56

Bab IV
ANALISIS REGRESI BERGANDA
Tujuan Pembelajaran:
1. Dapat menjelaskan regresi linie berganda
2. Dapat menjelaskan estimasi koefisien regresi berganda melalui Eviews
3. Dapat menjelaskan varians dan kesalahan standar penaksir OLS
4. Dapat menjelaskan uji t koefisien regresi parsial
5. Dapat menjelaskan Koefisien Determinasi
6. Dapat menjelaskan Uji Hipotesis Regresi Keseluruhan (Uji -F)
7. Dapat menjelaskan Pemilihan Model Fungsi Regresi : Linier atau Log Linier
8. Dapat menjelaskan model terbaik regresi

4.1. Model Regresi Linier Berganda

Regresi linear berganda merupakan analisis regresi linear yang variabel
bebasnya lebih dari satu buah. Sebenarnya sama dengan analisis regresi linear
sederhana, hanya variabel bebasnya lebih dari satu buah saja.
Persamaan umumnya adalah:
Y = β0 + β 1 X 1 i+ β2 X 2 i +u (4.1)

Dengan Y adalah variabel independent sedangkan X1 dan X2 adalah

variabel bebas, β0 adalah konstanta (intersept), β1 dan β2 adalah koefisien regresi
pada masing-masing variabel bebas dari ei adalah residual. Subkrip I
menunjukkan observasi ke i untuk data cross section dan juka kita gunakan data
time series besarnya kita beri subkrip t yang menunjukkan waktu.
Persamaan (4.1) dapat pula dituliskan dalam persamaan berikut :
Y = β1.23 + β 12.3 X 2+ β13.2 X 3 +u (4.2)

Bagaimana kita mendapatkan koefisien regresi berganda? Seperti pada

regresi sederhana kita akan menggunakan metode OLS untuk mendapatkan
koefisien garis regresi berganda.
Formula atau rumus regresi diturunkan dari suatu asumsi data tertentu.
Dengan demikian tidak semua data dapat diterapkan regresi. Jika data tidak
 57

memenuhi asumsi regresi, maka penerapan regresi akan menghasilkan estimasi

yang bias. Jika data memenuhi asumsi regresi maka estimasi (β) diperoleh akan
bersifat BLUE yang merupakan singkatan dari : Best, Linear, Unbiased,
Estimator.
Best artinya yang terbaik dalam arti garis regresi merupakan estimasiatau
ramalan yang baik dari suatu sebaran data. Garis regresi merupakan cara
memahami pola hubungan antara dua seri atau lebih. Garis regresi adalah best jika
garis itu menghasilkan error yang terkecil. Error itu sendiri adalah perbedaan
antara nilai observasi dan nilai yang diramalkan oleh garis regresi jika best
disertai sifat unbiased maka estimator regresi disebut efisien.

Linear. Estimator β disebut linear jika estimator itu merupakan fungsi linear dari
smapel.
1 1
Rata-rata X́ = X = ( x1 + x 2 +…+ x n)
n∑ n
Adalah sejenis estimator yang linear, karena merupakan fungsi linear dari
nilai-nilai X. nilai2 OLS juga merupakan klas estimator yang linear.
Unbiased. Suatu estimator yang dilakukan unbiased jika nilai harapan
dari estimator β sama dengan nilai yang benar dari β.
Rata – rata β = β
Bias = Rata-rata β = β
Metode OLS (Ordinary Least Square ) yang dirumuskan di atas
merupakan penaksir yang memiliki sifat BLUE. OLS akan memiliki sifat BLUE
jika memenuhi asumsi-asumsinya, dari mana penurunan formula itu diturunkan.
Selain sama asumsi pada regresi sederhana, kita perlu asumsi-asumsi lagi
didalamnya. Adapun asumsinya adalah sebagai berikut:
1. Hubungan antara Y (Variael dependen) dan X (VAriabel independent) adalah
linear dalam parameter
2. Nilai X nilainya tetap untuk observasi yang berulang-ulang (non-observative).
Karena variabel independennya lebih dari satu maka ditambah asumsi tidak
ada hubungan linear antara variabel independent atau tidak ada
multikoliniearitas antara X1 dan X2 dalam persamaan (3.1)
3. Nilai harapan (expected value) atau rata-rata dari variabel gangguan adalah nol.
 58

E (e|Xi)=0 (4.3)
4. Varian dari variabel gangguan atau residual ei adalah sama
(homoskedastisitas).
Var (ei|Xi) = E[ei- E(ei|Xi)]2 (4.4)
= E (ei2|Xi) karena asumsi 3
= e2
5. Tidak ada serial korelasi gangguan atau residual ei atau residual e i tidak sama
saling berhubungan dengan residual ei lain.
Cov (eiej|Xi Xj) = E[ei- E(ei|Xi)] [ej- E(ej|Xj)] (4.5)
= E (ei|Xi) (ej|Xj)
=0
6. Variabel gangguan ei berdistribusi normal.
Jika regresi linier berganda memenuhi 6 asumsi persamaan regresi linear
dapat diartikan sebagai berikut :
E (Yi 1 X1 , X2 ) = β0 + β1 X1i + β2i (4.6)
Arti persamaan tersebut adalah nilai harapan (expected value) atau rata-
rata dari Y pada nilai tertentu variabel independent X1 dan X2.
β0 adalah mengukur perubahan rata-rata Y atau nilai harapan E (Yi 1 X1 ,
X2), terhadap perubahan per unit X1 dengan asumsi varibael X2 tetap. Begitupula
β1 adalah mengukur perubahan rata-rata Y atau nilai harapan E(Y i 1 X1 , X2 )
terhadap perubahan per unit X2 dengan asumsi variabel X1 tetap.

4.2 Estimasi koefisien regresi berganda melalui Eviews

Dengan menggunakan data untuk melihat faktor-faktor yang
mempengaruhi permintaan kredit modal di Provinsi Sumatera Utara dengan
menggunakan analisis regresi berganda dengan metode Ordinary Least Square
(OLS) atau metode kuadrat terkecil biasa. Untuk itu fungsi-fungsi yang digunakan
adalah:
KT= f (PDRBTK, IHK, SBK, JD) (4.7)
Dari persamaan 4.7, kemudian ditransformasikan model tersebut kedalam
bentuk logaritma dengan hasil sebagai berikut:
Log(KT) = βo + β1Log(PDRBTK) + β2Log(IHK) + β3Log(SBK) + β4Log(JD)+ e (4.8)
 59

Dimana:
KT = Kredit Total (milyar Rp.)
PDRBTK = Produk Domestik Regional Bruto (milyar Rp.)
IHK = Indeks Harga Konsumen (persen)
SBK = Suku Bunga Kredit (persen).
JD = Jumlah Deposito (milyar Rp.)
Log = Logaritma
βo = Konstanta
β1 ---- β4 = Koefisien regresi
e = Variabel gangguan (error term)

Tabel 4.1 Data Permintaan Kredit Modal

OBS KTT PDRBTK SBK IHK JD
2003(1 7.046,08 6.690,38 18,80 285,67 5.461,94
2003(2 7.589,98 6.641,72 8,43 5,22 5.372,74
2003(3 8.191,24 6.846,52 17,16 286,49 5.349,89
2003(4 9.201,77 6.890,90 16,18 3,65 5.421,07
2004(1) 9.240,12 7.152,13 15,79 110,30 4.983,61
2004(2 9.975,70 7.028,61 15,03 113,82 4.374,75
2004(3 10.393,93 7.234,39 14,65 114,00 4.477,59
2004(4) 1.607,47 7.273,42 4,32 116,67 4.764,44
2005(1 11.664,71 19.735,40 14,22 119,83 4.854,81
2005(2 12.893,95 8.947,07 14,24 121,30 4.597,15
2005(3 13.824,32 19.370,95 15,17 125,51 4.962,32
)
2005(4 4.970,14 9.505,15 15,71 141,00 5.530,81
2006(1 4.940,63 3.031,79 15,89 141,13 5.468,78
)
2006(2 15.782,37 22.697,62 15,71 41,97 5.890,97
2006(3 16.687,60 23.381,19 15,64 144,50 5.976,15
2006(4 7.825,67 24.234,86 15,36 150,54 6.339,47
)
2007(1 15.924,06 24.939,51 14,89 155,87 6.711,52
2007(2 17.718,80 4.638,31 14,26 154,96 6.628,91
2007(3 8.017,43 24.942,35 13,90 158,33 6.749,29
)
2007(4 18.719,46 5.272,10 13,47 163,18 6.899,12
2008(1 21.158,11 26.273,29 13,34 155,87 6.713,11
)
2008(2 23.994,51 25.996,44 13,16 154,96 6.400,24
2008(3 25.642,96 26.869,64 13,61 158,33 7.247,01
2008(4 7.213,67 27.032,99 14,61 163,18 8.353,79
)
2009(1 28.324,59 7.527,48 14,45 113,01 8.433,48
2009(2 30.368,84 27.226,55 14,10 112,81 8.504,82
2009(3 31.655,58 28.230,98 14,03 116,54 9.202,04
)
 60

2009(4 33.286,12 8.574,55 13,63 116,87 10.012,01

2010(1 33.115,34 9.185,79 13,61 118,78 9.826,75
2010(2 28.263,22 28.997,43 13,29 118,38 10.667,86
2010(3 35.079,61 30.039,13 13,20 122,59 0.793,44
)
2010(4 30.230,76 30.393,13 13,00 124,05 11.968,78
)
2011(1 7.759,66 31.034,01 11,68 128,74 11.889,21
2011(2 39.525,24 30.970,34 11,52 128,11 11.973,81
2011(3 40.965,80 32.107,68 12,51 131,73 11.530,44
)
2011(4 46.788,76 32.525,33 2,37 132,88 13.597,79
2003(1 7.046,08 6.690,38 8,80 285,67 5.461,94
2003(2 7.589,98 6.641,72 8,43 285,22 5.372,74
)
2003(3 8.191,24 846,52 17,16 286,49 5.349,89
2003(4 9.201,77 6.890,90 16,18 293,65 5.421,07
)
2004(1 9.240,12 7.152,13 15,79 110,30 4.983,61
2004(2 9.975,70 7.028,61 15,03 113,82 4.374,75
)
2004(3 10.393,93 7.234,39 14,65 114,00 4.477,59
)
2004(4 11.607,47 7.273,42 14,32 116,67 4.764,44
)
2005(1 1.664,71 19.735,40 14,22 119,83 4.854,81
)
2005(2 2.893,95 8.947,07 14,24 121,30 4.597,15
)
2005(3 13.824,32 19.370,95 15,17 125,51 4.962,32
2005(4 14.970,14 9.505,15 15,71 141,00 5.530,81
)
2006(1 14.940,63 3.031,79 15,89 141,13 5.468,78
2006(2 15.782,37 22.697,62 15,71 141,97 5.890,97
)
2006(3 16.687,60 23.381,19 15,64 144,50 5.976,15
2006(4 17.825,67 24.234,86 15,36 150,54 6.339,47
2007(1 15.924,06 24.939,51 14,89 155,87 6.711,52
)
2007(2 17.718,80 24.638,31 14,26 154,96 6.628,91
2007(3 8.017,43 4.942,35 13,90 158,33 6.749,29
2007(4 18.719,46 25.272,10 13,47 163,18 6.899,12
2008(1 21.158,11 26.273,29 13,34 155,87 6.713,11
2008(2 23.994,51 25.996,44 13,16 154,96 6.400,24
)
2008(3 25.642,96 6.869,64 13,61 158,33 7.247,01
2008(4 27.213,67 27.032,99 14,61 163,18 8.353,79
2009(1 28.324,59 7.527,48 14,45 113,01 8.433,48
)
2009(2 30.368,84 27.226,55 14,10 112,81 8.504,82
2009(3 31.655,58 28.230,98 14,03 116,54 9.202,04
2009(4 33.286,12 28.574,55 13,63 116,87 10.012,01
)
2010(1 33.115,34 29.185,79 13,61 118,78 9.826,75
2010(2 28.263,22 28.997,43 13,29 118,38 10.667,86
2010(3 5.079,61 30.039,13 3,20 122,59 10.793,44
)
2010(4 30.230,76 0.393,13 3,00 124,05 11.968,78
2011(1 37.759,66 1.034,01 1,68 128,74 11.889,21
)
2011(2 39.525,24 30.970,34 1,52 128,11 11.973,81
2011(3 40.965,80 2.107,68 2,51 131,73 11.530,44
2011(4 46.788,76 2.525,33 12,37 132,88 13.597,79
)
 61

Langkah dalam regresi berganda adalah

1. Singkatnya kita peroleh data Workfile dari data diatas seperti gambar berikut
ini

Gambar 4.1 Tampilan Kertas Kerja

2. untuk melakukan regresi maka klik quick, estimate equation

Gambar 4.2Tampilan Estimate Equation

Pada spesifikasi persamaan ini kita akan isi adalah variabel dependen (Y)
kemudian diikuti oleh konstatntsa (c) dan kemudian variabel independen
(X1,X2, X3)
3. Lalu kita melakukan estimati dengan metode OLS maka akan muncul gambar
 62

Gambar 4.3 Tampilan Hasil Estimasi

4. Untuk menamplkan persamaan regresi klik view lalu pilih representasi, akan
tampak gambar

Gambar 4.4 Persamaan Regresi

5. berarti persamaan regresi adalah :

Log(KTT) = 2.386200 + 0.302351 Log(PDRBTK) - 0.228636 Log(IHK) - 0.753157 Log(SBK) + 0.860124 Log(JD)

Berdasarkan besaran koefisien diatas, maka dapat dijelaskan sebagai

berikut:
a. Konstanta sebesar 2,3862 menunjukkan bahwa jika variabel bebas seperti
PDRB, IHK, suku bunga kredit dan jumlah deposito adalah konstan, maka
permintaan kredit modal akan tetap sebanyak 2,3862 persen.
b. Setiap kenaikan PDRB sebesar 1 persen, maka akan menaikkan besaran
permintaan kredit modal di Provinsi Sumatera Utara sebesar 0.302351 persen.
 63

c. Setiap kenaikan IHK sebesar 1 persen, maka akan menurunkan besaran

permintaan kredit modal di Provinsi Sumatera Utara sebesar 0.228636 persen.
d. Setiap kenaikan suku bunga kredit sebesar 1 persen, maka akan menurunkan
besaran permintaan kredit modal di Provinsi Sumatera Utara sebesar 0.753157
persen.
e. Setiap kenaikan jumlah deposito sebesar 1 persen, maka akan menaikkan
besaran permintaan kredit modal di Provinsi Sumatera Utara sebesar 0.860124
persen.

4.3 Varians dan kesalahan standar penaksir OLS

Kita dapat memperoleh varians dan kesalahan standar oenaksir dengan
cara sebagai berikut:
Misallkan kita mempunyai model regresi berganda sebagai berikut:
Y^ i= ^β 1 + ^β 1X1i + ^β 1X2i + e^ i (4.9)
Residual model tersebut dapat dinyatakn dalam persamaan sebagai berikut:
e^ i = Yi - Y^ i
e^ i = Yi - ^β 0 + ^β 1X1i + ^β 1X2i (4.10)
Selanjutnya adalah mendapatkan nilai minimum jumlah residual kuadrat.
Adapun caranya minimumkan ∑ e^ i
2
= ∑ (Yi - ^β 0 + ^β 1X1i + ^β 1X2i)2 dengan
melakukan turunan parsial terhadap ^β 0, ^β 1, dan ^β 2.
Hasilnya sebagai berikut:
^β 0 = Ý - ^β 1 X́ 1 - ^β 2 X́ 2 (4.11)
(∑ x 1 i y i )(∑22 i)−(∑ x 2 i y i )(∑ x 1i x 2i )
^β 1= (4.12)
(∑ x 21 i)(x 22 i)−(∑ x 1 i x 2 i)2

(∑ x 2 i y i )(∑21 i)−(∑ x 1 i y i )(∑ x 1i x 2i )

^β 2= 2 2 2 (4.13)
(∑ x 1 i)(x 2 i)−(∑ x 1 i x 2 i)
Setelah kita mendapatkan estimator OLS berupa koefisien regresi parsial,
maka selanjutnya kita bisa mendapatkan varian dan standard error dari koefisien
regresi untuk mengetahui reliabilitas estimator tersebut. Formula untuk
menghitung dan standard error untuk ^β 1, dan ^β 2 sebagai berikut:
 64

σ2
Var( ^β 0) =
∑ x21 i (1−r 212 )
(4.14)
Se( ^β 0) = √ var ( ^β ¿ ¿ 1)¿
(4.15)
σ2
Var( ^β 2) =
∑ x22 i (1−r 212)
(4.16)
Se( ^β 2) = √ var ( ^β ¿ ¿ 2) ¿
(4.17)
Hasil perhitungan terkait stadar error melalui program eviews, berikut adalah
tampilannya

Gambar 4.5 Hasil atau output analisis regresi

4.4. Uji t Koefisien regresi Parsial

Prosedur uji t pada koefisien regresi parsial berganda sama dengan
prosedur uji koefisien regresi sederhana pada Bab sebelumnya. Misalnya kita
mempunyai tiga variabel independent dengan estimator β 2, β3 dan β4 langkah uji
t sebagai berikut:
1. Membuat hipotesis melalui uji satu arah (one tile test) atau dua arah (two tile
test)
 Uji hipotesis positif satu arah
H 0 : β2 ≤ 0
H 1 : β2 > 0
 Uji hipotesis negative satu arah
 65

H 0 : β2 ≥ 0
H 1 : β2 < 0
 Atau uji dua arah
H 0 : β2 = 0
H 1 : β2 ≠ 0
2. Menghitung nilai statistik t (t hitung) dan mencari nilai-nilai t kritis tabel
distribusi t pada α dan degree of freedom tertentu. Adapun t hitung dapat dicari
dengan formula sbb:
β 1 ( b topi ) −β¿1
t=
se ( β 1)(b topi)
¿
Dimana β 1 merupakan nilai pada hipotesis nul.
Atau, secara sederhana t hitung dapat dihitung dengan rumus:
βi
t=
Se i
3. Membandingkan nilai t hitung dengan t kritisnya (t tabel). Keputusan H 1
menolak atau menerima H0 sbb:
 Jika nilai t hitung > nilai t kritis maka H 0 ditolak atau menerima H1 artinya
variabel itu signifikan
 Jika nilai t hitung < nilai t kritis maka H 0 diterima atau menolak H1 artinya
variabel itu tidak signifikan.
Contoh Aplikasi Uji Hipotesis
Kita coba menggunakan data hasil regresi linear berganda dengan kasus di
atas untuk diuji hipotesisnya dengan uji-t. prosedurnya :
1. Membuat hipotesis :
 variabel PDRB, dan jumlah deposito berpengaruh positif terhadap
permintaan kredit modal di Provinsi Sumatera Utara
Uji hipotesis positif ini menggunakan satu sisi.
H0 : β1 ≤ 0
Ha : β1 > 0
 variabel IHK dan suku bunga kredit berpengaruh negative terhadap
permintaan kredit modal di Provinsi Sumatera Utara
Uji hipotesis positif ini menggunakan satu sisi.
 66

H0 : β1 ≥ 0
Ha : β1 < 0
2. mencari nilai-nilai t kritis tabel distribusi t pada α dan degree of freedom
tertentu. Dari t tabel dengan : degree of freedom (df) = n– k = 36 – 5 = 31.
Dimana n adalah jumlah observasi dan k adalah jumlah variabel bebas
ditambah konstanta sehingga jumlah 5 (empat variabel + konstanta).
Maka, dengan df = 31 dan α = 5% maka diperoleh t tabel sebesar 1,684.
Tabel 4.2. Hasil Uji Hipotesis

Variable Coefficint Std. Error t-Statistic Prob.  

C 2.386200 1.351654 1.765393 0.0873

0.0000**
LOG(PDRBTK) 0.302351 0.052657 5.741870 *
-
LOG(IHK) 0.228636 0.090674 -2.521517 0.0170**
-
LOG(SBK) 0.753157 0.315524 -2.387005 0.0233**
0.0000**
LOG(JD) 0.860124 0.094687 9.083870 *

Sumber: Data penelitian (diolah)

Catatan: *** = signifikan pada taraf alpha 1 persen

** = signifikan pada taraf alpha 5 persen
* = signifikan pada taraf alpha 10 persen
3. Membandingkan nilai t hitung dengan t kritisnya (t tabel). Keputusan menolak
atau menerima H0 , sbb:
a. Untuk pdrb , karena niali t hitung (5,74) > nilai t kritis (1,684) maka H0
ditolak atau menerima Ha, artinya variabel itu signifikan Variabel PDRB
konstan berpengaruh positif dan signifikan terhadap permintaan kredit
modal di Provinsi Sumatera Utara dengan perolehan nilai Prob. sebesar
0.000 atau signifikan pada taraf alpha 1 persen.
b. Untuk ihk, karena niali t hitung (-2,52) > nilai t kritis (1,684) maka H0
ditolak atau menerima Ha, artinya variabel itu signifikan Variabel IHK
berpengaruh negatif dan signifikan terhadap permintaan kredit modal di
Provinsi Sumatera Utara dengan perolehan nilai Prob. sebesar 0.0170 atau
signifikan pada taraf alpha 5 persen.
 67

c. Untuk sbk, karena niali t hitung (-2,38) > nilai t kritis (1,684) maka H0
ditolak atau menerima Ha, Variabel suku bunga kredit berpengaruh negatif
dan signifikan terhadap permintaan kredit modal di Provinsi Sumatera Utara
dengan perolehan nilai Prob. sebesar 0.0233 atau signifikan pada taraf alpha
5 persen.
d. Untuk jd, karena niali t hitung (9,08) > nilai t kritis (1,684) maka H0 ditolak
atau menerima Ha, Variabel jumlah deposito berpengaruh positif dan
signifikan terhadap permintaan kredit modal di Provinsi Sumatera Utara
dengan perolehan nilai Prob. sebesar 0.000 atau signifikan pada taraf alpha
1 persen.

4.5 Koefisien Determinasi

Pada regresi berganda kita juga akan menggunakan koefisien dtereminasi
untuk mengukur seberapa besar proporsi variasi variabel dependen dijelaskan oleh
semua variabel independent.
Konsep koefisien determinasi dapat kita jelaskan melalui persamaan (4.18)
sebelumnya sebagai berikut :
Yi = Y^i + e^i (4.18)
Kedua sisi persamaan (4.18) kemudian dikurangi dengan nilai rata-rata Y (
Y^ ) sehingga akan kita dapatkan persamaan sebagi berikut:
Yi - Y^ = Y^ +e^i - Y^ (4.19)
Persamaan (2.27) kemudian dapat ditulis kembali menjadi persamaan
sebagai berikut:
(Yi - Y^ ) = (Y^i- Y^ ) + e^i
(Yi - Y^ ) = (Y^i- Y^ ) + (Yi -Y^i) (4.20)
(Yi - Y^ ) adalah variasi didalam Y dari nilai rata-ratanya dan totsl dari
penjumlahan kuadrat nilai ini disebut total sum of squares (TSS). ( Y^i- Y^ ) adalah

variasi prediksi Y(=(Y^i) terhadap nilai rata-ratanya atau variasi garis regresi dari
nilai rata-ratanya dan total dari penjumlahan kuadrat nilai ini disebut explained
sum of squares (ESS). (Yi -Y^i) atau residual e adalah variasi dari Y yang tidak
dijelaskan oleh garis regresi atau variasi Y yang dijelaskan oleh variabel residual
 68

dan nilai total dari penjumlahan kuadratnya disebut sum of squared residual
(SSR). dengan demikian maka persamaan (4.20) dapat ditulis kembali menjadi
persamaan sebagai berikut:
∑ ¿¿= ∑ ¿¿ + ∑ ¿¿ (4.21)
Atau dapat dinyatakan sebagai :
TSS = ESS + SSR (4.22)
Persamaan (4.22) ini menunjukkan bahwa total variasi dari Y dari
nilai rata-ratanya dijelaskan oleh dua bagian. Bagian pertamaterkait dengan
garis regresi dan satu bagian lainnya oleh variabel residual yang random karena
tidak semua data Y terletak apada garis regresi. Penjelasan ketiga konsep dapat
dilihat pada gambar
Jika garis regresi menjelaskan data dengan baik maka ESS akan lebih
besar dari SSR. pada kasus ekstrim bila semua garis regresi cocok dengan
datanya maka ESS sama dengan TSS dan SSR sama dengan nol. Di lain pihak
jika garis regresi kurang baik menjelaskan datanya SSR akan lebih besar dari
ESS. Pada kasus ekstrim jika garis regresi tidak menjelaskan semua dari variasi
Y maka ESS sama dengan nol dan SRR sama dengan TSS. Oleh karena itu jika
nilai ESS lebih besar dari SSR maka garis regresi menjelaskan proporsi yang
besar dari varisi Y sedangkan jika SSR lebih besar dari ESS maka garis regresi
hanya menjelaskan bagian kecil dari variasi Y.

Y
eˆi = variasi
karena residual

variasi total = (Y i – Y ˆ)
Ŷ
(Yˆ-Y)= variasi karena
regresi Y
Yˆi =βˆ0 +βˆ1X i
Gambar 4.6. Variasi nilai X yang dijelaskan oleh Y^ dan residual e^i
 69

Dari penjelasan ini dapat didefinisikan bahwa R2 sebagai rasio antara ESS
dibagi dengan TSS. Formula R2 dengan demikian dapat ditulis sebagai berikut:
ESS
R2 =
TSS
(4.23)
= ∑ ¿¿ ¿
Karena TSS =ESS +SSR, maka sebagai alternatifnya :
ESS TSS−SSR
R2 = =
TSS TSS
ESS
R2 =1- (4.24)
TSS

=
1-
∑ e^ i2

∑ ¿¿¿
Dari formula persamaan (2.24) tersebut dengan demikian R2 dapat
didefinisikan sebagai proposi atau persentase dari total variasi variabel
dependen Y yang dijelaskan oleh garis regresi (variabel independen X). Jika
garis regresi tepat pada semua data Y maka ESS sama dengan TSS sehingga R2
=1, sedangkan jika garis regresi tepat pada rata-=rata nilai Y maka ESS = 0
sehingga R2 sama dengan nol. Dengan demikian, nilai koefisien determinasi ini
terletak antara 0 dan 1.
0≤ R2≤ 1 (4.25)
Semakin angkanya mendekati 1 maka semakin baik garis regresi karena
mampu menjelaskan data aktualnya. Semakin mendekati angka nol maka kita
mempunyai garis regresi yang kurang baik. Misalnya, jika R2 = 0,9889 artinya
bahwa garis regresi menjelaskan sebesar 98,89% fakta sedangkan sisanya
sebesar 1.11% dijelaskan oleh variabel residual yaitu variabel diluar model yang
tidak dimasukkan dalam model.
Koefisien determinasi hanyalah konsep statistik. Kita mengatakan bahwa
sebuah garis regresi adalah baik jika nilai R2 dapat terjadi karena beberapa
alasan. Dalam kasus khusus variabel independen (X) mungkin bukan variabel
yang menjelaskan dengan baik terhadap variabel dependen (Y) walaupun kita
percaya bahwa X mampu menjelaskan Y. Akan tetapi, dalam regresi runtut
 70

waktu (time series) kita seringkali mendapatkan nilai R2 yang tinggi. hal ini
terjadi hanya karena setiap variabel yang berkembang dalam runtut waktu
mampu menjelaskan dengan baik variasi variabel lain yang juga berkembang
dalam waktu yang sama. Dengan kata lain data runtut waktu diduga
mengandung unsur tren yakni bergerak dalam arah yang sama. Dilain
pihak,dalam adat antar tempat atau ruang (cross section) akan menghasilkan
nilai R2 yang rendah. Hal ini terjadi karena adanya variasi besar antar variabel
yang diteliti pada periode waktu yang sama.
Dari contoh kasus diatas diperoleh bahwa pada tahap akhir uji statistik
diketahui nilai R2 adjusted, sebesar 0.962364. Hal ini menunjukkan bahwa
variabel PDRB, indeks harga konsumen, suku bunga kredit, dan jumlah deposito
berpengaruh terhadap permintaan kredit modal di Provinsi Sumatera Utara
sebesar 96,23 persen. Serta sisanya 3,77 persen dipengaruhi oleh variabel lain
yang tidak diteliti.

4.6 Uji Hipotesis Regresi Keseluruhan (Uji -F)

Pada regresi berganda dimana kita memiliki lebuh dari satu variabel
independent, kita perlu mengevaluasi pengauh semua variabel independen
terhadap variabel dependen dengan uji F. Uji F statistik ini di dalam regresi
berganda dapat digunakan untuk menguji signifikansi koefisien determinasi. Nilai
F statistik dengan demikian dapat digunakan untuk mengevaluasi hipotesis bahwa
apakah tidak ada variabel independen yang menjelaskan variasi Y disekitar nilai
rata-rata dengan derajat kepercayaan (degree of freedom) k-1 dan n-k tertentu.

Kriteria uji F adalah:

1. Jika F hitung < F tabel maka H0 diterima dan H1 ditolak (keseluruhan variabel
bebas X tidak berpengaruh terhadap variabel terikat Y).
2. Jika F hitung > F tabel maka H0 ditolak dan H1 diterima (keseluruhan variabel
bebas X berpengaruh terhadap variabel terikat Y).
R 2 /2
F hitung=
(1−R 2)/( n−k )
 71

Menggunakan kasus diatas diperoleh Secara simultan keempat variabel

tersebut menunjukkan nilai F-Stat yang cukup tinggi yaitu 198.1688 dengan prob.
sebesar 0.000 < 0.05, sehingga Ho ditolak yang berarti bahwa secara bersama-
sama perubahan variabel PDRB, indeks harga konsumen, suku bunga kredit, dan
jumlah deposito berpengaruh terhadap permintaan kredit modal di Provinsi
Sumatera Utara.

4.7 Pemilihan Model Fungsi Regresi : Linier atau Log Linier

Ada beberapa bentuk fungsi regresi. Tapi, ada dua bentuk model yang
seringkali digunakan dalam penelitian yang menggunakan analisis regresi yaitu
model linier dan model log-linier.
Pertanyaan kemudian adalah bagaimana kita bisa mengetahui apakah
perilaku data menunjukkan hubungan linier atau non linier dalam parameter?
Untuk itu, berikut ini akan dijelaskan dua model yang akan digunakan
untuk mengetahui perilaku data tersebut, yaitu metode informal dengan
mengetahui perilaku data melalui sketergramnya dan metode formal yaitu metode
yang dikembangkan oleh Mackninnon, White, dan Davidson (MVD).

a. Model Informal dengan Sketegram

Dalam sketegram ini, kita plot data nilai variabel dependen (Y) yang
bersesuaian dengan nilai variabel dependen (X). Jika kita mempunyai lebih dari
satu variabel independent X, misalnya dua (X1 , X2), maka kita harus menggambar
ketegram sebanyak dua yaitu nilai variabel Y yang bersesuaian dengan nilai
variabel independent X1 dan antara nilai variabel Y yang bersesuaian dengan nilai
variabel independent X2. Dan begitu juga seterusnya jika lebih dari 2 variabel
bebas.
Langkah dalam eviews menggunakan data diatas
1. dengan workfile utama pada gambar
 72

Gambar 4.7 Tampilan Work File

2. pertama, kita menganalisis terlebih dahulu hubungan X 2 dan Y secara bersama,
caranya klik X2 pada menu utama workfile kemudian sambil menekan tombol
control klik Y, klik kanan klik as group

Gambar 4.8 Tampilan Data S dan Y secara Bersama-sama

3. Maka munculah tabel data yang menunjukkan nilai dari ihk(X2) dan kt (Y)

Gambar 4.9 Tampilan Data X dan Y

5. lalu, klik view,graph,scatter dan pilih simple scatter
 73

Gambar 4.10 Grafik Scatter

6. dari hasil diata tampak bahwa hubungan Kt dengan IHK berhubungan negatif .
7. Untuk menganalisis hubungan antar variabel independent lain dengna Y maka
caranya seperti diatas.

b. Metode Mackinnon, White dan Davidson

Untuk menjelaskan metode Mackinnon, White dan Davidson kita kembali
mengambil contoh data kasus di atas, yaitu permintaan kredit modal ini baik linier
maupun log-log sebagai berikut :
KT= f (PDRBTK, IHK, SBK, JD) (4.26)
Yt = α0 +α1X1 + α2X2 + α3X3 + α4X4 + et
Dari persamaan 4.26, kemudian ditransformasikan model tersebut kedalam bentuk
logaritma dengan hasil sebagai berikut:
lnYt = β0 + β1 lnX1 + β2 lnX2 + β3 lnX3 + β4 lnX4 + vt
Log(KT) = βo + β1Log(PDRBTK) + β2Log(IHK) + β3Log(SBK) + β4Log(JD)+ e.. (4.27)

Untuk melakukan perhitungan kita asumsikan bahwa :

Ho : Y adalah fungsi linier dari variabel independent X (model linier)
H1 : Y adalah fungsi log-log dari variabel independent X (model log-log)
 74

Adapun prosedur metode MWD yaitu:

1. Estimasi model linier dan nilai prediksinya dinamai P1 maka langkahya
 Klik quick/estimate equaitin KT C PDRB IHK SBK JD klik ok. Dapatlah
hasil regresinya kemudian simpan residual persamaan dengan cara klik
generate

Gambar 4.11 Tampilan Regresi Estimate Equation

 kemudian isi enter equation dengan na,a residual yang ingin kita simpan.
Misalnya nama residual persamaan regresi linier adalah res1 maka ketik
RES1=Resid kemudian klik ok sehingga muncul gambar

Gambar 4.12 Tampilan Residual

 Setelah membentuk RES1 maka selanjutnya kita membentuk variabel F1 yaitu:

F1 = y-res1 langkahnya generate danketik variabel yang ingin kita bentuk
Seperti gambar diatas.
 75

2. Langkah kedua estimasi model log-log persamaan dan dapatkan nilai

prediksinya dengan F2. Langkahnya
 Langkahnya sama seperti langkah pertama yaitu melakukan regeesi dengan
model log yaitu klik quick, estimate log (KT)c log (pdrb) log(ihk) log(sbk)
log (jd) simpan hasil residualnya dengan bentuk variabel F2 dengan
genarate kemudian tulis f2=log(KT)-res2

Gambar 4.13 Tampilan Regresi Log

3. langkah ketiga: kita membentuk variabel Z1=log(F1)-F2 da z2 = antilog(F2)-

F1.
Di dalam eviews perintah antilog dapat dilakuakn dengan cara menulis EXP.
Dalam kasus Z2 ini maka kita akan menulis Z2=EXP(F2)-F1. Berikut ini
tampilan yang memuat keseluruhan varabel untuk uji MWD

Gambar 4.14 Tampilan Variabel uji

MWD

4. Langkah keempat kita melakukan

regresi
Yt = α0 +α1X1 + α2X2 + α3X3 + α4X4 +
α5Z1+ et (4.28)

 Klik quick, estimate equation ketik KT C PDRB IHK SBK JD Z1 ok

Hasil regersi persamaan
 76

Gambar 4.15 Hasil Regresi Persamaan

 Ketentuan keputusannya:
 Jika Z1 tidak signifikan secara statistik melalui uji t artinya model yang benar
adalah linier. Tetapi jika Z1 signifikan melalui uji t maka model yang benar
adalah log
Pada hasil regresi diatas diketahui bahwa t probabilty 0,86 diatas nilai 0,05
menunjukkan variabel z1 tidak signifikan sehngga kita menerima model fungsi
regresi adalah model fungsi linier.

5. Langkah kelima, kita melakukan regresi sbb:

lnYt = β0 + β1 lnX1 + β2 lnX2 + β3 lnX3 + β4 lnX4 + β5 Z2 + vt (4.29)
 Klik quick estimate equation ketik logkt c logpdrb logihk logsbk logjd Z2 ok.
Berikut hasil estimasinya :

Gambar 4.16 Hasil estimasi

 77

Ketentuan
 Jika Z2 signifikan secara statistik melalui uji t maka kita menolak hipotesis
model yang benar adalah log. Sedangkan jika Z2 tidak signifikan secara
statistik melalui uji t maka kita menerima hipotosis model yang benar adalah
linier
Pada hasil regresi diketahui bahwa nilai probability uji t adalah 0,08 diatas
0,05 maka tidak signifikan sehingga model yang benar adalah log.

4.8 Memilih model terbaik

Dalam melakukan penelitian peneliti tidak hanya menggunakan satu
model saja untuk menguji hipotesis. Peneliti akan membandingkan beberapa
model dengan berbagai cara kemudian diambil yang terbaik yaitu ynag paling
mendekati data sesungguhnya.
Ada beberapa kriteria untuk membandingkan model yaitu:
1. Dilihat dari R2
R2 menunjukkan kemampuan model untuk menjelaskan hubungan antara
variabel independen dan variabel dependen. Nilai R2 akan selalu berada di antara 0
dan 1. Semakin mendekati 1, berarti semakin besar kemampuan variabel
independen untuk menjelaskan (pengaruhnya) kepada variabel dependen, dan ini
berarti model itu bagus. .
Ada beberapa masalah dalam penggunaan R2, yaitu (i) R2 hanya mengukur
kedekatan antara nilai Y^ atau Y prediksi dengan nilai Y yang diobservasi. Apabila
digunakan untuk memperkirakan data yang tidak (atau belum) ada (di dalam
observasi), belum tentu cocok. (ii) Dalam membandingkan dua R2 (atau lebih),
variabel dependennya (atau regressand) harus sama. (iii) R2 tidak berkurang
nilainya bila variabel independen ditambah lagi ke dalam persamaan.

2. Dilihat dari Adjusted R2 (atau Ŕ2)

Untuk mengatasi kelemahan R2 di atas, Henry Theil menyarankan dengan
melihat dari Adjusted R2.
Diketahui Ŕ2 ≤ R2 menunjukkan bahwa dengan bertambahnya variabel

independen, akan semakin memperkecil nilai Ŕ2. Nilai Ŕ2 masih bisa bertambah
 78

apabila nilai t absolut variabel yang ditambahkan lebih besar daripada 1.

Meskipun nilai Ŕ2lebih baik daripada R2, tetapi perlu diingat bahwa variabel
dependen haruslah sama antara berbagai model yang saling diperbandingkan.
Kesimpulannya, semakin besar nilai Ŕ2 semakin baik pula modelnya.

3. Dilihat dari AIC (Akaike Information Criterion)

Profesor Hirotugu Akaike, seorang ahli statistik dari Jepang pada tahun
1974 mengusulkan suatu metode untuk menguji ketepatan suatu model, yaitu apa
yang kemudian kita sebut AIC itu.
Rumus model AIC tersebut adalah:

AIC=e 2 k/ n ∑ u^^2i = e 2 k/ n RSS (4.30)

n n
Dimana: k = banyaknya variabel independen (termasuk konstanta) dan n =
banyaknya data.
Karena mengandung bilangan e, persamaan di atas dapat juga menjadi:

ln AIC= ( 2nk )+ ln ( RSSn ) (4.31)

Dan diketagui bahwa program Eviews atau SPSS juga telah masuk
penghitungan angka AIC ini.
Ketentuannya: Semakin kecil nilai AIC, maka semakin baik model.

4. Dilihat dari SIC (Schwarz Information Criterion)

Rumus SIC menggunakan persamaan berikut:

∑ e^ 2i k
SIC=log ( ) n
+ log n
n
(4.32)

∑ e^ 2i adalah residual kuadrat; k = jumlah variabel independen; n = observasi.

Atau, kita juga bisa menggunakan rumus:

SIC=n k /n ∑ u^ 2 =nk /n RSS (4.33)

n n
Atau bisa juga diubah ke dalam bentuk log, sehingga menjadi:
k RSS
lnSIC = ln n+ ln
n n ( ) (4.34)
 79

Karena menggunakan pendekatan berbasis persamaan Bayes, persamaan ini

juga disebut dengan BIC (Bayesian Information Criterion).
Ketentuannya: Seperti AIC, jika semakin kecil angka SIC, semakin modelnya.

5. Dilihat dari Mallows’s Cp

C.P. Mallows mengembangkan formula yang disebut dengan Mallow
Criterion.
Rumusnya adalah:
C
p=
RSS p
2
−( n−2 p ) (4.35)
σ^

Dimana: n = banyaknya data dan p = banyaknya variabel independen.

Kita sudah tahu bahwa E ( σ^ 2) adalah merupakan estimator yang tidak bias
terhadap nilai σ 2. Kalau banyaknya variabel independen p sudah cukup, maka
2
dapat ditunjukkan bahwa E ( RSS p ) =(n− p) σ , sehingga dapat diperkirakan nilai
E(Cp), yaitu:
(n− p)<r 2
E ( C p )= −(n−2 p) ≈ p (4.36)
σ2
Ketentuannya: Semakin kecil nilai Cp menunjukkan model semakin baik.

6. Dilihat dari Chi Square ( x 2)

Apabila kita melakukan penelitian, ada baiknya tidak semua data
digunakan untuk menghitung koefisien. Misalnya, kita memiliki 113 observasi,
maka yang 100 kita gunakan untuk menghitung koefisien, sedangkan sisanya
yang 13 kita gunakan untuk melakukan prediksi, atau menguji apakah persamaan
kita sudah cocok atau belum.
Data yang 13 ini disebut dengan boldout sample atau postsample period.
Rumus prediksi dengan tes Chi Square atau Chi Kuadrat ini adalah:
n+t u^ 2
∑ n+1 i
(4.37)
x 2= 2
σ^
Dimana: u^ i adalah simpangan prediksi (forecast error) untuk periode
 80

i(¿ n+1 , n+2 , …+n+t), dengan parameter yang diperoleh dari persamaan
regresi dan nilai variabel independen dari holdout sample atau postsample period.
σ^ 2 adalah estimator OLS dari σ 2 dari persamaan regresi.
Apabila hipotesisnya adalah nilai parameter tidak berubah antara data dan
holdout sample, maka x 2 akan mengikuti distribusi dengan t degree of freedom (t
adalah banyaknya periode yang dibuat prediksinya).

TUGAS KERANGKA KULIFIKASI NASIONAL INDONESI (KKNI)

A. Tugas Rutin
Analisis Faktor-faktor Ekonomi Yang Mempengaruhi Investasi Asing Langsung
(FDI) di Indonesia dengan menggunakan regresi berganda
FDI = β0+ β1 GDP + β2 NTR + β3 SBR + β4 INF + 

dimana :

FDI = foreign direct investment

GDP = Gross Domestik Produk (yang merupakan pertumbuhan PDB dalam
Milyar Rupiah).
NTR = Nilai Tukar ( nilai tukar rupiah terhadap dolar)
SBR = Suku Bunga Riil
INF = Tingkat Inflasi

TAH GD
FDI NTR SBR INF
UN P
98,77 3. 9,59 (1. 9.3
2000
4 12 5 65) 5

35,09 3. 10,4 3.7 12.

2001
4 64 00 2 55

30,82 4. 8,94 12. 10.

2002
6 49 0 32 03

54,45 4. 8,46 10. 5.0

2003
3 78 5 85 6

2004 45,72 5. 9,29 5.1 6.4

 81

7 03 0 3 0

89,11 5. 9,83 (0. 17.

2005
0 69 0 25) 11

59,91 5. 9,02 1.6 6.6

2006
7 50 0 6 0

103,4 6. 9,41 2.3 6.5

2007
14 35 9 4 9

148,7 6. 10,9 (3. 11.

2008
14 01 50 85) 06

108,1 4. 9,40 5.7 2.7

2009
54 58 0 4 8

108,1 6. 8,99 4.8 6.9

2010
00 10 1 4 6

B. Tugas Mini Riset

Bentuk lah kelompok yang terdiri dari 3-4 orang. Lakukan penelitian ekonomi
dengan ananlisi linier berganda menggunakan data di Indonesia maupun Sumatera
Utara.

C. Tugas Critical Review Journal

Buatlah kelompok yang terdiri dari 3-4 orang. Carilah jurnal nasional dan jurnal
internasional yang berhubungan dengan analisis regresi berganda.

D. Tugas Review Buku

Buatlah kelompok yang terdiri dari 3-4 orang. Bandingkan buku ekonometrika
minimal 2 buku dan review tentang materi analisis regresi berganda.