ANALISIS REGRESI TERAPAN KEUNTUNGAN PENJUALAN SUATU PRODUK BERDASARKAN JENIS PROMOSI

A.      Tujuan

Melakukan analisis regresi berganda untuk mengetahui seberapa jauh hubungan antara faktor iklan Koran, iklan TV, iklan Radio, dan Jumlah Outlet terhadap Keuntungan Penjualan.

B.       Hasil Analisis Data

Data keuntungan penjualan suatu produk yang dipengaruhi oleh jenis promosi sebagai berikut :

No	Penjualan	Iklan Koran	Iklan TV	Iklan Radio	Jumlah Outlet
1	412,6	33,45	36,85	13,02	6
2	423,22	33,98	37,44	16,59	7
3	400,25	34,55	36,15	14,23	9
4	366,25	34,76	35,92	15,26	9
5	435,23	35,99	38,2	15,78	8
6	430,22	36,21	37,91	13,33	10
7	352,16	36,25	34,79	12,89	9
8	365,21	36,87	35,91	12,45	8
9	415,25	36,99	36,96	19,25	8
10	451,29	40,12	38,98	14,32	8
11	215,36	20,98	27,9	13,23	7
12	295,15	22,41	32,28	13,44	5
13	254,26	22,98	29,49	15,26	10
14	452,62	23,21	39,17	18,45	5
15	330,92	23,25	34,25	19,58	8
16	320,14	23,45	33,63	12,03	8
17	254,25	24,86	29,38	13,87	6
18	235,26	24,88	29,19	15,69	9
19	302,21	25	32,82	16,35	9
20	312,25	25,12	33,44	12,88	8

Sumber data : http://syukak.blogspot.com/2016/12/perbandingan-analisis-regresi-dengan.html?m=1

 

Akan dilakukan analisis regresi untuk mengetahui seberapa jauh hubungan antara faktor iklan koran, faktor iklan TV, faktor iklan Radio, dan faktor Jumlah Outlet terhadap keuntungan Penjualan, dengan variabel dependen adalah keuntungan penjualan, dan variabel independen adalah faktor iklan koran, faktor iklan TV, faktor iklan radio, dan faktor jumlah outlet.

Asumsi berdasarkan faktor iklan Koran, faktor iklan TV, faktor iklan Radio, dan faktor Jumlah Outlet terhadap Keuntungan Penjualan yaitu :

Keuntungan Penjualan            : Y

Faktor iklan Koran                  : X₁

Faktor iklan TV                       : X₂

Faktor iklan Radio                  : X₃

Jumlah Outlet                          : X₄

Model regresi linier berganda adalah sebagai berikut :

Interpretasi

 

Variables Entered/Removeda
Model	Variables Entered	Variables Removed	Method
1	TV	.	Stepwise (Criteria: Probability-of-F-to-enter <= ,050, Probability-of-F-to-remove >= ,100).
a.     Dependent Variable: Penjualan

Pada tabel di atas, dapat dilihat bahwa persamaan regresi (model) adalah memasukkan variabel TV dengan metode Stepwise dengan taraf signifikansi 95% dan variabel dependennya adalah variabel Penjualan.

Model Summaryb
Model	R	R Square	Adjusted R Square	Std. Error of the Estimate	Durbin-Watson
1	,989a	,979	,978	11,28021	1,891
a. Predictors: (Constant), TV
b. Dependent Variable: Penjualan

Pada tabel model summary, karena regresi linear sederhana maka yang digunakan untuk menentukan korelasi adalah R yaitu sebesar 0,989 yang berarti hubungan antar variabel sangat kuat. Kemudian nilai R Square sebesar 0,979 atau 97,9% variabel independen dapat menjelaskan variabel dependennya.

Pada kolom terakhir dari tabel model summary di atas tampak bahwa nilai statistik Durbin-Watson = 1,891 (terletak antara -2 dan 2), jadi dapat disimpulkan data tersebut tidak mengandung/bebas dari unsur autokorelasi.

ANOVAa
Model		Sum of Squares	df	Mean Square	F	Sig.
1	Regression	106333,679	1	106333,679	835,673	,000b
	Residual	2290,378	18	127,243
	Total	108624,057	19
a. Dependent Variable: Penjualan
b. Predictors: (Constant), TV

Tabel ANOVA di atas digunakan untuk uji F, yaitu uji kelayakan model secara keseluruhan dari koefisien regresi untuk mengetahui apakah iklan TV mempengaruhi Penjualan.

Hipotesis :

Tampak bahwa nilai sig. = 0,000 < 0,05, artinya pada tingkat kepercayaan 95% H₀ ditolak.

Kesimpulan : Dengan demikian
Sehingga analisis selanjutnya dapat dilakukan.

Coefficientsa
Model		Unstandardized Coefficients		Standardized Coefficients	t	Sig.	Collinearity Statistics
		B	Std. Error	Beta			Tolerance	VIF
1	(Constant)	-396,253	25,979		-15,253	,000
	TV	21,645	,749	,989	28,908	,000	1,000	1,000
a. Dependent Variable: Penjualan

Berdasarkan tabel Coeffisients di atas tampak bahwa nilai dari .

Ø  Uji hipotesis untuk 

Karena nilai sig. = 0,000 < 0,05, maka H₀ ditolak artinya cukup bukti untuk menolak H₀ , koefisien dari signifikan dan masuk ke dalam model.

Ø  Uji hipotesis untuk 

Karena nilai sig. = 0,000 < 0,05, maka H₀ ditolak artinya cukup bukti untuk menolak H₀ , koefisien dari signifikan dan masuk ke dalam model atau iklan TV mempengaruhi Penjualan.

Model yang terbentuk :

Pada kolom colinearity Statistics menunjukkan bahwa nilai VIF (sebesar 1,000) lebih kecil dari 10 dan angka Tolerance (sebesar 1,000)  lebih besar dari 0,1, maka model diindikasikan tidak terdapat multikolinearitas.

 

 

Excluded Variablesa
Model		Beta In	t	Sig.	Partial Correlation	Collinearity Statistics
						Tolerance	VIF	Minimum Tolerance
1	Koran	,052b	1,071	,299	,251	,489	2,047	,489
	Radio	,013b	,374	,713	,090	,949	1,053	,949
	Outlet	-,015b	-,425	,676	-,103	,997	1,003	,997
a. Dependent Variable: Penjualan
b. Predictors in the Model: (Constant), TV

Output Excluded Variables menjelaskan tentang variabel bebas yang dikeluarkan pada model. Model di atas, mengeluarkan variabel Koran, Radio, dan Outlet. Variabel-Variabel bebas tersebut dikeluarkan karena dari statistik uji (uji t)  dan nilai sig. terlihat bahwa tidak signifikan. Nilai sig Koran sebesar 0,299 dan nilai sig Radio sebesar 0,713 , dan nilai sig Outlet sebesar 0,676, terlihat bahwa nilai sig > 0,05 sehingga variabel Koran, Radio, dan Outlet tidak signifikan dan dikeluarkan dari model.

 

Collinearity Diagnosticsa
Model	Dimension	Eigenvalue	Condition Index	Variance Proportions
				(Constant)	TV
1	1	1,995	1,000	,00	,00
	2	,005	20,551	1,00	1,00
a. Dependent Variable: Penjualan

 

Residuals Statisticsa
	Minimum	Maximum	Mean	Std. Deviation	N
Predicted Value	207,6355	451,5717	351,2050	74,80982	20
Residual	-15,79980	14,58033	,00000	10,97935	20
Std. Predicted Value	-1,919	1,342	,000	1,000	20
Std. Residual	-1,401	1,293	,000	,973	20
a. Dependent Variable: Penjualan

 

Gambar di atas, digunakan untuk mendeteksi normalitas data, tampak bahwa titik tersebar di sekitar garis diagonal yang berarti data berdistribusi normal.

Sementara itu, gambar di atas digunakan untuk mendeteksi adanya unsur heterokedastisitas dari data, tampak bahwa titik tersebar di sekitar titik 0 dan tidak membentuk pola tertentu, hal ini menunjukkan tidak ada unsur heterokedastisitas dari data.

 

Uji Asumsi Klasik Model Regresi Terbaik dengan IBM SPSS Statistics 20

Model regresi linier berganda akan lebih tepat digunakan dan menghasilkan perhitungan yang lebih akurat apabila memenuhi asumsi-asumsi klasik. Asumsi-asumsi klasik yang akan diberikan adalah Normalitas, Heterokedastisitas, Multikolinearitas dan Autokorelasi.

1)      Uji Normalitas

Uji normalitas dilakukan untuk mengetahui apakah nilai residual yang dihasilkan dari regresi berdistribusi normal atau tidak. Model regresi yang baik adalah yang memiliki nilai residual yang berdistribusi normal.

Uji normalitas dengan IBM SPSS Statistics 20 disediakan pada Normal PP-Plot.

Berikut adalah output PP-Plot residual dari model regresi.

Sebagaimana terlihat dalam grafik PP-Plot diatas, terlihat bahwa titik-titik menyebar di  sekitar garis diagonal, serta penyebarannya mengikuti arah garis diagonal, maka dapat dikatakan bahwa data residual berdistribusi normal.

2)      Uji Heterokedastisitas

Uji heterokedastisitas digunakan untuk mengetahui apakah adanya ketidaksamaan varian dari residual untuk semua pengamatan pada model regresi. Model regresi yang baik mempunyai nilai residual yang memiliki varian tidak konstan.

Uji heterokedastisitas dengan IBM SPSS Statistics 20  tersedia pada grafik scatterplot antara standardized predicted value (ZPRED) dengan studentized residual (ZRESID).

Terlihat bahwa titik-titik tidak membentuk pola yang jelas, dan tidak menyebar diatas dan dibawah angka 0 pada sumbu Y. Maka dapat disimpulkan bahwa tidak terjadi heterokedastisitas dalam model regresi.

3)      Uji Multikolinearitas

Uji multikolinearitas dilakukan untuk mengetahui ada atau tidaknya korelasi yang tinggi antara variabel-variabel bebas dalam suatu model regresi linier berganda. Model regresi yang baik memiliki variabel-variabel bebas yang independen atau tidak berkorelasi.

Uji multikolineritas dengan IBM SPSS Statistics 20  dapat dilihat nilai VIF pada tabel Coefficients regresi linier berganda.

Coefficientsa
Model		Unstandardized Coefficients		Standardized Coefficients	t	Sig.	Collinearity Statistics
		B	Std. Error	Beta			Tolerance	VIF
1	(Constant)	-396,253	25,979		-15,253	,000
	TV	21,645	,749	,989	28,908	,000	1,000	1,000
a. Dependent Variable: Penjualan

 

Sebagaimana terlihat pada output diatas, terlihat bahwa semua variabel independen pada model regresi mempunyai nilai VIF kurang dari 10, maka tidak adanya korelasi antara seluruh variabel independennya. Artinya tidak terjadi multikolinearitas antara variabel independen pada model regresi.

4)      Uji Autokorelasi

Uji autokorelasi digunakan untuk mengetahui apakah residual memiliki kompenen/nilai yang berkorelasi berdasarkan waktu. Model regresi yang baik memiliki nilai residual yang tidak memiliki korelasi berdasarkan waktu.

Uji autokorelasi dengan IBM SPSS Statistics 20 dapat dilihat melalui nilai Durbin-Watson pada tabel Model Summary.

Model Summaryb
Model	R	R Square	Adjusted R Square	Std. Error of the Estimate	Durbin-Watson
1	,989a	,979	,978	11,28021	1,891
a. Predictors: (Constant), TV
b. Dependent Variable: Penjualan

Dari tabel model summary di atas tampak bahwa nilai statistik Durbin-Watson = 1,891 (terletak di antara -2 dan 2), jadi dapat disimpulkan data tersebut tidak mengandung/bebas dari unsur autokorelasi.

C.      Kesimpulan

Setelah dilakukan analisis data dan menggunakan beberapa asumsi seperti Normalitas, Heterokedastisitas, Multikolinearitas dan Autokorelasi. Didapatkan hasil dan kesimpulan sebagai berikut.

Model yang terbentuk :

Model akhir untuk data tersebut adalah :

Dari hasil analisis, dapat disimpulkan bahwa model yang dihasilkan memenuhi asumsi regresi linier dan dapat layak digunakan untuk prediksi. Pada model data tersebut tidak mengandung non-normalitas, heterokedastisitas, autokorelasi dan multikolinearitas.