Dr. Hendro Widjanarko, SE., MM Jurusan Manajemen Fakultas Ekonomi UPN Veteran Yogyakarta
10/27/2013
10/27/2013
Descriptiv e Statistics Mean 246.40 34.67 187.93 Std. Deviation 41.11 9.68 38.09 N 15 15 15
Correlations SALES 1.000 .916 .901 . .000 .000 15 15 15 PROMOSI .916 1.000 .735 .000 . .001 15 15 15 OUTLET .901 .735 1.000 .000 .001 . 15 15 15
Pearson Correlation
Sig. (1-tailed)
10/27/2013
Analisis
Rata-rata sales (dgn jml data 15) adl Rp. 246,4 jt dgn st dev Rp. 41,11 jt Rata-rata bi promosi (jml data 15) adl Rp. 34,67 jt dgn st dev Rp. 9,68 jt Luas outlet rata-rata (jm data 15) adl 187,93 m2 dgn st dev 38,09 m2 Besar hub antar var sales dgn promosi yg dihit dgn koef kor adl 0,916. Hal ini menunjukkan hub yg sangat erat (mendekati 1) di antara sales dgn bi promosi. Sedangkan var sales dgn outlet adl 0,901.Scr teoritis, krn korelasi antara sales dan promosi lebih besar, maka variabel promosi lebih berpengaruh thd sales dibanding var outlet. Terjadi korelasi yg cukup kuat antara var promosi dgn outlet, yaitu 0,735. Hal ini menandakan adanya multikolinieritas, atau korelasi di antara variabel bebas.
10/27/2013
Tk sig koef kor satu sisi dr output (diukur dr probabilitas) menghasilkan angka 0.000 atau praktis 0. Oleh karena probabilitas jauh di bawah 0,05, maka korelasi antara sales dgn promosi dan outlet sangat nyata.
10/27/2013
b Variables Entered/Remov ed
Model 1
Variables Removed .
Method Enter
Model 1
10/27/2013
Analisis
Tabel VARIABEL ENTERED mennjukkan bahwa tdk ada var yg dikeluarkan (removed), atau dgn kata lain kedua ver bebas dimasukkan dlm perhitungan regresi. Angk R square adl 0,952 (adl pengkuadratan dr koef kor). Hal ini berarti 95,2% sales perusahan dpt dijelaskan oleh var biaya promosi dan outlet yg disewa. Sedangkan sisanya (100%-95,2% = 4,8%) dijelaskan oleh sebab-sebab yg lain. R square berkisar pd angka 0 smp 1, dgn catatan semakin kecil angka R square, semakin lemah hub antar variabel. Std error f Estimate adl 9,76 atau Rp. 9,76 jt (satuan yg dipakai adl var dependen, dlm hal ini adalah sales). Artinya bahwa std deviasi sales adl Rp. 41,11 jt, yg jauh lebih besar dr std error of estimate yg hanya Rp. 9,76 jt. Oleh karena lebih kecil dr std dev sales, maka model regresi lebih bagus dlm bertindak sbg prediktor sales dr pd rata-rata sales itu sendiri.
10/27/2013
Model 1
df 2 12 14
F 118.294
Sig. .000 a
Model 1
Unstandardized Coefficients B Std. Error 64.639 13.112 2.342 .398 .535 .101
10/27/2013
Bagaimana Anda meyakinkan bahwa spesifikasi model ekonometri yang Anda gunakan tepat dalam kasus regresi 2 variabel? Jika dalam data Anda ada beberapa angka negatif namun Anda menginginkan koefisien regresi diukur dengan elastisitas, apa yang akan Anda lakukan? Jelaskan mengapa model regresi dengan intersep lebih disarankan daripada regresi tanpa intersep.
10/27/2013
Analsis
Dari uji ANOVA atau F test, didapat F hitung adl 118,294 dg tk sig 0,0000. Oleh karena prob (0,000) jauh lebih kecil dr 0,05 maka model regresi dpt dipakai unt memprediksi sales. Atau dpt dikatakan, promosi dan luas outlet yg disewa secara bersama-sama berpengaruh thd sales. Tabel selanjutnya mengambakan pers regresi: Y = 64,639 + 2,342 X1 +0,535 X2 Dimana : Y = sales X1 = bi promosi X2 = luas out let Konstanta sebesar 64,639 menyatakan bahwa jk tdk ada bi promosi dan outlet yg disewa perusahaan, maka sales adl sebesar Rp. 64,639 jt. Koef reg X1 sebesar 2,343 menyatakan bahwa setiap penambahan (krn tanda +) Rp. 1,- maka bi promosi akan meningkatkan sales sebesar Rp. 2,343,-. Koef reg X2 sebesar 0,535 menyatakan bahwa setiap penambahan (krn tanda +) 1m2 luas outlet yg disewa akan meningkatkan sales sebesar Rp. 0,535 ,-. Uji t unt menguji sig konstanta dan var dependen (promosi).
10/27/2013
Terlihat bahwa pada kolom sig/significance adalah 0,000 atau probabilitas jauh di bawah 0,05. Maka Ho di tolak, atau koefisien reg signifikan, atau promosi benar-benar berpengaruh scr sig thd sales. Terlihat bahwa pada kolom sig/significance adalah 0,000 atau probabilitas jauh di bawah 0,05. Maka Ho di tolak, atau koefisien reg signifikan, atau outlet benar-benar berpengaruh scr sig thd sales.
10/27/2013
a Casewise Diagnostics
Case Number 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
DAERAH Jakarta Tangeran g Bekasi Bogor Bandung Semaran g Solo Yogya Surabaya Purwokert o Madiun Tuban Malang Kudus Pekalong an
Std. Residual -.448 -.844 .368 .810 .454 -.652 .336 -1.124 -.053 -.942 .524 -.490 -.562 -.126 2.748
SALES 205 206 254 246 201 291 234 209 204 216 245 286 312 265 322
Predicted Value 212.68 220.46 247.70 232.13 193.23 302.17 228.24 228.24 204.90 232.13 236.02 294.39 321.62 267.15 274.93
Residual -7.68 -14.46 6.30 13.87 7.77 -11.17 5.76 -19.24 -.90 -16.13 8.98 -8.39 -9.62 -2.15 47.07
10/27/2013
Casewise diagnostic memperlihatkan hasil prediksi dr persamaan regresi. Misal pd baris pertama unt reg daerah jakarta: Pers regresi adl: Y = 111,523 + 3,891 X Unt bi promosi jakarta, dr data awal kasus adl Rp. 26 jt, maka: Y = 111,523 + (3,891 x 26) atau 212, 689 Terlihat pd kolom predicted value atau nilai yg diprediksi adl 212,68 (dibulatkan) Kolom residual adalah selisih antara sales yg sesungguhnya dgn sales hail prediksi; 205-212,68 = -7,68 atau Rp. 7,68 jt. Kolom std residual atau standardized residual/residual yg distandardisasikan adl hasil perhitungan;
10/27/2013
Kolom std residual atau standardized residual/residual yg distandardisasikan adl hasil perhitungan; Residual/std error of estimate untk jakarta: -7,68/17,13 = -0,448 Angka 17,13 dr out put bagian empat (Model Summary), dan berlaku untuk semua daerah (15 data). Semakin kecil Residual akan semakin baik bagi persamaan regresi dalam memprediksi data.
10/27/2013
a Residuals Statistics
Predicted Value Std. Predicted Value Standard Error of Predicted Value Adjusted Predicted Value Residual Std. Residual Stud. Residual Deleted Residual Stud. Deleted Residual Mahal. Distance Cook's Distance Centered Leverage Value
Minimum 193.23 -1.412 4.42 191.17 -19.24 -1.124 -1.174 -20.99 -1.192 .001 .000 .000
Maximum 321.62 1.998 10.16 326.84 47.07 2.748 2.909 52.75 4.732 3.991 .511 .285
Mean 246.40 .000 6.05 246.79 -2.27E-14 .000 -.010 -.39 .111 .933 .067 .067
Std. Deviation 37.65 1.000 1.65 38.69 16.50 .964 1.025 18.71 1.423 1.108 .128 .079
N 15 15 15 15 15 15 15 15 15 15 15 15
10/27/2013
Bagian ini (residual statistics) adl unt membuat ringkasan yang meliputi nilai minimum dan maksimum, mean dan std deviasi dari predicted value (nilai yg diprediksi) dan statistik residu.
10/27/2013
Bagian gambar/chart
Partial Regression Plot Dependent Variable: SALES
50 Kudus 40 30 20 10 0 -10 Malang Bogor Bekas i Surabay Madiun a Y ogy a Bandung Solo Jakarta Tangerang Purwok erto Pekalongan Tuban Semarang
SALES
-10
10
20
PROMOSI
10/27/2013
10/27/2013
Bogor Madiun Bandung Bekasi Solo Surabaya Tuban Semarang Yogya -20 0 20 40 60 80 Jakarta Malang Tangerang Purw okerto
SALES
OUTLET
10/27/2013
10/27/2013
PT Sukses dalam beberapa bulan gencar mempromosikan sejumlah peralatan elektronik dengan membuka outlet-outlet di berbagai daerah. Berikut adalah data mengenai penjualan biaya promosi dan jumlah outlet yang dikeluarkan di 15 daerah di Indonesia.
Daerah Jakarta Tangerang Bekasi Bogor Bandung Semarang Solo Yogya Surabaya Purwokerto Madiun Tuban Malang Kudus Pekalongan
10/27/2013
Sales (jt) Promosi (jt) outlet (m2) 205 26 159 206 28 164 254 35 198 246 31 184 201 21 150 291 49 208 234 30 184 209 30 154 204 24 149 216 31 175 245 32 192 286 47 201 312 54 248 265 40 166 322 42 287
Tambahan kinerja variabel yang baru adalah: Laju penduduk suatu daerah, dengan satuan % tiap tahun. Jumlah kmpetitor (pesaing), dengan satuan kompetitor. Pendapatan rata-rata penduduk suatu daerah, dgn satuan juta rupiah per tahun.
10/27/2013
Analisis
.
SALES INCOME LAJU_PEN OUTLET PESAING PROMOSI
Descriptiv e Statistics Mean 246.40 3.33 1.98 187.93 16.20 34.67 Std. Deviation 41.11 .92 .51 38.09 3.88 9.68 N 15 15 15 15 15 15
Correlations SALES 1.000 -.287 -.143 .901 .744 .916 . .150 .305 .000 .001 .000 15 15 15 15 15 15 INCOME -.287 1.000 -.111 -.252 -.073 -.339 .150 . .347 .183 .397 .108 15 15 15 15 15 15 LAJU_PEN -.143 -.111 1.000 -.199 -.495 -.062 .305 .347 . .238 .030 .413 15 15 15 15 15 15 OUTLET .901 -.252 -.199 1.000 .574 .735 .000 .183 .238 . .013 .001 15 15 15 15 15 15 PESAING .744 -.073 -.495 .574 1.000 .796 .001 .397 .030 .013 . .000 15 15 15 15 15 15 PROMOSI .916 -.339 -.062 .735 .796 1.000 .000 .108 .413 .001 .000 . 15 15 15 15 15 15
Pearson Correlation
Sig. (1-tailed)
SALES INCOME LAJU_PEN OUTLET PESAING PROMOSI SALES INCOME LAJU_PEN OUTLET PESAING PROMOSI SALES INCOME LAJU_PEN OUTLET PESAING PROMOSI
10/27/2013
Analisis
Rata-rata sales (jml data 15) adl Rp. 246,4 jt dgn st dev Rp. 41,11 jt. Rata-rata income (jml data 15) adl Rp. 3,328 jt dgn st dev Rp. 922.100 jt. Rata-rata laju penduduk (jml data 15) adl Rp. 1,9833 % dgn st dev 0,507 %. Luas outlet Rata-rata (jml data 15) adl 187,93 m2 dgn st dev 38,09 m2. Rata-rata biaya promosi (jml data 15) adl Rp. 34,67 jt dgn st dev Rp. 9,68 jt. Pesaing Rata-rata (jml data 15) adl 16,2 pesaing (dibulatkan 16 kompetitor) dgn st dev 3,88.
10/27/2013
Korelasi
Pada kolom satu; Besar hub antar var sales dgn var bebas, dgn diurutkan dari terbesar ke terkecil: Promosi = 0,916 Outlet = 0,901 Pesaing = 0,744 Income = 0,287 (tanda hanya menunjukkan arah hub yg berlawanan) Laju penduduk = 0,143 (Hal ini menunjukkan var pesaing dan laju penduduk mempunyai korelasi yg lemah krn dibawah 0,5) Terjadi korelasi yg cukup kuat antara var promosi dgn outlet dan pesaing (diatas 0,5). Hal ini menandakan adanya multikolinieritas, atau korelasi antara ketiga var tersebut. Tingkat sig koef kor satu sisi dr output (diukur dr probabilitas) menghasilkan angka yg bervariasi, dgn catatan var laju penduduk dan income tdk berkorelasi scr sig (mempunyai nilai sig di atas 0,05) dgn var lainnya.
10/27/2013
b Variables Entered/Remov ed
Model 1
Variables Removed
Method
Enter
INCOME
LAJU_PEN
PESAING
Backward (criterion: Probabilit y of F-to-remo ve >= .100). Backward (criterion: Probabilit y of F-to-remo ve >= .100). Backward (criterion: Probabilit y of F-to-remo ve >= .100).
10/27/2013
Metode backward dimulai dgn memasukkan semua var (pd model 1 yg mempunyai ket ENTER). Kemudian dilakukan analisis dan variabel yg tdk layak masuk dlm regresi dikluarkan satu per satu. Model 2 menyatakan var yg dikeluarkan (removed) adl var income. Kemdian pada model 3, var laju_pen yg dikeluarkan. Pada model ke 4 var pesaing yg dikeluarkan. Dengan demikian setelah melewati 4 tahapan, var bebas yg layak dimasukkan dlm model regresi adl var promosi dan outlet.
10/27/2013
e Model Summary
Model 1 2 3 4
a. Predictors: (Constant), PROMOSI, LAJU_PEN, INCOME, OUTLET, PESAING b. Predictors: (Constant), PROMOSI, LAJU_PEN, OUTLET, PESAING c. Predictors: (Constant), PROMOSI, OUTLET, PESAING d. Predictors: (Constant), PROMOSI, OUTLET e. Dependent Variable: SALES
10/27/2013
Adjusted R square
10/27/2013
ANOVAe Sum of Squares 22564.432 1099.168 23663.600 22561.748 1101.852 23663.600 22548.747 1114.853 23663.600 22521.299 1142.301 23663.600
Model 1
df 5 9 14 4 10 14 3 11 14 2 12 14
Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total
Mean Square 4512.886 122.130 5640.437 110.185 7516.249 101.350 11260.649 95.192
F 36.952
Sig. .000 a
51.191
.000 b
74.161
.000 c
118.294
.000 d
a. Predictors: (Constant), PROMOSI, LAJU_PEN, INCOME, OUTLET, PESAING b. Predictors: (Constant), PROMOSI, LAJU_PEN, OUTLET, PESAING c. Predictors: (Constant), PROMOSI, OUTLET, PESAING d. Predictors: (Constant), PROMOSI, OUTLET e. Dependent Variable: SALES
10/27/2013
Analisis
Dari uji ANOVA atau F test, didapat F hitung unt model 4 atau model yg dipakai adl 118,294 dgn tk sig 0,0000. Oleh karena prob (0,000) jauh lebih kecil dr 0,05, maka model regresi dpt dipakai unt memprediksi sales. Dapat dikatakan Promosi dan luas outlet yg disewa secara bersamasama berpengaruh thd sales.
10/27/2013
Coefficientsa Standardi zed Coefficien ts Beta .012 .034 .509 .091 .475 .037 .511 .102 .461 .497 .056 .506 .496 .551
Model 1
(Constant) INCOME LAJU_PEN OUTLET PESAING PROMOSI (Constant) LAJU_PEN OUTLET PESAING PROMOSI (Constant) OUTLET PESAING PROMOSI (Constant) OUTLET PROMOSI
Unstandardized Coefficients B Std. Error 50.126 36.000 .548 3.698 2.760 9.485 .550 .123 .970 2.099 2.017 .924 51.275 33.393 3.035 8.835 .551 .117 1.084 1.855 1.960 .797 61.435 14.864 .537 .104 .597 1.147 2.148 .555 64.639 13.112 .535 .101 2.342 .398
t 1.392 .148 .291 4.455 .462 2.183 1.536 .343 4.717 .584 2.459 4.133 5.146 .520 3.870 4.930 5.297 5.892
Sig. .197 .885 .778 .002 .655 .057 .156 .738 .001 .572 .034 .002 .000 .613 .003 .000 .000 .000
Collinearity Statistics Tolerance VIF .750 .377 .395 .132 .109 .392 .397 .152 .132 .459 .366 .251 .459 .459 1.333 2.651 2.534 7.592 9.162 2.549 2.518 6.573 7.556 2.179 2.729 3.985 2.177 2.177
10/27/2013
Analisis
Collinearity statistic: Pada kolom TOLERANCE Besar toleransi 0,750, hal ini berarti R2 adl 1-0,750 atau 0,250. Berarti hanya 25% variabilitas income dpt dijelaskan oleh prediktor (var bebas) yg lain. Default SPSS bagi angka tolerance adl 0,0001. Semua var yg akan dimasukkan dlm perhitungan model regresi hrs mempunyai tolerance di atas 0,0001. (semua var telah memenuhi persyaratan ambang toleransi)
10/27/2013
KOLOM VIF VIF (variance Inflation Factor) mempunyai persamaan: VIF = 1/Tolerance Misal; pada model 1 unt var Income, didapat besar tolerance 0,750. Maka besar VIF adl 1/0,75 = 1,333 Jika VIF lebih besar dr 5, maka var tsb terjadi multikolienirita dgn var bebas yg lainnya.
10/27/2013
Mengambarkan persamaan regresi Pada model 4, pada kolom Unstandadized Coefficient, didapat persamaan: Y = 64,639 + 2,342 X1 + 0,535 X2
10/27/2013
a Collinearity Diagnostics
Model 1
Dimension 1 2 3 4 5 6 1 2 3 4 5 1 2 3 4 1 2 3
Eigenvalue 5.774 .120 7.567E-02 1.701E-02 1.108E-02 2.452E-03 4.857 .101 2.342E-02 1.648E-02 2.552E-03 3.937 3.723E-02 1.751E-02 8.330E-03 2.954 3.462E-02 1.124E-02
Condition Index 1.000 6.944 8.735 18.423 22.827 48.526 1.000 6.942 14.400 17.169 43.623 1.000 10.284 14.994 21.740 1.000 9.237 16.210
(Constant) .00 .00 .00 .01 .28 .71 .00 .00 .12 .00 .88 .00 .48 .08 .44 .00 .58 .42
Variance Proportions LAJU_PEN OUTLET .00 .00 .04 .01 .15 .00 .05 .55 .01 .07 .75 .37 .00 .00 .14 .00 .09 .00 .02 .62 .75 .37 .00 .00 .46 .53 .00 .00 1.00
PESAING .00 .01 .01 .06 .08 .84 .00 .02 .02 .13 .84 .00 .04 .47 .48
PROMOSI .00 .01 .00 .05 .13 .81 .00 .01 .17 .01 .81 .00 .14 .03 .82 .00 .41 .59
10/27/2013
Analisis
10/27/2013
d Excluded Variables
Model 2 3 4
Collinearity Statistics Minimum Tolerance VIF Tolerance .750 1.333 .109 .780 1.282 .211 .392 2.549 .132 .885 1.130 .434 .945 1.058 .436 .366 2.729 .251
a. Predictors in the Model: (Constant), PROMOSI, LAJU_PEN, OUTLET, PESAING b. Predictors in the Model: (Constant), PROMOSI, OUTLET, PESAING c. Predictors in the Model: (Constant), PROMOSI, OUTLET d. Dependent Variable: SALES
10/27/2013
Analisis
10/27/2013
Analisis
10/27/2013
a Residuals Statistics
Minimum Predicted Value 194.09 Residual -14.89 Std. Predicted Value -1.304 Std. Residual -1.526 a. Dependent Variable: SALES
N 15 15 15 15
10/27/2013
Terimakasih
Malang, 22 Juli 2008
10/27/2013