Dosen Pembimbing:
Dr. Budiasih
Disusun Oleh:
Dian Anggriani Girsang (211910694)
Hana Fauziyah (211910767)
Rizki Aji Prasetyo (211910832)
Resda Aninditya Audina (211910935)
Nurzikri Saputra (211910958)
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
data: model1$residuals
W = 0.95884, p-value = 0.7861
Dari output di atas diperoleh nilai 𝑝 − 𝑣𝑎𝑙𝑢𝑒 sebesar 0,7861
Daerah kritis: Tolak 𝐻0 jika 𝑝 − 𝑣𝑎𝑙𝑢𝑒 ≤ 𝛼 = 0,05
Keputusan: Gagal tolak 𝐻0 karena 𝑝 − 𝑣𝑎𝑙𝑢𝑒 = 0,7861 > 𝛼 = 0,05
Kesimpulan: Dengan taraf signifikansi 5%, belum terdapat cukup bukti untuk mengatakan
bahwa error tidak berdistribusi normal. Artinya, asumsi normalitas error terpenuhi.
data: model1
BP = 0.043774, df = 1, p-value = 0.8343
Output RStudio menunjukkan bahwa nilai 𝑝 − 𝑣𝑎𝑙𝑢𝑒 = 0,8343
Daerah Kritis: Tolak 𝐻0 p-value ≤ 𝛼 = 0,05
Keputusan: Gagal tolak 𝐻0 karena p-value = 0,8343 > 𝛼 = 0,05
Kesimpulan: Dengan tingkat signifikansi 5%, belum terdapat cukup bukti untuk
menyimpulkan bahwa terjadi heteroskedastisitas dalam model. Ini berarti, varians error
konstan dan memenuhi asumsi.
∑𝑖(𝑄𝑖 − 𝑄̅ )(𝐼𝑖 − 𝐼 )̅
𝑏=
∑𝑖(𝐼𝑖 − 𝐼 )̅ 2
249.7778
𝑏=
366.8889
𝑏 = 0.6808
𝑎 = 𝑄̅ − 𝑏𝐼 ̅
𝑎 = 13.7778 − (0.6807 × 17.8889)
𝑎 = 1.599
Dengan menggunakan RStudio, estimasi parameter yang dihasilkan adalah sebagai berikut.
lm(formula = kuantitas ~ pendapatan, data = permintaan)
Residuals:
Min 1Q Median 3Q Max
-4.981 -3.981 -0.407 3.785 6.785
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 1.5990 4.5211 0.354 0.7340
pendapatan 0.6808 0.2380 2.860 0.0243 *
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Dengan memperhatikan hasil dari penghitungan manual dan hasil dari SPSS maka dapat
disimpulkan model regresi sederhana yang terbentuk antara Q dengan I adalah 𝑄 = 1,599 +
0,6808𝐼.
data: model2$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.
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.
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
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
durbinWatsonTest(model8)
lag Autocorrelation D-W Statistic p-value
1 -0.3627225 2.538912 0.68
Alternative hypothesis: rho != 0
1. Titik kritis
Call:
lm(formula = demand$Quantity ~ demand$Price + demand$Income)
Coefficients:
(Intercept) demand$Price demand$Income
23.2165 -0.8734 0.1722
Dari output RStudio dihasilkan model regresi yang sama seperti pengerjaan manual. Model
regresi yang terbentuk antara Q dengan P dan I adalah
Q = 23,2165 − 0,8734(P) + 0,1722(I)
data: model3$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)
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.
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
4,964
r=− = −1,856
26,755
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.
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.
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%
data: model4$residuals
W = 0.92263, p-value = 0.4145
Dari output di atas diperoleh nilai 𝑝 − 𝑣𝑎𝑙𝑢𝑒 sebesar 0,4145
Daerah kritis: Tolak 𝐻0 jika 𝑝 − 𝑣𝑎𝑙𝑢𝑒 ≤ 𝛼 = 0,05
Keputusan: Gagal tolak 𝐻0 karena 𝑝 − 𝑣𝑎𝑙𝑢𝑒 = 0,4145 > 𝛼 = 0,05
Kesimpulan: Dengan taraf signifikansi 5%, belum terdapat cukup bukti untuk mengatakan
bahwa error tidak berdistribusi normal. Artinya, asumsi normalitas error terpenuhi.
data: model4
BP = 0.41628, df = 1, p-value = 0.5188
Output RStudio menunjukkan bahwa nilai 𝑝 − 𝑣𝑎𝑙𝑢𝑒 = 0,5188
Daerah Kritis: Tolak 𝐻0 p-value ≤ 𝛼 = 0,05
Keputusan: Gagal tolak 𝐻0 karena p-value = 0,5188 > 𝛼 = 0,05
Kesimpulan: Dengan tingkat signifikansi 5%, belum terdapat cukup bukti
untukmenyimpulkan bahwa terjadi heteroskedastisitas dalam model. Ini berarti, varians
error konstan dan memenuhi asumsi.
Karena tidak dapat disimpulkan apakah model ini terdapat autokorelasi atau tidak, maka
perlu dilakukan perbaikan atau treatment dengan menggunakan Prosedur Cochrane-Orcutt.
t lnQ lnP ln 𝑄̂ et 𝑒𝑡−1 𝑒𝑡 (𝑒𝑡−1 )2
1 1,386294 3,178054 1,894595 -0,5083
2 1,94591 2,995732 2,076149 -0,13024 0,066201 0,25837
3 2,079442 2,833213 2,237984 -0,15854 0,020649 0,016962
4 2,564949 2,833213 2,237984 0,326965 -0,05184 0,025136
5 2,772589 2,302585 2,76638 0,006209 0,00203 0,106906
6 2,70805 2,70805 2,362621 0,345429 0,002145 3,85E-05
7 2,944439 2,484907 2,584826 0,359613 0,124221 0,119321
8 2,995732 2,197225 2,871297 0,124435 0,044748 0,129322
9 3,091042 1,609438 3,456611 -0,36557 -0,04549 0,015484
Total 0,162666 0,671539
∑𝑛𝑡=2 𝑒𝑡−1 𝑒𝑡
𝑟= 𝑛 = 0,2422
∑𝑡=2(𝑒𝑡−1 )2
lnQ’ = lnQ t-1
lnP’ = lnPt – rlnPt-1
data: coc2$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.
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.
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
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
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
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$residuals)
data: model5$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.
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.
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.
data: coc2$residuals
W = 0.91217, p-value = 0.3314
Dari output di atas diperoleh nilai 𝑝 − 𝑣𝑎𝑙𝑢𝑒 sebesar 0,3314
Daerah kritis: Tolak 𝐻0 jika 𝑝 − 𝑣𝑎𝑙𝑢𝑒 ≤ 𝛼 = 0,05
Keputusan: Gagal tolak 𝐻0 karena 𝑝 − 𝑣𝑎𝑙𝑢𝑒 = 0,3314 > 𝛼 = 0,05
Kesimpulan: Dengan taraf signifikansi 5%, belum terdapat cukup bukti untuk mengatakan
bahwa error tidak berdistribusi normal. Artinya, asumsi normalitas error terpenuhi.
data: coc2$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.
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
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
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.
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.