ANALISIS DATA
12
Ekonomi dan Bisnis Manajemen S1 190263003 Team Teaching Analisis Data
Abstract Kompetensi
Analisis Regresi Linier (Linear Regression Analysis) adalah teknik statistika untuk membuat
model dan menyelidiki pengaruh antara satu atau beberapa variabel bebas (Independent
Variables) terhadap satu variabel tak bebas/ variabel respon (Dependent Variable).
Selain untuk memprediksi nilai vaiabel tak bebas (Y), model atau persamaan regresi juga
dapat digunakan untuk mengetahui arah dan besarnya pengaruh variabel bebas (X) terhadap
variabel tak bebas (Y).
Menurut Gujarati (2009), suatu model statistik dapat dikatakan sebagai model yang baik
apabila memenuhi beberapa kriteria berikut :
1. Parsemoni.
Suatu model tidak akan pernah dapat secara sempurna menangkap realitas sehingga
perlu dilakukan sedikit abstraksi atau penyederhanaan dalam pembuatan model.
Maksudnya, ketidakmampuan model dalam mencakup semua realitas yang ada
menjadikan kita harus berfokus membuat model khusus untuk menjelaskan realitas yang
menjadi tujuan penelitian saja.
• Residual memiliki varians (σ2) konstan, artinya terdapat kehomogenan varians residual
(asumsi tidak terdapat heteroskedastisitas)
• Residual tidak berkorelasi antara satu dengan yang lainnya, dengan kata lain antar residual
saling bebas (asumsi tidak terdapat autokorelasi).
3. Rumus:
b
t=
sb
dimana:
b = koefisien regresi pada persamaan regresi sederhana
se
sb =
J XX
Y 2 − a.(Y ) − b.(XY )
se =
n−2
(X ) 2
J XX = X − 2
n
4. Kriteria uji:
Ho ditolak jika t t / 2 ;n − 2 atau t −t / 2 ;n − 2 (gunakan Tabel t)
5. Perhitungan
6. Kesimpulan
Jika nilai Sig. < 0,05, artinya variabel bebas berpengaruh signifikan terhadap variabel tak
bebas.
Jika nilai Sig. > 0,05, artinya variabel bebas tidak berpengaruh signifikan terhadap variabel
tak bebas.
Contoh :
Dari 15 agen diperoleh data Penjualan (dalam juta rupiah) dan Biaya Promosi (dalam juta
rupiah) yang telah disimpan dalam bentuk file Excel. Berdasarkan kedua variabel tersebut
akan dilakukan analisis regresi sederhana dengan menggunakan SPSS.
Pada contoh ini, dalam pengolahan data menggunakan SPSS, variabel Biaya Promosi
dinyatakan oleh Promosi.
3. Klik Statistics :
Pada Regression Coefficients, pilih Estimates, Model fit, R squared change, Descriptives
Pada Residuals, pilih Durbin Watson
> Continue
▪ Statistika deskriptif :
Descriptive Statistics
Mean Std. Deviation N
Penjualan 246.40 41.113 15
Promosi 35.53 10.888 15
1) Rata-rata Penjualan dari 15 agen adalah sebesar Rp 246,40 juta dengan deviasi
standar Rp 41,11 juta.
2) Rata-rata Biaya Promosi dari 15 agen adalah sebesar Rp 34,67 juta dengan deviasi
standar deviasi Rp 9,68 juta.
Correlations
Penjualan Promosi
Penjualan 1.000 .971
Pearson Correlation
Promosi .971 1.000
Penjualan . .000
Sig. (1-tailed)
Promosi .000 .
Penjualan 15 15
N
Promosi 15 15
1) Koefisien korelasi antara variabel Penjualan dengan Biaya Promosi sebesar 0,971.
Hal ini menunjukkan hubungan yang sangat kuat, dengan arah hubungan yang positif.
Semakin besar biaya promosi, semakin meningkat penjualan.
Pengunaan software SPSS memudahkan penarikan kesimpulan dalam uji ini. Apabila
nilai prob. F hitung (ouput SPSS ditunjukkan pada kolom Sig.) lebih kecil dari tingkat ,05
(tingkat signifikansi yang telah ditentukan) maka dapat dikatakan bahwa model regresi
yang diestimasi layak.
Nilai Sig. pada tabel di atas sebesar 0,000 < 0,05 (tingkat signifikansi yang digunakan).
Dapat disimpulkan bahwa model regresi linier layak digunakan untuk menjelaskan
pengaruh Biaya Promosi terhadap Penjualan.
Coefficientsa
Model Unstandardized Coefficients Standardized t Sig.
Coefficients
B Std. Error Beta
(Constant) 116.130 9.290 12.501 .000
1
Promosi 3.666 .251 .971 14.624 .000
a. Dependent Variable: Penjualan
Ket:
Dengan taraf signifikansi 0,05 dan derajat bebas n – 2 = 15 – 2 = 13,
niilai t tabel pada uji dua pihak adalah 2,160.
▪ Koefisien Determinasi
Koefisien determinasi menjelaskan variasi pengaruh variabel bebas terhadap variabel tak
bebas. Dapat pula dikatakan sebagai proporsi pengaruh variabel bebas terhadap variabel
tak bebas. Nilai koefisien determinasi dapat diukur oleh nilai R Square atau Adjusted R
Square. Nilai R Square digunakan pada saat variabel bebas hanya 1 saja (biasa disebut
dengan Regresi Linier Sederhana), sedangkan Adjusted R Square digunakan pada saat
variabel bebas lebih dari satu.
Model Summaryb
Nilai R Square = 0,943 artinya kontribusi variabel Biaya Promosi terhadap variabel
Penjualan sebesar 94,3%; sedangkan sisanya 5,7% dipengaruhi oleh variabel-variabel
lainnya yang tidak diteliti dalam penelitian tersebut. Dengan kata lain, sebesar 94,3%
variasi Penjualan dapat dijelaskan oleh variasi Biaya Promosi.
Coefficientsa
Model Unstandardized Coefficients Standardized t Sig.
Coefficients
B Std. Error Beta
(Constant) 116.130 9.290 12.501 .000
1
Promosi 3.666 .251 .971 14.624 .000
a. Dependent Variable: Penjualan
Uji heteroskedastisitas
Langkah untuk menguji ada tidaknya heteroskedastisitas adalah :
Klik Transform,
Pada Target Variable, diisi Abs_RES
Pada Numeric Expression, diisi Abs(RES_1)
Pada layar data, akan muncul kolom Abs_RES.
Continue > OK
Output SPSS :
Coefficientsa
Model Unstandardized Coefficients Standardized t Sig.
Coefficients
B Std. Error Beta
(Constant) 15.874 4.565 3.477 .004
1
Promosi -.223 .123 -.449 -1.812 .093
a. Dependent Variable: Abs_RES
Apabila dU < DW < 4 –dU maka dapat disimpulkan bahwa residual saling bebas (tidak
terdapat autokorelasi). Nilai dU adalah batas atas pada tabel Durbin-Watson, sesuai
banyaknya pengamatan (n) dan taraf nyata yang digunakan.
Model Summaryb
Change Change
Dari Tabel Durbin Watson, pada taraf nyata 5% dengan n = 15 dan banyaknya variabel
bebas (k) = 1, diperoleh dL= 1,0770 dan dU = 1,3605.
[1] Lind, D.A., Marchal, W. G., Wathen, S. A. 2018. Statistical Techniques in Business &
Economics. Seventeenth Edition. New York: McGraw-Hill Education Paul A. Samuelson
& William D. Nordhaus, “Economics”, 19th ed 2009
[2] Richardson, Ronny. 2015. Business Applications of Multiple Regression. Second Edition.
New York: Business Expert Press.
[3] Keith, Timothy, Z. 2015. Multiple Regression & Beyond: An Introduction to Multiple
Regression and Structural Equation Modeling. 2nd Edition. New York: Routledge.
[4] Verma. J. P. 2013. Data Analysis in Management with SPSS Software. India: Springer
[5] Gujarati, D. N., Porter, D. C. 2009. Basic Econometrics. Fifth Edition. New York: McGraw-
Hill/Irwin.
[6] Taylor, J. K. 2004. Statistical Techniques for Data Analysis. Second Edition. Florida:
Chapman & Hall/CRC