LAPORAN AKHIR PRAKTIKUM

STATISTIKA INDUSTRI

Disusun Oleh:

Kelompok / Kelas : 3 (Tiga) / 2ID09

Nama (NPM) : 1. Matri Yanti Hasugian (34418020)
2 Nurul Asfin Sanjaya. (35418459)
3. Yeremia fransiscus ()
4. M. Haiqal Firdaus (34418659)
Hari / Shift : Sabtu/ I (Satu)
Modul : Regresi
Nilai :
Paraf Asisten :

LABORATORIUM TEKNIK INDUSTRI DASAR

JURUSAN TEKNIK INDUSTRI
FAKULTAS TEKNOLOGI INDUSTRI
UNIVERSITAS GUNADARMA
BEKASI
2019
 BAB 1
PENDAHULUAN

1.1 Latar belakang

PT. GOJACKET menginginkan produk mereka laku di pasar masyarakat. Hal
itu tidak terlepas dari variabel-variabel penunjang dalam proses produksi.
Variabel-variabel tersebut sangat mempengaruhi tingkat efisien dan efektivitas
pekerja dalam menghasilkan produk. Maka dari itu diperlukan pemilihan variabel-
variabel yang sesuai dengan kebutuhan produksi perusahaan.
Hal ini dapat dilakukan dengan cara regresi. Regresi adalah suatu metode
analisis statistik yang digunakan untuk melihat pengaruh antara dua atau lebih
variabel dengan menggunakan teknik peramalan. Hubungan antar variabel
tersebut bersifat fungsional yang diwujudkan dalam suatu model matematis. Pada
analisis regresi, variabel dibedakan menjadi dua bagian, yaitu variabel
respons (response variable) atau biasa juga disebut variabel
bergantung (dependent variable) dan variabel explanory atau biasa disebut
penduga (predictor variable) atau disebut juga variabel bebas (independent
variabel).
Perusahaan akan menghitung Regresi dari variabel yang akan diteliti, variabel
yang diteliti pada perusahaan ini yaitu mencari bagaimana hubungan antara
jumlah buruh yang bekerja dapat mempengaruhi target produksi perusahaan.
Perusahaan mengharapkan dari perhitungan ini dapat menghasilkan hubungan
antara kedua variabel dan nilai dari kedua variabel tersebut apakah perusahaan
akan melihat keuntungan yang diperoleh di setiap bulannya atau tidak. Dari
perhitungan tersebut akan terlihat kestabilan dan efektivitas para buruh bekerja
dalam mencapai target produksi secara efisien.

1.2 Tujuan Penelitian

Tujuan dari penelitian ini adalah mengetahui analisis banyak target
produksi yang akan dicapai oleh para buruh pekerja dan dapat menarik
kesimpulan dari hasil analisis Regresi . Berikut ini adalah tujuan dari penelitian :
1. Mengetahui seberapa jauh pengaruh antar hubungan dua variabel tersebut .
2. Mengetahui hasil perhitungan Regresi antara Target produksi (X) dan
Jumlah buruh (Y).
3. Mengetahui perbedaan jumlah produksi dari jumlah buruh dipakai setiap
bulan yang dikeluarkan .
 BAB II
PEMBAHASAN DAN ANALISIS

2.1 Studi Kasus

PT. GOJACKET merupakan sebuah perusahaan yang bergerak dalam bidang
konveksi pembuatan jaket . Barang yang diproduksi ini akan di jual di toko resmi
perusahaan dan Distributor yang ingin menjualkan jaket kami. Perusahaan
mengharapkan hasil produksi ini akan mendapatkan banyaknya dampak positif
dari hasil produksi dan kepuasan dari kualitas/kuantitas Jaket tersebut .
Perusahaan ingin melihat pengaruhnya target produksi (Y) dengan Jumlah buruh
(X) dari pembutan jaket . Berikut merupakan hasil dari Pengamatan yang
dilakukan selama 36 bulan .
Tabel 2.1 Data PT.GOJACKET
Bulan Jumlah buruh Target Bulan Jumlah buruh Target
ke (X) produksi (Y) ke (X) produksi (Y)
1 15 72 19 16 77
2 16 77 20 19 93
3 17 82 21 19 93
4 18 85 22 17 84
5 18 86 23 17 84
6 15 72 24 20 96
7 20 95 25 15 73
8 19 90 26 16 76
9 19 91 27 17 84
10 17 83 28 18 87
11 16 76 29 19 90
12 15 73 30 20 96
13 20 95 31 16 78
14 16 78 32 15 74
15 17 81 33 18 88
16 18 87 34 20 96
17 20 96 35 19 93
18 20 96 36 20 96
Tabel diatas menunjukan hasil dari pengamatan yang dilakukan oleh
PT.GOJACKET selama 36 bulan. Berdasarkan tabel data diatas perusahaan ingin
mencari informasi tentang persamaan garis liniear yang didapat antara variabel X
(Jumlah buruh) dengan variabel Y (target produksi) dengan menentukan : nilai a
(intersep), nilai b (slope) dan menetukan persamaan garis liniear regresi.
 BAB III
HASIL DAN PEMBAHASAN
3.1 PENGUJIAN DATA
Pengujian data yaitu proses yang dilakukan dalam mengukur hal yang
diperlukan dalam perhitungan. Dalam pengejuian data ini ada aplikasi yang
memudahkan untuk menguji kelayakan dari data yang akan digunakan.
Pengujian data dapat dilakukan menggunakan Microsoft excel dimana
aplikasi ini sangat membantu untuk medapatkan data yang lebih optimal (layak)
digunakan untuk pengamatan selanjutnya yaitu dengan mengamati diagram
pencarnya. Dengan cara menentukan data dari jumlah buruh dan banyaknya target
produksi kemudian menguji data dengan Memblok keseluruhan data yang ada
pada microsoft excel.

(gambar 3.1 memblok data)

Setalah data diblok, lalu memilih charts, dan pilih icon diagram scatter.

(gambar 3.1 icon scatter)

 Diagram scatter ini digunakan untuk melihat bahwa data yang telah dibuat
ditabel apakah sudah naik/trend atau belum. Menggunakan diagram scatter dapat
memudahkan kita melihat kenaikan dari data tersebut.
120
100
80
60
Series1
40
20
0
0 5 10 15 20 25

(gambar 3.1 diagram scatter)

3.2 PENGOLAHAN DATA

Pengolahan data adalah suatu proses mengubah data menjadi bentuk yang
lebih sempurna. Pengolahan data ini tidak hanya berupa perhitungan numeric
tetapi juga mengklasifikasikan data dari satu tempat ke tempat lain. Pengolahan
data terbagi menjadi 2 yaitu perhitungan manual dan pengolahan software.
Berikut ini adalah cara perhitungan secara manual dan pengolahan software.

3.2.1 Perhitungan Manual

Perhitungan manual adalah salah satu cara menghitung dengan

menggunakan kalkulator dengan rumus-rumus yang telah ditentukan tanpa
menggunakan software. Dalam perhitungan manual ini sangat dibutuhkan
ketelitian saat memasukkan angka dan membaca hasil dari perhitungan manual
tersebut. Berikut merupakan perhitungan manual:

Tabel 3.2.1 Tabel Perhitungan

Bulan
ke X Y X² Y² XY
1 15 72 225 5184 1080
2 16 77 256 5929 1232
3 17 82 289 6724 1394
4 18 85 324 7225 1530
5 18 86 324 7396 1548
 6 15 72 225 5184 1080
7 20 95 400 9025 1900
8 19 90 361 8100 1710
9 19 91 361 8281 1729
10 17 83 289 6889 1411
11 16 76 256 5776 1216
12 15 73 225 5329 1095
13 20 95 400 9025 1900
14 16 78 256 6084 1248
15 17 81 289 6561 1377
16 18 87 324 7569 1566
17 20 96 400 9216 1920
18 20 96 400 9216 1920
19 16 77 256 5929 1232
20 19 93 361 8649 1767
21 19 93 361 8649 1767
22 17 84 289 7056 1428
23 17 84 289 7056 1428
24 20 96 400 9216 1920
25 15 73 225 5329 1095
26 16 76 256 5776 1216
27 17 84 289 7056 1428
28 18 87 324 7569 1566
29 19 90 361 8100 1710
30 20 96 400 9216 1920
31 16 78 256 6084 1248
32 15 74 225 5476 1110
33 18 88 324 7744 1584
34 20 96 400 9216 1920
35 19 93 361 8649 1767
36 20 96 400 9216 1920
637 3073 11381 264699 54882

Persamaan Garis Linier Regresi

Regresi berarti peramalan, menaksiran, atau pendugaan. Analisis regresi
digunakan untuk menentukan bentuk (dari) hubungan antar variabel. Tujuan
utama dalam penggunaan analisis ini adalah meramalkan atau memperkirakan
nilai dari satu variabel dalam hubungannya (M.iqbal Hasan, 2002). Bentuk
persamaan garis linear adalah sebagai berikut:
 Y = a + bX
Keterangan :
Y = Variabel Terikat
X = Variabel Bebas
a = intersep
b = koefisien regresi/ slop

a. Nilai a (intersep) :
(∑Y)(∑ X2 )−(∑X)(∑XY)
a= (n)(∑X2 )−(∑X)2

(3073.11381) −(637.54882)
a=
(36.11381) − (637)²
(34973813) − (34959834)
a=
(409716) − (405769)
a =3,5416
Berdasarkan perhitungan koefisien regresi nilai a (intersep) adalah sebesar
3,5416 . Nilai koefisien regresi (intersep) antara jumlah buruh (x) dengan target
produksi (y) ini yang akan dimasukkan kedalam persamaan regresi( Y= a + bX).

b.Nilai b :
(𝑛)(∑𝑋𝑌) − (∑𝑋)(∑𝑌)
𝑏=
(𝑛)(∑𝑋 2 ) − (∑𝑋)2
(36).(54882) − (637).(3073)
𝑏=
(36).(11381) − (637)²
1975752−1957501
𝑏=
409716−405769
18251
𝑏=
3947
𝑏 = 4,6240
Berdasarkan perhitungan koefisien regresi nilai b (slope) adalah sebesar
4,6240. Nilai koefisien regresi (slope) antara jumlah buruh (x) dengan target
produksi (y) ini akan dimasukkan kedalam persamaan regresi sederhana (Y= a +
bX).
c. Persamaan regresi linear sederhananya
Y = a + bX
Y = 3,5416 + 4,6240X
Maka persamaan regresi linear senderhana dari data diatas adalah
Y=3,5416 + 4,6240X.

3.2.2 Pengolahan Software

Perhitungan software dilakukan dengan menggunakan aplikasi SPSS 16.0.
Perhitungan software dikatakan lebih praktis karena tidak memerlukan waktu
yang lama dalam melakukan perhitungan. Perhitungan software ini
akandiaplikasikan pada saat perhitungan regresi.
Langkah awal setelah membuka jendela apliaksi SPSS 16.0 yaitu memilih
variable view lalu memasukan variabel bulan ke pada kolom name pertama,
variable jumlah buruh pada kolom name kedua, dan variabel target produksi pada
kolom name ketiga. Seperti gambar dibawah:

(gambar3.2.2 nama variabel)

Langkah kedua mengisi variabel view name yaitu bulan ke, jumlah buruh
dan target produksi. Pilih Type numeric karna digunakan untuk memasukan data
berupa angka. Dan lalu pada kolom measure ubah data dalam bentuk nominal.
 (gambar 3.2.2 tabel data view)
Langkah ketiga klik data view pada option , lalu muncul gambar seperti
diatas yaitu tabel variabel view. Variabel view ini digunakan untuk memasukkan
data dari bulan ke, jumlah buruh dan target produksi.

(gambar 3.2.2 input data)

Langkah keempat yaitu menginput 36 data dari masing-masing variabel
yaitu variabel jumlah buruh dan target produksi.
 (gambar 3.2.2 menu analyze)
Langkah kelima yaitu melakukan perhitungan software, langkah-langkah
untuk melakukan perhitungan software dengan mengklik menu analyze, lalu pilih
menu regression dan memilih linear.

(gambar 3.2.2 Kotak Diaglog Linear Regression)

Langkah keenam pada kotak dialog linear regression, selanjutnya
memindahkan variabel jumlah buruh (x) kedalam kolom independent dan target
produksi (y) ke dalam kolom dependent serta variabel (bulan ke-) ke dalam kolom
case label.
 (gambar 3.2.2 dialog statistic)
Langkah ketujuh yaitu memilih menu statistik, setelah muncul kota dialog
statistic memilih menu yang akan digunakan pada tampilan regression coefficient
yaitu estimates, model fit, descriptive. Menu Residuals yang di gunakan adalah
durbin Watson, casewise diagnostics, dan all case dan klik continue.

(gambar3.2.2 scatter 1))

Langkah kedelapan yaitu, klik menu plots kemudian muncul kotak dialog
linear regression, pada menu plots pindahkan variabel SDRESID kedalam sumbu
Y, dan memindahkan ZPRED ke dalam sumbu X, dan klik pada menu next

(gambar 3.2.2 scatter 2)

 Langkah kesembilan, memindahkan variabel ke scatter 2 of 2, langkah
yang dilakukan yaitu memindahkan ZPRED ke dalam variabel Y dan
memindahkan DEPENDENT ke dalam variabel X. Dan klik menu continue.

(gambar 3.2.2 Kotak Dialog Linear Regression: Options)

Output muncul setelah semua tahapan-tahapan dilakukan. Output yang
akan dihasilkan adalah 7 tabel dan 3 grafik. Output tersebut antara lain

(gambar 3.2.2 tabel statistik deskriptif)

Rata-rata banyaknya permintaan mendapatkan hasil sebesar 22,14

dengan N merupakan banyaknya data yang digunakan, yaitu data yang
digunakan sebanyak 36, sedangkan jumlah iklan mendapatkan hasil rata-rata
sebesar 11,28 dengan N adalah banyaknya data yang digunakan 36 data

(gambar3.2.2 tabel korelasi)

Nilai korelasi pearson jumlah iklan terhadap banyaknya permintaan

mendapatkan hasil sebesar 0,977 berdasarkan keeratan hubungan korelasi
tersebut bahwa nilai 0,977 terdapat korelasi yang positif dan kuat sekali,
karena apabila jumlah iklan banyak maka jumlah permintaan akan meningkat,
 dengan N merupakan banyaknya data yang digunakan dalam perhitungan ini
sebesar 36 data,

(gambar 3.2.2 tabel variabel entered/removed)

Output variabel entered/removed Gambar diatas menjelaskan tentang variabel

yang dimasukkan atau dibuang dan metode yang digunakan. Dalam hal ini
variabel yang dimasukkan adalah variabel jumlah iklan sebagai predictor dan
metode yang digunakan adalah metode enter.

(gambar 3.2.2 tabel model summary)

Hasil output model summary menjelaskan besarnya nilai

korelasi/hubungan (R) yaitu sebesar 0,977 dan besarnya presentase pengaruh
variabel bebas yaitu iklan (x) terhadap variabel terikat yaitu banyaknya
permintaan (y) yang disebut koefisien determinasi yang merupakan hasil dari
pengkuadratan R, dari output tersebut diperoleh koefisien determinasi (R2)
sebesar 0,955, yang mengandung pengertian bahwa pengaruh variabel bebas
yaitu iklan (x) terhadap variabel terikat yaitu banyaknya permintaan (y)
adalah sebesar 9,55%, sedangkan sisanya dipengaruhi oleh variabel yang lain

(gambar 3.2.2 tabel cofficients)

Tabel coefficients pada kolom B dan pada constant adalah -1,742,

sedangkan nilai jumlah iklan (x) adalah 2,118 sehingga persamaan regresinya
dapat ditulis Y = a + b X atau -1,742+2,118X
 (gambar 3.2.2 tabel casewise diagnotic)

(gambar 3.2.2 tabel residual statistic)

Pada bagian ini ditampilkan daftar hasil-hasil dari residual statistik yang
merupakan pilihan pada bagian statistik. Hal ini menunjukkan adanya hubungan
jumlah produksi dengan jumlah investor. Output pada residual statistics dibawah
menghasilkan Predicted value dengan nilai minimum 8.85 dan nilai maksimum
34.26, rata-ratanya 22.14. dan nilai bakunya 6.859. Nilai std. predicted value
menghasilkan nilai minimum -1.938 dan nilai maksimum 1.767, dan rata-rata
sebesar 0,000, nilai baku 1000. Nilai std. error of predicted value yang
menghasilkan nilai minimum 0.253 dan nilai maksimum 0.556, serta nilai rata-
rata sebesar 0.345 dan nilai baku sebesar 0.090. Didapatkan pula nilai residual
minimum -2.903 dan nilai maksimum 2.862, serta nilai rata-rata sebesar 0,000 dan
nilai baku sebesar 1.490 dan yang terakhir yaitu std.residual didapatkan nilai
minimum -1.921, nilai maksimum 1.893 , nilai rata-rata sebesar 0,000 dengan
nilai baku sebesar 0,986 dari jumlah data sebanyak 36.

(gambar 3.2.2 Dependent Variable scatterplot 1 )

Output jumlah produksi pada Dependent Variable scatterplot 1 didapatkan

dari hasil pengamatan yang ada dengan garis mendatar (sumbu X) dan garis tegak
lurus (sumbu Y) residual. Diagram menunjukan data menyebar atau berpencar,
hal ini berarti data bersifat fluktuatif atau naik turun.

(gambar 3.2.2 regression standardized predictate value)

Output diatas merupakan hasil dari variabel jumlah produksi dependent

dari regresi linear. Scatterplot dengan sumbu X dan sumbu Y nilai dari regression
standardized predicted value. Diagram menunjukkan data tertera dari kiri bawah
ke kanan atas hal ini berarti nilai regresi telah terpenuhi.

(gambar 3.2.2 regression standardized predictate value)

Berdasarkan output scatterplot diatas, terlihat bahwa titik-titik menyebar

dan tidak membentuk pola tertentu yang jelas, sehingga dapat disimpulkan bahwa
tidak terjadi masalah. Uji heteroskedastisitas dengan melihat grafik scatterplot
mempunyai kelemahan yang cukup signifikan sebab jumlah pengamatan tertentu
sangan mempengaruhi hasil ploting
.