Huhu kebayang nggak pelajaran S1 diulang lagi disini dan ternyata gw LUPA berattt...Alhasil browsing sana sini dan ketemu deh teori2nya.
Hari ini tugas dari dosen gampang banget..tentang Analisis Regresi,gimana cara kita mengintepretasikan hasil output analisis yang dilakukan oleh teman kita : SPSS :)
Berikut ini hasil penelitian tentang pengaruh biaya
iklan terhadap volume penjualan pada perusahaan PT PPM. Dengan ini di dapat
variabel dependen (Y) adalah volume penjualan dan variabel independen (X)
adalah biaya iklan. Saya menganalisis dengan bantuan program SPSS dengan alat
analisis regresi linear sederhana. Data penelitian untuk sepuluh tahun ini
adalah sebagai berikut:
Tabel Data Penelitian
Tahun
|
Penjualan
|
Iklan
|
1
|
44
|
9
|
2
|
45
|
11
|
3
|
46
|
12
|
4
|
43
|
10
|
5
|
47
|
15
|
6
|
50
|
17
|
7
|
53
|
19
|
8
|
56
|
21
|
9
|
60
|
23
|
10
|
58
|
17
|
Data SPSS :
1. Descriptive
Statistics
|
Mean
|
Std. Deviation
|
N
|
penjualan
|
50,20
|
6,179
|
10
|
iklan
|
15,40
|
4,812
|
10
|
2. Correlations
|
|
penjualan
|
iklan
|
Pearson Correlation
|
penjualan
|
1,000
|
,920
|
| iklan |
,920
|
1,000
|
Sig. (1-tailed)
|
penjualan
|
.
|
,000
|
| iklan |
,000
|
.
|
N
|
penjualan
|
10
|
10
|
| iklan |
10
|
10
|
Analisis output pertama dan kedua:
a.
Rata- rata tingkat
penjualan (dengan jumlah data 10 tahun) adalah 50,20 dengan standar deviasi
sebesar 6,179.
b.
Rata- rata jumlah belanja
iklan perusahaan (dengan jumlah data 10 tahun) adalah 15,40 dengan standar
deviasi sebesar 4,812.
c.
Besar
hubungan antara dua variabel ditunjukkan dengan koefisien korelasi 0,920. Hal
ini menunjukkan hubungan yang sangat erat (mendekati 1) di antara penjualan dengan
iklan. Arah hubungan positif (tidak ada tanda negative) menunjukkan semakin
tinggi jumlah penayangan iklan maka volume penjualan pun semakin meningkat.
d.
Tingkat
signifikansi koefisien korelasi satu sisi dari output (diukur dari
probabilitas) menghasilkan angka 0,000. Oleh karena probabilitas jauh di bawah
0,05 maka korelasi antara iklan dengan volume penjualan sangat nyata.
3. Variables Entered/Removed(b)
Model
|
Variables Entered
|
Variables Removed
|
Method
|
1
|
Belanja Iklan Perusahaan(a)
|
.
|
Enter
|
a All requested variables entered.
b Dependent Variable: Penjualan Perusahaan
4.
Model Summary
Model
|
R
|
R Square
|
Adjusted R Square
|
Std. Error of the Estimate
|
1
|
,920(a)
|
,846
|
,827
|
2,568
|
a Predictors: (Constant), Belanja Iklan
Perusahaan
Analisis
output ketiga dan keempat :
a.
Tabel
ketiga menunjukkan variabel yang dimasukkan adalah belanja iklan perusahaan dan
tidak ada variabel yang dikeluarkan. Hal ini disebabkan metode yang dipakai
adalah single step (enter) dan bukannya stepwise.
b.
Angka R
square adalah 0,846. R square bisa disebut koefisien determinasi, yang dalam
hal ini berarti 84,6% dari variabel penjualan perusahaan dapat dijelaskan oleh belanja
iklan perusahaan. Sedangkan sisanya dijelaskan oleh sebab- sebab lain. R square
berkisar pada angka 0 sampai 1, dengan catatan semakin kecil angkanya maka
semakin lemah hubungan kedua variabel.
c.
Standard
Error of Estimate adalah 2,568. Pada analisis sebelumnya, standar deviasi
adalah 4,812 yang lebih besar dari standar eror estimate yang hanya 2,568. Oleh
karena lebih kecil dari standar deviasi belanja iklan, maka model regresi lebih
bagus dalam bertindak sebagai predictor belanja iklan perusahaan daripada rata-
rata belanja iklan itu sendiri.
5. ANOVA(b)
Model
|
|
Sum of Squares
|
df
|
Mean Square
|
F
|
Sig.
|
1
|
Regression
|
290,856
|
1
|
290,856
|
44,116
|
,000(a)
|
| Residual |
52,744
|
8
|
6,593
|
|
|
| Total |
343,600
|
9
|
|
|
|
a Predictors: (Constant), Belanja Iklan
Perusahaan
b Dependent Variable: Penjualan Perusahaan
6.
Coefficients(a)
Model
|
|
Unstandardized Coefficients
|
Standardized Coefficients
|
t
|
Sig.
|
| B |
Std. Error
|
Beta
|
| 1 |
(Constant)
|
32,007
|
2,857
|
|
11,203
|
,000
|
| Belanja Iklan Perusahaan |
1,181
|
,178
|
,920
|
6,642
|
,000
|
a Dependent Variable: Penjualan Perusahaan
Analisis output kelima dan keenam :
a.
Dari uji
ANOVA, didapat F hitung adalah 44,116 dengan tingkat signifikansi 0,000. Oleh
karena probabilitas 0,000 jauh lebih kecil dari 0,05 maka model regresi bisa
dipakai untuk memprediksi tingkat penjualan perusahaan.
b.
Table
selanjutnya menggambarkan persamaan regresi :
Y = a + bx + e
Y = 32,007+ 1,181X + 2,857;
Y = tingkat penjualan perusahaan
X = belanja iklan perusahaan
· Konstansta sebesar 32,007 menyatakan bahwa jika tidak ada belanja
iklan perusahaan maka penjualan perusahaan sebesar 32,007.
· Koefisien regresi sebesar 1,181 menyatakan bahwa setiap penambahan
1 satuan belanja iklan perusahaan akan meningkatkan penjualan sebesar 1,181
begitupula sebaliknya. Jadi tanda + menyatakan arah hubungan yang searah, yaitu
kenaikan atau penurunan variabel independen (X) akan mengakibatkan
kenaikan/penurunan variabel dependen (Y). Koefisien
bernilai positif artinya terjadi hubungan positif antara harga belanja iklan
dengan penjualan perusahaan, semakin naik harga belanja iklan maka semakin
meningkat penjualan perusahaan.
· Standard
error sebesar 2,568 menunjukkan data forecasting yang diberikan hanya akan
mengalami penyimpangan sebesar 2,568 dari skala 1. Semakin kecil angka standar
eror nya maka kemungkinan penyimpangannya juga akan semakin kecil, artinya data
forecasting yang diberikan akan semakin akurat.
c.
Uji t untuk
menguji signifikansi konstanta dan variabel dependen (penjualan perusahaan).
Hipotesis :
H0 = koefisien regresi tidak signifikan
H1 = koefisien regresi signifikan
Pengambilan keputusan : dengan membandingkan
statistic hitung dengan table.
Jika statistic t hitung < statistic t
table, H0 diterima.
Jika statistic t hitung > statistic t
table, H0 ditolak.
Apabila H0 ditolak, maka variabel bebas X tersebut memiliki
kontribusi yang signifikan terhadap variabel terikat Y.
Mencari statistic t hitung dari table output di atas terlihat
bahwa t hitung (tertulis t) adalah 6,642. Prosedur mencari statistic table
dengan criteria :
· Tingkat signifikansi (α) = 5% untuk uji dua sisi.
· Df = jumlah data -2 atau 10-2 = 8
· Uji dilakukan dua sisi, karena ingin mengetahui signifikan
tidaknya koefisien korelasi regresi, dan bukan mencari “lebih kecil” atau
“lebih besar”.
· Untuk table dua sisi di dapat angka 2,306
Keputusan : oleh karena statistic hitung > statistic table (6,642
> 2,306) maka H0 ditolak. artinya bahwa ada pengaruh secara signifikan antara belanja
iklan perusahaan dengan volume penjualan perusahaan. Jadi dalam kasus ini dapat
disimpulkan bahwa belanja iklan perusahaan berpengaruh terhadap penjualan
perusahaan PT PPM.
Berdasarkan probabilitas :
Jika probabilitas > 0,05 H0 diterima
; dan sebaliknya.
Terlihat pada kolom sig adalah 0,000 atau probabilitas jauh di
bawah 0,05. Dengan demikian H0 ditolak atau koefisien regresi signifikan, atau belanja
iklan perusahaan benar- benar berpengaruh secara signifikan terhadap penjualan
perusahaan.
Rekomendasi
:
Untuk
forecasting penjualan di tahun-tahun mendatang, PT PPM boleh saja meningkatkan
belanja iklan perusahaannya karena dapat meningkatkan volume penjualan
perusahaan. Namun hal ini tentunya harus terkontrol yang baik.
Gimana gimana? lumayan berguna kan?? met sinauuu readers !!
