No title

http://teorionline.net/ 1 Aplikasi Regresi Ganda dengan SPSS

APLIKASI REGRESI GANDA DENGAN SPSS HENDRY admin teorionline.net Phone : 021-834 14694 / email : [email protected] Tentang Regresi Ganda Analisis regresi merupakan salah satu teknik analisis yang paling popular di bidang penelitian sekarang ini. Analisis regresi digunakan untuk menjelaskan suatu variabel respon (variabel terikat / dependent / output) menggunakan satu atau lebih variabel input (variabel bebas, independent variable / eksogen). Jika variabel bebas terdiri dari 1 maka regresi sederhana yang digunakan, dan jika variabel input lebih dari 1, maka regresi ganda yang digunakan. Persamaan regresi ganda dinotasikan sebagai berikut : Y = a + b1X1 + b2X2 + b3X3 …. BkXi + e ( Y adalah variabel respon, a = konstanta, b = parameter regresi) Data : data yang digunakan untuk analisis regresi linier sederhana adalah minimal interval Asumsi : asumsi yang harus dipenuhi dalam regresi ganda adalah asumsi klasik Contoh Kasus Seorang manajer penjualan salah satu agen sepeda motor ingin mengetahui pengaruh biaya promosi meliputi iklan tv dan iklan radio dengan jumlah unit motor yang terjual dalam beberapa tahun terakhir. Ia menggunakan data penjualan dan biaya promosi 3 tahun terakhir untuk meramalkan penjualan berdasarkan biaya promosi yang dikeluarkan setiap bulannya. Data : No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

IklanTV 100 100 112 113 96 104 98 99 98 95 100 105 96 99 105 110

Iklanradio 30 25 35 21 22 30 32 34 27 25 30 32 25 22 32 35

Unit Terjual 8000 7800 9800 7800 7900 8100 7800 8000 7800 7600 8600 8100 7600 7500 8700 8300

http://teorionline.net/ 2 Aplikasi Regresi Ganda dengan SPSS 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36

96 96 96 96 97 89 92 109 96 96 96 96 96 98 105 107 64 111 110 96

22 30 20 25 25 25 20 35 25 18 18 25 15 18 22 22 20 28 24 25

Data Penjualan dalam Satuan Juta Data Unit Terjual (satuan)

7400 8000 7200 7800 7900 7400 7700 9000 7600 7800 7700 7800 7500 5300 7900 7000 4400 8000 7400 7300


Penyelesaian Buka SPSS Copy Seluruh data ke lembar kerja SPSS Beri nama pada tab “variable views” dengan TV, Radio, dan Jual Berikut tampilan data di SPSS


Klik Analyze – Regression - Linier – lalu setting data seperti tampilan di bawah ini Masukkan variabel TV dan Radio ke box independent, dan Jual (unit terjual) ke box “dependent”

Klik Plots, lalu Tick pada pilihan “Histogram” dan “Normal Probability Plot” Masukkan pilihan “Sresid” ke Sumbu Y, dan “Zpred” ke sumbu X

Klik Continue


Klik Statistics, lalu Tick pada pilihan “Colinearity diagnosics” dan “Durbin-Watson”

Klik Continue, lalu Klik OK

Hasil

Regression Variables Entered/Removedb Model 1

Variables Entered Radio, TVa

Variables Removed

Method Enter

.

a. All requested variables entered. b. Dependent Variable: Jual

Model Summaryb Model 1

R R Square .774a .599

Adjusted R Square .575

Std. Error of the Estimate 573.39994

DurbinWatson 1.762

a. Predictors: (Constant), Radio, TV b. Dependent Variable: Jual

ANOVAb Model 1

Regression Residual Total

Sum of Squares 16217513 10849987 27067500


df 2 33 35

Mean Square 8108756.475 328787.486

F 24.663

Sig. .000a


Coefficientsa

Model 1

(Constant) TV Radio

Unstandardized Coefficients B Std. Error 815.840 1129.922 52.370 12.516 66.447 19.855

Standardized Coefficients Beta .509 .407

t .722 4.184 3.347

Sig. .475 .000 .002

Collinearity Statistics Tolerance VIF .822 .822

a. Dependent Variable: Jual

Collinearity Diagnosticsa

Model 1

Dimension 1 2 3

Eigenvalue 2.972 .024 .003

Condition Index 1.000 11.027 29.759

Variance Proportions (Constant) TV Radio .00 .00 .00 .07 .03 .92 .93 .97 .07


Residuals Statisticsa Minimum Maximum Mean Predicted Value 5496.4478 9006.9033 7708.3333 Std. Predicted Value -3.249 1.908 .000 Standard Error of 97.076 417.922 154.740 Predicted Value Adjusted Predicted Value 6729.0620 8988.6152 7744.2206 Residual -1844.13 793.09631 .00000 Std. Residual -3.216 1.383 .000 Stud. Residual -3.372 1.488 -.026 Deleted Residual -2338.95 917.82739 -35.88723 Stud. Deleted Residual -4.102 1.517 -.056 Mahal. Distance .031 17.621 1.944 Cook's Distance .000 2.946 .112 Centered Leverage Value .001 .503 .056 a. Dependent Variable: Jual

Std. Deviation 680.70369 1.000

N 36 36

59.609

36

603.56379 556.77610 .971 1.070 699.22284 1.170 2.994 .490 .086

36 36 36 36 36 36 36 36 36

1.217 1.217


Charts

Histogram

Dependent Variable: Jual

12.5

7.5

5.0

2.5 Mean =1.03E-15 Std. Dev. =0.971 N =36

0.0 -4

-3

-2

-1

0

1

2

Regression Standardized Residual

Normal P-P Plot of Regression Standardized Residual


1.0

Expected Cum Prob

Frequency

10.0

0.8

0.6

0.4

0.2

0.0 0.0

0.2

0.4

0.6

Observed Cum Prob

0.8

1.0


Scatterplot


Regression Studentized Residual

2

1

0

-1

-2

-3

-4 -4

-3

-2

-1

0

1

2

Regression Standardized Predicted Value

PEMBAHASAN Sebelum memberikan interpretasi pada hasil regresi, dilakukan pengujian asumsi normalitas sebagai syarat regresi. Apabila berdistribusi normal maka analisis parametrik seperti analisis regresi dapat dilanjutkan, sebaliknya apabila tidak tidak berdistribusi normal maka digunakan statistik non parametrik untuk menguji hipotesis. Pengujian normalitas ini menggunakan diagram histogram dan grafik p p-plot untuk memprediksi apakah residual berdistribusi normal atau tidak. Histogram


12.5

Frequency

10.0

7.5

5.0

2.5 Mean =1.03E-15 Std. Dev. =0.971 N =36

0.0 -4

-3

-2

-1

0

1

2

Regression Standardized Residual

Berdasarkan hasil uji di atas terlihat bahwa menyebar agak ke kanan bagian kurva normal, dan sehingga belum dapat disimpulkan apakah residual memenuhi asumsi normalitas.


Normal P-P Plot of Regression Standardized Residual


Expected Cum Prob

1.0

0.8

0.6

0.4

0.2

0.0 0.0

0.2

0.4

0.6

0.8

1.0

Observed Cum Prob

Hasil pengujian dengan memperhatikan grafik p p-plot juga menunjukkan kesimpulan serupa dengan histogram. Dari tampilan di atas terlihat bahwa ada data menyebar keluar dari garis diagonal, sehingga belum dapat dinyatakan normal. Memperhatikan temuan ini, maka pengujian normalitas residual dilakukan dengan teknik statistik Kolmogorov-Smirnov Test. Membuat Residual Klik Analyze – Regression – Liniear. Masukkan variabel seperti langkah awal. Klik Save, tick pada pilihan ”unstandard” seperti terlihat pada gambar di bawah ini


Jika dilakukan dengan benar, maka akan ada variabel baru yang bernama RES_1


Klik Analyze – Lalu pilih Nonparametric Test, lalu pilih 1-Sample K-S

Masukkan variabel RES_1 ke box ”Test Variable List”

Klik OK


Hasil Uji Normalitas One-Sample Kolmogorov-Smirnov Test

N Normal Parametersa,b Most Extreme Differences

Unstandardiz ed Residual 36 .0000000 556.77610403 .159 .077 -.159 .952 .324

Mean Std. Deviation Absolute Positive Negative

Kolmogorov-Smirnov Z Asymp. Sig. (2-tailed) a. Test distribution is Normal. b. Calculated from data.

Hasil uji normalitas residual dengan Kolmogorov-Smirnov menunjukkan nilai Asymp.Sig sebesar 0.324 (> 0.05), sehingga dapat disimpulkan bahwa residual model regresi berdistribusi normal. Coefficientsa

Model 1

(Constant) TV Radio



t .722 4.184 3.347

Sig. .475 .000 .002


1.217 1.217


Dengan melihat Nilai VIF (Varian Inflation Factor) diketahui bahwa tidak ada variabel yang memiliki nilai VIF lebih dari 10, serta nilai tolerance yang kurang dari 0.10. Dengan demikian dapat disimpulkan bahwa variabel independen terbebas dari masalah Multikolinieritas.


Scatterplot


Regression Studentized Residual

2

1

0

-1

-2

-3

-4 -4

-3

-2

-1

0

1

2

Regression Standardized Predicted Value

Hasil uji heterokedastisitas pada tampilan grafik scatter plot di atas menunjukkan bahwa tidak terjadi masalah heterokedastis. Hal ini dapat dilihat dari sebaran data yang menyebar ke segala bidang, dan berada di atas maupun dibawah nilai 0 pada sumbu Y.

Model Summaryb Model 1




DurbinWatson 1.762


Hasil uji autokorelasi dapat dilihat dari nilai Durbin_Watson sebesar 1.762. Untuk n=36, dan k=2 diperoleh nilai DW tabel Dl 1.354 dan Du 1.584. Nilai DW hitung 1.762 > dari batas atas (du) yaitu 1.584 dan kurang dari 4—du, sehingga dapat disimpulkan tidak ada autokorelasi positif maupun negative pada model.


Korelasi dan Regresi Model Summaryb Model 1




DurbinWatson 1.762


Korelasi antara biaya promosi (iklan TV dan Radio) dengan penjualan (unit terjual) adalah sebesar 0.774, dengan koefisien determinasi 0.575 (adjusted R Square). Dengan demikian dapat dinyatakan bahwa variasi penjualan mampu dijelaskan oleh biaya promosi sebesar 57.50%, dan sisanya dipengaruhi faktor lain selain biaya promosi Coefficientsa

Model 1

(Constant) TV Radio



t .722 4.184 3.347

Sig. .475 .000 .002


1.217 1.217


Persamaan regresi : Penjualan = 815.84 + 52.370 (Iklan TV) + 66.447 (Iklan Radio), Persamaan regresi tersebut mempunyai makna sebagai berikut: Konstanta sebesar 816 (pembulatan) berarti bahwa tanpa adanya biaya yang dikeluarkan untuk promosi, maka penjualan sepeda motor adalah sebesar 816 unit. Jika variabel biaya iklan TV naik (satu juta) maka akan menyebabkan kenaikan (karena tanda positif) sebesar 52 unit pada penjualan sepeda motor. Sedangkan jika biaya iklan radio naik 1 juta, maka akan menyebabkan kenaikan pada penjualan sebesar 66 unit sepeda motor. Pengujian Hipotesis Simultan Ho : Tidak ada pengaruh Iklan TV dan Radio terhadap Penjualan Ha : Ada pengaruh positif dan signifikan Iklan TV dan Radio terhadap Penjualan Pengambilan keputusan (berdasarkan probabilitas) : Jika probabilitas > 0,05 maka Ho diterima, sedangkan jika probabilitas < 0,05 maka Ho ditolak. ANOVAb Model 1

Regression Residual Total

Sum of Squares 16217513 10849987 27067500


df 2 33 35

Mean Square 8108756.475 328787.486

F 24.663

Sig. .000a


Dari hasil uji signifikansi terlihat bahwa nilai probabilitas adalah sebesar 0,00 (< 0,01) sehingga Ho ditolak. Artinya, pengaruh biaya promosi (iklan TV dan Radio) secara simultan terbukti mempengaruhi penjualan signifikan sehingga hipotesis alternatif (Ha) diterima. Hasil uji model parsial dengan memperhatikan nilat probilitas pada uji t memperoleh nilai t hitung untuk iklan TV sebesar 0.000 dan Iklan Radio 0.002. Karena probilitas < 0.05, maka dapat disimpulkan bahwa secara parsial dua variabel ini terbukti berpengaruh signifikan terhadap penjualan. Rekomendasi Buku : Rosadi, Dedi. (2012). Ekonometrika dan Analisis Runtun Waktu Terapan dengan EViews. Yogyakarta : Andi Ghozali, Imam. (2009). Analisis Multivariate dengan Program SPSS. Semarang : BP – UNDIP

No title

Recommend Documents