BAB 3 ANALISIS REGRESI LINIER
3.8 Analisis Regresi Linier Sederhana dengan
Pada bagian ini akan diberikan contoh analisis pengaruh jumlah tenaga kerja (orang) terhadap banyaknya hasil produksi
daging sapi olahan (kemasan) pada suatu perusahaan industri makanan halal menggunakan metode analisis regresi linier se- derhana. Jumlah tenaga kerja sebagai variable independen (X) sedangkan banyaknya hasil produksi sebagai variable dependen (Y). Berikut ini adalah data dari variable jumlah tenaga kerja dan hasil produksi.
Tahun Hasil Produksi (Kemasan)
Tenaga Kerja (Orang)
2001 16608 276
2002 17511 274
2003 20171 270
2004 20933 267
2005 20406 268
2006 20832 275
2007 24806 283
2008 26466 301
2009 27403 308
2010 28629 304
2011 29905 305
2012 27508 299
2013 29036 296
2014 29282 299
2015 31536 288
Tabel 3.1 Data variable independen dan dependen
Untuk mengolah data menggunakan software eviews langkah- langkah yang perlu dilakukan adalah :
1. Menginput data pada eviews atau menginport data dari file MS. Excell
2. Klik menu Quick à Estimate Equation sehigga di layar akan muncul seperti berikut :
Gambar 3.1 Mengisikan Persamaan Regresi
Secara default, jenis metode yang ditampilkan eviews adalah LS-Least Square. Metode ini disebut juga dengan metode Ordinary Least Square (OLS), maka akan didapatkan output Eviews sebagai berikut :
Gambar 3.2 Hasil analisis regresi linier sederhana dengan Eviews 10
Dari output Eviews pada gambar 3.2, dapat dihasilkan analisis sebagai berikut :
a. Model Regresi
Model regresi yang dihasilkan adalah:
ܻ ൌെͷʹͷͶǡͶ ሺʹͻǡͳͷʹͳ כ ሻ ɂ atau dapat ditulis menjadi :
Hasil Produksi=-52654,74+(269,1521*Jumlah Tenaga Kerja)+ε Dari model regresi di atas, dapat diinterpretasikan bahwa setiap penambahan 1 orang tenaga kerja dapat meningkatkan hasil produksi sebanyak 269,1521 unit (dibulatan menjadi 269 unit).
b. Uji Kecocokan Model (Uji F) 1) Hipotesis :
H0 : Model tidak cocok H1 : Model cocok
2) Taraf Signifikansi α=5%=0,05 3) Statistik Uji
Prob(F-statistic)=0,000160 4) Kriteria Penolakan
Tolak H0 jika nilai Prob(Fstatistic)<α 5) Kesimpulan
H0 ditolak karena nilai Prob(Fstatistic)=0,000160 < α=0,05.
Dengan demikian dapat disimpulkan bahwa model cocok.
c. Uji Individual ( Uji t) 1) Hipotesis :
H0 : β1 = 0 (banyaknya tenaga kerja tidak berpengaruh signifikan terhadap banyaknya hasil produksi) H1 :β1 ≠0 (banyaknya tenaga kerja berpengaruh signifi
kan terhadap banyaknya hasil produksi)
2) Taraf Signifikansi α=5%=0,05 3) Statistik Uji
Prob=0,0002 4) Kriteria Penolakan
Tolak H0 jika nilai Prob<α 5) Kesimpulan
H0 ditolak karena nilai Prob=0,0002 < α=0,05. Dengan demikian dapat disimpulkan bahwa banyaknya tenaga kerja berpengaruh signifikan terhadap banyaknya hasil pro duksi.
d. R2 dan ܴതଶ
Berdasarkan output pada gambar 3.2 nilai R2 atau R-squared adalah 0,678586 dibulatkan menjadi 0,678. Dengan demikian dapat disimpulkan bahwa banyaknya hasil produksi di- pengaruhi oleh banyaknya tenaga kerja sebanyak 67,8%. Se- dangkan sisanya dipengaruhi oleh factor lain yang belum masuk di dalam model.
Di dalam analisis regresi, terdapat dua macam koefi si
en determinasi, yaitu R-squared (R2) dan Adjusted R-square
ቀܴഥʹቁ. Penggunakan R Square (R Kuadrat) sering menimbulkan per masalahan, yaitu bahwa nilainya akan selalu meningkat seiring dengan bertambahnya variabel independen dalam suatu model. Hal ini akan menimbulkan bias, karena jika ingin memperoleh model dengan R tinggi, seorang penelitian dapat dengan mudah saja menambahkan variabel dependen sehingga nilai R Square akan meningkat, tidak tergantung apakah variabel independent tambahan tersebut berkorelasi dengan variabel dependen atau tidak. Oleh karena itu, banyak peneliti yang menyarankan untuk menggunakan Adjusted R Square. Interpretasinya sama dengan R Square, namun tetapi nilai Adjusted R Square dapat naik atau turun dengan adanya penambahan variabel baru, tergantung dari korelasi antara
variabel independen tambahan tersebut terhadap variabel dependennya. Pada kasus ini nilai Adjusted R Square adalah 0,653862.
Setelah dilakukan uji hipotesis (uji F dan uji t), langkah se- lanjutnya adalah melakukan uji asumsi klasik. Asumsi klasik untuk analisis regresi linier sederhana meliputi normalitas, linie- ritas, autokorelasi, dan homogenitas varian.
1. Normalitas
Uji normalitas dilakukan terhadap residual/ eror. Salah satu pengujian yang dapat dilakukan adalah dengan uji Jarque- Bera. Langkah-langkah untuk melakukan pengujian ini adalah dengan klik View à Residual Diagnostics à Histo- gram-Normality Test. Selanjutnya didapatkan output se ba- gai berikut :
Gambar 3.3. Uji Normalitas Hasil analisis :
1) Hipotesis :
H0 : Residual berdistribusi normal H1 : Residual berdistribusi normal
2) Taraf Signifikansi α=5%=0,05 3) Statistik Uji
Probability=0,669046 4) Kriteria Penolakan
Tolak H0 jika nilai Probability <α 5) Kesimpulan
H0 gagal ditolak karena nilai Probability = 0,669046 >
α=0,05. Dengan demikian dapat disimpulkan bahwa re- sidual berdistribusi normal atau asumsi normalitas ter- penuhi.
2. Linieritas
Uji Linearitas dengan Eviews dapat dilakukan dengan meng - gunakan uji Ramsey Reset Test, dengan cara klik View à Stability Diagnostics à Ramsey RESET Test… Dengan de- mikian output yang dihasilkan adalah sebagai berikut :
Gambar 3.4. Uji Linieritas
Jika nilai Probability yang ditunjukkan pada kolom probability baris F-statistics. Jika hasilnya > 0,05 dapat disimpulkan bahwa
variabel bebas linear dengan variabel terikat. Berdasarkan output yang ditampilkan pada gambar 3.5 dapat disimpulkn bahwa asumsi linieritas terpenuhi karena Probability pada F-statistic=0,3254>0,05.
3. Autokorelasi
Pengujian ada atau tidaknya gejala autokorelasi dapat di la- kukan dengan uji Breusch-Godfrey (Uji Langrange-Multi- plier). Klik View à Residual Diagnostics à Serial Correlation LM Test.. Dengan demikian, dari hasil komputasi didapat kan hasil sebagai berikut:
Gambar 3.5. Uji Gejala Autokorelasi dengan UJi Breusch-Godfrey Pada gambar 3.5 nampak bahwa nilai Prob. Chi-Square (2) =
0,2302, yaitu lebih besar dari α=0,05. Dengan demikian dapat disimpulkan bahwa tidak terdapat gejala autokorelasi.
4. Homogenitas Varian
Untuk mengujian asumsi homogenitas varian, dapat diguna- kan uji Glejser. Inti dari uji Glejser adalah meregresikan variable independent dengan nilai absolut residual. Adanya gejala heteroskedastisitas ditandai dengan hasil uji t yang signifikan pada (setiap) koefisien parameter untuk variable independent. Dengan eviews, uji Glejser dapat dilaku kan dengan klik Viewà Residual Diagnostics à Hetero skeda- sticity Tests.. Kemudian pilihlah uji Glejser dalam kolom Test Type. Dengan demikian, didapatkan hasil komputasi sebagai berikut :
Gambar 3.6. Uji Gejala Heteroskedastisitas dengan Uji Glejser
Pada gambar 3.6. Nampak bahwa nilai Prob. untuk variable X (tenaga kerja) 0,7590>α=0,05. Dengan demikian dapat di- simpulkan bahwa tidak ada gejala heteroskedastisitas atau asumsi homogenitas varian terpenuhi.
3.9 ANALISIS REGRESI LINIER BERGANDA DENGAN