Analisis Statistik

TUGAS KELAS A

A simulation model for peak water flow from watersheads was tested by
comparing measured peak flow (cfs) from 10 storms with predictions of
peak flow obtained from the simulation model Qo and Qp are the observed
and predicted peak flows, respectively. Four independent variables were
recorded :
X1 = area of watershed (mi2),
X2 = average slope of watershed (in percent),
X3 = surface absorbency index (0 = complete absorbency, 100 = no
absorbency), and
X4 = peak intensity of raifall (in/hr) computed on half-hour time intervals

Qo Qp X1 X2 X3 X4

28 32 0.03 3.0 70 0.6

112 142 0.03 3.0 80 1.8

398 502 0.13 6.5 65 2.0

772 790 1.00 15.0 60 0.4

2294 3075 1.00 15.0 65 2.3

2484 3230 3.00 7.0 67 1.0

2586 3535 5.00 6.0 62 0.9

3024 4265 7.00 6.5 56 1.1

4179 6529 7.00 6.5 56 1.4

710 935 7.00 6.5 56 0.7

a) Use Y = ln(Qo/Qp) as the dependent variable. The dependent

variable will have the value zero if the observed and predicted peak
flows agree. Set up the regression problem to determine whether

Marhani (P01319012)) Page 1

Analisis Statistik

the discrepancy Y is related to any of the four independent

variables. Use an intercept in the model. Estimated the regression
equation.
b) Further consideration of the problem suggested that the
discrepancy between observed and predicted peak flow Y might go
to zero as the values of the four independent variables approach
zero. Redefine the regression problem to eliminate the intercept
(force βo=0), and estimate the regression equation.
c) Rerun the regression (without the intercept) using only X1 and X4;
that is, omit X2 and X3 from the model. Do the regression
coefficients for X1 and X4 change? Explain why they do or do not
change.
d) Describe the change in the standart errors of the estimated
regression coefficients as the intercept was dropped (Part (a)
versus Part (b) and as X2 and X3 were dropped from model (Part (b)
versus Part (c)

Marhani (P01319012)) Page 2

Analisis Statistik

SOAL:

a) Use Y = ln(Qo/Qp) as the dependent variable. The dependent

variable will have the value zero if the observed and predicted
peak flows agree. Set up the regression problem to determine
whether the discrepancy Y is related to any of the four
independent variables. Use an intercept in the model. Estimated
the regression equation.

JAWABAN :

Nilai Y diketahu dengan persamaan Y = ln(Qo/Qp) hasilnya yaitu :

Y=ln(Qo/Qp) X1 X2 X3 X4

-0,13 0,03 3,00 70 0,6

-0,24 0,03 3,00 80 1,8
-0,23 0,13 6,50 65 2,0
-0,02 1,00 15,00 60 0,4
-0,29 1,00 15,00 65 2,3
-0,26 3,00 7,00 67 1,0
-0,31 5,00 6,00 62 0,9
-0,34 7,00 6,50 56 1,1
-0,45 7,00 6,50 56 1,4
-0,28 7,00 6,50 56 0,7

Output dari SPPS Versi. 24 untuk menentukan model korelasi berganda

untuk mengestimasi persamaan regresi adalah :

Descriptive Statistics
Mean Std. Deviation N
Y -.2560 .11502 10
X1 3.1190 3.08648 10
X2 7.5000 4.20978 10
X3 63.7000 7.55792 10
X4 1.2200 .63561 10

Marhani (P01319012)) Page 3

 Analisis Statistik

Correlations
Y X1 X2 X3 X4
Pearson Correlation Y 1.000 -.683 .274 .327 -.413
X1 -.683 1.000 -.132 -.771 -.290
X2 .274 -.132 1.000 -.339 .100
X3 .327 -.771 -.339 1.000 .332
X4 -.413 -.290 .100 .332 1.000
Sig. (1-tailed) Y . .015 .221 .178 .118
X1 .015 . .358 .005 .208
X2 .221 .358 . .169 .392
X3 .178 .005 .169 . .174
X4 .118 .208 .392 .174 .
N Y 10 10 10 10 10
X1 10 10 10 10 10
X2 10 10 10 10 10
X3 10 10 10 10 10
X4 10 10 10 10 10

Variables Entered/Removeda
Variables Variables
Model Entered Removed Method
1 X4, X2, X1, X3b . Enter
a. Dependent Variable: Y
b. All requested variables entered.

Model Summary
Change Statistics
Adjusted R Std. Error of the R Square
Model R R Square Square Estimate Change F Change df1 df2 S
1 .964a .929 .872 .04119 .929 16.293 4 5
a. Predictors: (Constant), X4, X2, X1, X3

Marhani (P01319012)) Page 4

Analisis Statistik

ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression .111 4 .028 16.293 .005b
Residual .008 5 .002
Total .119 9
a. Dependent Variable: Y
b. Predictors: (Constant), X4, X2, X1, X3

Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) .087 .312 .280 .791
X1 -.035 .009 -.950 -3.790 .013
X2 .005 .005 .173 .992 .367
X3 -.002 .004 -.126 -.457 .667
X4 -.120 .024 -.664 -5.043 .004
a. Dependent Variable: Y

I. Cara EXEL
SUMMARY OUTPUT

Regression Statistics
Multiple R 0.96371443
R Square 0.928745502
Adjusted R Square 0.871741904
Standard Error 0.041191183
Observations 10

ANOVA
df SS MS F Significance F
Regression 4 0.110577 0.027644 16.29275 0.004502
Residual 5 0.008484 0.001697
Total 9 0.11906

Coefficients Standard Error t Stat P-value Lower 95%Upper 95%Lower 95.0%

Upper 95.0%
Intercept 0.087321331 0.311931 0.279938 0.790737 -0.71452 0.889166 -0.71452 0.889166
X1 -0.035384099 0.009336 -3.78989 0.01276 -0.05938 -0.01138 -0.05938 -0.01138
X2 0.004726196 0.004765 0.99194 0.366773 -0.00752 0.016974 -0.00752 0.016974
X3 -0.001913147 0.004189 -0.45673 0.667019 -0.01268 0.008854 -0.01268 0.008854
X4 -0.120079975 0.02381 -5.04334 0.003956 -0.18128 -0.05888 -0.18128 -0.05888
Y = 0.087321331-0.035384099X1+0.004726196X2-0.001913147X3-0.120079975X4

Marhani (P01319012)) Page 5

Analisis Statistik

Dapat kita interpretasikan yakni Koefisien korelasi (R) sebesar 0,9637

dengan dimasukannya keseluruhan variabel independent. Hal ini berarti
hubungan antara hasil dependent (y) dengan variabel independent (x)
sebesar 96,37%. Koefisien determinasi (R Square) adalah 0.9287 artinya
92,87% variabel yang terjadi terhadap Variabel dependet sisanya
dipengaruhi oleh faktor lain.
Nilai Fhitung (16,292) > dari Ftabel 0,01 (6,4221 ) dengan nilai signifikansi
0,004 < 0,05, hal ini mengindikasikan variabel independent secara
bersama berpengaruh sangat nyata terhadap variable dependent.

dari tabel di atas diperoleh informasi bahwa taksiran nilai parameter dari
regresi linier berganda dengan hubungan X mempengaruhi Y adalah :
Arti Persamaan Regresi :
a) βo = 0,0873. Nilai konstanta ini menunjukkan bahwa apabila tidak ada
variabel Luas DAS(X1), Rata-rata kemiringan DAS (X2), Indeks
Permukaan Serap (X3) dan Puncak Intensitas dari curah hujan (X4),
maka puncak arus air pada DAS (Y) akan sebesar adalah 0.0873.
Dalam arti kata puncak arus air pada DAS meningkat sebesar 0,0873
sebelum atau tanpa adanya variabel Luas DAS, Rata-rata kemiringan
DAS, Indeks Permukaan Serap dan Puncak Intensitas dari curah
hujan (X1, X2, X3 dan X4 = 0).
b) β1 = -0,0354. Koefisien regresi X1 diperoleh sebesar -0,0354.
Koefisien regresi ini menunjukkan bahwa terdapat pengaruh negatif
(berlawanan arah) antara Variabel X1 terhadap Variabel Y. Artinya
apabila Luas DAS naik sebesar 1 mi2 dan Rata-rata kemiringan DAS
(X2), Indeks Permukaan Serap (X3) dan Puncak Intensitas dari curah
hujan (X4) masing-masing tetap, maka puncak arus air pada DAS (Y)
akan turun sebesar 0,0354.
c) β2 = 0,0047. Koefisien regresi X2 diperoleh sebesar 0,0047. Koefisien
regresi ini menunjukkan bahwa terdapat pengaruh positif (searah)
antara Variabel X2 terhadap Variabel Y. Artinya jika Rata-rata

Marhani (P01319012)) Page 6

Analisis Statistik

kemiringan DAS naik sebesar 1 % dan Luas DAS(X1), Indeks

Permukaan Serap (X3) dan Puncak Intensitas dari curah hujan (X4)
masing-masing tetap maka puncak arus air pada DAS akan naik
sebesar 0,0047.
d) β3 = -0,0019. Koefisien regresi X3 diperoleh sebesar – 0,0019.
Koefisien regresi ini menunjukkan bahwa terdapat pengaruh negatif
(berlawanan arah) antara Variabel X3 terhadap Variabel Y. Artinya jika
Indeks Permukaan Serap naik sebesar 1 satuan dan Luas DAS(X 1),
Rata-rata kemiringan DAS (X2) dan Puncak Intensitas dari curah hujan
(X4) masing-masing tetap, maka puncak arus air pada DAS (Y) akan
turun sebesar 0,0019.
β4 = -0,1201. Koefisien regresi X4 diperoleh sebesar – 0,1201.
Koefisien regresi ini menunjukkan bahwa terdapat pengaruh negatif
(berlawanan arah) antara Variabel X4 terhadap Variabel Y. Artinya jika
Puncak Intensitas dari curah hujan naik 1 in/jam dan Luas DAS(X 1),
Rata-rata kemiringan DAS (X2) dan Indeks Permukaan Serap (X3)
masing-masing tetap, maka puncak arus air pada DAS (Y) akan turun
sebesar 0,1201.
sehingga model taksiran regresi linier berganda adalah :

Yi  0  1 X i1  2 X i2    p1 X i, p1  i

Y = 0.087321331-0.035384099X1+0.004726196X2-0.001913147X3-0.120079975X4

Berdasarkan koefisien regresi dari model diperoleh hasil akhir variabel X1

dan X4 mempengaruhi variabel dependent secara signifikan, sedangkan
variabel independent lainya tidak berpengaruh, yang ditandai dengan thit >
ttab0,01 (3,2498) atau nilai probabilitas (sig)< 0,01. Kemungkinan terjadi
penyimpangan ini karena ada input varaibel independent yang tidak
berpengaruh yaitu X2 dan X3

Marhani (P01319012)) Page 7

Analisis Statistik

SOAL:
b) Further consideration of the problem suggested that the
discrepancy between observed and predicted peak flow Y might
go to zero as the values of the four independent variables
approach zero. Redefine the regression problem to eliminate the
intercept (force βo=0), and estimate the regression equation.

Metode EXEL
SUMMARY OUTPUT

Regression Statistics
Multiple R 0.99442
R Square 0.988871
Adjusted R Square
0.816639
Standard Error
0.037896
Observations 10

ANOVA
df SS MS F Significance F
Regression 4 0.7656 0.1914 133.2787 2.89E-05
Residual 6 0.008617 0.001436
Total 10 0.774216

Coefficients
Standard Error t Stat P-value Lower 95%Upper 95%Lower 95.0%
Upper 95.0%
Intercept 0 #N/A #N/A #N/A #N/A #N/A #N/A #N/A
X1 -0.03304 0.003799 -8.69768 0.000128 -0.04234 -0.02374 -0.04234 -0.02374
X2 0.005752 0.002802 2.052397 0.085956 -0.00111 0.012609 -0.00111 0.012609
X3 -0.00075 0.000548 -1.37208 0.219124 -0.00209 0.000589 -0.00209 0.000589
X4 -0.12153 0.021381 -5.68405 0.001279 -0.17385 -0.06921 -0.17385 -0.06921

Marhani (P01319012)) Page 8

 Analisis Statistik

Dengan Program SPSS. 24

Descriptive Statistics
Mean Std. Deviation N
Y = dependent .0000 .00000 10
X1= area of watershed (m2) 3.1190 3.08648 10
X2 = average slope of 7.5000 4.20978 10
watershed (%)
X3= Surface indeks 63.7000 7.55792 10
X4= Peak Intensity of rainfall 1.2200 .63561 10
(in/hr)

Correlations
X2 =
averag
e slope
X1= area of of X3= X4= Peak
Y= watershed watersh Surface Intensity of
dependent (m2) ed (%) indeks rainfall (in/hr)
Pearson Correlation Y = dependent 1.000 . . . .
X1= area of watershed (m2) . 1.000 -.132 -.771 -.290
X2 = average slope of . -.132 1.000 -.339 .100
watershed (%)
X3= Surface indeks . -.771 -.339 1.000 .332
X4= Peak Intensity of rainfall . -.290 .100 .332 1.000
(in/hr)
Sig. (1-tailed) Y = dependent . .000 .000 .000 .000
X1= area of watershed (m2) .000 . .358 .005 .208
X2 = average slope of .000 .358 . .169 .392
watershed (%)
X3= Surface indeks .000 .005 .169 . .174
X4= Peak Intensity of rainfall .000 .208 .392 .174 .
(in/hr)
N Y = dependent 10 10 10 10 10
X1= area of watershed (m2) 10 10 10 10 10
X2 = average slope of 10 10 10 10 10
watershed (%)

Marhani (P01319012)) Page 9

Analisis Statistik

X3= Surface indeks 10 10 10 10 10

X4= Peak Intensity of rainfall 10 10 10 10 10
(in/hr)

Variables Entered/Removeda
Variables Variables
Model Entered Removed Method
1 X4, X2, X1, X3b . Enter
a. Dependent Variable: Y
b. All requested variables entered.

ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression .111 4 .028 16.293 .005b
Residual .008 5 .002
Total .119 9
a. Dependent Variable: Y
b. Predictors: (Constant), X4, X2, X1, X3

Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) .087 .312 .280 .791
X1 -.035 .009 -.950 -3.790 .013
X2 .005 .005 .173 .992 .367
X3 -.002 .004 -.126 -.457 .667
X4 -.120 .024 -.664 -5.043 .004

Marhani (P01319012)) Page 10

Analisis Statistik

Jika konstanta atau intercept (βo=0) maka, model persamaan regresinya

adalah:

Y = a (βo=0) – 0,035X1 + 0,005X2 – 0,002X3 – 0,120X4 + ε

R2 = 1,00
Arti Persamaan regresi berganda :
a) βo = 0. Nilai konstanta ini menunjukkan bahwa apabila tidak ada
variabel Luas DAS(X1), Rata-rata kemiringan DAS (X2), Indeks
Permukaan Serap (X3) dan Puncak Intensitas dari curah hujan (X4),
maka puncak arus air pada DAS (Y) akan sebesar adalah 0.0873.
Dalam arti kata puncak arus air pada DAS meningkat sebesar 0,0873
sebelum atau tanpa adanya variabel Luas DAS, Rata-rata kemiringan
DAS, Indeks Permukaan Serap dan Puncak Intensitas dari curah
hujan (X1, X2, X3 dan X4 = 0).

b) β1 = -0,0354. Koefisien regresi X1 diperoleh sebesar -0,0354.

Koefisien regresi ini menunjukkan bahwa terdapat pengaruh negatif
(berlawanan arah) antara Variabel X1 terhadap Variabel Y. Artinya
apabila Luas DAS naik sebesar 1 mi2 dan Rata-rata kemiringan DAS
(X2), Indeks Permukaan Serap (X3) dan Puncak Intensitas dari curah
hujan (X4) masing-masing tetap, maka puncak arus air pada DAS (Y)
akan turun sebesar 0,0354.

c) β2 = 0,005752. Koefisien regresi X2 diperoleh sebesar 0,005752.

Koefisien regresi ini menunjukkan bahwa terdapat pengaruh positif
(searah) antara Variabel X2 terhadap Variabel Y. Artinya jika Rata-rata
kemiringan DAS naik sebesar 1 % dan Luas DAS(X1), Indeks
Permukaan Serap (X3) dan Puncak Intensitas dari curah hujan (X4)
masing-masing tetap maka puncak arus air pada DAS akan naik
sebesar 0,005752.

d) β3 = -0.00075. Koefisien regresi X3 diperoleh sebesar – 0,00075.

Koefisien regresi ini menunjukkan bahwa terdapat pengaruh negatif

Marhani (P01319012)) Page 11

Analisis Statistik

(berlawanan arah) antara Variabel X3 terhadap Variabel Y. Artinya jika

Indeks Permukaan Serap naik sebesar 1 satuan satuan dan Luas
DAS(X1), Rata-rata kemiringan DAS (X2) dan Puncak Intensitas dari
curah hujan (X4) masing-masing tetap, maka puncak arus air pada
DAS (Y) akan turun sebesar 0,00075.

e) β4 = - 0.12153. Koefisien regresi X4 diperoleh sebesar – 0,12153.

Koefisien regresi ini menunjukkan bahwa terdapat pengaruh negatif
(berlawanan arah) antara Variabel X4 terhadap Variabel Y. Artinya jika
Puncak Intensitas dari curah hujan naik 1 inci/jam dan Luas DAS(X1),
Rata-rata kemiringan DAS (X2) dan Indeks Permukaan Serap (X3)
masing-masing tetap, maka puncak arus air pada DAS (Y) akan turun
sebesar 0,12153.

Interpretasi yang diperoleh jika intercept (βo=0) maka prediksi variabel

dependent Y=0 sebaran data berada pada garis intersep (slope), hal ini
berbeda bila dimasukan (βo=0,087) pada bagian a.
menyebar/menyimbang diantara garis intersep.
1. jIka Intercept = 0 ( B), maka secara umum korelasinya meningkat
2. Semakin mendekati 0 korelasi semakin lemah
3. Multiple (R) 0.9944 memiliki korelasi positif yang sangat kuat
4. X1 berkorelasi negative dengan Y ( semakin besar nilai X1 semakin kecil Y )
/berbanding
5. X2 positif berkorelasi positif dengan Y
6. Semakin kecil F semakin sinifikan F = 0,0000289
7. Persamaan ini yang biasnya lebih kecil RSquere = 98.88% dipengaruhi oleh
Variabel independent selebihnya dipengaruhi oleh factor lain
8. Intercept tidak selalu bermakna
9. Ketika semua nol maka Y tetap

Marhani (P01319012)) Page 12

Analisis Statistik

SOAL:
c) Rerun the regression (without the intercept) using only X1 and X4;
that is, omit X2 and X3 from the model. Do the regression
coefficients for X1 and X4 change? Explain why they do or do not
change

JAWABAN :
Dengan EXEL
SUMMARY OUTPUT

Regression Statistics
Multiple R 0.99021
R Square 0.980516
Adjusted R Square 0.85308
Standard Error 0.043424
Observations 10

ANOVA
df SS MS F Significance F
Regression 2 0.759131 0.379566 201.2924 6.53E-07
Residual 8 0.015085 0.001886
Total 10 0.774216

Coefficients
Standard Error t Stat P-value Lower 95%Upper 95%Lower 95.0%
Upper 95.0%
Intercept 0 #N/A #N/A #N/A #N/A #N/A #N/A #N/A
X1 -0.03318 0.003892 -8.5248 2.76E-05 -0.04216 -0.02421 -0.04216 -0.02421
X4 -0.12427 0.012236 -10.1563 7.56E-06 -0.15249 -0.09606 -0.15249 -0.09606

Model regresi :

Y = - 0,007 – 0,003X1 – 0,121X4 + ε

Metode SPSS. 24
Descriptive Statistics
Mean Std. Deviation N
Y -.2560 .11502 10
X1 3.1190 3.08648 10
X2 7.5000 4.20978 10
X3 63.7000 7.55792 10
X4 1.2200 .63561 10

Marhani (P01319012)) Page 13

Analisis Statistik

Correlations
Y X1 X2 X3 X4
Pearson Correlation Y 1.000 -.683 .274 .327 -.413
X1 -.683 1.000 -.132 -.771 -.290
X2 .274 -.132 1.000 -.339 .100
X3 .327 -.771 -.339 1.000 .332
X4 -.413 -.290 .100 .332 1.000
Sig. (1-tailed) Y . .015 .221 .178 .118
X1 .015 . .358 .005 .208
X2 .221 .358 . .169 .392
X3 .178 .005 .169 . .174
X4 .118 .208 .392 .174 .
N Y 10 10 10 10 10
X1 10 10 10 10 10
X2 10 10 10 10 10
X3 10 10 10 10 10
X4 10 10 10 10 10

Correlations
Y X1 X2 X3 X4
Pearson Correlation Y 1.000 -.683 .274 .327 -.413
X1 -.683 1.000 -.132 -.771 -.290
X2 .274 -.132 1.000 -.339 .100
X3 .327 -.771 -.339 1.000 .332
X4 -.413 -.290 .100 .332 1.000
Sig. (1-tailed) Y . .015 .221 .178 .118
X1 .015 . .358 .005 .208
X2 .221 .358 . .169 .392
X3 .178 .005 .169 . .174
X4 .118 .208 .392 .174 .
N Y 10 10 10 10 10
X1 10 10 10 10 10
X2 10 10 10 10 10
X3 10 10 10 10 10
X4 10 10 10 10 10

Marhani (P01319012)) Page 14

 Analisis Statistik

Variables Entered/Removeda
Variables Variables
Model Entered Removed Method
1 X4, X2, X1, X3b . Enter
a. Dependent Variable: Y
b. All requested variables entered.

Model Summary
Change Statistics
Adjusted R Std. Error of the R Square
Model R R Square Square Estimate Change F Change df1 df2 Sig. F
1 .964a .929 .872 .04119 .929 16.293 4 5
a. Predictors: (Constant), X4, X2, X1, X3

ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression .111 4 .028 16.293 .005b
Residual .008 5 .002
Total .119 9
a. Dependent Variable: Y
b. Predictors: (Constant), X4, X2, X1, X3

Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) .087 .312 .280 .791
X1 -.035 .009 -.950 -3.790 .013
X2 .005 .005 .173 .992 .367
X3 -.002 .004 -.126 -.457 .667
X4 -.120 .024 -.664 -5.043 .004
a. Dependent Variable: Y = 0.087-0.35X1-120X4
1. JIka X2 dan X3 dihilangkan maka secara simultan memiliki pengaruh yang
lebih besar lebih kuat
2. Korelasi Variabel X1 dan X4 lebih kuat karena nilainya minus berbanding
terbalik dengan Y
3.

Marhani (P01319012)) Page 15

Analisis Statistik

Arti Persamaan regresi :

a. βo = 0. Nilai konstanta ini menunjukkan bahwa apabila tidak ada
variabel Luas DAS(X1) dan Puncak Intensitas dari curah hujan (X4),
maka puncak arus air pada DAS (Y) akan sebesar adalah 0. Dalam
arti kata puncak arus air pada DAS meningkat sebesar 0 sebelum atau
tanpa adanya variabel Luas DAS dan Puncak Intensitas dari curah
hujan (X1 dan X4 = 0).
b. β1 = -0,03318. Koefisien regresi X1 diperoleh sebesar – 0,03318.
Koefisien regresi ini menunjukkan bahwa terdapat pengaruh negatif
(berlawanan arah) antara Variabel X1 terhadap Variabel Y. artinya jika
Luas DAS naik sebesar 1 mi2 dan Puncak Intensitas dari curah hujan
(X4) tetap, maka puncak arus air pada DAS (Y) akan turun sebesar
0,03318.
c. Β4 = - 0.12427. Koefisien regresi X4 diperoleh sebesar – 0,12427.
Koefisien regresi ini menunjukkan bahwa terdapat pengaruh negatif
(berlawanan arah) antara Variabel X4 terhadap Variabel Y. Artinya jika
Puncak Intensitas dari curah hujan naik 1 inci/jam dan Luas DAS(X1)
tetap, maka puncak arus air pada DAS (Y) akan turun sebesar
0,12427.
Pembahasan :
Dari persamaan regresi dengan menghilangkan X2 dan X3

dari model regresi, diperoleh hasil koefisien regresi X1 sebesar - 0.03318

yang sebelumnya – 0,03304 dan koefisien regresi untuk X4 sebesar –

0.12427 yang sebelumnya – 0,12153. Hasil ini menunjukkan bahwa

dengan penghilangan variabel bebas maka terjadi perubahan hasil

pengujian koefisien regresi dan tentunya akan merubah interpretasi hasil

regresi yang bias.

Marhani (P01319012)) Page 16

Analisis Statistik

SOAL:
d) Describe the change in the standart errors of the estimated
regression coefficients as the intercept was dropped (Part (a)
versus Part (b) and as X2 and X3 were dropped from model (Part
(b) versus Part (c)
JAWABAN :
Standard error atau kesalahan buku (SE) adalah angka yang
digunakan untuk mengukur ketetapan suatu penduga atau mengukur
jumlah variasi titik-titik observasi di atas dan di bawah regresi populasi.
Pada model regresi pada bagian a Vs bagian b menggambarkan
terjadi penyimpangan atau sebaran data dari nilai rata – rata hitungnya
dan berada disekitar garis intersep (βo=0,087) sebesar SE±0.004
sedangankan intersep (βo=0) SE±0.037 berarti tepat berada di garis
intersep. Demikian pula yang terjadi pada bagian b Vs bagian c, dimana
bagian c (βo=0) dengan SE±0.043.
Terjadi perubahan intersep maka penyimpangan atau fluktuasi Standard
error (SE) juga berubah, pada kasus ini perubahan antara bagian a dan
bagian c cenderung kecil karena kontribusi variabel X2 dab X3
mempunyai korelasi yang tidak signifikan mempengaruhi Standard error
(SE) maupun Standard deviasi (SD) dari data yang diplotkan, hal lain yang
ditimbulkan adalah korelasi (R) sebelum (0.964 ) dan sesudah (0.990)
terhadap variabel X2 dan X3 yang dieliminasi tidak menunjukkan
perubahan signifikan.
D. The Changes of Standard Errors of the Regression :

 A vs B

STANDAR ERROR
VARIABEL
MODEL [ MODEL B
X1 0.00934 0.003798
X2 0.00476 0.002803
X3 0.00419 0.000549
X4 0.02381 0.021381

Marhani (P01319012)) Page 17

 Analisis Statistik

Untuk mengetahui ketepatan persamaan estimasi dapat

digunakan kesalahan standar estimasi (standard error of estimate).
Besarnya kesalahan standar estimasi menunjukkan ketepatan persamaan
estimasi untuk menjelaskan nilai variabel tidak bebas yang sesungguhnya.
Semakin kecil nilai kesalahan standar estimasi, makin tinggi ketepatan
persamaan estimasi yang dihasilkan untuk menjelaskan nilai variabel tidak
bebas sesungguhnya dan sebaliknya.
Berdasarkan hasil kesalahan standar koefisien regresi untuk
model A dan model B dapat dilihat bahwa model B memiliki nilai
kesalahan standar koefisien regresi lebih kecil untuk X1, X2, X3 dan X4
dibanding model A. Ini menunjukkan bahwa model regresi B semakin
tepat dalam memprediksi puncak arus air DAS.

 B vs C

STANDAR ERROR
VARIABEL
MODEL B MODEL C
X1 0.0037987 0.0038924
X2 0.0028025 0
X3 0.0005484 0
X4 0.0213807 0.0122361

Berdasarkan hasil kesalahan standar koefisien regresi untuk

model B dan model C dapat dilihat bahwa model C memiliki nilai
kesalahan standar koefisien regresi lebih kecil untuk X1, X2, X3 dan X4
dibanding model B. Ini menunjukkan bahwa model regresi C semakin
tepat dalam memprediksi puncak arus air DAS.

Marhani (P01319012)) Page 18