Dari Konsep, Logika Metode, hingga Implementasi Menggunakan Microsoft Excel
Kembali ke Peta
🎯 “Model yang baik bukan yang paling sederhana, tetapi yang paling mampu menjelaskan realitas bisnis.”
🎯 Bagian 1: Konsep Dasar Regresi Linear
🤔 Apa Itu Regresi Linear Berganda?
Regresi linear berganda digunakan untuk menganalisis pengaruh lebih dari satu variabel independen (X) terhadap satu variabel dependen (Y) yang bersifat numerik dan kontinu.
Y = b₀ + b₁X₁ + b₂X₂ + … + bₖXₖ + ε
dengan:
- Y = variabel dependen
- X₁, X₂, … = variabel independen
- b₀ = konstanta
- b₁, b₂, … = koefisien regresi
- ε = error
⚠️ Penegasan Penting:
Regresi bukan alat untuk “mencari angka signifikan”, melainkan alat untuk memodelkan hubungan antar variabel.
Regresi bukan alat untuk “mencari angka signifikan”, melainkan alat untuk memodelkan hubungan antar variabel.
📊 Kapan Regresi Linear Tepat Digunakan?
✅ Regresi tepat digunakan jika:
- Variabel dependen bersifat numerik dan kontinu
- Variabel independen numerik atau dapat diperlakukan sebagai numerik
- Tujuan penelitian adalah menguji pengaruh atau hubungan
- Terdapat definisi operasional variabel yang jelas
❌ Regresi tidak tepat digunakan jika:
- Variabel dependen bersifat nominal/kategorik
- Data murni ordinal tanpa justifikasi
- Tujuan penelitian adalah eksplorasi makna atau pengalaman (kualitatif)
📊 Bagian 2: Data Aktual Penelitian (10 Toko)
🏪 Struktur Data
Penelitian ini menggunakan data dari 10 toko, dengan variabel:
- Y (Monthly Sales) → penjualan bulanan
- X₁ (Floor Space) → luas area toko
- X₂ (Advertising Expenditure) → pengeluaran iklan
| Store | Floor Space (X₁) | Advertising (X₂) | Monthly Sales (Y) |
|---|---|---|---|
| 1 | 3050 | 350 | 20100 |
| 2 | 1300 | 980 | 14900 |
| 3 | 1890 | 830 | 16800 |
| 4 | 1750 | 760 | 9100 |
| 5 | 1010 | 930 | 15500 |
| 6 | 2690 | 770 | 26700 |
| 7 | 4210 | 440 | 34600 |
| 8 | 1950 | 570 | 7200 |
| 9 | 2830 | 310 | 21800 |
| 10 | 2030 | 920 | 23400 |
📌 Catatan Penting:
Semua variabel bersifat numerik dan kontinu, sehingga memenuhi syarat penggunaan regresi linear.
Semua variabel bersifat numerik dan kontinu, sehingga memenuhi syarat penggunaan regresi linear.
📈 Bagian 3: Regresi Linier Sederhana (1 Variabel)
🎯 Pendekatan
Pada regresi linier sederhana, hanya digunakan satu variabel independen, yaitu Floor Space (X₁), untuk memprediksi penjualan bulanan.
📊 Hasil Utama
- Dihasilkan nilai forecast untuk setiap toko
- Error dihitung sebagai: Error = Y_aktual – Y_prediksi
| Store | Forecast | Error |
|---|---|---|
| 1 | 24195 | -4095 |
| 4 | 15542 | -6442 |
| 8 | 16874 | -9674 |
Grafik menunjukkan hubungan positif antara luas toko (Floor Space) dan penjualan bulanan (Monthly Sales). R² = 0.586 menunjukkan bahwa sekitar 58.6% variasi penjualan dapat dijelaskan oleh luas toko.
🎯 Akurasi Model
MSE_simple = 31,169,451
📌 Makna:
Dengan hanya satu variabel independen, model belum mampu menjelaskan variasi penjualan secara memadai. Error relatif besar dan tidak stabil.
Dengan hanya satu variabel independen, model belum mampu menjelaskan variasi penjualan secara memadai. Error relatif besar dan tidak stabil.
🚀 Bagian 4: Regresi Linier Berganda (2 Variabel)
🎯 Pendekatan
Pada regresi berganda, digunakan dua variabel independen sekaligus:
- X₁: Floor Space
- X₂: Advertising Expenditure
📊 Persamaan Regresi
Monthly Sales = -22.97 + 11.42X₁ + 23.41X₂
📝 Interpretasi:
- Setiap tambahan 1 unit luas toko meningkatkan penjualan rata-rata sebesar 11.42
- Setiap tambahan 1 unit biaya iklan meningkatkan penjualan rata-rata sebesar 23.41
Persamaan regresi menunjukkan bahwa penjualan bulanan dipengaruhi secara positif oleh luas toko dan pengeluaran iklan. Koefisien yang lebih besar pada advertising expenditure (X₂) mengindikasikan kontribusi yang relatif lebih kuat.
Normal Probability Plot menunjukkan sebaran data penjualan bulanan relatif mengikuti garis lurus, mengindikasikan distribusi data mendekati normal.
🎯 Akurasi Model
| Store | Forecast | Error |
|---|---|---|
| 1 | 20036 | 64 |
| 2 | 14809 | 91 |
| 6 | 25760 | 940 |
| 7 | 35386 | -786 |
MSE_multiple = 17,375,318
📌 Perbandingan Kunci:
- MSE regresi berganda jauh lebih kecil (17 juta vs 31 juta)
- Model berganda lebih akurat dan stabil
📉 Bagian 5: Output Excel Lengkap (Regression Statistics & ANOVA)
📊 Regression Statistics
| Indikator | Nilai | Interpretasi |
|---|---|---|
| Multiple R | 0.77 | Hubungan cukup kuat dan positif |
| R Square | 0.59 | 59% variasi penjualan dijelaskan oleh luas toko |
| Adjusted R Square | 0.53 | Nilai R² yang disesuaikan dengan jumlah sampel |
| Standard Error | 5,582.96 | Rata-rata kesalahan prediksi model |
| Observations | 10 | Jumlah observasi (toko) |
Output regression statistics dari Microsoft Excel
📊 Tabel ANOVA (Uji Signifikansi Model)
| Sumber | df | SS | MS | F | Significance F |
|---|---|---|---|---|---|
| Regression | 1 | 352,853,395.42 | 352,853,395.42 | 11.32 | 0.01 |
| Residual | 8 | 249,355,604.58 | 31,169,450.57 | ||
| Total | 9 | 602,209,000.00 |
Rejection region untuk level signifikansi α
✅ Interpretasi ANOVA:
- Nilai F = 11.32
- Nilai Significance F = 0.01
- Karena Significance F < 0.05, maka H₀ ditolak
- Model regresi secara keseluruhan signifikan secara statistik
📊 Koefisien Regresi (Uji Parsial)
| Variabel | Koefisien | t Stat | P-value | Interpretasi |
|---|---|---|---|---|
| Intercept | 3,894.81 | 0.81 | 0.44 | Tidak signifikan |
| Floor Space (X₁) | 6.66 | 3.36 | 0.01 | Signifikan |
📝 Interpretasi Koefisien:
- Koefisien 6.66 menunjukkan bahwa setiap penambahan 1 unit luas toko akan meningkatkan penjualan bulanan rata-rata sebesar 6.66 unit
- Nilai p-value = 0.01 < 0.05 menunjukkan bahwa pengaruh luas toko terhadap penjualan signifikan secara statistik
- Intercept tidak signifikan, namun hal ini tidak menjadi masalah utama
📊 Persamaan Regresi
Monthly Sales = 3894.81 + 6.66(Floor Space)
💼 Bagian 6: Interpretasi Bisnis & Implikasi
🎯 Kaitan dengan Uji Signifikansi (ANOVA)
Model regresi berganda didukung oleh:
- Nilai F signifikan
- Significance F < 0.05
Model regresi secara keseluruhan bermakna secara statistik, bukan terjadi secara kebetulan.
🎯 Interpretasi Bisnis
Penurunan MSE menunjukkan bahwa:
- Penjualan tidak hanya dipengaruhi oleh luas toko
- Iklan berperan signifikan dalam meningkatkan penjualan
💡 Implikasi Bisnis:
- Ekspansi toko perlu dibarengi strategi promosi
- Mengandalkan satu faktor saja menghasilkan prediksi yang lemah
🎯 Pembelajaran Metodologis untuk Mahasiswa
- Regresi bukan sekadar mencari koefisien
- Kualitas model dinilai dari akurasi dan error, bukan hanya signifikansi
- Penambahan variabel harus berdasarkan logika bisnis, bukan asal banyak
⚠️ Catatan Metodologis:
- Signifikan ≠ akurat → tetap perlu melihat error dan MSE
- Regresi sederhana cocok sebagai analisis awal (baseline model)
- Pengembangan model dapat dilakukan melalui regresi berganda
✅ Bagian 7: Kesimpulan & File Latihan
🎯 Kesimpulan
Regresi linier sederhana cocok untuk eksplorasi awal, namun regresi linier berganda memberikan model yang lebih realistis untuk pengambilan keputusan bisnis.
🎯 “Model yang baik bukan yang paling sederhana, tetapi yang paling mampu menjelaskan realitas bisnis.”
📎 Kalimat Siap Pakai (Bab IV Skripsi)
“Berdasarkan hasil uji F diperoleh nilai Significance F sebesar 0.01 yang lebih kecil dari tingkat signifikansi 5%, sehingga model regresi dinyatakan signifikan secara statistik. Variabel luas toko berpengaruh positif dan signifikan terhadap penjualan bulanan.”
📎 File Excel Latihan
Download file Excel lengkap dengan data, perhitungan regresi, forecast, error, dan MSE:
📥 Unduh File Latihan: Multiple Regression.xlsx📚 Referensi
Levine, D. M., Stephan, D. F., Krehbiel, T. C., & Berenson, M. L. (2017). Statistics for managers using Microsoft Excel (8th ed.). Pearson.