APLIKASI REGRESI GANDA DENGAN SPSS HENDRY admin teorionline.net Phone : 0-834 4694 / email : klik.statistik@gmail.com 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 maka regresi sederhana yang digunakan, dan jika variabel input lebih dari, maka regresi ganda yang digunakan. Persamaan regresi ganda dinotasikan sebagai berikut : Y = a + bx + bx + 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 IklanTV Iklanradio Unit Terjual 00 30 8000 00 5 7800 3 35 9800 4 3 7800 5 96 7900 6 04 30 800 7 98 3 7800 8 99 34 8000 9 98 7 7800 0 95 5 7600 00 30 8600 05 3 800 3 96 5 7600 4 99 7500 5 05 3 8700 6 0 35 8300
7 96 7400 8 96 30 8000 9 96 0 700 0 96 5 7800 97 5 7900 89 5 7400 3 9 0 7700 4 09 35 9000 5 96 5 7600 6 96 8 7800 7 96 8 7700 8 96 5 7800 9 96 5 7500 30 98 8 5300 3 05 7900 3 07 7000 33 64 0 4400 34 8 8000 35 0 4 7400 36 96 5 7300 Data Penjualan dalam Satuan Juta Data Unit Terjual (satuan)
3 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
4 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
5 Klik Statistics, lalu Tick pada pilihan Colinearity diagnosics dan Durbin-Watson Klik Continue, lalu Klik OK Hasil Regression Variables Entered/Removed b Variables Variables Entered Removed Method Radio, TV a. Enter a. All requested variables entered. b. Dependent Variable: Jual Summary b Adjusted Std. Error of Durbin- R R Square R Square the Estimate Watson.774 a.599.575 573.39994.76 a. Predictors: (Constant), Radio, TV b. Dependent Variable: Jual Regression Residual Total ANOVA b Sum of Squares df Mean Square F Sig. 6753 808756.475 4.663.000 a 0849987 33 38787.486 7067500 35 a. Predictors: (Constant), Radio, TV b. Dependent Variable: Jual
6 (Constant) TV Radio a. Dependent Variable: Jual Unstandardized Coefficients Coefficients a Standardized Coefficients Collinearity Statistics B Std. Error Beta t Sig. Tolerance VIF 85.840 9.9.7.475 5.370.56.509 4.84.000.8.7 66.447 9.855.407 3.347.00.8.7 Collinearity Diagnostics a Dimension 3 a. Dependent Variable: Jual Condition Variance Proportions Eigenvalue Index (Constant) TV Radio.97.000.00.00.00.04.07.07.03.9.003 9.759.93.97.07 Predicted Value Std. Predicted Value Standard Error of Predicted Value Adjusted Predicted Value Residual Std. Residual Stud. Residual Deleted Residual Stud. Deleted Residual Mahal. Distance Cook's Distance Centered Leverage Value a. Dependent Variable: Jual Residuals Statistics a Minimum Maximum Mean Std. Deviation N 5496.4478 9006.9033 7708.3333 680.70369 36-3.49.908.000.000 36 97.076 47.9 54.740 59.609 36 679.060 8988.65 7744.06 603.56379 36-844.3 793.0963.00000 556.7760 36-3.6.383.000.97 36-3.37.488 -.06.070 36-338.95 97.8739-35.8873 699.84 36-4.0.57 -.056.70 36.03 7.6.944.994 36.000.946..490 36.00.503.056.086 36
7 Charts Histogram Dependent Variable: Jual.5 0.0 Frequency 7.5 5.0.5 0.0-4 -3 - - 0 Mean =.03E-5 Std. Dev. =0.97 N =36 Regression Standardized Residual Normal P-P Plot of Regression Standardized Residual Dependent Variable: Jual.0 Expected Cum Prob 0.8 0.6 0.4 0. 0.0 0.0 0. 0.4 0.6 0.8.0 Observed Cum Prob
8 Scatterplot Dependent Variable: Jual Regression Studentized Residual 0 - - -3-4 -4-3 - - 0 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 Dependent Variable: Jual.5 0.0 Frequency 7.5 5.0.5 0.0-4 -3 - - 0 Mean =.03E-5 Std. Dev. =0.97 N =36 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.
9 Normal P-P Plot of Regression Standardized Residual Dependent Variable: Jual.0 Expected Cum Prob 0.8 0.6 0.4 0. 0.0 0.0 0. 0.4 0.6 0.8.0 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
0 Jika dilakukan dengan benar, maka akan ada variabel baru yang bernama RES_
Klik Analyze Lalu pilih Nonparametric Test, lalu pilih -Sample K-S Masukkan variabel RES_ ke box Test Variable List Klik OK
Hasil Uji Normalitas One-Sample Kolmogorov-Smirnov Test N Normal Parameters a,b Most Extreme Differences Kolmogorov-Smirnov Z Asymp. Sig. (-tailed) Mean Std. Deviation Absolute Positive Negative a. Test distribution is Normal. b. Calculated from data. Unstandardiz ed Residual 36.0000000 556.7760403.59.077 -.59.95.34 Hasil uji normalitas residual dengan Kolmogorov-Smirnov menunjukkan nilai Asymp.Sig sebesar 0.34 (> 0.05), sehingga dapat disimpulkan bahwa residual model regresi berdistribusi normal. (Constant) TV Radio a. Dependent Variable: Jual Unstandardized Coefficients Coefficients a Standardized Coefficients Collinearity Statistics B Std. Error Beta t Sig. Tolerance VIF 85.840 9.9.7.475 5.370.56.509 4.84.000.8.7 66.447 9.855.407 3.347.00.8.7 Dengan melihat Nilai VIF (Varian Inflation Factor) diketahui bahwa tidak ada variabel yang memiliki nilai VIF lebih dari 0, serta nilai tolerance yang kurang dari 0.0. Dengan demikian dapat disimpulkan bahwa variabel independen terbebas dari masalah Multikolinieritas.
3 Scatterplot Dependent Variable: Jual Regression Studentized Residual 0 - - -3-4 -4-3 - - 0 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. Summary b Adjusted Std. Error of Durbin- R R Square R Square the Estimate Watson.774 a.599.575 573.39994.76 a. Predictors: (Constant), Radio, TV b. Dependent Variable: Jual Hasil uji autokorelasi dapat dilihat dari nilai Durbin_Watson sebesar.76. Untuk n=36, dan k= diperoleh nilai DW tabel Dl.354 dan Du.584. Nilai DW hitung.76 > dari batas atas (du) yaitu.584 dan kurang dari 4 du, sehingga dapat disimpulkan tidak ada autokorelasi positif maupun negative pada model.
4 Korelasi dan Regresi Summary b Adjusted Std. Error of Durbin- R R Square R Square the Estimate Watson.774 a.599.575 573.39994.76 a. Predictors: (Constant), Radio, TV b. Dependent Variable: Jual 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 (Constant) TV Radio a. Dependent Variable: Jual Unstandardized Coefficients Coefficients a Standardized Coefficients Collinearity Statistics t Sig. Tolerance VIF B Std. Error Beta 85.840 9.9.7.475 5.370.56.509 4.84.000.8.7 66.447 9.855.407 3.347.00.8.7 Persamaan regresi : Penjualan = 85.84 + 5.370 (Iklan TV) + 66.447 (Iklan Radio), Persamaan regresi tersebut mempunyai makna sebagai berikut: Konstanta sebesar 86 (pembulatan) berarti bahwa tanpa adanya biaya yang dikeluarkan untuk promosi, maka penjualan sepeda motor adalah sebesar 86 unit. Jika variabel biaya iklan TV naik (satu juta) maka akan menyebabkan kenaikan (karena tanda positif) sebesar 5 unit pada penjualan sepeda motor. Sedangkan jika biaya iklan radio naik 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. Regression Residual Total ANOVA b Sum of Squares df Mean Square F Sig. 6753 808756.475 4.663.000 a 0849987 33 38787.486 7067500 35 a. Predictors: (Constant), Radio, TV b. Dependent Variable: Jual
5 Dari hasil uji signifikansi terlihat bahwa nilai probabilitas adalah sebesar 0,00 (< 0,0) 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 0.00. Karena probilitas < 0.05, maka dapat disimpulkan bahwa secara parsial dua variabel ini terbukti berpengaruh signifikan terhadap penjualan. Rekomendasi Buku : Rosadi, Dedi. (0). Ekonometrika dan Analisis Runtun Waktu Terapan dengan EViews. Yogyakarta : Andi Ghozali, Imam. (009). Analisis Multivariate dengan Program SPSS. Semarang : BP UNDIP