LAPORAN

PRAKTIKUM APLIKASI DASAR PENGOLAHAN DATA

OLEH :

NAMA : JULIIANTO G TARAJA

NIM : 19 03 034

MODUL LAPORAN : UJI ANALISIS REGRESI

PROGRAM STUDI AGRIBISNIS KELAPA SAWIT

POLITEKNIK TEKNOLOGI KIMIA INDUSTRI

MEDAN

2019
 BAB I

PENDAHULUAN

A. Judul Praktikum : Analisis dan pengolahan data Regresi

B. Tanggal Praktikum : 11-12 September 2019

C. Tujuan Praktikum :1. Dapat memahami dan mengenal

analisis regresi linear

2. Mampu menganalisis data dalam

berbagai pengujian

3. Mempermudah dalam menyelesakan

permasalahan – permasalahan.
 BAB II

TINJAUAN PUSTAKA

2.1.Regresi

Regresi adalah suatu metode analisis statistik yang digunakan untuk

melihat pengaruh antara dua atau lebih variabel. Hubungan variabel tersebut
bersifat fungsional yang diwujudkan dalam suatu model matematis. Pada analisis
regresi, variabel dibedakan menjadi dua bagian, yaitu variabel
respons (response variable) atau biasa juga disebut variabel
bergantung (dependent variable) dan variabel explanory atau biasa disebut
penduga (predictor variable) atau disebut juga variabel bebas (independent
variabel). Jenis-jenis regresi terbagi menjadi beberapa jenis, yaitu regresi
sederhana (linier sederhana dan nonlinier sederhana) dan regresi berganda (linier
berganda atau nonlinier berganda).

Variabel dibedakan menjadi dua bagian,yaitu:

1. Variabel respond (response variable) atau biasa juga disebut variabel

bergantung (dependent variabel)
2. Variabel explanory atau biasa disebut penduga (predictor variable).

1. Regresi sederhana (linier sederhana dan nonlinier sederhana)

Analisis regresi linier sederhana digunakan untuk mendapatkan

hubungan sistematis dalam bentuk suatu persamaan antara variabel tak
bebas dengan variabel bebas. Regresi sederhana hanya memiliki satu
perubahan regresi linier untuk populasi. Analisis Regresi Sederhana adalah
sebuah metode pendekatan untuk pemodelan hubungan antara satu
variabel dependen dan satu variabel independen. Dalam model regresi,
variabel independen menerangkan variabel dependennya. Dalam analisis
 regresi sederhana, hubungan antara variabel bersifat linier, dimana
perubahan pada variabel X akan diikuti oleh perubahan pada variabel Y
secara tetap. Sementara pada hubungan non linier, perubahaan variabel X
tidak diikuti dengan perubahaan variabel y secara proporsional. seperti
pada model kuadratik, perubahan x diikuti oleh kuadrat dari variabel x.
Hubungan demikian tidak bersifat linier.

Y = a + bx

Dengan :

Y = Subyekdalam variabel dependen yang diprediksikan

X = Subyek pada variabel independen yang mempunyai nilai tertentu.

a = Parameter intercept

b = Parameter koefisien

Persamaan model regresi sederhana hanya memugkinkan bila pengaruh yang ada
itu hanya dari independt variabel ( variabel bebas ) terhadap dependent variabel
( variabel tak bebas ). Jadi b merupakan fungsi dari koefisien korelasi. Bila
koefisien sesungguhnya. Sebaliknya, semakin besar nilai kesalahan standar
estimasi, makin rendah ketepatan persamaan estimasi yang dihasilkan untuk
menjelaskan nilai variabel tidak bebas sesungguhnya.

Regresi linear adalah teknik yang digunakan untuk memperoleh model

hubungan 1 variabel dependen dengan 1 variabel independent. Jika hanya
digunakan 1 variabel independent dalam model, maka teknik ini dinamakan
regresi linear sederhana ( simple linear regression . Sedangkan

jika yang digunakan adalah beberapa variabel independent, teknik ini disebut
regresi linear berganda ( multiple linear regression).

Variabel dependent pada regresi linear disebut juga sebagai respons atau kriterion,
sedangkan variabel independent dikenal pula sebagai prediktor atau regresor.
Kovariat adalah variabel independent yang berkorelasi dengan prediktor lainnya,
juga mempengaruhi respons. Respond pada regresi linear selalu berupa variabel
kontinu, sedangkan prediktor dapat berupa variabel kontinu, indikator, ataupun
karegorik yang disubstitusikan menjadi variabel indikator.

Regresi linear sederhana merupakan suatu metode yang digunakan untuk melihat
bentuk hubungan anar satu variabel independent (bebas) dan mempunyai
hubungan garis lurus dengan variabel dependennya (terikat). Sebuah variabel
observasi yang diperoleh sangat mungkin dipengaruhi oleh variabel lainnya,
misalkan berat badan dan tinggi badan seseorang. Untuk suatu berat ada besar
tinggi yang mempengaruhi, demikian sebaliknya.
 BAB III

TAHAPAN PRAKTIKUM

1. Tugas 1
2. Tugas 2
3. Tugas 3
4. Tugas 4
5. Tugas 5
 BAB IV
PENGOLAHAN DATA DAN PEMBAHASAN

Bagan Dan Penjelasan

1.Tugas 1

Descriptif

Descriptive Statistics
Std.
N Minimum Maximum Mean Deviation
Pendapatan_rumah_sakit 30 115000 167000 130500,00 10026,689
jumlah_insentif 30 5003000 9777000 7278600,00 1588004,76
9
Valid N (listwise) 30

Correlations
Correlations
Pendapatan_ruma
h_sakit jumlah_insentif
Pendapatan_rumah_sakit Pearson Correlation 1 ,149
Sig. (2-tailed) ,433

N 30 30
jumlah_insentif Pearson Correlation ,149 1
Sig. (2-tailed) ,433

N 30 30

Regression
 Variables Entered/Removedb
Model Variables
Variables Entered Removed Method
1 jumlah_insentifa . Enter
dime
nsio

a. All requested variables entered.

b. Dependent Variable: Pendapatan_rumah_sakit

Model Summary
Model Adjusted R Std. Error of the
R R Square Square Estimate
dime
nsion
1 ,149a ,022 -,013 10090,840
a. Predictors: (Constant), jumlah_insentif

ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 6,440E7 1 6,440E7 ,632 ,433a
Residual 2,851E9 28 1,018E8

Total 2,916E9 29

a. Predictors: (Constant), jumlah_insentif

b. Dependent Variable: Pendapatan_rumah_sakit

Coefficientsa
Model Standardized
Unstandardized Coefficients Coefficients
B Std. Error Beta t Sig.
1 (Constant) 123669,776 8784,014 14,079 ,000

jumlah_insentif ,001 ,001 ,149 ,795 ,433

a. Dependent Variable: Pendapatan_rumah_sakit
2.Tugas 2

Descriptives
Descriptive Statistics
Std.
N Minimum Maximum Mean Deviation
Pendapatan_rumah_sakit 30 115000 167000 130500,00 10026,689
Jumlah_dokter 30 100 1011 132,17 165,996
Valid N (listwise) 30

Correlations

Correlations
Pendapatan_ruma
h_sakit Jumlah_dokter
Pendapatan_rumah_sakit Pearson Correlation 1 -,198
Sig. (2-tailed) ,295

N 30 30
Jumlah_dokter Pearson Correlation -,198 1
Sig. (2-tailed) ,295

N 30 30

REGRESSION
Variables Entered/Removedb
Model Variables
Variables Entered Removed Method
dime
nsio 1 Jumlah_dokter a
. Enter
a. All requested variables entered.
b. Dependent Variable: Pendapatan_rumah_sakit
Model Summary
Model Adjusted R Std. Error of the
R R Square Square Estimate
dime
nsion
1 ,198a ,039 ,005 10002,760
a. Predictors: (Constant), Jumlah_dokter

ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 1,140E8 1 1,140E8 1,139 ,295a
Residual 2,802E9 28 1,001E8

Total 2,916E9 29

a. Predictors: (Constant), Jumlah_dokter

b. Dependent Variable: Pendapatan_rumah_sakit

Coefficientsa
Model Standardized
Unstandardized Coefficients Coefficients
B Std. Error Beta t Sig.
1 (Constant) 132078,299 2349,974 56,204 ,000

Jumlah_dokter -11,942 11,190 -,198 -1,067 ,295

a. Dependent Variable: Pendapatan_rumah_sakit

3.Tugas 3

Descriptives
Descriptive Statistics
Std.
N Minimum Maximum Mean Deviation
Pendapatan_rumah_sakit 30 115000 167000 130500,00 10026,689
Jumlah_perawat 30 340 650 552,67 85,860
Valid N (listwise) 30
Correlations
Correlations
Pendapatan_ruma
h_sakit Jumlah_perawat
Pendapatan_rumah_sakit Pearson Correlation 1 ,246
Sig. (2-tailed) ,190

N 30 30
Jumlah_perawat Pearson Correlation ,246 1
Sig. (2-tailed) ,190

N 30 30

REGRESSION
Variables Entered/Removedb
Model Variables
Variables Entered Removed Method
dime
nsio
1 Jumlah_perawata . Enter
a. All requested variables entered.
b. Dependent Variable: Pendapatan_rumah_sakit

Model Summary
Model Adjusted R Std. Error of the
R R Square Square Estimate
dime
nsion
1 ,246a ,060 ,027 9890,757
a. Predictors: (Constant), Jumlah_perawat

ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 1,763E8 1 1,763E8 1,803 ,190a
Residual 2,739E9 28 9,783E7

Total 2,916E9 29

a. Predictors: (Constant), Jumlah_perawat

b. Dependent Variable: Pendapatan_rumah_sakit
 Coefficientsa
Model Standardized
Unstandardized Coefficients Coefficients Si
B Std. Error Beta t g.
1 (Constant) 114627,292 11959,432 9,585 ,00
0
Jumlah_perawat 28,720 21,391 ,246 1,343 ,19
0
a. Dependent Variable: Pendapatan_rumah_sakit

4.Tugas 4

Descriptives

Descriptive Statistics

N Minimum Maximum Mean Std. Deviation

IP 30 2.11 4.00 3.2207 .56446
Valid N (listwise) 30

Correlations
Correlations
JENIS_KELAMI
N IP
JENIS_KELAMIN Pearson Correlation 1 -.061
Sig. (2-tailed) .748

N 30 30
IP Pearson Correlation -.061 1
Sig. (2-tailed) .748

N 30 30

Regression
 Variables Entered/Removedb
Model Variables
Variables Entered Removed Method
1 JENIS_KELAMI . Enter
dime
nsio

Na
a. All requested variables entered.
b. Dependent Variable: IP

Model Summary
Model Adjusted R Std. Error of the
R R Square Square Estimate
dime
nsion
1 .061a .004 -.032 .57337
a. Predictors: (Constant), JENIS_KELAMIN

ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression .035 1 .035 .105 .748a
Residual 9.205 28 .329

Total 9.240 29

a. Predictors: (Constant), JENIS_KELAMIN

b. Dependent Variable: IP

Coefficientsa
Model Standardized
Unstandardized Coefficients Coefficients
Si
B Std. Error Beta t g.
1 (Constant) 3.323 .331 10.037 .00
0
JENIS_KELAMIN -.068 .209 -.061 -.325 .74
8
a. Dependent Variable: IP
5.Tugas 5

Descriptives

Descriptive Statistics

N Minimum Maximum Mean Std. Deviation

Merek_obat 30 1 3 1.97 .809
Penambahan 30 0 5 3.03 1.712
Valid N (listwise) 30

Correlations

Correlations

Merek_obat Penambahan
Merek_obat Pearson Correlation 1 .424*
Sig. (2-tailed) .019

N 30 30
Penambahan Pearson Correlation .424 *
1
Sig. (2-tailed) .019

N 30 30
*. Correlation is significant at the 0.05 level (2-tailed).

Regression

Variables Entered/Removedb
Model Variables
Variables Entered Removed Method
dime
nsio 1 Merek_obat a
. Enter
a. All requested variables entered.
b. Dependent Variable: Penambahan
 Model Summary
Model Adjusted R Std. Error of the
R R Square Square Estimate
dime
nsion
1 .424a .180 .151 1.577
a. Predictors: (Constant), Merek_obat

ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 15.297 1 15.297 6.148 .019a
Residual 69.670 28 2.488

Total 84.967 29

a. Predictors: (Constant), Merek_obat

b. Dependent Variable: Penambahan

Coefficientsa
Model Standardized
Unstandardized Coefficients Coefficients
B Std. Error Beta T Sig.
1 (Constant) 1.267 .768 1.649 .110

Merek_obat .898 .362 .424 2.479 .019

a. Dependent Variable: Penambahan
 BAB V
KESIMPULAN DAN SARAN
A. KESIMPULAN
1. Regresi linear adalah sebuah teknik yang digunakan untuk model
hubungan antara 1variabel dependen dengan 1 atau lebih variabel
independen. Variabel dependen pada regresi linear sebagai respons atau
kriterion, sedangkan variabel independent dikenal pula sebagai prediktor
atau regresor. Jadi regresi linear adalah sebuah pengolahan data yang
menghubungkan antara 1 variabel dengan variabel lainya yang
menggunakan rumus tertentu agar kedua variabel tersebut bisa
digabungkan.
2. Dari adanya analisis data regresi, dapat ditarik kesimpulan bahwa jika skor
variabel bebas diketahui maka skor variabel terikatnya dapat diprediksi
besarnya.
3. a) Model regresi dapat digunakan untuk mengukur keeratan hubungan
antara variabel dependen (tak bebas) dan variabel independen (bebas).

b) Model regresi dapat digunakan untuk mengetahui pengaruh suatu atau

beberapa variabel independen terhadap variabel dependen (respons).

c) Model regresi berguna untu memprediksi pengaruh suatu atau beberapa

variabel independen terhadap variabel dependen (respons).

B. SARAN
Diharapkan praktikan dalam melakukan praktikum sebaiknya tertib
dan kondusif agar praktikan yang melalukan praktikum dapat fokus
terhadapan ilmu yang diajarkan dosen.
Diharapkan penggunaan software SPSS ini dapat mempermudah
dalam pengolahan data dan dapat diaplikasikan dalam kehidupan sehari-
 hari dan dapat bermanfaat bagi semua yang menggunakannya dan
mengaplikasikannya dalam kehidupan sehari-hari juga dapat digunakan
oleh semua kalangan.

DAFTAR PUSTAKA

Sugiyono. (2006).Statistika Untuk Penelitian.Cetakan Ketujuh.Bandung: CV.

Alfabeta

Sutrisno Hadi. (2007). Analisis Regresi. Yogyakarta: Andi Ofset.

Riduwan dan Sunarto. (2007). Pengantar Statistika. Bandung : Alfabeta.