Anda di halaman 1dari 53

PENERAPAN METODE 2SLS ((TWO STAGE LEAST SQUARE) PADA

MODEL PERSAMAAN SIMULTAN UNTUK PERSAMAAN


AN
PENDAPATAN NASIONAL DAN PEREDARAN UANG

Oleh
SEPTI WULANDARI
M0106016

SKRIPSI
ditulis dan diajukan
iajukan untuk memenuhi sebagian persyaratan
memperoleh gelar Sarjana Sains Matematika

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM


UNIVERSITAS SEBELAS MARET SURAKARTA
2010

SKRIPSI
PENERAPAN METODE 2SLS (TWO STAGE LEAST SQUARE) PADA
MODEL PERSAMAAN SIMULTAN UNTUK PERSAMAAN
PENDAPATAN NASIONAL DAN PEREDARAN UANG
yang disiapkan dan disusun oleh
SEPTI WULANDARI
M0106016
dibimbing oleh
Pembimbing I,

Pembimbing II,

Dra. Sri Sulistijowati H, M.Si


Drs. Pangadi, M.Si
NIP. 19690116 199402 2 001
NIP. 19571012 199103 1 001
telah dipertahankan di depan Dewan Penguji
pada hari Selasa, tanggal 28 Juli 2010
dan dinyatakan telah memenuhi syarat.
Anggota Tim Penguji

Tanda Tangan

1. Irwan Susanto, DEA

1. .

NIP.19710511 199512 1 001


2. Dra. Yuliana Susanti, M.Si

2. .

NIP.19611219 198703 2 001


3. Drs. Muslich, M.Si

3. .

NIP.19521118 197903 1 001


Surakarta, Agustus 2010
Disahkan oleh
Fakultas Matematika dan Ilmu Pengetahuan Alam
Dekan,

Ketua Jurusan Matematika,

Prof. Drs. Sutarno, M.Sc, Ph.D


NIP. 19600809 198612 1 001

Drs. Sutrima, M.Si


NIP. 19661007 199302 1 001

ii

ABSTRAK
Septi Wulandari. 2010. PENERAPAN METODE 2SLS (TWO STAGE LEAST
SQUARE) PADA MODEL PERSAMAAN SIMULTAN UNTUK
PERSAMAAN PENDAPATAN NASIONAL DAN PEREDARAN UANG.
Fakultas Matematika dan Ilmu Pengetahuan Alam. Universitas Sebelas Maret.
Model persamaan simultan adalah model yang menyatakan terjadinya
hubungan dua arah antara variabel independen dan dependen. Terdapat dua
pendekatan untuk mengestimasi parameter pada sistem persamaan simultan yaitu
metode persamaan tunggal dan metode sistem. Dalam penelitian ini, diambil studi
kasus mengenai pemodelan pada persamaan pendapatan nasional dan peredaran
uang, karena terdapat hubungan timbal balik antara tingkat pendapatan nasional
dan jumlah uang beredar. Dalam mengestimasi parameternya digunakan metode
Two Stage Least Square (2SLS).
Tujuan dari penelitian ini adalah menentukan variabel-variabel yang
berpengaruh terhadap persamaan pendapatan nasional, peredaran uang dan
penentukan model persamaan simultan untuk persamaan pendapatan nasional dan
peredaran uang. Data yang digunakan adalah data tahunan dari tahun 1981-2008.
Hasil dari penelitian ini diperoleh bahwa variabel-variabel yang
berpengaruh terhadap persamaan pendapatan nasional adalah uang beredar,
pengeluaran konsumsi pemerintah saat ini dan pengeluaran konsumsi pemerintah
sebelumnya. Sedangkan pada persamaan peredaran uang, variabel-variabel yang
berpengaruh adalah Gross National Product (GNP) dan investasi domestik.
Model persamaan simultan untuk persamaan pendapatan nasional menghasilkan
koefisien determinasi sebesar 99% dan persamaan peredaran uang sebesar 99%.
Kata kunci: model persamaan simultan, Two Stage Least Square, GNP, uang
beredar.

iii

ABSTRACT
Septi Wulandari. 2010. THE APPLICATION OF 2SLS (TWO STAGE LEAST
SQUARE) METHOD IN SIMULTANEOUS EQUATIONS MODEL FOR
THE EQUATION OF NATIONAL INCOME AND MONEY SUPPLY.
Faculty of Mathematics and Natural Sciences. Sebelas Maret University.
Simultaneous equation model is a model that expresses two-way relation
between independent and dependent variable. It can be approximated with two
methods, single equation and system method. This research takes case study a
model of the national income and money supply equations, due to the reciprocal
relation between the level of national income and money supply. Two Stage Least
Square method (2SLS) is used to estimate.
This research aims to determine the variables that influence the equation of
national income, money supply and determine the simultaneous equations model
for the equation of national income and money supply. Data uses an annual data
from 1981-2008.
The results of this research are three variables that influence the national
income equation. They are money supply, the amount of governmental
consumption at this time and the amount of previous governmental consumption.
While the money supply equation is influenced by the Gross National Product
(GNP) and domestic investment. Simultaneous equations model for national
income equation produces the coefficients determination is 99% and money
supply equation is 99%.
Keywords: simultaneous equations model, Two Stage Least Square, GNP, money
supply.

iv

MOTO

Our greatest glory is not in never falling but in rising every


time we fall.
(Confucius)

Tuhan pasti kan menunjukkan kebesaran dan kuasaNya bagi


hambaNya yang sabar dan tak kenal putus asa
( d masiv )

PERSEMBAHAN

Karya ini kupersembahkan kepada:


v Ibu dan Bapak tercinta. Terima kasih atas kasih sayang,
doa, dan pengorbanan untukku.
v Nenekku dan keluarga besarku di Wonogiri. Terima kasih
atas doa dan dukungannya.
v Masku Ferry. Terima kasih atas dukungannya.
v Teman-teman yang telah mendukungku.

vi

KATA PENGANTAR

Puji syukur penulis panjatkan kepada Allah SWT yang telah melimpahkan
rahmat dan hidayahNya sehingga penulis berhasil menyelesaikan skripsi ini.
Keberhasilan dalam penyusunan skripsi ini tidak terlepas dari bantuan
banyak pihak. Penulis menyampaikan terima kasih kepada semua pihak yang telah
memberikan dukungan, bimbingan, petunjuk dan juga saran selama penyusunan
skripsi ini, antara lain kepada
1. Ibu Dra. Sri Sulistijowati, M.Si dan Bapak Drs. Pangadi, M.Si sebagai
Pembimbing I dan Pembimbing II yang telah dengan sabar dan teliti
memberikan saran, arahan, dan bimbingan dalam penulisan skripsi ini.
2. Ibu, Bapak, Nenekku, Masku Ferry, dan keluarga besarku di Wonogiri atas
doa, dukungan, kasih sayang, perhatian dan pengorbanan yang diberikan
selama ini.
3. Sahabat-sahabatku Retno Hesti, Ernita, Dewi, Silvi, Nurmalitasari,
Hendry, Lia, dan Iin atas semangat dan dorongannya selalu.
4. Temanku Drajad dan rekan-rekan angkatan 2006 atas bantuan, kerja sama,
dukungan, dan pengorbanan yang telah diberikan.
5. Semua pihak yang telah membantu kelancaran penulisan skripsi ini.
Semoga penulisan skripsi ini dapat bermanfaat bagi pembaca.

Surakarta, Juli 2010


Penulis

vii

DAFTAR ISI
JUDUL ........................................................................................................... i
PENGESAHAN ............................................................................................. ii
MOTO ............................................................................................................ iii
PERSEMBAHAN .......................................................................................... iv
ABSTRAK ..................................................................................................... v
ABSTRACT ..................................................................................................... vi
KATA PENGANTAR ................................................................................... vii
DAFTAR ISI .................................................................................................. viii
DAFTAR TABEL ......................................................................................... x

BAB I

PENDAHULUAN
1.1

Latar Belakang Masalah............................................................ 1

1.2

Perumusan Masalah .................................................................. 3

1.3

Batasan Masalah ....................................................................... 3

1.4

Tujuan Penulisan ....................................................................... 4

1.5

Manfaat Penelitian .................................................................... 4

BAB II LANDASAN TEORI


2.1

Tinjauan Pustaka ....................................................................... 5

2.1.1

Korelasi ............................................................................... 5

2.1.2

Model Regresi ..................................................................... 6

2.1.3

Koefisien Determinasi......................................................... 10

2.1.4

Uji Parsial Parameter Regresi ............................................. 11

2.1.5

Uji Keseluruhan Parameter Regresi .................................... 11

2.1.6

Metode Regresi Bertahap .................................................... 12

2.1.7

Model Persamaan Simultan ................................................ 12

2.1.8

Model Struktural ................................................................. 13

2.1.9

Persamaan Direduksi (reduced-form) ................................. 14

2.1.10 Uji Simultan (Hausman test)............................................... 15


2.1.11 Identifikasi Model ............................................................... 16
viii

2.1.12 Estimasi Persamaan Simultan ............................................. 20


2.1

Kerangka Pemikiran .................................................................. 21

BAB III METODOLOGI .............................................................................. 22


BAB IV HASIL DAN PEMBAHASAN
4.2

Persamaan Pendapatan Nasional dan Peredaran Uang ............. 26

4.3

Model Persamaan Simultan ...................................................... 27

BAB V PENUTUP
5.1

Kesimpulan ............................................................................... 41

5.2

Saran.......................................................................................... 41

DAFTAR PUSTAKA .................................................................................... 42


LAMPIRAN ................................................................................................... 44

ix

DAFTAR TABEL

Tabel 2.1

Koefisien-koefisien struktural .................................................... 19

Tabel 4.1

Model Persamaan Pendapatan ................................................... 27

Tabel 4.2 Model Persamaan Peredaran Uang ............................................ 27


Tabel 4.3 Koefisien-koefisien struktural .................................................... 30
Tabel 4.4 Estimasi Parameter Persamaan (4.3).......................................... 31
Tabel 4.5 Estimasi Parameter Persamaan (4.4).......................................... 31
Tabel 4.6 Hasil Uji Multikolinearitas pada Persamaan (4.5) ..................... 32
Tabel 4.7 Hasil Uji Multikolinearitas pada Persamaan (4.6) ..................... 33
Tabel 4.8 Estimasi Parameter Persamaan (4.7).......................................... 34
Tabel 4.9 Estimasi Parameter Persamaan (4.8).......................................... 35
Tabel 4.10 Hasil Uji Multikolinearitas pada Persamaan (4.9) ..................... 36
Tabel 4.11 Hasil Uji Multikolinearitas pada Persamaan (4.10) ................... 36
Tabel 4.12 Estimasi Parameter Persamaan (4.11)........................................ 37
Tabel 4.13 Estimasi Parameter Persamaan (4.12)........................................ 37
Tabel 4.14 Hasil Uji Multikolinearitas pada Persamaan (4.13) ................... 38
Tabel 4.15 Hasil Uji Multikolinearitas pada Persamaan (4.14) ................... 38

BAB I
PENDAHULUAN

1.1

Latar Belakang Masalah

Model regresi yang sering ditemui dalam statistika biasanya berupa model
persamaan tunggal (single equation model). Menurut Sumodiningrat (2002),
dalam model-model seperti itu, variabel dependen dinyatakan sebagai sebuah

persamaan linier dari satu atau lebih variabel independen . Hubungan sebab
akibat yang terjadi dalam model tersebut berlangsung satu arah, yaitu ke .

Namun, terkadang dalam beberapa model terdapat interpendensi atau saling


ketergantungan antar variabel, dimana bukan hanya variabel yang bisa
mempengaruhi variabel , tetapi juga variabel bisa mempengaruhi variabel

sehingga dalam model tersebut terjadi hubungan dua arah. Model yang seperti itu
disebut dengan model persamaan simultan (Gujarati, 1978).
Dalam model persamaan simultan terdapat lebih dari satu persamaan yang
akan membentuk suatu sistem persamaan. Ciri unik dari model persamaan
simultan adalah bahwa variabel dependen dalam satu persamaan bisa muncul lagi
sebagai variabel independen dalam persamaan lain dari sistem. Oleh karena itu,
pemberian nama variabel independen dan variabel dependen di dalam sistem
persamaan simultan kurang tepat lagi. Untuk selanjutnya dalam persamaan
simultan, terdapat variabel yang disebut variabel endogen dan variabel yang
ditetapkan lebih dulu (predetermined variable). Variabel yang ditetapkan lebih
dulu bisa berupa variabel eksogen sekarang, eksogen waktu lampau dan endogen
waktu lampau.
Salah satu metode yang dapat digunakan untuk memperoleh nilai estimasi
parameter dari model persamaan tunggal adalah Metode Kuadrat Terkecil (MKT).
Namun, karena pada model persamaan simultan terjadi hubungan dua arah yang
mengakibatkan adanya korelasi antara variabel independen yang nantinya akan
menjadi variabel endogen dengan galat, maka MKT ini tidak dapat digunakan
pada sistem persamaan simultan. Hal ini dikarenakan metode MKT tidak mampu
memberikan penaksir yang bersifat tak bias serta konsisten (Pindyck, 1998). Oleh
1

karena itu, pada persamaan simultan perlu metode khusus untuk memperoleh
penaksir parameter yang bersifat tak bias dan juga konsisten.
Menurut Sumodiningrat (2002), ada dua pendekatan untuk mengestimasi
parameter pada sistem persamaan simultan. Pertama, metode persamaan tunggal
contohnya Indirect Least Squares (ILS), The Method of Instrumental Variables
(IV) dan Two-stage Least Squares (2SLS). Kedua, metode sistem (System
Methods) contohnya Limited Information Maximum Likelihood (LIML), Three
Stage Least Squares (3SLS) dan Full Information Maximum Likelihood (FIML).
Penelitian tentang penerapan model persamaan simultan telah banyak
diterapkan di berbagai bidang ilmu. Dalam bidang ekonomi antara lain oleh
Sholikhat (2008) yang melakukan penelitian terhadap besarnya jumlah
pembiayaan pada Bank Syariah. Selain itu terdapat penelitian yang dilakukan oleh
Rao dan Tamazian (2008) mengenai model pertumbuhan dan keuangan di India.
Berdasarkan penelitian-penelitian sebelumnya, maka model persamaan simultan
cocok digunakan dalam bidang ekonomi karena variabel-variabelnya cenderung
memiliki hubungan yang simultan.
Dalam penelitian ini dilakukan pemodelan pada persamaan pendapatan
nasional dan peredaran uang yang merupakan salah satu contoh kasus yang
mengindikasikan adanya hubungan simultan. Menurut Aliman (1998), terdapat
hubungan timbal balik antara tingkat pendapatan nasional dan jumlah uang
beredar. Karena jika ada penambahan jumlah uang beredar, maka akan menaikkan
tingkat pendapatan nasional walaupun dalam jangka waktu yang relatif lama.
Lebih lanjut Aliman (1998) mengatakan adanya kenaikan tingkat pendapatan
nasional dalam waktu yang relatif lama akan menuntut penambahan jumlah uang
beredar lebih segera, karena tingkat pendapatan nasional yang tidak lain output
nasional, jika mengalami kenaikan dengan tanpa diimbangi dengan penambahan
jumlah uang beredar, harga-harga akan turun, dan hal ini akan menyebabkan
pelaku ekonomi menjadi kurang bergairah karena pendapatannya berkurang,
akibatnya perekonomian nasional bisa terganggu. Selain jumlah uang beredar,
salah satu variabel yang cukup berpengaruh terhadap pendapatan yaitu variabel
konsumsi. Menurut teori Keynes dalam buku yang ditulis oleh Feriyanto (1989)

berpendapat bahwa semakin tinggi tingkat pendapatan maka konsumsi juga akan
bertambah tinggi. Sedangkan pada persamaan peredaran uang, selain tingkat
pendapatan terdapat juga variabel lain yang diindikasikan memiliki pengaruh
terhadap jumlah uang beredar yaitu variabel investasi. Besarnya investasi yang
ada di dalam negeri diindikasikan juga ikut mempengaruhi jumlah uang beredar,
karena menurut teori Keynes dalam buku yang ditulis Tohir (1975) mengatakan
bahwa investasi mempengaruhi pendapatan, sehingga ada kemungkinan
pendapatan dan besarnya investasi berpengaruh secara bersama-sama terhadap
uang beredar. Pada model persamaan simultan untuk persamaan pendapatan
nasional dan peredaran uang dalam penelitian ini, akan menggunakan metode
2SLS dalam mengestimasi parameternya, karena metode tersebut dapat digunakan
untuk mengestimasi model yang berada dalam kondisi tepat teidentifikasi (just
identified) dan terlalu teridentifikasi (over identified).
1.2

Perumusan Masalah

Berdasarkan latar belakang masalah, disusun perumusan masalah sebagai


berikut
1. variabel-variabel apa saja yang berpengaruh terhadap persamaan
pendapatan nasional dan peredaran uang?
2. bagaimana model persamaan simultan untuk persamaan pendapatan
nasional dan peredaran uang?

1.3

Batasan Masalah

Permasalahan dalam penulisan tugas akhir ini dibatasi oleh data yang
digunakan, yaitu data keuangan dan perbankan yang terdapat pada Statistika
Indonesia tahun 1982-2009 yang diperoleh dari Badan Pusat Statistik (BPS) Kota
Surakarta.

1.4

Tujuan Penelitian

Penelitian ini disusun dengan tujuan sebagai berikut


1. menentukan variabel-variabel yang berpengaruh terhadap persamaan
pendapatan nasional dan peredaran uang.
2. memodelkan persamaan pendapatan nasional dan peredaran uang.

1.5

Manfaat Penelitian

Manfaat penelitian ini adalah sebagai berikut


1. untuk memberikan pemahaman terutama bagi penulis mengenai penerapan
metode 2SLS pada model persamaan simultan.
2. untuk menambah wawasan statistik dalam bidang keuangan dan perbankan
dan sebagai kontribusi khususnya untuk pihak-pihak yang terkait dalam
mengetahui Gross National Product (GNP) dan implementasi kebijakan
moneter yang harus ditempuh.

BAB II
LANDASAN TEORI

Terdapat dua sub bab yang akan dibahas pada landasan teori ini, yaitu
tinjauan pustaka dan kerangka pemikiran. Tinjauan pustaka berupa konsep dan
definisi-definisi yang berhubungan dengan pembahasan model persamaan
simultan. Melalui kerangka pemikiran akan digambarkan langkah dan arah
penulisan untuk mencapai tujuan penelitian.

2.1

Tinjauan Pustaka
2.1.1

Menurut
,

Sembiring
,,

Korelasi

(1995),

jika

diberikan

pasangan

data

maka untuk mengetahui keeratan hubungan antara x

dan y perlu dicari besarnya korelasi antara x dan y. Misal

dan

merupakan

simpangan baku dari x dan y maka koefisien korelasi antara x dan y (dinotasikan
) adalah

dengan 1 1. Bila hubungan linier antara x dan y sempurna maka


= 1 . Bila = + 1 maka hubungan tersebut searah dan bila = 1
hubungan tersebut berlawanan arah.

Menurut Sembiring (1995), korelasi sederhana

hanya didefinisikan

untuk dua peubah, maka apabila terdapat lebih dari dua peubah maka perlu
dilakukan korelasi parsial dengan menggunakan variabel lain sebagai kontrol.
Misalkan x, y dan z merupakan variabel. Korelasi parsial antara x dan y,
bila z dikontrol didefinisikan sebagai

2.1.2

Model Regresi

Menurut Sembiring (1995), pada model regresi terdapat variabel dimana

variabel ini bergantung dengan variabel yang lain disebut sebagai variabel

dependen dan disebut sebagai variabel independen. Jika dimiliki data yang
pengamatan dari variabel dan

terdiri dari

variabel , maka model

regresinya yaitu,

= u + + + + +

untuk data sampel, persamaan yang diperoleh,


=

dengan

+ +

merupakan galat yang berdistribusi normal dan

u,

, ...,

merupakan koefisien regresi dari parameter u, , , ..., yang tidak diketahui


sehingga perlu diestimasi.

Menurut Sembiring (1995), model regresi juga dapat dinyatakan dengan


matriks yaitu,
= +

dengan , , merupakan vektor dan adalah matriks dengan,


=

, =
.

Koefisien regresi

, =

u,

1
1.

, =
.

, ...,

. .
.. ..

. .

diperoleh dengan metode kuadrat

terkecil dengan meminimumkan jumlah kuadrat galat,


=

= 1, , .

Kuadrat galat di atas diminimumkan dengan mencari turunan

parsial terhadap , = 0, 1, 2, ,

dan menyamakannya dengan nol sehingga

diperoleh,

= 2

secara

= 0

= 2
= 2

= 2

= 0

= 0.

= 0

Setelah disusun kembali dan mengganti parameter u , , , dengan


u, , ,

estimatornya yaitu
u
u

sehingga diperoleh,

, maka sistem persamaan menjadi,

+ +

+ +

dengan,

+ +

. .
.. ..

. .
7

.
.

.
.

.
.

.
.

.
.

.
.

jika tidak singular maka diperoleh,


=

Menurut Gujarati (1978), model regresi memiliki asumsi sebagai berikut.


| = 0 dan R

1. Galat berdistribusi normal dengan


= 1,2,3, , .

2. Variansi

, untuk

konstan atau homoskedastik.

3. Tidak ada multikolinearitas diantara variabel independen .

Pada model regresi, perlu dilakukan uji untuk mengetahui apakah model

regresi memenuhi asumsi regresi atau tidak. Uji asumsi yang dilakukan pada
model regresi adalah
1. Uji heterokesdastisitas
Uji heterokesdastisitas bertujuan untuk mengetahui apakah variansi
konstan. Uji heterokesdastisitas dapat dilakukan dengan white-test, yaitu
dengan meregresikan galat yang dikuadratkan dengan variabel independen
pada model. Menurut Winarno (2007), white-test menggunakan galat
kuadrat sebagai variabel dependen, dan variabel independennya terdiri atas
variabel independen yang sudah ada, ditambah dengan kuadrat variabel
independen dan perkalian dua variabel independen.
Misal dipunyai model,
2

= +

+ n

dari model tersebut diestimasi koefisien model dan galatnya. Kemudian


dimodelkan kembali
=

n 2

7 2 2

+ R2 .

Dari model di atas dapat dilakukan white-test dengan menggunakan


statistik uji
dengan
5

5 ~

: koefisien determinasi model regresi


: jumlah data

JKR : jumlah kuadrat regresi pada model regresi


JKS : jumlah kuadrat galat pada model.
8

Jika

5 >

atau p-value < a dengan signifikansi

dan derajat

bebas sama dengan jumlah variabel independen pada model white-test


maka terdapat heterokedastisitas.
2. Uji multikolinearitas
Multikolinearitas artinya terdapat korelasi yang signifikan di antara dua
atau lebih variabel independen dalam model regresi. Salah satu cara
mendeteksi adanya multikolinearitas dalam model adalah dengan VIF
(Variance Inflation Factors). Variansi koefisien regresi dapat dinyatakan
dengan f =

, dimana

dan 5 adalah

nilai 5 dari yang diregresikan dengan variabel independen yang


lain. Jika tidak terdapat hubungan antara dan variabel independen yang
lain dalam model, maka 5

akan mendekati nol dan f =

Berdasarkan f , maka didapatkan VIF sebagai berikut


fIF =

Selanjutnya akan dilihat nilai VIF, jika f tinggi dan semakin besar
kemungkinan tidak signifikan, yang berarti mengindikasikan adanya

multikolinearitas. Secara teoritis tidak ada yang mengatakan dengan pasti


batas nilai VIF dikatakan tinggi, namun menurut Montgomery dan Peck
(1992), berdasarkan pengalaman batas nilai VIF yang mengindikasikan
adanya multikolinearitas adalah antara 5 atau 10.
3. Uji autokorelasi
Autokorelasi yaitu keadaan dimana galat dari periode tertentu
berkorelasi dengan galat dari periode sebelumnya

. Pada kondisi ini

galat tidak bebas tetapi satu sama lain saling berhubungan. Salah satu cara
mendeteksi

adanya

autokorelasi

dalam

model

adalah

dengan

menggunakan Breusch-Godfrey Serial Correlation LM Test. Hipotesisnya


adalah
u

: tidak terdapat autokorelasi pada residual


: terdapat autokorelasi pada residual.
9

10

Statistik uji dirumuskan sebagai

yang diregresikan dengan variabel independen dan

. Statistik uji

nilai

adalah jumlah pengamatan dan 5 adalah koefisien determinasi

dengan
dari

dibandingkan dengan nilai tabel

lebih besar dari nilai

2 ,

, ...,

ditolak jika

4. Uji asumsi kenormalan


Menurut Praptono (1986), salah satu cara untuk menguji asumsi
kenormalan adalah dengan uji Kolmogorov-Smirnov. Uji ini didasarkan
pada nilai

dengan,

Pada hakekatnya
dan

|Fu

|, = 1,2, ,

adalah nilai deviasi absolut maksimum antara Fu

, Fu adalah fungsi distribusi frekuensi kumulatif relatif dari

distribusi teoritis dibawah

dan

adalah distribusi frekuensi

kumulatif pengamatan sebanyak sampel. Nilai

ini selanjutnya

kritis dengan signifikansi a (tabel

dibandingkan dengan nilai

kolmogorov-smirnov). Hipotesis null yaitu galat mengikuti model


berdistribusi normal. Jika

>

kenormalan tidak terpenuhi.

2.1.3

2od

l atau

p-value < a maka asumsi

Koefisien Determinasi

Menurut Sembiring (1995), koefisien determinasi 5

dapat digunakan

untuk mengukur kecocokan model dengan data. Koefisien determinasi


didefinisikan,
5 =

.5
.

dengan JKR adalah jumlah kuadrat regresi pada model regresi dan JKS adalah
jumlah kuadrat galat pada model. Jika nilai JKR membesar maka nilai JKS akan
mengecil begitu pula sebaliknya. Nilai koefisien determinasi, 5 berkisar antara 0
hingga 1. Semakin dekat 5 dengan 1 maka makin baik kecocokan model dengan
10

11

data, sebaliknya makin dekat 5 dengan 0 maka makin jelek kecocokan model
tersebut.

2.1.4

Uji Parsial Parameter Regresi

Menurut Supranto (1994), uji parsial parameter regresi dilakukan untuk


menguji hipotesis bahwa koefisien parameter (variabel independen ke-j) tidak
mempengaruhi Y (dengan asumsi variabel independen lainnya konstan), berarti
= 0 maka hipotesisnya

H0 : = 0 (parameter regresi ke-j tidak signifikan berpengaruh terhadap


Y)

H1 : 0 (parameter regresi ke-j signifikan berpengaruh terhadap Y),


j = 1, 2, 3, ..., n

dan digunakan statistik uji t


u

dengan
d

berdistribusi fungsi dengan derajat kebebasan sebesar ( )

: elemen dari baris j dan kolom j matriks

dimana:

Jika diambil tingkat signifikansi a dan memenuhi daerah kritis :


u

>

<

atau

dengan derajat kebebasan ( ) dari tabel , maka H0 ditolak artinya

parameter regresi ke-j signifikan berpengaruh terhadap .


2.1.5

Uji Keseluruhan Parameter Regresi

Menurut Supranto (1994), uji keseluruhan parameter regresi dilakukan


untuk menguji hipotesis bahwa seluruh parameter regresi variabel independen
berpengaruh terhadap variabel dependen, maka hipotesisnya

11

12

H0 : b1 = b2 = ... bj = ... bk = 0 (seluruh parameter regresi tidak signifikan


berpengaruh terhadap Y)
H1 : bj 0 (paling tidak terdapat salah satu parameter regresi yang
signifikan berpengaruh terhadap Y)
dan digunakan statistik uji F
F=

dengan

1)
.5(
.
.( )

5.5
=
5.

: jumlah data
: jumlah parameter
Apabila F > F(

atau p-value < a maka H0 ditolak, artinya paling tidak

terdapat salah satu parameter regresi yang signifikan berpengaruh terhadap .


2.1.6

Metode Regresi Bertahap

Menurut Sembiring (1995), metode regresi bertahap digunakan untuk


menentukan model regresi terbaik yang akan digunakan. Metode regresi bertahap
dilakukan dengan memasukkan variabel independen satu persatu, dari variabel
yang memiliki korelasi terkuat terhadap variabel dependen. Pada setiap tahap
pemasukan variabel, dievaluasi nilai F dan 5 untuk mengoreksi apakah model

yang dibangun baik atau tidak, sekaligus menentukan apakah variabel independen
perlu dipertahankan dalam model atau tidak.

2.1.7

Model Persamaan Simultan

Model persamaan simultan adalah model dimana terdapat lebih dari satu
persamaan regresi, dimana antara persamaan satu dengan yang lainnya saling
bergantung. Berbeda dengan persamaan tunggal, dalam model persamaan
simultan estimasi parameternya tidak dapat dilakukan tanpa mempertimbangkan
informasi pada persamaan lainnya (Gujarati, 1978). Model persamaan simultan
menjadi sangat kompleks, karena model ini dapat menjelaskan hubungan dua arah
(two way) antara variabel-variabelnya.

12

13

Oleh karena adanya hubungan dua arah tersebut maka penggunaan nama
variabel independen dan variabel dependen pada persamaan simultan menjadi
tidak tepat lagi. Penamaan yang digunakan untuk variabel-variabel persamaan
simultan adalah variabel endogen dan variabel predetermined. Variabel endogen
adalah variabel yang besarnya ditentukan di dalam model, variabel ini merupakan
hasil dari adanya hubungan antar variabel. Sedangkan variabel predetermined
(eksogen dan lag endogen) adalah variabel yang nilainya ditetapkan sebelumnya,
tidak melalui model dan merupakan variabel yang hanya mempengaruhi variabel
lain (Gujarati, 1978). Berikut contoh persamaannya
2 = + 2 + n 2 +
2 =

2 +

dimana dan

n 2

merupakan variabel endogen dan kedua-duanya stokastik,

sedangkan merupakan variabel yang bersifat eksogen, u1 dan u 2 merupakan


unsur gangguan stokastik.

2.1.8
Menurut

Model Struktural

Sumodiningrat (2002), model struktural adalah model yang

menggambarkan struktur hubungan yang lengkap antara berbagai variabel


ekonomi. Persamaan-persamaan struktural dari suatu model mengandung variabel
endogen, variabel predetermined dan galat.
Menurut Gujarati (1978) contoh model struktural fungsi permintaan dan
penawaran sebagai berikut
fungsi permintaan
fungsi penawaran
kondisi keseimbangan

dimana,

2 +

= u + 2 + 2 +
2

: kuantitas yang diminta (variabel endogen)


: kuantitas yang ditawarkan (variabel endogen)
t : waktu
u : gangguan stokastik
Y : variabel endogen
13

< 0

; , > 0

(2.1)
(2.2)
(2.3)

14

X : variabel eksogen

a dan b : parameter.
Parameter-parameter struktural mencerminkan pengaruh langsung dari
setiap variabel independen terhadap variabel dependen. Sedangkan Variabelvariabel yang tidak kelihatan secara eksplisit dalam fungsi, namun secara tidak
langsung mempengaruhi variabel dependen, tidak diperhitungkan dalam fungsi
tersebut. Sebaliknya pengaruh tidak langsung tersebut diperhitungkan dalam
model persamaan simultan. Misalnya, perubahan konsumsi yang sesungguhnya
secara tidak langsung mempengaruhi investasi, tidak diperhitungkan dalam fungsi
konsumsi karena parameter-parameter struktural hanya dapat mengukur
pengaruh-pengaruh langsung saja. Dalam model persamaan simultan pengaruhpengaruh tak langsung diperhitungkan sebagai bagian dari satu sistem persamaan
yang menyeluruh.

2.1.9

Persamaan Direduksi (reduced-form)

Reduced-form adalah persamaan dimana variabel endogen hanya


dipengaruhi variabel predetermined dan gangguan stokastik. Sumodiningrat
(2002), menjelaskan bahwa model reduced-form adalah model yang menyajikan
variabel-variabel endogen sebagai fungsi dari variabel-variabel predetermined.
Misalkan model struktural permintaan dan penawaran pada persamaan (2.1),
(2.2) dan (2.3), yang untuk mudahnya diberikan di bawah ini dengan sedikit
perubahan dalam notasi
=

fungsi permintaan

2 +

= u + 2 + 2 +

fungsi penawaran

kondisi keseimbangan

(2.4)

(2.5)

(2.6)

Persamaan reduced-formnya dapat dicari dengan langkah-langkah sebagai berikut.


Menyelesaikan persamaan (2.6) dengan memasukkan persamaan (2.4) dan (2.5),
sehingga di dapat
u

2 +

= u + 2 + 2 +

2 = u

2 + 2 +

14

15

2 =

2 +

2+

2 = u + 2 + 2 + .

0
0

(2.7)

Berikut adalah hubungan antara koefisien reduced-form dengan koefisien


strukturalnya

u =

Kemudian disubstitusi persamaan (2.7) dengan salah satu persamaan


dengan

=
=

misalnya

, diperoleh hasil

2 +

0 0
1 1

1 0 1 0

2 1

1 1

1 0 0 1
1 1

2 1

1 1

1 1

1 +

1 2

1 1

1 2

1 +

1 1

1 2

1 +

1 1

= n + 2 + 7 2 + .

2 +
1 1

1 1

2 +
1 2

2 +

1 2

2 1
1 1

1 1

1 1

1 1

(2.8)

Berikut adalah hubungan antara koefisien reduced-form dengan koefisien


strukturalnya

n =

7 =

0 0
0

2.1.10 Uji Simultan (Hausman Test)


Menurut Pindyck (1998), simultan terjadi apabila satu atau lebih variabel
independen menjadi variabel endogen, dimana akan berkorelasi dengan galat.
Lebih lanjut Pindyck (1998) mengatakan bahwa jika tidak terdapat hubungan
simultan, Ordinary Least Square (OLS) akan menghasilkan estimasi parameter
yang tak bias dan konsisten.
Uji Simultan dapat ditunjukkan misalnya terdapat persamaan reducedform yang ada pada persamaan (2.7) dan (2.8), maka dapat dilakukan uji simultan

15

16

dengan prosedur dua langkah sederhana. Pertama, meregresikan persamaan


reduced-form (2.7) dengan regresi OLS, dan didapatkan
2 = u + 2 +

Jadi

Kedua, meregresikan

2 = 2 + .

pada 2 dan , dan diperoleh


= u + 2 + + e.

Kemudian melakukan uji hipotesis untuk mengetahui apakah signifikan


berpengaruh atau tidak terhadap

(dengan asumsi variabel lainnya konstan).

H0 : = 0 (parameter tidak signifikan berpengaruh terhadap


H1 : 0 (parameter signifikan berpengaruh terhadap

),

dan digunakan statistik uji t

berdistribusi fungsi t dengan derajat kebebasan sebesar ( ).

Jika diambil tingkat signifikansi a dan memenuhi daerah kritis :


>

<

atau

dengan derajat kebebasan ( ) dari tabel t, atau p-value < a maka H0

ditolak artinya parameter signifikan berpengaruh terhadap

. Jadi terbukti

bahwa terdapat hubungan simultan antara kedua persamaan tersebut.

2.1.11 Identifikasi Model


Masalah identifikasi sering dijumpai pada model ekonometri yang
memiliki persamaan lebih dari satu karena adanya kelompok data yang sama yang
mungkin cocok dengan kelompok data pada persamaan yang berbeda. Misalnya
adalah persamaan simultan pada fungsi permintaan dan penawaran. Fungsi
permintaan dan penawaran merupakan fungsi yang sama yaitu terdiri dari
sedikitnya

dua

variabel

yaitu

variabel

banyaknya

komoditi

yang

diminta/ditawarkan dan variabel harga. Tanpa adanya variabel yang lain, setiap
orang tidak akan pernah tahu bahwa perkiraan yang dihasilkan merupakan fungsi
permintaan atau penawaran. Jadi, masalah identifikasi dimaksudkan apakah
taksiran angka dari koefisien persamaan struktural dapat diperoleh dari koefisien

16

17

reduced-form yang ditaksir. Jika hal ini dapat dilakukan, maka dapat dikatakan
bahwa suatu persamaan dalam suatu sistem persamaan simultan adalah identified.
Jika tidak, maka dapat dikatakan bahwa persamaan tadi unidentified. Suatu
persamaan yang identified dapat berupa just identified ataupun over identified.
Dikatakan just identified jika nilai angka yang unik dari koefisien struktural dapat
diperoleh, sedangkan dikatakan over identified jika lebih dari satu nilai angka
dapat diperoleh untuk beberapa koefisien persamaan struktural.
Berikut langkah-langkah melakukan pengidentifikasian.
1. Misalnya terdapat bentuk struktural dari sistem persamaan simultan seperti
yang terdapat pada persamaan (2.4) dan (2.5). Sebelumnya akan dibuat
asumsi berikut
G* : Jumlah variabel endogen yang terdapat dalam persamaan
G : Jumlah variabel endogen yang terdapat dalam model
K* : Jumlah variabel predetermined yang terdapat dalam persamaan
K : Jumlah variabel predetermined yang terdapat dalam model.
Selanjutnya dilakukan pengujian kondisi ordo dan tingkatan (order and
rank conditions), (Gujarati, 1978). Pengertian order dan rank di sini
mengacu pada order dan rank matriks, yang diperoleh dari sistem
persamaan.
2. Pengujian identifikasi dengan menggunakan kondisi order, dimana syarat
identifikasi dari suatu persamaan struktural adalah jumlah variabel
predetermined yang tidak dimasukkan dalam persamaan, sekurangkurangnya harus sebanyak jumlah variabel endogen yang terdapat dalam
persamaan dikurangi satu. Dalam bentuk notasi, adalah
. .

1.

Dengan menambahkan (G-G*) pada kedua sisi ketidaksamaan, diperoleh

dengan,

. .

K K

1 +

: jumlah variabel endogen yang tidak terdapat dalam


persamaan yang bersangkutan

17

18

. .
1

Jika

: jumlah variabel predetemined yang tidak terdapat dalam


persamaan yang bersangkutan
: jumlah variabel endogen dalam model dikurangi satu

. . >

over identified. Sedangkan jika

1 , maka persamaan dalam kondisi

persamaan dalam kondisi just identified.

. . =

1 , maka

Pada model permintaan dan penawaran yang ditunjukkan pada persamaan


(2.4) dan (2.5), mempunyai G = 2 dan K = 2. Berikut rincian
identifikasinya.
a) Status identifikasi dari fungsi permintaan

Maka

= 2 2 = 0 dan . . = 2 1 = 1

Sedangkan

. . = 1

1= 2 1= 1

Kesimpulan: fungsi permintaan dalam kondisi just identified.


b) Status identifikasi dari fungsi penawaran

Maka

= 2 2 = 0 dan . . = 2 1 = 1

Sedangkan

. . = 1

1= 2 1= 1

Kesimpulan: fungsi penawaran dalam kondisi just identified.


Dengan demikian maka seluruh persamaan dalam model berada pada
kondisi just identified.
3. Karena kondisi order hanya merupakan kondisi yang diperlukan
(necessary condition), tetapi belum cukup (not sufficient) menunjukkan
kondisi identifikasi, artinya walaupun suatu persamaan dalam kondisi
identified menurut kondisi order, bisa terjadi bahwa persamaan tersebut
dalam kondisi unidentified kalau diuji dengan kondisi rank. Dimana syarat
identifikasi dengan menggunakan kondisi rank adalah misal suatu sistem
yang terdiri dari M persamaan, disebut identified jika sekurang-kurangnya
memiliki satu determinan yang tidak sama dengan nol. Determinan
tersebut adalah determinan berdimensi (G-1) dari koefisien-koefisien
variabel yang tidak dimasukkan dalam persamaan tersebut, tetapi
18

19

terkandung dalam persamaan lain dalam model. Oleh karena penentuan


kondisi rank merupakan syarat cukup penunjukkan kondisi identifikasi,
maka pengujian selanjutnya yaitu dengan menentukan kondisi rank pada
model permintaan dan penawaran yang ditunjukkan pada persamaan (2.4)
dan (2.5). Untuk menyelidiki kondisi rank, model tersebut diubah ke
dalam bentuk sebagai berikut

u +

2 =

Untuk lebih memudahkan maka dibuat dalam model berbentuk tabulasi


berikut ini
Tabel 2.1 koefisien-koefisien struktural
Persamaan

Koefisien-koefisien dari variabel


Konstanta
1

Pada persamaan pertama, tidak terdapat koefisien variabel 2 .

Pada tabel 2.1 terlihat bahwa kolom koefisien variabel tersebut adalah nol
di baris pertama. Menurut kondisi rank harus diperoleh sekurangkurangnya satu determinan yang tidak sama dengan nol, berdimensi satu

dari matriks koefisien variabel-variabel yang tidak terdapat dalam


persamaan ini, tetapi terkandung dalam persamaan 2. Misalnya matriks
dari koefisien variabel
sebagai berikut
=
dan
| |

(pada persamaan pertama) adalah matriks

Oleh karena itu rank matriks

, diberi simbol

= G-1 = 1. Dengan

demikian kondisi rank dari persamaan pertama terpenuhi.


Sedangkan pada persamaan kedua, tidak terdapat koefisien variabel
2 , dapat dituliskan

19

20

=
dan
| |

Sehingga

0
= G-1 = 1. Dengan demikian kondisi rank dari persamaan

kedua juga terpenuhi.


2.1.12 Estimasi Persamaan Simultan
Analisis regresi Two Stage Least Square (2SLS) adalah suatu tehnik
statistik yang menggunakan analisis persamaan struktural. 2SLS merupakan
pengembangan dari metode OLS. Tehnik analisis regresi 2SLS digunakan ketika
galat variabel dependen berkorelasi dengan variabel independen. Lebih lanjut
2SLS berguna ketika terdapat hubungan simultan dalam model.
Menurut Gujarati (1978), 2SLS merupakan metode untuk mendapatkan
taksiran koefisien struktural dari koefisien reduced-form yang ditaksir dalam
persamaan struktural yang over identified. Selain itu 2SLS dapat juga digunakan
untuk menaksir persamaan struktural yang just identified. Dalam 2SLS, variabelvariabel independen (yang berkorelasi dengan galat) diganti dengan nilai-nilai
taksirannya sendiri. Sesuai dengan namanya, metode ini meliputi dua penerapan
OLS secara berturut-turut. Misalnya diberikan persamaan struktural yang terdapat
pada persamaan (2.1) dan (2.2),
Berikut langkah-langkahnya.
1. Menaksir koefisien reduced form pada persamaan (2.7) dengan
menerapkan OLS pada kedua persamaan tersebut, didapatkan
2 = u + 2 +

Oleh karena 2 didasarkan atas taksiran dari persamaan reduced form,


maka variabel ini berlaku sebagai variabel instrumen (instrumental
variable) bagi data asli 2 . variabel instrumen yaitu suatu variabel baru

yang tidak berkorelasi dengan unsur gangguan persamaan namun


berkorelasi erat dengan variabel independen.
Persamaan (2.7) dapat dinyatakan sebagai
2 = 2 +
20

(2.9)

21

yang menunjukkan bahwa terdiri dari 2 bagian : 2 , yang merupakan


variabel instrumen, dan suatu komponen random
(1978), dengan mengikuti teori OLS , 2 dan

2.

Menurut Gujarati

tidak berkorelasi.

2. Menggantikan 2 dalam persamaan (struktural) asli dengan persamaan


(2.9) dan kemudian melakukan regresi OLS sebagai berikut
=

=
=
=

dimana

u
u
u

+
+
+

2 =

2 +

2
2

+
+

(Gujarati, 1978).

2 +

2 +

2 +

2 +
2 .

2 +

Taksiran yang kemudian didapat akan konsisten,

Asumsi analisis regresi two-stage least squares (2SLS) seperti yang


dikutip di www.statisticssolutions.com sebagai berikut
1. model dalam kondisi identified
2. variansi dari galat pada semua variabel sama
3. galat harus berdistribusi normal
4. pengamatan harus independent satu sama lain.

2.2
Kerangka Pemikiran
Model persamaan simultan merupakan suatu model yang terdiri dari
beberapa persamaan yang saling berhubungan secara simultan. Salah satu kasus
yang mengindikasikan adanya hubungan simultan adalah persamaan pendapatan
nasional dan peredaran uang, dimana kedua persamaan tersebut dapat diperoleh
dengan menggunakan model regresi. Selanjutnya kedua persamaan tersebut akan
diuji apakah mengandung hubungan secara simultan dengan menggunakan uji
simultan (Hausman test). Jika terbukti kedua persamaan tersebut berhubungan
secara simultan, maka akan didapatkan model persamaan simultan. Sebelum
melakukan penaksiran parameter persamaan simultan, maka dilakukan identifikasi
terlebih dahulu. Pengidentifikasian ini bertujuan untuk melihat apakah taksiran
angka dari koefisien persamaan struktural dapat diperoleh dari koefisien reduced21

22

form yang ditaksir. Jika persamaan tersebut berada dalam kondisi just identified,
maka penaksiran parameter persamaan simultan salah satunya dapat dilakukan
dengan menggunakan metode Two Stage Least Square (2SLS).

22

BAB III
METODOLOGI PENELITIAN

Penelitian ini dilaksanakan dengan metode studi kasus, yaitu menerapkan


teori yang telah dipelajari untuk menganalisis data. Data yang digunakan adalah
data-data yang terdapat pada Statistika Indonesia Tahun 1982-2009. Langkahlangkah yang dilakukan dalam penelitian ini sebagai berikut.
1. Pengumpulan data
Tahap pengumpulan data dilakukan dengan mengambil data sekunder
(sumber data penelitian yang diperoleh peneliti secara tidak langsung
melalui media perantara/diperoleh dan dicatat oleh pihak lain) yang
terdapat di Badan Pusat Statistik (BPS) Kota Surakarta. Variabel-variabel
yang digunakan dalam penelitian ini antara lain,
a. variabel endogen, antara lain
1) = Gross National Product (GNP)
2) = uang beredar (Money Supply)

b. variabel predetermined, antara lain

1) = pengeluaran konsumsi pemerintah


2) = investasi domestik.

2. Tahapan analisis data antara lain.

a. Mencari persamaan regresi terbaik persamaan pendapatan nasional


dan peredaran uang untuk mendapatkan variabel independen yang
berpengaruh terhadap masing-masing persamaan.
b. Menentukan model struktural persamaan simultan dari persamaan
pendapatan nasional dan peredaran uang untuk mengetahui struktur
hubungan yang lengkap antara variabel endogen, variabel
predetermined dan variabel gangguan.
c. Mengubah persamaan struktural ke dalam model persamaan
reduced form, yaitu

model yang menyajikan variabel-variabel

endogen sebagai fungsi dari variabel-variabel predetermined.

23

24

d. Melakukan uji simultan (Hausman test) untuk mengetahui apakah


terdapat hubungan simultan antara persamaan pendapatan nasional
dan peredaran uang.
e. Identifikasi model dengan tujuan apakah taksiran angka dari
koefisien persamaan struktural dapat diperoleh dari koefisien
reduced-form yang ditaksir.
f. Mengestimasi parameter model persamaan simultan yang terdiri
dari persamaan pendapatan nasional dan peredaran uang yang
didapatkan sebelumnya dengan menggunakan metode Two Stage
Least Square (2SLS).
g. Uji asumsi model persamaan simultan tersebut untuk mengetahui
apakah sudah memenuhi asumsi regresi klasik atau belum. Jika
belum memenuhi maka akan dilakukan perbaikan dengan
transformasi logaritma 10 dan atau difference.
h. Mencari koefisien determinan untuk mengetahui kecocokan model
persamaan simultan dengan data.
Tahap analisis data tersebut dibantu dengan menggunakan SPSS 13.0 for
Windows, MINITAB 13.0 dan Eviews 5.0. Langkah-langkah di atas dapat
ditunjukkan dalam Gambar 3.1.

24

25

Data

Persamaan regresi

Model struktural

Model reduced form

Tidak terdapat simultan


Uji Simultan (Hausman test)
Terdapat simultan
Unidentified

OLS

Identifikasi masalah
Tidak terdapat
penyelesaian

Identified
Estimasi parameter

Uji asumsi regresi


klasik

Tidak memenuhi

Memenuhi
Model persamaan
simultan

Gambar 3.1 Diagram alur penelitian

25

Transformasi/difference

BAB IV
PEMBAHASAN

Pada penelitian ini, data yang digunakan adalah data nilai Gross National
Product (GNP), uang beredar (Money Supply), pengeluaran konsumsi pemerintah
dan investasi domestik yang merupakan data time series (dari waktu ke waktu)
tahun 1981-2008 berasal dari Badan Pusat Statistik (BPS) Surakarta.

4.1

Persamaan Pendapatan Nasional dan Peredaran Uang

Data yang akan digunakan di sini terdapat pada Tabel 1 (lampiran 1).
Sebelumnya sebagai langkah awal untuk mencari model persamaan simultan,
perlu dicari variabel independen yang signifikan berpengaruh terhadap persamaan
pendapatan nasional dan peredaran uang dengan melakukan analisis regresi antara
variabel independen dan dependen lalu dicari model regresi terbaik dengan
metode regresi bertahap. Metode regresi bertahap ini dilakukan dengan
memasukkan satu persatu variabel independen yang berkorelasi dengan variabel
dependen dengan mengevaluasi nilai F dan 5

pada setiap tahap untuk

mengoreksi apakah variabel independen tersebut perlu dipertahankan atau tidak.


Pada metode regresi bertahap, variabel yang pertama dimasukkan adalah variabel
yang memiliki korelasi terkuat.
Pada persamaan pendapatan nasional, variabel pertama yang dimasukkan
adalah variabel konsumsi karena memiliki korelasi terkuat yaitu 0,997 kemudian
diikuti variabel-variabel lain yang memiliki korelasi yang lebih lemah. Sedangkan
pada persamaan peredaran uang, variabel pertama yang dimasukkan adalah
variabel GNP karena memiliki korelasi terkuat yaitu 0,99 kemudian diikuti
variabel-variabel lain yang memiliki korelasi yang lebih lemah. Metode bertahap
pada persamaan pendapatan nasional menghasilkan dua variabel yang signifikan
berpengaruh terhadap GNP, sedangkan pada persamaan peredaran uang juga
menghasilkan dua variabel yang signifikan terhadap uang beredar.

26

27

Tabel 4.1 Model Persamaan Pendapatan Nasional


variabel independen

koefisien

p-value

konstan

-8912,06

-0,81

0,43

uang beredar ( )

8,24

25,23

0,00

konsumsi ()

0,67

10,21

0,00

Tabel 4.2 Model Persamaan Peredaran Uang


variabel independen

koefisien

p-value

konstan

-18301,7

-0,71

0,49

GNP ( )

0,43

36,56

0,00

1,7

3,57

0,00

investasi ( )

Pada Tabel 4.1 dapat dilihat bahwa variabel uang beredar dan pengeluaran
konsumsi pemerintah masing-masing memiliki p-value 0,00 dan 0,00 < a = 0,05,
yang berarti kedua variabel tersebut masing-masing berpengaruh terhadap GNP
dan nilai F = 12129,04 > Fu.u7;

7=

3,39 (lampiran 2), dapat disimpulkan

bahwa parameter regresi secara keseluruhan juga berpengaruh terhadap GNP.


Sedangkan pada Tabel 4.2 terlihat bahwa GNP dan investasi domestik secara
statistik masing-masing memiliki p-value 0,00 dan 0,00 < a = 0,05, yang berarti
kedua variabel tersebut masing-masing berpengaruh terhadap uang beredar dan
nilai F = 679,95 > Fu.u7;

7=

3,39 (lampiran 2), dapat disimpulkan bahwa

parameter regresi secara keseluruhan juga berpengaruh terhadap uang beredar.


4.2

Model Persamaan Simultan

Model persamaan simultan merupakan model yang terdiri dari beberapa


persamaan yang saling berhubungan secara simultan. Model persamaan simultan
dibangun dengan menggunakan persamaan-persamaan yang telah diperoleh pada
persamaan-persamaan sebelumnya. Selanjutnya akan dibawa ke model struktural,
kemudian dibawa ke model reduced form dimana dalam model ini menyajikan
variabel-variabel endogen sebagai fungsi dari variabel-variabel predetermined,
dengan model reduced form maka uji simultan dilakukan untuk mengetahui

27

28

apakah terdapat hubungan simultan antara dua persamaan regresi yang ada. Pada
persamaan simultan terdapat adanya masalah identifikasi. Tujuan dari masalah
identifikasi adalah apakah taksiran angka dari parameter persamaan struktural
dapat diperoleh dari koefisien reduced form yang ditaksir. Terdapat aturan
identifikasi dalam model persamaan simultan yaitu dengan kondisi order dan
rank. Jika kedua persamaan itu dalam kondisi just identified maka dalam
mengestimasi parameternya salah satunya dapat menggunakan Two Stage Least
Square (2SLS), kemudian mencari koefisien determinasinya untuk mengetahui
kecocokan model dengan data.
Berikut adalah model struktural yang didapat berdasarkan model regresi
sebelumnya.
Pendapatan nasional : 2 =

2 +

: 2 = u + 2 + 2 +

Peredaran uang

(4.1)

(4.2)

dimana 2 = Gross National Product (GNP) (Milyar Rupiah)


2 = uang beredar (Money Supply) (Milyar Rupiah)

2 = pengeluaran konsumsi pemerintah (Milyar Rupiah)

= investasi domestik (Milyar Rupiah)

Selanjutnya dibawa ke persamaan reduced form yang dapat dicari dengan langkah
sebagai berikut.
2 = u +
2 = u +
1

2 =

2 = u +

u +
1

2 +

+ 2+

2 +

+ 2+

2 + 2 +

+
1 2

2 = 0 + 1 2 + 2 2 +

2+

2 + 2
1

(4.3)

Kemudian substitusikan persamaan 2 diatas dengan persamaan 2 yaitu

sebagai berikut .
2 =

2 +

u +
1

+
1 2

28

2+

2 + 2
+
1

29

2 =

2 =

0 0 0

+
1
u

+
1

0 0

+
1 2

2 +

2 = 3 + 4 2 + 5 2 +

2 +

2+

2+

+
1

(4.4)

Dari persamaan reduced form-nya diperoleh 6 koefisien reduced form

yaitu u , , , n , dan 7 yang akan digunakan untuk menaksir 6 koefisien


struktural yaitu

u,

, u , dan . Hal ini mengindikasikan bahwa model

persamaan tersebut dalam kondisi just identified.

Selanjutnya akan dilakukan uji simultan untuk mengetahui apakah terdapat


hubungan simultan antara dua persamaan regresi yang ada. Uji simultan akan
dilakukan pada persamaan (4.3) dan (4.4). Pada output (lampiran 3) terlihat bahwa
nilai probabilitas residual pada persamaan (4.3) dengan variabel endogen 2

adalah 0,00 < a = 0,05, sedangkan nilai probabilitas residual pada persamaan
(4.4) dengan variabel endogen 2 adalah 0.01 < a = 0.05, sehingga dapat
disimpulkan bahwa terjadi hubungan simultan antara persamaan (4.1) dan (4.2).

Pada persamaan simultan terdapat adanya masalah identifikasi. Tujuan


dari masalah identifikasi adalah apakah taksiran angka dari parameter persamaan
struktural dapat diperoleh dari koefisien bentuk yang direduksi yang ditaksir.
1. Kondisi Order
a. Status identifikasi pada persamaan (4.1).
Model diatas mempunyai G = 2 dan K = 2
G G* = 2 2 = 0 dan K K* = 2 1 = 1
maka (G G*) + (K K*) = 1
sedangkan G 1 = 2 1 = 1
sehingga (G G*) + (K K*) = G 1
kesimpulan : persamaan (4.1) dalam kondisi tepat diidentifikasi (just
identified).

29

30

b. Status identifikasi pada persamaan (4.2).


G G* = 2 2 = 0 dan K K* = 2 1 = 1
maka (G G*) + (K K*) = 1
sedangkan G 1 = 2 1 = 1
sehingga (G G*) + (K K*) = G 1
kesimpulan : persamaan (4.2) dalam kondisi tepat diidentifikasi (just
identified).
2. Kondisi rank
Kondisi order pada persamaan (4.1) dan (4.2) telah terpenuhi
seperti yang telah terbukti pada uraian sebelumnya. Selanjutnya perlu diuji
rank-nya. Untuk itu dibuat matriks koefisien variabel-variabel yang tidak
terdapat dalam persamaan ini tetapi terkandung dalam persamaan lainnya.
Model diatas dapat ditulis kembali dalam bentuk sebagai berikut:
2 +

2 +

2 + u + 2 +

= 0

=0

Tabel 4.3 koefisien-koefisien struktural


Koefisien dari variabel
Persamaan
2

-1

-1

Pada persamaan pertama, tidak terdapat koefisien variabel


2 , dapat dituliskan
=

Sehingga

dan | | =

0.

= G-1 = 1. Dengan demikian kondisi rank dari persamaan

pertama terpenuhi.
Sedangkan pada persamaan kedua, tidak terdapat koefisien variabel
2 , dapat dituliskan
=

dan | | =

0.

30

31

Sehingga

= G-1 = 1. Dengan demikian kondisi rank dari persamaan

kedua juga terpenuhi.


Persamaan struktural pada model persamaan diatas dalam kondisi just
identified, sehingga dalam mengestimasi parameternya dapat menggunakan
metode 2SLS. Sesuai dengan namanya, metode ini meliputi dua penerapan OLS
secara berturut-turut. Prosesnya adalah sebagai berikut. Langkah pertama yaitu
menentukan persamaan reduced form dari variabel-variabel endogennya (yang
telah diperoleh pada 4.3 dan 4.4 ) yang kemudian di estimasi menggunakan OLS.
Berdasarkan output Eviews 5.0 (lampiran 4) didapatkan,
t = 24200,08 + 11,492 + 1,51
t = 26015,56 + 4,882 + 2,34

Selanjutnya substitusikan nilai-nilai t dan t pada variabel t dan t

yang asli, dan kemudian melakukan regresi OLS sebagai berikut


2 =

dimana

+ t +

2 +

2 = u + + 2 +

dan

penaksiran kedua dari 2SLS.

2.

Langkah ini merupakan

Hasil akhir yang diperoleh berdasarkan output Eviews 5.0 (lampiran 4) di


dapatkan.
Tabel 4.4 Estimasi Parameter Persamaan (4.3)
variabel independen

koefisien

p-value

konstan

-7469,3

-0,59

0,56

0,64

5,65

0,00

8,35

14,91

0,00

uang beredar
konsumsi

Tabel 4.5 Estimasi Parameter Persamaan (4.4)


variabel independen

koefisien

p-value

konstan

-26056,16

-5,80E+14

0,00

GNP

0,44

2,13E+16

0,00

1,69

2,04E+15

0,00

investasi

31

32

Berdasarkan Tabel 4.4 dan 4.5 maka model persamaan simultan yang diperoleh
adalah,
t = 7469,3 + 0,64 t + 8,352

t = 26056,16 + 0,44t + 1,69

5 = 0.99

;
2

(4.5)

5 = 1,00

(4.6)

Pada Tabel 4.4 dapat dilihat bahwa hanya konstan yang tidak berpengaruh

signifikan terhadap GNP karena p-value 0,56 > a = 0,05 dan nilai F =
7782,46 > Fu.u7;

7=

3,39 (lampiran 4), dapat disimpulkan bahwa parameter

regresi secara keseluruhan berpengaruh terhadap GNP. pada persamaan (4.5)


memiliki nilai 5 sebesar 0.99 dimana persamaan yang dibangun itu mampu

menjelaskan perubahan variabel dependen berdasarkan variabel independen


sebesar 99%, sisanya dijelaskan di luar model. Sedangkan pada Tabel 4.5 terlihat
bahwa semua variabel signifikan berpengaruh terhadap uang beredar karena pvalue 0,00 < a = 0,05. Sedangkan nilai F = 1,53E + 32 > Fu.u7;

7=

3,39

(lampiran 4), dapat disimpulkan bahwa parameter regresi secara keseluruhan juga
berpengaruh terhadap uang beredar. Pada persamaan (4.6) memiliki nilai 5

sebesar 1,00 dimana persamaan yang dibangun itu mampu menjelaskan perubahan
variabel dependen berdasarkan variabel independen sebesar 100%.
Uji multikolinearitas, heteroskedastisitas, autokorelasi dan kenormalan
untuk model persamaan simultan dilakukan untuk mengetahui apakah model
tersebut memenuhi asumsi regresi klasik atau tidak.
1. Multikolinearitas
Uji multikolinearitas bertujuan untuk mengetahui apakah terdapat korelasi
antara variabel independen dalam persamaan regresi. Berdasarkan
perhitungan oleh software Minitab 13.0 (lampiran 7) didapatkan,
Tabel 4.6 Hasil Uji Multikolinearitas pada Persamaan (4.5)
No

Variabel

VIF

55,2

Terdapat multikolinearitas

55,2

Terdapat multikolinearitas

32

Kesimpulan

33

Tabel 4.7 Hasil Uji Multikolinearitas pada Persamaan (4.6)


No

Variabel

VIF

Kesimpulan

1,0

Tidak terdapat multikolinearitas

1,0

Tidak terdapat multikolinearitas

Berdasarkan Tabel 4.6 diperoleh nilai VIF semua variabel independen pada
persamaan (4.5) lebih dari 10 sehingga dapat disimpulkan bahwa terdapat
gejala multikolinearitas dalam persamaan regresi. Sedangkan pada Tabel
4.7 diperoleh nilai VIF semua variabel independen pada persamaan (4.6)
kurang dari 10 sehingga dapat disimpulkan bahwa tidak terdapat
multikolinearitas dalam persamaan regresi.
2. Heteroskesdastisitas
Uji heteroskedastisitas bertujuan untuk mengetahui apakah terdapat
ketidaksamaan variansi dari galat satu pengamatan ke pengamatan lain.
Persamaan regresi yang baik mengasumsikan variansi dari galatnya tetap
(homokedastis). Berdasarkan output white-test (lampiran 5), pada
persamaan (4.5) diperoleh nilai probabilitas obs*R-square = 0,01 < a =
0,05, sedangkan pada persamaan (4.6) diperoleh nilai 0,01 < a = 0,05,
sehingga dapat disimpulkan bahwa pada persamaan (4.5) dan (4.6) terdapat
heterokedastisitas.
3. Uji autokorelasi
Uji autokorelasi bertujuan untuk mengetahui ada tidaknya hubungan antara
kesalahan pengganggu dari periode tertentu (mt) dengan kesalahan
pengganggu dari periode sebelumnya (mt-p). Persamaan regresi yang baik
adalah yang tidak memiliki autokorelasi antar kesalahan pengganggu dari
periode tertentu (mt) dengan kesalahan pengganggu dari periode
sebelumnya (mt-p). Berdasarkan output Breusch-Godfrey (lampiran 6), pada
persamaan (4.5) diperoleh nilai probabilitas obs*R-square = 0,83 > a =
0,05, sedangkan pada persamaan (4.6) diperoleh nilai 0,053 > a = 0,05,

33

34

sehingga dapat disimpulkan bahwa pada persamaan (4.5) dan (4.6) tidak
terdapat autokorelasi.
4. Uji asumsi kenormalan
Persamaan regresi diasumsikan bahwa galat model memiliki rata-rata = 0.
Oleh karena itu perlu dilakukan uji asumsi kenormalan. Uji asumsi
kenormalan ini dapat dilakukan dengan uji Kolmogorov-Smirnov.
Berdasarkan output (lampiran 8), pada persamaan (4.5) diperoleh
signifikansi 0.01 < a = 0.05, sedangkan pada persamaan (4.6) diperoleh
signifikansi 0.1 > a = 0.05, maka dapat disimpulkan bahwa asumsi
kenormalan pada persamaan (4.5) tidak terpenuhi, sedangkan pada
persamaan (4.6) terpenuhi.
Berdasarkan uji asumsi yang telah dilakukan, dapat disimpulkan bahwa
model persamaan simultan yang di dapat belum memenuhi asumsi regresi. Oleh
karena itu maka akan dilakukan perbaikan.
Selanjutnya akan dilakukan transformasi data dengan menggunakan log 10
Tabel 2 (lampiran 1).
maka di dapat persamaan baru yang telah di transformasi sebagai berikut,
log 2 =

+ log 2 +

n log

log 2 = + log 2 + n log

(4.7)
(4.8)

Untuk selanjutnya akan diestimasi kembali dengan menggunakan metode 2SLS.


Berdasarkan output (lampiran 4) di dapatkan hasilnya sebagai berikut,
Tabel 4.8 Estimasi Parameter Persamaan (4.7)
variabel independen

koefisien

p-value

konstan

0,85

18,94

0,00

log 2

0,27

8,64

0,00

0,74

18,94

0,00

log 2

34

35

Tabel 4.9 Estimasi Parameter Persamaan (4.8)


variabel independen

koefisien

p-value

konstan

-1,9

-20,47

0,00

log 2

1,06

54,3

0,00

0,27

11,5

0,00

log

Berdasarkan Tabel 4.8 dan 4.9 maka model persamaan simultan yang diperoleh
adalah,
log 2 = 0,85 + 0,27log 2 + 0,74log 2
log 2 = 1,9 + 1,06log 2 + 0,27log

;
;

5 = 0.99
5 = 0,99

(4.9)
(4.10)

Pada Tabel 4.8 dapat dilihat bahwa semua variabel berpengaruh signifikan

terhadap GNP karena p-value 0,00 < a = 0,05 dan nilai F = 5255,67 >
Fu.u7;

7=

3,39 (lampiran 4), dapat disimpulkan bahwa parameter regresi secara

keseluruhan berpengaruh terhadap GNP. pada persamaan (4.9) memiliki nilai 5

sebesar 0.99 dimana persamaan yang dibangun itu mampu menjelaskan perubahan
variabel dependen berdasarkan variabel independen sebesar 99%, sisanya
dijelaskan di luar model. Sedangkan pada Tabel 4.9 terlihat bahwa semua variabel
signifikan berpengaruh terhadap uang beredar karena p-value 0,00 < a = 0,05.
Sedangkan nilai F = 2132,2 > Fu.u7;

7=

3,39 (lampiran 4), dapat disimpulkan

bahwa parameter regresi secara keseluruhan juga berpengaruh terhadap uang


beredar. Pada persamaan (4.10) memiliki nilai 5 sebesar 0,99 dimana persamaan
yang dibangun itu mampu menjelaskan perubahan variabel dependen berdasarkan
variabel independen sebesar 99%, sisanya di jelaskan di luar model.
Kemudian akan di uji kembali apakah model persamaan simultan telah
memenuhi asumsi regresi klasik atau tidak.
1. Multikolinearitas
Berdasarkan perhitungan oleh Minitab 13.0 (lampiran 7) di dapatkan,

35

36

Tabel 4.10 Hasil Uji Multikolinearitas pada Persamaan (4.9)


No

Variabel

VIF

log 2

22,2

Terdapat multikolinearitas

22,2

Terdapat multikolinearitas

log 2

Kesimpulan

Tabel 4.11 Hasil Uji Multikolinearitas pada Persamaan (4.10)


No

Variabel

VIF

Kesimpulan

log 2

1,6

Tidak terdapat multikolinearitas

1,6

Tidak terdapat multikolinearitas

log

Berdasarkan Tabel 4.10 diperoleh nilai VIF semua variabel independen


pada persamaan (4.9) lebih dari 10 yang berarti masih adanya
multikolinearitas pada persamaan regresi dan pada Tabel 4.11 diperoleh
nilai VIF semua variabel independen pada persamaan (4.10) kurang dari 10
sehingga dapat disimpulkan bahwa tidak ada gejala multikolinearitas dalam
persamaan regresi.
2. Heteroskedastisitas
Berdasarkan output white-test (lampiran 5), pada persamaan (4.9)
diperoleh nilai probabilitas obs*R-square = 0,38 > a = 0,05, sedangkan
pada persamaan (4.10) diperoleh nilai 0.5 > a = 0.05 sehingga dapat
disimpulkan bahwa pada persamaan (4.9) dan (4.10) tidak terdapat
heterokedastisitas.
3. Uji autokorelasi
Berdasarkan output Breusch-Godfrey (lampiran 6), pada persamaan (4.9)
diperoleh nilai probabilitas obs*R-square = 0,01 < a = 0,05, sedangkan
pada persamaan (4.10) diperoleh nilai 0,05, sehingga dapat disimpulkan
bahwa pada persamaan (4.9) dan (4.10) terdapat autokorelasi.
4. Uji asumsi kenormalan
Berdasarkan output uji kolmogorov-smirnov (lampiran 8) di dapatkan
persamaan (4.9) diperoleh signifikansi 0.15 > a = 0.05, sedangkan pada

36

37

persamaan (4.10) diperoleh signifikansi 0.15 > a = 0.05, maka dapat


disimpulkan bahwa asumsi kenormalan pada kedua persamaan tersebut
terpenuhi.
Berdasarkan uji asumsi yang telah dilakukan, dapat disimpulkan bahwa
masih terdapat multikolinearitas dan autokorelasi. Oleh karena itu, maka akan
dilakukan perbaikan kembali. Selanjutnya akan dilakukan difference pertama pada
kelompok data konsumsi untuk menangani multikolinearitas pada model
persamaan simultan yang terdapat pada tabel 2 (lampiran 1).
maka didapat persamaan baru yang telah di difference sebagai berikut,
log 2 =

log 2 =

log 2 +

n log

2 log 2

(4.11)

log 2 + nlog 2 .

(4.12)

Untuk selanjutnya akan diestimasi kembali dengan menggunakan metode 2SLS.


Berdasarkan output (lampiran 4) di dapatkan hasilnya sebagai berikut,
Tabel 4.12 Estimasi Parameter Persamaan (4.11)
variabel independen

koefisien

p-value

konstan

1,94

19,51

0,00

log 2

0,68

32,12

0,00

1,82

4,49

0,00

log 2 log 2

Tabel 4.13 Estimasi Parameter Persamaan (4.12)


variabel independen

koefisien

p-value

konstan

-2,02

-13,79

0,00

log 2

1,11

24,26

0,00

0,22

5,76

0,00

log

Berdasarkan Tabel 4.12 dan 4.13 maka model persamaan simultan yang diperoleh
adalah,
log 2 = 1,94 + 0,68log 2 + 1,82 log 2 log 2
log 2 = 2,02 + 1,11log 2 + 0,22log

37

; 5 = 0.99 (4.13)
; 5 = 0,99 (4.14)

38

Pada Tabel 4.12 dapat dilihat bahwa semua variabel berpengaruh


signifikan terhadap GNP karena p-value 0,00 < a = 0,05 dan nilai F =
1328,53 > Fu.u7;

7=

3,39 (lampiran 4), dapat disimpulkan bahwa parameter

regresi secara keseluruhan berpengaruh terhadap GNP. pada persamaan (4.13)


memiliki nilai 5 sebesar 0.99 dimana persamaan yang dibangun itu mampu

menjelaskan perubahan variabel dependen berdasarkan variabel independen


sebesar 99%, sisanya dijelaskan di luar model. Sedangkan pada Tabel 4.13 terlihat
bahwa semua variabel signifikan berpengaruh terhadap uang beredar karena pvalue 0,00 < a = 0,05. Sedangkan nilai F = 1730,43 > Fu.u7;

; 7=

3,39

(lampiran 4), dapat disimpulkan bahwa parameter regresi secara keseluruhan juga
berpengaruh terhadap uang beredar. Pada persamaan (4.14) memiliki nilai 5

sebesar 0,99 dimana persamaan yang dibangun itu mampu menjelaskan perubahan
variabel dependen berdasarkan variabel independen sebesar 99%, sisanya di
jelaskan di luar model.
Kemudian akan di uji kembali apakah model persamaan simultan telah
memenuhi asumsi regresi klasik atau tidak.
1. Multikolinearitas
Berdasarkan perhitungan oleh Minitab 13.0 (lampiran 7) didapatkan,
Tabel 4.14 Hasil Uji Multikolinearitas pada Persamaan (4.13)
No

Variabel

VIF

Kesimpulan

log 2

3,6

Tidak terdapat multikolinearitas

3,6

Tidak terdapat multikolinearitas

log 2 log 2

Tabel 4.15 Hasil Uji Multikolinearitas pada Persamaan (4.14)


No

Variabel

VIF

Kesimpulan

log 2

1,5

Tidak terdapat multikolinearitas

1,5

Tidak terdapat multikolinearitas

log

Berdasarkan Tabel 4.14 diperoleh nilai VIF semua variabel independen


pada persamaan (4.13) kurang dari 10 dan pada Tabel 4.15 diperoleh nilai

38

39

VIF semua variabel independen pada persamaan (4.14) juga kurang dari 10
sehingga dapat disimpulkan bahwa tidak ada gejala multikolinearitas dalam
persamaan regresi.
2. Heteroskedastisitas
Berdasarkan output white-test (lampiran 5), pada persamaan (4.13)
diperoleh nilai probabilitas obs*R-square = 0,26 > a = 0,05, sedangkan
pada persamaan (4.14) diperoleh nilai 0.47 > a = 0.05 sehingga dapat
disimpulkan bahwa pada persamaan (4.13) dan (4.14) tidak terdapat
heterokedastisitas.
3. Uji autokorelasi
Berdasarkan output Breusch-Godfrey (lampiran 6), pada persamaan (4.13)
diperoleh nilai probabilitas obs*R-square = 0,08 > a = 0,05, sedangkan
pada persamaan (4.14) diperoleh nilai 0,13 > a = 0,05, sehingga dapat
disimpulkan bahwa pada persamaan (4.13) dan (4.14) tidak terdapat
autokorelasi.
4. Uji asumsi kenormalan
Berdasarkan output uji kolmogorov-smirnov (lampiran 8) di dapatkan
persamaan (4.13) diperoleh signifikansi 0.15 > a = 0.05, sedangkan pada
persamaan (4.14) diperoleh signifikansi 0.05 > a = 0.05, maka dapat
disimpulkan bahwa asumsi kenormalan pada kedua persamaan tersebut
terpenuhi.
Berdasarkan uji asumsi yang telah dilakukan, dapat disimpulkan bahwa model
persamaan simultan dengan metode 2SLS telah memenuhi asumsi.
Karena model persamaan simultan diatas bukan berdasarkan data
sebenarnya, maka akan diubah ke dalam bentuk semula untuk mendapatkan model
persamaan simultan yang sebenarnya
log 2 =

log 2 =

log 2 = log10
log 2 = log10

log 2 +
0
0

log 2 +

n(log

2 log 2 )

nlog

log 2 +

+ log 2

2
nlog

+ log

39

nlog

40

log 2 = log10
2 = 10

2
0

Sehingga didapatkan persamaan pendapatan nasional dengan menerapkan 2SLS


adalah

dengan 2

2 = 10,ntuk 2

u, kn7nn

2
2

,k7 n

adalah pengeluaran konsumsi pemerintah pada waktu

1. Pada

persamaan pendapatan terlihat bahwa GNP dipengaruhi oleh uang beredar,

pengeluaran konsumsi pemerintah saat ini dan pengeluaran konsumsi pemerintah


sebelumnya.
log 2 =

log 2 + nlog

log 2 = log10 0 + log 2

log 2 = log10
2 = 10

+ log

sehingga didapatkan persamaan peredaran uang dengan menerapkan 2SLS adalah


2 = 10

,utku

, 7t

u,

nu

Pada persamaan peredaran uang terlihat bahwa uang beredar dipengaruhi GNP
dan investasi domestik.

40

BAB V
PENUTUP

5.1

Kesimpulan

Berdasarkan hasil pembahasan pada bab 4 dapat diperoleh kesimpulan


sebagai berikut:
1. Variabel-variabel yang berpengaruh terhadap persamaan pendapatan
nasional adalah uang beredar, pengeluaran konsumsi pemerintah saat ini
dan pengeluaran konsumsi pemerintah sebelumnya. Sedangkan pada
persamaan peredaran uang, variabel-variabel yang berpengaruh adalah
produk nasional bruto (GNP) dan investasi domestik.
2. Model persamaan simultan dengan menggunakan metode 2SLS untuk
persamaan pendapatan nasional adalah
,ntuk

2 = 10

u, kn7nn

2
2

,k7 n

u,

nu

Sedangkan untuk persamaan peredaran uang adalah


2 = 10

,utku

5.2

, 7t

Saran

Bagi pembaca yang tertarik pada penelitian ini, bisa menerapkan model
persamaan simultan pada kasus lain (misalnya pada bidang pertanian, kesehatan,
dan sebagainya) dengan data dan variabel-variabel yang lebih lengkap. Selain itu
bagi peneliti lainnya yang akan menggunakan model, hasil dan metodologi ini
diharapkan dapat menemukan berbagai kemungkinan lebih lanjut mengenai
keadaan perbankan dan keuangan.

41

42

DAFTAR PUSTAKA

Aliman. (1998). Model Autoregresif Analisis Kausalitas Antara Jumlah Uang


Beredar dan Tingkat Pendapatan Nasional: Studi Kasus IndonesiaThailand, Jurnal Ekonomi dan Bisnis Indonesia, vol. 13, no. 4, hal 12-29.
Badan Pusat Statistik Yogyakarta. 1984. Statistika Indonesia. Yogyakarta: Badan
Pusat Statistik.
_____ . 1989. Statistika Indonesia. Yogyakarta: Badan Pusat Statistik.
Badan Pusat Statistik Surakarta. 1994. Statistika Indonesia. Surakarta: Badan
Pusat Statistik.
_____ . 1999. Statistika Indonesia. Surakarta: Badan Pusat Statistik.
_____ . 2004. Statistika Indonesia. Surakarta: Badan Pusat Statistik.
_____ . 2009. Statistika Indonesia. Surakarta: Badan Pusat Statistik.
Feriyanto, N. 1989. Teori dan Penerapan Matematika untuk Ekonomi, Jilid 1.
Penerbit Andi Offset, Yogyakarta.
Gujarati, D. 1978. Ekonometrika Dasar. Erlangga, Jakarta.
Http://www.statisticssolutions.com/Two-Stage-Least-Squares-RegressionAnalysis, Tanggal 3 September 2009, pukul 15.30 WIB.
Montgomery, C. D and Peck, A. E. 1992. Introduction to Linier Regression
Analysis, Second Edition.
Pindyk, S and Rubinfeld, L. 1998. Econometric Models and Econometric
Forecasts. Mc Graw-Hill International Edition.
Praptono. 1986. Metode Statistika Nonparametrik. Karunika, Jakarta.
Rao, B. B and Tamazian, A. (2008). A Modal of Growth and Finance : FIML
Estimates for India.
Sembiring, R. K. 1995. Analisis Regresi. Penerbit ITB, Bandung.
Sholikhat, C. (2008). Analisis Simultan Pembiayaan pada Bank Syariah Tingkat
Nasional Periode 2002-2007, Jurnal Ekonomi Pembangunan Dinamika,
vol.3, no. 2, hal 14-24.

42

43

Sumodiningrat, G.
Yogyakarta.

2002.

Ekonometrika

Pengantar.

BPFE-Yogyakarta:

Supranto, J. 1994. Statistik, Teori dan Aplikasi Edisi Kelima. Erlangga, Jakarta.
Tohir, K. A. 1975. Ekonomi Modern, Beberapa Ajaran Pokok. Pradnya Paramita,
Jakarta.
Winarno, W. W. 2007. Analisis Ekonometrika dan Statistika Dengan Eviews. Unit
Penerbit dan Percetakan Sekolah Tinggi Ilmu Manajemen YKPN:
Yogyakarta.

43