Words Aplikom Andhini Tugas 2 Fix
Words Aplikom Andhini Tugas 2 Fix
NPM: 173112340250138
UNIVERSITAS NASIONAL
JAKARTA
2020
Regresi Linear Berganda
A. KASUS
Kasus yang digunakan adalah kasus pengaruh jumlah kerusakan mesin, harga bahan baku,
dan jumlah tenaga kerja terhadap total produksi pada PT. XYZ yang merupakan perusahaan yang
bergerak dibidang Heat Exchanger. Berikut adalah data-data yang diperoleh dari PT. XYZ:
B. Variabel Penelitian
Menurut Suharsimi Arikunto (1998: 99), variabel penelitian adalah objek penelitian atau
apa yang menjadi perhatian suatu titik perhatian suatu penelitian.
Variabel penelitian yang digunakan meliputi variabel X yang terdiri atas X1, X2, dan X3.
Variabel X1 berupa jumlah kerusakan mesin (dalam satuan mesin), variabel X2 yaitu harga bahan
baku (dalam jutaan rupiah), dan variabel X3 yang merupakan jumlah tenaga kerja (dalam satuan
jiwa). Sedangkan untuk variabel Y adalah total produksi (dalam satuan kilogram).
1. Uji Normalitas
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Analisis:
Ho: Sampel berasal dari populasi yang berdasarkan normal
H1: Sampel yang tidak berasal dari populasi yang berdasarkan normal
Kriteria: P-Value > α = 0,05
Dari tabel:
Faktor Sig Kesimpulan Sig Shapiro- Kesimpulan
Kolmogorov- Wilk
Smirnov
Jumlah Produksi 0,000 Tidak Normal 0,000 Tidak Normal
Jumlah 0,122 Normal 0,102 Normal
Kerusakan Mesin
Harga Bahan 0,006 Tidak Normal 0,034 Tidak Normal
Baku
Jumlah Tenaga 0,000 Tidak Normal 0,012 Tidak Normal
Kerja
2. Uji Homogenitas
Jumlah Produksi
5.806 7 16 .002
Analisis:
Ho: Varian pada tiap kelompok sama
H1: Varian pada tiap kelompok tidak sama
Kriteria: P-Value > α = 0,05
Dari table: Sig = 0,002 < α = 0,05, Ho ditolak.
Kesimpulan: Secara signifikan, kelompok data tidak homogeny atau homogeneritas tidak
dipenuhi.
3. Uji Linearitas
ANOVA Table
Sum of Mean
Squares df Square F Sig.
Jumlah Between (Combined) 569624,500 14 40687,464 2,030 ,093
Produksi Groups
* Jumlah Linearity 226961,325 1 226961,325 11,325 ,004
Tenaga
Kerja Deviation 342663,175 13 26358,706 1,315 ,303
from
Linearity
Within Groups 300613,667 15 20040,911
Total 870238,167 29
Analisis:
Ho: Tidak terdapat hubungan linier variabel jumlah tenaga kerja dengan jumlah produksi
H1: Terdapat hubungan linier variabel jumlah tenaga kerja dengan jumlah produksi
Kriteria:
Sig deviation from linearity < 0,05 = Ho diterima
Sig deviation from linearity > 0,05 = Ho ditolak
Dari tabel: Sig deviation from linearity 0,303 > 0,05, Ho ditolak
Kesimpulan: Terdapat hubungan linier variabel jumlah tenaga kerja dengan variabel
jumlah produksi
ANOVA Table
Sum of Mean
Squares df Square F Sig.
Jumlah Between (Combined) 768025,667 27 28445,395 ,557 ,815
Produksi Groups
* Harga Linearity 7861,863 1 7861,863 ,154 ,733
Bahan Deviation 760163,803 26 29237,069 ,572 ,806
Baku from
(Juta Linearity
Rp.) Within Groups 102212,500 2 51106,250
Total 870238,167 29
Analisis:
Ho: Tidak terdapat hubungan linier variabel harga bahan baku dengan jumlah produksi
H1: Terdapat hubungan linier variabel harga bahan baku dengan jumlah produksi
Kriteria:
Sig deviation from linearity < 0,05 = Ho diterima
Sig deviation from linearity > 0,05 = Ho ditolak
Dari tabel: Sig deviation from linearity 0,806 > 0,05, Ho ditolak
Kesimpulan: Terdapat hubungan linier variabel harga bahan baku dengan variabel jumlah
produksi
ANOVA Table
Sum of Mean
Squares df Square F Sig.
Jumlah Between (Combined) 643722,117 13 49517,086 3,498 ,010
Produksi * Groups
Jumlah
Kerusakan Linearity 4726,077 1 4726,077 ,334 ,571
Mesin Deviation 638996,039 12 53249,670 3,761 ,008
from
Linearity
Within Groups 226516,050 16 14157,253
Total 870238,167 29
Analisis:
Ho: Tidak terdapat hubungan linier variabel jumlah kerusakan mesin dengan jumlah
produksi
H1: Terdapat hubungan linier variabel jumlah kerusakan mesin dengan jumlah produksi
Kriteria:
Sig deviation from linearity < 0,05 = Ho diterima
Sig deviation from linearity > 0,05 = Ho ditolak
Dari tabel: Sig deviation from linearity 0,008 > 0,05, Ho diterima
Kesimpulan: Tidak terdapat hubungan linier variabel jumlah kerusakan mesin dengan
variabel jumlah produksi
4. Uji Heteroskedastisitas
Correlations
Analisis:
Ho: Tidak ada gejala heteroskedastisitas
Hi: Ada gejala heteroskedastisitas
Kriteria: P-Value > 0,05
Dari tabel:
Sig X1 dan X2 terhadap unstandardized predicted value > 0,05, maka Ho diterima.
Sig X3 < 0,05 terhadap unstandardized predicted value, maka Ho ditolak.
\Kesimpulan: Terdapat gejala heteroskedastisitas pada X3 atau jumlah tenaga kerja,
sedangkan pada X1 dan X2 tidak terdapat gejala heteroskedastisitas.
Chart:
Analisis: hasil pengujian menunjukan scatterplot tidak membentuk pola tertentu sehingga
dapat disimpulkan model penelitian ini memenuhi syarat karena asumsi linearitas terpenuhi.
Model Summaryb
a. Predictors: (Constant), Jumlah Tenaga Kerja, Harga Bahan Baku (Juta Rp.), Jumlah
Kerusakan Mesin
b. Dependent Variable: Jumlah Produksi
Analisis:
Ho: Jumlah tenaga kerja, harga bahan baku, dan jumlah kerusakan mesin tidak ada
hubungan positif signifikan dengan jumlah produksi
Hi: Jumlah tenaga kerja, harga bahan baku, dan jumlah kerusakan mesin ada hubungan
positif signifikan dengan jumlah produksi
Kriteria tolak Ho: P-Value < 0,05 atau T > t (n-2; α)
R = 0,531 ada hubungan kuat positif antara jumlah tenaga kerja, harga bahan baku, dan
jumlah kerusakan mesin dengan jumlah produksi.
R2 = 0,282 koefisien determinasi artinya kontribusi jumlah tenaga kerja, harga bahan baku,
dan jumlah kerusakan mesin sebagai factor perubahan jumlah produksi sebesar 28,2% yang
dapat dijelaskan model
Faktor penyebab lain non determinasi = 1 – R2 = 71,8% tidak bisa dijelaskan oleh model
6. Uji Multikolinearitas
Coefficientsa
Kesimpulan:
Diketahui nilai VIF variable jumlah kerusakan mesn (1,020), harga bahan baku (1,013), dan
jumlah tenaga kerja (1,007). Karena nilai VIF < 10 maka dapat disimpulkan tidak terjadi
gangguan multikolinearitas atau model regresi ini terbebas dari gejala multikolinearitas.
D. Uji Hipotesis
1. Uji Pengaruh Parsial (Uji T)
Analisis:
Standardized
Unstandardized Coefficients Coefficients
ANOVAa
Total 870238.167 29
Analisis:
Ho = jumlah kerusakan mesin, harga bahan baku, dan jumlah tenaga kerja tidak
berpengaruh secara bersama terhadap jumlah produksi
H1: jumlah kerusakan mesin, harga bahan baku, dan jumlah tenaga kerja berpengaruh
secara bersama terhadap total produksi.
Fh = 3,410 > 1,45
Sig = 0,032 < 0,05
Ho ditolak,
Jumlah kerusakan mesin, harga bahan baku, dan jumlah tenaga kerja berpengaruh secara
bersama terhadap jumlah produksi.
Total Produksi= 1336,686 – 4,580 (jumlah kerusakan mesin) + 0,652 (harga bahan
baku) + 9,208 (jumlah tenaga kerja) = 1.341,966
t = 5,741 > 2,04841 atau sig = 0,000 < 0,05 Ho diterima
Berapa total produksi jika:
Jumlah kerudakan mesin = 30% = 0,30
Harga bahan baku = Rp 250.000
Jumlah tenaga kerja = 50
Total Produksi= 1.341,966 – 0,30 + 250.000 + 50 = 251.391,666
REGRESI BINER LOGISTIK
A. Kasus
Dilakukan sebuah prediksi mengenai pengaruh usia, jenis kelamin, dan jumlah pendapatan
konsumen terhadap pembelian motor dengan menggunakan analisis regresi biner logistik. Berikut
merupakan hasil survey terhadap 30 orang responden:
No Pembelian Usia Jenis Kelamin Pendapatan (X3)
Motor (Y) Responden Responden (X2) (0 = < 5 Juta
(0 = membeli (X1) (0 = Laki-laki, rupiah perbulan,
motor, 1 = tidak 1 = Perempuan) 1 = > 5 Juta
membeli motor) rupiah perbulan)
1. 1 28 1 0
2. 1 29 1 0
3. 1 24 1 0
4. 1 23 1 0
5. 1 36 1 0
6. 1 28 1 1
7. 1 38 1 0
8. 1 33 1 0
9. 1 42 1 1
10. 1 35 1 1
11. 0 27 0 0
12. 0 45 0 0
13. 0 29 0 0
14. 0 24 0 0
15. 0 43 0 1
16. 0 39 0 1
17. 0 30 0 1
18. 0 32 0 1
19. 0 22 0 0
20. 0 27 0 1
21. 0 37 0 1
22. 0 34 0 1
23. 0 32 1 1
24. 0 40 0 1
25. 0 42 1 1
26. 0 36 1 1
27. 0 31 0 1
28. 0 30 0 1
29. 0 29 1 1
30. 0 24 1 1
B. Variabel Penelitian
Variabel yang digunakan adalah variable X1, X2, X3, dan Y. Variabel X1 merupakan usia
responden (dalam satuan tahun), variable X2 merupakan jenis kelamin responden yang dinyatakan
dengan 0 = laki-laki dan 1 = perempuan, dan variable X3 merupakan pendapatan responden yang
juga dinyatakan dengan 0 = < 5 juta rupiah perbulan dan 1 = > 5 juta rupiah perbulan. Sedangkan
variable Y merupakan pembelian motor oleh responden yang dinyatakn dengan 0 jika membeli
dan 1 jika tidak membeli.
Constant
1 38.196 -.667
3 38.191 -.693
Analisis:
Nilai -2 Log likelihood adalah sebesar 38,191
df = N – 1 = 30 -1 = 29
Nilai chi square pada taraf signifikansi 0,05 = 42,557
Maka 38,191 < 42,557
Constant X1 X2 X3
a. Method: Enter
b. Constant is included in the model.
c. Initial -2 Log Likelihood: 38.191
d. Estimation terminated at iteration number 20 because maximum iterations has been
reached. Final solution cannot be found.
Analisis:
Penurunan -2 Log Likelihood: 38,191 – 10,290 = 27,901
Chi-square Df Sig.
Analisis:
Ho: tidak ada variable X yang signifikan mempengaruhi variable Y
H1: minimal ada satu variable yang signifikan mempengaruhi variable Y
Dari tabel: Sig = 0,000 < 0,05 tolak Ho
Kesimpulan: minimal ada satu variable X yang signifikan mempengaruhi variable Y
Classification Tablea
Observed Predicted
Analisis:
Over all percentage 90% artinya dari 30 responden ada 0,9 x 30 = 27 responden yang dapat
pengklasifikasiannya.
Model Summary
Analisis:
Model dengan 3 variabel bebas terjadi perubahan penaksiran presentase (-2 log likelihood) sebesar
10,290 dengan nilai R-Square = 0,605 atau 60,5% cox & snell dan 0,841 atau 84,1% dengan
Nagelkerke artinya dengan X1, X2, dan X3 hanya 84,1% proporsi pembelian motor dapat
dijelaskan oleh model.
1 .079 8 1.000
Analisis:
Uji kecocokan model
Ho: model telah di cukup menjelaskan data (goodness of fit)
H1: model tidak cukup menjelaskan data
Sig = 1,00 > 0,05 Ho diterima maka secara bersama-sama signifikan model telah cukup
menjelaskan data.
Uji Parsial
Variables in the Equation
2268366215585
X2 39.963 12118.183 .000 1 .997
Step 1a 29088.000
Analisis:
Odd Ratio
∏= exp (β0+ β1 X1 + β2 X2 + .... dst )
1 + exp (β0 + β1 X1 + β2 X2 + .... dst )
∏= exp ( -21,876 + 0,066 X1 + 39,963 X2 – 20,839 X3 ) = −2,686
1 + exp ( -21,876 + 0,066 X1 + 39,963 X2 – 20,839 X3 )
= −2,686
-1,686 = 1,5931