BAB I

PENDAHULUAN

1.1. LATAR BELAKANG

Regresi linier adalah teknik pemodelan di mana nilai variabel dependen

dimodelkan sebagai kombinasi linier pada sekumpulan variabel penjelas. Variabel

dependen merupakan variabel yang dijelaskan atau diestimasi oleh variabel penjelas.

Sedangkan variabel penjelas merupakan variabel yang digunakan untuk

mengestimasi variabel dependen. Regresi linier sederhana mengacu pada model

regresi linier untuk satu variabel penjelas. Sedangkan, model regresi linier ganda

merupakan perluasan dari model regresi linier sederhana yang memungkinkan

variabel dependen dimodelkan untuk dua atau lebih variabel penjelas (Hayter, 2012:

543-608).

Dalam pembuatan model regresi linier, tidak tertutup kemungkinan model

awal yang diperoleh masih kurang optimal. Hal ini dilatar belakangi oleh 3 alasan.

Alasan pertama adalah terjadinya overspecified, yaitu terlalu banyak variabel yang

dimasukan ke dalam model. Alasan kedua, model tidak mengandung variabel yang

tepat. Dan alasan ketiga, model tidak memiliki hubungan matematis yang benar

(Freund, Wilson, and Sa, 2006: 227). Terdapat beberapa metode untuk menyeleksi

variabel penjelas yang layak masuk dalam model sehingga diperoleh model terbaik.

Salah satu diantaranya yaitu Best Subset Regression (Hanum, 2011).

Best Subset Regression memulai pemilihan dengan model paling sederhana

yaitu model dengan satu variabel. Selanjutnya dilanjutkan dengan variabel lain satu

per satu sampai didapat model yang memenuhi kriteria terbaik. Terdapat beberapa

1
2

kriteria untuk mengevaluasi pemilihan model terbaik dalam Best Subset Regrression.

Salah satu diantaranya dapat menggunakan statistik C-p Mallow (Hanum, 2011).

Statistik C-p Mallow dikembangkan oleh Colin Mallows sebagai alat dalam

mengestimasi jumlah variabel penjelas regresi. Statistik C-p Mallow

membandingkan ketepatan dan bias dari model penuh dengan model subset terbaik

dari jumlah variabel penjelas. Sebuah model dengan terlalu banyak variabel penjelas

dapat menghasilkan model yang tidak tepat (Nirmalraj dan Malliga, 2011). Pada

statistik C-p Mallow, model yang baik memiliki nilai statistik C-p Mallow mendekati

jumlah parameter. Selain itu, diketahui juga model dengan nilai C-p Mallow yang

kecil yang akan digunakan (Lindsey dan Sheather, 2010).

Regresi linier menghasilkan model-model berdasarkan hasil analisis statistik

yang dapat memberikan manfaat jika model yang benar telah dipilih dan asumsi lain

yang mendasari model terpenuhi (Freund, Wilson, and Sa, 2006:119). Dalam model

regresi linier terdapat asumsi klasik yang diperlukan untuk mendapatkan estimator

Ordinary Least Squared (OLS) yang bersifat Best Linear Unbiased Estimator

(BLUE). Terdapat empat asumsi klasik yang harus terpenuhi yaitu uji normalitas

residual, uji autokorelasi residual, uji heteroskedastisitas residual dan uji

multikolinearitas (Rosadi, 2011:71-75).

Pada setiap uji asumsi, seringkali terjadi pelanggaran-pelanggaran.

Pelanggaran pada uji normalitas yaitu residual tidak berdistribusi normal. Salah satu

cara yang dilakukan untuk mengatasi residual yang tidak berdistribusi normal adalah

dengan mentransformasikan variabel dependen ke dalam bentuk Logaritma Natural

(Priatinah dan Kusuma, 2012). Pelanggaran terhadap uji heteroskedastisitas yaitu

residual variance berubah-ubah. Salah satu metode estimasi parameter yang bisa

mengatasi hal tersebut adalah metode regresi kuantil median (Uthami, Sukarsa,
 3

Kencana, 2013). Pelanggaran terhadap uji autokorelasi residual yaitu terdapat

autokorelasi pada residual variabel. Adanya autokorelasi menyebabkan estimasi yang

dihasilkan masih tidak efisien. Dalam mengatasi autokorelasi terdapat beberapa cara

yang dapat dilakukan, dua diantaranya yaitu menggunakan Generalized Least Square

(GLS) dan Feasible Generalized Least Square (FGLS). GLS digunakan apabila

koefisien autokorelasi diketahui, namun apabila koefisien autokorelasi tidak

diketahui maka digunakan FGLS. Koefisien autokorelasi dapat diduga berdasarkan

nilai Durbin Watson, nilai residual, atau cochrane orcutt iterative procedure.

Pelanggaran selanjutnya yaitu adanya multikolinearitas yang menyebabkan nilai

estimasi parameter model yang dihasilkan tidak stabil sehingga hal tersebut harus

diatasi. Salah satu metode yang digunakan untuk mengatasi adanya kasus

multikolinearitas adalah regresi ridge (Aeni, Sutikno, Djumali, 2012).

Terdapat penelitian yang berhubungan dengan penelitian ini. Pada tahun

2013 terdapat penelitian tentang penerapan metode transformasi logaritma natural

dan partial least squares untuk memperoleh model bebas multikolinearitas dan

outlier. Kasus yang terjadi pada penelitian tersebut yaitu terdapat multikolinearitas

dan outlier pada data tingkat penghunian kamar hotel di kota Kendari. Dengan

menggunakan gabungan antara transformasi logaritma natural dan partial least

squares diperoleh model yang bebas multikolinearitas dan outlier, dan model yang

diperoleh masih mempunyai nilai R2 yang kecil (Ohyver, 2013). Pada tahun 2011

terdapat penelitian tentang faktor konsumsi bahan bakar yang dianalisis secara

statistik dan menghasilkan model regresi yang optimal. Hasil analisis dari Best

Subset Regression yaitu diperoleh lima variabel penjelas yang menunjukkan bahwa

model memiliki nilai adjusted R2 yang tinggi serta nilai statistik C-p Mallow dan

kuadrat residual (S2) terendah (Nirmalraj and Malliga, 2011). Pada tahun 2010,
4

terdapat penelitian mengenai pengaruh kualitas pelayanan, fasilitas dan lokasi

terhadap keputusan menginap. Hasil penelitian ini menunjukkan bahwa variabel-

variabel tersebut signifikan mempengaruhi keputusan tamu dalam menginap. Selain

itu, sebesar 47,3% variabel keputusan menginap dapat dijelaskan melalui variabel

penjelas. Sedangkan sisanya 52,7% dijelaskan oleh variabel lain diluar ketiga

variabel yang digunakan dalam penelitian tersebut.

Sulawesi Tenggara (Sultra) merupakan salah satu provinsi di Indonesia.

Sultra ditetapkan sebagai daerah otonom berdasarkan Perpu No. 2 tahun 1964 Jungto

UU No. 13 Tahun 1964. Pada awalnya terdiri atas empat kabupaten dan kini setelah

pemekaran Sultra telah mempunyai sepuluh kabupaten dan dua kota, di mana

ibukotanya terletak di kota Kendari. Salah satu komponen utama yang penting dalam

pembangunan ekonomi nasional maupun regional dan merupakan bagian dari

industri pariwisata yaitu jasa perhotelan. Jasa perhotelan mendapat perhatian khusus

dari pemerintah karena selain merupakan salah satu sumber pendapatan, juga dapat

menciptakan lapangan kerja baru untuk masyarakat (BPS Provinsi Sultra, 2011).

Berdasarkan data yang terdapat di BPS, diperoleh jumlah sampel hotel di kota

Kendari sebanyak 90 hotel dengan jumlah kamar 471 buah, dan jumlah tempat tidur

673 buah. Jumlah tamu yang berkunjung selama tahun 2010, sebanyak 157.537

orang. Banyaknya jumlah hotel yang terdapat di kota Kendari, membuat setiap

perusahaan perhotelan tentu ingin menaikkan jumlah pengunjung hotel. Untuk itu,

perusahaan perhotelan perlu mengetahui faktor-faktor yang mempengaruhi jumlah

tamu hotel.

Analisis data perhotelan kota Kendari tentu akan menjadi sumbangan untuk

perusahaan perhotelan dalam hal meningkatkan jumlah tamu. Berdasarkan data,

dicurigai terdapat korelasi tinggi antar variabel penjelas yang dapat menyebabkan
 5

terjadinya multikolinearitas. Misalnya, variabel jumlah fasilitas dan tarif maksimal

dimana semakin banyak jumlah fasilitas suatu hotel maka tarif maksimal hotel

tersebut akan meningkat. Selain itu, semakin banyak jumlah kamar maka jumlah

tenaga kerja akan semakin banyak juga. Terdapat beberapa cara yang dapat

digunakan dalam mengatasi korelasi antar variabel penjelas. Salah satu diantaranya

menggunakan regresi ridge. Seperti yang disebutkan sebelumnya, tidak menutup

kemungkinan model yang diperoleh untuk mengetahui variabel-variabel yang

mempengaruhi jumlah tamu tidak optimal. Hal ini yang melatarbelakangi penelitian

tentang aplikasi pemilihan model terbaik menggunakan Best Subset Regression dan

regresi ridge.

1.2. RUMUSAN MASALAH

Dari latar belakang yang telah diuraikan sebelumnya, maka peneliti

merumuskan masalah dalam penelitian ini, yaitu:

1.2.1. Variabel penjelas mana saja yang terpilih dengan menggunakan Best Subset

Regression berdasarkan statistik C-p Mallow?

1.2.2. Apakah model yang diperoleh sudah dapat digunakan untuk mengestimasi

jumlah tamu hotel di kota Kendari?

1.3. RUANG LINGKUP

Agar penelitian tidak meluas dan menyimpang dari pembahasan maka perlu

diberikan pembatasan masalah. Pembatasan masalahnya sebagai berikut:

1. Penulis membahas mengenai Best Subset Regression menggunakan statistik C-p

Mallow.

2. Best Subset Regression menggunakan statistik C-p Mallow diperoleh untuk

mendapatkan variabel yang mempengaruhi jumlah tamu di kota Kendari

berdasarkan data dari Badan Pusat Statistik (BPS).

6

3. Penelitian ini hanya sampai pada pemodelan variabel.

4. Metode regresi ridge digunakan untuk mengatasi multikolinearitas pada data

perhotelan di kota Kendari berdasarkan model yang diperoleh dari Best Subset

Regression.

5. Aplikasi statistik yang digunakan pada penelitian ini menggunakan software R

Language.

6. Untuk membantu mengimplementasikan teori dalam penelitian ini, maka penulis

juga merancang sebuah aplikasi menggunakan bahasa pemograman Java.

1.4. TUJUAN DAN MANFAAT

Penelitian ini bertujuan untuk:

1. Memperoleh variabel-variabel penjelas yang terpilih untuk pemodelan regresi.

2. Memperoleh model regresi yang dapat digunakan untuk mengestimasi jumlah

tamu hotel di kota Kendari.

Penelitian ini memiliki manfaat sebagai berikut:

1. Bagi pengelolah hotel : penelitian ini diharapkan dapat memberikan konstribusi

dalam meningkatkan jumlah tamu.

2. Bagi peneliti lain : sebagai bahan referensi dalam menentukan model terbaik

regresi.