Laporan 2 Analisis Regresi Terapan

BAB I
PENDAHULUAN
1. Definisi
1.1 Analisis 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)

1.2 Regresi
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.
Hasil analisis regresi adalah berupa koefisien regresi untuk masingmasing variable independent. Koefisien ini diperoleh dengan cara
memprediksi nilai variable dependen dengan suatu persamaan. Koefisien
regresi dihitung dengan dua tujuan sekaligus : Pertama, meminimumkan

1

2

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).
1.3 Korelasi
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 program SPSS 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

)

2. PT. Suka Mundur melakukan penjualan sebuah produk. Data variabel
berikut diperoleh dari sampel acak sebanyak 25 wilayah penjualan.
Berdasarkan data pada Tabel 2, lakukan identifikasi apakah iklan mampu
mempengaruhi jumlah penjualan produk tersebut?

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

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:

3

4

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:

Gambar 2.1.5 Membuat scatter dengan menu graph

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:

Gambar 2.2.3 Mengatur variabel pada bivariate correlations

6

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
lalu pilih continue. Dan akan muncul tampilan seperti gambar berikut:

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:

Gambar 2.1.8 Membuat scatter dengan menu graph

8

2.2.9

Praktikan membuat scatter plot dengan menu graphs  legacy dialogs 

scatter/dot. Dan akan muncul tampilan seperti gambar berikut:

Gambar 2.1.9 Membuat scatter dengan menu graph

BAB III
PEMBAHASAN
Pada pembahasan ini praktikan menjelaskan hasil output dari masingmasing 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
Pearson Correlation

kecepatan_mobil

1

-.001
.998

Sig. (2-tailed)
N
Pearson Correlation

banyaknya_kaleng_rusak

banyaknya_kaleng_rusak

13

13

-.001

1

.998

Sig. (2-tailed)
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.
c. Daerah kritis

9

10

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
Dari gambar tersebut diketahui bahwa maka bisa disimpulkan bahwa hubungan
antara kecepatan mobil dengan banyaknya kaleng yang rusak sangatlah kecil atau
tidak ada hubungan.

11

3.2

Studi kasus 2
Tabel 3.2 Tabel korelasi studi kasus 2
Correlations

Pearson Correlation
PENJUALAN

PENJUALAN

IKLAN

1

.596**
.002

Sig. (2-tailed)
N

25

25

Pearson Correlation

.596**

1

Sig. (2-tailed)

.002

N

25

IKLAN

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.
c. Daerah kritis
sig. (2-tailed) <

, tolak H0

d. Statistik uji
Sig. (2-tailed)

: 0,002
: 0,025

e. Keputusan
Sig. (2-tailed) <

, tolak H0

f. Kesimpulan
Dengan tingkat kepercayaan 95% data yang ada tolak H0 atau ada hubungan
antara penjualan dengan iklan

12

3.2.1

Regresi
Tabel 3.3 Tabel regresi studi kasus 2
Model Summaryb
Model

1

R

R Square

.596a

Adjusted R

Std. Error of the

Square

Estimate

.355

.327

1076.87447

Hasil di atas menampilkan nilai R yang merupakan simbol dari nilai
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

1

Sum of Squares

df

Mean Square

Regression

14707400.582

1

14707400.582

Residual

26672148.344

23

1159658.624

Total

41379548.927

24

F
12.683

Sig.
.002b

Hasil di atas digunakan untuk uji overall. Dari uji ANOVA atau F-test, diperoleh
bahwa nilai F-hitung adalah 12.683 dengan tingkat signifikansi sebesar 0,002.
Jika ingin menguji hipotesis seperti berikut:

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
d. Statistik uji
Sig. (2-tailed) = 0,002.
Fhitung = 12.683
e. Keputusan
Tolak H0 atau H1 diterima karena nilai probabilitas sig.(2-tailed) < tingkat
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 ratarata penjualan. Jadi penjualan berpengaruh terhadap iklan yang ada.
Tabel 3.5 Hasil regresi uji parsial
Coefficientsa
Model

Unstandardized Coefficients

Standardized

t

Sig.

Coefficients
B
(Constant)

Std. Error

2106.092

416.241

.291

.082

Beta
5.060

.000

3.561

.002

1
IKLAN

.596

Hasil di atas digunakan untuk uji parsial dan juga mencari model
persamaan regresi. Untuk mengetahui model persamaan regresi, dapat dilihat
pada kolom Unstandardized Coefficients B. Dari hasil di atas diperoleh model
persamaan regresi yaitu :
Y = 2106.092+ 0.291X

14

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.
c. Daerah kritis
H0 ditolak jika sig. (2-tailed) < tingkat signifikansi α= 0,05.
H0 ditolak jika thitung ˃ ttabel
d. Statistik uji
Sig. (2-tailed) = 0,002.
Fhitung = 3.561
e. Keputusan
Tolak H0 atau H1 diterima karena nilai probabilitas sig.(2-tailed) < tingkat
signifikansi yaitu 0,002 < 0,05.
f. Kesimpulan
Dengan tingkat signifikansi 0,05, diperoleh kesimpulan bahwa β0 ≠ 0 atau
model sesuai.

15

3.2.2

Scatter Plot

Gambar 3.2 Scatter plot studi kasus 2
Dapat diketahui dari gambar scatter plot diatas, maka iklan dan penjualan
menunjukan hubungan yang positif. Peningkatan yang terjadi pada iklan juga
diikuti dengan peningkatan pada penjualan. Dan jika penjualan mengalami
penurunan maka iklan juga mengalami penurunan.

BAB IV
PENUTUP
Berdasarkan

hasil

praktikum

Analisis

Regresi

Terapan

dengan

menggunakan SPSS, maka praktikan dapat menyimpulkan beberapa hal sebagai
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.
7. Dengan membuat scatter plot praktikan dapat mengetahui iklan dan penjualan
menunjukan hubungan yang positif. Peningkatan yang terjadi pada iklan juga
diikuti dengan peningkatan pada penjualan. Dan jika penjualan mengalami
penurunan maka iklan juga mengalami penurunan.

16

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-dankorelasi/. Diakses pada tanggal 21 April 2015.
Caesario. Kamis, 06 Juni 2013. Analisis Regresi Linier Sederhana. http://caesarionanda.blogspot.com/2013/06/analisis-regresi-linier-sederhana.html.
Diakses pada tanggal 21 April 2015.

17