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

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

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

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

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

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

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

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

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

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

Berdasarkan contoh pada sub 13 . sehingga perlu diuji lebih lanjut melalui pembuktian berdasarkan data-data yang berkenaan dengan hubungan antara dua atau lebih variabel. 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. seberapa besar pengaruhnya? 2. begitu pula suku bunga juga mengalami peningkatan. 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. Setelah Juni 1997 diketahui bahwa terdapat kesamaan arah antara inflasi. kurs. dan jenis data. dan suku bunga. Rumusan hipotesa yang baik seharusnya dapat menunjukkan adanya struktur yang sederhana tetapi jelas. Tetapi ketika inflasi mengalami penurunan ternyata baik kurs dan suku bunga juga mengalami hal serupa. Berdasar pada hal tersebut. sifat hubungan antar variabel.tingkat prestasi kerja pegawai Depdiknas Kabupaten Sukoharjo selama ini? adakah stress kerja yang dialami pegawai mempengaruhi prestasi kerja. sehingga memudahkan untuk mengetahui jenis variabel.

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

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

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

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

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

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

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.

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

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

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

persamaan single linier (pers.5 14.5 BUDEP Gambar 3 24 .0 15.5 16.0 13.3) Y = b0 + b1X1 + b2X2 + …… + bnXn + e ……….5 15. (pers.0 16.3 dianggap bahwa Y = Inflasi. Dengan menggunakan data penelitian hubungan antara inflasi dan bunga deposito antara Januari 2001 hingga Oktober 2002... dan X = bunga deposito (Budep) pada periode tertentu.0 14. maka sebaran datanya tergambar sebagai berikut: Hubungan Suku Bunga terhadap Inflasi 16 15 14 13 12 11 10 INFLASI 9 8 13. dan jika datanya telah diketahui.4) sebagai berikut: Y = b0 + b1X + e ……….3) dan persamaan multiple linier (pers. maka data akan tergambar dalam bentuk titik-titik yang merupakan sebaran data dalam scatter plot.4) Misalkan dari pers. (pers.

Oleh karena itu. sehingga dapat diwakili dengan garis lurus. maka inflasi juga meningkat. maka afeksi negatifnya meningkat. 1. yaitu jika bunga deposito meningkat. kedua scater plot tersebut akan tepat digunakan regresi linier.6 0 10 20 30 40 AFENEGAT Gambar 4 25 . menunjukkan bahwa hubungan antara variable Afenegat (Afeksi negative) dan Latribut (Atribut) mempunyai hubungan yang negative.Sebaran data tersebut di atas (gambar 3) menunjukkan hubungan yang positif. Begitu pula sebaliknya. Begitu pula jika bunga deposito menurun. Sedangkan contoh sebaran data yang digambarkan dalam scatter plot di bawah ini (gambar 4).8 1.7 LATRIBUT 1.9 1. Dari scatter plot kedua gambar tersebut (baik gambar di atas maupun di bawah ini) menunjukkan bahwa sebaran datanya menyebar memanjang lurus. Jika atributnya berkurang. inflasi juga turun.

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

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

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

menunjukkan ketergantungan variabel Y terhadap variabel X b0 = intercept. 29 . ketidaklengkapan data yang dianalisis. kesalahan asumsi dalam menentukan teori yang diwujudkan sebagai model. 3. dalam arti tidak menunjukkan kebenaran yang mutlak. seharusnya digunakan model kuadratik tetapi justru yang digunakan adalah model linier. menjelaskan nilai variabel terikat ketika masing-masing variabel bebasnya bernilai 0 (nol). Misalnya. 4. Kesalahan pengganggu ini sendiri mempunyai banyak sebab yang dapat menimbulkannya seperti: 1. ketidaktepatan model yang digunakan.yang mengandung probabilita. tidak seluruh variabel bebas yang mempunyai potensi dalam mempengaruhi variabel terikat dapat disebutkan dalam model. Spesifikasi Model dan Data Secara spesifik model dalam ekonometrika dapat dibedakan menjadi: model ekonomi (economic model) dan model statistic (statistical model). karena hasil yang ditunjukkan oleh model ekonometrika hanya bersifat perkiraan. 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. atau sebaliknya. 2.

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

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

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

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

BAB III MODEL REGRESI DENGAN DUA VARIABEL 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 Membaca hasil regresi Menyebutkan asumsi-asumsi. 34 .

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

. seorang Matematikawan Jerman. 36 . sedangkan nilainya disebut sebagai estimate atau nilai perkiraan. merupakan variabel independen Notasi a dan b merupakan perkiraan dari A dan B. 1983 Ordinary Least Square (OLS) ditemukan oleh Carl Friedrich Gauss. ∑ X a= ∑ n 11 12 Supranto. yaitu dapat dilakukan dengan metode kuadrat terkecil biasa (ordinary least square)12. Jakarta. J.X. namun penghitungannya menggunakan metode yang sama. LPFEUI. pada tahun 1821. Ekonometrik. 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. Huruf a.11 Meskipun penulisan simbol konstanta dan koefisien regresinya agak berbeda. disebut sebagai estimator atau statistik. atau dengan metode Maximum Likelihood. Buku satu. b.

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.

23 13.11 13.05 10.08 13.48 10.06 13.42 15.33 260.13 324.16 14.3 12.76 15.22 38 .93 11.28 9.47 12.55 15.19 15.85 14.79 14.82 12.21 16.58 13.55 14.81 13.88 15.03 14.67 15.22 13.62 10.14 14.91 12.02 16.51 10.97 15.49 X1 13.48 10.93 13.13 14.04 12.91 16.14 10.6 10.97 13.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 8.39 14.01 12.

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

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

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

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

9396 207.4601 117.4355 233.33 260.0025 112.6521 170.1744 248.51 10.06 13.8256 220.7641 262.62 10.6 10.13 14.5025 207. sebagai berikut: Mencari nilai b: b= n ( ∑ XY ) − ( ∑ X )( ∑Y ) n (∑ X ) − (∑ X ) 2 2 43 .3776 241.11 13.2084 194.3 12.0831 203.23 13.55 14.3969 4800.42 15.91 16. maka angka-angka tersebut dapat secara langsung dimasukkan ke dalam rumus I.911 147.1368 126.05 10.4164 172.04 12.81 13.5225 202.8409 199.815 196.5729 169.55 15.8025 229.5636 190.2601 155.01 12.22 X12 170.9169 198.03 14.0449 184.97 15.58 13.4598 240.1609 190.478 142.7089 3148.79 14.13 324.9364 228.658 142.7844 110.14 10.67 15.93 13.39 14.16 14.398 Setelah mendapatkan hitungan-hitungan hasil pengembangan data.1849 131.3184 135.6681 157.85 14.5009 166.0416 149.21 16.9329 151.3614 144.5396 112.49 X1 13.525 Y2 68.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 8.3977 206.93 11.5489 253.02 16.76 15.6456 183.08 13.89 167.7161 195.0721 224.0188 170.8304 106.91 12.47 12.48 10.22 13.7904 101.6404 262.2234 148.28 9.0724 146.9008 206.1161 252.88 15.19 15.8046 171.48 XY 108.5584 83.1281 256.97 13.8667 198.36 109.14 14.2464 176.2354 187.1009 245.8182 203.2644 221.82 12.48 10.6329 3871.1641 196.

871 .1 0 . bahwa nilai a dan b dapat pula dicari dengan menggunakan rumus kedua.4497 dengan diketahuinya nilai b.1 8 .022 22 = = a = -9.Langkah yang dapat dilakukan dicontohkan sebagai berikut: 44 .9916 b = 1.4 6 .49 − 470 . ∑ X a= ∑ n 260 .49 ) 22 ( 4.6922 492 .6 − 0 .525 ) − ( 324 . karena rumus pencarian a terkait dengan nilai b.4497 (324 .0 7 5 7 6 8 5 68 1 5 .22 ) 22 260 .6 1 .6 8 0 1 0 15 1 04 714 .7 − 4 . perlu menghitung dulu komponen-komponen rumus.b= = = 22 ( 3. Demikian pula.398 ) − ( 324 .5241 Seperti telah dijelaskan di atas.22 ) 2 8 . Mencari nilai a: Y −b.800 .22 )( 260 . agar dapat secara langsung menggunakan rumus II ini. maka nilai a juga dapat ditentukan.49 −1.

menggunakan rumus kedua: b= ∑xy ∑x 2 Dari rumus di atas.22 −260 .16 xy ∑ = 3871.40 - (324 .12 = 22.32 = 64.41 ∑y 2 = 3148.48 - 260 .53 – 4778.49 ) 22 45 .49 2 22 = 3148.22 2 22 = 4800.Mencari nilai b. 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 ∑ = 4800.53 2 324 .48 – 3084.

4497. Sedangkan hasil penghitungan dengan rumus II.3661 a= -9. maka nilai b dapat ditentukan.49 22 . Tampak bahwa hingga dua angka di belakang koma tidak terdapat perbedaan.41 = 1.= 3871.8405 – (1.7373) = 11. nilai a = -9.4498. yaitu: b= 32 . Perbedaan ini sifatnya tidak tidak substansial.5241 dan b = 1.5256 dan b = 1. karena munculnya perbedaan itu sendiri akibat dari pembulatan. nilai-nilai tersebut.40 – 3838.5256 Hasil pencarian nilai a dan b dengan menggunakan rumus I dan II didapati angka yang cenderung sama.49 Dengan diketahuinya.91 = 32. sedangkan tiga angka di belakang koma mulai ada perbedaan.4498 Dengan diketahuinya nilai b. mencari a dan b dengan rumus I ataupun rumus II akan menghasilkan nilai yang sama. maka nilai a juga dapat dicari dengan rumus sebagai berikut: a= − X Y b = 11. Dengan demikian dapat disimpulkan bahwa.8405 – 21.4498 x 14. Pada penghitungan rumus I nilai a = –9. 46 .

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

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

yang terkenal dengan 13 Tidak bias artinya nilai a atau nilai b yang sebenarnya.1 6 0 a . X 1 b . P re d ic to rs : (C o n s ta n t).4 3 1 Sig . Erro r Beta -9.8 5 3 F 5 5 . nilai a dan b besar kemungkinannya tidak merupakan nilai yang sebenarnya.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.1 0 1 R e s id u a l 1 7 . . jika asumsi tidak terpenuhi.0 5 9 T o ta l 6 4 . D e pe nd en t Varia ble: Y Catatan: Hasil penghitungan manual dan SPSS tampaknya ada perbedaan dalam desimal. 49 . a .8 57 M o de l 1 (Con stan t) X1 t -3. Itu disebabkan adanya penghitungan pembulatan. Dikatakan demikian sebab. 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 .1 0 1 . Meskipun nilai a dan b dapat dicari dengan menggunakan rumus tersebut.3 0 5 7.2 2 0 S ig .8 82 1.5 27 2 .00 4 .19 5 .00 0 a .4 50 . namun nilai a dan b baru dapat dikatakan valid (tidak bias)13 apabila telah memenuhi beberapa asumsi.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 .

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

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

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

449. Demikian pula sebaliknya. jika variabel bebas meningkat. Artinya. maka variabel terikat juga meningkat. jika X mengalami perubahan yang menurun. dengan perbandingan perubahan 1:1. jika variabel bebas meningkat. Artinya. 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.tersebut menunjukkan bahwa jika variabel X meningkat maka Y juga akan meningkat. Demikian pula sebaliknya. Sebaliknya. Tanda (-) pada koefisien regresi menunjukkan hubungan yang berlawanan. maka Y juga akan menurun. Menguji Signifikansi Parameter Penduga 53 . maka variabel terikat akan menurun.

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

maka alat ujinya adalah menggunakan uji F. 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. tergantung permintaan dari user. perlu terlebih dulu menghitung standar error atau standar deviasi dari b.A.pengujian signifikansi yang menggunakan lebih dari satu variabel bebas yang diuji secara bersama-sama dalam mempengaruhi Y. 2. yang ternyata telah dirumuskan sebagai berikut: Sb = Uji t R. Berbagai software komputer telah banyak yang melakukan penghitungan secara otomatis. Fisher t hitung > t tabel t hitung < t tabel Individual Satu Uji F Neyman. Sebagai perbandingan antara penggunaan uji t dan uji F dapat dilihat pada tabel berikut: Tabel. Namun perlu bagi kita untuk mengetahui formula dari standar error dari b. 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 .

• Kolom Sig. menunjukkan angka 0.04 itu berarti bahwa tingkat kesalahannya mencapai 4%. maka diperlukan ˆ menghitung nilai Yt terlebih dulu.01 maka angka tersebut tidak signifikan. • Uji F dapat dilihat dalam output hasil regresi dengan SPSS pada tabel ANOVA. Guna menghitung standar deviasi dari data yang tersedia berdasar rumus di atas. Bantuan dengan SPSS • Uji t dapat dilihat dalam output hasil regresi dengan SPSS pada tabel Coefficient. Angka sebesar itu dapat dikatakan signifikan jika derajat kesalahan (α ) telah 56 ditentukan sebesar 0. Misal. kolom Sig. .05. Caranya adalah memasukkan nilai X ke dalam hasil regresi yang di hasilkan di atas.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). untuk ˆ mempermudah penghitungan e atau Yt −Yt . baik pada tabel Coefficient maupun ANOVA menunjukkan tingkat signifikansi pada derajat kesalahan (α ) tertentu. Dengan demikian tabel data ˆ akan menghasilkan kolom Yt sebagaimana tertera pada tabel di bawah ini. Tetapi jika α ditentukan 0.

219 2.001 0.02 0.05 0.60 -0.12 0.47 12.93 11.361 -0.45 1.71 -0.851 0.699 0.17 1.024 12.82 0.16 2.97 13.04 0.19 15.188 -1.79 14.046 0.284 1.566 0.342 12.37 1.22 Y 8.328 13.93 1.27 57 .28 9.04 12.472 10.76 15.10 1.092 -1.01 0.30 1.35 0.183 13.795 -1.81 13.06 13.21 16.86 0.91 12.11 13.91 16.62 10.Tabel pengembangan data untuk menghitung Standar Deviasi X1 13.11 -0.279 2.413 10.546 13.131 1.045 1.14 14.14 10.05 9.501 10.113 0.03 14.23 13.705 13.035 1.52 2.279 1.157 0.02 16.13 14.39 14.952 13.528 -1.55 15.08 13.93 -0.076 0.038 0.133 -1.01 12.64 2.502 13.277 0.733 10.97 15.18 0.628 0.86 1.55 14.820 10.90 0.77 -0.047 -0.472 -0.95 -0.431 0.82 12.88 15.981 13.002 0.51 10.885 0.23 0.198 13.223 0.632 2.48 10.14 1.42 15.3 12.85 14.076 -0.36 0.000 1.67 15.81 0.28 1.47 1.001 1.42 0.650 0.095 ˆ Y ˆ ˆ (Y −Y ) (Y −Y ) ( X − X ) ( X − X ) 2 2 -1.16 14.68 -0.752 0.66 0.458 12.013 0.50 0.468 1.979 11.009 11.59 0.

060 -0.167 9.48 10.22 10. dimana hasilnya ditemukan sebesar: Sb = = 17 .35 2.515 260.49 10.16 -1. Jadi S e2 dapat dicari dengan rumus sebagai berikut: 2 se = ∑e 2 i n −2 Agar rumus ini dapat langsung digunakan.665 17.006 0.195 Selain dicari dengan rumus seperti di atas.33 260.6 10.41 ) 17 .41 Dengan adanya pengembangan data menjadi seperti tertera pada tabel di atas.13.591 -0.816 -0.2 = 0.66 1.06 20 ( 22 . maka perlu terlebih dulu mencari nilai S e2 yang dapat dicari dengan membagi nilai total ei2 dengan n-2.06 448 .675 10.313 0.93 13.098 0.101 0. tentu terlebih dulu harus mencari nilai total ei2 yang dapat dicari melalui rumus berikut ini: 58 .06 0.61 -0. Sb dapat pula dicari melalui jalan lain dengan rumus yang dapat dituliskan sebagai berikut: Sb = 2 se ∑ xi2 Bila kita hendak menggunakan rumus ini.58 13.81 -1.13 324.59 22. maka Sb dapat segera dicari.075 0.

8528 Karena nilai s e2 merupakan salah satu komponen untuk mencari nilai Sb. yaitu: ei2 = 64.16 – 2. yaitu: 59 .1040 = 17.16 – 47.Rumus mencari nilai total ∑ei2 = ∑ y i2 − b 2 ∑xi2 ei2 : Dengan memasukkan nilai komponen rumus yang telah didapatkan melalui hitungan-hitungan terdahulu.056 22 −2 17 .8528 tentu saja nilai Sb pun dapat diketahui.056 Hitungan di atas telah memastikan bahwa nilai ei2 adalah sebesar 17. maka nilai ei2 dapat diketahui. Dengan diketemukannya nilai ei2 ini maka nilai s e2 pun dapat diketahui melalui hitungan sebagai berikut: 2 se = ∑e 2 i n −2 = = 17 .41) = 64.1019 (22.056.056 20 = 0. maka dengan ditemukannya nilai 2 s e sebesar 0.

Nilai t tabel sebenarnya telah ditentukan pada tabel t student yang telah ditetapkan oleh para penemunya.195 Hitungan dengan rumus ini ternyata menghasilkan nilai Sb yang sama besar dengan hitungan menggunakan rumus yang pertama. menunjukkan bahwa nilai statistik t sebesar 7. karena rumus mencari t hitung adalah: t= b sb Jadi.41 = 0. Angka tersebut umumnya disebut pula sebagai nilai t hitung. nilai t hitung variabel X adalah sebesar: t = 1.195.4348.8528 22 . maka nilai statistik t (baca: t hitung) dapat ditentukan.Sb = 2 se ∑ xi2 = 0. Cara menentukan signifikan tidaknya nilai t tersebut adalah melalui pembandingan antara nilai t hitung dengan nilai t tabel. yaitu nilai Sb sebesar 0. Dengan diketahuinya nilai Sb.195 = 7.4498 0. 60 . Besarnya angka t hitung ini yang menentukan signifikan tidaknya variabel X dalam mempengaruhi variabel Y.4348 Penghitungan nilai t dengan cara yang dilakukan di atas.

Atas dasar itu dapat dipastikan bahwa variabel X (budep) signifikan mempengaruhi Y (inflasi).725. jika nilai t hitung > t tabel. (Lihat data t tabel di halaman lampiran). karena jumlah k adalah 2. maka signifikan. seandainya kita menggunakan derajat kesalahan yang ditolerir adalah 5 % (baca: α = 0. maka degree of freedom (df) sama dengan sebesar nk = 20.05). dan karena jumlah observasi adalah sebanyak 22 (baca: n=22).Karena untuk menentukan signifikan tidaknya nilai t hitung adalah melalui upaya membandingkan dengan nilai t tabel. maka tidak signifikan. Dengan menggunakan contoh data di atas. yaitu 1 parameter a dan 1 parameter b. maka dapat diketahui bahwa. sudah tentu angka tersebut lebih kecil dibanding dengan nilai t hitung yang besarnya 7. Gambaran pengujian nilai t dapat disimak melalui gambar di bawah ini: Daerah diterima Daerah Ditolak Daerah Ditolak 61 . maka nilai t tabelnya adalah sebesar 1.4348. Nilai t tabel yang besarnya 2. Jika nilai t hitung < t tabel.086.

(n-k-1) -1.5%. Tanda -t α /2 atau t α /2 memberikan arti bahwa masing-masing kutub mempunyai daerah distribusi tolak sebesar 2. Probabilitas daerah tolak tidak lagi terbagi menjadi dua dengan porsi masing-masing 2. sedang bila nilai t hitungnya positif. Bilai nilai t hitungnya negatif.806 berada pada daerah ditolak. Nilai t hitung bertanda negatif yang nilainya lebih kecil dari nilai –2.1) -t α /2. Kutub sebelah kiri bertanda negatif. 62 . Jika pengujian nilai t menggunakan pengujian satu arah atau one tail test. Jumlah dari keduanya mencerminkan α = 5%. Dengan mengambil hitungan dari contoh kasus di atas. Kutub sebelah kanan yang bertanda positif berguna sebagai pembatas nilai t hitung yang lebih kecil dari 1. (n-k1. langkah terpenting berikutnya adalah menginterpretasi hasil regresi. Daerah Uji t t α /2.725 berarti berada di daerah tolak.725 Gb. tetapi telah penuh sebesar 5%. maka daerah tolak hanya ada pada salah satu kutub saja.725 Gambar di atas menunjukkan pengujian nilai t dua arah atau two sided atau two tail test.5%. maka daerah tolak berada pada sisi sebelah kanan.1. Interpretasi Hasil regresi Setelah tahapan analisis regresi dilakukan sesuai dengan teori-teori yang relevan.3. maka daerah tolak berada pada sebelah kiri kurva. Interpretasi yang dimaksudkan disini adalah mengetahui informasi-informasi yang terkandung dalam hasil regresi melalui pengartian dari angka-angka parameternya.

f. sedangkan nilai b mencerminkan tingkat elastisitas variabel X. E<1 = inelastis. Perlu diingat bahwa nilai b juga mencerminkan tingkat elastisitas variabel X. apabila Budep turun sebesar 1% maka Inflasi juga akan mengalami penurunan sebesar 1. besarnya tingkat perubahan yang terjadi pada Budep akan mengakibatkan tingkat perubahan yang lebih besar pada variabel Y (Inflasi).4498 Budep + e thit = (7. Sebaliknya. pada α =5% dengan d. yang besarnya 1. Artinya. b. sebanyak 20. E=1 =uniter elastis.4348 lebih besar dibanding nilai ttabel. Nilai t sendiri mempertegas 15 Standar elastisitas dapat diketahui dari: jika E>1 = elastis.4498%. Terbukti dari nilai thit variabel Budep sebesar 7. Nilai a menjelaskan tentang seberapa besar faktor-faktor yang bersifat tetap mempengaruhi inflasi. Koefisien Determinasi (R2) Pembahasan hasil regresi di atas menunjukkan seberapa besar nilai a.4498) lebih besar dari angka 1 (satu). maka Inflasi akan mengalami peningkatan sebesar 1.4498%. maka dapat dipastikan bahwa variabel Budep sangat elastis15. 63 .4498 menginformasikan bahwa setiap Budep meningkat 1%.4348) Persamaan di atas menginformasikan bahwa variabel Budep signifikan mempengaruhi variabel Inflasi. Karena nilai b (1. Nilai b Budep yang besarnya 1.5256 + 1.725.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. dan t.

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

menunjukkan arti bahwa determinasi dari variabel bebas terhadap variabel terikat adalah sebesar 73.734 baik untuk menaksir Inflasi. • 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 14.857 ini bila ditulis dalam bentuk prosentase sama dengan 85. disimpulkan bahwa Budep merupakan prediktor yang • Misalkan angka R2 menunjukkan angka 0.148 .5%.4%. 65 . 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.48 ) −( 260 .53 ) −(324 .7%.411 .22 ( 260 . Artinya.49 ) 2 ] [22 (3.49 ) 2 ]   [1.871 . • Ibarat air dalam gelas.7 1 3   2 . Dengan demikian pada tabel model summary.52 ]       [493 . variabel terikat (Y) adalah gelasnya dan air adalah variabel bebasnya (X). Angka tersebut menjelaskan bahwa Bantuan dengan SPSS variabel Bunga deposito determinasi atau sumbangan (budep) terhadap inflasi adalah sebesar 87.2 x 3 .4% dari gelas tersebut.4) −324 .73    834 .800 .734 maka air dalam gelas adalah sebanyak 73.22 ) R2 =     22 (3. Terkait dengan angka 0.857 Angka koefisien determinasi (R2) yang besarnya 0. maka akan menghasilkan nilai sebagai berikut: R2 =     [22 (4.73 =   7 4 .3%.5  2 0 7 7  R2 =  714 .05  = 0.06 ] 714 .

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

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

Pada bab ini jumlah variabel yang digunakan akan ditambah 68 . 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. 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.Tujuan Pengajaran: Setelah mempelajari bab ini.

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

maka untuk semakin memperjelas perihal terjadinya inflasi. dapat dicoba menambah satu variabel penduga (X2) yaitu Kurs.39 14.04 12.67 15.57 8956.11 13.59 9288.97 15.81 13.75 11291.97 13.78 10204.14 10.bahwa pemicu terjadinya inflasi desakan biaya karena perubahan pada sisi supply. Berbagai alasan yang dijelaskan di atas. maka data yang dianalisis pun bertambah hingga menjadi sebagai berikut: X1 (Budep) 13.23 13.91 Y (Inflasi) 8. pada kurun waktu yang sama dengan data sebelumnya yaitu antara Januari 2001 hingga Oktober 2002. yang menggambarkan nilai tukar IDR terhadap USD.47 X2 (Kurs) 9433.79 14.06 13.7 11074.05 10097.28 9.62 10.51 10.01 12.25 9633. Karena jumlah variabel X tidak lagi satu melainkan sudah dua.3 10883.14 14.19 11294. sedang inflasi tarikan permintaan disebabkan perubahan pada sisi demand.82 12. maka analisa yang akan digunakan adalah analisa regresi linier berganda. Dengan bertambahnya variabel Kurs sebagai variabel penduga.91 70 .03 14.

55 15.22 12.42 10393.86 10269.49 10554.73 216816.05 8688.48 10.05 10.85 14.43 9151.02 16. 2) rumus penghitungan nilai b mengalami perubahan.82 9115.26 9485.55 14. 3) jumlah degree of freedom dalam menentukan nilai t juga berubah.91 12.16 14.7 8928.19 15.93 13.42 15.65 8964.76 15. meliputi: 1) jumlah variabel penjelasnya bertambah.33 260.82 10237.13 14.88 15.42 9914.21 16. Perbedaannya hanya terdapat pada jumlah variabel X saja.93 11.3 12.7 Perubahan model dari bentuk single ke dalam bentuk multiple mengalami beberapa perubahan.08 13.13 324. Dalam regresi linier tunggal hanya satu X. Model Regresi Linier Berganda Penulisan model regresi linier berganda merupakan pengembangan dari model regresi linier tunggal.48 10.16.6 10.41 8954.58 13. Model regresi linier umumnya dituliskan sebagai berikut: Populasi: BnXn + e Y = A + B1X1 + B2X2 + B3X3 + ………+ 71 . tetapi dalam regresi linier berganda variabel X lebih dari satu. sehingga spesifikasi model dan data terjadi penambahan.22 13.

23 + B12. 4.U.2X3i + e Y = b1. 16 G.17 Notasi b1. Treated by a new System of Notation.23 berarti nilai perkiraan Y kalau X2 dan X3 masing-masing sama dengan 0 (nol).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. Notasi model seperti itu tentu berbeda dengan notasi model Yale16. On the Theory of Correlation for any Number of Variables. 1970.2X3i + e Notasi model Yale ini mempunyai spesifikasi dalam menandai variabel terikat yang selalu dengan angka 1. dan seterusnya. 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. maka notasi model menjadi seperti berikut: Populasi: Sampel : Y = B1. Preceeding of Royal Society.23 + b12. Penulisan cara di atas adalah bentuk model yang sering dijumpai dalam beberapa literatur. Vol. Yale. Notasi b12.79. 3. A. Untuk variabel bebas notasinya dimulai dari angka 2. Apabila kita ingin menganalisis pengaruh Budep dan Kurs terhadap Inflasi dengan mengacu model Yale. 17 Penulisan model seperti ini ditemui pula dalam buku-buku karya Gujarati 72 .3X2i + b13.3X2i + B13.

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

dengan cara membagi dengan angka 2. dapat dilakukan melalui cara turunan parsial (partially differentiate) dari formula di atas.= ∑ (Y − b n =1 n 0 − b1 X 1 − b2 X 2 ) 2 Untuk mendapatkan estimasi least square b0. sehingga memperoleh rumus baru sebagai berikut: b0 + b1 X 1 + b2 X 2 = Y b0 = Y − b1 X 1 − b2 X 2 74 . 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. b1. 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).b2 minimum.

perubahan pada X2. Semakin banyaknya variabel X ini maka kemungkinan-kemungkinan yang menjelaskan model juga mengalami pertambahan. Dalam single linier kemungkinan perubahan variabel lain tidak terjadi.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. Perubahan yang terjadi pada X1 atau X2 tentu mengakibatkan perubahan nilai harapan Y atau E(Y/X1. Perbedaan ini muncul karena jumlah variabel penjelasnya bertambah. Oleh karena itu pencarian nilai b mengalami perubahan. tentu perlu untuk melakukan kontrol pengaruh dari X2. Begitu pula. tetapi dalam multiple linier hal itu terjadi. Misalnya. Jika terjadi perubahan pada X1. meskipun X1 konstan. untuk mengetahui 75 . meskipun X2 konstan. Guna mengetahui seberapa besar kontribusi X1 terhadap perubahan Y. akan mampu merubah nilai harapan dari Y.X2) yang berbeda. Begitu pula. akan mampu merubah nilai harapan dari Y.

Misalnya kita hendak mengontrol pengaruh linier X2 ketika melakukan pengukuran dampak dari perubahan X1 terhadap Y. bagaimana caranya mengontrolnya? Untuk menjawabnya. maka dapat melakukan langkah-langkah sebagai berikut: Tahap pertama: lakukan regresi Y terhadap X2. Dari sini dapat timbul pertanyaan.kontribusi X2.Y Tahap kedua: lakukan regresi X1 terhadap X2 X1 = b0 + b2 X2 + e2 Dimana e1 merupakan residual. yang besarnya: e1 = Y – b0 – b2X2 ˆ = Y. perlu ilustrasi secara konkrit agar mudah dipahami. 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. yang besarnya: e2 = X1 – b0 – b2X2 ˆ = X1.

maka data yang ada perlu diekstensifkan sesuai dengan kebutuhan rumus tersebut. Pencarian koefisien regresi tersebut dapat dilakukan dengan menggunakan rumus-rumus yang telah ditentukan di atas. 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 . Guna mempermudah dalam memasukkan angka-angka ke dalam rumus. Dengan memanfaatkan data yang telah tersedia. 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. atau menunjukkan kemiringan (slope) garis Y atas variabel X1.unit X1 terhadap Y. b2). Logika dari teori tersebut yang mendasari rumus yang dapat digunakan untuk menentukan koefisien regresi parsial (partial regression coefficients) (baca: b1. kita dapat pula menentukan nilai b1 variabel Budep maupun b2 variabel Kurs.

92 −4.208 .46 2.274 .205 .185 .861 .49 216.227 .318 .227.962 .914 .667 .19 = 315 . maka nilai b0.70 ) − (7.318.64 )( 2.877 . 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 .503 .324 .318 .40 14.48 7.41)(14 .931 . 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.274.22 260.02 320 .21 −16 .227 .69 32.324.70 ) − ( 2.52 78 .40 449 .002 .70 22.72 Berdasarkan data-data yang tertera dalam tabel di atas.72 ) 2 465 .816.503 . dan b2 dapat ditentukan.503.49 )(14 .736 .72 ) ( 22 . b1.

378 . Semakin besar standar error mencerminkan nilai b sebagai penduga populasi semakin kurang representatif. 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 = = = = (7.52 = 0.877 .503 .962 .72 ) ( 22 .227 .84-1.736 .869E-04 Dengan menggunakan rumus pencarian b0 di atas.84-20.b1 = 1.855.93. 79 .0002869 atau dapat ditulis dengan 2.92 −4. Penambahan atau pengurangan akan mengakibatkan perubahan rentangan nilai b.68 −72 .318 . Perubahan rentang nilai b1 dan b2 diukur dengan standar error.06 315 .421 Dengan menggunakan rumus pencarian b2 di atas.646 .024 .41 )(14 .914 .227 .41 ) − (32 .72 ) 2 163 .0002869(9.30) = 11.62 320 .64 )( 22 .274 .49 )( 2.421(14.73)-0.917 Nilai dari parameter b1 dan b2 merupakan nilai dari suatu sampel.2.667 . maka diketahui bahwa nilai b0 adalah: b0 = Y − b1 X 1 − b2 X 2 = 11.827 = -11.70 ) − ( 2.40 90 . Nilai b1 dan b2 tergantung pada jumlah sampel yang ditarik.931 .

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

84) = 3.399 .40 (0.69 ) − ( 2.84 ) 315 .179 Mencari Sb2: Sb2 = ∑x (∑ x )( ∑ x ) − (∑ x x 2 1 2 1 2 2 1 2 )2 n − 3 ∑e 2 =   15 .40 )(14 .50  15 .69 (0.90 1 22 + 315 .746 .226 Mencari Sb1.503 .318 .72 )  19 = 22 .503 .318 .26  19   (0.8 ) 4 1 9 4 = 3.84 = 0.9 22 .40 )(14 .771 .26 83 .26 0.318 .746 .0 5 (0.84 ) 315 .746 .227 .9 14 .69 ) − ( 2.40  2  ( 22 .503 . S b1 = ∑x (∑ x )( ∑ x ) − (∑ x x 2 2 2 1 2 2 1 2 )2 n −3 ∑e 2 = = =   15 .318 .0 5 + 4 .227 .= = 4.503 .6 ) (0.771 .361 .213 x 0.771 .639 .72 )  19 14 .69  2  ( 22 .8 ) 4 4 = 0.84 (0.

84 = 0. maka nilai t untuk masing-masing parameter dapat diperoleh.694 dan nilai tb1 adalah: 84 . Pencarian nilai t mempunyai kesamaan dengan model regresi linier sederhana.917 3.= 0. hanya saja pencarian Sb nya yang berbeda.8 ) 4 = 0. Sb 2 Mencari nilai statistik tb1: t b1 = Mencari nilai statistik tb2: tb2 = Dengan menggunakan rumus-rumus di atas.000266 x 0.226 = -3.0 0 0 0 0 0007 (0. maka nilai tb0 adalah: tb0 = −11. Pencarian masing-masing nilai t dapat dirumuskan sebagai berikut: Mencari nilai statistik tb0: tb0 = b0 Sb 0 b1 S b1 b2 .000223 Setelah diketahui semua nilai standar error (Sb0. karena nilai t merupakan hasil bagi antara b dengan Sb. Sb2) melalui penggunaan rumus-rumus di atas. Sb1.

Apabila nilai t hitung lebih besar dibandingkan dengan nilai t tabel. yang berarti lebih besar dibanding nilai tabel pada α =5% dengan df 19 yang besarnya 2. maka dapat digunakan untuk mengetahui signifikan tidaknya variabel penjelas dalam mempengaruhi variabel terikat.284 dengan diketahuinya nilai t hitung masing-masing parameter.093.0002869 0.179 =7.093. maka dapat dipastikan bahwa variabel budep secara individual signifikan mempengaruhi inflasi. Sedangkan nilai tb2 yang besarnya 1. Sebaliknya. maka variabel penjelas tersebut signifikan. Untuk dapat mengetahui apakah signifikan atau tidak nilai t hitung tersebut.t b1 = 1.421 0. Pengujian kedua nilai t dapat dijelaskan dalam bentuk gambar sebagai berikut: 85 .0002234 = 1. maka perlu membandingkan dengan nilai t tabel. maka variabel penjelas tersebut tidak signifikan. maka dapat dipastikan bahwa variabel Kurs secara individual tidak signifikan mempengaruhi inflasi.284 adalah lebih kecil dibandingkan dengan nilai t tabel pada α =5% dengan df 19 yang besarnya 2.938.938 sedangkan nilai tb2 adalah: tb2 = 0. jika nilai t hitung lebih kecil darit tabel. Karena nilai tb1 adalah sebesar 7.

b. dan variabel X1 dan X2 ke kotak variabel Independen. Daerah ditolak t α /2.093 (+) Daerah Uji t Variabel Budep Bantuan dengan SPSS Tahapan-tahan yang dilalui untuk melakukan Daerah ditolak regresi linier 1.Daerah diterima 7.284 berganda dengan penghitungan-penghitungan nilai a. Sb di atas. t α /2.938 Gb. caranya: pilih Analyze.3.3.093 Gb. Reression. Linear Daerah diterima • Masukkan variabel Y ke kotak variabel dependen.2. (n-k-1) 2. Daerah Uji t Variabel Kurs berikut: • Pastikan data SPSS sudah siap • Lakukan regresi. (n-k-1) (+) dapat dilakukan dengan bantuan SPSS dengan tahapan sebagai 2.2. . 86 kemudian klik OK.

867 a .899 64. Predictors: (Constant). Coefficient (memuat nilai t). ANOVA (memuat nilai F).752 Adjusted R Square . Predictors: (Constant). X1 b ANOVA Model 1 Regression Residual Total Sum of Squares 48. Model Summary Model 1 R R Square . . Dependent Variable: Y 87 . X2.130 . Error of the Estimate .160 df 2 19 21 M ean Square 24.726 Std.837 F 28. X1 b.9148 a. X2.• Hasil regresi akan tampak dalam output regression yang menunjukkan tabel: model summary (memuat R2).836 Sig.261 15.000a a.

136 t -3.421 .000 Standardi zed Coefficien ts Beta .840 .511 X1 1.933 3. Dependent Variable: Y Catatan: • Nilai a.177 Sig.0002869 88 .399 7.a Coefficients Model 1 Unstandardized Coefficients B Std. b2.254 a.298 1.003 .869E-04 . . b1. Error (Constant) -11.869E-04 dibaca 0. Ini disebabkan oleh pembulatan angka saat penghitungan. • Angka 2.000 .195 X2 2. antara hitungan manual dengan hitungan SPSS terdapat sedikit perbedaan angka di belakang koma.

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

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. 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 . 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. (baca: Y bar) adalah nilai Y rata-rata. 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. Hasil pengukuran ini kemudian dijumlahkan hingga mencakup seluruh observasi.(ESS) atau variasi yang dijelaskan Y.

979 6.42 9914.933 -11.933 -11.933 -11.933 B1 B2 1.493 -1.91 16.421 0.25) = 9.000287 1.000287 1.221 -1.421 0.933 -11.67 15.000287 1.223 2.933 -11.421 0.821 5.586 13.13 14.82 10237.791 12.01 12.933 -11.51 10.561 -2.000287 1.338 0.348 10.19 11294.421 0.677 7.416 11.390 1.78 10204.170 0.925 13.142 4.917 + 1.421 0.379 3.91 12.000287 1.071 13. Penghitungan nilai Y cap menjadi penting untuk dilakukan agar mempermudah kita dalam menggunakan rumus R2 yang telah ditentukan di atas.421 0.000287 1.06 13.174 1.933 -11.957 0.580 3.061 0.03 14.19 15.04 12.361 -1.240 11.240 1.027 0.933 -11.421 0.70 B0 -11.55 14.187 0.000287 1.290 2.421 0.745 1.000287 1.770 1.710 2.28 9.460 1.933 -11. dimana X1= ˆ 13.230 1.000287 1.933 -11.654 11.0002869(X2) Jika observasi nomor 1 (satu) kita hitung.421 0.421 (X1) + 0.187 0.02 16.041 0.421 0.978 -0.421 0.503 6.22 Y 8.862 2 2 ˆ ˆ Y −Y (Y −Y ) Y −Y (Y −Y ) -2.654 10.748 2.000287 1.439 0.160 0.30 10883.933 -11.000287 1.125 0.86 10269.55 15.196 1. Sebagai contoh menghitung Y cap.91 10554.331 -1.180 0.588 13.47 12.933 -11.25 9633.678 10.876 0.14 10.82 12.421 0.396 1.421 0.21 16.88 15.000287 1.015 13.130 3.007 1.969 0.015 2.26 9485.05 10097.269 1.200 0. beserta ekstensinya diperlukan untuk menyesuaikan dengan rumus mencari R2.370 -0.876 14.152 1.000287 1.163 -0.65 8964.97 15.064 14.421 0.206 91 .630 1.958 -3.975 3.045 2.421 0.57 8956.39 14.05 8688.214 1.75 11291.59 9288.433.421 0.48 10.070 0.054 4. Hasil regresi adalah: Y = -11.293 1.000287 1.000287 1.000287 ˆ Y 9.471 10.862 10.85 14.14 14.701 -1.433.259 11.70 11074.021 0.93 11.06 dan X2 = 9.421 0.035 2.322 12.856 11.400 -0. maka nilai Y1 = -11.08 13.933 -11.06) + 0.000287 1.943 4.482 1.421 0.090 -0.917 + 1.085 1.933 -11.985 -0.130 1.581 -0.424 -0.76 15.073 1.25.933 -11.97 13.933 -11.368 0.23 13.933 -11.421 0.42 15.421 (13.035 0.933 -11.144 0. berikut ini dihitung nilai Y cap pada observasi 1.438 Hasil hitungan Y cap individual maupun total.82 9115.42 10393.901 12.11 13. Hasil perhitungan dan pengembangan data selengkapnya tertera dalam tabel sebagai berikut: X1 13.62 10.490 1.05 X2 9433.0002869(9.16 14.79 14.variabel.000287 1.000287 1.81 13.3 12.

Untuk itu.256 1.1%.22 260.421 0.851 2.243 -1.964 3.439 1. Uji F Seperti telah dikemukakan di atas.73 324.49 216816.93 10.366 1.33 9151.241 -1.43 13. seperti dilakukan dengan uji t. karena mencapai 75.751 tersebut menunjukkan arti bahwa determinasi variabel Budep (X1) dan Kurs (X2) dalam mempengaruhi inflasi (Y) adalah sebesar 75.121 48.1% dijelaskan oleh variabel lain yang tidak dijelaskan dalam model.13 10.1 0 4 6 R2 = 0.6 8928.421 0. maka nilai R2 dapat ditentukan. Nilai sebesar ini mengindikasikan bahwa model yang digunakan dalam menjelaskan variabel Y cukup baik.58 10.933 1.41 13.000287 9.13.48 8954. bahwa dalam regresi linier berganda variabel penjelasnya selalu berjumlah lebih dari satu.001 1.511 -0.933 -11.160 Dengan menggunakan angka-angka yang terdapat dalam tabel di atas.474 0.933 -11.1%.891 -2.421 0.2 3 8 4 6 .751 Nilai R2 sebesar 0.000287 260.421 0.747 -1.949 1.361 -1. maka pengujian tingkat signifikansi variabel tidak hanya dilakukan secara individual saja.000287 10.933 -11.401 -1.70 -11. 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 . tetapi dapat 92 .282 64.539 1. Sisanya sebesar 24.577 6.000287 9.

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

H0 : b1 ≠ b2 ≠ 0 Variabel penjelas secara serentak signifikan mempengaruhi variabel yang dijelaskan.10.01 ataukah α = 0.uji F. Guna melengkapi hasil analisis data yang dicontohkan di atas. Seperti yang telah dituliskan pada pembandingan antara nilai F hitung dan nilai F tabel di atas. • Simbol (k-1) menunjukkan degrees of freedom for numerator. (n-k). dan seterusnya). 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. Karena uji F adalah membandingkan antara nilai F hitung dengan nilai F tabel. Arti dari tulisan tersebut adalah: • Simbol α menjelaskan tingkat signifikansi (level of significance) (apakah pada α = 0. Yang penting untuk diketahui adalah bagaimana cara membaca tabelnya. yang biasanya dituliskan dalam kalimat sebagai berikut: H0 : b1 = b2 = 0 Variabel penjelas secara serentak tidak signifikan mempengaruhi variabel yang dijelaskan. • Simbol (n-k) menunjukkan degrees of freedom for denominator.k-1. diketahui bahwa F tabel dituliskan Fα .05 atau α = 0. maka penting untuk mengetahui bagaimana mencari nilai F hitung ataupun nilai F tabel. kita dapat menghitung nilai F 94 .

751 ) /( 3 −1) (1 − 0. Buatlah rangkuman dari pembahasan di atas! 95 .52.751 ) /( 22 − 3) 0.19. Daerah penolakan atau penerimaan hipotesis dapat dilihat pada gambar berikut ini: Daerah diterima Daerah ditolak F(α .05.66 Dari hasil penghitungan di atas diketahui bahwa nilai F hitung adalah sebesar 28.2. n-k) F F0.66. Nilai ini lebih besar dibanding dengan nilai F tabel pada α = 0. 3.52 Gb.2. Dengan demikian. Nilai F dari model tersebut ternyata besarnya adalah: F= R 2 /( k −1) (1 − R 2 ) /( n − k ) = = (0. k-1. dan (n-k) = (22-3) = 19 yang besarnya 3.05 dengan (k-1) = 2. maka null hyphothesis ditolak.0131 = 28.3.3755 0.berdasarkan rumus. Daerah Uji F -000Tugas: 1. Dengan demikian dapat disimpulkan bahwa variabel Budep dan Kurs secara serentak signifikan mempengaruhi inflasi.

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

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

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

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

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

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

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

e e t t −1 2 t ) Dalam DW test ini terdapat beberapa asumsi penting yang harus dipatuhi. • Tidak ada unsur lag dari variabel dependen di dalam model. • Tidak ada data yang hilang. yaitu: • Terdapat intercept dalam model regresi. Formula yang digunakan untuk mendeteksi terkenal pula dengan sebutan DurbinWatson d statistic. • Variabel penjelasnya tidak random (nonstochastics).1. 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 . 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 . t • υt = ρ υ−1 + ε t Langkah-langkah pengujian autokorelasi menggunakan uji Durbin Watson (DW test) dapat dimulai dari menentukan hipotesis.

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 . atau. terdapat autokorelasi negatif.maupun negatif. Terdapat beberapa standar keputusan yang perlu dipedomani ketika menggunakan DW test. Misalnya: terdapat autokorelasi positif. Bertolak dari hipotesis tersebut. yang semuanya menentukan lokasi dimana nilai DW berada. maka perlu mengujinya karena hipotesis sendiri merupakan jawaban sementara yang masih perlu diuji.

Karena adanya masalah korelasi dapat menimbulkan adanya bias pada hasil regresi.: Daerah Uji Durbin Watson Dalam pengujian autokorelasi terdapat kemungkinan munculnya autokorelasi positif maupun negatif.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. hanya saja dilanjutkan dengan mengaktifkan kunci lainnya.3. Lengkapnya tahapan tersebut adalah sebagai berikut: • Pilih Analyze. Regression. 108 . kemudian klik OK. Bantuan dengan SPSS Untuk mengetahui ada tidaknya autokorelasi dengan DW test. tahapannya dilakukan seperti pada tahapan regresi. Linear • Masukkan variabel Y ke kotak Variabel Dependen.

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

883 yang berarti lebih kecil dari nilai batas bawah.54 4-dU 2.54 sedang batas bawah (L) adalah sebesar 1. Dengan demikian dapat disimpulkan bahwa hasil regresi tersebut belum terbebas dari masalah autokorelasi positif. dengan predictor sebanyak 2 maka batas atas (U) adalah sebesar 1. Hipotesis nol yang menyatakan tidak terdapat masalah autokorelasi dapat ditolak. Karena nilai DW hasil regresi adalah sebesar 0.85 4-dL 4 110 . Dengan kata lain. dengan sampel 22 observasi. maka koefisien autokorelasi lebih kecil dari nol.Dengan menggunakan derajat kesalahan (α )=5%. sedang hipotesis nol yang menyatakan terdapat masalah autokorelasi dapat diterima.46 inkonklusif Korelasi (-) 0 dL 1. Uraian di atas dapat pula dijelaskan dalam bentuk gambar sbb: Korelasi (+) inkonklusif tidak ada autokorelasi 2 2.15.15 dU 1.

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

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

antara lain: 1) Menggunakan metode numerik yang membandingkan nilai statistik. 2001: 41). Cara ini disebut ukuran tendensi sentral (Kuncoro. Atau apabila nilai mean jika dikurangi nilai median menghasilkan angka nol. Data dikatakan normal (simetris) jika perbandingan antara mean dan median menghasilkan nilai yang kurang lebih sama. 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 . Sebaliknya. bila dilakukan analisis regresi terlebih dulu. 2) Menggunakan formula Jarque Bera (JB test). yang kemudian baru dilakukan normalitas data.terlebih dulu. maka dampak yang mungkin akan ditimbulkan dari adanya ketidaknormalan data seperti bias pada nilai t hitung dan nilai F hitung dapat dihindari. Beberapa cara dapat dilakukan untuk melakukan uji normalitas. sedangkan ternyata hasilnya tidak normal maka analisis regresi harus diulang lagi. yaitu antara nilai median dengan nilai mean. dimana nilai t dan F baru diketahui. Pengujian normalitas ini berdampak pada nilai t dan F karena pengujian terhadap keduanya diturunkan dari asumsi bahwa data Y atau e berdistribusi normal.

Modus.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. Descriptive Statistic. Median. Distribution. Skewness. Central Tendency • Kemudian klik Continue. Kurtosis. 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. Caranya dapat dilakukan dengan tahapan sebagai berikut: • Pilih Analyze. dan OK. 114 .

009 .491 -1.28 a 1.491 .06 a 8688.66 X 1 3) Mengamati sebaran data.65 16. langkah awal yang dilakukan adalah menghitung standar deviasi. Untuk menentukan posisi normal dari sebaran data.8405 . The sm allest value is show n V alid M issing 22 0 11.0329 825.7479 3.65 a 1.099 .953 3.0552 -. Standar deviasi dapat dicari melalui rumus sebagai berikut: SD = ∑( Dv − D v) n 115 .1700 8.30 324.0670 681871.6200 9774.15 2605. rror of M ean M edian M ode S D td.424 -1.3027 .3727 12.7548 1.953 .0200 13.494 . dengan melakukan hitungan-hitungan berapa prosentase data observasi dan berada di area mana.22 216816.13 260.1 .49 X 2 22 22 0 0 14. rror of S kew ness K urtosis S E td. M ultiple m odes exist.2202 176.096 .21 11294.85 8.7373 9855.953 6.363 . eviation V ariance S kew ness S E td.• Maka SPSS akan menampakkan output sebagai berikut: S tatistics Y N M ean S E td.491 -.06 8688.65 13. rror of K urtosis R ange M inim um M axim um S um a.28 15.0515 14.

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

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

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

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

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

D. atau dapat pula 123 . 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. di antaranya: menganalisis matrix korelasi dengan Pearson Correlation atau dengan Spearman’s Rho Correlation. 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. yang tentu akan memperkecil nilai t. jika antara X1 dan X2 terjadi kolinearitas sempurna sehingga data menunjukkan bahwa X1=2X2. Berkolinear sempurna D.3. 2004: 26). dalam arti tidak dapat ditentukan kepastian nilainya. b1 = 0 0 . sehingga akan berpengaruh pula terhadap nilai t (Setiaji.Gb. Pendeteksian Multikolinearitas Terdapat beragam cara untuk menguji multikolinearitas. Logikanya adalah seperti ini. karena dari formula OLS sebagaimana dibahas terdahulu. Konsekuensi Multikolinearitas Pengujian multikolinearitas merupakan tahapan penting yang harus dilakukan dalam suatu penelitian. sehingga nilai b1 hasilnya tidak menentu. Hal itu akan berdampak pula pada standar error Sb akan menjadi sangat besar.2. maka nilai b1 dan b2 akan tidak dapat ditentukan hasilnya.

22 Lihat Kuncoro. 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. maka bila tujuan persamaan hanya sekedar untuk keperluan prediksi. dapat disimpulkan bahwa apabila angka korelasi lebih kecil dari 0. 2001: 114).8 maka multikolinearitas menjadi masalah yang serius. Pengujian multikolinearitas menggunakan angka korelasi dimaksudkan untuk menentukan ada tidaknya multikolinearitas. sepanjang nilai t signifikan. Sementara untuk data interval atau nominal dapat dilakukan dengan Pearson Correlation. maka dapat dikatakan tidak terdapat masalah yang serius. dengan mempertimbangkan sifat data dari cross section. Juga pendapat Gujarati (1995:335) yang mengatakan bahwa bila korelasi antara dua variabel bebas melebihi 0. Gujarati juga menambahkan bahwa. hasil regresi dapat ditolerir. yang mengatakan bahwa apabila korelasi antara dua variabel bebas lebih tinggi dibanding korelasi salah satu atau kedua variabel bebas tersebut dengan variabel terikat. Mengacu pendapat Pindyk dan Rubinfeld22. 2001:146 124 . Dengan demikian. Selain itu metode ini lebih mudah dan lebih sederhana tetapi tetap memenuhi syarat untuk dilakukan.dilakukan dengan mengamati nilai variance inflation factor (VIF). Dalam kaitan adanya kolinear yang tinggi sehingga menimbulkan tidak terpenuhinya asumsi terbebas dari masalah multikolinearitas.8 maka dapat dikatakan telah terbebas dari masalah multikolinearitas. apabila korelasi antara variabel penjelas tidak lebih besar dibanding korelasi variabel terikat dengan masing-masing variabel penjelas.

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

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

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

Regresi Logit 128 .

6404 262.16 14.06 13.55 14.5009 166.7904 101.7641 262.51 10.4598 240.02 16.1009 245.9169 198.13 324.398 129 .67 15.93 13.2644 221.22 13.67 15.85 14.81 13.55 15.0721 224.16 14.47 12.2354 187.4164 172.8025 229.03 14.13 324.5025 207.8182 203.22 Y 8.39 14.06 13.91 12.5225 202.1368 126.6329 3871.525 Y2 68.5729 169.658 142.21 16.3614 144.79 14.58 13.9364 228.0025 112.19 15.7161 195.22 13.1281 256.76 15.1641 196.2234 148.13 14.79 14.48 10.911 147.3969 4800.39 14.02 16.1849 131.2084 194.0188 170.08 13.93 11.3 12.91 16.04 12.9008 206.49 X1 13.8256 220.62 10.22 X12 170.3184 135.23 13.97 15.82 12.815 196.85 14.8667 198.97 13.42 15.58 13.0449 184.14 14.48 10.28 9.1609 190.97 13.6521 170.478 142.6 10.1744 248.0724 146.4601 117.6681 157.X1 13.33 260.19 15.11 13.14 10.3776 241.2464 176.4355 233.05 10.7844 110.36 109.5636 190.01 12.55 15.81 13.6456 183.97 15.8046 171.91 16.9329 151.5489 253.48 XY 108.89 167.21 16.0831 203.2601 155.8304 106.5584 83.7089 3148.88 15.76 15.88 15.0416 149.14 14.03 14.8409 199.93 13.9396 207.3977 206.5396 112.1161 252.

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

seperti pengukuran GNP. Banyak sekali konsep-konsep ekonomi yang dirumuskan dalam model matematis.α tersebut (1 95% = 5% atau 0.05. Dengan demikian. untuk dapat melakukan pengukuran kegiatan ekonomi. Penghitungan seperti tersebut digunakan untuk menentukan apakah nilai B menerima atau menolak hipotesis (H0). uang beredar. 131 . Penggunaan model matematis seperti itu dimaksudkan untuk mendefinisikan hubungan antara berbagai variabel-variabel ekonomi yang saling mempengaruhi. dan lain-lain.Simbol α sendiri disebut sebagai tingkat signifikansi (level of significance) yang diartikan juga sebagai besarnya kesalahan yang ditolerir di dalam membuat keputusan. tingkat Inflasi. Dengan demikian. Karena dalam pengukuran ekonomi diwujudkan dalam bentuk angka-angka maka ekonometrika bersifat kuantitatif. dengan menggunakan persamaan di atas kita dapat menginterpretasi bahwa kemungkinan nilai B berada pada interval adalah sebesar 95%. Angka ini didapat dari rumus 1. maka kesalahan yang ditolerir adalah yang kurang dari 5% atau 0. matematika.05). dan statistika. Seandainya ditentukan bahwa tingkat keyakinannya sebesar 95%. maka diperlukan alat analisisnya yang berupa gabungan dari teori ekonomi.

Sign up to vote on this title
UsefulNot useful