APLIKASI REGRESI LINIER SEDERHANA DAN BERGANDA

DENGAN MENGGUNAKAN SOFTWARE SPSS

TUGAS INDIVIDU

Diajukan guna Memenuhi Tugas Mata Kuliah Analisis Kuantitatif I

pada Program Pascasarjana Agribisnis Fakultas Pertanian
Universitas Jember

Dosen Pengampu :
Dr. Luh Putu Suciati, SP., M.Si.

Oleh :
Ahmad Fatikhul Khasan
161520201002

PROGRAM STUDI MAGISTER AGRIBISNIS

FAKULTAS PERTANIAN
UNIVERSITAS JEMBER
2018
 KASUS 1.
PENGARUH PENGELUARAN UNTUK PERAWATAN RUMAH
TERHADAP PENDAPATAN

1. DATA
Pada kasus ini akan diidentifikasi bagaimana pengaruh pengeluaran
spesifik untuk perawatan rumah terhadap pendapatan rumah tangga. Untuk
mengetahui pengaruh antara dua variabel tersebut akan dilakukan analisis regresi
linier sederhana. Data yang digunakan sebagai input analisis terdiri dari 20
responden, yang ditunjukkan pada tabel 1.
Tabel 1. Pendapatan dan pengeluaran perawatan rumah (juta rupiah)
No Pendapatan (juta rupiah) Pengeluaran perawatan rumah (juta rupiah)
1 5 1.8
2 5 2
3 5 2
4 5 2
5 5 2.1
6 10 3
7 10 3.2
8 10 3.5
9 10 3.5
10 10 3.6
11 15 4.2
12 15 4.2
13 15 4.5
14 15 4.8
15 15 5
16 20 4.8
17 20 5
18 20 5.7
19 20 6
20 20 6.2
Sumber : Materi Kuliah Analisis Kuantitatif 1, 2017

2. SPESIFIKASI MODEL DAN ESTIMASI PARAMETER

Model yang digunakan untuk mengetahui hubungan antara dua variabel
tersebut adalah model regresi linier sederhana yang dinotasikan dengan,
y  a  bx (1)
dimana y adalah pendapatan dan x adalah pengeluaran perawatan rumah,
sementara a adalah konstanta regresi dan b adalah koefisien regresi untuk
variabel pendapatan. Persamaan (1) adalah model yang akan diestimasi dengan
menggunakan metode regresi linier sederhana dengan menggunakan data yang
sudah disebutkan sebelumnya pada tabel 1.

3. HASIL DAN KELAYAKAN MODEL

a. Hasil estimasi parameter
Berdasarkan hasil analisis regresi linier sederhana dengan menggunakan
metode enter didapatkan nilai koefisien regresi untuk konstanta dan variabel
pengeluaran pendapatan rumah tangga (x). Hasil pendugaan tersebut ditunjukkan
pada tabel 2.
Tabel 2. Hasil pendugaan parameter regresi
Model Koefisien t-hitung Signifikansi
Konstanta (a) -2,672 -2,637 0,017
(x) 3,936 15,897 0,000
Sumber : Hasil analisis dengan software SPSS
Berdasarkan tabel 2, bisa diketahui bahwa konstanta regresi dan juga
variabel pengeluaran untuk perawatan rumah memiliki pengaruh nyata terhadap
pendapatan. Pengeluaran untuk perawatan rumah memiliki koefisien yang
bertanda positif, sehingga pengeluaran untuk perawatan rumah memiliki pengaruh
positif terhadap pendapatan, dengan besar koefisien sebesar 3,936. Sehingga
model regresi pada persamaan (1) bisa disusun menjadi,
y  2, 672  3,936 x (2)
Berdasarkan persamaan (2) maka dapat diketahui bahwa pengeluaran untuk
perawatan rumah memiliki pengaruh yang positif terhadap pendapatan. Besar
pengaruhnya dapat ditulis dengan, setiap kenaikan pengeluaran untuk perawatan
rumah sebesar Rp 1 juta, rata-rata pendapatan naik sebesar 3,936 juta.
b. Uji kelayakan model regresi : Uji F (keseluruhan)
Nilai F hitung hasil analisis regresi adalah sebesar 252,722 dengan
signifikansi sebesar 0,000. Sehingga bisa disimpulkan bahwa variabel
pengeluaran untuk perawatan rumah berpengaruh nyata terhadap pendapatan.
c. Uji kelayakan model regresi : R2
Nilai R2 untuk persamaan (2) adalah sebesar 0,934 yang artinya bahwa
variabel pengeluaran untuk perawatan rumah mampu menjelaskan variabel
pendapatan sebanyak 93,4% sementara sisanya dijelaskan oleh faktor lain diluar
model.
4. INTEPRETASI
Berdasarkan hasil analisis yang dijelaskan sebelumnya telah diketahui
bahwa pengeluaran untuk perawatan rumah berpengaruh positif terhadap
pendapatan. Hasil ini sesuai dengan kondisi di dunia nyata yang mana penduduk
dengan pendapatan yang tinggi memiliki lebih banyak budget untuk perawatan
rumah, sehingga pengeluaran untuk perawatan rumah ini cenderung meningkat
seiring dengan pendapatan.
 KASUS 2.
PENGARUH TEMPERATUR DAN ISOLASI TERHADAP JUMLAH
BAHAN BAKAR YANG DIPERLUKAN UNTUK MEMANASKAN
RUANGAN

1. DATA
Pada kasus ini akan diidentifikasi bagaimana pengaruh temperatur dan
isolasi terhadap jumlah bahan bakar yang diperlukan untuk memanaskan ruangan.
Untuk mengetahui pengaruh dua variabel tersebut terhadap jumlah bahan bakar
akan dilakukan analisis regresi linier berganda. Data yang digunakan sebagai
input analisis terdiri dari 15 observasi, yang ditunjukkan pada tabel 3.
Tabel 3. Hubungan bahan bakar, temperatur dan isolasi
Bahan bakar (Gallon) Temperatur (oF) Ketebalan isolasi (Cm)
275.30 40 3
363.80 27 3
164.30 40 10
40.80 73 6
94.30 64 6
230.90 34 6
366.70 9 6
300.60 8 10
237.80 23 10
121.40 63 3
31.40 65 10
203.50 41 6
441.10 21 3
323.00 38 3
52.50 58 10
Sumber : Materi Kuliah Analisis Kuantitatif 1, 2017

2. SPESIFIKASI MODEL DAN ESTIMASI PARAMETER

Model yang digunakan untuk mengetahui hubungan antara dua variabel
independen terhadap variabel dependen dinotasikan dengan,
y  a  b1 x1  b2 x2 (3)
dimana y adalah jumlah bahan bakar dan x1 adalah temperatur, x2 adalah isolasi,
sementara a adalah konstanta regresi dan b1 dan b2 adalah koefisien regresi untuk
masing-masing variabel independen. Persamaan (3) adalah model yang akan
diestimasi dengan menggunakan metode regresi linier berganda dengan
menggunakan data yang sudah disebutkan sebelumnya pada tabel 3.

3. HASIL DAN KELAYAKAN MODEL

a. Hasil estimasi parameter
Berdasarkan hasil analisis regresi linier sederhana dengan menggunakan
metode enter didapatkan nilai koefisien regresi untuk konstanta dan kedua
variabel independen. Hasil pendugaan tersebut ditunjukkan pada tabel 2.
Tabel 2. Hasil pendugaan parameter regresi
Model Koefisien t-hitung Signifikansi
Konstanta (a) 562,151 26,651 0,000
Temperatur -5,437 -16,170 0,000
Isolasi -20,012 -8,453 0,000
Sumber : Hasil analisis dengan software SPSS
Berdasarkan tabel 2, bisa diketahui bahwa konstanta regresi dan variabel
temperatur dan isolasi memiliki pengaruh nyata terhadap jumlah bahan bakar.
Temperatur memiliki pengaruh negatif terhadap jumlah bahan bakar yang
dibutuhkan begitu juga dengan ketebalan isolasi juga memiliki pengaruh negatif
terhadap jumlah bahan bakar. Sehingga model regresi pada persamaan (3) bisa
disusun menjadi,
y  562,151  5, 437 x1  20,012 x2 (4)
Berdasarkan persamaan (4) maka dapat diketahui bahwa temperatur memiliki
pengaruh negatif terhadap kebutuhan bahan bakar dimana kenaikan temperatur
sebesar 1o F akan menurunkan rata-rata jumlah bahan baar yang digunakan
sebesar 5,437 galon, sementara ketebalan isolasi juga memiliki pengaruh negatif
terhadap jumlah bahan bakar yang digunakan, dimana penambahan ketebalan
isolasi sebanyak 1 cm akan mengurangi rata-rata jumlah bahan bakar yang
dibutuhkan sebanyak 20,012 galon.

b. Uji kelayakan model regresi : Uji F (keseluruhan)

Nilai F hitung hasil analisis regresi adalah sebesar 168,471 dengan
signifikansi sebesar 0,000. Sehingga bisa disimpulkan bahwa temperatur dan
ketebalan isolasi bisa digunakan untuk memprediksi jumlah bahan bakar yang
diperlukan untuk memanaskan ruangan.
c. Uji kelayakan model regresi : R2
Nilai R2 untuk persamaan (4) adalah sebesar 0,966 yang artinya bahwa
variabel temperatur dan ketebalan isolasi mampu menjelaskan varian jumlah
bahan bakar yang diperlukan sebanyak 93,4% sementara sisanya dijelaskan oleh
faktor lain diluar model.

4. INTEPRETASI
Berdasarkan hasil analisis regresi linier berganda yang ditulis sebelumnya,
bisa diketahui bahwa jumlah bahan bakar yang diperlukan untuk memanaskan
ruangan dipengaruhi secara negatif oleh temperatur dan juga ketebalan isolasi.
Hasil ini sesuai dengan keadaan empiris dimana ketika suhu ruangan semakin
tinggi maka pemanas ruangan tidak perlu meningkatkan suhu ruangan dalam
jumlah banyak sehingga jumlah bahan bakar yang diperlukan semakin sedikit.
Begitu halnya dengan ketebalan isolasi, semakin tebal isolasi suatu ruangan maka
suhu ruangan yang keluar dari ruangan akan lebih sedikit sehingga suhu dalam
ruangan akan tetap hangat sehingga pemanas ruangan tidak perlu meningkatkan
suhu ruangan dalam jumlah banyak, yang ahirnya mengurangi kebutuhan bahan
bakar yang diperlukan.
 LAMPIRAN

1. KASUS 1
Correlations

Pendapatan PPRumah

Pearson Correlation Pendapatan 1.000 .966

PPRumah .966 1.000

Sig. (1-tailed) Pendapatan . .000
PPRumah .000 .
N Pendapatan 20 20

PPRumah 20 20
Variables Entered/Removeda

Variables Variables
Model Entered Removed Method

1 PPRumahb . Enter

a. Dependent Variable: Pendapatan

b. All requested variables entered.
Model Summaryb

Std. Error Change Statistics

Mode R Adjusted of the R Square F Sig. F
l R Square R Square Estimate Change Change df1 df2 Change

1 .966a .934 .930 1.5194 .934 252.722 1 18 .000

a. Predictors: (Constant), PPRumah

b. Dependent Variable: Pendapatan
ANOVAa

Model Sum of Squares df Mean Square F Sig.

1 Regression 583.444 1 583.444 252.722 .000b

Residual 41.556 18 2.309

Total 625.000 19

a. Dependent Variable: Pendapatan

b. Predictors: (Constant), PPRumah
Coefficientsa

Standardize
Unstandardize d Collinearity
d Coefficients Coefficients Correlations Statistics

Zero
Std. - Partia Toleranc
Model B Error Beta t Sig. order l Part e VIF

1 (Constant .01
-2.672 1.013 -2.637
) 7

PPRumah 15.89 .00 .96

3.936 .248 .966 .966 .966 1.000 1.000
7 0 6

a. Dependent Variable: Pendapatan

Collinearity Diagnosticsa

Variance Proportions

Model Dimension Eigenvalue Condition Index (Constant) PPRumah

1 1 1.942 1.000 .03 .03

2 .058 5.791 .97 .97

a. Dependent Variable: Pendapatan

Residuals Statisticsa

Minimum Maximum Mean Std. Deviation N

Predicted Value 4.412 21.729 12.500 5.5414 20

Residual -2.0062 3.7809 .0000 1.4789 20
Std. Predicted Value -1.459 1.665 .000 1.000 20
Std. Residual -1.320 2.488 .000 .973 20

a. Dependent Variable: Pendapatan

2. KASUS 2
Descriptive Statistics

Mean Std. Deviation N

Oil 216.4933 129.87225 15
Gas 40.2667 20.67941 15
Isolasi 6.3333 2.96808 15
 Correlations

Oil Gas Isolasi

Pearson Correlation Oil 1.000 -.870 -.465
Gas -.870 1.000 .009
Isolasi -.465 .009 1.000
Sig. (1-tailed) Oil . .000 .040
Gas .000 . .487
Isolasi .040 .487 .
N Oil 15 15 15
Gas 15 15 15
Isolasi 15 15 15
Variables Entered/Removeda
Variables Variables
Model Entered Removed Method
1 Isolasi, Gasb . Enter
a. Dependent Variable: Oil
b. All requested variables entered.
Model Summaryb
Adjusted R Std. Error of the
Model R R Square Square Estimate
1 .983a .966 .960 26.01378
a. Predictors: (Constant), Isolasi, Gas
b. Dependent Variable: Oil
ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 228014.626 2 114007.313 168.471 .000b
Residual 8120.603 12 676.717

Total 236135.229 14

a. Dependent Variable: Oil

b. Predictors: (Constant), Isolasi, Gas
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 562.151 21.093 26.651 .000

Gas -5.437 .336 -.866 -16.170 .000

 Isolasi -20.012 2.343 -.457 -8.543 .000
a. Dependent Variable: Oil

Residuals Statisticsa

Minimum Maximum Mean Std. Deviation N

Predicted Value 8.6501 393.1479 216.4933 127.61959 15
Residual -38.20947 53.15414 .00000 24.08408 15
Std. Predicted Value -1.629 1.384 .000 1.000 15
Std. Residual -1.469 2.043 .000 .926 15
a. Dependent Variable: Oil