d. Serahkan pekerjaan Saudara kepada instruktur!
OLAH DATA: ORDINARY LEAST SQUARES (OLS) DENGAN SPSS
PENDAHULUAN
Olah data dengan analisis regresi adalah salah satu analisis yang paling populer dan luas pemakaiannya terutama dengan metode Ordinary Least Squares (OLS). OLS ini sering digunakan untuk mengolah data secara statistik.
Manfaat
Olah data OLS dengan SPSS digunakan untuk pengolahan data secara sederhana. Hampir seluruh ilmu memerlukan dan menggunakan olah data OLS ini terutama dalam memecahkan masalah-masalah penelitian sederhana.
Relevansi
Materi ini relevan dan menjadi aplikasi pokok dalam statistik terutama kaitannya dengan olah data sederhana.
Learning Outcome
Dapat mengolah data sesuai model menggunakan OLS di SPSS
PENYAJIAN
Sebuah perusahaan Otomotif dalam negri beberapa bulan ini gencar mempromosikan produk barunya yaitu motor roda tiga dengan bak angkut Sebagai sampel untuk meneliti populasi pengaruh biaya iklan terhadap besarnya penjualan di seluruh Propinsi di Indonesia diambil sampel dari 20 Propinsi dengan data sebagai berikut:
Tabel Jumlah Biaya Iklan dan Jumlah Penjualan
No Provinsi Bi.Iklan (jt Rupiah) Jumlah Penjualan (jt Rupiah) 1 D.I. Aceh 26 205 2 Sumatra Barat 28 206 3 Jambi 35 254 4 Lampung 31 246 5 DKI.Jakarta 21 201
8 DIY 30 209 9 Jawa Timur 24 204 10 Bali 31 216 11 NTB 32 245 12 NTT 47 286 13 Kalimantan Selatan 54 312 14 Kalimantan Timur 40 265 15 Kalimantan Tengah 42 322 16 Kalimantan Barat 48 298 17 Sulawesi Tenggara 47 295 18 Sulawesi Utara 48 350 19 Sulawesi Selatan 50 365 20 Papua Barat 52 375
1. Langkah pertama, saudara diminta untuk mengentry data tabel diatas kedalam program SPSS sesuai dengan petunjuk modul !
2. Regression Linier
a) Menggunakan data yang sudah ada Pilih menu Analyze >> Regression >> Liniear !
c) Dependent atau variable tergantung. Karena variable yang akan diprediksi adalah variable Penjualan, maka masukan variable penjualan pada kotak DEPENDENT.
d) Independent(s) atau variable bebas, dalam hal ini variable bebas adalah bi.iklan. Maka masukan variable Bi.Iklan ke kotak Independent.
e) Case Labels atau keterangan pada kasus. Karena kasus didasarkan pada Provinsi, maka masukan variabel Provinsi ke kotak Case Labels.
f) Method pilih enter, yaitu prosedur pemilihan variable dimana semua variable dalam blok dimasukan dalam perhitungan ‘sigle step’
standar angka probabilitas sebesar 5%. Karena itu angka entry 0.05 atau 5%
• Include Constant in equation biarkan tetap aktif • Klik continue
h) Pilih Kolom Statistics dengan klik mouse
Pilihan ini berkenaan dengan perhitungan statistik regresi yang akan digunakan. Pengisian:
• Regression Coefisient atau perlakukan koefisien regresi, tetap aktifkan pilihan estimate
• Klik Descriptive pada kolom sebelah kanan, serta tetap aktifkan model fit
• Residual, klik Casewise diagnostics dan pilih all cases untuk melihat pengaruh regresi terhadap semua provinsi.
• Klik Continue
i) Pilih Plot, fasilitas ini berguna untuk menguji asumsi-asumsi pada regresi, seperti normalitas, linieritas, kesamaan varians dan juga dapat digunakan untuk mendeteksi ada tidaknya data yang tidak normal.
j) Direncanakan ada tiga plot sehubungan dengan pengujian asumsi pada analisis regresi:
1. klik mouse pada pilihan SDRESID dan masukan ke pilihan Y, lalu klik lagi pada pilihan ZPRED dan masukan ke X kemudian klik Next untuk plot kedua.
2. klik ZPRED masukan ke pilihan Y, lalu klik lagi DEPENDNT dan
masukan ke pilihan X kemudian klik Next. Plot pertama dan kedua digunakan untuk menguji linieritas dan kesamaan varians
3. untuk plot ketiga, pada pilihan Standardized Residual Plots, klik mouse pada Normal Probability Plot klik Continue lalu tekan OK. Plot ketiga digunakan untuk menguji normalitas
Analisis
• Rata-rata penjualan dari 20 Provinsi adalah 268.95 jt dengan standard deviasi 56.127 jt
• Rata-rata biaya iklan adalah sebesar 38.25 jt dengan standard deviasi sebesar 10.508 Jt
• Besar hubungan antarvariabel penjualan dengan bi. iklan yang dihitung dengan koefisien korelasi adalah 0.910. Hal ini menunjukan bahwa bi.iklan dan penjualan memiliki hubungan yang sangat erat dengan hubungan positif yang artinya semakin besar bi.iklan maka semakin besar pula penjualan yang didapat. • Tingkat signifikansi koefisien korelasi satu sisi dari output
menghasilkan angka 0.000, karena probabilitasnya lebih kecil dari 0.05 maka korelasi antara bi.iklan dengan penjualan sangat nyata.
• Tabel pertama menunjukan variable yang dimasukan adalah bi.iklan dan tidak ada variable yang dikeluarkan. Hal ini disebabkan metode yang dipakai adalah sigle step (enter) dan bukan stepwise.
• Angka R square adalah 0.829 adalah pengkuadratan dari koefisien korelasi. R square bisa disebut koefisien determinasi , yang dalam hal ini berarti 82.9% dari penjualan perusahaan bisa dijelaskan oleh variable bi.iklan. dan sisanya dijelaskan sebab lain. Semakin kecil R Square, semakin lemah hubungan kedua variable.
• Standard Error of Estimate adalah 23.848 jt, pada analisis sebelumnya standard deviasi penjualan nilainya 56.127jt karena lebih kecil dari standard deviasi penjualan, maka model regresi lebih bagus sebagai predictor atau peramal penjualan daripada menggunakan rata-rata.
dengan tingkat signifikansi 0.000.Karena probabilitas 0.000 lebih kecil dari 0.05, maka bisa dikatakan model regresi dapat
digunakan sebagai alat prediksi penjualan.
• Tabel selanjutnya menggambarkan persamaan rgresi Y= 82.924 + 4.863X
Y= Penjualan X= Bi.iklan
Konstanta sebesar 82.924 menyatakan bahwa jika tidak ada biaya promosi, maka penjualan adalah sebesar 82.924 jt
Koefisien regresi sebesar 4.863 menyatakan bahwa setiap penambahan biaya iklan 1jt maka penjualan akan meningkat sebesar 4.863jt demikian sebaliknya
• Uji t untuk menguji signifikansi konstanta dan variable dependen Dalam contoh ini kita akan menguji koefisien regresi dari variable Bi.iklan.
Hipotesis kasus ini:
Ho = Koefisien regresi tidak significant Hi = Koefisien regresi signifikan Pengambilan keputusan Berdasarkan Probabilitas
• Jika probabilitas > 0.025 (karena menggunakan uji 2sisi), Maka Ho diterima
• jika probabilitas < 0.025, Maka Ho ditolak Keputusan:
Terlihat bahwa pada kolom Sig/significance adalah 0.000 atau dibawah <0.025 maka Ho ditolak atau koefisien regresi signifikan atau Bi.iklan benar-benar berpengaruh secara signifikan terhadap penjualan
4. Output ketujuh
Pada tabel output ke tujuh ini berjudul Casewise Diagnostics
Dari tabel ini kita dapat melihat antara selisih nilai penjualan yang diramalkan dengan nilai penjualan aslinya misanya:
Diprovinsi Aceh penjualan yang diramalkan menggunakan persamaan regresi nilainya sebesar 209.37jt sedangkan nilai aslinya yaitu 205 jt sehingga selisihnya 4.373jt.
Semakin kecil Std.Residual maka semakin baik persamaan regresi dalam memprediksi data.
Pada tabel ini berjudul Residual Statistics, tabel ini memuat ringkasan yang berisi nilai minimum, maksimum, mean dan standar deviasi dari nilai yang prediksi.
6. Output Bagian Gambar
• Persyaratan NORMALITAS
Jika data berasal dari distribusi normal maka nilai-nilai sebaran data terletak disekitar garis lurus dan dari gambar diatas terlihat bahwa sebaran sebagian besar berada di garis lurus. Maka bisa dikatakan bahwa persyaratan Normalitas bisa terpenuhi.
• Persyaratan Kelayakan Model Regresi (Model Fit)
Jika model regresi layak untuk dipakai untuk prediksi (fit), maka data akan berpencar disekitar angka nol (0 dalam sumbu Y) dan tidak membentuk pola atau garis tertentu. Dari chart diatas terlihat sebaran data ada disekitar 0 serta tidak tampak adanya suatu pola tertentu dari sebaran. Maka bisa dikatakan model regresi memenuhi syarat untuk memprediksi penjualan.
• Persyaratan Model Fit tiap data
Jika model memenuhi syarat, maka sebaran data akan berada mulai dari kiri bawah lurus kearah kanan atas. Terlihat sebaran data dibawah ini membentuk arah seperti yang disyaratkan. Oleh karena itu dapat dikatakan model regresi sudah layak digunakan.
PENUTUP Tugas
a. Dari Seluruh Provinsi yang ada di Indonesia diambil 20 Sampel untuk meneliti seberapa besar pengaruh Pendapatan Pajak Reklame terhadap Jumlah Pendapatan Daerah, hasil penelitian ii nantinya akan digunakan oleh Pemerintah Daerah sebagai dasar penentuan strategi yang tepat guna meningkatkan pendapatan daerah. Oleh karena itu olah data di bawah ini dengan menggunakan Ordanary Least Square (OLS).
Tabel Pajak Reklame Serta Jumlah Pendapatan Daerah
No Provinsi Retribusi jt (Rupiah) Jumlah Pendapatan Daerah (jt Rupiah) 1 D.I. Aceh 2700 20600 2 Sumatra Barat 2600 20400 3 Jambi 3600 25500 4 Lampung 3150 24650 5 DKI.Jakarta 2250 22000 6 Jawa Barat 4950 29200 7 Jawa Tengah 3550 24500 8 DIY 3000 20900 9 Jawa Timur 2400 20400 10 Bali 3100 21600 11 NTB 3200 24500 12 NTT 4700 28600 13 Kalimantan Selatan 5400 31200
14 Kalimantan Timur 4000 26500 15 Kalimantan Tengah 4200 32200 16 Kalimantan Barat 4850 29900 17 Sulawesi Tenggara 4750 29000 18 Sulawesi Utara 4800 35000 19 Sulawesi Selatan 5500 37500 20 Papua Barat 5200 37500
b. Serahkan pekerjaan Saudara kepada Instruktur!
DAFTAR PUSTAKA
Dajan, Anto. 1974. Pengantar Metode Statistik. Jilid I. Jakarta: LP3ES
Priyatno, Duwi. 2009. 5 Jam Belajar Olah Data Dengan SPSS 17. Edisi satu. Yogyakarta: Penerbit Andi
Santoso. S. 2010. Mastering SPSS 18. Jakarta : PT.Elex Media Komputindo
Subagyo.P dan Ps.Djarwanto. 2005. Statistik Induktif. Edisi Lima. Yogyakarta: BPFE
Wahana Komputer. 2010. Mudah Belajar Statistik dengan SPSS 18. Edisi satu. Yogyakarta: Penerbit Andi