Kelompok :
Anggota : Fasha A.
Galih I.
Dwi Suci P.
Tsatsa A.
Analisis regresi digunakan untuk memprediksi seberapa jauh peubahan nilai variable
dependen bila nilai variable independen di manipulasi/dirubah-rubah atau dinaik-turunkan.
Manfaat dari hasil analisi regresi adalah untuk membuat keputusan apakah akan naik dan
menurunnya variable dependen dapat dilakukan memalaui peningkatan variable independen atau
tidak.
Dalam praktik regresi sering dibedakan antara regresi sederhana dan regresi barganda. Disebut
regresi sederhana ( Simple Regression) jika hanya ada satu variable independent. Sedangkan
disebut regresi barganda ( Multiple Regression) jika ada lebih dari satu variable independent.
Sebelum analisi regresi digunakan maka diperlukan uji linearitas dan keberartian.
Ý = a – bX
Dimana :
Ý = Subyek dalam variable dependen yang di prediksikan
a = Harga Y ketika harga X = 0 (harga konstan)
Secara teknis harga b merupakan tangen dari perbandingan antara panjang garis variable
dependen , setelah persamaan regresi di temukan.
Harga b = r Sy
Sx
Harga a = Y – bX
Dimana :
r = koefisien korelasi produk momen antara momen antara variable X dengan variable Y
Jadi harga b merupakan fungsi dari koefisien korelasi. Bila koefisien korelasi tinggi,
maka harga b juga besar, sebaliknya bila koefisien korelasi rendah maka harga b rendah (kecil.
Selain itu bila koefisien korelasi negatif maka harga b juga negatif dan sebaliknya.
a = (⅀Yi)(⅀Xi2)- (⅀Xi)(⅀XiYi)
n⅀Xi2 - (⅀Xi)2
n⅀Xi2 - (⅀Xi)2
1. Contoh perhitungan regresi linear
Data berikut adalah hasil pengamatan terhadap nilai kualitas layanan (Xi) dan nilai rata-
rata penjualan barang tertentu tiap bulan (Yi)
Untuk menghitung persamaan regresinya maka diperlukan table penolong seperti table
dibawah
2. Uji Linearitas Regresi
Salah satu asumsi dari analisi regresi adalah linearitas. Maksudnya apakah garis regresi X
dan Y membentuk garis linear atau tidak. Kalua tidak linear maka analisis regresi tidak dapat
dilanjutkan.
Rumus yang digunakan adala uji linearitas :
JK(T) = ⅀ Y2
JK(A) = (⅀ Y)2
n[ n ⅀ X2 – (⅀ X)2 ]
ni
Dimana :
Sumber dK JK KT F
variansi
Total n ⅀Ý2 ⅀Ý2
n⅀Xi2 - (⅀Xi)2
= (34)(288.30) – (1782)(5485)
(34)(94098) - (1782)2
= 1,29
Sebelum mencari harga b terlebih dahulu dihitung korelasi antara nilai kualitas
layanan dan nilai rata-rata penjualan.
4. MenyusunPersamaan Regresi
Setelah harga a dan b ditemukan, maka persamaan regersi linear sederhana dapat
disusun. Persamaan regresi nilai layanan dan nilai rata-rata penjualan barang tertentu tipa
bulan adalah seperti berikut :
Ý = 93,85 + 1,29X
Persamaan regersi yang telah ditemukan dapat digunakan untuk melakukan prediksi
(ramalan) bagaimana individu dalam variable dependen akan terjadi bila individu dalam
variable independen ditetapkan. Misalnya nilai kualitas layanan = 64, maka nilai rata-rata
penjualannya adalah :
Ý = 93,85 + (1,29)(64)
= 176,41
Jadi diperkirakan nilai rata-rata penjualan tiap bulan sebesar 176,41. Dari persamaan
regresi diatas dapat dinyatakan bahwa, bila nilai layanan kulaitas bertambah 1, maka nilai
rata-rata pejualana barang tiap bulan akan bertambah 1,29 atau setiap nilai kualitas layanan
bertamabah 10maka nilai rata rata penjualan tiap bulan akan bertambah sebesar 12,9.
= 1,29{288380 – (1728)(5485)}
34
= 1162,90
= 1268,54
S2reg
S2reg
Uji Linearitas
Ho = Regresi Linear
Hi = Regresi Non-linear
S2G
dk pembilang (k – 2) dan dk penyebut (n – k). Untuk menguji hipotensi nol, tolang hipotensi
regresi linear, jika statistik F hitung untuk tuna cocok yang di peroleh lebih besar dari harga F
dari tabel menggunakan taraf kesalahan yang dipilih dan dk yang tersesuain.
Antara nilai kualitas layanan dengan nilain penjualan tiap bulan dapat dihitung
korelasinya. Korelasi dapat dihitung dapat rumus yang telah dibeikan (Rumus 8.5) atau dengan
Rumus 8.7 berikut.
Harga – harga yang telah ditemukan dalam Tabel 8.2 dapat dimasukan dalam rumus di atas
sehingga :
34(288380) –(1782)(5485)
r=
√❑¿ ¿
= 0,6909
Harga r tabel untuk taraf kesalahan 5% dengan n = 34 diperoleh r tabel = 0,339 dan
untuk 1% diperoleh r = 0,436. Karena harga r hitung lebih besar dari r tabel baik untuk kesalahan
5% maupun 1% ( 0,6909 > 0,436 > 0,339), maka dapat disimpulkan terdapat dihubungkan yang
positif dan signifikan sebesar 0,6909 antara nilai kualitas layanan dan rata – rata penjualan
barang tiap bulan.
Koefisien determinasinya r2 = 0,6909 2= 0,4773. Hal ini berarti nilai rata – rata penjualan
barang tiap bulan 47,73% ditentukan oleh nilai kualitas layanan yang diberikan, melalui
persamaan regresi Y = 93,85 + 1,29 X. Sisanya 52,27% ditentukan oleh faktor lain.
Analisis Regresi Sederhana Menggunakan SPSS
Contoh soal
Jakarta 205 26
Tanggerang 206 28
Bekasi 254 35
Bogor 246 32
Bandung 201 31
Semarang 291 49
Solo 234 30
Yogya 209 30
Surabaya 204 24
Purwokerto 216 31
Madiun 245 32
Tuban 286 47
Malang 312 54
Kudus 265 40
Pekaongan 322 42
Akan dilakukan analisis regresi untuk mengetahui hubungan diantara variable penjualan
dengan biaya promosi.
Penyelesaian :
Disini karena akan diketahui besar hubungan atau seberapa besar jauh biaya promosi
berpengaruh kepada penjualan PT Cemerlang, maka akan dilakukan uji regresi dengan variable
independen adalah biaya promosi. Karena hanya satu variable independen , maka uji regresi itu
dinamakan uji regresi sederhana.
Langkah pengolahan data dengan SPSS
Pengesian kotak :
Dependent atau variable tergantung. Karena variable yang akan di prediksi adalah
variable sales, maka masukan variable sales pada kotak Dependent
Independent atau variable bebas. Dalam hal ini, variable bebas (predictor) adalah
promosi. Maka, maasukan variable promosi ke kotak Independent
Case labels atau keterangan pada kasus. Karena kasus didasarkan pada daerah-daerah,
maka masukan variable daerah ke kotak Case labels
Method atau cara memasukkan/seleksi variable. Untuk keseragaman pilih default yang
ada yaitu Enter yang mana merupakan prosedur pemilihan variable dimana semua
variabel dalam blok dimasukkan dalam perhitungan ‘single step’
Pilih kolom Options dengan klik mouse pada pilihan tersebut
Untuk Stepping Method Criteria, digunakan uji F yang mengambil standar angka
probabilitas sebesar 5%. Karena itu angka Entry 05
Biarkan pilihan include constan in equation aktif
Penanganan missing value atau data yang hilang, digunakan default dari SPSS yaitu
Exclude cases listwise
Lalu klik continue dan pilih kolom Statistics
Analisis :
Analisis :
Dari uji ANOVA atau F test, didapat F hitung adalah 6,673 dengan tingkat
signifikansi 0,0000. Karena probabilitas (0,000) jauh lebih kecil dari 0,05
maka model regresi bisa dipakai untuk meprediksi Sales
Tabel selanjutnya menggambarkan persamaan regresi
Y = 111,523 + 3,891 X
Dimana :
Y = sales
X = Biaya Promosi
Keterangan :
o Konstanta sebesar 111,523 menyatakan bahwa jika tidak ada Biaya
promosi, maka sales adalah Rp111,523 juta
o Koefisien regresi sebesar 3,891 menyatakan bahwa setiap
penambahan (karena tanda +) Rp1 biaya promosiakan semakin
meningkatkan penjualan sebesasar Rp3,891. Namun sebaliknya
jika biaya promosi turun sebesar Rp1 maka penjualan juga
diprediksi mengalami penurunan sebesar Rp3,891. Jadi tanda +
menyatakan arah hubungan yang searah, dimana kenaikan atau
penurunan variable independent (X) akan mengakibatkan
kenaikan/penurunan variable dependen (Y)
o Untuk regresi sederhana, agka korelasi (0,916) yang sudah
dijelaskan saat membahas R, adalah juga angka Standardized
Coefficient (beta)
Uji t untuk menguji signifikan si kosntanta dan variable dependen
(promosi).
Persamaan regresi yang didapat atas selanjutnya akan diuji apakah memag
valid untuk memprediksi variable dependen. Dengan kata lain, akan
dilakukan pengujian apakah biaya promosi benar-benar bisa memprediksi
penjualan di masa mendatang. Disini akan diberi contoh uji koefisien regresi
variable Proomosi.
Hipotesis :
- H0 = Koefisien regresi tidak signifikan
- Hi = Koefisien regresi signifikan
Pegambilan Keputusan :
Mencari statistik t Hitung, dari table output diatas terlihat bahwa t hitung
(tertulis t) adalah 8,226
Keputusan :
Karena Statistik Hitung > Statistik Tabel (aatau 8,266 > 2,1604), maka Ho
ditolak
Berdasarkan Probabilitas
Keputusan :
Bagian ketujuh yang berjudul Casewise Diagnotic (tidak ditampilkan tabelnya disini)
memperlihatkan hasil prediksi dari persamaan regresi.
Bagian ini berjudul Residual Satistic (tidak ditampilkan tabelnya disini) dan membuat ringkasan
yang meliputi nilai minimum dan maksimum, mean dan standar deviasi dari predicted value
(nilai yang diprediksi) dan statistik residu.
Bagian Gambar/Chart :
Setelah diuraikan bagian output angka, sekarang beralih ke bagian output berupa chart untuk
menganalisis apakah syarat persamaan regresi dipenuhi. Berikut uji model regresi dengan
menggunakan output chart yang relevan.
a. Persyaratan Normalitas
Gambar dari Normal Probability Plot :
Jika residual beasal dari distribusi normal, maka nilai-nilai sebran data (lihat noktah
dengan nama daerah) akan terletak di sekitar garis lurus. Terlihat bahwa sebaran data
pada chart diatas bisa dikatakan tersebar di sekeliling garis lurus tersebut (tidak terpencar
jauh dari garis lurus). Maka bisa dikatakan bahwa persyaratan Normalitas bisa dipenuhi.
b. Persyaratan Kelayakan Model Regresi (Model Fit)
Chart kedua menggambarkan hubungan antara Nilai yang diprediksi dan Studentized
Delete Redsidual-nya dengan tampilan pada Chart kedua sebagai berikut :
Jika model regresi layak untuk 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 selebaran data ada pada sekitar titik nol (hanya
Pekalongan yang jauh dari luar titik nol), serta tidak tampak adanya suatu pola tertentu
pada sebaran data tersebut. Maka, bisa dikatakanmodel regresi memenuhi syarat untuk
memprediksi Sales.
NB : Maksud membentuk ‘pola tertentu’ misal gambar membentuk kumpulan koordinat
(titik) yang cenderung ke kanan atas, ke kiri bawah, atau menarik kemudian menurun,
dan pola-pola lainnya.