1. ANALISIS REGRESI LINIER BERGANDA DENGAN
VARIABEL DUMMY PADA PRODUKSI GULA DI PABRIK
GULA POERWODADI MADIUN
Arning Susilawati, Marlisa W Setyorini
1
Program Studi DIII, Jurusan Statistika
Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Teknologi Sepuluh Nopember, Surabaya
ABSTRAK
Pada produksi gula, terdapat komponen yang diperlukan diantaranaya jumlah
tebu dan kadar phospat, hal ini bertujuan agar produksi menghasilkan gula yang
bersih. Dalam hal ini dapat dijadikan permasalahan yakni jumlah tebu dan kadar
phospat terhadap produksi gula. Produksi gula merupakan respon, sedangkan jumlah
tebu dan kadar phospat adalah variabel prediktor, dengan jumlah pengamatan 30
data. Tujuannya untuk mengetahui bagaimana pengaruh dari semua prediktor
terhadap respon dengan cara melakukan analisis regresi linier dengan dummy yakni
pengujian serentak dan parsial (individu). Dengan uji berganda, jumlah tebu dan
kadar phospat berpengaruh signifikan secara serentak terhadap jumlah gula. Secara
individu jumlah tebu dan kadar phospat berpengaruh terhadap jumlah gula, pada
kadar phospat rendah dengan pembanding kadar phospat tinggi berpengaruh
terhadap banyaknya jumlah gula, sedang pada kadar phospat sedang dengan
pembanding kadar phospat tinggi tidak berpengaruh terhadap banyaknya jumlah
gula. Pada kadar phospat rendah maupun sedang memberi pengaruh
yang berbeda terhadap jumlah gula.
Kata Kunci : Uji Serentak, Uji Parsial, Analisis Regresi Dummy
1.
Pendahuluan
Dalam keseharian gula sering kita gunakan yakni sebagai pemanis pada
masakan. Gula diproduksi dari tebu alami dengan beberapa campuran bahan
kimiawi, misal phospat. Phospat adalah bahan pemurni nira tebu yang berfungsi
untuk memisahkan gula dari kotoran bukan gula yang terikut dalam nira sehingga
menghasilkan nira yang jernih dan bersih.
Pada pabrik gula Poerwodadi Madiun, ingin mengetahui bagaimana
banyaknya tebu dan kadar phospat yang digunakan dapat meningkatkan produksi
gula. Dalam hal ini dapat menggunakan analisis linier dummy, karena pada kadar
phospat terdapat pembagian yakni kadar rendah, sedang dan tinggi. Tujuannya
adalah menentukan hubungan antara signifikansi serentak dan hasil uji
parsial/individu dengan variabel dummy.
2.
Landasan Teori
Pada landasan teori terdapat dipaparkan mengenai regresi linier berganda,
pengujian asumsi residual IIDN, serta air bersih.

2. 2.1
Regresi Linier
Analisis regresi merupakan salah satu teknik analisis data dalam statistika
yang seringkali digunakan untuk mengkaji hubungan antara beberapa variabel dan
meramal suatu variabel (Kutner, 2004).
2.1.1 Persamaan Regresi dengan Variabel Dummy
Bentuk umum model regresi linier berganda dengan k variabel bebas adalah
seperti pada persamaan (1) berikut (Kutner, 2004).
2.1
Yi = β0 + β1 X I + β2 X 2 +... + βk X k +εi
 Y1  1 X X  X  β
   1 12 1 p − 1   0   ε 1 
 Y2  1 X X  X   β   ε 
Y =   =  21 2 2p−1  1  +  2
Y=Xβ+ε              
  β   
dengan:
Y adala    1 X X  X  ε
Y n1 n2 np−1  p−1  n
2, …, n.  n  
i
h variabel tidak bebas untuk pengamatan ke-i, untuk i = 1,
β0 , β , β2 ,..., βk adalah parameter.
1
X 1 , X 2 ,..., X k
adalah variabel bebas.
εi adalah sisa (error) untuk pengamatan ke-i yang diasumsikan berdistribusi
normal yang saling bebas dan identik dengan rata-rata 0 (nol) dan variansi σ 2 .
2.1.2 Uji Serentak
Untuk mengetahui apakah koefisien yang ada dalam model secara serentak
nyata atau tidak, digunakan uji F, dengan hipotesisnya sebagai berikut:
H 0 : β1 ≡ β2 = ... = βk = 0 (prediktor tidak berpengaruh terhadap respon)
H 1 : Tidak semua β sama dengan nol, untuk k=1,2,…,p
k
Statistik uji yang digunakan adalah:
Tabel 2.1 ANOVA Regresi Linier Berganda
Sumber
Varians
Derajat
Sum Square
bebas
Regresi
k
Error
n-k-1
Total
n-1
1 
SSR = b' X ' Y −  Y ' JY
n 
Mean Square
SSR
k
SSR
SSE = SST − SSR = Y ' Y − b' X ' MSR =
n − k −1
1

SST = Y ' Y −  Y ' JY
n 
MSR =
F
F=
MSR
MSE
(Draper, 1992)
Dimana nilai Fhitung yang dapat dihitung dibandingkan dengan Fα(V 1,V 2 ) dengan
derajat bebas V1=k, V2=n-k-1 dan tingkat signifikan α. Apabila Fhitung >

3. Fα( k , n −k − ) maka H0 ditolak, yang berarti paling sedikit ada satu β j yang tidak
1
dapat sama dengan nol (Salamah, 2010).
2.1.3 Uji Parsial
Uji parsial digunakan untuk menguji signifikasi variabel predictor terhadap
variabel respon secara individu, jika uji serentak signifikan. Rumusan
hipotesisnya:
H 0 : β j = 0 (variabel predictor X j tidak berpengaruh terhadap respon)
H 1 : β j ≠ 0 , untuk j=0,1,2,….,k
Statistik uji yang digunakan adalah
t hitung =
bi
2.2
var(bi )
[
ˆ
Var ( βj ) = diagonal X T X
]
−
1
σ2
Dimana b = nilai dugaan β ; σ2 = RKG
i
i
Kemudian t hitung dibandingkan dengan nilai tabel distribusi t dengan derajat bebas
(n-2) dan tingkat signifikan α (Salamah, 2010).
2.1.4 Koefisien Determinan (R2)
Koefisien determinasi didapat dari analisis regresi dengan menggunakan
minitab. Apabila R2 bernilai di atas 75% dapat dijelaskan bahwa nilai variabel Y
yang berada di atas 75% tersebut dapat dijelaskan oleh variabel-variabel bebas
yang ada dalam model. Sedangkan sisanya yang berada di bawah 75% dijelaskan
oleh oleh variabel-variabel bebas yang tidak ada dalam model. Tingginya nilai R 2
ini menandakan baiknya model yang telah didapatkan, artinya model telah sesuai
dan antar variabel pada model tersebut mempunyai korelasi yang sama (Salamah,
2010).
R2 =
2.2
SSR
x100%
SST
2.3
Regresi Linier dengan Variabel Dummy
Dalam analisis regresi, seringkali variabel respon tidak hanya dipengaruhi
oleh variabel yang bersifat kuantitatif, tetapi bisa juga dipengaruhi oleh variabel
yang bersifat kualitatif. Variabel yang bersifat kualitatif seperti jenis kelamin,
suku, agama, kejadian politik, dan lain-lain tersebut perlu dibuat kuantitatif
dengan membentuk variabel baru yang bernilai 0 atau 1. Dimana 0 menunjukkan
ketidakhadiran cirri tersebut, sedangkan 1 menunjukkan adanya cirri tersebut.
Variabel seperti ini disebut variabel dummy atau disebut juga variabel indikator,
variabel biner, variabel dikotomus, dan variabel kualitatif. Variabel dummy dapat
digunakan dalam model regresi semudah variabel kuantitatif. Dalam sebuah
model regresi, bisa saja semua variabel prediktor merupakan variabel dummy
atau gabungan dari variabel kuantitatif dan dummy, sebagaimana dituliskan dalam
persamaan regresi berikut.

4. Yi = α0 + α1 D + βX i + ε i
2.4
Dengan mengasumsikan bahwa E (ε i ) = 0 , maka diperoleh nilai ekspektasi dari
variabel respon masing-masing Di sebagai berikut.
E (Yi | X i , Di = 0) = α 0 + βX i
2.5
dan
E (Yi | X i , Di = 1) = (α0 + α1 ) + βX i
2.6
dengan kata lain bahwa fungsi Yi dalam hubungannya dengan X i mempunyai
kemiringan yang sama ( β) tetapi intersep berbeda untuk tiap-tiap Di .
Dalam regresi dengan variabel dummy , jika suatu variabel kualitatif
mempunyai m kategori, maka digunakan hanya m-1 variabel dummy. Jika tidak
dipenuhi, maka akan terjadi multikolinieritas sempurna (perfect multicolinearity)
(Gujarati, 1978).
2.2.1 Uji Parsial Variabel Dummy
Pengaruh variabel prediktor D (dummy) terhadap respon Y. Hipotesis yang
diuji adalah sebagai berikut:
H 0 : β j = 0 (variabel dummy tidak berpengaruh terhadap respon)
H 1 : β j ≠ 0 (variabel dummy berpengaruh terhadap respon)
Statistik uji.
SS ( β j | β0 , β1 ,..., β j −1 , β jt ,..., βk ) /( k −1)
Fhitung =
MSE
2.7
yang mengikuti distribusi F dengan df1=(k-1) dan df2=n-(p+1) pada level
signinfikan α tertentu, dengan k adalah banyaknya kategori dalam variabel
prediktor berskala kategorik. Wilayah kritisnya adalah Fhitung>F α,(k-1, n-(p+1))
(Draper, 1992).
2.3
Gula
Makanan yang manis pasti mengandung gula sejumlah manfaat gula yang
unik dan mengejutkan karena tidak mengganggu diet. Berikut beberapa
manfaat gula yang tidak biasa: menjaga bunga tetap segar, meringankan
pedas di mulut, mengobati luka, mengupas badan, lipstik lebih tahan lama,
mengangkat noda rumput, membersihkan penggiling, meredakan panas di lidah,
menjaga bunga tetap segar, membersihkan tangan dari minyak (Silva, 2012).
2.4
Tebu
Tebu adalah tanaman yang ditanam untuk bahan baku gula dan vetsin. Di
Indonesia tebu banyak dibudidayakan di pulau Jawa dan Sumatra. Berikut
beberapa kandungan gizi tebu yakni mencegah stroke, menguatkan gusi dan gigi
cairan, mengobati mimisan, mengobati masuk angin, melawan kanker payudara,
baik untuk penderita diabetes, menyembuhkan pilek dan sakit tenggorokan,
mengobati, mengobati penyakit kuning, obat infeksi, obat batu ginjal, dehidrasi
(Gentara, 2013).

5. 2.5
Phospat
Phospat merupakan jenis asam yang digunakan dalam proses pembuatan
gula yang terletak pada proses sulfidasi. Proses sulfitasi adalah proses
pengolahan gula yang di dalam proses pemurniannya menggunakan kapur dan
SO2 sebagai bahan pemurni. Gula yang di dapat dari proses ini berwana putih.
Sebelum memulai proses ini di tangki nira mentah dilakukan penambahan asam
phospat (H3PO4) sebanyak 210 kg/ 8 jam (250-300 ppm), yang bertujuan
untuk: menyerap koloid dan zat warna, menurunkan kadar kapur nira
mentah, melunakkan kerak evaporator, mempermudah proses pengendapan,
sehingga nira yang dihasilkan lebih jernih (Suwito, 2013).
3.
Metode Penelitian
Metode penelitian yang digunakan adalah sebagai berikut.
3.1
Sumber Data
Data penelitian ini merupakan data sekunder Tugas Akhir program sarjana
tahun 2004 dari Lutfia Widiastuti (1399100033) dengan judul “Pendekatan Spline
untuk Pendugaan Kurva Regresi dari Produksi Gula Poerwodadi Madiun Tahun
2003” yang didapatkan di Ruang Baca Staistika ITS pada tanggal 04 Desember
2013 dengan jumlah sampel 30 data.
3.2 Variabel Data
Variabel-variabel pengukuran yang digunakan adalah.
Tabel 3. 1 Variabel Data Produksi Gula
Variabel
Produksi gula
Jumlah tebu
Phospat rendah (≤300)
Phospat sedang (301-599)
Phospat tinggi (≥600)
4.
Satuan
Kwintal
Kwintal
Kilogram
Kilogram
Kilogram
Simbol
Y
X1
DA (Koding 0)
DB (Koding 1)
DC (Koding 2)
Analisis Korelasi Linier dan Regresi Linier Sederhana
Data jumlah gula yang dihasilkan per hari dalam kwintal dengan jumlah
tebu yang diproses per hari dalam kwintal, dapat dianalisis dengan menggunakan
variabel dummy yakni kandungan phospat rendah, sedang dan tinggi.
4.1
Analisis Regresi
Pembahasan dari analisis regresi yakni mengenai variabel dummy, uji
serentak, dan uji parsial.
Analisis regresi linier berganda dilakukan dengan menganalisis estimasi
model, koefisien determinasi, uji serentak, uji parsial dari variabel pendapatan
total keluarga, jumlah tanggungan keluarga, dan pengeluaran energi dengan
menganggap asumsi metode OLS terpenuhi.
4.1.1 Variabel Dummy

6. Berikut merupakan tabel variabel Dummy dengan kandungan phosphat
tinggi pada jumlah gula yang dihasilkan per hari dalam kwintal dengan jumlah
tebu yang diproses per hari dalam kwintal.
Tabel 4.1 Variabel Dummy
D1
D2
D_A (≤350 kg)
1
0
D_B (351-599 kg)
0
1
D_C (≥600kg)
0
0
Variabel dummy D_A dan D_B digunakan dalam analisis regresi.
Sedangkan Variabel dummy D_C digunakan sebagai pembanding pada uji parsial
4.1.2 Model Regresi dengan Variabel Dummy
Estimasi model regresi jumlah tebu yang diproses per hari terhadap
dijumlah gula yang dihasilkan perhari dengan variabel dummy kandungan
phospat.
Y = 58.5 + 0.0275 X - 26.5 D_A - 12.8 D_B
a. Persamaan Regresi Untuk D = 1 (D1 = 1, D2 = 0)
y = 58.5+0.0275 X-26. 5(1)-12.8(0)
y = 58.5+0.0275X-26.5
Kandungan phospat ≤ 350 kg berkurang 26.5 dari kandungan phospat ≥600kg
b. Persamaan Regresi Untuk D = 2 (D1 = 0, D2 = 1)
y = 58.5+0.0275 X-26. 5(0)-12.8(1)
y = 58.5+0.0275X-12.8
Kandungan phospat 351-599 kg berkurang 12.8 dari kandungan phospat ≥600kg
c. Persamaan Regresi Untuk D = 3 (D1 = 0, D2 = 0)
y = 58.5+0.0275 X-26. 5(0)-12.8(0)
y = 58,5+0.0275X
Kandungan phospat ≥600 kg konstan
4.2
Uji Serentak
Berikut pengujian serentak pada jumlah gula yang dihasilkan per hari (Kw)
dengan jumlah tebu yang diproses per hari (Kw) dengan menggunakan variabel
Dummy kandungan phosphat C sebagai pembanding.
Hipotesis:
H0 =β1= β2= β3=0
H1 =minimal ada satu βj ≠ 0 ; j=1,2,3
α = 5% = 0.05
Daerah Kritis: Tolak H0 jika Fhit ˃ F(α,3,26) dengan Ftabel = F(0,05;3,26) = 2.98
Tabel 4.1 Uji Serentak dengan Variabel Dummy C sebagai pembanding
Source
df
SS
MS
F
P
Regresion 3
5815.6
938.5 6.04
0.003
Error
26 8350.2
321.2
Total
29 14165.7
Tabel 4.1 menunjukkan Fhit sebesar 6.04 ˃ F(α,3,26) sebesar 2.98 sehingga tolak
Ho. Artinya jumlah tebu yang yang diproses per hari dan kandungan phospat
berpengaruh signifikan secara serentak terhadap jumlah gula per hari.

7. 4.3
Uji Parsial
Pada uji serentak yang dihasilkan adalah tolak H 0 sehingga dilakukan uji
parsial parameter model regresi pada jumlah gula yang dihasilkan per hari (Kw)
dengan jumlah tebu yang diproses per hari (Kw) dengan menggunakan variabel
Dummy kandungan phosphat C sebagai pembanding.
4.3.1 Uji Parsial Jumlah Tebu Yang Diproses Perhari Terhadap
Jumlah Gula yang Dihasilkan Perhari
Berikut hasil pengujian uji parsial jumlah tebu yang diproses perhari
terhadap jumlah gula yang dihasilkan perhari.
Hipotesis:
H0 =β1 =0 (jumlah tebu yang diproses perhari tidak berpengaruh signifikan
terhadap jumlah gula per hari secara individu)
H1 =β1≠ 0 (jumlah tebu yang diproses perhari berpengaruh signifikan terhadap
jumlah gula per hari secara individu)
α = 5% = 0.05
Daerah Kritis: Tolak H0 jika |thitung| ˃ t(α,26) dengan t(α,26) = 2.056
Tabel 4. 2 Uji Parsial Jumlah Tebu Yang Diproses Perhari Terhadap Jumlah Gula yang
Dihasilkan Perhari
Predictor
T
P
X
2.47
0.021
Tabel 4.2 menunjukkan t-hit variabel X sebesar 2.47 ˃ t(α,26) sebesar 2.056
sehingga tolak H0, artinya jumlah tebu yang diproses perhari berpengaruh
signifikan terhadap jumlah gula per hari secara individu.
4.3.2 Uji Parsial Variabel Dummy Terhadap Jumlah Gula yang
Dihasilkan Perhari
Berikut hasil uji parsial variabel dummy terhadap jumlah gula yang
dihasilkan perhari.
Hipotesis:
H0 =β2=β3 =0 (ketegori kandungan phospat tidak memberikan pengaruh yang
signifikan terhadap jumlah gula)
H1 =β2= β3≠ 0 (ketegori kandungan phospat memberikan pengaruh yang signifikan
terhadap jumlah gula)
α = 5% = 0.05
Daerah Kritis: Tolak H0 jika |thitung| ˃ t(α,26) dengan t(α,26) = 2.056
t hit =
ss ( β 2 , β 3 | β 0 β1 ) / k − 1 (6520.1 − 3780) / 2
=
= 5.96
MSE
229.8
Berdasarkan t-hit sebesar 5.96 ˃ dari t(α,26) = 2.056 sehingga tolak H0 artinya
ketegori kandungan phospat memberikan pengaruh yang signifikan terhadap
jumlah gula.
4.3.3 Uji Parsial Variabel Kandungan Phospat Kategori ≤350 Kg
dengan Kategori ≥ 600 Kg
Berikut hasil uji parsial variabel kandungan phospat kategori ≤350 kg dengan
kategori ≥ 600 kg.
Hipotesis:

8. H0=β2=0 (kandungan phospat kategori ≤350 Kg maupun kategori ≥ 600 Kg
memberikan pengaruh yang sama terhadap jumlah gula)
H1= β2 ≠ 0 (kandungan phospat kategori ≤350 Kg dan kategori ≥ 600 Kg
memberikan pengaruh yang berbeda terhadap jumlah gula)
α = 5% = 0.05
Daerah Kritis: Tolak H0 jika |thitung| ˃ t(α,26) dengan t(α,26) = 2.056
Tabel 4. 3 Uji Parsial Variabel Kangdungan Phospat Kategori ≤ 350 Kg
dengan Kategori ≥ 600 Kg
Predictor
T
P
D_A
-3.38 0.002
Tabel 4.3 menunjukkan t-hit variabel dummy A sebesar 3.38 ˃ t(α,26) sebesar
2.056 sehingga tolak H0, artinya kandungan phospat kategori ≤350 Kg maupun
Kategori ≥ 600 Kg memberikan pengaruh yang berbeda terhadap jumlah gula.
4.3.4 Uji Parsial Variabel Kandungan Phospat Kategori 351-599 Kg
dengan Kategori ≥ 600 Kg
Berikut hasi uji parsial variabel kandungan phospat kategori 351-599 kg
dengan kategori ≥ 600 kg.
Hipotesis:
H0 =β3=0 (kandungan phospat kategori 351-599 kg maupun kategori ≥ 600 Kg
memberikan pengaruh yang sama terhadap jumlah gula)
H1 =β3≠ 0 (kandungan phospat kategori 351-599 kg dan kategori ≥ 600 Kg
memberikan pengaruh yang berbeda terhadap jumlah gula)
α = 5% = 0.05
Daerah Kritis: Tolak H0 jika |thitung| ˃ t(α,26) dengan t(α,26) = 2.056
Tabel 4. 4 Uji Parsial Kandungan Phospat Kategori 351-599 Kg dengan Kategori ≥ 600 Kg
Predictor
T
P
D_B
-1.94 0.063
Tabel 4.4 menunjukkan t-hit variabel dummy B sebesar 1.94 ˂ t(α,26) sebesar
2.056 sehingga gagal tolak H0, artinya kandungan phospat kategori 351-599 kg
maupun kategori ≥ 600 Kg memberikan pengaruh yang sama terhadap jumlah
gula.
4.3.5 Uji parsial variabel kandungan phospat kategori ≤350 kg
terhadap variabel kandungan phospat kategori 351-599 kg
Berikut hasil uji parsial variabel kandungan phospat kategori ≤350 kg
terhadap variabel kandungan phospat kategori 351-599 kg.
Hipotesis:
H0 =β1-β2 =0 (kategori kandungan phosphat kategori ≤350 kg maupun kategori
351-599 kg memberi pengaruh yang sama terhadap jumlah gula per hari)
H1 =β1-β2 ≠ 0 (kategori kandungan phosphat kategori ≤350 kg maupun kategori
351-599 kg memberi pengaruh yang berbeda terhadap jumlah gula per hari)
α = 5% = 0.05
Daerah Kritis: Tolak H0 jika |thitung| ˃ t(α,26) dengan t(α,26) = 2.056
t
hit
=
=
b2 − 3
b
var( b2 ) 2 +var( b3 )2 − cov( b2b3 )
2
− . 4− − . 8 )
26
( 12
0.283798+ .186629− 2*0.085160 )
0
(
= 24.825

9. Dari perhitungan t didapat t hitung lebih besar dari pada t tabel yakni
24.825>2.05, sehingga keputusannya tolak Ho yang artinya kategori kandungan
phosphat kategori ≤350 kg maupun kategori 351-599 kg memberi pengaruh yang
berbeda terhadap jumlah gula per hari.
5.
1.
Kesimpulan
Berikut kesimpulan dari
Estimasi model regresi jumlah tebu yang diproses per hari terhadap
dijumlah gula yang dihasilkan perhari dengan variabel dummy kandungan
phospat adalah Y = 58.5 + 0.0275 X - 26.5 D_A - 12.8 D_B.
2.
Pada pengujian serentak didapatkan jumlah tebu yang yang diproses per hari
dan kandungan phospat berpengaruh signifikan terhadap jumlah gula per
hari.
3.
Pada pengujian individu variabel jumlah tebu yang diproses diketahui
bahwa jumlah tebu yang diproses berpengaruh signifikan terhadap jumlah
gula per hari.
4.
Pengujian individu variabel dummy terhadap jumlah gula yang dihasilkan
diketahui ketegori kandungan phospat memberikan pengaruh yang
signifikan terhadap jumlah gula.
5.
Pada pengujian Individu didapatkan jumlah tebu yang diproses dan
kandungan phospat rendah didapatkan kandungan phospat rendah maupun
tinggi memberikan pengaruh yang berbeda terhadap jumlah gula.
Sedangkan pada kandungan phospat sedang diketahui bahwa kandungan
phospat sedang maupun tinggi memberikan pengaruh yang sama terhadap
jumlah gula.
6.
Daftar Pustaka
Draper, Harry Smith dan Norman. 1992. Analisis Regresi Terapan. Jakarta:
Gramedia Puataka Utama.
Gujarati, D. 1979. Basic Econometrics. New York: Mc. Graw-Hill, inc.
Kutner, M.H., C.J. Nachtsheim., dan J. Neter. 2004. Applied Linear Regression
Models. 4th ed. New York: McGraw-Hill Companies, Inc.
Salamah, M dan Distri Susilaningrum. 2010. Modul Praktikum
PenghantarMetode Statistika. Surabaya: Jurusan Statistika ITS.
Gentara, L. (2013, Maret). Khasiat Tebu dan Kandungan Gizinya. Dipetik
Desember 09, 2013, dari Gen 22: http://www.gen22.net

10. Silva, A. D. (2012, November 24). Manfaat Gula yang Tiidak Biasa. Dipetik
Desember 2013, 09, dari http://wirawiri.net
Suwito. (2013, April). Fungsi Gula Dalam Pengolahan Pangan. Dipetik
Desember 09, 2013, dari http://romoselamatsuwito.blogspot.com
7.
Lampiran
Data awal
No
gula
tebu
phosphat
Dummy
1
60.2
1278.8
300
A
2
62.9
1083
200
A
3
4
5
6
7
8
9
10
11
12
13
14
68.8
69.7
75.7
112.1
75.8
87.8
78.9
94.7
86.5
91.2
71.1
122.1
1208.5
1813.6
1908.6
2080.6
1655.9
1692.4
1791.8
1972.3
1964.7
1170.4
1074.4
1797.4
350
250
304
303
455
580
563
505
529
452
452
452
A
A
A
A
B
B
B
B
B
B
B
B
15
114.3
1858.3
588
B
16
87.5
1613.4
609
C
17
18
19
20
21
22
23
24
25
26
27
28
29
30
70.8
115.7
104.6
113.2
122.7
128.5
112.7
104.6
90.8
121.3
119.1
110.4
116
106.5
1882.3
1780
1739.5
1951.3
1862.5
1775.4
1889.7
1829.6
1812.7
1768.8
1718.4
1771.6
1973.7
1825.5
607
608
609
612
611
612
612
658
605
608
603
607
606
610
C
C
C
C
C
C
C
C
C
C
C
C
C
C
Regression Analysis: Y versus X; D_A; D_B
The regression equation is
Y = 58.5 + 0.0275 X - 26.5 D_A - 12.8 D_B

11. Predictor
Constant
X
D_A
D_B
Coef
58.52
0.02745
-26.509
-12.831
S = 15.1601
SE Coef
20.55
0.01113
7.837
6.603
R-Sq = 52.2%
T
2.85
2.47
-3.38
-1.94
P
0.009
0.021
0.002
0.063
R-Sq(adj) = 46.7%
Analysis of Variance
Source
Regression
Residual Error
Total
Source
X
D_A
D_B
DF
1
1
1
DF
3
26
29
SS
6520.1
5975.6
12495.6
MS
2173.4
229.8
F
9.46
P
0.000
Seq SS
3780.0
1872.2
867.8
Unusual Observations
Obs
17
X
1882
Y
70.80
Fit
110.20
SE Fit
3.99
Residual
-39.40
St Resid
-2.69R
R denotes an observation with a large standardized residual.
MTB >
(XTX)-1 = Matrix
1.80377
-0.00096
-0.23917
-0.25289
M4
-0.0009582
0.0000005
0.0000952
0.0001027
1.80377
 - 0.00096

 - 0.23917

− 0.25885
1414.506


=



-0.239174
0.000095
0.283798
0.085160
− 0.0009582
0.0000005
0.0000095
0.0001027
-0.252885
0.000103
0.085160
0.186629
− 0.239174
0.000095
0.283789
0.085160
0.0001149
65.2147
− 0.25885
0.000103  x 229.8

0.085160 

0.186629 

0.023669 



42.88734