ANALISIS REGRESI

Mata Kuliah Statistika Bisnis

Muhammad Rizki, S.E., M.M.
TUJUAN PEMBELAJARAN

Mampu melakukan analisis regresi

sederhana dengan SPSS

Mampu melakukan analisis regresi

berganda dengan SPSS
 ANALISIS REGRESI
Analisis regresi merupakan salah satu teknik yang sering kali
digunakan dalam analisis ekonomi dan bisnis untuk menemukan
apakah ada hubungan atau tidak antara dua variabel atau lebih
Jika hanya dua variabel yang dilibatkan, maka kita membicarakan
regresi dan korelasi sederhana. Jika lebih dari dua variabel yang
terlibat maka kita membicarakan regresi dan korelasi berganda
Suatu persamaan regresi atau persamaan
penduga dibentuk untuk menerangkan
pola hubungan variabel-variabel
 ANALISIS REGRESI SEDERHANA
DENGAN SPSS
Langkah-langkah pengujian
Regresi Sederhana :
1. Buka Program IBM SPSS
Statistics;
2. Buka data dengan nama
“Penjualan dan Promosi”;
3. Setelah data terbuka,
selanjutnya klik Analyzed >>
Regression >> Linear…;
 ANALISIS REGRESI SEDERHANA
DENGAN SPSS
4. Klik variabel penjualan, kemudian klik
tanda ‘>’ (yang sebelah atas), maka
variabel Penjualan yang berpindah ke
Dependence;
5. Klik variabel promosi, kemudian klik
tanda ‘>’ (bagian independen), maka
variabel promosi berpindah ke
Independent(s);
6. Klik Options;
 ANALISIS REGRESI SEDERHANA
DENGAN SPSS
7. Pada Stepping Method Criteria, digunakan uji F
yang mengambil standar angka probabilitas
sebesar 5%. Oleh karena itu, angka Entry 0,05 atau
5% dipilih;
8. Pilihan default Include constant in equation atau
menyertakan konstanta tetap dipilih;
9. Penanganan Missing Value atau data yang hilang,
digunakan default dari SPSS, yaitu Exclude cases
listwise. NB : Data kasus tidak ada yang hilang;
10.Klik Continue, selanjutnya klik Statistics;
 ANALISIS REGRESI SEDERHANA
DENGAN SPSS
11.Klik pilihan Descriptive pada kolom
sebelah kanan, serta tetap aktifkan Model
fit.
12.Residuals, klik pada Casewise diagnostics
dan dari situ pilih all cases untuk melihat
pengaruh regresi terhadap semua daerah.
Jika dipilih Outliers outside dan kemudian
dipilih sebanyak 1 standar deviasi sebagai
contoh, maka akan ditampilkan hasil
regresi pada daerah yang melebihi satu
standar deviasi.
13.Klik Continue, selanjutnya klik plots.
 ANALISIS REGRESI SEDERHANA
DENGAN SPSS
14. Klik pilihan SDRESID dan masukkan ke pilihan
Y. Lalu klik sekali lagi pada pilihan ZPRED dan
masukkan ke pilihan X. Setelah kedua variabel
Y dan X terisi, klik tombol NEXT untuk
melanjutkan pengisian plot kedua;
15. Tampak pada variabel Y dan X kosong kembali.
Sekarang klik pilihan ZPRED dan masukkan ke
pilihan Y. Lalu klik sekali lagi pada pilihan
DEPENDNT dan masukkan ke pilihan X, klik
tombol NEXT untuk melanjutkan pengisian plot
selanjutnya;
16. Untuk plot ketiga, pada pilihan Standardized
Residual Plots, klik pada Normal Probability
Plot.
17. Klik Continue, selanjutnya klik OK
 HASIL ANALISIS REGRESI
SEDERHANA DENGAN SPSS
Rata-rata Penjualan adalah Rp. 246,4 juta
dengan standar deviasi Rp 41,11 juta. Rata-
rata Biaya Promosi adalah Rp. 34,67 juta
dengan standar deviasi Rp 9,68 juta. Jumlah
data 15
Besar hubungan antarvariabel Penjualan
dengan Promosi yang dihitung dengan
koefisien korelasi adalah 0,916. Hal ini
menunjukkan hubungan yang sangat erat
(mendekati 1) di antara Penjualan dengan
Biaya Promosi.
Arah hubungan yang positif (0,916)
menunjukkan semakin besar Biaya Promosi
akan membuat Penjualan cenderung
meningkat, begitu pula sebaliknya.
Tingkat signifikansi koefisien satu sisi dari
output (diukur dari probabilitas) menghasilkan
angka 0.0000 atau praktis 0. Oleh karena
probabilitas jauh di bawah 0,05, maka korelasi
antara Penjualan dengan promosi sangat nyata.
 HASIL ANALISIS REGRESI
SEDERHANA DENGAN SPSS
Variabel yang dimasukkan adalah Promosi dan tidak
ada variabel yang dikeluarkan yang dikeluarkan.
Standard Error of Estimate adalah 17,13 atau Rp.
17,13 juta (satuan yang dipakai adalah variable
dependen, atau dalam hal ini adalah Penjualan).
Perhatikan pada analisis sebelumnya, bahwa standar
deviasi Penjualan adalah Rp. 41,11 juta yang jauh lebih
besar dari standard error of estimate yang hanya Rp.
17,13 juta. Oleh karena karena lebih kecil dari standar
deviasi Penjualan, maka model regresi lebih bagus
dalam bertindak sebagai predictor Penjualan daripada
Rata-rata Penjualan itu sendiri.
Angka R square adalah 0,839 (adalah pengkuadratan
dari koefisien korelasi, atau 0,916 x 0,916 = 0,839).
R square dapat disebut koefisien determinasi, yang
dalam hal ini berarti 83,9% Penjualan perusahaan
dapat dijelaskan oleh variabel biaya promosi.
Sedangkan sisanya (100%-83,9%= 16,1%)
dijelaskan oleh sebab sebab yang lain. R square
berkisar pada angka 0 sampai 1, dengan catatan
semakin kecil angka R square, semakin lemah
hubungan kedua variabel.
HASIL ANALISIS REGRESI
SEDERHANA DENGAN SPSS
Dari uji ANOVA atau F test didapat F hitung adalah
67,673 dengan tingkat signifikansi 0,0000. Oleh
karena probabilitas (0,000) jauh lebih kecil dari
0,05, maka model regresi dapat dipakai untuk
memprediksi Penjualan.
Tabel selanjutnya menggambarkan persamaan
regresi: Y = 111,523 + 3,891 X
Dimana Y = Penjualan; X = Biaya Promosi; Konstanta
sebesar 111,523 menyatakan bahwa jika tidak ada
Biaya Promosi, maka Penjualan adalah Rp. 111,523
juta; Koefisien regresi sebesar 3,891 menyatakan
bahwa setiap penambahan (karena tanda +) Rp. 1,-
Biaya Promosi akan meningkatkan Penjualan
sebesar Rp. 3,891.
PENGAMBILAN KEPUTUSAN BERDASARKAN
ANALISIS REGRESI SEDERHANA
Membandingkan Statistik Hitung dengan Statistik
Tabel
• Dari tabel output di atas terlihat bahwa t hitung
adalah 8,226.
• Dari t tabel dua sisi, tingkat signifikansi 5%, df 13
adalah 2,160.
• Statistik t Hitung > Statistik t Tabel = 8,226 > 2,160,
koefisien regresi signifikan.

Berdasarkan Probabilitas
• Terlihat bahwa pada kolom Sig/significance adalah
0,0000, atau probabilitas jauh di bawah 0,05.
• Koefisien regresi signifikan atau promosi benar-
benar berpengaruh secara signifikan terhadap
penjualan.
NILAI PREDIKSI BERDASARKAN HASIL
ANALISIS REGRESI SEDERHANA
Predicted Value atau nilai yang diprediksi
berasal dari persamaan Y = 111,523 + 3,891X
= 111,523 + (3,891 x 26) = 212,68
Residual adalah selisih antara Penjualan yang
sesungguhnya dengan Penjualan hasil
prediksi, atau 205 – 212,68 = -7,68
Std Residual/residual yang
distandardisasikan adalah hasil perhitungan
dari Residual/Standar Error of Estimate = -
7,68/17,13 = -0,448
Semakin kecil Residual atau Standardized
Residual akan semakin baik bagi persamaan
regresi dalam memprediksi data
STATISTIK RESIDUAL BERDASARKAN
HASIL ANALISIS REGRESI SEDERHANA

Residual Statistics dan membuat

ringkasan yang meliputi nilai minimum
dan maksimum, mean, standar deviasi
dari predicted value (nilai yang
diprediksi) dan statistik residu
PERSYARATAN NORMALITAS
BERDASARKAN HASIL ANALISIS
REGRESI SEDERHANA
Jika residual berasal dari distribusi
normal, maka nilai-nilai sebaran data
(lihat noktah dengan nama daerah) akan
terletak di sekitar garis lurus.
Terlihat bahwa sebaran data pada chart
dapat dikatakan tersebar di sekeliling
garis lurus tersebut (tidak terpencar jauh
dari garis lurus), dapat dikatakan bahwa
persyaratan Normalitas bisa dipenuhi.
PERSYARATAN KELAYAKAN MODEL
REGRESI (MODEL FIT) BERDASARKAN
HASIL ANALISIS REGRESI SEDERHANA
Jika model regresi layak dipakai untuk
prediksi (fit), maka data akan berpencar di
sekitar angka nol (0 pada sumbu Y) dan tidak
membentuk suatu pola atau Trend garis
tertentu.
Dari Chart di atas terlihat sebaran data ada di
sekitar titik nol (hanya satu data yang jauh di
luar titik nol), serta tidak tampak adanya
suatu pola tertentu pada sebaran data
tersebut, dapat dikatakan model regresi
memenuhi syarat untuk memprediksi
Penjualan.
PERSYARATAN MODEL FIT TIAP DATA
BERDASARKAN HASIL ANALISIS
REGRESI SEDERHANA
Jika model memenuhi syarat, maka
sebaran data akan berada mulai dari kiri
bawah lurus ke arah kanan atas.
Terlihat sebaran data di atas memang
membentuk arah seperti diisyaratkan,
dengan perkecualian data Pekalongan.
Oleh karena itu, dapat dikatakan model
regresi sudah layak digunakan.
 ANALISIS REGRESI BERGANDA
DENGAN SPSS
Langkah-langkah pengujian
Regresi Berganda :
1. Buka Program IBM SPSS
Statistics;
2. Buka data dengan nama “Rasio
CAMEL”;
3. Setelah data terbuka,
selanjutnya klik Analyzed >>
Regression >> Linear…;
 ANALISIS REGRESI BERGANDA
DENGAN SPSS
4. Klik variabel Trans_Laba , kemudian
klik tanda ‘>’ (yang sebelah atas),
maka variabel yang berpindah ke
Dependence;
5. Klik variabel CAR, NPL, ROA, LDR,
kemudian klik tanda ‘>’ (bagian
independen), maka variabel CAR, NPL,
ROA, LDR berpindah ke
Independent(s);
6. Klik OK;
HASIL ANALISIS REGRESI
BERGANDA DENGAN SPSS
Dari uji Anova atau F test, didapat F hitung adalah
2,9 dengan tingkat signifikansi 0,029, jauh lebih kecil
dari 0,05, maka model regresi bisa dipakai untuk
memprediksi Trans_laba, atau bisa dikatakan, CAR,
NPL, ROA, dan LDR secara bersama-sama
berpengaruh terhadap Trans_laba.
Persamaan regresi : Trans_laba = 6,738 + 0,48CAR +
2,96NPL – 0,552ROA – 0,20LDR
Variabel CAR, NPL, LDR mempunyai angka signifikan
di atas 0,05. Oleh karena itu, ketiga variabel tersebut
sebenarnya tidak mempengaruhi Trans_laba.
Variabel kontansta, dan ROA mempunyai angka
signifikan di bawah 0,05. Oleh karena itu, kedua
variabel independent tersebut memang
mempengaruhi Trans_laba.
SEKIAN
TERIMA KASIH