Analisis Regresi
Salah satu tujuan analisis data pada penelitian ini adalah untuk memperkirakan
atau meramalkan atau menduga besarnya efek kuantitatif dari perubahan suatu kejadian
terhadap kejadian lainnya. Analisis yang tujuannya untuk meramalkan pengaruh suatu
variabel terhadap variabel lainnya ialah salah satunya analisis regresi.
Di dalam suatu analisis regresi pada penelitian ini terdapat dua variabel yaitu variabel
independen dan variabel dependen. Variabel dependen ialah variabel yang dipengaruhi atau
dijelaskan sedangkan variabel independen ialah variabel yang mempengaruhi atau
menjelaskan. Persamaan yang digunakan untuk analisis regresi disebut persamaan regresi.
Persamaan regresi terdiri dari persamaan regresi sederhana dan persamaan regresi berganda
(multivariat). Persamaan regresi sederhana ialah persamaan regresi yang mengandung masing-
masing satu variabel dependen dan variabel independen. Persamaan regresi berganda
(multivariat) ialah persamaan regresi yang terdiri dari satu variabel dependen dan lebih dari
satu variabel independen.
Y’ = a0 + a1 X1 + a2 X2 + a3 X3 + ……. + ak Xk
Agar analisis regresi multivariat ini menghasilkan estimasi parameter yang valid
maka ada beberapa asumsi yang harus dipenuhi di dalam analisis regresi yaitu :
Model Estimasi
𝑳𝑶𝑩𝒕𝟏 = 𝜶𝟎 + 𝜶𝟏 𝑨𝑻𝒕𝟏 + 𝜶𝟐 𝑫𝑷𝑲𝒕𝟏 + 𝜶𝟑 𝑩𝑻𝑲𝒕𝟏 + 𝜶𝟒 𝑲𝑹𝒕𝟏 + 𝜺𝒕𝟏
Dimana :
LOB = Laba Operasi Bank
AT = Aktiva Tetap
DPK = Dana Pihak Ketiga
BTK = Biaya Tenaga Kerja
KR = Kredit
t1 = Periode
a j A jo
t
S aj
Pendugaan koefisien regresi parrtial dengan interval keyakinan sebesar 95% maka
menggunakan rumus sbb :
Pengujian parsial (t-stat) digunakan untuk menguji apakah variabel independen secara parsial
mempunyai pengaruh yang nyata terhadap variabel dependen.
Pengujian ini bertujuan untuk menguji signifikansi dari setiap variabel independen secara
parsial terhadap variabel dependen. Dalam pengujian ini dilakukan uji t dua arah.
Pengujian dilakukan dengan cara membandingkan nilai t-hitung yang didapat dari
hasil regresi dengan nilai kritis yang didapat dari t-tabel pada tingkat
kepercayaan/signifikansi (α ), dan derajat kebebasan (degree of freedom) df = n–k, dimana
n = jumlah observasi dan k = jumlah parameter termasuk konstanta, tertentu dengan
kriteria yang berlaku adalah :
Untuk lebih lengkapnya akan diuraikan pada halaman akhir sub-bab ini.
bila dilihat secara keseluruhan dapat memberikan signifikansi pada persamaan tersebut.
Uji F ini digunakan untuk menguji signifikansi seluruh variabel independen secara
bersama-sama dalam mempengaruhi variabel dependen, atau untuk mengukur pengaruh
semua variabel bebas sebagai satu kesatuan.
Apabila nilai F hitung ≤ F tabel berarti H0 tidak ditolak, sehingga variabel independen
secara bersama-sama tidak berpengaruh terhadap variabel dependen. H0 Diterima
Apabila nilai F hitung > F tabel berarti H0 ditolak, sehingga variabel independen secara
bersama-sama berpengaruh terhadap variabel independen.
R 2 (k 1)
Hubungan antara R2 dan nilai F adalah F , Gujarati (2003:258)
(1 R 2 ) (n k )
Sehingga makin besar nilai R 2 1.23 atau mendekati 1, berarti pendekatan itu betul-betul tepat
(sempurna). Sebagai hasil analisis dari suatu penelitian, persamaan regresi selalu disertai
5
dengan
n X 2Y X 2 Y
r12
n X 2
2
X 2 2 . n Y 2 Y 2
r12
x y 2i i
r13
x y 3i i
x y 2
2i
2
i x y
2
3i
2
i
n X 3Y X 3 Y
r13
n X X .nY Y
3
2
3
2 2 2
r23
x x 2i 3i
x x 2
2i
2
3i
n X 2 X 3 X 2 X 3
r23
n X 2
2
X 2 2 . n X 3 X 3 2
2
Sedangkan derajat hubungan antara Y dengan X 3 dengan menganggap X 2 tetap adalah sebesar
r13.2
Hubungan antara koefisien korelasi berganda dengan koefisien korelasi parsial dapat
ditentukan, yaitu :
Regresi adalah pengukuran yang sesuai yaitu pendugaan nilai Y dari nilai X yang diketahui.
r adalah ukuran yang berguna tentang hubungan X dan Y bila dan hanya bila trend dari titik
koordinat dalam diagram pencar yang membentuk suatu garis linear. Bila r mendekati 0, maka
antara X dan Y dianggap sebagai variabel yang independen.
Bila garis trend non linear, r mendekati 0 belum tentu hubungan antara X dan Y independen
bisa saja dependen tetapi variabel X dan Y tidak berasosiasi.
Bila ingin mengetahui tentang hubungan kausal tersebut hanya dapat diperoleh
dengan jalan melakukan penyelidikan yang lebih intensif dan seksama.
Nilai variabel bebas adalah stokastik dan tidak ada multikolinieritas sempurna.
Nilai harapan (expected value) atau rata-rata dari error adalah nol, yang secara simbolis
dinyatakan sebagai berikut : E(|Xi) = 0 dengan asumsi bahwa nilai harapan dari Y hanya
dipengaruhi oleh variabel bebas.
Varians dari error bersifat konstan (homoskedastisitas), yang secara simbolis dituliskan
sebagai berikut : var(|Xi) = E(|Xi) = 2.
Tidak ada serial korelasi antara error, yang secara simbolis dituliskan sebagai berikut :
cov(i,j | Xi,Xj) = E(i|Xi) (j|Xj) = 2.
Dengan asumsi-asumsi di atas, maka model OLS memiliki sifat ideal yang dikenal
dengan Teorema Gauss-Markov. OLS akan menghasilkan estimator yang mempunyai sifat
tidak bias, linier, dan mempunyai varians yang minimum, atau lebih dikenal dengan istilah
BLUE (Gujarati, 2012), dengan kriteria sebagai berikut :
Estimator ˆ1 bersifat linier (linear), yaitu linier terhadap variabel bebas.
Estimator ˆ1 bersifat tidak bias (unbiased), yaitu nilai rata-rata atau nilai ˆ1 yang diharapkan
Estimator ˆ1 mempunyai varians yang minimum. Estimator yang tidak bias dengan varians
minimum disebut estimator yang efisien (efficient estimator).
“Varian lain dari metode least squares adalah generalized least squares (GLS). Metode ini
digunakan ketika asumsi-asumsi yang disyaratkan oleh metode OLS (homokedastis dan
nonautokorelasi) tidak terpenuhi. Sebagaimana telah saya sebutkan sebelumnya, penggunaan
OLS pada kondisi seperti ini akan menghasilkan penduga parameter regresi yang tidak lagi
efisien dan dapat memberikan penarikan kesimpulan yang menyesatkan. Jika semua asumsi
yang disyaratkan terkait residual dalam metode OLS terpenuhi, matriks varian-kovarian
residual merupakan matriks diagonal dengan element pada diagonal utama konstan (σ2). …
Penduga GLS bagi parameter regresi mengakomodasi struktur matriks yang berbeda-beda
tersebut ke dalam teknik estimasi. …
Dan inilah yang di maksudkan dengan “mengakomodasi” atau “berdamai” dengan pelanggaran
asumsi yang terjadi.”
1) Bila model regresi biasa atau data panel yang terpilih, maka perlu dilakukan pengujian
normalitas, multikolinieritas, heteroskedastisitas, dan otokorelasi, sebagaimana
permasalahan dalam analisis regresi dan korelasi yang dikemukakan Winarno (2015).
2) Bila model regresi yang terpilih, maka perlu dilakukan pengujian gejala multikolinieritas.
Normalitas
Nilai α pada penelitian ini adalah 5% (Suliyanto, 2014:9). Nilai 2(0.05,5) 11,071 berdasarkan
nilai α dengan derajat kebebasan sebanyak variabel bebas.
Uji JB berdasarkan pada koefisien keruncingan dan koefisien kemiringan yang dilakukan
dengan membandingkan statistik JB dengan 2tabel.
S 2 K 32
JB n
6 24
dimana :
Pengujian ini menggunakan salah satu fungsi EViews yaitu “Residual Diagnostiks –
Histogram-Normality Test” untuk mendapatkan koefisien keruncingan dan koefisien
kemiringan serta nilai statistik JB dan probabilitasnya.
e) Pembuatan keputusan
Penerimaan atau penolakan hipotesis nol (H0 ) dilakukan pada langkah ini. Jika hipotesis
nol ditolak, maka dilakukan langkah-langkah treatment untuk mengatasi pelanggaran
asumsi tersebut berdasarkan Suliyanto (2014:78-79).
Multikolinieritas
Uji multikolinieritas bertujuan untuk menguji apakah dalam model regresi yang
terbentuk, terdapat korelasi linier yang mendekati sempurna antar lebih dari dua variabel
bebas atau tidak (Suliyanto, 2011:81). Jika terdapat korelasi yang tinggi atau sempurna
antar variabel bebas, maka model tersebut dinyatakan mengandung gejala multikolinier.
Pengaruh tiap variabel bebas tidak dapat dideteksi atau sulit dibedakan. Variabel bebas tidak
signifikan secara statistik dalam mempengaruhi variabel terikat
Tingkat signifikansi yang digunakan untuk menolak hipotesis nol semakin besar.
Probabilitas untuk menerima hipotesis yang salah (kesalahan ß) semakin besar.
Cara pertama untuk mendeteksi adanya multikolinieritas adalah dengan melakukan regresi
auxiliary (Winarno, 2015) :
Nilai α pada penelitian ini adalah 5% (Suliyanto, 2014). Nilai F ditentukan berdasarkan nilai
α dan derajat kebebasan sebesar 1 :
= k - 2 = (4+1) - 2 = 3.
H0 ditolak jika Fhitung > Ftabel (atau jika probabilitas nilai Fhitung < α)
Tiap variabel akan dijadikan sebagai variabel terikat secara bergantian dan variabel lainnya
menjadi variabel bebasnya. Fhitung dicari dengan rumus :
1
Rumus berdasarkan Winarno (2015:5.2)
11
2
R X 1 X 2 .... Xk
(k 2)
Fhitung
1 2
R X1 X 2 .... Xk
n k 1
dimana :
R2 = Koefisien determinasi tiap persamaan
k = Jumlah variabel bebas dan intercept
n = i x t = Jumlah observasi
d) Pembuatan keputusan
Jika hipotesis nol ditolak, maka dilakukan langkah-langkah perbaikan untuk mengatasi
pelanggaran asumsi tersebut berdasarkan Suliyanto (2014:92).
Cara kedua untuk mendeteksi adanya multikolinieritas adalah dengan menghitung koefisien
korelasi antar variabel bebasnya (Winarno, 2015). Jika nilai koefisien korelasi tidak lebih dari
0,7 maka model tidak memiliki gejala multikolinier (Suliyanto, 2011). Rumus yang digunakan
sebagai berikut :
n XY ( X )( Y )
rxy
n X 2
( X ) 2 n Y 2
( Y ) 2
dimana :
rxy = Koefisien korelasi
n = i x t = Jumlah observasi
X = Jumlah observasi nilai X
Y = Jumlah observasi nilai Y
Cara kedua ini menggunakan salah satu fungsi dari perangkat lunak EViews yaitu
“Group Statistics – Correlations” untuk mendapatkan nilai korelasi tersebut.
Heteroskedastisitas
Salah satu asumsi yang harus dipenuhi agar taksiran parameter dalam model
regresi bersifat BLUE adalah semua residual antar pengamatan mempunyai varians yang
sama (homoskedastisitas). Sedangkan, bila varians tidak konstan, maka disebut
12
Penduga yang diperoleh, menjadi tidak efisien karena variansnya tidak bernilai minimum.
Penduga tidak bersifat best dan hanya memenuhi karakteristik LUE (linier unbiased estimator)
Kesalahan baku koefisien regresi akan terpengaruh sehingga memberikan indikasi yang
salah dan koefisien determinasi memperlihatkan daya penjelasan yang besar.
Meskipun proses estimasi tidak efisien, hasil estimasi tetap konsisten dan tidak bias (Iqbal,
2015). Varians yang tidak minimum mengakibatkan estimasi regresi menjadi tidak efisien.
Menyebabkan hasil uji t dan uji F menjadi tidak berguna (Iqbal, 2015). Uji hipotesis yang
didasarkan pada uji t dan nilai distribusi F tidak dapat dipercaya (Suliyanto, 2011:122). Hal ini
karena standar error-nya tidak dapat dipercaya.
Nilai thitung dari penduga menghasilkan nilai yang kecil sehingga variabel bebas tidak
berpengaruh terhadap variabel terikat (Sriyana, 2014:63).
Salah satu uji heteroskedastisitas adalah Uji White dengan prosedur berikut :
Nilai α adalah 5%. Nilai 2(0.05,5) 11,071 ditentukan berdasarkan nilai α dengan derajat sebanyak
variabel bebas.
Fungsi perangkat lunak EViews yaitu “White Heteroscedasticity (cross terms)” untuk
mendapatkan nilai LM (Obs*R-squared dan Probability). Rumus Uji White :
LM nR 2
dimana :
n = i x t = Jumlah observasi
2
R = Koefisien determinasi
2 = Nilai kritis chi-square
nR2 = Nilai chi-square hitung
e) Pembuatan keputusan
Jika hipotesis nol ditolak, maka dilakukan langkah-langkah perbaikan untuk mengatasi
pelanggaran asumsi tersebut berdasarkan Suliyanto (2014:92).
Autokorelasi
Autokorelasi muncul karena residual yang tidak bebas antara satu observasi ke
observasi lainnya atau terdapat hubungan antar residual tersebut (Kuncoro dkk, 2011).
Gejala ini lebih mudah timbul pada data yang bersifat runtut waktu, meskipun tetap
dimungkinkan dijumpai pada data yang bersifat antar objek (cross section).
Wikaya (2009), uji otokorelasi bertujuan untuk menguji apakah pada model
terdapat korelasi antara kesalahan pengganggu pada periode t dengan kesalahan
pengganggu pada periode sebelumnya (t-1). Otokorelasi atau korelasi serial akan
mengakibatkan hal-hal berikut :
Model regresi yang dihasilkan tidak dapat dipergunakan untuk menduga nilai variabel terikat
dari nilai variabel bebas tertentu.
Varians dari koefisiennya menjadi tidak minimum (tidak efisien) sehingga koefisien
estimasi yang diperoleh menjadi kurang akurat.
Uji t tidak berlaku lagi dan jika uji tersebut tetap digunakan, maka kesimpulan yang
14
diperoleh tidak tepat (Hasan, 2012:285). Nilai statistik t dan statistik F tidak dapat dipercaya
karena hal itu menyesatkan.
Salah satu uji untuk mendeteksi otokorelasi adalah Uji Durbin-Watson (DW)
(Gujarati, 2003:215) yang dilakukan dengan prosedur berikut :
Nilai α pada penelitian ini adalah 5% (Suliyanto, 2014:9). Nilai DWtabel ditentukan
berdasarkan n jumlah observasi (480) serta k jumlah variabel bebas dan konstanta (6). Jadi
dU = 1,8712 dan dL = 1,8291.
DW
( t t 1 )2
t
2
dimana :
t = Residual pada periode t
t-1 = Residual pada satu periode sebelum t
Nilai DW akan diperoleh secara otomatis dengan perangkat lunak EViews.
Tidak ada kesimpulan jika dL < (4-DW) < dU (diperlukan observasi lanjutan)
e) Pembuatan keputusan
Jika hipotesis nol ditolak, maka dilakukan langkah-langkah perbaikan untuk mengatasi
pelanggaran asumsi tersebut berdasarkan Suliyanto (2014:141).
1. Analisis Korelasi
Analisis ini digunakan untuk mengetahui derajat hubungan linier antara satu
variabel dengan variabel lain (Suliyanto, 2011:15). Jika perubahan variabel tidak diikuti
oleh perubahan variabel yang lain, maka dikatakan bahwa variabel -variabel tersebut tidak
saling berkorelasi. Besarnya perubahan suatu variabel yang diikuti dengan perubahan
variabel yang lain, dinyatakan dalam bentuk koefisien korelasi (r). Koefisien ini tidak
menggambarkan kekuatan kausalitas.
Dengan data-data berskala rasio, maka dalam penelitian ini memerlukan analisis
korelasi Product Moment (Pearson), dengan koefisien korelasi berkisar antara -1 dan 1
sesuai kriteria dengan rumus yang digunakan adalah sebagai berikut :
n XY ( X )( Y )
rxy
n X 2
( X ) 2 n Y 2
( Y ) 2
16
dimana :
rxy = Koefisien korelasi
n = i x t = Jumlah observasi
X = Jumlah observasi nilai X
Y = Jumlah observasi nilai Y
Nilai r Kriteria
0,00 s.d. 0,29 Korelasi sangat lemah
0,30 s.d. 0,49 Korelasi lemah
0,50 s.d. 0,69 Korelasi cukup
0,70 s.d. 0,79 Korelasi kuat
0,80 s.d. 1,00 Korelasi sangat kuat
2. Uji Statistik t
Uji ini merupakan salah satu dari jenis pengujian hipotesis yang berdasarkan jenis
distribusinya. Uji statistik t dikenal dengan uji parsial, yaitu untuk menguji bagaimana
pengaruh masing-masing variabel bebasnya secara sendiri-sendiri terhadap variabel
terikatnya (Hidayat, 2013). Nilai statistik t ditentukan oleh nilai kuadrat residual i2
(Sriyana, 2014:68).
“The "t'' statistic is computed by dividing the estimated value of the parameter by its standard
error. This statistic is a measure of the likelihood that the actual value of the parameter is
not zero. The larger the absolute value of t, the less likely that the actual value of the
parameter could be zero”.
Uji ini merupakan pengujian hipotesis individual bagi koefisien regresi, yang
dalam penelitian ini akan dilakukan berdasarkan langkah-langkah pengujian oleh Hasan
17
(2012:267) :
Hipotesis penelitian (H4) : Biaya Tenaga Kerja (BTK) memiliki pengaruh negatif dan
signifikan terhadap Laba Operasional..
Hipotesis statistiknya :
H0 ditolak jika thitung < ttabel (atau jika probabilitas nilai thitung < α)
Nilai thitung dan probabilitas hasil perthitungan EViews, ditampilkan sebagai t-Statistic dan
Prob.
e) Pembuatan keputusan
Jika hipotesis nol ditolak, maka berarti bahwa variabel bebas ini memiliki pengaruh yang
bermakna terhadap variabel terikat.
Hipotesis penelitian (H2) : Total Aset (TA) memiliki pengaruh positif dan signifikan
terhadap Laba Operasional
Hipotesis statistiknya :
H0 ditolak jika thitung > ttabel (atau jika probabilitas nilai thitung < α)
Nilai thitung dan probabilitas hasil perhitungan EViews, ditampilkan sebagai t-Statistic dan
Prob.
e) Pembuatan keputusan
Jika hipotesis nol ditolak, maka berarti bahwa variabel bebas ini memiliki pengaruh yang
bermakna terhadap variabel terikat.
Hipotesis penelitian (H 3 ) : Dana Pihak Ketiga (DPK) memiliki pengaruh positif dan
signifikan terhadap Laba Operasional.
19
Hipotesis statistiknya :
H0 ditolak jika thitung > ttabel (atau jika probabilitas nilai thitung < α)
Nilai thitung dan probabilitas hasil perhitungan EViews, ditampilkan sebagai t-Statistic dan
Prob.
d) Pembuatan keputusan
Jika hipotesis nol ditolak, maka berarti bahwa variabel bebas ini memiliki pengaruh
yang bermakna terhadap variabel terikat.
Hipotesis statistiknya :
H0 ditolak jika thitung > ttabel (atau jika probabilitas nilai thitung < α)
Nilai thitung dan probabilitas hasil perhitungan EViews, ditampilkan sebagai t-Statistic dan
Prob.
h) Pembuatan keputusan
Jika hipotesis nol ditolak, maka berarti bahwa variabel bebas ini memiliki pengaruh
yang bermakna terhadap variabel terikat.
3. Uji Statistik F
Uji Statistik F merupakan salah satu dari jenis pengujian hipotesis berdasarkan
jenis distribusinya. Uji ini pada dasarnya menunjukkan apakah semua variabel bebas
dalam model mempunyai pengaruh secara bersama-sama terhadap variabel terikat
(Kuncoro, 2011 dalam Satria, 2015).
Nilai statistik F ditentukan oleh nilai kuadrat residual i2 (Sriyana, 2014:68).
“The "F value'' and "Prob(F)'' statistics test the overall significance of the regression
model. Specifically, they test the null hypothesis that all the regression coefficients are
equal to zero. This tests the full model against a model with no variables and with the
estimate of the dependent variable being the mean of the values of the dependent
variable. The F value is the ratio of the mean regression sum of squares divided by the
mean error sum of squares. Its value will range from zero to an arbitrarily large
number.”
21
Pengujian hipotesis serentak bagi koefisien regresi dalam penelitian ini dilakukan
berdasarkan langkah-langkah pengujian sbb :
Hipotesis penelitian (H7) : Biaya Tenaga Kerja (BTK), Total Asset (TA), Dana Pihak Ketiga
(DPK) dan Kredit (Kr), secara simultan memiliki pengaruh signifikan terhadap laba
operasional.
Hipotesis statistiknya :
Nilai α yang digunakan pada penelitian ini adalah 5% (Suliyanto, 2014:9). Nilai F
berdasarkan nilai α dengan derajat kebebasan sebesar :
= k - 1 = (4 + 1) – 1 = 4
H0 ditolak jika Fhitung > Ftabel (atau jika probabilitas nilai Fhitung < α)
R2
(k 1)
Fhitung
1 R 2
(n k
dimana :
22
R2 = Koefisien determinasi
n = i x t = Jumlah observasi
k = Jumlah parameter termasuk intercept
Fhitung dan probabilitas hasil perhitungan perangkat lunak EViews, yang ditampilkan pada
nilai F-statistic dan Prob (F-statistic).
d) Pembuatan keputusan
Jika hipotesis nol ditolak, maka berarti bahwa pengaruh simultan variabel bebas terhadap
variabel terikat, terbukti secara statistik.
4. Analisis Determinasi
Nilai koefisien determinasi berkisar di antara nol dan satu, yang dilihat dari nilai
R2 (R-squared) pada keluaran perhitungan perangkat lunak EViews :
Nilai R2 (R-squared) yang kecil atau mendekati nol berarti bahwa variabel bebas memiliki
kemampuan yang terbatas dalam menjelaskan variabel terikat.
yˆ
2
2 i
R
y
2
i
bebas secara simultan dalam menjelaskan variabel terikat dengan memperhatikan standar error.
R2-yang-disesuaikan (Adjusted R-squared) merupakan alternatif dari R2 (R-squared) karena R2
(R-squared) memiliki kelemahan yaitu nilainya akan meningkat sesuai dengan jumlah variabel
bebasnya. Semakin banyak variabel bebas yang dimasukkan ke dalam persamaan, maka
semakin memperkecil nilai R2 terkoreksi (Winarno, 2015:4.17).
ˆ /( n k )
2
1
2 i
R
y /( n 1)
2
i
dimana :
n = i x t = Jumlah observasi
k = Jumlah parameter termasuk intercept