BAB I PENDAHULUAN 1.1 Latar Belakang
Mobil adalah kendaraan darat yang digerakkan oleh tenaga mesin, beroda
empat atau lebih biasanya menggunakan bahan bakar minyak (bensin atau solar)
untuk menghidupkan mesinnya. Banyak manfaat yang diperoleh dari penggunaan
mobil itu sendiri, salah satunya adalah dapat membantu seseorang dalam
beraktifitas khususnya dalam bekerja. Hal ini menyebabkan setiap orang memiliki
keinginan untuk memilikinya. Penduduk di Amerika Serikat dikenal produktif
dalam pekerjaan, untuk mendukung dalam pekerjaannya mereka memiih
menggunakan mobil pribadi sebagai alat transportasi daripada menggunakan
kendaraan umum yang akan memakan waktu lebih lama.
Penjualan mobil di negara ini merupakan salah satu yang berkembang.
Melihat minat penduduk untuk memiliki mobil semakin tinggi, maka pemerintah
Amerika Serikat mulai mengembangkan pembuatan mobil. Pemerintah mencatat
bahwa penjualan mobil setiap tahunya mengalami peningkatan. Hal ini diduga ada
kaitannya dengan semakin meningkatnya pendapatan penduduk dari hasil kerja.
Untuk melihat faktor- faktor apa saja yang berpengaruh dalam penjualan mobil
bisa menggunakan analisis regresi.
Analisis regresi adalah hubungan fungsional antara variabel-variabel yang
pada umumnya dinyatakan dalam bentuk persamaan matematik (Sudjana, 1989:
310). Dalam analisis regresi dibedakan dua jenis variabel, yaitu variabel bebas
atau variabel prediktor dan variabel tak bebas atau variabel respon. Variabel bebas
adalah suatu variabel yang menyebabkan atau menjadi sebab bagi berubahnya
variabel lain, variabel bebas akan dinyatakan dengan X1, X2, X3, ..., Xk (k 1),
sedangkan variabel tak bebas adalah variabel yang dipengaruhi atau menjadi
Edi Purwanto, 2014
PENGGUNAAN REGRESI AKAR LATEN UNTUK MEMPREDIKSI PENJUALAN MOBIL DI AMERIKA
SERIKAT TAHUN 1961-1990
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Jika hubungan antara variabel bebas dan variabel tak bebas digambarkan
dalam diagram pencar mengikuti pola garis lurus, maka disebut regresi linear,
sebaliknya jika hubungan antara variabel bebas dan variabel tak bebas
digambarkan dalam diagram pencar mengikuti pola sebuah kurva, maka disebut
regresi non-linear. Selanjutnya analisis yang membahas bentuk hubungan antara
satu variabel bebas dengan satu variabel tak bebas yang mengikuti pola garis lurus
disebut analisis regresi linear sederhana, sedangkan analisis yang membahas
bentuk hubungan antara lebih dari satu variabel bebas dengan satu variabel tak
bebas disebut analisis regresi linear berganda.
Dalam penerapannya analisis regresi yang sering digunakan adalah analisis
regresi berganda, karena variabel tak bebas tidak hanya cukup dipengaruhi oleh
satu variabel bebas. Misalnya adalah nilai akhir dari suatu pelajaran (Y) tidaklah
hanya dipengaruhi oleh UAS (X1) melainkan juga dari nilai UTS (X2), nilai
ulangan sehari-hari (X3), nilai tugas (X4), dan lain-lain.
Dalam analisis regresi berganda yang harus diperhatikan adalah diantara
variabel-variabel bebasnya tidak terjadi multikolinearitas. Semakin banyak
variabel bebas yang dilibatkan pada analisis regresi linear berganda semakin baik
pula untuk menaksir variabel tak bebasnya. Akan tetapi, hal ini juga menyebebkan
peluang terjadinya multikolinearitas akan semakin besar. Multikolinearitas adalah
adanya hubungan linear diantara variabel-variabel bebasnya. Adanya
multikolinearitas pada penaksiran parameter regresi linear berganda akan
menghasilkan galat yang besar. Ada beberapa regresi linear berganda, di mana
terjadi hubungan diantara variabel-variabel bebasnya, seperti regresi ridge, regresi
komponen utama. Selain itu ada lagi regresi yang lainnya, yaitu regresi akar laten
(Sharma dan James, 1981: 154). Regresi akar laten memanfaatkan akar laten dan
vektor laten yang didapat dari matriks yang entri-entrinya merupakan variabel
bebas dan variabel tak bebas. Pemusatan dan penskalaan terhadap variabel bebas
dan variabel tak bebas akan menghasilkan vektor laten, nilai vektor laten yang
paling besar akan digunakan lebih awal untuk membentuk persamaan regresi
Berdasarkan uraian di atas, maka skripsi ini akan membahas tentang regresi
akar laten beserta aplikasinya dalam membentuk persamaan regresi yang mewakili suatu data. Untuk selanjutnya skripsi ini diberi judul “Penggunaan Regresi Akar Laten Untuk Memprediksi Penjualan Mobil Di Amerika Serikat Tahun 1961-1990”.
1.2 Batasan Masalah
Berdasarkan rumusan-rumusan masalah tersebut, hal yang menjadi prioritas
utama masalah adalah menentukan persamaan regresi dengan menggunakan
regresi akar laten. Oleh karena itu, permasalahan akan dibatasi pada data
kuantitatif yang dimodelkan menjadi regresi berganda dimana terjadi
multikolinearitas pada variabel bebasnya.
1.3 Rumusan Masalah
Berdasarkan latar belakang yang telah dipaparkan di atas, maka
permasalahan tersebut dapat dirumuskan sebagai berikut:
1. Bagaimana cara memperoleh persamaan regresi dengan menggunakan regresi
akar laten?
2. Bagaimana penerapan regresi akar laten pada data penjualan mobil di Amerika
Serikat?
1.4 Tujuan Penelitian
Berdasarkan rumusan masalah di atas, maka tujuan penulisan dalam skripsi
ini adalah :
1. Mengetahui prosedur untuk memperoleh persamaan regresi dengan
menggunakan regresi akar laten.
2. Mengetahui penerapan regresi akar laten pada data penjualan mobil di Amerika
Edi Purwanto, 2014
PENGGUNAAN REGRESI AKAR LATEN UNTUK MEMPREDIKSI PENJUALAN MOBIL DI AMERIKA
SERIKAT TAHUN 1961-1990
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu 1.5 Manfaat Penelitian
Adapun manfaat dari penulisan skripsi ini adalah :
1.Secara teoritis
Memperkaya dan memperluas pengetahuan tentang analisis regresi, dalam hal
ini regresi akar laten serta mengetahui penerapan regresi akar laten dalam
penaksiran parameter.
2. Secara Praktis
Dapat dijadikan sebagai bahan pertimbangan dan masukan bagi pihak yang
berkepentingan serta dapat dijadikan salah satu sumber informasi yang
BAB II
LANDASAN TEORI 2.1 Analisis Regresi
Tidak jarang dihadapkan dengan persoalaan yang melibatkan dua atau lebih
peubah atau variabel yang ada atau diduga ada dalam suatu hubungan tertentu.
Misalnya hasil produksi padi bergantung pada jumlah pupuk yang digunakan,
curah hujan, cuaca, dan sebagainya. Untuk menjawab hal tersebut, perlu dibahas
mengenai bentuk hubungan yang ada atau diperkirakan ada antara kedua peubah
tersebut. Bentuk hubungan ini dikenal dengan nama regresi untuk satu variabel
atas variabel lain. Hubungan ini biasanya dinyatakan dalam persamaan matematis
yang bentuknya bisa linear atau non-linear (Sudjana, 2003:5).
Analisis regresi linear adalah metode statistika yang dapat digunakan untuk
mempelajari hubungan antar sifat permasalahan yang sedang diselidiki. Model
analisis regresi linear dapat memodelkan hubungan antara dua variabel atau lebih.
Pada model ini terdapat variabel tak bebas yang mempunyai hubungan fungsional
dengan satu atau lebih variabel bebas.
2.1.1 Analisis Regresi Linear Sederhana
Regresi linier sederhana adalah regresi yang melibatkan hubungan antara
satu variabel tak bebas dihubungkan dengan satu variabel bebas. Bentuk umum
persamaan regresi linier sederhana adalah:
(2.1)
dimana:
Y : variabel tak bebas
Edi Purwanto, 2014
PENGGUNAAN REGRESI AKAR LATEN UNTUK MEMPREDIKSI PENJUALAN MOBIL DI AMERIKA
SERIKAT TAHUN 1961-1990
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu : koefisien regresi
X : variabel bebas
: galat
Model dugaan dinyatakan oleh : ̂ ̂ ̂ atau ̂
Didapatkan galat, yaitu sebagai berikut : ̂
Parameter dan dapat ditaksir dengan menggunakan metode kuadrat terkecil
yang meminimumkan jumlah kuadrat galat antara hasil model dengan hasil
pengamatan. Prosedur metode kuadrat terkecil adalah sebagai berikut :
i. Membentuk ∑ sebagai fungsi dan , ∑
∑
ii. Mendiferensialkan parsial S terhadap dan , kemudian hasil
diferensialnya, yaitu dan disamakan dengan nol
∑
=∑
= ∑ ∑ ∑
=∑ ∑
= ∑ ∑
∑
=∑
=∑ ∑ ∑
=∑ ∑ ∑
= ∑ ∑ ∑
Persamaan (1) dan (2) disebut persamaa normal.
iii. Menghitung dan berdasarkan dua persamaan yang terbentuk.
Dengan menggunakan aturan Cramer untuk menyelesaikan sistem
∑
∑
∑
∑ ∑
Sebelum menggunakan aturan Cramer, harus dibentuk matriks yang mewakili
persamaan (1) dan (2). Berikut adalah matriks yang didapat dari persamaan (1)
Ganti entri-entri pada matriks A pada kolom ke-1 dengan entri-entri pada matriks
c sehingga didapat matriks A1, yaitu :
[ ∑
∑
∑
∑ ]
Ganti entri-entri pada matriks A pada kolom ke-2 dengan entri-entri pada matriks
c, sehingga didapat matriks A2, yaitu :
Edi Purwanto, 2014
PENGGUNAAN REGRESI AKAR LATEN UNTUK MEMPREDIKSI PENJUALAN MOBIL DI AMERIKA
SERIKAT TAHUN 1961-1990
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
(∑ )(∑ ) ∑ (∑ ) (∑ ) (∑ )
(∑ ) ∑ (∑ ) (∑ ) (∑ )
2.1.2 Analisis Regresi Linear Berganda
Analisis regresi linear berganda merupakan pengembangan lanjut dari
analisis regresi linear sederhana, khususnya pada kasus yang mempunyai lebih
banyak variabel bebasnya. Hal ini sangat diperlukan dalam kenyataannya. Regresi
linier berganda adalah regresi yang melibatkan hubungan antara satu variabel tak
bebas dihubungan dengan dua atau lebih variabel bebas. Bentuk umum persamaan
regresi linier berganda adalah:
(2.2)
dimana :
Y : variabel tak bebas
: konstanta
: koefisien regresi
: variabel bebas : galat
Model dugaan dinyatakan oleh : ̂
Langkah perhitungan penaksir koefisien regresi :
i. Membentuk ∑ sebagai fungsi dan ,
∑ ∑
ii. Kemudian didiferensialkan terhadap , , ..., , dan hasilnya disamakan
Hasil dari perhitungan di atas disebut dengan persamaan normal, yang akan
disajikan di bawah ini :
∑
∑ ∑
∑
∑ ∑ ∑ ∑
∑
∑ ∑ ∑ ∑
Untuk mempermudah perhitungan penaksir koefisien regresi, maka persamaan
normal diubah ke dalam bentuk matriks seperti di bawah ini :
[
∑ ∑
∑
∑ ∑
∑
∑ ∑ ]
[ ]
[ ∑
∑
∑
]
Sehingga untuk mencari nilai b (penaksir koefisien regresi) adalah :
Dalam melakukan analisis regresi linear berganda, sering dijumpai masalah
multikolinearitas pada variabel bebasnya. Ini merupakan pelanggaran terhadap
salah satu yang disyaratkan pada penggunaan regresi linear berganda, seperti yang
Edi Purwanto, 2014
PENGGUNAAN REGRESI AKAR LATEN UNTUK MEMPREDIKSI PENJUALAN MOBIL DI AMERIKA
SERIKAT TAHUN 1961-1990
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Econometrics. Menurut (Gujarati, 2004) asumsi-asumsi yang mendasari analisis regresi berganda tersebut antara lain adalah :
a. Nilai variabel, khususnya variabel bebas mempunyai nilai nilai tertentu atau
merupakan nilai yang didapat dari hasil survey tanpa kesalahan berarti.
b. Variabel tak bebas harus mempunyai hubungan linear dengan variabel bebas.
c. Tidak terjadi multikolinearitas, yaitu adanya korelasi di antara variabel bebas.
d. Varians dari variabel tak bebas terhadap garis regresi harus sama untuk semua
nilai variabel bebas.
e. Nilai variabel tak bebas harus tersebar normal atau minimal mendekati
normal.
2.2 Multikolinearitas
2.2.1 Definisi Multikolinearitas
Multikolinieritas adalah terjadinya hubungan linier antara variabel bebas
dalam suatu model regresi linier berganda (Gujarati, 2004). Maksud dari
hubungan antara sesama variabel bebas adalah terdapat 2 variabel bebas X1
dengan X2. Jika X1 dapat dinyatakan sebagai fungsi linear dari X2 atau sebaliknya,
maka dapat dikatakan bahwa terdapat hubungan linear di antara kedua variabel.
2.2.2 Akibat Adanya Multikolinearitas
Adapun dampak adanya multikolinieritas dalam model regresi linier
berganda adalah (Gujarati, 2004):
1. Penaksir parameter masih bersifat tak bias, linear, dan terbaik (Best Linear
Unbiased Estimator), tetapi mempunyai variansi dan kovariansi yang besar sehingga sulit mendapatkan taksiran (estimasi) yang tepat.
2. Akibat penaksir parameter mempunyai variansi dan kovariansi yang yang
besar, menyebabkan interval estimasi akan cenderung lebih lebar dan nilai
hitung statistik uji t akan kecil, sehingga membuat variabel bebas secara
3. Walaupun secara individu variabel bebas tidak berpengaruh terhadap variabel
tak bebas melalui uji t, tetapi nilai koefisien determinasi masih bisa relatif
tinggi.
2.2.3 Mendeteksi Multikolinearitas
Ada beberapa cara untuk mendeteksi multikolinearitas, yaitu dengan
melihat nilai variance inflation factor (VIF) pada model regresi dan
membandingkan nilai koefisien determinasi individual (r2) dengan nilai
determinasi secara serentak (R2). Jika nilai VIF lebih besar dari 5, maka variabel
tersebut mempunyai persoalan multikolinearitas dengan variabel bebas lainnya.
Selanjutnya untuk mendeteksi adanya multikolinieritas dengan membandingkan
nilai koefisien determinasi individual (r2) adalah dengan cara meregresikan setiap
variabel bebas dengan variabel bebas lainnya, dengan tujuan untuk mengetahui
nilai koefisien r2 untuk setiap variabel yang diregresikan. Selanjutnya nilai r2
tersebut dibandingkan dengan nilai koefisien determinasi R2. Kriteria pengujian
yaitu jika r2 > R2 maka terjadi multikolinearitas dan jika r2 < R2 maka tidak terjadi
multikolinearitas (Gujarati, 2004).
2.3 Matriks
Matriks adalah jajaran empat persegi panjang dari bilangan-bilangan.
Bilangan-bilangan dalam jajaran tersebut disebut entri dari matriks. Ukuran (size)
suatu matriks dinyatakan dalam jumlah baris (arah horizontal) dan kolom (arah
vertikal).
[ ]
Untuk matriks di atas memiliki dua baris dan tiga kolom, sehingga ukurannya
Edi Purwanto, 2014
PENGGUNAAN REGRESI AKAR LATEN UNTUK MEMPREDIKSI PENJUALAN MOBIL DI AMERIKA
SERIKAT TAHUN 1961-1990
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
menunjukkan jumlah baris dan bilangan kedua menunjukkan jumlah kolom
(Anton dan Rorres, 2004:26).
2.3.1 Operasi pada Matriks
Operasi Penjumlahan dan Pengurangan pada Patriks
Definisi :
Jika A dan B adalah matriks-matriks dengan ukuran yang sama, maka jumlah
(sum) A+B adalah matriks yang diperoleh dengan menjumlahkan entri-entri pada
B dengan entri-entri yang bersesuaian pada A dan selisih (difference) A-B adalah
matriks yang diperoleh dengan mengurangkan entri pada A dengan
entri-entri yang bersesuaiaan pada B. Matriks dengan ukuran yang berbeda tidak dapat
dijumlahkan atau dikurangkan (Anton dan Rorres, 2004:26).
Operasi Perkalian pada Matriks
Definisi :
Jika A adalah matriks m x r dan B adalah matriks r x n maka hasilkali (product)
AB adalah matriks m x n yang entri-entrinya ditentukan sebagai berikut. Untuk
mencari entri pada baris i dan kolom j dari AB, pisahkan baris i dari matriks A
dan kolom j dari matriks B. Kalikan entri-entri yang bersesuaiaan dari baris dan
kolom tersebut dan kemudian jumlahkan hasil yang diperoleh.
2.3.2 Transpos suatu Matriks
Definisi :
Jika A adalah matriks m x n, maka transpos dari A (transpose of A), dinyatakan
dengan AT, didefinisikan sebagai matriks m x n yang didapatkan dengan
dari AT adalah baris pertama dari A, kolom kedua dari AT adalah baris kedua dari
A, dan seterusnya (Anton dan Rorres, 2004:26).
2.3.3 Determinan
Definisi :
Misalkan A adalah suatu matriks bujur sangkar. Fungsi determinan (determinant
function) dinotasikan dengan det dan kita mendefinisikan det(A) sebagai jumlah dari semua hasil kali elementer bertanda dari A. Angka det(A) disebut determinan
dari A (determinant of A) (Anton dan Rorres, 2004:26).
2.3.4 Nilai Eigen dan Vektor Eigen
Definisi :
Jika A adalah sebuah matriks n x n, maka sebuah vektor tak nol x pada Rn disebut
vektor eigen (eigenvector) dari A jika Ax adalah sebuah kelipatan skalar dari x;
Jelasnya,
Untuk skalar sebarang . Skalar disebut nilai eigen (eigenvalue) dari A, dan x
disebut sebagai vektor eigen dari A yang terkait dengan (Anton dan Rorres,
Edi Purwanto, 2014
PENGGUNAAN REGRESI AKAR LATEN UNTUK MEMPREDIKSI PENJUALAN MOBIL DI AMERIKA
SERIKAT TAHUN 1961-1990
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu BAB III
REGRESI AKAR LATEN 3.1 Pendahuluan
Dalam penerapan analisis regresi yang sering digunakan adalah analisis
regresi berganda, karena variabel tak bebasnya tidak hanya cukup dipengaruhi
oleh satu variabel bebas saja. Secara umum semakin banyak variabel bebas dalam
ananlisis regresi berganda, maka akan semakin mendekati nilai taksiran variabel
tak bebasnya. Akan tetapi hal ini juga menyebabkan peluang terjadinya
mutikolinearitas akan semakin besar. Jika hal ini terus dipaksakan, maka hasil
taksirannya akan memiliki nilai varians yang cukup besar. Hal ini dapat dilihat
dari nilai varians yang akan bertambah seiring bertambahnya variabel bebas.
Penggunaan analisis regresi linear berganda tidak sah, jika terjadi
multikolinearitas. Salah satu cara untuk menaksir parameter, dimana pada variabel
bebasnya terjadi multikolinearitas adalah dengan hanya melibatkan sebagian saja
(subset) variabel-variabel bebas, dimana subset yang dipilih tidak mengandung
adanya multikolinearitas. Cara ini cukup efektif untuk dilakukan, akan tetapi jika
seluruh variabel bebas berkorelasi tinggi, hal itu sulit dilakukan dan tidak akan
memperoleh solusi yang baik.
Cara lain untuk menaksir parameter yang terdapat multikolinearitas adalah
dengan menggunakan regresi ridge, regresi komponen utama, dan regresi akar
laten. Dalam skripsi ini untuk mengatasi masalah multikolinearitas adalah dengan
menggunakan regresi akar laten. “Taksiran parameter dengan menggunakan
regresi akar laten akan menghasilkan nilai varians yang minimum. Hal ini lebih
dapat dipercaya jika dibandingkan dengan taksiran parameter yang bervarians
Regresi akar laten memanfaatkan akar laten dan vektor laten yang diperoleh
dari matriks korelasi antara variabel bebas dan variabel tak bebas. Pemusatan dan
penskalaan terhadap variabel bebas dan variabel tak bebas akan
menghasilkan vektor laten, nilai vektor laten yang paling besar akan digunakan
lebih awal untuk membentuk persamaan regresi.
3.2 Tahapan Pada Regresi Akar Laten
Sebelum melakukan perhitungan pada regresi akar laten, variabel-variabel
bebas dan tak bebas terlebih dahulu diskalakan. Bentuk umum regresi akar laten
sama dengan regresi linear berganda, hanya saja pada regresi akar laten simbol
untuk variabel bebas diganti menjadi dan variabel tak bebas diganti menjadi y*. Bentuk umum regresi akar laten adalah :
(3.1)
dimana :
y* : matriks berukuran yang berisi variabel tak bebas yang telah dipusatkan dan diskalakan
: matriks berukuran yang berisi dari p variabel bebas yang telah
dipusatkan dan diskalakan
: matriks berukuran yang berisi parameter tak diketahui
: matriks berukuran yang berisi nilai galat
Diasumsikan variabel tak bebas y yang dipusatkan dan diskalakan
kemudian disimbolkan dengan y* :
̅ (3.2)
dimana :
̅ ∑ √∑ ( ̅)
(Draper dan Smith, 1992)
Selanjutnya juga diasumsikan variabel bebas x yang dipusatkan dan diskalakan,
Edi Purwanto, 2014
PENGGUNAAN REGRESI AKAR LATEN UNTUK MEMPREDIKSI PENJUALAN MOBIL DI AMERIKA
SERIKAT TAHUN 1961-1990
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
̅
√ (3.3)
dimana :
̅ ∑
√∑ ̅
(Draper dan Smith, 1992)
Setelah melakukan pemusatan dan penskalaan pada variabel bebas dan
variabel tak bebas, selanjutnya adalah membentuk matriks A, dengan entri-entri
dari matriks tersebut berupa nilai-nilai dari variabel tak bebas dan variabel bebas.
Tujuan dibentuknya matriks ini adalah untuk memperoleh nilai eigen dan vektor
eigen dengan terlebih dahulu menghitung nilai dari perkalian matriks ATA. Nilai
eigen dan vektor eigen tersebut digunakan untuk menaksir koefisien regresi akar
laten. Nilai eigen yang paling besar digunakan terlebih dahulu untuk menaksir
koefisiennya. Setelah diperoleh nilai eigen, maka penaksir akar laten yang
pertama dapat diperoleh dengan rumus :
̂ ∑ (3.4)
Selanjutnya dengan menggunakan metode kuadrat terkecil, variabel tak
bebas y* diregresikan pada ̂ akan menghasilkan model penaksir bagi y* yaitu
̂
̂ ̂ (3.5)
Langkah selanjutnya adalah melakukan penaksiran akar laten kedua.
Penaksir ini diperoleh dengan terlebih dahulu menghitung nilai residu antara nilai
variabel yang telah dipusatkan dan diskalakan dengan taksiran regresi akar laten.
Nilai residu untuk variabel bebas dapat diperoleh dengan menggunakan
persamaan berikut
̂ (3.6)
Dimana ̂ adalah nilai taksiran dari regresi setiap pada ̂
̂ ̂ (3.7)
Nilai residu untuk variabel tak bebas dapat diperoleh dengan menggunakan
persamaan berikut
̂ (3.8)
Dimana ̂ adalah nilai taksiran dari regresi setiap pada ̂ melalui
persamaan
̂ ̂ (3.9)
Selanjutnya nilai residu tersebut dipusatkan dan diskalakan dengan cara
yang sama seperti halnya pada variabel-variabel asal. Untuk memperoleh penaksir
akar laten kedua bagi analisis regresi akar laten diperlukan matriks AR, yaitu
matriks hasil penggabungan variabel dan variabel-variabel .
Berdasarkan matriks tersebut dapat diperoleh nilai eigen dan vektor eigen dengan
terlebih dahulu menghitung nilai dari perkalian matriks . Jika diperoleh nilai
eigen yang mendekati satu, maka proses pendugaan akar laten selesai. Kemudian
variabel yang telah diperoleh dikembalikan kedalam bentuk yang memuat variabel
Edi Purwanto, 2014
PENGGUNAAN REGRESI AKAR LATEN UNTUK MEMPREDIKSI PENJUALAN MOBIL DI AMERIKA
SERIKAT TAHUN 1961-1990
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu BAB IV
STUDI KASUS
Pada bab ini akan diuraikannya aplikasi dari analisis regresi akar laten yaitu
untuk menaksir parameter regresi. Karena proses penghitungan yang cukup rumit,
maka penulis akan memanfaatkan penggunaan software, seperti Maple, SPSS dan
Microsoft Excel.
4.1 Pendahuluan
Data yang digunakan pada skripsi ini adalah data sekunder. Data sekunder
merupakan sumber data penelitian yang diperoleh peneliti secara tidak langsung
melalui media perantara (diperoleh dan dicatat oleh pihak lain). Data sekunder
umumnya berupa bukti, catatan atau laporan historis yang telah tersusun dalam
arsip (data dokumenter) yang dipublikasikan dan yang tidak dipublikasikan.
Data diperoleh dari salah satu situs survey yang dapat dilihat di
fraser.stlouisfed.org. fraser.stlouisfed.org merupakan situs survey pada bidang
bisnis, yang menyediakan data tentang bisnis di Amerika Serikat di tingkat
regional, nasional, dan internasional. Data yang dibahas, antara lain tentang
pendapatan pribadi, persediaan dan penjualan, perhitungan pendapatan dan
produk nasional, investasi asing langsung di Amerika Serikat, investasi langsung
Amerika Serikat di luar negeri, transaksi internasional, dan produk negara.
4.2 Data Yang Digunakan
Data yang digunakan untuk dicari persamaannya berupa data penjualan
mobil di daerah Amerika Serikat. Data penjualan mobil ditetapkan sebagai
variabel tak bebas. Adapun variabel bebasnya adalah indeks harga mobil baru,
indeks harga konsumen, pendapatan pribadi, tingkat bunga, dan banyaknya tenaga
didasarkan pada teori yang dijelaskan oleh ahlinya, berikut akan dijelaskan
mengenai teori tersebut.
Menurut Basu Swastha DH (dalam Prastyo, 2012), penjualan adalah
interaksi antara individu saling bertemu muka yang ditujukan untuk menciptakan,
memperbaiki, menguasai atau mempertahankan hubungan pertukaran sehingga
menguntungkan bagi pihak lain. Jadi, adanya penjualan dapat tercipta suatu proses
pertukaran barang atau jasa antara penjual dengan pembeli.
Adapun faktor-faktor yang mempengaruhi penjualan menurut Basu Swastha
(dalam Prastyo, 2012) sebagai berikut :
1. Kondisi dan Kemampuan Penjual
Kondisi dan kemampuan terdiri dari pemahaman atas beberapa masalah penting yang berkaitan dengan produk yang dijual, jumlah dan sifat dari tenaga penjual adalah:
a) Jenis dan karakteristik barang atau jasa yang ditawarkan b) Harga produk atau jasa
c) Syarat penjualan, seperti: pembayaran, pengiriman 2. Kondisi Pasar
Pasar mempengaruhi kegiatan dalam transaksi penjualan, baik sebagai kelompok pembeli atau penjual. Kondisi pasar dipengaruhi oleh beberapa faktor yakni : jenis pasar, kelompok pembeli, daya beli, frekuensi pembelian serta keinginan dan kebutuhannya.
3. Modal
Modal atau dana sangat diperlukan dalam rangka untuk mengangkut barang dagangan ditempatkan atau untuk membesar usahanya. Modal perusahaan dalam penjelasan ini adalah modal kerja perusahaan yang digunakan untuk mencapai target penjualan yang dianggarkan, misalnya dalam menyelenggarakan stok produk dan dalam melaksanaan kegiatan penjualan memerlukan usaha, seperti alat transportasi, tempat untuk menjual, usaha promosi dan sebagainya.
4. Kondisi Organisasi Perusahaan
Pada perusahan yang besar, biasanya masalah penjualan ini ditangani oleh bagian tersendiri, yaitu bagian penjualan yang dipegang oleh orang-orang yang ahli di bidang penjualan.
5. Faktor-faktor lain
Edi Purwanto, 2014
PENGGUNAAN REGRESI AKAR LATEN UNTUK MEMPREDIKSI PENJUALAN MOBIL DI AMERIKA
SERIKAT TAHUN 1961-1990
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Indeks harga konsumen adalah nomor indeks yang mengukur harga
rata-rata dari barang dan jasa yang dikonsumsi oleh rumah tangga. IHK sering
digunakan untuk mengukur tingkat inflasi suatu negara dan juga sebagai
pertimbangan untuk penyesuaian gaji, upah, uang pensiun, dan kontrak lainnya.
Menurut Suharyadi (dalam Simanjuntak, 2011), kegunaan Indeks Harga
Konsumen yaitu :
a. Dapat digunakan sebagai barometer nilai tukar rupiah atau sebagai indikator inflasi.
b. Dipakai sebagai landasan untuk memperbaiki/menyesuaikan gaji dan upah karyawan.
c. Merupakan pengukur perubahan harga konsumen. d. Indikator perubahan pengeluaran rumah tangga.
Berikut ini diberikan data tentang penjualan mobil yang dipengaruhi oleh indeks harga mobil baru (X1), indeks harga konsumen (X2), pendapatan pribadi (X3),
tingkat bunga (X4), dan banyaknya tenaga kerja (X5).
Tabel 4.1 Data Penjualan Mobil di Amerika Serikat Tahun 1961 s.d. 1990
21 10,23 222,70 317,90 3318,60 7,20 152,60
22 11,24 225,10 328,50 3357,50 7,89 155,60
Lanjutan
Nomor Y X1 X2 X3 X4 X5
23 12,99 229,90 336,50 3425,50 8,20 175,90 24 11,67 240,70 339,50 3479,90 9,45 160,40 25 10,12 246,30 345,60 3561,10 12,34 177,30 26 11,28 261,90 359,90 3599,90 10,23 186,30 27 8,78 269,10 362,80 3629,80 16,29 183,40 28 10,66 271,20 365,80 3658,80 16,30 192,50 29 9,35 275,40 372,50 3728,90 16,98 193,50 30 12,89 270,90 380,20 3800,00 17,56 201,60
Sumber : Business Statistics, 1986, A Supplement to the Current Survey of Business, U.S. Department of Commerce.
Keterangan :
: Banyak mobil yang terjual (dalam ribuan unit)
: Indeks harga mobil baru
: Indeks harga konsumen
: Pendapatan pribadi (ribu dollar)
: Tingkat bunga (%)
: Banyak tenaga kerja sipil (ribuan orang)
4.3 Pengolahan Data
Sebelum menggunakan regresi akar laten akan diperiksa terlebih dahulu
apakah antara variabel bebasnya terjadi korelasi (multikolinearitas). Cara yang
digunakan adalah dengan melihat nilai variance inflation factor (VIF). Untuk
memperoleh nilai-nilai yang akan digunakan dalam pengujian digunakan bantuan
Edi Purwanto, 2014
PENGGUNAAN REGRESI AKAR LATEN UNTUK MEMPREDIKSI PENJUALAN MOBIL DI AMERIKA
SERIKAT TAHUN 1961-1990
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Tabel 4.2 Output SPSS Nilai VIF
Model Unstandardized
Coefficients
Standardized
Coefficient
T sig Collinearity Statistics
B Std.Error Beta Tolerance VIF
(constanta)
dari 5, maka variabel tersebut mempunyai persoalan multikolinearitas dengan
variabel bebas lainnya. Berdasarkan tabel di atas dapat dilihat bahwa variabel X1,
X2, X3, X4 mempunyai nilai dari VIF lebih besar dari 5 dan satu variabel X5
mempunyai nilai VIF kurang dari 5, maka variabel-variabel tersebut mempunyai
persoalan multikolinearitas dengan variabel lainnya. Sehingga untuk menaksir
parameter dari data di atas tidaklah sah jika menggunakan regresi linear berganda.
Regresi akar laten akan memberikan solusi untuk permasalahan ini. Berdasarkan
pada bab sebelumnya, pada regresi akar laten terlebih dahulu variabel bebas dan
variabel tak bebas akan dipusatkan dan diskalakan. Untuk variabel tak bebas akan
dipusatkan dan diskalakan dengan menggunakan Persamaan (3.2) dan untuk
variabel bebas dengan menggunakan Persamaan (3.3). Hasil dari
variabel-variabel yang telah dipusatkan dan diskalakan akan disajikan pada Tabel 4.3
Tabel 4.3 Nilai-Nilai untuk Variabel Bebas dan Variabel Tak Bebas yang Telah Dipusatkan dan Diskalakan
Nomor y* 1 2 3 4 5
2 0,0795 -0,1398 -0,1507 -0,1376 -0,0961 -0,0938 3 0,1482 -0,1397 -0,1428 -0,1287 -0,0360 -0,0878 4 -0,2218 -0,1295 -0,1281 -0,1215 -0,0098 -0,0842 5 -0,2557 -0,1134 -0,1145 -0,1130 -0,0619 -0,0862 6 -0,0467 -0,1006 -0,1051 -0,1042 -0,0818 -0,0802
Lanjutan
Nomor y* 1 2 3 4 5
7 0,1045 -0,0891 -0,0941 -0,0939 -0,0759 -0,0735 8 0,1214 -0,0718 -0,0802 -0,0800 -0,0275 -0,0652 9 0,0345 -0,0524 -0,0576 -0,0656 0,0250 -0,0595 10 -0,1925 -0,0313 -0,0281 -0,0503 0,0469 -0,0585 11 -0,2563 -0,0139 -0,0026 -0,0334 0,0989 -0,0562 12 -0,3361 -0,0022 0,0118 -0,0226 0,0452 -0,0580 13 -0,1638 0,0058 0,0227 -0,0091 -0,0081 -0,0553 14 0,0108 0,0152 0,0330 0,0105 0,0123 -0,0467 15 0,1035 0,0258 0,0439 0,0243 -0,0281 -0,0423 16 0,1625 0,0404 0,0489 0,0390 -0,0587 -0,0373 17 -0,0138 0,0231 0,0356 0,0460 -0,1199 -0,0317 18 0,2304 0,0425 0,0410 0,0493 -0,0793 0,0162 19 -0,1710 0,0037 0,0251 0,0514 -0,0801 0,0259 20 -0,1896 0,0333 0,0305 0,0606 -0,0498 0,0413 21 -0,0122 0,0377 0,0433 0,0629 -0,0398 0,0512 22 0,1322 0,0415 0,0540 0,0661 -0,0251 0,0573 23 0,3840 0,0492 0,0621 0,0716 -0,0185 0,0991 24 0,1942 0,0663 0,0651 0,0760 0,0080 0,0672 25 -0,0286 0,0752 0,0712 0,0825 0,0694 0,1020 26 0,1375 0,1000 0,0856 0,0857 0,0246 0,1205 27 -0,2210 0,1115 0,0886 0,0881 0,1533 0,1145 28 0,0487 0,1148 0,0916 0,0904 0,1535 0,1333 29 -0,1393 0,1215 0,0983 0,0961 0,1679 0,1353 30 0,3696 0,1143 0,1061 0,1019 0,1803 0,1520
Selanjutnya setelah dilakukan pemusatan dan penskalaan terhadap
variabel-variabelnya akan dibentuk matriks , yaitu matriks yang entri-entrinya
merupakan variabel tak bebas dan variabel bebas yang sebelumnya sudah
Edi Purwanto, 2014
PENGGUNAAN REGRESI AKAR LATEN UNTUK MEMPREDIKSI PENJUALAN MOBIL DI AMERIKA
SERIKAT TAHUN 1961-1990
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu [
Tentukan matrik kemudian kalikan dengan untuk mendapatkan nilai eigen
dan vektor eigen
Tabel 4.4 Nilai Eigen dan Vektor Eigen dari Matriks
Perhatikan nilai = 1,9241 > 1 sehingga penaksir akar laten pertama ̂
akan dihitung menggunakan persamaan (3.4), yaitu :
Langkah selanjutnya adalah melakukan penaksiran akar laten kedua.
penaksir ini diperoleh dengan terlebih dahulu membentuk nilai residu yang
diperoleh dari regresi variabel dan pada , dan nilai
residu tersebut akan disajikan dalam Tabel 4.5
Tabel 4.5 Nilai Residu
Nomor
Edi Purwanto, 2014
PENGGUNAAN REGRESI AKAR LATEN UNTUK MEMPREDIKSI PENJUALAN MOBIL DI AMERIKA
SERIKAT TAHUN 1961-1990
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
5 0,2023 0,0053 0,0083 0,0063 -0,0067 -0,0162
Selanjutnya nilai-nilai residu tersebut dipusatkan dan diskalakan dengan
cara yang sama seperti halnya pada variabel-variabel sebelumnya. Hasilnya dapat
dilihat pada Tabel 4.6
Tabel 4.6 Nilai Residu yang Telah Dipusatkan dan Diskalakan
Nomor
1 -0,0554 0,0160 0,0919 0,0400 0,0032 -0,0851
3 -0,2142 0,1222 0,0961 0,0348 -0,0541 -0,0831
4 0,1704 0,1250 0,0771 0,0505 -0,0791 -0,0645
5 0,2073 0,0392 0,0363 0,0304 -0,0086 -0,0470
6 -0,0032 -0,0015 0,0268 0,0225 0,0230 -0,0442
7 -0,1531 -0,0122 0,0212 0,0206 0,0235 -0,0363
8 -0,1620 -0,0167 0,0323 0,0331 -0,0251 -0,0145
9 -0,0633 -0,0198 0,0151 0,0539 -0,0771 0,0210
10 0,1783 -0,0463 -0,0387 0,0638 -0,0909 0,0662
11 0,2532 -0,0351 -0,0692 0,0718 -0,1425 0,1114
12 0,3370 -0,0919 -0,1150 0,0387 -0,0701 0,1276
13 0,1625 -0,1198 -0,1448 -0,0066 0,0018 0,1311
Lanjutan
Nomor
14 -0,0097 -0,0915 -0,1328 -0,0381 -0,0136 0,1426
15 -0,1015 -0,1230 -0,1535 -0,0743 0,0435 0,1473
16 -0,1584 -0,1784 -0,1448 -0,1112 0,0886 0,1520
17 0,0178 -0,1164 -0,1247 -0,1873 0,1600 0,1116
18 -0,2212 -0,0954 -0,0528 -0,0975 0,1260 0,0339
19 0,1851 0,1162 -0,0256 -0,1544 0,1190 -0,0212
20 0,2128 0,0235 0,0233 -0,1184 0,0938 -0,0195
21 0,0350 0,0488 0,0013 -0,0920 0,0874 -0,0264
22 -0,1095 0,0713 -0,0158 -0,0744 0,0742 -0,0254
23 -0,3593 0,1348 0,0190 -0,0234 0,0790 -0,1016
24 -0,1649 0,0071 0,0046 -0,0459 0,0446 -0,0100
25 0,0730 0,0810 0,0594 0,0129 -0,0188 -0,0586
26 -0,0916 -0,0190 0,0443 0,0507 0,0479 -0,0817
27 0,2823 -0,0098 0,0861 0,0994 -0,1072 -0,0296
28 0,0093 0,0163 0,1026 0,1210 -0,1019 -0,0648
29 0,2053 0,0129 0,0997 0,1232 -0,1154 -0,0538
30 -0,3129 0,1150 0,0950 0,1278 -0,1257 -0,0834
Berdasarkan residu yang telah dipusatkan dan diskalakan, maka untuk
melakukan penaksiran akar laten kedua bagi analisis regresi akar laten diperlukan
pembentukan matriks , yaitu matriks hasil penggabungan variabel dan
Edi Purwanto, 2014
PENGGUNAAN REGRESI AKAR LATEN UNTUK MEMPREDIKSI PENJUALAN MOBIL DI AMERIKA
SERIKAT TAHUN 1961-1990
Dari Tabel 4.7, diperoleh nilai itu artinya penaksiran akar
laten kedua tidak mempunyai kemampuan untuk menaksir . Oleh sebab itu
maka model taksiran bagi hanya melibatkan penaksir akar laten pertama
. Sehingga model taksiran regresi akar laten untuk (data penjualan mobil
yang diskalakan) dengan variabel bebas indeks harga mobil baru , indeks
harga konsumen , pendapatan pribadi , tingkat bunga dan banyak
tenaga kerja sipil adalah ̂ ̂ .
Karena model hanya melibatkan penaksir akar laten pertama ̂ , maka
pengembalian model kedalam bentuk yang memuat variabel asal akan dilakukan
sebagai berikut :
̂ ̂
̅
̅̅̅
√
̅̅̅
√
̅̅̅ √
̅̅̅
√ (
̅̅̅ √ )
√ √ √
√
Edi Purwanto, 2014
PENGGUNAAN REGRESI AKAR LATEN UNTUK MEMPREDIKSI PENJUALAN MOBIL DI AMERIKA
SERIKAT TAHUN 1961-1990
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu ( ) ( )
( ) ( )
( )
Sebelum regresi yang diperoleh digunakan untuk membuat kesimpulan,
terlebih dahulu perlu diperiksa mengenai keberartiannya. Menguji keberartian
regresi ini dimaksudkan untuk meyakinkan apakah regresi yang didapat apakah
ada artinya bila dipakai untuk membuat kesimpulan mengenai hubungan sejumlah
variabel yang sedang dipelajari. Untuk ini diperlukan dua macam jumlah kuadrat
(JK) yaitu, JK(Reg) untuk regresi dan JK(S) untuk sisa (Sudjana, 2003:90).
∑ ∑ ∑
dan
∑ ∑
Masing-masing JK di atas memiliki derajat kebebasan (dk), yang besarnya k
untuk JK(Reg) dan (n-k-1) untuk JK(S). Selanjutnya dibentuk statistik F dengan
rumus
⁄
⁄
Dengan dk pembilang k dan dk penyebut (n-k-1). Statistik F inilah yang
dipakai untuk menguji keberartian regresi dan jika F hitung dari rumus di atas
disimpulkan bahwa regresi yang diperoleh berarti. Dalam hal lainnya, regresi
dinyatakan tidak berarti.
Untuk mempermudah dalam perhitungan, maka besaran-besaran yang
diperlukan akan disajikan pada Tabel (lampiran)
Karena Fhitung=23,8786 > Ftabel=3,9, maka dapat disimpulkan bahwa regresi yang
diperoleh berarti. Taksiran yang bisa dibuat berdasarkan persamaan regresi adalah
mengenai peramalan banyaknya mobil yang terjual yang didasarkan pada indeks
harga mobil baru, indeks harga konsumen, pendapatan pribadi, tingkat bunga, dan
banyaknya tenaga kerja. Untuk melengkapi penaksiran maka terlebih dahulu
dilakukan uji keberartian koefisiensi regresi (besaran yang digunakan dapat dilihat
di lampiran). Kriteria yang digunakan adalah jika thitung > ttabel maka koefisien
regresi berarti. Dalam hal lainnya koefisien regresi tidak berarti. Untuk
mempermudah proses pengujian keberartian dari setiap variabel bebas, maka
perhatikan Tabel 4.8
Tabel 4.8 Nilai-Nilai Untuk Pengujian Keberartian Koefisien
Variabel Bebas thitung t(0,05;24)
X1
X2
X3
X4
X5
0,061
3,046
9,005
0,088
12,146
2,8
Sumber : Lampiran
Berdasarkan Tabel 4.8, maka koefisien yang berarti ialah pada variabel X2,
X3, dan X5. Berdasarkan pada persamaan yang telah diperoleh, maka dapat
Edi Purwanto, 2014
PENGGUNAAN REGRESI AKAR LATEN UNTUK MEMPREDIKSI PENJUALAN MOBIL DI AMERIKA
SERIKAT TAHUN 1961-1990
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
ditinjau dari banyaknya tenaga kerja, maka diperkirakan rata-rata penjualan mobil
meningkat sebesar 0,001825 ribu unit jika banyaknya penduduk meningkat
Besaran-besaran untuk Menguji Keberartian Regresi
Y X1 X2 X3 X4 X5
Edi Purwanto, 2014
PENGGUNAAN REGRESI AKAR LATEN UNTUK MEMPREDIKSI PENJUALAN MOBIL DI AMERIKA
SERIKAT TAHUN 1961-1990
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
X1 Y X2 Y X3 Y X4 Y X5 Y
Edi Purwanto, 2014
PENGGUNAAN REGRESI AKAR LATEN UNTUK MEMPREDIKSI PENJUALAN MOBIL DI AMERIKA
SERIKAT TAHUN 1961-1990
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
0
∑ ∑ ∑
∑ ∑ ∑
∑ ∑ ∑
∑ ∑ ∑
∑ ∑ ∑
Edi Purwanto, 2014
PENGGUNAAN REGRESI AKAR LATEN UNTUK MEMPREDIKSI PENJUALAN MOBIL DI AMERIKA
SERIKAT TAHUN 1961-1990
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
RIWAYAT HIDUP
Nama : Edi Purwanto
Tempat Tanggal Lahir : Sukoharjo, 23 Desember 1990
Alamat : Jalan Antapani Nomor 7 RT:06 RW:03 Cicaheum
Email : ediii.purwanto@gmail.com
Golongan Darah : B
Riwayat Pendidikan :
SD CICAHEUM II (1997-2003)
SMP NEGERI 49 BANDUNG (2003-2006)
SMA NEGERI 27 BANDUNG (2006-2009)