1

SOAL 1
Judul Penelitian
Pengaruh Harga dan Pendapatan Terhadap Volume Penjualan
Rumusan Masalah
1. Apakah harga berpengaruh terhadap volume penjualan ?
2. Apakah pendapatan berpengaruh terhadap volume penjualan ?
3. Apakah harga dan pendapatan berpengaruh terhadap volume penjualan ?
Hipotesis Penelitian
H01 : Tidak terdapat pengaruh antara harga terhadap volume penjualan
H1 : Terdapat pengaruh antara harga terhadap volume penjualan
H02 : Tidak terdapat pengaruh antara pendapatan terhadap volume penjualan
H2 : Terdapat pengaruh antara pendapatan terhadap volume penjualan
H03 : Tidak terdapat pengaruh antara harga dan pendapatan terhadap volume
penjualan
H3 : Terdapat pengaruh antara harga dan pendapatan terhadap volume penjualan
Analisis Data
a) Persamaan Regresi
Dependent Variable: PENJUALAN_Y

Method: Least Squares
Date: 07/18/18 Time: 18:58
Sample: 1 150
Included observations: 150
Variable Coefficient Std. Error t-Statistic Prob.
C 8.798824 2.458586 3.578815 0.0005

HARGA_X1 -0.103486 0.164793 -0.627974 0.5310
PENDAPATAN_X2 -0.101239 0.195559 -0.517689 0.6055
R-squared 0.004415 Mean dependent var 6.873333

Adjusted R-squared -0.009130 S.D. dependent var 2.965793
S.E. of regression 2.979301 Akaike info criterion 5.041052
Sum squared resid 1304.806 Schwarz criterion 5.101264
Log likelihood -375.0789 Hannan-Quinn criter. 5.065514
F-statistic 0.325977 Durbin-Watson stat 1.657888
Prob(F-statistic) 0.722342
Estimation Command:
=========================
LS PENJUALAN_Y C HARGA_X1 PENDAPATAN_X2
Estimation Equation:
=========================
PENJUALAN_Y = C(1) + C(2)*HARGA_X1 + C(3)*PENDAPATAN_X2
Substituted Coefficients:
=========================
PENJUALAN_Y = 8.79882358192 - 0.103485502288*HARGA_X1 - 0.101238865654*PENDAPATAN_X2
b) Uji Asumsi Klasik

 Grafik Uji Normalitas
28
Series: Residuals
24 Sample 1 150
Observations 150
20
Mean -1.39e-16
Median 0.735486
16 Maximum 6.450898
Minimum -4.264514
12 Std. Dev. 2.959238
Skewness 0.382701
8 Kurtosis 2.407691
Jarque-Bera 5.854191
4
Probability 0.053552
0
-4 -3 -2 -1 0 1 2 3 4 5 6
H0 : Residual normal
H1 : Residual tidak normal
Kriteria : H0 ditolak jika Probability < 0,05
Kesimpulan : H0 diterima
Interpretasi : Prob = 0,053552. Prob > 0,05, maka H0 diterima.
Artinya, residual berdistribusi normal.

 Uji Heterokedastisitas
Heteroskedasticity Test: Breusch-Pagan-Godfrey
F-statistic 0.607277 Prob. F(2,147) 0.5462

Obs*R-
squared 1.229185 Prob. Chi-Square(2) 0.5409
Scaled
explained SS 0.830896 Prob. Chi-Square(2) 0.6600
Test Equation:
Dependent Variable: RESID^2
Date: 07/20/18 Time: 19:00
Sample: 1 150
C 11.82449 8.568004 1.380075 0.1697

HARGA -0.599443 0.574291 -1.043796 0.2983
PENDAPATAN 0.229392 0.681510 0.336594 0.7369

Adjusted R-
squared -0.005299 S.D. dependent var 10.35526
S.E. of
regression 10.38266 Akaike info criterion 7.537949
Sum squared
resid 15846.55 Schwarz criterion 7.598161
Prob(F-
statistic) 0.546193
H0 : Homoskedastisitas
H1 : Heteroskedastisitas
Kriteria: H0 ditolak jika Prob < 0,05
Kesimpulan: H0 diterima Interpretasi: Probability = 0,546193. Prob > 0,05 maka H0 diterima.
Artinya terdapat homoskedastisitas atau terbebas dari heteroskedastisitas.

 Uji Auto Korelasi
Breusch-Godfrey Serial Correlation LM Test:
F-statistic 1.805492 Prob. F(2,145) 0.1681

Obs*R-squared 3.644734 Prob. Chi-Square(2) 0.1616
Test Equation:
Dependent Variable: RESID
Date: 07/20/18 Time: 17:59
Sample: 1 150
Presample missing value lagged residuals set to zero.
C 0.023273 2.462815 0.009450 0.9925

HARGA -0.006295 0.163966 -0.038389 0.9694
PENDAPATAN 0.003270 0.196329 0.016654 0.9867
RESID(-1) 0.153284 0.083169 1.843038 0.0674
RESID(-2) 0.013587 0.083911 0.161919 0.8716
R-squared 0.024298 Mean dependent var -1.39E-16

H0 : tidak ada autokorelasi

H1 : ada autokorelasi
Kriteria: H0 ditolak jika Prob < 0,05
Kesimpulan : Prob = 0,464145. Prob > 0,05 maka H0 diterima.
Interpretasi : Probability = 0,464145. Prob > 0,05 maka H0 diterima.
Artinya tidak terdapat autokorelasi.
 Uji Multikolinearitas
Variance Inflation Factors
Date: 07/20/18 Time: 19:14
Sample: 1 150
Coefficient Uncentered Centered

Variable Variance VIF VIF
C 6.044645 102.1488 NA
HARGA 0.027157 38.00785 1.000264
PENDAPATAN 0.038243 63.57643 1.000264
Interpretasi: VIF = 1,000264 < 10, maka tidak terdapat multikolinearitas.
c) Prediksi Volume Penjualan
Persamaan :
PENJUALAN_Y = 8.79882358192 - 0.103485502288*HARGA_X1 - 0.101238865654*PENDAPATAN_X2
Asumsi:
Setiap Rp. 1 harga Rp. 1 pendapatan, maka akan menghasilkan penjualan sebesar :
PENJUALAN_Y = 8.79882358192 - 0.103485502288(1) - 0.101238865654(1)

PENJUALAN_Y = 8.594099214
Maka, apabila harga Rp. 1 dan Pendapatan Rp. 1, maka penjualan yang dihasilkan
Adalah sebesar Rp. 8.594099214

d) R Square
Date: 07/18/18 Time: 18:58
Sample: 1 150
C 8.798824 2.458586 3.578815 0.0005

HARGA_X1 -0.103486 0.164793 -0.627974 0.5310
PENDAPATAN_X2 -0.101239 0.195559 -0.517689 0.6055

Berdasarkan hasil pengujian diatas Mengahasilkan R-Square sebesar 0.004415 yang

berarti bahwa variabilitas variabel dependen yaitu penjualan yang dapat dijelaskan oleh
variabel independen yaitu harga dan pendapatan atau hanya berkontribusi sebesar
0,4415%
e) Uji F (ANOVA)
Date: 07/18/18 Time: 18:58
Sample: 1 150
C 8.798824 2.458586 3.578815 0.0005

HARGA_X1 -0.103486 0.164793 -0.627974 0.5310
PENDAPATAN_X2 -0.101239 0.195559 -0.517689 0.6055

Berdasarkan hasil dari output di atas bahwa menunjukan secara simultan nilai Sig.
sebesar 0,722342 < 0,05 yang berarti harga dan pendapatan berpengaruh secara
simultan terhadap volume penjualan. Maka dapat disimpulkan baik secara parsial harga
dan pendapatan tidak berpengaruh terhadap volume penjualan.
f) Kesimpulan
- Model Summary menunjukkan nilai R-Square, dimana pada table ini akan
menunjukkan persentase kontribusi variable independent yaitu Harga dan
Pendapatan terhadap variable dependen yaitu Penjualan, yang jika diselisihkan
dengan nilai 100% maka selisihnya adalah kontribusi variasi variable lain yang
tidak diteliti.
- Coeficients menunjukkan nilai persamaan regresi. Jika nilai probabilitasnya
signifikan, maka nilai coefficient ini menunjukkan besaran serta arah pengaruh
dari variable independent terhadap variable dependen (jika + maka memeliki
pengaruh yang searah, jika – memiliki pengaruhi yang berlawan).
JAWABAN NO. 2 - REGRESI DENGAN VARIABLE DUMMY
a. Judul Penelitian
- “Pengaruh Jenis Kelamin dan Masa Kerja terhadap Produktivitas Pegawai”
b. Rumusan Masalah
1. Apakah Jenis Kelamin berpengaruh terhadap Produktivitas Pegawai
2. Apakah Masa Kerja berpengaruh terhadap Produktivitas Pegawai
3. Apakah Jenis Kelamin dan Masa Kerja berpengaruh terhadap Produktivitas Pegawai
c. Hipotesis Penelitian
H01 : Tidak terdapat pengaruh antara jenis kelamin terhadap produktivitas pegawai
H1 : Terdapat pengaruh antara jenis kelamin terhadap produktivitas pegawai
H02 : Tidak terdapat pengaruh antara masa kerja terhadap produktivitas pegawai
H2 : Terdapat pengaruh antara masa kerja terhadap produktivitas pegawai
H03 : Tidak terdapat pengaruh antara jenis kelamin dan masa kerja terhadap
produktivitas pegawai
d. Analisis Data berupa Output Software dan Penjelasan Output
Variables entered/Removed ini menjelaskan tentang variable penelitian, dimana di

dalam penelitian ini yang menjadi variabel independennya adalah jenis kelamin dan
masa kerja, sedangkan variabael dependennya adalah produktivitas pegawai.
a. Persamaan Regresi
Dependent Variable: PRODUKTIVITAS
Date: 07/21/18 Time: 14:25
Sample: 1 150
C 11.25115 1.198261 9.389563 0.0000

JENIS_KELAMIN -0.420790 0.346716 -1.213644 0.2268
MASA_KERJA -0.081034 0.125732 -0.644500 0.5203

Estimation Command:
=========================
LS PRODUKTIVITAS C JENIS_KELAMIN MASA_KERJA
Estimation Equation:
=========================
PRODUKTIVITAS = C(1) + C(2)*JENIS_KELAMIN + C(3)*MASA_KERJA
Substituted Coefficients:
=========================
PRODUKTIVITAS = 11.2511477705 - 0.420789574783*JENIS_KELAMIN -
0.0810343056892*MASA_KERJA
b. Perlu dilakukan uji asumsi klasik ?

Ya, karena variabel dummy x₁ pada variable independen bukan pada variable dependen, jadi
alat analisis yang cocok adalah regresi linier berganda. Jadi masih perlu diuji asumsi klasik
sebagai persyaratan uji regresi linier berganda.
c. Prediksi Produktivitas, jika Jenis Kelamin dan Masa Kerja:
PRODUKTIVITAS = 11.2511477705 - 0.420789574783*JENIS_KELAMIN -

0.0810343056892*MASA_KERJA
Apabila masa kerja 1 tahun dan jenis kelaminnya adalah laki-laki (1) maka:
PRODUKTIVITAS = 11.2511477705 - 0.420789574783(1) - 0.0810343056892(1)
PRODUKTIVITAS = 10.74932389
Artinya, apabila masa kerja 1 tahun dan jenis kelaminnya adalah laki-laki maka
produktivitas pegawai adalah sebesar 10.74932389
d. Makna R2 dan bagaimana hubungannya
Date: 07/21/18 Time: 09:06
Sample: 1 150
C 11.25115 1.198261 9.389563 0.0000

JENIS_KELAMIN -0.420790 0.346716 -1.213644 0.2268
MASA_KERJA -0.081034 0.125732 -0.644500 0.5203

Pada output diperoleh nilai R2 sebesar 0.012082, berarti variasi Produktivitas Pegawai
(Y) dapat dijelaskan oleh Jenis Kelamin (X1) dan Masa Kerja (X2) sebesar 1.2%.
Sisanya ditentukan oleh variasi variable lain yang tidak diteliti.
e. ANOVA
Date: 07/21/18 Time: 09:06
Sample: 1 150
C 11.25115 1.198261 9.389563 0.0000

JENIS_KELAMIN -0.420790 0.346716 -1.213644 0.2268
MASA_KERJA -0.081034 0.125732 -0.644500 0.5203

Nilai Sig. 0.409233 > 0.05 maka dapat disimpulkan bahwa variable Jenis Kelamin (X1) dan
Masa Kerja (X2) secara simultan tidak mampu menjelaskan perubahan pada variable
Produktivitas Pegawai (Y).
e. Kesimpulan:
1. Nilai Sig. Jenis Kelamin (X1)  Produktivitas Pegawai (Y) adalah sebesar 0.2268 >
0.05, hal ini menunjukkan bahwa Jenis Kelamin tidak berpengaruh terhadap
Produktivitas Pegawai.
2. Nilai Sig. Masa (X2)  Produktivitas Pegawai (Y) adalah sebesar 0.5203 > 0.05, hal
ini menunjukkan bahwa Masa Kerja tidak berpengaruh terhadap Produktivitas
Pegawai.
JAWABAN NO. 3 - REGRESI DENGAN VARIABEL MEDIASI
a. Judul Penelitian
- “Pengaruh Pelayanan terhadap Loyalitas dengan Kepuasan Pelanggan sebagai Variabel
Mediasi”
b. Rumusan Masalah
1. Apakah Kepuasan Pelanggan merupakan variable Mediasi
H01 : Kepuasan Pelanggan bukan merupakan variable Mediasi
H1 : Kepuasan Pelanggan merupakan variable Mediasi
Output 1
Dependent Variable: LOYALITAS
Date: 07/21/18 Time: 15:01
Sample: 1 120
C 5.679637 0.951673 5.968055 0.0000

LAYANAN 0.027237 0.084698 0.321583 0.7483

Output 2
Dependent Variable: LOYALITAS
Date: 07/21/18 Time: 15:04
Sample: 1 120
C 5.694783 1.288383 4.420099 0.0000
LAYANAN 0.027218 0.085066 0.319965 0.7496
KEPUASAN -0.001271 0.072492 -0.017530 0.9860
LOYALITAS = 5.69478264962 + 0.0272181251426*LAYANAN - 0.00127075843643*KEPUASAN
e. Kesimpulan:
Kepuasan Pelanggan bukan merupakan variable mediasi, karena jika melihat
persamaan 1 sudah menunjukkan kondisi yang tidak signifikan, begitupun diikuti
persamaan 3 yang tidak signifikan pula, maka jelas bahwa Kepuasan Pelanggan
bukan merupakan variable mediasi.
JAWABAN NO. 4 - REGRESI DENGAN VARIABEL MODERASI
a. Judul Penelitian
- “Pengaruh Konflik Antar Departemen terhadap Kinerja Organisasi dengan Lingkungan
Kerja sebagai variable Moderasi.
b. Rumusan Masalah
1. Apakah Lingkungan Kerja merupakan variable Moderasi
H01 : Lingkungan Kerja bukan merupakan variable Moderasi
d. H1 : Lingkungan Kerja merupakan variable Moderasi

Dari sebanyak 220 sampel secara acak yang dijadikan sebagai responden, maka untuk
mengetahui apakah Lingkungan Kerja merupakan variable moderasi atau bukan, maka:
Output 1
Dependent Variable: KIN_ORG

Date: 07/21/18 Time: 20:54
Sample: 1 100
C 9.461035 0.565703 16.72439 0.0000

KONFLIK -0.823313 0.063836 -12.89737 0.0000

Adjusted R-squared 0.625485 S.D. dependent var 1.133333
KIN_ORG = 9.46103475296 - 0.823312649569*KONFLIK

Dependent Variable: KIN_ORG
Date: 07/21/18 Time: 20:56
Sample: 1 100
C 8.019411 0.812983 9.864185 0.0000

KONFLIK -0.783626 0.064444 -12.15977 0.0000
LING_KJA 0.110362 0.045675 2.416246 0.0176

Y = KIN_ORG = 8.01941060543 - 0.783626378032*KONFLIK + 0.110361958521*LING_KJA
Kesimpulan:
Karena b3 dan b6 tidak signifikan, maka Lingkungan Kerja bukan merupakan
variable moderasi.
JAWABAN NO. 5 - REGRESI DENGAN DATA PANEL
i. Contoh data panel

a. Data Time Series
Data Pendapatan pada Tahun 2015-2017 pada Perusahaan A
Perusahaan Tahun Penjualan (Unit)
2015 2000
Perusahaan A 2016 1500
2017 2500
b. Data Cross Section

Data Pendapatan tahun 2017 pada Masing-masing Perusahaan
Perusahaan Penjualan (Unit)
Perusahaan A 2000
Perusahaan B 4500
Perusahaan C 3000
Perusahaan D 1000
Perusahaan E 2400
c. Pooled Data
Data Pedapatan pada Tahun 2015-2017 pada Masing-masing Perusahaan
Perusahaan Tahun Penjualan (Unit)

2014 2000
Perusahaan A 2015 1500
2016 2500
2014 4500
Perusahaan B 2015 4000
2016 4200
2014 3000
Perusahaan C 2015 4000
2016 3400
2014 1000
Perusahaan D 2015 1500
2016 1200
2014 2400
Perusahaan E 2015 2000
2016 2200
ii. Pendekatan dalam model regresi data panel
a. Metode Common-Constant (The Pooled OLS Method=PLS)
b. Metode Fixed Effect (FEM)
c. Metode Random Effect (REM)
iii. Langkah-langkah data panel pada Eviews
a. Siapkan workfile tahunan (misal data tahunan 1985-2004), dari tahun 1985 sd 2004.
b. Pilih quick\emptyGroup
c. Copy-paste seluruh data (block data) dari excel ke eviews
d. Mengganti nama variabel dengan format namavariabel_identifier
e. Pilih object \new object\pooled, dimana sebelum pooled data muncul, eviews
terlebih dahulu meminta format indentifier.
f. Proses estimasi bisa dilakukan
iv. Prosedur Eviews untuk estimasi data panel
a. Data yang sudah di impor, dapat digunakan untuk proses estimasi
b. Equation : Pilih pooled estimation (pada bagian fixed and random effect, cross
section : None)
c. OK
d. Akan tampil hasil estimasi regresi data panel
v. Bagaimana prosedur Eviews untuk pemilihan model data panel
a. Data yang sudah di impor, dapat digunakan untuk proses estimasi
b. Equation: pada bagian fixed and random effect, cross section : Fixed (Uji chow :
untuk menentukan common effect atau random effect)
c. Jika hasil ternyata menunjukkan fixed effect yang terpilih, maka dilanjutkan dengan
uji Hausman (untuk menentukan apakah fixed effect atau random effect)
d. Setelah diketahui apakah fixed effect atau random effect,dilanjutkan dengan
estimasi dengan menggunakan pendekatan yang telah terpilih.
a. Judul Penelitian
- “Pengaruh Distribusi dan Promosi terhadap Penjualan pada Perusahaan JRM, BTL, dan
SKN selama Kurun Waktu 1991 sampai dengan 2000”
b. Rumusan Masalah
1. Apakah Distribusi berpengaruh terhadap Penjualan
2. Apakah Promosi berpengaruh terhadap Penjualan
3. Apakah Distribusi dan Promosi berpengaruh terhadap Penjualan
H01 : Tidak terdapat pengaruh antara harga terhadap volume penjualan
H02 : Tidak terdapat pengaruh antara pendapatan terhadap volume penjualan
H2 : Terdapat pengaruh antara pendapatan terhadap volume penjualan
H03 : Tidak terdapat pengaruh antara harga dan pendapatan terhadap volume
penjualan

b. Regresi
i. Penentuan Model
1. Pooled Ordinary Least Squaer (PLS)
Dependent Variable: PENJUALAN_Y_

Method: Panel Least Squares
Date: 07/19/18 Time: 15:23
Sample: 1991 2000
Periods included: 10
Cross-sections included: 3
Total panel (balanced) observations: 30
C 10.31532 10.15249 1.016038 0.3186

DISTRIBUSI_X1_ 0.041073 0.010884 3.773560 0.0008
PROMOSI_X2_ 0.070060 0.029278 2.392913 0.0239

2. Fixed Effect Model (FEM)
Redundant Fixed Effects Tests
Equation: Untitled
Test cross-section fixed effects
Effects Test Statistic d.f. Prob.
Cross-section F 1.307584 (2,25) 0.2883

Cross-section Chi-square 2.984681 2 0.2248
Cross-section fixed effects test equation:

Method: Panel Least Squares
Date: 07/19/18 Time: 15:23
Sample: 1991 2000
C 10.31532 10.15249 1.016038 0.3186

DISTRIBUSI_X1_ 0.041073 0.010884 3.773560 0.0008
PROMOSI_X2_ 0.070060 0.029278 2.392913 0.0239

3. Random Effect Model (REM) 

Method: Panel EGLS (Cross-section random effects)
Date: 07/20/18 Time: 13:23
Sample: 1991 2000
Swamy and Arora estimator of component variances
C 10.31532 10.03878 1.027547 0.3133

DISTRIBUSI_X1_ 0.041073 0.010762 3.816306 0.0007
PROMOSI_X2_ 0.070060 0.028950 2.420020 0.0225
Effects Specification
S.D. Rho
Cross-section random 0.000000 0.0000

Idiosyncratic random 25.00684 1.0000
Weighted Statistics

S.E. of regression 25.29011 Sum squared resid 17268.92
Unweighted Statistics

Sum squared resid 17268.92 Durbin-Watson stat 0.951394
Interpretasi:
1. PLS vs FEM
Ho: PLS
H1: FEM
Ho ditolak jika Prob < 0,05
Kesimpulan: Ho diterima karena prob FEM (F 0.2883 dan Chi-square: 0.2248) >
0.05
Prob F dan Chi dibandingkan dengan 0.05, jika Prob < 0.05 maka Ho ditolak,
namun
prob > 0.05 maka Ho diterima, sehingga kesimpulannya adalah bahwa model
terbaik yang sebaiknya digunakan adalah PLS
2. PLS vs REM
Pada pengujian pertama, model PLS yang terpilih. Sehingga alternatifnya
menggunakan Metode Lagrange Multiplier
Lagrange Multiplier Tests for Random Effects

Null hypotheses: No effects
Alternative hypotheses: Two-sided (Breusch-Pagan) and one-sided
(all others) alternatives
Test Hypothesis
Cross-section Time Both
Breusch-Pagan 1.058652 3.238058 4.296710

(0.3035) (0.0719) (0.0382)
Honda -1.028908 -1.799461 -1.999959

-- -- --
King-Wu -1.028908 -1.799461 -1.697975

-- -- --
Standardized Honda -0.367832 -1.693389 -5.447284

-- -- --
Standardized King-Wu -0.367832 -1.693389 -5.043723
-- -- --
Gourierioux, et al.* -- -- 0.000000
(>= 0.10)
*Mixed chi-square asymptotic critical values:

1% 7.289
5% 4.321
10% 2.952
Ho: PLS
H1: REM
Ho diterima jika Prob > 0,05
Kesimpulan: Ho diterima karena prob : 0,3035 > 0,05
Maka, model terbaik yang digunakan adalah PLS
3. FEM vs REM tidak dibandingkan karena FEM sudah terbukti tidak signifikan
Kesimpulan:
Model yang terbaik digunakan untuk uji statistic data panel adalah PLS
ii. Persamaan Regresi masing-masing perusahaan

1. Perusahaan JRM
Date: 07/20/18 Time: 13:33
Sample: 1 10
C -50.83744 67.43173 -0.753910 0.4755

DISTRIBUSI_X1_ 0.069178 0.033847 2.043849 0.0803
PROMOSI_X2_ 0.089582 0.058665 1.527020 0.1706

PENJUALAN_Y_ = -50.8374390501 + 0.0691777586102*DISTRIBUSI_X1_ + 0.089581954196*PROMOSI_X2_
2. Perusahaan BTL
Date: 07/20/18 Time: 13:38
Sample: 1 10
C -105.0548 129.5546 -0.810892 0.4441

DISTRIBUSI_X1_ 0.091867 0.059864 1.534598 0.1688
PROMOSI_X2_ 0.123245 0.091387 1.348597 0.2195

PENJUALAN_Y_ = -105.054825768 + 0.0918673615557*DISTRIBUSI_X1_ + 0.123244631764*PROMOSI_X2_
3. Perusahaan SKN
Date: 07/20/18 Time: 13:43
Sample: 1 10
C 11.88956 5.338953 2.226947 0.0612

DISTRIBUSI_X1_ 0.026509 0.013377 1.981629 0.0880
PROMOSI_X2_ 0.507155 0.180821 2.804733 0.0263

PENJUALAN_Y_ = 11.8895643534 + 0.0265089881627*DISTRIBUSI_X1_ + 0.507155188625*PROMOSI_X2_

JAWABAN NO. 6 – REGRESI LOGISTIK
i. Pengertian Regresi Logistik

Analisis regresi logistik digunakan untuk menjelaskan hubungan antara variabel respon
yang berupa data dikotomik/biner dengan variabel bebas yang berupa data berskala
interval dan atau kategorik (Hosmer dan Lemeshow, 1989). Variabel
yang dikotomik/biner adalah variabel yang hanya mempunyai dua kategori saja, yaitu
kategori yang menyatakan kejadian sukses (Y=1) dan kategori yang menyatakan kejadian
gagal (Y=0). pada model model linear umum komponen acak tidak harus mengikuti
sebaran normal, tapi harus masuk dalam sebaran keluarga eksponensial. Sebaran
bernoulli termasuk dalam salah satu dari sebaran keluarga eksponensial. Variabel respon
Y ini, diasumsikan mengikuti distribusi Bernoulli.
ii. Prosedur Eviews
a) Masukkan data: File → Open → Foreign Data As Workfile → Pilih data → Next →
Finish
b) Klik Menu quick → Estimate Question
 Pada Method pilih Binary-Binary Choice (Logit, Probit, Extreme Value)
 Pada Equation specifiation ketik persamaannya : Y c d01 t
 Pada Binary estimation method pilih:logit
 OK
3. Maka akan keluar output sebagai berikut:
iii. Interpretasi Output

Tidak seperti pada analisis regresi linier berganda/sederhana, interpretasi pada
analisis regresi logistik tidak dapat langsung dibaca melalui nilai koefisiennya. Untuk
dapat diinterpretasikan, terlebih dahulu nilai koefisien setiap variabel harus di-
eksponensial-kan. Untuk variabel T, nilai exp(b) adalah 0.190 sedangkan nilai exp(b)
dari variabel D adalah 1.071.
Setelah diperoleh nilai exp(b) atau yang lebih dikenal dengan odds ratio, maka
model akan siap diinterpretasi. Interpretasi antara variabel bebas kuantitatif akan
berbeda dengan variabel bebas kualitatif. Untuk variabel bebas kuantitatif akan dibaca
semakin besar atau semakin kecil (tergantung tanda) sedangkan untuk variabel kualitatif
akan dibaca sebagai tingkat perbandingannya.
Untuk variabel D: semakin lama durasi operasi seseorang, maka peluang untuk
mengalami sore throat setelah operasi akan semakin meningkat.
Untuk variabel T: kecenderungan seseorang yang memakai tracheal tube untuk
mengalami sore throat adalah 0.190 kali dibanding pasien yang menggunakan laryngeal
mask airway.
a. Judul Penelitian
- “Pengaruh DER, DRP dan ROI terhadap Kemungkinan Perusahaan untuk Melakukan
Perataaan Laba”
b. Rumusan Masalah
1. Apakah DER berpengaruh terhadap Kemungkinan Perusahaan untuk Melakukan
Perataaan Laba
2. Apakah DPR berpengaruh terhadap Kemungkinan Perusahaan untuk Melakukan
Perataaan Laba
3. Apakah ROI berpengaruh terhadap Kemungkinan Perusahaan untuk Melakukan
Perataaan Laba
4. Apakah DER, DPR dan ROI berpengaruh terhadap Kemungkinan Perusahaan untuk
Melakukan Perataaan Laba
H01 : Tidak terdapat pengaruh antara DER terhadap Kemungkinan Perusahaan untuk
H1 : Terdapat pengaruh antara DER terhadap Kemungkinan Perusahaan untuk Melakukan
Perataaan Laba
H02 : Tidak terdapat pengaruh antara DPR terhadap Kemungkinan Perusahaan untuk
H2 : Terdapat pengaruh antara DPR terhadap Kemungkinan Perusahaan untuk Melakukan
Perataaan Laba
H03 : Tidak terdapat pengaruh antara ROI terhadap Kemungkinan Perusahaan untuk
H3 : Terdapat pengaruh antara ROI terhadap Kemungkinan Perusahaan untuk Melakukan
Perataaan Laba
H04 : Tidak terdapat pengaruh antara DER, DPR dan ROI terhadap Kemungkinan Perusahaan
untuk Melakukan Perataaan Laba
H4 : Terdapat pengaruh antara DER, DPR dan ROI Kemungkinan Perusahaan untuk

mengetahui apakah DER, DPR dan ROI berpengaruh terhadap Kemungkinan Perusahaan
Melakukan Perataan Laba, maka:
Dependent Variable: PERATAANLABA_P_

Method: ML - Binary Logit (Newton-Raphson / Marquardt steps)
Date: 07/19/18 Time: 16:56
Sample: 1 150
Convergence achieved after 2 iterations
Coefficient covariance computed using observed Hessian
Variable Coefficient Std. Error z-Statistic Prob.

C -1.526406 3.128118 -0.487963 0.6256
DER_X1_ 0.264004 0.462387 0.570959 0.5680
DPR_X2_ -0.000215 0.009694 -0.022134 0.9823
ROI_X3_ -0.006054 0.032190 -0.188082 0.8508
McFadden R-squared 0.001669 Mean dependent var 0.546667

S.D. dependent var 0.499485 S.E. of regression 0.503997
Akaike info criterion 1.428605 Sum squared resid 37.08596
Schwarz criterion 1.508888 Log likelihood -103.1453
Hannan-Quinn criter. 1.461221 Deviance 206.2907
Restr. deviance 206.6356 Restr. log likelihood -103.3178
LR statistic 0.344887 Avg. log likelihood -0.687636
Prob(LR statistic) 0.951377
Obs with Dep=0 68 Total obs 150

Obs with Dep=1 82
Ln (P/1-P) = bo + b1x1 + b2x2 + b3x3

Ln (P/1-P) = -1.526406 + 0.264004(X1) - 0.000215(X2) - 0.006054(X3)
Kesimpulan:
Berdasarkan output diatas, dapat disimpulkan bahwa model regresi yang dibentuk fit
Prob (LR Statistic) yaitu 0,951377 > 0,05. Secara parsial dapat dilihat bahwa dari
variable DER, DPR dan ROI tidak terdapat pengaruh terhadap Kemungkinan
Perataan Laba, hal ini ditunjukkan dengan nilai prob>0.05. Berdasarkan nilai
McFadden R-squared 0.001669, hal ini menunjukan bahwa variabel DER, DPR, dan
ROI hanya mampu menjelaskan kemungkinan perusahaan untuk melakukan perataan
laba sebesar 0.1669%.
JAWABAN NO. 7 – ANALISIS JALUR SATU ARAH
a. Judul Penelitian
- “Pengaruh Kualitas Produk, Harga dan Pelayanan terhadap Kepuasan Pelanggan”
b. Rumusan Masalah
1. Apakah kualitas produk berpengaruh terhadap kepuasan pelanggan
2. Apakah harga berpengaruh terhadap kepuasan pelanggan
3. Apakah pelayanan berpengaruh kepuasan pelanggan
4. Apakah kualitas produk, harga & pelayanan berpengaruh terhadap kepuasan
pelanggan
H01 : Tidak terdapat pengaruh antara kualitas produk terhadap kepuasan pelanggan
H1 : Terdapat pengaruh antara kualitas produk terhadap kepuasan pelanggan
H02 : Tidak terdapat pengaruh antara harga terhadap kepuasan pelanggan
H2 : Terdapat pengaruh antara harga terhadap kepuasan pelanggan
H03 : Tidak terdapat pengaruh antara pelayanan terhadap kepuasan pelanggan
H3 : Terdapat pengaruh antara pelayanan terhadap kepuasan pelanggan
H04 : Tidak terdapat pengaruh antara kualitas produk, harga dan pelayanan terhadap
kepuasan pelanggan
H4 : Terdapat pengaruh antara kualitas produk, harga dan pelayanan terhadap
kepuasan
pelanggan
mengetahui apakah Kualitas Produk, Harga, dan Pelayanan berpengaruh terhadap Kepuasan
Pelanggan, maka:
Correlations
Produk Harga Pelayanan Kepuasan

Pelanggan
Pearson Correlation 1 .991** .964** .989**
Produk Sig. (2-tailed) .000 .000 .000
N 10 10 10 10
Pearson Correlation .991** 1 .961** .996**
Harga Sig. (2-tailed) .000 .000 .000
N 10 10 10 10
Pelayanan Pearson Correlation .964** .961** 1 .976**
Sig. (2-tailed) .000 .000 .000
N 10 10 10 10
Pearson Correlation .989** .996** .976** 1
Kepuasan Pelanggan Sig. (2-tailed) .000 .000 .000
N 10 10 10 10
**. Correlation is significant at the 0.01 level (2-tailed).

Variables Entered/Removeda
Model Variables Variables Method

Entered Removed
Pelayanan, . Enter
1
Harga, Produkb
a. Dependent Variable: Kepuasan Pelanggan

b. All requested variables entered.
Model Summary
Model R R Square Adjusted R Std. Error of the

Square Estimate
1 .999a .997 .996 .276
a. Predictors: (Constant), Pelayanan, Harga, Produk
Pada output diperoleh nilai R2 sebesar 0.997, berarti variasi Kepuasan Pelanggan (Y) dapat
dijelaskan oleh variasi Produk (X1), Harga (X2) dan Pelayanan (X3) sebesar 99.7%. sisanya
ditentukan oleh variasi variable lain yang tidak diteliti
ANOVAa
Model Sum of Squares df Mean Square F Sig.
Regression 169.644 3 56.548 743.815 .000b
1 Residual .456 6 .076
Total 170.100 9

b. Predictors: (Constant), Pelayanan, Harga, Produk
Nilai Sig. 0.000 < 0.05 maka dapat disimpulkan bahwa variable Produk (X1), Harga (X2)
dan Pelayanan (X3) secara simultan mampu menjelaskan perubahan pada variable Kepuasan
Pelanggan (Y)atau model dinyatakan cocok/fit.
Coefficientsa
Model Unstandardized Coefficients Standardized t Sig.

Coefficients
B Std. Error Beta
(Constant) 7.681 9.238 .831 .438
Produk -.072 .177 -.067 -.405 .700

1
Harga .471 .093 .809 5.074 .002
Pelayanan .485 .147 .264 3.290 .017
1. Koefisien jalur Produk (X1) terhadap Kepuasan Pelanggan (Y) sebesar -0.067
2. Koefisien jalur Harga (X2) terhadap Kepuasan Pelanggan (Y) sebesar 0.809
3. Koefisien jalur Pelayanan (X3) terhadap Kepuasan Pelanggan (Y) sebesar 0.264
Kesimpulan:
1. Nilai Sig. Produk (X1)  Kepuasan Pelanggan (Y) adalah sebesar 0.700 , hal ini
menunjukkan bahwa Produk tidak berpengaruh terhadap Kepuasan Pelanggan.
2. Nilai Sig. Harga (X2)  Kepuasan Pelanggan (Y) adalah sebesar 0.002, hal ini
menunjukkan bahwa Harga berpengaruh positif terhadap Kepuasan Pelanggan.
3. Nilai Sig. Pelayanan (X3)  Kepuasan Pelanggan (Y) adalah sebesar 0.017, hal ini
menunjukkan bahwa Pelayanan berpengaruh positif terhadap Kepuasan Pelanggan.
Berdasarkan output dan interpretasi diatas, maka model dapat Digambarkan sebagai
berikut:
Produk (X1)
rX1X2 = 0.991
𝜌𝑌𝑋1
= −0.067
𝜌𝑌𝑋2 = 0.809
Kepuasan
rX1X3 = 0.964
Harga (X2) Pelanggan

(Y)
rX2X3 = 0.961
Pelayanan 𝜌𝑌𝑋3 = 0.264
(X3)
JAWABAN NO. 8 – ANALISIS JALUR DUA ARAH
a. Judul Penelitian
- “Pengaruh Kualitas Produk, Harga dan Pelayanan terhadap Kepuasan Pelanggan serta
Dampaknya terhadap Loyalitas Pelanggan”
b. Rumusan Masalah
1. Bagaimana pengaruh Kualitas Produk (X1), Harga (X2), dan Pelayanan (X3)
terhadap Kepuasan Pelanggan (Y1), serta Dampaknya terhadap Loyalitas Pelanggan
(Y2).
H01 : Tidak terdapat pengaruh antara kualitas produk, harga dan pelayanan terhadap
kepuasan pelanggan serta dampaknya terhadap loyalitas pelanggan.
H1 : Terdapat pengaruh antara kualitas produk, harga dan pelayanan terhadap
kepuasan
pelanggan serta dampaknya terhadap loyalitas pelanggan.

mengetahui apakah Kualitas Produk, Harga, dan Pelayanan berpengaruh terhadap Kepuasan
Pelanggan serta dampaknya terhadap loyalitas pelanggan, maka:
1. X1 X2 X3  Y1

Entered Removed
Pelayanan, . Enter
1 Harga, Kualitas
Produkb
Model Summary

Square Estimate
1 .999a .997 .996 .276
a. Predictors: (Constant), Pelayanan, Harga, Kualitas Produk
ANOVAa
Model Sum of Squares df Mean Square F Sig.

Regression 169.644 3 56.548 743.815 .000b
1 Residual .456 6 .076
Total 170.100 9

b. Predictors: (Constant), Pelayanan, Harga, Kualitas Produk
Coefficientsa

Coefficients
B Std. Error Beta
(Constant) 7.681 9.238 .831 .438
Kualitas Produk -.072 .177 -.067 -.405 .700

1
Harga .471 .093 .809 5.074 .002
Pelayanan .485 .147 .264 3.290 .017
2. X1 X2 X3  Y1  Y2

Entered Removed
Kepuasan . Enter
Pelanggan,
1 Pelayanan,
Kualitas Produk,
Hargab
a. Dependent Variable: Loyalitas Pelanggan
Model Summary

Square Estimate
1 .998a .997 .994 .333
a. Predictors: (Constant), Kepuasan Pelanggan, Pelayanan, Kualitas

Produk, Harga
Coefficientsa

Coefficients
B Std. Error Beta
(Constant) -.394 11.798 -.033 .975
Kualitas Produk .693 .217 .647 3.193 .024
1 Harga .279 .258 .476 1.080 .329
Pelayanan .134 .298 .072 .449 .673

Kepuasan Pelanggan -.194 .494 -.193 -.394 .710
a. Dependent Variable: Loyalitas Pelanggan
Menghitung Koefisien Jalur

- Koefisien Jalur Model 1
1. Mengacu pada output regresi model I pada bagian table “Coefficients” dapat
diketahui bahwa nilai signfikan dari ketiga variabel yaitu X1= 0,700 X2 = 0,002 X3=
0,017, dimana nilai variabel x1= 0,700 > 0,05 sedangkan nilai signifikansi dari
variabel X2 dan X3 adalah X2= 0,002 < 0,05 dan X3= 0,017 <0.05. Hasil ini
memberikan kesimpulan bahwa regresi model I yakni variabel X1 tidak berpengaruh
signifikan terhadap variabel Y. sedangkan variabel X2 dan X3 berpengaruh signifikan
terhadap variabel Y.
2. Besarnya nilai R square yang terdapat pada table “Model Summary” adalah sebesar
0,997, hal ini menunjukkan bahwa kontribusi pengaruh X1 X2 dan X3 terhadap
variabel Y adalah sebesar 99,7%, sementar sisanya yaitu 0,3% merupakan kontribusi
dari variabel-variabel lain yang tidak dimasukkan dalam penelitian. Sementara itu,
untuk nilai e1 dapat dicari dengan rumus e1 = √1 − 0,997 = 0,054772.
Dengan demikian diperoleh diagram jalur model struktur sebagi berikut:
Kualitas Produk
(X1) -0.067 e1= 0,054772
0.809 Kepuasan
Harga (X2) Pelanggan (Y1)
Pelayanan (X3) 0.264
- Koefisien Jalur Model II

1. Mengacu pada output regresi model II pada bagian table “Coefficients” dapat
diketahui bahwa nilai signfikan dari keempat variabel yaitu X1= 0.024 X2 =
0.329 X3= 0.673 dan Y1=0.710, dimana nilai variabel x1= 0.024 < 0,05
sedangkan nilai signifikansi dari variabel X2, X3 dan Y1adalah X2= 0.329 > 0,05
dan X3= 0.673 > 0.05 dan Y1= 0.710 > 0.05. Hasil ini memberikan kesimpulan
bahwa regresi model II yakni variabel X1 berpengaruh signifikan terhadap
variabel Y. sedangkan variabel X2 dan X3 dan Y1 tidak berpengaruh signifikan
terhadap variabel Y.
2. Besarnya nilai R square yang terdapat pada table “Model Summary” adalah
sebesar 0,997, hal ini menunjukkan bahwa kontribusi pengaruh X1 X2 X3 dan
Y1 terhadap variabel Y2 adalah sebesar 99,7%, sementar sisanya yaitu 0,3%
merupakan kontribusi dari variabel-variabel lain yang tidak dimasukkan dalam
penelitian. Sementara itu, untuk nilai e1 dapat dicari dengan rumus e1 =
√1 − 0,997 = 0,054772.
Dengan demikian diperoleh diagram jalur model struktur sebagi berikut:
0.647
Kualitas Produk
(X1)
-0.067
e1= 0.054772
e1= 0,054772
Harga (X2) Kepuasan Loyalitas

0.809 Pelanggan Pelanggan (Y2)
(Y1)
-0.193
0.264
Pelayanan (X3)
0.072
Tahap Uji Hipotesis Dan Pembuatan Kesimpulan
1. Analisis pengaruh X1 terhadap Y1: dari analisis di atas diperoleh nilai signifikansi X1
sebesar 0.700 > 0.05. sehingga dapat disimpulkan bahwa secara langsung tidak terdapat
pengaruh signifikan X1 terhadap Y1.
sebesar 0.002 < 0.05. sehingga dapat disimpulkan bahwa secara langsung terdapat
7. Analisis pengaruh Y1 terhadap Y2: dari analisis di atas diperoleh nilai signifikansi Y1
pengaruh signifikan Y1 terhadap Y2.
8. Analisis pengaruh X1 melalui Y terhadap Y2: diketahui pengaruh langsung yang
diberikan X1 terhadap Y2 sebesar 0.647. Sedangkan pengaruh tidak langsung X1
melalui Y1 terhadap Y2 adalah perkalian antara nilai beta X1 terhadap Y dengan nilai
beta Y terhadap Y2 yaitu: - 0.067 x -0.193 = 0.012 Maka pengaruh total yang diberikan
X1 terhadap Y2 adalah pengaruh langsung ditambah dengan pengaruh tidak langsung
yaitu: 0.647 + 0.012 = 0.659. Berdasarkan hasil perhitungan di atas diketahui bahwa nilai
pengaruh langsung sebesar 0.647 dan pengaruh tidak langsung sebesar 0.012 yang berarti
bahwa nilai pengaruh tidak langsung lebih kecil dibandingkan dengan nilai pengaruh
langsung, hasil ini menunjukkan bahwa secara tidak langsung X1 melalui Y1 mempunyai
pengaruh yang tidak signifikan terhadap Y2.
9. Analisis pengaruh X2 melalui Y1 terhadap Y2: diketahui pengaruh langsung yang
diberikan X2 terhadap Y2 adalah sebesar 0.264. Sedangkan pengaruh tidak langsung X2
melalui Y1 terhadap Y2 adalah perkalian antara nilai beta X2 terhadap Y1 dengan nilai
beta Y1 terhadap Y2 yaitu 0.264 x -0.193 = - 0.051. Maka pengaruh total yang diberikan
yaitu: 0.476 – 0.051 = 0.425 Berdasrkan hasil perhitungan di atas diperoleh niai pengaruh
langsung sebesar 0.476 dan pengaruh tidak langsung sebesar 0.051 yang berarti bahwa
pengaruh tidak langsung lebih kecil dari pada nilai pengaruh langsung, hasil ini
menunjukkan bahwa secara tidak langsung X2 melalui Y1 tidak mempunyai pengaruh
signifikan terhadap Y2.
10. Analisis pengaruh X3 melalui Y1 terhadap Y2: diketahui pengaruh langsung yang
diberikan X3 terhadap Y2 adalah sebesar 0.072. Sedangkan pengaruh tidak langsung X2
melalui Y1 terhadap Y2 adalah perkalian antara nilai beta X2 terhadap Y1 dengan nilai
beta Y1 terhadap Y2 yaitu 0.072 x -0.193 = - 0.014. Maka pengaruh total yang diberikan
yaitu: 0.072 – 0.014 = 0.058. Berdasarkan hasil perhitungan di atas diperoleh niai
pengaruh langsung sebesar 0.072 dan pengaruh tidak langsung sebesar 0.014 yang berarti
bahwa pengaruh tidak langsung lebih kecil dari pada nilai pengaruh langsung, hasil ini
menunjukkan bahwa secara tidak langsung X3 melalui Y1 tidak mempunyai pengaruh
signifikan terhadap Y2.
Dari serangkaian pembahasan di atas, dapat ditarik kesimpulan bahwa hipotesis yang berbunyi:
“Ada pengaruh Kualitas Produk (X1), Harga (X2) dan Pelayanan (X3) Terhadap Kepuasan
Pelanggan (Y1) Serta dampaknya terhadap Loyalitas Pelanggan (Y2)” tidak dapat diterima.
Dengan kata lain produk, harga dan pelayanan tidak berpengaruh terhadap kepuasan pelanggan
dan serta dampaknya terhadap loyalitas pelanggan.
JAWABAN NO. 9 – KESTASIONERAN DERET WAKTU
a. Pengertian
Menurut Makridakis, dkk(1999: 351) stasioneritas mempunyai makna bahwa tidak terdapat
pertumbuhan atau penurunan pada data. Artinya, fluktuasi data berada di sekitar suatu nilai
rata-rata yang konstan, tidak tergantung pada waktu dan varians dari fluktuasi tersebut.
Pengujian kestasioneran data sangat diperlukan pada metode data time series. Peramalan
dapat dilakukan apabila kondisi data sudah stasioner. Data yang tidak stasioner mempunyai
3 kondisi, yaitu tidak stasioner dalam variansi, tidak stasioner dalam rata-rata, ataupun tidak
stasioner keduanya.
Gambar Stasioner dan Tidak Stasioner
b. Metode yang digunakan dalam memriksa kestationeran data deret waktu
1. Uji Signifikansi Autokorelasi
i. Signifikan atau tidaknya nilai autokorelasi melalui pengujian standar error (Se).
ii. Misalnya dengan taraf nyata α= 5% untuk ρk adalah:
iii. H0: ρk = 0. Keputusannya belum cukup bukti untuk menolak H0 bahwa ρk = 0,

berarti data stasioner
2. Uji Statistik Q
i. Uji Statistik Q dikembangkan oleh Box dan Pierce:
dimana: n = banyak sampel, m=panjang lag

ii. Jika statistik Q < ,H0 diterima, berarti data deret waktu adalah stasioner
3. Uji Statistik Ljung-Box (LB)
i. Dikembangkan oleh, dengan rumus:
m 
ˆ 2 
LB  n(n  2)  k  ~  2 m
k 1  n  1 
dimana: n = banyak sampel, m=panjang lag
ii. Jika statistik LB lebih kecil dari nilai kritis statistik tabel Chi-Square dengan taraf
nyata α maka data stasioner.
4. Uji Akar Unit (DF-Test)

i. Pengujian Dickey–Fuller (DF) dgn nilai -statistik:
ii. Hipotesis:
H0 :  = 0 (yg berarti Yt tidak stasioner)
H1 :  <0 ( yg berati Yt stasioner)
iii. Nilai -statistik dibandingkan -McKinnon Critical Values.
5. Uji Akar Unit (ADF-Test)
i. Korelasi serial antara residual dgn ΔYt, dapat dinyatakan dalam bentuk umum
proses autoregressive:
Yt  1   2t  Yt 1  1Yt 1   2 Yt 2  ...1Yt 2  et

ii. Pengujian dengan menggunakan persamaan di atas dikenal sebagai Augmented
Dickey Fuller (ADF) test.
iii. Pengujian dan aturan pengambilan keputusan atas uji ADF ini sama dengan uji DF.
6. Uji Akar Unit (PP-Test)
i. Nilai -statistik dari uji PP (Philip-Perron) dapat dihitung sbb:
dimana:
M
 j
h0  r0  2 1  rj
r 1  T
adalah spektrum dari ΔYt pada frekuensi nol, rj adalah fungsi autokorelasi pada lag
j, t0 adalah -statistik pada θ, adalah standar error dari θ , dan σ adalah standar
error uji regresi.
ii. Prosedur uji PP dapat diaplikasikan melalui cara yg sama dengan uji DF.
c. Prosedur Eviews untuk memeriksa kestationeran data

a) Melihat trend data dalam grafik
b) Menggunakan autokorelasi dan korelogram.
c) Uji akar-akar unit (unit root test)
d. Prosedur eviews untuk membuat grafik data :

i. Dari workfile klik View.
ii. Selanjutnya klik Graph:
e. Prosedur eviews untuk menghitung autokorelasi dan menampilkan korelogram :

i. Dari menu View, klik Correlogram. Muncul tampilan berikut:
 Gunakan terlebih dahulu pilihan level

pada correlogram of. Pilihan Lag to
include = 36 (by default).
 Klik OK. Akan muncul output
korelogram
contoh hasil output eviews korelogram
f. Prosedur eviews untuk melakukan unit root test :

i. Dari menu View, klik Unit Root Test. Muncul tampilan berikut:
Tentukan jenis uji. Pilihannya lihat

gambar samping kanan
contoh hasil output eviews korelogram
JAWABAN NO. 10 – REGRESI POISSON
a. Pengertian
Regresi poisson adalah salah satu regresi yang dapat menggambarkan hubungan antara
variabel respon Y dimana variabel respon berdistribusi poisson dengan variabel prediktor X.
b. Perbedaan dengan regresi linear berganda

Analisis Regresi berganda merupakan Analisa hubungan antara sebuah variabel dependent
(memiliki jenis data numerik) dengan variabel independent (memiliki jenis data numerik &
katagorik). Model ini memiliki asumsi klasik yang harus dipenuhi agar sifat dari
persamaannya yang terbentuk menjadi BLUE (Best Linier Unbias Estimation) seperti
kenormalan error, autocorrelation, homokedatisitas & multikolinieritas, sedangkan analisis
regresi poison merupakan Jenis analisa hubungan antara vaiabel independen (data
numerik/katagorik) dengan variabel independen (data count/frekuensi) dengan menggunakan
fungsi penghubung berupa distribusi poisson. Hal-hal yang akan dibahas dalam analisa
regresi poisson berupa kelayakan model, kekuatan model dan variabel independen
(prediktor) yang berpengaruh. Selain masalah tersebut, hal penting yang perlu dibahas adalah
masalah overdispersi.
c. Analisis Data
Parameter Estimates
Parameter B Std. Error 95% Wald Confidence Interval Hypothesis Test
Lower Upper Wald Chi- df Sig.

Square
(Intercept) 2.394 .1154 2.168 2.620 430.464 1 .000

[x2=0] -1.045 .2729 -1.580 -.510 14.665 1 .000
[x2=1] 0a . . . . . .
x1 .000 6.0320E-005 .000 .000 29.222 1 .000
(Scale) 1b
Dependent Variable: y
Model: (Intercept), x2, x1
a. Set to zero because this parameter is redundant.
b. Fixed at the displayed value.
Dari output parameter estimates dapat kita simpulkan bahwa:

Variabel independen X2 bernilai B = (-1,494), dimana variabel X2=0 berpengaruh negatif
terhadap Y. Hal ini diperkuat oleh nilai sig < 0,000, dengan demikian kita dapat menolak H0,
bahwa X2 tidak memberikan efek bagi Y. Variabel X2= 1 bernilai B=0, dimana pengaruhnya
sangat kecil terhadap Y, kekurangan informasi ini nilai sig tidak dapat kita tarik kesimpulan
untuk menolak H0. Model persamaanya adalah sebagai berikut: Y = 2,394– 1,045X1 + 0,000X2
JAWABAN NO. 11 – REGRESI CENSORED
a. Pengertian
Model censored regression dilakukan apabila nilai variabel terikat adalah terbatas
(LimittedDependent Variable Model). Secara umum model censored regression adalah
sebagai berikut :
Log(Yt) = β0 + β1X1t + β2X2t + et
Sumber : Ariefianto (2012)
b. Analisis Data
Pengaruh Gender, IQ dan Jam terhadap IPK
Dependent Variable: IPK

Method: ML - Censored Normal (TOBIT) (Quadratic hill climbing / EViews
legacy)
Date: 07/20/18 Time: 16:46
Sample: 1 35
Left censoring (value) at zero
Convergence achieved after 4 iterations
Coefficient covariance matrix computed using second derivatives
Variable Coefficient Std. Error z-Statistic Prob.

C -1.350462 0.684129 -1.973988 0.0484
GENDER 0.051996 0.146412 0.355135 0.7225
IQ 0.008551 0.003743 2.284941 0.0223
JAM 0.372466 0.062728 5.937793 0.0000
Error Distribution
SCALE:C(5) 0.271671 0.032471 8.366605 0.0000
Mean dependent var 3.128286 S.D. dependent var 0.561419

Avg. log likelihood -0.115775
Left censored obs 0 Right censored obs 0

Uncensored obs 35 Total obs 35
Persamaan regresi censorednya adalah sebagai berikut:

Y = -1.350462 + 0.051996gender + 0.008551iq + 0.372466jam
Kesimpulan:
1. Prob gender = 0,7225 > 0,05. Artinya Gender tidak berpengaruh terhadap IPK
2. Prob iq = 0,0223 < 0,05. Artinya IQ berpengaruh terhadap IPK
3. Prob Jam = 0.0000 < 0.05. Artinya Jam berpengaruh terhadap IPK
JAWABAN NO. 12 – REGRESI ORDINAL PLUM
a. Pengertian
Metode regresi ordinal digunakan untuk memodelkan hubungan antara variabel dependen
yang berskala ordinal.
Analisis regresi logistik digunakan untuk menjelaskan hubungan antara variabel respon
yang berupa data dikotomik/biner dengan variabel bebas yang berupa data berskala
interval dan atau kategorik
b. Analisis Data
Jumlah sebanyak 104 bank dengan perincian tingkat kesehatan untuk kategori sehat = 34, cukup
sehat = 17, kurang sehat = 24, dan tidak sehat = 29
Model Fitting Information
-2 Log
Model Likelihood Chi-Square df Sig.
Intercept Only 282.062

Final 190.787 91.275 8 .000
Link function: Logit.
Kesimpulan:
Model dengan intercept only menghasilkan 2loglikehood 282.062, sedangkan jika variable X1 sd
X8 dimasukan kedalam model, maka nilai 2loglikehood turun menjadi 190.787 dan penurunan
ini signifikan pada 0,000 yang berarti model dengan variable independen lebih baik
dibandingkan hanya model intercept only
Goodness-of-Fit
Chi-Square df Sig.
Pearson 3019.894 298 .000

Deviance 190.787 298 1.000
Goodness of it tidak begitu relevan karena banyak cell yang memiliki frekuensinol, oleh karena
itu dapat diabaikan.
Pseudo R-Square
Cox and Snell .584

Nagelkerke .626
McFadden .324
Pseudo R square menjelaskan variasi tingkat kesehatan Bank yang dapat dijelaskan oleh varasi
independen X1 sd X8 sebesar 32,4%.
Parameter Estimates
95% Confidence Interval

Estimate Std. Error Wald df Sig. Lower Bound Upper Bound
Threshold [TKS1 = 1] -202.603 93.337 4.712 1 .030 -385.540 -19.666
[TKS1 = 2] -201.210 93.316 4.649 1 .031 -384.107 -18.313
[TKS1 = 3] -199.523 93.277 4.575 1 .032 -382.343 -16.703

Location X1 28.767 19.814 2.108 1 .147 -10.069 67.602
X2 -23.615 19.616 1.449 1 .229 -62.062 14.832
X3 -38.787 17.102 5.144 1 .023 -72.306 -5.269
X4 -7.007 2.594 7.298 1 .007 -12.091 -1.923
X5 2.811 2.700 1.083 1 .298 -2.482 8.104
X6 -1.548 2.038 .576 1 .448 -5.543 2.448
X7 -.197 .306 .415 1 .519 -.796 .402
X8 .582 5.947 .010 1 .922 -11.074 12.238
Untuk parameter estimates dalam hal ini variable signifikan adalah sebagai berikut :
Logit (p1)= -202.603+28.767X1-23.615X2-38.787X3-7.007X4=2.811X5-1.548X6-.197X7+0.582X8
Logit (p1+p2) =-201.210 +28.767X1-23.615X2-38.787X3-7.007X4=2.811X5-1.548X6-.197X7+0.582X8
Logit (p1+p2+p3) =-199.523+28.767X1-23.615X2-38.787X3-7.007X4=2.811X5-1.548X6-.197X7+0.582X8
Dimana p1=probabilitasnya tidak sehat, p2 = probabilitas kurang sehat, dan p3 = probabilitas cukup sehat
Test of Parallel Linesa
-2 Log
Null Hypothesis 190.787

General 258.739b .c 16 .
The null hypothesis states that the location parameters (slope coefficients) are
the same across response categories.
a. Link function: Logit.
b. The log-likelihood value cannot be further increased after maximum number
of step-halving.
c. The log-likelihood value of the general model is smaller than that of the null
model. This is because convergence cannot be attained or ascertained in
estimating the general model. Therefore, the test of parallel lines cannot be
performed.
Uji parallel lines menilai apakah asumsi semua kategori memiliki parameter yang sama atau
tidak. Nilai yang diinginkan adalah tidak signifikan p>0,05. Hasil uji parallel line menunjukan
nilai p<0,000 yang berarti model ini tidak cocok. Untuk itu dapat dilakukan permodelan kembali
dengan memilih link function yang lain, misalkan complemintary log-log dan berikut output spss
dengan link fungction yang lain.
Pseudo R-Square
Cox and Snell .681

Nagelkerke .729
McFadden .421
Link function: Complementary

Log-log.
Nilai mc Fadden mengalami peningkatan menjadi 0,421
Parameter Estimates
95% Confidence Interval
Estimate Std. Error Wald df Sig. Lower Bound Upper Bound
Threshold [TKS1 = 1] -65.645 38.888 2.849 1 .091 -141.865 10.574
[TKS1 = 2] -64.906 38.881 2.787 1 .095 -141.111 11.298
[TKS1 = 3] -63.993 38.870 2.710 1 .100 -140.176 12.190

Location X1 8.378 7.017 1.426 1 .232 -5.375 22.132
X2 -6.255 6.985 .802 1 .371 -19.944 7.435
X3 -11.655 6.242 3.487 1 .062 -23.888 .579
X4 -3.738 1.435 6.784 1 .009 -6.552 -.925
X5 .368 1.387 .070 1 .791 -2.351 3.087
X6 -1.277 1.193 1.147 1 .284 -3.616 1.061

X7 .065 .120 .295 1 .587 -.170 .300
X8 1.847 3.871 .228 1 .633 -5.740 9.434
Link function: Complementary Log-log.
Test of Parallel Linesa
-2 Log
Null Hypothesis 163.271

General 151.871b 11.400c 16 .784
The null hypothesis states that the location parameters (slope coefficients) are
the same across response categories.
a. Link function: Complementary Log-log.
b. The log-likelihood value cannot be further increased after maximum number
of step-halving.
c. The Chi-Square statistic is computed based on the log-likelihood value of
the last iteration of the general model. Validity of the test is uncertain.
Uji parallel menunjukkan nilai p > 0,05 jadi model sudah sesuai.
JAWABAN 13 – VALIDITAS DAN RELIABILITAS INSTRUMEN PENELITIAN
a. Pengertian
- Validitas menunjukkan keadaan yang sebenarnya dan mengacu pada kesesuaian antara
konstruk, atau cara seorang peneliti mengkonseptualisasikan ide dalam definisi
konseptual dan duatu ukuran. Uji validitas digunakan untuk mengukur sah atau valid
tidaknya suatu kuisioner.
- suatu kuisioner dikatakan valid jika pertanyaan pada kuisioner mampu untuk
mengungkapkan sesuatu yang akan diukur oleh kuisioner tersebut.
- Reliabilitas merujuk pada konsistensi skor yang dicapai oleh orang yang sama ketika
mereka diuji ulang dengan tes yang sama pada kesempatan yang berbeda, atau dengan
seperangkat butir-butir ekuivalen (equivalent items) yang berbeda, atau di bawah kondisi
pengujian yang berbeda. Reliabilitas sebenarnya adalah alat untuk mengukur suatu
kuisioner yang merupakan indicator dari variable atau konstruk.
- Suatu kuisioner dikatakan reliabel atau handal jika jawaban seseorang terhadap
pertanyaan adalan konsisten atau stabil dari waktu ke waktu.
b. Bagaimana mengetahui instrument valid

Hasil penelitian yang valid bila terdapat kesanmaan antara data yang terkumpul dengan data
yang sesungguhnya terjadi pada objek yang diteliti, sedangkan hasil penelitian yang reliabel
bila terdapat kesamaan data dalam waktu yang berbeda. Di sisi lain, instrument yang valid
berarti instrument yang digunakan untuk mendapatkan data bisa mengukur apa yang
seharusnya diukur, sedangkan instrument yang reliabel adalah instrument yang bila
digunakan beberapa kali untuk mengukur objek ang sama dapat menghasilkan data yang
sama (Sugiyono, 2010)
Uji Reliabilitas
1. Autonom
Reliability Statistics
Cronbach's Cronbach's N of Items

Alpha Alpha Based on
Standardized
Items
.768 .773 4
Inter-Item Correlation Matrix
AUTONOM1 AUTONOM2 AUTONOM3 AUTONOM4
AUTONOM1 1.000 .520 .429 .633

AUTONOM2 .520 1.000 .349 .380
AUTONOM3 .429 .349 1.000 .449
AUTONOM4 .633 .380 .449 1.000
Item-Total Statistics
Scale Mean if Scale Variance Corrected Item- Squared Cronbach's

Item Deleted if Item Deleted Total Multiple Alpha if Item
Correlation Correlation Deleted
AUTONOM1 6.97 4.318 .680 .502 .650

AUTONOM2 7.01 4.449 .512 .291 .751
AUTONOM3 7.07 5.053 .493 .253 .750
AUTONOM4 7.19 4.907 .612 .440 .694
Hasil output SPSS tersebut menunjukkan bahwa konstruk Autonom memberikan nilai
Cronbach alpha sebesar 77.3%. yang menurut kriteria nunnally (1994) bisa dikatakan reliabel.
2. Routine

Alpha Alpha Based on
Standardized
Items
.669 .671 4
ROUTINE1 ROUTINE2 ROUTINE3 ROUTINE4
ROUTINE1 1.000 .406 .341 .725

ROUTINE2 .406 1.000 .169 .237
ROUTINE3 .341 .169 1.000 .151
ROUTINE4 .725 .237 .151 1.000
ROUTINE1 10.04 6.042 .726 .624 .407

ROUTINE2 10.09 7.674 .347 .172 .671
ROUTINE3 9.94 8.287 .275 .137 .711
ROUTINE4 10.17 6.927 .501 .539 .567
Berdasarkan hasil output SPSS diatas, atas konstruk Routine juga menghasilkan nilai
Cronbach Apla sebesar 67.1% yang menurut kriteria nunnally (1994) dapat disimpulkan
bahwa variable routib kurang reliabel.
3. Satis

Alphaa Alpha Based on
Standardized
Itemsa
-.328 -.348 4
a. The value is negative due to a negative

average covariance among items. This violates
reliability model assumptions. You may want to
check item codings.
SATIS1 SATIS2 SATIS3 SATIS4
SATIS1 1.000 -.082 .188 -.375

SATIS2 -.082 1.000 -.209 .244
SATIS3 .188 -.209 1.000 -.180
SATIS4 -.375 .244 -.180 1.000

SATIS1 9.19 3.719 -.156 .157 -.158a

SATIS2 8.77 2.846 -.035 .089 -.470a
SATIS3 8.90 3.483 -.137 .079 -.192a
SATIS4 8.63 3.686 -.162 .192 -.142a
a. The value is negative due to a negative average covariance among items. This violates reliability
model assumptions. You may want to check item codings.
Berdasarkan hasil output SPSS diatas, atas konstruk Satis juga menghasilkan nilai Cronbach
Apla sebesar -34.8% yang menurut kriteria nunnally (1994) dapat disimpulkan bahwa variable
Satis kurang reliabel.
Uji Validitas
1. Routine
Correlations
ROUTINE1 ROUTINE2 ROUTINE3 ROUTINE4 ROUTINE
Pearson Correlation 1 .406** .341** .725** .868**
ROUTINE1 Sig. (2-tailed) .000 .004 .000 .000
N 70 70 70 70 70
Pearson Correlation .406** 1 .169 .237* .646**
N 70 70 70 70 70
Pearson Correlation .341** .169 1 .151 .582**
N 70 70 70 70 70
Pearson Correlation .725** .237* .151 1 .743**
N 70 70 70 70 70
Pearson Correlation .868** .646** .582** .743** 1
ROUTINE Sig. (2-tailed) .000 .000 .000 .000
N 70 70 70 70 70

*. Correlation is significant at the 0.05 level (2-tailed).
Berdasarkan tampilan output SPSS diatas terlihat bahwa korelasi antara masing-masing
indicator (routine1 s.d routine4) terhadap total score kontruk (routine) menunjukkan hasil
yang signifikan. Jadi, dapat disimpulkan masing-masing indicator pertanyaan adalah valid.
2. Autonom
Correlations
AUTONOM1 AUTONOM2 AUTONOM3 AUTONOM4 AUTONOM
Pearson Correlation 1 .520** .429** .633** .837**
AUTONOM1 Sig. (2-tailed) .000 .000 .000 .000
N 70 70 70 70 70
Pearson Correlation .520** 1 .349** .380** .758**
N 70 70 70 70 70
Pearson Correlation .429** .349** 1 .449** .711**
N 70 70 70 70 70
Pearson Correlation .633** .380** .449** 1 .776**
N 70 70 70 70 70
AUTONOM Sig. (2-tailed) .000 .000 .000 .000
N 70 70 70 70 70
indicator (autonom1 s.d autonom4) terhadap total score kontruk (autonom) menunjukkan
hasil yang signifikan. Jadi, dapat disimpulkan masing-masing indicator pertanyaan adalah
valid
3. Satis
Correlations
SATIS1 SATIS2 SATIS3 SATIS4 SATIS
Pearson Correlation 1 -.082 .188 -.375** .377**
SATIS1 Sig. (2-tailed) .498 .119 .001 .001
N 70 70 70 70 70
Pearson Correlation -.082 1 -.209 .244* .573**
SATIS2 Sig. (2-tailed) .498 .082 .041 .000
N 70 70 70 70 70
Pearson Correlation .188 -.209 1 -.180 .439**
SATIS3 Sig. (2-tailed) .119 .082 .136 .000
N 70 70 70 70 70
Pearson Correlation -.375** .244* -.180 1 .389**
SATIS4 Sig. (2-tailed) .001 .041 .136 .001
N 70 70 70 70 70
SATIS Sig. (2-tailed) .001 .000 .000 .001
N 70 70 70 70 70

*. Correlation is significant at the 0.05 level (2-tailed).
indicator (satis1 s.d satis4) terhadap total score kontruk (satis) menunjukkan hasil yang
signifikan. Jadi, dapat disimpulkan masing-masing indicator pertanyaan adalah valid
d) R Square
Date: 07/18/18 Time: 18:58
Sample: 1 150
C 8.798824 2.458586 3.578815 0.0005

HARGA_X1 -0.103486 0.164793 -0.627974 0.5310
PENDAPATAN_X2 -0.101239 0.195559 -0.517689 0.6055

Berdasarkan hasil pengujian diatas Mengahasilkan R-Square sebesar 0.004415 yang

berarti bahwa variabilitas variabel dependen yaitu penjualan yang dapat dijelaskan oleh
variabel independen yaitu harga dan pendapatan atau hanya berkontribusi sebesar
0,4415%
e) Uji F (ANOVA)
Date: 07/18/18 Time: 18:58
Sample: 1 150
C 8.798824 2.458586 3.578815 0.0005

HARGA_X1 -0.103486 0.164793 -0.627974 0.5310
PENDAPATAN_X2 -0.101239 0.195559 -0.517689 0.6055

Berdasarkan hasil dari output di atas bahwa menunjukan secara simultan nilai Sig.
sebesar 0,722342 < 0,05 yang berarti harga dan pendapatan berpengaruh secara
simultan terhadap volume penjualan. Maka dapat disimpulkan baik secara parsial harga
dan pendapatan tidak berpengaruh terhadap volume penjualan.
f) Kesimpulan
- Model Summary menunjukkan nilai R-Square, dimana pada table ini akan
menunjukkan persentase kontribusi variable independent yaitu Harga dan
Pendapatan terhadap variable dependen yaitu Penjualan, yang jika diselisihkan
dengan nilai 100% maka selisihnya adalah kontribusi variasi variable lain yang
tidak diteliti.
- ANOVA menunjukkan nilai Prob (F-Statistic) yang menyatakan pengaruh secara
simultan dari variable independent yaitu Harga dan Pendapatan terhadap variable
dependen yaitu Penjualan.
- Coeficients menunjukkan nilai persamaan regresi. Jika nilai probabilitasnya
signifikan, maka nilai coefficient ini menunjukkan besaran serta arah pengaruh
dari variable independent terhadap variable dependen (jika + maka memeliki
pengaruh yang searah, jika – memiliki pengaruhi yang berlawan)

1

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

1

Diunggah oleh

Hak Cipta:

Format Tersedia

SOAL 1

Dependent Variable: PENJUALAN_Y

Variable Coefficient Std. Error t-Statistic Prob.

C 8.798824 2.458586 3.578815 0.0005

R-squared 0.004415 Mean dependent var 6.873333

b) Uji Asumsi Klasik

H1 : Residual tidak normal

Kriteria : H0 ditolak jika Probability < 0,05

Interpretasi : Prob = 0,053552. Prob > 0,05, maka H0 diterima.

Artinya, residual berdistribusi normal.

F-statistic 0.607277 Prob. F(2,147) 0.5462

Variable Coefficient Std. Error t-Statistic Prob.

C 11.82449 8.568004 1.380075 0.1697

R-squared 0.008195 Mean dependent var 8.698710

Kriteria: H0 ditolak jika Prob < 0,05

Artinya terdapat homoskedastisitas atau terbebas dari heteroskedastisitas.

F-statistic 1.805492 Prob. F(2,145) 0.1681

Variable Coefficient Std. Error t-Statistic Prob.

C 0.023273 2.462815 0.009450 0.9925

R-squared 0.024298 Mean dependent var -1.39E-16

H0 : tidak ada autokorelasi

Coefficient Uncentered Centered

Interpretasi: VIF = 1,000264 < 10, maka tidak terdapat multikolinearitas.

c) Prediksi Volume Penjualan

PENJUALAN_Y = 8.79882358192 - 0.103485502288(1) - 0.101238865654(1)

Adalah sebesar Rp. 8.594099214

Variable Coefficient Std. Error t-Statistic Prob.

C 8.798824 2.458586 3.578815 0.0005

R-squared 0.004415 Mean dependent var 6.873333

Berdasarkan hasil pengujian diatas Mengahasilkan R-Square sebesar 0.004415 yang

Variable Coefficient Std. Error t-Statistic Prob.

C 8.798824 2.458586 3.578815 0.0005

R-squared 0.004415 Mean dependent var 6.873333

d. Analisis Data berupa Output Software dan Penjelasan Output

Variables entered/Removed ini menjelaskan tentang variable penelitian, dimana di

Variable Coefficient Std. Error t-Statistic Prob.

C 11.25115 1.198261 9.389563 0.0000

R-squared 0.012082 Mean dependent var 10.30667

b. Perlu dilakukan uji asumsi klasik ?

c. Prediksi Produktivitas, jika Jenis Kelamin dan Masa Kerja:

PRODUKTIVITAS = 11.2511477705 - 0.420789574783*JENIS_KELAMIN -

Variable Coefficient Std. Error t-Statistic Prob.

C 11.25115 1.198261 9.389563 0.0000

R-squared 0.012082 Mean dependent var 10.30667

Variable Coefficient Std. Error t-Statistic Prob.

C 11.25115 1.198261 9.389563 0.0000

R-squared 0.012082 Mean dependent var 10.30667

d. Analisis Data berupa Output Software dan Penjelasan Output

Variable Coefficient Std. Error t-Statistic Prob.

C 5.679637 0.951673 5.968055 0.0000

R-squared 0.000876 Mean dependent var 5.983333

Dependent Variable: LOYALITAS

Method: Least Squares

Date: 07/21/18 Time: 15:04

Included observations: 120

Variable Coefficient Std. Error t-Statistic Prob.

C 5.694783 1.288383 4.420099 0.0000

LAYANAN 0.027218 0.085066 0.319965 0.7496

KEPUASAN -0.001271 0.072492 -0.017530 0.9860

R-squared 0.000878 Mean dependent var 5.983333

Adjusted R-squared -0.016201 S.D. dependent var 1.283269

S.E. of regression 1.293622 Akaike info criterion 3.377451

Sum squared resid 195.7946 Schwarz criterion 3.447139

Log likelihood -199.6471 Hannan-Quinn criter. 3.405752

LOYALITAS = 5.69478264962 + 0.0272181251426LAYANAN - 0.00127075843643KEPUASAN

PENJUALAN_Y_ = -105.054825768 + 0.0918673615557DISTRIBUSI_X1_ + 0.123244631764PROMOSI_X2_

PENJUALAN_Y_ = 11.8895643534 + 0.0265089881627DISTRIBUSI_X1_ + 0.507155188625PROMOSI_X2_

Pearson Correlation 1 .991 .964 .989**