PENGANGGARAN PERUSAHAAN

ANALISIS REGERESI

resume ini dibuat untuk memenuhi Tugas mata kuliah Penganggaran Perusahaan

yang diampu Bapak Satriya Candra Bondan Prabowo,SE,MM

DISUSUN OLEH :

RAFI ASHARI SITEPU 185020200111051

AHMAD SHOFY YUDDIN 185020200111060

IBNU AZMI DAFFA 185020200111063

REYNALDI OKSA ARIANDRI 185020207111036

PROGRAM STUDI MANAJEMEN

FAKULTAS EKONOMI DAN BISNIS

UNIVERSITAS BRAWIJAYA

MALANG

2020
 ANALISIS REGRESI

1. Analisis Regresi Sederhana

Analisis Regresi Sederhana : Adalah analisis yang digunakan untuk menganalisis satu
variabel terikat (Y) dengan menggunakan satu variabel bebas (X) . Variabel bebas
yang dipilih adalah yang mempunyai hubungan (korelasi) dengan variabel terikat.
Untuk mengetahui bahwa variabel terikat (Y) dapat digunakan analisis korelasi.

A. Analisis Korelasi
Analisis Korelasi : Adalah analisis yang digunakan untuk mengetahui
hubungan sebab akibat antara beberapa variabel. Perubahan variabel terikat
ditentukan oleh faktor lain. Faktor lain tersebut dapat terdiri atas satu faktor
atau lebih.

Y =a+bX

n ∑ XY −∑ X ∑ Y
b=
n ∑ X 2−¿ ¿

a
∑ Y −b ∑ Y
n

n = jumlah data yang dianalisis

a = jumlah pasang observasi = nilai konstan
b= koefisien regresi
 Untuk menghitung rumus kuadrat terkecil dan keofisien korelasi dibuat pada
table dibawah:

Residual (X-X)
Tahun X Y XY X2 Y2 X- X́ ( X −X )2 (Y −Y )2
Y-Ý (Y-Y)
2011 3 130 390 9 16900 -2 -22 44 4 484
2012 4 145 580 16 21025 -1 -7 7 1 49
2013 5 150 750 25 22500 0 -2 0 0 4
2014 6 165 990 36 27225 1 +13 13 1 169
2015 7 170 1190 49 28900 2 +18 36 4 324
∑ 25 760 3900 135 116500 0 0 100 10 1030
X = jualan biskuit susu, variabel bebas
Y= jualan susu, variabel terikat
X ̅ =∑X : n = 25 : 5 = 5 ( rata-rata X )
Y= ∑Y : n = 760 : 5 = 152 ( rata-rata Y )

Rumus Metode Kuadrat Terkecil :

5 ( 3.900 ) −25 ( 760 ) 19.500−19.000

b= = =10
5 ( 135 ) −(25)2 675−625

760−10(25)
a= =102
5

Rumus Metode Momen :

∑ Y =n a+ ∑ X b
∑ XY =∑ X a+ ∑ X 2 b

760=5 a+25 b … ×5
3900=25 a+135 b
3800=25 a+125 b
3900=25 a+135 b
100=10b
b=100 :10=10

760=5 a+25 b … ×5,4 untuk mengeliminasi menghilangkan b

3900=25 a+135 b
4104=25 a+135 b
3900=25 a+135 b
204=2 a
a=204 : 2=102

Dapat juga dihitung dengan rumus sebagai berikut :

b=
∑ XY −n X´Ý = 3900−5 ( 5 ) (152) = 3900−3800 =10
∑ X 2 −n X́ 2 135−5(5)2 135−125

a=Ý −b X́=152−10 ( 5 )=102

Dengan demikian
Y=a + bX
Y= 102+10X

Kemudian hubungan saling ketergantungan antara dua variabel, yaitu jualan susu
dan jualan biskuit susu harus diuji dengan koefisien korelasi. Koefisien korelasi
menunjukkan angka paling kecil -1 dan paling besar +1. Apabila korelasi tersebut
positif berarti semakin besar X semakin besar Y. Sebaliknya, bila korelasi tersebut
negatif berarti semakin besar X semakin kecil Y atau berarti semakin kecil X semakin
besar Y.

Koefisien Korelasi Tafsiran

 ¿ 0,20 Sangat Lemah, dapat diabaikan
0,20-0,40 Lemah
0,40-0,70 Cukup
0,70-0,90 Kuat
0,90-1,00 Sangat kuat

Tabel 5-1

Lihat tabel 5-1 , misalkan Y= Variabel terikat adalah jualan susu dan
X=variabel bebas adalah jualan biskuit susu. Pada titik A, jualan biskuit susu (X)
sebanyak 20 unit dan jualan susu (Y) sebanyak 20 unit. Pada titik C jualan biskuit
susu (X) sebanyak 15 unit (yaitu, turun 5 unit dari 20 unit) dan jualan susu (Y) juga
turun 5 unit (yaitu, turun 5 unit dari 20 unit). Sebaliknya, pada titik B jualan biskuit
susu(X) sebanyak 25 unit (yaitu, naik 5 unit dari 20 unit). Kenaikan jualan biskuit
susu ini juga diikuti dengan kenaikan jualan susu sebanya 5 unit, yaitu dari 20 unit
menjadi 25 unit. Jadi Y, berkorelasi dengan X secara positif karena perubahan X
berpengaruh terhadap Y sehingga X naik maka Y naik, atau sebaliknya.
 Tabel 5-2

Lihat tabel 5-2, misalkan Y = variabel terikat dan X=variabel bebas. Pada titik A
variabel X sebanyak 20 unit dan variabel Y sebanyak 15 unit. Kemudian titik A
berpindah ke titik C, maka X menjadi 25 unit (yaitu , naik 5 unit dari 20 unit). Di sisi
lain, Y menjadi 10 unit (yaitu, turun 5 unit dari 15 unit). Bila titik A berpindah dari
titik B, maka X turun 5 unit dan Y naik 5 unit. Jadi, X berpengaruh terhadap Y secara
negatif sehingga X naik maka Y turun, atau sebaliknya.
Tabel 5-3

Lihat tabel 5-3, asumsikan bahwa pada titik A tampak X = 10 unit dan Y=10 unit.
Jika titik A pindah ke titik B maka X= 10 unit tetap dan Y=25 unit (yaitu, naik 15
unit dari 10 unit). Jika titik A pindah ke titik C maka X=20 unit (yaitu, naik 10 unit
dari 10 unit) dan Y=10 unit (tetap). Jadi variabel X tidak berkorelasi dengan variabel
Y karena X naik dan Y tetap, atau sebaliknya.

B. Teknik Regresi Sederhana

Teknik Regresi Sederhana : Adalah teknik yang digunakan untuk menjelaskan

hubungan antara satu variabel terikat dengan satu variabel bebas merupakan sebuah
garis lurus sederhana dan dinyatakan dalam rumus koefisien korelasi (R) sebagai
berikut.

n ∑ XY −∑ X ∑ Y
R= 2
√ n ∑ X −(∑ X) √ n ∑ Y −¿ ¿ ¿ ¿ ¿
2 2

Rumus Koefisien Korelasi tersebut dihitung dengan menggunakan Tabel 5-1 sebagai
berikut.
5 ( 3.900 ) −25(760)
¿ =0,98533
√5 ( 135 )−252 √ 5 ( 116.550 )−(760)2

Berdasakan tabel 5-1 juga dapat dihitung koefisien korelasi (R) sebagai berikut.

( X − X́ ) (Y −Ý )
R= 2
√ ( X − X́ ) (Y −Ý ) 2

100
R= =0,98533
√ 10 ×1.030
Bila koefisien (R2)sudah diketahui, maka koefisien korelasi (R) dapat dihitung
dengan rumus berikut:
R=√ R 2
R2=koefisien determinan
Misalkan diperoleh R2 sebesar 97,08752 unit maka
R=√ 0,9708752
= 0,98533

Karena koefisien korelasi positif 0,98533 mendekati angka 1, berarti pengaruh

jualan biskuit susu sangat besar terhadap jualan susu. Apabila jualan biskuit susu
meningkat berarti jualan susu juga meningkat atau bila jualan biskuit susu meningkat
atau bila jualan biskuit susu menurun berarti jualan susu juga menurun.
Oleh karena itu ramalan jualan biscuit dapat dihitung denga mretode tren garis
lurus dan dapat dengan metode bukan garis lurus.
 1) Persamaan Tren Garis Lurus
Contoh :
Tabel 5-4
n Tahun Y X XY X2
1 2011 3 0 0 0
2 2012 4 1 4 1
3 2013 5 2 10 4
4 2014 6 3 18 9
5 2015 7 4 28 16
∑ 25 10 60 30

n ∑ XY −∑ X ∑Y 5 x 60−10 x 25
b= 2
= =1
n ∑ X −(∑ X ) ² 5 x 30−(10)²

∑ Y −b ∑ X 25−1 x 10
a = = =3
n 5
Persamaan tren garis lurus
Y = a + bX
Y = 3 + 1X
Ramalan jualan tahun 2011 = 3 + 1 (0) = 3
2012 = 3 + 1 (1) = 4
2013 = 3 + 1 (2) = 5
2014 = 3 + 1 (3) = 6
2015 = 3 + 1 (4) = 7
 2) Persamaan Tren Bukan Garis Lurus
Tabel 5-5
tahun Y X XY X2 X2Y X4
2011 3 -2 -6 4 12 16

2012 4 -1 -4 1 4 1
2013 5 0 0 0 0 0
2014 6 1 6 1 6 1

2015 7 2 14 4 28 16
∑ 25 0 10 10 50 34
Berdasarkan tabel 5.5 dibuat perhitungan sebagai berikut :
∑ XY 10
b= = =1
∑ X ² 10
∑Y = n a + ∑X²C
∑X²Y = ∑X²a + ∑X4c
25 = 5 a + 10 c ........x 3,4

50 = 10 a + 34 c
85 = 17 a + 34 c
50 = 10 a + 34 c
35 = 7a
a = 35 : 7 = 5
Persamaan tren bukan garis lurus (parabola kuadrat)
Y = a + bX + cX²
Y = 5 + 1X + 0X²
Ramalan jualan tahun
25 = 5 a + 10 c
25 = 5 (5) + 10 c
25 = 25 + 10
25 – 25 = 10 c
c=0
2011 = 5 + 1 (-2) + 0 (4) = 3
2012 = 5 + 1 (-1) + 0 (1) = 4
2013 = 5 + 1 (0) + 0 (0) = 5
2014 = 5 + 1 (1) + 0 (1) = 6
2015 = 5 + 1 (2) + 0 (4) = 7
 3) Hasil Perhitungan Tren Garis Lurus dan Bukan Garis Lurus
Tabel Perbandingan Tren Garis lurus dan Bukan Garis lurus

Tahun Jualan Aktual Ramalan Jualan

Tren Garis Tren Parabola
Lurus Kuadrat

2011 3 3 3
2012 4 4 4
2013 5 5 5
2014 6 6 6
2015 7 7 7

Dari data perbandingan jualan aktual dan ramalan seperti tabel diatas terlihat data
jualan aktual sama dengan ramalan jualan, baik dengan metode tren garis lurus
maupun bukan garis lurus. Dengan demikian, metode ramalan yang sesuai dengan
kenyataan dapat menggunakan metode tren garis lurus atau parabola kuadrat.
Ramalan jualan dengan tren garis lurus sangat jarang terjadi sama dengan parabola
kuadrat, adapun sama dengan jualan aktual.
Apabila ramalan jualan dengan tren garis lurus = jualan aktual, sedangkan
parabola kuadrat berbeda dengan jualan aktual, berarti metode tren garis lurus adalah
yang paling sesuai digunakan untuk ramalan jualan, dan sebaliknya.

a) Menggunakan Tren Garis Lurus

Y = a + bX
Y = 3 + 1X
= 3 + 1 (5)
Y = 8 unit

b) Menggunakan Tren Parabola Kuadrat

Y = a + bX + cX²
Y = 5 + 1X + 0X²
 Y = 5 + 1 (3) + 0 (3)²
=5+3+0
Y = 8 unit

Jadi, baik menggunakan metode tren garis lurus maupun parabola kuadrat hasilnya
adalah 8 unit.

C. Koefisien Determinan

Koefisien Determinan : Menggambarkan seberapa jauh variabilitas Y

dipengaruhi variablitas X.. Koefisien determinan bila diakarkan akan menjadi
koefisien korelasi, dan koefisien korelasi bila dikuadratkan menjadi koefisien
determinan (R²).

Dengan rumus:
a ∑ Y +b ∑ XY −nY ²
R² =
∑ Y 2−n Y ²

D. Pengujian Hipotesis Koefisien Korelasi

Sebelum memutuskan untuk menggunakan variabel bebas (X) untuk

meramalkan variabel terikat (Y), terlebih dahulu dibuat hipotesis (anggapan dasar)
bahwa variabel X dan Y mempunyai hubungan yang kuat. Dalam merumuskan
hipotesis nol (H₀) harus disertai dengan hipotesis alternatif (Ha) sebagai berikut :

H₀ ÷ e= 0, X dan Y tidak berkorelasi

Ha ÷ e < 0, X dan Y mempunyai hubungan negatif
Ha ÷ e > 0, X dan Y mempunyai hubungan positif
Ha ÷ e ≠ 0, X dan Y berkorelasi

Bila hasil pengujian ternyata harus menerima H₀ berarti X dan Y berkorelasi, maka
tidak ada gunanya mengunakan regresi Y = a + bX untuk meramalkan Y.
Cara Pengujian :

1. Rumuskan bentuk hipotesisnya:

H₀ ÷ e = 0
Ha ÷ e < 0 pengujian sepihak
Ha ÷ e > 0 pengujian sepihak
Ha ÷ e ≠ 0 pengujian dua pihak
α
2. Tentukan besarnya nilai kesalahan jenis pertama (type I error) = , yaitu
α
besarnya kesalahan jika kita menolak H₀ padahal H₀ itu benar. Setelah
diketahui, kemudian dicari nilai t0 atau t0/2
3. Hitung nilai observasi (t0), sebagai berikut.

R √ n−2
t ₀=
√1−( R )2

Jadi, t₀ mengikuti fungsi t dengan derajat kebebasan (degree of freedom – d.f) = n –

2. Aturan permainan : untuk menolak atau menerima H₀. Hal ini bergantung pada
betuk perumusan hipotesisnya, yaitu:
(1) H₀ ÷ e = 0 jika t ₀ < - tα maka H₀ ditolak
Ha ÷ e < 0 jika t ₀ ≥ - tα maka H₀ diterima

(2) H₀ ÷ e = 0 jika t ₀ > - tα, maka H₀ ditolak

Ha ÷ e > 0 jika t ₀ ≤ - tα, maka H₀ diterima

(3) H₀ ÷ e = 0 jika t ₀ < - tα/2, atau t₀ > - tα/2 maka H₀ ditolak

Ha ÷ e ≠ 0 jika - tα/2 ≤ t₀ ≤ tα/2,, maka diterima

Bila menggunakan perumusan (1), (2), (3), maka apabila H₀ diterima maka Ha
ditolak dan sebaliknya. Hal ini bergantung pada variabel yang sedang dipelajari.
Contoh: jika X= pupuk, Y= produksi padi; X = biaya iklan, Y= hasil penjualan ; X =
dapatan, Y= konsumsi, maka digunakan perumusan:

(1) Jika X = harga, Y= permintaan, X= aseptor, Y= tingkat kelahiran:maka

digunakan perumusan.
(2) Selanjutnya digunakan perumusan.
(3) Jika tidak perduli mengenai bentuk hubungan atau tidak begitu pasti
apakah hubungan positif atau negatif atau memang tertarik mengenai ada
tidaknya hubungan tanpa ingin mengetahui hubungan itu positif atau
negatif.

1.2 Analisis Regresi Berganda

Teknik Regresi Sederhana : Hanya mampu menganalisis satu variabel terikat

dan satu variabel bebas. Dalam dunia nyata variabel bebas tidak hanya satu, tetapi
lebih dari satu. Oleh karena itu diperlukan analisis regresi yang mampu menjelaskan
hubungan antara variabel terikat (dependen) dengan variabel bebas (independen)
yang lebih dari satu, yaitu analisis regresi berganda.

Rumus Persamaan Linear Berganda 2 Variabel :

Y =a0 +a1 X 1 +a 2 X 2

Y= variabel terikat
a 0= konstanta (intersep) dari Y
a 1 dan a 2 = koefisien regresi parsial
X1 dan X2= dua variabel bebas

Rumus Metode Kuadrat Terkecil :

1. ∑ Y =a0 n+ a1 ∑ X 1+ a2 ∑ X 2
2. ∑ Y X 1=a0 ∑ X 1 +a 1 ∑ X 12 +a 2 ∑ X 1 X 2
3. ∑ Y X 2=a0 ∑ X 2 +a 1 ∑ X 1 X 2 + a2 ∑ X 22
Tahun Y X1 X2 X 12 X 22 X2Y X1X2 X1Y Y2
2011 130 3 7 9 49 910 21 390 16900
2012 145 4 3 16 9 435 12 580 21025
2013 150 5 2 25 4 300 10 750 22500
2014 165 6 4 36 16 660 24 990 27225
2015 170 7 6 49 36 1020 42 1190 28900
760 25 22 135 114 3325 109 3900 116550
 1. Koefisien Korelasi

Untuk mengetahui kuat atau lemahnya hubungan variabel terikat (Y) dengan
variabel (X) diperlukan perhitungan koefisien korelasi. Sebuah variabel bebas yang
baik adalah variabel bebas yang berhubungan erat dengan variabel terikatnya dan
tidak berhubungan erat dengan variabel bebas lainnya. Misalkan jualan susu
mempunyai hubungan positif yang sangat tinggi dengan jumlah biskuit susu,
ditunjukkan oleh koefisien korelasi (R) sebesar 0,98740. Sementara dengan variabel
bebas lainnya, misalnya tingkat harga jual mempunyai korelasi negatif, yaitu R
-0,39739. Berarti dengan tambahan variabel bebas (tingkat kenaikan harga jual)
persentase simpangan yang dapat dijelaskan bertambah besar.

R X 1 = Koefisien korelasi parsial antara Y dan X 1 sebesar 0,98740, bila X 2 konstan.

R X 2 = Koefisien korelasi parsial antara Y dan X 2 sebesar -0,39739, bila konstan.

Adapun koefisien korelasi berganda (R) dapat dihitung setelah diperoleh koefisien
determinasi berganda ( R2) sebagai berikut.

R = √ R2
Bila R2 (koefisien determinasi berganda) sebesar 0,975473, maka
R = √ 0,975473 = 0,98766
Oleh karena R sebesar 0,9875473 mendekati angka 1 positif berarti terdapat
hubungan yang sangat erat antara Y (jualan susu) dengan variabel bebas X 1 (jualan
biskuit susu) dan X 2 (tingkat kenaikan harga jual ).
Koefisien Determinasi

Koefisien determinasi parsial dihitung berdasarkan perhitungan koefisien

korelasi parsial yang dikuadratkan sebagai berikut.

R2 X 1 = (0,98740)2=0,97496=97,50 unit, artinya bila X_2 konstan, maka sumbangan

X_1 terhadap variabilitas Y sebesar 97,50 unit.

R2 X 2 = (−0,39739)2=0,15792=15,79 unit, artinya bila X 1 konstan, maka sumbangan

X 2 terhadap variabilitas Y sebesar 15,79 unit.

Berdasarkan perhitungan sebelumnya dibuat perhitungan koefisien determinasi

berganda (R^2) sebagai berikut.

R2 (koefisien determinasi berganda) juga dapat dihitung dengan cara perhitungan

seperti pada Tabel 5-9
 Kuadrat
Residual Kuadrat Residual
X1 X2 Y YR (Y-Ȳ) Total
(Y-YR) (Y-YR)2
(Y-Ȳ)2
1 3 7 130 130,73683 -0, 73683 0,54292 -22 484
2 4 3 145 142,78948 2,21052 4,88640 -7 49
3 5 2 150 153,26317 -3,26317 10,64828 -2 4
4 6 4 165 162,15790 2,84210 8,07753 13 169
5 7 6 170 171,05263 -1,05263 1,10803 18 324
∑ 25 22 760 760,00000 0 25,26316 0 1.030

760
Ȳ= =152
5
YR=nilai taksiran Y =104,57896+9,94732 X 1−0,52632 X 2
¿ 104,57896+9,94732 ( 3 )−0,52632 ( 7 ) =130,73683
¿ 104,57896+9,94732 ( 4 )−0,52632 ( 3 )=142,78948
¿ 104,57896+9,94732 ( 5 )−0,52632 ( 2 )=153,26317
¿ 104,57896+9,94732 ( 6 )−0,52632 ( 4 )=162,15790
¿ 104,57896+9,94732 ( 7 )−0,52632 ( 6 )=171,05263

Simpangan Total = Simpangan Terjelaskan + Simpangan Tidak Terjelaskan

∑ ( Y −Ȳ )2=∑ ( YR−Ȳ )2 +∑ ( Y −Ȳ R )2
1.030=1.004,73684+25,26316

∑ ( YR−Ȳ )2 1.004,73684
R 2= 2
= =0,975473=97,55 %
∑ ( Y −Ȳ ) 1.030

atau

2 ∑ ( Y −YR )2 25,26316
R =1− 2
=1− =0,975473=97,55 %
∑ ( Y −Ȳ ) 1.030

Jadi, persamaan regresi menjelaskan 97,55 unit dari variabilitas jualan susu (Y)
 DAFTAR PUSTAKA

Nafarin, 2018, Penganggaran Perusahaan, Jakarta:Salemba Empat.