TAKE HOME

TEKNIK PROYEKSI BISNIS

Dosen pengampu:

Eko Yulianto, S.T. M.B.A., C.B.I.A

Oleh

Wahyu Widiya Ningsih

2017008009

PROGRAM STUDI MANAJEMEN

FAKULTAS EKONOMI

UNIVERSITAS SARJANAWIYATA TAMANSISWA

YOGYAKARTA
Soal

1. Jelaskan Perbedaan analisis korelasi dan analisis regresi? (poin 15)

2. Seorang pengusaha bernama Roy ingin meneliti korelasi dan pengaruh biaya promosi
terhadap volume penjualan pada perusahaan minyak wangi miliknya. Data telah yang
telah dikumpulkan dari past performance usaha yang berjalan berupa variable
independen (X) adalah biaya promosi dan Variabel dependen (Y) adalah Penjualan
sbb.

No X (Biaya Promosi) Y (Penjualan)

1 11 (ditambah angka terakhir NIM) 54 (ditambah angka terakhir NIM)

2 13 (ditambah angka terakhir NIM) 60 (ditambah angka terakhir NIM)

3 12 (ditambah angka terakhir NIM) 58 (ditambah angka terakhir NIM)

4 11 (ditambah angka terakhir NIM) 59 (ditambah angka terakhir NIM)

5 14 (ditambah angka terakhir NIM) 63 (ditambah angka terakhir NIM)

6 12 (ditambah angka terakhir NIM) 64 (ditambah angka terakhir NIM)

7 13 (ditambah angka terakhir NIM) 58 (ditambah angka terakhir NIM)

14 (ditambah angka terakhir NIM) 60 (ditambah angka terakhir NIM)

Pertanyaan :

a. Lakukan analisis korelasi terhadap data tersebut diatas menggunakan perhitungan

manual. (poin 20)
b. Lakukan analisis regresi sederhana data tersebut diatas menggunakan perhitungan
manual. (poin 25)
3. Lakukan pengumpulan data dari laporan keuangan perusahaan selama 12 tahun terakhir
dari perusahaan yang sudah Tbk (sesuai penugasan pertemuan 6). Selanjutnya dari laporan
keuangan tersebut ambil tiga variable untuk dianalisa yaitu :
X1 : Biaya …. (misalnya Biaya Promosi)
X2 : Biaya ….
 Y : Penjualan

Dari data tersebut lakukan :

a. Analisis Korelasi antara X1 dengan Y menggunakan data analysis tool - MS.Excel

(poin 10)
b. Analisis regresi sederhana antara X1 dengan Y menggunakan data analysis tool
analysis MS Excel (poin 10)
c. Analisis Regresi berganda antara X1 dan X2 dengan Y menggunakan data analysis
tool MS Excel. (poin 20)

Catatan : Agar mencantumkan nama perusahaan yang dianalisis pada jawaban.

Jawaban:

1. Perbedaan kolerasi dan regresi

Korelasi Regresi
Bertujuan untuk mengukur kekuatan Selain mengukur kekuatan hubungan
asosiasi (hubungan) linier antar dua antara dua variabel atau lebih, juga
variabel menunjukkan arah hubungan antara
variabel dipenden dengan variabel
independent
Tidak menunjukkan hubungan Mendasrkan pada model probabilistik,
fungsional (sebab akibat) yang terdiri atas komponen deterministik
Jenisnya: positif, negative, nol (tidak dan kesalahanrandom
ada hubungan)
2.
a. Korelasi

No X Y Y-Ῡ (y) X-Ẍ(x) x2 y2 xy

1 11.009 54.009 -1.500 -5.500 2.250.000 30.250.000 8.250.000
2 13.009 60.009 500 500 250.000 250.000 250.000
3 12.009 58.009 -500 -1500 250.000 2.250.000 750.000
4 11.009 59.009 -1500 -500 2.250.000 250.000 750.000
5 14.009 63.009 1500 3500 2.250.000 12.250.000 5.250.000
6 12.009 64.009 -500 4.500 2.250.000 20.250.000 -2.250.000
7 13.009 58.009 500 -1500 250.000 2.250.000 -750.000
8 14.009 60.009 1500 500 2.250.000 250.000 750.000
 Σ=100.072 Σ=476.072 Σ=0 Σ=0 Σ=12.000.000 Σ=68.000.000 Σ=13.000.000

ΣX
Ẍ=
n

100.072
= =12.509
8

ΣY
Ῡ=
n

476.073
= =59.509
8

Σxy
=
√ x2 √ y2

13.000 .000
=
√ 12.000 .000 √ 68.000 .000

13.000.000
=
3.464,10× 8.246,21

13.000.000
=
28.565.696,06

=0,45

Kp= r2=(0.45)2=0,2025×100%=0,2025
 b. Regresi Linier Sederhana

No X Y X-Ẍ (x) Y-Ῡ (y) xy x2

1 11.009 54.009 -1500 -5500 8.250.000 2.250.000
2 13.009 60.009 500 500 250.000 250.000
3 12.009 58.009 -500 -1500 750.000 250.000
4 11.009 59.009 -1500 -500 750.000 2.250.000
5 14.009 63.009 1500 3500 5.250.000 2.250.000
6 12.009 64.009 -500 4500 -2.250.000 2.250.000
7 13.009 58.009 500 -1500 -750.000 250.000
8 14.009 60.009- 1500 500 750.000 2.250.000
Σ=100.072 Σ=476.000 Σ=0 Σ=0 Σ=13.000.000 Σ=12.000.000

ΣX
Ẍ=
n

100.072
= =12.509ậ
8

ΣY
Ῡ=
n

476.073
= =59.509
8

 ^
b=Σ(X − X́ )¿ ¿
13.000.000
=
12.000.000
=1,08

ậ=Ῡ-(b^ ¿( X́ )

=59.509-(1,08)(12.509)

=59.509-13.109,72

= 45.999,28
No X Y Y^ ^
Y-Y ^ )2
(Y-Y (X- X́ ¿ 2

(e ) e2

1 11.009 54.009 65.815,48 -11.806,48 139.392.261,60 2.250.000

2 13.009 60.009 59.398,55 610,45 372.649,20 250.000

3 12.009 58.009 58.969 -960 921.600 250.000

4 11.009 59.009 65.815,48 -6.806,48 46.328.169,99 2.250.000

5 14.009 63.009 61.129 1.880 3.534.400 2.250.000

6 12.009 64.009 58.969 5.040 25.401.600 2.250.000

7 13.009 58.009 59.398,55 -1.389,55 1.930.849,20 250.000

8 14.009 60.009 61.129 -1.120 1.254.400 2.250.000

Σ=490.624,06 Σ=-14.552,06 Σ=219.135.929,99 Σ=68.000.000

ΣX
Ẍ=
n

100.072
= =12.509ậ
8

ΣY
Ῡ=
n

476.073
= =59.509
8

∑CY −Y^ 2
Sb=
√ ( n−k ) ( ΣX − X́ )
2

219.135 .929,99
=
√ ( 8−2 ) ¿ ¿
¿

219.135 .929,99
=
√ 408.000.000

=0,53
 3. Nama perusahaan: PT. Pertamina
Variabel yang digunakan:

Y: Jumlah Penjualan dan Pendapatan

X1: Beban Penjualan dan Pemasaran
X2: Beban Keyangan
Tahun Y X
a. Korelasi
2006 355.779 0
2007 379.379 0
2008 558.164 12.685
2009 378.346 14.225
2010 432.049 5.638
2011 589.765 6.825
2012 70.924 -1.150
2013 71.102 -1.165
2014 70.649 -1.091   Y X
2015 41.762 -989 Y 1
2016 36.486 -1.119 X 0,769761 1
2017 42.959 -1.353
2018 57.933 -1.642

a. Regresi Linier Sederhana

Tahun Y X
2006 355.779 0
2007 379.379 0
2008 558.164 12.685
2009 378.346 14.225
2010 432.049 5.638
2011 589.765 6.825
2012 70.924 -1.150
2013 71.102 -1.165
2014 70.649 -1.091
2015 41.762 -989
2016 36.486 -1.119
2017 42.959 -1.353
2018 57.933 -1.642

SUMMARY OUTPUT
 Regression Statistics
Multiple R 0,769760822
R Square 0,592531724
Adjusted R
Square 0,555489153
Standard
Error 142840,2434
Observations 13

ANOVA
Significance
  df SS MS F F
Regression 1 3,26371E+11 3,26371E+11 15,99596666 0,00208799
Residual 11 2,24437E+11 20403335125
Total 12 5,50808E+11      

Standard Lower Upper

  Coefficients Error t Stat P-value Lower 95% Upper 95% 95,0% 95,0%
262912,014
Intercept 167658,6975 43277,58258 3,874031022 0,002589872 72405,3805 262912,01 72405,3805 5
13,19642 45,4955124
X 29,34596723 7,337416687 3,999495801 0,002087993 13,196422 45,495512 2 7

b. Regresi Linier Berganda

Tahun Y X X2
2006 355.779 0 0
2007 379.379 0 0
2008 558.164 12.685 0
2009 378.346 14.225 0
2010 432.049 5.638 -2.632
2011 589.765 6.825 -2.545
2012 70.924 -1.150 -329
2013 71.102 -1.165 -478
2014 70.649 -1.091 -586
2015 41.762 -989 -604
2016 36.486 -1.119 -637
2017 42.959 -1.353 -670
2018 57.933 -1.642 -835

SUMMARY OUTPUT

Regression Statistics
0,8018036
Multiple R 1
0,6428890
R Square 2
Adjusted R 0,5714668
Square 3
Standard 140249,59
Error 7
Observation
s 13
ANOVA
  df SS MS F Significance F
3,54108E+1
Regression 2 1 1,77054E+11 9,00125 0,005807858
1,96699E+1 1966994953
Residual 10 1 7
5,50808E+1
Total 12 1      

Coefficient Standard
  s Error t Stat P-value Lower 95% Upper 95% Lower 95,0% Upper 95,0%
130130,66 52956,2755
Intercept 2 4 2,457322767 0,033831 12136,72654 248124,5965 12136,72654 248124,5965
28,634202 7,22923126
X 3 6 3,960891731 0,002683 12,52647129 44,74193339 12,52647129 44,74193339
-
54,726532 46,0859260 -
X2 8 1 1,187489056 0,262476 -157,412375 47,95930952 -157,412375 47,95930952