RAMALAN PENJUALAN ANALISA REGRESI LINEAR SEDERHANA DAN ANALISIS LINEAR BERGANDA PDF

Preview

Summary

RAMALAN PENJUALAN ANALISA REGRESI LINEAR SEDERHANA DAN ANALISIS LINEAR BERGANDA Makalah Ini Disusun Guna Memenuhi Tugas Mata Kuliah Penganggaran Dosen Pengampu: Dr.Wirmie Eka Putra, S.E., M.Si., CIQnR. Disusun Oleh: Windi Rahayu Setia Ningsih (C1C020118) PROGRAM STUDI AKUNTANSI FAKULTAS EKONOMI DAN ...

Description

RAMALAN PENJUALAN ANALISA REGRESI LINEAR SEDERHANA DAN ANALISIS LINEAR BERGANDA Makalah Ini Disusun Guna Memenuhi Tugas Mata Kuliah Penganggaran Dosen Pengampu: Dr.Wirmie Eka Putra, S.E., M.Si., CIQnR.

Disusun Oleh: Windi Rahayu Setia Ningsih (C1C020118)

PROGRAM STUDI AKUNTANSI FAKULTAS EKONOMI DAN BISNIS UNIVERSITAS JAMBI 2022

KATA PENGANTAR

Syukur Alhamdulillah senantiasa penulis panjatkan kehadirat Allah Subhana huwa ta'ala yang telah melimpahkan rahmat dan karunia-Nya, sehingga penulis dapat diberi kesempatan untuk menyelesaikan makalah ini yang berjudul, “Ramalan Penjualan Analisa Regresi Linear Sederhana Dan Analisis Linear Berganda” ini dengan tepat waktu. Makalah ini disusun guna memenuhi kewajiban Penulis untuk menyelesaikan tugas dari Mata Kuliah Penganggaran di kelas R-011 Program Studi Akuntansi, Universitas Jambi. Selain itu, Penulis juga mengucapkan banyak terimakasih sebanyak-banyaknya kepada bapak, Dr.Wirmie Eka Putra, S.E., M.Si., CIQnR. selaku dosen pegampu mata kuliah Penganggaran atas kesempatan yang telah diberikan kepada Penulis untuk mengerjakan tugas ini karena tugas ini sangat menambah pengetahuan penulis terkait dengan bidang yang Penulis tekuni. Penulis menyadari bahwa makalah ini masih jauh dari kata sempurna. Oleh karena itu, penulis mengharapkan kritik dan saran yang membangun dari para pembaca agar makalah ini dapat menjadi lebih baik lagi. Penulis juga berharap agar makalah ini dapat berguna dan dapat menambah wawasan bagi para pembaca terutama tentang analisis tren pada ramalan penjualan.

Jambi, 06 Maret 2022 Penulis

Windi Rahayu Setia Ningaih

2

DAFTAR ISI

KATA PENGANTAR ............................................................................................................... 2 DAFTAR ISI.............................................................................................................................. 3 BAB I PENDAHULUAN .......................................................................................................... 4 1.1 Latar Belakang ................................................................................................................. 4 1.2 Rumusan Masalah ............................................................................................................ 4 1.3 Tujuan............................................................................................................................... 4 BAB II PEMBAHASAN ........................................................................................................... 6 2.1 Apa Itu Analisis Regresi? ................................................................................................. 6 2.2 Manfaat Analisis Regresi ................................................................................................. 6 2.3 Fungsi Analisis Regresi .................................................................................................... 6 2.4 Analisis Regresi Sederhana .............................................................................................. 7 2.5 Regresi Sederhana Yang Ideal ......................................................................................... 8 2.6 Analisis Regresi Linier Berganda .................................................................................... 9 2.7 Asumsi klasik regresi linear berganda ............................................................................. 9 2.8 Perbedaan Regresi Sederhana dengan Regresi Linear Berganda ................................... 11 BAB III PENUTUP ................................................................................................................. 12 3.1 Kesimpulan..................................................................................................................... 12 DAFTAR PUSTAKA .............................................................................................................. 12

3

BAB I PENDAHULUAN

1.1 Latar Belakang Sebagian besar analisis Regresi linear adalah alat statistik yang dipergunakan untuk mengetahui pengaruh antara satu atau beberapa variabel terhadap satu buah variabel. Variabel “penyebab” atau yang dikenal sebagai variabel

yang mempengaruhi disebut dengan

bermacam-macam istilah: variabel independen, variabel bebas, variabel penjelas, variabel eksplanatorik, atau variabel X (karena seringkali digambarkan dalam grafik sebagai absis, atau sumbu X). Sedangkan, variabel “akibat” dikenal sebagai variabel yang dipengaruhi, variabel dependen, variabel terikat, atau variabel Y. Secara umum, persamaan regresi dapat terdiri dari satu atau lebih peubah bebas namun hanya memiliki satu peubah terikat. Analisis regresi membentuk

persamaan garis

lurus (linear) dan menggunakan

persamaan tersebut untuk membuat perkiraan (prediction). Berdasarkan jumlah variabel bebas, analisis regresi linear yang terdiri dari dua variabel dikenal dengan analisis linear sederhana, sedangkan yang lebih dari dua variabel disebut analisis linear berganda dan yang akan kita pelajari lebih lanjut. Tujuan dari analisis regresi yaitu pertama untuk membuat perkiraan nilai suatu variabel terikat jika nilai variabel bebas yang berhubungan dengannya sudah ditentukan dan yang kedua untuk menguji hipotesis signifikansi pengaruh dari variabel bebas terhadap variabel terikat.

1.2 Rumusan Masalah 1) Apa itu regresi? 2) Apa manfaat analisis regresi? 3) Apa itu regresi linear sederhana? 4) Apa fungsi regresi? 5) Bagaimana regresi sederhana yang ideal? 6) Apa itu regresi berganda? 7) Bagaimana asumsi klasis regresi berganda? 8) Apa perbedaan regresi sederhana dengan regresi berganda?

1.3 Tujuan 1) Mengetahui apa itu regresi 4

2) Mengetahui apa manfaat analisis regresi? 3) Mengetahui apa itu regresi linear sederhana? 4) Mengetahui apa fungsi regresi? 5) Memahami bagaimana regresi sederhana yang ideal? 6) Mengetahui apa itu regresi berganda? 7) Memahami bagaimana asumsi klasis regresi berganda? 8) Mengetahui apa perbedaan regresi sederhana dengan regresi berganda?

5

BAB II PEMBAHASAN

2.1 Apa Itu Analisis Regresi? Analisis regresi dalam statistika adalah salah satu metode untuk menentukan hubungan sebab-akibat antara satu variabel dengan variabel(-variabel) yang lain. Variabel "penyebab"

disebut

dengan

bermacam-macam

istilah:

variabel

penjelas,

variabel

eksplanatorik, variabel independen, atau variabel X (karena sering kali digambarkan dalam grafik sebagai absis, atau sumbu X). Variabel terkena akibat dikenal sebagai variabel yang dipengaruhi, variabel dependen, variabel terikat, atau variabel Y. Analisis regresi adalah salah satu analisis yang paling populer dan luas pemakaiannya. Analisis regresi dipakai secara luas untuk melakukan prediksi dan ramalan, dengan penggunaan yang saling melengkapi dengan bidang pembelajaran mesin. Analisis ini juga digunakan untuk memahami variabel bebas mana saja yang berhubungan dengan variabel terikat, dan untuk mengetahui bentuk-bentuk hubungan tersebut.

2.2 Manfaat Analisis Regresi Analisis regresi adalah metode statistik yang dapat dimanfaatkan oleh berbagai industri untuk menentukan sejauh mana variabel independen tertentu mempengaruhi variabel dependen.Salah satu manfaat dari analisis regresi adalah untuk menghasilkan wawasan mengenai bisnis yang dapat diketahui kapan saja. Sebagai contoh, apabila seseorang dalam bisnis Anda mengajukan hipotesis yang menyatakan sebuah faktor, apakah Anda dapat mengendalikan faktor tersebut atau tidak? Untuk menghindari hal-hal buruk yang dapat mempengaruhi sebagian bisnis, Anda dapat melakukan analisis ini untuk menentukan seberapa yakin Anda akan hipotesis yang dilontarkan oleh orang tersebut. Dengan demikian, Anda akan menjadi lebih mudah untuk membuat keputusan bisnis yang lebih tepat. Tidak hanya itu saja, Anda juga dapat mengalokasikan sumber daya dengan lebih efisien, dan pada akhirnya meningkatkan keuntungan pada bisnis Anda.

2.3 Fungsi Analisis Regresi 1. Memperbaiki kesalahan

6

Salah satu fungsi regresi, yaitu bisa memperbaiki kesalahan. Kesalahan ini dapat berhubungan dengan keputusan yang diambil untuk bisnis. Sebelum diaktualisasikan, keputusan itu dapat dihitung dulu untuk mengetahui hasilnya. Apabila hasilnya keliru, maka bisa diperbaiki. Misalnya, pemilik bisnis memutuskan ingin menambah jam toko untuk meningkatkan penjualan. Ternyata ketika dihitung menggunakan regresi, budget yang pemilik bisnis keluarkan terlalu over, sehingga berpotensi merugikan. Pemilik bisnis pun bisa mengubah keputusannya. 2. Memperkirakan masa depan Fungsi kedua dari regresi, yaitu bisa memperkirakan masa depan yang berhubungan dengan peluang. Rumus ini juga sering digunakan untuk mencoba apakah peluang yang ada tepat diambil atau tidak. Salah satu contohnya adalah perusahaan asuransi yang menghitung dana klaim yang dilakukan oleh pasien melihat dari kasusnya. 3. Meningkatkan efisiensi Rumus regresi juga dapat digunakan supaya operasional bisnis lebih efisien dan menghasilkan output yang diinginkan. 4. Memberikan insight baru Fungsi selanjutnya dari regresi, yaitu dapat memberikan pengetahuan terbaru untuk Anda. Misalnya, Anda ingin mengetahui stok produk yang harus disediakan ketika sedang masuk musim ramai pembeli yang belanja di waktu tertentu.

2.4 Analisis Regresi Sederhana Analisis Regresi sederhana merupakan sebuah pendekatan yang digunakan dalam menggambarkan hubungan antara satu variabel dependen dan satu variabel independen. Dalam model regresi, variabel independen menjelaskan variabel dependen tersebut. analisis regresi sederhana adalah analisis yang digunakan untuk menganalisis satu variabel terikat (y) menggunakan satu variabel bebas (x). pada bebas yang dipilih adalah yang mempunyai hubungan korelasi dengan variabel terikat. Untuk mengetahui bahwa variabel bebas (x) yang dipilih mempunyai korelasi dengan variabel terikat (y) dapat digunakan analisis korelasi. Biasanya pada analisis ini, hubungan yang dimiliki antara variabel bersifat linear. Artinya, perubahan yang terjadi pada variabel X nantinya akan diikuti oleh variabel Y secara tetap.

7

Dalam penerapannya, regresi sederhana digunakan untuk mengetahui seperti apa tujuan dan arah dari hubungan antara variabel bebas dengan variabel terikat. Selain itu, analisis ini juga dapat digunakan dalam memprediksi nilai dari variabel terikat apabila terjadi perubahan pada nilai yang dimiliki oleh variabel bebas. Pada analisis jenis ini, biasanya data yang digunakan merupakan data yang memiliki skala interval. Rumus regresi linear sederhana sebagai berikut. Y = a + bX Keterangan: Y

= Variabel dependen (variabel terikat)

X

= Variabel independent (variabel bebas)

a

= Konstanta (nilai dari Y apabila X = 0)

b

= Koefisien regresi (pengaruh positif atau negatif)

2.5 Regresi Sederhana Yang Ideal Model regresi linier sederhana yang ideal harus memenuhui beberapa asumsi-asumsi seperti berikut: 1. Eksogenitas yang lemah Dalam model regresi linier memberi syarat bahwa variabel X bersifat tetap, sementara variabel Y bersifat acak atau berubah. Di mana satu nilai variabel X akan memprediksi variabel Y sehingga ada kemungkinan beberapa variabel Y. Dengan begitu, harus ada nilai kesalahan pada variabel Y. 2. Linieritas Kenaikan variabel X harus diikuti dengan cara proporsional oleh kenaikan variabel Y. Apabila dalam pengujian linieritas tidak terpenuhi, maka dapat melakukan transformasi data atau memakai bentuk kuadratik atau model lainnya yang sesuai dengan bentuk hubungan non linier. 3. Varians error yang konstan Varians eror perlu konstan karena jika konstan maka variabel error dapat membentuk model sendiri dan menganggu model utama. Sehingga penanggulangan permasalahan heteroskedastisitas bisa diatasi dengan menambahkan model varians error ke dalam model ARCH/GARCH. 4. Autokorelasi untuk data time series 8

Apabila kita memakai analisis regresi sederhana untuk data time series atau data yang disusun berdasarkan urutan waktu, maka terdapat asumsi yang harus dipenuhi, yakni asumsi autokorelasi. Asumsi ini melihat pengaruh variabel lag waktu sebelumnya terhadap variabel Y.

2.6 Analisis Regresi Linier Berganda Regresi linear berganda merupakan model regresi yang melibatkan lebih dari satu variabel independen. Analisis regresi linear berganda dilakukan untuk mengetahui arah dan seberapa besar pengaruh variabel independen terhadap variabel dependen (Ghozali, 2018). Analisis regresi berganda hampir sama dengan analisis regresi linier sederhana, dimana untuk memprediksi nilai dependen atau yang lebih dikenal dengan variabel Y memerlukan variabel independen atau yang lebih dikenal dengan variabel X. Hal yang membedakan antara regresi ini dengan regresi linier sederhana adalah jumlah variabel yang digunakannya. Di regresi linear berganda, kita bisa menggunakan mulai dari dua bahkan lebih variabel independen. Namun bisa jadi tidak semua variabel mempengaruhi variabel Y. Untuk mendapatkan model terbaik, kita hanya perlu memilih variabel yang berpengaruh ke variabel Y saja. Persamaan regresi linear berganda dengan dua variable bebas (x): Y= Dimana : Y

= Variable terikat = Konstanta dari Y

a1 dan a2

= Koefisien egresi persial

X1 dan X2

= Dua

variable bebas

2.7 Asumsi klasik regresi linear berganda Seperti halnya uji parametris lainnya, regresi linear juga memiliki syarat atau asumsi klasik yang harus terpenuhi agar model prediksi yang dihasilkan nantinya bersifat BLUE (Best Linear Unbiased Estimation). Asumsi klasik pada regresi linear berganda antara lain: 1. Data interval atau rasio

9

Skala data semua variabel terutama variabel terikat adalah interval atau rasio. Asumsi ini tidak perlu diuji, cukup kita pastikan bahwa data yang digunakan adalah data interval atau rasio (numeric atau kuantitatif). 2. Linearitas Variabel bebas berhubungan dengan variabel terikat. Asumsi linearitas diuji dengan uji linearitas regresi, misalnya dengan kurva estimasi. Dengan kurva estimasi kita bisa menentukan ada hubungan linear atau tidak dengan melihat nilai p value linearitas. Jika p value < 0,05 maka terdapat hubungan yang linear antara predictor dan response. 3. Normalitas residual Residual adalah beda antara y dengan y prediksi. Dalam hal ini, y adalah variabel terikat, sedangkan y prediksi adalah y hasil persamaan regresi yang dibuat. Dengan demikian, residual dibangun dengan rumus y – y prediksi. Asumsi normalitas pada regresi linear adalah pada residualnya, bukan pada data per variabel. Uji asumsi normalitas regresi linear dapat diuji dengan berbagai metode uji normalitas, seperti uji Shapiro wilk, Lilliefors, atau Kolmogorov smirnov, Anderson darling, Ryan joiner, Shapiro francia, Jarque bera, Skewness kurtosis test, dan berbagai jenis uji normalitas lainnya. 4. Non outlier Outlier disebut dengan data pencilan atau data yang nilainya extreme atau lain dari pada yang lainnya. Batasan outlier tidak bisa dilihat dari nilai absolut studentized residual. Jika absolut studentized residual > 3, maka sampel atau observasi yang dimaksud menjadi outlier. 5. Homoskedastisitas Homoskedastisitas adalah sebuah kondisi saat varians dari error bersifat konstan atau tetap. Dengan kata lain, varians dari error bersifat identic untuk setiap pengamatan. Kebalikan dari homoskedastisitas adalah heteroskedastisitas. Model regresi linear berganda yang baik adalah model yang bebas dari kondisi heteroskedastisitas. Untuk menguji homoskedastisitas regresi linear berganda, dapat digunakan uji homoskedastisitas dari glejser, uji park, uji white, spearman heteroskedastisitas, dan masih banyak uji lainnya. 6. Non Multikolinearitas Multikolinearitas adalah keadaan saat terdapat interkorelasi atau korelasi kuat antarvariabel bebas di dalam model. Dinyatakan ada interkorelasi jika korelasi 10

antarvariabel bebas di dalam model regresi linear berganda > 0,8. Beberapa pakar menggunakan batasan lebih dari 0,9. Cara lain yang lebih objektif adalah dengan menggunakan nilai variance inflating factor (VIF) dan tolerance. Dikatakan ada multikolinearitas jika nilai VIF > 10 dan/atau nilai tolerance < 0,01. Berdasarkan uraian di atas, maka jelas sekali bahwa asumsi multikolinearitas hanya ada dalam regresi linear berganda dan tidak ada pada regresi linear sederhana. Sebab pada regresi linear berganda ada lebih dari satu variabel bebas, sedangkan pada regresi linear sederhana hanya ada satu variabel bebas. 7. Non Autokorelasi Autokorelasi dapat diartikan bahwa terdapat korelasi antar waktu. Sehingga bisa diartikan dengan mudah bahwa autokorelasi ini sering terjadi pada regresi linear berganda dengan data time series atau runtun waktu dan jarang sekali terjadi pada data cross section. Data runtun waktu ini, misalnya data return of investment (ROI) atas saham milik sebuah perusahaan per bulan dari tahun 2012 hingga 2017. Sedangkan data cross section, misalnya data hasil dari kuesioner yang disebarkan pada semua siswa sebuah kelas, yaitu hanya diukur satu kali saja.

2.8 Perbedaan Regresi Sederhana dengan Regresi Linear Berganda Analisis regresi linear sederhana adalah analisis regresi yang hanya melibatkan dua variabel, yaitu 1 (satu) variabel dependen atau variabel tergantung dan 1 (satu) variabel independen atau bebas. Pada analisis regresi sederhana, hubungan antara variabel bersifat linier, dimana perubahan pada variabel X akan diikuti oleh perubahan pada variabel Y secara tetap. Selain itu, analisis regresi linear sederhana bertujuan untuk forecast atau memprediksi nilai Y. Model regresi linear sederhana yang baik harus memenuhi asumsi eksogenitas, linearitas, autokorelasi, dan varians error. Analisis regresi linear berganda atau multiple regression adalah analisis regresi yang melibatkan lebih dari dua variabel, yaitu 1 (satu) variabel dependen atau variabel terikat, dan lebih dari 1 (satu) variabel independen atau bebas. Model ini disebut linear berganda, karena beberapa variabel independen ini akan berpengaruh pada variabel dependen. Analisis regresi linear berganda bertujuan untuk mengetahui manakah variabel independen yang paling berpengaruh atau memiliki hubungan paling kuat terhadap variabel dependen. Selain itu, metode ini juga digunakan untuk menguji hipotesis karakteristik dependensi 11

BAB III PENUTUP

3.1 Kesimpulan Regresi dalam statistika adalah salah satu metode untuk menentukan tingkat pengaruh suatu variabel terhadap variabel yang lain. Analisis regresi merupakan studi dalam menjelaskan dan mengevaluasi hubungan antara suatu peubah bebas (independent variable) dengan satu peubah tak bebas (dependent variable) dengan tujuan untuk mengestimasi dan atau meramalkan nilai peubah tak bebas didasarkan pada nilai peubah bebas yang diketahui. Regresi sederhana dan regresi berganda merupakan dua jenis analisis regresi yang berbeda. Yang membedakan keduanya adalah dilihat dari jumlah variable independen-nya. Dimana analisis regresi sederhana menggunakan hanya satu variable independen sedangkan regresi berganda menggunakan dua bahkan lebih variable independen (x)

12

DAFTAR PUSTAKA https://www.jojonomic.com/blog/analisis-regresi/ https://id.m.wikipedia.org/wiki/Analisis_regresi https://www.modalrakyat.id/blog/regresi-adalah https://m.merdeka.com/jateng/regresi-adalah-metode-untuk-menentukan-sebab-akibat-kenalijenis-dan-contohnya-kln.html?page=4 https://accounting.binus.ac.id/2021/08/12/memahami-analisis-regresi-linear-berganda/ https://www.dqlab.id/metode-pengolahan-data-3-jenis-analisis-regresi-yang-sering-digunakan https://lifepal.co.id/media/regresi-linear-berganda/ https://mokacreative.wordpress.com/2020/03/10/apa-perbedaan-regresi-linear-sederhana-danregresi-linear-berganda/ M. Nafarin. 2018. Penganggaran Perusahaan Edisi 3, Jakarta:

13...