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 :
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 Y X1 X2
1 40 1 30
2 44 1 35
3 49 2 42
4 53 2 47
5 60 3 50
6 65 3 62
7 69 4 64
8 78 5 71
9 85 6 79
10 92 7 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
1 40 1 30 1 900 30 40 1200
2 44 1 35 1 1225 35 44 1540
3 49 2 42 4 1764 84 98 2058
Dengan metode Cramer didapatkan b0 = 20.638; b1=3.742; b2=0.533 sehingga persamaan regresinya
menjadi :
Bab ini membahas masalah pengenalan analisis regresi dan teori regresi. Setelah selesai
membaca bagian ini maka pembaca akan dapat memahami:
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
Membuat estimasi rata-rata dan nilai variabel tergantung dengan didasarkan pada
nilai variabel bebas.
Untuk meramalkan nilai rata-rata variabel bebas dengan didasarkan pada nilai
variabel bebas diluar jangkaun sample.
2.3 Asumsi
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
a. Model regresi dikatakan layak jika angka signifikansi pada ANOVA sebesar <
0.05
b. Predictor yang digunakan sebagai variabel bebas harus layak. Kelayakan ini
diketahui jika angka Standard Error of Estimate < Standard Deviation
d. 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.
e. Tidak terjadi otokorelasi. Terjadi otokorelasi jika angka Durbin dan Watson (DB)
sebesar < 1 dan > 3
g. Terdapat hubungan linier antara variabel bebas (X) dan variabel tergantung (Y)
j. 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.
Pengujian hipotesis dapat didasarkan dengan menggunakan dua hal, yaitu: tingkat
signifikansi atau probabilitas (α) 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:
Contoh uji hipotesis misalnya rata-rata produktivitas pegawai sama dengan 10 (μ x= 10),
maka bunyi hipotesisnya ialah:
Hipotesis statistiknya:
H0: μ x= 10
H1: μ x > 10 Untuk uji satu sisi (one tailed) atau
H1: μ x < 10
H1: μ x ≠ 10 Untuk uji dua sisi (two tailed)
Beberapa hal yang harus diperhatikan dalam uji hipotesis ialah;
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.
Konsitensi Dalam Teori: Model sebaiknya segaris dengan teori. Pengukuran tanpa
teori akan dapat menyesatkan hasilnya.
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