MAKALAH STATISTIKA DASAR

ANALISIS REGRESI LINEAR BERGANDA

Dosen Pengampu : Bapak Dr. Azainil, M. Si

Disusun oleh
Kelompok 5
1. Selvia Nuraini (2105046013)
2. Aqmal Hakim (2105046018)
3. Syavira Azhaar Syafa’atul Balqis (2105046026)
4. Mutiara Mumtaza (2105046030)
5. Raudatul Hikmah (2105046033)
Kelas : A/2021

PROGRAM STUDI PENDIDIKAN MATEMATIKA

FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN
UNIVERSITAS MULAWARMAN
SAMARINDA
2022
 KATA PENGANTAR

Puji syukur kami panjatkan kepada Tuhan Yang Maha Esa yang telah
memberikan kesempatan, kekuatan dan kesehatan untuk bisa menyelesaikan tugas
pembuatan makalah Analisis Regresi sehingga proses pembuatan berjalan dengan
lancar dan penuh dengan kemudahan.
Berkat rahmat, taufik dan hidayah-Nya pula, kelompok kami mampu
menyelesaikan kegiatan pembuatan makalah sebagai salah satu upaya
penyelesaian tugas terstruktur mata kuliah Statistika Dasar.
Kami berharap semoga makalah ini dapat menambah ilmu pengetahuan para
pembaca. Namun terlepas dari itu, kami memahami bahwa makalah ini masih jauh
dari kata sempurna, sehingga kami sangat mengharapkan kritik serta saran yang
bersifat membangun demi terciptanya makalah selanjutnya yang lebih baik lagi.
Terima kasih kepada semua pihak yang telah membantu proses penyelesaian
dan penulisan makalah terkhusus kepada teman-teman kelompok yang telah
berkontribusi dengan memberikan ide-idenya sehingga makalah ini dapat disusun
dengan baik dan rapi. Dengan segala kerendahan hati kami ingin mengucapkan
terima kasih yang tulus kepada:
1. Tuhan Yang Maha Esa
2. Orang tua penulis yang selalu memberikan restu dan dukungannya.
3. Bapak Dr. Azainil, M. Si yang mengajari dan membimbing dalam mata
kuliah Statistika Dasar.
4. Teman-teman seangkatan yang telah sama-sama saling membantu dalam
memahami dan mengerjakan makalah ini.

i
 DAFTAR ISI

KATA PENGANTAR..............................................................................................i
DAFTAR ISI............................................................................................................ii
PENDAHULUAN...................................................................................................1
A. Latar Belakang..............................................................................................1
B. Rumusan Masalah.........................................................................................3
C. Tujuan Masalah.............................................................................................3
D. Metode Penulisan..........................................................................................3
BAB II......................................................................................................................4
PEMBAHASAN......................................................................................................4
A. Pengertian Regresi Linear Berganda.............................................................4
B. Persamaan Regresi Linear Berganda............................................................5
C. Asumsi Regresi Linear Berganda.................................................................5
D. Langkah-langkah Analisis Regresi Linear Berganda....................................7
E. Langkah-Langkah Analisis Regresi Linear Ganda Menggunakan SPSS.....9
F. Contoh Soal.................................................................................................12
BAB III..................................................................................................................17
PENUTUP..............................................................................................................17
A. Kesimpulan.................................................................................................17
B. Saran............................................................................................................17
DAFTAR PUSTAKA............................................................................................18

ii
 BAB I
PENDAHULUAN

A. Latar Belakang

Dalam suatu penelitian, pada beberapa kenyataan akan ada lebih dari satu
variabel independen yang mempengaruhi variabel dependen yang kita
inginkan. Misalnya, keadaan dimana kemampuan komunikasi adalah variabel
yang mempengaruhi nilai prestasi kerja. Keadaan demikian kelihatannya
sangat tidak realistik. Kenyataannya, yang mempengaruhi prestasi kerja tidak
hanya kemampuan komunikasi namun dapat pula dilihat misalnya dari
kemampuan bekerjasama, kemampuan IT, kemampuan berbahasa inggrisnya
dan lainnya. Untuk menganalisis beberapa variabel yang mempengaruhi satu
variabel lain maka kita menggunakan analisis regresi linear berganda.
Regresi pertama-tama dipergunakan sebagai konsep statistik pada tahun
1877 oleh Sir Francis Galton, seorang ilmuwan asal Inggris yang melakukan
studi tentang kecenderungan tinggi badan anak. Hasil studi tersebut
memberikan suatu kesimpulan bahwa kecenderungan tinggi badan anak yang
lahir terhadap orangtuanya adalah menurun (regress) mengarah pada tinggi
badan rata-rata penduduk. Istilah regresi pada mulanya bertujuan untuk
membuat perkiraan nilai satu variabel (tinggi badan anak) terhadap satu
variabel yang lain (tinggi badan orangtua). Selanjutnya berkembang menjadi
alat untuk membuat perkiraan nilai suatu variabel dengan menggunakan
beberapa variabel lain yang berhubungan dengan variabel tersebut.
Regresi linear adalah alat statistik yang dipergunakan untuk mengetahui
pengaruh antara satu atau beberapa variabel terhadap satu buah variabel.
Variabel “penyebab” atau yang dikenal sebagai variabel yang mempengaruhi
disebut dengan bermacam-macam istilah: variabel independen, variabel
bebas, variabel penjelas, variabel eksplanatorik, atau variabel X (karena

1
seringkali digambarkan dalam grafik sebagai absis, atau sumbu X).
Sedangkan, variabel “akibat” dikenal sebagai variabel yang dipengaruhi,
variabel dependen, variabel terikat, atau variabel Y. Secara umum, persamaan
regresi dapat terdiri dari satu atau lebih peubah bebas namun hanya memiliki
satu peubah terikat. Dari contoh sebelumnya, mengikuti bimbingan belajar
dan belajar mandiri sebagai variabel yang mempengaruhi (X) adalah,
sedangkan nilai prestasi siswa sebagai variabel yang dipengaruhi.
Analisis regresi membentuk persamaan garis lurus (linear) dan
menggunakan persamaan tersebut untuk membuat perkiraan (prediction).
Berdasarkan jumlah variabel bebas, analisis regresi linear yang terdiri dari dua
variabel dikenal dengan analisis linear sederhana, sedangkan yang lebih dari
dua variabel disebut analisis linear berganda dan yang akan kita pelajari lebih
lanjut.
Tujuan dari analisis regresi yaitu pertama untuk membuat perkiraan nilai
suatu variabel terikat jika nilai variabel bebas yang berhubungan dengannya
sudah ditentukan dan yang kedua untuk menguji hipotesis signifikansi
pengaruh dari variabel bebas terhadap variabel terikat.
Model regresi linier berganda untuk dua variabel bebas dan satu variabel
terikat adalah sebagai berikut:

Model diatas dapat dijelaskan bahwa dalam model regresi linier berganda
mempunyai dua uji pengaruh yaitu :
1. Pengaruh variabel X (bebas) secara simultan terhadap variabel Y (terikat)
2. Pengaruh variabel X (bebas) secara parsial terhadap variabel Y (terikat),
yaitu meliputi:
a. Pengaruh variabel X1 terhadap variabel Y

2
 b. Pengaruh variabel X2 terhadap variabel Y

B. Rumusan Masalah

Berdasarkan latar belakang tersebut, didapatkan beberapa permasalahan

yaitu:
1. Apa yang dimaksud dengan regresi linear berganda?
2. Bagaimana mendapatkan persamaan regresi linear berganda?
3. Apa saja macam-macam asumsi regresi linear berganda?
4. Bagaimana langkah-langkah dalam analisis regresi linear berganda?
5. Bagaimana menentukan pengaruh signifikansi dari variabel terikat dan
variabel bebas?

C. Tujuan Masalah

Penulisan makalah ini bertujuan:

1. Untuk mengetahui pengertian regresi linear bergana.
2. Untuk mengetahui cara mendapatkan persamaan regresi linear berganda.
3. Untuk mengetahui macam-macam asumsi regresi linear berganda.
4. Untuk mengetahui langkah-langkah dalam analisis regresi linear
berganda.
5. Untuk mengetahui cara menentukan pengaruh signifikansi dari variabel
terikat dan variabel bebas.

D. Metode Penulisan

Metode penulisan yang digunakan dalam penyusunan makalah ini adalah

metode deskriptif dengan teknik studi literatur dengan cara mengumpulkan
data dari buku referensi, penunjang dan media lainnya seputar tema yang
dibahas, dan juga menggambil sumber penunjang dari internet.

3
 BAB II
PEMBAHASAN

A. Pengertian Regresi Linear Berganda

Analisis regresi merupakan studi dalam menjelaskan dan mengevaluasi

hubungan antara suatu peubah bebas (independent variable) dengan satu
peubah tak bebas (dependent variable) dengan tujuan untuk mengestimasi dan
atau meramalkan nilai peubah tak bebas didasarkan pada nilai peubah bebas
yang diketahui (Widarjono, 2005).

Analisis regresi adalah teknik statistika yang berguna untuk memeriksa

dan memodelkan hubungan diantara variabel-variabel. Penerapannya dapat
dijumpai secara luas di banyak bidang seperti teknik, ekonomi, manajemen,
ilmu-ilmu biologi, ilmu-ilmu sosial, dan ilmu-ilmu pertanian. Pada saat ini,
analisis regresi berguna dalam menelaah hubungan dua variabel atau lebih,
dan terutama untuk menelusuri pola hubungan yang modelnya belum
diketahui dengan sempurna, sehingga dalam penerapannya lebih bersifat
eksploratif.

Analisis regresi dikelompokkan dari mulai yang paling sederhana sampai

yang paling rumit, tergantung tujuan yang berlandaskan pengetahuan atau
teori sementara, bukan asal ditentukan saja. jika dalam persamaan regresi
hanya terdapat satu variabel terikat,maka disebut sebagai regresi sederhana.
Sedangkan jika variabel bebasnya lebih dari satu, maka disebut sebagai
persamaan regresi berganda.

Regresi berganda seringkali digunakan untuk mengatasi permasalahan

analisis regresi yang melibatkan hubungan dari dua atau lebih variabel bebas.
Pada awalnya regresi berganda dikembangkan oleh ahli ekonometri untuk

4
 membantu meramalkan akibat dari aktivitas-aktivitas ekonomi pada berbagai
segmen ekonomi. Misalnya laporan tentang peramalan masa depan
perekonomian di jurnal-jurnal ekonomi (Business Week, Wal Street Journal,
dll), yang didasarkan pada model-model ekonometrik dengan analisis
berganda sebagai alatnya. Salah satu contoh penggunaan regresi berganda
dibidang pertanian diantaranya ilmuwan pertanian menggunakan analisis
regresi untuk menjajagi antara hasil pertanian (misal: produksi padi per
hektar) dengan jenis pupuk yang digunakan, kuantitas pupuk yang diberikan,
jumlah hari hujan, suhu, lama penyinaran matahari, dan infeksi serangga.

Persamaan regresi berganda adalah persamaan matematika yang dapat

digunakan untuk meramalkan nilai-nilai variable tidak bebas (dependent) dari
nilai-nilai variable bebas (independent). Dalam hal ini pendugaan atau
peramalan nilai variabel tak bebas Y berdasarkan hasil pengukuran pada
beberapa variabel bebas X1, X2,…, Xr.

B. Persamaan Regresi Linear Berganda

Analisis regresi linear berganda sebenarnya sama dengan analisis regresi

linear sederhana, hanya variabel bebasnya lebih dari satu buah. Persamaan
umumnya adalah:
Y = a + b1 X1 + b2 X2 + .... + bn Xn.
Dengan Y adalah variabel bebas, dan X adalah variabel-variabel bebas, a
adalah konstanta (intersept) dan b adalah koefisien regresi pada masing-
masing variabel bebas. Interpretasi terhadap persamaan juga relatif sama
Analisis regresi linear berganda memerlukan pengujian secara serempak
dengan menggunakan F hitung. Signifikansi ditentukan dengan
membandingkan F hitung dengan F tabel atau melihat signifikansi pada
output SPSS. Dalam beberapa kasus dapat terjadi bahwa secara simultan
(serempak) beberapa variabel mempunyai pengaruh yang signifikan, tetapi
secara parsial tidak.

5
C. Asumsi Regresi Linear Berganda

Seperti halnya uji parametris lainnya, maka regresi linear juga

mempunyai syarat atau asumsi klasik yang harus terpenuhi. Agar model
prediksi yang dihasilkan nantinya bersifat BLUE (Best Linear Unbiased
Estimation). Asumsi klasik pada regresi linear berganda antara lain:

1. Data Interval atau rasio.

Skala data semua variable terutama variable terikat adalah interval

atau rasio. Asumsi ini tidak perlu diuji, cukup anda pastikan bahwa data
yang digunakan adalah data interval atau rasio (numeric atau kuantitatif).

2. Linearitas

Ada hubungan linear antara variable bebas dengan variable terikat.

Asumsi linearitas diuji dengan uji linearitas regresi, misalnya dengan
kurva estimasi. Dengan kurva estimasi kita bisa tentukan ada hubungan
linear atau tidak dengan melihat nilai p value linearitas. Jika p value <
0,05 maka terdapat hubungan yang linear antara predictor dan response.

3. Normalitas Residual

Residual adalah beda antara y dengan y prediksi. Y adalah variable

terikat, sedangkan y prediksi adalah Y hasil persamaan regresi yang
dibuat. Sehingga residual dibangun dengan rumus: y – y prediksi.
Asumsi normalitas pada regresi linear berganda adalah pada residualnya,
bukan pada data per variabelnya. Uji Asumsi normalitas regresi linear
dapat diuji dengan berbagai metode uji normalitas, seperti uji Shapiro
wilk, lilliefors atau Kolmogorov smirnov, Anderson darling, Ryan joiner,

6
 Shapiro francia, Jarque bera, Skewness kurtosis test dan berbagai jenis uji
normalitas lainnya.

4. Non Outlier

Outlier disebut dengan data pencilan atau data yang nilainya extreme
atau lain dari pada yang lainnya. Batasan outlier atau tidak bisa dilihat
dari nilai absolut studentized residual. Jika absolut studentized residual >
3 maka sampel atau observasi yang dimaksud menjadi outlier.

5. Homoskedastisitas

Homoskedastisitas adalah sebuah kondisi dimana varians dari error

bersifat konstan atau tetap. Dengan kata lain bahwa varians dari error
bersifat identic untuk setiap pengamatan. Kebalikan dari
homoskedastisitas adalah heteroskedastisitas. Model regresi linear yang
baik adalah model yang bebas dari kondisi heteroskedastisitas.

6. Non Multikolinearitas

Multikolinearitas adalah keadaan dimana terdapat interkorelasi atau

korelasi kuat antar variable bebas di dalam model. Dinyatakan ada
interkorelasi jika korelasi antar variable bebas di dalam model regresi
linear berganda > 0,8. Beberapa pakar menggunakan batasan lebih dari
0,9. Cara lain yang lebih objektif adalah dengan menggunakan nilai
variance inflating factor (VIF) dan tolerance. Dikatakan ada
multikolinearitas jika nilai VIF > 10 dan/atau nilai tolerance < 0,01.

Berdasarkan uraian diatas, maka jelas sekali bahwa asumsi

multikolinearitas hanya ada dalam regresi linear berganda dan tidak ada
pada regresi linear sederhana. Sebab pada regresi linear berganda ada
lebih dari satu variabel bebas, sedangkan pada regresi linear sederhana
hanya ada satu variable bebas.

7
 7. Non Autokorelasi

Autokorelasi dapat diartikan bahwa terdapat korelasi antar waktu.

Sehingga bisa diartikan dengan mudah bahwa autokorelasi ini sering
terjadi pada regresi linear dengan data time series atau runtun waktu. Dan
jarang sekali terjadi pada data cross section. Data runtun waktu ini
misalnya data return saham sebuah perusahaan per bulan dari tahun 2012
sd 2017.

Sedangkan data cross section, misalnya data hasil dari kuesioner yang
disebarkan pada semua siswa sebuah kelas, dimana hanya diukur satu kali
saja. Uji autokorelasi ini bisa diuji dengan menggunakan nilai Durbin
Watson (DW) dan run test. Jika menggunakan uji Durbin Watson,
dikatakan tidak ada autokorelasi jika nilai DW hitung > Batas atas DW
table dan (4 – DW Hitung) > Batas atas DW Tabel.

D. Langkah-langkah Analisis Regresi Linear Berganda

Analisis regresi linear berganda memerlukan pengujian secara serempak

dengan menggunakan F hitung. Signifikansi ditentukan dengan
membandingkan F hitung dengan F tabel atau melihat signifikansi pada
output SPSS. Dalam beberapa kasus dapat terjadi bahwa secara simultan
(serempak) beberapa variabel mempunyai pengaruh yang signifikan, tetapi
secara parsial tidak. Sebagai ilustrasi: seorang penjahat takut terhadap polisi
yang membawa pistol (diasumsikan polisis dan pistol secara serempak
membuat takut penjahat). Akan tetapi secara parsial, pistol tidak membuat
takut seorang penjahat. Contoh lain: air panas, kopi dan gula menimbulkan
kenikmatan, tetapi secara parsial, kopi saja belum tentu menimbulkan
kenikmatan.
Penggunaan metode analisis regresi linear berganda memerlukan uji
asumsi klasik yang secara statistik harus dipenuhi. Asumsi klasik yang sering

8
digunakan adalah asumsi normalitas, multikolinearitas, autokorelasi,
heteroskedastisitas dan asumsi linearitas..
Langkah-langkah yang lazim dipergunakan dalam analisis regresi linear
berganda yaitu:
1. Koefisien determinasi
2. Uji F
Uji F ini digunakan untuk mengetahui apakah variabel-variabel
independen secara signifikan bersama-sama berpengaruh terhadap
variabel dependen. Dengan kata lain, untuk mengetahui apakah model
regresi yang terbentuk layak digunakan atau tidak. Uji F dalam uji regresi
seringkali disebut sebagai uji overall. Rumus regresi linier berganda
untuk F hitung dari uji ini adalah sebagai berikut :

Kemudian nilai F hitung tersebut dibandingkan dengan nilai tabel uji

F dengan derajat bebas pembilang = k-1 dan penyebut = n-k (dimana k =
jumlah variabel independen dan n = banyaknya sampel). Hipotesis model
tidak layak digunakan akan ditolak jika nilai F hitung lebih besar dari F
tabel.
3. Uji t.

Uji parsial bertujuan untuk mengetahui apakah variabel-variabel

independen di dalam model yang terbentuk berpengaruh terhadap variabel
dependen secara parsial. Uji ini dilakukan untuk setiap variabel
independen yang ada di dalam model. Rumus regresi linier berganda
untuk mencari nilai t hitung dinyatakan sebagai berikut :

Dimana bi merupakan nilai estimasi parameter βi dan se(bi)

merupakan standard error dari bi. Hipotesis variabel independen tidak

9
 signifikan di dalam model akan ditolak jika nilai |thit| lebih besar dari nilai
t tabel.

E. Langkah-Langkah Analisis Regresi Linear Ganda Menggunakan SPSS

Dalam melakukan analisis regresi linear ganda dilakukan uji asumsi

homoskedasitas, asumsi kenormalan, dan asumsi autokorelasi. Langkah-
langkah penggunaan SPSS dalam analisis regresi linear ganda menurut
(Rinaldi, 2020) sebagai berikut:
a. Uji asumsi homoskedasitas dan autokorelasi
Uji asusmsi homoskedasitas digunakan untuk galat dalam suatu kasus
homogen atau tidak dengan melihat hasil plot responden (variabel tak
bebas) atau Y. sedangkan, uji autokorelasi dilakukan dengan tujuan apakah
autokorelasi antar variabel dengan melihat hasil Durbin-Watson. Berikut
langkah-langkah pengujian asumsi homoskedasitas dan autokorelasi:
1. Masukkan data suatu kasus dalam aplikasi SPSS.
2. Selanjutnya, pilih menu analyze →regression →linear.

3. Masukkan responden (variabel tak bebas) atau y dalam kotak dependent

10
4. Masukkan variabel bebas x1 dan x2 pada kotak independent (s).

5. Pilih statistics, kemudian beri tanda centang pada estimates, model fit, R
square changes, collinearity diagnostics, dan Durbin-Watson setelah itu
klik continue.

6. Selanjutnya, pilih plots, masukan data SREID pada kolom Y dan ZRED
pada kolom X, kemudian beri tanda centang pada normal probability
plot setelah itu klik continue.

11
 7. Setalah itu save, dan beri tanda centang pada unstandardized, kemudian
pilih continue dan ok.

b. Uji asumsi kenormalan

Uji asumsi kenormalan digunakan untuk melihat atau mengetahui galat
berdistribusi secara normal atau tidak. Berikut langkah-langkah pengujian
asumsi kenormalan:
1. Dengan data yang sama diuji asumsi kenormalan pada kasus tersebut, ke
menu analyze →nonparametric test →1. Sample K-S

12
 2. Masukkan understandarized residu ke dalam test variabel list kemudian
klik ok

F. Contoh Soal

Berikut contoh soal dari penggunaan persamaan regresi linear berganda.

Seorang Manajer Pemasaran deterjen merek “ATTACK” ingin
mengetahui apakah Promosi dan Harga berpengaruh terhadap keputusan
konsumen membeli produk tersebut?
Penyelesaian:
Hipotesis:
Ho : b1 = b2 = 0, Promosi dan Harga tidak berpengaruh signifikan terhadap
keputusan konsumen membeli deterjen merek “ATTACK”.
Ha : b1 ¹b2 ¹ 0, Promosi dan Harga berpengaruh signifikan terhadap
keputusan konsumen membeli deterjen merek “ATTACK”.

Data Kasus

No. Promosi Harga Keputusan Konsumen

Responden (X1) (X2) (Y)

1 10 7 23

2 2 3 7

3 4 2 15

13
 4 6 4 17

5 8 6 23

6 7 5 22

7 4 3 10

8 6 3 14

9 7 4 20

10 6 3 19

Jumlah 60 40 170

Tabel Pembantu

No. Resp. X1 X2 Y X1Y X2Y X1X2 X2 X2

1 2

1 10 7 23 230 161 70 100 49

2 2 3 7 14 21 6 4 9

3 4 2 15 60 30 8 16 4

4 6 4 17 102 68 24 36 16

5 8 6 23 184 138 48 64 36

6 7 5 22 154 110 35 49 25

7 4 3 10 40 30 12 16 9

8 6 3 14 84 42 18 36 9

9 7 4 20 140 80 28 49 16

10 6 3 19 114 57 18 36 9

Jumlah 60 40 170 1122 737 267 406 182

14
∑ Y =an+ b1 ∑ X 1+ b2 ∑ X 2
∑ X 1 Y =a ∑ X 1 +b 1 ∑ X 21+ b2 ∑ X 1 X 2
∑ X 2 Y =a ∑ X 2 +b 1 ∑ X 1 X 2+b 2 ∑ X 22

170 = 10 a + 60 b1 + 40 b2....................................(1)

1122= 60 a + 406 b1 + 267 b2................................(2)

737 = 40 a +267 b1 + 182 b2..................................(3)

Persamaan (1) dikalikan 6, persamaan (2) dikalikan 1:

1020 = 60 a + 360 b1 + 240 b2

35163 = 60 a + 406 b1 + 267 b2 _

-102 = 0 a + -46 b1+ -27 b2

-102 = -46 b1-27 b2............................................................. (4)

Persamaan (1) dikalikan 4, persamaan (3) dikalikan 1:

680 = 40 a + 240 b1 + 160 b2

737 = 40 a + 267 b1 + 182 b2 _

15
-57 = 0 a + -27 b1 + -22 b2

-57 = -27 b1 – 22 b2….....................................................(5)

Persamaan (4) dikalikan 27, persamaan (5) dikalikan 46:

-2754 = -1242 b1 - 729 b2

-2622 = -1242 b1 - 1012 b2 _

-132 = 0 b1 + 283 b2

b2 = -132:283 = -0,466

Harga b2 dimasukkan ke dalam salah satu persamaan (4) atau (5):

-102 = -46 b1- 27 (-0,466)

-102 = -46 b1+ 12,582

46 b1 = 114,582

b1 = 2,4909

Harga b1 dan b2 dimasukkan ke dalam persamaan 1:

170 =10a+60(2,4909)+40(-0,466)

170 = 10a+149,454-18,640

16
10a = 170-149,454+18,640

a = 3,9,189

Jadi

a = 3,9186

b1 = 2,4909

b2 = -0,466

Persamaan regresi:

Y = 3,9186 + 2,4909 X1 – 0,466 X2

Pengujian Hipotesis

Koefisien Korelasi Berganda (R)

b 1 ∑ X 1 Y +b 2 ∑ X 2 Y
R=
∑Y2

2,4909 ×1122+ (−0,466 ) 737

R=
3162

2794,7898+ (−343,442 )
R=
3162

R=0,775252308

17
Koefisien Determinasi (R 2)

R2 = (0,775252308)2

R2 = 0,60

F Hitung

R 2 ( N−k−1)
F Hitung = 2
k (1−R )

0,60(10−2−1)
F Hitung =
2( 1−0,60)

F Hitung =5,25

F Tabel

Dk Pembilang =k

=2

Dk Penyebut = n-k-1

= 10-2-1

=7

Hipotesis

Ho : b1 = b2 = 0, Variabel Promosi Dan Harga Tidak Berpengaruh

18
Signifikan Terhadap Keputusan Konsumen Membeli Deterjen Merek
”Attack”

Ha : b1 ¹ b2 ¹ 0, Variabel Promosi Dan Harga Berpengaruh Signifikan

Terhadap Keputusan Konsumen Membeli Deterjen Merek ”Attack”

Kriteria:

F hitung ≤ F tabel = Ho diterima

F hitung > F tabel = Ho ditolak, Ha diterima

F hitung (5,25) > F tabel (4,74) = Ho ditolak, Ha Diterima

Jadi, dapat disimpulkan bahwa Promosi dan Harga berpengaruh signifikan

terhadap keputusan konsumen membeli deterjen merek “ATTACK”.

19
 BAB III
PENUTUP

A. Kesimpulan

1. Analisis regresi linier berganda adalah suatu analisis asosiasi yang

digunakan secara bersamaan untuk meneliti pengaruh dua atau lebih
variabel bebas terhadap satu variabel tergantung dengan skala interval.
2. Persamaan regresi berganda, yaitu: Y = a + b1 X1 + b2 X2 + .... + bn Xn.
3. Terdapat beberapa asumsi kalsik yang harus dipenuhi pada regresi linear
berganda yaitu; data interval atau rasio, linearitas, normalitas residual,
non outlier, homoskedastisitas, non multikolinearitas, non autokorelasi
G. Ada tiga langkah yang digunakan dalam analisis regresi linear berganda,
yaitu: koefisien determinasi, uji F, uji t.

B. Saran

Makalah ini kami susun agar memberikan manfaat bagi para pembaca.
Kami sadar bahwa makalah ini masih jauh dari sempurna. Oleh karena itu,
kami berharap makalah ini dapat dijadikan sebagai bahan kajian dan dengan
partisipasi pembaca untuk dapat memberikan saran maupun kritik yang
konstruktif terhadap makalah ini agar kedepannya lebih baik lagi.

20
 DAFTAR PUSTAKA

Algifari. 1997. Statistika Induktif Untuk Ekonomi dan Bisnis. Yogyakarta:

UPP AMP YKPN.

Algifari. 1997. Analisis Statistik Untuk Bisnis; Dengan Regresi, Korelasi dan
Nonparametrik. Yogyakarta: BPFE.

Mason, R.D & Douglas A. Lind. 1996. Teknik Statistik Untuk Bisnis dan
Ekonomi, Jilid II. Jakarta: Penerbit Erlangga.

Sugiyono. 2001. Metode Penelitian Administrasi. Bandung: Alfabeta.

Usman, H. & R. Purnomo Setiady Akbar. 2000. Pengantar Statistika. Jakarta:

Bumi Aksara.

21