Professional Documents
Culture Documents
Asistensi 3 Modul 1 Kelompok 15 REV
Asistensi 3 Modul 1 Kelompok 15 REV
MODUL 1
KORELASI DAN REGRESI LINIER
Disusun Oleh:
Kelompok 15
Asisten,
Mengetahui,
Koordinator Praktikum
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.
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 Selang Kepercayaan..........................................................................................47
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 Selang Kepercayaan..........................................................................................96
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
5.1.6.1 Koefisien Determinasi.....................................................................................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
5.2.7.1 Koefisien Determinasi.....................................................................................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
viii
DAFTAR TABEL
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. 42 Uji Linieritas Data Majemuk SPSS (2)........................................................63
Tabel 4. 43 Uji Linieritas Data Majemuk SPSS (3)........................................................64
Tabel 4. 44 Uji Linieritas Data Majemuk SPSS (4)........................................................64
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
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
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
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
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:
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:
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:
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:
(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
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:
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:
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)
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
[ ]
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:
𝛼 = intersep
𝛽1,2…𝑛 = slop
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:
BAB III
METODE PRAKTIKUM
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
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
Jumlah Tenaga
No Kabupaten/ Kota Jumlah Industri (X)
Kerja (Y)
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:
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
Departemen Teknik Industri
Universitas Diponegoro
2022 30
Laporan Praktikum Statistika Industri
Modul 1 – Korelasi dan Regresi Linier
Kelompok 15
∑ ( 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:
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
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
3. Tingkat keberartian ∝ : 0,05
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
4.1.3 Korelasi
4.1.3.1 Koefisien Korelasi Pearson
Berikut adalah hasil perhitungan manual koefisien pearson:
a. Manual
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:
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
Departemen Teknik Industri
Universitas Diponegoro
2022 37
Laporan Praktikum Statistika Industri
Modul 1 – Korelasi dan Regresi Linier
Kelompok 15
n2 9
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
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
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 16815.840 7343.701 2.290 .029
c. Minitab
Berikut merupakan hasil output software Minitab:
Coefficients
d. Excel
Berikut merupakan hasil output software Excel:
Tabel 4. 11 Garis Regresi Linier Sederhana (Slop) dengan Excel
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
813954−(1,356766)(166130)
a=
35
a=16815,840
b. SPSS
Berikut merupakan hasil output software SPSS:
c. Minitab
Berikut merupakan hasil output software Minitab:
Coefficients
d. Excel
Berikut merupakan hasil output software Excel:
Tabel 4. 13 Garis Regresi Linier Sederhana (Intersep) dengan Excel
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 = 16815,840 + 1,357 x
c. Minitab
Berikut merupakan hasil output software Minitab:
Coefficients
Regression Equation
d. Excel
Berikut merupakan hasil output software Excel:
∑ ei2
J −b J xx
2
2 i=1
Se = = yy
n−2 n−2
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
c. Minitab
Berikut merupakan taksiran kesalahan baku regresi linier sederhana hasil output
dari software minitab:
Analysis of Variance
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
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
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 16815.840 7343.701 2.290 .029
c. Minitab
Berikut merupakan taksiran kesalahan baku dari parameter slop pada software
Minitab :
Coefficients
d. Excel
Berikut merupakan taksiran kesalahan baku dari parameter slop pada software
Excel:
Tabel 4. 19 Taksiran Kesalahan Baku dari Parameter Slop Output Software Excel
[ ]
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
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 16815.840 7343.701 2.290 .029
c. Minitab
Berikut merupakan taksiran kesalahan baku dari parameter intersep pada
software Minitab :
Coefficients
d. Excel
Berikut merupakan taksiran kesalahan baku dari parameter intersep pada
software Excel:
Tabel 4. 21 Taksiran Kesalahan Baku dari Parameter Intersep Output Software Excel
95% memiliki nilai t ∝ =t 0.025 sebesar 2,035. Dapat dinyatakan dengan rumus:
2
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients 95.0% Confidence Interval for B
1 (Constan
16807.683 7343.346 2.289 .029 1867.533 31747.834
t)
c. Excel
Berikut merupakan perhitungan selang kepercayaan pada parameter β dengan
selang kepercayaan 95% dengan software Microsoft Excel.
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
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients 95.0% Confidence Interval for B
1 (Constan
16807.683 7343.346 2.289 .029 1867.533 31747.834
t)
c. Excel
Berikut merupakan perhitungan selang kepercayaan pada parameter ∝ dengan
selang kepercayaan 95% dengan software Microsoft Excel.
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
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
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:
Model Summaryb
Minitab
Berikut merupakan hasil perhitungan koefisien determinasi dengan software
Minitab:
Model Summary
Excel
Berikut merupakan hasil perhitungan koefisien determinasi dengan software
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:
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:
ANOVAa
Residual 27356777709.1
33 828993263.914
49
Total 28496634044.9
34
71
Minitab
Berikut merupakan hasil perhitungan dengan menggunakan software
Minitab:
Analysis of Variance
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
Dibawah ini merupakan rekap hasil perhitungan secara manusal dan dengan
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
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
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
95% Confidence
Interval of the
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
Excel
Berikut merupakan pehirungan t-hitung dengan software Microsoft
Excel:
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
Manual
Berikut merupakan perhitungan F-hitung secara manual:
2
S1
F= 2
S2
(28950.58368)2
F= 2
=25,000
(5790.093812)
Minitab
Statistics
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
Dibawah ini merupakan rekap hasil perhitungan secara manusal dan dengan
software:
5 4 18 78 66 11
6 -2 9 109 82 8
7 4 16 76 79 2
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)
ANOVA Table
Sum of Squares df Mean Square F Sig.
Total 358.971 34
ANOVA Table
ANOVA Table
ANOVA Table
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
Minitab
Berikut merupakan hasil perhitungan uji normalitas dengan Minitab:
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
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
SPSS
Berikut merupakan hasil perhitungan uji autokorelasi pada SPSS:
Model Summaryb
Minitab
Berikut merupakan hasil perhitungan uji autokorelasi pada Minitab:
Durbin-Watson Statistic
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
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
5. Uji Multikolinearitas
1. H0 = Tidak terdapat korelasi linier antara variabel bebas
Departemen Teknik Industri
Universitas Diponegoro
2022 71
Laporan Praktikum Statistika Industri
Modul 1 – Korelasi dan Regresi Linier
Kelompok 15
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients Collinearity Statistics
a. Dependent Variable: Y
Minitab
Berikut merupakan hasil perhitungan uji multikolinieritas pada
Minitab:
Coefficients
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
[∑ ]
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
−3714,8
r= =−0,931
√( 44329,6)(358,971)
3. Koefisien Korelasi Pearson X3Y
(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)
4. Koefisien Korelasi Pearson X4Y
( 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)
6. Koefisien Korelasi Pearson X1X3
795 ( 2689 )
J x1 x 3=59261− =−1817,714
35
−1817,714
r= =−0,287
√(5377,143)(7470,971)
7. Koefisien Korelasi Pearson X1X4
795 ( 177 )
J x1 x 4=4497− =476,571
35
476,571
r= =0,215
√(5377,143)(913,886)
Departemen Teknik Industri
Universitas Diponegoro
2022 77
Laporan Praktikum Statistika Industri
Modul 1 – Korelasi dan Regresi Linier
Kelompok 15
Correlations
Y X1 X2 X3 X4
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
N 35 35 35 35 35
Y X1 X2 X3
X1 0.235
0.174
X2 -0.931 -0.205
0.000 0.238
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
0.2524
5 0.43463 4 5 5
Berikut merupakan table rekap koefisien korelasi pearson baik secara manual
serta menggunakan software:
r √ n−2 0,235 √ 33
t= = =1,390
√1−r √1−( 0,235 )2
2
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)
7. Kesimpulan: Tidak terdapat hubungan linear antara X1 dan Y
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
Hipotesis 2
1. H0:p = 0.9 (terdapat hubungan linear anatar variabel X2 dan variabel
Y)
2. H1: p ≠ 0 (Tidak ada hubungan linear antara variabel X2 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−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)
7. Kesimpulan: Tidak terdapat hubungan linear antara X2 dan Y
c. Variabel Y dengan X3
Hipotesis 1
1. H0: p = 0 (tidak ada hubungan linear anatar variabel X3 dan variabel Y)
Hipotesis 2
1. H0:p = 0,9 (terdapat hubungan linear anatar variabel X3 dan variabel
Y)
2. H1: p ≠ 0 (Tidak ada hubungan linear antara variabel X3 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 [ ( 1−0,501 ) (1+ 0,9 ) ]
√ 32 ∈ ( 1+ 0,501 )( 1−0,9 ) =−5,512
Hipotesis 1
1. H0:p = 0 (tidak ada hubungan linear anatar variabel X4 dan variabel Y)
2. H1: p ≠ 0 (ada hubungan linear antara variabel X4 dan variabel Y)
3. α : 0,05
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 −0,435 √ 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)
7. Kesimpulan: Terdapat hubungan linear antara X4 dan Y
Hipotesis 2
1. H0:p = 0.9 (terdapat hubungan linear anatar variabel X4 dan variabel
Y)
2. H1: p ≠ 0 (Tidak ada hubungan linear antara variabel X4 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−ρ o )
( 1−r ) ( 1+ po ) ]
z=
2 [ ( 1+0,435 ) ( 1+ 0,9 ) ]
√ 32 ∈ ( 1−0,435 ) ( 1−0,9 ) =−10,962
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 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
[ ]
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
[ ][ ]
a 5,868
b1 0,037
b2 = −0,071
b3 0,037
b4 −0,060
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
a. Dependent Variable: Y
Minitab
Berikut ini merupakan hasil output dari pengolahan data koefisien slop
menggunakan software Minitab:
Coefficients
Excel
Berikut ini merupakan hasil output dari pengolahan data koefisien slop
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
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
[ ][ ]
a 5,868
b1 0,037
b2 = −0,071
b3 0,037
b4 −0,060
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Minitab
Berikut ini merupakan hasil output dari pengolahan data koefisien instersep
menggunakan software Minitab:
Coefficients
Excel
Berikut ini merupakan hasil output dari pengolahan data koefisien instersep
menggunakan Excel:
Tabel 4. 61 Perhitungan Interserp majemuk dengan menggunakan 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
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
[ ][ ]
a 5,868
b1 0,037
b2 = −0,071
b3 0,037
b4 −0,060
SPSS
Berikut ini merupakan hasil output dari pengolahan data persamaan garis regresi
menggunakan software SPSS:
Tabel 4. 63 Perhitungan persamaan garis regresi majemuk dengan Software SPSS
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
a. Dependent Variable: Y
Minitab
Berikut ini merupakan hasil output dari pengolahan data persamaan garis regresi
menggunakan software Minitab:
Coefficients
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
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
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
JKG ( ∑ Y −Y^ )
2
2 38,5 38,5
Se = = = = =1,283
dKG n−k−1 35−4−1 30
SPSS
Berikut ini merupakan hasil output dari pengolahan data taksiran kesalahan baku
dari regresi linier majemuk menggunakan software SPSS:
Tabel 4. 67 Perhitungan Software SPSS taksiran kesalahan baku regresi linier majemuk
ANOVAa
Total 358.971 34
a. Dependent Variable: Y
b. Predictors: (Constant), X4, X1, X3, X2
Minitab
Berikut ini merupakan hasil output dari pengolahan data taksiran kesalahan baku
dari regresi linier majemuk menggunakan software Minitab:
Analysis of Variance
Excel
Berikut ini merupakan hasil output dari pengolahan data taksiran kesalahan baku
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
SPSS
Berikut ini merupakan hasil output dari pengolahan data taksiran kesalahan baku
dari parameter slop menggunakan software SPSS:
Tabel 4. 70 Perhitungan Software SPSS kesalahan baku dari parameter slop regresi linier majemuk
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
a. Dependent Variable: Y
Minitab
Berikut ini merupakan hasil output dari pengolahan data taksiran kesalahan baku
dari parameter slop menggunakan software Minitab:
Coefficients
Excel
Berikut ini merupakan hasil output dari pengolahan data koefisien slop
menggunakan Excel:
Tabel 4. 71 Perhitungan Excel kesalahan baku dari parameter slop regresi linier majemuk
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
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
Tabel 4. 73 Perhitungan Software SPSS kesalahan baku dari parameter interserp regresi linier
majemuk
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
a. Dependent Variable: Y
Minitab
Berikut ini merupakan hasil output dari pengolahan data taksiran kesalahan baku
dari parameter intersep menggunakan software Minitab:
Coefficients
Excel
Berikut ini merupakan hasil output dari pengolahan data taksiran kesalahan baku
dari parameter intersep menggunakan Excel:
Tabel 4. 74 Perhitungan Excel kesalahan baku dari parameter interserp regresi linier majemuk
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
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
SPSS
Berikut merupakan hasil perhitungan selang kepercayaan slop menggunakan
software SPSS:
Tabel 4. 76 Selang Kepercayaan Slop SPSS
Coefficientsa
Lower Upper
Model B Std. Error Beta t Sig. Bound Bound
a. Dependent Variable: Y
Excel
Berikut merupakan hasil perhitungan selang kepercayaan slop menggunakan
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
SPSS
Berikut merupakan hasil perhitungan selang kepercayaan intersep
menggunakan software SPSS:
Tabel 4. 79 Selang Kepercayaan Intersep SPSS
Coefficientsa
Lower Upper
Model B Std. Error Beta t Sig. Bound Bound
a. Dependent Variable: Y
Excel
Berikut merupakan hasil perhitungan selang kepercayaan slop menggunakan
software Excel:
Tabel 4. 80 Selang Kepercayaan Intersep Excel
d. Uji Hipotesis 4
1. H 0 : β 4 =¿ 0 (garis mode regresi melewati titik (0,0))
2. H 0 : β 4 ≠ 0 (garis mode regresi tidak melewati titik (0,0))
3. α : 0,05
Departemen Teknik Industri
Universitas Diponegoro
2022 103
Laporan Praktikum Statistika Industri
Modul 1 – Korelasi dan Regresi Linier
Kelompok 15
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
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
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
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)
7. Kesimpulan : Garis mode regresi tidak melewati titik (0,0)
4.2.8 Validasi
4.2.8.1 Koefisien Determinasi
a. Manual
Nilai koefisien penentu (sampel) r 2adalah kuadrat nilai koefisien korelasi r
dengan rumus sebagai berikut:
JKT=J yy =358,971
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
c. Minitab
Berikut ini merupakan hasil output dari pengolahan data koefisien determinasi
menggunakan Minitab:
Model Summary
d. Excel
Berikut ini merupakan hasil output dari pengolahan data koefisien determinasi
menggunakan Excel:
Tabel 4. 83 Ouput Koefisien Determinasi Regresi Majemuk Software Excel
Regression Statistics
Multiple R 0,945
R Square 0,893
5. Perhitungan
Manual
JKT=J yy=358,971
2
JKG=Ʃ ( y− ^y ) =38,502
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
Total 358.971 34
a. Dependent Variable: Y
b. Predictors: (Constant), X4, X1, X3, X2
Minitab
Berikut ini merupakan hasil pengujian garis regresi majemuk pada
Minitab:
Source DF Adj SS Adj MS F-Value P-Value
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
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
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
Berikut ini merupakan hasil output dari perhitungan uji T menggunakan
perhitungan software SPSS:
Paired Differences
95% Confidence
Interval of the
Pair Y -
-.3655467
1 Unstandardized .00000000 1.06414539 .17987340 .36554673 .000 34 1.000
3
Predicted Value
Minitab
Berikut ini merupakan hasil output dari perhitungan uji T menggunakan
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
Berikut ini merupakan hasil output dari perhitungan uji T menggunakan
perhitungan software Excel:
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
5. Berikut perhitungannya:
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)
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
Dibawah ini merupakan rekap hasil perhitungan secara manusal dan dengan
software:
Tabel 4. 93 Perbandingan Nilai Uji F Data Majemuk
Variables Entered/Removeda
Variables Variables
Model Entered Removed Method
1 Forward
(Criterion:
X2 .
Probability-of-F-
to-enter <= .050)
a. Dependent Variable: Y
4.3.2 Backward
Berikut adalah hasil dari software SPSS backward:
Tabel 4. 95 Seleksi Variable Metode Backward SPSS
Variables Entered/Removeda
Variables Variables
Model Entered Removed Method
a. Dependent Variable: Y
b. All requested variables entered.
Variables Entered/Removeda
Variables Variables
Model Entered Removed Method
1 Stepwise
(Criteria:
Probability-of-F-
X2 . to-enter <= .050,
Probability-of-F-
to-remove
>= .100).
a. Dependent Variable: Y
BAB V
ANALISIS
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
tersebut, yang berarti semakin banyak jumlah industri, maka semakin banyak juga
jumlah tenaga kerja.
5.1.3 Regresi Linier Sederhana
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
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 Kesalahan Baku
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
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
menggunakan software SPSS, Minitab, dan Excel. Hasil pengolahan data tersebut
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
menggunakan software SPSS, Minitab, dan Excel. Hasil pengolahan data tersebut
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
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.
5.1.6 Validasi
5.1.6.1 Koefisien Determinasi
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
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 .
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.
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
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.
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.
5.2.7 Validasi
5.2.7.1 Koefisien Determinasi
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
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
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
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
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
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