OUTPUT SPSS REGRESI LINEAR SEDERHANA DAN INTERPRETASINYA

OUTPUT SPSS REGRESI LINEAR SEDERHANA DAN INTERPRETASINYA

Regression

 

OUTPUT DESCRIPTIVE STATISTICS :

Tabel diatas menyajikan deskripsi dan variable yang diuji yaitu rata-rata (mean) dan simpangan baku (standard deviation).

Rata rata untuk sales (penjualan) adalah 140,6000 dan untuk iklan adalah 19,0667 sedangkan simpangan baku untuk sales adalah 68,96977 dan untuk iklan adalah 8,20685. Banyaknya data yang diambil masing masing adalah 15.

 

OUTPUT CORRELATION :

Dari tabel diatas dapat dilihat bahwa besar hubungan antara sales dengan iklan adalah 0,762. Hal ini menunjukan bahwa ada hubungan positif (searah) antara keduanya. Makin besar iklannya maka makin besar pula sales (penjualannya).

Searah maksudnya semakin sering melakukan pameran (pengiklanan) penjualan akan semakin meningkat.

OUPUT VARIABLE ENTERED/REMOVED :

Tabel diatas menjelaskan tentang variable yang dimasukkan atau dibuang dan metode yang digunakan. Dalam hal ini variable yang dimasukkan adalah variable nilai iklan sebagai predictor dan metode yang digunakan adalah metode enter.

 

OUTPUT MODEL SUMMARY :

Tabel diatas menjelaskan tentang besarnya nilai korelasi / hubungan (R) yaitu sebesar 0,762 dan dijelaskan besarnya presentase pengaruh variable bebas terhadap variable terikat yang disebut koefisien determinasiyang merupakan hasil penguadratan R. Dari utput tersebut diperoleh koefisien determinasi (R²) sebesar 0,580, yang mengandung artian bahwa pengaruh variable bebas (iklan) terhadap variable terikat (sales) adalah sebesar 54,8%, sedangkan sisanya dipengaruhi oleh variable lain.

SEE dikatakan baik ketika lebih kecil dari standard deviasinya.

Nilai standard deviasinya 68 adalah sebesar sedangkan SEE nya 46,4. Karena SEE nya lbh kecil, angka SEE tersebut baik digunakan sebagai prediktor penjualan.

OUTPUT ANOVA :

Pada bagian ini untuk menjelaskan apakah ada pengaruh yang nyata (signifikan) antara iklan terhadap sales. Dari output tersebut terlihat bahwa F hitung = 17,972 dengan tingkat signifikasi/probabilitas 0,001<0,05, maka model regresi dapat dipakai untuk memprediksi variable sales/penjualan.

OUTPUT COEFFICIENT :

Pada tabel coefficient pada kolom B pada contant (a), adalah 18,540, sedang nilai iklan (b) adalah 6,402, sehingga persamaan regresinya dapat ditulis :

Y = a+bX atau 18,540+6,402x

Y = penjualan

X = iklan

Artinya jika tidak ada pameran maka penjualan sebesar 18,540

Koefisien regresi sebesar 6,402 artinya ketika dilakukan satu kali pameran maka penjualan akan meningkat sebesar 6,402.

Koefisien b dinamakan koefisien arah regresi dan menyatakan perubahan rata-rata variable Y untuk setiap perubahan variable X sebesar satu-satuan. Perubahan ini merupakan pertambahan bila b bertanda positif dan penurunan bila b bertanda negatif. Sehingga dari persamaan tersebut dapat diterjemahkan :

·         Konstanta sebesar 18,540 menyatakan bahwa jika tidak ada nilai iklan maka nilai sales sebesar 18,540.

·         Koefisien regresi X sebesar 6,402 menyatakan bahwa setiap penambahan 1 nilai iklan, maka nilai sales bertambah sebesar 6,402.

HIPOTESIS

·         H0 : tidak ada pengaruh yang nyata (signifikan) antara variable iklan (X) terhadap variable sales (Y)

·         H1 : ada pengaruh yang nyata (signifikan) antara variable iklan (X) terhadap variable sales (Y)

Dari output diatas dapat diketahui nilai t hitung = 4,239 dengan nilai signifikasi 0,001 < 0,05, maka H0 ditolak dan H1 diterima yang berarti ada pengaruh yang nyata (signifikan) antara variable iklan (X) terhadap variable sales (Y).

 

0UTPUT CASEWISE :

Nilai sales yang diprediksi dapat dilihat pada tabel casewise diagnostics (kolom predicted value). Sedangkan residual adalah selisih antara penjualan (sales) dengan predicted value dan std. Residual adalah nilai residual yang terlah terstandarisasi (nilai semakin mendekati 0 maka model regresi semakin baik dalam melakukan prediksi, sebaiknya semakin menjauhi 0 atau lebih dari 1 atau -1 maka semakin tidak baik model regresi dalam melakukan prediksi).

Cara menghitung nilai residu

Plered : a + Bx

18,540 + 6,402 (30)

210, 606. Nilai penjualan yang diprediksi di plered adalah 200 sehingga residualnya 10,606

Standard residual = SEE : RESIDUAL

Semakin kecil nilai residualnya semakin baik untuk dijadikan prediktor.

Standard residu bisa memprediksi maksimal, minimal dan rata rata penjualan dari setiap kota

Charts

OUTPUT GRAFIK P-PLOT

Dari tampilan output diatas maka dapat dilihat apabila titik-titik pada p-plot diatas menyebar sesuai dengan garis lurus maka dapat disimpukan bahwa data residual distribusi normal atau dapat dipenuhi. Kelemahan dari uji normalitas dengan Normal P-P Plotterletak pada kriteria dekat/jauhnya sebaran titik-titik. Tidak ada batasan yang jelas mengenai dekat atau jauhnya sebaran titiktitik  tersebut  sehingga  sangat  dimungkinkan  terjadi kesalahan  penarikan  kesimpulan. Misalnya  teramati  bahwa  sebaran  titik-titik  terlihat  relatif  dekat  (artinya  terdistribusi normal), tapi ternyata tidak cukup dikatakan dekat  (tidak terdistribusi normal). Kondisi ini akhirnya bergantung kepada subjektifitas pengamat (orang yang melihat).

Dari gambar di atas terlihat bahwa sebaran titik tidak membentuk suatu pola/alur tertentu, sehingga  dapat  disimpulkan  tidak  terjadi  heteroskedastisitas  atau  dengan  kata  lain  terjadi homoskedastisitas.  Asumsi  klasik  tentang  heteroskedastisitas  dalam  model  ini  terpenuhi, yaitu terbebas dari heteroskedastisitas.

Uji ini (scatterplot) rentan kesalahan dalam penarikan kesimpulannya. Hal ini dikarenakan penentuan ada tidaknya pola/alur atas titik-titik yang ada di gambar sangat bersifat subjektif. Bisa saja sebagian orang mengatakan tidak ada pola,tapi sebagian lainnya mengatakan ini ada  polanya.  Tidak  ada  ukuran  yang  pasti  kapan  suatu  scatterplot membentuk  pola  atau tidak. Keputusan hanya mengandalkan pengamatan/penglihatan peneliti.

Data dikatakan normal bila bentuk persebaran tidak membentuk pola.

Berdasarkan grafik diatas terlihat bahwa data tersebar berpencar disekitar sumbu Y pada angka 0 serta tidak membentuk pola atau kecenderungan tertentu sehingga dapat kita simpulkan bahwa model regresi ini dapat dijadikan prediktor untuk data penjualan.