No. Hari ke Jarak x .

Y x 2 y 2
1 1 825 825.00 1 680,625.00
2 2 215 430.00 4 46,225.00
3 3 1,070 3,210.00 9 1,144,900.00
4 4 550 2,200.00 16 302,500.00
5 5 480 2,400.00 25 230,400.00
6 6 920 5,520.00 36 846,400.00
7 7 1,350 9,450.00 49 1,822,500.00
8 8 325 2,600.00 64 105,625.00
Total 36 5,735.0 26,635.00 204 5,179,175.00
x y x . Y x y
Average 4.50 716.88
Koefisien Regresi
y = a + bx
6,620
336
b = 19.7024
a = - b()
a = 2,63 - (0,0032 x 716,88)
a = 628.2143
y = 0,2952 + 0,0032x
Koefisien Korelasi (r)
6,620
28,489
r = 0.2324
Koefisien Determinasi (r)
r = 0.05400
Standar Error of Estimate (SEE)
3,602,808.93
524,772.92
1,051,593
SEE = 0.316
( 8 x 18.525) - (5.735 x 2,33)
(8 x 5.179.175) - (637,22)
b =
r =
=
. . .
.
2

2
[. ()

=
( 8 18.525) (5.735 2,33)
((8 5.179.175) (637,22) [ 8 67 21
2
]

=
( 218.700)
24.009.600) (23.040.000 [1.917.888.000 1.866.240.000]

=
( 218.700)
1.071.800 [60.300]

SEE =

2
. . .
2

SEE =
67 0,295221 (0,003218.525
82

SEE =
67 6,2060,21
6

SEE =
0,60
6
SEE = 0,10
b=
. . .
.

Model Regresi Linier ----> Y = 19,64 + 0,2040 X
Nilai koefisien determinasi sebesar 0,74 atau 74%. Hal ini menunjukkan kemampuan variabel Modal dalam
mempengaruhi variabel Keuntungan sebesar 74%, sedangkan sisanya sebesar 26% dipengaruhi oleh faktor
lain.
Nilai konstanta sebesar 19,64 menunjukkan besarnya variabel Keuntungan yang diperoleh yang tidak
dipengaruhi oleh jumlah modal yang dikeluarkan atau dapat diartikan pada saat nilai modal sebesar 0,
maka keuntungan yang diperoleh sebesar 19,64
Koefisien regresi sebesar 0,2040, berarti modal mempunyai hubungan positif atau searah dengan
kuntungan, karena koefisien regresi bernilai positif. Setiap peningkatan 1 satuan modal maka akan
berpengaruh terhadap peningkatan keuntungan sebesar 0,2040 satuan. Begitu juga sebaliknya setiap
penurunan modal sebesar 1 satuan akan berpengaruh terhadap penurunan keuntungan sebesar 0,2040
satuan
jika SEE kecil, ini menunjukkan bahwa data yang relatif dekat dengan garis regresi dan persamaan regresi
dapat digunakan untuk memprediksi Y dengan sedikit kesalahan. jika SEE yang besar, ini menunjukkan
bahwa data yang banyak tersebar di sekitar garis regresi, dan regresi tidak akan memberikan perkiraan
Nilai koefisien korelasi diperoleh sebesar 0,8603. Hal ini berarti adanya hubungan positif antara Modal yang
dikeluarkan dengan Keuntungan yang di peroleh, dilihat dari nilai korelasi hubungan variabel tersebut
termasuk kategori tinggi. Hubungan antara 2 variabel tersebut sangat erat
No. Jarak Waktu x . Y x 2 y 2
1 825 3.5 2,887.50 680,625 12.25
2 215 1.0 215.00 46,225 1.00
3 1,070 4.0 4,280.00 1,144,900 16.00
4 550 2.0 1,100.00 302,500 4.00
5 480 1.5 720.00 230,400 2.25
6 920 3.0 2,760.00 846,400 9.00
7 1,350 4.5 6,075.00 1,822,500 20.25
8 325 1.5 487.50 105,625 2.25
Total 5,735 21.0 18,525.00 5,179,175 67.00
x y x . Y x y
Average 716.88 2.63
Koefisien Regresi
y = a + bx
27,765
8,543,175
b = 0.0032
a = - b()
a = 2,63 - (0,0032 x 716,88)
a = 0.2952
y = 0,2952 + 0,0032x
Koefisien Korelasi (r)
27,765
28,489
r = 0.9746
Koefisien Determinasi (r)
r = 0.94984
Standar Error of Estimate (SEE)
6.20
60.21
1
SEE = 0.316
( 8 x 18.525) - (5.735 x 2,33)
(8 x 5.179.175) - (637,22)
b =
r =
=
. . .
.
2

2
[. ()

=
( 8 18.525) (5.735 2,33)
((8 5.179.175) (637,22) [ 8 67 21
2
]

=
( 218.700)
24.009.600) (23.040.000 [1.917.888.000 1.866.240.000]

=
( 218.700)
1.071.800 [60.300]

SEE =

2
. . .
2

SEE =
67 0,295221 (0,003218.525
82

SEE =
67 6,2060,21
6

SEE =
0,60
6
SEE = 0,10
b=
. . .
.

Model Regresi Linier ----> Y = 19,64 + 0,2040 X
Mengapa perlu melakukan analisis korelasi, untuk mengukur keeratan hubungan antara 2 variabel
Mengapa perlu melakukan analisis regresi, untuk mengetahui seberapa jauh pengaruh dari pada variabel
independent terhadap variabel dependent
Nilai koefisien determinasi sebesar 0,74 atau 74%. Hal ini menunjukkan kemampuan variabel Modal dalam
mempengaruhi variabel Keuntungan sebesar 74%, sedangkan sisanya sebesar 26% dipengaruhi oleh faktor
lain.
Nilai konstanta sebesar 19,64 menunjukkan besarnya variabel Keuntungan yang diperoleh yang tidak
dipengaruhi oleh jumlah modal yang dikeluarkan atau dapat diartikan pada saat nilai modal sebesar 0,
maka keuntungan yang diperoleh sebesar 19,64
Koefisien regresi sebesar 0,2040, berarti modal mempunyai hubungan positif atau searah dengan
kuntungan, karena koefisien regresi bernilai positif. Setiap peningkatan 1 satuan modal maka akan
berpengaruh terhadap peningkatan keuntungan sebesar 0,2040 satuan. Begitu juga sebaliknya setiap
penurunan modal sebesar 1 satuan akan berpengaruh terhadap penurunan keuntungan sebesar 0,2040
satuan
jika SEE kecil, ini menunjukkan bahwa data yang relatif dekat dengan garis regresi dan persamaan regresi
dapat digunakan untuk memprediksi Y dengan sedikit kesalahan. jika SEE yang besar, ini menunjukkan
bahwa data yang banyak tersebar di sekitar garis regresi, dan regresi tidak akan memberikan perkiraan
Regresi adalah suatu model estimasi hubungan kausalitas (sebab akibat) antara 2 variabel atau lebih
melalui parameter-parameternya atau koefesiennya.
Korelasi adalah nilai yang menunjukkan keeratan atau kakuatan hubungan linier antara dua variabel
Nilai koefisien korelasi diperoleh sebesar 0,8603. Hal ini berarti adanya hubungan positif antara Modal
yang dikeluarkan dengan Keuntungan yang di peroleh, dilihat dari nilai korelasi hubungan variabel tersebut
termasuk kategori tinggi. Hubungan antara 2 variabel tersebut sangat erat
No. Revenue By Marketing x . Y x 2 y 2
1 100 1.25 125 10,000 2
2 120 1.50 180 14,400 2
3 170 2.25 383 28,900 5
4 185 3.00 555 34,225 9
5 200 3.40 680 40,000 12
6 220 3.70 814 48,400 14
Total 995 15.10 2,737 175,925 43.13
x y x . Y x y
Average 165.83 2.52
Koefisien Regresi
y = a + bx
1,394.50
65,525.00
b = 0.0213
a = - b()
a = 2,52 - (0,0213 x 165,83)
a = (1.01)
y = -1,01 + 0,0213x
Koefisien Korelasi (r)
1,394.50
1,419.24
r = 0.9826
Koefisien Determinasi (r)
r = 0.9654
Standar Error of Estimate (SEE)
(15.29)
58.24
0
SEE = 0.200
( 6 x 2.737) - (995 x 15,10)
(6 x 175.925) - (995)
b =
r =
=
. . .
.
2

2
[. ()

=
( 6 2.737) (995 15,10)
(6 175.925) (995) [ 6 43,13 15,10
2
]

=
( 1.394,50)
65.525 [30,74]

SEE =

2
. . .
2

SEE =
43,13 1,0115,10 (0,02132.737
6 2

SEE =
43,13 (15,29)58,24
4

SEE =
0,18
4
SEE = 0,04
b=
. . .
.

No. Modal Keuntungan x . Y x 2 y 2
1 500 100 50,000 250,000 10,000
2 550 125 68,750 302,500 15,625
3 650 140 91,000 422,500 19,600
4 450 135 60,750 202,500 18,225
5 600 150 90,000 360,000 22,500
6 700 155 108,500 490,000 24,025
7 760 170 129,200 577,600 28,900
8 740 190 140,600 547,600 36,100
9 800 185 148,000 640,000 34,225
Total 5,750 1,350 886,800 3,792,700 209,200
x y x . Y x y
Average 639 150
Koefisien Regresi
y = a + bx
218,700
1,071,800
b = 0.2040
a = - b()
a = 150 - (0,2040 x 639)
a = 19.64
y = 19,64 + 0,2040x
Koefisien Korelasi (r)
218,700
254,223
r = 0.8603
Koefisien Determinasi (r)
r = 0.74006
Standar Error of Estimate (SEE)
26,507.51
180,950.89
1,742
SEE = 15.773
( 9 x 886.800) - (5.750 x 1.350)
(9 x 3.792.700) - (5.750)
b =
r =
=
. . .
.
2

2
[. ()

=
( 9 886.800) (5.750 1.350)
(9 3.792.700) (5.750) [ 9 209.200 1.350
2
]

=
( 218.700)
24.009.600) (23.040.000 [1.917.888.000 1.866.240.000]

=
( 218.700)
1.071.800 [60.300]

SEE =

2
. . .
2

SEE =
209.200 19,641.350 (0,2040886.800
9 2

SEE =
209.200 26.507,51180.950,89
7

SEE =
1.741,60
7
SEE = 248,80
b=
. . .
.

Model Regresi Linier ----> Y = 19,64 + 0,2040 X
Nilai koefisien determinasi sebesar 0,74 atau 74%. Hal ini menunjukkan kemampuan variabel Modal
dalam mempengaruhi variabel Keuntungan sebesar 74%, sedangkan sisanya sebesar 26% dipengaruhi
oleh faktor lain.
Nilai konstanta sebesar 19,64 menunjukkan besarnya variabel Keuntungan yang diperoleh yang tidak
dipengaruhi oleh jumlah modal yang dikeluarkan atau dapat diartikan pada saat nilai modal sebesar 0,
maka keuntungan yang diperoleh sebesar 19,64
Koefisien regresi sebesar 0,2040, berarti modal mempunyai hubungan positif atau searah dengan
kuntungan, karena koefisien regresi bernilai positif. Setiap peningkatan 1 satuan modal maka akan
berpengaruh terhadap peningkatan keuntungan sebesar 0,2040 satuan. Begitu juga sebaliknya setiap
penurunan modal sebesar 1 satuan akan berpengaruh terhadap penurunan keuntungan sebesar
0,2040 satuan
jika SEE kecil, ini menunjukkan bahwa data yang relatif dekat dengan garis regresi dan persamaan
regresi dapat digunakan untuk memprediksi Y dengan sedikit kesalahan. jika SEE yang besar, ini
menunjukkan bahwa data yang banyak tersebar di sekitar garis regresi, dan regresi tidak akan
Nilai koefisien korelasi diperoleh sebesar 0,8603. Hal ini berarti adanya hubungan positif antara Modal
yang dikeluarkan dengan Keuntungan yang di peroleh, dilihat dari nilai korelasi hubungan variabel
tersebut termasuk kategori tinggi. Hubungan antara 2 variabel tersebut sangat erat
Month Hours of Act Maint. Cost x . Y x 2 y 2
January 480 4,200 2,016,000 230,400 17,640,000
Pebruary 320 3,000 960,000 102,400 9,000,000
Maret 400 3,600 1,440,000 160,000 12,960,000
April 300 2,820 846,000 90,000 7,952,400
Mei 500 4,350 2,175,000 250,000 18,922,500
Juni 310 2,960 917,600 96,100 8,761,600
Juli 320 3,030 969,600 102,400 9,180,900
Agustus 520 4,470 2,324,400 270,400 19,980,900
September 490 4,260 2,087,400 240,100 18,147,600
Oktober 470 4,050 1,903,500 220,900 16,402,500
Nopember 350 3,300 1,155,000 122,500 10,890,000
Desember 340 3,160 1,074,400 115,600 9,985,600
Total 4,800 43,200 17,868,900 2,000,800 159,824,000
x y x . Y x y
Average 400 3,600
Koefisien Regresi
y = a + bx
n. x.y - x . y
n.x - (x)
7,066,800
969,600
b = 7.2884
a = - b()
a = 3.600 - (7,2884 x 400)
a = 684.65
y = a + bx
y = 684.65 + 7,2884x
Koefisien Korelasi (r)
7,066,800
7,076,574
r = 0.998618811
Koefisien Determinasi (r)
r = 0.99724
Standar Error of Estimate (SEE)
r =
b =
( 12 x 17.868.900) - (4.800 x 43.200)
(12 x 2.000.800) - (4.800)
b =
b =
=
. . .
.
2

2
[. ()

=
( 7.066.800)
24.009.600) (23.040.000 [1.917.888.000 1.866.240.000]

=
( 7.066.800)
969.600 [51.648.000]

29,577,029.70
130,235,089.23
11,881
1,188
SEE = 34.469
SEE =

2
. . .
2

SEE =
159.824.000 684.6543.200 (7,288417.868.900
12 2

SEE =
159.824.000 29.577.029,70130.235.089,23
10

SEE =
11,881
10

SEE = 1,188