MODUL IV Analisa Regresi dan Kolerasi St

(1)

MODUL IV estimasi untuk analisis regresi linier sederhana.

2. Praktikan dapat menghitung persamaan regresi linier berganda serta menginterpretasikan arti dari persamaan regresi dan standart error dari estimasi-estimasi untuk analisis regresi linier berganda.

3. Praktikan dapat menghitung dan menganalisa koefisien korelasi antar variabel.

II. PENGUMPULAN DATA

2.1 Regresi Linear Sederhana

1. PT tanah Merdeka adalah sebuah perusahaan yang bergerak dalam bidang perumahan. PT tersebut ingin membangun perumahan dikota Y. Untuk tujuan tersebut beberapa karyawan diminta mencari informasi tenang luas tanah yang tersedia dengan harga yang ditawarkan. Dibawah ini adalah data luas tanah (dalam hektar) dan jumlah harga tanah tersebut (dalam juta rupiah) yang berhasil dikumpulkan oleh PT Tanah Merdeka. Lokasi tanah dipilih secara random.

Luas Tanah (x) 2,2 3,4 5,3 3,7 3,5 4,8 5,2 2,8 3,3 4,2 4,6 3,8

Harga Total (y) 128 16

7

Buatlah persamaan regresi yang digunakan untuk memperkirakan jumlah harga tanah berdasarkan luas tanah yang tersedia dikota Y.

2. Berikut ini adalah data banyaknya bahan bakar solar (dalam kilo liter) yang dimasukan kedalam mesin produksi dan jumlah produksi (dalam ton) yang dikeluarkan oleh mesin tersebut.

Bahan Bakar (x)

12,6 16,4 26,3 20,2 19,5 24,4 25,7 16,4 18,7 22,3 23,9 22,7

Jumlah Produks i (y)

(2)

2.2 Regresi Linear Berganda

1. Y : pengeluaran rumah tangga untuk pembelian barang tahan lama dari penduduk suatu Negara (ratusan dollar)

X1 : pendapatan rumah tangga (ribuan dollar) X2 : jumlah anggota keluarga (orang)

Y 23 7 15 17 23 22 10 14 20 19

X1 10 2 4 6 8 7 4 6 7 6

X2 7 3 2 4 6 5 3 3 4 3

2. Sebuah perusahaan computer ingin mengetahui fakto-faktor yang mempengaruhi biaya distribusi (Y), data selama satu tahu telah dikumpulkan mengenai biaya distribusi (Y), penjualan (X1), dan jumlah pesanan (X2) dan dicacat sebagai berikut

(3)

III. Hasil dan Analisis

Analisa Regresi digunkan untuk meramalkan atau memperkirakan nilai dari satu variabel dalam hubungannya dengan variabel lain atau mempelajari dan mengukur hubungan statistik yang terjadi antara dua atau lebih variabel.

3.1 Regresi Linear Sederhana

Dari hasil output diatas didapat rata-rata harga total sebesar 208,500 dan rata-rata luas tanah sebesar 3,900. Standar deviasi dari harga total menunjukan 42,8942 dan standar deviasi luas tanah menunjukan 0,9516. Jumlah data menunjukan 12.

Tabel 2. Korelasi

Correlations

HargaTotal LuasTanah

Pearson Correlation HargaTotal 1.000 .972

LuasTanah .972 1.000

Sig. (1-tailed) HargaTotal . .000

LuasTanah .000 .

N HargaTotal 12 12

LuasTanah 12 12

Interpretasi Data :

(4)

Tabel 3. Variabels Entered

1 LuasTanaha _{. Enter}

a. All requested variables entered.

b. Dependent Variable: HargaTotal

Dari tabel tersebut menunjukkan variabel yang dimasukkan adalah luas tanah. Sedangkan tidak ada variabel yang keluar. Method digunakan untuk pilihan metode regresi yang akan digunakan, kami mengunakan method enter karena analis biasa dimana semua variabel bebas dimasukkan sebagai variabel prediktor, tidak memandang pengaruh apakah variabel tersebut berpengaruh besar atau kecil pada variabel terikat.

Tabel 4. Model Summary

Pada tabel diatas angka R square adalah 0,945 yaitu hasil kuadrat dari koefisien korelasi

0,9722 yang artinya 94,5% harga total bisa dijelaskan oleh variabel luas tanah. Sedangkan sisanya 100% - 94,5% = 5,5% dijelaskan oleh sebab-sebab yang lain.

Tabel 5. ANOVA

ANOVAb

Model Sum of Squares df Mean Square F Sig.

1 Regression 19129.744 1 19129.744 172.456 .000a

Residual 1109.256 10 110.926

Total 20239.000 11

a. Predictors: (Constant), LuasTanah

(5)

a. Membandingkan statistk hitung dengan statistik tabel F hitung < F tabel, maka Ho diterima

Fhitung > F tabel, maka Ho ditolak b. Berdasarkan probabilitas

Probabilitas > 0.05, maka Ho diterima Probabilitas < 0.05, maka Ho ditolak

Dilihat pada nilai F hitung pada hasil SPSS yaitu sebesar 172,456. Df diperoleh dari = ( K-1) (N-K) = (2-1)(10-2) = (1)(10) maka F tabelnya 4,96 Karena F hitung (172,456) > F tabel (4,96) maka Ho ditolak ada pengaruh luas tanah terhadap harga total yang akan dibangun perumahan kota. Berdasarkan signifikan yaitu 0,000 , karena probabilitas < 0,05 maka Ho ditolak ada pengaruh luas tanah terhadap harga total yang akan dibangun perumahan kota.

Grafik 6. Koefisien Korelasi

1 (Constant) 37.581 13.366 2.812 .018

LuasTanah 43.825 3.337 .972 13.132 .000

a. Dependent Variable: HargaTotal

Pengambilan keputusan :

(6)

proabilitas ≤ 0,05 maka Ho ditolak.

 Constant : berdasarkan tabel diatas, dapat dilihat bahwa nilai t hitung untuk nilai

constant yaitu 2,812, pada t tabel dengan db 10 dan taraf signifikansi 0,05 diperoleh 1,796 karena t hitung (2,812) > t tabel (1,796), maka Ho ditolak ada pengaruh luas tanah terhadap harga total yang akan dibangun perumahan kota. Sedangkan signifikan/probabititas menunjukan 0,018 yang berarti probabilitas < 0,05 maka Ho ditolak ada pengaruh luas tanah terhadap harga total yang akan dibangun perumahan kota.

 Luas tanah : berdasarkan tabel diatas, dapat dilihat bahwa nilai t hitung untuk nilai

luas tanah yaitu 13,132, pada t tabel dengan db 10 dan taraf signifikansi 0,05 diperoleh 1,796 karena t hitung (13,132) > t tabel (1,796), maka Ho ditolak ada pengaruh luas tanah terhadap harga total yang akan dibangun perumahan kota. Sedangkan signifikan/probabititas menunjukan 0,000 yang berarti probabilitas < 0,05 maka Ho ditolak ada pengaruh luas tanah terhadap harga total yang akan dibangun perumahan kota.

Berdasarkan analisis diatas maka dapat dibuat model regresi dugaannya yaitu : Y = 37.581+ 43.825 * (xi)

Di mana : Y = harga total X = luas tanah

(7)

Grafik 1. Normal Probability Plot

Interpretasi Grafik :

Jika residual berasal dari distribusi normal, maka nilai-nilai sebaran data akan terletak pada garis lurus, terlihat bahwa sebaran data pada gambar diatas hampir tersebar disekeliling garis lurus. Sehingga dapat dikatakan bahwa persyaratan normalitas bisa dipenuhi.

Grafik 2. Scatterplot

(8)

Soal No. 2

Dari hasil output diatas didapat rata-rata jumlah produksi sebesar 39,000 dan rata-rata bahan bakar sebesar 20,758. Standar deviasi dari jumlah produksi menunjukan 8,8728 dan standar deviasi bahan bakar menunjukan 4,2113. Jumlah data menunjukan 12.

Grafik 8. Korelasi

Correlations

JumlahProduksi BahanBakar

Pearson Correlation JumlahProduksi 1.000 .891

BahanBakar .891 1.000

Sig. (1-tailed) JumlahProduksi . .000

BahanBakar .000 .

N JumlahProduksi 12 12

BahanBakar 12 12

Dari tabel diatas bahwa besar hubungan antara variabel bahan bakar dengan harga total 0,891 sehingga hal ini menunjukkan hubungan korelasi positif kuat artinya semakin banyak bahan bakar maka semakin tinggi juga jumlah produksinya.

Tabel 9. Variables Entered

1 BahanBakara _{. Enter}

b. Dependent Variable: JumlahProduksi

(9)

dimasukkan sebagai variabel prediktor, tidak memandang pengaruh apakah variabel tersebut berpengaruh besar atau kecil pada variabel terikat.

Pada tabel diatas angka R square adalah 0,794 yaitu hasil kuadrat dari koefisien korelasi 0,8912 yang artinya 79,4% jumlah produksi bisa dijelaskan oleh variabel bahan bakar. Sedangkan sisanya 100% - 79,4% = 20,6% dijelaskan oleh sebab-sebab yang lain.

Tabel 11. ANOVA

ANOVAb

Model Sum of Squares df Mean Square F Sig.

1 Regression 687.391 1 687.391 38.486 .000a

Residual 178.609 10 17.861

Ho : β1 = 0, tidak ada pengaruh bahan bakar teradap jumlah produksi.

H1 : β1 ≠ 0, ada pengaruh bahan bakar terhadap jumlah produksi.

 ∝ = 0.05

 Analisis Pengambilan Keputusan

a. Membandingkan statistk hitung dengan statistik tabel F hitung < F tabel, maka Ho diterima

(10)

Probabilitas > 0.05, maka Ho diterima Probabilitas < 0.05, maka Ho ditolak

Dilihat pada nilai F hitung pada hasil SPSS yaitu sebesar 38,486. Df diperoleh dari = ( K-1) (N-K) = (2-1)(10-2) = (1)(10) maka F tabelnya 4,96 Karena F hitung (38,486) > F tabel (4,96) maka Ho ditolak ada pengaruh bahan bakar terhadap jumlah produksi. Berdasarkan signifikan yaitu 0,000 , karena probabilitas < 0,05 maka Ho ditolak ada pengaruh bahan bakar terhadap jumlah produksi.

1 (Constant) .035 6.398 .005 .996

BahanBakar 1.877 .303 .891 6.204 .000

a. Dependent Variable: JumlahProduksi

t hitung ≤ t tabel maka Ho diterima. t hitung ≥ t tabel maka Ho ditolak. probabilitas ≥ 0,05 maka Ho diterima. proabilitas ≤ 0,05 maka Ho ditolak.

constant yaitu 0,005, pada t tabel dengan db 10 dan taraf signifikansi 0,05 diperoleh 1,812 karena t hitung (0,005) < t tabel (1,812), maka Ho diterima tidak ada pengaruh bahan bakar terhadap jumlah produksi. Sedangkan signifikan/probabititas menunjukan 0,996 yang berarti probabilitas > 0,05 maka Ho diterima tidak ada pengaruh bahan bakar terhadap jumlah produksi.

 Bahan bakar : berdasarkan tabel diatas, dapat dilihat bahwa nilai t hitung untuk nilai

(11)

Berdasarkan analisis diatas maka dapat dibuat model regresi dugaannya yaitu : Y = 0,035 + 1,877 * (xi)

Di mana : Y = jumlah produksi X = bahan bakar

Konstanta sebesar 0,035 menyatakan bahwa besarnya variabel Y (jumlah produksi) jika variabel X (bahan bakar) adalah 0. Koefisien regresi sebesar 1,877 menyatakan bahwa setiap penambahan bahan bakar (karena tanda +) 1 kilo liter, akan

meningkatkan jumlah produksi sebesar 1,877 ton.

Grafik 3. Normal Probability Plot

(12)

Grafik 4. Scatterplot

(13)

Perhitungan Manual Regresi Linear Sederana Soal No. 2

Tabel 13. Regresi Linear Sederhana

bahan

bakar (x) jumlah produksi (y) x.y x2 y2

12,6 27 340,2 158,76 729

16,4 35 574 268,96 1225

26,3 52 1367,6 691,69 2704

20,2 36 727,2 408,04 1296

19,5 31 604,5 380,25 961

24,4 48 1171,2 595,36 2304

25,7 53 1362,1 660,49 2809

16,4 29 475,6 268,96 841

18,7 36 673,2 349,69 1296

22,3 41 914,3 497,29 1681

23,9 46 1099,4 571,21 2116

22,7 34 771,8 515,29 1156

249,1 468 10081,1 5365,99 19118

20,7583333

3 39 840,09167 447,16583 1593,167

(14)

Sy,x =

√

∑

(

y2

)

−a(∑ y)−b(∑ x . y)

(15)

= 6,215

(16)

Uji F ANOVA

Hipotesis :

H1 : β1 ≠ 0, ada pengaruh bahan bakar terhadap jumlah produksi.

866 687,3243051 178,6095051

Tabel 15. ANOVA

Sumber

Variansi db JK KT F

Regresi 1 687,324 687,324 38,483

Error 10 178,609 17,8609

(17)

Si2 = JKR

Keputusan : F hitung (38,483) > F tabel (4,96), maka Ho ditolak tidak ada pengaruh bahan bakar terhadap jumlah produksi.

Pada hasil diatas angka R square adalah 0,793 yaitu hasil kuadrat dari koefisien korelasi

(18)

3.2 Regresi Linear Berganda

Dari hasil output diatas didapat rata Y (pengeluaran rumah tangga) sebesar 17,00, rata-rata X1 (pendapatan rumah tangga) sebesar 6,00, dan rata-rata-rata-rata X2 (jumlah anggota keluarga) sebesar 4,00. Standar deviasi dari Y (pengeluaran rumah tangga) menunjukan 5,497, standar deviasi dari X1 (pendapatan rumah tangga) sebesar 2,261, dan standar deviasi X2 (jumlah anggota keluarga) menunjukan 1,563. Jumlah data menunjukan 10.

Tabel 17. Korelasi

Correlations

Y X1 X2

Pearson Correlation Y 1.000 .912 .737

X1 .912 1.000 .849

(19)

b. Dependent Variable: Y

Interpretasi data :

Dari tabel tersebut menunjukkan variabel yang dimasukkan adalah X1 (pendapatan rumah tangga) dan X2 (jumlah anggota keluarga). Sedangkan tidak ada variabel yang keluar. Method digunakan untuk pilihan metode regresi yang akan digunakan, kami mengunakan method enter karena analis biasa dimana semua variabel bebas dimasukkan sebagai variabel prediktor, tidak memandang pengaruh apakah variabel tersebut berpengaruh besar atau kecil pada

a. Predictors: (Constant), X2, X1

0,9152 _{yang artinya 83,6% Y (pengeluaran rumah tangga) bisa dijelaskan oleh variabel X1}

(20)

Tabel 20. ANOVA

ANOVAb

Model Sum of Squares Df Mean Square F Sig.

1 Regression 227.512 2 113.756 17.899 .002a

Residual 44.488 7 6.355

Total 272.000 9

a. Predictors: (Constant), X2, X1

 Hipotesis :

Ho : β1 = β2 = 0, tidak ada pengaruh antara variabel pendapatan rumah tangga dan jumlah

anggota keluarga terhadap pengeluaran rumah tangga.

H1 : β1 ≠ β2 ≠ 0, ada pengaruh antara variabel pendapatan rumah tangga dan jumlah

 ∝ = 0,05

a. Membandingkan statistik hitung dengan statistik tabel F hitung < F tabel, maka Ho diterima.

Fhitung > F tabel, maka Ho ditolak. b. Berdasarkan probabilitas

Probabilitas > 0.05, maka Ho diterima. Probabilitas < 0.05, maka Ho ditolak.

Dilihat pada nilai F hitung pada hasil SPSS yaitu sebesar 17,899. Df diperoleh dari = ( K-1) (N-K) = (3-1)(10-3) = (2)(7) maka F tabelnya 4,74 Karena F hitung (17,899) > F tabel (4,74) maka Ho ditolak ada pengaruh antara variabel pendapatan rumah tangga dan jumlah anggota keluarga terhadap pengeluaran rumah tangga. Berdasarkan signifikan yaitu 0,002 , karena probabilitas < 0,05 maka Ho ditolak ada pengaruh antara variabel pendapatan rumah tangga dan jumlah anggota keluarga terhadap pengeluaran rumah tangga.

(21)

Coefficientsa

1 (Constant) 3.919 2.418 1.621 .149

X1 2.491 .703 1.024 3.544 .009

X2 -.466 1.016 -.133 -.459 .660

a. Dependent Variable: Y

constant yaitu 1,621, pada t tabel dengan db 7 dan taraf signifikansi 0,05 diperoleh 1,895 karena t hitung (1,621) < t tabel (1,895), maka Ho diterima tidak ada pengaruh antara variabel pendapatan rumah tangga dan jumlah anggota keluarga terhadap pengeluaran rumah tangga. Sedangkan signifikan/probabititas menunjukan 0,149 yang berarti probabilitas > 0,05 maka Ho diterima tidak ada pengaruh antara variabel pendapatan rumah tangga dan jumlah anggota keluarga terhadap pengeluaran rumah tangga.

 X1 : berdasarkan tabel diatas, dapat dilihat bahwa nilai t hitung untuk nilai X1 yaitu

3,544, pada t tabel dengan db 7 dan taraf signifikansi 0,05 diperoleh 1,895 karena t hitung (3,544) > t tabel (1,895), maka Ho ditolak ada pengaruh antara variabel pendapatan rumah tangga dan jumlah anggota keluarga terhadap pengeluaran rumah tangga. Sedangkan signifikan/probabititas menunjukan 0,009 yang berarti probabilitas < 0,05 maka Ho ditolak ada pengaruh antara variabel pendapatan rumah tangga dan jumlah anggota keluarga terhadap pengeluaran rumah tangga.

 X2 : berdasarkan tabel diatas, dapat dilihat bahwa nilai t hitung untuk nilai X2 yaitu

(22)

pendapatan rumah tangga dan jumlah anggota keluarga terhadap pengeluaran rumah tangga. Sedangkan signifikan/probabititas menunjukan 0,660 yang berarti probabilitas > 0,05 maka Ho diterima tidak ada pengaruh antara variabel pendapatan rumah tangga dan jumlah anggota keluarga terhadap pengeluaran rumah tangga.

Berdasarkan analisis diatas maka dapat dibuat model regresi dugaannya yaitu : Y = 3,919 + 2,491 X1 – 0,466 X2

Di mana : Y = pengeluaran rumah tangga X 1= pendapatan rumah tangga X2 = jumlah anggota keluarga

Konstanta sebesar 3,919 menyatakan bahwa besarnya variabel Y (pengeluaran rumah tangga) jika variabel X (pendapatan rumah tangga dan jumlah anggota keluarga) adalah 0. Pada koefisien regresi pendapatan rumah tangga sebesar 2,491 menyatakan bahwa setiap penambahan pendapatan rumah tangga (karena tanda +) 1 $, akan meningkatkan pengeluaran rumah tangga sebesar 2,491 $ dan koefisien regresi jumlah anggota keluarga sebesar -0,466 menyatakan bahwa setiap pengurangan jumlah anggota keluarga (karena tanda -) 1 orang, akan mengurangkan pengeluaran rumah tangga sebesar -0,466.

Grafik 5. Partial Regression Plot

(23)

(24)

(25)

Soal No. 2

Dari hasil output diatas didapat rata-rata biaya distribusi sebesar 69,6009, rata-rata penjualan sebesar 454,55, dan rata-rata umlah pesanan sebesar 4380,82. Standar deviasi biaya distribusi menunjukan 10,28425, standar deviasi dari penjualan sebesar 69,371, dan standar deviasi jumlah pesanan menunjukan 619,046. Jumlah data menunjukan 11.

Tabel 23. Korelasi

Correlations

BiayaDistribusi Penjualan JumlahPesanan

Pearson Correlation BiayaDistribusi 1.000 .860 .838

Penjualan .860 1.000 .823

JumlahPesanan .838 .823 1.000

Sig. (1-tailed) BiayaDistribusi . .000 .001

Penjualan .000 . .001

JumlahPesanan .001 .001 .

N BiayaDistribusi 11 11 11

Penjualan 11 11 11

JumlahPesanan 11 11 11

Interpretasi data :

(26)

b. Dependent Variable: BiayaDistribusi

Dari tabel tersebut menunjukkan variabel yang dimasukkan adalah jumlah pesanan dan penjulan. Sedangkan tidak ada variabel yang keluar. Method digunakan untuk pilihan metode regresi yang akan digunakan, kami mengunakan method enter karena analis biasa dimana semua variabel bebas dimasukkan sebagai variabel prediktor, tidak memandang pengaruh apakah variabel tersebut berpengaruh besar atau kecil pada variabel terikat.

a. Predictors: (Constant), JumlahPesanan, Penjualan

(27)

Tabel 26. ANOVA

ANOVAb

Model Sum of Squares Df Mean Square F Sig.

1 Regression 838.421 2 419.210 15.297 .002a

Residual 219.237 8 27.405

Total 1057.658 10

a. Predictors: (Constant), JumlahPesanan, Penjualan

 Hipotesis :

Ho : β1 = β2 = 0, tidak ada pengaruh antara variabel penjualan dan jumlah pesanan

terhadap biaya distribusi.

H1 : β1 ≠ β2 ≠ 0, ada pengaruh antara variabel penjualan dan jumlah pesanan terhadap biaya

distribusi.

 ∝ = 0,05

a. Membandingkan statistik hitung dengan statistik tabel F hitung < F tabel, maka Ho diterima.

Fhitung > F tabel, maka Ho ditolak. b. Berdasarkan probabilitas

Probabilitas > 0.05, maka Ho diterima. Probabilitas < 0.05, maka Ho ditolak.

(28)

Tabel 27. Koefisien Korelasi

1 (Constant) 4.633 12.010 .386 .710

Penjualan .078 .042 .527 1.860 .100

JumlahPesanan .007 .005 .404 1.426 .192

a. Dependent Variable: BiayaDistribusi

Interpretasi Data : Pengambilan keputusan :

constant yaitu 0,386, pada t tabel dengan db 8 dan taraf signifikansi 0,05 diperoleh 1,860 karena t hitung (0,386) < t tabel (1,860), maka Ho diterima tidak ada pengaruh antara variabel penjualan dan jumlah pesanan terhadap biaya distribusi. Sedangkan signifikan/probabititas menunjukan 0,710 yang berarti probabilitas > 0,05 maka Ho diterima tidak ada pengaruh antara variabel penjualan dan jumlah pesanan terhadap biaya distribusi.

 Penjualan : berdasarkan tabel diatas, dapat dilihat bahwa nilai t hitung untuk nilai

penjualan yaitu 1,860, pada t tabel dengan db 8 dan taraf signifikansi 0,05 diperoleh 1,860 karena t hitung (1,860) ≤ t tabel (1,860), maka Ho diterima tidak ada pengaruh antara variabel penjualan dan jumlah pesanan terhadap biaya distribusi. Sedangkan signifikan/probabititas menunjukan 0,100 yang berarti probabilitas > 0,05 maka Ho diterima tidak ada pengaruh antara variabel penjualan dan jumlah pesanan terhadap biaya distribusi.

 Jumlah pesanan : berdasarkan tabel diatas, dapat dilihat bahwa nilai t hitung untuk

(29)

pengaruh antara variabel penjualan dan jumlah pesanan terhadap biaya distribusi. Sedangkan signifikan/probabititas menunjukan 0,192 yang berarti probabilitas > 0,05 maka Ho diterima tidak ada pengaruh antara variabel penjualan dan jumlah pesanan terhadap biaya distribusi.

Berdasarkan analisis diatas maka dapat dibuat model regresi dugaannya yaitu : Y = 4,633 + 0,078 X1 + 0,007 X2

Di mana : Y = biaya distribusi

X 1= penjualan

X2 = jumlah pesanan

Konstanta sebesar 4,633 menyatakan bahwa besarnya variabel Y (biaya distribusi) jika variabel X (penjualan dan jumlah pesanan) adalah 0. Pada koefisien regresi penjualan sebesar 0,078 dan koefisien regresi jumlah pesanan adalah 0,007 menyatakan bahwa setiap penambahan penjualan dan jumlah peanan (karena tanda +) akan meningkatkan biaya distribusi sebesar Rp. 0,078 dan Rp. 0,007.

(30)

Dari grafis diatas menunjukkan hubungan dari jumlah pesanan dengan biaya distribusi. Dimana terlihat sebaran data yang menyebar tidak membentuk suatu pola. Maka bisa dikatakan model regresi memenuhi syarat untuk memprediksi biaya distribusi.

IV. Kesimpulan

Dari data analisa regresi sederhana dapat diperoleh : 1. Hipotesis :

Ho : β1 = 0, tidak ada pengaruh luas tanah terhadap harga total yang akan dibangun

perumahan kota.

H1 : β1 ≠ 0, ada pengaruh luas tanah terhadap harga total yang akan dibangun

perumahan kota.

 Keputusan:

 Berdasarkan F hitung (172,456) > F tabel (4,96) maka Ho ditolak ada pengaruh luas tanah terhadap harga total yang akan dibangun perumahan kota.

 Berdasarkan signifikan yaitu 0,000 , karena probabilitas < 0,05 maka Ho ditolak ada pengaruh luas tanah terhadap harga total yang akan dibangun perumahan kota.

 Berdasarkan t hitung (2,812) > t tabel (1,796), maka Ho ditolak ada pengaruh luas tanah terhadap harga total yang akan dibangun perumahan kota.

(31)

Y = 37.581+ 43.825 * (xi) Di mana : Y = harga total

X = luas tanah

 Korelasi:

Besar hubungan antara variabel luas tanah dengan harga total 0,972 sehingga hal ini menunjukkan hubungan korelasi positif sangat kuat.

2. Hipotesis:

H1 : β1 ≠ 0, ada pengaruh bahan bakar terhadap jumlah produksi.  Keputusan:

 Berdasarkan F hitung (38,486) > F tabel (4,96) maka Ho ditolak ada pengaruh bahan bakar terhadap jumlah produksi.

 Berdasarkan signifikan yaitu 0,000 , karena probabilitas < 0,05 maka Ho ditolak ada pengaruh bahan bakar terhadap jumlah produksi.

 Berdasarkan t hitung (6,204) > t tabel (1,812), maka Ho ditolak ada pengaruh bahan bakar terhadap jumlah produksi.

 Persamaan regresi dari data linier sederhana yaitu : Y = 0,035 + 1,877 * (xi)

Di mana : Y = jumlah produksi X = bahan bakar

 Korelasi:

Besar hubungan antara variabel bahan bakar dengan harga total 0,891 sehingga hal ini menunjukkan hubungan korelasi positif kuat.

Dari data analisa regresi berganda dapat diperoleh : 1. Hipotesis:

Ho : β1 = β2 = 0, tidak ada pengaruh antara variabel pendapatan rumah tangga dan

jumlah anggota keluarga terhadap pengeluaran rumah tangga.

H1 : β1 ≠ β2 ≠ 0, ada pengaruh antara variabel pendapatan rumah tangga dan jumlah

 Keputusan:

 Berdasarkan F hitung (17,899) > F tabel (4,74) maka Ho ditolak ada pengaruh antara variabel pendapatan rumah tangga dan jumlah anggota keluarga

(32)

 Berdasarkan signifikan yaitu 0,002 , karena probabilitas < 0,05 maka Ho ditolak ada pengaruh antara variabel pendapatan rumah tangga dan jumlah anggota keluarga terhadap pengeluaran rumah tangga.

 Persamaan regresi data linear berganda yaitu : Y = 3,919 + 2,491 X1 – 0,466 X2 (pendapatan rumah tangga) 0,912 sehingga menunjukkan hubungan korelasi positif sangat kuat.

 Berdasarkan F hitung (15,297) > F tabel (4,46) maka Ho ditolak ada pengaruh antara variabel penjualan dan jumlah pesanan terhadap biaya distribusi.

 Berdasarkan signifikan yaitu 0,002 , karena probabilitas < 0,05 maka Ho ditolak ada pengaruh antara variabel penjualan dan jumlah pesanan terhadap biaya distribusi.

 Persamaan regresi data linear berganda yaitu : Y = 4,633 + 0,078 X1 + 0,007 X2

Di mana : Y = biaya distribusi

X 1= penjualan

X2 = jumlah pesanan

(33)

 Besar hubungan antara variabel biaya distribusi dengan penjualan 0,860 sehingga menunjukkan hubungan korelasi positif kuat.

 Besar hubungan antara variabel biaya distribusi dengan jumlah pesanan 0,838 sehingga menunjukkan hubungan positif dengan korelasi kuat.

V. Daftar Pustaka

Walpole, Ronald E. 1992. Pengantar Statistika edisi ke-3. Jakarta: PT. Gramedia Pustaka Utama.

http://statistics.laerd.com/statistical-guides (diakses tanggal 10 Desember 2013)