PENDEKATAN STATISTIK TERHADAP ESTIMASI PERMINTAAN

Mata Kuliah: Ekonomi Mikro

Dosen Pembimbing:
Dr. Budiasih

Disusun Oleh:
Dian Anggriani Girsang (211910694)
Hana Fauziyah (211910767)
Rizki Aji Prasetyo (211910832)
Resda Aninditya Audina (211910935)
Nurzikri Saputra (211910958)

POLITEKNIK STATISTIKA STIS

TAHUN AJARAN 2021/2022
1. Model Regresi antara Q dan P
1.1. Estimasi Parameter
Dalam mengestimasi persamaan regresi, maka digunakan metode OLS untuk satu variabel
independen. Model yang akan diestimasi adalah sebagai berikut.
𝑄 = 𝑎 + 𝑏𝑃 + 𝜀

𝑄 𝑃 𝑄2 𝑃2 𝑃𝑄
4 24 16 576 96
7 20 49 400 140
8 17 64 289 136
13 17 169 289 221
16 10 256 100 160
15 15 225 225 225
19 12 361 144 228
20 9 400 81 180
22 5 484 25 110
124 129 2024 2129 1496

∑9𝑖=1 𝑄𝑖 = 124
∑9𝑖=1 𝑃𝑖 = 129
∑9𝑖=1 𝑄𝑖𝑃𝑖 = 1496
∑9𝑖=1 𝑃𝑖 2 = 2129
𝑛 ∑9𝑖=1 𝑄𝑖 𝑃𝑖 − ∑9𝑖=1 𝑄𝑖 ∑9𝑖=1 𝑃𝑖
𝑏= 2
𝑛 ∑9𝑖=1 𝑃𝑖2 − (∑9𝑖=1 𝑃𝑖 )
9 ∗ 1496 − 124 ∗ 129
𝑏= = −1,0048
9 ∗ 2129 − −1292
∑9𝑖=1 𝑄𝑖 ∑9𝑖=1 𝑃𝑖 124 129
𝑎= −𝑏 = − (−1,0048) ∗ = 28,1794
𝑛 𝑛 9 9
𝑄 = 𝑎 + 𝑏𝑃
𝑄 = 28,179 − 1,005𝑃
Dengan menggunakan RStudio, estimasi parameter yang dihasilkan adalah sebagai berikut.

model1<-lm(kuantitas~harga,data = permintaan)
model1

Call:
lm(formula = kuantitas ~ harga, data = permintaan)

Coefficients:
(Intercept) harga
28.179 -1.005
Hasil yang diperoleh sama dengan menggunakan perhitungan manual. Model regresi yang
terbentuk adalah 𝑄 = 28,179 − 1,005𝑃

1.2. Uji Asumsi Normalitas Error

𝐻0 : error berdistribusi normal
 𝐻1 : error tidak berdistribusi normal
Taraf signifikansi: 𝛼 = 0.05
Statistik uji:
1 2
𝑇3 = [∑𝑘𝐼=1 𝑎𝑖 (𝑋𝑛−𝑖+1 − 𝑋𝑖 )] dengan 𝐷 = ∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅)2
𝐷
Hasil perhitungan menggunakan R diperoleh sebagai berikut:
shapiro.test(model1$residuals)

Shapiro-Wilk normality test

data: model1$residuals
W = 0.95884, p-value = 0.7861
Dari output di atas diperoleh nilai 𝑝 − 𝑣𝑎𝑙𝑢𝑒 sebesar 0,7861
Daerah kritis: Tolak 𝐻0 jika 𝑝 − 𝑣𝑎𝑙𝑢𝑒 ≤ 𝛼 = 0,05
Keputusan: Gagal tolak 𝐻0 karena 𝑝 − 𝑣𝑎𝑙𝑢𝑒 = 0,7861 > 𝛼 = 0,05
Kesimpulan: Dengan taraf signifikansi 5%, belum terdapat cukup bukti untuk mengatakan
bahwa error tidak berdistribusi normal. Artinya, asumsi normalitas error terpenuhi.

1.3. Uji Asumsi Homoskedastisitas

𝐻0 : Terjadi Homoskedastisitas
𝐻1 : Terjadi Heteroskedastisitas
Taraf signifikansi: 𝛼 = 5%
Statistik uji: Statistik uji yang digunakan adalah Breusch Pagan
studentized Breusch-Pagan test

data: model1
BP = 0.043774, df = 1, p-value = 0.8343
Output RStudio menunjukkan bahwa nilai 𝑝 − 𝑣𝑎𝑙𝑢𝑒 = 0,8343
Daerah Kritis: Tolak 𝐻0 p-value ≤ 𝛼 = 0,05
Keputusan: Gagal tolak 𝐻0 karena p-value = 0,8343 > 𝛼 = 0,05
Kesimpulan: Dengan tingkat signifikansi 5%, belum terdapat cukup bukti untuk
menyimpulkan bahwa terjadi heteroskedastisitas dalam model. Ini berarti, varians error
konstan dan memenuhi asumsi.

1.4. Uji Asumsi Non Autokorelasi

𝐻0 : Tidak terjadi korelasi antar error pada data
𝐻1 : Terjadi korelasi antar error pada data
Taraf signifikansi: 𝛼 = 5%
Statistik uji: Statistik uji yang digunakan adalah Durbin Watson.
durbinWatsonTest(model1)
lag Autocorrelation D-W Statistic p-value
1 -0.1100071 2.179277 0.948
Alternative hypothesis: rho != 0
Dari output R didapatkan nilai statistik 𝐷 = 2,179277
Daerah kritis:
 Tolak 𝐻0 saat 𝐷 < 𝑑𝐿
Gagal tolak 𝐻0 saat 𝑑𝑈 < 𝐷 < 4 − 𝑑𝑈
Tidak dapat disimpulkan saat 𝑑𝐿 ≤ 𝐷 ≤ 𝑑𝑈 atau 4 − 𝑑𝑈 ≤ 𝐷 ≤ 4 − 𝑑𝐿
𝑑𝑈 = 1,3199 ; 4 − 𝑑𝑈 = 2,6801 ; 𝑑𝐿 = 0,8243 ; 4 − 𝑑𝐿 = 3,1757
Keputusan: Gagal tolak 𝐻0 karena 𝑑𝑈 < 𝐷 < 4 − 𝑑𝑈
Kesimpulan: Dengan taraf signifikansi 5%, belum terdapat cukup bukti untuk menyimpulkan
terjadi autokorelasi atau korelasi error di dalam data.

2. Model Regresi antara Q dan I

2.1. Estimasi Parameter
TAHUN PRICE INCOME QUANTITY (I-Ibar) (I-Ibar)^2 (Q-Qbar) (I-Ibar)*(Q-Qbar)
2004 24 10 4 -7,88888889 62,2345679 -9,777777778 77,13580247
2005 20 10 7 -7,88888889 62,2345679 -6,777777778 53,4691358
2006 17 10 8 -7,88888889 62,2345679 -5,777777778 45,58024691
2007 17 17 13 -0,88888889 0,790123457 -0,777777778 0,691358025
2008 10 27 16 9,111111111 83,01234568 2,222222222 20,24691358
2009 15 27 15 9,111111111 83,01234568 1,222222222 11,13580247
2010 12 20 19 2,111111111 4,456790123 5,222222222 11,02469136
2011 9 20 20 2,111111111 4,456790123 6,222222222 13,13580247
2012 5 20 22 2,111111111 4,456790123 8,222222222 17,35802469
rata-rata 14,33333 17,88889 13,77777778
jumlah 129 161 124 366,8888889 249,7777778

∑𝑖(𝑄𝑖 − 𝑄̅ )(𝐼𝑖 − 𝐼 )̅
𝑏=
∑𝑖(𝐼𝑖 − 𝐼 )̅ 2
249.7778
𝑏=
366.8889
𝑏 = 0.6808

𝑎 = 𝑄̅ − 𝑏𝐼 ̅
𝑎 = 13.7778 − (0.6807 × 17.8889)
𝑎 = 1.599
Dengan menggunakan RStudio, estimasi parameter yang dihasilkan adalah sebagai berikut.
 lm(formula = kuantitas ~ pendapatan, data = permintaan)

Residuals:
Min 1Q Median 3Q Max
-4.981 -3.981 -0.407 3.785 6.785

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 1.5990 4.5211 0.354 0.7340
pendapatan 0.6808 0.2380 2.860 0.0243 *
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 4.559 on 7 degrees of freedom

Multiple R-squared: 0.5389, Adjusted R-squared: 0.473
F-statistic: 8.181 on 1 and 7 DF, p-value: 0.02433

Dengan memperhatikan hasil dari penghitungan manual dan hasil dari SPSS maka dapat
disimpulkan model regresi sederhana yang terbentuk antara Q dengan I adalah 𝑄 = 1,599 +
0,6808𝐼.

2.2. Uji Asumsi Normalitas Error

𝐻0 : error berdistribusi normal
𝐻1 : error tidak berdistribusi normal
Taraf signifikansi: 𝛼 = 0.05
Statistik uji:
1 2
𝑇3 = 𝐷 [∑𝑘𝐼=1 𝑎𝑖 (𝑋𝑛−𝑖+1 − 𝑋𝑖 )] dengan 𝐷 = ∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅)2
Hasil perhitungan menggunakan R diperoleh sebagai berikut:
shapiro.test(model2$residuals)

Shapiro-Wilk normality test

data: model2$residuals
W = 0.91888, p-value = 0.3831
Dari output di atas diperoleh nilai 𝑝 − 𝑣𝑎𝑙𝑢𝑒 sebesar 0,3831
Daerah kritis: Tolak 𝐻0 jika 𝑝 − 𝑣𝑎𝑙𝑢𝑒 ≤ 𝛼 = 0,05
Keputusan: Gagal tolak 𝐻0 karena 𝑝 − 𝑣𝑎𝑙𝑢𝑒 = 0,3831 > 𝛼 = 0,05
Kesimpulan: Dengan taraf signifikansi 5%, belum terdapat cukup bukti untuk mengatakan
bahwa error tidak berdistribusi normal. Artinya, asumsi normalitas error terpenuhi.

2.3. Uji Asumsi Homoskedastisitas

𝐻0 : Terjadi Homoskedastisitas
𝐻1 : Terjadi Heteroskedastisitas
Taraf signifikansi: 𝛼 = 5%
Statistik uji: Statistik uji yang digunakan adalah Breusch Pagan
bptest(model2)
 studentized Breusch-Pagan test

data: model2
BP = 1.9885, df = 1, p-value = 0.1585
Output RStudio menunjukkan bahwa nilai 𝑝 − 𝑣𝑎𝑙𝑢𝑒 = 0,1585
Daerah Kritis: Tolak 𝐻0 p-value ≤ 𝛼 = 0,05
Keputusan: Gagal tolak 𝐻0 karena p-value = 0,1585 > 𝛼 = 0,05
Kesimpulan: Dengan tingkat signifikansi 5%, belum terdapat cukup bukti
untukmenyimpulkan bahwa terjadi heteroskedastisitas dalam model. Ini berarti, varians
error konstan dan memenuhi asumsi.

2.4. Uji Asumsi Non Autokorelasi

𝐻0 : Tidak terjadi korelasi antar error pada data
𝐻1 : Terjadi korelasi antar error pada data
Taraf signifikansi: 𝛼 = 5%
Statistik uji: Statistik uji yang digunakan adalah Durbin Watson.
durbinWatsonTest(model2)
lag Autocorrelation D-W Statistic p-value
1 0.4060447 0.7380503 0.008
Alternative hypothesis: rho != 0
Dari output R didapatkan nilai statistik 𝐷 = 0,738
Daerah kritis:

Tolak 𝐻0 saat 𝐷 < 𝑑𝐿 atau 𝐷 > 4 − 𝑑𝐿

Gagal tolak 𝐻0 saat 𝑑𝑈 < 𝐷 < 4 − 𝑑𝑈
Tidak dapat disimpulkan saat 𝑑𝐿 ≤ 𝐷 ≤ 𝑑𝑈 atau 4 − 𝑑𝑈 ≤ 𝐷 ≤ 4 − 𝑑𝐿
𝑑𝑈 = 1,3199 ; 4 − 𝑑𝑈 = 2,6801 ; 𝑑𝐿 = 0,8243 ; 4 − 𝑑𝐿 = 3,1757
Keputusan: Tolak 𝐻0 karena 𝐷 = 0,378 < 𝑑𝐿 = 0,8243
Kesimpulan: Dengan taraf signifikansi 5%, terdapat cukup bukti untuk menyimpulan terjadi
autokorelasi dalam data.
Perbaikan model Q dengan I
Karena asumsi autokorelasi terlanggar pada model Q dengan I maka perbaikan perlu
dilakukan perbaikan model. Perbaikan model kali ini dilakukan dengan metode
cochran orrcat.
TAHUN PRICE INCOME QUANTITY B0 B1 Qkep e et-1 et*et-1 et^2 X' Y'
2004 24 10 4 1,599 0,6808 8,407 4,407
2005 20 10 7 1,599 0,6808 8,407 1,407 4,407 6,200649 19,42165 4,060338 4,624135
2006 17 10 8 1,599 0,6808 8,407 0,407 1,407 0,572649 1,979649 4,060338 3,842237
2007 17 17 13 1,599 0,6808 13,1726 0,1726 0,407 0,070248 0,165649 11,06034 8,248271
2008 10 27 16 1,599 0,6808 19,9806 3,9806 0,1726 0,687052 0,029791 16,90258 8,27844
2009 15 27 15 1,599 0,6808 19,9806 4,9806 3,9806 19,82578 15,84518 10,96291 5,496542
2010 12 20 19 1,599 0,6808 15,215 -3,785 4,9806 -18,8516 24,80638 3,962914 10,09051
2011 9 20 20 1,599 0,6808 15,215 -4,785 -3,785 18,11123 14,32623 8,120677 8,714643
2012 5 20 22 1,599 0,6808 15,215 -6,785 -4,785 32,46623 22,89623 8,120677 10,12068
rata-rata 14,33333 17,88889 13,777778 59,08225 99,47074
a. Estimasi nilai ρ, yaitu
∑9𝑡=2 𝑒𝑡−1 𝑒𝑡
r= ∑9𝑡=2 𝑒𝑡−1
2

r = 0.593966
b. Transformasi Y menjadi Y’ dan X menjadi X’
Y ′ = Yt − rYt−1 = Yt + 0.593966 (Yt−1 )
X ′ = X t − rX t−1 = X t + 0.593966 (Xt−1 )
modell

Call:
lm(formula = Q ~ P, data = perbaikan)

Coefficients:
(Intercept) P
6.2978 0.1343

Maka model yang terbentuk adalah 𝑄 ′ = 0.1343𝐼 + 6.2978

c. Pengujian ulang dengan durbin watson
1. Hipotesis:
𝐻0 : 𝑡𝑒𝑟𝑗𝑎𝑑𝑖 𝑛𝑜𝑛𝑎𝑢𝑡𝑜𝑘𝑜𝑟𝑒𝑙𝑎𝑠𝑖
𝐻1 : 𝑡𝑒𝑟𝑗𝑎𝑑𝑖 𝑎𝑢𝑡𝑜𝑘𝑜𝑟𝑒𝑙𝑎𝑠𝑖
2. Tingkat signifikansi
∝ = 5% = 0.05
3. Staitistik uji
∑ 𝑒𝑡 𝑒𝑡−1
𝐷 = 2 [1 − ∑ 𝑒𝑡2
]

durbinWatsonTest(modell)
lag Autocorrelation D-W Statistic p-value
1 0.1610394 1.362308 0.296
Alternative hypothesis: rho != 0

4. Titik kritis
 𝑑𝑈 < 𝐷 < 4 − 𝑑𝑈 (𝑔𝑎𝑔𝑎𝑙 𝑡𝑜𝑙𝑎𝑘 𝐻0 )
5. Keputusan
4 − 𝑑𝑈 < 𝐷 < 4 − 𝑑𝐿 (𝑡𝑖𝑑𝑎𝑘 𝑑𝑎𝑝𝑎𝑡 𝑑𝑖𝑎𝑚𝑏𝑖𝑙 𝑘𝑒𝑠𝑖𝑚𝑝𝑢𝑙𝑎𝑛 𝑎𝑝𝑎𝑝𝑢𝑛)
6. Kesimpulan
Dengan tingkat signifikansi 5%, belum terdapat cukup bukti untuk menyatakan
bahwa terdapat autokorelasi pada model Q dengan I. Artinya, setelah dilakukan
perbaikan atau treatment menggunakan Cochrane-Orcutt, masih belum bisa
memberikan kesimpulan.
Perbaikan kedua pada model Q dengan I
et et-1 et*et-1 et-1^2 X'' Y''

0,018693
1,71886 0,018693 0,032131 0,000349 1,568838 3,636498
-2,01288 1,71886 -3,45987 2,954479 8,568838 6,767841
-0,31801 -2,01288 0,640112 4,051704 16,25642 7,603342
2,90873 -0,31801 -0,925 0,101129 9,363568 3,048452
-2,35953 2,90873 -6,86322 8,460712 -2,76414 5,840486
0,572098 -2,35953 -1,34988 5,567359 -0,45172 6,031874
-0,52785 0,572098 -0,30198 0,327296 3,137675 5,650446
-12,2277 21,46303
a. Estimasi nilai ρ, yaitu
∑9𝑡=2 𝑒𝑡−1 𝑒𝑡
r= ∑9𝑡=2 𝑒𝑡−1
2

r = −0.95697
b. Transformasi Y menjadi Y’ dan X menjadi X’
Y ′ = Yt − rYt−1 = Yt + 0.900(Yt−1 )
X ′ = X t − rX t−1 = X t + 0.900(Xt−1 )
model8

Call:
lm(formula = b ~ a, data = datacoc1)

Coefficients:
(Intercept) a
5.16183 0.06854

c. Pengujian ulang dengan durbin watson

 1. Hipotesis:
𝐻0 : 𝑡𝑒𝑟𝑗𝑎𝑑𝑖 𝑛𝑜𝑛𝑎𝑢𝑡𝑜𝑘𝑜𝑟𝑒𝑙𝑎𝑠𝑖
𝐻1 : 𝑡𝑒𝑟𝑗𝑎𝑑𝑖 𝑎𝑢𝑡𝑜𝑘𝑜𝑟𝑒𝑙𝑎𝑠𝑖
2. Tingkat signifikansi
∝ = 5% = 0.05
3. Staitistik uji
∑ 𝑒𝑡 𝑒𝑡−1
𝐷 = 2 [1 − ∑ 𝑒𝑡2
]

durbinWatsonTest(model8)
lag Autocorrelation D-W Statistic p-value
1 -0.3627225 2.538912 0.68
Alternative hypothesis: rho != 0

1. Titik kritis

𝑑𝑈 < 𝐷 < 4 − 𝑑𝑈 (𝑔𝑎𝑔𝑎𝑙 𝑡𝑜𝑙𝑎𝑘 𝐻0 )

2. Keputusan
𝑑𝑈 < 𝐷 < 4 − 𝑑𝑈 (𝑔𝑎𝑔𝑎𝑙 𝑡𝑜𝑙𝑎𝑘 𝐻0 )
3. Kesimpulan
Dengan tingkat signifikansi 5%, terdapat cukup bukti untuk menyatakan bahwa
terdapat nonautokorelasi pada model Q dengan I. Artinya, setelah dilakukan
perbaikan atau treatment menggunakan Cochrane-Orcutt, data sudah memenuhi
asumsi nonautokorelasi

3. Model Regresi antara Q dengan P dan I

3.1. Estimasi Parameter
Model regresi linear berganda:
Q = b0 + b1 P + b2 I
b = (X ′ X)−1 X ′ Y
1 24 10 4
1 20 10 7
X = 1 17 10 Y= 8
⋮ ⋮ ⋮ ⋮
[1 5 20] [22]
9 129 161 124
X ′ X = [129 2129 2094] X ′ Y = [1496]
161 2094 3247 2468
 b = (X ′ X)−1 X ′ Y
23,2165
b = [−0,8734]
0,1722
Jadi, model regresi yang terbentuk antara Q dengan P dan I adalah
Q = 23,2165 − 0,8734𝑃 + 0,1722I
Dari pengerjaan menggunakan RStudio dihasilkan model regresi antara Q dengan P dan I
adalah sebagai berikut

> # Model regresi antara Q dengan P dan I

> model3 <- lm(demand$Quantity~demand$Price+demand$Income)
> model3

Call:
lm(formula = demand$Quantity ~ demand$Price + demand$Income)

Coefficients:
(Intercept) demand$Price demand$Income
23.2165 -0.8734 0.1722

Dari output RStudio dihasilkan model regresi yang sama seperti pengerjaan manual. Model
regresi yang terbentuk antara Q dengan P dan I adalah
Q = 23,2165 − 0,8734(P) + 0,1722(I)

3.2. Uji Asumsi Normalitas Error

Uji normalitas pada regresi linear berganda dilakukan pada residual. Residual merupakan
selisih dari data asli dengan data yang telah diregresikan.
H0 : error berdistribusi normal
H1 : error tidak berdistribusi normal
Taraf signifikansi: 𝛼 = 0.05
Statistik uji:
𝑘 2 𝑛
1
𝑇3 = [∑ 𝑎𝑖 (𝑋𝑛−𝑖+1 − 𝑋𝑖 )] dengan 𝐷 = ∑(𝑋𝑖 − 𝑋̅)2
𝐷
𝐼=1 𝑖=1
Hasil perhitungan menggunakan R diperoleh sebagai berikut:
> #Cek Asumsi Kenormalan menggunakan Shapiro Wilk
> shapiro.test(model3$residuals)

Shapiro-Wilk normality test

data: model3$residuals
W = 0.97504, p-value = 0.9341
Dari output di atas diperoleh nilai 𝑝 − 𝑣𝑎𝑙𝑢𝑒 sebesar 0,9341
Daerah kritis: Tolak 𝐻0 jika 𝑝 − 𝑣𝑎𝑙𝑢𝑒 ≤ 𝛼 = 0,05
Keputusan: Gagal tolak 𝐻0 karena 𝑝 − 𝑣𝑎𝑙𝑢𝑒 = 0,9341 > 𝛼 = 0,05
Kesimpulan: Dengan taraf signifikansi 5%, belum terdapat cukup bukti untuk mengatakan
bahwa error tidak berdistribusi normal. Artinya, asumsi normalitas error terpenuhi.
3.3. Uji Asumsi Homoskedastisitas
𝐻0 : Terjadi Homoskedastisitas
𝐻1 : Terjadi Heteroskedastisitas
Taraf signifikansi: 𝛼 = 5%
Statistik uji: Statistik uji yang digunakan adalah Breusch Pagan
> #Menguji heteroskedastisitas
> library(lmtest)
> bptest(model3)

studentized Breusch-Pagan test

data: model3
BP = 1.1648, df = 2, p-value = 0.5586
Output RStudio menunjukkan bahwa nilai 𝑝 − 𝑣𝑎𝑙𝑢𝑒 = 0,5586
Daerah Kritis: Tolak 𝐻0 p-value ≤ 𝛼 = 0,05
Keputusan: Gagal tolak 𝐻0 karena p-value = 0,5586 > 𝛼 = 0,05
Kesimpulan: Dengan tingkat signifikansi 5%, belum terdapat cukup bukti
untukmenyimpulkan bahwa terjadi heteroskedastisitas dalam model. Ini berarti, varians
error konstan dan memenuhi asumsi.

3.4. Uji Asumsi Non Autokorelasi

𝐻0 : Tidak terjadi korelasi antar error pada data
𝐻1 : Terjadi korelasi antar error pada data
Taraf signifikansi: 𝛼 = 5%
Statistik uji: Statistik uji yang digunakan adalah Durbin Watson.
> #Menguji Autokorelasi
> durbinWatsonTest(model3)
lag Autocorrelation D-W Statistic p-value
1 -0.1849525 2.36669 0.82
Alternative hypothesis: rho != 0
Dari output R didapatkan nilai statistik 𝐷 = 0,738
Daerah kritis:
Tolak 𝐻0 saat 𝐷 < 𝑑𝐿 atau 𝐷 > 4 − 𝑑𝐿
Gagal tolak 𝐻0 saat 𝑑𝑈 < 𝐷 < 4 − 𝑑𝑈
Tidak dapat disimpulkan saat 𝑑𝐿 ≤ 𝐷 ≤ 𝑑𝑈 atau 4 − 𝑑𝑈 ≤ 𝐷 ≤ 4 − 𝑑𝐿
dL = 0,6291, dU = 1,6993
4 – dL = 3,3709, 4 – dU =2,3007
Keputusan: Karena D = 2,367 berada diantara 4 – dU dan 4 – dL. Maka, keputusannya adalah
tidak dapat mengambil kesimpulan apapun.
Kesimpulan: Dengan tingkat signifikansi 5%, belum terdapat cukup bukti untuk menyatakan
bahwa terdapat autokorelasi pada model Q dengan P dan I. Dalam model ini kita tidak dapat
mengambil kesimpulan apapun.

Karena tidak dapat disimpulkan apakah model ini terdapat autokorelasi atau tidak, maka
perlu dilakukan perbaikan atau treatment dengan menggunakan prosedur Cochrane-Orcutt.
 Perhitungan Cochrane-Orcutt manual
1) Estimasi nilai ρ, yaitu
∑9𝑡=2 𝑒𝑡−1 𝑒𝑡
r= 9 2
∑𝑡=2 𝑒𝑡−1

Quantity Price Income

Year (Y) (X1) (X2) Qcap et et-1 et-1*et et-1^2
2004 4 24 10 3.976881 0.023119
2005 7 20 10 7.470424 -0.47042 0.023119 -0.01088 0.000535
2006 8 17 10 10.09058 -2.09058 -0.47042 0.98346 0.221299
2007 13 17 17 11.29572 1.704284 -2.09058 -3.56295 4.370533
2008 16 10 27 19.13104 -3.13104 1.704284 -5.33618 2.904585
2009 15 15 27 14.76411 0.235892 -3.13104 -0.73859 9.803393
2010 19 12 20 16.17913 2.820869 0.235892 0.665422 0.055645
2011 20 9 20 18.79929 1.200711 2.820869 3.387048 7.9573
2012 22 5 20 22.29283 -0.29283 1.200711 -0.35161 1.441707
Jumlah 124 129 161 124 -1.2E-14 0.292833 -4.96426 26.755

4,964
r=− = −1,856
26,755

2) Transformasi Y menjadi Y’ dan X menjadi X’

Y ′ = Yt − rYt−1 = Yt + 1,856(Yt−1 )
 X ′ = X t − rX t−1 = X t + 1,856(Xt−1 )
Quantity Price Income
Year (Y) (X1) (X2) Q' P' I'
2004 4 24 10
2005 7 20 10 7.742181 24.45309 11.85545
2006 8 17 10 9.298817 20.71091 11.85545
2007 13 17 17 14.48436 20.15427 18.85545
2008 16 10 27 18.41209 13.15427 30.15427
2009 15 15 27 17.96873 16.85545 32.00972
2010 19 12 20 21.78318 14.78318 25.00972
2011 20 9 20 23.52536 11.22654 23.71091
2012 22 5 20 25.71091 6.669908 23.71091

Model regresi yang telah ditransformasi menjadi

Q′ = 28,678 − 0,933(P′ ) + 0,163(I′ )
3) Uji lagi menggunakan durbin warson
∑9𝑡=3(𝑒𝑡 − 𝑒𝑡−1 )2
D=
∑9𝑡=2 𝑒𝑡2

58,535
D= = 2,317
25,268

- Wilayah kritis
Tolak H0 apabila dL < D < dU
Gagal tolak H0 apabila dU < D < 4 – dU
Jika dL ≤ D ≤ dU atau 4 – dU ≤ D ≤ 4 – dL maka tidak dapat disimpulkan
Karena ditransformasi, maka n berubah menjadi 8

dL = 0,5591, dU = 1,7771
4 – dL = 3,4409, 4 – dU =2,2229
- Keputusan
Karena D = 2,317 berada diantara 4 – dU dan 4 – dL. Maka, keputusannya adalah
tidak dapat disimpulkan apapun.
- Kesimpulan
 Dengan tingkat signifikansi 5%, belum terdapat cukup bukti untuk menyatakan
bahwa terdapat autokorelasi pada model Q dengan P dan I. Artinya, setelah
dilakukan perbaikan atau treatment menggunakan Cochrane-Orcutt, masih belum
bisa memberikan kesimpulan.

 Perhitungan Cochrane-Orcutt manual kedua

1) Estimasi nilai ρ, yaitu
∑9𝑡=2 𝑒𝑡−1 𝑒𝑡
r= 9 2
∑𝑡=2 𝑒𝑡−1

Q' P’ I’ Qcap' et et-1 et-1*et et-1^2

7.742181 24.45309 11.85545 7.80042 -0.05824

9.298817 20.71091 11.85545 11.29168 -1.99286 -0.05824 0.116061 0.003392
14.48436 20.15427 18.85545 12.95379 1.53057 -1.99286 -3.05021 3.971497
18.41209 13.15427 30.15427 21.32904 -2.91695 1.53057 -4.4646 2.342643
17.96873 16.85545 32.00972 18.17895 -0.21022 -2.91695 0.613214 8.508617
21.78318 14.78318 25.00972 18.96947 2.81371 -0.21022 -0.59151 0.044194
23.52536 11.22654 23.71091 22.07558 1.449778 2.81371 4.079254 7.916964
25.71091 6.669908 23.71091 26.32669 -0.61578 1.449778 -0.89274 2.101855
4,191
r=− = −0,168
24,889

2) Transformasi Y menjadi Y’ dan X menjadi X’

Y ′ = Yt − rYt−1 = Yt + 0,168(Yt−1 )
X ′ = X t − rX t−1 = X t + 0,168(Xt−1 )

Year Q' P’ I’ Q'' P’’ I’’

2004
2005 7.742181 24.45309 11.85545
2006 9.298817 20.71091 11.85545 10.60235 24.82802 13.85153
2007 14.48436 20.15427 18.85545 16.04999 23.64132 20.85153
2008 18.41209 13.15427 30.15427 20.85079 16.5476 33.32893
2009 17.96873 16.85545 32.00972 21.06873 19.07021 37.08674
2010 21.78318 14.78318 25.00972 24.80854 17.6211 30.39914
2011 23.52536 11.22654 23.71091 27.19295 13.71556 27.92174
2012 25.71091 6.669908 23.71091 29.67182 8.560099 27.70306

Model regresi yang telah ditransformasi menjadi

Q′ ′ = 34,547 − 0,986(P′ ′) + 0,160(I ′ ′)

3) Uji lagi menggunakan durbin warson

∑9𝑡=4(𝑒𝑡 − 𝑒𝑡−1 )2
D=
∑9𝑡=3 𝑒𝑡2
51,129
D= = 2,124
24,069
 - Wilayah kritis
Tolak H0 apabila dL < D < dU
Gagal tolak H0 apabila dU < D < 4 – dU
Jika dL ≤ D ≤ dU atau 4 – dU ≤ D ≤ 4 – dL maka tidak dapat disimpulkan
Karena ditransformasi lagi, maka n berubah menjadi 7.

dL = 0,4672, dU = 1,8964
4 – dL = 3,5328, 4 – dU = 2,1036
- Keputusan
Karena D = 2,124 berada diantara 4 – dU dan 4 – dL. Maka, keputusannya adalah
tidak dapat disimpulkan apapun.
- Kesimpulan
Dengan tingkat signifikansi 5%, belum terdapat cukup bukti untuk menyatakan
bahwa terdapat autokorelasi pada model Q dengan P dan I. Artinya, setelah
dilakukan perbaikan atau treatment kedua kali menggunakan Cochrane-Orcutt,
masih belum bisa memberikan kesimpulan.

3.5. Uji Asumsi Non Multikolinearitas

H0 : tidak terjadi multikolinearitas (nonmultikolinearitas)
H1 : terjadi multikolinearitas
Tingkat signifikansi: 𝛼 = 0,05
Statistik uji:
Kita menguji adanya multikolinearitas dengan menghitung nilai VIF (Variance Inflation
Factor) pada RStudio
> #Menghitung nilai VIF
> vif(model3)
demand$Price demand$Income
1.799879 1.799879
VIF yang didapatkan adalah sebesar 1,799879
Wilayah kritis: Tolak H0 apabila VIF > 10
Keputusan: Karena VIF = 1,799879 < 10, maka keputusannya adalah gagal tolak H0
Kesimpulan: Dengan tingkat signifikansi 5%, tidak terdapat cukup bukti untuk menyatakan
bahwa terdapat multikolinearitas pada model regresi antara Q dengan P dan I. Artinya
asumsi nonmultikolinearitas terpenuhi.
4. Model Regresi antara 𝐥𝐧 𝑸 dan 𝐥𝐧 𝑷
4.1. Estimasi Parameter
Dalam mengestimasi persamaan regresi, maka digunakan metode OLS untuk satu variabel
independen. Model yang akan diestimasi adalah sebagai berikut.
ln 𝑄 = 𝑎 + 𝑏 ln 𝑃 + 𝜀

i ln 𝑄 ln 𝑃 ln 𝑄 2 (ln 𝑃)2 lnQ*lnP

1 1,386294 3,178054 1,921812 10,10003 4,405718
2 1,94591 2,995732 3,786566 8,974412 5,829426
3 2,079442 2,833213 4,324077 8,027098 5,891502
4 2,564949 2,833213 6,578965 8,027098 7,267049
5 2,772589 2,302585 7,687248 5,301898 6,384121
6 2,70805 2,70805 7,333536 7,333536 7,333536
7 2,944439 2,484907 8,669721 6,174761 7,316656
8 2,995732 2,197225 8,974412 4,827796 6,582297
9 3,091042 1,609438 9,554543 2,59029 4,974841
Total 22,48845 23,14242 58,83088 61,35692 55,98515

Dik: n =9
∑9𝑖=1 ln 𝑄𝑖 = 22,488
∑9𝑖=1 ln 𝑃𝑖 = 23,142
∑9𝑖=1(ln 𝑄𝑖 )(ln 𝑃𝑖 ) = 55,985
∑9𝑖=1(ln 𝑃𝑖 )2 = 61,357
𝑛 ∑9𝑖=1(ln 𝑄𝑖 )(ln 𝑃𝑖 )−∑9𝑖=1 ln 𝑄𝑖 ∑9𝑖=1 ln 𝑃𝑖
𝑏= 2
𝑛 ∑9𝑖=1(ln 𝑃𝑖 )2 −(∑9𝑖=1 ln 𝑃𝑖 )
(9)(55,985)−(22,488)(23,142)
𝑏= (9)(61,357)−23,1422
= −0,9958
∑9𝑖=1 ln 𝑄𝑖 ∑9𝑖=1 ln 𝑃𝑖 22,488 23,142
𝑎= 𝑛
− 𝑏1 𝑛
= 9
− (−0,9958) 9 = 5,093
Model yang terbentuk: ln 𝑄 = 5,09 − 0,9958 ln 𝑃
Jika menggunakan software RStudio, maka output yang dihasilkan sebagai berikut.
summary(model4)

Call:
lm(formula = logQ ~ logP, data = permintaan)

Residuals:
Min 1Q Median 3Q Max
-0.50830 -0.15854 0.00621 0.32696 0.35961

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 5.0593 0.6512 7.769 0.00011 ***
logP -0.9958 0.2494 -3.992 0.00524 **
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
 Residual standard error: 0.3392 on 7 degrees of freedom
Multiple R-squared: 0.6948, Adjusted R-squared: 0.6513
F-statistic: 15.94 on 1 and 7 DF, p-value: 0.00524

Output ini bersesuaian dengan hasil perhitungan manual dengan persamaan ln 𝑄 = 5,09 −
0,9958 ln 𝑃
Interpretasi: Setiap kenaikan persentase harga sebesar 1%, maka akan terjadi penurunan
permintaan rasberi sebesar 0,9958%

4.2. Uji Asumsi Normalitas Error

𝐻0 : error berdistribusi normal
𝐻1 : error tidak berdistribusi normal
Taraf signifikansi: 𝛼 = 0.05
Statistik uji:
1 2
𝑇3 = 𝐷 [∑𝑘𝐼=1 𝑎𝑖 (𝑋𝑛−𝑖+1 − 𝑋𝑖 )] dengan 𝐷 = ∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅)2
Hasil perhitungan menggunakan R diperoleh sebagai berikut:
shapiro.test(model4$residuals)

Shapiro-Wilk normality test

data: model4$residuals
W = 0.92263, p-value = 0.4145
Dari output di atas diperoleh nilai 𝑝 − 𝑣𝑎𝑙𝑢𝑒 sebesar 0,4145
Daerah kritis: Tolak 𝐻0 jika 𝑝 − 𝑣𝑎𝑙𝑢𝑒 ≤ 𝛼 = 0,05
Keputusan: Gagal tolak 𝐻0 karena 𝑝 − 𝑣𝑎𝑙𝑢𝑒 = 0,4145 > 𝛼 = 0,05
Kesimpulan: Dengan taraf signifikansi 5%, belum terdapat cukup bukti untuk mengatakan
bahwa error tidak berdistribusi normal. Artinya, asumsi normalitas error terpenuhi.

4.3. Uji Asumsi Homoskedastisitas

𝐻0 : Terjadi Homoskedastisitas
𝐻1 : Terjadi Heteroskedastisitas
Taraf signifikansi: 𝛼 = 5%
Statistik uji: Statistik uji yang digunakan adalah Breusch Pagan
studentized Breusch-Pagan test

data: model4
BP = 0.41628, df = 1, p-value = 0.5188
Output RStudio menunjukkan bahwa nilai 𝑝 − 𝑣𝑎𝑙𝑢𝑒 = 0,5188
Daerah Kritis: Tolak 𝐻0 p-value ≤ 𝛼 = 0,05
Keputusan: Gagal tolak 𝐻0 karena p-value = 0,5188 > 𝛼 = 0,05
Kesimpulan: Dengan tingkat signifikansi 5%, belum terdapat cukup bukti
untukmenyimpulkan bahwa terjadi heteroskedastisitas dalam model. Ini berarti, varians
error konstan dan memenuhi asumsi.

4.4. Uji Asumsi Non Autokorelasi

𝐻0 : Tidak terjadi korelasi antar error pada data
𝐻1 : Terjadi korelasi antar error pada data
Taraf signifikansi: 𝛼 = 5%
Statistik uji: Statistik uji yang digunakan adalah Durbin Watson.
lag Autocorrelation D-W Statistic p-value
1 0.2020243 1.109091 0.05
Alternative hypothesis: rho != 0
Dari output R didapatkan nilai statistik 𝐷 = 1,1091
Daerah kritis:

Tolak 𝐻0 saat 𝐷 < 𝑑𝐿

Gagal tolak 𝐻0 saat 𝑑𝑈 < 𝐷 < 4 − 𝑑𝑈
Tidak dapat disimpulkan saat 𝑑𝐿 ≤ 𝐷 ≤ 𝑑𝑈 atau 4 − 𝑑𝑈 ≤ 𝐷 ≤ 4 − 𝑑𝐿
𝑑𝑈 = 1,3199 ; 4 − 𝑑𝑈 = 2,6801 ; 𝑑𝐿 = 0,8243 ; 4 − 𝑑𝐿 = 3,1757
Keputusan: Karena D = 1,1091 berada diantara 𝑑𝐿 ≤ 𝐷 ≤ 𝑑𝑈 maka, keputusannya adalah
tidak dapat mengambil kesimpulan apapun.
Kesimpulan: Dengan tingkat signifikansi 5%, belum terdapat cukup bukti untuk menyatakan
bahwa terdapat autokorelasi pada model ln Q dengan ln P. Dalam model ini kita tidak dapat
mengambil kesimpulan apapun.

Karena tidak dapat disimpulkan apakah model ini terdapat autokorelasi atau tidak, maka
perlu dilakukan perbaikan atau treatment dengan menggunakan Prosedur Cochrane-Orcutt.
t lnQ lnP ln 𝑄̂ et 𝑒𝑡−1 𝑒𝑡 (𝑒𝑡−1 )2
1 1,386294 3,178054 1,894595 -0,5083
2 1,94591 2,995732 2,076149 -0,13024 0,066201 0,25837
3 2,079442 2,833213 2,237984 -0,15854 0,020649 0,016962
4 2,564949 2,833213 2,237984 0,326965 -0,05184 0,025136
5 2,772589 2,302585 2,76638 0,006209 0,00203 0,106906
6 2,70805 2,70805 2,362621 0,345429 0,002145 3,85E-05
7 2,944439 2,484907 2,584826 0,359613 0,124221 0,119321
8 2,995732 2,197225 2,871297 0,124435 0,044748 0,129322
9 3,091042 1,609438 3,456611 -0,36557 -0,04549 0,015484
Total 0,162666 0,671539
∑𝑛𝑡=2 𝑒𝑡−1 𝑒𝑡
𝑟= 𝑛 = 0,2422
∑𝑡=2(𝑒𝑡−1 )2
lnQ’ = lnQ t-1
 lnP’ = lnPt – rlnPt-1

𝑛 ∑8𝑖=1 𝑙𝑛𝑄𝑖′𝑙𝑛𝑃𝑖′ − ∑8𝑖=1 𝑙𝑛𝑄𝑖′ ∑8𝑖=1 𝑙𝑛𝑃𝑖′

𝑏 = 𝑏1 = 2
𝑛 ∑8𝑖=1(𝑙𝑛𝑃𝑖′)2 − (∑8𝑖=1 𝑙𝑛𝑃𝑖′)
8 ∗ 79,85 − 16,403 ∗ 39,56
𝑏 = 𝑏1 ′ = = −0,3324
8 ∗ 199,43 − 39,562
∑8𝑖=1 𝑙𝑛𝑄𝑖 ′ ∑8𝑖=1 𝑙𝑛𝑃𝑖 ′ 16,403 39,56
𝑎 = 𝑏0 ′ = − 𝑏1 ∗ = − (−0,3324) ∗ = 3,694
𝑛 𝑛 8 8
lnQ’ cap = 3,694 -0,3324lnP’
T lnQ’ lnP’ (lnQ’)2 (𝑙𝑛′)2 lnQ’lnP’ ̂′
ln 𝑄 𝑒𝑡 (𝑒𝑡−1 − 𝑒𝑡 )2 (𝑒𝑡)2

1 1,61011 5,931558 2,592456 35,18338 9,550463 1,722456 -0,11235

2 1,608087 5,586717 2,585944 31,21141 8,983928 1,837094 -0,22901 0,01361 0,052444
3 2,06125 5,424198 4,248751 29,42193 11,18063 1,891121 0,170129 0,159309 0,028944
4 2,151285 4,89357 4,628029 23,94703 10,52747 2,067521 0,083764 0,007459 0,007016
5 2,036451 4,768407 4,147132 22,73771 9,710626 2,10913 -0,07268 0,024475 0,005282
6 2,288473 4,950729 5,237107 24,50971 11,32961 2,04852 0,239953 0,097739 0,057577
7 2,282506 4,439903 5,209833 19,71274 10,1341 2,218337 0,064169 0,0309 0,004118
8 2,365391 3,564434 5,595076 12,70519 8,431282 2,509374 -0,14398 0,043327 0,020731
Total 16,40355 39,55952 34,24433 199,4291 79,8481 16,40355 4,44E-16 0,376819 0,176113

∑𝑛𝑡=2(𝑒𝑡 − 𝑒𝑡−1 )2 0,3768

𝐷= 𝑛 2 = = 2,14
∑𝑡=1 𝑒𝑡 𝟒, 𝟒𝟒𝐄 − 𝟏𝟔
Diuji kembali nilai Durbin Watson yang telah ditransformasi apakah masih terdapat autokorelasi
- Daerah kritis

Tolak H0 saat D<dL

Gagal tolak H0 saat dU<D < 4-dU
Tidak dapat disimpulkan saat dL ≤ D ≤ dU atau 4-dU ≤ D ≤ 4-dL
𝑑𝑈 = 1,3324 ; 4 − 𝑑𝑈 = 2,6676 ; 𝑑𝐿 = 0,7629 ; 4 − 𝑑𝐿 = 3,2371
- Keputusan: Karena 𝑑𝑈 ≤ 𝐷 ≤ 4 − 𝑑𝑈, maka gagal tolak 𝐻0
- Kesimpulan
 Dengan taraf signifikansi 5%, terdapat cukup bukti bahwa model tidak terjadi
autokorelasi.
Selanjutnya diubah kebentuk asli dengan cara:
𝑏0′ 3,694
𝑎 = 𝑏0 = = = 4,875
1 − 𝑟 1 − 0,2422
𝑏 = 𝑏𝑖 = 𝑏𝑖′ = −0,3324 ; 𝑖 = 1,2,3
Model yang dihasilkan: lnQ = 4,875 – 0,3324lnP
4.5. Uji Asumsi Normalitas Error
𝐻0 : error berdistribusi normal
𝐻1 : error tidak berdistribusi normal
Taraf signifikansi: 𝛼 = 0.05
Statistik uji:
1 2
𝑇3 = [∑𝑘𝐼=1 𝑎𝑖 (𝑋𝑛−𝑖+1 − 𝑋𝑖 )] dengan 𝐷 = ∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅)2
𝐷
Hasil perhitungan menggunakan R diperoleh sebagai berikut:
> shapiro.test(coc2$residuals)

Shapiro-Wilk normality test

data: coc2$residuals
W = 0.83775, p-value = 0.05452
Dari output di atas diperoleh nilai 𝑝 − 𝑣𝑎𝑙𝑢𝑒 sebesar 0,05452
Daerah kritis: Tolak 𝐻0 jika 𝑝 − 𝑣𝑎𝑙𝑢𝑒 ≤ 𝛼 = 0,05
Keputusan: Gagal tolak 𝐻0 karena 𝑝 − 𝑣𝑎𝑙𝑢𝑒 = 0,05452 > 𝛼 = 0,05
Kesimpulan: Dengan taraf signifikansi 5%, belum terdapat cukup bukti untuk mengatakan
bahwa error tidak berdistribusi normal. Artinya, asumsi normalitas error terpenuhi.

4.6. Uji Asumsi Homoskedastisitas

𝐻0 : Terjadi Homoskedastisitas
𝐻1 : Terjadi Heteroskedastisitas
Taraf signifikansi: 𝛼 = 5%
Statistik uji: Statistik uji yang digunakan adalah Breusch Pagan
> bptest(model7)

studentized Breusch-Pagan test

data: model7
BP = 1.3984, df = 1, p-value = 0.237
Output RStudio menunjukkan bahwa nilai 𝑝 − 𝑣𝑎𝑙𝑢𝑒 = 0,237
Daerah Kritis: Tolak 𝐻0 p-value ≤ 𝛼 = 0,05
Keputusan: Gagal tolak 𝐻0 karena p-value = 0,237 > 𝛼 = 0,05
Kesimpulan: Dengan tingkat signifikansi 5%, belum terdapat cukup bukti
untukmenyimpulkan bahwa terjadi heteroskedastisitas dalam model. Ini berarti, varians
error konstan dan memenuhi asumsi.

5. Model Regresi antara 𝐥𝐧 𝑸 dan 𝐥𝐧 𝑰

5.1. Estimasi Parameter
 Model regresi linear berganda:
Dalam mengestimasi persamaan regresi, maka digunakan metode OLS untuk satu variabel
independen. Model yang akan diestimasi adalah sebagai berikut.
ln 𝑄 = 𝑎 + 𝑏 ln 𝐼 + 𝜀

TAHUN PRICE INCOME QUANTITY ln(P) ln(I) ln(Q) (ln(I)-ln(I)bar) (ln(I)-ln(I)bar)^2 (ln(Q)-ln(Q)bar) kali
2004 24 10 4 3,17805383 2,302585093 1,386294361 -0,510730371 0,260845512 -1,112422088 0,568148
2005 20 10 7 2,995732274 2,302585093 1,945910149 -0,510730371 0,260845512 -0,5528063 0,282335
2006 17 10 8 2,833213344 2,302585093 2,079441542 -0,510730371 0,260845512 -0,419274907 0,214136
2007 17 17 13 2,833213344 2,833213344 2,564949357 0,01989788 0,000395926 0,066232909 0,001318
2008 10 27 16 2,302585093 3,295836866 2,772588722 0,482521402 0,232826903 0,273872273 0,132149
2009 15 27 15 2,708050201 3,295836866 2,708050201 0,482521402 0,232826903 0,209333752 0,101008
2010 12 20 19 2,48490665 2,995732274 2,944438979 0,18241681 0,033275892 0,44572253 0,081307
2011 9 20 20 2,197224577 2,995732274 2,995732274 0,18241681 0,033275892 0,497015825 0,090664
2012 5 20 22 1,609437912 2,995732274 3,091042453 0,18241681 0,033275892 0,592326005 0,10805
rata-rata 14,33333 17,88889 13,77777778 2,571379692 2,813315464 2,498716449
jumlah 129 161 124 23,14241723 25,31983918 22,48844804 1,348413945 1,579116

∑𝑖(𝑥𝑖 −𝑥̅ )(𝑦𝑖 −𝑦

̅)
𝑏=
∑𝑖(𝑥𝑖 −𝑥̅ )2
1.5791
𝑏 = 1.3484
𝑏 = 1,1711

𝑎 = 𝑦̅ − 𝑏𝑥̅
𝑎 = 2.4987 − (1.1711 × 2.8133)
𝑎 = −0,7959
Dengan menggunakan RStudio, estimasi parameter yang dihasilkan adalah sebagai berikut.
Dengan output software R

lm(formula = logQ ~ logI, data = permintaan)

Residuals:
Min 1Q Median 3Q Max
-0.51431 -0.29120 0.04531 0.23210 0.37870
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -0.7959 0.8212 -0.969 0.36473
logI 1.1711 0.2892 4.050 0.00487 **
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 0.3358 on 7 degrees of freedom

Multiple R-squared: 0.7009, Adjusted R-squared: 0.6581
F-statistic: 16.4 on 1 and 7 DF, p-value: 0.004873

Dengan memperhatikan hasil dari penghitungan manual dan hasil dari software R
maka dapat disimpulkan model regresi sederhana yang terbentuk antara ln(Q)
dengan ln(I) adalah ln(𝑄) = −0.7959 + 1.1711 ln(𝐼)
5.2. Uji Asumsi Normalitas Error
𝐻0 : error berdistribusi normal
𝐻1 : error tidak berdistribusi normal
Taraf signifikansi: 𝛼 = 0.05
 Statistik uji:
1 2
𝑇3 = 𝐷 [∑𝑘𝐼=1 𝑎𝑖 (𝑋𝑛−𝑖+1 − 𝑋𝑖 )] dengan 𝐷 = ∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅)2
Hasil perhitungan menggunakan R diperoleh sebagai berikut:
shapiro.test(model5$residuals)

Shapiro-Wilk normality test

data: model5$residuals
W = 0.91439, p-value = 0.3478
Dari output di atas diperoleh nilai 𝑝 − 𝑣𝑎𝑙𝑢𝑒 sebesar 0,3478
Daerah kritis: Tolak 𝐻0 jika 𝑝 − 𝑣𝑎𝑙𝑢𝑒 ≤ 𝛼 = 0,05
Keputusan: Gagal tolak 𝐻0 karena 𝑝 − 𝑣𝑎𝑙𝑢𝑒 = 0,3478 > 𝛼 = 0,05
Kesimpulan: Dengan taraf signifikansi 5%, belum terdapat cukup bukti untuk mengatakan
bahwa error tidak berdistribusi normal. Artinya, asumsi normalitas error terpenuhi.

5.3. Uji Asumsi Homoskedastisitas

𝐻0 : Terjadi Homoskedastisitas
𝐻1 : Terjadi Heteroskedastisitas
Taraf signifikansi: 𝛼 = 5%
Statistik uji: Statistik uji yang digunakan adalah Breusch Pagan
bptest(model5)

studentized Breusch-Pagan test

data: model5
BP = 3.834e-06, df = 1, p-value = 0.9984
Output RStudio menunjukkan bahwa nilai 𝑝 − 𝑣𝑎𝑙𝑢𝑒 = 0,9984
Daerah Kritis: Tolak 𝐻0 p-value ≤ 𝛼 = 0,05
Keputusan: Gagal tolak 𝐻0 karena p-value = 0,9984 > 𝛼 = 0,05
Kesimpulan: Dengan tingkat signifikansi 5%, belum terdapat cukup bukti
untukmenyimpulkan bahwa terjadi heteroskedastisitas dalam model. Ini berarti, varians
error konstan dan memenuhi asumsi.

5.4. Uji Asumsi Non Autokorelasi

𝐻0 : Tidak terjadi korelasi antar error pada data
𝐻1 : Terjadi korelasi antar error pada data
Taraf signifikansi: 𝛼 = 5%
Statistik uji: Statistik uji yang digunakan adalah Durbin Watson.
durbinWatsonTest(model5)
lag Autocorrelation D-W Statistic p-value
1 0.2205614 1.042079 0.056
Alternative hypothesis: rho != 0
Dari output R didapatkan nilai statistik 𝐷 = 1,042079
Daerah kritis:
Tolak 𝐻0 saat 𝐷 < 𝑑𝐿
Gagal tolak 𝐻0 saat 𝑑𝑈 < 𝐷 < 4 − 𝑑𝑈
Tidak dapat disimpulkan saat 𝑑𝐿 ≤ 𝐷 ≤ 𝑑𝑈 atau 4 − 𝑑𝑈 ≤ 𝐷 ≤ 4 − 𝑑𝐿
𝑑𝑈 = 1,3199 ; 4 − 𝑑𝑈 = 2,6801 ; 𝑑𝐿 = 0,8243 ; 4 − 𝑑𝐿 = 3,1757
Keputusan: Karena D = 1,042079 berada diantara 𝑑𝐿 ≤ 𝐷 ≤ 𝑑𝑈 maka, keputusannya
adalah tidak dapat mengambil kesimpulan apapun.
Kesimpulan: Dengan tingkat signifikansi 5%, belum terdapat cukup bukti untuk menyatakan
bahwa terdapat autokorelasi pada model ln Q dengan ln I. Dalam model ini kita tidak dapat
mengambil kesimpulan apapun.

Maka dicoba akan dilakukan metode Cochran Orcutt untuk memperbaiki model. Output
RStudio menunjukkan hasil sebagai berikut.
> coc2<-cochrane.orcutt(model5)
> coc2
Cochrane-orcutt estimation for first order autocorrelation

Call:
lm(formula = logQ ~ logI, data = permintaan)

number of interaction: 43
rho 0.686009

Durbin-Watson statistic
(original): 1.04208 , p-value: 1.997e-02
(transformed): 2.93683 , p-value: 8.912e-01

coefficients:
(Intercept) logI
2.550503 0.180284

Dari hasil output tersebut terlihat bahwa asumsi nonautokorelasi terpenuhi setelah
dilakukan metode Cochrane-orcutt dengan order pertama. Nilai p-value setelah treatment
sebesar 0,8912 yang lebih besar dari 0,05 sehingga disimpulkan tidak terdapat autkorelasi
di dalam model yang dibangun. Model hasil treatment adalah
 ln(𝑄) = 2,5505 + 0,18 ln(𝐼)
Selanjutnya, diuji kembali asumsi klasik lainnya dari model yang baru.

Uji Normalitas Error

𝐻0 : error berdistribusi normal
𝐻1 : error tidak berdistribusi normal
Taraf signifikansi: 𝛼 = 0.05
Statistik uji:
1 2
𝑇3 = 𝐷 [∑𝑘𝐼=1 𝑎𝑖 (𝑋𝑛−𝑖+1 − 𝑋𝑖 )] dengan 𝐷 = ∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅)2
Hasil perhitungan menggunakan R diperoleh sebagai berikut:
> shapiro.test(coc2$residuals)

Shapiro-Wilk normality test

data: coc2$residuals
W = 0.91217, p-value = 0.3314
Dari output di atas diperoleh nilai 𝑝 − 𝑣𝑎𝑙𝑢𝑒 sebesar 0,3314
Daerah kritis: Tolak 𝐻0 jika 𝑝 − 𝑣𝑎𝑙𝑢𝑒 ≤ 𝛼 = 0,05
Keputusan: Gagal tolak 𝐻0 karena 𝑝 − 𝑣𝑎𝑙𝑢𝑒 = 0,3314 > 𝛼 = 0,05
Kesimpulan: Dengan taraf signifikansi 5%, belum terdapat cukup bukti untuk mengatakan
bahwa error tidak berdistribusi normal. Artinya, asumsi normalitas error terpenuhi.

Uji Asumsi Homoskedastisitas

𝐻0 : Terjadi Homoskedastisitas
𝐻1 : Terjadi Heteroskedastisitas
Taraf signifikansi: 𝛼 = 5%
Statistik uji: Statistik uji yang digunakan adalah Breusch Pagan
> bptest(coc2$model)

studentized Breusch-Pagan test

data: coc2$model
BP = 0.95932, df = 1, p-value = 0.3274
Output RStudio menunjukkan bahwa nilai 𝑝 − 𝑣𝑎𝑙𝑢𝑒 = 0,3274
Daerah Kritis: Tolak 𝐻0 p-value ≤ 𝛼 = 0,05
Keputusan: Gagal tolak 𝐻0 karena p-value = 0,3274 > 𝛼 = 0,05
Kesimpulan: Dengan tingkat signifikansi 5%, belum terdapat cukup bukti
untukmenyimpulkan bahwa terjadi heteroskedastisitas dalam model. Ini berarti, varians
error konstan dan memenuhi asumsi.

6. Model Regresi antara 𝐥𝐧 𝑸 dengan 𝐥𝐧 𝑷 dan 𝐥𝐧 𝑰

6.1. Estimasi Parameter
Model regresi linear berganda
ln 𝑄 = 𝑏0 + 𝑏1 ln 𝑃 + 𝑏2 ln 𝐼 + 𝜀

𝑏 = (𝑋 ′ 𝑋)−1 𝑋𝑌
 1 3,1799 2,303
1 2,996 2,303
𝑋= 1 2,833 2,303
⋮ ⋮ ⋮
[1 01,609 2,996]
9 23,142 25,3198
′
𝑋 𝑋 = [ 23,142 61,357 64,129 ]
25,3198 64,129 72,581
22,488
𝑋𝑌 = [55,985]
65,846
′
𝑏= (𝑋 𝑋)−1 𝑋𝑌
2,020
𝑏 = [−0,611]
0,728
Sehingga model regresi yang terbentuk antara ln Q dengan ln P dan ln I adalah
𝑙𝑛 𝑄 = 0,020 − 0,611 ln 𝑃 + 0,728 ln 𝐼
Dengan menggunakan R studio diperoleh output

> summary(model6)

Call:
lm(formula = logQ ~ logP + logI, data = permintaan)

Residuals:
Min 1Q Median 3Q Max
-0.37016 -0.12778 0.07815 0.13576 0.26011

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 2.0201 1.2243 1.650 0.1500
logP -0.6105 0.2310 -2.643 0.0384 *
logI 0.7281 0.2705 2.692 0.0360 *
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 0.2466 on 6 degrees of freedom

Multiple R-squared: 0.8618, Adjusted R-squared: 0.8157
F-statistic: 18.7 on 2 and 6 DF, p-value: 0.002641

Output menggunakan R studio sama dengan menggunakan cara manual sehingga model
yang diperoleh adalah 𝑙𝑛 𝑄 = 2,0201 − 0,6105 ln 𝑃 + 0,7281 ln 𝐼

6.2. Uji Asumsi Normalitas Error

𝐻0 : error berdistribusi normal
𝐻1 : error tidak berdistribusi normal
Taraf signifikansi: 𝛼 = 0.05
Statistik uji:
1 2
𝑇3 = 𝐷 [∑𝑘𝐼=1 𝑎𝑖 (𝑋𝑛−𝑖+1 − 𝑋𝑖 )] dengan 𝐷 = ∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅)2
 Hasil perhitungan menggunakan R diperoleh sebagai berikut:
> #uji asumsi normalitas residual
> shapiro.test(model6$residuals)

Shapiro-Wilk normality test

data: model6$residuals
W = 0.94295, p-value = 0.6133
Dari output di atas diperoleh nilai 𝑝 − 𝑣𝑎𝑙𝑢𝑒 sebesar 0,6133
Daerah kritis: Tolak 𝐻0 jika 𝑝 − 𝑣𝑎𝑙𝑢𝑒 ≤ 𝛼 = 0,05
Keputusan: Gagal tolak 𝐻0 karena 𝑝 − 𝑣𝑎𝑙𝑢𝑒 = 0,6133 > 𝛼 = 0,05
Kesimpulan: Dengan taraf signifikansi 5%, belum terdapat cukup bukti untuk mengatakan
bahwa error tidak berdistribusi normal. Artinya, asumsi normalitas error terpenuhi.

6.3. Uji Asumsi Homoskedastisitas

𝐻0 : Terjadi Homoskedastisitas
𝐻1 : Terjadi Heteroskedastisitas
Taraf signifikansi: 𝛼 = 5%
Statistik uji: Statistik uji yang digunakan adalah Breusch Pagan
> #uji asumsi homoskedastisitas
> bptest(model6)

studentized Breusch-Pagan test

data: model6
BP = 1.072, df = 2, p-value = 0.5851
Output RStudio menunjukkan bahwa nilai 𝑝 − 𝑣𝑎𝑙𝑢𝑒 = 0,5851
Daerah Kritis: Tolak 𝐻0 jika p-value ≤ 𝛼 = 0,05
Keputusan: Gagal tolak 𝐻0 karena p-value = 0,5851 > 𝛼 = 0,05
Kesimpulan: Dengan tingkat signifikansi 5%, belum terdapat cukup bukti untuk
menyimpulkan bahwa terjadi heteroskedastisitas dalam model. Ini berarti, varians error
konstan dan memenuhi asumsi.

6.4. Uji Asumsi Non Autokorelasi

𝐻0 : Tidak terjadi korelasi antar error pada data
𝐻1 : Terjadi korelasi antar error pada data
Taraf signifikansi: 𝛼 = 5%
Statistik uji: Statistik uji yang digunakan adalah Durbin Watson.
> #uji asumsi autokorelasi
> durbinWatsonTest(model6)
lag Autocorrelation D-W Statistic p-value
1 -0.08383625 1.747254 0.216
Alternative hypothesis: rho != 0
Dari output R didapatkan nilai statistik 𝐷 = 1,747254
Daerah kritis:
Tolak H0 apabila D < dL
Gagal tolak H0 apabila dU < D < 4 – dU
Jika dL ≤ D ≤ dU atau 4 – dU ≤ D ≤ 4 – dL maka tidak dapat disimpulkan
 𝑑𝑈 = 1,6993 ; 4 − 𝑑𝑈 = 2,3007
Keputusan: Karena D = 1,747254 berada diantara 𝑑𝑈 < 𝐷 < 4 − 𝑑𝑈maka, keputusannya
adalah gagal tolak 𝐻0 c
Kesimpulan: Dengan tingkat signifikansi sebesar 5% tidak terdapat cukup bukti untuk
mengatakan bahwa model regresi antara ln Q dengan ln P dan ln I terdapat autokorelasi.
Artinya asumsi nonautokorelasi terpenuhi.

6.5. Uji Asumsi Non Multikolinearitas

H0 : tidak terjadi multikolinearitas (nonmultikolinearitas)
H1 : terjadi multikolinearitas
Tingkat signifikansi: 𝛼 = 0,05
Statistik uji:
Kita menguji adanya multikolinearitas dengan menghitung nilai VIF (Variance Inflation
Factor) pada RStudio
> #uji Multikoliniearitas
> vif(model6)
logP logI
1.623144 1.623144
VIF yang didapatkan adalah sebesar 1,623144
Wilayah kritis: Tolak H0 apabila VIF > 10
Keputusan: Karena VIF = 1,623144< 10, maka keputusannya adalah gagal tolak H0
Kesimpulan: Dengan tingkat signifikansi 5%, tidak terdapat cukup bukti untuk menyatakan
bahwa terdapat multikolinearitas pada model regresi antara ln Q dengan ln P dan ln I. Artinya
asumsi nonmultikolinearitas terpenuhi.