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