PENGGUNAAN ANALISIS REGRESI LINEAR DALAM MENENTUKAN PENGARUH VARIABEL BEBAS TERHADAP VARIABEL TERIKAT DENGAN SPSS

Topik ini sengaja kembali saya posting karena baru – baru ini saya dimintai tolong untuk melakukan analisis data hasil penelitian terkait pengaruh variabel bebas terhadap variabel terikat dalam sebuah penelitian studi kasus. Sudah lama memang saya meninggalkan pekerjaan analisis ini karena semenjak kerja, saya sudah tidak lagi aktif menerima jasa analisis data hasil penelitian yang sebelumnya menjadi sumber pendapatan yang lumayan. Tapi karena basic ilmu di kampus jurusan matematika, membuat saya lebih mudah memahami kembali setelah membaca ulang beberapa referensi. Untuk itu, postingan ini juga menjadi catatan saya agar bisa bermanfaat bagi saya di kemudian hari dan juga bermanfaat bagi para pembaca sekalian.

Menurut Wikepedia, Analisis Regresi dalam statistika adalah salah satu metode untuk menentukan hubungan sebab akibat antara satu variabel dengan variabel-variabel lainnya. Analisis regresi linear merupakan alat statistik yang dipergunakan untuk mengetahui pengaruh antara satu atau beberapa variabel bebas (independen) terhadap satu buah variabel terikat (dependen). Analisis regresi linear biasanya digunakan dalam sebuah penelitian studi kasus yang tujuan penelitiannya untuk mengetahui seberapa besar pengaruh satu atau lebih variabel bebas terhadap satu variabel terikat. Penentuan variabel bebas dan variabel terikat ditentukan oleh masing-masing peneliti secara bebas tergantung subyek dan objek penelitian serta tujuan penelitian yang dilakukan.

Analisis regresi linear terbagi atas dua yakni analisis regresi linear sederhana dan analisis regresi linear berganda. Analisis regresi linear sederhana hanya memiliki satu variabel bebas. Sedangkan, apabila variabel bebasnya lebih dari satu, maka disebut analisis regresi linear berganda. Dalam analisis regresi linear akan dilakukan estimasi model (persamaan) regresi linear seperti dibawah ini

Regresi Linear Sederhana :

Y = a + bX

Dimana, Y = Variabel terikat (dependen)

                a = Konstanta

                b = Koefisien

                X = Variabel bebas (independen)

Regresi Linear Berganda : (untuk 2 Variabel bebas)

Y = a + bX₁ + bX₂

Dimana, Y = Variabel terikat (dependen)

                a = Konstanta

                b = Koefisien

                X₁ = Variabel bebas pertama (independen)

                X₂ = Variabel bebas pertama (independen)

Analisis regresi linear yang saya kemukakan disini menggunakan pendekatan Ordinary Least Square (OLS) karena merupakan metode estimasi fungsi regresi yang paling sering digunakan. Kriteria OLS adalah “Line of Best Fit” atau dengan kata lain jumlah kuadrat dari deviasi antara titik-titik observasi dengan garis regresi adalah minimum. Dalam pendekatan OLS ini, sebuah model regresi linear yang diestimasi harus memenuhi beberapa asumsi dasar yakni Normalitas, Autokorelasi, Multikolinearitas dan Heteroskedastisitas. 

Uji Normalitas adalah sebuah uji yang dilakukan dengan tujuan  untuk menilai sebaran data pada sebuah kelompok data atau variabel, apakah sebaran data tersebut bersifat normal atau tidak. Uji normalitas berguna untuk menetukan data yang telah dikumpulkan berdistribusi normal atau diambil dari populasi normal. Untuk menguji normalitas data menggunakan beberapa metode diantaranya Chi-Square, Kolmogorov Smirnov, Liliefors, Shapiro Wilk dan Jarque Bera.

Uji Autokorelasi adalah sebuah uji yang dilakukan untuk mengetahui adanya korelasi variabel yang ada dalam model regresi dengan perubahan waktu. Artinya tiap variabel tidak berkolerasi dengan dirinya sendiri baik pada nilai variabel sebelumnya maupun nilai periode sesudahnya. Uji autokorelasi harus dilakukan apabila data merupakan time series atau runtut waktu. Untuk menguji adanya autokorelasi menggunakan beberapa metode diantaranya : Durbin Watson, Breucsh Godfrey, Engle’s ARCH Test.

Uji Multikolinearitas adalah sebuah uji yang dilakukan untuk mengetahui adanya korelasi atau hubungan antara dua variabel bebas atau lebih dalam sebuah model regresi linear berganda. Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel bebasnya. Untuk menguji adanya multikolinearitas dapat dilakukan dnegan beberapa cara antara lain melihat kekuatan korelasi antara variabel bebas, melhat nilai standar eror koefisien regresi parsial, melihat rentang confidence interval, melihat nilai Condition Index dan eigenvalue, dan melihat nilai Tolerance dan Variance Inflating Factor (VIF). 

Uji Heteroskedastisitas adalah uji yang menilai apakah ada ketidaksamaan varian dari residual untuk semua pengamatan pada model regresi linear. Uji ini harus dilakukan pada analisis regresi linear, jika asumsi heteroskedastisitas tidak terpenuhi, maka model regresi dinyatakan tidak valid sebagai alat peramalan.Untuk menguji asumsi heteroskedastisitas dapat menggunakan beberapa cara antara lain uji Glejser, uji Park, uji Spearman dan melihat data grafik.

Apabila seluruh asumsi dasar terpenuhi, maka langkah selanjutnya dalam analisis regresi linear adalah melakukan uji kelayakan model. Uji kelayakan model ini digunakan untuk mengukur ketepatan fungsi regresi sampel dalam menaksir nilai actual. Secara statistik, uji kelayakan model dapat dilakukan melalui uji keterandalan model / signifikasi simultan (uji F), Uji Koefisien regresi / signifikansi individual (uji t) dan koefisien determinasi (R²). 

Uji keterandalan model / signifikasi simultan (uji F) dimaksudkan untuk mengidentifikasi model regresi linear berganda yang diestimasi layak atau tidak untuk menjelaskan pengaruh variabel-variabel bebas terhadap variabel terikat. Uji F ini biasanya digunakan untuk menunjukkan apakah semua variabel bebas (independen) yang dimasukkan dalam model regresi mempunyai pengaruh secara bersama-sama terhadap variabel terikat (dependen). Bila nila F hitung lebih besar daripada F table, maka semua variabel bebas secara bersama-sama mempengaruhi variabel terikat. 

Uji Koefisien regresi / signifikansi individual (uji t) dimaksudkan untuk menguji apakah parameter (koefisien regresi dan konstanta) yang diduga untuk mengestimasi persamaan model regresi linear berganda sudah merupakan parameter yang tepat atau belum. Maksudnya apakah parameter dimaksud mampu menjelaskan perilaku variabel bebas dalam mempengaruhi variabel terikatnya. Uji t ini biasanya digunakan untuk menunjukkan seberapa jauh pengaruh satu variabel bebas yang secara individual atau parsial dalam mempengaruhi variabel terikat. Jika nilai t hitung lebih besar dari t table, maka variabel bebas secara individual atau parsial berpengaruh terhadap variabel terikat. 

Uji koefisien determinasi (R²) digunakan untuk mengukur seberapa besar persentase variabel bebas pada model regresi linear dalam menjelaskan atau mempengaruhi variabel terikat. Nilai koefisien determinasi berkisar antara 0 dan 1. Nilai R² yang kecil menandakan kemampuan variabel bebas dalam menjelaskan varabel terikat amat terbatas. Sedangkan nilai yang mendekati satu menandakan variabel bebas dapat memberikan hamper semua informasi yang dibutuhkan untuk memprediksi nilai variabel terikat.

Setelah model regresi yang telah diestimasi telah teruji maka langkah selanjutnya adalah melakukan interpretasi terhadap model regresi linear yang terbentuk dalam menjelaskan hasil penelitian yang telah dilakukan.

Agar penjelasan penggunaan analisis regresi linear ini dengan SPSS lebih dipahami, saya membuat sebuah contoh kasus penelitian dibawah ini :

Rumusan masalah :

Seberapa besar biaya produksi (biaya bahan baku, biaya tenaga kerja, biaya overhead pabrik) dan laba yang diinginkan berpengaruh secara simultan maupun parsial terhadap penentuan harga jual produk mebel pada CV. Untung.

Sebagai awal dalam tahapan penelitian adalah tabulasi data. Data yang digunakan pada penelitian ini merupakan data time series. Data time series merupakan salah satu jenis data dari satu entitas yang menjadi populasi penelitian dengan dimensi waktu/periode yang panjang. Satuan waktu dari data time series ini disesuaikan dengan data yang dimiliki misalnya bulanan, triwulan, semesteran maupun tahunan.

Berikut ini adalah contoh data penjualan mebel pada sebuah perusahaan yang saya beri nama CV. Untung. Data yang tersedia dalam satuan bulanan. Adapun variabel penelitiaannya adalah Harga Jual (HJ) dalam rupiah sebagai variabel terikat (Y), biaya produksi (BP) dalam rupiah sebagai variabel bebas pertama (X₁), dan laba yang diinginkan (L) dalam rupiah sebagai variabel bebas kedua (X₂).

Dalam penelitian ini ingin melihat pengaruh kedua variabel bebas diatas terhadap penetuan harga jual, dengan model regresi linear berganda sebagai berikut :

Y = a + b₁X₁ + b₂X₂

Pada persamaan (model) regresi linear berganda diatas akan diestimasi parameter koefiseien regresi dan konstantanya, yaitu nilai a, b₁ dan b₂

Untuk mengestimasi persamaan (model) regresi linear berganda diatas, saya menggunakan alat bantu software SPSS versi 16. Untuk itu data pada penelitian ini ditabulasi sebagai berikut :

 

Bulan	Bahan Baku (BB)	Tenaga Kerja (TK)	Overhead pabrik (OP)	Biaya Produksi (BP)	Laba (L)	Harga Jual (HJ)
Januari	9,700,000	4,100,000	3,350,000	17,150,000	4,750,000	26,650,000
Februari	5,850,000	1,800,000	1,800,000	9,450,000	5,450,000	14,900,000
Maret	9,000,000	3,200,000	2,550,000	14,750,000	13,950,000	28,700,000
April	4,000,000	1,750,000	1,200,000	6,950,000	4,030,300	10,980,300
Mei	7,800,000	2,800,000	2,400,000	13,000,000	8,400,000	21,400,000
Juni	10,050,000	3,300,000	2,800,000	16,150,000	13,450,000	29,600,000
Juli	12,800,000	4,600,000	3,300,000	20,700,000	18,940,400	39,640,400
Agustus	5,850,000	1,800,000	1,800,000	9,450,000	5,450,000	14,900,000
September	15,400,000	5,400,000	4,200,000	25,000,000	23,800,000	48,800,000
Oktober	5,700,000	2,500,000	1,700,000	9,900,000	5,740,400	15,640,400
November	9,500,000	3,500,000	2,900,000	15,900,000	10,300,000	26,200,000
Desember	12,100,000	4,150,000	3,000,000	19,250,000	16,930,300	36,180,300
Total	107,750,000	38,900,000	31,000,000	177,650,000	131,191,400	313,591,400

Selanjutnya, data diinput dalam software SPSS dengan tahapan sebagai berikut :

1. Buka Program SPSS 16.0, klik cancel untuk membuka halaman baru.

2. Lakukan penginputan data variabel bebas dan variabel terikat

Perlu diperhatikan dengan teliti terkait penentuan tipe variabel (lihat sheet variable view)

Agar lebih dipahami, saya jelaskan satu persatu yach :

Name : Diisi nama variabel yang kita inginkan dengan catatan tidak boleh mengandung spasi dan tanda baca;

Type : kita harus menentukan jenis type data untuk tiap variabel dari sekian banyak type data yang disediakan. Numeric untuk data dalam bentuk angka; Comma adalah data berbentuk angka yang bisa bertanda plus atau minus, dan tanda koma sebagai pembeda ribuan; Dot adalah data berbentuk angka yang bisa bertanda plus atau minus, dan tanda titik sebagai pembeda ribuan; scientific notation adalah data berbentuk angka yang bisa bertanda plus atau minus, ditandai dengan symbol E; Date adalah data berupa waktu (tanggal) yang bisa disesuaikan dengan sejumlah pilihan format tangal; Dollar adalah data berbentuk angka, dengan symbol $ dan tanda koma sebagai pemisah tanda ribuan; costum currency untuk menampilkan format mata uang yang dibuat melalui kotak dialog option dari menu edit; dan string untuk data yang berbentuk karakter atau huruf misalnya nama responden, alamat dsb)

Width : untuk menyesuaikan lebar kolom data

Decimal : untuk menentukan berapa angka decimal dibelakang koma

Label : untuk memudahkan pembacaan nama variabel yang biasanya dibuat singkatan dari nama variabel

Values : untuk memberikan kode jika variabel yang diguakan bersifat kategorik, misalnya jenis kelamin, 1 untuk laki-laki dan 2 untuk perempuan, dsb

Missing : untuk menentukan data mana yang dianggap hilang yang tidak akan kita ikutkan dalam analisis, dengan tiga pilihan (1) No Missing values jika tidak ada yang dianggap hilang; (2) Discreate missing values jika ada angka tertentu yang kita angap hilang dan (3) Range plus one optional discreate missing values jika ada data hilang dengan range yang jelas.

Columns : untuk menyesuaikan rataan kolom (kiri, kanan atau tengah)

Measure : untuk menentukan jenis skala pada setiap variabel. Secara default akan terpilih nominal jika variabel bertipe string dan scale jika data bertipe numeric. Sedangkan ordinal untuk data bertipe kategori

3. Langkah selanjutnya adalah melakukan estimasi model regresi linear dan pengujian asumsi klasik.

Untuk melakukan estimasi model regresi linear berganda perlu dilakukan juga secara bersama pengujian asumsi klasik (normalitas, autokorelasi, multikolinearitas dan heteroskedastisitas) agar output yang dihasilkan dapat lebih baik dalam menjelaskan model regresi linear.

Klik menu Analiyze >> Regresion >> Linear

Masukkan Harga Jual (HJ) sebagai variabel terikat ke kolom Dependent dan Biaya Produksi (BP) serta Laba (L) sebagai variabel bebas ke dalam kolom independent

Lalu klik menu Statistik, centang pada pilihan Model Fit, Estimates untuk membuat estimasi model regresi, Descriptives untuk menghasilkan data deskriptif, Colinearity diagnostics  untuk menghasilkan output uji multikolinearitas dan durbin Watson untuk menghasilkan output uji autokorelasi, lalu klik continue

Setelah itu klik menu Plots lalu masukkan atau pindahkan *ZPRED ke kotak X dan *ZRESID ke kotak Y untuk memnunculkan hasil uji heteroskedastisitas dan centang pilihan Normal probability plot untuk mengahsilkan output uji normalitas. Lalu klik continue

Setelah klik OK, maka akan muncul tampilan output SPSS

Ingat klik icon SAVE untuk menyimpan file data dan file output hasil analisis ini. Langkah selanjutnya adalah melakukan pengujian asumsi klasik

Uji Normalitas

Hasil uji normalitas dapat dilihat pada gambar Normal P-P Plot pada output SPSS. Kriteria data residual terdistribusi secara normal atau tidak dengan pendekatan Normal P-P Plot dalah dengan melihat sebaran titik-tik yang ada pada gambar. Apabila sebaran titik-titik tersebut mendekati atau rapat pada garis lurus (diagonal) maka dikatakan bahwa data residual terdistribusi secara normal, namun apabila sebaran titik-tik tersebut menjauhi garis maka tidak terdistribusi normal

Jika dilihat dari sebaran titik-titik dari gambar normal P-P plot diatas relative mendekati garis lurus, sehingga dapat disimpulkan bahwa data residual penelitian ini terdistribusi normal. Hal ini berarti uji normalitas terpenuhi. Namun kelemahan dari pengujian dengan melihat sebaran titik pada grafik normal PP-Plot terletak pada kriteria dekat atau jauhnya sebaran titik-titik dari garis diagonal. Untuk itu subyektifitas peneliti menjadi penting dalam menentukan keabsahan uji ini. Untuk lebih meyakinkan, maka saya akan melakukan uji normalitas dengan metode lainnya yakni menggunakan metode Kolmogorov-Smirnov, dengan cara : klik menu Analiyze >> Non parametric test >> 1 Sample K-S

Lalu masukkan seluruh variabel ke dalam “Test Variable List”, lalu klik OK

Maka akan muncul output SPSS dibawah ini 

Untuk melihat apakah data terdistribusi normal atau tidak maka kita lihat pada baris “Asymp Sig. (2-tailed)” dimana bila nilai tiap variabel lebih dari (> 0,05) maka uji normalitas terpenuhi. Jika kita melihat hasil output SPSS, maka nilai tiap variabel pada baris “Asymp Sig. (2-tailed)” lebih besar dari 0,05, untuk itu maka uji normalitas terpenuhi.

Uji Autokorelasi

Hasil uji autokorelasi dapat dilihat pada output SPSS pada table Model Summary yakni nilai Durbin Watson. Nilai Durbin Watson pada table output SPSS disebut dengan DW Hitung. Nilai ini kemudian dibandingkan dengan nilai pada table DW dengan kriteria d_L dan d_U yang ditentutakn berdasarkan jumlah variabel bebas dan jumlah sampel. Jika nilai DW hitung berada diantara nilai 0 dan d_L maka adanya autokorelasi positif, dan jika nilai DW hitung berada diantara nilai d_U dan   4-d_U, maka disimpulkan tidak ada autokorelasi serta jika nilai DW hitung berada diantara nilai  4-d_L dan 4 maka adanya autokorelasi negative

Diperoleh nilai DW hitung sebesar 1,694 dengan jumlah sampel sebanyak 12 dan variabel bebas sebanyak 2 serta tingkat signifikansi eror sebesar 0,05, maka diperoleh nilai d_L =0,8122 dan d_U = 1,5794. Dapat terlihat bahwa nilai DW hitung berada diantara nilai d_U = 1,5794 dan nilai 4-d_U = 4 – 1,5794 =  2,4206. Dengan demikian, tidak terdapat autokorelasi, sehingga uji autokorelasi terpenuhi.

Uji Multikolinearitas

Hasil uji multikolinearitas dapat dilihat pada output SPSS pada table Coefficient yaitu pada nilai Collinearity Statistik (Tolerance dan VIF). Jika nilai VIFdari kedua variabel tidak ada yang lebih besar dari 10 maka dapat dikatakan tidak terjadi multikolinearitas pada variabel bebas tersebut

Dari table diatas, nilai VIF pada kedua variabel bebas (BP dan L) sama sama bernilai 4,589 dengan tolerance senilai 0,218. Karena nilai VIF kedua variabel itu lebih kecil dari 10 maka dismpulkan tidak terdapat multikolinearitas. Dengan demikian uji multikolinearitas terpenuhi.

Uji heteroskedastisitas

Hasil uji ini dapat dilihat pada gambar Scatterplot pada output SPSS. Jika sebaran titik tidak membentuk suatu pola/alur tertentu maka disimpulkan tidak terjadi heteroskedastisitas

Dilihat dari grafik Scaterplot diatas, sebaran titik-titiknya tidak membentuk suatu pola atau alur tertentu, sehingga disimpulkan tidak adanya heteroskedastisitas. Dengan demikian uji heteroskedastisitas terpenuhi.

Setelah seluruh uji asumsu klasik terpenuhi, maka langkah selanjutnya adalah melakukan uji kelayakan model. Apakah model (persamaan) regresi linear berganda yang telah diestimasi dapat dengan baik menjelaskan pengaruh variabel bebas terhadap variabel terikatnya. Dalam uji kelayakan model ini juga dapat diketahui seberapa besar pengaruh (siginifikan atau tidak) variabel bebas terhadap variabel terikat baik secara simultan maupun parsial.

Uji keterandalan model / signifikasi simultan (uji F)

Hasil uji F ini dapat dilihat pada table ANOVA yakni nilai prob. F pada kolom Sig. Jika nilai prob F hitung lebih kecil dari tingkat siginifikansi 0,05 maka dapat dikatakan bahwa model regresi yang diestimasi layak

Berdasarkan table diatas, nilai prob F hitung (sig.) bernilai 0,000 lebih kecildari tingkat signifikansi 0,05 sehingga dapat disimpulkan bahwa model regresi linear yang diestimasi layak digunakan untuk menjelaskan pengaruh variabel bebas terhadap variabel terikat yang telah ditentukan.

Selain pengujian ini, dapat juga kita melihat berdasarkan nilai F hitung. Jika nilai F hitung > dari F table maka dapat disimpulkan bahwa persamaan regresi yang diestimasi sangat signifikan pada taraf kepercayaan 0,05

Berdasarkan table Anova diatas, nilai F hitung = 1952,988, dimana nilai F table dengan jumlah variabel bebas (k) = 2 dan jumlah sampel penelitian (n) = 12 diperoleh nilai df1 = k-1 = 2-1 = 1; serta df2 = n-k = 12-2 = 10, sehingga diperoleh nilai F table untuk signifikansi 0,05 sebesar 4,96. Karena F hitung = 1952,988 > F table = 4,96, maka disimpulkan bahwa persamaan regresi linear yang diestimasi berpengaruh secara signifikan. Kesimpulan lain yang juga bisa ditarik dari uji F ini adalah semua variabel bebas secara bersama-sama berpengaruh signifikan terhadap variabel terikat.

Uji Koefisien regresi / signifikansi individual (uji t)

Hasil uji t ini dapat dilihat pada otput SPSS pada table Coeficient. Apabila nilai prob.t hitung pada output SPSS yang ditunjukkan pada kolom Sig. lebih kecil dari tingkat kesalahan 0,05 maka dapat dikatakan bahwa variabel bebas dari t hitung dimaksud berpengaruh signifikan terhadap variabel terikatnya

Dari table diatas, nilai prob t hitung dari variabel “BP” sebesar 0,000 yang lebih kecil dari 0,05 sehingga disimpulkan variabel “BP” berpengaruh signifikan terhadap variab “HJ”. Sama halnya dengan variabel “L” karena nilai prob t hitung = 0,000 yang juga lebih kecil dari 0,05 maka dapat disimpulkan bahwa variabel “L” berpengaruh signifikan terhadap variabel “HJ”.

Selain pengujian ini, dapat juga kita lihat berdasarkan nilai t hitung, Jika nilai t hitung lebih besar dari t table, maka variabel bebas secara individual atau parsial berpengaruh terhadap variabel terikat

Berdasarkan table coeficient diatas diperoleh nilai t hitung untuk variabel “BP” sebesar 20,188 dan untuk variabel “L” sebesar 9.759. Dengan signifikansi 0,05 dan n = 12 dan k =2 maka diperoleh derajat kebebasan dk = n-k = 12 – 2 = 10. Dengan demikian diperoleh nilai t table sebesar 2,228. Karena nilai t hitung untuk kedua variabel bebas diatas lebih besar dari nilai t table maka disimpulkan bahwa koefisien korelasi untuk variabel “BP” dan variabel “L” berpengaruh signifikan terhadap variabel “HJ” secara parsial

Uji koefisien determinasi (R²)

Hasil uji ini dapat dilihat pada output SPSS pada table model summary pada nilai Adjusted R Square

Berdasarkan table diatas nilai adjusted R Square sebesar 0,997. Hal ini menunjukkan bahwa proporsi pengaruh variabel “BP” dan “L” terhadap variabel “HJ” sebesar 99,7 %. Hal ini juga berarti bahwa variabel terikat “HJ” juga dipengaruhi oleh variabel lain diluar model regresi linear yang diestimasi, namun pengaruhnya sangat kecil yakni 0,3 %.

Setelah analisis data dilakukan, langkah selanjutnya adalah pembahasan hasil penelitian melalui interpretasi model analisis regresi linear yang telah diestimasi.

Persamaan (model) regresi linear berganda yang telah diestimasi sebagai berikut

Y = a + b₁X₁ + b₂X₂

Harga Jual (HJ) = -2.165.029,606 + 1,477 Biaya Produksi (BP) + 0,589 Laba (L)

Kesimpulan yang dapat diambil antara lain :

1. Jika dilihat pada model regresi linear diatas koefisien regresi variabel BP bernilai positif. Hal ini menjelaskan bahwa pada saat biaya produksi mengalami kenaikan maka harga jual yang ditetapkan perusahaan juga akan naik, begitupun sebaliknya jika biaya produksi mengalami penurunan, maka harga jual yang ditetapkan juga akan lebih rendah. Kenaikan harga biaya produksi sebesar 1 rupiah akan meningkatkan harga jual sebesar 1,477 rupiah.
2. Sama halnya dengan koefisien regresi variabel L yang juga bernilai positif. Ini menjelaskan bahwa pada saat laba atau keuntungan yang ditetapkan oleh perusahaan semakin naik akan mengakibatkan harga jual semakin tinggi, sebaliknya jika laba atau keuntungan yang ditetapkan perusahaan menurun maka harga jual yang ditetapkan juga akan lebih rendah. Kenaikan laba sebesar 1 rupiah akan meningkatkan harga jual sebesar 0,589 rupiah.
3. Biaya produksi dan besaran laba yang ditetapkan perusahaan berpengaruh signifikan terhadap penentuan harga jual baik secara simultan (bersama-sama) maupun secara parsial (terpisah). 
4. Biaya produksi dan laba yang ditetapkan perusahaan memiliki proporsi pengaruh yang sangat besar terhadap penentuan harga jual yakni sebesar 99,7 %. 
5. Penentuan harga jual juga dipengaruhi oleh factor lainnya, namun proporsinya sangat kecil yakni hanya 0,3 %

Demikian contoh dan pembahasan terkait penggunaan analisis regresi linear dengan menggunakan SPSS. Semoga tulisan ini dapat membantu banyak calon peneliti terutama mahasiswa dalam menyelesaikan tugas akhirnya dan menjadi amal jariyah buat penulis. Terima Kasih

Silahkan download versi PDF nya DISINI