PERSAMAAN SIMULTAN

Disusun untuk Melengkapi Tugas Individu Mata Kuliah

Metode Kuantitatif

Disusun oleh:

Fika Andita Riani

115040100111186

UNIVERSITAS BRAWIJAYA
FAKULTAS PERTANIAN
PROGRAM STUDI AGRIBISNIS
MALANG
2014

I.

PENDAHULUAN

1.1. Latar Belakang

Indonesia merupakan negara agraris penghasil komoditas pangan beras
khususnya. Seiring dengan adanya pertumbuhan penduduk, maka permintaan pangan
akan semakin meningkat. Peningkatan ini akan diikuti dengan peningkatan produksi
beras dalam negeri. Namun yang terjadi pada beberapa tahun ini perberasan Indonesia
hanya mengalami swasembada beras pada tahun 1969 hingga 1984. Setelah tahun
tersebut Indonesia belum lagi bisa mencukupi kebutuhan beras dalam negeri, yang mana
memaksa melakukan impor beras dalam jumlah cukup besar. Besar impor semakin lama
semakin tinggi seiring dengan kurang mampunya negara dalam mencukupi kebutuhan
pangan dalam domestik sendiri.
Perberasan hingga saat ini masih merupakan persoalan yang cukup rumit dan
belum dapat terselesaikan secara tuntas. Padahal Indonesia pernah tercatat dan dikenang
dunia atas pencapaian swasembada beras sekitar 3 kali periode, yaitu pada tahun 1984,
2004, dan 2008. Saat ini, Indonesia masuk daftar panjang sebagai salah satu negara yang
mengimpor beras, bahkan dilakukan sejak era reformasi. Selama 1998-2003, Indonesia
dan Filipina bergantian menempati negara pengimpor beras terbesar. Dalam grand
strategi pembangunan nasional, acapkali persoalan perberasan menjadi tidak sederhana.
Apalagi, beras juga merupakan komoditas yang bernilai politik.
Kajian mengenai perberasan di Indonesia tidak terlepas dari peran Bulog
(Badan Urusan Logistik). Bulog adalah lembaga pemerintah yang dibentuk pada tahun
1967 dan bertugas untuk mengendalikan stabilitas harga dan penyediaan bahan pokok,
terutama pada tingkat konsumen. Peran Bulog tersebut dikembangkan lagi dengan
ditambah mengendalikan harga produsen melalui instrumen harga dasar untuk
melindungi petani padi dan tidak hanya terbatas pada beras saja tetapi juga pada
pengendalian harga dan penyediaan komoditas lain. Mulai tahun 1988, Bulog kembali
hanya menangani beras dengan prioritas utama yaitu perlindungan kepada petani melalui
harga dasar tetatp. Sedangkan untuk stabilisasi harga konsumen mulai berkurang sejalan
dengan terus tertekannya harga beras domestik.
Beras sendiri adalah komoditas pertanian strategis. Beras berperan penting
dalam ketahanan pangan nasional. Beras menjadi basis revitalisasi pertanian ke depan
mengingat kebutuhan beras tahun 2005-2025 akan terus meningkat. Menurut data BPS
produksi padi tahun 2012 sebesar 68,96 juta ton Gabah Kering Giling (GKG) atau 43,44
2

juta ton beras. Namun, angka ini tidak menjamin bahwa Bulog tidak akan mengimpor
beras. Jadi, untuk memenuhi kebutuhan beras nasioanl agaknya Indonesia harus
menempuh jalan panjang demi mencapai swasembada beras.
Permasalahan klasik perberasan di Indonesia adalah adanya kesalahan
kebijakan politik di masa lalu. Beras diangkat menjadi komoditas superior sehingga
menggeser komoditas lainnya. Singkong, jagung, pisang, dan ubi-ubian tergeser oleh
ketergantungan yang tinggi terhadap beras. Indonesia menjadi konsumen beras terbesar
setelah Cina dan India. Rata-rata orang Asia mengonsumsi 65-70 kg beras per kapita,
sedangkan Indonesia mengonsumsi 139 kg beras per kapita.
Berkurangnya lahan pertanian juga menjadi sebuah masalah serius. Banyak
lahan pertanian yang beralih menjadi lahan perkebunan dan perumahan. Lahan yang
beralih fungsi mencapai 100.000 ha, sementara areal sawah baru hanya 40.000 ha. Tentu
saja ini adalah sebuah ketimpangan. Bagaimana bisa memenuhi kebutuhan beras
nasional jika tempat tanamnya saja selalu berkurang? Akhirnya solusi terakhir selalu
berujung pada impor. Padahal impor beras dapat memberikan tekanan tersendiri bagi
petani di Indoesia.

1.2. Tujuan
1. Untuk mengetahui model simultan pada komoditas beras
2. Untuk mengetahui perkembangan permintaan, produksi, harga, impor, dan penawaran
beras tiap tahunnya
3. Untuk mengidentifikasi dan menyusun persamaan simultan antara yang ada di lapang
dan teori yang ada

II.

METODE

2.1. Teori Data Time Series

Time series merupakan data yang terdiri atas satu objek tetapi meliputi beberapa periode
waktu misalnya harian, bulanan, mingguan, tahunan, dan lain-lain. Kita dapat melihat
contoh data time series pada data harga saham, data ekspor, data nilai tukar (kurs), data
produksi, dan lain-lain sebagainya. Jika kita amati masing-masing data tersebut terkait
dengan waktu (time) dan terjadi berurutan. Misalnya data produksi minyak sawit dari
tahun 2000 hingga 2009, data kurs Rupiah terhadap dollar Amerika Serikat dari tahun
2000 2006, dan lain-lain. Dengan demikian maka akan sangat mudah untuk mengenali
jenis data ini.
Data time series juga sangat berguna bagi pengambil keputusan untuk memperkirakan
kejadian di masa yang akan datang. Karena diyakini pola perubahan data runtun waktu
beberapa periode masa lampau akan kembali terulang pada masa kini. Data time series
juga biasanya bergantung kepada lag atau selisih. Katakanlah pada beberapa kasus
misalnya produksi dunia komoditas kopi pada tahun sebelumnya akan mempengaruhi
harga kopi dunia pada tahun berikutnya. Dengan demikian maka akan diperlukan data
lag produksi kopi, bukan data aktual harga kopi. Tabel berikut ini akan memperjelas
konsep lag yang mempengaruhi data time series.

2.2. Model 2 SLS

Menurut Gujarati (2006), Two Stage Least Square (2SLS) merupakan suatu metode yang
digunakan untuk estimasi parameter suatu persamaan struktural yang estimasinya
memiliki lebih dari satu nilai (over identified). Metode 2SLS digunakan untuk
memperoleh nilai parameter struktural pada persamaan yang teridentifikasi berlebih.
Metode ini dapat diterapkan pada suatu sistem persamaan individu dalam sistem tanpa
memperhitungkan persamaan lain secara langsung dalam sistem.
Two Stage Least Squares (2SLS) adalah metode statistik yang digunakan untuk
menggantikan metode OLS yang tidak dapat digunakan untuk mengestimasi suatu
persamaan dalam sistem persamaan simultan. Terutama karena adanya saling
ketergantungan antara variabel dependen Y dan beberapa variabel independen X yang
membuat perbedaan antara variabel dependen dan variabel independen menjadi
meragukan (Koutsoyiannis, 1978).

2.3. Persamaan Simultan

Berbeda dengan model-model ekonometrika sebelumnya, sistem persamaan simultan
memiliki lebih dari satu persamaan dengan masing-masing variabel independent dan
variabel dependent. Karena terdapat banyak persamaan maka terdapat lebih dari satu
variabel dependent. Persamaan-persamaan tersebut menggambarkan hubungan antar
fenomena ekonomi. Selain itu, variabel dependent pada satu persamaan dapat menjadi
variabel independent pada persamaan lain sehingga antar persamaan saling berhubungan.
Pada model ini terdapat dua jenis variabl endogen dan eksogen.
Istilah dalam persamaan simultan antara lain:
1. Persamaan Struktural/Perilaku:
a. Struktur atau perilaku dari fenomena ekonomi yang diamati.
b. Perilaku variabel endogen terhadap perubahan-perubahan variabel penjelas pada
persamaan yang bersangkutan
2. Persamaan Identitas:
a. Persamaan yang tidak dpt menunjukkan perilaku variabel endogen.
b. Dibentuk oleh perkalian, pembagian, penambahan atau pengurangan beberapa
variabel.
3. Persamaan Direduksi (reduced-form equation):
Persamaan dimana variabel endogen hanya dipengaruhi variabel predetermined dan
gangguan stochastic.
4. Variabel Endogen:
a. Variabel yang nilainya akan ditentukan melalui model.
b. Variabel yang dipengaruhi oleh dan mempengaruhi variabel lain
5. Variabel Predetermined (eksogen dan lag endogen):
a. Variabel yang nilainya ditetapkan sebelumnya, tidak melalui model.
b. Variabel yang hanya menpengaruhi variabel lain.
Tujuan dari identifikasi model adalah mengidentifikasi model sebelum dilakukan
estimasi. Artinya untuk mengetahui apakah estimasi parameter dapat dilakukan melalui
persamaan reduced-form dari sistem persamaan simultan. Dalam persamaan simultan ini,
terdapat tiga kemungkinan hasil yang diperoleh, yaitu:
1. Persamaan tidak identifikasi (unidentified) jika estimasi parameter tidak dapat
dilakukan melalui persamaan reduced-form.
2. Persamaan teridentifikasi (identified) jika estimasi parameter dapat dilakukan melalui
persamaan reduced-form dari sistem persamaan simultan.
5

a. Teridentifikasi Tepat (just identfied),

Jika masing-masing nilai parameter bersifat unik (hanya mempunyai satu nilai)
b. Teridentifikasi Berlebih (over identified)
Jika nilai parameter mempunyai lebih dari satu nilai.
Model umum persamaan simultan adalah sebagai berikut

Keterangan :
Y1, Y2, ...., YM : sejumlah M variabel endogen
X1, X2, , Xk

: sejumlah k variabel eksogen

u1, u2, , uM

: sejumlah M residual

: observasi

: koefisien (parameter) variabel endogen

: koefisien (parameter) variabel eksogen

2.4. Metode dalam SPSS

2.4.1. Persamaan Simultan

Masukkan
data yang akan
dianalisis
dalam SPSS

Klik Variabel
View lalu ubah
nama menjadi
nama variabel
yang akan
digunakan

Klik Analyze

Klik
Regression

Klik Two
Stage Least
Square

Masukkan
variabel
endogen pada
tiap persamaan
ke kotak
dependent

Masukkan
variabel
eksogen pada
tiap persamaan
ke kotak
explanatory

Masukkan
variabel lain
diluar tiap
persamaan ke
kotak
instrumental

Klik Options

Klik Predicted

Klik Continue

Klik Ok

Gambar 1. Metode Simultan dalam SPSS

6

2.4.2. Validasi
Klik Variabel View
lalu ubah nama Fit
menjadi nama
variabel Prediksi

Klik
Descriptive
statistics

Klik Analyze

Klik
Frequencies

Masukkan variabel
endogen dan
prediksi pada tiap
persamaan ke kotak
variables

Klik Mean

Klik Continue

Klik Statistics

Klik Ok

Gambar 2. Metode Validasi dalam SPSS

III.

HASIL DAN PEMBAHASAN

3.1. Identifikasi Order Condition

Persamaan struktural:
1. Dt = + 1 Popt + 2 Incomet + 3 HBIt + e
2. PBIt = + 1 HBIt + 2 LAPt + 3 Yt + e
3. HBIt = + 1 HBDt + 2 ERt + 3 MBIt + 4 HBIt-1 + e
4. MBIt = + 1 PBIt + 2 HBDt + 3 HBIt + e
Persamaan Identitas:
5. St = Dt + MBIt
Sebelumnya untuk asumsi untuk identifikasi model apakah model tersebut termasuk over
identified, exactly identified, dan under identified digunakan syarat sebagai berikut :
a. (K - k) > (G - 1) maka Over Identified atau syarat simultan
b. (K - k) = (G - 1) maka Exactly Identified
c. (K - k) < (G - 1) maka Under Identified
Keterangan:
K

: Jumlah peubah eksogen dalam model

: Jumlah peubah eksogen dalam persamaan

: Jumlah peubah endogen dalam model

Tabel 1. Order Condition

Persamaan K
k (K-k)
1
12
3
9
2
12
3
9
3
12
4
8
4
12
3
9
5
12
2
10
Berdasarkan tabel order condition diatas

G (G-1)
Keterangan
5
4
Over Identified
5
4
Over Identified
5
4
Over Identified
5
4
Over Identified
5
4
Over Identified
dapat disimpulkan bahwa ke-5 persamaan

dalam model termasuk over identified yang merupakan syarat simultan dikarenakan
memiliki nilai (K-k) > (m-1) sehingga dapat digunakan model 2SLS.

3.2. Menyusun Model Persamaan Simultan

3.2.1. Persamaan 1
Pada analisis 2 Stage Least Squares untuk persamaan 1 yaitu permintaan
beras Indonesia yang dipengaruhi oleh populasi, pendapatan, dan harga beras
Indonesia. Pada tabel Model Summary didapatkan hasil nilai dari R square sebesar
8

0,108 atau 10,8%. Ini menunjukkan bahwa hanya 10,8% variabel permintaan beras
Indonesia dapat dijelaskan oleh variabel populasi, pendapatan, dan harga beras
Indonesia, sedangkan sisanya 89,2% dijelaskan oleh variabel lain di luar model.
Pada tabel juga didapatkan hasil nilai dari Multiple R sebesar 0,328 yang artinya
tingkat kesesuaian atau tingkat hubungan data observasi dengan data prediksi 1
sesuai sebesar hanya 32,8%.
Pada tabel Anova merupakan hasil uji F untuk menguji signifikansi
koefisien regresi. Dari hasil perhitungan tabel Anova didapatkan nilai F hitung
sebesar 0,484 dengan tingkat signifikan 0,700. Diketahui jumlah sampel pada data
tersebut sebanyak 16 sampel, sedangkan jumlah variabel baik variabel bebas
maupun terikat pada data sebanyak 4 variabel.
df1 = k 1 = 4 (jumlah variabel) 1 = 3
df2 = n k = 16 (jumlah sampel) 4 = 12
Jika pengujian dilakukan pada = 5%, maka nilai F tabel adalah 3,49.
Dari hasil uji F didapatkan Fhitung = 0,484 sedangkan Ftabel = 3,49. Dari
hasil tersebut menunjukkan jika Fhitung < Ftabel. Jadi, kesimpulan yang didapat
adalah Ha ditolak dan H0 diterima yang artinya populasi, pendapatan, dan harga
beras Indonesia tidak berpengaruh secara signifikan atau nyata terhadap
permintaan beras Indonesia. Dengan demikian model tersebut tidak dapat diterima
sebagai penduga yang baik dan tidak layak untuk digunakan untuk analisis.
Pada tabel Coefficients merupakan uji T untuk menguji signifikansi terhadap
variabel. Misalnya pada Hipotesis 1 adalah populasi, pendapatan, dan harga beras
Indonesia berpengaruh positif terhadap permintaan beras Indonesia. Sedangkan
pada Hipotesis

2 adalah populasi, pendapatan, dan harga beras Indonesia

berpengaruh terhadap permintaan beras Indonesia.

Jumlah observasi yang digunakan untuk membentuk persamaan ini sebanyak 16.
Pengujian hipotesis dengan = 5%. Sedangkan derajat bebas pengujian adalah n
k = 16 4 = 12. Untuk hipotesis pertama, karena uji satu arah, maka lihat pada df
satu sisi, sedangkan df nya = 12 maka nilai tabel t = 1,782. Untuk hipotesis kedua,
karena uji dua arah, maka lihat pada df dua sisi diatas, dengan df = 12 maka nilai
tabel t = 2,179.
Dari hasil uji t untuk hipotesis pertama diatas didapatkan thitung pada variabel
populasi sebesar 1,151, variabel pendapatan sebesar -0,456, dan variabel harga
beras Indonesia sebesar -1,305 sedangkan ttabel =
9

1,782. Dari hasil tersebut

menunjukkan bahwa semua variabel didapatkan nilai thitung < ttabel. Jadi, kesimpulan
yang didapat adalah terima H0, tolak Ha yang artinya secara parsial populasi,
pendapatan, dan harga beras Indonesia tidak berpengaruh positif terhadap
permintaan beras Indonesia.
Dari hasil uji t untuk hipotesis kedua diatas didapatkan thitung pada variabel populasi
sebesar 1,151, variabel pendapatan sebesar -0,456, dan variabel harga beras
Indonesia sebesar sebesar -1,305 sedangkan ttabel = 2,179. Dari hasil tersebut
menunjukkan bahwa semua variabel didapatkan nilai thitung < ttabel. Jadi, kesimpulan
yang didapat adalah terima H0, tolak Ha yang artinya secara parsial populasi,
pendapatan, dan harga beras Indonesia tidak berpengaruh signifikan atau tidak
nyata terhadap permintaan beras Indonesia.
Pada uji t, juga didapatkan fungsi model sebagai berikut:
Y = + 1X1 + 2X2 + 3X3 + e
Y = -1,755E6 + 34,138Popt - 2,069Incomet - 357,142HBIt + e
Jadi, pada tabel Coefficients didapatkan hasil bahwa variabel populasi mempunyai
tingkat signifikansi 0,272 > = 0,05, variabel pendapatan mempunyai tingkat
signifikansi 0,657 > = 0,05, dan variabel harga beras Indonesia mempunyai
tingkat signifikansi 0,321 > = 0,05 artinya variabel populasi, pendapatan, dan
harga beras Indonesia tidak signifikan dan tidak berpengaruh nyata terhadap
permintaan beras Indonesia.
3.2.2. Persamaan 2
Pada analisis 2 Stage Least Squares untuk persamaan 2 yaitu produksi
beras Indonesia yang dipengaruhi oleh harga beras Indonesia, luas area panen, dan
produkstivitas beras Indonesia. Pada tabel Model Summary didapatkan hasil nilai
dari R square sebesar 0,783 atau 78,3%. Ini menunjukkan bahwa 78,3% variabel
produksi beras Indonesia dapat dijelaskan oleh variabel harga beras Indonesia, luas
area panen, dan produkstivitas beras Indonesia, sedangkan sisanya 22,7%
dijelaskan oleh variabel lain di luar model. Pada tabel juga didapatkan hasil nilai
dari Multiple R sebesar 0,885 yang artinya tingkat kesesuaian atau tingkat
hubungan data observasi dengan data prediksi 2 sesuai sebesar 88,5%.
Pada tabel Anova merupakan hasil uji F untuk menguji signifikansi
koefisien regresi. Dari hasil perhitungan tabel Anova didapatkan nilai F hitung
sebesar 14,430 dengan tingkat signifikan 0,000. Diketahui jumlah sampel pada data

10

tersebut sebanyak 16 sampel, sedangkan jumlah variabel baik variabel bebas

maupun terikat pada data sebanyak 4 variabel.
df1 = k 1 = 4 (jumlah variabel) 1 = 3
df2 = n k = 16 (jumlah sampel) 4 = 12
Jika pengujian dilakukan pada = 5%, maka nilai F tabel adalah 3,49.
Dari hasil uji F didapatkan Fhitung = 14,430 sedangkan Ftabel = 3,49. Dari
hasil tersebut menunjukkan jika Fhitung > Ftabel. Jadi, kesimpulan yang didapat
adalah Ha diterima dan H0 ditolak yang artinya harga beras Indonesia, luas area
panen, dan produkstivitas beras Indonesia berpengaruh secara signifikan atau nyata
terhadap produksi beras Indonesia. Dengan demikian model tersebut dapat diterima
sebagai penduga yang baik dan layak untuk digunakan untuk analisis.
Pada tabel Coefficients merupakan uji T untuk menguji signifikansi terhadap
variabel. Misalnya pada Hipotesis 1 adalah harga beras Indonesia, luas area panen,
dan produkstivitas beras Indonesia berpengaruh positif terhadap produksi beras
Indonesia. Sedangkan pada Hipotesis 2 adalah harga beras Indonesia, luas area
panen, dan produkstivitas beras Indonesia berpengaruh terhadap produksi beras
Indonesia.
Jumlah observasi yang digunakan untuk membentuk persamaan ini sebanyak 16.
Pengujian hipotesis dengan = 5%. Sedangkan derajat bebas pengujian adalah n
k = 16 4 = 12. Untuk hipotesis pertama, karena uji satu arah, maka lihat pada df
satu sisi, sedangkan df nya = 12 maka nilai tabel t = 1,782. Untuk hipotesis kedua,
karena uji dua arah, maka lihat pada df dua sisi diatas, dengan df = 12 maka nilai
tabel t = 2,179.
Dari hasil uji t untuk hipotesis pertama diatas didapatkan thitung pada variabel harga
beras Indonesia sebesar -0,198, variabel luas area panen sebesar -0,109, dan
variabel produktivitas beras Indonesia sebesar 5,601 sedangkan ttabel = 1,782. Dari
hasil tersebut menunjukkan bahwa pada variabel harga beras Indonesia dan luas
area panen didapatkan nilai thitung < ttabel. Jadi, kesimpulan yang didapat adalah
terima H0, tolak Ha yang artinya secara parsial variabel harga beras Indonesia dan
luas area panen tidak berpengaruh positif terhadap produksi beras Indonesia.
Sedangkan pada variabel produktivitas beras Indonesia didapatkan nilai thitung >
ttabel. Jadi, kesimpulan yang didapat adalah terima Ha, tolak H0 yang artinya secara
parsial variabel produktivitas beras Indonesia mempunyai pengaruh positif

11

terhadap produksi beras Indonesia atau semakin tinggi produktivitas beras

Indonesia maka semakin tinggi pula produksi beras Indonesia.
Dari hasil uji t untuk hipotesis kedua diatas didapatkan thitung pada variabel harga
beras Indonesia sebesar -0,198, variabel luas area panen sebesar -0,109, dan
variabel produktivitas beras Indonesia sebesar sebesar 5,601 sedangkan ttabel =
2,179. Dari hasil tersebut menunjukkan bahwa pada variabel harga beras Indonesia
dan luas area panen didapatkan nilai thitung < ttabel. Jadi, kesimpulan yang didapat
adalah terima H0, tolak Ha yang artinya secara parsial variabel harga beras
Indonesia dan luas area panen tidak berpengaruh secara signifikan atau tidak nyata
terhadap produksi beras Indonesia. Sedangkan pada variabel produktivitas beras
Indonesia didapatkan nilai thitung > ttabel. Jadi, kesimpulan yang didapat adalah
terima Ha, tolak H0 yang artinya secara parsial variabel produktivitas beras
Indonesia mempunyai pengaruh yang signifikan dan nyata terhadap produksi beras
Indonesia.
Pada uji t, juga didapatkan fungsi model sebagai berikut:
Y = + 1X1 + 2X2 + 3X3 + e
Y = 129212,279 - 57,026HBIt - 0,012LAPt + 395749,379YBIt + e
Jadi, pada tabel Coefficients didapatkan hasil bahwa variabel harga beras Indonesia
mempunyai tingkat signifikansi 0,846 > = 0,05, variabel luas area panen
mempunyai tingkat signifikansi 0,915 > = 0,05, dan variabel produktivitas beras
Indonesia mempunyai tingkat signifikansi 0,000 < = 0,05 artinya variabel yang
signifikan dan paling berpengaruh terhadap produksi beras Indonesia adalah
variabel produktivitas beras Indonesia yang artinya setiap kenaikan produktivitas
beras Indonesia sebesar 1 unit maka akan meningkatkan rata-rata produksi beras
Indonesia sebesar 395749,379 unit.
3.2.3. Persamaan 3
Pada analisis 2 Stage Least Squares untuk persamaan 3 yaitu harga beras
Indonesia tahun ini yang dipengaruhi oleh harga beras dunia, nilai tukar uang,
impor beras, dan harga beras Indonesia tahun kemarin. Pada tabel Model Summary
didapatkan hasil nilai dari R square sebesar 0,974 atau 97,4%. Ini menunjukkan
bahwa 97,4% variabel harga beras Indonesia tahun ini dapat dijelaskan oleh
variabel harga beras dunia, nilai tukar uang, impor beras, dan harga beras Indonesia
tahun kemarin, sedangkan sisanya 2,6% dijelaskan oleh variabel lain di luar model.
Pada tabel juga didapatkan hasil nilai dari Multiple R sebesar 0,987 yang artinya
12

tingkat kesesuaian atau tingkat hubungan data observasi dengan data prediksi 3
sesuai sebesar 98,7%.
Pada tabel Anova merupakan hasil uji F untuk menguji signifikansi
koefisien regresi. Dari hasil perhitungan tabel Anova didapatkan nilai F hitung
sebesar 101,352 dengan tingkat signifikan 0,000. Diketahui jumlah sampel pada
data tersebut sebanyak 16 sampel, sedangkan jumlah variabel baik variabel bebas
maupun terikat pada data sebanyak 5 variabel.
df1 = k 1 = 5 (jumlah variabel) 1 = 4
df2 = n k = 16 (jumlah sampel) 5 = 11
Jika pengujian dilakukan pada = 5%, maka nilai F tabel adalah 3,36.
Dari hasil uji F didapatkan Fhitung = 101,351 sedangkan Ftabel = 3,36. Dari
hasil tersebut menunjukkan jika Fhitung > Ftabel. Jadi, kesimpulan yang didapat
adalah Ha diterima dan H0 ditolak yang artinya harga beras dunia, nilai tukar uang,
impor beras, dan harga beras Indonesia tahun kemarin berpengaruh secara
signifikan atau nyata terhadap harga beras Indonesia tahun ini. Dengan demikian
model tersebut dapat diterima sebagai penduga yang baik dan layak untuk
digunakan untuk analisis.
Pada tabel Coefficients merupakan uji T untuk menguji signifikansi terhadap
variabel. Misalnya pada Hipotesis 1 adalah harga beras dunia, nilai tukar uang,
impor beras, dan harga beras Indonesia tahun kemarin berpengaruh positif terhadap
harga beras Indonesia tahun ini. Sedangkan pada Hipotesis 2 adalah harga beras
dunia, nilai tukar uang, impor beras, dan harga beras Indonesia tahun kemarin
berpengaruh terhadap harga beras Indonesia tahun ini.
Jumlah observasi yang digunakan untuk membentuk persamaan ini sebanyak 16.
Pengujian hipotesis dengan = 5%. Sedangkan derajat bebas pengujian adalah n
k = 16 5 = 11. Untuk hipotesis pertama, karena uji satu arah, maka lihat pada df
satu sisi, sedangkan df nya = 11 maka nilai tabel t = 1,796. Untuk hipotesis kedua,
karena uji dua arah, maka lihat pada df dua sisi diatas, dengan df = 11 maka nilai
tabel t = 2,201.
Dari hasil uji t untuk hipotesis pertama diatas didapatkan thitung pada variabel harga
beras dunia sebesar 3,715, variabel nilai tukar uang sebesar 0,451, variabel impor
beras sebesar -0,062, dan variabel harga beras Indonesia tahun kemarin sebesar
5,694 sedangkan ttabel = 1,796. Dari hasil tersebut menunjukkan bahwa pada
variabel nilai tukar uang dan impor beras didapatkan nilai thitung < ttabel. Jadi,
13

kesimpulan yang didapat adalah terima H0, tolak Ha yang artinya secara parsial
variabel nilai tukar uang dan impor beras tidak berpengaruh positif terhadap harga
beras Indonesia tahun ini. Sedangkan pada variabel harga beras dunia dan harga
beras Indonesia tahun kemarin didapatkan nilai thitung > ttabel. Jadi, kesimpulan yang
didapat adalah terima Ha, tolak H0 yang artinya secara parsial variabel harga beras
dunia dan harga beras Indonesia tahun kemarin mempunyai pengaruh positif
terhadap harga beras Indonesia tahun ini atau semakin tinggi harga beras dunia dan
harga beras Indonesia tahun kemarin maka semakin tinggi pula harga beras
Indonesia tahun ini.
Dari hasil uji t untuk hipotesis kedua diatas didapatkan thitung pada variabel harga
beras dunia sebesar 3,715, variabel nilai tukar uang sebesar 0,451, variabel impor
beras sebesar -0,062, dan variabel harga beras Indonesia tahun kemarin sebesar
5,694 sedangkan ttabel = 2,201. Dari hasil tersebut menunjukkan bahwa pada
variabel nilai tukar uang dan impor beras didapatkan nilai thitung < ttabel. Jadi,
kesimpulan yang didapat adalah terima H0, tolak Ha yang artinya secara parsial
variabel nilai tukar uang dan impor beras tidak berpengaruh secara signifikan atau
tidak nyata terhadap harga beras Indonesia tahun ini. Sedangkan pada variabel
harga beras dunia dan harga beras Indonesia tahun kemarin didapatkan nilai thitung >
ttabel. Jadi, kesimpulan yang didapat adalah terima Ha, tolak H0 yang artinya secara
parsial variabel harga beras dunia dan harga beras Indonesia tahun kemarin
mempunyai pengaruh yang signifikan dan nyata terhadap harga beras Indonesia
tahun ini.
Pada uji t, juga didapatkan fungsi model sebagai berikut:
Y = + 1X1 + 2X2 + 3X3 + 4X4 + e
Y = -595,597 + 0,813HBDt + 0,028ERt - 1,354E5MBIt + 0,697HBIt-1 + e
Jadi, pada tabel Coefficients didapatkan hasil bahwa variabel harga beras dunia
mempunyai tingkat signifikansi 0,03 < = 0,05, variabel nilai tukar uang
mempunyai tingkat signifikansi 0,661 > = 0,05, variabel impor beras mempunyai
tingkat signifikansi 0,951 > = 0,05, dan variabel harga beras Indonesia tahun
kemarin mempunyai tingkat signifikansi 0,000 < = 0,05 artinya variabel yang
signifikan dan paling berpengaruh terhadap harga beras Indonesia tahun ini adalah
variabel harga beras dunia dan harga beras Indonesia tahun kemarin yang artinya
setiap kenaikan harga beras dunia sebesar 1 dollar maka akan meningkatkan ratarata harga beras Indonesia tahun ini sebesar 0,813 dollar. Sedangkan, setiap
14

kenaikan harga beras Indonesia tahun kemarin sebesar 1 dollar maka akan
meningkatkan rata-rata harga beras Indonesia tahun ini sebesar 0,697 dollar.
3.2.4. Persamaan 4
Pada analisis 2 Stage Least Squares untuk persamaan 2 yaitu impor beras
yang dipengaruhi oleh produksi beras Indonesia, harga beras dunia, dan harga
beras Indonesia. Pada tabel Model Summary didapatkan hasil nilai dari R square
sebesar 0,635 atau 63,5%. Ini menunjukkan bahwa 63,5% variabel impor beras
dapat dijelaskan oleh variabel produksi beras Indonesia, harga beras dunia, dan
harga beras Indonesia, sedangkan sisanya 36,5% dijelaskan oleh variabel lain di
luar model. Pada tabel juga didapatkan hasil nilai dari Multiple R sebesar 0,797
yang artinya tingkat kesesuaian atau tingkat hubungan data observasi dengan data
prediksi 4 sesuai sebesar 79,7%.
Pada tabel Anova merupakan hasil uji F untuk menguji signifikansi
koefisien regresi. Dari hasil perhitungan tabel Anova didapatkan nilai F hitung
sebesar 6,954 dengan tingkat signifikan 0,006. Diketahui jumlah sampel pada data
tersebut sebanyak 16 sampel, sedangkan jumlah variabel baik variabel bebas
maupun terikat pada data sebanyak 4 variabel.
df1 = k 1 = 4 (jumlah variabel) 1 = 3
df2 = n k = 16 (jumlah sampel) 4 = 12
Jika pengujian dilakukan pada = 5%, maka nilai F tabel adalah 3,49.
Dari hasil uji F didapatkan Fhitung = 6,954 sedangkan Ftabel = 3,49. Dari
hasil tersebut menunjukkan jika Fhitung > Ftabel. Jadi, kesimpulan yang didapat
adalah Ha diterima dan H0 ditolak yang artinya produksi beras Indonesia, harga
beras dunia, dan harga beras Indonesia berpengaruh secara signifikan atau nyata
terhadap impor beras. Dengan demikian model tersebut dapat diterima sebagai
penduga yang baik dan layak untuk digunakan untuk analisis.
Pada tabel Coefficients merupakan uji T untuk menguji signifikansi terhadap
variabel. Misalnya pada Hipotesis 1 adalah produksi beras Indonesia, harga beras
dunia, dan harga beras Indonesia berpengaruh positif terhadap impor beras.
Sedangkan pada Hipotesis 2 adalah produksi beras Indonesia, harga beras dunia,
dan harga beras Indonesia berpengaruh terhadap impor beras.
Jumlah observasi yang digunakan untuk membentuk persamaan ini sebanyak 16.
Pengujian hipotesis dengan = 5%. Sedangkan derajat bebas pengujian adalah n
k = 16 4 = 12. Untuk hipotesis pertama, karena uji satu arah, maka lihat pada df
15

satu sisi, sedangkan df nya = 12 maka nilai tabel t = 1,782. Untuk hipotesis kedua,
karena uji dua arah, maka lihat pada df dua sisi diatas, dengan df = 12 maka nilai
tabel t = 2,179.
Dari hasil uji t untuk hipotesis pertama diatas didapatkan thitung pada variabel
produksi beras Indonesia sebesar -2,815, variabel harga beras dunia sebesar 1,128,
dan variabel harga beras Indonesia sebesar -0.189, sedangkan ttabel = 1,782. Dari
hasil tersebut menunjukkan bahwa semua variabel didapatkan nilai thitung < ttabel.
Jadi, kesimpulan yang didapat adalah terima H0, tolak Ha yang artinya secara
parsial variabel produksi beras Indonesia, harga beras dunia dan harga beras
Indonesia tidak berpengaruh positif terhadap produksi beras Indonesia.
Dari hasil uji t untuk hipotesis kedua diatas didapatkan thitung pada variabel
produksi beras Indonesia sebesar -2,815, variabel harga beras dunia sebesar 1,128,
dan variabel harga beras Indonesia sebesar -0.189 sedangkan ttabel = 2,179. Dari
hasil tersebut menunjukkan bahwa semua variabel didapatkan nilai thitung < ttabel.
Jadi, kesimpulan yang didapat adalah terima H0, tolak Ha yang artinya secara
parsial variabel produksi beras Indonesia, harga beras dunia dan harga beras
Indonesia tidak berpengaruh secara signifikan atau tidak nyata terhadap produksi
beras Indonesia.
Pada uji t, juga didapatkan fungsi model sebagai berikut:
Y = + 1X1 + 2X2 + 3X3 + e
Y = 2355376,493 - 1,060PBIt + 459,881HBDt 37,412HBIt + e
Jadi, pada tabel Coefficients didapatkan hasil bahwa variabel produksi beras
Indonesia mempunyai tingkat signifikansi 0,016 > = 0,05, variabel harga beras
dunia mempunyai tingkat signifikansi 0,281 > = 0,05, dan variabel harga beras
Indonesia mempunyai tingkat signifikansi 0,853 > = 0,05 artinya variabel
produksi beras Indonesia, harga beras dunia dan harga beras Indonesia tidak
signifikan dan tidak berpengaruh nyata terhadap permintaan beras Indonesia.

3.3. Menyusun Harapan Tanda Koefisien

Tabel 2. Harapan Tanda Koefisien
Teori

Lapang

Keterangan

Sesuai dengan teori

Karena jika terjadi pertambahan
populasi maka permintaan beras juga

Persamaan 1

Populasi

16

Pendapatan

Harga beras Indonesia

tahun ini

akan bertambah.
Tidak sesuai dengan teori
Karena kebalikan dari teori, jika
pendapatan naik maka akan
menurunkan permintaan beras.
Sesuai dengan teori
Karena jika harga beras Indonesia tahun
ini naik maka permintaan beras akan
berkurang.

Persamaan 2

Harga beras Indonesia

tahun ini

Luas area panen tahun ini +

Produktivitas beras
Indonesia tahun ini

Tidak sesuai dengan teori

Karena kebalikan dari teori, jika harga
beras Indonesia tahun ini naik maka
akan menurunkan produksi beras.
Tidak sesuai dengan teori
Karena kebalikan dari teori, jika luas
area panen tahun ini naik maka akan
menurunkan produksi beras.
Sesuai dengan teori
Karena jika produktivitas beras
Indonesia tahun ini naik maka produksi
beras akan bertambah.

Persamaan 3

Harga beras dunia tahun

ini

Nilai tukar uang tahun ini +

Impor beras Indonesia

tahun ini

Harga beras Indonesia

tahun kemarin

Sesuai dengan teori

Karena jika harga beras dunia tahun ini
tinggi maka harga beras Indonesia juga
akan tinggi.
Sesuai dengan teori
Karena jika nilai tukar uang tahun ini
tinggi maka harga beras Indonesia juga
akan tinggi.
Sesuai dengan teori
Karena jika impor beras Indonesia tahun
ini rendah maka harga beras Indonesia
juga akan rendah.
Sesuai dengan teori
Karena jika harga beras Indonesia tahun
kemarin tinggi maka harga beras
Indonesia juga akan tinggi.

Persamaan 4

Produksi beras Indonesia

tahun ini
Harga beras dunia tahun
ini

Sesuai dengan teori

Karena jika produksi beras Indonesia
tahun ini naik maka impor beras
Indonesia juga akan turun.
Tidak sesuai dengan teori
Karena kebalikan dari teori, jika harga
17

Harga beras Indonesia

tahun ini

beras dunia tahun ini tinggi maka akan

meningkatkan impor beras Indonesia.
Tidak sesuai dengan teori
Karena kebalikan dari teori, jika harga
beras Indonesia tahun ini tinggi maka
akan menurunkan impor beras
Indonesia.

Persamaan 5

Permintaan beras
Indonesia tahun ini

Impor beras Indonesia

tahun ini

Sesuai dengan teori

Karena jika permintaan beras Indonesia
tahun ini tinggi maka akan
meningkatkan penawaran beras
Indonesia.
Tidak sesuai dengan teori
Karena kebalikan dari teori, jika impor
beras Indonesia tahun ini tinggi maka
akan meningkatkan penawaran beras
Indonesia.

3.4. Validasi Model

3.4.1. Cara SPSS
Tabel 3. Validasi Model dengan SPSS
Statistics

DBIt
N

Valid
Missing

Mean

SBIt

PBIt

HBIt

MBIt

Fit for

Fit for

DBIt,

PBIt,

MOD_1

MOD_2

Equation 1 Equation 1

Fit for

Fit for

Fit for HBIt,

MBIt,

SBIt,

MOD_3

MOD_4

MOD_5

Equation 1

Equation 1 Equation 1

16

16

16

16

16

16

16

16

16

16

3.5691E 3.9063E 1.9929E 2.4797E 9.4219E 3.5690959 1.9929076

6

E6

E6

2.4796875E3

9.4218944 3.9063125
E5

Dari hasil perhitungan dengan menggunakan SPSS pada tabel diatas,

diperoleh hasil prediksi permintaan beras Indonesia, produksi beras Indonesia,
harga beras Indonesia, impor beras Indonesia, dan penawaran beras Indonesia yang
dibandingkan dengan data actual tidak begitu jauh berbeda. Hal ini ditunjukan
perbedaan atau selisih antara data actual dan prediksi tidak begitu jauh. Ini
menunjukkan bahwa model dapat dikatakan sesuai atau baik untuk digunakan.

18

E6

3.4.2. Cara Manual dengan Microsoft Excel

Tabel 4. Perhitungan Validasi
aktual

Prediksi

DBIt

PBIt

HBIt

MBIt

SBIt

2769278,0

2119585,0

1041,0

280978,0

2831000,0

Prediksi
1
3337572,5

3392090,0

2252667,0

1125,0

309290,0

2959000,0

3964030,0

2306484,0

1215,0

329730,0

4073471,0

2329811,0

1256,0

226271,0

3489930,0

2453881,0

1260,0

2943923,0

2059576,0

3374606,0

Prediksi 2

Prediksi 3

Prediksi 4

Prediksi 5

2357667,6

888,4

530785,0

3034027,4

3366837,8

2354282,6

1061,7

423845,5

3151388,2

3032000,0

3402170,5

2299665,3

1192,7

403449,9

3252742,7

3089000,0

3445910,7

2199243,1

1289,9

395128,2

3148147,7

118830,0

3165000,0

3540037,4

2294708,8

1325,7

265322,3

2944748,7

1430,0

544023,0

3374000,0

3565126,2

1884777,1

1459,1

752287,4

3361529,1

2094195,0

1461,0

1099306,0

3659000,0

3632153,7

1866394,3

1595,7

727773,1

4061308,7

3977884,0

2191986,0

1525,0

1296984,0

3670000,0

3831501,4

2244857,5

1727,5

650247,4

4371595,0

3328465,0

1488269,0

2572,0

1274365,0

3714000,0

3575600,8

1483817,9

2337,2

1623642,7

4257191,4

4439453,0

1493933,0

2640,0

2153153,0

4547000,0

3720405,2

1637871,0

2522,3

1328130,0

5423031,5

4102519,0

1690004,0

2989,0

1478519,0

4721000,0

3695172,1

1840473,6

3220,2

1431022,9

4598171,7

3368570,0

1725467,0

3745,0

1284470,0

4740000,0

3512832,0

1803452,2

3866,5

1578997,9

4274312,5

3160562,0

1755354,0

3619,0

970562,0

4740000,0

3639566,4

1797962,6

3909,5

1298641,8

3883539,6

3284303,0

1631918,0

4212,0

997200,0

4570000,0

3552761,6

1711211,7

3626,7

1304726,4

3931122,4

3514290,0

2051645,0

4110,0

1119790,0

4670000,0

3868754,3

2122372,5

4384,3

1046266,9

4103952,2

3922160,0

2241747,0

5475,0

1591560,0

5020000,0

3419131,3

1987764,2

5267,5

1314763,7

4704191,2

3569095,9

1992907,6

2479,7

942189,4

3906312,5

3569095,9

1992907,6

2479,7

942189,4

3906312,5

Tabel 5. Validasi Model dengan SPSS

Data aktual
Permintaan beras Indonesia tahun ini
Produksi beras Indonesia tahun ini
Harga beras Indonesia tahun ini
Impor beras Indonesia tahun ini
Penawaran beras Indonesia tahun ini

Data prediksi
3569095,9
1992907,6
2479,7
942189,4
3906312,5

3569095,9
1992907,6
2479,7
942189,4
3906312,5

Dari hasil perhitungan pada tabel diatas perbandingan yang didapatkan

dengan menggunakan Ms. Excel bahwasanya permintaan beras Indonesia, produksi
beras Indonesia, harga beras Indonesia, impor beras Indonesia, dan penawaran
beras Indonesia dibandingkan dengan data actual tidak menunjukan perbedaan
yang berarti / tidak jauh berbeda. Hal ini dapat kita lihat dari nilai perbedaan atau
selisih antara data aktual dan data prediksi yang tidak begitu jauh. Ini menunjukkan
bahwa model dapat dikatakan sesuai atau baik untuk digunakan.

19

IV.

KESIMPULAN

Berikut adalah nilai dari Estimasi parameter dari empat persamaan yang
menjelaskan model Perberasan Indonesia adalah sebagai berikut dibawah ini:
1. DBIt = -1,755E6 + 34,138Popt - 2,069Incomet - 357,142HBIt + e
Variabel populasi, pendapatan, dan harga beras Indonesia tidak signifikan dan tidak
berpengaruh nyata terhadap permintaan beras Indonesia.
2. PBIt = 129212,279 - 57,026HBIt - 0,012LAPt + 395749,379YBIt + e
Variabel yang signifikan dan paling berpengaruh terhadap produksi beras Indonesia
adalah variabel produktivitas beras Indonesia yang artinya setiap kenaikan produktivitas
beras Indonesia sebesar 1 unit maka akan meningkatkan rata-rata produksi beras
Indonesia sebesar 395749,379 unit.
3.

HBIt = -595,597 + 0,813HBDt + 0,028ERt - 1,354E5MBIt + 0,697HBIt-1 + e

Variabel yang signifikan dan paling berpengaruh terhadap harga beras Indonesia tahun
ini adalah variabel harga beras dunia dan harga beras Indonesia tahun kemarin yang
artinya setiap kenaikan harga beras dunia sebesar 1 dollar maka akan meningkatkan ratarata harga beras Indonesia tahun ini sebesar 0,813 dollar. Sedangkan, setiap kenaikan
harga beras Indonesia tahun kemarin sebesar 1 dollar maka akan meningkatkan rata-rata
harga beras Indonesia tahun ini sebesar 0,697 dollar.

4. MBIt = 2355376,493 - 1,060PBIt + 459,881HBDt 37,412HBIt + e

Variabel produksi beras Indonesia, harga beras dunia dan harga beras Indonesia tidak
signifikan dan tidak berpengaruh nyata terhadap permintaan beras Indonesia.
Serta pada hasil analisis pada pembahasan diatas, dapat kita tarik kesimpulan bahwa setiap
variabel independen yang terdapat dalam persamaan di atas memiliki pengaruh yang berbeda
pada variabel dependent.

20

DAFTAR PUSTAKA

Djalal, Nachrowi dkk. 2002. Penggunaan Teknik Ekonometri Pendekatan Populer dan
Praktis Dilengkapi Teknik Analisis dan Pengolahan data dengan Menggunakan Paket
Program SPSS. Jakarta : PT. RajaGrafindo Persada.
Fuad, Ainun. 2011. Pengertian Data Time Series. http://ririez.blog.uns.ac.id/2010/10/26/timeseries-dan-komponen-komponennya/. Diakses pada tanggal 3 Mei 2014.
Gujarati, N damodar. 2006. Dasar dasar ekonometrika. United states military academy.
West point
Koutsoyiannis, A. 1978. Theory of Econometrics. Second edition. The Macmillan Press Ltd.
U.S.A.
Lains, Alfian. 2002. Ekonometrika Teori dan Aplikasi Jilid I. Jakarat : Pustaka LP3ES
Indonesia.
Pradhanaarya,

Romy.2010.

Teori

Persamaan

Simultan.

http://romypradhanaarya.wordpress.com/2010/05/10/ekonometri-persamaansimultan/. Diakses pada tanggal 3 Mei 2014.

21

LAMPIRAN
Persamaan 1 Model 1: DBlt = Popt+ Incomet + HBIt + e
Your trial period for SPSS for Windows will expire in 14 days.
* 2-Stage Least Squares.
TSET MXNEWVAR=1.
2SLS DBlt WITH Incomet Popt HBlt
/INSTRUMENTS HBlt_1 Incomet Popt Ert SBlt PBlt YBlt LAPt MBlt HBDt HBlt
/CONSTANT
/SAVE PRED.

Two-stage Least Squares Analysis

[DataSet0]

Model Description
Type of Variable
Equation 1

DBlt

dependent

Incomet

predictor & instrumental

Popt

predictor & instrumental

HBlt

predictor & instrumental

HBlt_1

instrumental

Ert

instrumental

SBlt

instrumental

PBlt

instrumental

YBlt

instrumental

LAPt

instrumental

MBlt

instrumental

HBDt

instrumental

MOD_1

Model Summary
Equation 1

Multiple R

.285

R Square

.081

Adjusted R Square

-.149

Std. Error of the Estimate

494977.968

22

ANOVA
Sum of Squares
Equation 1 Regression

df

Mean Square

2.593E11

8.642E10

Residual

2.940E12

12

2.450E11

Total

3.199E12

15

Sig.
.353

.788

Coefficients
Unstandardized Coefficients
B
Equation 1

(Constant)

Std. Error

Beta

-796348.806

5093426.675

Incomet

-1.590

4.508

Popt

27.592

HBlt

-276.023

Sig.
-.156

.878

-.130

-.353

.730

28.942

.898

.953

.359

335.934

-.836

-.822

.427

Coefficient Correlations
Incomet
Equation 1

Correlations

Popt

HBlt

Incomet

1.000

-.241

.440

Popt

-.241

1.000

-.937

HBlt

.440

-.937

1.000

Model 2 : PBIt = HBIt + LAPt + Yt + e

* 2-Stage Least Squares.
TSET MXNEWVAR=1.
2SLS PBlt WITH HBlt LAPt YBlt
/INSTRUMENTS HBlt_1 Incomet Popt Ert DBlt SBlt YBlt LAPt MBlt HBDt HBlt
/CONSTANT
/SAVE PRED.

Two-stage Least Squares Analysis

[DataSet0]

23

Model Description
Type of Variable
Equation 1

PBlt

dependent

HBlt

predictor & instrumental

LAPt

predictor & instrumental

YBlt

predictor & instrumental

HBlt_1

instrumental

Incomet

instrumental

Popt

instrumental

Ert

instrumental

DBlt

instrumental

SBlt

instrumental

MBlt

instrumental

HBDt

instrumental

MOD_2

Model Summary
Equation 1

Multiple R

.885

R Square

.783

Adjusted R Square

.729

Std. Error of the Estimate

163627.600

ANOVA
Sum of Squares
Equation 1 Regression

df

Mean Square

1.160E12

3.866E11

Residual

3.213E11

12

2.677E10

Total

1.481E12

15

24

Sig.
14.441

.000

Coefficients
Unstandardized Coefficients
B
Equation 1

(Constant)

Std. Error

Beta

105564.530

413852.259

HBlt

-23.949

250.198

LAPt

-.024
397250.891

YBlt

Sig.
.255

.803

-.107

-.096

.925

.095

-.286

-.257

.802

70308.055

.771

5.650

.000

Coefficient Correlations
HBlt
Equation 1

Correlations

LAPt

YBlt

HBlt

1.000

-.993

.162

LAPt

-.993

1.000

-.154

YBlt

.162

-.154

1.000

Model 3 : HBIt = HBDt + Ert + MBIt + HBIt-1 + e

* 2-Stage Least Squares.
TSET MXNEWVAR=1.
2SLS HBlt WITH HBDt Ert MBlt HBlt_1
/INSTRUMENTS HBlt_1 Incomet Popt Ert DBlt SBlt PBlt YBlt LAPt MBlt HBDt
/CONSTANT
/SAVE PRED.

Two-stage Least Squares Analysis

[DataSet0]

Model Description
Type of Variable
Equation 1

HBlt

dependent

HBDt

predictor & instrumental

Ert

predictor & instrumental

MBlt

predictor & instrumental

HBlt_1

predictor & instrumental

25

Incomet

instrumental

Popt

instrumental

DBlt

instrumental

SBlt

instrumental

PBlt

instrumental

YBlt

instrumental

LAPt

instrumental

MOD_3

Model Summary
Equation 1

Multiple R

.987

R Square

.974

Adjusted R Square

.964

Std. Error of the Estimate

265.546

ANOVA
Sum of Squares
Equation 1 Regression
Residual
Total

df

Mean Square

28588207.678

7147051.919

775663.760

11

70514.887

29363871.437

15

Sig.

101.355

.000

Coefficients
Unstandardized Coefficients
B
Equation 1

(Constant)

Std. Error

-596.724

226.958

HBDt

.814

.219

Ert

.027

MBlt
HBlt_1

Beta

Sig.
-2.629

.023

.373

3.719

.003

.057

.067

.471

.647

-1.031E-5

.000

-.004

-.058

.955

.698

.122

.600

5.738

.000

26

Coefficient Correlations
HBDt
Equation 1

Correlations

Ert

MBlt

HBlt_1

HBDt

1.000

-.503

.060

-.197

Ert

-.503

1.000

-.530

-.585

.060

-.530

1.000

.169

-.197

-.585

.169

1.000

MBlt
HBlt_1

Model 4 : MBIt = PBIt + HBDt + HBIt + e

* 2-Stage Least Squares.
TSET MXNEWVAR=1.
2SLS MBlt WITH PBlt HBDt HBlt
/INSTRUMENTS HBlt_1 Incomet Popt Ert DBlt SBlt PBlt YBlt LAPt HBDt HBlt
/CONSTANT
/SAVE PRED.

Two-stage Least Squares Analysis

[DataSet0]

Model Description
Type of Variable
Equation 1

MBlt

dependent

PBlt

predictor & instrumental

HBDt

predictor & instrumental

HBlt

predictor & instrumental

HBlt_1

instrumental

Incomet

instrumental

Popt

instrumental

Ert

instrumental

DBlt

instrumental

SBlt

instrumental

YBlt

instrumental

LAPt

instrumental

MOD_4

27

Model Summary
Equation 1

Multiple R

.794

R Square

.630

Adjusted R Square

.538

Std. Error of the Estimate

398465.697

ANOVA
Sum of Squares
Equation 1 Regression

df

Mean Square

3.246E12

1.082E12

Residual

1.905E12

12

1.588E11

Total

5.151E12

15

Sig.
6.814

.006

Coefficients
Unstandardized Coefficients
B
Equation 1

(Constant)

Std. Error

Beta

2289869.339

851187.893

-1.027

.375

HBDt

448.367

HBlt

-29.021

PBlt

Sig.
2.690

.020

-.551

-2.742

.018

403.006

.490

1.113

.288

194.783

-.069

-.149

.884

Coefficient Correlations
PBlt
Equation 1

Correlations

HBDt

HBlt

PBlt

1.000

-.216

.380

HBDt

-.216

1.000

-.907

HBlt

.380

-.907

1.000

Validasi
FREQUENCIES VARIABLES=FIT_1 FIT_2 FIT_3 FIT_4
/STATISTICS=MEAN
/ORDER=ANALYSIS.

28

Frequencies
[DataSet0]

Statistics
Fit for DBlt,

Fit for PBlt,

Fit for HBlt,

Fit for MBlt,

MOD_1 Equation 1 MOD_2 Equation 1 MOD_3 Equation 1 MOD_4 Equation 1

N

Valid
Missing

Mean

16

16

16

16

3.5690959E6

1.9929076E6

2.4796875E3

9.4218944E5

Frequency Table
Fit for DBlt, MOD_1 Equation 1
Cumulative
Frequency
Valid

Percent

Valid Percent

Percent

3362391.90586545

6.2

6.2

6.2

3388943.03043378

6.2

6.2

12.5

3420097.52848555

6.2

6.2

18.8

3457743.41953907

6.2

6.2

25.0

3485800.58678754

6.2

6.2

31.2

3534124.94995997

6.2

6.2

37.5

3536604.79153205

6.2

6.2

43.8

3557150.99668346

6.2

6.2

50.0

3574061.835776

6.2

6.2

56.2

3575200.36841984

6.2

6.2

62.5

3612580.31552106

6.2

6.2

68.8

3637961.71807396

6.2

6.2

75.0

3674117.51216297

6.2

6.2

81.2

3690229.89853461

6.2

6.2

87.5

3769606.79246875

6.2

6.2

93.8

3828918.34975593

6.2

6.2

100.0

16

100.0

100.0

Total

29

Fit for PBlt, MOD_2 Equation 1

Cumulative
Frequency
Valid

Percent

Valid Percent

Percent

1486516.99024614

6.2

6.2

6.2

1634801.38955798

6.2

6.2

12.5

1716232.60622276

6.2

6.2

18.8

1793349.44217431

6.2

6.2

25.0

1812123.25476764

6.2

6.2

31.2

1838362.96066124

6.2

6.2

37.5

1860981.94438377

6.2

6.2

43.8

1883335.6305913

6.2

6.2

50.0

1995047.53283056

6.2

6.2

56.2

2110837.80689665

6.2

6.2

62.5

2201244.00392974

6.2

6.2

68.8

2237060.09457543

6.2

6.2

75.0

2293831.17337858

6.2

6.2

81.2

2303911.45672774

6.2

6.2

87.5

2357814.79255437

6.2

6.2

93.8

2361070.9205018

6.2

6.2

100.0

16

100.0

100.0

Total

Fit for HBlt, MOD_3 Equation 1

Cumulative
Frequency
Valid

Percent

Valid Percent

Percent

887.74539911816

6.2

6.2

6.2

1061.14850221246

6.2

6.2

12.5

1192.20518513122

6.2

6.2

18.8

1289.08276187603

6.2

6.2

25.0

1324.47804868756

6.2

6.2

31.2

1459.21596507144

6.2

6.2

37.5

1597.70424712607

6.2

6.2

43.8

30

1728.9380411718

6.2

6.2

50.0

2336.78313940043

6.2

6.2

56.2

2525.53707906362

6.2

6.2

62.5

3220.01403828123

6.2

6.2

68.8

3625.94440758805

6.2

6.2

75.0

3865.51089166692

6.2

6.2

81.2

3908.49550458201

6.2

6.2

87.5

4383.75493929005

6.2

6.2

93.8

5268.44184973295

6.2

6.2

100.0

16

100.0

100.0

Total

Fit for MBlt, MOD_4 Equation 1

Cumulative
Frequency
Valid

Percent

Valid Percent

Percent

275867.508085915

6.2

6.2

6.2

401669.126853205

6.2

6.2

12.5

409340.60461774

6.2

6.2

18.8

428240.236575884

6.2

6.2

25.0

531098.867863336

6.2

6.2

31.2

651601.56204904

6.2

6.2

37.5

726138.081297164

6.2

6.2

43.8

749605.286450259

6.2

6.2

50.0

1056158.97992021

6.2

6.2

56.2

1296824.25328834

6.2

6.2

62.5

1306456.85835197

6.2

6.2

68.8

1316748.55819247

6.2

6.2

75.0

1329220.27274159

6.2

6.2

81.2

1420812.31985884

6.2

6.2

87.5

1570925.98963006

6.2

6.2

93.8

1604322.49422397

6.2

6.2

100.0

16

100.0

100.0

Total

31

32