ID1 - 197106111997022001080814028568 Ketua Penyunting - e Jurnal Math Vol 3 No 1 Jan 2014

E-Jurnal Matematika file:///F:/NILA FILE/e-JURNAL MATEMATIKA/E-JURNAT MATEMA...
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
HOME ABOUT LOG IN REGISTER SEARCH CURRENT ARCHIVES
Home > E-Jurnal Matematika
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
Ketua : Desak Putu Eka Nilakusumawati, S.Si., M.Si

Sekretaris : I Made Eka Dwipayana S.Si. M.Si.
Penyunting :
1. Tjokorda Bagus Oka Ph.D.

2. Komang Dharmawan Ph.D.
3. Drs. GK Gandhiadi MT.
4. Ir. I Komang Gde Sukarsa M.Si.
5. Ir. I Putu Eka Nila Kencana MT
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
HOME ABOUT LOG IN REGISTER SEARCH CURRENT ARCHIVES
Home > Archives > Vol 3, No 1 (2014)
Vol 3, No 1 (2014)
Table of Contents
Articles
APLIKASI REGRESI DATA PANEL DENGAN PENDEKATAN FIXED EFFECT MODEL (STUDI PDF
KASUS: PT PLN GIANYAR)

NI PUTU ANIK MAS RATNASARI, I PUTU EKA NILA KENCANA, G.K. GANDHIADI 1-7
PENERAPAN REGRESI AKAR LATEN DALAM MENANGANI MULTIKOLINEARITAS PADA MODEL PDF
REGRESI LINIER BERGANDA

DWI LARAS RIYANTINI, MADE SUSILAWATI, KARTIKA SARI 8 - 16
PENERAPAN MODEL ARBITRAGE PRICING THEORY DENGAN PENDEKATAN VECTOR PDF
AUTOREGRESSION DALAM MENGESTIMASI EXPECTED RETURN SAHAM (Studi Kasus:

Saham-Saham Kompas100 Periode 2010-2013)
VIAN RISKA AYUNING TYAS, KOMANG DHARMAWAN, MADE ASIH 17 -24
PEMILIHAN KRITERIA DALAM PEMBUATAN KARTU KREDIT DENGAN MENGGUNAKAN PDF
METODE FUZZY AHP

JOKO HADI APRIANTO, G. K. GANDHIADI, DESAK PUTU EKA NILAKUSMAWATI 25 -32
MENGATASI MASALAH HETEROSKEDASTISITAS DENGAN MENGASUMSIKAN VARIANS PDF
VARIABEL GANGGUANNYA PROPORSIONAL DENGAN X_i^2 DAN [E(Y_i)]^2

MADE ADI GUNAWAN, LUH PUTU IDA HARINI, MADE ASIH 33 - 37
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
APLIKASI REGRESI DATA PANEL

DENGAN PENDEKATAN FIXED EFFECT MODEL
(STUDI KASUS: PT PLN GIANYAR)
NI PUTU ANIK MAS RATNASARI1, I PUTU EKA NILA KENCANA2, G. K. GANDHIADI3
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.
Keywords: Panel Data Regression, Fixed Effect Model, Motivation
1. Pendahuluan memberikan data yang lebih informatif;

membangun dan menguji model yang lebih
Analisis regresi merupakan alat statistika kompleks dibandingkan dengan mengunakan
yang memanfaatkan hubungan antara dua data time series atau cross-section murni
atau lebih variabel yang bersifat kuantitatif, karena data panel merupakan gabungan dari
sehingga salah satu variabel dapat diprediksi kedua studi ini; serta dapat meminimumkan
dari variabel lainnya. Salah satu bias yang terjadi bila mengelompokkan
pengembangan dari analisis regresi adalah individu ke dalam kelompok yang lebih besar.
regresi data panel. Ada beberapa keuntungan Regresi data panel memiliki tiga
menggunakan regresi data panel, yaitu pendekatan, yaitu Common Effect Model
mampu mengontrol keheterogenan individual, (CEM), Fixed Effect Model (FEM), dan
dengan data cross-section diasumsikan Random Effect Model (REM). FEM adalah
homogen tanpa ada pengaruh lain yang model regresi data panel yang menggunakan
masuk, misal waktu, sedangkan pada data variabel dummy untuk mengetahui perbedaan
time-series, data yang didapat akan berubah karakteristik, baik antarindividu maupun
setiap periode waktu. Penggabungan dari antarwaktu. Penerapan regresi data panel
kedua data ini dapat mengatasi masalah yang sebagai salah satu metode untuk mengetahui
timbul karena penghilangan variabel;
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
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
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
Regresi Data Panel Fixed Effect Model

Regresi data panel adalah regresi yang Salah satu metode estimasi yang bisa
menggunakan data pengamatan terhadap satu digunakan dalam model regresi data panel
atau lebih variabel pada suatu unit secara adalah fixed effect model (FEM). Bentuk
terus menerus selama beberapa periode umum regresi data panel pada FEM adalah
waktu. Bentuk umum model regresi data sebagai berikut:
panel adalah sebagai berikut (Hsiao, 2003):
𝒀𝒊𝒕 = 𝜶∗𝒊𝒕 + 𝜷𝑻𝒓
𝒊𝒕 𝑿𝒊𝒕 + 𝝁𝒊𝒕
𝒀𝒊𝒕 = 𝜶∗𝒊 + 𝜷𝑻𝒓 𝑿𝒊𝒕 + 𝝁𝒊𝒕
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
(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
Tabel 1. Variabel-Variabel Penelitian
No Variabel Simbol Indikator Skala Kategori

1. Motivasi (Y) Mot Interval 0—3
Gaji (𝑋11 ) Interval 0—3
2 Existence (𝑋1 ) EX Lingkungan Kerja (𝑋12 ) Interval 0—3
Jaminan Sosial (𝑋13 ) Interval 0—3
Komunikasi (𝑋21 ) Interval 0—3
Relatedness
3 RE Supervisi (𝑋22 ) Interval 0—3
(𝑋2 )
Kelompok (𝑋23 ) Interval 0—3
Penghargaan (𝑋31 ) Interval 0—3
4 Growth (𝑋3 ) GR Prestasi (𝑋32 ) Interval 0—3
Tanggung Jawab (𝑋33 ) Interval 0—3
0 = Non-
Tenaga Kerja Outsourcing
5 Nominal
(𝑋4 ) 1=
Outsourcing
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
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
motivasinya akan meningkat sebesar 0,56

𝑀𝑜𝑡𝒏𝒐𝒏𝒊𝒕 = −0,05 + 0,56𝐸𝑋𝑖𝑡 satuan.
2. Model outsourcing menunjukkan ketika
𝑀𝑜𝑡𝒐𝒖𝒕𝒊𝒕 = 0,21 − 0,00𝐸𝑋𝑖𝑡 + 0,85𝐺𝑅𝑖𝑡 tidak ada existence dan growth, maka
motivasi tenaga kerja outsourcing
Nilai intersep yang dihasilkan pada regresi meningkat sebesar 0,21 satuan. Selain itu
data panel melalui pendekatan FEM dengan juga dapat ditarik kesimpulan bahwa
penduga LSDV, baik untuk model non- ketika existence (keberadaan) tenaga kerja
outsourcing maupun model outsourcing, outsourcing diakui sebesar 1 satuan,
adalah berbeda-beda untuk masing-masing maka secara rata-rata motivasi tenaga
responden, sedangkan nilai slope tetap sama. kerja tersebut akan menurun sebesar 0,00
Hal ini membuktikan bahwa asumsi yang satuan, yang artinya pengakuan terhadap
digunakan untuk FEM, yaitu intersep 𝛼𝑖 tenaga kerja outsourcing tidak memiliki
berbeda antarindividu, tetapi slopeβ tetap pengaruh terhadap motivasi tenaga kerja
sama antarindividu dan antarwaktu telah tersebut serta ketika growth
terpenuhi. Perbedaan nilai intersep (pertumbuhan) tenaga kerja outsourcing
menunjukkan bahwa setiap unit/individu berkembang sebesar 1 satuan, maka
mempunyai nilai motivasi yang berbeda-beda secara rata-rata motivasi tenaga kerja
dan nilai slope menunjukkan besarnya akan meningkat sebesar 0,85 satuan.
pengaruh existence terhadap motivasi pada Artinya setiap berkembangnya potensi
tenaga kerja non-outsourcing serta besarnya diri tenaga kerja non-outsourcing sebesar
pengaruh existence dan growth terhadap 1 satuan, maka motivasinya akan
motivasi pada tenaga kerja outsourcing di PT meningkat sebesar 0,85 satuan.
PLN Gianyar. Berikut ini adalah interpretasi Lebih lanjut lagi dilakukan pengujian
untuk masing-masing model yaitu: signifikansi parameter pada kedua model.
1. Model non-outsourcing menunjukkan Pada uji simultan model non-outsourcing
bahwa ketika tidak ada existence, maka diperoleh F-hitung>𝐹(24,49;0,05) , yaitu 4,12>
motivasi tenaga kerja non-outsourcing 1,74, sehingga terdapat minimal satu
akan menurun sebesar 0,05 satuan. Selain parameter yang memuat variabel bebas yang
itu dapat disimpulkan juga bahwa ketika berpengaruh terhadap variabel respon. Tabel
existence tenaga kerja non-outsourcing 2 menunjukkan hasil uji parsial model non-
diakui sebesar satu satuan maka secara outsourcing diperoleh t-statistik>𝑡(0,025;49)
rata-rata motivasi tenaga kerja akan (2,01)untuk variabel existenceyaitu 6,43 >
meningkat sebesar 0,56 satuan. Artinya 2,01, sehingga dapat disimpulkan existence
setiap meningkatnya pengakuan terhadap berpengaruh signifikan pada motivasinon-
tenaga kerja non-outsourcing, maka outsourcing.
Tabel 2.Uji Parsial Model Motivasi Non-outsourcing
Variable Coefficient Std. Error t-Statistic Prob.
C -0.056253 0.063054 -0.892134 0.3767

EX? 0.565053 0.087836 6.433014 0.0000
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
outsourcingdengant-statistik>𝑡(0,025;48) (2,01) > 2,01, sehingga dapat disimpulkan existence

untuk masing-masing variabel bebas yaitu tidak berpengaruh secara signifikan
untuk variabel existence diperoleh |-0,05| < sedangkan growth berpengaruh signifikan
2,01 dan untuk variabel growth diperoleh 6,40 pada motivasi outsourcing.
Tabel 3.Uji Parsial Model Motivasi Kerja Outsourcing
Variable Coefficient Std. Error t-Statistic Prob.
C 0.213898 0.092392 2.315116 0.0249

EX? -0.007668 0.135104 -0.056758 0.9550
GR? 0.854690 0.133470 6.403628 0.0000
Existence berpengaruh signifikan pada

model non-outsourcing serta existence tidak a. Non-outsourcing
berpengaruh secara signifikandan growth 𝑀𝑜𝑡𝒏𝒐𝒏𝒊𝒕 = −0,05 + 0,56𝐸𝑋𝑖𝑡
berpengaruh signifikan pada model
outsourcing dengan nilai koefisien b. Outsourcing
determinasi 𝑅 2 yang dimiliki untuk masing- 𝑀𝑜𝑡𝒐𝒖𝒕𝒊𝒕 = 0,21 − 0,00𝐸𝑋𝑖𝑡
masing model yaitu 𝑅 2 untuk model non- + 0,85𝐺𝑅𝑖𝑡
outsourcing sebesar 0,67 yang berarti 67% 2. Berdasarkan penelitian tentang motivasi
motivasi tenaga kerja non-outsourcing tenaga kerja di PT PLN Gianyar,
dijelaskan oleh existence dan 𝑅 2 untuk model diperoleh bahwa existence (EX)
outsourcingsebesar 0,73 yang berarti 73% berpengaruh positif dan signifikan
motivasi tenaga kerja outsourcing dijelaskan terhadap motivasi tenaga kerja non-
oleh existence dan growth. outsourcing di PT PLN Gianyar dengan
Hasil pengujian terhadap tenaga kerja nilai 𝑅 2non-outsourcing sebesar 67%
non-outsourcing dan outsourcing didapatkan yang berarti 67% motivasi tenaga kerja
bahwa tidak ada variabel bebas yang memiliki non-outsourcing dipengaruhi oleh
pengaruh signifikansi yang sama pada kedua existence sedangkan existence (EX) tidak
model. Pada model non-outsourcing, berpengaruh secara signifikan dan growth
existence berpengaruh secara signifikan (GR) berpengaruh positif dan signifikan
terhadap motivasi tenaga kerja non- terhadap motivasi tenaga kerja
outsourcing, sedangkan pada model outsourcing di PT PLN Gianyar dengan
outsourcing, existence tidak berpengaruh nilai 𝑅 2outsourcing sebesar 73% yang
secara signifikan terhadap motivasi tenaga berarti 73% motivasi tenaga kerja
kerja outsourcing. Berdasarkan hasil regresi outsourcing dipengaruhi oleh existence
data panel tersebut, uji perbandingan tidak dan growth.
dapat dilanjutkan.
5. Kesimpulan DaftarPustaka
Berdasarkan hasil pembahasan dapat Greene. W. H. 2012. Econometric Analysis.

ditarik beberapa kesimpulan sebagai berikut: Seventh edition. New Jersey: Prentice
1. Model regresi data panel yang diperoleh Hall
untuk data motivasi tenaga kerja PT PLN Gujarati. 2004. Basic Econometrics. New
Gianyar tahun 2010-2012 dengan York: McGraw-Hill
pendekatan FEM adalah sebagai berikut: Hair JR. J. F., Black, W.C., Babin, B. J., and
6
Anderson, R. E. 2010. Multivariate Data

Analysis.Seventh edition. New Jersey:
Pearson Prentice Hall.
Hsiao, C. 2003. Analysis of Panel Data.
Second edition. New York: Cambrige
University Press.
Tim Penyusun Pusat Bahasa. 2012. Kamus
Besar Bahasa Indonesia Pusat Bahasa.
Edisi Keempat. Jakarta: PT Gramedia
Pustaka Utama.
Marczyk, G., DeMatteo, D., and Festinger,
D.2005. Essentials of Research Design
and Methodology. New Jersey: John
WILEY & sons, Inc.
O'Brien. R. M. 2007. A Caution Regarding
Rules of Thumb for Variance Inflation
Factor. Quality & Quantity Journal. 41.
637—690.
7
PENERAPAN REGRESI AKAR LATEN DALAM MENANGANI

MULTIKOLINEARITAS PADA MODEL REGRESI LINIER
BERGANDA
DWI LARAS RIYANTINI1, MADE SUSILAWATI2, KARTIKA SARI3
1,2,3
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
linier berganda (Myers & Milton, 1991).

1. Pendahuluan Dalam analisis regresi linier berganda,
Analisis regresi adalah suatu alat statistik permasalahan yang sering muncul adalah
yang dapat digunakan untuk melihat hubungan adanya multikolinieritas.
sebab akibat. Dalam analisis regresi terdapat Multikolinearitas ditandai dengan adanya
peubah bebas dan peubah tak bebas. Peubah korelasi di antara peubah-peubah bebas.
bebas dapat diukur, sedangkan peubah tak Adanya multikolinearitas pada peubah-peubah
bebas atau yang juga disebut dengan peubah bebas mengakibatkan model regresi yang
respon dijelaskan oleh satu atau lebih peubah diperoleh jauh dari akurat, diantaranya
bebas. Pada analisis regresi linier, peubah pengujian hipotesis parameter berdasarkan
responnya memiliki skala pengukuran minimal metode kuadrat terkecil (ordinary least square)
interval. Berdasarkan banyak peubah bebas memberikan hasil yang tidak valid yaitu
yang digunakan, analisis regresi linier dibagi peubah-peubah bebas yang seharusnya
menjadi dua yaitu analisis regresi linear berpengaruh signifikan terhadap peubah respon
sederhana dan analisis regresi linear berganda. dinyatakan sebaliknya secara statistik, tanda
Analisis regresi linier yang hanya melibatkan koefisien regresi dugaan yang dihasilkan
satu peubah bebas disebut analisis regresi linier bertentangan dengan kondisi aktual, penduga
sederhana, sedangkan analisis regresi linier koefisien regresi bersifat tidak stabil sehingga
dengan peubah respon dipengaruhi oleh lebih mengakibatkan sulitnya menduga nilai-nilai
dari satu peubah bebas disebut analisis regresi peubah respon yang tentunya akan
1Mahasiswa Jurusan Matematika FMIPA Universitas Udayana 8

2,3Staf Pengajar Jurusan Matematika FMIPA Universitas Udayana
mengakibatkan tidak akuratnya peramalan bisa diramalkan dari peubah bebas

(Gujarati, 1995). (independent variable) (Neter, 1997). Selain
Terdapat beberapa metode untuk untuk melihat hubungan antara peubah bebas
mengatasi adanya multikolinearitas dalam dengan peubah respon, analisis regresi juga
regresi linier berganda, salah satunya adalah bertujuan untuk melihat kontribusi relatif dari
dengan menggunakan regresi komponen utama masing-masing peubah bebas terhadap peubah
(principal component regression). Pada regresi respon.
komponen utama, peubah-peubah bebas yang Pola atau bentuk hubungan pada analisis
saling berkorelasi diubah ke dalam bentuk regresi dapat dinyatakan dalam bentuk
peubah-peubah baru yang tidak saling persamaan regresi. Model regresi linier yang
berkorelasi tanpa kehilangan banyak informasi melibatkan lebih dari satu peubah bebas
dari peubah asal dan disebut dengan komponen dengan satu peubah respon disebut model
utama. Teknik meregresikan komponen utama regresi linier berganda. Analisis regresi linier
dengan peubah respon melalui metode kuadrat berganda sangat berguna di dalam situasi
terkecil disebut regresi komponen utama percobaan yang memungkinkan peneliti
(Gujarati, 1995). Pemilihan komponen utama mengontrol peubah-peubah bebasnya.
pada regresi komponen utama adalah dengan
memilih komponen utama yang memiliki akar 1.1.1 Model Ordo-Pertama
ciri lebih besar dari 1 (Draper & H. Smith, Misalkan terdapat n tripel data
1992). Akan tetapi, proses ini memungkinkan (𝑦1 , 𝑥11 , 𝑥12 ), (𝑦2 , 𝑥21 , 𝑥22 ),… , (𝑦𝑛 , 𝑥𝑛1 , 𝑥𝑛2 ),
komponen utama yang berguna untuk prediksi (Neter, 1997) maka model regresinya dapat
terhadap peubah respon akan terabaikan, dinyatakan sebagai:
karena pembentukan komponen utama yang 𝑦𝑖 = 𝛽0 + 𝛽1 𝑥𝑖1 + 𝛽2 𝑥𝑖2 + 𝑒𝑖 (1)
tidak melibatkan informasi dari peubah respon dengan:
(Vigneau, E., Qannari, E.M., 2002). 𝑦𝑖 adalah respon dari amatan ke-i,
Perluasan regresi komponen utama 𝛽0 , 𝛽1 , dan 𝛽2 adalah koefisien regresi,
diajukan oleh J.T. Webster et. al, dalam “Latent 𝑒𝑖 adalah suku galat ke-i,
root regression analysis”, Technometrics, 16, i = 1,2,…n.
1974. Webster dan rekan kerjanya 𝑦1 𝑒1
menggandengkan matriks data yang berasal 𝑦2 𝑒2
Jika 𝑌 = [ ⋮ ] , 𝜀 = [ ⋮ ] maka persamaan
dari peubah respon yang telah dibakukan dan
𝑦𝑛 𝑒𝑛
peubah bebas yang telah dibakukan. Perluasan
(1) dengan 𝑖 = 1,2, … , 𝑛 dapat ditulis sebagai:
ini dinamakan regresi akar laten (Draper & H.
𝑌 = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + 𝜀 (2)
Smith, 1992). Perbedaan regresi akar laten
dibandingkan regresi komponen utama adalah Persamaan (2) dinamakan model ordo-pertama
𝑥11
komponen utama yang terbentuk pada regresi 𝑥21
akar laten diperoleh dengan menghitung dengan dua peubah bebas, yaitu 𝑋1 = [ ⋮ ]
hubungan antara peubah bebas dan peubah 𝑥𝑛1
respon, sehingga komponen utama pada regresi 𝑥12
akar laten lebih banyak mengandung informasi 𝑥22
dan 𝑋2 = [ ⋮ ]. Model ini bersifat linier dalam
dibandingkan regresi komponen utama
𝑥𝑛2
(Vigneau, E., Qannari, E.M., 2002).
parameter dan juga linier dalam peubah-peubah
bebasnya.
1.1 Analisis Regresi Linier
Apabila diasumsikan 𝐸{𝜀𝑖 } = 0, maka
Analisis regresi adalah suatu metode
fungsi respon bagi model (2) adalah (Neter,
dalam statistik yang memanfaatkan hubungan
1997):
antara dua atau lebih peubah kuantitatif,
𝐸{𝑌} = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2 (3)
sehingga peubah respon (dependent variable)
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
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
Multikolinearitas
1 1 … 1 variansi dalam 𝑌 (Sharma, S., James, W.L.,

1 1 … 1
𝟏=[ ] , 1986). Oleh karena itu, Webster menyarankan
⋮ ⋮ ⋱ ⋮
… akar laten 𝜆𝑗 ≤ 0.05 atau unsur pertama
1 1 1 𝑛×𝑝−1
(𝑋−𝟏𝑥̅ )𝑇 (𝑋−𝟏𝑥̅ )
vektor laten padanannya | 𝛾0𝑗 | < 0.10,
𝑆𝑋𝑋 = 𝑛−1
(12) disarankan untuk dibuang.
Untuk matriks Y dan X seperti pada persamaan Selanjutnya dihitung vektor koefisien
(10), setelah matriks Y dan X dibakukan, kuadrat terkecil termodifikasinya (Webster, et
maka: al. 1974) dengan rumus:
𝑍1𝑦 𝑍11 … 𝑍1,𝑝−1 𝛽1∗ 𝛾1𝑗
𝑍 𝑍 … 𝑍 𝛽 ∗ 𝛾2𝑗
𝒁∗ = 2𝑦 21 ⋱ 2,𝑝−1 𝜷∗ = [ 2 ] = 𝑐 ∑∗𝑗 𝛾0𝑗 𝜆𝑗−1 [ ⋮ ] ; (15)
⋮ ⋮ ⋮ ⋮
𝑍 𝑍
[ 𝑛𝑦 𝑛1 … 𝑍𝑛,𝑝−1 ] 𝛽𝑝∗ 𝛾𝑛𝑝
−1
Langkah berikutnya adalah melakukan 𝑐 = −{∑∗𝑗 𝛾0𝑗 𝜆𝑗−1 } {∑𝑛𝑖=1(𝑌𝑖 − 𝑌̅)2 }1/2
analisis komponen utama berdasarkan matriks (16)
𝒁∗ . Seperti halnya dalam analisis komponen dengan:
utama, akar laten dan vektor latennya 𝜆𝑗 adalah akar laten ke-j dari matriks 𝒁∗𝑻 𝒁
kemudian dihitung dari matriks korelasi
𝛾𝑗 adalah elemen vektor laten ke-j
gandengan 𝒁∗𝑻 𝒁∗
𝛾0𝑗 adalah elemen pertama dari vektor
Misalkan Γ𝑗𝑇 = (𝛾𝑜𝑗, 𝛾1𝑗, 𝛾2𝑗 , … , 𝛾𝑟𝑗 )
laten ke-j
merupakan vektor laten dari matriks 𝒁∗𝑻 𝒁∗ dan
𝑗 = 0,1,2, … , 𝑝
Γ𝑗0 = (𝛾1𝑗, 𝛾2𝑗 , … , 𝛾𝑟𝑗 ) merupakan vektor yang Selanjutnya, pendugaan koefisien regresi
terbentuk dari elemen yang sama dengan Γ𝑗𝑇 pada peubah awal diperoleh dengan membagi
kecuali elemen pertama yang telah dibuang, penduga koefisien regresi pada peubah yang
maka komponen utama (Sharma, S., James, telah dibakukan dengan 𝑆𝑗 , (Draper, N.R. and
W.L., 1986) dari 𝒁∗ adalah: H. Smith, 1992) sehingga diperoleh:
𝐶𝑗 = 𝒁∗ Γ𝑗 (13) 𝛽𝑗∗ 2
yang dapat dituliskan sebagai: 𝛽𝑗 = 𝑆𝑗
dengan 𝑆𝑗 = √∑(𝑥𝑗 − 𝑥̅𝑗 ) ,
𝐶𝑗 = 𝛾0𝑗 𝒁𝒚 + 𝒁Γ𝑗0 (14) 𝑗 = 1,2, … , 𝑝 − 1 (17)
Pada regresi akar laten, unsur pertama Sedangkan, perhitungan koefisien regresi 𝛽0
koefisien 𝑌 (𝛾0𝑗 ) setiap vektor laten digunakan (Draper, N.R. and H. Smith, 1992) diperoleh
untuk meramalkan peubah responnya oleh berdasarkan rumus:
vektor laten tersebut. Untuk menentukan 𝛽0 = 𝑦̅ − 𝛽1 𝑥̅1 − 𝛽2 𝑥̅2 − 𝛽3 𝑥̅3 − 𝛽4 𝑥̅4 (18)
komponen utama yang akan digunakan, yaitu Setelah persamaan kuadrat terkecil
dengan membuang komponen utama yang termodifikasinya diperoleh, Webster dan rekan-
bersesuaian dengan nilai akar laten 𝜆𝑗 ≤ 0.05 rekannya menyarankan untuk melakukan
eliminasi langkah mundur untuk mengeluarkan
atau elemen pertama vektor laten | 𝛾0𝑗 | <
peubah peramal dari persamaan itu (Webster, et
0.10 (Vigneau, E., Qannari, E.M., 2002).
al. 1974).
Adanya akar laten yang kecil menandakan
adanya kemungkinan ketergantungan atau
2. Metode Penelitian
ketidakbebasan linear di antara peubah-peubah
bebas. Semakin kecil akar laten, semakin kuat Jenis data yang digunakan dalam
ke tidak bebas linearan tersebut. Akar laten penelitian ini adalah data sekunder berupa
yang bernilai 0 menandakan adanya simulasi yang terdiri dari sebelas kelompok
singularitas, dan nilai 0 pada elemen pertama data dengan banyak peubah bebas bervariasi.
dari suatu vektor laten menunjukkan bahwa Program yang digunakan dalam penelitian ini
vektor laten tersebut tidak memiliki kontribusi
12
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
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
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
Multikolinearitas
Selanjutnya, untuk melihat seberapa O’Brien, R M. 2007. A Caution Regarding

2 Rules of Thumb for Variance Inflation
akurat model yang diperoleh, dihitung 𝑅𝑎𝑑𝑗
dengan menggunakan persamaan (3) dari Factor. Departement of Sociology of
2
masing-masing model. Nilai 𝑅𝑎𝑑𝑗 hasil RAL Oregon, Eugene, USA.
pada masing-masing model dapat dilihat pada Reichert, A.K., James, S.M., 1986. Using
Tabel 4. Latent Root Regression to Identify
2 Nonpredictive Collinearity in Statistical
Tabel 4. Nilai 𝑅𝑎𝑑𝑗 Model Hasil RAL
2
Appraisal Models. AREUEA Journal. 14,
Model 𝑅𝑎𝑑𝑗 136-152
I 1,000 Sembiring, R.K. 2003. Analisis Regresi. Edisi
II 1,000 Kedua. Bandung : Penerbit ITB.
III 1,000 Sharma, S., James, W.L., 1986. Latent Root
IV 1,000 Regression: An Alternate Procedure for
V 1,000 Estimating Parameters in the Presence of
VI 1,000 Multicollinearity. JMR, Journal of
VII 1,000 Marketing Research. 18, 154-161.
VIII 1,000 Vigneau, E., Qannari, E.M., 2002. A New
IX 1,000 Algorithm for Latent Root Regression
X 1,000 Analysis. Computational Statistics & Data
XI 1,000 Analysis. 41, 231-242.
Webster, J.T., R. F. Gunts, and R. L.
2
Berdasarkan Tabel 4, nilai 𝑅𝑎𝑑𝑗 sebesar Mason.(1974). Latent Root Regression
1,000 merupakan hasil pembulatan karena data Analysis. Technometrics 16, 513-522.
yang digunakan dalam penelitian ini
merupakan bilangan desimal, yang kemudian
dalam prosesnya mengalami pembulatan
berkali-kali.
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
PENERAPAN MODEL ARBITRAGE PRICING THEORY

DENGAN PENDEKATAN VECTOR AUTOREGRESSION
DALAM MENGESTIMASI EXPECTED RETURN SAHAM
(Studi Kasus: Saham-Saham Kompas100 Periode 2010-2013)
VIAN RISKA AYUNING TYAS1, KOMANG DHARMAWAN2, MADE ASIH3
1,2,3
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
1. Pendahuluan namun diasumsikan bahwa tingkat

pengembalian saham dan faktor-faktor tersebut
Investasi merupakan salah satu alternatif
memiliki hubungan yang linear (Fabozzi, F.J.,
untuk meningkatkan nilai aset pada masa depan
1999).
sehingga dengan melakukan investasi,
Faktor-faktor dalam APT dapat diartikan
penurunan daya beli dapat diimbangi dengan
sebagai variabel-variabel makroekonomi yang
return dari investasi. Pada dunia investasi
memengaruhi pergerakan harga saham. Untuk
terdapat suatu risiko dan untuk
melihat pengaruh dan hubungan kausalitas
meminimalkannya investor akan mengestimasi
antara return saham dan variabel-variabel
tingkat pengembalian yang diharapkan
makroekonomi dapat digunakan analisis Vector
(expected return). Metode yang biasa digunakan
Autoregression (VAR).
untuk mengestimasi expected return salah
Salah satu keunggulan VAR adalah bahwa
satunya adalah Arbitrage Pricing Theory (APT).
model VAR ini sederhana, peneliti tidak perlu
APT menyatakan tingkat pengembalian
menentukan mana variabel endogen dan mana
saham berhubungan linear dengan 𝑛 faktor.
variabel eksogen karena semua variabel dalam
APT tidak menyebutkan faktor-faktor tersebut,
1
Vian Riska Ayuning Tyas, Komang Dharmawan, Made Asih Penerapan Model Arbitrage Pricing Theory
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
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
𝑌𝑡 = 𝛼 + 𝛿𝑡 + 𝜙1 𝑌𝑡−1 + ⋯ + 𝜙𝑝 𝑌𝑝−1 + diagnostik yang digunakan adalah Uji. Uji ini

𝛽1 𝑋𝑡−1 + ⋯ + 𝛽𝑞 𝑋𝑞−1 + ⋯ + 𝜀𝑡 (7) pertama kali diperkenalkan oleh Box dan Pierce
pada tahun 1970. Uji Portmanteau
dengan 𝑌𝑡 adalah nilai variabel 𝑌 pada saat menghasilkan statistik Q yang mengikuti
periode waktu ke 𝑡, α adalah sebaran chi square dengan persamaan sebagai
intersep,𝑌𝑡−1 adalah nilai variabel 𝑌 pada saat berikut:
periode waktu 𝑡 − 1, 𝜙1 koefisien dari lag ke-
𝑚
1 variabel 𝑌, 𝜙𝑝 adalah koefisien dari lag ke 𝑝
𝑄 = 𝑛∑ (𝑟𝑘 )2 (9)
variabel 𝑌, 𝑌𝑝−1 adalah nilai variabel 𝑌 pada 𝑘=1
saat 𝑝 − 1, 𝑋𝑡−1 adalah nilai variabel 𝑋 pada

dengan Q adalah Statistik Q, 𝑛 adalah
saat periode waktu 𝑡 − 1, 𝛽1 adalah koefisien
banyaknya peubah yang digunakan, 𝑘 =
dari lag ke-1 variabel 𝑋, 𝛽𝑞 adalah koefisisen,
1, … , 𝑚 adalah beda kala (lag), dan 𝑟𝑘 adalah
dari lag ke-𝑞 variabel 𝑋, 𝑋𝑞−1 adalah nilai residual autokorelasi. Sedangkan hipotesis yang
variabel 𝑋 pada saat 𝑞 − 1, dan 𝜀𝑡 adalah galat akan diuji adalah sebagai berikut:
pada saat 𝑡.
Persamaan (7) dapat dinyatakan 𝐻0 = tidak ada autokorelasi sisaan sampai lag
𝑋Granger cause𝑌 jika terdapat setidaknya ke-𝑚
𝐻1 = terdapat autokorelasi sisaan sampai lag ke-
satu 𝛽𝑖 , i=1,2,…,q yang signifikan. Estimasi
𝑚
model dapat dilakukan dengan metode metode
Ordinary Least Square (OLS) dan uji jika nilai probabilitas dari statistik Q lebih besar
signifikansi koefisien regresi dilakukan dari 0.1 maka terima 𝐻0 yang berarti tidak
dengan uji statistik F. terdapat autokorelasi yang signifikan hingga lag
Koefisien 𝛽1 dalam persamaan (7) yang ditentukan.
mengukur besarnya pengaruh 𝑋𝑡−1 terhadap
𝑌𝑡 . Dengan demikian jika nilai 𝛽1 = 0 maka 𝑋 3. Metode Penelitian
tidak granger cause 𝑌. Pengujian kausalitas
Data yang digunakan pada penelitian ini
Granger untuk persamaan (7) dapat dilakukan
adalah data sekunder berupa data variabel-
dengan uji signifikansi parameter dengan
variabel ekonomi seperti tingkat inflasi, tingkat
menggunakan metode Ordinary Least Square
suku bunga SBI, nilai tukar mata uang Rupiah
(OLS) dan uji signifikansi menggunakan
terhadap Dollar Amerika dan jumlah uang yang
metode standar yaitu uji F. Uji F dapat
beredar di Indonesia, berupa data bulanan dari
dihitung dengan menggunakan persamaan
tahun (2010-2013) yang dapat diperoleh pada
sebagai berikut:
situs www.bi.go.id. Data sepuluh indeks harga
𝑅𝑆𝑆𝑅 −𝑅𝑆𝑆𝑈𝑅 saham perusahaan-perusahaan yang tergabung
𝐹 = (𝑛 − 𝑘) 𝑚(𝑅𝑆𝑆𝑈𝑅 )
(8) dalam bursa saham Kompas100 diperoleh dari
situs www.yahoo.finance.com berupa data
dengan 𝑅𝑆𝑆𝑅 adalah nilai jumlah kuadrat bulanan dari tahun (2010-2013).
residual dalam persamaan restricted,𝑅𝑆𝑆𝑈𝑅 Langkah-langkah analisis dalam penelitian
adalah nilai jumlah kuadrat residual dalam ini meliputi:
persamaan unrestricted,𝑛 adalah banyak 1. Pemilihan sepuluh saham yang tergabung
observasi, 𝑚 adalah banyak lag, dan 𝑘 adalah dalam Kompas100 menggunakan kriteria
banyak parameter yang diestimasi di dalam sebagai berikut:
persamaan unrestricted. a. Saham yang selalu tergabung dalam
bursa saham Kompas100 selama
Uji Diagnostik Portmanteau periode tahun 2010 hingga tahun 2013.
Uji diagnostik dilakukan untuk memenuhi b. Saham yang memiliki volume
asumsi white noise. Dalam penelitian ini, uji perdagangan tinggi selama periode
20
penelitian yang dihitung berdasarkan diperingkat berdasarkan rata-rata volume

rata-rata volume perdagangan dengan perdagangan saham dan dipilih sepuluh saham
rumus sebagai berikut: dengan rata-rata volume perdagangan paling
tinggi. Perhitungan rata-rata volume
∑𝑛𝑖=1 𝑥𝑖 perdagangan saham dihitung menggunakan
𝑥̅ = (10)
𝑛 persamaan (10).
Sepuluh saham tersebut adalah
dengan 𝑥̅ adalah rata-rata hitung, 𝑛 adalah
Telekomunikasi Idonesia (TLKM), Sentul City
jumlah data, dan 𝑥𝑖 adalah nilai data ke-𝑖.
(BKSL), Kalbe Farma (KLBF), Alam Sutera
2. Langkah awal dalam menentukan expected
Realty (ASRI), Jasa Marga (JSMR), Lippo
return suatu saham adalah menghitung
Karawaci (LPKR), Bhakti Investama (BHIT),
return saham dan return variabel
Kawasan Industri Jababeka (KIJA), Bakrie
makroekonomi (return faktor) terlebih
Sumatra Planstations (UNSP), dan Adaro
dahulu. Perhitungan return masing-masing
Energi (ADRO). Selanjutnya dihitung masing-
saham menggunakan persamaan sebagai
masing return dari kesepuluh saham tersebut.
berikut:
Rata-rata return sepuluh saham tersebut dapat
𝑃𝑖,𝑡 − 𝑃𝑖,𝑡−1 dilihat pada tabel berikut:
𝑅𝑖,𝑡 = . (11)
𝑃𝑖,𝑡−1
Tabel 1. Daftar Sepuluh Saham Kompas100
3. Arbitrage Pricing Theory menyatakan Periode 2010-2013
return saham berhubungan linier dengan n No Kode Saham Rata-Rata
faktor (variable-variabel makroekonomi) 1 TLKM -0,01794
sehingga perlu menghitungreturn faktor
2 BKSL 0,05336
makroekonomi.
3 KLBF 0,05707
4. Uji Stasioneritas
5. Uji lag optimal dengan memilih nilai AIC 4 ASRI 0,03872
yang terkecil 5 JSMR 0,03051
6. Uji kausalitas Granger 6 LPKR 0,03084
7. Menentukan model VAR 7 BHIT 0,02111
8. Uji Diagnostik Portmanteau 8 KIJA 0,02819
9. Estimasi dengan Model VAR 9 UNSP 0,00765
10. Menyusun Persamaan APT
10 ADRO -0,04742
11. Menghitung expected return saham
Variabel-variabel makroekonomi dalam
penelitian ini merupakan faktor-faktor yang
4. Hasil dan Pembahasan dianggap memengaruhi return saham
Penelitian ini menggunakan sepuluh saham Kompas100. Tingkat pengembalian variabel-
pada Kompas100 sebagai sampel, Dalam variabel makroekonomi yang digunakan untuk
menentukan sepuluh saham tersebut digunakan mengestimasi return saham disebut juga return
dua kriteria. Kriteria yang pertama adalah faktor dalam APT. Oleh karena itu setelah
saham yang selalu tergabung pada Kompas100 menghitung return saham langkah selanjutnya
dalam periode penelitian yaitu 2010-2013 adalah menghitung return faktor. Rata-rata
sehingga ada sembilan kali evaluasi yang return faktor dapat dilihat pada Tabel 2:
terjadi. Pada periode penelitian tersebut terdapat
46 saham yang selalu bertahan dalam
Kompas100. Selanjutnya untuk memperoleh
kriteria yang kedua, saham-saham tersebut
21
Tabel 2. Rata-Rata Return Faktor Berdasarkan uji kausalitas Granger

diperoleh hanya ada satu saham yang memiliki
N Rata-
o Return Faktor Rata hubungan kausalitas dengan lebih dari satu
1 Inflasi -0,11589 variabel makro ekonomi yaitu LPKR
2 Nilai Tukar Mata Uang (Kurs) 0,00260 dipengaruhi oleh inflasi dan kurs sedangkan
3 Jumlah Uang Beredar (JUB) 0,01318 Sembilan saham lainnya tidak mempunyai
Suku Bunga Bank Indonesia
4 (SBI) 0,00022
hubungan kausalitas yang diharapkan. Hasil uji
kausalitas granger pada saham LPKR dapat
dilihat pada Tabel berikut:
Uji Stasioneritas
Tabel 3. Hasil Uji Kausalitas Granger
Uji kestasioneran data dilakukan terlebih
No Variabel 1 Variabel 2 F hitung Prob.
dahulu sebelum melakukan analisis VAR untuk
menghindari hasil regresi palsu dan melihat 1 Inflasi LPKR 2.52317 0.04890
kestasioneran data. Untuk menguji 2 LPKR Inflasi 0.78472 0.59040
kestasioneran data dalam penelitian ini 3 Kurs LPKR 2.70348 0.03770
menggunakan korelogram. Berdasarkan plot 4 LPKR Kurs 0.76820 0.60220
series dan korelogram dipereroleh hasil uji
stasioner sepuluh return saham dan return Tabel 3 menjelaskan bagaimana pengaruh
faktor makroekonomi mempunyai data yang variabel 1 terhadap variabel 2 dengan melihat
sudah stasioner. nilai probabilitas dan F hitungnya. Uji
Kausalitas Granger dalam penelitian ini
Uji lag Optimal menggunakan nilai 𝛼 yaitu 10% (0,1). Dari
Setelah melakukan uji stasioneritas Tabel 3 terlihat bahwa uji kausalitas Granger
selanjutnya dilakukan uji lag optimal untuk inflasi terhadap LPKR memiliki nilai
menentukan panjang lag optimal yang akan probabilitas yang lebih kecil dari nilai 𝛼 yaitu
digunakan dalam analisis VAR. Dalam memilih 0,0489 < 0,1dan F hitungnya lebih besar dari F
jumlah lag optimal, model VAR diestimasi tabelnya yaitu 2,52317 > 2,09. Sedangkan
dengan jumlah lag yang berbeda-beda kemudian LPKR terhadap inflasi memiliki nilai
dibandingkan nilai AICnya. Nilai AIC yang probabilitas yang lebih besar dari nilai 𝛼 yaitu
paling rendah dipilih sebagai lag optimal. Dari 0,5904 < 0,1 dan F hitungnya lebih kecil dari F
uji lag optimal diperoleh hasil dari bahwa tabel yaitu 0,78472 < 2,09. Hal ini berarti
seluruh saham optimal pada lag ke 6. terdapat pengaruh inflasi terhadap LPKR secara
signifikan namun tidak terdapat pengaruh dari
Uji Kausalitas Granger LPKR terhadap inflasi.Dengan interpretasi yang
Uji kausalitas Granger digunakan untuk sama untuk Kurs terhadap LPKR dapat
melihat ada atau tidaknya hubungan antara dinyatakan memiliki pengaruh yang signifikan
variabel-variabel makroekonomi (return faktor) sedangkan untuk LPKR terhadap kurs tidak
dengan return saham. Untuk melihat ada atau memiliki pengaruh. Oleh karena itu dalam
tidaknya hubungan antar variabel dapat dilihat model VAR pada saham LPKR hanya
dari nilai probabilitasnyajika nilai probabilitas menggunakan dua variabel makroekonomi yaitu
<𝛼 maka dapat dinyatakan terdapat hubungan Inflasi dan kurs.
kausalitas. Untuk melihat signifikansi antar
variabel dapat dilihat dari nilai F hitungnya Uji Diagnostik Portmanteau
dengan cara membandingkan nilai F hitung
Uji Portmanteau menghasilkan statistik Q
dengan nilai F tabel jika F hitung > F tabel
yang dihitung menggunakan persamaan (8).
maka dapat dinyatakan hubungan kausalitasnya
Model VAR dikatakan whitenoise apabila nilai
memiliki pengaruh yang signifikan.
22
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 ].
Dari persamaan APT yang diperoleh kemudian

Model VAR dilakukan perhitungan Expected return saham
Model VAR untuk saham LPKR adalah LPKR sebesar 0,03340 atau 3,340%.. Expected
sebagai berikut: return saham LPKR lebih tinggi dari actual
returnnya yaitu 0,02819 hal ini berarti return
saham LPKR diperkirakan akan naik.
𝐼𝑛𝑓𝑙𝑎𝑠𝑖𝑡 = 0,909899 + 4,184681𝐿𝑃𝐾𝑅𝑡−1
−0,921363𝐿𝑃𝐾𝑅𝑡−2 + 9,418961𝐿𝑃𝐾𝑅𝑡−3
−16,60064𝐿𝑃𝐾𝑅𝑡−4 + 3,063556𝐿𝑃𝐾𝑅𝑡−5
−16,57074𝐿𝑃𝐾𝑅𝑡−6 + 0,05024𝐼𝑛𝑓𝑙𝑎𝑠𝑖𝑡−1 5. Kesimpulan
+0,268486𝐼𝑛𝑙𝑓𝑙𝑎𝑠𝑖𝑡−2 − 0,324887𝐼𝑛𝑓𝑙𝑎𝑠𝑖𝑡−3
+0,479514𝐼𝑛𝑓𝑙𝑎𝑠𝑖𝑡−4 + 0,026263𝐼𝑛𝑓𝑙𝑎𝑠𝑖𝑡−5 Berdasarkan uraian pada bab hasil dan
−0,299301𝐼𝑛𝑓𝑙𝑎𝑠𝑖𝑡−6 + 37,141926𝐾𝑢𝑟𝑠𝑡−1 pembahasan, maka diperoleh beberapa
−49,38605𝐾𝑢𝑟𝑠𝑡−2 + 19,24208𝐾𝑢𝑟𝑠𝑡−3
−17,15496𝐾𝑢𝑟𝑠𝑡−4 + 4,864203𝐾𝑢𝑟𝑠𝑡−5
simpulan, yaitu:
−126,8621𝐾𝑢𝑟𝑠𝑡−6. 1. Berdasarkan analisis Vector Autoregression
(VAR) pada sepuluh saham Kompas100
𝐾𝑢𝑟𝑠𝑡 = 0,011681 − 0,029351𝐿𝑃𝐾𝑅𝑡−1
−0,163144𝐿𝑃𝐾𝑅𝑡−2 + 0,087379𝐿𝑃𝐾𝑅𝑡−3 hanya saham LPKR yang dipengaruhi oleh
−0,092865𝐿𝑃𝐾𝑅𝑡−4 + 0,079866𝐿𝑃𝐾𝑅𝑡−5 lebih dari satu variabel makroekonomi
−0,041122𝐿𝑃𝐾𝑅𝑡−6 − 0,000586𝐼𝑛𝑓𝑙𝑎𝑠𝑖𝑡−1 dalam penelitian ini. Saham LPKR
+0,003931𝐼𝑛𝑙𝑓𝑙𝑎𝑠𝑖𝑡−2 − 0,004533𝐼𝑛𝑓𝑙𝑎𝑠𝑖𝑡−3
−0,002567𝐼𝑛𝑓𝑙𝑎𝑠𝑖𝑡−4 + 0,000409𝐼𝑛𝑓𝑙𝑎𝑠𝑖𝑡−5 dipengaruhi secara signifikan oleh inflasi
+0,005377𝐼𝑛𝑓𝑙𝑎𝑠𝑖𝑡−6 + 0,218732𝐾𝑢𝑟𝑠𝑡−1 dan kurs.
−0,35049𝐾𝑢𝑟𝑠𝑡−2 + 0,105329𝐾𝑢𝑟𝑠𝑡−3
−0,331320𝐾𝑢𝑟𝑠𝑡−4 + 0,037904𝐾𝑢𝑟𝑠𝑡−5
2. Berdasarkan model Arbitrage Pricing
−0,306231𝐾𝑢𝑟𝑠𝑡−6. Theory (APT) diperoleh model untuk
saham LPKR sebagai berikut:
23
E(R 𝐿𝑃𝐾𝑅 ) = 0.0338 × 𝑅𝐹

+0.00165[(𝐸(𝑅𝐼𝑛𝑓𝑙𝑎𝑠𝑖 )) − 𝑅𝐹 ]
−0.278[(𝐸(𝑅𝐾𝑢𝑟𝑠 )) − 𝑅𝐹 ].
Expected return saham LPKR lebih tinggi dari

actual returnnya. Hal ini menunjukkan bahwa
estimasi return saham dengan model APT pada
saham LPKR akan mengalami kenaikan.
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
PEMILIHAN KRITERIA DALAM PEMBUATAN KARTU KREDIT

DENGAN MENGGUNAKAN METODE FUZZY AHP
JOKO HADI APRIANTO1, G. K. GANDHIADI2, DESAK PUTU EKA NILAKUSMAWATI3

1,2,3
e-mail: 1joko.hadi09@yahoo.com,2gandhiadigk@yahoo.com,
3
nilakusmawati_desak@yahoo.com
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. Pendahuluan fuzzy khususnya pendekatan triangular fuzzy

Mengikuti perkembangan zaman saat ini, number.
aspek finansial yang berkembang pesat dalam Logika fuzzy merupakan sebuah logika
satu sisi kehidupan masyarakat adalah yang memiliki nilai kekaburan atau kesamaran
maraknya penggunaan kartu kredit. Kartu (Fuzzyness) antara dua nilai. Pendekatan fuzzy
kredit merupakan alat pembayaran pengganti khususnya pendekatan triangular fuzzy
uang tunai dan dapat digunakan di tempat- number terhadap skala AHP diharapkan
tempat yang bersedia menerima pembayaran mampu untuk meminimalisasi ketidakpastian
menggunakan kartu kredit yang dimiliki oleh sehingga diharapkan hasil yang diperoleh lebih
orang tersebut (Suyatno, T., dkk. 1997). akurat (Kusumadewi dan Purnomo, 2010).
Pada penelitian ini akan dipelajari prioritas Berdasarkan latar belakang masalah, maka
kriteria nasabah dalam pembuatan kartu kredit yang menjadi rumusan permasalahan dalam
di suatu bank. Metode yang digunakan untuk penelitian ini adalah bagaimana membangun
menentukan prioritas tersebut adalah Fuzzy sistem pengambilan keputusan pemilihan
Analytic Hierarchy Process (FAHP). Fuzzy kriteria dalam pembuatan kartu kredit dengan
Analytic Hierarchy Process (FAHP) menggunakan metode Fuzzy Analitical
merupakan salah satu metode yang dipakai Hierarchy Process (FAHP) sebagai alat bantu
untuk mendukung keputusan. Metode ini dalam mengambil keputusan untuk
merupakan gabungan dari metode Analytic menentukan prioritas kriteria yang akan
Hierarchy Process (AHP) dan pendekatan dipilih.
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
dengan A, hal ini dilakukan berulang-ulang 2. Menentukan nilai Consistency Index yang
sampai dengan k kali. dapat diperoleh dengan persamaan:
𝐴𝑘 𝑥̅0 = 𝑠1 𝜆1𝑘 𝑣̅1 + 𝑠2 𝜆𝑘2 𝑣̅2 + … + 𝑠𝑛 𝜆𝑘𝑛 𝑣̅𝑛 (𝝀𝒎𝒂𝒙 –𝒏)

CI = (𝒏−𝟏)
𝑘 𝑘
= 𝜆𝑘1 (𝑠1 𝑣̅1 + 𝑠2 (𝜆𝜆21) 𝑣̅2 + … + 𝑠𝑛 (𝜆𝜆𝑛1 ) 𝑣̅𝑛 )
dengan,
(2)
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
Tabel 3. Fungsi Keanggotaan Bilangan Fuzzy nilai masing-masing kriteria sehingga

Invers Skala diperoleh prioritas dari kriteria tersebut.
Skala Fuzzy Definisi
Fuzzy W= (d1, d2, …, dn)T
1 dengan nilai Dengan perumusan normalisasinya adalah:
(1, 1, 1) Sama penting
TF (1, 1, 1) 𝑑′𝑙
2 dengan nilai 𝑑𝑙 = ∑𝑛 untukl = 1, 2, . . ., n (5)
(2/3, 1, 2) Pertengahan 𝑖=1 𝑑′𝑖
TF (1/2, 1, 3/2)
3 dengan nilai Sedikit lebih
(1/2, 2/3, 1) 3. Metode Penelitian
TF (1, 3/2, 2) penting
4 dengan nilai Pengolahan data pada penelitian ini
(2/5, 1/2, 2/3) Pertengahan
TF (3/2, 2, 5/2)
5 dengan nilai menggunakan bantuan program Excel, untuk
(1/3, 2/5, 1/2) Lebih penting mencapai tujuan penelitian digunakan metode
TF (2, 5/2, 3)
6 dengan nilai FAHP. Adapun langkah-langkah analisis data
TF (5/2, 3, 7/2) dalam penelitian ini adalah:
7 dengan nilai
(1/4, 2/7, 1/3) Sangat penting 1. Menyusun kriteria meliputi: suku bunga,
TF (3, 7/2, 4)
8 dengan nilai promo/diskon, limit, dan iuran.
TF (7/2, 4, 9/2) 2. Menyebarkan kuisioner kepada responden
9 dengan nilai Mutlak lebih dengan skala AHP yang telah ditetapkan
(2/9 2/9, 1/4)
TF (4, 9/2, 9/2) penting
Sumber: Chang, D.Y. (1992)
menurut Saaty, T, L (1987).
3. Menyusun bobot nilai kriteria dari hasil
Selanjutnya diberikan aturan-aturan rataan kuisioner yang telah diisi pada
operasi aritmatika triangular fuzzy number
matriks berpasangan.
yang umum digunakan. Misalkan terdapat 2 4. Menguji konsistensi hirarki. Jika tidak
TFN yaitu: 𝑀1 = (𝑙1 , 𝑚1 , 𝑢1 ) dan𝑀2 = memenuhi dengan CR < 0,100 maka
(𝑙2 , 𝑚2 , 𝑢2 ), berlaku penilaian diulang dengan perbaikan
M1 ⨁ M2 =(l1+l2, m1+ m2, u1 + u2) perbandingan berpasangan.
5. Jika hasil memenuhi CR < 0,100 maka
M1 ⊝ M2 = (l1-l2, m1- m2, u1 - u2) dilakukan pengubahan bobot penilaian
perbandingan berpasangan pada skala
M1 ⊗ M2 =(l1.l2, m1.m2, u1.u2) AHP ke dalam bilangan triangular fuzzy.
6. Dari matriks triangular fuzzy ditentukan
𝜆 ⊗ M2 =(𝜆.l2, 𝜆.m2, 𝜆.u2)
nilai fuzzy synthetic extent untuk tiap-tiap
𝑀1−1 = (1/ u1, 1/ m1, 1/l1) kriteria dan sub kriteria, dengan
menggunakan persamaan (1).
Dari matriks triangular fuzzy ditentukan 7. Membandingkan nilai fuzzy synthetic
nilai fuzzy synthetic extent untuk setiap extent (Si≥Sk) .
kriteria (Chang, D. Y. 1996). 8. Dari hasil perbandingan nilai fuzzy
𝑚 𝑛 𝑚 −1
𝑗 𝑗
synthetic extent maka diambil nilai
𝑆𝑖 = ⨁ 𝑀𝑔𝑖 ⊗ [ ⨁ ⨁ 𝑀𝑔𝑖 ] (4) minimumnya, yaitu: d’i = min V(Si≥Sk)
𝑗=1 𝑖 = 1𝑗 = 1
9. Menghitung normalitas vektor bobot dan
Setelah itu membandingkan nilai fuzzy nilai minimum dilakukan untuk
synthetic extent (Si≥Sk). Dari hasil memperoleh nilai masing-masing kriteria
perbandingan nilai fuzzy synthetic extent(Si≥Sk) sehingga diperoleh prioritas dari kriteria
maka diambil nilai minimumnya, yaitu: d’l= tersebut dengan menggunakan persamaan
min V(Si≥Sk) (5).
Menghitung normalitas vektor bobot dan
nilai minimum dilakukan untuk memperoleh
28
4. Hasil dan Pembahasan f. 5.07324 mendekati 5 yang artinya limit

lebih penting dari pada iuran tahunan.
Berdasarkan identifikasi data yang telah
dilakukan dari hasil wawancara kemudian Dari perhitungan di atas diperoleh
disusun menjadi sebuah struktur hirarki yang perbandingan berpasangan sebagai berikut:
merupakan tujuan dari pemecahan masalah
pengambilan keputusan dalam penelitian ini Tabel 4. Matriks Perbandingan Berpasangan
yaitu pemilihan kriteria dalam pembuatan
A B C D
kartu kredit. Kriteria yang telah dipilih adalah
A 1 1/3 1/3 2
suku bunga, promo/diskon, limit, dan iuran B 3 1 1/3 3
tahunan. Selengkapnya dapat di lihat pada C 3 3 1 5
Gambar 1 berikut ini D 1/2 1/3 1/5 1
Selanjutnya untuk mendapatkan λmaksimum,
langkah pertama adalah menghitung nilai
vektor eigen yaitu: dengan cara mengalikan
vektor perbandingan berpasangan untuk semua
kriteria sampai mencapai nilai tertentu.
1 0.333 0.333 2 1 0.333 0.333 2

[3 1 0.333 3] 𝑥 [ 3 1 0.333 3]
3 3 1 5 3 3 1 5
Gambar 1. Struktur Hirarki Kriteria
0.5 0.333 0.2 1 0.5 0.333 0.2 1
Pada langkah awal penelitian menyebar 4 2.331 1.177 6.664
kuisioner kepada 50 responden yang = [ 8.499 4 2.265 13.665]
mempunyai kartu kredit. Dari hasil kuisioner 17.5 8.664 4 25
2.599 1.433 0.667 4
dibentuk matriks perbandingan antar kriteria.
Dari sini setiap kriteria dicari nilai rata-
4 2.331 1.177 6.664 4 2.331 1.177 6.664
ratanya. Selanjutnya nilai rata-rata dibulatkan
[8.499 4 2.265 13.665] 𝑥 [8.499 4 2.265 13.665]
ke nilai yang mendekati skala penilaian 17.5 8.664 4 25 17.5 8.664 4 25
2.599 1.433 0.667 4 2.599 1.433 0.667 4
perbandingan berpasangan AHP yang terdapat
pada Tabel 1. 73.728 38.395 19.207 114.59
=[ 143.145 75.017 37.375 222.582]
yaitu 278.613 145.93 73.146 435.014
a. 0.33676 mendekati 1/3 yang merupakan 44.819 23.388 11.721 69.827
kebalikan dari 3 yang artinya promo
73.728 38.395 19.207 114.59
sedikit lebih penting dari pada suku 143.145 75.017 37.375 222.582] 𝑥
[
bunga 278.613 145.93 73.146 435.014
b. 0.33656 mendekati 1/3 yang merupakan 44.819 23.388 11.721 69.827
kebalikan dari 3 yang artinya limit sedikit 73.728 38.395 19.207 114.59
lebih penting dari pada suku bunga [ 143.145 75.017 37.375 222.582]
c. 2.24428 mendekati 2 yang artinya suku 278.613 145.93 73.146 435.014
44.819 23.388 11.721 69.827
bunga diantara sama penting dan sedikit
lebih penting dari pada iuran tahunan 21418.999 11193.973 5599.131 33351.317
d. 0.3293 mendekati 1/3 yang merupakan = [41681.167 21783.484 10895.862 64901.301 ]
81307.048 42492.880 21254.590 126602.912
kebalikan dari 3 yang artinya limit sedikit 13047.490 6818.883 3410.752 20316.166
lebih penting dari pada promo
Setelah itu untuk mendapatkan nilai vektor
e. 3.34028 mendekati 3 yang artinya promo
eigen dari hasil perkalian terakhir vektor
sedikit lebih penting dari pada iuran
perbandingan berpasangan untuk semua
tahunan
kriteria yaitu dengan menjumlahkan setiap
29
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
Untuk mencari λmaksimum diperoleh dari Tabel 6. Matriks Perbandingan Berpasangan

mengalikan hasil perkalian terakhir vektor Fuzzy AHP
perbandingan berpasangan untuk semua A B C D
kriteria dengan vektor eigen dan membagikan
l m u l m u l m u l m u
kembali terhadap vektor eigen 𝐴𝑘 𝑣 = 𝜆𝑘 𝑣.
Maka diperoleh nilai λmaksimum sebagai berikut: A 1 1 1 1/2 2/3 1 1/2 2/3 1 1/2 1 3/2
B 1 3/2 2 1 1 1 1/2 2/3 1 1 3/2 2

21418.999 11193.973 5599.131 33351.317
[41681.167 21783.484 10895.862 64901.301 ] 𝑥 C 1 3/2 2 1 1.5 2 1 1 1 2 5/2 3
81307.048 42492.880 21254.590 126602.912
13047.490 6818.883 3410.752 20316.166 D 2/3 1 2 1/2 2/3 1 1/3 2/5 1/2 1 1 1
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.
𝜆𝑚𝑎𝑥 –𝑛 4.131−4 Tabel 7. Nilai Fuzzy Synthetic Exten

CI = 𝑛−1
= 4−1 lA,B,C,D mA,B,C,D uA,B,C,D
0.131 5/2 10/3 9/2
= 7/2 28/6 6
3
5 13/2 8
= 0.044 15/6 46/15 9/2
Berdasarkan Tabel 2 Untuk n = 4, maka RI =

0.89, maka:
𝑪𝑰 0.044
CR = = = 0.049
𝑹𝑰 0.89
30
c) Menghitung perbandingan tingkat

kemungkinan antar fuzzy syntethic extent
Kemudian menghitung
𝑚 dengan nilai minimumnya.
𝑛
𝑗
nilai[ ⨁ ⨁ 𝑀𝑔𝑖 ]dengan operasi Langkah pertama adalah
𝑖 =1𝑗 =1
memperbandingkan nilai setiap fuzzy
penjumlahan untuk keseluruhan bilangan
syntethic extent V(𝑆2 ≥ 𝑆1 ),yaitu:
triangular fuzzy dalam matriks perbandingan
berpasangan. 1, 𝑗𝑖𝑘𝑎𝑚2 ≥ 𝑚1
0, 𝑗𝑖𝑘𝑎𝑙1 ≥ 𝑢2
Tabel 8. Jumlah Fuzzy Synthetic Extent = 𝑙1 − 𝑢2
𝑙𝑎𝑖𝑛𝑛𝑦𝑎
lA,B,C,D mA,B,C,D uA,B,C,D { (𝑚2 − 𝑢2 ) − (𝑚1 − 𝑙1 )
A 2.5 3.333 4.5
0.152−0.333
B 3.5 4.667 6 V(S1≥S2) = (0.189−0.333)−(0.266−0.152) = 0.702
C 5 6.5 8
D 2.5 3.067 4.5 0.217−0.333
V(S1≥S3) = (0.189−0.333)−(0.369−0.217) = 0.392
∑ 13.5 17.567 23
−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
= (0.217, 0.369, 0.593) Setelah didapat nilai perbandingan dari

𝟏 𝟏 𝟏 setiap fuzzy syntethic extent lalu diambil nilai
S4 = (2.5, 3.067, 4.5) ⊗ ( , , )
𝟐𝟑 𝟏𝟕.𝟓𝟔𝟕 𝟏𝟑.𝟓
minimumnya, yaitu:
= (0.109, 0.175, 0.333) d’i = min V(Si≥Sk) untuk k = 1, 2, …, n; k ≠i.
Jadi nilai fuzzy syntethic extent untuk tiap d’1 = V(S1≥S2, S3, S4)
kriteria dapat dilihat pada Tabel 9 = min(0.702, 0.392, 1)
= 0.392
Tabel 9. Nilai fuzzy syntethic extent untuk d’2 = V(S2≥S1, S3, S4)
tiap kriteria utama = min(1, 0.688, 1)
= 0.688
l m u d’3 = V(S3≥S1, S2, S4)
S1 0.109 0.189 0.333 = min(1, 1, 1)
=1
S2 0.152 0.266 0.444 d’4 = V(S4≥S1, S2, S3)
S3 0.217 0.369 0.593 = min(0.941, 0.665, 0.374)
S4 0.109 0.175 0.333 = 0.374
31
Kemudian dilakukan perhitungan bobot penawaran dalam menarik nasabah untuk

dan normalisasi vektor bobot sehingga membuat kartu kredit
diketahui nilai bobot kriteria utama.
W’= (d’1, d’2, d’3, d’4)T
Daftar Pustaka
W’= (0.392, 0.688, 1, 0.374)
Apriyanto, Agus, 2008, Perbandingan
𝑑′𝑙
danW= (d1, d2, d3, d4)Tdengan 𝑑𝑙 = ∑𝑛 Kelayakan Jalan Beton dan Aspal dengan
𝑖=1 𝑑′𝑖
Metode Analityc Hierarchy Process
menghasilkan normalisasi vektor bobot antar (AHP) (Studi Kasus Jalan Raya Demak-
kriteria utamanya yaitu: Godong), Thesis tidak diterbitkan,
Semarang, Program Pascasarjana
W= (0.16, 0.28, 0.408, 0.152) Universitas Diponegoro
Budhi, Wono Setya, 1995. Aljabar Linier.
Dari uji konsistensi dapat dilihat bahwa Jakarta:Gramedia Pustaka Utam
bobot prioritas pada kriteria utama yaitu limit
Chang, D.Y., 1992, Extent Analysis and
(d3), promo/diskon (d2), suku bunga (d1), dan
Synthetic Decision, Optimization
iuran (d4), adalah 0.408, 0.28, 0.16, dan 0.152. Techniques and Applications, World
Scientific, Singapore, 1:352
___________. 1996. Applications of The
Extent Analysis Method on Fuzzy AHP.
European Jurnal of Operational
Research, 95, 649-655.
Kusumadewi, Sri dan Hari Purnomo, 2010,
Aplikasi Logika Fuzzy Untuk Pendukung
Keputusan, Edisi 2, Graha Ilmu,
Yogyakarta
Saaty, T, L, 1987, Uncertainty and Rank Order
Gambar 2. Bobot Prioritas Pemilihan Kriteria in The Analytic Hierarchy Process.
dalam Pembuatan Kartu Kredit European Journal of Operation Research
32:27-37
Saaty, T, L, and L, G. Vargas, 2012. Models,
5. Kesimpulan Methods, Concepts & Applications of the
Berdasarkan hasil yang telah diperoleh Analytic Hierarchy Process, International
pada kasus Pemilihan Kriteria dalam Series in Operations Research &
Management Science, Vol. 175, 2 nd
Pembuatan Kartu Kredit, maka dapat ditarik
edition. New York: Springer
kesimpulan bahwa metode Fuzzy AHP dapat
digunakan untuk menentukan bobot prioritas Suyatno, T., dkk. 1997. Dasar-dasar
Perkreditan. Jakarta : PT. Gramedia
pada masing-masing kriteria. Dari hasil
Pustaka Utama.
analisis bobot prioritas pada kriteria utama
dengan Fuzzy AHP, kriteria limit mempunyai
pengaruh paling besar bagi nasabah dalam
menggunakan kartu kredit sebesar 40.8%,
sedangkan promo/diskon sebesar 28%, suku
bunga sebesar 16% dan yang terakhir adalah
iuran tahunan sebesar 15,2%. Dari melihat
hasil total rangking di atas, disarankan kepada
bank-bank agar dapat melihat peluang yang
lebih baik untuk memberikan penawaran-
32
MENGATASI MASALAH HETEROSKEDASTISITAS DENGAN

MENGASUMSIKAN VARIANS VARIABEL GANGGUANNYA
PROPORSIONAL DENGAN 𝑿𝟐𝒊 DAN [𝑬(𝒀𝒊 )]𝟐
MADE ADI GUNAWAN1, LUH PUTU IDA HARINI2, MADE ASIH3
1,2,3
e-mail: 1adi.gunawan30.ag@gmail.com ,2ballidah@gmail.com ,
3
asihmath77@gmail.com
Abstract
The volatilities of time series data often experience heteroscedastic problems.

Heteroscedasticity is a nuisance variable in the regression equation having a variance that is not
constant. Therefore, methods to analyze the problem of heteroscedasticity are needed. This study
aims to demonstrate how to eliminate the problem of heteroscedasticity. The method used is,
GoldFeld-Quandt. As for eliminating the problem of heteroscedasticity by assuming the variance of
interference variables proportional to 𝐸(𝑌𝑖 )2 .
Keywords: Arbitrage Pricing Theory, Granger causality test, optimal lag test, Portmanteau test,
stationary test, Vector Autoregression
1. Pendahuluan Dengan demikian adanya

heteroskedastisitas menyebabkan tidak lagi
Kajian perekonomian Bank Indonesia pada
mempunyai varians yang minimum (no longer
Laporan Nusantara bulan Juli 2013
best) jika dinggunakan metode OLS
menerangkan inflasi mengalami kenaikan
(Widarjono, 2013). Dengan kondisi tersebut,
seiring dengan kebijakan kenaikan BBM
maka perilaku data deret waktu tersebut sangat
bersubdisi yang terealisasi pada tanggal 22 Juni
berbeda dengan asumsi pada regresi linear
2013 (Bank Indonesia, 2013). Data inflasi
sederhana yaitu asumsi kehomogenan varians
merupakan salah satu contoh data deret waktu
residual atau homoskedastisitas (Gujarati,
(Widarjono, 2013).
1991).
Data deret waktu khususnya data inflasi
Oleh karena itu, dibutuhkan suatu cara
sering mengalami volatilitas yang tinggi.
yang bisa mengatasi masalah
Volatilitas yang tinggi ini ditunjukkan oleh
heteroskedastisitas. Untuk melihat volatilitas
suatu fase dimana fluktuasinya relatif tinggi dan
tingkat inflasi terlihat dalam Gambar 1 yaitu
secara terus menerus. Dengan kata lain data ini
data inflasi kota Denpasar dan data inflasi
mempunyai rata-rata dan varians yang tidak
Indonesia dari bulan Januari tahun 2005 sampai
konstan atau mengalami sifat heteroskedastisitas
dengan bulan Agustus tahun 2013.
(Widarjono, 2013). Jadi dengan adanya
heteroskedastisitas, estimator OLS tidak
menghasilkan estimator yang Best Linear
Unbiased Estimator (BLUE), namun hanya
Linear Unbiased Estimator (LUE).
1
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
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
mengandung masalah heteroskedastisitas.

Hal tersebut ditunjukkan pada hasil
perhitungan kembali dengan menggunakan
metode GoldFeld-Quandt yang mana nilai
hitungnya sebesar 1,46 mengikuti distribusi
𝐹. Nilai tersebut lebih kecil daripada nilai 𝐹
pada tabel, sehingga dapat disimpulkan
bahwa data sudah tidak mengandung
masalah heteroskedastisitas.
Daftar Pustaka
Bank Indonesia. Kajian Perekonomian

Bank Indonesia:
http://www.bi.go.id/web/id/Publikasi/Ekon
omi_Regional/TER/LaporanNusantaraJuli
2013.htm diakses pada 1-10-2013.
Badan Pusat Statistika. Data Inflasi dan
IHK:
http://www.bps.go.id/aboutus.php?inflasi=
1 diakses pada 1-10-2013
Gujarati, D.N.. 1991. Ekonometrika Dasar,
Alih bahasa Sumarno Zain, Erlangga,
Jakarta.
Widarjono, A. 2013. Ekonometrika
Pengantar dan Aplikasinya. Edisi
Keempat. UPP STIM YKPN.
Yogyakarta.
.
37

ID1 - 197106111997022001080814028568 Ketua Penyunting - e Jurnal Math Vol 3 No 1 Jan 2014

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

ID1 - 197106111997022001080814028568 Ketua Penyunting - e Jurnal Math Vol 3 No 1 Jan 2014

Diunggah oleh

Hak Cipta:

Format Tersedia

E-Jurnal Matematika file:///F:/NILA FILE/e-JURNAL MATEMATIKA/E-JURNAT MATEMA...

HOME ABOUT LOG IN REGISTER SEARCH CURRENT ARCHIVES

Home > E-Jurnal Matematika

Ketua : Desak Putu Eka Nilakusumawati, S.Si., M.Si

1. Tjokorda Bagus Oka Ph.D.

HOME ABOUT LOG IN REGISTER SEARCH CURRENT ARCHIVES

Home > Archives > Vol 3, No 1 (2014)

KASUS: PT PLN GIANYAR)

REGRESI LINIER BERGANDA

AUTOREGRESSION DALAM MENGESTIMASI EXPECTED RETURN SAHAM (Studi Kasus:

METODE FUZZY AHP

VARIABEL GANGGUANNYA PROPORSIONAL DENGAN X_i^2 DAN [E(Y_i)]^2

APLIKASI REGRESI DATA PANEL

NI PUTU ANIK MAS RATNASARI1, I PUTU EKA NILA KENCANA2, G. K. GANDHIADI3

Keywords: Panel Data Regression, Fixed Effect Model, Motivation

1. Pendahuluan memberikan data yang lebih informatif;

Regresi Data Panel Fixed Effect Model

Tabel 1. Variabel-Variabel Penelitian

No Variabel Simbol Indikator Skala Kategori

motivasinya akan meningkat sebesar 0,56

Tabel 2.Uji Parsial Model Motivasi Non-outsourcing

Variable Coefficient Std. Error t-Statistic Prob.

C -0.056253 0.063054 -0.892134 0.3767

outsourcingdengant-statistik>𝑡(0,025;48) (2,01) > 2,01, sehingga dapat disimpulkan existence

Tabel 3.Uji Parsial Model Motivasi Kerja Outsourcing

Variable Coefficient Std. Error t-Statistic Prob.

C 0.213898 0.092392 2.315116 0.0249

Existence berpengaruh signifikan pada

Berdasarkan hasil pembahasan dapat Greene. W. H. 2012. Econometric Analysis.

Anderson, R. E. 2010. Multivariate Data

PENERAPAN REGRESI AKAR LATEN DALAM MENANGANI

DWI LARAS RIYANTINI1, MADE SUSILAWATI2, KARTIKA SARI3

linier berganda (Myers & Milton, 1991).

1Mahasiswa Jurusan Matematika FMIPA Universitas Udayana 8

mengakibatkan tidak akuratnya peramalan bisa diramalkan dari peubah bebas

1 1 … 1 variansi dalam 𝑌 (Sharma, S., James, W.L.,

Selanjutnya, untuk melihat seberapa O’Brien, R M. 2007. A Caution Regarding

PENERAPAN MODEL ARBITRAGE PRICING THEORY

VIAN RISKA AYUNING TYAS1, KOMANG DHARMAWAN2, MADE ASIH3

1. Pendahuluan namun diasumsikan bahwa tingkat

𝑌𝑡 = 𝛼 + 𝛿𝑡 + 𝜙1 𝑌𝑡−1 + ⋯ + 𝜙𝑝 𝑌𝑝−1 + diagnostik yang digunakan adalah Uji. Uji ini

saat 𝑝 − 1, 𝑋𝑡−1 adalah nilai variabel 𝑋 pada

penelitian yang dihitung berdasarkan diperingkat berdasarkan rata-rata volume

Tabel 2. Rata-Rata Return Faktor Berdasarkan uji kausalitas Granger

Dari persamaan APT yang diperoleh kemudian

E(R 𝐿𝑃𝐾𝑅 ) = 0.0338 × 𝑅𝐹

Expected return saham LPKR lebih tinggi dari

PEMILIHAN KRITERIA DALAM PEMBUATAN KARTU KREDIT

JOKO HADI APRIANTO1, G. K. GANDHIADI2, DESAK PUTU EKA NILAKUSMAWATI3

1. Pendahuluan fuzzy khususnya pendekatan triangular fuzzy

𝐴𝑘 𝑥̅0 = 𝑠1 𝜆1𝑘 𝑣̅1 + 𝑠2 𝜆𝑘2 𝑣̅2 + … + 𝑠𝑛 𝜆𝑘𝑛 𝑣̅𝑛 (𝝀𝒎𝒂𝒙 –𝒏)

Tabel 3. Fungsi Keanggotaan Bilangan Fuzzy nilai masing-masing kriteria sehingga

4. Hasil dan Pembahasan f. 5.07324 mendekati 5 yang artinya limit

1 0.333 0.333 2 1 0.333 0.333 2

Untuk mencari λmaksimum diperoleh dari Tabel 6. Matriks Perbandingan Berpasangan

B 1 3/2 2 1 1 1 1/2 2/3 1 1 3/2 2

𝜆𝑚𝑎𝑥 –𝑛 4.131−4 Tabel 7. Nilai Fuzzy Synthetic Exten

Berdasarkan Tabel 2 Untuk n = 4, maka RI =

c) Menghitung perbandingan tingkat

= (0.217, 0.369, 0.593) Setelah didapat nilai perbandingan dari

Kemudian dilakukan perhitungan bobot penawaran dalam menarik nasabah untuk

MENGATASI MASALAH HETEROSKEDASTISITAS DENGAN

MADE ADI GUNAWAN1, LUH PUTU IDA HARINI2, MADE ASIH3