diterima bila Signifikansi > 0,05
Ho ditolak bila Signifikansi < 0,05.
Karena P-value (0.0098)<0,05 maka Ho ditolak sehingga terdapat gejala
heteroskedasitas.
Dengan demikian ada gejala heteroskedasitas yang berarti ragam ε heterogen.

∴ Karena pada plot residual dapat dilihat bahwa data menyebar bebas dan homogen
dan pada uji white diperoleh kesimpulan bahwa ragam galat homogen jadi
kesimpulannya kita anggap ragam galat homogen

∴ Kesimpulan
Model dalam orde-2 memenuhi asumsi autokorelasi, heteroskedastisitas dan
multikolinearitas tetapi tidak memenuhi asumsi normalitas.