Narrator :

Hallo semua bertemu lagi dengan saya (blabla)

Kali ini kita akan membahas mengenai masa lalu.
Eits bukan masa lalu bersamanya ya…
Tapi suatu ilmu yang mempelajari masa lalu
Ilmu yang dimaksud adalah suatu ilmu yang mempelajari suatu data hingga memperoleh pola
hubungan antara variable dependen/respon dengan variable independent/predictor atau yang
disebut dengan ANALISIS REGRESI.

Hmm tapi kata kebanyakan orang bukannya masa lalu itu sebaiknya dilupakan ya
Eitss no no no, justru disini masa lalu sangat membantu kita dalam menganalisis suatu data.

Untuk lebih jelasnya mari kita coba melakukan analisis data dari tahun ke tahun terkait salah satu
harga pangan di dalam negeri yaitu cabe merah.

Narrator :
Hallo blablabla
Bagaimana dengan harga pangan tahun ini blablabla

Karakter tahun ke 1:
Hallo blablabla

Narrator :
Hallo blablabla
Bagaimana dengan harga pangan tahun ini blablabla

Karakter tahun ke 10:

Hallo blablabla

Narrator :
Okey seperti yang telah kita dengarkan tadi penjelasan mengenai data harga pangan cabai merah
dari tahun 2011 sampai dengan tahun 2020 dapat kita simpulkan bahwa antara pendapatan
masyarakat dengan harga cabai merah dipasaran sangat berpengaruh terhadap kuantitas cabai
merah yang diminta.
Lalu, apakah pengaruh tersebut signifikan dan seberapa besar pendapatan masyarakat dan harga
cabai dapat mempengaruhi kuantitas cabai yang diminta ?
Untuk itu kita perlu melakukan suatu analisis yang disebut analisis regresi.
Untuk dapat membuktikannya, marilah kita simak penjelasan berikut ini
Orang yg ngejelasin:
Hallo semuanya
Disini saya akan memaparkan pembuktian mengenai seberapa signifikan pendapatan masyarakat
dan harga cabai dapat mempengaruhi kuantitas cabai yang diminta.

Berikut merupakan ringkasan data dari tahun 2011 – tahun 2020

Harga Cabai Merah Kuantitas Cabai

Pendapatan Masyarakat
Per-Kg (puluhan ribu Merah yang Diminta
Tahun Pedesaan( juta rupiah)
rupiah) (Kg)
(X1) (X2) (Y)
2011 6,0 14 36
2012 9,6 21 48
2013 9,6 36 72
2014 10,8 29 60
2015 10,8 43 84
2016 15,6 14 72
2017 7,2 21 48
2018 10,8 28 60
2019 4,8 36 48
2020 3,6 43 36

Lalu selanjutnya, apa yang harus kita lakukan dari data tersebut?
Yak melakukan perhitungan, hmm Bagaimana cara menghitungnya?
Kita menggunakan perhitungan menggunakan spss saja ya hanya dengan menginputkan
ringkasan data tadi kedalam spss
Dan selanjutnya spss akan secara otomatis memunculkan hasil perhitungan regresi dari data
tersebut.

Nah berikut merupakan koefisien hasil perhitungan regresi menggunakan spss

Dari hasil tersebut telah dapat kita peroleh model regresi nya
Dan disini karena merupakan data dengan variable predictor yang lebih dari 1 maka
menggunakan analysis regresi linear berganda. Dengan model regresi

Y =a+b1 X 1 +b 2 X 2

Dengan :
A = constant
B1 = pendapatan masyarakat
B2 = harga cabai merah

Maka model regresinya menjadi :

Y =−6,201+ 4,373 X 1 +0,834 X 2

Dari model regresi tersebut dapat kita interpretasikan sebagai berikut

Nilai a = -6,201 artinya jika nilai X1 (pendapatan masyarakat pedesaan) dan X 2

(harga cabai merah) bernilai nol, maka kuantitas cabai merah yang diminta
masyarakat akan menurun sebesar 6,201 kg.

Nilai b1 = 4,373 artinya jika nilai X1 (pendapatan masyrakat) naik satu satuan
(dalam hal ini juta rupiah), maka kuantitas cabai merah yang diminta
masyarakat akan meningkat sebesar 4,373 kg jika variable X2 (harga cabai
merah) tidak mengalami perubahan

Nilai b2 = 0,834 artinya jika nilai X2 (harga cabai merah) naik satu satuan (dalam
hal ini ribu rupiah), maka kuantitas cabai merah yang diminta masyarakat akan
meningkat sebesar 0,834 kg jika variable X 1 (pendapatan masyarakt) tidak
mengalami perubahan
Lalu seberapa besar pendapatan masyarakat dan harga cabai dapat mempengaruhi kuantitas cabai
yang diminta ?

karena kita menggunakan analisis linear berganda, maka utuk determinasinya dapat dilihat pada
kolom adjusted R square. Angka pada kolom tesebut memiliki arti bahwa variable predictor yang
digunakan (pendapatan dan harga cabai) telah dapat menjelaskan 0,828 atau 82,8% dari
keragaman variable kuantitas
Sedangkan sisanya sebesar 17,2% dijelaskan oleh variable lain yang tidak dimasukkan dalam
penelitian.

Lalu bagaimana dengan korelasi hubungan variable tersebut?

Nah dari table korelsi tersebut dapat disimpulkan bahwa Korelasi antara kuantitas cabai merah
yang diminta masyarakat dengan pendapatan masyarakat sebesar 0,766 artinya hubungan sangat
tinggi karena sudah mendekati 1 dan hubungannya searah. Artinya jika kuantitas cabai merah
yang diminta masyarakat naik maka pendapatan masyarakat juga naik.

Baik sekian pemapaan dari saya, terimakasih

Narrator :
Okey baik teman-teman sekalian, tadi kita sudah menyimak ya penjelasan mengenai pembuktian
seberapa signifikan dan seberapa besar pendapatan masyarakat dan harga cabai dapat
mempengaruhi kuantitas cabai yang diminta. Nah ternyata memang betul ya pendapatan
masyarakat dan harga cabai dapat mempengaruhi kuantitas cabai yang diminta dipasaran.
Dan hal itu dapat terlihat jelas ya dari hasil determinasinya yang menunjukkan bahwa variable
predictor yang digunakan (pendapatan dan harga cabai) telah dapat menjelaskan 0,828 atau
82,8% dari keragaman variable kuantitas. Dan angka tersebut merupakan angka yang cukup
tinggi ya yang artinya variable prediktornya sangat baik dalam menjelaskan keragaman variable
respon yaitu kuantitas yang diminta.

The end