STATISTIK UNTUK PENELITIAN

MODEL PENILAIAN HARGA JUAL RUMAH KELAS MENENGAH (TIPE

36-45) DENGAN ANALISIS REGRESI (Studi Kasus Di Wilayah
Kabupaten Sidoarjo)

GILANG RAMADHAN
6012221099

Dosen Pengajar 1
Dr. Muhammad Sjahid Akbar
NIP. 19720705 199802 1 001

PROGRAM MAGISTER TEKNIK SIPIL - MANAJEMEN PROYEK KONSTRUKSI

DEPARTEMEN TEKNIK SIPIL
FAKULTAS TEKNIK SIPIL PERENCANAAN DAN KEBUMIAN
INSTITUT TEKNOLOGI SEPULUH NOPEMBER
SURABAYA
2022
“Halaman ini sengaja dikosongkan”
 DAFTAR ISI
DAFTAR ISI................................................................................................................................................................iii
BAB I..............................................................................................................................................................................4
1.1 LATAR BELAKANG..................................................................................................................................4
1.2 RUMUSAN MASALAH..............................................................................................................................4
1.3 TUJUAN.......................................................................................................................................................4
1.4 BATASAN MASALAH...............................................................................................................................4
1.5 LOKASI PENELITIAN................................................................................................................................5
BAB II............................................................................................................................................................................6
2.1 TINJAUAN PROPERTI...............................................................................................................................6
2.2 MODEL REGRESI.......................................................................................................................................6
2.2.1 Model Regresi Linier Sederhana..............................................................................................................6
2.2.2 Model Regresi Linier Berganda................................................................................................................7
2.3 METODOLOGI PENELITIAN....................................................................................................................8
2.4 ANALISIS DATA........................................................................................................................................8
2.5 Scoring Data.................................................................................................................................................9
2.6 Analisa Regresi Linier Berganda..................................................................................................................9
BAB III.........................................................................................................................................................................10
3.1 DATA PENUNJANG MINITAB...............................................................................................................10
3.2 OUTPUT MINITAB...................................................................................................................................10
3.2.1 Uji Normalitas.........................................................................................................................................13
3.2.2 Uji Linearitas..........................................................................................................................................13
3.2.3 Uji Heterokedastitas................................................................................................................................14
3.2.4 Uji Multikolinearitas...............................................................................................................................15
3.2.5 Uji Autokorelasi......................................................................................................................................15
3.2.6 Uji Keseluruhan......................................................................................................................................17
3.2.7 Uji Angka Komponen (Z).......................................................................................................................17
3.2.8 Uji T Regresi...........................................................................................................................................17
3.2.9 Uji T Korelasi.........................................................................................................................................18
3.2.10 Uji Parsial...........................................................................................................................................18
3.2.11 Model Regresi Linear Berganda.........................................................................................................19
BAB IV.........................................................................................................................................................................22
4.1 KESIMPULAN...........................................................................................................................................22
 4

1 BAB I
PENDAHULUAN
1.1 LATAR BELAKANG
Wilayah Kabupaten Sidoarjo berada di selatan Surabaya, dan secara geografis kedua kota
ini seolah-olah menyatu. Sektor industri di Sidoarjo berkembang cukup pesat karena lokasi yang
berdekatan dengan pusat bisnis kawasan Indonesia Timur (Surabaya). Daerah perkotaan sebagai
pusat aktivitas perdagangan, industri, pendidikan dan berbagai aktivitas lainya pasti berpengaruh
pada kebutuhan hunian yang semakin meningkat seiring dengan peningkatan pembangunan dan
pendapatan masyarakat.
Melihat antusias masyarakat akan permintaan hunian yang layak, banyak penyedia
properti (Developer) membidik segmen menengah ke bawah dengan kategori rumah sederhana.
Dengan berkembangnya pembangunan real estate maka semakin banyak pilihan rumah tinggal
menuntut masyarakat untuk menentukan harga rumah tinggal yang sesuai dengan
mempertimbangkan beberapa hal pokok seperti lokasi dan fasilitas sehingga penyedia properti
juga dituntut mampu menyediakan hunian layak yang mampu terbeli oleh masyarakat.
Penilaian properti dengan menggunakan analisis regresi dapat menyediakan dasar
pengambilan keputusan bagi pemilihan pembelian rumah, keperluan investasi, asuransi, ataupun
untuk perbankan.
Pada umumnya penilaian properti dilakukan dengan metode perbandingan penjualan,
karena metode ini paling bisa mempresentasikan kondisi pasar yang terjadi pada waktu itu. Hal
ini tidak dapat dipungkiri karena nilai pasar tidak akan dapat diestimasi secara benar tanpa
adanya referensi data pasar. Selain itu para penilai juga jarang menggunakan penyesuaian umur,
penyesuaian lokasi, atau penyesuaian kondisi, penyesuaian status renovasi. Sehingga dapat
disimpulkan bahwa penilai dengan pengalaman lebih banyak akan mendapatkan hasil penilaian
yang jauh lebih baik.

1.2 RUMUSAN MASALAH

Secara umum berdasarkan latar belakang diatas, terdapat rumusan masalah sebagai
berikut.
1. Bagaimana model regresi untuk pengambilan keputusan bagi pemilihan pembelian
rumah?
2. Bagaimana keakuratan model pengambilan keputusan bagi pemilihan pembelian
rumah dengan mengunakan metode regresi?

1.3 TUJUAN
Adapun tujan dari penyusunan tugas ini adalah.
1. Mengetahui model regresi untuk pengambilan keputusan bagi pemilihan pembelian
rumah.
2. Mengetahui keakuratan model pengambilan keputusan bagi pemilihan pembelian
rumah dengan mengunakan metode regresi.
1.4 BATASAN MASALAH
Batasan masalah pada tugas ini adalah sebagai berikut :
 5

1. Data jurnal yang diambil yaitu dari Jurnal Teknik Sipil, Institut Teknologi Nasional
Malang
2. Data variabel proyek diambil hanya 2 variabel dari jurnal.

1.5 LOKASI PENELITIAN

Lokasi penelitian dilakukan di kabupaten Sidoarjo yakni dengan batas utara dengan kota
Surabaya, batas selatan dengan Pasuruan, batas timur dengan selat Madura dan batas barat
dengan Mojokerto.
 6

1 BAB II
TINJAUAN PUSTAKA

2.1 TINJAUAN PROPERTI

Beberapa penelitian tentang proses penyesuaian dengan analisis regresi telah dilakukan.
Salah satunya adalah seperti di Los Angeles, yang digunakan untuk meneliti bangunan gudang
sebagai variabel terikat atau variabel tak bebas, dan karakteristik gudang seperti umur, lokasi,
luas sebagai variabel bebasnya (Ramsland, 1998 : 1).
Penyesuaian dengan analisis regresi dapat digunakan ketika tersedia sampel transaksi
yang cukup besar. Koefisien dari variabel yang mempengaruhi nilai (seperti meter persegi)
dalam persamaan regresi mengukur pengaruh variabel tersebut terhadap harga penjualan.
Koefisien tersebut bisa saja menjadi perusak dan harus digunakan secara hati-hati.
Beberapa analis menyarankan bahwa suatu pendekatan perbandingan
penjualan“gabungan” yang mengkombinasikan pencocokan secara tradisional dan analilsa
regresi akan menghasilkan hasil yang lebih baik daripada regresi langsung, khususnya untuk
properti-properti yang cukup seragam.Akan tetapi perlu digarisbawahi di sini bahwa menurut
berbagai sumber, penyesuaian pada pendekatan ini tidak boleh dilakukan semata-mata dengan
perhitungan matematis, harus dilibatkan pula seni dan pengalaman penilai.
Perhitungan secara kuantitatif membantu penilai untuk menganalisis data-data pasar dan
mengenali bagaimana faktor-faktor yang berbeda-beda mempengaruhi nilai properti. Analisis
kualitatif dapat digunakan untuk mengidentifikasikan suatu kisaran harga dimana opini akhir
berada di dalamnya dan membobot indikator indikator nilai yang didasarkan pada data-data
pasar.

2.2 MODEL REGRESI

Analisis Regresi adalah bagian dari metode statistika yang berkenaan dengan prumusan
model matematis yang menggambarkan hubungan antar variabel, dan penggunaan model
hubungan tersebut untuk tujuan prediksi Istilah “ regresi” diperkenalkan oleh Galton (1822–
1911), Selanjutnya istilah regresi ini tetap digunakan hingga saat ini, meskipun pada penelitian
tidak ada unsur regresi dalam pengertian semula. Penelitian yang dimaksud adalah mengenai
analisa data yang terdiri dari 2 atau lebih variable yang bertujuan untuk menemukan sifat
hubungan yang terbentuk dan kemudian dan ditunjukan untuk prediksi.

2.2.1 Model Regresi Linier Sederhana

Seperti yang telah dibahas sebelumnya, analisis regresi adalah prosedur statistika untuk
mengestimasi secara matematis hubungan antara variabel bebas dan variabel tak bebas. Pada
regresi linear sederhana hanya dilibatkan 1 variabel bebas. Rumus dasar untuk regresi adalah
sebagai berikut:
Y =a+bX
Dimana
Y = Variabel tak bebas / terikat
X = Variabel bebas
a = konstanta, atau titik potong garis regresi di sumbu Y
b = kemiringan regresi, atau koefisien X
 7

Oleh karena itu didunia yang sempurna, peristiwa yang diprediksi dapat dijelaskan secara
metematis sebagai Y = a + bX . Dalam dunia nyata, peristiwa yang terjadi , jarang bahkan tidak
ada yang sempurna. Sehingga persamaan tersebut menjadi Y= a+ bX + e . Notasi e atau error
digambarkan sebagai residual antara nilai pengamatan Y dengan nilai prediksi Y.
Perhitungan yang lebih teliti mengenai hubungan antar variabel-variabel tersebut
selanjutnya dikembangkan dengan bentuk metode kuadrat terkecil (least sequared error).
Dengan menggunakan kuadrat terkecil ini, perbedaan vertikal antara garis regresi dan
pengamatan aktualnya dikuadratkan, kemudian dijumlahkan, dan garis regresi yang terpilih
adalah yang memiliki jumlah kuadrat terkecil.

2.2.2 Model Regresi Linier Berganda

Jika regresi linier sederhana hanya terdapat satu variabel bebas, maka pada regresi linier
berganda, terdapat dua atau lebih variabel bebas. Variabel-variabel bebas (X1, X2 X3, …., Xn) di
sini dipercaya sebagai faktor yang berkaitan dengan variabel tak bebas, Y. Penulisan persamaan
regresi berganda adalah sebagai berikut:
Y = a + b1X 1 + b2X 2 + bnX n
Interpretasi mengenai persamaan regresi berganda sama dengan apa yang ada pada
persamaan regresi sederhana. Untuk menentukan hubungan yang paling sesuai antar variabel-
variabel yang ada, digunakan juga metode kuadrat terkecil.

2.2.2.1 Uji Simultan Model Regresi Linear Berganda

Meskipun telah ditetapkan persamaan regresi yang paling tepat untuk sejumlah data yang
ada, persamaan ini bukanlah yang paling sempurna. Oleh karen itu harus dilakukan pengujian
untuk menentukan sebaik apa pencocokan yang dapat diberikan oleh persamaan tersebut.
Rangkaian pengujian itu adalah sebagai berikut:
a. Asumsi Kenormalan
Uji merupakan pengaruh gabungan (terhadap variabel tak bebas) dari sejumlah
besar variabel bebas yang tidak dimunculkan secara explisit dalam model regresi.
b. Asumsi Homokedastisitas
Asumsi homoskedastisitas menyatakan bahwa nilai – nilai varians sisaan tidak
tergantung pada nilai – nilai variabel bebas. Setiap varians sisaan akan tetap sama
baik untuk variabel bebas bernilai kecil maupun besar.
c. Asumsi Autokorelasi
Uji Autokorelasi adalah sebuah analisis statistik yang dilakukan untuk
mengetahui adakah korelasi variabel yang ada di dalam model prediksi dengan
perubahan waktu. Oleh karena itu, apabila asumsi autokorelasi terjadi pada sebuah
model prediksi, maka nilai disturbance tidak lagi berpasangan secara bebas,
melainkan berpasangan secara autokorelasi.
d. Asumsi Multikolinearitas
Situasi yang menunjukkan adanya korelasi atau hubungan kuat antara dua
variabel bebas atau lebih dalam sebuah model regresi berganda. Model regresi yang
dimaksud dalam hal ini antara lain: regresi linear, regresi logistik, regresi data panel
dan cox regression.
e. Uji Regresi Linear Berganda
 8

Regresi linear berganda merupakan lanjutan dari regresi linear sederhana dimana
variabel bebas atau independen yang digunakan lebih dari satu. Teknik analisis yang
digunakan dengan metode analisis regresi linear berganda dengan persamaan berikut :
Y =α + β 1 X 1+ β 2 X 2

Keterangan :
α = konstanta
β1 , β2 = koefisien regresi linear berganda
X1 = Lokasi
X2 = Fasilitas
f. Uji Parsial (uji t)
Uji Parsial (uji t) yaitu untuk menguji bagaimana pengaruh masing-masing
variabel bebasnya secara sendiri-sendiri terhadap variabel terikatnya. Untuk
mengetahui hubungan secara individu antara variabel bebas terhadap variabel terikat,
maka dapat dilakukan dengan membuat hipotesis :
1. H 0 : β i=0, Artinya tidak terdapat pengaruh variabel independen terhadap
variabel dependen.
2. H 0 : β i ≠ 0, Artinya terdapat pengaruh signifikan dari variabel independen
terhadap variabel dependen.
g. Uji F
Uji F bertujuan untuk mencari apakah variabel independen secara bersama – sama
(stimultan) mempengaruhi variabel dependen. Uji F dilakukan untuk melihat
pengaruh dari seluruh variabel bebas secara bersama-sama terhadap variabel terikat.
Uji ini digunakan untuk melihat apakah variabel independen secara keseluruhan
berpengaruh signifikan terhadap variabel dependen. Kriteria pengambilan keputusan
adalah :
1. Jika nilai p-value > 0,05 dan Fhitung < Ftabel maka H0 diterima
2. Jika nilai p-value < 0,05 dan Fhitung > Ftabel maka H1 maka diterima

2.3 METODOLOGI PENELITIAN

Penelitian dilakukan di kabupaten Sidoarjo yakni dengan batas utara dengan kota
Surabaya, batas selatan dengan Pasuruan, batas timur dengan selat Madura dan batas barat
dengan Mojokerto. Data harga rumah yang diambil adalah data harga rumah brosur yang keluar
pada Tahun 2011-2012. Pengambilan sampel dilakukan merata sesuai peta wilayah kota
Sidoarjo sebanyak 10 perumahan diwilayah Sidoarjo.
Spesifikasi bangunan yang digunakan sebagai sampel penelitian adalah rumah tipe 36-
45, satu lantai, rangka atap galvalum, penutup atap genting, dinding batu bata dan lantai
keramik.
Tabel 2. 1 Variabel dan Indikator Penelitian

No Variabel Indikator
1 Lokasi Letak bangunanterhadap pusat kota
2 Fasilitas Kelengkapan penunjang sekitar perumahan (system keamanan, kondisi,
drainase, system air bersih)
 9

2.4 ANALISIS DATA

Setelah ditentukan variabel dan indikator penelitian maka dapat dimulai analisis pada
data yang telah dikumpulkan. Langkah-langkah yang dilakukan pada analisis data adalah
sebagai berikut:
2.4.1 Scoring Data
Data variabel yang telah terkumpul diberikan scoring disesuaikan dengan gradasi
penilaian instrument. Adapun gradasi penilaian instrumen diasumsikan dengan angka 1 untuk
data dengan derajat terendah sampai angka 4 untuk data dengan derajat tertinggi. Scoring data
disesuaikan dengan gradasi setiap jenis variabel bebasnya.
Tabel 2. 2 Hasil Scoring Variabel

Score
Sampel Y (Harga (Rp))
X1 (Lokasi) X2 (Fasilitas)
1 1,0 2,0 79000000
2 2,0 2,5 90000000
3 1,5 2,8 93500000
4 1,0 3,4 104500000
5 3,0 4,0 157500000
6 1,0 2,0 196000000
7 1,8 2,5 216000000
8 1,7 3,0 191850000
9 4,0 2,5 240075000
10 2,5 3,5 122567000
Sumber: Jurnal
2.4.2 Analisa Regresi Linier Berganda
Berdasarkan pada variabel penelitian maka dapat dirumuskan model regresiyang sesuai
dengan data yang diperoleh sehingga digunakan persamaan sebagai berikut:
Y =α + β 1 X 1+ β 2 X 2
Keterangan
α = konstanta
β1 , β2 = koefisien regresi linear berganda
X1 = Lokasi
X2 = Fasilitas
 10

BAB III
METODE REGRESI LINEAR BERGANDA

3.1 DATA PENUNJANG MINITAB

Data penunjang memiliki 2 variabel bebas yaitu data Lokasi perumahan terhadap pusat
Kota X1, dan data Fasilitas kelengkapan penunjang sekitar perumahan (system keamanan,
kondisi, drainase, system air bersih) data total harga (Y)
Tabel 3.1 Data Penunjang Regresi Linier Berganda
Score
Sampel Y (Harga (Rp))
X1 (Lokasi) X2 (Fasilitas)
1 1,0 2,0 79000000
2 2,0 2,5 90000000
3 1,5 2,8 93500000
4 1,0 3,4 104500000
5 3,0 4,0 157500000
6 1,0 2,0 196000000
7 1,8 2,5 216000000
8 1,7 3,0 191850000
9 4,0 2,5 240075000
10 2,5 3,5 122567000

3.2 OUTPUT MINITAB

1. Persamaan Regresi Awal

Gambar 3. 1 Persamaan Regresi Awal

Persamaan akhir (dipakai) :

Gambar 0.2 Persamaan Regresi Dipakai

2. Correlations Antar Data

 11

Gambar 0.3 Correlations Antar Data

3. Coefficients

Gambar 0.4 Coefficients

4. Analysis of Variance

Gambar 0.5 Analysis of Variance

5. Normal Probability
 12

Gambar 0.6 Normal Probability

6. Versus Fits

Gambar 0.7 Versus Fits

7. Scatter Plot
 13

Gambar 0.8 Scatter Plot

3.2.1 Uji Normalitas
Uji Normalitas menggunakan Kolmogorov Smirnov.
Hipotesis :
H0 = Distribusi sampel data yaitu variable residual tidak berbeda dengan distribusi
normal secara teoritis
H1 = Distribusi sampel data yaitu variabel residual berbeda dengan distribusi normal
secara teoritis
Kriteria Pengujian :
1. Apabila P value > 0,05 (α) maka H0 diterima
2. Apabila P value < 0,05 (α) maka H0 ditolak

Gambar 0.9 Probability Plot of RESI

Dari grafik didapatkan nilai P value = 0,15 dan P-value > α, maka dapat dikatakan data
berdistribusi normal (H0 diterima).
3.2.2 Uji Linearitas
 14

Hipotesis :
H0 = Tidak terdapat hubungan linear antara variable independen dengan variable
dependen
H1 = Terdapat hubungan linear antara variable independen dengan variable dependen
Kriteria Pengujian :
1. Apabila P value > 0,05 (α) maka H0 diterima
2. Apabila P value < 0,05 (α) maka H0 ditolak
Tabel 0.2 Tabel Analysis Of Variance

Dari tabel didapatkan nilai P-value untuk X1-X2 >α, maka terdapat hubungan linear
antara Lokasi dan Fasilitas (H0 diterima).
3.2.3 Uji Heterokedastitas
Hipotesis :
H0 = Tidak terdapat gejala heterokedastisitas dalam model regresi berganda
H1 = Terdapat gejala heterokedastisitas dalam model regresi berganda
Kriteria Pengujian :
1. Apabila tidak ada pola yang jelas, seperti titik titik menyebar diatas dan dibawah
maka H0 diterima
2. Apabila ada pola yang jelas, seperti titik titik membentuk pola tertentu yang teratur
maka H0 ditolak
 15

Gambar 0.10 Versus Fits

Dari grafik didapatkan menyebar secara normal dan merata , tidak membentuk pola pola
tertentu (maka H0 diterima). Sehingga, tidak terdapat gejala heterokedestisitas.
3.2.4 Uji Multikolinearitas
Hipotesis :
H0 = Tidak terjadi multikolinearitas dalam model regresi berganda
H1 = Terjadi multikolinearitas dalam model regresi berganda
Kriteria Pengujian :
1. Apabila VIF < 10 maka H0 diterima 
2. Apabila VIF > 10 maka H0 ditolak

Tabel 0.3 Tabel Coefficients

Dari tabel didapatkan nilai Nilai VIF 1,13 ; 1.13 < 10. Dan nilai VIF < 10, dapat
disimpulkan tidak terjadi multikolinearitas (H0 diterima). Sehingga, tidak terjadi
multikolinearitas dalam model regresi berganda.
3.2.5 Uji Autokorelasi
Uji Autokorelasi diuji tanpa dan dengan run test dengan hipotesis :
H0 = Tidak terjadi autokorelasi dalam model regresi berganda
H1 = Terjadi autokorelasi dalam model regresi berganda
Kriteria Pengujian :
1. Apabila nilai DW terletak antara DU dan (4-DU) maka H0 diterima
2. Apabila nilai DW lebih kecil dari DL , atau lebih besar dari (4-DL) maka H0 ditolak 
3. Apabila DW terletak antara DL dan DU , maka tidak menghasilkan kesimpulan
 16

Pengecekan terlebih dahulu mengambil nilai dU dan dL pada tabel Durbin – Watson.
Berikut adalah table Durbin – Watson : (α = 5%)

Tabel 0.4 Tabel Durbin – Watson

(Sumber : Durbin – Watson)

n = jumlah ruas
d = hasil nilai dari Durbin – Watson
k = total variabel bebas

Diambil data dengan nilai n = 10, k = 2 didapatkan dL = 0,6972 dan dU = 1,6413.

Sehingga Nilai Durbin – Watson berada di antara dL dan dU, maka tidak di dapatkan
kesimpulan.

dL >d < dU
0,6972 > 0,0440366 < 1,6413

Jadi nilai DW lebih kecil dari DL , atau lebih besar dari (4-DL) maka H0 ditolak
 17

 
3.2.6 Uji Keseluruhan
Tabel 0.5 Tabel P-Value

Dari tabel didapatkan ada nilai P-value > α, maka disimpulkan uji keseluruhan belum
terpenuhi. Harus mencari nilai eigen value dan dilakukan uji Z.

3.2.7 Uji Angka Komponen (Z)

Uji Z adalah salah satu uji statistika yang pengujian hipotesisnya didekati dengan distribusi
normal. Menurut teori limit terpusat, data dengan ukuran sampel yang besar akan berdistribusi
normal. Dari aplikasi minitab didapatkan nilai variable Z :
Tabel 0.6 Tabel Nilai Z

Didapatkan persamaan baru :

Gambar 0.12 Persamaan Baru

3.2.8 Uji T Regresi
Hipotesis :
H0 = Secara simultan, tidak terdapat pengaruh yang signifikan antara variable
pekerjaan (Z) terhadap total biaya proyek.
 18

H1 = Secara simultan, terdapat pengaruh yang signifikan antara variable pekerjaan

(Z) terhadap total biaya proyek.

Kriteria Pengujian :
1. Apabila P value > 0,05 maka H0 diterima 
2. Apabila P value < 0,05 maka H0 ditolak

Gambar 0.13 Uji T Regresi

Dari tabel didapatkan nilai P-value < α, maka dapat disimpulkan bahwa variable
pekerjaan peningkatan jalan (variable z) berpengaruh terhadap total biaya (H0 ditolak).

3.2.9 Uji T Korelasi

Gambar 0.14 Uji T Korelasi

Variabel Z berpengaruh terhadap harga total sebesar 32,76%.

3.2.10 Uji Parsial

Hipotesis :
H0 = Tidak terdapat pengaruh variabel peningkatan jalan terhadap total biaya
H1 = Terdapat pengaruh variabel peningkatan jalan terhadap total biaya
Kriteria Pengujian :

1. Apabila P value > 0,05 maka H0 diterima 

2. Apabila P value < 0,05 maka H0 ditolak

Gambar 0.15 Uji Parsial Lokasi

 19

Dari tabel didapatkan nilai P-value > α, maka tidak terdapat pengaruh variable X1 luas
lahan pekerjaan terhadap total biaya proyek (H0 diterima).

Gambar 0.16 Uji Parsial Fasilitas

3.2.11 Model Regresi Linear Berganda

Persamaan awal :

Gambar 0.19 Fitted Line Plot Y vs X1

 20

Persamaan Akhir

Gambar 0.19 Fitted Line Plot Y vs Z

Persamaan awal :

Gambar 0.19 Fitted Line Plot Y vs X2

 21

Persamaan Akhir

Gambar 0.19 Fitted Line Plot Y vs Z

4
 22

BAB IV
KESIMPULAN
4.1 KESIMPULAN
Berdasarkan hasil penelitian dapat disimpulkan sebagai berikut :
1. Persamaan regresi awal yaitu Total Harga (Y) = 158305406 + 34881086 (X1) -
27384512 (X2). Namun apabila menggunakan persamaan awal tidak semua variabel
berpengaruh sehingga digunakan persamaan baru yang dipakai dengan nilai Z. Total
Harga (Y) = 149099200 + 34201466 Z
2. Keakuratan model regresi Total Harga (Y) = 149099200 + 34201466 Z berpengaruh
terhadap harga perumahan sebesar 32,76%.