5 0 1011 KB
PENGANGGARAN PERUSAHAAN ANALISIS REGERESI Rangkuman ini dibuat untuk memenuhi Tugas mata kuliah Penganggaran Perusahaan Dosen Pengampu: Satriya Candra Bondan Prabowo,SE,MM
DISUSUN OLEH: Muhammad Arrizqi
175020207111001
Muhammad Rinno Rahmansyah KELAS : BF
PROGRAM STUDI MANAJEMEN FAKULTAS EKONOMI DAN BISNIS UNIVERSITAS BRAWIJAYA MALANG 2018
ANALISIS REGRESI
1.1 Analisis Regresi Sederhana Analisis Regresi Sederhana : Adalah analisis yang digunakan untuk menganalisis satu variabel terikat (Y) dengan menggunakan satu variabel bebas (X) . Variabel bebas yang dipilih adalah yang mempunyai hubungan (korelasi) dengan variabel terikat. Untuk mengetahui bahwa variabel terikat (Y) dapat digunakan analisis korelasi. 1. Analisis Korelasi Analisis Korelasi : Adalah analisis yang digunakan untuk mengetahui hubungan sebab akibat antara beberapa variabel. Perubahan variabel terikat ditentukan oleh faktor lain. Faktor lain tersebut dapat terdiri atas satu faktor atau lebih. π = π + ππ π= π
π β ππ β β π β π π β π 2 β (β π)2
βπ β πβπ π
n = jumlah data yang dianalisis a = jumlah pasang observasi = nilai konstan b= koefisien regresi Tahun
X
Y
π2
XY
π2
X-πΜ
Residual (X-X)
(π
(π
Y-πΜ
(Y-Y)
β π)2
β π)2
2011
3
130
390
9
16900
-2
-22
44
4
484
2012
4
145
580
16
21025
-1
-7
7
1
49
2013
5
150
750
25
22500
0
-2
0
0
4
2014
6
165
990
36
27225
1
+13
13
1
169
2015
7
170
1190
49
28900
2
+18
36
4
324
β
25
760
3900
135
116500
0
0
100
10
1030
X = jualan biskuit susu, variabel bebas Y= jualan susu, variabel terikat X Μ
=βX : n = 25 : 5 = 5 ( rata-rata X ) Y= βY : n = 760 : 5 = 152 ( rata-rata Y )
Rumus Metode Kuadrat Terkecil : π=
5(3.900) β 25 (760) 19.500 β 19.000 = = 10 5(135) β (25)2 675 β 625
π=
760 β 10(25) = 102 5
Rumus Metode Momen : βπ = π π + βπ π β ππ = β π π + β π 2 π
760 = 5π + 25π β¦ Γ 5 3900 = 25π + 135π 3800 = 25π + 125π 3900 = 25π + 135π 100 = 10π π = 100: 10 = ππ
760 = 5π + 25π β¦ Γ 5,4 untuk mengeliminasi menghilangkan b 3900 = 25π + 135π 4104 = 25π + 135π 3900 = 25π + 135π 204 = 2 π π = 204: 2 = πππ
Dapat juga dihitung dengan rumus sebagai berikut : π=
Μ
Μ
Μ
Μ
Μ
β ππ β πππ 3900 β 5(5)(152) 3900 β 3800 = = = 10 2 2 2 Μ
Μ
Μ
Μ
135 β 5 (5) 135 β 125 βπ βπ π
π = πΜ
β ππΜ
= 152 β 10(5) = 102 Dengan demikian
Y=a + bX Y= 102+10X
Kemudian hubungan saling ketergantungan antara dua variabel, yaitu jualan susu dan jualan biskuit susu harus diuji dengan koefisien relasi. Koefisien korelasi menunjukkan angka paling kecil -1 dan paling besar +1. Bila koefisien korelasi menunjukkan angka paling kecil -1 dan paling besar +1. Bila koefisien korelasi tersebut positif atau negatif. Apabila korelasi tersebut positif berarti semakin besar X semakin besar Y. Sebaliknya, bila korelasi tersebut negatif berarti semakin besar X semakin kecil Y atau berarti semakin kecil X semakin besar Y.
Koefisien Korelasi
Tafsiran
< 0,20
Sangat Lemah, dapat diabaikan
0,20-0,40
Lemah
0,40-0,70
Cukup
0,70-0,90
Kuat
0,90-1,00
Sangat kuat
Tabel 5-1
Lihat tabel 5-1 , misalkan Y= Variabel terikat adalah jualan susu dan X=variabel bebas adalah jualan biskuit susu. Pada titik A, jualan biskuit susu (X) sebanyak 20 unit dan jualan susu (Y) sebanyak 20 unit. Pada titik C jualan biskuit susu (X) sebanyak 15 unit (yaitu, turun 5 unit dari 20 unit) dan jualan susu (Y) juga turun 5 unit (yaitu, turun 5 unit dari 20 unit). Sebaliknya, pada titik B jualan biskuit susu(X) sebanyak 25 unit (yaitu, naik 5 unit dari 20 unit). Kenaikan jualan biskuit susu ini juga diikuti dengan kenaikan jualan susu sebanya 5 unit, yaitu dari 20 unit menjadi 25 unit. Jadi Y, berkorelasi dengan X secara
positif karena perubahan X berpengaruh terhadap Y sehingga X naik maka Y naik, atau sebaliknya. Tabel 5-2
Lihat tabel 5-2, misalkan Y = variabel terikat dan X=variabel bebas. Pada titik A variabel X sebanyak 20 unit dan variabel Y sebanyak 15 unit. Kemudian titik A berpindah ke titik C, maka X menjadi 25 unit (yaitu , naik 5 unit dari 20 unit). Di sisi lain, Y menjadi 10 unit (yaitu, turun 5 unit dari 15 unit). Bila titik A berpindah dari titik B, maka X turun 5 unit dan Y naik 5 unit. Jadi, X berpengaruh terhadap Y secara negatif sehingga X naik maka Y turun, atau sebaliknya. Tabel 5-3
Lihat tabel 5-3, asumsikan bahwa pada titik A tampak X = 10 unit dan Y=10 unit. Jika titik A pindah ke titik B maka X= 10 unit tetap dan Y=25 unit (yaitu, naik 15 unit dari 10 unit). Jika titik A pindah ke titik C maka X=20 unit (yaitu, naik 10 unit dari 10 unit) dan Y=10 unit (tetap). Jadi variabel X tidak berkorelasi dengan variabel Y karena X naik dan Y tetap, atau sebaliknya.
2. Teknik Regresi Sederhana Teknik Regresi Sederhana : Adalah teknik yang digunakan
untuk menjelaskan
hubungan antara satu variabel terikat dengan satu variabel bebas merupakan sebuah garis lurus sederhana dan dinyatakan dalam rumus koefisien korelasi (R) sebagai berikut.
π β πΏπ β β πΏ β π
πΉ=
βπ β πΏπ β (β πΏ)π βπ β ππ β (β π)
π
Rumus Koefisien Korelasi tersebut dihitung dengan menggunakan Tabel 5-1 sebagai berikut. =
5(3.900) β 25 (760) β5(135) β 252 β5(116.550) β (760)2
= 0,98533
Berdasakan tabel 5-1 juga dapat dihitung koefisien korelasi (R) sebagai berikut.
π
= π
=
(π β πΜ
)(π β πΜ
) β(π β πΜ
)2 (π β πΜ
)2 100
= 0,98533
β10 Γ 1.030
Bila koefisien (R2)sudah diketahui, maka koefisien korelasi (R) dapat dihitung dengan rumus berikut: π
= βπ
2 π
2 = ππππππ πππ πππ‘πππππππ Misalkan diperoleh R2 sebesar 97,08752 unit maka π
= β0,9708752 = 0,98533
Karena koefisien korelasi positif 0,98533 mendekati angka 1, berarti pengaruh jualan biskuit susu sangat besar terhadap jualan susu. Apabila jualan biskuit susu meningkat berarti jualan susu juga meningkat atau bila jualan biskuit susu meningkat atau bila jualan biskuit susu menurun berarti jualan susu juga menurun.
1) Persamaan Tren Garis Lurus b= a =
π β ππβ βπ βπ π βπ 2 β(βπ)Β² βπβπ βπ π
=
=
5 π₯ 60β10 π₯ 25 5 π₯ 30β(10)Β²
25β1 π₯ 10 5
=3
Persamaan tren garis lurus Y = a + bX
=1
Y = 3 + 1X
Contoh : Tabel 5-4 n 1 2 3 4 5
Tahun 2011 2012 2013 2014 2015 β Ramalan jualan tahun
Y X 3 0 4 1 5 2 6 3 7 4 25 10 2011 = 3 + 1 (0) = 3
π2
XY 0 4 10 18 28 60
0 1 4 9 16 30
2012 = 3 + 1 (1) = 4 2013 = 3 + 1 (2) = 5 2014 = 3 + 1 (3) = 6 2015 = 3 + 1 (4) = 7
2) Persamaan Tren Bukan Garis Lurus
Tabel 5-5 tahun
Y
X
XY
X2
X2Y
X4
2011
3
-2
-6
4
12
16
2012
4
-1
-4
1
4
1
2013
5
0
0
0
0
0
2014
6
1
6
1
6
1
2015
7
2
14
4
28
16
β
25
0
10
10
50
34
Berdasarkan tabel 5.5 dibuat perhitungan sebagai berikut : b=
βππ βπΒ²
10
= 10 = 1
βY
= n a + βXΒ²C
βXΒ²Y
= βXΒ²a + βX4c
25
= 5 a + 10 c ........x 3,4
50 = 10 a + 34 c
25 = 5 a + 10 c
85 = 17 a + 34 c
25 = 5 (5) + 10 c
50 = 10 a + 34 c
25 = 25 + 10
35 = 7a
25 β 25 = 10 c
a = 35 : 7 = 5
c=0
Persamaan tren bukan garis lurus (parabola kuadrat) Y = a + bX + cXΒ² Y = 5 + 1X + 0XΒ² Ramalan jualan tahun
2011 = 5 + 1 (-2) + 0 (4) = 3 2012 = 5 + 1 (-1) + 0 (1) = 4 2013 = 5 + 1 (0) + 0 (0) = 5 2014 = 5 + 1 (1) + 0 (1) = 6 2015 = 5 + 1 (2) + 0 (4) = 7
3) Hasil Perhitungan Tren Garis Lurus dan Bukan Garis Lurus Tabel Perbandingan Tren Garis lurus dan Bukan Garis lurus 5-6 Tahun
Jualan Aktual
Ramalan Jualan Tren Garis Lurus
Tren Parabola Kuadrat
2011
3
3
3
2012
4
4
4
2013
5
5
5
2014
6
6
6
2015
7
7
7
Dari data perbandingan jualan aktual dan ramalan seperti tabel 5.6 terlihat data jualan aktual sama dengan ramalan jualan, baik dengan metode tren garis lurus maupun bukan garis lurus. Dengan demikian, metode ramalan yang sesuai dengan kenyataan dapat menggunakan metode tren garis lurus atau parabola kuadrat. Ramalan jualan dengan tren
garis lurus sangat jarang terjadi sama dengan parabola kuadrat, adapun sama dengan jualan aktual. Apabila ramalan jualan dengan tren garis lurus = jualan aktual, sedangkan parabola kuadrat berbeda dengan jualan aktual, berarti metode tren garis lurus adalah yang paling sesuai digunakan untuk ramalan jualan, dan sebaliknya. Berikut perbandingan tren pada tabel 5.5
a) Menggunakan Tren Garis Lurus Y = a + bX Y = 3 + 1X = 3 + 1 (5) Y = 8 unit
b) Menggunakan Tren Parabola Kuadrat Y = a + bX + cXΒ² Y = 5 + 1X + 0XΒ² Y = 5 + 1 (3) + 0 (3)Β² =5+3+0 Y = 8 unit
Jadi, baik menggunakan metode tren garis lurus maupun parabola kuadrat hasilnya adalah 8 unit.
3. Koefisien Determinan Koefisien Determinan : Menggambarkan seberapa jauh variabilitas Y dipengaruhi variablitas X.. Koefisien determinan bila diakarkan akan menjadi koefisien korelasi, dan koefisien korelasi bila dikuadratkan menjadi koefisien determinan (RΒ²). Dengan rumus: RΒ² =
πβπ+π βππβπ πΒ² βπ 2 βπ πΒ²
4. Pengujian Hipotesis Koefisien Korelasi Sebelum memutuskan untuk menggunakan variabel bebas (X) untuk meramalkan variabel terikat (Y), terlebih dahulu dibuat hipotesis (anggapan dasar) bahwa variabel
X dan Y mempunyai hubungan yang kuat. Dalam merumuskan hipotesis nol (Hβ) harus disertai dengan hipotesis alternatif (Ha) sebagai berikut : Hβ Γ· e = 0, X dan Y tidak berkorelasi Ha Γ· e < 0, X dan Y mempunyai hubungan negatif Ha Γ· e > 0, X dan Y mempunyai hubungan positif Ha Γ· e β 0, X dan Y berkorelasi
Bila hasil pengujian ternyata harus menerima Hβ berarti X dan Y berkorelasi, maka tidak ada gunanya mengunakan regresi Y = a + bX untuk meramalkan Y. Cara Pengujian : 1. Rumuskan bentuk hipotesisnya: Hβ Γ· e
= 0
Ha Γ· e
< 0 pengujian sepihak
Ha Γ· e
> 0 pengujian sepihak
Ha Γ· e
β 0 pengujian dua pihak
2. Tentukan besarnya nilai kesalahan jenis pertama (type I error) = Ξ± , yaitu besarnya kesalahan jika kita menolak Hβ padahal Hβ itu benar. Setelah Ξ± diketahui, kemudian dicari nilai t0 atau t0/2
3. Hitung nilai observasi (t0), sebagai berikut.
π‘β =
π
βπ β 2 β1 β (π
)2
Jadi , tβ mengikuti fungsi t dengan derajat kebebasan (degree of freedom β d.f) = n β 2. Aturan permainan : untuk menolak atau menerima Hβ. Hal ini bergantung pada betuk perumusan hipotesisnya, yaitu: (1) Hβ Γ· e Ha Γ· e (2) Hβ Γ· e
= 0 jika π‘β < - tΞ± maka Hβ ditolak < 0 jika π‘β β₯ - tΞ± maka Hβ diterima = 0 jika π‘β > - tΞ±, maka Hβ ditolak
Ha Γ· e (3) Hβ Γ· e Ha Γ· e
> 0 jika π‘β β€ - tΞ±, maka Hβ diterima = 0 jika π‘β < - tΞ±/2, atau tβ > - tΞ±/2 maka Hβ ditolak β 0 jika - tΞ±/2 β€ tβ β€ tΞ±/2,, maka diterima
Bila menggunakan perumusan (1), (2), (3), maka apabila Hβ diterima maka Ha ditolak dan sebaliknya. Hal ini bergantung pada variabel yang sedang dipelajari. Contoh: jika X= pupuk, Y= produksi padi; X = biaya iklan, Y= hasil penjualan ; X = dapatan, Y= konsumsi, maka digunakan perumusan: (1) Jika X = harga, Y= permintaan, X= aseptor, Y= tingkat kelahiran:maka digunakan perumusan. (2) Selanjutnya digunakan perumusan. (3) Jika tidak perduli mengenai bentuk hubungan atau tidak begitu pasti apakah hubungan positif atau negatif atau memang tertarik mengenai ada tidaknya hubungan tanpa ingin mengetahui hubungan itu positif atau negatif.
1.2 Analisis Regresi Berganda Teknik Regresi Sederhana : Hanya mampu menganalisis satu variabel terikat dan satu variabel bebas. Dalam dunia nyata variabel bebas tidak hanya satu, tetapi lebih dari satu. Oleh karena itu diperlukan analisis regresi yang mampu menjelaskan hubungan antara variabel terikat (dependen) dengan variabel bebas (independen) yang lebih dari satu, yaitu analisis regresi berganda. Rumus Persamaan Linear Berganda 2 Variabel : π = ππ + ππ πΏπ + ππ πΏπ Y= variabel terikat π0 = konstanta (intersep) dari Y π1 dan π2 = koefisien regresi parsial X1 dan X2= dua variabel bebas
Rumus Metode Kuadrat Terkecil : 1. β π = π0 π + π1 β π1 + π2 β π2 2. β ππ1 = π0 β π1 + π1 β π1 2 + π2 β π1 π2 3. β ππ2 = π0 β π2 + π1 β π1 π2 + π2 β π2 2
Tahun 2011 2012 2013
Y 130 145 150
X1 3 4 5
X2 7 3 2
2014 2015
165 170 760
6 7 25
4 6 22
π12 9 16 25
π22 49 9 4
X2Y 910 435 300
X1X2 21 12 10
X1Y 390 580 750
π2 16900 21025 22500
36 49 135
16 36 114
660 1020 3325
24 42 109
990 1190 3900
27225 28900 116550
Maka , persamaan regresi linear beranda menjadi Y= a0 + a1X1 + a2X2 Y= 104,57896 + 9,94737 X1 β 0,52632X
1. Koefisien Korelasi Untuk mengetahui kuat atau lemahnya hubungan variabel terikat (Y) dengan variabel (X) diperlukan perhitungan koefisien korelasi. Sebuah variabel bebas yang baik adalah variabel bebas yang berhubungan erat dengan variabel terikatnya dan tidak berhubungan erat dengan variabel bebas lainnya. Misalkan jualan susu mempunyai hubungan positif yang sangat tinggi dengan jumlah biskuit susu, ditunjukkan oleh koefisien korelasi (R) sebesar 0,98740. Sementara dengan variabel bebas lainnya, misalnya tingkat harga jual mempunyai korelasi negatif, yaitu R -0,39739. Berarti dengan tambahan variabel bebas (tingkat kenaikan harga jual) persentase simpangan yang dapat dijelaskan bertambah besar.
Perhitungan Tabel 5-7 :
Rπ1 = Koefisien korelasi parsial antara Y dan X1 sebesar 0,98740, bila X2 konstan. Rπ2 = Koefisien korelasi parsial antara Y dan X2 sebesar -0,39739, bila konstan. Adapun koefisien korelasi berganda (R) dapat dihitung setelah diperoleh koefisien determinasi berganda (R2 ) sebagai berikut. R = βR2 Bila R2 (koefisien determinasi berganda) sebesar 0,975473, maka R = β0,975473 = 0,98766 Oleh karena R sebesar 0,9875473 mendekati angka 1 positif berarti terdapat hubungan yang sangat erat antara Y (jualan susu) dengan variabel bebas X1 (jualan biskuit susu) dan X2 (tingkat kenaikan harga jual ).
2. Koefisien Determinasi Koefisien determinasi parsial dihitung berdasarkan perhitungan koefisien korelasi parsial yang dikuadratkan sebagai berikut. R2 X1 = (0,98740)2 = 0,97496 = 97,50 unit, artinya bila X_2 konstan, maka sumbangan X_1 terhadap variabilitas Y sebesar 97,50 unit. R2 X2 = (β0,39739)2 = 0,15792 = 15,79 unit, artinya bila X1 konstan, maka sumbangan X2 terhadap variabilitas Y sebesar 15,79 unit. Berdasarkan perhitungan sebelumnya dibuat perhitungan koefisien determinasi berganda (R^2) sebagai berikut.
DAFTAR PUSTAKA Nafarin, 2018, Penganggaran Perusahaan, Jakarta,Salemba Empat.