Você está na página 1de 27

LAPORAN PRAKTIKUM Kelas:

ANALISIS REGRESI LINIER


A
MODUL : 3
REGRESI LINEAR BERGANDA

Nomor Tanggal Tanda tangan


Nama Praktikan
Mahasiswa Kumpul Praktikan

Johan Saputra 14611130 12 April 2017

Tanggal Tanda tangan


Nama Penilai Nilai
Koreksi Asisten Dosen
Muji Burrahman
Triano Nurhikmat
Rahmadi Yotenka S.Si, M.Sc

JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS ISLAM INDONESIA
YOGYAKARTA
2017
BAB I
PENDAHULUAN

1.1 Analisis Korelasi


Analisis korelasi merupakan metode statistik yang digunakan untuk mengukur
besarnya hubungan linier antara dua variabel atau lebih. (Walpole, 1995). Mengukur
korelasi digunakan koefisien korelasi, yang dihitung menggunakan data pasangan (x i,
yi) dimana nilai koefisien korelasi berkisar -1 sampai dengan 1.

1.2 Analisis Regresi Berganda

Analisis regresi linier berganda adalah hubungan secara linier antara dua atau
lebih variabel independen (X1, X2,….Xn) dengan variabel dependen (Y). Analisis ini
untuk mengetahui arah hubungan antara variabel independen dengan variabel
dependen apakah masing-masing variabel independen berhubungan positif atau
negatif dan untuk memprediksi nilai dari variabel dependen apabila nilai variabel
independen mengalami kenaikan atau penurunan. Data yang digunakan biasanya
berskala interval atau rasio. (Duwi, 2011)

Persamaan umumnya analisi regresi berganda adalah:

y  o  11   2  2  .......   p1 p1  

Dengan Y adalah variabel bebas, dan X adalah variabel-variabel bebas,  o adalah

konstanta (intersept) dan 𝛽𝑛 adalah koefisien regresi pada masing-masing variabel


bebas. Analisis regresi linear berganda memerlukan pengujian secara serempak
dengan menggunakan F hitung. Signifikansi ditentukan dengan membandingkan F
hitung dengan F tabel atau melihat signifikansi pada output SPSS. Dalam beberapa

1
2

kasus dapat terjadi bahwa secara simultan (serempak) beberapa variabel mempunyai
pengaruh yang signifikan, tetapi secara parsial tidak.

1.3 Asumsi Regresi Linier


Beberapa asumsi model regresi linier adalah sebagai berikut :

1. Bentuk hubungannya linear (Y merupakan fungsi linier dari X, plus sisaan


yang acak)
2. Sisaan εi adalah peubah acak yang bebas thdp nilai x
3. Sisaan merupakan peubah acak yang menyebar Normal dengan rataan 0 dan
memiliki ragam konstan, σ2 . Sifat ragam yang konstan/homogen ini disebut
homoscedasticity.
4. E[ε1] = 0 dan E[ε12] = var [ε] = σ2 untuk (i=1,…,n)
5. Sisaan εi tidak berkorelasi satu sama lain
BAB II
DESKRIPSI KERJA

2.1 Studi Kasus


Pada praktikum kali ini, praktikan akan menyelesaikan studi kasus sebagai
berikut:

Tabel 2.1. Data tentang minyak


Y X1 X2
3 8000 10
4 7000 10
5 7000 8
6 7000 5
6 6000 4
7 6000 3
8 6000 2
9 6000 2
10 5000 1
10 5000 1
3 9000 10
4 8000 9

Ket: Y = permintaan minyak (kg/bulan)

X1 = Pendapatan (juta rupiah)

X2 = Harga Minyak (ribu rupiah/liter)

Adapun dari data diatas praktikan akan menyelesaikan beberapa persoalan seperti
dibawah ini

3
4

1. Hitunglah korelasi data tersebut


2. Lakukan analisis regresi linear sederhana terhadap data tersebut
3. Lakukan juga analisis regresi berganda
4. Bandingkan hasil yang di dapatkan dari point (3) dan (4)

2.2 Langkah Kerja


Praktikan melakukan analisis terhadap data permintaan, pendapatan dan
harga minyak. Seperti yang telah disebutkan adalam studi kasus. Berikut adalah
langkah-langkah yang dilakukan oleh praktikan dalam menganalisis data.
1. Membuka software SPSS.
2. Menuliskan nama variabel yang digunakan pada lembar kerja Variable View.

Gambar 2.1.Variabel yang Digunakan.

3. Mengetikkan data pada lembar kerja Data View. Data yang diketikkan di sini
adalah data yang digunakan dalam studi kasus. Cara lain untuk tidak
mengetiknya adalah dengan menyalin langsung data aslinya lalu masukan ke
Data View ke SPSS.

Gambar 2.2. Input Data Pada Lembar Kerja Data View.


5

4. Kasus pertama adalah uji korelasi anatara variabel Kemudian menghitung


korelasi. Caranya yaitu dengan klik pada menu analyze – Regression –
Linear. Lalu masukkan permintaan miyak pada kolom dependen dan
pendapatan serta harga minyak pada kolom independen

Gambar 2.3. Mencari Korelasi Data

5. Selanjutnya menyelesaikan kasus yang kedua yaitu analisis regresi


sederhana dari data yaitu dengan cara klik menu Analyze – Regression –
Linear… Kemudian pertama, pindahkan variabel permintaan minyak ke
kolom Dependent dan variabel pendapatan ke kolom Independent(s),
6

Gambar 2.4 Analisi Regresi Linear 1

6. Kemudian untuk kasus kedua dengan vaiabel yang berbeda untuk analisis
regresi sederhana dari data yaitu dengan cara klik menu Analyze –
Regression – Linear… Kemudian pertama, pindahkan variabel permintaan
minyak ke kolom Dependent dan variabel harga minyak ke kolom
Independent(s),
7

Gambar 2.5 Analisi Regresi Linear 2

7. Kemudian setelah memilih variabel independen dan dependen maka dengan


cara yang sama pilih pada button save lalu centang pada pilihan
unstandardized pada kolom residual, dan pilih sub menu statistics tandai
estimate, model fit, r squared change, dan descriptive lalu OK.

Gambar 2.6 Analisi Regresi Linear Menu Option Dan Save


8

8. Selanjutnya menyelesaikan kasus yang ketiga untuk melakukan juga


analisis regresi berganda dengan cara masuk pada menu Analyze pada menu
bar, kemudian pilih Regression lalu kemudian pilih Linier.

Gambar 2.7 Pilihan Untuk Analisis Regresi Berganda.

9. Akan muncul jendela Regression, memasukkan variabel pendapatan pada


kolom Dependent Variable dan memasukkan sisa variabel lain pada kolom
independent Variable.Menggunakan metode Enter. Memilih menu Statistics
kemudian beri tanda cek tambahan pada Collinearity diagnostics, estimates,
dan model fit pada regression coeficient, klik Continue. Memilih menu Save
untuk memberikan tanda cek pada Unstandarized di kolom Predicted Value
dan Residuals, klik Continue. Klik OK pada jendela Linier Regression.
9

Gambar 2.8.Jendela Pada Menu Regresi Linear berganda

10. Hasil analisis keluar di lembar kerja Output SPSS.Output ini nantinya akan
digunakan sebagai regresi dan kemudian akan langsung diuji apakah dari
output regresi ini dapat menghasilakan estimator yang BLUE.
10

Gambar 2.9. Hasil Output Regresi.


BAB III
PEMBAHASAN

Praktikan melakukan analisis dengan bantuan software SPSS. Data yang


dianalisis oleh praktikan adalah data permintaan, pendapatan dan harga minyak.
Praktikan menggunakan analisis regresi berganda karena varibel bebas yang
digunakan lebih dari satu dan juga nantinya akan dianalisis secara regresi sederhana
yang sudah dibahas pada praktikum sebelumnya dan juga menyelesaikan beberapa
kasus yang telah diberikan.
3.1 Mencari Korelasi Data
Pada kali ini praktikan terlebih dahulu akan menjelaskan studi kasus yang
pertama yaitu tentang korelasi, dimana pada praktikum kali ini terdapat dua kali
analisis yang memiliki variabel yang berbeda.
Dalam membuat model regresi ini ada beberapa hal yang harus diperhatikan
terlebih dahulu. Yang harus dilihat sebelum membuat model adalah korelasi dari dua
variabel ini, koefisien determinasinya, kemudian melakukan uji overall dan yang
terakhir adalah melakukan uji parsial untuk setiap variabel. Untuk melihat korelasi
dan koefisien determinasinya, dilihat pada tabel Model Summary seperti dibawa ini.

Gambar 3.1.OutputModel Summary

Dari tabel Model Summary tersebut dapat dilihat bahwa korelasi antar
variabelnya adalah sebesar 0.971 atau 97,1% yang artinya bahwa korelasinya kuat.
Menurut Sarwono, korelasi (R) di sini dibagi menjadi beberapa kategori, yaitu :

11
12

a. 0 : Tidak Memiliki Korelasi


b. 0-0.25 : Korelasi Sangat Lemah
c. 0.25-0.50 : Korelasi Cukup
d. 0.50-0.75 : Korelasi Kuat
e. 0.75-0.99 : Korelasi Sangat Kuat
f. 1 : Korelasi Sempurna
Setelah mengetahui tingkat hubungan atau korelasinya, terdapat koefisien
determinasi yang dimana koefisien determinasi ini merupakan korelasi yang
dipangkat duakan. Koefisien determinasi ini sendiri merupakan seberapa besar
variabel independent (X) dapat menjelaskan variabel dependentnya. Artinya
bagaimana X dapat berpengaruh terhadap Y. Pada gambar diatas dapat dilihat
koefisien determenasinya adalah sebesar 0.942atau sebesar 94,2%. Besarnya
koefisien determinasi pada umumnya berbanding lurus dengan besarnya korelasi.

3.2 Melakukan Analisis Regresi Linear Sederhana Terhadap Data


Untukk kasus yang kedua praktikan melakukan analsiis regresi sederhana,
dimana untuk kasus ini akan dilakukan dua analisi karena terdapat tiga data. Untuk
yang pertama akan dilakukan analisis regeresi sederhana untuk variabel permintaan
minyak dan pendapatan. Hasil output SPSS uji regresi kasus dua terdiri atas tiga
tabel. Setiap tabel memiliki fungsinya masing – masing.
Pertama kita soroti tabel dari ANOVA. Tabel ini dapat digunakan untuk
membantu uji overall atau uji simultan. Uji overall pada dasarnya menunjukkan
apakah semua variabel independen atau bebas mempunyai pengaruh secara bersama –
sama terhadap variabel dependen atau terikat. Uji overall juga bisa digunakan untuk
mengetahui apakah model regresi dapat digunakan untuk memprediksi variabel
dependen atau tidak. Signifikan berarti hubungan yang terjadi dapat berlaku untuk
populasi (dapat digeneralisasikan). Uji simultan atau overall ini dapat dilihat dari
nilai Sig (p-value) atau membandingkan Fhitung dengan Ftabel.
13

Untuk melakukannya uji tersebut, digunakan tabel ANOVA pada output


regresi. Perhatikan gambar dibawah ini.

Gambar 3.2.Output ANOVA Variabel Pendapatan

Dari tabel ANOVA tersebut dapat diketahui beberapa hal yaitu SSR dan
SSRnya yaitu yang terdapat pada kolom sum of square. Dapat dilihat bahwa Sum
Square Regression pada model yang akan dibuat nantinya sebesar 61440. dan Sum
Square Errornya sebesar 10.810 . Untuk MSE dan MSR nya dapat dilihat pada
kolom mean square dimana MSR dan MSE berturut turut ada pada baris pertama dan
kedua kolom tersebut. Untuk melakukan uju overall dapat menggunakan tabel F dan
juga P-Value. Dalam kasus ini praktikan menggunakan P-Value sehingga uji
hipotesis untuk uji serentaknya adalah
a. Hipotesis
H0 : β0 = β1 = 0
H1 : Ada salah satu βi yang tidak sama dengan 0
b. Tingkat Signifikasi
α = 5%
c. Statistik Uji
P-value (0,000) <α (0.05)
d. Daerah Kritis
H0 ditolak jika P-value < α
e. Kesimpulan
14

Tolak H0 (H0 ditolak), karena H0 ditolak maka dapat dikatakan bahwa model
sesuai.

Setelah melakukan uji secara keceluruhan atau uji overall maka kemudian
dilanjutkan dengan melakukan uji secara parsial. Uji parsial ini digunakan untuk
melihat apakah diantara salah satu variabel ada yang tidak signifikan yang tidak
memungkinkan untuk dimasukkan kedalam model regresi. Untuk melakukan uji
tersebut, perhatikan output tabel Coefficient berikut.

Gambar 3. 3.OutputCoefficient Varaibel Pendapatan

Untuk melakukan uji secara parsial ini, dilakukan dengan menguji satu persatu
koefisien pada model baik itu β0 maupun β1 secara terpisah. Untuk uji hipotesis β0
adalah
a. Hipotesis
H0 : β0 = 0
H1 :β0 ≠ 0
b. Tingkat Signifikasi
α = 5%
c. Statistik Uji
P-value (0,000) <α (0.05)
d. Daerah Kritis
H0 ditolak jika P-value < α
e. Kesimpulan
15

Tolak H0 (H0 ditolak), karena H0 ditolak maka dapat dikatakan bahwa


koefisien untuk β0 dapat digunakan pada model.
Untuk uji parsial dengan uji hipotesis untuk β1 dapat dilakukan sama persis
seperti uji hipotesis diatas. Uji parsial β1yaitu

a. Hipotesis
H0 : β1= 0
H1 : β1≠ 0
b. Tingkat Signifikasi
α = 5%
c. Statistik Uji
P-value (0,000) <α (0.05)
d. Daerah Kritis
H0 ditolak jika P-value < α
e. Kesimpulan
Tolak H0 (H0 ditolak), karena H0 ditolak maka dapat dikatakan bahwa
koefisien untuk β1 dapat digunakan pada model.

Dari kedua uji tersebut, baik itu secara serentak atau overall maupun uji yang
dilakukan secara parsial dengan menguji secara terpisah kedua koefisien β0 maupun
β1 dapat dikatakan bahwa secara signifikan keseluruhan dari variabel X maupun
konstantanya dapat digunakan pada model regresi. Dari tabel diatas dapat dibuat
model regresi setelah memastikan keseluruhan variabelnya signifikan dan dapat
digunakan. Adapun model regresi yang terbentuk adalah

Y = 19.050– 0.002X

Dimana : Y = permintaan minyak


X = pendapatan
16

Dari model diatas, dapat diinterprestasikan bahwa banyaknya pendapatan akan


selalu bertambah setiap satu satuan penambahan permintaan minyak. Artinya Y akan
semakin banyak apabila X semakin banyak. Hal ini memang masuk akal suatu
permintaan minyak akan lebih bertambah ketika pendapatan dari minyak tersebut
juga akan bertambah.

Model diatas merupakan model dugaan dari fenomena yang sebenarnya. Jika
kita ingin melihat seberapa besar model di atas merepresentasikan keadaan yang
sesungguhnya, maka dapat dilihat dari nilai R Square dan Adjusted R Square pada
tabel model summary. Tabelnya sebagai berikut

Gambar 3.4 Tabel Model Summary


Dapat dilihat bahwa nilai adjusted R square nya sebesar 0,850 artinya model
diatas menerangkan fenomena sesungguhnya sebesar 85% sedangkan sisanya
dijelaskan oleh variabel lain yang belum dijelaskan oleh model.

Selanjutnya kasus yang kedua praktikan melakukan analsiis regresi sederhana,


yaitu yang utnuk variabel yang kedua dilakukan analisis regeresi sederhana untuk
variabel permintaan minyak dan harga minyak. Hasil output SPSS uji regresi kasus
dua terdiri atas tiga tabel. Setiap tabel memiliki fungsinya masing – masing.
Sama dengan varabel permintaan minyak dan pendapatan seperti diatas.
Pertama kita soroti tabel dari ANOVA. Untuk melakukannya uji tersebut, digunakan
tabel ANOVA pada output regresi. Perhatikan gambar dibawah ini.
17

Gambar 3.5.Output ANOVA Harga Minyak

Dari tabel ANOVA tersebut dapat diketahui beberapa hal yaitu SSR dan
SSRnya yaitu yang terdapat pada kolom sum of square. Dapat dilihat bahwa Sum
Square Regression pada model yang akan dibuat nantinya sebesar 67.04 dan Sum
Square Errornya sebesar 5.210 . Untuk MSE dan MSR nya dapat dilihat pada kolom
mean square dimana MSR dan MSE berturut turut ada pada baris pertama dan kedua
kolom tersebut. Untuk melakukan uju overall dapat menggunakan tabel F dan juga P-
Value. Dalam kasus ini praktikan menggunakan P-Value sehingga uji hipotesis untuk
uji serentaknya adalah
f. Hipotesis
H0 : β0 = β1 = 0
H1 : Ada salah satu βi yang tidak sama dengan 0
g. Tingkat Signifikasi
α = 5%
h. Statistik Uji
P-value (0,000) <α (0.05)
i. Daerah Kritis
H0 ditolak jika P-value < α
j. Kesimpulan
Tolak H0 (H0 ditolak), karena H0 ditolak maka dapat dikatakan bahwa model
sesuai.
18

Setelah melakukan uji secara keceluruhan atau uji overall maka kemudian
dilanjutkan dengan melakukan uji secara parsial. Uji parsial ini digunakan untuk
melihat apakah diantara salah satu variabel ada yang tidak signifikan yang tidak
memungkinkan untuk dimasukkan kedalam model regresi. Untuk melakukan uji
tersebut, perhatikan output tabel Coefficient berikut.

Gambar 3.6.OutputCoefficient Harga Minyak

Untuk melakukan uji secara parsial ini, dilakukan dengan menguji satu persatu
koefisien pada model baik itu β0 maupun β1 secara terpisah. Untuk uji hipotesis β0
adalah
f. Hipotesis
H0 : β0 = 0
H1 :β0 ≠ 0
g. Tingkat Signifikasi
α = 5%
h. Statistik Uji
P-value (0,000) <α (0.05)
i. Daerah Kritis
H0 ditolak jika P-value < α
j. Kesimpulan
Tolak H0 (H0 ditolak), karena H0 ditolak maka dapat dikatakan bahwa
koefisien untuk β0 dapat digunakan pada model.
19

Untuk uji parsial dengan uji hipotesis untuk β1 dapat dilakukan sama persis
seperti uji hipotesis diatas. Uji parsial β1yaitu

f. Hipotesis
H0 : β1= 0
H1 : β1≠ 0
g. Tingkat Signifikasi
α = 5%
h. Statistik Uji
P-value (0,000) <α (0.05)
i. Daerah Kritis
H0 ditolak jika P-value < α
j. Kesimpulan
Tolak H0 (H0 ditolak), karena H0 ditolak maka dapat dikatakan bahwa
koefisien untuk β1 dapat digunakan pada model.

Dari kedua uji tersebut, baik itu secara serentak atau overall maupun uji yang
dilakukan secara parsial dengan menguji secara terpisah kedua koefisien β0 maupun
β1 dapat dikatakan bahwa secara signifikan keseluruhan dari variabel X maupun
konstantanya dapat digunakan pada model regresi. Dari tabel diatas dapat dibuat
model regresi setelah memastikan keseluruhan variabelnya signifikan dan dapat
digunakan. Adapun model regresi yang terbentuk adalah

Y = 9.837– 0.662X

Dimana : Y = permintaan minyak


X = harga minyak

Dari model diatas, dapat diinterprestasikan bahwa banyaknya permintaan


minyak akan selalu berkurang setiap satu satuan penambahan harga minyak. Artinya
Y akan semakin berkurang apabila X semakin besar. Hal ini memang masuk akal
20

suatu permintaan minyak akan berkurang apabila harga dari minyak tersebut semakin
besar.

Model diatas merupakan model dugaan dari fenomena yang sebenarnya. Jika
kita ingin melihat seberapa besar model di atas merepresentasikan keadaan yang
sesungguhnya, maka dapat dilihat dari nilai R Square dan Adjusted R Square pada
tabel model summary. Tabelnya sebagai berikut

Gambar 3.7 Tabel Model Summary


Dapat dilihat bahwa nilai adjusted R square nya sebesar 0,928 artinya model
diatas menerangkan fenomena sesungguhnya sebesar 92% sedangkan sisanya
dijelaskan oleh variabel lain yang belum dijelaskan oleh model.

3.3 Melakukan Analisis Regresi Berganda

Praktikan menggunakan analisis regresi berganda karena varibel bebas yang


digunakan lebih dari satu. Praktikan menggunakan metode Enter untuk mengetahui
variabel dependen berpengaruh secara signifikan terhadap variabel independen.

Gambar 3.8. Output tabel summary analisis regresi linier berganda.

Praktikan telah melakukan pengujian korelasi dengan menggunakan SPSS


untuk melihat adanya hubungan atau tidak antara banyaknya permintaan minyak
dengan harga minyak. Selanjutnya hipotesiskorelasi sebagai berikut:
21

a. Hipotesis
H0 : Tidak ada hubungan antara banyaknya permintaan minyak dengan harga
minyak dan pendapatan.
H1 : Ada hubungan antara banyaknya permintaan minyak dengan harga minyak
dan pendapatan.
b. Tingkat Signifikansi
α = 5%
c. Daerah Kritis
Jika Rhitung ≥ Rtabel : tolak H0 atau
Jika P-Value ≤ α : tolak H0
d. Statistik Uji
Rhitung= 0,971
P-Value= 0,000, α = 0,05
e. Keputusan
P-Value(0,000) < α (0.05)
Karena nilai P-Value < α maka keputusannya adalahtolak H0
f. Kesimpulan
Dengan melihat pada output SPSS bahwa nilai R hitung sebesar 0,971 dengan
probabilitas 0.000, karena probabilitas (sig) < 0.05 maka dapat disimpulkan
bahwa tolak H0 atau ada hubungan antara permintaan minyak dengan harga
minyak dan pendapatan.
Pada output korelasi antara banyaknya permintaan minyak dengan harga
minyak menghasilkan R = 0,971. Angka tersebut menunjukkan kuatnya korelasi
antara banyaknya permintaan minyak dengan harga minyak dan pendapatan karena
nilai R diatas 0,5. Yang menunjukkan bahwa semakin tinggi permintaan minyak
maka semakin tinggi pula harga minyak dan pendapatan.

Dapat dilihat koefisien determinasi (R2) untuk mengukur keragaman


proporsi y (variable dependent) dalam model. R2menunjukkan kebaikan model,
22

semakin besar R2 semakin baik modelnya. Nilai R2 berada antara 0% sampai 100%.
Output pada gambar 3.7 menunjukkan bahwa R2 = 0,971 atau 97,1 %, artinya sebesar
97,1 % keragaman Y mampu dijelaskan oleh X dalam model, sedangkan sisanya
dijelaskan oleh peubah lain yang diluar model.

Gambar 3.9 Output tabel annova analisis regresi linier berganda.

Uji F digunakan untuk menguji kelayakan model dan menguji parameter regresi
secara keseluruhan. Berikut merupakan hipotesis uji F untuk model yang sudah
terkoreksi oleh b0 :
a. Hipotesis
H0: β1=0 (model regresi tidak layak digunakan)
H1: β1≠ 0(model regresi layak digunakan)
b. Tingkat Signifikansi
α = 5%
c. Daerah Kritis
Jika Fhitung ≥ Ftabel : tolak H0 atau
Jika P-Value ≤ α : tolak H0
d. Statistik Uji
Fhitung = 73,212 ; Ftabel = 3,908
P-Value= 0,000;α = 0,05
e. Keputusan
Fhitung (73,212) ≥ Ftabel : tolak H0 (3,908)
23

P-Value(0,000) < α (0.05)


Karena nilai P-Value < α maka keputusannya adalahtolak H0
f. Kesimpulan
Dengan melihat pada output SPSS bahwa nilai Fhitung sebesar 73,212 ≥
Ftabel : tolak H0 (3,908) dengan probabilitas 0.000, karena probabilitas (sig) <
0.05 maka dapat disimpulkan bahwa tolak H0 atau model layak pada taraf
nyata 5%.

Gambar 3.10 Output tabel coefficients analisis regresi linier berganda.


Dari output diatas diperoleh persamaan regresi 𝑦̂i= 12,775 + (-0,488)x1 + (-
0,001)x2. Uji t digunakan untuk menguji parameter secara parsial, dengan kata lain
untuk mengetahui apakah variabel independent (x) berpengaruh secara signifikan
(nyata) terhadap variabel dependent (y).

Berikut merupakan hipotesis uji t untuk model yang sudah terkoreksi oleh b0 :
a. Hipotesis
H0: βi = 0, i= 0,1 (tidak signifikan dalam model)
H1: βi≠ 0, i= 0,1(signifikan dalam model)
b. Tingkat Signifikansi
α = 5%
c. Daerah Kritis
Jika Thitung ≥ Ttabel : tolak H0 atau
Jika P-Value ≤ α : tolak H0
d. Statistik Uji
24

Thitung = 25,978; Ttabel = 2,150


P-Value= 0,000, α = 0,05
e. Keputusan
Thitung (25,978)≥ Ttabel (2,150)
P-Value untuk β1 (0,000) < α (0.05)
Karena nilai P-Value < α atau Thitung ≥ Ttabel maka keputusannya adalahtolak
H0
f. Kesimpulan
Dengan melihat pada output SPSS bahwa nilai thitung sebesar 25,978 ≥
Ttabel (2,150) dengan probabilitas 0.000, karena probabilitas (sig) untuk β1<
0.05 maka dapat disimpulkan bahwa tolak H0 atau ada pengaruh signifikan
antara variabel dependen dengan variabel independen yaitu jumlah
permintaan minyak dipengaruhi oleh harga minyak dan pendapatan pada taraf
nyata 5%.

3.4 Perbandingan Linier Sederhana Dan Berganda

Jika dilihat dari hasil kedua analisis baik linier sederhana maupun
berganda hasil yang diperoleh sama menunjukkan bahwa terdapat kolerasi yang kuat
antara variabel independent dan dependent, dan saat pembuatan model juga
menunjukkan bahwa model layak untuk digunakan, walaupun dari hasil praktikan
menyimpulkan bahwa hasil korelasi dengan menggunakan analisis regresi linier
berganda lebih tinggi dari pada linier sederhana dan kesimpulan yang praktikan ambil
bahwa jika hasil pada regresi linier berganda akan sama jika di bandingkan dengan
linier sederhana.
BAB IV
PENUTUP

Praktikan telah melakukan analisis data terhadap data keuangan di sebuah


perusahaan yang melakukan pencatatan transaksi keuangan setiap hari. Analisis ini
menghasilkan beberapa kesimpulan, yaitu:
1. Dari persamaan model regresi tersebut dapat ditarik kesimpulan bahwa
pendapatan dan harga minyak berpengaruh positif terhadap tingkat permintaan
minyak.
2. Dengan menggunakan metode Enterdidapatkan model terbaik yaitu 𝑦̂i= 12,775 +
(-0,488)x1 + (-0,001)x2. dengan x1 adalah pendapatan, x2 adalah harga minyak,
dan x3 adalah permintaan minyak.
3. Hasil korelasi dengan menggunakan analisis regresi linier berganda lebih tinggi
dari pada linier sederhana dan kesimpulan yang praktikan ambil bahwa jika hasil
pada regresi linier berganda akan sama jika di bandingkan dengan linier
sederhana.

25
DAFTAR PUSTAKA

Purwaningsih., Tuti, 2015, “Modul Praktikum Analisis Regresi Terapan”,


Yogyakarta: UII.

Ulwan,Nashihun. 2014. Analisis Regresi Linier Berganda dengan Metode Enter VS


Stepwise. http://www.portal-statistik.com/2014/05/analisis-regresi-linear-
berganda-dengan.html. Diakses tanggal 11 April 2017