Analisa Regresi

1. Pengertian Regresi Analisa regresi bertujuan meneliti apakah antara variabel-variabel yang ada memiliki hubungan dan bila memiliki hubungan, bagaimana bentuk dari hubungan tersebut. Analisa regresi dimulai dengan melukiskan diagram sebaran yang mencerminkan hubungan antara variabel-variabel tersebut diistimasi dan akhirnya keberartian atau keseksamaan koefisienkoefisien regresi yang diperoleh dari istimasi itu diuji dalam kerangka jangka keyakinan yang telah disiapkan. 2. Hubungan Fungsional Analisis regresi sederhana sering kali meneliti hubungan sebab akibat (kausal) antara dua buah variabel oleh karena itu biasanya dicari hubungan regrese variabel Y terhadap X dan bukan sebaliknya sehingga dapat dirumuskan sebagai berikut : Y=f(X)

Y = variabel tak bebas X = variabel bebas f = tanda hubungan fungsional Hubungan fungsional merupakan hubungan antara variabel bebas dan tak bebas yang saling pengaruh mempengaruhi, yang artinya bahwa : besar kecilnya Y akan sangat dipengaruhi oleh besar kecilnya X. Rumus di atas dapat berkembang apabila jumlah variabel bebas tersebut dapat diperluas menjadi tak terhingga, makan rumusnya sebagai berikut : Y = f (X1, X2, X3 Xn)

Dari pola tersebut dapat berbentuk berbagai persamaan garis lurus; disamping itu hubungan kedua jenis variabel tersebut : kuadratis (pangkatan) sehingga diperoleh bentuk : garis parabola, hyperbola ellips atau lingkaran, namun mungkin berbentuk kubik (pangkat tiga) dan bentuk logaritma. Hubungan dalam bentuk persamaan garis lurus, merupakan pola hubungan yang paling sering dijumpai untuk itu dapat dirumuskan sebagai berikut : Y = a + bX

Y = variabel tak bebas X = variabel bebas a,b = konstanta untuk mendapatkan nilai konstanta a dan b maka rumus yang digunakan : a = ( Y ) ( X2 ) ( X ) ( XY ) n ( X2 ) ( X )2 b = n ( XY ) ( X ) ( Y ) n ( X2 ) ( X )2

Analisa Rangkaian Waktu

1. Pengertian ARW ARW merupakan analisa kejadian yang periodic, yaitu analisa kejadian dari waktu yang lampau sampai dengan keadaan sekarang, yang akan dipergunaan untuk meramalkan keadaan waktu yang akan datang. Analisa rangkaian waktu terutama bermanfaat untuk dunia usaha. Serangkaian kegiatan yang mengamati suatu variabel yang dikumpulkan dari waktu ke waktu, disusun menurut urutan kejadian. Pola gerak data rangkaian waktu, pada dasarnya memiliki karakteristik tertentu, dan pada tahap-tahap tertentu menunjukkan pola gerak data tertentu pula. Dengan pola gerak data rangkaian waktu yang ada dan pasti tersebut memungkinkan untuk meramalkan keadaan dunia usaha di waktu yang akan datang. Pola gerak data tersebut dapat dikelompokkan dalam 4 kelompok, yaitu : a. Varasi Sekuler (Se) Pada variasi sekuler (Se) dalam grafiknya akan menunjukkan adanya arah tertentu yang bertahan dalam jangka waktu cukup lama, maka Se disebut juga longterm, variations atau juga seculer trend. b. Variasi Siklik (Si) Gerakan data nampak berayun-ayun dalam jangka waktu panjang di seputar garis kurva; hal ini mungkin disebabkan sifat berkala karena gerak diulang-ulang dalam jangka waktu yang sama. Pola siklik ini adalah dunia usaha kita kenal Business Cyclies dengan interval-interval = kemakmuran resesi, depresi, dan kepulihan.

c. Variasi Musiman (Mu) Mu adalah variasi yang menunjukkan rangkaian waktu yang pada bulan-bulan tertentu dalam tiap tahun, menunjukkan pola gerak yang identik. d. Variasi Random (Ra) Adalah variasi yang menunjukkan gerak-gerak tak teratur (sporadik), yang mungkin disebabkan oleh faktor-faktor bencana alam, perang dan sebagainya. Jadi pola gerak variasi data pada RAW yang mempunyai 4 kelompok, namun hanya menunjukkan karakteristik gerak dan jangka waktu gerak, karena pada dasarnya memiliki kegunaan yang sama yaitu untuk menyusun ramalan yang diharapkan; dalam rangka memutuskan langkah-langkah selanjutnya. 2. Pengolahan Data Analisis Rangkaian Waktu Pola kejadian yang relative selalu sama tersebut memungkinkan kita dalam mengenali / menghafalkan tanda-tanda tersebut, sehingga kebijakan-kebijakan yang diambil akan sangat mudah. Untuk menyederhanakan perhitungan ARW dapat digunakan persamaan regresi linear, maka akan mempermudah ramalan waktu yang akan datang. Maka persamaan tersebut adalah : Y = a + bX

Y = variabel yang diharapkan berubah X = periode atau waktu perubahan variabel tersebut a = titik potong dengan sumbu Y b = slope dari garis Y = f ( X ) Dalam hal ini ada 2 cara untuk menghitung nilai konstanta a dan b, yaitu : 1. Memberi skala 0 n pada angka tahun tersebut, dengan menggunakan rumus : a = ( Y ) ( X2 ) ( X ) ( XY ) n ( X2 ) ( X )2 b = n ( XY ) ( X ) ( Y ) n ( X2 ) ( X )2 2. Memberi skala 0 n pada tahun, tetapi diusahakan agar X = 0, sehingga rumus di atas dapat disederhanakan menjadi : a = ( Y ) ( X2 ) ( 0 ) ( XY )

n ( X2 ) ( 0 )2 = ( Y ) ( X2 ) n ( X2 ) b = n ( XY ) ( 0 ) ( Y ) n ( X2 ) ( 0 )2 = n ( XY ) n ( X2 ) = ( XY ) ( X2 )