UJI REGRESI LINEAR GANDANAMA: I Made Ari PurwadiKELAS: VIANIM : 1213011002

PERMASALAHAN :Seorang manager pemasaran deterjen Merk A, ingin mengatahui tingkat pemasaran produk melalui promosi produk (X1), harga jual produk (X2), kualitas detergen (X3), harga supplier (X4), dan ukuran kemasan (X5) terhadap presentase kenaikan minat membeli konsumen membeli produk tersebut (Y)

Data yang diperoleh peneliti ialah sebagai berikut:X1X2X3X4X5Y

56586577673.14

72757487552.7

75625467662.4

64776698732.8

68858976863.01

89879057562.78

93867099812.98

75809789783.04

64917479833.12

78836588563.13

92868668763

67838987813.24

85817698683.19

76848395642.68

91838698793.56

97829356832.66

80889645843.07

86816767923.01

83827985692.8

78858875692.89

54797791852.9

74756781762.77

86698567762.8

67688256832.77

87668384822.99

94796465612.34

78897252782.6

67839375743.18

76678556592.69

67557757652.55

Dengan uji menggunakan SPSS, didapatkan hasil sbb:a. Uji Normalitas

Terlihat dari P-Plot of Regression Standardized Residual galat dari data tersebut sudah mengikuti sebaran normal, itu menunjukkan data tersebut sudah berdistribusi normal.

b. Kejadian Heterokedastisitas

Sebaran data tersebut terjadi secara acak/ tidak berkumpul pada satu tempat saja. Maka data tersebut memiliki ragam / varian konstan (data bersifat hetereoskedastitas)

c. Menguji Asumsi Linieritas

Hipotesis yang akan diuji:

H0:

H1:

ANOVAb

ModelSum of SquaresdfMean SquareFSig.

1Regression.9655.1934.425.005a

Residual1.04724.044

Total2.01329

a. Predictors: (Constant), X5, X4, X1, X3, X2b. Dependent Variable: y

Dengan menggunakan program SPSS maka didapatkan tabel seperti diatas. Dengan menggunakan dan diperoleh nilai F sebesar 4,425 dan nilai Sig.=0,005. Maka nilai Sig. < nilai . Jadi Asumsi linieritas terpenuhi.

d. Kasus Autokorelasi

H0:Tidak terjadi kasus auto korelasi.H1:Terjadi kasus auto korelasi.

Dari perhitungan menggunakan SPSS didapatkan tabel sebagai berikut:

Model Summaryb

ModelRR SquareAdjusted R SquareStd. Error of the EstimateChange StatisticsDurbin-Watson

R Square ChangeF Changedf1df2Sig. F Change

1.693a.480.371.20890.4804.425524.0052.184

a. Predictors: (Constant), X5, X4, X1, X3, X2b. Dependent Variable: y

Pada tebel tersebut terlihat niali Durbin-Watson =2,184. Dengan menggunakan tabel Durbin-Watson dengan k=5(variabel bebas) dan N=30 didapatkan Nilai DUtabel = 1,833. Ternyata DUtabel < DUhitung < 4 DUtabel. Ternyata 1,489 < 1,982 < 2,167.Yang membuktikan bahwa tidak cukup bukti untuk menolak H0. Jad tidak terjadi kasus auto korelasi pada hal tersebut.

e. Kasus MultikolinearitasCoefficientsa

ModelUnstandardized CoefficientsStandardized CoefficientstSig.CorrelationsCollinearity Statistics

BStd. ErrorBetaZero-orderPartialPartToleranceVIF

1(Constant)1.032.5132.012.056

X1-.002.004-.086-.543.592-.081-.110-.080.8631.159

X2.003.005.107.620.541.335.126.091.7321.365

X3.008.004.3422.092.047.340.393.308.8121.232

X4.008.003.4923.140.004.453.540.462.8821.134

X5.007.004.2651.696.103.370.327.250.8901.123

a. Dependent Variable: y

Dari perhitungan menggunakan program SPSS didaptkan Tabel seperti diatas. Untuk setiap konstanta dan variabel diatas seluruhnya nilai VIF < 10, maka dikatakan tidak terjadi kasus multikolinearitas.

f. Uji Koefisien

Coefficientsa

ModelUnstandardized CoefficientsStandardized CoefficientstSig.CorrelationsCollinearity Statistics

BStd. ErrorBetaZero-orderPartialPartToleranceVIF

1(Constant)1.032.5132.012.056

X1-.002.004-.086-.543.592-.081-.110-.080.8631.159

X2.003.005.107.620.541.335.126.091.7321.365

X3.008.004.3422.092.047.340.393.308.8121.232

X4.008.003.4923.140.004.453.540.462.8821.134

X5.007.004.2651.696.103.370.327.250.8901.123

a. Dependent Variable: y

Uji Hipotesis:H0 : 0 = 0 (model bersifat konstan )H1 : 0 0 (model bersifat linier )Berdasarkan nilai tabel diatas didapat nilai sig. koef konstantanya adalah 0,056 > 0,05. Berarti nilai sig. konstantanya tak berarti. Dan nilai sig. dari variabel bebas yang memenuhi ( < 0,05 ) hanya nilai sig. dari X3 = 0,047 dan X4 = 0,004.Untuk itu kita akan menyeleksi variabel bebas mana yang masuk kedalam model. Maka kita akan meng-stepwisekan model regresi linier diatas.Berdasarkan tabel setelah stepwise didapat nilai sig. untuk koefisiennya adalah:

Coefficientsa,b

ModelUnstandardized CoefficientsStandardized CoefficientstSig.CorrelationsCollinearity Statistics

BStd. ErrorBetaZero-orderPartialPartToleranceVIF

1X2.037.001.99344.335.000.993.993.9931.0001.000

2X2.020.004.5504.504.000.993.648.084.02442.513

X5.018.005.4483.673.001.992.570.069.02442.513

3X2.013.004.3493.001.006.993.500.047.01855.142

X5.015.004.3883.747.001.992.585.059.02343.668

X4.010.003.2673.612.001.984.571.057.04522.329

4X2.005.004.1451.193.244.993.228.016.01378.881

X5.010.004.2662.688.012.992.466.037.01952.170

X4.011.002.2844.375.000.984.651.060.04422.488

X3.011.004.3113.058.005.991.514.042.01855.427

5X5.012.004.3103.353.002.992.542.046.02244.876

X4.012.002.3185.435.000.984.723.075.05518.039

X3.014.003.3784.406.000.991.647.061.02638.746

a. Dependent Variable: yb. Linear Regression through the Origin

Berdasarkan tabel stepwise diatas terlihat bahwa variabel bebas yang cocok untuk model adalah Model Pertama yaitu X2 saja. Ini terlihat dari nilai signifikan dari masing-masing variabelnya. Namun apabila kita memakai variabel lain kita akan mendapatkan kasus multikolinearitas yang besar ( nilai VIF > 10 ).Maka variabel terbaik yang cocok untuk dipakai pada model adalah hanya X2. Berdasarkan nilai tabel diatas didapat nilai sig. koef (0,000) < (0,05). Dan nilai t-tabel untuk n=30 adalah 2,042 < t-hitung 44,35 Sehingga H0 ditolak.

Jadi model yang kita pakai sudah berdistribusi linier. Dengan nilai-nilai koefisien 1 = 0,037. Sehingga persamaan model regresinya adalah : = 0,037X.

g. Uji koefisien determinasi korelasi

Model Summaryg,h

ModelRR SquarebAdjusted R SquareStd. Error of the EstimateChange StatisticsDurbin-Watson

R Square ChangeF Changedf1df2Sig. F Change

1.993a.985.985.35622.9851965.604129.000

2.995c.990.989.29781.00513.491128.001

3.997d.993.993.24903.00313.044127.001

4.998e.995.994.21763.0029.353126.005

5.997f.995.994.21933.0001.424126.2442.001

a. Predictors: X2b. For regression through the origin (the no-intercept model), R Square measures the proportion of the variability in the dependent variable about the origin explained by regression. This CANNOT be compared to R Square for models which include an intercept.c. Predictors: X2, X5d. Predictors: X2, X5, X4e. Predictors: X2, X5, X4, X3f. Predictors: X5, X4, X3g. Dependent Variable: yh. Linear Regression through the Origin

Berdasarkan perhitungan menggunakan program SPSS didapatkan tabel seperti diatas, didapatkan R2 sebesar 0,989. Jadi metode pemasaran melaui harga jual produk mempengaruhi keputusan konsumen untuk membeli produk detergen bermerk A sebsar 98,9%.