LAPORAN AKHIR ANALISIS REGRESI

“Pengaruh Jumlah Populasi Sapi Perah

Terhadap Produksi Susu Segar”
(Ditujukan untuk memenuhi tugas mata kuliah Probabilitas dan Statistika)

Dosen Pengampu :
Syariful Alam, M.Pd

OLEH :
Angga Nugraha - 201351018
M. Dipa Maulana - 201351077
M. Ardi Nurdani - 201351149
M. Arif Alfiansyah - 201351076
Dika Mulyana - 201351034

PROGRAM STUDY TEKNIK INFORMATIKA

FAKULTAS TEKNIK
STT WASTUKANCANA
2022
 KATA PENGANTAR

Puji syukur kita panjatkan kehadirat Allah SWT Yang telah memberikan kesehatan serta
kesempatan sehingga saya dapat menyelesaikan laporan ini meksipun belum terlalu
sempurna.

Saya juga mengharapkan kritik/saran yang bersifat membangun dari Bapak Syariful
Alam selaku dosen mata kuliah statistika dan probabilitas untuk kesempurnaan penyusunan
laporan ini dan juga terima kasih atas arahan dan bimbingannya, karena tanpa beliau
penyusunan laporan ini tidak akan terselesaikan.

Saya menyadari bahwa laporan ini masih memiliki banyak kekurangan, untuk itu kritik
dan saran yang konstruktif sangat diharapkan dari para pembaca.

Akhir kata, kami mengucapkan terima kasih kepada pembaca yang telah meluangkan
waktunya untuk membaca laporan ini. Semoga dengan adanya laporan ini dapat memperluas
wawasan kita semua.

Purwakarta, Juli 2022

Penyusun
 DAFTAR ISI

KATA PENGANTAR.....................................................................................................................2
DAFTAR ISI...................................................................................................................................3
BAB I PENDAHULUAN................................................................................................................4
1.1 Latar Belakang......................................................................................................................4
BAB II PEMBAHASAN.................................................................................................................5
2.1 Metode Regresi Linear..........................................................................................................5
2.1.1 Regresi Linear Sederhana..................................................................................................5
2.2 Populasi dan Sample..............................................................................................................5
BAB III PENGUJIAN DATA.........................................................................................................7
3.1 Sumber Data..........................................................................................................................7
3.2 Metode Pemgambilan Sampel...............................................................................................7
3.3. Alat dan Bahan.....................................................................................................................7
3.4 Alur Pengolahan Data...........................................................................................................7
3.4.1 Pengumpulan Data.............................................................................................................7
3.4.2 Analisa Data........................................................................................................................7
3.5 Data dan Analisis Data........................................................................................................10
BAB IV KESIMPULAN...............................................................................................................16
4.1 Kesimpulan..........................................................................................................................16
DAFTAR PUSTAKA....................................................................................................................17
 BAB I
PENDAHULUAN

1.1 Latar Belakang.

Penggunaan statistika dalam mengolah data penelitian berpengaruh terhadap tingkat
analisis hasil penelitian. Penelitian-penelitian dalam bidang ilmu pengetahuan alam (IPA)
yang menggunakan perhitungan-perhitungan statistika, akan menghasilkan data yang
mendekati benar jika memperhatikan tata cara analisis data yang digunakan. Dalam
memprediksi dan mengukur nilai dari pengaruh satu variabel (bebas/independent/ predictor)
terhadap variabel lain (tak bebas/dependent/response) dapat digunakan uji regresi.

Analisis/uji regresi merupakan suatu kajian dari hubungan antara satu variabel, yaitu
variabel yang diterangkan (the explained variabel) dengan satu atau lebih variabel, yaitu
variabel yang menerangkan (the explanatory). Apabila variabel bebasnya hanya satu, maka
analisis regresinya disebut dengan regresi sederhana. Apabila variabel bebasnya lebih dari
satu, maka analisis regresinya dikenal dengan regresi linear berganda. Dikatakan berganda
karena terdapat beberapa variabel bebas yang mempengaruhi variabel tak bebas.

Analisis/uji regresi banyak digunakan dalam perhitungan hasil akhir untuk penulisan
karya ilmiah/penelitian. Hasil perhitungan analisis/uji regresi akan dimuat dalam kesimpulan
penelitian dan akan menentukan apakah penelitian yang sedang dilakukan berhasil atau tidak.
Analisis perhitungan pada uji regresi menyangkut beberapa perhitungan statistika seperti uji
signifikansi (uji-t, uji-F), anova dan penentuan hipotesis. Hasil dari analisis/ uji regresi
berupa suatu persamaan regresi. Persamaan regresi ini merupakan suatu fungsi prediksi
variabel yang mempengaruhi variabel lain.
 BAB II
PEMBAHASAN

2.1 Metode Regresi Linear

Menurut Sunyoto, (2007), Analisis regresi merupakan bagian integral dalam
peramalan. Maksud dari peramalan ini ialah berdasarkan data yang diolah dengan cara ariable
yang kemudian menarik sebuah kesimpulan. Analisis regresi sendiri digunakan untuk
mengetahui sampai sejauh mana suatu ariable berpengaruh pada ariable lainnya atau
beberapa ariable lainnya.

2.1.1 Regresi Linear Sederhana

Analisis regresi linier sederhana adalah hubungan secara linear antara satu ariable
ariablet (X) dengan ariable dependen (Y). Analisis regresi sederhana dapat digunakan untuk
mengetahui arah dari hubungan antara ariable bebas dengan ariable terikat, apakah memiliki
hubungan positif atau ariable serta untuk memprediksi nilai dari ariable terikat apabila nilai
ariable bebas mengalami kenaikan ataupun penurunan. Pada regresi sederhana biasanya data
yang digunakan memiliki skala interval atau rasio.

Rumus regresi linear sederhana sebagai berikut :

Y = a + bX

Dimana :
Y = Variabel dependen (ariable terikat)
X = Variabel independent (ariable bebas)
a = Konstanta (nilai dari Y apabila X = 0)
b = Koefisien regresi (pengaruh positif atau ariable)

Contoh untuk regresi sederhana adalah jumlah uang saku yang diterima mahasiswa
dipengaruhi dengan jarak tempuh dari rumah ke kampus. Apabila didasarkan dari penjelasan
logis maka semakin dekat jarak rumah dengan kampus maka akan semakin kecil nilai uang
saku mahasiswa, sebaliknya apabila semakin jauh jarak tempuh dari rumah ke kampus maka
akan semakin besar jumlah uang saku mahasiswa, sehingga jarak tempuh dari rumah ke
kampus (ariable X) akan mempengaruhi nilai uang saku mahasiswa (ariable Y) secara positif.

2.2 Populasi dan Sample

Dalam analisis regresi linier, jika hanya terdapat satu ariable bebas (independent
variable), maka disebut analisis regresi linier sederhana (simple linear regression). Untuk data
populasi, persamaan model regresi linier sederhana, yakni:

Yi=β0+β1Xi1+εi
Dimana :
Yi = ariable tak bebas observasi ke-i
Xi,1 = ariable bebas observasi ke-i
β0,β1 = koefisien parameter dari model regresi
εi = suku error ke-i
I = 1, 2, 3, . . ., N.

Koefisien parameter β0 dan β1 masing-masing disebut sebagai intersep dan slope dari
suatu model regresi. Slope β1 mengukur perubahan secara rata-rata pada ariable tak bebas Y
untuk satu unit perubahan dalam ariable bebas X. Parameter ini biasanya tidak diketahui dan
diestimasi dari data sampel. Suku error ε menggambarkan deviasi atau simpangan data ariab
terhadap garis lurus persamaan model regresi yang diperoleh. Suku εε disebut juga error
ariable, dan kita menganggapnya sebagai suatu ariable acak dan membuat asumsi mengenai
distribusinya. Yakni, kita asumsikan bahwa ε berdistribusi normal dengan rata-rata nol dan
varians σ2 atau εi∼N(0,σ2).

Model regresi di atas merupakan model regresi linier sederhana untuk data populasi.
Untuk data sampel, maka persamaan model regresi linier sederhananya, yaitu:
Ȳ =¿β0 + β1 Xi,1; i = 1, 2, …, n

Dimana:
Ȳ = nilai estimasi ariable tak bebas
Xi,1 = ariable bebas
β0,β1 = estimasi koefisien regresi; dan nn = banyaknya sampel.
 BAB III
PENGUJIAN DATA

3.1 Sumber Data

Dalam pembuatan laporan kali ini data yang kami ambil yaitu dalam bidang
Peternakan yang berupa apakah Banyaknya Populasi Sapi Perah mempengaruhi Jumlah
Produksi Susu Segar. Tujuan kami mengambil data tersebut adalah agar kami lebih
mengetahui jika populasi sapi perah bertambah apakah jumlah produksi susu segar
bertambah, maka dari itu kami melakukan penyelesaian permasalahan tersebut dengan cara
Analisis Regresi. Dengan demikian menggunakan analisis regresi menjadi lebih mudah untuk
melakukan suatu sebuah penelitian.

3.2 Metode Pemgambilan Sampel

Dalam pengambilan sampel data menggunakan metode dokumentasi dan dari situs
Badan Pusat Statistik.

3.3. Alat dan Bahan

 Microsoft Excel 2019

 Software IBM SPSS 25

3.4 Alur Pengolahan Data

3.4.1 Pengumpulan Data

Untuk pengumpulan data ini berasal dari situs Badan Pusat Statistik kemudian data
yang diperlukan dimasukkan ke Microsoft Excel lalu dimasukan ke program SPSS.

3.4.2 Analisa Data

Untuk analisis regresi :

 Pertama-pertama, kita masukan variable (X) dan (Y). untuk variable x kita beri label
“populasi sapi perah” dan variable y diberi label “produksi susu segar”
 Kemudian masukan data sampel pada varible x dan y

 Kemudian pilih Analize > Regression > Linier. Masukkan y ke dalam Dependent dan
x ke dalam Independent(s).
 Pilih Statistics. Di dalam Regression Coefficient pilih Estimates. Kemudian pilih
Model Fit, R squared change, Part and partial correlations, Collinearrity diagnostics.
 Pilih Durbin-Watson di dalam Residual. Klik Continue.

 Selanjutnya pilih Plots. Pilih Normal probability plot, kemudian klik Continue.
3.5 Data dan Analisis Data

A.) Data

B.) Excel
2. Hipotesis
Seorang peneliti ingin mengetahui apakah ada pengaruh yang signifikan antar jumlah
populasi sapi perah dan jumlah produksi susu segar. (gunakan tingkat signifikan 5%).

 Diketahui :

 Hipotesis

h0 : Tidak ada pengaruh yang signifikan antara jumlah populasi sapi perah dengan
jumlah produksi susu segar.

H1 : Ada pengaruh yang signifikan antara jumlah populasi sapi perah dengan jumlah
produksi susu segar.

 Menghitung nilai a dan b

b ¿n
∑ XY −¿ ∑ X ∑ Y ¿
n ∑ X 2−¿ ¿ ¿ ¿

∑ Y −b ∑ Y =1,32371
a ¿ Ȳ −b x̄ =
n n ( 730
10 )
= 0,59017

 Model regresi

Y = a + bX

Y = 0,59017 + 1,32371 X

 Menghitung koefisien determinasi (r ²)

r ² = (0,798) ² = 0,63

Thitung = r ²
√ n−1
1−r ²
=
√ 10−1
1−0,63

=
√ 9
0,37
=4,93
Ttabel = n-1

10-1 = 9, maka t aria yg diperoleh adalah sebesar 1,833

 Uji satu sisi

 t hitung berada di daerah penolakan, artinya H0 ditolak

C.) Model Summary

Analisis :
4. R-square
 Ketika kita run suatu analisi regresi dengan SPSS akan diperoleh 3 tabel.
Masing-masing aria menjelaskan tentang keterkaitan yang ada.
 Yang pertama adalah Model Summary.
 R adalah koefisien korelasi Product Moment Pearson
 Untuk penelitian ini R adalah .798
 R square menunjukkan besarnya pengaruh ariable ariablet terhadap ariable
dependent.
 R-Square adalah variansi proporsi dari ariable dependent (income per capita)
yang dapat diprediksi ariable independent (level of education).
 Hasil ini menunjukkan bahwa .636 atau 63,6 % dari Predictors : (constant)
Populasi sapi perah dapat diprediksi dari dependent ariable produksi susu
segar.
 Dengan kata lain, Populasi sapi perah memberi pengaruh sekitar 63,6 %
terhadap Produksi sapi perah.

2. Adjusted R-Square
 Sebagai predictors tambahan dari suatu model, masing-masing predictor akan
menerangkan beberapa variansi dari suatu ariable dependen karena suatu
perubahan.
 Kita dapat tetap menambahkan predictors kedalam model untuk meningkatkan
kemampuan predictor menjelaskan ariable dependen, meskipun beberapa
kenaikan R-square dapat disebabkan oleh variasi sampel.
 Adjusted R-square merupakan usaha untuk mendapatkan nilai yang lebih
mendekati keadaan sebenarnya untuk mengestimasi R-squared untuk suatu
populasi. Nilai Rsquare .636, sementara nilai Adjusted R-square adalah .591.
Tidak ada perbedaan yang berarti karena hanya pengamatan pada satu ariable
independent.
 Ketika jumlah pengamatan kecil dan jumlah ariable besar, maka ariable
perbedaan yang besar pada R-square &adjusted R-square.
 Sebaliknya, jika jumlah pengamatan sangat besar dibandingkan dengan jumlah
ariable, nilai dari R-square dan adjusted R-square akan mendekati sama.
 D.) Anova

Analisis :
3. Anova
 p-value dikaitkan dengan F value adalah sangat kecil (0.211).
 Nilai/values ini digunakan untuk menjawab pertanyaan “apakah ariable independent
dapat dipercaya untuk memprediksi variable dependent?”.
 p-value dibandingkan terhadap alpha level (biasanya 0.05) dan, jika lebih kecil, dapat
disimpulkan bahwa “Ya, variabel2 independent dapat dipercaya untuk memprediksi
variable dependent”.
 Jika p-value lebih besar dari 0.05, dapat disimpulkan bahwa ariable-variabel
independent secara ariable tidak memiliki hubungan yang signifikan dengan
dependent variable, atau grup ariable independent tersebut tidak dapat reliabel untuk
memprediksi dependent variable.

E.) Coefficients

Analisis :
4. Coefficienst
 B, adalah nilai dari persamaan regresi untuk memprediksi keterkaitan antara ariable
independent terhadap ariable dependent.
 Disebut unstandardized coefficients karena diukur berdasarkan unit sebenarnya. Juga,
koefisien B tidak dapat dibandingkan satu dengan yang lainnya untuk memperkirakan
nyang mana yang lebih berpengaruh dalam suatu model, karena komponen tersebut
diukur dengan skala yang berbeda.
 Tabel ini memperlihatkan dua ariable dan menunjukkan bagaimana perbedaan dari
 nilai B. Oleh karena itu perlu dilihat standardized Beta untuk melihat perbedaannya.
 Beta, sebagai standardized coefficients.
 Koefisien ini yang diperoleh jika semua ariable distandarkan dengan regresi baik
dependent maupun independent ariable, dan run regresi.
 Dengan menstandarkan ariable-variabel sebelum running regresi, kita menempatkan
semua ariable pada skala yang sama , dan kita dapat membandingkan besaran
koefisien untuk melihat mana yang memiliki pengaruh yang lebih besar.
 Dapat juga dilihat bahwa semakin besar beta semakin besar t-values.

F.) Plot probabilitas normal

G.) Plot probabilitas normal

 BAB IV
KESIMPULAN

4.1 Kesimpulan

Dari analisis yang telah kami lakukan dapat disimpulkan bahwa ada pengaruh yang
signifikan antara jumlah populasi sapi perah dengan produksi susu segar. Karena H 0 ditolak
maka H1 diterima. Sehingga jumlah populasi sapi perah terhadap produksi susu segar cukup
besar yaitu 63% dari nilai nilai koefisien determinasi ( r 2=0,63¿ yang berarti bahwa setiap
populasi sapi perah bertambah maka produksi susu segar meningkat sebesar 6,3 ton
 DAFTAR PUSTAKA

(2016). Retrieved from

https://simdos.unud.ac.id/uploads/file_pendidikan_1_dir/3218126438990fa0771ddb555f70
be42.pdf

Populasi Sapi Perah menurut Provinsi (Ekor). (n.d.). Badan Pusat Statistik. Retrieved from
https://www.bps.go.id/indicator/24/470/1/populasi-sapi-perah-menurut-provinsi.html

Produksi Susu Segar menurut Provinsi (Ton). (n.d.). Badan Pusat Statistik. Retrieved from
https://www.bps.go.id/indicator/24/493/1/produksi-susu-segar-menurut-provinsi.html

Sunyoto. (2007). Pengertian Analisis Regresi Menurut Ahli. Master Pendidikan. Retrieved from
https://www.masterpendidikan.com/2020/01/5-pengertian-analisis-regresi-menurut-para-
ahli.html