Analisis Regresi Pengaruh Umur Mobil Terhadap Harga Jual Kembali

Andre Chandra

22/05/2022

1 PENDAHULUAN

1.1 Latar Belakang

Dalam Kehidupan Sehari-hari sudah biasa menggunakan transportasi untuk mencapai tempat yang jauh dengan cepat menggunakan alat transportasi. perkembangan transportasi sangat cepat dari tahun ke tahun, Salah satunya adalah kendaraan roda empat yaitu mobil. Mobil merupakan suatu hal penting yang dianggap mampu membantu mempermudah hidup manusia. Sejak ditemukannya alat transportasi tersebut, gerak hidup manusia berubah menjadi lebih mudah dan dinamis. Semakin berkembangnya zaman semakin banyak pula pilihan mobil yang ditawarkan oleh produsen. Dengan banyaknya keluaran mobil terbaru ditambah dengan semakin gencarnya iklan tentang mobil-mobil terbaru, membuat sebagian konsumen tertarik dan terdorong untuk dapat menukar (menjual) mobilnya dan menggantinya dengan mobil keluaran terbaru, sehingga hal ini menciptakan mobil bekas yang masih layak pakai untuk kembali diperjualbelikan kepada konsumen lainnya.

Selain dari banyaknya keluaran mobil terbaru, ada beberapa hal yang mendorong bisnis penjualan mobil bekas di Indonesia terus meningkat, yaitu harga mobil baru yang semakin tinggi. Selain itu salah satu faktor yang menentukan harga jual kendaraan baru adalah nilai tukar rupiah terhadap US Dollar atau Yen Jepang. Jika nilai tukar rupiah melemah, maka produsen mobil di Indonesia terpaksa menaikkan harga jual kendaraannya. Hal ini membuat harga mobil baru terus meningkat. Sehingga calon pembeli yang kemampuan daya belinya tidak terlalu kuat, dapat membeli mobil bekas merupakan salah satu pilihannya.

Maka dari itu dengan analisis regresi dalam laporan “Pengaruh Umur Mobil Terhadap Harga Jual Kembali” ini dapat membantu pembaca untuk mempertimbangkan harga untuk membeli mobil bekas dan hubungan umur dengan harga untuk dijual atau dibeli kembali. Diharapkan pembaca mendapatkan manfaat dari laporan ini.

1.2 Analisis Regresi

analisis regresi adalah kajian terhadap hubungan satu variabel yang disebut sebagai variabel yang diterangkan dengan satu atau dua variabel yang menerangkan. Variabel yang diterangkan selanjutnya disebut sebagai variabel respon,sedangkan variabel yang menerangkan biasa disebut variabel bebas (Gujarati, 2003). Manfaat Analisis Regresi:

1.Menunjukkan hasil rata-rata dan nilai hubungan variabel yang dihitung berdasarkan variabel bebasnya.

2.Untuk menguji hipotesis yang ingin diketahui hasilnya oleh penguji.

Pada umumnya, persamaan regresi dapat dilambangkan sebagai \[ Y = a + bX + \epsilon \] Keterangan:

*Y merupakan variabel terikat.

*X merupakan variabel bebas.

*a merupakan konstanta.

*b merupakan koefisien regresi.

*€ merupakan eror.

1.3 Data

Data yang digunakan adalah data Price Car by age Dataset yaitu dataset mengenai harga mobil berdasarkan umur dari mobil atau dapat dikatakan harga mobil bekas dalam $ per $100 berdasarkan umur yang diambil dari Kaggle.

2 SOURCE CODE

2.1 Library yang Dibutuhkan

> #Library(readxl) #untuk membaca data pada file excel
> #Library(agricolae) #untuk pemeriksaan asumsi
> #Library(lmtest) #untuk pengecekan asumsi
> #Library(car) #untuk pengecekan asumsi
> #Library(tseries) #unutk pengecekan asumsi
> #Library(ggplot2) #untuk visuaslisasi data
> #Library(corrplot) #untuk visualisasi matriks korelasi

2.2 Mengambil Data

> library(readxl)
> Data <- read_excel("C:/Users/andre/Downloads/Car_Price.xlsx")
> View(Data)

Mengambil data yang telah di download dan memasukkannya kedalam “Data”

2.3 Plot

> smoothScatter(Data$`Car Age`, Data$`Car Price ($)`, xlab = "Car Age (Year)", ylab = "Car Price ($)", main = "Gambar 1. Smooth Scatter Plot")

Pada plot yang terbentuk, dapat dilihat bahwa pada plot Smooth Scatter Plot, Terlihat dari komposisinya terlihat cukup linear mengarah kebawah. Sehingga terdapat hubungan linear antar variabel.

3 HASIL DAN PEMBAHASAN

3.1 Statistika Deskriptif

> summary(Data)
    Car Age      Car Price ($)   
 Min.   :2.000   Min.   : 48.00  
 1st Qu.:5.000   1st Qu.: 68.00  
 Median :5.000   Median : 82.00  
 Mean   :5.273   Mean   : 85.64  
 3rd Qu.:6.000   3rd Qu.: 93.50  
 Max.   :7.000   Max.   :169.00  
> var(Data$`Car Age`)
[1] 2.018182
> var(Data$`Car Price ($)`)
[1] 1027.855
> sd(Data$`Car Age`)
[1] 1.420627
> sd(Data$`Car Price ($)`)
[1] 32.06017

Pada variabel Car Age (x), dapat dilihat bahwa nilai terkecil sebesar 2 dan nilai terbesar sebesar 7 dengan nilai rata-rata sebesar 5.273 dan median (nilai tengah) berada pada 5. Kemudian, pada variabel Car Price (y), dapat dilihat bahwa nilai terkecil sebesar 48 dan nilai terbesar sebesar 169 dengan rata-rata 85.64 dan median yaitu 82. Kemudian untuk varian data pada variabel Car Age (x) 2.018182 untuk Car Price (y) sebesar 1027.855. Kemudian untuk standar deviasi dari Car Age (x) sebesar 1.420627 dan standar deviasi dari Car Price (y) sebesar 32.06017.

3.2 Pemeriksaan Asumsi

> reg<-lm(Data$`Car Price ($)`~Data$`Car Age`, data=Data)
> print(reg)

Call:
lm(formula = Data$`Car Price ($)` ~ Data$`Car Age`, data = Data)

Coefficients:
   (Intercept)  Data$`Car Age`  
        198.74          -21.45

Terlihat hasil dengan menggunakan lm. Akan tetapi kita lanjutkan dulu.

> par(mfrow = c(2,2))
> plot(reg)

Pada plot pertama (Residuals vs Fitted), terbentuk pola dimana bisa dipertimbangkan untuk mengubah skala x. Pada plot 2 (Normal QQ), terlihat bahwa Tidak terlihat adanya pelanggaran normalitas. Pada plot 3 (Scale Location), Garis merah terdapat belokan,akan tetapi masih cukup lurus maka tidak ada masalah heterokedastisitas. Pada plot 4 (Residuals vs Leverage) terdapat warning akibat diatas Jarak Cook.

3.2.1 Asumsi Normalitas

Uji Normalitas

> sisa<-residuals(reg)
> library(tseries)
> jarque.bera.test(sisa)

    Jarque Bera Test

data:  sisa
X-squared = 1.9289, df = 2, p-value = 0.3812
> shapiro.test(sisa)

    Shapiro-Wilk normality test

data:  sisa
W = 0.87799, p-value = 0.09811

Pada hasil uji normalitas, dengan melihat p-Value pada Jarque Bera Test dan Shapiro Wilk Test, didapatkan bahwa p-Value diatas alpha dengan taraf 5% sehingga didapat bahwa Gagal Tolak H0 atau terima H0. Disimpulkan bahwa tidak terdapat pelanggaran pada asumsi normalitas galat pada model Car Age dengan Car Price.

3.2.2 Asumsi Homoskedastisitas

> library(lmtest)
> bptest(reg)

    studentized Breusch-Pagan test

data:  reg
BP = 0.037041, df = 1, p-value = 0.8474

Dengan Uji Breusch-Pagan, didapatkan p-Value sebesar 0.8474 lebih besar dari taraf nyata (alpha) 5% sehingga terima H0 atau Gagal Tolak H0. Dapat disimpulkan bahwa tidak terbukti ada pelanggaran asumsi homogenitas ragam galat pada model.

3.2.3 Asumsi Non Autokorelasi

> library(lmtest)
> dwtest(reg)

    Durbin-Watson test

data:  reg
DW = 1.4691, p-value = 0.1982
alternative hypothesis: true autocorrelation is greater than 0

Pada pemeriksaan didapatkan nilai p sebesar 0.1982 yang lebih besar dari taraf nyata 5%,Maka terima H0 atau Gagal Tolak H0. Dapat disimpulkan bahwa non autokorelasi pada ragam galat terpenuhi

3.2.4 Asumsi Multikolinieritas

Multikolinieritas berlaku apabila variabel x lebih dari 1 karena dalam multikolinieritas menunjukkan hubungan beberapa variabel bebas (x).

3.3 ANOVA

> ANOVA<-aov(Data$`Car Price ($)`~Data$`Car Age`, data=Data)
> summary(ANOVA)
               Df Sum Sq Mean Sq F value   Pr(>F)    
Data$`Car Age`  1   9286    9286   84.21 7.28e-06 ***
Residuals       9    992     110                     
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Pada ANOVA tersebut, terlihat pada p-Value sangat kecil maka terdapat bukti bahwa paling sedikit 1 Car Age yang secara signifikan memiliki rata-rata Car Price yang berbeda.

3.4 Pembentukan Model Regresi

Menggunakan Summery(reg), Didapatkan:

> summary(reg)

Call:
lm(formula = Data$`Car Price ($)` ~ Data$`Car Age`, data = Data)

Residuals:
   Min     1Q Median     3Q    Max 
-9.937 -7.261 -2.486  3.239 21.414 

Coefficients:
               Estimate Std. Error t value Pr(>|t|)    
(Intercept)     198.739     12.725  15.618 7.94e-08 ***
Data$`Car Age`  -21.450      2.338  -9.177 7.28e-06 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 10.5 on 9 degrees of freedom
Multiple R-squared:  0.9034,    Adjusted R-squared:  0.8927 
F-statistic: 84.21 on 1 and 9 DF,  p-value: 7.281e-06

\[ Car Price = 198.739 - 21.45 Car Age \] Dari hasil estimasi yang diperoleh dapat disimpulkan bahwa setiap umur mobil bertambah satu tahun maka harga mobil tersebut akan turun sebesar $2145 (21.45 menjadi 2145 karena data dalam per $100)

4 DAFTAR PUSTAKA

  • SUYONO.2015.ANALISIS REGRESI Untuk Penelitian.YOGYAKARYA:CV BUDI UTAMA.
  • KURNIAWAN, Robert.2016. Analisis regresi. Prenada Media.
  • Harlan, J.2018. Analisis Regresi Linear. Jakarta: Gunadarma.
  • CAHYANINGTIAS, NIKEN.2015.ANALISIS PENENTUAN HARGA POKOK PENJUALAN MOBIL BEKAS PADA PT. AMANAH FINANCE.MAKASSAR.