ESTIMASI PARAMETER MODEL REGRESI MENGGUNAKAN

METODE WEIGHTED LEAST SQUARE (WLS) DENGAN FUNGSI

PEMBOBOT HUBER
(Studi Kasus pada Pabrik Kertas Rokok di Kediri)

SKRIPSI

Oleh:
AHMAD MUNAWWIR
NIM. 08610046

JURUSAN MATEMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI MAULANA MALIK IBRAHIM
MALANG
2014
ESTIMASI PARAMETER MODEL REGRESI MENGGUNAKAN
METODE WEIGHTED LEAST SQUARE (WLS) DENGAN FUNGSI
PEMBOBOT HUBER
(Studi Kasus pada Pabrik Kertas Rokok di Kediri)

SKRIPSI

Diajukan Kepada:
Fakultas Sains dan Teknologi
Universitas Islam Negeri Maulana Malik Ibrahim Malang
untuk Memenuhi Salah Satu Persyaratan dalam
Memperoleh Gelar Sarjana Sains ([Link])

Oleh:
AHMAD MUNAWWIR
NIM. 08610046

JURUSAN MATEMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI MAULANA MALIK IBRAHIM
MALANG
2014
ESTIMASI PARAMETER MODEL REGRESI MENGGUNAKAN
METODE WEIGHTED LEAST SQUARE (WLS) DENGAN FUNGSI
PEMBOBOT HUBER
(Studi Kasus pada Pabrik Kertas Rokok di Kediri)

SKRIPSI

Oleh:
AHMAD MUNAWWIR
NIM. 08610046

Telah Diperiksa dan Disetujui untuk Diuji

Tanggal: 5 Juni 2014

Pembimbing I Pembimbing II

Fachrur Rozi, [Link] Dr. Abdussakir, [Link]

NIP. 19800527 200801 1 012 NIP. 19751006 200312 1 001

Mengetahui,
Ketua Jurusan Matematika

Dr. Abdussakir, M. Pd
NIP. 19751006 200312 1 001
 ESTIMASI PARAMETER MODEL REGRESI MENGGUNAKAN
METODE WEIGHTED LEAST SQUARE (WLS) DENGAN FUNGSI
PEMBOBOT HUBER
(Studi Kasus pada Pabrik Kertas Rokok di Kediri)

SKRIPSI

Oleh:
AHMAD MUNAWWIR
NIM. 08610046

Telah Dipertahankan di Depan Dewan Penguji Skripsi dan

Dinyatakan Diterima sebagai Salah Satu Persyaratan
untuk Memperoleh Gelar Sarjana Sains ([Link])
Tanggal: 2 Juli 2014

Susunan Dewan Penguji Tanda Tangan

Penguji Utama : Abdul Aziz, [Link] ( )
NIP. 19760318 200604 1 002

Ketua Penguji : Dr. Sri Harini, [Link] ( )

NIP. 19731010 200112 2 001

Sekretaris Penguji : Fachrur Rozi, [Link] ( )

NIP. 19800527 200801 1 012

Anggota Penguji : Dr. Abdussakir, [Link] ( )

NIP. 19751006 200312 1 001

Mengesahkan,
Ketua Jurusan Matematika

Dr. Abdussakir, [Link]

NIP. 19751006 200312 1 001
 PERNYATAAN KEASLIAN TULISAN

Saya yang bertanda tangan di bawah ini:

Nama : Ahmad Munawwir

NIM : 08610046

Jurusan : Matematika

Fakultas : Sains dan Teknologi

Judul Skripsi : Estimasi Parameter Model Regresi Menggunakan Metode

Weighted Least Square (WLS) dengan Fungsi Pembobot Huber

(Studi Kasus pada Pabrik Kertas Rokok di Kediri)

menyatakan dengan sebenarnya bahwa skripsi yang saya tulis ini benar-benar

merupakan hasil karya saya sendiri, bukan merupakan pengambilalihan data,

tulisan atau pikiran orang lain yang saya akui sebagai hasil tulisan atau pikiran

saya sendiri, kecuali dengan mencantumkan sumber cuplikan pada daftar pustaka.

Apabila di kemudian hari terbukti atau dapat dibuktikan skripsi ini hasil jiplakan,

maka saya bersedia menerima sanksi atas perbuatan tersebut.

Malang, 5 Juni 2014

Yang membuat pernyataan,

Ahmad Munawwir

NIM. 08610046
 MOTTO

ٌِِِٞ‫بِغٌِِِللاِِاىشِزَِِِِِاىشِز‬

“Amalkan ilmu padi, semakin berisi semakin merunduk”

 PERSEMBAHAN

Dengan Menyebut Nama Allah

Yang Maha Pengasih, Maha Penyayang

Dengan mengucapkan rasa syukur kepada Allah

Swt.

Karya ini penulis persembahkan kepada kedua orang tua tercinta, yaitu bapak
Abdul Satar, BA dan ibu Alawiyah
yang selalu memberikan motivasi, do’a dan restunya
kepada penulis dalam menimba ilmu
serta adik penulis, Ahmad Mustain
yang selalu memberikan motivasi dan do’a untuk terus bangkit
 KATA PENGANTAR

Assalâmu’alaikum Wr. Wb.

Puji syukur alhamdulillah penulis haturkan ke hadirat Allah Swt. yang

telah melimpahkan rahmat dan hidayah-Nya, sehingga penulis dapat

menyelesaikan studi di Jurusan Matematika Fakultas Sains dan Teknologi

Universitas Islam Negeri Maulana Malik Ibrahim Malang sekaligus

menyelesaikan skripsi ini dengan baik.

Selanjutnya penulis haturkan ucapan terima kasih seiring do’a dan harapan

jazâkumullâhu khoiron katsîron bi ahsanil jazâ’ kepada semua pihak yang telah

membantu terselesaikannya skripsi ini. Ucapan terima kasih ini penulis sampaikan

kepada:

1. Prof. Dr. H. Mudjia Rahardjo, [Link], selaku rektor Universitas Islam Negeri

Maulana Malik Ibrahim Malang.

2. Dr. drh. Hj. Bayyinatul M., [Link], selaku dekan Fakultas Sains dan Teknologi,

Universitas Islam Negeri Maulana Malik Ibrahim Malang.

3. Dr. Abdussakir, [Link], selaku ketua Jurusan Matematika, Fakultas Sains dan

Teknologi, Universitas Islam Negeri Maulana Malik Ibrahim Malang, dan

selaku pembimbing skripsi bidang keagamaan.

4. Fachrur Rozi, [Link], selaku pembimbing skripsi bidang matematika.

5. Segenap sivitas akademika Jurusan Matematika, terutama seluruh dosen,

terima kasih atas segenap ilmu dan bimbingannya.

6. Ayahanda dan Ibunda tercinta yang senantiasa memberikan do’a dan restunya

kepada penulis dalam menimba ilmu.

viii
7. Kakak-kakak dan adik-adik penulis, yang sedarah maupun tidak sedarah, yang

selalu memberikan semangat kepada penulis.

8. Sahabat-sahabat penulis di Jurusan Matematika dan di luar Jurusan

Matematika.

9. Semua pihak yang ikut membantu dalam menyelesaikan skripsi ini, baik

berupa materiil maupun moril.

Penulis menyadari bahwa dalam penyusunan skripsi ini masih terdapat

kekurangan dan penulis berharap semoga skripsi ini memberikan manfaat kepada

para pembaca, khususnya bagi penulis secara pribadi. Âmîn Yâ Rabbal ‘Âlamîn.

Wassalâmu’alaikum. Wr. Wb.

Malang, Juni 2014

Penulis

ix
 DAFTAR ISI

HALAMAN JUDUL
HALAMAN PENGAJUAN
HALAMAN PERSETUJUAN
HALAMAN PENGESAHAN
HALAMAN PERNYATAAN KEASLIAN TULISAN
HALAMAN MOTTO
HALAMAN PERSEMBAHAN
KATA PENGANTAR .......................................................................................... viii
DAFTAR ISI......................................................................................................... x
DAFTAR GAMBAR ............................................................................................ xii
DAFTAR TABEL ................................................................................................ xiii
DAFTAR LAMPIRAN ........................................................................................ xiv
DAFTAR SIMBOL .............................................................................................. xvi
ABSTRAK ............................................................................................................ xvii
ABSTRACT .......................................................................................................... xviii
‫ الملخص‬..................................................................................................................... xix

BAB I PENDAHULUAN
1.1 Latar Belakang ........................................................................................ 1
1.2 Rumusan Masalah ................................................................................... 5
1.3 Tujuan Penelitian .................................................................................... 5
1.4 Batasan Masalah ..................................................................................... 5
1.5 Manfaat Penelitian .................................................................................. 5
1.6 Metode Penelitian ................................................................................... 6
1.7 Sistematika Penulisan ............................................................................. 7

BAB II TINJAUAN PUSTAKA

2.1 Regresi Linier Berganda ......................................................................... 9
2.2 Metode Kuadrat Terkecil ........................................................................ 10
2.3 Pencilan (Outlier).................................................................................... 12
2.4 Uji-uji Asumsi Klasik dalam Regresi Linier Berganda .......................... 15
2.5 Fungsi Pembobot .................................................................................... 17
2.6 Pentingnya Ilmu dan Amal dalam Al-Qur’an dan Hadits ....................... 19

BAB III PEMBAHASAN

3.1 Estimasi Parameter Regresi dengan Metode WLS ................................. 22
3.2 Mendeskripsikan Fungsi Pembobot Huber untuk Membentuk
Matriks Pembobot ................................................................................... 25
3.3 Analisis Statistik Deskriptif .................................................................... 26
3.4 Estimasi Parameter Model Regresi ......................................................... 27
3.4.1 Estimasi Parameter pada Model Regresi dengan Metode OLS ..... 28
3.4.2 Mengidentifikasi Pencilan pada Data untuk Metode OLS............. 29
3.4.3 Uji Signifikansi Model Regresi untuk Metode OLS ...................... 32
3.4.4 Uji-uji Asumsi Klasik dalam Model Regresi untuk Metode OLS . 33
3.4.5 Estimasi Parameter pada Model Regresi dengan Metode WLS .... 35
3.4.6 Mengidentifikasi Pencilan pada Data untuk Metode WLS ............ 37

x
 3.4.7 Uji Signifikansi Model untuk Metode WLS .................................. 38
3.4.8 Uji-uji Asumsi Klasik dalam Model Regresi untuk Metode WLS 39
3.5 Aplikasi Ilmu dalam Al-Qur’an dan Hadits ............................................ 41

BAB IV PENUTUP
4.1 Kesimpulan ............................................................................................. 43
4.2 Saran ....................................................................................................... 44

DAFTAR PUSTAKA ........................................................................................... 45

LAMPIRAN .......................................................................................................... 47

xi
 DAFTAR GAMBAR

Gambar 3.1 Grafik Pencar dari Respon Y terhadap Variabel X12 dan X3
untuk Metode OLS ............................................................................ 30
Gambar 3.2 Output MINITAB dari Uji Normalitas untuk Metode OLS ............. 33
Gambar 3.3 Grafik Pencar dari Respon Y terhadap Variabel X12 dan X3
untuk Metode WLS ........................................................................... 37
Gambar 3.4 Output MINITAB dari Uji Normalitas untuk Metode WLS............. 39

xii
 DAFTAR TABEL

Tabel 2.1 Fungsi Pembobot untuk Metode Kuadrat Terkecil, Huber

dan Tukey Bisquare .............................................................................. 19
Tabel 3.1 Nilai Rata-rata, Deviasi Standar, Standar Spesifikasi, Minimum
dan Maximum dari Setiap Variabel ..................................................... 27
Tabel 3.2 Nilai DFFITS untuk Metode OLS ....................................................... 30
Tabel 3.3 Nilai Koefisien Determinasi dari Uji Multikolieritas untuk
Metode OLS ......................................................................................... 33
Tabel 3.4 Nilai Estimator dan Nilai Error untuk Metode WLS .......................... 36
Tabel 3.5 Nilai DFFITS untuk Metode WLS....................................................... 37
Tabel 3.6 Nilai Koefisien Determinasi dari Uji Multikolieritas untuk
Metode WLS ........................................................................................ 39

xiii
 DAFTAR LAMPIRAN

Lampiran 1 Data Kertas Tipe Verge 218 E dari Bagian Pengendalian

Mutu (Quality Control) .................................................................. 47
Lampiran 2 Definisi Variabel Bebas dan Variabel Terikat ............................... 48
Lampiran 3 P-value dari Masing-masing Variabel ........................................... 49
Lampiran 4 Output MINITAB untuk Estimasi Parameter
Menggunakan Metode OLS ........................................................... 50
Lampiran 5 Output MINITAB untuk Uji Multikolinieritas dari
Variabel Terikat Y terhadap Variabel Bebas untuk Metode
OLS ................................................................................................ 51
Lampiran 6 Output MINITAB untuk Uji Multikolinieritas dari
Variabel Bebas X12 terhadap Variabel Bebas X3 untuk
Metode OLS ................................................................................... 52
Lampiran 7 Output MINITAB untuk Uji Multikolinieritas dari
Variabel Bebas X3 terhadap Variabel Bebas X12 untuk
Metode OLS ................................................................................... 53
Lampiran 8 Nilai Residual, Standardized Residual, dan Nilai Pembobot......... 54
Lampiran 9 Output MINITAB untuk Metode WLS dengan Fungsi
Pembobot Pertama W   .................................................................
1
59
Lampiran 10 Output MINITAB untuk Metode WLS dengan Fungsi
Pembobot Kedua W   ...................................................................
2
60
Lampiran 11 Output MINITAB untuk Metode WLS dengan Fungsi
Pembobot Ketiga W   ...................................................................
3
61
Lampiran 12 Output MINITAB untuk Metode WLS dengan Fungsi
Pembobot Keempat W   ...............................................................
4
62
Lampiran 13 Output MINITAB untuk Metode WLS dengan Fungsi
Pembobot Kelima W   ..................................................................
5
63
Lampiran 14 Output MINITAB untuk Metode WLS dengan Fungsi
Pembobot Keenam W   ................................................................
6
64
Lampiran 15 Output MINITAB untuk Metode WLS dengan Fungsi
Pembobot Ketujuh W   ................................................................
7
65
Lampiran 16 Output MINITAB untuk Metode WLS dengan Fungsi
Pembobot Kedelapan W   .............................................................
8
66
Lampiran 17 Output MINITAB untuk Metode WLS dengan Fungsi
Pembobot Kesembilan W   ..........................................................
9
67
Lampiran 18 Output MINITAB untuk Metode WLS dengan Fungsi
Pembobot Kesepuluh W   ............................................................
10
68
Lampiran 19 Output MINITAB untuk Uji Multikolinieritas dari
Variabel Terikat Y terhadap Variabel Bebas untuk Metode
WLS ............................................................................................... 69
Lampiran 20 Output MINITAB untuk Uji Multikolinieritas dari
Variabel Bebas X12 terhadap Variabel Bebas X3 untuk
Metode WLS .................................................................................. 70

xiv
Lampiran 21 Output MINITAB untuk Uji Multikolinieritas dari
Variabel Bebas X3 terhadap Variabel Bebas X12 untuk
Metode WLS .................................................................................. 71
Lampiran 22 Fungsi Pembobot untuk Least Square, Huber, dan
Tukey Bisquare ............................................................................... 72
Lampiran 23 Data Kertas Tipe Verge 218 E pada Bagian Pengontrolan
Mutu (Qualiy Control) ................................................................... 74

xv
 DAFTAR SIMBOL

 (Beta): parameter

ˆ (Beta topi): estimator dari parameter Beta

 df2 (Chi-Square)

 (Delta): error

 (Dho): turunan

 (Epsilon): residual terstandarkan

 (Psi): turunan fungsi obyektif

ei Residual pada pengamatan ke–i

R2 (R-Square): koefisien determinasi

 (Rho): fungsi obyektif

 (Sigma): skala (scale)

 (Sigma): untuk penjumlahan

X (X transpos): transpos dari matriks X

X 1 (X invers): invers dari matriks X

Yˆ (Y topi): estimator dari variabel respon Y

xvi
 ABSTRAK

Munawwir, Ahmad. 2014. Estimasi Parameter Model Regresi Menggunakan

Metode Weighted Least Square (WLS) dengan Fungsi Pembobot
Huber (Studi Kasus pada Pabrik Kertas Rokok di Kediri).
Skripsi. Jurusan Matematika Fakultas Sains dan Teknologi
Universitas Islam Negeri Maulana Malik Ibrahim Malang.
Pembimbing: (I) Fachrur Rozi, [Link]
(II) Dr. Abdussakir, [Link]

Kata Kunci: Pencilan, Metode Ordinary Least Square, Metode Weighted Least
Square

Penulisan skripsi ini bertujuan untuk mengetahui estimasi parameter

model regresi metode Weighted Least Square (WLS) dengan fungsi Huber dalam
menentukan lama pembakaran kertas rokok.
Metode Ordinary Least Square (OLS) merupakan metode dasar yang
digunakan untuk menyelesaikan suatu masalah dalam data dengan penyelesaian
berbentuk model regresi linier. Masalah dalam data yang diselesaikan berupa
pencilan, yaitu suatu observasi yang memiliki nilai residual yang besar. Metode
ini bertujuan memberikan solusi secara matematis dalam menentukan banyak
bahan yang diperlukan dalam memproduksi suatu barang, sehingga bahan yang
digunakan tidak kurang, biaya yang dikeluarkan dapat diminimalkan, dan barang
yang dihasilkan memiliki mutu yang baik dan bagus.
Metode WLS merupakan metode pengembangan dari metode OLS yang
dapat memberikan solusi yang lebih akurat daripada metode OLS ketika pada data
teridentifikasi adanya pencilan. Tidak menutup kemungkinan bahwa model yang
dihasilkan oleh metode OLS masih mengandung banyak pencilan, sedangkan
metode WLS ini meminimalkan pencilan dalam data, sehingga model yang
dihasilkan oleh metode WLS lebih akurat daripada metode OLS.
Dilihat dari model yang dihasilkan oleh metode OLS dan metode WLS,
lama pembakaran kertas rokok yang ditentukan menggunakan model regresi linier
dengan metode OLS memiliki kecepatan rambat pembakaran yang lebih lambat
daripada model regresi linier dengan metode WLS. Yaitu ketika diberikan
ketentuan nilai yang tetap (sesuai standar) pada ketebalan kertas, berat jenis
kertas, dan kalsium karbonat (CaCO3) dalam proses pembuatan, maka rata-rata
panjang kertas yang terbakar untuk metode OLS adalah sepanjang 0,23962 cm/s.
Sedangkan rata-rata panjang kertas yang terbakar untuk metode WLS adalah
sepanjang 0,24055 cm/s. Dengan kata lain, kertas yang diuji menggunakan model
regresi dengan metode OLS lebih padat daripada kertas yang diuji menggunakan
model regresi dengan metode WLS, sehingga mengakibatkan rambat pembakaran
kertas menjadi lebih lambat. Pencilan yang teridentifikasi dari model regresi
menggunakan metode WLS lebih sedikit daripada model regresi menggunakan
metode OLS, dari model regresi yang dihasilkan metode OLS teridentifikasi ada 7
pencilan, sedangkan model regresi yang dihasilkan metode WLS teridentifikasi
ada 5 pencilan.

xvii
 ABSTRACT

Munawwir, Ahmad. 2014. Regression Model Parameter Estimation Using The

Method of Weighted Least Square (WLS) with Huber Function
(Case Studies in Cigarette Paper Factory in Kediri). Thesis.
Department of Mathematics Faculty of Science and Technology of
the State Islamic University of Maulana Malik Ibrahim Malang.
Advisor: (I) Fachrur Rozi, [Link]
(II) Dr. Abdussakir, [Link]

Keywords: Outlier, Ordinary Least Square Method, Weighted Least Square

Method

This thesis aims to determine the regression model parameter estimation

using Weighted Least Squares (WLS) method with Huber function in determining
the burn rate of cigarette paper.
Ordinary Least Square (OLS) method is the basic method used to solve a
problem in the data with a linear regression model as the solution. The problem is
solved in the form of data outliers, that is an observation that has a great residual
value. This method aims to provide a mathematical solution in determining many
material required in the production of goods, so that the material used is not
insufficient, the cost can be minimized, and goods produced have good and high
quality.
WLS method is a development method of the OLS method which can
provide a solution that is more accurate than OLS method when the data identified
to have outliers. It does not wipe out the possibility that the model generated by
the OLS method still contains many outliers, these outliers is minimized using
WLS method, so that the model generated by the WLS method is more accurate
than OLS.
From the models generated by the OLS and WLS methods. We obtain that
the burn rate of cigarette paper determined using a linear regression model with
OLS is smaller than the burn rate determined by the linear regression model with
WLS method. That is when given the terms of a fixed value (according to the
standard ) on the thickness, the basis weight, and calcium carbonate (CaCO3) of
the paper in the manufacturing process, then the average length of burned paper
for OLS method is 0,23962 cm/s. While the average length of burning paper for
WLS method is 0,24055 cm/s. In other words, the paper produced implementing
the OLS regression model is more dense than the paper produced implementing a
regression model with WLS method, thus the burning paper process becomes
slower. Outliers were identified from the regression model using WLS method
less than the regression model using OLS method, from the resulting regression
model OLS method there are 7 outliers were identified, while the regression
models produced by WLS method identified 5 outliers.

xviii
 ‫الملخص‬

‫ٍْ ّ٘س‪ ،‬أزَذ‪ِ .٤١٠٢ .‬تقذير لمعلمة طريقة نمورج االنحذار باستخذام طريقة ‪ WLS‬بذالة‬
‫‪) Huber‬دراسات حالة في مصنع ورقة السجائر في كيذيري(‪ .‬األطشٗزت‪.‬‬
‫قغٌ ِاىش‪ٝ‬اض‪ٞ‬اث ِمي‪ٞ‬تِاىعيًِ٘ٗاىخنْ٘ى٘خ‪ٞ‬اِىداٍعتِاإلعالٍ‪ٞ‬ت ِاىسنٍ٘‪ٞ‬ت ٍِ٘الّاِ‬
‫ٍاىلِإبشإ‪ٌٍِٞ‬االّح‪ِ .‬‬
‫اىَششف‪ِ)٠(ِ:‬فخشِاىشاص‪ِ،ٛ‬اىَاخغخ‪ٞ‬ش ِ‬
‫(‪ِ)٤‬اىذمخ٘سِعبذاىشامش‪ِ،‬اىَاخغخ‪ٞ‬ش ِ‬

‫اىنيَاثِاىشئ‪ٞ‬غ‪ٞ‬ت ‪:‬اىَخطشفت‪ِ،‬طش‪ٝ‬قت ِ‪ِ ،Weighted Least Square‬طش‪ٝ‬قتِاىَشبعاثِاىصغش‪ِٙ‬‬

‫اىعاد‪ٝ‬ت ِ‬
‫ِ‬
‫ٗحٖذفِٕزِٓاألطشٗزتِىخسذ‪ٝ‬ذِحقذ‪ٝ‬شِىَعيَتِطش‪ٝ‬قتَِّ٘رجِاالّسذاسِباعخخذاًِطش‪ٝ‬قت‬
‫ِ )‪ِWeighted Least Square (WLS‬ف‪ِٜ‬حسذ‪ٝ‬ذٍِعذهِزشقٍِِِٗسقِاىغدائش‪ِ .‬‬
‫طش‪ٝ‬قتِاىَشبعاثِاىصغش‪ِٙ‬اىعاد‪ٝ‬ت )‪ِٜٕ (OLS‬اىطش‪ٝ‬قتِاألعاع‪ٞ‬تِاىَغخخذٍتِف‪ِٜ‬زوِ‬
‫ٍشنيتِف‪ِ ٜ‬اىب‪ٞ‬اّاثٍِع َِّ٘رج ِاالّسذاسِاىخط‪ِ ٜ‬ماىسو‪ِٝ .‬خٌِزو ِٕزِٓاىَشنيتِف‪ِ ٜ‬شنو ِب‪ٞ‬اّاثِ‬
‫اىق‪ٌِٞ‬اىَخطشفت‪ِ،‬أ‪ٍِٛ‬الزظت ِ‪ٝ‬سخ٘‪ِٛ‬عي‪ِ ٚ‬اىق‪َٞ‬تِاىَخبق‪ٞ‬ت ِمب‪ٞ‬شة ‪ٗ.‬حٖذف ِٕزِٓاىطش‪ٝ‬قت ِىخ٘ف‪ٞ‬شِ‬
‫زو ِاىش‪ٝ‬اض‪ٞ‬ت ِف‪ِٜ‬حسذ‪ٝ‬ذ ِاىعذ‪ٝ‬ذٍِِِاىَ٘اد ِاىَطي٘بت‪ِ،‬ىزىلِأُِاىَ٘اد ِاىَغخخذٍتِى‪ٞ‬غج ِماف‪ٞ‬ت‪ِ،‬‬
‫ٗ‪َٝ‬نِِاىخقي‪ٞ‬وٍِِِاىخنيفت‪ِٗ،‬اىغيعِاىَْخدتِٗراثِّ٘ع‪ٞ‬تِخ‪ٞ‬ذةِٗعاى‪ٞ‬ت‪ِ .‬‬
‫طش‪ٝ‬قت ِ‪ِ ِٜٕ WLS‬حط٘‪ٝ‬ش ٍِِ ِطش‪ٝ‬قت ِ‪ِ OLS‬اىخ‪َِٜٝ‬نِِأُِح٘فش ِاىسوِاىز‪ِِٕ٘ ٛ‬أمثشِ‬
‫دقتٍِِ ِطش‪ٝ‬قت ِعَي‪ٞ‬تِ‪ِ OLS‬عْذٍا ِزذدث ِاىب‪ٞ‬اّاثِىذ‪ٝ‬لِاىق‪ٌِٞ‬اىَخطشفت ‪.‬فإِّٔال ِقضاءِعي‪ِٚ‬‬
‫إٍناّ‪ٞ‬ت ِأُِاىَْ٘رج ِاىْاححِعِِطش‪ٝ‬قت ِ‪ِ OLS‬الِ‪ٝ‬ضاه ِ‪ٝ‬سخ٘‪ِٛ‬عي‪ِٚ‬اىعذ‪ٝ‬ذٍِِ ِاىق‪ٌِٞ‬اىَخطشفت‪ِ،‬‬
‫‪ٝ‬خٌِحصغ‪ٞ‬شِٕزٓ ِاىق‪ٌِٞ‬اىَخطشفت ِباعخخذاًِطش‪ٝ‬قت ِ‪ِ،WLS‬ىزىلِأُِاىَْ٘رج ِاىْاححِعِِطش‪ٝ‬قتِ‬
‫‪ِِٕ٘WLS‬أمثشِدقتٍِِِعَي‪ٞ‬تِ‪.OLS‬‬
‫ٍِِاىَْارجِاىخ‪ِٜ‬حٌِإّشاؤٕاِب٘اعطتِطش‪ٝ‬قتِ‪ِّ .WLSِٗ OLS‬سصوِعي‪ِٚ‬أٍُِعذهِ‬
‫زشقِٗسقِاىغدائشِحسذدِباعخخذاًَِّ٘رجِاالّسذاسِاىخط‪ٍِٜ‬عِ‪ِOLS‬أصغشٍٍِِِعذهِزشقِ‬
‫‪ٝ‬سذدَِّٓ٘رجِاالّسذاسِاىخط‪ٍِ ٜ‬عِطش‪ٝ‬قتِ‪ِٕ .WLS‬زا ِِٕ٘عْذٍاِحخاذِىٖاِز‪ٞ‬ثِق‪َٞ‬تٍِع‪ْٞ‬تِ‬
‫(ٗفقاِىَع‪ٞ‬اس)ِعي‪ِٚ‬عَل‪ِٗ،‬اى٘صُِاألعاط‪ِِٗ،‬ماىغ‪ًِ٘ٞ‬مشبّ٘اثِ(‪ٍِِِ )CaCO3‬اى٘سقِف‪ِٜ‬‬
‫عَي‪ٞ‬ت ِاىخصْ‪ٞ‬ع‪ِ ،‬ثٌ ٍِخ٘عظ ِط٘ه ِاى٘سقت ِازخشقج ِىطش‪ٝ‬قت ِاىَشبعاث ِاىصغش‪ِ ٙ‬اىعاد‪ٝ‬ت ِِٕ٘‬
‫‪ِ .0,23962 cm/s‬ف‪ِ ٜ‬ز‪ِ ِٞ‬أُ ٍِخ٘عظ ِط٘ه ِزشق ِٗسقت ِىطش‪ٝ‬قت ِٗىظ ِٕ٘ ِ‪ِ.0,24055 cm/s‬‬
‫ٗبعباسة ِأخش‪ِ ،ٙ‬أّخدج ِٗسقت ِحْف‪ٞ‬ز َِّ٘رج ِاالّسذاس ٍِع ِطش‪ٝ‬قت ِ‪ِ ِٕ٘ OLS‬أمثش ِمثافت ٍِِِ‬
‫اى٘سقِحْخحِحْف‪ٞ‬زَِّ٘رجِاالّسذاسٍِعِطش‪ٝ‬قتِ‪ِٗ،WLS‬باىخاى‪ِٜ‬حصبرِعَي‪ٞ‬تِزشقِٗسقتِأبطأ‪ِ.‬‬
‫حٌِحسذ‪ٝ‬ذِاىق‪ٌِٞ‬اىَخطشفتٍَِِِّ٘رجِاالّسذاسِباعخخذاًِطش‪ٝ‬قتِ‪ِ WLS‬أقوٍَِِِّ٘رجِاالّسذاسِ‬
‫باعخخذاً ِطش‪ٝ‬قت ِ‪ِ ٍِِ ،OLS‬اىْاحح ِطش‪ٝ‬قت ِ‪َِّ٘ OLS‬رج ِاالّسذاس ِْٕاك ِحٌ ِحسذ‪ٝ‬ذ ِ‪ِ 7‬اىق‪ٌِٞ‬‬
‫اىَخطشفت‪ِ،‬ف‪ِٜ‬ز‪ِِٞ‬زذدثَِّارجِاالّسذاسِاىخ‪ِٜ‬حْخدٖاِطش‪ٝ‬قتِ‪ِ5ِWLS‬اىق‪ٌِٞ‬اىَخطشفت‪.‬‬
‫ِ‬

‫‪xix‬‬
 BAB I

PENDAHULUAN

1.1 Latar Belakang Masalah

Secara etimologi (bahasa), ilmu adalah pengetahuan secara pasti tentang

suatu obyek yang sesuai dengan kenyataan. Sedangkan secara terminologi

(istilah), sebagian ulama‟ mengatakan bahwa ilmu adalah pengetahuan terhadap

sesuatu dan merupakan lawan kata dari al-Jahl (kebodohan). Sebagian mereka

mengatakan bahwa ilmu adalah suatu kata yang terlalu jelas untuk didefinisikan

(al-Utsaimin, 2014).

Ilmu yang dimiliki seseorang hendaknya diajarkan kepada orang lain atau

diamalkan oleh dirinya. Ilmu tanpa amal bagaikan pohon tanpa buah. Bahkan

orang yang berilmu itu tidak dikatakan berilmu sampai dia mengamalkan

ilmunya. Sebagaimana sabda Rasulullah Saw. yang artinya: “Seseorang itu tidak

menjadi ‘âlim (berilmu) sehingga ia mengamalkan ilmunya” (HR. Ibnu Hibbân).

Dikarenakan pentingya ilmu dalam kehidupan umat manusia, Allah Swt.

pun menurunkan ayat yang pertama kali dari sekian banyak ayat yang ada, yaitu

ayat tentang ilmu. Ayat tentang ilmu tersebut disebutkan dalam surat al-„Alaq(96)

ayat 1-5 yang berbunyi:

              

         

“Bacalah dengan (menyebut) nama Tuhanmu yang Menciptakan. Dia telah

menciptakan manusia dari segumpal darah. Bacalah, dan Tuhanmulah yang
Maha pemurah, yang mengajar (manusia) dengan perantaran kalam (yaitu Allah
mengajar manusia dengan perantaraan tulis baca). Dia mengajar kepada
manusia apa yang tidak diketahuinya” (QS. Al-„Alaq(96):1-5).
1
 2

Ayat di atas diawali dengan kata “bacalah”, dimana kata tersebut memiliki

makna yang sangat luas, yaitu dapat bermakna membaca al-Qur‟an. Al-Qur‟an

merupakan kitab umat Islam yang memiliki kandungan ilmu yang sangat banyak,

kisah suri tauladan yang baik, kabar gembira bagi yang beriman, dan ancaman

bagi yang kufur kepada Allah Swt. Di sisi lain dapat pula bermakna membaca

(mempelajari) ilmu-ilmu yang lain. Pada ayat ke–4 dan ayat ke–5 disebutkan

tentang mengajar “‫”علم‬, yaitu mengajarkan ilmu yang dimiliki-Nya kepada umat

manusia, dan bahkan memberitahukankan metode pengajaran yang dapat

digunakan, yaitu berupa membaca atau menulis.

Statistika merupakan salah satu cabang ilmu matematika yang sangat

penting dalam kehidupan sehari-hari, terutama dalam lembaga penelitian,

perkantoran, perusahaan atau industri dan lembaga-lembaga lainnya. Statistika

merupakan ilmu yang mempelajari tentang bagaimana merencanakan,

mengumpulkan, menganalisis, mengiterpretasikan, dan mempresentasikan data

(Turmudi dan Harini, 2008). Salah satu cabang statistika yang sangat penting

adalah analisis regresi linier. Hampir seluruh analisis regresi menyandarkan diri

pada metode Kuadrat Terkecil Biasa (Ordinary Least Square) untuk mengestimasi

parameter dalam model regresi linier (Bhar, 2012).

Permasalahan yang sering ditemukan dalam pengaplikasian regresi linier

adalah pencilan (outlier) dalam data. Pencilan ini dapat disebabkan oleh kesalahan

operasi sederhana pada model yang dipakai dan ketika memasukkan sampel yang

kecil dari populasi yang berbeda, sehingga pencilan tersebut menimbulkan efek

yang cukup serius pada kesimpulan yang berhubungan dengan penelitian (Bhar,
 3

2012). Contoh, estimasi model regresi untuk menentukan hasil yang optimal

dalam pembuatan kertas pada pabrik A, digunakan juga pada pabrik B, karena

data pada pabrik A dan pabrik B tidak sama, maka kertas yang dihasilkan oleh

kedua pabrik tersebut akan berbeda dan dengan kualitas yang berbeda, sehingga

estimasi parameter model yang ada tidak dapat dijadikan sebagai acuan utama

dalam pembuatan kertas untuk seluruh pabrik kertas, sebab data yang dihasilkan

masing-masing pabrik berupa data yang berbeda dan memiliki penyebab yang

berbeda-beda. Adapun penghitungan menggunakan program ataupun

penghitungan secara manual. Ketika dimasukkan nilai awal dari data sampai nilai

yang ke–n pada model yang sudah ada, pada hasil penghitungan akan muncul

pencilan. Pencilan tersebut akan berpengaruh pada hasil penelitian dan akan

menimbulkan efek yang cukup serius terhadap hasil penelitian, sehingga hasil

penelitian tersebut disebut sebagai penelitian yang gagal.

Dengan adanya masalah pencilan yang berpengaruh terhadap data tersebut,

metode regresi linier ini dikembangkan menjadi berbagai macam metode, seperti

metode Ordinary Least Square (OLS), metode Weighted Least Square (WLS),

metode Least Trimmed Square (LTS), regresi Robust, dan metode-metode

lainnya. Metode-metode di atas berfungsi untuk meminimalkan pengaruh dari

pencilan atau bahkan menghilangkan pencilan yang teridentifikasi dalam data,

misalnya data produksi, sehingga barang yang diproduksi memiliki kualitas yang

tinggi, pabrik memperoleh untung yang besar, dan dengan kerugian yang sekecil-

kecilnya atau tanpa kerugian sedikitpun. Dalam metode WLS digunakan suatu
 4

fungsi pembobot untuk meminimalkan pengaruh dari pencilan atau mengurangi

jumlah pencilan yang teridentifikasi dalam data.

Industri atau perusahaan yang memproduksi kertas rokok di Indonesia

cukup banyak. Kertas rokok yang diproduksi oleh industri atau perusahaan

tersebut tidak akan pernah luput dari kerusakan kertas (broke) atau kegagalan

produksi (lost product) dan kertas rokok yang dihasilkan pun akan memiliki

kualitas yang berbeda-beda, ada yang memiliki kualitas yang bagus dan ada pula

yang memiliki kualitas yang kurang bagus.

Para karyawan industri atau perusahaan yang bersangkutan berusaha

semaksimal mungkin untuk mengurangi kerusakan atau kegagalan produksi

tersebut dan meningkatkan kualitas kertas yang diproduksi dengan melakukan

pendataan hasil produksi kertas dan menganalisis data yang diperoleh sampai

memperoleh hasil produksi yang seminimal mungkin terjadi kerusakan atau

kegagalan produksi dan memiliki kualitas kertas yang bagus.

Dengan masalah yang sedemikian rupa, pada tugas akhir ini penulis

mengambil judul, yaitu “Estimasi Parameter Model Regresi Menggunakan

Metode Weighted Least Square (WLS) dengan Fungsi Pembobot Huber (Studi

Kasus pada Pabrik Kertas Rokok di Kediri)”. Melalui penelitian ini penulis

mencoba memberikan solusi secara matematis untuk mengurangi kerusakan atau

kegagalan produksi kertas dan meningkatkan kualitas kertas yang diproduksi oleh

industri-industri kertas yang ada di Indonesia dan seluruh industri kertas yang ada

di seluruh dunia.
 5

1.2 Rumusan Masalah

Berdasarkan latar belakang di atas, rumusan masalah yang diambil

penulis, yaitu bagaimana estimasi parameter model regresi menggunakan metode

WLS dengan fungsi pembobot Huber dalam menentukan lama pembakaran kertas

rokok?

1.3 Tujuan Penelitian

Mengetahui hasil estimasi parameter dan model regresi menggunakan

metode WLS dengan fungsi pembobot Huber dalam menentukan lama

pembakaran kertas rokok.

1.4 Batasan Masalah

Dalam skripsi ini penulis membatasi permasalahan yang dibahas, yaitu

aplikasi metode pada data yang memiliki pencilan.

1.5 Manfaat Penelitian

Penulis berharap pembahasan dalam skripsi ini bermanfaat bagi berbagai

kalangan, antara lain:

1. Bagi Penulis:

a. Menambah pengetahuan dan keilmuan tentang metode WLS dengan

fungsi pembobot Huber.

b. Mengembangkan wawasan keilmuan tentang pendeskripsian metode WLS

dengan fungsi pembobot Huber.

 6

2. Bagi Mahasiswa dan Jurusan Matematika Fakultas Sains dan Teknologi

Universitas Islam Negeri Maulana Malik Ibrahim Malang

a. Sebagai bahan informasi pembelajaran materi dan kajian lebih lanjut

mengenai metode WLS dengan fungsi pembobot Huber.

b. Sebagai tambahan bahan perpustakaan.

3. Bagi Instansi dan Umum: sebagai bahan informasi, pembelajaran, dan salah

satu solusi matematis dalam mengoptimalkan hasil produksi suatu barang.

1.6 Metode Penelitian

1.6.1 Pendekatan Penelitian

Pendekatan penelitian yang digunakan penulis dalam skripsi ini berupa

penelitian kepustakaan (library research) dan statistik deskriptif, dengan data

yang diambil berupa data sekunder yang diperoleh penulis ketika melakukan

Praktik Kerja Lapangan Integratif (PKLI) pada tahun 2011.

1.6.2 Sumber Data dan Definisi Variabel Operasional

Data yang digunakan berupa data sekunder yang diperoleh dari bagian

pengendalian mutu (quality control) kertas rokok pada salah satu industri yang

memproduksi kertas rokok yang berada di Jawa Timur, yaitu PT. Surya Zig Zag

Kediri Jawa Timur. Data sekunder ini berupa kertas tipe Verge 218 E yang

diproduksi pada bulan Januari 2011. Perincian data berupa panjang kertas yang

terbakar (burn rate) dalam satuan (cm/s), ketebalan kertas (thickness) dalam

satuan (mikron), berat dasar (basis weight) dalam satuan (gr/m2), dan kalsium

karbonat (CaCO3) dalam satuan (%). Kalsium karbonat (CaCO3) ini berfungsi
 7

sebagai filler, yaitu untuk mengisi ruang kosong antara serat-serat kertas, terutama

pada permukaan kertas sehingga kertas rata dan halus.

Penulis mendefinisikan panjang kertas yang terbakar (burn rate) sebagai

variabel terikat (Y), ketebalan kertas (thickness) sebagai variabel bebas kesatu

(X1), berat jenis kertas (basis weight) sebagai variabel bebas kedua (X2), dan

kalsium karbonat (CaCO3) sebagai variabel bebas ketiga (X3).

1.6.3 Metode Analisis

Urutan metode analisis yang digunakan penulis dalam skripsi ini, yaitu:

1. Estimasi parameter regresi dengan metode Weighted Least Square (WLS).

2. Mendeskripsikan fungsi pembobot Huber untuk membentuk matriks

pembobot.

3. Analisis statistik deskriptif.

4. Estimasi parameter model regresi:

a. Estimasi parameter pada model regresi dengan metode OLS.

b. Mengidentifikasi pencilan pada data menggunakan metode diagram dan

penghitungan nilai Difference Fitted value of FITS (DFFITS) untuk

metode OLS.

c. Estimasi parameter pada model regresi dengan metode WLS.

d. Mengidentifikasi pencilan pada data menggunakan metode diagram dan

penghitungan nilai DFFITS untuk metode WLS.

e. Uji signifikansi model regresi.

f. Uji model regresi menggunakan uji multikolinieritas, uji normalitas

residual, uji autokorelasi residual, dan uji heteroskedastisitas residual.

 8

1.7 Sistematika Penulisan

Sistematika penulisan yang dipakai oleh penulis dalam skripsi ini, yaitu

terdiri dari 4 bab dengan rincian sebagai berikut:

Bab I Pendahuluan
Bab ini berisi latar belakang masalah, rumusan masalah, tujuan penelitian,

batasan masalah, manfaat penelitian, metode penelitian, dan sistematika

penulisan.

Bab II Tinjauan Pustaka

Bab ini berisi tinjauan tentang regresi linier berganda, metode kuadrat

terkecil, pencilan (outlier), uji-uji asumsi klasik dalam regresi linier berganda,

fungsi pembobot, dan pentingnya ilmu dan amal dalam al-Qur‟an.

Bab III Pembahasan

Bab ini berisi uraian secara keseluruhan sesuai langkah-langkah yang

disebutkan pada metode penelitian.

Bab IV Penutup

Bab ini berisi kesimpulan dari hasil analisis yang dilakukan dan saran

untuk penelitian selanjutnya.

 BAB II

TINJAUAN PUSTAKA

2.1 Regresi Linier Berganda

Analisis yang mengkaji hubungan antara satu variabel tak bebas atau

terikat (dependent) dengan beberapa variabel bebas (independent) dinamakan

analisis regresi berganda (Tanti, 2013). Model pada analisis regresi linier

berganda ini berbentuk

Yi  0  1 X1i  2 X 2i   k 1 X  k 1i  k X ki   i (2.1)

dimana

Yi = variabel terikat pengamatan ke−i; i = 1, 2, ..., n

X 1i = variabel bebas ke−1 pada pengamatan ke−i

1 = parameter model ke−1

ei = residual pengamatan ke–i (Sugiarti dan Megawarni, 2010).

Model regresi berganda tersebut dapat ditulis dalam bentuk

Y  Xβ  e (2.2)

dan diperoleh rumus residual

e  Y  Xβˆ  Y  Y
ˆ (2.3)

dengan

 Y1  1 X 11 X 21 X k1   0   e1 
Y  1 X X 22 Xk2     e 
Y   2, X   12
, β   1  ,e   2 
       
       
Yn  1 X 1n X 2n X kn   k  en 

Yˆi  0  1 X1i  2 X 2i   k 1 X  k 1i  k X ki  Xβ (2.4)

9
 10

atau ditulis

ˆ  Xβˆ
Y (2.5)

dimana Y menyatakan matriks variabel terikat, X menyatakan matriks variabel

bebas, β menyatakan matriks parameter model dan e menyatakan matriks dari

residual (Fox dan Weisberg, 2012).

2.2 Metode Ordinary Least Square (OLS)

Parameter 0 , 1 , 2 ,..., k 1 , k pada persamaan (2.1) tidak diketahui,

sehingga parameter-parameter tersebut perlu diestimasi. Estimasi parameter yang

biasa digunakan adalah metode OLS, yaitu dengan cara meminimumkan jumlah

kuadrat residual. Dari persamaan (2.1) dan persamaan (2.3), sebagaimana yang

ditulis oleh Kurniawati (2011) dalam skripsinya, diperoleh persamaan untuk

kuadrat terkecil berbentuk

 
n n
S      ei2   Yi  0 X 0i  1 X1i 
2
  k 1 X  k 1i   k X ki (2.6)
i 1 i 1

Nilai parameter model  diperoleh dengan cara meminimumkan jumlah

kuadrat residual, yaitu dicari turunan dari S    secara parsial terhadap  , dan

disamakan dengan nol. Proses untuk mencari parameter  di atas adalah sebagai

berikut:

S
  X
n n
 2 Yi   0 X 0i  1 X 1i    k 1 X  k 1i   k X ki  0,
 0
0i
i 1 i 1

S
  X
n n
 2 Yi   0 X 0i  1 X 1i    k 1 X  k 1i   k X ki  0,
1
1i
i 1 i 1

S
  X
n n
 2 Yi   0 X 0i  1 X 1i    k 1 X  k 1i   k X ki  0,
 2
2i
i 1 i 1
 11

S
  X
n n
 2 Yi  0 X 0i  1 X1i    k 1 X  k 1i   k X ki  0, (2.7)
 k
ki
i 1 i 1

dengan X 0i  1 , untuk i = 1,2, …, n.

Persamaan (2.7) di atas menghasilkan persamaan normal sebagai berikut:

 ˆ n n n n
 n n

 0  0i 1  X 1i   ˆk 1  X  k 1i  ˆk  X ki   X 0i   X 0iYi

 X  ˆ
 i 1 i 1 i 1 i 1  i 1 i 1

 ˆ n n n n
 n n

 0  0i 1  X 1i   ˆk 1  X  k 1i  ˆk  X ki   X 1i   X 1iYi

 X  ˆ
 i 1 i 1 i 1 i 1  i 1 i 1

 ˆ n n n n
 n n

  0  X 0i  1  X 1i    k 1  X  k 1i   k  X ki   X 2i   X 2iYi
ˆ ˆ ˆ
 i 1 i 1 i 1 i 1  i 1 i 1

 ˆ n n n n
 n n

 0  0i 1  X 1i   ˆk 1  X  k 1i  ˆk  X ki   X ki   X kiYi

 X  ˆ
 (2.8)
 i 1 i 1 i 1 i 1  i 1 i 1

Jika disusun ke dalam bentuk matriks maka persamaan (2.8) menjadi

X X βˆ  X Y (2.9)
mn nm m1 mn n1

untuk m  k  1, dan

 n n

 n  X1i X ki 
ˆ
 0   i 1 i 1

   n n n


 ˆ X
βˆ   1  , XX   i 1 1i
X 2
1i  X 1i X ki 
i 1 i 1 
   
 ˆ   n 
 k n n
 X 2 
  X 
X ki X
i 1
ki
i 1
1i
i 1
ki

 12

 n 
  Yi 
 1 1 1   Y1   n i 1 
X  
X 12 X 1n  Y2    X 1iYi 
XY   11 
     i 1 
    
 X k1 Xk2 X kn  Yn   n 
 X Y
 
i 1
ki i


Untuk menyelesaikan persamaan (2.9), kalikan kedua ruas dengan invers

dari  XX  . Sehingga diperoleh estimator kuadrat terkecil dari β̂ berbentuk

 XX  XXβˆ   XX  XY

1 1

(2.10)
βˆ   XX  XY
1

m1 m1
mm

dimana β̂ menyatakan matriks berukuran m1 dari parameter yang akan estimasi,

m merupakan banyak variabel bebas yang digunakan, X menyatakan matriks

variabel bebas, X menyatakan transpos matriks X , dan Y merupakan matriks

variabel terikat.

2.3 Pencilan (Outlier)

Pencilan merupakan suatu observasi yang bersamaan dengan residual yang

besar (Momeni, dkk., 2010). Laporan teknis (technial report) yang ditulis oleh

Bhar (2012) menyebutkan bahwa dalam suatu regresi linier, pencilan merupakan

suatu observasi dengan residual yang besar. Dengan kata lain, pencilan

merupakan suatu observasi yang nilai variabel dipendennya luar biasa bergantung

pada nilai variabel prediktornya. Pencilan dapat muncul karena kesalahan dalam

memasukkan data, kesalahan pengukuran atau kesalahan-kesalahan lainnya

(Kurniawati, 2011). Dalam skripsi yang ditulis oleh Mas‟udah (2012) disebutkan
 13

bahwa pencilan merupakan nilai ekstrim dari suatu pengamatan. Volume residual

dari suatu pencilan sama dengan selisih antara kuantitas (ukuran) observasi dan

kuantitas prediksi untuk observasi yang ke–i.

Menurut Kurniawati (2011), metode yang dapat digunakan untuk

mengidentifikasi adanya pencilan yang berpengaruh pada koefisien regresi antara

lain:

1. Metode Grafis

Keuntungan dari metode ini, yaitu mudah dipahami karena menampilkan

data secara grafis (gambar) dan tanpa melibatkan penghitungan yang rumit.

Sedangkan kelemahan metode ini, yaitu keputusan yang memperlihatkan data

tersebut merupakan pencilan atau tidak bergantung pada kebijakan peneliti,

karena hanya mengandalkan visualisasi gambar.

2. Metode Difference Fitted value of FITS (DFFITS) atau Standardized DFFITS

Metode ini menampilkan nilai perubahan dalam harga (pencilan) yang

diprediksi bilamana case (kasus) atau masalah tertentu dikeluarkan, dengan cara

distandarkan (dimutlakkan). Sebagaimana jurnal yang ditulis oleh Akbar dan

Maftukhah (2007), nilai DFFITS dapat dihitung menggunakan rumus berbentuk

Yi  Yˆi ei
 DFFITSi  atau  DFFITSi  (2.11)
2
S h
 i ii S2i hii

Rumus lain dari DFFITS sebagaimana ditulis oleh Kurniawati (2011)

dalam skripsinya

1
 h 2
 DFFITSi  ti  ii  (2.12)
 1  hii 
 14

dimana Yi merupakan nilai ekstrim Y pada pengamatan ke–i, sedangkan Yˆ i

merupakan nilai taksiran Y tanpa pengamatan ke–i, S 2i merupakan jumlah

kuadrat residual tanpa pengamatan ke–i, ti menyatakan studentized deleted

residual untuk kasus ke–i, dan hii menyatakan nilai leverage (pengaruh) untuk

kasus ke–i sebagaimana ditunjukkan pada persamaan (2.13) berikut ini:

n  p 1
ti  ei (2.13)
JKG 1  hii   ei2

dimana ei adalah residual ke–i dan JKG adalah Jumlah Kuadrat Galat (residual),

yang memiliki rumus sebagai berikut:

n
JKG    i2 . (2.14)
i 1

Matriks topi Ĥ yang digunakan untuk menentukan nilai leverage hii

adalah

ˆ  X  XX 1 X
H (2.15)
nn

dan nilai leverage hii dalam matriks topi dapat diperoleh langsung dari

hii  Xi  XX  Xi .

1
(2.16)
1k k k k 1

dimana XX menyatakan matriks variabel bebas sebanyak n data, sedangkan X i

menyatakan matriks variabel bebas sebanyak k variabel bebas.

Rumus untuk matriks topi Ĥ diperoleh dengan cara mensubstitusikan

ˆ dan rumus parameter estimator βˆ , sebagaimana ditunjukkan pada

ˆ  HY
rumus Y
 15

persamaan (2.10), ke dalam persamaan (2.5), sehingga diperoleh rumus untuk

matriks topi Ĥ dengan proses sebagai berikut:

ˆ  Xβˆ
Y
ˆ  X  XX 1 XY
HY
ˆ  X  XX 1 X.
H
Suatu data yang mempunyai nilai absolute (mutlak) DFFITS ≥ 2 k / n

maka diidentifikasikan sebagai pencilan, dengan k banyaknya variabel bebas yang

digunakan dan n banyaknya observasi (Kurniawati, 2011).

2.4 Uji-uji Asumsi Klasik dalam Regresi Linier Berganda

a. Uji Multikolinieritas

Uji Multikolinieritas dilakukan dengan cara meregresi model analisis

dan melakukan uji korelasi antar variabel independen. Apabila diperoleh

perbandingan berikut:

R 2  R12 , R22

dengan

 Yˆ  Y 
n 2
i
R2  i 1
(Draper dan Smith, 1998) (2.17)
 Y  Y 
n
2
i
i 1

dimana

R 2 = koefisien determinasi dari regresi variabel terikat terhadap variabel

bebas
 16

R12 = koefisien determinasi dari regresi variabel bebas ke–1 terhadap

variabel bebas lain

R22 = koefisien determinasi dari regresi variabel bebas ke–2 terhadap

variabel bebas lain

maka pada regresi tidak ditemukan adanya multikolieritas. Dari sini dapat

diketahui bahwa untuk menguji adanya multikolinieritas harus diperoleh

koefisien determinasi dari regresi variabel terikat terhadap variabel bebas dan

koefisien determinasi regresi masing-masing variabel bebas terhadap variabel

bebas yang lain.

b. Uji Normalitas Residual

Uji normalitas data dilakukan dengan cara membandingkan hasil

hitung dari suatu uji dengan tabel Chi-Square, seperti uji Ryan-Joiner, uji

Kolmogorov-Smirnov, uji Anderson-Darling, uji Jarque-Bera, dan uji lainnya.

Misalnya menggunakan uji Ryan-Joiner, yaitu membandingkan uji Ryan-

Joiner dengan tabel Chi-Square. Apabila Ryan-Joiner lebih besar

dibandingkan nilai tabel Chi-Square  RJ    ,

2
df maka data yang diuji

residualnya berdistribusi tidak normal, dan apabila sebaliknya  RJ    ,

2
df

maka data yang diuji residualnya berdistribusi normal.

c. Uji Autokorelasi Residual

Uji autokorelasi dalam data digunakan uji Durbin–Watson. Jika dapat

ditunjukkan

du  d  4  du
 17

dimana

d = d-hitung Durbin-Watson

d u = nilai kritis untuk batas atas dari tabel Durbin-Watson

maka dapat disimpulkan bahwa dalam model tidak terjadi autokorelasi.

d. Uji Heteroskedastisitas Residual

Untuk mengetahui apakah data yang digunakan mengandung

heteroskedastisitas atau tidak digunakan uji White, yaitu membandingkan

perkalian dari banyak observasi dengan koefisien determinasi dengan nilai

tabel Chi-Square. Secara matematis dapat ditulis

nR 2 ~  df2 .

Apabila perkalian banyak observasi dengan koefisien determinasi lebih besar

dibandingkan nilai tabel Chi-Square ( nR 2   df2 ), maka residual bersifat

heteroskedastisitas, dan apabila sebaliknya ( nR   df ), maka residul tidak

2 2

bersifat heteroskedastisitas, dengan kata lain residual bersifat

homoskedastisitas.

2.5 Fungsi Pembobot

Fungsi Pembobot merupakan suatu fungsi tertentu yang berfungsi sebagai

pembobot dari suatu model regresi linier. Fungsi tersebut akan memberikan model

regresi linier yang lebih kompleks sehingga model yang dihasilkan dapat

dijadikan acuan untuk memproduksi suatu barang, dan barang yang dihasilkan
 18

akan optimal, yaitu tanpa cacat, baik, bahannya pas tanpa ada yang terbuang, dan

uang yang digunakan untuk memproduksi barang tersebut dapat dioptimalkan.

Dalam laporan penelitian yang ditulis oleh Sugiarti dan Megawarni (2010)

ditulis rumus umum dari fungsi pembobot

 Y  X i ˆ   V ( X i )   i 
Wi  W  X i , i     (2.17)
  
  i  V ( X i ) 

dimana Wi adalah fungsi pembobot pada pengamatan ke–i,  adalah influence

function (fungsi pengaruh) yang diperoleh dari turunan fungsi objektif,

sebagaimana uraian yang dijelaskan selanjutnya pada tabel 2.1 di bawah, V  X i 

adalah suatu fungsi yang tidak diketahui dan bergantung pada X melalui nilai

leverage (pengaruh),  adalah faktor skala yang juga perlu diduga, dalam

program SAS disebut scale (skala atau derajat), ˆ merupakan estimator

parameter  dan  i merupakan residual yang terstandarkan. Atau menggunakan

rumus fungsi pembobot lain sebagaimana ditulis dalam skripsi yang ditulis oleh

Kurniawati (2011), yaitu

  i 
Wi  W   i   . (2.18)
i

Pada tabel 2.1 ditunjukkan beberapa fungsi pembobot yang sering

digunakan oleh para peneliti pada model regresi linier yang diperoleh dari data

yang para peneliti gunakan untuk menyelesaikan masalah pencilan yang

teridentifikasi pada data. Fungsi pembobot yang sering digunakan tersebut, yaitu

fungsi pembobot dari kuadrat terkecil, Huber, dan Tukey Bisquare (Fox, 2002).

Konstanta yang menghasilkan efisiensi tinggi dengan residual berdistribusi

 19

normal dan dapat memberi perlindungan terhadap pencilan, yaitu konstanta

dengan nilai c  1,345 untuk fungsi pembobot Huber dan c  468 untuk fungsi

pembobot Tukey Bisquare (Kurniawati, 2011).

Tabel 2.1: Fungsi Pembobot untuk Metode Kuadrat Terkecil, Huber, dan Tukey Bisquare

Metode Fungsi Objektif Fungsi Pembobot Interval

W  i   1
1
  i    i2
Kuadrat
i  
Terkecil 2
 1 2 1
 2  i  i  c
Huber   i    W  i    c
c  1 c 2  i  c
 i 2  i
 2  2 3

c   
 1  1  i       2 
2

6 c  1  i  i  c
Tukey
   i          W   i      c  
Bisquare   i  c
c2
  0
 6

dimana W   i  menyatakan fungsi pembobot pada pengamatan ke–i,  i

menyatakan residual terstandarkan pada pengamatan ke–i,    i  menyatakan

fungsi objektif,   i  menyatakan turunan dari fungsi objektif, dan c

menyatakan nilai scale (skala atau derajat).

2.6 Pentingnya Ilmu dan Amal dalam Al-Qur’an dan Hadits

Ilmu merupakan sesuatu yang sangat penting dalam kehidupan manusia.

Ilmu ini hanya dimiliki oleh makhluk yang berakal saja, terutama manusia, karena

manusia tanpa ilmu atau manusia yang tidak menggunakan akalnya akan lebih

hina daripada binatang, tetapi apabila manusia menggunakan akalnya maka dia

akan lebih mulia daripada malaikat. Kemuliaan yang lebih tinggi dari malaikat ini
 20

dapat diketahui dari ditinggikannya derajat bagi orang-orang yang berilmu atau

menuntut ilmu. Sebagaimana disebutkan dalam al-Qur‟an surat al-Mujâdilah(58)

ayat 11 yang berbunyi sebagai berikut:

...         ...
“… Niscaya Allah akan meninggikan orang-orang yang beriman di antaramu dan
orang-orang yang diberi ilmu pengetahuan beberapa derajat” (QS. Al-
Mujâdilah(58):11).

Dengan menimba ilmu saja dapat maninggikan derajat seorang hamba dan

akan dimuliakan lebih mulia daripada para malaikat, apalagi sudah memiliki ilmu

kemudian mengamalkannya atau mengajarkannya kepada orang lain, pasti derajat

hamba tersebut akan ditinggikan lebih tinggi lagi.

Dalam hadits disebutkan tentang manfaat mengajarkan ilmu yang dimiliki

kepada orang lain, yang artinya sebagai berikut:

Muhammad bin al-„Allâi telah menceritakan kepada kami, beliau berkata,

Hammâd bin Usâmah telah menceritakan kepada kami dari Buraid bin „Abdillâh
dari Abi Burdah dari Abi Mûsâ dari Nabi Saw. beliau bersabda: “Perumpamaan
ketika aku diutus oleh Allah yang bersamaan dengannya suatu petunjuk dan ilmu,
(yaitu) seperti hujan lebat yang menimpa bumi di antaranya ada jalanan yang
tersentuh oleh air, kemudian tumbuhlah rerumputan dan dedaunan (pepohonan)
yang banyak dan di antaranya ada tanah yang gersang yang tersentuh oleh air,
kemudian Allah memberi manfaat bagi manusia dengannya (air hujan), lalu
mereka minum (darinya), menyirami (tanamannya), dan bercocok tanam
(dengannya), dan adapun golongan yang lainnya, sesungguhnya dia (golongan
itu) adalah (berada pada suatu) lembah, (akan tetapi lembah tersebut sama
sekali) tidak tersentuh oleh air dan tidak pula ditumbuhi oleh rerumputan, maka
begitulah perumpamaan bagi orang yang mengerti/memahami agama Allah dan
diberi manfaat dengannya apa yang diutus bersamaku oleh Allah, kemudian dia
mengetahuinya lalu mengajarkannya dan perumpamaan orang yang belum
diangkat dengannya kepalanya (derajatnya) dan belum menerima petunjuk Allah
yang mana aku diutus bersamaan dengannya” (HR. Al-Bukhârî) (Tim Unit
Tarbiyah Ulul Albab, 2012).
Hadits di atas menjelaskan tentang perumpamaan ilmu yang dimiliki oleh

seseorang lalu dia mengajarkan ilmu yang dimilikinya kepada orang lain, yaitu
 21

seperti hujan lebat yang tumbuh olehnya rerumputan dan dedaunan pada pohon,

maksudnya adalah ilmu yang diajarkannya itu bermanfaat bagi orang lain.

Perumpamaan bagi orang yang memiliki ilmu tapi dia tidak mengajarkan ilmunya

kepada orang lain, yaitu seperti lembah yang sama sekali tidak tersentuh oleh

hujan dan tidak ada rerumputan yang tumbuh di lembah itu. Dengan kata lain,

ilmu yang dimiliki tidak bermanfaat sama sekali bagi dirinya maupun bagi orang

lain.

Ilmu yang dimiliki hendaknya diamalkan, sebab dengan mengamalkan

ilmu yang dimiliki akan memberikan buah yang manis dalam kehidupan di dunia

dan kehidupan di akhirat kelak. Di dunia akan hidup dengan tentram dan

sejahtera, dan di akhirat akan diberi balasan yang baik berupa surga. Meskipun

hanya mengamalkan sedikit dari ilmu yang dimiliki, apalagi mengamalkan secara

keseluhan dari ilmu yang dimiliki. Di dunia ini amal baik yang dilakukan

berdasarkan ilmu yang baik dan benar akan dicatat sebagai pahala dan amal buruk

yang dilakukan tanpa ada dasar ilmu akan dicatat sebagai dosa.

Nasihat yang baik tentang ilmu pernah diberikan oleh Imam al-Ghazali

kepada para muridnya. Nasihat tersebut berbunyi:

“Wahai anakku, memang benar, dalam nasihat ini ada bekal yang cukup bagi ahli
ilmu, tapi yang akan mendapatkan kebaikan darinya hanyalah yang
mendengarkan perkataan lalu mengikuti apa yang paling baik. Hati-hati bila
engkau hanya takjub, tapi tidak mengamalkannya. Awas! Jangan sampai engkau
hanya menghimpun ilmu dan nasihat seperti wadah menghimpun air, tapi tidak
mengamalkannya. Ingat, sejelek-jelek ilmu adalah yang tidak memberikan
manfaat kepada pemiliknya. Tak sedikit orang yang memperoleh banyak ilmu dan
nasihat, tapi hatinya tetap tuli. Sekarang aku akan membiarkanmu menghisab
(menilai) dirimu atas apa yang telah engkau lakukan. Insyaallah kita akan
berjumpa lagi besok malam di tempat ini. Seperti biasanya, setiap hari ada hal
yang akan kuceritakan kepadamu” (Abdurrazak, 2003).
 BAB III

PEMBAHASAN

3.1 Estimasi Parameter Regresi dengan Metode WLS

Metode Weighted Least Square (WLS) merupakan pengembangan dari

metode Ordinary Least Square (OLS), yaitu dengan menambahkan fungsi

pembobot pada model regresi linier dari kuadrat terkecil untuk menentukan

penduga parameter modelnya. Penduga parameter model untuk setiap pengamatan

dengan metode WLS diperoleh dengan mengalikan fungsi pembobot W dengan

persamaan normal sebagaimana ditunjukkan pada persamaan (2.8), yaitu

n n n n n

X
i 1
Y  ˆ0  X ki X 0i  ˆ1  X ki X 1i  ˆ2  X ki X 2i 
ki i
i 1 i 1 i 1
 ˆk 1  X ki X  k 1i 
i 1
n
ˆk  X ki2
i 1
n n n n
0  ˆ0  X ki X 0i  ˆ1  X ki X 1i  ˆ2  X ki X 2i   ˆk 1  X ki X  k 1i 
i 1 i 1 i 1 i 1
n n
ˆk  X ki2   X kiYi
i 1 i 1

 
n
0   X ki Yi  ˆ0 X 0i  ˆ1 X 1i  ˆ2 X 2i   ˆk 1 X  k 1i  ˆk X ki
i 1

dan disingkat menjadi

n  k 
 X pi Yi   X pi ˆ p   0. (3.1)
i 1  p 0 

Dengan mengalikan fungsi pembobot Wi ke dalam persamaan (3.1), diperoleh

persamaan untuk metode WLS berbentuk

n  k 
X Wi Yi   X pi ˆ p   0.
pi (3.2)
i 1  p 0 

22
 23

Untuk memperoleh estimasi awal dari parameter  ̂   

1
dan residual

 
pertama yang terstandarkan  i1 untuk metode WLS digunakan nilai pembobot

 
awal Wi 1  W  i 0 , dimana  i 0   merupakan residual yang terstandarkan dari
metode OLS, maka persamaan (3.2) ditulis menjadi

n  k 
X Wi 1 Yi   X pi ˆ p   0
pi (3.3)
i 1  p 0 

dimana Wi   merupakan fungsi pembobot pertama.

1

Untuk regresi linier berganda, persamaan (3.3) ditulis menjadi

1  
n k

 X W
pi i  i  X pi ˆ p   0
Y 
i 1  p 0 
n n k

X
i 1
Wi 1Yi   X piWi 1 X pi ˆ p  0
pi
i 1 p  0
(3.4)

n k n

 X piWi 1 X pi ˆ p   X piWi 1Yi

i 1 p  0 i 1

dalam bentuk matriks, persamaan (3.4) di atas dapat ditulis

X W1 X βˆ  X W1 Y (3.5)

mn nn nm m1 mn nn n1

untuk m  k  1, dan W  merupakan matriks diagonal pembobot berukuran n  n

1

dengan elemen diagonalnya W1 ,W2 , ,Wn (n banyaknya observasi), yaitu

W1 0 0 0
0 W 0 0 
 2

W q    0 0 W3 0 . (3.6)
 
 
 0 0 0 Wn 
 24

Rumus estimator untuk metode WLS untuk langkah selanjutnya diperoleh

dengan mengalikan matriks invers dari XW  X , sehingga diperoleh estimator

1

berikut:

XW1 Xβˆ 1  XW 1 Y

 XW  X   
1 1
1
XW1 Xβˆ 1  XW 1 X XW 1 Y

βˆ     XW   X 
1
1 1
XW 1 Y
m1 m1
mm

untuk iterasi selanjutnya dapat diperoleh dengan cara yang sama, dengan hasil

sebagai berikut:

 
1
βˆ  2  XW  2 X XW  2 Y
m1 m1
mm

 
1
βˆ  3  XW  3 X XW  3 Y
m1 m1
mm

 
1
βˆ  q   XW q  X XW q  Y
m1 m1
mm (3.7)

dimana βˆ  q  merupakan matriks estimator berukuran m1 untuk iterasi ke–q, dan

W q  merupakan matriks fungsi pembobot pada iterasi ke–q.

Pembobot W
q
yang selanjutnya diperoleh dari estimator sebelumnya

yang dijadikan persamaan regresi, yaitu dengan cara mencari nilai residual

terstandarkan  i pada pengamatan ke–i yang diperoleh dari model, yang

kemudian residual terstandarkan tersebut digunakan untuk mencari nilai

pembobot W
q
menggunakan rumus fungsi pembobot yang peneliti (lembaga)

kehendaki. Seperti fungsi pembobot Huber misalnya, sebagaimana yang

 25

digunakan oleh penulis dalam skripsi ini. Untuk mencari nilai pembobotnya

digunakan rumus pembobot sebagaimana ditunjukkan pada tabel 2.1. Contoh,

untuk mencari nilai dari pembobot kedua W

2
digunakan persamaan model

regresi dari estimator pertama β̂1 untuk memperoleh residual terstandarkan yang

pertama ε   . Penghitungan estimator ini dapat dihentikan ketika nilai parameter

1

estimatornya β̂ konvergen (selisih nilai βˆ  q1 dan βˆ  q  mendekati 0). Parameter β̂

yang konvergen tersebut penulis sebut dengan nama error  q , dengan rumus

sebagai berikut:

  ˆ  
k 2
q 1
q  p  ˆ p q 
p 0
(3.8)
 ˆ    ˆ      ˆ    ˆ     
2 2 2
 0
2
0
1
1
2
1
1
  ˆk l11  ˆk l 

dimana q = 1, 2, 3, …, l iterasi.

3.2 Mendeskripsikan Fungsi Pembobot Huber untuk Membentuk Matriks

Pembobot

Fungsi pembobot yang digunakan penulis pada skripsi ini, yaitu fungsi

pembobot Huber

 1, i  c
  i  
Wi  W   i   c (3.9)
i  ,
 i i  c

dengan nilai c = 1,345.

 26

Fungsi pembobot di atas diperoleh dari fungsi objektifnya, sebagaimana

ditunjukkan pada tabel 2.1, yaitu dengan cara menurunkan fungsi objektifnya.

Proses memperoleh fungsi pembobot di atas adalah sebagai berikut:

 1 2 i  c
 2  i ,
  i   
c  1 c 2 , i  c
 i 2

dengan

    i    , i  c
  i      i    i
 i  c, i  c

sehingga diperoleh fungsi pembobot sebagaimana ditunjukkan pada persamaan

(3.9) di atas. Nilai-nilai dari fungsi pembobot tersebut akan dijadikan matriks

berukuran n×n, dengan n banyaknya observasi, ketika dilakukan pencarian

estimator β̂ , dengan bentuk matriks pembobot sebagaimana ditunjukkan pada

persamaan (3.6).

3.3 Analisis Statistik Deskriptif

Sebelum melakukan estimasi parameter model berupa statistik inferensial,

penulis akan terlebih dahulu menjelaskan tentang statistik deskriptif, yaitu suatu

penelitian yang menggunakan data sebagai tolak ukur penelitiannya. Statistik

deskriptif merupakan suatu metode pengumpulan, mengolah, manyajikan, dan

menganalisis data kuantitatif secara deskriptif (Rimbawan, 2011).

Data yang digunakan penulis sebagai variabel respon adalah kecepatan

rambat pembakaran kertas (burn rate), dan variabel prediktor yang digunakan
 27

adalah ketebalan kertas (thickness) sebagai variabel bebas pertama X 1 , berat jenis

(basis weight) kertas sebagai variabel bebas kedua X 2 , dan kalsium karbonat

(CaCO3) sebagai variabel bebas ketiga X 3 , dengan standar data deskriptif

sebagai berikut:

Tabel 3.1: Nilai Rata-rata, Deviasi Standar, Standar Spesifikasi, Minimum dan Maximum dari
Setiap Variabel
Deviasi Standar
Variabel Rata-rata Minimum Maximum
Standar Spesifikasi
Burn rate (Y) 0,22292 0,01220 >0,22 0,21 0,26
Thikness (X1) 42,617 0,777 41 − 45 40,9 44,0
Basis weight
26,061 0,220 25,5 ± 1,0 25,37 26,79
(X2)
CaCO3 (X3) 28,458 1,258 27 − 32 26 32,0
(Sumber: Olahan MINITAB dan Data Kertas Tipe Verge 218 E dari Bagian Pengendalian Mutu)

Tabel 3.1 di atas menunjukkan bahwa nilai rata-rata dari setiap variabel

memenuhi nilai dari standar spesifikasi, sehingga data yang diambil, sebagaimana

ditunjukkan pada lampiran 23, merupakan data kertas dengan kualitas kertas yang

memenuhi standar pasar atau sesuai dengan pesanan konsumen.

3.4 Estimasi Parameter Model Regresi

Model regresi yang digunakan dalam penelitian ini berbentuk

Ŷ  0  1 X12  2 X 3 (3.10)

karena apabila digunakan model regresi berbentuk

Ŷ  0  1 X1  2 X 2  2 X 3 (3.11)

maka akan diperoleh P-value yang cukup besar pada varibel bebas pertama X 1

dan variabel bebas kedua X 2 , yaitu dengan P-value untuk X 1 sebesar 0,181, dan

P-value untuk X 2 sebesar 0,405. Nilai-nilai dari P-value tersebut sangat jauh dari
 28

standar signifikansi, yaitu sebesar 0,05. Akan tetapi dengan menggunakan

interaksi antara X 1 dan X 2 yang ditulis menjadi X 12 dengan bentuk interaksi

berupa perkalian X1  X 2 maka diperoleh P-value sebesar 0,091. Nilai tersebut

mendekati standar signifikansi sebesar 0,05. Nilai untuk P-value dari setiap

variabel dapat dilihat pada lampiran 3 dan lampiran 4.

3.4.1 Estimasi Parameter pada Model Regresi dengan Metode OLS

Estimasi parameter pada model regresi dengan metode Ordinary Least

Square (OLS) ini menggunakan rumus pada persamaan (2.10), dengan proses

sebagai berikut:

βˆ OLS   XX  XY

-1

1
  40,90 26,10 27, 0  
 
  40,90 41, 00 43,90 42, 20   41, 00 25,80 28, 0  

   26,10 25,80 25,90 26, 00     
  
  27, 0 28, 0 28, 0 27, 0   43,90 25,90 28, 0  
  42, 20 26, 00 27, 0  

  0, 23 
 
  40,90 41, 00 43,90 42, 20  0, 24  
 
  26,10 25,80 25,90 26, 00    
  
  27, 0 28, 0 28, 0 27, 0  0, 22  
  0, 21 
 
 0, 23962 
  0, 00012161
 0, 004159 

Nilai selengkapnya dapat dilihat pada lampiran 2 dan hasil olahannya

menggunakan program MINITAB dapat dilihat pada lampiran 4.

Berdasarkan penghitungan di atas, diperoleh persamaan model regresi

untuk metode OLS sebagai berikut:

 29

Yˆ  0, 23962  0,00012161X12  0,004159 X 3

dimana

Yˆ = panjang kertas yang terbakar persekonnya (cm/s)

X 12 = ketebalan kertas (mikron) dan berat jenis kertas (gr/m2)

X3 = jumlah kalsium karbonat (%).

Koefisien determinasi R 2 untuk metode OLS yang diperoleh dari olahan

MINITAB pada lampiran 4, yaitu sebesar 21,0%. Nilai tersebut dapat mewakili

seperempat persen informasi dari keseluruhan data dalam memprediksi seberapa

besar hubungan antara variabel terikat dengan variabel bebas. Nilai koefisien

determinasi yang diperoleh bernilai kecil karena ketiga parameter regresi yang

diambil penulis merupakan sebagian kecil penyebab, dari sekian banyak

penyebab, yang dapat mempengaruhi seberapa cepat rambat pembakaran kertas

rokok yang diproduksi oleh pabrik kertas rokok yang ada di seluruh belahan

dunia, khususnya di Indonesia.

3.4.2 Mengidentifikasi Pencilan pada Data untuk Metode OLS

a. Menggunakan Metode Grafis

Metode diagram atau grafis yang digunakan dalam mengidentifikasi

pencilan pada subbab ini hanya sebagai bandingan untuk metode-metode

lainnya dalam menentukan data pada pengamatan keberapa yang mengandung

pencilan. Metode grafis untuk mengidentifikasi pencilan dalam data untuk

metode OLS ditunjukkan pada olahan MINITAB di bawah ini:

 30

Scatterplot of Y vs X1*X2, X3
26 28 30 32
X1*X2 X3
0.26

0.25

0.24

Y 0.23

0.22

0.21

1050 1080 1110 1140 1170

Gambar 3.1: Grafik Pencar dari Respon Y terhadap Variabel X12 dan X3 untuk Metode OLS
(Sumber: Olahan MINITAB)

Gambar 3.1 di atas menunjukkan pola grafik yang tidak beraturan.

Karena nilai dari titik-titik percobaan dalam grafik di atas tidak diketahui

nilainya secara tepat, maka metode diagram yang digunakan tidak dapat

dijadikan satu-satunya acuan untuk menentukan pencilan dalam data. Oleh

karena itu perlu digunakan metode-metode lainnya seperti metode Difference

Fitted value of FITS (DFFITS), metode Difference Fitted value of BETAS

(DFBETAS) atau metode lainnya yang peneliti lain atau lembaga kehendaki.

b. Menggunakan Metode DFFITS

Nilai DFFITS yang diidentifikasi sebagai pencilan adalah data yang

nilai DFFITS-nya lebih besar dari 2 k / n  2 2 / 48  0, 408248 , dengan

nilai DFFITS untuk metode OLS ditunjukkan pada tabel 3.2 di bawah ini:

Tabel 3.2: Nilai DFFITS untuk Metode OLS

No. DFFITS |DFFITS| No. DFFITS |DFFITS|
1 0,266984 0,266984 25 -0,130590 0,130590
2 0,474996 0,474996 26 0,177553 0,177553
3 0,211280 0,211280 27 -0,351777 0,351777
4 0,243823 0,243823 28 -0,169532 0,169532
5 0,186713 0,186713 29 0,011705 0,011705
6 -0,610646 0,610646 30 -0,105403 0,105403
7 -0,164786 0,164786 31 -0,140147 0,140147
8 -0,005891 0,005891 32 -0,248894 0,248894
 31

No. DFFITS |DFFITS| No. DFFITS |DFFITS|

9 -0,203574 0,203574 33 0,091959 0,091959
10 0,069047 0,069047 34 -0,018980 0,018980
11 -0,108555 0,108555 35 -0,177950 0,177950
12 0,126559 0,126559 36 -0,049613 0,049613
13 0,059755 0,059755 37 -0,254662 0,254662
14 0,492757 0,492757 38 -0,164656 0,164656
15 -0,003133 0,003133 39 -0,128631 0,128631
16 -0,059935 0,059935 40 -0,158009 0,158009
17 -0,278724 0,278724 41 0,421246 0,421246
18 0,026752 0,026752 42 -0,136144 0,136144
19 0,217863 0,217863 43 0,337534 0,337534
20 0,842779 0,842779 44 -0,039172 0,039172
21 0,578238 0,578238 45 -0,059706 0,059706
22 -0,217012 0,217012 46 -0,190059 0,190059
23 0,617862 0,617862 47 0,048189 0,048189
24 -0,188315 0,188315 48 -0,185733 0,185733
(Sumber: Olahan MINITAB)

Berdasarkan tabel 3.2 di atas, data yang diidentifikasikan sebagai

pencilan (yang dicetak tebal) sebanyak 7 pencilan, yaitu data ke–2, ke–6, ke–

14, ke–20, ke–21, ke–23 dan data ke–41. Penghitungan DFFITS di atas

menunjukkan bahwa persamaan model regresi dari metode OLS yang

digunakan masih menghasilkan pencilan yang cukup banyak, sehingga

estimasi parameter dengan metode OLS tersebut tidak dapat dijadikan acuan

utama dalam menentukan lama pembakaran kertas rokok. Karena apabila

persamaan parameter tersebut dijadikan acuan utama dalam menentukan lama

pembakaran kertas rokok, maka tidak menutup kemungkinan akan terdapat

pencilan pada data selanjutnya. Dengan adanya pencilan yang teridentifikasi

pada data, maka ada data yang tidak memenuhi standar.

Untuk mengatasi pencilan yang teridentifikasi dalam data, maka

diperlukan metode lain yang dapat mengurangi pencilan yang teridentifikasi

 32

dalam data, seperti metode Weighted Least Square (WLS) misalnya. Proses

dalam mengatasi pencilan menggunakan metode WLS akan ditunjukkan pada

subbab berikutnya.

3.4.3 Uji Signifikansi Model Regresi untuk Metode OLS

Uji signifikansi model regresi dilihat dari besarnya nilai P-value. Suatu

model dikatakan signifikan apabila nilai P-value variabel bebasnya lebih kecil

dari 0,05. Nilai P-value tersebut ditunjukkan pada output MINITAB pada

lampiran 3.

Berdasarkan output MINITAB pada lampiran 3, nilai dari P-value yang

diperoleh adalah 0,091 untuk variabel bebas petama  X12  dan 0,002 untuk

variabel bebas kedua  X 3  . Nilai tersebut mengindikasikan bahwa model disebut

signifikan apabila digunakan variabel bebas kedua saja sebagai variabel bebasnya.

Pada model digunakan variabel pertama sebagai pengecekan apakah variabel

pertama  X12  tersebut memiliki kaitan yang kuat terhadap lama pembakaran

kertas rokok atau tidak. Penelitian ini bertujuan sebagai refrensi untuk membantu

lembaga yang berkehendak meneliti lebih lanjut tentang komponen apa yang

mempengaruhi lama pembakaran kertas rokok, yaitu dengan memberikan contoh

model berbentuk model regresi linier berganda sebagaimana yang penulis

gunakan dalam skripsi ini.

3.4.4 Uji-uji Asumsi Klasik dalam Model Regresi untuk Metode OLS

a. Uji Multikolinieritas untuk Metode OLS

Berdasarkan hasil output MINITAB pada lampiran 5–7, diperoleh nilai

koefisien determinasi untuk uji multikolinieritas sebagai berikut:

 33

Tabel 3.3 Nilai Koefisien Determinasi dari Uji Multikolinieritas untuk Metode
OLS
Koefisien Determinasi Ri2
R12 0,210
2
R 11 0,020
2
R 12 0,020
(Sumber: Olahan MINITAB)

Berdasarkan tabel 3.3 di atas diperoleh perbandingan R12  R112 , R122 ,

sehingga dapat disimpulkan bahwa dalam model regresi tersebut tidak

ditemukan adanya multikolinieritas.

b. Uji Normalitas Residual untuk Metode OLS

Uji normalitas data pada penelitian ini menggunakan Ryan-Joiner Test

atau disebut juga Shapiro-Wilk Test sebagai pembanding dengan nilai dari

tabel Chi-Square. Hasil olahan MINITAB yang diperoleh adalah sebagai

berikut:

Probability Plot of RESI1

Normal
99
Mean -4.68375E-17
StDev 0.01084
95 N 48
RJ 0.982
90
P-Value >0.100
80
70
Percent

60
50
40
30
20

10

1
-0.03 -0.02 -0.01 0.00 0.01 0.02 0.03
RESI1

Gambar 3.2: Output MINITAB dari Uji Normalitas untuk Metode OLS
(Sumber: Olahan MINITAB)

Berdasarkan gambar 3.2 di atas, diperoleh nilai RJ = 0,982, dengan

jumlah observasi n = 48. Sedangkan nilai dari tabel Chi-Square dengan

 34

tingkat signifikansi   5% atau   0,05 diperoleh nilai  22  5,991.

Sehingga diperoleh perbandingan RJ   22 . Dapat disimpulkan bahwa

residual data berdistribusi normal.

c. Uji Autokorelasi Residual untuk Metode OLS

Berdasarkan lampiran 4 diperoleh nilai d hitung  1,77213. Untuk nilai

kritisnya, dengan n = 48, k = 2, dan nilai signifikansi 5%, diperoleh nilai kritis

untuk batas atas du  1,63, lihat tabel Durbin-Watson dalam buku karangan

Draper dan Smith (1998), sehingga diperoleh perbandingan

du  d  4  du
1, 63  1, 77213  2,37.

Dapat disimpulkan bahwa dalam model tidak terjadi autokorelasi.

d. Uji Heteroskedastisitas Residual untuk Metode OLS

Berdasarkan output MINITAB pada lampiran 4 diperoleh nilai

koefisien determinasi R 2  21,0% atau R 2  0,210, sehingga diperoleh nilai

perkalian banyak observasi dengan koefisien determinasi nR 2  10,08.

Sedangkan untuk nilai Chi-Square dengan df = 4 dan tingkat signifikansi 5%,

diperoleh nilai  42  9,488. Sehingga diperoleh perbandingan

nR 2   df2

dengan kesimpulan bahwa residual bersifat heteroskedastisitas.

 35

3.4.5 Estimasi Parameter pada Model Regresi dengan Metode WLS

Estimasi parameter pada model regresi dengan metode WLS pada subbab

ini menggunakan rumus pada persamaan (3.7) dan persamaan (3.6) untuk matriks

pembobotnya, dengan proses penghitungan sebagai berikut:

 
-1
1
βˆ WLS  XW 1 X XW 1 Y
1
 1 0 0   40,90 26,10 27, 0  
  40,90 41, 00 42, 20   
0   41, 00 25,80 28, 0  
   26,10 25,80 26, 00   
0 1
 
    
  27, 0 28, 0 27, 0     
 0 0 1   42, 20 26, 00 27, 0  
  0, 23 
 1 0 0  
  40,90 41, 00 42, 20     0, 24  
  26,10 25,80 26, 00   
0 1 0
 
    
  27, 0 28, 0 27, 0    0, 22  
 0 0 1
 0, 21 
 
 0, 24121 
  0, 00012127 
 0, 004071 

Nilai selengkapnya dapat dilihat pada lampiran 2 untuk matriks X dan matriks

Y, lampiran 8 untuk matriks pembobotnya dan hasil olahannya menggunakan

program MINITAB dapat dilihat pada lampiran 9–18. Hasil penghitungan

selengkapnya dapat dilihat pada tabel 3.4.

Dalam memperoleh estimasi parameter model regresi menggunakan

metode WLS, akan dilakukan penghitungan berulang kali. Penghitungan

estimator ini akan dihentikan ketika nilai parameternya konvergen (selisih nilai

ˆ  q 1 dan ˆ  q  mendekati 0), dengan batasan yang digunakan penulis, yaitu δq =

0,000000, dengan q = 1, 2, 3, …, l iterasi.

 36

Hasil penghitungan untuk menentukan estimator dan nilai error  q

tersebut ditunjukkan pada tabel 3.4 berikut:

Tabel 3.4: Nilai Estimator dan Nilai Error untuk Metode WLS
Estimator 1  2  3  4
ˆWLS ˆWLS ˆWLS ˆWLS
& Error
ˆ
0 0,24121 0,23996 0,24096 0,24038
ˆ1 -0,00012127 -0,00012118 -0,00012253 -0,00012144
ˆ2 0,004071 0,004112 0,004092 0,004108
q 1  0,001592  2  0,001251  3  0,001000  4  0,000580
Estimator  5  6 7 8
ˆWLS ˆWLS ˆWLS ˆWLS
& Error
ˆ
0 0,24064 0,24051 0,24057 0,24054
ˆ1 -0,00012250 -0,00012146 -0,00012147 -0,00012146
ˆ2 0004101 0,004104 0,004103 0,004103
q  5  0,000260  6  0,000130  7  0,000060  8  0,000030
Estimator 9 10 
ˆWLS ˆWLS
& Error
ˆ
0 0,24055 0,24055
ˆ1 -0,00012147 -0,00012147
ˆ2 0,004103 0,004103
q  9  0,000010 10  0,000000
(Sumber: Olahan MINITAB dan excel)

Tabel 3.4 di atas pada penghitungan error ke–10 menunjukkan nilai error

δ10 = 0,000000. Dengan demikian penghitungan untuk menentukan estimator

dapat dihentikan, dan diperoleh model regresi sebagai berikut:

Yˆ  0, 24055  0,00012147 X12  0,004103 X 3.

 37

3.4.6 Mengidentifikasi Pencilan pada Data untuk Metode WLS

a. Menggunakan Metode Diagram

Diagram atau grafik pencar yang dihasilkan oleh model regresi linier

10 
dari estimator ke–10 ˆWLS di atas adalah sebagai berikut:

Scatterplot of Y vs X1*X2, X3
26 28 30 32
X1*X2 X3
0.25

0.24
Y

0.23

0.22

0.21

1080 1100 1120 1140 1160

Gambar 3.3: Grafik Pencar dari Respon Y terhadap Variabel X12 dan X3 untuk Metode WLS
(Sumber: Olahan MINITAB)

karena nilai pencilan yang ditunjukkan oleh diagram di atas tidak diketahui

nilai pastinya, maka diperlukan metode lain untuk menentukan data keberapa

yang teridentifikasi mengandung pencilan. Metode lain tersebut, yaitu metode

DFFITS, yang mana penghitungan nilai DFFITS ditunjukkan pada subbab

berikut ini.

b. Menggunakan DFFITS

Nilai DFFITS dalam mengidentifikasi pencilan mnggunakan metode

WLS ditunjukkan pada tabel 3.5 di bawah ini:

Tabel 3.5: Nilai DFFITS untuk Metode WLS

No. DFFITS |DFFITS| No. DFFITS |DFFITS|
1 0,309904 0,309904 25 -0,132392 0,132392
2 0,536781 0,536781 26 0,207071 0,207071
3 0,260103 0,260103 27 -0,376872 0,376872
4 0,289429 0,289429 28 -0,179292 0,179292
 38

No. DFFITS |DFFITS| No. DFFITS |DFFITS|

5 0,214460 0,214460 29 0,021371 0,021371
6 -0,475005 0,475005 30 -0,107745 0,107745
7 -0,170354 0,170354 31 -0,140541 0,140541
8 0,010362 0,010362 32 -0,251894 0,251894
9 -0,216006 0,216006 33 0,125152 0,125152
10 0,086577 0,086577 34 -0,011792 0,011792
11 -0,104425 0,104425 35 -0,184135 0,184135
12 0,147231 0,147231 36 -0,043538 0,043538
13 0,077775 0,077775 37 -0,269273 0,269273
14 0,395810 0,395810 38 -0,170237 0,170237
15 0,005328 0,005328 39 -0,132856 0,132856
16 -0,058237 0,058237 40 -0,156897 0,156897
17 -0,296546 0,296546 41 0,338869 0,338869
18 0,039279 0,039279 42 -0,141256 0,141256
19 0,232121 0,232121 43 0,362993 0,362993
20 0,543576 0,543576 44 -0,032313 0,032313
21 0,707538 0,707538 45 -0,056658 0,056658
22 -0,230682 0,230682 46 -0,201483 0,201483
23 0,546273 0,546273 47 0,064255 0,064255
24 -0,195171 0,195171 48 -0,195096 0,195096
(Sumber: Olahan MINITAB)

dengan menggunakan nilai bandingan dari nilai DFFITS dengan nilai standar,

yaitu nilai DFFITS > 0,408248, maka data yang diidentifikasi mengandung

pencilan adalah data ke–2, ke–6, ke–20, ke–21 dan data ke–23.

3.4.7 Uji Signifikansi Model Regresi untuk Metode WLS

Berdasarkan output MINITAB pada lampiran 18, nilai dari P-value yang

diperoleh adalah 0,069 untuk variabel bebas petama  X12  dan 0,002 untuk

variabel bebas kedua  X 3  . Nilai tersebut mengindikasikan bahwa model disebut

signifikan apabila digunakan variabel bebas kedua saja sebagai variabel bebasnya.
 39

3.4.8 Uji-uji Asumsi Klasik dalam Model Regresi untuk Metode WLS

a. Uji Multikolinieritas untuk Metode WLS

Berdasarkan hasil output MINITAB pada lampiran 19–21, diperoleh

nilai koefisien determinasi untuk uji multikolinieritas untuk metode WLS

sebagai berikut:

Tabel 3.6 Nilai Koefisien Determinasi dari Uji Multikolinieritas untuk Metode
WLS
Koefisien Determinasi Ri2
R12 0,222
R112 0,024
R122 0,024
(Sumber: Olahan MINITAB)

sehingga diperoleh perbandingan R12  R112 , R122 . Dapat disimpulkan bahwa

dalam model regresi tersebut tidak ditemukan adanya multikolinieritas.

b. Uji Normalitas Residual untuk Metode WLS

Uji normalitas data pada penelitian ini digunakan Ryan-Joiner Test

atau disebut juga Shapiro-Wilk Test, dengan hasil olahan MINITAB sebagai

berikut:

Probability Plot of RESI11

Normal
99
Mean 0.0005086
StDev 0.01084
95 N 48
RJ 0.981
90
P-Value >0.100
80
70
Percent

60
50
40
30
20

10

1
-0.03 -0.02 -0.01 0.00 0.01 0.02 0.03
RESI11

Gambar 3.4: Output MINITAB dari Uji Normalitas untuk Metode WLS
(Sumber: Olahan MINITAB)
 40

Berdasarkan gambar 3.4 di atas, diperoleh nilai RJ = 0,981, dengan

banyak observasi n = 48. Nilai dari tabel Chi-Square dengan tingkat

signifikansi   5% atau   0,05 diperoleh nilai  22  5,991, sehingga

diperoleh perbandingan RJ   22 . Dapat disimpulkan bahwa residual data

berdistribusi normal.

c. Uji Autokorelasi Residual untuk Metode WLS

Berdasarkan lampiran 18 diperoleh nilai d hitung  1,77033. Untuk nilai

kritis batas atasnya, dengan n = 48, k = 2, dan nilai signifikansi 5%, diperoleh

nilai kritis untuk batas atas du  1,63, lihat tabel Durbin-Watson dalam buku

karangan Draper dan Smith (1998), sehingga diperoleh perbandingan

du  d  4  du
1, 63  1, 77033  2,37.

Dapat disimpulkan bahwa dalam model tidak terjadi autokorelasi.

d. Uji Heteroskedastisitas Residual untuk Metode WLS

Berdasarkan output MINITAB pada lampiran 18 diperoleh nilai

koefisien determinasi R 2  22,2% atau R 2  0,222, sehingga diperoleh nilai

perkalian banyak observasi dengan koefisien determinasi nR 2  10,656.

Sedangkan untuk nilai Chi-Square dengan df = 4 dan tingkat signifikansi 5%,

diperoleh nilai  42  9,488. Sehingga diperoleh perbandingan

nR 2   df2

dengan kesimpulan bahwa residual bersifat heteroskedastisitas.

 41

3.5 Aplikasi Ilmu dalam Al-Qur’an dan Hadits

Skripsi ini membahas tentang aplikasi metode WLS dalam menentukan

lama pembakaran kertas rokok. Aplikasi metode ini bertujuan untuk memberikan

kemudahan bagi pihak yang bersangkutan dalam menyelesaikan masalah produksi

kertas atau barang lainnya. Bentuk penyelesainnya berupa model regresi linier.

Model tersebut dapat digunakan untuk mengoptimalkan hasil produksi atau

mengoptimalkan keuntungan yang diperoleh oleh lembaga.

Agama Islam memberikan solusi yang cukup signifikan dalam

menyelesaikan suatu masalah. Salah satunya, yaitu dengan menggunakan ilmu.

Sebagaimana disebutkan dalam sabda Nabi Saw. yang berbunyi:

َ‫مَنََأرَادََالدَنَيَاَفَعَلَيَهََبَالعَلمََوَمَنََأرَادََاألخَرَةَفَعَلَيَهََبَالعَلمََوَمَنََأرَادََهَمَاَفَعَلَيَهََبَالعَلم‬

“Barangsiapa yang menginginkan dunia maka (hendaklah ia) menggapainya

dengan ilmu. Barangsiapa yang menginginkan akhirat maka (hendaklah ia)
menggapainya dengan ilmu. Dan barangsiapa yang menginginkan keduanya
maka (hendaklah ia) menggapainya dengan ilmu”.

Ilmu yang dimaksudkan adalah ilmu umum untuk mendapatkan kehidupan yang

layak di dunia, dan ilmu agama untuk mendapatkan kehidupan yang bahagia di

akhirat, yaitu surga. Sedangkan untuk mendapatkan kehidupan yang bahagia di

dunia dan di akhirat, maka hendaknya menguasai dan mengaplikasikan ilmu

umum dan ilmu agama yang dimiliki dalam kehidupan sehari-hari.

Penelitian skripsi ini berkaitan tentang masalah dalam memproduksi kertas

rokok. Masalah tersebut merupakan masalah keduniaan, sehingga harus

diselesaikan pula dengan ilmu keduniaan, sebagaimana dalam penelitian ini

menggunakan metode Weighted Least Square (WLS), yaitu suatu metode yang

memberikan solusi berbentuk model regresi linier untuk menyelesaikan masalah

 42

dalam memproduksi suatu barang, dalam penelitian ini masalah dalam

memproduksi kertas rokok.

Hadits di atas menyebutkan “Barangsiapa yang menginginkan dunia maka

(hendaklah ia) menggapainya dengan ilmu”. Dikarenakan masalah dalam

produksi ini, maka para karyawan pabrik kertas rokok berusaha semaksimal

mungkin menyelesaikan masalah tersebut menggunakan ilmu umum, seperti

metode OLS, metode WLS, dan metode-metode lainnya. Dalam penelitian ini

masalah yang diambil dititikberatkan pada lama pembakaran (burn rate) kertas

rokok, dengan pertanyaan karyawan pabrik: “Apakah standar yang digunakan

sudah tepat?”. Dengan kata lain, setiap kali memproduksi kertas rokok, apakah

hasil produksinya sudah memenuhi standar yang telah ditetapkan atau belum

memenuhi standar. Dengan melakukan berbagai macam usaha tersebut, maka

para karyawan tersebut dapat digolongkan ke dalam orang-orang yang menggapai

dunia dengan ilmu umum yang dimiliki.

 BAB IV

PENUTUP

4.1 Kesimpulan

Kertas rokok merupakan kertas yang memiliki kecepatan rambat

pembakaran yang stabil, tidak terlalu cepat seperti kertas tissue dan tidak terlalu

lambat seperti kertas tulis. Untuk memperoleh kecepatan rambat pembakaran

kertas rokok yang stabil maka perlu dilakukan penentuan bahan yang tepat dalam

memproduksi kertas rokok tersebut. Salah satu cara yang dapat digunakan untuk

menentukan takaran bahan yang tepat adalah menggunakan metode regresi linier.

Metode yang digunakan dalam regresi linier ini berupa metode Ordinary Least

Square (OLS), metode Weighted Least Square (WLS), atau metode lainnya.

Metode-metode ini mengestimasi parameter model regresi linier yang dihasilkan

dari data produksi.

Estimasi parameter model regresi linier dalam skripi ini menggunakan

metode Weighted Least Square (WLS) dengan fungsi pembobot Huber dalam

menentukan lama pembakaran kertas rokok. Berdasarkan hasil pembahasan pada

bab 3 diperoleh estimator

 0, 24055 
ˆ
WLS   0, 00012147 
 0, 004103 

dengan model berbentuk

Yˆ  0, 24055  0,00012147 X12  0,004103 X 3

dimana

Yˆ = panjang kertas yang terbakar persekonnya (cm/s)

43
 44

X 12 = ketebalan kertas (mikron) dan berat jenis kertas (gr/m2)

X3 = jumlah kalsium karbonat (%).

Makna dari persamaan model di atas adalah:

a. Setiap pengurangan satu satuan ketebalan kertas  X 1  dan berat jenis kertas

 X2  akan mengurangi rata-rata panjang kertas roko yang terbakar

persekonnya sepanjang –0,000121 cm/s apabila jumlah kalsium karbonat

 X3  tetap.

b. Setiap penambahan satu satuan kalsium karbonat  X 3  akan menambah rata-

rata panjang kertas rokok yang terbakar persekonnya sepanjang 0,00410 cm/s

apabila ketebalan kertas  X 1  dan berat jenis kertas  X 2  tetap.

4.2 Saran

Pada penelitian ini dilakukan estimasi parameter menggunakan metode

WLS pada kasus data yang mengandung pencilan. Pada metode WLS ini

digunakan fungsi Huber sebagai fungsi pembobotnya. Untuk penelitian

selanjutnya dapat diteliti tentang estimasi parameter model regresi menggunakan

metode regresi robust, seperti regresi robust dengan M-estimator, S-estimator,

atau MM-estimator. Fungsi pembobot yang dapat digunakan adalah fungsi Tukey

Bisquare atau fungsi pembobot lainnya.

 DAFTAR PUSTAKA

Abdurrazak, A.B.. 2003. Matahari di Dalam Hati, Muhasabah Al-Ghazali untuk

Para Muridnya. Jakarta: IIMAN dan Hikmah.

Akbar, M.S. dan Maftukhah, L.. 2007. Optimasi Kekuatan Torque pada Lampu
TL. Jurnal Ilmiah Sains dan Teknologi, Vol. 6 No. 3. Hal. 218-229.
Surabaya: Institut Teknologi Sepuluh November.

Al-Utsaimin, M.. 2014. Definisi Ilmu Syar’i, Keutamaan, dan Hukum

Menuntutnya. Jogja: Pustaka Sumayyah.

Bhar, L.. 2012. Robust Regression “Technical Report”. New Delhi. [Link].

Draper, N.R. dan Smith, H.. 1998. Applied Regression Analysis. New York:
Includes Disk.

Fox, J.. 2002. Robust Regression “Appendix to An R and S-PLUS Companion to

Applied Regression”. New York: tanpa nama penerbit.

Fox, J. dan Weisberg, S.. 2012. Robust Regression in R “An Appendix to An R

Companion to Applied Regression, Second Edition”. New York: tanpa
nama penerbit.

Kurniawati, L.D.. 2011. Kekekaran Regresi Linier Ganda dengan Estimasi MM

(Method of Moment) dalam Mengatasi Pencilan. Skripsi. Yogyakarta:
Universitas Negeri Yogyakarta.

Mas’udah, A.F.. 2012. Metode Regresi Least Trimmed Squares pada Data yang
Mengandung Pencilan. Skripsi. Bogor: Institut Pertanian Bogor.

Momeni, M., Nayeri, M.G., Ghayoumi, A.F., dan Ghorbani, H.. 2010. Robust
Regression and its Application in Financial Data Analysis. Jurnal Sains
“Financial”, Vol. 4 No. 11. Hal. 475. Tehran: University of Tehran.

Rahmawati, R. dan Djuraidah, A.. 2008. Analisis Geographically Weighted

Regression (GWR) dengan Pembobot Kernel Gaussian untuk Data
Kemiskinan. Artikel Penelitian “Statistik”. Bogor: Institut Pertanian
Bogor.

Rimbawan, N.Y.. 2011. Statistik Deskriptif untuk Ekonomi dan Bisnis. Denpasar:
Udayana University Press.

45
 46

Sugiarti, H. dan Megawarni, A.. 2010. Koefisien Determinasi sebagai Ukuran

Kesesuaian Model pada Regresi Robust. Laporan Penelitian. Malang:
Universitas Terbuka.

Tanti, W.A.. 2013. Perbandingan Metode Kuadrat Terkecil Dengan Metode

Regresi Komponen Utama Pada Kasus Multikolinearitas. Skripsi.
Padang: Universitas Andalas Padang.

Tim Unit Tarbiyah Ulul Albab. 2012. Kumpulan Materi Mata Kuliah Tarbiyah
Ulul Albab. Malang: UIN Maulana Malik Ibrahim Malang.

Turmudi dan Harini, S.. 2008. Metode Statistika, Pendekatan Teoritis dan
Aplikatif. Malang: UIN-Malang Press.
 LAMPIRAN

Lampiran 1 Data Kertas Tipe Verge 218 E dari Bagian Pengendalian Mutu
(Quality Control)

Burn Rate Thickness Basis Weight CaCO3

No. Tanggal Waktu
cm/s mikron gr/m2 %
1 20-Jan-11 03.00 0,23 40,90 26,10 27,0
2 20-Jan-11 04.41 0,24 41,00 25,80 28,0
3 20-Jan-11 09.01 0,24 42,30 26,00 30,5
4 20-Jan-11 10.33 0,24 42,70 26,10 30,0
5 20-Jan-11 12.30 0,23 42,80 26,30 28,0
6 20-Jan-11 14.01 0,21 42,30 25,78 30,0
7 20-Jan-11 15.32 0,21 43,50 26,00 28,0
8 20-Jan-11 17.03 0,22 43,80 26,29 29,0
9 20-Jan-11 18.33 0,21 42,20 26,00 28,0
10 20-Jan-11 20.17 0,22 43,10 26,19 27,5
11 20-Jan-11 21.48 0,22 41,20 26,00 27,5
12 20-Jan-11 23.18 0,23 42,70 26,00 28,0
13 21-Jan-11 00.48 0,23 42,60 26,20 29,5
14 21-Jan-11 02.40 0,24 41,90 26,13 27,0
15 21-Jan-11 04.11 0,22 42,00 26,20 27,5
16 21-Jan-11 05.42 0,22 42,40 25,98 28,5
17 21-Jan-11 07.07 0,21 41,80 26,00 28,0
18 21-Jan-11 09.04 0,22 43,30 26,11 28,0
19 21-Jan-11 10.34 0,24 42,70 26,00 29,0
20 21-Jan-11 12.04 0,26 42,90 25,88 30,5
21 21-Jan-11 12.45 0,25 42,40 26,00 32,0
22 24-Jan-11 18.02 0,21 42,60 26,30 29,0
23 24-Jan-11 19.35 0,23 42,80 26,10 26,0
24 24-Jan-11 21.10 0,21 41,50 26,20 26,0
25 24-Jan-11 22.44 0,21 42,10 26,11 26,0
26 25-Jan-11 00.44 0,23 41,20 26,30 27,5
27 25-Jan-11 01.20 0,22 41,70 26,06 30,0
28 25-Jan-11 02.43 0,21 42,50 26,00 28,0
29 25-Jan-11 04.16 0,22 42,60 26,00 27,5
30 25-Jan-11 06.00 0,22 42,30 26,00 29,0
31 25-Jan-11 07.37 0,21 43,50 26,25 27,5
32 25-Jan-11 09.32 0,21 43,80 26,50 28,5
33 25-Jan-11 10.46 0,22 43,70 26,79 29,0
34 25-Jan-11 11.59 0,22 44,00 25,60 28,5
35 25-Jan-11 13.12 0,22 43,00 26,08 30,0
36 25-Jan-11 14.25 0,22 43,50 26,00 29,0
37 25-Jan-11 15.38 0,22 42,80 25,37 29,5
38 25-Jan-11 17.02 0,21 43,00 26,30 28,0
39 25-Jan-11 18.16 0,22 42,70 26,00 29,5
40 25-Jan-11 19.29 0,22 43,30 26,30 30,0
41 25-Jan-11 20.43 0,25 42,80 25,80 29,5
42 25-Jan-11 22.00 0,22 42,60 26,00 29,5
43 25-Jan-11 23.15 0,23 43,90 25,85 27,5
44 26-Jan-11 00.24 0,22 41,80 26,00 27,5
45 26-Jan-11 01.30 0,22 43,00 26,08 29,0
46 26-Jan-11 02.50 0,21 42,30 26,00 28,0
47 26-Jan-11 04.50 0,22 43,90 25,90 28,0
48 26-Jan-11 05.15 0,21 42,20 26,00 27,0
(Sumber: Data Industri Kertas PT. Surya Zig Zag Kediri Jawa Timur Bagian Quality Control)

47
 48

Lampiran 2 Definisi Variabel Bebas dan Variabel Terikat

No. Y X1 X2 X3 X1  X 2
1 0.23 40.90 26.10 27.0 1067.490
2 0.24 41.00 25.80 28.0 1057.800
3 0.24 42.30 26.00 30.5 1099.800
4 0.24 42.70 26.10 30.0 1114.470
5 0.23 42.80 26.30 28.0 1125.640
6 0.21 42.30 25.78 30.0 1090.494
7 0.21 43.50 26.00 28.0 1131.000
8 0.22 43.80 26.29 29.0 1151.502
9 0.21 42.20 26.00 28.0 1097.200
10 0.22 43.10 26.19 27.5 1128.789
11 0.22 41.20 26.00 27.5 1071.200
12 0.23 42.70 26.00 28.0 1110.200
13 0.23 42.60 26.20 29.5 1116.120
14 0.24 41.90 26.13 27.0 1094.847
15 0.22 42.00 26.20 27.5 1100.400
16 0.22 42.40 25.98 28.5 1101.552
17 0.21 41.80 26.00 28.0 1086.800
18 0.22 43.30 26.11 28.0 1130.563
19 0.24 42.70 26.00 29.0 1110.200
20 0.26 42.90 25.88 30.5 1110.252
21 0.25 42.40 26.00 32.0 1102.400
22 0.21 42.60 26.30 29.0 1120.380
23 0.23 42.80 26.10 26.0 1117.080
24 0.21 41.50 26.20 26.0 1087.300
25 0.21 42.10 26.11 26.0 1099.231
26 0.23 41.20 26.30 27.5 1083.560
27 0.22 41.70 26.06 30.0 1086.702
28 0.21 42.50 26.00 28.0 1105.000
29 0.22 42.60 26.00 27.5 1107.600
30 0.22 42.30 26.00 29.0 1099.800
31 0.21 43.50 26.25 27.5 1141.875
32 0.21 43.80 26.50 28.5 1160.700
33 0.22 43.70 26.79 29.0 1170.723
34 0.22 44.00 25.60 28.5 1126.400
35 0.22 43.00 26.08 30.0 1121.440
36 0.22 43.50 26.00 29.0 1131.000
37 0.22 42.80 25.37 29.5 1085.836
38 0.21 43.00 26.30 28.0 1130.900
39 0.22 42.70 26.00 29.5 1110.200
40 0.22 43.30 26.30 30.0 1138.790
41 0.25 42.80 25.80 29.5 1104.240
42 0.22 42.60 26.00 29.5 1107.600
43 0.23 43.90 25.85 27.5 1134.815
44 0.22 41.80 26.00 27.5 1086.800
45 0.22 43.00 26.08 29.0 1121.440
46 0.21 42.30 26.00 28.0 1099.800
47 0.22 43.90 25.90 28.0 1137.010
48 0.21 42.20 26.00 270 1097.200
(Sumber: Data Kertas Tipe Verge 218 E dari Bagian Pengendalian Mutu (Quality Control))
 49

Lampiran 3 P-value dari Masing-masing Variabel

(Sumber: Olahan MINITAB)

 50

Lampiran 4 Output MINITAB untuk Estimasi Parameter Menggunakan Metode

OLS

(Sumber: Olahan MINITAB)

 51

Lampiran 5 Output MINITAB untuk Uji Multikolinieritas dari Variabel Terikat

Y terhadap Variabel Bebas untuk Metode OLS

(Sumber: Olahan MINITAB)

 52

Lampiran 6 Output MINITAB dari Uji Multikolinieritas dari Variabel Bebas X12
terhadap Variabel Bebas X3 untuk Metode OLS

(Sumber: Olahan MINITAB)

 53

Lampiran 7 Output MINITAB dari Uji Multikolinieritas dari Variabel Bebas X3

terhadap Variabel Bebas X1*X2 untuk Metode OLS

(Sumber: Olahan MINITAB)

 54

Lampiran 8 Nilai Residual, Standardized Residual, dan Nilai Pembobot

No. RESI1 SRES1 W1 RESI2 SRES2 W2
1 0.0078979 0.75620 1.00000 0.0083247 0.87815 1.00000
2 0.0125600 1.21591 1.00000 0.0130783 1.39532 0.96394
3 0.0072692 0.68665 1.00000 0.0079935 0.83427 1.00000
4 0.0111330 1.03221 1.00000 0.0118082 1.20712 1.00000
5 0.0108104 0.99260 1.00000 0.0113054 1.14243 1.00000
6 -0.0217828 -2.04526 0.65762 -0.0210994 -1.74669 0.77003
7 -0.0085378 -0.78726 1.00000 -0.0080446 -0.81639 1.00000
8 -0.0002039 -0.01926 1.00000 0.0003704 0.03850 1.00000
9 -0.0126483 -1.15869 1.00000 -0.0121436 -1.22452 1.00000
10 0.0032731 0.30307 1.00000 0.0037229 0.37954 1.00000
11 -0.0037306 -0.35254 1.00000 -0.0032610 -0.33940 1.00000
12 0.0089326 0.81577 1.00000 0.0094329 0.94811 1.00000
13 0.0034134 0.31367 1.00000 0.0040440 0.40933 1.00000
14 0.0212250 1.97044 0.68259 0.0216423 1.81088 0.74273
15 -0.0001794 -0.01649 1.00000 0.0002801 0.02834 1.00000
16 -0.0041988 -0.38357 1.00000 -0.0036514 -0.36719 1.00000
17 -0.0139131 -1.28427 1.00000 -0.0134048 -1.36227 0.98732
18 0.0014091 0.12988 1.00000 0.0019024 0.19298 1.00000
19 0.0147732 1.35001 0.99629 0.0153617 1.54263 0.87189
20 0.0285403 2.68238 0.50142 0.0292611 2.10226 0.63979
21 0.0113462 1.14597 1.00000 0.0122019 1.37151 0.98067
22 -0.0139888 -1.28005 1.00000 -0.0134038 -1.35014 0.99620
23 0.0180883 1.72888 0.77796 0.0184098 1.68933 0.79617
24 -0.0055334 -0.53034 1.00000 -0.0052016 -0.55007 1.00000
25 -0.0040824 -0.38897 1.00000 -0.0037547 -0.39479 1.00000
26 0.0077726 0.72246 1.00000 0.0082379 0.84311 1.00000
27 -0.0122440 -1.15462 1.00000 -0.0115592 -1.20354 1.00000
28 -0.0116998 -1.06890 1.00000 -0.0111977 -1.12598 1.00000
29 0.0006962 0.06389 1.00000 0.0011533 0.11651 1.00000
30 -0.0064916 -0.59503 1.00000 -0.0058996 -0.59555 1.00000
31 -0.0051355 -0.48286 1.00000 -0.0046901 -0.48564 1.00000
32 -0.0070056 -0.67434 1.00000 -0.0064785 -0.68638 1.00000
33 0.0021337 0.21047 1.00000 0.0027014 0.29332 1.00000
34 -0.0011769 -0.10787 1.00000 -0.0006381 -0.06436 1.00000
35 -0.0080193 -0.74424 1.00000 -0.0073465 -0.75155 1.00000
36 -0.0026972 -0.24830 1.00000 -0.0021159 -0.21438 1.00000
37 -0.0102696 -0.95887 1.00000 -0.0096286 -0.99146 1.00000
38 -0.0085499 -0.78831 1.00000 -0.0080567 -0.81754 1.00000
39 -0.0073065 -0.67146 1.00000 -0.0066740 -0.67570 1.00000
40 -0.0059093 -0.55477 1.00000 -0.0052425 -0.54227 1.00000
41 0.0219686 2.02198 0.66519 0.0226033 1.85617 0.72461
42 -0.0076227 -0.70086 1.00000 -0.0069893 -0.70803 1.00000
43 0.0140059 1.30480 1.00000 0.0144537 1.48264 0.90717
44 -0.0018334 -0.16988 1.00000 -0.0013692 -0.13968 1.00000
45 -0.0038599 -0.35334 1.00000 -0.0032752 -0.33003 1.00000
46 -0.0123321 -1.12839 1.00000 -0.0118283 -1.19127 1.00000
47 0.0021931 0.20349 1.00000 0.0026842 0.27412 1.00000
48 -0.0084889 -0.78722 1.00000 -0.0080723 -0.82448 1.00000
No. RESI3 SRES3 W3 RESI4 SRES4 W4
1 0.0083683 0.86659 1.00000 0.0082992 0.86380 1.00000
2 0.0130819 1.34148 1.00000 0.0130298 1.37153 0.98066
3 0.0078909 0.80780 1.00000 0.0079048 0.81364 1.00000
4 0.0117246 1.17607 1.00000 0.0117336 1.18333 1.00000
5 0.0113024 1.12126 1.00000 0.0112746 1.12435 1.00000
6 -0.0211807 -1.87094 0.71889 -0.0211803 -1.81338 0.74171
7 -0.0080481 -0.80183 1.00000 -0.0080740 -0.80860 1.00000
No. RESI3 SRES3 W3 RESI4 SRES4 W4
8 0.0003241 0.03308 1.00000 0.0003259 0.03344 1.00000
 55

9 -0.0121438 -1.20205 1.00000 -0.0121818 -1.21216 1.00000

10 0.0037401 0.37433 1.00000 0.0037032 0.37256 1.00000
11 -0.0032382 -0.33086 1.00000 -0.0032958 -0.33846 1.00000
12 0.0094315 0.93058 1.00000 0.0093981 0.93217 1.00000
13 0.0039806 0.39544 1.00000 0.0039800 0.39749 1.00000
14 0.0216833 1.86111 0.72269 0.0216240 1.83932 0.73125
15 0.0003001 0.02980 1.00000 0.0002530 0.02525 1.00000
16 -0.0036725 -0.36251 1.00000 -0.0036988 -0.36704 1.00000
17 -0.0134040 -1.32825 1.00000 -0.0134457 -1.34835 0.99752
18 0.0018990 0.18912 1.00000 0.0018729 0.18750 1.00000
19 0.0153193 1.41019 0.95377 0.0153064 1.48315 0.90685
20 0.0291574 2.33619 0.57572 0.0291750 2.22316 0.60499
21 0.0120377 1.30907 1.00000 0.0120831 1.33804 1.00000
22 -0.0134471 -1.32694 1.00000 -0.0134564 -1.33753 1.00000
23 0.0184895 1.68648 0.79752 0.0184178 1.69028 0.79573
24 -0.0051191 -0.53129 1.00000 -0.0052014 -0.54264 1.00000
25 -0.0036733 -0.37904 1.00000 -0.0037514 -0.38912 1.00000
26 0.0082595 0.82981 1.00000 0.0082064 0.82877 1.00000
27 -0.0116402 -1.18901 1.00000 -0.0116412 -1.19549 1.00000
28 -0.0111986 -1.10541 1.00000 -0.0112338 -1.11473 1.00000
29 0.0011725 0.11628 1.00000 0.0011280 0.11246 1.00000
30 -0.0059409 -0.58861 1.00000 -0.0059576 -0.59341 1.00000
31 -0.0046742 -0.47519 1.00000 -0.0047064 -0.48090 1.00000
32 -0.0065052 -0.67683 1.00000 -0.0065103 -0.68072 1.00000
33 0.0026532 0.28294 1.00000 0.0026619 0.28525 1.00000
34 -0.0006615 -0.06550 1.00000 -0.0006789 -0.06757 1.00000
35 -0.0074308 -0.74595 1.00000 -0.0074194 -0.74882 1.00000
36 -0.0021602 -0.21486 1.00000 -0.0021657 -0.21654 1.00000
37 -0.0096891 -0.97901 1.00000 -0.0097005 -0.98538 1.00000
38 -0.0080602 -0.80297 1.00000 -0.0080861 -0.80974 1.00000
39 -0.0067367 -0.66936 1.00000 -0.0067395 -0.67323 1.00000
40 -0.0053284 -0.54094 1.00000 -0.0053108 -0.54201 1.00000
41 0.0225411 1.89854 0.70844 0.0225362 1.88622 0.71307
42 -0.0070518 -0.70106 1.00000 -0.0070555 -0.70519 1.00000
43 0.0144703 1.38363 0.97208 0.0144356 1.43936 0.93444
44 -0.0013479 -0.13499 1.00000 -0.0013999 -0.14092 1.00000
45 -0.0033187 -0.32825 1.00000 -0.0033276 -0.33088 1.00000
46 -0.0118287 -1.16944 1.00000 -0.0118658 -1.17929 1.00000
47 0.0026802 0.26873 1.00000 0.0026564 0.26772 1.00000
48 -0.0080316 -0.80524 1.00000 -0.0080900 -0.81534 1.00000
No. RESI5 SRES5 W5 RESI6 SRES6 W6
1 0.0083447 0.86695 1.00000 0.0083226 0.86527 1.00000
2 0.0130601 1.35689 0.99123 0.0130441 1.36456 0.98566
3 0.0078912 0.81055 1.00000 0.0078940 0.81152 1.00000
4 0.0117267 1.18024 1.00000 0.0117270 1.18124 1.00000
5 0.0112988 1.12462 1.00000 0.0112866 1.12425 1.00000
6 -0.0211850 -1.84047 0.73079 -0.0211860 -1.82756 0.73595
7 -0.0080502 -0.80470 1.00000 -0.0080622 -0.80650 1.00000
8 0.0003318 0.03398 1.00000 0.0003276 0.03357 1.00000
9 -0.0121550 -1.20717 1.00000 -0.0121689 -1.20947 1.00000
10 0.0037351 0.37506 1.00000 0.0037198 0.37380 1.00000
11 -0.0032587 -0.33403 1.00000 -0.0032772 -0.33618 1.00000
12 0.0094237 0.93291 1.00000 0.0094106 0.93233 1.00000
13 0.0039810 0.39680 1.00000 0.0039781 0.39683 1.00000
14 0.0216670 1.85078 0.72672 0.0216465 1.84445 0.72922
15 0.0002875 0.02864 1.00000 0.0002705 0.02697 1.00000
16 -0.0036804 -0.36451 1.00000 -0.0036907 -0.36581 1.00000
No. RESI5 SRES5 W5 RESI6 SRES6 W6
17 -0.0134181 -1.34126 1.00000 -0.0134325 -1.34546 0.99966
18 0.0018967 0.18952 1.00000 0.0018847 0.18846 1.00000
19 0.0153159 1.44337 0.93185 0.0153094 1.46414 0.91863
 56

20 0.0291606 2.27617 0.59091 0.0291639 2.25020 0.59772

21 0.0120453 1.33073 1.00000 0.0120581 1.33343 1.00000
22 -0.0134478 -1.33407 1.00000 -0.0134537 -1.33570 1.00000
23 0.0184749 1.69015 0.79579 0.0184490 1.68916 0.79626
24 -0.0051417 -0.53539 1.00000 -0.0051693 -0.53867 1.00000
25 -0.0036928 -0.38230 1.00000 -0.0037197 -0.38538 1.00000
26 0.0082424 0.83083 1.00000 0.0082245 0.82964 1.00000
27 -0.0116455 -1.19353 1.00000 -0.0116468 -1.19461 1.00000
28 -0.0112078 -1.11000 1.00000 -0.0112212 -1.11218 1.00000
29 0.0011619 0.11561 1.00000 0.0011453 0.11405 1.00000
30 -0.0059471 -0.59120 1.00000 -0.0059542 -0.59237 1.00000
31 -0.0046756 -0.47688 1.00000 -0.0046903 -0.47872 1.00000
32 -0.0064973 -0.67816 1.00000 -0.0065043 -0.67935 1.00000
33 0.0026661 0.28521 1.00000 0.0026629 0.28505 1.00000
34 -0.0006628 -0.06584 1.00000 -0.0006717 -0.06678 1.00000
35 -0.0074268 -0.74806 1.00000 -0.0074261 -0.74859 1.00000
36 -0.0021580 -0.21536 1.00000 -0.0021634 -0.21606 1.00000
37 -0.0096968 -0.98306 1.00000 -0.0097014 -0.98429 1.00000
38 -0.0080624 -0.80585 1.00000 -0.0080743 -0.80764 1.00000
39 -0.0067380 -0.67173 1.00000 -0.0067412 -0.67259 1.00000
40 -0.0053198 -0.54186 1.00000 -0.0053181 -0.54212 1.00000
41 0.0225382 1.88898 0.71202 0.0225347 1.88875 0.71211
42 -0.0070537 -0.70360 1.00000 -0.0070571 -0.70450 1.00000
43 0.0144670 1.40986 0.95399 0.0144519 1.42505 0.94383
44 -0.0013642 -0.13706 1.00000 -0.0013819 -0.13895 1.00000
45 -0.0033190 -0.32938 1.00000 -0.0033249 -0.33023 1.00000
46 -0.0118393 -1.17439 1.00000 -0.0118530 -1.17665 1.00000
47 0.0026796 0.26955 1.00000 0.0026680 0.26858 1.00000
48 -0.0080472 -0.80948 1.00000 -0.0080677 -0.81215 1.00000
No. RESI7 SRES7 W7 RESI8 SRES8 W8
1 0.0083341 0.86619 1.00000 0.0083290 0.86578 1.00000
2 0.0130533 1.36069 0.98847 0.0130491 1.36267 0.98703
3 0.0078946 0.81127 1.00000 0.0078940 0.81135 1.00000
4 0.0117283 1.18094 1.00000 0.0117274 1.18105 1.00000
5 0.0112928 1.12449 1.00000 0.0112898 1.12437 1.00000
6 -0.0211837 -1.83356 0.73355 -0.0211850 -1.83078 0.73466
7 -0.0080562 -0.80563 1.00000 -0.0080591 -0.80605 1.00000
8 0.0003300 0.03380 1.00000 0.0003286 0.03366 1.00000
9 -0.0121614 -1.20832 1.00000 -0.0121649 -1.20885 1.00000
10 0.0037272 0.37443 1.00000 0.0037237 0.37413 1.00000
11 -0.0032673 -0.33505 1.00000 -0.0032718 -0.33556 1.00000
12 0.0094175 0.93270 1.00000 0.0094143 0.93252 1.00000
13 0.0039807 0.39695 1.00000 0.0039792 0.39687 1.00000
14 0.0216567 1.84800 0.72782 0.0216521 1.84604 0.72859
15 0.0002792 0.02783 1.00000 0.0002752 0.02744 1.00000
16 -0.0036848 -0.36510 1.00000 -0.0036876 -0.36543 1.00000
17 -0.0134245 -1.34398 1.00000 -0.0134282 -1.34479 1.00000
18 0.0018907 0.18900 1.00000 0.0018878 0.18874 1.00000
19 0.0153136 1.45335 0.92545 0.0153115 1.45890 0.92193
20 0.0291641 2.26302 0.59434 0.0291636 2.25661 0.59603
21 0.0120545 1.33246 1.00000 0.0120556 1.33285 1.00000
22 -0.0134500 -1.33486 1.00000 -0.0134519 -1.33527 1.00000
23 0.0184610 1.69022 0.79576 0.0184556 1.68941 0.79614
24 -0.0051560 -0.53709 1.00000 -0.0051619 -0.53779 1.00000
25 -0.0037069 -0.38392 1.00000 -0.0037126 -0.38457 1.00000
No. RESI7 SRES7 W7 RESI8 SRES8 W8
26 0.0082339 0.83032 1.00000 0.0082296 0.83002 1.00000
27 -0.0116443 -1.19393 1.00000 -0.0116457 -1.19427 1.00000
28 -0.0112140 -1.11110 1.00000 -0.0112174 -1.11160 1.00000
29 0.0011537 0.11485 1.00000 0.0011498 0.11448 1.00000
30 -0.0059495 -0.59170 1.00000 -0.0059518 -0.59203 1.00000
 57

31 -0.0046834 -0.47786 1.00000 -0.0046867 -0.47827 1.00000

32 -0.0065009 -0.67880 1.00000 -0.0065027 -0.67908 1.00000
33 0.0026645 0.28514 1.00000 0.0026634 0.28506 1.00000
34 -0.0006668 -0.06627 1.00000 -0.0006693 -0.06652 1.00000
35 -0.0074251 -0.74822 1.00000 -0.0074259 -0.74843 1.00000
36 -0.0021601 -0.21566 1.00000 -0.0021619 -0.21587 1.00000
37 -0.0096975 -0.98355 1.00000 -0.0096995 -0.98391 1.00000
38 -0.0080683 -0.80678 1.00000 -0.0080712 -0.80719 1.00000
39 -0.0067383 -0.67207 1.00000 -0.0067399 -0.67233 1.00000
40 -0.0053179 -0.54190 1.00000 -0.0053184 -0.54204 1.00000
41 0.0225378 1.88847 0.71222 0.0225361 1.88878 0.71210
42 -0.0070541 -0.70396 1.00000 -0.0070557 -0.70423 1.00000
43 0.0144591 1.41719 0.94906 0.0144557 1.42124 0.94635
44 -0.0013726 -0.13797 1.00000 -0.0013768 -0.13841 1.00000
45 -0.0033212 -0.32974 1.00000 -0.0033231 -0.32999 1.00000
46 -0.0118456 -1.17552 1.00000 -0.0118490 -1.17604 1.00000
47 0.0026738 0.26907 1.00000 0.0026710 0.26883 1.00000
48 -0.0080575 -0.81085 1.00000 -0.0080621 -0.81144 1.00000
No. RESI9 SRES9 W9 RESI10 SRES10 W10
1 0.0083315 0.86598 1.00000 0.0083303 0.86589 1.00000
2 0.0130512 1.36166 0.98776 0.0130503 1.36218 0.98738
3 0.0078945 0.81134 1.00000 0.0078942 0.81134 1.00000
4 0.0117280 1.18101 1.00000 0.0117277 1.18102 1.00000
5 0.0112913 1.12443 1.00000 0.0112906 1.12440 1.00000
6 -0.0211842 -1.83204 0.73416 -0.0211846 -1.83148 0.73438
7 -0.0080577 -0.80584 1.00000 -0.0080584 -0.80594 1.00000
8 0.0003293 0.03374 1.00000 0.0003289 0.03370 1.00000
9 -0.0121631 -1.20859 1.00000 -0.0121639 -1.20871 1.00000
10 0.0037254 0.37427 1.00000 0.0037246 0.37420 1.00000
11 -0.0032695 -0.33531 1.00000 -0.0032706 -0.33542 1.00000
12 0.0094159 0.93261 1.00000 0.0094151 0.93257 1.00000
13 0.0039801 0.39692 1.00000 0.0039796 0.39689 1.00000
14 0.0216544 1.84711 0.72816 0.0216533 1.84653 0.72839
15 0.0002772 0.02763 1.00000 0.0002763 0.02754 1.00000
16 -0.0036861 -0.36526 1.00000 -0.0036868 -0.36534 1.00000
17 -0.0134263 -1.34450 1.00000 -0.0134272 -1.34464 1.00000
18 0.0018893 0.18887 1.00000 0.0018886 0.18881 1.00000
19 0.0153126 1.45605 0.92373 0.0153121 1.45751 0.92281
20 0.0291640 2.25983 0.59518 0.0291638 2.25820 0.59561
21 0.0120554 1.33269 1.00000 0.0120554 1.33276 1.00000
22 -0.0134509 -1.33506 1.00000 -0.0134514 -1.33516 1.00000
23 0.0184581 1.68995 0.79588 0.0184569 1.68961 0.79604
24 -0.0051591 -0.53746 1.00000 -0.0051603 -0.53761 1.00000
25 -0.0037099 -0.38426 1.00000 -0.0037111 -0.38441 1.00000
26 0.0082318 0.83017 1.00000 0.0082308 0.83010 1.00000
27 -0.0116448 -1.19408 1.00000 -0.0116452 -1.19417 1.00000
28 -0.0112157 -1.11135 1.00000 -0.0112165 -1.11147 1.00000
29 0.0011517 0.11466 1.00000 0.0011508 0.11458 1.00000
30 -0.0059506 -0.59186 1.00000 -0.0059512 -0.59194 1.00000
31 -0.0046851 -0.47807 1.00000 -0.0046859 -0.47817 1.00000
32 -0.0065018 -0.67895 1.00000 -0.0065023 -0.67902 1.00000
33 0.0026640 0.28510 1.00000 0.0026636 0.28508 1.00000
34 -0.0006680 -0.06640 1.00000 -0.0006686 -0.06646 1.00000
No. RESI9 SRES9 W9 RESI10 SRES10 W10
35 -0.0074254 -0.74831 1.00000 -0.0074257 -0.74837 1.00000
36 -0.0021609 -0.21576 1.00000 -0.0021614 -0.21581 1.00000
37 -0.0096983 -0.98372 1.00000 -0.0096989 -0.98381 1.00000
38 -0.0080698 -0.80699 1.00000 -0.0080705 -0.80708 1.00000
39 -0.0067390 -0.67219 1.00000 -0.0067395 -0.67226 1.00000
40 -0.0053180 -0.54196 1.00000 -0.0053182 -0.54201 1.00000
41 0.0225371 1.88855 0.71219 0.0225366 1.88870 0.71213
 58

42 -0.0070548 -0.70408 1.00000 -0.0070553 -0.70416 1.00000

43 0.0144574 1.41914 0.94776 0.0144566 1.42023 0.94703
44 -0.0013747 -0.13819 1.00000 -0.0013757 -0.13829 1.00000
45 -0.0033221 -0.32986 1.00000 -0.0033226 -0.32992 1.00000
46 -0.0118473 -1.17578 1.00000 -0.0118481 -1.17590 1.00000
47 0.0026723 0.26895 1.00000 0.0026717 0.26889 1.00000
48 -0.0080598 -0.81116 1.00000 -0.0080609 -0.81129 1.00000
No. RESI11 SRES11 No. RESI11 SRES11
1 0.0083309 0.86593 25 -0.0037105 -0.38434
2 0.0130507 1.36191 26 0.0082312 0.83013
3 0.0078944 0.81134 27 -0.0116450 -1.19413
4 0.0117279 1.18102 28 -0.0112161 -1.11141
5 0.0112909 1.12442 29 0.0011513 0.11462
6 -0.0211844 -1.83172 30 -0.0059509 -0.59190
7 -0.0080580 -0.80589 31 -0.0046855 -0.47812
8 0.0003291 0.03372 32 -0.0065021 -0.67898
9 -0.0121635 -1.20865 33 0.0026638 0.28509
10 0.0037250 0.37424 34 -0.0006683 -0.06643
11 -0.0032701 -0.33537 35 -0.0074255 -0.74834
12 0.0094155 0.93259 36 -0.0021612 -0.21578
13 0.0039798 0.39690 37 -0.0096986 -0.98377
14 0.0216538 1.84684 38 -0.0080702 -0.80704
15 0.0002767 0.02758 39 -0.0067392 -0.67223
16 -0.0036865 -0.36530 40 -0.0053181 -0.54198
17 -0.0134268 -1.34457 41 0.0225368 1.88861
18 0.0018889 0.18884 42 -0.0070550 -0.70412
19 0.0153124 1.45676 43 0.0144570 1.41967
20 0.0291639 2.25903 44 -0.0013752 -0.13825
21 0.0120555 1.33273 45 -0.0033224 -0.32989
22 -0.0134511 -1.33511 46 -0.0118477 -1.17584
23 0.0184575 1.68982 47 0.0026720 0.26892
24 -0.0051598 -0.53754 48 -0.0080604 -0.81123
(Sumber: Olahan MINITAB)
 59

Lampiran 9 Output MINITAB untuk Metode WLS dengan Fungsi Pembobot

Pertama W  
1

(Sumber: Olahan MINITAB)

 60

Lampiran 10 Output MINITAB untuk Metode WLS dengan Fungsi Pembobot

Kedua W  
2

(Sumber: Olahan MINITAB)

 61

Lampiran 11 Output MINITAB untuk Metode WLS dengan Fungsi Pembobot

Ketiga W  
3

(Sumber: Olahan MINITAB)

 62

Lampiran 12 Output MINITAB untuk Metode WLS dengan Fungsi Pembobot

Keempat W  
4

(Sumber: Olahan MINITAB)

 63

Lampiran 13 Output MINITAB untuk Metode WLS dengan Fungsi Pembobot

Kelima W  
5

(Sumber: Olahan MINITAB)

 64

Lampiran 14 Output MINITAB untuk Metode WLS dengan Fungsi Pembobot

Keenam W  
6

(Sumber: Olahan MINITAB)

 65

Lampiran 15 Output MINITAB untuk Metode WLS dengan Fungsi Pembobot

Keujuh W  
7

(Sumber: Olahan MINITAB)

 66

Lampiran 16 Output MINITAB untuk Metode WLS dengan Fungsi Pembobot

Kedelapan W  
8

(Sumber: Olahan MINITAB)

 67

Lampiran 17 Output MINITAB untuk Metode WLS dengan Fungsi Pembobot

Kesembilan W  
9

(Sumber: Olahan MINITAB)

 68

Lampiran 18 Output MINITAB untuk Metode WLS dengan Fungsi Pembobot

Kesepuluh W  
10

(Sumber: Olahan MINITAB)

 69

Lampiran 19 Output MINITAB untuk Uji Multikolinieritas dari Variabel Terikat

Y terhadap Variabel Bebas untuk Metode WLS

(Sumber: Olahan MINITAB)

 70

Lampiran 20 Output MINITAB untuk Uji Multikolinieritas dari Variabel Bebas

X12 terhadap Variabel Bebas X3 untuk Metode WLS

(Sumber: Olahan MINITAB)

 71

Lampiran 21 Output MINITAB untuk Uji Multikolinieritas dari Variabel Bebas

X3 terhadap Variabel Bebas X12 untuk Metode WLS

(Sumber: Olahan MINITAB)

 72

Lampiran 22 Fungsi Pembobot untuk Least Square, Huber, dan Tukey Bisquare

1. Fungsi pembobot untuk Kuadrat Terkecil (Least Square)

1
  i    i2 , i  
2
dengan
    i  
  i      i    i
 i
sehingga fungsi pembobot yang diperoleh adalah
  i   i
wi  w   i     1.
i i
2. Fungsi pembobot untuk Huber
 1 2 i  c
 2  i ,
  i   
c   1 c 2 , i  c
 i 2
dengan
    i    i , i  c
  i      i   
 i  c, i  c
sehingga fungsi pembobot yang diperoleh adalah
 1, i  c
  i  
wi  w   i    c .
i  ,
 i i  c

3. Fungsi pembobot untuk Tukey Bisquare

 2  2 3

 1  1  i   ,
c     i  c
 6    c   
  i       
 c 2
i  c
 ,
 6
dengan
  
2 2
 i  c
    i     
 i 1     ,
i
  i      i      c  
 i  
 i  c

 0,

sehingga fungsi pembobot yang diperoleh adalah

 73

 
2 2
 i  c
  i    
1     ,
i
wi  w   i      c   .
i  
 i  c

 0,
 74

Lampiran 23 Data Kertas Tipe Verge 218 E pada Bagian Pengontrolan Mutu (Qualiy Control)

Burn Rate
MD CD

Basis Weight gr/m2

cm/s
Porosity

Thickness micron

Formation Index
Brightness %
Coresta

CaCO3 %

Opacity %
Tensile daN/30mm

Tensile daN/30mm
Date Time No Bobine Paper Grade

PN
min max mean cov

Elong

Elong
1 2

STANDAR SPESIFIKASI Verge 218E 25.5±1.0 41-45 > 3.0 > 1.2 - - - - 16-24 < 10 27-32 - > 0.22 > 72 > 89 > 35

Verge 218 E
20-Jan-11 03,00 110123 Ø 1 26,10 40,90 3,61 2,02 2,17 6,91 18,96 25,97 22,17 8,93 27,0 33 0,23 0,24 72,23 90,92 41,8
Verge 218 E
20-Jan-11 04,41 110123 Ø 2 25,80 41,00 3,05 1,84 2,04 7,85 17,68 24,19 21,18 8,00 28,0 35 0,24 0,25 73,84 91,03 42,1
Verge 218 E
20-Jan-11 09,01 110124 Ø 1 26,00 42,30 3,62 2,02 2,27 7,29 14,58 21,77 18,00 8,47 30,5 39 0,24 0,25 73,63 89,65 50,3
Verge 218 E
20-Jan-11 10,33 110124 Ø 2 26,10 42,70 3,49 1,86 2,23 6,12 14,64 21,91 17,46 8,62 30,0 39 0,24 0,26 73,29 89,63 50,8
Verge 218 E
20-Jan-11 12,30 110125 Ø 1 26,30 42,80 3,67 1,61 2,19 5,43 14,64 20,82 17,67 8,75 28,0 40 0,23 0,24 73,48 89,75 48,7
Verge 218 E
20-Jan-11 14,01 110125 Ø 2 25,78 42,30 3,53 2,09 1,86 7,56 15,90 22,81 19,00 9,47 30,0 37 0,21 0,22 73,24 89,85 52,2
Verge 218 E
20-Jan-11 15,32 110126 Ø 1 26,00 43,50 3,80 1,75 2,41 5,75 15,65 23,84 18,94 11,13 28,0 34 0,21 0,21 73,69 90,21 41,3
Verge 218 E
20-Jan-11 17,03 110126 Ø 2 26,29 43,80 3,69 1,75 2,23 7,51 15,98 22,67 19,14 8,09 29,0 40 0,22 0,22 73,00 90,49 49,2
Verge 218 E
20-Jan-11 18,33 110127 Ø 1 26,00 42,20 3,69 1,88 2,21 6,02 14,92 21,71 17,98 9,97 28,0 32 0,21 0,23 73,04 90,67 46,1
Verge 218 E
20-Jan-11 20,17 110127 Ø 2 26,19 43,10 3,60 1,75 2,14 8,18 16,23 23,34 19,79 9,16 27,5 36 0,22 0,23 73,69 90,83 42,8
Verge 218 E
20-Jan-11 21,48 110128 Ø 1 26,00 41,20 3,64 1,94 2,16 7,86 16,76 24,80 20,52 11,19 27,5 37 0,22 0,22 74,21 90,78 42,0
Verge 218 E
20-Jan-11 23,18 110128 Ø 2 26,00 42,70 3,64 1,75 2,25 7,42 15,34 20,50 17,59 7,94 28,0 37 0,23 0,23 72,60 90,80 43,7
Verge 218 E
21-Jan-11 00,48 110129 Ø 1 26,20 42,60 3,70 1,72 2,24 7,76 17,20 22,50 19,92 6,72 29,5 38 0,23 0,24 74,32 91,00 51,1
Verge 218 E
21-Jan-11 02,40 110129 Ø 2 26,13 41,90 3,44 1,60 2,06 8,06 17,30 26,50 21,24 9,83 27,0 37 0,24 0,25 74,39 91,20 45,5

74
 75

Verge 218 E
21-Jan-11 04,11 110130 Ø 1 26,20 42,00 3,57 1,80 2,11 7,37 16,00 23,63 19,91 8,66 27,5 37 0,22 0,23 73,42 91,30 43,0
Verge 218 E
21-Jan-11 05,42 110130 Ø 2 25,98 42,40 3,60 1,84 2,02 7,91 17,09 23,55 20,39 8,24 28,5 38 0,22 0,22 73,94 91,27 42,0
Verge 218 E
21-Jan-11 07,07 110131 Ø 1 26,00 41,80 3,59 1,83 2,17 6,63 15,77 22,35 19,57 8,46 28,0 37 0,21 0,23 74,25 91,15 39,9
Verge 218 E
21-Jan-11 09,04 110131 Ø 2 26,11 43,30 4,33 1,80 2,18 6,90 13,07 19,10 16,30 8,90 28,0 36 0,22 0,23 74,50 91,13 42,6
Verge 218 E
21-Jan-11 10,34 110132 Ø 1 26,00 42,70 3,76 1,78 2,23 5,46 17,42 24,88 21,16 8,58 29,0 36 0,24 0,26 72,38 90,90 44,0
Verge 218 E
21-Jan-11 12,04 110132 Ø 2 25,88 42,90 3,83 2,02 2,06 7,22 16,76 24,16 19,57 11,12 30,5 37 0,26 0,27 73,26 91,20 43,8
Verge 218 E
21-Jan-11 12,45 110133 Ø 1 26,00 42,40 3,54 1,94 1,98 6,83 16,63 23,03 19,89 10,02 32,0 37 0,25 0,27 74,62 91,13 44,5
Verge 218 E
24-Jan-11 18,02 110154 Ø 1 26,30 42,60 3,46 1,99 2,02 6,08 16,59 24,09 20,75 11,65 29,0 40 0,21 0,21 73,65 90,27 40,5
Verge 218 E
24-Jan-11 19,35 110154 Ø 2 26,10 42,80 3,17 1,98 2,07 8,22 15,50 21,60 18,69 9,71 26,0 40 0,23 0,25 72,67 90,08 42,1
Verge 218 E
24-Jan-11 21,10 110155 Ø 1 26,20 41,50 3,33 2,03 2,10 7,74 15,25 22,83 18,48 10,18 26,0 36 0,21 0,22 73,79 90,22 42,9
Verge 218 E
24-Jan-11 22,44 110155 Ø 2 26,11 42,10 3,33 2,16 2,04 8,09 15,09 15,09 18,56 10,48 26,0 37 0,21 0,22 72,75 90,19 44,5
Verge 218 E
25-Jan-11 00,44 110156 Ø 1 26,30 41,20 3,31 2,01 2,07 7,23 15,39 24,05 19,15 12,04 27,5 38 0,23 0,24 73,10 90,15 41,2
Verge 218 E
25-Jan-11 01,20 110156 Ø 2 26,06 41,70 3,40 2,24 2,11 5,66 13,74 23,70 18,12 12,70 30,0 38 0,22 0,23 73,49 90,14 46,1
Verge 218 E
25-Jan-11 02,43 110157 Ø 1 26,00 42,50 3,46 1,94 2,02 7,35 15,37 23,42 19,48 9,37 28,0 37 0,21 0,22 74,67 90,35 41,4
Verge 218 E
25-Jan-11 04,16 110157 Ø 2 26,00 42,60 3,40 2,03 2,52 6,32 13,63 21,14 16,99 10,91 27,5 38 0,22 0,22 72,60 90,36 44,5
Verge 218 E
25-Jan-11 06,00 110158 Ø 1 26,00 42,30 3,54 2,00 1,99 6,34 15,62 22,65 18,55 8,02 29,0 35 0,22 0,26 74,89 90,54 44,7
Verge 218 E
25-Jan-11 07,37 110158 Ø 2 26,25 43,50 3,61 2,04 2,29 5,04 13,89 20,64 17,18 9,36 27,5 40 0,21 0,23 73,59 90,45 49,0
Verge 218 E
25-Jan-11 09,32 110159 Ø 1 26,50 43,80 3,94 1,79 2,00 6,83 15,78 22,83 19,59 9,75 28,5 35 0,21 0,22 74,08 90,44 37,4
Verge 218 E
25-Jan-11 10,46 110159 Ø 2 26,79 43,70 3,83 1,83 1,90 6,25 13,42 20,91 17,98 8,99 29,0 36 0,22 0,24 73,60 90,53 42,2
Verge 218 E
25-Jan-11 11,59 110160 Ø 1 25,60 44,00 3,80 1,63 1,88 6,18 15,13 24,00 18,87 11,96 28,5 35 0,22 0,22 73,53 90,58 40,1
Verge 218 E
25-Jan-11 13,12 110160 Ø 2 26,08 43,00 3,71 1,50 1,87 6,80 14,35 27,60 19,15 14,90 30,0 38 0,22 0,23 72,67 90,59 40,6
Verge 218 E
25-Jan-11 14,25 110161 Ø 1 26,00 43,50 3,78 1,59 1,82 5,65 16,30 23,50 20,21 9,05 29,0 34 0,22 0,23 73,71 90,46 36,0
Verge 218 E
25-Jan-11 15,38 110161 Ø 2 25,37 42,80 3,56 1,74 1,76 7,14 14,94 22,57 18,94 11,20 29,5 35 0,22 0,22 71,31 90,62 36,6
Verge 218 E
25-Jan-11 17,02 110162 Ø 1 26,30 43,00 3,78 1,63 1,88 5,90 14,17 23,64 18,12 11,30 28,0 35 0,21 0,23 72,17 90,69 40,6
75
 76

Verge 218 E
25-Jan-11 18,16 110162 Ø 2 26,00 42,70 3,78 1,77 1,74 6,88 16,66 26,70 21,06 12,94 29,5 36 0,22 0,23 73,46 90,87 39,5
Verge 218 E
25-Jan-11 19,29 110163 Ø 1 26,30 43,30 3,89 1,82 1,89 5,94 15,11 22,82 19,51 11,47 30,0 35 0,22 0,22 73,46 90,89 41,1
Verge 218 E
25-Jan-11 20,43 110163 Ø 2 25,80 42,80 3,41 1,48 1,74 7,24 16,40 25,40 19,56 11,47 29,5 36 0,25 0,25 72,72 90,94 41,0
Verge 218 E
25-Jan-11 22,00 110164 Ø 1 26,00 42,60 3,73 1,70 1,81 6,82 15,84 26,26 19,79 13,35 29,5 35 0,22 0,24 73,15 91,04 41,7
Verge 218 E
25-Jan-11 23,15 110164 Ø 2 25,85 43,90 3,50 1,84 1,88 5,20 15,47 29,69 20,10 15,80 27,5 35 0,23 0,26 73,10 90,84 37,8
Verge 218 E
26-Jan-11 00,24 110165 Ø 1 26,00 41,80 3,68 1,88 1,91 6,73 13,13 21,57 16,40 10,52 27,5 36 0,22 0,23 73,39 90,72 40,8
Verge 218 E
26-Jan-11 01,30 110165 Ø 2 26,08 43,00 3,55 1,85 1,78 9,64 15,26 23,87 18,55 10,36 29,0 36 0,22 0,22 74,66 90,86 39,0
Verge 218 E
26-Jan-11 02,50 110166 Ø 1 26,00 42,30 3,60 2,16 1,77 8,96 14,24 22,55 17,00 11,79 28,0 37 0,21 0,23 73,50 90,97 43,1
Verge 218 E
26-Jan-11 04,50 110166 Ø 2 25,90 43,90 3,41 2,03 1,92 5,31 13,65 20,85 17,13 9,78 28,0 36 0,22 0,22 73,35 90,91 41,2
Verge 218 E
26-Jan-11 05,15 110167 Ø 1 26,00 42,20 3,61 1,91 1,87 6,09 13,60 22,04 16,89 11,25 27,0 37 0,21 0,22 73,69 90,79 41,0

76