PROGRAM STUDI MAGISTER MANAJEMEN FAKULTAS

EKONOMI UNIVERSITAS SRIWIJAYA

Mata Kuliah: Analisis Kuantitatif

NAMA : KINTAN DWI AMELIA

NIM 01012622226005
KELAS : 52B
DOSEN : PROF. DR. H. DIDIK SUSETYO, M.SI

1. Multiple regression kasus Jenny Wilson Realty (PPt 48sd54)

Regresi linier berganda merupakan model persamaan yang menjelaskan hubungan satu
variabel tak bebas/ response (Y) dengan dua atau lebih variabel bebas/ predictor (X1, X2,…Xn).
Tujuan dari uji regresi linier berganda adalah untuk memprediksi nilai variable tak bebas/ response
(Y) apabila nilai-nilai variable bebasnya/ predictor (X1, X2,..., Xn) diketahui. Disamping itu juga
untuk dapat mengetahui bagaimanakah arah hubungan variabel tak bebas dengan variabel -
variabel bebasnya.
Persamaan regresi linier berganda secara matematik diekspresikan oleh :
Y = a + b1 X1 + b2 X2 + … + bn Xn
yang mana :
Y = variable tak bebas (nilai variabel yang akan diprediksi)
a = konstanta
b1,b2,…, bn = nilai koefisien regresi
X1,X2,…, Xn = variable bebas

Jika diterapkan pada kasus Jenny Wilson realty, maka:

SELLING SQUARE
PRICE FOOTAGE AGE CONDITION
95.000 1.926 30 GOOD
119.000 2.069 40 EXCELLENT
124.800 1.720 30 EXCELLENT
135.000 1.396 15 GOOD
142.000 1.706 32 MINT
145.000 1.847 38 MINT
159.000 1.950 27 MINT
165.000 2.323 30 EXCELLENT
182.000 2.285 26 MINT
183.000 3.752 35 GOOD
200.000 2.300 18 GOOD
211.000 2.525 17 GOOD
215.000 3.800 40 EXCELLENT
219.000 1.740 12 MINT
 SUMMARY OUTPUT

Regression Statistics Nilai korelasi antara SF & Age dengan

Multiple R 0,820707551 Sell Price adalah 0,8207 & termasuk
R Square 0,673560884 dalam kategori Sangat kuat.
Adjusted R Nilai koefisien determinasi 0.6142 atau
0,614208318
Square 61,42%. Yang berarti bahwa SF menjelaskan
Standard Error 24271,17967 Sell Price sebesar 61,42% & sisanya
Observations 14 dipengaruhi oleh faktor lain.

ANOVA
F Significance
df SS MS
F
Regression 2 13370545353 6685272676 11,34847108 0,002117932
Residual 11 6479991790 589090162,7
Total 13 19850537143

Nilai signifikan < alpha =

0,05
sehingga dapat
disimpulkan bahwa
adanya pengaruh yang
signifikan antara variabel
SF & Age dengan Sell
Price.

Coefficients Standard Error t Stat P-value Lower 95% Upper 95% Lower 95,0% Upper 95,0%
Intercept 146527,3751 25438,66252 5,760026692 0,000126492 90537,25644 202517,4939 90537,25644 202517,4939
SQUARE FOOTAGE 43,91419579 10,26344676 4,27869865 0,001301556 21,32450178 66,5038898 21,32450178 66,5038898
AGE -2904,641625 795,2076305 -3,652683292 0,003802868 -4654,881819 -1154,401431 -4654,881819 -1154,401431

- Variabel SF signifikan
mempengaruhi Sell Price
Y= 146.527 + 43.91 (SF-x1) + - 2904.64 (Age-x2) - Variabel Age signifikan
mempengaruhi Sell Price

2. Nonlinear regression kasus Colonel Motor (PPt 63sd69)

Menurut Nawari (2010), regresi non linier ialah bentuk hubungan atau fungsi di mana variabel
bebas X dan atau variabel terikat Y dapat berfungsi sebagai faktor atau variabel dengan pangkat
tertentu. Dalam statistik, regresi nonlinier adalah suatu bentuk analisis regresi di mana data
pengamatan dimodelkan oleh fungsi yang merupakan kombinasi nonlinier dari parameter model
dan tergantung pada satu atau lebih variabel independen. Data dilengkapi dengan metode perkiraan
yang berurutan.
Model regresi nonlinear dalam parameter menurut (Montgomery dan Peck, 1992) dapat dituliskan
sebagai:
𝑦𝑖 = 𝑓(𝑥𝑖, 𝜃) + 𝜀𝑖, i = 1, 2, ..., n.
dengan,

𝑦𝑖 = variabel terikat ke-i

𝑥𝑖 = variabel bebas ke-i

𝜃 = parameter yang tidak diketahui

𝜀𝑖 = error, dimana 𝜀~𝑁(0, 𝜎2)

Jika diterapkan pada kasus Colonel Motor, maka:

Colonel Motor linear:
Weight
MPG (1.000 LBS)
- (x1)
12 4,58
13 4,66
15 4,02
18 2,53
19 3,09
19 3,11
20 3,18
23 2,68
24 2,65
33 1,7
36 1,95
42 1,92

SUMMARY OUTPUT

Regression Statistics
Multiple R 0,862878476
R Square 0,744559264
Adjusted R Square 0,71901519
Standard Error 5,00757083
Observations 12
 ANOVA
Significance
df SS MS F
F
Regression 1 730,9090105 730,9090105 29,14802371 0,000301894
Residual 10 250,7576561 25,07576561
Total 11 981,6666667

Coefficients Standard Error t Stat P-value Lower 95% Upper 95% Lower 95,0% Upper 95,0%
Intercept 47,61934391 4,813150896 9,893590485 1,75316E-06 36,8949754 58,34371242 36,8949754 58,34371242
Weight (x1) -8,245969696 1,527345105 -5,39889097 0,000301894 -11,64910666 -4,842832727 -11,64910666 -4,842832727

Non-linear regression:

WEIGHT WEIGHT
(1,000 (1,000
MPG
LBS.) LBS.)
(X1) (X2)
12 4,58 20,9764
13 4,66 21,7156
15 4,02 16,1604
18 2,53 6,4009
19 3,09 9,5481
19 3,11 9,6721
20 3,18 10,1124
23 2,68 7,1824
24 2,65 7,0225
33 1,7 2,89
36 1,95 3,8025
42 1,92 3,6864

SUMMARY OUTPUT
Regression Statistics
Multiple R 0,920759823
R Square 0,847798651
Adjusted R Square 0,81397613
Standard Error 4,074459616
Observations 12
ANOVA
Significance
df SS MS F F
Regression 2 832,2556762 416,1278 25,0661 0,000209
Residual 9 149,4109905 16,60122
Total 11 981,6666667

Coefficients Standard Error t Stat P-value Lower 95% Upper 95% Lower 95,0% Upper 95,0%
Intercept 79,78875408 13,59615843 5,868477814 0,000238215 49,03210691 110,5454013 49,03210691 110,5454013
WEIGHT (1,000 LBS.) (X1) -30,22237277 8,980905412 -3,365181058 0,008320405 -50,53859228 -9,906153268 -50,53859228 -9,906153268
WEIGHT (1,000 LBS.) (X2) 3,412410512 1,381104551 2,470783627 0,03552457 0,288134959 6,536686064 0,288134959 6,536686064