LAPORAN AKHIR

PRAKTIKUM STATISTIKA INFERENSIA

Disusun Oleh:

Kelompok/ Kelas : 2 (Dua)/ 2ID01

Nama Anggota/ NPM : 1. Dela Agustin / 30421346
2. Fitria Puji Astuti / 30421531
3. Gandy Frans Metias / 30421540
4. Putri Imelda Ayu Utami/ 31421188
5. Valendra Anjasmoro / 31421495
Modul : Regresi
Asisten Pembimbing : Fadly Nur Fadlyansyah

LABORATORIUM TEKNIK INDUSTRI DASAR

JURUSAN TEKNIK INDUSTRI
FAKULTAS TEKNOLOGI INDUSTRI
UNIVERSITAS GUNADARMA
DEPOK
2022
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Perusahaan merupakan sebuah tempat terjadinya kegiatan produksi suatu
barang atau jasa. Setiap perusahaan pastinya memiliki begitu banyak tujuan untuk
dicapai. Tujuan utama dari suatu perusahaan adalah mendapatkan laba atau
keuntungan semaksimal mungkin. Perkembangan zaman yang semakin hari
semakin canggih memasuki era industri 5.0, membuat perusahaan dituntut untuk
terus berinovasi dalam memenuhi kebutuhan masyarakat dan dalam produksinya
dapat dilakukan secara efektif dan efesien, agar perusahaan dapat bersaing dengan
tetap menjaga kualitas perusahaan. Namun, perusahaan sering kali menemukan
masalah dimana perusahaan belum mengetahui seberapa besar pengaruh antara
satu atau beberapa variabel bebas terhadap variabel terikat, serta harus mampu
memprediksi seberapa besar pengaruh perubahaan nilai dari variabel terikat
apabila variabel bebas mengalami perubahan. Permasalahan ini dapat diatasi
dengan menggunakan ilmu statistika, yaitu regresi.
Berdasarkan permasalahan tersebut solusi yang dibutuhkan yaitu dengan
menggunakan ilmu statistika. Ilmu statistika merupakan ilmu pengetahuan
mengenai suatu metode untuk mengumpulkan, menyajikan, mengolah,
menganalisis data, menarik kesimpulan, dan membuat keputusan berdasarkan
analisis yang dilakukan dengan alasan yang kuat. Ilmu statistika yang akan
digunakan yaitu statistika inferensia. Statistika inferensia adalah statistika yang
digunakan untuk menganalisis data sampel yang dipilih secara acak dan hasilnya
akan digeneralisasikan terhadap populasi yang bersangkutan. Regresi adalah suatu
metode analisis didalam ilmu statistika yang biasa digunakan untuk melihat
pengaruh antara dua atau banyak variabel. Analisis regresi digunakan untuk
melakukan prediksi atau peramalan dalam jangka waktu yang panjang. Oleh
karena itu, PT Rhapsody yang bergerak di bidang industri manufaktur ingin
mengetahui seberapa besar waktu operasional jika jumlah permintaan produk
mengalami perubahan selama 36 bulan dengan menggunakan metode regresi.
 Regresi diaplikasikan pada perusahaan dengan harapan dapat membantu PT
Rhapsody untuk memprediksi nilai variabel waktu operasional (Y) jika nilai
variabel jumlah permintaan produk (X) mengalami perubahan, sehingga
perusahaan bisa mengontrol varibel-variabel tersebut dan dapat membantu
mengambil keputusan yang tepat terkait dengan variabel-variabel yang telah diuji,
agar dapat memprediksi untuk mengambil keputusan terbaik dalam
memaksimalkan jumlah permintaan produk yang dihasilkan.

1.2 Tujuan Penulisan

Tujuan penulisan merupakan suatu indikasi yang menunjukkan maksud dan
informasi-informasi yang ingin dicapai dari penulisan sebuah laporan. Berikut
adalah tujuan dari penulisan laporan akhir modul regresi.
1. Mengetahui persamaan garis linear regresi antara variabel jumlah permintaan
produk (X) dengan variabel waktu operasional (Y) selama 36 bulan.
2. Mengetahui hasil pendugaan dari waktu operasional (Y) yang dihasilkan
apabila jumlah permintaan produk (X) yang didapat sebanyak 2500 unit,
3000 unit, dan 3500 unit.
 BAB II
LANDASAN TEORI

2.1 Pengertian Regresi

Analisis regresi merupakan sebuah cara sederhana dalam melakukan
investigasi mengenai relasi fungsional antara variabel-variabel berbeda. Relasi
antara variabel tersebut dituliskan dalam sebuah model matematika. Terdapat dua
bagian variabel pada model regresi yakni, variabel respon (response) dan variabel
bebas (independent variable). Variabel respon memiliki nama lain variabel
bergantung atau dependent variable, sedangkan variabel bebas memiliki nama
lain variabel penduga atau predictor variable atau variabel eksplonari (Nawari,
2010).
Regresi termasuk dalam alat ukur yang dipakai untuk mengukur keberadaan
korelasi antar-variabel. Regresi diartikan sebagai ramalan atau taksiran. Analisis
regresi bisa menganalisa korelasi secara lebih akurat sebab dalam analisis regresi
sukar menunjukkan tingkat perubahan sebuah variabel pada variabel lainnya bida
ditentukan (slope). Analisis regresi bisa memprediksi atau meramal nilai variabel
bebas dengan lebih akurat. Regresi linear merupakan regresi dimana variabel
bebas (variabel X) memiliki pangkat tertinggi satu (Hasan, 2008).
Analisis regresi digunakan untuk mengukur kekuatan hubungan antara dua
variabel atau lebih, juga menunjukan arah hubungan antara variabel dependen
dengan independen. Regresi adalah ilmu statistik yang mempelajari hubungan
antara dua atau lebih variabel yang dinyatakan dalam bentuk persamaan
matematik dengan tujuan mengukur intensitas hubungan antar variabel yang
didapatkan dari perkiraan atau prediksi terhadap nilai X dan nilai Y (Ghozali,
2013).

2.2 Jenis-Jenis Pola Data

Pola merupakan bentuk atau model yang memiliki keteraturan, baik dalam
desain maupun gagasan abstrak (Ninuk, 2013). Data merupakan bahan mentah
yang perlu diolah sehingga menghasilkan informasi atau keterangan, baik
kualitatif maupun kuantitatif yang menunjukkan fakta (Juliandi, Irfan, &
Manurung, 2014). Berikut adalah jenis-jenis pola data yang digunakan.
1. Pola Data Stasioner
Jenis pola data yang pertama yaitu data stasioner. Menurut Makridakis (1999),
pola data stasioner adalah pola yang terjadi jika data berfluktuasi di sekitar
nilai rata-rata yang konstan. Data stasioner adalah fluktuasi data yang relatif
konstan meskipun terdapat kenaikan atau penurunan, namun jika direrata
masih dalam titik rata-rata. Berikut adalah gambar 2.1 pola data stasioner atau
horizontal (Firdaus, 2006).

Gambar 2.1 Pola Data Stasioner (Firdaus, 2006)

2. Pola Data Musiman
Jenis pola data yang kedua yaitu data musiman. Data musiman merupakan
pola data yang terjadi jika suatu deret data yang dipengaruhi oleh faktor
musiman (Raharja, Angraeni, & Vitrianti, 2010). Pola data musiman adalah
fluktuasin data yang berulang setiap beberapa periode tertentu, setiap hari,
minggu, bahkan bulan. Oleh karena itu, dapat disimpulkan bahwa pola data
musiman adalah pola data yang terjadi akibat faktor musiman yang
mengakibatkan fluktuasi data berulang pada periode tertentu. Berikut adalah
gambar 2.2 pola data musiman (Firdaus, 2006).

Gambar 2.2 Pola Data Musiman (Firdaus, 2006)

3. Pola Data Siklus
Pola data ketiga yaitu pola data siklus. Pola data siklus terjadi jika variasi data
bergelombang pada durasi lebih dari satu tahun yang dipengaruhi oleh faktor
politik, perubahan ekonomi yang dikenal dengan siklus usaha, (Makridakis,
1999) data siklis merupakan data musiman namun dalam jangka panjang
yang berulang dengan jarak waktu lima sampai sepuluh tahun. Berikut adalah
gambar 2.3 pola data siklis (Firdaus, 2006).

Gambar 2.3 Pola Data Siklis (Firdaus, 2006)

4. Pola Data Trend
Pola data keempat yaitu pola data trend. Data trend merupakan pola yang
menunjukan adanya pergerakan data yang cenderung meningkat dan juga
menurun dalam kurun waktu yang lama. Oleh karena itu, dapat disimpulkan
bahwa pola data trend merupakan kenaikan dan penurunan data yang terjadi
dalam kurun waktu yang lama. Berikut adalah gambar 2.4 pola data trend
(Makridakis & dkk, 1999).

Gambar 2.4 Pola Data Trend (Makridakis, 1999)

2.3 Pengertian Regresi Linear

Regresi Linear merupakan suatu regresi linear yang digunakan untuk
mengestimasi atau memprediksi hubungan antara dua variabel dalam penelitian
kuantitatif yaitu antara variabel bebas (X) dengan satu variabel terikat (Y),
menurut ahli regresi sederhana didasarkan pada hubungan fungsional ataupun
kausal satu variabel indpendent dengan satu variabel dependent. Berikut adalah
rumus 2.1 dari regresi linear sederhana (Sugiyono, 2014).
Y = a + bX……………………………………………………………...…(2.1)
Keterangan:
a = konstanta (titik potong Y/ intersep)
b = koefisien dari variabel X (slope)
Y = variabel dependent
X = variabel independent
1. Nilai Slope
Nilai slope merupakan keadaan dimana terdapat bidang atau permukaan yang
tidak rata, disebabkan adanya bagian yang lebih tinggi dan ada bagian yang
lebih rendah. Nilai slope merupakan suatu nilai yang menunjukkan seberapa
besar kontribusi (sumbangan) yang diberikan suatu variabel X terhadap
variabel Y. Nilai slope dapat pula diartikan sebagai rata-rata pertambahan
(atau pengurangan) yang terjadi pada variabel Y untuk setiap peningkatan
satu satuan variabel X. Berikut adalah rumus perhitungan 2.2 dari nilai slope
(Hasan, 2002).

Keterangan:
b = koefisien dari variabel X (slope)
n = jumlah data
Y = variabel dependent
X = variabel independent
2. Nilai Intersep
Nilai Intersep dapat didefinisikan secara matematis yaitu suatu titik
perpotongan antara suatu garis dengan sumbu Y pada diagram saat nilai X =
0. Definisi secara statistika adalah nilai rata-rata pada variabel Y apabila nilai
pada variabel X bernilai 0. Berikut adalah rumus perhitungan 2.3 dari nilai
intersep (Hasan, 2002).
 Keterangan:
a = konstanta (titik potong Y/ intersep)
n = jumlah data
Y = variabel dependent
X = variabel independent

2.4 Asumsi Klasik Regresi

Asumsi klasik terhadap model regresi linier yang digunakan dilakukan agar
dapat diketahui apakah model regresi baik atau tidak. Tujuan pengujian asumsi
klasik ialah untuk memberikan kepastian bahwa persamaan regresi yang diperoleh
memiliki ketepatan dalam estimasi, tidak bias, dan konsisten. Pengujian asumsi
dilakukan sebelum melakukan analisis regresi. Asumsi-asumsi yang harus
dipenuhi dalam analisis regresi antara lain sebagai berikut.
1. Uji Normalitas
Uji normalitas dilakukan untuk menguji apakah pada suatu model regresi,
suatu variabel independen dan variabel dependen ataupun keduanya
mempunyai distribusi normal atau tidak normal. Jika suatu variabel tidak
berdistribusi secara normal, maka hasil uji statistik akan mengalami
penurunan (Ghozali, 2016).
2. Uji Homoskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi
terjadi ketidaksamaan variansi dari residual satu pengamatan ke pengamatan
lain (Ghozali, 2013). Pengujian heteroskedastisitas dilakukan dengan
menggunakan uji Glejser. Nilai residual uji Glejser absolut diregresi dengan
variabel independent (Gujarati, 2003).
3. Uji Non Autokorelasi
Salah satu asumsi penting dari regresi linear adalah tidak ada autokorelasi
antara serangkaian pengamatan yang diurutkan menurut waktu. Uji
autokorelasi bertujuan menguji apakah dalam model regresi linear terdapat
 korelasi antara kesalahan pengganggu pada periode t dengan kesalahan
pengganggu pada periode t-1 atau periode sebelumnya (Ghozali, 2013).
4. Uji Non Multikolinieritas
Uji multikolinearitas bertujuan untuk menguji apakah model regresi
ditemukan adanya korelasi antar variabel bebas. Metode yang dapat
digunakan untuk menguji terjadinya multikolinieritas dapat dilihat dari
matriks korelasi variabel- 55 variabel bebas. Jika antar variabel bebas terdapat
korelasi yang cukup tinggi atau korelasi di atas 0,90, maka hal ini adalah
indikasi adanya multikolinieritas pada matriks korelasi. Terjadi
multikolinearitas juga dapat dilihat nilai tolerance dan variance inflation
factor (VIF). Batas dari nilai tolerance adalah kurang dari sama dengan 0,10
(≤ 0,10) atau nilai VIF lebih dari sama dengan 10 (≥ 10) (Ghozali, 2013).
5. Uji Linearitas
Salah satu asumsi dari analisis regresi adalah linearitas. Uji linearitas
bertujuan untuk melihat garis regresi antara X dan Y membentuk garis linear
atau tidak. Jika garis regresi tidak membentuk garis linear, maka analisis
regresi tidak dapat dilanjutkan.

2.5 Penyimpangan Asumsi Dasar

Penyimpangan terhadap asumsi-asumsi dasar dalam regresi akan
menimbulkan beberapa masalah, seperti kesalahan standar untuk masing-masing
koefisien yang dapat mempengaruhi variabel bebas dan tidak dapat dideteksi,
sehingga mengakibatkan nilai koefisiennya menjadi kurang akurat. Berikut adalah
beberapa penyimpangan asumsi dasar (Hasan, 2008).
1. Heteroskedastisitas
Heteroskedastisitas muncul apabila error atau residual dari model yang
diamati tidak memiliki varian yang konstan dari satu observasi ke observasi
lainnya. Variasi atau varians variabel tidak sama untuk semua pengamatan.
Kesalahan yang tidak random (acak) tetapi menunjukkan hubungan yang
sistematis sesuai dengan besarnya satu atau lebih variabel bebas pada
heteroskedastisitas (Hasan, 2008).
2. Autokorelasi
Autokorelasi berarti terdapatnya korelasi antar anggota sampel atau data
pengamatan yang diurutkan berdasarkan waktu, sehingga munculnya suatu
datum dipengaruhi oleh datum sebelumnya. Uji autokorelasi bertujuan untuk
menguji apakah dalam model regresi linear terdapat korelasi antar error satu
dengan error yang lain (Hasan, 2008).
3. Multikolinieritas
Uji multikolinieritas terjadi hanya pada regresi ganda. Model regresi yang
baik seharusnya tidak terjadi korelasi yang tinggi diantara variabel bebas.
Pengujian multikolinearitas bertujuan untuk mengetahui apakah model
regresi ditemukan adanya korelasi antar variabel independent atau variabel
bebas. Efek dari multikolinearitas ini adalah menyebabkan tingginya variabel
pada sampel. Hal tersebut berarti standar error besar, akibatnya ketika
koefisien diuji, thitung akan bernilai kecil dari ttabel. Hal ini menunjukkan tidak
adanya hubungan linear antara variabel independent yang dipengaruhi dengan
variabel dependent (Ghozali, 2016).
 BAB III
PEMBAHASAN DAN ANALISIS

3.1 Studi Kasus

PT Rhapsody merupakan salah satu perusahaan yang bergerak di bidang
industri otomotif yang memproduksi ban sepeda motor. PT Rhapsody selalu
mendapati jumlah permintaan produk yang tidak menentu setiap bulannya. Oleh
karena itu, perusahaan memutuskan melakukan prediksi atau peramalan untuk
mengambil keputusan yang tepat agar dapat mengoptimalkan waktu operasional
dalam proses produksi, sehingga dicapai proses produksi yang efektif dan efisien
dengan tetap menjaga kualitas hasil produksi. Perusahaan memutuskan melakukan
penelitian untuk mengetahui seberapa besar pengaruh jumlah permintaan produk
(X) terhadap waktu operasional (Y). Maka dari itu, perusahaan melakukan
pengamatan selama 36 bulan. Berikut ini merupakan data yang diperoleh PT
Rhapsody dengan pengamatan yang dilakukan selama 36 bulan.
Tabel 3.1 Data Pengamatan
Bulan Jumlah Permintaan Produk Waktu Operasional
Ke- (Unit) (Jam)
1 1620 63
2 1850 72
3 2220 79
4 2855 93
5 1970 76
6 2750 90
7 1890 74
8 2350 83
9 2750 95
10 2000 75
11 1750 69
12 2600 89
13 2300 82
14 1800 70
15 2100 78
16 2670 88
17 2900 98
18 1730 65
19 2470 84
20 2680 93
21 1710 64
22 2360 81
23 2520 87
24 2980 99
 Tabel 3.1 Data Pengamatan (Lanjutan)
Bulan Jumlah Permintaan Produk Waktu Operasional
Ke- (Unit) (Jam)
25 1925 70
26 2620 91
27 2120 79
28 2450 86
29 2900 97
30 2100 76
31 1745 67
32 1885 71
33 2490 89
34 2880 95
35 2330 79
36 3100 100
Berdasarkan tabel pengamatan yang dilakukan selama 36 bulan tersebut,
didapatkan data jumlah permintaan produk dan data waktu operasional. PT
Rhapsody dalam hal ini ingin mengetahui:
1. Persamaan garis linear regresi.
2. Pendugaan waktu operasional (Y) yang dibutuhkan jika jumlah permintaan
produk (X) yang didapatkan sebagai berikut.
a. Jumlah permintaan produk sebanyak 2000 unit
b. Jumlah permintaan produk sebanyak 2500 unit
c. Jumlah permintaan produk sebanyak 3000 unit

3.2 Pengujian Data

Pengujian data adalah proses identifikasi bisa atau tidaknya data untuk
digunakan di sebuah perhitungan. Pengujian data bertujuan untuk mengetahui
seberapa akurat data tersebut. Berikut ini adalah langkah pembuatan diagram
scatter menggunakan Microsoft Excel 2016.
Langkah pertama adalah membuka Microsoft Excel 2016, kemudian setelah
Microsoft Excel 2016 terbuka mengeklik blank workbook yang berada di halaman
awal ketika membuka Microsoft Excel 2016. Isi kolom menggunakan data
pengamatan yang akan diuji menggunakan diagram scatter pada blank workbook.
Berikut adalah gambar 3.1 dari data pengamatan.
 Gambar 3.1 Data pengamatan
Langkah kedua adalah select seluruh data pengamatan dan mengeklik tabel
insert. Selanjutnya, memilih menu charts pilih berjudul scatter. Berikut adalah
gambar 3.2 insert scatter.

Gambar 3.2 Insert scatter

Kemudian diagram scatter akan muncul. Berikut adalah contoh diagram
scatter yang PT Rhapsody buat untuk menguji data yang diperoleh selama 36
bulan. Berikut adalah 3.3 gambar diagram scatter.
 Gambar 3.3 Diagram scatter
Diagram scatter adalah sebuah gambaran grafik yang terdiri dari sekumpulan
titik dari nilai variabel X dan nilai variabel Y. Diagram scatter atau diagram sebar
merupakan grafik yang menampilkan hubungan antara dua variabel terkait
kekuatan hubungan dari kedua variabel tersebut. Diagram ini juga dapat
menentukan jenis hubungan yang terjadi, apakah hubungan tersebut adalah
hubungan positif, hubungan negatif, atau tidak ada hubungan sama sekali.
Hasil diagram scatter tersebut merupakan pola data trend naik, kerena terus
mengalami kenaikan data dalam jangka waktu yang lama. Data pengamatan
tersebut menunjukkan frekuensi jumlah permintaan produk (X) dengan waktu
operasional (Y) menunjukkan korelasi yang positif dan memiliki keeratan antara
kedua variabel.

3.3. Pengolahan Data

Data merupakan nilai yang merepresentasikan suatu fakta atau objek yang
dinyatakan dengan grafik, angka, huruf, dan sebagainya. Pengolahan data
merupakan kegiatan pengumpulan dan perhitungan data, sehingga nilai suatu data
yang diproses akan menghasilkan suatu informasi yang bermanfaat. Pengolahan
data kali ini akan menggunakan dua metode, yaitu metode perhitungan manual
dan pengolahan software.
3.3.1 Perhitungan Manual
Perhitungan manual merupakan suatu metode perhitungan dengan proses
bertahap yang digunakan untuk menghitung suatu data dalam bentuk manual guna
mendapatkan hasil yang jelas. Perhitungan manual dapat dilakukan secara sendiri
ataupun dengan adanya bantuan berupa kalkulator. Dibutuhkan ketelitian pada
perhitungan manual dikarenakan banyaknya data yang harus diolah. Terdapat
permisalan yaitu jumlah permintaan produk (variabel bebas) dimisalkan dengan X
dan waktu operasional (variabel terikat) dimisalkan dengan Y. Berikut ini tabel
data perhitungan manual.
Variabel bebas (X) = jumlah permintaan produk
Variabel terikat (Y) = waktu operasional
Tabel 3.2 Data Perhitungan Manual
Bulan
X Y X2 XY
Ke-
1 1620 63 2624400 102060
2 1850 72 3422500 133200
3 2220 79 4928400 175380
4 2855 93 8151025 265515
5 1970 76 3880900 149720
6 2750 90 7562500 247500
7 1890 74 3572100 139860
8 2350 83 5522500 195050
9 2750 95 7562500 261250
10 2000 75 4000000 150000
11 1750 69 3062500 120750
12 2600 89 6760000 231400
13 2300 82 5290000 188600
14 1800 70 3240000 126000
15 2100 78 4410000 163800
16 2670 88 7128900 234960
17 2900 98 8410000 284200
18 1730 65 2992900 112450
19 2470 84 6100900 207480
20 2680 93 7182400 249240
21 1710 64 2924100 109440
22 2360 81 5569600 191160
23 2520 87 6350400 219240
24 2980 99 8880400 295020
25 1925 70 3705625 134750
26 2620 91 6864400 238420
27 2120 79 4494400 167480
28 2450 86 6002500 210700
29 2900 97 8410000 281300
30 2100 76 4410000 159600
31 1745 67 3045025 116915
 Tabel 3.2 Data Perhitungan Manual (Lanjutan)
Bulan
X Y X2 XY
Ke-
32 1885 71 3553225 133835
33 2490 89 6200100 221610
34 2880 95 8294400 273600
35 2330 79 5428900 184070
36 3100 100 9610000 310000
∑ 83370 2947 199547500 6985555
Berdasarkan tabel 3.2 di atas, tabel tersebut akan membantu perhitungan
dari persamaan garis linear regresi. Variabel X mewakili jumlah permintaan
produksi dan variabel Y mewakili waktu operasional. Berikut perhitungan
persamaan garis linear regresi dan perhitungan pendugaan hasil.
1. Persamaan garis linear regresi
Regresi linear digunakan untuk mengetahui adanya hubungan antara
variabel bebas (X) dengan satu variabel terikat (Y). Menurut Sugiyono
(2014), regresi sederhana didasarkan pada hubungan fungsional ataupun
kausal satu variabel indpendent dengan satu variabel dependent dengan
rumus Y = a + bX untuk mendapatkan hasil dari persamaan garis linear
regresi yang harus terlebih dahulu dilakukan yaitu mencari nilai a dengan
menggunakan perhitungan intersep dan nilai b dengan menggunakan
perhitungan slope. Definisi nilai intersep secara matematis adalah suatu titik
perpotongan antara suatu garis dengan sumbu Y pada diagram saat nilai X =
0. Definisi secara statistika adalah nilai rata-rata pada variabel Y apabila
nilai pada variabel X bernilai 0. Konsep statistika menjelaskan pengertian
slope adalah suatu nilai yang menunjukkan seberapa besar kontribusi
(sumbangan) yang diberikan suatu variabel X terhadap variabel Y. Nilai
slope dapat pula diartikan sebagai rata-rata pertambahan atau pengurangan
yang terjadi pada variabel Y untuk setiap peningkatan satu satuan variabel X.
Berikut adalah nilai intersep dan nilai slope yang diperoleh.
a. Nilai Intersep
Berikut adalah perhitungan untuk menentukan nilai intersep:
 a = 24,364
Nilai koefisien intersep (a) pada perhitungan di atas dapat diartikan
sebagai nilai rata-rata waktu operasional (Y). Apabila jumlah permintaan
produk (X) 0, maka waktu operasional (Y) yang dilakukan yaitu sebesar
24,364. Konstanta bernilai positif yang berarti terjadi hubungan searah
antara jumlah permintaan produk dan waktu operasional.
b. Nilai Slope
Berikut adalah perhitungan untuk menentukan nilai slope:

b = 0,024
Nilai koefisien slope (b) pada perhitungan di atas dapat diartikan sebagai
nilai rata-rata pertambahan yang terjadi pada waktu operasional (Y)
untuk setiap peningkatan satuan variabel X dikalikan sebesar 0,024 1
satuan.
c. Persamaan Garis Linear Regresi
Berikut adalah perhitungan untuk menentukan persamaan garis linear
regresi setelah diperoleh nilai intersep dan nilai slope:
Y=a+bX
Y = 24,364 + 0,024 X
 Persamaan garis linear regresi dapat dilihat bahwa koefisien regresi
variabel jumlah permintaan produk (X) adalah positif bernilai sebesar
24,364 dan variabel waktu operasional (Y) adalah posisif bernilai sebesar
0,024. Kedua koefisien tersebut bernilai positif yang berarti jika jumlah
permintaan produk bertambah, maka waktu operasional yang diperlukan
juga akan bertambah.
2. Pendugaan hasil
Pendugaan adalah metode yang dilakukan untuk mengetahui di sekitar
berapa nilai-nilai karateristik suatu populasi terletak dengan menggunakan
nilai-nilai karateristik sampel. Berdasarkan hasil perhitungan di atas,
didapatkan persamaan garis linear regresinya adalah Y = 24,364 + 0,024 X.
Persamaan garis linear regresi ini akan digunakan untuk menduga hasil
waktu operasional yang dihasilkan, jika jumlah permintaan produk sebanyak,
2500 unit, 3000 unit, dan 3500 unit. Berikut adalah perhitungan nilai
pendugaan menggunakan persamaan garis linear regresi, jika:
a. Jumlah permintaan produk 2500 unit
Berikut perhitungan untuk menduga hasil waktu operasional yang
dihasilkan, jika jumlah permintaan produk sebanyak 2500 unit.
Y=a+bX
Y = 24,364 + 0,024 X
Y = 24,364 + 0,024 (2500)
Y = 24,364 + 60
Y = 84,364 ≈ 85 Jam
Berdasarkan perhitungan pendugaan waktu operasional di atas, jika
jumlah permintaan produk sebanyak 2500 unit maka waktu operasional
yang akan dilakukan yaitu selama 85 jam.
b. Jumlah permintaan produk 3000 unit
Berikut perhitungan untuk menduga hasil waktu operasional yang
dihasilkan, jika jumlah permintaan produk sebanyak 3000 unit.
Y=a+bX
Y = 24,364 + 0,024 X
 Y = 24,364 + 0,024 (3000)
Y = 24,364 + 72
Y = 96,364 ≈ 97 Jam
Berdasarkan perhitungan pendugaan waktu operasional di atas, jika
jumlah permintaan produk sebanyak 3000 unit maka waktu operasional
yang akan dilakukan yaitu selama 97 jam.
c. Jumlah permintaan produk 3500 unit
Berikut perhitungan untuk menduga hasil waktu operasional yang
dihasilkan, jika jumlah permintaan produk sebanyak 3500 unit.
Y=a+bX
Y = 24,364 + 0,024 X
Y = 24,364 + 0,024 (3500)
Y = 24,364 + 84
Y = 108,364 ≈ 109 Jam
Berdasarkan perhitungan pendugaan waktu operasional di atas, jika
jumlah permintaan produk sebanyak 3500 maka waktu operasional yang
akan dilakukan yaitu selama 109 jam.

3.3.2 Pengolahan Software

Pengolahan data pada zaman sekarang dipermudah dengan adanya software,
sama halnya dengan menganalisis data, baik itu data kualitatif maupun data
kuantitatif. Salah satu software yang bisa digunakan untuk mengolah data dan
menganalisis data yaitu SPSS (Statistical Package for the Social Sciences).
Software yang digunakan untuk mengolah data yaitu SPSS 16.0. Berikut langkah-
langkah penggunaan SPSS 16.0 dalam pengolahan data (IBM, 2018).
Langkah pertama yang harus dilakukan setelah mengunduh aplikasi SPSS
16.0 yaitu membuka aplikasinya dan setelah terbuka, mengeklik mode type in
data. Jika sudah muncul kolom tabel, mengeklik lembar variable view di bawah
kiri tabel SPSS dan mengisi kolom pada baris pertama dengan Bulan_Ke, baris
kedua dengan variabel X yaitu Jumlah_Permintaan_Produk, serta baris ketiga
dengan variabel Y yaitu Waktu_Operasional. Bagian decimal angka diubah
menjadi 0 dan mengubah measure di kolom pertama dari scale menjadi nominal.
Berikut adalah gambar 3.4 variable view.

Gambar 3.4 Variable View

Langkah kedua yaitu kembali ke lembar data view yang berada di bawah
kiri tabel kemudian memasukkan 36 data pada kolom Bulan_Ke,
Jumlah_Permintaan_Produk, dan Waktu_Operasional. Berikut adalah gambar 3.5
data view.

Gambar 3.5 Data View

Langkah ketiga yaitu mencari nilai regresi linear sederhana antara jumlah
permintaan produk dan waktu operasional selama 36 bulan dengan memilih
analyze pada bagian menu kemudian memilih regression dan linear. Berikut
adalah gambar 3.6 analyze-regression-linear.

Gambar 3.6 Analyze-Regression-Linear

Langkah keempat, memasukkan variabel X (Jumlah_Permintaan_Produk)
pada kolom independent, variabel Y (Waktu_Operasional) pada kolom dependent,
dan Bulan_Ke pada kolom case labels. Berikut adalah gambar 3.7 linear
regression.
 Gambar 3.7 Linear Regression
Langkah kelima, memindahkan variabel yang akan dihitung ke sebelah
kanan, mengeklik statistic dan mencentang kolom estimates, model fit,
descriptives pada regression coefficient. Mencentang bagian kolom residuals
untuk Durbin-Watson dan memilih all cases pada casewise diagnostics.
Mengeklik continue untuk melanjutkan ke proses selanjutnya. Berikut adalah
gambar 3.8 linear regression statistics.

Gambar 3.8 Linear Regression Statistics

Langkah keenam, pada bagian plots memasukkan *SDRESID untuk
variabel Y dan *ZPRED untuk variabel X pada scatter 1. Mengeklik normal
probability plot pada standardized residual plots. Berikut adalah gambar 3.9
linear regression plot-scatter 1.

Gambar 3.9 Linear Regression Plots-Scatter 1

 Langkah ketujuh, mengeklik next dan pada bagian plots scatter 2 of 2,
mengeklik *ZPRED untuk variabel Y dan DEPENDNT untuk variabel X.
Mengeklik normal probability plot pada standardized residual plots dan
mengeklik continue untuk tahap selanjutnya. Berikut adalah gambar 3.10 linear
regression plot-scatter 2.

Gambar 3.10 Linear Regression Plots-Scatter 2

Langkah kedelapan, mengeklik options untuk mengatur use probability
entry .05 dan removal .10 pada bagian stepping method criteria. Setelah itu,
mengeklik include constant in equation dan pada bagian missing values
mengeklik exclude cases listwise. Mengeklik continue untuk ke tahap selanjutnya.
Berikut adalah gambar 3.11 linear regression options.

Gambar 3.11 Linear Regression Options

Setelah semua tahap dilakukan, langkah selanjutnya adalah mengeklik OK
untuk melihat hasil dari linear regression. Berikut adalah gambar 3.12 kotak
dialog hasil akhir linear regression.
 Gambar 3.12 Hasil Akhir Linear Regression
Output pertama yaitu descriptive statistics yang memberikan informasi
mean, std. deviation, dan N (jumlah data). Hasil output regresi dari waktu
operasional menunjukkan mean 81.86, std. deviation 10,829, dan N 36, sedangkan
jumlah permintaan produk menunjukkan nilai mean sebesar 2315.83, std.
deviation 430.165, dan N 36. Output descriptive statistics merupakan
penggambaran data yang telah dikumpulkan. mean adalah hasil rata-rata dari
variabel tersebut, std. deviation menunjukkan jarak sebaran data secara umum
terhadap mean dan N adalah jumlah data suatu variabel. Berikut adalah gambar
3.13 descriptive statistics.

Gambar 3.13 Descriptive Statistics

Output kedua yaitu correlations. Correlations adalah tabel output yang
menunjukkan korelasi atau hubungan antara variabel jumlah permintaan produk
dengan waktu operasional. Tabel correlations menampilkan pearson correlation,
sig. (1-tailed), dan N. Berikut adalah gambar 3.14 correlations.

Gambar 3.14 Correlations

 Output ketiga yaitu variable entered/ removed. Output ini adalah tabel
output yang menjelaskan tentang variabel yang dimasukkan serta metode yang
digunakan. Variabel yang dimasukkan pada studi kasus ini yaitu variabel jumlah
permintaan produk sebagai varibel independent, waktu operasional sebagai
variabel dependent dan metode yang digunakan adalah metode enter. Berikut
adalah gambar 3.15 variables entered/ removed.

Gambar 3.15 Variables Entered/ Removed

Output keempat adalah model summary yang memberitahukan informasi
kumpulan keeratan hubungan antara model dan variabel dependent yaitu waktu
operasional, menunjukkan R sebesar 0.986, R square sebesar 0.973, adjusted R
square sebesar 0.972, std. error of the estimate sebesar 1.817, dan Durbin-Watson
sebesar 2.378. Berikut adalah gambar 3.16 model summary.

Gambar 3.16 Model Summary

Output kelima adalah tabel coefficients. Coefficients constant pada model 1
menunjukkan nilai variabel yang konsisten yaitu nilai intersep sebesar 24.365 dan
nilai slope sebesar 0.025. Berikut adalah gambar 3.17 output coefficients.

Gambar 3.17 Coefficients

Output keenam adalah casewise diagnostic dengan jumlah data sebanyak 36
bulan (3 tahun). Tabel casewise diagnostic terdiri dari Bulan_Ke, std. residual,
waktu operasional, predicted value dan residual. Berikut adalah gambar 3.18
casewise diagnostics.

Gambar 3.18 Casewise Diagnostics

Output ketujuh adalah residual statistics. Output residual statistics meliputi,
nilai minimum, maximum, mean, std. deviation, dan N. Berikut adalah gambar
3.19 residual statistics.

Gambar 3.19 Residual Statistics

Output kedelapan adalah output uji normalitas. Hasil pada output uji
normalitas dapat dilihat titik berada disekitar garis menyebar bersampingan
dengan garis yang berarti nilai data residual normal. Berikut adalah gambar 3.20
uji normalitas.
 Gambar 3.20 Uji Normalitas
Output kesembilan adalah output uji homoskedastisitas. Hasil pada output
uji homoskedastisitas, titik harus tersebar titiknya agar tidak terjadi
heteroskedastisitas karena data dikatakan normal apabila persebaran tidak
membentuk pola. Berikut adalah gambar 3.21 uji homoskedastisitas.

Gambar 3.21 Uji Homoskedastisitas

Output kesepuluh adalah output uji linearitas. Uji linearitas bertujuan untuk
mengetahui apakah dua variabel mempunyai hubungan yang linear atau tidak.
Berikut adalah gambar 3.22 uji linearitas.

Gambar 3.22 Uji Linearitas

3.4 Analisis
Analisis adalah salah satu proses kegiatan penelitian yang dilakukan terhadap
data yang diperoleh untuk memecahkan suatu permasalahan dengan cara
mengurai, membedakan, dan memilah sesuatu untuk dikelompokkan menurut
kriteria tertentu kemudian diteliti kaitannya dan diuraikan maknanya. Analisis kali
ini akan membahas mengenai analisis perhitungan manual, analisis pengolahan
software, dan analisis perbandingan terkait hasil dari perhitungan manual dan
pengolahan software.

3.4.1 Analisis Perhitungan Manual

Analisis perhitungan manual merupakan kegiatan memeriksa suatu data
yang sudah dihitung menggunakan metode manual yaitu menggunakan bantuan
kalkulator. Penggunaan alat bantu bertujuan agar lebih teliti dalam melakukan
sebuah perhitungan. Data hasil perhitungan manual untuk nilai intersep dan nilai
slope dalam persamaan garis linear regresi dibuat analisis. Berikut adalah analisis
perhitungan manual yang telah diperhitungkan sebelumnya.
Persamaan garis linear regresi adalah suatu metode peramalan, prediksi atau
pendugan. Analisis regresi digunakan untuk melihat pengaruh antara kedua
variabel. Intersep (a) adalah nilai rata-rata pada variabel Y apabila nilai pada
variabel X bernilai 0. Jika X tidak memberikan kontribusi, maka secara rata-rata,
variabel Y akan bernilai sebesar intersep. Slope (b) adalah rata-rata pertambahan
atau pengurangan yang terjadi pada variabel Y untuk setiap peningkatan satu
satuan variabel X. Jika X tidak memberikan kontribusi, maka secara rata-rata
variabel Y akan bernilai sebesar intersep. Berdasarkan perhitungan yang telah
dilakukan, nilai intersep (a) untuk mencari persamaan garis linear regresinya
adalah 24,364. Hal tersebut berarti, jika X = 0 maka akan didapatkan Y bernilai
positif sebesar 24,364. Hal tersebut menunjukkan bahwa terdapat pengaruh yang
disebabkan oleh jumlah permintaan produk (X). Berdasarkan perhitungan yang
telah dilakukan, didapatkan nilai slope (b) untuk mencari persamaan garis linear
regresinya adalah sebesar 0,024. Hal tersebut berarti jika x bernilai 1, maka waktu
operasional (Y) dapat mengalami peningkatan sejumlah satu. Perhitungan di atas
diperoleh intersep (a) sebesar 24,364 dan slope (b) sebesar 0,024. Hal ini
menunjukkan bahwa dengan persamaan garis linear regresi yang didapat,
perusahaan dapat mengetahui pendugaan pada waktu operasional (Y) yang
dilakukan terhadap jumlah permintaan produk (X). Nilai intersep (a) dan slope (b)
diperoleh dari persamaan garis linear regresinya. Berikut ini persamaan garis
linear regresi Y = a + bX, maka Y = 24,364 + 0,024 X. Persamaan garis linear
regresi digunakan untuk memprediksi variabel Y jika nilai variabel X diketahui
dan untuk mengetahui besarnya perubahan variabel X terhadap variabel Y.
Pendugaan adalah suatu kegiatan dimana sebuah perusahaan memberikan
pendugaan berupa angka untuk memprediksi seberapa banyak suatu produk akan
di produksi atau waktu operasional yang dilakukan. Berdasarkan perhitungan
pendugaan waktu operasional (Y) yang telah dilakukan, jika jumlah permintaan
produk sebanyak 2500 unit, maka didapatkan waktu operasional yang dilakukan
yaitu selama 85 jam. Jika jumlah permintaan produk sebanyak 3000 unit, maka
didapatkan waktu operasional yang dilakukan yaitu selama 97 jam. Jika jumlah
permintaan produk sebanyak 3500 unit, maka didapatkan waktu operasional yang
dilakukan yaitu selama 109 jam.

3.4.2 Analisis Pengolahan Software

Analisis pengolahan software digunakan untuk mengetahui hubungan antara
variabel bebas terhadap variabel terikat dan untuk mengetahui bagaimana variasi
dari variabel bebas mempengaruhi variabel terikat dalam suatu fenomena. Selain
itu, pengolahan software juga bisa digunakan untuk mengetahui kekuatan
hubungan antar variabel bebas dan variabel terikat. SPSS (Statistical Package for
the Social Sciens) merupakan salah satu software yang paling populer dan paling
banyak digunakan untuk keperluan mengolah data dan menganalisis data statistik
untuk ilmu-ilmu sosial seperti riset pasar, riset-riset sains, peneliti kesehatan,
peneliti pendidikan, pengendalian dan perbaikan mutu, dan lain sebagainya.
Seiring berkembangnya zaman, kemampuan SPSS diperluas untuk melayani
berbagai jenis pengguna, seperti untuk riset ilmu sains, proses produksi di pabrik,
dan lain sebagainya. Maka dari itu, kepanjangan dari SPSS berubah menjadi
Statistical Product and Service Solutions. SPSS juga digunakan untuk melakukan
analisis statistika tingkat lanjut, analisis string, analisis data dengan algoritma
machine learning dan lain sebagainya. Berikut adalah analisis pengolahan
software yang telah dilakukan sebelumnya.
Output pertama yaitu descriptive statistics menjelaskan variabel jumlah
permintaan produk (X) dan waktu operasional (Y) yang dapat dilihat pada gambar
3.13. Output descriptive statistics meliputi tabel mean dan standard deviation
berisi nilai masing-masing variabel. Mean yaitu hasil rata-rata dari variabel, std.
deviation merupakan akar kuadrat dari varians untuk mengukur penyebaran dari
kumpulan data dan semakin besar standar deviasi maka semakin tersebar
pengamatannya, lalu N adalah jumlah data satu variabel. Variabel jumlah
permintaan produk (X) mempunyai nilai mean 2315,83 yang berarti didapatkan
hasil rata-rata selama 36 bulan jumlah permintaan produk yaitu sebanyak 2315,83
2316 unit dengan std. deviation sebesar 430,165 dan N 36. Variabel waktu
operasional (Y) mempunyai nilai mean 81,86 yang berarti didapatkan hasil rata-
rata selama 36 bulan jumlah permintaan produk yaitu sebanyak 81,86 82 unit
dengan std. deviation sebesar 10,829 dan N 36. Hasil tersebut berdasarkan jumlah
data observasi sampel sebanyak 36 sampel dari setiap variabel.
Output kedua yaitu correlations yang dapat dilihat pada gambar 3.14
merupakan korelasi atau hubungan antara variabel jumlah permintaan produk
dengan waktu operasional bernilai 0,986 dan termasuk korelasi dalam range 0,90
< KK ≤ 1,00 yang berarti hubungannya sangat kuat dan dapat diandalkan. Nilai
korelasi pearson yang diperoleh sebesar 1, yang mana 1 merupakan hasil uji
korelasi yang membandingkan variabelnya sendiri sehingga terjadi korelasi yang
sempurna dengan menggunakan sig. (1-tailed) yang berarti telah ditentukan
arahnya. Nilai sig. 0,000 < probabilitas 0,05, maka ada pengaruh variabel X
terhadap variabel Y atau hipotesis diterima. Nilai N pada tabel menunjukkan
banyaknya jumlah data observasi sampel yang digunakan yaitu sebanyak 36
sampel.
Output ketiga yaitu tabel variables entered/ removed yang dapat dilihat pada
gambar 3.15 adalah tabel yang berisi ringkasan dari analisis regresi yang
dilakukan. Variables entered adalah variabel yang dimasukkan dan digunakan
dalam perhitungan analisis yaitu jumlah permintaan produk yang mana semua
variabel yang diminta dimasukkan. Variables removed adalah variabel yang tidak
digunakan dalam perhitungan analisis yaitu titik (.) yang berarti tidak ada variabel
yang tidak digunakan dalam perhitungan analisis. Metode enter adalah metode
dimana semua variabel bebas yaitu jumlah permintaan produk dimasukkan ke
dalam persamaan secara bersamaan dengan satu langkah.
Output keempat yaitu tabel model summary yang dapat dilihat pada gambar
3.16 menjelaskan detail mengenai karekteristik model. Variabel dalam studi kasus
ini yaitu jumlah permintaan produk sebagai variabel utama yang dipertimbangkan
atau variabel prediktor. Output ini memberikan informasi mengenai nilai R, R
square, adjusted R square. std. error of the estimate, dan nilai Durbin-Watson.
Nilai R menunjukkan korelasi antara variabel bebas yaitu jumlah permintaan
produk dan variabel terikat yaitu, waktu operasional. Nilai R sebesar 0,986 yang
termasuk ke dalam range 0,90 < KK ≤ 1,00 yang menyatakan korelasi yang
sangat kuat antar variabel. R square (koefisien determinasi) menunjukkan variasi
total untuk variabel terikat yang dapat dijelaskan oleh variabel bebas. Nilai R
square sebesar 0,973 menyatakan bahwa sebesar 97,30% variasi variabel terikat
dapat dijelaskan oleh variabel bebas yang berarti pengaruh variabel jumlah
permintaan produk terhadap variabel waktu operasional yaitu 97,30% sedangkan
sisanya sebesar 2,70% dipengaruhi oleh variabel lain selain variabel bebas.
Adjusted R square menunjukkan koefisien determinasi yang sudah disesuaikan.
Adjusted R square selalu memiliki nilai yang lebih kecil dibandingkan dengan R
square. Nilai adjusted R square pada studi kasus ini sebesar 0,972 artinya model
regresi ini memenuhi uji peramalan. Nilai standar error of the estimate
menunjukkan banyaknya ukuran kesalahan model regresi dalam memprediksi
estimasi yaitu sebesar 1,817. Terdapat ketentuan syarat bahwa nilai std. deviasi >
nilai std. error. Semakin kecil nilai dari standar error of the estimate, maka
penyesuaian persamaan regresinya akan semakin baik, sebaliknya semakin besar
nilai dari standar error of the estimate, maka penyesuaian persamaan regresinya
akan semakin buruk. Nilai Durbin-Watson menunjukkan ada atau tidaknya
autokorelasi pada data pengamatan regresi. Menurut Hasan (2002), non-
autocorrelation berarti tidak ada pengaruh dari variabel dalam modelnya melalui
selang waktu atau tidak terjadinya korelasi diantara galat random-nya. Nilai
Durbin Watson yang diperoleh dari perhitungan harus memenuhi persyaratan non-
autocorrelation (du < d < 4 - du). Nilai Durbin-Watson yang diperoleh dari
perhitungan memenuhi persyaratan tersebut yaitu sebesar (1,5245 < 2,378 <
2,4755) yang berarti, tidak terdapat autokorelasi pada data pengamatan yang telah
dimasukkan, maka dari itu data layak untuk dilakukan pengujian.
Output kelima yaitu tabel coefficients yang dapat dilihat pada gambar 3.17.
Hasil dari coefficient digunakan untuk mengetahui persamaan garis linear regresi
dan pengaruh antara variabel independent terhadap variabel dependent secara
parsial ataupun sendiri-sendiri. Hasil dari coefficient juga digunakan untuk
meramalkan naik turunnya variabel dependent terhadap variabel independent.
Output coefficient ini terdapat tabel unstandardize coefficients yang terdiri dari B
dan std. error, standardized coefficients yang terdiri dari beta, setelah itu ada t,
dan sig. Unstandardize coefficients (constant) merupakan konstanta regresi yang
dinotasikan dengan a, yang bermaksud bila tidak ada perubahan pada variabel X
(X = 0) maka variabel tidak memiliki penambahan nilai dimana nilai constant,
yaitu a sebesar 24,365. Unstandardize coefficients variabel jumlah permintaan
produk (X) merupakan koefisien arah regresi b, yang berarti jika variabel jumlah
permintaan produk (X) mengalami peningkatan 1 satuan, maka variabel waktu
operasional (Y) akan meningkat sebesar 0,025. Diperoleh persamaan garis linear
regresinya adalah Y = 24,365 + 0,025X. Std. error pada constant memiliki
pengertian yaitu penyimpangan dari konstanta yang ada dalam model persamaan
regresi yang mana nilai tersebut sebesar 1,681, sedangkan std. error pada variabel
jumlah permintaan produk (X) menunjukkan penyimpangan koefisien regresi
variabel jumlah permintaan produk (X) yang mana nilai tersebut sebesar 0,001.
Standardized coefficients (beta) pada variabel jumlah permintaan produk (X)
merupakan koefisien jalur atau koefisien regresi tetapi semua variabel telah
ditransformasi terlebih dahulu ke dalam bentuk standardized, nilai beta pada
variabel tersebut sebesar 0,986. Nilai t constant digunakan untuk mengetahui
apakah signifikasi intercept (konstanta regresi) namun nilai intercept biasanya
tidak diuji. Nilai yang diuji adalah nilai t-stat koefisien regresinya. Nilai t pada
constant sebesar 14,498. Nilai t pada variabel jumlah permintaan produk (X)
merupakan perbandingan antara unstandardize coefficients variabel jumlah
permintaan produk (X) dengan std. error variabel itu sendiri, digunakan untuk
mengetahui signifikasi variabel jumlah permintaan produk (X). Jika nilai tconstant
lebih besar dari nilai ttabel dengan rumus (0,05; df residual), maka variabel tersebut
memiliki pengaruh yang signifikan terhadap variabel tergantung. Nilai ttabel atau
t(0,05; 34) diperoleh sebesar 1,69092. Nilai variabel konstan diperoleh sebesar
14,498 lebih besar dari nilai ttabel sebesar 1,69092 (tconstant = 14,498 > t(0,05; 34) =
1,69092), maka hal ini menunjukkan bahwa variabel jumlah permintaan produk
(X) memiliki pengaruh positif yang tidak signifikan terhadap variabel waktu
operasional (Y). Sig. (constant), jika nilai t-stat intercept semakin besar, maka
nilai kesalahan sig. akan semakin kecil, sebaliknya jika nilai sig. lebih kecil dari α
(0,05), maka dikatakan signifikan. Nilai sig. pada output tersebut bernilai 0,000 (<
0,05) sehingga constant signifikan. Sig. variabel jumlah permintaan produk (X)
merupakan angka yang menunjukkan besarnya tingkat kesalahan pada nilai thitung
pada variabel tersebut yang diperoleh 34,781. Jika nilai t variabel jumlah
permintaan produk (X) semakin besar maka nilai kesalahan sig. akan semakin
kecil. Nilai sig. variabel yang diperoleh sebesar 0,000 (< 0,05) dengan arah
koefisien positif, maka disimpulkan bahwa variabel jumlah permintaan produk
(X) berpengaruh positif signifikan terhadap variabel waktu operasional (Y).
Output keenam yaitu tabel casewise diagnostics yang dapat dilihat pada
gambar 3.18 yaitu tabel keseluruhan tiap bulan yang menunjukkan nilai std.
residual waktu operasional yang dihasilkan, predicted values dan residual. Nilai
pada bulan ke-1 waktu operasional yang diprediksi (Y) dapat dilihat pada tabel
casewise diagnostics pada kolom predicted value yaitu sebesar 64.59 dengan
waktu operasional sebanyak 63. Residual (unstandardized residual) adalah selisih
antara waktu operasional dengan predicted value sebesar -1.585. Nilai standard
residual (standardized residual) sebesar -0.873 sehingga dapat disimpulkan nilai
standard residual semakin menjauhi 0 atau lebih dari 1 atau -1, maka semakin
tidak baik model regresi dalam melakukan prediksi. Bulan ke-2 menunjukkan
nilai standard residual diperoleh sebesar 0.938 dengan waktu operasional yang
didapatkan yaitu sebanyak 72. Nilai yang diperoleh dari predicted value yaitu
sebesar 70.30. Nilai yang selanjutnya yaitu residual diperoleh sebesar 1.704. Jika
nilai residual semakin kecil, maka waktu yang dibutuhkan akan lebih cepat.
Output ketujuh yaitu tabel residual statistics yang dapat dilihat pada gambar
3.19 yaitu output yang digunakan untuk menghitung perbedaan antara nilai yang
digunakan dalam output ini yaitu waktu operasional dengan nilai rata-rata diduga
atau prediksi. Output residual statistic menunjukkan data yang digunakan yaitu
dependent variable: waktu operasional. Output tersebut meliputi nilai minimum,
maximum, mean (rata-rata), dan std. deviation dari predicted value (nilai yang
diduga), std. predicted value (standarisasi dari nilai yang diduga), adjusted
predicted value (nilai prediksi yang telah disesuaikan), dan residual (selisih antara
nilai duga atau predicted value dengan nilai pengamatan sebenarnya), N adalah
jumlah data yang digunakan. Berdasarkan tabel pada baris predicted value di
kolom minimum bernilai 64.59, maximum bernilai 101.33, mean bernilai 81.86,
dan nilai std. deviation bernilai 10.680 dengan jumlah N yaitu 36. Nilai minimum
pada std. predicted value sebesar -1.618, maximum bernilai 1.823, mean bernilai
0,000, dan std. deviation bernilai 1.000. Standard error of predicted value
merupakan nilai error yang digunakan apabila data pengamatan menggunakan
data populasi. Nilai minimum pada standard error of predicted value bernilai
0.303, maximum bernilai 0.636, mean bernilai 0.418, std. deviation bernilai 0.092
dengan jumlah N yaitu 36. Nilai minimum pada adjusted predicted value bernilai
64.77, maximum bernilai 101.52, mean bernilai 81.87, std. deviation sebesar
10.675 dengan jumlah N yaitu 36. Nilai minimum pada residual yaitu -3.213,
maximum bernilai 2.815, mean bernilai 0,000, std. deviation bernilai 1.790 dengan
jumlah N yaitu 36.
Output kedelapan yaitu uji normalitas. Uji normalitas bertujuan untuk
menguji apakah dalam model regresi, variabel dependent dan independent
keduanya mempunyai distribusi normal atau tidak. Persamaan garis linear regresi
dikatakan baik jika mempunyai data variabel bebas dan data variabel terikat
berdistribusi normal atau mendekati normal. Output uji normalitas dapat dilihat
pada gambar 3.20, bahwa titik-titik kecil selalu mengikuti dan mendekati garis
diagonalnya. Oleh karena itu, sesuai dengan pedoman pengambilan keputusan
dalam uji normalitas teknik probability plot dapat disimpulkan bahwa nilai
residual berdistribusi normal. Output chart ini juga menunjukkan bahwa jumlah
permintaan produk dan waktu operasional memiliki hubungan yang positif. Hal
tersebut berarti, jika jumlah permintaan produk meningkat, maka waktu
operasional pun akan meningkat. Hal ini menunjukan bahwa asumsi normalitas
untuk nilai residual dalam analisis regresi linear dalam penelitian ini sudah
terpenuhi.
Output kesembilan yaitu output uji homoskedastisitas. Uji
homoskedastisitas digunakan dalam menguji error atau galat dalam model
statistik untuk melihat apakah varians atau keragaman dari error terpengaruh oleh
faktor lain atau tidak. Output uji homoskedastisitas dapat dilihat pada gambar 3.21
bahwa titik-titik data menyebar dan tidak membentuk pola tertentu yang jelas.
Titik-titik yang ada pada data juga menyebar di atas dan di bawah angka 0 pada
sumbu Y. Hal ini menunjukkan bahwa tidak terjadi gangguan asumsi
heteroskedastisitas atau model regresi ini sudah baik.
Output kesepuluh adalah output uji linearitas. Uji linearitas bertujuan untuk
mengetahui apakah dua variabel atau lebih yang diuji mempunyai hubungan yang
linear atau tidak secara signifikan. Output uji linearitas pada gambar 3.22 bahwa
titik-titik data membentuk pola dan tidak menyebar. Hal ini mengindikasikan
bahwa ada hubungan erat dan positif antara jumlah permintaan produk dan waktu
operasional. Terdapat hubungan yang linear antara jumlah permintaan produk dan
waktu operasional, maka salah satu asumsi atau persyaratan untuk model regresi
dalam penelitian ini sudah terpenuhi. Berdasarkan output uji linearitas,
menunjukkan trend naik dengan garis X dan Y membentuk garis lurus.

3.4.3 Analisis Perbandingan

Analisis merupakan kegiatan berpikir untuk menguraikan suatu keseluruhan
menjadi komponen sehingga dapat mengenal tanda-tanda komponen,
hubungannya satu sama lain dan fungsi masing-masing dalam satu keseluruhan
yang terpadu (Komaruddin, 2001). Analisis perbandingan adalah kegiatan
penyelidikan terhadap komponen dari dua objek atau lebih untuk mengetahui dan
menambah wawasan mengenai selisih kesamaan komponen objek yang dikaji.
Analisis perbandingan dilakukan terhadap data intersep dan slope dalam
perhitungan secara manual dan perhitungan dengan software. Perhitungan secara
manual membutuhkan ketelitian dalam memasukkan dan mengolah data.
Perhitungan secara manual juga membutuhkan waktu yang cukup lama dan hasil
dari perhitungan secara manual dianggap kurang akurat. Perhitungan dengan
menggunakan software SPSS 16.0 membutuhkan waktu yang lebih cepat.
Pengolahan data dengan software SPSS 16.0 juga lebih efisien dan hasilnya lebih
akurat dibandingkan dengan perhitungan secara manual. Berikut tabel analisis
perbandingan dari hasil nilai intersep dan nilai slope antara perhitungan secara
manual dan perhitungan dengan software SPSS 16.0.
Tabel 3.3 Analisis Perbandingan
Perhitungan Perhitungan dengan
No Perbandingan
Manual Software
1 Intersep (a) 24,364 24,365
2 Slope (b) 0,024 0,025
Tabel di atas merupakan tabel perbandingan antara perhitungan manual
dengan pengolahan software. Nilai intersep (a) pada perhitungan manual
diperoleh sebesar 24,364, sedangkan pada perhitungan pengolahan software
sebesar 24,365. Terdapat perbedaan selisih antara perhitungan manual dengan
pengolahan software sebesar 0,001. Nilai slope (b) pada perhitungan manual
diperoleh sebesar 0,024, sedangkan pada perhitungan software sebesar 0,025.
Terdapat perbedaan selisih antara perhitungan manual dengan pengolahan
software sebesar 0,001.
Maka dari itu, dapat disimpulkan bahwa terdapatnya perbedaan dari hasil
output perhitungan secara manual dan perhitungan dengan software adalah pada
perhitungan secara manual hasil output berupa 3 angka di belakang koma tanpa
pembulatan, sedangkan perhitungan dengan software terdapat pembulatan angka
desimal dari hasil output dengan mengambil 3 angka di belakang koma.
 BAB IV
PENUTUP

4. 1 Kesimpulan
Kesimpulan adalah suatu kalimat yang diambil dari beberapa ide yang
bertujuan untuk mengambil inti dari suatu penulisan atau data. Kesimpulan
biasanya terletak diakhir paragraf. Berdasarkan informasi yang telah diuraikan di
atas mengenai penyelesaian permasalahan yang terjadi di PT Rhapsody dengan
metode regresi. Kesimpulan yang diperoleh adalah sebagai berikut.
1. Berdasarkan hasil perhitungan dengan cara manual didapatkan nilai intersep
(a) sebesar 24,364 dan nilai slope (b) sebesar 0,024. Berdasarkan hasil
perhitungan dengan menggunakan pengolahan software didapatkan nilai
intersep sebesar 24,365 dan nilai slope sebesar 0,025.
2. Persamaan garis linear regresi antara jumlah permintaan produk (X) terhadap
waktu operasional (Y) adalah Y = 24,364 + 0,024X.
3. Berdasarkan perhitungan dengan cara manual diperoleh nilai peramalan dari
waktu operasional (Y) yang dilakukan apabila jumlah permintaan produk (X)
sebanyak 2500 unit adalah selama 85 jam. Nilai peramalan waktu operasional
(Y) yang dilakukan apabila jumlah permintaan produk (X) sebanyak 3000
unit adalah selama 97 jam. Nilai peramalan waktu operasional (Y) yang
dilakukan apabila jumlah permintaan produk (X) sebanyak 3500 unit adalah
selama 109 jam.

4. 2 Saran
Saran adalah suatu solusi yang dapat digunakan untuk menyelesaikan
permasalahan yang dihadapi oleh praktikan selama kegiataan praktikum. Berikut
adalah saran untuk praktikan yang akan menjalani praktikum ini.
1. Diperlukan ketelitian saat melakukan perhitungan data agar tidak terjadi
kesalahan terhadap output dan pemilihan metode disesuaikan dengan korelasi
yang dibutuhkan.
2. Diperlukan konsentrasi terhadap nilai yang akan dihitung agar tidak terjadi
kesalahan pada hasilnya dan diperlukan kalkulator scientific sebagai alat
bantu untuk mempermudah perhitungan.
3. Diharuskan membaca materi dengan seksama agar lebih memahami materi
yang dikerjakan.
4. Diharapkan untuk melakukan pengecekan kembali laporan sebelum
dikumpulkan.
 DAFTAR PUSTAKA

Firdaus, M. (2006). Analisis Deret Waktu Satu Ragam. Jakarta: IPB Press.
Ghozali, I. (2013). Aplikasi Analisis Multivariate Dengan Program IBM SPSS 21
Update PLS Regresi. Semarang: Badan Penerbit Universitas Diponegoro.
Ghozali, I. (2016). Aplikasi Analisis Multivariate dengan Program IBM SPSS 23.
Badan Penerbit Universitas Diponegoro: Semarang.
Hasan, M. I. (2002). Pokok-pokok Materi Metodologi Penelitian dan Aplikasinya.
Bogor: Ghalia Indonesia.
Hasan, I. (2008). Analisis Data Penelitian Dengan Statistik. Bumi Aksara,
Yogyakarta.
Juliandi, A., Irfan, & Manurung, S. (2014). Metodologi Penelitian Bisnis Konsep
dan Aplikasi. Medan: UMSU Press.
Makridakis, & dkk. (1999). Metode dan Aplikasi Peramalan. Jakarta: Bina Rupa
Aksara.
Nawari. (2010). Analisis Regresi Dengan Excel dan SPSS. Jakarta: PT. Elex
Media Komputindo.
Ninuk, I. H. (2013). Kamus Mode indonesia. Jakarta: Gramedia Pustaka Utama.
Raharja, A., Angraeni, W., & Vitrianti, R. A. (2010). Penerapan Metode
Exponential Smoothing Untuk Peramalan Penggunaan Waktu Telepon di
PT. Telkomsel Divre 3 Surabaya. SISFO-Jurnal Sistem Informasi.
 LAMPIRAN

Tabel T
Tabel Durbin-Watson