BAB I

PENDAHULUAN

1.1. Latar Belakang

Ekonometrika merupakan salah satu alat analisis penting di bidang

ekonomi. Dalam analisis ekonometrika, ketersediaan data yang sesuai sangat
mempengaruhi hasil analisis yang diperlukan. Data untuk pekerjaan ekonometrika
terdiri dari tiga jenis, yaitu data time series atau runtun waktu, cross section, dan
data panel. Data time series merupakan sekumpulan observasi dalam rentang
waktu tertentu. Data ini dikumpulkan dalam interval waktu secara kontinu,
misalnya data mingguan, data bulanan, data kuartalan, dan data tahunan. Data
cross section merupakan data yang dikumpulkan dalam kurun waktu tertentu dari
sampel. Data panel merupakan gabungan antara data time series dan data cross
section (Widarjono, 2007).

Ekonometrika dapat didefinisikan sebagai ilmu sosial dimana perangkat

teori ekonomi, matematika, dan statistic inferensial diterapkan dalam menganalisis
fenomena ekonomi. Ekonometrika sebagai suatu hasil dari suatu hasil tnjauan
tertentu tentang peran ilmu ekonomi, mencakup aplikasi statistic matematik atas
data ekonomi guna memberikan dukungan empiris terhadap model yang disusun
berdasarkan matematika ekonomi serta memperoleh hasil berupa angka-angka.

Ekonometrika memberikan muatan empiris (berdasarkan observasi atau

eksperimen) terhadap hampir semua ilmu ekonomi. Jika dalam studi atau
eksperimen kita menemukan bahwa ketika harga satu unit barang/jasa naik sebesar
satu dolar dan jumlah permintaan turun, katakanlah, 100 unit, maka kita bukan
hanya menegaskan kaidah tentang permintaan, melainkan dalam proses tersebut
kita juga memberikan taksiran angka-angka mengenai hubungan antara kedua
variable (harga dan jumlah permintaan atau kuantitas).
 BAB II

PEMBAHASAN

2.1. Definisi Ilmu Ekonometrika

Bidang ilmu yang melakukan evaluasi teori-teori ekonomi secara

kuantitatif, disebut ilmu ekonometri. Ekonometri adalah suatu ilmu yang
mengkombinasikan teori ekonomi dan statistic ekonomi dengan tujuan menyelidiki
dukungan empiris dari hokum skematik yang dibangun oleh teori ekonomi.
Dengan memanfaatkan ilmu ekonomi, matematik, dan statistik, ekonometri
membuat hukum-hukum ekonomi teoritis tertentu menjadi nyata.

Beberapa pakar ekonomi berpendapat tentang definisi ekonometri,

diantaranya : Ilmu ekonomerti didefinisikan sebagai ilmu social yang menerapkan
peralatan teori ekonomi, matematik, dan statistik inferensi untuk menganalisis
fenomena ekonomi (Arthur S. Goldberger, Econometric Theory, 1964, page 1).

Ilmu ekonometri, merupakan hasil suatu pandangan tertentu mengenai

peranan ilmu ekonomi yang meliputi penerapan statistik matematik data
ekonomiuntuk memberikan dukungan empiris terhadap model-model yang
dibangun dengan ekonomi matematik serta memperoleh hasil-hasil numerik
(Gerhard Tintner, Methodology of Mathematical Economics and Econometrics,
1968, page 74).

Ilmu ekonometri adalah cabang ilmu ekonomi yang berkaitan dengan

penafsiran empiris dari hubungan-hubungan ekonomi. Kata “metrik” dalam
ekonometik berarti “ukuran”; dan ilmu ekonometri pada dasarnya berkaitan dengan
pengukuran hubungan-hubungan ekonomi (Michael D. Intriligator, Econometric
Models, Techniques and Applications, 1980, page 2).

Ilmu ekonometri didefinisikan sebagai pengamatanstatistik terhadap

konsep-konsep yang dihasilkan secara teoritis; atau dapat pula dikatakan sebagai
ilmu ekonomi matematik yang bekerja dengan data terukur (Jan Tinbergen,
Econometrics, 1951).

Ekonometrika dapat didefinisikan sebagai analisis kuantitatif dari fenomena

ekonomi riil yang berdasar pada pengembangan teori dan observasi yang
dihubungkan dengan metode inferensi (Samuelson, P. A., T. C. Koopmans, & J. R.
N. Stone, “Report of the Evaluative Committee for Econometrica”, Econometrica,
vol. 22, no. 2, April 1954, pp. 141-146).

Berdasarkan beberapa definisi tersebut, maka didapatkan kesimpulan bahwa

ekonometrika adalah suatu disiplin ilmu yang merupakan gabungan dari teori
ekonomi, matematika ekonomi, dan statistika ekonomi. Teori ekonomi, hanya
menyatakan secara kualitatif suatu hubungan dalam suatu pernyataan atau postulat
atau hipotesis. Misalnya, teori ekonomi hanya menyatakan adanya hubungan
negatif antara harga dan jumlah permintaan (semakin tinggi harga di pasar,
semakin rendah jumlah permintaan). Namun teori ekonomi tidak memberikan
pengukuran secara numerik berkaitan dengan hubungan kedua variabel tersebut,
yang artinya teori ekonomi tidak menjelaskan berapa jumlah permintaan akan naik
atau turun sebagai akibat dari perubahan harga yang terjadi. Hal ini merupakan
lahan kajian dari ahli matematika ekonomi, yang membangun model matematis
secara eksak dari hubungan dua variabel tersebut. Namun sekali lagi, matematika
berhubungan dengan sesuatu yang pasti, sedangkan keadaan di lapangan tidak
selalu seperti itu, banyak hal seperti keadaan politik dan sosial yang
mempengaruhinya, di mana muncul suatu probabilitas. Oleh sebab itu dibutuhkan
kajian statistika ekonomi yang mengembangkan model matematis dengan
pengujian secara empiris.

2.2. Tujuan Ekonometrika

Adapun tiga tujuan ekonometrika, yaitu analisis struktural, peramalan dan

evaluasi kebijakan. Studi ekonometrika tidak harus mencakup ketiga tujuan
tersebut akan tetapi dapat mencakup salah satu tujuan tersebut tergantung pada
bahan material yang tersedia dan tujuan studi ekonometrika.

Analisis struktural adalah penggunaan penaksiran model ekonometrik

untuk mengukur besaran kuantitatif hubungan variabel-variabel ekonomi' Analisis
struktural juga memfasilitasi perbandingan beberapa teori pada fenomena yang
sama. Analisis struktural bertujuan memahami ukuran kuantitatif, pengujian dan
validasi hubungan ekonomi. Misalnyam pengukuran hubungan antara inflasi dan
tingkat pengangguran. Philltps curve terah mendorong berbagai pengembangan
teori pengangguran.

Peramalan adalah penggunaan penaksiran model ekonometrik untuk

memprediksi nilai kuantitatif dari variabel di luar data yang diamati. Peramalan
didasarkan atas aksi, misarnya, pemberian bahan baku dan tenagakerja dalam satu
perusahaan berdasarkan atas peramalan penjualan periode berikutnya.

Evaluasi kebijakan adalah penggunaan penaksiran model ekonometrik

untuk memilih beberapa alternatif kebijakan. salah satu pendekatan eksplisit adalah
maksimisasi fungsi tujuan dengan memilih kebijakan tertentu. cara pendekatan rain
adalah dengan simurasi berbagai alternatif kebijakan dan membuat peramalan
bersyarat dari nilai masa datang variabel yang relevan.

Ketiga tujuan utama dari moder ekonometrik tersebut saring berhubungan.

Anarisis strukturar menggunakan penaksiran moder eko- nometrik' peramalan
menggunakan analisis struktural, dan evaruasi kebijakan menggunakan moaer
ekonometrik dengan peramaran ber_ syarat atau condittonal forecast. Dalam model
ekonometrik variabel di sebelah kiri persamaan lazim disebut variabel endogen,
dan variabel di sebelah kanan persamaan lazim disebut variabel eksogen.
Penjelasan variabel dalam model ekonometrik akan dijelaskan pada bagian
berikutnya. Beberapa contoh studi ekonometrika sederhana, antara lain: Kurva
permintaan dan elastisitas harga permintaan.

Kurva permintaan individu konsumen dirumuskan daram bentuk fungsi, e

=Q (P), di mana e dan p masing-masing adalah kuantitas permintaan dan harga.
Konsep kurva permintaan daram contoh moder di atas dijelaskan oleh besaran
elastisitas harga permintaan, yaitu rasio relative perubahan jumrah yang diminta
amrat perubahan harga. Hipotesis permintaan menjeraskan bahwa erastisitas harga
permintaan mempunyai tanda negatif, artinya peningkatan harga jual akan
menurunkan jumlah yang diminta. Berapa besar perubahan jumlah yang diminta
akibat perubahan harga memerrukan pengukuran dengan model ekonometrik.

Fungsi Konsumsi, penaksiran fungsi konsumsi merupakan cakupan studi

ekonometrika, di mana konsumsi ditentukan oleh besarnya pendapatan nasional
atau C = C (y), di mana C dan y masing-masing menjelaskan konsumsi dan
pendapatan nasional. Konsep fungsi konsumsi merupakan fungsi dengan
kemiringan positif akan tetapi lebih kecil dari satu. Kemiringun slope fungsi
konsumsi disebut marginal propensity to consume (MPC), adalah positif dan selalu
lebih kecil dari satu. Berapa besar perubahan konsumsi akibat perubahan
pendapatan nasional memerlukan pengukuran dengan model ekonometrik.

Fungsi pertumbuhan. penaksiran fungsi pertumbuhan merupakan cakupan

studi ekonometrika, di mana pertumbuhan suatu variabel ekonomi merupakan
tingkat proporsi yang konstan atau N0exp (at) dimana N, exp, 0 dan t masing-
masing adalah nilai variabel ekonomi, eksponensiar, konstanta, dan waktu t :
1,2,3... dst. Kemiringan dari fungsi pertumbuhan adalah o, yang dapat bernilai
negatif atau positif. Kemiringan ini menjelaskan tingkat pertumbuhan negatif atau
tingkat pertumbuhan positif.

2.3. Ruang Lingkup Ekonometrika

Ekonometri memberikan muatan empiris (yaitu berdasarkan observasi atau

eksperimen) terhadap hampir semua ilmu ekonomi. Jika dalam suatu studi atau
eksperimen kita menemukan bahwa ketika harga satu unit barang/jasa naik sebesar
satu dolar dan jumlah permintaan turun, katakanlah, 100 unit, maka kita bukan
hanya menegaskan kaidah tentang permintaan, melainkandalam proses tersebut
kita juga memberikan taksiran angka-angka mengenai hubungan antara kedua
variable (harga dan jumlah permintaan atau kuantitas).

Bagi mahasiswa jurusan ekonomi dan manajemen (bisnis), ada alasan

pragmatis dalam mempelajari ekonometrika. Sesudah lulus, dalam melakukan
pekerjaannya, mungkin saja mereka diminta untuk meramalkan penjualan, tingkat
suku bunga, dan jumlah uang beredar atau menaksir fungsi permintaan dan
penawaran ataupun elastisitas harga suatu produk. Pakar ekonomi sering diminta
menjadi konsultan oleh lembaga legislasi pusat (DPR) maupun daerah (DPRD)
untuk kepentingan klien mereka ataupun kepentingan sebagian besarmasyarakat.
Jadi, pakar ekonomi yang menjadi konsultan bagi komisi DPRD yang bertugas
mengendlikan harga BBM dan listrik mungkin diminta untuk menilai dampak
kenaikan harga yang diusulkan terhadap jumlah permintaan akan listrik sebelum
komisi tersebut menyetujui kenaikan harga BBM dan listrik.

Dalam situasi semacam ini, para ekonom mungkin perlu mengembangkan

fungsi permintaan akan listrik, yang akan memungkinkannya untuk menaksir
elastisitas harga atas permintaan ; dalam hal ini, persentase perubahan jumlah yang
diminta untuk setiap persentase perubahan harga. Pengetahuan tentang
ekonometrika akan sangat membantu di dalam menaksir fungsi permintaan
semacam itu.

Pada umumnya, analisis ekonometrika mengikuti metodologi berikut:

1.Membuat pernyataan teori atau hipotesis;

2.Mengumpulkan data;
3.Menentukan model matematis dari teori tersebut;

4.Menentukan model statistic, atau ekonometri, dari teori tersebut;

5.Menaksir parameter-parameter dari model ekonometri yang dipilih;

6.Memeriksa kecocokan model: pengujian spesifikasi model;

7.Menguji hipotesis yang didasarkan dari model;

8.Menggunakan model untuk melakukan prediksi atau peramalan.

1. Membuat Pernyataan Teori atau Hipotesis

Langkah awal adalah mencari teori ekonomi yang cocok dengan topik yang
ingin dipelajari. Kemudian membuat 2 hipotesis yang saling berbeda yakni seperti
HO dan H1. Untuk mengetahui pengaruh kedua variabel, itu dapat ditentukan
berdasarkan hipotesis yang lebih dominan. Bagaimana kita menentukan hipotesis
mana yang lebih dominan? Maka inilah yang menjadi pertanyaan empiris.

2. Mengumpulkan data

Untuk keperluan empiris, kita perlu informasi kuantitatif tentang kedua

variable. Ada 3 jenis data yang umumnya tersedia untuk keperluan analisis empiris.

*Data deret berkala (time series). Dikumpulkan selama kurun waktu tertentu,
seperti data tentang PDB, kesempatan kerja, pengangguran, JUB, ataupun
defisitanggaran belanja pemerintah. Data ini bisa bersifat kuantitatif (misalnya
harga, pendapatan,jub) ataupun kualitatif (misalnya laki-laki atau perempuan).

*Data lintas-sektoral (cross-sectional). Data tentang satu atau lebih variabel yang
dikumpulkan pada suatu waktu tertentu, seperti survey pengeluaran konsumen
yang pernah dilakukan oleh University of Michigan, AS.

*Data kelompok (gabungan antara data deret berkala dan data linta
sektoral). Dalam data ini kita memiliki unsur-unsur data deret berkala sekaligus
juga data lintas sektoral. Sebagai contoh, jika kita harus mengumpulkan data
tingkat pengangguran di 10 negara selama 20 tahun, maka data itu merupakan data
kelompok, yakni data tingkat pengangguran di masing-masing negara selama 20
tahun merupakan data deret berkala, sedangkan data tingkat pengangguran di 10
negara untuk suatu tahun tertentu merupakan data lintas sektoral. Ada data
kelompok yang sifatnya khusus, yaitu data panel/ data longitudinal/ data
mikropanel, dimana unit lintas sektoral yang sama disurvei secara berkala.
3. Menentukan Model Matematis untuk Teori Tersebut

Untuk mengetahui pengaruh kedua variabel, kita perlu menggambarkan

data keduanya ke dalam diagram pencar (scatter diagram atau scattergram).
Dengan diagram pencar tersebut, kita bisa korelasi kedua variabel apakah positif
atu negatif. Kemudian selanjutnya kita membuat taksiran awal dan membuat model
matematis sederhananya.

4. Menentukan Model Statistic, atau ekonometri, dari Teori Tersebut

Model matematis murni yang dirumuskan pada langkah sebelumnya tidak

selalu benar adanya. Model semacam itu mengasumsikan suatu hubungan yang
pasti (deterministik) antara kedua variabel tersebut. Padahal dalam kenyataan
sering hubungan variabel tidak pasti atau bersifat statistik. Oleh karena hal di atas,
maka kemungkinan pengaruh semua variabel lain dimasukkan ke model matematis
tadi (sehingga menjadi model statistik). Semua pengaruh variabel lain diwakilkan
dengan variabel “u” untuk menyatakan faktor kesalahan acak atau gangguan acak.
Model yang sudah ditambah dengan faktor variabel lain itu merupakan model
statistic atau empiris atau ekonometri. Persamaan (model) itu merupakan salah satu
contoh model regresi linear dan inilah yang menjadi topik utama pembahasan.
Dalam model ini terdapat 2 variabel yakni variabel tak bebas (dependent
variabel),variabel yang berada di sisi kiri dan variabel bebas (independent
variabel), variabel yang berada di sisi kanan atau variabel yang bersifat
menjelaskan (explanatory variable). Dalam regresi ada hubungan sebab akibat.
Apakah ini berarti bahwa kedua variabel pada model ekonometri memiliki
hubungan sebab-akibat; dalam hal ini variable independent merupakan faktor
penyebab variabel independent sedangkan variable dependent merupakan faktor
akibat?Tidak selalu demikian keadaannya. Sebagaimana diuraikan oleh Kendall
dan Stuart, “Suatu hubungan statistik, betapapun kuat dan meyakinkan, tidak dapat
menentukan hubungan sebab-akibat : gagasan kita tentang hubungan sebab akibat
tentulah berasal dari luar ilmu statistic, yaitu pada intinya berasal dari beberapa
teori yang ada.” Jika hubungan sebab-akibat tidak dapat ditentukan, maka lebih
tepat bila kita menyebutnya sebagai hubungan prediktif: Berdasarkan nilai variabel
independent tertentu, dapatkah kita memprediksi besarnya variabel dependent?

5. Menaksir Parameter-parameter dari Model Ekonometri yang Dipilih

 Berdasarkan data yang ada bagaimana kita menaksir parameter-parameter
dari model ekonometrika tadi, dalam hal ini bagaimana kita memperoleh angka-
angka (hasil taksiran) dari kedua parameter ini? Ini akan menjadi focus bahasan di
Bagian II, dimana kita mengembangkan metode yang cocok, terutama metode
kuadrat terkecil biasa (ordinary least-square/OLS). Dengan OLS kita mendapat
persamaan yang masih merupakan taksiran dari model sebelumnya. Ini ditandai
dengan “^” pada variabel dependentnya. Taksiran atas μ disebut sisa atau residual.
Garis regresi yang ditaksir, menyatakan hubungan antara variabel independent
rata-rata dan variabel dependent.

6. Memeriksa Kecocokan Model : Pengujian Spesifikasi Model

Perlu kita ingat lagi bahwa regresi tidak menjelaskan hubungan sebab-
akibat; teori yang relevan haruslah menentukan apakah salah satu atau lebih
variabel bebas memiliki hubungan dengan variabel tidak bebas. Pada tahap ini kita
akan membuat regresi linear berganda dan kemudian juga membuat penaksiran
empiris atas model yang ada pada langkah sebelumnya menggunakan metode OLS.
Maka model mana yang akan kita pilih, model pada langkah yang ke-6 ini atau
model yang pada langkah ke-5 tadi? Karena model persamaan pada langkah ke-6
ini telah mencakup model yang ada pada langkah sebelumnya, maka kita pilih
model pada langkah ke-6 ini. Lalu kita akan berhenti sampai mana? Variabel-
variabel lain bisa jadi tersedia, namun kita mungkin tidak ingin memasukkan
semua variabel tersebut ke dalam model karena tujuan pengembangan model
ekonometri bukan untuk menangkap realitas secara keseluruhan, melainkan hanya
segi-segi yang penting saja. Bila kita memasukkan semua variabel yang mungkin
ke dalam model regresi, model tersebut akan menjadi susah dipakai dan sangat
tidak praktis. Model yang dipilih akhirnya haruslah yang merupakan replica yang
cukup masuk akal dari realitas yang sesungguhnya.

7. Menguji Hipotesis yang Dihasilkan dari Model

Setelah akhirnya berhasil menetapkan sebuah model, kita mungkin ingin

melakukan pengujian hipotesis. Dalam hal ini, kita mungkin ingin mengetahui
apakah model yang ditaksir masuk akal dari sisi ilmu ekonomi dan apakah hasil
yang diperoleh cocok dengan teori ekonomi yang mendasarinya.

8. Menggunakan Model untuk Melakukan Prediksi atau Peramalan

 Model yang kita taksir akan kita gunakan untuk prediksi atau peramalan.
Nantinya kita akan dapat membandingkan nilai prediksi dengan nilai aktual yang
tersedia. Selisih antara kedua nilai tersebut menyatakan kesalahan prediksi. Tentu
kita akan berusaha agar kesalahan prediksi itu sekecil mungkin.

Sejak ditemukan pada tahun 1930-an ilmu ekonometrika telah mendorong

perkembangan teori murni, baik dari sudut pandang matis maupun penafsiran
empiris terhadap hubungan-hubungan ekonomi. Peranan ekonometri terutama pada
penafsiran empiris, dan penerapan matematis pada teori ekonomi sekarang disebut
“ilmu ekonomi matematik”. Muncul anggapan yang keliru bahwa ekonometri sama
dengan penerapan matematik dalam ilmu ekonomi. Ekonometrika tidak sama
dengan ilmu ekonomi matematik, juga tidak sama dengan statistic ekonomi.

2.4 Persamaan Regresi

a. Persamaan Regresi Linear Sederhana dan Berganda

 Persamaan Regresi Linear Sederhana

 Definisi
Regresi Linear Sederhana adalah Metode Statistik yang berfungsi untuk
menguji sejauh mana hubungan sebab akibat antara Variabel Faktor
Penyebab (X) terhadap Variabel Akibatnya. Faktor Penyebab pada
umumnya dilambangkan dengan X atau disebut juga dengan Predictor
sedangkan Variabel Akibat dilambangkan dengan Y atau disebut juga
dengan Response. Regresi Linear Sederhana atau sering disingkat dengan
SLR (Simple Linear Regression) juga merupakan salah satu Metode
 Statistik yang dipergunakan dalam produksi untuk melakukan peramalan
ataupun prediksi tentang karakteristik kualitas maupun Kuantitas.
Analisis Regresi Sederhana adalah sebuah metode pendekatan untuk
pemodelan hubungan antara satu variabel dependen dan satu variabel
independen. Dalam model regresi, variabel independen menerangkan
variabel dependennya. Dalam analisis regresi sederhana, hubungan antara
variabel bersifat linier, dimana perubahan pada variabel X akan diikuti
oleh perubahan pada variabel Y secara tetap. Sementara pada hubungan
non linier, perubahaan variabel X tidak diikuti dengan perubahaan
variabel y secara proporsional. seperti pada model kuadratik, perubahan x
diikuti oleh kuadrat dari variabel x. Hubungan demikian tidak bersifat
linier.

 Model analisis regresi linear sederhana secara matematis :

Y = A + BX + e
Keterangan :
Y : Variabel dependen atau respon
A : Intercept atau konstanta
B : Koefisien regresi atau slope
e : Residual atau error

 Kegunaan analisis regresi linear sederhana

1. Model regresi sederhana dapat digunakan untuk forecast atau
memprediksi nilai Y. Namun sebelum melakukan forecasting, terlebih
dahulu harus dibuat model atau persamaan regresi linier. Ketika model
yang fit sudah terbentuk maka model tersebut memiliki kemampuan
untuk memprediksi nilai Y berdasarkan variabel Y yang diketahui.
Katakanlah sebuah model regresi digunakan untuk membuat persamaan
antara pendapatan (X) dan konsumsi (Y). Ketika sudah diperoleh model
yang fit antara pendapatan dengan konsumsi, maka kita dapat
memprediksi berapa tingkat konsumsi masyarakat ketika kita sudah
mengetahui pendapatan masyarakat.
2. Mengukur pengaruh variabel X terhadap variabel Y. Misalkan kita
memiliki satu serial data variabel Y, melalui analisis regresi linier
sederhana kita dapat membuat model variabel-variabel yang memiliki
pengaruh terhadap variabel Y. Hubungan antara variabel dalam analisis
regresi bersifat kausalitas atau sebab akibat. Berbeda halnya dengan
analisis korelasi yang hanya melihat hubungan asosiatif tanpa mengetahui
apa variabel yang menjadi sebab dan apa variabel yang menjadi akibat.
 Syarat model regresi linear sederhana yang baik
1. Eksogenitas yang lemah, kita harus memahami secara mendasar
sebelum menggunakan analisis regresi bahwa analisis ini mensyaratkan
bahwa variabel X bersifat fixed atau tetap, sementara variabel Y bersifat
random. Maksudnya adalah satu nilai variabel X akan memprediksi
variabel Y sehingga ada kemungkinan beberapa variabel Y. dengan
demikian harus ada nilai error atau kesalahan pada variabel Y. Sebagai
contoh ketika pendapatan (X) seseorang sebesar Rp 1 juta rupiah, maka
pengeluarannya bisa saja, Rp 500 ribu, Rp 600 ribu, Rp 700 ribu dan
seterusnya.
2. Linieritas, seperti sudah dijelaskan sebelumnya bahwa model analisis
regresi bersifat linier. artinya kenaikan variabel X harus diikuti secara
proporsional oleh kenaikan variabel Y. Jika dalam pengujian linieritas
tidak terpenuhi, maka kita dapat melakukan transformasi data atau
menggunakan model kuadratik, eksponensial atau model lainnya yang
sesuai dengan pola hubungan non-linier.
3. Varians error yang konstan, ini menjelaskan bahwa varians error atau
varians residual yang tidak berubah-ubah pada respon yang berbeda.
asumsi ini lebih dikenal dengan asumsi homoskedastisitas. Mengapa
varians error perlu konstan? karena jika konstan maka variabel error dapat
membentuk model sendiri dan mengganggu model. Oleh karena itu,
penanggulangan permasalahan heteroskedastisitas/non-homoskedastisitas
dapat diatasi dengan menambahkan model varians error ke dalam model
atau model ARCH/GARCH.
4. Autokorelasi untuk data time series, jika kita menggunakan analisis
regresi sederhana untuk data time series atau data yang disusun
berdasarkan urutan waktu, maka ada satu asumsi yang harus dipenuhi
yaitu asumsi autokorelasi. Asumsi ini melihat pengaruh variabel lag
waktu sebelumnya terhadap variabel Y. Jika ada gangguan autokorelasi
artinya ada pengaruh variabel lag waktu sebelumnya terhadap variabel Y.
sebagai contoh, model kenaikan harga BBM terhadap inflasi, jika
ditemukan atukorelasi artinya terdapat pengaruh lag waktu terhadap
inflasi. Artinya inflasi hari ini atau bulan ini bukan dipengaruhi oleh
kenaikan BBM hari ini namun dipengaruhi oleh kenaikan BBM
sebelumnya (satu hari atau satu bulan tergantung data yang dikumpulkan).

 Persamaan Regresi Linear Berganda

 Regresi Linear Berganda adalah model regresi linear dengan melibatkan
lebih dari satu variable bebas atau predictor. Dalam bahasa inggris, istilah ini
disebut dengan multiple linear regression. Pada dasarnya regresi linear berganda
adalah model prediksi atau peramalan dengan menggunakan data berskala interval
atau rasio serta terdapat lebih dari satu predictor. Skala data yang dimaksud diatas
adalah pada semua variabel terutama variable terikat. Pada regresi linear, tidak
menutup kemungkinan digunakannya data dummy pada variable bebas. Yaitu pada
regresi linear dengan dummy.

 Perbedaan Regresi Linear Berganda dan Sederhana

Seperti yang sudah saya bahas diatas, dikatakan regresi linear berganda
jika jumlah variable bebas lebih dari satu. Sedangkan jika jumlah variable
bebas hanya ada satu saja, maka itu yang disebut dengan regresi linear
sederhana.
Model regresi linear berganda dilukiskan dengan persamaan sebagai
berikut:
Y = α + β1 X2 + β2 X2 + βn Xn + e
Keterangan:
Y = Variabel terikat atau response.
X = Variabel bebas atau predictor.
α = Konstanta.
β = Slope atau Koefisien estimate.

b. Uji

 Uji T
Uji T dikenal dengan uji parsial, yaitu untuk menguji bagaimana
pengaruh masing-masing variabel bebasnya secara sendiri-sendiri
terhadap variabel terikatnya. Uji ini dapat dilakukan dengan
mambandingkan t hitung dengan t tabel atau dengan melihat kolom
signifikansi pada masing-masing t hitung, proses uji t identik dengan
Uji F (lihat perhitungan SPSS pada Coefficient Regression Full
Model/Enter). Atau bisa diganti dengan Uji metode Stepwise.
Seperti kita telah pelajari pada berbagai artikel dalam website
statistikian, bahwa ada banyak sekali yang membahas tentang Uji F
dan Uji T. Pertanyaannya, sebenarnya apakah yang dimaksud dengan
 Uji F dan Uji T tersebut? Di atas kita telah pelajari sebagian dari yang
dimaksud untuk menjawab pertanyaan ini. Namun perlu statistikian
jelaskan lagi bahwa sebenarnya Uji F dan Uji T itu tidak hanya
sebatas dari apa yang telah dibahas di atas, dimana di atas membahas
tentang Uji F dan Uji T dalam konteks analisis regresi linear. Namun
dalam konteks yang lain, bisa jadi ada dalam berbagai jenis analisis,
misalnya Uji ANOVA, ANCOVA, MANOVA juga terdapat nilai F.
Dan pada uji beda 2 sampel berpasangan, yaitu paired t test dan uji
beda 2 sampel bebas, yaitu independen t test, juga ada nilai T.

 Uji F
Uji F dikenal dengan Uji serentak atau uji Model/Uji Anova, yaitu uji
untuk melihat bagaimanakah pengaruh semua variabel bebasnya
secara bersama-sama terhadap variabel terikatnya. Atau untuk
menguji apakah model regresi yang kita buat baik/signifikan atau
tidak baik/non signifikan. Dalam artikel ini dijelaskan tentang Uji F
dan Uji T dalam penelitian.
Uji F dapat dilakukan dengan membandingkan F hitung dengan Tabel
F: F Tabel dalam Excel, jika F hitung > dari F tabel, (Ho di tolak Ha
diterima) maka model signifikan atau bisa dilihat dalam kolom
signifikansi pada Anova (Olahan dengan SPSS, Gunakan Uji Regresi
dengan Metode Enter/Full Model). Model signifikan selama kolom
signifikansi (%) < Alpha (kesiapan berbuat salah tipe 1, yang
menentukan peneliti sendiri, ilmu sosial biasanya paling besar alpha
10%, atau 5% atau 1%). Dan sebaliknya jika F hitung < F tabel, maka
model tidak signifikan, hal ini juga ditandai nilai kolom signifikansi
(%) akan lebih besar dari alpha.

Perbedaan Uji F dan Uji T

Jadi kesimpulannya: bahwa uji F adalah uji yang mengukur besarnya

perbedaan variance antara kedua atau beberapa kelompok. Sedangkan
Uji T adalah uji yang mengukur perbedaan dua atau beberapa Mean
antar kelompok.

Dalam uji F dikenal istilah F Hitung dan Tabel F: F Tabel dalam Excel
seperti yang telah dibahas di atas. F Hitung adalah nilai F hasil
perhitungan analisis, yang kemudian nilainya akan dibandingkan
dengan F Tabel pada Numerator dan Denumerator tertentu. Numerator
 disebut juga dengan Degree of Freedom 1, sedangkan Denumerator
adalah Degree of Freedom 2. Misalnya pada Regresi Linear, Nilai
Denumerator adalah jumlah sampel dikurangi jumlah variabel bebas
dikurangi 1. Sedangkan nilai Numerator adalah jumlah variabel bebas.
Untuk lebih jelasnya, silahkan pelajari tentang Tabel F: F Tabel dalam
Excel.

Sama halnya dengan F Hitung, T Tabel juga digunakan untuk

mengukur tingkat signifikansi sebuah analisis. Namun bedanya, T
Tabel tidak mengenal istilah Numerator dan Denumerator, yang ada
hanyalah nilai T pada Degree Of Freedom tertentu. Misalnya pada Uji
Paired T Test, Degree of Freedom sebesar jumlah observasi pada
kedua kelompok. Sedangkan pada Independen T Test, degree of
freedom adalah sebesar jumlah sampel.

 Koefisien determinasi (R square)

Koefisien determinasi pada regresi linear sering diartikan sebagai
seberapa besar kemampuan semua variabel bebas dalam menjelaskan
varians dari variabel terikatnya. Secara sederhana koefisien
determinasi dihitung dengan mengkuadratkan Koefisien Korelasi (R).
Sebagai contoh, jika nilai R adalah sebesar 0,80 maka koefisien
determinasi (R Square) adalah sebesar 0,80 x 0,80 = 0,64. Berarti
kemampuan variabel bebas dalam menjelaskan varians dari variabel
terikatnya adalah sebesar 64,0%. Berarti terdapat 36% (100%-64%)
varians variabel terikat yang dijelaskan oleh faktor lain. Berdasarkan
interpretasi tersebut, maka tampak bahwa nilai R Square adalah antara
0 sampai dengan 1.
Penggunakan R Square (R Kuadrat) sering menimbulkan
permasalahan, yaitu bahwa nilainya akan selalu meningkat dengan
adanya penambahan variabel bebas dalam suatu model. Hal ini akan
menimbulkan bias, karena jika ingin memperoleh model dengan R
tinggi, seorang penelitian dapat dengan sembarangan menambahkan
variabel bebas dan nilai R akan meningkat, tidak tergantung apakah
variabel bebas tambahan itu berhubungan dengan variabel terikat atau
tidak.
Oleh karena itu, banyak peneliti yang menyarankan untuk
menggunakan Adjusted R Square. Interpretasinya sama dengan R
Square, akan tetapi nilai Adjusted R Square dapat naik atau turun
 dengan adanya penambahan variabel baru, tergantung dari korelasi
antara variabel bebas tambahan tersebut dengan variabel terikatnya.
Nilai Adjusted R Square dapat bernilai negatif, sehingga jika nilainya
negatif, maka nilai tersebut dianggap 0, atau variabel bebas sama
sekali tidak mampu menjelaskan varians dari variabel terikatnya.

2.5 UANG (Uji Asumsi Klasik)

a. Uji Normalitas

Uji Normalitas adalah sebuah uji yang dilakukan dengan tujuan untuk
menilai sebaran data pada sebuah kelompok data atau variabel, apakah sebaran
data tersebut berdistribusi normal ataukah tidak.

Uji Normalitas berguna untuk menentukan data yang telah dikumpulkan

berdistribusi normal atau diambil dari populasi normal. Metode klasik dalam
pengujian normalitas suatu data tidak begitu rumit. Berdasarkan pengalaman
empiris beberapa pakar statistik, data yang banyaknya lebih dari 30 angka (n > 30),
maka sudah dapat diasumsikan berdistribusi normal. Biasa dikatakan sebagai
sampel besar.

Namun untuk memberikan kepastian, data yang dimiliki berdistribusi

normal atau tidak, sebaiknya digunakan uji normalitas. Karena belum tentu data
yang lebih dari 30 bisa dipastikan berdistribusi normal, demikian sebaliknya data
yang banyaknya kurang dari 30 belum tentu tidak berdistribusi normal, untuk itu
perlu suatu pembuktian. uji statistik normalitas yang dapat digunakan diantaranya
Chi-Square, Kolmogorov Smirnov, Lilliefors, Shapiro Wilk, Jarque Bera.

Metode Chi-Square (Uji Goodness of fit Distribusi Normal)

Metode Chi-Square atau �2untuk Uji Goodness of fit Distribusi Normal,

menggunakan pendekatan penjumlahan penyimpangan data observasi tiap kelas
dengan nilai yang diharapkan. Persyaratan Metode Chi Square (Uji Goodness of fit
Distribusi Normal) :

•Data tersusun berkelompok atau dikelompokkan dalam tabel distribusi frekuensi.

•Cocok untuk data dengan banyaknya angka besar (n>30)

Metode Lilliefors
Metode Lilliefors menggunakan data dasar yang belum diolah dalam tabel
distribusi frekuensi. Data ditransformasikan dalam nilai Z untuk dapat dihitung
luasan kurva normal sebagai probabilitas komulatif normal.

PERSYARATAN

•Data berskala interval atau ratio (kuantitatif)

•Data tunggal/belum dikelompokkan pada tabel distribusi frekuensi

•Dapat untuk n besar maupunn kecil

Metode Kolmogorov-Smirnov

Metode Kolmogorov-Smirnov tidak jauh beda dengan metode Lilliefors. Langkah-

langkahPenyelesaian dan penggunaan rumus sama,namun pada signifikansi yang
berbeda. SignifikansiMetode Kolmogorov-Smirnov menggunakan tabel
pembanding Kolmogorov-Smirnov, sedangkanMetode Lilliefors menggunakan
tabel pembanding metode Lilliefors.

PERSYARATAN

•Data berskala interval atau ratio (kuantitatif)

•Data tunggal/ belum dikelompokkan pada tabel distribusi frekuensi

•Dapat untuk n besar maupun n kecil.

Metode Shapiro Wilk

Metode Shapiro Wilk menggunakan data dasar yang belum diolah dalam tabel
distribusi frekuensi. Data diurut,kemudian dibagi dalam dua kelompok untuk
dikonversi dalam Shapiro Wilk. Dapat juga dilanjutkan transformasi dalam nilai Z
untuk dapat dihitung luasan kurva normal.

PERSYARATAN

•Data berskala interval atau ratio (kuantitatif)

•Data tunggal/belum dikelompokkan pada tabel distribusi frekuensi

•Data dari sampel random

b. Uji Autokorelasi
 Uji Autokorelasi adalah sebuah analisis statistik yang dilakukan untuk
mengetahui adakah korelasi variabel yang ada di dalam model prediksi dengan
perubahan waktu. Oleh karena itu, apabila asumsi autokorelasi terjadi pada sebuah
model prediksi, maka nilai disturbance tidak lagi berpasangan secara bebas,
melainkan berpasangan secara autokorelasi. Dalam kesempatan ini, kita hanya
akan fokus pada tutorial uji autokorelasi dengan SPSS. Namun prinsip penting
lainnya tetap akan kami bahas secara singkat dan padat serta mudah dipahami.

Uji autokorelasi di dalam model regresi linear, harus dilakukan apabila

data merupakan data time series atau runtut waktu. Sebab yang dimaksud dengan
autokorelasi sebenarnya adalah: sebuah nilai pada sampel atau observasi tertentu
sangat dipengaruhi oleh nilai observasi sebelumnya.

Cara Mendeteksi Autokorelasi

Uji Durbin-Watson

•Hanya digunakan untuk autokorelasi tingkat satu(first order autocorrelation) dan

mensyaratkan adanya intercept (konstanta) dalam model regresi dan tidak ada
variable lag diantara variable independen.

•DenganmembandingkanDW hasildenganDW tabel.

Uji Lagrange Multiplier (LMTest)

•Uji autokorelasi dengan LMTest terutama digunakan untuk sampel besar diatas
100 observasi.

Uji Statistics Q : Box-Pierce dan Ljung Box

•Digunakan untuk melihat autokorelasi dengan lag lebih dari dua.

Run Test

•Run test sebagai bagian dari statistic nonparametric dapat pula digunakan untuk
menguji apakah antar residualter dapat korelasi yang tinggi. Jika antar residual
tidak terdapat hubungan korelasi maka dikatakan bahwa residual adalah acak atau
random. Run test digunakan untuk melihat apakah dataresidual terjadi secara
random atau tidak (sistematis).

c. Uji Multikolinieritas
 Uji Multikol bisa menggunakan korelasi sederhana yang dilakukan antar
variabel penjelas, dimana rule of thumbs-nya jika nilai koefisien korelasinya lebih
besar sama dengan 0.80 maka terdapat multikol antar variabel penjelas tersebut,
dan sebaliknya. Hasil uji multikolinieritas menjelaskan bahwa antara variabel
harga dan penggunakan media iklan tidak terdapat korelasi. Hal ini ditandai dengan
koefisien korelasinya sebesar 0.026366 (tidak lebih besar dari 0.80).

d. Uji Heteroskedastisitas

Hipotesis yang dibangun dalam pengujian Hetero adalah sebagai berikut:

H0 : Tidak terdapat Hetero

H1 : Terdapat Hetero

Pengujian ini umumnya menggunakan uji white heteroskedasticity. Uji ini

menggunakan statistik Chi-Square. Menerima atau menolak hipotesis awal
dilakukan dengan membandingkan nilai prob. Chi-Square pada Obs*R-square
dengan alfa yang dipilih (misalnya 5 persen). Jika prob lebih besar dari alfa maka
menerima hipotesis awal, artinya tidak terdapat hetero.
 BAB III

PENUTUP

3.1Kesimpulan

Adapun kesimpulan yang dapat diambil dari pembahasan kali ini adalah
Banyak pakar ekonometri berpendapat bahwa ekonometri adalah suatu ilmu yang
mengkombinasikan teori ekonomi dan statistic ekonomi dengan tujuan menyelidiki
dukungan empiris dari hukum skematik yang dibangun oleh teori ekonomI.

Pada umumnya, analisis ekonometrika mengikuti metodologi berikut

Membuat pernyataan teori atau hipotesis; mengumpulkan data; menentukan model
matematis dari teori tersebut; menentukan model statistik atau ekonometri dari
teori tersebut; menaksir parameter dari model ekonometri yang dipilih; memeriksa
kecocokan model; pengujian spesifikasi model; menguji hipotesis yang didasarkan
dari model; menggunakan model untuk melaukan prediksi atau peramalan.
 EKONOMETRIKA I

NAMA: FRISCA SOPLANIT

NIM: 2014-29-071