1 BAB I PENDAHULUAN 1. Definisi
1.1Analisis Regresi Linier 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) 1.2Regresi
Secara umum, analisis regresi pada dasarnya adalah studi mengenai ketergantungan satu variabel dependen (terikat) dengan satu atau lebih variabel independent (variabel penjelas/bebas), dengan tujuan untuk mengestimasi dan/ atau memprediksi rata-rata populasi atau niiai rata-rata variabel dependen berdasarkan nilai variabe! independen yang diketahui. Pusat perhatian adalah pada upaya menjelaskan dan mengevalusi hubungan antara suatu variabel dengan satu atau lebih variabel independen.
penyimpangan antara nilai actual dan nilai estimasi variable dependen; Kedua, mengoptimalkan korelasi antara nilai actual dan nilai estimasi variable dependen berdasarkan data yang ada. Teknik estimasi variable dependen yang melandasi analisis regresi disebut Ordinary Least Squares (pangkat kuadrat terkecil biasa).
1.3Korelasi
Korelasi merupakan teknik analisis yang termasuk dalam salah satu teknik pengukuran asosiasi / hubungan (measures of association). Pengukuran asosiasi merupakan istilah umum yang mengacu pada sekelompok teknik dalam statistik bivariat yang digunakan untuk mengukur kekuatan hubungan antara dua variabel. Diantara sekian banyak teknik-teknik pengukuran asosiasi, terdapat dua teknik korelasi yang sangat populer sampai sekarang, yaitu Korelasi Pearson Product Moment
dan Korelasi Rank Spearman. Selain kedua teknik tersebut, terdapat pula teknik-teknik korelasi lain, seperti Kendal, Chi-Square, Phi Coefficient, Goodman-Kruskal, Somer, dan Wilcoxon.
2. Studi Kasus
Ada beberapa kasus yang harus diselesaikan dalam praktikum Analisis Regresi Terapan dengan menggunakan programSPSS yaitu:
1. Diperkirakan banyaknya kaleng yang rusak dalam suatu pengiriman dengan mobil pengangkut merupakan fungsi dari kecepatan mobil pengangkut. Tiga belas mobil pengangkut yang dipilih secara acak digunakan untuk memeriksa apakah perkiraan ini benar atau tidak. Data yang diperoleh adalah sebagai berikut. Apa kesimpulan anda? (Gunakan )
3 BAB II
DESKRIPSI KERJA
Dalam praktikum Analisis Regresi Terapan modul kedua ini akan dijelaskan deskripsi atau langkah-langkah kerja sesuai dengan studi kasus yang ada. Praktikan akan menggunakan SPSS untuk mengerjakan data tersebut. Adapun langkah-langkahnya sebagai berikut :
2.1 Studi kasus 1
2.1.1 Mengoperasikan SPSS dengan dengan menjalankan kursor pada lambang
Start All Programs IBM SPSS Statistics 21 atau praktikan dapat langsung memilihnya pada dekstop.
2.1.2 Memasukan variable data pada variable view sesuai dengan data yang diketahui. Seperti gambar berikut:
Gambar 2.1.1 Memasukan data, pada variable view
2.1.3 Praktikan memasukan nilai data pada data view dan harus sesuai dengan tabel data yang sudah diketahui. Seperti gambar berikut:
Gambar 2.1.2 Memasukan nilai data
2.1.4 Praktikan melakukan uji korelasi dengan memilih analyze pada menu bar
Gambar 2.1.3 Mengatur variabel pada bivariate correlations
2.1.5 Praktikan membuat scatter plot dengan menu graphs legacy dialogs scatter/dot. Dan akan muncul tampilan seperti gambar berikut:
Gambar 2.1.4 Membuat scatter dengan menu graph
2.1.6 Praktikan membuat scatter plot dengan menu graphs legacy dialogs scatter/dot. Dan akan muncul tampilan seperti gambar berikut:
5
2.2 Studi kasus 2
2.2.1 Memasukan variable data pada variable view sesuai dengan data yang diketahui. Seperti gambar berikut:
Gambar 2.2.1 Memasukan data, pada variable view
2.2.2 Praktikan memasukan nilai data pada data view dan harus sesuai dengan tabel data yang sudah diketahui. Seperti gambar berikut:
Gambar 2.2.2 Memasukan nilai data
2.2.3 Praktikan melakukan uji korelasi dengan memilih analyze pada menu bar
kemudian memilih correlate bivariate, kemudian mengatur variable view
yang ada dan memindahkan pada kolom sebelah kanan, kemudian mengatur
corellation coefficients dan test of significance. Dan akan muncul tampilan seperti gambar berikut:
2.2.4 Praktikan melakukan uji regresi dengan memilih analyze pada menu bar
kemudian memilih regression linier, kemudian mengatur variable dependent dan independent. Dan akan muncul tampilan seperti gambar berikut:
Gambar 2.2.4 Mengatur variabel dependent dan independent
2.2.5 Kemudian lanjutan dari pengaturan diatas, praktikan memilih statistics. Dan akan muncul tampilan seperti gambar berikut:
Gambar 2.2.5 Mengatur statistics pada linier regression
2.2.6 Selanjutnya pilih sub menu save dan tandai unstandardized pada residuals
7
Gambar 2.2.6 Menandai unstandardized pada residuals
2.2.7 Selanjutnya pilih sub menu options kemudian mengatur use probability of F
menjadi 0.05 atau tingkat signifikansi 5%. Dan akan muncul tampilan seperti gambar berikut:
Gambar 2.2.7 Menandai unstandardized pada residuals
2.2.8 Praktikan membuat scatter plot dengan menu graphs legacy dialogs scatter/dot. Dan akan muncul tampilan seperti gambar berikut:
2.2.9 Praktikan membuat scatter plot dengan menu graphs legacy dialogs scatter/dot. Dan akan muncul tampilan seperti gambar berikut:
9 BAB III PEMBAHASAN
Pada pembahasan ini praktikan menjelaskan hasil output dari masing-masing data yang praktikan kerjakan berdasarkan studi kasus yang ada. Pembahasan akan di jabarkan oleh praktikan sebagai berikut :
3.1 Studi kasus 1
Tabel 3.1 Tabel korelasi studi kasus 1
Correlations
kecepatan_mobil banyaknya_kaleng_rusak
kecepatan_mobil
Pearson Correlation 1 -.001
Sig. (2-tailed) .998
N 13 13
banyaknya_kaleng_rusak
Pearson Correlation -.001 1
Sig. (2-tailed) .998
N 13 13
Dari Tabel 3.1 diatas dapat diketahui bahwa :
Korelasi antara kecepatan mobil dengan banyaknya kaleng rusak, didapat angka -0,001. Dapat dilihat dari nilai N karena tidak ada data yang hilang. Maka data yang diproses adalah 13 atau jumlah data yang berkorelasi adalah 13. Dengan mengetahui korelasinya jauh dari angka antara angka 0 atau pun mendekati angka 1 pun jauh sekali, sehingga praktikan tidak perlu mencari regresi dari data tersebut. Jika ingin menguji hipotesis bahwa kecepatan mobil dengan banyaknya kaleng yang rusak, ada hubungan maka untuk uji hipotesisnya seperti berikut:
a. Menentukan hipotesis
H0: Tidak ada hubungan antara kecepatan mobil dengan banyaknya kaleng
rusak
H1: Ada hubungan antara kecepatan mobil dengan banyaknya kaleng rusak
b. Menentukan tingkat signifikansi α= 0,05.
sig. (2-tailed) < , tolak H0
d. Statistik uji
Sig. (2-tailed) : 0,998
: 0,025
e. Keputusan
Sig. (2-tailed) ≥ , gagal tolak H0
f. Kesimpulan
Dengan tingkat kepercayaan 95% data yang ada gagal menolak H0 atau tidak
ada hubungan kecepatan mobil dengan banyaknya kaleng rusak 3.1.1 Scatter Plot
Gambar 3.1 Scatter plot studi kasus 1
11
3.2 Studi kasus 2
Tabel 3.2 Tabel korelasi studi kasus 2
Correlations
PENJUALAN IKLAN
PENJUALAN
Pearson Correlation 1 .596**
Sig. (2-tailed) .002
N 25 25
IKLAN
Pearson Correlation .596** 1
Sig. (2-tailed) .002
N 25 25
Dari Tabel 3.2 diatas dapat diketahui bahwa : a. Menentukan hipotesis
H0: Tidak ada hubungan antara penjualan dengan iklan
H1: Ada hubungan antara penjualan dengan iklan
b. Menentukan tingkat signifikansi α= 0,05.
Dengan tingkat kepercayaan 95% data yang ada tolak H0 atau ada hubungan
3.2.1 Regresi
Tabel 3.3 Tabel regresi studi kasus 2
Model Summaryb koefisien korelasi. Pada hasil di atas nilai korelasinya adalah 0,596. Nilai korelasi di atas menunjukkan bahwa hubungan antara penjulan dengan iklan adalah kuat karena nilai korelasinya adalah 0,596 > 0,05. Nilai R Square atau koefisien determinasi menunjukkan seberapa bagus model regresi yang dibentuk oleh interaksi variabel bebas dan variabel terikat. Nilai R Square adalah 0,355 atau pengaruh iklan terhadap penjualan adalah sebesar 35,5% sedangkan sisanya dipengaruhi oleh faktor lain diluar iklan. Untuk variabel independen lebih dari dua sebaiknya menggunakan Adjusted R Square yang nilainya 0,327. Std. Error of the Estimate adalah tingkat ketepatan prediksi regresi, dimana semakin kecil angkanya maka semakin baik prediksinya. Nilainya Std. Error of the Estimate
adalah 1076.87447.
Tabel 3.4 Hasil regresi uji overall
ANOVAa
Model Sum of Squares df Mean Square F Sig.
1
Regression 14707400.582 1 14707400.582 12.683 .002b
Residual 26672148.344 23 1159658.624
Total 41379548.927 24
13
a. Menentukan hipotesis H0: β0= β1 = 0.
H1: Ada satu βi ≠ 0, i = 0,1.
b. Menentukan tingkat signifikansi α= 0,05.
c. Daerah kritis
jika sig. (2-tailed) < tingkat signifikansi α= 0,05, tolak H0
jika Fhitung˃ Ftabel. , tolak H0
signifikansi yaitu 0,000 < 0,05 f. Kesimpulan
Dengan tingkat signifikansi 0,05, diperoleh kesimpulan bahwa ada satu βi ≠ 0,
i = 0,1. Maka model regresi ini dapat dipakai untuk memprediksi jumlah rata-rata penjualan. Jadi penjualan berpengaruh terhadap iklan yang ada.
Tabel 3.5 Hasil regresi uji parsial
Coefficientsa
Model Unstandardized Coefficients Standardized
Coefficients persamaan regresi. Untuk mengetahui model persamaan regresi, dapat dilihat pada kolom Unstandardized Coefficients B. Dari hasil di atas diperoleh model persamaan regresi yaitu :
Koefisien b dinamakan koefisien arah regresi dan menyatakan perubahan rata-rata penjualan untuk setiap perubahan iklan sebesar satu satuan. Perubahan ini merupakan pertambahan bila b bertanda positif dan penurunan bila b bertanda negatif. Sehingga dari persamaan tersebut dapat diketahui :
1. Konstanta sebesar 2106.092 menyatakan bahwa jika tidak ada nilai Trust
maka nilai partisipasi sebesar 2106.092.
2. Koefisien regresi X sebesar 0.291 menyatakan bahwa setiap penambahan 1 nilai Trust, maka nilai partisipasi bertambah sebesar 0.291
Untuk uji parsial menggunakan uji hipotesis seperti berikut: a. Menentukan hipotesis
H0: β0 = 0.
H1: β0 ≠ 0.
b. Menentukan tingkat signifikansi α= 0,05.
signifikansi yaitu 0,002 < 0,05. f. Kesimpulan
Dengan tingkat signifikansi 0,05, diperoleh kesimpulan bahwa β0 ≠ 0 atau
15
3.2.2 Scatter Plot
Gambar 3.2 Scatter plot studi kasus 2
16 berikut:
1. Dengan tingkat kepercayaan 95% data yang ada gagal menolak H0 atau tidak
ada hubungan kecepatan mobil dengan banyaknya kaleng rusak.
2. Dengan mengetahui korelasinya jauh dari angka antara angka 0 atau pun mendekati angka 1 pun jauh sekali, sehingga praktikan tidak perlu mencari regresi dari data tersebut.
3. Dengan membuat scatter plot praktikan dapat mengetahui hubungan antara kecepatan mobil dengan banyaknya kaleng yang rusak sangatlah kecil atau tidak ada hubungan.
4. Dengan uji korelasi pada studi kasus 2, dapat dikethaui dengan tingkat kepercayaan 95% data yang ada tolak H0 atau ada hubungan antara penjualan
dengan iklan.
5. Dengan melakukan uji regresi, diketahui dengan tingkat signifikansi 0,05, diperoleh kesimpulan bahwa ada satu βi ≠ 0, i = 0,1. Maka model regresi ini
dapat dipakai untuk memprediksi jumlah rata-rata penjualan. Jadi penjualan berpengaruh terhadap iklan yang ada.
6. Dengan melakukan uji overall diketahui dengan tingkat signifikansi 0,05, diperoleh kesimpulan bahwa β0 ≠ 0 atau model sesuai.
17
DAFTAR PUSTAKA
Purwaningsih, Tuti. 2013. Modul Praktikum Analisis Regresi Terapan. Yogyakarta: Universitas Islam Indonesia.
Widyago. Minggu, 03 April 2011. Pengertian Regresi dan Korelasi. https://widyago.wordpress.com/2011/04/03/pengertian-regresi-dan-korelasi/. Diakses pada tanggal 21 April 2015.