4.5 Standard Error of Estimasi Kesalahan Baku Persamaan Regresi Linier
Berganda
S
e
=
∑ ²
=
,
9,4882657
Standard error of estimate atau kesalahan baku adalah angka yang digunakan untuk mengukur ketepatan suatu penduga atau mengukur jumlah variasi titik-titik observasi di
atas dan di bawah garis regresi populasi. Standard error of estimate berguna untuk mengetahui batasan seberapa jauh melesetnya perkiraan dalam suatu peramalan.
Kesalahan baku yang terjadi dalam memprediksi jumlah kebutuhan adalah sebesar 9,4882657 ton.
4.6 Uji Asumsi Dalam Model Regresi
4.6.1 Uji Normalitas
Uji ini merupakan pengujian terhadap normalitas kesalahan penggangguerror yang digunakan untuk melihat apakah variabel bebas dan variabel terikat mempunyai
distribusi normal. Asumsi kenormalan dapat diperiksa dengan menggunakan plot normal P-P Plot sebagai berikut:
Universitas Sumatera Utara
Gambar 4.1 Normal P-P Plot of Regression Standardized Residual
4.6.2 Heteroskedastisitas
Heteroskedastisitas adalah varian residual yang tidak sama pada semua pengamatan di dalam model regresi. Regresi yang baik seharusnya tidak terjadi heteroskedastisitas.
Kriterianya adalah sebagai berikut: 1.
Jika ada pola tertentu, seperti titik-titik yang ada membentuk suatu pola tertentu yang teratur maka terjadi heteroskedastisitas.
2. Jika tidak ada pola yang jelas, seperti titik-titik menyebar di atas dan di bawah
angka 0 pada sumbu Y, suatu pola maka tidak terjadi heteroskedastisitas.
Universitas Sumatera Utara
Gambar 4.2 Regression Standardized Pradicted Value
Dapat dilihat bahwa dari plot gambar 4.2 di atas sebaran datar sekitar nilai nol secara acak dan tidak membentuk pola tertentu sehingga mengindikasikan bahwa tidak
terjadi heteroskedastisitas dalam model regresi.
4.6.3 Uji Non – Autokorelasi
Adanya penyimpangan autokorelasi dalam model regresi berarti ada korelasi antara sampel yang diurutkan berdasarkan waktu. Penyimpangan ansumsi ini karena
menggunakan data time series.
Universitas Sumatera Utara
Konsekuensi adanya autokorelasi dalam suatu model regresi adalah varians sampel yang tidak dapat menggambarkan varians populasinya. Selain itu model regresi
yang dihasilkan tidak dapat digunakan untuk menaksirkan nilai variabel dependen Y pada nilai variabel independen tertentu X. Untuk mendianogsis adanya autokorelasi
dalam suatu model regresi dilakukan pengujian terhadap nilai uji Dorbin Waston DW.
Tabel 4.5 Model Summary
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .994
a
.988 .984
9.49535 2.103
a. Predictors: Constant, Luas_Panen, Produksi_Beras b. Dependent Variable: Kebutuhan_Beras
Pada tabel 4.5 di atas menunjukkan nilai koefisien korelasi ganda R, koefisien determinasi R Square, standar error penduga, nilai Durbin Waston.
Universitas Sumatera Utara
4.7 Uji Koefisien Model Regresi Berganda
Tabel 4.6 Coefficients
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1
Constant 1871.541
85.013 22.015
.000 Produksi_Beras
.344 .016
1.067 21.662
.000 Luas_Panen
-1.661 .121
-.674 -13.695
.000 a. Dependent Variable: Kebutuhan_Beras
Berdasarkan tabel 4.6 koefisien di atas diperoleh bentuk estimasi persamaan model regresi linier berganda = 1871,541 + 0,344X – 1,661X . Model ini untuk
menjelaskan keterkaitan atau pengaruh X dan X terhadap Y. Jika nilai sig 0,05 maka variabel X dan X memiliki pengaruh yang signifikan terhadap Y, artinya kedua
variabel bebas X
1
dan X
2
secara sendiri-sendiri berpengaruh secara signifikan terhadap Y.
Analisis koefisien regresi secara sendiri-sendiri signifikan atau tidak digunakan uji sebagai berikut:
3. Hipotesis yang diuji
H : koefisien regresi tidak signifikan
H
1
: koefisien regresi signifikan 4.
Taraf nyata α = 5
5. Nilai uji statistik
t
i
t hitung
Universitas Sumatera Utara
t
i
=
ᵢ ᵢ
t
1
=
, ,
= 21,5
t =
, ,
= -13,7272
Nilai
t
tabel
=
t
n-k-1; α
= t
6;0,05
= 2,45 Jika
t
hitung
t
tabel
maka H ditolak dan jika
t
hitung
≤ t
tabel
maka H diterima. Dari
hasil diatas maka koefisien regresi yang signifikan hanya koefisien regresi.
4.8 Uji Kelayakan Model Regresi Uji F
Uji kelayakan berarti untuk melihat apakah model yang digunakan dapat menjelaskan variabel Y, maka tabel ANOVA adalah pengujian apakah model =
1871,541 + 0,344X – 1,661X dapat digunakan untuk menjelaskan nilai variabel Y. Pengujian yang digunakan dengan menyatakan bentuk hipotesis sebagai berikut:
Tabel 4.7 ANOVA
b
ANOVA
b
Model Sum of Squares
Df Mean Square
F Sig.
1 Regression
44610.464 2
22305.232 247.391
.000
a
Residual 540.970
6 90.162
Total 45151.435
8 a. Predictors: Constant, Luas_Panen, Produksi_Beras
b. Dependent Variable: Kebutuhan_Beras
Universitas Sumatera Utara
Hipotesis yang diuji: H
: β = β = 0, model tidak memiliki kelayakan
H
1
: β = β ≠ 0, model memiliki kelayakan
Uji kelayakan model dapat dilihat pada nilai sig Regression sebesar 0,000 ≤ 0,05
berarti H ditolak, artinya model regresi linier.
= 1871,541 + 0,344X – 1,661X memiliki kelayakan untuk digunakan menjelaskan variabel Y. Uji kelayakan model regresi dapat juga dengan membandingkan
F
hitung
dengan
F
tabel
. Dengan α = 5 dk pembilang = 2, dk penyebut = 6, maka diperoleh F
tabel
= 5,14. Karena F
hit
Ft
abel
= 247,391 5,14 maka H ditolak. Hal ini menunjukkan
terdapat pengaruh antara X dan X terhadap Y, sehingga model regresi tersebut memiliki kelayakan untuk digunakan menjelaskan variabel Y.
Universitas Sumatera Utara
BAB 5 IMPLEMENTASI SISTEM
5.1 Pengertian Implementasi Sistem
Implementasi sistem adalah penerapan hasil desain tertulis dalam programming dengan menggunakan perangkat lunak software sebagai implementasi ataupun prosedur untuk
menyelesaikan desain sistem, yang mana dalam hal ini implementasi sistem digunakan untuk menganalisa data-data yang dianggap mempengaruhi hasil produksi kelapa sawit
di PT. Perkebunan Nusantara IV Kebun Laras. Pengolahan data pada tugas akhir ini menggunakan software SPSS.
5.2 Pengertian SPSS
SPSS Statistical Product and Service Solution merupakan salah satu paket program komputer yang digunakan untuk mengolah data statistik. Analisis data akan menjadi
lebih cepat, efisien, dengan hasil perhitungan yang akurat. SPSS pertama kali diperkenalkan oleh tiga mahasiswa Stamford University pada
tahun 1968 dan dioperasionalkan pada komputer mainframe. Seiring dengan perkembangan software ini, SPSS sudah mampu memproses data statistik pada berbagai
bidang ilmu sosial maupun non sosial. Program ini dapat dioperasikan dalam sistem windows sekitar tahun 1992.
Universitas Sumatera Utara