Metode Kuantitatif adalah Ilmu & seni yang berkaitan dengan tata cara
(metode) pengumpulan data, analisis data, dan interpretasi hasil analisis
untuk mendapatkan informasi guna penarikan kesimpulan dan pengambilan
keputusan. (Tuban, 1972 dalam Solimun, 2001)
Pada hakekatnya model adalah abstraksi dari dunia nyata, sensitivitas atas
solusi terhadap perubahan dalam model serta perwakil realitas, oleh karena
itu wujudnya harus lebih sederhana,
Metode Kuantitaf berhubungan dengan pengolahan data atau yang menjadi input
dalam proses kuantitatif adalah data.
Dari sudut pandang Metode kuantitatif data dikelompokan menjadi dua jenis yaitu:
1. Data kualitatif adalah data yang dinyatakan dalam bentuk bukan angka (sifat).
2. Data kuantitatif adalah data yang dinyatakan dalam bantuk angka yang
diasumsikan sebagai informasi dalam bentuk pernyataan “bilangan” yang
didasarkan pada hasil perhitungan.
Pengelompokan data
Pengelompokan data menurut cara perolehan menurut statistika terdiri atas:
1. Data primer adalah data yang diperoleh secara langsung dari obyak
yang diteliti baik secara individu maupun kelompok/organisasi.
2. Data sekunder adalah data yang diperoleh secara tidak langsung untuk
mendapatkan informasi/keterangan dari obyek yang diteliti
3. Data tersier yaitu data yang diperoleh secara tidak langsung dari obyek
yang diteliti biasanya data tersebut diperoleh dari pihak ketiga baik dari
individu maupun kelompok yang sengaja mengungkapkan fakta dari
pihak kedua.
SKALA PENGUKURAN DATA
Pengukuran merupakan suatu proses dimana suatu angka atau symbol diletakan
pada suatu karakteristik atau stimulti sesuai dengan aturan atau prosedur yang
telah ditetapkan. Stevens (1946) skala pengukuran data dapat dikelompokan
menjadi empat jenis yaitu:
1. Skala nominal adalah angka yang diberikan kepada obyek mempunyai arti
sebagai label saja, dan tidak menunjukkan tingkatan apa-apa atau merupakan
skala pengukuran yang menyatakan kategorik dari kelompok suatu obyek.
Contoh: jenis kelamin yaitu laki-laki diberi tanda 1 dan perempuan diberi tanda
2. Skala ordinal adalah data yang diperoleh dengan cara kategorik atau klasifikasi
namun diantara data tersebut memiliki hubungan atau angka yang diberikan di
mana angka-angka tersebut mengandung pengertian tingkatan. Contoh:
Kualitas produksi yaitu sangat tinggi dikategorikan 5; tinggi dikategorikan 4;
sedang dikategorikan 3; rendah dikategorikan 2; dan tidak berkualitas
dikategorikan 1.
SKALA PENGUKURAN DATA
3. Skala interval adalah suatu skala pemberian angka pada obyek yang
mempunyai sifat ukuran ordinal dan mempunyai jarak atau interval yang
sama. Contoh : temperatur suhu ruangan yang dengan celcius pada
00C sampai 100C.
4. Skala rasio adalah skala interval yang memiliki nilai dasar (based value)
yang tidak dapat dirubah atau skala yang memiliki nilai nol dan rasio dua
nilai yang memiliki arti. Skala rasio merupakan skala dengan hirarki
paling tinggi dibanding skala-skala lainnya yang merupakan angka atau
bilangan dari hasil perbandingan. Contoh: tingkat produktivitas
merupakan perbandingan antara input dan ouput
ciri-ciri skala pengukuran data
Nominal Ordinal Interval Rasio
Komponen Nama (Nomos) Komponen Nama (Nomos) Komponen Nama (Nomos) Komponen Nama (Nomos)
Angka yang diberikan Komponen Peringkat Komponen Peringkat Komponen Peringkat
diberikan hanya sebagai (Order) Angka mengandung (Order) (Order)
sebagai label saja. mengandung pengertian Komponen Jarak (Interval) Komponen Jarak (Interval)
pengertian tingkatan Nilai Nol Tidak Mutlak Komponen Ratio
tingkatan. (Absolut) Nilai Nol Mutlak (Absolut)
Contoh: pria = 1, wanita = 2 Contoh: ranking 1, 2, Contoh: 1. Saham sangat Contoh: bunga BCA 7%
dan waria = 3. ranking 1, 2, dan 3. Ranking prospektif prospektif dan bunga Mandiri
1 3. Ranking 1 dengan harga saham Mandiri 14%, maka bunga
menunjukkan menunjukkan Rp736 - 878, 2. saham Mandiri Mandiri 2 kali
lebih tinggi dari ranking 2 prospektif prospektif bunga BCA.
ranking 2 dan 3. Rp592 -735.
ARTI & JENIS VARIABEL
Variabel (peubah) adalah karakteristik atau sifat yang merupakan penamaan
yang melekat pada suatu obyek yang dikaji.
Instrumen bisa dikatakan valid mempunyai nilai r hitung > r table dengan tingkat
signifikansi i korelasi dibawah α = 0,05 (Santoso Santoso 2004) dengan rumus :
Rumus uji validitas
Instrumen bisa dikatakan valid mempunyai nilai r hitung > r table dengan tingkat
signifikansi i korelasi dibawah α = 0,05 (Santoso Santoso 2004) dengan rumus :
𝑛 σ 𝑋𝑌−(σ 𝑋)(σ 𝑌)
𝑟𝑥𝑦 =
2 2
((𝑛 σ 𝑋 2 −(σ 𝑋) )(𝑛 σ 𝑌 2 −(σ 𝑌) ))
Dimana:
r = Koefisien Korelasi
n = Banyaknya sampel
X = Skor item X
Y = skor item Y
Langkah Analisis Uji Validitas Dengan SPSS Yaitu:
1. Masukan data ke Worksheet SPSS dengan perintah File/Open/Data
2. Dari menu utama SPSS pilih menu Analyze, kemudian pilih submenu Corrolate
lalu pilih Bivariate
3. Tampak dilayar tampilan Windows Bivariate Correlation
4. Isikan data ke Isikan data ke Kotak Variabel Yaitu Variabel Konstruk dan Skor
Total
5. Pilih Correlation Coefficients Pearson
6. Pilih Oke
7. Tampilkan Output SPSS
Contoh kasus
Si “dia” meneliti pada industry meubel di solo dengan jumlah sampel 15
perusahaan dengan menggunakan skala likert, instrument yang digunakan sebagai
berikut:
Cost, Profit and Volume Analysis ( Analisis Break Even) mencakup konsep
yang berkaitan dengan:
Analisis marjin laba yang mencakup sejumlah teknik analisis untuk
menentukan dan mengevaluasi pengaruh volume penjuala harga penjualan
biaya tetap dan biaya variabel terhadap laba Pada dasarnya konsep
tersebut menggunakan konsep ikhtisar rugi laba marjinlaba,
pendapatan/penjualan dikurangi biaya variabel sama marjin laba dan marjin
laba dikurangi biaya tetap sama dengan laba
Analisis break even menekankan pada titik impas (biaya tetap dibagi
dengan marjin laba sama dengan volume penjualan titik impas) titik dimana
laba sama dengan nol karena pendapatan sama dengan total biaya
Cost, Profit and Volume Analysis ( Analisis Break Even)
1. Volume (unit yang dijual/produksi), fixed cost, harga jual perunit dan
biaya variable
𝑉𝐶
2. Contribusi margin 𝐶𝑀 = 1 −
𝑃
3. TR = TC atau TR = FC + VC, maka formulasi perhitungan sbb:
𝐹𝐶
𝐵𝐸𝑃𝑞 =
𝑃 −𝑉𝐶
𝐹𝐶 𝐹𝐶
𝐵𝐸𝑃(𝑟𝑝) = 𝑎𝑡𝑎𝑢
𝐶𝑀 𝑉𝐶
1 −
𝑃
4. Profit = TR - TC Profit = Pq - (FC + VC(q))
Profit = Pq - FC - VC(q) Profit = (P-VC)q - FC
1. Biaya tetap, biaya variabel variabel, dan total biaya pada berbagai volume.
2. Potensi laba dan rugi sebelum dan setelah dipotong pajak pendapatan, pada
berbagai volume
3. Batas keselamatan, artinya hubungan timbal balik antara penjualan yang
ditargetkan dengan penjualan titik impas
4. Jumlah penjualan break even (sering disebut titik impas)
5. Deviden yang lebih disukai atau titik bahaya artinya titik mana deviden tidak
mungkin diperoleh
6. Titik mati, artinya jumlah penjualan pada titik mana perusahaan hanya
memperoleh tingkat laba yang berlaku atas investasinya.
Contoh soal
Budget CV “inu” bergerak dalam usaha meubel menunjukkan data
operasional usaha sebagai berikut: biaya tetap Rp. 1000,- ; harga jual
per unit Rp. 10,- ; biaya variable Rp. 5,-
a. Hitunglah margin laba
b. Hitunglah BEP unit dan rupiah
c. Hitunglah laba yang direncanakan dengan volume penjualan
sebesar 250 unit
contoh
Sebuah perusahaan roti akan membuat roti 200 buah dengan total cost
sebesar Rp. 350.000 dengan fixed cost sebesar Rp. 150.000. harga
untuk sebuah roti adalah Rp. 2500.
Berapa banyak roti yang harus terjual agar mencapai break even point,
hitunglah harga dan unitnya
jawab
Diketahui:
TC = 350.000, FC = 150.000 Q = 200
TC = FC + VC
350.000 = 150.000 + TVC
TVC = 350.000 - 150.000
TVC = 200.000
VC = TVC / Q
VC = 200.000/200
VC = 1000
Langkah-Langkah Analisis BEP dengan QM
1. Pada menu utama QM pilih menu breakeven/cost-volume analysis
2. Pilih sub menu breakeven analysis (cost vs revenue)
3. Setelah muncul ketik judul dengan nama kasus, missal toko roti, lalu
pilih ok
Contoh Soal
1. Perusahaan konveksi “Anda” pada tahun lalu berprodukso dengan
mengeluarkan biaya tetao sebesar Rp. 12.000.000,- sedangkan biaya variable
per unitnya sebesar Rp 20.000,-. Perusahaan menentapkan harga jual produk
Rp. 35.000,- per unit. Tentukanlah berapa jumlah barang yang harus dijual oleh
perusahaan agar dapat diperoleh titik impas
2. Sebuah perusahaan manufaktur menghasilkan produk dengan harga jual Rp 20
per unit. Biaya variabel per unit adalah Rp 12, estimasi biaya tetap per tahun
adalah sebesar Rp 160.000. Pada berapa unit dan Rp berapakah terjadi BEP?
Suatu perusahaan ingin memasang Tipe Pilihan 1 Pilihan 2 Pilihan 3
kapasitas produksi dengan tiga Biaya
pilihan biaya sebagai berikut:
Biaya 400 800 1200
tetap
Dari data di atas berapakah Biaya 10 8 6
perusahaan harus memproduksi variabel
agar BEP dan dari Ketiga Skenario Biaya 8 6 6
di atas manakah yang sebaiknya
dipilih jika Perusahaan memasang variabel
kapasitas (volume) produksi 1300
unit?
Pertemuan 5
Peramalan (Forecasting)
pendahuluan
• Sering terjadi senjang waktu (time lag) antara kebutuhan mendatang
dengan peristiwa itu sendiri merupakan alasan utama pentingnya
peramalan dan perencanaan
• Jangka waktu peramalan
• Pengaruh dari life cycle
Untuk setiap teknik, output meliputi urutan " perkiraan " yang dibuat pada
data masa lalu dan perkiraan untuk periode berikutnya. Bila menggunakan
analisis trend atau dekomposisi musiman, perkiraan dapat dibuat untuk
lebih dari satu periode waktu ke depan
Time series
Time series adalah suatu analisis yang menggambarkan pola perkembangan
produksi/penjualan pad aruntun waktu yang telah lewat untuk dapat
memperoleh besr kecilnya tingkat perkembangan penjualan/produksi tahunan
Misal: penjualan bulan mei 48 unit, sama dengan penjualan bulan juli 48
Rumus:
𝐷𝑒𝑚𝑎𝑛 𝑖𝑛 𝑝𝑟𝑒𝑣𝑖𝑜𝑢𝑠 𝑛 𝑝𝑒𝑟𝑖𝑜𝑑𝑠
𝑀𝐴 =
𝑛
contoh
jika anda sebagai manajer dalam sebuah perusahaan diminta oleh pemilik
perusahan untuk meramalkan penjualan setiap bulan pada tahun 2019
dengan penentuan rata-rata bergerak 2 bulan. Data penjualan sebagai
berikut
Rumus:
σ 𝑤𝑒𝑖𝑔ℎ𝑡 𝑓𝑜𝑟 𝑝𝑒𝑟𝑖𝑜𝑑 𝑛 (𝑑𝑒𝑚𝑎𝑛𝑑 𝑖𝑛 𝑝𝑒𝑟𝑖𝑜𝑑 𝑛)
𝑊𝑀𝐴 =
σ 𝑊𝑒𝑖𝑔ℎ𝑡𝑠
Berdasarkan data sebelumnya diminta untuk menghitung WMA
dengan angka penimbang bulan januari 40%, februari30%,
maret 20%m April 10%
Langkah-langkah penyelesainnya
Buka Program POM kemudian Klik
Module -- pilih FORECASTING Klik FILE -- NEW -- Time Series
Ketikan pada Title = example 2 dan pada Number of Past Periode
isikan 4 kemudian klik OK periode dan data-data penjualan seperti
Gambar berikut:
Selanjutnya pilih method “Weight Moving average” isi kan periode
to average (4) kemudian klik Solve,hasil dapat dilihat sebagai berikut;
Untuk melihat hasil kita pilih solution lalu pilih
forecasting result, hasil bisa dilihat sebagi berikut
Untuk melihat hasil kita pilih solution lalu pilih
graph, hasil bisa dilihat sebagi berikut
kesimpulan
Dari Tabel dan Gambar di atas menunjukkan bahwa dengan
Weighted Moving Average jumlah penjualan pada periode bulan
juni adalah 97,5 unit.
Kelemahan-kelemahan metode MA dan WMA
1. Peningkatan n dalam pembuatan ramalan kurang sensitive dengan
perubahan
2. Tidak dapat melakukan trend peramalan dengan baik
3. Perlakuan data berdasarkan historis
Exponential smoothing method
ESM merupakan metode rata-rata bergerak yang memberikan bobot
yang lebih kuat pada data yang lebih terakhir dari pada awal yang lebih
awal
Contoh soal Kuartal actual
1 180
Berikut ini data PT “OPQ” Selama 2 168
8 kuartal, berdasarkan 3 159
pengalaman manajer produksi 4 175
nilai koefisien “pemulus”
ditetapkan 0,1 dan peramalan 5 190
untuk kuartal pertama ditetapkan 6 205
175 unit
7 180
8 182
9 ?
Tentukanlah ramalan untuk
kuaratl 9
Langkah-langkah penyelesainnya
Buka Program POM kemudian Klik
Module -- pilih FORECASTING Klik FILE -- NEW -- Time Series
Ketikan pada Title = example 3 dan pada Number of Past Periode
isikan 8 kemudian klik OK periode dan data-data penjualan seperti
Gambar berikut:
Selanjutnya pilih method “Exponential smooting” isi kan alpha for
smooting (0,1) kemudian klik Solve,hasil dapat dilihat sebagai berikut;
Untuk melihat hasil kita pilih solution lalu pilih
forecasting result, hasil bisa dilihat sebagi berikut
Untuk melihat hasil kita pilih solution lalu pilih
graph, hasil bisa dilihat sebagi berikut
kesimpulan
Dari Tabel dan Gambar di atas menunjukkan bahwa dengan
Exponential smooting jumlah penjualan pada kuartal 9 adalah
180,748 unit.
Pertemuan 9
Peramalan Lanjutan
Metode least square (kuadrat terkecil)
Metode Kausal (Least Square) Adalah metode pendekatan untuk
menentukan atau menghasilkan garis lurus yang paling tepat yang
meminimumkan jumlah kuadrat perbedaan vertikal dari garis pada setiap
observasi aktual.
Contoh kasus
Saudara diminta menentukan trend linear untuk data deret waktu dai
2012 - 2019 mengenai permintaan meubel CV.Inu sebagai berikut”
Tahun Demand
2012 74
2013 79
2014 80
2015 90
2016 105
2017 142
2018 122
Langkah-langkah penyelesainnya
Buka Program POM kemudian Klik
Module -- pilih FORECASTING Klik FILE -- NEW -- Least Square
Ketikan pada Title = example 4 dan pada Number of 0bservasi isikan 7,
number of independent variable isikan 1, kemudian klik OK periode dan
data-data penjualan seperti Gambar berikut:
Selanjutnya klik Solve,hasil dapat dilihat sebagai berikut;
Untuk melihat hasil kita pilih solution lalu pilih
forecasting result, hasil bisa dilihat sebagi berikut
Untuk melihat hasil kita pilih solution lalu pilih
graph, hasil bisa dilihat sebagi berikut
kesimpulan
Dari Tabel dan Gambar di atas menunjukkan bahwa dengan menggunakan
least square di peroleh persamaan:
Y = 56,714 + 10,536X
Ramalan untuk tahun 2019 = 56,70 + 10,54(8) = 141,02
Ramalan untuk tahun 2020 = 56,70 + 10,54(9) = 151,56
Regresi linear berganda
Regresi digunakan untuk mengestimasi dan meramalkan dengan data
crossectional/antar data yang memiliki titik waktu yang sama.
2. analisis regresi linier berganda jika jumlah variabel bebasnya a (X) lebih dari
satu, secara matemastis dapat dituliskan Y = a + b1X1+ b2X2 + …….bkXn
contoh
Counter HP Penjualan (Unit) B Promosi (juta) Jumlah karyawan
(orang)
A 100 3 3
B 140 5 4
C 150 6 4
D 170 10 7
E 165 8 4
F 110 3 3
G 140 4 3
H 150 3 3
I 165 8 7
J 200 11 8
Langkah-langkah penyelesainnya
Buka Program POM kemudian Klik
Module -- pilih FORECASTING Klik FILE -- NEW -- Least Square
ISIkan jumlah data pada kolom Number of Obervation dengan cara
menggerser tanda panah atau mengisi angka 10 dan pada kolom Number
of independent variable (jumlah variabel bebas angka 2.Selanjutnya
masukan data sesuai dengan yang akan di analisis seperti berikut:
Untuk melihat hasil kita pilih solution lalu pilih
forecasting result, hasil bisa dilihat sebagi berikut
Berdasarkan dari gambar atas dapat dibuat Niliai Koefisien Determinasi (R2) sebesar 0,8
persamaan regresinya sebagai berikut: artinya varasi penjulan HP dapat dijelaskan oleh
Y = 88,86 + 5,76X1 + 5,21 X2 variabel Biaya promosi dan jumlah karyawan
sebesar 80 persen (0,8 x 100%) sedangkan
Persamaan diatas dapat diartikan: sisanya 20 persen dijelaskan faktor lainnya di
luar model seperti selera konsumen, harga,
• Koefisein X1 = 5,75 ~ jika Biaya promosi meningkat kondisi perekonomian dan lain sebagainya.
satu juta rupiah maka penjualan akan meningkat
(positif) sebesar 5,75 unit dengan asumsi variabel Dari persamaan regresi di atas juga dapat
lain konstan atau tetap. diramalkan jika biaya promosi meningkat menjadi
• Koefisein X2 = 5,21 ~jika jumlah karyawan 12 juta dan jumlah karyawan tetap maka:
ditambah satu orang maka penjualan akan
meningkat (positif) sebesar 5,21 unit dengan • Y = 88,86 + 5,76 (12) + 5,21 (1)
asumsi variabel lain konstan atau tetap.
• Konstanta = 88,86 ~ Rata-rata penjualan HP • Y = 88,86 + 69,12 + 5,21 = 163,19
sebesar 88,86 unit jika variabelbiaya promosi dan Jadi jika biaya promosi meningkat menjadi 12
jumlah karyawan tetap
juta dan jumlah karyawan tetap maka jumlah
penjualan menjadi sebesar 163,1
Pertemuan 10
Analisis Korelasi
Definisi
Ingin mengetahui apakah diantara dua variabel terdapat hubungan,
dan jika ada hubungan, bagaimana arah hubungan dan seberapa besar
hubungan tersebut, salah satu metode analisis kuantitatif yang dapat
digunakan adalah korelasi.
Produksi
10.33, 23.55 4
Suku Bunga
7.22, 3.8
20 12.55, 20
3 6.37, 3
15
2
10 1
Harga Minyak Goreng
5 0
INflasi 0 2 4 6 8 10
0
0 2 4 6 8 10 12 14
Rumus untuk menentukan koefisien korelasi
𝑛(σ 𝑋𝑌) − (σ 𝑋)(𝑌)
𝑟=
2 2
[𝑛 σ 𝑥 − (σ 𝑥)2 ][𝑛 σ 𝑦 − (σ 𝑦)2 ]
Dimana:
R = nilai koefisien korelasi
σ 𝑋= jumlah pengamatan variabel x
σ 𝑦= jumlah pengamatan variabel y
σ(𝑋𝑌)= jumlah hasil perkalian variabel X dan Variabel Y
σ 𝑥 2 = jumlah kuadrat dari pengamatan variabel x
σ 𝑦2 = jumlah kuadrat dari pengamatan variabel y
(σ 𝑥)2 = jumlah kuadrat dari jumlah pengamatan variabel x
(σ 𝑦)2 = jumlah kuadrat dari jumlah pengamatan variabel x
Bentuk Hubungan Kuat dan lemahnya suatu korelasi dapat
dilihat pada gambar berikut
Korelasi Korelasi Korelasi
Negatif Positif Positif
Korelasi sedang sedang Sempurna
Negatif Korelasi Korelasi
Korelasi Korelasi
Sempurna positif Positif
Negatif Negatif
lemah Kuat
kuat Lemah
0,0 1,0
-1,0
-0,5 0,5
Koefisien deterinasi = r2
2
𝑛(σ 𝑥𝑦) − (σ 𝑥)(σ 𝑦)
𝑟2 =
2 2 2 2
[𝑛 σ 𝑥 − (σ 𝑥) ][𝑛 σ 𝑦 − (σ 𝑦) ]
Mencari t hitung
Rumus uji t untuk uji korelasi yaitu:
𝑟 𝑛−2 𝑟
𝑡= atau 𝑡 =
1−𝑟 2 1−𝑟2
𝑛−2
Dimana:
t = nilai t hitung
r = nilai koefisien korelasi
n = jumlah data pengamatan
Contoh soal
Uji t untuk uji korelasi dari data permintaan dipengaruhi harga dan
pendapatan. Ujilah apakah (a) nilai r = -0,412 pada hubungan antara
suku bunga dan investasi pada taraf nyata 5%?
Langkah-Langkah pengujian
Ho
Ha Ha
-2,36 t= - 1,21 2,36
5. Menerima keputusan. Nilai t-hitung ternyata terleta pada daerah Ho. Ini menunjukkan
bahwa tidak terdapa cukup buktu untuk menolak H0, sehingga dapat disimpulkan
korelasi dalam populasi sama dengan nol, hubungan antara tingkat suku bunga dengen
investasi lemah dan tidak nyata.
Langkah-Langkah uji korelasi menggunakan MS.Excell
𝑋1𝑌 = 𝑎 𝑋1 + 𝑏1 𝑥1 + 𝑏2 𝑥1 𝑥2 … (𝑏)
𝑋2𝑌 = 𝑎 𝑋2 + 𝑏1 𝑥1 𝑥2 + 𝑏2 𝑥2 … (𝑐)
Manfaat analisis regresi
1. Penjelasan (explanation) terhadap fenomena yang dipelajari atau
permasalahan yang diteliti diteliti.
2. Prediksi nilai variabel tergantung berdasarkan nilaia variabel bebas
bebas, yang , mana prediksi dengan regresi ini dapat dilakukan secara
kuantitataif
3. Faktor determinan determinan, yaitu penentuan variable bebas mana
(pada regresi berganda yang berpengaruh dominan terhadap variable
tergantung tergantung. Hal . ini dapat dilakukan bilamana unit satuan
data seluruh variabel sama dan skala data seluruh seluruh variabel
homogen homogen.
Validitas model analisis regresi
Analisis regresi memiliki validitas model yang dapat dibedakan atas tiga
yaitu:
1. Akurasi model: koefisien determinasi R2. semakin besar semakin akurat
untuk kepentingan prediksi
2. Ketelitian model: P-value uji F pada anova (uji koefisien serempak)
untuk kepentingan genaralisasi hasil prediksi) dan P-value uji t (uji
koefisien regresi secara parsial) untuk kepentingan generalisasi
eksplamasi
3. Pemilihan model: Akaike information criterion, semakin kecil semakin
baik scharz criterion, semakin kecil semakin baik R2 adjusted, semakin
besar semakin baik
Prosedur analisis regresi
1. Spesifikasi model
1) Identidikasi variable dependent dan idenpendent (teoritis dan
empiris)
2) Menentukan spesifikasi model
a) Spesifikasi model sesuai dengan mekanisme substansi pada
bidang yang dikaji
b) Spesifikasi model ditentukan aecara empiris (scatter diagram)
2. Pendugaan parameter
3. Periksa asumsi
4. Menguji signifikansi model (uji t, uji f dan sebagainya)
5. interpretasi
Analisis regresi dengan Software SPSS
1. Masukkan data ke worksheet SPSS
2. Klik analyze, cari regression dan pilih linear
3. Masukkan variable yang akan dianalisis
4. Klik statitics, kemudian pilih durbin Watson dan collinearity
diagnstics (uji autokorelasi dan multikolinearitas(. Selanjutnya klik
continue
5. Kilk save, kemudian pilih unstandaixed pada predieted value dan
studentixed di residual (untuk uji heterokedastisitas) selanjutnya
klik continue
6. Klik ok
Contoh: analisis regresi Keuntungan dipengaruhi asset
dan harga saham perbankan
BANK KEUNTUNGAN TOTAL ASSET HARGA SAHAM
MANDIRI 3586 50 800
BNI 3598 125 140
BCA 2541 117 300
BRI 1524 86 1250
DANAMON 948 46 1575
BII 132 36 100
NIAGA 150 27 260
REGRESI LINEAR BERGANDA
PERTEMUAN 12
Data Regresi Linear Berganda
x1 x2 x3
1.46 13.74 12.51
1.27 9.96 15.14
0.98 9.15 14.61
0.93 8.75 13.98
1.14 11.98 14.42
1.81 17.74 13.98
1.74 13.79 17.47
1.88 13.47 18.09
1.87 10.07 23.14
1.84 9.00 24.03
1.62 9.07 22.74
1.64 8.75 21.82
1.03 5.47 21.39
1.03 6.12 20.48
1.01 6.03 19.58
0.95 5.44 18.38
1.11 6.55 17.70
0.77 5.47 15.06
0.97 7.91 13.81
0.86 6.02 14.37
Membuat data Variabel
Menampilkan data Variabel
Langkah Uji Koefisien Korelasi Parsial 1
Langkah Uji Koefisien Korelasi Parsial 2
𝑛 σ 𝑋2 𝑌 − σ 𝑋2 σ 𝑌
𝑟𝑋2.𝑌 =
𝑛 σ 𝑋22 − σ 𝑋2 2 𝑛 σ 𝑌 2 − σ 𝑌 2
2. Pengambilan keputusan:
Jika : Sig < 𝛼, maka Ho ditolak.
Jika : Sig > 𝛼, maka Ho diterima.
0,05
α= = 0,025
2
Pembahasan Uji Koefisien Korelasi Parsial
3. Keputusan
Berdasarkan table korelasi
tersebut Sig = 0,060 > 𝛼 = 0,025 ,
sehingga Ho diterima.
4. Kesimpulannya: Tidak terdapat
hubungan yang signifikan secara
parsial antara ROA terhadap CAR.
Berdasarkan tabel correlations dapat
dilihat bahwa nilai korelasi antara
ROA (𝑋1 ) terhadap CAR (𝑌) sebesar
0,427
Korelasi Parsial Manual
serta berdasarkan perhitungan manual
didapat nilai korelasi yang sama besar
sebagai berikut:
𝑛 σ 𝑋1 𝑌 − σ 𝑋1 σ 𝑌
𝑟𝑋1 .𝑌 =
𝑛 σ 𝑋12 − σ 𝑋1 2 𝑛 σ 𝑌 2 − σ 𝑌 2
𝑟𝑋1 .𝑌 = 20 468,280 − 25,901 352,701
20 36,430 − 25,901 2 20 6472,110 − 352,701 2
9365,600−9135,309
=
57,738 5044,205
230,291
=
539,669
= 0,427
Langkah Uji Koefisien korelasi dan Determinasi Simultan 1
Langkah Uji Koefisien korelasi dan Determinasi Simultan 2
Langkah Uji Koefisien korelasi dan Determinasi Simultan 3
Output Uji Koefisien Korelasi dan Determinasi Simultan
Pembahasan Uji Koefisien Korelasi Simultan
1. Hipotesis:
Ho : Tidak terdapat hubungan yang signifikan secara simultan antara
ROA dan ROE terhadap CAR.
Ha : Terdapat hubungan yang signifikan secara simultan antara ROA
dan ROE terhadap CAR.
2. Pengambilan keputusan:
Jika : Sig 𝐹𝑐ℎ𝑎𝑛𝑔𝑒 < 𝛼, maka Ho ditolak.
Jika : Sig 𝐹𝑐ℎ𝑎𝑛𝑔𝑒 > 𝛼, maka Ho diterima.
α = 0,05
Pembahasan Uji Koefisien Korelasi Simultan
3. Keputusan:
Sig 𝐹𝑐ℎ𝑎𝑛𝑔𝑒 = 0,000 < 𝛼 = 0,05,
sehingga Ho ditolak.
4. Kesimpulannya: Terdapat
hubungan yang signifikan secara
simultan antara ROA dan ROE
terhadap CAR.
Pembahasan Uji Koefisien korelasi Simultan
Berdasarkan tabel model
summary dapat dilihat bahwa nilai
korelasi antara ROA (𝑋1 ) dan ROE
(𝑋2 ) terhadap CAR (𝑌 ) sebesar
0,935
Pembahasan perhitungan Manual
berdasarkan perhitungan manual
didapat nilai koefisien korelasi yang
hampir sama besar sebagai berikut:
𝑏1 .σ 𝑥1 𝑦+𝑏2 .σ 𝑥2 𝑦
𝑅𝑋1 .𝑋2 .𝑌 = σ 𝑦2
11,712 11,515 + −1,247 −68,352
𝑅𝑋1 .𝑋2 .𝑌 =
252,210
220,099
= = 0,934
252,210
Pembahasan Uji Koefisien Determinasi Simultan
1. Hipotesis:
Ho : Tidak terdapat pengaruh yang signifikan secara simultan antara
ROA dan ROE terhadap CAR.
Ha : Terdapat pengaruh yang signifikan secara simultan antara ROA
dan ROE terhadap CAR.
2. Pengambilan keputusan:
Jika : 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 ≤ 𝐹𝑡𝑎𝑏𝑒𝑙 , maka Ho diterima.
Jika : 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 > 𝐹𝑡𝑎𝑏𝑒𝑙 , maka Ho ditolak.
Pembahasan Uji Koefisien Determinasi Simultan
3. Keputusan:
𝐹ℎ𝑖𝑡𝑢𝑛𝑔 = 𝐹𝑐ℎ𝑎𝑛𝑔𝑒
𝐹𝑡𝑎𝑏𝑒𝑙 = 𝐹 𝛼,𝑘,𝑑𝑘 =𝐹 0,05 2,17 = 3,59
Dimana:
𝛼 = 0,05
𝑘 = 2 , jumlah variabel bebas
𝑑𝑘 = 𝑛 − 𝑘 − 1
dk = 20 − 2 − 1 = 17
𝐹ℎ𝑖𝑡𝑢𝑛𝑔 = 58,665 > 𝐹𝑡𝑎𝑏𝑒𝑙 = 3,59,
sehingga Ho ditolak.
Pembahasan Uji Koefisien Determinasi Simultan
4. Kesimpulannya:
Terdapat pengaruh yang signifikan
secara simultan antara ROA dan
ROE terhadap CAR.
Berdasarkan tabel model summary
dapat dilihat bahwa nilai koefisien
determinasi antara ROA ( 𝑋1 ) dan
ROE (𝑋2 ) terhadap CAR (𝑌) sebesar
0,873 atau ROA dan ROE
memberikan konstribusi sebesar
87,3% terhadap CAR
Pembahasan perhitungan Manual
berdasarkan perhitungan manual didapat
nilai koefisien determinasi yang hampir
sama besar sebagai berikut:
2
𝐾𝑃 = 𝑅𝑋1 .𝑋2 .𝑌 × 100%
= 0,934 2 × 100%
= 0,872 × 100%
= 87,2%
2. Pengambilan keputusan:
Berdasarkan perbandingan antara 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 dan 𝐹𝑡𝑎𝑏𝑒𝑙 .
Jika : 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 ≤ 𝐹𝑡𝑎𝑏𝑒𝑙 , maka Ho diterima.
Jika : 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 > 𝐹𝑡𝑎𝑏𝑒𝑙 , maka Ho ditolak.
Pembahasan Regresi Linear berganda
3. Keputusan
Nilai 𝐹𝑡𝑎𝑏𝑒𝑙 = 𝐹 0,05 2,17
𝐹ℎ𝑖𝑡𝑢𝑛𝑔 = 58,665 > 𝐹𝑡𝑎𝑏𝑒𝑙 =
3,59, maka Ho ditolak.
4. Kesimpulannya: Persamaan
regresi berganda yang terbentuk
signifikan antara ROA dan ROE
terhadap CAR.
Pembahasan Regresi Linear berganda
1. Hipotesis:
Ho : Persamaan regresi berganda yang terbentuk tidak signifikan.
Ha : Persamaan regresi berganda yang terbentuk signifikan.
2. Pengambilan keputusan:
Berdasarkan nilai probabilitas.
Jika probabilitas (sig) > 𝛼, maka Ho diterima.
Jika probabilitas (sig) < 𝛼, maka Ho ditolak.
𝛼 = 0,005
Pembahasan Regresi Linear berganda
3. Keputusan
sig = 0,000 < 𝛼 = 0,005, maka
Ho ditolak.
4. Kesimpulannya: Persamaan
regresi berganda yang terbentuk
signifikan antara ROA dan ROE
terhadap CAR.
Pembahasan Persamaan Regresi Linear Berganda
Berdasarkan tabel coefficients dapat dianalisis
persamaan regresi berganda yang terbentuk
signifikan antara variabel 𝑋1 dan 𝑋2 terhadap 𝑌
sebagai berikut:
𝑌 = 13,971 + 11,717 𝑋1 − 1,248 𝑋2
Sehingga berdasarkan persamaan regresi berganda
yang terbentuk di atas dapat dianalisis sebagai
berikut:
Jika nilai variabel 𝑋1 (ROA) dan 𝑋2 (ROE) sama
dengan 0, maka nilai variabel 𝑌 (CAR) sebesar 13,971
atau 13,9%.
Jika nilai variabel 𝑋1 (ROA) bertambah 1 %, maka
akan menaikan nilai variabel 𝑌 (CAR) sebesar 11,717
atau 11,71%.
Jika nilai variabel 𝑋2 (ROE) bertambah 1%, maka akan
menurunkan nilai variabel 𝑌 (CAR) sebesar 1,248 atau
1,24%.
Pertemuan 13
Linear programming
Definisi
Linear Programming adalah suatu model yang dapat digunakan untuk
memecahkan masalah pengalokasian sumber daya yang terbatas secara
optimal.
Hitung jumlah produksi optimal setiap jenis produk dan keuntungan totalnya!
Penyelesaian
Pada kasus disebutkan waktu yang tersedia adalah 8 jam sedangkan proses
produksi mesin menggunakan satuan menit sehingga perlu penyesuaian satuan
waktu menjadi menit sehingga diperoleh angka 8 jam x 60 menit = 480 menit
Area berwarna pada grafik merupakan Feaseble Area yaitu daerah batas yang
mungkin untuk pengalokasian sumber daya produksi yang ada dengan waktu
yang tersedia. Produksi tidak boleh melebihi titik-titik yang ada pada daerah
Feaseble Area. Pada grafik terdapat Isoprofit Line yang berada pada titik
(34,29:13,71) di mana garis tersebut merupakan titik koordinat maksimum
produksi guna mencapai profit yang maksimal. Pada grafik sisi kanan terdapat
Kolom Constraint Display yang akan menunjukkan Garis dari persamaan
formulasi Linear Programming yang ad apabila di-klik salah satu check-box di
depannya. Di bawah kolom Constraint Display terdapat kolom Corner Points yang
menunjukkan hubungan antara variabel X1 dan X2 serta Z. Misalkan apabila X1 =
48 dan X2 = 0 maka Z (profit) akan bernilai 480000.
Jumlah produksi untuk produk :
1. (X1) = 34,29
2. (X2) = 13.71
Sebuah UKM ingin memproduksi sepatu dan sandal. Dalam memproduksi sepatu
dan sandal menggunakan mesin dengan rincian waktu prosesnya sebagai berikut
Produk Mesin 1 Mesin 2 Mesin 3 Mesin 4 Profit
Sepatu 2 jam 5 jam 1 jam O 8
Sandal 6 jam 4 jam 2 jam 1 jam 2
> 12 < 40 > 12 <6
Min Z = 8 X1 + 2X2
Kendala 1. = 2 X1 – 6 X2 ≤ 12
= 5 X1 + 4 X2 ≥ 40
= X1 + 2 X2 ≥ 12
= X2 ≤ 6
X1, X2 ≥ 0
Penyelesaian