1. Latar Belakang

Dalam dunia bisnis yang semakin kompetitif, strategi pemasaran memegang peranan penting dalam menentukan keberhasilan suatu perusahaan. Salah satu elemen kunci dalam strategi pemasaran adalah periklanan, yang dianggap sebagai investasi penting untuk meningkatkan kesadaran merek dan mendorong pertumbuhan penjualan. Pengeluaran iklan sering kali menjadi salah satu komponen biaya terbesar dalam anggaran pemasaran perusahaan, namun efektivitas dari pengeluaran ini tidak selalu dapat diukur dengan mudah. Oleh karena itu, sangat penting bagi perusahaan untuk memahami hubungan antara pengeluaran iklan dan penjualan guna mengoptimalkan pengalokasian sumber daya yang terbatas secara efektif.

Salah satu metode yang umum digunakan untuk menganalisis hubungan ini adalah dengan menerapkan analisis regresi linier sederhana. Melalui analisis ini, perusahaan dapat memperoleh wawasan yang lebih mendalam tentang seberapa besar pengeluaran iklan mempengaruhi penjualan dan apakah ada faktor lain yang turut berkontribusi dalam peningkatan penjualan tersebut. Dalam analisis ini, pengeluaran iklan radio digunakan sebagai variabel independen (X) dan penjualan digunakan sebagai variabel dependen (Y) kemudian akan dianalisis menggunakan metode regresi linier sederhana.

2. Tinjauan Pustaka

Metode regresi linear sederhana merupakan salah satu metode analisis statistika yang digunakan untuk mengetahui hubungan antara suatu variabel respon (dependen) dengan satu atau lebih variabel prediktor (independen). Analisis ini bertujuan untuk melihat bagaimana perubahan pada variabel independen dapat memengaruhi variabel dependen. Hubungan antara kedua variabel tersebut dinyatakan dalam bentuk persamaan garis lurus yang dapat digunakan untuk menjelaskan maupun memprediksi nilai variabel dependen berdasarkan nilai variabel independen.

Model regresi linear sederhana secara umum dinyatakan dalam bentuk persamaan \[ y = \beta_0 + \beta_1 X_1 + \epsilon \] di mana Y merupakan variabel dependen, X merupakan variabel independen, β0 adalah intercept atau konstanta, β1 adalah koefisien regresi yang menunjukkan besarnya perubahan variabel dependen akibat perubahan satu satuan variabel independen, dan ϵ merupakan error atau residual. Estimasi parameter dalam model regresi biasanya dilakukan menggunakan metode Ordinary Least Squares (OLS), yaitu dengan meminimalkan jumlah kuadrat selisih antara nilai pengamatan dan nilai yang diprediksi oleh model.

Model regresi linear sederhana memiliki beberapa asumsi yang perlu dipenuhi agar hasil analisis dapat dianggap valid. Beberapa asumsi tersebut antara lain normalitas residual, linieritas, homoskedastisitas, dan autokorelasi. Oleh karena itu, setelah model regresi diperoleh biasanya dilakukan pengujian asumsi untuk memastikan bahwa model yang dihasilkan telah memenuhi syarat yang diperlukan dalam analisis regresi.

3. Metodologi

Data yang digunakan terdiri dari dua variabel utama, yaitu pengeluaran iklan radio sebagai variabel prediktor (X) dan penjualan sebagai variabel respon (Y) yang berasal dari Impact of Media Advertising on Sales Performan Dataset yang tersedia secara publik di Kaggle. Variabel pengeluaran iklan radio menunjukkan jumlah biaya yang dikeluarkan untuk kegiatan promosi melalui media radio, sedangkan variabel penjualan menunjukkan jumlah produk yang berhasil terjual dalam periode tertentu.

Metode analisis yang digunakan dalam penelitian ini adalah regresi linear sederhana yang bertujuan untuk mengetahui hubungan antara pengeluaran iklan radio dan penjualan. Kemudian dilakukan pengujian hipotesis untuk mengetahui signifikansi hubungan antara variabel pengeluaran iklan radio dan penjualan. Pengujian dilakukan menggunakan uji t untuk mengetahui pengaruh variabel pengeluaran iklan radio secara parsial terhadap penjualan, serta uji F untuk mengetahui signifikansi model regresi secara keseluruhan. Selain itu, dilakukan pula pengujian asumsi model regresi yang meliputi uji normalitas residual, uji linieritas, uji homoskedastisitas, dan uji autokorelasi.

4. Analisis dan Pembahasan

4.1 Statistik Deskriptif

library(readxl)

data <- read_excel("D:\\College Journey\\SEM 6\\Komlan\\Data.xlsx")

summary(data)
##      Radio           Sales      
##  Min.   : 1.40   Min.   : 4.80  
##  1st Qu.:12.60   1st Qu.:10.10  
##  Median :24.00   Median :12.90  
##  Mean   :23.86   Mean   :14.08  
##  3rd Qu.:35.10   3rd Qu.:17.40  
##  Max.   :49.90   Max.   :25.40

4.2 Scatterplot

Scatterplot Sales vs Radio

Scatterplot Sales vs Radio

4.3 Model AWal

model = lm(Sales ~ Radio, data = data)
summary(model)
## 
## Call:
## lm(formula = Sales ~ Radio, data = data)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -11.0684  -2.4955   0.5141   3.2783   7.9848 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 10.08752    1.31106   7.694 1.29e-09 ***
## Radio        0.16730    0.04719   3.545 0.000962 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 4.502 on 43 degrees of freedom
## Multiple R-squared:  0.2262, Adjusted R-squared:  0.2082 
## F-statistic: 12.57 on 1 and 43 DF,  p-value: 0.0009617

Berdasarkan output diatas, diperoleh model awal:

  • β0 : 10.08752

  • β1 : 0.16730

Sehingga, persamaan regresinya : \[ \hat{y} = 10.0875 + 0.1673 X_1 \]

4.4 Uji Asumsi

4.4.1 Uji Normalitas Residual

error = model$residuals
ks.test(error,"pnorm",mean(error),sqrt(var(error)))
## 
##  Exact one-sample Kolmogorov-Smirnov test
## 
## data:  error
## D = 0.083861, p-value = 0.8834
## alternative hypothesis: two-sided

Berdasarkan output diatas, diperoleh nilai p-value sebesar 0.8834 atau lebih besar dari α (0.05), sehingga dapat disimpulkan bahwa residual data berdistribusi normal atau asumsi normalitas terpenuhi.

4.4.2 Uji Linieritas

library(lmtest)
resettest(model)
## 
##  RESET test
## 
## data:  model
## RESET = 2.0064, df1 = 2, df2 = 41, p-value = 0.1475

Berdasarkan output diatas, diperoleh nilai p-value sebesar 0.1475 atau lebih besar dari α (0.05), sehingga dapat disimpulkan bahwa terdapat hubungan yang linier antara variabel pengeluaran iklan radio dan variabel penjualan atau asumsi linieritas terpenuhi.

4.4.3 Uji Homoskedastisitas

bptest(model)
## 
##  studentized Breusch-Pagan test
## 
## data:  model
## BP = 14.289, df = 1, p-value = 0.0001568

Berdasarkan output diatas, diperoleh nilai p-value sebesar 0.0001568 atau lebih kecil dari α (0.05), sehingga dapat disimpulkan bahwa terjadi gejala heteroskedastisitas atau asumsi homoskedastisitas tidak terpenuhi.

Uji Autokorelasi

library(lmtest)
dwtest(model)
## 
##  Durbin-Watson test
## 
## data:  model
## DW = 2.1216, p-value = 0.6401
## alternative hypothesis: true autocorrelation is greater than 0

Berdasarkan output diatas, diperoleh nilai p-value sebesar 0.6401 atau lebih besar dari α (0.05), sehingga dapat disimpulkan bahwa tidak terdapat autokorelasi pada residual data atau asumsi autokorelasi terpenuhi.

4.5 Uji Signifikansi dan Koefisien Determinasi

summary(model)
## 
## Call:
## lm(formula = Sales ~ Radio, data = data)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -11.0684  -2.4955   0.5141   3.2783   7.9848 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 10.08752    1.31106   7.694 1.29e-09 ***
## Radio        0.16730    0.04719   3.545 0.000962 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 4.502 on 43 degrees of freedom
## Multiple R-squared:  0.2262, Adjusted R-squared:  0.2082 
## F-statistic: 12.57 on 1 and 43 DF,  p-value: 0.0009617

4.5.1 Uji F

Berdasarkan output diatas, diperoleh nilai p-value sebesar 0.0009617 atau lebih kecil dari α (0.05), sehingga dapat disimpulkan bahwa model cocok atau model regresi dapat digunakan untuk memprediksi pengaruh pengeluaran iklan radio terhadap penjualan.

4.5.2 Uji t

Berdasarkan output diatas, diperoleh nilai p-value sebesar 0.000962 atau lebih kecil dari α (0.05), sehingga dapat disimpulkan bahwa koefisien parameter seusai atau variabel pengeluaran iklan radio berpengaruh terhadap variabel penjualan.

4.5.3 Koefisien Determinasi

Berdasarkan output diatas, diperoleh nilai R-Squared sebesar 0.2262. Artinya sebesar 22.62% variabel penjualan dipengaruhi oleh variabel pengeluaran iklan radio, sedangkan sisanya sebesar 77.38% variabel penjualan dipengaruhi oleh faktor lain.

4.6 Model Akhir

Berdasarkan uji F, model regresi yang dibuat cocok untuk digunakan untuk analisis lebih lanjut dan berdasarkan uji t, koefisien parameter regresi X yaitu β1 berpengaruh signifikan terhadap Y, namun pada model akhir ini masih perlu dilakukan penanganan asumsi, karena terdapat asumsi homoskedastisitas yang belum terpenuhi. Namun karena pada analisis ini tidak dilakukan penanganan maka diasumsikan model akhir sama dengan model awal

Adapun persamaannya, yaitu: \[ y = 10.0875 + 0.1673 X_1 + \epsilon \]

5. Kesimpulan

Berdasarkan analisis regresi yang telah dilakukan, diperoleh model awal regresi adalah : \[ \hat{y} = 10.0875 + 0.1673 X_1 \]

Berdasarkan uji asumsi yang telah dilakukan, diperoleh bahwa asumsi normalitas, linieritas, dan autokorelasi terpenuhi, namun untuk asumsi homoskedastisitas belum terpenuhi. Diperoleh juga berdasarkan uji F bahwa model cocok atau model regresi dapat digunakan untuk memprediksi pengaruh pengeluaran iklan radio terhadap penjualan dan berdasarkan uji t koefisien parameter seusai atau variabel pengeluaran iklan radio berpengaruh terhadap variabel penjualan.

Pada uji koefisien determinasi diperoleh nilai R-Squared sebesar 0.2262. yang artinya sebesar 22.62% variabel penjualan dipengaruhi oleh variabel pengeluaran iklan radio, sedangkan sisanya sebesar 77.38% variabel penjualan dipengaruhi oleh faktor lain.

Dikarenakan pada analisis ini tidak dilakukan penanganan asumsi untuk asumsi homoskedastisitas maka diasumsikan model akhir sama dengan model awal , yaitu: \[ y = 10.0875 + 0.1673 X_1 + \epsilon \]

yang berarti setiap kenaikan satu satuan dari pengeluaran iklan radio akan meningkatkan nilai penjualan sebesar 0.1673 satuan.