ANALISIS REGRESI

KELOMPOK 2 :
1. NUR ULFHA AMELIA
2. MEGAWATI
3. NURFAIDAH
4. KARTINI
5. NURUL AULIAH SUBAIR
 Analisis Regresi
Analisis regresi adalah alat analisis untuk menguji hubungan
sebuah variabel dengan sejumlah variabel lainnya.
Regresi linier bertujuan untuk menjelaskan pengaruh sejumlah
variabel bebas terhadap variabel tidak bebas.
Esensi estimasi model regresi adalah mengetahui koefisien
regresi dan arah parameter variabel bebasnya.
Koefisien regresi menunjukkan besar pengaruh variabel
dependen terhadap variabel independen.
Konsep elastisitas banyak digunakan dalam aplikasi ekonomi.
Elastisitas yang diperoleh dari perhitungan regresi digunakan
sebagai bahan pertimbangan dalam pengambilan keputusan
perusahaan.
Analisis Regresi terbagi menjadi 2 bagian yaitu :
1. Analisis Regresi Sederhana
Analisis regresi linier sederhana adalah hubungan secara linear
antara satu variabel independen (X) dengan variabel dependen (Y).
Analisis ini untuk mengetahui arah hubungan antara variabel
independen dengan variabel dependen apakah positif atau negatif
dan untuk memprediksi nilai dari variabel dependen apabila nilai
variabel independen mengalami kenaikan atau penurunan. Data
yang digunakan biasanya berskala interval atau rasio.
Rumus regresi linear sederhana sebagi berikut:
Y’ = a + bX
Keterangan:
Y’ = Variabel dependen (nilai yang diprediksikan)
X   = Variabel independen
a    = Konstanta (nilai Y’ apabila X = 0)
b    = Koefisien regresi (nilai peningkatan ataupun penurunan)
 Contoh kasus:
  Seorang mahasiswa bernama Hermawan ingin meneliti tentang
pengaruh biaya promosi terhadap volume penjualan pada
perusahaan jual beli motor. Dengan ini di dapat variabel
dependen (Y) adalah volume penjualan dan variabel independen
(X) adalah biaya promosi. Dengan ini menganalisis dengan
bantuan program SPSS dengan alat analisis regresi linear
sederhana. Data-data yang di dapat ditabulasikan sebagai berikut:

 Tabel. Tabulasi Data Penelitian (Data Fiktif) : slide 5

 No. By. Vol. No. By. Vol.
produksi penjuala produksi penjuala
n n
1. 12,000 56,000 11. 18,250 68,000
2. 13,500 62,430 12. 16,480 64,200
3. 12,750 60,850 13. 17,500 65,300
4. 12,600 61,300 14. 19,560 69,562
5. 14,850 65,825 15. 19,000 68,750
6. 15,200 66,354 16. 20,450 70,256
7. 15,750 65,260 17. 22,650 72,351
8. 16,800 68,798 18. 21,400 70,287
9. 18,450 70,470 19. 22,900 73,564
10. 17,900 65,200 20. 23,500 75,642

Berikut tabel hasil analisis regresi linier sederhana yang dicari

menggunakan alat spss : slide 6
 Persamaan regresinya sebagai berikut:
 Y’ = a + bX
Y’ =  -28764,7 + 0,691X

 Angka-angka pada tabel hasil analisis spss diatas dapat diartikan sbb :
 Konstanta sebesar -28764,7; artinya jika biaya promosi (X) nilainya adalah
0, maka volume penjulan (Y’) nilainya negatif yaitu sebesar -28764,7.
 Koefisien regresi variabel harga (X) sebesar 0,691; artinya jika harga
mengalami kenaikan Rp.1, maka volume penjualan (Y’) akan mengalami
peningkatan sebesar Rp.0,691. Koefisien bernilai positif artinya terjadi
hubungan positif antara harga dengan volume penjualan, semakin naik
harga maka semakin meningkatkan volume penjualan.
 Nilai volume penjualan yang diprediksi (Y’) dapat dilihat pada tabel
Casewise Diagnostics (kolom Predicted Value). Sedangkan Residual
(unstandardized residual) adalah selisih antara Volume Penjualan dengan
Predicted Value, dan Std. Residual (standardized residual) adalah nilai
residual yang telah terstandarisasi (nilai semakin mendekati 0 maka model
regresi semakin baik dalam melakukan prediksi, sebaliknya semakin
menjauhi 0 atau lebih dari 1 atau -1 maka semakin tidak baik model regresi
dalam melakukan prediksi).
 Dengan menggunakan Uji Koefisien Regresi Sederhana (Uji t), dapat
diketahui hasilnya bahwa nilai t hitung > t tabel (10,983 > 2,110)
maka Ho ditolak, artinya bahwa ada pengaruh secara signifikan
antara biaya promosi dengan volume penjualan. Jadi dalam kasus ini
dapat disimpulkan bahwa biaya promosi berpengaruh terhadap
volume penjualan pada perusahaan jual beli motor.

2. ANALISIS REGRESI LINIER BERGANDA

 Analisis regresi linier berganda adalah hubungan secara linear antara
dua atau lebih variabel independen (X 1, X2,….Xn) dengan variabel
dependen (Y). Analisis ini untuk mengetahui arah hubungan antara
variabel independen dengan variabel dependen apakah masing-
masing variabel independen berhubungan positif atau negatif dan
untuk memprediksi nilai dari variabel dependen apabila nilai
variabel independen mengalami kenaikan atau penurunan. Data
yang digunakan biasanya berskala interval atau rasio.
Persamaan regresi linear berganda sebagai berikut:
 Y’ = a + b1X1+ b2X2+…..+ bnXn
Keterangan:
Y’                  =   Variabel dependen (nilai yang diprediksikan)
X1 dan X2      =   Variabel independen
a                   =   Konstanta (nilai Y’ apabila X1, X2…..Xn = 0)
b                   =    Koefisien regresi (nilai peningkatan ataupun penurunan)

Contoh kasus :
Kita mengambil contoh kasus pada uji normalitas, yaitu sebagai berikut: Seorang
mahasiswa bernama Bambang melakukan penelitian tentang faktor-faktor yang
mempengaruhi harga saham pada perusahaan di BEJ. Bambang dalam
penelitiannya ingin mengetahui hubungan antara rasio keuangan PER dan ROI
terhadap harga saham. Dengan ini Bambang menganalisis dengan bantuan
program SPSS dengan alat analisis regresi linear berganda. Dari uraian di atas
maka didapat variabel dependen (Y) adalah harga saham, sedangkan variabel
independen (X1 dan X2) adalah PER dan ROI.

Data-data yang di dapat berupa data rasio dan ditabulasikan sebagai

berikut: slide 10            
 Tahun Harga Tahun Harga
Saham Saham
(Rp) PER (%) ROI (%) (Rp) PER (%) ROI (%)

1990 8300 4.90 6.47 1999 10900 12.68 10.40

1991 7500 3.28 3.14 2000 12800 14.45 12.42
1992 8950 5.05 5.00 2001 9450 10.50 8.62
1993 8250 4.00 4.75 2002 13000 17.24 12.07
1994 9000 5.97 6.23 2003 8000 15.56 5.83
1995 8750 4.24 6.03 2004 6500 10.85 5.20
1996 10000 8.00 8.75 2005 9000 16.56 8.53
1997 8200 7.45 7.72 2006 7600 13.24 7.37
1998 8300 7.47 8.00 2007 10200 16.98 9.38

Berikut tabel hasil analisis regresi linier berganda yang dicari

menggunakan alat spss : slide 11
Persamaan regresinya sebagai berikut:
  Y’ = a + b1X1+ b2X2
 Y’ =  4662,491 + (-74,482)X1 + 692,107X2
 Y’ =  4662,491 - 74,482X1 + 692,107X2
 
Keterangan:
 Y’        = Harga saham yang diprediksi (Rp)
 a          = konstanta
 b1,b2    = koefisien regresi
 X1        = PER (%)
 X2        = ROI (%)

Persamaan regresi di atas dapat dijelaskan sebagai berikut:

 Konstanta sebesar 4662,491; artinya jika PER (X1) dan ROI (X2)
nilainya adalah 0, maka harga saham (Y’) nilainya adalah
Rp.4662,491.
Koefisien regresi variabel PER (X1) sebesar -74,482; artinya jika variabel
independen lain nilainya tetap dan PER mengalami kenaikan 1%, maka
harga saham (Y’) akan mengalami penurunan sebesar Rp.74,482.
Koefisien bernilai negatif artinya terjadi hubungan negatif antara PER
dengan harga saham, semakin naik PER maka semakin turun harga
saham. 

Koefisien regresi variabel ROI (X2) sebesar 692,107; artinya jika variabel
independen lain nilainya tetap dan ROI mengalami kenaikan 1%, maka
harga saham (Y’) akan mengalami peningkatan sebesar Rp.692,107.
Koefisien bernilai positif artinya terjadi hubungan positif antara ROI
dengan harga saham, semakin naik ROI maka semakin meningkat harga
saham.

Nilai harga saham yang diprediksi (Y’) dapat dilihat pada tabel Casewise
Diagnostics (kolom Predicted Value). Sedangkan Residual (unstandardized
residual) adalah selisih antara harga saham dengan Predicted Value, dan
Std. Residual (standardized residual) adalah nilai residual yang telah
terstandarisasi (nilai semakin mendekati 0 maka model regresi semakin
baik dalam melakukan prediksi, sebaliknya semakin menjauhi 0 atau lebih
dari 1 atau -1 maka semakin tidak baik model regresi dalam melakukan
prediksi).
Analisis Korelasi Ganda (R), diperoleh angka R sebesar 0,879 dari tabel
analisis spss. Hal ini menunjukkan bahwa terjadi hubungan yang sangat kuat
antara PER dan ROI terhadap harga saham.

Analisis Determinasi (R2), Dari hasil regresi banyaknya kesalahan dalam

prediksi harga saham sebesar Rp.870,80. Sebagai pedoman jika Standard
error of the estimate kurang dari standar deviasi Y, maka model regresi
semakin baik dalam memprediksi nilai Y.

Uji Koefisien Regresi Secara Bersama-sama (Uji F), dapat disimpulkan bahwa
PER dan ROI secara bersama-sama berpengaruh terhadap harga saham pada
perusahaan di BEJ.

Uji Koefisien Regresi Secara Parsial (Uji t), :

Pengujian koefisien regresi variabel PER, Ho diterima, artinya secara parsial
tidak ada pengaruh signifikan antara PER dengan harga saham. Jadi dari kasus
ini dapat disimpulkan bahwa secara parsial PER tidak berpengaruh terhadap
harga saham pada perusahaan di BEJ.
Pengujian koefisien regresi variabel ROI, Ho ditolak, artinya secara parsial
ada pengaruh signifikan antara ROI dengan harga saham. Jadi dari kasus ini
dapat disimpulkan bahwa secara parsial ROI berpengaruh positif terhadap
harga saham pada perusahaan di BEJ.
 SEKIAN
DAN
TERIMA KASIH