LAPORAN PENUGASAN

STATISTIKA INDUSRI II
MODUL REGRESI & KORELASI

Nama : Siti Alfuah Kelompok : B12

NIM : 17522073 Kelas : B

Nama : Sinta Wulandari Tgl. Praktikum : 19 Desember 2019

NIM : 18522349 Hari Praktikum : Kamis

Asisten : Nadhita Az-Zahrah DM-75 Dikumpulkan tgl : 25 Desember 2019
Kriteria Penilaian Yogyakarta, Desember 2019
Format : (maks. 10) Asisten

Isi : (maks. 50)

Analisa : (maks. 40)
TOTAL : (Nadhita Az-Zahrah DM-75)

LABORATORIUM SIOP
JURUSAN TEKNIK INDUSTRI
FAKULTAS TEKNOLOGI INDUSTRI
UNIVERSITAS ISLAM INDONESIA
2019
 MODUL IV
UJI REGRESI DAN KORELASI
4.1 Tujuan Penugasan
1. Mengetahui besarnya pengaruh variabel bebas (independen) terhadap perubahan
variabel terikat (dependen) dalam bentuk koefisien regresi.
2. Menggambarkan hubungan pengaruh variabel bebas (independen) terhadap variabel
terikat (dependen).
3. Mengetahui besarnya persentase pengaruh variabel bebas (independen) terhadap
variabel terikat (dependen) dalam bentuk koefisien determinasi.
4. Menentukan atau memprediksi nilai variabel terikat (dependen).

4.2 Tugas Penugasan

1. Menganalisis Studi Kasus Regresi Korelasi dengan jumlah data minimal sejumlah 30
data di setiap variabel Regresi Linear Sederhana dan Berganda.
2. Melakukan perhitungan Regresi Korelasi Linear Sederhana dan Regresi Korelasi
Linear Berganda dengan perhitungan manual dan software SPSS.
3. Melakukan perbandingan antara output perhitungan manual dan output software SPSS
yang didapatkan.
4. Melakukan bahasan dari sejumlah hasil olahan yang didapat hingga menentukan
kesimpulan keputusan dengan tepat.

4.3 Latar Belakang

Praktikum ini dilatarbelakangi oleh penugasan pada mata kuliah Statistika Industri II untuk
melakukan Uji Regresi dan Korelasi Linear Sederhana dan Uji Regresi dan Korelasi Linear
Berganda. Penugasan dari DM-75 adalah menganalisis jumlah cacat produk yang
dihasilkan pada produk genteng di PT. Genteng Agung. Menurut manajer perusahaan,
faktor yang mempengaruhi jumlah cacat adalah suhu lingkungan, jumlah air yang
diberikan (liter), dan usia mesin yang digunakan. Dari 30 data sampel perusahaan yang
diambil, praktikan menganalisis kebenaran dari anggapan manajer dengan penelitian dari
perhitungan manual Uji Regresi dan Korelasi Linear Sederhana dan Uji Regresi dan
Korelasi Linear Berganda, sedangkan dari perhitungan menggunakan software SPSS dari
perhitungan Uji Regresi dan Korelasi Linear Berganda.

4.4 Studi Literatur

JURNAL 1
: Linear Regression Model using Bayesian Approach for Energy
Judul
Performance of Residential Building.
Penulis : Permai, S. D., & Tanty, H.
Tahun : 2018
: Untuk melakukan pemodelan regresi linier dengan pendekatan
Tujuan
Bayesian
: Metode pemodelan yang digunakan oleh peneliti adalah model
Metode
regresi linier.
: Analisis menunjukkan bahwa model regresi linier
menggunakan OLS tidak memenuhi semua asumsi. Artinya
Hasil Penelitian
modelnya tidak cukup baik. Kemudian, pendekatan Bayesian
dapat digunakan sebagai alternatif untuk model.
: Perbandingan hasil pemodelan Bayesian dan Frequentist
menggunakan beberapa kriteria seperti RMSE,
Kesimpulan MAPE dan MAD. Metode regresi linier menggunakan
pendekatan Bayesian lebih baik daripada metode Frequentist
menggunakan OLS.
JURNAL 2
: Spatial Autoregressive (SAR) Model for Average Expenditure of
Judul
Papua Province
Penulis : Permai, S. D., & Tanty, H.
Tahun : 2018
Tujuan : Digunakan pada data pengeluaran rata-rata Papua
: Model regresi linier menggunakan Ordinary Least Square
Metode
(OLS).
: Hasil regresi linier menggunakan OLS menunjukkan bahwa
Hasil Penelitian hanya jumlah tindak pidana (X4) yang mempengaruhi rata-rata
variabel pengeluaran.
Papua adalah provinsi dengan pertumbuhan pengeluaran
tertinggi di Indonesia. Sebagian besar investasi dilakukan di
Kesimpulan :
Papua di masa lalu beberapa tahun telah untuk pengembangan
infrastruktur. Oleh karena itu, pengeluaran rata-rata Papua
 dimodelkan menggunakan regresi linier. Data yang digunakan
adalah pengeluaran rata-rata dan delapan variabel yang
mempengaruhinya. Kemudian data dianalisis menggunakan
model regresi linier dengan metode Ordinary Least Square
(OLS) dan metode Spatial Autoregressive (SAR). Hasil regresi
linier menggunakan OLS menunjukkan bahwa hanya jumlah
tindak pidana (X4) yang mempengaruhi rata-rata variabel
pengeluaran. Sedangkan, semua variabel independen
berpengaruh signifikan terhadap variabel pengeluaran rata-rata
berdasarkan model Spatial Autoregressive (SAR). Hasil
perbandingan model OLS dan SAR menunjukkan bahwa SAR
lebih baik dari model OLS.
JURNAL 3
: Aktivitas Pembentukan secara Cepat Spesies Oksigen Aktif,
Judul Peroksidase, dan Kandungan Lignin Kacang Tanah Terinfeksi
Sclerotium Rolfsii.
Penulis : Pudjihartati, E., Ilyas, S., dan Sudarsono
Tahun : 2006
: Untuk menganalisis respon fisiologis, seperti reaksi ledakan
Tujuan oksidatif, aktivitas peroksidase, dan konten lignin dari jaringan
kacang tanah sehat dan terinfeksi S. rolfsii.
: Metode pemodelan yang digunakan oleh peneliti adalah model
Metode
regresi linier.
: Hasil percobaan menunjukkan bahwa infeksi S. rolfsii dalam
kacang tanah tidak menyebabkan ledakan oksidatif. Namun,
Hasil Penelitian
infeksi patogen mengakibatkan peningkatan aktivitas
peroksidase dan konten lignin dalam jaringan yang terinfeksi.
: Analisis regresi antara aktivitas peroksidase dan tingkat
keparahan penyakit menunjukkan lereng negatif, menunjukkan
Kesimpulan semakin banyak resistensi genotipe, semakin banyak aktivitas
peroksidase dalam jaringan. Analisis regresi antara konten lignin
dan tingkat keparahan penyakit tidak signifikan.
4.5 Pengolahan Data
4.5.1 Deskripsi Kasus
1. Uji Regresi dan Korelasi Linear Sederhana
Menganalisis jumlah cacat produk yang dihasilkan pada produk genteng di PT.
Genteng Agung. Manajer perusahaan, mengasumsikan faktor yang memengaruhi
jumlah cacat genteng adalah usia mesin yang digunakan. Terdapat 30 data sampel
perusahaan yang diambil untuk menguji kebenaran asumsi manajer perusahaan.
2. Uji Regresi dan Korelasi Linear Berganda
Menganalisis jumlah cacat produk yang dihasilkan pada produk genteng di PT.
Genteng Agung. Manajer perusahaan, mengasumsikan faktor yang memengaruhi
jumlah cacat genteng adalah suhu lingkunga, jumlah air, dan usia mesin yang
digunakan. Terdapat 30 data sampel perusahaan yang diambil untuk menguji
kebenaran asumsi manajer perusahaan.

4.5.2 Tabel Data Historis

Tabel 1. Tabel Data Historis
Cacat Genteng Suhu Lingkungan Jumlah Air Usia Mesin
Sampel
(y) (x1) (x2) (x3)
1 20 29 40 7
2 43 21 34 5
3 19 25 34 6
4 33 30 34 5
5 24 25 32 8
6 41 26 30 5
7 22 36 29 7
8 34 40 33 8
9 33 35 45 6
10 31 33 34 8
11 40 34 28 6
12 28 23 35 8
13 29 21 36 5
14 27 20 38 9
15 42 19 35 6
 16 35 18 36 7
17 38 36 24 9
18 41 33 26 6
19 29 25 40 5
20 36 23 25 7
21 25 27 40 9
22 40 29 37 5
23 24 28 37 8
24 28 34 34 6
25 34 22 36 7
26 19 18 35 9
27 56 40 36 7
28 37 33 29 5
29 27 32 29 6
30 23 21 30 7
4.5.3 Tentukan H0 dan H1, Tingkat Probabilitas Kesalahan, dan Kriteria Pengujian
1. Uji Regresi dan Korelasi Linear Sederhana
a. H0 dan H1
1) Uji Hipotesis 2 Sisi
H0 : R = 0 → tidak ada hubungan usia mesin (x) terhadap cacat genteng (y)
Ha : R ≠ 0 → ada hubungan usia mesin (x) terhadap cacat genteng (y)
2) Uji Hipotesis Satu Sisi Kanan
H0 : R = 0 → tidak ada hubungan usia mesin (x) terhadap cacat genteng (y)
Ha : R > 0 → ada hubungan usia mesin (x) terhadap cacat genteng (y)
3) Uji Hipotesis Satu Sisi Kiri
H0 : R = 0 → tidak ada hubungan usia mesin (x) terhadap cacat genteng (y)
Ha: R < 0 → ada hubungan usia mesin (x) terhadap cacat genteng (y)
b. Tingkat Probabilitas Kesalahan
Tingkat signifikansi adalah α = 0,05. Dari table (t) α = 0,05 batas penerimaan dan
penolakan hipotesis ttabel = t0,05;(28) = 2,048.
c. Kriteria Pengujian
- Apabila thitung ≤ ta maka H0 diterima
- Apabila thitung > ta maka H0 ditolak
 - Nilai signifikansi ≤ probabilitas kesalahan, maka model regresi bisa digunakan
untuk memprediksi Efektivitas Radiator.
- Nilai signifikansi > probabilitas kesalahan, maka model regresi dan korelasi tidak
bisa digunakan untuk memprediksi cacat genteng (y).
2. Uji Regresi dan Korelasi Linear Berganda
a. H0 dan H1
1) Uji Hipotesis 2 Sisi
H0 : R = 0 → tidak ada hubungan antara suhu lingkungan (x1), jumlah air (x2),
dan usia mesin (x3), terhadap cacat genteng (y).
Ha : R ≠ 0 → ada hubungan antara suhu lingkungan (x1), jumlah air (x2), dan
usia mesin (x3), terhadap cacat genteng (y).
2) Uji Hipotesis Satu Sisi Kanan
H0 : R = 0 → tidak ada hubungan antara suhu lingkungan (x1), jumlah air (x2),
dan usia mesin (x3), terhadap cacat genteng (y).
Ha : R ≠ 0 → ada hubungan antara suhu lingkungan (x1), jumlah air (x2), dan
usia mesin (x3), terhadap cacat genteng (y).
3) Uji Hipotesis Satu Sisi Kiri
H0 : R = 0 → tidak ada hubungan antara suhu lingkungan (x1), jumlah air (x2),
dan usia mesin (x3), terhadap cacat genteng (y).
Ha : R ≠ 0 → ada hubungan antara suhu lingkungan (x1), jumlah air (x2), dan
usia mesin (x3), terhadap cacat genteng (y).
b. Tingkat Probabilitas Kesalahan
Dengan melihat tabelt pada tingkat signifikansi α = 0,05 yang telah ditentukan
maka didapat batas-batas penerimaan dan penolakan hipotesis yang disebut dengan
ttabel = t0,05;(27) = 2,052.
c. Kriteria Pengujian
- Apabila thitung ≤ ta maka H0 diterima
- Apabila thitung > ta maka H0 ditolak
- Nilai signifikansi ≤ probabilitas kesalahan, maka model regresi bisa digunakan
untuk memprediksi cacat genteng (y).
- Nilai signifikansi > Probabilitas kesalahan, maka model regresi tidak bisa
digunakan untuk memprediksi cacat genteng (y).
4.5.4 Cara Kerja Perhitungan Manual Regresi Linear Sederhana
Tabel 2. Data Cacat Genteng dan Usia Mesin
Sampel Cacat Genteng (y) Usia Mesin (x) x2 xy y2
1 20 7 49 140 400
2 43 5 25 215 1849
3 19 6 36 114 361
4 33 5 25 165 1089
5 24 8 64 192 576
6 41 5 25 205 1681
7 22 7 49 154 484
8 34 8 64 272 1156
9 33 6 36 198 1089
10 31 8 64 248 961
11 40 6 36 240 1600
12 28 8 64 224 784
13 29 5 25 145 841
14 27 9 81 243 729
15 42 6 36 252 1764
16 35 7 49 245 1225
17 38 9 81 342 1444
18 41 6 36 246 1681
19 29 5 25 145 841
20 36 7 49 252 1296
21 25 9 81 225 625
22 40 5 25 200 1600
23 24 8 64 192 576
24 28 6 36 168 784
25 34 7 49 238 1156
26 19 9 81 171 361
27 56 7 49 392 3136
28 37 5 25 185 1369
29 27 6 36 162 729
30 23 7 49 161 529
 Total 958 202 1414 6331 32716

1. Uji Regresi Linear Sederhana

Tabel 1. Data Uji Regresi dan Korelasi Linear Sederhana
Cacat Genteng (y) Usia Mesin (x) x2 xy y2 ∑(xi - x̄)2 ∑(yi - x̄)2
20 7 49 140 400 0,071 142,404
43 5 25 215 1849 3,004 122,471
19 6 36 114 361 0,538 167,271
33 5 25 165 1089 3,004 1,138
24 8 64 192 576 1,604 62,938
41 5 25 205 1681 3,004 82,204
22 7 49 154 484 0,071 98,671
34 8 64 272 1156 1,604 4,271
33 6 36 198 1089 0,538 1,138
31 8 64 248 961 1,604 0,871
40 6 36 240 1600 0,538 65,071
28 8 64 224 784 1,604 15,471
29 5 25 145 841 3,004 8,604
27 9 81 243 729 5,138 24,338
42 6 36 252 1764 0,538 101,338
35 7 49 245 1225 0,071 9,404
38 9 81 342 1444 5,138 36,804
41 6 36 246 1681 0,538 82,204
29 5 25 145 841 3,004 8,604
36 7 49 252 1296 0,071 16,538
25 9 81 225 625 5,138 48,071
40 5 25 200 1600 3,004 65,071
24 8 64 192 576 1,604 62,938
28 6 36 168 784 0,538 15,471
34 7 49 238 1156 0,071 4,271
19 9 81 171 361 5,138 167,271
56 7 49 392 3136 0,071 579,204
37 5 25 185 1369 3,004 25,671
 27 6 36 162 729 0,538 24,338
23 7 49 161 529 0,071 79,804
958 202 1414 6331 32716 53,867 2123,87

a. Persamaan Regresi Linear Sederhana

Harga koefisien regresi
n∑xy -∑x ∑y 30 (6331) - (202) (958)
b= = = - 2,2190
n∑x2 - (∑x)2 30 (1414) - (202)

Harga b sebagai koefisien regresi atau sebagai koefisien arah garis regresi.
Σy Σx 958 202
a= -b = - (-0,0849) = 46,875
n n 30 30

Harga a sebagai harga intersep, yaitu harga y pada saat x = 0

Jadi persamaan regresi linear sederhana adalah sebagai berikut:
y = a + bx = 46,875 - 2,2190 x
Keterangan:
- Nilai a = adalah harga y pada saat x = 0, artinya apabila tidak ada pengaruh usia
mesin maka cacat genteng bertambah sebesar 46,875.
- Nilai b = - 2,2190, artinya apabila x bertambah 1 satuan maka y bertambah -
0,0849 satuan atau apabila pengaruh usia mesin bertambah - 2,2190 juta maka
cacat genteng bertambah - 2,2190 juta.
b. Pendugaan Interval Parameter Regresi
Berdasarkan persamaan regresi di atas, yaitu:
y = a + bx = 46,875 - 2,2190 x
Dengan koefisien regresi:
a = 46,875
b = - 2,2190 x
Nilai e adalah sebagai berikut:
(∑ y)2 (∑ x)2
∑ei2 = ∑ yi2 - - b2 (∑ xi2 - )
n n

(958)2 (202)2
= 32716 - - (- 0,0849)2 (1414 – ) = 2123,48
30 30

Harga variansi error e adalah:

∑ ei 2 2123,48
Se2 = = = 75,8385
n-2 28

Harga variansi koefisien regresi:

1 x̄2 1 (6,733)2
Sa2 = Se2 (n + = 75,8385 (30 + ) = 66,3587
∑(xi - x̄)2 53,867
 Sa =√66,3587 = 8,14608
Se 2 66,3587
Sb2 = 2 = = 1,231
∑(xi - x̄) 53,867

Sb = √1,231 = 1,10991
α
Dengan tingkat kepercayaan 95% berarti (1 – α) → α = 5% = 0,05 → 2 = 0,025

Dari tabel t didapat tα(n - 2)= t0,025 (30 – 2) = 2,048

2

1) Pendugaan Interval Parameter A

a - t 𝛼 √S2e × S2a ≤ B ≤ a + t𝛼 √S2e × S2a

2 2

32,50 - 2,048 √75,84 × 66,36 ≤ A ≤ 32,50 + 2,048 √75,84 × 8,146

- 112,78 ≤ A ≤ 177,791

2) Pendugaan Interval Parameter B

b - t 𝛼 √S2b ≤ B ≤ b + t𝛼 √S2b
2 2

- 0,0849 - 2,048 √1,231 ≤ B ≤ - 0,0849 + 2,048 √1,231

- 2,358 ≤ B ≤ 2,188126

c. Uji Hipotesis Parameter B

1) Langkah 1: Membuat Bentuk Uji Hipotesis
Berdasarkan harga b = - 2,2190, kemudian menguji apakah usia mesin
memengaruhi cacat genteng. Bentuk uji hipotesis satu sisi kanan sebagai
berikut:
Uji Hipotesis 2 Sisi
H0 : R = 0 → tidak ada hubungan usia mesin (x) terhadap cacat genteng (y)
Ha : R ≠ 0 → ada hubungan usia mesin (x) terhadap cacat genteng (y)
Uji Hipotesis Satu Sisi Kanan
H0 : R = 0 → tidak ada hubungan usia mesin (x) terhadap cacat genteng (y)
Ha : R > 0 → ada hubungan usia mesin (x) terhadap cacat genteng (y)
Uji Hipotesis Satu Sisi Kiri
H0 : R = 0 → tidak ada hubungan usia mesin (x) terhadap cacat genteng (y)
Ha: R < 0 → ada hubungan usia mesin (x) terhadap cacat genteng (y)
2) Langkah 2: Menghitung Harga Statistik Penguji
Karena yang diuji parameter B maka harga statistik pengujinya adalah koefisien
regresi b yang berdistribui t yaitu:
b b
Thitung = = sb berdistribusi t dengan dk (n – 2)
1
√S2e ( )
∑(xi - x̄)2

Persamaan regresi linear sederhana:

Y = 46,875 - 2,2190 x
Koefisien regresinya adalah a = 46,875 dan b = - 2,2190
Dari table dapat dihitung:
(∑ y2 ) (∑ x2 )
∑ ei2 = ∑ yi2 - - b2 (∑ xi2 - ) = ∑(yi - ȳ)2 - b2 ∑(xi - x̄)2
n n

958 (202)2
= 32716 - - (- 0,0849)2 (1414 - )
30 30

= 34034
∑ e2 34034
Se2 = n - 2i = = 1215,5
28

∑(yi - ȳ)2 = 2123,867

∑x - x̄)2 = 53,867
1 x̄2 1 (6,733)2
Sa2 = Se2 (n + 2 = 75,8385 (30 + ) = 66,3587
∑(xi - x̄) 53,867

Sa =√66,3587 = 8,14608
Se 2 66,3587
Sb2 = 2 = = 1,231
∑(xi - x̄) 53,867

Sb = √1,231 = 1,10991
b b - 0,0849
Thitung = = = 1,10991 = - 1,9990
1
√S2e ( ) √S2b
∑(xi - x̄)2

3) Langkah 3: Menentukan Batas Penerimaan dan Penolakan berdasarkan Tingkat

Signifikansi α
Pada tingkat signifikansi α = 5% → α = 0,05
Karena bentuk uji hipotesisnya satu sisi kanan, maka dari table t pada α = 0,05
dan derajat kebebasan (dk) = (30 - 2)
tα(n - 2)= t0,05 (30 – 2) = 2,048
2
 4) Langkah 4: Membuat Keputusan
Karena harga Thitung = - 1,9990 < Ttabel = 2,048 maka hipotesis adalah H0
diterima, artinya Ha ditolak sehingga usia mesin tidak memengaruhi cacat
genteng.
2. Uji Korelasi Linear Sederhana
Untuk menguji keeratan hubungan antara usia mesin (x) dan cacat genteng (y) yang
dinyatakan dengan koefisien korelasi sampel, yaitu r berlaku untuk semua anggota
populasi dengan langkah uji hipotesis sebagai berikut:
a. Bentuk Uji Hipotesis
1) Uji Hipotesis 2 Sisi
H0 : R = 0 → tidak ada hubungan usia mesin (x) terhadap cacat genteng (y)
Ha : R ≠ 0 → ada hubungan usia mesin (x) terhadap cacat genteng (y)
2) Uji Hipotesis Satu Sisi Kanan
H0 : R = 0 → tidak ada hubungan usia mesin (x) terhadap cacat genteng (y)
Ha : R > 0 → ada hubungan usia mesin (x) terhadap cacat genteng (y)
3) Uji Hipotesis Satu Sisi Kiri
H0 : R = 0 → tidak ada hubungan usia mesin (x) terhadap cacat genteng (y)
Ha: R < 0 → ada hubungan usia mesin (x) terhadap cacat genteng (y)
b. Harga Statistik Penguji
n ∑xi yi - ∑xi ∑yi 30 × 6331 - (202 × 958)
R= = = - 0,3534
2 2
√n ∑xi 2 − (∑xi )2 (n∑yi ) - (∑yi ) ) √((30 × 1414) - (202)2 ) (( 30 × 32716) - (958)2 )

c. Tingkat Signifikansi α
Pada tingkat signifikansi α = 5% → α = 0,05
Karen bentuk uji hipotesis satu sisi kanan, maka dari table t pada α = 0,05 dan
derajat kebebasan (dk) = (30 – 2) maka bata penerimaan dan penolakan:
tα(n - 2)= t0,05 (30 – 2) = 2,048
2

d. Keputusan

2,048

Karena harga Thitung = - 1,9990 < Ttabel = 2,048 maka hipotesis adalah H0 diterima,
artinya Ha ditolak sehingga usia mesin tidak memengaruhi cacat genteng.
 3. Harga Koefisien Determinasi
Harga koefisien determinasi adalah r2 = (- 0,35342) = 0,12489 yang menunjukkan
persentase pengaruh usia mesin terhadap penambahan cacat genteng sebesar 12,489%,
artinya masih ada 87,5109% factor lain yang berpengaruh terhadap penambahan cacat
genteng.

4.5.5 Cara Kerja Perhitungan Menggunakan Software SPSS

1. Uji Asumsi dalam Regresi Linear Sederhana (Uji Normalitas Residual)
a. Mengisi variabel view seperti gambar di bawah, kemudian mengganti measure
menjadi scale.

b. Mengisi data pada data view, kemudian klik Analyze > Regresion > Linear.

c. Memasukkan variabel Cacat_Genteng pada kolom Dependent dan variabel

Usia_Mesin pada kolom Independent, kemudian klik Save.

d. Memberi tanda centang pada kotak dialog Save pada Menu Unstandardized,
kemudian klik Continue. Lalu klik OK.
e. Maka tampilan di Data View akan berubah menjadi seperti gambar di bawah ini,
terdapat tambahan satu variabel residual.

f. Mengklik Analyze > Nonparametric Test > Legacy Dialogs > 1-Sample K - S.
 g. Memindahkan variabel residual pada kolom Test Variabel List, kemudian memberi
tanda centang pada menu Normal, kemudian klik OK.

h. Output Uji Normalitas Residual

2. Uji Autokorelasi
a. Menguji asumsi Autokorelasi dengan mengklik Analyze > Regresion > Linear.
b. Memindahkan variabel Usia_Mesin (y) ke kolom Dependent dan variabel
Cacat_Genteng (x) ke kolom Independent. Kemudian mengklik Statistics.

c. Memberi tanda centang pada Durbin-Watson, kemudian mengklik Continue dan

mengklik OK.

d. Output uji autokorelasi.

 Pengambilan keputusan berdasarkan aturan sebagai berikut:
- Ketika dU < nilai Durbin Watson < 4 - dU maka H0 diterima (tidak terjadi
autokorelasi).
- Ketika nilai Durbin Watson < dl atau nilai Durbin Watson > 4-dl maka H0
ditolak (terjadi autokorelsi).
- Ketika dl < nilai Durbin Watson < Du atau 4-du < nilai Durbin Watson < 4-dl,
maka tidak ada keputusan yang pasti.
Dari hasil Output diatas didapatlah nilai Durbin-Watson sebesar 2,255. Nilai
Signifikansi 0,05 dengan n = 30 (banyak data), dan k = 1 (jumlah variabel
Independent), di dapat dL = 1,3520 dan dU = 1,4894. Artinya nilai Durbin Watson
2,255 > dL dan nilai Durbin Watson > dU sehingga tidak terjadi autokorelasi atau
tidak terjadi ada keputusan yang pasti.
3. Uji Regresi Linear Sederhana
a. Mengisi Variabel View dan Data View.

b. Memilih menu Analyze > Regresion > Linear (untuk uji regresi secara linear).
c. Memasukkan variabel x ke kolom Independent dan variabel y ke kolom dependent.

d. Selanjutnya memilih Options. Checklist Include Constant in Equation dan Exclude

Cases Listwise.

e. Memilih kolom Statistics. Mencentang Estimates, Confidence Interval (dan

memastikan bahwa level 95%), Model Fit, dan Casewise Diagnostic serta memilih
All Cases.
 f. Memilih kolom Plots. Memasukkan SDRESID ke kolom Y dan ZPRED ke kolom
X. Memilih Next, kemudian memasukkan ZPRED ke kolom Y dan DEPENDNT
ke kolom X. Mencentang Normality Probability Plot.

g. Tekan OK untuk proses data.

4. Uji Korelasi Linear Sederhana

5. Uji Asumsi dalam Regresi Linear Berganda (Uji Normalitas Residual, Uji
Heteroskedastisitas, Uji Multikolinearitas, dan Uji Autokorelasi)
a. Uji Normalitas Residual
1) Mengisi variable view, kemudian mengganti measure menjadi scale.

2) Mengisi data pada Data View, kemudian mengklik Analyze > Regresion >
Linear.
3) Memasukkan variabel Cacat_Genteng pada kolom Dependent dan variabel
Suhu_Lingkungan, Usia_Mesin, dan Jumlah_Air pada kolom Independent
kemudian klik Save.

4) Memberi tanda centang pada kotak dialog Save pada Menu Unstandardized,
kemudian mengklik Continue. Lalu mengklik OK.

5) Tampilan pada Data View akan berubah seperti gambar di bawah ini, terdapat
tambahan satu variabel residual yang digunakan menguji normalitas residual.

6) Mengklik Analyze > Nonparamtric Test > Legacy Dialogs > 1 - Sample K - S.
 7) Memindahkan variabel residual pada kolom Test Variabel List, kemudian
memberi tanda centang pada Menu Normal, kemudian mengklik OK.

8) Output uji normalitas residual.

b. Uji Heteroskedastisitas
1) Mengklik Transform > Compute Variable.
2) Pada Target Variable mengetik ABS_RES, pada Numeric Expression mengetik
ABS(RES_1), kemudian mengklik OK.

3) Pada tampilan Data View terdapat variabel baru.

4) Melakukan korelasi Spearmans Rho dengan mengklik Analyze > Correlate >
Bivariate.

5) Memindahkan variabel x dan ABS_RES ke kolom Variables, kemudia pada

Correlation mencentang Spearman dan menghilangkan tanda centang pada
Pearson.
 6) Output uji heteroskedastisitas.

c. Uji Multikolinearitas
1) Mengisi data pada Data View, kemudian mengklik Analyze > Regresion >
Linear.

2) Memasukkan variabel Cacat_Genteng pada kolom Dependent dan variabel

Suhu_Lingkungan, Usia_Mesin, dan Jumlah_Air pada kolom Independent
kemudian klik Save.
 3) Pada kotak dialog Statistics memberi tanda centang pada Collinearity
Diagnostics, kemudian mengklik Continue, lalu mengklik OK.

4) Output uji multikolinearitas.

d. Uji Autokorelasi
1) Kemudian menguji asumsi berikutnya, yaitu Autokorelasi dengan cara
mengklik Analyze > Regresion > Linear.
2) Memindahkan variabel Y pada kolom Dependent dan variabel x ke kolom
Independent. Kemudian mengklik Statistics.

3) Memberi tanda centang pada Durbin-Watson, kemudian mengklik Continue dan

mengklik OK.

4) Output uji autokorelasi.

6. Uji Regresi Linear Berganda
a. Mengisi variabel view dan data view seperti gambar di bawah.

b. Memilih menu Analyze > Regression > Linear (untuk uji regresi secara linear).
Masukkan variabel X ke dalam kolom independent dan variabel Y ke dalam kolom
dependen.

c. Selanjutnya pilih kolom Options. Isi nilai probabilitas sesuai dengan yang
diinginkan, dalam kasus ini nilai probabilitas sebesar 0,05. Checklist Include
Constant in Equation dan Exclude Cases Listwise.
d. Memilih kolom Statistics. Checklist Estimates, Confidence Interval (dan pastikan
bahwa levelnya adalah 95%), Model fit dan Casewise diagnostics serta pilih All
Cases.

e. Memilih kolom Plots. Masukkan SDRESID ke dalam kolom Y dan ZPRED ke

dalam kolom X. Pilih Next, kemudian memasukkan ZPRED ke dalam kolom Y dan
DEPENDNT ke dalam kolom X. Checklist Normality Probability Plot.

f. Output uji regresi linear berganda.

 7. Uji Korelasi Linear Berganda

4.6 Analisis Data

4.6.1 Hasil Output SPSS
1. Uji Asumsi dalam Regresi Linear Sederhana (Uji Normalitas Residual)

Nilai Asymp. Sig (2-tailed) yang berarti nilai Signifikansi adalah 0,200 > 0,05, maka
data residual berdistribusi normal.
2. Uji Regresi Linear Sederhana
a. Coefficients

Tabel Coefficients menunjukkan persamaan regresi linear sederhana dengan y

adalah cacat genteng dan x adalah usia mesin:
Y=a+bx
Y = 46,875 - 2,219 x
Tabel Coefficients juga menunjukkan nilai interval pendugaan parameter A dan
parameter B.
Batas bawah (lower bound) ≤ A ≤ Batas atas (upper bound)
31,264 ≤ A ≤ 62,486

Batas bawah (lower bound) ≤ B ≤ Batas atas (upper bound)

 - 4,493 ≤ B ≤ 0,055
Tabel Coefficients menunjukkan nilai thitung dan nilai signifikansi yang digunakan
dalam pengambilan keputusan pengujian hipotesis koefisien regresi b. Pada table
di atas nilai thitung adalah - 1,999.
b. Chart

Chart diatas merupakan Normal Probability Plot yang menunjukkan uji normalitas
data yang digunakan sudah terpenuhi atau belum. Data pada chart di atas tersebar
di sekeliling garis lurus tersebut (tidak terpencar jauh dari garis lurus), artinya
persyaratan Normalitas bisa dipenuhi.
c. Tabel ANOVA

Tabel ANOVA menunjukkan apakah sebuah model regresi bisa digunakan untuk
melakukan sebuah prediksi atau tidak. Dari uji ANOVA atau F Test diatas, Fhitung
adalah 3,996 dengan tingkat signifikansi 0,055. Oleh karena probabilitas (0,055) >
0,05 maka model regresi tidak bisa digunakan untuk memprediksi cacat genteng.
d. Model Summary
 Output Model Summary menunjukkan nilai R sebagai penjelas seberapa besar
sebuah variabel memengaruhi variabel lainnya. Angka Rsquare pada tabel di atas
adalah 0,124 yang merupakan pengkuadratan dari koefisien korelasi (0,352 × 0,352
= 0,125). Rsquare disebut koefisien determinasi (R2), berarti 12,5% dari variasi
tambahan pendapatan bisa dijelaskan oleh variabel biaya promosi. Sementara
sisanya (100% - 12,5% = 87,5%) karena sebab yang lain. Rsquare berkisar pada
angka 0 sampai 1, semakin kecil Rsquare maka semakin lemah hubungan kedua
variabel.
3. Uji Korelasi Linear Sederhana
4. Uji Asumsi dalam Regresi Linear Berganda (Uji Normalitas Residual, Uji
Heteroskedastisitas, Uji Multikolinearitas, dan Uji Autokorelasi)
a. Uji Normalitas Residual
b. Uji Heteroskedastisitas

Nilai signifikansi variable Suhu Lingkungan sebesar o,507 maka dapat

disimpulkan bahwa dalam model regresi tidak terjadi heteroskedastisitas karena
.0,005. Nilai signifikansi Usia Mesin sebesae 0,388 maka dapat disimpulkan bahwa
model regresi tidak terjadi heteroskedastisitas. Niali signifikansi Jumlah Air
sebesar maka dapat disimpulkan bahwa model regresi tidak terjadi
heteroskedastisitas.
 c. Uji Multikolinearitas

Nilai tolerance sebesar 0,959, 0,999 dan 0,960 dan nilai VIF sebesar 1,043, 1,001
dam 1,042. Sehingga dapat disimpulkan bahwa pengujian ini tidak terjadi masalah
multikolinearitas karena Tolerance > 0,1 dan VIF < 10.
d. Uji Autokorelasi

Nilai Durbin-Watson sebesar 2,174 dengan signifikansi 0,05

5. Uji Regresi Linear Berganda
a. Coefficients

Y = 46,813 + 0,316 x1 - 2,154 x2 - 0,272 x3

Dimana Y = cacat genteng, x1 = suhu lingkungan, x2 = usia mesin dan x3 = jumlah
air.
b. Chart
 Chart diatas menunjukkan bahwa nilai resiodual adalah normal karena berada pada
ambang batas garis normal.
c. Correlations

Besar hubungan antara variabel cacat genteng dengan suhu lingkungan yang di
hitungan dengan koefisien korelasi adalah -0,200, sedangkan dengan usia mesin
dengan koefisien korelasi adalah 1 dan jumlah air dengan koefisien korelasi adalah
0,019. Karena korelasi yang oaling besar nilainya adalah usia mesin maka yang
paling berpengaruh terhadap cacat genteng.
d. Model Summary
 Nilai R square pada table adalah 0,0221. Hal tersebut berarti 2,21% dari variasi
cacat genteng bias di jelaskan oleh suhu lingkungan, usia mesin dan jumlah air.
Sementara sisanya (100%- 2,21% = 97,79%) dijelaskan oleh sebab-sebab yang
lain. R square berkisar pada angka 0 sampai 1, dengan catatan semakin kecil angka
R square maka semakin lemah hubungan kedua variabel.
6. Uji Korelasi Linear Berganda

4.6.2 Analisis Hasil/Output

1. Analisis Regresi Linear Sederhana
Tabel 2. Perbandingan Perhitungan Manual dan SPSS
Manual SPSS
Persamaan Y = 46,875 - 2,2190 x Y = 46,875 - 2,219 x
R - 0,3534 0,353
R2 0,12489 0,125
Thitung - 1,9990 - 1,999
Ttabel 2,048 -
Signifikansi - 0,200
Berdasarkan tabel perbandingan di atas, hasil perhitungan manual dan SPSS tidak
terdapat perbedaan.
2. Analisis Linear Berganda
Tabel 3. Perhitungan SPSS
SPSS
Persamaan Y = 46,813 + 0,316 x1 - 2,154 x2 - 0,272 x3
RSuhu Lingkungan - 0,031
RJumlah Air - 0,200
RUsia Mesin 0,071

4.7 Rekomendasi
 1. Uji Regresi dan Korelasi Linear Sederhana
2. Uji Regresi dan Korelasi Linear Berganda
4.8 Kesimpulan
1. Uji Regresi dan Korelasi Linear Sederhana
Persamaan regresi linear sederhana yaitu Y = 46,875 - 2,2190 x dengan nilai koefisien
korelasi 0,3534 yaitu sangat tinggi.
2. Uji Regresi dan Korelasi Linear Berganda
Persamaan regresi linear berganda antara perhitungan manual dan SPSS sudah sama
yaitu Y = 46,813 + 0,316 x1 - 2,154 x2 - 0,272 x3, begitu pula dengan nilai koefisien
korelasi antara suhu lingkungan dan cacat genteng pada perhitungan SPSS, yaitu
sebesar - 0,031 yang berarti hubungan korelasinya rendah. Koefisien korelasi antara
jumlah air dan cacat genteng yaitu sebesar - 0,200 yang berarti hubungan korelasinya
rendah. Koefisien korelasi antara jumlah air dan cacat genteng yaitu sebesar 0,071 yang
berarti hubungan korelasinya tinggi.
 Daftar Pustaka

Permai, Syarifah & Jauri, Ronald & Chowanda, Andry. (2019). Spatial autoregressive (SAR)
model for average expenditure of Papua Province. Procedia Computer Science. 157. 537-
542. 10.1016/j.procs.2019.09.011.

Permai, Syarifah & Tanty, Heruna. (2018). Linear regression model using bayesian approach
for energy performance of residential building. Procedia Computer Science. 135. 671-
677. 10.1016/j.procs.2018.08.219.

Pudjihartati, Endang & Ilyas, Satriyas & Sudarsono, S.. (2006). Aktivitas Pembentukan secara
Cepat Spesies Oksigen Aktif, Peroksidase, dan Kandungan Lignin Kacang Tanah
Terinfeksi Sclerotium rolfsii. HAYATI Journal of Biosciences. 13. 166-172.
10.1016/S1978-3019(16)30313-8.