tugas 10.docx
TRANSCRIPT
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%.