Asistensi 3 Modul 1 Kelompok 15 REV

LAPORAN PRAKTIKUM STATISTIKA INDUSTRI
MODUL 1
KORELASI DAN REGRESI LINIER
Disusun Oleh:
Kelompok 15
1. Nirtalia Ananda Oktavia 21070120120010

2. Finatiyani Mei Puspitasari 21070120120017
3. Wintang Kirono 21070120120039
4. Radytian Deiwantara 21070120140090
DEPARTEMEN TEKNIK INDUSTRI

FAKULTAS TEKNIK UNIVERSITAS DIPONEGORO
SEMARANG
2022
LEMBAR PENGESAHAN
LAPORAN PRAKTIKUM STATISTIKA INDUSTRI
MODUL 1
KORELASI DAN REGRESI LINIER
Semarang, 18 Maret 2022
Asisten,
Fauzan Akbar Akhsan

NIM. 21070119130128
Mengetahui,
Koordinator Praktikum
Aga Tertia Putra Hendratno

NIM. 21070119120028
KATA PENGANTAR
Puji syukur kami panjatkan kehadirat Tuhan Yang Maha Esa yang telah
melimpahkan rahmat dan karunia–Nya kepada kami, sehingga kami dapat
menyelesaikan Laporan Praktikum Statistika Industri Modul 1 tentang Korelasi dan
Regresi Linier ini dengan baik, lancar, tepat waktu dan sesuai dengan tujuan yang ingin
dicapai dari pembuatan laporan ini.
Kami dari kelompok 15 mengucapkan terima kasih kepada seluruh pihak yang
telah membantu kami dalam penyusunan laporan praktikum Statistika Industri ini. Oleh
karena itu, dikesempatan ini kami ucapkan terima kasih yang sebesar-besarnya kepada:
1. Dosen pengampu mata kuliah Statistika Industri, Ibu Prof. Dr. Aries
Susanty, S.T., M.T.;
2. Kak Aga Tertia Putra Hendratno selaku koordinator praktikum Statistika
Industri;
3. Seluruh asisten Laboratorium OPSI, khususnya Kak Fauzan Akbar
Akhsan selaku asisten dari kelompok 15;
4. Teman satu kelompok kami dan teman – teman Teknik Industri 2020;
5. Pihak -pihak yang tidak dapat kami sebutkan satu per satu.
Demikian harapan kami, semoga laporan praktikum ini dapat memberikan
manfaat bagi kami dan juga tentunya bagi pembaca. Adanya saran yang membangun
dari pembaca untuk perbaikan laporan selanjutnya sangat dihargai, kami ucapkan
terima kasih.
Semarang, 18 Maret 2022
Kelompok 15
iii
DAFTAR ISI
KATA PENGANTAR.....................................................................................................iii
DAFTAR ISI....................................................................................................................iv
DAFTAR GAMBAR.....................................................................................................viii
DAFTAR TABEL............................................................................................................ix
BAB I PENDAHULIAN.................................................................................................1
1.1 Latar Belakang....................................................................................................1
1.2 Tujuan Praktikum................................................................................................2
1.3 Pembatasan Penelitian.........................................................................................2
1.4 Sistematika Penulisan..........................................................................................3
BAB II TINJAUAN PUSTAKA.......................................................................................5
2.1 Korelasi...............................................................................................................5
2.1.1 Koefisien Korelasi...............................................................................................6
2.1.2 Koefisien Determinasi.........................................................................................7
2.2 Uji Asumsi Klasik...............................................................................................7
2.2.1 Uji Normalitas.....................................................................................................8
2.2.2 Uji Linieritas.......................................................................................................9
2.2.3 Uji Autokorelasi................................................................................................10
2.2.4 Uji Heteroskedastisitas......................................................................................12
2.2.5 Uji Multikolinearitas.........................................................................................13
2.3 Regresi...............................................................................................................14
2.3.1 Regresi Linier Sederhana..................................................................................16
2.3.2 Regresi Linier Berganda....................................................................................17
2.3.3 Selang Kepercayaan..........................................................................................18
2.4 Persamaan Garis Regresi...................................................................................19
2.5 Seleksi Variabel.................................................................................................21
2.6 Penerapan Korelasi dan Regresi di Bidang Industri..........................................22
BAB III METODE PRAKTIKUM.................................................................................24
3.1 Flowchart Metode Praktikum...........................................................................24
iv
3.2 Penjelasan Flowchart........................................................................................24
BAB IV PENGUMPULAN DAN PENGOLAHAN DATA..........................................26
4.1 Korelasi dan Regresi Linier Sederhana.............................................................26
4.1.1 Data Model........................................................................................................26
4.1.2 Uji Asumsi Klasik.............................................................................................28
4.1.3 Korelasi.............................................................................................................33
4.1.3.1 Koefisien Korelasi Pearson...............................................................................33
4.1.3.2 Uji Hipotesis......................................................................................................37
4.1.4 Regresi Linier Sederhana..................................................................................38
4.1.4.1 Slop....................................................................................................................38
4.1.4.2 Intersep..............................................................................................................39
4.1.4.3 Persamaan Garis Regresi...................................................................................40
4.1.5 Kesalahan Baku.................................................................................................42
4.1.5.1 Taksiran Kesalahan Baku dari Regresi Linier Sederhana.................................42
4.1.5.2 Taksiran Kesalahan Baku dari Parameter Slop.................................................44
4.1.5.3 Taksiran Kesalahan Baku dari Parameter Intersep...........................................45
4.1.6.1 Selang Kepercayaan Slop..................................................................................47
4.1.6.2 Selang Kepercayaan Intersep............................................................................48
4.1.7 Uji Hipotesis......................................................................................................50
4.1.7.1 Uji Hipotesis Slop.............................................................................................50
4.1.7.2 Uji Hipotesis Intersep........................................................................................50
4.1.8 Validasi..............................................................................................................51
4.1.8.1 Koefisien Determinasi.......................................................................................51
4.1.8.2 Pengujian Garis Regresi....................................................................................53
4.1.8.3 Pengujian Hasil Regresi....................................................................................55
4.2 Korelasi dan Regresi Linier Berganda..............................................................61
4.2.1 Data Model........................................................................................................61
4.2.2 Uji Asumsi Klasik.............................................................................................63
4.2.3 Korelasi.............................................................................................................71
4.2.3.1 Koefisien Korelasi Pearson...............................................................................71
v
4.2.3.2 Uji Hipotesis......................................................................................................78
4.2.4 Regresi Linier Berganda....................................................................................82
4.2.4.1 Slop....................................................................................................................82
4.2.4.2 Intersep..............................................................................................................85
4.2.4.3 Persamaan Garis Regresi...................................................................................88
4.2.5 Kesalahan Baku.................................................................................................89
4.2.5.1 Taksiran Kesalahan Baku dari Regresi Linier Sederhana.................................89
4.2.5.2 Taksiran Kesalahan Baku dari Parameter Slop.................................................92
4.2.5.3 Taksiran Kesalahan Baku dari Parameter Intersep...........................................94
4.2.6.1 Selang Kepercayaan Slop..................................................................................96
4.2.6.2 Selang Kepercayaan Intersep............................................................................98
4.2.7 Uji Hipotesis......................................................................................................99
4.2.7.1 Uji Hipotesis Slop.............................................................................................99
4.2.7.2 Uji Hipotesis Intersep......................................................................................101
4.2.8 Validasi............................................................................................................102
4.2.8.1 Koefisien Determinasi.....................................................................................102
4.2.8.2 Pengujian Garis Regresi..................................................................................103
4.2.8.3 Pengujian Hasil Regresi..................................................................................105
4.3 Seleksi Variabel...............................................................................................111
4.3.1 Forward...........................................................................................................111
4.3.2 Backward.........................................................................................................112
4.3.3 Stepwise...........................................................................................................113
BAB V ANALISIS........................................................................................................115
5.1 Korelasi dan Regresi Linier Sederhana...........................................................115
5.1.1 Uji Asumsi Klasik...........................................................................................115
5.1.2 Koefisien Korelasi Sampel..............................................................................116
5.1.3 Regresi Linier Sederhana................................................................................117
5.1.4 Kesalahan Baku...............................................................................................119
5.1.4.1 Taksiran Kesalahan Baku dari Regresi Linier Sederhana...............................119
5.1.4.2 Taksiran Kesalahan Baku dari Slop................................................................119
vi
5.1.4.3 Taksiran Kesalahan Baku dari Intersep...........................................................120
5.1.5 Selang Kepercayaan........................................................................................120
5.1.5.1 Selang Kepercayaan Slop................................................................................120
5.1.5.2 Selang Kepercayaan Intersep..........................................................................121
5.1.6 Validasi............................................................................................................121
5.1.6.2 Uji T dan F......................................................................................................121
5.2 Korelasi dan Regresi Linier Berganda............................................................122
5.2.1 Uji Asumsi Klasik...........................................................................................122
5.2.2 Koefisien Korelasi Sampel..............................................................................124
5.2.3 Regresi Linier Berganda..................................................................................124
5.2.4 Kesalahan Baku...............................................................................................126
5.2.4.1 Taksiran Kesalahan Baku dari Regresi Linier Berganda................................126
5.2.4.2 Taksiran Kesalahan Baku dari Slop................................................................126
5.2.4.3 Taksiran Kesalahan Baku dari Intersep...........................................................127
5.2.5 Selang Kepercayaan........................................................................................127
5.2.5.1 Selang Kepercayaan Slop................................................................................127
5.2.5.2 Selang Kepercayaan Intersep..........................................................................128
5.2.6 Seleksi Variabel...............................................................................................129
5.2.7 Validasi............................................................................................................130
5.2.7.2 Uji T dan F......................................................................................................130
BAB VI KESIMPULAN DAN SARAN.......................................................................131
6.1 Kesimpulan......................................................................................................131
6.2 Saran................................................................................................................134
DAFTAR PUSTAKA
LAMPIRAN
vii
DAFTAR GAMBAR
Gambar 2. 1 Output Uji Normalitas................................................................................24

Gambar 2. 2 Output Uji Linieritas...................................................................................10
Gambar 2. 3 Output Uji Autokorelasi.............................................................................11
Gambar 2. 4 Output Uji Heteroskedastisitas...................................................................13
Gambar 2. 5 Output Uji Multikolinearitas......................................................................14
Gambar 2. 6 Jenis Garis Regresi.....................................................................................21
Gambar 3. 1 Flowchart Metode Praktikum.....................................................................24

Gambar 4. 1 Output Uji Normalitas dengan Minitab......................................................29
Gambar 4. 2 Plot Data Majemuk Minitab.......................................................................65
Gambar 4. 3 Grafik Histogram Seleksi Variable Metode Forward SPSS.....................112
Gambar 4. 4 Grafik Histogram Seleksi Variable Metode Backward SPSS..................113
Gambar 4. 5 Grafik Histogram Seleksi Variable Metode Stepwise SPSS...................114
viii
DAFTAR TABEL
Tabel 4. 1 Data Regresi Linier Sederhana......................................................................26

Tabel 4. 2 Output Software SPSS pada Perhitungan Uji Linieritas................................28
Tabel 4. 3 Output uji Normalitas dengan SPSS..............................................................29
Tabel 4. 4 Tabel Perhitungan Manual Uji Autokorelasi..................................................31
Tabel 4. 5 Output Software SPSS pada Perhitungan Uji Autokorelasi...........................32
Tabel 4. 6 Hasil Uji Heterokedastisitas dengan SPSS.....................................................33
Tabel 4. 7 Perhitungan Koefisien Korelasi Person Sederhana Manual...........................34
Tabel 4. 8 Output Koefisien Korelasi dengan Software SPSS........................................36
Tabel 4. 9 Output Koefisien Korelasi Pearson dengan Sofware Excel...........................36
Tabel 4. 10 Garis Regresi Linier Sederhana (Slop) dengan SPSS..................................38
Tabel 4. 11 Garis Regresi Linier Sederhana (Slop) dengan Excel..................................39
Tabel 4. 12 Garis Regresi Linier Sederhana (Intersep) dengan SPSS.............................40
Tabel 4. 13 Garis Regresi Linier Sederhana (Intersep) dengan Excel............................40
Tabel 4. 14 Garis Regresi Linier Sederhana dengan SPSS.............................................41
Tabel 4. 15 Garis Regresi Linier Sederhana dengan Excel.............................................42
Tabel 4. 16 Taksiran Kesalahan Baku dari Regresi Linier Sederhana Output Software
SPSS................................................................................................................................43
Tabel 4. 17 Taksiran Kesalahan Baku dari Regresi Linier Sederhana Output Software
Excel................................................................................................................................43
Tabel 4. 18 Taksiran Kesalahan Baku dari Parameter Slop Output Software SPSS.......44
ix
Tabel 4. 19 Taksiran Kesalahan Baku dari Parameter Slop Output Software Excel......45
Tabel 4. 20 Taksiran Kesalahan Baku dari Parameter Intersep Output Software SPSS. 46
Tabel 4. 21 Taksiran Kesalahan Baku dari Parameter Intersep Output Software Excel. 46
Tabel 4. 22 Selang Kepercayaan Parameter ∝ output SPSS...........................................47
Tabel 4. 23 Tabel Perhitungan Selang Kepercayaan Menggunakan Excel.....................48
Tabel 4. 24 Perbandingan Selang Kepercayaan β Data Sederhana.................................48
Tabel 4. 25 Tabel Perhitungan Selang Kepercayaan Pada Parameter ∝ Menggunakan
SPSS................................................................................................................................49
Tabel 4. 26 Tabel Perhitungan Selang Kepercayaan Pada Parameter ∝ Menggunakan
Excel................................................................................................................................49
Tabel 4. 27 Perbandingan Selang Kepercayaan ∝ Data Sederhana................................49
Tabel 4. 28 Hasil Perhitungan Koefisien Determinasi Dengan Software SPSS.............52
Tabel 4. 29 Hasil Perhitungan Koefisien Determinasi Dengan Software Excel.............52
Tabel 4. 30 Perbandingan Koefisien Determinasi Data Sederhana.................................53
Tabel 4. 31 Hasil Perhitungan Dengan Menggunakan Software SPSS...........................54
Tabel 4. 32 Hasil Perhitungan Dengan Menggunakan Software Excel..........................54
Tabel 4. 33 Perbandingan Nilai F Data Sederhana..........................................................55
Tabel 4. 34 Perhitungan Manual Uji Regresi Data Sederhana........................................56
Tabel 4. 35 Pehitungan T-hitung Dengan Software SPSS..............................................58
Tabel 4. 36 Pehitungan T-hitung Dengan Software Excel..............................................59
Tabel 4. 37 Perbandingan Nilai Uji T Data Sederhana...................................................59
Tabel 4. 38 Perhitungan F Dengan Software Microsoft Excel........................................60
Tabel 4. 39 Perbandingan Nilai Uji F Data Sederhana...................................................61
Tabel 4. 40 Data Regresi Linier Majemuk......................................................................61
Tabel 4. 41 Uji Linieritas Data Majemuk SPSS (1)........................................................63
Tabel 4. 45 Uji Normalitas Majemuk dengan SPSS.......................................................65
Tabel 4. 46 Perhitungan Uji Autokorelasi Majemuk Manual.........................................66
Tabel 4. 47 Perhitungan Uji Autokorelasi Majemuk dengan SPSS................................67
x
Tabel 4. 48 Rekapitulasi uji autokorelasi........................................................................68
Tabel 4. 49 Perhitungan uji heteroskedastisitas pada SPSS............................................69
Tabel 4. 50 Perhitungan Uji Multikolinieritas Majemuk dengan SPSS..........................70
Tabel 4. 51 rekap perhitungan uji multikolinieritas........................................................70
Tabel 4. 52 Koefisien Korelasi Pearson Regresi Majemuk.............................................71
Tabel 4. 53 Perhitungan Manual Koefisien Korelasi Regresi Majemuk.........................72
Tabel 4. 54 Koefisien Pearson Majemuk software SPSS................................................76
Tabel 4. 55 Koefisien Pearson Majemuk software Excel................................................77
Tabel 4. 56 Rekap Koefisien Pearson Majemuk.............................................................78
Tabel 4. 57 Output Koefisien Slop Regresi Majemuk pada SPSS..................................84
Tabel 4. 58 Output Koefisien Slop Regresi Majemuk pada Excel..................................85
Tabel 4. 59 Rekap hasil Perhitungan slop regresi linier majemuk..................................85
Tabel 4. 60 Perhitungan interserp majemuk dengan menggunakan Software SPSS......86
Tabel 4. 61 Perhitungan Interserp majemuk dengan menggunakan Excel.....................87
Tabel 4. 62 Rekap hasil perhitungan intersep regresi linier majemuk............................87
Tabel 4. 63 Perhitungan persamaan garis regresi majemuk dengan Software SPSS......88
Tabel 4. 64 Perhitungan persamaan garis regresi linier majemuk...................................89
Tabel 4. 65 Rekap perhitungan persamaan garis regresi.................................................89
Tabel 4. 66 Hitung manual taksiran kesalahan baku regresi linier majemuk..................90
Tabel 4. 67 Perhitungan SPSS taksiran kesalahan baku regresi linier majemuk............91
Tabel 4. 68 Perhitungan Excel taksiran kesalahan baku dari regresi linier majemuk.....92
Tabel 4. 69 Rekap perhitungan taksiran kesalahan baku dari regresi linier majemuk....92
Tabel 4. 70 Perhitungan Software SPSS kesalahan baku dari parameter slop regresi
linier majemuk.................................................................................................................93
Tabel 4. 71 Perhitungan Excel kesalahan baku dari parameter slop regresi linier
majemuk..........................................................................................................................94
Tabel 4. 72 Rekap perhitungan kesalahn baku taksiran slop regresi linier majemuk.....94
Tabel 4. 73 Perhitungan Software SPSS kesalahan baku dari parameter interserp regresi
linier majemuk.................................................................................................................95
Tabel 4. 74 Perhitungan Excel kesalahan baku dari parameter interserp regresi linier
majemuk..........................................................................................................................95
xi
Tabel 4. 75 Rekap Kesalahan Baku Parameter Intersep..................................................96
Tabel 4. 76 Selang Kepercayaan Slop SPSS...................................................................97
Tabel 4. 77 Selang Kepercayaan Slop Excel...................................................................97
Tabel 4. 78 Perbandingan Hasil Perhitungan Selang Kepercayaan Slop........................97
Tabel 4. 79 Selang Kepercayaan Intersep SPSS.............................................................98
Tabel 4. 80 Selang Kepercayaan Intersep Excel.............................................................99
Tabel 4. 81 Perbandingan Hasil Perhitungan Selang Kepercayaan Intersep...................99
Tabel 4. 82 Output Koefisien Determinasi Regresi Majemuk Software SPSS.............102
Tabel 4. 83 Ouput Koefisien Determinasi Regresi Majemuk Software Excel..............103
Tabel 4. 84 Rekapitulasi Perhitungan Koefisien Determinasi.......................................103
Tabel 4. 85 Output Pengujian Garis Regresi Software SPSS........................................104
Tabel 4. 86 Output Pengujian Garis Regresi Software Excel......................................105
Tabel 4. 87 Rekapitulasi Perhitungan Koefisien Determinasi.......................................105
Tabel 4. 88 Perhitungan Pengujian Hasil Regresi.........................................................106
Tabel 4. 89 Uji T Pada Software SPSS.........................................................................108
Tabel 4. 90 Output Pengujian Garis Regresi Majemuk pada Excel..............................109
Tabel 4. 91 Perbandingan Output Uji T Pada Software dan Manual............................109
Tabel 4. 92 Perhitungan F Dengan Software Microsoft Excel......................................110
Tabel 4. 93 Perbandingan Nilai Uji F Data Majemuk...................................................111
Tabel 4. 94 Seleksi Variable Metode Forward SPSS...................................................111
Tabel 4. 95 Seleksi Variable Metode Backward SPSS................................................112
Tabel 4. 96 Seleksi Variable Metode Stepwise SPSS..................................................113
xii
Laporan Praktikum Statistika Industri
Modul 1 – Korelasi dan Regresi Linier
Kelompok 15
BAB I
PENDAHULUAN
1.1 Latar Belakang

Statistika adalah metode yang
berhubungan dengan cara-cara pengumpulan
analisis dan penyajian data serta adanya suatu
penarikan kesimpulan berdasarkan analisis yang
dilakukan. Dalam dunia statistika sering sekali
kita menjumpai kata variabel. Variabel
merupakan suatu besaran yang dapat berubah-
ubah sehingga mempengaruhi hasil penelitian.
Variabel terbagi menjadi dua yaitu variabel
independent dan variabel dependen. Variabel
independent adalah variabel yang tidak
terpengaruh oleh keadaan apapun. Sementara
variabel dependen adalah variabel yang dapat
dipengaruhi oleh variabel lainnya. Contohnya,
misalnya curah hujan dan kelembapan yang pasti
saling terkait, dan harga bahan bakar mesin
dengan nilai tukar mata uang. Untuk mengetahui
hubungan antar permasalahan tersebut, maka
dapat dilakukan dengan melakukan suatu uji
analisis statistika yang sering disebut dengan
analisis korelasi dan regresi linier.
Analisis regresi merupakan metode
analisis statistika yang digunakan untuk
menestimasi pengaruh atau hubungan variabel
dan faktor lainnya terhadap variabel dependen.
Penerapan analisis regresi ini bisa kita lihat pada
Departemen Teknik Industri

Universitas Diponegoro
2022 1
Kelompok 15
kasus peramalan. Analisis regresi terdiri atas

beberapa macam di antaranya yaitu, regresi linier
sederhana, regresi linier majemuk, regresi
polinom, regresi dengan dummy variabel, regresi
ordinal, dan regresi logistik. Contoh dari analisis
regresi seperti pengaruh harga, kualitas, serta
brand produk terhadap kepuasan pelanggan pada
suatu produk.
Analisis korelasi adalah salah satu teknik
statistika yang digunakan untuk mengestimasi
apakah terdapat hubungan linier antara dua buah
variabel. Dalam analisis korelasi terdapat
bilangan yang menunjukan kekuatan dan arah
hubungan linier anatara. dua buah variabel yang
dinamakan koefisien korelasi. Contoh dari
analisis korealasi seperti hubungan antara harga
dengan tingkat kepuasan pelanggan pada suatu
produk tertentu.
Pada praktikum modul 1 ini menggunakan kedua analisis tersebut dalam mengolah dua
jenis data yaitu regresi linier sederhana dan data regresi majemuk. Data regresi
sederhana yang akan diolah adalah data jumlah tenaga kerja menurut Kabuparten/Kota
di provinsi Jawa Tengah pada tahun 2019. Dimana variabel dependennya adalah jumlah
industri dan variabel independennya adalah jumlah tenaga kerja. Sedangkan untuk
regresi berganda data yang akan diolah adalah Pengaruh Capital Adequancy Ratio
(CAR), Beban Operasional Pendapatan Operasional (BOPO), Loan to Deposit Ratio
(LDR), dan Non Performing Loan (NPL) terdapat kinerja keuangan bank perkreditan
rakyat di provinsi Daerah Istimewa Yogyakarta (Tahun 2016 Triwulan 4). Dimana

2022 2
Kelompok 15
variabel dependennya adalah kinerja keuangan bank, sedangkan variabel independennya

CAR, BOPO, LDR, dan NPL. Dalam pengolahan data ini, praktikan dibantu dengan
menggunakan software SPSS, Minitab, dan Microsoft Excel.
1.2 Tujuan Praktikum

Tujuan dari penulisan laporan ini adalah sebagai berikut:
1. Mengetahui dan memahami korelasi dan regresi linier.
2. Memahami teknik pengolahan data dengan menggunakan
analisis korelasi dan regresi linier dengan menggunakan
software maupun secara manual.
3. Mampu menjelaskan penerapan korelasi dan regresi di bidang
industri.
4. Mampu menginterpretasikan hasil yang diperoleh dari
korelasi dan regresi linier.
1.3 Pembatasan Penelitian

Pada praktikum korelasi dan regresi linier data yang
digunakan adalah data regresi sederhana dan data regresi
majemuk. Jenis data yang digunakan merupakan data sekunder
yang bersumber dari jurnal di situs internet. Data regresi
sederhana berupa satu varibel dependen dan satu variabel
independen. Dalam hal ini, data kelompok 15 yaitu
Data Jumlah Industri dan Tenaga Kerja Menurut
Kabupaten/Kota di Provinsi Jawa Tengah, 2019 sebagai
variabel dependen dan Pengaruh Capital Adequacy Ratio
(CAR), Beban Operasional Pendapatan Operasional (BOPO),
Loan To Deposit Ratio (LDR) Dan Non Performing Loan
(NPL) Terhadap Kinerja Keuangan Bank Perkreditan Rakyat Di
Provinsi Daerah Istimewa Yogyakarta. (Tahun 2016 Triwulan
4) sebagai variabel independen. Data regresi sederhana dan

2022 3
Kelompok 15
majemuk yang digunakan dalam praktikum modul 1 ini

masing-masing terdiri atas 35 data. Data regresi sederhana yang
akan kami olah yaitu data Data Jumlah Industri dan Tenaga
Kerja Menurut Kabupaten/Kota di Provinsi Jawa Tengah, 2019.
Sedangkan data regresi majemuk yang akan kami olah yaitu
data Pengaruh Capital Adequacy Ratio (CAR), Beban
Operasional Pendapatan Operasional (BOPO), Loan To Deposit
Ratio (LDR) Dan Non Performing Loan (NPL) Terhadap
Kinerja Keuangan Bank Perkreditan Rakyat Di Provinsi Daerah
Istimewa Yogyakarta, data data tersebut yang sudah diambil
nantinya akan di lakukan pengujian dan bila ada data yang tidak
lolos uji maka akan tetap di lanjutkan karena adanya
keterbatasan waktu. Data yang ada tersebut nantinya diolah
menggunakan Software SPSS, Minitab, Excel dan perhitungan
manual.
1.4 Sistematika Penulisan

Sistematika penulisan ini digunakan untuk
memudahkan menyampaikan setiap bagian dalam
penulisan laporan ini. Penyusunan terbagi
menjadi enam bab dan diperjelas dengan sub-sub
bab. Sistematika penulisan pada laporan ini
adalah sebagai berikut:
BAB I PENDAHULUAN
Bab ini berisi tentang latar belakang, tujuan praktikum, batasan penelitian,
dan sistematika penulisan.
BAB II TINJAUAN PUSTAKA
Bab ini membahas tentang membahas tentang teori-teori yang berhubungan
dengan korelasi dan regresi linier, antara lain pengertian korelasi, koefisien
korelasi, koefisien determinasi, uji asumsi klasik, uji normalitas, uji

2022 4
Kelompok 15
linieritas, uji autokorelasi, uji heteriskedastisitas, uji multikolinearitas,

regresi, regresi linier sederhana, regresi linier berganda, selang kepercayaan,
persamaan garus regresi, seleksi variable, serta penerapan korelasi dan
regresi di bidang industri.
BAB III METODE PRAKTIKUM

Bab ini membahas tentang tahapan-tahapan proses yang dilakukan saat
praktikum Statistika Industri modul 1 dari mulai mengidentifikasi masalah
sampai dengan kesimpulan dan saran yang ingin diberikan. Proses
digambarkan dengan flowchart dan penjelasan singkat mengenai setiap
tahapan proses.
BAB IV PENGUMPULAN DAN PENGOLAHAN DATA
Bab ini membahas tentang pengolahan data regresi linier sederhana dan
regresi linier berganda. Kemudian data tersebut akan diolah baik secara
manual dengan bantuan Excel maupun menggunakan bantuan software
SPSS dan Minitab.
BAB V ANALISIS
Bab ini membahas tentang analisis hasil pengolahan data yang berisi output
data korelasi dan regresi linier, slop, intersep, persamaan garis regresi,
tingkat kesalahan baku, selang kepercayaan, uji hipotesis, validasi dan
prediksi yang telah diuji menggunakan Microsoft Excel, Minitab dan SPSS.
BAB VI KESIMPULAN DAN SARAN
Bab ini membahas tentang kesimpulan yang didapatkan setelah melakukan
praktikum dan saran mengenai keseluruhan isi laporan dan hal-hal yang
masih perlu diperhatikan.

2022 5
Kelompok 15
BAB II
TINJAUAN PUSTAKA
2.1 Korelasi
Korelasi adalah metode statistik yang digunakan untuk mengukur besarnya
hubungan linier antara dua variabel atau lebih, tanpa memperhatikan variabel mana
yang
menjadi peubah. Korelasi tidak menunjukkan hubungan fungsional atau dengan kata
lain,
analisis korelasi tidak membedakan antara variabel dependen dengan variabel
independen (Walpole & Myers, 1995). Korelasi adalah metode statistika yang
digunakan untuk menentukan suatu besaran yang menyatakan bagaimana kuat
hubungan suatu variabel dengan variable lain dengan tidak mempersoalkan apakah
suatu variabel tertentu tergantung kepada variabel lain (Safitri, 2016). Jadi dapat
disimpulkan korelasi adalah suatu metode statistik yang menjelaskan ada tidaknya
hubungan linier antara dua variabel ataupun lebih. Tujuan dari korelasi adalah untuk
mengestimasi apakah terdapat hubungan linier antara dua buah variabel.
Variabel X dan Y dinyatakan memiliki korelasi jika X dan Y memiliki
perubahan variasi yang satu sama lain berhubungan, artinya jika variabel X berubah,
variabel Y pun berubah. Jika variabel X merupakan sebuah variabel yang bersifat
menerangkan tingkah laku variabel Y, variabel X disebut variabel bebas (independent
variable). Jika tingkah laku variabel Y diterangkan variabel X, variabel Y disebut
variabel
tidak bebas (dependet variable). Korelasi positif adalah hubungan antara variabel X dan
Y yang diwakili oleh hubungan kausal, jika nilai variabel X meningkat, nilai variabel Y
meningkat. Contohnya semakin luas lahan sawah (X) maka jumlah panen padi juga
akan meningkat (Y). Korelasi negatif adalah kebalikannya, jika nilai variabel X

2022 5
Kelompok 15
meningkat, nilai variabel Y justru menurun. Contohnya semakin tinggi jumlah pesaing
(X) maka semakin menurun jumlah penjualan (Y).
2.1.1 Koefisien Korelasi
Koefisien korelasi (r) adalah nilai yang digunakan untuk mengetahui kuat atau
tidaknya hubungan antara variabel-variabel bebas dan variabel tidak bebas (Budiwati,
Budiyono, Setyawati, & Indrawati, 2010). Koefisien korelasi merupakan koefisien yang
menggambarkan kedekatan hubungan antara dua atau lebih variabel (Wibowo &
Kurniawan, 2020). Jadi dapat disimpulkan koefisien korelasi adalah nilai yang
menunjukkan kuat tidaknya hubungan linier antar variabel.
Koefisien r memiliki nilai rentang -1< r < 1. Hubungan dua variabel sangat kuat
apabila memiliki nilai korelasi mendekati +1 dan -1. Nilai koefisien yang mendektai
nilai 0 menunjukkan hubungan antar variabel yang lemah. Dua variabel dikatakan tidak
berkorelasi apabilai nilai koefisien korelasinya sama dengan 0. Nilai koefisien r positif
(+) menunjukkan korelasi positif yang menandakan hubungan keduanya searah, yaitu
kenaikan X diikuti kenaikan Y. Sedangkan nilai koefisien r negatif (-) menunjukkan
korelasi negatif yang menandakan hubungan keduanya berbanding terbailk, yaitu
kenaikan X diikuti penurunan Y.
Berikut merupakan rumus dari koefisien korelasi (Walpole & Myers, 1995):
Jxy
r= …………………………………………………………….…… (2.1)
√ JxxJyy
Ʃxiyi
Jxy=Ʃ xiyi− ……………………………………………………….. (2.2)
n
2
2 (Ʃxi)
Jxx=Ʃ xi − ………………………………………………………... (2.3)
n
2
2 ( Ʃyi)
Jyy=Ʃ yi − ………………………………………………………... (2.4)
n
Keterangan:
n = Jumlah Sampel
xi = Data variabel independen ke-i

2022 6
Kelompok 15
yi = Data variabel dependen ke-i

2.1.2 Koefisien Determinasi
Koefisien determinasi merupakan proporsi atau persentase dari total variasi Y
yang dijelaskan oleh garis regresi. Koefisien determinasi adalah kuadrat koefisien
korelasi (Dewi, 2012). Koefisien determinasi merupakan kuadrat dari koefisien korelasi
(r 2) yang berkaitan dengan variabel bebas dan variabel terikat. Secara umum dikatakan
bahwa r 2 merupakan kuadrat korelasi antara yang digunakan sebagai predictor dan
variabel yang memberikan response (Larasati & Gilang, 2014). Dapat disimpulkan
bahwa koefisien determinasi adalah kuadrat dari koefisien korelasi yang
menggambarkan proporsi dari variabel dependen yang dijelaskan oleh variabel
independen.
Rentang nilai koefisien determinasi adalah 0 < r 2 < 1. Apabila koefisien
determinasi memiliki nilai yang kecil dapat dikatakan kemampuan variabel independen
dalam menjelaskan variasi variabel dependen terbatas. Begitu pula sebaliknya, apabila
koefisien determinasi memiliki hasil mendekati 1 dapat dikatakan variasi variabel
independen hampir dapat memberikan informasi maupun instruksi yang dibutuhkan
untuk memprediksi variasi variabel dependen. Semakin tinggi r 2 atau mendekati satu
maka model yang digunakan semakin baik.
2.2 Uji Asumsi Klasik

Asumsi klasik adalah syarat-syarat yang harus dipenuhi pada model regresi
linear ordinary least square (OLS) agar model tersebut menjadi valid sebagai alat
penduga. Terdapat berbagai macam uji asumsi klasik seperti uji normalitas, liniearitas,
autokorelasi, heterokedastisitas, multikolinearitas. Analisis dapat dilakukan tergantung
pada data yang sudah tersedia. Sebagai contoh, dilakukan analisis terhadap semua uji
asumsi klasik, lalu dilihat mana yang tidak memenuhi persyaratan. Kemudian dilakukan
perbaikan pada uji tersebut, dan setelah memenuhi persyaratan, dilakukan pengujian
pada uji yang lain.

2022 7
Kelompok 15
Uji asumsi klasik yang sering digunakan yaitu uji multikolinearitas, uji
heteroskedastisitas, uji normalitas, uji autokorelasi, dan uji linearitas. Uji normalitas
dilakukan untuk menguji apakah suatu model regresi mempunyai distribusi normal atau
tidak. Uji linearitas digunakan untuk melihat apakah model mempunyai hubungan linear
atau tidak. Uji autokorelasi muncul karena residual tidak bebas pada satu observasi ke
observasi lainnya. Uji Heteroskedastisitas yang bertujuan untuk melakukan apakah uji
sebuah model regresi terjadi ketidaknyamanan varian dari residual dalam suatu
pengamatan ke pengamatan lainnya. Dan uji multikolinearitas yang digunakan untuk
melihat ada atau tidaknya korelasi yang tinggi antara variabel variabel bebasnya. Tidak
ada ketentuan yang pasti tentang urutan uji mana dulu yang harus dipenuhi. Analisis
dapat dilakukan tergantung pada data yang ada. Sebagai contoh, dilakukan analisis
terhadap semua uji asumsi klasik, lalu dilihat mana yang tidak memenuhi persyaratan.
Kemudian dilakukan perbaikan pada uji tersebut, dan setelah memenuhi persyaratan,
dilakukan pengujian pada uji yang lain. Tidak semua uji asumsi klasik harus dilakukan
pada analisis regresi linear, misalnya uji multikolinearitas tidak dilakukan pada analisis
regresi linear sederhana dan uji autokorelasi yang tidak perlu diterapkan pada data cross
sectional. Berikut ini adalah penjelasan lebih lanjut mengenai uji asumsi klasik
(Darmanto, 2012)
2.2.1 Uji Normalitas
Uji ini digunakan untuk melihat apakah nilai residual terdistribusi normal atau
tidak. Model regresi yang baik adalah memiliki nilai residual yang terdistribusi normal.
Suatu data tidak normal biasanya disebabkan karena terdapat nilai ekstrim dalam data
yang kita ambil. Uji normalitas dapat dilakukan menggunakan analisis grafik (P-P Plot),
uji chi square, Skewness-kurtosis dan uji kolmogorov smirnov (Darmanto, 2012).
Adapun pendapat menurut Walpole (1995) yang menyebutkan Jika asumsi ini
dilanggar, maka model regresi dianggap tidak valid. Uji normalitas bisa dilakukan
dengan analisis grafik maupun dengan uji Kolmogorov Smirnov. Berikut merupakan
dasar pengambilan keputusan dalam uji normalitas Kolmogorov Smirnov:

2022 8
Kelompok 15
a. Jika nilai signifikansi lebih besar dari 0,05 maka data penelitian
berdistribusi normal
b. Sebaliknya, jika nilai signifikansi lebih kecil dari 0,05 maka data penelitian
tidak berdistribusi normal.
Berikut merupakan output dari uji normalitas:
Gambar 2. 1 Output Uji Normalitas

(Sumber: coretantoni.wordpress.com)
2.2.2 Uji Linieritas

Uji linearitas adalah uji yang dilakukan untuk mengetahui apakah di antara dua
variabel memiliki hubungan yang linear atau tidak secara signifikan. Uji ini
dipergunakan untuk melihat apakah model yang dibangun mempunyai hubungan linear
atau tidak. Uji linearitas dilakukan dengan cara mencari persamaan garis regresi
variabel independen x terhadap variabel dependen y. Bersifat linear atau tidaknya
hubungan kedua variabel tersebut dilihat dari apakah kedua variabel yang dihubungkan
membentuk suatu garis lurus. Hubungan linear ini memiliki arti bahwa setiap perubahan
yang terjadi pada salah satu variabel akan diikuti perubahan pada variabel lainnya
dengan besaran yang setara. Uji linearitas dapat menggunakan uji Durbin-Watson,

2022 9
Kelompok 15
Ramsey Test, atau uji Lagrange Multiplier. Pengujian lineritas antara variable dependen
dan independen dapat dilakukan dengan membuat plot grafik. Apabila nilai variabel
dependen membentuk suatu garis lurus, maka dinyatakan asumsi linieritas terpenuhi
(Walpole, 1995). Berikut merupakan dasar pengambilan keputusan dalam uji linearitas:
a. Jika nilai probabilitas > 0,05 makah hubungan antara variabel dependen (x)
dan variabel independen (y) adalah linear
b. Jika nilai probabilitas < 0,05 makah hubungan antara variabel dependen (x)
dan variabel independen (y) adalah tidak linear
Berikut merupakan output dari uji linearitas:
Gambar 2. 2 Output Uji Linearitas

(Sumber: tesisdisertasi.blogspot.com)
2.2.3 Uji Autokorelasi
Uji Autokorelasi adalah sebuah analisis statistik yang dilakukan untuk
mengetahui adakah korelasi variabel yang ada di dalam model prediksi dengan
perubahan waktu. Uji ini bertujuan untuk melihat apakah terjadi korelasi antara suatu
periode t dengan periode sebelumnya (t -1). Secara sederhana bahwa analisis regresi
yaitu untuk melihat pengaruh antara variabel bebas terhadap variabel terikat, jadi tidak
boleh ada korelasi antara observasi dengan data observasi sebelumnya. Sebagai contoh

2022 10
Kelompok 15
pada pengeluaran rutin dalam suatu rumah tangga, ketika pada bulan Januari suatu
keluarga mengeluarkan belanja bulanan yang relatif tinggi, maka tanpa ada pengaruh
dari apapun pengeluaran pada bulan Februari akan rendah. Ada beberapa cara untuk
mengetahui autokorelasi, yaitu dengan Uji Durbin Watson, Uji Breucsh Godfrey, Uji
Durbin Watson, dan The Engle’s ARCH Test. Dalam beberapa uji statistik yang sering
dipergunakan adalah uji Durbin-Watson. Dasar pengambilan keputusan ada tidaknya
autokorelasi adalah sebagai berikut (Darmanto, 2012):
a. Jika nilai d (durbin watson) lebih kecil dari nilau dl atau nilai d (durbin
watson) lebih besar dari 4 dikurangi dl maka dapat disimpulkan adanya
autokorelasi.
b. Jika nilai d (durbin watson) terletak di antara nilai du dan 4- du maka tidak
terdapat autokorelasi
c. Jika nilai d (durbin watson) terletak diantara dl dan du atau d (durbin watson)
berada di antara 4-du dan 4-dl maka tidak ada keputusan adanya autokorelasi
atau tidak.
Uji autokorelasi hanya dilakukan pada data time series (runtut waktu) dan tidak
perlu dilakukan pada data cross section seperti pada kuesioner di mana pengukuran
semua variabel dilakukan secara serempak pada saat yang bersamaan. Sebab yang
dimaksud dengan autokorelasi sebenarnya adalah sebuah nilai pada sampel atau
observasi tertentu sangat dipengaruhi oleh nilai observasi sebelumnya. Berikut
merupakan contoh output uji autokorelasi:
Gambar 2. 3 Output Uji Autokorelasi

2022 11
Kelompok 15
(Sumber: aiklasik.blogspot.com)
Pengujian Autokorelasi dapat dilihat hasil yang diperoleh nilai DW sebesar
2,111 berdasarkan tabel Durbin Watson untuk nilai dl = 1,213 dan du = 1,643 maka dari
nilai DW = 2,111 tersebut berada diantara 1,643 dan 4 - 1,643 = 2,351. sehingga kita
dapat menyimpulkan bahwa tidak tedapat autokorelasi. maka dapat disimpulan bahwa
tidak ada kecenderungan terjadi autokorelasi positif maupun negatif pada uji
autokorelasi.
2.2.4 Uji Heteroskedastisitas
Uji Heteroskedastisitas adalah uji yang menilai apakah ada ketidaksamaan
varian dari residual untuk semua pengamatan pada model regresi linear. Uji ini
merupakan salah satu dari uji asumsi klasik yang harus dilakukan pada regresi linear.
Uji ini bertujuan untuk melihat apakah terdapt ketidaksamaan variansi dari residual satu
ke pengamatan yang lain. Model regresi yang memenuhi persyaratan adalah di mana
terdapat kesamaan variansi dari residual satu pengamatan ke pengamatan yang lain tetap
atau disebut homoskedastisitas. Dampak yang akan terjadi apabila terdapat keadaan
heteroskedastisitas adalah sulit mengukur standart deviasi yang sebenarnya, dapat
menghasilkan standart deviasi yang terlalu lebar maupun terlalu sempit. Jika tingkat
error dari varians terus bertambah, maka tingkat kepercayaan akan semakin sempit
(Darmanto, 2012).
Gasperz, Vincent (1991) mengatakan bahwa heteroskedastisitas dapat
mengakibatkan pendugaan parameternya tidak efisien sehingga tidak mempunyai ragam
minimum. Karena pendugaan parameter dianggap efisien karena memiliki ragam yang
minimum, sehingga ragam galat bersifat konstan atau disebut juga bahwa asumsi
homoskedastisitas terpenuhi.
Deteksi heteroskedastisitas dapat dilakukan dengan metode scatter plot dengan
memplotkan nilai ZPRED dengan SRESID. Model yang baik didapatkan jika tidak
didapatkan jika tidak terdapat pola tertentu pada grafik. Uji statistik yang dapat
dilakukan adalah uji glejser, uji park, atau uji white. Uji glejser mengusulkan untuk

2022 12
Kelompok 15
meregres nilai absolut residual terhadap variabel independen. Uji Park adalah uji yang
dilakukan dengan meregresikan nilai log residual kuadrat sebagai variabel dependen
dengan variabel independennya. Sedangkan Uji white dapat dilakukan dengan meregres
residual kuadrat (ei²) dengan variabel bebas, variabel bebas kuadrat dan perkalian
variabel bebas. Adapun uji spearman yang merupakan metode korelasi untuk mengukur
keeratan hubungan antara dua variabel sekaligus untuk mencari hubungan atau untuk
menguji signifikansi hipotesis asosiatif bila masing-masing variabel yang dihubungkan
berbentuk Ordinal (Darmanto,2012). Berikut merupakan contoh output uji
heteroskesdastisitas:
Gambar 2. 4 Output Uji Heteroskedastisitas

(Sumber: statistikian.com)
2.2.5 Uji Multikolinearitas
Merupakan salah satu uji dari uji asumsi klasik yang merupakan pengujian yang
dilakukan untuk mengidentifikasi suatu model regresi dapat dikatan baik atau tidak.
Secara konsep, multikolinearitas adalah situasi dimana terdapat dua variabel yang saling

2022 13
Kelompok 15
berkolerasi. Adanya hubungan diantara variabel bebas adalah hal yang tak bias dihindari
dan memang diperlukan agar regresi yang diperoleh bersifat valid. Namun, hubungan
yang bersidat linear harus dihindari karena akan menimbulkan gagal estimasi
(multikolinearitas sempurna) atau sulit dalam inferensi (multikolinearitas tidak
sempurna).
Uji ini bertujuan untuk melihat ada atau tidaknya korelasi yang tinggi antara
variabel-variabel bebas dalam suatu model regresi linear berganda. Jika ada korelasi
yang tinggi di antara variabel-variabel bebasnya, maka hubungan antara variabel bebas
terhadap variabel terikatnya menjadi terganggu. Jadi tidak boleh ada korelasi yang
tinggi antara motivasi dengan kepemimpinan, motivasi dengan kepuasan kerja atau
antara kepemimpinan dengan kepuasan kerja.
Untuk menemukan terdapat atau tidaknya multikolinearitas pada model regresi
dapat diketahui dari nilai toleransi dan nilai Variance Inflation Factor (VIF). Nilai
tolerance mengukur variabilitas dari variabel bebas yang terpilih yang tidak dapat
dijelaskan oleh variabel bebas lainnya. Jadi nilai tolerance rendah sama dengan nilai
VIF tinggi, dikarenakan VIF = 1/tolerance, dan menunjukkan terdapat kolinearitas yang
tinggi. Nilai cut off yang digunakan adalah untuk nilai tolerance 0,10 atau nilai VIF
diatas angka 10. Beikut merupakan output dari uji multikolinearitas:
Gambar 2. 5 Output Uji Multikolinearitas

(Sumber: redhart.blogspot.com)
Berdasarkan hasil uji multikolinearitas diatas, dapat dilihat pada table
Collinearity Statistics dapat diketahui bawhwa nilai VIF kurang dari 10 dan nilai

2022 14
Kelompok 15
toleransi lebih dari 0,1, maka dapat disimpulkan bahwa tidak terjadi masalah
multikolinearitas.
2.3 Regresi
Analisis regresi berhubungan dengan studi tentang ketergantungan dari sebuah
variabel yang dinamakan variabel tak bebas (dependent variable), terhadap satu variabel
yang menerangkan dengan tujuan memprediksi atau memperkirakan nilai-nilai variabel
tak bebas apabila nilai variabel yang menerangkan telah diketahui. Variabel yang
menerangkan itu dinamakan variabel bebas (independet variable). Dalam mempelajari
hubungan-hubungan variabel, terdapat dua analisis yakni analisis regresi sederhana
(simple regression) dan analisis regresi berganda (multiple regression) (Galton,2010).
Syarat-syarat regresi linear sederhana ialah sebagai berikut:
1. Terdiri dari satu variabel bebas (x) dan satu variabel terikat (y).
2. Variabel bebas dan variabel terikat bersifat kuantitatif.
3. Data yang digunakan berskala interval atau rasio dan berdistribusi normal.
Jenis-jenis analisis regresi ialah sebagai berikut (Kismiantini, 2010):
1. Regresi linear sederhana, yaitu regresi yang memiliki satu variabel bebas dan
satu variabel terikat, dan keduanya bersifat kuantitatif.
2. Regresi linear majemuk, yaitu regresi yang memiliki lebih dari satu variabel
bebas, dan satu variabel terikat, dan keduanya juga bersifat kuantitatif.
3. Regresi logistik, yaitu regresi yang variabel terikatnya bersifat kualitatif dan
variabel bebasnya bersifat kuantitatif
4. Regresi dengan dummy variabel, yaitu regresi dengan menggunakan dummy,
variabel terikatnya bersifat kuantitatif, dan variabel bebasnya bersifat
kualitatif.
Dalam regresi dikenal adanya dua jenis peubah, yaitu:
1. Peubah bebas (independent variable)

2022 15
Kelompok 15
Peubah bebas adalah variabel/ peubah yang nilai-nilainya tidak bergantung

pada variabel lainnya, biasanya disimbolkan dengan X dan digunakan untuk
meramalkan atau menerangkan nilai variabel yang lain.
2. Peubah terikat (dependent variable)
Peubah terikat adalah variabel/ peubah yang nilai-nilainya bergantung pada
variabel lainnya, biasanya disimbolkan dengan Y dan merupakan variabel
yang diramalkan atau diterangkan nilainya.
2.3.1 Regresi Linier Sederhana
Analisis regresi linier sederhana mengestimasi hubungan variabelnya, dimana
hanya terdapat dua variabel (satu variabel independen & satu variabel dependen)
(Walpole, 1995). Sementara pada hubungan non linier, perubahaan variabel X tidak
diikuti dengan perubahaan variabel Y secara proporsional. seperti pada model
kuadratik, perubahan X diikuti oleh kuadrat dari variabel X. Hubungan demikian tidak
bersifat linier. Syarat dari regresi linier sederhana antara lain: tidak boleh terjadi
multikolinieritas, tidak terjadi otokorelasi, terdapat hubungan linier antara variabel
bebas (X) dan variabel tergantung (Y), data harus berdistribusi normal, data berskala
interval atau rasio, terdapat hubungan dependensi, artinya satu variabel merupakan
variabel tergantung yang tergantung pada variabel lainnya.
Persamaan umum:
Y’ = a + bx….........………………………………………………………… (2.5)
Y’ = variabel dependen yang diprediksikan
a = angka konstan/harga Y bila X=0
b = peningkatan/penurunan variabel dependen yang didasarkan pada variabel
independen x = nilai variabel independen
Untuk menaksir nillai a dan b digunakan metode Ordinary Least Squre (OLS) yang
memberikan nilai a dan b ssebagai berikut
n
b=n ∑ xiyi−¿ ¿ ¿.........................................................................................................(2.6)
i=1

2022 16
Kelompok 15
n n
∑ yi−b ∑ xi ........................................................................................................(2.7)
a= i=1 i=1
n
Contohnya Seorang mahasiswa bernama Hermawan ingin meneliti tentang
pengaruh biaya promosi terhadap volume penjualan pada perusahaan jual beli motor.
Dengan ini di dapat variabel dependen (Y) adalah volume penjualan dan variabel
independen (X) adalah biaya promosi. Dengan ini Hermawan menganalisis dengan
bantuan program SPSS dengan alat analisis regresi linear sederhana.
2.3.2 Regresi Linier Berganda
Pada Regresi Linear Majemuk tedapat satu variabel terikat dan lebih dari satu
variabel bebas. Contoh, ketika melakukan penelitian tentang pengaruh pendapatan (x)
terhadap konsumsi (y) dapat dilakukan dengan regresi sederhana. Sedangkan apabila
ada variabel lain yang mempengaruhi seperti faktor jenis kelamin, pendidikan dll, maka
menggunakan regresi linear majemuk. Hal ini bisa dikatakan bahwa regresi linear
majemuk menutupi kelemahan dari regresi linear sederhana yang hanya bisa satu
variabel bebas saja.(Kurniawan, 2006)
Syarat regresi linear majemuk antara lain:
a. Data interval atau rasio
b. Data berdistirbusi normal
c. Data bersifat linear
d. Data homogen
Berikut merupakan model dasar dari regresi linier majemuk.
y=α + β 1 x 1 + β 2 x 2 + β 3 x 3 + β n x n………………………………………… (2.8)
Keterangan:
y = nilai variabel dependen
α = intersep
β1,2, …n = slop

2022 17
Kelompok 15
x1,2, …n = nilai variabel independen

Contoh kasus dari regresi linier majemuk dalam kehidupan sehari-hari yaitu
seorang peneliti meneliti faktor-faktor yang mempengaruhi jumlah produk yang cacat di
perusahaan tempat dia bekerja. Dalam penelitiannya, peneliti ingin mengetahui
hubungan antara suhu ruangan dan jumlah job terhadap banyaknya produk yang cacat.
Dengan bantuan program SPSS, peneliti dapat menganalisis bahwa variabel dependen
(y) adalah jumlah produk yang cacat, sedangkan variabel independen (x1 dan x2_
adalah suhu ruangan dan jumlah job.
2.3.3 Selang Kepercayaan
Distribusi berbagai penaksir akan digunakan untuk mendapatkan taksiran selang
berbagai parameter, atau biasa disebut dengan Selang Kepercayaan. Berikut jenis-jenis
dari selang kepercayaan (Walpole, 1995):
a. Selang kepercayaan 100(1-α) % untuk b0
b 0−t a penaksir simpangan baku b0 ¿ β 0 ¿ b 0 +t a penaksir simpangan baku b0
n−2,1− n−2,1 −
2 2
b. Selang kepercayaan 100(1-α) % untuk b1

b 1−t a penaksir simpangan baku b1 ¿ β 1 ¿ b1 +t a penaksir simpangan baku b1
n −2,1− n−2,1−
2 2
c. Selang kepercayaan 100(1-α) % untuk y0

Apabila diketahui atau ditentukan nilai redictor bebas sebesar X0, dan X0
merupakan nilai redictor yang digunakan untuk eksperimen, maka penaksir
atau dugaan nilai respon dinyatakan oleh persamaan berikut
^y 0=b0 +b1 x 0………………………………………………….……… (2.9)
d. Selang prediksi 100(1-α) % untuk y0
Selanjutnya, bila diketahui atau ditentukan nilai variabel bebas sebesar X0,
dan X0 bukan merupakan nilai pre-diktor yang digunakan untuk eksperimen,
ˆ
maka didapatkan penaksir atau dugaan nilai respon, yaitu Y0 sebesar:
^y 0=b0 +b1 x 0………………………………………………….…… (2.10)

2022 18
Kelompok 15
Berikut merupakan dua jenis selang kepercayaan berdasarkan jenis persamaan

regresinya.
 Regresi Sederhana
Selang kepercayaan pada regresi sederhana ada dua, yaitu selang
kepercayaan untuk parameter 𝛼 dan 𝑏 (Walpole, 1995). Selang kepercayaan
untuk parameter b dalam persamaan regresi Y = 𝛼 + 𝑏x dihitung dengan:
[ ]
tα s tα s
2 2 …………………… (2.11)
P b− < β <b+ =( 1−α ) 100 %
√ Jxx √ Jxx
Dan untuk parameter 𝛼 dihitung dengan:
[ √∑ √∑ ]
s n s n
tα 2 tα 2
. xi . xi
2 i=1 2 i=1
......(2.12)
P a− < α <a+ =( 1−α ) 100 %
√ nJxx √ nJxx
Selang kepercayaan untuk regresi sederhana dapat dihitung dengan:
√ √
2 2
tα 1 ( x 0−x ) tα 1 ( x 0−x ) . (2.13)
ŷ 0− Se 1+ + < μ YX < ŷ 0+ Se 1+ +
2 n Jxx 2 n Jxx
 Regresi Berganda
Pada regresi majemuk, hanya terdapat satu selang kepercayaan, yaitu dengan
parameter β. Rumus yang berlaku untuk selang kepercayaan β1 adalah
(Walpole, 1995):
tα tα
b 1− Sb 1 < β 1< b 1+ S b 1………................................… (2.14)
2 2
Keterangan:
𝑦 = nilai variabel independen
𝛼 = intersep
𝛽1,2…𝑛 = slop
𝑥1, 2, ...𝑛 = nilai variabel dependen

2022 19
Kelompok 15
2.4 Persamaan Garis Regresi

Koefisien regresi, α dan β merupakan dua parameter yang ditaksir dari data.
Bila taksiran untuk kedua parameter itu masing-masing dinyatakan dengan a dan b
maka dapat ditaksir dengan ^y dari garis bentuk regresi berdasarkan sampel atau garis
kecocokan regresi (Sutomo, 2007).
Berikut merupakan model persamaan garis regresi linier untuk persamaan
regresi dimana Y adalah nilai yang diprediksi:
 Untuk regresi linier sederhana
Y =α + β 1 X 1…………………………………...…………………….…… (2.15)
 Untuk regresi linier majemuk
Y =α + β 1 X 1+ β 2 X 2 + β 3 X 3 +…+ β n X n…...…………………….…… (2.16)
Dimana:
Y : nilai variable dependen
α : intersep
β 1,2,3, …, n : slop
X 1,2,3 ,… ,n : nilai variabel independen
Untuk persamaan regresi dimana Y merupakan nilai sebenarnya (observasi),
maka persamaan menyertakan kesalahan (error term/residual), sehingga menjadi:
 Untuk regresi linier sederhana
Y =α + β 1 X 1+ e …...…………………….………………………………. (2.17)
 Untuk regresi linier majemuk
Y =α + β 1 X 1+ β 2 X 2 + β 3 X 3 +…+ β n X n +e …………………………. (2.18)
Sedangkan, garis regresi didefinisikan sebagai suatu garis lurus yang ditarik dari
titik-titik scattered diagram yang terbentuk dari nilai-nilai variable dependen dan
variabel independen, sehingga garis tersebut menggambarkan hubungan linier antara
variabel-variabel tersebut. Jika nilai-nilai ini merupakan garis regresi nilai baku, maka

2022 20
Kelompok 15
garis ini sama dengan garis korelasi. Garis ini disebut juga sebagai garis kecocokan
yang sempurna dimana garis lurus tersebut berada pada posisi terdekat pada titik-titik
diagram pencar.
Sumbu vertikal dari scattered diagram digunakan untuk menggambarkan nilai-
nilai variable tergantung (dependen), sedangkan garis horixontalnya menunjukkan
variabel-variabel independen (nilai prediktor). Intercept sendiri adalah titik sumbu
vertikal yang merupakan nilai dependen yang dipredikssi saat nilai prediktor atau
variabel independen sebesar nol. Nilai yang diprediksi adalah 0, jika koefisien regresi
baku digunakan.
Terdapat tiga jenis garis regresi linier, yaitu regresi liner positif, regresi linier
negatif dan tidak ada hubungan. Berikut merupakan gambarannya secara urut:
Gambar 2. 6 Jenis Garis Regresi

(Sumber: tambahpinter.com)
2.5 Seleksi Variabel

Menurut Ompusunggu (2011), variabel Selection atau seleksi variabel adalah
suatu proses pengidentifikasian dan penghapusan variabel yang bersifat irrelevant atau
mengalami redundant. Berikut merupakan metode seleksi variable berdasarkan Modul
Praktikum Statistika Industri (2022):
1. Pemilihan ke belakang (Backward)
Dimulai dengan memasukkan seluruh variabel independen yang ada ke dalam
persamaan regresi. Kemudian, dilakukan pemilihan terhadap setiap variable
independen, apakah layak untuk tetap berada di dalam persamaan regresi atau

2022 21
Kelompok 15
tidk. Variabel independen yang telah dikeluarkan tidak dapat dimasukkan

kembali.
2. Pemilihan ke depan (Forward)
Dimulai dengan keadaan dimana seluruh variabel independen berada di luar
persamaan regresi. Kemudian, dilakukan satu persatu terhadap variabel
independen. Variabel independen yang telah dimasukkan tidak dapat lagi
dikeluarkan.
3. Stepwise
Metode stepwise merupakan metode yang paling ketat dibandingkan dua metode
sebelumnya. Kelebihan dari metode ini adalah sifat reversible (dapat dibalik)
terhadap variabel independen yang akan dimasukkan.
2.6 Penerapan Korelasi dan Regresi di Bidang Industri

Untuk mencari hubungan antara dua variabel atau lebih dalam sebuah penelitian
dapat diketahui dengan menggunakan regresi untuk menunjukkan seberapa besar
pengaruh variabel independen terhadap variabel dependen, sedangkan korelasi
digunakan untuk mengetahui derajat keeratan hubungan dua variabel atau lebih tersebut.
Penerapan korelasi dan regresi dalam dunia industri sendiri, misalnya untuk
mengetahui seberapa besar pengaruh gaji, tunjangan dan faktor-faktor lainnya terhadap
produktivitas pekerja. Untuk peningkatan produktivitas kerja karyawan, faktor yang
paling penting berpengaruh adalah gaji bagi karyawan, karena besar kecilnya gaji yang
diterima oleh para karyawan sangat menentukan dalam memotivasi karyawan untuk
dapat bekerja untuk dapat bekerja secara lebih giat, maka bagi setiap perusahaan
diharapkan untuk untuk memperhatikan aspek pemberian gaji para karyawan di dalam
menghasilkan produk-produk yang lebih berkualitas (Heidrajman dan Suad Husnan,
1992).
Regresi linier menjadi salah satu metode yang dipergunakan dalam produksi
untuk melakukan peramalan atau prediksi tentang karakteristik kualitas maupun

2022 22
Kelompok 15
kuantitas. Hal ini dilakukan dengan memperkirakan berbagai kombinasi produk,

perusahaan dapat memaksimalkan keuntungan serta memperkirakan jumlah produksi
yang tepat. Dalam kasis ini kuantitas penjualan merupakan variabel dependen,
sedangkan variabel independennya adalah periode penjualan (Indarwati et al, 2019).
Selain itu, metode korelasi juga dapat digunakan pada bidang industri dalam
mengetahui pengaruh promosi dan iklan terhadap volume penjualan suatu produk.
Dalam kasus ini terdapat 4 variabel independen, yaitu voucher, sponsorship, iklan di
televisi, dan papan reklame. Dengan metode Analisis Regresi Linier Berganda untuk
memperoleh perhitungan dan analisa data mengenai pengaruh yang ditumbulkan
variabel independen terhadap variabel dependen. Dengan demikian, akan diketahui
seberapa signifikan pengaruh yang ditimbulkan variabel independen kepada variabel
dependen (Kurniawan, 2017).

2022 23
Kelompok 15
BAB III
METODE PRAKTIKUM
3.1 Flowchart Metode Praktikum

Berikut merupakan flowchart praktikum statistika industri modul 1:

2022 24
Kelompok 15
Gambar 3. 1 Flowchart Metode Praktikum
3.2 Penjelasan Flowchart

Pada metodologi Praktikum Statistika Industri modul 1 ini, langkah pertama
yang dilakukan yaitu identifikasi masalah. Setelah mengidentifikasi masalah, tahap
selanjutnya yaitu pengumpulan data sekunder. Untuk membantu identifikasi variabel
dependen dan variabel independen dilakukan studi pustaka mengenai pengertian
korelasi, regresi, selang kepercayaan, persamaan garis regresi, seleksi variabel dan
macam-macam jenis uji asumsi klasik yang digunakan untuk proses identifikasi.
Pembatasan masalah pada praktikum ini terdiri dari regresi sederhana dan regresi
majemuk. Pada pengolahan data untuk mengolah data terseburt di gunakan software SPSS

2022 25
Kelompok 15
dan Minitab serta secara manual untuk menghitung data. Setelah itu dilakukan uji asumsi
klasik dan dilanjutkan dengan pembuatan model untuk regresi linear dan majemuk.
Selanjutnya dilakukan interpretasi dan analisis data. Hasil dari pengolahan data
tersebutlah yang selanjutnya akan ditarik kesimpulan dan juga saran dalam pelaksanaan
praktikum modul 1 Statistika Industri.
BAB IV
PENGUMPULAN DAN PENGOLAHAN DATA

2022 26
Kelompok 15
4.1 Korelasi dan Regresi Linier Sederhana

4.1.1 Data Model
Berikut merupakan tabel data model korelasi dan regresi linier sederhana,
dimana jumlah industri sebagai variabel independen (X) dan jumlah tenaga kerja
sebagai variabel dependen (Y):
Tabel 4. 1 Data Regresi Linier Sederhana
Jumlah Tenaga
No Kabupaten/ Kota Jumlah Industri (X)
Kerja (Y)
1. Cilacap 3.249 5.952
2. Banyumas 11.633 21.655
3. Purbalingga 1.173 11.946
4. Banjarnegara 4.005 7.805
5. Kebumen 2.923 7.091
6. Purworejo 10.992 18.301
7. Wonosobo 2.790 5.597
8. Magelang 13.336 23.399
9. Boyolali 6.188 21.275
10. Klaten 4.501 23.616
11. Sukoharjo 4.181 18.104
12. Wonogiri 7.310 14.080
13. Karanganyar 6.087 13.463
14. Sragen 1.715 9.596
Tabel 4.1 Data Regresi Linier Sederhana (lanjutan)
Jumlah Tenaga
No Kabupaten/ Kota Jumlah Industri (X)
Kerja (Y)

2022 27
Kelompok 15
15. Grobogan 2.093 8.108

16. Blora 1.903 8.910
17. Rembang 11.709 43.216
18. Pati 2.039 7.625
19. Kudus 2.614 70.206
20. Jepara 3.758 37.444
21. Demak 3.880 11.611
22. Semarang 2.174 82.707
23. Temanggung 16.564 25.771
24. Kendal 5.337 12.315
25. Batang 1.939 3.972
26. Pekalongan 13.324 49.776
27. Pemalang 8.254 80.776
28. Tegal 1.015 9.836
29. Brebes 1.386 2.377
30. Magelang 979 1.765
31. Surakarta 711 8.600
32. Salatiga 1.871 3.051
33. Semarang 2.588 136.007
34. Pekalongan 1.100 6.676
35. Tegal 829 1.325
Sumber: BPS Jawa Tengah
4.1.2 Uji Asumsi Klasik

a. Uji Linearitas
Hipotesis:

2022 28
Kelompok 15
1. H 0 = Data model yang bersifat regresi linier

2. H 1 = Data model tidak bersifat regresi linier
3. A = 0,05
4. Daerah kritis = sig deviaton from linierity < 0,05
5. Perhitungan
 SPSS
Berikut merupakan output perhitungan uji linieritas dengan software
SPSS:
Tabel 4. 2 Output Software SPSS pada Perhitungan Uji Linieritas

ANOVA Table
Sum of Squares df Mean Square F

jumlah tenaga kerja * Between Groups (Combined 25541524323.22 1064230180.1
24 3.601
Juml Industri ) 1 34
Linearity 1135788931.5
1135788931.580 1 3.843
80
Deviation
from 24405735391.64 1061118930.0
23 3.591
Linearity 1 71
Within Groups 295510972.17

2955109721.750 10
5
Total 28496634044.97
34
1
6. Keputusan = Tolak H 0 untuk nilai deviation from linearity berada di

dalam daerah kritis dimana 0,02 < 0,05
7. Kesimpulan = Data model tidak bersifat regresi linier
b. Uji Normalitas
1. H 0 = Data regresi linier berdistribusi normal
2. H 1 = Data regresi linier tidak berdistribusi normal

2022 29
Kelompok 15
3. Tingkat keberartian ∝ : 0,05

4. Daerah kriris
 SPSS : sig < 0,05
 Minitab : nilai p value < 0,05
5. Perhitungan
 SPSS
Berikut merupakan output Uji Normalitas dengan SPSS:
Tabel 4. 3 Output uji Normalitas dengan SPSS
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
Unstandardized Residual .326 35 .000 .589 35 .000
a. Lilliefors Significance Correction
 Minitab
Berikut merupakan output Uji Normalitas dengan Minitab:
Probability Plot of RESI1

Normal
99
Mean 4,261632E-12
StDev 28367
95 N 35
RJ 0,759
90
P-Value <0.010
80
70
Percent
60
50
40
30
20
10
5
1
-50000 0 50000 100000
RESI1
Gamba
r 4. 1 Output Uji Normalitas dengan Minitab
6. Keputusan:
SPSS = karena hasil pada table output test of normality Shapiro-Wilk
bernilai lebih kecil dari 0,05, maka tolak H 0
2022 30
Kelompok 15
Mintab = Tolak H 0 karena p-value: 0,010 < 0,050

7. Kesimpulan: Data regresi linier tidak berdistribusi normal
c. Uji Autokorelasi
1. H 0 = Sampel tidak terjadi autokorelasi (r = 0)
2. H 1 = Sampel terjadi autokorelasi (r ≠0)
4. Daerah kritis = DW<dL‖DW>du, sehingga DW<1,4019‖DW> 1,1591
5. Perhitungan
 Manual
- Mencari nilai ŷ
ŷ = a + bx
ŷ = 16815,84 + 1,3567 x
- Mencari nilai Et
Et = y− ŷ
- Mencari nilai Durbin Watson (d )
t=n
∑ ( Et− ( Et −1 ) )2
d= t −2 t =n
∑ Et 2
t −2
58088325990
d=
27359643356
d=¿2,123
Dibawah ini merupakan hasil perhitungan manual uji autokorelasi data
regresi sederhana:
Tabel 4. 4 Tabel Perhitungan Manual Uji Autokorelasi

2022 31
Kelompok 15
No X Y Y^ Et Et-1 Et-(Et-1) (Et-(Et-1))^2 Et^2

1 3249 5952 21223,97 -15272 233233190,4
2 11633 21655 32599,1 -10944,1 -15272 4327,871 18730465,12 119773396,6
3 1173 11946 18407,33 -6461,33 -10944,1 4482,776 20095282,92 41748746,98
4 4005 7805 22249,69 -14444,7 -6461,33 -7983,36 63734074,66 208649051,7
5 2923 7091 20781,67 -13690,7 -14444,7 754,0212 568547,992 187434395,2
6 10992 18301 31729,42 -13428,4 -13690,7 262,2521 68776,1871 180322357,2
7 2790 5597 20601,22 -15004,2 -13428,4 -1575,8 2483152,626 225126565,4
8 13336 23399 34909,68 -11510,7 -15004,2 3493,542 12204834,59 132495671,5
9 6188 21275 25211,51 -3936,51 -11510,7 7574,166 57367991,01 15496114,01
10 4501 23616 22922,65 693,3545 -3936,51 4629,865 21435648,71 480740,4416
11 4181 18104 22488,48 -4384,48 693,3545 -5077,83 25784405,86 19223667,29
12 7310 14080 26733,8 -12653,8 -4384,48 -8269,32 68381685,98 160118711,5
13 6087 13463 25074,48 -11611,5 -12653,8 1042,325 1086441,975 134826397,7
14 1715 9596 19142,69 -9546,69 -11611,5 2064,783 4263327,096 91139374,02
15 2093 8108 19655,55 -11547,6 -9546,69 -2000,86 4003431,49 133345959,3
16 1903 8910 19397,77 -10487,8 -11547,6 1059,786 1123145,541 109993245,8
17 11709 43216 32702,22 10513,78 -10487,8 21001,55 441065058,5 110539621,9
18 2039 7625 19582,29 -11957,3 10513,78 -22471,1 504948950,2 142976705,4
19 2614 70206 20362,43 49843,57 -11957,3 61800,86 3819346215 2484381732
20 3758 37444 21914,57 15529,43 49843,57 -34314,1 1177460254 241163255,1
21 3880 11611 22080,09 -10469,1 15529,43 -25998,5 675923328 109601920,8
22 2174 82707 19765,45 62941,55 -10469,1 73410,64 5389122569 3961638695
23 16564 25771 39289,32 -13518,3 62941,55 -76459,9 5846111429 182744928,6
24 5337 12315 24056,9 -11741,9 -13518,3 1776,416 3155654,014 137872267,3
25 1939 3972 19446,61 -15474,6 -11741,9 -3732,71 13933108,03 239463556,8
26 13324 49776 34893,4 14882,6 -15474,6 30357,21 921560493,7 221491925,2
27 8234 80776 27987,45 52788,55 14882,6 37905,94 1436860350 2786630548
28 1015 9836 18192,96 -8356,96 52788,55 -61145,5 3738772606 69838746,05
29 1386 2377 18696,32 -16319,3 -8356,96 -7962,36 63399181,93 266320148,7
30 979 1765 18144,11 -16379,1 -16319,3 -59,7961 3575,571971 268275387

2022 32
Kelompok 15
Tabel 4.4 Tabel Perhitungan Manual Uji Autokorelasi (lanjutan)

No X Y Y^ Et Et-1 Et-(Et-1) (Et-(Et-1))^2 Et^2
31 711 8600 17780,5 -9180,5 -16379,1 7198,613 51820034,71 84281597,97
32 1871 3051 19354,35 -16303,3 -9180,5 -7122,85 50734977,76 265799219,8
33 2588 136007 20327,15 115679,8 -16303,3 131983,2 17419564689 13381827362
34 1100 6676 18308,28 -11632,3 115679,8 -127312 16208378862 135310009,7
35 829 1325 17940,6 -16615,6 -11632,3 -4983,32 24833441,48 276078143,3
36 166130 813954 813954 58088325990 27359643356
 SPSS
Berikut merupakan output uji autokorelasi:
Tabel 4. 5 Output Software SPSS pada Perhitungan Uji Autokorelasi
Model Summaryb
Adjusted R Std. Error of the
Model R R Square Square Estimate Durbin-Watson
1 .200 a
.040 .011 28793.75109 2.123
a. Predictors: (Constant), jumlah industri
b. Dependent Variable: jumlah tenaga kerja
 Minitab
Berikut merupakan output uji autokorelasi:
Durbin-Watson Statistic
Durbin-Watson Statistic = 2,12314
6. Keputusan = Jangan tolak H 0 karena semua hasil Durbin-Watson > dL,

yaitu:
- 2,123 > 1,3520 (Manual)
- 2,123 > 1,3520 (SPSS)
- 2,12314 > 1,3520 (Minitab)
7. Kesimpulan = Sampel tidak terjadi autokorelasi (r = 0)

2022 33
Kelompok 15
d. Uji Heterokedastisitas
1. H 0 = terjadi ketidaksamaan variansi residual dari pengamatan satu ke
pengamatan lain
2. H 1 = model regresi terjadi kesamaan variansi residual dari pengamatan satu
ke pengamatan lain
4. Daerah kritis: sig > 0,05
5. Perhitungan:
 SPSS
Berikut merupakan output hasil uji heterokedastisitas dengan SPSS:
Tabel 4. 6 Hasil Uji Heterokedastisitas dengan SPSS
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 20736.772 5494.252 3.774 .001
jumlah industri -.484 .867 -.097 -.558 .581
6. Keputusan : Tolak H 0 karena berada di dalam daerah kritis dimana sig

(0,581) > 0,05
7. Kesimpulan: model regresi terjadi kesamaan variansi residual dari
pengamatan satu ke pengamatan lain
4.1.3 Korelasi
4.1.3.1 Koefisien Korelasi Pearson
Berikut adalah hasil perhitungan manual koefisien pearson:
a. Manual

2022 34
Kelompok 15
Berikur merupakan perhitungan manual koefieisn korelasi pearson:
Tabel 4. 7 Perhitungan Koefisien Korelasi Person Sederhana Manual

2 2
No X Y x y xy
1 3249 5952 10556001 35426304 19338048

2 11633 21655 135326689 468939025 251912615
3 1173 11946 1375929 142706916 14012658
4 4005 7805 16040025 60918025 31259025
5 2923 7091 8543929 50282281 20726993
6 10992 18301 120824064 334926601 201164592
7 2790 5597 7784100 31326409 15615630
8 13336 23399 177848896 547513201 312049064
9 6188 21275 38291344 452625625 131649700
10 4501 23616 20259001 557715456 106295616
11 4181 18104 17480761 327754816 75692824
12 7310 14080 53436100 198246400 102924800
13 6087 13463 37051569 181252369 81949281
14 1715 9596 2941225 92083216 16457140
15 2093 8108 4380649 65739664 16970044
16 1903 8910 3621409 79388100 16955730
17 11709 43216 137100681 1867622656 506016144
18 2039 7625 4157521 58140625 15547375
19 2614 70206 6832996 4928882436 183518484
20 3758 37444 14122564 1402053136 140714552
21 3880 11611 15054400 134815321 45050680
22 2174 82707 4726276 6840447849 179805018
23 16564 25771 274366096 664144441 426870844
24 5337 12315 28483569 151659225 65725155
25 1939 3972 3759721 15776784 7701708
26 13324 49776 177528976 2477650176 663215424
27 8234 80776 67798756 6524762176 665109584
28 1015 9836 1030225 96746896 9983540

2022 35
Kelompok 15
29 1386 2377 1920996 5650129 3294522
Tabel 4.7 Perhitungan Koefisien Korelasi Person Sederhana Manual (lanjutan)

2 2
No X Y x y xy
30 979 1765 958441 3115225 1727935

31 711 8600 505521 73960000 6114600
32 1871 3051 3500641 9308601 5708421
33 2588 136007 6697744 18497904049 351986116
34 1100 6676 1210000 44568976 7343600
35 829 1325 687241 1755625 1098425
166130 813954 1406204056 47425808734 4701505887
Perhitungan:
n
n ∑x 166130
J xx =∑ x − i=1 =1406204056−
2
=617796030,3
i=1 n 35
n
n ∑y 813954
J yy =∑ y − i=1 =47425808734−
2
=28496634045
i=1 n 35
n
J xy =∑ xy −¿ ¿
i=1
J xy 8389165489,4
r= = =0,199 9
√( J xx )(J yy ) √(617656144,6)(28496634045)
b. SPSS
Berikut merupakan output koefisien korelasi person dengan software SPSS:

2022 36
Kelompok 15
Tabel 4. 8 Output Koefisien Korelasi dengan Software SPSS

Correlations
jumlah tenaga
jumlah industri kerja
jumlah industri Pearson Correlation 1 .200
Sig. (2-tailed) .250
N 35 35
jumlah tenaga kerja Pearson Correlation .200 1
Sig. (2-tailed) .250
N 35 35
c. Minitab
Berikut merupakan output koefisien korelasi person dengan software
Minitab:
Correlation: Jumlah industri; jumlah tenaga kerja
Pearson correlation of Jumlah industri and jumlah tenaga kerja =
0,200
P-Value = 0,250
d. Excel
Berikut merupakan output koefisien korelasi person dengan software Excel:
Tabel 4. 9 Output Koefisien Korelasi Pearson dengan Sofware Excel
Column Colum
1 n2
Colum
n1 1
Colum 0,1999 1
2022 37
Kelompok 15
n2 9
4.1.3.2 Uji Hipotesis

a. Uji Hipotesis Pertama
1. H 0 : ρ = 0 (Tidak ada hubungan linier antara variabel x dan variabel y)
2. H 1 : ρ ≠ 0 (Ada hubungan linier antara variabel x dan variabel y)
3. Taraf keberartian (α ¿ = 0,05
4. Daerah kritis dengan derajat kebebasan v = n – 2 = 33 – 2 = 33
t > 1,960 dan t < -1,960, didapatkan dari table L.4 (Walpole) bersifat dwisisi
5. Perhitungan
r √ n−2 0,19974 √ 33
t= = =1,17101
√1−r 2 √1−0,199742
t <1,960
6. Keputusan : Jangan tolak H 0 karena t-hitung diluar daerah kritis
(1,17101 < 1,960)
7. Keputusan : Tidak ada hubungan linier antara variabel x dan variabel
y
b. Uji Hipotesis Kedua
1. H 0 : ρ = 0,9 (Terdapat hubungan linier antara variabel x dan variabel y yang
sangat erat)
2. H 1 : ρ ¿ 0,9 (Tidak terdapat hubungan antara variabel x dan variabel y yang
sangat erat)
3. Taraf keberartian (∝) = 0,05
4. Daerah kritis z < -1,64 dan z > 1,64 didapatkan dari table L.3 (Walpole)
5. Perhitungan:

2022 38
Kelompok 15
z= √
n−3
2
ln
[
( 1+ r ) ( 1−ρ0 )
( 1−r ) ( 1+ ρ0 ) ]
z=
2 [
√ 32 ln ( 1+ 0,19974 ) ( 1−0,9 )
( 1−0,19974 )( 1+0,9 ) ]
z=¿ -7,18283
6. Keputusan : Tolak H 0 karena z-hotung berada di dalam daerah kritis
dimana -7,18283 < -1,64
7. Kesimpulan : Tidak terdapat hubungan antara variabel x dan variabel y
yang sangat ketat

4.1.4.1 Slop
a. Manual
Perhitungan:
n
b=n ∑ xy−¿ ¿ ¿ ¿
i=1
35 ( 4701505887 )−(166130)(813954)
b=
35 ( 1406204056 )−(166130)2
b=1,356
b. SPSS
Berikut merupakan hasil output software SPSS:
Tabel 4. 10 Garis Regresi Linier Sederhana (Slop) dengan SPSS
Coefficientsa
Standardized
1 (Constant) 16815.840 7343.701 2.290 .029
jumlah industri 1.357 1.159 .200 1.171 .250

a. Dependent Variable: jumlah tenaga kerja

2022 39
Kelompok 15
c. Minitab
Berikut merupakan hasil output software Minitab:
Coefficients
Term Coef SE Coef T-Value P-Value VIF

Constant 16816 7344 2,29 0,029
(X) Jumlah industri 1,36 1,16 1,17 0,250 1,00
d. Excel
Berikut merupakan hasil output software Excel:
Tabel 4. 11 Garis Regresi Linier Sederhana (Slop) dengan Excel
Coefficient Standar Lower Upper Lower Upper

s d Error t Stat P-value 95% 95% 95,0% 95,0%
16815,840 7343,70 2,289 0,02855 1874,967 31756,71 1874,967 31756,713
Intercept 1 1 8 9 1 3 1 1
X 1,3567663 1,15857 1,171 - 3,713908 - 3,7139087
Variable 1 7 7 1 0,24996 1,000376 8 1,000376 9
4.1.4.2 Intersep
a. Manual
Berikut merupakan perhitungan manual untuk nilai intersep:
n n
∑ y−b ∑ x
a= i=1 i=1
n

2022 40
Kelompok 15
813954−(1,356766)(166130)
a=
35
a=16815,840
b. SPSS
Tabel 4. 12 Garis Regresi Linier Sederhana (Intersep) dengan SPSS

Coefficientsa
Standardized
1 (Constant) 16815.840 7343.701 2.290 .029
jumlah industri 1.357 1.159 .200 1.171 .250

c. Minitab
Coefficients

Constant 16816 7344 2,29 0,029
d. Excel
Tabel 4. 13 Garis Regresi Linier Sederhana (Intersep) dengan Excel

Intercept 16815,840 7343,70 2,289 0,02855 1874,967 31756,71 1874,967 31756,713

2022 41
Kelompok 15
1 1 8 9 1 3 1 1
X 1,3567663 1,15857 1,171 - 3,713908 - 3,7139087
Variable 1 7 7 1 0,24996 1,000376 8 1,000376 9
4.1.4.3 Persamaan Garis Regresi

a. Manual
Berikut merupakan perhitungan manual untuk persamaan regresi linier dimana
nilai slop (b) di peroleh dari perhitungan 4.1.4.1 dan nilai intersep (a) diperoleh
dari perhitungan 4.1.4.2
b=1,356766
a=16815,84007
ŷ=a+bx
ŷ=16815,840+1,356766 x
b. SPSS
Tabel 4. 14 Garis Regresi Linier Sederhana dengan SPSS
Coefficientsa
Standardized
1 (Constant) 16815.840 7343.701 2.290 .029
jumlah industri 1.357 1.159 .200 1.171 .250

ŷ = 16815,840 + 1,357 x
c. Minitab
Coefficients

Constant 16816 7344 2,29 0,029

2022 42
Kelompok 15
Regression Equation
jumlah tenaga kerja (Y) = 16816 + 1.36 (X) Jumlah industri
d. Excel
Tabel 4. 15 Garis Regresi Linier Sederhana dengan Excel

16815,840 7343,70 2,289 0,02855 1874,967 31756,71 1874,967 31756,713
Intercept 1 1 8 9 1 3 1 1
X 1,3567663 1,15857 1,171 - 3,713908 - 3,7139087
Variable 1 7 7 1 0,24996 1,000376 8 1,000376 9
ŷ = 16815,8401 + 1,3567 x
4.1.5 Kesalahan Baku

4.1.5.1 Taksiran Kesalahan Baku dari Regresi Linier Sederhana
a. Manual
Berikut merupakan perhitungan manual taksiran kesalahan baku dari regresi
linier sederhana:
n
∑ ei2
J −b J xx
2
2 i=1
Se = = yy
n−2 n−2

2022 43
Kelompok 15
( 28496634045 )−( 1,356766 )2 (617656144 )

Se2=
33
2
Se =829080101,7
b. SPSS
Berikut merupakan taksiran kesalahan baku regresi linier sederhana hasil output
software SPSS:
Tabel 4. 16 Taksiran Kesalahan Baku dari Regresi Linier Sederhana Output Software SPSS
ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 1136990688.515 1 1136990688.515 1.371 .250b
Residual 27359643356.456 33 829080101.711
Total 28496634044.971 34

b. Predictors: (Constant), jumlah industri
c. Minitab
Berikut merupakan taksiran kesalahan baku regresi linier sederhana hasil output
dari software minitab:
Analysis of Variance
Source DF Adj SS Adj MS F-Value P-Value

Regression 1 1136990689 1136990689 1,37 0,250
Jumlah industri 1 1136990689 1136990689 1,37 0,250
Error 33 27359643356 829080102

2022 44
Kelompok 15
Total 34 28496634045
d. Excel
Berikut merupakan taksiran kesalahan baku regresi klinier sederhana hasil
output dari software Excel:
Tabel 4. 17 Taksiran Kesalahan Baku dari Regresi Linier Sederhana Output Software Excel
Significanc
df SS MS F eF
113699068 113699068 1,37138 0,2499603
1 9 9 8 24
273596433 829080101
33 56 ,7
284966340
34 45
4.1.5.2 Taksiran Kesalahan Baku dari Parameter Slop

a. Manual
Berikut ini merupakan perhitungan manual taksiran kesalahan baku dari
parameter slop:
Sb2=
( )
Se 2
J xx
Sb2= ( 829080101,7
617656144 )
Sb=1,158
b. SPSS
Berikut merupakan taksiran kesalahan baku dari parameter slop pada software
SPSS:
Tabel 4. 18 Taksiran Kesalahan Baku dari Parameter Slop Output Software SPSS

2022 45
Kelompok 15
Coefficientsa
Standardized
1 (Constant) 16815.840 7343.701 2.290 .029
jumlah industri 1.357 1.159 .200 1.171 .250

c. Minitab
Minitab :
Coefficients

Constant 16816 7344 2,29 0,029
Jumlah industri 1,36 1,16 1,17 0,250 1,00
d. Excel
Excel:
Tabel 4. 19 Taksiran Kesalahan Baku dari Parameter Slop Output Software Excel

16815,840 7343,70 2,289 0,02855 1874,967 31756,71 1874,967 31756,713
Intercept 1 1 8 9 1 3 1 1
X 1,3567663 1,15857 1,171 - 3,713908 - 3,7139087
Variable 1 7 7 1 0,24996 1,000376 8 1,000376 9
4.1.5.3 Taksiran Kesalahan Baku dari Parameter Intersep

a. Manual
2022 46
Kelompok 15
Berikut ini merupakan perhitungan manual taksiran kesalahan baku dari

parameter imtersep:
[ ]
2 ❑
2 1 x
2
Sa =Se +
n J xx
[ ]
2 ❑
2 1 (4746,5714)
Sa =829080101,7 +
35 617656144
Sa=7343,701
b. SPSS
Berikut merupakan taksiran kesalahan baku dari parameter intersep pada
software SPSS:
Tabel 4. 20 Taksiran Kesalahan Baku dari Parameter Intersep Output Software SPSS
Coefficientsa
Standardized
1 (Constant) 16815.840 7343.701 2.290 .029
jumlah industri 1.357 1.159 .200 1.171 .250

c. Minitab
software Minitab :
Coefficients

2022 47
Kelompok 15

Constant 16816 7344 2,29 0,029
Jumlah industri 1,36 1,16 1,17 0,250 1,00
d. Excel
software Excel:
Tabel 4. 21 Taksiran Kesalahan Baku dari Parameter Intersep Output Software Excel

16815,840 7343,70 2,289 0,02855 1874,967 31756,71 1874,967 31756,713
Intercept 1 1 8 9 1 3 1 1
X Variable 1,3567663 1,15857 1,171 - 3,713908 - 3,7139087
1 7 7 1 0,24996 1,000376 8 1,000376 9

4.1.6.1 Selang Kepercayaan Slop
a. Manual
Suatu selang kepercayaan pada parameter β (slop) dengan kepercayaan sebesar
95% memiliki nilai t ∝ =t 0.025 sebesar 2,035. Dapat dinyatakan dengan rumus:
2
b−t ∝ . Sb < β<b +t ∝ . Sb

2 2
1,358− ( 2,035 )( 1,158 ) < β <1,358+ ( 2,035 ) ( 1,158 )

−0,998< β <3.715
b. SPSS
Berikut merupakan perhitungan selang kepercayaan pada parameter β dengan
kepercayaan sebesar 95% pasa software SPSS:
Tabel 4. 22 Selang Kepercayaan Parameter ∝ output SPSS

2022 48
Kelompok 15
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients 95.0% Confidence Interval for B
Model B Std. Error Beta t Sig. Lower Bound Upper Bound
1 (Constan
16807.683 7343.346 2.289 .029 1867.533 31747.834
t)
Industri 1.358 1.158 .200 1.173 .249 -.998 3.715
a. Dependent Variable: TenagaKerja
c. Excel
Berikut merupakan perhitungan selang kepercayaan pada parameter β dengan
selang kepercayaan 95% dengan software Microsoft Excel.
Tabel 4. 23 Tabel Perhitungan Selang Kepercayaan Menggunakan Excel

Coefficien Standar Lower Upper Lower Upper
ts d Error t Stat P-value 95% 95% 95.0% 95.0%
Intercep 7343.34 2.28883 0.02862 1867.53 31747.8 1867.53 31747.8
t 16807.68 6 2 4 3 3 3 3
X
Variable 1.15838 1.17259 0.24935 - 3.71507 - 3.71507
1 1.358321 5 9 2 0.99843 3 0.99843 3
Dibawah ini merupakan rekap hasil perhitungan secara manual dan dengan
software:
Tabel 4. 24 Perbandingan Selang Kepercayaan β Data Sederhana
Cara Perhitungan Batas Bawah Batas Atas
Manual -0,998 3,715
SPSS -0,998 3,715

2022 49
Kelompok 15
Excel -0,99843 3,715073
4.1.6.2 Selang Kepercayaan Intersep

a. Manual
Suatu selang kepercayaan pada parameter α (intersep) dengan kepercayaan
μy
sebesar 95% dalam persamaan regresi =∝+ βx dapat dinyatakan dengan
X
rumus:
α −t ∝ . S α < ∝< α +t ∝ . S α
2 2
16807,68− (2,035 )( 7343,419 ) <∝<16807,68+ ( 2,035 ) ( 7343,419 )

1867,533<∝<31747,83
b. SPSS
Berikut merupakan perhitungan selang kepercayaan pada parameter ∝ dengan
selang kepercayaan 95% dengan software SPSS.
Tabel 4. 25 Tabel Perhitungan Selang Kepercayaan Pada Parameter ∝ Menggunakan SPSS
Coefficientsa
Coefficients Coefficients 95.0% Confidence Interval for B
Model B Std. Error Beta t Sig. Lower Bound Upper Bound
1 (Constan
16807.683 7343.346 2.289 .029 1867.533 31747.834
t)
Industri 1.358 1.158 .200 1.173 .249 -.998 3.715
c. Excel
Berikut merupakan perhitungan selang kepercayaan pada parameter ∝ dengan
selang kepercayaan 95% dengan software Microsoft Excel.

2022 50
Kelompok 15
Tabel 4. 26 Tabel Perhitungan Selang Kepercayaan Pada Parameter ∝ Menggunakan Excel

s d Error t Stat P-value 95% 95% 95.0% 95.0%
Intercept 16807.68 7343.346 2.288832 0.028624 1867.533 31747.83 1867.533 31747.83
X
Variable
1 1.358321 1.158385 1.172599 0.249352 -0.99843 3.715073 -0.99843 3.715073
Dibawah ini merupakan rekap hasil perhitungan secara manusal dan dengan
software:
Tabel 4. 27 Perbandingan Selang Kepercayaan ∝ Data Sederhana
Cara Perhitungan Batas Bawah Batas Atas
Manual 1867,553 31747,834
SPSS 1867,553 31747,834
Excel 1867,553 31747,83
4.1.7 Uji Hipotesis

4.1.7.1 Uji Hipotesis Slop
1. H 0 ; β=0 (tidak ada hubungan linier antara x dan y)
2. H 0 ; β ≠ 0 (ada hubungan linier antara x dan y)
3. ∝=0,05
4. t (0,025 ;33) >2,035 dan t (0,025 ;33) ←2,035 dengan derajat kebebasan
v=n−2=35−2=33
5. Nilai t-hitung
Untuk menguji hipotesis nol bahwa β=β 0 melawan tandingan yang sesuai
dengan persoalan, digunakan distribusi-t dengan derajat kebebasan n-2 untuk
mendapatkan daerah kritis.
b− β0 1,358−β 0
t= = =29138,360
Sb 1,158
√ Jxx √ 617796030,3

2022 51
Kelompok 15
29138,360> 2,035
6. Keputusan : Tolak H0, karena 29318,360 > 2,035 dimana nilai t hitung
berada di dalam daerah kritis.
7. Kesimpulan : Terdapat hubungan linier antara x dan y.
4.1.7.2 Uji Hipotesis Intersep
1. H 0 ; β=0 (persamaan garis regresi melewati titik koordinat (0,0))
2. H 0 ; β ≠ 0 (persamaan garis regresi tidak melewati titik koordinat (0,0))
3. ∝=0,05
4. t (0,025 ;33) >2,035 dan t (0,025 ;33) ←2,035 dengan derajat kebebasan
v=n−2=35−2=33
5. Nilai t-hitung
Untuk menguji hipotesis nol bahwa β=β 0 melawan tandingan yang sesuai
dengan persoalan, digunakan distribusi-t dengan derajat kebebasan n-2 untuk
mendapatkan daerah kritis.
Sedangkan nilai t-hitung diperoleh dari rumus :
a−∝0 16807,68−∝0
t= = =2,289
Sa 7343,419
6. Keputusan : Tolak H0, karena 2,289 > 2,035 berada di dalam daerah kritis.
7. Kesimpulan : Persamaan garis regresi tidak melewati titik koordinat (0,0).
4.1.8 Validasi
4.1.8.1 Koefisien Determinasi
 Manual
Nilai koefisien determinasi adalah kuadrat dari koefisien korelasi r dan dihitung
dengan rumus berikut:
JKT=Jyy=28496634045
n
JKG=∑ e i2
i=1

2022 52
Kelompok 15
2
n
JKG=∑ ( yi − ⏞y )
i=1
JKG=27356777709
JKR=JKT−JKG=28496634045−27356777709
JKR=1139856336
2 JKR 1139856336
r= = =0,040
JKT 28496634045
 SPSS
Berikut merupakan hasil perhitungan koefisien determinasi dengan software
SPSS:
Tabel 4. 28 Hasil Perhitungan Koefisien Determinasi Dengan Software SPSS
Model Summaryb

Model R R Square Square Estimate
1 .200a .040 .011 28792.24312
a. Predictors: (Constant), Industri

b. Dependent Variable: TenagaKerja
 Minitab
Minitab:
Model Summary
S R-sq R-sq(adj) R-sq(pred)

28792.2 4.00% 1.09% 0.00%

2022 53
Kelompok 15
 Excel
Microsoft Excel:
Tabel 4. 29 Hasil Perhitungan Koefisien Determinasi Dengan Software Excel
Regression Statistics
0.19999
Multiple R 9
R Square 0.04
Adjusted R 0.01090
Square 9
28792.2
Standard Error 4
Observations 35
Dibawah ini merupakan rekap hasil perhitungan secara manual dan dengan
software:
Tabel 4. 30 Perbandingan Koefisien Determinasi Data Sederhana

Cara Perhitungan Koefisien Determinasi
Manual 0,040
SPSS 0,040
Minitab 0,040
Excel 0,04
4.1.8.2 Pengujian Garis Regresi

1. H 0 : β=0 (Variabel regresor tidak berkontribusi signifikan)
2. H 0 : β ≠ 0 (Variabel regresor berkontribusi signifikan)
3. Tingkat keberartian α =0,05

2022 54
Kelompok 15
4. Daerah kritis n=35, f ←f ( α2 ; 1 , n−2) dan f >f ( α2 ; 1 , n−2). Sehingga
diperoleh nilai f ←4,14 dan f >4,14 dengan derajat kebebasan V 1=1 dan
V 2=n−k −1=35−1−1=33.
5. Berikut perhitungannya:
 Manual
Berikut merupakan perhitungan secara manual:
JKR 1139586735,230
F= = =1,375
S e2 829009601,4
 SPSS
Berikut merupakan hasil perhitungan dengan menggunakan software SPSS:
Tabel 4. 31 Hasil Perhitungan Dengan Menggunakan Software SPSS
ANOVAa
1 Regression 1139856335.82 1139856335.82

1 1.375 .249b
3 3
Residual 27356777709.1
33 828993263.914
49
Total 28496634044.9
34
71

b. Predictors: (Constant), Industri

2022 55
Kelompok 15
 Minitab
Berikut merupakan hasil perhitungan dengan menggunakan software
Minitab:

Regression 1 1139856336 1139856336 1.37 0.249
Industri 1 1139856336 1139856336 1.37 0.249
Error 33 27356777709 828993264
Total 34 28496634045
 Excel
Berikut merupakan hasil perhitungan dengan menggunakan software
Microsoft Excel:
Tabel 4. 32 Hasil Perhitungan Dengan Menggunakan Software Excel
ANOVA
Significan
df SS MS F ce F
Regressio 1.14E+0 1.14E+0 1.37498
n 1 9 9 9 0.249352
2.74E+1 8.29E+0
Residual 33 0 8
2.85E+1
Total 34 0
software:
Tabel 4. 33 Perbandingan Nilai F Data Sederhana
Cara Perhitungan Nilai F Hitung
Manual 1,375
SPSS 1,375
Minitab 1,37
Excel 1,374989

2022 56
Kelompok 15
6. Keputusan : Jangan tolak H0, karena nilai F hitung pada manual dan
SPSS diperoleh F sebesar 1,375, pada Minitab diperoleh 1,37 dan pada
excel 1,374989 dimana keempat nilai data tersebut tidak berada dalam
daerah kritis.
7. Kesimpulan : Jumlah industri tidak berkontribusi secara signifikan
terhadap jumlah tenaga kerja di Provinsi Jawa Tengah tahun 2019.
4.1.8.3 Pengujian Hasil Regresi
a. Uji T
1. H 0 : μ1=μ2(tidak terdapat perbedaan rataan antara y dan )

⏞y
2. H 0 : μ1 ≠ μ2(terdapat perbedaan rataan antara y dan )
⏞y
3. Titik keberartian α =0,05
4. Daerah kritis : T hitung > 2,035 atau T hitung ←2,035 , dengan V =n−k=35−2=33
.
 Manual
Berikut merupakan hasil perhitungan secara manual:
Tabel 4. 34 Perhitungan Manual Uji Regresi Data Sederhana

No. Industri Tenaga Kerja Regresi (Y^)
1 3249 5952 21220.86926
2 11633 21655 32609.03481
3 1173 11946 18400.9943
4 4005 7805 22247.76014
5 2923 7091 20778.05652

2022 57
Kelompok 15
6 10992 18301 31738.35087

7 2790 5597 20597.3998
8 13336 23399 34922.25593
9 6188 21275 25212.97548
10 4501 23616 22921.48749
11 4181 18104 22486.82469
12 7310 14080 26737.01195
13 6087 13463 25075.78503
14 1715 9596 19137.20443
15 2093 8108 19650.64987
16 1903 8910 19392.56883
17 11709 43216 32712.26722
18 2039 7625 19577.30052
19 2614 70206 20358.33525
20 3758 37444 21912.25479
21 3880 11611 22077.96998
22 2174 82707 19760.67389
23 16564 25771 39306.917
24 5337 12315 24057.04408
Tabel 4.34 Perhitungan Manual Uji Regresi Data Sederhana (lanjutan)

No. Industri Tenaga Kerja Regresi (Y^)
25 1939 3972 19441.46839
26 13324 49776 34905.95608
27 8254 80776 28019.26723
28 1015 9836 18186.37954
29 1386 2377 18690.31673

2022 58
Kelompok 15
30 979 1765 18137.47997

31 711 8600 17773.44987
32 1871 3051 19349.10255
33 2588 136007 20323.0189
34 1100 6676 18301.83685
35 829 1325 17933.73178
Rata-rata 23255.82857 23255.82857
StDev (S) 28950.58368 5790.093812
Perhitungan:
Sp=
√ ( ni−1 ) S12 + ( n i−1 ) S 22
n1 +n 2−2
√
2 2
( 35−1 ) ( 28950.58368 ) + ( 35−1 ) ( 5790.093812)
Sp=
35+ 35−2
Sp=20876,560
x 1−x 2
t=
Sp
√ 1 1
+
n1 n 2
23255.82857−23255.82857
t= =0,000
20876,560
1 1
+
35 35 √
 SPSS
Berikut merupakan pehitungan t-hitung dengan software SPSS:
Tabel 4. 35 Pehitungan T-hitung Dengan Software SPSS
Paired Samples Test
Paired Differences t df Sig. (2-

2022 59
Kelompok 15
95% Confidence
Interval of the
Std. Std. Error Difference
Mean Deviation Mean Lower Upper tailed)
Pair TenagaKerja -
-
1 Unstandardized .0000 28365.6677 4794.6729 9743.9478 .000 34 1.000
9743.947
Predicted Value
 Minitab
Berikut merupakan hasil perhitungan T-hitung dengan software Minitab:
Paired T for TenagaKerja - Regresi
N Mean StDev SE Mean

TenagaKerja 35 23256 28951 4894
Regresi 35 23256 5790 979
Difference 35 -0 28366 4795
95% CI for mean difference: (-9744, 9744)

T-Test of mean difference = 0 (vs ≠ 0): T-Value = -0.00 P-Value
= 1.000
 Excel
Berikut merupakan pehirungan t-hitung dengan software Microsoft
Excel:
Tabel 4. 36 Pehitungan T-hitung Dengan Software Excel

Variable Variable
1 2
23255.8
Mean 3 23255.83

2022 60
Kelompok 15
8.38E+0 3352518
Variance 8 6
Observations 35 35
0.19999
Pearson Correlation 9
Hypothesized Mean
Difference 0
df 34
t Stat 0.00
P(T<=t) one-tail 0.5
1.69092
t Critical one-tail 4
P(T<=t) two-tail 1
2.03224
t Critical two-tail 5
Dibawah ini merupakan rekap hasil perhitungan secara manusal dan dengan software:
Tabel 4. 37 Perbandingan Nilai Uji T Data Sederhana
Cara Perhitungan Nilai Uji T
Manual 0,000
SPSS 0,000
Minitab 0,00
Excel 0,00
6. Keputusan : Jangan tolak H0, karena nilai T-hitung =0,000 dimana
nilai tersebut berada di luar daerah kritis.
7. Kesimpulan : Tidak terdapat perbedaan rataan antara y dan ^y .
b. Uji F
1. H 0 :σ 12=σ 22(tidak terdapat perbedaan variansi antara y dan )

⏞y
2. H 0 : σ 12 ≠ σ 22(terdapat perbedaan variansi antara y dan )
⏞y
4. Daerah kritis: f >4,139 , dengan V =n−k=35−2=33 .
2022 61
Kelompok 15
 Manual
Berikut merupakan perhitungan F-hitung secara manual:
2
S1
F= 2
S2
(28950.58368)2
F= 2
=25,000
(5790.093812)
 Minitab
Statistics
Variable N StDev Variance 95% CI for StDevs

TenagaKerja 35 28950.584 8.38136E+08 (23417.318,
37931.116)
Regresi 35 5790.094 3.35252E+07 ( 4683.445,
7586.193)
Ratio of standard deviations = 5.000

Ratio of variances = 25.000
 Excel
Berikut merupakan perhitungan F dengan software Microsoft Excel:
Tabel 4. 38 Perhitungan F Dengan Software Microsoft Excel
F-Test Two-Sample for Variances
Variabl Variable
e1 2
23255.8 23255.8
Mean 3 3
8.38E+0 3352518
Variance 8 6
Observations 35 35
df 34 34
F 25.0002
P(F<=f) one-
tail 5.7E-16
F Critical 1.77206
one-tail 6
software:

2022 62
Kelompok 15
Tabel 4. 39 Perbandingan Nilai Uji F Data Sederhana

Cara Perhitungan Nilai Uji F
Manual 25,000
Minitab 25,000
Excel 25,0002
6. Keputusan : Tolak H0, karena nilai F-hitung pada software minitab

dan secara manual diperoleh nilai 25,000 dan pada Microsoft Excel
diperoleh F-hitung 25,0002, dimana nilai tersebut berada di dalam daerah
kritis.
7. Kesimpulan : Terdapat perbedaan variansi antara y dan ^y .
4.2 Korelasi dan Regresi Linier Berganda

4.2.1 Data Model
Berikut merupakan data regresi linier majemuk Pengaruh Capital Adequacy
Ratio (CAR), Beban Operasional Pendapatan Operasional (BOPO), Loan To Deposit
Ratio (LDR) Dan Non Performing Loan (NPL) Terhadap Kinerja Keuangan Bank
Perkreditan Rakyat Di Provinsi Daerah Istimewa Yogyakarta pada tahun 2016 triwulan
4.
Tabel 4. 40 Data Regresi Linier Majemuk
Kinerja
CAR BOPO LDR NPL
No. Keuangan
(X1) (X2) (X3) (X4)
Bank (Y)
1 5 14 78 90 4
2 2 41 85 84 4
3 4 16 83 90 3
4 5 19 78 88 1

2022 63
Kelompok 15
5 4 18 78 66 11
6 -2 9 109 82 8
7 4 16 76 79 2
Tabel 4.40 Data Regresi Linier Majemuk (lanjutan)

Kinerja
CAR BOPO LDR NPL
No. Keuangan
(X1) (X2) (X3) (X4)
Bank (Y)
8 4 54 75 53 5
9 6 34 77 81 2
10 3 10 87 89 2
11 -13 14 291 39 16
12 5 25 80 97 2
13 3 29 78 87 3
14 2 19 88 86 2
15 2 15 84 90 6
16 4 18 77 82 3
17 3 15 81 72 2
18 4 32 72 75 1
19 4 19 77 88 3
20 2 15 89 48 4
21 4 14 78 77 3
22 2 26 88 62 3
23 4 19 76 72 3
24 3 16 89 74 3
26 2 14 88 68 4
27 4 22 86 80 6
28 2 17 88 69 5
29 7 24 71 112 5
30 1 7 96 84 14
31 2 13 92 76 5
32 7 24 73 82 3

2022 64
Kelompok 15
33 4 38 80 64 4
34 4 52 73 48 2
35 4 19 82 86 5
Sumber: Prasetyo, H. H., & Yushita, A. N. (2019). Pengaruh CAR, BOPO, LDR Dan
NPL Terhadap Kinerja Keuangan Bank Perkreditan Rakyat Di Provinsi DIY Periode
2015-2016. Jurnal Profita: Kajian Ilmu Akuntansi, 7(2)

1. Uji Linearitas
1. H0 : Data model regresi berdistribusi Linier
2. H1 : data model regresi tidak berdistribusi Linier
3. Nilai signifikansi : α = 0,05
4. Daerah kritis : sign deviation from linearity < 0,05
5. Perhitungan :
 SPSS
Berikut merupakan hasil pergitungan uji linieritas dengan SPSS:
Tabel 4. 41 Uji Linieritas Data Majemuk SPSS (1)
ANOVA Table
Sum of Squares df Mean Square F Sig.
Y Between Groups (Combined) 139.838 21 6.659 .395 .972

* Linearity 19.851 1 19.851 1.178 .298
X Deviation from
1 119.987 20 5.999 .356 .981
Linearity
Within Groups 219.133 13 16.856
Total 358.971 34

2022 65
Kelompok 15
ANOVA Table
YBetween Groups (Combined) 347.505 20 17.375 21.214 .000
Linearity 311.299 1 311.299 380.074 .000

* Deviation from
36.206 19 1.906 2.327 .056
Linearity
X
Within Groups 11.467 14 .819
2
Total 358.971 34
ANOVA Table
Y Between Groups (Combined) 306.305 24 12.763 2.423 .073
Linearity 90.184 1 90.184 17.123 .002

* Deviation from
216.121 23 9.397 1.784 .171
Linearity
X
Within Groups 52.667 10 5.267
3
Total 358.971 34
ANOVA Table
YBetween Groups (Combined) 305.925 10 30.593 13.841 .000
Linearity 67.812 1 67.812 30.681 .000

* Deviation from Linearity 238.113 9 26.457 11.970 .000
Within Groups 53.046 24 2.210

X
Total 358.971 34
4

2022 66
Kelompok 15
6. Keputusan : Berdasarkan tabel pada bagian Deviation From Linearity

diperoleh nilai 0,981; 0,056; 0,171; 0,000; dimana terdapat nilai yang tidak
lebih besar dari ∝=0,05 ,maka H0 ditolak.
7. Kesimpulan : Model data majemuk tidak berdistribusi linier.
2. Uji Normalitas
1. Ho : Data residual model regresi berdistribusi normal
2. H1 : Data residual model regresi tidak berdistribusi normal.
3. Nilai signifikasnsi : α = 0,05
4. Daerah kritis : Nilai Ks > 0,224
5. Perhitungan:
 SPSS
Berikut merupakan hasil perhitungan uji normalitas dengan SPSS:
Tabel 4. 45 Uji Normalitas Majemuk dengan SPSS
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
Unstandardized Residual .117 35 .200* .962 35 .267
*. This is a lower bound of the true significance.

a. Lilliefors Significance Correction
 Minitab
Berikut merupakan hasil perhitungan uji normalitas dengan Minitab:

2022 67
Kelompok 15
Gambar 4. 2 Plot Data Majemuk Minitab

6. Keputusan : Berdasarkan nilai otput SPSS diperoleh nilai Sig > 0,05
sehingga, H0 ditolak.
7. Kesimpulan : Data residual model regresi tidak brdistribusi normal.
3. Uji Autokorelasi
1. H0 = Sampel tidak terjadi autokorelasi (r = 0)
2. H1 = Sampel terjadi autokorelasi (r ≠ 0)
3. α : 0.05
4. Daerah kritis : dw < 1,1426, dw > 1,7386 (dw < dL atau dw > du)
5. Perhitungan :
 Manual
Berikut ini merupakan hasil perhitungan manual pengujian
autokorelasi regresi majemuk:
 Mencari nilai et
et= y −^y
 Mencari nilai d Durbin Watson
t =2
D=∑ ¿ ¿ ¿
t −2
87,31
D= =2,268
38,5
Tabel 4. 46 Perhitungan Uji Autokorelasi Majemuk Manual
No Y ^
Y et et-1 et-(et-1) (et-(et-1))2 et

2022 68
Kelompok 15
1 5 3.92119 1.07881 1.163831

2 2 4.19846 -2.19846 1.07881 -3.27727 10.7405 4.833226
3 4 3.70062 0.29938 -2.19846 2.49784 6.239205 0.089628
4 5 4.21236 0.78764 0.29938 0.48826 0.238398 0.620377
5 4 2.76523 1.23477 0.78764 0.44713 0.199925 1.524657
6 -2 1.00519 -3.00519 1.23477 -4.23996 17.97726 9.031167
7 4 3.85282 0.14718 -3.00519 3.15237 9.937437 0.021662
8 4 4.18658 -0.18658 0.14718 -0.33376 0.111396 0.034812
9 6 4.51799 1.48201 -0.18658 1.66859 2.784193 2.196354
10 3 3.21971 -0.21971 1.48201 -1.70172 2.895851 0.048272
Tabel 4.46 Perhitungan Uji Autokorelasi Majemuk Manual (lanjutan)
No Y ^
Y et et-1 et-(et-1) (et-(et-1))2 et
11 -13 -13.7721 0.77209 -0.21971 0.9918 0.983667 0.596123
12 5 4.56193 0.43807 0.77209 -0.33402 0.111569 0.191905
13 3 4.42332 -1.42332 0.43807 -1.86139 3.464773 2.02584
14 2 3.3699 -1.3699 -1.42332 0.05342 0.002854 1.876626
15 2 3.41233 -1.41233 -1.3699 -0.04243 0.0018 1.994676
16 4 3.90558 0.09442 -1.41233 1.50675 2.270296 0.008915
17 3 3.20443 -0.20443 0.09442 -0.29885 0.089311 0.041792
18 4 4.63852 -0.63852 -0.20443 -0.43409 0.188434 0.407708
19 4 4.16284 -0.16284 -0.63852 0.47568 0.226271 0.026517
20 2 1.63521 0.36479 -0.16284 0.52763 0.278393 0.133072
21 4 3.50376 0.49624 0.36479 0.13145 0.017279 0.246254
22 2 2.68557 -0.68557 0.49624 -1.18181 1.396675 0.470006
23 4 3.64585 0.35415 -0.68557 1.03972 1.081018 0.125422
24 3 2.68749 0.31251 0.35415 -0.04164 0.001734 0.097663
25 3 2.89916 0.10084 0.31251 -0.21167 0.044804 0.010169
26 2 2.4041 -0.4041 0.10084 -0.50494 0.254964 0.163297
27 4 3.16083 0.83917 -0.4041 1.24327 1.54572 0.704206
28 2 2.49107 -0.49107 0.83917 -1.33024 1.769538 0.24115
29 7 5.53355 1.46645 -0.49107 1.95752 3.831885 2.150476
30 1 1.56526 -0.56526 1.46645 -2.03171 4.127846 0.319519
31 2 2.31751 -0.31751 -0.56526 0.24775 0.06138 0.100813
32 7 4.40995 2.59005 -0.31751 2.90756 8.453905 6.708359
33 4 3.70759 0.29241 2.59005 -2.29764 5.27915 0.085504
34 4 4.25162 -0.25162 0.29241 -0.54403 0.295969 0.063313
35 4 3.61456 0.38544 -0.25162 0.63706 0.405845 0.148564
Total 104.00 104.00 0.00 -0.39 -0.69 87.31 38.50

2022 69
Kelompok 15
 SPSS
Berikut merupakan hasil perhitungan uji autokorelasi pada SPSS:
Tabel 4. 47 Perhitungan Uji Autokorelasi Majemuk dengan SPSS
Model Summaryb

Model R R Square Square Estimate Durbin-Watson
1 .945a .893 .878 1.13287 2.268
a. Predictors: (Constant), X4, X1, X3, X2

b. Dependent Variable: Y
 Minitab
Berikut merupakan hasil perhitungan uji autokorelasi pada Minitab:
Durbin-Watson Statistic
Durbin-Watson Statistic = 2.26766
Berikut merupakan rekapitulasi hasil perhitungan uji autokorelasi:

Tabel 4. 48 Rekapitulasi uji autokorelasi
Software Nilai
Manual 2,268
SPSS 2,268
Minitab 2,26766
6. Keputusan : Jangan tolak H0, karena hasil perhitungn Durbin-Watson

menunjukkan bahwa nilai DW berada di luar daerah kritis DL dan DU.
1,2221)

2022 70
Kelompok 15
7. Kesimpulan : Sampel terjadi autokorelasi
4. Uji Heteroskedastisitas
1. H0 = Data residual regresi bersifat homokesdastisitas
2. H1 = Data residual regresi tidak bersifat heterokesdasisitas
3. α : 0.05
4. Daerah kritis :
- SPSS : sig > 0,05
5. Perhitungan:
 SPSS
Berikut merupakan hasil perhitungan uji heteroskedastisitas pada
SPSS
Tabel 4. 49 Perhitungan uji heteroskedastisitas pada SPSS
Coefficientsa
Standardized
1 (Constant) -1.595 1.178 -1.355 .186

X1 .008 .012 .140 .688 .497
X2 .006 .005 .300 1.309 .201
X3 .022 .010 .456 2.174 .038
X4 -.008 .027 -.057 -.286 .776
a. Dependent Variable: Abs_RES
6. Keputusan : H0 ditolak, karena nilai sig > 0,05

7. Kesimpulan : Data regresi bersifat homokesdastisitas
5. Uji Multikolinearitas
1. H0 = Tidak terdapat korelasi linier antara variabel bebas
2022 71
Kelompok 15
2. H1 = Terdapat korelasi linier antara variabel bebas

3. α : 0.05
4. Daerah kritis : VIF > 10
5. Perhitungan:
 SPSS
Berikut merupakan hasil perhitungan uji multikolinieritas pada SPSS:
Tabel 4. 50 Perhitungan Uji Multikolinieritas Majemuk dengan SPSS
Coefficientsa
Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) 5.868 1.881 3.119 .004
X1 .037 .019 .142 1.983 .057 .693 1.444
X2 -.071 .007 -.788 -9.720 .000 .544 1.837
X3 .037 .016 .168 2.260 .031 .650 1.539
X4 -.060 .044 -.096 -1.372 .180 .730 1.370
a. Dependent Variable: Y
 Minitab
Berikut merupakan hasil perhitungan uji multikolinieritas pada
Minitab:
Coefficients

Constant 5.87 1.88 3.12 0.004
X1 0.0368 0.0186 1.98 0.057 1.44
X2 -0.07088 0.00729 -9.72 0.000 1.84
X3 0.0367 0.0163 2.26 0.031 1.54
X4 -0.0602 0.0439 -1.37 0.180 1.37
Berikut merupakan rekap perhitungan uji multikolinieritas:

Tabel 4. 51 rekap perhitungan uji multikolinieritas
Variabel Independen Perhitungan

2022 72
Kelompok 15
SPSS Minitab
CAR (X1) 1,444 1,44
BOPO (X2) 1,837 1,84
LDR (X3) 1,539 1,54
NPL (X4) 1,370 1,37
6. Keputusan : Jangan tolak Ho, karena nilai VIF dari keseluruhan variable
independen tidak lebih dari 10.
7. Kesimpulan : Tidak terdapat korelasi linier antara variable bebas
4.2.3 Korelasi
4.2.3.1 Koefisien Korelasi Pearson
a. Manual
Berikut merupakan pengolahan koefisien korelasi pearson regresi majemuk
secara manual:
Tabel 4. 52 Koefisien Korelasi Pearson Regresi Majemuk
No. Y2 X12 X 22 X32 X42
1 25 196 6084 8100 16
2 4 1681 7225 7056 16
3 16 256 6889 8100 9
4 25 361 6084 7744 1
5 16 324 6084 4356 121
6 4 81 11881 6724 64
7 16 256 5776 6241 4
8 16 2916 5625 2809 25
9 36 1156 5929 6561 4
10 9 100 7569 7921 4
11 169 196 84681 1521 256
12 25 625 6400 9409 4
13 9 841 6084 7569 9

2022 73
Kelompok 15
14 4 361 7744 7396 4

15 4 225 7056 8100 36
16 16 324 5929 6724 9
17 9 225 6561 5184 4
18 16 1024 5184 5625 1
19 16 361 5929 7744 9
Tabel 4.52 Koefisien Korelasi Pearson Regresi Majemuk (lanjutan)

No. Y2 X12 X 22 X32 X42
20 4 225 7921 2304 16
21 16 196 6084 5929 9
22 4 676 7744 3844 9
23 16 361 5776 5184 9
24 9 256 7921 5476 9
25 9 3364 7056 4761 784
26 4 196 7744 4624 16
27 16 484 7396 6400 36
28 4 289 7744 4761 25
29 49 576 5041 12544 25
30 1 49 9216 7056 196
31 4 169 8464 5776 25
32 49 576 5329 6724 9
33 16 1444 6400 4096 16
34 16 2704 5329 2304 4
35 16 361 6724 7396 25
Berikut merupakan hasil perhitungan korelasi pearson regresi majemuk:

Tabel 4. 53 Perhitungan Manual Koefisien Korelasi Regresi Majemuk
No XIY X2Y X3Y X4Y X1X2 X1X3 X1X4 X2X3 X2X4 X3X4
1 70 390 450 20 1092 1260 56 7020 312 360
2 82 170 168 8 3485 3444 164 7140 340 336
3 64 332 360 12 1328 1440 48 7470 249 270

2022 74
Kelompok 15
4 95 390 440 5 1482 1672 19 6864 78 88

5 72 312 264 44 1404 1188 198 5148 858 726
6 -18 -218 -164 -16 981 738 72 8938 872 656
7 64 304 316 8 1216 1264 32 6004 152 158
8 216 300 212 20 4050 2862 270 3975 375 265
9 204 462 486 12 2618 2754 68 6237 154 162
Tabel 4.53 Perhitungan Manual Koefisien Korelasi Regresi Majemuk (lanjutan)

No XIY X2Y X3Y X4Y X1X2 X1X3 X1X4 X2X3 X2X4 X3X4
10 30 261 267 6 870 890 20 7743 174 178
11 -182 -3783 -507 -208 4074 546 224 11349 4656 624
12 125 400 485 10 2000 2425 50 7760 160 194
13 87 234 261 9 2262 2523 87 6786 234 261
14 38 176 172 4 1672 1634 38 7568 176 172
15 30 168 180 12 1260 1350 90 7560 504 540
16 72 308 328 12 1386 1476 54 6314 231 246
17 45 243 216 6 1215 1080 30 5832 162 144
18 128 288 300 4 2304 2400 32 5400 72 75
19 76 308 352 12 1463 1672 57 6776 231 264
20 30 178 96 8 1335 720 60 4272 356 192
21 56 312 308 12 1092 1078 42 6006 234 231
22 52 176 124 6 2288 1612 78 5456 264 186
23 76 304 288 12 1444 1368 57 5472 228 216
24 48 267 222 9 1424 1184 48 6586 267 222
25 174 252 207 84 4872 4002 1624 5796 2352 1932
26 28 176 136 8 1232 952 56 5984 352 272
27 88 344 320 24 1892 1760 132 6880 516 480
28 34 176 138 10 1496 1173 85 6072 440 345
29 168 497 784 35 1704 2688 120 7952 355 560
30 7 96 84 14 672 588 98 8064 1344 1176
31 26 184 152 10 1196 988 65 6992 460 380
32 168 511 574 21 1752 1968 72 5986 219 246

2022 75
Kelompok 15
33 152 320 256 16 3040 2432 152 5120 320 256

34 208 292 192 8 3796 2496 104 3504 146 96
35 76 328 344 20 1558 1634 95 7052 410 430
Total 2689 5458 8811 277 66955 59261 4497 229078 18253 12939
[∑ ]
n 2
n
yt
Jyy=∑ y t − 2 t=1
t=1 n
[∑ ]
n 2
n
xt
Jxx=∑ x t − 2 t =1
t=1 n
[ ][ ∑ ]
n n
n ∑ xt yt
Jxy=∑ x t y t −
t =1 t=1
t=1 n
r =b
√ Jxx
=
Jxy
Jxy √ JxxJyy
1. Koefisien Korelasi Pearson X1Y

(104 ) (795 )
J x1 y=2689− =326,714
35
2
795
J x1 x 1=23435− =5377,143
35
326,714
r= =0,235
√(5377,143)(358,971)
(3087 )( 104 )
J x 2 y=5458− =−3714,8
35
2
3087
J x 2 x 2=316603− =44329,6
35

2022 76
Kelompok 15
−3714,8
r= =−0,931
√( 44329,6)(358,971)
(2689 )( 104 )
J x3 y=8811− =820,829
35
2
2689
J x3 x 3=214063− =7470,971
35
820,829
r= =0,501
√(7470,971)(358,971)
( 177 )( 104 )
J x 4 y=277− =−248,943
35
2
177
J x 4 x 4 =1809− =913,886
35
−248,943
r= =−0,435
√( 913,886)(358,971)
5. Koefisien Korelasi Pearson X1X2
795 ( 3087 )
J x1 x 2=66955− =−3164
35
−3164
r= =−0,205
√(5377,143)(44329,6)
795 ( 2689 )
J x1 x 3=59261− =−1817,714
35
−1817,714
r= =−0,287
√(5377,143)(7470,971)
795 ( 177 )
J x1 x 4=4497− =476,571
35
476,571
r= =0,215
√(5377,143)(913,886)
2022 77
Kelompok 15

3087 ( 2689 )
J x 2 x 3=229078− =−8091,8
35
−8091,8
r= =−0,445
√( 44329,6)(7470,971)

3087 (177 )
J x 2 x 4=18253− =2641,6
35
2641,6
r= =0,415
√( 44329,6)(913,886)
2689 ( 177 )
J x3 x 4=12939− =−659,657
35
−659,657
r= =−0,252
√(7470,971)(913,886)
b. SPSS
Berikut merupakan output perhitungan koefisien pearson dengan software SPSS:
Tabel 4. 54 Koefisien Pearson Majemuk software SPSS
Correlations
Y X1 X2 X3 X4
Y Pearson Correlation 1 .235 -.931** .501** -.435**
Sig. (2-tailed) .174 .000 .002 .009
N 35 35 35 35 35
X1 Pearson Correlation .235 1 -.205 -.287 .215
Sig. (2-tailed) .174 .238 .095 .215
N 35 35 35 35 35
X2 Pearson Correlation -.931 **
-.205 1 -.445**
.415*
Sig. (2-tailed) .000 .238 .007 .013
N 35 35 35 35 35
X3 Pearson Correlation .501** -.287 -.445** 1 -.252

2022 78
Kelompok 15
Sig. (2-tailed) .002 .095 .007 .143

N 35 35 35 35 35
X4 Pearson Correlation -.435** .215 .415* -.252 1
Sig. (2-tailed) .009 .215 .013 .143
N 35 35 35 35 35
**. Correlation is significant at the 0.01 level (2-tailed).

*. Correlation is significant at the 0.05 level (2-tailed).
c. Minitab
Berikut merupakan output perhitungan koefisien pearson dengan software
Minitab:
Correlation: Y, X1, X2, X3, X4
Y X1 X2 X3
X1 0.235
0.174
X2 -0.931 -0.205
0.000 0.238
X3 0.501 -0.287 -0.445

0.002 0.095 0.007
X4 -0.435 0.215 0.415 -0.252

0.009 0.215 0.013 0.143
d. Excel
Berikut merupakan output perhitungan koefisien pearson dengan software Excel:
Tabel 4. 55 Koefisien Pearson Majemuk software Excel
Column Column Column Colum Colum
1 2 3 n4 n5
Column
1 1
Column 0.23515
2 9 1
Column - -
3 0.93123 0.20493 1
Column 0.50122 - -
4 6 0.28679 0.44464 1
Column - 0.21498 0.41502 - 1

2022 79
Kelompok 15
0.2524
5 0.43463 4 5 5
Berikut merupakan table rekap koefisien korelasi pearson baik secara manual
serta menggunakan software:
Tabel 4. 56 Rekap Koefisien Pearson Majemuk

Koefisien
Manual SPSS Minitab Excel
Korelasi Pearson
X1Y 0,235 0,235 0,235 0.235159
X2Y -0,931 -0,931 -0,931 -0.93123
X3Y 0,501 0,501 0,501 0.501226
X4Y -0,435 -0,435 -0,435 -0.43463
X1X2 -0,205 -0,205 -0,205 -0.20493
X1X3 -0,287 -0,287 -0,287 -0.28679
X1X4 0,215 0,215 0,215 0.214984
X2X3 -0,445 -0,445 -0,445 -0.44464
X2X4 0,415 0,415 0,415 0.415025
X3X4 -0,252 -0,252 -0,252 -0.25245
4.2.3.2 Uji Hipotesis

a. Variabel Y dengan X1
 Hipotesis 1
1. H0 : β = 0 (tidak terdapat hubungan linier antara x dan y)
2. H1 : β ≠ 0 (terdapat hubungan linier antara x dan y)
3. α = 0,05
4. Daerah kritis : V = n – k – 1 = 35 – 4 – 1 = 30 t >2,042 dan t <-2,042
(Berdasarkan table L.4 Walpole)
5. Perhitungan

2022 80
Kelompok 15
r √ n−2 0,235 √ 33
t= = =1,390
√1−r √1−( 0,235 )2
2
6. Keputusan : Jangan tolak H0, karena t-hitung berada di luar daerah

kritis. (1,390 > -2,042)
7. Kesimpulan: Tidak terdapat hubungan linear antara X1 dan Y
 Hipotesis 2
1. H0:p = 0.9 (terdapat hubungan linear anatar variabel X1 dan variabel
Y)
2. H1: p ≠ 0 (Tidak ada hubungan linear antara variabel X1 dan variabel
Y)
3. α : 0,05
4. Daerah kritis : Z < - 1,645 (berdasarkan table L.3 Walpole)
5. Perhitungan
z= √
2
∈
[
n−3 ( 1+|r|) ( 1−ρo )
( 1−|r|) ( 1+ p o ) ]
z=
2 [
√ 32 ∈ ( 1−0,235 ) ( 1−0,9 ) =−6,973
( 1+0,235 ) ( 1+ 0,9 ) ]
−6,973 < -1,645
6. Keputusan : Tolak H0. (-6,973 < -1,645)
b. Variabel Y dengan X2
 Hipotesis 1
1. H0: p = 0 (tidak ada hubungan linear anatar variabel X2 dan variabel Y)
2. H1: p ≠ 0 (ada hubungan linear antara variabel X2 dan variabel Y)
3. α : 0,05

2022 81
Kelompok 15
4. Daerah kritis dengan derajat kebebasan V = n – k – 1 = 35 – 4 – 1 =

30 t >2,042 dan t <-2,042 (berdasarkan table L.4 Walpole)
5. Perhitungan
r √n−2 0,931 √33
t= = =−14,679
√1−r √1−( 0,931 )2
2
−14,679 < -2,042

6. Keputusan : Tolak H0
7. Kesimpulan: Terdapat hubungan linear antara X2 dan Y
 Hipotesis 2
Y)
Y)
3. α : 0,05
5. Perhitungan
z= √
2
∈
[
n−3 ( 1+|r|) ( 1−ρ o )
( 1−|r|) ( 1+ p o ) ]
z=
2 [
√ 35−3 ln (1−0,931)(1−0,9) =−17,761
(1+ 0,931)(1+0,9) ]
6. Keputusan : Tolak H0, karena z-hitung berada di daerah kritis. (-
17,761< -1,645)
c. Variabel Y dengan X3
 Hipotesis 1
1. H0: p = 0 (tidak ada hubungan linear anatar variabel X3 dan variabel Y)

2022 82
Kelompok 15

3. α : 0,05
5. Perhitungan
r √n−2 0,501 √ 33
t= = =3,327
√1−r √1−( 0,501 )2
2
6. Keputusan : Tolak H0, karena t-hitung tidak berada di luar daerah

kritis. (3,327 > 2,042)
 Hipotesis 2
1. H0:p = 0,9 (terdapat hubungan linear anatar variabel X3 dan variabel
Y)
Y)
3. α : 0,05
5. Perhitungan
z= √
2
∈
[
n−3 ( 1+|r|) ( 1−ρo )
( 1−|r|) ( 1+ p o ) ]
z=
2 [ ( 1−0,501 ) (1+ 0,9 ) ]
√ 32 ∈ ( 1+ 0,501 )( 1−0,9 ) =−5,512
6. Keputusan : tolak H0, karena z-hitung tidak berada di daerah kritis. (-

5,512< -1,645)
7. Kesimpulan: tidak terdapat hubungan linear antara X3 dan Y
d. Variabel Y dengan X4

2022 83
Kelompok 15
 Hipotesis 1
1. H0:p = 0 (tidak ada hubungan linear anatar variabel X4 dan variabel Y)
3. α : 0,05
5. Perhitungan
r √ n−2 −0,435 √ 33
t= = =−2,772
√1−r 2 √1−( 0,806 )2
6. Keputusan : Tolak H0, karena t-hitung berada di dalam daerah kritis.
(-2,772 < -2,06)
 Hipotesis 2
Y)
Y)
3. α : 0,05
5. Perhitungan
z=
2 [
√ n−3 ∈ ( 1+r ) ( 1−ρ o )
( 1−r ) ( 1+ po ) ]
z=
2 [ ( 1+0,435 ) ( 1+ 0,9 ) ]
√ 32 ∈ ( 1−0,435 ) ( 1−0,9 ) =−10,962
6. Keputusan : tolak H0, karena z-hitung berada di daerah kritis. (-

10,962 < -1,645)

2022 84
Kelompok 15
7. Kesimpulan: tidak terdapat hubungan linear antara X4 dan Y

4.2.4.1 Slop
 Manual
Berikut ini merupakan hasil output dari pengolahan data koefisien slop
menggunakan manual:
Persamaan Regresi Linear Berganda:
^y =a+b1 x 1+ b2 x 2 +b3 x 3+ b4 x 4
Persamaan Normal
n n n n n
na+ b1 ∑ x 1 +b2 ∑ x 2+ b3 ∑ x3 + b4 ∑ x 4 +b 5 ∑ x 5
i=1 i=1 i=1 i=1 i=1
a ∑ x 1 +b1 ∑ x 1 +b 2 ∑ x 1 x 2 +b3 ∑ x 3 x 1 +b 4 ∑ x 4 x 1=∑ x 1 y

2
a ∑ x 2 +b1 ∑ x 1 x 2+ b2 ∑ x2 +b 3 ∑ x 3 x 2 +b 4 ∑ x 4 x 2=∑ x 2 y
2
a ∑ x 3 +b1 ∑ x 1 x 3 +b2 ∑ x 2 x 3+ b3 ∑ x 32 +b 4 ∑ x 4 x3 =∑ x 3 y
a ∑ x 4 + b1 ∑ x 1 x 4 +b2 ∑ x 2 x 4 +b 3 ∑ x 3 x 4+ b4 ∑ x 4 =∑ x 4 y
2
Sehingga didapatkan persamaan berikut;

35a + 795 b1+ 3087 b2 + 2689 b3 + 177 b 4 = 104
795a + 23435 b1+ 66955 b2 + 59261 b3 + 4497 b4 = 2689
3087a + 66955 b1+ 316603 b2 + 229078 b3 + 18253 b4 = 5458
2689a + 59261 b1+229078 b2 + 214063 b3 + 12939 b4 = 8811
177 a + 4497 b1+ 18253 b2 + 12939 b3 + 1809b 4 = 277
Dari persamaan kuadrat a+ b1 x 1 +b2 x 2+ b3 x 3 +b 4 x 4= y , dapat disusun matriks

sebagai berikut:

2022 85
Kelompok 15
[ ]
35 795 3087 2689 177
795 23435 66955 59261 4497
3087 66955 316603 229078 18253
2689 59261 229078 214063 12939
177 4497 18253 12939 1809
[]
104
2689
Matriks B= 5458
8811
277
[ ]
2,758 −0,017 −0,008 −0,022 0,010
−0,017 0,000 0,000 0,000 0,000
Invers Matriks A= −0,008 0,000 0,000 0,000 0,000
−0,022 0,000 0,000 0,000 0,000
0,010 0,000 0,000 0,000 0,001
Hasil Perkalian Invers Matriks A dengan Matriks B
[ ][ ]
a 5,868
b1 0,037
b2 = −0,071
b3 0,037
b4 −0,060
Maka hasil slop adalah

b1 = 0,037
b2 = −0,071
b3 = 0,037
b4 = −0,060
 SPSS
menggunakan software SPSS:
Tabel 4. 57 Output Koefisien Slop Regresi Majemuk pada SPSS

2022 86
Kelompok 15
Coefficientsa
Standardized
1 (Constant) 5.868 1.881 3.119 .004
X1 .037 .019 .142 1.983 .057
X2 -.071 .007 -.788 -9.720 .000
X3 .037 .016 .168 2.260 .031
X4 -.060 .044 -.096 -1.372 .180
 Minitab
menggunakan software Minitab:
Coefficients

Constant 5,87 1,88 3,12 0,004
X1 0,0368 0,0186 1,98 0,057 1,44
X2 -0,07088 0,00729 -9,72 0,000 1,84
X3 0,0367 0,0163 2,26 0,031 1,54
X4 -0,0602 0,0439 -1,37 0,180 1,37
 Excel
menggunakan software Excel:
Tabel 4. 58 Output Koefisien Slop Regresi Majemuk pada Excel
Coefficients Standard Error t Stat P-value
Intercept 5,86844 1,88127 3,11941 0,00398
X Variable 1 0,03681 0,01856 1,98287 0,05660
X Variable 2 -0,07088 0,00729 -9,71981 0,00000
X Variable 3 0,03674 0,01626 2,25963 0,03127
X Variable 4 -0,06020 0,04386 -1,37245 0,18010

2022 87
Kelompok 15
Berikut ini merupakan hasil rekap dari pengolahan data koefisien slop regresi
majemuk:
Tabel 4. 59 Rekap hasil Perhitungan slop regresi linier majemuk
No Perhitungan b1 b2 b3 b4
1 Manual 0,037 -0,071 0,037 -0,060
2 SPSS 0,037 -0,071 0,037 -0,060
3 Minitab 0,0368 -0,07088 0,0367 -0,0602
4 Excel 0,03681 -0,07088 0,03674 -0,06020
4.2.4.2 Intersep
 Manual
Berikut ini merupakan hasil output dari pengolahan data koefisien instersep
menggunakan manual:
[ ]
35 795 3087 2689 177
795 23435 66955 59261 4497
3087 66955 316603 229078 18253
2689 59261 229078 214063 12939
177 4497 18253 12939 1809
[]
104
2689
Matriks B= 5458
8811
277
[ ]
2,758 −0,017 −0,008 −0,022 0,010
−0,017 0,000 0,000 0,000 0,000
Invers Matriks A= −0,008 0,000 0,000 0,000 0,000
−0,022 0,000 0,000 0,000 0,000
0,010 0,000 0,000 0,000 0,001
Hasil Perkalian Invers Matriks A dengan Matriks B

2022 88
Kelompok 15
[ ][ ]
a 5,868
b1 0,037
b2 = −0,071
b3 0,037
b4 −0,060
Maka hasil Interesp adalah

a = 5,868
 SPSS
Tabel 4. 60 Perhitungan interserp majemuk dengan menggunakan Software SPSS
Coefficientsa
Standardized
1 (Constant) 5.868 1.881 3.119 .004
X1 .037 .019 .142 1.983 .057
X2 -.071 .007 -.788 -9.720 .000
X3 .037 .016 .168 2.260 .031
X4 -.060 .044 -.096 -1.372 .180

 Minitab
Coefficients

Constant 5,87 1,88 3,12 0,004
X1 0,0368 0,0186 1,98 0,057 1,44
X2 -0,07088 0,00729 -9,72 0,000 1,84
X3 0,0367 0,0163 2,26 0,031 1,54
X4 -0,0602 0,0439 -1,37 0,180 1,37

2022 89
Kelompok 15
 Excel
menggunakan Excel:
Tabel 4. 61 Perhitungan Interserp majemuk dengan menggunakan Excel
Intercept 5,86844 1,88127 3,11941 0,00398
X Variable 1 0,03681 0,01856 1,98287 0,05660
X Variable 2 -0,07088 0,00729 -9,71981 0,00000
X Variable 3 0,03674 0,01626 2,25963 0,03127
X Variable 4 -0,06020 0,04386 -1,37245 0,18010
Berikut ini merupakan hasil rekap dari pengolahan data koefisien intersep
regresi majemuk:
Tabel 4. 62 Rekap hasil perhitungan intersep regresi linier majemuk
No Perhitungan a
1 Manual 5,868
2 SPSS 5,868
3 Minitab 5,87
4 Excel 5,86844
4.2.4.3 Persamaan Garis Regresi

 Manual
Berikut ini merupakan hasil output dari pengolahan data persamaan garis regresi
menggunakan manual:
[ ][ ]
a 5,868
b1 0,037
b2 = −0,071
b3 0,037
b4 −0,060

2022 90
Kelompok 15
Y = -5,868 +0,037 X1 - 0,071 X2 + 0,037 X3 – 0,060 X4
 SPSS
Tabel 4. 63 Perhitungan persamaan garis regresi majemuk dengan Software SPSS
Coefficientsa
Standardized
1 (Constant) 5.868 1.881 3.119 .004
X1 .037 .019 .142 1.983 .057
X2 -.071 .007 -.788 -9.720 .000
X3 .037 .016 .168 2.260 .031
X4 -.060 .044 -.096 -1.372 .180
 Minitab
Coefficients

Constant 5,87 1,88 3,12 0,004
X1 0,0368 0,0186 1,98 0,057 1,44
X2 -0,07088 0,00729 -9,72 0,000 1,84
X3 0,0367 0,0163 2,26 0,031 1,54
X4 -0,0602 0,0439 -1,37 0,180 1,37
 Excel
menggunakan software Excel:
Tabel 4. 64 Perhitungan persamaan garis regresi linier majemuk

2022 91
Kelompok 15

Intercept 5,86844 1,88127 3,11941 0,00398
X Variable 1 0,03681 0,01856 1,98287 0,05660
X Variable 2 -0,07088 0,00729 -9,71981 0,00000
X Variable 3 0,03674 0,01626 2,25963 0,03127
X Variable 4 -0,06020 0,04386 -1,37245 0,18010
Berikut ini merupakan hasil rekap dari pengolahan persamaan garis regresi
majemuk:
Tabel 4. 65 Rekap perhitungan persamaan garis regresi
No Perhitungan b1 b2 b3 b4 a
1 Manual 0,037 -0,071 0,037 -0,060 5,868
2 SPSS 0,037 -0,071 0,037 -0,060 5,868
3 Minitab 0,0368 -0,07088 0,0367 -0,0602 5,87
4 Excel 0,03681 -0,07088 0,03674 -0,06020 5,86844

4.2.5.1 Taksiran Kesalahan Baku dari Regresi Linier Majemuk
 Manual
Berikut ini merupakan hasil output dari pengolahan data taksiran kesalahan baku
dari regresi linier majemuk menggunakan manual:
Tabel 4. 66 Hitung manual taksiran kesalahan baku regresi linier majemuk
No Y Y^ Y −Y^ (Y −Y^ )2
1 5 3,921 1,079 1,164
2 2 4,198 -2,198 4,833
3 4 3,701 0,299 0,090
4 5 4,212 0,788 0,620
5 4 2,765 1,235 1,525
6 -2 1,005 -3,005 9,031
7 4 3,853 0,147 0,022

2022 92
Kelompok 15
8 4 4,187 -0,187 0,035

9 6 4,518 1,482 2,196
10 3 3,220 -0,220 0,048
11 -13 -13,772 0,772 0,596
12 5 4,562 0,438 0,192
13 3 4,423 -1,423 2,026
14 2 3,370 -1,370 1,877
15 2 3,412 -1,412 1,995
16 4 3,906 0,094 0,009
17 3 3,204 -0,204 0,042
18 4 4,639 -0,639 0,408
19 4 4,163 -0,163 0,027
20 2 1,635 0,365 0,133
21 4 3,504 0,496 0,246
22 2 2,686 -0,686 0,470
23 4 3,646 0,354 0,125
24 3 2,687 0,313 0,098
25 3 2,899 0,101 0,010
26 2 2,404 -0,404 0,163
27 4 3,161 0,839 0,704
28 2 2,491 -0,491 0,241
29 7 5,534 1,466 2,150
Tabel 4.66 Hitung manual taksiran kesalahan baku regresi linier majemuk (lanjutan)
No Y Y^ Y −Y^ (Y −Y^ )2
30 1 1,565 -0,565 0,320
31 2 2,318 -0,318 0,101
32 7 4,410 2,590 6,708
33 4 3,708 0,292 0,086
34 4 4,252 -0,252 0,063
35 4 3,615 0,385 0,149

2022 93
Kelompok 15
JKG ( ∑ Y −Y^ )
2
2 38,5 38,5
Se = = = = =1,283
dKG n−k−1 35−4−1 30
 SPSS
dari regresi linier majemuk menggunakan software SPSS:
Tabel 4. 67 Perhitungan Software SPSS taksiran kesalahan baku regresi linier majemuk
ANOVAa
1 Regression 320.470 4 80.117 62.426 .000b
Residual 38.502 30 1.283
Total 358.971 34
b. Predictors: (Constant), X4, X1, X3, X2
 Minitab
dari regresi linier majemuk menggunakan software Minitab:

Regression 4 320,470 80,117 62,43 0,000
X1 1 5,046 5,046 3,93 0,057
X2 1 121,248 121,248 94,47 0,000
X3 1 6,553 6,553 5,11 0,031
X4 1 2,417 2,417 1,88 0,180
Error 30 38,502 1,283
Total 34 358,971
 Excel

2022 94
Kelompok 15
dari regresi linier majemuk menggunakan Excel:

Tabel 4. 68 Perhitungan Excel taksiran kesalahan baku dari regresi linier majemuk
df SS MS F Significance F
Regression 4 320,470 80,117 62,426 0,000
Residual 30 38,502 1,283
Total 34 358,971
Berikut ini merupakan hasil rekap dari pengolahan data kesalahan baku regresi
majemuk:
Tabel 4. 69 Rekap hasil perhitungan taksiran kesalahan baku dari regresi linier majemuk
No Perhitungan Kesalahan Baku
1 Manual 1,283
2 SPSS 1,283
3 Minitab 1,283
4 Excel 1,283
4.2.5.2 Taksiran Kesalahan Baku dari Parameter Slop

 Manual
dari parameter slop menggunakan manual:
S b1= √ S2e , C 22 = √ 1,283 x 0,000=0,019
S b2= √ S e , C 33= √1,283 x 0,000=0,007

2
S b3= √ S2e , C 44 =√ 1,283 x 0,000 =0,016
S b 4=√ S 2e ,C 55=√ 1,283 x 0,001=0,044
 SPSS
dari parameter slop menggunakan software SPSS:
Tabel 4. 70 Perhitungan Software SPSS kesalahan baku dari parameter slop regresi linier majemuk

2022 95
Kelompok 15
Coefficientsa
Standardized
1 (Constant) 5.868 1.881 3.119 .004
X1 .037 .019 .142 1.983 .057
X2 -.071 .007 -.788 -9.720 .000
X3 .037 .016 .168 2.260 .031
X4 -.060 .044 -.096 -1.372 .180
 Minitab
dari parameter slop menggunakan software Minitab:
Coefficients

Constant 5,87 1,88 3,12 0,004
X1 0,0368 0,0186 1,98 0,057 1,44
X2 -0,07088 0,00729 -9,72 0,000 1,84
X3 0,0367 0,0163 2,26 0,031 1,54
X4 -0,0602 0,0439 -1,37 0,180 1,37
 Excel
menggunakan Excel:
Tabel 4. 71 Perhitungan Excel kesalahan baku dari parameter slop regresi linier majemuk
Intercept 5,86844 1,88127 3,11941 0,00398
X Variable 1 0,03681 0,01856 1,98287 0,05660
X Variable 2 -0,07088 0,00729 -9,71981 0,00000
X Variable 3 0,03674 0,01626 2,25963 0,03127
X Variable 4 -0,06020 0,04386 -1,37245 0,18010

2022 96
Kelompok 15
Berikut ini merupakan hasil rekap dari pengolahan data kesalahan baku dari
parameter slop regresi majemuk:
Tabel 4. 72 Rekap hasil perhitungan kesalahn baku taksiran slop regresi linier majemuk
No Perhitungan Kesalahan Baku Taksiran Slop
b1 b2 b3 b4
1 Manual 0,019 0,007 0,016 0,044
2 SPSS 0,019 0,007 0,016 0,044
3 Minitab 0,0186 0,00729 0,0163 0,0439
4 Excel 0,01856 0,00729 0,01626 0,04386
4.2.5.3 Taksiran Kesalahan Baku dari Parameter Intersep

 Manual
dari parameter intersep menggunakan manual:
Sa=√ Se2 ,C 11=√ 1,283 x 2,758=1,881
 SPSS
dari parameter intersep menggunakan software SPSS:
Tabel 4. 73 Perhitungan Software SPSS kesalahan baku dari parameter interserp regresi linier
majemuk
Coefficientsa
Standardized
1 (Constant) 5.868 1.881 3.119 .004
X1 .037 .019 .142 1.983 .057
X2 -.071 .007 -.788 -9.720 .000
X3 .037 .016 .168 2.260 .031

2022 97
Kelompok 15
X4 -.060 .044 -.096 -1.372 .180
 Minitab
dari parameter intersep menggunakan software Minitab:
Coefficients

Constant 5,87 1,88 3,12 0,004
X1 0,0368 0,0186 1,98 0,057 1,44
X2 -0,07088 0,00729 -9,72 0,000 1,84
X3 0,0367 0,0163 2,26 0,031 1,54
X4 -0,0602 0,0439 -1,37 0,180 1,37
 Excel
dari parameter intersep menggunakan Excel:
Tabel 4. 74 Perhitungan Excel kesalahan baku dari parameter interserp regresi linier majemuk
Intercept 5,86844 1,88127 3,11941 0,00398
X Variable 1 0,03681 0,01856 1,98287 0,05660
X Variable 2 -0,07088 0,00729 -9,71981 0,00000
X Variable 3 0,03674 0,01626 2,25963 0,03127
X Variable 4 -0,06020 0,04386 -1,37245 0,18010
Berikut ini merupakan hasil rekap dari pengolahan data kesalahan baku dari
parameter intersep regresi majemuk:
Tabel 4. 75 Rekap Kesalahan Baku Parameter Intersep
No Perhitungan Kesalahan Baku
1 Manual 1,881
2 SPSS 1,881
3 Minitab 1,88
4 Excel 1,88127

2022 98
Kelompok 15

 Manual
1. β 1:
b 1−t ∝ , Sb1 < β 1< b1 +t ∝ , Sb1
2 2
0,037−2,060 , ( 0,019 ) < β 1< 0,037+2,042 , ( 0,019 )
−0,001< β 1 <0,075
2. β 2:
b 2−t ∝ , Sb2 < β 2< b2 +t ∝ , Sb2
2 2
−0,071−2,060 ( 0,007 ) < β 2←0,071+2,042( 0,007)
−0,086< β2 <−0,056
3. β 3:
b 3−t ∝ , Sb3 < β 3 <b3 +t ∝ , Sb 3
2 2
0,037−2,060 ( 0,016 ) < β 3 <0,037+2,042(0,016)
0,003< β 3 <0,070
4. β 4 :
b 4−t ∝ , Sb 4 < β 4 < b4 +t ∝ , Sb 4
2 2
−0,060−2,060 , ( 0,044 ) < β 4 ←0,060+2,042(0,044)
−0,151< β 4 < 0 ,030
 SPSS
Berikut merupakan hasil perhitungan selang kepercayaan slop menggunakan
software SPSS:
Tabel 4. 76 Selang Kepercayaan Slop SPSS
Coefficientsa
Unstandardized Standardized 95,0% Confidence

Coefficients Coefficients Interval for B
Lower Upper
Model B Std. Error Beta t Sig. Bound Bound
1 (Constant) 5.868 1.881 3.119 .004 2.026 9.711

2022 99
Kelompok 15
X1 .037 .019 .142 1.983 .057 -.001 .075
X2 -.071 .007 -.788 -9.720 .000 -.086 -.056
X3 .037 .016 .168 2.260 .031 .004 .070
X4 -.060 .044 -.096 -1.372 .180 -.150 .029
 Excel
software Excel:
Tabel 4. 77 Selang Kepercayaan Slop Excel
Coefficients Standard Error t Stat P-value Lower 95% Upper 95%
Intercept 5,86844 1,88127 3,11941 0,00398 2,02639 9,71050
X Variable 1 0,03681 0,01856 1,98287 0,05660 -0,00110 0,07472
X Variable 2 -0,07088 0,00729 -9,71981 0,00000 -0,08577 -0,05599
X Variable 3 0,03674 0,01626 2,25963 0,03127 0,00353 0,06995
X Variable 4 -0,06020 0,04386 -1,37245 0,18010 -0,14978 0,02938
Berikut rekapitulasi hasil perhitungan selang kepercayaan slop pada perhitungan

manual, SPPS, dan Excel:
Tabel 4. 78 Perbandingan Hasil Perhitungan Selang Kepercayaan Slop
Perhitungan
Selang Kepercayaan Slop
Manual SPSS Excel
Lower -0,001 -0,001 -0,00110
β1
Upper 0,075 0,075 0,07472
Tabel 4.78 Perbandingan Hasil Perhitungan Selang Kepercayaan Slop (lanjutan)

Perhitungan
Manual SPSS Excel
Lower -0,086 -0,086 -0,08577
β2
Upper -0,056 -0,056 -0,05599
Lower 0,003 0,004 0,00353

2022 100
Kelompok 15
β3 Upper 0,070 0,070 0,06995

Lower -0,151 -0,150 -0,14978
β4
Upper 0,030 0,029 0,02938

 Manual
∝−t ∝ , S ∝<∝<∝+ t ∝ , S ∝
2 2
5,868−2,042 ( 1,881 ) <∝<5,868+2,042(1,881)
2,027<∝<9,710
 SPSS
Berikut merupakan hasil perhitungan selang kepercayaan intersep
Tabel 4. 79 Selang Kepercayaan Intersep SPSS
Coefficientsa
Unstandardized Standardized 95,0% Confidence

Coefficients Coefficients Interval for B
Lower Upper
Model B Std. Error Beta t Sig. Bound Bound
1 (Constant) 5.868 1.881 3.119 .004 2.026 9.711
X1 .037 .019 .142 1.983 .057 -.001 .075
X2 -.071 .007 -.788 -9.720 .000 -.086 -.056
X3 .037 .016 .168 2.260 .031 .004 .070
X4 -.060 .044 -.096 -1.372 .180 -.150 .029
 Excel
software Excel:
Tabel 4. 80 Selang Kepercayaan Intersep Excel

2022 101
Kelompok 15
Coefficients Standard Error t Stat P-value Lower 95% Upper 95%

Intercept 5,86844 1,88127 3,11941 0,00398 2,02639 9,71050
X Variable 1 0,03681 0,01856 1,98287 0,05660 -0,00110 0,07472
X Variable 2 -0,07088 0,00729 -9,71981 0,00000 -0,08577 -0,05599
X Variable 3 0,03674 0,01626 2,25963 0,03127 0,00353 0,06995
X Variable 4 -0,06020 0,04386 -1,37245 0,18010 -0,14978 0,02938
Berikut rekapitulasi hasil perhitungan selang kepercayaan slop pada

perhitungan manual, SPPS, dan Excel:
Tabel 4. 81 Perbandingan Hasil Perhitungan Selang Kepercayaan Intersep
Perhitungan
Manual SPSS Excel
Lower 2,027 2,026 2,02639
∝
Upper 9,710 9,711 9,71050
4.2.7 Uji Hipotesis

4.2.7.1 Uji Hipotesis Slop
a. Uji Hipotesis 1
1. H 0 : β 1=¿ 0 (garis mode regresi melewati titik (0,0))
2. H 0 : β 1 ≠ 0 (garis mode regresi tidak melewati titik (0,0))
3. α : 0,05
4. Daerah kritis : t (0,025 ;30) > 2,042 dan t (0,025 ;30) ←2,042 dengan derajat
kebebasan v=n−k−1=35−4−1=30
5. Perhitungan
b1−B0 0,037−0
t= = =1,947
Sb1 0,019
6. Keputusan : Jangan tolak H 0 karena nilai berada di luar daerah kritis
(1,947 > -2,042)
7. Kesimpulan : Garis mode regresi melewati titik (0,0)
b. Uji Hipotesis 2

2022 102
Kelompok 15

3. α : 0,05
5. Perhitungan
b2−B0 −0,071−0
t= = =−10,143
Sb2 0,007
6. Keputusan : Tolak H 0 karena nilai berada di dalam daerah kritis (
−10,143 < -2,042)
7. Kesimpulan : Garis mode regresi tidak melewati titik (0,0)
c. Uji Hipotesis 3
3. α : 0,05
5. Perhitungan
b3−B0 0,037−0
t= = =2,313
Sb3 0,016
6. Keputusan : Tolak H 0 karena nilai berada di dalam daerah kritis (
2,313 > 2,042)
d. Uji Hipotesis 4
1. H 0 : β 4 =¿ 0 (garis mode regresi melewati titik (0,0))
3. α : 0,05
2022 103
Kelompok 15
5. Perhitungan
b4 −B0 −0,060−0
t= = =−1,364
Sb4 0,044
6. Keputusan : Jangan tolak H 0 karena nilai berada di luar daerah kritis
(-1,364 > -2,042)
7. Kesimpulan : Garis mode regresi melewati titik (0,0)
4.2.7.2 Uji Hipotesis Intersep
1. H 0 : α =¿ 0 (garis mode regresi melewati titik (0,0))
2. H 0 : α ≠ 0 (garis mode regresi tidak melewati titik (0,0))
3. α : 0,05
5. Perhitungan
α −∝0 5,868−0
t= = =3,013
Sa 1,811
6. Keputusan : Tolak H 0 karena nilai berada di dalam daerah kritis
(3,013 > 2,042)
4.2.8 Validasi
a. Manual
Nilai koefisien penentu (sampel) r 2adalah kuadrat nilai koefisien korelasi r
dengan rumus sebagai berikut:
JKT=J yy =358,971

2022 104
Kelompok 15
2
JKG=Ʃ ( y− ^y ) =38,502
JKR=JKT−JKG=358,972−38,502=320,470
2 JKR 320,470
r= = =0,893
JKT 358,971
b. SPSS
Berikut ini merupakan hasil output dari pengolahan data koefisien determinasi
menggunakan SPSS:
Tabel 4. 82 Output Koefisien Determinasi Regresi Majemuk Software SPSS
Model Summaryb

Model R R Square Square Estimate
1 .945a .893 .878 1.13287
a. Predictors: (Constant), X4, X1, X3, X2

b. Dependent Variable: Y
c. Minitab
menggunakan Minitab:
Model Summary
S R-sq R-sq(adj) R-sq(pred)

1,13287 89,27% 87,84% 0,00%
d. Excel
menggunakan Excel:
Tabel 4. 83 Ouput Koefisien Determinasi Regresi Majemuk Software Excel
Regression Statistics
Multiple R 0,945
R Square 0,893

2022 105
Kelompok 15
Adjusted R Square 0,878

Standard Error 1,133
Observations 35
Berikut rekapitulasi perhitungan koefisien determinasi dengan perhitungan

manual, SPSS, Minitab, dan Excel:
Tabel 4. 84 Rekapitulasi Perhitungan Koefisien Determinasi
No
Perhitungan r2
.
1 Manual 0,893
2 SPSS 0,893
3 Minitab 89,27%
4 Excel 0,893
4.2.8.2 Pengujian Garis Regresi

1. H 0 : β 1=β 2=β 3=β 4 =0 (Tidak ada variabel regressor yang berkontribusi
signifikan pada y)
2. H 0 : β 1 ≠ β 2 ≠ β 3 ≠ β 4 ≠ 0 (Terdapat variabel regressor yang berkontribusi
signifikan pada y)
3. α : 0,05
4. Daerah kritis ; F hitung > F tabel
V 1=k=4 :V 2=n−k −1=35−4−1=30
F tabel=2,69 (Tabel L.6)
5. Perhitungan
 Manual
JKT=J yy=358,971
2
JKG=Ʃ ( y− ^y ) =38,502

2022 106
Kelompok 15
JKR=JKT−JKG=320,470
JKG 38,502 38,502
Se = 2 = = =1,283
n−k−1 35−4−1 30
2 JKR 320,470
S= = =80,118
k 4
2
S 80,118
F= = =62,426
S e 1,283
2
 SPSS
Berikut ini merupakan hasil pengujian garis regresi majemuk pada SPSS:
Tabel 4. 85 Output Pengujian Garis Regresi Software SPSS
ANOVAa
1 Regression 320.470 4 80.117 62.426 .000b
Residual 38.502 30 1.283
Total 358.971 34
b. Predictors: (Constant), X4, X1, X3, X2
 Minitab
Berikut ini merupakan hasil pengujian garis regresi majemuk pada
Minitab:
Regression 4 320,470 80,117 62,43 0,000
X1 1 5,046 5,046 3,93 0,057
X2 1 121,248 121,248 94,47 0,000
X3 1 6,553 6,553 5,11 0,031
X4 1 2,417 2,417 1,88 0,180
Error 30 38,502 1,283
Total 34 358,971
 Excel
Berikut ini merupakan hasil pengujian garis regresi majemuk pada Excel:
Tabel 4. 86 Output Pengujian Garis Regresi Software Excel
df SS MS F Significance F

2022 107
Kelompok 15
Regression 4 320,470 80,117 62,426 0,000

Residual 30 38,502 1,283
Total 34 358,971
Berikut ini merupakan rekapitulasi hasil dari pengujian garis regresi:

Tabel 4. 87 Rekapitulasi Perhitungan Koefisien Determinasi
No
Perhitungan F
.
1 Manual 62,426
2 SPSS 62,426
3 Minitab 62,43
4 Excel 62,426
6. Keputusan : Tolak H 0 karena F hitung 62,426 > 2,69

7. Kesimpulan : Terdapat variabel regressor yang berkontribusi
signifikan pada y
4.2.8.3 Pengujian Hasil Regresi
a. Uji T
1. H 0: μ1=μ 2 (tidak terdapat perbedaan rataan antara y dan ^y )
2. H 1: μ1 ≠ μ2 (terdapat perbedaan rataan antara y dan ^y )
3. α =0,05
4. Daerah kritis yaitu t(0,025;31) = 2,039 t < -2,039 dan t > 2,309
5. Perhitungan:
 Manual
Berikut ini merupakan hasil output dari perhitungan uji T menggunakan
perhitungan manual:
Tabel 4. 88 Perhitungan Pengujian Hasil Regresi
No y ^y
1 5 3,921

2022 108
Kelompok 15
2 2 4,198
3 4 3,701
4 5 4,212
5 4 2,765
6 -2 1,005
7 4 3,853
8 4 4,187
9 6 4,518
10 3 3,220
11 -13 -13,772
12 5 4,562
13 3 4,423
14 2 3,370
15 2 3,412
16 4 3,906
17 3 3,204
18 4 4,639
19 4 4,163
20 2 1,635
21 4 3,504
22 2 2,686
23 4 3,646
24 3 2,687
25 3 2,899
26 2 2,404
27 4 3,161
28 2 2,491
29 7 5,534
Tabel 4.88 Perhitungan Pengujian Hasil Regresi (lanjutan)

No y ^y
30 1 1,565

2022 109
Kelompok 15
31 2 2,318
32 7 4,410
33 4 3,708
34 4 4,252
35 4 3,615
Total 104 104,000
Mea
2,971
n 2,971
SD 3,249 3,070
2
SD 10,558 9,426
Sp=
√ ( ni−1 ) S12 + ( n i−1 ) S 22
n1 +n 2−2
Sp=
√ ( 35−1 ) 3,2492 + ( 35−1 ) 3,0702
35+35−2
Sp=
√ 679,351
68
Sp= √9,990=3,161
(x 1−x 2 )
t=
Sp
√ 1 1
+
n1 n2
(2,971−2,971)
t=
Sp
√ 1 1
+
35 35
t=0,000
 SPSS
perhitungan software SPSS:

2022 110
Kelompok 15
Tabel 4. 89 Uji T Pada Software SPSS
Paired Samples Test
Paired Differences
95% Confidence
Interval of the
Std. Std. Error Difference Sig. (2-

Mean Deviation Mean Lower Upper t df tailed)
Pair Y -
-.3655467
1 Unstandardized .00000000 1.06414539 .17987340 .36554673 .000 34 1.000
3
Predicted Value
 Minitab
perhitungan software Minitab:
95% CI for mean difference: (-0,366; 0,366)
T-Test of mean difference = 0 (vs ≠ 0): T-Value = 0,00 P-Value
= 1,000
 Excel
perhitungan software Excel:
Tabel 4. 90 Output Pengujian Garis Regresi Majemuk pada Excel

Variable 1 Variable 2
Mean 2,97143 2,97143
Variance 10,55798 9,42558

2022 111
Kelompok 15
Observations 35 35
Pearson Correlation 0,94485
Hypothesized Mean
Difference 0
df 34
t Stat 0,000
P(T<=t) one-tail 0,50000
t Critical one-tail 1,69092
P(T<=t) two-tail 1,00000
t Critical two-tail 2,03224
Berdasarkan pengujian hasil regresi majemuk dengan pethitungan

manual maupun Software
Tabel 4. 91 Perbandingan Output Uji T Pada Software dan Manual
Cara Perhitungan Nilai Uji T
Manual 0,000
SPSS 0,000
Minitab 0,000
Excel 0,000
6. Keputusan : Jangan tolak H0, karena nilai T-hitung berada di luar

daerah kritis 0,000 > -2,039
7. Kesimpulan : Tidak terdapat perbedaan variansi antara y dan ^y .
b. Uji F
1. H 0 :σ 12=σ 22(tidak terdapat perbedaan variansi antara y dan )

⏞y
2. H 0 :σ 12 ≠ σ 22(terdapat perbedaan variansi antara y dan )
⏞y
4. Daerah kritis: Daerah kritis dengan
V 1=k=4 :V 2=n−k −1=35−4−1=30, f hitung <−2,69 atau f hitung > 2,69
(tabel L.6 Walpole).
2022 112
Kelompok 15
 Manual
Berikut merupakan perhitungan F-hitung secara manual:
S 12
F=
S 22
2
(3,249)
F= =1,120
(3,070)2
 Minitab
Statistics
95% CI for
Variable N StDev Variance StDevs
Y 35 3,249 10,558 (2,628; 4,257)
FITS1 35 3,070 9,426 (2,483; 4,022)
Ratio of standard deviations = 1,058

Ratio of variances = 1,120
 Excel
Berikut merupakan perhitungan F dengan software Microsoft Excel:
Tabel 4. 92 Perhitungan F Dengan Software Microsoft Excel
Variable
Variable 1 2
2,97142
Mean 2,971429 8
9,42557
Variance 10,557983 6
Observations 35 35
df 34 34
F 1,120141903
P(F<=f) one-tail 0,371355208
F Critical one-
tail 1,772066477
software:
Tabel 4. 93 Perbandingan Nilai Uji F Data Majemuk

2022 113
Kelompok 15
Cara Perhitungan Nilai Uji F

Manual 1,120
Minitab 1,120
Excel 1,120
6. Keputusan : Jangan tolak H 0, karena nilai F-hitung berada di luar daerah
kritis 1,120 < 2,69
7. Kesimpulan : Tidak terdapat perbedaan variansi antara y dan ^y .
4.3 Seleksi Variabel

4.3.1 Forward
Berikut adalah hasil dari software SPSS forward:
Tabel 4. 94 Seleksi Variable Metode Forward SPSS
Variables Entered/Removeda
Variables Variables
Model Entered Removed Method
1 Forward
(Criterion:
X2 .
Probability-of-F-
to-enter <= .050)
Gambar 4. 3 Grafik Histogram Seleksi Variable Metode Forward SPSS

2022 114
Kelompok 15
4.3.2 Backward
Berikut adalah hasil dari software SPSS backward:
Tabel 4. 95 Seleksi Variable Metode Backward SPSS
Variables Variables
1 X4, X1, X3, X2b . Enter

2 Backward
(criterion:
. X4 Probability of F-
to-remove
>= .100).
3 Backward
(criterion:
to-remove
>= .100).
4 Backward
(criterion:
to-remove
>= .100).
b. All requested variables entered.

2022 115
Kelompok 15
Gambar 4. 4 Grafik Histogram Seleksi Variable Metode Backward SPSS

4.3.3 Stepwise
Berikut adalah hasil dari software SPSS stepwise:
Tabel 4. 96 Seleksi Variable Metode Stepwise SPSS
Variables Variables
1 Stepwise
(Criteria:
Probability-of-F-
X2 . to-enter <= .050,
Probability-of-F-
to-remove
>= .100).
Gambar 4. 5 Grafik Histogram Seleksi Variable Metode Stepwise SPSS

2022 116
Kelompok 15
BAB V
ANALISIS
5.1 Korelasi dan Regresi Linier Sederhana

 Uji Linieritas
Uji Linieritas merupakan uji yang digunakan untuk mengetahui apakah variabel
satu dengan lainnya memiliki hubungan yang linear secara signifikan atau tidak.
Berdasarkan hasil Output dari software SPSS pada tabel 4.2 didapatkan nilai
signifikan dari deviation from linierity sebesar 0,020. Nilai tersebut menandakan
bahwa data tersebut tidak bersifat regresi linier karena berada di dalam nilai
kritis yaitu sig <0,05 dengan α = 0.05. Suatu model linier digunakan untuk
memprediksi variabel dependen pada suatu garis lurus yang peubah nilainya

2022 117
Kelompok 15
konstan terhadap peubah nilai variabel independen. Berdasarkan perhitungan

tersebut, dapat disimpulkan bahwa nilai linieritas yang dimiliki oleh variabel
independen dan dependen tidak memenuhi syarat pada uji asumsi klasik untuk
regresi linier.
 Uji Normalitas
Uji normalitas merupakan suatu uji yang digunakan untuk mengetahui apakah
persebaran data berdistribusi normal atau tidak. Kegunaan uji ini adalah agar
data yang diuji tidak berada di bawah duga atau diluar duga sehingga
menyebabkan uji Anova tidak valid. Berdasarkan hasil output menggunakan
software SPSS pada tabel 4.3 hasil SPSS didapatkan nilai sig dengan Shapiro-
Wilk sebesar 0,000 dan Minitab pada gambar 4.1, maka dapat disimpulkan
bahwa data yang digunakan tidak berdistribusi secara normal. Hal ini juga
ditunjukkan dengan nilai p-value pada output minitab yaitu sebesar 0,010 yang
berarti kurang dari 0,050 sehingga dinyatakan tidak berdistribusi normal.
 Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah pada model regresi terdapat
korelasi antara residual pada periode ke-t dengan residual pada periode
sebelumnya (t-1). Pada perhitungan ini digunakan uji Durbin Watson, dimana
untuk mendapatkan regresi yang baik maka suatu model harus tidak terjadi
autokorelasi. Pada percobaan ini dihasilkan nilai uji Durbin Watson untuk SPSS
sebesar 2,123 (2,123>1,3520), untuk Minitab sebesar 2,12314 (2,12314
>1,3520) dan untuk Manual sebesar 2,123 (2,123>1,3520), yang mana berarti
nilai tersebut tidak berada di daerah kritis. Sehingga dapat disimpulkan bahwa
tidak terdapat korelasi antara residu pada periode t dengan perode sebelumnya.
 Uji Heteroskesdastisitas

2022 118
Kelompok 15
Pada uji heterokesdastisitas bertujuan untuk menguji apakah dalam model

regresi terjadi ketidaksamaan variansi residual dari satu pengamatan ke
pengamatan yang lain. Jika variansi tetap, maka disebut homokesdastisitas.
Suatu model regresi yang baik haruslah memenuhi asumsi homokesdastisitas.
Berdasarkan hasil output software SPSS pada tabel 4.6 didapatkan sig sebesar
0,581 dimana nilai sig lebih besar dari 0,05, sehingga dapat disimpulkan bahwa
nilai tersebut berada di dalam daerah krits yang artinya pada model regresi
terdapat kesamaan variansi residual dari pengamatan sat uke pengamatan lain.
5.1.2 Koefisien Korelasi Sampel
Analisis korelasi adalah suatu teknik analisis dalam statistika yang berguna
untuk mengetahui apakah terdapat hubungan linier antara dua buah variabel. Koefisien
korelasi (ρ) adalah suatu nilai yang menunjukkan kuat atau tidaknya hubungan linier
antara kedua variabel. Untuk memperoleh taksiran sampel untuk koefisien korelasi (ρ)
digunakan koefisien korelasi pearson (r). Dapat dilihat pada perhitungan koefisien
korelasi pearson dengan cara manual, bantuan software SPSS, minitab, dan Excel untuk
data regresi linear sederhana yang hasil perhitungannya menggunakan software maupun
manual, diperoleh hasil yang tidak jauh berbeda. Untuk perhitungan manual diperoleh r
sebesar 0,1997476, dengan menggunakan software SPSS diperoleh r sebesar 0,200,
software Minitab sebesar 0,200 dan dengan software Excel diperoleh r sebesar
0,199748. Nilai yang dihasilkan oleh output software baik SPSS, Minitab, Excel
maupun perhitungan manual menghasilkan hasil yang tidak jauh berbeda, perbedaan
hanya terletak pada pembulatan angka dibelakang koma, namun secara keseluruhan
hasilnya sama, yaitu berada pada kisaran 0,200.
Hal tersebut menyatakan bahwa nilai tersebut dapat dipercaya. Sehingga dapat
diartikan bahwa nilai 0,200 tersebut menunjukkan tingkat kekuatan dan arah hubungan
antara pengaruh jumlah industri (variabel independen) dengan jumlah tenaga kerja
(variabel dependen) bersifat searah dan kekuatan hubungannya rendah. Dengan nilai
koefisien positif yang diperolah menunjukkan hubungan positif antara kedua variabel

2022 119
Kelompok 15
tersebut, yang berarti semakin banyak jumlah industri, maka semakin banyak juga
jumlah tenaga kerja.
Analisis regresi linier sederhana adalah suatu proses untuk mengetahui
hubungan linier antara satu variable independen (X) dengan variabel dependen (Y).
Analisis ini berguna untuk mengetahui arah hubungan antara variabel independen
dengan variabel dependen apakah positif atau negatif dan untuk memprediksi nilai dari
variabel dependen apabila nilai variabel independen mengalami kenaikan atau
penurunan.
Berdasarkan perhitungan data koefisien slop secara manual maupun
menggunakan software SPSS, Minitab dan Excel. Hasil pengolahan data tersebut
menunjukkan bahwa output dari perhitungan manual adalah sebesar 1,356766, software
SPSS sebesar 1,357, Minitab sebesar 1,36, dan Excel sebesar 1,356766. Pada hasil
perhitungan tersebut terdapat perbedaan yang terletak pada pembulatan angka
dibelakang koma, namun secara keseluruhan hasilnya sama, yaitu berada pada kisaran
1,357. Nilai taksiran slop merupakan nilai yang dikalikan dengan variabel independent
(jumlah industri) yang menyatakan penambahan dan pengurangan nilai terhadap
variabel dependen (jumlah tenaga kerja). Jadi jika nilai slop positif, maka nilai model
regresi (ŷ) akan bertambah, sebaliknya jika nilai slop negatif, maka nilai model regresi
(ŷ) akan berkurang. Dalam data ini dapat dinyatakan bahwa setiap peningkatan jumlah
industry maka dapat diperkirakan terjadi peningkatan pada jumlah tenaga kerja sebesar
1,357.
Berdasarkan perhitungan data koefisien intersep secara manual maupun
menggunakan software SPSS, Minitab, dan Excel. Hasil pengolahan data tersebut
menunjukkan bahwa output dari perhitungan manual adalah sebesar 16815,84, software
SPSS sebesar 16815,84, Minitab sebesar 16816, dan Excel sebesar 16815,84. Pada hasil
perhitungan tersebut terdapat perbedaan yang terletak pada pembulatan angka
dibelakang koma, namun secara keseluruhan hasilnya sama, yaitu berada pada kisaran

2022 120
Kelompok 15
16815,84. Nilai taksiran intersep menyatakan nilai konstanta (nilai tetap) terhadap
variabel dependen. Dalam hal ini intersep diposisikan sebagai konstanta dalam
persamaan regresi. Jadi jika nilai intersep positif, maka nilai model regresi (ŷ) akan
bertambah, sebaliknya jika nilai intersep negatif, maka nilai model regresi (ŷ) akan
berkurang. Dapat dinyatakan bahwa pada data ini, apabila tidak ada peningkatan jumlah
industri maka tingkat jumlah tenaga kerja sama dengan intersep yaitu sebesar 16815,84.
Berdasarkan perhitungan analisis persamaan garis regresi sederhana secara
manual maupun menggunakan software SPSS, Minitab dan Excel. Hasil pengolahan
data tersebut menunjukkan bahwa output perhitungan manual adalah ŷ = 16815,84+
1,356766x, software SPSS ŷ = 16815,84+ 1,357x, Minitab ŷ = 16816+ 1,36x, dan Excel
ŷ = 16815,84+ 1,357x. Dari perhitungan tersebut menghasilkan nilai yang perbedaannya
tidak terlalu signifikan, dan cenderung sama, yaitu ŷ = 16815,84+1,357x. Perbedaan
terletak pada pembulatan angka dibelakang koma, namun secara keseluruhan hasilnya
sama, yaitu berada pada kisaran ŷ = 16815,84+1,357x dengan nilai intersep (𝑎) sebesar
16815,84 dan nilai slop (𝑏) sebesar 1,357. Terlihat nilai intersep dan slop dari regresi
yang apabila dimasukkan kedalam persamaan akan terdapat nilai sebesar 16815,84
untuk intersep dan 1,357x untuk slop yang menunjukkan bahwa nilai garis regresi linier
sederhana dipengaruhi 16815,84 tingkat jumlah industri dan 1,357 untuk jumlah tenaga
kerja.
5.1.4.1 Taksiran Kesalahan Baku dari Regresi Linier Sederhana
Berdasarkan perhitungan kesalahan baku regresi linear sederhana secara manual
maupun menggunakan software SPSS, Minitab, dan Excel. Hasil pengolahan data
tersebut menunjukkan bahwa secara manual diperoleh taksiran kesalahan baku dari
regresi linier sederhana adalah sebesar 829080101,7, dengan menggunakan software
SPSS sebesar 829080101,7, dengan Minitab sebesar 829080102 dan dengan Excel
sebesar 829080101,7. Taksiran kesalahan baku dari regresi linier sederhana yang
diperoleh memiliki perbedaan yang tidak terlalu signifikan, dan cenderung sama, yaitu

2022 121
Kelompok 15
829080101,7. Perbedaan nilai taksiran kesalahan baku dari regresi linier sederhana ini
terjadi karena perbedaan pembulatan angka di belakang koma. Semakin mendekati nol,
maka nilai regresi dan koefisien semakin mendekati tepat. Maka berdasarkan nilai
taksiran kesalahan baku dari regresi linier sederhana sebesar 829080101,7. Dapat
disimpulkan bahwa perhitungan tidak mendekati aslinya atau tingkat ketepatan yang
dimiliki model regresi masi kurang dan kesalahan masih terbilang cukup besar.
5.1.4.2 Taksiran Kesalahan Baku dari Slop
Berdasarkan perhitungan kesalahan baku dari slop secara manual maupun
menunjukkan bahwa secara manual diperoleh taksiran kesalahan baku dari slop sebesar
1,1585768, dengan menggunakan software SPSS sebesar 1,159, dengan Minitab sebesar
1,16 dan dengan Excel sebesar 1,158577. Taksiran kesalahan baku dari slop yang
diperoleh memiliki perbedaan yang tidak terlalu signifikan, dan cenderung sama, yaitu
1,16. Perbedaan nilai taksiran kesalahan baku dari slop ini terjadi karena perbedaan
pembulatan angka di belakang koma. Nilai ini menunjukkan tingkat ketepatan yang
dimiliki nilai regresi dan koefisien. Maka, dapat disimpulkan bahwa dengan nilai
kesalahan baku dari slop sebesar 1,16 dapat dikatakan bahwa tingkat ketepatan yang
dimiliki taksiran regresi tinggi atau kesalahan terbilang cukup kurang karena nilai
taksiran kesalahan baku dari slop jauh nilai nol.
5.1.4.3 Taksiran Kesalahan Baku dari Intersep
Berdasarkan perhitungan kesalahan baku dari intersep secara manual maupun
menunjukkan bahwa secara manual diperoleh taksiran kesalahan baku dari intersep
sebesar 7343,7014, dengan menggunakan software SPSS sebesar 7343,701, dengan
Minitab sebesar 7344 dan dengan Excel sebesar 7343,701. Taksiran kesalahan baku dari
intersep yang diperoleh memiliki perbedaan yang tidak terlalu signifikan, dan
cenderung sama, yaitu 7344. Perbedaan nilai taksiran kesalahan baku dari intersep ini
terjadi karena perbedaan pembulatan angka di belakang koma. Jika nilai kesalahan

2022 122
Kelompok 15
regresi dan koefisien semakin mendekati nol maka dapat dinyatakan nilai regesi dan
koefisien tersebut tepat. Selain itu tingkat kesalahan regresi juga dapat ditentukan
berdasarkan titik observasi terhadap garis regresi. Apabila semua titik observasi berada
tepat pada garis regresi maka kesalahan baku akan bernilai nol. Dari nilai taksiran
kesalahan baku dari intersep sebesar 7344 dapat disimpulkan titik observasi tidak
berada tepat pada garis regresi karena hasil jauh dari angka 0.

Selang kepercayaan adalah besar nilai yang masih mungkin pada nilai taksiran
slop dengan α =0,05 pada derajat kepercayaan95 % . Berdasarkan tabel 4.24, dapat
dilihat perbandingan selang kepercayaan pada data sederhna, dimana pada perhitungan
manual maupun dengan SPSS diperoleh nilai batas atas maupun batas bawah yang
sama, yaitu -0,998 dan 3,715 (−0,998< b<3.715), sedangkan dengan perhitungan Excel
diperoleh nilai batas bawah sebesar -0,99843 dan batas atas 3,715073
(−0,99843< b<3.715073). Perbedaan nilai ini dipengaruhi karena pada perhitungan
manual dan SPSS dilakukan pembulatan tiga angka di belakang koma.
Selang Kepercayaan intersep adalah besar nilai yang masih mungkin pada nilai
taksiran intersep dengan tingkat kepercayaan sebesar 95% sehingga diperoleh α =0,05.
Berdasarkan tabel 4.25 yang erupakan rekap nilai selang kepercayaan intersep dengan
perhitungan manual maupun software, dapat dilihat bahwa pada hasil perhitungan
manual dan SPSS diperoleh nilai selang kepercayaan intersep yang sama yaitu
1867<∝<31747,834 sedangkan output dari perhitungan excel diperoleh nilai
1867,553<∝<31747,83. Perbedaan nilai selang kepercayaan intersep antara manual,
SPSS dan Excel terjadi karena adanya pembulatan nilai yang sebenarnya juga tidak
begitu signifikan.

2022 123
Kelompok 15
5.1.6 Validasi
Dalam perhitungan regresi linier sederhana, selain koefisien relasi juga terdapat
koefisien determinasi yang menyetakan proporsi variansi keseluruhan dalam peubah y
yang dapat diakibatkan oleh hubungan linier dengan perubah x. Berdasarkan tabel 4.30
yang menunjukkan rekap nilai koefisien determinasi dihitung secara manual maupun
dengan software. Pada perhitungan manual, SPSS maupun Minitab diperoleh nilai
koefisien determinasi untuk data sederhana sebesar 0,40 sedangkan pada Excel
diperoleh nilai 0,4. Secara matematis sebenarnya kedua nilai ini adalah sama.
Berdasarkan hail perhitungan ini, menandakan bahwa sekitar 40% variansi dari nilai y
(jumlah tenaga kerja) disebabkan oleh hubungan linier dengan variable x (jumlah
industri). Berdasarkan nilai koefisien determinasi 40% juga dapat disimpulkan bahwa
tidak ada pengaruh yang signifikan antara variable x dan variable y, karena pengaruh
yang signifikan antara variabel x dan variabel y terjadi apabila presentase ≥ 80 % .
5.1.6.2 Uji T dan F
Uji T digunakan untuk mengetahui ada atau tidaknya perbedaan rataan antara y
dan ^y . Berdasarkan pada tabel 4.37 dapat dilihat bahwa nilai T-hitung adalah 0,000 baik
secara manual maupun dengan software SPSS, Minitab dan Excel. Sedangkan untuk
nilai T-tabel yaitu sebesar 2,035. Sehingga diperoleh daerah kritis T hitung > 2,035 atau
T hitung←2,035 , dan berdasarkan nilai T-hitung sebesar 0,000 dapat disimpulkan bahwa
nilai tersebut berada di luar daerah kritis. Sehingga tidak terdapat perbedaan rataan
antara y dan ^y .
Uji F digunakan untuk mengetahui ada atau tidaknya perbedaan variansi antara y
dan ^y . Berdasarkan tabel 4.38 yang merupakan tabel rekap perbandingan hasil
perhitungan F-hitung baik secara manual maupun dengan software, dapat dilihat bahwa
dengan perhitungan manual dan Minitab, diperoleh nilai F-hitung yang smaa yaitu
25,000 sedangkan dengan Excel diperoleh nilai 25,0002. Perbedaan yang tidak begitu
signifikan ini terjadi, karena adanya pembulatan tiga angka di belakang koma pada

2022 124
Kelompok 15
perhitungan manual dan Minitab. Untuk daerah kritis pada uji F sendiri, yaitu
F hitung > 4,139 , sehingga dapat disimpulkan bahwa nilai F-hitung berada di dalam daerah
kritis. Maka, terdapat perbedaan variansi antara y dan ^y .
5.2 Korelasi dan Regresi Linier Berganda

 Uji Linieritas
Uji Linearitas sendiri merupakan uji yang digunakan untuk mengetahui apakah
variabel satu dengan lainnya memiliki hubungan yang linear secara signifikan
atau tidak. Berdasakan hasil perhitungan dengan software SPSS dapat dilihat
bahwa nilai deviation from linearity adalah sebesar 0,981; 0,056; 0,171 dan
0,000. Berdasarkan nilai tersebut maka diketahui bahwa salah satunya tidak
lebih dari ∝=0,05( 0,000<0,05). Sehingga, dapat disimpulkan juga bahwa
madel data majemuk tidak berdistribusi linier.
 Uji Autokorelasi
Uji Autokorelasi adalah salah satu uji asumsi klasik yang bertujuan untuk
menguji apakah pada model regresi linier terdapat korelasi antara residual pada
periode t dengan residual pada periode sebelumnya (t-1). Pada perhitungan ini
digunakan uji Durbin Watson, dimana untuk mendapatkan regresi yang baik
maka suatu model harus tidak terjadi autokorelasi. Berdasarkan tabel 4.48 yang
merupakan rekap perhitungan Durbin-Watson diketahui bahwa dengan
perhitungan manual maupun SPSS diperoleh nilai yang sama yaitu 2,268
sedangkan dengan Minitab diperoleh nilai 2,26766. Berdasarkan pada daerah
kritis dw < 1,142, du > 1,7386; dapat disimpulkan bahwa nilai Durbin-Watson
berada di luar daerah kritis, sehingga kesimpulannya adalah pada model regresi
tersebut tidak terjadi autokorelasi.
 Uji Heteroskesdastisitas

2022 125
Kelompok 15
Uji hesteroskesdastisitas bertujuan untuk menguji apakah dalam regresi terjadi

ketidaksamaan variansi residual dari pengamatan satu ke pengamatan lain. Suatu
model regresi yang baik haruslah memenuhi asumsi homoskesdastisitas. Suatu
model regresi ditakan tidak heteroskesdatisitas apabila output pada SPSS
menunjukkan bahwa nlai sig>0,005, dan berdasarkan perhitungan yang telah
dilakukan pada data majemuk seperti yang ditunjukkan pada tabel 4.49, dapat
dilihat bahwa output nilai sig adalah 0,497>0,05; 0,201>0,05; 0,036>0,05;0,776
>0,05. Sehingga dapat disimpulkan bahwa data regresi linier majemuk bersifat
homoskedastisitas.
 Uji Multikolinieritas
Uji multikolinearitas bertujuan untuk menguji apakah dalam model regresi
ditemukan adanya korelasi antar variable bebas. Model regresi yang baik adalah
model regresi yang tidak terjadi korelasi di antara variable bebasnya.
Berdasarkan pada tabel 4.51, output yang dihasilkan software SPSSdan Minitab
memberikan nilai VIF yang tidak memiliki perbedaan yang signifikan.
Perbedaan hasil ini disebabkan oleh perbedaan cara pembulatan saat
perhitungan. Daerah kritis untuk uji ini adalah nilai VIF >10 dengan H 0 model
regresi tidak terjadi multikolinieritas, sedangkan seluruh output software
memiliki nilai VIF<10. Oleh karena itu, dapat disimpulkan bahwa data yang
diuji merupakan model regresi yang tidak terjadi multikolinieritas, yang berarti
tidak ditemukan adanya korelasi antara variabel bebas.
5.2.2 Koefisien Korelasi Sampel

Berdasarkan tabel 4.56 dapat dilihat rekap koefisien korelasi sampel. Pada
perhitungan manual, SPSS dan Minitab diperoleh keseluruhan hasil yang sama yaitu
0,235 untuk X1Y, 0,931 untuk X2Y, 0,501 untuk X3Y, -0,435 untuk X4Y, -0,205 untuk
X1X2, -0,287 untuk X1X3, 0,215 untuk X1X4, -0,445 untuk X2X3, 0,415 untuk
X2X4, -0,252 untuk X3X4. Sedangkan pada Excel diperoleh nilai 0.235159 untuk

2022 126
Kelompok 15
X1Y, 0.93123 untuk X2Y, 0.501226 untuk X3Y, -0.43463 untuk X4Y, -0.20493 untuk
X1X2, -0.28679 untuk X1X3, 0.214984 untuk X1X4, -0.44464 untuk X2X3, 0.415025
untuk X2X4, dan -0.25245 untuk X3X4. Perbedaan nilai yang tidak begitu signifikan ini
terjadi, kerena adanya pembulatan pada hasil perhitungan manual, SPSS maupun
Minitab.
Pada nilai korelasi yang mendekati satu memberikan indikator hubungan yang
kuat antara kedua variabel. Sedangkan pada nilai korelasi yang negatif berarti tidak ada
hubungan antara kedua variabel tersebut. Berdasarkan nilai koefisien korelasi yang telah
diperoleh, dapat disimpulkan bahwa nilai terbesar adalah pada X3Y yang menunjukkan
korelasi antara LDR dengan kinerja keuangan bank yaitu sebesar 0,501 yang artinya
hubungan antara kedua variabel ini juga tidak begitu kuat. Sedangkan untuk nilai
koefisien korelasi terkecil terjadi pada X2Y yang menunjukkan korelasi antara BOPO
dengan kinerja keuangan bank yaitu -,931 yang artinya, antara kedua variabel tersebut
tidak ada hubungan apapun. Hal yang sama juga berlaku pada koefisien korelasi yang
bernilai negatif.

Berdasarkan hasil perhitungan software SPSS, Minitab, Excel dan manual maka
dihasilkan nilai dari regresi linier majemuk sebagai berikut:
1. Slop
Slop merupakan suatu koefisien regresi untuk variabel bebas. Perubahan a
satuan pada X mengakibatkan perubahan b satuan pada Y, sehingga Y mengukur
kemiringan garis tersebut. Dari perhitungan SPSS, Minitab, Excel dan manual terdapat
sedikit perbedaan hasil. Hal ini dipengaruhi oleh ketelitian dalam perhitungan dan
pembulatan angka. Nilai taksiran kesalahan baku dari parameter slop yang didapatkan
dari perhitungan SPSS, Minitab, Excel, dan manual adalah b 1 senilai 5,868, b2 senilai
0,037 , b3 senilai 0,037 , dan b4 senilai −0,060 . Sedangkan persamaan garis regresi

2022 127
Kelompok 15
perhitungan manual yaitu pengaruh dari nilai keempat slop ini akan mempengaruhi dari
nilai variabel dependennya, karena jika nilai dari slop bernilai positif atau negatif maka
nilai dari variabel dependennya juga akan mengikuti positif ataupun negatif. Nilai
persamaan garis regresi ini didapat dari nilai slop.
2. Intersep
Dari perhitungan manual, SPSS, Minitab, dan Excel, nilai intersep (a) yang
diperoleh, tidak terdapat perbedaan hasil, yaitu senilai 5,868. Dari nilai intersep (a)
software SPSS, Minitab, dan Excel akan didapatkan persamaan garis regresinya. Maka
dari nilai intersep (a) dan slop (b1, b2, b3, dan b4) didapatkan persamaan garis regresinya
adalah Y = 5,868 +0,037 X1 - 0,071 X2 + 0,037 X3 – 0,060 X4. Pengaruh dari nilai
intersep ini akan memengaruhi dari nilai variabel dependennya, karena jika nilai dari
slope dan nilai intersep bernilai positif atau negatif maka nilai dari variabel
dependennya juga akan mengikuti positif ataupun negatif. Dan dalam konsep statistika,
intersep merupakan suatu titik perpotongan antara suatu garis dengan sumbu Y pada
diagram kartesius saat nilai X = 0. Dapat dinyatakan bahwa pada data ini, jika Pengaruh
Capital Adequacy Ratio (CAR), Beban Operasional Pendapatan Operasional (BOPO),
Loan To Deposit Ratio (LDR) Dan Non Performing Loan (NPL) Terhadap Kinerja
Keuangan Bank Perkreditan Rakyat Di Provinsi Daerah Istimewa Yogyakarta adalah 0
maka secara rata-rata jumlah kemenangan akan bernilai sama dengan intersep yaitu
sebesar 5,868. Dan dalam konsep statistika, slope merupakan suatu nilai yang
menunjukkan seberapa besar kontribusi yang diberikan variabel X terhadap variabel Y,
nilai slope ini dapat diartikan sebagai rata-rata pertambahan atau pengurangan yang
terjadi pada variabel Y untuk setiap peningkatan satu satuan variabel X.

5.2.4.1 Taksiran Kesalahan Baku dari Regresi Linier Berganda
Nilai kesalahan baku menunjukkan tingkat ketepatan yang dimiliki oleh nilai
regresi dan koefisien. Dari hasil yang sudah didapatkan menunjukkan hasil

2022 128
Kelompok 15
perbandingan perhitungan taksiran kesalahan baku yang diperoleh dari perhitungan

manual, SPSS, Minitab dan Excel pada hasil tersebut antara perhitungan manual dan
software tidak menunjukan hasil yang signifikan. Berdasarkan hasil perhitungan yang
diperoleh nilai kesalahan baku secara manual 1,283. Pada perhitungan menggunakan
software SPSS, Minitab dan Excel adalah 1,283, 1,283, dan 1,283. Dalam analisis
regresi, kesalahan baku mencerminkan standar deviasi yang mengukur variasi titik-titik
di atas dan dibawah garis regresi populasi. Semakin kecil angka kesalahan baku
dibandingkan angka standar deviasi dari variabel independen maka model regresi
semakin tepat dalam memprediksi variabel independennya. Terlihat bahwa nilai yang
dihasilkan tidak menunjukkan perbedaan.
5.2.4.2 Taksiran Kesalahan Baku dari Slop
Nilai kesalahan baku menunjukan tingkat ketepatan yang dimiliki oleh nilai
regresi dan koefisien. Dan untuk nilai kesalahan baku slop menunjukkan ketepatan
dalam memprediksi variable independennya. Pada hasil yang sudah di dapatkan
menunjukkan hasil pebandingan perhitungan kesalahan baku parameter slop.
Berdasarkan tabel, hasil perhitungan menggunakan software SPSS, Minitab, Excel dan
secara manual. Dari perhitungan manual, SPSS, minitab, dan excel, dan manual,
didapatkan nilai taksiran kesalahan baku slop dari regresi linier majemuk (Sb)
menunjukkan hasil yang sama antara skesalahan baku yang membedakan hanyalah
pembulatannya karena standar masing-masing software berbeda untuk slop b1 sampai
slop b4. Kesalahan baku untuk slop (b1, b2, b3, b4, secara berurutan) yang didapatkan
dari perhitungan manual, SPSS, minitab, dan excel adalah senilai (0,019 : 0,007 :
0,016 : 0,044), (0,019 : 0,007 : 0,016 : 0,044), (0,0186: 0,00729 : 0,0163 : 0,0439),
(0,01856 : 0,00729 : 0,01626 : 0,04386). Dalam analisis regresi, kesalahan baku
mencerminkan standar deviasi yang mengukur variasi titik-titik di atas dan dibawah
garis regresi populasi. Semakin kecil angka kesalahan baku, maka model regresi
semakin tepat dalam memprediksi variabel independen. Sedangkan, semakin besar
angka kesalahan baku maka model regresi semakin tepat dalam memprediksi variabel

2022 129
Kelompok 15
independen. Sehingga dari tabel diatas dapat disimpulkan bahwa nilai tersebut
menunjukkan adanya hubungan yang baik antar antara variabel dependen dengan
variabel independennya.
5.2.4.3 Taksiran Kesalahan Baku dari Intersep
Nilai kesalahan baku menunjukan tingkat ketepatan yang dimiliki oleh nilai
regresi dan koefisien. Dari perhitungan manual, SPSS, minitab, dan excel, dan manual,
didapatkan nilai taksiran kesalahan baku intersep dari regresi linier majemuk (Sa) tidak
menunjukkan perbedaan yang signifikan. Perbedaan hanya ditunjukkan pada
pembulatan nilai dari standar masing-masing software yang berbeda. Kesalahan baku
untuk intersep yang didapatkan dari perhitungan manual, SPSS, Minitab, excel pada
tabel 4.75 adalah senilai 1,881, 1,881, 1,881 dan 1,88127. Kesalahan baku merupakan
standar deviasi yang fungsinya mengukur variasi titik-titik diatas dan dibawah garis
regresi. Semakin kecil angka kesalahan baku dibandingkan angka standar deviasi dari
variabel independen maka model regresi semakin tepat dalam memprediksi variabel
independen. Dapat disimpulkan dari hasil perhitungan diatas bahwa nilai tersebut
menunjukkan adanya hubungan yang baik antara variabel dependen dan independennya.

Selang kepercayaan dengan nilai (1-α) 100% menyatakan besar nilai yang masih
mungkin pada nilai taksiran slop dengan nilai α = 5,868. Dari perhitungan manual,
SPSS dan Exel, nilai yang diperoleh tidak menunjukkan perbedaan yang signifikan.
Perbedaan nilai selang kepercayaan hanya terdapat pada masalah pembulatannya. Hal
ini dikarenakan pembulatan tidak hanya dilakukan pada hasil akhir tetapi juga pada saat
proses perhitungan. Nilai koefisien selang kepercayaan yang diberikan pada output
regresi merupakan dugaan titik (point estimate) dari parameter koefisien regresi. Untuk
selang kepercayaan slop b1, b2, b3, b4 dan b5 menggunakan perhitungan manual,
software SPSS dan Exel. Pada slop b1 terletak diantara nilai

2022 130
Kelompok 15
−0,001< β 1 <0,075. Untuk selang kepercayaan slop b2 terletak diantara nilai

−0,086< β2 ←0,05 . Untuk selang kepercayaan b3 terletak diantara nilai
0,004< β3 < 0,070 dan untuk selang kepercayaan b4 terletak diantara nilai
−0,150< β 4 < 0,029.
Terjadinya selang kepercayaan ini dikarenakan adanya rentang perkiraan nilai-
nilai yang memungkinkan untuk mencakup parameter populasi data. Perkiraan rentang
atau selang kepercayaan ini diketahui dari himpunan data sampel. Lebar dari selang
kepercayaan yang sangat besar dapat menunjukkan bahwa lebih banyak data yang harus
dikumpulkan sebelum sesuatu yang sangat pasti dapat dikatakan sebagai parameter.
Selang kepercayaan dengan nilai (1-α) 100% menyatakan besar nilai yang masih
mungkin pada nilai taksiran intersep dengan nilai α = 5,868. Dari perhitungan manual,
SPSS, dan Excel, nilai yang diperoleh tidak menunjukkan perbedaan yang signifikan.
Perbedaan nilai selang kepercayaan hanya terdapat pada masalah pembulatan. Hal ini
dikarenakan pembulatan tidak hanya dilakukan pada hasil akhir tetapi juga pada saat
proses perhitungan. Nilai koefisien selang kepercayaan yang diberikan pada output
regresi merupakan dugaan titik dari parameter koefisien regresi. Untuk selang
kepercayaan intersep dengan menggunakan software Excel, SPSS, dan perhitungan
manual terletak diantara nilai 2,027<∝<9,710
Terjadinya selang kepercayaan ini dikarenakan adanya rentang perkiraan nilai-
nilai yang memungkinkan untuk mencakup parameter populasi data. Perkiraan rentang
atau selang kepercayaan ini diketahui dari himpunan data sampel. Lebar dari selang
kepercayaan yang sangat besar dapat menunjukkan bahwa lebih banyak data yang harus
dikumpulkan sebelum sesuatu yang sangat pasti dapat dikatakan sebagai parameter.
5.2.6 Seleksi Variabel

 Forward

2022 131
Kelompok 15
Metode Forward dimulai dari semua variabel independen berada diluar

persamaan regresi. Langkah pengerjaan metode ini yaitu memasukkan satu per
satu Y dan X1, Y dan X2, Y dan X3, Y dan X4, Y dan X5. Kemudian dilakukan
penilaian terhadap tiap variabel independen. Variabel yang sudah dikeluarkan
tidak dapat dimasukkan kembali. Didapatkan variabel yang dapat dimasukkan
adalah X2 (BOPO).
 Backward
Metode Backward ini memasukkan semua variabel independen yang ada
kedalam persamaan garis regresi. Kemudian setiap variabel dipilih apakah layak
atau tidak untuk tetap berada dalam persamaan regresi Tidak dapat memasukkan
variabel independen yang sudah dikeluarkan. Dapat disimpulkan bahwa seleksi
variabel yang dapat dimasukkan adalah semua variabel (CAR, BOPO, LDR,
NPL).
 Stepwise
Pada metode stepwise lebih ketat dibanding metode forward dan backward.
Dengan memasukkan semua variabel independen yang berada di luar garis
regresi kemudian melakukan penilaian terhadap tiap variabel independen, agar
dapat mengetahui variabel yang layak untuk berada dalam persamaan garis
regresi. Dapat disimpulkan bahwa seleksi variabel yang dapat dimasukkan
adalah X2 (BOPO). Uji seleksi variabel stepwise bersifat reversibel terhadap
variabel independen artinya variabel yang dimasukkan dapat dikeluarkan lagi
begitu juga sebaliknya.
5.2.7 Validasi
Dari hasil perhitungan yang didapatkan menggunakan software SPSS, Minitab,
Excel, dan juga secara manual dapat dilihat pada rekapitulasi tabel bahwa nilai koefisien
determinasi majemuk tidak ada perbedaan yang signifikan. Nilai koefisien determinasi

2022 132
Kelompok 15
perhitungan manual, SPSS, dan excel sebesar 0,893 sedangkan dengan menggunakan
minitab didapatkan koefisien determinasi sebesar 89,27%. Dari semua perhitungan
diatas ada yang memiliki perbedaan. Hal ini terjadi karena sistem pembulatan yang
digunakan. Koefisien determinasi digunakan untuk mengukur seberapa jauh
kemampuan model dalam menerangkan variasi variabel dependen. Sedangkan variansi
error digunakan untuk mengetahui seberapa error pada hubungan antarvariabel.
Semakin kecil varians error maka semakin besar nilai koefisien determinasi yang
dihasilkan. Sebaliknya, semakin besar varians error maka semakin kecil nilai koefisien
determinasi model regresi linear itu.
5.2.7.2 Uji T dan F
Uji T adalah suatu pengujian yang digunakan untuk mengetahui apakah rataan y
(aktual) yang dimasukkan secara parsial mempunyai kesamaan terhadap rataan
(taksiran). Sedangkan hasil uji F adalah suatu pengujian yang digunakan untuk
mengetahui apakah variansi y (aktual) yang dimasukkan secara bersama-sama
mempunyai kesamaan terhadap rataan (taksiran). Berdasarkan hasil perhitungan
menggunakan software SPSS, Minitab, Excel dan manual yang sudah direkap pengujian
dengan menggunakan Uji T menghasilkan nilai 0. Sedangkan pengujian dengan
menggunakan Uji F menghasilkan nilai sebesar 1,120.
BAB VI
KESIMPULAN DAN SARAN

2022 133
Kelompok 15
6.1 Kesimpulan
Berikut merupakan kesimpulan yang didapatkan setelah melakukan praktikum
modul:
1. Korelasi adalah metode statistika yang digunakan untuk menentukan suatu
besaran yang menyatakan bagaimana kuat hubungan suatu variabel dengan
variabel lain. Sedangkan analisis regresi (regression analysis) merupakan
salah satu teknik statistika yang digunakan untuk mengestimasi hubungan
antara variabel dependen dengan variabel independen. Terdapat dua data
yang digunakan untuk praktikum modul 1 kali ini, yaitu data regresi linier
sederhana (Data Jumlah Industri dan Tenaga Kerja Menurut Kabupaten/Kota
di Provinsi Jawa Tengah Tahun 2019) dan data regresi linear majemuk
(Pengaruh Capital Adequacy Ratio (CAR), Beban Operasional Pendapatan
Operasional (BOPO), Loan To Deposit Ratio (LDR) Dan Non Performing
Loan (NPL) Terhadap Kinerja Keuangan Bank Perkreditan Rakyat Di
Provinsi Daerah Istimewa Yogyakarta Tahun 2016). Pengolahan data
dilakukan dengan secara manual mapun menggunakan bantuan software
SPSS, Minitab, dan Microsoft Excel. Untuk mengetahui pada data apakah
terdapat korelasi antara dua variabel dilakukan dengan menggunakan uji
hipotesis. Lalu untuk mengetahui pada data apakah terdapat hubungan antara
variabel-variabel dalam data dilakukan dengan menggunakan uji asumsi
klasik.
2. Dalam praktikum ini pengolahan data regresi linear sederhana digunakan
untuk mengetahui pengaruh jumlah industri terhadap jumlah tenaga kerja di
Jawa Tengah pada tahun 2019. Dari pengolahan data yang telah dilakukan
dengan menggunakan software maupun manual didapatkan nilai korelasi
sebesar 2,123 dengan persamaan garis regresi yang dapat digunakan untuk
menaksir nilai ^y dari nilai variabel independen X yaitu
^y =16815,84 +1,3567 x . Dari pengolahan data didapatkan nilai korelasi

2022 134
Kelompok 15
regresi majemuk yang menunjukkan keeratan variabel independen dengan

variabel dependen sebagai berikut: koefisien korelasi pearson x 1 y (pengaruh
CAR terhadap kinerja keuangan bank) adalah 0,235. Koefisien korelasi
pearson x 2 y (pengaruh BOPO terhadap kinerja keuangan bank) adalah
0,931. Koefisien korelasi pearson x 3 y (pengaruh LDR terhadap kinerja
keuangan bank) adalah 0,501. Koefisien korelasi pearson x 4 y (pengaruh
NPL terhadap kinerja keuangan bank) adalah -0,435.
3. Penerapan korelasi dan regresi dalam dunia industri sendiri, misalnya untuk
mengetahui seberapa besar pengaruh gaji, tunjangan dan faktor-faktor
lainnya terhadap produktivitas pekerja. Untuk peningkatan produktivitas
kerja karyawan, faktor yang paling penting berpengaruh adalah gaji bagi
karyawan, karena besar kecilnya gaji yang diterima oleh para karyawan
sangat menentukan dalam memotivasi karyawan untuk dapat bekerja untuk
dapat bekerja secara lebih giat, maka bagi setiap perusahaan diharapkan
untuk untuk memperhatikan aspek pemberian gaji para karyawan di dalam
menghasilkan produk-produk yang lebih berkualitas. Selain itu, metode
korelasi juga dapat digunakan pada bidang industri dalam mengetahui
pengaruh promosi dan iklan terhadap volume penjualan suatu produk. Dalam
kasus ini terdapat 4 variabel independen, yaitu voucher, sponsorship, iklan di
televisi, dan papan reklame. Dengan metode Analisis Regresi Linier
Berganda untuk memperoleh perhitungan dan analisa data mengenai
pengaruh yang ditumbulkan variabel independen terhadap variabel
dependen. Dengan demikian, akan diketahui seberapa signifikan pengaruh
yang ditimbulkan variabel independen kepada variabel dependen
4. Pada perhitungan regresi linier sederhana diperoleh nilai koefisien korelasi
sederhana yaitu 2,123, hal ini berarti pertambahan variabel x akan
mempengaruhi variabel y. Kemudian nilai regresi linier sederhana (slop)
yaitu 1,357, hal ini menyatakan bahwa persamaan regresi nilai slop akan

2022 135
Kelompok 15
menambahkan nilai dari persamaan regresi. Dan untuk nilai regresi linier
sederhana (intersep) didapatkan sebesar 16815,840, hal ini intersep
diposisikan sebagai konstanta dalam persamaan regresi. Dan pada nilai
taksiran kesalahan baku slope sebesar 1,159 dan taksiran kesalahan baku
intersep regresi sederhana diperoleh nilai MSE sebesar 7343,7. Nilai selang
kepercayaan slop diperoleh sebesar -0,998 < β < 3,715. Kemudian nilai
selang kepercayaan intersep diperoleh sebesar 1867,553 < ∝ < 31747,83.
Pada uji validasi diperoleh nilai koefisien determinan sebesar 0,040, hal ini
menandakan ada pengaruh yang sangat rendah antara variabel x dan y. Pada
uji majemuk data yang digunakan untuk analisis regresi majemuk dalam
praktikum ini adalah pengaruh CAR, BOPO, LDR, dan NPL terhadap
kinerja keuangan bank. Dari pengolahan data didapatkan nilai korelasi yang
menunjukan kerataan variabel independen dengan variable dependen sebagai
berikut: korelasi pearson x 1 y (pengaruh CAR terhadap kinerja keuangan
bank) adalah 0,235. Dari uji hipotesis yang telah dilakukan, tidak terdapat
hubungan linier antara pengaruh CAR terhadap kinerja keuangan bank.
Koefisien korelasi pearson x 2 y (pengaruh BOPO terhadap kinerja keuangan
bank) adalah 0,931. Dari uji hipotesis yang telah dilakukan, terdapat
hubungan linier antara pengaruh BOPO terhadap kinerja keuangan bank.
Koefisien korelasi pearson x 3 y (pengaruh LDR terhadap kinerja keuangan
bank) adalah 0,501. Dari uji hipotesis yang telah dilakukan, terdapat
hubungan linier antara pengaruh LDR terhadap kinerja keuangan bank.
Koefisien korelasi pearson x 4 y (pengaruh NPL terhadap kinerja keuangan
bank) adalah -0,435. Dari uji hipotesis yang telah dilakukan, terdapat
hubungan linier antara pengaruh NPL terhadap kinerja keuangan bank. Dari
hasil di atas, kinerja keuangan bank diperngaruhi oleh X2, X3, X4.
Kemudian nilai regresi linier majemuk (slop) yaitu b 1 sebesar 0,037, b 2
sebesar -0,071, b 3 sebesar 0,037, b 4 sebesar -0,060 hal ini menyatakan bahwa

2022 136
Kelompok 15
persamaan regresi nilai slop akan menambahkan nilai dari persamaan

regresi. Dan untuk nilai regresi linier majemuk (intersep) didapatkan sebesar
5,868 hal ini intersep diposisikan sebagai konstanta dalam persamaan
regresi. Dari nilai taksiran kesalahan baku slope dan intersep diperoleh
persamaan garis regresinya ^y = 5,868 -0,037X1 -0,071X2 + 0,037X3 −
0,060X4. Pada uji validasi diperoleh nilai koefisien determinan sebesar
0,893 hal ini menandakan ada pengaruh signifikan antara variabel X1, X2,
X3, X4 dan Y.
6.2 Saran
Berdasarkan praktikum dan pengolahan data, hal-hal yang perlu
dipertimbangkan adalah, sebagai berikut:
1. Praktikan sebaiknya dapat lebih menguasai penggunaan software SPSS,
Minitab, dan Microsoft Excel sehingga pengolahan data dapat lebih mudah
dilakukan.
2. Praktikan sebaiknya lebih mendalami lagi hasil dari praktikum dan
menganalisis dengan baik sehingga dapat diaplikasikan dalam kehidupan
secara nyata.
3. Praktikan lebih teliti dalam menentukan derajat kebebasan pada
perhitungan regresi sederhana dan majemuk
DAFTAR PUSTAKA

2022 137
Kelompok 15
Budiwati, T., Budiyono, A., Setyawati, W., & Indrawati, A. (2010). Analisis Korelasi
Pearson Untuk Unsur-Unsur Kimia Air HUjan Di Bandung. Jurnal Sains
Dirgantara, 103.
Darmanto, H. C. (2012). Pengaruh Population, Employment, Size dan Leverage
Terhadap Kinerja Keuangan Pemerintah Daerah di Indonesia.
Dewi, S. P. (2012). Pengaruh Pengendalian Internal Dan Gaya Kepemimpinan
Terhadap Kinerja Karyawan SPBU Yogyakarta (Studi Kasus Pada SPBU Anak
Cabang Perusahaan RB. Group. Jurnal Nominal.
Gaspersz, V. (1991). Metode Perancangan Percobaan : Untuk Ilmu-Ilmu Pertanian,
Teknik, dan Biologi. Bandung: CV Armico.
Indarwati, T., Irawati, T., & Rimawati, E. (2018). Penggunaan Metode Linier
Regression Untuk Prediksi Penjualan Smartphone. Jurnal TIKomSiN.
Irawan, M. R. (2018). Pengaruh Gaji Dan Insentif Terhadap Produktivitas Kerja
Karyawan Pada PT. Mahkota Sakti Jaya Sidoarjo. Jurnal Ecopreneur.
Kurniawan. (2017). Analisis Pengaruh Promosi dan Iklan Terhadap Volume Penjualan
Ban PT. MASA di Daerah Jakarta.
Kurniawan, R., & Yuniarto, B. (2016). Analisis Regresi : Dasar dan Penerapannya
dengan R. Jakarta: Kencana.
Larasati, S., & Gilang, A. (2014). Pengaruh Motivasi Kerja Terhadap Kinerja Karyawan
Wilayah Telkom Jabar Barat Utara (Witel Bekasi). Jurnal Manajemen dan
Organisasi.
Manurung, H. T., & Haryanto, A. M. (2015). Analisis Pengaruh ROE, EPS, NPM dan
MVA Terhadap Harga Saham (Studi Kasus Pada Perusahaan Manufaktur GO
Public Sektor Food dan Beverages di Bei Tahun 2009-2013). Jurnal
Manajemen, 4.
Modul Praktikum Statistika Industri 2022. (2022).
Safitri, W. R. (2016). Analisis Korelasi Pearson Dalam Menentukan Hubungan Antara
Kejadian Deman Berdarah Dengue Dengan Kepadatan Penduduk Di Kota

2022 138
Kelompok 15
Surabaya Pada Tahun 2012-2014. Jurnal Ilmiah Keperawatan.

Walpole, R. E. (1995). Pengantar Statustika edisi ke-3. Jakarta: PT. Gramedia Pustaka
Utama.
Walpole, R. E., & Myers, R. H. (1995). Ilmu Peluang dan Statistika untuk Insinyur dan
Ilmuwan. Penerbit ITB Bandung.
Wibowo, R. A., & Kurniawan, A. A. (2020). Analisis Korelasi Dalam Penentuan Arah
Antar Faktor Pada Pelayanan Angkutan Umum Di Kota Magelang. Journal of
Electrical Engineering.

2022 139
Kelompok 15

2022 140
LAMPIRAN

Asistensi 3 Modul 1 Kelompok 15 REV

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Asistensi 3 Modul 1 Kelompok 15 REV

Uploaded by

Copyright:

Available Formats

LAPORAN PRAKTIKUM STATISTIKA INDUSTRI

1. Nirtalia Ananda Oktavia 21070120120010

DEPARTEMEN TEKNIK INDUSTRI

Semarang, 18 Maret 2022

Fauzan Akbar Akhsan

Aga Tertia Putra Hendratno

Semarang, 18 Maret 2022

Gambar 2. 1 Output Uji Normalitas................................................................................24

Gambar 2. 3 Output Uji Autokorelasi.............................................................................11

Gambar 2. 4 Output Uji Heteroskedastisitas...................................................................13

Gambar 2. 5 Output Uji Multikolinearitas......................................................................14

Gambar 2. 6 Jenis Garis Regresi.....................................................................................21

Gambar 3. 1 Flowchart Metode Praktikum.....................................................................24

Tabel 4. 1 Data Regresi Linier Sederhana......................................................................26

1.1 Latar Belakang

Departemen Teknik Industri

kasus peramalan. Analisis regresi terdiri atas

Departemen Teknik Industri

variabel dependennya adalah kinerja keuangan bank, sedangkan variabel independennya

1.2 Tujuan Praktikum

1.3 Pembatasan Penelitian

Departemen Teknik Industri

majemuk yang digunakan dalam praktikum modul 1 ini

1.4 Sistematika Penulisan

Departemen Teknik Industri

linieritas, uji autokorelasi, uji heteriskedastisitas, uji multikolinearitas,

BAB III METODE PRAKTIKUM

Departemen Teknik Industri

Departemen Teknik Industri

Departemen Teknik Industri

yi = Data variabel dependen ke-i

2.2 Uji Asumsi Klasik

Departemen Teknik Industri

Departemen Teknik Industri

Gambar 2. 1 Output Uji Normalitas

2.2.2 Uji Linieritas

Departemen Teknik Industri

Gambar 2. 2 Output Uji Linearitas

Departemen Teknik Industri

Gambar 2. 3 Output Uji Autokorelasi

Departemen Teknik Industri

Departemen Teknik Industri

Gambar 2. 4 Output Uji Heteroskedastisitas

Departemen Teknik Industri

Gambar 2. 5 Output Uji Multikolinearitas

Departemen Teknik Industri

Departemen Teknik Industri

Peubah bebas adalah variabel/ peubah yang nilai-nilainya tidak bergantung

Departemen Teknik Industri

Departemen Teknik Industri

x1,2, …n = nilai variabel independen

b. Selang kepercayaan 100(1-α) % untuk b1

c. Selang kepercayaan 100(1-α) % untuk y0

Departemen Teknik Industri

Berikut merupakan dua jenis selang kepercayaan berdasarkan jenis persamaan

𝑦 = nilai variabel independen

𝑥1, 2, ...𝑛 = nilai variabel dependen

Departemen Teknik Industri

2.4 Persamaan Garis Regresi

Departemen Teknik Industri

Gambar 2. 6 Jenis Garis Regresi

2.5 Seleksi Variabel

Departemen Teknik Industri

tidk. Variabel independen yang telah dikeluarkan tidak dapat dimasukkan