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

statistika. keuangan. operasional. 4 . akuntansi. manajemen. Essential of Econometrics. pemasaran. makro. Goldberger. dengan tujuan menyelidiki dukungan empiris dari hukum skematik yang dibangun oleh teori ekonomi. Lembaga Penerbit FE UI. Model sendiri memerlukan disiplin ilmu matematika. dan statistika inferensi yang digunakan untuk menganalisis kejadian-kejadian ekonomi (Arthur S. Beberapa pakar mendefinisikan ekonometrika sebagai berikut: Ekonometrika dapat didefinisikan sebagai ilmu sosial yang menggunakan alat berupa teori ekonomi. Guna memahami data. yaitu statistika. 1983. yang digunakan secara simultan untuk mengungkap dan mengukur kejadian-kejadian atau kegiatan-kegiatan ekonomi. matematika.1 Ekonometrik adalah gabungan penggunaan matematik dan statistik untuk memecahkan persoalan ekonomi (J.Uraian di atas menjelaskan kepada kita bahwa dalam ekonometrika diperlukan tiga hal pokok yang mutlak ada. data. p.1). Ekonometrik. Supranto. Oleh karena itu. Buku satu. 1964. dan statistik.6). matematik. second edition. dan model. Teori ekonomi meliputi teori ekonomi mikro. ekonometrika merupakan gabungan dari ilmu ekonomi. memerlukan disiplin ilmu tentang data. 2 Supranto. yaitu: teori ekonomi. dan lainlain. 1999. Dengan memanfaatkan ilmu ekonomi. J.. 1983.2 Ekonometri adalah suatu ilmu yang mengkombinasikan teori ekonomi dengan statistik ekonomi. dan matematika. ekonometri membuat 1 Diterjemahkan dari buku KARYA Damodar Gujarati. Irwin McGraw Hill.p.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

BAB II MODEL REGRESI Tujuan Pengajaran: Setelah mempelajari bab ini. 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 .

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

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

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

3) dan persamaan multiple linier (pers. dan X = bunga deposito (Budep) pada periode tertentu.0 13..5 16. (pers..4) Misalkan dari pers.persamaan single linier (pers. maka data akan tergambar dalam bentuk titik-titik yang merupakan sebaran data dalam scatter plot.4) sebagai berikut: Y = b0 + b1X + e ……….0 15. Dengan menggunakan data penelitian hubungan antara inflasi dan bunga deposito antara Januari 2001 hingga Oktober 2002. maka sebaran datanya tergambar sebagai berikut: Hubungan Suku Bunga terhadap Inflasi 16 15 14 13 12 11 10 INFLASI 9 8 13.5 14.0 14.5 BUDEP Gambar 3 24 .5 15.0 16. (pers. dan jika datanya telah diketahui.3 dianggap bahwa Y = Inflasi.3) Y = b0 + b1X1 + b2X2 + …… + bnXn + e ……….

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

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

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

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

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

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

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

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

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

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.

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

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

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 .

11 13.97 15.13 324.88 15.51 10.04 12.55 14.58 13.23 13.13 14.16 14.81 13.22 13.06 13.01 12.47 12.33 260.08 13.22 38 .14 10.55 15.82 12.91 16.97 13.93 11.21 16.91 12.39 14.62 10.79 14.19 15.48 10.05 10.49 X1 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 8.14 14.76 15.42 15.28 9.67 15.6 10.02 16.85 14.48 10.03 14.3 12.93 13.

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

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

Caranya: klik Transform.4. ketik X12. kemudian pilih Compute. Data awal yang dimasukkan tadi dapat dikembangkan menjadi seperti hitungan dalam tabel di bawah (misal menjadi 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). maka caranya: variabel yang ada di kolom Type&Label diblok (klik) 41 . Sesuai contoh. dimana X12 ini merupakan X1 yang dikuadratkan. Karena akan menghitung kuadrat.

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

85 14.14 10.42 15.51 10.0831 203.1009 245.6521 170.815 196.5225 202.2084 194.16 14.5489 253.04 12.91 16.08 13.2464 176.48 XY 108.05 10.88 15.1849 131.8046 171.9329 151.8182 203.7161 195.5396 112.5584 83.55 15.1161 252.93 11.55 14.7641 262.13 324.2601 155.9008 206.01 12.48 10.2354 187.33 260.5636 190.0416 149.6456 183.2644 221.9364 228.03 14.6 10.91 12.82 12.1609 190.14 14.7089 3148.1744 248.8667 198.2234 148.11 13.478 142.19 15.1368 126.79 14.0724 146.4601 117.89 167.6329 3871.39 14.6404 262.8256 220.97 13.36 109.5009 166.4355 233. sebagai berikut: Mencari nilai b: b= n ( ∑ XY ) − ( ∑ X )( ∑Y ) n (∑ X ) − (∑ X ) 2 2 43 .5729 169.0188 170.1641 196.06 13.02 16.3614 144.3184 135.7844 110.1281 256.28 9.48 10.76 15.21 16.81 13.62 10.23 13.911 147.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 8.9169 198.3977 206.9396 207.13 14.3776 241.4164 172.93 13.47 12. maka angka-angka tersebut dapat secara langsung dimasukkan ke dalam rumus I.97 15.8409 199.7904 101.398 Setelah mendapatkan hitungan-hitungan hasil pengembangan data.525 Y2 68.6681 157.67 15.8025 229.8304 106.3969 4800.658 142.5025 207.3 12.0721 224.22 X12 170.49 X1 13.58 13.22 13.4598 240.0449 184.0025 112.

22 ) 22 260 . Mencari nilai a: Y −b.871 .22 )( 260 .49 ) 22 ( 4.0 7 5 7 6 8 5 68 1 5 .022 22 = = a = -9.525 ) − ( 324 .6 8 0 1 0 15 1 04 714 . karena rumus pencarian a terkait dengan nilai b. agar dapat secara langsung menggunakan rumus II ini. maka nilai a juga dapat ditentukan. Demikian pula. perlu menghitung dulu komponen-komponen rumus.49 −1.22 ) 2 8 . ∑ X a= ∑ n 260 .b= = = 22 ( 3.6 1 .4 6 .4497 dengan diketahuinya nilai b.398 ) − ( 324 .6922 492 .Langkah yang dapat dilakukan dicontohkan sebagai berikut: 44 .800 .49 − 470 .4497 (324 .1 0 . bahwa nilai a dan b dapat pula dicari dengan menggunakan rumus kedua.5241 Seperti telah dijelaskan di atas.9916 b = 1.1 8 .6 − 0 .7 − 4 .

53 2 324 .49 ) 22 45 .16 xy ∑ = 3871.48 – 3084.22 −260 .12 = 22.32 = 64.49 2 22 = 3148.22 2 22 = 4800.40 - (324 .48 - 260 . kita perlu menemukan dulu nilai dari xy x ∑ atau ∑ 2 yang dapat dilakukan dengan rumusrumus sebagai berikut: ∑x ∑y 2 =∑X 2 −(∑X ) / n 2 2 2 =∑ 2 −(∑ ) / n Y Y −(∑ ∑ ) / n X Y xy X ∑ =∑ Y maka: x ∑ = 4800.53 – 4778.Mencari nilai b.41 ∑y 2 = 3148. menggunakan rumus kedua: b= ∑xy ∑x 2 Dari rumus di atas.

5256 Hasil pencarian nilai a dan b dengan menggunakan rumus I dan II didapati angka yang cenderung sama. mencari a dan b dengan rumus I ataupun rumus II akan menghasilkan nilai yang sama. Pada penghitungan rumus I nilai a = –9. 46 .= 3871.49 Dengan diketahuinya. Dengan demikian dapat disimpulkan bahwa.4498 x 14.4498. nilai a = -9. Tampak bahwa hingga dua angka di belakang koma tidak terdapat perbedaan. Perbedaan ini sifatnya tidak tidak substansial.91 = 32.40 – 3838. karena munculnya perbedaan itu sendiri akibat dari pembulatan.49 22 .4498 Dengan diketahuinya nilai b. maka nilai a juga dapat dicari dengan rumus sebagai berikut: a= − X Y b = 11.3661 a= -9. sedangkan tiga angka di belakang koma mulai ada perbedaan.7373) = 11. nilai-nilai tersebut. Sedangkan hasil penghitungan dengan rumus II.8405 – (1. maka nilai b dapat ditentukan.8405 – 21. yaitu: b= 32 .4497.41 = 1.5256 dan b = 1.5241 dan b = 1.

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

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

namun nilai a dan b baru dapat dikatakan valid (tidak bias)13 apabila telah memenuhi beberapa asumsi. nilai a dan b besar kemungkinannya tidak merupakan nilai yang sebenarnya. Erro r Beta -9.19 5 .00 4 .1 0 1 . a . D e pe nd en t Varia ble: Y Catatan: Hasil penghitungan manual dan SPSS tampaknya ada perbedaan dalam desimal.4 50 .2 2 0 S ig . yang terkenal dengan 13 Tidak bias artinya nilai a atau nilai b yang sebenarnya.5 27 2 .1 0 1 R e s id u a l 1 7 . Meskipun nilai a dan b dapat dicari dengan menggunakan rumus tersebut. P re d ic to rs : (C o n s ta n t).00 0 a . Itu disebabkan adanya penghitungan pembulatan.8 57 M o de l 1 (Con stan t) X1 t -3. 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 . . jika asumsi tidak terpenuhi.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. Dikatakan demikian sebab. X 1 b .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 .8 5 3 F 5 5 .0 5 9 T o ta l 6 4 .8 82 1.1 6 0 a .4 3 1 Sig .3 0 5 7. 49 .

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

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

. . . maka garis regresi akan memotong sumbu Y dibawah origin (0) pada angka – 9. X1 a 0 b .449 menunjukkan arti bahwa variabel X tersebut tergolong elastis. Dengan menggunakan hasil hitungan pada data di atas. 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.terhadap sumbu X semakin rendah pula. Gambaran uraian di atas dapat dilihat pada gambar berikut: Y ˆ Yi = a + bX i Y1 . . karena nilai b > 1.525 +1. . didapatkan dari memasukkan angka Xi ke dalam persamaan Yi = a + bXi +e. Tanda positif pada parameter b 52 . setiap perubahan nilai X akan diikuti perubahan yang lebih besar pada nilai Y. maka derajat kemiringan garis regresi terhadap sumbu X semakin tinggi. Nilai parameter b variabel X yang besarnya 1. Sebaliknya.525.525. semakin tinggi nilai b. e . X ˆ Munculnya garis Yi = a + bX i seperti dalam gambar di atas. o . Artinya. . e .

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

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

Berbagai software komputer telah banyak yang melakukan penghitungan secara otomatis.A. tergantung permintaan dari user. Fisher t hitung > t tabel t hitung < t tabel Individual Satu Uji F Neyman. perlu terlebih dulu menghitung standar error atau standar deviasi dari b. Sebagai perbandingan antara penggunaan uji t dan uji F dapat dilihat pada tabel berikut: Tabel. 2. yang ternyata telah dirumuskan sebagai berikut: Sb = Uji t R. maka alat ujinya adalah menggunakan uji F. Namun perlu bagi kita untuk mengetahui formula dari standar error dari b.pengujian signifikansi yang menggunakan lebih dari satu variabel bebas yang diuji secara bersama-sama dalam mempengaruhi Y. 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. 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 diperlukan ˆ menghitung nilai Yt terlebih dulu. 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.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). Bantuan dengan SPSS • Uji t dapat dilihat dalam output hasil regresi dengan SPSS pada tabel Coefficient. Dengan demikian tabel data ˆ akan menghasilkan kolom Yt sebagaimana tertera pada tabel di bawah ini. • Kolom Sig. Tetapi jika α ditentukan 0. • Uji F dapat dilihat dalam output hasil regresi dengan SPSS pada tabel ANOVA. baik pada tabel Coefficient maupun ANOVA menunjukkan tingkat signifikansi pada derajat kesalahan (α ) tertentu. Angka sebesar itu dapat dikatakan signifikan jika derajat kesalahan (α ) telah 56 ditentukan sebesar 0.01 maka angka tersebut tidak signifikan.04 itu berarti bahwa tingkat kesalahannya mencapai 4%. untuk ˆ mempermudah penghitungan e atau Yt −Yt . menunjukkan angka 0. kolom Sig. Misal.05. .

795 -1.046 0.413 10.342 12.68 -0.024 12.91 12.62 10.88 15.01 12.55 15.48 10.64 2.91 16.095 ˆ Y ˆ ˆ (Y −Y ) (Y −Y ) ( X − X ) ( X − X ) 2 2 -1.16 2.277 0.650 0.035 1.157 0.501 10.198 13.699 0.628 0.092 -1.472 -0.42 15.851 0.279 1.93 1.60 -0.502 13.279 2.08 13.71 -0.113 0.04 0.85 14.10 1.28 1.528 -1.16 14.038 0.752 0.546 13.47 12.01 0.27 57 .05 9.Tabel pengembangan data untuk menghitung Standar Deviasi X1 13.06 13.361 -0.047 -0.458 12.328 13.472 10.18 0.076 -0.23 13.55 14.000 1.284 1.705 13.51 10.133 -1.820 10.11 -0.02 16.93 -0.76 15.076 0.67 15.42 0.183 13.36 0.223 0.19 15.009 11.431 0.21 16.66 0.39 14.23 0.979 11.566 0.17 1.04 12.28 9.885 0.03 14.013 0.82 0.3 12.86 0.05 0.11 13.14 14.90 0.79 14.13 14.001 1.47 1.045 1.002 0.97 13.77 -0.50 0.14 1.733 10.001 0.981 13.952 13.219 2.97 15.02 0.81 13.45 1.95 -0.131 1.93 11.35 0.81 0.22 Y 8.12 0.632 2.82 12.59 0.14 10.86 1.52 2.468 1.30 1.188 -1.37 1.

101 0.195 Selain dicari dengan rumus seperti di atas.060 -0.33 260.313 0.591 -0. maka Sb dapat segera dicari.81 -1.2 = 0.675 10. tentu terlebih dulu harus mencari nilai total ei2 yang dapat dicari melalui rumus berikut ini: 58 .35 2.16 -1.006 0. maka perlu terlebih dulu mencari nilai S e2 yang dapat dicari dengan membagi nilai total ei2 dengan n-2.58 13.41 ) 17 . Jadi S e2 dapat dicari dengan rumus sebagai berikut: 2 se = ∑e 2 i n −2 Agar rumus ini dapat langsung digunakan.665 17.13 324.515 260.49 10.816 -0.098 0.22 10. dimana hasilnya ditemukan sebesar: Sb = = 17 .48 10.61 -0.93 13.075 0.6 10.59 22.66 1.06 448 .13.167 9.41 Dengan adanya pengembangan data menjadi seperti tertera pada tabel di atas. Sb dapat pula dicari melalui jalan lain dengan rumus yang dapat dituliskan sebagai berikut: Sb = 2 se ∑ xi2 Bila kita hendak menggunakan rumus ini.06 20 ( 22 .06 0.

1019 (22.056 22 −2 17 .8528 Karena nilai s e2 merupakan salah satu komponen untuk mencari nilai Sb. yaitu: ei2 = 64.16 – 2. yaitu: 59 . maka nilai ei2 dapat diketahui.1040 = 17.Rumus mencari nilai total ∑ei2 = ∑ y i2 − b 2 ∑xi2 ei2 : Dengan memasukkan nilai komponen rumus yang telah didapatkan melalui hitungan-hitungan terdahulu. maka dengan ditemukannya nilai 2 s e sebesar 0.056.41) = 64.056 Hitungan di atas telah memastikan bahwa nilai ei2 adalah sebesar 17.056 20 = 0. Dengan diketemukannya nilai ei2 ini maka nilai s e2 pun dapat diketahui melalui hitungan sebagai berikut: 2 se = ∑e 2 i n −2 = = 17 .16 – 47.8528 tentu saja nilai Sb pun dapat diketahui.

41 = 0. Angka tersebut umumnya disebut pula sebagai nilai t hitung.4348. Dengan diketahuinya nilai Sb.8528 22 . 60 . yaitu nilai Sb sebesar 0.4498 0.Sb = 2 se ∑ xi2 = 0.4348 Penghitungan nilai t dengan cara yang dilakukan di atas. Nilai t tabel sebenarnya telah ditentukan pada tabel t student yang telah ditetapkan oleh para penemunya.195 = 7.195 Hitungan dengan rumus ini ternyata menghasilkan nilai Sb yang sama besar dengan hitungan menggunakan rumus yang pertama.195. karena rumus mencari t hitung adalah: t= b sb Jadi. Cara menentukan signifikan tidaknya nilai t tersebut adalah melalui pembandingan antara nilai t hitung dengan nilai t tabel. maka nilai statistik t (baca: t hitung) dapat ditentukan. Besarnya angka t hitung ini yang menentukan signifikan tidaknya variabel X dalam mempengaruhi variabel Y. menunjukkan bahwa nilai statistik t sebesar 7. nilai t hitung variabel X adalah sebesar: t = 1.

086.Karena untuk menentukan signifikan tidaknya nilai t hitung adalah melalui upaya membandingkan dengan nilai t tabel. maka degree of freedom (df) sama dengan sebesar nk = 20. yaitu 1 parameter a dan 1 parameter b. Dengan menggunakan contoh data di atas.725. seandainya kita menggunakan derajat kesalahan yang ditolerir adalah 5 % (baca: α = 0. maka dapat diketahui bahwa. maka tidak signifikan.4348. dan karena jumlah observasi adalah sebanyak 22 (baca: n=22). (Lihat data t tabel di halaman lampiran). sudah tentu angka tersebut lebih kecil dibanding dengan nilai t hitung yang besarnya 7. jika nilai t hitung > t tabel. maka signifikan. Nilai t tabel yang besarnya 2.05). karena jumlah k adalah 2. maka nilai t tabelnya adalah sebesar 1. Atas dasar itu dapat dipastikan bahwa variabel X (budep) signifikan mempengaruhi Y (inflasi). Gambaran pengujian nilai t dapat disimak melalui gambar di bawah ini: Daerah diterima Daerah Ditolak Daerah Ditolak 61 . Jika nilai t hitung < t tabel.

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

5256 + 1. pada α =5% dengan d. E<1 = inelastis.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 = -9.4498%. dan t. Terbukti dari nilai thit variabel Budep sebesar 7. Artinya.4498 Budep + e thit = (7. E=1 =uniter elastis.4498) lebih besar dari angka 1 (satu). Nilai b Budep yang besarnya 1.4348 lebih besar dibanding nilai ttabel. sedangkan nilai b mencerminkan tingkat elastisitas variabel X. Nilai a menjelaskan tentang seberapa besar faktor-faktor yang bersifat tetap mempengaruhi inflasi. Koefisien Determinasi (R2) Pembahasan hasil regresi di atas menunjukkan seberapa besar nilai a.4498 menginformasikan bahwa setiap Budep meningkat 1%. 63 . b. yang besarnya 1. maka Inflasi akan mengalami peningkatan sebesar 1.f.4348) Persamaan di atas menginformasikan bahwa variabel Budep signifikan mempengaruhi variabel Inflasi. sebanyak 20.725.4498%. Nilai t sendiri mempertegas 15 Standar elastisitas dapat diketahui dari: jika E>1 = elastis. besarnya tingkat perubahan yang terjadi pada Budep akan mengakibatkan tingkat perubahan yang lebih besar pada variabel Y (Inflasi). Karena nilai b (1. Perlu diingat bahwa nilai b juga mencerminkan tingkat elastisitas variabel X. maka dapat dipastikan bahwa variabel Budep sangat elastis15. apabila Budep turun sebesar 1% maka Inflasi juga akan mengalami penurunan sebesar 1. Sebaliknya.

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

4%. Artinya.734 maka air dalam gelas adalah sebanyak 73.49 ) 2 ]   [1.7%. Terkait dengan angka 0. • Ibarat air dalam gelas. 65 .73    834 .73 =   7 4 .5%. 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. menunjukkan arti bahwa determinasi dari variabel bebas terhadap variabel terikat adalah sebesar 73.2 x 3 .4) −324 . disimpulkan bahwa Budep merupakan prediktor yang • Misalkan angka R2 menunjukkan angka 0.800 .857 Angka koefisien determinasi (R2) yang besarnya 0.48 ) −( 260 . Angka tersebut menjelaskan bahwa Bantuan dengan SPSS variabel Bunga deposito determinasi atau sumbangan (budep) terhadap inflasi adalah sebesar 87.52 ]       [493 .411 .22 ) R2 =     22 (3.4% dari gelas tersebut.871 . • R2 (baca: R square) atau koefisien determinasi dapat sumbangan faktor-faktor lain (selain Budep) terhadap dilihat dalam output hasil regresi dengan SPSS dapat Inflasi hanya sebesar 14.22 ( 260 .05  = 0.49 ) 2 ] [22 (3. Dengan demikian pada tabel model summary.734 baik untuk menaksir Inflasi.5  2 0 7 7  R2 =  714 .857 ini bila ditulis dalam bentuk prosentase sama dengan 85.7 1 3   2 . variabel terikat (Y) adalah gelasnya dan air adalah variabel bebasnya (X). maka akan menghasilkan nilai sebagai berikut: R2 =     [22 (4.06 ] 714 .3%.148 .53 ) −(324 .

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

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

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. 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.

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

28 9.47 X2 (Kurs) 9433. sedang inflasi tarikan permintaan disebabkan perubahan pada sisi demand.03 14. maka untuk semakin memperjelas perihal terjadinya inflasi.14 14.3 10883. yang menggambarkan nilai tukar IDR terhadap USD. Karena jumlah variabel X tidak lagi satu melainkan sudah dua. pada kurun waktu yang sama dengan data sebelumnya yaitu antara Januari 2001 hingga Oktober 2002.59 9288.23 13.19 11294. maka analisa yang akan digunakan adalah analisa regresi linier berganda.01 12.04 12.91 Y (Inflasi) 8.78 10204.97 13.05 10097.06 13. dapat dicoba menambah satu variabel penduga (X2) yaitu Kurs. Berbagai alasan yang dijelaskan di atas.25 9633.62 10.82 12.97 15. Dengan bertambahnya variabel Kurs sebagai variabel penduga.81 13.79 14.7 11074.51 10.39 14.75 11291.bahwa pemicu terjadinya inflasi desakan biaya karena perubahan pada sisi supply.91 70 .11 13.14 10.57 8956. maka data yang dianalisis pun bertambah hingga menjadi sebagai berikut: X1 (Budep) 13.67 15.

85 14.6 10.76 15.05 10.93 13.65 8964.93 11.82 9115.41 8954. tetapi dalam regresi linier berganda variabel X lebih dari satu.82 10237.19 15.16.48 10.73 216816.55 14.88 15.55 15.42 9914. Perbedaannya hanya terdapat pada jumlah variabel X saja.33 260.49 10554.91 12.7 8928.42 10393.16 14. Model Regresi Linier Berganda Penulisan model regresi linier berganda merupakan pengembangan dari model regresi linier tunggal.42 15. meliputi: 1) jumlah variabel penjelasnya bertambah.58 13. Model regresi linier umumnya dituliskan sebagai berikut: Populasi: BnXn + e Y = A + B1X1 + B2X2 + B3X3 + ………+ 71 .22 12.43 9151. sehingga spesifikasi model dan data terjadi penambahan.7 Perubahan model dari bentuk single ke dalam bentuk multiple mengalami beberapa perubahan.21 16.05 8688.13 324.26 9485.08 13. Dalam regresi linier tunggal hanya satu X.48 10. 3) jumlah degree of freedom dalam menentukan nilai t juga berubah.22 13.3 12.13 14.02 16.86 10269. 2) rumus penghitungan nilai b mengalami perubahan.

79. A.U. 17 Penulisan model seperti ini ditemui pula dalam buku-buku karya Gujarati 72 .3X2i + B13. 4. Hal ini dapat dimengerti karena penulisan model sendiri hanya bertujuan sebagai teknik anotasi untuk memudahkan interpretasi. Preceeding of Royal Society.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. Yale. On the Theory of Correlation for any Number of Variables. Apabila kita ingin menganalisis pengaruh Budep dan Kurs terhadap Inflasi dengan mengacu model Yale. Untuk variabel bebas notasinya dimulai dari angka 2.2X3i + e Y = b1. 1970. Treated by a new System of Notation. Penulisan cara di atas adalah bentuk model yang sering dijumpai dalam beberapa literatur. maka notasi model menjadi seperti berikut: Populasi: Sampel : Y = B1.23 berarti nilai perkiraan Y kalau X2 dan X3 masing-masing sama dengan 0 (nol). Notasi model seperti itu tentu berbeda dengan notasi model Yale16.2X3i + e Notasi model Yale ini mempunyai spesifikasi dalam menandai variabel terikat yang selalu dengan angka 1. 3. Notasi b12.3 berarti besarnya pengaruh X2 terhadap Y jika X3 tetap.23 + B12. 16 G. dan seterusnya. Vol.17 Notasi b1.3X2i + b13.23 + b12.

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

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

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

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

maka data yang ada perlu diekstensifkan sesuai dengan kebutuhan rumus tersebut. b2). Logika dari teori tersebut yang mendasari rumus yang dapat digunakan untuk menentukan koefisien regresi parsial (partial regression coefficients) (baca: b1. Dengan memanfaatkan data yang telah tersedia. maka nilai total masing-masing komponen rumus yang dikembangkan adalah tertera sebagai berikut: X1 Y X2 ∑x 2 1 ∑x 77 2 2 x ∑ 1 y ∑x 2 y ∑x 1 x2 . Guna mempermudah dalam memasukkan angka-angka ke dalam rumus.unit X1 terhadap Y. Pencarian koefisien regresi tersebut dapat dilakukan dengan menggunakan rumus-rumus yang telah ditentukan di atas. 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.

21 −16 .002 .40 449 .40 14.274. b1.318 . maka diketahui bahwa nilai b1 adalah: b1 = 2 (∑x1 y )( ∑x 2 ) − (∑x 2 y )( ∑x1 x 2 ) 2 2 (∑x1 )( ∑x 2 ) − (∑x1 x 2 ) 2 = = (32 . maka nilai b0.318.274 .227 . dan b2 dapat ditentukan.227.64 )( 2.324 .318 .861 .72 ) 2 465 .19 = 315 .736 .503 .69 32.962 .46 2.667 .227 .70 22.503.92 −4.48 7.72 ) ( 22 .70 ) − (7.503 .49 216.72 Berdasarkan data-data yang tertera dalam tabel di atas.205 . 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.22 260.02 320 .41)(14 .70 ) − ( 2.185 .816.914 .877 .931 .208 .52 78 .324.49 )(14 .

73)-0. maka diketahui bahwa nilai b0 adalah: b0 = Y − b1 X 1 − b2 X 2 = 11.68 −72 .0002869 atau dapat ditulis dengan 2.49 )( 2.914 . 79 .92 −4.40 90 .667 .84-20.736 .931 .962 .024 .855.0002869(9. Nilai b1 dan b2 tergantung pada jumlah sampel yang ditarik.72 ) 2 163 . Penambahan atau pengurangan akan mengakibatkan perubahan rentangan nilai b.917 Nilai dari parameter b1 dan b2 merupakan nilai dari suatu sampel.227 .877 .30) = 11.52 = 0. 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 = = = = (7.62 320 .318 .2. Perubahan rentang nilai b1 dan b2 diukur dengan standar error.41 ) − (32 .227 .70 ) − ( 2.84-1.72 ) ( 22 .64 )( 22 .869E-04 Dengan menggunakan rumus pencarian b0 di atas.646 . Semakin besar standar error mencerminkan nilai b sebagai penduga populasi semakin kurang representatif.827 = -11.41 )(14 .378 .06 315 .421 Dengan menggunakan rumus pencarian b2 di atas.93.274 .b1 = 1.421(14.503 .

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

40 )(14 .9 22 .26 0.40 (0.= = 4.0 5 (0.0 5 + 4 .227 .84 ) 315 .503 .771 .72 )  19 = 22 .361 .90 1 22 + 315 .69  2  ( 22 .503 .84 = 0.226 Mencari Sb1.84 (0.6 ) (0.26  19   (0.8 ) 4 4 = 0.746 .227 .69 ) − ( 2.746 . S b1 = ∑x (∑ x )( ∑ x ) − (∑ x x 2 2 2 1 2 2 1 2 )2 n −3 ∑e 2 = = =   15 .40  2  ( 22 .50  15 .771 .399 .84 ) 315 .40 )(14 .69 (0.771 .72 )  19 14 .503 .9 14 .69 ) − ( 2.8 ) 4 1 9 4 = 3.318 .26 83 .639 .503 .179 Mencari Sb2: Sb2 = ∑x (∑ x )( ∑ x ) − (∑ x x 2 1 2 1 2 2 1 2 )2 n − 3 ∑e 2 =   15 .746 .84) = 3.318 .318 .318 .213 x 0.

maka nilai tb0 adalah: tb0 = −11. Sb 2 Mencari nilai statistik tb1: t b1 = Mencari nilai statistik tb2: tb2 = Dengan menggunakan rumus-rumus di atas.917 3.8 ) 4 = 0. Pencarian masing-masing nilai t dapat dirumuskan sebagai berikut: Mencari nilai statistik tb0: tb0 = b0 Sb 0 b1 S b1 b2 . karena nilai t merupakan hasil bagi antara b dengan Sb.694 dan nilai tb1 adalah: 84 . maka nilai t untuk masing-masing parameter dapat diperoleh. hanya saja pencarian Sb nya yang berbeda.= 0.000223 Setelah diketahui semua nilai standar error (Sb0. Pencarian nilai t mempunyai kesamaan dengan model regresi linier sederhana.226 = -3. Sb1.84 = 0.000266 x 0.0 0 0 0 0 0007 (0. Sb2) melalui penggunaan rumus-rumus di atas.

093. Karena nilai tb1 adalah sebesar 7. maka perlu membandingkan dengan nilai t tabel.093. Sebaliknya. maka dapat dipastikan bahwa variabel budep secara individual signifikan mempengaruhi inflasi. maka variabel penjelas tersebut signifikan. maka variabel penjelas tersebut tidak signifikan.0002869 0. jika nilai t hitung lebih kecil darit tabel. maka dapat digunakan untuk mengetahui signifikan tidaknya variabel penjelas dalam mempengaruhi variabel terikat.179 =7.284 adalah lebih kecil dibandingkan dengan nilai t tabel pada α =5% dengan df 19 yang besarnya 2.t b1 = 1. Pengujian kedua nilai t dapat dijelaskan dalam bentuk gambar sebagai berikut: 85 .284 dengan diketahuinya nilai t hitung masing-masing parameter. Sedangkan nilai tb2 yang besarnya 1. Apabila nilai t hitung lebih besar dibandingkan dengan nilai t tabel.421 0. maka dapat dipastikan bahwa variabel Kurs secara individual tidak signifikan mempengaruhi inflasi. 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.0002234 = 1.938 sedangkan nilai tb2 adalah: tb2 = 0.938.

Daerah ditolak t α /2.093 Gb. (n-k-1) (+) dapat dilakukan dengan bantuan SPSS dengan tahapan sebagai 2.2.Daerah diterima 7. Reression. caranya: pilih Analyze. . Linear Daerah diterima • Masukkan variabel Y ke kotak variabel dependen. Daerah Uji t Variabel Kurs berikut: • Pastikan data SPSS sudah siap • Lakukan regresi.2.3.093 (+) Daerah Uji t Variabel Budep Bantuan dengan SPSS Tahapan-tahan yang dilalui untuk melakukan Daerah ditolak regresi linier 1.938 Gb. (n-k-1) 2.3. 86 kemudian klik OK. b. Sb di atas.284 berganda dengan penghitungan-penghitungan nilai a. t α /2. dan variabel X1 dan X2 ke kotak variabel Independen.

867 a .130 . ANOVA (memuat nilai F). X2.000a a. Predictors: (Constant).752 Adjusted R Square . X1 b ANOVA Model 1 Regression Residual Total Sum of Squares 48. . X1 b.• Hasil regresi akan tampak dalam output regression yang menunjukkan tabel: model summary (memuat R2). Dependent Variable: Y 87 . X2.726 Std. Predictors: (Constant). Model Summary Model 1 R R Square .9148 a.160 df 2 19 21 M ean Square 24. Coefficient (memuat nilai t).261 15.837 F 28.899 64. Error of the Estimate .836 Sig.

b2. Dependent Variable: Y Catatan: • Nilai a.933 3.177 Sig.511 X1 1. Ini disebabkan oleh pembulatan angka saat penghitungan.0002869 88 . Error (Constant) -11.a Coefficients Model 1 Unstandardized Coefficients B Std. b1.003 .000 Standardi zed Coefficien ts Beta .421 .840 .254 a. . antara hitungan manual dengan hitungan SPSS terdapat sedikit perbedaan angka di belakang koma.869E-04 .399 7.298 1.136 t -3. • Angka 2.000 .195 X2 2.869E-04 dibaca 0.

Uraian tentang koefisien determinasi sedikit banyak telah disinggung pada single linier regression. melalui hasil pengukuran dalam bentuk prosentase yang menjelaskan determinasi variabel penjelas (X) terhadap variabel yang dijelaskan (Y). Koefisien determinasi pada dasarnya digunakan untuk mengkur goodness of fit dari persamaan regresi. Pengujian ini biasanya disimbolkan dengan koefisien regresi yang biasa disimbolkan dengan R2. 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 (R2) Disamping menguji signifikansi dari masingmasing variabel. Koefisien determinasi dapat dicari melalui hasil bagi dari total sum of square (TSS) atau total variasi Y terhadap explained sum of square 89 .

Y cap diperoleh dengan cara menghitung hasil regresi dengan memasukkan nilai parameter dan data 90 . 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. 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. Dengan demikian kita dapat mendefinisikan lagi R2 dengan arti rasio antara variasi yang dijelaskan Y dengan total variasi Y. (baca: Y bar) adalah nilai Y rata-rata. Jelasnya: TSS = ∑(Y t =1 n t −Y )2 Nilai explained sum of square (ESS) atau variasi yang dijelaskan Y didapat dengan menggunakan rumus sebagai berikut: ESS = ∑(Yˆ t −1 n t −Y )2 Jadi. Hasil pengukuran ini kemudian dijumlahkan hingga mencakup seluruh observasi.(ESS) atau variasi yang dijelaskan Y.

701 -1.933 -11.62 10.090 -0.035 0.933 -11.152 1.985 -0.421 0.586 13.000287 1.979 6.933 -11.368 0.70 B0 -11.85 14.460 1.82 10237.91 10554. Penghitungan nilai Y cap menjadi penting untuk dilakukan agar mempermudah kita dalam menggunakan rumus R2 yang telah ditentukan di atas.045 2.88 15.654 11.856 11.240 11.91 16.421 0.421 0.269 1.187 0.81 13.421 0. Hasil perhitungan dan pengembangan data selengkapnya tertera dalam tabel sebagai berikut: X1 13.933 -11.000287 1.000287 1.969 0.48 10.78 10204.421 0.55 14.290 2.015 13.28 9.561 -2.421 0.421 (13.130 3.943 4.490 1.259 11.221 -1.933 -11.421 0.03 14.071 13.791 12.196 1.000287 1.370 -0.439 0.421 0.015 2.000287 1.223 2.975 3.25.379 3.000287 1.206 91 .061 0.876 14.97 15. beserta ekstensinya diperlukan untuk menyesuaikan dengan rumus mencari R2.02 16.862 10.021 0.933 -11.23 13.30 10883.000287 1.421 0.75 11291.82 12.0002869(9.55 15.000287 1.035 2.97 13.933 -11.79 14.677 7.482 1.503 6.82 9115.361 -1.745 1.06) + 0. maka nilai Y1 = -11.421 0.438 Hasil hitungan Y cap individual maupun total.04 12.67 15.13 14.42 9914.958 -3.396 1.933 -11.76 15.86 10269.21 16.331 -1.471 10.25 9633.421 0.588 13.322 12.933 -11.0002869(X2) Jika observasi nomor 1 (satu) kita hitung.144 0.174 1. berikut ini dihitung nilai Y cap pada observasi 1.421 0.000287 1.42 15.240 1.16 14.957 0.933 -11.933 -11.42 10393.93 11.14 14.933 -11.000287 1.416 11.933 B1 B2 1.142 4.91 12.933 -11.421 0.14 10.933 -11.433.130 1.876 0.000287 ˆ Y 9.51 10.424 -0.3 12.933 -11.338 0.933 -11.770 1.000287 1.163 -0.007 1.421 0.421 0.47 12.821 5.000287 1.200 0.000287 1. Sebagai contoh menghitung Y cap.054 4.187 0.000287 1.180 0.214 1.293 1.862 2 2 ˆ ˆ Y −Y (Y −Y ) Y −Y (Y −Y ) -2.05 10097.925 13.421 0.901 12.65 8964.390 1.917 + 1.041 0.027 0.05 8688.19 11294.08 13.433.630 1.000287 1.160 0.493 -1.070 0.654 10.22 Y 8.000287 1.26 9485.933 -11.000287 1.000287 1.05 X2 9433.064 14.25) = 9.125 0.421 0.170 0.01 12.933 -11.57 8956.421 (X1) + 0. Hasil regresi adalah: Y = -11.421 0. dimana X1= ˆ 13.06 dan X2 = 9.073 1.710 2.580 3.748 2.19 15.581 -0.421 0.400 -0.917 + 1.085 1.06 13.59 9288.11 13.978 -0.348 10.678 10.39 14.230 1.variabel.70 11074.

256 1. Untuk itu.933 -11.891 -2.000287 9.577 6.70 -11.49 216816.474 0.282 64.851 2.000287 9.43 13.401 -1. maka nilai R2 dapat ditentukan.000287 260. tetapi dapat 92 . bahwa dalam regresi linier berganda variabel penjelasnya selalu berjumlah lebih dari satu.511 -0.160 Dengan menggunakan angka-angka yang terdapat dalam tabel di atas.1%.361 -1.6 8928.22 260.421 0.243 -1.13 10.33 9151.933 -11.747 -1. Adapun rumus untuk mencari nilai R2 adalah sebagai berikut: R2 = ˆ ∑(Y − Y ) ∑(Y − Y ) 2 2 dengan demikian nilai R2 dari model yang ada adalah sebesar: R2 = 4 .366 1. seperti dilakukan dengan uji t.439 1. Uji F Seperti telah dikemukakan di atas.1%. maka pengujian tingkat signifikansi variabel tidak hanya dilakukan secara individual saja.58 10.1 0 4 6 R2 = 0.241 -1. karena mencapai 75.73 324.933 1.93 10.421 0.421 0.964 3.2 3 8 4 6 . Sisanya sebesar 24.48 8954.751 tersebut menunjukkan arti bahwa determinasi variabel Budep (X1) dan Kurs (X2) dalam mempengaruhi inflasi (Y) adalah sebesar 75.751 Nilai R2 sebesar 0.933 -11.13. Nilai sebesar ini mengindikasikan bahwa model yang digunakan dalam menjelaskan variabel Y cukup baik.001 1.1% dijelaskan oleh variabel lain yang tidak dijelaskan dalam model.121 48.421 0.41 13.000287 10.949 1.539 1.

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

Nilai F hitung dapat dicari dengan menggunakan rumus sebagai berikut: F= R 2 /( k −1) (1 − R 2 ) /( n − k ) Sedangkan nilai F tabel telah ditentukan dalam tabel. Arti dari tulisan tersebut adalah: • Simbol α menjelaskan tingkat signifikansi (level of significance) (apakah pada α = 0. kita dapat menghitung nilai F 94 .05 atau α = 0. Karena uji F adalah membandingkan antara nilai F hitung dengan nilai F tabel. • Simbol (n-k) menunjukkan degrees of freedom for denominator. Guna melengkapi hasil analisis data yang dicontohkan di atas.k-1. • Simbol (k-1) menunjukkan degrees of freedom for numerator. yang biasanya dituliskan dalam kalimat sebagai berikut: H0 : b1 = b2 = 0 Variabel penjelas secara serentak tidak signifikan mempengaruhi variabel yang dijelaskan.01 ataukah α = 0. dan seterusnya).uji F. (n-k). diketahui bahwa F tabel dituliskan Fα .10. Seperti yang telah dituliskan pada pembandingan antara nilai F hitung dan nilai F tabel di atas. H0 : b1 ≠ b2 ≠ 0 Variabel penjelas secara serentak signifikan mempengaruhi variabel yang dijelaskan. maka penting untuk mengetahui bagaimana mencari nilai F hitung ataupun nilai F tabel. Yang penting untuk diketahui adalah bagaimana cara membaca tabelnya.

52.2.19.05 dengan (k-1) = 2.751 ) /( 22 − 3) 0. k-1.751 ) /( 3 −1) (1 − 0. Nilai ini lebih besar dibanding dengan nilai F tabel pada α = 0. 3.66 Dari hasil penghitungan di atas diketahui bahwa nilai F hitung adalah sebesar 28. Buatlah rangkuman dari pembahasan di atas! 95 .66.berdasarkan rumus.3.52 Gb. Dengan demikian dapat disimpulkan bahwa variabel Budep dan Kurs secara serentak signifikan mempengaruhi inflasi.0131 = 28. Daerah Uji F -000Tugas: 1.3755 0. Nilai F dari model tersebut ternyata besarnya adalah: F= R 2 /( k −1) (1 − R 2 ) /( n − k ) = = (0. maka null hyphothesis ditolak. Dengan demikian. n-k) F F0. Daerah penolakan atau penerimaan hipotesis dapat dilihat pada gambar berikut ini: Daerah diterima Daerah ditolak F(α .05.2. dan (n-k) = (22-3) = 19 yang besarnya 3.

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

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

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

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

98

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

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

99

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

100

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

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

artinya. Bisa saja perubahan bunga deposito pada waktu tertentu. Sebab-sebab Autokorelasi Terdapat banyak faktor-faktor yang dapat menyebabkan timbulnya masalah autokorelasi. maka menjadi tidak jelas apakah inflasi betul-betul dipengaruhi oleh perubahan bunga deposito ataukah karena sifat dari kecenderungannya sendiri untuk berubah. juga dialami oleh perubahan tingkat inflasi pada waktu yang sama.menunjukkan adanya pengaruh perubahan nilai suatu observasi berdampak pada observasi lain. Hal seperti itu dalam bahasa matematisnya dituliskan sebagai berikut: E(ui. dalam bahasa matematisnya dituliskan sebagai berikut: E(ui. namun dalam pembahasan ini hanya mengungkapkan beberapa faktor saja antara lain: 1. uj) ≠ 0. Kesalahan dalam pembentukan model. model yang digunakan untuk menganalisis regresi tidak didukung oleh teori-teori yang relevan dan mendukung. Kalau saja terjadi autokorelasi dalam kasus semacam ini. i ≠j Sebaliknya. 103 . Jika terdapat ketergantungan. Telah jelas bagi kita bahwa autokorelasi akan muncul apabila ada ketergantungan atau adanya kesalahan pengganggu yang secara otomatis mempengaruhi data berikutnya. misalnya kita mengamati perubahan inflasi apakah dipengaruhi oleh suku bunga deposito ataukah tidak. uj) = 0.2. jika tidak terdapat ketergantungan atau tidak adanya kesalahan pengganggu yang secara otomatis mempengaruhi data berikutnya maka masalah autokorelasi tidak akan muncul. Sebagai ilustrasi. i ≠j A.

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

Pengujian Autokorelasi Pengujian autokorelasi dimaksudkan untuk menguji ada tidaknya autokorelasi. karena nilai t diperoleh dari hasil bagi Sb terhadap b (t = b/sb). tetapi besar kemungkinan akan berdampak pada bulan berikutnya. Seharusnya data penjualan yang digunakan adalah data penjualan bulan ke n+1 atau n+2 tergantung dampak empiris tadi. Sb2) akan bias. Akibatnya adalah nilai t hitung akan menjadi bias pula. Penggunaan data pada bulan yang sama dengan mengabaikan empiris seperti ini disebut juga sebagai Cobweb Phenomenon. Meskipun ada autokorelasi.…. karena kita tentu mempunyai pilihan apakah mengabaikan adanya autokorelasi ataukah akan mengeliminasinya. jaraknya bisa 1 bulan. atau lebih. nilai parameter estimator (b1. Pertanyaan seperti ini tentu saja merupakan sesuatu yang wajar. b2. Akibat Autokorelasi Uraian-uraian di atas mungkin saja mengajak kita untuk bertanya tentang apa dampak dari autokorelasi yang timbul.akan secara langsung berdampak pada bulan yang sama.bn) model regresi tetap linear dan tidak bias dalam memprediksi B (parameter sebenarnya). A. Terdapat beberapa cara untuk mendeteksi ada tidaknya autokorelasi. A. Akan tetapi nilai variance tidak minimum dan standard error (Sb1. 2 bulan. Berhubung nilai Sb bias maka nilai t juga akan bias atau bersifat tidak pasti (misleading). yaitu masalah lain yang timbul bila kesalahan tidak sesuai dengan batasan yang disyaratkan oleh analisis regresi. antara lain melalui: 105 .3.4.

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

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

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

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

dengan predictor sebanyak 2 maka batas atas (U) adalah sebesar 1.883 yang berarti lebih kecil dari nilai batas bawah.15. sedang hipotesis nol yang menyatakan terdapat masalah autokorelasi dapat diterima. Dengan demikian dapat disimpulkan bahwa hasil regresi tersebut belum terbebas dari masalah autokorelasi positif.54 sedang batas bawah (L) adalah sebesar 1. Hipotesis nol yang menyatakan tidak terdapat masalah autokorelasi dapat ditolak. Dengan kata lain. maka koefisien autokorelasi lebih kecil dari nol.Dengan menggunakan derajat kesalahan (α )=5%.15 dU 1.54 4-dU 2.46 inkonklusif Korelasi (-) 0 dL 1. dengan sampel 22 observasi.85 4-dL 4 110 . Uraian di atas dapat pula dijelaskan dalam bentuk gambar sbb: Korelasi (+) inkonklusif tidak ada autokorelasi 2 2. Karena nilai DW hasil regresi adalah sebesar 0.

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

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

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

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

65 13.0515 14. langkah awal yang dilakukan adalah menghitung standar deviasi.• Maka SPSS akan menampakkan output sebagai berikut: S tatistics Y N M ean S E td.2202 176.953 6.3027 .8405 .28 a 1.22 216816.06 8688. rror of K urtosis R ange M inim um M axim um S um a. The sm allest value is show n V alid M issing 22 0 11.7373 9855.096 .424 -1.66 X 1 3) Mengamati sebaran data.009 .491 -1.953 3.491 . Untuk menentukan posisi normal dari sebaran data.6200 9774.0552 -.49 X 2 22 22 0 0 14.1700 8.0200 13. rror of S kew ness K urtosis S E td.65 16.953 .491 -.85 8.099 .7479 3. dengan melakukan hitungan-hitungan berapa prosentase data observasi dan berada di area mana.0329 825.1 . rror of M ean M edian M ode S D td.06 a 8688.7548 1.21 11294.30 324.13 260.65 a 1.0670 681871. M ultiple m odes exist.15 2605. eviation V ariance S kew ness S E td.3727 12.363 .494 . Standar deviasi dapat dicari melalui rumus sebagai berikut: SD = ∑( Dv − D v) n 115 .28 15.

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

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

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

36

41

46

51

56

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

119

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

120

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

21

Ditunjukkan pula oleh Gozali, 2001.

121

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

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

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

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

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

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

Regresi Logit 128 .

97 13.81 13.11 13.51 10.97 15.5396 112.5729 169.97 15.16 14.22 X12 170.93 13.3776 241.9169 198.7844 110.76 15.28 9.3614 144.58 13.8182 203.4601 117.14 14.1161 252.8046 171.62 10.88 15.91 16.02 16.4598 240.815 196.05 10.89 167.82 12.48 XY 108.7641 262.22 Y 8.85 14.0721 224.3 12.55 14.6521 170.3184 135.2644 221.9008 206.58 13.3969 4800.67 15.01 12.21 16.48 10.5584 83.398 129 .39 14.67 15.0416 149.91 12.33 260.42 15.8256 220.1009 245.88 15.4355 233.8667 198.19 15.93 11.4164 172.19 15.7904 101.0831 203.06 13.6456 183.2084 194.55 15.7161 195.55 15.0724 146.49 X1 13.79 14.9396 207.13 324.5225 202.2601 155.478 142.2234 148.1641 196.1281 256.8304 106.36 109.X1 13.03 14.9329 151.13 324.5489 253.85 14.6404 262.02 16.1609 190.911 147.22 13.658 142.1849 131.8409 199.16 14.76 15.6 10.91 16.03 14.7089 3148.5636 190.22 13.1368 126.97 13.14 14.47 12.04 12.525 Y2 68.0025 112.0188 170.21 16.06 13.2354 187.48 10.2464 176.0449 184.5025 207.14 10.23 13.1744 248.3977 206.6329 3871.08 13.5009 166.6681 157.93 13.8025 229.9364 228.39 14.13 14.79 14.81 13.

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. yaitu koefisien regresi sebenarnya (Y = A + BX + e). karena nilai rata-rata b adalah pemerkira tak bias.4498 0. 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. maka B tidak reliabel. Kalau berada pada interval tersebut. Ingat E(b) = B. maka kita perlu menguji apakah B berada pada interval atau tidak. Permasalahannya adalah nilai b yang dihasilkan dengan perhitungan di atas adalah nilai b individual.4348 Penemuan nilai b di sini penting untuk menentukan nilai B. Pengukuran berdasarkan interval kepercayaan dapat dituliskan dalam bentuk persamaan sebagai berikut: P (b-d ≤ B ≤ b +d) = 1. Nilai b sendiri merupakan perkiraan tungga dari parameter B. jika tidak.α ) = koefisien keyakinan (confidence coefficient) atau tingkat keyakinan (confidence level). Nilai B sendiri besarnya adalah sama dengan nilai rata-rata b. maka dipastikan bahwa B mempunyai tingkat kepercayaan yang baik (reliabel).t= b sb = 1. 130 . Perbedaan antara nilai b dan B disebabkan adanya fluktuasi sampling.195 = 7.α ).α Persamaan ini dapat dibaca: probabilita interval antara (b-d) dan (b+d) akan memuat nilai B sebesar (1.

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

Sign up to vote on this title
UsefulNot useful