Gambaran Umum

1. Data

Berdasarkan sumbernya, data dibedakan menjadi dua, yaitu:

a. Data primer, merupakan data yang diperoleh langsung pada objek observasi, contohnya
hasil wawancara menggunakan media kuisioner yang dilakukan kepada responden.
b. Data sekunder, merupakan data mentah ataupun data yang sudah diolah yang bersumber
dari instansi, lembaga, ataupun dari data yang telah dikumpulkan oleh seseorang. Intinya
data sekunder adalah data yang siap digunankan (data yang sudah ada). Misalnya data
yang ada di BPS ataupun world bank.

Berdasarkan sifatnya, data dibedakan menjadi dua, yaitu:

a. Data kualitatif, merupakan data verbal (buan angka)

b. Data kuantitatif, merupakan data yang dinyatakan dalam angka.

Berdasarkan waktunya, data dibedakan menjadi tiga, yaitu:

a. Data time series, merupakan data pengamatan untuk setiap objek dengan waktu berkala.
Misalnya data inflasi Indonesia tahun 1965-2020
b. Data cross section, merupakan data pengamatan untuk setiap objek hanya pada satu
waktu. Missal data inflasi Indonesia tahun 2020
c. Data panel, merupakan kombinasi antara cross section dan time series. Biasanya
berbentuk data pengamatan objek dengan variasi lokasi yang berbeda untuk satu waktu.
Missal data Inflasi Indonesia, Thailand, dan Filipine tahun 2020.

2. Regresi
Regresi merupakan suatu metode perhitungan untuk meramalkan hubungan antara
variable dependen dan variable independen. Ataus ecara sderhana, metode regresi adalah cara
untuk meramalkan besarnya dampak yang ditimbulkan variable independen yang diketahui
terhadap variable dependen. Misalnya, hubungan antara GDP, government expenditure, dan
inflasi. Dimana GDP adalah variable dependen, sedangkan government expenditure dan
inflasi merupakan variable independen. Analisis regresi digunakan untuk mengatahui
seberapa besar GDP jika diketahui tingkat atau jumlah government expenditure dan inflasi.
Analisis regresi itu sendiri dibedakan menjadi dua, yaitu analisis regresi linier sederhana
(simple regression) dan analisis regresi linier berganda (multiple regression). Regresi linier
sederhana merupakan analisis regresi yang dilakukan dengan hanya satu variable dependen
dan satu variable independen, misalnya GDP sebagai variable dependen, dan inflasi sebagai
variable independen. Lain halnya dengan regresi linier berganda, dimana pada regresi linier
berganda menggunakan dua atau lebih variable, misalnya GDP sebagai variable dependen,
dan inflasi serta government expenditure sebagai variable independen.
 Namun demikian, metode regresi berbeda dengan korelasi,. Metode korelasi digunakan
untuk mengukur kerekatan hubungan antar masing-masing variable independen terhadap
variable dependen, misalnya government expenditure terhadap GDP, dan inflasi terhadap
GDP (mencarai variable independen mana yang punya hubungan paling dekat dengan
variable dependen). Sedangkan matode regresi digunakan untuk meramalkan variable
dependen berdasarkan seluruh variable independen yanga ada.
Analisis regresi berangkat dari persamaan regresi. Persamaan regresi berisi formula
matematis untuk mencari nilai variable dependen dari nilai variable independen yang ada.
Dalam persamaan regresi, variable dependen disimbolkan dengan (Y), dan variable
independen disimbolakan dengan (X), dimana (X) selalu diikuti dengan ( β ) atau koefisien.
Jika dituliskan pada persamaan, terlihat sebagai berikut:

Y = a +βX

a merupakan intercept, β sebagai koefisien

persamaan tersebut merupakan persamaan regresi sederhana. Selajutnya kan dibahas regresi
linier berganda.

3. Regresi Linier Berganda

Seperti yang telah disebutkan sebelumnya, regresi linier berganda merupakan analisis
regresi yang melibatkan lebih dari ssatu variable (dua atau lebih). Persamaan regresi linier
berganda dapat dituliskan sebagai berikut:

Y = a +β 1 X 1+ β 2 X 2+…+ βnXn

4. Uji Asumsi Klasik

Uji asumsi klasik merupakajn persyaratan statistic yang harus dipenuhi pada analisis
regresi yang menggunakan metode Ordinary Least Square (OLS). Untuk analisis regresi yang
tidak menggunakan metode OLS, maka tidak emmerlukan uji asumsi klasik. Secara umum uji
asumsi klasik yang sering digunakan ada beberapa macam, yaitu:
a. Uji normalitas
Uji normalitas dilakukan untuk mengetahui apakah nilai residual terdistribusi
normal atau tidak. Model regresi yang baik residualnya akan terdistribusi normal. Uji
normalitas dapat dilakukan melalui uji histogram, uji normal P plot, uji Chi Square,
Skewness dan Kurtosis atau uji Kolmogorov Smirnov. Untuk mengetahui residual
terdistribusi normal aau tidak dapat membandingkan nilai probablilitas dengan a. jika
probabilitas > a, maka terdistribusi normal. Namun jika probabilitas < a, maka tidak
terdistribusi normal.
b. Uji Heteroskedastisitas
 Uji heteroskedastisitas dilakukan untuk mengetahui konsistensi data dari waktu ke
waktu, atau untuk melihat apakah terdapat ketidaksamaan varians residual dari waktu ke
waktu. Pengujian heteroskedastisitas dapat dilakukan dengan menggunakan uji Glejser,
uji white, atau uji park. Beberapa alternatif solusi jika model menyalahi asumsi
heteroskedastisitas adalah dengan mentransformasikan ke dalam bentuk logaritma, yang
hanya dapat dilakukan jika semua data bernilai positif. Atau dapat juga dilakukan dengan
membagi semua variabel dengan variabel yang mengalami gangguan heteroskedastisitas.
Untuk mengetahui apakah observasi terindikasi heterodkedastisitas atau tidak,
kita dpaat membandingkan nilai prob. F atau Prob. Chi Square dengan a. jika nilai prob.
F atau prob. Chi Square > a, maka tidak terjadi gejala heteroskedastisitas, namun jika
prob. F atau prob. Chi Square < a, maka terjadi gejala heteroskedastisitas.

c. Uji Autokorelasi
Uji autokorelasi dilakukan untuk mnegetahui apakah terjadi korelasi atau
hubungan antara penagamatan pada periode t dengan periode sebelumnya (t-1). Karena
regresi dilakukan untuk mengetahui pengaruh dari variable independen terhadap variable
dependen, maka tidak boleh ada korelasi antara pengamatan pada periode t , dengan
periode sebelumnya. Uji autokorelasi hanya dapat dilakukan pada data time series.
Suatu data observasi dikatakan tidak terindikasi autokorelasi jika nilai prob. F
atau prob. Chi Square > a. namun jika nilai prob. F atau prob. Chi Square < a, maka
terjadi gejala autokorelasi.

d. Uji Multikolinearitas
Uji multikolinearitas dilakukan untuk mengetahui ada atau tidaknya korelasi atau
hubungan yang signifikan antar variable independen pada suatu model regresi linier
berganda. Intinya, dalam suatu model regresi linier berganda, masing-masing variable
independen tidak boleh punya hubungan. Contohnya pada sebuah model dengan GDP
sebagai variable dependen, dan variable independennya adalah inflasi, pendapatan
perkapita, dan government expenditure. Maka tidak boleh ada hubungan antara
government expenditure dengan inflasi, inflasi dengan pendapatan perkapita, atau
pendapatan perkapita dengan government expenditure.
Untuk mengetahui apakah dalam sebuah model regresi terindikasi
multikolinearitas atau tidak dapat menggunakan nilai Variance Inflation factors (VIF),
korelasi pearson antar variable bebas, atau dengan melihat nilai eigenvalues dan
condition index (CI). Cara yang paling mudah untuk melihat indikasi multikolinearitas,
dapat dilakukan dengan membandingkan nilai VIF. Jika VIF > 10, maka terjadi
multikolinearitas, sebaliknya, jika VIF < 10, maka tidek terjadi multikolinearitas.