MAKALAH

METODE WEIGHTED LEAST SQUARE

“Disusun untuk Memenuhi Tugas Mata Kuliah Analisis Data”

Dosen Pengampu : Puspita Kartikasari, S.Si., M.Si.

Disusun Oleh :

Pualam Wahyu R (24050118140049)

Hananta Triatmaja (24050118140059)

Analisis Data Kelas A

DEPARTEMEN STATISTIKA
FAKULTAS SAINS DAN MATEMATIKA
UNIVERSITAS DIPONEGORO
2021
KATA PENGANTAR

Puji syukur senantiasa penulis panjatkan ke hadirat Allah SWT atas limpahan
rahmat dan karunia-Nya sehingga penulisan makalah ini dapat diselesaikan. Makalah yang
berjudul “Metode Weighted Least Square” sebagai syarat untuk memperoleh nilai pada
mata kuliah Analisis Data tahun 2021/2022 Departemen Statistika, Fakultas Sains dan
Matematika, Universitas Diponegoro.
Penulis mengucapkan terima kasih kepada: (1) Ibu Puspita Kartikasari, S.Si., M.Si.
selaku dosen pembimbing mata kuliah Analisis Data. (2) Teman-teman kelompok yang
telah meluangkan waktunya untuk membantu dalam penyusunan makalah ini. Sehingga
dalam penyusunan makalah ini dapat berjalan dengan lancar atas bantuan, bimbingan, dan
dorongan serta pengarahan dari berbagai pihak.
Penulis menyadari sepenuhya bahwa di dalam penulisan makalah ini masih banyak
keterbatasan pengetahuan dan kemampuan yang dimiliki penulis. Penulis mengharapkan
kritik dan saran yang dapat membangun untuk perbaikan makalah ini. Semoga makalah ini
dapat bermanfaat bagi pembaca pada umunya, serta pihak-pihak lain yang terkait.

Semarang, 11 Maret 2021

Penulis

DAFTAR ISI

2
HALAMAN JUDUL

KATA PENGANTAR.......................................................................................................ii
DAFTAR ISI....................................................................................................................iii
I. JUDUL.......................................................................................................................1
II. TUJUAN PEMBELAJARAN....................................................................................1
III. ANALISIS DAN PEMBAHASAN............................................................................1
A. Analisis Regresi Linier...............................................................................................1
B. Heteroskedastisitas.....................................................................................................2
C. Metode Kuadrat Terkecil Terbobot (Weighted Least Square)....................................2
D. Contoh Kasus.............................................................................................................5
IV. KESIMPULAN..........................................................................................................6
DAFTAR PUSTAKA........................................................................................................6

I. JUDUL
Metode Weighted Least Square

3
 II. TUJUAN PEMBELAJARAN
Adapun tujuan dari penyusunan makalah ini adalah sebagai berikut:
1. Memahami pengertian dari metode weighted least square.
2. Memahami fungsi dan penggunaan metode wighted least square.
3. Memahami penggunaan metode weighted least square pada regresi dan
penyelesaiannya pada suatu contoh kasus.
III. ANALISIS DAN PEMBAHASAN
A. Analisis Regresi Linier
Analisis regresi merupakan suatu metode analisis statistika yang digunakan
untuk menganalisis pengaruh antara variabel independen terhadap variabel dependen,
dimana variabel independen adalah variabel yang mempengaruhi dan variabel
dependen adalah variabel yang dipengaruhi. Secara umum, model regresi linear
dengan variabel dependen Y dan p variabel bebas 𝑋1,2, … , 𝑋𝑝 dapat ditulis sebagai
berikut:
𝑌𝑖 = 𝛽0 + 𝛽1𝑋𝑖1 + 𝛽2𝑋𝑖2 + … + 𝛽𝑝𝑋𝑖𝑝 + 𝜀𝑖
dengan:
𝑌𝑖 adalah nilai variabel dependen dalam pengamatan ke-i
𝛽0, 𝛽1, 𝛽2, … , 𝛽𝑝 adalah parameter yang tidak diketahui nilainya
𝑋𝑖1, 𝑋𝑖2, … , 𝑋𝑖𝑝 adalah nilai dari variabel independen dari pengamatan ke-i
𝜀𝑖 adalah galat yang bersifat acak dan berdistribusi normal N (0, 𝜎2)
Asumsi analisis regresi :
1. Uji Normalitas
Asumsi normalitas dapat terpenuhi jika residual data berdistribusi normal. Uji ini
bertujuan untuk melihat apakah data berdistribusi secara normal atau tidak secara
visual maupun formal
2. Uji Linieritas
Linieritas dalam model regresi berarti tidak terdapat hubungan antara nilai
prediksi dengan nilai galat. Uji linierias secara formal dapat dilihat melalui porb.F.
Jika nilai prob.F <  = 5% maka model regresi bersifat linier, sehingga asumsi
linieritas terpenuhi.
3. Uji Multikolinearitas
Multikolinieritas menunjukkan adanya hubungan linear yang kuat diantara
beberapa variabel prediktor dalam suatu model regresi linear berganda. Model

4
 regresi yang baik memiliki variabel-variabel prediktor yang independen atau tidak
berkorelasi. Disisi lain, permasalahan multikolinieritas juga akan menghasilkan
perkiraan keberartian koefisien regresi yang diperoleh menjadi bias.
4. Uji Autokorelasi
adalah hubungan yang terjadi diantara residual dari pengamatan satu dengan
pengamatan yang lain.
5. Uji Heteroskedastisitas
Heteroskedastisitas adalah kondisi dimana error term tidak memiliki suatu varian
yang konstan untuk semua observasi.
B. Heteroskedastisitas
Uji Heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi
ketidaksamaan varian dari residual satu pengamatan ke pengamatan yang lain. Jika
varian dari residual satu pengamatan ke pengamatan lain tetap, maka disebut
Homokedastisitas dan jika berbeda disebut heteroskedastisitas.
Akibat terjadinya heteroskedastisitas maka setiap terjadi perubahan pada
variabel terikat mengakibatkan errornya (residual) juga berubah sejalan atau kenaikan
atau penurunannya. Dengan kata lain konskuensinya apabila variabel terikat
bertambah maka kesalahan juga akan bertambah (Gujarati, Damodar N., 1988: 401).
Jika asumsi ini tidak dipenuhi maka diduga OLS tidak lagi bersifat BLUE
(best linier unbiased estimator), karena ia akan menghasilkan dugaan dengan galat
baku yang tidak akurat.
Deteksi heteroskedastisitas dapat dilakukan dengan uji white. Prosedur pengujian
dilakukan dengan hipotesis sebagai berikut:
H0 : Tidak ada heteroskedastisitas
H1 : Ada heteroskodastisitas
Kriteria ujinya adalah jika obs*R-square > X2 atau P-value < α, maka H0 yang
menyatakan adanya homoskedastisitas ditolak.
C. Metode Kuadrat Terkecil Terbobot (Weighted Least Square)
Salah satu metode yang digunakan untuk untuk mengatasi masalah
heteroskedastisitas adalah metode Weighted Least Square (WLS). Metode Weighted
Least Square (WLS) merupakan bentuk pengembangan dari OLS yang digunakan
untuk mengatasi masalah heteroskedastisitas. Metode WLS digunakan jika efisiensi
estimator dianggap lebih penting daripada sifat unbiased dan konsisten jika dalam
kondisi heteroskedastisitas. Metode WLS sama halnya seperti metode OLS yang

5
meminimumkan jumlah kuadrat error, hanya saja pada metode WLS dilakukan
pembobotan yang tepat kemudian baru menggunakan metode OLS terhadap data yang
telah diboboti.
a. WLS untuk Regresi Linear Sederhana
Meminimumkan SSE pada regresi linear sederhana, yaitu :

n
SSE=∑ (Y i−β 0− βi X i )2Sedangkan untuk WLS, masing-masing jumlah kuadrat
i=1

error akan dikali dengan penimbang atau pembobot yaitu w i, sehingga:

n
SSEw =Q w =∑ w i (Y i−β 0−β i X i)2
i=1

Sehingga diperoleh nilai dari koefisien regresinya dengan meminimalkan nilai Qw

a. Meminimumkan kuadrat error terhadap 𝛽0dan 𝛽1:
Turunan terhadap β 0
n n n
∂Q w
=−2 ∑ wi Y i+ 2 β 0 ∑ w i+2 β 1 ∑ wi X i=0
∂ β0 i =1 i=1 i=1

n n n

∑ wi Y i=β 0 ∑ wi + β 1 ∑ wi X i
i=1 i=1 i=1
n n

∑ w i Y i − β1 ∑ w i X i
β 0= i=1 i=1
n
………….(1)
∑ wi
i=1

Turunan terhadap β 1
n n n
∂Q w
=−2 ∑ wi X i Y i+ 2 β 0 ∑ wi X i +2 β 1 ∑ wi X 2i =0
∂ β1 i =1 i=1 i=1

n n n

∑ wi X i Y i=β 0 ∑ wi X i + β 1 ∑ wi X 2i ………….(2)
i=1 i=1 i=1

Kemudian persamaan 1 dan 2 disubstitusikan sehingga menghasilkan,

n n

n ∑ wi Y i−β 1 ∑ wi X i n n
i=1 i=1
∑ wi X i Y i= n ∑ wi X i + β 1 ∑ wi X 2i
i=1 i=1 i=1
∑ wi
i =1

6
 n n n

n ∑ wi Y i−β 1 ∑ wi X i ∑ wi X i n
i=1 i=1 i=1
∑ wi X i Y i= n
− n
+ β 1 ∑ wi X 2i
i=1 i=1
∑ wi ∑ wi
i =1 i=1

n n

n ∑ wi Y i ∑ w i X i
∑ wi X i Y i i=1 n
i=1

i=1
∑ wi
i=1
β 1= n

∑ w i X i2 ¿ ¿ ¿ ¿
i=1

 Sehingga diperoleh parameter :

n n

n ∑ w i Y i ∑ wi X i
n n ∑ wi X i Y i i=1 n
i=1

i=1
∑ w i Y i − β1 ∑ w i X i ∑ wi
i=1 i=1 i=1
β 0= n
β1= n

∑ wi ∑ wi X 2i ¿¿ ¿ ¿
i=1 i=1

b. WLS untuk Regresi Linear Berganda

Meminimumkan SSE pada regresi linear berganda, yaitu :
n
SSE=∑ (Y i−β 0− β1 X 1−β 2 X 2−…−β n X n)2
i=1

Sedangkan untuk WLS, masing-masing jumlah kuadrat error akan dikali

dengan penimbang atau pembobot yaitu w i, sehingga:

n
SSEw =Q w =∑ w i (Y i−β 0−β 1 X 1−β 2 X 2−…−β n X n)2
i=1

Parameter (𝛽0, 𝛽1, ⋯ , 𝛽n) diperoleh melalui diferensial 𝑄𝑤 terhadap setiap

parameter 𝛽 seperti pada kasus suatu variabel x. Sehingga diperoleh nilai dari
koefisien regresinya dengan meminimalkan 𝑄𝑤.
Meminimumkan kuadrat error yaitu dengan cara :
∂Q w ∂ Qw ∂ Qw ∂Qw
, , ,…,
∂ ^β 0 ∂ β^ 1 ∂ ^β 2 ∂ β^ n
menghasilkan n persamaan normal dan dengan melalui proses aljabar matriks,
maka diperoleh 𝛽,

7
 ^β0
^β1
β= ^β2
[]
^β3
…

Pada kondisi heteroskedastisitas, mula-mula 𝑣𝑎(𝜀𝑖) = σ i2 pada setiap 𝜀𝑖 ; 𝑖 =

1,2, … , 𝑛, jika ditulis dalam bentuk matriks, yaitu:

var ( ε 1 ) cov ( ε 1 , ε 2 ) ⋯ cov ( ε 1 , ε i )

var ( bw ) =
[
cov ( ε 2 , ε 2 )
⋮ ⋮
var ( ε 2 )

cov ( ε n , ε 1 ) cov ( ε n , ε 2 )
⋯ cov ( ε 2 , ε i )
⋱
⋯
⋮
var ( ε n )

Karena ada asumsi homoskedastisitas, maka setiap galat mempunyai varian

]
yang sama dan tidak ada korelasi serial, artinya antar galat yang satu dengan
yang lainnya bebas, yaitu cov ( ε n , ε m )=0

σ 21 0 ⋯ 0

[
var ( bw ) = 0 σ 2
⋮ ⋮
0 0
2
⋯
⋱
⋯
0
⋮
]
σ 2n
=V (11)

Agar 𝑣𝑎(𝜀𝑖) = σ i2 maka dilakukan pembobotan/transformasi pada setiap 𝜀𝑖 ;

i==1,2,…,n
εi
εi→
σ 2i
Jika ditulis kedalam matriks akan menjadi,

1
0

[ ]
σ 21 ⋯ 0
ε1
0

⋮ ⋮
0 0
1
σ 22
⋯

⋱
⋯
0

⋮
1
σ 2n
[]
× ε2
⋮
εn

V-1 ε
Matriks 𝑉−1 berupa matriks diagonal yang berelemenkan nilai-nilai pembobot,

1
w i=
σ 2n

8
 −1/ 2 1
Maka, dapat diperoleh juga bahwa, w i = , dari matriks pembobot V-1
σn
maka dibentuk matriks pembobot yang lain yaitu dimisalkan P-1, sehingga
diperoleh matriks P sebagai berikut,
σ1 0 ⋯ 0
P=
[
0 σ2
⋮ ⋮
0 0
⋯ 0
⋱ ⋮
⋯ σn ]
Maka model regresi terboboti adalah,
𝑌𝑤 = 𝑄𝑤𝜷 + f
Dengan f adalah P−1 ε , untuk selanjutnya dapat dilakukan pemodelan seperti
halnya dengan OLS, karena f memiliki sifat seperti error pada regresi OLS.
Sehingga diperoleh estimasi parameter untuk 𝑏𝑤
𝑏𝑤 = (𝑋𝑇𝑉−1𝑋)−1𝑋𝑇𝑉−1𝑌
𝑣𝑎(𝑏𝑤) = (𝑋𝑇𝑉−1 𝑋) −1𝜎2
D. Contoh Kasus
Didapatkan sebuah data impor dan eksport sebuah negara dari tahun 2007 hingga
2020, akan dilakukan analisis untuk mendapatkan model dalam melihat pengaruh data
konsumsi sebagai variabel independen terhadap data impor sebagai variabel dependen
Tahun Impor Eksport
2007 831724 1039655
2008 985572 1231965
2009 1097662 1372078
2010 1226311 1532888
2011 1428477 1785596
2012 1674125 2092656
2013 2259453 2510504
2014 2699961 2999957
2015 2961896 3290996
2016 3472940 3858822
2017 3906545 4340605
2018 3886665 4858331
2019 2359212 5456626
2020 2580527 6035674
Berikut di bawah ini merupakan output dari analisis data di atas

9
Dan berikut di bawah ini, merupakan hasil dari uji asumsi heterokedastisitas
menggunakan uji white

Berdasarkan output di atas, dapat diketahui bahwa data tidak memenuhi asumsi
heterokedastisitas karena nilai prob chi square (2) yang sebaris dengan Obs*R-
Squared sebesar 0.0021. Dimana nilai tersebut lebih kecil dari taraf signifikansi 0.05.

Untuk mengatasi masalah heterokedastisitas yang terjadi, dilakukan analisis weighted

least square dengan bantuan pembobotan data dengan residual kuadrat. Berikut
merupakan data residual kuadrat data
Residual
Kuadrat
176652727445.97
131069747554.39
102134681158.48
73366601194.68
37752021088.89
10255039768.23
76385954313.35
224313918609.10
349162051253.25
671940651291.78
1027925996697.0

10
 4
542674276193.00
1184083587710.8
8
1333198508455.3
7
Dengan bantuan aplikasi eviews, berikut merupakan hasil analisis weighted least
square

Lalu dilakukan uji white lagi untuk memastikan asumsi heterokedastisitas. Berikut
hasilnya

Berdasarkan gambar di atas, dapat dilihat bahwa nilai prob chi square yang sebaris
dengan Obs*R-Squared sebesar 0.1688. Dimana dari nilai tersebut dapat disimpulkan
bahwa asumsi heterokedastisitas terpenuhi, karena nilai chi square (0.1688) > taraf
signifikasi 0.05

11
 Oleh karena itu, model Weighted Least Square yang terbentuk adalah
Y =−117021.9+0.859069 X atau
Impor=−117021.9+ 0.859069 Konsumsi

IV. KESIMPULAN
Metode Weighted Least Square (WLS) merupakan bentuk pengembangan dari
OLS yang digunakan untuk mengatasi masalah heteroskedastisitas. Metode WLS
digunakan jika efisiensi estimator dianggap lebih penting daripada sifat unbiased dan
konsisten jika dalam kondisi heteroskedastisitas. Metode WLS sama halnya seperti
metode OLS yang meminimumkan jumlah kuadrat error, hanya saja pada metode WLS
dilakukan pembobotan yang tepat kemudian baru menggunakan metode OLS terhadap
data yang telah diboboti.

12
 DAFTAR PUSTAKA

Ispriyanti, Dwi. dan Tarno. 2019. BUKU AJAR ANALISIS REGRESI. Program Studi
Statistika FSM : Universitas Diponegoro
Nisa, H., Kusnandar, D., & Martha, S. ESTIMASI PARAMETER METODE WEIGHTED
LEAST SQUARE DALAM MENGATASI MASALAH
HETEROSKEDASTISITAS. BIMASTER, 9(1).
Sanusi, W., Zaki, A., & Faisah, F. (2018). PENERAPAN METODE WEIGTHED LEAST
SQUARE PADA ANALISIS REGRESI BERGANDA (STUDI KASUS PADA BALITA
GIZI BURUK DI PROVINSI SULAWESI SELATAN) (Doctoral dissertation,
UNIVERSITAS NEGERI MAKASSAR.

13