8. korelasi, regresi linier sederhana dan berganda
07154049
1. Nama : Paskalis Sergius Noeng
Kelas : SI – RM 34
NIM : 07154049
Suatu perusahaan manufaktur ingin membuat suatu model prediksi jumlah penjualan yang
dilakukan dengan menggunakan data sebanyak 15 area penjualan. Variabel independen yang
akan dimasukkan dalam persamaan regresi adalah Jumlah Penduduk, Tingkat Pengangguran,
Jumlah Pesaing. Dengan data tersebut buatlah persamaan regresi dengan memasukkan semua
variabel dalam fungsi regresi.
Penjualan
(Juta)
Jumlah
Penduduk
(Ribu)
Jumlah
Pesaing
Jumlah
Pengangguran
(Ribu)
205 200 90 10
206 250 85 26
254 220 76 30
246 210 80 25
201 190 76 24
291 260 95 15
234 220 90 18
209 176 89 23
204 210 90 28
216 220 76 12
245 220 80 19
286 275 78 10
312 300 65 20
265 280 69 12
304 309 50 19
2. a. Jelaskan Korelasi antara Jumlah Penduduk dan Jumlah Pesaing dan Pengangguran dengan Penjualan ?
Model Summary
Model R R Square
Adjusted R
Square
Std. Error of the
Estimate
Change Statistics
R Square
Change F Change df1 df2 Sig. F Change
1 .849a
.722 .646 23.187 .722 9.504 3 11 .002
a. Predictors:(Constant),Jumlah Pengangguran,Jumlah Pesaing,Jumlah Penduduk
Berdasarkan hasil dari Tabel Model Summary di atas dapat disimpulkan bahwa Korelasi antara Jumlah Penduduk, Jumlah
Pesaing dan Jumlah Pengangguran dengan Penjualan adalah kuat karena Nilai R = 0.849 dan juga searah (Nilai R Positif).
Correlations
Penjualan
Jumlah
Penduduk Jumlah Pesaing
Jumlah
Pengangguran
Pearson Correlation Penjualan 1.000 .849 -.558 -.266
Jumlah Penduduk .849 1.000 -.645 -.316
Jumlah Pesaing -.558 -.645 1.000 .046
Jumlah Pengangguran -.266 -.316 .046 1.000
Sig. (1-tailed) Penjualan . .000 .015 .169
Jumlah Penduduk .000 . .005 .126
Jumlah Pesaing .015 .005 . .436
Jumlah Pengangguran .169 .126 .436 .
N Penjualan 15 15 15 15
Jumlah Penduduk 15 15 15 15
Jumlah Pesaing 15 15 15 15
Jumlah Pengangguran 15 15 15 15
Dan bila berdasarkan Tabel Correlations di atas dapat disimpulkan untuk Korelasi masing – masing Variabel dilihat
berdasarkan Nilai Pearson Correlation adalah sebagai berikut :
3. - Korelasi antara Jumlah Penduduk dan Penjualan bernilai kuat / tinggi dan searah (0,849)
- Korelasi antara Jumlah Pesaing dan Penjualan bernilai sedang dan tidak searah (-0,558)
- Korelasi antara Jumlah Pengangguran dan Penjualan bernilai rendah dan tidak searah (-0,266)
b. Berapa besar pengaruh ketiga variabel Independen terhadap variabel Penjualan.
Model Summary
Model R R Square
Adjusted R
Square
Std. Error of the
Estimate
Change Statistics
R Square
Change F Change df1 df2 Sig. F Change
1 .849a
.722 .646 23.187 .722 9.504 3 11 .002
a. Predictors:(Constant),Jumlah Pengangguran,Jumlah Pesaing,Jumlah Penduduk
Berdasarkan Tabel Model Summary diatas, bila dilihat Nilai R Squarenya dapat diperhitungkan besarnya pengaruh ketiga
Variabel Independen terhadap Variabel Penjualan adalah 0,722 x 100% = 72,2%. Jadi besarnya pengaruh Variabel Jumlah
Penduduk, Jumlah Pesaing dan Jumlah Pengangguran terhadap Penjualan adalah sebesar 72,2%, sedangkan 27,8% (100% -
72,2%) dipengaruhi oleh faktor / variabel yang lain.
c. Ujilah apakah persamaan regresi layak untuk digunakan.
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 15330.189 3 5110.063 9.504 .002a
Residual 5914.211 11 537.656
Total 21244.400 14
a. Predictors:(Constant),Jumlah Pengangguran,Jumlah Pesaing,Jumlah Penduduk
b. DependentVariable:Penjualan
4. Berdasarkan dari Tabel ANOVA di atas dilihat dari Nilai Sig dan dibandingkan dengan Nilai α maka dapat disimpulkan
sebagai berikut : Nilai Sig (0,002) < Nilai α (0,05), maka Tolak H0; Maka kontribusi Variabel Independen signifikan terhadap
Variabel Dependen, atau Model Regresi bisa dipakai untuk memprediksi Penjualan. Atau Jumlah Penduduk, Jumlah Pesaing &
Jumlah Pengangguran secara bersama-sama berpengaruh terhadap Penjualan.
d. Buat persamaan regresi dan berikan interpretasi serta ujilah masing – masing koefisien regresi.
Coefficientsa
Model
Unstandardized Coefficients
Standardized
Coefficients
T Sig.B Std. Error Beta
1 (Constant) 60.771 105.892 .574 .578
Jumlah Penduduk .803 .216 .837 3.727 .003
Jumlah Pesaing -.063 .709 -.019 -.089 .931
Jumlah Pengangguran -.009 1.019 -.002 -.009 .993
a. DependentVariable:Penjualan
Berdasarkan Tabel Coefficients diatas dapat disimpulkan Rumus Persamaan Regresinya dilihat dari Nilai B adalah
Y = 60,771 + 0,803X1 – 0,063X2 – 0,009X3
Keterangan :
Y = Penjualan
X1 = Jumlah Penduduk
X2 = Jumlah Pesaing
X3 = Jumlah Pengangguran
5. Interpretasi :
- Konstanta sebesar 60,771 berarti bila Jumlah Penduduk = 0, Jumlah Pesaing = 0 dan Jumlah Pengangguran = 0 maka
Penjualan akan bernilai sebesar Rp 60,771 (Juta).
- Koefisien Regresi untuk X1 (Jumlah Penduduk) sebesar 0,803 berarti bila setiap penambahan (+) 1 (Ribu) Jumlah
Penduduk maka akan meningkatkan Penjualan sebesar Rp 0,803 (Juta) dengan asumsi Jumlah Pesaing = 0 & Jumlah
Pengangguran = 0.
- Koefisien Regresi untuk X2 (Jumlah Pesaing) sebesar -0,063 berarti bila setiap pengurangan (-) 1 (Ribu) Jumlah Pesaing
maka akan meningkatkan Penjualan sebesar Rp 0,063 (Juta) dengan asumsi Jumlah Penduduk = 0 & Jumlah
Pengangguran = 0.
- Koefisien Regresi untuk X3 (Jumlah Pengangguran) sebesar -0,009 berarti bila setiap pengurangan (-) 1 (Ribu) Jumlah
Pengangguran maka akan meningkatkan Penjualan sebesar Rp 0,009 (Juta) dengan asumsi Jumlah Penduduk = 0 &
Jumlah Pesaing = 0.
Berdasarkan dari Tabel Coefficients diatas dapat disimpulkan pengujian masing-masing Koefisien Regresi dilihat dari Nilai
Sig masing-masing variabel adalah sebagai berikut :
- Jumlah Penduduk : Nilai Sig (0,003) < Nilai α (0,05) maka Tolak H0; Maka kontribusi Variabel Jumlah Penduduk
signifikan terhadap Variabel Penjualan.
- Jumlah Pesaing : Nilai Sig (0,931) > Nilai α (0,05) maka Terima H0; Maka kontribusi Variabel Jumlah Pesaing tidak
signifikan terhadap Variabel Penjualan.
- Jumlah Pengangguran : Nilai Sig (0,993) > Nilai α (0,05) maka Terima H0; Maka kontribusi Variabel Jumlah
Pengangguran tidak signifikan terhadap Variabel Penjualan.