Upload
xargah
View
254
Download
10
Embed Size (px)
Citation preview
BAB I
PENDAHULUAN
A. Latar Belakang
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.
Sehingga dapat didefinisikan bahwa: analisis regresi adalah metode statistik
yang digunakan untuk menentukan kemungkinan hubungan antara variabel-
variabel.
Terdapat beberapa analisis regresi diantaranya yaitu analisis regresi
sederhana dan berganda. Regresi linier sederhana yaitu suatu prosedur untuk
mendapatkan hubungan matematis dalam bentuk persamaan antar variabel bebas
tunggal dengan variabel tidak bebas tunggal. Regresi linier sederhana hanya
memiliki satu peubah X yang dihubungkan dengan satu peubah tidak bebas Y.
Sedangkan Model Regresi berganda adalah model regresi yang melibatkan satu
variabel respon dengan beberapa variabel bebas. Sedangkan model regresi yang
melibatkan satu variabel respon Y dengan beberapa varibel bebas yang
merupakan bentuk perpangkatan dari satu variabel bebas X.
Minitab adalah salah satu paket software untuk statistika. Sebagai salah
satu software untuk membantu menganalisis data, minitab dikemas secara
lengkap dan simpel. Sehingga membuat user merasa mudah untuk
menggunakannya. dengan mengunakan software minitab masalah kali ini lebih
ditekankan megenai pengeloaan data yang bersifat regresi linear lalu menguji
data tersebut secara simultan.
1
B. Rumusan Masalah
Berdasarkan latar belakang di atas, maka masalah yang menjadi pusat perhatian
dalam makalah ini dapat dirumuskan sebagai berikut:
1. Bagaimanakah perbedaan model linaer dengan model semi log?
2. Bagaimanakah interpretasi model regresi berganda?
3. Bagaimanakah dampak dan cara mengatasi multikolinieritas?
4. Bagaimanakah dampak dan cara mengatasi heteroskedastisitas?
5. Bagaimanakah pemilihan model dalam regresi berganda?
6. Bagaimanakah uji parsial koefisien regresi?
7. Bagaimanakah penerapan model regresi semi log dan model linear regresi
berganda pada data ekonomi?
2
BAB II
PEMBAHASAN
A. Model Regresi Semi Log
Pembentukan model empiris akan sangat ditentukan oleh bentuk model teoritis
yang melandasi kerangka analisa serta keberadaan data / fakta yang terjadi pada
keadaan realitanya. Sejumlah model linear tersaji, baik linear dalam variabel dan
linear dalam parameter, dapat diturunkan menjadi model estimasi. Adapun bentuk-
bentukalternatif model terpilih dapat dirumuskan sebagai berikut : a) Model linear, b)
Model Log Linear, c) Model Log Lin, d) Model Lin Log.
Model Equation Slope Elasticity
Linear Y = 1 + 2X 2 2(X/Y)
Log Linear LnY = 1 + 2LnX 2(X/Y) A2
Log Lin LnY = 1 + 2X 2(Y) A2(X)
Lin Log Y = 1 + 2lnX 2(1/X) 2(1/Y)
B. Interpretasi model
Regresi berganda adalah bentuk hubungan atau pengaruh dari dua atau lebih
variabel babas X dengan variabel terikat Y. persamaan regresi linier berganda dari Y
terhadap X adalah :
1. Model populasi berganda adalah
3
2. Sedangkan model penduganya (model sampel) regresi linier ganda adalah
Koefisien a dan ß adalah parameter yang nilainya tidak diketahui, sehingga
diduga menggunakan satistik sampel. Nilai a,b1, dan b2 akan diperoleh dari tiga
persamaan normal berikut :
Koefisien a,b1, dan b2 dapat dihitung dengan rumus sebagai berikut :
Nilai dari a,b1, dan b2 dari tiga persamaan normal di atas dapat juga dihitung
dengan metode matriks. Persamaan normal di atas adalah bentuk sistem persamaan
linier (SPL) yang dapat diselesaikan dengan metode determinan, yaitu menggunakan
aturan Crammer. Jika AX = b merupakan suatu persamaan linier dalam k peubah,
maka sistem persamaan tersebut mempunyai penyelesaian dengan metode
determinan sebagai berikut :
dengan A j( j=1,2, …, k ) adalah matriks yang diperoleh dengan menggantikan
anggota – anggota pada kolom ke – j dari matriks A dengan anggota pada matriks b.
C. Multikolinieritas
4
Multikolinearitas atau kolinearitas ganda merupakan suatu keadaan di mana
hubungan linier yang sempurna antara variabel-variabel penjelas atau variabel bebas.
Untuk mendeteksi atau mengetahui suatu model regres mempunyai kolinearitas
ganda atau tidak dapat dilakukan :
1. Berdasarkan tanda-tanda : (a) koefisien determinasi gan-da tinggi; (b) koefisien
korelasi tinggi; (c) nilai F hitung tinggi; (d) tidak satupun (sedikit sekali)
variabel-variabel bebasnya memiliki uji t yang siginifikan.
2. Jika hanya ada dua variabel bebas, apabila korelasi antar dua varaiebl tersebut
tinggi, maka ada indikasi dalam kodel tersebut terdapat kolinearitas. Akan tetapi
apabila model tersebut mempunyai lebih dari dua variabel bebas, dan diperolej
korelasi antara dua variabel rendah tidak berati model tersebut tidak ada
kolinearitas ganda.
3. Apabila nilai determinan dari (X – X) adalah sangat kecil, dapat dijadikan
petunjuk terjadinya kolinearitas ganda dan apabila sama dengan nol, berati
kolinearitas ganda itu adalah sempurna.
4. Apbila koefisien determinasi gandanya tinggi, tetapi koefisien determinasi
partialnya rendah dibandingkan dengan koefisien determinasi simultannya,
berarti ada kolineraitas ganda.
5. Mengadakan uji F antar variabel penjelas. Jika ternyata signifikan, maka dapat
dianggap ada kolinearitas ganda. Jika tidak siginifikan, maka variabel –variabel
bebas dapat dipertahankan.
1. Dampak Multikolinieritas
Ada beberapa dampak yang ditimbulkan oleh multikolinieritas, antara lain:
a. Varian koefisien regresi menjadi besar.
Perhatikan kembali rumus model penduga (model sampel) regresi linier
ganda, yang merupakan regresi dengan lebih dari satu variabel bebas,
besarnya varian untuk b1 dapat diukur dengan formula:
5
Dimana r X 1 X 2 adalah korelasi variabel bebas X1 dan X2. Dari formula tersebut
terlihat bahwa semakin besar korelasi antara variabel bebas X1 dan X2 akan
mengakibatkan semakin besarnya varian. Dan bila kedua variabel bebas
mempunyai kolinieritas sempurna r X 1 X 2=1, maka varian menjadi tak
berhingga.
b. Varian yang besar sebagimana yang dibicarakan di atas, menimbulkan
beberapa permasalahan yaitu:
1. Lebarnya interval kepercayaan
2. Besarnya varian juga mempengaruhi Uji-t
c. Dengan semakin meningkatnya kolinearitas, probabili-tas melakukan
kesalahan tipe 2 pada hipotesis (meneri-ma hipotesis yang pada hakekatnya
salah) akan semakin besar.
d. Pengujian masing-masing koefisien regresi tidak satupun yang bermakna
atau hanya satu yang bermakna (walaupun koefisien determinasinya tinggi)
e. Angka estimasi koefisien regresi yang didapat akan mempunyai nilai yang
tidak sesuaidengan substansi, atau kondisi yang dapat diduga atau dirasakan
akal sehat, sehingga dapat menyesatkan interpretasi.
2. Teknik Mendeteksi Multikolinearitas
a. Eigenvalues dan conditional index
Nilai-nilai eigenvalues akan diperhitungkan bila kita meminta untuk
mendiagnosa kolinieritas. Adapun aturan yang digunakan adalah :
multikolinieritas ditengarai ada didalam persamaan regresi bila nilai
eigenvalues mendekati nol.
6
Hubungan antara eigenvalues dan conditional index (CI) adalah sebagai
berikut:
CI=√ max eigenvaluesmin eigenvalues
Jika nilai CI berada antara nilai 10 sampai 30, maka model mengandung
kolinieritas moderat. Bila lebih dari 30 maka dapat dinyakatakan bahwa
persamaan regresi mempunyai kolinieritas yang kuat antaravariabel
bebasnya.
b. VIF dan tolerance
Perhatikan persamaan berikut:
Yang disebut dengan VIF atau variance Inflation factor adalah:
Jadi :
Terlihat bahwa VIF besar maka akan mengakibatkan Var(b1) besar juga, dan
hal tersebut diakibatkan karena besarnay batasan VIF kecil. Maka dapat
diduga tidak ada multikolinieritas.
3. Mengatasi Kolinearitas
a. Melihat informasi sejenis yang ada
Perhatikan model berikut:
Di mana:
W = upah pekerja
I = pendapatan perusahaan
7
A = aset perusahaan
Setelah β1 ditaksir, maka β2 dapat dicari melalui hubungan sebagaimana
tertulis pada persamaan model tersebut.
b. Mengeluarkan variabel bebas yang kolinier dari model
Kolinieritas merupakan hubugan linear antar satu variabel bebas dengan
variabel bebeas lainnya. Dengan mengeluarkan salah satu variabel
berkorelasi, tentunya akan menghilangkan masalah tersebut. Akan tetapi
dalam mengeluarkan sebuah variabel bebes harus dilakukan dengan hati-hati,
karena tidak tertutup kemungkinan bahwa variabel yang dikeluarkan justru
variable yang sangat penting.kondisi in dikenal dengan sebutan specification
bias.
c. Mentransformasikan variabel
Ada beberapa transformasi variabel yang dapat dilakukan, antara lain:
1) Melakukan pembedaan (difference)
Teknik in berlaku untuk data time series. Misal ada persamaan model
regresi berganda sbb:
Kemudian buat persamaan pada waktu t-1
Kurangi kedua persamaan tersebut sehingga model menjadi:
Teknik inilah yang disebut dengan pembedaan.
2) Membuat rasio
Kita membuat rasio yaitu membagi seluruh variabel dengan salah satu
variabel yang lain sehingga datanya tidak menjadi komulatif tetapi
menjadi perkapita>
3) Bebagai transfrmasi lain
8
Yaitu dengan mentransformasi menjadi variabel bentuk logaritma atau
mengubah X menjadi 1X
,√ X atau X2
D. Heteroskedastisitas
Salah satu asumsi klasik dalam model regresi linear adalah bahwa variabel
pengganggu (e) mempunyai varians yang sama dari satu pengamatan ke pengamatan
lainnya, yakni sebesar 2. Apabila variansnya berbeda disebut heteroske-dastisitas.
Kondisi hetero ini timbul apabila kita menggunakan data cross section.
1. Teknik mendeteksi heteroskedastisitas
a) dengan cara me-lihat nature of problem, yaitu sifat dari masalah yang di-
teliti, misalnya dengan melihat hasil penelitian terdahulu / pengalaman masa
lalu.
b) dengan menggunakan metode grafik (graphical method) yaitu dengan
menyusun scatter diagram antara :
e i2 dengan { Y i¿ atau antara
e i2denganX i
Apabila scatter diagram itu semakin melebar atau me-nyempit, maka ada
kemungkinan terjadi heteroskedasti-sitas
c) melalui pengujian-pengujian. Untuk pengujian dapat dilakukan dengan:
Data yang tidak dikelompokkan : Uji Park, Uji Gleyser dan Uji korelasi
jenjang Spearman
Berdasarkan uji Korelasi Rank Spearman (dapat diterap-kan pada
sampel yang berukuran kecil) dengan rumus :
r s=1−6[ ∑ d i2
n (n2−1 ) ]Yang dikorelasikan adalah antara kesalahan pengganggu (dalam nilai
mutlak) dengan variabel X. Apabila korelasi jenjang Spearman
9
mendekati 1 dan mempunyai makna melalui uji t, maka dianggap ada
heteroskedastisitas. Uji t untuk korelasi ini adalah :
t=rs √(n−2 )
√(1−rs2)
Data yang dikelompokkan : Uji Chi-Square
2. Damapak heteroskedastisitas
Apabila ada pengaruh heteroskedastisitas, di mana varians berbeda, maka model
itu akan :
• Mempunyai koefisien regresi yang masih BLUE
• Varians b tidak lagi minimum
• Kemampuan prediksi rendah
• Terjadi misleading, misalnya t, F, R tinggi tapi heteros-kedastis atau t, F dan
R rendah yang juga heteroske-dastis.
3. Teknik mengatasi heteroskedastisitas
Jalan keluar yang bisa ditempuh apabila ada heteroske-dastis adalah melakukan
transformasi model.
E. Pemilihan model terbaik
1. All Possible Regression
Tahapan pemilihan :
a. Tuliskan semua kemungkinan model regresi dan kelompokkan menurut
banyaknya variabel bebas
b. Urutkan model regresi menurut besarnya R2
c. Periksalah untuk setiap kelompok apakah terdapat suatu pola variabel
yang konsisten
d. Lakukan analisa terhadap kenaikan R2 pada tiap kelompok
2. Backward Elimination Procedur
Tahap pemilihannya :
10
a. Tuliskan persamaan regresi yang mengandung semua variabel
b. Hitung nilai t parsialnya
c. Banding nilai t parsialnya
1) Jika tL < tO maka buang variabel L yang menghasilkan tL, kemudian
hitung kembali persamaan regresi tanpa menyertakan variabel L
2) Jika tL > tO maka ambil persamaan regresi tersebut
3. Stepwise Regression Procedur
Tahap pemilihannya :
a. Hitung korelasi setiap variabel bebas terhadap variabel Y. Variabel bebas
dengan nilai korelasi tertinggi masukkan dalam model regresi (syarat uji F
menunjukkan variabel ini berpengaruh nyata)
b. Hitung korelasi parsial setiap variabel bebas tanpa menyertakan variabel
bebas yang telah mauk model. Masukkan variabel bebas dengan korelasi
parsial tertinggi ke dalam model
c. Hitung nilai t parsial variabel yang telah masuk model, jika tidak
berpengaruh nyata keluarkan dari model
d. Kembali ke langkah 2)
F. Uji Kecocokan Model
1. Dengan Koefisien Determinasi
R2 menunjukkan proporsi variasi total dalam respon Y yang dapat diterangkan
oleh model. r merupakan koefisien korelasi antara Y dengan kelompok X1 , X2 ,
X3 , … , Xk
2. Dengan Pendekatan Analisis Ragam
Tahapan Ujinya :
a. Hipotesis =
H0 : 0
H1 : 0
11
dimana
= matriks [ 0, 1, 2, … , k ]
b. Tabel Analisis Ragam
3. Pengambilan Keputusan
H0 ditolak jika pada taraf kepercayaan
G. Uji Parsial Koefisien Regresi
Tahapan Ujinya :
1. Hipotesis =
H0 : j 0
H1 : j 0
dimana j merupakan koefisien yang akan diuji
2. Statistik uji :
Dimana :
bj = nilai koefisien bj
s = √JKG /n−k−1
cjj = nilai matriks A-1 ke-jj
3. Pengambilan keputusan
12
Fhitung
> Ftabel(1 , n-
k-1)
Komponen
RegresiSS db MS Fhitung
Regresi JKR k JKR / kJKR / k
S2
Galat JKG n – k – 1 s2 = JKG / n-k-1
Total JKT n – 1
H0 ditolak jika
Pada taraf kepercayaan
13
thitung
> t /2(db=
n-k-1)
BAB III
PEMBAHASAN
A. Model Semi Log
Data bursa efek jakarta pada sesi penutupan 30 Juni 2001, dengan mengambil 10
perusahaan manufaktur. Adapun data selengkapnya adalah sbb:
No Nama Perusahaan EPS Harga pasar
1 Ades Alfindo 1313 1500
2 Aqua Golden 2922 13000
3 Delta Djakarta 2148 8000
4 Fast Food Indonesia 585 775
5 Indofood 353 850
6 Multi Bintang 4448 27000
7 Sari Husada 716 850
8 Siantar Top 134 27000
9 Tunas Baru Lampung 5 8800
10 Ultrajaya 16 650
11 Bat Indonesia 871 9900
12 Gudang Garam 1166 13200
13 Hn Sampoerna 1093 16050
14 Centex 2792 5600
15 Eratex Djaja 54 375
16 Roda Viva 90 925
17 Semen Gresik 578 6150
18 Eversintex Textile 10 300
19 Fortune Mate Indonesia 67 650
20 Great River 13 625
21 Indorama 63 625
22 Pan Brothers 195 1400
14
23 Sarasa Nugraha 78 1300
24 Sepatu Bata 4871 14800
25 Surya Intrindo 158 2700
26 Mandom 340 2700
27 Mustika Ratu 294 1175
28 Procter And Gamble 25722 46000
29 Unilever 10658 17000
30 Kimia Farma 226 220
31 Merck Indonesia 2204 8500
32 Schering-Plough 1227 25000
33 Tempo Scan 773 3150
34 Dankos 51 525
35 Bayer Indonesia 851 8300
Lakukan transformasi sehingga diperoleh data
EPS Harga Pasar Ln_EPS Ln_HP
1313.00 1500.00 7.18 7.312922.00 13000.00 7.98 9.472148.00 8000.00 7.67 8.99585.00 775.00 6.37 6.65353.00 850.00 5.87 6.754448.00 27000.00 8.40 10.20716.00 850.00 6.57 6.75134.00 27000.00 4.90 10.205.00 8800.00 1.61 9.0816.00 650.00 2.77 6.48871.00 9900.00 6.77 9.201166.00 13200.00 7.06 9.491093.00 16050.00 7.00 9.682792.00 5600.00 7.93 8.6354.00 375.00 3.99 5.9390.00 925.00 4.50 6.83578.00 6150.00 6.36 8.72
15
10.00 300.00 2.30 5.7067.00 650.00 4.20 6.4813.00 625.00 2.56 6.4463.00 625.00 4.14 6.44195.00 1400.00 5.27 7.2478.00 1300.00 4.36 7.174871.00 14800.00 8.49 9.60158.00 2700.00 5.06 7.90340.00 2700.00 5.83 7.90294.00 1175.00 5.68 7.0725722.00 46000.00 10.16 10.7410658.00 17000.00 9.27 9.74226.00 220.00 5.42 5.392204.00 8500.00 7.70 9.051227.00 25000.00 7.11 10.13773.00 3150.00 6.65 8.0651.00 525.00 3.93 6.26851.00 8300.00 6.75 9.02
Hasil pengolahan data yang dilakukan terhadap pembentukan kedua model tersebut
yaitu:
Model linear:
Hargapasar=4670,722+1,671 EPS
Model log-log:
ln HP=5,002+0,508ln_EPS
Output model linear
GET FILE='D:\semester VII\ekonometrika\pengolahan data.sav'.DATASET NAME DataSet1 WINDOW=FRONT.COMPUTE ln_EPS=LN(EPS).EXECUTE.COMPUTE ln_HP=LN(Harga_Pasar).EXECUTE.REGRESSION /MISSING LISTWISE /STATISTICS COEFF OUTS R ANOVA /CRITERIA=PIN(.05) POUT(.10) /NOORIGIN /DEPENDENT Harga_Pasar
16
/METHOD=ENTER EPS.
Regression
Notes
Output Created 07-Dec-2012 09:48:18
Comments
Input Data D:\semester VII\ekonometrika\
pengolahan data.sav
Active Dataset DataSet1
Filter <none>
Weight <none>
Split File <none>
N of Rows in Working Data
File
35
Missing Value Handling Definition of Missing User-defined missing values are treated
as missing.
Cases Used Statistics are based on cases with no
missing values for any variable used.
Syntax REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS R
ANOVA
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT Harga_Pasar
/METHOD=ENTER EPS.
Resources Processor Time 00:00:00.016
Elapsed Time 00:00:00.017
Memory Required 1396 bytes
Additional Memory Required
for Residual Plots
0 bytes
[DataSet1] D:\semester VII\ekonometrika\pengolahan data.sav
17
Variables Entered/Removedb
Model Variables
Entered
Variables
Removed Method
dim
ensi
on0
1 EPSa . Enter
a. All requested variables entered.
b. Dependent Variable: Harga_Pasar
Model Summary
Model
R R Square
Adjusted R
Square
Std. Error of the
Estimate
dime
nsio
1 .748a .559 .546 6958.66759
a. Predictors: (Constant), EPS
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 2.026E9 1 2.026E9 41.850 .000a
Residual 1.598E9 33 4.842E7
Total 3.624E9 34
a. Predictors: (Constant), EPS
b. Dependent Variable: Harga_Pasar
Coefficientsa
Model
Unstandardized Coefficients
Standardized
Coefficients
t Sig.B Std. Error Beta
1 (Constant) 4670.722 1276.215 3.660 .001
EPS 1.671 .258 .748 6.469 .000
a. Dependent Variable: Harga_Pasar
Output model log-log
18
REGRESSION /MISSING LISTWISE /STATISTICS COEFF OUTS R ANOVA /CRITERIA=PIN(.05) POUT(.10) /NOORIGIN /DEPENDENT ln_HP /METHOD=ENTER ln_EPS.
RegressionNotes
Output Created 07-Dec-2012 09:49:55
Comments
Input Data D:\semester VII\ekonometrika\pengolahan
data.sav
Active Dataset DataSet1
Filter <none>
Weight <none>
Split File <none>
N of Rows in Working Data File 35
Missing Value Handling Definition of Missing User-defined missing values are treated as
missing.
Cases Used Statistics are based on cases with no
missing values for any variable used.
Syntax REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT ln_HP
/METHOD=ENTER ln_EPS.
Resources Processor Time 00:00:00.015
Elapsed Time 00:00:00.014
Memory Required 1396 bytes
Additional Memory Required for
Residual Plots
0 bytes
[DataSet1] D:\semester VII\ekonometrika\pengolahan data.sav
19
Variables Entered/Removedb
Model
Variables Entered
Variables
Removed Method
dim
ensi
on0
1 ln_EPSa . Enter
a. All requested variables entered.
b. Dependent Variable: ln_HP
Model Summary
Model
R R Square
Adjusted R
Square
Std. Error of the
Estimate
dim
ensi
on0
1 .672a .452 .435 1.14579
a. Predictors: (Constant), ln_EPS
ANOVAb
ModelSum of Squares df Mean Square F Sig.
1 Regression 35.710 1 35.710 27.201 .000a
Residual 43.323 33 1.313
Total 79.033 34
a. Predictors: (Constant), ln_EPS
b. Dependent Variable: ln_HP
Coefficientsa
Model
Unstandardized Coefficients
Standardized
Coefficients
t Sig.B Std. Error Beta
1 (Constant) 5.002 .610 8.199 .000
ln_EPS .508 .097 .672 5.215 .000
20
Variables Entered/Removedb
Model
Variables Entered
Variables
Removed Method
dim
ensi
on0
1 ln_EPSa . Enter
a. All requested variables entered.
a. Dependent Variable: ln_HP
B. Model Linear Regresi Berganda
Diperoleh data rasio-rasio keungan PT. Castle Blue pada 100 bulan
terakhir yang terdiri dari indikator-indikator: Earning Per Share (E) , return on
equity (KH), profit Margin (JM), return of asset (DT) dan return of investment
(BL). Indikato-indikator tersebut akan dilihat pengaruhnya terhadap return
(KK). Adapun datanya adalah sebagai berikut:
21
22
No. BL KH JM DT E KK
1 28 24 19 14 15 19
2 28 24 19 12 15 19
3 24 20 16 12 12 18
4 25 22 17 14 12 18
5 26 20 16 12 12 16
6 26 21 17 12 13 18
7 27 24 19 14 14 20
8 26 23 19 14 14 19
9 25 22 17 14 12 16
10 25 23 16 13 14 19
11 26 22 17 14 13 19
12 26 21 16 13 12 18
13 25 20 16 12 12 18
14 30 23 18 14 14 20
15 28 23 18 14 14 18
16 29 23 18 14 15 19
17 29 24 18 12 12 18
18 24 21 18 14 13 19
19 24 20 16 14 12 18
20 26 23 18 12 14 19
21 28 23 17 14 13 18
22 28 22 19 13 13 19
23 30 24 19 13 15 19
24 26 24 20 14 15 20
25 27 22 18 13 14 19
26 23 18 17 9 13 18
27 22 16 14 13 13 15
28 21 17 17 11 12 14
29 19 15 14 11 11 13
30 27 20 17 12 13 16
31 20 18 15 12 15 14
32 24 20 16 12 13 16
33 26 22 18 12 13 17
34 23 19 17 12 13 15
35 19 17 14 15 11 13
36 24 20 16 12 12 16
37 24 20 16 15 12 16
Selanjutnya adalah kita mendefenisikan variabel independent (bebas) yaitu return of
investment (X1), return on equity (X2), profit Margin (X3), return of asset (X4), dan
Earning Per Share (X5) dan variabel dependen (terikat) yaitu return (KK). Maka
rumusan hipotesisnya adalah :
1. Simultan
Ho : 1 = 2 = 3 = 4 = 5 = 0
Artinya variabel X1, X2, X3, X4, dan X5 tidak berpengaruh
signifikan terhadap variabel Y.
H1 : 1 2 3 4 5 0
Artinya variabel X1, X2, X3, X4, dan X5 berpengaruh signifikan
terhadap variabel Y.
2. Parsial
a. Unutk variabel X2
H0 : 1 = 0
Artinya variabel X2 tidak berpengaruh signifikan terhadap variabel Y.
H1 : 1 0
Artinya variabel X2 berpengaruh signifikan terhadap variabel Y.
b. Unutk variabel X2
H0 : 2 = 0
Artinya variabel X2 tidak berpengaruh signifikan terhadap variabel Y.
H1 : 2 0
Artinya variabel X2 berpengaruh signifikan terhadap variabel Y.
c. Unutk variabel X3
H0 : 3 = 0
Artinya variabel X3 tidak berpengaruh signifikan terhadap variabel Y.
23
H1 : 3 0
Artinya variabel X3 berpengaruh signifikan terhadap variabel Y.
d. Unutk variabel X4
H0 : 4 = 0
Artinya variabel X4 tidak berpengaruh signifikan terhadap variabel Y.
H1 : 4 0
Artinya variabel X4 berpengaruh signifikan terhadap variabel Y.
e. Unutk variabel X5
H0 : 5 = 0
Artinya variabel X5 tidak berpengaruh signifikan terhadap variabel Y.
H1 : 5 0
Artinya variabel X5 berpengaruh signifikan terhadap variabel Y.
Analisis Data
Analisis data yang dilakukan pada bagian ini yaitu dengan menggunakan
software MINITAB versi 15 for Windows. Adapun langkah-langkah
pengerjaannya adalah sebagai berikut:
1. Pengujian secara umum
1. Inputlah pada data kotak worksheet sesuai dengan tabel 3.1
24
2. Klik Stat lalu pilih Regression dan pilih Regression
3. Akan muncul kotak Regression. Pada respon masukkan KK, dengan cara
klik C1 KK lalu pilih select. Pada kotak Predictors masukkan BL, KH,
JM, DT, dan E, dengan cara klik C1 BL lalu pilih select. Lakukan hal
yang sama untuk KH, JM, DT, dan E.
25
4. Klik OK
Output :
Regression Analysis: KK versus BL; KH; JM; DT; E
S = 1,28390 R-Sq = 37,5% R-Sq(adj) = 34,2%
2. Pengujian secara parsial
a. Pegujian untuk return of investment terhadap reurn
1. Lakukan hal yang sama pada langkah 1 dan 2 dalam pengujian
secara umum
26
2. Setelah muncul kotak regression. Masukkan KK pada kota Respon,
dengan cara klik C6 KK lalu pilih select. Pada kotak Predictors
masukkan BL, dengan cara klik C1 BL lalu pilih select.
3. Klik OK
Output :
Regression Analysis: KK versus BL
The regression equation is
KK = 6,87 + 0,403 BL
Analysis of Variance
Source DF SS MS F P
Regression 1 77,764 77,764 44,76 0,000
27
Residual Error 98 170,276 1,738
Total 99 248,040
b. Pegujian untuk return on equity terhadap reurn
1. Lakukan hal yang sama pada langkah 1 dan 2 dalam pengujian
secara umum
2. Setelah muncul kotak regression. Masukkan KK pada kota Respon,
dengan cara klik C6 KK lalu pilih select. Pada kotak Predictors
masukkan KH, dengan cara klik C2 KH lalu pilih select.
3. Klik OK
Output :
Regression Analysis: KK versus KH
The regression equation is
KK = 8,91 + 0,377 KH
28
Analysis of Variance
Source DF SS MS F P
Regression 1 70,948 70,948 39,26 0,000
Residual Error 98 177,092 1,807
Total 99 248,040
c. Pegujian untuk profit Margin terhadap reurn
1. Lakukan hal yang sama pada langkah 1 dan 2 dalam pengujian
secara umum
2. Setelah muncul kotak regression. Masukkan KK pada kota Respon,
dengan cara klik C6 KK lalu pilih select. Pada kotak Predictors
masukkan JM, dengan cara klik C3 JM lalu pilih select.
3. Klik OK
Output :
29
Regression Analysis: KK versus JM
The regression equation is
KK = 8,24 + 0,514 JM
Analysis of Variance
Source DF SS MS F P
Regression 1 63,898 63,898 34,01 0,000
Residual Error 98 184,142 1,879
Total 99 248,040
d. Pegujian untuk return of asset terhadap reurn
1. Lakukan hal yang sama pada langkah 1 dan 2 dalam pengujian
secara umum
2. Setelah muncul kotak regression. Masukkan KK pada kota Respon,
dengan cara klik C6 KK lalu pilih select. Pada kotak Predictors
masukkan DT, dengan cara klik C4 DT lalu pilih select.
30
3. Klik OK
Output :
Regression Analysis: KK versus DT
The regression equation is
KK = 11,8 + 0,409 DT
Analysis of Variance
Source DF SS MS F P
Regression 1 25,799 25,799 11,38 0,001
Residual Error 98 222,241 2,268
Total 99 248,040
31
e. Pegujian untuk profit Margin terhadap reurn
1. Lakukan hal yang sama pada langkah 1 dan 2 dalam pengujian
secara umum
2. Setelah muncul kotak regression. Masukkan KK pada kota Respon,
dengan cara klik C6 KK lalu pilih select. Pada kotak Predictors
masukkan E, dengan cara klik C5 E lalu pilih select.
3. Klik OK
Output :
Regression Analysis: KK versus E
The regression equation is
KK = 10,2 + 0,526 E
Analysis of Variance
32
Source DF SS MS F P
Regression 1 41,455 41,455 19,67 0,000
Residual Error 98 206,585 2,108
Total 99 248,040
B. Analisis hasil
Dasar pengambilan keputusan :
F hitung ≤ F tabel = Ho diterima
F hitung > F tabel = Ho ditolak, H1 diterima
Atau
Nilai signifikasi (P Value) < 0,05 maka H0 ditolak dan H1 diterima.
Nilai signifikasi (P Value) > 0,05 maka H0 diterima dan H1 ditolak.
1. Pengujian secara parsial {Diambil derajat kepercaaan 95% (α =0,05)}
a. Pegujian untuk return of investment terhadap reurn
F-hitung = 44,76
F-tabel (0,05; 1; 98) = 3,938111
Karena F-hitung ¿ F-tabel atau P < 0,05 maka H0 ditolak dan H1
diterima. Atau dengan kata lain return of investment berpengaruh
signifikan terhadap kepuasan pasien.
b. Pegujian untuk return on equity terhadap reurn
F-hitung = 39,26
F-tabel (0,05; 1; 98) = 3,938111
33
Karena F-hitung ¿ F-tabel atau P < 0,05 maka H0 ditolak dan H1
diterima. Atau dengan kata lain return on equity berpengaruh
signifikan terhadap kepuasan pasien.
c. Pegujian untukprofit Margin terhadap reurn
F-hitung = 34,01
F-tabel (0,05; 1; 98) = 3,938111
Karena F-hitung ¿ F-tabel maka H0 ditolak dan H1 diterima. Atau
dengan kata lainprofit Margin berpengaruh signifikan terhadap
kepuasan pasien.
d. Pegujian untuk return of asset terhadap reurn
F-hitung = 11,38
F-tabel (0,05; 1; 98) = 3,938111
Karena F-hitung ¿ F-tabel atau P < 0,05 maka H0 ditolak dan H1
diterima. Atau dengan kata lain return of asset berpengaruh signifikan
terhadap kepuasan pasien.
e. Pegujian untukprofit Margin terhadap reurn
F-hitung = 19,67
F-tabel (0,05; 1; 98) = 3,938111
Karena F-hitung ¿ F-tabel atau P < 0,05 maka H0 ditolak dan H1
diterima. Atau dengan kata lainprofit Margin berpengaruh signifikan
terhadap kepuasan pasien.
2. Pengujian secara umum
F-hitung = 11,29
F-tabel (0,05; 5; 94) = 2,31127
karena f-hitung ¿ f-tabel atau P < 0,05 dan maka h0 ditolak atau h1 diterima.
atau dengan kata lain bukti langsung, return on equity , jaminan, daya
34
tanggap, dan empati berpengaruh signifikan terhadap kepuasan pasien.
Diambil derajat kepercaaan 95% (α =0,05).
Berdasarkan output pada MINITAB maka didapatkan persamaan regresi
linier
berganda sebagai berikut:
KK = 5,01 + 0,238 BL + 0,126 KH + 0,224 JM + 0,069 DT - 0,112 E
Penjelasan dari persamaan di atas adalah sebagai berikut :
1. Nilai 0,238 pada variabel return of investment adalah bernilai positif
sehingga dapat dikatakan bahwa semakin tinggi return of investment
yang diberikan Puskesmas, maka akan semakin tinggi pula reurn.
2. Nilai 0,126 pada variabel return on equity adalah bernilai positif
sehingga dapat dikatakan bahwa semakin tinggi tingkat return on equity
yang diberikan Puskesmas, maka akan semakin tinggi pula reurn.
3. Nilai 0,224 pada variabelprofit Margin adalah bernilai positif sehingga
dapat dikatakan bahwa semakin tinggiprofit Margin yang diberikan
Puskesmas, maka akan semakin tinggi pula reurn.
4. Nilai 0,069 pada variabel return of asset adalah bernilai positif sehingga
dapat dikatakan bahwa semakin tinggi return of asset yang diberikan
Puskesmas, maka akan semakin tinggi pula reurn.
5. Nilai - 0,112 pada variabel empati adalah bernilai negatif sehingga
dapat dikatakan bahwa semakin tinggi rasa empati yang diberikan
Puskesmas, tidak berarti akan semakin tinggi pula reurn.
Berdasarkan hasil analisis yang dilakukan dapat diketahui bahwa dari
variabel bukti langsung, return on equity , daya tanggap,profit Margin dan
perhatian, variabel return of investment yang paling berpengaruh dominan
terhadap kepuasan pasien. Dimana variabel return of investment ini mempunyai
pengaruh yang positif dan signifikan.
35
C. Koefisien Determinasi dan Koefisien korelasi
S = 1,28390 R-Sq = 37,5% R-Sq(adj) = 34,2%
1. Koefisien Determinasi
Dari data di atas dapat dilihat bahwa nilai R-Sq(adj)adalah sebesar 34,2%.
Hal ini dapat diartikan bahwa variabel independent (bukti langsung,
jaminan, return of asset dan empati) dapat menjelaskan variabel dependent
(reurn)
sebesar 34%, sedangkan sisanya diterangkan oleh faktor lain yang tidak
diteliti.
2. Koefisien korelasi
Dari data di atas dapat dilihat bahwa nilai R-Sq adalah sebesar 37,5% atau
0,375. Hal ini dapat diartikan bahwa variabel independent (bukti langsung,
jaminan, return of asset dan empati) korelasi lemah terhadap variabel
dependent (reurn).
36
DAFTAR PUSTAKA
Anonim. METODE KUANTITATIF : PENDEKATAN EKONOMETRIK. Diakses
pada November 2012
Nachrowi N dan Usman H. 2006. Pendekatan Populer Dan Praktis Ekonometrika
Untuk Analisis Ekonomi Dan Keuangan. Lembaga Penerbit Fakultas Ekonomi
Universitas Indonesia : Jakarta.
37