MULTIPLE REGRESSION

MODEL



Dr. Ir. H. Tjiptogoro Dinarjo, MM





UNIVERSITAS MERCU BUWANA
2012
1
Multiple Regression Model
Multiple Regression Model
Y=
0
+
1
X
1
+
2
X
2
+ --------- +
p
X
p
+
Multiple Regression Equation
E(Y)=
0
+
1
X
1
+
2
X
2
+ --------- +
p
X
p
+

0
,
1
,
2
---------
p
are unknown
parameters

Sample Data
X1 X2 ------------Xp Y
. . . .
. . . .
. . . .


b
0
, b
1
, b
2
--------- b
p

provide the estimates of

0
,
1
,
2
---------
p





Compute the Estimated Multiple
Regressiom Equation.
Y=b
0
+b
1
X
1
+b
2
X
2
+ --------- +b
p
X
p
+
b
0
, b
1
, b
2
--------- b
p
are sample
statistics.


2
Analisis Regresi Berganda secara manual.

Perasamaa regresi dua variabel independen: Y = a + b
1
X
1
+ b
2
X
2
Perasamaa regresi tiga variabel independen: Y = a + b
1
X
1
+ b
2
X
2
+ b
3
X
3

Secara umum persamaan regresi untuk k variabel:
Y = a + b
1
X
1
+ b
2
X
2
+ b
3
X
3
+ ---------------- + b
k
X
k

Untuk memperoleh koefisien regresi a, b
1
, b
2
, b
3
dapat diperoleh dengan cara
simultan dari tiga persamaan sebagi berikut:

Y = na + b
1
X
1
+ b
2
X
2
----------------------- (1)


YX
1
= aX
1
+ b
1
X
1
2
+ b
2
X
1
X
2
--------------- (2)


YX
2
= aX
2
+ b
1
X
1
X
2
+ b
2
X
2
2
---------------- (3)



3
Contoh soal:
Teori permintaan menyatakan bahwa permintaan suatu produk akan
ditentukan oleh harga barang itu sendiri dan pendapatan seseorang.
Hukum permintaan juga menyatakan bahwa apabila harga barang
meningkat , maka permintaan menurun, sehingga hubungan antara
permintaan dan harga barang adalah negatif. Hubungan natara
pendapatan dengan permintaan dapat negatif dapat pula positif.
Terhadap barang normal terdapat hubungan yang positif, artinya
apabila pendapatan meningkat, permintaan terhadap barang normal
juga meningkat. Sebaliknya untuk barang inferior, terdapat hubungan
yang negatif yaitu apabila pendapatan meningkat, permintaan
terhadap barang inferior justru menurun. Berdasarkan teori tersebut ,
Suryani (2003) melakukan penelitian di Hero Supermarket untuk
mengetahui hubungan dan pengaruh variabel harga dan pendapatan
terhadap permintaan minyak goreng. Pada lembar berikut adalah hasil
penelitiannya.

4
Berdasarkan pada data tersebut, Hitung koefisien regresi.

Jawaban:
Untuk mendapatkan koefisien regresi, sesuai persamaan (1), (2), dan (3)
perlu dihitung terlebih dulu dari nilai-nilai:

Y; X
1
; X
2
; X
1
2
; X
2
2
; YX
1
; YX
2
; X
1
X
2




5
No
Sampel
Permintaan
Minyak (liter/bulan)
Harga Minyak
(Rp ribu/liter)
Pendapatan
(Rp juta/bulan)
1 3 8 10
2 4 7 10
3 5 7 8
4 6 7 5
5 6 6 4
6 7 6 3
7 8 6 2
8 9 6 2
9 10 5 1
10 10 5 1
Y X
1
X
2
YX
1
YX
2
Y
2
X
1
2
X
2
2
X
1
X
2

3 8 10 24 30 9 64 100 80
4 7 10 28 40 16 47 100 70
5 7 8 35 40 25 47 64 56
6 7 5 42 30 36 47 25 35
6 6 4 36 24 36 36 16 24
7 6 3 42 21 49 36 9 18
8 6 2 48 16 64 36 4 12
9 6 2 54 18 81 36 4 12
10 5 1 50 10 100 25 1 5
10 5 1 50 10 100 25 1 5
68 63 46 409 239 516 405 324 317
6

Persamaan (1), (2), (3):

68 = 10a + 63b1 + 46 b2 (1)
409 = 63a + 405b1 + 317b2 (2)
239 = 46a + 317b1 + 324b2 (3)
Substitusi antar persamaan (1) dan (2) diman persamaan (1) dikalikan -6,3:

-428,4 = - 63a 396,9b1 289,8b2 pers (1)x -6,3
409,0 = 63a + 405,0b1 + 317,0b2 (2)
--------------------------------------------------
-19,4 = 0 + 8,1 b1 + 27,2b2 (4)
Substitusi antar persamaan (1) dan (3) diman persamaan (1) dikalikan -4,6
-312,8 = - 46a 289,8b1 211,6b2 pers (1) x -4,6
239,0= 46a + 317,0b1 + 324,0b2 (3)
--------------------------------------------------
-73,8 = 0 + 27,2b1 + 112,4b2 (5)

Untuk mendapatkan nilai b2 gunakan persamaan 4 dan 5 dengan mengalikan persamaan 4 dengan -3,36.
-19,4 = 0 + 8,1 b1 + 27,2b2 (4)x -3,36 65,18 = 0 - 27,2b1 - 91,39b2
-73,80 = 0 + 27,2b1 + 112,40b2
__________________________
- 8,62 = 0 + 0 + 21,01b2 (6)

Dari pers 6 diperoleh b2 = -8,62 : 21,01 = -0,41
Dengan memasukan nilai b2 = -0,41 ke dalam persamaan 4 atau 5, dalam hal ini
menggunakan persamaan 4 maka:

-19,4 = 0 + 8,1 b1 + 27,2 x (-0,41) = 8,1b1 11,18
8,1b1 = -19,4 + 11,18 = -8,22
Maka bi = -8,22 : 8,1 = -1,015

Setelah didapat nilai b1 dan b2 maka nilai a dapat dicari dari persamaan 1 atau 2 atau 3, dalam hal ini
menggunakan persamaan 1:

68 = 10a + 63x(-1,015) + 46x(-0,41) = 10a 92,86
10a = 68+92,86 = 150,86
Maka a = 150,86 : 10 = 15,086

Maka persamaan regresi :

Y = 15,086 1,015X1 0,41X2


7
Cara lain untuk mendapatkan persamaan regresi sebagi berikut:

A = n YX
1
- X
1
Y
B = n X
2
2
- (X
2
)
2
C = n X
1
X
2
- X
1
X
2

D = n YX
2
- X
2
Y
E = n X
1
2
- (X
1
)
2
F = EB C
2

Nilai koefisien regresi:
b1 = (AB - CD) : F
b2 = (DE AC) : F
a = (Y - b
1
X
1
- b
2
X
2
) : n






8
Dari tabel dan rumus diatas ma
ka koefisien regresi:
A = n YX
1
- X
1
Y = 10x409 63x68 = -194
B = n X
2
2
- (X
2
)
2
= 10x324 (46)
2
= 1124
C = n X
1
X
2
- X
1
X
2
= 10x317 63x46 = 272
D = n YX
2
- X
2
Y = 10x239 46x68 = -738
E = n X
1
2
- (X
1
)
2
=

10x405 (63)
2
= 81
F = EB C
2
= 81x1124 (272)
2
= 17060

b1 = (AB - CD) : F = {(-194x1124) (272x-738)} : 17060 = -1,015
b2 = (DE AC) : F = {(-738x81) (-194x272)} : 17060 = -0,41
a = (Y - b
1
X
1
- b
2
X
2
) : n = { 68 - (-1,015x63) (-0,41x46)} : 10
= 15,086



9
10
JKT 17/11/2012 10:09:00

Welcome to Minitab, press F1 for help.

Regression Analysis: Y versus X1; X2

The regression equation is
Y = 15,1 - 1,02 X1 - 0,411 X2


Predictor Coef SE Coef T P
Constant 15,086 3,035 4,97 0,002
X1 -1,0152 0,5805 -1,75 0,124
X2 -0,4109 0,1558 -2,64 0,034


S = 0,715114 R-Sq = 93,3% R-Sq(adj) = 91,4%


Analysis of Variance

ource DF SS MS F P
Regression 2 50,020 25,010 48,91 0,000
Residual Error 7 3,580 0,511
Total 9 53,600

Koefisien Determinasi, Korelasi Berganda dan Parsial.
Koefisien determinasi menunjukan suatu proporsi dari varian yang dapat
diterangkan oleh persamaan regresi (regression of sum square, RSS)
(Y - )
2
terhadap varian total (total sum of square. TSS) (Y
i
- Y
i
)
2
.

R
2
= SSR/SST = (Y - )
2
: (Y
i
- Y
i
)
2


Untuk menghitung R
2
menggunakan rumus;

R
2
= {n(a. Y + b1.YX
1
+ b2. YX
2
) (Y)
2
} : {n. Y
2
(Y)
2
}
Nilai R
2
atau multiple coefficient of determination berada pada kisaran 0 sampai
dengan 1. Jika R
2
= 1 menunjukan bahwa proporsi dari varian 100% dapat
diterangkan oleh persamaan regresi. Atau dapat dikatakan bahwa 100% dari
variability pada Y yang dapat dijelaskan dengan persamaan regresi hasil
perhitungan.

Jika R
2
= 0 menunjukan bahwa proporsi dari varian 0% atau tidak
ada yang dapat diterangkan oleh persamaan regresi. Atau dapat dikatakan
bahwa 0% atau tidak ada dari variability pada Y yang dapat dijelaskan dengan
persamaan regresi hasil perhitungan.
Menutut Lind (2002), nilai multiple coefficient of determination lebih besar dari 0,5
menunjukan variabel bebas dapat menjelaskan variabel tidak bebas dengan
baik atau kuat, sama dengan 0,5 sedang,, dan bila kurang dari 0,5 kurang baik.
Jika nilai multiple coefficient of determination kurang dari 0,5 dapt terjadi karena:
model yang salah, atau variabel kurang tepat, atau pengukuran yang tidak
tepat.
11
Contoh: Hitunglah koefisien determinasi antara permintaan minyak goreng
dengan harga minyak goreng dan pendapatan, sebagaimana pada contoh
tersebut diatas yang menghasilkan persamaan:
Y = 15,086 1,015X1 0,41X2
Jawab:
R
2
= {n(a. Y + b1.YX
1
+ b2. YX
2
) (Y)
2
} : {n. Y
2
(Y)
2
}
Diketahui:
Y = 68 YX
1
= 409 YX
2
= 239 (Y)
2
= (68)
2
Y
2
= 516
n = 10 a = 15,086 b1 = -1,015 b2 = -0,41
R
2
= {10 (15,086x68 + -1,015x409 + -0,41x239) - (68)
2
} : {10x516 - (68)
2
}
= 503,25 : 536 = 0,939




12
Korelasi Parsial
Koefisien korelasi sederhana:
r
YX1
= (n YX
1
- YX
1
) : {n Y
2
- (Y)
2
} {nX
1
2
- (X
1
)
2
}
r
YX2
= (n YX
2
YX
2
) : {n Y
2
- (Y)
2
} {nX
2
2
- (X
2
)
2
}
r
X1X2
= (n X
1
X
2
- X
2
X
1
) : {n X1
2
- (X1)
2
} {nX
2
2
- (X
2
)
2
}

Koefisien korelasi parsial diturunkan dari koefisien korelasi sederhana:
r
YX1.X2
= {r
YX1
r
YX2
r
X1X2
} : {(1- r
2
YX2
)(1- r
2
X1X2
)}
r
YX2.X1
= {r
YX2
r
YX1
r
X1X2
} : {(1- r
2
YX1
)(1- r
2
X1X2
)}
r
X1X2.Y
= {r
X1X2
r
YX1
r
YX2
} : {(1- r
2
YX1
)(1- r
2
YX2
)}





13
Contoh:
Hitunglah koefisien korelasi parsial pada contoh tersebut diatas, dan apa
artinya.
Jawab:
Y = 68 YX
1
= 409 YX
2
= 239 (Y)
2
= (68)
2
Y
2
= 516
X1= 63 X2 = 46 X2
2
= 324

X1
2
= 405 X1X2 = 317
Menghitung koefisien korelasi sederhana
r
YX1
= (n YX
1
- YX
1
) : {n Y
2
- (Y)
2
} {nX
1
2
- (X
1
)
2
}
= (10.409 68.63) : {10.516 (68)
2
}{10.405 (63)
2
}
= -194;208 = -0,931
r
YX2
= (n YX
2
YX
2
) : {n Y
2
- (Y)
2
} {nX
2
2
- (X
2
)
2
}
= (10.293 68.46) :{10.516 (68)
2
} {10.324 (46)
2

= -738/776 = -0,951
r
X1X2
= (n X
1
X
2
- X
2
X
1
) : {n X
1
2
- (X
1
)
2
} {nX
2
2
- (X
2
)
2
}
= (10. 317 46.63) : {10.405 (63)
2
}{10.324 (46)
2
}
= 272 : 301 = 0,901
14
Menghitung koefisien korelasi parsial
r
YX1.X2
= {r
YX1
r
YX2
r
X1X2
} : {(1- r
2
YX2
)(1- r
2
X1X2
)}
= {-0,931 - (-0,951x 0,901)} : {(1-(-0,951)
2
)(1-(0,901)
2
)}
= -0,074 : 0,134 = -0,55
r
YX2.X1
= {r
YX2
r
YX1
r
X1X2
} : {(1- r
2
YX1
)(1- r
2
X1X2
)}
= {(-0,951 (-0,931x0,91)}:{(1-(-0,931)
2
}{(1-(0,901)
2
)}
= -0,111/0,158 = -0,71
r
X1X2.Y
= {r
X1X2
r
YX1
r
YX2
} : {(1- r
2
YX1
)(1- r
2
YX2
)}
= {0,901 (-0,931x0,951)} : {(1-(-0,931)
2
)(1-(0,951)
2
}
= 0,016/0,113 = 0,143

Nilai koefisien korelasi parsial untuk:
Y dengan X1, dimana X2 tetap yang disimbulkan dengan r
YX1.X2

Y dengan X2, dimana X1 tetap yang disimbulkan dengan r
YX2.X1

lebih besar dari 0,5 menunjukan hubungan antara Y dengan X1 maupun X2 erat.
Sedangkan nilai korelasi antara X2 dengan X1 lebih kecil dari 0,5 menunjukan
hubungan yang lemah.
Regresi berganda mengharapkan hubungan Y dengan X kuat disertai hubungn X
dengan X lainnya lemah, jika hubungan X dengan X lainnya kuat maka akan
terjadi multikolinieritas yang menyebabkan nilai koefisien determinasi turun atau
melemah





15
Kesalahan Baku dalam Regresi Berganda
Kesalahan baku: besar penyimpangan nilai dugaan terhadap nilai
sebenarnya.

Pada kasus tersebut diatas persamaan regresi:
Y = 15,086 1,015X1 0,41X2, dapat menduga bahwa seseorang dengan
pendapatan (X2) Rp 5 juta dan harga minyak goreng (X1) Rp 7 ribu per
liter maka permintaan akan minyak goreng (Y) sama dengan:
Y = 15,086 1,015x7 0,41x5 = 5,92 liter per bulan. Pada kenyataannya
dari data menunjukan permintaan akan minyak goreng (Y) adalah 6 liter per
bulan sehingga terdapat selisih 6 5,92 = 0,08 liter per bulan.Perbedaan
antara nilai dugaan dengan keadaan sebenarnya (Y Y) disebut residu
atau error. Nilai dugaan tidak mungkin tepat sama atau 100% sama dengan
kenyataan sehingga diperlukan suatu ukuran seberapa besar ketidak
akuratan itu terjadi atau yang disebut Standar Error.
Kesalahan baku regresi berganda:
S
Y.X1.X2
= {(Y Y)
2
: (n-(k+1)}
Rumus lain:
S
Y.X1.X2
= {(Y
2
- aY b1YX
1
b2YX
2
) : (n-3)}

16
Kesalahan baku regresi berganda:
S
Y.X1.X2
= {(Y Y)
2
: (n-(k+1)}
dimana:
S
Y.X1.X2
: Kesalahan baku atau standar error pendugaan variabel Y
berdasarkan variabel X1 dan X2.
Y : Nilai dugaan dari Y dimana X1 dan X2 diketahui
Y : Nilai pengamatan dari Y
n : Jumlah sampel
k : Jumlah variabel bebas.
Contoh:
Hitunglah kesalahan baku pendugaan dari persamaan
Y = 15,086 1,015X1 0,41X2 ?
17
Jawaban.














Nilai kesalahan baku: S
Y.X1.X2
= {(Y Y)
2
: (n-(k+1)}
= {3,58:(10-(2+1)} = 0,72
Dg rumus lain S
Y.X1.X2
= {(Y
2
- aY b1YX
1
b2YX
2
) : (n-3)}
= [{(516 (15,086.68) (-1,015x409) (-0,41x239)}:{10-3}]
= 0,72
18
Y X1 X2 Y = 15,086 1,015X1 0,41X2 (Y-Y) (Y-Y)
2

3 8 10 2,86 = 15,086-1,015(8)-0,41(10) 0,14 0,02
4 7 10 3,87 = 15,086-1,015(7)-0,41(10) 0,13 0,02
5 7 8 4,69 = 15,086-1,015(7)-0,41(8) 0,31 0,09
6 7 5 5,92 = 15,086-1,015(7)-0,41(5) 0,08 0,01
6 6 4 7,35 = 15,086-1,015(6)-0,41(4) -1,35 1,83
7 6 3 7,76 = 15,086-1,015(6)-0,41(3) -0,76 0,58
8 6 2 8,17 = 15,086-1,015(6)-0,41(2) -0,17 0,03
9 6 2 8,17 = 15,086-1,015(6)-0,41(2) 0,83 0,68
10 5 1 9,60 = 15,086-1,015(5)-0,41(1) 0,40 0,16
10 5 1 9,60 = 15,086-1,015(5)-0,41(1) 0,40 0,16
(Y-Y)
2
3,58
Manfaat nilai kesalahan baku digunakan untuk menyusun selang kepercayaan
atas nilai dugaan Y dari semua niali X yang diketahui.
Rumus interval nilai tengah Y sama dengan
Unterval nilai tengah Y = Y t(S
Y.X1.X2
)
dimana:
Y : Nilai dugaan dari Y untuk nilai X tertentu
t : Nilai t-tabel untuk taraf nyata tertentu
S
Y.X1.X2
: Standar error variabel Y berdasarkan variabel X yang
diketahui.
Contoh:
Hitung selang kepercayaan nilai dugaan jika diketahu nilai pendapatan Rp 5 juta
perbulan dan harga minyak goreng Rp 7 ribu per liter, dengan tingkat
kepercayaan 95% atau taraf nyata 5%.
Jawab: Y = 15,086 1,015X1 0,41X2 = 15,086 1,015(7) 0,41(5) = 5,92
Nilai kesalahan baku S
Y.X1.X2
= 0,72
Nilai t tabel untuk () 0,05 dengan df = n (k+1) = 10-3 = 7
t tabel = 2,365
Nilai selang kepercayaan: Y t(S
Y.X1.X2
) = 5,92 2,365.0,72
Nilai Y berada pada kisaran 4,23< Y < 7,61


19
Kesalahan baku penduga atau standard error estimation berfungsi untuk melihat seberapa jauh nilai penduga b1
dan b2 dari nilai sebenarnya B1 dan B2 (parameter populasi. .
Rumus kesalahan baku penduga:
Sb
1
= S
Y.X1.X2
: {(X
1
2
nX
1
2
)(1- r
X1X2
2
)}
Sb
2
= S
Y.X1.X2
: {(X
2
2
nX
2
2
)(1- r
X1X2
2
)}
dimana:
Sb
1
: Kesalahan baku penduga b1
Sb
2
: Kesalahan baku penduga b2
S
Y.X1.X2
: Standard error variabel Y berdasarkan variabel X yang diketahui
X
1
2
: Jumlah X
1
kuadrat
X
1
2
: Kuadrat dari X
1
rata-rata
X
2
2
: Jumlah X
2
kuadrat
X
2
2
: Kuadrat dari X
2
rata-rata

Contoh:
Hitung kesaahan baku penduga b1 dan b2 contoh soal diatas.

Jawab:
Diketahui X
2
2
= 324

X
1
2
= 405 X
1
2
= 39,69 X
2
2
= 21,16
S
Y.X1.X2
= 0,72 r
X1X2
= 0,901
Sb
1
= 0,72:{(405 10. 39,69)(1- (0,901)
2
)}= 0,72 : 1,23 = 0,580
Sb
2
= 0,72:{(324 10. 21,16)(1-(0,901)
2
)}= 0,72 : 4,59 = 0,156

Kesalahan baku penduga b
1
(Sb
1
) = 0,580 menunjukan bahwa nilai dugaan populasi B
1
yang diduga dengan
sampel b
1
berada pada kisaran b
1
0,58, kisaran dugaan nilai koefisien parameter populasi pada interval
0,435 < B
1
< 1,95.
Kesalahan baku penduga b
2
(Sb
2
) = 0,156 menunjukan bahwa nilai dugaan populasi B
2
yang diduga dengan
sampel b
2
berada pada kisaran b
2
0,156, kisaran dugaan nilai koefisien parameter populasi pada interval -
0,566 < B
2
< -0,254.


20
Pengujian Hipotesa Pada Regresi Berganda
1. Uji Global.
Uji global disebut uji signifikansi serentak atau uji F yaitu untuk menguji
seluruh variabel bebas X1, X2, X3 dst... Xk secara bersama-sama apakah
dapt menjelaskan perilaku keragaman variabel bebas Y. Uji global ini dapat
pula untuk mengetahui apakah semua variabel bebas memiliki koefisien
regresi sama dengan nol. Jika sama dengan nol maka menunjukan bahwa
variabel bebas X1, X2, X3 dst... Xk tidak dapat mempengaruhi variabel
terikat Y
Langkah-langkah pengujian global:
a. Menyusun hipoptesa.
Dalam menyusun hipotesa selalu ada hipotesa nol yang lazim ditulis H
0

dan hipotesa alternatif yang lazim ditulis H
a
. Hipotesa nol (H
0
)

selalu
mengandung kesamaan yang mengandung arti koefisien regresi sama
dengan nol. Hipotesa alternatif (H
a
)

mengandung arti bahwa koefisien
regresi tidak sama dengan nol. Rumusan hipotesa:
H
0
: B1 = B2 = 0

H
a
: B1 B2 0




21
b. Uji F dengan menggunakan tabel F memerlukan:
Taraf nyata, pada umumnya untuk ilmu pasti 1% sedangkan untuk
ilmu sosial 5%
Derajat kebebasan pembilang (Numerator, df) menggunakan K-1 atau
jumlah variabel dikurangi 1.
Derajat kebebasan penyebut (Denominator, df) menggunakan n K
atau jumlah sampel dikurangi jumlah variabel.
Contoh:
Variabel: Y, X1, X2 jadi K = 3 jadi derajat kebebasan pembilang 3 1 = 2
Misal jumlah sampel 10 atau n = 10 jadi derajat kebebasan penyebut
adalah n K = 10 3 = 7
Dengan taraf nyata misalkan 5% maka lihat F Tabel diperoleh 4,74.
c. Menentukan nilai F-hitung.
F = R
2
/(K-1) : (1-R
2
)/(n-K)
Misal diketahui R
2
= 0,933 dan n = 10 maka serta k = 3
F-hit = 0,933/(3-1) : {(1-0,933)/(10-3)} = 0,4665/0,0098 = 48,73881
22
d. Menentukan daerah keputusan.


























































23
0
F
Area or
Probability
Terima H
0
Tolak H
0
Terima H
a
e. Memutuskan hipotesa.
Menentukan wilayah H
0
dan H
a
dan membandingkan F-tabel dengan F
hitung.
Jika F hitung > F tabel maka H0 ditolak
Jika F hitung < F tabel maka Ho diterima

2. Uji Signifikansi Parsial atau Individual.
Uji sebuah variabel bebas berpengaruh nyata atau tidak terhadap variabel
terikat, menggunakan uji t atau t-student, dengan langkah:
a. Menentukan hipotesa.
Variabel bebas berpengaruh tidak nyata apabila nilai koefisiennya sama
dengan nol, berpengaruh nyata bila koefisiennya tidak sama dengan nol.
H0: B1 = 0 H1: B1 0
Ho: B2 = 0 H1: B2 0
b. Menentukan daerah kritis.
Daerah kritis ditentukan oleh nilai t tabel dengan derajat kebebasan n-k
dan taraf nyata . Untuk taraf nyata 5% (uji duaraha /2 = 0,025) dan
derajat kebebasan sebagai contoh pada linier berganda dengan variabel
Y, X1, X2 dan jumlah sampel n = 10 sehingga: n-K = 10 3 = 7 maka t-
tabel = 2,36.
24
c. Menentukan nilai t-hitung.
t-hitung = (b B) : Sb
t-hitung untuk b1: (b1 B1) : Sb1
t-hitung untuk b2: (b2 B2) : Sb2
Contoh: Y = 15,086 1,015X1 0,41X2
Sb1 = 0,58
Sb2 = 0,1558
t-hitung b1 = (-1,015 0) : 0,58 = -1,75
t-hitung b2 = (-0,410 0) : 0,1558 = - 2,637
d. Menetukan daerah keputusan.









25
Ekor Ekor
t = -2,36
Terima H
0
t = 2,36
Tolak H
0 Tolak H
0
Contoh:
dengan derajat kebebasan 7,
taraf nyata 5%
t-tabel = 2,36
d. Menentukan Keputusan.
Koefisien regresi b1 dengan t-hitung = -1,75, ini berarti berada pada daerah
tidak menolak H
0
. Ini menunjukan bahwa variabel bebas X1 tidak berpengaruh
nyata terhadap Y.
Koefisien regresi b2 dengan t-hitung = -2,637, ini berarti berada pada daerah
menolak H
0
.Ini menunjukan bahwa variabel bebas X2 berpengaruh nyata
terhadap Y.
Dalam penerapan dilapangan hanya perlu memperhatikan variabel yang
berpengaruh nyata untuk dasar pengambilan keputusan.
Multikolinieritas.
Frish mengemukakan bahwamultikolinier adalah adanya lebih dari satu
hubungan linier yang sempurna.
Frish mengemukakan pula bahwa bila terjadi kolinier terlebih bila kolinier
sempurna (koefisien korelasi antar variabel bebas = 1), maka koefisien korelasi
dari variabel bebas yang bersangkutan tidak dapat ditentukan dan standar error
tak terhingga.
Untuk mengenali multikolinieritas:
1. Uji F nyata uji t parsial tidak nyata.
2. R
2
sangat besar, uji t tidak nyata
3. Koefisie korelasi r
YX1.X2
; r
YX2.X1
; r
X1X2.Y
ada yang lebih besar dari koefisien
determinasi (R
2
)
26
27
Tahun
Pengamatan
Suku bunga
(%pertahun)
Inflasi
(%tahun)
Nilai Tukar
(00Rp/USD)
1
2
3
4
5
6
7
8
9
10
11
12
20
21
19
15
17
17
17
18
25
26
19
19
9
9
9
10
9
6
6
11
77
80
9
12
19
20
21
21
22
23
24
57
80
82
90
100
Kajian literatur memperoleh hipotesa bahwa suku bunga dipengaruhi oleh inflasi dan nilai
tukar. Untuk membuktikan hipotesa tersebut maka perlu melakukan analisis data-data
tersebut diatas.
1. Berapa nilai koefisien regresi dan bentuk persamaan regresinya?.
2. Berapa nilai koefisien determinasi antara suku bunga, inflasi dan nilai tukar rupiah
terhadap USD?
3. Berapa koefisien korelasi dan koefisien parsialnya?.
4. Hitung kesalahan baku pendugaan dari persamaan regresi pada jawaban pertanyaan 1.
5. Hitung standard error.
6. Hitung selang kepercayaan untuk nilai dugaan, apabila diketahui inflasi 9% dan nilai
tukar 90, dengan tingkat kepercayaan 95% atau taraf nyata 5%.
Kasus Latihan:
Demand Estimation By Regretion Analysis
Spesifikasi model:
Persamaan denmand:
Qx = f(Px, I, N, Py, T........dst) ....................................(1)
dimana:
Px : price of commodity
I : income
N : jumlah konsumen di pasar
Py : harga komoditi lainnya yang terkait (substitusi dan komplementer)
T : selera konsumen
dst : dan lain-lain seperti iklan, memungkinkan kredit dan bunganya, harga
yang diharapkan konsumen, itulah hal-hal dalam pembahasan ini.
Secara spesifik bentukpersamaan demand:

Qx = a
0
+ a1Px + a2I + a3N + a4Py + a5T +......+e ...........(2)

Catatan: parameter e adalah error.
Setiap perubahan dependent variabel Qx untuk setiap perubahan satu unit variabel independent yang dijelaskan oleh
koefisien variabel yang bersangkutan, pada kondisi dimana variabel lain dan persamaan regresi tetap.
Terdapat kasus-kasus dimana hubungan non linier namun terjadi hubungan linier yang fit (cocok), sebagai contoh persamaan
demand sebagai dependent variabel dengan harga komoditas dengan income konsumennya dengan persamaan

Qx = a(P
x
b1
)(I
b2
) ......................................................................(3)

dalam persamaan linier dengan persamaan double log

ln Qx = ln a + b1 ln Px + b2 ln I ...................................................(4)

dimana b1, dan b2 dalam persamaan merepresentasikan prosentase perubahan atau elastisitas rata-rata. Secara spesifik b1
adalah elastisitas harga dari demand E
P
, b2 elastisitas income dari deamnd (E
I
) untuk komoditas X

28
Testing The Econometric Results.
Persamaan (3) Qx = a(P
x
b1
)(I
b2
)
E
P
= (Q
x
/P
x
). (P
x
/Q
x
) maka
(Qx/Px) = b1{ a(P
x
b1-1
)I
b2
}
E
P
= [b
1
{ a(P
x
b1-1
)I
b2
}].(P
x
/Q
x
)
= [b
1
{ a(P
x
b1-1
)I
b2
}].P
x
/ {a(P
x
b1
)(I
b2
)}
= [b
1
{a(P
x
b1
) I
b2
}]/ {a(P
x
b1
)(I
b2
)} = b
1

Dengan cara yang sama dapat dilakukan untuk E
I

E
I
= (Q
x
/I). (I/Q
x
) maka
(Qx/I) = b
2
{ a(P
x
b1
)I
b2-1
}
E
P
= [b
2
{ a(P
x
b1
)I
b2-1
}].(I/Q
x
)
= [b
2
{ a(P
x
b1
)I
b2-1
}].I/ {a(P
x
b1
)(I
b2
)}
= [b
2
{a(P
x
b1
) I
b2
}]/ {a(P
x
b1
)(I
b2
)} = b
2
29
Kasus. (Perhitungan of The Demand For Air Travel Over The Nort Atlantic)
J.M Cigliano menghitung demand untuk angkutan udara antara AS-Eropa dan
antara Canada dan Eropa, antara tahun 1965 sd 1978. Pengujian dilakukan
hanya untuk AS-Eropa namun ternyata hal serupa terjadi penerbangan Canada-
Eropa. Persamaan regresi diperoleh sbb:

ln Qt = 2,737 1,247 ln Pt + 1,905 ln GNPt
(-5,07) (7,286)
R
2
= 0,97 D-W = 1,83
dimana: Qt : jumlah penumpang per tahun rute AS-Eropa th 1965-1978
data dari IATA , dalam ratusan.
Pt : rata-rata tarif tahunan penerbangan New York London.
GNPt : US gross national product pertahun.
dari persamaan regresi tsb menunjukan:
Price elasticity of demand -1,247
GNP elasticity of demand 1,905
Ini mengindikasikan bahwa kenaikan tarif penerbangan 10% akan menurunkan
jumlah penumpang 12,47%, kenaikan 10% GNP USA akan menaikan jumlah
penumpang 19,05%. Fakta ini pada periode penelitian kapasitas penerbangan
2/3 sd 4/5, dengan tarif yang turun namun total revenue tanpa menimbulkan
biaya lebih tinggi, sehingga keuntungan naik.
30
Model persamaan regresi tersebut:
a. Mengisyaratkab bahwa perhitungan slope coefficients (elasticities)
merupakan dalil demand theory.
b. Harga mutlak t hitung yang tertera dibawah persamaan regresi nilainya
cukup tinggi slope coefficients mengindikasikan sebagai statistically
significant dan menunjukan angka yang lebih baik dari 1%.
c. Koefisien determinasi (coefficient of determination) atau R2
mengindikasikan bahwa tarif penerbangan dan GNP menjelaskan 97%dari
variation dalam log jumlah penumpang penerbangan New York- London.
d. Multikolinieritas (multycollinearity) antara dua independent variabel dapat
dihindari mengingat nialai t dan R2 cukup tinggi.
e. Nilai Durbin-Watson (DW) 1, 83 menunjukan tidak terjadi autocorelation.
31
32
Tahun
Pengamatan
Suku bunga Y
(%pertahun)
Inflasi X1
(%tahun)
Nilai Tukar X2
(00Rp/USD)
1
2
3
4
5
6
7
8
9
10
11
12
20
21
19
15
17
17
17
18
25
26
19
19
9
9
9
10
9
6
6
11
77
80
9
12
19
20
21
21
22
23
24
57
80
82
90
100
Tahun
Pengamatan
Ln Y Ln X1 Ln X2
1
2
3
4
5
6
7
8
9
10
11
12
2,99573
3,04452
2,94444
2,70805
2,83321
2,83321
2,83321
2,89037
3,21888
3,25810
2,94444
2,94444
2,19722
2,19722
2,19722
2,30259
2,19722
1,79176
1,79176
2,39790
4,34381
4,38203
2,19722
2,48491
2,94444
2,99573
3,04452
3,04452
3,09104
3,13549
3,17805
4,04305
4,38203
4,40672
4,49981
4,60517
Contoh Kasus, hubungan suku bunga, inflasi dan nilai tukar Valas:
Tahun
Pengamatan
Ln Y Ln X1 Ln X2
1
2
3
4
5
6
7
8
9
10
11
12
2,99573
3,04452
2,94444
2,70805
2,83321
2,83321
2,83321
2,89037
3,21888
3,25810
2,94444
2,94444
2,19722
2,19722
2,19722
2,30259
2,19722
1,79176
1,79176
2,39790
4,34381
4,38203
2,19722
2,48491
2,94444
2,99573
3,04452
3,04452
3,09104
3,13549
3,17805
4,04305
4,38203
4,40672
4,49981
4,60517
33
Demo\Data\Latihan UAS Karyawan UMB.MPJ'

Regression Analysis: Ln Y versus Ln X1; Ln X2

The regression equation is
Ln Y = 2,56 + 0,151 Ln X1 + 0,0040 Ln X2


Predictor Coef SE Coef T P VIF
Constant 2,5562 0,1539 16,61 0,000
Ln X1 0,15095 0,04179 3,61 0,006 1,6
Ln X2 0,00400 0,05251 0,08 0,941 1,6


S = 0,0966094 R-Sq = 70,1% R-Sq(adj) = 63,5%

PRESS = 0,121486 R-Sq(pred) = 56,79%


Analysis of Variance

Source DF SS MS F P
Regression 2 0,197152 0,098576 10,56 0,004
Residual Error 9 0,084000 0,009333
Total 11 0,281152


No replicates.
Cannot do pure error test.


Durbin-Watson statistic = 1,25557

No evidence of lack of fit (P >= 0,1).
Persamaan dalam bentuk Ln yang dihasilkan:
Ln Y = 2,56 + 0,151 Ln X1 + 0,0040 Ln X2
(3,61) (0,08)
R2 = 70,1% DW = 1,25557

Kesimpulan:
a. Mengisyaratkab bahwa perhitungan slope coefficients (elasticities) untuk inflasi
terdapat korelasi yg signifikan sedangkan untuk nilai tukar rupiah sangat lemah
sehingga secara umum khusus untuk nilai tukar tidak dapat dijadikan model regresi.
b. Harga mutlak t hitung yang tertera dibawah persamaan regresi nilainya cukup tinggi
slope coefficients untuk inflasi sedangkan untuk nilai tukar sangat rendah.
c. Koefisien determinasi (coefficient of determination) atau R2 mengindikasikan bahwa
inflasi dan nilai tukar menjelaskan 70,1% dari variation dalam ln besar suku bunga.
d. Multikolinieritas (multycollinearity) antara dua independent variabel untuk inflasi
dapat dihindari mengingat nialai t dan R2 cukup tinggi, sedangkan untuk nilai tukar
terdapat multikolinearitas mengingat t rendah
e. Nilai Durbin-Watson (DW) 1, 2557 menunjukan bahwa mengingat DW diatas dl =
0,925 dan dibawah du =1,54 menunjukan test is inclusive outocorellation.


34
Kebijakan:
Ln Y = 2,56 + 0,151 Ln X1 + 0,0040 Ln X2

Persamaan regresi ini menggambarkan:
Elastisitas suku bunga terhadap inflasi menunjukan bahwa tiap kenaikan
1% inflasi akan berdampak kenaikan suku bunga 0,151% dengan
catatan bahwa nilai tukar valas dan persamaan regresi tetap. Hubungan
ini cukup kuat mengingat t hitung > t tabel tingkat kepercayaan 70,1%.
Elastisitas suku bunga terhadap nilai tukar sangat rendah yaitu setiap
kenaikan Rp100,-/$US akan menaikan suku bunga 0,004% atau
kenaikan Rp1000,-/$US akan menaikan suku bunga hanya 0,04%
dengan catatan inflasi dan persamaan regresi tetap.
Secara model keseluruhan persamaan regresi terdapat hubungan yang
cukup kuat terhadap suku bunga namun secara individual tidak
signifikan dan terdapat indikasi multikolinearitas dengan demikian tidak
dapat dijadikan dasar kebijakan secara individual.

Model persamaan dalam fungsi eksponensial:

Y = 2,56(X
1
0,151
)(X
2
0,004
)
Dimana:
Y : Suku bunga
X1 : Inflasi E
X1
(elastisitas Y terhadap X1)= 0,151
X2 : Nilai tukar $US E
X1
(elastisitas Y terhadap X1)= 0,0040


35
Time Series Analysis
Time series data berkaitan dengan nilai atau angka dari variabel kronologi
hari, minggu, bulan,kuartalatau tahun.
Time seri analysis untuk memforcastnilai akan datang dari time series dengan
menguji pengamatan hanya data masa lalu. Asumsi bahwa time series akan
terus bergerak seperti di masa lalu ( contoh; pola masa lalu akan terus tanpa
berubah atau akan sangat mirip kedapan). Dengan alasan ini, time series
analysys sering dikaikan sebagi naive forcasting
1. Reason for fluctuations in Time series Data.
Bila melakukan plotting kebanyakan data time-series economic, akan
ditemukan bahwa mereka akan berfluktuasi atau sangat over time. Variasi ini
seringkali disebabkan secular trends, cyclical fluctuations, seasonal variations,
dan irregular or random influances. Lihat Gambar 1 dan Gambar 2
a. Secular trend.
Berdasarkan naik-turunnya data series jangka panjang sebagaimana
digambarkan oleh garis penuh. Contoh banyak time series penjualan yang
ditunjukan dengan trends berke,mbang selama bertahun-tahun karena
pertumbuhan penduduk dan kenaikan per capita expenditures. Beberapa
seperti gasoline (bensin), ikut turun trednnya sebesar/sebanyak dan lebih
banyak mobil di jalan raya memerlukan bukan bensin.
Lihat garis penuh pada Gambar 1 .
36
b. Cyclical fluctuations.
Pengembangan dan penyusustan besar dalam sebagian basar economic
time series yang terlihat setelah beberapa tahun lihat garis titik-titik pada
gambar. Contoh industri kosntruksi rumahmengikuti siklus panjang berkisar
15 20 tahun, siklus industri automobil terlihat lebih singkat.
Lihat garis putus-putus pada Gambar 1 .
c. Seasonal variation.
Keteraturan fluktuasi kegiatan ekonomi yang timbul kembaliselama setiap
tahun yang disebabkan oleh cuaca dan social customs (kebiasaan
masyarakat). Panen raya bulan maret-mei, kemarau bulan september
otober, banyak orang belanja menjelang hari raya keagamaan seperti iedul
fitri dst.
Lihat garis penuh pada Gambar 2 .
d. Irregular or random influences.
Variasi data series karena perang, bencana alam, pemogokan, atau
kejadian unik lainnya
Lihat garis putus-putus pada Gambar 2 .
37
38
0 1 2 3 4 1 2 3 4 1 2 3 4 Quarter Year
I II III
0 1 2 3 4 1 2 3 4 1 2 3 4 Years
Gambar 1
Gambar 2
Sales ($)
Sales ($)
Secular trand
Cyclical
fluctuation
Seasonal
variation
Random
influences
2. Trends Projection
Bentuk sederhana dari time series analysis proyeksi trend yang lalau dengan fitting stright
lines terhadap data visual atau lebih tepat dengan analisis regresi. Linier regression model
akan diambil dalam bentuk:
S
t
= S
0
+ bt ................................................(1)
dimana:
S
t
: Nilai dari time series diforcast untu t time period.
S
0
: nilai estimasi time series (konstanta regresi) pada periode dasar (pada
time period t = o)
b : angka absolut perrtumbuhan per periode
t : Time period dalam mana time series di forcast.
Contoh:
Fitting a regression line terhadap penjualan electricity data diambil dari kuartal pertama th
1988 (t=1) sampai ahir kuartal tahun 1991 (t = 16), lihat tabel sbb;

39
Tabel Seasonal Demand For (Sales of) electricity (in Million or Kilowatt-Hours) In USA City, !988-1991
Time period
Quantity
1988.1
11
1988.2
15
1988.3
12
1988.4
14
1989.1
12
1989.2
17
1989.3
13
1989.4
16
Time period
quantity
1990.1
14
1990.2
18
1990.3
15
1990.4
17
1991.1
15
1991.2
20
1991.3
16
1991.4
19
40
12/12/2012 22:03:18


Welcome to Minitab, press F1 for help.

Regression Analysis: Quantity versus Time

The regression equation is
Quantity = 11,9 + 0,394 Time


Predictor Coef SE Coef T P
Constant 11,9000 0,9525 12,49 0,000
Time 0,39412 0,09851 4,00 0,001


S = 1,81636 R-Sq = 53,3% R-Sq(adj) = 50,0%


Analysis of Variance

Source DF SS MS F P
Regression 1 52,812 52,812 16,01 0,001
Residual Error 14 46,188 3,299
Total 15 99,000


Durbin-Watson statistic = 3,59451

41
1988 1989 1990 1991 Quarter
Year
S
a
l
e
s

o
f

e
l
e
c
t
r
i
c
i
t
y

(
m
i
l
l
i
o
n

k
i
l
o
w
a
t
t

h
o
u
r
s
)

Dari data pada tabel diperoleh persamaan regresi:
S
t
= 11,90 + 0,394t R
2
= 0,50
(4,00)
Persamaan tersebut menunjukan bahwa electricity dijual pada ahir kuartal
1987 (S
0
) adalah 11,90 million kilowatt-hours dan naik rata-rata 0,394
mollion kilowatt-hours perkuartal. Trend variabel adalah statistically
significant pada lebih baik dari tingkat 1 percents( dapat disimpulkan dari
nilai t = 4) dan menerangkan 50% dalam quarterly variation dalam electricity
consumtion di kota (R
2
= 0,50). Berdasarkan trends masa lalu dapat
diforcast sbb:
S17 = 11,90 + 0,394 (17) = 18,60 the first quarter of 1992
S18 = 11,90 + 0,394 (18) = 18,99 the first quarter of 1992
S19 = 11,90 + 0,394 (19) = 19,39 the first quarter of 1992
S20 = 11,90 + 0,394 (20) = 19,78 the first quarter of 1992
Lihat Gambar. Forcast terlihat sebagai titik-titik terus sampai th 1992. Nilai
forcasting penjualan electricity dapat dibaca sebagai perpanjangan garis
yang merupakan bentuk forcasting jangka panjang sesuai dengan data.
Dengan mengabaikan sepenuhnya very significant seasonal variation dalam
data, nilai forcasting terlihat tidak jauh dari actual future values.

42
Dengan asumsi besarnya konstanta absolut berubah per periode waktu tertentu (dalam hal ini perkuartal) yang
mungkin cocok untuk banyak kasus, terdapat situasi ( seperti penjualan banyak products) dimana suatu
prosentase terus berubah adalah lebih tepat.
The constan percenage growth rate model dapat ditulis:

S
t
= S
0
( 1 + g)
t

Dimana g adalah constant percentage growth rate untuk dihitung.
Transformasi persamaan regresi dalam bentuk linier logarithms sbb:

ln S
t
= ln S
0
+ t ln(1+g)

Persamaan regresi bila ditransformasi ke dalam log sbb:

S
t
= 11,90 + 0,394t R
2
= 0,50
(4,00)
ln S
t
= ln 11,90 + t ln 0,394
= 2,49 + 0,026t R
2
= 0,50
(4,00)
ln (1+g) = 0,026 maka (1+g) = e
0,026
= (2,71828)
0,026
= 1,026

Substitusi pada persamaan

S
t
= S
0
(1+g)
t
= 12,0,6(1,026)
t

S
t
= 12,0,6(1,026)
t

S
0
= 12,06 diperoleh dengan antilog 2,49
(1+g) = 1,026 diperoleh dari anti log 1,026



43
Untuk t dalam quarter (kuartal):
S
17
= 12,0,6(1,026)
17
= 18,66 kuartal pertama th 1992

S
18
= 12,0,6(1,026)
18
= 19,14 kuartal kedua th 1992
S
19
= 12,0,6(1,026)
19
= 19,64 kuartal ketiga th 1992
S
20
= 12,0,6(1,026)
20
= 20,15 kuartal keempat th 1992
Forcasting ini hasilnya mirip dengan cara memcocokkan dengan trend garis
forcasing.


44
3. Seasonal Variation.
Data tahun 1988 sd 1991 terlihat seasonal variation yang kuat, dengan
penjualan pada periode kuartal pertama dan ketiga setiap tahun konsisten
berada dibawah nilai trend jangka panjang, dan periode kuartal 2 dan 4
konsisten berada diatas nilai trend (tercermin pada garis lurus forcasting).
Dengan menghubungkan seasonal variation, kita dapat dengan significantly
improve forcasting penjualan listrik kedepan. Kita bisa me;lakukan hal ini
dengan ratio-to-trend method atau dengan dummy variabel.
Untuk menyesuaikan trend forcast untuk seasonal variation dengan ratio
trend method, kita sederhanakan dengan mencari ratio rata-rata dengan
mana nilai actual dari time series berbeda dari sama dengan hasil
perhitungan nilai trend pada setiap kuartal selama periode 1988 sd 1991
dan kemudian dikalikan forcasted trend value dengan ratio ini. Prediksi nilai
trend untuk setiap kuartal periode 1988 sd 1991 diperoleh dengan substitusi
sederhana nilai t sama dengan kuartal dengan mempertimbangkan
persamaan:
S
t
= 11,90 + 0,394t R
2
= 0,50
(4,00)
dan menghitung S
t
lihat tabel.

45
Mengalikan hasil forcasting (dari simple extension dari linier trend) dengan
perhitungan seasonal factor lihat tabel ( 0,887 untuk kuartal pertama, 1,165
untuk kuartal ke dua dst) maka kita akan dapatkan forcast baru
berdasarkan linear trend dan seasonal adjustment.:
S
17
= 18,60(0,887) = 16,50 kuartal pertama th 1992

S
18
= 18,99(1,165) = 22,12 kuartal kedua th 1992
S
19
= 19,39(0,907) = 17,59 kuartal ketiga th 1992
S
20
= 19,78(1,042) = 20,61 kuartal keempat th 1992
Forcasting ini ditunjukan oleh encircle points pada Tabel dibawah ini


46
47
CALCULATION OF THE SEASONAL ADJUSTMENT OF TREND FORECAST BY THE RATIO-TO-
TREND METHOD
Year forcasted Actual Actual/Forcasted
1988.1
1989.1
1990.1
1991.1

1988.2
1989.2
1990.2
1991.2

1988.3
1989.3
1990.3
1991.3

1988.4
1989.4
1990.4
1991.4

12,29
13,87
15,45
17,02

12,69
14,26
15,84
17,02

13,08
14,66
16,23
17,81

13,48
15,05
16,63
18,20
11,00
12,00
14,00
15,00

15,00
17,00
18,00
20,00

12,00
13,00
15,00
16,00

14,00
16,00
17,00
19,00
0,895
0,865
0,906
0,881
Average 0,887
1,182
1,192
1,136
1,148
Average 1,165
0,917
0,887
0,924
0,898
Average 0,907
1,039
1,063
1,022
1,044
Average 1,042
48
t St D1 D2 D3 D4
1 11 1 0 0 0
2 15 0 1 0 0
3 12 0 0 1 0
4 14 0 0 0 1
5 12 1 0 0 0
6 17 0 1 0 0
7 13 0 0 1 0
8 16 0 0 0 1
9 14 1 0 0 0
10 18 0 1 0 0
11 15 0 0 1 0
12 17 0 0 0 1
13 15 1 0 0 0
14 20 0 1 0 0
15 16 0 0 1 0
16 19 0 0 0 1
Data Periode pertriwulan th 1988 sd 1991
49
25/12/2012 16:35:09
Welcome to Minitab, press F1 for help.
Regression Analysis: St versus t; D1; D2; D3; D4

* D4 is highly correlated with other X variables
* D4 has been removed from the equation.

The regression equation is
St = 12,8 + 0,375 t - 2,37 D1 + 1,75 D2 - 2,12 D3

Predictor Coef SE Coef T P VIF
Constant 12,7500 0,2261 56,38 0,000
t 0,37500 0,01685 22,25 0,000 1,1
D1 -2,3750 0,2191 -10,84 0,000 1,6
D2 1,7500 0,2158 8,11 0,000 1,5
D3 -2,1250 0,2139 -9,94 0,000 1,5

S = 0,301511 R-Sq = 99,0% R-Sq(adj) = 98,6%

PRESS = 2,14957 R-Sq(pred) = 97,83%

Analysis of Variance

Source DF SS MS F P
Regression 4 98,000 24,500 269,50 0,000
Residual Error 11 1,000 0,091
Total 15 99,000

Durbin-Watson statistic = 3
Dengan menggunakan rumus: S
t
= S
0
+ bt
Mengambil dummy variabel D1 dimana triwulan pertama 1 sedangkan
triwulan 2, 3, dan 4 sama dengan 0.
Mengambil dummy variabel D2 dimana triwulan kedua 1 sedangkan
triwulan 1, 3, dan 4 sama dengan 0.
Mengambil dummy variabel D3 dimana triwulan ketiga 1 sedangkan
triwulan 1, 2, dan 4 sama dengan 0.
Mengambil dummy variabel D4 dimana triwulan keempat 1 sedangkan
triwulan 1, 2, dan 3 sama dengan 0.
Maka diperoleh persamaan:
St = 12,8 + 0,375 t - 2,37 D1 + 1,75 D2 - 2,12 D3
(22,25) (-10,84) (8,11) (-9,94)
Durbin-Watson statistic = 3
Catatan
D4 is highly correlated with other X variables
* D4 has been removed from the equation.



50
Dengan menggunakan persamaan tersebut diatas, penggunaan forcasting
penjualan listrik tiap triwulan untuk th 1992 sbb:
S17 = 12,8 + 0,375 (17) - 2,37 = 16,80 the first quarter of 1992
S18 = 12,8 + 0,375 (18) + 1,75 = 21,30 the second quarter of 1992
S19 = 12,8 + 0,375 (19) - 2,12 = 17,80 the third quarter of 1992
S20 = 12,8 + 0,375 (20) = 20,30 the fourth quarter of 1992
Hasil perhitungan ini sama dengan hasil perhitungan pada halaman 45 yang
dihitung berdasarkan perhitungan menggunakan persamaan eksponensial
pada halaman 44 kemudian hasilnya dikoreksi dengan average tiap periode
lihat pada tabel hal 48.



51
Smoothing Techniques.
Memprediksi nilai yang akan datang dari suatu time series pada the basis of
some average of its past values only.
1. Moving averages.
merupakan cara paling sederhana atas smoothing techniques.
Contoh: lihat Tabel halaman 54.
Pada kolom 1 dan 2 data hipotetis market share dari suatu perusahaan
berupa 12 quarters (triwulan). Data bersifat random variation tetapi no
secular atau seasonal variations.
Kolom 3 perhitungan three-quarter moving average. Contoh nilai 21,67
pada quarter ke 4 (angka pertamadi kolom 3) adalah penjumlahan tiga nilai
dari quarter 1 sd 3 pada kolom pertama dibagi 3: (20+22+23):3 = 21,67.
Dengan perhitungan seperti ini maka pada kolom 3 atau nilai F hanya
memiliki three quarter forcast dengan dengan nilai fourth quarter yang
pertama 21,67, sebagai bandingan lihat pada kolom 2 atau nilai A pada nilai
24 untuk firms market share pada fourth quarter. Perhitungan selanjutnya
pada kolom 1 memulai pada angka (22+23+24):3 = 23 ditempatkan pada
kolom 3 (F) pada baris ke 5 setelah angka 21,67 dan seterusnya sampai
fourth quarter terahir yaitu (23+18+23):3 = 21,33 ditempatkan pada baris ke
13.
Dengan cara yang sama dapat menghitung five quarter moving average
forcasting untuk firms market share lihat pada kolom 6, 7 dan 8.

52
53
Three-Quarter and Five-Quarter Moving Average Porcasts and Comparison
(1)
Quarter
(2)
Firms Actual
Market Share
(A)
(3)
Three-Quarter
Moving Average
Forcast (F)
(4)


(A-F)
(5)


(A-F)
2
(6)
Five-Quarter
Moving Average
Forcast (F)
(7)


(A-F)
(*)


(A-F)
2
1
2
3
4
5
6
7
8
9
10
11
12

13
20
22
23
24
18
23
19
17
22
23
18
23

-
-
-
-
21,67
23,00
21,67
21,67
20,00
19,67
19,33
20,67
21,00

21,33
-
-
-
2,33
-5,00
1,33
-2,67
-3,00
2,33
3,67
-2,67
2,00


-
-
-
5,4289
25,0000
1,7689
7,1289
9,0000
5,4289
13,4689
7,1289
4,0000
Total=78,3534
-
-
-
-
-
21,4
22,0
21,4
20,2
19,8
20,8
19,8

20,6

-
-
-
-
-
1,6
-3,0
-4,4
1,8
3,2
-2,8
3,2
-
-
-
-
-
2,56
9,00
19,36
3,24
10,24
7,84
10,24
Total= 62,48
Untuk melihat cara mana yang lebih baik dihitung root-mean-square error
(RMSE) untuk setiap forcasting dan gunakan moving average dengan hasil
RMSE yang terkecil.
Rumus RMSE:
RMSE = {(At Ft)
2
: n}
dimana:
At : actual value dari time series pada periode t.
Ft : forcasted value.
n : angka time periods atau angka pengamatan
At-Ft : perbedaan firms actual market share (kolom 2) dengan
quarter moving average forcast (kolom 3 atau kolom 6)
Contoh:
RMSE = {78,3534 : 9} = 2,95
Perhatikan n adalah jumlah data pengamatan pada kolom 5
Bandingkan dengan
RMSE = {63,48 : 7} = 2,99
Perhatikan n adalah jumlah data pengamatan pada kolom 8.
Nilai RMSE pada three-quarter moving average forcast (2,95) lebih kecil dari
RMSE pada five-quarte moving average forcast (2,990) maka hasil forcasting
21,33 lebih dapat dipercaya dari pada 20,6 lihat tabel.
54
Exponential Smoothing.
Forcast untuk periode t+1 lihat Tabel hal 56.
Nilai forcast untuk time series pada periode t+1 adalah:
F
t+1
= wA
t
+ (1+w)F
t
Dimana:
F
t+1
: forcast untuk time series pada periode t+1
w : bobot dengan nilai berada diantar 0 sd 1
At : nilai time series pada periode t
Contoh hitungan lihat tabel pad hal 47.
Pada kolom 1 dan 2 data hipotetis market share dari suatu perusahaan berupa 12
quarters (triwulan). Data bersifat random variation tetapi no secular atau
seasonal variations.
Baris pertama pada kolom 3 (F untuk w = 0,3) dan kolom 6 (F untuk w = 0,5)adalah
average market share dari perusahaan selama 12 quarter
Untuk baris 2 sd 13 pada kolom 3 dan 6 menggunakan rumus: F
t+1
= wA
t
+ (1+w)F
t

Contoh untuk w = 0,3: F
2
= 0,3(20) + (1- 0,3)21,0 = 20,7 (lihat baris ke 2, kolom 3)
F
13
= 0,3(23) + (1-0,3)20,2 = 6,9 + 14,14 = 21,04 = 21,0
Contoh untuk w = 0,5: F
2
= 0,5(20) + (1- 0,5)21,0 = 20,5 (lihat baris ke 2, kolom 6)
F13 = 0,5(23) + (1-0,5)19,9 = 11,5 + 9,95 = 21,45 = 21,5
55
56
Exponential Forcasts With w = 0,3 and w = 0,5 And Comparison
(1)
Quarter
(2)
Firms Actual
Market Share
(A)
(3)
Forcast
With w = 0,3
(F)
(4)


(A-F)
(5)


(A-F)
2
(6)
Forcast
With w = 0,5
(F)
(7)


(A-F)
(*)


(A-F)
2
1
2
3
4
5
6
7
8
9
10
11
12

13
20
22
23
24
18
23
19
17
22
23
18
23
Total 252
-
21,0
20,7
21,1
21,7
22,4
21,1
21,7
20,9
19,7
20,4
21,2
20,2

21,0
-1,0
1,3
1,9
2,3
-4,4
1,9
-2,7
-3,9
2,3
2,6
-3,2
2,8
1,00
1,69
3,61
5,29
19,36
3,61
7,29
15,21
5,29
6,76
10,24
7,84
Total 87,19
21,0
20,5
21,3
22,2
23,1
20,6
21,8
20,4
18,7
20,4
21,7
19,9

21,5
-1,0
1,5
1,7
1,8
-5,1
2,4
-2,8
-3,4
3,3
2,6
-3,7
3,1
1,00
2,25
2,89
3,24
26,01
5,76
7,84
11,56
10,89
6,76
13,69
9,61
Total 101,50
= A/N = (252:12) = 21,0
The root-mean-square error (RMSE) untuk exponential forcastings
menggunakan w = 0,3 adalah:
RMSE = {(At Ft) : n}
= {87,19 : 12} = 2,70
The root-mean-square error (RMSE) untuk exponential forcastings
menggunakan w = 0,5 adalah:
RMSE = {(At Ft) : n}
= {101,5 : 12} = 2,91
Kesimpulan:
Tingkat keyakinan hasil exponential forcast sebesar 21,0 untuk
thirteenth quarter menggunakan w = 0,3 lebih meyakinkan dengan
RMSE = 2,70 dibandingkan dengan menggunakan w = 0,5 dengan
RMSE = 2,91.
Tingkat keyakinan hasil exponential forcast sebesar 21,0 untuk
thirteenth quarter menggunakan w = 0,3 lebih meyakinkan dengan
RMSE = 2,70 dibandingkan dengan menggunakan w = 0,5 dengan
RMSE = 2,91. Bahkan lebih meyakinkan dibandingkan menggunakan
three-quarter (RMSE = 2,95) dan five quarter (RMSE = 2,99) moving
average
Menggunakan exponensial forcast selama ini hasilnya lebih baik
sehingga pada umumnya cara ini digunakan


57
Batas Materi Anderson
58
Pengamatan
(Sampel)
Jarak Tempuh
X1= miles
Rit Angkut
X2=Number
Waktu Tempuh
Y=jam
1
2
3
4
5
6
7
8
9
10
100
50
100
100
50
80
75
65
90
90
4
3
4
2
2
2
3
4
3
2
9,3
4,8
8,9
6,5
4,2
6,2
7,4
6,0
7,6
6,1
Data Pengangkutan Mentega
59

17/11/2011 12:13:58


Welcome to Minitab, press F1 for help.

Regression Analysis: Y versus X1; X2

The regression equation is
Y = - 0,869 + 0,0611 X1 + 0,923 X2


Predictor Coef SE Coef T P
Constant -0,8687 0,9515 -0,91 0,392
X1 0,061135 0,009888 6,18 0,000
X2 0,9234 0,2211 4,18 0,004


S = 0,573142 R-Sq = 90,4% R-Sq(adj) = 87,6%


Analysis of Variance

Source DF SS MS F P
Regression 2 21,601 10,800 32,88 0,000
Residual Error 7 2,299 0,328
Total 9 23,900


60
Multiple Coefficient of Determination
SST = SSR + SSE
Dimana
SST = total sum of squares = (Y
i
- )
2

SSR = sum of squares due to regression = (Y - )
2

SSE = sum of squares due to error = (Y
i
- Y
i
)
2

Dari hasil perhitungan diperoleh:
SST = 23,900
SSR = 21,601
SSE = 2,299

Multiple Coefficient of Determination: R
2
= SSR/SST = 21,601/23,900 = 0,904
Angka ini sama dengan R-sq output Minitab 90,4%
Adjusted multiple coefficient of determination:
R
a
2
= 1 (1 R
2
){(n-1)/(n-p-1)}
Dari contoh soal n =10 dan p = 2 maka
R
a
2
= 1 (1 0,904){(10-1)/(10-2-1)} = 0,88
Angka ini mirip dengan R-sq (adj) = 87,6%


61
Test Untuk Mengetahui Signifikan.
F test untuk mengetahui unsur model semua signifikan
(overall significance)
t test untuk mengetahui masing-masing unsur model signifikan
(individual signifivance)
1. F test.
MSR = SSR/p
MSE = SSE/(n-p-1)
F = MSR/MSE
F test untuk overall significance
H
0
:
1
=
2
= ------------ =
p
= 0
Ha: satu atau lebih dari para meter tidak sama dengan nol (0)
Test statistik
F = MSR/MSE
Aturan penolakan:
p-value approach H
0
ditolak jika p-value 0
Critical value approach H
0
ditolak jika F 0
Catatan: F berdasarkan F distribusi dimana p degrees of freedom pada numerator dan n-p-1
degreee of freedom pada denominator

Contoh:
MSR = 10,8 dan MSE = 0,328 maka F = 10,8/0,328 = 32,9
pada output minitab 32,88.
Menggunakan = 0,01, pada tabel F
0,01
diperoleh 9,55 dengan demikian F = 32,9 > F
0,01
=9,55
maka H
0
:
1
=
2
= ------------ =
p
= 0 ditolak dan disimpulkan bahawa terdapat hubungan yang
signifikan waktu tempuh Y dan 2 variabel bebas yaitu jarak tempuh dan jumlah rit yang
dilakukan.


62
Source of
Variance
Sum of Squares Degree of
Freedom
Mean Square F
Regression SSR p MSR = SSR/p F = MSR/MSE
Error SSE n p - 1 MSE = SSE/ (np-1)
Total SST n - 1
Anova Tabel Untuk Multi Regresi Model
Dengan p Variabel Bebas
63
2. t test
t test digunakan untuk test secara individual significance
t test untuk individual significance
Untuk berbagai parameter
i
H
0
:
i
= 0
H
a
:
i
0
Test statistik
t = b
i
/S
bi
Aturan penolakan
p-value approach: H
0
tolak bila p-value
Critical value approach: H
0
tolak bila t -t
/2
atau bila t t
/2

Dimana t
/2
berdasarkan pada t distribusi dengan n-p-1 sebagai degree of
freedom
Contoh lihat printout.
b1 = 0,061135 Sb1 = 0,009888
b2 = 0,9234 Sb2 = 0,2211
maka test statistik hipotesis parameter
1
dan
2

t = 0,061135/0,009888 = 6,18 > t
0,005
= 3,499
t = 0,9234/0,2211 = 4,18 > t
0,005
= 3,499
Maka tolak H
0
:
i
= 0
H
a
:
i
0

64
Latihan soal
1. Dari hasil 10 kali observasi diperoleh persamaan regresi SBB
Y = 29,1270 + 0,5900 X1 + 0,4980X2
Diketahui: SSt = 6724,125; SSR = 6216,375; Sb1 = 0,0813; Sb2 = 0,0567
a. Hitung MSR dan MSE.
b. Hitung F dan tampilkan F test . Gunakan = 0,05
c. Tampilkan t test untuk menguji signifikansi 1. Gunakan = 0,05
d. Tampilkan t test untuk menguji signifikansi 2. Gunakan = 0,05
2. Terdapat suatu data sebagai berikut














a. Bagaimana bentuk persamaan regresi hubungan Y terhadap X1. Hitung Y jika X1 = 45
b. Bagaimana bentuk persamaan regresi hubungan Y terhadap X2. Hitung Y jika X2 = 15
c. Bagaimana bentuk persamaan regresi hubungan Y terhadap X1 dan X2. Hitung Y jika
X1 = 45 dan X2 = 15


X1 X2 Y
30
47
25
51
40
51
74
36
59
76
12
10
17
16
5
19
7
12
13
16
94
108
112
178
94
175
170
117
142
211
65
Batas Materi Anderson
66