Modul 4 (Regresi)
-
Upload
andre-nainggolan -
Category
Documents
-
view
111 -
download
25
description
Transcript of Modul 4 (Regresi)
-
MATERI / BAHAN PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke :
Program Studi : Teknik Industri Modul ke :
Kode Mata Praktikum: Jumlah Halaman :
Nama Mata Praktikum`: Statistik Industri Mulai Berlaku :
Halaman | 1
UNIVERSITAS ISLAM INDONESIA
MODUL IV
KORELASI DAN REGRESI
TUJUAN
1. Menganalisis hubungan yang signifikan antara variabel.
2. Mengetahui sistem pola antara variabel-variabel dependent dan independent.
3. Menentukan atau memprediksi nilai variabel dependent.
DESKRIPSI KORELASI
Uji korelasi atau uji asosiasi pada dasarnya adalah sebuah cara dalam pengolahan data
statistik yang digunakan untuk menganalisis apakah sebuah variabel mempunyai hubungan
yang signifikan dengan variabel lainnya. Kemudian jika ada hubungan, bagaimana keeratan
hubungan tersebut, serta seberapa jauh variabel tersebut mempengaruhi variabel lainnya.
Keeratan hubungan itu dinyatakan dengan nama koefisien korelasi (atau dapat disebut
korelasi saja). Dalam suatu kasus, kita ingin mengukur hubungan antara kedua peubah X dan
Y, apabila X adalah umur suatu mobil bekas dan Y nilai jual mobil tersebut, maka kita
membayangkan nilai-nilai X yang kecil berpadanan dengan nilai-nilai Y yang besar. Rumus
korelasi merupakan metoda untuk menghitung koefisien korelasi yang kemudian diberikan
penafsiran menurut kriteria tertentu. Nilai r terbesar adalah +1 dan r terkecil adalah -1.
Hubungan positif sempurna ditunjukkan dengan r = +1, sedangan hubungan negatif sempurna
ditunjukkan dengan r = -1. Korelasi (r) tidak mempunyai satuan atau dimensi. Tanda (+) dan
(-) hanya menunjukkan arah hubungan. Intrepretasi nilai r adalah sebagai berikut:
Tabel 6 Interpretasi Nilai R
R Intrepretasi
0 Tidak berkorelasi
0.01 0.20 Korelasi sangat rendah
0.21 0.40 Rendah
0.41 0.60 Agak rendah
0.61 0.80 Cukup
-
MATERI / BAHAN PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke :
Program Studi : Teknik Industri Modul ke :
Kode Mata Praktikum: Jumlah Halaman :
Nama Mata Praktikum`: Statistik Industri Mulai Berlaku :
Halaman | 2
UNIVERSITAS ISLAM INDONESIA
R Intrepretasi
0.81 0.99 Kuat
1 Sangat kuat
Pada prakteknya, angka koefisien korelasi berada antara 0 sampai 1 dan pedoman
umum penafsirannya adalah :
koefisien korelasi antara 0 0.5 berarti korelasi cukup kuat
koefisien korelasi antara 0.5 1 berarti korelasi kuat
Analisis korelasi korelasi dan regresi (baik sederhana maupun ganda) sering menjadi alat
analisis yang digunakan dalam uji asosiasi. Tujuan analisis korelasi adalah untuk mempelajari
apakah ada hubungan antara dua variabel atau lebih, sedang analisis regresi memprediksi
seberapa jauh pengaruh tersebut. Diantara beberapa teknik-teknik pengukuran asosiasi, ada
dua teknik korelasi yang sangat populer sampai sekarang, yaitu Korelasi Pearson Product
Moment (biasanya digunakan pada uji chi square) dan Korelasi Rank Spearman (biasanya
digunakan pada regresi). Korelasi Pearson menggunakan data berskala interval atau rasio,
Spearman dan Kendal menggunakan skala ordinal, sedangkan Chi Square menggunakan data
nominal. Hasil perhitungan korelasi mempunyai kemungkinan penafsiran terhadap pengujian
hipotesis dua arah (two tailed). Korelasi searah jika nilai koefesien korelasi diketemukan
positif, sebaliknya jika nilai koefesien korelasi negatif, korelasi disebut tidak searah.
1. Korelasi Pearson Product Moment
Korelasi ini dilakukan jika sepasang variabel kontinu, memiliki korelasi. Jumlah
pengamatan variabel X dan Y harus sama, atau kedua nilai variabel tersebut berpasangan.
Semakin besar nilai koefisien, korelasinya maka akan semakin besar pula derajat hubungan
antara kedua variabel. Korelasi Pearson biasanya pada hubungan yang berbentuk linier
(keduanya meningkat atau keduanya menurun). Koefisien korelasi ini tidak menunjukkan
adanya hubungan kausal antar variabelnya.
Ukuran korelasi linier antara dua peubah yang paling banyak digunakan adalah yang
disebut koefisien korelasi momen hasil kali pearson atau ringkasnya koefisien contoh.
Menurut Robert F. Walpole dalam bukunya Pengantar Statistika, 1996, koefisien korelasi,
-
MATERI / BAHAN PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke :
Program Studi : Teknik Industri Modul ke :
Kode Mata Praktikum: Jumlah Halaman :
Nama Mata Praktikum`: Statistik Industri Mulai Berlaku :
Halaman | 3
UNIVERSITAS ISLAM INDONESIA
ukuran hubungan linier antara dua peubah x dan y diduga dengan koefisien korelasi contoh r,
yaitu :
r = Sy
Sxb
yiiynxiixn
yixiyxin
n
i
n
i
n
i
n
i
n
i
n
i
n
i
1
2
1
2
1
2
1
2
1 11
1
Contoh:
Jika kita memiliki data produksi dan data ekspor suatu komoditi, kita ingin melihat hubungan
antara keduanya (apakah ada korelasi antara total produksi dan ekspor). Penyelesaian
menggunakan SPSS!
Tahap 1 : Buka program SPSS. Inputkan variabel produksi dan ekspor pada variabel view,
kemudian inputkan data ke dalam tabel-tabel pada data view.
Tahap 2 : Klik dari menubar Analyze Correlate Bivariate, seperti berikut:
-
MATERI / BAHAN PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke :
Program Studi : Teknik Industri Modul ke :
Kode Mata Praktikum: Jumlah Halaman :
Nama Mata Praktikum`: Statistik Industri Mulai Berlaku :
Halaman | 4
UNIVERSITAS ISLAM INDONESIA
Tahap 3 : Kemudian masukkan kedua variabel ke kotak variables di sebelah kanan,
checklist koefisien korelasi sebagai korelasi pearson product moment, gambar berikut:
-
MATERI / BAHAN PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke :
Program Studi : Teknik Industri Modul ke :
Kode Mata Praktikum: Jumlah Halaman :
Nama Mata Praktikum`: Statistik Industri Mulai Berlaku :
Halaman | 5
UNIVERSITAS ISLAM INDONESIA
4. Kemudian Klik OK, maka akan muncul output sebagai berikut :
Correlations
produksi Ekspor
produksi Pearson Correlation 1 .839**
Sig. (2-tailed) .009
N 8 8
ekspor Pearson Correlation .839** 1
Sig. (2-tailed) .009
N 8 8
**. Correlation is significant at the 0.01 level (2-tailed).
Penjelasan output diatas adalah sebagai berikut:
N menunjukkan jumlah observasi atau sampel sebanyak 8
Hubungan korelasi ditunjukkan oleh angka 0,839(**) yang artinya besar korelasi yang
terjadi antara variabel X dan Y adalah baik yaitu sebesar 0,839.
Sig. (2-tailed) adalah 0,009 masih lebih kecil daripada batas kritis = 0,025 (0,009 <
0,025), berarti terdapat hubungan yang signifikan antara kedua variabel.
2. Korelasi Rank Spearman
Uji korelasi Spearman dengan SPSS pada hakikatnya serupa dengan secara manual. Uji
korelasi Spearman adalah uji statistik yang ditujukan untuk mengetahui hubungan antara dua
atau lebih variabel berskala Ordinal. Asumsi uji korelasi Spearman adalah:
a. Data tidak harus berdistribusi normal
b. Data diukur dalam skala Ordinal.
Menurut Sugiono (1999, hal.284) Uji koefisien korelasi tunggal/korelasi rank spearman
untuk mengetahui hubungan variabel X dengan variabel Y, dengan rumus sebagai berikut:
-
MATERI / BAHAN PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke :
Program Studi : Teknik Industri Modul ke :
Kode Mata Praktikum: Jumlah Halaman :
Nama Mata Praktikum`: Statistik Industri Mulai Berlaku :
Halaman | 6
UNIVERSITAS ISLAM INDONESIA
Keterangan:
rs = koefisien korelasi spearman
di = selisih rangking variabel bebas dan terikat
n = jumlah sampel penelitian
Studi kasus
Seorang Manajer Personalia ingin mengetahui apakah ada hubungan antara Prestasi
Kerja seseorang dengan tingkat kecerdasan (diukur dengan IQ) dan motivasi kerja pekerja
yang bersangkutan. Untuk itu, diambil 9 orang pekerja dan seorang supervisor diminta
memberi penilaian pada tiap pekerja tersebut tentang prestasi kerja dan motivasi kerjanya.
Tabel 7 Data Studi Kasus Korelasi
Pekerja Prestasi IQ Motivasi
1 84 110 85
2 85 100 82
3 87 90 84
4 92 110 91
5 91 100 83
6 96 110 88
7 83 95 82
8 87 90 86
9 88 100 84
NB: Prestasi kerja dan motivasi kerja dinilai dalam range 0 (jelek sekali) sampai 100 (baik
sekali). Sedang IQ didapat dari test kecerdasan saat pekerja melamar ke perusahaan.
-
MATERI / BAHAN PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke :
Program Studi : Teknik Industri Modul ke :
Kode Mata Praktikum: Jumlah Halaman :
Nama Mata Praktikum`: Statistik Industri Mulai Berlaku :
Halaman | 7
UNIVERSITAS ISLAM INDONESIA
Tahap 1 : Buka program SPSS. Inputkan variabel produksi dan ekspor pada variabel view,
kemudian inputkan data ke dalam tabel-tabel pada data view.
Tahap 2 : Klik dari menubar Analyze Correlate Bivariate, seperti berikut:
-
MATERI / BAHAN PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke :
Program Studi : Teknik Industri Modul ke :
Kode Mata Praktikum: Jumlah Halaman :
Nama Mata Praktikum`: Statistik Industri Mulai Berlaku :
Halaman | 8
UNIVERSITAS ISLAM INDONESIA
Tahap 3 : Kemudian masukkan kedua variabel ke kotak variables di sebelah kanan,
checklist koefisien korelasi sebagai korelasi spearman, pilih test of significance: two tailed,
seperti gambar berikut:
Tahap 4: Klik OK
Tabel 8 Hasil Output Korelasi
Hasil output
Correlations
prestasi IQ motivasi
Spearman's rho prestasi Correlation Coefficient 1.000 .409 .620
Sig. (2-tailed) . .274 .075
N 9 9 9
IQ Correlation Coefficient .409 1.000 .450
Sig. (2-tailed) .274 . .224
N 9 9 9
motivasi Correlation Coefficient .620 .450 1.000
Sig. (2-tailed) .075 .224 .
N 9 9 9
-
MATERI / BAHAN PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke :
Program Studi : Teknik Industri Modul ke :
Kode Mata Praktikum: Jumlah Halaman :
Nama Mata Praktikum`: Statistik Industri Mulai Berlaku :
Halaman | 9
UNIVERSITAS ISLAM INDONESIA
Berdasarkan hasil output diatas, maka dapat dianalisis bahwa korelasi pada variabel
IQ dengan prestasi diperoleh angka probabilitas atau sig. (2-tailed) sebesar 0.274, korelasi
antara motivasi kerja dengan IQ sebesar 0.224, kemudian korelasi antara motivasi dan
prestasi sebesar 0.075. Karena ketiganya memiliki nilai sig. (2-tailed) > 0.025 maka H0
diterima atau tidak memiliki hubungan (korelasi) antara ketiga variabel.
DESKRIPSI REGRESI
Persamaan regresi merupakan suatu persamaan formal untuk mengekspresikan 2 unsur
penting dari suatu hubungan statistik. Regresi digunakan untuk memenuhi 2 tujuan yaitu
menemukan pola antara variabel yang ada dan memprediksi atau menentukan nilai suatu
variabel. Orang yang pertama kali memperkenalkan istilah regresi adalah Sir Francis Galton
(1822-1911), seorang antropolog dan pakar meteorologi terkenal dari Inggris.
1. REGRESI LINEAR SEDERHANA
Dalam analisis regresi ada dua jenis variabel, yaitu variabel penjelas (explanatory
variable) atau variabel bebas (independent variable) dan variabel repons (response variable)
atau variabel tidak bebas (dependent variable). Yang dimaksud dengan variabel penjelas
adalah suatu variabel yang nilainya dapat ditentukan atau dengan mudah dapat diukur.
Sedangkan variabel respons adalah suatu variabel yang nilainya sukar ditentukan atau tidak
mudah diukur. Variabel penjelas biasa disimbolkan dengan X dan disebut sebagai variabel
yang mempengaruhi. Sedangkan variabel respons biasa disimbolkan dengan Y dan disebut
sebagai variabel yang dipengaruhi. Analisis regresi digunakan pada kedua variabel tersebut
terutama untuk menelusuri pola hubungan yang modelnya belum diketahui dengan sempurna,
sehingga dalam penerapannya lebih bersifat eksploratif dan berakar pada pendekatan empirik.
Analisis regresi adalah suatu analisis statistik yang memanfaatkan hubungan anatara dua
variabel atau lebih yaitu variabel Y ( variabel dependen atau respons ) pada beberapa variabel
lain X1 ,X2 , ,Xk , (variabel independent atau predictor). Dimana X diasumsikan
mempengaruhi Y secara linear. Jika analisis regresi dilakukan untuk satu variabel dependen
dan satu variabel independent maka regresi ini dinamakan regresi sederhana. Analisis regresi
-
MATERI / BAHAN PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke :
Program Studi : Teknik Industri Modul ke :
Kode Mata Praktikum: Jumlah Halaman :
Nama Mata Praktikum`: Statistik Industri Mulai Berlaku :
Halaman | 10
UNIVERSITAS ISLAM INDONESIA
linear diperoleh dari suatu motivasi bahwa plot data variabel X (pengaruh) dan Y (respons)
cenderung linear.
Model regresi linear sederhana
Model regresi adalah cara yang digunakan untuk menyatakan dua hal :
a. Kecenderungan berubah-ubahnya variabel dependen terhadap variabel independent dalam
bentuk yang sistematis (teratur).
b. Berpencarnya observasi di sekitar kurve yang menyatakan hubungan statistik.
Kedua karakteristik itu ada dalam model regresi dengan mempostulasikan bahwa :
a. Dalam populasi observasi di mana sample diambil, terdapat distribusi probabilitas dari Y
untuk setiap level dari X.
b. Harga harga mean distribusi probabilitas ini berbeda-beda dalam cara yang sistematik
dengan X.
Model regresi linear sederhana :
iiY X i10 , n i ...,,2,1
Keterangan:
Yi harga variabel respons pada trial ke i.
Xi konstan yang diketahui , yaitu harga variabel independent pada trial ke i.
0 ,1 adalah parameter yang tidak diketahui nilainya dan akan diestimasi dengan
statistik b0,b1.
i= N(0;2) adalah suku sesatan random yang independent.
Model di atas dapat dipahami sebagai model linear dengan melihat Yi = 0 + 1 Xi
ditambah dengan adanya unsur i = N( 0;2 ) yang membuat data naik atau turun dari garis
linear.
Estimasi fungsi regresi
Koefisien regresi 0 dan 1 harus diestimasi dari data sample. Untuk mendapatkan estimasi
yang baik dari parameter regresi 0 dan 1, dapat menggunakan dua metode yaitu metode
kuadrat terkecil ( least squares method ) dan metode LSE ( Least Squares Error ).
-
MATERI / BAHAN PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke :
Program Studi : Teknik Industri Modul ke :
Kode Mata Praktikum: Jumlah Halaman :
Nama Mata Praktikum`: Statistik Industri Mulai Berlaku :
Halaman | 11
UNIVERSITAS ISLAM INDONESIA
Metode kuadrat terkecil
Untuk setiap pasangan observasi (Xi,Yi), metode ini memandang harga sesatan. Menurut
metode kuadrat terkecil harga-harga estimasi b0 dan b1 adalah harga-harga yang memuat Q
minimum. Harga estimasi (penduga) ini dikenal sebagai penduga kuadrat terkecil ( PKT ).
Q akan minimum jika derivative parsial Q terhadap 0 dan 1 keduanya sama dengan nol.
Metode LSE
Metode LSE ( Least Squares Error ) yaitu suatu metode untuk meminimalkan jumlah
kuadrat error.
2
10
1
i
2N
1i
X) (Y
N
i
iL
Nilai L di atas akan minimum jika derivative parsialnya terhadap 0 dan1 sama dengan
nol.
Selanjutnya diperoleh persamaan linear dengan dua variabel estimator.Persamaan ini
sering disebut juga dengan persamaan normal.
0)X (Y2- i10i0
bb
L
0).X (Y2- i10i1
iXbb
L
Dengan menyelesaikan persamaan normal di atas diperoleh estimator regresi :
XX
XY
i S
S
XnX
YXYXb
2
11
1
dan
X Y 10 bb
Sehingga diperoleh persamaan regresi :
iXbY 101 b
Dimana :
b0 disebut dengan intersept atau titik potong terhadap sumbu Y,
b1 disebut dengan slope atau garis gradient persamaan regresi
-
MATERI / BAHAN PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke :
Program Studi : Teknik Industri Modul ke :
Kode Mata Praktikum: Jumlah Halaman :
Nama Mata Praktikum`: Statistik Industri Mulai Berlaku :
Halaman | 12
UNIVERSITAS ISLAM INDONESIA
Studi Kasus :
PT. SINAR CAHAYA dalam beberapa bulan gencar mempromosikan sejumlah peralatan
elektronik dengan membuka outlet-outlet di berbagai daerah. Berikut data mengenai
penjualan dan biaya promosi yang dikeluarkan di 15 daerah di Indonesia.
Daerah Sales (juta
rupiah)
Promosi (juta
rupiah)
JAKARTA 205 26
TANGERANG 206 28
BEKASI 254 35
BOGOR 246 31
BANDUNG 201 21
SEMARANG 291 49
SOLO 234 30
YOGYA 209 30
SURABAYA 204 24
PURWOKERTO 216 31
MADIUN 245 32
TUBAN 286 47
MALANG 312 54
KUDUS 265 40
PEKALONGAN 322 42
Akan dilakukan analisis regresi untuk mengetahui hubungan di antara variabel penjualan
dengan biaya promosi.
Penyelesaian akan dilakukan dengan software SPSS.
Hal yang ingin diketahui dari data tersebut adalah besar hubungan atau seberapa jauh biaya
promosi berpengaruh terhadap penjualan PT. SINAR CAHAYA, maka akan dilakukan uji
reresi, dengan variabel dependen adalah penjualan dan variabel independen adalah biaya
promosi. Karena hanya ada satu variabel independen maka uji regresi tersebut dinamakan uji
regresi sederhana.
-
MATERI / BAHAN PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke :
Program Studi : Teknik Industri Modul ke :
Kode Mata Praktikum: Jumlah Halaman :
Nama Mata Praktikum`: Statistik Industri Mulai Berlaku :
Halaman | 13
UNIVERSITAS ISLAM INDONESIA
Adapun langkah-langkah yang ditempuh sebagai berikut :
o Data penjualan dan biaya promosi PT. SINAR CAHAYA dimasukkan ke dalam SPSS.
o Kemudian pilih menu Analyze > Regression > Linear (untuk uji regresi secara linear).
Masukkan variabel X ke dalam kolom independent dan variabel Y ke dalam kolom
dependent.
o Selanjutnya pilih kolom Options. Isi nilai probabilitas sesuai dengan yang diinginkan,
dalam kasus ini nilai probabilitas sebesar 0,05. Checklist Include constant in equation
dan Exclude cases listwise.
-
MATERI / BAHAN PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke :
Program Studi : Teknik Industri Modul ke :
Kode Mata Praktikum: Jumlah Halaman :
Nama Mata Praktikum`: Statistik Industri Mulai Berlaku :
Halaman | 14
UNIVERSITAS ISLAM INDONESIA
o Pilih kolom Statistics. Checklist Estimates, Model fit dan Casewise diagnostics serta
pilih All cases.
o Pilih kolom Plots. Masukkan SDRESID ke dalam kolom Y dan ZPRED ke dalam
kolom X. Pilih Next, kemudian masukkan ZPRED ke dalam kolom Y dan DEPENDNT
ke dalam kolom X. Checklist Normality probability plot.
-
MATERI / BAHAN PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke :
Program Studi : Teknik Industri Modul ke :
Kode Mata Praktikum: Jumlah Halaman :
Nama Mata Praktikum`: Statistik Industri Mulai Berlaku :
Halaman | 15
UNIVERSITAS ISLAM INDONESIA
o Tekan OK untuk proses data.
Berikut OUTPUT dari langkah-langkah yang telah dilakukan:
Output 1 :
Model Summaryb
Model
R R Square Adjusted R Square
Std. Error of the
Estimate
d
i
m
e
n
s
i
o
n
0
1 ,916a ,839 ,826 17,12683
a. Predictors: (Constant), Biaya Promosi
b. Dependent Variable: Data Penjualan
Output Model Summary menunjukkan nilai R yang merupakan penjelas seberapa besar
sebuah variabel mempengaruhi variabel lainnya.
Angka R square pada tabel diatas adalah 0,893 yang merupakan pengkuadratan dari
koefisien korelasi (0,916 x 0,916 = 0,839). R square bisa disebut koefisien determinasi (R2)
-
MATERI / BAHAN PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke :
Program Studi : Teknik Industri Modul ke :
Kode Mata Praktikum: Jumlah Halaman :
Nama Mata Praktikum`: Statistik Industri Mulai Berlaku :
Halaman | 16
UNIVERSITAS ISLAM INDONESIA
dimana hal itu berarti 83,9% dari variasi Sales bisa dijelaskan oleh variabel biaya promosi.
Sementara sisanya (100% - 83,9% = 16,1%) dijelaskan oleh sebab-sebab yang lain.
R square berkisar pada angka 0 sampai 1, dengan catatan semakin kecil angka R square
maka semakin lemah hubungan kedua variabel.
Output 2 :
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 19850,334 1 19850,334 67,673 ,000a
Residual 3813,266 13 293,328
Total 23663,600 14
a. Predictors: (Constant), Biaya Promosi
b. Dependent Variable: Data Penjualan
Tabel ANOVA menunjukkan apakah sebuah model regresi bisa digunakan untuk
melakukan sebuah prediksi atau tidak.
Dari uji ANOVA atau F Test diatas, diperoleh F hitung sebesar 67,673 dengan tingkat
signifikansi 0,0000. Oleh karena probabilitas (0,0000) jauh lebih kecil dari 0,05 maka model
regresi bisa digunakan untuk memprediksi Sales.
Output 3 :
Coefficientsa
Model
Unstandardized Coefficients
Standardized
Coefficients
t Sig. B Std. Error Beta
1 (Constant) 111,523 16,982 6,567 ,000
Biaya Promosi 3,891 ,473 ,916 8,226 ,000
a. Dependent Variable: Data Penjualan
Tabel diatas menggambarkan persamaan regresi yang muncul untul Sales dan biaya promosi.
Y = 111,523 + 3,891 X
Dimana Y = Sales dan X = Biaya Promosi
-
MATERI / BAHAN PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke :
Program Studi : Teknik Industri Modul ke :
Kode Mata Praktikum: Jumlah Halaman :
Nama Mata Praktikum`: Statistik Industri Mulai Berlaku :
Halaman | 17
UNIVERSITAS ISLAM INDONESIA
Output 4 :
Chart diatas merupakan Normal Probability Plot yang menunjukkan apakah uji
normalitas data yang digunakan sudah terpenuhi atau belum.
Terlihat bahwa sebaran data pada chart di atas bisa dikatakan tersebar di sekeliling garis
lurus tersebut (tidak terpencar jauh dari garis lurus). Maka dapat dikatakan bahwa persyaratan
Normalitas bsia dipenuhi.
-
MATERI / BAHAN PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke :
Program Studi : Teknik Industri Modul ke :
Kode Mata Praktikum: Jumlah Halaman :
Nama Mata Praktikum`: Statistik Industri Mulai Berlaku :
Halaman | 18
UNIVERSITAS ISLAM INDONESIA
2. REGRESI LINEAR BERGANDA
Analisis regresi adalah suatu analisis statistik yang memanfaatkan hubungan antara dua
variable atau lebih yaitu variable Y ( variabel dependen atau respons) pada beberapa variabel
lain X1, X2, Xk, ( variabel independent atau predictor ).
Dalam bagian ini akan dijelaskan secara singkat bagaimana garis regresi dapat ditentukan dan
yang akan ditinjau adalah garis regresi variable dependent (Y) atas variable-variabel
independent (Xi) yang paling sederhana, yang selanjutnya disebut regresi linier berganda.
Persamaan umum untuk regresi linier berganda yaitu:
Dengan: k22110 X...X X kY
0 = konstan
1...k = koefisien populasi variable independent
= Random error
Koefisien-koefisien dari persamaan regresi berganda selanjutnya diestimasi dengan
menggunakan sampel-sampel, yang prosesenya serupa dengan regresi linier sederhana yaitu
dengan meminimalkan nilai error, sehingga diperoleh persamaan regresi:
Dengan: ki2i21i10 X...X X kbbbbY
b0 = nilai estimasi untuk konstan
b1bk = nilai estimasi untuk koefisien variable independent
Seperti halnya regersi linier sederhana, maka untuk regresi linier berganda, terlebih dahulu
perlu diuji apakah regresi linier ganda yang diperoleh berdasarkan data sampel berguna atau
tidak. Untuk itu dilakukan uji hipotesis nol bahwa model regresi tidak layak dipakai melawan
hipotesis alternative yaitu model regresi layak dipakai. Uji yang digunakan adalah uji
menggunakan statistik F berbentuk:
-
MATERI / BAHAN PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke :
Program Studi : Teknik Industri Modul ke :
Kode Mata Praktikum: Jumlah Halaman :
Nama Mata Praktikum`: Statistik Industri Mulai Berlaku :
Halaman | 19
UNIVERSITAS ISLAM INDONESIA
Dengan k adalah jumlah variable yang diikutsertakan dalam persaman regresi. Dalam uji
hipotesis, digunakan daerah kritis:
Selanjutnya, jika model regresi yang diperoleh layak digunakan akan dilakukan lagi uji
terhadap koefisien-koefisien regresi secara terpisah untuk mengetahui apakah koefisien
tersebut layak dipakai dalam persamaan atau tidak, dengan :
Hipotesis
H0:j= 0
H1:j 0
Statistik Uji
Koefisien Determinasi Ganda
Koefisien determinasi adalah nilai yang menunjukkan seberapa besar nilai variable Y
dijelaskan oleh variable X.
Nilai R2
yang mendekati 0 (nol) menunjukkan bahwa data sangat tidak cocok dengan model
regresi yang ada dan sebaliknya, jika nilai R2
mendekati 1 (satu) menunjukkan bahwa data
cocok terhadap model regresi.
Koefisien Korelasi Berganda
Koefisien korelasi berganda adalah nilai yang menunjukkan korelasi antara nilai prediksi
dengan nilai observasi dari variable independent (Y).
-
MATERI / BAHAN PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke :
Program Studi : Teknik Industri Modul ke :
Kode Mata Praktikum: Jumlah Halaman :
Nama Mata Praktikum`: Statistik Industri Mulai Berlaku :
Halaman | 20
UNIVERSITAS ISLAM INDONESIA
Nilai koefisien korelasi merupakan akar kuadrat dari nilai koefisien determinasi ganda yang
dapat digunakan untuk mengukur kekuatan hubungan linier antara variable independent (Xi)
dengan variable dependent (Y).
Adjusted Coefeicients of Determination
Nilai ini digunakan untuk mengoreksi apakah penambahan sebuah variable baru
mempengaruhi/mengurangi nilai error sum of squares (jumlah kuadrat kesalahan),
(dimana n = ukuran sampel, K = Jumlah variable independent). Nilai ini juga memberikan
perbandingan yang lebih baik antara model regresi berganda dengan jumlah variable
independent berbeda, karena nilainya lebih kecil jika dibandingkan dengan koefisien
determinasi ganda.
STUDI KASUS
PT. SINAR CAHAYA dalam beberapa bulan hencar mempromosikan sejumlah peralatan
elektronik dengan membuka outlet-outlet di berbagai daerah. Berikut data mengenai
Penjualan, Biaya Promosi dan Jumlah Outlet yang dikeluarkan di 15 daerah di Indonesia :
Daerah Sales (juta
Rupiah)
Promosi (juta
Rupiah) Outlet (m2)
JAKARTA 205 26 159
TANGERANG 206 28 164
BEKASI 254 35 198
BOGOR 246 31 184
BANDUNG 201 21 150
SEMARANG 291 49 208
SOLO 234 30 184
YOGYA 209 30 154
SURABAYA 204 24 149
PURWOKERTO 216 31 175
-
MATERI / BAHAN PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke :
Program Studi : Teknik Industri Modul ke :
Kode Mata Praktikum: Jumlah Halaman :
Nama Mata Praktikum`: Statistik Industri Mulai Berlaku :
Halaman | 21
UNIVERSITAS ISLAM INDONESIA
Daerah Sales (juta
Rupiah)
Promosi (juta
Rupiah) Outlet (m2)
MADIUN 245 32 192
TUBAN 286 47 201
MALANG 312 54 248
KUDUS 265 40 166
PEKALONGAN 322 42 287
Langkah- langkah penyelesaian Regresi Berganda :
o Data penjualan, biaya promosi dan jumlah outlet PT. SINAR CAHAYA dimasukkan ke
dalam SPSS.
o Kemudian pilih menu Analyze > Regression > Linear (untuk uji regresi secara linear).
Masukkan variabel X ke dalam kolom independent dan variabel Y ke dalam kolom
dependent.
-
MATERI / BAHAN PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke :
Program Studi : Teknik Industri Modul ke :
Kode Mata Praktikum: Jumlah Halaman :
Nama Mata Praktikum`: Statistik Industri Mulai Berlaku :
Halaman | 22
UNIVERSITAS ISLAM INDONESIA
o Selanjutnya pilih kolom Statistics. Checklist Estimate, Model fit dan Descriptive.
o Pilih kolom Plots. Checklist Produce all partial plots.
o Tekan OK untuk proses data.
-
MATERI / BAHAN PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke :
Program Studi : Teknik Industri Modul ke :
Kode Mata Praktikum: Jumlah Halaman :
Nama Mata Praktikum`: Statistik Industri Mulai Berlaku :
Halaman | 23
UNIVERSITAS ISLAM INDONESIA
Berikut OUTPUT dari langkah-langkah yang telah dilakukan:
Output 1
Besar hubungan antar variabel Sales dengan Promosi yang dihitung dengan koefisien
korelasi adalah 0,916, sedangkan variabel Sales dengan Outlet adalah 0,901. Secara teoritis,
karena korelasi antara Sales dan Promosi lebih besar, maka variabel Promosi lebih
berpengaruh terhadap Sales dibanding variabel Outlet.
Tingkat signifikansi koefisien korelasi satu sisi dari output menghasilkan angka 0,000
atau praktis 0. Oleh karena probabilitas jauh di bawah 0,05, maka korelasi di antara variabel
Sales dengan Promosi dan Outlet sangat nyata.
-
MATERI / BAHAN PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke :
Program Studi : Teknik Industri Modul ke :
Kode Mata Praktikum: Jumlah Halaman :
Nama Mata Praktikum`: Statistik Industri Mulai Berlaku :
Halaman | 24
UNIVERSITAS ISLAM INDONESIA
Output 2
Model Summaryb
Model
R R Square Adjusted R Square
Std. Error of the
Estimate
d
i
m
e
n
s
i
o
n
0
1 ,976a ,952 ,944 9,75663
a. Predictors: (Constant), Luas Outlet, Biaya Promosi
b. Dependent Variable: Data Penjualan
Sama seperti pada regresi linear sederhana, output Model Summary menunjukkan nilai R
yang merupakan penjelas seberapa besar sebuah variabel mempengaruhi variabel lainnya.
Angka R square pada tabel diatas adalah 0,952. Hal tersebut berarti 95,2% dari variasi Sales
bisa dijelaskan oleh variabel biaya promosi dan outlet yang disewa. Sementara sisanya (100%
- 95,2% = 4,8%) dijelaskan oleh sebab-sebab yang lain.
R square berkisar pada angka 0 sampai 1, dengan catatan semakin kecil angka R square maka
semakin lemah hubungan kedua variabel.
Output 3
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 22521,299 2 11260,649 118,294 ,000a
Residual 1142,301 12 95,192
Total 23663,600 14
a. Predictors: (Constant), Luas Outlet, Biaya Promosi
b. Dependent Variable: Data Penjualan
-
MATERI / BAHAN PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke :
Program Studi : Teknik Industri Modul ke :
Kode Mata Praktikum: Jumlah Halaman :
Nama Mata Praktikum`: Statistik Industri Mulai Berlaku :
Halaman | 25
UNIVERSITAS ISLAM INDONESIA
Tabel ANOVA menunjukkan apakah sebuah model regresi bisa digunakan untuk
melakukan sebuah prediksi atau tidak.
Dari uji ANOVA atau F Test diatas, diperoleh F hitung sebesar 118,294 dengan tingkat
signifikansi 0,0000. Oleh karena probabilitas (0,0000) jauh lebih kecil dari 0,05 maka model
regresi bisa digunakan untuk memprediksi Sales. Atau bisa dikatakan bahwa promosi dan
luas outlet yang disewa secara bersama-sama berpengaruh terhadap Sales.
Output 4
Coefficientsa
Model
Unstandardized Coefficients
Standardized
Coefficients
t Sig. B Std. Error Beta
1 (Constant) 64,639 13,112 4,930 ,000
Biaya Promosi 2,342 ,398 ,551 5,892 ,000
Luas Outlet ,535 ,101 ,496 5,297 ,000
a. Dependent Variable: Data Penjualan
Tabel diatas menggambarkan persamaan regresi yang muncul untul Sales dan biaya
promosi.
Y = 64,639 + 2,342 X1 + 0,535 X2
Dimana Y = Sales, X1 = Biaya Promosi, dan X2 = Luas Outlet
Output 5
-
MATERI / BAHAN PRAKTIKUM
Fakultas : Teknologi Industri Pertemuan ke :
Program Studi : Teknik Industri Modul ke :
Kode Mata Praktikum: Jumlah Halaman :
Nama Mata Praktikum`: Statistik Industri Mulai Berlaku :
Halaman | 26
UNIVERSITAS ISLAM INDONESIA
Chart di atas menunjukkan hubungan antara Sales dengan promosi. Terlihat bahwa
sebaran data membentuk arah ke kanan atas, dan jika ditarik garis lurus akan didapat slope
yang positif. Hal ini sesuai dengan koefisien regresi promosi yang positif.
Chart di atas menunjukkan hubungan antara Sales dengan outlet. Terlihat bahwa sebaran
data membentuk arah ke kanan atas, dan jika ditarik garis lurus akan didapat slope yang
positif. Hal ini sesuai dengan koefisien regresi outlet yang positif.