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

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

Hasil evaluasi ataupun prediksi yang mempunyai tingkat keakuratan tinggi saja yang akan mempunyai sumbangan terbesar bagi pengambilan keputusan. Keinginan evaluasi ataupun prediksi seperti itu akan mudah diperoleh jika tindakan-tindakan sebelumnya itu diukur melalui teknikteknik pengukuran yang terstruktur dengan baik.3 Pentingnya Ekonometri Suatu perusahaan ataupun unit-unit pengambil keputusan. Data dalam ekonometrika merupakan suatu kemutlakan. metodologi yang digunakan. terutama dalam kegiatan ekonomi. mari kita mencermati apa yang terjadi pada hukum permintaan dan penawaran. Sebagai contoh dalam mengungkap pentingnya ekonometrika. Di sinilah letak pentingnya ekonometrika.hukum-hukum ekonomi teoritis tertentu menjadi nyata (Sugiyanto. Catur. BPFE Yogjakarta. tentu memerlukan suatu tindakan evaluatif untuk memastikan keefektifan tindakannya atau bahkan mempunyai keinginan untuk melakukan prediksi guna menentukan langkah terbaik yang perlu diambil. 5 . dan untuk data yang diperlakukan pengungkap kecenderungan (trend data) akan menghasilkan prediksi. Ekonometrika Terapan. Hukum permintaan menjelaskan bahwa bila harga suatu barang cenderung 3 Sugiyanto. 1994. p. Suatu bentuk keilmuan yang mengakomodasi bentuk pengukuran kegiatan ekonomi itulah yang disebut sebagai ekonometri. ataupun data pendukungnya. 1994.3). Edisi 1. Catur. teknik analisanya. Data yang diperlakukan sebagai pengungkap sejarah (historical data) akan menghasilkan evaluasi. begitu pula penentuan jenis data. baik melalui teori yang melandasi. ataupun penyesuaian dengan tujuannya.

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

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

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

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

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

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

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

dan jenis data. dan suku bunga. Ketika inflasi meningkat kurs USD terhadap IDR juga mengalami peningkatan. 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.tingkat prestasi kerja pegawai Depdiknas Kabupaten Sukoharjo selama ini? adakah stress kerja yang dialami pegawai mempengaruhi prestasi kerja. seberapa besar pengaruhnya? 2. sehingga memudahkan untuk mengetahui jenis variabel. Berdasarkan contoh pada sub 13 . sifat hubungan antar variabel. Setelah Juni 1997 diketahui bahwa terdapat kesamaan arah antara inflasi. 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. Berdasar pada hal tersebut. sehingga perlu diuji lebih lanjut melalui pembuktian berdasarkan data-data yang berkenaan dengan hubungan antara dua atau lebih variabel. kurs. Perumusan hipotesa biasanya berupa kalimat pernyataan yang merupakan jawaban sementara dari masalah yang akan diteliti.

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

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

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

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

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

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

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.

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

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

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

5 14. (pers.. (pers.0 16.5 15.4) Misalkan dari pers.5 BUDEP Gambar 3 24 .persamaan single linier (pers. maka data akan tergambar dalam bentuk titik-titik yang merupakan sebaran data dalam scatter plot. dan jika datanya telah diketahui.0 14..3) dan persamaan multiple linier (pers.4) sebagai berikut: Y = b0 + b1X + e ……….3 dianggap bahwa Y = Inflasi.5 16. maka sebaran datanya tergambar sebagai berikut: Hubungan Suku Bunga terhadap Inflasi 16 15 14 13 12 11 10 INFLASI 9 8 13. Dengan menggunakan data penelitian hubungan antara inflasi dan bunga deposito antara Januari 2001 hingga Oktober 2002.3) Y = b0 + b1X1 + b2X2 + …… + bnXn + e ……….0 15. dan X = bunga deposito (Budep) pada periode tertentu.0 13.

Dari scatter plot kedua gambar tersebut (baik gambar di atas maupun di bawah ini) menunjukkan bahwa sebaran datanya menyebar memanjang lurus.7 LATRIBUT 1. kedua scater plot tersebut akan tepat digunakan regresi linier. Begitu pula sebaliknya. sehingga dapat diwakili dengan garis lurus. maka afeksi negatifnya meningkat. Begitu pula jika bunga deposito menurun.9 1.Sebaran data tersebut di atas (gambar 3) menunjukkan hubungan yang positif.8 1.6 0 10 20 30 40 AFENEGAT Gambar 4 25 . Sedangkan contoh sebaran data yang digambarkan dalam scatter plot di bawah ini (gambar 4). maka inflasi juga meningkat. yaitu jika bunga deposito meningkat. Oleh karena itu. Jika atributnya berkurang. 1. menunjukkan bahwa hubungan antara variable Afenegat (Afeksi negative) dan Latribut (Atribut) mempunyai hubungan yang negative. inflasi juga turun.

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

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

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

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

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

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

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

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

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 .BAB III MODEL REGRESI DENGAN DUA VARIABEL Tujuan Pengajaran: Setelah mempelajari bab ini.

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

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

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. yang datanya tertera sebagai berikut: 37 .

23 13.81 13.79 14.06 13.48 10.51 10.93 11.05 10.58 13.91 16.21 16.6 10.13 14.02 16.33 260.48 10.55 15.42 15.97 15.22 13.19 15.39 14.28 9.22 38 .08 13.55 14.14 14.47 12.85 14.03 14.04 12.62 10.97 13.01 12.49 X1 13.93 13.11 13.13 324.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 8.16 14.14 10.76 15.3 12.82 12.91 12.67 15.88 15.

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

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

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

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

478 142.7161 195.0025 112.3969 4800.14 10.4355 233.8304 106.82 12.3 12.6329 3871.5225 202.1009 245.8182 203.51 10.03 14.3776 241.19 15.0449 184.93 11.81 13.05 10.5584 83.8025 229.3184 135.1281 256.16 14.4164 172.48 XY 108.62 10.5025 207.13 324.2084 194.5489 253.11 13.02 16.9169 198.6521 170.58 13.4598 240.2464 176.6 10.21 16.2354 187.1368 126.1641 196.04 12.9008 206.48 10.0831 203.525 Y2 68.5729 169.33 260.91 12.14 14.0416 149.01 12.49 X1 13.36 109.911 147.97 15.47 12.5009 166.91 16.2234 148.9329 151.6404 262.0721 224.88 15.08 13.28 9.76 15.67 15.2601 155.42 15.23 13.8409 199.7089 3148.1849 131. sebagai berikut: Mencari nilai b: b= n ( ∑ XY ) − ( ∑ X )( ∑Y ) n (∑ X ) − (∑ X ) 2 2 43 .8046 171.6681 157.5636 190.06 13.658 142.55 15.2644 221.9396 207.48 10.97 13.1609 190.7904 101.0724 146.398 Setelah mendapatkan hitungan-hitungan hasil pengembangan data.8667 198.93 13.5396 112. maka angka-angka tersebut dapat secara langsung dimasukkan ke dalam rumus I.89 167.6456 183.4601 117.85 14.3614 144.9364 228.3977 206.55 14.8256 220.22 X12 170.13 14.0188 170.7844 110.815 196.22 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 14.1744 248.1161 252.7641 262.79 14.

b= = = 22 ( 3. karena rumus pencarian a terkait dengan nilai b.49 −1.6 8 0 1 0 15 1 04 714 . perlu menghitung dulu komponen-komponen rumus.22 ) 22 260 .22 ) 2 8 .6 1 .22 )( 260 .Langkah yang dapat dilakukan dicontohkan sebagai berikut: 44 .6922 492 .398 ) − ( 324 . ∑ X a= ∑ n 260 .5241 Seperti telah dijelaskan di atas. bahwa nilai a dan b dapat pula dicari dengan menggunakan rumus kedua. Demikian pula. Mencari nilai a: Y −b.871 .1 8 .6 − 0 .1 0 .022 22 = = a = -9. agar dapat secara langsung menggunakan rumus II ini.4497 (324 . maka nilai a juga dapat ditentukan.49 ) 22 ( 4.4 6 .4497 dengan diketahuinya nilai b.0 7 5 7 6 8 5 68 1 5 .49 − 470 .525 ) − ( 324 .800 .7 − 4 .9916 b = 1.

49 ) 22 45 .32 = 64.49 2 22 = 3148.48 – 3084. menggunakan rumus kedua: b= ∑xy ∑x 2 Dari rumus di atas.16 xy ∑ = 3871.48 - 260 .22 −260 .53 2 324 .22 2 22 = 4800. 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 ∑ = 4800.12 = 22.Mencari nilai b.41 ∑y 2 = 3148.40 - (324 .53 – 4778.

46 . nilai a = -9. karena munculnya perbedaan itu sendiri akibat dari pembulatan.49 Dengan diketahuinya. mencari a dan b dengan rumus I ataupun rumus II akan menghasilkan nilai yang sama. Perbedaan ini sifatnya tidak tidak substansial.= 3871. Tampak bahwa hingga dua angka di belakang koma tidak terdapat perbedaan. Dengan demikian dapat disimpulkan bahwa. maka nilai b dapat ditentukan.49 22 .5256 dan b = 1. nilai-nilai tersebut. Pada penghitungan rumus I nilai a = –9.8405 – 21. sedangkan tiga angka di belakang koma mulai ada perbedaan.4497.8405 – (1.4498.91 = 32.7373) = 11.3661 a= -9.41 = 1. yaitu: b= 32 . maka nilai a juga dapat dicari dengan rumus sebagai berikut: a= − X Y b = 11.4498 Dengan diketahuinya nilai b.40 – 3838. Sedangkan hasil penghitungan dengan rumus II.4498 x 14.5256 Hasil pencarian nilai a dan b dengan menggunakan rumus I dan II didapati angka yang cenderung sama.5241 dan b = 1.

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

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

8 82 1.4 50 . P re d ic to rs : (C o n s ta n t).0 0 0 C o e ffic ie na ts Stan da rdi zed Un stan da rd ized C oe fficie n C o efficien ts ts B Std.1 6 0 a . nilai a dan b besar kemungkinannya tidak merupakan nilai yang sebenarnya. Meskipun nilai a dan b dapat dicari dengan menggunakan rumus tersebut. Dikatakan demikian sebab.5 27 2 . 49 . namun nilai a dan b baru dapat dikatakan valid (tidak bias)13 apabila telah memenuhi beberapa asumsi. 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 .00 0 a .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 .19 5 . yang terkenal dengan 13 Tidak bias artinya nilai a atau nilai b yang sebenarnya.8 57 M o de l 1 (Con stan t) X1 t -3.4 3 1 Sig . Itu disebabkan adanya penghitungan pembulatan. D e pe nd en t Varia ble: Y Catatan: Hasil penghitungan manual dan SPSS tampaknya ada perbedaan dalam desimal.3 0 5 7.00 4 .8 5 3 F 5 5 .1 0 1 .2 2 0 S ig . Erro r Beta -9.1 0 1 R e s id u a l 1 7 . a .0 5 9 T o ta l 6 4 . X 1 b . jika asumsi tidak terpenuhi. .

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

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

X1 a 0 b . Artinya. e . . ˆ maka garis Yi = a + bX i besarnya adalah: ˆ Yi = − . .449 X i 9 Karena nilai a dalam garis regresi bertanda negatif (-) dengan angka 9. Gambaran uraian di atas dapat dilihat pada gambar berikut: Y ˆ Yi = a + bX i Y1 . Dengan menggunakan hasil hitungan pada data di atas.525. karena nilai b > 1.525. . setiap perubahan nilai X akan diikuti perubahan yang lebih besar pada nilai Y.525 +1.terhadap sumbu X semakin rendah pula. X ˆ Munculnya garis Yi = a + bX i seperti dalam gambar di atas. Nilai parameter b variabel X yang besarnya 1. Tanda positif pada parameter b 52 . Sebaliknya. . semakin tinggi nilai b. o .449 menunjukkan arti bahwa variabel X tersebut tergolong elastis. didapatkan dari memasukkan angka Xi ke dalam persamaan Yi = a + bXi +e. . maka derajat kemiringan garis regresi terhadap sumbu X semakin tinggi. . maka garis regresi akan memotong sumbu Y dibawah origin (0) pada angka – 9. e .

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

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

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

Tetapi jika α ditentukan 0. maka diperlukan ˆ menghitung nilai Yt terlebih dulu. Misal. Bantuan dengan SPSS • Uji t dapat dilihat dalam output hasil regresi dengan SPSS pada tabel Coefficient. menunjukkan angka 0.01 maka angka tersebut tidak signifikan. kolom Sig. Caranya adalah memasukkan nilai X ke dalam hasil regresi yang di hasilkan di atas. Guna menghitung standar deviasi dari data yang tersedia berdasar rumus di atas. • Uji F dapat dilihat dalam output hasil regresi dengan SPSS pada tabel ANOVA. • Kolom Sig. Angka sebesar itu dapat dikatakan signifikan jika derajat kesalahan (α ) telah 56 ditentukan sebesar 0.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).05. 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.04 itu berarti bahwa tingkat kesalahannya mencapai 4%. untuk ˆ mempermudah penghitungan e atau Yt −Yt . .

013 0.14 14.632 2.820 10.885 0.02 0.650 0.01 0.02 16.86 1.28 1.035 1.046 0.095 ˆ Y ˆ ˆ (Y −Y ) (Y −Y ) ( X − X ) ( X − X ) 2 2 -1.97 15.981 13.002 0.27 57 .546 13.413 10.752 0.67 15.076 0.03 14.42 0.05 0.198 13.851 0.21 16.219 2.279 1.82 0.85 14.68 -0.95 -0.48 10.16 2.733 10.17 1.000 1.82 12.279 2.472 10.501 10.3 12.37 1.361 -0.91 16.502 13.14 10.284 1.50 0.05 9.93 -0.77 -0.62 10.001 1.024 12.14 1.11 13.131 1.06 13.88 15.90 0.79 14.183 13.188 -1.71 -0.23 13.60 -0.328 13.04 12.36 0.55 14.16 14.795 -1.35 0.64 2.51 10.076 -0.528 -1.979 11.81 13.55 15.04 0.001 0.52 2.91 12.19 15.93 1.59 0.13 14.009 11.038 0.223 0.01 12.472 -0.566 0.277 0.97 13.705 13.23 0.47 12.18 0.458 12.76 15.08 13.93 11.45 1.628 0.11 -0.39 14.42 15.342 12.22 Y 8.699 0.952 13.047 -0.10 1.47 1.468 1.30 1.81 0.113 0.28 9.431 0.Tabel pengembangan data untuk menghitung Standar Deviasi X1 13.86 0.12 0.66 0.133 -1.157 0.045 1.092 -1.

06 20 ( 22 . maka perlu terlebih dulu mencari nilai S e2 yang dapat dicari dengan membagi nilai total ei2 dengan n-2.675 10. Sb dapat pula dicari melalui jalan lain dengan rumus yang dapat dituliskan sebagai berikut: Sb = 2 se ∑ xi2 Bila kita hendak menggunakan rumus ini.098 0. maka Sb dapat segera dicari.66 1.41 ) 17 .101 0.81 -1.167 9.13. dimana hasilnya ditemukan sebesar: Sb = = 17 . Jadi S e2 dapat dicari dengan rumus sebagai berikut: 2 se = ∑e 2 i n −2 Agar rumus ini dapat langsung digunakan.58 13.515 260.06 448 .49 10.93 13.13 324.6 10.591 -0.313 0.22 10.33 260.16 -1. tentu terlebih dulu harus mencari nilai total ei2 yang dapat dicari melalui rumus berikut ini: 58 .665 17.48 10.2 = 0.59 22.075 0.61 -0.816 -0.06 0.41 Dengan adanya pengembangan data menjadi seperti tertera pada tabel di atas.060 -0.006 0.195 Selain dicari dengan rumus seperti di atas.35 2.

8528 tentu saja nilai Sb pun dapat diketahui.16 – 47.056 Hitungan di atas telah memastikan bahwa nilai ei2 adalah sebesar 17.1019 (22. maka dengan ditemukannya nilai 2 s e sebesar 0. yaitu: ei2 = 64.16 – 2. maka nilai ei2 dapat diketahui.056 20 = 0.056.41) = 64. yaitu: 59 . Dengan diketemukannya nilai ei2 ini maka nilai s e2 pun dapat diketahui melalui hitungan sebagai berikut: 2 se = ∑e 2 i n −2 = = 17 .Rumus mencari nilai total ∑ei2 = ∑ y i2 − b 2 ∑xi2 ei2 : Dengan memasukkan nilai komponen rumus yang telah didapatkan melalui hitungan-hitungan terdahulu.8528 Karena nilai s e2 merupakan salah satu komponen untuk mencari nilai Sb.056 22 −2 17 .1040 = 17.

Cara menentukan signifikan tidaknya nilai t tersebut adalah melalui pembandingan antara nilai t hitung dengan nilai t tabel.195.4498 0.4348 Penghitungan nilai t dengan cara yang dilakukan di atas. maka nilai statistik t (baca: t hitung) dapat ditentukan. karena rumus mencari t hitung adalah: t= b sb Jadi.Sb = 2 se ∑ xi2 = 0. Dengan diketahuinya nilai Sb.195 = 7. yaitu nilai Sb sebesar 0.8528 22 .41 = 0. Besarnya angka t hitung ini yang menentukan signifikan tidaknya variabel X dalam mempengaruhi variabel Y.195 Hitungan dengan rumus ini ternyata menghasilkan nilai Sb yang sama besar dengan hitungan menggunakan rumus yang pertama. Angka tersebut umumnya disebut pula sebagai nilai t hitung. Nilai t tabel sebenarnya telah ditentukan pada tabel t student yang telah ditetapkan oleh para penemunya.4348. 60 . nilai t hitung variabel X adalah sebesar: t = 1. menunjukkan bahwa nilai statistik t sebesar 7.

Dengan menggunakan contoh data di atas. (Lihat data t tabel di halaman lampiran). Jika nilai t hitung < t tabel.Karena untuk menentukan signifikan tidaknya nilai t hitung adalah melalui upaya membandingkan dengan nilai t tabel. seandainya kita menggunakan derajat kesalahan yang ditolerir adalah 5 % (baca: α = 0. jika nilai t hitung > t tabel. Atas dasar itu dapat dipastikan bahwa variabel X (budep) signifikan mempengaruhi Y (inflasi). yaitu 1 parameter a dan 1 parameter b. maka dapat diketahui bahwa.725. maka degree of freedom (df) sama dengan sebesar nk = 20.086.05). maka tidak signifikan. dan karena jumlah observasi adalah sebanyak 22 (baca: n=22). maka signifikan. Gambaran pengujian nilai t dapat disimak melalui gambar di bawah ini: Daerah diterima Daerah Ditolak Daerah Ditolak 61 . Nilai t tabel yang besarnya 2.4348. maka nilai t tabelnya adalah sebesar 1. sudah tentu angka tersebut lebih kecil dibanding dengan nilai t hitung yang besarnya 7. karena jumlah k adalah 2.

Probabilitas daerah tolak tidak lagi terbagi menjadi dua dengan porsi masing-masing 2. Daerah Uji t t α /2. Kutub sebelah kiri bertanda negatif.1. Interpretasi Hasil regresi Setelah tahapan analisis regresi dilakukan sesuai dengan teori-teori yang relevan. Kutub sebelah kanan yang bertanda positif berguna sebagai pembatas nilai t hitung yang lebih kecil dari 1. Jumlah dari keduanya mencerminkan α = 5%. maka daerah tolak berada pada sebelah kiri kurva.1) -t α /2.3.725 berarti berada di daerah tolak. maka daerah tolak berada pada sisi sebelah kanan. Dengan mengambil hitungan dari contoh kasus di atas. (n-k-1) -1. tetapi telah penuh sebesar 5%. (n-k1. langkah terpenting berikutnya adalah menginterpretasi hasil regresi. Bilai nilai t hitungnya negatif. 62 . Tanda -t α /2 atau t α /2 memberikan arti bahwa masing-masing kutub mempunyai daerah distribusi tolak sebesar 2.5%.725 Gambar di atas menunjukkan pengujian nilai t dua arah atau two sided atau two tail test. Jika pengujian nilai t menggunakan pengujian satu arah atau one tail test.806 berada pada daerah ditolak. Interpretasi yang dimaksudkan disini adalah mengetahui informasi-informasi yang terkandung dalam hasil regresi melalui pengartian dari angka-angka parameternya. sedang bila nilai t hitungnya positif.5%.725 Gb. Nilai t hitung bertanda negatif yang nilainya lebih kecil dari nilai –2. maka daerah tolak hanya ada pada salah satu kutub saja.

Koefisien Determinasi (R2) Pembahasan hasil regresi di atas menunjukkan seberapa besar nilai a.4498 Budep + e thit = (7. sedangkan nilai b mencerminkan tingkat elastisitas variabel X. Nilai a menjelaskan tentang seberapa besar faktor-faktor yang bersifat tetap mempengaruhi inflasi.4498%. Karena nilai b (1.4498 menginformasikan bahwa setiap Budep meningkat 1%. pada α =5% dengan d.f. b. maka Inflasi akan mengalami peningkatan sebesar 1. Nilai b Budep yang besarnya 1. dan t. Artinya. maka dapat dipastikan bahwa variabel Budep sangat elastis15. 63 . Nilai t sendiri mempertegas 15 Standar elastisitas dapat diketahui dari: jika E>1 = elastis. Terbukti dari nilai thit variabel Budep sebesar 7.4498%. E<1 = inelastis.4348) Persamaan di atas menginformasikan bahwa variabel Budep signifikan mempengaruhi variabel Inflasi.725.4348 lebih besar dibanding nilai ttabel. apabila Budep turun sebesar 1% maka Inflasi juga akan mengalami penurunan sebesar 1. Perlu diingat bahwa nilai b juga mencerminkan tingkat elastisitas variabel X. yang besarnya 1. besarnya tingkat perubahan yang terjadi pada Budep akan mengakibatkan tingkat perubahan yang lebih besar pada variabel Y (Inflasi). E=1 =uniter elastis.4498) lebih besar dari angka 1 (satu).5256 + 1. sebanyak 20.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. Sebaliknya.

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

4% dari gelas tersebut. Terkait dengan angka 0.2 x 3 .52 ]       [493 .800 .3%.48 ) −( 260 . 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.06 ] 714 .857 ini bila ditulis dalam bentuk prosentase sama dengan 85.411 .5  2 0 7 7  R2 =  714 .7 1 3   2 .4) −324 .49 ) 2 ]   [1.22 ( 260 .49 ) 2 ] [22 (3. maka akan menghasilkan nilai sebagai berikut: R2 =     [22 (4. menunjukkan arti bahwa determinasi dari variabel bebas terhadap variabel terikat adalah sebesar 73.05  = 0. • Ibarat air dalam gelas. • 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. variabel terikat (Y) adalah gelasnya dan air adalah variabel bebasnya (X).7%.53 ) −(324 . 65 . disimpulkan bahwa Budep merupakan prediktor yang • Misalkan angka R2 menunjukkan angka 0.734 maka air dalam gelas adalah sebanyak 73.148 .5%. Artinya.734 baik untuk menaksir Inflasi.73    834 .73 =   7 4 .22 ) R2 =     22 (3.871 .857 Angka koefisien determinasi (R2) yang besarnya 0. Dengan demikian pada tabel model summary.4%. Angka tersebut menjelaskan bahwa Bantuan dengan SPSS variabel Bunga deposito determinasi atau sumbangan (budep) terhadap inflasi adalah sebesar 87.

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

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

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

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

03 14.04 12.59 9288.06 13. pada kurun waktu yang sama dengan data sebelumnya yaitu antara Januari 2001 hingga Oktober 2002.14 14.82 12.91 Y (Inflasi) 8.97 13. yang menggambarkan nilai tukar IDR terhadap USD.91 70 . maka untuk semakin memperjelas perihal terjadinya inflasi. dapat dicoba menambah satu variabel penduga (X2) yaitu Kurs. Karena jumlah variabel X tidak lagi satu melainkan sudah dua.75 11291.81 13.79 14.3 10883.47 X2 (Kurs) 9433. Dengan bertambahnya variabel Kurs sebagai variabel penduga. maka data yang dianalisis pun bertambah hingga menjadi sebagai berikut: X1 (Budep) 13. maka analisa yang akan digunakan adalah analisa regresi linier berganda.23 13. sedang inflasi tarikan permintaan disebabkan perubahan pada sisi demand.62 10.19 11294.67 15.14 10.25 9633.7 11074.97 15.78 10204.57 8956.01 12.11 13. Berbagai alasan yang dijelaskan di atas.bahwa pemicu terjadinya inflasi desakan biaya karena perubahan pada sisi supply.05 10097.28 9.39 14.51 10.

82 9115.76 15.05 10.48 10. tetapi dalam regresi linier berganda variabel X lebih dari satu.16 14.21 16.08 13.19 15. 3) jumlah degree of freedom dalam menentukan nilai t juga berubah.82 10237.02 16.93 11.86 10269. Dalam regresi linier tunggal hanya satu X.55 14.73 216816. Model Regresi Linier Berganda Penulisan model regresi linier berganda merupakan pengembangan dari model regresi linier tunggal.58 13.05 8688.3 12. 2) rumus penghitungan nilai b mengalami perubahan.65 8964.48 10.22 12.7 8928.42 15. Model regresi linier umumnya dituliskan sebagai berikut: Populasi: BnXn + e Y = A + B1X1 + B2X2 + B3X3 + ………+ 71 .88 15.6 10.33 260.43 9151. sehingga spesifikasi model dan data terjadi penambahan.85 14. meliputi: 1) jumlah variabel penjelasnya bertambah.42 9914.91 12.42 10393.7 Perubahan model dari bentuk single ke dalam bentuk multiple mengalami beberapa perubahan.13 14.49 10554.22 13.55 15.26 9485.13 324.41 8954.93 13. Perbedaannya hanya terdapat pada jumlah variabel X saja.16.

3. 17 Penulisan model seperti ini ditemui pula dalam buku-buku karya Gujarati 72 . 1970.U. A.3X2i + B13. 4. Hal ini dapat dimengerti karena penulisan model sendiri hanya bertujuan sebagai teknik anotasi untuk memudahkan interpretasi. dan seterusnya.2X3i + e Notasi model Yale ini mempunyai spesifikasi dalam menandai variabel terikat yang selalu dengan angka 1.79.23 + B12.23 + b12.17 Notasi b1. maka notasi model menjadi seperti berikut: Populasi: Sampel : Y = B1. Notasi b12. Penulisan cara di atas adalah bentuk model yang sering dijumpai dalam beberapa literatur. 16 G. Notasi model seperti itu tentu berbeda dengan notasi model Yale16. Yale.2X3i + e Y = b1.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.23 berarti nilai perkiraan Y kalau X2 dan X3 masing-masing sama dengan 0 (nol).3 berarti besarnya pengaruh X2 terhadap Y jika X3 tetap. Apabila kita ingin menganalisis pengaruh Budep dan Kurs terhadap Inflasi dengan mengacu model Yale. On the Theory of Correlation for any Number of Variables. Preceeding of Royal Society. Vol.3X2i + b13. Untuk variabel bebas notasinya dimulai dari angka 2. Treated by a new System of Notation.

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

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

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

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

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

49 )(14 .46 2.736 .40 449 .503 .324 .227.21 −16 .205 .318 .861 .72 ) 2 465 .52 78 .877 . dan b2 dapat ditentukan.816.324.49 216.48 7.70 ) − ( 2.914 .185 .274. 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.19 = 315 .667 .318.208 .40 14.41)(14 .69 32.70 ) − (7.318 .22 260.962 .72 ) ( 22 .70 22. b1.72 Berdasarkan data-data yang tertera dalam tabel di atas.227 .274 .503 .02 320 .002 . maka nilai b0.92 −4. 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 .931 .64 )( 2.503.227 .

877 .024 .40 90 .736 .93.227 .0002869 atau dapat ditulis dengan 2.931 .503 . Perubahan rentang nilai b1 dan b2 diukur dengan standar error.41 )(14 .41 ) − (32 .646 . Nilai b1 dan b2 tergantung pada jumlah sampel yang ditarik.62 320 .70 ) − ( 2.49 )( 2. Semakin besar standar error mencerminkan nilai b sebagai penduga populasi semakin kurang representatif.827 = -11. 79 .378 .318 .855. 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 = = = = (7.84-20.64 )( 22 .68 −72 .0002869(9.73)-0.917 Nilai dari parameter b1 dan b2 merupakan nilai dari suatu sampel.84-1.30) = 11.869E-04 Dengan menggunakan rumus pencarian b0 di atas.227 .274 .b1 = 1.72 ) ( 22 .06 315 .92 −4.72 ) 2 163 .2. Penambahan atau pengurangan akan mengakibatkan perubahan rentangan nilai b.667 .421 Dengan menggunakan rumus pencarian b2 di atas.914 .421(14.52 = 0. maka diketahui bahwa nilai b0 adalah: b0 = Y − b1 X 1 − b2 X 2 = 11.962 .

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

399 .84 ) 315 .771 .72 )  19 = 22 .318 .40 )(14 . S b1 = ∑x (∑ x )( ∑ x ) − (∑ x x 2 2 2 1 2 2 1 2 )2 n −3 ∑e 2 = = =   15 .26 0.40 (0.40  2  ( 22 .84 (0.84 = 0.213 x 0.318 .40 )(14 .361 .84) = 3.746 .69 ) − ( 2.9 22 .503 .6 ) (0.50  15 .503 .84 ) 315 .26  19   (0.771 .227 .226 Mencari Sb1.90 1 22 + 315 .318 .503 .227 .746 .179 Mencari Sb2: Sb2 = ∑x (∑ x )( ∑ x ) − (∑ x x 2 1 2 1 2 2 1 2 )2 n − 3 ∑e 2 =   15 .8 ) 4 4 = 0.69 (0.9 14 .318 .771 .26 83 .69 ) − ( 2.0 5 + 4 .72 )  19 14 .639 .69  2  ( 22 .8 ) 4 1 9 4 = 3.0 5 (0.503 .= = 4.746 .

8 ) 4 = 0.= 0.000223 Setelah diketahui semua nilai standar error (Sb0.917 3.226 = -3.0 0 0 0 0 0007 (0. Sb 2 Mencari nilai statistik tb1: t b1 = Mencari nilai statistik tb2: tb2 = Dengan menggunakan rumus-rumus di atas. maka nilai t untuk masing-masing parameter dapat diperoleh. Pencarian nilai t mempunyai kesamaan dengan model regresi linier sederhana. Sb1. karena nilai t merupakan hasil bagi antara b dengan Sb.694 dan nilai tb1 adalah: 84 . maka nilai tb0 adalah: tb0 = −11. hanya saja pencarian Sb nya yang berbeda. Sb2) melalui penggunaan rumus-rumus di atas. Pencarian masing-masing nilai t dapat dirumuskan sebagai berikut: Mencari nilai statistik tb0: tb0 = b0 Sb 0 b1 S b1 b2 .000266 x 0.84 = 0.

Apabila nilai t hitung lebih besar dibandingkan dengan nilai t tabel. maka perlu membandingkan dengan nilai t tabel. Sebaliknya. maka dapat digunakan untuk mengetahui signifikan tidaknya variabel penjelas dalam mempengaruhi variabel terikat.0002234 = 1. yang berarti lebih besar dibanding nilai tabel pada α =5% dengan df 19 yang besarnya 2. Untuk dapat mengetahui apakah signifikan atau tidak nilai t hitung tersebut.938. maka variabel penjelas tersebut tidak signifikan.179 =7. jika nilai t hitung lebih kecil darit tabel.284 adalah lebih kecil dibandingkan dengan nilai t tabel pada α =5% dengan df 19 yang besarnya 2.t b1 = 1.093. maka variabel penjelas tersebut signifikan.938 sedangkan nilai tb2 adalah: tb2 = 0. Karena nilai tb1 adalah sebesar 7.421 0. maka dapat dipastikan bahwa variabel Kurs secara individual tidak signifikan mempengaruhi inflasi. maka dapat dipastikan bahwa variabel budep secara individual signifikan mempengaruhi inflasi.284 dengan diketahuinya nilai t hitung masing-masing parameter. Pengujian kedua nilai t dapat dijelaskan dalam bentuk gambar sebagai berikut: 85 .093.0002869 0. Sedangkan nilai tb2 yang besarnya 1.

Daerah diterima 7.3. t α /2. Linear Daerah diterima • Masukkan variabel Y ke kotak variabel dependen.938 Gb. dan variabel X1 dan X2 ke kotak variabel Independen.093 (+) Daerah Uji t Variabel Budep Bantuan dengan SPSS Tahapan-tahan yang dilalui untuk melakukan Daerah ditolak regresi linier 1. . Reression.3. (n-k-1) (+) dapat dilakukan dengan bantuan SPSS dengan tahapan sebagai 2.093 Gb.284 berganda dengan penghitungan-penghitungan nilai a. b. Daerah ditolak t α /2. Sb di atas. (n-k-1) 2. Daerah Uji t Variabel Kurs berikut: • Pastikan data SPSS sudah siap • Lakukan regresi.2. caranya: pilih Analyze.2. 86 kemudian klik OK.

Predictors: (Constant). Coefficient (memuat nilai t). Dependent Variable: Y 87 .899 64.752 Adjusted R Square .130 .• Hasil regresi akan tampak dalam output regression yang menunjukkan tabel: model summary (memuat R2). Model Summary Model 1 R R Square .261 15.160 df 2 19 21 M ean Square 24. X2.867 a . X1 b ANOVA Model 1 Regression Residual Total Sum of Squares 48. Error of the Estimate .000a a.726 Std. Predictors: (Constant).836 Sig. .837 F 28. X1 b.9148 a. ANOVA (memuat nilai F). X2.

a Coefficients Model 1 Unstandardized Coefficients B Std.840 .177 Sig.511 X1 1.254 a.003 . .869E-04 . Dependent Variable: Y Catatan: • Nilai a. • Angka 2.869E-04 dibaca 0. antara hitungan manual dengan hitungan SPSS terdapat sedikit perbedaan angka di belakang koma.399 7. b1.421 .195 X2 2. Error (Constant) -11.298 1.000 Standardi zed Coefficien ts Beta .933 3.000 .0002869 88 . b2.136 t -3. Ini disebabkan oleh pembulatan angka saat penghitungan.

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

Y cap diperoleh dengan cara menghitung hasil regresi dengan memasukkan nilai parameter dan data 90 . Dengan demikian kita dapat mendefinisikan lagi R2 dengan arti rasio antara variasi yang dijelaskan Y dengan total variasi Y. Rumus tersebut adalah sebagai berikut: R2 = ESS TSS Total variasi Y (TSS) dapat diukur menggunakan derajat deviasi dari masing-masing observasi nilai Y dari rata-ratanya. (baca: Y bar) adalah nilai Y rata-rata. Hasil pengukuran ini kemudian dijumlahkan hingga mencakup seluruh observasi. 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.(ESS) atau variasi 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.

97 15.054 4.933 -11.933 -11.379 3.39 14.821 5.416 11.91 12.021 0.421 0.000287 1.variabel.933 -11.348 10.969 0.000287 1.027 0.000287 1.187 0.421 0.03 14.925 13.240 1.22 Y 8.76 15.917 + 1.05 X2 9433.503 6.55 14.05 10097.400 -0.05 8688.007 1.01 12.130 3.654 11.42 9914.000287 1.25) = 9.170 0.02 16.770 1.82 9115.214 1.25.933 -11.015 13.678 10.424 -0.28 9.396 1.421 (13.933 -11.654 10.130 1.000287 ˆ Y 9.421 0.933 -11.439 0.23 13.901 12.06) + 0.125 0.421 0.19 11294.370 -0.000287 1.035 0.561 -2.000287 1.180 0.79 14.421 0.588 13.933 B1 B2 1.421 0.933 -11.3 12.493 -1.090 -0.48 10.322 12.085 1.196 1.19 15.42 10393.917 + 1.142 4.16 14.933 -11.015 2. maka nilai Y1 = -11.933 -11.438 Hasil hitungan Y cap individual maupun total.073 1.75 11291.421 0.70 B0 -11.421 0.933 -11.163 -0.933 -11.91 16.000287 1.856 11.985 -0.000287 1.943 4.67 15.290 2.200 0.862 2 2 ˆ ˆ Y −Y (Y −Y ) Y −Y (Y −Y ) -2.421 (X1) + 0.677 7.000287 1.748 2.433.000287 1.25 9633.13 14.93 11.071 13.91 10554.421 0.070 0.152 1.368 0.08 13.259 11.240 11.000287 1.421 0.000287 1.000287 1.000287 1. beserta ekstensinya diperlukan untuk menyesuaikan dengan rumus mencari R2.331 -1.26 9485.421 0.51 10.11 13.62 10.04 12.06 dan X2 = 9. Hasil perhitungan dan pengembangan data selengkapnya tertera dalam tabel sebagai berikut: X1 13.421 0.957 0.933 -11.221 -1.14 10.979 6.933 -11.85 14.82 10237.958 -3.0002869(9.061 0.223 2.86 10269.862 10.035 2.933 -11.421 0.975 3.42 15.876 0.471 10.701 -1.000287 1. Hasil regresi adalah: Y = -11.876 14.933 -11.70 11074.064 14.65 8964.21 16.47 12.421 0.0002869(X2) Jika observasi nomor 1 (satu) kita hitung. Penghitungan nilai Y cap menjadi penting untuk dilakukan agar mempermudah kita dalam menggunakan rumus R2 yang telah ditentukan di atas.490 1.630 1.144 0.269 1.933 -11.433.745 1. Sebagai contoh menghitung Y cap.933 -11.710 2.55 15.041 0.421 0.361 -1.933 -11.174 1.581 -0.293 1.81 13.421 0.06 13.978 -0.045 2.482 1.82 12.000287 1.160 0.421 0.230 1.97 13.000287 1.421 0.390 1.460 1.580 3.206 91 .30 10883.57 8956.338 0.586 13.187 0.421 0. dimana X1= ˆ 13.59 9288. berikut ini dihitung nilai Y cap pada observasi 1.78 10204.88 15.14 14.791 12.000287 1.

160 Dengan menggunakan angka-angka yang terdapat dalam tabel di atas.73 324. tetapi dapat 92 .747 -1.751 tersebut menunjukkan arti bahwa determinasi variabel Budep (X1) dan Kurs (X2) dalam mempengaruhi inflasi (Y) adalah sebesar 75.949 1.474 0. Nilai sebesar ini mengindikasikan bahwa model yang digunakan dalam menjelaskan variabel Y cukup baik.1% dijelaskan oleh variabel lain yang tidak dijelaskan dalam model. seperti dilakukan dengan uji t.70 -11.000287 9.000287 260. 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 .964 3.001 1.933 -11.49 216816.933 -11.256 1.421 0.361 -1.421 0.282 64.933 -11.48 8954.1 0 4 6 R2 = 0. maka pengujian tingkat signifikansi variabel tidak hanya dilakukan secara individual saja.539 1.000287 10. karena mencapai 75.751 Nilai R2 sebesar 0.241 -1.1%. bahwa dalam regresi linier berganda variabel penjelasnya selalu berjumlah lebih dari satu.439 1.243 -1.33 9151. Untuk itu.41 13.000287 9.22 260.891 -2.13 10.511 -0.6 8928.366 1.577 6.121 48.421 0. maka nilai R2 dapat ditentukan.93 10.421 0.58 10.401 -1.1%.2 3 8 4 6 . Uji F Seperti telah dikemukakan di atas.13.851 2. Sisanya sebesar 24.43 13.933 1.

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

H0 : b1 ≠ b2 ≠ 0 Variabel penjelas secara serentak signifikan mempengaruhi variabel yang dijelaskan. diketahui bahwa F tabel dituliskan Fα . • Simbol (k-1) menunjukkan degrees of freedom for numerator. (n-k). 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.k-1. maka penting untuk mengetahui bagaimana mencari nilai F hitung ataupun nilai F tabel. Seperti yang telah dituliskan pada pembandingan antara nilai F hitung dan nilai F tabel di atas.10. 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.01 ataukah α = 0. • Simbol (n-k) menunjukkan degrees of freedom for denominator. kita dapat menghitung nilai F 94 .uji F. dan seterusnya). Karena uji F adalah membandingkan antara nilai F hitung dengan nilai F tabel.05 atau α = 0. Guna melengkapi hasil analisis data yang dicontohkan di atas. yang biasanya dituliskan dalam kalimat sebagai berikut: H0 : b1 = b2 = 0 Variabel penjelas secara serentak tidak signifikan mempengaruhi variabel yang dijelaskan.

dan (n-k) = (22-3) = 19 yang besarnya 3.66.2. maka null hyphothesis ditolak.52. Nilai ini lebih besar dibanding dengan nilai F tabel pada α = 0.2. Nilai F dari model tersebut ternyata besarnya adalah: F= R 2 /( k −1) (1 − R 2 ) /( n − k ) = = (0. n-k) F F0.751 ) /( 22 − 3) 0.19.berdasarkan rumus. Daerah Uji F -000Tugas: 1. Daerah penolakan atau penerimaan hipotesis dapat dilihat pada gambar berikut ini: Daerah diterima Daerah ditolak F(α . k-1.0131 = 28.751 ) /( 3 −1) (1 − 0.3.66 Dari hasil penghitungan di atas diketahui bahwa nilai F hitung adalah sebesar 28. Dengan demikian dapat disimpulkan bahwa variabel Budep dan Kurs secara serentak signifikan mempengaruhi inflasi. 3. Buatlah rangkuman dari pembahasan di atas! 95 .05. Dengan demikian.52 Gb.05 dengan (k-1) = 2.3755 0.

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

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 .BAB V UJI ASUMSI KLASIK Tujuan Pengajaran: Setelah mempelajari bab ini.

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

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

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

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

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

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

Uji Durbin-Watson (DW Test). Formula yang digunakan untuk mendeteksi terkenal pula dengan sebutan DurbinWatson d statistic. • Variabel penjelasnya tidak random (nonstochastics).e e t t −1 2 t ) Dalam DW test ini terdapat beberapa asumsi penting yang harus dipatuhi. Uji Durbin-Watson yang secara populer digunakan untuk mendeteksi adanya serial korelasi dikembangkan oleh ahli statistik (statisticians) Durbin dan Watson.1. • Tidak ada data yang hilang. 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. • Tidak ada unsur lag dari variabel dependen di dalam model. Rumusan hipotesisnya (H0) biasanya menyatakan bahwa dua ujungnya tidak ada serial autokorelasi baik positif 106 . yaitu: • Terdapat intercept dalam model regresi.

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

Inconclusive Tidak ada Autokorelasi Inconclusive Korelasi (+) 0 dL dU 2 4-dU Korelasi (-) 4-dL 4 Gambar 3. Bantuan dengan SPSS Untuk mengetahui ada tidaknya autokorelasi dengan DW test. Linear • Masukkan variabel Y ke kotak Variabel Dependen.3.: Daerah Uji Durbin Watson Dalam pengujian autokorelasi terdapat kemungkinan munculnya autokorelasi positif maupun negatif. tahapannya dilakukan seperti pada tahapan regresi. 108 . 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. Karena adanya masalah korelasi dapat menimbulkan adanya bias pada hasil regresi. kemudian klik OK. Lengkapnya tahapan tersebut adalah sebagai berikut: • Pilih Analyze. Regression.

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

maka koefisien autokorelasi lebih kecil dari nol.15 dU 1.Dengan menggunakan derajat kesalahan (α )=5%. Karena nilai DW hasil regresi adalah sebesar 0.54 4-dU 2. Hipotesis nol yang menyatakan tidak terdapat masalah autokorelasi dapat ditolak.85 4-dL 4 110 . dengan predictor sebanyak 2 maka batas atas (U) adalah sebesar 1. Dengan kata lain.15. Dengan demikian dapat disimpulkan bahwa hasil regresi tersebut belum terbebas dari masalah autokorelasi positif. dengan sampel 22 observasi.883 yang berarti lebih kecil dari nilai batas bawah. 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 2.54 sedang batas bawah (L) adalah sebesar 1.

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

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

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

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

Untuk menentukan posisi normal dari sebaran data. eviation V ariance S kew ness S E td.953 3.3027 .49 X 2 22 22 0 0 14.22 216816.66 X 1 3) Mengamati sebaran data.363 .06 a 8688.494 .15 2605. dengan melakukan hitungan-hitungan berapa prosentase data observasi dan berada di area mana. rror of K urtosis R ange M inim um M axim um S um a.1 .6200 9774.7479 3.009 .65 13.13 260.28 15. langkah awal yang dilakukan adalah menghitung standar deviasi.3727 12.953 6. The sm allest value is show n V alid M issing 22 0 11.85 8.099 . rror of M ean M edian M ode S D td.0670 681871.0552 -.7548 1.30 324.0329 825.65 16.491 .491 -.0515 14.1700 8.28 a 1.096 .• Maka SPSS akan menampakkan output sebagai berikut: S tatistics Y N M ean S E td.8405 .2202 176. rror of S kew ness K urtosis S E td. M ultiple m odes exist.06 8688.7373 9855.953 .65 a 1.424 -1.21 11294.0200 13.491 -1. Standar deviasi dapat dicari melalui rumus sebagai berikut: SD = ∑( Dv − D v) n 115 .

kita dapat memberinya nama: SD1 yang berarti rentang pertama. 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).7% dari sisanya berada pada area SD3 Untuk memperjelas maksud dari uraian di atas. 1995. 116 . Inc. third edition. Penentuan area ini penting. di sebelah kiri dan sebelah kanan dari posisi tengah-tengah (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. Basic Econometrics. Untuk mempermudah. 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. McGraw-Hill.

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

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

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

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

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

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

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

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

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

Regresi Logit 128 .

91 16.97 15.76 15.7844 110.3614 144.16 14.93 13.5636 190.1609 190.0416 149.62 10.1849 131.8025 229.19 15.47 12.06 13.5729 169.02 16.14 14.6681 157.88 15.06 13.58 13.3776 241.5009 166.79 14.0025 112.5025 207.5396 112.49 X1 13.93 11.7161 195.2464 176.398 129 .48 10.55 14.0188 170.4598 240.22 13.67 15.2601 155.1368 126.48 XY 108.3977 206.6 10.51 10.1744 248.8409 199.658 142.13 14.0449 184.19 15.8304 106.3184 135.21 16.4601 117.815 196.21 16.97 15.14 10.0831 203.76 15.5225 202.81 13.1281 256.85 14.23 13.02 16.8667 198.9008 206.93 13.8256 220.55 15.2354 187.0724 146.1161 252.67 15.33 260.13 324.36 109.3 12.525 Y2 68.85 14.05 10.478 142.42 15.01 12.81 13.2084 194.5489 253.88 15.8046 171.39 14.16 14.4355 233.7904 101.04 12.08 13.6329 3871.6404 262.97 13.22 Y 8.1641 196.03 14.79 14.5584 83.9364 228.8182 203.1009 245.7641 262.911 147.X1 13.28 9.6456 183.03 14.3969 4800.39 14.22 X12 170.97 13.48 10.58 13.2644 221.2234 148.4164 172.14 14.9396 207.13 324.55 15.9169 198.9329 151.89 167.11 13.0721 224.82 12.22 13.7089 3148.6521 170.91 12.91 16.

Perbedaan antara nilai b dan B disebabkan adanya fluktuasi sampling. Pengukuran berdasarkan interval kepercayaan dapat dituliskan dalam bentuk persamaan sebagai berikut: P (b-d ≤ B ≤ b +d) = 1. Ingat E(b) = B. Kalau berada pada interval tersebut. yaitu koefisien regresi sebenarnya (Y = A + BX + e).α ). 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. 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. Nilai B sendiri besarnya adalah sama dengan nilai rata-rata b.4498 0. maka kita perlu menguji apakah B berada pada interval atau tidak. karena nilai rata-rata b adalah pemerkira tak bias. Nilai b sendiri merupakan perkiraan tungga dari parameter B. maka dipastikan bahwa B mempunyai tingkat kepercayaan yang baik (reliabel). maka B tidak reliabel.α Persamaan ini dapat dibaca: probabilita interval antara (b-d) dan (b+d) akan memuat nilai B sebesar (1.4348 Penemuan nilai b di sini penting untuk menentukan nilai B. 130 .α ) = koefisien keyakinan (confidence coefficient) atau tingkat keyakinan (confidence level). Permasalahannya adalah nilai b yang dihasilkan dengan perhitungan di atas adalah nilai b individual.t= b sb = 1. jika tidak.

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

Sign up to vote on this title
UsefulNot useful