RMK EKONOMI MANAJERIAL

ESTIMASI PERMINTAAN

Oleh :
Kelompok II
Dimas Rizal Saputra 1807521031 (85)
Putu Arya Dananjaya 1807521084 (85)
I Gusti Ayu Widya Ari Cahyathi 1807521102 (85)
Putu Indy Widiananda Putri 1807521120 (85)

Fakultas Ekonomi dan Bisnis

Universitas Udayana
Tahun Ajaran 2020/2021
 1. Estimasi Pasar dengan Metode Survey
Survei Konsumen dan Penelitian Observasi survei konsumen (consumer
surveys) melibatkan sejumlah sampel konsumen tentang bagaimana mereka akan
beraksi terhadap perubahan tertentu dalam harga suatu komoditas, pendapatan,
harga dari komoditas yang berhubungan, pengeluaran iklan, insentif kredit, dan
determinan yang lainnya. Survei ini dapat dilakukan dengan mencegah dan menanyai
orang orang pada suatu pusat perbelanjaan atau dengan menyusun daftar pertanyaan
(kuesioner) yang gigih untuk dibagikan kepada sampel konsumen tertentu oleh para
penanya (interviewer) yang terlatih.
Teorinya, kuesioner konsumen dapat menyediakan informasi yang sangat berguna
bagi rusahaan. Dalam kenyataan, banyak juga yang mengalami bias karena
konsumen tidak mau tau tidak bisa memberikan jawaban yang akurat. Sebagai
contoh, apakah Anda tahu berapa anyak konsumsi Anda terhadap bir akan berubah
jika harganya meningkat 10 sen per botol tau per 12 ons? Jika harga soda jatuh 5
sen? Jika pendapatan Anda menipgkat 20 persen? Jika rodusen bir meningkatkan
biaya iklannya? Jika kadar alkohol dalam bir diturunkan sebesar persen? Walaupun
Anda mencoba untuk menjawab pertanyaan tersebut seakurat mungkin, eaksi Anda
dapat saja sepenuhnya berbeda jika Anda menghadapi situasi yang nyata dari
mungkinan di atas. Kadang konsumen memberikan jawaban yang menurut mereka
lebih dapat •terima daripada mengemukakan preferensi mereka yang sesungguhnya.
Sebagai contoh, tidak da orang yang akan mengaku jika dia meminum 200 botol bir
per bulannya. Tergantung dari sampel yang diplilih dan kelengkapan dari analisis,
survei konsumen juga bisa menjadi sangat mahal.
Karena keterbatasan survei dari konsumen, maka banyak perusahaan yang
menggantikan cara melengkapi survei tersebut dengan penelitian observasi
(observational research). Ini mengacu pada pengumpulan informasi tentang
preferensi konsumen dengan mengamati bagaimana mereka membeli dan
menggunakan berbagai produk. Sebagai contoh, penelitian observasi telah membawa
beberapa pembuat mobil untuk mengambil kesimpulan bahwa banyak orang yang
berpikir mobil mereka merupakan hasil karya seni yang dipertunjukkan ke manapun
mereka pergi. Penelitian observasi ini juga menunjukkan bahwa konsumen cenderung
memilih beberapa jenis obat masuk angin, dan tidak hanya satu. Penelitian ini
tergantung pada scanner produk, yang semakin sering dijumpai di toko-toko, dan
ukuran pandangan orang di rumah-rumah. Ini memungkinkan suatu perusahaan untuk
mempelajari dalam satu malam mengenai produknya yang akan dijual dan efektivitas
dari iklan dan juga pola menonton TV. Akan tetapi, scanner dan pandangan orang,
menimbulkan pertanyaan hukum mengenai privasi seseorang.
Namun demikian, penelitian observasi tidak mengatakan bahwa survei konsumen itu
tidak berguna. Kadang, survei merupakan satu-satunya cara untuk mendapatkan
informasi tentang respons yang mungkin dari konsumen. Sebagai contoh, jika sebuah
perusahaan berpikir untuk memperkenalkan suatu produk baru atau mengubah
kualitas dari yang sudah ada, satusatunya cara bagi perusahaan untuk menguji reaksi
konsumen adalah dengan secara langsung menanyakan kepada mereka karena tidak
ada data Iainnya yang tersedia. Dari hasil survei, peneliti kemudian mencoba untuk
menentukan karakteristik demografis (umur, jenis kelamin, pendidikan, pendapatan,
dan ukuran keluarga) dari para konsumen yang berkemungkinan besar membeli satu
jenis produk tertentu. Hal yang sama mungkin juga terjadi dalam pendeteksian
perubahan dalam selera konsumen dan pilihannya serta dalam menentukan
ekspektasi konsumen tentang harga dan kondisi bisnis di masa yang akan datang.
Survei konsumen juga dapat berguna dalam mendeteksi kepedulian konsumen
tentang iklan dari perusahaan. Lebih jauh lagi, jika survei menunjukkan bahwa
konsumen tidak tanggap terhadap perubahan harga antara produk perusahaan dan
perusahaan pesaing, ini merupakan indikasi yang bagus bahwa permintaan terhadap
produk perusahaan adalah inelastis.

2. Estimasi Permintaan dengan Eksperimen Pasar

Tidak seperti klinik konsumen, yang dijalankan dalam suatu laboratorium
eksperimen yang ketat, eksperimen pasar (market experiments) diadakan di pasar
yang sesungguhnya. Terdapat banyak cara untuk melakukan eksperimen ini. Salah
satu metodenya adalah dengan memilih beberapa pasar dengan karakteristik
sosioekonomi yang mirip dan mengubah harga komoditas di dalam beberapa toko
atau pasar, mengubah bungkus di pasar atau toko yang lain, serta mengubah jumlah
dan tipe promosi di pasar atau toko yang lainnya, kemudian merekam respons
(pembelian) yang dilakukan oleh konsumen di beberapa pasar tersebut. Dengan
menggunakan data sensus atau survei terhadap berbagai macam pasar, sebuah
perusahaan juga dapat menentukan efek dari umur, jenis kelamin, tingkat pendidikan,
pendapatan, jumlah keluarga, dan lainnya terhadap permintaan akan komoditas.
Pilihan lainnya, perusahaan dapat mengubah, satu hal dalam satu waktu, masing-
masing faktor yang menentukan permintaan yang bisa dikontrol dalam pasar tertentu,
dalam jangka waktu tertentu, dan merekam respons konsumennya. Keunggulan dari
eksperimen pasar adalah bahwa mereka dapat dilakukan dalam skala besar untuk
lebih meyakinkan mengenai keabsahan dari hasilnya dan bahwa konsumen tidak
sadar bahwa mereka merupakan bagian dari suatu eksperimen. Eksperimen pasar ini
juga mempunyai beberapa kekurangan yang serius. Salah satunya adalah bahwa
dalam rangka menjaga biaya tetap rendah, eksperimen biasanya tetap dilakukan
dalam skala yang terbatas dan dalam jangka waktu yang relatif singkat, sehingga
gambarannya terhadap seluruh pasar dan untuk jangka waktu yang lebih panjang
patut dipertanyakan. Kejadian ini di luar dugaan, seperti mogok, cuaca yang buruk,
dapat secara serius menjadikan hasil yang bias dalam eksperimen yang tidak
terkontrol. Mereka juga dapat memonitor eksperimen ini dan mengambil keuntungan
informasi yang bermanfaat yang tidak ingin dibuka oleh perusahaan. Akhirnya,
sebuah perusahaan dapat secara permanen kehilangan pelanggan karena proses
peningkatan harganya selama eksperimen berlangsung dengan harga yang relatif
tinggi.
Di samping kekurangan tersebut, eksperimen pasar dapat berguna bagi
perusahaan dalam menentukan strategi penentúan harganya yang terbaik dan
menguji beberapa jenis bungkus yang berbeda, kampanye promosi, dan kualitas
produk. Eksperimen pasar yang utama benarberguna dalam proses pengenalan
produk di mana tidak ada data lainnya yang tersedia. la juga menjadi sangat
bermanfaat dalam menguji hasil dari teknik statistik yang lainnya yang digunakan
untuk mengestimasi permintaan dan dalam menyediakan beberapa data yang
diperlukan untuk statistik yang lainnya dari estimasi permintaan.

3. Estimasi Pasar dengan Analisis Regresi

Secara teknis, mengestimasi permintaan adalah pekerjaan untuk memperoleh
fungsi permintaan atas sesuatu barang/jasa. Dari sebuah fungsi permintaan,
selanjutnya kita dapat menganalisis aspek-aspek lainnya yang berkaitan dengan
permintaan, termasuk melakukan proyeksi dan mengenali elastisitas permintaan
(elastisitas harga, elastisitas silang, elastisitas pendapatan, dan elastisitas lainnya).
Terdapat beberapa pendekatan untuk mengestimasi permintaan, mulai dari yang
sederhana hingga yang relatif komplek, diantaranya adalah melalui survey konsumen,
klinik konsumen, eksperimen pasar, dan analisis regresi. Analisis regresi secara
sederhana adalah teknik statistik untuk mengestimasi hubungan kuantitatif antara
variabel ekonomi yang dependen (dalam konteks ini adalah permintaan) dengan
variabel yang independen (dalam konteks ini adalah faktor-faktor yang kita duga
mempengaruhi permintaan). Bila kita menggunakan satu variabel independen, berarti
kita menggunakan Analisa regresi sederhana. Bila menggunakan lebih dari satu
variabel independen, berarti kita menggunakan Analisis regresi berganda.
Dibandingkan dengan ketiga metode lainnya, penggunaan analisis regresi untuk
mengestimasi permintaan relatif lebih objektif, lebih banyak memberikan informasi,
dan lebih efisien.

ESTIMASI PERMINTAAN DENGAN ANALISIS REGRESI

Meskipun survei konsumen, klinik konsumen, eksperimen pasar dan

pendekatan pemasaran yang lainnya untuk mengestimasi permintaan menjadi sangat
berguna, tetapi metode yang paling digunakan untuk mengestimasi permintaan dalam
ekonomi manajerial adalah analisis regresi. Metode ini biasanya lebih objektif
menyediakan informasi yang lengkap dan lebih murah dibandingkan menyediakan
pendekatan pemasaran secara tepat untuk melakukan estimasi pasar.

Secara spesifik kita akan membahas tentang spesifikasi dari model yang akan
di estimasi, kebutuhan akan data, bentuk fungsional yang mungkin bagi persamaan
dan permintaan, dan evaluasi hasil terhadap ekonometri yang diperoleh.

1. Spesifikasi model

Langkah pertama dalam menggunakan analisis regresi untuk mengestimasi

permintaan adalah mengspesifikasi model yang akan diestimasi. Ini menyangkut
pengidentifikasian variabel-variabel penting yang mempengaruhi permintaan untuk
komoditas yang dikaji, seperti pendapatan konsumen (Px), pendapatan konsumen (I),
jumlah konsumen dalam pasar (N), harga komoditas konsumen berhubungan,
subtitusi atau komplementer (Py), selera konsumen (T) dan variabel-variabel lainnya,
kita dapat membuat fungsi umum dari permintaan untuk komoditas

Qx = f (PX, I, N, Py, T,....)

 Variabel-variabel yang spesifik terhadap fungsi permintaan sedang diestimasi
ditentukan berdasarkan pengetahuan yang mendalam mengenai pasar dan
komoditas. Jadi, fungsi permintaan untuk barang-barang tahan lama yang mahal,
seperti mobil dan rumah, yang biasanya dibeli dengan meminjam uang, harus
memasukkan factor kredit atau tingkat bunga ke dalam variabel penjelas. Fungsi
permintaan unntuk perlengkapan musiman, seperti perlengkapan ski, AC, baju
renang, dan minuman dingin, harus mengikutsertakan kondisi cuaca, sementara
fungsi permintaan untuk barang-barang modal seperti mesin dan bangunan pabrik,
kemungkinan besar memasukkan tingkat laba, tingkat penggunaan modal, dan
peningkatan upah di antara variabel penjelasnya.

Tahap kedua dalam penggunaan analisis regresi untuk megestimasi

permintaanakan suatu komoditas tertentu adalah dengan mengumpulkan data
dari variabel–variabel dalam modelnya. Data dapat dikumpulkan untuk setiap
variabel sepanjang waktu (tahunan,kuartalan, bulanan, dan sebagainya) atau
untuk unit ekonomi yang berbeda (individual,rumah tangga, dan sebagainya)
pada suatu waktu tertentu (tahun tertentu, bulan atauminggu tertentu, dan
sebagainya). Yang awal disebut sebagai data deret waktu sementarayang akhir
disebut cross-sectional data. Setiap tipe data mempunyai keuntungan
tertentutetapi juga mengarah pada masalah estimasi tertentu.
Tipe data yang biasanya digunakan dalam estimasi permintaan sering kali
ditentukan oleh ketersediannya. Kesenjangan data juga dapat memaksa peneliti
untuk membuat proksi bagi beberapa variabel yang datanya tidak tersedia.
Sumber data yang paling penting dari data yang diterbitkan untuk umum
yangsangat berguna untuk mengumpulkan data tentang estimasi permintaan
adalah : Survey of current Business, The Statistical Abstract of the United States, the
Vederal Reserve Bulletin, Danannual Economic Report To The President.

2. Menspesifikasi bentuk persamaan permintaan

Langkah ketiga dalam estimasi permintaan dalam analisis regresi adalah

menentukan bentuk funsional dari model yang akan diestimas. Model yang paling
sederhana dari biasanya yang paling realistis, adalah model linear. Sebagai contoh :

𝑄" = 𝑎% + 𝑎( 𝑃" + 𝑎* 𝐼 + 𝑎, 𝑁 + 𝑎. 𝑃/ +……… + 𝑒

 Dalam persamaan di atas, a adalah parameter (koefisien) yang akan
diestimasi, dan e adalah factor galat. Dalam metode linear begini, perubahab dalam
(efek marginal dari) variabel terkait (𝑄" ) untuk setiap unit perubahan pada variabel
bebas atau variabel penjelas yang konstan, tanpa menghiraukan tingkat dari variabel
tertentu. Ini mengarah pada interpretasi yang mudah dari estimasi koefisien regresi.

Namun demikian, ada kasus di mana hubungan non linier akan cocok dengan
data yang ada dibandingkan bentuk linear. Ini dapat diketahui dengan
menggambarkan grafik (diagram pancar) dari variabel terikat pada setiap variabel
bebasnya. Spesifikasi hubungan nonlinear yang paling sering dijumpai dalam
persamaan permintaan adalah fungsi pangkat. Persamaan permintaan dalam fungsi
pangkat (untuk sebenarnya, hanya memasukkan harga dari komoditas dan
pendapatan konsumen sebgai variabel bebas atau penjelas) adalah :

𝑄" = 𝑎 4𝑃" 56 7(𝐼58 )

Langkah-Langkah Penggunaan Analisis Regresi

Langkah pertama adalah menentukan spesifikasi model yang akan digunakan, yaitu
mengidentifikasi dan kemudian menentukan faktor-faktor yang diduga sangat kuat
pengaruhnya terhadap permintaan akan barang yang sedang kita amati, berikut
alasan dan pertimbangan yang mendukungnya. Dari banyak factor yang berhasil kita
identifikasi, kemudian melalui diskusi atau berdasarkan penelitian-penelian
sebelumnya, akhirnya kita harus memilih/menentukan sekian factor saja yang diduga
paling kuat pengaruhnya untuk dimodelkan dan di analisa. Langkah kedua adalah
mengumpulkan data sesuai dengan jenis factor-faktor tadi. Data itu dapat
dikumpulkan menurut rangkaian waktu (time series) seperti bulanan, triwulanan, atau
tahunan, atau berdasarkan pengamatan atas unit ekonomi (perusahaan misalnya)
yang berbeda (Cross Sectional Data).
Langkah ketiga adalah menentukan bentuk fungsi permintaan (hubungan fungsional
antara permintaan dengan faktor-faktor yang kita duga mempengaruhi permintaan)
sesuai dengan spesifikasi model yang telah kita tentukan. Modelnya dapat linier atau
non-linier. Misalnya kita telah menetapkan bahwa permintaan terhadap barang X (Qx)
dipengaruhi oleh harganya (Px). Bila hubungannya kita pilih dalam model linear, maka
spesifikasinya dapat kita nyatakan dalam persamaan linear berikut:

bo, b1, dan bn sering disebut sebagai parameter atau koefisien fungsi permintaan
yang nilainya akan kita taksir. Kalau kita memilih model non-linear, maka
spesifikasinya dapat dinyatakan dengan persamaan:

Model non-linier di atas dapat kita ubah menjadi model double log linier dengan
menggunakan logaritma normal (ln) seperti berikut:

Keuntungannya menggunakan bentuk ini, karena masing-masing parameter tersebut

secara langsung menunjukan nilai elastisitasnya (elastisitas harga, elastisitas
pendapatan, elastisitas silang, dan sebagainya) yang sedang kita estimasi. Misalnya
koefisien b1 langsung menunjukkan elastisitas harganya. Sebaliknya dalam bentuk
linear, nilai b1, dan b2, bukan menunjukan masing-masing elastisitasnya, tetapi nilai
elastisitasnya harus dihitung lagi. Berikutnya bila kita pilih model semi-logaritmic,
maka spesifikasinya adalah:

Model mana yang harus dipilih, beberapa peneliti diantaranya menggunakan indicator
koefisien determinasi (R2) sebagai referensi, yaitu memilih model yang menghasilkan
R2 tertinggi.
Langkah berikutnya adalah memeriksa hasil perhitungan, yaitu pertama, periksa
apakah tanda masing-masing parameter sesuai dengan yang diharapkan (teori) atau
tidak. Misalnya tanda untuk variable harga adalah positif (+), maka akan mengundang
pertanyaan apakah hal ini logis secara teoritis (berlawanan dengan hukum
permintaan). Kedua adalah menginterpretasikan masing-masing koefisien fungsi
permintaan. Ketiga, hitung berapa besar koefisien korelasi (r), yaitu suatu ukuran yang
menunjukkan derajat keeratan hubungan antara dua buah variabel. Nilai r dapat positif
atau negative, terletak antara –1 dan +1, dan tidak menunjukan adanya hubungan
sebab akibat. Koefisien korelasi ( r ) yang mendekati -1, berarti hubungan kedua
variabel yang diamati adalah negatif dan sangat erat. Sebaliknya bila mendekati +1,
hubungan keduanya adalah positif dan sangat erat. Koefisien korelasi ( r ) hanya suatu
ukuran hubungan atau ketergantungan/keeratan linier saja. Artinya r tidak mempunyai
arti apapun untuk menggambarkan hubungan atau fungsi permintaan yang non linier.
Keempat, adalah menghitung koefisien determinasi (r2) untuk satu variable, dan R2
untuk lebih regresi berganda). Koefisien determinasi merupakan indicator yang
menunjukkan berapa persen total variasi (perubahan) variabel dependen (dalam hal
ini permintaan/omset penjualan) yang dapat dijelaskan (explained) oleh variasi
variabel independennya (dalam hal ini adalah factor-faktor yang mempengaruhi
permintaan yang sedang kita analisis). Dengan kata lain, koefisien determinasi
merupakan ukuran keseluruhan yang menjelaskan sampai sejauhmana variasi
variabel independen menentukan variasi variabel dependen. R2 juga merupakan
salah satu indicator ketepatan/kelayakan estimasi atau goodness of fit. Artinya apakah
persamaan regresi yang kita buat itu mendekati nilai aktualnya atau tidak, makin
mendekati berarti makin tepat (fit). Dengan kata lain makin besar koefisien
determinasi, makin baik (fit) model yang kita gunakan. Indikator goodness of fit lainnya
yang umum digunakan dalam analisis regresi yaitu F-statistics (akan dijelaskan pada
bagian analisis regresi linier berganda). Walaupun tidak terlalu tepat, koefisien
determinasi sering dijadikan indicator derajat kepengaruhan variable independent
terhadap variable dependen.

Kelima, adalah menguji signifikansi/keberartian parameter (koefisien) fungsi

permintaan hasil estimasi tersebut, baik secara parsial maupun secara simultan.
Menguji signifikansi masing-masing parameter secara parsial, di gunakan uji T ( t -
test). T-hitung dapat dicari dengan formula:
Kaidah keputusannya adalah :

Bila t hitung > t tabel : parameter yang bersangkutan signifikan

Bila t hitung < t tabel : parameter yang bersangkutan tidak signifikan

Keenam (hanya untuk analisis regresi berganda), apakah dalam pada hasil estimasi
tersebut timbul masalah ekonometrik (multikolinearitas, auto/serial korelasi,
heteroskedatis) atau tidak. Hasil estimasi akan baik apabila bebas dari masalah
ekonometrik.

Masalah Ekonometrik (uji asumsi klasik)

Metode regresi akan dapat dijadikan alat estimasi yang tidak bias jika telah memenuhi
persyaratan BLUE (Best Linier Unbiased Estimator), yaitu non multikolinieritas, non
autokorelasi dan non heterokedastisitas. Multikolinearitas adalah terjadinya korelasi
(konsluiting) diantara beberapa atau semua variabel independen sendiri. Misalnya
permintaan (Qx) dimodelkan dipengaruhi oleh pendapatan (I) dan kekayaan
konsumen (W). Variabel I kemungkinan besar berkolinearitas dengan variable W,
karena orang kaya cenderung mempunyai pendapatan yang tinggi. Akibatnya kita
tidak bisa mengisolasi secara terpisah pengaruh I terhadap Y. Penyebabnya adalah
terjadi kekeliruan dalam mengidentifikasi faktor-faktor yang mempengaruhi
permintaan (variabel independen). Konsukuensinya standard deviasi akan tinggi,
sehingga parameter/koefisien fungsi permintaan yang kita estimasi tidak mempunyai
ketepatan yang tinggi.

Salah satu cara untuk mendeteksinya adalah biasanya kolinearitas sering terjadi
ketika R2 sangat tinggi (0,7 – 1), atau sering juga ditunjukkan oleh hasil uji F yang
signifikan, tetapi dilain pihak berdasarkan uji-t, tak satupun atau sangat sedikit
koefisien/parameter fungsi permintaan yang significan. Selain itu, untuk mendeteksi
ada tidaknya gejala multikolinearitas dapat juga dengan dengan melihat pada matrik
korelasi (korelasi antar variabel bebas). Jika korelasi antar variabel melebihi 0,50
diduga terdapat gejala Multikolinearitas (Gujarati 1995). Selain itu multikoliearitas
dapat juga dideteksi dengan menggunakan indicator Tolerance (TOL) dan variance
inflation factor (VIF). Nilai cut-off yang umum dipakai untuk menunjukkan tidak ada
gejala multikolinearitas adalah nilai TOL harus > 0,10 atau nilai VIF harus < 10. Cara
penanggulangan yang sering dilakukan adalah mengeluarkan salah satu variabel
yang berkolinearitas tersebut, atau menambah jumlah observasi/sample, atau
merubah model fungsionalnya. Kembali ke kasus fungsi permintaan, dari output print-
out coefficienta di atas tampak bahwa hanya variable pendapatan konsumen (I) yang
tidak terindikasi terkena “penyakit” multikolinearitas karena nilai VIF-nya (1,075) < 10
atau TOL-nya (0.930) > 0.10.

Berikutnya adalah gejala Autokorelasi yang menunjukkan terjadinya korelasi

(konsluiting) antara serangkaian anggota observasi yang diurutkan menurut waktu
(time series data) atau yang diurutkan berdasarkan sampel (cross sectional data).
Misalnya harga tahun 2018, diperkirakan mempengaruhi harga pada tahun 2019.
Penyebabnya adalah bias spesifikasi, yaitu ada beberapa variabel yang tidak
dimasukan bentuk fungsional/model estimasi yang tidak benar. Kemudian bisa saja
sebagai akibat dari “manipulasi data”, yaitu misalnya data bulanan diperoleh dengan
cara membagi data tahunan dengan 12. Konsekuensinya, estimasi menjadi bias, yaitu
bila dilakukan penyampelan berulang, rata-rata hasilnya tidak akan sama.

Untuk mengetahui ada tidaknya gejala autokorelasi dalam model analisis regresi,
dapat digunakan pengujian serial korelasi dengan metode Durbin Watson (DW).
Apakah DW-hitung mengindikasikan ada tidaknya gejala otokorelasi, maka harus
dibandingkan dengan nilai kritis dL (Durbin Lower) dan dU (Durbin Upper) yang ada
pada tabel tabel statistik d Durbin-Watson. Kriteria keputusannya adalah tidak
adaotokorelasibilaterpenuhisyarat:DW>dU atauDW<(4-dU )atau dU<DW<(4 – dU).
Menemukan nilai kritis dl & du dapat dijelaskan pada gambar di atas. Kembali ke
kasus fungsi permintaan diatas di atas, dari tabel model summaryb diperoleh nilai
Durbin Watson = 1,905. Karena DW terletak antara dL (1,83) dan 4 - dU (2,17), maka
hal ini mengindikasikan tidak terjadi otokorelasi.

Uji heteroskedatisitas ditujukan untuk mengetahui apakah dalam model regresi terjadi
ketidaksamaan variance residual dari satu pengamatan ke pengamatan lainnya. Jika
tidak ada perbedaan, maka disebut homoskedatis, dan sebaliknya bila berbeda
disebut heteroskedatis. Heteroskedatitas dicirikan oleh sebaran atau varian factor
pengganggu tidak konstan sepanjang observasi, dan biasanya terjadi pada data cross
section. Model regresi yang baik harus homoskedatis atau tidak terjadi
heteroskedatitas. Terdapat beberapa metode untuk menguji heteroskedatis,
diantaranya yaitu metode Glejser. Pertama lakukan analisis regresi linear sederhana
seperti biasa.

Model demand estimation alternatif

Mengestimasi permintaan dengan menggunakan analisis regresi di atas sangat umum

digunakan karena relative mudah, namun untuk beberapa kasus/komoditas mungkin
tidak cukup memadai. Oleh karenanya beberapa ahli mengembangkan model
alternatif untuk mengestimasi permintaan agar diperoleh hasil yang lebih realistis,
konsisten dan tidak bias. Beberapa model yang cukup popular di kalangan peneliti
diantaranya yaitu: Generalized Leontief, Translog, Linear Expenditure System (LES),
Rotterdam, dan Almost Ideal Demand System (AIDS). Uraian berikut menyajikan
secara ringkas beberapa hasil penelitian terutama di Indonesia yang menggunakan
model alternative tersebut. Bagi yang berminat untuk mendalaminya dapat
mengakses ke sumber rujukannya langsung.

Almost Ideal Demand System (AIDS)

Salah satunya adalah model almost ideal demand system (AIDS) yang
dikembangkan oleh Deaton & Muellbaeur (1980). Model ini merupakan
pengembangan dari Kurva Engel dan fungsi permintaan yang diturunkan dari teori
maksimisasi utilitas. Model ini merupakan bentuk pengembangan dari model
permintaan sebelumnya yaitu model Rotterdam dan model Translog. Model AIDS
memiliki beberpa kelebihan, diantaranya yaitu karena mempertimbangkan aksioma
perilaku konsumen dalam menentukan seperangkat komoditas, maka dapat
digunakan untuk mengestimasi sistem persamaan yang terdiri atas beberapa
kelompok komoditas yang saling berkaitan. Karena model berbentuk semi-log, maka
secara ekonometrik model akan menghasilkan parameter yang lebih efisien.
Parameternya mudah diestimasi tanpa harus menggunakan metode non-linier, dan
restriksi permintaan dapat diterapkan dalam model, sehingga secara umum
konsisten dengan teori permintaan. Selain itu Kelebihan AIDS adalah restriksi dari
model seperti additivitas, homogenitas, dan simetri yang dapat diuji secara statistic.
Secara umum, fungsi permintaan AIDS dalam bentuk budget share dinyatakan
dalam persamaan:

Persyaratan yang harus dipenuhi dalam model AIDS adalah : (1) adding-up condition
yaitu : ∑ dan ∑ yang menunjukkan proporsi pengeluaran keseluruhan komoditas
adalah satu ; (2) homogeneity condition yaitu : ∑ yang menunjukkan asumsi bahwa
perubahan proporsional dalam seluruh harga dan pengeluaran tidak memengaruhi
jumlah barang yang dibeli ; dan (3) simetrivitas yaitu : ij – ji yang menunjukkan
konsistensi pilihan konsumen. Dari persamaan tersebut dapat elastisitas permintaan
dengan formula:
Model Rotterdam

Model ini dikembangkan oleh Theil & Barten (Barnett & Seck, 2008). Meskipun tidak
diturunkan dari fungsi utilitas atau fungsi pengeluaran, namun model ini tetap
memenuhi kondisi integrability ketika kondisi kesimetrisan dan homogenitas
diberlakukan. Model ini banyak dipertimbangkan diantaranya juga karena mampu
mengatasi masalah data yang tidak stasioner karena harga dan kuantitas dinyatakan
dalam bentuk perbedaan log. Secara umum model Rotterdam (model harga absolut)
dapat dinyatakan dalam bentuk persamaan dalam logaritma natural (Barten 1964 &
Theil 1965).

(wi = rata-rata porsi pengeluaran untuk komoditi i; p = harga; q = kuantitas; d ln p =

dp/p; d ln q = angka indek perubahan pendapatan ril; β = porsi pengeluaran marjinal).
Pembatasan koefisien estimasi seperti yang disyaratkan dalam teori ekonomi dapat
dilakukan terhadap model di atas, yaitu : (1) adding-up condition yaitu : (2)
homogeneity condition yaitu: dan (3) simetry: Kemudian masing-masing elastisitas
permintaannya dapat dihitung dengan rumus: