8.

REGRESI LINIER
MATA KULIAH : PENGOLAHAN DATA KOMPUTER

DISUSUN OLEH :

A. ANNISA WULANDARI

1793141014

MANAJEMEN A
 REGRESI SEDERHANA

• Analisis regresi adalah sebuah pendekatan yang digunakan untuk mendefinisikan hubungan
matematis antara variabel terikat/dependen dengan satu atau beberapa variabel bebas/independen.
Dengan regresi linier ini dapat diketahui variabel bebas yang benar-benar signifikan
mempengaruhi variabel terikat.

• Regresi sederhana merupakan uji regresi yang melibatkan satu variabel bebas dan variabel terikat.

• Regresi berganda merupakan uji regresi yang melibatkan dua atau lebih variabel bebas dan
variabel terikat.

• Contoh 1

seorang pengusaha ingin mengateahui apakah kualitas produk yang dihasilkan dapat
memperngaruhi loyalitas pelanggan terhadap tokonya.

• Rumusan masalah:

Apakah ada pengaruh kualitas produk yang dihasilkan terhadap loyalitas pelanggan?

• Berikut datanya :

KUALITAS LOYALITAS
ZRE_1
NO PRODUK PELANGGAN
1 80 90 2,8789
2 88 95 1,29366
3 75 80 0,06296
4 70 76 0,56924
5 60 63 -1,18671
6 62 66 -0,61404
7 50 56 0,37956
8 70 76 0,56924
9 80 85 0,11038
10 87 90 -0,93064
11 90 93 -0,90219
12 90 95 0,20522
13 95 98 -0,85477
14 75 80 0,06296
15 70 76 0,56924
16 60 63 -1,18671
17 62 66 -0,61404
18 50 56 0,37956
19 95 98 -0,85477
20 75 80 0,06296
KUALITAS PRODUK
<20 = sangat buruk
21-40 = buruk
41-60 = cukup baik
61-80 = baik
81-100 = sangat baik

LOYALITAS PELANGGAN
<20 = sangat lemah
21-40 = lemah
41-60 = cukup kuat
61-80 = kuat
81-100 = sangat kuat

Langkah- langkah SPSS

• Klik Analyze\ Regression\ Linear...

• Masukkan variabel kualitas produk ke kolom independent

• Masukkan variabel loyalitas pelanggan ke kolom dependent

• Klik tombol statistics, pilih opsi Durbin-Watson dan Descriptives

• Klik tombol plot, pilih Histogram dan Normality probability plot

• Masukkan variabel sdresid ke kolom Y dan Zpred ke kolom X

• Klik tombol save, pilih Residual/standarized

• Klik OK

Regression
 Descriptive Statistics

Mean Std. Deviation N

loyalitas 79,1000 13,85223 20
kualitas 74,2000 13,97968 20

Correlations

loyalitas kualitas
Pearson Correlation loyalitas 1,000 ,992
kualitas ,992 1,000
Sig. (1-tailed) loyalitas . ,000
kualitas ,000 .
N loyalitas 20 20
kualitas 20 20

Model Summaryb

Adjusted Std. Error of Durbin-

Model R R Square R Square the Estimate Watson
1 ,992a ,984 ,983 1,80602 1,124
a. Predictors: (Constant), kualitas
b. Dependent Variable: loyalitas

ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regression 3587,089 1 3587,089 1099,760 ,000a
Residual 58,711 18 3,262
Total 3645,800 19
a. Predictors: (Constant), kualitas
b. Dependent Variable: loyalitas

Coefficientsa

Unstandardized Standardized
Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) 6,171 2,236 2,760 ,013
kualitas ,983 ,030 ,992 33,163 ,000 1,000 1,000
a. Dependent Variable: loyalitas

Dari tabel Coefficient, nilai t statistik untuk variabel kualitas produk sebesar 33,163 dan signifikan
karena nilai p-value t statistic sebesar 0,000 yang bernilai lebih kecil dari 0,05. Jadi, kualitas produk
signifikan mempengaruhi tingkat loyalitas pelanggan.
Karena nilai Durbin-Watson pada tabel diatas lebih kecil dari DL pada tabel DW yaitu 1,124<1,2015
maka pada data terdapat autokorelasi positif.

Oleh karena nilai statistik Uji F yang signifikan dan nilai R square yang tinggi, maka model persamaan
regresi yang dihasilkan dapat dikatakan valid. Selanjutnya, model regresi yang sudah tervalidasi dapat
digunakan untuk memprediksi atau meramalkan loyalitas pelanggan dengan kualitas produk tertentu.

Normal P-P Plot of Regression Standardized Residual

Dependent Variable: loyalitas

1.0

0.8
Expected Cum Prob

0.6

0.4

0.2

0.0
0.0 0.2 0.4 0.6 0.8 1.0

Observed Cum Prob

 Scatterplot

Dependent Variable: loyalitas

R e g re s s io n S tu d e n tize d D e le te d

6
(P re s s ) R e s id u a l

-2

-2 -1 0 1 2

Regression Standardized Predicted Value

One-Sample Kolmogorov-Smirnov Test

Standardized
Residual
N 20
Normal Parametersa,b Mean ,0000000
Std. Deviation ,97332853
Most Extreme Absolute ,179
Differences Positive ,179
Negative -,126
Kolmogorov-Smirnov Z ,802
Asymp. Sig. (2-tailed) ,541
a. Test distribution is Normal.
b. Calculated from data.
Pengujian normalitas juga dapat dilihat dengan pengujian Kolmogorov-Smirnov dimana dari hasil
pengujian ini diperoleh nilai p-value sebesar 0,541 (>0,05), sehingga dapat disimpulkan bahwa nilai
residual mengikuti distribusi normal.

Kesimpulan :
Makin baik kualitas produk, maka makin kuat loyalitas pelanggan terhadap toko
H0: kualitas produk tidak mempunyai hubungan linier terhadap loyalitas pelanggan
H1: kualitas produk mempunyai hubungan linier terhadap loyalitas pelanggan

REGRESI BERGANDA

• Contoh 2
Seorang manajer ingin mengetahui apakah fasilitas, lokasi, dan keamanan kantor dapat mempengaruhi
kinerja pegawai diperusahaannya
• Rumusan masalah:
Apakah terdapat pengaruh fasilitas, lokasi, dan keamanan kantor terhadap kinerja pegawai?

FASILITA KEAMANA KINERJA

NO LOKASI ZRE_1 SRE_1
S N PEGAWAI
1 85 85 90 90 -1,65541 -2,12066
2 76 80 80 85 0,8404 1,11285
3 85 80 84 86 -0,62059 -0,7119
4 73 70 75 78 0,16123 0,20717
5 68 70 66 70 0,15843 0,22373
6 67 67 68 70 -0,56875 -0,71176
7 88 87 85 87 -1,08124 -1,46252
8 86 80 85 89 0,51858 0,63648
9 88 89 90 94 0,19591 0,2336
10 90 88 92 98 1,46098 1,6809
11 82 80 80 84 0,22995 0,25248
12 78 75 76 80 0,36051 0,39908

FASILITAS KANTOR KEAMANAN

<20 = sangat tidak
<20 = sangat kurang aman
21-40 = kurang 21-40 = tidak aman
41-60 = cukup lengkap 41-60 = cukup aman
61-80 = lengkap 61-80 = aman
81-100 = sangat lengkap 81-100 = sangat aman

LOKASI KANTOR KINERJA PEGAWAI

<20 = sangat buruk <20 = sangat buruk
21-40 = buruk 21-40 = buruk
41-60 = cukup strategis 41-60 = cukup baik
61-80 = strategis 61-80 = baik
81-100 = sangat strategis 81-100 = sangat baik

Langkah-langkah SPSS :

• Klik analyze\ Regression\ Linier...

• Masukkan variabel fasilitas, lokasi, dan keamanan ke kolom independent

• Masukkan variabel kinerja pegawai ke kolom dependent

• Klik tombol statistic, pilih opsi Durbin-Watson, Descriptives, dan Colliniarity diagnostic

• Klik tombol Plot, pilih Normal probability plot

• Masukkan variabel Sdresid ke kolom Y dan Zpred ke kolom X

• Klik tombol save, pilih residual unstandarized dan studinzed, klik OK.

Regression
Descriptive Statistics

Mean Std. Deviation N

KINERJA 84,25 8,604 12
FASILITAS 80,50 7,960 12
LOKASI 79,25 7,424 12
KEAMANAN 80,92 8,426 12

One-Sample Kolmogorov-Smirnov Test

Standardized
Residual
N 12
Normal Parametersa,b Mean ,0000000
Std. Deviation ,85280287
Most Extreme Absolute ,240
Differences Positive ,105
Negative -,240
Kolmogorov-Smirnov Z ,833
Asymp. Sig. (2-tailed) ,492
a. Test distribution is Normal.
b. Calculated from data.

Pengujian normalitas juga dapat dilihat dengan pengujian Kolmogorov-Smirnov dimana dari
hasil pengujian ini diperoleh nilai p-value sebesar 0,49 (>0,05), sehingga dapat disimpulkan
bahwa nilai residual mengikuti distribusi normal.
 Correlations

KINERJA FASILITAS LOKASI KEAMANAN

Pearson Correlation KINERJA 1,000 ,940 ,935 ,982
FASILITAS ,940 1,000 ,933 ,951
LOKASI ,935 ,933 1,000 ,938
KEAMANAN ,982 ,951 ,938 1,000
Sig. (1-tailed) KINERJA . ,000 ,000 ,000
FASILITAS ,000 . ,000 ,000
LOKASI ,000 ,000 . ,000
KEAMANAN ,000 ,000 ,000 .
N KINERJA 12 12 12 12
FASILITAS 12 12 12 12
LOKASI 12 12 12 12
KEAMANAN 12 12 12 12

Tabel Correlation menggambarkan apakah ada hubungan dari fasilitas, lokasi, dan keamanan
kantor terhadap kinerja pegawai. Korelasi Pearson digunakan untuk mengukur keeratan hubungan
antara variabel-variabel tersebut. Besar korelasi antara kinerja dengan fasilitas sebesar 0,940
(korelasi positif), Besar korelasi antara kinerja dengan lokasi sebesar 0,935(korelasi positif),
Besar korelasi antara kinerja dengan keamanan sebesar 0,982 (korelasi positif). Artinya ketiga
variabel independent yaitu fasilitas, lokasi, dan keamanan kantor memiliki korelasi yang kuat
terhadap kinerja pegawai.

Model Summaryb

Adjusted Std. Error of Durbin-

Model R R Square R Square the Estimate Watson
1 ,983a ,967 ,954 1,845 1,945
a. Predictors: (Constant), KEAMANAN, LOKASI, FASILITAS
b. Dependent Variable: KINERJA

ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regression 787,003 3 262,334 77,025 ,000a
Residual 27,247 8 3,406
Total 814,250 11
a. Predictors: (Constant), KEAMANAN, LOKASI, FASILITAS
b. Dependent Variable: KINERJA
 Coefficientsa

Unstandardized Standardized
Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) 1,316 6,052 ,217 ,833
FASILITAS ,021 ,245 ,020 ,086 ,933 ,082 12,236
LOKASI ,130 ,234 ,112 ,556 ,593 ,103 9,732
KEAMANAN ,877 ,239 ,858 3,662 ,006 ,076 13,140
a. Dependent Variable: KINERJA

Dari tabel Coefficient, nilai t statistik untuk variabel bebas dapat dilihat pada tabel dan keamanan
signifikan karena nilai p-value t statistic sebesar 0,006 yang bernilai lebih kecil dari 0,05.
Dari tabel diatas juga dapat menunjukkan bahwa tidak adanya problem autokorelasi pada
residual yang ditunujukkan oleh nilai Durbin-Watson yaitu 1,945
Oleh karena nilai statistik Uji F yang signifikan dan nilai R square yang tinggi, maka model
persamaan regresi yang dihasilkan dapat dikatakan valid. Selanjutnya, model regresi yang sudah
tervalidasi dapat digunakan untuk memprediksi atau meramalkan kinerja pegawai dengan
mempertimbangkan fasilitas, lokasi dan keamanan k

Pengujian normalitas residual dapat dilihat dari grafik P-P Plot. Apabila setiap pencaran data
berada disekitar garis lurus melintang, maka dikatakan bahwa residal mengikuti fungsi distribusi
normal.

Pengujian normalitas residual dapat dilihat dari grafik P-P Plot. Apabila setiap pencaran data
berada disekitar garis lurus melintang, maka dikatakan bahwa residal mengikuti fungsi distribusi
normal.
 Normal P-P Plot of Regression Standardized Residual

Dependent Variable: KINERJA

1.0

0.8
Expected Cum Prob

0.6

0.4

0.2

0.0
0.0 0.2 0.4 0.6 0.8 1.0

Observed Cum Prob

Pengujian normalitas residual dapat dilihat dari grafik P-P Plot. Apabila setiap pencaran data
berada disekitar garis lurus melintang, maka dikatakan bahwa residal mengikuti fungsi distribusi
normal.
 Scatterplot
R e g r e s s io n S tu d e n tiz e d D e le te d

Dependent Variable: KINERJA

2
(P r e s s ) R e s id u a l

-1

-2

-3

-2 -1 0 1

Regression Standardized Predicted Value

Dari hasil scatterplot diatas dapat dilihat bahwa pencaran tidak membentuk pola tertentu sehingga dapat
dikatakan bahwa tidak adanya problem heteroskedatisitas pada residual.

Hipotesis secara keseluruhan

H0: secara keseluruhan fasilitas, lokasi, dan keamanan kantor tidak mempunyai hubungan linier yang
signifikan terhadap kinerja pegawai

H1: secara keseluruhan fasilitas, lokasi, dan keamanan kantor mempunyai hubungan linier yang
signifikan terhadap kinerja pegawai
Pengujian secara individu:

H0: fasilitas kantor tidak mempunyai hubungan linier yang signifikan terhadap kinerja pegawai

H1: fasilitas kantor mempunyai hubungan linier yang signifikan terhadap kinerja pegawai

H0: lokasi kantor tidak mempunyai hubungan linier yang signifikan terhadap kinerja pegawai

H2: lokasi mempunyai hubungan linier yang signifikan terhadap kinerja pegawai

H0: keamanan kantor tidak mempunyai hubungan linier yang signifikan terhadap kinerja pegawai

H3: keamanan kantor mempunyai hubungan linier yang signifikan terhadap kinerja pegawai