STATISTIK II

(STATISTIK LANJUTAN)
STATISTIK
o adalah bentuk analisis matematika yang
menggunakan model kuantitatif,
representasi dan sinopsis untuk
serangkaian data eksperimen atau studi
kehidupan nyata.
o metodologi studi statistik untuk
mengumpulkan, meninjau, menganalisis,
dan menarik kesimpulan dari data.
DATA Fakta atau
kejadian

Sesuatu
yang
diketahui

Sesuatu
yang
DIOLAH dianggap
DATA

STATISTIK
INFORMASI
 The Importance of Statistics

Membantu menggunakan
Proses penting di balik
metode yang tepat untuk
penemuan dalam sains,
mengumpulkan data,
membuat keputusan
menggunakan analisis yang
berdasarkan data, dan
benar, dan menyajikan hasilnya
membuat prediksi.
secara efektif.

Memungkinkan memahami Penting bagi masyarakat

subjek dengan lebih dalam. moderen.
 Penyajian Data

Diagram
DESKRIPTIF
Pemusatan Data
STATISTIK
JENIS

Penyebaran Data

Statistik Deskriptif

Estimasi/Ramalan
INFERENSI
Menguji Hipotesis

Membuat KesimpulanUmum/
Generalisasi
 SIFAT DATA
1. KUALITATIF : Merupakan segala
sesuatu yang TIDAK dapat dinyatakan
sebagai ANGKA. Data yang mewakili
adalah skala nominal seperti jenis
kelamin, status ekonomi sosial,
preferensi agama, atau sebuah
kuesioner yang berisikan berbagai
macam pertanyaan tentang suasana
kerja, gaya kepemimpinan, dan lain-
lain.

2. KUANTITATIF : adalah segala

sesuatu yang dapat dinyatakan sebagai
ANGKA atau dikuantifikasi. Contoh : skor
pada tes prestasi, jumlah jam belajar,
atau berat subjek. Data-data ini dapat
disajikan dengan skala ordinal, interval
atau rasio.
 JENIS DATA MENURUT SUMBERNYA
1. Internal
Data internal merupakan sebuah data yang diperoleh dari
dalam sebuah instansi atau organisasi tertentu dimana data
tersebut memang menggambarkan keadaan dari instansi atau
organisasi yang bersangkutan. Contoh dari data ini adalah
jumlah karyawan atau jumlah modal dari sebuah perusahaan.

2. Eksternal
Data eksternal merupakan sebuah data yang didapat dari luar
organisasi atau instansi tertentu dimana data tersebut tetap
menggambarkan berbagai faktor yang dapat mempengaruhi
output dari sebuah instansi atau organisasi. Contohnya adalah
daya beli dari masyarakat yang mempunyai kaitan dengan
hasil penjualan dari sebuah perusahaan
JENIS DATA MENURUT CARA MEMPEROLEHNYA

1. Primer
Data primer atau primary data merupakan sebuah data yang
memang secara khusus dikumpulkan langsung oleh orang
perorangan atau oleh suatu organisasi dengan cara langsung
didapat dari obyek yang akan diteliti dan memang digunakan
langsung dalam studi yang berkaitan dengannya dengan cara
interview ataupun observasi.

2. Sekunder
Data sekunder atau secondary data merupakan sebuah data
yang didapat dan dipersatukan oleh displin ilmu atau studi
yang telah dilakukan sebelumnya ataupun dikeluarkan oleh
instansi atau organisasi lainnya. Contoh dari data ini adalah
data dokumentasi maupun arsip arsip yang sifatnya penting
dan juga resmi.
 JENIS DATA MENURUT WAKTU PENGUMPULANNYA
1. Cross Section
Data cross section merupakan data yang diperoleh at a
poin of time guna memberikan gambaran tentang sebuah
kegiatan dan keadaan dalam kurun waktu tertentu,
contohnya adalah data penelitian yang menggunakan
sebuah kuesioner diisi oleh responden.
2. Time Series
Data berkala atau time series data merupakan data yang
memang dikumpulkan dari waktu ke waktu guna melihat
langsung bentuk perkembangan dari sebuah kejadian dan
juga kegiatan dalam kurun waktu tertentu, contohnya
adalah data sensus penduduk di Indonesia, ekonomi, dll.
3. Panel Data : Gabungan Cross section dengan Time
Series
SKALA PENGUKURAN
 1. DATA NOMINAL
Data Nominal biasa disebut data skala nominal (skala variabel
kategori ) adalah data yang diperoleh dengan cara kategorisasi atau
klasifikasi, yaitu skala yang digunakan untuk memberi label pada
variabel ke dalam klasifikasi yang berbeda dan tidak melibatkan nilai
atau pesanan kuantitatif.

Contoh: Jenis pekerjaan, diklasifikasi sebagai:

Pegawai negeri, diberi tanda 1, Pegawai swasta, diberi tanda
2, Wiraswasta, diberi angka 3

Ciri Data Nominal:

- Posisi data setara. Contoh tersebut, pegawai negeri tidak lebih
tinggi/lebih rendah dari pegawai swasta.
- Tidak bisa dilakukan operasi matematika (X, +, - atau : ). Contoh,
tidak mungkin 3-2=1 (Wiraswasta dikurangi pegawai swasta=pegawai
negeri).
 2. DATA ORDINAL
Data berskala ordinal adalah data yang diperoleh dengan cara kategorisasi atau klasifikasi,
tetapi diantara data tersebut terdapat hubungan. didefinisikan sebagai skala pengukuran
variabel yang digunakan untuk hanya menggambarkan urutan variabel dan bukan
perbedaan antara masing-masing variabel. Skala ini umumnya digunakan untuk
menggambarkan ide-ide non-matematika seperti frekuensi, kepuasan, kebahagiaan, tingkat
kesakitan dll.

Contoh: Kepuasan pelanggan, diklasifikasikan sebagai:

Sangat puas, diberi tanda 1,

Puas, diberi tanda 2,
Cukup puas, diberi tanda 3,
Tidak puas diberi tanda 4,
Sangat tidak puas diberi tanda 5

Ciri Data Ordinal:

• posisi data tidak setara. Dalam kasus di atas, sikap pelanggan yang sangat puas, lebih
tinggi dari yang puas. Sikap pelanggan yang puas, lebih tinggi dari yang cukup puas, dst.
Angka/tanda bisa dibalik dari 5 hingga 1, tergantung kesepakatan.
• Tidak bisa dilakukan operasi matematika. Tidak mungkin 1+2=3 (yang berarti sangat
puas ditambah puas = cukup puas).
3. DATA INTERVAL
Data interval adalah data yang diperoleh dengan cara pengukuran, yaitu jarak antar dua
titik pada skala, sudah diketahui. Berbeda dengan skala ordinal, yaitu jarak dua titik
tidak diperhatikan (seperti berapa jarak antara puas dan tidak puas, yang sebenarnya
menyangkut perasaan orang saja). Jadi 'Interval' menunjukkan 'jarak antara dua
entitas',

Contoh:
• Temperatur ruangan. Bisa diukur dalam Celsius, atau Fahrenheit, dengan masing-
masing punya skala sendiri. Untuk air membeku dan mendidih:
• Celcius pada 0° C sampai 100° C. Sakala ini jelas jaraknya, bahwa 100-0=100
• Fahreinheit pada 32° F sampai 212°F. Skala ini jelas jaraknya, 212-32=180

Ciri Data Interval:

•
Tidak ada kategorisasi atau pemberian kode seperti terjadi pada data nominal dan
ordinal.
• Bisa dilakukan operasi matematika. (panas 40⁰ adalah dua kali panas dibanding 20⁰.
4. DATA RASIO:
Adalah data yang diperoleh dengan cara pengukuran, yaitu jarak dua titik pada
skala sudah diketahui, dan mempunyai titik nol yang absolut. Ini berbeda dengan
skala interval, yaitu tak ada titik nol mutlak/absolut. Seperti titik 0°C tentu beda
dengan titik 0°F. atau pergantian tahun pada system kalender Masehi (setiap 1
Januari) berbeda dengan pergantian tahun Jawa, China dan lainnya. Sehingga tak
ada tahun baru dalam artian diakui oleh semua kalender sebagai tahun baru.

Contoh: Jumlah buku di kelas: Jika 5, berarti ada 5 buku. Jika 0, berarti tak ada buku
(absolut 0)

Ciri Data Rasio:

•
Tak ada kategorisasi atau pemberian kode.
• Bisa dilakukan operasi matematika. Missal: 100 cm + 35 cm = 135 cm; 5
mangga + 2 mangga = 7 mangga.
•
Catatan: pengolahan data kuantitatif sebagian besar menggunakan data rasio.
Rasio Skala / Skala Nisbah
Didefinisikan sebagai skala pengukuran variabel yang tidak hanya
menghasilkan urutan variabel tetapi juga membuat perbedaan antara
variabel yang diketahui bersama dengan informasi tentang nilai true zero.
Dihitung dengan mengasumsikan bahwa variabel memiliki opsi untuk nol,
perbedaan antara dua variabel adalah sama dan ada urutan khusus antara
opsi.
Contohnya adalah : berat, tinggi, panjang, usia, suhu .
Berat A = 70 kg, berat B =35 kg, Berat C = 0 kg.
Disini bisa membandingkan rasio, misalnya bisa mengatakan bahwa berat
A dua kali berat B. Berat C = 0 kg, artinya C tidak mempunyai bobot. Angka
0 di sini jelas dan berarti dan angka 0 menunjukkan nilai 0 mutlak.
Memang agak sedikit susah dalam membedakan antara skala interval
dengan rasio. Kuncinya adalah di angka 0, apakah nilai nol tersebut mutlak
(berarti) atau tidak? Sebagai contoh, suhu bisa berupa skala interval tapi
bisa juga skala rasio, tergantung pada skala pengukuran yang digunakan.
Apabila menggunakan skala Celcius atau Fahrenheit, termasuk skala
interval, sedangkan apabila Kelvin yang digunakan, suhu termasuk skala
rasio. Mengapa? Karena suhu 0 derajat Kelvin adalah mutlak! Tidak saja
dapat mengatakan bahwa suhu 200⁰ lebih tinggi daripada suhu 100⁰,
tetapi juga sudah dapat menyatakan dengan pasti bahwa rasionya benar
dua kali lebih tinggi.
POPULASI & SAMPEL
 POPULASI & SAMPEL
Populasi
• adalah sekumpulan
elemen yang sejenis yang
masing-masing
karakteristiknya bisa
dibedakan
• Populasi statistik
digunakan untuk
mengamati perilaku,
tren, dan pola dalam cara
individu pada kelompok
tertentu berinteraksi
dengan dunia di
sekitarnya, yang
memungkinkan untuk
menarik kesimpulan
tentang karakteristik
subjek penelitian
(manusia, hewan, dan
tanaman, dll).
 POPULASI & SAMPEL
Sampel
• Sampel, contoh, atau
cuplikan merupakan
bagian atau sebahagian
dari populasi yang
dipelajari dalam suatu
penelitian dan hasilnya
akan dianggap menjadi
gambaran bagi populasi
asalnya
• Sampel dianggap
sebagai perwakilan dari
populasi yang hasilnya
mewakili keseluruhan
gejala yang diamati.
POPULASI & SAMPEL
 JENIS-JENIS SAMPEL
• Simple random sampling
Jenis sampling ini dilakukan dengan penyeleksian secara acak pada setiap elemen tanpa
memperhatikan strata dalam populasi tersebut. Pengambilan sampel ini merupakan teknik dengan
jenis probabilitas yang sangat sederhana.

• Stratified random sampling

Pengambilan sampel secara stratified random bertujuan untuk mengetahui variabel-variabel yang
merupakan bagian penting dari sebuah populasi. Metode ini dilakukan untuk memperoleh sampel
yang representatif.

• Cluster Sampling
Teknik cluster sampling dapat digunakan apabila objek penelitian atau sumber data sangat luas.
Cluster sampling dapat dipilih karena dua keadaan. Yang pertama, ketika simple random sampling
tidak dapat dilakukan karena beberapa faktor seperti jarak yang jauh dan biaya yang tidak
memadai. Yang kedua, ketidaktahuan peneliti terhadap lokasi pasti dari populasi yang akan
digunakan, sehingga tidak memungkinkan untuk menyusun kerangka sampling.

• Systematic Sampling
Pemilihan sampel ini dilakukan secara sistematik dengan syarat adanya daftar subjek yang
dibutuhkan. Teknik ini dilakukan sesuai dengan nomor urut yang telah diberikan kepada elemen
atau anggota populasi.
• Non-Probability Sampling
Non-probability sampling atau non-random sampling merupakan teknik sampling
yang menggunakan sampel pilihan berdasarkan subjektivitas peneliti dan tidak
acak. Non-probability sampling ditentukan oleh keahlian peneliti.
Non-probability sampling banyak dipakai dalam penelitian kualitatif. Dalam teknik
ini, tidak semua sampel dari sebuah populasi memiliki probabilitas terpilih seperti
pada teknik random sampling. Beberapa teknik sampling yang termasuk dalam
non-probability sampling, di antaranya:
•
Purposive Sampling (Judgmental Sampling)
Purposive sampling merupakan teknik penetapan sampel dengan cara memilih
sampel sesuai dengan pengetahuan peneliti terhadap penelitian (berdasarkan
tujuan atau masalah dari penelitian). Sampel yang dipilih karena dianggap sesuai
untuk penelitian tersebut dan dapat memberikan informasi yang dibutuhkan.

• Consecutive Sampling
Pengambilan sampel ini dilakukan dengan menetapkan subjek yang memenuhi
kriteria penelitian dan dimasukkan dalam penelitian hingga waktu tertentu. Teknik
sampling ini merupakan teknik non-probability yang cukup mudah untuk
dilakukan. Consecutive Sampling menetapkan satu objek lain agar jumlah sampel
yang dibutuhkan dapat terpenuhi.
• Convenience Sampling
Metode ini dilakukan dengan cara menetapkan sampel dan mencari subjek berdasarkan hal-hal yang
menyenangkan atau diminati oleh peneliti. Sampel dipilih berdasarkan populasi yang tersedia dan mudah
dijangkau oleh peneliti. Subjek penelitian dijadikan sebagai sampel karena secara kebetulan ditemukan di
lokasi dan keadaan yang bersamaan dengan pengambilan data.
Sampel pada teknik ini diambil tanpa sistematika apapun. Biasanya, peneliti memilih teknik ini karena
ketidakmungkinan untuk menjangkau semua populasi yang sangat besar dan tempat penelitian yang sangat
luas.

• Quota Sampling
Metode quota sampling dilakukan dengan menentukan sampel dalam kuota. Kemudian menetapkan setiap
strata populasi sesuai dengan tanda-tanda yang memiliki pengaruh dominan terhadap variabel yang akan
diteliti.
Populasi dalam teknik ini tidaklah homogen, sehingga populasi perlu diseleksi terlebih dahulu ke dalam
kategori strata. Nantinya setiap strata akan diberikan jatah sampel agar sampel tersebut dapat mewakili
semua strata.
Kuota pada teknik ini berarti subjek ditetapkan berdasarkan kapasitas yang diperlukan dalam penelitian.
Besaran kuota dapat ditentukan secara proporsional.

• Snowball Sampling
Teknik snowball adalah teknik pengambilan sampel yang dimulai dari sampel pertama (baik hanya satu
maupun lebih dari satu). Sampel pertama akan dibutuhkan untuk menentukan objek lainnya yang sesuai
dengan karakteristik sampel dan kemudian memberitahukannya kepada peneliti.
Pengambilan sampel ini dilakukan berulang kali hingga jumlah kebutuhan sampel terpenuhi. Dari satu
sampel bertambah menjadi dua, dua menjadi empat, dan seterusnya. Penambahan tersebut diibaratkan
dengan bola salju yang menggelinding dan semakin membesar.
Peneliti memilih teknik ini karena tidak mengetahui keberadaan populasi tersebut.
DEFINISI :

REGRESI : Statistik untuk menentukan

hubungan antara dua atau lebih variabel.

Analisis Regresi merupakan studi

ketergantungan satu atau lebih variabel
bebas terhadap variabel tidak bebas
dengan maksud untuk memperkirakan
nilai variabel tidak bebas.
 SEDERHANA (SIMPLE
REGRESSION)

REGRESI

BERGANDA/MAJEMEUK
(MULTIPLE REGRESSION
VARIABEL
VARIABEL (PEUBAH) : konsep, kualitas, karakteristik,
atribut, atau sifat-sifat dari suatu objek (orang, benda,
tempat, dll) yang nilainya berbeda-beda antara satu
objek dengan objek lainnya dan sudah ditetapkan oleh
peneliti untuk dipelajari dan ditarik kesimpulannya
(Sesuatu yang dapat berubah-rubah).

Variabel terdiri dari :

oVARIABEL BEBAS (mempengaruhi, independent,
bebas).
oVARIABEL TIDAK BEBAS (dipengaruhi, bergantung,
dependent, terikat, Explantory Variable).
ANALISIS
REGRESI
SEDERHANA
• Regresi adalah suatu metode analisis statistik yang
digunakan untuk melihat pengaruh antara dua atau
lebih banyak 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 explanatory atau biasa disebut
penduga (predictor variable) atau disebut juga variabel
bebas (independent variable).
• Regresi terbagi menjadi beberapa jenis, yaitu regresi
sederhana (linier sederhana dan nonlinier sederhana)
dan regresi berganda (linier berganda atau nonlinier
berganda).
 Manfaat Menerapkan
Analisis Regresi
• Analisis regresi digunakan hampir pada semua bidang
kehidupan, baik dalam bidang ekonomi, industri dan
ketenagakerjaan, sejarah, pemerintahan, ilmu lingkungan,
dan lain sebagainya.
• Kegunaan analisis regresi adalah untuk mengetahui
variabel-variabel kunci yang memiliki pengaruh terhadap
suatu variabel bergantung, pemodelan, serta pendugaan
(estimation) atau peramalan (forecasting). Selain itu, masih
ada beberapa kegunaan lainnya, yakni:
• Membuat estimasi rata-rata dan nilai variabel tergantung
dengan didasarkan pada nilai variabel bebas.
• Untuk menguji hipotesis karakteristik dependensi.
• Meramalkan nilai rata-rata variabel bebas yang didasari
nilai variabel bebas diluar jangkauan sample.
 Model Analisis Regresi
Sederhana

Secara matematis, model analisis regresi

linier sederhana adalah seperti berikut :

Y = α + βX + Ɛ
Y = variabel dependen atau response.
α = intercept atau konstanta.
β = koefisien regresi atau slope.
X = variabel independen
ε = residual atau error (epsilon)
 Asumsi-Asumsi Regresi Linier
Sederhana
1. Eksogenitas yang lemah
• Sebelum menggunakan analisis regresi, kita harus
paham bahwa analisis ini mensyaratkan bahwa variabel
X bersifat fixed atau tetap, sementara variabel Y
bersifat random. Maksudnya, satu nilai variabel X akan
memprediksi variabel Y sehingga ada kemungkinan
beberapa variabel Y. Dengan demikian harus ada nilai
error atau kesalahan pada variabel Y.
• Sebagai contoh ketika pendapatan (X) seseorang
sebesar Rp1 juta, maka pengeluarannya bisa saja
sebesar Rp500 ribu, Rp600 ribu, Rp700 ribu, atau
seterusnya.
2. Linieritas
Model analisis regresi bersifat linier, artinya
kenaikan variabel X harus diikuti secara
proporsional oleh kenaikan variabel Y. Jika dalam
pengujian linieritas tidak terpenuhi, maka kita
dapat melakukan transformasi data atau
menggunakan model kuadratik, eksponensial
atau model lainnya yang sesuai dengan pola
hubungan nonlinier.
3. Varians error yang konstan
• Ini menjelaskan bahwa varians error atau varians
residual yang tidak berubah-ubah pada response yang
berbeda. Asumsi ini lebih dikenal dengan asumsi
homoskedastisitas.
• Mengapa varians error perlu konstan? Sebab, jika
konstan maka variabel error dapat membentuk model
sendiri dan mengganggu model utama. Oleh karena
itu, penanggulangan permasalahan
heteroskedastisitas/non-homoskedastisitas dapat
diatasi dengan menambahkan model varians error ke
dalam model atau model ARCH/GARCH.
4. Autokorelasi untuk data time series
• Jika menggunakan analisis regresi sederhana untuk data
time series atau data yang disusun berdasarkan urutan
waktu, maka ada satu asumsi yang harus dipenuhi, yaitu
asumsi autokorelasi.
• Asumsi ini melihat pengaruh variabel lag waktu
sebelumnya terhadap variabel Y. Jika ada gangguan
autokorelasi, artinya ada pengaruh variabel lag waktu
sebelumnya terhadap variabel Y.
• Sebagai contoh, model kenaikan harga BBM terhadap
inflasi. Jika ditemukan autokorelasi, maka artinya terdapat
pengaruh lag waktu terhadap inflasi. Artinya, inflasi hari ini
atau bulan ini bukan dipengaruhi oleh kenaikan BBM pada
hari ini, namun dipengaruhi oleh kenaikan BBM
sebelumnya (satu hari atau satu bulan tergantung data
yang dikumpulkan).
 Contoh Kasus:
Seorang manajer pemasaran akan meneliti
apakah terdapat pengaruh BIAYA iklan terhadap
PENJUALAN pada perusahaan-perusahaan di
Kabupaten Maros, untuk kepentingan
penelitian tersebut diambil 8 perusahaan
sejenis yang telah melakukan promosi.
 Pemecahan
1) Judul
Pengaruh biaya promosi terhadap
penjualan perusahaan.
2) Pertanyaan Penelitian
Apakah terdapat pengaruh positif biaya
promosi terhadap penjualan perusahaan ?
3) Hipotesis
Terdapat pengaruh positif biaya promosi
terhadap penjualan perusahaan.
 4. Kriteria Penerimaan Hipotesis
Ho : Tidak terdapat pengaruh positif biaya iklan
terhadap penjualan perusahaan.
Ha : Terdapat pengaruh positif biaya iklan
terhadap penjualan perusahaan.

• Ho diterima Jika
b ≤ 0, t hitung ≤ tabel
• Ha diterima Jika
b > 0, t hitung > t tabel.
5. Sampel
8 perusahaan
6. Data Yang dikumpulkan :

Penjualan
(Y) 64 61 84 70 88 92 72 77

Biaya iklan/
Promosi (X) 20 16 34 23 27 32 18 22
 7. Analisis Data
Untuk analisis data diperlukan, perhitungan:
1. Persamaan regresi
2. Nilai Prediksi
3. Koefisien Korelasi ( r )
4. Koefesien Determinasi ( r² )
5. Uji Hipotesis
6. Kesimpulan
 Persamaan Regresi
Y X XY X2 Y2
64 20 1280 400 4096
61 16 976 256 3721
84 34 2856 1156 7056
70 23 1610 529 4900
88 27 2376 729 7744
92 32 2944 1024 8464
72 18 1296 324 5184
77 22 1694 484 5929

∑Y=608 ∑X=192 ∑XY= 15032 ∑X²4902 ∑Y²=47094

 n( XY )  ( X )( Y )
b
n(  X 2 )  (  X ) 2

8(15032)  (192)(608)
b  1,497
8( 4902)  (192) 2

a
 Y  b(  X )
n

(608)  1,497 (192)

a  40,082
8
Y = a + bX
Y= 40,082 + 1,497X
 CARA BACA PERSAMAAN
o HUBUNGAN X (BIAYA IKLAN) TERHADAP Y
(JUMLAH PENJUALAN) ADALAH POSITIF,
ARTINYA JIKA X NAIK, MAKA AKAN
MEMPENGARUHI KENAIKAN Y.
(JIKA NEGATIF MK KENAIKAN X TIDAK DIIKUTI
OLEH KENAIKAN Y ATAU MENURUN)

o BESARNYA PENGARUH X TERHDP Y ADALAH

1,497 SATUAN
 Nilai Prediksi
 Berapa besarnya penjualan jika promosi sebesar 20?
40,082 + (1,497*20)= 70,022
 Berapa besarnya penjualan jika promosi sebesar 16?
40,082 + (1,497*16)=64,034
 Berapa besarnya penjualan jika promosi sebesar 34?
40,082 + (1,497*34)= 90,98
 Berapa besarnya penjualan jika promosi sebesar 23?
40,082 + (1,497*23)= 74,513
 Berapa besarnya penjualan jika promosi sebesar 27?
40,082 + (1,497*27)=80,501
 Berapa besarnya penjualan jika promosi sebesar 32?
40,082 + (1,497*32)= 87,986
Dan seterusnya…………………….!!!
No Y X XY X2 Y2 Ypred (Y-Ypred)2 (Y-Yrata)2

1 64 20 1280 400 4096 70.022 36.264 144

2 61 16 976 256 3721 64.034 9.205 225

3 84 34 2856 1156 7056 90.98 48.720 64

4 70 23 1610 529 4900 74.513 20.367 36

5 88 27 2376 729 7744 80.501 56.235 144

6 92 32 2944 1024 8464 87.986 16.112 256

7 72 18 1296 324 5184 67.028 24.721 16

8 77 22 1694 484 5929 73.016 15.872 1

Σ 608 192 15032 4902 47094 608.08 227.497 886

SUMMARY OUTPUT

Regression Statistics
Multiple R 0.862108943
R Square 0.74323183
Adjusted R Square 0.700437135
Standard Error 6.157605036
Observations 8

ANOVA
df SS MS F Significance F
Regression 1 658.5034014 658.5034014 17.367382 0.005895457
Residual 6 227.4965986 37.91609977
Total 7 886

Coefficients Standard Error t Stat P-value Lower 95% Upper 95% Lower 95.0% Upper 95.0%

Intercept 40.08163265 8.889550951 4.508847846 0.0040655 18.32968508 61.83358023 18.32968508 61.83358023

X Variable 1 1.496598639 0.359118818 4.167419145 0.0058955 0.617866547 2.375330732 0.617866547 2.375330732

 Koefesien Korelasi (Excel)
R = 0,86
Kriteria :
0,0 : Tidak ada korelasi antara dua variabel
> 0 – 0,25 : Korelasi sangat lemah
> 0,25 – 0,5 : Korelasi cukup
> 0,5 – 0,75 : Korelasi kuat
> 0,75 – 0,99 : Korelasi sangat kuat
1: Korelasi sempurna
 Koefesien Determinasi
1. Koefesien determinasi:

R2  1
 (Y  ˆ
Y ) 2

R  1
2 (227,497)
 0,743
 (Y  Y ) 2
(886)
Artinya : Besarnya pengaruh biaya iklan (X) terhadap terhadap
kenaikan/penurunan jumlah penjualan (Y) adalah sebesar 74,3%,
selebihnya sebesar 25,7% adalah disebabkan o/ faktor lain.

2. Koefesien Determinasi Disesuaikan (adjusted)

: P (1  R 2
) 1(1  0,743)
Radj  R 
2
Radj  0,743   0,70
N  P 1 8 11
Contoh Lainnya
 Persamaan Regresi

Persamaan Regresi
linier Sederhana:
n( XY )  ( X )( Y )
Y = a + bX +  b
n(  X 2 )  (  X ) 2
Y = Nilai yang diramalkan
a = Konstansta
b = Koefesien regresi
a
 Y  b(  X )
X = Variabel bebas n
 = Nilai Residu
Model Persamaan :
Y = a + bX atau
Y = α + βX atau
Y = b0 + b1X
 Taksiran Persamaan Regresi adalah :
Y = 10 + 2X
Mengindikasikan bahwa ditaksir rata-rata jam kerja
bertambah dengan 2 jam untuk setiap pertambahan 1
unit produk
 Perbedaan mendasar antara korelasi dan
regresi ?
• Korelasi hanya • Regresi menunjukkan
menunjukkan sekedar hubungan pengaruh.
hubungan. • Dalam regresi terdapat
• Dalam korelasi istilah tergantung dan
variabel tidak ada variabel bebas.
istilah tergantung dan
variabel bebas.
CORRELATION COEFFICIENT / PEARSON CORRELATION

• Koefisien korelasi adalah ukuran statistik yang

menghitung kekuatan hubungan antara gerakan relatif
dua variabel.
• Nilai berkisar antara -1.0 dan 1.0.
• Angka yang dihitung LEBIH BESAR dari 1,0 atau kurang
dari -1,0 berarti bahwa ada kesalahan dalam
pengukuran korelasi.
• Korelasi -1,0 menunjukkan korelasi negatif sempurna,
sedangkan korelasi 1,0 menunjukkan korelasi positif
sempurna.
• Korelasi 0,0 menunjukkan tidak ada hubungan antara
pergerakan kedua variabel.
 Koefisien korelasi yang disimbolkan dengan "r" atau "ρ"
 Asumsi untuk analisis korelasi:
Sampel data berpasangan (x, y) berasal dari sampel acak dan
merupakan data kuantitatif.
 Pasangan data (x, y) harus berdistribusi normal.
Harus diingat bahwa analisis korelasi sangat sensitif terhadap
data pencilan (outliers)!
 Asumsi bisa dicek secara visual dengan menggunakan:
1. Boxplots, histograms & univariate scatterplots untuk
masing-masing variabel.
2. Bivariate scatterplots
 Apabila tidak memenuhi asumsi misalnya data tidak
berdistribusi normal (atau ada nilai data pencilan), kita bisa
menggunakan korelasi Spearman (Spearman rank
correlation), korelasi untuk analisis non-parametrik
 FORMULASI KORELASI

Sederhana (2 Variabel) / Simple Correlation

• CARA BACA HASIL / NILAI PERHITUNGAN :
 0,0 : Tidak ada korelasi antara dua variabel
 > 0 – 0,25 : Korelasi sangat lemah
 > 0,25 – 0,5 : Korelasi cukup
 > 0,5 – 0,75 : Korelasi kuat
 > 0,75 – 0,99 : Korelasi sangat kuat
 1: Korelasi sempurna
• Misal : r = 0,74, artinya hubungan antara x dan y
adalah KUAT
 Koefesien Determinasi
Koefesien determinasi:

R  1
2  (Y  ˆ
Y ) 2
R  1
2 (227,497)
 0,743
 (Y  Y ) 2
(886)

Koefesien Determinasi Disesuaikan (adjusted)

P (1  R 2
) 1(1  0,743)
Radj  R2  Radj  0,743   0,70
N  P 1 8 11
 Kesalahan Baku Estimasi
Digunakan untuk mengukur tingkat kesalahan dari
model regresi yang dibentuk.

Se 
 (Y  Yˆ ) 2

Se 
(227,467)
 6,1576
nk 82
 Standar Error Koefesien Regresi
Digunakan untuk mengukur besarnya tingkat kesalahan dari
koefesien regresi:

Se 6,1576
Sb  Sb1   0,359
( X ) 2
(192) 2

X 
2
(4902) 
n 8
 UJI
HIPOTESIS
 UJI HIPOTESIS DUA VARIABEL (Uji-t)
1. Simbol Hipotesis :
• H0 : b = 0…………..(Tidak terdapat pengaruh yang signifikan dari X
terhadap Y)
• H1 : b ≠ 0………….(Terdapat pengaruh yang signifikan dari X
terhadap Y)
2. Tentukan Significance Level :
misal α = 5% atau 0.05…..1 – α = 1 – 0,05 = 95%
(uji satu arah atau 2 arah, jika 2 arah maka α/2 ?)
3. Derajat bebas (db) / degree of freedom (df) = n – k
n = banyaknya observasi k = banyaknya variabel
4. Kriteria penerimaan Uji Hipotesis :
. Uji-t (t hitung dibandingkan dengan t Tabel)
. P-value
• - Terima H0 jika t hitung ≤ t tabel atau p-value > alpha (α)
- Tolak H0 Jika t hitung> t tabel atau p-value ≤ alpha (α)
• Jika gunakan EXCEL maka bila nilai signifikan (sig.) > t-value, maka Ho
ditolak atau H1 diterima
 UJI HIPOTESIS / Uji F…> 2VARIABEL
Pengertian Uji F
• Salah satu teknik pengujian statistika yang terkenal adalah
uji koefisien regresi secara simultan serentak atau yang
lebih akrab disapa dengan uji F. Uji F biasa digunakan
untuk membandingkan 2/lebih perlakuan kelompok atau
objek/data, yang masing-masing perlakuannya dilakukan
ulangan.
• Uji F digunakan dalam percobaan, group sampling dan sub
group sampling. Nah, uji F ini dilakukan untuk melihat
variabel independen secara serentak/bersama,
berpengaruh signifikan terhadap variabel dependen atau
tidak. Uji F digunakan untuk menguji keberartian model
regresi yang digunakan. Uji F juga akan berhubungan
dengan uji ANAVA atau ANOVA.
Tahapan dalam uji F/Simultan :
Tahapan dalam uji F :
• Buat hipotesis :
• Ho : Bj = 0
• H1 : Bj ≠ 0
• •Buatlah H 0 dan H a atau H1 sebagai hipotesis penelitian. H 0
inilah yang akan digunakan sampai akhir kriteria pengujian
nantinya.
• •Tentukan tingkat signifikansi
• •Tingkat signifikansi yang standar dan biasa digunakan adalah a=
5% (0,05), derajat kebebasan/df : (n-k)(k-1)
• dk pembilang = k – 1 =
• dk penyebut = N – k =
• •Tentukan nilai F hitung
• •Tentukan F tabel
• •Tentukan nilai signifikansi
• •Kriteria pengujian
 Perhitungan Uji-t
Digunakan untuk mengatahui pengaruh variabel bebas
terhadap variabel tergantung (2 variabel).
Ho: Diterima jika t hitung  t tabel
Ha: Diterima jika t hitung > t tabel
Tentukan α dan derajat bebas (db)

bj 1,497
Thitung  t hitung   4,167
Sbj
0,359
Karena t hitung (4,167) > dari t tabel (1,943) maka H0 ditolak, artinya terdapat
pengaruh biaya promosi terhadap penjualan pada tingkat
signifikansi/kepercayaan sebesar 95%).
 KESIMPULAN DAN IMPLIKASI
KESIMPULAN
Terdapat pengaruh positif dan signifikan dari
biaya promosi/periklanan terhadap volume
penjualan pada taraf kepercayaan 95%.

IMPLIKASI
Sebaiknya perusahaan terus memperhatikan dan
meningkatkan promosi agar penjualan
meningkat.
 Pe Er:
Carilah persamaan regresi dari data berikut:

X 3 4 5 6 7 8 9
Y 12 11 13 12 13 14 16
REGRESI LINEAR BERGANDA DAN REGRESI (TREND)
NON LINEAR

(Regresi Linear Berganda dan Penyelesaiannya)

.
REGRESI LINEAR BERGANDA DAN REGRESI
(TREND) NON LINEAR
 REGRESI LINEAR BERGANDA
• Konsep
Terdapat dua variabel bebas X yang dapat
mempengaruhi variabel terikat Y.

• Contoh
Pola Asuh
X1
Prestasi Belajar
Y
Cara Belajar
X2
 REGRESI LINEAR BERGANDA
• Rumus

Y '  b0  b1 X 1  b2 X 2  ...  bk X k
Y 'i  b0  b1 X 1i  b2 X 2i  ...  bk X ki

• Y = nilai observasi (data hasil pencatatan)

• Y’ = nilai regresi
• i = 1, 2, …, n
 REGRESI LINEAR BERGANDA
 Untuk menghitung b0, b1, b2, …, bk digunakan Metode
Kuadrat Terkecil dengan persamaan berikut.
b0 n  b1  X 1 b2  X 2  ...  bk  Y
b0  X 1  b1  X 1 b2  X 1 X 2  ...  bk  X 1 X k   X 1Y
2

b0  X 2  b1  X 2 X 1 b2  X 2  ...  bk  X 2 X k   X 2Y
2

    
b0  X k  b1  X k X 1 b2  X k X 2  ...  bk  X k   X kY
2

 Penyelesaiannya diperoleh nilai b0, b1, b2, …, bk.

 REGRESI LINEAR BERGANDA
• Misalnya,
Variabel terikat ada 1, yaitu Y
Variabel bebas ada 2 (k = 2), yaitu X1 dan X2
Penyelesaiannya diperoleh b0, b1, dan b2
Persamaannya adalah

b0 n  b1  X 1 b2  X 2  Y
b0  X 1  b1  X 1 b2  X 1 X 2   X 1Y
2

b0  X 2  b1  X 2 X 1 b2  X 2  X 2Y
2
 REGRESI LINEAR BERGANDA
• Penyelesaiannya digunakan persamaan matriks
n

X 1 X2  b
    Y 

0
  
 X 1 X X X 2 b1    X 1Y 

2
1 1
   
 X 2  
  2   X 2Y 
X 2 X1 X2
2 b
Ab = H
  
 b = A-1H
A B H
• A = matriks (diketahui)
• H = vektor kolom (diketahui)
• b = vektor kolom (tidak diketahui)
• A-1 = kebalikan (invers) dari matriks A
REGRESI LINEAR BERGANDA (MATRIX)
• Matriks 2 baris dan 2 kolom
a11 a12 
Matriks A   
 21
a a 22 

determinan A = det (A) = | A | = a11a22 – a12a21

• Contoh
 2 4
Matriks A   
6 7 
det (A) = | A | = a11a22 – a12a21 = 14 – 24 = -10
 REGRESI LINEAR BERGANDA
• Matrisk 3 baris dan 3 kolom
a11 a12 a13 
A  a 21 a 22 a 23 
a31 a32 a33 
a11 a12 a13  a11 a12
A  a 21 a 22 a 23  a 21 a 22
a31 a32 a33  a31 a32

det A  a11 a 22 a33  a12 a 23 a31  a13 a 21 a32  a31 a 22 a13  a32 a 23 a11  a33 a 21 a12
 REGRESI LINEAR BERGANDA
• Contoh
 2 4 6
A  3 2 3 
1 4 9 
 2 4 6 2 4
A  3 2 3  3 2
1 4 9  1 4
det A  2.2.9  4.3.1  6.3.4  1.2.6  4.3.2  9.3.4
det A  36  12  72  12  24  108
det A  24
 REGRESI LINEAR BERGANDA
• Penggunaan matriks dalam 3 persamaan 3 variabel
a11b1  a12 b2  a13 b3  h1  a11 a12 a13  b1  h1 

a 21b1  a 22 b2  a 23 b3  h2   a 21 a 22 a 23  b2   h2 
a31b1  a32 b2  a33 b3  h3  a31 a32 a33  b3  h3 

det A1 det A2 det A3

b1  b2  b3 
det A det A det A
h1 a12 a13  a11 h1 a13  a11 a12 h1 
A1  h2 a 22 a 23  A2  a 21 h2 a 23  A3  a 21 a 22 h2 
h3 a32 a33  a31 h3 a33  a31 a32 h3 
 REGRESI LINEAR BERGANDA
• Contoh. Tentukan nilai b1, b2, dan b3
2b1  b2  4b3  16 2 1 4 b1  16

3b1  2b2  b3  10   3 2 1 b2   10
b1  3b2  3b3  16 
 1 3 3  b3  16
 2 1 4
A  3 2 1
1 3 3 
16 1 4  2 16 4 2 1 16 
A1  10 2 1 A2  3 10 1  A3  3 2 10
16 3 3 1 16 3  1 3 16 
 REGRESI LINEAR BERGANDA
det A  2.2.3  1.1.1  4.3.3  1.2.4  3.1.3  2.1.3  26
det A1  16.2.3  1.1.16  4.3.10  16.2.4  10.1.3  16.1.3  26
det A2  2.10.3  16.1.1  4.16.3  1.10.4  3.16.3  2.1.16  52
det A3  2.2.16  1.10.1  16.3.3  1.2.16  3.1.16  2.10.3  78
det A1 26
b1   1
det A 26
det A2 52
b2   2
det A 26
det A3 78
b31   3
det A 26
 REGRESI LINEAR BERGANDA
 Contoh :
Data pengeluaran 10 rumah
Y X1 X2
tangga, untuk pembelian barang
23 10 7
tahan lama per minggu(Y),
pendapatan per minggu (X1), dan 7 2 3

jumlah anggota keluarga (X2) 15 4 2

disajikan dalam tabel berikut. Jika 17 6 4
suatu rumah tangga mempunyai 23 8 6
pendapatan per minggu (X1) Rp. 22 7 5
11.000 dan jumlah anggota 10 4 3
keluarga (X2) 8 orang, berapa 14 6 3
uang yang dikeluarkan untuk 20 7 4
membeli barang-barang tahan 19 6 3
lama tersebut.
 REGRESI LINEAR BERGANDA
• Jawaban
Y X1 X2 X1Y X2Y X1X2 Y2 X12 X22
23 10 7 230 161 70 529 100 49
7 2 3 14 21 6 49 4 9
15 4 2 60 30 8 225 16 4
17 6 4 102 68 24 289 36 16
23 8 6 184 138 48 529 64 36
22 7 5 154 110 35 484 49 25
10 4 3 40 30 12 100 16 9
14 6 3 84 42 18 196 36 9
20 7 4 140 80 28 400 49 16
19 6 3 114 57 18 361 36 9
170 60 40 1122 737 267 3162 406 182
 REGRESI LINEAR BERGANDA
• Jawaban
Persamaan normal adalah
b0 n  b1  X 1 b2  X 2  Y
b0  X 1  b1  X 1 b2  X 1 X 2   X 1Y
2

b0  X 2  b1  X 2 X 1 b2  X 2  X 2Y
2

10b0  60b1  40b2  170

60b0  406b1  267b2  1122
40b0  267b1  182b2  737
 REGRESI LINEAR BERGANDA
 Jawaban
b0  3,92; b1  2,50; b2  0,48
Y  3,92  2,50 X 1  0,48 X 2
Y  3,92  2,5011000  0,488
Y  31,42  3,83
Y  27500,08
Jadi suatu rumah tangga dengan pendapatan per minggu
Rp11.000,00 dan jumlah anggota keluarga 8 orang,
diperkirakan akan mengeluarkan Rp27.500,00 untuk
pembelian barang-barang tahan lama.
 APLIKASI KOMPUTER (Excel)
• Regresi Linear Berganda
 APLIKASI KOMPUTER
• Regresi Linear Berganda
 APLIKASI KOMPUTER
• Regresi Linear Berganda
 REGRESI LINEAR BERGANDA
 Rumus Persamaan Regresi Linear Berganda

Y’ = b0 + b1X1 + b2X2 + …..bkXk + ……..bnXn

b0 = nilai Y’, jika X1 = X2 = 0

b1 = besarnya kenaikan (penurunan) Y dalam satuan, jika X1
naik (turun) satu satuan, sedangkan X2 konstan
b2 = besarnya kenaikan (penurunan) Y dalam satuan, jika X2
naik (turun) satu satuan, sedangkan X1 konstan
• Persamaan Regresi yang terbentuk :
Y’ = 3,91 + 2,49 X1 – 0,46X2
• Makna persamaan :
• Pengaruh X1 terhadap Y adalah POSITIF (artinya jika
X1 naik maka akan diikuti oleh kenaikan Y) dan
pengaruh X2 terhadap Y adalah NEGATIF (artinya
setiap kenaikan X2 tidak diikuti oleh kenaikan
Y/menurunkan Y)
• Besaran/nilai pengaruh X1 terhadap Y adalah sebesar
2,49 satuan jika X2 konstan, dan besarnya pengaruh
X2 terhadap Y adalah -0,46 satuan jikla X1 konstan).
Tahapan dalam uji F :
• Buat hipotesis :
Ho : Bj = 0
H1 : Bj ≠
• Buatlah H0 dan Ha atau H1 sebagai hipotesis penelitian. H0
inilah yang akan digunakan sampai akhir kriteria pengujian
nantinya.
• Tentukan tingkat signifikansi
• Tingkat signifikansi yang standar dan biasa digunakan
adalah a= 5% (0,05), derajat kebebasan/df : (n-k)(k-1)
dk pembilang = k – 1 =
dk penyebut = N – k =
• Tentukan nilai F hitung
• Tentukan F tabel
• Tentukan nilai signifikansi
• Kriteria pengujian
KORELASI BERGANDA
 HIPOTESIS
Pengertian Hipotesis
• Hipotesis secara etimologis berasal dari Bahasa Yunani,
yakni Hypo yang berarti lemah dan Thesis yang berarti teori.
• Jadi pengertian dari hipotesis adalah suatu pernyataan yang
sifatnya masih lemah karena masih butuh dibuktikan.
Hipotesis juga bisa dibilang sebagai dugaan sementara di
dalam suatu penelitian.
Ciri-ciri Hipotesis
• Hipotesis memiliki beberapa ciri-ciri, yaitu:
• Perlu diuji kebenarannya
• Harus menyatakan suatu hubungan.
• Harus bisa diuji.
• Bentuknya sederhana.
• Berdasarkan fakta.
 FUNGSI HIPOTESIS
• Membantu membuktikan kebenaran dari
suatu teori.
• Mengembangkan teori
• Memberikan dugaan sementara terkait suatu
peristiwa
• Memberikan kerangka penyusunan sebuah
penelitian.
• Mengarahkan proses penelitian.
• Membantu dalam menentukan sampel dari
populasi.
• Memudahkan dalam penarikan kesimpulan.
 UJI HIPOTESIS > 2 VARIABEL (UJI
SIMULTAN)
Prosedur uji hipotesis
• Tentukan parameter yang hendak diuji.
• Tentukan Hipotesis nol (H0)
• Tentukan Hipotesis alternatif (H1)
• Tentukan taraf nyata (α)
• Pilih statistik yang tepat.
• Tentukan kawasan penolakan.
• Hitung statistik uji.
• Putuskan apakah Hipotesis nol (H0) ditolak atau
tidak.
 Uji Hipotesis
• 1) Ho : Bj = 0 …. Tidak terdapat pengaruh yang
signifikan dari X1 dan X2 terhadap Y
– H1 : Bj ≠ 0 …. Terdapat pengaruh yang signifikan
X1 da X2 terhadap Y
–2) Derajat bebas : (n-k)(k-1)……n=banyak observasi
dan k=banyaknya variabel.
–3) Menentukan α……. (1 – α), MISAL : 0,05
–4) Membandingkan nilai F hitung dengan F Tabel
Uji F digunakan untuk uji ketepatan
model, apakah nilai prediksi mampu
menggambarkan kondisi sesungguhnya:

Ho: Diterima jika F hitung  F tabel

Ha: Diterima jika F hitung > F tabel
Uji F (digunakan jika terdiri dari > 2variabel)
Uji F digunakan untuk uji ketepatan model, apakah nilai prediksi mampu
menggambarkan kondisi sesungguhnya:

Ho: Diterima jika F hitung  F tabel

Ha: Diterima jika F hitung > F tabel

R 2 /( k  1) 0,743 /(2  1)
F F  17,367
1  R 2 /( n  k ) 1  0,743 /(8  2)

Misal : Karena F hitung (17,367) > dari F tabel (5,99) maka

persamaan regresi dinyatakan Baik (good of fit), artinya
terdapat hubungan yang signifikan antara seluruh variabel bebas
terhadap variabel terikat dengan taraf kepercayaan 95%.
 UJI F BILA MENGGUNAKAN HASIL
KOMPUTERISASI SPSS
• Bila nilai sig (signifikan) > nilai α,
maka hipotesis utama atau Ho
DITERIMA.
• Bila nilai sig (signifikan) < nilai α,
maka hipotesis utama atau Ho
DITOLAK.
 Soal-soal

Y X1 X2
X1 adalah persediaan modal
(dalam jutaan rupiah), X2 2 1 2
5 2 3
adalah biaya iklan (dalam
jutaan rupiah), dan Y = 9 4 4

penjualan (dalam jutaan 13 6 4

rupiah). Tentukan pula nilai 16 8 6

ramalan Y jika X1 = 15 dan 19 10 8

X2 = 10. 20 14 13
21 16 13
 Soal-soal

X1 adalah harga (dalam Y X1 X2

jutaan rupiah), X2 adalah 1 2 1
biaya produksi (dalam 2 4 3
jutaan rupiah), dan Y = 4 6 5
penjualan (dalam jutaan
6 8 7
rupiah). Tentukan nilai Y jika
X1 = 25 dan X2 = 14. 8 10 9
9 12 11
UJI F
 UJI F BILA MENGGUNAKAN HASIL
KOMPUTERISASI SPSS
• Bila nilai sig (signifikan) > nilai α,
maka hipotesis utama atau Ho
DITERIMA.
• Bila nilai sig (signifikan) < nilai α,
maka hipotesis utama atau Ho
DITOLAK.
UJI PARSIAL