LAPORAN PENELITIAN ANALISIS REGRESI Disusun untuk Memenuhi Salah Satu Tugas Mata Kuliah Ekonometrika Disusun Oleh : M. Hasri Sabila 7101411057 Aprilia Rahmawati 7101413131 Lindasari 7101413132 Heni Amalia 7101413146 Laelatuzzahro 7101413240 UNIVERSITAS NEGERI SEMARANG Jl. Taman Siswa Kampus Sekaran, Gunung Pati Semarang 50229 Tahun 2015 1
KATA PENGANTAR Puji syukur senantiasa kami panjatkan kehadiran Tuhan Yang Maha Esa, karena berkat rahmat dan karunia-nya kami dapat menyelesiakan tugas laporan yang berjudul PENELITIAN ANALISIS REGRESI. Laporan ini membahas tentang hasil penelitian tentang pengaruh jumlah organisasi yang diikuti, jumlah konsumsi per bulan dan jumlah hari libur per minggu terhadap berat badan. Dan dengan kehadiran laporan ini mudah mudahan dapat membantu para pembaca sekalian dalam proses mempelajari halhal yang terkandung didalamnya, serta dapat menjadi bahan bacaan yang bermanfaat sehingga dapat meningkatkan mutu kehidupan. Kami menyadari dalam pembuatan laporan ini masih banyak kekurangan, Oleh karena itu, kritik dan saran yang bersifat membangun sangat kami harapkan demi menyusun makalah yang lebih baik. Akhir kata kami mengucapkan terima kasih kepada semua pihak yang telah membantu proses penyusunan makalah ini. Semarang, April 2015 Penulis 2
DAFTAR ISI HALAMAN JUDUL... 1 KATA PENGANTAR... 2 DAFTAR ISI... 3 BAB I PENDAHULUAN... 4 Latar Belakang... 4 Rumusan Masalah... 5 Tujuan Penulisan... 5 BAB II METODE PENELITIAN... 6 Waktu dan Tempat Kegiatan... 6 Instrumen yang Digunakan... 6 Teknis Analisis... 6 BAB III DATA dan PEMBAHASAN... 7 Data Penelitian... 7 Pembahasan... 8 BAB IV PENUTUP... 17 Simpulan... 17 Saran... 17 DAFTAR PUSTAKA... 18 LAMPIRAN... 19 3
BAB I PENDAHULUAN I.1 Latar Belakang Istilah regresi pertama kali diperkenalkan oleh Sir Francis Galton pad athun 1886. Galton menemukan adanya tendensi bahwa orang tua yang memiliki tubuh tinggi, memiliki anak-anak yang tinggi pula dan orang tua yang memiliki tubuh pendek, memiliki anak-anak yang pendek pula. Kendati dmeikian, ia mengamati ada kecenderungan bahwa tinggi anak bergerak menuju rata-rata tinggi populasi secara keseluruhan. Dengan kata lain, ketinggian anak yang amat tinggi atau orang tua yang amat pendek cenderung bergerak kea rah rata-rata tinggi populasi. Inilah yang disebut hokum Galton mengenai regresi universal. Dalam bahasa Galton, ia menyebutnya sebagai regresi menuju mendiktras (Maddala, 1992). Interpretasi modern mengenai regresi agak berlainan dengan regresi versi Galton. Secara umum, analisi regresi pada dasarnya adalah studi mengenai ketergantungan variabel dependen dengan satu atau lebih variabel independen, dengan tujuan untuk mengestimasi dan/atau memprediksi rata-rata populasi atau nilai rata-rata variabel dependen berdasarkan nilai variabel independen yang diketahui (Gujarati, 2003). Hasil analisi regresi adalah berupa koefisien untuk masing-masing variabel independen. Koefisien ini diperoleh dengan cara memprediksi nilai variabel dependen dengan suatu persamaan. Koefisien regresi dihitung dengan dua tujuan sekaligus. Pertama, meminimumkan penyimpangan antara nilai actual dan nilai estimasi variabel dependen berdasarkan data yang ada (Tabachnick, 1996). Sebelum melakukan regresialangkah baiknya kita melakukan uji asumsi klasik terhadap data yang digunakan. Uji asumsi klasik adalah persyaratan statistik yang harus dipenuhi pada analisis regresi linear berganda yang berbasis ordinary least square (OLS). Dalam paper ini akan dibahas tentang uji analisis untuk regresi berganda atau yang sering disebut dengan Uji Asumsi Klasik. Menurut Damodar Gujarati (2006) agar model regresi tidak bias atau agar model 4
regresi BLUE (Best Linear Unbiased Estimator) maka diperlukan uji asumsi klasik terlebih dahulu. Dikatakan BEST jika garis regresi yang digunakan untuk melakukan peramalan data menghasilkan error dengan nilai terkecil. Dan pada kesempatan kali ini, kami akan melakukan penelitian tentang pengaruh jumlah organisasi yang diikuti, jumlah konsumsi per bulan dan jumlah hari libur per minggu terhadap berat badan. I.2 Rumusan Masalah Berdasarkan latar belakang masalah di atas, dalam penelitian ini dapat dirumuskan sebuah masalah yakni Apakah jumlah organisasi yang diikuti, jumlah hari libur per minggu, dan jumlah konsumsi per bulan per pengaruh terhadap berat badan seseorang? I.3 Tujuan Penulisan Tujuan diadakannya penelitian ini yakni untuk mengetahui ada dan tidaknya pengaruh jumlah organisasi yang diikuti, jumlah hari libur per minggu, dan jumlah konsumsi per bulan terhadap berat badan seseorang. 5
BAB II METODE PENELITIAN II.1 Waktu dan Tempat Kegiatan Penelitian ini dilakukan di sekitar area gedung C3 dan C6 Fakultas Ekonomi Universitas Negeri Semarang pada hari rabu tanggal 22 April 2015 dengan target penelitian yaitu para mahasiswa Fakultas Ekonomi. II.2 Instrumen yang Digunakan a. Panduan wawancara b. Angket II.3 Teknis Analisis Analisis dilakukan dengan menggunakan aplikasi SPSS versi 16.0. sebelum melakukan pengujian, dilakukan terlebih dahulu uji asumsi klasik terhadap data yang terkumpul. Kemudian, melakukan uji regresi untuk melihat tingkat pengaruh variabel X terhadap variabel Y. 6
BAB III DATA dan PEMBAHASAN III.1 Data Penelitian No. Jumlah Hari Libur Berat Badan Konsumsi per Organisasi per minggu (kg) bulan yang diikuti (hari) 1 55 Rp 450.000,00 0 3 2 47 Rp 450.000,00 0 3 3 40 Rp 350.000,00 1 3 4 40 Rp 350.000,00 1 3 5 43 Rp 400.000,00 0 3 6 48 Rp 300.000,00 1 2 7 50 Rp 450.000,00 0 2 8 55 Rp 600.000,00 2 3 9 40 Rp 450.000,00 0 3 10 70 Rp 450.000,00 1 2 11 46 Rp 200.000,00 1 2 12 45 Rp 500.000,00 0 2 13 43 Rp 600.000,00 1 2 14 43 Rp 550.000,00 1 1 15 41 Rp 550.000,00 1 2 16 56 Rp 650.000,00 0 3 17 50 Rp 500.000,00 0 2 18 55 Rp 400.000,00 2 2 19 50 Rp 600.000,00 1 1 20 46 Rp 600.000,00 0 3 21 39 Rp 300.000,00 0 3 22 52 Rp 300.000,00 0 3 23 52 Rp 450.000,00 2 3 7
24 50 Rp 400.000,00 0 3 25 51 Rp 300.000,00 1 1 26 53 Rp 400.000,00 0 3 27 45 Rp 750.000,00 1 3 28 40 Rp 600.000,00 0 3 29 48 Rp 400.000,00 0 3 30 54 Rp 750.000,00 1 1 31 50 Rp 300.000,00 1 1 32 43 Rp 300.000,00 1 2 33 53 Rp 300.000,00 1 3 34 50 Rp 450.000,00 0 3 35 44 Rp 400.000,00 1 1 36 60 Rp 700.000,00 0 3 37 53 Rp 600.000,00 0 3 38 65 Rp 500.000,00 0 3 39 43 Rp 500.000,00 0 3 40 44 Rp 450.000,00 0 3 III.2 Pembahasan III.2.1 Uji Asumsi Klasik Sebelum kita menginterpretasikan hasil dari SPSS, sebaiknya kita melakukan uji asumsi klasik. Hal ini dikarenakan agar data yang kita gunakan valid dan terhindar dari penyimpangan sehingga hasil analisis penelitian bersifat valid dan dapat diakui kebenarannya. Setidaknya ada lima uji asumsi klasik, yaitu uji multikolinearitas, uji heteroskedastisitas, uji normalitas, uji autokorelasi dan uji linearitas. Berikut ini adalah pengujian asumsi klasik terhadap data penelitian: a. Uji Multikolinieritas Asumsi Multikolinearitas yaitu salah satu penyimpangan asumsi klasik yang terjadi pada regresi berganda. Pengertian multikolinearitas yaitu 8
adanya korelasi antara variabel X yang saling kuat melebihi korelasi antara variabel X ke Y. Mengapa kita perlu untuk menguji asumsi klasik multikolinieritas? Karena data yang kita buat mungkin saja salah, dalam kasus ini bisa dimungkinkan kita salah memilih variabel dependentnya atau Y. Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel independen. Jika terkena multikolinieritas maka akan sulit melihat pengaruh hubungan variabel independen terhadap variabel dependen. Gambar 1 Hasil Uji Multikolinieritas Gambar 1 Nilai Tolerance dan VIF Tidak terjadi multikolinieritas jika nilai tolerance kurang dari satu dan nilai VIF kurang dari 10. Bardasarkan hasil uji multikolinieritas yang terlihat pada gambar di atas, nilai tolerance sebesar 0,994; 0,817; dan 0,821 dan nilai VIF 1,006; 1,224; dan 1,218. Jadi, data penelitian tersebut bebas dari asumsi multikolinieritas. b. Uji Heteroskedastisitas Uji heteroskedastisitas berfungsi untuk melihat adanya ketidaksamaan varians antara residual observasi satu dengan yang lainnya. Jika residual 9
memiliki varians yang sama, maka disebut homoskedastisitas dan jika variansnya berbeda disebut heteroskedastisitas. Model regresi dikatakan baik, jika regresi tersebut lulus uji heteroskedastitas yang artinya varians dari residualnya sama. Jika standard error bias maka nilai t dan F akan bias, akhirnya kita tidak bisa mengambil kesimpulan standard error untuk menentukan nilai t dan F. Untuk melakukan uji heteroskedastisitas dapat dilakukan dengan beberapa cara yaitu; Uji Park, Uji White, Uji Gletser, atau dengan melihat pola grafik scatterplot. Pada penelitian ini, kita hanya melakukan uji heteroskedastisitas dengan menggunakan Uji Park. Gambar 2. Nilai Signifikansi Sebelum Uji Park Berdasarkan data yang terlihat pada gambar di atas, nilai signifikansi dari konsumsi sebesar 0,290 yang artinya data tidak lolos uji heteroskedastisitas. Oleh karena itu, kita dapat melakukan beberapa uji yaitu uji Park, uji Glejser, dan uji White. Namun pada penelitia ini kita menggunakan Uji White : Untuk melakukan Uji White, pertama-tama mengubah variabel dependen (Y) menjadi variabel dependen (Y) residual. Kemudian,masukan nilai variabel dependen (Y) residual ke dalam rumus res 2 = ᵝ₀+ᵝ₁ 1ᵝ₂ 2ᵝ3 3 + et. Berikut ini adalah nilai akhir variabel dependen (Y) : 10
Yres Yres² 6,73701 45,387304-1,26299 1,5951437-8,32585 69,319778-8,32585 69,319778-4,80817 23,118499 0,35251 0,1242633 1,96055 3,8437563 3,42753 11,747962-8,26299 68,277004 20,98804 440,49782-0,73784 0,5444079-3,49427 12,209923-7,37643 54,41172-6,69806 44,864008-8,9216 79,594947 5,91772 35,01941 1,50573 2,2672228 5,47036 29,924839-0,15288 0,0233723-3,62746 13,158466-7,89853 62,386776 5,10147 26,024996 1,79199 3,2112282 2,19183 4,8041187 3,57605 12,788134 5,19183 26,955099-6,96444 48,503425-9,62746 92,687986 0,19183 0,0367987 2,48265 6,163551 2,57605 6,6360336-4,64749 21,599163 5,12897 26,306333 1,73701 3,0172037-4,33359 18,780002 9,46289 89,546287 3,37254 11,374026 16,28218 265,10939-5,71782 32,693466-4,26299 18,173084 11
Gambar 3. Hasil Uji Heteroskedastisitas Tidak terjadi heteroskedastisitas jika nilai signifikansi lebih besar dari nilai alpha (nilai alpha sebesar 0,05). Bardasarkan hasil uji white yang terlihat pada gambar di atas, nilai signifikansi dari konsumsi sebesar 0,618 Jadi, data penelitian tersebut bebas dari asumsi heteroskedastisitas. c. Uji Autokorelasi Autokorelasi adalah penyakit yang diketahui adanya korelasi antar erroreror (residual) antara observasi satu dengan observasi lainnya saling berhubungan, karena data tidak independent lagi. Uji ini hanya digunakan untuk autokorelasi tingkat satu dan mensyaratkan adanya model regresi dan tidak ada variable lagi diantara penjelas. Gambar 4 Nilai Durbin Watson Diketahui : Nilai durbin watson (d) : 1,956 Nilai durbin watson lower (dl) : 1,338 Nilai durbin watson (du) : 1,659 12
Bebas autokorelasi jika du < d < 4-du. 1,659 < 1,956 < 4-1,659. Artinya Ho diterima. Jadi, data penelitian tersebut bebas dari asumsi autokorelasi. d. Uji Normalitas Uji normalitas dilakukan untuk melihat nilai residual terdistribusi normal atau tidak. Jadi, pengujian bukan dilakukan pada masing-masing variabel melainkan pada nilai residualnya. Jika data kurang dari 30 maka dilakukan uji normalitas. Namun, jika data lebih dari 30 maka tidak perlu melakukan uji normalitas. Pada penelitian ini tidak perlu melakukan uji normalitas Karena data yang digunakan lebih dari 30, yaitu sebanyak 40 data. III.2.2 Hasil Penelitian a. Menyusun hipotesis dan teori Ha 1 : ada pengaruh antara kosumsi dengan berat badan Ho 1 : tidak ada pengaruh pengaruh antara kosumsi dengan berat badan Ha 2 : ada pengaruh antara hari libur dalam seminggu terrhadap berat badan Ho 2 : tidak ada pengaruh ada pengaruh antara hari libur dalam seminggu terhadap berat badan Ha 3 : ada pengaruh antara jumlah organisasi yang diikuti terhadap berat badan Ho 3 : tidak ada pengaruhantara jumlah organisasi yang diikuti terhadap berat badan Ha 4 : ada Pengaruh antara konsumsi, hari libur dalam seminggu dan jumlah organisasi yang diikuti terhadap berat badan. Ho 4 : tidak ada Pengaruh antara konsumsi, hari libur dalam seminggu dan jumlah organisasi yang diikuti terhadap berat badan. b. Spesifikasi model matematika Y = ᵝ₀+ᵝ₁ 1+ᵝ₂ 2+ᵝ3 3 13
c. Spesifikasi model statistika/ekonometrika Y = ᵝ₀+ᵝ₁ 1+ᵝ₂ 2+ᵝ3 3+ e t d. Data penelitian Data penelitian telah tercantum pada halaman sebelumnya. e. Analisis Gambar 5 Nilai Koefisien Korelasi Dikatakan ada hubungan jika nilai signifikan jika nilai signifikansi kurang dari alpha (0,05). Berdasarkan data di atas nilai signifikansi dari konsumsi, organisasi, dan hari libur berturut-turut 0,146; 0,342; dan 0,483. Artinya, tidak ada hubungan antara jumlah konsumsi per bulan, jumlah organisasi yang diikuti, dan jumlah hari libur per minggu terhadap berat badan seseorang. Gambar 6 Nilai signifikansi 14
Gambar 7 Nilai signifikansi Berdasarkan gambar 6 di atas, nilai signifikansi dari konsumsi, organisasi, dan hari libur berturut-turut yaitu 0,290; 0,621; dan 0,894 dan nilai alpha 0,05. Jikanilai signifikansi < alpha maka Ho ditolak dan jika nilai signifikansi > alpha maka Ho diterima. Ha 1 : ada pengaruh antara kosumsi dengan berat badan Ho 1 : Ha 2 : tidak ada pengaruh pengaruh antara kosumsi dengan berat badan 0,290 > 0,05 artinya Ho 1 diterima ada pengaruh antara jumlah organisasi yang terhadap berat badan Ho 2 : tidak ada pengaruh ada pengaruh antara jumlah organisasi yang Ha 3 : diikuti terhadap berat badan 0,621 > 0,05 artinya Ho 2 diterima ada pengaruh antara diikuti hari libur dalam seminggu terhadap berat badan Ho 3 : tidak ada pengaruh antara hari libur dalam seminggu terhadap berat badan 0,894 > 0,05 artinya Ho 3 diterima Berdasarkan gambar 6 di atas, nilai signifikansi dari konsumsi, organisasi, dan hari libur sebesar 0,721 dan nilai alpha 0,05. Ha 4 : ada pengaruh antara konsumsi, hari libur dalam seminggu dan jumlah organisasi yang diikuti terhadap berat badan. Ho 4 : tidak ada pengaruh antara konsumsi, hari libur dalam seminggu dan jumlah organisasi yang diikuti terhadap berat badan. 0,721 > 0,05 artinya Ho 4 diterima 15
Dari data di atas, dapat disimpulkan bahwa tidak ada pengaruh antara jumlah konsumsi per bulan, jumlah hari libur dalam seminggu dan jumlah organisasi yang diikuti terhadap berat badan. Gambar 8 Nilai R-Square Berdasarkan gambar di atas, nilai R-Square sebesar 0,036. Nilai koefisien determinasi : 0,036 x 100% = 3,6%. Artinya kemampuan variabel independen (X) dalam menjelaskan variabel dependen (Y) sebesar 3,6% dan sisanya sebesar 96,4% dijelaskan oleh variabel lain di luar penelitian. 16
BAB IV PENUTUP IV.1 Simpulan Dari hasil analisis data dengan menggunakan aplikasi SPSS versi 16.0 kami dapat menarik kesimpulan dari data yang terkumpul dari 40 responden mengatakan bahwa tidak ada pengaruh antara jumlah konsumsi per bulan, jumlah organisasi yang diikuti, dan jumlah hari libur per minggu terhadap berat badan seseorang. IV.2 Saran Hasil penelitian ini diharapkan dapat ditindaklanjuti oleh para pihak yang berkepentingan misalnya ahli gizi maupun pihak-pihak terkait lainnya agar bisa mengetahui apa yang menjadi pengaruh penambahan maupun penurunan berat badan seseorang. 17
DAFTAR PUSTAKA Ghozali, Imam. 2011. Aplikasi Analisis Multivariate dengan Program IBM SPSS 19. Badan penerbit Universitas Diponegoro. Semarang. 18
Lampiran 19
20
21
22
23
24