BAB VI

ANALISIS REGRESI

6.1 Tujuan Pratikum

Adapun tujuan pratikum agar dapat mengetahui:
1. Pratikan dapat mengetahui pengetian dari Analisis Regresi
2. Pratikan dapat mengetahui Tujuan dan Kegunaan Analaisis Regresi
3. Pratikan dapat menggunakan metode Analisis Regresi
6.2 Dasar Teori
6.2.1 Pengertian Analisis Regresi
Analisis regresi adalah suatu analisis yang dilakukan terhadap dua variabel
yaitu variabel independen (prediktor) dan variabel dependen (respon) untuk
mengetahui apakah ada pengaruh variabel prediktor terhadap variabel respon
sehingga variabel respon dapat diduga berdasarkan variabel prediktornya.
Berdasarkan jumlah variabel independennya, analisis regresi linier dibagi menjadi
dua macam yaitu, analisis regresi linier sederhana dan analisis regresi linier ganda.
Pada, analisis regresi linier sederhana, jumlah variabel independen yang
digunakan sebagai penduga variabel dependen adalah satu. Sedangkan pada
analisis regresi linier ganda, jumlah variabel independen yang digunakan sebagai
penduga variabel dependen adalah lebih dari satu.(Wasilaine et al., 2014)
Secara umum regresi adalah studi mengenai ketergantungan satu variabel
(variabel tak bebas/ variabel respon) dengan satu atau lebih variabel bebas/
variabel penjelas. Hasil darianalisi regresi merupakan suatu persamaan, yaitu
persamaan matematika. Persamaan tersebutdigunakan sebagai prediksi.
Dengan demikian analisis regresi sering disebut dengan analisis prediksi. Karena
merupakan prediksi, maka nilai prediksi tidak selalu tepat dengan nilairealnya,
semakin kecil tingkat penyimpangannya antar prediksi dengan nilai riilnya,
makasemakin tepat persamaan regresi yang dibentuk
Persamaan regresi adalah suatu persamaan matematika yang
mendefinisikan hubunganantara dua variabel yaitu hubungan keterkaitan antara
satu atau beberapa variabel yangnilainya sudah diketahui dengan satu variabel
yang nilainya belum diketahui, sifat hubunganantara dalam persamaan meruoakan
hubungan sebab akibat. Oleh karena itu, sebelummenggunakan persamaan regresi
dalam menjelaskan hubungan antara dua atau lebihvariabel, perlu diyakini terlebih
dahulu bahwa secara teoritis atau perkiraan sebelumnya, bahwa variabel-variabel
tersebut memiliki hubungan sebab akibat. Variabel yang nilainyaakan
mempengaruhi variabel tersebut disebut variabel bebas (X). sedangkan variabel
yangnilainya dipengaruhi oleh variabel lain adalah variabel tergantung (Y).
 Analisis regresi dikelompokkan menjadi dua bagian yaitu analisis regresi
sederhana(analisis regresi tunggal) dan analisis regresi ganda. Regresi sederhana
dimaksudkan untukmenganalisis hubungan antara satu variabel bebas (X) dengan
satu variabel terikat (Y)Regresi berganda digunakan untuk analisis hubungan dua
atau lebih variabel bebas(misalnya X1dan X2) dengan satu variabel terikat (Y)

6.2.2 Tujuan dan Kegunaan Analisis Regresi

Analisis regresi dalam statistika adalah salah satu metode untuk
menentukan hubungansebab akibat antara satu variabel dengan variabel yang lain.
Analisis regresi adalah salah satuanalisis yang paling populer dan luas
pemakaiannya. Hampir semua bidang ilmu yangmemerlukan analisis. Analisis
regresi dan analisis korelasi dikembangkan untuk mengkajidan mengukur
hubungan antara dua variabel atau lebih. Dalam analisis regresidikembangkan
persamaan estimasi untuk mendeskripsikan pola atau fungsi hubungan
antaravariabel-variabel. Sesuai dengan namanya, persamaan estimasi atau
persamaan regresi itudigunakan untuk mengestimasi nilai dari suatu variabel
berdasarkan nilai variabel lainnya.Variabel yang di estimasi itu disebut variabel
dependen (atau variabel terikat) sedangkanvariabel yang diperkirakan
memengaruhi variabel dependen itu disebut variabel independen(atau variabel
bebas).
Ada beberapa tujuan penggunaan analisis regresi, antara lain:
a. Membuat estimasi rata-rata dan nilai variabel ter gantung dengan
didasari pada nilaivariabel bebas.
b. Menguji hipotesis karakteristik dependensi
c. Untuk meramalkan nilai rata-rata variabel bebas dengan
didasarkan pada nilai variabel bebas diluar jangkauan sample

6.2.3 Jenis-Jenis Analisis Regresi

1. Analisis Regresi Linier
Analisis regresi linier adalah teknik statistika yang dapat digunakan untuk
menjelaskan pengaruh variabel bebas (independent variable) terhadap variabel tak
bebas (dependent variable). Salah satu asumsi yang harus dipenuhi untuk
melakukan pengujian hipotesis terhadap parameter pada analisis regresi linier
berganda adalah tidak terjadinya korelasi antar variabel bebas (multikolinier). Jika
antara variabel berkolerasi tinggi, pengujian hipotesis parameter berdasarkan
metode kuadrat terkecil (Ordinary Least Square) memberikan hasil yang tidak
valid (galat yang dihasilkan akan menjadi besar, variansi dan kovariansi parameter
tidak berhingga), diantaranya variabel-variabel bebas yang seharusnya
berpengaruh signifikan terhadap variabel tak bebas akan dinyatakan sebaliknya
(tidak nyata secara statistik), tanda koefisien regresi dugaan yang dihasilkan
bertentangan dengan kondisi aktual, penduga koefisien regresi bersifat tidak stabil
sehingga mengakibatkan sulitnya menduga nilainilai variabel tak bebas yang
tentunya akan mengakibatkan tidak akuratnya pada peramalan (Marcus et al.,
2012)
2. Analisis Regresi Logistik Ordinal
Analisis regresi logistik ordinal merupakan salah satu metode statistika
yang menggambarkan hubungan antara suatu variabel respon (Y) dengan lebih
dari satu variabel prediktor (X) dimana variabel respon lebih dari dua kategori dan
skala pengukuran bersifat tingkatan [2]. Metode kemungkinan nilai maksimum
(Maximum Likelihood Estimator/MLE) merupakan metode yang digunakan untuk
menaksir parameter-parameter model regresi logistik. MLE memberikan nilai
estimasi β dengan memaksimumkan fungsi Likelihood [3]. Menurut [2], model
yang telah diperoleh perlu diuji kesignifikansinya dengan melakukan pengujian
statistik antara lain uji serentak dan uji individu. Selain itu terdapat uji yang
digunakan untuk menguji kesesuaian model regresi logistik yaitu Goodness of Fit.
Uji independensi dilakukan untuk mengetahui ada atau tidaknya hubungan antara
variabel respon dengan variabel prediktor [4]. Pengujian tersebut menggunakan
uji Chi-Square.(Pentury et al., 2016)
3.Analisis Regresi Polinominal Lokal
Regresi polinomial lokal adalah suatu metode regresi nonparametrik,
dengan fungsi regresi ditaksir menggunakan bentuk polinomial. Jika pada regresi
polinomial biasa persamaan regresi di-fit untuk seluruh wilayah data maka dalam
regresi polinomial lokal persamaan regresi di-fit sepotong-sepotong. Kemulusan
kurva dari taksiran regresi ini tergantung pada pemilihan parameter pemulus atau
bandwidth, sehingga diperlukan pemilihan bandwidth yang optimal, yaitu
bandwidth yang meminimumkan GCV. Dalam aplikasi metode regresi polinomial
lokal dibandingkan dengan metode Nadaraya-Watson. Hasil yang diperoleh
adalah metode regresi polinomial lokal akan baik menaksir data yang nilainya
menyimpang jauh dibandingkan nilai data yang lain, sedangkan metode
Nadaraya-Watson akan baik menaksir pada data yang berkumpul(Nugraha, 2009)
6.3 Data Modul
Table 6.1 Keuntungan, penjualan dan Biaya Promosi

Periode Keuntungan Penjualan Biaya_Promosi

2012.01 100000 1000000 55000
2012.02 110000 1150000 56000
2012.03 125000 1200000 60000
2012.04 131000 1275000 67000
2012.05 138000 1400000 70000
2012.06 150000 1500000 74000
2012.07 155000 1600000 80000
2012.08 167000 1700000 82000
2012.09 180000 1800000 93000
2012.10 195000 1900000 97000
 2012.11 200000 2000000 100000
2012.12 210000 2100000 105000
2013.01 225000 2200000 110000
2013.02 230000 2300000 115000
2013.03 240000 2400000 120000
2013.04 255000 2500000 125000
2013.05 264000 2600000 130000
2013.06 270000 2700000 135000
2013.07 280000 2800000 140000
2013.08 290000 2900000 145000
2013.09 300000 3000000 150000
2013.10 315000 3100000 152000
2013.11 320000 3150000 160000
2013.12 329000 3250000 165000
2014.01 335000 3400000 170000
2014.02 350000 3500000 175000
2014.03 362000 3600000 179000
2014.04 375000 3700000 188000
2014.05 380000 3800000 190000
2014.06 400000 3850000 192000
2014.07 405000 3950000 200000
2014.08 415000 4100000 207000
2014.09 425000 4300000 211000
2014.10 430000 4350000 215000
2014.11 440000 4500000 219000
2014.12 450000 4600000 210000

6.4 Langkah Kerja

1. Masukan data diatas kedalam program SPSS, sehingga akan seperti

tampilan di bawah ini,
 Gambar 6.1 langkah kerja modul 6
2. Pilih Menu Analyze ->-> Regression ->Linear , sehingga muncul Dialog
Box
sesuai dibawah ini. Masukkan variabel Kredit pada kolom Dependent
Variable,
dan tiga variabel lain sebagai Independent(s),
 Gambar 6.2 langkah kerja modul 6

3. Pilih Statistics, cek list Estimates, Collinearity Diagnotics, dan Durbin

Watson ->Continue
 Gambar 6.3 langkah kerja modul 6

4. Pilih Plots, cek list Normal Probability Plot -> Continue

Gambar 6.4 langkah kerja modul 6

5. Pilih Save, cek list Unstandardized dan Studentized deleted Residuals

 Gambar 6.5 langkah kerja modul 6

6. Continue-> OK
7. Maka akan Tampil Output data Seperti di bawah ini:
Gambar 6.6 Hasil output modul 6
6.5 Pembahasan Dan Hasil
6.5.1. Pembahasan
Pada sheed data view dalam SPSS, maka akan ditentukan dua variabel baru
yaitu Res_1(Residual) dan SDR. SDR adalah deteksi outlier kita membutuhkan
tabel distribusi t, kriteria pengujian adalah jika nilai absolute |SDR| > t n-k-i, maka
pengamatan tersebut merupakan n : jumlah sampel dan k : jumlah variabel bebas.
Nilai t pembanding adalah sebesar 2,056 yaitu pengamatan ke 17, dapat di lihat
pada output model summary dengan adjusted R square sebesar 0,998 dan durbin
waston 1,641.

Pada analisis R square sebagai ukuran kecocokan model , tabel variabels

entered menunjukkan variabel indepent yang di masukkan dalam model, nilai
Rsquare pada tabel model summary adalah persentase ke cocokan model, atau
nilai yang menunjukkan seberapa besar variabel independent menjelaskan
variabel dependent. R2 pada persamaan regresi rentan terhadap penambahan
variabel independen, dimana semakin banyak variabel independent yang terlibat
maka nilai R2 akan semakin besar, karena itulah digunakan R2 adjusted pada
analisis regresi linear berganda dan digunakan R2 pada analisis sederhana , pada
gambar output terlihat nilai R square adjusted sebesar 0,998 artinya variabel
independent dapat menjelaskan variabel dependen sebesar 99,8%. Sedangkan
0,2% di jelaskan oleh faktor lain yang tidak ada dalam model R2 . Kelemahan
penggunaan koefisien determinasi adalah blas terhadap jumlah variabel
independen yang di masukkan dalam model.

Uji F dalam analisis regresi linear berganda bertujuan untuk mengetahui

pengaruh variabel independen secara simultan , di tunjukkan dalam tabel
ANOVA.

ANOVA (b)
Model Sum Of Squares df Mean square F Sig
Regresion 3.942E+11 2 1.971E+11 11245,958 .000b
Residual 578386614.4 33 17526867.10
Total 3.94E+11 35

a.Prediktors : promosi, penjualan

b.Depende± variabel : Keuntungan

Rumus hipotesis yang di gunakan adalah:

H0 : kedua variabel independen secara simultan tidak berpengaruh signifikan

terhadap variabel jumlah kemiskinan

H1 : kedua variabel independent secara simultan berpengaruh signifikan terhadap

variabel jumlah kemiskinan

Kriteria pengujiannya adalah:

Jiak nilai signifikan > 0,05 maka terima H 0 atau variabel independen secara
simultan tidak berpengaruh terhadap variabel dependen. Tetapi jika nilai
signifikan < 0,05 maka tolak H0 atau berpengaruh terhadap dependen.

Berdasarkan kasus, nilai sig sebesar 0,000, sehingga dapat di simpulkan

bahwa promosi dan penjualan secara simultan bepengaruh signifikanterhadap
besarnya keuntungan.

Pada analisis Uji T di gunakan untuk mengetahui pengaruh masing –

masing variabel independen secara parsial , ditunjukkan pada output tabel
Coefficients.

Coefficients

Standardized Collinearity
Modal Unstandarized Cofficients t sig statistics
B Std.Error Beta Tolera VIF
nce
1(constan) -1587.875 2093.274 -.769 .453
Penjualan .060 .009 .602 6.344 .000 .005 202.913
Promosi .818 .195 .398 4.191 .000 .005 202.913

Rumus hipotesis yang di gunakan adalah :

H0 : Penjulan tidak mempunyai besarnya jumlah keuntungan.

H1 : Penjualan mengetahui besarnya jumlah keuntungan

 Hipotesis juga akan berlaku untuk variabel inflasi, perhatikan nilai
unstandar coefficients B untuk masing – masing variabel, variabel penjual
mempengaruhi jumlah keuntungan yang disalurkan sebesar 0.06, nilai ini positif
artinya semakin besarnya pemjualan, maka semakin besar pula keuntungan.
Artinya jika penjualan naik sebesar 1000 satuan maka keuntungan akan naik
sebesar 60 satuan. Begitupula variabel promosi berpengaruh positif terhadap
jumlah keuntungan sebesar 0,818 artinya jika promosi naik 1000 satuan maka
keuntungan akan naik sebesar 818 satuan.

Signifikan pengaruh variabel independent terhadap variabel dependen

dapat dilihat dari nilai sig pada kolom terakhir, nilai signifikan untuk variabel
penjualan sebesar 0.000 artinya variabel ini berpengaruh secara signifikan
terhadap jumlah keuntungan. Hal ini berlaku juga untuk variabel promosi, dimana
nilai signifikan < 0.05, sehingga kesimpulannya adalah ditolaknya H0 atau
penjualan dan promosi mempunyai pengaruh signifikan terhadap jumlah
keuntungan.

6.5.2. Hasil
Gambar 6.6 Hasil output pembahasan modul 6