LAPORAN PRATIKUM STATISKA INDUSTRI

Oleh :

Nama : Yuri Ramanda

Bp : 2110003425004
Prodi : Teknik Industri

Dosen Pengampu : Mufrida Meri. Z, ST, M.Kom

PRODI TEKNIK INDUSTRI

FAKULTAS TEKNIK DAN PERANCANAAN
UNIVERSITAS EKA SAKTI
2022/2023
 MODUL 2
REGRESI SEDERHANA

Latihan 1
PT “Anak Negri” ingin menghitung gaji pegawainya dengan masa kerja selama
dia mengabdi di perusahaan tersebut. Berikut data masa kerja pegawai dan
gajinya:

Masalah yang akan di teliti adalah:

1. Apakah ada hubungan antara masa kerja dengan jumlah gaji pegawai?
Jawaban:
Descriptive Statistics
N Mean Std. Deviation
Gaji 20 675.00 213.060
Valid N (listwise) 20

Correlations
Masa_krj Gaji
Masa_krj Pearson Correlation 1 .926**
Sig. (2-tailed) .000
N 20 20
Gaji Pearson Correlation .926** 1
 Sig. (2-tailed) .000
N 20 20

Dari hasil perhitungan didapatkan angka kolerasi antara masa kerja dengan jumlah gaji
pegawai sebesar 0,926. Artinya, hubungan kedua variabel tersebut sangat kuat. Korelasi
positif menunjukan bahwa hubungan antara masa kerja dengan jumnlah gaji searah. Artinya,
jika masa kerja semakin sering maka jumlah gaji semakin meningkat.
Untuk melihat hubungan antara variabel masa kerja dengan gaji signifikan atau tidak dapat di
lihat dari angka probilitas (sig) sebesar 0,00 yang lebih kecil dari 0,05. Ketentuan
mengatakan jika angka probilitas < 0,05 maka ada hubungan yang signifikan antara kedua
variabel tersebut dan sebaliknya.

2. Apakah masa kerja memengaruhi jumlah gaji pegawai ?

3. Berapakah besar pengaruh masa kerja terhadap jumlah gaji pegawai ?
Jawaban 2 & 3:

Model Summary
Adjusted R Std. Error of the
Model R R Square Square Estimate
1 .926a .858 .850 82.622
a. Predictors: (Constant), Masa_krj

Untuk menghitung besarnya pengaruh frekuensi masa kerja terhadap jumlah gaji, kita
menggunakan angka R Square (Koefisien Determinasi). R Square sebesar 858 atau =
85,5% (Rumusnya r2 x 100%). Besarnya pengaruh variabel masa kerja terhadap
jumlah gaji ialah 85,5%, sedangkan sisanya 14,5% ( 100% - 85,5%) harus dijelaskan
oleh faktor- faktor penyebab lainya yan berasal dari luar model regresi ini.

ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 739625.260 1 739625.260 108.348 .000b
Residual 122874.740 18 6826.374
Total 862500.000 19
a. Dependent Variable: Gaji
b. Predictors: (Constant), Masa_krj
 Untuk keperluan di atas, diperlukan hipotesis sebagai berikut:
H0 : Ada hubungan linear antara variabel masa kerja dengan jumlah gaji
H1 : Tidak ada hubungan linear antara variabel masa kerja dengan jumlah gaji
Pengujian dilakukan dengan menggunakan Sig dengan ketentuan sbb:
Jika angka signifikansi < 0,05; H0 ditolak dan H1 diterima
Jika angka signifikansi > 0,05; H1 diterima dan H1 ditolak
Perhitungan angka signifikansi 0,000 < 0,05; H0ditolak dan H1 diterima. Artinya,ada
hubungan linear antara kedua varibel maka masa kerja memang mempengaruhi
jumlah gaji.

4. Apakah kecenderungan gaji pegawai di masa yang akan datang

mengalami kenaikan atau penurunan ?
Jawaban :

Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 234.264 46.197 5.071 .000
Masa_krj 50.659 4.867 .926 10.409 .000
a. Dependent Variable: Gaji

Untuk menghitung angka jumah gaji yang di pediksi pada minggu

pertama formulannya sebagai berikut:
Y= 234.264 + 50.659 x 10
Y=740,854
Untuk perhitungan berikutnya,caranya sama.
Kesimpulan yang dapat dibuat dari kasus diatas ialah:
 Hubungan antara masa kerja dengan jumlah gaji sebesar 0,926 atau
sangat kuat, searah dan signifikan.
 Pengaruh masa kerja terhadap jumlah gaji sebesar 85,5%
 Pengaruh variabel lain diluar model besar 14,5%
 Kecenderungan penjualan secara umum mengalami kenaikan atau
meningkat.
Latihan 2
PT.NUSANTARA sebagai perusahaan terkemukan di dunia pada awal tahun
lalu telah mengeluarkan kebijakan kenaikan bonus para kepala kantor
pemasaran untuk setiap unit produk yang berhasil dijual. Beikut data kenaikkan
bonus pada 30 kantor pemasaran di indonesia dan jumlah produk yang terjual.

Hitung persamaan garis regresi anatara variabel kenaikan bonus dan produk
yang terjual ? Sehingga hasil persamaan tersebut bisa digunakan untuk prediksi
Jawaban:

Descriptive Statistics
N Mean Std. Deviation
Produk_terjual 30 86.53 13.333

Valid N (listwise) 30

Correlations
Kenaikkan_bonu
s Produk_terjual
Kenaikkan_bonus Pearson Correlation 1 .933**
Sig. (2-tailed) .000
N 30 30
Produk_terjual Pearson Correlation .933
**
1
Sig. (2-tailed) .000
N 30 30
 Dari hasil perhitungan didapatkan angka kolerasi antara kenaikkan bonus dengan
pruduk terjual sebesar 0,933. Artinya, hubungan kedua variabel tersebut sangkat kuat.
Korelasi posistif menunjukan bahwa hubungan antara kenaikkan bonus dengan produk terjual
searah. Artinya, jika kenaikkan bonus semakin sering maka bonus penjualan meningkat.
Untuk melihat hubungan antar variabel kenaikkan bonus dengan produk terjual
signifikan atau tidak dapat dilihat dari angka probabilitas (sig) sebesar 0,00 yang lebih kecil
dari 0,05. Ketentuan mengatakan jika angka probabilitas < 0,05 maka ada hubungan yang
signifikan antara kedua variabel tersebut dan sebaliknya.

Model Summaryb
Adjusted R Std. Error of the
Model R R Square Square Estimate
1 .933a .871 .866 4.874
a. Predictors: (Constant), Kenaikkan_bonus
b. Dependent Variable: Produk_terjual

Untuk menghitung besar nya pengaruh kenaikkan bonus terhadap penjualan produk, kita
menggunakan angka R Squera (Koefisien Determinasi). R Squera sebesar 0,871 atau =87,1%
(Rumusnya r2 x 100%). Besarnya pengaruh variabel kenaikkan bonus terhadap produk terjual
ialah 87.1%, sedangkan sisanya 12,1% (100% - 78,1%) harus dijelaskan oleh faktor-faktor
penyebab lainnya yang berasal dari luar bonus regresi ini.

ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 4490.424 1 4490.424 189.058 .000b
Residual 665.042 28 23.752
Total 5155.467 29
a. Dependent Variable: Produk_terjual
b. Predictors: (Constant), Kenaikkan_bonus

Untuk keperluan diatas, diperlukan hipotesis sebagai berikut:

H0: Ada hubungan linier antara variabel kenaikkan bonus dengan produk terjual
H1: Tidak ada hubungan linier antara variabel kenaikkan bonus dengan produk terjual
Pengujian dilakukan dengan menggunakan Sig dengan ketentuan sbb:
Jika angka signifikansi <0,005;H0 ditolak dan H1 diterima
Jika angka signifikansi >0,005; H1 diterima dan H0 ditolak
Perhitungan angka signifikansi 0,000 < 0,05;H0 ditolak dan H1 diterima. Artinya, ada
hubungan liner antara kedua variabel maka kenaikkan bonus memang mempengaruhi produk
terjual.
 Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta T Sig.
1 (Constant) 53.644 2.552 21.019 .000
Kenaikkan_bonus 1.698 .124 .933 13.750 .000
a. Dependent Variable: Produk_terjual

Untuk menghitung angka penjualan yang diprediksi pada hari ke 1 maka formulanya sebagai
beriku:
Y = 53,644 + 1,698 x 12
Y =74,02
Untuk perhitungan nomor caban berikutnya,caranya sama.
Kesimpulan yang dapat dibuat dari kasus diatas ialah:
 Hubungan antara kenaikkan bonus dengan produk terjual sebesar 0,933 atau sangat
kuat,searah da signifikan.
 Pengaruh kenaikkan bonus terhadap produk terjual sebesar 87,1%
 Pengaruh variabel lain diluar bonus 12,1%
 Kecenderungan kenaikkan bonus secara umum mengalami kenaikan atau meningkat.
 MODUL 3
REGRESI BERGANDA
SOAL 1
PT Maju Mundur Innformatika (MMI) beberapa bulan kedepan akan gencar-
gencarnya mengadakan promosi sebuah aksesories computer di berbagai daerah dengan
membuka stan di berbagai daerah berikut ini data mengenai penjualan biaya promosi dan luas
stan yang dikeluarkan di 15 daerah. Analisislah data berikut ini;

JAWABAN:

Descriptive Statistics
Mean Std. Deviation N
Penjualan 246.40 41.113 15
Promosi 34.53 9.583 15
Stan 187.60 37.921 15

Analisis:
 Mean dari penjualan adalah 246,40 dengan deviasi standar sebesar 41,113 dan jumlah
data yang tersebar (N) sebesar 15.
 Mean dari promosi adalah 34,53 dengan deviasi standar sebesar 9,583 dan jumlah
data yang tersebar (N) sebesar 15.
 Mean dari stan adalah 187,60 dengan deviasi standar sebesar 37,921 dan jumlah data
yang tersebar (N) sebesar 15.
 Correlations
Penjualan Promosi Stan
Pearson Correlation Penjualan 1.000 .898 .895
Promosi .898 1.000 .693
Stan .895 .693 1.000
Sig. (1-tailed) Penjualan . .000 .000
Promosi .000 . .002
Stan .000 .002 .
N Penjualan 15 15 15
Promosi 15 15 15
Stan 15 15 15

Analisi :
 Nilai Kolerasi menunjukkan angka sebesar 0,898 antara Penjualan dan Promosi. Hal
ini menunjukkan bahwa hubungan antara Penjualan dengan Promosi adalah kuat.
 Nilai Kolerasi menunjukkan angka 0,895 antara Penjualan dan Promosi. Hal ini
menunjukkan bahwa hubungan antara Penjualan dan Promosi kuat.

Model Summaryb
Std. Error of Change Statistics
Mode R Adjusted R the R Square F Sig. F
l R Square Square Estimate Change Change df1 df2 Change
1 .974 a
.949 .941 10.023 .949 111.774 2 12 .000
a. Predictors: (Constant), Stan, Promosi
b. Dependent Variable: Penjualan

Analisis:
 Kolom R menunjukkan angka koefisien kolerasi yaitu sebesar 0,974. Hal ini
menunjukkan bahwa hubungan antara variabel sangat kuat.
 Kolom R Squera = 0,949 merupakan kuadarat dari nilai kolerasi. R Squera juga
disebut koefisien determinasi. hal ini berarti bahwa promosi dan harga dapat
dijelaskan penjualan sebesar 94,9% dan 5,1% dipengaruhi oleh sebab-sebab lain.
(100-94,9%)
 Kolom std.Error of the Estimate sebesar 10,023 menunjukkan bahwa nilai rata-rata
dari seluruh data yang tidak menyimpang dari garis regresi. Hal ini menandakan
bahwa model regresi ini baik digunakan karena standar deviasi (10,023) lebih besar
dari standar deviasi penjualan (41,113).
 Coefficientsa
Standardiz
ed
Unstandardized Coefficient Collinearity
Coefficients s Correlations Statistics
Std. Zero- Toleran
Model B Error Beta t Sig. order Partial Part ce VIF
1 (Constant 60.508 13.519 4.476 .001
)
Promosi 2.290 .388 .534 5.908 .000 .898 .863 .385 .520 1.922
Stan .569 .098 .525 5.813 .000 .895 .859 .379 .520 1.922
a. Dependent Variable: Penjualan

Analisis:
 Untuk penyusunan persamaan garis regresi dari data diatas dapat menggunakan nilai-
nilai dari kolom B yaitu kolom Unstandardized Coefisients. Dari kolom B ini dapat
constant = 60,508. Sedangkan untuk nilai koefisien variabel Promosi 2,290 dan
koefisien variabel stan = 0,569.
Sehingga dapat disimpulkan Persamanaan Garis Regresi seperti ini;
Y = 60,508 + 2,290 X1 + 0,569X2
Keterangan : Y = Variabel Penjualan
X1 = Variabel Promosi
X2 = Variabel Stan
Bentuk Visualisasi
SOAL 2 :
PT Pertamaxgan di Negara Malingsia ingin mengetahui berapa pengaruh jumlah
produksi,biaya iklan,harga jual dan biaya Quality Control mempengaruhi pendapatan dari
penjualan minyak bensin. Data-data pertahun sebagai berikut.nah? kita akan
memecahkan masalahnya bagaimana PT Pertamaxgan mendapat penghsilan yang
maksimal ditahun 2012. Bantu yaa?
Berikut ini data-datanya.

JAWABAN :

Descriptive Statistics
Mean Std. Deviation N
Jumlah_produksi_X1 5.820 .9306 15
Harga_jualperliter_X2 7.087 .5502 15
Biaya_iklan_X3 22.40 3.376 15
Biaya_Qualitycontrol_X4 36.60 6.874 15
Penerima_Y 47.33 7.365 15
Analisis ;
 Mean dari Jumlah produksi X1 adalah 5,820 dengan deviasi standar 9306 dan jumlah data
yang tersebar (N) sebesar 15.
 Mean Harga jual perliter X2 adalah 7,087 dengan deviasi standar 5502 dan jumlah data yang
tersebar (N) sebesar 15.
 Mean Biaya iklan X3 adalah 22,40 dengan deviasi standar 3,376 dan jumlah data yang
tersebar (N) sebesar 15.
 Mean Biaya quality control X4 adalah 36,60 dengan deviasi standar 6,874 dan jumlah data
yang tersebar (N) sebesar 15.
 Mean Penerima Y adalah 47,33 dengan deviasi standar 7,365 dan jumlah data yang tersebar
(N) sebesar 15.
 Correlations
Jumlah_pro Harga_jualp Biaya_iklan_ Biaya_Qualit Penerima_
duksi_X1 erliter_X2 X3 ycontrol_X4 Y
Pearson Jumlah_produksi_X 1.000 .952 .993 .918 .995
Correlation 1
Harga_jualperliter_X .952 1.000 .961 .888 .967
2
Biaya_iklan_X3 .993 .961 1.000 .937 .997
Biaya_Qualitycontrol .918 .888 .937 1.000 .930
_X4
Penerima_Y .995 .967 .997 .930 1.000
Sig. (1-tailed) Jumlah_produksi_X . .000 .000 .000 .000
1
Harga_jualperliter_X .000 . .000 .000 .000
2
Biaya_iklan_X3 .000 .000 . .000 .000
Biaya_Qualitycontrol .000 .000 .000 . .000
_X4
Penerima_Y .000 .000 .000 .000 .
N Jumlah_produksi_X 15 15 15 15 15
1
Harga_jualperliter_X 15 15 15 15 15
2
Biaya_iklan_X3 15 15 15 15 15
Biaya_Qualitycontrol 15 15 15 15 15
_X4
Penerima_Y 15 15 15 15 15
Analisi ;
 Nilai Korelasi menunjukkan angka sebesar 952 antara Jumlah produksi dan Harga
jual perliter. Hal ini menunjukkan bahwa hubungan antara Jumlah produksi dan
Harga jual perliter adalah kuat.
 Nilai Kolerasi menunjukkan angka sebesar 0,993 antara Jumlah produksi dan Biaya
iklan. Hal ini menujukkan bahwa hubungan antara Jumlah produksi dan Biaya iklan
adalah kuat.
 Nilai Kolerasi menunjukkan bahwa angka sebesar 0,918 antara Jumlah produksi dan
Biaya quality control. Hal ini menunjukkan bahwa hubungan antara Jumlah produksi
dam Biaya quality control adalah kuat.
 Nilai Kolerasi menunjukkan bahwa angka sebesar 0,995 antara Jumlah produksi dan
Penerima. Hal ini menunjukkan bahwa hubungan antara Jumlah produksi dan
Penerima adalah kuat.
 Model Summaryb
Std. Error of Change Statistics
Mode R Adjusted R the R Square F Sig. F
l R Square Square Estimate Change Change df1 df2 Change
1 .997 a
.993 .991 .0906 .993 366.918 4 10 .000
a. Predictors: (Constant), Penerima_Y, Biaya_Qualitycontrol_X4, Harga_jualperliter_X2, Biaya_iklan_X3
b. Dependent Variable: Jumlah_produksi_X1

Analisis ;
 Kolom R menunjukkan angka koefisien kolerasi yaitu sebesar 0,997. Hal ini
menujukkan bahwa hubungan antara variabel sangat kuat.
 Kolom R Square = 0,993 merupakan kuadrat dari nilai kolerasi. R Square juga disebut
koefisien determinasi. hal ini berarti bahwa promosi dan harga dapat menjelaskan
penjualan sebesar 99,3% dan 0,7% dipengaruhi oleh sebab-sebab lain.(100 -99,3%)
 Kolom std Error of Estimated sebesar 0906 menujukkan bahwa nilai rata-rata dari
seluruh data yang tidak meyimpang dari garis regresi. Hal ini menandakan bahwa
model regresi ini baik digunakan karena standar deviasi (0906) lebih kecil
dibandingkan dengan standar deviasi Jumlah produksi (5,820).

Coefficientsa
Standardi
zed
Unstandardized Coefficie Collinearity
Coefficients nts Correlations Statistics
Std. Zero- Partia Tolera
Model B Error Beta t Sig. order l Part nce VIF
1 (Constant) .841 .681 1.235 .245
Harga_jualperlit -.289 .177 -.171 -1.635 .133 .952 -.459 -.043 .062 16.09
er_X2 3
Biaya_iklan_X3 .046 .096 .167 .479 .642 .993 .150 .012 .006 179.0
68
Biaya_Qualityc -.011 .010 -.081 -1.076 .307 .918 -.322 -.028 .119 8.369
ontrol_X4
Penerima_Y .135 .046 1.070 2.950 .015 .995 .682 .077 .005 194.2
10
a. Dependent Variable: Jumlah_produksi_X1

Analisis :
 Untuk penyusunan persamaan garis regresi dari data diatas dapat menggunakan nilai-
nilai dari kolom B yaitu kolom Unstandardized Coefisients. Dari kolom B ini didapat
 constant = 841 .Sedangkan untuk nilai koefisien variabel harga jual perliter (-289),
Biaya iklan (046) ,Biaya quality control (-0,11) dan koefisien penerima Y = 135.
Sehingga dapat disimpulkan Persamaan garis Regresi seperti ini :
Y = 841 – 289X1 + 046X2 – 0,11X3 + 135X4
Keterangan : Y= Variabel Jumlah produksi
X1 = Variabel Harga jual perliter
X2 = Variabel Biaya iklan
X3 = Variabel Biaya quality control
X4= Variabel Penerima
Bentuk Visualisasi