Dosen Pengampu :
Shitta Nur Safarina, S.Pt., M.M
Oleh :
1. Shinta Wulandari (1121210131)
2. Gavin Aryasatya (1121210144)
3. Retno Arini (1121210156)
4. Syafira Izzati (1121210164)
5. Zaidan Daffa M (1121210177)
KELAS GMP
PROGRAM STUDI STRATA 1 MANAJEMEN
FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS PANCASILA
TAHUN 2023
I
KATA PENGANTAR
Puji syukur kami panjatkan kepada Tuhan Yang Maha Esa, karena atas limpahan
rahmatnya penyusun dapat menyelesaikan makalah ini tepat waktu tanpa ada halangan yang
berarti dan sesuai dengan harapan.
Ucapan terima kasih kami sampaikan kepada Ibu Shitta Nur Safarina sebagai dosen
pengampu mata kuliah Tehnik Proyeksi Bisnis yang telah membantu memberikan arahan dan
pemahaman dalam penyusunan makalah ini.
Kami menyadari bahwa dalam penyusunan makalah ini masih banyak kekurangan karena
keterbatasan kami. Maka dari itu penyusun sangat mengharapkan kritik dan saran untuk
menyempurnakan makalah ini. Semoga apa yang ditulis dapat bermanfaat bagi semua pihak
yang membutuhkan.
Penulis
II
DAFTAR ISI
III
BAB I
PENDAHULUAN
1
lainnya. Misalnya, bagaimana pengaruh pendapatan terhadap konsumsi suatu barang, juga
dapat dikembangkan lagi misalnya bagaimana pengaruh pendapatan dan harga terhadap
konsumsi, bagaimana pengaruh harga terhadap hasil penjualan, dan sebagainya.
2
BAB II
PEMBAHASAN
3
3. Hubungan antara tingkat pendapatan rumah tangga pengeluaran rumah tangga
Hubungan antara upah dengan produktivitas.
Contoh hubungan yang menunjukkan hubungan identitas :
1. Hubungan antara likuiditas dengan aktiva lancar
2. Hubungan produktivitas dengan hasil produksi
3. Hubungan antara upah yang diterima dengan hasil produksi
Metode Diagram Pencar
4
Diagram pencar di atas menunjukkan hubungan antara variabel bebas dengan variabel
tergantung negatif atau berlawanan arah dimana nilai jika variabel bebas (X) meningkat
maka akan diikuti dengan penurunan nilai variabel tergantung (Y).
Diagram pencar di atas menunjukkan hubungan antara variabel bebas dengan variabel
tergantung yang tidak berpola atau acak, dimana jika variabel bebas (X) meningkat
tidak pasti diikuti dengan penurunan atau kenaikan nilai variabel tergantung (Y).
5
Persamaan regresi linier sederhana
Dimana :
Y = Nilai yang diramalkan
a = konstanta/intercept
b = Koefisien/slope
X = Variabel bebas
ε = Nilai residu
Nilai a (konstanta) dan nilai b (koefisien regresi) dalam persamaan diatas
ditentukan dengan rumus sebgai berikut :
Y b( X )
a= −
n n
n( XY ) − ( X )( Y )
b=
n( X ) − ( X )
2 2
6
2. Nilai prediksi
merupakan besarnya nilai variabel tergantung yang diperoleh dari prediksi dengan
menggunakan persamaan regresi yang telah dibentuk.
3. Koefisien determinasi
merupakan besarnya kontribusi variabel bebas terhadap variabel tergantungnya.
Semakin tinggi koefisien determinasi maka semakin tinggi kemampuan variabel bebas
dalam menjelaskan variasi perubahan pada variabel tergantungnya.
6. Nilai F hitung
digunakan untuk menguji pengaruh secara simultan variabel bebas terhadap
variabel tergantungnya. Jika variabel bebas memiliki pengaruh simultan terhadap
variabel tergantung maka model persamaan regresi masuk dalam goodness of fit.
7. Nilai thitung
8. Kesimpulan
Pengertian data deret waktu adalah data yang disusun berdasarkan urutan waktu
atau data yang dikumpulkan dari waktu ke waktu. Waktu yang digunakan dapat berupa
minggu, bulan, tahun dan sebagainya. Deret waktu merupakan serangkaian data
pengamatan yang berasal dari satu sumber tetap dan terjadi berdasarkan indeks waktu
t secara beruntun dengan interval waktu yang tetap (Cryer, 1986). Contoh kasus :
7
Mr. Slamet seorang manajer Perusahaan Motor ingin mengetahui pengaruh
promosi terhadap volume penjualan. Untuk keperluan tersebut Mr Slamet mengambil
data sebagai berikut :
a. Perumusan masalah
b. Hipotesis
c. Kriteria pengujian :
d. Analisis data
X = 84 Y = 753
X = 680
2
XY = 6077
8
Dengan demikian besarnya koefisien regresi adalah sebagai berikut
n( XY ) − ( X )( Y ) Y b( X )
b= a= −
n( X ) − ( X )
2 2
n n
12(6077) − (84)(753) 753 − 8761(84)
b= a=
12(680) − (84) 2
12
b = 8,761 a = 1,424
9
Lembar kerja analisis regresi untuk mencari niai prediksi
Keterangan:
Ypred1 = 1,424 + 8,761*(2) = 18,946
Ypred2 = 1,424 + 8761*(3) = 27,707
Ypred3 = 1,424 + 8761*(4) = 36,468 dan seterusnya…………
R 2
= 1−
(Y − Y^) 2 = Kuadrat selisih nilai Y riil dengan nilai Y prediksi
10
Lembar kerja Analisis Regresi untuk Mencari Koefisien Determinasi
(Y − Y )
2
916,99
R =1−
2
=1− = 0,885
(Y − Y ) 79782
,3
11
Interpretasi :
⚫ Koefisien Determinasi (R2) sebesar 0,885 berarti 88,5% penjualan dipengaruhi oleh
promosi sedangkan sisanya dipengaruhi variabel lain diluar model (variabel yang
tidak diteliti)
⚫ Koefisien determinasi memiliki kelemahan, yaitu bias terhadap jumlah variabel bebas
yang dimasukkan dalam model regresi, dimana setiap penambahan satu variabel bebas
dan pengamatan dalam model akan meningkatkan nilai R2 meskipun variabel yang
dimasukkan tersebut tidak memiliki pengaruh yang signifikan terhadap variabel
tergantungnya. Untuk mengurangi kelemahan tersebut maka digunakan koefisien
determinasi yang telah disesuaikan Adjusted R Square (R2 adj)
⚫ Koefisien determinasi yang telah disesuaikan Adjusted R Square (R2 adj) adalah
koefisien tersebut telaah dikoreksi dengan memasukkan unsur jumlah variabel dan
ukuran sampel yang digunakan. Sehingga nilai koefisien determinasi yang disesuaikan
tersebut dapat naik atau turun dengan adanya penambahan variabel baru dalam model.
Formula untuk menghitung koefisien determinasi yang disesuaikan adalah :
Keterangan:
P (1 − R 2 )
R 2 adj =R −
2
R2 = Koefisien determinasi
N − P − 1N = Ukuran Sampel
P = Jumlah variabel bebas
Sehingga jika besarnya koefisien determinasi yang disesuaikan dapat dihitung
sebagai berikut :
P (1 − R ) 2
R 2
adj =R −
2
N − P −1
1(1 − 0,885)
R adj = 0,885 −
2
= 0,874
12 − 1 − 1
Se =
(Y − Y ) 2
n−k
Keterangan :
Se = Kesalahan baku estimasi
(Y-Y)2 = Kuadrat selisih nilai Y riil dengan nilai Y prediksi
12
N = Ukuran sampel
K = Jumlah variabel yang diamati
Untuk lembar kerja diatas maka dapat ditentukan besarnya penyimpangan baku
estimasi yaitu :
(Y − Y )
2
916,989
Se = = = 9,576
n−k 12 − 2
Se
Sb =
( X ) 2
X −
2
n
Keterangan:
Sb = Kesalahan baku koefisien regresi
Se = Kesalahan baku estimasi
X
2
= Jumlah kuadrat variabel bebas
X =Jumlah nilai variabel bebas
n =Jumlah pengamatan (ukuran sampel)
13
Untuk lembar kerja diatas maka dapat ditentukan besarnya kesalahan baku
koefisien regresinya yaitu :
Se 9,576
Sb = = = 0,998
( X ) 2
(84) 2
X − (680) −
2
n 12
Signifikansi Test
Jika telah ditentukan Koefisien Determinasi ( r2 ), maka selanjutnya dilakukan
uji signifikan hipotesis yang diajukan. Uji ini dapat menggunakan Uji-t ; Uji-F ; Uji-z
atau Uji Chi Kuadrat. Dengan uji signifikansi ini dapat diketahui apakah variable bebas/
predictor/ independent (X) berpengaruh secara signifikan terhadap variable tak bebas/
response/ dependent (Y). Arti dari signifikan adalah bahwa pengaruh antar varible
berlaku bagiseluruh populasi.
I. Nilai F Hitung
Nilai F hitung digunakan untuk menguji ketepatan model atau goodness of fit, apakah
model persamaan yang terbentuk masuk dalam kriteria good of fit atau tidak.
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. Tingakatan
yang digunakan adalah sebesar 0.5 atau 5%.
Untuk menyimpulkan apakah model masuk dalam kategori goodness of fit atau tidak,
kita harus membandingkan dengan nilai Fhitung dengan Ftabel dengan df (k-1), (n-k).
Adapun ketentuan dari uji F yaitu sebagai berikut (Ghozali, 2016) :
1. Jika nilai signifikan F < 0,05 maka H0ditolak dan H1 diterima. Artinya semua variabel
independent/bebas memiliki pengaruh secara signifikan terhadap variabel
dependen/terikat.
2. Jika nilai signifikan F > 0,05 maka H0 diterima dan H1 Artinya, semua variabel
independent/bebas tidak memiliki pengaruh secara signifikan terhadap variabel
dependen/terikat.
14
2
R
(k − 1)
F=
1− R 2
(n − k )
Keterangan
F = Nilai Fhitung
R2 = Koefisien determinasi
K = Jumlah variabel
N = jumlah pengamatan (ukuran sampel)
Dengan menggunakan lembar kerja diatas maka besarnya nilai Fhitung dari
persamaan regresi yang terbentuk dapat dihitung sebagai berikut:
R2 0,885
(k − 1) (2 − 1)
F= = = 77,005
1− R 2
1 − 0,885
(n − k ) (12 − 2)
15
Dengan df:α, (k-1)(n-k) atau
0,05 (2-1),(12-2) diperoleh
besarnya nilai Ftabel sebesar
4,965
16
Keterangan:
bj
t hitung = Bj = Koefisien regresi
Sbj
Sbj = Kesalahan baku koefisien
regresi
4. Adapun kriteria dari uji statistik t (Ghozali, 2016) :
1) Jika nilai signifikansi uji t > 0,05 maka H₀ diterima dan Ha ditolak. Artinya
tidak ada pengaruh antara variabel independen terhadap variaben dependen.
2) Jika nilai signifikansi uji t < 0,05 maka H₀ ditolak dan Ha diterima. Artinya
terdapat pengaruh antara variabel independen terhadap variabel dependen
Dengan menggunakan perhitungan koefisien regresi dan kesalahan baku regresi diatas
maka kita dapat menghitung besarnya nilai thitung sebagai berikut :
bj 8,761
thitung = = = 8,775
Sbj 0,998
17
Karena nilai thitung (8,775) >
nilai t tabel (1,812) maka dapat
disimpulkan bahwa variabel
promosi memiliki pengaruh
yang berarti terhadap variabel
penjualan
Tabel Anova
Merupakan alat atau piranti yang dapat menggambarkan hubungan antara koefisien
korelasi, koefisien determinasi dan standard error pendugaan.
Contoh tabel ANOVA dengan 1 variabel bebas
18
Output Analisis Regresi dengan menggunakan Microsoft Excel
19
9. SS Regression (Sum Square Regression) = 7061,261
merupakan nilai ynag menunjukkan jumlah kuadrat dari selisih antara prediksi
dengan nilai rata-rata prediksi.
10. SS Residual (Sum square residual)= 916,9891
Yakni nilai yang menunjukkan jumlah kuadrat dari selisihantra nilai riil
dengan nilai prediksi.
11. SS total (sum square total)= 7978,25, yakni nilai yang menunjukan jumlah
kuadrat dari selisih antara nilai riil dengan nilai rata-rata Y riil.
12. MS Regression (Mean Square Regression) = 7061,261
SS regression
MS regression =
df regression
MS regression
F=
MS residual
15. Significance F = 0,000, merupakan nilai yang menunjukkan titik kesalahan
yang terjadi jika nilai Fhitung sebesar 77,005, yang artinya variabel bebas secara
simultan mampu menjelaskan perubahan pada variabel tergantung atau model
dinayatakan good of fit.
16. Coefficients Inercept = 1,424, merupakan konstanta yang artinya jika
perusahaan tanpa melakukan promosi ma penjualan akan sebesar 1,424 juta rupiah.
Y b( X )
a= −
n n
17. Coefficient X Variable = 8,761
Merupakan koefisien regresi yang berarti jika perusahaan meningkatkan
promosi sebesar 1 juta rupiah maka penjualan akan meningkat sebesar 8,761 juta
rupiah.
n( XY ) − ( X )( Y )
b=
n( X ) − ( X )
2 2
20
18. Standard Error ntercept = 7,515
merupakan penyimpangan dari konstanta yag ada dalam model persamaan
regresi.
Se 2 ( X 2 )
Sa =
n( X 2 ) − ( X ) 2
21
BAB III
PENUTUP
3.1 Kesimpulan
Regresi merupakan persamaan matematika yang memungkinkan untuk meramalkan
suatu variabel terikat (dependen) dari nilai-nilai satu variabel bebas (independen). Variabel
independen adalah variabel yang mempengaruhi variabel terikat. Sedangkan,variable dependen
= variable yang dipengaruhi oleh variable bebas. Ada dua maca regresi yaitu Regresi linier
sederhana dan Regresi linier ganda.
Analisis regresi sederhana untuk menguji variabel bebas terhadap variabel terikat hal itu
dilakukan dengan cara menghitung persamaan liniear sederhana menggunakan tiga Langkah.
Ada dua cara yang dapat digunakan untuk memperkirakan garis regresi, pertama yakni
menggunakan metode tangan bebas dan yang kedua yaitu metode kuadrat terkecil.
22
DAFTAR PUSTAKA
https://junaidichaniago.wordpress.com/2010/05/18/cara-membaca-tabel-f/
https://accounting.binus.ac.id/2021/08/12/memahami-uji-f-uji-simultan-dalam-regresi-linear/
https://simdos.unud.ac.id/uploads/file_pendidikan_1_dir/3218126438990fa0771ddb555f70be
42.pdf
https://accounting.binus.ac.id/2021/08/12/memahami-uji-t-dalam-regresi-linear/
23