BAB I RUANG LINGKUP EKONOMETRIKA

Tujuan Pengajaran: Setelah mempelajari bab ini, anda diharapkan dapat: Mengerti definisi ekonometrika Mengerti keilmuan yang terkait dengan ekonometrika Membedakan jenis-jenis ekonometrika Memahami kegunaan ekonometrika Menjabarkan langkah-langkah penggunaan ekonometrika

1

BAB I RUANG LINGKUP EKONOMETRIKA Pengertian Ekonometrika Kalau dilihat dari segi namanya, ekonometrika berasal dari dari dua kata, yaitu “ekonomi” dan “metrika”. Kata “Ekonomi” di sini dapat dipersamakan dengan kegiatan ekonomi, yaitu kegiatan manusia untuk mencukupi kebutuhannya melalui usaha pengorbanan sumber daya yang seefisien dan seefektif mungkin untuk mendapatkan tujuan yang seoptimal mungkin. Kata “Metrika” mempunyai arti sebagai suatu kegiatan pengukuran. Karena dua kata ini bergabung menjadi satu, maka gabungan kedua kata tersebut menunjukkan arti bahwa yang dimaksud dengan ekonometrika adalah suatu pengukuran kegiatan-kegiatan ekonomi. Kegiatan ekonomi manusia tidak berjalan sesaat, tetapi berkelanjutan dari waktu ke waktu, dari peristiwa ke peristiwa, dari berbagai suasana, dari berbagai lintas sektor, lintas faktor. Untuk mengukur suatu kegiatan dalam keberagaman kondisi seperti itu, maka data merupakan sesuatu yang mutlak diperlukan. Melalui data, informasi itu dapat dianalisis, diinterpretasi, untuk mengungkap kejadian-kejadian di masa lampau, serta dapat digunakan untuk prediksi masa mendatang. Pengungkapan data atau analisis data dalam kegiatan ekonomi, dapat dilakukan dengan berbagai cara atau model, di antaranya melalui penggunaan grafik yang biasa disebut dengan metode grafis, atau melalui penghitungan secara matematis yang biasa disebut dengan metode matematis. Penggunaan metode ini tentu harus sesuai
2

dengan teori, khususnya teori ekonomi, karena ekonometrika bertujuan untuk mengukur kegiatan ekonomi. Kedua metode tersebut mempunyai kelebihan dan keunggulan masing-masing. Metode grafis sendiri dapat digolongkan ke dalam bentuk grafik berupa kurva, atau grafik dalam bentuk diagram. Metode grafis mempunyai keunggulan dalam kecepatan interpretasi informasi, karena grafik terrepresentasi dalam bentuk gambar yang mudah untuk dimaknai. Kelemahan metode grafis terletak pada kekurangakuratan interpretasi karena data umumnya ditampilkan dalam bentuk skala, yang bersifat garis besar, tentu kurang dapat menjelaskan secara rinci dan detil. Metode matematis mempunyai keunggulan dalam keakuratan interpretasi, karena melalui hitungan-hitungan secara rinci, sedang kelemahannya terletak pada tingkat kesulitan untuk menghitungnya, terlebih lagi jika variabel-variabel yang dihitung berjumlah sangat banyak. Guna mempermudah penghitungannya, maka dibuatlah berbagai rumus-rumus hitungan yang diambil dari berbagi data. Perbedaan di antara kedua metode tersebut, metode grafis dan matematis, terletak pada seberapa besar variabel dapat diungkap secara rinci. Perbedaan Metode Grafis dan Matematis
Perihal Interpretasi Output Keakuratan Grafis Relatif Lebih mudah diinterpretasi Berupa grafik, seperti kurva atau diagram Cenderung kurang akurat, karena berdasar data yang bersifat skala Matematis Relatif lebih sulit diinterpretasi Hitungan matematis berupa rumus Dapat lebih akurat, karena dihitung secara rinci sesuai dengan keadaannya

3

Buku satu. 1999. 2 Supranto. second edition. yaitu statistika. 4 . p. Lembaga Penerbit FE UI. dan statistika inferensi yang digunakan untuk menganalisis kejadian-kejadian ekonomi (Arthur S. manajemen. dan statistik. dan matematika. 1964. Beberapa pakar mendefinisikan ekonometrika sebagai berikut: Ekonometrika dapat didefinisikan sebagai ilmu sosial yang menggunakan alat berupa teori ekonomi.6). 1983. pemasaran. data. Ekonometrik. 1983. Guna memahami data. ekonometri membuat 1 Diterjemahkan dari buku KARYA Damodar Gujarati. dan model. memerlukan disiplin ilmu tentang data. akuntansi. matematik.p..Uraian di atas menjelaskan kepada kita bahwa dalam ekonometrika diperlukan tiga hal pokok yang mutlak ada. keuangan. dengan tujuan menyelidiki dukungan empiris dari hukum skematik yang dibangun oleh teori ekonomi. Irwin McGraw Hill.1). makro. yang digunakan secara simultan untuk mengungkap dan mengukur kejadian-kejadian atau kegiatan-kegiatan ekonomi. Model sendiri memerlukan disiplin ilmu matematika. yaitu: teori ekonomi. Dengan memanfaatkan ilmu ekonomi. dan lainlain. matematika. J. Supranto. ekonometrika merupakan gabungan dari ilmu ekonomi.1 Ekonometrik adalah gabungan penggunaan matematik dan statistik untuk memecahkan persoalan ekonomi (J.2 Ekonometri adalah suatu ilmu yang mengkombinasikan teori ekonomi dengan statistik ekonomi. operasional. Teori ekonomi meliputi teori ekonomi mikro. statistika. Goldberger. Oleh karena itu. Essential of Econometrics.

Suatu bentuk keilmuan yang mengakomodasi bentuk pengukuran kegiatan ekonomi itulah yang disebut sebagai ekonometri. mari kita mencermati apa yang terjadi pada hukum permintaan dan penawaran. Edisi 1. p.3). metodologi yang digunakan. Keinginan evaluasi ataupun prediksi seperti itu akan mudah diperoleh jika tindakan-tindakan sebelumnya itu diukur melalui teknikteknik pengukuran yang terstruktur dengan baik. Sebagai contoh dalam mengungkap pentingnya ekonometrika. Di sinilah letak pentingnya ekonometrika. Catur. BPFE Yogjakarta. 5 . Data yang diperlakukan sebagai pengungkap sejarah (historical data) akan menghasilkan evaluasi. Catur. teknik analisanya. ataupun data pendukungnya.3 Pentingnya Ekonometri Suatu perusahaan ataupun unit-unit pengambil keputusan. 1994.hukum-hukum ekonomi teoritis tertentu menjadi nyata (Sugiyanto. Data dalam ekonometrika merupakan suatu kemutlakan. tentu memerlukan suatu tindakan evaluatif untuk memastikan keefektifan tindakannya atau bahkan mempunyai keinginan untuk melakukan prediksi guna menentukan langkah terbaik yang perlu diambil. begitu pula penentuan jenis data. dan untuk data yang diperlakukan pengungkap kecenderungan (trend data) akan menghasilkan prediksi. Hukum permintaan menjelaskan bahwa bila harga suatu barang cenderung 3 Sugiyanto. ataupun penyesuaian dengan tujuannya. baik melalui teori yang melandasi. Hasil evaluasi ataupun prediksi yang mempunyai tingkat keakuratan tinggi saja yang akan mempunyai sumbangan terbesar bagi pengambilan keputusan. Ekonometrika Terapan. 1994. terutama dalam kegiatan ekonomi.

maka harga barang akan cenderung tinggi. semakin sedikit barang yang ditawarkan. Lihat gambar 1. Di sebut berlawanan karena jika P turun. maka jumlah permintaan terhadap barang tersebut akan mengalami peningkatan. maka harga barang akan semakin turun. tetapi ketika jumlah barang yang ditawarkan semakin banyak. Begitu pula dalam hukum penawaran. yaitu variabel harga (P) dan variabel jumlah barang (Q) saja.mengalami penurunan. Hukum permintaan menunjukkan bahwa hubungan antara variabel P dan Q berlawanan. P 6 . maka Q yang diminta (D) akan bertambah. begitu pula sebaliknya. Pernyataan-pernyataan seperti itu merupakan bentuk penyederhanaan yang hanya membahas keterkaitan antara dua variabel. Oleh karena itu permintaan ditunjukkan oleh kurva atau garis yang cenderung menurun dari kiri atas ke kanan bawah (downward sloping).

Kondisi seperti ini berbeda bila di hadapkan dengan hukum penawaran. atau Q terhadap P. maka Q juga mengalami penurunan. Atau sebaliknya. banyak teori-teori ekonomi lain yang hipotesisnya hanya bersifat kualitatif seperti hukum permintaan dan penawaran di atas. tidak dapat diketahui seberapa besar pengaruh antara variabel P terhadap Q. maka Q juga meningkat. Pengungkapan yang sangat kualitatif seperti contoh tersebut. Karena tidak dapat menjelaskan secara angkaangka tentu saja bentuk kurva atau garis yang ditunjukkan juga tidak dapat menggambarkan kondisi dengan sangat P 7 P2 . Lihat gambar 2. Pada hukum penawaran hubungan antara variabel P dan Q adalah searah. jika P menurun. Oleh karena itu penawaran ditunjukkan oleh garis atau kurva yang cenderung meningkat dari kiri bawah ke kanan atas (upward sloping). Tidak hanya terhenti pada dua teori di atas saja. artinya jika P meningkat.

Jenis Ekonometrika Ekonometrika dapat dibagi menjadi 2 (dua) macam. Meskipun ekonometrika dapat didikotomikan ke dalam ekonometrika teoritis maupun terapan. tetapi meluas hingga interpretasi terhadap pentingnya data tersebut. sehingga lingkupnya mencakup aplikasi teknik-teknik ekonometri yang telah lebih dulu dikembangkan dalam ekonometri teoritis pada berbagai bidang teori ekonomi. Dalam hal ini perannya ditunjukkan oleh statistika. maka teori ekonomi yang sudah ada perlu dilengkapi dengan berbagai data yang diperlukan. Untuk menjawab tuntutan seperti itu. jenis data.tepat. yaitu ekonometrika teoritis (theoretical econometrics) dan ekonometrika terapan (applied econometrics). Untuk menjawab persoalan itu. Ekonometrika terapan menggambarkan nilai praktis dari penelitian ekonomi. cara perolehan. ekonometrika dengan menggunakan pendekatan kuantitatif dalam bentuk model pendekatan matematis yang berupa hitungan-hitungan metematika akan mampu untuk menunjukkan seberapa besar pengaruh suatu variabel tertenu terhadap variabel yang lain. Ekonometrik teoritis berkenaan dengan pengembangan metode yang tepat/cocok untuk mengukur hubungan ekonomi dengan menggunakan model ekonometrik. hingga sifat data. Peran statistik akan semakin berarti jika dianalisis dengan model matematis yang sesuai dengan teori-teori ekonomi yang dianalisis. Kurva hanya dapat menggambarkan kecenderungan. namun tujuan-tujuan ekonometrika dapat dipersatukan sebagai 8 . Fungsi dari statistika tidak hanya sekedar pengumpulan data saja. untuk digunakan sebagai alat pengujian ataupun pengujian teori maupun peramalan.

dimana dalam kegiatan sosial antara variabel satu dan yang lainnya saling berinteraksi. penaksiran. yang sangat sulit untuk dianalisis secara bersamaan. Ekonometrika berkaitan dengan analisa kuantitatif yang menghasilkan taksiran-taksiran numerik yang dapat digunakan untuk melakukan taksiran-taksiran dari hasil suatu kegiatan ekonomi. Wajar saja. Fungsi seperti itu disebut sebagai fungsi penaksiran. Oleh karena itu penggunaan asumsi adalah untuk membantu penyederhanaan model. Fungsi seperti ini lebih dikenal dengan forecasting (peramalan). ataupun peramalan. Fungsi verifikasi ini bertujuan untuk mengetahui dengan pasti kekuatan suatu teori melalui pengujian secara empiris. karena ilmu ekonomi merupakan rumpun ilmu sosial. berkaitan. dan saling mempengaruhi. Asumsi yang paling sering digunakan adalah asumsi ceteris paribus (hal-hal yang tidak diungkapkan dianggap tetap). Taksiran-taksiran numerik seperti dijelaskan di atas dapat pula digunakan untuk mengindera kejadian masa yang akan datang dengan pengukuran derajat probabilitas tertentu. Penggunaan asumsi dalam ilmu ekonomi merupakan refleksi dari kesadaran bahwa tidak mungkin untuk dapat mengungkap dengan pasti faktor-faktor apa saja yang saling terkait atau saling mempengaruhi faktor tertentu. karena teori yang mapan adalah teori yang dapat diuji dengan empiris. Penggunaan ekonometrika Dalil-dalil ekonomi umumnya dijelaskan secara kualitatif dan dibatasi oleh asumsi-asumsi. Asumsi ini digunakan mengingat sangat banyaknya variabel-variabel dalam ilmu sosial yang saling mempengaruhi.alat verifikasi. Pembatasan penggunaan variabel untuk menganalisis kegiatan ekonomi melalui penetapan ceteris paribus 9 .

dan mendapatkan jawaban yang valid maka perlu menggunakan metodologi ekonometri yang memadai. ekspektasi masa mendatang. Model matematis merupakan salah satu model untuk menggambarkan teori yang diterjemahkan dalam bentuk matematis. harga barang itu sendiri. 10 . yang mengabstraksikan realita. Umumnya model dikembangkan dalam bentuk persamaan. promosi. dan lain-lain. Oleh karena itu dibuatlah pernyataanpernyataan yang mewakili variabel yang diukur saja. selera. kondisi politik. ketersediaan barang. Untuk memudahkan tahapan proses analisis. gengsi. selebihnya diwakili dengan asumsi ceteris paribus tersebut. faktor barang pengganti. iklan. maka kita dapat mengidentifikasi berbagai faktor yang mempengaruhi seperti: tingkat penghasilan. maka dalam ekonometrika disiasati dengan membentuk model. variabel dependen (dependent variables).tersebut. Variabel yang dipengaruhi disebut pula sebagai variabel terikat. Sebagai contoh. kebutuhan. variabel independen (independent variable). trend. harga barang lain. tingkat pengeluaran. dan mengasumsikan variabel lainnya bersifat tetap. Variabel yang mempengaruhi disebut pula sebagai variabel bebas. dengan cara mengidentifikasi faktor-faktor besar saja (misalnya 1-5 faktor terpenting saja). sedang variabel yang berada di sebelah kanan tanda persamaan mewakili variabel yang mempengaruhi. Banyaknya faktor yang mempengaruhi tingkat konsumsi seseorang tersebut tentu tidak dapat diidentifikasi secara pasti. variabel penduga. senyatanya adalah untuk mempermudah penafsiran-penafsiran serta pengukuran kegiatan ekonomi. kalau kita hendak mencari jawaban tentang pertanyaan kenapa seseorang mengonsumsi suatu barang. dimana sebelah kiri tanda persamaan mewakili variabel yang dipengaruhi. juga variabel prediktor. yang tentu itu tidak dapat dijelaskan secara pasti.

tahapan metodologi ekonometri dapat diurutkan sebagai berikut: 1. mengungkap mengapa penelitian itu dilakukan. merumuskan masalah 2. menguji model 6. karena merupakan “pintu pembuka” untuk menentukan tahapan-tahapan selanjutnya. dan sekaligus mampu membuat rencana untuk menentukan langkah untuk mendapatkan jawaban dari permasalahan yang ada. Rumusan masalah merupakan pedoman untuk membuat struktur isi penelitian. mendapatkan data 5. Oleh karena itu. di dalam merumuskan masalah tidak dapat dilepaskan dari pemahaman teori-teori yang melandasi atau kontekstual dengan penelitian. Merumuskan suatu masalah berarti mengungkap hal-hal apa yang ada di balik gejala atau informasi yang ada. merumuskan hipotesa 3. 11 .Metodologi Ekonometri Metodologi ekonometri merupakan serangkaian tahapan-tahapan yang harus dilalui dalam kaitan untuk melakukan analisis terhadap kejadian-kejadian ekonomi. Wajar saja bila sebagian besar orang berpendapat bahwa perumusan masalah adalah tahapan yang paling sulit dan menentukan. menganalisis hasil 7. mengimplementasikan hasil Merumuskan Masalah Merumuskan masalah adalah hal yang sangat penting. Secara garis besar. menyusun model 4. dan sekaligus mengidentifikasi penyebab-penyebab utamanya.

Karena membutuhkan jawaban. maka tidak dapat diketahui informasi yang terkait dengan apa yang diharapkan pegawai. seberapa besar tingkat stres pegawai. bahwa evaluasi pegawai dalam rangka penempatan kerja di lingkungan Dinas Pendidikan Nasional Kabupaten Sukoharjo belum dilakukan secara memadai. dan apa faktor yang yang paling signifikan mempengaruhinya? seberapa besar 12 . karena itu merupakan sumber informasi yang digunakan untuk memahami keterkaitan permasalahan yang dirumuskan. Umumnya perumusan masalah dalam suatu penelitian diungkapkan dalam bentuk kalimat pertanyaan yang membutuhkan jawaban. Sebagai ilustrasi dari perumusan masalah. atau karena terpaksa harus bertahan karena tuntutan yang lain? berapa besar tingkat stress yang dialami pegawai dilingkungan Depdiknas Kabupaten Sukoharjo. beberapa contoh dikemukakan sebagai berikut: 1. Untuk itu dalam penelitian ini permasalahanpermasalahan seperti itu akan dirumuskan dalam bentuk pertanyaan sebagai berikut: apakah dalam penempatan kerja pegawai Depdiknas Kabupaten Sukoharjo selama ini telah sesuai dengan karakteristik individu masing-masing pegawai. Dengan tidak dilakukannya evaluasi yang memadai. Seperti dijelaskan di atas. maka akan semakin baik jika apa yang mendasari permasalahan itu adalah hal-hal yang menarik minat peneliti. maupun berapa besar potensi prestasi kerja yang tersimpan maupun yang telah dapat diwujudkan.Perumusan masalah yang baik tentu disertai dengan latar belakang masalah.

sifat hubungan antar variabel. Berdasarkan contoh pada sub 13 . Setelah Juni 1997 diketahui bahwa terdapat kesamaan arah antara inflasi. sehingga memudahkan untuk mengetahui jenis variabel. Tetapi ketika inflasi mengalami penurunan ternyata baik kurs dan suku bunga juga mengalami hal serupa. begitu pula suku bunga juga mengalami peningkatan. seberapa besar pengaruhnya? 2. maka timbul pertanyaan “apakah kurs IDR terhadap USD dan suku bunga simpanan berjangka rupiah mempengaruhi tingkat inflasi di Indonesia ?” Merumuskan Hipotesa Hipotesa merupakan jawaban sementara terhadap masalah penelitian. Rumusan hipotesa yang baik seharusnya dapat menunjukkan adanya struktur yang sederhana tetapi jelas. dan suku bunga. Berdasar pada hal tersebut. sehingga perlu diuji lebih lanjut melalui pembuktian berdasarkan data-data yang berkenaan dengan hubungan antara dua atau lebih variabel. dan jenis data.tingkat prestasi kerja pegawai Depdiknas Kabupaten Sukoharjo selama ini? adakah stress kerja yang dialami pegawai mempengaruhi prestasi kerja. Perumusan hipotesa biasanya berupa kalimat pernyataan yang merupakan jawaban sementara dari masalah yang akan diteliti. Ketika inflasi meningkat kurs USD terhadap IDR juga mengalami peningkatan. kurs.

definisi. maka menggambarkan kenyataan yang sebenarnya berlaku dalam perekonomian adalah merupakan hal yang tidak mudah. yaitu hipotesis nol dan hipotesis alternative. Inflasi di Indonesia setelah tahun 1997 dipengaruhi oleh kurs nilai tukar IDR-USD dan bunga deposito. anggapan. Menyusun Model Pada dasarnya setiap ilmu pengetahuan bertujuan untuk menganalisis kenyataan yang wujud di alam semesta dan di dalam kehidupan manusia. 5 Insukindro. Agar dapat menjelaskan realitas yang kompleks seperti itu. maka dapat dicontohkan penarikan hipotesis seperti ini:4 1. Namun. karena fakta-fakta mengenai kenyataan yang wujud dalam ilmu sosial ( dimana ilmu ekonomi termasuk salah satu cabangnya) berjumlah sangat banyak dan saling terkait satu sama lainnya. persamaan. Dalam ilmu ekonomi.5 Sebagaimana 4 Penulisan hipotesis ini bersifat garis besar. Jurnal Ekonomi dan Bisnis Indonesia. Pembentukan Model dalam Penelitian Ekonomi. Pegawai di lingkungan Dinas Pendidikan Kabupaten Sukoharjo banyak yang mengalami stres kerja yang dapat berakibat pada menurunnya motivasi kerjanya. 1-18. Oleh karena itu model merupakan abstraksi dari realitas. 7(1).merumuskan masalah di atas. 14 . kesamaan (identitas) dan ketidaksamaan dari mana kesimpulan akan diturunkan. maka perlu dilakukan abstraksi melalui penyusunan suatu model. model ekonomi didefinisikan sebagai konstruksi teoritis atau kerangka analisis ekonomi yang menggabungkan konsep. 2. Hubungannya bersifat searah. Penulisan hipotesis dalam penelitian biasanya dituliskan sekaligus dua hipotesis yang berlawanan.

dalam ilmu ekonomi tentu yang digunakan adalah variabel-variabel ekonomi saja. Salah satu bentuk model adalah berupa persamaan fungsi secara matematis.5. atau variabel yang ditentukan di dalam model dan ingin diamati variansinya. yaitu variabel dengan unsur lag.namanya. 2001. Ketepatan model itu sendiri mempunyai dua tujuan yaitu: Pertama. p. Karena pada hakikatnya sebuah fungsi adalah sebuah persamaan matematis yang menggambarkan hubungan sebab akibat antara sebuah variabel dengan satu atau lebih variabel lain. Model ekonometrika setidaknya terdiri dari dua golongan variabel. yaitu variabel yang dianggap ditentukan di luar sistem (model) dan diharapkan mampu menjelaskan variasi variabel endogin. variabel kelambanan. 3. untuk mengetahui apakah model penduga tersebut merupakan model yang tepat sebagai estimator. 2. atau dimasukkan saja ke dalam asumsi ceteris paribus. yang umumnya digunakan untuk data runtut waktu. Untuk variabel non ekonomi tidak perlu dipilih. Model persamaan ini disebut pula sebagai metode regresi yang diharapkan dapat menjawab hipotesis yang telah ditentukan. Metode Kuantitatif. Teori dan Aplikasi Untuk Bisnis dan Ekonomi. yaitu variabel yang menjadi pusat perhatian si pembuat model. 15 . Variabel Endogin. UPP AMP YKPN. Kedua. Variabel Eksogin. Fungsi model dalam ekonometrika adalah sebagai tuntunan untuk mempermudah menguji ketepatan model penduga. yaitu variabel terikat (dependen) yang 6 Kuncoro. Mudrajad. Variabel ekonomi dibedakan menjadi:6 1. untuk mengetahui daya ramal atau goodness of fit dari model penduga.

seperti koding 16 . Tahapan yang dapat ditempuh untuk mendapatkan data pra analisis meliputi: penyuntingan data. melakukan indeksasi data. dan lain-lain. sedang untuk model yang mempunyai lebih dari satu variabel bebas disebut regresi berganda (multiple regression). dan variabel bebas (independen) yang berada di sebelah kanan tanda persamaan. misalnya mentransformasi menjadi data dalam angka logaritma. Penyuntingan data. tabulasi. adalah upaya proses data untuk mendapatkan data yang memberikan kejelasan. Pengkodean data. tetapi dapat berjumlah lebih dari satu variabel. komposit. Para peneliti terdahulu telah mengingatkan agar jangan sampai dalam penelitian terdapat GIGO. pengembangan variabel. dan komplit. dapat dibaca. cek kesalahan. pembentukan struktur data. konsisten. Untuk model dengan satu variabel bebas disebut dengan regresi tunggal (single regression). yaitu memperluas variansi data. pengkodean data. agar dapat menjamin bahwa data yang dianalisis adalah benar-benar menggunakan data yang tepat. Hal ini penting untuk mendapatkan hasil analisis yang tidak bias atau menyesatkan.berada pada sebelah kiri tanda persamaan. Jumlah variabel bebas tidak harus satu. Mendapatkan Data Mendapatkan data merupakan suatu langkah yang harus dilakukan oleh peneliti. garbage In garbage out. melakukan koding terhadap data yang akan digunakan dengan cara yang sesuai. Pengembangan variabel.

data interval. membuat kesedian data agar dapat digunakan dengan baik di kemudian hari. nilai statistik F. Tabulasi juga bermanfaat bagi peneliti sebagai alat menyusun kategori ketika mengubah variabel interval menjadi klasifikasi nominal. Strukturisasi data. Untuk melakukan uji goodness of fit pengukurannya dilakukan dengan menguji nilai statistik t. Tabulasi data. tabulasi mendeskripsikan jumlah individu yang menjawab pertanyaan tertentu. dan koefisien 7 Ibid. Kendati demikian.7 Menguji Model Untuk mengetahui sejauh mana tingkat kesahihan model terbaik yang dihasilkan. banyak riset bisnis yang ditujukan untuk penjelasan masalah dan atau menemukan hubungan. Tabulasi merupakan alat analisis bisnis. data ordinal. Dengan kata lain. maka perlu dilakukan uji ketepatan fungsi regresi dalam menaksir nilai actual dapat diukur dari goodness of fit-nya. Tabulasi menyajikan hitungan hitungan frekuensi dari satu hal (analisis frekuensi) atau perkiraan numerik tentang distribusi sesuatu (analisis deskriptif). Tabulasi dapat juga digunakan untuk menciptakan statistik deskriptif mengenai variabel-variabel yang digunakan atau tabulasi silang.terhadap variabel dummy. merupakan finalisasi pengujian data agar betul-betul mendapatkan data akhir yang valid. dan lain-lain. Cek kesalahan. 17 . biasanya tidak dimasukkan sebagai prosedur analitik dalam penelitian ilmiah karena tidak mengungkapkan hubungan dalam data.

Sedang untuk analisis korelasi berguna untuk mengetahui hubungan antar variabel tanpa membedakan apakah itu variabel dependen ataukah independen. Analisis regresi akan mendapatkan hasil pengaruh antara variabel independen terhadap variabel dependen. autokorelasi. Hal lain yang tidak kalah pentingnya adalah pengimplemantasian dari hasil pengukuran. analisis korelasi juga perlu dilakukan untuk mendapatkan hasil pengukuran hingga benar-benar valid. juga heteroskedastisitas. apabila tidak 18 . Menganalisis Hasil Analisis ekonometrika dimulai dari interpretasi terhadap data dan keterkaitan antar variabel yang dijelaskan di dalam model. multikolinearitas. Tidak hanya analisis regresi. yang dapat dilakukan melalui pengujian normalitas. Uji F untuk mengetahui secara bersama-sama semua variabel independen dalam mempengaruhi variabel dependen. Sedangkan koefisien determinasi untuk menentukan seberapa besar sumbangan variabel independen terhadap variabel dependen. karena mempunyai keterkaitan langsung terhadap kesesuaian dengan teori yang dirumuskan dalam model. Tanda positif atau negatif pada masing-masing koefisien perlu untuk dicermati. Uji nilai statistik t untuk mengetahui pengaruh secara individual variabel independen terhadap variabel dependen. dapat menjadikan hasil regresi tidak sesuai dengan teori yang melatar belakangi. Pengabaian terhadap kedua tanda tersebut. Karena sebagus dan sebenar apapun hasil penelitian. Uji asumsi klasik juga perlu dilakukan terhadap model agar memperteguh validitas model.determinasinya (R2) pada hasil regresi yang telah memenuhi uji asumsi klasik.

Jawablah pertanyaan-pertanyaan di bawah ini: a.ditindaklanjuti dalam bentuk implementasi. -000Tugas: 1. Buatlah rangkuman dari pembahasan di atas 2. Bidang keilmuan apa saja yang terkait secara langsung dengan ekonometrika c. Uraikan tahapan-tahapan ekonometrika 19 . tidak akan berarti apa-apa. Cobalah untuk menyimpulkan maksud dari uraian bab ini 3. Jelaskan pentingnya ekonometrika d. Apa yang dimaksud dengan ekonometrika b.

anda diharapkan dapat: Mengerti definisi model Mengerti definisi regresi Menyebutkan model-model regresi Menjelaskan kegunaan model regresi Menuliskan alternatif notasi model Memahami perbedaan-perbedaan model Menggunakan model untuk menjabarkan teori BAB II 20 .BAB II MODEL REGRESI Tujuan Pengajaran: Setelah mempelajari bab ini.

kita akan mendapatkan banyak sekali faktor-faktor itu seperti: harga barang tersebut. Dari beragam faktor-faktor yang disebutkan di atas. Cara yang dilakukan adalah membuat model. selera. maka dengan mengidentifikasi kemungkinan faktor-faktor yang mempengaruhinya.MODEL REGRESI Keilmuan sosial mempunyai karakteristik berupa banyaknya variabel-variabel atau faktor-faktor yang saling mempengaruhi satu sama lain. mutu barang. tentu mempunyai tingkat signifikansi yang berbeda. Dalam kepentingan untuk mengidentifikasi beberapa variabel saja. maka dibenarkan untuk mengabaikan variabel-variabel yang lain. sementara yang lain mungkin tingkat signifikansinya rendah. persepsi atas barang tersebut. tempat penjualan barang tersebut. stabilisasi keamanan. yang menjelaskan variabel-variabel yang hendak diteliti saja. pendapatan. anggaran pengeluaran. harga barang lain. trend yang berkembang. Beberapa faktor mungkin mempunyai tingkat signifikansi yang tinggi. barang pengganti. kebutuhan. apabila kita ingin mengetahui faktor apa saja yang mempengaruhi permintaan suatu barang tertentu (sebut saja barang X). Sebagai contoh. gengsi. dan tentu masih banyak lagi faktor-faktor lainnya yang sangat sulit untuk ditentukan secara mutlak. return usaha yang mungkin diperoleh. Sedang untuk variabel-variabel lain yang terkait tetapi tidak hendak 21 . prediksi harga masa yang akan datang. tingkat bunga bank. atau biasa disebut tidak signifikan. Kondisi yang demikian ini menyebabkan kesulitan dalam menentukan secara pasti faktor apa saja yang menyebabkan faktor tertentu. bahwa harga barang X tersebut hanya ditentukan oleh faktor-faktor yang telah dijelaskan.

(pers. (pers.2) Munculnya e (error term) pada persamaan ekonometrika (pers.diteliti. Hal ini dibenarkan dalam keilmuan sosial (ekonomi). Hal ini akan semakin jelas kalau kita runut dari bentuk suatu model yang memang berbentuk sangat sederhana. Penulisan model dalam bentuk persamaan fungsi tersebut dicontohkan dalam persamaan berikut ini: Persamaan Matematis  Y=a + bX ………. Sehingga model sering diartikan refleksi dari realita atau simplikasi dari kenyataan. maka variabel-variabel yang lain dianggap bersifat tetap atau ceteris paribus. yang dilambangkan dengan e.. Penulisan model dalam ekonometrika adalah merupakan pengembangan dari persamaan fungsi secara matematis.. karena terlalu banyak faktorfaktor yang saling terkait dan sangat sulit untuk diidentifikasi secara menyeluruh. 22 . dapat diabaikan. Model dalam keilmuan ekonomi berfungsi sebagai panduan analisis melalui penyederhanaan dari realitas yang ada.2) merupakan suatu penegasan bahwa sebenarnya banyak sekali variabel-variabel bebas yang mempengaruhi variabel terikat (Y). karena pada hakikatnya sebuah fungsi adalah sebuah persamaan yang menggambarkan hubungan sebab akibat antara sebuah variabel dengan satu atau lebih variabel lain. sehingga perlu asumsi yang menganggap tidak adanya perubahan dari variabelvariabel yang disebut dengan ceteris paribus.1) Persamaan Ekonometrika  Y = b0 + b1X + e ………. Karena dalam model tersebut hanya ingin melihat pengaruh satu variabel X saja.

23 . Oleh karena itu. Jika sebaran datanya kecenderungannya seperti bentuk U atau spiral regresinya menggunakan regresi kubik. Model linier sendiri dapat dibedakan sebagai single linier maupun multiple linier. Kata linier menggambarkan arti bahwa sebaran data dalam scatter plot menunjukkan sebaran data yang mendekati bentuk garis lurus. Untuk lebih jelasnya akan dicontohkan bentuk 8 Scatter plot merupakan gambar sebaran data. maka cocoknya menggunakan dengan regresi kuadratik. Data semacam ini dapat wujud apabila perubahan pada variabel Y sebanding dengan perubahan variabel X. Model Regresi Kubik Model Regresi Linier Kata “linier” dalam model ini menunjukkan linearitas dalam variabel maupun lineraitas dalam data. Sedang multiple linier apabila variabel bebas lebih dari satu variabel dengan batasan pangkat satu.8 Setidaknya terdapat tiga jenis model yaitu: Model Regresi Linier.Bentuk Model Model persamaan fungsi seperti dicontohkan pada pers. Model Regresi mempunyai bermacam-macam bentuk model yang dapat dibedakan berdasarkan sebaran data yang terlihat dalam scatterplott-nya. Jika sebaran datanya berkecenderungan melengkung. Model Regresi Kuadratik.2 bertujuan untuk mengetahui pengaruh variabel bebas terhadap variabel terikat. persamaan tersebut disebut juga sebagai persamaan regresi. Disebut single linier apabila variabel bebas hanya berjumlah satu dengan batasan pangkat satu.

4) sebagai berikut: Y = b0 + b1X + e ……….. dan X = bunga deposito (Budep) pada periode tertentu.persamaan single linier (pers. maka sebaran datanya tergambar sebagai berikut: Hubungan Suku Bunga terhadap Inflasi 16 15 14 13 12 11 10 INFLASI 9 8 13.3) Y = b0 + b1X1 + b2X2 + …… + bnXn + e ……….0 13.3) dan persamaan multiple linier (pers.5 BUDEP Gambar 3 24 . (pers.5 16.0 15.0 14.5 14. dan jika datanya telah diketahui. (pers.4) Misalkan dari pers. maka data akan tergambar dalam bentuk titik-titik yang merupakan sebaran data dalam scatter plot.3 dianggap bahwa Y = Inflasi.0 16. Dengan menggunakan data penelitian hubungan antara inflasi dan bunga deposito antara Januari 2001 hingga Oktober 2002..5 15.

6 0 10 20 30 40 AFENEGAT Gambar 4 25 . kedua scater plot tersebut akan tepat digunakan regresi linier. sehingga dapat diwakili dengan garis lurus. maka afeksi negatifnya meningkat.8 1. inflasi juga turun. 1. Sedangkan contoh sebaran data yang digambarkan dalam scatter plot di bawah ini (gambar 4).9 1. Begitu pula sebaliknya. Dari scatter plot kedua gambar tersebut (baik gambar di atas maupun di bawah ini) menunjukkan bahwa sebaran datanya menyebar memanjang lurus. Begitu pula jika bunga deposito menurun.Sebaran data tersebut di atas (gambar 3) menunjukkan hubungan yang positif. maka inflasi juga meningkat. Jika atributnya berkurang. yaitu jika bunga deposito meningkat.7 LATRIBUT 1. menunjukkan bahwa hubungan antara variable Afenegat (Afeksi negative) dan Latribut (Atribut) mempunyai hubungan yang negative. Oleh karena itu.

Yogjakarta.Model Kuadratik Salah satu ciri model kuadratik dapat diketahui dari adanya pangkat dua pada salah satu variabel bebasnya. (pers. Model kuadratik dituliskan dalam persamaan fungsi sebagai berikut: Y = b0 + b1X1 + b2X12 + e Model Kubik Salah satu ciri model kubik dapat diketahui dari adanya pangkat tiga pada salah satu variabel bebasnya.9 Model kuadratik dituliskan dalam persamaan fungsi sebagai berikut: Y = b0 + b1X1 + b1X12 + b1X13 + e (pers. p.. Ciri yang lain dapat dilihat dari pengamatan terhadap scatter plott yang menunjukkan kecenderungan sebaran data yang berbentuk lengkung dengan arah yang berbeda. ……….. BPFE. tidak seperti model linier yang cenderung lurus. Ciri yang lain dapat dilihat dari pengamatan terhadap scatter plott yang menunjukkan kecenderungan sebaran data membentuk lengkung. Oleh karena itu sering disebut juga dengan fungsi berderajat tiga.6) ……….140 26 . Matematika Terapan Untuk Bisnis dan Ekonomi.5) 9 Dumairy. yaitu titik peralihan bentuk kurva dari cekung menjadi cembung atau dari cembung menjadi cekung. Setiap fungsi kubik setidaktidaknya mempunyai sebuah titik belok (inflexion point).

Secara substansi penulisan itu mempunyai arti yang sama. Atau dengan bahasa yang mudah. variabel penduga. variabel estimator. Nilai konstanta ini merupakan nilai dari variabel Y ketika variabel X bernilai nol. β 2. Huruf b0 sering juga dituliskan dengan huruf a. yaitu menunjukkan konstanta atau intercept yang merupakan sifat bawaan dari variabel Y. Meskipun dituliskan dengan tanda yang 27 . Y sering juga disebut sebagai variabel gayut. Parameter ini sering juga dituliskan dengan bentuk b. variabel yang dipengaruhi.Notasi Model Huruf Y memerankan fungsi sebagai variabel dependen atau variabel terikat. bn merupakan parameter yang menunjukkan slope atau kemiringan garis regresi. α . atau variabel endogin. β n. Sedang variabel independen yang secara umum disimbolkan dengan huruf X diletakkan disebelah kanan tanda persamaan. sedang bila bertanda negatif titik potongnya di sebelah bawah titik origin. Jika konstanta itu bertanda positif maka titik potongnya di sebelah atas titik origin (0). Huruf b1. Peletakannya di sebelah kanan tanda persamaan menunjukkan perannya sebagai variabel yang mempengaruhi. Huruf X menggambarkan variabel bebas atau variabel yang mempengaruhi. nilai konstanta merupakan sifat bawaan dari Y. atau β 1. Oleh karena itu variabel ini mempunyai nama lain seperti variabel independen. penulisan huruf Y diletakkan disebelah kiri tanda persamaan. atau juga variabel eksogen. b2. atau juga β 0. Konstanta ini mempunyai angka yang bersifat tetap yang sekaligus menunjukkan titik potong garis regresi pada sumbu Y. Dengan alasan keseragaman.

Simbol error ini tidak jarang dituliskan dalam huruf ε atau µ . Tanda positif menunjukkan hubungan yang searah antara variabel X dengan variabel Y. Jika X meningkat maka Y menurun. jika variabel X mengalami perubahan. Artinya. karena nilai koefisien korelasi ini juga menunjukkan tingkat elastisitas. Huruf e merupakan kependekan dari error term atau kesalahan penggganggu. jika variabel X mengalami perubahan. maka variabel Y akan mengalami perubahan yang lebih kecil dari perubahan yang ada pada variabel X tersebut. Artinya. maka variabel Y akan mengalami perubahan yang lebih besar dari perubahan yang ada pada variabel X tersebut. maka dari besarnya nilai koefisien korelasi (b) tersebut dapat ditentukan jenis elastisitasnya. Jika nilai b besarnya sama dengan angka satu (b=1) disebut uniter elastis. Karena jika tandanya negatif arah hubungan X terhadap Y saling berlawanan. Simbol ini merupakan karakteristik dari ekonometrika yang tidak dapat dilepaskan dari unsur-unsur stokhastik atau hal-hal 28 . Sebaliknya jika X mengalami penurunan maka Y pun akan menurun. maka variabel Y akan mengalami perubahan yang sama besar dengan perubahan yang ada pada variabel X tersebut. Demikian pula. sebaliknya jika X menurun maka nilai statistik t meningkat. Nilai beta ini memungkinkan untuk bernilai positif maupun negatif. Arah hubungan seperti itu tidak terjadi pada beta yang berangka negatif. Jika nilai b besarnya lebih kecil dari angka satu (b<1) disebut inelastis. Artinya. jika variabel X mengalami perubahan. Jika nilai b besarnya lebih dari satu (b>1) maka disebut elastis. Artinya jika X mengalami peningkatan maka Y juga mengalami peningkatan. secara substansi parameter ini menunjukkan beta atau koefisien korelasi yang sekaligus menunjukkan tingkat elastisitas dari variabel X tersebut.berbeda.

2. menjelaskan nilai variabel terikat ketika masing-masing variabel bebasnya bernilai 0 (nol).yang mengandung probabilita. karena hasil yang ditunjukkan oleh model ekonometrika hanya bersifat perkiraan. 29 . kesalahan asumsi dalam menentukan teori yang diwujudkan sebagai model. Misalnya. ketidaklengkapan data yang dianalisis. Spesifikasi Model dan Data Secara spesifik model dalam ekonometrika dapat dibedakan menjadi: model ekonomi (economic model) dan model statistic (statistical model). dalam arti tidak menunjukkan kebenaran yang mutlak. Model Ekonomi biasanya dituliskan dalam bentuk persamaan sebagai berikut: Y = b0 + b1X1 + b2 X2 Tanda b = parameter. Oleh karena itu nama lain dari simbol ini tidak terlepas dari sifat dasar itu seperti: disturbance error atau stochastic disturbance. 3. ketidaktepatan model yang digunakan. tidak seluruh variabel bebas yang mempunyai potensi dalam mempengaruhi variabel terikat dapat disebutkan dalam model. Kesalahan pengganggu ini sendiri mempunyai banyak sebab yang dapat menimbulkannya seperti: 1. menunjukkan ketergantungan variabel Y terhadap variabel X b0 = intercept. seharusnya digunakan model kuadratik tetapi justru yang digunakan adalah model linier. 4. atau sebaliknya.

X1. karena nilai e diasumsikan non random. mencerminkan nilai harapan. meskipun tidak disebutkan variabel apa. cukup ditulis dengan tanda e. Model Statistik Model ekonomi seperti yang dijelaskan di atas. oleh karena itu membutuhkan regresi. Atau dapat pula dianggap sebagai pengganti variabel-variabel berpengaruh lain selain variabel yang dijelaskan dalam model. model ini tidak mampu menjelaskan variabelvariabel ekonomi secara pas (clear).Model ini menggambarkan rata-rata hubungan sistemik antara variabel Y. Pengakuan adanya variabel lain yang berpengaruh. Secara matematis dapat dituliskan sebagai berikut: e = Y – E(Y) jadi. Agar 30 . X2. Dalam model ini nilai e tidak tertera. maka dapat pula ditulis: E (Y) = b0 + b1X1 + b2 X2 Karena nilai harapan. maka Y= ˆ atau e = Y – Y +e ˆ Y = E (Y) = b0 + b1X1 + b2 X2 Y = b0 + b1X1 + b2 X2 + e ˆ Y tanda e pada persamaan di atas mencerminkan distribusi probabilitas. Dalam realita. maka tentu tidak akan secara pasti sesuai dengan realita. karena. e merupakan representasi dari asumsi ceteris paribus. maka model menjadi lebih realistik. Oleh karena itu akan muncul nilai random error term (e). Dalam teori ekonomi. Nilai e sendiri merupakan selisih antara nilai kenyataan dan nilai harapan.

Karena masing. Meskipun e bisa bernilai positif atau negatif. Kovarian ei dan ej mempunyai nilai nol. 3. E (Y) = b0 + b1X1 + b2 X2 2. Dengan demikian. Nilai nol dalam asumsi ini menjelaskan bahwa antara ei dan ej tidak ada korelasi serial atau tida berkorelasi (autocorrelation). Nilai random error mempunyai distribusi probabilitas yang normal. statistik Y menjadi sebagai beriku: 1. E(e) = 0. 2. Cov (ei. maka masing-masing Y juga memiliki varian yang random. 4. Variance distribusi probabilitas Y tidak dapat berubah setiap observasi. maka rata-rata perubahan nilai Y untuk setiap observasi ditentukan oleh fungsi regresi. artinya: masing-masing random error mempunyai distribusi probabilitas variance yang sama dengan standar deviasi ( σ 2 ). Asumsi ini menjelaskan bahwa residual bersifat homoskedastik. Nilai harapan Y tergantung pada nilai masingmasing variabel penjelas dan parameterparameternya.terdapat gambaran yang jelas. Variance residual sama dengan standar deviasi Var (e) = σ 2 . masing-masing random error mempunyai distribusi probabilitas = 0. masing observasi Y tergantung pada e. ej) = 0. Nilai harapan e sama dengan 0 (nol). Dengan menggunakan asumsi E(e) = 0. tetapi rata-rata e harus = 0. Var (Y) = Var (e) = σ 2 31 . Asumsi-asumsinya adalah: 1. maka nilai e harus diasumsikan.

ej) = 0 4. Cirinya terletak pada sebelah kanan tanda persamaan (=). atau β 0. variabel penjelas. variabel yang diestimasi. variabel yang dijelaskan. Nilai Y secara normal terdistribusi di sekitar ratarata. yaitu: 1. Perlu adanya asumsi tambahan terhadap variabel penjelas. variabel yang mempengaruhi. variabel yang dipengaruhi. Cov (Yi. berada pada sebelah kiri tanda persamaan (=). yaitu variabel terikat dan variabel bebas. Asumsi ini penting agar tidak terjadi redundancy. atau b0.3. variabel penduga. variabel estimator. Konstanta sering disimbolkan dengan a. Cirinya. karena dengan jelas dapat diketahui dari data. variabel yang mempengaruhi. Variabel independen tidak merupakan fungsi linear dari yang lain. Asumsi-asumsi di atas difokuskan pada pembahasan variabel terikat. Variabel independen tidak bersifat random. Tidak ada kaitan langsung antara observasi satu dengan observasi lainnya. 2. yang menyebabkan multikolinearitas. yang dipisahkan oleh tanda persamaan. biasa pula disebut sebagai variabel dependen. Variabel terikat sering disimbolkan dengan Y. Variabel bebas sering disimbolkan dengan X. 32 . Dalam suatu model juga terdapat parameterparameter yang disebut konstanta. variabel tak bebas. Yj) = Cov (ei. biasa pula disebut sebagai variabel independen. juga koefisien korelasi. variabel prediktor. Kesimpulan: Dalam suatu model regresi terdapat dua jenis variabel.

Koefisien korelasi disebut pula sebagai beta. b. menunjukkan slope. Coba uraikan asumsi-asumsi yang harus dipenuhi dalam regresi linier! 33 . Tugas: Buatlah rangkuman dari pembahasan di atas! 2. Cobalah untuk menyimpulkan maksud dari uraian bab ini! Jawablah pertanyaan-pertanyaan di bawah ini: Jelaskan apa yang dimaksud dengan model! b. B. Jelaskan perbedaan antara jenis-jenis model ekonometrika! d. a. kemiringan. -000- 1. elastisitas. 3. Sebutkan apa saja jenis-jenis model ekonometrika! c.

34 . anda diharapkan dapat: Mengetahui kegunaan dan spesifikasi model Menjelaskan hubungan antar variabel Mengaitkan data yang relevan dengan teori Mengembangkan data Menghitung nilai parameter Mengetahui arti dan fungsi parameter Menentukan signifikan tidaknya variabel bebas Membaca hasil regresi Menyebutkan asumsi-asumsi.BAB III MODEL REGRESI DENGAN DUA VARIABEL Tujuan Pengajaran: Setelah mempelajari bab ini.

.2) Dimana: A atau a. (pers. merupakan variabel dependen 10 Yaitu satu variabel dependen dan satu variabel independen 35 . yang juga menggambarkan tingkat elastisitas variabel independen Y. sebagai berikut: Y = A + BX + ε ………. seperti contoh sebagai berikut: Y = a + bX + e ……….3. merupakan konstanta atau intercept B atau b. Fungsi regresi yang menggunakan data populasi (FRP) umumnya menuliskan simbol konstanta dan koefisien regresi dalam huruf besar.1) Fungsi regresi yang menggunakan data sampel (FRS) umumnya menuliskan simbol konstanta dan koefien regresi dengan huruf kecil.BAB III MODEL REGRESI DENGAN DUA VARIABEL Bentuk model Model regresi dengan dua variabel10 umumnya dituliskan dengan simbol berbeda berdasarkan sumber data yang digunakan..3. meskipun tetap dituliskan dalam persamaan fungsi regresi. (pers. merupakan koefisien regresi.

. sedangkan nilainya disebut sebagai estimate atau nilai perkiraan. merupakan variabel independen Notasi a dan b merupakan perkiraan dari A dan B. pada tahun 1821. Huruf a.11 Meskipun penulisan simbol konstanta dan koefisien regresinya agak berbeda. atau dengan metode Maximum Likelihood. b. 1983 Ordinary Least Square (OLS) ditemukan oleh Carl Friedrich Gauss. 36 . disebut sebagai estimator atau statistik. Ekonometrik. Jakarta. ∑ X a= ∑ n 11 12 Supranto. LPFEUI. Metode Kuadrat Terkecil Biasa (Ordinary Least Square) (OLS) Penghitungan konstanta (a) dan koefisien regresi (b) dalam suatu fungsi regresi linier sederhana dengan metode OLS dapat dilakukan dengan rumus-rumus sebagai berikut: Rumus Pertama (I) Mencari nilai b: b= n ( ∑ XY ) − ( ∑ X )( ∑Y ) n (∑ X ) − ( ∑ X ) 2 2 mencari nilai a: Y −b. Buku satu. J. yaitu dapat dilakukan dengan metode kuadrat terkecil biasa (ordinary least square)12.X. seorang Matematikawan Jerman. namun penghitungannya menggunakan metode yang sama.

yang datanya tertera sebagai berikut: 37 .Rumus kedua (II) Mencari nilai b: b= ∑xy ∑x 2 mencari nilai a: a= − X Y b Misalnya saja kita ingin meneliti pengaruh bunga deposito jangka waktu 1 bulan (sebagai variabel X = Budep) terhadap terjadinya inflasi di Indonesia (sebagai variabel Y=Inflasi) pada kurun waktu Januari 2001 hingga Oktober 2002.

13 14.97 13.55 15.16 14.48 10.Observasi Jan 01 Peb 01 Mar 01 Apr 01 Mei 01 Jun 01 Jul 01 Agu 01 Sep 01 Okt 01 Nop 01 Des 01 Jan 02 Peb 02 Mar 02 Apr 02 Mei 02 Jun 02 Jul 02 Agu 02 Sep 02 Okt 02 Jumlah Y 8.22 38 .06 13.6 10.28 9.11 13.02 16.51 10.08 13.67 15.85 14.91 16.55 14.97 15.04 12.91 12.23 13.05 10.49 X1 13.88 15.93 13.62 10.33 260.21 16.03 14.42 15.79 14.93 11.13 324.39 14.47 12.3 12.14 10.58 13.76 15.01 12.22 13.81 13.82 12.19 15.48 10.14 14.

Masukkan data ke masing-masing kolom. Pastikan bahwa lembar worksheet SPSS sudah siap digunakan. Caranya: tampilkan program SPSS di layar monitor. 2. Pastikan bahwa yang aktif adalah Data View (lihat pojok kiri bawah). dapat dilakukan dengan tahapan sebagai berikut: 1. bukan variabel View! 39 .Bantuan dengan SPSS Cara memasukkan data tersebut di atas ke dalam SPSS.

40 . align.3. maka ketik inflasi. columns. Width. Decimals. label. Type. maka ketik Y. Caranya: klik Variabel View (pojok kiri bawah). tetapi dalam kolom akan muncul huruf kecil). Masukkan nama variabel ke dalam kolom Name. Beri nama kolom tersebut sesuai nama variabelnya. (Meskipun yang dimasukkan adalah huruf besar. values. Misal kita mau memberi nama variabel dengan Y. maka akan muncul kolom: Name. Jika hendak memberi nama tersebut dengan Inflasi. measure. missing.

Data awal yang dimasukkan tadi dapat dikembangkan menjadi seperti hitungan dalam tabel di bawah (misal menjadi X12). maka caranya: variabel yang ada di kolom Type&Label diblok (klik) 41 . ketik X12. dimana X12 ini merupakan X1 yang dikuadratkan. kemudian pilih Compute. maka layar SPSS akan berubah menjadi seperti dalam gambar sebagai berikut: Pada kotak Target Variable (kanan atas) isilah dengan nama variabel baru (variabel pengembangan). Caranya: klik Transform.4. Karena akan menghitung kuadrat. Sesuai contoh.

Y) dari kotak Type&Label ke Numeric Expression.pindahkan ke dalam kolom Numeric Expression menggunakan langkah klik pada tanda segitiga penunjuk arah. nilai Y2. sehingga nantinya dapat secara langsung diaplikasikan ke dalam rumus. serta nilai XY. setelah itu klik OK. Pengembangan data yang dimaksudkan adalah menentukan nilai X12. Setelah itu pilih ** (pada tuts kalkulator) dan ketik angka 2 (karena hendak mengkuadratkan). worksheet data akan menampakkan variabel baru dengan data yang dihitung tadi. Seandainya kita ingin menggunakan rumus pertama. maka nilai a dan b dapat dicari melalui penggunakan kedua rumus tersebut. maka langkah awal yang dapat dilakukan adalah mengadakan penghitunganpenghitungan atau pengembangan data untuk disesuaikan dengan komponen rumus. lakukan dengan cara memindahkan salah satu nama variabel yang hendak dikalikan (misalnya. dan kemudian ketik OK. 5. baik itu rumus pertama ataupun kedua. Jika tahapan tersebut telah dilalui. Hasil pengembangan data dapat dilihat pada tabel berikut: 42 . pilih tanda pengali (*) dan ikuti dengan memindahkan lagi variabel lainnya yang hendak dikalikan (misal X). Untuk membuat data perkalian. Berdasarkan data yang tertera di atas.

5489 253.3776 241.5396 112.97 13.1009 245.9396 207.0724 146.22 X12 170.6681 157.5584 83.3 12.6456 183.8304 106.1161 252.8667 198.81 13.1281 256.478 142.33 260.2084 194. maka angka-angka tersebut dapat secara langsung dimasukkan ke dalam rumus I.6329 3871.22 13.14 10.8025 229.9169 198.5636 190.04 12.2644 221.6 10.47 12.0416 149.51 10.08 13.42 15.48 10.525 Y2 68.2464 176.28 9.48 10.19 15.93 13.398 Setelah mendapatkan hitungan-hitungan hasil pengembangan data.8046 171.39 14.4164 172.89 167.7904 101.2234 148.13 324.49 X1 13.55 15. sebagai berikut: Mencari nilai b: b= n ( ∑ XY ) − ( ∑ X )( ∑Y ) n (∑ X ) − (∑ X ) 2 2 43 .1849 131.58 13.8256 220.3969 4800.0449 184.67 15.2354 187.55 14.3184 135.Observasi Jan 01 Peb 01 Mar 01 Apr 01 Mei 01 Jun 01 Jul 01 Agu 01 Sep 01 Okt 01 Nop 01 Des 01 Jan 02 Peb 02 Mar 02 Apr 02 Mei 02 Jun 02 Jul 02 Agu 02 Sep 02 Okt 02 Jumlah Y 8.85 14.6404 262.62 10.1368 126.36 109.97 15.4598 240.91 12.2601 155.23 13.05 10.5009 166.0721 224.91 16.48 XY 108.11 13.0025 112.5729 169.658 142.88 15.8182 203.9364 228.1744 248.5025 207.911 147.1641 196.9329 151.815 196.76 15.3977 206.7161 195.7641 262.4601 117.01 12.4355 233.0831 203.03 14.9008 206.13 14.06 13.82 12.21 16.0188 170.7844 110.6521 170.7089 3148.8409 199.5225 202.1609 190.16 14.3614 144.02 16.79 14.93 11.14 14.

22 ) 22 260 .871 .398 ) − ( 324 .49 − 470 . bahwa nilai a dan b dapat pula dicari dengan menggunakan rumus kedua.022 22 = = a = -9. Demikian pula.6 8 0 1 0 15 1 04 714 .525 ) − ( 324 .6922 492 .Langkah yang dapat dilakukan dicontohkan sebagai berikut: 44 .22 )( 260 . agar dapat secara langsung menggunakan rumus II ini.49 ) 22 ( 4.800 .0 7 5 7 6 8 5 68 1 5 . Mencari nilai a: Y −b.7 − 4 . perlu menghitung dulu komponen-komponen rumus. karena rumus pencarian a terkait dengan nilai b.4 6 .49 −1.9916 b = 1.4497 dengan diketahuinya nilai b.b= = = 22 ( 3.4497 (324 .6 1 .1 8 . maka nilai a juga dapat ditentukan.6 − 0 .1 0 . ∑ X a= ∑ n 260 .22 ) 2 8 .5241 Seperti telah dijelaskan di atas.

41 ∑y 2 = 3148.22 −260 .49 ) 22 45 .49 2 22 = 3148. menggunakan rumus kedua: b= ∑xy ∑x 2 Dari rumus di atas.53 2 324 .53 – 4778.16 xy ∑ = 3871.Mencari nilai b.48 - 260 .48 – 3084. kita perlu menemukan dulu nilai dari xy x ∑ atau ∑ 2 yang dapat dilakukan dengan rumusrumus sebagai berikut: ∑x ∑y 2 =∑X 2 −(∑X ) / n 2 2 2 =∑ 2 −(∑ ) / n Y Y −(∑ ∑ ) / n X Y xy X ∑ =∑ Y maka: x ∑ = 4800.32 = 64.40 - (324 .12 = 22.22 2 22 = 4800.

= 3871. maka nilai b dapat ditentukan.4498.4497. mencari a dan b dengan rumus I ataupun rumus II akan menghasilkan nilai yang sama.49 Dengan diketahuinya. Perbedaan ini sifatnya tidak tidak substansial.40 – 3838.3661 a= -9.5256 dan b = 1. yaitu: b= 32 . Sedangkan hasil penghitungan dengan rumus II.4498 Dengan diketahuinya nilai b.4498 x 14.91 = 32.7373) = 11. 46 .8405 – (1. Pada penghitungan rumus I nilai a = –9.5256 Hasil pencarian nilai a dan b dengan menggunakan rumus I dan II didapati angka yang cenderung sama.8405 – 21.49 22 . Tampak bahwa hingga dua angka di belakang koma tidak terdapat perbedaan.41 = 1. nilai-nilai tersebut.5241 dan b = 1. maka nilai a juga dapat dicari dengan rumus sebagai berikut: a= − X Y b = 11. Dengan demikian dapat disimpulkan bahwa. sedangkan tiga angka di belakang koma mulai ada perbedaan. karena munculnya perbedaan itu sendiri akibat dari pembulatan. nilai a = -9.

Nilai a dan b akan tertera dalam output berjudul Coefficient. pilih linear.Bantuan dengan SPSS Nilai a dan b dapat dilakukan dengan melalui bantuan SPSS. SPSS akan menunjukkan hasilnya. Caranya: Klik Analize. kemudian klik OK. 47 . masukkan variabel Y ke dalam kotak Dependent Variable (caranya pilih variabel Y dan pindahkan dengan klik pada segitiga hitam). pindahkan variabel X ke kotak Independent Variable. pilih regression.

734 Adjusted R Square .9236 a. Predictors: (Constant). Error of the Estimate .Output Model Summary Model 1 R R Square .857 a . X1 48 .721 Std.

Itu disebabkan adanya penghitungan pembulatan. nilai a dan b besar kemungkinannya tidak merupakan nilai yang sebenarnya. jika asumsi tidak terpenuhi.1 0 1 R e s id u a l 1 7 .19 5 .8 57 M o de l 1 (Con stan t) X1 t -3.8 5 3 F 5 5 .00 0 a . P re d ic to rs : (C o n s ta n t).0 0 0 C o e ffic ie na ts Stan da rdi zed Un stan da rd ized C oe fficie n C o efficien ts ts B Std.2 2 0 S ig . namun nilai a dan b baru dapat dikatakan valid (tidak bias)13 apabila telah memenuhi beberapa asumsi. . Dikatakan demikian sebab. 49 . Meskipun nilai a dan b dapat dicari dengan menggunakan rumus tersebut.A N O Vb A Sum of M odel S q u a re s 1 R e g re s s io n 4 7 .5 27 2 . a . X 1 b .4 50 .8 82 1. yang terkenal dengan 13 Tidak bias artinya nilai a atau nilai b yang sebenarnya.1 0 1 . Erro r Beta -9. D e p e n d e n t V a ria b le : Y df 1 20 21 M e a n S q u a re 4 7 .0 5 9 T o ta l 6 4 .00 4 .1 6 0 a . D e pe nd en t Varia ble: Y Catatan: Hasil penghitungan manual dan SPSS tampaknya ada perbedaan dalam desimal.3 0 5 7.4 3 1 Sig .

Lihat Supranto (1983:73).sebutan asumsi klasik. baku. 50 . Nilai nol dalam asumsi ini menjelaskan bahwa antara ei dan ej tidak ada korelasi serial atau tida berkorelasi (autocorrelation). Prinsip-prinsip Metode OLS 14 Disebut klasik karena penemuannya pada jaman klasic (classic era). general). mempunyai nilai nol. 3).14 Asumsi-asumsi yang harus dipenuhi dalam OLS ada 3 asumsi. i ≠ j Autokorelasi Var (Yi/Xi) = σ 2 Heteroskedas -tisitas Penjelasan asumsi-asumsi ini secara rinci akan dibahas pada bab tersendiri tentang Multikolinearitas. dan Heteroskedastisitas.3.2. Yj) = 0. dengan syarat X sebesar Xi. umum (classic. Kovarian ei dan ej mempunyai nilai nol. standard. Varian ei dan ej sama dengan simpangan baku (standar deviasi). 2). Asumsi nilai harapan bersyarat (conditional expected value) dari ei. ej) = 0. modelnya sering juga disebut sebagai model regresi klasik. i ≠ j Var (ei/Xi) = σ 2 dalam Dinyatakan dalam Y Digunakan untuk membahas E (Yi/Xi) = A + Bxi Multikolinearitas Kov (Yi . Autokorelasi. yaitu: 1). di atas diringkas sebagai berikut: Asumsi 1 2 3 Dinyatakan E E (ei/Xi) = 0 Kov (ei . Asumsi 1.

Analisis dilakukan dengan regresi. Semakin rendah nilai b. ada data yang tepat berada pada garis regresi. atau sering pula disebut dengan istilah kesalahan pengganggu. Garis regresi ini merupakan representasi dari bentuk arah data yang diteliti. Nilai b atau disebut koefisien regresi berfungsi untuk menentukan tingkat kemiringan garis regresi. 2. yang berfungsi sebagai Y perkiraan. Perlu diingat. bahwa dalam setiap data tentu mempunyai lokus sebaran yang berbeda dengan yang lainnya. Hasil regresi akan menghasilkan garis regresi. Data yang tidak berada tepat pada garis regresi akan memunculkan nilai residual yang biasa disimbulkan dengan ei. tetapi ada pula yang tidak berada pada garis regresi. Sedangkan data disimbolkan dengan Y saja. Untuk data yang tepat berada pada garis maka nilai ˆ Y sama dengan Y . Garis regresi ˆ disimbolkan dengan Y (baca: Y topi. Nilai a dalam garis regresi digunakan untuk menentukan letak titik potong garis pada sumbu Y. maka derajat kemiringan garis regresi 51 .Perlu diketahui bahwa dalam metode OLS terdapat prinsip-prinsip antara lain: 1. dan e (error). apabila nilai a < 0 maka titik potongnya akan berada di bawah origin (0). yaitu analisis untuk menentukan hubungan pengaruh antara variabel bebas terhadap variabel terikat. oleh karena itu dilakukan dengan cara matematis. Jika nilai a > 0 maka letak titik potong garis regresi pada sumbu Y akan berada di atas origin (0). Regresi sendiri akan menghitung nilai a. b. atau Y cap).

525. Tanda positif pada parameter b 52 . . karena nilai b > 1. Dengan menggunakan hasil hitungan pada data di atas. didapatkan dari memasukkan angka Xi ke dalam persamaan Yi = a + bXi +e. X ˆ Munculnya garis Yi = a + bX i seperti dalam gambar di atas. setiap perubahan nilai X akan diikuti perubahan yang lebih besar pada nilai Y. .449 X i 9 Karena nilai a dalam garis regresi bertanda negatif (-) dengan angka 9.525. Sebaliknya.525 +1.449 menunjukkan arti bahwa variabel X tersebut tergolong elastis. . maka derajat kemiringan garis regresi terhadap sumbu X semakin tinggi. Nilai parameter b variabel X yang besarnya 1. Artinya. ˆ maka garis Yi = a + bX i besarnya adalah: ˆ Yi = − . X1 a 0 b . e . e . maka garis regresi akan memotong sumbu Y dibawah origin (0) pada angka – 9.terhadap sumbu X semakin rendah pula. Gambaran uraian di atas dapat dilihat pada gambar berikut: Y ˆ Yi = a + bX i Y1 . o . . . . semakin tinggi nilai b.

Ingat Elastisitas Jenis Elastisitas Elastik Elastik Unitary Inelastik Koefisien Elastisitas E>1 E=1 E<1 Sifat Elastisitas Perubahan yang terjadi pada variabel bebas diikuti dengan perubahan yang lebih besar pada variabel terikat Perubahan yang terjadi pada variabel bebas diikuti dengan perubahan yang sama besar pada variabel terikat Perubahan yang terjadi pada variabel bebas diikuti dengan perubahan yang lebih kecil pada variabel terikat Tanda (+) pada koefisien regresi menunjukkan hubungan yang searah. jika variabel bebas meningkat.tersebut menunjukkan bahwa jika variabel X meningkat maka Y juga akan meningkat. Artinya. jika X mengalami perubahan yang menurun. maka variabel terikat juga meningkat.449. Menguji Signifikansi Parameter Penduga 53 . Tanda (-) pada koefisien regresi menunjukkan hubungan yang berlawanan. Sebaliknya. Demikian pula sebaliknya. maka variabel terikat akan menurun. maka Y juga akan menurun. jika variabel bebas meningkat. Demikian pula sebaliknya. Artinya. dengan perbandingan perubahan 1:1.

Apabila nilai statistik t lebih besar dibandingkan dengan nilai t tabel. Pengujian signifikansi secara individual pertama kali dikembangkan oleh R. Hanya saja untuk pengujian secara bersama-sama menggunakan alat uji pembandingan nilai F. Metode dengan membandingkan antara nilai statistik (nilai hitung) dengan nilai tabel seperti itu digunakan pula pada pengujian signifikansi secara serentak atau secara bersama-sama. yaitu: 1) pengaruh secara individual. Oleh karena itu disebut sebagai uji signifikansi secara individual. dan 2) pengaruh secara bersama-sama. Pengujian signifikansi variabel X dalam mempengaruhi Y dapat dibedakan menjadi dua. jika nilai statistik t lebih kecil dibanding dengan nilai t tabel. Jika hanya menguji signifikansi satu variabel bebas saja.Seperti dijelaskan di muka. Fisher. tetapi juga digunakan pula untuk menguji tingkat signifikansi dari variabel X dalam mempengaruhi Y. yaitu: variabel yang disimbolkan dengan Y (yang terletak di sebelah kiri tanda persamaan) disebut dengan variabel terikat (dependent variable). maka yang digunakan adalah uji t. Sedangkan 54 .A. Variabel yang disimbolkan dengan X (disebelah kanan tanda persamaan) disebut dengan variabel bebas (independent variable). Sebaliknya. Hal mendasar yang membedakan antara penggunaan uji t dan uji F terletak pada jumlah variabel bebas yang diuji signifikansinya dalam mempengaruhi Y. dengan alat ujinya menggunakan pembandingan nilai statistik t dengan nilai t tabel. maka variabel X dinyatakan signifikan mempengaruhi Y. Hal Pengujian ini dikembangkan oleh Neyman dan Pearson. maka variabel X dinyatakan tidak signifikan mempengaruhi Y. Utamanya metode OLS ditujukan tidak hanya menghitung berapa besarnya a atau b saja. dalam persamaan fungsi regresi OLS variabelnya terbagi menjadi dua.

Pembandingan antara uji t dan uji F Hal yang dibandingkan Penemu Signifikan Tidak signifikan Pengujian Banyaknya variabel Uji t Untuk menguji hipotesis bahwa b secara statistik signifikan.A. Berbagai software komputer telah banyak yang melakukan penghitungan secara otomatis. perlu terlebih dulu menghitung standar error atau standar deviasi dari b. Namun perlu bagi kita untuk mengetahui formula dari standar error dari b. maka alat ujinya adalah menggunakan uji F. Pearson F hitung > F tabel F hitung < F tabel Serentak Lebih dari satu ∑ (Y − Yˆ ) ( n − k )∑ ( X − X ) 2 t t t 2 t t 2 Atau dapat ditulis pula dengan rumus sebagai berikut: ∑e Sb = ( n − k )∑( X −X) 2 55 . 2. yang ternyata telah dirumuskan sebagai berikut: Sb = Uji t R. Sebagai perbandingan antara penggunaan uji t dan uji F dapat dilihat pada tabel berikut: Tabel. tergantung permintaan dari user. Fisher t hitung > t tabel t hitung < t tabel Individual Satu Uji F Neyman.pengujian signifikansi yang menggunakan lebih dari satu variabel bebas yang diuji secara bersama-sama dalam mempengaruhi Y.

baik pada tabel Coefficient maupun ANOVA menunjukkan tingkat signifikansi pada derajat kesalahan (α ) tertentu.01 maka angka tersebut tidak signifikan.05. • Uji F dapat dilihat dalam output hasil regresi dengan SPSS pada tabel ANOVA. • Kolom Sig. Tetapi jika α ditentukan 0.04 itu berarti bahwa tingkat kesalahannya mencapai 4%. Bantuan dengan SPSS • Uji t dapat dilihat dalam output hasil regresi dengan SPSS pada tabel Coefficient. menunjukkan angka 0. Guna menghitung standar deviasi dari data yang tersedia berdasar rumus di atas. kolom Sig. Dengan demikian tabel data ˆ akan menghasilkan kolom Yt sebagaimana tertera pada tabel di bawah ini. maka diperlukan ˆ menghitung nilai Yt terlebih dulu. Caranya adalah memasukkan nilai X ke dalam hasil regresi yang di hasilkan di atas. . untuk ˆ mempermudah penghitungan e atau Yt −Yt . Angka sebesar itu dapat dikatakan signifikan jika derajat kesalahan (α ) telah 56 ditentukan sebesar 0. Misal.Dimana: Yt dan Xt adalah data variabel dependen dan independen pada periode t ˆ Yt adalah nilai variabel dependen pada periode t yang didapat dari perkiraan garis regresi X merupakan nilai tengah (mean) dari variabel independen ˆ e atau Yt −Yt merupakan error term n adalah jumlah data observasi k adalah jumlah perkiraan koefisien regresi yang meliputi a dan b (n-k) disebut juga dengan degrees of freedom (df).

36 0.68 -0.30 1.632 2.90 0.752 0.19 15.279 2.42 15.076 -0.546 13.51 10.04 12.81 0.431 0.279 1.48 10.14 1.002 0.458 12.342 12.024 12.55 14.27 57 .628 0.113 0.095 ˆ Y ˆ ˆ (Y −Y ) (Y −Y ) ( X − X ) ( X − X ) 2 2 -1.157 0.97 13.93 1.133 -1.223 0.95 -0.23 13.21 16.11 13.82 12.28 9.39 14.64 2.79 14.93 -0.472 -0.12 0.71 -0.18 0.01 0.820 10.183 13.188 -1.092 -1.795 -1.85 14.468 1.3 12.42 0.05 0.37 1.952 13.131 1.23 0.009 11.361 -0.699 0.277 0.62 10.328 13.076 0.705 13.17 1.16 14.566 0.82 0.14 10.04 0.046 0.86 1.13 14.77 -0.219 2.91 16.035 1.59 0.50 0.45 1.01 12.528 -1.35 0.86 0.08 13.52 2.06 13.76 15.93 11.11 -0.198 13.979 11.66 0.14 14.001 1.02 16.733 10.81 13.22 Y 8.013 0.60 -0.650 0.047 -0.28 1.981 13.472 10.55 15.88 15.47 12.03 14.001 0.038 0.045 1.Tabel pengembangan data untuk menghitung Standar Deviasi X1 13.16 2.97 15.413 10.851 0.05 9.47 1.502 13.67 15.885 0.284 1.501 10.10 1.91 12.000 1.02 0.

06 0.61 -0. dimana hasilnya ditemukan sebesar: Sb = = 17 .101 0.2 = 0.41 Dengan adanya pengembangan data menjadi seperti tertera pada tabel di atas.195 Selain dicari dengan rumus seperti di atas.22 10.49 10.075 0.59 22.816 -0.6 10.313 0.675 10.16 -1.33 260.167 9.66 1. maka perlu terlebih dulu mencari nilai S e2 yang dapat dicari dengan membagi nilai total ei2 dengan n-2.81 -1.58 13.06 448 .41 ) 17 . Sb dapat pula dicari melalui jalan lain dengan rumus yang dapat dituliskan sebagai berikut: Sb = 2 se ∑ xi2 Bila kita hendak menggunakan rumus ini.06 20 ( 22 .665 17. tentu terlebih dulu harus mencari nilai total ei2 yang dapat dicari melalui rumus berikut ini: 58 .13.006 0.060 -0.48 10.35 2.591 -0.098 0.13 324. Jadi S e2 dapat dicari dengan rumus sebagai berikut: 2 se = ∑e 2 i n −2 Agar rumus ini dapat langsung digunakan. maka Sb dapat segera dicari.515 260.93 13.

yaitu: ei2 = 64.8528 Karena nilai s e2 merupakan salah satu komponen untuk mencari nilai Sb.Rumus mencari nilai total ∑ei2 = ∑ y i2 − b 2 ∑xi2 ei2 : Dengan memasukkan nilai komponen rumus yang telah didapatkan melalui hitungan-hitungan terdahulu. yaitu: 59 .41) = 64.1019 (22. Dengan diketemukannya nilai ei2 ini maka nilai s e2 pun dapat diketahui melalui hitungan sebagai berikut: 2 se = ∑e 2 i n −2 = = 17 .8528 tentu saja nilai Sb pun dapat diketahui.056. maka dengan ditemukannya nilai 2 s e sebesar 0.056 20 = 0.16 – 47. maka nilai ei2 dapat diketahui.056 Hitungan di atas telah memastikan bahwa nilai ei2 adalah sebesar 17.056 22 −2 17 .1040 = 17.16 – 2.

Angka tersebut umumnya disebut pula sebagai nilai t hitung. karena rumus mencari t hitung adalah: t= b sb Jadi.195 Hitungan dengan rumus ini ternyata menghasilkan nilai Sb yang sama besar dengan hitungan menggunakan rumus yang pertama.4348 Penghitungan nilai t dengan cara yang dilakukan di atas. nilai t hitung variabel X adalah sebesar: t = 1.Sb = 2 se ∑ xi2 = 0. Nilai t tabel sebenarnya telah ditentukan pada tabel t student yang telah ditetapkan oleh para penemunya.195 = 7. yaitu nilai Sb sebesar 0.4498 0.8528 22 . Dengan diketahuinya nilai Sb.4348.195.41 = 0. Cara menentukan signifikan tidaknya nilai t tersebut adalah melalui pembandingan antara nilai t hitung dengan nilai t tabel. maka nilai statistik t (baca: t hitung) dapat ditentukan. Besarnya angka t hitung ini yang menentukan signifikan tidaknya variabel X dalam mempengaruhi variabel Y. menunjukkan bahwa nilai statistik t sebesar 7. 60 .

seandainya kita menggunakan derajat kesalahan yang ditolerir adalah 5 % (baca: α = 0. maka signifikan. (Lihat data t tabel di halaman lampiran). maka nilai t tabelnya adalah sebesar 1. sudah tentu angka tersebut lebih kecil dibanding dengan nilai t hitung yang besarnya 7.05).Karena untuk menentukan signifikan tidaknya nilai t hitung adalah melalui upaya membandingkan dengan nilai t tabel.4348.725. Jika nilai t hitung < t tabel. maka degree of freedom (df) sama dengan sebesar nk = 20. yaitu 1 parameter a dan 1 parameter b. karena jumlah k adalah 2. Nilai t tabel yang besarnya 2.086. maka dapat diketahui bahwa. Dengan menggunakan contoh data di atas. jika nilai t hitung > t tabel. Atas dasar itu dapat dipastikan bahwa variabel X (budep) signifikan mempengaruhi Y (inflasi). Gambaran pengujian nilai t dapat disimak melalui gambar di bawah ini: Daerah diterima Daerah Ditolak Daerah Ditolak 61 . dan karena jumlah observasi adalah sebanyak 22 (baca: n=22). maka tidak signifikan.

Tanda -t α /2 atau t α /2 memberikan arti bahwa masing-masing kutub mempunyai daerah distribusi tolak sebesar 2. (n-k-1) -1.1. sedang bila nilai t hitungnya positif. maka daerah tolak hanya ada pada salah satu kutub saja.3. Kutub sebelah kanan yang bertanda positif berguna sebagai pembatas nilai t hitung yang lebih kecil dari 1. tetapi telah penuh sebesar 5%. Interpretasi yang dimaksudkan disini adalah mengetahui informasi-informasi yang terkandung dalam hasil regresi melalui pengartian dari angka-angka parameternya. Jumlah dari keduanya mencerminkan α = 5%. Jika pengujian nilai t menggunakan pengujian satu arah atau one tail test. Bilai nilai t hitungnya negatif. Probabilitas daerah tolak tidak lagi terbagi menjadi dua dengan porsi masing-masing 2. Daerah Uji t t α /2. 62 .725 Gb. Kutub sebelah kiri bertanda negatif.5%. Nilai t hitung bertanda negatif yang nilainya lebih kecil dari nilai –2. langkah terpenting berikutnya adalah menginterpretasi hasil regresi.806 berada pada daerah ditolak.1) -t α /2. maka daerah tolak berada pada sebelah kiri kurva.725 Gambar di atas menunjukkan pengujian nilai t dua arah atau two sided atau two tail test.5%. (n-k1. Interpretasi Hasil regresi Setelah tahapan analisis regresi dilakukan sesuai dengan teori-teori yang relevan. Dengan mengambil hitungan dari contoh kasus di atas.725 berarti berada di daerah tolak. maka daerah tolak berada pada sisi sebelah kanan.

Artinya. pada α =5% dengan d.725. b. dan t. sedangkan nilai b mencerminkan tingkat elastisitas variabel X.4498%.maka hasil analisis regresi atas pengaruh variabel suku bunga (Budep) (X) terhadap tingkat inflasi di Indonesia selama 22 bulan mulai dari Januari 2001 hingga Oktober 2002 (Inflasi) (Y) dapat ditulis dalam persamaan sebagai berikut: Inflasi = -9. Karena nilai b (1. Nilai a menjelaskan tentang seberapa besar faktor-faktor yang bersifat tetap mempengaruhi inflasi.4498%.4498) lebih besar dari angka 1 (satu). Sebaliknya. Nilai b Budep yang besarnya 1. Terbukti dari nilai thit variabel Budep sebesar 7. E<1 = inelastis.4348 lebih besar dibanding nilai ttabel. yang besarnya 1. E=1 =uniter elastis. besarnya tingkat perubahan yang terjadi pada Budep akan mengakibatkan tingkat perubahan yang lebih besar pada variabel Y (Inflasi).5256 + 1.4498 menginformasikan bahwa setiap Budep meningkat 1%. 63 .4498 Budep + e thit = (7.f. maka Inflasi akan mengalami peningkatan sebesar 1. sebanyak 20. apabila Budep turun sebesar 1% maka Inflasi juga akan mengalami penurunan sebesar 1. Koefisien Determinasi (R2) Pembahasan hasil regresi di atas menunjukkan seberapa besar nilai a. maka dapat dipastikan bahwa variabel Budep sangat elastis15.4348) Persamaan di atas menginformasikan bahwa variabel Budep signifikan mempengaruhi variabel Inflasi. Nilai t sendiri mempertegas 15 Standar elastisitas dapat diketahui dari: jika E>1 = elastis. Perlu diingat bahwa nilai b juga mencerminkan tingkat elastisitas variabel X.

Untuk menentukan koefisien determinasi (R2) pada regresi linier sederhana. Dengan kalimat lain dapat dijelaskan bahwa koefisien determinasi (R2) adalah angka yang menunjukkan proporsi variabel dependen yang dijelaskan oleh variasi variabel independen. dapat dihitung dengan rumus sebagai berikut: 64 . Sebagai ilustrasi. seandainya Y (inflasi) diibaratkan dengan gelas. Nilai yang mendekati angka 1 (satu) menunjukkan variabel-variabel independen memuat hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen. Artinya.signifikan tidaknya variabel X dalam mempengaruhi Y. maka perlu dilakukan penghitungan koefisien determinasi. Nilai R2 yang mendekati 0 (nol) menunjukkan kemampuan variabel-variabel independen dalam menjelaskan variasi variabel dependen amat terbatas. atau seberapa besar pengaruh X (Budep) terhadap Y (Inflasi). Koefisien determinasi (R2) pada intinya mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel terikat. Untuk memperoleh keterangan banyaknya isi (air) yang ada dalam gelas. dapat digunakan sebagai ukuran ketepatan dalam menentukan prediktor. yang biasa disimbolkan dengan R2 (baca: R square). Juga. Dari beberapa nilai yang didapatkan tersebut. maka hitungan-hitungan yang dilakukan di atas belum mampu memberikan informasi tentang seberapa banyak air yang ada dalam gelas tersebut. belum diperoleh keterangan tentang berapa besar pengaruh X (budep) terhadap Y (inflasi). R2 menunjukkan seberapa besar sumbangan X terhadap Y. dan variabel X (Budep) sebagai air. Besarnya nilai koefisien determinasi adalah di antara nol dan satu (0<R2<1).

4% dari gelas tersebut.22 ) R2 =     22 (3. • R2 (baca: R square) atau koefisien determinasi dapat sumbangan faktor-faktor lain (selain Budep) terhadap dilihat dalam output hasil regresi dengan SPSS dapat Inflasi hanya sebesar 14.22 ( 260 . Artinya. Angka tersebut menjelaskan bahwa Bantuan dengan SPSS variabel Bunga deposito determinasi atau sumbangan (budep) terhadap inflasi adalah sebesar 87. Terkait dengan angka 0.73    834 .800 .857 ini bila ditulis dalam bentuk prosentase sama dengan 85. maka akan menghasilkan nilai sebagai berikut: R2 =     [22 (4.857 Angka koefisien determinasi (R2) yang besarnya 0.06 ] 714 .49 ) 2 ] [22 (3. R =    2 [n ∑ X n ∑ XY − ∑ X ∑ Y 2 − (∑ X ) 2 ] [ n ∑Y 2 − ( ∑Y ) 2 ]     Rumus ini jika digunakan untuk menghitung data yang telah tersedia di atas.7%.53 ) −(324 .734 baik untuk menaksir Inflasi.5%.2 x 3 . variabel terikat (Y) adalah gelasnya dan air adalah variabel bebasnya (X). 65 .4) −324 .5  2 0 7 7  R2 =  714 .3%.411 .734 maka air dalam gelas adalah sebanyak 73.48 ) −( 260 .73 =   7 4 .7 1 3   2 .52 ]       [493 . menunjukkan arti bahwa determinasi dari variabel bebas terhadap variabel terikat adalah sebesar 73.49 ) 2 ]   [1.148 .871 . disimpulkan bahwa Budep merupakan prediktor yang • Misalkan angka R2 menunjukkan angka 0. Dengan demikian pada tabel model summary.05  = 0.4%. • Ibarat air dalam gelas.

Meskipun hasil regresi seperti tertera pada persamaan di atas telah dapat diinterpretasi. yaitu jika data variabel telah terbebas dari masalah Autokorelasi. Tetapi. memang analisis regresi dapat berhenti di sini saja. tidak ada indikasi adanya heteroskedastisitas. Validitas (ketidakbiasan) informasi dari nilai-nilai hasil regresi dapat diketahui dari terpenuhinya asumsi-asumsi klasik. Hasil regresi di atas masih perlu dipastikan apakah besarnya nilai thit ataupun angka-angka parameter telah valid ataukah masih bias. dan dapat menunjukkan inti tujuan analisis regresi. namun bukan berarti bahwa tahapan analisis telah selesai hingga di sini. 66 . jika nilai-nilai belum dapat dipastikan valid. maka perlu dilakukan langkah-langkah analisis lanjutan untuk menjadikan parameter-parameter tersebut menjadi valid. Bahasan Asumsi Klasik akan dibahas tersendiri. Jika nilai-nilai tersebut sudah dapat dipastikan valid atau tidak bias. maupun tidak terjadi multikolinearitas atau saling berkolinear antar variabel.Analisis regresi pada dasarnya adalah menjelaskan berapa besar pengaruh tingkat signifikansi variabel independen dalam mempengaruhi variabel dependen.

Jelaskan kegunaan standar error Sb! g. Coba uraikan arti dari notasi atas model yang telah anda tuliskan! d. Cobalah untuk menyimpulkan maksud dari uraian bab ini! 3. Jelaskan Apa yang dimaksud dengan koefisien determinasi! BAB IV REGRESI LINIER BERGANDA 67 . Coba uraikan bagaimana menentukan nilai t yang signifikan! i. Coba tuliskan model regresi linier sederhana! c. Buatlah rangkuman dari pembahasan di atas! 2. Jawablah pertanyaan-pertanyaan di bawah ini: a. Coba jelaskan apa yang dimaksud dengan regresi linier sederhana! b.-000Tugas: 1. Jelaskan informasi apa yang dapat diungkap pada konstanta! e. Jelaskan kegunaan nilai t! h. Jelaskan informasi apa yang dapat diungkap pada koefisien regresi! f.

Pada bab ini jumlah variabel yang digunakan akan ditambah 68 .Tujuan Pengajaran: Setelah mempelajari bab ini. anda diharapkan dapat: Mengetahui kegunaan dan spesifikasi model Menjelaskan hubungan antar variabel Mengaitkan data yang relevan dengan teori Mengembangkan data Menghitung nilai parameter Mengetahui arti dan fungsi parameter Menentukan signifikan tidaknya variabel bebas Menentukan determinasi model Menjelaskan tahapan-tahapan regresi Membaca hasil regresi Menyebutkan asumsi-asumsi. Membedakan dengan regresi linier sederhana BAB IV REGRESI LINIER BERGANDA Pengertian Regresi linier Berganda Pada bab sebelumnya telah dibahas tentang regresi linier dengan 2 (dua) variabel (yaitu variabel Y dan X) atau biasa disebut dengan single linier regression.

Sebagai misal. Jumlah X yang lebih dari satu tersebut terkenal dengan istilah Regresi Linier Berganda atau multiple linier regression. atau bisa juga disebabkan oleh adanya perubahan nilai tukar mata uang juga. jumlah uang beredar. gerakan lonjakan inflasi ternyata terjadi pula pada gerakan lonjakan nilai tukar rupiah (IDR) terhadap dollar Amerika Serikat (USD). Seperti yang pernah terjadi di Indonesia dalam kurun waktu pertengahan Juni 1997 hingga 2003. Inflasi jenis ini terjadi akibat melonjaknya harga-harga faktor produksi. Dari uraian singkat ini dapat disimpulkan 69 . inflasi dapat digolongkan sebagai inflasi karena tarikan permintaan dan inflasi desakan biaya. dan lain-lain.menjadi lebih banyak. semakin mahalnya ongkos transportasi. Artinya. variabel X bisa berjumlah 2. 3. kelangkaan barang. munculnya inflasi tentu tidak hanya dipengaruhi oleh bunga deposito (budep) saja seperti yang telah diterangkan di atas. karena dalam keilmuan sosial semua faktor-vaktor atau variabel-variabel saling berkaitan satu dengan lainnya. tuntutan kenaikan gaji pekerja. Selain itu dapat pula disebabkan ekspektasi masyarakat akibat adanya perubahan nilai tukar uang. Sebagaimana dalam teori inflasi. tetapi sangat mungkin dipengaruhi oleh faktor lain seperti perubahan nilai tukar (kurs). Kalau ditelusuri. Bertambahnya jumlah variabel X hingga lebih dari satu sangat memungkinkan. Inflasi tarikan permintaan terjadi apabila masyarakat banyak memegang uang. atau lebih. Inflasi desakan biaya mempunyai sebab yang hampir serupa. Tentu secara singkat dapat diartikan bahwa terdapat jumlah kelebihan jumlah uang beredar yang ada di masyarakat. melonjaknya hargaharga faktor produksi dapat disebabkan banyak hal seperti semakin langkanya jenis barang. yaitu satu variabel Y dan jumlah variabel X nya lebih dari 1 (satu) variabel.

14 14. pada kurun waktu yang sama dengan data sebelumnya yaitu antara Januari 2001 hingga Oktober 2002. dapat dicoba menambah satu variabel penduga (X2) yaitu Kurs. sedang inflasi tarikan permintaan disebabkan perubahan pada sisi demand. Karena jumlah variabel X tidak lagi satu melainkan sudah dua.11 13.82 12. maka analisa yang akan digunakan adalah analisa regresi linier berganda.05 10097.75 11291. Dengan bertambahnya variabel Kurs sebagai variabel penduga.91 70 .59 9288.7 11074.39 14.01 12.81 13.25 9633. maka data yang dianalisis pun bertambah hingga menjadi sebagai berikut: X1 (Budep) 13.28 9.03 14.57 8956.91 Y (Inflasi) 8.78 10204.06 13.67 15.97 13.3 10883.14 10.62 10.97 15.47 X2 (Kurs) 9433. yang menggambarkan nilai tukar IDR terhadap USD.79 14.bahwa pemicu terjadinya inflasi desakan biaya karena perubahan pada sisi supply.23 13.19 11294. maka untuk semakin memperjelas perihal terjadinya inflasi.04 12.51 10. Berbagai alasan yang dijelaskan di atas.

6 10.3 12.82 9115. tetapi dalam regresi linier berganda variabel X lebih dari satu.85 14.65 8964.86 10269.91 12.58 13.7 8928.48 10.19 15.55 15.16 14.73 216816.49 10554. meliputi: 1) jumlah variabel penjelasnya bertambah. Model Regresi Linier Berganda Penulisan model regresi linier berganda merupakan pengembangan dari model regresi linier tunggal.48 10.08 13.55 14.76 15. sehingga spesifikasi model dan data terjadi penambahan. Dalam regresi linier tunggal hanya satu X.02 16.93 13.16.88 15. Perbedaannya hanya terdapat pada jumlah variabel X saja.13 324.42 9914. 2) rumus penghitungan nilai b mengalami perubahan.7 Perubahan model dari bentuk single ke dalam bentuk multiple mengalami beberapa perubahan.22 12.05 10. Model regresi linier umumnya dituliskan sebagai berikut: Populasi: BnXn + e Y = A + B1X1 + B2X2 + B3X3 + ………+ 71 .41 8954.26 9485.82 10237.13 14.21 16.43 9151. 3) jumlah degree of freedom dalam menentukan nilai t juga berubah.05 8688.22 13.42 10393.33 260.93 11.42 15.

16 G. Vol. Apabila kita ingin menganalisis pengaruh Budep dan Kurs terhadap Inflasi dengan mengacu model Yale.79. Yale.3X2i + B13.U. 17 Penulisan model seperti ini ditemui pula dalam buku-buku karya Gujarati 72 .23 + b12. Penulisan cara di atas adalah bentuk model yang sering dijumpai dalam beberapa literatur.2X3i + e Y = b1.2X3i + e Notasi model Yale ini mempunyai spesifikasi dalam menandai variabel terikat yang selalu dengan angka 1. 3. Treated by a new System of Notation. maka notasi model menjadi seperti berikut: Populasi: Sampel : Y = B1. 1970. Notasi model seperti itu tentu berbeda dengan notasi model Yale16.23 berarti nilai perkiraan Y kalau X2 dan X3 masing-masing sama dengan 0 (nol). 4. Preceeding of Royal Society.23 + B12. dan seterusnya. Untuk variabel bebas notasinya dimulai dari angka 2. Notasi b12.17 Notasi b1. Hal ini dapat dimengerti karena penulisan model sendiri hanya bertujuan sebagai teknik anotasi untuk memudahkan interpretasi.3 berarti besarnya pengaruh X2 terhadap Y jika X3 tetap.3X2i + b13. On the Theory of Correlation for any Number of Variables.Atau BnXn + e Sampel : +e Atau nXn + e Y = B0 + B1X1 + B2X2 + B3X3 + ………+ Y = a + b1X1 + b 2X2 + b 3X3 + ………+ b nXn Y = b0 + b1X1 + b 2X2 + b 3X3 + ………+ b Perlu diingat bahwa penulisan model sangat beragam. A.

b1.... Penghitungan Nilai Parameter Penggunaan metode OLS dalam regresi linier berganda dimaksudkan untuk mendapatkan aturan dalam mengestimasi parameter yang tidak diketahui... Secara matematis.. Penulisan model dengan simbol Y untuk variabel dependen. maka notasi model dapat pula ditulis sebagai berikut: Inflasi = .f. fungsi minimalisasi sum of square ditunjukkan dalam rumus: e ∑2 (b0...b2) = ˆ ∑(Y − Y ) n =1 n 2 73 . Dengan pertimbangan tersebut maka cara ini nanti juga akan banyak digunakan dalam pembahasan selanjutnya..2 berarti besarnya pengaruh X3 terhadap Y jika X2 tetap. dan X untuk variabel independen... Berdasar pada keinginan mempermudah dalam mengingat variabel yang akan dibahas..... b0 + b1Budep + b2 Kurs + ε ( Pers.Notasi b13. .. Prinsip yang terkandung dalam OLS sendiri adalah untuk meminimalisasi perbedaan jumlah kuadrat kesalahan ˆ (sum of square) antara nilai observasi Y dengan Y ....... karena memberikan kemudahan bagi para pembacanya untuk tidak mengingatingat arti dari simbol X yang dituliskan. yang intinya untuk semakin memudahkan interpretasi.. tetapi cukup dengan melihat nama variabelnya......2) Penulisan dengan gaya seperti ini ternyata sekarang lebih disukai oleh penulis-penulis saat ini.. saat ini mulai ada penyederhanaan lagi..

sebagai berikut: ∂∑ 2 e ∂b0 2nb 0 + 2b1 ∑X 1 + 2b2 ∑X 2 − 2∑Y = = ∂∑ 2 e ∂b1 ∂∑ 2 e ∂b2 2b0 ∑X 1 + 2b1 ∑X 12 + 2b2 ∑X 1 X 2 − 2∑X 1Y 2 + 2b1 ∑X 1 X 2 +2b2 ∑X 2 − 2∑X 2Y = 2b0 ∑X 2 Jadikan nilai-nilai turunan parsial di atas menjadi sama dengan 0 (nol). dengan cara membagi dengan angka 2. b1.= ∑ (Y − b n =1 n 0 − b1 X 1 − b2 X 2 ) 2 Untuk mendapatkan estimasi least square b0. hingga menjadi: nb 0 + ∑X 1b1 + ∑X 2 b2 Y =∑ ∑X ∑X 1 b0 + ∑X 12 b1 + ∑X 1 X 2 b2 = ∑X 1Y 2 b0 + ∑X 1 X 2 b1 + ∑X 2 b2 = ∑X 2Y 2 Untuk menyederhanakan rumus paling atas dilakukan pembagian dengan n. dapat dilakukan melalui cara turunan parsial (partially differentiate) dari formula di atas. sehingga memperoleh rumus baru sebagai berikut: b0 + b1 X 1 + b2 X 2 = Y b0 = Y − b1 X 1 − b2 X 2 74 .b2 minimum.

meskipun X1 konstan.X2) yang berbeda. Perbedaan ini muncul karena jumlah variabel penjelasnya bertambah. Perubahan yang terjadi pada X1 atau X2 tentu mengakibatkan perubahan nilai harapan Y atau E(Y/X1. tetapi dalam multiple linier hal itu terjadi. Misalnya. meskipun X2 konstan. Begitu pula. akan mampu merubah nilai harapan dari Y. Dalam single linier kemungkinan perubahan variabel lain tidak terjadi. untuk mengetahui 75 . Begitu pula. Guna mengetahui seberapa besar kontribusi X1 terhadap perubahan Y.Kalau kita notasikan: y =Y −Y x1 = X 1 − X 1 x2 = X 2 − X 2 maka b1 dan b2 dapat dicari dengan rumus: 2 (∑x1 y )( ∑x 2 ) − (∑x 2 y )( ∑x1 x 2 ) 2 2 (∑x1 )( ∑x 2 ) − (∑x1 x 2 ) 2 b1 = b2 = 2 (∑x 2 y )( ∑x1 ) − (∑x1 y )( ∑x1 x 2 ) 2 2 (∑x1 )( ∑x 2 ) − (∑x1 x 2 ) 2 Telah dikemukaan di atas bahwa pencarian nilai b pada single linier berbeda dengan multiple linier. Semakin banyaknya variabel X ini maka kemungkinan-kemungkinan yang menjelaskan model juga mengalami pertambahan. Jika terjadi perubahan pada X1. Oleh karena itu pencarian nilai b mengalami perubahan. tentu perlu untuk melakukan kontrol pengaruh dari X2. perubahan pada X2. akan mampu merubah nilai harapan dari Y.

perlu ilustrasi secara konkrit agar mudah dipahami. Dari sini dapat timbul pertanyaan. maka dapat melakukan langkah-langkah sebagai berikut: Tahap pertama: lakukan regresi Y terhadap X2.Y Tahap kedua: lakukan regresi X1 terhadap X2 X1 = b0 + b2 X2 + e2 Dimana e1 merupakan residual. bagaimana caranya mengontrolnya? Untuk menjawabnya. yang besarnya: e2 = X1 – b0 – b2X2 ˆ = X1. Misalnya kita hendak mengontrol pengaruh linier X2 ketika melakukan pengukuran dampak dari perubahan X1 terhadap Y. yang besarnya: e1 = Y – b0 – b2X2 ˆ = Y.kontribusi X2. maka perlu juga melakukan kontrol terhadap X1.X Tahap ketiga: lakukan regresi e1 terhadap e2 e1 = a0 + a1e2 +e3 Besarnya a1 pada tahap ketiga inilah yang merupakan nilai pasti atau net effect dari perubahan satu 76 . Y = b0 + b2 X2 + e1 Dimana e1 merupakan residual.

Guna mempermudah dalam memasukkan angka-angka ke dalam rumus. maka nilai total masing-masing komponen rumus yang dikembangkan adalah tertera sebagai berikut: X1 Y X2 ∑x 2 1 ∑x 77 2 2 x ∑ 1 y ∑x 2 y ∑x 1 x2 . Dengan memanfaatkan data yang telah tersedia.unit X1 terhadap Y. maka data yang ada perlu diekstensifkan sesuai dengan kebutuhan rumus tersebut. atau menunjukkan kemiringan (slope) garis Y atas variabel X1. kita dapat pula menentukan nilai b1 variabel Budep maupun b2 variabel Kurs. Pencarian koefisien regresi tersebut dapat dilakukan dengan menggunakan rumus-rumus yang telah ditentukan di atas. Logika dari teori tersebut yang mendasari rumus yang dapat digunakan untuk menentukan koefisien regresi parsial (partial regression coefficients) (baca: b1. b2). Hasil ekstensifikasi dari beberapa rumus yang dicari sebagai berikut: ∑ x12 = ∑ X 12 − ∑x 2 2 (∑ X 1 ) 2 n (∑ X 2 ) 2 n = ∑X − 2 2 ∑x ∑x 1 y = (∑X 1Y ) − y = (∑ X 2Y ) − 2 (∑ X 1 )( ∑Y ) n (∑ X 2 )( ∑Y ) n (∑ X 1 )( ∑ X 2 ) n 2 ∑x x 1 = (∑ X 1 X 2 ) − Dengan menggunakan rumus-rumus tersebut di atas.

22 260.41)(14 . dan b2 dapat ditentukan.70 22.962 .227 .736 .21 −16 .318.503.227.205 .40 449 .72 Berdasarkan data-data yang tertera dalam tabel di atas. melalui pencarian menggunakan rumus-rumus sebagai berikut: Rumus untuk mencari nilai b1 (pada model multiple regression) adalah: b1= 2 (∑x1 y )( ∑x 2 ) − (∑x 2 y )( ∑x1 x 2 ) 2 2 (∑x1 )( ∑x 2 ) − (∑x1 x 2 ) 2 Rumus untuk mencari nilai b2 (pada model multiple regression) adalah: b2 = 2 (∑x 2 y )( ∑x1 ) − (∑x1 y )( ∑x1 x 2 ) 2 2 (∑x1 )( ∑x 2 ) − (∑x1 x 2 ) 2 Rumus untuk mencari nilai b0 (pada model multiple regression) adalah: b0 = Y − b1 X 1 − b2 X 2 Dengan menggunakan rumus pencarian b1 di atas.931 .69 32.274 .64 )( 2.861 .816.185 .92 −4.72 ) ( 22 .02 320 .503 .324.002 .318 .227 .667 .46 2.274.877 .40 14.49 216.70 ) − ( 2.70 ) − (7.19 = 315 . b1.914 .503 .208 .324 .52 78 .72 ) 2 465 .49 )(14 .48 7. maka nilai b0.318 . maka diketahui bahwa nilai b1 adalah: b1 = 2 (∑x1 y )( ∑x 2 ) − (∑x 2 y )( ∑x1 x 2 ) 2 2 (∑x1 )( ∑x 2 ) − (∑x1 x 2 ) 2 = = (32 .

421 Dengan menggunakan rumus pencarian b2 di atas. 79 .92 −4. maka diketahui bahwa nilai b2 adalah: 2 (∑x 2 y )( ∑x1 ) − (∑x1 y )( ∑x1 x 2 ) 2 2 (∑x1 )( ∑x 2 ) − (∑x1 x 2 ) 2 b2 = = = = (7.68 −72 .70 ) − ( 2.41 )(14 .855.378 .421(14. maka diketahui bahwa nilai b0 adalah: b0 = Y − b1 X 1 − b2 X 2 = 11.40 90 .06 315 .62 320 .962 . Nilai b1 dan b2 tergantung pada jumlah sampel yang ditarik.318 .503 . Penambahan atau pengurangan akan mengakibatkan perubahan rentangan nilai b.64 )( 22 .827 = -11. Perubahan rentang nilai b1 dan b2 diukur dengan standar error.41 ) − (32 .667 .646 .52 = 0.72 ) 2 163 .0002869 atau dapat ditulis dengan 2.869E-04 Dengan menggunakan rumus pencarian b0 di atas.84-20.917 Nilai dari parameter b1 dan b2 merupakan nilai dari suatu sampel.914 .30) = 11.274 .877 .49 )( 2.72 ) ( 22 .73)-0.931 .736 .227 .84-1. Semakin besar standar error mencerminkan nilai b sebagai penduga populasi semakin kurang representatif.2.227 .b1 = 1.024 .93.0002869(9.

Sebaliknya, semakin kecil standar error maka keakuratan daya penduga nilai b terhadap populasi semakin tinggi. Perbandingan antara nilai b dan standar error ini memunculkan nilai t, yang dapat dirumuskan sebagai berikut:
t= b Sb

dimana: b = nilai parameter Sb = standar error dari b. Jika b sama dengan 0 (b=0) atau Sb bernilai sangat besar, maka nilai t akan sama dengan atau mendekati 0 (nol). Untuk dapat melakukan uji t, perlu menghitung besarnya standar error masing-masing parameter ( baik b0, b1, b2), seperti diformulakan Gujarati (1995:198-199) sebagai berikut:
2 2  1 X 12 ∑ x 2 + X 2 ∑ x12 − 2 X 1 X 2 ∑ x1 x 2  ∑ E 2 =  +  n  n −3 ∑ x12 ∑ x22 − (∑ x1 x2 ) 2  

S b0

S b1 =

∑x (∑ x )( ∑ x ) − (∑ x x
2 2 2 1 2 2 1 2 1

2

)2 n − 3

∑E

2

Sb2 =

∑x (∑ x )( ∑ x ) − (∑ x x
2 1 2 2 1

2

)2 n − 3

∑E

2

Rumus-rumus di atas, dapat kita masuki dengan angka-angka yang tertera pada tabel, hanya saja belum
80

semuanya dapat terisi. Kita masih memerlukan lagi angka e untuk mengisi rumus ∑ 2 . Untuk dapat mengisi rumus tersebut, perlu terlebih dulu mencari nilai e. Nilai e adalah standar error yang terdapat dalam persamaan regresi. Perhatikan persamaan regresi: Y = b0 + b1X1 + b2 X2 + e atau Inflasi = b0 + b1Budep + b2 Kurs + e Secara matematis, dari persamaan regresi di atas nilai e dapat diperoleh, dengan cara mengubah posisi tanda persamaan hingga menjadi: e = Y- (b0 + b1X1 + b2 X2) Dengan memasukkan nilai b0, b1, b2, yang telah didapatkan, dan X1i, X2i, yang ada pada data, maka nilai total e dapat terlihat pada tabel berikut:

X1 13.06 13.81 13.97 13.79 14.03 14.14 14.39 14.97 15.67 15.91 16.02

Y 8.28 9.14 10.62 10.51 10.82 12.11 13.04 12.23 13.01 12.47 12.91

X2 9433.25 9633.78 10204.70 11074.75 11291.19 11294.30 10883.57 8956.59 9288.05 10097.91 10554.86

B0 -11.933 -11.933 -11.933 -11.933 -11.933 -11.933 -11.933 -11.933 -11.933 -11.933 -11.933 81

B1 1.421 1.421 1.421 1.421 1.421 1.421 1.421 1.421 1.421 1.421 1.421

B2 0.000287 0.000287 0.000287 0.000287 0.000287 0.000287 0.000287 0.000287 0.000287 0.000287 0.000287

e e^2 -1.05 1.11 -1.31 1.73 -0.23 0.05 -0.33 0.11 -0.42 0.18 0.71 0.50 1.40 1.97 0.32 0.10 0.01 0.00 -1.10 1.21 -0.95 0.90

16.21 12.55 10269.42 16.19 14.42 10393.82 15.88 15.13 10237.42 15.76 14.08 9914.26 15.55 13.3 9485.82 15.16 12.93 9115.05 14.85 11.48 8688.65 14.22 10.05 8964.70 13.93 10.6 8928.41 13.58 10.48 8954.43 13.13 10.33 9151.73 324.22 260.49216816.70

-11.933 -11.933 -11.933 -11.933 -11.933 -11.933 -11.933 -11.933 -11.933 -11.933 -11.933 -11.933

1.421 1.421 1.421 1.421 1.421 1.421 1.421 1.421 1.421 1.421 1.421 1.421

0.000287 0.000287 0.000287 0.000287 0.000287 0.000287 0.000287 0.000287 0.000287 0.000287 0.000287 0.000287

-1.50 2.24 0.37 0.13 1.56 2.43 0.77 0.60 0.41 0.17 0.71 0.50 -0.18 0.03 -0.80 0.63 0.18 0.03 0.55 0.30 0.98 0.96 0.09 15.90

Dari tabel di atas dapat diketahui bahwa nilai total nilai e adalah sebesar 0.09, sedangkan total nilai e2 adalah sebesar 15,90. Berdasarkan angka yang didapatkan tersebut, maka standar error b0, b1, b2, dapat dicari menggunakan rumus yang ada hingga hasil penghitungannya tertera sebagai berikut: Mencari Sb0.
S b0
2 2  1 X 12 ∑ x 2 + X 2 ∑ x12 − 2 X 1 X 2 ∑ x1 x 2  ∑ e 2 =  +  n  n−3 ∑ x12 ∑ x22 − (∑ x1 x2 ) 2  

1 (14 ,74 ) 2 (14 .318 .503 ,69 ) + (9.855 ,3) 2 ( 22 ,40 ) − 2(14 ,74 )( 9.855 ,3)( 2.227 ,72 )  15 ,90 +   (22 ,40 )(14 .318 .503 ,69 ) − (2.227 ,72 ) 2  22  22 −

=
3.110 .946 .932 ,32 + 2.175 .643 .413 ,22 − 647 .228 .946 ,04  15 ,90 1 22 +  19 320 .734 .482 .66 − 4.962 .736 ,40  

82

72 )  19 14 .90 1 22 + 315 .69 (0.= = 4.213 x 0.0 5 + 4 .84 ) 315 .8 ) 4 1 9 4 = 3.40 (0.40  2  ( 22 .69  2  ( 22 .503 .72 )  19 = 22 .26  19   (0.746 .9 14 .26 0.84 ) 315 .771 .69 ) − ( 2.318 .503 .771 .84 (0.399 .746 .8 ) 4 4 = 0.639 .179 Mencari Sb2: Sb2 = ∑x (∑ x )( ∑ x ) − (∑ x x 2 1 2 1 2 2 1 2 )2 n − 3 ∑e 2 =   15 .84 = 0.503 .40 )(14 .318 .84) = 3.9 22 .26 83 .40 )(14 .361 .503 .227 .226 Mencari Sb1.771 .227 .69 ) − ( 2.318 .318 .50  15 .746 .6 ) (0. S b1 = ∑x (∑ x )( ∑ x ) − (∑ x x 2 2 2 1 2 2 1 2 )2 n −3 ∑e 2 = = =   15 .0 5 (0.

Sb2) melalui penggunaan rumus-rumus di atas. Sb1. Sb 2 Mencari nilai statistik tb1: t b1 = Mencari nilai statistik tb2: tb2 = Dengan menggunakan rumus-rumus di atas.8 ) 4 = 0.000223 Setelah diketahui semua nilai standar error (Sb0. maka nilai tb0 adalah: tb0 = −11.000266 x 0.0 0 0 0 0 0007 (0.917 3.84 = 0. hanya saja pencarian Sb nya yang berbeda.226 = -3.694 dan nilai tb1 adalah: 84 .= 0. Pencarian nilai t mempunyai kesamaan dengan model regresi linier sederhana. karena nilai t merupakan hasil bagi antara b dengan Sb. Pencarian masing-masing nilai t dapat dirumuskan sebagai berikut: Mencari nilai statistik tb0: tb0 = b0 Sb 0 b1 S b1 b2 . maka nilai t untuk masing-masing parameter dapat diperoleh.

179 =7. Karena nilai tb1 adalah sebesar 7. jika nilai t hitung lebih kecil darit tabel. maka dapat dipastikan bahwa variabel Kurs secara individual tidak signifikan mempengaruhi inflasi.284 dengan diketahuinya nilai t hitung masing-masing parameter. Untuk dapat mengetahui apakah signifikan atau tidak nilai t hitung tersebut.421 0. maka variabel penjelas tersebut signifikan.938. yang berarti lebih besar dibanding nilai tabel pada α =5% dengan df 19 yang besarnya 2.093. maka variabel penjelas tersebut tidak signifikan. maka dapat dipastikan bahwa variabel budep secara individual signifikan mempengaruhi inflasi.0002234 = 1. Sebaliknya. Pengujian kedua nilai t dapat dijelaskan dalam bentuk gambar sebagai berikut: 85 . maka perlu membandingkan dengan nilai t tabel.938 sedangkan nilai tb2 adalah: tb2 = 0.284 adalah lebih kecil dibandingkan dengan nilai t tabel pada α =5% dengan df 19 yang besarnya 2.t b1 = 1. maka dapat digunakan untuk mengetahui signifikan tidaknya variabel penjelas dalam mempengaruhi variabel terikat. Apabila nilai t hitung lebih besar dibandingkan dengan nilai t tabel.093.0002869 0. Sedangkan nilai tb2 yang besarnya 1.

2. Daerah Uji t Variabel Kurs berikut: • Pastikan data SPSS sudah siap • Lakukan regresi. . Sb di atas. (n-k-1) 2. Reression.284 berganda dengan penghitungan-penghitungan nilai a.3. dan variabel X1 dan X2 ke kotak variabel Independen.938 Gb. 86 kemudian klik OK.093 Gb.2. t α /2.Daerah diterima 7. Linear Daerah diterima • Masukkan variabel Y ke kotak variabel dependen. caranya: pilih Analyze.3. Daerah ditolak t α /2. (n-k-1) (+) dapat dilakukan dengan bantuan SPSS dengan tahapan sebagai 2.093 (+) Daerah Uji t Variabel Budep Bantuan dengan SPSS Tahapan-tahan yang dilalui untuk melakukan Daerah ditolak regresi linier 1. b.

Predictors: (Constant). X2. ANOVA (memuat nilai F).752 Adjusted R Square . Model Summary Model 1 R R Square .160 df 2 19 21 M ean Square 24.726 Std.899 64. Predictors: (Constant). X2. X1 b ANOVA Model 1 Regression Residual Total Sum of Squares 48.867 a .130 . Error of the Estimate . .000a a.9148 a. Coefficient (memuat nilai t). Dependent Variable: Y 87 .261 15.836 Sig. X1 b.837 F 28.• Hasil regresi akan tampak dalam output regression yang menunjukkan tabel: model summary (memuat R2).

933 3. Ini disebabkan oleh pembulatan angka saat penghitungan. • Angka 2.000 Standardi zed Coefficien ts Beta .869E-04 .195 X2 2.177 Sig. Dependent Variable: Y Catatan: • Nilai a.298 1.421 . Error (Constant) -11.a Coefficients Model 1 Unstandardized Coefficients B Std.869E-04 dibaca 0.0002869 88 . b2.511 X1 1.136 t -3. antara hitungan manual dengan hitungan SPSS terdapat sedikit perbedaan angka di belakang koma.000 . b1.399 7.254 a.003 .840 . .

Pada sub bahasan ini hanya menambah penjelasan-penjelasan agar menjadi lebih lengkap saja. melalui hasil pengukuran dalam bentuk prosentase yang menjelaskan determinasi variabel penjelas (X) terhadap variabel yang dijelaskan (Y).Koefisien Determinasi (R2) Disamping menguji signifikansi dari masingmasing variabel. Koefisien determinasi dapat dicari melalui hasil bagi dari total sum of square (TSS) atau total variasi Y terhadap explained sum of square 89 . Koefisien determinasi pada dasarnya digunakan untuk mengkur goodness of fit dari persamaan regresi. kita dapat pula menguji determinasi seluruh variabel penjelas yang ada dalam model regresi. Uraian tentang koefisien determinasi sedikit banyak telah disinggung pada single linier regression. Pengujian ini biasanya disimbolkan dengan koefisien regresi yang biasa disimbolkan dengan R2.

Hasil pengukuran ini kemudian dijumlahkan hingga mencakup seluruh observasi.(ESS) atau variasi yang dijelaskan Y. Rumus tersebut adalah sebagai berikut: R2 = ESS TSS Total variasi Y (TSS) dapat diukur menggunakan derajat deviasi dari masing-masing observasi nilai Y dari rata-ratanya. rumus di atas dapat pula dituliskan menjadi sebagai berikut: R 2 ˆ ∑(Y − Y ) = ∑(Y − Y ) 2 2 dimana: ˆ Y Y (baca: Y cap) adalah nilai perkiraan Y atau estimasi garis regresi. Jelasnya: TSS = ∑(Y t =1 n t −Y )2 Nilai explained sum of square (ESS) atau variasi yang dijelaskan Y didapat dengan menggunakan rumus sebagai berikut: ESS = ∑(Yˆ t −1 n t −Y )2 Jadi. Dengan demikian kita dapat mendefinisikan lagi R2 dengan arti rasio antara variasi yang dijelaskan Y dengan total variasi Y. Y cap diperoleh dengan cara menghitung hasil regresi dengan memasukkan nilai parameter dan data 90 . (baca: Y bar) adalah nilai Y rata-rata.

000287 1.433.933 -11.421 (X1) + 0.933 -11.70 B0 -11.933 -11.876 0.471 10.000287 1.57 8956.75 11291.21 16.51 10.678 10.331 -1.82 10237.070 0. maka nilai Y1 = -11.269 1.293 1.11 13.000287 1.02 16.901 12.221 -1.000287 1.01 12.396 1.06) + 0.81 13.421 0.379 3.073 1.933 -11.035 0.0002869(9.3 12.933 -11.580 3.000287 1.163 -0.187 0.064 14.821 5.55 15.933 B1 B2 1.130 3.421 0.361 -1.05 10097.482 1.000287 1.416 11.000287 1.348 10.503 6.76 15.421 0.421 0.59 9288.000287 1.933 -11.041 0.035 2.933 -11.390 1.22 Y 8.47 12.421 (13.933 -11.421 0. Hasil perhitungan dan pengembangan data selengkapnya tertera dalam tabel sebagai berikut: X1 13.460 1.421 0.421 0.933 -11.160 0.421 0.000287 ˆ Y 9.142 4.490 1.421 0.421 0.130 1.180 0.82 12.14 14.090 -0.04 12.000287 1.174 1.421 0.000287 1.62 10.26 9485.630 1.240 1.223 2.015 2.230 1. Sebagai contoh menghitung Y cap.23 13.862 10.421 0.19 15.88 15.240 11.55 14.78 10204. beserta ekstensinya diperlukan untuk menyesuaikan dengan rumus mencari R2.86 10269.322 12.370 -0.978 -0.000287 1.16 14. dimana X1= ˆ 13. Penghitungan nilai Y cap menjadi penting untuk dilakukan agar mempermudah kita dalam menggunakan rumus R2 yang telah ditentukan di atas.000287 1.654 10. berikut ini dihitung nilai Y cap pada observasi 1.424 -0.05 X2 9433.125 0.677 7.000287 1.061 0.493 -1.975 3.39 14.08 13.933 -11.054 4.421 0.421 0. Hasil regresi adalah: Y = -11.200 0.433.985 -0.97 15.13 14.93 11.79 14.917 + 1.979 6.917 + 1.42 9914.027 0.000287 1.91 10554.48 10.933 -11.933 -11.187 0.06 dan X2 = 9.421 0.91 12.214 1.70 11074.957 0.000287 1.701 -1.82 9115.015 13.958 -3.338 0.933 -11.421 0.368 0.925 13.943 4.421 0.91 16.14 10.196 1.0002869(X2) Jika observasi nomor 1 (satu) kita hitung.933 -11.03 14.654 11.748 2.421 0.28 9.588 13.97 13.745 1.439 0.400 -0.791 12.30 10883.170 0.933 -11.581 -0.856 11.42 10393.144 0.007 1.85 14.071 13.770 1.000287 1.045 2.290 2.67 15.25 9633.42 15.000287 1.438 Hasil hitungan Y cap individual maupun total.969 0.586 13.021 0.05 8688.variabel.933 -11.19 11294.933 -11.25.259 11.933 -11.085 1.421 0.000287 1.561 -2.206 91 .862 2 2 ˆ ˆ Y −Y (Y −Y ) Y −Y (Y −Y ) -2.152 1.876 14.65 8964.25) = 9.710 2.06 13.

421 0.511 -0.70 -11.933 1.48 8954.73 324.577 6.366 1. Adapun rumus untuk mencari nilai R2 adalah sebagai berikut: R2 = ˆ ∑(Y − Y ) ∑(Y − Y ) 2 2 dengan demikian nilai R2 dari model yang ada adalah sebesar: R2 = 4 .6 8928.43 13.93 10.000287 10.33 9151.751 tersebut menunjukkan arti bahwa determinasi variabel Budep (X1) dan Kurs (X2) dalam mempengaruhi inflasi (Y) adalah sebesar 75.401 -1. maka pengujian tingkat signifikansi variabel tidak hanya dilakukan secara individual saja.933 -11.421 0.539 1.13. Nilai sebesar ini mengindikasikan bahwa model yang digunakan dalam menjelaskan variabel Y cukup baik.361 -1.160 Dengan menggunakan angka-angka yang terdapat dalam tabel di atas.1 0 4 6 R2 = 0.13 10.41 13. Untuk itu.58 10.1% dijelaskan oleh variabel lain yang tidak dijelaskan dalam model.421 0.000287 9. seperti dilakukan dengan uji t.933 -11.001 1.964 3. Sisanya sebesar 24.256 1. Uji F Seperti telah dikemukakan di atas.1%.439 1.949 1.000287 260.121 48.2 3 8 4 6 .282 64.747 -1.1%.49 216816. tetapi dapat 92 .891 -2.243 -1.474 0.751 Nilai R2 sebesar 0.421 0.22 260. karena mencapai 75.241 -1.000287 9. bahwa dalam regresi linier berganda variabel penjelasnya selalu berjumlah lebih dari satu.933 -11. maka nilai R2 dapat ditentukan.851 2.

maka perlu dihitung rasio antara variansi means (variance between means) yang dibandingkan dengan variansi di dalam kelompok variabel (variance between group). Hasil pembandingan keduanya itu (rasio antara variance between means terhadap variance between group) menghasilkan nilai F hitung. Oleh karena itu disebut pula dengan uji F. Atau secara ringkas dapat dituliskan sebagai berikut: F ≤ Fα. Jika nilai F hitung lebih besar dibanding nilai F tabel. ( n −k )  1 H0 diterima atau ditolak. ( n −k )  1 berarti tidak signifikan  atau H0 berarti signifikan  atau H0 ditolak diterima F > Fα. jika nilai F hitung lebih kecil dibandingkan dengan nilai F tabel. Untuk memastikan jawabannya. yang kemudian dibandingkan dengan nilai F tabel. teknik ANOVA digunakan untuk menguji distribusi atau variansi means dalam variabel penjelas apakah secara proporsional telah signifikan menjelaskan variasi dari variabel yang dijelaskan. Pada prinsipnya. adalah merupakan suatu keputusan jawaban terhadap hipotesis yang terkait dengan 93 . maka tidak secara serentak seluruh variabel penjelas yang ada dalam model signifikan mempengaruhi variabel terikat Y.( k − ). maka secara serentak seluruh variabel penjelas yang ada dalam model signifikan mempengaruhi variabel terikat Y.pula dilakukan pengujian signifikansi semua variabel penjelas secara serentak atau bersama-sama.( k − ). Sebaliknya. Pengujian secara serentak tersebut dilakukan dengan teknik analisis of variance (ANOVA) melalui pengujian nilai F hitung yang dibandingkan dengan nilai F tabel.

dan seterusnya). maka penting untuk mengetahui bagaimana mencari nilai F hitung ataupun nilai F tabel. Nilai F hitung dapat dicari dengan menggunakan rumus sebagai berikut: F= R 2 /( k −1) (1 − R 2 ) /( n − k ) Sedangkan nilai F tabel telah ditentukan dalam tabel. Arti dari tulisan tersebut adalah: • Simbol α menjelaskan tingkat signifikansi (level of significance) (apakah pada α = 0. • Simbol (k-1) menunjukkan degrees of freedom for numerator.05 atau α = 0. Karena uji F adalah membandingkan antara nilai F hitung dengan nilai F tabel. yang biasanya dituliskan dalam kalimat sebagai berikut: H0 : b1 = b2 = 0 Variabel penjelas secara serentak tidak signifikan mempengaruhi variabel yang dijelaskan.k-1. Yang penting untuk diketahui adalah bagaimana cara membaca tabelnya. (n-k). kita dapat menghitung nilai F 94 .uji F.01 ataukah α = 0.10. H0 : b1 ≠ b2 ≠ 0 Variabel penjelas secara serentak signifikan mempengaruhi variabel yang dijelaskan. diketahui bahwa F tabel dituliskan Fα . Guna melengkapi hasil analisis data yang dicontohkan di atas. • Simbol (n-k) menunjukkan degrees of freedom for denominator. Seperti yang telah dituliskan pada pembandingan antara nilai F hitung dan nilai F tabel di atas.

2. 3. n-k) F F0.3.05.3755 0.66 Dari hasil penghitungan di atas diketahui bahwa nilai F hitung adalah sebesar 28. Daerah penolakan atau penerimaan hipotesis dapat dilihat pada gambar berikut ini: Daerah diterima Daerah ditolak F(α .52 Gb.66. k-1. Nilai F dari model tersebut ternyata besarnya adalah: F= R 2 /( k −1) (1 − R 2 ) /( n − k ) = = (0.berdasarkan rumus. Buatlah rangkuman dari pembahasan di atas! 95 . Dengan demikian. Daerah Uji F -000Tugas: 1.52. dan (n-k) = (22-3) = 19 yang besarnya 3.751 ) /( 3 −1) (1 − 0.2.19. maka null hyphothesis ditolak.0131 = 28.05 dengan (k-1) = 2.751 ) /( 22 − 3) 0. Dengan demikian dapat disimpulkan bahwa variabel Budep dan Kurs secara serentak signifikan mempengaruhi inflasi. Nilai ini lebih besar dibanding dengan nilai F tabel pada α = 0.

Bagaimana menentukan nilai F yang signifikan? l. Coba jelaskan apakah pencarian nilai t juga mengalami perubahan! kenapa? i. Jelaskan mengapa rumus untuk mencari nilai b pada model regresi linier erganda berbeda dengan model regresi linier sederhana! h.2. Coba sebutkan perbedaan-perbedaan antara model regresi linier sederhana dengan model regresi linier berganda! g. Jelaskan apakah rumus dalam mencari koefisien determinasi pada model regresi linier berganda berbeda dengan regresi linier sederhana! kenapa? m. Coba uraikan arti dari notasi atas model yang telah anda tuliskan! d. Cobalah untuk menyimpulkan maksud dari uraian bab ini! 3. Coba uraikan bagaimana menentukan nilai t yang signifikan! j. Coba jelaskan apa yang dimaksud dengan regresi linier berganda! b. Lakukanlah perintah-perintah di bawah ini: a. Coba tuliskan model regresi linier berganda! c. Jelaskan apa kegunaan nilai F! k. Jelaskan informasi apa yang dapat diungkap pada koefisien regresi! f. Jelaskan informasi apa yang dapat diungkap pada konstanta! e. Jelaskan bagaimana variabel penjelas dapat dianggap sebagai prediktor terbaik dalam menjelaskan Y! 96 .

BAB V UJI ASUMSI KLASIK Tujuan Pengajaran: Setelah mempelajari bab ini. anda diharapkan dapat: Mengerti apa yang dimaksud dengan uji asumsi klasik Mengerti item-item asumsi Menjelaskan maksud item-item asumsi Menyebutkan nama-nama asumsi yang harus dipenuhi Mengerti apa yang dimaksud dengan autokorelasi Mengerti apa yang dimaksud dengan Multikolinearitas Mengerti apa yang dimaksud dengan Heteroskedastisitas Mengerti apa yang dimaksud dengan Normalitas Menjelaskan timbulnya masalah-masalah dalam uji asumsi klasik 97 .

Menjelaskan dampak dari autokorelasi, heteroskedastisitas, multikolinearitas, normalitas Menyebutkan alat deteksi dari masalah-masalah tersebut Menggunakan sebagian alat-alat deteksi Menjelaskan keterkaitan asumsi-asumsi Menjelaskan konsekuensi-konsekuensi dari Asumsi

BAB V UJI ASUMSI KLASIK Di muka telah disinggung, baik dalam regresi linier sederhana maupun dalam regresi linier berganda, bahwa dalam kedua regresi linier tersebut perlu memenuhi asumsi-asumsi seperti yang telah di uraikan dalam kedua bahasan tersebut. Munculnya kewajiban untuk memenuhi asumsi tersebut mengandung arti bahwa formula atau rumus regresi diturunkan dari suatu asumsi tertentu. Artinya, tidak semua data dapat diperlakukan dengan regresi. Jika data yang diregresi tidak memenuhi asumsiasumsi yang telah disebutkan, maka regresi yang diterapkan akan menghasilkan estimasi yang bias. Jika hasil regresi telah memenuhi asumsi-asumsi regresi maka nilai estimasi yang diperoleh akan bersifat BLUE, yang merupakan singkatan dari: Best, Linear, Unbiased, Estimator. Best dimaksudkan sebagai terbaik. Untuk memahami arti Best, perlu kembali kepada kesadaran kita bahwa analisis regresi linier digunakan untuk menggambarkan sebaran data dalam bentuk garis regresi. Dengan kata lain,

98

garis regresi merupakan cara memahami pola hubungan antara dua seri data atau lebih. Hasil regresi dikatakan Best apabila garis regresi yang dihasilkan guna melakukan estimasi atau peramalan dari sebaran data, menghasilkan error yang terkecil. Perlu diketahui bahwa error itu sendiri adalah perbedaan antara nilai observasi dan nilai yang diramalkan oleh garis regresi. Jika garis regresi telah Best dan disertai pula oleh kondisi tidak bias (unbiased), maka estimator regresi akan efisien. Linear mewakili linear dalam model, maupun linear dalam parameter. Linear dalam model artinya model yang digunakan dalam analisis regresi telah sesuai dengan kaidah model OLS dimana variabel-variabel penduganya hanya berpangkat satu. Sedangkan linear dalam parameter menjelaskan bahwa parameter yang dihasilkan merupakan fungsi linear dari sampel. Secara jelas bila diukur dengan nilai rata-rata. Unbiased atau tidak bias, Suatu estimator dikatakan unbiased jika nilai harapan dari estimator b sama dengan nilai yang benar dari b. Artinya, nilai rata-rata b = b. Bila rata-rata b tidak sama dengan b, maka selisihnya itu disebut dengan bias. Estimator yang efisien dapat ditemukan apabila ketiga kondisi di atas telah tercapai. Karena sifat estimator yang efisien merupakan hasil konklusi dari ketiga hal sebelumnya itu. Asumsi-asumsi seperti yang telah dituliskan dalam bahasan OLS di depan, adalah asumsi yang dikembangkan oleh Gauss dan Markov, yang kemudian teori tersebut terkenal dengan sebutan Gauss-Markov Theorem. Serupa dengan asumsi-asumsi tersebut, Gujarati (1995) merinci 10 asumsi yang menjadi syarat penerapan OLS,18 yaitu:
18

Dari sepuluh asumsi di atas tidak semuanya perlu diuji. Sebagian cukup hanya diasumsikan, sedangkan sebagian yang lain memerlukan test.

99

Asumsi 1: Linear regression Model. Model regresi merupakan hubungan linear dalam parameter. Y = a + bX +e Untuk model regresi Y = a + bX + cX2 + e Walaupun variabel X dikuadratkan, ini tetap merupakan regresi yang linear dalam parameter sehingga OLS masih dapat diterapkan. Asumsi 2: Nilai X adalah tetap dalam sampling yang diulang-ulang (X fixed in repeated sampling). Tepatnya bahwa nilai X adalah nonstochastic (tidak random). Asumsi 3: Variabel pengganggu e memiliki rata-rata nol (zero mean of disturbance). Artinya, garis regresi pada nilai X tertentu berada tepat di tengah. Bisa saja terdapat error yang berada di atas garis regresi atau di bawah garis regresi, tetapi setelah keduanya dirata-rata harus bernilai nol. Asumsi 4: Homoskedastisitas, atau variabel pengganggu e memiliki variance yang sama sepanjang observasi dari berbagai nilai X. Ini berarti data Y pada setiap X memiliki rentangan yang sama. Jika rentangannya tidak sama, maka disebut heteroskedastisitas Asumsi 5: Tidak ada otokorelasi antara variabel e pada setiap nilai xi dan ji (No autocorrelation between the disturbance). Asumsi 6: Variabel X dan disturbance e tidak berkorelasi. Ini berarti kita dapat memisahkan pengaruh X atas Y dan pengaruh e atas Y. Jika X dan e berkorelasi maka pengaruh keduanya akan tumpang tindih (sulit dipisahkan pengaruh

100

10. sehingga t menjadi tidak menentu. Jika nilai X selalu sama sepanjang observasi maka tidak bisa dilakukan regresi. Akan tetapi. Sebagai contoh. adanya penyimpangan atau tidak terpenuhinya asumsi multikolinearitas (asumsi 10) tidak berarti mengganggu. Penyimpangan masing-masing asumsi tidak mempunyai impak yang sama terhadap regresi. b. 8: Variabel X harus memiliki variabilitas. Dengan demikian. Asumsi ini pasti terpenuhi jika X adalah variabel non random atau non stochastic. Tidak ada multikolinearitas antara variabel penjelas. sepanjang uji t sudah signifikan.Asumsi Asumsi Asumsi Asumsi masing-masing atas Y). Artinya. tidak ada spesifikasi yang bias. sebaiknya jumlah n harus cukup besar. maka multikolinearitas tidak perlu diatasi. jika terjadi penyimpangan pada asumsi heteroskedastisitas atau pada autokorelasi. Hal ini disebabkan oleh membesarnya standar error pada kasus multikolinearitas. sehingga nilai t. maka persamaan regresi tidak akan bisa diestimasi. meskipun nilai t sudah signifikan ataupun tidak signifikan. Jelasnya kolinear antara variabel penjelas tidak boleh sempurna atau tinggi. penyimpangan tersebut dapat menyebabkan bias pada Sb. Jika nilai t masih signifikan. 7: Jumlah observasi atau besar sampel (n) harus lebih besar dari jumlah parameter yang diestimasi. Sb. karena semuanya telah terekomendasi atau sesuai dengan teori. menjadi cenderung kecil. Jika jumlah parameter sama atau bahkan lebih besar dari jumlah observasi. 9: Model regresi secara benar telah terspesifikasi. keduanya tidak dapat 101 . Bahkan untuk memenuhi asumsi yang lain.

Hanya saja masalah autokorelasi lebih sering muncul pada data time series. baik itu data jenis runtut waktu (time series) ataupun data kerat silang (cross section). Autokorelasi adalah keadaan dimana variabel gangguan pada periode tertentu berkorelasi dengan variabel gangguan pada periode lain. Sementara pada data cross section hal itu kecil kemungkinan terjadi. linear.memberi informasi yang sesungguhnya. heteroskedastisitas. Asumsi terbebasnya autokorelasi ditunjukkan oleh nilai e yang mempunyai rata-rata nol.1. A. dan variannya konstan. autokorelasi. Untuk memenuhi asumsi-asumsi di atas. seperti uji normalitas. karena sifat data time series ini sendiri lekat dengan kontinyuitas dan adanya sifat ketergantungan antar data. Secara teoretis model OLS akan menghasilkan estimasi nilai parameter model penduga yang sahih bila dipenuhi asumsi Tidak ada Autokorelasi. Asumsi variance yang tidak konstan 102 . maka estimasi regresi hendaknya dilengkapi dengan uji-uji yang diperlukan. Sifat autokorelasi muncul bila terdapat korelasi antara data yang diteliti. dan Tidak ada Heteroskedastisitas. atupun multikolinearitas. efficient of estimation (BLUE). Uji Autokorelasi A. Apabila seluruh asumsi klasik tersebut telah terpenuhi maka akan menghasilkan hasil regresi yang best. unbias. Pengertian autokorelasi Dalam asumsi klasik telah dijelaskan bahwa pada model OLS harus telah terbebas dari masalah autokorelasi atau serial korelasi. Tidak Ada Multikolinearitas.

juga dialami oleh perubahan tingkat inflasi pada waktu yang sama. Sebab-sebab Autokorelasi Terdapat banyak faktor-faktor yang dapat menyebabkan timbulnya masalah autokorelasi. i ≠j Sebaliknya. Jika terdapat ketergantungan. dalam bahasa matematisnya dituliskan sebagai berikut: E(ui. namun dalam pembahasan ini hanya mengungkapkan beberapa faktor saja antara lain: 1. 103 . model yang digunakan untuk menganalisis regresi tidak didukung oleh teori-teori yang relevan dan mendukung. uj) ≠ 0. artinya. Kalau saja terjadi autokorelasi dalam kasus semacam ini. Sebagai ilustrasi. Hal seperti itu dalam bahasa matematisnya dituliskan sebagai berikut: E(ui. jika tidak terdapat ketergantungan atau tidak adanya kesalahan pengganggu yang secara otomatis mempengaruhi data berikutnya maka masalah autokorelasi tidak akan muncul. uj) = 0. maka menjadi tidak jelas apakah inflasi betul-betul dipengaruhi oleh perubahan bunga deposito ataukah karena sifat dari kecenderungannya sendiri untuk berubah. misalnya kita mengamati perubahan inflasi apakah dipengaruhi oleh suku bunga deposito ataukah tidak. i ≠j A. Bisa saja perubahan bunga deposito pada waktu tertentu. Kesalahan dalam pembentukan model.menunjukkan adanya pengaruh perubahan nilai suatu observasi berdampak pada observasi lain. Telah jelas bagi kita bahwa autokorelasi akan muncul apabila ada ketergantungan atau adanya kesalahan pengganggu yang secara otomatis mempengaruhi data berikutnya.2.

Apabila hal seperti ini dilakukan. Kemudian kita mencoba menggunakan triwulanan yang tersedia. Jika data semacam ini digunakan. Jika jumlah penawaran tidak mampu bertambah. Nah. ini berarti inflasi akan terjadi. tentu harga akan meningkat. Kalau dalam penelitian menggunakan data biaya periklanan bulan ke n dan data penjualan bulan ke n. Sebagai misal kita ingin meneliti faktor apa saja yang mempengaruhi terjadinya inflasi. Secara empirik. semakin banyak JUB maka daya beli masyarakat akan meningkat tentu akan pula diikuti dengan permintaan yang meningkat pula. Misalnya pengaruh periklanan terhadap penjualan. Manipulasi data. tidak dimasukkannya JUB sebagai prediktor. besar kemungkinan akan terjadi autokorelasi. terkesan bahwa data tersebut tidak didukung oleh realita. dan ini besar kemungkinan untuk terjadi autokorelasi. Alur berfikirnya seperti ini. banyaknya Jumlah Uang Beredar (JUB) mempunyai kaitan kuat dengan terjadinya inflasi. Tidak memasukkan variabel yang penting. maka sifat data dari bulan ke satu akan terbawa ke bulan kedua dan ketiga. 4. Variabel penting yang dimaksudkan di sini adalah variabel yang diperkirakan signifikan mempengaruhi variabel Y. Misalnya dalam penelitian kita ingin menggunakan data bulanan. untuk dijadikan data bulanan melalui cara interpolasi atau ekstrapolasi. namun data tersebut tidak tersedia. sangat besar mengandung kecenderungan terjadinya autokorelasi. Contohnya membagi tiga data triwulanan tadi (n/3). upaya periklanan bulan ke n tidak 104 .2. Secara teoritik. Menggunakan data yang tidak empiris. 3.

Meskipun ada autokorelasi. Akibat Autokorelasi Uraian-uraian di atas mungkin saja mengajak kita untuk bertanya tentang apa dampak dari autokorelasi yang timbul. karena nilai t diperoleh dari hasil bagi Sb terhadap b (t = b/sb). 2 bulan.akan secara langsung berdampak pada bulan yang sama.3. A. Seharusnya data penjualan yang digunakan adalah data penjualan bulan ke n+1 atau n+2 tergantung dampak empiris tadi. atau lebih. nilai parameter estimator (b1.4. Pengujian Autokorelasi Pengujian autokorelasi dimaksudkan untuk menguji ada tidaknya autokorelasi. Pertanyaan seperti ini tentu saja merupakan sesuatu yang wajar. Akibatnya adalah nilai t hitung akan menjadi bias pula. b2. yaitu masalah lain yang timbul bila kesalahan tidak sesuai dengan batasan yang disyaratkan oleh analisis regresi.bn) model regresi tetap linear dan tidak bias dalam memprediksi B (parameter sebenarnya). Sb2) akan bias. Penggunaan data pada bulan yang sama dengan mengabaikan empiris seperti ini disebut juga sebagai Cobweb Phenomenon. Berhubung nilai Sb bias maka nilai t juga akan bias atau bersifat tidak pasti (misleading). Terdapat beberapa cara untuk mendeteksi ada tidaknya autokorelasi. A. antara lain melalui: 105 .…. tetapi besar kemungkinan akan berdampak pada bulan berikutnya. jaraknya bisa 1 bulan. Akan tetapi nilai variance tidak minimum dan standard error (Sb1. karena kita tentu mempunyai pilihan apakah mengabaikan adanya autokorelasi ataukah akan mengeliminasinya.

yaitu: • Terdapat intercept dalam model regresi. • Tidak ada data yang hilang.e e t t −1 2 t ) Dalam DW test ini terdapat beberapa asumsi penting yang harus dipatuhi. Uji Durbin-Watson (DW Test). Uji Durbin-Watson yang secara populer digunakan untuk mendeteksi adanya serial korelasi dikembangkan oleh ahli statistik (statisticians) Durbin dan Watson. Rumusan hipotesisnya (H0) biasanya menyatakan bahwa dua ujungnya tidak ada serial autokorelasi baik positif 106 . Formula yang digunakan untuk mendeteksi terkenal pula dengan sebutan DurbinWatson d statistic. t • υt = ρ υ−1 + ε t Langkah-langkah pengujian autokorelasi menggunakan uji Durbin Watson (DW test) dapat dimulai dari menentukan hipotesis. yang dituliskan sebagai berikut: ˆ ∑ (u t =2 t =n t d= ˆ − u t −1 ) 2 2 t ˆ ∑u t =2 t =n atau dapat pula ditulis dalam rumus sebagai berikut: d = 2(1 − ∑e .1. • Variabel penjelasnya tidak random (nonstochastics). • Tidak ada unsur lag dari variabel dependen di dalam model.

atau. Terdapat beberapa standar keputusan yang perlu dipedomani ketika menggunakan DW test. Bertolak dari hipotesis tersebut. yang semuanya menentukan lokasi dimana nilai DW berada. Misalnya: terdapat autokorelasi positif. maka perlu mengujinya karena hipotesis sendiri merupakan jawaban sementara yang masih perlu diuji. terdapat autokorelasi negatif. Jelasnya adalah sebagai berikut: DW < dL positif dL< DW <dU (inconclusive) dU > DW >4-dU autokorelasi 4-dU < DW <4-dL (inconclusive) DW > 4-dL negatif = terdapat atokorelasi = tidak dapat disimpulkan = tidak terdapat = tidak dapat disimpulkan = terdapat autokorelasi Dimana DW = Nilai Durbin-Watson d statistik dU = Nilai batas atas (didapat dari tabel) dL = Nilai batas bawah (didapat dari tabel) Ketentuan-ketentuan daerah hipotesis pengujian DW dapat diwujudkan dalam bentuk gambar sebagai berikut: 107 .maupun negatif.

hanya saja dilanjutkan dengan mengaktifkan kunci lainnya. Linear • Masukkan variabel Y ke kotak Variabel Dependen. Bantuan dengan SPSS Untuk mengetahui ada tidaknya autokorelasi dengan DW test. tahapannya dilakukan seperti pada tahapan regresi.3. kemudian klik OK.: Daerah Uji Durbin Watson Dalam pengujian autokorelasi terdapat kemungkinan munculnya autokorelasi positif maupun negatif. 108 . Karena adanya masalah korelasi dapat menimbulkan adanya bias pada hasil regresi. Lengkapnya tahapan tersebut adalah sebagai berikut: • Pilih Analyze.Inconclusive Tidak ada Autokorelasi Inconclusive Korelasi (+) 0 dL dU 2 4-dU Korelasi (-) 4-dL 4 Gambar 3. dan variabel X1 dan X2 ke dalam kotak Variabel Independen • Klik pada kotak pilihan Statistik (bawah) • Aktikan Durbin-Watson pada kolom Residual • Klik Continue. Regression.

X1 b.9148 Durbin-W atson . kolom paling kanan. Dependent Variable: Y Bantuan dengan SPSS Catatan: 109 . Kolom DurbinWatson akan tampak dalam tabel Model Summary. b Model Summary Model 1 R R Square .Maka SPSS akan menampilkan hasil regresinya.883 a.752 Adjusted R Square .726 Std.867 a . Error of the Estimate . X2. Predictors: (Constant).

Dengan kata lain.54 4-dU 2. Uraian di atas dapat pula dijelaskan dalam bentuk gambar sbb: Korelasi (+) inkonklusif tidak ada autokorelasi 2 2. dengan predictor sebanyak 2 maka batas atas (U) adalah sebesar 1.Dengan menggunakan derajat kesalahan (α )=5%.15 dU 1. Dengan demikian dapat disimpulkan bahwa hasil regresi tersebut belum terbebas dari masalah autokorelasi positif.15.54 sedang batas bawah (L) adalah sebesar 1.883 yang berarti lebih kecil dari nilai batas bawah. maka koefisien autokorelasi lebih kecil dari nol. dengan sampel 22 observasi. sedang hipotesis nol yang menyatakan terdapat masalah autokorelasi dapat diterima. Karena nilai DW hasil regresi adalah sebesar 0.46 inkonklusif Korelasi (-) 0 dL 1.85 4-dL 4 110 . Hipotesis nol yang menyatakan tidak terdapat masalah autokorelasi dapat ditolak.

Dengan demikian model dalam LM menjadi sebagai berikut: Y = β 0 + β 1X1+ β 2 X2 + β 3 Yt-1+ β 4 Yt2 +ε Variabel Yt-1 merupakan variabel lag 1 dari Y. sedang lag 2 menunjukkan kesenjangan waktu 2 periode. Lag sendiri merupakan rentang waktu. tahunan. Daerah Uji Durbin Watson 2. Variabel tambahan tersebut adalah data Lag dari variabel dependen. Lag 1 data harian berarti 111 . Periodenya tergantung pada jenis data apakah data harian. Lag 1 menunjukkan adanya kesenjangan waktu 1 periode. Lag 1 dan Lag 2 variabel Y dimasukkan dalam model ini bertujuan untuk mengetahui pada lag berapa problem otokorelasi muncul. bulanan. Menggunakan metode LaGrange Multiplier (LM). LM sendiri merupakan teknik regresi yang memasukkan variabel lag.Gambar. Variabel Yt-2 merupakan variabel lag 2 dari Y. Sehingga terdapat variabel tambahan yang dimasukkan dalam model.

maka untuk perbaikan hasil regresi perlu dilakukan regresi ulang dengan merubah posisi data untuk disesuaikan dengan kurun waktu lag tersebut. dapat dilihat dari signifikan tidaknya variabel lag tersebut. Uji Normalitas Tujuan dilakukannya uji normalitas adalah untuk menguji apakah variabel penganggu (e) memiliki distribusi normal atau tidak. Misalnya variabel Yt-1 mempunyai nilai t signifikan. namun uji-uji tersebut tidak dibahas di sini.ada kesenjangan satu hari. berarti terdapat masalah autokorelasi atau pengaruh kesalahan pengganggu mulai satu periode sebelumnya. seperti yang telah dibahas pada uji t sebelumnya. mengingat tulisan ini masih berlingkup atau bersifat pengantar. lag 2 kesenjangan 2 hari dan seterusnya. Sangat beralasan kiranya. Sebagai kunci untuk mengetahui pada lag berapa autokorelasi muncul. Uji Run. dan lainlain. Hanya saja pengalaman menunjukkan bahwa pengujian normalitas yang dilakukan sebelum tahapan regresi lebih efisien dalam waktu. Uji Statistik Q: Box-Pierce dan Ljung Box. Terdapat beberapa alat uji lain untuk mendeteksi autokorelasi seperti uji Breusch-Godfrey. B. Ukuran yang digunakan adalah nilai t masing-masing variabel lag yang dibandingkan dengan t tabel. Jika ini terjadi. karena jika asumsi normalitas data telah dipenuhi 112 . Pengujian normalitas data dapat dilakukan sebelum ataupun setelah tahapan analisis regresi.

Pengujian normalitas ini berdampak pada nilai t dan F karena pengujian terhadap keduanya diturunkan dari asumsi bahwa data Y atau e berdistribusi normal. bila dilakukan analisis regresi terlebih dulu. Atau apabila nilai mean jika dikurangi nilai median menghasilkan angka nol. Cara ini disebut ukuran tendensi sentral (Kuncoro. Sebaliknya. maka dampak yang mungkin akan ditimbulkan dari adanya ketidaknormalan data seperti bias pada nilai t hitung dan nilai F hitung dapat dihindari. 2) Menggunakan formula Jarque Bera (JB test). Data dikatakan normal (simetris) jika perbandingan antara mean dan median menghasilkan nilai yang kurang lebih sama. dimana nilai t dan F baru diketahui. 2001: 41). yang rumusnya tertera sebagai berikut:  S 2 ( K − 3) 2  JB = n  +  24   6 dimana: S = Skewness (kemencengan) distribusi data K= Kurtosis (keruncingan) Skewness sendiri dapat dicari dari formula sebagai berikut: [ E( X − µ ) ] S= [E( X − µ ] 3 2 2 3 113 . Beberapa cara dapat dilakukan untuk melakukan uji normalitas. antara lain: 1) Menggunakan metode numerik yang membandingkan nilai statistik. yaitu antara nilai median dengan nilai mean.terlebih dulu. sedangkan ternyata hasilnya tidak normal maka analisis regresi harus diulang lagi. yang kemudian baru dilakukan normalitas data.

114 . Modus. Kurtosis. dan OK.Kurtosis dapat dicari dengan formula sebagai berikut: K= [E( X − µ) ] E( X − µ) 4 2 2 Bantuan dengan SPSS SPSS dapat digunakan untuk melihat nilai Mean. Median. Caranya dapat dilakukan dengan tahapan sebagai berikut: • Pilih Analyze. Distribution. Skewness. Descriptive Statistic. dan lain-lain. Frequencies • Pindahkan variabel yang mau dicari nilainya (sebelah kiri) ke kotak Variables (sebelah kanan) • Kilik Statistik (bawah) • Aktifkan pilihan yang ada dalam kotak Dispersion. Central Tendency • Kemudian klik Continue.

953 3.1700 8. rror of S kew ness K urtosis S E td.491 -.• Maka SPSS akan menampakkan output sebagai berikut: S tatistics Y N M ean S E td. M ultiple m odes exist.06 a 8688.13 260. eviation V ariance S kew ness S E td.8405 .424 -1.28 15.7373 9855.096 .494 .3727 12.22 216816. rror of M ean M edian M ode S D td.66 X 1 3) Mengamati sebaran data.009 .953 . dengan melakukan hitungan-hitungan berapa prosentase data observasi dan berada di area mana.363 .099 .06 8688. The sm allest value is show n V alid M issing 22 0 11.0200 13. langkah awal yang dilakukan adalah menghitung standar deviasi.65 16. Standar deviasi dapat dicari melalui rumus sebagai berikut: SD = ∑( Dv − D v) n 115 .491 -1. rror of K urtosis R ange M inim um M axim um S um a.2202 176.28 a 1.491 .65 13.49 X 2 22 22 0 0 14.953 6.7479 3.3027 .1 .30 324.65 a 1.85 8.0515 14.0670 681871. Untuk menentukan posisi normal dari sebaran data.15 2605.6200 9774.0552 -.7548 1.21 11294.0329 825.

7% dari sisanya berada pada area SD3 Untuk memperjelas maksud dari uraian di atas. karena sebaran data yang dikatakan normal19 apabila tersebar sebagai berikut: Sebanyak 68% dari observasi berada pada area SD1 Sebanyak 95% dari sisanya berada pada area SD2 Sebanyak 99. Penentuan area ini penting. kita dapat melihatnya pada gambar berikut ini -SD3 SD3 19 -SD2 -SD1 Dv SD1 SD2 Gujarati. Untuk mempermudah. third edition. SD2 yang berarti rentang kedua di sebelah kiri dan sebelah kanan posisi tengahtengah (simetris) SD3 yang berarti rentang ketiga di sebelah kiri dan sebelah kanan posisi tengahtengah (simetris).Standar deviasi ini digunakan untuk menentukan rentang deviasi dari posisi simetris data. kita dapat memberinya nama: SD1 yang berarti rentang pertama. di sebelah kiri dan sebelah kanan dari posisi tengah-tengah (simetris). 1995. McGraw-Hill. Basic Econometrics. 116 . Inc.

2001: 110). atau melakukan transformasi data.7% observasi sisa Dalam pengujian normalitas mempunyai dua kemungkinan. Jika data cenderung menceng ke kiri disebut positif skewness. Apabila data telah berdistribusi normal maka tidak ada masalah karena uji t dan uji F dapat dilakukan (Kuncoro. memperbesar sampel. Lihat gambar berikut: Positif Skewness Negatif Skewness Normal 117 . dan jika data cenderung menceng ke kanan disebut negatif skewness. Data dikatakan normal jika datanya simetris. maka diperlukan upaya untuk mengatasi seperti: memotong data yang out liers. Data yang tidak normal juga dapat dibedakan dari tingkat kemencengannya (skewness). yaitu data berdistribusi normal atau tidak normal.68% observasi 95% observasi sisa 99. Apabila data tidak normal.

serta 5 orang berat badannya berkisar antara 51-56..Langkah transformasi data sebagai upaya untuk menormalkan sebaran data dapat dilakukan dengan merubah data dengan nilai absolut ke dalam bilangan logaritma20. dapat diketahui dari sebaran datanya. Sebagai penjelas dari uraian di atas. mengatakan hal yang sama. Dengan demikian bila diwujudkan dalam bentuk diagram sebaran data akan tampak sebagai berikut: 20 Kuncoro. juga Setiaji. dan satu orang beratnya kurang dari 36 kg. Misalnya dari data tersebut diketahui bahwa 20 dari data observasi (68% X 30) 10 orang di antaranya mempunyai berat badan yang berkisar antara 41-46 kg. Bahwa transformasi dapat dilakukan dengan logaritma. 2004: 18). dan 10 orang lainnya dengan berat 46-51 kg. maka ada baiknya kalau kita ikuti contoh soal sebagai berikut: Misalnya kita memiliki jumlah observasi sebanyak 30 sampel. Dan 4 orang mempunyai berat badan antara 36-41 kg. maka data dapat dikatakan normal. 118 . 2004. Dengan mentransformasi data ke bentuk logaritma akan memperkecil error sehingga kemungkinan timbulnya masalah heteroskedastisitas juga menjadi sangat kecil (Setiaji. dari penghitungan berat badan orang dewasa yang rata-ratanya ditemukan 46 kg. 2001. dengan standar deviasi (SD) 5 kg. Untuk menentukan normal tidaknya data sampel tersebut.

36

41

46

51

56

C. Uji Heteroskedastisitas C.1. Pengertian Heteroskedastisitas Sebagaimana telah ditunjukkan dalam salah satu asumsi yang harus ditaati pada model regresi linier, adalah residual harus homoskedastis, artinya, variance residual harus memiliki variabel yang konstan, atau dengan kata lain, rentangan e kurang lebih sama. Karena jika variancenya tidak sama, model akan menghadapi masalah heteroskedastisitas. Heteroskedastisitas muncul apabila kesalahan atau residual dari model yang diamati tidak memiliki varians yang konstan dari satu observasi ke observasi lainnya (Kuncoro, 2001: 112). Padahal rumus regresi diperoleh dengan asumsi bahwa variabel pengganggu (error) atau e, diasumsikan memiliki variabel yang konstan (rentangan e kurang lebih sama). Apabila terjadi varian e tidak konstan, maka kondisi tersebut dikatakan tidak homoskedastik atau mengalami heteroskedastisitas (Setiaji, 2004: 17). Masalah heteroskedastisitas lebih sering muncul dalam data cross section dari pada data time series (Kuncoro, 2001: 112; Setiaji, 2004: 17). Karena dalam data cross section menunjukkan obyek yang berbeda dan waktu yang berbeda pula. Antara obyek satu dengan yang lainnya tidak ada saling keterkaitan, begitu pula dalam hal waktu. Sedangkan data time series, antara observasi satu dengan yang lainnya saling mempunyai kaitan. Ada trend yang cenderung sama. Sehingga variance residualnya juga cenderung sama. Tidak seperti data cross section yang cenderung menghasilkan variance residual yang berbeda pula.

119

C.2. Konsekuensi Heteroskedastisitas Analisis regresi menganggap kesalahan (error) bersifat homoskedastis, yaitu asumsi bahwa residu atau deviasi dari garis yang paling tepat muncul serta random sesuai dengan besarnya variabel-variabel independen (Arsyad, 1994:198). Asumsi regresi linier yang berupa variance residual yang sama, menunjukkan bahwa standar error (Sb) masing-masing observasi tidak mengalami perubahan, sehingga Sb nya tidak bias. Lain halnya, jika asumsi ini tidak terpenuhi, sehingga variance residualnya berubah-ubah sesuai perubahan observasi, maka akan mengakibatkan nilai Sb yang diperoleh dari hasil regresi akan menjadi bias. Selain itu, adanya kesalahan dalam model yang dapat mengakibatkan nilai b meskipun tetap linier dan tidak bias, tetapi nilai b bukan nilai yang terbaik. Munculnya masalah heteroskedastisitas yang mengakibatkan nilai Sb menjadi bias, akan berdampak pada nilai t dan nilai F yang menjadi tidak dapat ditentukan. Karena nilai t dihasilkan dari hasil bagi antara b dengan Sb. Jika nilai Sb mengecil, maka nilai t cenderung membesar. Hal ini akan berakibat bahwa nilai t mungkin mestinya tidak signifikan, tetapi karena Sb nya bias, maka t menjadi signifikan. Sebaliknya, jika Sb membesar, maka nilai t akan mengecil. Nilai t yang seharusnya signifikan, bisa jadi ditunjukkan menjadi tidak signifikan. Ketidakmenentuan dari Sb ini dapat menjadikan hasil riset yang mengacaukan. C.3. Pendeteksian Heteroskedastisitas

120

Untuk mendeteksi ada tidaknya heteroskedastisitas, dapat dilakukan dengan berbagai cara seperti uji grafik, uji Park, Uji Glejser, uji Spearman’s Rank Correlation, dan uji Whyte menggunakan Lagrange Multiplier (Setiaji, 2004: 18)21. Pengujian heteroskedastisitas menggunakan uji grafik, dapat dilakukan dengan membandingkan sebaran antara nilai prediksi variabel terikat dengan residualnya, yang output pendeteksiannya akan tertera berupa sebaran data pada scatter plot. Dengan menggunakan alat bantu komputer teknik ini sering dipilih, karena alasan kemudahan dan kesederhanaan cara pengujian, juga tetap mempertimbangkan valid dan tidaknya hasil pengujian. Pengujian heteroskedastisitas menggunakan uji Arch, dilakukan dengan cara melakukan regresi atas residual, dengan model yang dapat dituliskan ˆ e 2 = a + bY 2 + u . Dari hasil regresi tersebut dihitung nilai R2. Nilai R2 tadi dikalikan dengan jumlah sampel (R2 x N). Hasil perkalian ini kemudian dibandingkan dengan nilai chi-square (χ 2) pada derajat kesalahan tertentu. Dengan df=1 (ingat, karena hanya memiliki satu variabel bebas). Jika R2 x N lebih besar dari chi-square (χ 2) tabel, maka standar error mengalami heteroskedastisitas. Sebaliknya, jika R2 x N lebih kecil dari chi-square (χ 2) tabel, maka standar error telah bebas dari masalah heteroskedastisitas, atau telah homoskedastis.

21

Ditunjukkan pula oleh Gozali, 2001.

121

Apabila antara variabel penjelas memiliki banyak sifat-sifat yang sama dan serupa sehingga hampir tidak dapat lagi dibedakan tingkat pengaruhnya terhadap Y.1. atau sempurna. Uji Multikolinieritas D. Sedangkan Tidak berklinear jika antara variabel penjelas tidak mempunyai sama sekali kesamaan. Pengertian Multikolinearitas Multikolinieritas adalah suatu keadaan dimana terjadi korelasi linear yang ”perfect” atau eksak di antara variabel penjelas yang dimasukkan ke dalam model. tidak berkolinear. maka tingkat kolinearnya dapat dikatakan serius. Berkolinear lemah X1 X2 122 .Tidak berkolinear Y Gb.D. Tingkat kekuatan hubungan antar variabel penjelas dapat ditrikotomikan lemah. atau perfect. dan sempurna. Tingkat kolinear dikatakan lemah apabila masing-masing variabel penjelas hanya mempunyai sedikit sifat-sifat yang sama. dapat dilihat pada gambar berikut ini: Y Y X2 X2 X1 X1 Gb. Sebagai gambaran penjelas.

atau dapat pula 123 .Gb. D. karena dari formula OLS sebagaimana dibahas terdahulu. yang tentu akan memperkecil nilai t. jika antara X1 dan X2 terjadi kolinearitas sempurna sehingga data menunjukkan bahwa X1=2X2. Berkolinear sempurna D. 2004: 26). Hal itu akan berdampak pula pada standar error Sb akan menjadi sangat besar. Konsekuensi Multikolinearitas Pengujian multikolinearitas merupakan tahapan penting yang harus dilakukan dalam suatu penelitian. dalam arti tidak dapat ditentukan kepastian nilainya. sehingga nilai b1 hasilnya tidak menentu. Logikanya adalah seperti ini. Pendeteksian Multikolinearitas Terdapat beragam cara untuk menguji multikolinearitas. b1 = 2 (∑x1 y )( ∑x 2 ) − (∑x 2 y )( ∑x1 x 2 ) 2 2 (∑x1 )( ∑x 2 ) − (∑x1 x 2 ) 2 akan menghasilkan bilangan pembagian.2. sehingga akan berpengaruh pula terhadap nilai t (Setiaji. melakukan regresi partial dengan teknik auxilary regression. karena apabila belum terbebas dari masalah multikolinearitas akan menyebabkan nilai koefisien regresi (b) masing-masing variabel bebas dan nilai standar error-nya (Sb) cenderung bias. maka nilai b1 dan b2 akan tidak dapat ditentukan hasilnya.3. di antaranya: menganalisis matrix korelasi dengan Pearson Correlation atau dengan Spearman’s Rho Correlation. b1 = 0 0 .

sepanjang nilai t signifikan. Dengan demikian. 22 Lihat Kuncoro.dilakukan dengan mengamati nilai variance inflation factor (VIF). apabila korelasi antara variabel penjelas tidak lebih besar dibanding korelasi variabel terikat dengan masing-masing variabel penjelas.8 maka multikolinearitas menjadi masalah yang serius. maka bila tujuan persamaan hanya sekedar untuk keperluan prediksi. 2001:146 124 . Sementara untuk data interval atau nominal dapat dilakukan dengan Pearson Correlation. Cara mendeteksi ada tidaknya multikolinieritas dengan menghitung nilai korelasi antar variabel dengan menggunakan Spearman’s Rho Correlation dapat dilakukan apabila data dengan skala ordinal (Kuncoro. dengan mempertimbangkan sifat data dari cross section. Selain itu metode ini lebih mudah dan lebih sederhana tetapi tetap memenuhi syarat untuk dilakukan. maka dapat dikatakan tidak terdapat masalah yang serius. 2001: 114).8 maka dapat dikatakan telah terbebas dari masalah multikolinearitas. yang mengatakan bahwa apabila korelasi antara dua variabel bebas lebih tinggi dibanding korelasi salah satu atau kedua variabel bebas tersebut dengan variabel terikat. hasil regresi dapat ditolerir. Dalam kaitan adanya kolinear yang tinggi sehingga menimbulkan tidak terpenuhinya asumsi terbebas dari masalah multikolinearitas. Juga pendapat Gujarati (1995:335) yang mengatakan bahwa bila korelasi antara dua variabel bebas melebihi 0. Mengacu pendapat Pindyk dan Rubinfeld22. Pengujian multikolinearitas menggunakan angka korelasi dimaksudkan untuk menentukan ada tidaknya multikolinearitas. dapat disimpulkan bahwa apabila angka korelasi lebih kecil dari 0. Gujarati juga menambahkan bahwa.

Jelaskan kenapa autokorelasi timbul! f. Apa konsekuensi dari adanya masalah heteroskedastisitas dalam model? l. Jelaskan apa yang dimaksud dengan normalitas! q. Jelaskan kenapa normalitas timbul! 125 . Jelaskan apa yang dimaksud dengan multikolinearitas! m. Jawablah pertanyaan-pertanyaan di bawah ini: a. Coba jelaskan mengapa tidak semua asumsi perlu lakukan pengujian! d. Apa konsekuensi dari adanya masalah autokorelasi dalam model? h.Tugas: 1. Jelaskan apa yang dimaksud dengan heteroskedastisitas! i. Jelaskan kenapa heteroskedastisitas timbul! j. Bagaimana cara mendeteksi masalah autokorelasi? g. Bagaimana cara mendeteksi masalah multikolinearitas? o. Coba jelaskan apa yang dimaksud dengan asumsi klasik! b. Jelaskan apa yang dimaksud dengan autokorelasi! e. Apa konsekuensi dari adanya masalah multikolinearitas dalam model? p. Sebutkan apa saja asumsi-asumsi yang ditetapkan! c. Bagaimana cara mendeteksi masalah heteroskedastisitas? k. Cobalah untuk menyimpulkan maksud dari uraian bab ini! 3. Buatlah rangkuman dari pembahasan di atas! 2. Jelaskan kenapa multikolinearitas timbul! n.

Bagaimana cara mendeteksi masalah normalitas? s. Bagaimana cara menangani jika data ternyata tidak normal? 126 .r. Apa konsekuensi dari adanya masalah normalitas dalam model? t.

“Statistik Induktif”. Inc. inc. Dominick. 1996. 2001.Damodar N. Irwin McGraw Hill. McGraw-Hill Book Company. Jakarta. Santoso. 2004. BPFE Yogjakarta. International Edition. John Wiley & Sons. Kuncoro. Fakultas Ekonomi Universitas Muhammadiyah Surakarta. “Metode Kuantitatif Teori dan Aplikasi Untuk Bisnis dan Ekonomi”. and John DiNardo. Carter.DAFTAR PUSTAKA Djarwanto. McGraw-Hill. “Essentials of Econometrics”. 1997. UPP AMP YKPN. Judge.. Johnston. Gujarati. Singgih. Second Edition. Bambang.. Buku Satu. 1983. Lembaga Penerbit Fakultas Ekonomi Universitas Indonesia. Supranto. “Aplikasi Analisis Multivariate dengan Program SPSS”. George G. “Buku Latihan SPSS Statistik Parametrik”. Imam. “Module Ekonometrika Praktis”. Hill. “Econometric Methods” Fourth Edition. “Ekonometrik”. Griffiths. J. 1997.Damodar N. Semarang Gujarati. “Undergraduate Econometrics”. 1999.. Mudrajad. “Managerial Economics in a Global Economy”. Pangestu Subagyo. BP Undip. Jack. “Basic Econometrics” Second Edition. Elex Media Komputindo. The McGraw-Hill Companies. Ghozali. Third Edition. 2000. Setiaji. William E. 127 . Yogjakarta Salvatore. 2001. 1988. Inc. Edisi 4. 2001.

Regresi Logit 128 .

1009 245.22 13.03 14.76 15.8304 106.88 15.03 14.58 13.4164 172.02 16.0831 203.49 X1 13.8667 198.82 12.9008 206.5009 166.7844 110.14 10.7641 262.4601 117.0724 146.8256 220.19 15.79 14.81 13.06 13.7089 3148.39 14.93 13.62 10.19 15.47 12.7161 195.3969 4800.97 15.21 16.2601 155.13 324.8182 203.3184 135.6681 157.5489 253.5025 207.22 13.36 109.05 10.398 129 .14 14.97 13.93 11.8409 199.76 15.1161 252.13 324.X1 13.88 15.6456 183.79 14.91 16.3614 144.911 147.01 12.55 14.525 Y2 68.14 14.7904 101.89 167.8046 171.08 13.13 14.9329 151.02 16.1641 196.11 13.21 16.6329 3871.06 13.23 13.5396 112.22 X12 170.48 10.85 14.16 14.5636 190.97 13.1744 248.51 10.58 13.9364 228.815 196.2354 187.97 15.2644 221.3977 206.9396 207.0721 224.2464 176.0449 184.55 15.9169 198.8025 229.04 12.4355 233.5729 169.1368 126.67 15.55 15.91 12.1281 256.0188 170.478 142.42 15.0025 112.6 10.22 Y 8.48 XY 108.85 14.5225 202.1609 190.33 260.1849 131.28 9.5584 83.3776 241.6521 170.658 142.3 12.48 10.2084 194.6404 262.4598 240.81 13.39 14.16 14.67 15.93 13.0416 149.2234 148.91 16.

t= b sb = 1. yaitu koefisien regresi sebenarnya (Y = A + BX + e). Untuk menguji tingkat kepercayaannya maka kita perlu mengukur interval kepercayaan (confidence interval) apakah B berada di antara batas atas dengan batas bawah interval atau tidak. Ingat E(b) = B. Kalau berada pada interval tersebut.α Persamaan ini dapat dibaca: probabilita interval antara (b-d) dan (b+d) akan memuat nilai B sebesar (1. maka dipastikan bahwa B mempunyai tingkat kepercayaan yang baik (reliabel). 130 . Nilai B sendiri besarnya adalah sama dengan nilai rata-rata b. Pengukuran berdasarkan interval kepercayaan dapat dituliskan dalam bentuk persamaan sebagai berikut: P (b-d ≤ B ≤ b +d) = 1.4498 0. karena nilai rata-rata b adalah pemerkira tak bias.4348 Penemuan nilai b di sini penting untuk menentukan nilai B. Permasalahannya adalah nilai b yang dihasilkan dengan perhitungan di atas adalah nilai b individual.195 = 7. Atau digambarkan sebagai berikut: (b-d) batas bawah dimana: interval (b+d) batas atas (b-d) = batas keyakinan bawah atau nilai batas bawah (b+d) = batas keyakinan atas atau nilai batas atas (1. Nilai b sendiri merupakan perkiraan tungga dari parameter B. maka kita perlu menguji apakah B berada pada interval atau tidak.α ). jika tidak. maka B tidak reliabel.α ) = koefisien keyakinan (confidence coefficient) atau tingkat keyakinan (confidence level). Perbedaan antara nilai b dan B disebabkan adanya fluktuasi sampling.

α tersebut (1 95% = 5% atau 0. dan statistika. Penggunaan model matematis seperti itu dimaksudkan untuk mendefinisikan hubungan antara berbagai variabel-variabel ekonomi yang saling mempengaruhi. Karena dalam pengukuran ekonomi diwujudkan dalam bentuk angka-angka maka ekonometrika bersifat kuantitatif. matematika. dan lain-lain. uang beredar. Dengan demikian. Penghitungan seperti tersebut digunakan untuk menentukan apakah nilai B menerima atau menolak hipotesis (H0).05. seperti pengukuran GNP. tingkat Inflasi.05). 131 . maka kesalahan yang ditolerir adalah yang kurang dari 5% atau 0. dengan menggunakan persamaan di atas kita dapat menginterpretasi bahwa kemungkinan nilai B berada pada interval adalah sebesar 95%.Simbol α sendiri disebut sebagai tingkat signifikansi (level of significance) yang diartikan juga sebagai besarnya kesalahan yang ditolerir di dalam membuat keputusan. Dengan demikian. Seandainya ditentukan bahwa tingkat keyakinannya sebesar 95%. maka diperlukan alat analisisnya yang berupa gabungan dari teori ekonomi. Banyak sekali konsep-konsep ekonomi yang dirumuskan dalam model matematis. untuk dapat melakukan pengukuran kegiatan ekonomi. Angka ini didapat dari rumus 1.