ANALISIS PENGARUH
D
I
S
U
S
U
N
OLEH
:
NAMA
: SADARUDDIN PANE
NIM : 14 401 00208
DOSEN PEMBIMBING :
DELIMA SARI
JURUSAN PERBANKAN SYARIAH
FAKULTAS EKONOMI DAN BISNIS ISLAM
INSTITUT AGAMA ISLAM NEGERI
PADANGSIDIMPUAN
2016
KATA PENGANTAR
Assalamu Alaikum Wr.Wb.
Alhamdulillhahirabil’alamin,
puji dan syukur kehadirat ALLAH SWT. sebagai pencipta atas segala kehidupan
yang kita lihat, kita dengar dan kita rasa yang senantiasa memberikan rahmat,
hidayah dan inayah-Nya sehingga penulis dapat menyelesaikan tugas mata kuliah
ini. Shalawat serta salam semoga tetap tercurah kepada Nabi besar
Muhammad SAW beserta keluarga, sahabat, dan para pengikutnya yang tetap
istiqomah hingga yaumil akhir.
Dalam
kesempatan ini, penulis juga ingin mengucapkan terima kasih dengan hati yang
tulus kepada seluruh pihak yang telah membantu dalam penyelesaian makalah ini,
semoga Allah senantiasa membalas dengan kebaikan yang berlipat ganda.
Penulis
menyadari bahwa penyusunan makalah ini masih jauh dari sempurna, oleh karena
itu penulis mengharapkan kritik dan saran yang bersifat membangun dari semua
pihak, guna perbaikan di masa yang akan datang. Akhirnya semoga amal baik yang
telah diberikan oleh semua pihak kepada penulis, mendapat balasan yang setimpal
dari Allah SWT. harapan penulis semoga makalah ini dapat bermanfaat bagi semua
pihak.
Wassalamu alaikum Wr.Wb.
Padangsidimpuan, November 2016
Penulis
DAFTAR ISI
KATA PENGANTAR................................................................................ i
DAFTAR ISI............................................................................................... ii
BAB I
PENDAHULUAN.......................................................................... 1
A. Latar Belakang ................................................................................ 1
BAB II
PEMBAHASAN............................................................................ 2
A. Analisis
Regresi................................................................................ 2
B. Regresi Linear Sederhana................................................................ 3
C. Regresi
Linear Berganda ................................................................. 8
BAB III PENUTUP.................................................................................... 14
A. Kesimpulan...................................................................................... 14
DAFTAR PUSTAKA
BAB
I
PENDAHULUAN
A.
Latar
Belakang
Pada umumnya ,
pemakaian persamaan regresi hanya terbatas pada jenis persamaan tunggal. Dimana
pada bentuk persamaan seperti itu, satu variable tak bebas Y di pengaruhi oleh
satu atau lebih variabel bebas X . pada bentuk persamam seperti ini hubungan
antara y dan X bersifa 1a.Varabel bebas x sebagai penyebab dan variable tak
bebas y sebagai akibat.
Tetapi pada
keadaan tertentu, dua variabel itu saling berpengaruh. Yaitu variable X
mempengaruhi variabel Y, dan sebaliknya variabel Y mempengaruhi variabel X.
persamaan regresi yang memiliki sifat seperti ini disebut persamaan regresi
simultan.
Jadi persamaan
regresi simultan adalah himpunan persamaan regresi dimana variable tak bebas
dalam satu atau lebih persamaan juga menjadi variable bebas pada beberapa
persamaan lainnya. Sehingga dalam persamaan simultan satu vaiabel mempunyai dua
peran sekaligus,yaitu sebagai variable tak bebas dan variable bebas.
Karena dalam
persamaan simultan ini terjadi perubahanfungsi variable,maka pemakaian nama
variable bebas dan tak bebas sudah tidak tepat lagi. Variable dalam persamaan
simultan di bedakan menjadi variable endogen dan variable eksogen. Variable
endogen adalah variable tak bebas di dalam persamaan simultan
BAB
II
PEMBAHASAN
A.
Analisis
Regresi
Analisis regresi
adalah suatu proses memperkirakan secara sistematis tentang apa yang paling
mungkin terjadi dimasa yang akan datang berdasarkan informasi yang sekarang
dimiliki agar memperkecil kesalahan. Regresi merupakan suatu alat ukur yang
juga dapat digunakan untuk mengukur ada atau tidaknya korelasi antarvariabel.[1]
Jika kita memiliki dua buah variabel atau lebih maka sudah selayaknya apabila
kita ingin mempelajari bagaimana variabel-variabel itu berhubungan atau dapat
diramalkan. Analisis regresi dapat juga diartikan sebagai usaha memprediksi
perubahan. Perubahan nilai suatu variabel dapat disebabkan karena adanya
perubahan pada variabel-variabel lain yang mempengaruhinya. Misalnya, volume
pupuk terhadap hasil panen padi, karena adanya perubahan volume pupuk maka
produksi padi dengan sendirinya akan berubah. Dalam fenomena alam banyak sekali
kejadian yang saling berkaitan sehingga perubahan pada variabel lain berakibat
pada perubahan variabel lainnya. Teknik yang digunakan untuk menganalisis ini
adalah analisis regresi.
Analisis regresi
(regression analysis) merupakan suatu teknik untuk membangun persamaan dan
menggunakan persamaan tersebut untuk membuat perkiraan (prediction). Dengan
demikian, analisis regresi sering disebut sebagai analisis prediksi. Karena
merupakan prediksi, maka nilai prediksi tidak selalu tetap dengan nilai
riilnya, semakin kecil tingkat penyimpangan antara nilai prediksi dengan nilai
riilnya, maka semakin tepat persamaan regresinya. Analisis regresi mempelajari hubungan
yang diperoleh dinyatakan dalam persamaan matematika yang menyatakan hubungan
fungsional antara variabel-variabel.[2] Hubungan fungsional antara satu variabel
prediktor dengan satu variabel kriterium disebut analisis regresi sederhana
(tunggal), sedangkan hubungan fungsional yang lebih dari satu variabel disebut
analisis regresi ganda. Sehingga dapat didefinisikan bahwa: Analisis regresi
adalah metode statistik yang digunakan untuk menentukan kemungkinan hubungan
antara variabel-variabel.
Regresi linear
adalah alat statistik yang dipergunakan untuk mengetahui pengaruh antara satu
atau beberapa variabel terhadap satu buah variabel. Variabel yang mempengaruhi
sering disebut variabel bebas, variabel independen atau variabel penjelas.
Variabel yang dipengaruhi sering disebut dengan variabel terikat atau variabel
dependen. Regresi linear hanya dapat digunakan pada skala interval dan ratio.
Secara umum regresi linear terdiri dari dua, yaitu regresi linear sederhana
yaitu dengan satu buah variabel bebas dan satu buah variabel terikat; dan
regresi linear berganda (regresi ganda) dengan beberapa variabel bebas dan satu
buah variabel terikat. Analisis regresi linear merupakan metode statistik yang
paling jamak dipergunakan dalam penelitian-penelitian sosial, terutama
penelitian ekonomi. Program komputer yang paling banyak digunakan adalah SPSS
(Statistical Package For Service Solutions).
B.
Regresi Linear Sederhana
Analisis regresi
linear sederhana dipergunakan untuk mengetahui pengaruh antara satu buah
variabel bebas terhadap satu buah variabel terikat. Persamaan umumnya adalah:[3]
Y = a + b X.
Dengan Y adalah
variabel terikat dan X adalah variabel bebas. Koefisien a adalah konstanta
(intercept) yang merupakan titik potong antara garis regresi dengan sumbu Y
pada koordinat kartesius.
Analisis regresi
linear sederhana merupakan salah satu metode regresi yang dapat dipakai sebagai
alat inferensi statistik untuk menentukan pengaruh sebuah variabel bebas
(independen) terhadap variabel terikat (dependen).
Uji Regresi linear
sederhana ataupun regresi linier berganda pada intinya memiliki beberapa
tujuan, yaitu:[4]
1)
Menghitung nilai estimasi rata-rata dan
nilai variabel terikat berdasarkan pada nilai variabel bebas.
2)
Menguji hipotesis karakteristik
dependensi
3)
Meramalkan nilai rata-rata variabel
bebas dengan didasarkan pada nilai variabel bebas diluar jangkaun sample.
a. Interpretasi Output
1. Koefisien
determinasi
Koefisien
determinasi mencerminkan seberapa besar kemampuan
variabel bebas dalam menjelaskan varians variabel terikatnya. Mempunyai nilai
antara 0 – 1 di mana nilai yang mendekati 1 berarti semakin tinggi kemampuan
variabel bebas dalam menjelaskan varians variabel terikatnya.
2. Nilai
t hitung dan signifikansi
Nilai
t hitung > t tabel berarti ada pengaruh yang signifikan antara variabel
bebas terhadap variabel terikat, atau bisa juga dengan signifikansi di bawah
0,05 untuk penelitian sosial, dan untuk penelitian bursa kadang-kadang
digunakan toleransi sampai dengan 0,10.
3. Persamaan
regresi[5]
Sebagai
ilustrasi variabel bebas: Biaya promosi dan variabel terikat: Profitabilitas
(dalam juta rupiah) dan hasil analisisnya Y = 1,2 + 0,55 X. Berarti
interpretasinya:
1)
Jika besarnya biaya promosi meningkat
sebesar 1 juta rupiah, maka profitabilitas meningkat sebesar 0,55 juta rupiah.
2)
Jika biaya promosi bernilai nol, maka
profitabilitas akan bernilai 1,2 juta rupiah.
Interpretasi
terhadap nilai intercept (dalam contoh ini 1,2 juta) harus hati-hati dan sesuai
dengan rancangan penelitian. Jika penelitian menggunakan angket dengan skala
likert antara 1 sampai 5, maka interpretasi di atas tidak boleh dilakukan
karena variabel X tidak mungkin bernilai nol. Interpretasi dengan skala likert
tersebut sebaiknya menggunakan nilai standardized coefficient sehingga
tidak ada konstanta karena nilainya telah distandarkan.
Contoh:
Pengaruh antara kepuasan (X) terhadap kinerja (Y) dengan skala likert antara 1
sampai dengan 5. Hasil output yang digunakan adalah standardized
coefficients sehingga Y = 0,21 X dan diinterpretasikan bahwa peningkatan
kepuasan kerja akan diikuti dengan peningkatan kinerja atau penurunan kepuasan
kerja juga akan diikuti dengan penurunan kinerja. Peningkatan kepuasan kerja
dalam satu satuan unit akan diikuti dengan peningkatan kinerja sebesar 0,21
(21%).
b. Contoh output Regresi Linier
Sederhana dengan SPSS
Pada
analisis regresi sederhana dengan menggunakan SPSS ada beberapa asumsi dan
persyaratan yang perlu diperiksa dan diuji, beberapa diantaranya adalah :
1.
Variabel bebas tidak berkorelasi dengan
disturbance term (Error). Nilai disturbance term sebesar 0 atau dengan simbol
sebagai berikut: E (U / X) = 0,
2.
Jika variabel bebas lebih dari satu,
maka antara variabel bebas (explanatory) tidak ada hubungan linier yang nyata,
3.
Model regresi dikatakan layak jika angka
signifikansi pada ANOVA sebesar < 0.05, Predictor yang digunakan sebagai
variabel bebas harus layak. Kelayakan ini diketahui jika angka Standard Error
of Estimate < Standard Deviation,
4.
Koefisien regresi harus signifikan.
Pengujian dilakukan dengan Uji T. Koefesien regresi signifikan jika T hitung
> T table (nilai kritis),
5.
Model regresi dapat diterangkan dengan
menggunakan nilai koefisien determinasi (KD = R Square x 100%) semakin besar
nilai tersebut maka model semakin baik. Jika nilai mendekati 1 maka model
regresi semakin baik,
6.
Residual harus berdistribusi normal,
7.
Data berskala interval atau rasio,
8.
Kedua variabel bersifat dependen,
artinya satu variabel merupakan variabel bebas (variabel predictor) sedang
variabel lainnya variabel terikat (variabel response).
Berikut
ini contoh perhitungan regresi linier sederhana menggunakan software SPSS:
-
Proses mulai dengan memilih menu
Analyze, kemudian pilih Linear,
Description: Menu Regresi Linear
SPSS
Menu Regresi Linear SPSS
-
Pilih variabel Y
sebagai variabel dependen (terikat) dan X1 sebagai variabel independen (bebas)
lalu klik tombol OK,
Pilih variabel Y
sebagai variabel dependen (terikat) dan X1 sebagai variabel independen (bebas)
lalu klik tombol OK,
Description: Proses Regresi Linear
SPSS
Proses Regresi Linear SPSS
-
Output SPSS akan menampilkan hasil
berupa 4 buah tabel yaitu:
1)
Tabel variabel penelitian
2)
Ringkasan model (model summary)
3)
Tabel Anova, dan
4)
Tabel Koefisien.
Description: Output Regresi Linear
SPSS
Output Regresi Linear SPSS
Cara
membaca output spss hasil uji regresi linier tersebut adalah :
a)
Tabel pertama menunjukkan variabel apa
saja yang diproses, mana yang menjadi variabel bebas dan variabel terikat.
b)
Tabel kedua menampilkan nilai R yang
merupakan simbol dari nilai koefisien korelasi. Pada contoh diatas nilai
korelasi adalah 0,342. Nilai ini dapat diinterpretasikan bahwa hubungan kedua
variabel penelitian ada di kategori lemah. Melalui tabel ini juga diperoleh
nilai R Square atau koefisien determinasi (KD) yang menunjukkan seberapa bagus
model regresi yang dibentuk oleh interaksi variabel bebas dan variabel terikat.
Nilai KD yang diperoleh adalah 11,7% yang dapat ditafsirkan bahwa variabel
bebas X1 memiliki pengaruh kontribusi sebesar 11,7% terhadap variabel Y dan
88,3% lainnya dipengaruhi oleh faktor-faktor lain diluar variabel X1.
c)
Tabel ketiga digunakan untuk menentukan
taraf signifikansi atau linieritas dari regresi. Kriterianya dapat ditentukan
berdasarkan uji F atau uji nilai Signifikansi (Sig.). Cara yang paling mudah
dengan uji Sig., dengan ketentuan, jika Nilai Sig. < 0,05, maka model
regresi adalah linier, dan berlaku sebaliknya. Berdasarkan tabel ketiga,
diperoleh nilai Sig. = 0,140 yang berarti > kriteria signifikan (0,05),
dengan demikian model persamaan regresi berdasarkan data penelitian adalah
tidak signifikan artinya, model regresi linier tidak memenuhi kriteria linieritas.
d)
Tabel keempat menginformasikan model
persamaan regresi yang diperoleh dengan koefisien konstanta dan koefisien
variabel yang ada di kolom Unstandardized Coefficients B. Berdasarkan tabel ini
diperoleh model persamaan regresi : Y =38,256 + 0,229 X1.
C.
Regresi
Linear Berganda
Regresi artinya
peramalan, penaksiran, atau pendugaan pertama kali di perkenalkan pada tahun
1877 oleh Sir Francis Galton (1822 – 1911). Sehubungan dengan penelitiannya
terhadap tinggi manusia. Penelitian tersebut membandingkan antara tinggi anak laki-laki dan tinggi badan
ayahnya. Untuk mengukur besarnya pengaruh variabel bebas terhadap variabel
tergantung dan memprediksi variabel tergantung dengan menggunakan variabel
bebas. Gujarati (2006) mendefinisikan analisis regresi sebagai kajian terhadap
hubungan satu variabel yang disebut sebagai variabel yang diterangkan (the
explained variabel) dengan satu atau dua variabel yang menerangkan (the
explanatory).[6]
Variabel pertama disebut juga sebagai variabel tergantung dan variabel kedua
disebut juga sebagai variabel bebas. Jika variabel bebas lebih dari satu, maka
analisis regresi disebut regresi linear berganda. Disebut berganda karena
pengaruh beberapa variabel bebas akan dikenakan kepada variabel tergantung.
Regresi linear
adalah alat statistik yang dipergunakan untuk mengetahui pengaruh antara satu
atau beberapa variabel terhadap satu buah variabel. Variabel yang mempengaruhi
sering disebut variabel bebas, variabel independen atau variabel penjelas.
Variabel yang dipengaruhi sering disebut dengan variabel terikat atau variabel
dependen. Regresi linear hanya dapat digunakan pada skala interval dan ratio.
Secara umum
regresi linear terdiri dari dua, yaitu regresi linear sederhana yaitu dengan
satu buah variabel bebas dan satu buah variabel terikat; dan regresi linear
berganda dengan beberapa variabel bebas dan satu buah variabel terikat.
Analisis regresi linear merupakan metode statistik yang paling jamak
dipergunakan dalam penelitian-penelitian sosial. Program komputer yang paling banyak
digunakan adalah SPSS (Statistical Package For Service Solutions).
Analisis regresi
linear berganda sebenarnya sama dengan analisis regresi linear sederhana, hanya
variabel bebasnya lebih dari satu buah. Persamaan umumnya adalah:[7]
Y = a + b1 X1 + b2 X2 + …. + bn Xn.
Dengan Y adalah
variabel bebas, dan X adalah variabel-variabel bebas, a adalah konstanta
(intersept) dan b adalah koefisien regresi pada masing-masing variabel bebas.
Interpretasi
terhadap persamaan juga relatif sama, sebagai ilustrasi, pengaruh antara
motivasi (X1), kompensasi (X2) dan kepemimpinan (X3) terhadap kepuasan kerja
(Y) menghasilkan persamaan sebagai berikut:
Y = 0,235 + 0,21 X1 + 0,32 X2 +
0,12 X3[8]
Jika variabel
motivasi meningkat dengan asumsi variabel kompensasi dan kepemimpinan tetap,
maka kepuasan kerja juga akan meningkat
Jika variabel
kompensasi meningkat, dengan asumsi variabel motivasi dan kepemimpinan tetap,
maka kepuasan kerja juga akan meningkat.
Jika variabel
kepemimpinan meningkat, dengan asumsi variabel motivasi dan kompensasi tetap,
maka kepuasan kerja juga akan meningkat.
Interpretasi
terhadap konstanta (0,235) juga harus dilakukan secara hati-hati. Jika
pengukuran variabel dengan menggunakan skala Likert antara 1 sampai dengan 5
maka tidak boleh diinterpretasikan bahwa jika variabel motivasi, kompensasi dan
kepemimpinan bernilai nol, sebagai ketiga variabel tersebut tidak mungkin
bernilai nol karena Skala Likert terendah yang digunakan adalah 1.
Kegunaan
Analisis Regresi Linear Berganda, Analisis Regresi Linear Berganda digunakan
untuk mengukur pengaruh antara lebih dari satu variabel prediktor (variabel
bebas) terhadap variabel terikat.
Contoh: Seorang
Manajer Pemasaran deterjen merek “BOOM” ingin mengetahui apakah Promosi dan
Harga berpengaruh terhadap keputusan konsumen membeli produk tersebut?
Hipotesis:
Ho : b1 = b2 = 0, Promosi dan Harga
tidak berpengaruh signifikan terhadap keputusan konsumen membeli deterjen merek
“BOOM”.
Ha : b1 ¹ b2 ¹ 0, Promosi dan Harga
berpengaruh signifikan terhadap keputusan konsumen membeli deterjen merek
“BOOM”.
Data Kasus
|
No.
Responden
|
Promosi
(X1)
|
Harga
(X2)
|
Keputusan
Konsumen
(Y)
|
|
1
|
10
|
7
|
23
|
|
2
|
2
|
3
|
7
|
|
3
|
4
|
2
|
15
|
|
4
|
6
|
4
|
17
|
|
5
|
8
|
6
|
23
|
|
6
|
7
|
5
|
22
|
|
7
|
4
|
3
|
10
|
|
8
|
6
|
3
|
14
|
|
9
|
7
|
4
|
20
|
|
10
|
6
|
3
|
19
|
|
jumlah
|
60
|
40
|
170
|
Tabel Pembantu
|
No. Resp.
|
X1
|
X2
|
Y
|
X1Y
|
X2Y
|
X1X2
|
X12
|
X22
|
|
1
|
10
|
7
|
23
|
230
|
161
|
70
|
100
|
49
|
|
2
|
2
|
3
|
7
|
14
|
21
|
6
|
4
|
9
|
|
3
|
4
|
2
|
15
|
60
|
30
|
8
|
16
|
4
|
|
4
|
6
|
4
|
17
|
102
|
68
|
24
|
36
|
16
|
|
5
|
8
|
6
|
23
|
184
|
138
|
48
|
64
|
36
|
|
6
|
7
|
5
|
22
|
154
|
110
|
35
|
35
|
25
|
|
7
|
4
|
3
|
10
|
40
|
30
|
12
|
16
|
9
|
|
8
|
6
|
3
|
14
|
84
|
42
|
18
|
36
|
9
|
|
9
|
7
|
4
|
20
|
140
|
80
|
28
|
49
|
16
|
|
10
|
6
|
3
|
19
|
114
|
57
|
18
|
36
|
9
|
|
jumlah
|
60
|
40
|
170
|
1122
|
737
|
267
|
406
|
182
|
åY
= an+b1+ å X1+b2 + å X2
å
X1Y= a å X1+b1+ å X12+b2 å X1 X 2
åX2Y
= a å X2+b1 å X1 X 2 + b2 å X22
170
= 10 a + 60 b1 + 40 b2……………………. (1)
1122
= 60 a + 406 b1 + 267 b2………………….. (2)
737
= 40 a +267 b1 + 182 b2………………….. (3)
Persamaan
(1) dikalikan 6, persamaan (2) dikalikan 1:
1020
= 60 a + 360 b1 + 240 b2
35163
= 60 a + 406 b1 + 267 b2
-102
= 0 a + -46 b1+ -27 b2
-102
= -46 b1-27 b2……………………………………. (4)
Persamaan
(1) dikalikan 4, persamaan (3) dikalikan 1:
680
= 40 a + 240 b1 + 160 b2
737
= 40 a + 267 b1 + 182 b2 _
-57
= 0 a + -27 b1 + -22 b2
-57
= -27 b1 – 22 b2………………………………….. (5)
Persamaan
(4) dikalikan 27, persamaan (5) dikalikan 46:
-2754
= -1242 b1 – 729 b2
-2622
= -1242 b1 – 1012 b2 _
-132
= 0 b1 + 283 b2
b2
= -132:283 = -0,466
Harga
b2 dimasukkan ke dalam salah satu persamaan (4) atau (5):
-102
= -46 b1- 27 (-0,466)
-102
= -46 b1+ 12,582
46
b1 = 114,582
b1
= 2,4909
Harga
b1 dan b2 dimasukkan ke dalam persamaan 1:
170
= 10 a + 60 (2,4909) + 40 (-0,466)
170
= 10 a + 149,454 – 18,640
10
a = 170 – 149,454 + 18,640
a
= 39,186 : 10 = 3,9186
Jadi:
a
= 3,9186
b1
= 2,4909
b2
= -0,466
Keterangan:
a
= konstanta
b1
= koefisien regresi X1
b2
= koefisien regresi X2
Persamaan
regresi:
Y
= 3,9186 + 2,4909 X1 – 0,466 X2
F
Tabel
Dk
Pembilang = k= 2
Dk
Penyebut = n-k-1= 10-2-1= 7
F
tabel = 4,74
Hipotesis
Ho
: b1 = b2 = 0, Variabel Promosi Dan Harga Tidak Berpengaruh Signifikan Terhadap
Keputusan Konsumen Membeli Deterjen Merek ”BOOM”
Ha
: b1 ¹ b2 ¹ 0, Variabel Promosi Dan Harga Berpengaruh Signifikan Terhadap
Keputusan Konsumen Membeli Deterjen Merek ”BOOM”
Kriteria:
F
hitung _ F tabel = Ho diterima
F
hitung > F tabel = Ho ditolak, Ha diterima
F
hitung (5,25) > F tabel (4,74) = Ho ditolak, Ha Diterima
Jadi,
dapat disimpulkan bahwa Promosi dan Harga berpengaruh signifikan terhadap
keputusan konsumen membeli deterjen merek “BOOM”.
Analisis regresi linear berganda memerlukan
pengujian secara serempak dengan menggunakan F hitung. Signifikansi ditentukan
dengan membandingkan F hitung dengan F tabel atau melihat signifikansi pada
output SPSS. Dalam beberapa kasus dapat terjadi bahwa secara simultan
(serempak) beberapa variabel mempunyai pengaruh yang signifikan, tetapi secara
parsial tidak. Sebagai ilustrasi: seorang penjahat takut terhadap polisi yang
membawa pistol (diasumsikan polisi dan pistol secara serempak membuat takut
penjahat). Akan tetapi secara parsial, pistol tidak membuat takut seorang
penjahat. Contoh lain: air panas, kopi dan gula menimbulkan kenikmatan, tetapi
secara parsial, kopi saja belum tentu menimbulkan kenikmatan.
Penggunaan metode analisis regresi linear berganda
memerlukan uji asumsi klasik yang secara statistik harus dipenuhi. Asumsi
klasik yang sering digunakan adalah asumsi normalitas, multikolinearitas,
autokorelasi, heteroskedastisitas dan asumsi linearitas.
BAB
III
PENUTUP
A.
Kesimpulan
Analisis regresi
adalah suatu proses memperkirakan secara sistematis tentang apa yang paling
mungkin terjadi dimasa yang akan datang berdasarkan informasi yang sekarang
dimiliki agar memperkecil kesalahan. Regresi merupakan suatu alat ukur yang
juga dapat digunakan untuk mengukur ada atau tidaknya korelasi antarvariabel.
Analisis regresi
linear sederhana dipergunakan untuk mengetahui pengaruh antara satu buah
variabel bebas terhadap satu buah variabel terikat.
Regresi artinya
peramalan, penaksiran, atau pendugaan pertama kali di perkenalkan pada tahun
1877 oleh Sir Francis Galton (1822 – 1911). Sehubungan dengan penelitiannya
terhadap tinggi manusia. Penelitian tersebut membandingkan antara tinggi anak laki-laki dan tinggi badan
ayahnya. Untuk mengukur besarnya pengaruh variabel bebas terhadap variabel
tergantung dan memprediksi variabel tergantung dengan menggunakan variabel
bebas.
DAFTAR
PUSTAKA
Anto, Dajan, 1991. Pengantar Metode Statistik. Jilid
2. Jakarta : Lp3 S
Arif, Karseno. 1995. Statistik I. Jakarta: Karunika
Hasan, Ikbal. 2003. Pokok-Pokok Materi Statistik
2. Jakarta: Bumi Aksara.
Kotler, Phillips (1997), “Manajemen Pemasaran”, Pt.
Prenhallindo, Jakarta
Walpole, R.E. Dan R.H Myers. 1995. Ilmu Peluang Dan
Statistika Untuk Insinyur Dan Ilmuwan. Edisi Ke4. Itb. Bandung
[1]
Walpole, R.E. Dan R.H Myers. Ilmu Peluang
Dan Statistika Untuk Insinyur Dan Ilmuwan. Edisi Ke4. Itb. (Bandung. 1995),
hal. 87
[2]
Anto, Dajan, Pengantar Metode Statistik. Jilid 2. (Jakarta : LP3S, 1991),
hal. 54
[3]
Ikbal Hasan, Pokok-pokok Materi Statistik 2. (Jakarta: Bumi Aksara, 2003),
hal. 98
[4]
Ibid., hal. 99
[5]
Dajan Anto, Op. Cit., hal. 87
[6]
Ikbal Hasan, Op. Cit., hal. 54
[7]
Karseno Arif, Statistik I. (Jakarta:
Karunika, 1995), hal. 34
[8]
Phillips Kotler, “Manajemen Pemasaran”,(
PT. Prenhallindo, Jakarta, 1997), hal. 54
Tidak ada komentar:
Posting Komentar