Asumsi-asumsi

Model Regresi Linier Berganda

(Agar hasil estimasi dapat diinterpretasikan dengan baik - BLUE)

 Nilai rata-rata disturbance term adalah nol,

E(i) = 0.
 Tidak tdpt serial korelasi (otokorelasi) antar i
Cov(i,j) = 0 untuk i  j.
 Sifat homoskedastisitas:
Var(i) = 2 sama utk setiap i
 Covariance antara i dan setiap var bebas adalah
nol. Cov(i,Xi) = 0
 Tidak tdpt multikollinieritas antar variebel bebas.
 Model dispesifikasi dengan baik
 Pengujian Linearitas
• Selama ini masalah utama yang dihadapi adalah
menaksir parameter model yang bentuk
fungsinya dianggap sudah diketahui. Dengan
kata lain, uji statistik untuk memilih suatu bentuk
fungsional tertentu belum dilakukan.
• Tentu saja, spesifikasi bentuk fungsi dapat
menjadi hipotesis yang akan diuji. Dalam
hubungan ini hipotesis yang diuji adalah
hipotesis yang menyatakan persamaan regresi
populasi adalah limear dalam variabel, atau
beberapa hipotesis alternatif bentuk fungsi
lainnya.
Ada tiga cara uji linearitas suatu model:
1. Pengujian yang paling sederhana
adalah menguji hipotesis linear
dengan hipotesis alternatif yang
mengasumsikan suatu fungsi.
 Y    1 X1  2 X  3 X 3 ... i
2

Rumusan hipotesis:
Ho: B1 = B2 =…Bn = 0, model sebenarnya adalah linear
Ha: B1 ≠ B2 ≠… Bn ≠ 0

Jika Ho benar, berarti variasi Y hasil pengamatan tidak

dipengaruhi oleh X1, X2, … dan Xn. Dengan kata lain,
Penambahan kedua variabel tidak berperan apapun dalam
menjelaskan variasi Y. Kalau demikian maka persamaan
regresi tersebut seharusnya linear.
• Untuk mengui hipotesis no B1 = B2 =
…=0, diperlukan perhitungan statistik F
(Uji F).

2. Implikasi dari bentuk linear adalah

bahwa lereng (slope) dan intercept
persamaan regresi harus tetap konstan
untuk seluruh variabel bebasnya.

3. Pengujian linearitas dapat dilakukan

dengan mengamati pola faktor residu
(ei), menyatakan baha faktor-faktor
gangguan tersebar secara random di
sekitar garis regresi populasi, atau
faktor-faktor gangguan cenderung tidak
memiliki pola khusus.
Model Regresi dengan Variabel
Bebas Dummy
• Variabel dummy disebut juga variabel
indikator, bineri, kategorik, kualitatif, boneka,
atau variabel dikotomi.
• Persamaan regresi dapat hanya
menggunakan variabel dummy sebagai
variabel bebas, tetapi dapat pula disertai
oleh variabel bebas lain yang numerik.
Regresi dengan variabel bebasnya variabel
kuantitatif dan dummy disebut model
Analysis of Covariance (ANCOVA).
• Penggunaan variabel dummy jika pada suatu
kesempatan terdapat hanya dua pilihan,
misal desa - kota, ada-tidak ada, pria-
wanita, dan lainnya.
• Contoh. Sebuah isu yang hingga
kini masih bergulir adalah tentang
diskriminasi upah pria dan wanita.
Untuk melihat hal tersebut akan
dibuat analisis gaji tahunan pria dan
wanita yang bekerja sebagai dosen
pada sebuah perguruan tinggi
swasta.
• Definisi: Y = gaji tahunan seorang
dosen
 X =
(tlamanya
humengaj
nar

G = 1;
dosen
pria
• Model yang manggambarkan hubungan di
atas dapat diformulasikan sebagai berikut:
 Y   1   2 G  X  
Dari model ini dapat dilihat bahwa:
• Rata-rata gaji dosen wanita,
 1 X
• Rata-rata gaji dosen pria,
 1 2  X
 Pendapatan (Rp Lama
NO Nama Status
000/bln) Mengajar

Y G X

Gito
1 1 22
Mulyono 2,140
Mento
2 1 22
Taruna 2,380
3 Sumarni 1,910 0 9
Darno
4 1 23
Wiyoso 2,850
5 Lilis 1,780 0 10
6 Sukadi 1,850 1 10
7 Juwita 1,870 0 14
8 Juwono 1,860 1 10
9 Mitro .S 2,950 1 21
10 Mujiono 2,790 1 22
11 Darto 2,320 1 18
Amin
12 1 14
Sumarno 1,860
13 Lasmini 1,420 0 11
14 Yasin 3,260 1 24
15 Yatin Nurjan 2,790 1 20
16 Yenni 1,920 0 15
17 Wagiman 2,340 1 21
18 M.Riski 1,900 1 12
SUMMARY OUTPUT

Regression Statistics
Multiple R 0.84250
R Square 0.70981
Adjusted R Square 0.67567
Standard Error 318.97529
Observations 20
ANOVA
df SS MS F Sign. F
Regression 2 4230711.017 2115356 20.79071 2.71E-05
Residual 17 1729668.983 101745.2
Total 19 5960380

Coefficients Standard Error t Stat P-value

Intercept 824.8253 240.6291 3.4278 0.0032
G 345.7382 183.9029 1.8800 0.0774
X 67.2497 17.1499 3.9213 0.0011
Gaji Bulanan
Dosen laki-lakii

Dosen wanita

a2

a1

Pengalaman
• Hasil regresi menunjukkanbahwa
variabel G(jenis kelamin)
berdasarkan uji-t signifikan secara
statistik pada level 10%.
• Dengan demikian dapat diartikan
bahwa rata-rata gaji per tahun
antara dosen pria dan wanita
berbeda dengan signifikan pula.
• Adapun faktor yang lebih
menentukan tinggi rendahnya gaji
yang diterima oleh dosen adalah
pengalaman (lamanya) mengajar.
 Asumsi-asumsi
Model Regresi Linier Berganda
(Agar hasil estimasi dapat diinterpretasikan dengan baik - BLUE)

 Nilai rata-rata disturbance term adalah nol,

E(i) = 0.
 Tidak tdpt serial korelasi (otokorelasi) antar i
Cov(i,j) = 0 untuk i  j.
 Sifat homoskedastisitas:
Var(i) = 2 sama utk setiap i
 Covariance antara i dan setiap var bebas adalah
nol. Cov(i,Xi) = 0
 Tidak tdpt multikollinieritas antar variebel bebas.
 Model dispesifikasi dengan baik
 Permasalahan dalam
Model Regresi Linier Berganda
1. Multikolinieritas
Multikolinieritas terjadi bila paling tidak salah satu var.
bebas berkorelasi dgn var. bebas lainnya.
Multikolinieritas sempurna terjadi bila tdpt hubungan
linear antar variabel bebas.

Akibatnya ?
 Jika tdpt Multikolinieritas sempurna, parameter
tidak dapat diduga dgn metode OLS.
 Nilai varians besar  standar error besar  selang
kepercayaan lebar.
 Uji-t tidak signifikan
 Tanda (sign) parameter bisa berlawanan.
 R2 tinggi, tp banyak variabel yang tidak signifikan
 Multikolinieritas
Cara mendeteksi ?
  Regresikan setiap variabel bebas Xi dgn variabel
bebas lainnya yg ada dalam persamaan (auxiliary
regression). Jika uji F menunjukkan hasil yang
signifikan berarti terdapat kolinearitas antara
variabel Xi dengan variabel bebas lainnya.
 Cek korelasi antar variabel bebas  matrik
korelasi.
Cara mengatasi ?
 Gunakan informasi a priori, berdasarkan keyakinan
atau hasil penelitian terdahulu.
 Lakukan regresi elementer, kemudian tambahkan
satu per satu variabel yg diduga relevan
mempengaruhi var terikat.
 Menggabungkan data cross-section dan time series
 Mengeluarkan salah satu variabel yang kolinier.
 Mentransformasikan variabel.
 Mencara data tambahan atau data baru
Permasalahan dalam
Model Regresi Linier Berganda
2. Heteroskedastisitas
Heteroskedastisitas terjadi bila varians i tidak konstan,
tapi berubah-ubah pada setiap pengamatan i.
Untuk model
Yi = 0 + 1 X1i + i
Var(i ) bisa kemungkinan semakin besar atau semakin
kecil dengan semakin besarnya nilai X1i. Var(i ) = i2
Misal:
(1) Model Konsumsi = o + 1 Pendapatan + 
(2) Model Learning process:
Jumlah kesalahan ketik = 0 + 1 pengalaman + 
Pada model (1), Var(i ) cenderung lebih besar dengan
semakin besarnya pendapatan.
C C = o + 1 Y

Pada model (2) Var(i ) cenderung lebih kecil dengan

semakin lama pegalaman dalam mengetik.

K = o - 1 P

P
 Akibat Heteroskedastisitas ?

• Karena Var(i ) tdk konstan, tapi ditentukan oleh

X1i , maka:
  xi2 i2.
Var(b1) =.
( xi2)2.
• Besarnya Var(b1) menyebabkan nilai SE(b1) juga
akan besar, sehingga interval kepercayaan
menjadi lebih besar dan pada uji-t variabel
menjadi tidak signifikan.
• ipmepnudluagnaaynantgetadpiamtakbilbdiaasp
HKas daat nmkeonnyseisstaetnk,aank.an
eisl
tetapi varians dr parameter dugaan tidak dapat
minimum sehingga dikatakan tidak efisien
 tidak memenuhi syarat BLUE
Cara mendeteksi ?

 Metode Grafik
2
 Buat diagram plot antara ui dan Ŷ. Heteros-
kedastisitas akan terdeteksi apabila sebaran
plot menunjukkan pola yang sistematis.
 Uji Park
Meregresikan ui 2 dengan X1i dalam bentuk
persamaan log linear.
ln ui2 = o + 1 ln X1i + i
ui adlh error term pd regresi Yi = 0 + 1 X1i +
i
 Metode Goldfeld-Quant
Prinsipnya adlh membagi dua data X1i bdsrkan
urutan terkcil – terbesar dan meregresikan
masing2 untuk memperoleh nilai RSS.
Langkah-langkah Metode Goldfeld-Quant:

 Urutkan data X1i berdasarkan urutan terkecil –

terbesar
 Abaikan bbrp pengamatan (c pengamatan) di sekitar
median.
 Regresikan pengamatan (N-c)/2 pertama dan kedua,
hitung RSS, sehingga didapatkan RSS1 dan RSS2.
 Hitung rasio kedua RSS ():
RSS2/df2
= ; df adalah derajat bebas (n-k-1)
RSS1/df1
 Lakukan uji F, bila  > F berarti terjadi heteroskedas-
tisitas.
 Permasalahan dalam
Model Regresi Linier Berganda
3. Otokorelasi
Terjadi bila terjadi korelasi antara i dan j.
Terjadi korelasi antara variabel itu sendiri pada
pengamatan yang berbeda.
Umumnya banyak terjadi pada data time series.

Dampak Otokorelasi
Taksiran yang diperoleh dengan menggunakan OLS
tidak lagi BLUE, namun masih tak bias dan konsisten.
Oleh karenanya interval kepercayaan menjadi lebar,
dan uji signifikansi kurang kuat. Akibatnya uji t dan uji
F tidak dapat dilakukan, atau hasilnya tidak akan baik.
 Kasus tidak ada otokorelasi
o Perhatikan model berikut:
Q=KL
lnQ = a + lnK + lnL + U; a = ln 
Data yang digunakan adalah data time
series (misalnya data bulanan).
Katakanlah pada bulan Jaunari terjadi
pemogokan buruh, sehingga
mengakibatkan Q menurun. Bila pada
bulan Pebruari buruh tidak mogok lagi,
sehingga Q tidak turun pada bulan
tersebut, dikatakan tidak otokorelasi.
• Jika dampak pemogokan buruh sampai
berlarut-larut sehingga berpengaruh
pada output periode mendatang.
 Uji Durbin Watson

• Mendeteksi otokorelasi melalui uji

D-W merupakan cara paling
populer, bahkan beberapa program
siap pakai, termasuk SPSS pun
menyediakan fasilitas untuk
melakukan uji tersebut.
• Pengamatan kasar: Bila d dekat
dengan 2, maka koefisien
otokorelasi akan dekat dengan nol,
jadi tidak ada otokorelasi.
 Data Kualitatif dalam Model Regressi
(Penggunaan Dummy Variable)

Variabel Dummy adlh variabel yg

merepresentasikan kuantifikasi dari variabel
kualitatif. Misal: jenis kelamin, pendidikan,
lokasi, situasi, musim, & kualitas.
Jika data kualitatif tsb memiliki m kategori,
maka jumlah variabel dummy yg dicantumkan
didlm model adalah (m-1).
Kesimpulan yg diambil dari keberadaan variabel
dummy didlm model adlh perbedaan nilai antar
kategori ybs.
Variabel dummy sering juga disebut variabel
boneka, binary, kategorik atau dikotom.
Dummy memiliki nilai 1 (D=1) utk salah satu
kategori dan nol (D=0) untuk kategori yang lain.
 Dummy sebagai Variabel Bebas:
ANOVA Model:
Yi =  + Di +  Yi
Misal : o
Yi = Penghasilan Karyawan
+  o
o
o
o

Di = 1 untuk laki-laki o

= 0 untuk wanita 
x
E(YiDi=0) =  
x
x
x
O =L
x x
E(YiDi=1) =  +  x = P

D=0 D=1
Interpretasi:
Apakah jenis kelamin berpengaruh thdp penghasilan.
Berapa perbedaan penghasilan antara laki2 dan
wanita.
Dummy sebagai Variabel Bebas:
ANCOVA Model: (gabungan kuantitatif & kualitatif)
1. Satu kuantitatif, satu kualitatif dg 2 kategori.
Yi = 1 + 2Di + Xi + 
 Xi = Masa kerja Yi (1+ 1)+Xi

E(YiXi, Di=0) = 1+Xi o

o
o
E(YiXi, Di=1) = (1+2)+Xi o
o
1+Xi
o
x
x x
Interpretasi: x
Apakah jenis kelamin dan x
x
masa kerja berpengaruh
thdp peng-hasilan. Pada
masa kerja ter-tentu, brp
perbedaan penghasilan Masa kerja
antara Laki dan wanita.
Dummy sebagai Variabel Bebas:
2. Satu kuantitatif, satu kualitatif dg 3 kategori.
Misal: Selain masa kerja, penghasilan karyawan juga
dipengaruhi oleh tingkat pendidikan (tdk tamat
SMU, tamat SMU, Sarjana)
Yi = 1 + 2D1i + 3D2i + Xi + 
D1i = 1 untuk tamat SMU
= 0 Lainnya
D2i = 1 untuk Sarjana
= 0 Lainnya
Sebagai kategori dasar adlh tidak tamat SMU
E(YiXi, D1i=0, D2i=0) = 1+Xi (tdk tamat
SMU)
E(YiXi, D1i=1, D2i=0) = (1+2)+Xi (Tamat
SMU)
E(YiXi, D1i=0, D2i=1) = (1+3)+Xi
(Sarjana)
Satu kuantitatif, satu kualitatif dg 3 kategori.

Yi
(1+3)+Xi  Asumsi: 3>2

(1+2)+Xi
1+Xi

3
2

1
 Masa kerja
Satu kuantitatif, satu kualitatif dg 3 kategori.
Interpretasi:
Apakah Masa kerja dan tkt pendidikan berpengaruh
thdp penghasilan?. Brp besar perbedaan penghasilan
menurut tkt pendidikan pd masa kerja tertentu?.
3. Satu kuantitatif, dua kualitatif dg 2 kategori.

Misal: D1 adalah dummy jenis kelamin (laki2/wanita),

dan D2 adlh dummy tempat kerja (kota/desa).

Yi = 1 + 2D1i + 3D2i + Xi + 

 Yi
3. Satu kuantitatif, dua kualitatif dg 2 kategori.
D1=1, D2=1
D1=0, D2=1
D1i = 1 untuk Laki-laki D1=1, D2=0
=0 untuk wanita
D2i = 1 untuk kota D1=0, D2=0
=0 untuk desa

Masa kerja
 Model Persamaan Simultan
 Merupakan suatu sistem persamaan yg menggambar-kan
saling ketergantungan antar variabel
 Estimasi parameter suatu persamaan tidk dpt dilakukan
tanpa mempertimbangkan irformasi pada persamaan
lainnya.
 Hubungan dua-arah atau simultan antar bbrp Variabel
Y1i = 10 + 11Y2i + 12 Xi + 1i
Y2i = 0 + 1Y1i + 3 Xi + 2i

Y1, Y2 = Variabel Endogen (Saling terikat) – stochastic

X1 = Variabel eksogen
1i, 2i = Error - stochastic
 Terdapat korelasi antara  dan variabel penjelas;
cov(i,Xi)  0.
(Penyimpangan asumsi OLS)
 Model Persamaan Simultan
Contoh:
1. Model Permintaan dan Penawaran
Fungsi Permintaan: Qdt = o + 1Pt + 1t ; 1< 0.
Fungsi Penawaran: Qst = o + 1Pt + 2t ; 1> 0.
Keseimbangan: Qdt = Qst P

2. Model Pendapatan Nasional Keynes

Fungsi Konsumsi: Ct = o + 1Yt + t ; 0 < 1<
1.
Identitas Pendapatan: Yt = Ct + I ;
3. Model Ekonomi Makro
Fungsi Konsumsi: Ct = o + 1Ydt + 1t ; 0 < 1<
1.
Fungsi Pajak: Tt = o + 1Yt + 2t ; 0 < 1 <
1.
Fungsi Investasi: It = o + 1 rt + 3t ; 1 <
0.
Definisi: Ydt = Yt - Tt
Beberapa Istilah dlm Model Persamaan Simultan:
1. Persamaan Struktural/Perilaku:
Persamaan yang dapat menggambarkan:
• Struktur atau perilaku dari fenomena ekonomi yang
diamati.
• Perilaku variabel endogen terhadap perubahan-perubahan
variabel penjelas pada persamaan yang bersangkutan
2. Persamaan Identitas:
• Persamaan yg tdk dpt menunjukkan perilaku variabel
endogen.
• 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:
• Variabel yg nilainya akan ditentukan melalui model.
• Variabel yg dipengaruhi oleh dan mempengaruhi
variabel lain
5. Variabel Predetermined (eksogen dan lag endogen):
 Model Persamaan Simultan
Identifikasi Model:

Tujuan: Mengidentifikasi model sblm dilakukan

estimasi
Untuk mengetahui apakah estimasi parameter dapat
dilakukan melalui persamaan reduced-form dr sistem
persamaan simultan.
Persamaan Teridentifikasi (unidentified) jika estimasi
parameter tidak dapat dilakukan melalui persamaan
reduced-form.
Persamaan Teridentifikasi (identified) jika estimasi parameter
dpt dilakukan melalui persamaan reduced-form dr sistem
persamaan simultan.
 Teridentifikasi Tepat (just identfied),
Jika masing-masing nilai parameter bersifat unik (hanya
mempunyai satu nilai)
 Teridentifikasi Berlebih (over identified),
Jika masing2 nilai parameter mempunyai lbh dari satu
 Model Persamaan Simultan
Identifikasi Model:
Metode:
 Order Condition
Suatu persamaan teridentifikasi jika jumlah variabel
yang dikeluarkan dari persamaan tersebut, tetapi
masuk kedalam persamaan2 lain pada model minimal
sama dengan jumlah persamaan dalam model
dikurangi dengan satu.
 (K – M)  (GModel
– 1) Persamaan Simultan
Identifikasi
Dimana: Model:
G = jmlh persamaan dlm model (= jmlh Var
Endogen) K = Jumlah semua variabel dalam model
M = Jumlah variabel dalam persamaan yang
diidentifikasi

 Rank Condition
 Diagram Keterkaitan Variabel
Pada Model Persamaan Simultan

Model Permintaan dan Penawaran

Qd P Qs

I Pa Pr
Pop E
S T

= Var Endogen = Var Eksogen

 Output Umur Jam Kerja Pupuk Modal
No. Y X1 X2 X3 X4
1 434 32 60 120 26,600
2 494 30 90 250 36,400
3 600 35 100 175 41,000
4 867 45 145 200 56,430
5 697 35 123 100 43,400
6 364 34 75 230 22,500
7 359 29 65 250 15,000
8 329 32 68 320 15,600
9 405 44 80 100 20,000
10 410 34 85 250 21,000
11 880 50 156 350 41,000
12 974 56 150 420 54,300
13 394 37 75 150 22,560
14 456 40 129 230 39,800
15 720 45 100 250 54,000
16 571 35 120 100 43,500
17 726 46 140 90 56,540
18 323 32 90 100 22,000
19 586 36 120 150 37,400
20 319 40 65 175 28,400
21 364 44 70 150 29,200
22 546 46 130 200 50,800
23 534 47 80 400 33,800
24 658 54 125 150 47,000
25 416 46 110 100 29,200
26 531 56 75 250 21,500
27 688 55 120 150 35,600
28 634 52 105 250 27,100
29 556 48 100 250 39,000
30 380 47 80 100 21,600
1. Fungsi Produksi Linear adalah sbb:
    1Produksi
Q Fungsi
1. X 1   2 X Linear
  3 X adalah
  4 X 4sbb:
2 3

Output Regresi:
Coefficient Standard
s Error t Stat P-value
Intercept -144.7990 73.8161 -1.9616 0.0610
X1 3.3996 1.6498 2.0607 0.0499
X2 2.5800 0.9241 2.7921 0.0099
X3 0.4037 0.1648 2.4499 0.0216
X4 0.0058 0.0020 2.9085 0.0075
2. Fungsi Produksi Double Log
 log  log   1 log X 1   2 log X 2   3 log X 3   4 log X 4
Q 2. Fungsi
 Produksi Double Log

Output Regresi:
Coefficie Standard
nts Error t Stat P-value
Intercept -0.46849 0.38717 -1.21004 0.23758
log(X1) 0.26231 0.14309 1.83321 0.07871
log(X2) 0.45280 0.17433 2.59733 0.01552
log(X3) 0.12758 0.06333 2.01452 0.05483
log(X4) 0.34750 0.12254 2.83576 0.00893
3. Fungsi Produksi Cobb-Douglas
    
Q  X 1 1 X 2 2 X 3 3 X 4 3
3. Fungsi Produksi Cobb-Douglas
Untuk mendapatkan parameter estimasi, maka fungsi CD ini ditransformasikan
ke dalam bentuk model doule log seperti berikut.

log  log   1 log X 1   2 log X 2   3 log X 3   4 log X 4

Q 

Output regresi yang di dapat dari estimasi parameter model double log
adalah hasil parameter untuk fungsi CD juga, hanya saja harus
dikembalikan ke dalam bentuk semula CD dengan meng-anti log-kan 
saja dan paremeter i-nya tidak berubah, seperti berikut ini.
0, 2623 0, 4528
Q  0,34 X 1 2 X 30,1276 X 40,3475
X
4. Fungsi Produksi Quadratic
 Q    1 X 1  11 1
2
  2 X   22 2
2   3 X   33 2
3   4 X   44 2
4
4. Fungsi Produksi
2 Quadratic
3 4

Coefficientstandard Erro t Stat P-value

Intercept 1089.63 504.8636 2.158267 0.042635
X1 -42.8026 21.8985 -1.95459 0.064075
X2 -2.08339 5.068631 -0.41104 0.68521
X3 -0.0908 0.749111 -0.12121 0.904679
X4 0.005555 0.008057 0.689461 0.498082
X11 0.547399 0.256376 2.135141 0.044692
X22 0.020882 0.023491 0.888948 0.384101
X33 0.00071 0.0016 0.443546 0.661907
X44 1.54E-08 1.05E-07 0.146544 0.88489
5. Fungsi Produksi Transcendental
 1  3 3
Q   X1 X2 X 3 X 4 e
 1X 1  2 X 2   3X 3   4 X 4
2

Untuk mendapatkan parameter estimasi, maka fungsi ini ditransformasikan

ke dalam bentuk model doule log seperti berikut.

logQ  log  1 logX1  2  3 logX 3  4 logX 4   1 X1   2   3 X 3   4

logX 2 X2 X4

Output regresi yang di dapat dari estimasi parameter model double log
adalah hasil parameter untuk fungsi transcendental juga, hanya saja
harus dikembalikan ke dalam bentuk semula transcendental dengan
meng-anti log-kan  saja dan paremeter i-nya tidak berubah, output
transcendental seperti berikut ini:
 Standard
Coefficients Error t Stat P-value
Intercept 5.708559 2.544564 2.243433 0.035781
log(X1) -3.65446 1.771344 -2.0631 0.051685
log(X2) 0.070712 0.879976 0.080356 0.936715
log(X3) -0.06428 0.280272 -0.22934 0.820822
log(X4) 0.194393 0.436348 0.445501 0.660517
X1 0.041198 0.018517 2.22482 0.037187
X2 0.001307 0.003874 0.337483 0.739103
X3 0.000304 0.000619 0.490228 0.629055
X4 3.18E-06 5.82E-06 0.547406 0.589871
 5. Fungsi Biaya
Biaya merupakan fungsi dari jumlah output yang diproduksi dan harga-
harga input per unit
 C  f (Q, wi )

Sama halnya dengan fungsi produksi, fungsi-fungsi biaya ini dapat pula
menggunakan model persamaan modifikasi dari fungsi produksi yang
diterangkan sebelumnya seperti: fungsi linear, eksponensial,
transecendental, translog dan lainnya.

Misalnya, berikut ini adalah data mengenai produksi dan harga input yang
digunakan dalam proses produksi:
DATA BIAYA, PRODUKSI DAN HARGA INPUT
PERTANIAN JAGUNG DI KAB. MA. JAMBI

Total Output Upah Sewa Harga Harga

Biaya TK/jam Modal/jam pupuk Obat
Tahun TC Q W1 W2 W3 W4
1985 6,502,000 760 7500 35,000 500 14,500
1986 6,922,000 750 7500 35,000 520 14,500
1987 7,194,000 740 7750 36,500 530 15,000
1988 7,204,000 755 7750 36,600 550 15,100
1989 7,358,000 760 8000 37,000 575 15,250
1990 7,362,000 760 8100 37,150 600 15,500
1991 8,308,000 750 8150 37,150 625 15,500
1992 8,248,000 800 8250 37,150 650 15,600
1993 8,357,000 815 8500 37,250 650 15,750
1994 8,414,000 800 8500 37,300 665 16,500
1995 8,358,000 880 8750 37,500 675 16,500
1996 8,194,000 974 8800 37,600 700 17,500
1997 8,204,000 875 9000 38,000 750 17,350
1998 8,358,000 850 9250 38,500 800 17,850
1999 8,857,000 850 9750 39,000 950 19,000
2000 8,758,000 850 10000 40,000 975 20,000
2001 8,994,000 825 10250 41,500 980 21,000
2002 8,404,000 850 10750 42,200 1,025 21,500
2003 8,758,000 825 11000 42,250 1,050 22,500
2004 8,857,000 865 11000 42,500 1,075 22,750
 1. Fungsi Produksi Linear adalah sbb:

C     Q Q 1W1     3W3   4W4

 2W 2

Output
Regresi:
Standard
Coefficients Error t Stat P-value
Intercept -2884479 5349832 -0.53917 0.598239
Q 3937.912 2062.406 1.909377 0.076923
W1 172.0107 957.3117 0.179681 0.859978
W2 327.981 229.4369 1.429504 0.174794
W3 6401.803 3258.54 1.964623 0.069625
W4 -635.037 240.2405 -2.64334 0.019278
2. Fungsi Biaya Cobb-Douglas
 q 1 2 3 3
C  Q W W
W 1
W
2 3 4

Untuk mendapatkan parameter estimasi, maka fungsi CD ini ditransformasikan

ke dalam bentuk model doule log seperti berikut.

log  log    log Q  1   2 logW2   3 logW3   4W4

C logW1
q

Output regresi yang di dapat dari estimasi parameter model double log
adalah hasil parameter untuk fungsi CD juga, hanya saja harus
dikembalikan ke dalam bentuk semula CD dengan meng-anti log-kan 
saja dan paremeter i-nya tidak berubah, dengan hasil regresi sebagai
berikut:
 Coefficient Standard
s Error t Stat P-value

Intercept 2.918896 2.93419 0.994788 0.336723

log(Q) 0.381602 0.211232 1.806557 0.092367

log(W1) -0.1469 1.030861 -0.1425 0.888714

log(W2) 1.504016 1.005371 1.495981 0.156858

log(W3) 0.732341 0.280281 2.612882 0.020458

log(W4) -1.30456 0.496247 -2.62884 0.019831

 Fungsi Profit
• Profit secara teori merupakan fungsi dari harga
output, harga input dan atau jumlah input tetap,
dengan fungsi sebagai berikut:
  f (Pq , wi , Z i )`

Perhatikan data berikut ini:

 DATA BIAYA, PRODUKSI, HARGA
INPUT DAN HARGA OUTPUT

Total Harga Upah Sewa Harga Harga

Output Pendapatan Biaya Profit Output TK/jam Modal/jam pupuk Obat
Tahun Q TR TC  Pq W1 W2 W3 W4
1985 760 6,918,128 6,502,000 416,128 9,103 7500 35,000 500 14,500
1986 750 7,268,100 6,922,000 346,100 9,691 7500 35,000 520 14,500
1987 740 7,452,984 7,194,000 258,984 10,072 7750 36,500 530 15,000
1988 755 7,614,628 7,204,000 410,628 10,086 7750 36,600 550 15,100
1989 760 7,828,912 7,358,000 470,912 10,301 8000 37,000 575 15,250
1990 760 7,833,168 7,362,000 471,168 10,307 8100 37,150 600 15,500
1991 750 8,723,400 8,308,000 415,400 11,631 8150 37,150 625 15,500
1992 800 9,237,760 8,248,000 989,760 11,547 8250 37,150 650 15,600
1993 815 9,535,337 8,357,000 1,178,337 11,700 8500 37,250 650 15,750
1994 800 9,423,680 8,414,000 1,009,680 11,780 8500 37,300 665 16,500
1995 880 10,297,056 8,358,000 1,939,056 11,701 8750 37,500 675 16,500
1996 974 11,173,338 8,194,000 2,979,338 11,472 8800 37,600 700 17,500
1997 875 10,049,900 8,204,000 1,845,900 11,486 9000 38,000 750 17,350
1998 850 9,946,020 8,358,000 1,588,020 11,701 9250 38,500 800 17,850
1999 850 10,539,830 8,857,000 1,682,830 12,400 9750 39,000 950 19,000
2000 850 10,422,020 8,758,000 1,664,020 12,261 10000 40,000 975 20,000
2001 825 10,388,070 8,994,000 1,394,070 12,592 10250 41,500 980 21,000
2002 850 10,000,760 8,404,000 1,596,760 11,766 10750 42,200 1,025 21,500
2003 825 10,115,490 8,758,000 1,357,490 12,261 11000 42,250 1,050 22,500
2004 865 10,725,827 8,857,000 1,868,827 12,400 11000 42,500 1,075 22,750
 Contoh Aplikasi Matematis

• Secara sederhana profit (keuntungan) didapat

hasil Pengurangan antara Total Revenue dengan
Total Biaya. Untuk memaksimumkan Profit dapat
dipecahkan dengan menggunakan metode berikut
ini:
 = TR – TC =P f{L,K} – wL – rK
• Cari derivasi parsial dari fungsi profit diturunkan
terhadap L dan K, dan set sama dengan nol:
/L = Pf/L - w = 0
/K = Pf/K - r = 0

PM
Kombinasi optimal dari input adalah:
 MPPL w

MPPK r
atau

MRTS 
w
r

PM
 Contoh

• Jika diketahui bahwa produsen mempunyai

fungsi produksi Q = 2L0,5K0,4. Dia akan membeli
dua jenis input L dengan harga Rp. 4 per unit
dan input K dengan harga Rp. 2 per unit.
Sedangkan harga output per unit = Rp. 4.-,
sedangkan ouput yang dihasilkan adalah
sebanyak 10 unit. Ditanya berapa kombinasi
(banyak) L dan K dapat dibeli agar dicapai profit
maksimum
PM
• Asumsi fungsi batasan adalah dalam
bentuk persamaan, sehingga Lagrangian
adalah :
 = TR – TC =P f{L,K} – wL – rK
sehingga
 = TR – TC =4(2L0,5K0,4) – 4L – 2K
• Cari derivasi parsial dari fungsi profit
diturunkan terhadap L dan K, dan set
sama dengan nol:
First order condition (turunan pertama)
• /L = Pf/L - w = 0,5x4x2L-0,5K0,4 – 4 = 0
• /K = Pf/K - r = 0,4x4x2L0,5K-0,6 – 2 = 0

Solusi dari persamaan (1) didapat:

0,5x4x2L-0,5K0,4 = 4
4L-0,5K0,4 = 4
4K0,4 = 4L0,5
K=L1,25
Substitusikan ke persamaan (2)
0,4x4x2L0,5K-0,6 – 2 = 0
3,2L0,5(L1,25)-0,6 = 2
3,2L-0,25 = 2
L=6,55
dan K=6,551,25 = 10,49
• Sehingga profit-maximizing
levels dari Q adalah Q=13,11, bila
P =Rp.4, w= Rp. 4 dan r = Rp. 2.
Fungsi Profit Cobb-Douglas
 q 1 2  3
  P W W 3W
W q 1 2 3 4

Untuk mendapatkan parameter estimasi, maka fungsi CD ini ditransformasikan

ke dalam bentuk model double log seperti berikut.

log   log    log  1 logW1   2 logW2   3 logW3   4W4

q
Pq

Output regresi yang di dapat dari estimasi parameter model double log
adalah hasil parameter untuk fungsi CD juga, hanya saja harus
dikembalikan ke dalam bentuk semula CD dengan meng-anti log-kan 
saja dan paremeter i-nya tidak berubah, dengan hasil regresi sebagai
berikut:
 Coefficient Standard
s Error t Stat P-value

Intercept 32.42081 21.45875 1.510843 0.153067

log(Pq) 4.580239 2.080459 2.201553 0.044969

log(W1) 19.17991 8.035302 2.386956 0.031649

log(W2) -24.756 6.944994 -3.56458 0.00311

log(W3) -3.67228 2.713073 -1.35355 0.19733

log(W4) 0.758957 5.100327 0.148806 0.883829