Analisis Regresi Untuk Mengetahui Pengaruh Jumlah Bahan Baku dan Jumlah Tenaga Kerja pada Hasil Produksi PT. Bangun Mesin

Saniya Ramadhanti

22 Mei 2022

1 PENDAHULUAN
2 SOURCE CODE
3 HASIL DAN PEMBAHASAN
4 DAFTAR PUSTAKA

1 PENDAHULUAN

1.1 Latar Belakang

Saat ini dapat kita lihat banyaknya pembangunan dimana-mana.Banyaknya pembangunan memberikan peluang yang bagus untuk industri mesin. Industri mesin akan melakukan produksi mesin dengan mengikuti permintaan pasar. Namun dalam suatu proses produksi terdapat hal hal yang memengaruhi seperti tenaga kerja, bahan baku, kerusakan produksi, dan sebagainya.

Sehingga ingin dibuktikan apakah jumlah produksi mesin dalam 11 bulan terakhir terpengaruh oleh jumlah tenaga kerja dan jumlah bahan baku. Karena penelitian ini bertujuan untuk mengetahui pengaruh jumlah tenaga kerja dan jumlah bahan baku dengan pada PT. Bangun Mesin, maka analisis yang digunakan adalah analisis regresi berganda. Analisis regresi merupakan analisis yang bertujuan untuk menentukan model yang paling sesuai untuk pasangan data serta dapat digunakan untuk membuat model dan menyelidiki hubungan antara dua variabel atau lebih.

1.2 Regresi Linier Berganda

Analisis regresi merupakan analisis yang mempelajari keterkaitan antara variabel respon (Y) dengan satu atau lebih variabel prediktor (X). Jika jumlah variabel bebas (X) lebih dari satu maka disebut regresi berganda. Sedangkan jika hanya terdapat satu variabel bebas (X) dinamakan regresi linear sederhana. Tujuan analisis regresi sendiri adalah untuk melakukan peramalan nilai rata-rata peningkatan variabel respon (Y) jika variabel prediktor (X) bertambah satu atau lebih untuk masing-masing variabel prediktor (X).

Analisis regresi linier berganda adalah hubungan secara linier antara dua atau lebih variabel independen dengan variabel dependen. Analisis ini untuk memprediksi nilai dari variabel dependen apabila nilai variabel independen mengalami kenaikan atau penurunan dan untuk mengetahui arah hubungan antara variabel independen dengan variabel dependen apakah masing masing variabel independen berhubungan positif atau negatif.

Persamaan regresi linier berganda secara matematik diekspresikan oleh :

\[ Y = \beta_{0} + \beta_{1} X_{1} + \beta_{2}X_{2}+ ...+\beta_{n}X_{n} \]

Keterangan:
Y = Variabel dependen (variabel terikat)
\(\beta_{0}\) = Konstanta
\(\beta_{1}\) = Koefisien regresi untuk \(X_1\)
\(\beta_{2}\) = Koefisien regresi untuk \(X_2\)
\(\beta_{n}\) = Koefisien regresi untuk \(X_n\)
\(X_1\) = Variabel prediktor pertama
\(X_2\) = Variabel prediktor kedua
\(X_n\) = Variabel prediktor ke-n

1.3 Uji Asumsi Klasik

Asumsi klasik bertujuan untuk memberikan kepastian bahwa persamaan regresi yang diperoleh memiliki ketepatan dalam estimasi, tidak bias, dan konsisten. Sebelum melakukan analisis regresi terlebih dahulu dilakukan pengujian asumsi. Asumsi-asumsi yang harus dipenuhi dalam analisis regresi antara lain: Linearitas, Normalitas, Homoskedastisitas, Nonmultikolinieritas, dan Nonautokorelasi.

1.3.1 Asumsi Linieritas

Liniearitas merupakan sifat hubungan antar variabel yang bersifat linear. Linearitas dapat menunjukkan sejauh mana jika variabel dependen diprediksi berbaring persis di garis lurus. Jika hasil tabel ANOVA menunjukkan signifikan pada Linearitas (p-value<0.05) maka model linier cocok diterapkan pada hubungan model tersebut.

1.3.2 Asumsi Normalitas

Uji Normalitas bertujuan untuk menguji apakah dalam model regresi suatu variabel pengganggu atau residual memiliki distribusi yang normal atau tidak. Suatu model regresi yang baik adalah dimana datanya berdistribusi normal atau mendekati normal. Uji statistik dalam normalitas dibagi dua yaitu uji statistik sederhana dengan melihat nilai kurtosis dan skewness dari residual dan uji statistik non parametrik Kolmogorov-Smirnov. Hipotesis dari Uji Normalitas:
H0 : Galat tersebar Normal H1 : Galat tersebar tidak Normal

1.3.3 Asumsi Homoskedastisitas

Homoskedastisitas atau non heteroskedastisitas yaitu asumsi yang menyatakan bahwa varian setiap sisaan masih tetap sama baik untuk nilai-nilai pada variabel independen yang kecil maupun besar. Asumsi Homoskedastisitas bertujuan untuk melihat apakah ada ketidaksamaan varian dari residual untuk semua pengamatan pada suatu model regresi. Asumsi ini dapat ditulis sebagai berikut:

\[ var(\varepsilon_{i})= \sigma^{2} , i=1,2,...,n \]
Untuk n menunjukkan jumlah observasi. Salah satu cara menguji kesamaan variansi yaitu dengan melihat pola tebaran sisaan terhadap nilai estimasi Y. Jika tebaran sisaan bersifat acak (tidak membentuk pola tertentu), maka dikatakan bahwa variansi sisaan homogen.

1.3.4 Asumsi Non-Multikolinieritas

Asumsi ini hanya bisa diuji pada model regresi linear berganda untuk mengetahui ada atau tidaknya korelasi antara dua atau lebih variabel. \[ VIF = \frac{1}{1-r_{s}^{2}} \] Hipotesis yang digunakan:
H0= Tidak Terdapat Multikolinieritas
H1= Terdapat Multikolinieritas
Kriteria pengambilan keputusan : VIF < 10 maka tidak terdapat multikolinieritas (Terima H0).

1.3.5 Asumsi Non-Autokorelasi

Autokorelasi adalah sebuah pelanggaran asumsi yang didapat dalam suatu regresi linier berganda. Asumsi ini diuji untuk mengetahui ada atau tidaknya hubungan variabel. Agar pendugaan parameter dapat bersifat BLUE (Best Linear Unbiased Estimate) maka dalam regresi linear berganda seharusnya tidak ada autokorelasi. Adanya autokorelasi antar sisaan dapat dideteksi secara grafis dan empiris. Pendeteksian autokorelasi secara grafis yaitu dengan melihat pola tebaran sisaan terhadap urutan waktu tidak membentuk suatu pola tertemtu atau bersifat acak maka dapat disimpulkan tidak ada autokorelasi antar sisaan .

1.4 Uji SImultan (Uji F)

Uji simultan digunakan untuk mengetahui apakah variabel independen secara bersama-sama atau simultan mempengaruhi variabel dependen. Nilai uji F juga dapat dilihat dari output regresi yang dihasilkan oleh SPSS. Jika tingkat signifikansi < 0,05 (tingkat kepercayaan yang dipilih) maka H0 ditolak dan H1 diterima.

1.5 Uji Parsial (Uji T)

Uji parsial atau uji t digunakan untuk mengetahui apakah variabel independen secara parsial berpengaruh terhadap variabel dependen. Hipotesis yang digunakan dalam uji parsial adalah sebagai berikut:
H0= variabel independen bukan merupakan penjelas yang signifikan terhadap variabel dependen.
H1= variabel independen merupakan penjelas yang signifikan terhadap variabel dependen.

1.6 Data

Data dikumpulkan selama 11 Bulan terakhir di PT. Bangun Mesin dengan mendata jumlah bahan baku, jumlah tenaga kerja, serta total produksi.

Bulan	Jumlah Bahan(X1)	Tenaga Kerja(X2)	Total Produksi(Y)
Januari	24	48	1390
Februari	20	24	1217
Maret	27	50	2058
April	23	38	1165
Mei	23	55	1409
Juni	24	60	1383
Juli	13	24	1076
Agustus	25	43	1259
September	28	66	1627
Oktober	25	60	1682
November	22	36	2149

Table : Data Jumlah bahan, Jumlah tenaga kerja, dan total produksi PT. Bangun Mesin pada 11 bulan terakhir

2 SOURCE CODE

2.1 Library yang Dibutuhkan

> # install.packages("knitr")
> # install.packages("rmarkdown")
> # install.packages("prettydoc")
> # install.packages("equatiomatic")
> # install.packages("car")
> # install.packages("lmtest")

2.2 Membangkitkan Data

> X1= c(24,20,27,23,23,24,13,25,28,25,22)
> X2= c (48,24,50,38,55,60,24,43,66,60,36)
> Y= c(1390,1217,2058,1165,1409,1383,1076,1259,1627,1682,2149)
> Bulan = c(1:11)
> Data.Laprak = data.frame(Bulan,X1,X2,Y)
> Data.Laprak
   Bulan X1 X2    Y
1      1 24 48 1390
2      2 20 24 1217
3      3 27 50 2058
4      4 23 38 1165
5      5 23 55 1409
6      6 24 60 1383
7      7 13 24 1076
8      8 25 43 1259
9      9 28 66 1627
10    10 25 60 1682
11    11 22 36 2149

2.3 Model Regresi Linier Berganda

Untuk membuat persamaan regresi

\[ Y = \beta_{0} + \beta_{1} X_{1} + \beta_{2}X_{2} \] dapat dihitung dengan perhitungan matriks:

\[ \beta = (X'X)^{-1} (X'Y) \]

> Y= matrix(Data.Laprak[,4],nrow=11)
> Y
      [,1]
 [1,] 1390
 [2,] 1217
 [3,] 2058
 [4,] 1165
 [5,] 1409
 [6,] 1383
 [7,] 1076
 [8,] 1259
 [9,] 1627
[10,] 1682
[11,] 2149
> 
> X= matrix(c(rep(1,11), X1, X2),nrow=11, ncol=3)
> X
      [,1] [,2] [,3]
 [1,]    1   24   48
 [2,]    1   20   24
 [3,]    1   27   50
 [4,]    1   23   38
 [5,]    1   23   55
 [6,]    1   24   60
 [7,]    1   13   24
 [8,]    1   25   43
 [9,]    1   28   66
[10,]    1   25   60
[11,]    1   22   36

> beta= solve(t(X) %*% X) %*% (t(X) %*% Y)
> beta
           [,1]
[1,] 433.742666
[2,]  52.006085
[3,]  -3.106577

Sehingga didapat bahwa:

\[ \beta_{0} = 433.742666, \beta_{1} = 52.006085, \beta_{2} = -3.106577 \] Selain menghitung menggunakan martiks, dapat juga dengan menggunakan fungsi lm :

> reg<-lm(Y~X1+X2, data = Data.Laprak)
> summary(reg)

Call:
lm(formula = Y ~ X1 + X2, data = Data.Laprak)

Residuals:
    Min      1Q  Median      3Q     Max 
-346.83 -162.54  -57.88   87.62  682.96 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)
(Intercept)  433.743    672.068   0.645    0.537
X1            52.006     43.706   1.190    0.268
X2            -3.107     12.294  -0.253    0.807

Residual standard error: 342.1 on 8 degrees of freedom
Multiple R-squared:  0.2484,    Adjusted R-squared:  0.0605 
F-statistic: 1.322 on 2 and 8 DF,  p-value: 0.3191
> sisa<-residuals(reg)
> sisa
         1          2          3          4          5          6          7 
-142.77300 -182.30651  375.42190 -346.83269  -50.02087 -112.49407   40.73608 
         8          9         10         11 
-341.31197  -57.87895  134.49984  682.96024

Sehingga didapat bahwa:

\[ \beta_{0} = 433.743, \beta_{1} = 52.006, \beta_{2} = -3.107 \] Berdasarkan perhitungan lm dan matriks diatas, didapat hasil koefisien regresi (\(\beta\)) dari data diatas. Oleh karena itu, maka diperoleh persamaan regresi sebagai berikut:

\[Y=433.743+52.006X_{1}-3.107X_{2}\]

Kemudian dicari Y duga dan Galat:

> Y_duga=X%*%beta
> Y_duga
          [,1]
 [1,] 1532.773
 [2,] 1399.307
 [3,] 1682.578
 [4,] 1511.833
 [5,] 1459.021
 [6,] 1495.494
 [7,] 1035.264
 [8,] 1600.312
 [9,] 1684.879
[10,] 1547.500
[11,] 1466.040

> e=Y-Y_duga
> e
            [,1]
 [1,] -142.77300
 [2,] -182.30651
 [3,]  375.42190
 [4,] -346.83269
 [5,]  -50.02087
 [6,] -112.49407
 [7,]   40.73608
 [8,] -341.31197
 [9,]  -57.87895
[10,]  134.49984
[11,]  682.96024

Y_duga= Y duga
e= galat

2.4 Plot Pemeriksaan Sisaan

Untuk mellakukan pemeriksaan sisaan, dapat dilakukan dengan melihat Reisual vs Fitted, Q-Q Plot, Scale-Location, Cook’s Distance, dan Leverage vs Sisaan.

- Plot Reisual vs Fitted

> plot(reg,1)

Dari grafik diatas daat dilihat bahwa tidak terbentuk pola.

- Plot Normal Q-Q

> plot(reg,2)

Dari grafik diatas dapat dilihat bahwa data masih mengikuti garis putus-putus, kecuali data 3 dan 11. Namun secara keseluruhan masih tidak terlihat adanya pelanggaran normalitas.

- Plot Scale Location

> plot(reg,3)

Dari graik diatas, dapat dilihat bahwa garis merah tidak mendatar sehingga ada kemungkinan jika ada masalah heteroskedastisitas sehingga perlu dilakukan uji asumsi homoskedastisitas.

- Plot Cook’s Distance

> plot(reg,4)

Dari grafik diatas dapat dilihat bahwa titik 3, 8, dan 11 diberi “warning” sebagai amatan berpengaruh karena berada di atas jarak Cook.

- Plot Residual vs Leverage

> plot(reg,5)

Dari grafik di atas, dapat dilihat bahwa data berada di dalam garis putus-putus.

2.5 Uji Asumsi Klasik

2.5.1 Uji Linieritas

Uji Hipotesis:

H0 = Model Linier
H1 = Model Non Linier

> #reset test
> resettest (Y~X1+X2)
Error in resettest(Y ~ X1 + X2): could not find function "resettest"

Hasil menunjukkan bahwa p-value = 0,8181 > alpha 0,05 sehingga Terima H0 dan dapat disimpulkan bahwa hubungan antara X1, X2, dan Y adalah hubungan linier, sehingga model regresi yang cocok digunakan untuk memodelkan hubungan ketiganya adakah model regresi linier.

2.5.2 Asumsi Normalitas

Hipotesis:
H0 : Galat tersebar Normal
H1 : Galat tersebar tidak Normal

> shapiro.test(sisa)

    Shapiro-Wilk normality test

data:  sisa
W = 0.89749, p-value = 0.1722

Dari hasil Uji Shapiro Wilk, diketahui bahwa p-value = 0,1722 > alpha 0,05 sehingga Terima H0 dan dapat disimpulkan bahwa Galat tersebar normal.

2.5.3 Asumsi Homoskedastisitas

Hipotesis:
H0 = Tidak terdapat Heteroskedastisitas (Ragam Galat sama)
H1 = Terdapat Heteroskedastisitas (Ragam Galat tidak sama)

> bptest(reg)
Error in bptest(reg): could not find function "bptest"

studentized Breusch-Pagan test

data:  reg
BP = 2.7859, df = 2, p-value = 0.2483

Dari hasil perhitungan dengan uji Breusch Pagan di atas, didapati nilai p-value = 0,2483 > alpha 0,05 sehingga Terima H0 dan dapat disimpulkan bahwa tidak terdapat Heteroskedastisitas (Ragam Galat sama).

2.5.4 Asumsi Non-Multikolinieritas

Hipotesis:
H0= Tidak Terdapat Multikolinieritas
H1= Terdapat Multikolinieritas

> vif(reg)
Error in vif(reg): could not find function "vif"

      X1       X2 
2.626946 2.626946

Diketahui bahwa nilai VIF X1 dan X2 adalah 2.626946, yang mana lebih kecil dari 10 sehingga masalah Multikolinieritas nya tidak serius atau tidak terjadi gejala multikolinieritas.

2.5.5 Asumsi Non-Autokorelasi

Hipotesis:
H0: Tidak terdapat autokorelasi pada model
H1: Terdapat autokorelasi pada model

> dwtest(reg)
Error in dwtest(reg): could not find function "dwtest"

 Durbin-Watson test

 data:  reg
 DW = 1.6173, p-value = 0.2522
 alternative hypothesis: true autocorrelation is greater than 0

Dari uji Gurbin-Watson, diketahui bahwa nilai p-value = 0,2522 > aplhpa 0,05 sehingga Terima H0 dan dapat disimpulkan bahwa tidak terdapat autokorelasi pada model.

2.6 Uji Simultan (Uji F)

Hipotesis:
H0 : Variabel jumlah bahan dan jumlah tenaga kerja secara simultan tidak berpengaruh terhadap total produksi PT. Bangun Mesin.
H1: Variabel jumlah bahan dan jumlah tenaga kerja secara simultan berpengaruh terhadap total produksi PT. Bangun Mesin.

Untuk menghitung nilai F hitung, dapat dengan cara perhitungan manual:

> JKGalat=t(e)%*%e
> Ybar=mean(Y)
>   
> JKTotal=t(Y-Ybar)%*%(Y-Ybar)
> JKReg=JKTotal-JKGalat
>   
> JK=c(JKReg,JKGalat,JKTotal)
>   
> k=dim(X)[2]
> n=dim(Data.Laprak)[1]
>   
> dbReg=k-1
> dbTotal=n-1
> dbGalat=dbTotal-dbReg
> db=c(dbReg,dbGalat,dbTotal)
>   
> KT=JK/db
>   
> su=c("Regresi","Galat","Total")
>   
> analisis_regresi=data.frame(su,db,JK,KT)
> names(analisis_regresi)=c("SK","db","JK","KT")
> analisis_regresi  
       SK db        JK       KT
1 Regresi  2  309362.7 154681.4
2   Galat  8  936039.5 117004.9
3   Total 10 1245402.2 124540.2

> F_hitung=analisis_regresi$KT[1]/analisis_regresi$KT[2]
> F_hitung
[1] 1.322007

> F_Tabel=qf(0.05,2,9)
> F_Tabel
[1] 0.05158674

> PValue_F=(pf(F_hitung,dbReg,dbGalat, lower.tail=FALSE))
> PValue_F
[1] 0.3191084

Maupun dilihat dari fungsi lm:

> summary(reg)

Call:
lm(formula = Y ~ X1 + X2, data = Data.Laprak)

Residuals:
    Min      1Q  Median      3Q     Max 
-346.83 -162.54  -57.88   87.62  682.96 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)
(Intercept)  433.743    672.068   0.645    0.537
X1            52.006     43.706   1.190    0.268
X2            -3.107     12.294  -0.253    0.807

Residual standard error: 342.1 on 8 degrees of freedom
Multiple R-squared:  0.2484,    Adjusted R-squared:  0.0605 
F-statistic: 1.322 on 2 and 8 DF,  p-value: 0.3191

Dari perhitungan fungsi lm dan manual diatas didapatkan hasil yang sama yaitu p-value = 0,3191
Keputusan:
p-value = 0,3191 > alpha 0,05 sehingga Tolak H0.
Kesimpulan:
Dapat disimpulkan bahwa secara simultan terdapat hubungan antara variabel jumlah bahan, jumlah tenaga kerja, dan total produksi PT. Bangun Mesin.

2.7 Uji Parsial

Hipotesis bagi Variabel jumlah bahan (X1):
H0= Variabel jumlah bahan secara parsial tidak berpengaruh terhadap total produksi PT. Bangun Mesin.
H1= Variabel jumlah bahan secara parsial berpengaruh terhadap total produksi PT. Bangun Mesin.

Hipotesis bagi Variabel jumlah tenaga kerja (X2):
H0= Variabel jumlah tenaga kerja secara parsial tidak berpengaruh terhadap total produksi PT. Bangun Mesin.
H1= Variabel jumlah tenaga kerja secara parsial berpengaruh terhadap total produksi PT. Bangun Mesin.

> var_cov=analisis_regresi$KT[2]*solve(t(X)%*%X)
> simp_baku=rep(0,k)
> for(i in 1:k){
+   simp_baku[i]=sqrt(var_cov[i,i])
+ }
> 
> t_hit=beta/simp_baku
> t_hit
           [,1]
[1,]  0.6453854
[2,]  1.1899173
[3,] -0.2526918

> PValue_T=2*pt(abs(t_hit),8,lower.tail=FALSE)
> PValue_T
          [,1]
[1,] 0.5367439
[2,] 0.2681911
[3,] 0.8068780

> T_Tabel=qt(0.05,8,lower.tail=FALSE)
> T_Tabel
[1] 1.859548

> summary(reg)

Call:
lm(formula = Y ~ X1 + X2, data = Data.Laprak)

Residuals:
    Min      1Q  Median      3Q     Max 
-346.83 -162.54  -57.88   87.62  682.96 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)
(Intercept)  433.743    672.068   0.645    0.537
X1            52.006     43.706   1.190    0.268
X2            -3.107     12.294  -0.253    0.807

Residual standard error: 342.1 on 8 degrees of freedom
Multiple R-squared:  0.2484,    Adjusted R-squared:  0.0605 
F-statistic: 1.322 on 2 and 8 DF,  p-value: 0.3191

Variabel jumlah bahan (X1)

Keputusan :
T hitung = 1.190 > T Tabel = 1,186 dan P-Value = 0,268 > alpha 0,05 sehingga Tolak H0.
Kesimpulan:
Dapat disimpulkan bahwa jumlah bahan secara parsial berpengaruh terhadap total produksi PT. Bangun Mesin.

Variabel Jumlah tenaga kerja (X2)

Keputusan :
T hitung = -0,253 > T Tabel = -1,183 dan P-Value = 0,807 > alpha 0,05 sehingga Tolak H0.
Kesimpulan :
Dapat disimpulkan bahwa jumlah tenaga kerja secara parsial berpengaruh terhadap total produksi PT. Bangun Mesin.

3 HASIL DAN PEMBAHASAN

3.1 Model Regresi Linier Berganda

Model persamaan regresi untuk variabel jumlah bahan, jumlah tenaga kerja, dan total produksi PT. Bangun Mesin adalah :

\[Y=433.743+52.006X_{1}-3.107X_{2}\]
Nilai 433.743 merupakan konstanta
Setiap pertambahan 1 unit bahan akan meningkatkan total produksi sebanyak 52 unit
Setiap pertambahan 1 orang tenaga kerja akan menurunkan hasil produksi sebanyak 3 unit.

3.2 Uji Asumsi Klasik

3.2.1 Uji Linieritas

Didapatkan hasil p-value = 0,8181 > alpha 0,05 sehingga Terima H0 dan dapat disimpulkan bahwa hubungan antara jumlah bahan, jumlah tenaga kerja, dan total produksi PT. Bangun Mesin adalah hubungan linier, sehingga model regresi yang cocok digunakan untuk memodelkan hubungan ketiganya adakah model regresi linier.

3.2.2 Asumsi Normalitas

Didapatkan hasil Uji Shapiro Wilk, bahwa p-value = 0,1722 > alpha 0,05 sehingga Terima H0 dan dapat disimpulkan bahwa Galat tersebar normal.

3.2.3 Asumsi Homoskedastisitas

Didapatkan hasil perhitungan dengan uji Breusch Pagan nilai p-value = 0,2483 > alpha 0,05 sehingga Terima H0 dan dapat disimpulkan bahwa tidak terdapat Heteroskedastisitas (Ragam Galat sama).

3.2.4 Asumsi Non_Multikolinieritas

Didapatkan nilai VIF X1 dan X2 adalah 2.627, yang mana lebih kecil dari 10 sehingga masalah Multikolinieritas nya tidak serius atau tidak terjadi gejala multikolinieritas.

3.2.5 Asumsi Non-Autokorelasi

Didapatkan hasil uji Gurbin-Watson, bahwa nilai p-value = 0,2522 > aplhpa 0,05 sehingga Terima H0 dan dapat disimpulkan bahwa tidak terdapat autokorelasi pada model.

3.3 Uji Simultan

Didapatkan hasil p-value = 0,3191 > alpha 0,05 sehingga Tolak H0. Dapat disimpulkan bahwa secara simultan terdapat hubungan antara variabel jumlah bahan, jumlah tenaga kerja, dan total produksi PT. Bangun Mesin.

3.4 Uji Parsial

Variabel jumlah bahan
Didapatkan hasil nilai P-Value = 0,268 > alpha 0,05 sehingga Tolak H0. Dapat disimpulkan bahwa secara parsial terdapat hubungan antara jumlah bahan dan total produksi PT. Bangun Mesin.
Variabel jumlah tenaga kerja
Didapatkan hasil nilai P-Value = 0,807 > alpha 0,05 sehingga Tolak H0. Dapat disimpulkan bahwa secara parsial terdapat hubungan antara jumlah tenaga kerja dan total produksi PT. Bangun Mesin.

4 DAFTAR PUSTAKA

Draper, N.R., & Smith, H. (1998). Applied Regression Analysis. New York: John Wiley and sons.

Kurniawan, D. (2008). Regresi linier. R-Foundation for Statistical Computing. Vienna, Austria, 17.

Montgomery, D.C., Peck, E.A., & Vining, G.G. (1992). Introduction to Linear Regression Analysis. Toronto: John Wiley & Sons

Sulistyono, S., & Sulistiyowati, W. (2018). Peramalan produksi dengan metode regresi linier berganda. PROZIMA (Productivity, Optimization and Manufacturing System Engineering), 1(2), 82-89.

Yuliara, I. M. (2016). Regresi Linier Berganda. Denpasar: Universitas Udayana.