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 Kolmogorof-
Smirnov. 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 variabel-
variabel 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 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

Mahasiswa Y X1 X2 X1.X1 X2.X2 X1.X2 X1.Y X2.Y

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

4 53 2 47 4 2209 94 106 2491

5 60 3 50 9 2500 150 180 3000

6 65 3 62 9 3844 186 195 4030

7 69 4 64 16 4096 256 276 4416

8 78 5 71 25 5041 355 390 5538

9 85 6 79 36 6241 474 510 6715

10 92 7 85 49 7225 595 644 7820

Jumlah (Σ) 635 34 565 154 35045 2259 2483 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

b. Predictor yang digunakan sebagai variabel bebas harus layak. Kelayakan ini
diketahui jika angka Standard Error of Estimate < Standard Deviation

c. Koefesien regresi harus signifikan. Pengujian dilakukan dengan Uji T. Koefesien

regresi signifikan jika T hitung > T table (nilai kritis)

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

f. 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.

g. Terdapat hubungan linier antara variabel bebas (X) dan variabel tergantung (Y)

h. Data harus berdistribusi normal

 i. Data berskala interval atau rasio

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.

2.6 Uji Hipotesis

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:

 H0 (hipotessis nol) dan H1 (hipotesis alternatif)

Contoh uji hipotesis misalnya rata-rata produktivitas pegawai sama dengan 10 (μ 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: 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;

 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, parameter-

parameter 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?