APLIKASI KOMPUTER STATISTIK (R02)

REGRESI LINEAR BERGANDA DAN REGRESI BINER LOGISTIK

NAMA: ANDHINI CAHYANINGTYAS

NPM: 173112340250138

PROGRAM STUDI MANAJEMEN

FAKULTAS EKONOMI DAN BISNIS

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:

No Periode Variabel Total

Jumlah Harga Bahan Jumlah Tenaga Produksi (Y)
Kerusakan Baku (X2) Kerja (X3) (Kg)
Mesin (X1) (Juta Rp)
1. Mei 2012 24 79,8 35 1350
2. Juni 2012 25 70 23 1450
3. Juli 2012 27 45,6 65 1988
4. Agustus 2012 20 38,2 54 1980
5. September 2012 22 96 44 1890
6. Oktober 2012 23 24,5 34 1998
7. November 2012 26 60 36 1876
8. Desember 2012 28 78,98 34 1876
9. Januari 2013 30 77,67 35 1878
10 Februari 2013 29 90,23 25 1888
11. Maret 2013 25 34,6 29 1676
12 April 2013 28 77,78 34 1878
13 Mei 2013 29 67 35 1900
14 Juni 2013 27 68,87 55 1898
15 Juli 2013 26 98 34 1857
16 Agustus 2013 29 87 34 1876
17 September 2013 20 78,98 44 1568
18 Oktober 2013 34 78,88 43 1876
 19 November 2013 22 88,9 34 1987
20 Desember 2013 21 107,3 56 2201
21 Januari 2014 19 44 43 1900
22 Februari 2014 29 45,5 43 1987
23 Maret 2014 28 37,22 45 2000
24 April 2014 18 22,9 22 1656
25 Mei 2014 28 98,78 34 1878
26 Juni 2014 19 94 34 1856
27 Juli 2014 20 93 45 1985
28 Agustus 2014 27 45,6 33 1657
29 September 2014 26 78,4 33 1878
30 Oktober 2014 28 90,45 36 1847

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).

C. Uji Prasyarat dan Uji Asumsi Klasik

1. Uji Normalitas
 Tests of Normality

Kolmogorov-Smirnova Shapiro-Wilk

Statistic df Sig. Statistic df Sig.

Jumlah Produksi .290 30 .000 .844 30 .000

Jumlah Kerusakan Mesin .143 30 .122 .942 30 .102
Harga Bahan Baku (Juta
.192 30 .006 .924 30 .034
Rp.)
Jumlah Tenaga Kerja .229 30 .000 .906 30 .012

a. Lilliefors Significance Correction

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

Test of Homogeneity of Variances

Jumlah Produksi

Levene Statistic df1 df2 Sig.

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

Jumlah Harga Bahan Jumlah

Unstandardized Kerusakan Baku (Juta Tenaga
Predicted Value Mesin Rp.) Kerja
Spearman's Unstandardized Correlation 1,000 ,128 ,166 .932**
rho Predicted Coefficient
Value

Sig. (2- ,501 ,381 ,000

tailed)
N 30 30 30 30
Jumlah Correlation ,128 1,000 ,029 -,066
Kerusakan Coefficient
Mesin

Sig. (2- ,501 ,880 ,729

tailed)
N 30 30 30 30
Harga Bahan Correlation ,166 ,029 1,000 ,052
Baku (Juta Rp.) Coefficient

Sig. (2- ,381 ,880 ,786

tailed)
N 30 30 30 30
Jumlah Tenaga Correlation .932** -,066 ,052 1,000
Kerja Coefficient

Sig. (2- ,000 ,729 ,786

tailed)
N 30 30 30 30
**. Correlation is significant at the 0.01 level (2-tailed).

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.

5. Koefisien Korelasi Total

Model Summaryb

Model R R Square Adjusted R Std. Error of the Durbin-Watson

Square Estimate

1 .531a .282 .200 154.981 1.057

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

Unstandardized Standardized Collinearity

Coefficients Coefficients Correlations Statistics
Std.
Model B Error Beta t Sig. Partial Tolerance VIF
1 (Constant) 1336,686 232,844 5,741 ,000

Jumlah 4,580 7,271 ,106 ,630 ,534 ,980 1,020

Kerusakan
Mesin
Harga ,652 1,197 ,091 ,545 ,590 ,987 1,013
Bahan
Baku (Juta
Rp.)

Jumlah 9,208 2,948 ,521 3,124 ,004 ,993 1,007

Tenaga
Kerja
a. Dependent Variable: Jumlah Produksi

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

Model B Std. Error Beta t Sig.

1 (Constant) 1336,686 232,844 5,741 ,000

Jumlah 4,580 7,271 ,106 ,630 ,534

Kerusakan
Mesin
Harga Bahan ,652 1,197 ,091 ,545 ,590
Baku (Juta Rp.)

Jumlah Tenaga 9,208 2,948 ,521 3,124 ,004

Kerja

Ho: Tidak ada pengaruh (β = 0)

H1: Ada pengaruh (β ≠ 0)
Kriteria Tolak Ho:
Th > t
Atau P-Value < α
1) Dengan tabel t
t (n-2 ; α/2) = t (28 ; 0,025) = 2,04841
a. Konstanta
th = 5,741 > 2,04841 = Ho ditolak
Kesimpulan: Model memiliki konstanta
b. Jumlah Kerusakan Mesin
t = 0,630 < 2,04841
Ho tidak ditolak
Kesimpulan: secara signifikan, jumlah kerusakan mesin tidak berpengaruh
terhadap jumlah produksi
c. Harga Bahan Baku
t = 0,545 < 2,04841
Ho tidak ditolak
 Kesimpulan: secara signifikan, harga bahan baku tidak berpengaruh
terhadap jumlah produksi
d. Jumlah Tenaga Kerja
t = 3,124 > 2,04841
Ho ditolak
Kesimpulan: secara signifikan, jumlah tenaga kerja berpengaruh terhadap
jumlah produksi
2) Dengan P-Value
Sig > 0,05 untuk jumlah kerusakan mesin dan harga bahan baku
Sig < 0,05 untuk jumlah tenaga kerja,
Ho ditolak,
Kesimpulan: secara signifikan jumlah kerusakan mesin dan harga bahan baku tidak
berpengaruh terhadap jumlah produksi

2. Uji Pengaruh Total (Uji F)

ANOVAa

Model Sum of Squares df Mean Square F Sig.

Regression 245742.759 3 81914.253 3.410 .032b

1 Residual 624495.408 26 24019.054

Total 870238.167 29

a. Dependent Variable: Jumlah Produksi

b. Predictors: (Constant), Jumlah Tenaga Kerja, Harga Bahan Baku (Juta Rp.), Jumlah Kerusakan
Mesin

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.

E. Model Ekspektasi (Perkiraan)

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.

C. Analisis Regresi Biner Logistik

1. Block 0: Beginning Block

Iteration Historya,b,c

Iteration -2 Log likelihood Coefficients

Constant

1 38.196 -.667

Step 0 2 38.191 -.693

3 38.191 -.693

a. Constant is included in the model.

b. Initial -2 Log Likelihood: 38.191
c. Estimation terminated at iteration number 3
because parameter estimates changed by less than
.001.

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

2. Block 1: Method = Enter

Iteration Historya,b,c,d

Iteration -2 Log likelihood Coefficients

Constant X1 X2 X3

1 18.688 -1.809 .023 2.495 -1.415

2 13.781 -2.955 .036 4.039 -2.523

Step 1 3 11.629 -4.217 .047 5.879 -3.673

4 10.781 -5.579 .058 7.902 -4.779

5 10.469 -6.803 .064 9.943 -5.824
 6 10.356 -7.865 .066 11.958 -6.835

7 10.314 -8.874 .066 13.962 -7.836

8 10.299 -9.875 .066 15.963 -8.837

9 10.294 -10.875 .066 17.963 -9.837

10 10.291 -11.876 .066 19.963 -10.837

11 10.291 -12.876 .066 21.963 -11.837

12 10.290 -13.876 .066 23.963 -12.837

13 10.290 -14.876 .066 25.963 -13.837

14 10.290 -15.876 .066 27.963 -14.837

15 10.290 -16.876 .066 29.963 -15.837

16 10.290 -17.876 .066 31.963 -16.837

17 10.290 -18.876 .066 33.963 -17.837

18 10.290 -19.876 .066 35.963 -18.837

19 10.290 -20.876 .066 37.963 -19.837

20 10.290 -21.876 .066 39.963 -20.837

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

Omnibus Tests of Model Coefficients

Chi-square Df Sig.

Step 27.901 3 .000

Step 1 Block 27.901 3 .000

Model 27.901 3 .000

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

Pembelian Motor Percentage

Konsumen Konsumen Correct

Membeli Motor Tidak Membeli

Motor

Konsumen Membeli Motor 19 1 95.0

Pembelian Motor Konsumen Tidak Membeli
Step 1 2 8 80.0
Motor

Overall Percentage 90.0

a. The cut value is .500

Analisis:

Over all percentage 90% artinya dari 30 responden ada 0,9 x 30 = 27 responden yang dapat
pengklasifikasiannya.

Model Summary

Step -2 Log likelihood Cox & Snell R Nagelkerke R

Square Square

1 10.290a .605 .841

a. Estimation terminated at iteration number 20 because

maximum iterations has been reached. Final solution cannot
be found.

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.

Uji Kecocokan Model

Hosmer and Lemeshow Test

Step Chi-square Df Sig.

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

B S.E. Wald df Sig. Exp(B)

X1 .066 .124 .285 1 .593 1.068

2268366215585
X2 39.963 12118.183 .000 1 .997
Step 1a 29088.000

X3 -20.837 8421.079 .000 1 .998 .000

Constant -21.876 8714.115 .000 1 .998 .000

a. Variable(s) entered on step 1: X1, X2, X3.

Analisis:

Sig < 0,05; tolak Ho

Maka Secara parsial:
a. X1 (Usia Responden)
Sig = 0,593 > 0,05 Terima Ho
Kesimpulan: Usia responden tidak brepengaruh signifikan terhadap pembelian motor
b. X2 (Jenis Kelamin Responden)
Sig = 0,997 > 0,05 Terima Ho
Kesimpulan: Usia responden tidak berpengaruh signifikan terhadap pembelian motor
c. X3 (Pendapatan Responden)
Sig = 0,998 > 0,05 Terima Ho
Kesimpulan: Usia responden tidak berpengaruh signifikan terhadap pembelian motor

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