Anda di halaman 1dari 13

Metode Analisa Regresi

Metode Analisis Data 1. Analisis Regresi Berganda Salah satu teknik peramalan adalah menggunakan metode regresi. Model analisis yang digunakan dalam penelitian ini adalah analisis statistik dengan menggunakan analisis regresi berganda. Persamaan regresi menggunakan variabel independent suatu periode tertentu pada masa lalu untuk meramalkan nilai variabel dependen. Variabel dependen dalam penelitian ini yaitu laba yang diprediksikan dipengaruhi oleh variabel-variabel independen yaitu laba itu sendiri, piutang dagang, persediaan, biaya administrasi dan penjualan, serta rasio laba kotor terhadap penjualan. Persamaan regresi yang digunakan dalam penelitian ini adalah sebagai berikut: Y=a + a1x1 + a2x2 + a3x3 + a4x4 + a5x5 + e Keterangan : Y : Perubahan laba a : konstanta ai : koefisien regresi x1 : Laba x2 : Piutang dagang x3 : Persediaan x4 : Biaya administrasi dan penjualan x5 : Rasio laba kotor terhadap penjualan e : error item 2. Asumsi-Asumsi Model Regresi Berganda Pengujian terhadap asumsi-asumsi model regresi perlu dilakukan terlebih dahulu sebelum persamaan regresi tersebut digunakan. a. Uji Normalitas Uji normalitas digunakan untuk mengetahui kepastian sebaran data yang diperoleh berdistribusi normal atau tidak. Salah satu cara agar data dapat berdistribusi normal adalah dengan menggunakan metode trimming yaitu menghilangkan data yang bersifat outlier. Outlier adalah data yang memiliki nilai di luar batas normal. Setelah data yang bersifat outlier dihilangkan, uji normalitas menggunakan uji KolmogorofSmirnov. Dengan uji ini dapat diketahui apakah distribusi nilai-nilai sampel yang teramati berdistribusi normal. Kriteria pengujian dengan dua arah (two-tailed test) yaitu dengan membandingkan probabilitas yang diperoleh dengan taraf signifikansi 0,05. Jika p>0,05 maka data terdistribusi normal. b. Heteroskedastisitas Heteroskedastisitas adalah kondisi di mana seluruh faktor gangguan tidak memiliki varian yang sama atau variannya tidak konstan untuk seluruh pengamatan-pengamatan atas x. Heteroscedasticity akan menyebabkan penaksiran koefisien-koefisien regresi menjadi tidak efisien. Pendeteksian ada tidaknya heteroskedastisitas dengan cara membandingkan t hitung dengan t tabel pada hasil regresi. c. Autokorelasi Autokorelasi adalah adanya korelasi antar anggota-anggota dari serangkaian pengamatan. Autokorelasi menunjukkan hubungan antara nilai-nilai yang berurutan dari variabel yang sama. Akibat adanya autokorelasi terhadap penaksiran regresi adalah R2 menjadi lebih tinggi dari yang seharusnya dan pengujian hipotesis dengan menggunakan statistik dan f-statistik akan menyesatkan. Pendekatan yang digunakan dalam penelitian ini adalah dengan uji Durbin-Watson .

d. Multikolinieritas Multikolinieritas digunakan untuk menunjukkan adanya hubungan linier di antara variabelvariabel bebas dalam model regresi. Jika variabel-variabel bebas berkorelasi secara sempurna maka metode kuadrat terkecil tidak bisa digunakan. Variabel-variabel yang tidak berkorelasi dikatakan orthogonal yang menunjukkan bahwa tidak ada masalah multikolinieritas. Akibat adanya multikolinieritas adalah koefisien-koefiesien regresi menjadi tidak dapat ditaksir dan nilai standar error setiap koefisien regresi menjadi tak terhingga. Adanya multikolinieritas dapat dilihat dari nilai tolerance yang lebih kecil dari 0,1 atau Variance Inflation Factor (VIF) yang lebih besar dari 10 atau Eigenvalue yang semakin mendekati 0 atau condition index melebihi 15. 3. Pengujian Hipotesis a. Pengujian Koefisien Regresi Parsial (Uji t) Pengujian ini dimaksudkan untuk mengetahui apakah secara individu variabel independen mempunyai pengaruh secara signifikan terhadap variabel dependen dengan asumsi variabel independen lainnya konstan. Dalam penelitian ini variabel laba, piutang dagang, persediaan, biaya administrasi dan penjualan, rasio laba kotor terhadap penjualan secara individu diuji pengaruhnya terhadap laba sebagai variabel independen. b. Pengujian Koefisien Regresi Serentak (Uji F) Pengujian ini dilakukan untuk menyelidiki apakah variabel independen secara serentak mempunyai pengaruh terhadap variabel dependen. Dalam penelitian ini laba, piutang dagang, persediaan, biaya administrasi dan penjualan, rasio laba kotor terhadap penjualan diuji pengaruhnya secara serentak terhadap laba sebagai variabel independen. c. Pengujian Ketepatan Perkiraan (Uji R2) Metode ini digunakan untuk menilai proporsi total variasi variabel dependen yang dapat dijelaskan oleh variabel-variabel independen R2 yang digunakan adalah R2 yang telah memperhitungkan jumlah variabel bebas dalam suatu regresi atau disebut R2 yang telah disesuaikan (adjusted R2).

Analisis Regresi Linier Berganda


Analisis regresi linier berganda ialah suatu alat analisis dalam ilmu statistik yang berguna untuk mengukur hubungan matematis antara lebih dari 2 peubah. Bentuk umum persamaan regresi linier berganda ialah sebagai berikut :

Persamaan tersebut diduga oleh persamaan di bawah ini :

Menentukan b0, b1, b2, , bk dapat menggunakan metode kuadrat terkecil melalui apa yang disebut dengan persamaan normal seperti di bawah ini :

Bentuk persamaan matriks di atas termasuk ke dalam suatu sistem persamaan linier. Mencari atau menentukan b0, b1, b2, b3, , bn berarti mencari atau menentukan solusi dari sistem persamaan linier (SPL). Mencari solusi SPL ada berbagai macam cara, diantaranya ialah Metode Eliminasi Gauss, Metode Invers (Metode Matriks yang diperbesar dan Metode Matriks Adjoin), dan Metode Cramer. Metode Cramer merupakan metode yang paling populer dalam menentukan suatu solusi SPL karena sifatnya yang mudah dipelajari dan sederhana. Menurut Cramer jika kita punya SPL sebagai berikut :

Maka x1, x2, x3, , xn dapat langsung dicari dengan membagi determinan matriks Aj dengan determinan matriks koefisien A. Dimana :

Teladan : Diketahui peubah nilai ekonomi makro (Y) dipengaruhi oleh jumlah jam belajar per minggu (X 1) dan nilai pengantar ekonomi (X2) dengan data sebagai berikut : Mahasiswa 1 2 3 4 5 6 7 8 9 10 Y 40 44 49 53 60 65 69 78 85 92 X1 1 1 2 2 3 3 4 5 6 7 X2 30 35 42 47 50 62 64 71 79 85

Berdasarkan data di atas tentukan hubungan matematis antara nilai ekonomi makro dengan jumlah jam belajar per minggu dan nilai pengantar ekonomi.
Jawaban : Dari data di atas diketahui bahwa Y merupakan fungsi linier dari X1 dan X2, Y=f(X1, X2) sehingga persamaan regresi yang didapat akan seperti ini : Y = b0 + b1X1 + b2X2 Mahasiswa 1 2 3 4 5 6 7 8 9 10
Jumlah ()

Y 40 44 49 53 60 65 69 78 85 92
635

X1 1 1 2 2 3 3 4 5 6 7
34

X2 30 35 42 47 50 62 64 71 79 85
565

X1.X1 1 1 4 4 9 9 16 25 36 49
154

X2.X2 900 1225 1764 2209 2500 3844 4096 5041 6241 7225
35045

X1.X2 30 35 84 94 150 186 256 355 474 595


2259

X1.Y 40 44 98 106 180 195 276 390 510 644


2483

X2.Y 1200 1540 2058 2491 3000 4030 4416 5538 6715 7820
38808

Persamaan normalnya ialah sebagai berikut :

Dengan metode Cramer didapatkan b0 = 20.638; b1=3.742; b2=0.533 sehingga persamaan regresinya menjadi :

Y = 20.638 + 3.742 X1 + 0.533 X2

TEORI ANALISIS REGRESI LINIER MENGENAL ANALISIS REGRESI

Bab ini membahas masalah pengenalan analisis regresi dan teori regresi. Setelah selesai membaca bagian ini maka pembaca akan dapat memahami:

Pengertian regresi linear Konsep-konsep dasar dalam regresi Kegunaan teknik analisis regresi

2.1 Pengertian Untuk mengukur besarnya pengaruh variabel bebas terhadap variabel tergantung dan memprediksi variabel tergantung dengan menggunakan variabel bebas. Gujarati (2006) mendefinisikan analisis regresi sebagai kajian terhadap hubungan satu variabel yang disebut sebagai variabel yang diterangkan (the explained variabel) dengan satu atau dua variabel yang menerangkan (the explanatory). Variabel pertama disebut juga sebagai variabel tergantung dan variabel kedua disebut juga sebagai variabel bebas. Jika variabel bebas lebih dari satu, maka analisis regresi disebut regresi linear berganda. Disebut berganda karena pengaruh beberapa variabel bebas akan dikenakan kepada variabel tergantung.

2.2 Tujuan Tujuan menggunakan analisis regresi ialah Membuat estimasi rata-rata dan nilai variabel tergantung dengan didasarkan pada nilai variabel bebas. Menguji hipotesis karakteristik dependensi Untuk meramalkan nilai rata-rata variabel bebas dengan didasarkan pada nilai variabel bebas diluar jangkaun sample.

2.3 Asumsi Penggunaan regresi linear sederhana didasarkan pada asumsi diantaranya sbb: Model regresi harus linier dalam parameter

Variabel bebas tidak berkorelasi dengan disturbance term (Error) . Nilai disturbance term sebesar 0 atau dengan simbol sebagai berikut: (E (U / X) =0 Varian untuk masing-masing error term (kesalahan) konstan Tidak terjadi otokorelasi Model regresi dispesifikasi secara benar. Tidak terdapat bias spesifikasi dalam model yang digunakan dalam analisis empiris. Jika variabel bebas lebih dari satu, maka antara variabel bebas (explanatory) tidak ada hubungan linier yang nyata

2.4 Persyaratan Penggunaan Model Regresi Model kelayakan regresi linear didasarkan pada hal-hal sebagai berikut: a. Model regresi dikatakan layak jika angka signifikansi pada ANOVA sebesar < 0.05 Predictor yang digunakan sebagai variabel bebas harus layak. Kelayakan ini diketahui jika angka Standard Error of Estimate < Standard Deviation Koefesien regresi harus signifikan. Pengujian dilakukan dengan Uji T. Koefesien regresi signifikan jika T hitung > T table (nilai kritis) Tidak boleh terjadi multikolinieritas, artinya tidak boleh terjadi korelasi yang sangat tinggi atau sangat rendah antar variabel bebas. Syarat ini hanya berlaku untuk regresi linier berganda dengan variabel bebas lebih dari satu. Tidak terjadi otokorelasi. Terjadi otokorelasi jika angka Durbin dan Watson (DB) sebesar < 1 dan > 3 Keselerasan model regresi dapat diterangkan dengan menggunakan nilai r2 semakin besar nilai tersebut maka model semakin baik. Jika nilai mendekati 1 maka model regresi semakin baik. Nilai r2 mempunyai karakteristik diantaranya: 1) selalu positif, 2) Nilai r2 maksimal sebesar 1. Jika Nilai r2 sebesar 1 akan mempunyai arti kesesuaian yang sempurna. Maksudnya seluruh variasi dalam variabel Y dapat diterangkan oleh model regresi. Sebaliknya jika r2 sama dengan 0, maka tidak ada hubungan linier antara X dan Y. Terdapat hubungan linier antara variabel bebas (X) dan variabel tergantung (Y) Data harus berdistribusi normal

b.

c.

d.

e.

f.

g. h.

i. j.

Data berskala interval atau rasio Kedua variabel bersifat dependen, artinya satu variabel merupakan variabel bebas (disebut juga sebagai variabel predictor) sedang variabel lainnya variabel tergantung (disebut juga sebagai variabel response)

2.5 Linieritas Ada dua macam linieritas dalam analisis regresi, yaitu linieritas dalam variabel dan linieritas dalam parameter. Yang pertama, linier dalam variabel merupakan nilai rata-rata kondisional variabel tergantung yang merupakan fungsi linier dari variabel (variabel) bebas. Sedang yang kedua, linier dalam parameter merupakan fungsi linier parameter dan dapat tidak linier dalam variabel.

2.6 Uji Hipotesis Pengujian hipotesis dapat didasarkan dengan menggunakan dua hal, yaitu: tingkat signifikansi atau probabilitas () dan tingkat kepercayaan atau confidence interval. Didasarkan tingkat signifikansi pada umumnya orang menggunakan 0,05. Kisaran tingkat signifikansi mulai dari 0,01 sampai dengan 0,1. Yang dimaksud dengan tingkat signifikansi adalah probabilitas melakukan kesalahan tipe I, yaitu kesalahan menolak hipotesis ketika hipotesis tersebut benar. Tingkat kepercayaan pada umumnya ialah sebesar 95%, yang dimaksud dengan tingkat kepercayaan ialah tingkat dimana sebesar 95% nilai sample akan mewakili nilai populasi dimana sample berasal. Dalam melakukan uji hipotesis terdapat dua hipotesis, yaitu:

H0 (hipotessis nol) dan H1 (hipotesis alternatif)

Contoh uji hipotesis misalnya rata-rata produktivitas pegawai sama dengan 10 ( x= 10), maka bunyi hipotesisnya ialah:

H0: Rata-rata produktivitas pegawai sama dengan 10 H1: Rata-rata produktivitas pegawai tidak sama dengan 10

Hipotesis statistiknya:

H0: x= 10 H1: x > 10 Untuk uji satu sisi (one tailed) atau H1: x < 10 H1: x 10 Untuk uji dua sisi (two tailed)

Beberapa hal yang harus diperhatikan dalam uji hipotesis ialah;


Untuk pengujian hipotesis kita menggunakan data sample. Dalam pengujian akan menghasilkan dua kemungkinan, yaitu pengujian signifikan secara statistik jika kita menolak H0 dan pengujian tidak signifikan secara statistik jika kita menerima H0. Jika kita menggunakan nilai t, maka jika nilai t yang semakin besar atau menjauhi 0, kita akan cenderung menolak H0; sebaliknya jika nila t semakin kecil atau mendekati 0 kita akan cenderung menerima H0.

Menggunakan kurva untuk menguji hipotesis dapat digambarkan sebagai berikut: a) Untuk uji dua sisi

b) Untuk uji sebelah kanan

c)

Untuk uji sebelah kiri

2.7 Karakteristik Model yang Baik Model dikatakan baik menurut Gujarati (2006), jika memenuhi beberapa kriteria seperti di bawah ini: Parsimoni: Suatu model tidak akan pernah dapat secara sempurna menangkap realitas; akibatnya kita akan melakukan sedikit abstraksi ataupun penyederhanaan dalam pembuatan model. Mempunyai Identifikasi Tinggi: Artinya dengan data yang ada, parameterparameter yang diestimasi harus mempunyai nilai-nilai yang unik atau dengan kata lain, hanya akan ada satu parameter saja. Keselarasan (Goodness of Fit): Tujuan analisis regresi ialah menerangkan sebanyak mungkin variasi dalam variabel tergantung dengan menggunakan variabel bebas dalam model. Oleh karena itu, suatu model dikatakan baik jika eksplanasi diukur dengan menggunakan nilai adjusted r2 yang setinggi mungkin. Konsitensi Dalam Teori: Model sebaiknya segaris dengan teori. Pengukuran tanpa teori akan dapat menyesatkan hasilnya. Kekuatan Prediksi: Validitas suatu model berbanding lurus dengan kemampuan prediksi model tersebut. Oleh karena itu, pilihlah suatu model yang prediksi teoritisnya berasal dari pengalaman empiris.

2.8 Ringkasan Analisis regresi berbeda dengan analisis korelasi. Jika analisis korelasi digunakan untuk melihat hubungan dua variable; maka analisis regresi digunakan untuk melihat pengaruh variable bebas terhadap variable tergantung serta memprediksi nilai variable tergantung dengan menggunakan variable bebas. Dalam analisis regresi variable bebas berfungsi untuk menerangkan (explanatory) sedang variable tergantung berfungsi sebagai yang diterangkan (the explained). Dalam analisis regresi data harus berskala interval atau rasio. Hubungan dua variable bersifat dependensi. Untuk menggunakan analisis regresi diperlukan beberapa persyaratan yang harus dipenuhi.

2.9 Pertanyaan 1) Apa yang dimaksud dengan analisis regresi? 2) Apa tujuan kita menggunakan analisis regresi?

3) Apa perbedaan dasar antara regresi linier sederhana dan regresi linier berganda? 4) Sebutkan asumsi dalam analisis regresi? 5) Sebutkan persyaratan dalam menggunakan analisis regresi? 6) Apa yang dimaksud dengan linieritas dalam analisis regresi? 7) Ada berapa jenis hipotesis dalam analisis regresi? 8) Bagaimana menguji suatu model regresi dikatakan sudah baik? 9) Terangkan uji hipotesis dua sisi dan satu sisi? 10) Sebutkan syarat-syarat model yang baik?