2016

MODUL PRAKTIKA KOMPUTER UNTUK RISET PASAR DAN PENJUALAN Semester Ganjil 2015/2016 Disusun Oleh:

1. Ganjar Mohammad Disastra, SH., MM 2. Widya Sastika, ST., MM

NAMA

:

NPM

:

KELAS

:

D3 MANAJEMEN PEMASARAN TELKOM APPLIED SCIENCE SCHOOL TELKOM UNIVERSITY 2015

Jadwal perkuliahan Praktika Komputer Untuk Riset Pasar dan Penjualan 2015/2016: Pertemuan

Topik Mata Kuliah

Pertemuan I

Pengenalan Software SPSS

Pertemuan II

Deskriptif Statistik Menggunakan SPSS

Pertemuan III

Uji Validitas & reliabilitas Kuesioner

Pertemuan IV

Korelasi

Pertemuan V

Regresi Linier Sederhana

Pertemuan VI

Regresi Linier Berganda

Pertemuan VII

Regersi Linier dengan Variabel Dummy

Pertemuan VIII

Trend Linier

Pertemuan IX

Autoregressive

Pertemuan X

Uji Beda 2 Sampel Berhubungan

Pertemuan XI

ANOVA

Pertemuan XII

Analisis Faktor

CATATAN: 1.

Keterlambatan maksimal 15 menit.

2. Berpakaian Rapi (Kemeja, Sepatu Tertutup). 3. Ketidakhadiran Max 3 kali (apapun alasannya), jika lebih maka nilainya E 4. Buku Referensi: a. Step By Step IBM SPSS 21 : Analisis Data Statistik, C Trihendradi, 2013. b. Statistik itu mudah, SPSS 16, Jonathan Sarwono, 2009. D3 Manajemen Pemasaran

Page 2

Pertemuan ke 1 PENGENALAN SOFTWARE SPSS SPSS atau singkatan Statistical Product and Service Solution merupakan program aplikasi yang digunakan untuk melakukan penghitungan statistic dengan menggunakan computer. Kelebihan program ini adalah kita dapat melakukan secara lebih cepat semua perhitungan statistic dari yang sederhana sampai yang rumit sekalipun yang jika kita lakukan secara manual akan memakan waktu yang lebih lama. Menu dalam SPSS dibagi menjadi dua kategori, yaitu menu utama dan submenu. Menu pada dasarnya dibagi menjadi dua bagian besar, yaitu menu untuk perintah operasi dan menu untuk analisis statistic. Pada menu yang berfungsi untuk operasi program sebagian besar mempunyai fungsi sama dengan perintah-‐perintah di Microsoft Office, misalnya fungsi submenu-‐ submenu pada menu file dan edit. Menu yang penting pada SPSS terletak pada menu analyze karena pada menu ini semua teknik-‐teknik analisis yang disediakan SPSS. Menu-‐menu tersebut terdiri atas : a. Menu File Menu file dipergunakan untuk membuka, menutup file, dan lain –lain yang berkaitan dengan pemrosesan file. b. Menu Edit Menu edit dipergunakan untuk proses editing, misalnya copy, delete, undo, dan lain-‐lain. c. Menu View Menu view digunakan untuk melihat tampilan SPSS. d. Menu Data Menu data digunakan untuk melakukan pemrosesan data. e. Menu Transforn Menu transform digunakan untuk melakukan perubahan-‐perubahan atau penambahan data. f.

Menu Analyse Menu Analyse merupakan menu di mana kita melakukan analisis data yang telah kita masukkan ke dalam computer. Menu ini merupakan menu terpenting karena semua pemrosesan dan analisis data dilakukan dengan menggunakan menu hari.

g. Menu Graphs Menu graphs dipergunakan untuk membuat grafik. D3 Manajemen Pemasaran

Page 3

h. Menu Utilities Menu utilities dipergunakan untuk mengetahui informasi variable, informasi file, dan lain-‐ lain. i.

Menu Add-‐ons Menu add-‐ons digunakan untuk memberikan perintah kepada SPSS jika kita ingin menggunakan aplikasi tambahan, misalnya menggunakan aplikasi Amos, SPSS data entry, text analysis dan sebagainya.

j.

Menu Windows Menu Windows dipergunakan untuk melakukan perpindahan dari satu file ke file lainnya.

k. Menu Help Menu help dipergunakan untuk membantu pengguna dalam memahami perintah-‐ perintah SPSS jika pengguna mengalami kesulitan. CARA MEMULAI SPSS

Cara memulai SPSS adalah sebagai berikut : a. Pilih menu Start dari Windows b. Selanjutnya, pilih menu Program c. Pilih IBM SPSS 21 d. SPSS siap dipergunakan. Jika ingin membuka file, silahkan pilih nama file dan klik Open. Jika akan memulai mendesain variable dan memasukkan data, pilihlah Cancel.

Gambar 1.1 Kotak Dialog IBM SPSS Statistic 21 D3 Manajemen Pemasaran

Page 4

CARA MENDESAIN VARIABEL 1.

Memberi Nama Variabel Sebelum pengguna memasukkan data dan memprosesnya, pengguna SPSS harus memberi nama variable dan mendefinisikannya. Memberi nama variable sebaiknya secara singkat dan jelas, misalnya “nama” “tunjangan”, “lama kerja”, “gender”, dan lain-‐lain. Yang perlu diingat bagi pengguna adalah pemberian nama variable di SPSS harus secara singkat dengan menggunakan karakter atau kombinasi antara karakter dan angka dan tidak boleh dengan spasi.

2. Menyusun Definisi Variabel Untuk menyusun definisi variable, posisi tampilan SPSS harus berada pada “ Variabel View”. Lakukan pilihan submenu Variabel View di sebelah kiri bawah. Setelah tampilan pada posisi tersebut, kita dapat menyusun definisi variable dengan cara sebagai berikut : •

Name : Pilihan Name untuk memasukkan nama variable, misalnya “Nama”.

•

Type : Pilihan Type untuk mendefinisikan tipe variable apakah itu bersifat numeric atau string.

•

Width : Pilihan Width untuk menuliskan panjang pendek variable.

•

Decimal : Pilihan Decimal untuk menuliskan jumlah decimal di belakang koma.

•

Label : Pilihan Label untuk menuliskan label variable.

•

Values : Pilihan Values untuk menuliskan nilai kuantitatif dari variable yang skala pengukurannya ordinal dan nominal bukan scale.

•

Missing : Pilihan Missing untuk menuliskan ada dan tidaknya jawaban kosong.

•

Columns : Pilihan Columns untuk menuliskan lebar kolom.

•

Align : Pilihan Align untuk menuliskan rata kanan, kiri atau tengah penempatan teks atau angka di Data View.

•

Measure : Pilihan Measure untuk menentukan skala pengukuran variable misalnya nominal, ordinal, atau Scale.

Gambar 1.2 Sheet “Variable View” D3 Manajemen Pemasaran

Page 5

3. Contoh Desain Variabel Dalam contoh ini kita mempunyai 2 variabel yaitu “nama” dan “gender”. Kedua variable tersebut akan kita deskripsikan sebagai berikut : •

Nama (variable 1)

•

Gender (variable 2) dengan diberi nilai atau values : pria = 1, dan wanita = 2.

Jika kedua variable tersebut akan dimasukkan ke dalam “Variabel View”, maka ketentuannya sebagai berikut :

Gambar 1.3 Kotak Dialog Value Labels CARA MENGISIKAN DATA

Untuk proses pengisian data, di bawah ini contoh berupa data profil responden yang kita

teliti akan kita masukkan ke dalam desain variable di atas. Data di atas dapat dipahami sebagai berikut : •

Jumlah data sebanyak 10 atau disebut jumlah yang dalam SPSS disebut baris.

•

Jumlah variable sebanyak 2 yang dalam SPSS disebut kolom.

•

Untuk memasukkan data, pilihlah perintah Data View. Setelah itu masukkan data mulai dari data ke -‐1 sampai data ke -‐10.

Gambar 1.4 Sheet “Data View” D3 Manajemen Pemasaran

Page 6

CARA MENGANALISIS

Menganalisis data dapat dilakukan setelah semua data dimasuukkan ke dalam computer

sebagaimana keterangan di atas. Dalam menganalisis data, pengguna SPSS harus mengetahui jenis teknik analisis data apa yang akan digunakan untuk menganalisis data yang sudah ada, misalnya korelasi, Uji T, atau regresi. Setelah mengetahui teknik analisis data apa yang akan digunakan, pilihlah Menu Analyse, maka model-‐model teknik yang dimaksud sudah disediakan oleh SPSS. Contoh : •

Klik : Analyze

•

Klik Correlate………..dan selanjutnya.

D3 Manajemen Pemasaran

Page 7

Pertemuan ke 2

STATISTIK DESKRIPTIF Statistik deskriptif lebih berkenaan dengan pengumpulan dan peringkasan data, serta penyajian hasil peringkasan tersebut. Data-‐data statistik, yang bisa diperoleh hasil sensus, survei, jajak pendapat atau pengamatan lainnya umumnya masih bersifat acak, “mentah” dan tidak terorganisir dengan baik (raw data). Data-‐data tersebut harus diringkas dengan baik dan teratur, baik dalam bentuk tabel atau presentasi grafis yang berguna sebagai dasar dalam proses pengambilan keputusan (statistik inferensi). Penyajian tabel dan grafis yang digunakan dalam statistik deskriptif dapat berupa: 1.

Distribusi frekuensi

2.

Presentasi grafis seperti histogram, Pie chart dan sebagainya.

Selain tabel dan grafik, untuk mengetahui deskripsi data diperlukan ukuran yang lebih eksak, yang biasa disebut summary statistics (ringkasan statistik). Dua ukuran penting yang sering dipakai dalam pengambilan keputusan adalah: 1. Mencari central tendency (kecenderungan memusat), seperti Mean, Median, dan Modus. 2. Mencari ukuran dispersion, seperti Standar Deviasi dan Varians. Selain central tendency dan dispersion, ukuran lain yang dipakai adalah Skewness dan Kurtosis yang berfungsi untuk mengetahui kemiringan data (gradien data). Kali ini akan dibahas menu dari SPSS yang berhubungan dengan statistik deskriptif, yaitu Summarize. Dalam menu ini terdapat beberapa submenu sebagai berikut: A. Frequencies Menu ini membahas beberapa penjabaran ukuran statistik deskriptif seperti Mean, Median, Kuartil, Persentil, Standar Deviasi dan lainnya. D3 Manajemen Pemasaran

Page 8

Menu Frequencies Contoh penggunaan Frequencies Misalkan kita memiliki data tentang tinggi badan 25 orang mahasiswa (dalam centimeter) yang diambil secara acak. No

Tinggi

Gender

No

Tinggi

Gender

1

170.2 Pria

14

170.4 Wanita

2

172.5 Pria

15

168.9 Wanita

3

180.3 Pria

16

168.9 Wanita

4

172.5 Pria

17

177.5 Wanita

5

159.6 Wanita

18

174.5 Pria

6

168.5 Wanita

19

186.6 Wanita

7

168.5 Pria

20

164.8 Wanita

8

172.5 Pria

21

170.4 Pria

9

174.5 Pria

22

168.9 Pria

10

159.6 Wanita

23

164.8 Wanita

11

170.4 Wanita

24

167.2 Wanita

12

161.3 Wanita

25

167.2 Wanita

13

172.5 Pria


Page 9

Langkah-‐langkahnya adalah sebagai berikut. a. Dari baris menu, pilih menu Analyze, lalu pilih submenu Descriptive Statistics, lalu pilih lagi submenu Frequencies (untuk menampilkan tabel frekuensi). Lalu akan tampil gambar berikut ini. Gambar 2.1 Kotak Dialog “Frequencies” b. Kolom Variables(s) harus diisi dengan jenis-‐jenis variabel apa yang ingin kita analisis. c. Klik pilihan Statistics, maka akan tampil di layar gambar berikut: Gambar 2.2 Kotak Dialog “Frequencies : Statistics” D3 Manajemen Pemasaran

Page 10

d. Pilihan Statistics meliputi berbagai ukuran untuk menggambarkan data, antara lain sebagai berikut: •

Percentiles Values. Untuk keseragaman klik Quartiles dan Percentile(s).

•

Dispersion atau penyebaran data. Untuk keseragaman, semua atau keenam jenis pengukuran Dispersion dipilih semua.

•

Central Tendency atau pengukuran pusat data, untuk keseragaman pilih Mean dan Median.

•

Distribution atau bentuk distribusi data. Untuk keseragaman, klik Skewness dan Kurtosis.

e. Pilihan Charts…juga diklik, maka akan tampil gambar berikut ini. Gambar 2.3 Kotak Dialog “Frequencies : Charts” •

Menu Charts berkenaan dengan jenis grafik yang ingin kita pilih. Dari Chart Type, untuk keseragaman kita pilih Histogram. Lalu menu With normal curve-‐nya akan hidup, maka kita klik juga With normal curve. Lalu klik Continue.

•

Sekarang editor akan kembali ke tampilan editor Frequencies seperti awal, selanjutnya kita akan memilih menu Format.

f.

Setelah menu Format diklik, maka akan tampil gambar berikut:

Gambar 2.4 Kotak Dialog “Frequencies : Format” D3 Manajemen Pemasaran

Page 11

•

Pada submenu Order by (data output akan disusun seperti apa ?) kita seragamkan saja dengan memilih output akan disusun naik (dari data terkecil ke data terbesar). Untuk itu pilih Ascending values. Selanjutnya klik OK. Maka semua proses pengisian dan pengolahan data telah selesai, dan kita akan lihat hasilnya (outputnya) pada editor Output.

Output SPSS dan Analisisnya Selanjutnya data yang telah kita olah tersebut akan kita lihat outputnya. Berikut ini adalah output dari Descriptive. •

Frequencies Statistics Tinggi N

Valid Missing

Mean Std. Error of Mean Median Std. Deviation Variance Skewness Std. Error of Skewness Kurtosis Std. Error of Kurtosis Range Minimum Maximum Percentiles

10 25 50 75 90

25 0 170.1200 1.20655 170.2000 6.03276 36.394 .572 .464 1.460 .902 27.00 159.60 186.60 160.6200 167.2000 170.2000 172.5000 178.6200

Gambar 2.5 Hasil Statistics Output Bagian Pertama (Statistics) •

N atau jumlah data yang valid adalah 25 buah, sedangkan data yang hilang (missing) adalah nol. Ini artinya semua data bisa diproses.

•

Mean atau rata-‐rata tinggi badan adalah 170,12 cm dengan standard error adalah 1,20655 cm. Penggunaan standard error of Mean adalah untuk memeriksa besar rata-‐ rata populasi yang diperkirakan dari sampel. Untuk itu, dengan standard error of Mean tertentu dan pada tingkat kepercayaan 95% (SPSS sebagian besar menggunakan angka ini sebagai stanadar), rata-‐rata populasi tinggi badan menjadi: Rata-‐rata Populasi = Rata-‐rata ± 2 standard error of Mean = 170,12 ± (2 x 1,20655) cm = (170, 12 + 2.4131) sampai (170, 12 -‐ 2.4131) = 172,5331cm sampai 167, 7069 cm (Angka 2 digunakan karena tingkat kepercayaan 95%)


Page 12

•

Median atau titik tengah data jika semua data diurutkan dan dibagi 2 sama besar. Angka median 170,20 cm menunjukkan bahwa 50% tinggi badan adalah 170,20 cm ke atas, dan 50%-‐nya 170,20 cm ke bawah.

•

Standar Deviasi adalah 6,03276 cm dan variansinya adalah 36,394 cm. Penggunaan standar deviasi adalah untuk menilai dispersi rata-‐rata dari sampel. Untuk itu, dengan standar deviasi tertentu dan pada tingkat kepercayaan 95%, rata-‐rata tinggi badan menjadi: Rata-‐rata tingi badan = Rata-‐rata ± 2 x Standar Deviasi

= 170,12 ± (2 x 6,03276) cm

= 182.18552 cm sampai 170,12 cm

Perhatikan bahwa kedua batas angka berbeda tipis dengan nilai minimum dan maksimum, ini artinya sebaran data adalah baik. •

Data minimum adalah 159,60 cm sedangkan data maksimum adalah 186,60 cm

•

Range data = Data maksimum – Data minimum adalah 27,00 cm.

•

Angka Persentil: o

Rata-‐rata tinggi badan 10% responden di bawah 160,62 cm

o


o


o


o

Rata-‐rata tinggi badan 90% responden di bawah 178,62 cm Tinggi

Valid

159.60 161.30 164.80 167.20 168.50 168.90 170.20 170.40 172.50 174.50 177.50 180.30 186.60 Total

Frequency 2 1 2 2 2 3 1 3 4 2 1 1 1 25

Percent 8.0 4.0 8.0 8.0 8.0 12.0 4.0 12.0 16.0 8.0 4.0 4.0 4.0 100.0

Valid Percent 8.0 4.0 8.0 8.0 8.0 12.0 4.0 12.0 16.0 8.0 4.0 4.0 4.0 100.0

Cumulative Percent 8.0 12.0 20.0 28.0 36.0 48.0 52.0 64.0 80.0 88.0 92.0 96.0 100.0

Gambar 2.6 Hasil Analisis “Frequencies : Tinggi” D3 Manajemen Pemasaran

Page 13

Output bagian kedua (Tinggi) Output ini merupakan gambaran tinggi badan responden dalam tabel frekuensi.

Histogram

10

Frequency

8

6

4

2 Mean = 170.12 Std. Dev. = 6.03276 N = 25

0 150.00

160.00

170.00

180.00

190.00

Tinggi

Gambar 2.7 Grafik Histrogram D3 Manajemen Pemasaran

Page 14

Pertemuan ke 3 UJI VALIDITAS DAN UJI RELIABILITAS UJI VALIDITAS Uji Validitas menunjukkan apakah kuesioner tersebut mampu mengukur apa yang harus diukur. Misal kuesioner untuk mengukur tingkat kepuasaan, apakah masing-‐masing pertanyaan mampu mengukur tingkat kepuasan yang dimaksud? Sebagai contoh, Anda mengukur tingkat kepuasan pelanggan akan produk baru yang diluncurkan perusahaan. Ada sepuluh pertanyaan untuk mengukur tingkat kepuasan tersebut dan Anda mengambil sampel sejumlah tiga puluh. Datanya sebagai berikut:

Gambar 3.1 Sheet “Data View”

Gambar 3.2 Sheet “Variabel View” D3 Manajemen Pemasaran

Page 15

Langkah pertama sebelum melakukan analisis korelasi adalah membuat variabel baru yang merupakan penjumlahan total dari kesepuluh pertanyaan kuesioner : a. Klik Transform Compute Variable pada menu sehingga muncul kotak dialog Compute Variable. b. Masukkan dan jumlahkan semua variabel dari pertanyaan 1 sampai pertanyaan 10 pada kotak Numeric Expression. c. Klik OK, sehingga Output SPSS menampilkan variabel baru, yaitu total.

Gambar 3.3 Kotak Dialog Compute Variable


Page 16

Gambar 3.4 Sheet “Data View” dengan variabel baru (Total) Setelah Anda memperoleh variabel baru (total), lakukan analisis korelasi antara variabel total dengan kesepuluh pertanyaan tersebut. Langkah-‐langkahnya : a. Klik Analyze Correlations Bivariate pada menu sehingga muncul kotak dialog Bivariate Correlation.

Gambar 3.5 Kotak Dialog Bivariate Correlations b. Masukkan semua variabel pertanyaan, termasuk variabel total pada kotak Variabels. c. Cek Pearson pada Correlation Coefficients dan cek Flaq significant correlations. d. Klik OK D3 Manajemen Pemasaran

Page 17

HASIL ANALISIS HASIL Tabel tersebut merupakan sebagaian output hasil analisis korelasi. Selanjutnya amati nilai korelasi antar variabel pertanyaan, apakah ada yang memiliki nilai korelasi sangat tinggi atau sebaliknya memiliki nilai korelasi sangat rendah.

Gambar 3.6 Data Hasil Analisis Korelasi Kriteria validitas dapat ditentukan dengan melihat nilai Pearson Correlation dan Sig. (2-‐tailed). Jika nilai pearson correlation lebih besar daripada nilai pembanding berupa r-‐kritis, maka item tersebut valid, Atau jika nilai Sig. (2-‐tailed) kurang dari 0.05 berarti item tersebut valid dengan derajat kepercayaan 95%.

Dari hasil analisis kita dapat melihat pada baris Total di mana nilai sig 2 tailed pada item P1

0.000 lebih kecil dari nilai kritis 𝛼 = 0.05 maka data pada item P1 sudah dianggap valid. Begitu juga untuk item data selanjutnya

Kriteria validitas dapat juga ditentukan dengan nilai Pearson Correlation dibandingkan

dengan nilai r-‐kritis. Nilai koefisien korelasi pearson product moment r-‐tabel misalnya untuk jumlah N=30 dengan taraf signifikan 5% (α = 0.05) adalah 0.361, maka

Jika nilai rhitung ≥ rtabel (valid) Jika nilai rhitung

Page 18

UJI RELIABILITAS Uji reliabilitas menunjukkan konsistensi atas hasil ukuran, walaupun digunakan untuk mengukur berkali-‐kali. Instrumen kuesioner harus andal (reliable). Andal berarti instrumen tersebut menghasilkan ukuran yang konsisten apabila digunakan untuk mengukur berulang kali.

Jika nilai alpha > 0,70 artinya reliabilitas mencukupi (sufficient reliability) sementara jika alpha > 0,80 ini mensugestikan seluruh item reliabel dan seluruh tes secara konsisten secara internal karena memiliki reliabilitas yang kuat. Atau, ada pula yang memaknakannya sebagai berikut : •

Jika alpha > 0,90 maka reliabilitas sempurna.

•

Jika alpha antara 0,70 – 0,90 maka reliabilitas tinggi.

•

Jika alpha antara 0,50 – 0,70 maka reliabilitas moderat.

•

Jika alpha < 0,50 maka reliabilitas rendah.

ANALISIS a. Klik Analyze Scale Reliability Analysis pada menu sehingga muncul kotak dialog Reliability Analysis. b. Masukkan variabel dari pertanyaan 1 sampai pertanyaan 10 pada kotak Items.

Gambar 3.7 Kotak Dialog Reliability Analysis D3 Manajemen Pemasaran

Page 19

c. Klik Statistics maka akan muncul kotak dialog Reliability Analysis :

Gambar 3.8 Kotak Dialog Reliability Analysis : Statistics d. Pada kotak Descriptive for, cek Scale if item deleted. e. Klik Continue sehingga kembali ke kotak dialog Reliability Analysis. f.

Klik OK

HASIL ANALISIS • Nilai alpha Cronbach instrumen kuesioner adalah 0.901. Nilai tersebut berada pada

alpha antara 0,70 – 0,90 maka reliabilitas tinggi.

Gambar 3.9 Hasil dari Analisis Reliability


Page 20

Pertemuan ke 4 KORELASI Analisis hubungan antarvariabel secara garis besar ada dua, yaitu analisis korelasi dan analisis regresi. Analisis korelasi menyatakan derajat keeratan hubungan antara variable. Korelasi bermanfaat untuk mengukur kekuatan hubungan antara dua variable dengan skala-‐skala tertentu, misalnya Pearson data harus berskala interval dan rasio; sedangkan Spearman menggunakan skala ordinal. Kuat lemahnya hubungan diukur di antara jarak 0 sampai dengan 1 atau 0 sampai dengan -‐1. Tanda positif dan negative menunjukkan arah hubungan. Tanda positif menunjukkan arah hubungan searah. Jika satu variable naik, variable yang lain juga naik. Tanda negative menunjukkan hubungan yang berlawanan. Jika satuu variable naik, variable yang lain malah turun. Tabel 4.1 Pedoman Koefisien Korelasi Nilai Koefisien

Tingkat Hubungan

0

Tidak ada korelasi antara dua variable

>0 – 0.25

Korelasi sangat lemah

>0.25 – 0.5

Korelasi cukup

>0.5 – 0.75

Korelasi kuat

>0.75 – 0.99

Korelasi sangat kuat

1

Korelasi sempurna

Korelasi Pearson Product Moment dengan taraf signifikansi 5% (α = 0.05). Nilai koefisien korelasi product moment r-‐tabel Jika nilai rhitung≥rtabel (valid) Jika nilai rhitung
Page 21

1.

KORELASI BIVARIATE PEARSON PRODUCT MOMENT Uji Bivariate pearson yang digunakan untuk mengukur hubungan dengan data berskala interval. Contoh : Anda melakukan pengamatan terhadap hubungan antara jenis produk baru dengan jumlah penjualan produk tersebut. Datanya sebagai berikut :

Gambar 4.1 Data Jenis Produk dan Jumlah Penjualan ANALISIS a. Klik Analyze Correlate Bivariate pada menu sehingga muncul kotak dialog Bivariate Correlations.

Gambar 4.2 Kotak Dialog Bivariate Correlations D3 Manajemen Pemasaran

Page 22

b. Masukkan variabel Produk dan variabel Penjualan pada kotak Variables, pilih Pearson pada Correlation Coefficients. c. Klik OK HASIL ANALISIS

Gambar 4.3 Hasil Analisis “Correlations” Jika dilihat dari hasil perhitungan, maka korelasi antara variabel “produk” dengan “penjualan” menunjukkan angka sebesar 0.961; angka ini menunjukkan adanya korelasi yang sangat kuat dan searah. Ini berarti, jika variabel produk besar, maka variabel penjualan akan semakin besar pula. Menentukan Signifikansi Hasil Korelasi : Untuk mengetahui apakah angkakorelasi tersebut signifikan atau tidak. Kita lakukan langkah-‐ langkah sebagai berikut: •

Tentukan Hipotesis H0 : Hubungan antara variabel produk dan penjualan tidak signifikan H1 : Hubungan antara variabel produk dan penjualan signifikan

Signifikansi hubungan dua variabel dapat dianalisis dengan ketentuan sebagai berikut : •

Jika probabilitas atau signifikansi < 0.05, hubungan kedua variabel signifikan (H0 ditolak dan H1 diterima).

•

Jika probabilitas atau signifikansi > 0.05, hubungan kedua variabel tidak signifikan (H0 diterima dan H1 ditolak). Angka probabilitas dari hasil perhitungan sebesar 0.00 < 0.05 (digunakan angka 0.01 bukan 0.05 karena output ada tanda bintang yang artinya korelasi signifikan pada


Page 23

taraf 0.01), maka H0 ditolak. Artinya ada hubungan signifikan antara produk dan penjualan. Kesimpulan : Kesimpulan yang dapat diambil adalah : Hubungan anatar produk dan penjualan sangat kuat, signifikan dan searah. Dengan kata lain, jika produk mempunyai kualitas tinggi, maka penjualan akan semakin meningkat. 2. KORELASI BIVARIATE RANK SPEARMAN Korelasi Rank Spearman digunakan untuk mengetahui ada dan tidaknya hubungan dua variable atau lebih berskala ordinal.

Untuk mendapatkan data berskala ordinal pertanyaan-‐pertanyaan dalam kuesioner

hendaknya menggunakan opsi jawaban model skala Likert. Pada umumnya opsi jawaban terdiri atas 5 (lima) opsi sebagai berikut : a. Sangat Setuju b. Setuju c. Netral d. Tidak Setuju e. Sangat Tidak Setuju Untuk kepentingan pengolahan data di SPSS, opsi-‐opsi yang berupa teks tersebut harus dikuantifikasi (diberi symbol angka) sebagai berikut : a. Sangat Setuju diberi nilai 5 b. Setuju diberi nilai 4 c. Netral diberi nilai 3 d. Tidak Setuju diberi nilai 2 e. Sangat Tidak Setuju diberi nilai 1 Angka 1 sampai dengan 5 tersebut hanya merupakan symbol atau bukan angka sebenarnya dan bersifat relatif. D3 Manajemen Pemasaran

Page 24

Contoh : Peneliti ingin mengetahui ada atau tidaknya hubungan antara desain kemasan produk dengan minat beli konsumen. Data hasil penelitian tersebut adalah :

Gambar 4.4 Data Desain Produk dan Minat Beli Konsumen ANALISIS a. Klik Analyze Correlate Bivariate pada menu sehingga muncul kotak dialog Bivariate Correlations. b. Masukkan variabel Produk dan variabel Penjualan pada kotak Variables, pilih Spearman pada Correlation Coefficients. c. Klik OK

Gambar 4.5 Kotak Dialog “Bivariate Correlations” D3 Manajemen Pemasaran

Page 25

HASIL ANALISIS

Gambar 4.6 Hasil Analisis Correlations 3. KORELASI PARTIAL

Korelasi parsial menghitung koefisien korelasi yang menggambarkan hubungan linier

antara dua variable dengan melakukan pengontrolan efek yang muncul karena satu atau dua penambahan variable lain. Korelasi digunakan untuk mengukur hubungan linier dua variable. Pada dasarnya dua variable dapat mempunyai hubungan korelasi yang sempurna. Sekalipun demikian jika hubungan kedua variable tidak linier, maka koefisien korelasi tidak cocok untuk mengukur hubungan kedua variable tersebut. Contoh, Anda melakukan pengamatan hubungan antara gaji, tunjangan, dan lama kerja pada suatu perusahan. Datanya sebagai berikut :

Gambar 4.7 Data Gaji, Tunjangan, dan masa kerja D3 Manajemen Pemasaran

Page 26

ANALISIS a. Klik Analize Correlate Partial pada menu sehingga muncul kotak dialog Partial Correlations. b. Anda dapat melakukan tiga macam uji korelasi partial dengan mengganti secara bergiliran ketiga variabel menjadi variabel kontrol. Pertama adalah korelasi variabel Gaji – Tunjangan Gaji variabel Gaji – Masa kerja dengan variabel kontrol Tunjangan Gaji. Ketiga adalah korelasi variabel Tunjangan Gajji – Masa Kerja dengan varabel kontrol adalah Gaji. c. Klik OK

Gambar 4.8 Kotak Dialog “Partial Correlations” HASIL ANALISIS

Gambar 4.9 Hasil Analisis Correlations D3 Manajemen Pemasaran

Page 27

Pertemuan ke 5 REGRESI LINIER SEDERHANA Uji regresi digunakan untuk meramalkan suatu variabel independen (Y) berdasarkan satu variabel independen (X) dalam suatu persamaan linier. Formula persamaan linear Y = a + b X. Contoh : Anda melakukan analisis regresi untuk meramalkan besarnya tunjangan yang diberikan berdasarkan gaji. ANALISIS Berikut langkah-‐langkah untuk melakukan analisis regresi : a. Klik Analyze Regression Linear pada menu sehingga muncul kotak dialog Linear Regression

Gambar 5.1 Kotak Dialog Linear Regression b. Masukkan variabel Gaji pada kotak Independent(s) dan variabel Tunjangan Gaji pada kotak Dependent. c. Klik tombol Statistics sehingga muncul kotak dialog Linear Regression : Statistic. Secara default Estimates dan Model fit terpilih. Anda dapat menambahkan uji statistik bila perlu.


Page 28

Gambar 5.2 Kotak Dialog Linear Regression : Statistics d. Klik tombol Continue e. Klik tombol Options sehingga muncul kotak dialog Linear Regression : Options. Pilih Use probability of F, kemudian masukkan nilai tingkat kepercayaan pada kotak Entry.

Gambar 5.3 Kotak Dialog Linear Regression : Options f.

Klik tombol Continue

g. Klik OK HASIL ANALISIS

Gambar 5.4 Hasil Analisis D3 Manajemen Pemasaran

Page 29

Tabel Variables Entered Removed menunjukkan metode regresi linear yang dipilih yaitu Enter. Pemilihan metode memungkinkan Anda menentukan bagaimana variabel independen (Gaji) dimasukkan untuk dianalisis. Metode Enter memasukkan semua variabel independen sekaligus untuk dianalisis. Pada analisis regresi linear satu variabel independen, perbedaan antar metode tidak tampak.

Gambar 5.5 Hasil Analisi R Square Tabel Model Summary menunjukkan nilai koefisien korelasi (R) yang menunjukkan tingkat hubungan antar variabel (0.974). R Square atau koefisien determinasi memiliki arti 0.948. Tunjangan gaji dapat dijelaskan dari variabel Gaji. Adjusted R square sama dengan R square dengan menyesuaikan numerator maupun denumerator dengan derajat kebebasan masing-‐ masing. Std Error of the Estimate mengukur dispersi titik-‐titik pasangan X dan Y dari garis duga regresi. R square menunjukkan besarnya koefisien determinasi yang berfungsi untuk mengetahui besarnya presentase variabel tergantung penjualan yang dapat diprediksi dengan menggunakan variabel bebas pameran. Koefisien determinasi digunakan untuk menghitung besarnya peranan atau pengaruh variabel bebas terhadap variabel tergantung. Koefisien determinasi dihitung dengan cara mengkuadratkan hasil korelasi, kemudian dikalikan dengan 100% (r2 x 100%). Angka R Square (angka korelasi yang dikuadratkan atau 0,9742) sebesar 0.948. Angka R Square disebut juga sebagai koefisien Determinasi. Besarnya angka Koefisien Determinasi, 0.948 atau sama dengan 94,8%. Angka tersebut berarti bahwa sebesar 94.8% tunjangan gaji yang diterima dapat dijelaskan dengan menggunakan variabel jumlah gaji regular yang diterima. Sedang sisanya, yaitu 5.2% (100%-‐94.8%) harus dijelaskan oleh faktor-‐faktor penyebab lainnya. Untuk diketahui bahwa besarnya R square berkisar antara 0-‐1 yang berarti semakin kecil besarnya R Square, maka hubungan kedua variabel semakin lemah. Sebaliknya, jika R Square semakin mendekati 1, maka hubungan kedua variabel semakin kuat.


Page 30

Gambar 5.6 Hasil Analisis Uji F Tabel ANOVA memaparkan uji kelinearan. Hipotesis : Ho : Model linear antara variabel Gaji dengan variabel Tunjangan Gaji tidak signifikan H1 : Model linear antara variabel Gaji dengan variabel Tunjangan Gaji signifikan. F hitung (327.262) > F tabel (1;18;0.05) adalah 4.414 sehingga Ho ditolak. Jadi, model linear antara variabel Gaji dengan variabel Tunjangan Gaji signifikan. Di samping menggunakan perbandingan F hitung dan F tabel, Anda dapat melakukan perbandingan Sig dengan 𝛼 . Sig (0.000) < 𝛼 maka Ho ditolak.

Gambar 5.6 Hasil Analisis Uji t Tabel Coefficients memaparkan nilai konstanta a dan b dari persamaan linear : Y = -‐614.019 + 0.655 X Hipotesis : Uji koefisien a Ho : koefisien a tidak signifikan H1 : koefisien a signifikan t hitung mutlak (10.082) > t tabel (18; 0.05) adalah 1.734 maka Ho ditolak, koefisien a signifikan. Di samping menggunakan perbandingan t hitung dan t tabel, Anda dapat melakukan perbandingan Sig dengan Sig (0.000) < 𝛼 sehingga Ho ditolak. Hipotesis : uji koefisien b Ho : koefisien b tidak signifikan H1 : koefisien b signifikan t hitung mutlak (18.090) > t tabel (18;0.05) adalah 1.734 maka Ho ditolak, koefisien a signifikan. D3 Manajemen Pemasaran

Page 31

Pertemuan ke 6 REGRESI LINEAR BERGANDA Analisis regresi linier berganda adalah hubungan secara linear antara dua atau lebih variabel independen (X1, X2,….Xn) dengan variabel dependen (Y). Analisis ini untuk mengetahui arah hubungan antara variabel independen dengan variabel dependen apakah masing-‐masing variabel independen berhubungan 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. Persamaan regresi linear berganda sebagai berikut:

Y’ = a + b1X1+ b2X2+…..+ bnXn Keterangan: Y’ = Variabel dependen (nilai yang diprediksikan) X1 dan X2 = Variabel independen a = Konstanta (nilai Y’ apabila X1, X2…..Xn = 0) b = Koefisien regresi (nilai peningkatan ataupun penurunan) Contoh kasus: Kita mengambil contoh kasus pada uji normalitas, yaitu sebagai berikut: Seorang mahasiswa bernama Bambang melakukan penelitian tentang faktor-‐faktor yang mempengaruhi harga saham pada perusahaan di BEJ. Bambang dalam penelitiannya ingin mengetahui hubungan antara rasio keuangan PER dan ROI terhadap harga saham. Dengan ini Bambang menganalisis dengan bantuan program SPSS dengan alat analisis regresi linear berganda. Dari uraian di atas maka didapat variabel dependen (Y) adalah harga saham, sedangkan variabel independen (X1 dan X2) adalah PER dan ROI. Data-‐data yang di dapat berupa data rasio dan ditabulasikan sebagai berikut: Tabel 6.1 Tabulasi Data Tahun

Harga Saham (Rp)

PER (%)

ROI (%)

1990

8300

4.90

6.47

1991

7500

3.28

3.14


Page 32

1992

8950

5.05

5.00

1993

8250

4.00

4.75

1994

9000

5.97

6.23

1995

8750

4.24

6.03

1996

10000

8.00

8.75

1997

8200

7.45

7.72

1998

8300

7.47

8.00

1999

10900

12.68

10.40

2000

12800

14.45

12.42

2001

9450

10.50

8.62

2002

13000

17.24

12.07

2003

8000

15.56

5.83

2004

6500

10.85

5.20

2005

9000

16.56

8.53

2006

7600

13.24

7.37

2007

10200

16.98

9.38

ANALISIS Berikut langkah-‐langkah untuk melakukan analisis regresi : a. Klik Analyze Regression Linear pada menu sehingga muncul kotak dialog Linear Regression b. Masukkan variabel PER dan ROI pada kotak Independent(s) dan variabel Harga Saham pada kotak Dependent. c. Klik tombol Statistics sehingga muncul kotak dialog Linear Regression : Statistic. Secara default Estimates dan Model fit terpilih. Anda dapat menambahkan uji statistik bila perlu. d. Klik tombol Continue e. Klik tombol Options sehingga muncul kotak dialog Linear Regression : Options. Pilih Use probability of F, kemudian masukkan nilai tingkat kepercayaan pada kotak Entry. f.

Klik tombol Continue

g. Klik OK D3 Manajemen Pemasaran

Page 33

HASIL ANALISIS Gambar 6.1 Hasil Analisis Regresi Linear Berganda Persamaan regresinya sebagai berikut:

Y’ = a + b1X1+ b2X2 Y’ = 4662,491 + (-‐74,482)X1 + 692,107X2 Y’ = 4662,491 -‐ 74,482X1 + 692,107X2 Keterangan: Y’ = Harga saham yang diprediksi (Rp) a = konstanta b1,b2 = koefisien regresi X1 = PER (%) X2 = ROI (%) Persamaan regresi di atas dapat dijelaskan sebagai berikut: -‐ Konstanta sebesar 4662,491; artinya jika PER (X1) dan ROI (X2) nilainya adalah 0, maka harga saham (Y’) nilainya adalah Rp.4662,491. -‐ Koefisien regresi variabel PER (X1) sebesar -‐74,482; artinya jika variabel independen lain nilainya tetap dan PER mengalami kenaikan 1%, maka harga saham (Y’) akan mengalami penurunan sebesar Rp.74,482. Koefisien bernilai negatif artinya terjadi hubungan negatif antara PER dengan harga saham, semakin naik PER maka semakin turun harga saham.


Page 34

-‐ Koefisien regresi variabel ROI (X2) sebesar 692,107; artinya jika variabel independen lain nilainya tetap dan ROI mengalami kenaikan 1%, maka harga saham (Y’) akan mengalami peningkatan sebesar Rp.692,107. Koefisien bernilai positif artinya terjadi hubungan positif antara ROI dengan harga saham, semakin naik ROI maka semakin meningkat harga saham. a. Analisis Korelasi Ganda (R) Analisis ini digunakan untuk mengetahui hubungan antara dua atau lebih variabel independen

(X1, X2,…Xn) terhadap variabel dependen (Y) secara serentak. Koefisien ini menunjukkan seberapa besar hubungan yang terjadi antara variabel independen (X1, X2,……Xn) secara serentak terhadap variabel dependen (Y). nilai R berkisar antara 0 sampai 1, nilai semakin mendekati 1 berarti hubungan yang terjadi semakin kuat, sebaliknya nilai semakin mendekati 0 maka hubungan yang terjadi semakin lemah. Tabel 6.2 Pedoman Koefisien Korelasi Nilai Koefisien

Tingkat Hubungan

0

Tidak ada korelasi antara dua variable

>0 – 0.25

Korelasi sangat lemah

>0.25 – 0.5

Korelasi cukup

>0.5 – 0.75

Korelasi kuat

>0.75 – 0.99

Korelasi sangat kuat

1

Korelasi sempurna

Dari hasil analisis regresi, lihat pada output moddel summary dan disajikan sebagai berikut: Gambar 6.2 Hasil analisis korelasi ganda


Page 35

Berdasarkan tabel di atas diperoleh angka R sebesar 0,879. Hal ini menunjukkan bahwa terjadi hubungan yang sangat kuat antara PER dan ROI terhadap harga saham. b. Analisis Determinasi (R2) Analisis determinasi dalam regresi linear berganda digunakan untuk mengetahui prosentase sumbangan pengaruh variabel independen (X1, X2,……Xn) secara serentak terhadap variabel dependen (Y). Koefisien ini menunjukkan seberapa besar prosentase variasi variabel independen yang digunakan dalam model mampu menjelaskan variasi variabel dependen. R2sama dengan 0, maka tidak ada sedikitpun prosentase sumbangan pengaruh yang diberikan variabel independen terhadap variabel dependen, atau variasi variabel independen yang digunakan dalam model tidak menjelaskan sedikitpun variasi variabel dependen. Sebaliknya R2 sama dengan 1, maka prosentase sumbangan pengaruh yang diberikan variabel independen terhadap variabel dependen adalah sempurna, atau variasi variabel independen yang digunakan dalam model menjelaskan 100% variasi variabel dependen. Dari hasil analisis regresi, lihat pada output moddel summary dan disajikan sebagai berikut: Gambar 6.3 Hasil analisis determinasi

2

Berdasarkan tabel di atas diperoleh angka R (R Square) sebesar 0,772 atau (77,2%). Hal ini menunjukkan bahwa prosentase sumbangan pengaruh variabel independen (PER dan ROI) terhadap variabel dependen (harga saham) sebesar 77,2%. Atau variasi variabel independen yang digunakan dalam model (PER dan ROI) mampu menjelaskan sebesar 77,2% variasi variabel dependen (harga saham). Sedangkan sisanya sebesar 22,8% dipengaruhi atau dijelaskan oleh variabel lain yang tidak dimasukkan dalam model penelitian ini. Adjusted R Square adalah nilai R Square yang telah disesuaikan, nilai ini selalu lebih kecil dari R Square dan angka ini bisa memiliki harga negatif. Menurut Santoso (2001) bahwa untuk


Page 36

regresi dengan lebih dari dua variabel bebas digunakan Adjusted R2 sebagai koefisien determinasi. Standard Error of the Estimate adalah suatu ukuran banyaknya kesalahan model regresi dalam memprediksikan nilai Y. Dari hasil regresi di dapat nilai 870,80 atau Rp.870,80 (satuan harga saham), hal ini berarti banyaknya kesalahan dalam prediksi harga saham sebesar Rp.870,80. Sebagai pedoman jika Standard error of the estimate kurang dari standar deviasi Y, maka model regresi semakin baik dalam memprediksi nilai Y. c. Uji Koefisien Regresi Secara Bersama-‐sama (Uji F) Uji ini digunakan untuk mengetahui apakah variabel independen (X1,X2….Xn) secara bersama-‐sama berpengaruh secara signifikan terhadap variabel dependen (Y). Atau untuk mengetahui apakah model regresi dapat digunakan untuk memprediksi variabel dependen atau tidak. Signifikan berarti hubungan yang terjadi dapat berlaku untuk populasi (dapat digeneralisasikan), misalnya dari kasus di atas populasinya adalah 50 perusahaan dan sampel yang diambil dari kasus di atas 18 perusahaan, jadi apakah pengaruh yang terjadi atau kesimpulan yang didapat berlaku untuk populasi yang berjumlah 50 perusahaan. Dari hasil output analisis regresi dapat diketahui nilai F seperti pada tabel 2 berikut ini. Gambar 6.4 Hasil Uji F

Tahap-‐tahap untuk melakukan uji F adalah sebagai berikut: 1. Merumuskan Hipotesis Ho : Tidak ada pengaruh secara signifikan antara PER dan ROI secara bersama-‐sama terhadap harga saham. Ha : Ada pengaruh secara signifikan antara PER dan ROI secara bersama-‐sama terhadap harga saham. D3 Manajemen Pemasaran

Page 37

2. Menentukan tingkat signifikansi Tingkat signifikansi menggunakan a = 5% (signifikansi 5% atau 0,05 adalah ukuran standar yang sering digunakan dalam penelitian) 3. Menentukan F hitung Berdasarkan tabel diperoleh F hitung sebesar 25,465 4. Menentukan F tabel Dengan menggunakan tingkat keyakinan 95%, a = 5%, df 1 (jumlah variabel–1) = 2, dan df 2 (n-‐k) atau 18-‐3 = 15 (n adalah jumlah kasus dan k adalah jumlah variabel), hasil diperoleh untuk F tabel sebesar 3,683 5. Kriteria pengujian -‐ Ho diterima bila F hitung < F tabel -‐ Ho ditolak bila F hitung > F tabel 6. Membandingkan F hitung dengan F tabel. Nilai F hitung > F tabel (25,465 > 3,683), maka Ho ditolak. 7. Kesimpulan Karena F hitung > F tabel (25,465 > 3,683), maka Ho ditolak, artinya ada pengaruh secara signifikan antara price earning ratio (PER) dan return on investmen (ROI) secara bersama-‐sama terhadap terhadap harga saham. Jadi dari kasus ini dapat disimpulkan bahwa PER dan ROI secara bersama-‐sama berpengaruh terhadap harga saham pada perusahaan di BEJ. d. Uji Koefisien Regresi Secara Parsial (Uji t) Uji ini digunakan untuk mengetahui apakah dalam model regresi variabel independen (X1, X2,…..Xn) secara parsial berpengaruh signifikan terhadap variabel dependen (Y). Dari hasil analisis regresi output dapat disajikan sebagai berikut: Gambar 6.5 Uji t


Page 38

Langkah-‐langkah pengujian sebagai berikut: Pengujian koefisien regresi variabel PER 1. Menentukan Hipotesis Ho : Secara parsial tidak ada pengaruh signifikan antara PER dengan harga saham. Ha : Secara parsial ada pengaruh signifikan antara PER dengan harga saham 2. Menentukan tingkat signifikansi Tingkat signifikansi menggunakan a = 5% 3. Menentukan t hitung Berdasarkan tabel diperoleh t hitung sebesar -‐1,259 4. Menentukan t tabel Tabel distribusi t dicari pada a = 5% (uji 2 sisi) dengan derajat kebebasan (df) n-‐k atau 18-‐3 = 15 (n adalah jumlah kasus dan k adalah jumlah variabel). Dengan pengujian 2 sisi hasil diperoleh untuk t tabel sebesar 2,131 5. Kriteria Pengujian Ho diterima jika -‐t tabel < t hitung < t tabel Ho ditolak jika -‐t hitung < -‐t tabel atau t hitung > t tabel 6. Membandingkan thitung dengan t tabel Nilai -‐t hitung > -‐t tabel (-‐1,259 > -‐2,131) maka Ho diterima 7. Kesimpulan Oleh karena nilai -‐t hitung > -‐t tabel (-‐1,259 > -‐2,131) maka Ho diterima, artinya secara parsial tidak ada pengaruh signifikan antara PER dengan harga saham. Jadi dari kasus ini dapat disimpulkan bahwa secara parsial PER tidak berpengaruh terhadap harga saham pada perusahaan di BEJ. Pengujian koefisien regresi variabel ROI 1. Menentukan Hipotesis Ho : Secara parsial tidak ada pengaruh signifikan antara ROI dengan harga saham Ha : Secara parsial ada pengaruh signifikan antara ROI dengan harga saham 2. Menentukan tingkat signifikansi Tingkat signifikansi menggunakan a = 5%. 3. Menentukan t hitung Berdasarkan tabel diperoleh t hitung sebesar 5,964 4. Menentukan t tabel D3 Manajemen Pemasaran

Page 39

Tabel distribusi t dicari pada a = 5% (uji 2 sisi) dengan derajat kebebasan (df) n-‐k atau 18-‐3 = 15 (n adalah jumlah kasus dan k adalah jumlah variabel). Dengan pengujian 2 sisi hasil diperoleh untuk t tabel sebesar 2,131. 5. Kriteria Pengujian Ho diterima jika -‐t tabel £ t hitung £ t tabel Ho ditolak jika -‐t hitung < -‐t tabel atau t hitung > t tabel 6. Membandingkan thitung dengan t tabel Nilai t hitung > t tabel (5,964 > 2,131) maka Ho ditolak 7. Kesimpulan Oleh karena nilai t hitung > t tabel (5,964 > 2,131) maka Ho ditolak, artinya secara parsial ada pengaruh signifikan antara ROI dengan harga saham. Jadi dari kasus ini dapat disimpulkan bahwa secara parsial ROI berpengaruh positif terhadap harga saham pada perusahaan di BEJ. D3 Manajemen Pemasaran

Page 40

Pertemuan ke 7 REGRESI LINIER DENGAN VARIABEL DUMMY Regresi variabel dummy menggunakan variabel bebas yang mempunyai skala nominal digunakan untuk memprediksi variabel tergantung yang mempunyai skala interval. Contoh variabel berskala nominal misalnya pendidikan, gender, agama, dan lain sebagainya. Variabel berskala nominal disebut juga sebagai variabel kualitatif, variabel kategorikal atau variabel dummy. Kegunaannya ialah untuk menghitung pengaruh variabel bebas berskala nominal terhadap variabel tergantung skala interval. Sebagai contoh, kita ingin mengetahui apakah gender mempengaruhi besarnya penghasilan dalam suatu perusahaan atau apakah suku mempengaruhi besarnya penghasilan dalam suatu kelompok pedangan tertentu. Catatan penting untuk menggunakan regresi variabel dummy adalah variabel bebas bersifat kategorikal. Jadi, hanya ada dua kemungkinan nilai (values) yang diberikan untuk variabel tersebut. Dalam kasus gender, maka gender diberi nilai sebagai berikut : yaitu pria mempunyai nilai 1 dan wanita mempunyai nilai 2, sedangkan dalam kasus kedua : suku A diberi nilai 1 dan suku B diberi nilai 2. Uji regresi digunakan untuk meramalkan suatu variabel independen (Y) berdasarkan satu variabel independen (X) dalam suatu persamaan linier. Formula persamaan linear Y = a + b X. CONTOH SOAL: Penjualan

Kemasan

10.800.000

Menarik

9.900.000

Biasa

12.500.000

Menarik

11.700.000

Biasa

10.300.000

Menarik

8.900.000

Biasa

13.200.000

Menarik


Page 41

12.400.000

Biasa

17.200.000

Menarik

15.600.000

Biasa

Pertanyaan: 1.

Berapa besar hubungan dan pengaruh kemasan terhadap penjualan produk tersebut ?

2. Tentukan persamaan regresi linear sederhana terhadap penjualan produk ? 3. Berapa besar standar error of estimate/rata-‐rata kesalahan baku dari persamaan tersebut? 4. Berapa besarnya penjualan masing-‐masing untuk kemasan menarik dan kemasan biasa ?


Page 42


Page 43

ANALISIS •

Untuk menghitung besarnya HUBUNGAN variabel kemasan terhadap penjualan, gunakanlah angka R

•

Untuk menghitung besarnya PENGARUH variabel kemasan terhadap penjualan, gunakanlah angka R Square

•

•

Persamaan Regresi: •

Y = a + bX

•

Y = 13,900,000 -‐ 1,100,000 X

Dimana: Y: Penjualan X: Kemasan

•

Standar error of estimate/rata-‐rata kesalahan baku = 2660826,94

•

Penjualan rata-‐rata produk dengan kemasan MENARIK: Y = 13,900,000 – (1,100,000 x 1) = 12,800,000

•

Penjualan rata-‐rata produk dengan kemasan BIASA: Y = 13,900,000 – (1,100,000 x 2) = 11,700,000

•

Perbedaan rata-‐rata penjualan kemasan menarik dan biasa adalah: 12,800,000 -‐ 11,700,000 = 1,100,000


Page 44

2016

Recommend Documents