PERTEMUAN XI

PROYEKSI BISNIS DENGAN ANALISIS REGRESI SEDERHANA

A. Pengertian dan Fungsi Analisis Regresi

Pada tahun 1886 Francis Galtom memperkenalkan istilah regresi untuk yang pertama
kali. Berdasarkan penelitiannya, Galtom menemukan adanya kecenderungan bahwa orang tua
yang memiliki tubuh tinggi memiliki anak-anak yang tinggi juga. Sebaliknya, orang tua yang
memiliki tubuh pendek cenderung memiliki anak-anak yang bertubuh pendek. Namun
demikian, terdapat kecenderungan bahwa tinggi anak bergerak menuju ke arah tinggi rata-rata
populasi secara keseluruhan. Oleh karena itu, makna regresi itu sendiri berarti kecenderungan
ke arah sedang.

Gambar 1. Ilustrasi Model Regresi Francis Galtom

Dalam perkembangannya analisis regresi lebih banyak digunakan sebagai sebuah analisis
proyeksi berdasarkan studi ketergantungan variabel terikat dengan satu atau lebih variabel
bebas.
Perbedaan mendasar antara analisis korelasi yang dibahas pada bab sebelumnya dengan
analisis regresi adalah bahwa analisis korelasi hanya bertujuan untuk mengukur kekuatan
hubungan linear antara dua variabel sehingga analisis korelasi tidak membedakan antara
variabel bebas dengan variabel tergantung. Sedangkan analisis regresi, selain mengukur
kekuatan hubungan antara dua variabel atau lebih, juga digunakan untuk menunjukkan arah
hubungan antara variabel bebas dengan variabel tergantungnya.
Istilah lain variabel bebas dan variabel tergantung sangat beragam, tetapi pada prinsipnya
variabel bebas adalah variabel yang memengaruhi variasi perubahan variabel tergantung.
Sebaliknya, variabel tergantung adalah variabel yang dipengaruhi oleh variasi perubahan pada
variabel bebas. Berikut ini adalah istilah lain dari variabel bebas dan variabel tergantung.
 Tabel 1. Istilah Variabel Bebas dan Variabel Tergantung
Variabel yang Dipengaruhi (Y)
 Variabel Tergantung (Dependent
Variable)
 Variabel yang Dijelaskan (Explained
Variable)
 Variabel yang diramalkan (Predictand
Variable)
 Variabel yang diregresi (Regressand
Variable)
 Variabel Tanggapan (Response Variable)
Variabel yang Memengaruhi (X)
 Variabel Bebas (Independent Variable)
 Variabel yang Menjelaskan
(Explanatory Variable)
 Variabel Peramal (Predictor Variable)
 Variabel yang Meregresi (Regressor
Variable)
 Variabel Perangsang atau Kendali
(Stimulus or Control Variable)

Analisis regresi banyak digunakan sebagai alat analisis untuk membuat proyeksi. Hal ini
didasari kenyataan bahwa nilai suatu variabel dapat dipengaruhi oleh satu atau lebih perubahan
variabel lain. Dengan menggunakan analisis regresi akan diperoleh koefisien untuk setiap
variabel bebasnya. Dengan diperolehnya koefisien regresi maka diharapkan akan dapat
diperoleh nilai variabel tergantung yang mampu meminimumkan penyimpangan.
Pembangunan model regresi harus didasarkan pada hubungan kausalitas atau hubungan
sebab akibat. Untuk mengidentifikasi adanya hubungan sebab akibat serta menentukan mana
variabel bebas dan mana variabe1 tergantung maka dapat dilakukan berdasarkan teori,
penelitian sebelumnya atau berdasarkan penjelasan logis. Banyak sekali fenomena bisnis yang
menunjukkan adanya hubungan sebab akibat.
Contoh fenomena bisnis yang menunjukkan hubungan sebab akibat:
1. Hubungan antara biaya promosi dengan volume penjualan.
Sebab biaya promosi ditingkatkan maka produk semakin dikenal di pasar sehingga menarik
minat konsumen yang kemudian mendorong peningkatan volume penjualan.
2. Hubungan antara harga barang dengan jumlah perrnintaan.
Disebabkan harga suatu barang naik maka kemampuan konsumen untuk membeli barang
itu menjadi berkurang. Hal ini menyehabkan terjadi penurunan pada permintaan atas barang
tersebut.
3. Hubungan antara tingkat pendapatan rumah tangga dengan pengeluaran rumah tangga.
Dengan semakin tingginya tingkat pendapatan rumah tangga maka akan semakin tinggi pula
pendapatan yang digunakan untuk konsumsi.
4. Hubungan antara upah dengan produktivitas.
Semakin tinggi upah yang diberikan kepada karyawan maka akan mendorong karyawan
untuk bekerja dengan sebaik-baiknya dan dengan penuh semangat sehingga produktivitas
karyawan itu meningkat.
Dalam analisis regresi tidak diperbolehkan untuk menguji hubungan yang bersifat
identitas. Hubungan identitas merupakan bentuk hubungan yang bukan disebabkan oleh
adanya fenomena sebab akibat, tetapi disebabkan sebuah persamaan yang telah dibentuk.
Contoh hubungan yang menunjukkan hubungan identitas:
1. Hubungan antara likuiditas dengan aktiva lancar.
Hubungan antara dua variabel tersebut bukan merupakan hubungan sebab akibat, tetapi
merupakan hubungan identitas karena untuk mengukur besamya tingkat likuiditas adalah
aktiva lancar dibagi dengan utang lancar.
𝐴𝑘𝑡𝑖𝑣𝑎 𝐿𝑎𝑛𝑐𝑎𝑟
𝐿𝑖𝑘𝑢𝑖𝑑𝑖𝑡𝑎𝑠 =
𝐻𝑢𝑡𝑎𝑛𝑔 𝐿𝑎𝑛𝑐𝑎𝑟
2. Hubungan antara produktivitas dengan basil produksi.
Hubungan dua variabel tersebut bukan merupakan hubungan sebab akibat tetapi merupakan
hubungan identitas karena besarnya produktivitas merupakan hasil produksi (output) dibagi
dengan jam kerja (input).
𝐻𝑎𝑠𝑖𝑙 𝑃𝑟𝑜𝑑𝑢𝑘𝑠𝑖
𝑃𝑟𝑜𝑑𝑢𝑘𝑡𝑖𝑣𝑖𝑡𝑎𝑠 =
𝐽𝑎𝑚 𝐾𝑒𝑟𝑗𝑎
3. Hubungan antara upah yang diterima dengan basil produksi.
Hubungan kedua variabel tersebut merupakan hubungan identitas jika besarnya upah
ditentukan oleh hasil produksi dikalikan dengan upah per unit produk.
𝑈𝑝𝑎ℎ = 𝐻𝑎𝑠𝑖𝑙 𝑃𝑟𝑜𝑑𝑢𝑘𝑠𝑖 ∗ 𝑈𝑝𝑎ℎ 𝑝𝑒𝑟 𝑈𝑛𝑖𝑡

B. Metode Diagram Pencar

Untuk mengetahui arah hubungan antara dua variabel dalam analisis regresi dapat
digunakan bantuan diagram pencar (scatter plot) atau dengan menggunakan persamaan regresi.
Dengan menggunakan diagram pencar kita dapat mengidentifikasi hubungan antara dua
variabel secara cepat dan mudah, tetapi kita tidak dapat menguji apakah hubungan kausal antar
kedua variabel tersebut signifikan atau tidak. Berikut ini adalah gambar diagram pencar yang
digunakan untuk mendeteksi pola hubungan antar variabel:

Gambar 2. Diagram Pencar Pola Kecenderungan Searah

Diagram pencar di atas menunjukkan hubungan antara variabel bebas dengan variabel
tergantung positif atau searah di mana jika nilai variabel bebas (X) meningkat maka akan
diikuti dengan peningkatan nilai variabel tergantung (Y), atau jika nilai variabel bebas (X)
menurun maka akan diikuti dengan penurunan nilai variabel tergantung (Y).
 Gambar 3. Diagram Pencar Pola Kecenderungan Berlawanan Arah

Sedangkan diagram pencar di atas menunjukkan hubungan antara variabel bebas dengan
variabel tergantung negatif atau berlawanan arah, di mana jika nilai variabel bebas (X)
meningkat maka akan diikuti dengan penurunan nilai variabel tergantung (Y), atau jika nilai
variabel bebas (X) menurun maka akan diikuti dengan peningkatan nilai variabel tergantung
(Y).

Gambar 4. Diagram Pencar Pola Kecenderungan Tidak Berpola

Diagram pencar di alas menunjukkan hubungan antara variabel bebas dengan variabel
tergantung yang tidak berpola atau acak, di mana jika nilai variabel bebas (X) meningkat tidak
pasti diikuti dengan penurunan atau kenaikan nilai variabel tergantung (Y), atau jika nilai
variabel bebas (X) menurun juga tidak pasti diikuti dengan penurunan atau kenaikan nilai
variabel tergantung (Y).
Cara membuat diagram pencar menggunakan program Microsoft Excel adalah sebagai
berikut:
 Buka program Microsoft Excel.
 Buatlah data seperti berikut.
 Gambar 5. Data Latihan Diagram Pencar

 Blok data dari sel A1 sampai dengan C11.

 Klik Insert, pilih Chart, pilih Scatter  More Scatter Charts.

Gambar 6. Kotak Dialog Tipe Chart

 Setelah klik OK akan muncul chart seperti berikut.

 Gambar 7. Diagram Pencar Pola Kecenderungan Positif

C. Model Regresi Sederhana

Dari uraian di atas kita telah memahami pola hubungan antarvariabel dengan diagram
pencar. Berdasarkan diagram pencar tersebut kita dapat memproyeksikan besarnya nilai
variabel tergantung dengan melihat nilai variabel bebas pada diagram pencar yang terbentuk.
Proyeksi pola kencenderungan dengan menggunakan diagram pencar lebih mudah dan
sederhana, tetapi hasil proyeksinya sangat subjektif, tergantung persepsi si pembuat proyeksi
ketika melihat diagram itu. Di samping itu, proyeksi diagram pencar juga tidak dapat digunakan
untuk melihat tingkat signifikansi pengaruh variabel bebas terhadap variabel tergantungnya.
Oleh karena itu, ada cara lain yang dapat digunakan untuk melihat pola kecenderungan
antarvariabel yang dapat digunakan untuk menutup kelemahan metode diagram pencar, yaitu
dengan menggunakan model persamaan regresi linear sederhana. Persamaan tersebut adalah
sebagai berikut:
𝒀 = 𝒂 + 𝒃𝑿 + 𝜺
Y = Nilai yang diramalkan
a = Konstanta/intercept
b = Koefisien regresi/slope
X = Variabel bebas
𝜀 = Nilai residu
Nilai a (konstanta) dan nilai b (koefisien regresi) dalam persamaan di atas dapat
ditentukan dengan rumus sebagai berikut:
𝒏(∑ 𝑿𝒀) − (∑ 𝑿)(∑ 𝒀)
𝒃=
𝒏(∑ 𝑿𝟐 ) − (∑ 𝑿)𝟐
∑ 𝒀 − 𝒃(∑ 𝑿)
𝒂=
𝒏
Dalam analisis regresi ada beberapa hal yang harus dianalisis sebagai dasar untuk
melakukan analisis lebih mendalam dari sekadar persamaan regresi yang terbentuk. Beberapa
hal yang perlu dianalisis berkaitan dengan analisis regresi adalah sebagai berikut:
1. Persamaan regresi
Persamaan regresi digunakan untuk menggambarkan model hubungan antara variabel bebas
dengan variabel tergantungnya. Persamaan regresi ini memuat nilai konstanta atau intercept
nilai koefisien regresi atau slope dan variabel bebasnya.
2. Nilai prediksi
Nilai prediksi merupakan besarnya nilai variabel tergantung yang diperoleh dari prediksi
dengan menggunakan persamaan regresi yang telah terbentuk.
3. Koefisien determinasi
Koefisien determinasi merupakan besarnya kontribusi variabel bebas terhadap variabel
tergantungnya. Semakin tinggi koefisien determinasi maka semakin tinggi kemampuan
variabel bebas dalam menjelaskan variasi perubahan pada variabel tergantungnya.
4. Kesalahan baku estimasi
Merupakan satuan yang digunakan untuk menentukan besarnya tingkat penyimpangan dari
persamaan regresi yang terbentuk dengan nilai senyatanya. Semakin tinggi kesalahan baku
estimasi maka semakin lemah persamaan regresi tersebut untuk digunakan sebagai alat
proyeksi.
5. Kesalahan baku koefisien regresi
Merupakan satuan yang digunakan untuk menunjukkan tingkat penyimpangan dari masing-
masing koefisien regresi. Semakin tinggi kesalahan baku koefisien regresi maka akan
semakin lemah kemampuan variabel tersebut untuk diikutkan dalam model persamaan
regresi (semakin tidak berpengaruh).
6. Nilai F hitung
Digunakan untuk menguji pengaruh secara simultan variabel bebas terhadap variabel
tergantungnya. Jika variabel bebas memiliki pengaruh secara simultan terhadap variabel
tergantung maka model persamaan regresi masuk dalam goodness of fit. Sebaliknya, jika
tidak terdapat pengaruh secara simultan maka masuk dalam kategori lack of fit.
7. Nilai 𝑡ℎ𝑖𝑡𝑢𝑛𝑔
Nilai 𝑡ℎ𝑖𝑡𝑢𝑛𝑔 digunakan untuk menguji pengaruh secara parsial (per variabel) terhadap
variabel tergantungnya, apakah variabel tersebut memiliki pengaruh yang berarti terhadap
variabel tergantungnya atau tidak.
8. Kesimpulan
Kesimpulan merupakan pernyataan singkat berdasarkan hasil analisis apakah variabel bebas
yang diuji memiliki pengaruh yang berarti terhadap variabel tergantung atau tidak. Di
samping itu, kesimpulan juga menyatakan apakah model regresi yang terbentuk masuk
dalam kategori tepat (goodness of fit) atau tidak.

Kasus Analisis Regresi Linear Sederhana

Mr. Slamet Waras, seorang manajer Perusahan Jamu Memet Tenan di Palu, ingin mengetahui
pengaruh promosi terhadap volume penjualan. Untuk keperluan tersebut Mr. Slamet Waras
mengambil data sebagai berikut:

a. Perumusan masalah
Apakah terdapat korelasi positif promosi terhadap volume penjualan?
b. Hipotesis
𝐻0 : Tidak terdapat pengaruh positif promosi terhadap volume penjualan.
𝐻𝑎 : Terdapat pengaruh positif promosi terhadap volume penjualan.
c. Kriteria pengujian
𝐻0 diterima jika:
 𝑡ℎ𝑖𝑡𝑢𝑛𝑔 ≤ 𝑡𝑡𝑎𝑏𝑒𝑙
𝐻𝑎 diterima apabila:
 𝑡ℎ𝑖𝑡𝑢𝑛𝑔 > 𝑡𝑡𝑎𝑏𝑒𝑙
d. Analisis data
1. Mencari Persamaan Regresi dengan Cara Manual
Untuk mencari persamaan regresi dengan cara manual perlu dibuat lembar kerja seperti
berikut:

Gambar 8. Lembar Kerja Analisis Regresi

Setelah semua sel diisi lengkap dengan mengopikan formula sel E2 sampai dengan sel
E13, sel F2 sampai dengan sel F13, dan sel C14 sampai dengan sel G14 maka hasilnya
adalah sebagai berikut:

Gambar 9. Lembar Kerja Analisis Regresi

 Berdasarkan tabel di atas dapat diketahui:
N = 12
∑𝑋 = 84
∑𝑌 = 753
∑ 𝑋 2 = 680
∑ 𝑋𝑌 = 6.077
Dengan demikian besarnya koefisien regresi adalah sebagai berikut:
𝑛(∑ 𝑋𝑌)−(∑ 𝑋)(∑ 𝑌) 12(6.077)−(84)(753)
𝑏= = = 8,761
𝑛(∑ 𝑋 2 )−(∑ 𝑋)2 12(680)−(84)2
∑ 𝑌 − 𝑏(∑ 𝑋) 753 − 8,761(84)
𝑎= = = 1,423
𝑛 12
Sehingga persamaan regresinya adalah sebagai berikut:
𝒀 = 𝒂 + 𝒃𝑿
𝒀 = 𝟏, 𝟒𝟐𝟑 + 𝟖, 𝟕𝟔𝟏𝑿
Arti persamaan regresi:
1,423 = Jika promosi sebesar 0 (tanpa melakukan promosi) maka penjualan akan
sebesar 1,423 juta rupiah.
8,761 = Jika promosi naik sebesar 1 juta rupiah maka penjualan akan naik sebesar 8,761
juta rupiah.

2. Mencari Nilai Prediksi

Untuk menghitung nilai prediksi, kita harus memasukkan niali variabel bebas setiap
sampel (case) ke dalam persamaan regresi yang telah terbentuk. Untuk menghitung nilai
prediksi penjualan sampel pertama perusahaan tersebut kita dapat membuat formula
pada sel G2 sebagai berikut = 1,423 + 8,761 ∗ 𝐶2. Setelah itu kopikan sel tersebut ke
sel G3 sampai dengan sel G13.

Gambar 10. Lembar Kerja Analisis Regresi untuk Mencari Nilai Prediksi

Setelah sel G2 dikopikan sampai sel G13 dan sel F14 dikopikan ke sel G14 maka
tampilannya adalah sebagai berikut:
 Gambar 11. Lembar Kerja Analisis Regresi dan Nilai Prediksi

Keterangan:
𝑌𝑝𝑟𝑒𝑑 PT SEMBILAN
𝑌𝑝𝑟𝑒𝑑 PT SEPULUH
𝑌𝑝𝑟𝑒𝑑 PT SEBELAS
dan seterusnya ....
= 1,423 + 8,761(2) = 18,945
= 1,423 + 8,761(3) = 27,706
= 1,423 + 8,761(4) = 36,467

3. Mencari Koefisien Determinasi (𝑅 2 )

Formula untuk menghitung besarnya koefisien determinasi adalah sebagai berikut:
∑(𝒀 − ̂ )𝟐
𝒀
𝑹𝟐 = 𝟏 −
∑(𝒀 − 𝒀̅ )𝟐
Keterangan:
𝑅2 = Koefisien determinasi
2
(𝑌 − 𝑌̂) = Kuadrat selisih nilai Y riil dengan nilai Y prediksi
(𝑌 − 𝑌̅)2 = Kuadrat selisih nilai Y riil dengan nilai Y rata-rata
Disebabkan untuk menghitung koefisien determinasi diperlukan nilai kuadrat selisih
nilai Y riil dengan nilai Y prediksi dan nilai kuadrat selisih nilai Y riil dengan nilai Y
rata-rata maka dalam lembar kerja kita buat formula sebagai berikut:
Gambar 12. Lembar Kerja Analisis Regresi untuk Mencari Koefisien Determinasi
Setelah sel H2 dikopikan ke sel H3 sampai sel H13, sel I2 dikopikan ke sel I3 sampai
sel I13, dan sel G14 dikopikan ke sel I14 maka tampilannya menjadi seperti berikut:

Gambar 13. Lembar Kerja Analisis Regresi untuk Mencari Koefisien Determinasi

Berdasarkan lembar kerja tersebut maka kita dapat menghitung koefisien determinasi,
yaitu sebagai berikut:
∑(𝑌 − ̂ )2
𝑌 916,989
𝑅2 = 1 − = 1 − = 0,885
∑(𝑌 − 𝑌̅)2 7.978,250
Interpretasi:
Koefisien determinasi (𝑅 2 ) sebesar 0,885 berarti bahwa 88,5 persen penjualan
dipengaruhi oleh promosi sedangkan sisanya dipengaruhi oleh variabel lain di luar
model (variabel yang tidak diteliti). Koefisien determinasi memiliki kelemahan, yaitu
bias terhadap jumlah variabel bebas yang dimasukkan dalam model regresi, di mana
setiap penambahan satu variabel bebas dan pengamatan dalam model akan
meningkatkan nilai 𝑅 2 meskipun variabel yang dimasukkan tersebut tidak memiliki
pengaruh yang signifikan terhadap variabel tergantungnya. Untuk mengurangi
kelemahan tersebut maka digunakan koefisien determinasi yang telah disesuaikan,
Adjusted R Square (𝑅 2 𝑎𝑑𝑗 ). Koefisien determinasi yang telah disesuaikan adalah bahwa
koefisien tersebut telah dikoreksi dengan memasukkan unsur jumlah variabel dan
ukuran sampel yang digunakan. Dengan menggunakan koefisten determinasi yang
disesuaikan maka nilai koefisien determinasi yang disesuaikan tersebut dapat naik atau
turun dengan adanya penambahan variabel baru dalam model.
Formula untuk menghitung koefisien determinasi yang disesuaikan adalah sebagai
berikut:
𝑷(𝟏 − 𝑹𝟐 )
𝑹𝟐 𝒂𝒅𝒋 = 𝑹𝟐 −
𝑵−𝑷−𝟏
Keterangan:
𝑅 2 = Koefisien determinasi
𝑁 = Ukuran sampel
𝑃 = Jumlah variabel bebas
 Dengan demikian berdasarkan kasus di atas, besarnya koefisien determinasi yang
disesuaikan dapat dihitung sebagai berikut:
𝑃(1 − 𝑅 2 ) 1(1 − 0,885)
𝑅 2 𝑎𝑑𝑗 = 𝑅 2 − = 0,885 − = 0,874
𝑁−𝑃−1 12 − 1 − 1

4. Kesalahan Baku Estimasi (Standard Error of the Estimate)

Kesalahan baku estimasi merupakan satuan yang digunakan untuk mengukur tingkat
penyimpangan antara persamaan regresi dengan nilai riilnya. Formula yang digunakan
untuk mengukur kesalahan baku estimasi adalah sebagai berikut:
𝟐
̂)
∑(𝒀 − 𝒀
𝑺𝒆 = √
𝒏−𝒌
𝑆𝑒 = Kesalahan baku estimasi
2
(𝑌 − 𝑌̂) = Kuadrat selisih nilai Y riil dengan nilai Y prediksi
𝑛 = Ukuran sampel
𝑘 = Jumlah variabel yang diamati
Berdasarkan perhitungan dalam lembar kerja di atas maka dapat ditentukan besarnya
penyimpangan baku estimasi, yaitu sebagai berikut:
2
√ ∑(𝑌 − 𝑌̂) 916,989
𝑆𝑒 = =√ = 9,576
𝑛−𝑘 12 − 2
Semakin rendah nilai kesalahan baku estimasi menunjukkan bahwa model persamaan
regresi tersebut semakin baik untuk digunakan sebagai proyeksi. Sebaliknya, semakin
tinggi nilai kesalahan baku estimasi, semakin jelek persamaan regresi tersebut untuk
membuat proyeksi.

5. Kesalahan Baku Koefisien Regresi

Digunakan untuk mengukur besarnya penyimpangan dari masing-masing koefisien
regresi yang terbentuk. Semakin rendah kesalahan baku koefisien regresi maka semakin
besar peran variabel tersebut dalam model. Sebaliknya, semakin tinggi kesalahan baku
koefisien regresi maka semakin kecil peran variabel tersebut dalam persamaan regresi.
Kesalahan baku koefisien regresi dapat diukur dengan formula sebagai berikut:
𝑺𝒆
𝑺𝒃 =
𝟐
√∑ 𝑿𝟐 − (∑ 𝑿)
𝒏
Keterangan:
𝑆𝑏 = Kesalahan baku koefisien regresi
𝑆𝑒 = Kesalahan baku estimasi
2
∑𝑋 = Jumlah kuadrat variabel bebas
∑𝑋 = Jumlah nilai variabel bebas
𝑛 = Jumlah pengamatan (ukuran sampel)
Untuk lembar kerja di atas, kita dapat menghitung besarnya kesalahan baku koefisien
regresinya, yaitu sebagai berikut:
𝑆𝑒 9,576
𝑆𝑏 = = = 0,998
2 (84) 2
√∑ 𝑋 2 − (∑ 𝑋) √680 − (
𝑛 12 )
6. Nilai F Hitung
Nilai F hitung digunakan untuk menguji ketepatan model atau goodness of fit, apakah
model persamaan yang terbentuk masuk dalam keriteria good of fit atau tidak. Uji F ini
juga sering disebut sebagai uji simultan, yaitu untuk menguji apakah variabel bebas yang
digunakan dalam model mampu menjelaskan perubahan nilai variabel tergantungnya
atau tidak. Untuk menyimpulkan apakah model masuk dalam kategori goodness of fit
atau tidak, kita harus membandingkan nilai 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 dengan nilai 𝐹𝑡𝑎𝑏𝑒𝑙 dengan
𝑑𝑓(𝑘 − 1), (𝑛 − 𝑘). Untuk menghitung besarnya nilai 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 digunakan formula
sebagai berikut:
𝑹𝟐 /(𝒌 − 𝟏)
𝑭=
𝟏 − 𝑹𝟐 /(𝒏 − 𝒌)
Keterangan:
𝐹 = Nilai 𝐹ℎ𝑖𝑡𝑢𝑛𝑔
𝑅 2 = Koefisien determinasi
𝑘 = Jumlah variabel
𝑛 = Jumlah pengamatan (ukuran sampel)
Dengan menggunakan lembar kerja di atas maka besarnya nilai dari persamaan regresi
yang terbentuk dapat dihitung sebagai berikut:
𝑅 2 /(𝑘 − 1) 0,885/(2 − 1)
𝐹= 2
= = 77,005
1 − 𝑅 /(𝑛 − 𝑘) 1 − 0,885/(12 − 2)
Dengan 𝑑𝑓: 𝛼, (𝑘 − 1), (𝑛 − 𝑘) atau 0,05; (2 − 1); (12 − 2) diperoleh besarnya nilai
𝐹𝑡𝑎𝑏𝑒𝑙 sebesar 4,965.
Untuk melihat nilai 𝑡𝑡𝑎𝑏𝑒𝑙 dapat juga dilakukan dengan menggunakan program
Microsoft Excel. Langkah-langkahnya adalah sebagai berikut:
 Klik menu Formulas  Insert Function. Pada Or select a category pilih
Statistical. Pada Select a function pilih F.INV.RT. Klik OK sehingga tampilannya
menjadi seperti berikut:

Gambar 14. Function Arguments-F.INV.RT

 Pada Probability isi dengan 0,05, pada Deg_freedom1 isi 1, pada Deg_freedom2
isi 10. Klik OK sehingga muncul nilai sebesar 4,965.
Disebabkan nilai 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 (77,005) > nilai 𝐹𝑡𝑎𝑏𝑒𝑙 (4,965) maka dapat disimpulkan bahwa
model persamaan regresi yang terbentuk masuk dalam kriteria good of fit.
7. Nilai 𝑡ℎ𝑖𝑡𝑢𝑛𝑔
Nilai 𝑡ℎ𝑖𝑡𝑢𝑛𝑔 digunakan untuk menguji apakah variabel tersebut berpengaruh secara
signifikan terhadap variabel tergantung atau tidak. Suatu variabel akan memiliki
pengaruh yang berarti jika nilai 𝑡ℎ𝑖𝑡𝑢𝑛𝑔 variabel tersebut lebih besar dibanding nilai
𝑡𝑡𝑎𝑏𝑒𝑙 .
Dalam tabel distribusi 𝑡 terdapat istilah satu ujung dan dua ujung. Penggunaan tabel satu
ujung atau dua ujung tergantung hipotesis yang diajukan. Jika hipotesis yang diajukan
sudah menunjukkan arah, misalnya terdapat pengaruh positif maka menggunakan satu
ujung sebelah kanan. Akan tetapi jika belum menunjukkan arah, misalnya terdapat
pengaruh (tidak menunjukkan pengaruh positif atau negatif) maka menggunakan dua
ujung. Jika menggunakan satu ujung maka 𝑑𝑓: 𝛼, 𝑛 − 𝑘, tetapi jika menggunakan dua
ujung maka derajat bebasnya adalah 𝑑𝑓: 𝛼/2 , 𝑛 − 𝑘. Untuk menghitung besarnya nilai
𝑡ℎ𝑖𝑡𝑢𝑛𝑔 digunakan rumus sebagai berikut:
𝒃𝒋
𝒕=
𝑺𝒃𝒋
Keterangan:
𝑡 = Nilai 𝑡ℎ𝑖𝑡𝑢𝑛𝑔
𝑏𝑗 = Koefisien regresi
𝑆𝑏𝑗 = Kesalahan baku koefisien regresi
Dengan menggunakan perhitungan koefisien regresi dan kesalahan baku koefisien
regresi di atas maka dapat dihitung besarnya nilai 𝑡ℎ𝑖𝑡𝑢𝑛𝑔 , sebagai berikut:
𝑏𝑗 8,761
𝑡= = = 8,775
𝑆𝑏𝑗 0,998
Dengan 𝑑𝑓: 𝛼, (𝑘 − 1), (𝑛 − 𝑘) atau 0,05; (2 − 1); (12 − 2) diperoleh besarnya nilai
𝑡𝑡𝑎𝑏𝑒𝑙 sebesar 2,228.
Disebabkan nilai 𝑡ℎ𝑖𝑡𝑢𝑛𝑔 (8,775) > nilai 𝑡𝑡𝑎𝑏𝑒𝑙 (2,228) maka dapat disimpulkan bahwa
variabel promosi memiliki pengaruh yang berarti terhadap variabel penjualan.
Untuk melihat nilai 𝑡𝑡𝑎𝑏𝑒𝑙 dapat juga dilakukan dengan menggunakan program
Microsoft Excel. Langkah-langkahnya adalah sebagai berikut:
 Klik menu Formulas  Insert Function. Pada Or select a category pilih
Statistical. Pada Select a function pilih T.INV.2T. Klik OK sehingga tampilannya
menjadi seperti berikut:

Gambar 15. Function Arguments-T.INV.2T

  Pada Probability isi dengan 0,05, pada Deg_freedom1 isi 10. Klik OK sehingga
muncul nilai sebesar 2,228.

8. Dengan Menggunakan Program Microsoft Excel melalui menu Data

Analisis regresi menggunakan Microsoft Excel dapat dilakukan dengan langkah-
langkah seperti berikut:
 Siapkan data seperti berikut:

Gambar 16. Data Analisis Regresi Sederhana

 Klik menu Data  Data Analysis sehingga muncul kotak dialog.

 Pada Analysis Tools pilih Regression.

Gambar 17. Data Analysis-Regression

 Klik OK sehingga muncul tampilan Regression.

 Pada kotak Input Y Range isi dengan $D$2:$D$13 atau blok range data variabel
tergantungnya.
 Pada kotak Input X Range isi dengan $C$2:$C$13 atau blok range data variabel
bebasnya.
 Pada Output Options pilih New Worksheet Ply.
 Klik OK.
 Gambar 18. Regression

 Untuk menghasilkan output pada sheet yang lain, langkahnya adalah sebagai berikut:

Gambar 19. Output Analisis Regresi

Analisis:
1. Multiple R = 0,941
Artinya bahwa korelasi antara variabel bebas dengan variabel tergantungnya sebesar
0,941. Dalam hal ini karena regresi linear sederhana di mana variabel bebasnya
hanya satu maka dapat dikatakan bahwa korelasi antara promosi dengan penjualan
sebesar 0,941.
2. R Square = 0,885
R Square atau koefisien deterrninasi sebesar 0,885 berarti bahwa variasi penjualan
dapat dijelaskan oleh variasi promosi sebesar 88,5 persen atau variabel promosi
memengaruhi penjualan sebesar 88,5 persen. Koefisien determinasi sebesar 0,885
merupakan kuadrat dart multiple R (0,941 x 0,941 = 0,885).
3. Adjusted R Square= 0,874
Merupakan koefisien determinasi yang telah terkoreksi dengan jumlah variabel
sehingga dapat mengurangi unsur bias jika terjadi penambahan variabel. Adjusted R
Square sebesar 0,874 berarti variasi penjualan dapat dijelaskan oleh variasi promosi
sebesar 87,4 persen atau variabel promosi memengaruhi penjualan sebesar 87,4
persen. Koefisien Adjusted R Square sebesar 87,4 diperoleh dart perhitungan
sebagai berikut:
1(1 − 0,885)
𝑅 2 𝑎𝑑𝑗 = 0,885 − = 0,874
12 − 1 − 1
4. Standard Error = 9,576
Berarti bahwa penyimpangan antara persamaan regresi dengan nilai dependen
riilnya adalah sebesar 9,576 satuan variabel dependen (jika penjualan dalam satuan
juta rupiah maka besarnya penyimpangan adalah sebesar 9,576 juta rupiah).
Semakin kecil nilai standard error maka semakin baik persamaan regresi tersebut
sebagai alai prediksi.
5. Observation = 12
Nilai observation sebesar 12 karena jumlah pengamatan atau ukuran sampel yang
digunakan adalah sebanyak 12.
6. Df Regression (Degree of freedom regression) = 1
Nilai Df regression sebesar 1 karena nilai k-1, jumlah variabel dikurangi 1 (2-1=1).
7. Df Residual (Degree of freedom residual) = 10
Nilai Df Residual sebesar 10 karena nilai n-k, jumlah pengamatan dikurangi jumlah
variabel (12-2=10).
8. Df Total (Degree of freedom total) = 11
Nilai Df Total sebesar 11 karena nilai n-1, jumlah pengamatan dikurangi 1 (12-1=11)
atau merupakan penjumlah dari df regression dengan df residual (1+10=11).
9. SS Regression (Sum Square Regression) = 7061,261
Nilai SS Regression merupakan nilai yang menunjukkan jumlah kuadrat dari selisih
antara nilai prediksi dengan nilai rata-rata prediksi atau dapat diperoleh dengan
2
formula ∑(𝑌𝑝𝑟𝑒𝑑 − 𝑌̅𝑝𝑟𝑒𝑑 ) .
10. SS Residual (Sum Square Residual) = 916,9891
Nilai SS Residual merupakan nilai yang menunjukkan jumlah kuadrat dari selisih
antara nilai riil dengan nilai prediksi atau dapat diperoleh dengan formula
2
∑(𝑌 − 𝑌𝑝𝑟𝑒𝑑 ) . Dalam lembar kerja di atas dapat dilihat pada sel H14.
11. SS Total (Sum Square Total)= 7978,25
Nilai SS Total merupakan nilai yang menunjukkan jumlah kuadrat dari selisih antara
nilai riil dengan nilai rata-rata Y riil atau dapat diperoleh dengan formula ∑(𝑌 − 𝑌̅)2 .
Dalam lembar kerja di atas dapat dilihat pada sel I14.
12. MS Regression (Mean Square Regression) = 7061,261
Nilai MS Regression diperoleh dari formula sebagai berikut:
𝑆𝑆 𝑅𝑒𝑔𝑟𝑒𝑠𝑠𝑖𝑜𝑛 7.061,261
𝑀𝑆 𝑅𝑒𝑔𝑟𝑒𝑠𝑠𝑖𝑜𝑛 = = = 7.061,261
𝑑𝑓 𝑅𝑒𝑔𝑟𝑒𝑠𝑠𝑖𝑜𝑛 1
13. MS Residual (Mean Square Residual) = 91,699
Nilai MS Residual diperoleh dari formula berikut:
𝑆𝑆 𝑅𝑒𝑠𝑖𝑑𝑢𝑎𝑙 916,989
𝑀𝑆 𝑅𝑒𝑠𝑖𝑑𝑢𝑎𝑙 = = = 91,6999
𝑑𝑓 𝑅𝑒𝑠𝑖𝑑𝑢𝑎𝑙 10
14. F hitung (𝐹ℎ𝑖𝑡𝑢𝑛𝑔 ) = 77,005
Nilai 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 diperoleh dari formula sebagai berikut:
𝑀𝑆 𝑅𝑒𝑔𝑟𝑒𝑠𝑠𝑖𝑜𝑛 7.061,261
𝐹= = = 77,005
𝑀𝑆 𝑅𝑒𝑠𝑖𝑑𝑢𝑎𝑙 91,699
15. Significance F = 0,000
Merupakan nilai yang menunjukkan titik kesalahan yang terjadi jika nilai 𝐹ℎ𝑖𝑡𝑢𝑛𝑔
sebesar 77,005. Ternyata tingkat kesalahan atau probabilitas sebesar 0,000 yang
berarti lebih kecil dari 0,05 maka dapat disimpulkan bahwa variabel bebas secara
simultan mampu menjeiaskan perubahan pada variabel tergantung atau model
dinyatakan good of fit.
16. Coefficients Intercept = 1,424
Coefficients Intercept merupakan konstanta yang artinya jika perusahaan tanpa
melakukan promosi maka penjualan akan sebesar 1,424 juta rupiah. Nilai konstanta
ini diperoleh dari:
∑ 𝑌 − 𝑏(∑ 𝑋) 753 − 8,761(84)
𝑎= = = 1,424
𝑛 12
17. Coefficients X Variable = 8,761
Coefficients X Variable merupakan koefisien regresi yang berarti jika perusahaan
meningkatkan promosi sebesar 1 juta rupiah maka penjualan akan meningkat sebesar
8,761 juta rupiah. Nilai koefisien regresi ini diperoleh dari:
𝑛(∑ 𝑋𝑌) − (∑ 𝑋)(∑ 𝑌) 12(6.077) − (84)(753)
𝑏= 2 = = 8,761
𝑛(∑ 𝑋 ) − (∑ 𝑋)2 12(680) − (84)2
18. Standard Error Intercept = 7,515
Standard error intercept merupakan penyimpangan konstanta yang ada dalam
model persamaan regresi. Standard error intercept dicari dengan formula sebagai
berikut:
𝑆𝑒 2 2 9,5762
𝑆𝑎 = √ 2 ∗ (∑ 𝑋 ) = √ ∗ 680 = 7,515
𝑛(∑ 𝑋 ) − (∑ 𝑋)2 12(680) − (84)2
19. Standard Error X Variable 1 = 0,998
Standard error variabel X, menunjukkan penyimpangan koefisien regresi yang ada
dalam model regresi tersebut. Semakin kecil penyimpangan dalam koefisien regresi
maka semakin berarti kontribusi variabel tersebut terhadap variabel tergantungnya.
Standard error koefisien regresi dapat dicari dengan formula sebagai berikut:
𝑆𝑒 9,576
𝑆𝑏 = = = 0,998
2 84 2
√∑ 𝑋 2 − (∑ 𝑋) √680 − (
𝑛 12 )
20. t-Stat Intercept
Digunakan untuk mengetahui signifikansi intercept. Namun, nilai intercept biasanya
tidak diuji. Yang diuji adalah nilai t-stat koefisien regresinya. t-stat intercept
diltitung dengan formula sebagai berikut:
𝐶𝑜𝑒𝑓𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑠 𝐼𝑛𝑡𝑒𝑟𝑐𝑒𝑝𝑡 1,424
𝑡 − 𝑆𝑡𝑎𝑡 𝐼𝑛𝑡𝑒𝑟𝑐𝑒𝑝𝑡 = = = 0,819
𝑆 tan 𝑑𝑎𝑟𝑡 𝐸𝑟𝑟𝑜𝑟 𝐼𝑛𝑡𝑒𝑟𝑐𝑒𝑝𝑡 7,515
21. t-Stat Variable X1
Digunakan untuk mengetahui signifikansi variabel 𝑋1. Jika nilat t-stat lebih besar
dari nilai 𝑡𝑡𝑎𝑏𝑒𝑙 dengan 𝑑𝑓: 𝛼, (𝑛 − 𝑘) maka variabel tersebut memiliki pengaruh
yang signifikan terhadap variabel tergantung.
𝐶𝑜𝑒𝑓𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑠 𝑋 𝑉𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑋 8,761
𝑡 − 𝑆𝑡𝑎𝑡 𝑋 𝑉𝑎𝑟𝑖𝑎𝑏𝑒𝑙1 = = = 8,775
𝑆 tan 𝑑𝑎𝑟𝑡 𝐸𝑟𝑟𝑜𝑟 𝑋 𝑉𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑋 0,998
22. P-Value Intercept
Merupakan angka yang menunjukkan besarnya tingkat kesalahan pada nilai t-stat
intercept yang diperoleh (0,189). Jika nilai t-stat intercept semakin besar maka nilai
kesalahan p-value akan semakin kecil. Jika nilai p-value lebih kecil dari 𝛼 (0,05)
maka dikatakan signifikan. Dalam output di atas ternyata p-value lebih besar dari
0,05 sehingga intercept tidak signifikan. Namun, dalam analisis regresi hal ini tidak
dianalisis karena yang lebih penting adalah signifikansi dari variabel bebasnya.
23. P-Value X Variable1
Merupakan angka yang menunjukkan besarnya tingkat kesalahan pada nilai t-stat X
Variable1 yang diperoleh (8,775). Jika nilai t-stat coefficients semakin besar maka
nilai kesalahan p-value akan semakin kecil. Disebabkan nilai p-value X variable 1
lebih kecil dari 0,05 maka variabel X1 (promosi) memiliki pengaruh yang berarti
terhadap Y (penjualan).
Untuk memunculkan nilai intercept dan koefisien regresi menggunakan program
Microsoft Excel dapat dilakukan melalui menu Formulas. Kelebihan penggunaan menu
ini adalah jika terjadi perubahan nilai, baik pada variabel bebas maupun pada variabel
tergantungnya, nilai intercept dan koefisien regresi itu otomatis terkoreksi.
Berikut ini langkah-langkah analisis regresi dengan program Microsoft Excel melalui
menu Formulas:
 Buka program Microsoft Excel.
 Siapkan data seperti berikut:

Gambar 20. Data Analisis Regresi

1. Menghitung Intercepts
 Pada sel B15 ketik INTERCEPT.
 Letakkan kursor pada tempat yang kosong, misal di C15.
 Klik menu Formulas  Insert Function.
 Pada Or select a Category pilih Statistical, pada Select a function pilih
INTERCEPT.

Gambar 21. Insert Function-Intercept

 Klik tombol OK.

 Pada Function Arguments, pada pilihan INTERCEPT Known_y’s isi
D2:D13. Arguements Known_x’s isi dengan C2:C13, bisa dengan cara
diketik maupun dengan cara diblok sehingga tampilannya menjadi:

Gambar 22. Function Arguments-Intercept

 Klik tombol OK sehingga muncul nilai Intercept pada sel C15 sebesar 1,424.
2. Menghitung nilai koefisien regresi
 Pada sel B16 ketik KOEFISIEN REG.
 Letakkan kursor pada tempat yang kosong, misal di C16.
 Klik menu Formulas  Insert Function.
 Pada Or select a Category pilih Statistical, pada Select a function pilih
SLOPE.

Gambar 23. Insert Function-Slope

 Klik tombol OK.

 Pada Function Arguments, pada pilihan Known_y’s isi D2:D13.
Known_x’s isi dengan C2:C13, bisa dengan cara diketik maupun dengan cara
diblok sehingga tampilannya menjadi:

Gambar 24. Function Arguments-Slope

 Klik tombol OK sehingga muncul nilai koefisien regresi pada sel C16 sebesar
8,761.
 Gambar 25. Hasil Analisis Regresi Sederhana dengan Menu Formulas

Jika Anda mengganti nilai-nilai baik pada variabel bebas maupun pada variabel
tergantungnya maka secara otomatis nilai intercept dan koefisien regresi akan
selalu menyesuaikan.

D. Soal Latihan
1. Jelaskan apa fungsi analisis regresi!
2. Jelaskan apa yang dimaksud dengan hubungan kausal dan hubungan identitas!
3. Jelaskan fungsi uji F dan uji t dalam analisis regresi!
4. Jelaskan apa yang dimaksud dengan hubungan kausal satu arah dan hubungan kausal
berlawanan arah!
5. Berikut ini adalah data tentang besarnya pendapatan dan pengeluaran untuk berbelanja dari
12 orang karyawan:

Berdasarkan data tersebut:

a. Buatlah persamaan regresinya!
b. Berapa proyeksi pengeluaran untuk berbelanja jika pendapatan sebesar 95?
c. Berapa nilai koefisien determinasi dan apa maknanya?
d. Apakah terdapat pengaruh yang signifikan antara pendapatan terhadap pengeluaran
untuk berbelanja?
e. Bagaimana uji ketepatan model dengan menggunakan uji F?