UJIAN AKHIR SEMESTER

MATA KULIAH STASTISTIK YANG DIBINA Bp.Dr.KARIYOTO, SE. MM. Ak.

Oleh : SETYO PAMBUDI 110403020063

FAKULTAS TEKNOLOGI INFORMASI PROGRAM STUDI SISTEM INFORMASI UNIVERSITAS KANJURUHAN MALANG

000 .113 9.000 .916 . .40 34.67 Std. 15 15 N 15 15 SALES (JUTA RUPIAH) 205 206 254 246 201 291 234 209 204 216 245 286 312 265 322 PROMOSI (JUTA RUPIAH) 26 28 35 31 21 49 30 30 24 31 32 47 54 40 42 Sales Promosi Pearson Correlation Sig.678 Correlations Sales 1.000 .2013 REGRESI SEDERHANA PT CEMERLANG dalam beberapa bulan gencar mempromosikan sejumlah peralatan elekyronik dengan membuka outlet-outlet di berbagai daerah.916 1.000 15 15 Promosi . Deviation 41. (1-tailed) N Sales Promosi Sales Promosi Sales Promosi Analisis output bagian pertama dan kedua . Berikut data mengenai Penjualan dan Biaya promosi yang dikeluarkan di 15 daerah di Indonesia DAERAH JAKARTA TANGERANG BEKASI BOGOR BANDUNG SEMARANG SOLO YOGYA SURABAYA PURWOKERTO MADIUN TUBAN MALANG KUDUS PEKALONGAN ANALISIS Descriptive Statistics Mean 246.

68 juta • Besar hubungan antara variabel sales dengan promosi yang dihitung dengan koefisien korelasi adalah 0. Untuk sisanya (100%-83.05. • Tingkat signifikansi koefisien korelasi satu sisi dari output (diukur dari probabilitas) menghasilkan angka 0.916.839 (pengkuadratan dari koefisien korelasi. Demikian pula sebaliknya semakin kecil biaya promosi. Hal ini menunjukkan hubungan yang sangat erat (mendekati 1) diantara sales dengan biaya promosi.1%) dijelaskan oleh sebab-sebab yang lain.839 a Predictors: (Constant).4 juta dengan standar deviasi Rp 41. b Dependent Variable: Sales Model 1 Method Enter Model Summary(b) Adjusted R Square .127 R R Square . . R square berkisar pada angka 0 sampai 1 dengan catatan semkin kecil angka R square semakin lemah hubungan kedua variabel.916) menunjukkan semakin besar biaya promosi akan membuat sales cenderung meningkat.67 juta dengan standar deviasi Rp 9. Arah hubungan yang positif (tidak ada tanda negatif pada angka 0.916(a) . maka korelasi antara sales dengan promosi sangat nyata. a All requested variables entered.916 = 0.916 x 0. Hal ini disebabkan metode yang dipakai adalah single step (enter) dan bukannya stepwise.839). maka semakin kecil pula pendapatan sales. Error of the Estimate 17. Variables Entered/Removed(b) Variables Variables Entered Removed Promosi(a) . • Rata-rata biaya promosi (data sebanyak 15 buah) adalah Rp 34.11 juta. R square bisa disebut koefisien determinasi yang dalam hal ini berarti 83. • Angka R square adalah 0.9% dari variasi sales perusahaan. bisa dijelaskan oleh variabel biaya promosi.9%=16. 0.• Rata-rata sales (data sebanyak 15 buah) adalah Rp 246. Promosi b Dependent Variable: Sales Model 1 Analisis output bagian ketiga dan keempat • Tabel pertama menunjukkan variabel yang dimasukkan adalah promosi dan tidak ada variabel lain yang dikeluarkan (removed).000.826 Std. Oleh karena probabilitas jauh dibawah 0.

523 3.981. yang jauh lebih besar dari standar error of estimate yang hanya sebesar Rp 17.11 juta .523 + 3.334 3813.891 X Dimana: X = Sales Y = Biaya Promosi Keterangan: o Konstanta sebesar 111.000) jauh lebih kecil dari 0. Oleh karena probabilitas (0.328 F 67.891 a Dependent Variable: Sales (Constant) Promosi Model 1 Std.127 juta.567 8. o Koefisien regresi sebesar 3.000 Analisis output bagian kelima dan keenam • Dari uji ANOVA atau F test.473 Standardized Coefficients Beta . • Tabel selanjutnya menggambarkan persamaan regresi Y = 111. Error 16.523 menyatakan bahwa jika tidak ada biaya promosi.000(a) 23663.000 .226 Sig.127 atau Rp 17.127 juta (satuan yang dipakai adalah variabel depedent atau sales).05. maka sales adalah Rp 111. . Namun sebaliknya. Oleh karena lebih kecil dari standar deviasi sales. maka model regresi lebih bagus dalam bertindak sebagai prediktor sales daripada rata-rata sales itu sendiri. Promosi b Dependent Variable: Sales Coefficients(a) Unstandardized Coefficients B 111.000. maka model regresi ini bisa dipakai untuk memprediksi sales.982 . jika biaya promosi turun sebesar Rp 1.673 dengan tingkat signifikansi 0. Std.266 Model 1 df 1 13 14 Regression Residual Total Mean Square 19850. bahwa standar deviasi sales adalah Rp 41. ANOVA(b) Sum of Squares 19850.673 Sig. didapat F hitung adalah 67.334 293.600 a Predictors: (Constant). Error .• Standard Error of Estimate adalah 17. Perhatikan pada analisis sebelumnya.523 juta.916 t B 6. maka penjualan .891 menyatakan bahwa setiap penambahan (karena tanda +) Rp 1 biaya promosi akan meningkatkan penjualan sebesar Rp 3.

Keputusan: Oleh karena Statistik Hitung > Statistik Tabel (atau 8.891. • Uji t untuk menguji signifikansi konstanta dan dan variabel depeden (promosi). dari tabel output di atas terlihat bahwa t hitung (tertulis t) adalah 8. didapat angka 2. dimana kenaikan atau penurunan variabel independen (X) akan mengakibatkan kenaikan/penuruna variabel depeden (Y). maka Ho ditolak. Contoh uji koefisien regresi dari variabel promosi: Hipotesis: o Ho = Koefisien regresi tidak signifikan o Hi = Koefisien regresi signifikan Pengambilan keputusan: Dengan membandingkan statistik hitung dengan statistik tabel o Jika Statistik t Hitung < Statistik t Tabel. dengan kriteria: o Tingkat signifikansi (α) = 10% untuk uji DUA SISI o df (derajat kebebasan) = jumlah data – 2 atau 15 – 2 = 13 o Uji dilakukan dua sisi karena ingin mengetahui signifikan tidaknya koefisien regresi. .Jadi tanda + menyatakan arah hubungan yangs searah.1604. dan bukan mencari “lebih kecil” atau “lebih besar”.916) yang sudah dijelaskan saat membahas R adalah juga angka Standardized Coefficients (beta). o Untukregresi sederhana angka korelasi (0.diprediksi juga akan mengalami penurunan sebesar Rp 3.226. Prosedur mencari statistik tabel. Untuk t tabel dua sisi. maka Ho diterima o Jika Statistik t Hitung > Statistik t Tabel.1604). maka Ho ditolak Mencari statistik t Hitung.226 > 2.

jika pada proses uji koefisien regresi. Casewise Diagnostics(a) Predicted Value 212.681 -14. maka Ho ditolak Uji dilakukan dua sisi sehingga nilai probabilitas = 0. sedang t tabel hanya 2.17 228. persamaan regresi tetap bisa digunakan. Hal ini didapat karena angka t hitung untuk konstanta adslah 6. ternyata konstanta dinyatakan tidak valid.025.24 204.126 Sales 205 206 254 246 201 291 234 209 204 216 245 286 312 265 Residual -7.167 5. Maka Ho ditolak.757 -19.70 232.810 .942 . Juga probabilitas jauh di bawah 0.46 247.1604.025.975 -8.243 -.620 -2.523) dengan dua cara tadi dihasilkan angka konstanta yang signifikan. Residual -. sementara koefisien regresi (X) adalah valid.39 321.524 -.454 -.448 -.773 -11.025.134 8.Berdasarkan Probabilitas o Jika probabilitas > 0.000. atau promosi benar-benar berpengaruh secara signifikan terhadap Sales.62 267.68 220.899 -16.025.13 193.385 -9.336 -1.13 236.23 302. yakni 0. Demikian juga untuk analisis konstanta (111.303 13.866 7.053 -.462 6. maka Ho diterima o Jika probabilitas < 0. atau probabilitas jauh dibawah 0.150 .90 232.02 294.567.490 -. Walaupun demikian.000.124 -.24 228. atau koefisien regresi signifikan.652 .844 .025 Keputusan: Terlihat bahwa pada kolom Sig/significance adalah 0.05/2 = 0.15 Case Number 1 2 3 4 5 6 7 8 9 10 11 12 13 14 Daerah JAKARTA TANGERA NG BEKASI BOGOR BANDUN G SEMARAN G SOLO YOGYA SURABAY A PURWOK ERTO MADIUN TUBAN MALANG KUDUS Std.368 .562 -.

atau sama dengan perhitungan di atas (dengan pembulatan dua angka dibelakan koma).523 + 3.891 X Untuk biaya promosi Jakarta adalah Rp 26 juta.68 / 17.40 .448 Angka 17. atau: 205 – 212.13 dari output bagian empat (Model Summary). dan berlaku untuk semua daerah (15 buah data).748 322 274.93 47. Predicted Value . maka: Y = 11.068 a Dependent Variable: Sales Analisis output bagian ketujuh • Contoh untuk regresi daerah Jakarta Persamaan regresi Y = 111. Semakin kecil Residual angka standardized Residual akan semakin baik bagi persamaan regresi dalam memprediksi data.689 juta Terlihat pada kolom Predicted Value atau nilai yang yang diprediksi adalah 212.23 -1.000 Std.13 = -0.15 PEKALON GAN 2.68 = -7.523 + (3. Residuals Statistics(a) Minimum 193.62 1.000 N 15 15 Predicted Value Std.68.412 Maximum 321.68 juta • Kolom Std Residual atau Standardized Residual/residual yang distandardisasikan adalah hasil perhitungan: STD_RESIDUAL = Untuk daerah jakarta: -7.998 Mean 246.68 atau Rp 7. Deviation 37.891 x 26) = 212.655 1.689 atau Rp 212. • Kolom Residual adalah selisih antara Sales yang sesungguhnya dengan Sales hasil prediksi.

909 52. .711 1.068 2. Residual Stud.025 18. Deleted Residual Mahal.046 246. dan statistik residu.067 1.079 15 15 15 15 15 15 15 15 15 15 Analisis output bagian kedelapan Bagian ini berjudul Residual Statistik dan membuat ringkasan yang meliputi nilai minimum dan maksimum.79 .285 6.748 4.17 -19. mean dan standar deviasi dari predicted value (nilai yang diprediksi).010 -.394 .425 191.655 38.243 -1.128 .Standard Error of Predicted Value Adjusted Predicted Value Residual Std.000 .000 -.732 3.689 16.511 .001 .124 -1. Residual Deleted Residual Stud.000 .067 .108 .111 . Distance Cook's Distance Centered Leverage Value a Dependent Variable: Sales 4.504 .991 -1.000 10.933 .157 326.174 -20.991 .192 .964 1.423 1.84 47.748 2.

Bagian ini menggambarkan hubungan antara Nilai yang diprediksi dengan Studentized Delete Residual-nya. ke kiri bawah.Jika residual berasal dari distribusi normal. atau menaik kemudian menurun. dan pola-pola lainnya. Maka dapat dikatakan bahwa persyaratan Normalitas bisa dipenuhi. Jika model regresi layak dipakai untuk prediksi (fit). Terlihat bahwa sebaran data pada chart di atas bisa dikatakan tersebar di sekeliling garis lurus tersebut (tidak terpencar jauh dari garis lurus). Dari chart di atas terlihat sebaran data ada di sekitar titik nol (hanya data Pekalongan yang jauh di luar titik nol). serta tidak tampak adanya suatu pola tertentu pada sebaran data tersebut. . Maksud membentuk “pola tertentu” misal gambar membentuk kumpulan koordinat (titik) yang cenderung ke kanan atas. Dapat dikatakan. maka nilai-nilai sebaran data (lihat noktah dengan nama daerah) akan terletak di sekitar garis lurus. model regresi memenuhi syarat untuk memprediksi sales. maka data akan berpencar di sekitar angka nol (0 pada sumbu Y) dan tidak membentuk suatu pola atau trend garis tertentu.

Bagian ini menampilkan hubungan antara variabel sales dengan nilai prediksinya. bisa dikatakan model regresi sudah layak digunakan. Oleh karena itu. . Jika model memenuhi syarat. maka sebaran data akan berda mulai dari kiri bawah lurus ke arah kanan atas. dengan perkecualian data Pekalongan. Terlihat sebaran data di atas memang membentuk arah seperti disyaratkan.

000 .000 .000 .901 .000 .REGRESI BERGANDA PT CEMERLANG dalam beberapa bulan gencar mempromosikan sejumlah peralatan elektronik dengan membuka outlet-outlet di berbagai daerah.93 Std. Deviation 41.000 15 15 15 Promosi . Berikut data mengenai Penjualan.40 34. dan Jumlah outlet yang dikeluarkan di 15 daerah di Indonesia DAERAH JAKARTA TANGERANG BEKASI BOGOR BANDUNG SEMARANG SOLO YOGYA SURABAYA PURWOKERTO MADIUN TUBAN MALANG KUDUS PEKALONGAN SALES (JUTA RUPIAH) 205 206 254 246 201 291 234 209 204 216 245 286 312 265 322 PROMOSI (JUTA RUPIAH) 26 28 35 31 21 49 30 30 24 31 32 47 54 40 42 OUTLET ( ) 159 164 198 184 150 208 184 154 149 175 192 201 248 166 287 ANALISIS Descriptive Statistics Mean 246. .735 .67 187.735 1.001 .916 . .113 9.678 38.916 1.901 .000 .001 15 15 15 Outlet . (1-tailed) N Sales Promosi Outlet . Biaya promosi.000 . 15 15 15 N 15 15 15 Sales Promosi Outlet Pearson Correlation Sales Promosi Outlet Sales Promosi Outlet Sig.087 Correlations Sales 1.

8%) disebabkan oleh sebab-sebab yang lain. maka variabel promosi lebih berpengaruh terhadap sales dibanding variabel outlet. Oleh karena probabilitas jauh di bawah 0. Tingkat signifikansi koefisien korelasi satu sisi dari output (diukur dari probabilitas) menghasilkan angka 0. Outlet.2% dari variasi sales perusahaan bisa dijelaskan oleh variabel biaya promosi dan outlet yang disewa. Hal ini berarti 95.757 Analisis output bagian ketiga dan keempat • Tabel VARIABEL ENTERED menunjukkan bahwa tidak ada variabel yang dikeluarkan (removed).735.952.2% = 4. Error of the Estimate 9. . Variables Entered/Removed(b) Variables Variables Entered Removed Outlet. Secara teoritis.901. dengan standar deviasi • Besar hubungan antara variabel sales dengan promosi yang dihitung dengan koefisien korelasi adalah 0. • Angka R square adalah 0.976(a) .05.916. • • Terjadi korelasi yang cukup kuat antara variabel promosi dengan outlet. b Dependent Variable: Sales Model 1 Method Enter Model Summary(b) Adjusted R R R Square Square . Hal ini menandakan adanya multikolinieritas. maka korelasi di antara variabel sales dengan promosi dan outlet sangat nyata. Atau dengan kata lain. .944 a Predictors: (Constant). kedua variabel bebas dimasukkan dalam perhitungan regresi.000 atau praktis 0.Analisis output bagian pertama dan kedua • Luas outlet rata-rata (jumlah data 15 buah) adalah 187. Dan sisanya (100% 95. atau korelasi di antara variabel bebas. Promosi(a) a All requested variables entered. yaitu 0.09 . karena korelasi antara sales dan promosi lebih besar.93 38.952 . . sedangkan variabel sales dengan outlet adalah 0. Promosi b Dependent Variable: Sales Model 1 Std.

Karena probabilitas (0.930 5.297 Sig.000) jauh lebih kecil dari 0.76 juta.294 dengan tingkat signifikansi 0.892 5. didapat F hitung adalah 118. Promosi b Dependent Variable: Sales Coefficients(a) Unstandardized Coefficients Model 1 (Constant) Promosi Outlet a Dependent Variable: Sales B 64.76 atau Rp 9.299 1142. Oleh karena lebih kecil dari standar deviasi sales.112 .192 F 118.301 Model 1 df 2 12 14 Regression Residual Mean Square 11260. Error .000 .535 Std.639 + 2. yang jauh lebih besar dari standard error of estimate yang hanya Rp 9.000 . maka model regresi lebih bagus dalam bertindak sebagai prediktor sales daripada rata-rata sales itu sendiri.639 2. promosi dan luas outlet yang disewa secara bersama-sama berpengaruh terhadap sales. .600 a Predictors: (Constant).11 juta.535 X2 Dimana: Y = Sales X1 = Biaya Promosi X2 + Luas Outlet .342 . Pada analisis sebelumnya standar deviasi sales adalah Rp 41.398 . Std.000.551 .649 95.• Standard Error of Estimate adalah 9. Outlet.05.000 Analisis output bagian kelima dan keenam • Dari uji ANOVA atau F test. maka model regresi bisa dipakai untuk memprediksi sales.101 Standardized Coefficients Beta .342 X1 + 0. • Tabel selanjutnya menggambarkan persamaan regresi Y = 64.294 Sig.496 t B 4. Atau bisa dikatakan.000(a) Total 23663.76 juta (satan yang dipakai adalah variabel dependen Atau dalam hal ini sales). ANOVA(b) Sum of Squares 22521. Error 13.

atau promosi dan outlet benarbenar berpengaruh secara signifikan terhadap sales.639 juta.535. o Koefisien regresi X2 sebesar 0. Dapat dikatakan kedua koefisien regresi signifikan.342. luas outlet yang disewa akan meningkatkan sales o Uji t untuk menguji signifikansi konstanta dan variabel dependen (promosi). Hal ini sesuai dengan koefisien regresi (yang adalah nilai slope) Promosi yang positif. o Koefisien regresi X1 sebesar 2.o Konstanta sebesar 64.343 menyatakan bahwa setiap penambahan (karena tanda +) Rp 1 biaya promosi akan meningkatkan sales sebesar Rp 2.025. dan jika ditarik garis lurus akan didapat slope yang positif.535 menyatakan bahwa setiap penambahan (karena tanda +) 1 sebesar Rp 0. Terlihat pada angka SIG atau signifikansi yang jauh dibawah 0. Gambar hubungan Sales dengan Promosi Terlihat bahwa sebaran data membentuk arah ke kanan atas. .639 menyatakan bahwa jika tidak ada biaya promosi atau outlet yang disewa perusahaan. maka sales adalah Rp 64.

.Gambar hubungan Sales dengan Outlet Terlihat bahwa sebaran data membentuk arah ke kanan atas. Hal ini sesuai dengan koefisien regresi (yang adalah nilai slope) Outlet yang positif. dan jika ditarik garis lurus akan didapat slope yang yang positif.

Sign up to vote on this title
UsefulNot useful