Disusun oleh :
Nama anggota:
1. Nadia Lian Putri (E1D019013)
2. Noni Shintani (E1D019023)
3. Septi Eka Safitri (E1D019039)
4. Meri Nurbaiti (E1D019048)
5. Fajri Ramadhan (E1D019075)
Shift : Senin 09.00
Data cross section adalah sebuah data yang mempunyai beberapa objek dan
dikumpulkan dalam jangka satu waktu atau dapat juga diartikan sebagai data yang
dikumpulkan dalam satu tahun tertentu dan mempunyai banyak objek (Khoiri, 2019). Data
deret waktu (time series) adala sebuah data yang dikumpulkan dan dicatat berdasarkan
periode waktu tertentu. Contohnya seperti data konsumsi, ekspor, investasi, indeks harga
saham, jumlah uang yang beredar, tingkat suku bunga, jumlah pengangguran, dan data
lainnya yang dikumpulkan dari waktu ke waktu dengan satuan tahunan, semesteran,
triwulanan, bulanan, mingguan, harian, dan seterusnya (Juanda dan Junaidi, 2012).
Pada statistik, analisis regresi linear kerap digunakan dalam menguji hubungan antara
variabel independen (bebas) dengan suatu variabel dependennya (terikat). Model matematis
yang digunakan untuk menyatakan hubungan antara kedua variabel tersebut dikenal dengan
persamaan regresi. Persamaan ini memiliki parameter yang menggambarkan hubungan
kuantitatif antara variabel bebas dan variabel terikat. Dalam analisis regresi, berbagai
masalah penelitian di lapangan dapat diprediksi dengan menggunakan hubungan antara
variabel bebas dan variabel terikat (Retnawati, 2017).
Model regresi yang paling sederhana adalah bentuk model regresi linear sederhana
yang bentuk persamaannya adalah
Y= 0 + 1X +
Model tersebut dikenal sebagai model regresi linier berganda (multiple). Indikator di sini
adalah berupa 0, 1, …, k , sedangkan merupakan galat acak (error) (Suyono, 2015).
Regresi non linier adalah regresi yang variabel-variabelnya berbentuk tidak biasa.
Bentuk grafik regresi non linier adalah berupa lengkungan hubungan fungsi antara dua
variabel X dan Y tidak selalu bersifat linier, akan tetapi bisa juga bukan linier (non linier).
Diantara beberapa bentuk regresi nonlinier, salah satunya adalah regresi nonlinier
keterbalikan atau biasa disebut dengan regresi nonlinier resiprokal (Hadi, 2009).
Pada model regresi resiprokal terdapat dua bentuk persamaan, diantaranya adalah sebagai
berikut.
a. Model pertama
Yi =
b. Model kedua
Yi = 0 + 1 ( )+ i
Terdapat variabel X dalam model yang bersifat nonlinier karena variabel tersebut
termasuk dalam model bentuk kebalikan atau berbanding terbalik. Namun,
ketika proses pengembalian model dilakukan, bentuk di atas menjadi bentuk
linier. Berdasarkan model di atas maka model resiprokal yang bervariabel
independen sebanyak n, dapat dituliskan sebagai berikut.
Yi = 0 + 1 + 2 +…+ k + i (Draper dan Smith (1992) dalam Hadi
(2009)).
Salah satu kurva non linear adalah kurva regresi eksponensial. Regresi eksponensial
sendiri digunakan dalam menentukan fungsi eksponensial yang sesuai dengan kumpulan data.
Model regresi eksponensial ini merupakan evolusi dari regresi linier menggunakan fungsi
logaritma. Salah satu bentuk fungsi dari eksponensial adalah y=aebx . Sebelum menentukan
kurva regresi eksponensial, tentukan koefisien regresi eksponensial menggunakan metode
kuadrat terkecil terlebih dahulu. Untuk dapat menggunakan metode ini dalam regresi
eksponensial, fungsi eksponensial y=aebx ditransformasikan ke dalam bentuk linier
menggunakan logaritma natural, dengan begitu akan menghasilkan persamaan linier : ln y =
ln a + bx (Pahlevi et al., 2013).
Model semilog adalah model dimana hanya salah satu variabel (Y atau X) yang
ditransformasi secara logaritma. Bentuk modelnya sebagai berikut:
α1 mengukur perubahan relatif (persentase) Y yang disebabkan oleh perubahan absolut dari
X. Model ini disebut juga dengan model pertumbuhan tetap, karena mengukur tingkat
pertumbuhan yang konstan sepanjang waktu seperti trend kesempatan kerja, produktivitas,
dan lainnya. Sedangkan untuk model kedua, β1 mengukur perubahan absolut Y yang
disebabkan oleh perubahan relatif (persentase) dari X. (Juanidi, 2015).
Analisis pengaruh input terhadap output ini dijelaskan dalam suatu fungsi produksi.
Fungsi produksi yang umumnya digunakan adalah fungsi produksi dari Cobb Douglas.
Fungsi Cobb-Douglas adalah suatu fungsi atau persamaan menunjukkan pengaruh input yang
digunakan dengan output yang diinginkan. Pendekatan Cobb-Douglas merupakan bentuk
fungsional dari fungsi produksi secara luas digunakan untuk mewakili hubungan output untuk
input. Secara matematis, fungsi ini dapat dijelaskan sebagai berikut :
Q = A Lα K β
Dimana :
Q = jumlah produksi/output
K = jumlah modal.
Nilai α dan β pada persamaan Cobb Douglas masing-masing menunjukkan elastisitas faktor
input dari L dan K. Pada persamaan Cobb Douglas jumlah dari elastisitas faktor input dapat
menunjukkan tingkat tambahan hasil dengan ketentuan sebagai berikut :
a. Jika α + β = 1 terdapat tambahan hasil yang konstan atas skala produksi, (Constant
return to scale)
b. Jika α + β > 1 terdapat tambahan hasil yang meningkat atas skala produksi,
(Increasing return to scale). c. Jika α + β. (Amalia, 2014)
Bentuk fungsional Cobb-Douglas dari fungsi produksi secara umum digunakan untuk
mempresentasikan hubungan dari input ke output. Fungsi produksi CobbDouglas adalah
suatu fungsi atau persamaan yang melibatkan dua atau lebih variabel, dimana variabel
dependent disimbolkan dengan Y dan variabel X disebut dengan variabel independent.
Hubungan antara variabel Y dan X dapat diselesaikan dengan cara regresi dimana variasi dari
Y akan dipengaruhi oleh variasi dari X. Dengan demikian, aturan pada garis regresi juga
berlaku pada fungsi Cobb-Douglas. Fungsi produksi eksponensial ini dapat berbeda satu
sama lain tergantung pada ciri data yang ada, tetapi secara umum fungsi produksi
eksponensial ini dituliskan pada persamaan (2) sebagai berikut:
Y = aX
Secara matematis, fungsi Cobb Douglas dapat dituliskan seperti persamaan (3) berikut ini
(Wang dan Fu, 2013):
Bila fungsi Cobb Douglas tersebut dinyatakan dengan hubungan Y dan X, maka hubungan
tersebut ditunjukkan oleh persamaan (4).
dimana:
e = logaritma natural,
Dalam analisis regresi yang menggunakan data time series, model regresi melibatkan
data pada waktu sekarang dan waktu lampau/selang waktu (lagged/past) dari variabel bebas
X, maka dinamakan model terdistribusi-lag. Menurut Gujarati (2013), model terdistribusi-lag
adalah sebagai berikut :
Yt = α + β0 Xt + β1 Xt-1 + β2 Xt-2 + εt
Persamaan (3) menggambarkan bahwa nilai Yt tergantung atau dipengaruhi oleh nilai X pada
saat t (Xt), nilai X pada satu unit ukuran sebelumnya (Xt-1), dan nilai X pada dua unit ukuran
waktu sebelumnya (Xt-2). (Pratami, 2016).
Model regresi menggunakan data deret waktu tidak hanya menggunakan pengaruh
perubahan variabel bebas (x) terhadap variabel takbebas (y) dalam kurun waktu yang sama
dan selama periode pengamatan yang sama, namun juga menggunakan periode waktu
sebelumnya. Waktu yang diperlukan bagi variabel bebas (x) dalam memengaruhi variabel tak
bebas (Y) disebut beda kala atau lag (Sarwoko, 2005). Model regresi dengan memasukkan
nilai variabel yang menjelaskan nilai masa kini atau nilai masa lalu dari variabel bebas (X)
sebagai tambahan pada model yang memasukkan lag dari variabel takbebas (y) disebut
autoregressive distributed lag (ARDL). ARDL merupakan gabungan antara metode
autoregressive (AR) dan distributed lag (DL). Model AR adalah model regresi yang memuat
variabel takbebas dipengaruhi oleh variabel bebas pada waktu t, serta dipengaruhi juga oleh
variabel takbebas itu sendiri pada waktu (Gujarati, 2006:484). Model distributed lag disebut
sebagai model dinamis karena efek perubahan satu unit dalam nilai variabel bebas
terdistribusi pada sejumlah periode waktu (Gujarati, 2006:485).(Aqibah, 2020).
Dalam analisis regresi harus memperhatikan beberapa asumsi, yaitu multikolinearitas,
heteroskedastisitas, autokorelasi dan linearitas. Namun dalam penelitian ini kita akan
menggunakan uji asumsi heteroskedastisitas dimana terjadi perbedaan varians dari error suatu
pengamatan ke pengamatan lain. Pendeteksian ada tidaknya masalah heteroskedastisitas
dapat dilakukan antara lain dengan metode grafik atau menggunakan uji statistic. Secara
statistik, jika suatu kasus terjadi heteroskedastisitas maka dapat mengganggu model yang
akan diestimasi. Cara mengatasi masalah heteroskedastisitas dapat dilakukan dengan
transformasi data. Homogenitas varian (varian konstan) ini dikenal sebagai
”homoskedastisitas” (homoscedasticity). Ada kasus dimana seluruh faktor gangguan tidak
memiliki varian yang sama (varian tidak konstan). Kondisi varian nir-konstan atau varian nir-
homogen ini disebut “heteroskedastisitas” (heteroscedasticity). Jadi, U adalah
heteroskedastisitas bila Var(Ui) ≠ σi 2 (suatu nilai konstan) tapi Var(Ui) = σi 2 (suatu nilai
yang bervariasi) (Mokosolang, 2015).
Menurut ( Supranto, 1989: 281 ), Heteroskedastisitas berarti variansi variabel Y
dalam model tidak sama untuk semua pengamatan. ( Supranto, 1989: 285 ) Autokorelasi
berarti terdapatnya korelasi antaranggota sampel Y atau data pengamatan diurutkan
berdasarkan waktu. Autokorelasi biasanya muncul pada regresi yang menggunakan data
berkala (time series) karena dalam data berkala (time series), data masa sekarang dipengaruhi
oleh data pada masamasa sebelumnya. (Jatiningrum 2008).
Menurut Widarjono terdapat konsekuensi terhadap estimator OLS jika ada masalah
heteroskedastisitas namun tetap mempertahankan asumsi metode OLS dan ada kemungkinan
tidak akan menghasilkan estimator linear tidak bias yang terbaik. (Maziyya, 2015).
Menurut Nachrowi (2006) salah satu asumsi penting dalam membuat model Regresi
adalah 𝑣( 𝑖) harus sama dengan 𝜎 2 (konstan) atau semua residual atau error mempunyai
variansi yang sama. Kondisi seperti ini disebut dengan Homoskedastisitas. Sedangkan apabila
variansi tidak konstan atau berubah-ubah disebut Heteroskedastisitas. Konsekuensi dari
pelanggaran asumsi homoskedastisitas adalah sebagai berikut : 1. Penduga (estimator) yang
diperoleh tetap memenuhi persyaratan tidak bias. Sifat ketidak biasan tidak tergantung pada
variansi galat. Jika dalam model regresi ada heteroskedastisitas, maka tetap diperoleh nilai
parameter yang tidak bias karena sebagai penduga tidak bias tidak memerlukan asumsi bahwa
variansi galat harus konstan. 2. Variansi penduga yang diperoleh akan menjadi tidak efisien,
artinya penduga tersebut tidak memiliki variansi terkecil di antara pendugapenduga tidak bias
lainnya. (Setyawan Ra, 2019).
Uji Autokorelasi adalah hubungan yang terjadi diantara residual dari pengamatan satu
dengan pengamatan yang lain (Priyatno,2010). Tujuan dilakukan uji ini adalah untuk menguji
apakah dalam model regresi linear ada korelasi antara kesalahan pengganggu pada periode t
dengan kesalahan pengganggu pada periode t-1. (Denziana, 2014). Jika terjadi autokolerasi
maka dinamakan ada problem autokolerasi. Pada penelitian ini, untuk mengetahui ada atau
tidaknya autokorelasi digunakan uji Durbin Wastin (DW) dengan kriteria sebagai berikut:
a) 0 < d < dl, berarti tidak ada autokorelasi positif dan keputusannya ditolak.
b) dl ≤ d ≤ du, berarti tidak ada autokorelasi positif dan keputusannya no
desicison.
c) 4 – dl < d < 4, berarti tidak ada autokorelasi negatif dan keputusannya ditolak.
d) 4 – du ≤ d ≤ 4 – dl, berarti tidak ada autokorelasi negatif dan keputusannya no
desicison.
e) du < d < 4 – du, berarti tidak ada autokorelasi positif atau negatif dan
keputusannya tidak ditolak (Ayuwardani, 2018).
Uji autokorelasi bertujuan menguji apakah dalam suatu model regresi linear terdapat
korelasi antar kesalahan pengganggu (residual) pada periode t dengan kesalahan pada periode
t – 1(sebelumnya). Jika terjadi korelasi, maka dinamakan terdapat permasalahan autokorelasi.
Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama
lain (Janie, 2012). Masalah ini timbul karena residual tidak bebas dari satu pengamatan ke
pengamatan yang lain. Hal ini sering ditemukan pada data runut waktu (time series) karena
gangguan pada seseorang/ individu /kelompok cenderung mempengaruhi gangguan pada
individu/kelompok yang sama pada periode berikutnya. Ada beberapa cara yang dapat
digunakan untuk mendeteksi ada tidaknya autokorelasi. Salah satu cara yang umum
digunakan untuk mendeteksi adanya autokorelasi dalam regresi linear berganda adalah
dengan Uji Durbin Watson (DW). Uji D-W merupakan salah satu uji yang banyak dipakai
untuk mengetahui ada tidaknya autokorelasi. Hampir semua program statistik sudah
menyediakan fasilitas untuk menghitung nilai d( yang menggambarkan koefisien DW).
(Nugroho, 2016).
Saat ini pengolahan data tidak dapat dipisahkan dari komputer dan perangkat lunak
pengolah data. Penggunaan komputer dan perangkat lunak semakin signifikan jika dikaitkan
dengan jumlah data atau pengamatan dan jumlah variabel yang digunakan dalam suatu model
ekonometrika. Sebagian besar mahasiswa mengalami kesulitan dalam memilih model
ekonometrika, hal ini disebabkan karena kurangnya pemahaman tentang kegunaan model
dan, hal ini selain disebabkan karena kurangnya pemahaman terhadap kegunaan model dan
awamnya penggunaan software ekonometrika yang standar (Eviews, SPSS, atau Shazam dan
lainnya), juga disebabkan karena kurangnya pemahaman dalam intepretasi output dari hasil
analisis.
Dalam penelitian kuantitatif ada berbagai macam model ekonometrik yang dapat
diaplikasikan. Dalam practical guide ini hanya dipaparkan beberapa jenis model yang umum
digunakan dalam model kuantitatif, seperti: Model regresi sederhana dan berganda, model
tanpa konstanta, model reciprocal, model double log, model semilog, model exponential,
model invers. Hasil estimasi dari berbagai model ekonometrika yang digunakan dengan
software ekonometrika dapat di interpretasikan. Dimana hasil interpretasi ini dapat menjadi
sebuah dasar pembuktian terhadap suatu penelitian.
Penjelasan di atas, dapat digambarkan dalam bagan pemikiran di bawah ini :
EKONOMETRIKA
Data
CS TS
MODEL
EKONOMETRIKA
linear
8 Model
Reciprocal
Exponential
Semilog
Log Invers
Hasil Estimasi
Tanpa
Konstanta
Dimana
Yt : Produksi Kakao
Β0 : Konstanta
β1, β2, β3, β4 : Koefisien variabel Independent
X1t : Luas Lahan (Hektar)
X2t : Bibit (Kg)
X3t : Tenaga Kerja (Jumlah tenaga kerja)
X4t : Pupuk (kg)
et : Error term
3.2 Model Dengan Variabel Beda Kala
A. Jenis dan Sumber Data
Jenis data yang digunakan adalah time series. Data time series merupakan
jenis data yang dikumpulkan menurut urutan waktu dalam suatu rentang waktu
tertentu. Jika waktu dipandang bersifat diskrit (waktu dapat dimodelkan bersifat
kontinu), maka frekuensi pengumpulan datanya selalu sama (equidistant). Dalam
kasus diskrit, frekuensi dapat berupa misalnya detik, menit, jam, hari, minggu, bulan
atau tahun..
Sumber data dari skripsi oleh Alfisyahr Dwi Aurul, Universitas Islam
Indonesia, dengan judul Pengaruh Produksi, Kurs Dan Harga Kakao Internasional
Terhadap Ekspor Kakao Indonesia.
B. Spesifikasi Model
Untuk menguji hipotesis mengenai pengaruh produksi, kurs dan harga kakao
internasional terhadap ekspor kakao indonesia dan menguji adakah masalah
heteroskedastisitas dan autokorelasi digunakan aplikasi Shazam sebagai alat bantu
hitung dengan persamaan sebagai berikut :
Dalam double log menjadi lnYt = ln β0 + β1 lnX1t + β2 lnX2t + β3 lnX3t +
Yt : Ekspor kakao Indonesia
Β0 : Konstanta
β1, β2, β3 : Koefisien variabel Independent
X1t : Produksi kakao (ton)
X2t : Kurs
X3t : Harga kakao internasional
: Error term
BAB IV
HASIL DAN PEMBAHASAN
4.1 Bentuk fungsional analisis data Cross-Section
Adapun model terbaik yang digunakan untuk menganalisis faktor yang
mempengaruhi produksi kakao di desa Silaping adalah bentuk fungsional ekponensial dengan
persamaan sebagai berikut : lnYt = β0 + β1X1t + β2X2t + β3X3t + β4X4t + et Dimana variabel-
variabel independen seperti luas lahan, benih, pupuk dan tenaga kerja didapatkan hasil
analisis pada sofware shazam sebagai berikut :
R-square sebesar 0,4824 artinya ketepatan model yang menjelaskan variabel-variabel
independen sama dengan 48,24% terhadap tingkat produksi kakao. Jika dibandingkan dengan
bentuk fungsional model lainnya maka bentuk fungsional ekponensial memiliki nilai R
square yang paling besar persentasenya. Artinya ketepatan model analisis estimasi bentuk
fungsional ekponensial memiliki ketepatan model yang terbaik dalam menjelaskan variabel-
variabel independen terhadap variabel dependen yaitu produksi sebesar 48,24 % sedangkan
51,76 % menjelaskan variabel-variabel lain diluar model. Adapun nilai uji F hitung sebesar
5,825 sedangkan F tabel 2,99 artinya F hitung > F tabel maka H0 ditolak dan H1 diterima,
artinya variabel X1, X2, X3 dan X4 secara bersama-sama berpengaruh terhadap produksi
kakao di desa Silaping.
Selanjutnya adalah uji t dengan nilai t tabel sebesar 1,70814 Adapun nilai uji t hitung regresi
sederhana variabel–variabel independennya sebagai berikut :
1. Luas lahan : nilai t-hitung sebesar 0.2820 sedangkan nilai t-tabel sebesar 1,70814
artinya H0 diterima dan H1 ditolak maka luas lahan tidak berpengaruh terhadap
produki kakao di desa Silaping.
2. Bibit : nilai t-hitung sebesar -0.2037 sedangkan nilai t tabel sebesar 1,70814 artinya
H0 diterima dan H1 ditolak maka bibit tidak berpengaruh terhadap produki kakao di
desa Silaping.
3. Tenaga Kerja : nilai t hitung sebesar 3.089 sedangkan nilai t tabel sebesar 1,70814
artinya H0 ditolak dan H1 diterima maka jika tenaga kerja ditambah 1% akan
menaikkan produksi kakao sebesar 0.10072 ton.
4. Pupuk : nilai t hitung sebesar 0.7051 sedangkan nilai t tabel sebesar 1,70814 artinya
H0 diterima dan H1 ditolak maka pupuk tidak berpengaruh terhadap produki kakao di
desa Silaping.
4.2. Model dengan variabel beda kala
Model yang digunakan adalah model dengan variabel Beda kala (Lagged Variabel) secara
sistematis sebagai berkut :
Keterangan :
Β0 = Konstanta
Nilai r Square mendekati 1 yaitu 0.9418 % artinya model yang kita gunakan
dapat menjelaskan hubungan antara variabel independen terhadap variabel
dependennya sebesar 94,18% sedangkan sisanya dipengaruhi oleh variabel
lainnya yang tidak dimasukkan kedalam model yaitu sebesar 5,82%.
4.2.2 Heteroskedasitas
Heteroskedastisitas adalah sebaran varian dari kesalahan pengganggu adalah
sama.
Nilai Chi-Square tabel bernilai 3.814 %
Hipotesis :
jika x2 hitung < x2 tabel : tolak H1 terima H0, maka tidak ada masalah
heteroskedasitas
jika x2 hitung > x2 tabel tolak H0 terima H1 maka ada masalah
heterokedasitas.
Hasil analisis : bahwa x2 hitung > x2 tabel tolak H0 dan terima H1 maka ada
masalah heteroskedasitas.
4.2.3 Autokorelasi
Merupakan masalah ini yang terjadi di karena terdapat hubungan korelasi
antara kesalahan pengganggu untuk mengetahui permasalahan autokorelasi kita
dapat dari nilai DW Jika nilai durbin Watson < 2 maka tidak ada masalah
autokorelasi.
Hasil analisis : pada data yang dianalisis di atas diketahui nilai durbin Watson
yaitu 0,5 yaitu 0,558 satu Sehingga tidak terjadi masalah autokorelasi
dikarenakan 0,558 < 2 .
5.2 Saran
Aurul, A. D. 2019. Pengaruh Produksi, Kurs Dan Harga Kakao Internasional Terhadap
Ekspor Kakao Indonesia. [Skripsi].Universitas Muhammadiyah Sumatera
Utara.Medan
Hadi, S.. 2009. Etimasi Parameter Model Regresi Non Linear Resiprokal dengan
Menggunakan Metode Mximum Likehood Estimation (Study Kasus Oksidasi Amoniak
Menjadi Asam Nitrat). [Skripsi]. Universitas Islam Negeri Maulana Malik Ibrahim.
Malang.
Juanda, B. dan Junaidi. 2012. Ekonometrika Deret Waktu : Teori dan Aplikasi. IPB Press.
Bogor.
Junaidi. 2015. Bentuk Fungsional Regresi Linear (Aplikasi Model dengan Program SPSS).
Fakultas Ekonomi dan Bisnis Universitas Jambi. Jambi.
Khoiri, H. A. 2019. Statistika untuk Industry Teori dan Pengolahan Data. UNIPMA Press.
Madiun.
Pahlevi, R., Adnan, A., dan Sugiarto, S.. 2013. Menentukan Koefisien Regresi Eksponensial
dengan Metode Kuadrat Terkecil Sederhana dan Metode Kuadrat Terkecil Berbobot.
[Karya Ilmiyah]. Fakultas Matematika dan Ilmu Pengetahuan Alam Kampus
Binawidya. Pekanbaru.
Retnawati, H.. 2017. Pengantar Analisis Regresi dan Korelasi. [Makalah]. Fakultas
Ekonomi dan Bisnis IAIN Batusangkar.
Suyono, Prof. Dr., M.Si. 2015. Analisis Regresi untuk Penelitian. Depublish. Yogyakarta.
Whistler, D., White, K. J., Bates, D., dan Golding, M.. 2011. SHAZAM Reference Manual
Version 11. SHAZAM Analytics, Ltd. Cambridge, England.
Amalia, F. 2014. Analisis Fungsi Produksi Cobb-Douglas pada Kegiatan Sektor Usaha Mikro
di Lingkungan UIN Syarif Hidayatullah Jakarta. Jurnal Signifikan. 3(1): 45-62
Aqibah, M., Ni Luh Putu Suciptawati, & I Wayan Sumarjaya. 2020. Model Dinamis
Autoregressive Distributed Lag (Studi Kasus: Pengaruh Kurs Dolar Amerika dan
Inflasi terhadap Harga Saham Tahun 2014-2018). E-Jurnal Matematika. 9(4): 240-
250
Denziana, A., Indrayenti, & Ferdinan Fatah. 2014. Corporate Financial Performance Effects
of Macro Economic Factors Against Stock Return. Jurnal Akuntansi & Keuangan.
5(2): 17-40.
Junaidi. 2015. Bentuk Fungsional Regresi Linear (Aplikasi Model dengan Program SPSS).
Fakultas Ekonomi dan Bisnis Universitas Jambi: Jambi. Hal 1-6.
Maziyya, P., I Komang Gede Sukarsa, & Ni Made Asih. 2015. Mengatasi Heteroskedastisitas
pada Regresi dengan Menggunakan Weighted Least Square. E-Jurnal Matematika.
4(1): 20-25.
Mokosolang, C., Jantje D. Prang, & Mans L. Mananohas. 2015. Analisis Heteroskedastisitas
Pada Data Cross Section dengan White Heteroscedasticity Test dan Weighted
Least Squares . JdC. 4(2): 171-179.
Nurprihatin, F., & Hendy Tannady. 2017. Pengukuran Produktivitas Menggunakan Fungsi
Cobb-Douglas Berdasarkan Jam Kerja Efektif. JIEMS Journal of Industrial
Engineering and Management Systems. 10(1): 34-45.
Pratami, F., Sudarno, & Dwi Ispriyanti. 2016. Peramalan Dinamis Produksi Padi di Jawa
Tengah Menggunakan Metode Koyck dan Almon. Jurnal Gaussian. 5(1): 91-97 .
Rahayu, Y. 2018. Elastisitas Harga dan Pendapatan Terhadap Permintaan Kredit Sepeda
Motor di Kabupaten Manokwari. Jurnal Perisai. 2(2): 158-170
Setyawan, R., Mustika Hadijatib, & Ni Wayan Switraynic. 2019. Analisis Masalah
Heteroskedastisitas Menggunakan Generalized Least Square dalam Analisis
Regresi. Eigen Mathematics Journal . 2(2): 61-72
Sihotang, S. 2020. Analisis Model Log Linier Tiga Dimensi untuk Data Kualitatif dengan
Metode Forward. Journal of Mathematics Education and Science. 6(1):62-69.
LAMPIRAN
Lampiran 1. Intruksi dan hasil analisis berbagai bentuk fungsional data Cross-Section.
X1 X2 X3 X4 CONSTANT
X1 X2 X3 X4 CONSTANT
|_genr ly=log(yt)
|_genr lx1=log(x1)
|_genr lx2=log(x2)
|_genr lx3=log(x3)
..WARNING.ILLEGAL LOG IN OBS 16,VALUE= 0.00 USING MISSING CODE=-99999.
..OBSERVATION 16 USED MISSING DATA CODE=-99999. TRY SKIPMISS OPTION
|_genr lx4=log(x4)
4. MODEL EXPONENTIAL
|_genr ly=log(yt)
X1 X2 X3 X4 CONSTANT
X1 X2 X3 X4 CONSTANT
5. MODEL SEMILOG
|_genr lx1=log(x1)
|_genr lx2=log(x2)
|_genr lx3=log(x3)
..WARNING.ILLEGAL LOG IN OBS 16,VALUE= 0.00 USING MISSING CODE=-99999.
..OBSERVATION 16 USED MISSING DATA CODE=-99999. TRY SKIPMISS OPTION
|_genr lx4=log(x4)
6. MODEL RECIPROCAL
|_genr No=1/x1
|_genr Ni=1/x2
|_genr Sh=1/x3
..WARNING.ILLEGAL DIV IN OBS 16,VALUE= 0.00 USING MISSING CODE=-99999.
..OBSERVATION 16 USED MISSING DATA CODE=-99999. TRY SKIPMISS OPTION
|_genr In=1/x4
NO NI SH IN CONSTANT
NO NI SH IN CONSTANT
|_genr ly=log(yt)
|_genr No=-1/x1
|_genr Ni=-1/x2
|_genr Sh=-1/x3
..WARNING.ILLEGAL DIV IN OBS 16,VALUE= 0.00 USING MISSING CODE=-99999.
..OBSERVATION 16 USED MISSING DATA CODE=-99999. TRY SKIPMISS OPTION
|_genr In=-1/x4
NO NI SH IN CONSTANT
NO NI SH IN CONSTANT
INSTRUKSI:
HASIL ESTIMASI:
|_file 33 D:\SEMESTER 5\EKONOMETRIKA\PRAK.EKONOMETRIKA\DATA\fix\Usahatani kakao
TS.dif
UNIT 33 IS NOW ASSIGNED TO: D:\SEMESTER 5\EKONOMETRIKA\PRAK.EKONOMETRIKA\DATA\
fix\Usahatani kakao TS.dif
|_sample 1 38
|_read(33)n q no ni sh in/dif
..NOTE..DIF FILE HAS 6 COLUMNS AND 38 ROWS
6 VARIABLES AND 38 OBSERVATIONS STARTING AT OBS 1
|_genr lq=log(q)
|_genr lno=log(no)
|_genr lni=log(ni)
|_genr lsh=log(sh)
|_genr lin=log(in)
|_genr lno1=lag(lno,1)
..NOTE.LAG VALUE IN UNDEFINED OBSERVATIONS SET TO ZERO
|_stat q no ni sh in
NAME N MEAN ST. DEV VARIANCE MINIMUM MAXIMUM
Q 38 1998.5 11.113 123.50 1980.0 2017.0
NO 38 413.00 295.18 87132. 10.000 837.00
NI 38 80.037 221.48 49053. 1.0000 909.26
SH 38 1.9253 0.64962 0.42200 0.91000 3.1400
IN 38 277.55 182.95 33473. 4.0000 609.00
|_sample 2 38
MODEL HETEROSKEDASTISITAS
INSTRUKSI:
file 33 D:\SEMESTER 5\EKONOMETRIKA\PRAK.EKONOMETRIKA\DATA\fix\Usahatani
kakao TS.dif
sample 1 38
read(33)n q no ni sh/dif
genr lq=log(q)
genr lno=log(no)
genr lni=log(ni)
genr lsh=log(sh)
genr lno1=lag(lno,1)
stat 2 38
ols lq lno lno1 lni lsh/gf
diagnos/het
stop
HASIL ESTIMASI:
|_file 33 D:\SEMESTER 5\EKONOMETRIKA\PRAK.EKONOMETRIKA\DATA\fix\Usahatani kakao
TS.dif
UNIT 33 IS NOW ASSIGNED TO: D:\SEMESTER 5\EKONOMETRIKA\PRAK.EKONOMETRIKA\DATA\
fix\Usahatani kakao TS.dif
|_sample 1 38
|_read(33)n q no ni sh/dif
..NOTE..DIF FILE HAS 6 COLUMNS AND 38 ROWS
5 VARIABLES AND 38 OBSERVATIONS STARTING AT OBS 1
HETEROSKEDASTICITY TESTS
CHI-SQUARE D.F. P-VALUE
TEST STATISTIC
E**2 ON YHAT: 4.377 1 0.03643
E**2 ON YHAT**2: 4.377 1 0.03643
E**2 ON LOG(YHAT**2): 4.377 1 0.03643
E**2 ON LAG(E**2) ARCH TEST: 12.709 1 0.00036
LOG(E**2) ON X (HARVEY) TEST: 17.003 4 0.00193
ABS(E) ON X (GLEJSER) TEST: 13.703 4 0.00831
E**2 ON X TEST:
KOENKER(R2): 4.835 4 0.30469
B-P-G (SSR) : 9.873 4 0.04262
|_stop
TYPE COMMAND
MODEL AUTOKORELASI
INSTRUKSI:
file 33 D:\SEMESTER 5\EKONOMETRIKA\PRAK.EKONOMETRIKA\DATA\fix\Usahatani
kakao TS.dif
sample 1 38
read(33)n q no ni sh/dif
genr lq=log(q)
genr lno=log(no)
genr lni=log(ni)
genr lsh=log(sh)
genr lno1=lag(lno,1)
stat 2 38
ols lq lno lno1 lni lsh/rstat
stop
HASIL ESTIMASI: