MAKALAH

ANALISIS REGRESI LINIER BERGANDA

Disusun Oleh :

Nama…..
NPM. …….

ESY ….

JURUSAN EKONOMI SYARIAH FAKULTAS EKONOMI DAN

BISNIS ISLAM INSTITUT AGAMA ISLAM NEGERI METRO
T.A 2022/2023
 KATA PENGANTAR

Syukur alhamdulillah kami panjatkan atas kehadirat Allah SWT yang telah
melimpahkan rahmat dan karunianya, sehingga kami dapat menyelesaikan
penelitian ini guna memenuhi tugas Mata kuliah ekonometrika

Tidak lupa sayaucapkan terimakasih kepada ibu Hanna Hilyati Aulia

selaku dosen pengampu mata kuliah ekonometrika. Saya juga mengucapkan
banyak terimakasih kepada teman-teman yang telah membantu mengumpulkan
data-data dalam laporan ini.

Saya menyadari bahwa dalam pembuatan laporan ini masih jauh dari kata
sempurna di karenakan terbatasnya pengalaman dan pengetahuan yang kami
miliki. Oleh karena itu, kami menghrapkan segala bentuk saran dan kritik yang
membangun dari teman-teman. Dan yang terakhir kami berharap semoga laporan
ini dapat memberikan manfaat bagi kita semua.

Metro, 10 Desember 2022

Penulis

Nama…
NPM…..
A. Pendahuluan

Latar Belakang

Servis rutin merupakan hal yang wajib dilakukan oleh pemilik

kendaraan agar kondisi kendaraan tetap prima, aman, dan nyaman. Servis
yang diberikan bermacam-macam mulai dari penggantian oli, cvt cleaner,
injector cleaner, sampai penggantian suku cadang ringan seperti kampas
rem, dan aksesoris lainnya, untuk kendaraan bermotor khususnya skuter
matic penggantian oli mesin dan oli gardan harus dilakukan secara rutin
agar tidak berdampak buruk bagi kendaraan. Salah satu fungsi minyak
pelumas adalah untuk melumasi bagian-bagian mesin yang bergerak untuk
mencegah keausan akibat dua benda yang bergesekan.

Namun tanpa disadari bahwa pengaruh jarak tempuh juga dapat

mengkonsumsi oli mesin. Pemakaian oli direkomendasikan dalam jarak
tempuh (1000 km, 5000 km atau bahkan ada yang lebih sampai 20.000
km). Oleh sebab itu apabila kendaraan hanya berkendara pada jalur yang
pendek konsumsi pada oli mesin juga akan sedit dan begitupun situasi
sebaliknya.

Mengenai hal yang terjadi di atas, maka pada makalah ini penulis
akan membahas seberapa besar pengaruh jarak tempuh terhadap konsumsi
oli mesin dalam waktu satu bulan.

Rumusan Masalah

1. Apakah jarak tempuh mempengaruhi konsumsi oli mesin?

2. Apakah jarak tempuh tidak mempengaruhi konsumsi oli mesin?

Tujuan
 1. Mengetahui dan memahami pengaruh jarak tempuh terhadap konsumsi
oli mesin.
2. Mengetahui dan memahami ketidak pengaruhan jarak tempuh terhadap
konsumsi oli mesin.

A. METODE
Dalam analisis ini kami menggunakan metode analisis regresi linear
sederhana yang mana analisis ini kami gunakan untuk menguji pengaruh satu
variabel independen (bebas) dengan variabel dependen (terikat).

B. HASIL DAN PEMBAHASAN

HASIL
1. Regresi Linier Sederhana dengan Ms. Excel

Data (X) dalam bentuk Mililiter (Km)

Data (Y) dalam Bentuk Kilometer (ml)

No. Nama Oli Mesin Jarak Tempuh

(Y) (X)
1 Riyan 712 632
2 Zahra 673 593
3 Fauzan 548 468
4 Sesyl 724 644
5 Chealsea 592 412
6 Indi 390 210
7 Risa 680 520
8 Niko 301 221
9 Abimanyu 745 665
10 Riri 667 587
11 Nindi 748 668
12 Afika 717 637
13 Edo 498 318
14 Gema 342 262
15 Kresna 598 418
16 Gery 767 687
17 Nadia 349 269
18 Cindy 791 611
19 Amel 777 697
20 Irene 528 448

Alternatif penelitian: pengaruh jarak tempuh terhadap konsumsi oli mesin

Rumusan Masalah: Apakah terdapat pengaruh antara jarak tempuh
terhadap konsumsi oli mesin?
Hipotesis: Terdapat pengaruh antara jarak tempuh terhadap konsumsi oli
mesin

H0 : Tidak terdapat pengaruh antara jarak tempuh terhadap konsumsi oli

mesin ( β=0)

H1 : Terdapat pengaruh antara jarak tempuh terhadap konsumsi oli mesin

(β≠0).
 2. Penjelasan OUTPUT
a. Summary Output. Tabel summary output ini melaporkan kekuatan
hubungan (koefisien korelasi dan determinasi) antara model variabel
bebas dengan variabel terikat.

SUMMARY OUTPUT

Regression Statistics
Multiple R 0.970609074
R Square 0.942081974
Adjusted R Square 0.940013474
Standard Error 39.3145714
Observations 30

b. Tabel ANOVA (Analysis of Variance)

Tabel ANOVA (Analysis of Variance) menguji penerimaan
(acceptability) model dari perspektif statistic dalam bentuk analisis
sumber keragaman. ANOVA ini sering juga diterjemahkansebagai
analisis ragam. Dari tabel ANOVA tersebut diungkapkan bahwa
keragaman data actual variable terikat (volume penjualan) bersumber
dari model regresi dan dari residual. Dalam pengertian sederhana
untuk kasus kita adalah variasi (turun-naiknya atau besar-kecilnya)
volume konsumsi oli mesin disebabkan oleh variasi dari jauh jarak
tempuh (model regresi) serta dari factor-faktor lainya yang
mempengaruhi volume uang saku yang tidak kita masukkan dalam
model regresi (residual).

ANOVA
  df SS MS F Significance F
703947. 455.441
Regression 1 703947.172 2 9 7.34423E-19
43277.7946 1545.63
Residual 28 8 6
747224.966
Total 29 7      
1) Degree of freedom (df)
Degree of freedom (df) atau derajat bebas dari total adalah n-1,
dimana n adalah banyaknya observasi. Karena observasi penulis berjumlah
30, maka derajat bebas total adalah 29. Derajat bebas dari model regresi
adalah 1, karena ada 1 variabel bebas dalam model (jauh jarak tempuh).
Derajat bebas untuk residual adalah sisanya yaitu derajat bebas total-
derajat bebas regresi=29-1= 28.

2) Sum of Square (SS)

Jumlah kuadrat dari residual pada tabel residual diatas. SS total adalah
747224.9667. Artinya, variasi dari permintaan yang dikuadratkan adalah
sebesar nilai tersebut. Lalu apa yang menyebabkan volume konsumsi oli
mesin bervariasi? Sebagian berasal dari variabel bebas (jauh jarak tempuh)
yaitu sebesar 703947.172 (regresi). Lalu sisanya, yang sebesar
43277.79468 disebabkan oleh variabel lain yang juga mempengaruhi
konsumsi oli mesin, tetapi tidak dimasukkan dalam model (residual).
Kalau kita bandingkan (bagi) antara SS regresi dengan SS total, maka
akan kita dapatkan proporsi dari total variasi volume konsumsi oli mesin
yang disebabkan oleh variasi Jauh Jarak Tempuh. Coba kita bagi:
703947.172/747224.9667=0.942081974467302. Nilai
0.942081974467302 adalah R 2 adalah R2 atau koefisien determinasi yang
telah kita bahas diatas.
3) Mean of Square (MS)
Selanjutnya kolom berikutnya dari ANOVA adalah kolom MS
(Mean of Square) atau rata-rata jumlah kuadrat. Ini adalah hasil bagi
antara kolom SS dengan kolom df. Dari perhitungan MS ini, selanjutnya
dengan membagi antara MS Residual didapatkan nilai F.

4) F hitung (F)
Nilai F ini yang dikenal dengan F hitung dalam pengujian hipotesa
dibandingkan dengan nilai F tabel. Jika F hitung > F tabel, maka dapat
 dinyatakan bahwa jauh jarak tempuh berpengaruh signifikan terhadap
volume konsumsi oli mesin.

5) Significance F (p-value)
Selain itu, kita juga bias membandingkan antara taraf nyata dengan
p-value (dalam istilah Excel adalah Significance F). Jika taraf nyata > dari
p-value maka kesimpulannya sama dengan diatas. Misalnya kita
menetapkan taraf nyata 5%. Karena p-value (Significance F) = 0.000,
maka dapat disimpulkan bahwa jauh jarak tempuh berpengaruh signifikan
terhadap volume konsumsi oli mesin.

Tabel 2
Standard Upper
  Coefficients Error t Stat P-value Lower 95% Upper 95% Lower 95.0% 95.0%
Intercept 122.977687 22.45428247 5.476803 7.55E-06 76.982175 168.9732 76.9821745 168.9732
Jarak Tempuh
(X) 0.95050376 0.044538681 21.34108 7.34E-19 0.8592704 1.0417371 0.85927041 1.04173711

1) Coefficients (Koefisien Regresi)

Berisi koefisien regresi yang diestimasi.
2) T-stat dan p-value (Uji Regresi secara parsial)

Pengertian pengujian secara parsial ini dalam kasus kita adalah

untuk menjawab pertanyaan “dengan asumsi faktor-faktor lain
tetap/tidak berubah, apakah jauh jarak tempuh berpengaruh terhadap
volume konsumsi oli mesin?”. Dalam uji parsial, kita menggunakan
uji t, yaitu membandingkan antara t hitung (t stat) dengan t tabel. Jika
t hitung > t tabel pada taraf nyata tertentu, maka dapat disimpulkan
variabel tersebut berpengaruh secara signifikan. t hitung ditampilkan
pada kolom 4, yang merupakan hasil bagi antara kolom 2
(coefficients) dengan kolom 3 (standard Error). Catatan: perhitungan
 ini dalam kasus yang umum digunakan dimana hipotesis nol (H0) = 0.
Untuk kasus dimana kita merumuskan H0 lebih besar/kecil dari 0,
maka perlu dilakukan perhitungan manual.

Selain membandingkan dengan nilai t-tabel, kita juga bias menarik

kesimpulan signifikansinya dengan membandingkan taraf nyata
dengan p-value (kolom 5). Jika kita menggunakan taraf nyata 5%,
maka variabel dengan p-value sama atau lebih kecil dari 5%, dapat
dinyatakan sebagai variabel yang secara parsial berpengaruh
signifikan. Berdasarkan hal tersebut, terlihat bahwa jauh jarak tempuh
berpengaruh terhadap volume konsumsi oli mesin.

3) Selang Kepercayaan (lower-upper)

Selanjutnya, kolom 6 dan 7 memberikan selang kepercayaan untuk
koefisien. Di judulnya tertulis Lower 95% dan Upper 95%. Angka
95% adalah penetapan pada waktu pengolahan dengan excel dan bisa
dirubah sesuai keinginan. Nilai koefisien yang diberikan pada output
regresi merupakan dugaan titik (point estimate) dari parameter
korfisien regresi (ingat pengertian parameter koefisien regresi adalah
koefisien regresi yang dihasilkan dari pengolahan data populasi.
Karena umumnya kita hanya mengolah data sampel, maka koefisien
regresi yang diberikan sifatnya adalah dugaan/taksiran kita terhadap
keadaan/koefisien populasi (parameter) yang sebenarnya).

Namun, jika informasinya hanya dari dugaan titik, kita tidak tahu
seberapa besar kesalahan atau tingkat kepercayaan dari dugaan
parameter tersebut. Oleh karenanya, dalam statistika juga diberikan
dugaan selang (confidence interval), dimana nilai parameter
sebenarnya diharapkan berada dalam selang tersebut dengan tingkat
kepercayaan tertentu.

Berdasarkan hal tersebut, dari output Excel terlihat bahwa dengan

tingkat kepercayaan 95%, maka koefisien regresi untuk jauh jarak
 tempuh yang sebesar 0.95050376, dalam faktanya ditingkat populasi
akan berkisar antara 0.8592704.

Dari table ini dapat kita formulasi persamaan regresi untuk kasus
ini adalah sebagai berikut.
Vol.konsumsi oli mesin = 122.977687 + 0.95050376 Jauh Jarak
Tempuh

c. Residual Output

RESIDUAL OUTPUT

Observation Predicted Oli Mesin (Y) Residuals Standard Residuals

1 723.6960635 -11.696064 -0.30276534
2 686.6264169 -13.626417 -0.352734639
3 567.8134469 -19.813447 -0.512892646
4 735.1021087 -11.102109 -0.287390171
5 514.5852363 77.4147637 2.003965453
6 322.5834767 67.4165233 1.745150113
7 617.2396424 62.7603576 1.624620195
8 333.0390181 -32.039018 -0.829364869
9 755.0626876 -10.062688 -0.260483626
10 680.9233943 -13.923394 -0.360422223
11 757.9141989 -9.9141989 -0.256639834
12 728.4485823 -11.448582 -0.29635902
13 425.2378828 72.7621172 1.883526632
14 372.0096723 -30.009672 -0.776833043
15 520.2882588 77.7117412 2.011653038
16 775.9737703 -8.9737703 -0.232295817
17 378.6631986 -29.663199 -0.767864195
18 703.7354846 87.2645154 2.258937002
19 785.4788079 -8.4788079 -0.219483176
20 548.8033717 -20.803372 -0.538517927
21 427.1388903 -27.13889 -0.702519727
22 491.773146 -23.773146 -0.615393771
23 358.7026196 -30.70262 -0.79477074
24 688.5274244 -13.527424 -0.35017211
25 455.6540032 -25.654003 -0.664081806
26 333.0390181 -32.039018 -0.829364869
27 694.230447 -13.230447 -0.342484526
 28 689.4779282 -13.477928 -0.348890846
29 708.4880034 -12.488003 -0.323265565
30 530.7438002 -21.7438 -0.562861945

Kolom pertama dari residual output adalah nomor urutan data kita,
sesuai dengan urutan data yang kita input. Kolom kedua (predicted
penjualan) adalah kolom yang memuat perkiraan/prediksi variabel
terikat (dalam kasus kita adalah vol.uang saku) untuk nilai-nilai dari
variabel bebas dari data asli kita. Prediksi ini didasarkan dari output
persamaan regresi sebelumnya. Kolom ketiga (residuals) adalah selisih
antara prediksi variabel terikat (dalam hal ini uang saku) dengan nilai
sebenarnya. Standar residual dihitung dengan cara membagi residual
(kolom 3) dengan standardeviasi residual tersebut. Jadi, untuk mencari
standar residual, kita cari dulu standar deviasi kolom 3, kemudian
masing masing nilai pada kolom ketiga, dibagi dengan standar deviasi.
Misalnya untuk observasi pertama, Jauh Jarak Tempuh = 632 Km,
maka prediksi konsumsi oli mesin adalah:

Prediksi Vol.uang saku = 122.977687 + 0.95050376 (632 km)

= 723.69606332
Residual = 712 (ml) – 723.69606332= -11.69606332

d. Probability Output

Disamping residual output terdapat table probability output. Inti

dari table ini adalah menggambarkan persentile dan nilai-nilai dari
variabel terikat (yaitu uang saku).
e. Grafik-Grafik
 Jarak Tempuh (X) Residual Plot
100
80
60
Residuals
40
20
0
-20100 200 300 400 500 600 700 800
-40
Jarak Tempuh (X)

Grafik yang menghubungkan antara variabel bebas

konsumsi oli mesin) dengan residual.

Jarak Tempuh (X) Line Fit Plot

1000
800
Oli Mesin (Y)

600 Oli Mesin (Y)

400 Predicted Oli Mesin (Y)
200
0
100 200 300 400 500 600 700 800
Jarak Tempuh (X)

Grafik plot yang menghubungkan antara variabel bebas

(biaya bahan bakar minyak) dengan variabel terikat
(vol.uang saku) baik penjualan atas dasar data aktual
maupun prediksi.
 Normal Probability Plot
1000
800
Oli Mesin (Y) 600
400
200
0
0 20 40 60 80 100 120
Sample Percentile

Grafik normal probability atas dasar persentil untuk variabel terikat

(uang saku).

PEMBAHASAN
1. Hipotesis
H0 : Biaya bbm tidak
mempengaruhi uang saku
H1 : Biaya bbm
mempengaruhi uang saku
2. Signifikansi α= 5% atau 0,05
3. Daerah penolakan: H0 ditolak jika p-value<α.
(Biaya bbm tidak mempengaruhi jika p-value< α).
4. F hitung= 455.4419 (ANOVA F)
p-value= 7.34423E-19 (signifikasi F)
5. Kriteria penolakan
Karena p-value=7.34423E-19 <0,05=5%= α, maka H0 di tolak.
6. Kesimpulan
X tidak mempengaruhi Y (biaya bahan bakar minyak tidak
mempengaruhi uang saku).

Uji Asumsi Klasik

1. Uji Heterokedatisitas
 a. Hipotesis
Hipotesis dalam uji heteroskedastisitas yaitu :
H0 : biaya bbm tidak mempengaruhi uang saku H1 : biaya
bbm mempengaruhi uang saku
b. Taraf signifikansi : 5% atau 0,05
c. Jika P value ≤ 5% maka H0 ditolak artinya terdapat
heteroskedastisitas (adanya ketidaksamaan varian dari
residual untuk semua pengamatan pada model regresi)
Jika p value ≥ 5% maka H0 diterima artinya tidak terdapat
heteroskedastisitas.
d. Nilai stat hitung dengan excel
Data dari contoh regresi linier sederhana sebelumnya :

Kemudian dari hasil regresi kita memperoleh tabel residual sebagai

berikut:
No. Nama Oli Mesin Jarak Tempuh
(Y) (X)
1 Riyan 712 632
2 Zahra 673 593
3 Fauzan 548 468
4 Sesyl 724 644
5 Chealsea 592 412
6 Indi 390 210
7 Risa 680 520
8 Niko 301 221
9 Abimanyu 745 665
10 Riri 667 587
11 Nindi 748 668
12 Afika 717 637
13 Edo 498 318
14 Gema 342 262
15 Kresna 598 418
16 Gery 767 687
17 Nadia 349 269
18 Cindy 791 611
19 Amel 777 697
20 Irene 528 448
21 Utami 400 320
22 Aulia 468 388
 23 Ika 328 248
24 Agus 675 595
25 Ratna 430 350
26 Fitri 301 221
27 Andi 681 601
28 Ahmad 676 596
29 Ilham 696 616
30 Sari 509 429

Jarak Tempuh Absolut

(X) Residual
632 11.696064
593 13.626417
468 19.813447
644 11.102109
412 77.4147637
210 67.4165233
520 62.7603576
221 32.039018
665 10.062688
587 13.923394
668 9.9141989
637 11.448582
318 72.7621172
262 30.009672
418 77.7117412
687 8.9737703
269 29.663199
611 87.2645154
697 8.4788079
448 20.803372
320 27.13889
388 23.773146
248 30.70262
595 13.527424
350 25.654003
221 32.039018
601 13.230447
596 13.477928
616 12.488003
429 21.7438
Setelah kita lakukan analisis regresi antara Residual (Y) dengan
variabel bebas (X) yaitu biaya bahan bakar minyak. Diperoleh hasil
sebagai berikut :
 SUMMARY OUTPUT

Regression Statistics
Multiple R 0.438409448
R Square 0.192202844
Adjusted R
Square 0.163352945
Standard Error 22.03851748
Observations 30

ANOVA
Significanc
  df SS MS F eF
Regression 1 3235.78959 3235.79 6.662167 0.01537847
Residual 28 13599.49507 485.696
Total 29 16835.28466      

Lower Upper Lower Upper

  Coefficients Standard Error t Stat P-value 95% 95% 95.0% 95.0%
Intercept 60.47296082 12.58716753 4.80433 4.74E-05 34.689317 86.256605 34.689317 86.2566047
Jarak Tempuh -
(X) -0.06444273 0.02496699 -2.5811 0.015378 0.1155853 -0.0133 -0.1155853 -0.0133002

Nilai P value pada variabel bebas X adalah nilai statistic uji

a. Kriteria pengujian
Karena nilai p-value = 0.015378 < 0,05=5%=α. Maka H0
ditolak.
b. Kesimpulan
Terdapat homokedatisitas atau residual tidak memiliki
ragam yang seragam. (heteroskedastisitas).

2. Uji Normalitas
Dalam praktikum ini, uji normalitas dilakukan untuk mengetahui
apakah data berdistribusi normal. Uji normalitas yang dilakukan dalam
penelitian ini adalah uji normalitas Kolmogorof-Smirnov dengan
ketentuan data dinyatakan berdistribusi normal jika nilai D hitung lebih
besah D tabel dengan taraf signifikan sebesar 0,05%.