LAPORAN AKHIR

PRAKTIKUM STATISTIKA INDUSTRI

Disusun Oleh:

Kelompok/ Kelas : 2 (Dua) / 2ID04

Nama/ NPM : 1. Fachrul R. R. Hanafie / 30420428
2. Afif Zulfan / 30420059
3. Salman Syahril Wahab / 31420330
4. Naela Musyarofah / 30420942
Modul : Regresi
Asisten Pembimbing : Rendy Triandy

LABORATORIUM TEKNIK INDUSTRI DASAR

JURUSAN TEKNIK INDUSTRI
FAKULTAS TEKNOLOGI INDUSTRI
UNIVERSITAS GUNADARMA
DEPOK
2021
 BAB I
PENDAHULUAN

1.1 Latar Belakang

UMKM adalah suatu unit ekonomi menengah yang mempunyai
kapabilitas produksi rutin namun biasanya tidak memiliki kapabilitas logistik
untuk mengirimkan produknya sendiri. Perusahaan dalam memproduksi sebuah
produk harus mengetahui variabel apa saja yang akan digunakan tetapi perusahaan
belum mengetahui seberapa besar pengaruh variabel tersebut satu sama lain.
Perusahaan harus mampu memprediksi seberapa jauh perubahaan nilai dari
variabel terikat bila variabel bebas diubah. Permasalahan yang timbul yaitu
perusahaan salah memilih dalam mengambil sebuah keputusan yang menyangkut
dengan masa depan perusahaan itu sendiri. Perusahaan harus bisa meramalkan
atau memprediksi hal-hal apa saja yang akan terjadi dimasa yang akan mendatang.
Guna memaksimalkan jumlah produk yang bisa dikirimkan, dibutuhkan suatu
analisis regresi untuk mencari persamaan garis linier regresi agar dapat
memprediksi jumlah produk terkirim sesuai dengan jangkauan distributor.
Statistika adalah ilmu yang berkaitan dengan mengembangkan dan
mempelajari metode untuk mengumpulkan, menganalisis, menafsirkan, dan
menyajikan data empiris. Regresi adalah suatu metode untuk menentukan
hubungan sebab-akibat antara suatu variabel terikat dengan variabel bebas.
Hubungan antara variabel ini bersifat linier dimana perubahan terhadap variabel
bebas X akan mempengaruhi variabel terikat Y secara proporsional. Pada
penelitian ini, jumlah toko yang dijangkau distributor (gerai) adalah variabel
bebas X sementara jumlah produk terkirim (ratus unit) adalah variabel terikat Y
yang berupa makanan ringan kerupuk kulit ikan berisi 20 kerupuk per kemasan.
Regresi diaplikasikan pada permasalahan UMKM Berkah laut.
Harapannya perusahaan dapat mengetahui hubungan antara jumlah toko yang
dijangkau distributor (X) dan jumlah produk yang terkirim (Y) dan ingin
meramalkan hubungan antara keduanya. Perusahaan juga dapat mengukur
keuntungan serta memprediksi untuk mengambil keputusan terbaik demi
memaksimalkan jumlah produk terkirim.
1.2 Tujuan Penulisan
Tujuan dari penelitian ini adalah mengetahui fungsi linear regresi untuk
hubungan antara jumlah toko yang dijangkau distributor (gerai) (X) terhadap
jumlah produk yang terkirim (ratus unit) (Y). Berikut penjabaran tujuannya:
1. Mengetahui fungsi regresi yang merepresentasikan hubungan sebab-akibat
antara jumlah toko yang dijangkau distributor (gerai) (X) terhadap jumlah
produk yang dikirim (ratus unit) (Y) selama 36 bulan.
2. Mengetahui hasil pendugaan dari jumlah produk terkirim
a) Jika jumlah toko yang dijangkau distributor (X) sebanyak 50 gerai.
b) Jika jumlah toko yang dijangkau distributor (X) sebanyak 20 gerai.
c) Jika jumlah toko yang dijangkau distributor (X) sebanyak 30 gerai.
 BAB II
LANDASAN TEORI

1.1 Pengertian Regresi

Regresi adalah metode statistik yang dipakai untuk memperkirakan
hubungan antara dua variabel dimana salah satu variabel mempengaruhi variabel
lain. Variabel yang mempengaruhi disebut variabel independen dan variabel yang
dipengaruhi disebut variabel dependen atau terikat. Metode ini juga bisa menilai
kekuatan hubungan antara variabel dengan memprediksi nilai yang akan keluar.
Analisis regresi memiliki beberapa variasi yaitu linier, linier majemuk, dan
non-linier. Linier dan linier majemuk umum digunakan untuk data yang sederhana
sementara nonlinear digunakan untuk kelompok data yang memiliki hubungan
antarvariabel yang tidak sejalan.
Kegunaan analisis regresi tidak hanya sebatas memprediksi nilai suatu
variabel di masa depan. Analisis regresi dapat digunakan untuk memperbaiki error
dan menunjukkan perspektif baru dalam hubungan antara variabel. Hal-hal
tersebut dapat berkontribusi untuk meningkatkan efisiensi operasional.

1.2 Jenis-jenis Pola Data

Data dapat membentuk suatu pola ketika ditranslasikan ke dalam bentuk
diagram. Pola - pola yang dibentuk adalah sebagai berikut.
1. Pola trend
Data yang memiliki pola trend merepresentasikan suatu kecenderungan
dimana data naik atau turun secara linier. Hal ini berarti perubahan pada suatu
variabel independen diikuti dengan perubahan yang relatif proporsional pada
variabel yang dipengaruhi sehingga membentuk suatu tren naik atau turun.
2. Pola siklis
Data dengan pola siklis merepresentasikan pola naik atau turun dalam kurun
suatu siklus, biasanya waktu. Pola siklis tidak menunjukkan pengulangan
pola data, hanya pola spesifik pada suatu siklus.

3. Pola musim
Pola musim menunjukkan pola naik atau turun berulang dalam suatu siklus.
Berbeda dengan pola siklis yang tidak memiliki pengulangan, pola musim
menunjukkan pengulangan yang relatif konsisten dalam suatu siklus yang
ditentukan.
4. Pola tak beraturan
Pola tak beraturan menunjukkan bagaimana suatu data berfluktuasi di sekitar
rata-ratanya. Faktor-faktor yang tidak dapat diantisipasi biasanya
menyebabkan pola data seperti ini.

1.3 Pengertian Regresi Linear

Regresi linier sederhana adalah suatu metode yang digunakan untuk
melihat hubungan antar satu variabel independent (bebas) dan mempunyai
hubungan garis lurus dengan variabel dependennya (terikat). adalah hubungan
secara linear antara dua atau lebih variabel independen (X1, X2,….Xn) dengan
variabel dependen (Y). maka data yang digunakan biasanya berskala interval atau
rasio. Variabel yang mempengaruhi dinamakan variabel independen dan variabel
yang dipengaruhi dinamakan variabel dependen. Regresi linier sederhana berguna
untuk menyelidiki hubungan antara dua variabel yang memiliki tren hubungan
linier dimana perubahan nilai pada variabel independen akan mengakibatkan
perubahan nilai yang proporsional pada variabel terikat yang dipengaruhi.
Model probabilistik untuk regresi linier sederhana adalah:

Dimana X adalah variabel independen, Y adalah variabel dependen, dan a dan b

adalah parameter koefisien regresi yang berupa nilai intersep (a) dan nilai slope
(b). Variabel independen X diasumsikan bukan variabel acak dapat diobservasi
dengan kekeliruan yang dapat diabaikan, dan variasi dalam X dianggap dapat
diabaikan dibanding dengan range dari X. Variabel dependen Y dianggap variabel
acak.
 Parameter koefisien regresi diestimasikan dengan metode kuadrat terkecil
dimana model probabilistik regresi linier sederhana dimodelkan dengan galat acak
(ε) sehingga berbentuk:

+ε
Atau,

Lalu jika tersedia sampel dari n responden maka dapat juga ditulis
menjadi:

Model yang terbaik adalah model yang memiliki nilai galat ( ) terkecil
namun tidak dapat menggunakan model yang seluruh jumlah galatnya adalah 0
karena adanya galat positif dan negatif. Jika seluruh galat dikuadratkan maka
nilainya selalu positif dan keseluruhannya dijumlahkan sehingga dapat ditulis:

Jumlah kuadrat galat inilah yang kemudian dibuat sekecil mungkin

sehingga nilai a dan b yang menghasilkan jumlah kuadrat galat minimum dapat
menjadi estimator yang digunakan sebagai koefisien parameter regresi linier.
Estimator ini disebut estimator kuadrat terkecil dan secara matematis dapat
dibuktikan. Rumus untuk nilai intersep (a) adalah

atau

Sedangkan rumus untuk nilai slope (b) adalah

 Nilai parameter koefisien linier regresi yang ditemukan dapat dimasukkan
ke dalam persamaan regresi linier untuk merepresentasikan hubungan sebab-
akibat antara variabel independen X dan variabel dependen Y.

1.4 Asumsi Klasik Regresi

Uji asumsi klasik adalah pengujian yang dilakukan untuk mengetahui
apakah regresi tersebut memiliki variable yang sama atau tidak. Tujuan pengujian
asumsi klasik adalah untuk memberikan kepastian bahwa persamaan regresi yang
diperoleh memiliki ketepatan dalam estimasi, tidak bias, dan konsisten. Berikut
merupakan uji asumsi klasik regresi
1. Uji Normalitas
Uji normalitas dapat dilakukan dengan normal P-P Plot dan uji Kolmogorov-
Smirnov. Pada normal P-P Plot, jika data menyebar di sekitar garis diagonal
sesuai dengan arah garis pola distribusi normal, maka model regresi
memenuhi asumsi normalitas.
2. Homoskedastisitas
Homoskedastisitas mengasumsikan bahwa setiap sisaan masih tetap sama
baik untuk nilai-nilai variabel independen yang kecil maupun besar. Hal ini
dapat dilakukan dengan melihat pola tebaran sisaan terhadap nilai estimasi
variabel terikat/dependen.
3. Linearitas
Linearitas bermaksud bagaimana garis regresi antara variabel independen dan
variabel dependen membentuk suatu garis linear atau tidak. Salah satu metode
pengujian adalah dengan uji Durbin-Watson dengan taraf signifikansi 5%.
4. Non-autokorelasi
Non-autokorelasi merupakan asumsi bahwa tidak ada autokorelasi antara
serangkaian pengamatan yang diurutkan menurutkan waktu. Pengujian dapat
dilakukan dengan uji Durbin-Watson dengan mencari nilai d dimana jika
memenuhi dU < d < 4 - dU.
5. Non-multikolinearitas
 Kolinearitas terjadi ketika terdapat korelasi yang cukup tinggi di antara
variabel independen. VIF (Variance Inflation Factor) merupakan salah satu
cara untuk mengukur besar kolinearitas dimana jika jika nilai VIF < 10 berarti
tidak dapat multikolinearitas.

1.5 Penyimpangan Asumsi Dasar

Penyimpangan asumsi dasar merupakan pelanggara dari asumsi dasar yang
telah dijabarkan pada subbab sebelumnya. Berikut adalah penyimpangan uji
asumsi klasik:
1. Heteroskedastisitas
Merupakan suatu keadaan dimana error yang ditimbulkan masih memiliki
pola linear yang kuat terhadap variabel independennya
2. Multikolinearitas
Adalah adanya hubungan linear antara peubah bebas X dalam Model Regresi
Ganda
3. Autokorelasi
Adalah untuk melihat apakah terjadi korelasi antara suatu periode t dengan
periode sebelumnya (t -1).
 BAB III
PEMBAHASAN DAN ANALISIS

3.1 Studi Kasus

UMKM Berkah Laut merupakan unit produksi kolektif suatu desa nelayan
yang mengolah hasil laut menjadi produk yang bisa langsung dikonsumsi. Produk
terbaru mereka berupa makanan ringan kerupuk kulit ikan. Produk tersebut tidak
dijual langsung oleh UMKM sehingga diperlukan adanya distributor pihak ketiga
yang akan mengantar produk ke gerai-gerai toko sesuai dengan jangkauannya.
UMKM menghadapi suatu masalah dimana jangkauan distributor tidak selalu
pasti sehingga memerlukan fungsi linear regresi untuk memprediksi jumlah
produk yang akan dikirim. Berikut merupakan data hasil pengamatan yang
dilakukan selama 36 bulan.
Tabel 3.1 Data Pengamatan Kerupuk UMKM Berkah Laut
Bulan ke- Jumlah toko Jumlah Bulan ke- Jumlah toko Jumlah
yang Produk yang Produk
dijangkau Dikirim dijangkau Dikirim
distributor (Ratus Unit) distributor (Ratus Unit)
(Gerai) (Gerai)
1 15 32 19 59 94
2 17 38 20 41 76
3 38 70 21 52 85
4 19 45 22 42 77
5 21 46 23 37 67
6 22 47 24 45 78
7 26 53 25 50 85
8 18 40 26 48 79
9 27 54 27 58 92
10 29 59 28 49 84
11 30 59 29 25 49
12 33 62 30 62 98
13 25 48 31 53 86
14 34 63 32 55 90
15 36 66 33 61 96
16 18 39 34 56 91
17 38 71 35 59 95
18 40 75 36 62 99
Tabel di atas menunjukkan hasil dari pengamatan yang dilakukan UMKM
Berkah Laut selama 36 minggu. Berdasarkan tabel data di atas, UMKM Berkah
Laut ingin mngetahui.
1. Fungsi regresi yang merepresentasikan hubungan sebab-akibat antara jumlah
toko yang dijangkau distributor (gerai) (X) terhadap jumlah produk yang
dikirim (ratus unit) (Y) selama 36 bulan.
2. Nilai slope (b) yang berlaku untuk fungsi linear regresi antara jumlah toko
yang dijangkau distributor (gerai) (X) terhadap jumlah produk yang dikirim
(ratus unit) (Y).
Mengetahui hasil pendugaan dari jumlah produk terkirim
a) Jika jumlah toko yang dijangkau distributor (X) sebanyak 50 gerai
b) Jika jumlah toko yang dijangkau distributor (X) sebanyak 20 gerai
c) Jika jumlah toko yang dijangkau distributor (X) sebanyak 30 gerai

3.2 Pengujian Data

Pengujian data adalah suatu proses validasi data untuk memastikan
keabsahan data yang digunakan untuk analisis regresi. Suatu data yang valid
untuk analisis regresi harus memenuhi beberapa asumsi yaitu linearitas,
autokorelasi, heteroskedastisitas, multikolinieritas, dan normalitas. Namun, tidak
semua asumsi klasik perlu diuji tergantung dengan data yang digunakan. Pada
data hasil pengamatan kerupuk UMKM Berkah Laut, telah dilakukan pengujian
data melalui software yaitu SPSS 16.0 dan Microsoft Excel. Berikut adalah data
yang dimasukkan ke excel.
 Gambar 3.1 spreadsheet Excel
Microsoft Excel memiliki fitur untuk membuat scatter chart untuk melihat
tren arah data dari data yang dimasukkan ke flowchart. Diagram Scatter dapat
dibuat dengan mem-blok data yang ingin dijadikan diagram lalu memilih diagram
scatter pada tab menu Insert. Berikut tampilannya.
 Gambar 3.2 Scatter Chart pada tab menu Insert
Diagram scatter yang ditampilkan akan menunjukkan tren data antara
Jumlah toko yang dijangkau distributor (gerai) dengan Jumlah produk terkirim
(Ratus unit). Jika data yang dimasukkan sudah sesuai untuk analisis regresi, maka
akan terlihat tren naik linier. Berikut adalah hasil output diagramnya.

Gambar 3.3 Scatter Chart pada tab menu Insert

 Diagram di atas menunjukkan bahwa hubungan antara Jumlah toko yang
dijangkau distributor (Gerai) dan Jumlah produk terkirim (Ratus unit) memiliki
tren data yang naik secara linier. Data ini sah digunakan untuk analisis regresi.

3.3 Pengolahan Data

Pengolahan data adalah suatu kegiatan yang dilakukan untuk mengolah
data yang didapatkan menjadi informasi yang berguna sesuai dengan konteks
tujuan penelitian. Data pengamatan juga akan diolah menjadi beberapa data
tambahan untuk membantu menghitung nilai intersep (a), nilai slope (b), dan
fungsi linear regresi.

3.3.1 Perhitungan Manual

Perhitungan manual adalah kegiatan menghitung nilai koefisien yang
dibutuhkan menggunakan rumus dengan memasukkan nilai dari data yang
dibutuhkan beserta segala data tambahan hasil pengolahan data awal. Berikut
adalah tabel perhitungan berisi data tambahan untuk perhitungan manual.
Variabel bebas (X) = Jumlah toko yang dijangkau distributor (gerai)
Variabel terikat (Y) = Jumlah produk terkirim (ratis unit)
Tabel 3.2 Tabel Perhitungan UMKM Berkah Laut
No. X Y X2 XY
1 15 32 225 480
2 17 38 289 646
3 38 70 1444 2660
4 19 45 361 855
5 21 46 441 966
6 22 47 484 1034
7 26 53 676 1378
8 18 40 324 720
9 27 54 729 1458
10 29 59 841 1711
11 30 59 900 1770
12 33 62 1089 2046
13 25 48 625 1200
14 34 63 1156 2142
15 36 66 1296 2376
16 18 39 324 702
17 38 71 1444 2698
18 40 75 1600 3000
Tabel 3.2 Tabel Perhitungan UMKM Berkah Laut (Lanjutan)
No. X Y X2 XY
 19 59 94 3481 5546
20 41 76 1681 3116
21 52 85 2704 4420
22 42 77 1764 3234
23 37 67 1369 2479
24 45 78 2025 3510
25 50 85 2500 4250
26 48 79 2304 3792
27 58 92 3364 5336
28 49 84 2401 4116
29 25 49 625 1225
30 62 98 3844 6076
31 53 86 2809 4558
32 55 90 3025 4950
33 61 96 3721 5856
34 56 91 3136 5096
35 59 95 3481 5605
36 62 99 3844 6138
∑ 1400 2488 62326 107145
Tabel di atas menunjukkan hasil pengolahan variabel-variabel dari tabel
pengamatan agar dapat digunakan dapat perhitungan manual. Berdasarkan tabel di
atas, dapat dilakukan perhitungan sebagai berikut.
1. Persamaan Linier Regresi
Persamaan linier regresi adalah satu fungsi yang merepresentasikan
hubungan sebab-akibat antara suatu variabel bebas (jumlah toko yang dijangkau
distributor (X)) dengan variabel terikat (jumlah produk terkirim (Y)) yang
dipegaruhinya. Persamaan yang jadi bentuknya selalu linier, berarti jika nilai
variabel bebasnya naik maka variabel terikanya akan naik secara proporsional
juga. Proporsi kenaikan nilai ini direpresentasikan dengan nilai intersep yang
merupakan berapa banyak nilai variabel terikat ketika variabel bebas = 0, dan nilai
slope yang merupakan rasio variabel terikat terhadap variabel bebas. Berikut
adalah perhitungan manual untuk mencari nilai intersep (a).
 Nilai a (intersep) yang didapatkan adalah 17,848. Hal tersebut berarti
jumlah produk terkirim (Y) akan selalu lebih 17,848 ratus unit dari jumlah toko
yang dijangkau distributor (X). Berikut adalah perhitungan nilai slope (b).

Nilai b (slope) yang didapatkan adalah 1,319X. Hal tersebut berarti untuk
setiap 1 gerai jumlah toko yang dijangkau distributor (X) ada 1,319 ratus unit
jumlah produk terkirim (Y). Setelah menemukan nilai a (intersep) dan nilai b
(slope) maka dapat dimasukkan ke dalam rumus persamaan linear regresi.
Persamaannya sebagai berikut.

Persamaan ini dapat memprediksi jumlah produk terkirim (Y) ketika

jumlah toko yang dijangkau distributor (X) memiliki nilai tertentu. Nilai Y akan
selalu 1,319 kali nilai X ditambah 17,848 dengan hasil dibulatkan ke atas untuk
menjaga stok berlebih sehingga tidak defisit.

2. Pendugaan Hasil
Persamaan linier regresi yang telah dihitung dapat digunakan untuk
memprediksi jumlah produk terkirim (Y) ketika jumlah toko yang dijangkau
distributor (X) bernilai tertentu. Pada kasus ini ingin diketahui nilai Y ketika X
adalah 50, 20, dan 30.
a. Jumlah produk terkirim Jika jumlah toko yang dijangkau distributor (X)
sebanyak 50 gerai.

Nilai Y yang didapatkan dari perhitungan di atas adalah 83,798 dan jika
dibulatkan ke atas adalah 84. Hal ini berarti jika jumlah toko yang dijangkau
distributor (X) adalah 50 gerai maka akan ada 84 ratus unit jumlah produk
terkirim (Y).
b. Jumlah produk terkirim Jika jumlah toko yang dijangkau distributor (X)
sebanyak 20 gerai.

Nilai Y yang didapatkan dari perhitungan di atas adalah 44,288, dan jika
dibulatkan ke atas adalah 45. Hal ini berarti jika jumlah toko yang dijangkau
distributor (X) adalah 20 gerai maka akan ada 45 ratus unit jumlah produk
terkirim (Y).
c. Jumlah produk terkirim Jika jumlah toko yang dijangkau distributor (X)
sebanyak 30 gerai.

Nilai Y yang didapatkan dari perhitungan di atas adalah 57,418 dan jika
dibulatkan ke atas adalah 58. Hal ini berarti jika jumlah toko yang dijangkau
distributor (X) adalah 30 gerai maka akan ada 58 ratus unit jumlah produk
terkirim (Y).
3.3.2 Pengolahan Software
Pengolahan dilakukan menggunakan SPSS versi 16.0. Software SPSS
merupakan software statistika dengan banyak operasi perhitungan yang sudah
terintegrasi ke dalam fungsi-fungsi programnya. Penggunaan software ini berguna
untuk mempermudah dalam memperoleh nilai intersep (a) dan nilai slope (b)
untuk digunakan di dalam persamaan garis linier regresi untuk data pengamatan
pada penelitian ini.
Langkah pertama pada layar utama SPSS 16.0 setelah membuka jendela
aplikasinya, jika memilih untuk membuat data dari awal, adalah mengganti
tampilan menjadi variable view. Variabel-variabel yang digunakan dalam laporan
dimasukkan ke dalam kolom name. Berikut adalah gambar pengisian variabel
yang sesuai.

g
ambar 3.4 variable view
Setelah semua variabel sudah sesuai, kembali ke data view untuk memasukkan
data sesuai dengan tiap variabelnya. Pastikan angka yang dimasukkan sesuai
dengan data pada tabel hasil pengamatan. Berikut adalah gambar pengisian data
yang sesuai.
 gambar 3.5 jendela Linear Regression
Sebelum menjalankan fungsi program, ada beberapa opsi yang perlu
dipilih agar hasil output dapat memperlihatkan nilai-nilai tertentu untuk menguji
keabsahan data. Langkah selanjutnya adalah mengklik tombol Statistics pada
kanan atas jendela lalu mencentang opsi-opsi berikut: Estimates, Model fit,
Descriptives, Durin-Watson, dan Casewise diagnostics dengan pilihan All cases.
Setelah semua opsi yang dibutuhkan sudah dicentang, klik Continue. Berikut
adalah gambar jendela Linear Regression: Statistics.
 gambar 3.6 jendela Plots dari jendela Linear Regression
Selanjutnya, klik tombol Next pada scatter dan atur untuk scatter 2 of 2
agar ZPRED dalam boks Y dan DEPENDNT dalam boks Z. Berikut adalah
gambar jendela Linear Regression: Plots untuk scatter 2 of 2.

gambar 3.7 jendela Plots scatter 2 of 2 dari jendela Linear Regression

Terakhir sebelum menjalankan fungsi program, pada jendela Linear
Regression utama, klik tombol options. Pada jendela Linear Regression: Options,
centang opsi Use probability of F dengan Entry .05 dan Removal .10, Include
constant in equation, dan Exclude cases listwise. Berikut adalah gambar jendela
Linear Regression: Options.

gambar 3.8 jendela Linear Regression: Options

Program akan menghasilkan output pada jendela terpisah ketika fungsinya
dijalankan. Jika semua opsi sudah benar, program akan menghasilkan tujuh tabel
dan tiga grafik. Berikut adalah hasil output programnya.

gambar 3.9 tabel statistik deskriptif)

Rata-rata jumlah pengiriman produk (Y) adalah 69,11 untuk 36 data dan rata-rata
jumlah toko yang dijangkau distributor (X) adalah 38,89 untuk jumlah data yang sama.
Berikut adalah tabel korelasinya.

gambar 3.10 tabel korelasi Pearson

 Tabel ini menunjukkan koefisien korelasi Pearson antara variabel X
terhadap variabel Y yang bernilai 0,994. Data yang digunakan berupa data dengan
tren naik linear satu arah sehingga nilai signifikansi yang ditampilkan pada tabel
ini berupa signifikansi 1-tailed dengan signifikansi 0,000. Berikut adalah tabel
variabel entered/removed.

gambar 3.11 tabel Variables Entered/Removed

Tabel ini menjelaskan variabel mana yang dimasukkan atau dibuang dan metode
yang digunakan. Variabel yang dimasukkan adalah jumlah toko yang dijangkau
distributor sebagai predictor dengan metode enter. Berikut adalah tabel model
summary.

gambar 3.12 tabel Model Summary

Tabel model summary menjelaskan besarnya nilai determinan koefisien
korelasi Pearson (R square) sebesar 0,988 yang didapatkan dengan
mengkuadratkan nilai koefisien korelasi Pearson (R) sebesar 0,994. Berikut
adalah tabel Coefficients.

gambar 3.13 tabel Coefficients

Pada tabel ini bisa didapatkan nilai intersep (a) dan nilai slope (b) yang
dibutuhkan untuk membuat persamaan linier regresi. Nilai a dapat ditemukan pada
kolom B baris (Constant) dengan nilai 17,848 sementara nilai b dapat ditemukan
di bawahnya dengan nilai 1,318. Persamaan linier regresi yang didapatkan dari
hasil output pengolahan software adalah Y = 17,848 + 1,318X. Berikut adalah
tabel casewise diagnostic.

(gambar 3.14 tabel Casewise Diagnostics)

 Tabel casewise diagnostic dapat menunjukkan perbandingan antara nilai
variabel bebas Y yang diprediksi dengan nilai variabel bebas Y yang
sesungguhnya beserta selisihnya pada tabel nilai residual. Pada penelitian ini,
variabel Y adalah jumlah produk yang terkirim. Nilai residual paling jauh sebesar
-5,621 dari selisih antara Y nyata sebesar 32 dengan Y prediksi sebesar 37,62.
Nilai residual paling dekat sebesar .152 dari selisih antara Y nyata sebesar 47 dan
Y prediksi sebesar 46,85. Berikut adalah tabel residual statistic.

(gambar 3.15 tabel Residuals Statistics)

Tabel ini menunjukkan beberapa hal, diantaranya adalah Predicted Value
dengan nilai minimum sebesar 37,68, maksimum sebesar 99,58, rata-rata sebesar
69,14, dan nilai baku sebesar 19,764. Std. Predicted Value dengan nilai minimum
sebesar -1,592, maksimum sebesar 1,540, rata-rata sebesar 0,000, dan nilai baku
sebesar 1000. Standard Error of Predicted Value dengan nilai minimum sebesar
0,378, maksimum sebesar 0,717, rata-rata sebesar 0,522, dan nilai baku sebesar
0,113. Adjusted Predicted Value dengan nilai minimum sebesar 38,31, maksimum
sebesar 99,74, rata-rata sebesar 69,18, dan nilai baku sebesar 19,756. Residual
dengan nilai minimum sebesar -5,676, maksimum sebesar 4,398, rata-rata sebesar
0,000, dan nilai baku sebesar 2,232. Std. Residual dengan nilai minimum sebesar
-2,506, maksimum sebesar 1,942, rata-rata sebesar 0,000, dan nilai baku sebesar
0,986. Berikut adalah grafik scatterplot dengan garis tren.
 (gambar 3.16 grafik tren linier)
Grafik di atas menunjukkan tren naik linear yang dimiliki data hasil
pengamatan. Berikut adalah grafik scatterplot untuk menguji heteroskedastisitas.

(gambar 3.17 grafik uji heteroskedastisitas)

 Grafik di atas menunjukkan bagaimana titik menyebar dan tidak
membentuk pola tertentu. Hal tersebut memenuhi syarat uji heteroskedastisitas.
Berikut adalah grafik scatterplot menggunakan sumbu X dan Y dari regression
standardized predicted value.

(gambar 3.18 tabel nilai regresi)

Grafik terakhir menunjukkan bahwa data tertera dari kiri bawah menuju ke
kanan atas. Hal ini menandakan bahwa nilai regresi telah terpenuhi.
3.4 Analisis
Analisis dilakukan untuk menyelidiki hasil perhitungan yang telah
dilakukan sesuai dengan tujuan penelitian. Analisis regresi sendiri merupakan
suatu kegiatan untuk menyelidiki hubungan sebab-akibat antara suatu variabel
bebas terhadap suatu variabel terikat.

3.4.1 Analisis Perhitungan Manual

Analisis perhitungan manual adalah kegiatan mengolah data dengan
perhitungan oleh praktikan dengan menggunakan rumus secara manual. Penelitian
ini memerlukan praktikan untuk mencari persamaan fungsi linier regresi yang
menunjukkan hubungan sebab-akibat antara jumlah toko yang dijangkau
distributor (X) sebagai variabel bebas terhadap jumlah produk yang dikirim (Y)
sebagai variabel terikat.
Persamaan fungsi linier regresi dapat ditemukan dengan menghitung nilai
intersep (a) yang didapatkan sebesar 17,848 yang berarti untuk setiap jumlah toko
yang dijangkau distributor, selalu ditambah 17,848 ratus unit produk terkirim.
Lalu nilai slope (b) yang didapatkan sebesar 1,319 yang berarti untuk setiap
jumlah toko yang dijangkau distributor maka ada 1,319 ratus unit produk terkirim.
Sesuai dengan persamaan Y = a + bX maka didapatkan persamaan linier
regresi yaitu Y = 17,848 + 1,319X. Persamaan tersebut menunjukkan bahwa
untuk setiap satu gerai toko yang dijangkau distributor (X), maka akan ada 1,319
ratus unit ditambah 17,848 ratus unit produk terkirim (Y) dengan hasil akhirnya
yang selalu dibulatkan ke atas untuk jaga-jaga agar tidak terjadi defisit stok.
Bahkan ketika tidak ada toko yang dapat dijangkau distributor (X = 0), akan selalu
ada 1,319 ratus unit produk yang terkirim (Y), jika dibulatkan ke atas dapat
diprediksi setidaknya selalu ada 2 ratus unit produk yang terkirim (Y).
Pada penelitian ini dibutuhkan prediksi jumlah produk terkirim (Y) jika
jumlah toko yang dijangkau distributor (X) adalah 50, 20, dan 30. Jika nilai X =
50 maka persamaan linier regresinya menjadi Y = 17,848 + 1,319(50) dengan Y =
83,789 dimana hasilnya dibulatkan menjadi 84. Hal ini berarti untuk 50 gerai toko
yang dijangkau distributor (X) akan ada 84 ratus unit produk terkirim. Jika nilai X
= 20 maka persamaan linier regresinya menjadi Y = 17,848 + 1,319(20) dengan Y
= 44,228 dimana hasilnya dibulatkan menjadi 45. Hal ini berarti untuk 20 gerai
toko yang dijangkau distributor (X) akan ada 45 ratus unit produk terkirim. Jika
nilai X = 20 maka persamaan linier regresinya menjadi Y = 17,848 + 1,319(30)
dengan Y = 57,418 dimana hasilnya dibulatkan menjadi 58. Hal ini berarti untuk
30 gerai toko yang dijangkau distributor (X) akan ada 58 ratus unit produk
terkirim.

3.4.2 Analisis Pengolahan Software

Analisis pengolahan software adalah kegiatan mengolah data yang
didapatkan dari hasil output oleh software. Hasil output SPSS berupa tujuh tabel
dan tiga grafik. Tujuh output tabel berupa Descriptive Statistics, Correlations,
Variables Entered/Removed, Model Summary, Coefficients, Casewise
Diagnostics, dan Residuals Statistics. Tiga output grafik berupa dua scatter chart
linear yang masing-masing menunjukkan tren linear data, scatterplot sebaran titik
data, dan scatter chart yang memenuhi nilai regresi.
Tabel Descriptive Statistics menunjukkan rata-rata jumlah pengiriman
produk (Y) adalah 69,11 untuk 36 data dan rata-rata jumlah toko yang dijangkau
distributor (X) adalah 38,89 untuk jumlah data yang sama. Tabel Correlation
menunjukkan koefisien korelasi Pearson antara variabel X terhadap variabel Y
yang bernilai 0,994. Data yang digunakan berupa data dengan tren naik linear satu
arah sehingga nilai signifikansi yang ditampilkan pada tabel ini berupa
signifikansi 1-tailed dengan signifikansi 0,000.
Tabel Variables Entered/Removed menjelaskan variabel mana yang
dimasukkan atau dibuang dan metode yang digunakan. Variabel yang dimasukkan
adalah jumlah toko yang dijangkau distributor sebagai predictor dengan metode
enter.
Tabel Model Summary menjelaskan besarnya nilai determinan koefisien
korelasi Pearson (R square) sebesar 0,988 yang didapatkan dengan
mengkuadratkan nilai koefisien korelasi Pearson (R) sebesar 0,994. Hal ini
menunjukkan adanya pengaruh tinggi dari variabel bebas jumlah toko yang
dijangkau distributor (X) terhadap variabel terikat jumlah produk yang dikirim
(Y).
Tabel Coefficients menunjukkan nilai intersep (a) dan nilai slope (b) yang
dibutuhkan untuk membuat persamaan linier regresi. Nilai a dapat ditemukan pada
kolom B baris (Constant) dengan nilai 17,848 sementara nilai b dapat ditemukan
di bawahnya dengan nilai 1,318. Persamaan linier regresi yang didapatkan dari
hasil output pengolahan software adalah Y = 17,848 + 1,318X yang menunjukkan
nilai Y bisa diprediksi akan sebesar 1,319 kali nilai X ditambah 17,848 dan
dibulatkan ke atas.
Tabel Casewise Diagnostics menunjukkan perbandingan antara nilai
variabel bebas Y yang diprediksi dengan nilai variabel bebas Y yang
sesungguhnya beserta selisihnya pada tabel nilai residual. Pada penelitian ini,
variabel Y adalah jumlah produk yang terkirim. Nilai residual paling jauh sebesar
-5,621 dari selisih antara Y nyata sebesar 32 dengan Y prediksi sebesar 37,62.
Nilai residual paling dekat sebesar .152 dari selisih antara Y nyata sebesar 47 dan
Y prediksi sebesar 46,85.
Tabel Residuals Statistics menunjukkan beberapa hal, diantaranya adalah
Predicted Value dengan nilai minimum sebesar 37,68, maksimum sebesar 99,58,
rata-rata sebesar 69,14, dan nilai baku sebesar 19,764. Std. Predicted Value
dengan nilai minimum sebesar -1,592, maksimum sebesar 1,540, rata-rata sebesar
0,000, dan nilai baku sebesar 1000. Standard Error of Predicted Value dengan
nilai minimum sebesar 0,378, maksimum sebesar 0,717, rata-rata sebesar 0,522,
dan nilai baku sebesar 0,113. Adjusted Predicted Value dengan nilai minimum
sebesar 38,31, maksimum sebesar 99,74, rata-rata sebesar 69,18, dan nilai baku
sebesar 19,756. Residual dengan nilai minimum sebesar -5,676, maksimum
sebesar 4,398, rata-rata sebesar 0,000, dan nilai baku sebesar 2,232. Std. Residual
dengan nilai minimum sebesar -2,506, maksimum sebesar 1,942, rata-rata sebesar
0,000, dan nilai baku sebesar 0,986.
Grafik yang dihasilkan output menunjukkan tren naik linear yang dimiliki
data hasil pengamatan sesuai dengan uji linearitas. Titik menyebar dan tidak
membentuk pola tertentu sehingga memenuhi syarat uji heteroskedastisitas.
Grafik terakhir menunjukkan bahwa data tertera dari kiri bawah menuju ke kanan
atas yang menandakan bahwa nilai regresi telah terpenuhi. Setiap grafik
menunjukkan bahwa data sudah memenuhi segala uji asumsi yang dibutuhkan
untuk melakukan regresi.
Persamaan linier regresi yang didapatkan dari pengolahan software dapat
digunakan untuk memprediksi jumlah produk terkirim (Y) sesuai dengan tujuan
penelitian. Ketika jumlah toko yang dijangkau distributor (X) sebanyak 50 gerai
maka berlaku Y = 17,848 + 1,318(50), sehingga jumlah produk terkirim adalah
83,748 dibulatkan ke atas menjadi 84. Hal ini berarti untuk 50 gerai yang dapat
dijangkau distributor (X) akan ada 84 ratus unit produk terkirim (Y). Selanjutnya,
untuk jumlah toko yang dijangkau distributor (X) sebanyak 20 gerai maka berlaku
Y = 17,848 + 1,318(20), sehingga jumlah produk terkirim adalah 44,208
dibulatkan ke atas menjadi 45. Hal ini berarti untuk 20 gerai yang dapat dijangkau
distributor (X) akan ada 45 ratus unit produk terkirim (Y). Terakhir, jika jumlah
toko yang dijangkau distributor (X) sebanyak 30 gerai maka berlaku Y = 17,848 +
1,318(30), sehingga jumlah produk terkirim adalah 57,388 dibulatkan ke atas
menjadi 58. Hal ini berarti untuk 30 gerai yang dapat dijangkau distributor (X)
akan ada 58 ratus unit produk terkirim (Y).

3.4.3 Analisis Perbandingan

Analisis perbandingan adalah analisis yang dilakukan untuk
membandingkan hasil yang didapat dari perhitungan manual dengan hasil yang
didapat dari perhitungan software. Berikut adalah tabel perbandingan hasil dari
keduanya.
Tabel 3.1 Tabel Perbandingan
perbandingan Manual software
Nilai intersep (a) 17,848 17,848
Nilai slope (b) 1,319 1,318
Y = a + bX; X = 50 83,798 83,748
Y = a + bX; X = 20 44,228 44,208
Y = a + bX; X = 30 57,418 57,388
Hasil yang didapatkan dari hasil pengolahan software SPSS nyaris tidak berbeda
dengan hasil perhitungan manual. Nilai intersep (a) yang didapatkan dari
perhitungan manual adalah 17,848 yang juga sama persis dengan yang didapatkan
dari pengolahann software. Nilai slope (b) yang didapatkan dari perhitungan
manual adalah 1,319 sementara dari pengolahan software adalah 1,318, dengan
selisih 0,001. Persamaan linier regresi yang didapatkan dari perhitungan manual
adalah Y = 17,848 + 1,319X sementara dari pengolahan software adalah Y =
17,848 + 1,318X.
Hasil prediksi jumlah produk terkirim (Y) untuk jumlah toko yang
dijangkau distributor (X) sebanyak 50, 20, dan 30 gerai antara perhitungan
manual dan pengolahan software memiliki sedikit perbedaan karena perbedaan
nilai slope (B) antara keduanya. Jumlah produk terkirim (Y) untuk 50 gerai toko
yang dijangkau distributor (X) bernilai 83,798 dari perhitungan manual dan
83,748 dari perhitungan software dengan selisih 0,05, dibulatkan ke atas keduanya
sama - sama bernilai 84. Jumlah produk terkirim (Y) untuk 20 gerai toko yang
dijangkau distributor (X) bernilai 44,228 dari perhitungan manual dan 44,208 dari
perhitungan software dengan selisih 0,02, dibulatkan ke atas keduanya sama -
sama bernilai 85. Jumlah produk terkirim (Y) untuk 30 gerai toko yang dijangkau
distributor (X) bernilai 57,418 dari perhitungan manual dan 57,388 dari
perhitungan software dengan selisih 0,03, dibulatkan ke atas keduanya sama -
sama bernilai 58.
Pebedaan nilai terjadi karena perbedaan antara mesin dan manusia dalam
membulatkan hasil ke 3 angka di belakang koma. Perhitungan manual dilakukan
dengan selalu membulatkan ke atas karena dalam aplikasi regresi di kasus nyata
dan penelitian ini, lebih baik jika kelebihan stok. Pengolahan software selalu
mengikuti pembulatan standar 3 angka di belakang koma, dengan aturan ini,
beberapa nilai bisa dibulatkan ke bawah jika angka ke-4 di belakang koma
bernilai <5. Perbedaan pembulatan ini merupakan letak perbedaan dari hasil
perhitungan manual dengan pengolahan software. Ketika persamaannya
diaplikasikan ke dalam masalah untuk memprediksi jumlah produk terkirim (Y),
secara praktis tidak ada perbedaan antara hasil manual dengan software karena
semua nilai akhir akan dibulatkan ke atas agar tidak terjadi defisit stok.
 BAB IV
PENUTUP

4.1 Kesimpulan
Kesimpulan merupakan hasil jawaban dari tujuan penulisan yang telah
dibuat sebelumnya. Kesimpulan dibuat berdasarkan berbagai proses yang telah
dilakukan dalam pengolahan data yang dilakukan secara perhitungan manual dan
pengolahan software serta analisis data yang dibuat sebelumnya. Berikut
penjabaran dari kesimpulan modul regresi:
1. Perhitungan manual menghasilkan nilai intersep (a) sebesar 17,848 dan nilai
slope (b) sebesar 1,319 sehingga persamaan regresi liniernya adalah Y =
17,848 + 1,319X. Pengolahan software menghasilkan nilai intersep (a)
sebesar 17,848 dan nilai slope (b) sebesar 1,318 sehingga persamaan regresi
liniernya adalah Y = 17,848 + 1,318X.
2. Jika diaplikasikan ke tujuan penelitian maka terdapat sedikit perbedaan antara
jumlah produk terkirim (Y) untuk jumlah toko yang dijangkau distributor (X)
sebanyak 50, 20, dan 30 gerai. Jika jumlah toko yang dijangkau distributor
(X) adalah 50 gerai maka jumlah produk terkirim sebanyak 84 ratus unit,
untuk 20 gerai maka jumlah produk terkirim sebanyak 45 unit, dan untuk 30
gerai maka jumlah produk terkirim sebanyak 58 ratus unit.

4.2. Saran
Saran adalah segala sesuatu yang dipakai sebagai alat untuk mencapai
makna dan tujuan dari seorang peneliti yang berkaitan dengan pemecahan
masalah menjadi objek penelitian ataupun kemungkinan penelitian lanjutan. Saran
yang dapat diberikan dalam penulisan laporan akhir kali ini yaitu
1. Praktikan diharapkan agar lebih teliti dalam perhitungan data secara manual
dan pada software.
2. Praktikan harus memahami kembali materi dalam modul yang telah diberikan
agar dapat menulis laporan dengan baik dan teliti.
3. Praktikan diharapkan agar lebih paham bagaimana penggunaan SPSS 25.0
agar tidak terjadi kesalahan saat pengisian data.
 DAFTAR PUSTAKA
Suyono. 2015. Analisis Regresi untuk Penelitian. Edisi Pertama. Yogyakarta:
Deepublish
Moch Irzad Aditya Imran. 2018. Pengaruh Kepuasan Pelanggan Terhadap Minat
Beli Ulang Makanan di Rumah Makan Ayam Bakar Wong Solo Alauddin
Kota Makassar. Universitas Muhammadiyah Makassar: Jurnal Profitability
Fakultas Ekonomi dan Bisnis