Dengan a dan b merupakan parameter yang harus diduga dari data. Model regresi
logistic di atas akan diubah menjadi bentuk linier,
log Y=
log Y=
log Y=
log Y=
Jadi, bentuk linier dari model regresi logistik
yaitu :
log Y=
Dalam hal ini linier dalam x dan log Y.
Kemudian dimisalkan bahwa
, maka diperoleh
adalah sebagai
berikut :
dan
Selanjutnya untuk memperoleh koefisien a dan b dapat dilakukan dengan cara sebagai
berikut :
Karena
dan
maka diperoleh
dan
Dengan alat bantu program SPSS, diperoleh nilai Thitung dari Anova, dan dari tabel
dapat diperoleh Ttabel. Terima H0 jika Thitung < Ttabel dan tolak H0 jika Thitung > Ttabel.
3. Uji Asumsi Analisis Regresi
a) Normal Residul
H0 : Residul berdistribusi normal.
H1 : Residul tidak berdistribusi normal.
Untuk menentukan apakah menolak atau menerima H0 , P-value dibandingkan
dengan suatu nilai yaitu taraf kepercayaan dengan ketentuan sebagai berikut :
b) Kebebasan residul
Pengujian kebebasan galat dengan menggunakan Autokorelasi yaitu jika garis
merah melewati garis hitam atau garis merah tidak membentuk suatu corong,
mak kebebasan galat terpenuhi.
c) Uji homogenitas residual
Untuk menguji kehomogenitas residual digunakan alat bantu SPSS.
Homogenitas residual bersifat homogeny atau tidak saling bebas jika ada
korelasi antar sisa.
1.2 Regresi Hiperbolik
1.2.1 Persamaan Umum Regresi Non Linear Model Hiperbola dan Bentuk Linear dari
Persamaan Tersebut
Persamaan regresi hiperbola (lengkung cekung)ada dua model, yaitu:
1.2.1.1 Y^=
1.2.1.2 Y^=
berartibahwa dalam persamaan ini penyebaran nilai Y ada yang negatif. Model
hiperbola ini jarang dipakai pada penelitian pendidikan karena nilai-nilai yang
dihadapi dalam dunia pendidikan sifatnya positif. .Walaupun terjadimaka model
ini pun dapat digunakan, sedangkan perhitungan koefisien regresinyatidak
berbeda dengan yang telah dibahas di muka (regresi linier sederhana seluruhnya
= 0.1, jika data diperoleh dari penelitian terhadap manusia atau binatang.
= 0.00, dalam bidang kedokteran.
Terima H0 jika P_value > ,
Tolak H0 jika P_value < .
1.2.3.2 Kebebasan Residuel
Untuk menguji kebebasan residual dilihat dari autokorelasi fungsi
untuk residual. Homogenitas residual bersifat homogen atau tidak saling
bebas jika ada korelasi antar sisa.
1.2.3.3 Homogenitas
Untuk mengetahui apakah sisa antara variable terikat dengan variablebebas
mempunyai keragaman yang homogen, atau tidak menunjukkan
kecenderungan tertentu. Jika standar sisa 95% berada diantara (-2,2) secara
merata maka sisa dikatakan berada dalam sebaran sehingga mempunyai
keragaman yang tetap.
Jika asumsi kehomogenan ini terpenuhi maka secara otomatis asumsi
normalitas akan dipenuhi, jika sumsi ini tidak dipenuhi maka dilakukan cara
untuk mengatasi salah satunya dengan cara melakukan transformasi terhadap
data tersebut.
Keuntungan (Y)
(dalam ribuan
rupiah)
150
270
480
750
1350
2310
3625
5390
9950
15510
26500
40350
77510
111950
165300
31600
627480
804250
1540980
2314250
3923250
6010500
12334230
15975210
Keterangan :
X : Bulan (mulai produksi sampai produk umur 24 bulan)
Y : Keuntungan (dalam ribuan rupiah)
Berikut ini ditunjukkan plot dari data di atas.
Gambar
Dalam plot di atas diketahui bahwa model regresi yang diperoleh tidak berbentuk linier akan
tetapi berbentuk non linier yaitu Logistik.
3.2 Pendugaan Parameter Regresi
Untuk mentransformasikan persamaan regresi non linier logistic dalam bentuk linier, maka
diperlukan nilai-nilai sebagai berikut :
X
1
2
3
4
Y
150
270
480
750
log Y
2.17609126
2.43136376
2.68124124
2.87506126
X^2
1
4
9
16
X*log Y
2.17609126
4.86272753
8.04372371
11.5002451
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
300
1350
2310
3625
5390
9950
15510
26500
40350
77510
111950
165300
31600
627480
804250
1540980
2314250
3923250
6010500
12334230
15975210
3.13033377
3.36361198
3.55930801
3.73158877
3.99782308
4.1906118
4.42324587
4.60584354
4.88935774
5.0490241
5.21827285
4.49968708
5.79759989
5.90539107
6.187797
6.36441027
6.59364598
6.7789106
7.09111204
7.20344658
44023145
dengan
112.74478
25
36
49
64
81
100
121
144
169
196
225
256
289
324
361
400
441
484
529
576
4900
15.6516688
20.1816719
24.9151561
29.8527101
35.9804077
41.906118
48.6557046
55.2701225
63.5616506
70.6863374
78.2740928
71.9949933
98.5591981
106.297039
117.568143
127.288205
138.466566
149.136033
163.095577
172.882718
1656.8069
sehingga dapat
Setelah diperoleh model regresi yang linier maka kita dapat melakukananalisa sebagai
berikut:
3.2.1
ANOVA
Sum of Squares
Regression
Residual
Total
Df
Mean Square
282.406
282.406
5.220
22
.237
287.626
23
F
1.190E3
Sig.
.000
Karena data diperoleh dari lapangan maka = 0,05. Diperoleh Ftabel= 4,30095 dan
Fhitung= 1,190E3. Karena Fhitung> Ftabel maka tolak H0, ini berarti model regresi berarti
sehingga dapat disimpulkan bahwa model regresi log Y = 2.0075 +0.2152X
signifikan.
3.2.2
Coefficients
Standardized
Unstandardized Coefficients
B
Std. Error
.609
.009
(Constant)
.010
.002
Coefficients
Beta
T
.371
Sig.
69.620
.000
4.872
.000
Dari tabel diperoleh Ttabel= 1,71714 dan dari Anova diperoleh Thitung= 4,872. Karena
Thitung > Ttabel maka tolak H0.Ini berarti variabel bebas berpengaruh terhadap variabel
terikat. Atau dengan kata lain penjualan suatu produk dari mulai diproduksi sampai
produk tersebut berumur 24 bulan (2 tahun) berpengaruh terhadap keuntungan yang
diperoleh.
3.3 Regresi Hiperbolik
Toko Maju Makmur pada hari pertama pembukaan memiliki jumlah pengunjung yang
berbeda pada setiap menitnya. Pada menit-menit pertama pembukaan, terdapat banyak
pengunjung yang tertarik untuk melihat-lihat dan membeli di toko tersebut. Data pengunjung
diberikan sebagai berikut:
X= menit setelah toko dibuka
Y= jumlah pengunjung toko
20
35
150
125
60
100
150
300
500
800
1200
1300
1500
1600
105
100
92
97
97
62
58
40
38
35
Pertama yang harus dilakukan adalah menyiapkan lembar kerja berisi data dan
formula-formula yang diperlukan.
3.4.2
Data di atas dianalisis dengan regresi model hiperbola yang ditransformasi menjadi
bentuk linier.
Nilai-nilai yang diperlukan untuk mencari parameter adalah sebagai berikut:
jumlah
X
20
35
60
100
150
300
500
800
1200
1300
1500
1600
7565
Y
150
125
105
100
92
97
97
62
58
40
38
35
Diperoleh
,
N=12
Sehingga didapat:
= 0,00733
1/Y
0,006667
0,008
0,009524
0,01
0,01087
0,010309
0,010309
0,016129
0,017241
0,025
0,026316
0,028571
0,178936
X^2
400
1225
3600
10000
22500
90000
250000
640000
1440000
1690000
2250000
2560000
8957725
X1/Y
0,133333333
0,28
0,571428571
1
1,630434783
3,092783505
5,154639175
12,90322581
20,68965517
32,5
39,47368421
45,71428571
163,1434703
= 0,000012
Jadi persamaan regresi model hiperbolik dari data di atas adalah
3.5.2
Untuk mendapatkan plot grafik pilih Analyze, Regression, Curve Estimation. Pada
kotak dialog isikan seperti gambar.
3.4.3 Masukkan variable sepery pada kolom dependent(s) dan X pada kolom independent.
Pada table Models pilih linier, kemudia pilih Display ANOVA table.
Model Summary
Adjusted R
Square
Estimate
R Square
.963
.927
.919
.002
Df
Mean Square
Regression
.001
.001
Residual
.000
10
.000
Total
.001
11
Sig.
126.151
0.00000
Coefficients
Standardized
Unstandardized Coefficients
B
x
(Constant)
Std. Error
1.202E-5
.000
0.00733
.001
Coefficients
Beta
.963
Sig.
11.232
0.00000
7.934
0.00001
Df
Mean Square
Regression
.001
.001
Residual
.000
10
.000
Total
.001
11
Sig.
126.151
0.00000
Karena data diperoleh dari lapangan maka = 0,05. Diperoleh Ftabel= 4,30095 dan Fhitung=
126,151. Karena Fhitung> Ftabel maka tolak H0, ini menunjukkan bahwa model regresi berarti
sehingga dapat disimpulkan bahwa model regresi
adalah signifikan.
3.7 Uji koefisien regresi
Untuk menguji koefisian regresi digunakan uji T, dengan hipotesissebagai berikut:
Ho:i=0 artinya variabel bebas tidak berpengaruh terhadap variabel terikat.
Ho:i0 artinya variabel bebas berpengaruh terhadap variabel terikat.
Dengan alat bantu SPSS, diperoleh:
Coefficients
Standardized
Unstandardized Coefficients
B
x
(Constant)
Std. Error
1.202E-5
.000
0.00733
.001
Coefficients
Beta
.963
Sig.
11.232
0.00000
7.934
0.00001
Dari tabel diperoleh Ttabel= 1,71714 dan dari Anova diperoleh Thitung= 7,934. Karena Thitung >Ttabel
maka tolak H0.Ini berarti variabel bebas berpengaruh terhadap variabel terikat. Atau dengan
kata lain lamanya waktu toko dibuka mempengaruhi /berpengaruh terhadap jumlah
pengunjung.
Sehingga dapat disimpulkan bahwa model regresi 1/Y= 0.00733+0.000012X signifikan,
dengan kata lain data sangat mendukung adanya hubungan antara menit (X) dengan
pengunjung (Y) dengan persamaan 1/y=0.00733+0.000012X.