TUGAS IV

PENGANTAR METODOLOGI PENELITIAN

NAMA :

Andi Muh.Ilham Lello Pajugai

NIM
200903502130

PROGRAM STUDI MANAJEMEN

FAKULTAS EKONOMI UNIVERSITAS
NEGERI MAKASSAR
PENGERTIAN DAN MAKNA LAPORAN PENELITIAN DAN GARIS-GARIS
BESAR ISI LAPORAN :

TEKNIK PENGOLAHAN DATA :

a. Metode CHI-KUADRAT
Chi Square atau dikenal juga di Indonesia sebagai uji Kai Kuadrat, adalah salah satu
cara yang digunakan untuk menyampaikan atau menunjukkan keberadaan hubungan
(ada atau tidaknya) antara variabel yang diteliti.
 Penggunaan Uji Chi Square (Kai Kuadrat)
Uji Chi Square sangat cocok digunakan untuk menganalisis data seperti kasus diatas.
Secara umum, uji Chi square dapat digunakan untuk menguji:
 Uji Ⅹ² untuk ada tidaknya hubungan antara dua variabel (Independency test).
 Uji Ⅹ² untuk homogenitas antar- sub kelompok (Homogenity test).
 Uji Ⅹ² untuk Bentuk Distribusi (Goodness of Fit)
 Chi square Ⅹ² dan Goodness of Fit
Uji Chi square merupakan salah satu teknik yang termasuk dalam tipe Goodness of fit.
Goodness of Fit adalah suatu teknik yang menunjukkan bahwa suatu tes dapat
digunakan untuk menguji apakah terdapat perbedaan yang signifikan antara objek
yang diamati dengan objek yang dikategorikan sebagai harapan berdasarkan hipotesis
nol (H₀ ).
 Ciri-Ciri Model Uji Chi Square
 Distribusi Chi Square apabila digambarkan membentuk julur positif.
 Uji Chi Square selalu menghasilkan nilai yang positif.
 Distribusi Chi Square terdiri dari beberapa kelompok atau keluarga, yakni
distribusi Chi Square dengan nilai DK 1, 2, 3 dan seterusnya.
 Syarat Model Uji Chi Square
Syarat yang perlu dipahami sebelum melakukan uji Chi square adalah sampel yang
digunakan harus berukuran besar dan memenuhi ketentuan berikut:
 Tidak ada cell dengan nilai frekuensi amatan atau observasi bernilai 0 (Nol).
 Apabila bentuk tabel kontingensinya adalah 2 X 2, maka tidak boleh ada 1 cell
pun dari frekuensi harapan yang bernilai kurang dari 5.
 Apabila bentuk tabel lebih dari 2 x 2, misalkan 2 x 3, maka jumlah cell frekuensi
harapan yang bernilai kurang dari 5 tidak boleh lebih dari 20% dari keseluruhan
cell.
Apabila jumlah sampel yang digunakan terlalu kecil, hal ini akan mengakibatkan
fekuensi harapan yang tercipta pun menjadi kecil. Padahal dalam uji Pearson Chi
Square disyaratkan bahwa frekuensi harapan yang tercipta harus minimal 5 atau lebih.
Dalam melakukan uji chi square, terdapat beberapa syarat sampel lainnya yang
wajib dipenuhi yaitu:
 Penentuan Sampel untuk observasi harus dipilih secara acak
 Semua pengamatan dilakukan dengan independen
 Setiap sel hanya berisi 1 (satu) frekuensi harapan
 Besar sampel sebaiknya > 40 (Cochran, 1954)
 Rumus Uji Chi Square
(Oi−Ei)2
χ2=∑
Ei
x2 = ∑(Hasil yang diamati – Hasil yang diharapkan)2)/Hasil yang diharapkan.
atau dalam text book yang lain, formula chi square dapat dirumuskan sebagai berikut:
(f0−fe)2
χ2c=∑
fe
Keterangan:

χ2 = Nilai Chi Square

c = degree of freedom (df/dk)
Oi = f = Frekuensi hasil yang diamati (observed value)
Ei = fe = Frekuensi yang diharapkan (expected value)
Frekuensi yang diharapkan merupakan nilai frekuensi yang diinginkan apabila
hipotesis awal bernilai benar. Model Chi Kuadrat merupakan salah satu dari jenis
kurva yang bergantung kepada derajat kebebasan. Berikut cara menentukan daerah
penolakan chi square dan angka derajat kebebasannya (derajat kebebasan: dk atau
degree of freedom: df sama saja).

 Daerah Penolakan χ2

Dalam Uji Chi square pengambilan keputusan didasarkan kepada Chi square hitung
dan Chi square tabel. Chi square tabel dalam buku statistik non parametrik disebut
juga tabel C.
Penentuan nilai Chi square tabel didasarkan pada besar nilai α dan derajat bebasnya.

 Derajat Bebas (df – degree of freedom)

Berikut cara mennentukan nilai derajat kebebasan untuk masing-masing model Chi
Square:
 Untuk tabel satu arah, maka nilai derajat kebebasan sama dengan r-1.
 Untuk tabel dua arah, maka nilai derajat kebebasan sama dengan (r-1)(c-1)

 Contoh Penerapan Teknik Uji Chi Square

1. Pengumpulan Data
Contoh soal
Pada suatu penelitian yang melibatkan antara hobi dengan jenis kelamin, para peneliti
ingin melihat ada tidaknya hubungan yang terbentuk antara kegemaran berolahraga
dengan jenis kelamin. Berikut data yang tersedia:
1. Jumlah wanita yang memiliki hobi berolahraga 15
2. Jumlah pria yang memiliki hobi berolahraga 29
3. Jumlah wanita yang memiliki hobi komputer 27
4. Jumlah pria yang memiliki hobi komputer 27
5. Jumlah wanita yang memiliki hobi berkebun 17
6. Jumlah pria yang memiliki hobi berkebun 37
7. Jumlah wanita yang memiliki hobi belanja 29
8. Jumlah pria yang memiliki hobi belanja 35
2. Perumusan Hipotesis
Pada langkah pengujian yang pertama, penulis harus merumuskan nilai hipotesis Ha
dan Ho. Apabila χ = 0, maka tidak ada hubungan yang kuat antara kegemaran dengan
jenis kelamin. Sementara jika χ tidak sama dengan 0, maka itu artinya ada hubungan
yang kuat antara kegemaran dengan jenis kelamin.

3. Buat Tabel Kontingensi

Jawaban dan pembahasan tabel kontingensi:
Data-data yang terkumpul kemudian dikelompokkan ke dalam tabel kontingensi.
Karena jenis kelamin terdiri dari dua jenis, yakni perempuan dan laki-laki sementara
tabel hobi terdiri dari empat jenis, maka tabel kontingensi yang dibuat berbentuk 2 x 4
dengan baris sebanyak dua buah dan kolom 4 buah.
Tabel kontingensi chi square

Jenis Kelamin Hobi Total

Berkebun Komputer Olahraga Belanja
Pria 37 27 29 35 128
Wanita 17 27 15 29 88
TOTAL 54 54 44 64 216

4. Hitung Nilai Frekuensi yang Diinginkan (fe)

a). Hitung nilai fe pada setiap selnya dengan rumus:

 fe = (Total baris) (Total Kolom) / Total Seluruhnya

b). Nilai fe pada sel pertama = (128) (54) / (216) = 32

 Nilai fe pada sel kedua = (88) (54) / (216) = 22
 Nilai fe pada sel ketiga = (128) (54) / (216) = 32
 Nilai fe pada sel keempat = (88) (54) / (216) = 22
 Nilai fe pada sel kelima = (128) (44) / (216) = 26
 Nilai fe pada sel keenam = (88) (44) / (216) = 18
 Nilai fe pada sel ketujuh = (128) (64) / (216) = 38
 Nilai fe pada sel kedelapan = (88) (64) / (216) = 26

5. Nilai Chi Square

 Jawaban cara mencari nilai chi square:
χ2=∑ki=1(F0−Fe)2Fe

x2 = (37-32)2/37 + (17-22)2/17 + (27-32)2/27 + (27-22)2/27 + (29-26)2/29 + (15-

18)2/15 + (35-38)2/35 + (29-26)2/29

x2 = 5,47

b. Korelasi person product moment (PPM)

Korelasi adalah istilah statistik yang menyatakan derajat hubungan linier (searah
bukan timbal balik) antara dua variabel atau lebih.

 Macam-macam Teknik Korelasi

 Product Moment Pearson : Kedua variabelnya berskala interval
 Rank Spearman : Kedua variabelnya berskala ordinal
 Point Serial : Satu berskala nominal sebenarnya dan satu berskala interval
 Biserial : Satu berskala nominal buatan dan satu berskala interval
 Koefisien kontingensi : Kedua varibelnya berskala nominal

 Kegunaan Korelasi Product Moment Pearson

 Untuk menyatakan ada atau tidaknya hubungan antara variabel X dengan variabel
Y.
 Untuk menyatakan besarnya sumbangan variabel satu terhadap yang lainnya yang
dinyatakan dalam persen.

 Asumsi
 Data berdistribusi Normal
 Variabel yang dihubungkan mempunyai data linear.
 Variabel yang dihubungkan mempunyai data yang dipilih secara acak.
 Variabel yang dihubungkan mempunyai pasangan yang sama dari subyek yang
sama pula (variasi skor variabel yang dihubungkan harus sama).
 Variabel yang dihubungkan mempunyai data interval atau rasio.

 Nilai r
 Nilai r terbesar adalah +1 dan r terkecil adalah –1. r = +1 menunjukkan hubungan
positip sempurna, sedangkan r = -1 menunjukkan hubungan negatip sempurna.
 r tidak mempunyai satuan atau dimensi. Tanda + atau - hanya menunjukkan arah
hubungan. Intrepretasi nilai r adalah sebagai berikut:
r Interpretasi
0 Tidak berkorelasi
0,01-0,20 Korelasi Sangat rendah
0,21-0,40 Rendah
0,41-0,60 Agak rendah
0,61-0,80 Cukup
0,81-0,99 Tinggi
1 Sangat tinggi

 Langkah-langkah Menghitung Koefisien Korelasi Parsial

1. Tulis Ho dan Ha dalam bentuk kalimat.
2. Tulis Ho dan Ha dalam bentuk statistik.
3. Buat tabel penolong sebagai berikut:

No. resp X Y XY X2 Y2

4. Cari r hitung.
5. Tentukan taraf signifikansinya (α)
6. Cari r tabel dengan dk = n-2
7. Tentukan kriteria pengujian Jika -rtabel≤rhitung≤+rtabel, maka Ho diterima
8. Bandingkan thitung dengan ttabel
9. Buatlah kesimpulan.

Contoh:
1. Tulis Ho dan Ha dalam bentuk kalimat.
Ho : Tidak terdapat hubungan yang positip dan signifikan antara variabel Biaya
Promosi
dengan Nilai Penjualan.
Ha : Terdapat hubungan yang positip dan signifikan antara variabel Biaya Promosi
dengan Nilai Penjualan.
2. Tulis Ho dan Ha dalam bentuk statistik.
Ho : r = 0.
Ha : r ≠ 0.
3. Buat tabel penolong sebagai berikut:

Nilai penjualan Biaya promosi XY X2 Y2

y x
64 20 1280 400 4096
61 16 976 256 3721
84 34 2856 1156 7056
70 23 1610 259 4900
88 27 2376 729 7744
92 32 2944 1024 8464
72 18 1296 324 5184
77 22 1694 484 5929
2 2
Σ Y = 608 Σ X = 192 ΣXY=15032 Σ X = 4902 Σ Y = 47094

4. Cari r hitung

8(15.032) - (192)(608)
=
8(4.902)-(192)2 8(47.094)-(608)2

= 0,86

5. Taraf signifikansi (α) = 0,05.

6. r tabel dengan dk = 8-2=6 adalah 0,707
7. Tentukan kriteria pengujian Jika -rtabel≤rhitung≤+rtabel, maka Ho diterima
8. Bandingkan rhitung dengan r tabel r hitung (0,86) > r tabel (0,707), jadi Ho ditolak.
9. Kesimpulan.
Terdapat hubungan yang positip dan signifikan antara variabel Biaya Promosi dengan
Nilai Penjualan.

c. Korelasi berganda
Korelasi Berganda adalah suatu korelasi yang bermaksud untuk melihat hubungan
antara 3 atau lebih variabel (dua atau lebih variabel dependent dan satu variabel
independent). Korelasi berganda berkaitan dengan interkolasi variabel variabel
independen seagaimana korelasi mereka dengan variabel dependen. Selain itu
menurut Riduwan (2012:238) korelasi ganda adalah suatu nilai yang memberika
kuatnya pengaruh atau hubungan dua variabel atau lebih secara bersama sama dengan
variabel lain.

Korelasi berganda (multiple correlation) merupakan korelasi yang terdiri dari dua
variaberl bebas (X1, X2) atau lebih, serta satu variabel terikat (Y). Apabila perumusan
masalahnya terdiri dari tiga masalah atau lebih, dan hubungan masing masing variabel
di hitung menggunakan korelasi sederhana maka diperoleh alur hubungan antar
masing masing variabel.

 Contoh Korelasi Berganda

Misalnya pada suatu penelitian yang berjudul ―Kepemimpinan dan Tata Ruang
Kantor dalam kaitannya dengan Kepuasan Kerja Pegawai di lembaga A‖.
Berdasarkan data yang terkumpul untuk setiap variabel, dan setelah dihitung korelasi
sederhananya ditemukan sebagai berikut :

1. Korelasi antara Kepemimpinan dengan Kepuasan Kerja Pegawai, r1 = 0,45;

2. Korelasi antara Tata Ruang Kantor dengan Kepuasan Kerja Pegawai, r2 = 0,48;

3. Korelasi antara Kepemimpinan dengan Tata Ruang Kantor, r3 = 0,22.

Dengan menggunakan rumus 7.4 korelasi ganda antara Kepemimpinan dan Tata
Ruang Kantor secara bersama-sama dengan Kepuasan Kerja Pegawai dapat dihitung.
Hasil perhitungan korelasi sederhana dan ganda dapat digambarkan sebagai berikut :

Dari perhitungan tersebut, ternyata besarnya korelasi ganda R harganya lebih besar
dari korelasi Individual ryx1 dan ryx2. Pengujian signifikansi terhadap koefisien
korelasi ganda dapat menggunakan rumus dibawah ini yaitu dengan uji F.

Dimana :

R = koefisien korelasi ganda

k = jumlah variabel Independen

n = jumlah sampel

Berdasarkan angka yang telah ditemukan, dan bila n = 30, maka harga Fh, dapat
dihitung dengan rumus diatas.
Harga tersebut selanjutnya dibandingkan dengan harga F tabel dengan dk pembilang
= k dan dk penyebut = (n — k — 1). Jadi dk pembilang = 2 dan dk penyebut = 10–2–
1 = 7. Dengan taraf kesalahan 5%, harga F tabel ditemukan = 4,74. Ternyata harga F
hitung lebih besar dari F tabel (7,43 > 4,74). Karena Fh > dari F tabel maka koefisien
korelasi ganda yang ditemukan adalah signifikan (dapat diberlakukan untuk populasi
dimana sampel diambil).

d. Regresi berganda

Regresi ganda ialah suatu alat analisis peramalan niali pengaruh dua variabel bebas
atau lebih terhadap variabel terikat untuk membuktikan ada atau tidaknya hubungan
fungsi atau hubungan kausal antara dua variabel bebas atau lebih dengan satu variabel
terikat. Persamaan regresi bergnada yaitu :

Y = a + b1 X1 +b2 X2 + ….+ bn Xn

Keterangan:

 Y’ = Variabel dependen (nilai yang diprediksikan)

 X1 dan X2 = Variabel independen

 a = Konstanta (nilai Y’ apabila X1, X2…..Xn = 0)

 b = Koefisien regresi (nilai peningkatan ataupun penurunan)

Analisis regresi merupakan analisis mengenai sebeberapa besar pengaruh variabel

bebas (X) terhadap variabel terikat (Y). Besar kecilnya pengaruh variabel bebas
terhadap variabel terikat ditentukan oleh koefisien regresi atau b. Sedangkan, Analisis
regresi ganda adalah pengembanagn dari analisis regresi sederhana. Kegunaannya
yaitu untuk meramalkan nilai variabel terikat (Y) apabila variabel bebas minimal dua
atau lebih.

Dalam tulisan ini akan membahas tentang urutan atau langkah-langkah dalam
mencari persamaan regresi berganda dari data yang ada secara manual. Dari
persamaan regresi yang ada selanjutnya akan dilakukan perbandingan nilai F hitung
dengan F tabel untuk mencari seberpa besar tingkat pengaruh variabel-variabel bebas
terhadap variabel terikat.

 Contoh Regresi Berganda

Sebuah penelitian survei ingin mengetahui pengaruh manajemen kelas (X1),

kepemimpinan guru (X2), dan kompetensi pedagogik (X3) terhadap kepuasan belajar
siswa Multimedia (Y). Tentukan persamaan regresi ganda Y atas X1, X2, dan
X3.Lakukan pengujian keberartian pengaruh regresi ganda Y atas X1, X2, dan
X3secara bersama-sama dan tentukan keberartian pengaruh regresi ganda Y atas X1,
X2, dan X3.

secara parsial (masing-masing variabel dengan mengendalikan variabel bebas

lainnya). Tabel Hasil pengumpulan data dapat dilihat pada tabel di bawah ini:
Tak I lezotu regreaJ gaoéa aatara (X ) , ( dan ) cerbedap {Yg

2. 4 i 4 7 16 25 16) 49 20 16 28 2 2 28
0 5
3. 5 7j3 5 2S 49 9| 25 3S 1S 2S II 2 LS
5
4. 6 7 4 H 36 49 16| 64 42 24 48 2 5 22
8 6
5. $ 413 7 9 16 9} 49 12 9 2t J 2 21
2 8
6. 7 6 3 7 49 3 9 4 4 2 4 1 4 1
u 6 9 2 1 9 8 2 1
6 7
7. 8 5 9 4 64 25 8J 64 40 72 4 2 45
O
IL 6 7 4 d 36 t9 16 64 42 24 48 2 5 32
8 6
9- 5 7 4 7 25 49 IG 49 US 20 US 2 4 38
8 9
IO 7 H 8 9 49 6t 26 t BJ S6 42 68 4 7 S4
- 8 z
S 65 j 7 334 427 177 56 378 226 424 27 48 2M
6 A1 4 | 0 3 7

kfenenNkari skor deviaai beberapa idauan des£riptif

2
a \ €* - £/ — ’ = 20,4

Z —- Y' — ' = 12,4

1
o \ A Y —- X Y— "" 9,6

o L =§J,Z,- ' '=64

 Menentukan harga

Nilai konstanta dicari dengan menggunakan mensubstitusi persamaan dibawah ini

dengan memasukkan hasil perhitungan skor deviasi di atas. Persamaan:
 Dengan persamaan mature:

20,4 14,0 6,4 9,6

14,0 14.5 6,5 = 6,0
6,4 6,5 7,6
Sehingga di
dapat.
b —- 0,5$
6i = —
0,47
6d = 0,81
Sedangkan harga a didapzt dengan menyeiesaikan peisamasn.

Di peroleh persnmaan regre-si:

Y = 4.11 -j- 0,54 z, — 0,47 x, -F 0,8 1 x,
Menentukan nil a IQ, JK

kfun•zziIukan ruratu [um tart kuaxJraf sumlv urtun

= b,47
 =437

kelas (X i 1, kcpcmimpinan gwru tX .}, dui kmtjxfcrtsi {IcdBgnyik ty j secara Le

arm-sama
terhadap jean belajar stews Nfultimcdia tY\
e. Regresi sederhana

Analisis Regresi Sederhana adalah sebuah metode pendekatan untuk pemodelan

hubungan antara satu variabel dependen dan satu variabel independen. Dalam model
regresi, variabel independen menerangkan variabel dependennya. Dalam analisis
regresi sederhana, hubungan antara variabel bersifat linier, dimana perubahan pada
variabel X akan diikuti oleh perubahan pada variabel Y secara tetap. Sementara pada
hubungan non linier, perubahaan variabel X tidak diikuti dengan perubahaan variabel
y secara proporsional. seperti pada model kuadratik, perubahan x diikuti oleh kuadrat
dari variabel x. Hubungan demikian tidak bersifat linier.

Secara matematis model analisis regresi linier sederhana dapat digambarkan sebagai
berikut:

Y = A + BX + e

Keterangan :

 Y adalah variabel dependen atau respon

 A adalah intercept atau konstanta

 B adalah koefisien regresi atau slope

 e adalah residual atau error

 Secara praktis analisis regresi linier sederhana memiliki kegunaan sebagai berikut:

1. Model regresi sederhana dapat digunakan untuk forecast atau memprediksi nilai Y.
Namun sebelum melakukan forecasting, terlebih dahulu harus dibuat model atau
persamaan regresi linier. Ketika model yang fit sudah terbentuk maka model tersebut
memiliki kemampuan untuk memprediksi nilai Y berdasarkan variabel Y yang
diketahui. Katakanlah sebuah model regresi digunakan untuk membuat persamaan
antara pendapatan (X) dan konsumsi (Y). Ketika sudah diperoleh model yang fit
antara pendapatan dengan konsumsi, maka kita dapat memprediksi berapa tingkat
konsumsi masyarakat ketika kita sudah mengetahui pendapatan masyarakat.

2. Mengukur pengaruh variabel X terhadap variabel Y. Misalkan kita memiliki satu

serial data variabel Y, melalui analisis regresi linier sederhana kita dapat membuat
model variabel-variabel yang memiliki pengaruh terhadap variabel Y. Hubungan
antara variabel dalam analisis regresi bersifat kausalitas atau sebab akibat. Berbeda
halnya dengan analisis korelasi yang hanya melihat hubungan asosiatif tanpa
mengetahui apa variabel yang menjadi sebab dan apa variabel yang menjadi akibat.

 Model regresi linier sederhana yang baik harus memenuhi asumsi-asumsi berikut:

1. Eksogenitas yang lemah, kita harus memahami secara mendasar sebelum

menggunakan analisis regresi bahwa analisis ini mensyaratkan bahwa variabel X
bersifat fixed atau tetap, sementara variabel Y bersifat random. Maksudnya adalah
satu nilai variabel X akan memprediksi variabel Y sehingga ada kemungkinan
beberapa variabel Y. dengan demikian harus ada nilai error atau kesalahan pada
variabel Y. Sebagai contoh ketika pendapatan (X) seseorang sebesar Rp 1 juta rupiah,
maka pengeluarannya bisa saja, Rp 500 ribu, Rp 600 ribu, Rp 700 ribu dan seterusnya.

2. Linieritas, seperti sudah dijelaskan sebelumnya bahwa model analisis regresi

bersifat linier. artinya kenaikan variabel X harus diikuti secara proporsional oleh
kenaikan variabel Y. Jika dalam pengujian linieritas tidak terpenuhi, maka kita dapat
melakukan transformasi data atau menggunakan model kuadratik, eksponensial atau
model lainnya yang sesuai dengan pola hubungan non-linier.

3. Varians error yang konstan, ini menjelaskan bahwa varians error atau varians
residual yang tidak berubah-ubah pada respon yang berbeda. asumsi ini lebih dikenal
dengan asumsi homoskedastisitas. Mengapa varians error perlu konstan? karena jika
konstan maka variabel error dapat membentuk model sendiri dan mengganggu model.
Oleh karena itu, penanggulangan permasalahan heteroskedastisitas/non-
homoskedastisitas dapat diatasi dengan menambahkan model varians error ke dalam
model atau model ARCH/GARCH.

4. Autokorelasi untuk data time series, jika kita menggunakan analisis regresi
sederhana untuk data time series atau data yang disusun berdasarkan urutan waktu,
maka ada satu asumsi yang harus dipenuhi yaitu asumsi autokorelasi. Asumsi ini
melihat pengaruh variabel lag waktu sebelumnya terhadap variabel Y. Jika ada
gangguan autokorelasi artinya ada pengaruh variabel lag waktu sebelumnya terhadap
variabel Y. sebagai contoh, model kenaikan harga BBM terhadap inflasi, jika
ditemukan atukorelasi artinya terdapat pengaruh lag waktu terhadap inflasi. Artinya
inflasi hari ini atau bulan ini bukan dipengaruhi oleh kenaikan BBM hari ini namun
dipengaruhi oleh kenaikan BBM sebelumnya (satu hari atau satu bulan tergantung
data yang dikumpulkan).

 Contoh soal Regresi Linier Sederhana

Berikut contoh soal yang dapat dipecahkan menggunakan regresi linier sederhana.
Data disajikan dalam bentuk tabel dimana X merupakan umur mobil sedangkan Y
adalah harga mobil tersebut sebagaimana terlihat dibawah ini:
 Usia Mobil Harga Mobil xy x2
(tahun)X ($100)y

5 85 425 25

4 103 412 16

6 70 420 36

5 82 410 25

5 89 445 25

5 98 490 25

6 66 396 36

6 95 570 36

2 169 338 4

7 70 470 49

7 48 336 49

58 975 4732 326

Tabel diatas menyajikan data dengan variabel X adalah umur mobil dan variabel Y
adalah harga. Hasil estimasinya adalah sebagai berikut :
sehingga persamaan regresinya menjadi Yˆ=195.47−20.26X

Dari hasil estimasi yang diperoleh dapat disimpulkan bahwa setiap umur mobil
bertambah satu tahun maka harga mobil tersebut akan turun sebesar $2.026.

DAFTAR PUSTAKA

https://www.statmat.net/uji-chi-square/

https://medium.com/@indriin05/korelasi-dan-regresi-berganda-8208b1ff3c1c

https://medium.com/@indriin05/korelasi-dan-regresi-berganda-8208b1ff3c1c