E-Jurnal
Matematika
OPEN JOURNAL SYSTEMS
Journal Help
U SER
Username
Password
Remember me
Log In
N O T I FI CAT I O N S
View
Subscribe / Unsubscribe
JO U RN AL CO N T ENT
Se a rch
All
1 of 2 7/19/2014 2:15 PM
E-Jurnal Matematika file:///F:/NILA FILE/e-JURNAL MATEMATIKA/E-JURNAT MATEMA...
Search
B ro ws e
By Issue
By Author
By Title
Other Journals
FO N T SI Z E
I N FO RMAT I O N
For Readers
For Authors
For Librarians
E-Jurnal Matematika
E-Jurnal Matematika merupakan salah satu jurnal elektronik yang ada di Universitas Udayana, sebagai media komunikasi antar
peminat di bidang ilmu matematika dan terapannya, seperti statistika, matematika finansial, pengajaran matematika dan terapan
matematika dibidang ilmu lainnya. Jurnal ini lahir sebagai salah satu bentuk nyata peran serta jurusan Matematika FMIPA UNUD
guna mendukung percepatan tercapainya target mutu UNUD, selain itu jurnal ini terbit didorong oleh surat edaran Dirjen DIKTI
tentang syarat publikasi karya ilmiah bagi program Sarjana di Jurnal Ilmiah. E-jurnal Matematika juga menerima hasil-hasil
penelitian yang tidak secara langsung berkaitan dengan tugas akhir mahasiswa meliputi penelitian atau artikel yang merupakan
kajian keilmuan.
Editorial Team
Penyunting :
ISSN: 2303-1751
2 of 2 7/19/2014 2:15 PM
Vol 3, No 1 (2014) http://ojs.unud.ac.id/index.php/mtk/issue/view/1199
E-Jurnal Matematika
OPEN JOURNAL SYSTEMS
Journal Help
U SE R
Username
Password
Remember me
Log In
N O T I FI C AT I O NS
View
Subscribe / Unsubscribe
JO U RNAL CO N T EN T
Se a rch
All
Search
Bro ws e
By Issue
By Author
By Title
Other Journals
FO N T SI ZE
I N FO RMAT I O N
For Readers
1 of 2 8/4/2014 12:50 PM
Vol 3, No 1 (2014) http://ojs.unud.ac.id/index.php/mtk/issue/view/1199
For Authors
For Librarians
Vol 3, No 1 (2014)
Table of Contents
Articles
APLIKASI REGRESI DATA PANEL DENGAN PENDEKATAN FIXED EFFECT MODEL (STUDI PDF
ISSN: 2303-1751
2 of 2 8/4/2014 12:50 PM
E-Jurnal Matematika Vol. 3, No.1 Januari 2014, 1-7 ISSN: 2303-1751
1,2,3
Jurusan Matematika FMIPA Universitas Udayana, Bukit Jimbaran-Bali
e-mail: 1anic.aruka@gmail.com,2i.putu.enk@gmail.com,
3
gandhiadigk@yahoo.com
Abstract
Panel data regression has three approaches. One of these approaches is Fixed Effect Model
(FEM). FEM is common estimated using Least Square Dummy Variable. The use of dummy variable
in FEM is based on assumption that slope coefficients are constant but intercept varies over
individuals. One of application of FEM is to find out motivation of employees at PT PLN Gianyar
for non-outsourcing and outsourcing employees based on existence, relatedness, and growth. This
research yields the following two models:
1. 𝑀𝑜𝑡𝒏𝒐𝒏𝒊𝒕 = −0,05 + 0,56𝐸𝑋𝑖𝑡
2. 𝑀𝑜𝑡𝒐𝒖𝒕𝒊𝒕 = 0,21 − 0,00𝐸𝑋𝑖𝑡 + 0,85𝐺𝑅𝑖𝑡
with 67% motivation non-outsourcing employees represented by existenceand73% motivation non-
outsourcing employees represented by existence and growth.
1
Mahasiswa Jurusan Matematika FMIPA Universitas Udayana 1
2 Staf Pengajar Jurusan Matematika FMIPA Universitas Udayana
N P Anik Mas Ratnasari, I P Eka Nila Kencana, G K Gandhiadi Aplikasi Regresi Data Panel
perbedaan karakteristik dapat juga diterapkan regresi untuk unit cross section ke-i dan
pada kasus tenaga kerja. waktu ke-t, i=1, 2, …, N untuk unit cross
Dewasa ini, banyak hal yang section,t=1, 2, …, T untuk waktu dan
memengaruhi setiap orang untuk menjadi Tradalah simbol transpose.
tenaga kerja, baik itu tenaga kerja non- Terdapat beberapa kemungkinan asumsi
outsourcing, kontrak, ataupun outsourcing. pada data panel, yaitu:
Salah satu faktornya adalah adanya motivasi. 1. Intersep dan koefisien slope konstan
Hal ini disebabkan karena motivasi sepanjang waktu dan individu serta error
merupakan dorongan yang timbul pada diri berbeda sepanjang waktu dan individu.
seseorang secara sadar ataupun tidak sadar Modelnya adalah:
untuk melakukan suatu tindakan dengan 𝒀𝒊𝒕 = 𝜶∗ + ∑𝑲 𝑻𝒓
𝒌=𝟏 𝜷𝒌 𝑿𝒌𝒊𝒕 + 𝝁𝒊𝒕 .
tujuan tertentu (Tim Penyusun Pusat Bahasa, 2. Koefisien slope konstan, tetapi intersep
2012). Pada penelitian ini akan dilihat berbeda untuk semua individu. Modelnya
motivasi tenaga kerja non-outsourcing dan adalah:
outsourcing di PT PLN Gianyar berdasarkan 𝒀𝒊𝒕 = 𝜶∗𝒊 + ∑𝑲 𝑻𝒓
𝒌=𝟏 𝜷𝒌 𝑿𝒌𝒊𝒕 + 𝝁𝒊𝒕 .
existence, relatedness, dan growth dengan 3. Koefisien slope konstan, tetapi intersep
pengertian dari masing-masing variabel yaitu berbeda baik sepanjang waktu maupun
existence adalah kebutuhan seseorang untuk antarindividu. Modelnya adalah:
mendapat pengakuan sebagai seorang
manusia,baik di tengah masyarakat maupun 𝒀𝒊𝒕 = 𝜶∗𝒊𝒕 + ∑𝑲 𝑻𝒓
𝒌=𝟏 𝜷𝒌 𝑿𝒌𝒊𝒕 + 𝝁𝒊𝒕 .
perusahaan, relatednessadalah kebutuhan 4. Intersep dan koefisien slope berbeda
keterikatan antara seseorang dengan untuk semua individu. Modelnya adalah:
lingkungan sosial di sekitarnya, serta growth
adalah kebutuhan yang berkaitan dengan 𝒀𝒊𝒕 = 𝜶∗𝒊 + ∑𝑲 𝑻𝒓
𝒌=𝟏 𝜷𝒌𝒊 𝑿𝒌𝒊𝒕 + 𝝁𝒊𝒕 .
pengembangan potensi diri seseorang 5. Intersep dan koefisien slope berbeda
sehingga menimbulkan penghargaan atas sepanjang waktu dan untuk semua
potensi yang dimiliki. individu. Modelnya adalah:
𝒀𝒊𝒕 = 𝜶∗𝒊𝒕 + ∑𝑲 𝑻
𝒌=𝟏 𝜷𝒌𝒊𝒕 𝑿𝒌𝒊𝒕 + 𝝁𝒊𝒕 .
2. Ulasan Pustaka
dengan 𝒀𝒊𝒕 adalah pengamatan unit cross Indeks i pada intersep menunjukkan bahwa
section ke-i dan waktu ke-t, 𝜶∗𝒊𝒕 adalah intersep dari masing-masing unit cross-
intersep; efek grup/individu dari unit cross section berbeda-beda. Perbedaan ini
section ke-i dan waktu ke-t, 𝑿𝑻𝒓 disebabkan karena penggunaan variabel
𝒊𝒕 =
(𝑋1𝑖𝑡 , 𝑋2𝑖𝑡 , … , 𝑋𝐾𝑖𝑡 ) merupakan variabel dummy untuk menjelaskan perbedaan intersep
bebas untuk unit cross section ke-i dan waktu yang timbul antarindividu. Istilah FEM
berasal dari kenyataan bahwa meskipun
ke-t, 𝜷𝑻𝒓𝒊𝒕 =(𝛽1 , 𝛽2 , … , 𝛽𝐾 )merupakan koefisien
intersep 𝛼𝑖 berbeda antarindividu namun
slope untuk semua unit, 𝜇𝑖𝑡 adalah error
intersep sama antarwaktu (time invariant)
2
E-Jurnal Matematika Vol. 3, No.1 Januari 2014, 1-7 ISSN: 2303-1751
(Gujarati, 2004). Hal ini juga memberikan menyebarkan kuesioner di PT PLN Gianyar
asumsi bahwa slope𝛽 tetap sama kepada 25 orang tenaga kerja non-
antarindividu dan antarwaktu. Oleh karena itu outsourcing dan 25 orang outsourcing yang
persamaan di atas bisa ditulis menjadi: bekerja minimal dari tahun 2010 sampai
2012. Variabel respon (Y) yang digunakan
𝒀𝒊𝒕 = 𝑫𝜶∗𝒊 + 𝜷𝑻𝒓 𝑿𝒊𝒕 + 𝝁𝒊𝒕 pada penelitian ini adalah motivasi yang
dimiliki oleh tenaga kerjanon-outsourcing dan
Dengan𝑫 = [𝑑1 𝑑2 … 𝑑𝑛 ]merupakan variabel outsourcingserta variabel bebas yang
dummy untuk unit ke-i (Greene, 2012). digunakan yaitu existence (𝑋1 ) yang
Penggunakaan variabel dummy inilah yang indikatornnya gaji, lingkungan kerja, dan
membuat estimasi pada FEM disebut Least jaminan social; relatedness (𝑋2 ) yang
Square Dummy Variabel (LSDV) model. indikatornya komunikasi, supervisi, dan
kelompok;serta growth (𝑋3 ) yang
3. MetodePenelitian indikatornya penghargaan, prestasi, dan
tanggung jawab. Berikut uraian variabel-
Sumber data pada penelitian ini adalah variabelnya pada tabel 1.
data primer yang didapatkan dengan
Langkah-langkah pada penelitian ini parameter, (7) uji perbandingan, dan (8)
adalah sebagai berikut: (1) menyebarkan interpretasi model.
kuesioner kepada seluruh tenaga kerja, baik
tenaga kerja non-outsourcing dan outsourcing 4. Hasil dan Pembahasan
di PT PLN Gianyar, (2) uji validitas, Langkah awal yang dilakukan pada
reliabilitas, dan confirmatory factor analysis, penelitian ini adalah menyebarkan kuesioner
(3) statistik deskriptif, (4) uji asumsi klasik, di PT PLN Gianyar kepada 25 orang tenaga
meliputi uji kenormalan, uji multikolinearitas, kerja non-outsourcing dan 25 orang tenaga
uji heteroskedastisitas, dan uji autokorelasi, kerja outsourcing, dilanjutkan dengan
(5) analisis regresi data panel fixed effect melalukan uji validitas, reliabilitas, dan
model dengan penduga LSDV, (6) signifikasi Confirmatory Factor Analysis (CFA)pada
3
N P Anik Mas Ratnasari, I P Eka Nila Kencana, G K Gandhiadi Aplikasi Regresi Data Panel
kuesioner tersebut. Kriteria uji yang pertanyaan telah memenuhi kriteria pengujian
digunakan untuk uji validitas adalah CFA dan menghasilkan empat faktor baru
menggunakan nilai koefisien korelasi (r), sesuai dengan pengelompokkan item
sedangkan uji reliabilitas menggunakan nilai pertanyaan yang telah ditentukan, yaitu
koefisien Cronbach’s Alpha 0,8 (Marczyket existence, relatedness, dan growth.
al., 2005). Pengujian dilakukan dengan Pengujian CFA menghasilkan empat
menganalisis setiap kelompok item faktor baru yang digunakan dalam penelitian
pertanyaan berdasarkan tahun penelitian, ini. Keempat faktor ini akan memasuki
yaitu 2010; 2011; dan 2012, sesuai dengan tahapan baru yaitu uji asumsi klasik pada
banyaknya variabel yang dilibatkan pada model non-outsourcing dan outsourcing yang
model penelitian, yaitu motivasi, existence meliputi uji kenormalan dengan
yang dianalisis dengan item pertanyaan pada menggunakan uji Jarque-Bera, uji
indikator gaji, lingkungan kerja, dan jaminan multikolinearitas dengan menggunakan
sosial;relatedness yang dianalisis dengan item matriks korelasi dan nilai VIF, uji
pertanyaan pada indikator komunikasi, heteroskedastisitas dengan menggunakan uji
supervisi, dan kelompok; sertagrowth Breusch-Pagan-Godfrey (BPG), dan uji
dianalisis dengan item pertanyaan pada autokorelasi dengan menggunakan uji
indikator penghargaan, prestasi, dan tanggung Durbin-Watson. Berdasarkan hasil pengujian
jawab. Berdasarkan nilai koefisien korelasi diperoleh bahwa model non-outsourcing dan
(r)diperoleh bahwa setiap kelompok item outsourcing telah memenuhi uji kenormalan,
pertanyaan telah valid. Nilai koefisien sedangkan uji multikolinearitas belum
Cronbach’s Alpha yang diperoleh untuk terpenuhi untuk kedua model. Salah satu cara
setiap kelompok item pertanyaan telah yang bisa digunakan untuk mengatasi
memenuhi syarat reliabilitas yang berarti multikolinearitas adalah mengeleminasi
apabila peneliti lain melakukan penelitian variabel bebas yang memiliki nilai 𝑉𝐼𝐹 ≥ 4
pada waktu dan objek yang sama, maka hasil (O’Brien, 2007).
yang diperoleh akan sama atau apabila Berdasarkan hasil penelitian pada model
peneliti yang sama melakukan penelitian non-outsourcing diperoleh bahwa relatedness
dalam waktu yang berbeda, maka akan dan growth memiliki nilai 𝑉𝐼𝐹 ≥ 4, sehingga
menghasilkan data yang sama. kedua variabel ini dikeluarkan dari model.
Tahap selanjutnya adalah CFA. Pengujian Pada model outsourcing diperoleh bahwa
CFA dilakukan dengan menggunakan uji relatedness memiliki nilai 𝑉𝐼𝐹 ≥ 4, sehingga
Kaiser Meyer Olkin (KMO) > 0,5, uji relatedness dikeluarkan dari model.
Bartlett’s< α (0,05) (Hair et al., 2010), dan Selanjutnya dilakukan kembali uji asumsi
Measure of Sampling Adequacy (MSA) 0,5 klasik, yaitu uji kenormalan,
multikolinearitas, heteroskedastisitas, dan
(Hair et al., 2010) untuk setiap kelompok
autokorelasi. Hasil pengujian ini diperoleh
item pertanyaan berdasarkan tahun penelitian
bahwa kedua model telah memenuhi uji
sesuai dengan variable motivasi, existence,
asumsi klasik, yaitu residual data berdistribusi
relatedness, dan growth. Ada beberapa
normal, tidak terjadi multikolinearitas antara
kriteria pada nilai MSA, yaitu MSA = 1
variabel bebas yang diujikan, serta tidak
berarti variabel dapat diprediksi secara
terjadi heteroskedastisitas dan autokorelasi
sempurna tanpa kesalahan oleh variabel lain;
pada kedua model, sehingga bisa dilanjutkan
MSA > 0,5 berarti variabel masih dapat
dengan analisis regresi data panel.
diprediksi dan bisa dianalisis lagi; MSA < 0,5
Berdasarkan analisis regresi data panel
berarti variabel tidak dapat diprediksi dan
melalui pendekatan FEM dengan penduga
dihilangkan dari analisis. Hasil pengujian ini
LSDV, diperoleh dua model non-outsourcing
menunjukkan bahwa semua kelompok item
dan outsourcing, yaitu:
4
E-Jurnal Matematika Vol. 3, No.1 Januari 2014, 1-7 ISSN: 2303-1751
Pada uji simultan model satu parameter yang memuat variabel bebas
outsourcingdiperoleh F-hitung>𝐹(24,48;0,05) , yang berpengaruh terhadap variabel respon.
yaitu 5,11> 1,75, sehingga minimal terdapat Tabel 3 menunjukkan hasil uji parsial model
5
N P Anik Mas Ratnasari, I P Eka Nila Kencana, G K Gandhiadi Aplikasi Regresi Data Panel
5. Kesimpulan DaftarPustaka
6
E-Jurnal Matematika Vol. 3, No.1 Januari 2014, 1-7 ISSN: 2303-1751
7
E-Jurnal Matematika Vol. 3, No.1 Januari 2014, 8-16 ISSN: 2303-1751
1,2,3
Jurusan Matematika FMIPA Universitas Udayana, Bukit Jimbaran-Bali
e-mail: 1dwie_rianti@yahoo.com,2susilawati.made@gmail.com,
3
sari_kaartika@yahoo.co.id
Abstract
Multicollinearity is a problem that often occurs in multiple linear regression. The existence
of multicollinearity in the independent variables resulted in a regression model obtained is far from
accurate. Latent root regression is an alternative in dealing with the presence of multicollinearity in
multiple linear regression. In the latent root regression, multicollinearity was overcome by reducing
the original variables into new variables through principal component analysis techniques. In this
regression the estimation of parameters is modified least squares method. In this study, the data
used are eleven groups of simulated data with varying number of independent variables. Based on
the VIF value and the value of correlation, latent root regression is capable of handling
multicollinearity completely. On the other hand, a regression model that was obtained by latent root
2
regression has 𝑅𝑎𝑑𝑗 value of 0.99, which indicates that the independent variables can explain the
diversity of the response variables accurately.
Keywords: Multiple Linear Regression, Multicollinearity, Latent Root Regression, Least Squares
Method Modified
9
Dwi Laras Riyantini, Made Susilawati, Kartika Sari Penerapan Regresi Akar Laten dalam Menangani
Multikolinearitas
Pada model regresi (3), parameter 𝛽0 adalah Adapun fungsi respon (Neter, 1997) untuk
intersep Y pada bidang regresi tersebut. Nilai model (5) adalah:
parameter 𝛽0 melambangkan rataan respon, 𝐸{𝑌} = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + ⋯ +
apabila peubah bebas 𝑋1 dan 𝑋2 bernilai 0. Jika 𝛽𝑝−1 𝑋𝑝−1 (6)
tidak demikian, 𝛽0 tidak memiliki makna di
dalam model regresi tersebut. Parameter 𝛽1 1.2 Koefisien Determinasi Ganda
menunjukkan perubahaan rataan respon untuk Terkoreksi
setiap kenaikan 𝑋1 satu satuan apabila 𝑋2
dipertahankan konstan. Begitu pula, parameter Dalam regresi linear berganda, proporsi
𝛽2 menunjukkan perubahan rataan respon keragaman data yang dapat diterangkan dalam
untuk setiap kenaikan 𝑋2 satu satuan, apabila model regresi dilihat dari koefisien determinasi
2
𝑋1 dipertahankan konstan. Parameter 𝛽1 dan 𝛽2 ganda yang dilambangkan dengan 𝑅𝛼𝑑𝑗 .
sering disebut koefisien regresi parsial. (Neter, 1997) Koefisien determinasi ganda
Peubah bebas 𝑋1 dan 𝑋2 dikatakan terkoreksi didefinisikan sebagai berikut:
memiliki pengaruh aditif atau tidak 2 𝐽𝐾𝐺/(𝑛−𝑝)
𝑅𝛼𝑑𝑗 =1− (7)
𝐽𝐾𝑇/(𝑛−1)
berinteraksi, apabila pengaruh 𝑋1 terhadap 2 2
rataan respon tidak bergantung pada taraf 𝑋2 , Interval nilai 𝑅𝛼𝑑𝑗 adalah 0 ≤ 𝑅𝛼𝑑𝑗 ≤ 1.
2
dan sebagai akibatnya pengaruh 𝑋2 terhadap Jika nilai 𝑅𝛼𝑑𝑗 semakin mendekati 1, maka
respon juga tidak bergantung pada taraf 𝑋1 semakin besar nilai keragaman data peubah
(Neter, 1997). respon yang dapat dijelaskan oleh peubah
Sebagai generalisasi dari model ordo- bebas.
pertama dengan dua peubah bebas berikut ini
dibahas model ordo-pertama dengan lebih dari 1.3 Multikolinearitas
dua peubah bebas. Oleh karena itu, apabila Istilah multikolinearitas pertama kali
terdapat 𝑝 − 1 peubah bebas 𝑋1 = diperkenalkan oleh Ragnar Frisch pada tahun
𝑥11 𝑥12 𝑥1,𝑝−1 1934, yang berarti adanya korelasi di antara
𝑥21 𝑥22 𝑥2,𝑝−1 peubah – peubah bebas dari model regresi.
[ ⋮ ] , 𝑋2 = [ ⋮ ] , … , 𝑋𝑝−1 = [ ⋮ ], maka
Multikolinearitas dapat memberi dampak
𝑥𝑛1 𝑥𝑛2 𝑥𝑛,𝑝−1 untuk model regresi, antara lain (Neter, 1997):
modelnya [4] adalah: 1. Multikolinearitas antara peubah-peubah
𝑦𝑖 = 𝛽0 + 𝛽1 𝑥𝑖1 + 𝛽2 𝑥𝑖2 + ⋯ + 𝛽𝑝−1 𝑥𝑖,𝑝−1 + bebas dalam model regresi linier
𝑒𝑖 (4) mengakibatkan variansi penduga kuadrat
dengan : terkecil menjadi besar sehingga
p banyaknya parameter, menghasilkan galat baku yang lebih besar.
𝛽0 , 𝛽1 , … , 𝛽𝑝−1 adalah parameter, Hal ini mengakibatkan selang kepercayaan
𝑥𝑖1 , 𝑥𝑖2 , … , 𝑥𝑖,𝑝−1 adalah peubah bebas untuk parameter model regresi menjadi
yang diketahui nilainya, lebih besar.
𝑒𝑖 adalah suku galat, 2. Satu atau lebih peubah bebas menjelaskan
𝑖 = 1,2, … , 𝑛, peubah respon benar-benar sama dengan
𝑛 adalah banyak amatan. yang dijelaskan oleh peubah bebas lain.
𝑦1 𝑒1 3. Pengujian hipotesis parameter berdasarkan
𝑦2 𝑒2 metode kuadrat terkecil memberikan hasil
Jika 𝑌 = [ ⋮ ] , 𝜀 = [ ⋮ ] maka persamaan
yang tidak valid.
𝑦𝑛 𝑒𝑛 Pada analisis regresi, dikatakan terdapat
(4) dengan 𝑖 = 1,2, … , 𝑛 dapat ditulis sebagai: multikolinearitas apabila terdapat beberapa
𝑌 = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + ⋯ + 𝛽𝑝−1 𝑋𝑝−1 + 𝜀 kondisi sebagai berikut:
(5)
10
E-Jurnal Matematika Vol. 3, No.1 Januari 2014, 8-16 ISSN: 2303-1751
1. Nilai korelasi antar peubah bebas (𝑟𝑋𝑌 ) kombinasi linier dari peubah bebas. Langkah
melebihi 0,5 (Gujarati, 1995) Misalkan selanjutnya, beberapa komponen utama yang
(𝑥1 , 𝑦1 ), … , (𝑥𝑛 , 𝑦𝑛 ), pasangan data yang terbentuk diregresikan dengan peubah respon
𝑥1 melalui analisis regresi (Myers & Milton,
𝑥2 1991). Kriteria pemilihan komponen utama
diperoleh dari dua peubah acak 𝑋 = [ ⋮ ]
yang akan digunakan yaitu dengan memilih
𝑥𝑛
𝑦1 komponen utama yang bersesuaian dengan akar
𝑦2 ciri lebih besar dari 1 (Draper, N.R. and H.
dan 𝑌 = [ ⋮ ]. Nilai korelasi tersebut Smith, 1992)
𝑦𝑛
diperoleh melalui rumus [7] sebagai 1.5 Regresi Akar Laten (Latent Root
berikut: Regression)
∑𝑛
𝑖=1(𝑥𝑖 −𝑥̅ )(𝑦𝑖 −𝑦
̅) Metode regresi akar laten merupakan
𝑟𝑋𝑌 = 1 (8)
[∑𝑛 2 𝑛 ̅)2 ]2
𝑖=1(𝑥𝑖 −𝑥̅ ) ∑𝑖=1(𝑦𝑖 −𝑦
perluasan dari regresi komponen utama.
Perbedaan kedua metode ini terletak pada nilai
Dalam hal ini X dan Y dianggap setara, akar laten yang dihasilkan dari matriks korelasi
tidak dipersoalkan apakah X dan Y yang yang dihasilkan. Pada regresi akar laten,
menjadi peubah bebas atau peubah respon. matriks korelasi diperoleh dari penggabungan
2. Nilai VIF lebih dari 4 (O’Brien, 2007) peubah respon yang telah dibakukan dan
Variance Inflation Factor (VIF) atau peubah bebas yang telah dibakukan, yang dapat
faktor inflasi ragam dapat ditulis sebagai berikut (Draper, N.R. and H.
menginterpretasikan akibat dari korelasi Smith, 1992):
antar variabel bebas ke-𝑖 pada varians
penduga koefisien regresi. Adapun 𝒁∗ = [𝒁𝒚 , 𝒁] (10)
perhitungan VIF sebagai berikut (Neter, dengan 𝒁𝒚 dan 𝒁 secara berturut-turut
1997): merupakan matriks Y dan X yang telah
1
𝑉𝐼𝐹(𝑖) = 1−𝑅2 (9) dipusatkan dan diskalakan (dibakukan).
𝑖
Pembakuan data pada peubah respon diperoleh
Nilai 1 − 𝑅𝑖2 menunjukkan nilai toleransi
melalui rumus:
yang mewakili varians dari peubah bebas 𝑦1
ke-𝑖 yang tidak dihubungkan dengan (𝒀−𝟏𝑦̅) 𝑦2
peubah bebas lain pada model, sehingga 𝑍𝑦 = dengan 𝒀 = [ ⋮ ],
√𝑆𝑌𝑌
nilai toleransi berbanding terbalik dengan 𝑦𝑛
nilai VIF. Nilai 𝑅𝑖2 menunjukkan nilai 1
∑𝑛 𝑦𝑖 1 (𝒀−𝟏𝑦̅)𝑇 (𝒀−𝟏𝑦̅)
korelasi antar peubah, kenaikan korelasi 𝑦̅ = 𝑖=1 , 𝟏 = [ ], 𝑆𝑌𝑌 =
𝑛 ⋮ 𝑛−1
antar peubah akan mengakibatkan
1
kenaikan nilai VIF yang menunjukkan (11)
terjadinya multikolinearitas. Jika 𝑅𝑖2 = 0 sedangkan, Pembakuan data pada peubah bebas
atau 𝑉𝐼𝐹 = 1, mengindikasikan bahwa diperoleh melalui rumus:
peubah bebas ke-𝑖 orthogonal dengan (𝑿−𝟏𝑥̅ )
𝑍= dengan
peubah bebas lainnya. √𝑆𝑋𝑋
𝑥11 𝑥12 … 𝑥1,𝑝−1
𝑥21 𝑥22 … 𝑥2,𝑝−1 ∑𝑛𝑖=1 𝑥𝑖
1.4 Regresi Komponen Utama 𝑿=[ ⋮ ⋮ ⋱ ⋮ ], 𝑥̅ = 𝑛 ,
Regresi komponen utama merupakan
𝑥𝑛1 𝑥𝑛2 … 𝑥𝑛,𝑝−1
salah satu metode yang dapat digunakan untuk
menangani multikolinearitas. Tahap pertama
pada regresi komponen utama adalah
menghitung komponen utama yang merupakan
11
Dwi Laras Riyantini, Made Susilawati, Kartika Sari Penerapan Regresi Akar Laten dalam Menangani
Multikolinearitas
12
E-Jurnal Matematika Vol. 3, No.1 Januari 2014, 8-16 ISSN: 2303-1751
adalah program Microsoft Excel dan Minitab Tabel 1. Model Regresi Linier Berganda
15. Mdl Model Regresi Linier Berganda
Adapun tahap analisis data menggunakan I 𝑌 = 2,00 + 0,00 𝑋1 + 1,00𝑋2 +
0,00𝑋3 + 2,00𝑋4
regresi akar laten dengan langkah-langkah II 𝑌 = 10,2 + 1,15 𝑋1 + 1,02𝑋2 +
sebagai berikut: 1,27𝑋3 + 0,737𝑋4 + 0,925𝑋5
a. Melakukan pembakuan data pada peubah III 𝑌 = 2,00 + 1,00 𝑋1 + 1,00𝑋2 +
respon dan peubah bebas secara berturut- 1,00𝑋3 + 1,0𝑋4 + 2,00𝑋5
IV 𝑌 = 6,13 + 1,04 𝑋1 + 1,01𝑋2 +
turut melalui persamaan (11) dan (12)
1,06𝑋3 + 0,945𝑋4 + 0,953𝑋5 +
dengan bantuan program Microsoft Excel. 0,975𝑋6
b. Memasangkan matriks data yang berasal V 𝑌 = 2,00 + 1,00 𝑋1 + 1,00𝑋2 +
dari peubah bebas dan peubah respon yang 1,00𝑋3 +1,00𝑋4 + 1,00𝑋5 +
telah dibakukan. 2,00𝑋6
VI 𝑌 = −2,53 + 0,823 𝑋1 + 0,973𝑋2 +
𝒁∗ = [𝒁𝒚 , 𝒁] 0,984𝑋3 + 1,06𝑋4 + 1,10𝑋5 +
c. Menghitung akar laten 𝜆𝑗 dan vektor laten 0,991𝑋6
VII 𝑌 = 2,00 + 1,00 𝑋1 + 1,00𝑋2 −
padanannya 𝛤𝑗 dari matriks korelasi 𝒁∗𝑻 𝒁∗
1,00𝑋3 + 1,00𝑋4 + 1,00𝑋5 +
dengan bantuan Program Minitab 15. 2,00𝑋6
d. Melakukan pembentukan komponen VIII 𝑌 = −6,85 + 1,42 𝑋1 + 1,01𝑋2 +
utama melalui analisis komponen utama 1,15𝑋3 + 1,07𝑋4 + 1,03𝑋5 +
1,02𝑋6 + 1,00𝑋7 + 0,792𝑋8
berdasarkan akar laten 𝜆𝑗 dan vektor laten
IX 𝑌 = −5,85 + 1,38 𝑋1 + 1,00𝑋2 +
padanannya 𝛤𝑗 yang telah terbentuk pada 1,28𝑋3 + 0,861𝑋4 + 1,21𝑋5 +
program Minitab15. 0,886𝑋6 + 1,01𝑋7 + 0,907𝑋8
e. Memilih komponen utama yang X 𝑌 = 3,91 − 0,108 𝑋1 + 0,982𝑋2 +
0,607𝑋3 + 1,29𝑋4 + 1,27𝑋5 +
digunakan dengan membuang komponen 0,955𝑋6 + 1,01𝑋7 + 1,13𝑋8
utama yang mempunyai nilai akar laten XI 𝑌 = 3,89 + 0,614 𝑋1 + 0,985𝑋2 +
𝜆𝑗 ≤ 0.05 dan elemen pertama vektor 0,667𝑋3 +1,16𝑋4 + 1,21𝑋5 +
1,11𝑋6 + 1,02𝑋7 + 0,913𝑋8
laten | 𝛾0𝑗 | < 0.10 (Webster, et al., 1974).
f. Berdasarkan langkah (e), komponen utama Berdasarkan Tabel 1, model regresi linier I
yang telah ditentukan diregresikan dengan yang terbentuk adalah:
peubah respon. 𝑌 = 2,00 − 0,000000𝑋1 + 1,00𝑋2 +
g. Menghitung nilai VIF dan nilai korelasi 0,000000𝑋3 + 2,00𝑋4
antar peubah untuk mendeteksi apakah Model tersebut menginterpretasikan bahwa
masalah multikolinearitas sudah teratasi. apabila semua peubah bebas diasumsikan
h. Melakukan pendugaan koefisien regresi konstan, maka peubah respon akan bernilai
pada data yang dibakukan melalui 2,00. Peubah respon tidak mengalami
persamaan (15) dan (16). perubahan setiap kenaikan 𝑋1 satu satuan
i. Melakukan pendugaan koefisien regresi selama 𝑋2 , 𝑋3 , 𝑋4 dipertahankan konstan.
pada peubah awal melalui persamaan (17) Peubah respon akan meningkat sebesar 1,00
dan (18). satuan setiap kenaikan 𝑋2 satu satuan selama
𝑋1 , 𝑋3 , 𝑋4 dipertahankan konstan. Interpretasi
3. Hasil dan Pembahasan peubah bebas 𝑋3 dan 𝑋4 dapat dilakukan
Hasil analisis regresi linier berganda dengan dengan cara yang sama. Model regresi lainnya
menggunakan metode kuadrat terkecil pada dapat diinterpretasi dengan cara yang sama.
sebelas kelompok data yang digunakan dapat Untuk mendeteksi adanya
dilihat pada Tabel 1. multikolinearitas pada peubah bebas dapat
dilihat berdasarkan nilai korelasi dan nilai VIF.
Untuk model regresi I, nilai korelasi dan nilai
VIF dapat dilihat pada Tabel 2.
13
Dwi Laras Riyantini, Made Susilawati, Kartika Sari Penerapan Regresi Akar Laten dalam Menangani
Multikolinearitas
Tabel 2 Nilai Korelasi dan Nilai VIF pada dibentuk dari matriks korelasi 𝒁∗𝑻 𝒁∗. Untuk
Model Regresi Linier I model regresi linier I diperoleh nilai-nilai akar
NK 𝑋1 𝑋2 𝑋3 𝑋4 VIF laten yaitu:
𝑋1 1 14,9 𝜆0 = 2,8029
𝑋2 0,170 1 1,2
𝜆1 = 1,3790
𝑋3 0,951 0,251 1 23,3
𝑋4 -0,961 -0,262 -0,977 1 30,7 𝜆2 = 0,8015
𝜆3 = 0,0167
Pada Tabel 2, terlihat bahwa 𝑋1 dan 𝑋3
𝜆4 = 0,0000
memiliki nilai korelasi sebesar 0,951, 𝑋1
Dari akar laten 𝜆𝑗 , 𝑗 = 0,1,2,3,4, diperoleh
dengan 𝑋4 memiliki nilai korelasi sebesar -
vektor-vektor laten 𝛤𝑗 yang bersesuaian dengan
0,961, dan 𝑋3 dengan 𝑋4 memiliki nilai
korelasi sebesar -0,977. Hal ini 𝜆𝑗 yaitu:
mengindikasikan adanya multikolinearitas di −0,587
−0,355
antara peubah bebas 𝑋1 , 𝑋3 dan 𝑋4 . Selain
𝛤0 = −0,357
berdasarkan nilai korelasi, indikasi adanya −0,325
multikolinearitas antar peubah bebas 𝑋1 , 𝑋3 [−0,544]
dan 𝑋4 dipertegas dengan adanya nilai VIF −0,072
yang lebih besar dari 4, sehingga dapat −0,478
disimpulkan bahwa terdapat multikolinearitas 𝛤1 = −0,448
pada ketiga peubah bebas tersebut. Di lain 0,705
[ 0,263 ]
pihak, nilai korelasi pada peubah bebas 𝑋2
0,180
kurang dari 0,5 dan nilai VIF kurang dari 4 −0,639
menandakan bahwa peubah bebas 𝑋2 tidak 𝛤2 = 0,676
mengalami masalah multikolinearitas. Dengan 0,125
cara yang sama, diperoleh bahwa terdapat [−0,294]
beberapa peubah bebas yang mengalami 0,262
multikolinearitas pada model regresi yang lain. −0,487
𝛤3 = −0,618
Adanya multikolinearitas pada peubah-
−0,618
peubah bebas mengakibatkan model regresi [ 0,526 ]
yang diperoleh jauh dari akurat, sehingga −0,741
diperlukan alternatif dalam menangani −0,000
multikolinearitas yang dalam penelitian ini 𝛤4 = 0,425
dilakukan melalui regresi akar laten. 0,000
[ 0,521 ]
Regresi Akar Laten dalam Menangani
Mulikolinearitas Tidak ada kriteria yang pasti dalam
Langkah pertama dalam regresi akar laten penentuan akar laten dan vektor laten yang
adalah membakukan data dengan cara data digunakan untuk pembentukan komponen
dipusatkan (centering) dan diskalakan utama. Webster menyarankan untuk membuang
(scalling). Hal ini dilakukan untuk akar laten 𝜆𝑗 ≤ 0.05 atau unsur pertama vektor
memudahkan perhitungan dan juga laten padanannya | 𝛾0𝑗 | < 0.10 [10].
meminimumkan kesalahan pembulatan dalam Sedangkan, Sharma membuang akar laten
perhitungan. Pada penelitian ini, pembakuan 𝜆𝑗 ≤ 0.1 atau unsur pertama vektor laten
data dilakukan pada peubah respon dan peubah padanannya | 𝛾0𝑗 | < 0.3 dalam penelitiannya
bebas. Data yang telah merupakan elemen- [8], dan Reichert membuang akar laten 𝜆𝑗 ≤
elemen pada matriks 𝒁∗ .
0.3 atau unsur pertama vektor laten
Akar laten 𝜆𝑗 dan vektor laten 𝛤𝑗 dengan
padanannya| 𝛾0𝑗 | < 0.10 (Reichert, A.K.,
𝑗 = 1, … , 𝑝 − 1 yang bersesuaian dengan 𝜆𝑗
14
E-Jurnal Matematika Vol. 3, No.1 Januari 2014, 8-16 ISSN: 2303-1751
James, S.M., 1986). Dalam penelitian ini, tegak lurus dan tidak berkorelasi. Berdasarkan
penulis menggunakan kriteria pemilihan yang hasil analisis regresi akar laten, adapun model
disarankan oleh Webster karena dengan regresi I yang terbentuk adalah:
menggunakan kriteria tersebut, model regresi 𝑌 = 366 − 9,94𝐶0 − 1,22𝐶1 + 3,06𝐶2 +
yang diperoleh akan lebih akurat dengan data 4,44𝐶3
yang digunakan dalam penelitian ini. Oleh Hasil perhitungan dengan menggunakan
karena itu, dipilih akar laten 𝜆𝑗 ≤ 0.05 atau regresi akar laten pada model regresi I
elemen pertama vektor laten | 𝛾0𝑗 | < 0.10 [10]. diperoleh nilai VIF masing-masing peubah
Diperhatikan bahwa: bebas sebesar 1,0 dan nilai korelasi yang
a. 𝜆0 > 0,05 dan | 𝛾00 | = 0,587 > 0,10. bernilai kurang dari 0,5 antar peubah bebas
Oleh karena itu, vektor yang bersesuaian yang menandakan bahwa masalah
tetap dipertahankan. multikolinearitas dapat diatasi secara tuntas.
b. 𝜆1 > 0,05 dan | 𝛾01 | = 0,072 > 0,10. Nilai korelasi dan nilai VIF melalui regresi
Oleh karena itu, vektor ini tetap akar laten dapat dilihat pada tabel 3.
dipertahankan meskipun 𝛾01 bernilai Tabel 3. Nilai Korelasi Antar dan Nilai VIF
kecil. pada regresi akar laten
c. Karena 𝜆2 > 0,05 dan | 𝛾02 | = 0,180 > NK 𝐶1 𝐶2 𝐶3 VIF
0,10 maka vektor ini tetap dipertahankan. 𝐶1 1 1,0
d. 𝜆3 < 0,05 menandakan kemungkinan 𝐶2 - 1 1,0
adanya ke tidak bebas linieran di antara 0,00
peubah-peubah bebas. Akan tetapi, nilai
𝐶3 0,00 - 1 1,0
| 𝛾03 | = 0,262 > 0,10 menandakan 0,00
keteramalan yang tinggi sehingga vektor
𝐶4 0,00 0,00 0,00 1 1,0
ini tetap dipertahankan.
e. 𝜆4 = 0 menandakan adanya singularitas, dengan nilai koefisien determinasi ganda
dan menandakan keadaan tidak bebas terkoreksi (R2adj ) sebesar 1,00. Setelah itu,
linier di antara peubah-peubah bebas yang untuk memperoleh penduga koefisien regresi
menyebabkan pendugaan koefisien regresi untuk regresi akar laten pada peubah awal
menjadi tidak stabil, sehingga vektor ini digunakan persamaan (13) dan (14). Sehingga,
dibuang walaupun nilai | 𝛾04 | = 0,741 > untuk model regresi I, penduga koefisien pada
0,10 menandakan keteramalan yang data awal adalah sebagai berikut
tinggi. 𝑌 = 19,095 + 7,054 𝑋1 + 1,095𝑋2 +
Selanjutnya, dilakukan pembentukan 7,489𝑋3 − 5,515𝑋4
komponen utama berdasarkan koefisien Model tersebut menginterpretasikan jika pada
matriks (vektor laten). Berikut merupakan saat semua peubah bebas diasumsikan konstan,
proses pembentukan dari lima komponen yang maka peubah respon akan bernilai 19,095.
akan digunakan: Peubah respon akan meningkat sebesar 7,054
KU 1 (𝐶0 ) = −0,587𝑍𝑦 − 0,355𝑍1 − setiap kenaikan 𝑋1 satu satuan selama
0,357𝑍2 − 0,325𝑍3 − 0,544𝑍4 𝑋2 , 𝑋3 , 𝑋4 dipertahankan konstan. Peubah
KU 2 (𝐶1 ) = −0,072𝑍𝑦 − 0,478𝑍1 − respon akan berkurang sebesar 1,095 setiap
0,448𝑍2 − 0,705𝑍3 − 0,263𝑍4 kenaikan 𝑋2 satu satuan selama 𝑋1 , 𝑋3 , 𝑋4
KU 3 (𝐶2 ) = 0,180𝑍𝑦 − 0,639𝑍1 − dipertahankan konstan. Peubah respon akan
0,676𝑍2 − 0,125𝑍3 − 0,294𝑍4 meningkat 7,489 setiap kenaikan 𝑋3 satu
KU 4 (𝐶3 ) = 0,262𝑍𝑦 − 0,487𝑍1 − satuan selama 𝑋1 , 𝑋2 , 𝑋4 dipertahankan
konstan, dan peubah respon akan berkurang
0,187𝑍2 − 0,618𝑍3 + 0,526𝑍4
Komponen utama yang terbentuk merupakan sebesar 5,515 setiap kenaikan 𝑋4 satu satuan
kombinasi linier dari peubah asal yang saling selama 𝑋1 , 𝑋2 , 𝑋3 dipertahankan konstan.
15
Dwi Laras Riyantini, Made Susilawati, Kartika Sari Penerapan Regresi Akar Laten dalam Menangani
Multikolinearitas
4. Kesimpulan
Berdasarkan pembahasan dapat
disimpulkan bahwa regresi akar laten dapat
mengatasi multikolinearitas dengan tuntas dan
menghasilkan persamaan regresi yang akurat.
Daftar Pustaka
Draper, N.R. and H. Smith. 1992. Analisis
Regresi Terapan, Edisi Kedua.
Diterjemahkan oleh Bambang Sumantri.
Jurusan Statistika FMIPA IPB. Bogor
Gujarati N, Damorar. 1995. Ekonometrika Dasar.
Erlangga. Jakarta.
Myers, R.H. & Milton, J.S. 1991. A First Course
In The Theory Of Linier Statistical Models.
PWS-KENT Publishing Company, Boston
Neter, J. 1997. Model Linier Terapan.
Diterjemahkan oleh Bambang Sumantri.
IPB, Bandung.
16
E-Jurnal Matematika Vol. 3, No.1 Januari 2014, 17-24 ISSN: 2303-1751
1,2,3
Jurusan Matematika FMIPA Universitas Udayana, Bukit Jimbaran-Bali
e-mail: 1vianriska21@gmail.com,2dharmawan.komang@gmail.com,
3
asihmath77@gmail.com
Abstract
The Arbitrage Pricing Theory (APT) is an alternative model to estimate the price of securities
based of arbitrage concept. In APT, the returns of securities are affected by several factors. This
research is aimed to estimate the expected returns of securities using APT model and Vector
Autoregressive model. There are ten stocks incorporated in Kompas100 index and four
macroeconomic variables, these are inflation, exchange rates, the amountof circulate money (JUB),
and theinterest rateof Bank Indonesia(SBI) are applied in this research.
The first step in using VAR is to test the stationary of the data using colerogram and the
results indicate that all data are stationary. The second step is to select the optimal lag based on the
smallest value of AIC. The Granger causality test shows that the LPKR stock is affected by the
inflation and the exchange rate while the nine other stocks do not show the existence of the expected
causality. The results of causality test are then estimated by the VAR models in order to obtain
expected returnof macroeconomic factors. The expected return of macroeconomic factors obtained
is used in the APT model, then the expected return stock LPKR is calculated. It shows that the
expected return of LPKR is 3,340%
Keywords: Arbitrage Pricing Theory, Granger causality test, optimal lag test, Portmanteau test,
stationary test, Vector Autoregression
VAR adalah variabel endogen. Selain itu jumlah dari hasil setiap risisko sistematis dan
VAR dapat dibuat model terpisah untuk premi risisko diberikan oleh faktor pasar
masing-masing variabel endogen. Hasil keuangan 𝛽1,𝐹2 [𝐸(𝑅𝐹2 ) − 𝑅𝐹 ]. Dalam model
peramalan (forecast) dengan model ini pada risiko dan pengembalian lain dijelaskan,
banyak kasus lebih baik dibandingkan investor tidak memperoleh kompensasi atas
dengan hasil peramalan yang diperoleh risiko tidak sistematis yang diterimanya
dengan menggunakan model persamaan (Fabozzi, F.J., 1999).
simultan yang komplek (Gujarati, 2003).
Variabel-Variabel Makroekonomi
2. Ulasan Pustaka Variabel-variabel makroekonomi dapat
Arbitrage Pricing Theory (APT) dijadikan faktor-faktor dalam APT. APT
menyatakan bahwa harga saham dipengaruhi
Arbitrage Pricing Theory (APT) merupakan oleh berbagai faktor. Karena variabel-variabel
model alternatif untuk menentukan harga saham makroekonomi berpengaruh terhadap harga
yang sepenuhnya berdasarakan konsep arbitrase, saham maka variabel-variabel makroekonomi
sehingga disebut teori penetapan harga arbitrase dapat dijadikan faktor-faktor dalam APT.
(Arbitrage Pricing Theory). Secara sederhana, Menurut Mankiw (2007) menjelaskan
arbitrase berarti pembelian dan penjualan saham bahwa inflasi, kurs, suku bunga, dan jumlah
yang berkarakteristik sama pada pasar yang uang yang beredar merupakan variabel-variabel
berbeda (Fabozzi, F.J., 1999). makroekonomi yang berpengaruh terhadap
Model APT memiliki asumsi bahwa harga saham. Oleh karena itu dalam penelitian
tingkat pengembalian acak atas sekuritas ini digunakan empat variabel makroekonimi
𝑖 dipengaruhi oleh beberapa faktor. Asumsi tersebut.
tersebut dapat dinyatakan dalam persamaan Faktor-faktor makroekonomi yang akan
sebagai berikut: digunakan dalam penelitian ini adalah sebagai
berikut:
𝑅̃𝑖 = 𝐸(𝑅𝑖 ) + 𝛽𝑖.1 𝐹̃1 + ⋯ + 𝛽𝑖.𝑛 𝐹̃𝑛 + 𝜖̃𝑖 (1) 1. Inflasi
2. Nilai Tukar Mata Uang (Kurs)
dengan 𝑅̃𝑖 menyatakan tingkat pengembalian
3. Jumlah Uang Beredar (JUB)
acak dari sekuritas 𝑖, 𝐸(𝑅𝑖 ) menyatakan
4. Suku Bunga Bank Indonesia (SBI)
pengembalian yang diharapkan dari sekuritas 𝑖,
𝛽𝑖.𝑛 menyatakan kepekaan sekuritas ke-𝑖
Vector Autoregression
terhadap faktor ke-𝑛, 𝐹̃1 menyatakan faktor ke-
Vector Autoregressive (VAR) merupakan
𝑛 yang umum bagi pengembalian sekuritas, dan
analisis yang biasanya digunakan dalam
𝜖̃𝑖 menyatakan pengembalian tidak sistematis
menganalisis hubungan variabel-variabel
bagi sekuritas.
deret waktu. Perbedaan analisis VAR dengan
Persamaan APT dapat digeneralisasikan
analisis deret waktu yang lain terletak pada
ke dalam kondisi di mana terdapat faktor 𝑛,
model persamaan simultannya karena dalam
sehingga menjadi:
analisis ini mempertimbangkan beberapa
variabel endogen (terikat) secara bersama-
𝐸(𝑅𝑖 ) = 𝑅𝐹 + 𝛽1,𝐹1 [𝐸(𝑅𝐹1 ) − 𝑅𝐹 ]
sama dalam suatu model. Masing-masing
+𝛽2,𝐹2 [𝐸(𝑅𝐹2 ) − 𝑅𝐹 ] + ⋯
+𝛽𝑛,𝐹𝑛 [𝐸(𝑅𝐹𝑛 ) − 𝑅𝐹 ]. (2) masing variabel selain diterangkan oleh
nilainya di massa lampau juga dipengaruhi
Model ini menyatakan bahawa investor ingin oleh nilai masa lalu dari semua variabel
memperoleh kompensasi atas seluruh faktor endogen lainnya dalam model yang diamati.
yang secara matematis mempengaruhi Menurut Tsay (2002), suatu data deret
pengembalian sekuritas. Kompensasi itu adalah waktu multivariat X 𝑡 merupakan suatu proses
18
E-Jurnal Matematika Vol. 3, No.1 Januari 2014, 17-24 ISSN: 2303-1751
VAR orde satu atau VAR(1), jika mengikuti peka terhadap panjang lag, sehingga perlu
model: untuk menentukan ketepatan panjang lag yang
optimal (Widarjono, 2007). Untuk
X 𝑡 = δ + θX 𝑡−1 + 𝑢𝑡 (3) menentukan panjang lag optimal pada model
VAR dapat menggunakan Akaike
dengan δ merupakan suatu vektor dimensi k, θ Information Criteria (AIC). Perhitungan
merupakan matriks 𝑘 × 𝑘, dan 𝑢𝑡 merupakan untuk AIC adalah :
vektor acak yang tidak saling berkorelasi,
rataannya nol dan kovarians berupa matriks 𝑅𝑆𝑆 2𝑘
𝐴𝐼𝐶 = 𝑙𝑛 ( 𝑛
)+ 𝑛 (5)
dilambangkan Σ. Misal 𝑥1𝑡 dan 𝑥2𝑡 dimasukkan
ke dalam persamaan VAR orde satu, maka
dengan 𝑅𝑆𝑆 adalah banyak residual kuadrat
persamaan VAR dapat dinyatakan sebagai:
(residual sum of squares), 𝑘 adalah banyak
parameter yang diestimasi dan 𝑛 adalah banyak
𝑥1𝑡 = 𝛿11 +𝜃11 𝑥1𝑡−1 + 𝜃12 𝑥2𝑡−1 + 𝑢1𝑡 ,
𝑥2𝑡 = 𝛿21 + 𝜃 21 𝑥1𝑡−1 + 𝜃22 𝑥2𝑡−1 + 𝑢2𝑡 . (4) observasi.Lag optimal ada pada nilai terkecil
yang didapat dari perhitungan AIC (Widarjono,
Asumsi yang harus dipenuhi dalam analisis 2007).
VAR adalah semua variabel terikat bersifat
stasioner, semua residual bersifat white noise, Kausalitas Granger
yaitu memiliki rataan nol, varians konstan dan Salah satu analisis yang berkaitan
tidak terdapat korelasi di antara variabel terikat. dengan model VAR adalah mencari
hubungan sebab akibat atau uj i
Kestasioneran Data kausalitas antar var iabel endogen
Data yang stasioner merupakan data yang (dependent/terikat) di dalam model
berada dalam kesetimbangan di sekitar nilai VAR.Hubungan sebab akibat ini bisa diuji
yang konstan dan varians di sekitar rataan menggunakan uji kausalitas Granger
tersebut tetap konstan selama periode waktu (Widarjono, 2007).
tertentu (Mankiw, 2007). Menurut Rosadi (2012), untuk
Pola data deret waktu dapat dilihat dari plot menjelaskan konsep kausalitas Granger
atau grafik data tersebut dan untuk mengetahui berikut digunakan kasus dua variabel
apakah data deret waktu stasioner atau tidak, runtun waktu yang stasioner misal X dan Y
maka dapat dilihat dari korelogram. Data deret dapat dinyatakan dengan persamaan
waktu dikatakan tidak stasioner apabila plot restricted sebagai berikut:
autokorelasi berada di luar garis Bartlet (garis
putus-putus), nilai koefisien autokorelasi pada 𝑌𝑡 = 𝛼 + 𝜙1 𝑌𝑡−1 + 𝛽1 𝑋𝑡−1 + 𝜀𝑡 (6)
lag satu cukup besar, dan turun secara perlahan
[3] dengan 𝑌𝑡 adalah nilai variabel 𝑌 pada saat
, serta nilai probabilitas yang mendekati nol
atau lebih kecil dari 5% (Winarno, 2007). periode waktu ke 𝑡, 𝑌𝑡−1 adalah nilai
variabel 𝑌 pada saat periode waktu𝑡 − 1,α
Lag Optimal adalah intersep, 𝜙1 koefisien dari lag ke-1
variabel 𝑌, 𝑋𝑡−1 adalah nilai variabel 𝑋 pada
Sebelum melakukan analisis VAR perlu
saat periode waktu 𝑡 − 1, 𝛽1 adalah koefisien
dilakukan pemeriksaan lag yang optimal
dari lag ke-1 variabel 𝑋, dan 𝜀𝑡 galat pada
terlebih dahulu. Pemeriksaan lag digunakan
saat 𝑡
untuk menentukan panjang lag optimal yang
Persamaan (6) dapat digeneralisasikan
akan digunakan dalam estimasi hubungan
menjadi persamaan yang lebih umum yaitu
kausalitas dan akan menentukan estimasi
persamaan unrestricted sebagai berikut:
parameter untuk model VAR. Estimasi
hubungan kausalitas dan model VAR sangat
19
Vian Riska Ayuning Tyas, Komang Dharmawan, Made Asih Penerapan Model Arbitrage Pricing Theory
20
E-Jurnal Matematika Vol. 3, No.1 Januari 2014, 17-24 ISSN: 2303-1751
21
Vian Riska Ayuning Tyas, Komang Dharmawan, Made Asih Penerapan Model Arbitrage Pricing Theory
22
E-Jurnal Matematika Vol. 3, No.1 Januari 2014, 17-24 ISSN: 2303-1751
statistik-Q >𝛼 (0,1). Berikut adalah hasil uji Model VAR yang telah diperoleh dari
Portmanteau dengan bantuan software EViews: langkah sebelumnya selanjutnya dilakukan
estimasi untuk masing-masing variabel.
Tabel 4. Hasil Uji Portmanteau Estimasi dari masing-masing variabel diperoleh
Lag Q-Statistik Probabilitas dengan bantuan software EViews. Selanjutnya
1.983256 NA* rata-rata expected return masing-masing
1
variabel dapat dilihat pada tabel berikut :
2 8.556336 NA*
3 11.68300 NA*
Tabel 5. Expected Return Variabel
4 19.52359 NA*
5 26.62544 NA* Rata-
6 30.51175 NA* No Expected Return Variabel Rata
7 41.11649 0.1034 1 Inflasi -0,03171
8 45.03679 0.1435 Nilai Tukar Mata Uang
2 (Kurs) 0,00246
9 52.84074 0.2136
10 58.31440 0.2737 Persamaan APT
11 62.92333 0.2859
Expected return saham dalam penelitian
12 69.72689 0.2576 ini mengunakan model APT. Dari langkah-
langkah sebelumnya dapat disusun persamaan
APT sebagai berikut:
Dari Tabel 4 diketahui nilai probabilitas
statistik Q > 0,1 yang berarti tidak terdapat
E(R 𝐿𝑃𝐾𝑅 ) = 0.0338 × 𝑅𝐹
residual serial dalam model dan dapat +0.00165[(𝐸(𝑅𝐼𝑛𝑓𝑙𝑎𝑠𝑖 )) − 𝑅𝐹 ]
dinyatakan memenuhi asumsi white noise. −0.278[(𝐸(𝑅𝐾𝑢𝑟𝑠 )) − 𝑅𝐹 ].
23
Vian Riska Ayuning Tyas, Komang Dharmawan, Made Asih Penerapan Model Arbitrage Pricing Theory
Daftar Pustaka
Box, G.E.P., dan Pierce D.A. 1970.
“Distribution of residual autocorrelations
in autoregressive-integrated moving
average time series models”.J Amer Statist
Assoc, Vol 65:1509-25.
Fabozzi, F.J. 1999. Manajemen Investasi.
Salemba Empat. Jakarta.
Gujarati, D. 2003. Basic Ekonometrics. Mc
Graw-Hill, New York.
Makridakis, S., S.C Wheelwright. Dan V.E,
McGee. 1999. Metode dan Aplikasi
Peramalan. Erlangga. Jakarta.
Mankiw, N.G. 2007. Makroekonomi. Erlangga.
Jakarta.
Rosadi, D. 2012. Ekonometrika dan Analisis
Runtun Waktu Terapan. ANDI.
Yogyakarta.
Sukirno, S. 2007. Pengantar Teori
Makroekonomi. Kencana. Jakarta.
Tsay, R.S. 2002. Analysis Financial Time
Series. John Willey and Sons Inc. United
States of America.
Widarjono, A. 2007. Ekonometrika Teori dan
Aplikasinya untuk Ekonomi dan Bisnis.
Ekorisia. Yogyakarta.
Winarno, W.W. 2007. Analisis Ekonometrika
dan Statistika dengan EViews. Unit
Penerbit dan Percetakan AMP YKPN,
Yogyakarta.
24
E-Jurnal Matematika Vol. 3, No.1 Januari 2014, 25-32 ISSN: 2303-1751
Abstract
The rise of credit card users, make banks compete to provide a wide range of offers to attract
customers. This study aims to determine the priority criteria selected customers for establishment
credit cards by using a fuzzy AHP method. Method fuzzy AHP is a combination of the AHP method
and fuzzy method. Fuzzy AHP approach particularly triangular fuzzy number approach to the AHP
scale should be able to minimize uncertainty for the results obtained are more accurate. The criteria
used for this study is the interest rate , the promo/discount, limit, and annual dues. Based on the
steps of calculation of data obtained fuzzy AHP respondents have value CR = 0.049, which means
consistent because it meets the standards set CR < 0.10 and that became the order of priority are
limit, promo/discount, interest rate, and continued with weights of priorities are 0408, 0.28, 0.16,
and 0.152.
Keywords: AHP, Fuzzy Analytic Hierarchy Process (FAHP), Criteria of Credit Card, Consistensy
Ratio , Weight Priority
1
Mahasiswa Jurusan Matematika FMIPA Universitas Udayana
2 Staf Pengajar Jurusan Matematika FMIPA Universitas Udayana 25
Joko Hadi,A., G.K.Gandhiadi, D.P.E. Nilakusumawati Pemilihan Kriteria dalam Pembuatan Kartu kredit dengan
Menggunakan Metode Fuzzy AHP
Tujuan dari penelitian ini adalah untuk sampai 9 yang telah ditetapkan, seperti
membangun sistem pengambilan keputusan tampak pada Tabel 1.
sebagai alat bantu dalam mengambil
keputusan untuk menentukan urutan prioritas Tabel 1. Skala Penilaian Perbandingan
kriteria yang akan dipilih nasabah dalam Berpasangan
pembuatan kartu kredit dan menerapakan Tingkat
Definisi
metode FAHP dalam sistem pengambilan Kepentingan
1 Sama penting
keputusan studi kasus pemilihan kriteria dalam 3 Sedikit lebih penting
pembuatan kartu kredit. 5 Lebih penting
Dalam penelitian ini, untuk menghindari 7 Sangat penting
terlalu luasnya masalah, maka batasan kriteria- 9 Mutlak lebih penting
Nilai diantara dua pilihan yang
kriteria yang dipakai dalam pembuatan kartu 2,4,6,8
berdekatan
kredit adalah suku bunga, promo/diskon, limit, Resiprokal Kebalikan
dan iuran tahunan. Sistem pendukung Sumber: Saaty, T. L. and L. G. Vargas (2012)
keputusan yang dirancang yaitu menggunakan
metode fuzzy AHP. d) Menguji konsistensi hirarki. Jika nilai
Penelitian ini diharapkan dapat konsistensi rasio yang dihasilkan tidak
memberikan manfaat sebagai bahan masukan memenuhi standar yang ditetapkan yaitu
atau informasi bagi bank penerbit kartu kredit Consistency Ratio (CR) < 0,1 maka
tentang kriteria prioritas nasabah dalam penilaian harus diulang kembali.
pembuatan kartu kredit. Hasil penelitian ini
2.2 Eigen value dan Eigen vector
juga bermanfaat sebagai acuan pengambilan
keputusan dalam meningkatkan kuantitas Jika matriksA berukuran n x n , dapat
nasabah pengguna kartu kredit. didiagonalkan dan 𝜆1 , 𝜆2 , . . . , 𝜆𝑛 merupakan
nilai eigen dari A yang memenuhi hubungan
2. Ulasan Pustaka
|𝜆1 | > |𝜆2 | ≥ ⋯ |𝜆𝑛 | > 0
2.1 Analytical Hierarchy Process (AHP)
Karena matriksA dapat didiagonalkan,
AHP merupakan suatu metode
vektor eigen𝑣̅1 , … , 𝑣̅𝑛 masing-masing
pengambilan keputusan dan suatu teori
berkaitan dengan eigen 𝜆1 , 𝜆2 , . . . , 𝜆𝑛 dan
pengukuran yang digunakan untuk
membentuk basis di Rn. sehingga sebarang
mengukur skala rasio, baik dari
vektor 𝑥̅0 di Rn dapat dituliskan sebagai
perbandingan-perbandingan berpasangan
(Budhi, 1995):
diskrit maupun kontinu (Saaty, 1987 ).
Tahapan-tahapan proses dalam metode 𝑥̅0 = 𝑠1 𝑣̅1 + 𝑠2 𝑣̅2 + … + 𝑠𝑛 𝑣̅𝑛 (1)
AHP (Apriyanto, 2008) adalah:
a) Mendefinisikan masalah dan tujuan yang Jika persamaan (1) dikalikan denganA,
diinginkan. diperoleh
b) Membuat struktur hirarki yang diawali
dengan tujuan, kriteria-kriteria dan 𝐴𝑥̅0 = 𝐴(𝑠1 𝑣̅1 + 𝑠2 𝑣̅2 + … + 𝑠𝑛 𝑣̅𝑛 )
alternatif-alternatif pilihan.
= 𝑠1 𝐴𝑣̅1 + 𝑠2 𝐴𝑣̅2 + … + 𝑠𝑛 𝐴𝑣̅𝑛
c) Membentuk matriks perbandingan
= 𝑠1 𝜆1 𝑣̅1
berpasangan terhadap masing-masing
+ 𝑠2 𝜆2 𝑣̅2 + …
kriteria untuk analisis numerik.Nilai
+ 𝑠𝑛 𝜆𝑛 𝑣̅𝑛
numerik yang diberikan untuk seluruh
perbandingan diperoleh dari skala 1 Dari hasil 𝐴𝑥̅0 untuk memperoleh 𝐴𝑘 𝑥̅0
maka dilakukan perkalian dari hasil terakhir
26
E-Jurnal Matematika Vol. 3, No.1 Januari 2014, 25-32 ISSN: 2303-1751
dengan A, hal ini dilakukan berulang-ulang 2. Menentukan nilai Consistency Index yang
sampai dengan k kali. dapat diperoleh dengan persamaan:
𝑘
CI =Rasio penyimpangan (deviasi)
𝜆𝑖 konsistensi (consistency index)
Jika k makin besar, nilai ( ) akan makin
𝜆1
𝜆 𝝀𝒎𝒂𝒙 = Nilai eigen terbesar dari matriks
kecil untuk i = 2, . . . ,n, karena |𝜆 𝑖 | < 1. berordo n
1
N = Ordo matriks
Oleh karena itu, untuk k yang cukup besar
pada persamaan (2) kurang lebih akan menjadi Apabila CI bernilai nol, maka pair-wise
comparison matrix tersebut konsisten. Batas
𝐴𝑘 𝑥̅0 ≈ 𝑠1 𝜆1𝑘 𝑣̅1 (3) ketidakkonsistenan (inconsistency) yang telah
Persamaan (3) merupakan hampiran dari ditetapkan oleh Saaty (1987) ditentukan
kelipatan vektor eigen 𝑣̅1 tersebut, yaitu vektor dengan menggunakan Rasio Konsistensi
𝐴𝑘 𝑥̅0 . Vektor 𝐴𝑘 𝑥̅0 merupakan hampiran (CR), yaitu perbandingan indeks konsistensi
vektor eigen yang berkaitan dengan nilai eigen (CI) dengan nilai random indeks (RI) yang
terbesar 𝑣̅1 . Makin besar nilai k makin baik diperlihatkan pada Tabel 2. Nilai ini
bergantung pada ordo matriks n. Dengan
pula hampiran 𝐴𝑘 𝑥̅0 terhadap sebuah vektor
demikian, Rasio Konsistensi dapat dirumuskan
eigen dari A.
sebagai berikut:
Setelah diperoleh vektor eigen𝑣̅1 atau
kelipatannya, nilai eigen yang berkaitan dapat 𝑪𝑰
CR = 𝑹𝑰
dihitung sebagai berikut. Karena 𝐴𝑣̅1 = 𝜆1 𝑣̅1,
maka CR = Consistency Ratio
RI = RandomIndex
𝐴𝑣̅1 𝑣̅1 = 𝜆1 𝑣̅1 𝑣̅1
Tabel 2. Nilai Random Indeks (RI)
atau
N 1 2 3 4 5 6 7 8 9 10
𝐴𝑣̅1 𝑣̅1
𝜆1 = 𝑣̅1 𝑣̅1
R 0. 0. 0. 0. 1. 1. 1. 1. 1. 1.
I 00 00 52 89 11 25 35 40 45 49
Rumus nilai eigen ini disebut rumus Sumber: Saaty, T. L. and L. G. Vargas (2012)
pembagian Rayleigh (Budhi, 1995). Bila matriks pair–wise comparison
mempunyai nilai CR <0,100 maka
2.3 Uji Konsistensi dan Indeks Rasio dan
FAHP ketidakkonsistenan pendapat dari pengambil
keputusan masih dapat diterima dan apabila
Dengan metode AHP yang memakai tidak demikian maka penilaian harus diulang.
persepsi pembuat keputusan sebagai inputnya Jika hasil memenuhi CR < 0,100 maka
maka ketidakkonsistenan mungkin terjadi dilakukan pengubahan bobot penilaian
karena manusia memiliki keterbatasan dalam perbandingan berpasangan pada skala AHP
menyatakan persepsinya. Berdasarkan kondisi ke dalam bilangan triangular fuzzy (Chang,
ini, untuk menunjukkan matriks berordo n
D.Y., 1992).
konsisten dapat diperoleh melalui langkah-
langkah berikut ini (Saaty, T, L, and L, G.
Vargas, 2012):
1. Menentukan nilai vektor eigen dan 𝜆𝑚𝑎𝑥
27
Joko Hadi,A., G.K.Gandhiadi, D.P.E. Nilakusumawati Pemilihan Kriteria dalam Pembuatan Kartu kredit dengan
Menggunakan Metode Fuzzy AHP
28
E-Jurnal Matematika Vol. 3, No.1 Januari 2014, 25-32 ISSN: 2303-1751
29
Joko Hadi,A., G.K.Gandhiadi, D.P.E. Nilakusumawati Pemilihan Kriteria dalam Pembuatan Kartu kredit dengan
Menggunakan Metode Fuzzy AHP
nilai baris dan hasil penjumlahan tersebut Karena CR < 0,100 berarti preferensi
dijumlahkan kembali kemudian setiap elemen responden adalah konsisten, maka
dibagi dengan jumlah tersebut sehingga perbandingan berpasangan AHP diubah ke
diperoleh nilai vektor eigennya. dalam perbandingan berpasangan fuzzy AHP
yaitu sebagai berikut.
Tabel 5. Vektor Eigen a) Membuat matriks perbandingan
Vektor
∑
A B C D Eigen berpasangan fuzzy yaitu dengan cara
A 21418.999 11193.973 5599.131 33351.317 71563.421 0.136
B 41681.167 21783.484 10895.862 64901.301 139261.814 0.265
menggantikan nilai skala AHP dengan
C 81307.048 42492.880 21254.590 126602.912 271657.430 0.516 nilai skala bilangan segitiga fuzzy yang
D 13047.490 6818.883 3410.752 20316.166 43593.290 0.083
terdapat pada Tabel 6
∑ 526075.895
0.136 11531.888
[0.265] = [22440.975] b) Menghitung nilai fuzzy synthetic extent.
0.516 43775.524 −1
𝑚 𝑛 𝑚
0.083 7024.722 𝑗 𝑗
𝑆𝑖 = ⨁ 𝑀𝑔𝑖 ⊗ [ ⨁ ⨁ 𝑀𝑔𝑖 ]
11531.888/0.136 84773.045 𝑗=1 𝑖 =1𝑗=1
22440.975/0.265 84773.113 Untuk menghitung nilai fuzzy synthetic
[ ]=[ ]
43775.524/0.516 84773.131 extent yang pertama adalah dengan
7024.722/ 0.083 84773.080 𝑚
⨁ 𝑀𝑔𝑖 𝑗
menghitung nilai =
Jadi, λmaksimum = 6√84773.131 𝑗=1
𝑚 𝑚 𝑚
= 4.131 ( ∑ 𝑙𝑗 , ∑ 𝑚𝑗 , ∑ 𝑢𝑗 ) dengan
𝑗=1 𝑗=1 𝑗=1
Karena matriks berordo 4 (yakni terdiri dari operasi penjumlahan pada tiap-tiap
4 kriteria), nilai indeks konsistensi yang bilangan triangular fuzzy dalam setiap
diperoleh: baris.
30
E-Jurnal Matematika Vol. 3, No.1 Januari 2014, 25-32 ISSN: 2303-1751
−1 V(S1≥S4) = 1
𝑛 𝑚
𝑗
Jadi untuk nilai [ ⨁ ⨁ 𝑀𝑔𝑖 ] adalah V(S2≥S1) = 1
𝑖 = 1𝑗 = 1
0.217−0.444
1 1 1 V(S2≥S3) = (0.266−0.444)−(0.369−0.217) = 0.688
( , , )
23 17.567 13.5
V(S2≥S4) = 1
selanjutnya dihitung nilai fuzzy syntethic extent
V(S3≥S1) = 1
untuk tiap kriteria utama dengan.
𝟏 𝟏 𝟏 V(S3≥S2) = 1
S1 = (2.5, 3.334, 4.5) ⊗ ( , , )
𝟐𝟑 𝟏𝟕.𝟓𝟔𝟕 𝟏𝟑.𝟓
V(S3≥S4) = 1
= (0.109, 0.189, 0.333)
0.109−0.333
S2 = (3.5, 4.667, 6) ⊗ (
𝟏
,
𝟏
,
𝟏
) V(S4≥S1) = (0.175−0.333)−(0.189−0.109) = 0.941
𝟐𝟑 𝟏𝟕.𝟓𝟔𝟕 𝟏𝟑.𝟓
0.152−0.333
= (0.152, 0.266, 0.444) V(S4≥S2) = (0.175−0.333)−(0.216−0.152) = 0.665
𝟏 𝟏 𝟏 0.217−0.333
S3 = (5, 6.5, 8) ⊗ ( , , ) V(S4≥S3) = (0.175−0.333)−(0.369−0.217) = 0.374
𝟐𝟑 𝟏𝟕.𝟓𝟔𝟕 𝟏𝟑.𝟓
31
Joko Hadi,A., G.K.Gandhiadi, D.P.E. Nilakusumawati Pemilihan Kriteria dalam Pembuatan Kartu kredit dengan
Menggunakan Metode Fuzzy AHP
32
E-Jurnal Matematika Vol. 3, No.1 Januari 2014, 33-37 ISSN: 2303-1751
1,2,3
Jurusan Matematika FMIPA Universitas Udayana, Bukit Jimbaran-Bali
e-mail: 1adi.gunawan30.ag@gmail.com ,2ballidah@gmail.com ,
3
asihmath77@gmail.com
Abstract
Keywords: Arbitrage Pricing Theory, Granger causality test, optimal lag test, Portmanteau test,
stationary test, Vector Autoregression
1
Mahasiswa Jurusan Matematika FMIPA Universitas Udayana 33
2 Staf Pengajar Jurusan Matematika FMIPA Universitas Udayana
Made Adi Gunawan, Luh Putu Ida Harini, Made Asih Mengatasi Masalah Heteroskedastisitas
10
dari (𝑛 − 𝑐)/2. Jumlah 𝑐 harus sekecil
mungkin untuk menjamin tersedianya
8
degree of freedom sehingga menghasilkan
6
estimasi yang layak untuk setiap regresi.
4 4. Dapatkan SSR1 yang berhubungan dengan
2 nilai X kecil dan SSR2 yang berhubungan
0 dengan nilai X yang besar.
Jan-05 Aug-13 5. Hitung nilai rasio:
-2
𝑆𝑆𝑅2 /𝑑𝑓
Sumber data: www.bps.go.id 𝜆=
𝑆𝑆𝑅1 /𝑑𝑓
Gambar 1. Grafik Data Inflasi Kota Denpasar dan
Indonesia periode bulan Januari 2005 s/d
Agustus 2013 .
Ratio 𝜆 akan mengikuti distribusi F
statistik dengan derajat bebas (n-c-2k)/2
Dari Gambar 1 garis dengan warna coklat untuk pembilang (numerator) dan penyebutnya
menunjukkan data inflasi kota Denpasar dan (denominator). Kita akan menolak hipotesis nol
garis dengan warna biru menunjukkan data tidak adanya heteroskedastisitas jika nilai F
inflasi Indonesia terlihat secara umum bahwa hitung lebih besar dari nilai 𝐹 kritis pada tingkat
inflasi kota Denpasar dan inflasi Indonesia 𝛼 tertentu.
mempunyai volatilitas yang cenderung tinggi.
Mengatasi Masalah Heteroskedastisitas
Pada suatu ketika bisa terjadi kenaikan yang
tajam, kemudian juga terjadi penurunan secara Ketika varians variabel tidak diketahui
tajam pula. maka untuk mengatasi masalah
heteroskedastisitas akan diselesaikan dengan
Metode GoldFeld-Quandt mengetahui pola heteroskedastisitas itu sendiri
(Widarjono, 2013). Diasumsikan bahwa pola
Metode GoldFeld-Quandt mengasumsikan
varians variabel gangguan adalah proporsional
bahwa heteroskedastisitas 𝜎𝑖2 merupakan fungsi
dengan 𝑋𝑖2 sehingga :
positif dari variabel independen. Ide GoldFeld-
Quandt dapat dijelaskan dengan model regresi 𝑉𝑎𝑟(𝑒𝑖 |𝑋𝑖 ) = 𝐸(𝑒𝑖2 ) = 𝜎 2 𝑋𝑖2
sederhana (Widarjono, 2013). Adapun prosedur
metode GoldFeld-Quandt sebagai berikut: untuk menghilangkan masalah
1. Mengurutkan data sesuai dengan nilai X, heteroskedastisitas akan membagi persamaan
dimulai dari nilai yang paling kecil hingga regresi sederhana dengan 𝑋𝑖 sehingga akan
yang paling besar. menghasilkan persamaan sebagai berikut :
2. Menghilangkan observasi yang di tengah
𝑌𝑖 𝛽0 𝛽1 𝑒𝑖
(𝑐). Membagi data yang tersisa (𝑛 − 𝑐) = + 𝑋𝑖 +
𝑋𝑖 𝑋𝑖 𝑋𝑖 𝑋𝑖
menjadi dua kelompok. Kelompok pertama
𝑌𝑖 𝛽0
(1) berkaitan dengan data dengan nilai X = + 𝛽1 + 𝑣𝑖
𝑋𝑖 𝑋𝑖
yang kecil dan kelompok kedua (2)
berhubungan dengan data dengan nilai X
Akan dibuktikan bahwa varians variabel
yang besar. Dengan perbandingan antara gangguannya sekarang bersifat
kelompok data kecil, nilai tengah dan
homoskedastisitas:
kelompok data besar adalah sebesar 3/8 : ¼
𝑒 2
: 3/8. 𝑣𝑎𝑟(𝑣𝑖 ) = 𝐸(𝑣𝑖2 ) = 𝐸 (𝑋𝑖 )
𝑖
3. Melakukan regresi pada setiap kelompok 1
secara terpisah. Data setiap regresi terdiri = 𝑋𝑖2
𝐸(𝑒𝑖2 )
34
E-Jurnal Matematika Vol. 3, No.1 Januari 2014, 33-37 ISSN: 2303-1751
1
= 𝑋 2 𝜎 2 𝑋𝑖2 data inflasi yang telah dikumpulkan. Metode
𝑖
yang digunakan untuk mengetahui ada atau
= 𝜎2 tidaknya masalah heteroskedastisitas pada
Selain proporsional dengan 𝑋𝑖2 , bisa juga penelitian ini akan digunakan metode GoldFeld-
diasumsikan bahwa pola varians variabel Quandt. Untuk mengatasi masalah
gangguan adalah proporsional dengan [𝐸(𝑌𝑖 )]2 heteroskedastisitas maka dapat dilihat dari
sehingga : varians variabel gangguannya. Mengatasi
𝑉𝑎𝑟(𝑒𝑖 |𝑋𝑖 ) = 𝐸(𝑒𝑖2 ) = 𝜎 2 [𝐸(𝑌𝑖 )]2 masalah ini dapat dilakukan dengan varians
dengan 𝐸(𝑌𝑖 ) = 𝛽0 + 𝛽1 𝑋𝑖 variabel gangguan yang tidak diketahui yaitu
dengan mengetahui pola heteroskedastisitasnya
untuk menghilangkan masalah (Widarjono, 2013). Setelah diatasinya masalah
heteroskedastisitas akan membagi persamaan heteroskedastisitas, maka selanjutnya adalah
melakukan uji kembali. Uji ini bertujuan untuk
regresi sederhana dengan 𝐸(𝑌𝑖 ) sehingga akan
mengetahui apakah data sudah benar tidak
menghasilkan persamaan sebagai berikut : mengandung masalah heteroskedastisitas.
Adapaun metode yang digunakan adalah metode
𝑌𝑖 𝛽0 𝛽1 𝑒𝑖 GoldFeld-Quandt.
= + 𝑋𝑖 +
𝐸(𝑌𝑖 ) 𝐸(𝑌𝑖 ) 𝐸(𝑌𝑖 ) 𝐸(𝑌𝑖 )
𝑌𝑖 𝛽0 𝛽1 3. Hasil dan Pembahasan
= + 𝑋 + 𝑣𝑖
𝐸(𝑌𝑖 ) 𝐸(𝑌𝑖 ) 𝐸(𝑌𝑖 ) 𝑖
Langkah pertama dalam metode GoldFeld-
Quandt adalah mengurutkan data X dimulai dari
Akan dibuktikan bahwa varians variabel nilai yang paling kecil hingga nilai yang paling
gangguannya sekarang bersifat besar. Data Y mengikuti urutan nilai X. Langkah
homoskedastisitas : kedua yaitu menghilangkan observasi yang
𝑒 2
𝑣𝑎𝑟(𝑣𝑖 ) = 𝐸(𝑣𝑖2 ) = 𝐸 (𝐸(𝑌𝑖 )) ditengah (c). Dalam hal ini ¼ dari jumlah data,
𝑖
1 yang mana 3/8 untuk jumlah kelompok data
= [𝐸(𝑌𝑖 )]2
𝐸(𝑒𝑖2 ) kecil dan 3/8 untuk jumlah kelompok data
1 besar. Kemudian setelah menghilangkan
= [𝐸(𝑌𝑖 )]2
𝜎 2 [𝐸(𝑌𝑖 )]2
2
observasi nilai tengah, selanjutnya data yang
=𝜎
tersisa (𝑛 − 𝑐) menjadi dua kelompok.
Kelompok pertama berkaitan dengan data nilai
2. Metode Penelitian 𝑋 kecil dan kelompok kedua berhubungan
dengan data nilai 𝑋 yang besar. Kemudian akan
Jenis data yang dipergunakan dalam dilakukan estimasi untuk masing-masing
penelitian ini adalah data berskala kontinu, yaitu kelompok data.
berupa data deret waktu bulanan suatu data Dari hasil estimasi tersebut maka akan
inflasi kota Denpasar yang merupakan variabel diperoreh nilai sum of squared residual (𝑆𝑆𝑅)
𝑋dan data inflasi Indonesia yang merupakan atau nilai total dari penjumlahan kuadratnya
variabel 𝑌. Data inflasi kota Denpasar dan data masing-masing yaitu 𝑆𝑆𝑅1 untuk nilai 𝑆𝑆𝑅 dari
inflasi Indonesia merupakan data sekunder yang hasil estimasi kelompok data kecil dan 𝑆𝑆𝑅2
diperoleh melalui akses internet (sumber: untuk nilai 𝑆𝑆𝑅 dari hasil estimasi kelompok
http://www.bps.go.id/aboutus.php?inflasi=1). data besar.
Tahap pertama yaitu dilakukan Nilai masing-masing 𝑆𝑆𝑅 dari hasil
pengumpulan data, setelah data terkumpul, estimasi tersebut 𝑆𝑆𝑅1 = 3.36 dan 𝑆𝑆𝑅2 =
langkah selanjutnya adalah melakukan 8.43. Langkah terakhir dari penggunaan metode
pengujian yang bertujuan untuk mengetahui ada GoldFeld-Quandt adalah melakukan uji
atau tidaknya masalah heteroskedastisitas dalam signifikan menggunakan uji F dengan taraf
35
Made Adi Gunawan, Luh Putu Ida Harini, Made Asih Mengatasi Masalah Heteroskedastisitas
signifikan sebesar 5%. Apabila nilai hitung dengan data nilai 𝑋 kecil dan kelompok kedua
lebih besar daripada nilai 𝐹 tabel maka data berhubungan dengan data nilai 𝑋 yang besar.
mengandung masalah heteroskedastisitas dan Dari hasil estimasi tersebut maka akan
sebaliknya. Sehingga diperoleh hasil diperoreh nilai sum of squared residual (𝑆𝑆𝑅)
perhitungan pada metode GoldeFeld-Quandt atau nilai total dari penjumlahan kuadratnya
diperoleh 𝜆 = 2.51, dalam hal ini 𝜆 mengikuti masing-masing yaitu 𝑆𝑆𝑅1 untuk nilai 𝑆𝑆𝑅 dari
distribusi 𝐹. Dari hasil perhitungan, maka hasil estimasi kelompok data kecil dan 𝑆𝑆𝑅2
diperoleh kesimpulan bahwa data untuk nilai 𝑆𝑆𝑅 dari hasil estimasi kelompok
mengandung masalah heteroskedastisitas. data besar. Nilai masing-masing 𝑆𝑆𝑅 dari hasil
Ini dikarenakan nilai daripada perhitungan 𝜆 estimasi tersebut 𝑆𝑆𝑅1 = 215.73 dan 𝑆𝑆𝑅2 =
hitung lebih besar daripada nilai F pada 315.7. Langkah terakhir dari penggunaan
tabel. metode GoldFeld-Quandt adalah melakukan uji
signifikan menggunakan uji F dengan taraf
Dengan dibuktikannya data inflasi
signifikan sebesar 5%. Apabila nilai hitung
mengandung masalah heteroskedastisitas,
lebih besar daripada nilai 𝐹 tabel maka data
maka selanjutnya adalah bagaimana mengandung masalah heteroskedastisitas dan
menghilangkan masalah heteroskedastisitas sebaliknya.
tersebut. Menghilangkan masalah Dari hasil perhitungan, maka diperoleh
heteroskedastisitas yaitu dengan kesimpulan bahwa data sudah tidak
mengasumsikan varians variabel gangguan mengandung masalah heteroskedastisitas. Ini
pada persamaan regresi sederhana dikarenakan nilai daripada perhitungan 𝜆 hitung
2
proporsional dengan 𝑋𝑖 , dan [𝐸(𝑌𝑖 )]2 . lebih kecil daripada nilai F pada tabel. Dalam
Dengan asumsi tersebut maka diperoleh hal ini 𝜆 mengikuti distribusi F.
hasil bahwa varians variabel gangguannya
konstan sebesar 𝜎 2 , yang artinya data sudah
4. Kesimpulan
tidak mengandung masalah
heteroskedastisitas. Berdasarkan hasil analisis diperoleh
Telah ditunjukkan bahwa data sudah tidak kesimpulan bahwa :
mengandung masalah heteroskedastisitas. Untuk 1. Dari metode yang telah digunakan yaitu
meyakinkan bahwa data tersebut benar-benar metode GoldFeld-Quandt, ditunjukkan
tidak mengandung masalah heteroskedastisitas bahwa data inflasi yang didapat
maka akan diuji kembali menggunkakan metode mengandung masalah heteroskedastisitas.
GoldFeld-Quandt. Langkah pertama dalam 2. Menghilangkan masalah heteroskedastisitas
metode GoldFeld-Quandt adalah mengurutkan dengan mengasumsikan proporsional
data X dimulai dari nilai yang paling kecil 2
dengan 𝑋𝑖 , 𝑑𝑎𝑛 [𝐸(𝑌𝑖 )] .2
hingga nilai yang paling besar. Data Y 3. Dari hasil perhitungan pada bab hasil dan
mengikuti urutan nilai X. Data yang diestimasi pembahasan telah ditunjukkan bahwa data
yaitu data yang sudah diasumsikan proporsinal inflasi sudah tidak mengandung masalah
dengan [𝐸(𝑌𝑖 )]2 . heteroskedastisitas. Itu ditunjukkan oleh
Langkah kedua yaitu menghilangkan nilai dari varian variabel gangguannya
observasi yang ditengah (c). dalam hal ini konstan sebesar 𝜎 2 . Nilai konstan tersebut
peneliti memilih sebesar 1/4 dari data yaitu ditunjukkan pada asumsi proporsional
sebesar 28 observasi. Kemudian setelah dengan 𝑋𝑖2 , dan [𝐸(𝑌𝑖 )]2 .
menghilangkan observasi nilai tengah, 4. Setelah dilakukan pengujian selanjutnya
selanjutnya data yang tersisa (𝑛 − 𝑐) menjadi menggunakan metode GoldFeld-Quandt,
dua kelompok. Kelompok pertama berkaitan didapat bahwa data sudah tidak
36
E-Jurnal Matematika Vol. 3, No.1 Januari 2014, 33-37 ISSN: 2303-1751
Daftar Pustaka
37