Descriptive Statistics
Mean Std. Deviation N
Sales 246.40 41.113 15
Promosi 34.67 9.678 15
Outlet 187.93 38.087 15
Laju_pen 1.9833 .50700 15
Pesaing 16.20 3.877 15
Income 3.33 .922 15
-
Rata-rata sales (dengan jumlah data 15 buah) adalah Rp. 246.400.000,- dengan standar deviasi Rp.41.113.000,-
-
Rata-rata Promosi (dengan jumlah data 15 buah) adalah Rp. 34.670.000,- dengan standar deviasi Rp. 9.678.000,--
Luas Outlet Rata-rata (dengan jumlah data 15 buah) adalah 187,93m2 dengan standar deviasi 38,09m2-
Rata-rata Laju_Pen (dengan jumlah data 15 buah) adalah 1,983 %,- dengan standar deviasi 0,507 %-
Rata-rata Pesaing (dengan jumlah data 15 buah) adalah 16,2=17 dengan standar deviasi 3,88-
Rata-rata Income (dengan jumlah data 15 buah) adalah Rp. 3.330.000,- dengan standar deviasi Rp.922.100,-
Correlations
Sales Promosi Outlet Laju_pen Pesaing Income
Pearson Correlation
Sales 1.000 .916 .901 -.143 .744 -.287
Promosi .916 1.000 .735 -.062 .796 -.339
Outlet .901 .735 1.000 -.199 .574 -.252
Laju_pen -.143 -.062 -.199 1.000 -.495 -.111
Pesaing .744 .796 .574 -.495 1.000 -.073
Income -.287 -.339 -.252 -.111 -.073 1.000
Sig. (1-tailed)
Sales . .000 .000 .305 .001 .150
Promosi .000 . .001 .413 .000 .108
Outlet .000 .001 . .238 .013 .183
Laju_pen .305 .413 .238 . .030 .347
Pesaing .001 .000 .013 .030 . .397
Income .150 .108 .183 .347 .397 .
N
Sales 15 15 15 15 15 15
Promosi 15 15 15 15 15 15
Outlet 15 15 15 15 15 15
Laju_pen 15 15 15 15 15 15
Pesaing 15 15 15 15 15 15
Income 15 15 15 15 15 15
-
Besar hubungan antara Variabel Sales dengan variable bebas : Promosi = 0,916Outlet = 0,901
Laju_Pen = 0,143 (tanda ‘-‘ hanya menunjukkan arah hubungan yang berlawanan) Pesaing = 0,744
Income = 0,287 (tanda ‘-‘ hanya menunjukkan arah hubungan yang berlawanan)
Hal ini menunjukkan variable income dan variable laju_pen mempunyai korelasi yang lemah (di bawah 0,5)
-
Terjadi korelasi yang cukup kuat antara variable Promosi dengan Outlet dan Pesaing (korelasi antar variable tersebut di atas 0,5). Hal ini menandakan adanya multikolinieritas atau korelasi di antara kegiga variable tersebut.-
Tingkat signifikan koefisien korelasi satu sisi dari output (diukur dari probabilitas) menghasilkan angka yang bervariasi, dengan catatan variable laju penduduk dan income tidak berkorelasi secara signifikan (mempunyai nilai signifikan di bawah 0,5) dengan variable lainnya.Variables Entered/Removeda Model Variables
Entered
Variables Removed
Method
1
Income, Pesaing, Laju_pen, Outlet, Promosib
. Enter
a. Dependent Variable: Sales b. All requested variables entered.
Tabel di atas menunjukkan variable yang dimasukkan adalah income, pesaing, laju pen, outlet, dan promosi dan tidak ada variable yang dikeluarkan (removed). Hal ini disebabkan metode yang dipakai adalah single step (enter) dan bukannya stepwise
Model Summaryb
Model R R Square Adjusted R
Square
Std. Error of the Estimate
1 .976a .954 .928 11.051
a. Predictors: (Constant), Income, Pesaing, Laju_pen, Outlet, Promosi b. Dependent Variable: Sales
Koefisien Determinasi :
-
Untuk regresi yang hanya satu variable bebas, maka nilai koefisien determinasinya = R Square-
Untuk regresi dengan lebih dari dua variable bebas, maka nilai koefisien determinasinya = Adjusted R Square. Jadi dalam hal ini nilai koefisien determinasi = 0,928, yang berarti bahwa 92,8 % sales perusahaan bisa dijelaskan oleh variable biaya promosi, income, laju_pen, outlet, dan pesaing, sedangkan sisanya ( 100 % - 92,8 % ) = 7,2 % dijelasikan oleh sebab sebab lain.ANOVAa
Model Sum of Squares df Mean Square F Sig.
1
Regression 22564.432 5 4512.886 36.952 .000b
Residual 1099.168 9 122.130
Total 23663.600 14
a. Dependent Variable: Sales
b. Predictors: (Constant), Income, Pesaing, Laju_pen, Outlet, Promosi
Dari table di atas (Uji Anova atau F test) didapat nilai F hitung adalah 36,952 dengan tingkat signifikan 0,00 jauh lebih kecil dari 0,05 maka model regresi bisa dipakai untuk memprediksi Sales.
Uji Koefisien Regresi Secara Bersama-sama (Uji F)
Uji ini dibunakan untuk mengetahui apakah variable independent secara Bersama-sama berpengaruh secara signifikan terhadap variable dependen’
Tahap untuk melakukan uji F adalah sebagai berikut:
1. Merumuskan hipotesis:
Ho: Tidak ada pengaruh yang signifikan secara Bersama-sama variable independent terhadap Variable dependen
Ha: Ada pengaruh yang signifikan secara Bersama-sama variable independent terhadap Variable dependen
2. Menentukan tingkat signifikansi
Tingkat signifikansi menggunakan alpha = 5 % 3. Menentukan F hitung
Berdasarkan table diperoleh F hitung sebesar 36,952 4. Menentukan F table
Dengan menggunakan tingkat keyakinan 95 % dan alpha 5 %, df 1 (Jumlah variable-1) =6-1=5 Dan df 2 (n-k-1) = 15-5-1 =9. Dimana n adalah jumlah kasus, dan k adalah jumlah variable inde Penden, hasil diperoleh untuk F table sebesar 3,482
5. Kriteria pengujian:
H0 diterima bila F hitung > dari F table Ho ditolak bila F hitung ≤ F table 6. Membandingkan F hitung dengan F table
Nilai F hitung (36,952) > dari nilai F table (3,482), maka Ho ditolak 7. Kesimpulan
Karena nilai F hitung (36,952) > dari nilai F table (3,482), maka Ho ditolak, artinya ada pengaruh yang signifikan variable independent (promosi, outlet, laju_pen, pesaing, income) terhadap variable dependen (Sales)
Coefficientsa
Model Unstandardized
Coefficients
Standardized Coefficients
t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1
(Constant) 50.126 36.000 1.392 .197
Promosi 2.017 .924 .475 2.183 .057 .109 9.162
Outlet .550 .123 .509 4.455 .002 .395 2.534
Laju_pen 2.760 9.485 .034 .291 .778 .377 2.651
Pesaing .970 2.099 .091 .462 .655 .132 7.592
Income .548 3.698 .012 .148 .885 .750 1.333
a. Dependent Variable: Sales
Tabel di atas menggambarkan persamaan regresi:
Y = 50,126 + 2,017 Promosi + 0,550 Outlet + 2,760 Laju_pen + 0,970 Pesaing + 0,548 Income Uji Koefisien Regresi Secara Parsial (uji t)
Uji t digunakan untuk mengetahui apakah dalam model regresi variable independent secara parsial berpengaruh signifikan terhadap variable dependen
Tahap untuk melakukan uji t adalah sebagai berikut:
1. Merumuskan hipotesis:
Ho: Tidak ada pengaruh yang signifikan secara parsial variable independent terhadap Variable dependen
Ha: Ada pengaruh yang signifikan secara parsial variable independent terhadap Variable dependen
2. Menentukan tingkat signifikansi
Tingkat signifikansi menggunakan alpha = 5 % 3. Menentukan t hitung
Berdasarkan table diperoleh t hitung untuk:
Promosi = 2,183 Outlet = 4,455 Laju_Pen = 0,291 Pesaing = 0,462 Income = 0,148 4. Menentukan t table
Tabel distribusi t dicari pada alpha 5 % : 2 = 2,5 % (uji dua sisi) dengan derajat kebebasan (df) n-k- 1 = 15-5-1= 9 Dimana n adalah jumlah kasus, dan k adalah jumlah variable independen, hasil diperoleh untuk t table sebesar 2,262
5. Kriteria pengujian:
H0 diterima bila t hitung > dari t table Ho ditolak bila t hitung ≤ t table 6. Membandingkan t hitung dengan t table
T hitung untuk:
Promosi = 2,183 Outlet = 4,455 Laju_Pen = 0,291 Pesaing = 0,462 Income = 0,148 T table =2,262 7. Kesimpulan
Karena nilai t hitung untuk outlet (4,455) > dari nilai t table (2,262), maka Ho ditolak, artinya ada pengaruh yang signifikan variable independent outlet secara parsial terhadap variable dependen
(Sales), sedangkan variable promosi, laju_pen, pesaing, dan income secara parsial tidak berpengaruh signifikan terhadap sales karena nilai t hitungnya lebih kecil dari nilai t tabe
Gambar di atas adalah gambar dari normal probability plot. Tetlihat bahwa sebaran data pada chart di atas tersebar di sekeliling garis lurus, sehingga dapat dikatakan bahwa persyaratan normalitas bisa dipenuhi
Gambar di atas menggambarkan hubungan antara nilai yang diprediksi dengan Studentized Delete Residualnya (Persyaratan kelayakan model regresi/Model Fit). Dari gambar di atas terlihat sebaran data ada di sekitar titik nol (hanya data Pekalongan yang jauh di luar titik nol), serta tidak tampak adanya suatu pola tertentu pada sebaran data tersebut, maka dapat dikatakn model regresi memenuhi syarat untuk memprediksi sales.
Gambar di atas menggambarkan hubungan antara nilai variable sales dengan nilai prediksinya (persyaratan model fit tiap data). Jika model memenuhi syarat, maka sebaran data akan berada mulai dari kiri bawah lurus ke arah kanan atas. Terlihat sebaran data di atas memang membentuk arah seperti disyaratkan, dengan perkecualian data Pekalongan, karena itu bisa dikatakan model regresi sudah layak digunakan.
