EKONOMETRIKA (UAS TAKE HOME)

I KADEK PANDI BERI ARTANA (1517351025)

PROGRAM STUDI AGRIBISNIS

FAKULTAS PERTANIAN
UNIVERSITAS UDAYANA
DENPASAR
2018
 UJIAN AKHIR SEMESTER
MATA KULIAH : EKONOMETRIKA
Take home

Soal : silahkan buat atau cari sendiri yang menunjukkan bahwa soal tersebut
diselesaikan dengan Regresi Linear Baerganda.

Ketentuan Soal :

 Jumlah sampel atau titik pengamatan (n) minimal 30

 Jumlah peubah bebas (X) minimal sebanyak 5, dan boleh menyertakan peubah
Dummy (D)
 Soal tidak boleh sama antara satu mahasiswa dengan mahasiswa lainnya.

Ketentuan Jawaban :

1. Lakukan analsisis regresi dari soal yang ada buat

2. Lakukan pengujian apakah dalam model tersebut terjadi penyimpangan
asumsi klasik
3. Apabila terjadi penyimpangan, apa upaya yang dilakukan untuk mendapatkan
model penduga terbaik.
4. Pilih model terbaik dan jelaskan kriteria yang anda pergunakan dalam
memilih model terbaik tersebut
5. Beriakan narasi dan interpretasi atas koefisien penduga dari model terbaik.

JAWABAN DIKUMPUL DALAM BENTUK SOFT COPY (LEWAT KORTI)

DAN HARD COPY PADA SAAT JADWAL UAS EKONOMETRIKA

Selamat Bekerja
 Tabel data Kualitas bangunan dipengaruhi oleh bahan bangunan yang
digunakan yaitu,semen, pasir, batako, besi, dan kayu.
LAPORAN HASIL ANALISIS REGRESI MENGGUNAKAN APLIKASI SPSS
2.3

Tabel Regresi menggunakan SPSS

Variables Entered/Removeda
Variables Variables
Model Entered Removed Method
1 Kayu, Batako,
Semen, Besi, . Enter
b
Pasir
a. Dependent Variable: KualitasBangunan
b. All requested variables entered.

Dari tabel diatas dimana penjelasannya variabel Y merupakan Kualitas

bangunan. Dan variabel X dijelaskan dibawah ini:
 X1 = Semen (sak)
 X2 = Pasir (kubik)
 X3 = Batako (biji)
 X4 = Besi (batang)
 X5 = Kayu (kubik)

Model Summary
Adjusted R Std. Error of the
Model R R Square Square Estimate
1 ,981a ,962 ,954 ,605
a. Predictors: (Constant), Kayu, Batako, Semen, Besi, Pasir
 Dari tabel diatas bahwa nilai korelasi atau hubungan uji R = 0.981 dan R 2 =
0.962 dimana pengaruh variabel bebas terhadap variabel terikat yaitu menunjukan
96,2% Kualitas bangunan per unit dan sisanya dapat dijelaskan oleh variable lain.
Dimana pada tabel standard error didapatkan nilai sebesar 0,605 dimana
apabila di jadikan presentase 6% dimana standard error masih kecil dimana nilainya
masih berada di bawah 80% yang artinya dalam kesalahan memasukan data sangat
kecil kemungkinan kesalahannya.

ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 213,027 5 42,605 116,368 ,000b
Residual 8,421 23 ,366
Total 221,448 28
a. Dependent Variable: KualitasBangunan
b. Predictors: (Constant), Kayu, Batako, Semen, Besi, Pasir

Hasil perhitungan dalam F didapatkan angka dalam tabel diatas sebesar

116,368. Dengan tingkat probabilitas / signifikan menunjukan sebesar 0,000 dengan
angka tersebut dengan sebesar 0 < 0,05 dijelaskan bahwa dapat memprediksi kualitas
bangunan yang akan diterapkan.

Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 5,101 1,624 3,141 ,005
 Semen ,254 ,013 ,967 19,998 ,000
Pasir ,009 ,015 ,031 ,606 ,551
Batako -,007 ,010 -,031 -,736 ,469
Besi -,001 ,013 -,005 -,103 ,919
Kayu ,000 ,014 -,001 -,027 ,979
a. Dependent Variable: KualitasBangunan

Tabel di atas menjelaskan nilai Ŷ = 5,101 + 0,254 X1 + 0,009 X2 – 0,007 X3 – 0,001

X4 + 0,000 X5.
Berikut dijelaskan arti nilai di atas :
a. Nilai koefisien Kualitas bangunan terhadap semen sebesar 0,254, dimana
setiap penambahan 1 sak semen maka akan meningkatkan Kualitas bangunan
sebesar 0,254.
b. Nilai koefisien Kualitas bangunan terhadap pasir sebesar 0,009, dimana setiap
penambahan 1 kubik pasir maka akan meningkatkan Kualitas bangunan
sebesar 0,009.
c. Nilai koefisien Kualitas bangunan terhadap batako sebesar – 0,007, dimana
setiap penambahan 1 biji batako maka akan mengurangi Kualitas bangunan
sebesar 0,007.
d. Nilai koefisien Kualitas bangunan terhadap besi sebesar – 0,001, dimana
setiap penambahan 1 batang besi maka akan mengurangi Kualitas bangunan
sebesar 0,001.
e. Nilai koefisien Kualitas bangunan terhadap kayu sebesar 0,000, dimana setiap
penambahan 1 kubik kayu maka akan meningkatkan Kualitas bangunan
sebesar 0,000.
 1.1 Tabel Uji Multikolinieritas dengan Uji Pair – Wise Correlations

Coefficient Correlationsa
Model Kayu Batako Semen Besi Pasir
1 Correlations Kayu 1,000 ,008 -,139 ,184 -,215
Batako ,008 1,000 -,013 -,180 -,115
Semen -,139 -,013 1,000 -,193 -,477
Besi ,184 -,180 -,193 1,000 ,282
Pasir -,215 -,115 -,477 ,282 1,000
Covariances Kayu ,000 1,086E-6 -2,404E-5 3,195E-5 -4,297E-5
Batako 1,086E-6 ,000 -1,614E-6 -2,298E-5 -1,686E-5
Semen -2,404E-5 -1,614E-6 ,000 -3,112E-5 -8,853E-5
Besi 3,195E-5 -2,298E-5 -3,112E-5 ,000 5,255E-5
Pasir -4,297E-5 -1,686E-5 -8,853E-5 5,255E-5 ,000
a. Dependent Variable: KualitasBangunan
Tabel diatas yaitu Uji multikolinieritas dimana tabel ini untuk menguji gejala
multikolinier. Dimana uni multikolinieritas yang digunakan yaitu uji Pair-Wise
Correlation dimana nilai dari uji ini mmerupakan nalai Correlation pada kolom antar
peubah bebas. Dimana paja uji Pair-Wise Correlation ini tidak ditemukannya nilai
dari variabel X1 sampai dengan X5 yang melebihi standar nilai yang ditetapkan yaitu
0,70 pada uji Pair-Wise Correlation ini. Jadi kesimpulannya model yang diterapkan
ini tidak mengandung gejala multikolinier dalam data.

1.2 Uji Normalitas dengan menggunakan grafik uji Histogram Plot

Dalam sebuah data yang dapat dikatakan memiliki suatu distribusi normal
apabila data yang didapatkan dapat menyebar mengikuti garis diagonal yang ditarik
dari angka nol atau disebut dengan grafik histogramnya dan hal ini disebut
berdistribusi normal. Sebaliknya apabila data dalam grafik memencar dan tidak
mengikuti garis diagonal maka grafik tersebut dapat dikatakan tidak berkontribusi
normal. Hal tersebut dapat dijelaskan dengan uji P-P plot dibawah ini.
 Dapat dari gambar diatas dimana gambar diatas merupakan gambar grafik
hotogram dan P-P plot dimana grafik ini menjelaskan bahwa Kualitas bangunan
dipengaruhi oleh bahan bangunan yang dibutuhkan diantaranya semen, kayu, pasir,
batako, dan besi. Dapat dilihat dalam penyebaran datanya mengikuti garis diagonal
yang ditarik dari angka nol.

1.3 Uji Heteroskedatisitas dengan menggunakan Scatterplots

Uji Heteroskedastisitas bertujuan menguji apakah dalam model regresi linier

berganda terjadi ketidaksamaan variance dari residual satu pengamatan ke
pengamatan yang lain. Jika variance dari residual suatu pengamatan ke pengamatan
yang lain tetap, maka disebut homoskedastisitas. Sebaliknya, apabila berbeda disebut
heteroskedastisitas. Model regresi linier berganda yang baik adalah yang
heteroskedastisitas atau tidak terjadi heteroskedastisitas.
Bagaimana kriteria pengujian untuk menjawab hipotesis yang sudah didapatkan
berikut penjelasannya bawah ini:

1. Ho: Tidak ada gejala heteroskedastisitas, dimana titik titik dalam grafik
menyebar dengan baik
2. Ha: Ada gejala heteroskedastisitas, dimana titik titik dalam grafik tidak
menyebar dengan baik dimana titik titik mengumpul pada satu tempat dalam
grafik

Berikut grafik yang ada dalam pengujian dalam heteroskedatisitas minat

dalam pembelajaran dengan bahasa yang digunakan:
 Dimana pada grafik diatas menunjukan penyebaran titik titik pada grafik
menyebar sempurna dimana titik titik berada di atas 0 maupun diatas 0 pada sumbu Y.
Kesimpulannya dimana tidak terdapat gejala heteroskedatisitas dalam pengujian
Minat dalam bahasa yang digunakan dalam pembelajaran, atau disebut Ho diterima.
 1.4 Uji Linieritas dengan Grafik

Uji Linearitas bertujuan untuk mengetahui apakah dua variable mempunyai

hubungan yang linear atau tidak secara signifikan.Pengujian ini melihat bagaimana
variable (X) mempengaruhi variable (Y), baik itu pengaruh berbanding lurus maupun
berbanding terbalik.Uji ini biasanya digunakan sebagai prasyarat dalam analisis
korelasi atau regresi linear.
Berikut uji linieritas dengan grafik:
 Dapat dilihat pada grafik bahwa titik titik menyebar dengan baik dimana
penyebaran merata dimana titik titik berada di derah posotif maupun negatif dan
disebut dengan Regression Stardized Residual, dinyatakan model model regresi pada
grafik ini dijelaskan bahwa regresi ini linier.

1.5 Uji Autokorelasitas

Menurut Singgih Santoso (2000:216) uji autokorelasi bertujuan menguji

apakah dalam model regresi linier ada korelasi antara kesalahan pengganggu pada
periode t dengan kesalahan pada periode t- 1 (sebelumnya). Jika terjadi korelasi,
maka dinamakan ada problem autokorelasi. Model regresi yang baik adalah model
regresi yang terbebas dari masalah autokorelasi.
Data time series atau data berkala waktu seperti bulanan, tahunan dan
sebagainya sering atau bahkan rentan terjadi kasus autokorelasi. Salah satu cara yang
dapat dilakukan untuk mendeteksi adanya autokorelasi yaitu dengan pengujian
Durbin Watson(uji D-W). Patokan atau kriteria umum menurut Singgih Santoso
(2000:219) yang dapat digunakan untuk mengetahui ada atau tidaknya masalah
autokeralsi dapat dijabarkan sebagai berikut:
1) Angka D-W di bawah -2 berarti ada auto korelasi positif.
2) Angka D-W di antara -2 sampai +2 berarti tidak ada autokorelasi.
3) Angka D-W di atas +2 berarti ada autokorelasi negatif.

Model Summaryb
Adjusted R Std. Error of the
Model R R Square Square Estimate Durbin-Watson
1 ,981a ,962 ,954 ,605 2,357
a. Predictors: (Constant), Kayu, Batako, Semen, Besi, Pasir
b. Dependent Variable: KualitasBangunan
 Dari hasil tabel diatas dilihat pada tabel durbin-watson didapatkannya angka
yaitu 2,357 dimana angka ini berada diatas >2 yang artinya berada pada aoutokorelasi
negatif.

1.6 Model Regresi Terbaik

Model regresi terbaik adalah model yang dapat menjelaskan perilaku peubah
tak bebas dengan sebaik-baiknya dengan memilih peubah-peubah bebas dari sekian
banyak peubah bebas yang tersedia dalam data. Untuk menentukan peubah bebas
mana yang akan dimasukkan ke dalam model regresi, menurut Draper[1], ada dua
kriteria yang saling bertentangan yaitu
1. Agar persamaannya bermanfaat untuk peramalan, biasanya ingin dimasukkan
sebanyak mungkin peubah sehingga diperoleh nilai ramalan yang andal
2. Karena untuk memperoleh informasi dari banyak peubah serta
pemantauannya seringkaali diperlukan biaya yang tinggi, maka diinginkan
persaman regresi yang mencakup sesedikit mungkin peubah. Kompromi
diantara kedua kriteria itulah yang disebut pemilihan model regresi terbaik.

Variables Entered/Removeda
Variables Variables
Model Entered Removed Method
1 Stepwise
(Criteria:
Probability-of-F-
Semen . to-enter <= ,050,
Probability-of-F-
to-remove >= ,
100).
a. Dependent Variable: KualitasBangunan
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients Correlations
Model B Std. Error Beta t Sig. Zero-order Partial Part
1 (Constant) 4,923 ,643 7,652 ,000
Semen ,257 ,010 ,980 25,555 ,000 ,980 ,980 ,980
a. Dependent Variable: KualitasBangunan
 Berdasarkan hasil tabel diatas merupakan hasil output dari program, terlihat
bahwa variabel yang masuk kedalam model yaitu X1, maka prsamaan model regresi
terbaik adalah sebagai berikut:

Y = 4,923 + 0,257 X1
Dari persamaan regresi tersebut dapat dijelaskan bahwa apabila terjadi
peningkatan dalam penggunaan semen dalam membangun maka kualitas bangunan
akan meningkat. Tiap peningkatan semen satu satuan maka akan meningkat sebesar
0,257

1.7 Kesimpulan

Jadi dari beberapa uji asumsi klasik yang dilakukan dapat disimpulkan bahwa
data data diatas dalam kualitas bangunan dipengaruhi oleh semen, kayu, pasir, batako,
dan besi. Dimana tidak ditemukannya penyimpangan dalam data data yang diuji
sehingga data tersebut dapat dikatakan bersifat Normal.