Laporan Akhir Pratikum Ekonometrika

LAPORAN PRAKTIKUM EKONOMETRIKA
“ESTIMASI 7 MODEL EKONOMETRIKA DAN MODEL DENGAN VARIABEL
BEDA KALA (LAGGED VARIABEL)”
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
Coass : 1. Koldi Suldiyansyah
2. Fahrul Fahmi Dhita
LABORATORIUM SOSIAL EKONOMI PERTANIAN

JURUSAN SOSIAL EKONOMI PERTANIAN
FAKULTAS PERTANIAN
UNIVERSIAS BENGKULU
2021
BAB I
PENDAHULUAN
1.1 Latar Belakang

1.1.1 Faktor yang Mempengaruhi Produksi Kakao
Pertanian merupakan salah satu sektor yang berperan penting dalam
perekonomian Indonesia, antara lain: penyumbang devisa negara, sumber penyerapan
tenaga kerja, penggerak industrialisasi, dan sumber pasokan pangan. Namun seiring
berjalannya waktu, sektor pertanian mengalami penyusutan akibat alih fungsi lahan,
serta kurangnya minat generasi muda terhadap bidang pertanian. Kakao merupakan
salah satu bahan utama dalam subsektor budidaya di Indonesia. Seluruh proses
agroindustri terkait kakao dari subsistem hulu hingga subsistem hilir memegang
peranan penting dalam perekonomian Indonesia.
Kakao merupakan salah satu produk ekspor sub-hutan perkebunan, produk
utama nasional, dari tahun 2000 hingga 2007 produk ini menyumbangkan devisa ke-4
setelah kelapa sawit, karet dan kelapa. Namun pada tahun 2008, kakao naik ke
peringkat ketiga setelah kelapa sawit dan karet, mencapai US$1,413 miliar pada tahun
2009.
Pengembangan kakao dalam silase tidak terlepas dari berbagai permasalahan
yang dihadapi dari hulu hingga hilir. Beberapa permasalahan di daerah hulu antara
lain hasil panen yang rendah dan serangan hama penyakit. Sedangkan permasalahan
di daerah hilir terutama karena tingginya kandungan biji kakao yang belum
terfermentasi sehingga biji kakao tidak memiliki hasil yang baik.
Salah satu faktor penting yang mempengaruhi adalah terganggunya hasil
kakao karena banyak hama dan penyakit yang sulit dikendalikan petani di desa
pembuatan perak, sehingga produksinya menurun. Berdasarkan hal di atas, peneliti
ingin melakukan penelitian tentang “faktor-faktor yang mempengaruhi produksi
kakao di Desa Silaping, Kecamatan Ranah Batahan”.
1.1.2 Ekspor Kakao

Indonesia merupakan negara berkembang yang kaya akan sumber daya alam.
Kekayaan sumber daya alam yang kaya merupakan keunggulan tersendiri bagi
Indonesia, sumber daya alam ini menghasilkan berbagai produk yang dapat menjadi
sumber pendapatan negara dengan memperdagangkannya.
Salah satu sumber daya alam Indonesia terdapat pada hasil pertanian, dimana
pertanian memegang peranan penting dalam perekonomian. Kondisi ini ditunjukkan
dengan banyaknya penduduk Indonesia yang bergerak di bidang pertanian. Pertanian
dibagi menjadi dua pengertian, arti sempit dan arti luas. Dalam arti sempit berarti
petani bekerja keras untuk memenuhi kebutuhan pangan pokoknya. Berbeda dengan
pertanian dalam arti luas, pertanian dalam arti luas menunjukkan bahwa pertanian
terbagi menjadi lima sektor: perkebunan, tanaman pangan, perikanan, kehutanan, dan
peternakan. Hasil pertanian Indonesia sebagian untuk konsumsi dalam negeri dan
sebagian lagi untuk diekspor ke negara lain.
Ekspor produk pertanian terakhir periode 2010-2013 memiliki volume ekspor

sebesar 122.843.898 ton dengan nilai ekspor sebesar US$140.252.609, lebih tinggi
dibandingkan periode sebelumnya (2005-2009), yaitu dengan nilai ekspor produk
pertanian. dalam dolar AS. 100.030.199. . Grafik tersebut juga menunjukkan adanya
peningkatan pada setiap periodenya. Peningkatan ini akan mendorong kemajuan
pertanian di Indonesia, sehingga dengan kemajuan pertanian akan mendorong
berkembangnya sektor-sektor lain seperti sektor industri yang maju. (Alkadri, 1999)
Dalam perdagangan internasional, sektor pertanian memegang peranan penting.
Pertanian merupakan industri yang memiliki potensi untuk memberikan kontribusi
terhadap perekonomian khususnya pertumbuhan ekonomi Indonesia. Salah satu
komoditas dari sektor pertanian yang menjadi andalan perdagangan internasional
Indonesia adalah kakao. Selama lima tahun terakhir, ekspor kakao berfluktuasi.
Peningkatan ekspor kakao Indonesia berkisar antara 6,48 persen menjadi 7,53 persen
per tahun, dan penurunan ekspor kakao Indonesia sebesar 19,4 persen. Pada tahun
2013, ekspor kakao dari Indonesia secara umum mencapai 414.090 ton dengan nilai
total 1,13 miliar USD. Pada tahun 2017, ekspor kakao Indonesia turun menjadi
354.880 ton dengan nilai ekspor 1,12 miliar USD. Ekspor penting karena berperan
dalam pertumbuhan ekonomi, sehingga perlu insentif pemerintah agar aktivitas
ekspor khususnya untuk produk kakao bisa cenderung turun.stabil karena menurut
data tahun 2013-2017 cenderung menurun. Oleh karena itu, penelitian ini mencoba
untuk mengetahui apakah faktor-faktor tersebut mempengaruhi volume ekspor kakao
dari Indonesia.
Salah satu faktor yang mempengaruhi ekspor adalah produksi. Manufaktur

merupakan langkah menuju pembukaan penawaran sehingga dapat memenuhi
kebutuhan pasar baik domestik maupun internasional. Antara tahun 2013 dan 2015,
harga biji kakao dunia turun dari harga tahun dasar $2,44 per kilogram menjadi $3,14
per kilogram pada tahun 2015. Setelah itu, harga turun lagi kemudian pada tahun 2017
hingga mencapai harga $2,03. dengan pengurangan persentase. hingga 35 persen.
Selain variabel harga, perdagangan internasional juga dipengaruhi oleh nilai

tukar. Dalam perkembangan perdagangan internasional terdapat alat yang penting
untuk melakukan transaksi yaitu pertukaran mata uang, karena perdagangan suatu
negara dengan negara lain membutuhkan mata uang yang sama. Sementara nilai tukar
adalah harga mata uang satu negara relatif terhadap mata uang negara lain, dalam hal
ini dolar AS sering digunakan. Sekitar 80% produksi kakao Indonesia diekspor ke
pasar internasional. Namun permasalahannya adalah jumlah kakao yang diekspor oleh
Indonesia mengalami fluktuasi dalam tren penurunan selama 10 tahun terakhir dan
ini menunjukkan bahwa nilai pasar produk kakao di bawah tingkat optimal, sehingga
masalahnya adalah topik ini sangat diminati. Untuk mengetahui faktor-faktor yang
mempengaruhi ekspor kakao Indonesia.
1.2 Rumusan Masalah

1.2.1 Manakah model terbaik yang digunakan untuk menganalisis faktor yang
mempengaruhi produksi kakao di Desa Silaping, Kecamatan Ranah
Batahan?
1.2.2 Apakah produksi biji kakao Indonesia berpengaruh terhadap volume
ekspor kakao Indonesia?
1.2.3 Apakah kurs rupiah terhadap dollar berpengaruh terhadap volume ekspor
kakao Indonesia?
1.2.4 Apakah harga biji kakao Internasional berpengaruh terhadap volume
ekspor kakao Indonesia?
1.2.5 Apakah ada masalah heteroskedastisitas dan autokorelasi di dalam model?
1.3 Tujuan
1.3.1 Untuk mengetahui model terbaik yang digunakan untuk menganalisis
faktor yang mempengaruhi produksi kakao di Desa Silaping, Kecamatan
Ranah Batahan.
1.3.2 Untuk mengetahui pengaruh produksi biji kakao Indonesia terhadap
volume ekspor kakao Indonesia
1.3.3 Untuk mengetahui pengaruh kurs rupiah terhadap dollar terhadap volume
ekspor kakao Indonesia
1.3.4 Untuk mengetahui pengaruh harga biji kakao Internasional terhadap
volume ekspor kakao Indonesia
1.3.5 Untuk mengetahui adakah masalah heteroskedastisitas dan autokorelasi di
dalam model.
BAB II
TINJAUAN PUSTAKA
2.1 Kerangka Teoritis

SHAZAM adalah sebuah perangkat lunak yang lengkap untuk ahli ekonometrika, ahli
statistika, ahli biometrik, insinyur, sosiometri, psikometri, politikus dan lain sebagainya yang
menggunakan model statistika. Kekuatan utama yang dimiliki SHAZAM adalah untuk
mengestimasi dan menganalisis berbagai bentuk model ekonometrika dan statistika. Bahasa
perintah Shazam memiliki feksibilitas yang baik dan menyediakan kapabilitas untuk prosedur
pemrograman (Whistler et al, 2011).
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 +
Variabel Y merupakan variabel dependen (terikat), variabel X merupakan variabel

independen (bebas), untuk 0 (beta nol) dan 1 (beta satu) merupakan indikator-indikator
yang nilainya tidak diketahui, dan (epsilon) yang merupakan galat acak (random error)
(Suyono, 2015).
Sebuah model regresi linier dapat berisi lebih dari satu variabel bebas. Secara umum
model regresi linier dengan k variabel bebas yaitu X1, X2,..., Xk, sehingga bentuk
persamaannya adalah
Y= 0 + 1X1 + 2X2 +…+ kXk +
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 =
Transformasi model dtentukan dengan cara membalik persamaan sehingga menjadi

= 0 + 1Xi1 + 2Xi2 +…+ kXik + i
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).
Pada suatu model matematis : Yi = 0 Xi 1eui. Dalam parameter model tersebut

terlihat tidak linear, tetapi secara intrinsik dapat dibuat menjadi linear dengan transformasi
menjadi sebagai berikut:
lnYi = lnβ0 + β1 lnXi + ui
ln = logaritma natural (logaritma dengan bilangan dasar e = 2,71828)
Jika α = lnβ0, Yi* = lnYi dan Xi* = lnXi , persamaan tersebut dapat ditulis kembali menjadi:
Yi* = α + β1 Xi*+ ui
Model ini dinamakan dengan model double-log. Hal yang perlu diperhatikan dalam
model double-log adalah, koefisien β1 dapat dideskripsikan sebagai elastisitas yaitu
persentase perubahan variabel Y sebagai akibat dari persentase perubahan variabel X.
Dengan demikian, jika X merupakan variabel dari harga dan Y adalah variabel dari
permintaan, maka koefisien β1 dapat diinterpretasikan sebagai elastisitas harga (Junaidi,
2015).
Model log linier merupakan suatu model khusus yang dipergunakan untuk melakukan
analisis data kategori berskala nominal. Hal ini sejalan dengan defenisi yang digagas oleh
Rosalia, Silvira, dan Wulandari (2011), yang menyatakan bahwa model log linier adalah
suatu model untuk memperoleh model statistika yang menyatakan hubungan antara variabel
dengan data yang bersifat kualitatif (data berskala nominal atau ordinal). Dengan
menggunakan pendekatan log linier, bisa diketahui model matematikanya secara pasti serta
level atau kelas mana yang cenderung menimbulkan adanya hubungan atau dependensi.
Model log linier pada dasarnya merupakan model linier univariat yang dipergunakan untuk
melakukan analisis varians dengan variabel tak bebas atau respons adalah logaritma dari
frekuensi yang diharapkan dalam tiap-tiap sel tabel silang yang diperhatikan (Sihotang,
2020).
Model semilog adalah model dimana hanya salah satu variabel (Y atau X) yang
ditransformasi secara logaritma. Bentuk modelnya sebagai berikut:
lnYi = α0 + α1Xi + ui atau

Yi = β0 + β1lnXi + ui
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).
Uji Koefisien Determinasi (R2 ) Koefisien determinasi pada intinya mengukur

seberapa jauh kemungkinan model dalam menerangkan variasi variabel bebas. Nilai koefisien
determinasi berkisar antara nol dan satu. Jika R2 yang kecil berarti kemampuan variabel-
variabel independen dalam menjelaskan variasi variabel dependen amat terbatas (Ghozali,
2006 dalam Rahayu, 2018).
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
L = jumlah tenaga kerja
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):
Y = aX1 b1 X2 b2 ... Xi bi ... Xn bn e n (3)
Bila fungsi Cobb Douglas tersebut dinyatakan dengan hubungan Y dan X, maka hubungan
tersebut ditunjukkan oleh persamaan (4).
Y = f(X1, X2, ...Xi,...Xn) (4)
dimana:
Y = variabel yang dijelaskan
X = variabel yang menjelaskan
a, b = besaran yang akan diduga
u = galat (disturbance term)
e = logaritma natural,
e = 2,718 . (Nurprihatin, 2017).
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).
2.2 Kerangka Pikiran
Ekonometrika merupakan kombinasi dari teori ekonomi, matematika ekonomi,

statistika ekonomi, dan statistika matematika. Model ekonometrika merupakan suatu alat
analisis yang digunakan untuk menguji hipotesis yang menjadi fokus penelitian dalam
perumusan masalah. Model ekonometrika sebenarnya hanya merupakan alat analisis yang
terbatas pada model tersebut, sehingga penjelasan secara ekonominya menjadi lebih penting
sehingga harus didukung oleh studi literatur yang relevan.
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
Software Double log

Shazam
Semilog
Log Invers
Hasil Estimasi
Tanpa
Konstanta
Interpretasi Hasil Beda Kala

BAB III
METODE PENELITIAN
3.1 Estimasi 7 Model Ekonometrika
A. Jenis dan Sumber Data
Jenis data yang digunakan adalah cross section. Data cross section mengacu
pada data yang dikumpulkan dengan mengamati banyak hal (seperti perorangan,
perusahaan atau negara / wilayah) pada titik waktu yang sama, atau tanpa
memperhatikan perbedaan waktu.
Sumber data dari skripsi oleh Gulma Nasution, Universitas Muhammadiyah
Sumatera Utara, dengan judul Faktor Faktor Yang Mempengaruhi Produksi
Kakao(Theobromacacao L) Di Desa Silaping Kecamatan Ranah Batahan Kabupaten
Pasaman Barat.
B. Spesifikasi Model
Untuk menguji hipotesis mengenai faktor yang mempengaruhi produksi
kakao (Theobromacacao L) di Desa Silaping Kecamatan Ranah Batahan Kabupaten
Pasaman Barat menggunakan pendekatan 7 model ekonometrika seperti model linear
berganda, model tanpa konstanta, model double log, model exponential, model
semilog, model reciprocal, dan model log-invers. Data yang diperoleh dianalisis
secara manual menggunakan Microsoft Excel dan menggunakan aplikasi Shazam
sebagai alat bantu hitung. Berikut ini merupakan bentuk dari berbagai persamaan
tersebut :
Model Linear Berganda : Yt = β0 + β1X1t + β2X2t + β3X3t + β4X4t + et
Model Tanpa Konstanta : Yt = + β1X1t + β2X2t + β3X3t + β4X4t + et
Model Double Log : lnYt = ln β0 + β1 lnX1t + β2 lnX2 + β3 lnX3t+ β4 lnX4t+ et
Model Exponential : lnYt = β0 + β1X1t + β2X2t + β3X3t + β4X4t + et
Model Semilog : Yt = β0 + β1 lnX1t + β2 lnX2t + β3 lnX3t + β4 lnX4t + et
Model Reciprocal : Yt = β0 + β1 + β2 + β3 + β4 + et
Model Log-Invers : lnYt = β0 - β1 - β2 - β3 - β4 + et
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 :
Dalam bentuk double log :
Keterangan :
Y : Volume ekspor kakao (ton)
Β0 = Konstanta
β1,β2,β3,β4 = koefisien masing-masing variabel X1...X4
X1 : Produksi Kakao (Ton)
X2 : Kurs rupiah terhadap dollar (Rp/US$)
X3 : Harga Kakao internasional (Kg/US$)
et : Tingkat kesalahan ( error term)
4.2.1 Nilai R Square

Sebagai indikator ketepatan model yang digunakan dalam analisis.
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 .
4.2.4 Pengaruh masing-masing variabel menggunakan analisis p-value

Jika p-value < α (0,05) : maka tolak H0 dan terima H1 artinya berpengaruh.
Jika p-value > α (0,05) : maka tolak H1 terima H0 artinya tidak berpengaruh.
Hasil analisis :
 Jumlah produksi kakao (X1) berpengaruh terhadap volume ekspor kakao
indonesia
 Kurs rupiah terhadap dolar (X2) tidak berpengaruh dengan volume ekspor
indonesia
 Harga kakao internasional (X3) berpengaruh terhadap volume ekspor kakao
Indonesia
4.2.5 Interpretasi pengaruh masing-masing variabel independen
Hasil analisis :
 Jumlah produksi kakao (X1) memiliki koefisien sebesar 0,0029255. Artinya
apabila jumlah produksi naik sebesar 1 % maka ekspor kakao akan naik
sebesar 0,0029255 atau 0,0029255% begitu sebaliknya.
 Kurs Rupiah terhadap dolar (X2) tidak berpengaruh terhadap volume ekspor
kakao Indonesia
 Harga kakao Internasional (X3) memiliki koefisien regresi sebesar 0,0049635.
Artinya apbila jumlah produksi naik sebesar 1 % maka ekspor kakao akan naik
sebesar 0,0049635 atau 0,49635% begitui sebaliknya.
BAB V
PENUTUP
5.1 Kesimpulan
1. Model terbaik yang digunakan untuk menganalisis faktor yang mempengaruhi
produksi kakao di Desa Silaping Kecamatan Ranah Batahan adalah model
eksponensial dengan R2 = 0,4824.
2. Produksi biji kakao Indonesia berpengaruh terhadap volume ekspor kakao Indonesia.
3. Kurs rupiah tidak berpengaruh terhadap volume ekspor kakao Indonesia.
4. Harga biji kakao Internasional berpengaruh terhadap volume ekspor kakao
Indonesia.
5. Dari data ekspor kakao terdapat masalah heteskedastisitas namun tidak terdapat
masalah autokorelasi.
5.2 Saran
1. Untuk menganalisis faktor yang mempengaruhi produksi kakao di Desa Silaping

Kecamatan Ranah Batahan sebaiknya menggunakan model eksponensial karena
memiliki nilai R2 yang paling tinggi.
2. Menambah input produksi biji kakao dan harga biji kakao agar nilai volume ekspor
kakao lebih tinggi.
DAFTAR PUSTAKA
Aurul, A. D. 2019. Pengaruh Produksi, Kurs Dan Harga Kakao Internasional Terhadap
Ekspor Kakao Indonesia. [Skripsi].Universitas Muhammadiyah Sumatera
Utara.Medan
Nasution, G. 2020. Faktor Faktor Yang Mempengaruhi Produksikakao (Theobromacacao L)

Di Desa Silaping Kecamatan Ranah Batahan Kabupaten Pasaman Barat (Doctoral
dissertation). [Skripsi].Universitas Islam Indonesia
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
Ayuwardani, R. 2018. Pengaruh Informasi Keuangan dan Non Keuangan terhadap

Underpricing Harga Saham pada Perusahaan yang Melakukan Initial Public
Offering (Studi Empiris Perusahaan Go Public yang terdaftar di Bursa Efek
Indonesia Tahun 2011-2015). Jurnal Nominal. 12(1): 143-158
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.
Nugroho, R. 2016. Analisis Faktor – Faktor yang Mempengaruhi Pengangguran di Indonesia

Periode 1998 – 2014. Jurnal PASTI. 10(2): 177-191
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.
1. MODEL LINEAR BERGANDA

file 34 D:\SEMESTER 5\EKONOMETRIKA\PRAK.EKONOMETRIKA\DATA\fix\Data Usahatani Kakao
CS Fix.dif
sample 1 30
read(34)n x1 x2 x3 x4 yt/dif
Ols yt x1 x2 x3 x4/pcor pcov
stop
|_file 34 D:\SEMESTER 5\EKONOMETRIKA\PRAK.EKONOMETRIKA\DATA\fix\Data Usahatani

Kakao CS Fix.dif
UNIT 34 IS NOW ASSIGNED TO: D:\SEMESTER 5\EKONOMETRIKA\PRAK.EKONOMETRIKA\DATA\
fix\Data Usahatani Kakao CS Fix.dif
|_sample 1 30
|_read(34)n x1 x2 x3 x4 yt/dif
..NOTE..DIF FILE HAS 6 COLUMNS AND 30 ROWS
6 VARIABLES AND 30 OBSERVATIONS STARTING AT OBS 1
|_Ols yt x1 x2 x3 x4/pcor pcov
REQUIRED MEMORY IS PAR= 4 CURRENT PAR= 11000

OLS ESTIMATION
30 OBSERVATIONS DEPENDENT VARIABLE= YT
...NOTE..SAMPLE RANGE SET TO: 1, 30
R-SQUARE = 0.4260 R-SQUARE ADJUSTED = 0.3342

VARIANCE OF THE ESTIMATE-SIGMA**2 = 9121.4
STANDARD ERROR OF THE ESTIMATE-SIGMA = 95.506
SUM OF SQUARED ERRORS-SSE= 0.22804E+06
MEAN OF DEPENDENT VARIABLE = 258.00
LOG OF THE LIKELIHOOD FUNCTION = -176.609
MODEL SELECTION TESTS - SEE JUDGE ET AL. (1985,P.242)

AKAIKE (1969) FINAL PREDICTION ERROR - FPE = 10642.
(FPE IS ALSO KNOWN AS AMEMIYA PREDICTION CRITERION - PC)
AKAIKE (1973) INFORMATION CRITERION - LOG AIC = 9.2694
SCHWARZ (1978) CRITERION - LOG SC = 9.5029
MODEL SELECTION TESTS - SEE RAMANATHAN (1998,P.165)
CRAVEN-WAHBA (1979)
GENERALIZED CROSS VALIDATION - GCV = 10946.
HANNAN AND QUINN (1979) CRITERION = 11431.
RICE (1984) CRITERION = 11402.
SHIBATA (1981) CRITERION = 10135.
SCHWARZ (1978) CRITERION - SC = 13399.
AKAIKE (1974) INFORMATION CRITERION - AIC = 10608.
ANALYSIS OF VARIANCE - FROM MEAN

SS DF MS F
REGRESSION 0.16924E+06 4. 42311. 4.639
ERROR 0.22804E+06 25. 9121.4 P-VALUE
TOTAL 0.39728E+06 29. 13699. 0.006
ANALYSIS OF VARIANCE - FROM ZERO

SS DF MS F
REGRESSION 0.21662E+07 5. 0.43323E+06 47.496
ERROR 0.22804E+06 25. 9121.4 P-VALUE
TOTAL 0.23942E+07 30. 79807. 0.000
VARIABLE ESTIMATED STANDARD T-RATIO PARTIAL STANDARDIZED ELASTICITY

NAME COEFFICIENT ERROR 25 DF P-VALUE CORR. COEFFICIENT AT MEANS
X1 142.46 152.6 0.9338 0.359 0.184 0.5476 0.8080
X2 -0.18717 0.2808 -0.6664 0.511-0.132 -0.4361 -0.6475
X3 22.703 8.541 2.658 0.014 0.469 0.4797 0.6365
X4 0.16292 0.3086 0.5280 0.602 0.105 0.2094 0.2793
CONSTANT -19.706 77.04 -0.2558 0.800-0.051 0.0000 -0.0764
VARIANCE-COVARIANCE MATRIX OF COEFFICIENTS

X1 23274.
X2 -35.372 0.78874E-01
X3 185.31 0.20639 72.946
X4 -4.1848 -0.37818E-01 -1.3123 0.95211E-01
CONSTANT -1978.0 -3.3987 -402.52 7.2541 5934.7
X1 X2 X3 X4 CONSTANT
CORRELATION MATRIX OF COEFFICIENTS

X1 1.0000
X2 -0.82557 1.0000
X3 0.14222 0.86042E-01 1.0000
X4 -0.88897E-01 -0.43641 -0.49797 1.0000
CONSTANT -0.16830 -0.15709 -0.61177 0.30517 1.0000
DURBIN-WATSON = 1.8985 VON NEUMANN RATIO = 1.9640 RHO = 0.03004

RESIDUAL SUM = -0.71054E-13 RESIDUAL VARIANCE = 9121.4
SUM OF ABSOLUTE ERRORS= 1678.3
R-SQUARE BETWEEN OBSERVED AND PREDICTED = 0.4260
RUNS TEST: 14 RUNS, 16 POS, 0 ZERO, 14 NEG NORMAL STATISTIC = -0.7218
COEFFICIENT OF SKEWNESS = 1.9603 WITH STANDARD DEVIATION OF 0.4269
COEFFICIENT OF EXCESS KURTOSIS = 8.3564 WITH STANDARD DEVIATION OF 0.8327
JARQUE-BERA NORMALITY TEST- CHI-SQUARE(2 DF)= 75.6877 P-VALUE= 0.000
GOODNESS OF FIT TEST FOR NORMALITY OF RESIDUALS - 10 GROUPS

OBSERVED 0.0 0.0 2.0 3.0 9.0 13.0 2.0 0.0 0.0 1.0
EXPECTED 0.2 0.8 2.4 4.8 6.8 6.8 4.8 2.4 0.8 0.2
CHI-SQUARE = 15.3927 WITH 3 DEGREES OF FREEDOM, P-VALUE= 0.002
|_stop
TYPE COMMAND
2. MODEL TANPA KONSTANTA

CS Fix.dif
sample 1 30
read (34)n x1 x2 x3 x4 yt/dif
ols yt x1 x2 x3 x4/nocons pcor pcov
stop

Kakao CS Fix.dif
|_sample 1 30
|_read (34)n x1 x2 x3 x4 yt/dif
|_ols yt x1 x2 x3 x4/nocons pcor pcov

OLS ESTIMATION

RAW MOMENT R-SQUARE = 0.9045

AKAIKE (1969) FINAL PREDICTION ERROR - FPE = 9966.0
CRAVEN-WAHBA (1979)
SHIBATA (1981) CRITERION = 9653.3
AKAIKE (1974) INFORMATION CRITERION - AIC = 9950.1

SS DF MS F
REGRESSION 0.21656E+07 4. 0.54139E+06 61.567
ERROR 0.22863E+06 26. 8793.5 P-VALUE
TOTAL 0.23942E+07 30. 79807. 0.000

X1 135.89 147.7 0.9203 0.366 0.178 0.5223 0.7708
X2 -0.19845 0.2723 -0.7287 0.473-0.141 -0.4623 -0.6865
X3 21.366 6.634 3.221 0.003 0.534 0.4515 0.5990
X4 0.18701 0.2885 0.6482 0.523 0.126 0.2404 0.3206

X1 21802.
X2 -35.193 0.74163E-01
X3 49.313 -0.23264E-01 44.005
X4 -1.7036 -0.32454E-01 -0.79085 0.83241E-01
X1 X2 X3 X4

X1 1.0000
X2 -0.87520 1.0000
X3 0.50345E-01 -0.12878E-01 1.0000
X4 -0.39989E-01 -0.41305 -0.41321 1.0000
X1 X2 X3 X4

RESIDUAL SUM = -30.287 RESIDUAL VARIANCE = 8793.5
RUNS TEST: 16 RUNS, 13 POS, 0 ZERO, 17 NEG NORMAL STATISTIC = 0.1010

OBSERVED 0.0 0.0 2.0 4.0 11.0 9.0 3.0 0.0 0.0 1.0
EXPECTED 0.2 0.8 2.4 4.8 6.8 6.8 4.8 2.4 0.8 0.2
|_stop
TYPE COMMAND
3. MODEL DOUBLE LOG

CS Fix.dif
sample 1 30
genr ly=log(yt)
genr lx1=log(x1)
genr lx2=log(x2)
genr lx3=log(x3)
genr lx4=log(x4)
ols ly lx1 lx2 lx3 lx4/pcor pcov
stop

Kakao CS Fix.dif
|_sample 1 30
|_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)
|_ols ly lx1 lx2 lx3 lx4/pcor pcov

..WARNING..OBSERVATION 16 OF LX3 HAS MISSING DATA VALUE=-99999.

OLS ESTIMATION
30 OBSERVATIONS DEPENDENT VARIABLE= LY

SUM OF SQUARED ERRORS-SSE= 3.9835
AKAIKE (1973) INFORMATION CRITERION - LOG AIC = -1.6857
SCHWARZ (1978) CRITERION - LOG SC = -1.4522
CRAVEN-WAHBA (1979)
GENERALIZED CROSS VALIDATION - GCV = 0.19121
HANNAN AND QUINN (1979) CRITERION = 0.19969
RICE (1984) CRITERION = 0.19918
SCHWARZ (1978) CRITERION - SC = 0.23406

SS DF MS F
REGRESSION 2.4364 4. 0.60909 3.823
ERROR 3.9835 25. 0.15934 P-VALUE
TOTAL 6.4199 29. 0.22137 0.015

SS DF MS F
REGRESSION 893.94 5. 178.79 1122.052
ERROR 3.9835 25. 0.15934 P-VALUE
TOTAL 897.92 30. 29.931 0.000

LX1 -0.15872 1.017 -0.1561 0.877-0.031 -0.1050 -0.0097
LX2 0.11992 1.171 0.1024 0.919 0.020 0.0776 0.1485
LX3 0.81886E-05 0.5210E-05 1.572 0.129 0.300 0.3178 -0.0050
LX4 0.78719 0.7505 1.049 0.304 0.205 0.5374 0.8723
CONSTANT -0.32644E-01 6.580 -0.4961E-02 0.996-0.001 0.0000 -0.0060

LX1 1.0334
LX2 -0.87404 1.3717
LX3 0.82797E-06 0.18119E-05 0.27140E-10
LX4 -0.14542 -0.43336 -0.23536E-05 0.56322
CONSTANT 6.4349 -6.3420 0.18017E-05 -0.43653 43.300
LX1 LX2 LX3 LX4 CONSTANT

LX1 1.0000
LX2 -0.73414 1.0000
LX3 0.15635 0.29696 1.0000
LX4 -0.19062 -0.49304 -0.60199 1.0000
CONSTANT 0.96198 -0.82290 0.52559E-01 -0.88395E-01 1.0000

COEFFICIENT OF SKEWNESS = -0.1297 WITH STANDARD DEVIATION OF 0.4269

OBSERVED 0.0 0.0 6.0 1.0 1.0 16.0 5.0 0.0 0.0 1.0
EXPECTED 0.2 0.8 2.4 4.8 6.8 6.8 4.8 2.4 0.8 0.2
|_stop
TYPE COMMAND
4. MODEL EXPONENTIAL

CS Fix.dif
sample 1 30
genr ly=log(yt)
ols ly x1 x2 x3 x4/pcor pcov
stop

Kakao CS Fix.dif
|_sample 1 30
|_genr ly=log(yt)
|_ols ly x1 x2 x3 x4/pcor pcov

OLS ESTIMATION


CRAVEN-WAHBA (1979)

SS DF MS F
REGRESSION 3.0971 4. 0.77427 5.825
ERROR 3.3228 25. 0.13291 P-VALUE
TOTAL 6.4199 29. 0.22137 0.002

SS DF MS F
REGRESSION 894.60 5. 178.92 1346.161
ERROR 3.3228 25. 0.13291 P-VALUE
TOTAL 897.92 30. 29.931 0.000
X1 0.16421 0.5824 0.2820 0.780 0.056 0.1570 0.0441
X2 -0.21836E-03 0.1072E-02 -0.2037 0.840-0.041 -0.1266 -0.0358
X3 0.10072 0.3260E-01 3.089 0.005 0.526 0.5294 0.1336
X4 0.83054E-03 0.1178E-02 0.7051 0.487 0.140 0.2656 0.0674
CONSTANT 4.3100 0.2941 14.66 0.000 0.946 0.0000 0.7906

X1 0.33914
X2 -0.51542E-03 0.11493E-05
X3 0.27002E-02 0.30073E-05 0.10629E-02
X4 -0.60978E-04 -0.55107E-06 -0.19123E-04 0.13874E-05
CONSTANT -0.28822E-01 -0.49524E-04 -0.58653E-02 0.10570E-03 0.86476E-01

X1 1.0000
X2 -0.82557 1.0000
X3 0.14222 0.86042E-01 1.0000
X4 -0.88897E-01 -0.43641 -0.49797 1.0000
CONSTANT -0.16830 -0.15709 -0.61177 0.30517 1.0000


OBSERVED 0.0 1.0 3.0 3.0 6.0 12.0 4.0 0.0 0.0 1.0
EXPECTED 0.2 0.8 2.4 4.8 6.8 6.8 4.8 2.4 0.8 0.2
|_stop
TYPE COMMAND
5. MODEL SEMILOG

CS Fix.dif
sample 1 30
genr lx1=log(x1)
genr lx2=log(x2)
genr lx3=log(x3)
genr lx4=log(x4)
ols yt lx1 lx2 lx3 lx4/pcor pcov
stop

Kakao CS Fix.dif
|_sample 1 30
|_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.
|_genr lx4=log(x4)
|_ols yt lx1 lx2 lx3 lx4/pcor pcov

..WARNING..OBSERVATION 16 OF LX3 HAS MISSING DATA VALUE=-99999.

OLS ESTIMATION

VARIANCE OF THE ESTIMATE-SIGMA**2 = 10670.

CRAVEN-WAHBA (1979)

SS DF MS F
REGRESSION 0.13053E+06 4. 32632. 3.058
ERROR 0.26675E+06 25. 10670. P-VALUE
TOTAL 0.39728E+06 29. 13699. 0.035

SS DF MS F
REGRESSION 0.21274E+07 5. 0.42549E+06 39.877
ERROR 0.26675E+06 25. 10670. P-VALUE
TOTAL 0.23942E+07 30. 79807. 0.000

LX1 145.11 263.1 0.5516 0.586 0.110 0.3858 0.1880
LX2 -140.44 303.1 -0.4634 0.647-0.092 -0.3652 -3.6737
LX3 0.15873E-02 0.1348E-02 1.177 0.250 0.229 0.2476 -0.0205
LX4 179.29 194.2 0.9232 0.365 0.182 0.4920 4.1977
CONSTANT 79.625 1703. 0.4676E-01 0.963 0.009 0.0000 0.3086

LX1 69198.
LX2 -58530. 91855.
LX3 0.55444E-01 0.12133 0.18174E-05
LX4 -9738.0 -29019. -0.15761 37716.
CONSTANT 0.43090E+06 -0.42468E+06 0.12065 -29232. 0.28996E+07

LX1 1.0000
LX2 -0.73414 1.0000
LX3 0.15635 0.29696 1.0000
LX4 -0.19062 -0.49304 -0.60199 1.0000
CONSTANT 0.96198 -0.82290 0.52559E-01 -0.88395E-01 1.0000
DURBIN-WATSON = 2.0279 VON NEUMANN RATIO = 2.0978 RHO = -0.04699

RESIDUAL SUM = -0.23732E-11 RESIDUAL VARIANCE = 10670.

OBSERVED 0.0 1.0 1.0 5.0 6.0 14.0 1.0 1.0 0.0 1.0
EXPECTED 0.2 0.8 2.4 4.8 6.8 6.8 4.8 2.4 0.8 0.2
|_stop
TYPE COMMAND
6. MODEL RECIPROCAL

CS Fix.dif
sample 1 30
genr No=1/x1
genr Ni=1/x2
genr Sh=1/x3
genr In=1/x4
ols yt No Ni Sh In/pcor pcov
stop

Kakao CS Fix.dif
|_sample 1 30
|_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.
|_genr In=1/x4
|_ols yt No Ni Sh In/pcor pcov

..WARNING..OBSERVATION 16 OF SH HAS MISSING DATA VALUE=-99999.

OLS ESTIMATION

VARIANCE OF THE ESTIMATE-SIGMA**2 = 10386.

CRAVEN-WAHBA (1979)

SS DF MS F
REGRESSION 0.13764E+06 4. 34411. 3.313
ERROR 0.25964E+06 25. 10386. P-VALUE
TOTAL 0.39728E+06 29. 13699. 0.026

SS DF MS F
REGRESSION 0.21346E+07 5. 0.42691E+06 41.107
ERROR 0.25964E+06 25. 10386. P-VALUE
TOTAL 0.23942E+07 30. 79807. 0.000

NO -175.23 378.3 -0.4632 0.647-0.092 -0.3368 -0.5090
NI 0.12231E+06 0.2646E+06 0.4623 0.648 0.092 0.3731 0.5803
SH 0.15881E-02 0.1340E-02 1.185 0.247 0.231 0.2477 -0.0205
IN -89220. 0.9798E+05 -0.9106 0.371-0.179 -0.5616 -0.8630
CONSTANT 467.55 69.68 6.710 0.000 0.802 0.0000 1.8122

NO 0.14308E+06
NI -0.66299E+08 0.70011E+11
SH -0.10177 -112.53 0.17957E-05
IN -0.10460E+08 -0.13076E+11 80.308 0.95997E+10
CONSTANT -318.70 -0.37569E+07 0.19599E-01 0.15773E+06 4855.6
NO NI SH IN CONSTANT

NO 1.0000
NI -0.66241 1.0000
SH -0.20076 -0.31736 1.0000
IN -0.28224 -0.50437 0.61166 1.0000
CONSTANT -0.12091E-01 -0.20376 0.20989 0.23103E-01 1.0000
DURBIN-WATSON = 2.0619 VON NEUMANN RATIO = 2.1330 RHO = -0.05963

RESIDUAL SUM = 0.29274E-11 RESIDUAL VARIANCE = 10386.

OBSERVED 0.0 1.0 1.0 5.0 5.0 15.0 1.0 1.0 0.0 1.0
EXPECTED 0.2 0.8 2.4 4.8 6.8 6.8 4.8 2.4 0.8 0.2
|_stop
TYPE COMMAND
7. MODEL LOG INVERS

CS Fix.dif
sample 1 30
genr ly=log(yt)
genr No=-1/x1
genr Ni=-1/x2
genr Sh=-1/x3
genr In=-1/x4
ols ly No Ni Sh In/pcor pcov
stop

Kakao CS Fix.dif
|_sample 1 30
|_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.
|_genr In=-1/x4
|_ols ly No Ni Sh In/pcor pcov

..WARNING..OBSERVATION 16 OF SH HAS MISSING DATA VALUE=-99999.

OLS ESTIMATION


CRAVEN-WAHBA (1979)

SS DF MS F
REGRESSION 2.5631 4. 0.64076 4.153
ERROR 3.8568 25. 0.15427 P-VALUE
TOTAL 6.4199 29. 0.22137 0.010

SS DF MS F
REGRESSION 894.07 5. 178.81 1159.077
ERROR 3.8568 25. 0.15427 P-VALUE
TOTAL 897.92 30. 29.931 0.000

NO -0.45530 1.458 -0.3123 0.757-0.062 -0.2177 0.0626
NI 134.51 1020. 0.1319 0.896 0.026 0.1021 -0.0302
SH 0.81029E-05 0.5165E-05 1.569 0.129 0.299 0.3144 -0.0050
IN 406.89 377.6 1.077 0.292 0.211 0.6371 -0.1863
CONSTANT 6.3171 0.2686 23.52 0.000 0.978 0.0000 1.1588

NO 2.1255
NI -984.85 0.10400E+07
SH 0.15117E-05 0.16715E-02 0.26675E-10
IN -155.38 -0.19423E+06 -0.11929E-02 0.14260E+06
CONSTANT 0.47345E-02 55.807 0.29114E-06 -2.3432 0.72128E-01

NO 1.0000
NI -0.66241 1.0000
SH 0.20076 0.31736 1.0000
IN -0.28224 -0.50436 -0.61166 1.0000
CONSTANT 0.12092E-01 0.20376 0.20989 -0.23105E-01 1.0000

RESIDUAL SUM = 0.39579E-13 RESIDUAL VARIANCE = 0.15427
COEFFICIENT OF SKEWNESS = -0.1413 WITH STANDARD DEVIATION OF 0.4269

OBSERVED 0.0 0.0 6.0 1.0 2.0 15.0 5.0 0.0 0.0 1.0
EXPECTED 0.2 0.8 2.4 4.8 6.8 6.8 4.8 2.4 0.8 0.2
|_stop
TYPE COMMAND
Lampiran 2. Intruksi dan hasil analisis data Time Series
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 in/dif
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)
stat q no ni sh in
sample 2 38
ols lq lno lno1 lni lsh lin
stop
HASIL ESTIMASI:
|_file 33 D:\SEMESTER 5\EKONOMETRIKA\PRAK.EKONOMETRIKA\DATA\fix\Usahatani kakao
TS.dif
fix\Usahatani kakao TS.dif
|_sample 1 38
|_read(33)n q no ni sh in/dif
|_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
|_ols lq lno lno1 lni lsh lin

OLS ESTIMATION
37 OBSERVATIONS DEPENDENT VARIABLE= LQ

VARIANCE OF THE ESTIMATE-SIGMA**2 = 0.18889E-05
STANDARD ERROR OF THE ESTIMATE-SIGMA = 0.13744E-02
SUM OF SQUARED ERRORS-SSE= 0.58556E-04
LOG OF THE LIKELIHOOD FUNCTION = 194.594

AKAIKE (1969) FINAL PREDICTION ERROR - FPE = 0.21952E-05
CRAVEN-WAHBA (1979)
GENERALIZED CROSS VALIDATION - GCV = 0.22545E-05
HANNAN AND QUINN (1979) CRITERION = 0.24000E-05
RICE (1984) CRITERION = 0.23422E-05
SHIBATA (1981) CRITERION = 0.20959E-05
SCHWARZ (1978) CRITERION - SC = 0.28423E-05
AKAIKE (1974) INFORMATION CRITERION - AIC = 0.21889E-05

SS DF MS F
REGRESSION 0.99704E-03 5. 0.19941E-03 105.568
ERROR 0.58556E-04 31. 0.18889E-05 P-VALUE
TOTAL 0.10556E-02 36. 0.29322E-04 0.000

SS DF MS F
REGRESSION 2137.3 6. 356.22 188587416.987
ERROR 0.58556E-04 31. 0.18889E-05 P-VALUE
TOTAL 2137.3 37. 57.766 0.000

LNO 0.18481E-02 0.2038E-02 0.9068 0.372 0.161 0.4415 0.0013
LNO1 0.37601E-02 0.2047E-02 1.837 0.076 0.313 0.9641 0.0027
LNI 0.19673E-03 0.1554E-03 1.266 0.215 0.222 0.0625 0.0000
LSH 0.39644E-02 0.8503E-03 4.663 0.000 0.642 0.2509 0.0003
LIN -0.23544E-02 0.1269E-02 -1.856 0.073-0.316 -0.5272 -0.0016
CONSTANT 7.5793 0.1817E-02 4172. 0.000 1.000 0.0000 0.9972
|_stop
TYPE COMMAND
MODEL HETEROSKEDASTISITAS
INSTRUKSI:
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)
stat 2 38
ols lq lno lno1 lni lsh/gf
diagnos/het
stop
HASIL ESTIMASI:
TS.dif
|_sample 1 38
|_read(33)n q no ni sh/dif
...ERROR..DIF FILE HAS 6 VARS, NOT 5 VARS

|_genr lq=log(q)
|_genr lno=log(no)
|_genr lni=log(ni)
|_genr lsh=log(sh)
|_stat 2 38
$
...SYNTAX ERROR IN LINE ABOVE NEAR $
|_ols lq lno lno1 lni lsh/gf

OLS ESTIMATION


CRAVEN-WAHBA (1979)

SS DF MS F
REGRESSION 0.10776E-02 4. 0.26940E-03 133.602
ERROR 0.66542E-04 33. 0.20164E-05 P-VALUE
TOTAL 0.11441E-02 37. 0.30923E-04 0.000

SS DF MS F
REGRESSION 2195.0 5. 438.99 217707098.950
ERROR 0.66542E-04 33. 0.20164E-05 P-VALUE
TOTAL 2195.0 38. 57.762 0.000

LNO 0.29255E-02 0.8599E-03 3.402 0.002 0.510 0.7261 0.0021
LNO1 0.70989E-03 0.7362E-03 0.9642 0.342 0.166 0.2079 0.0005
LNI 0.34374E-03 0.1416E-03 2.427 0.021 0.389 0.1145 0.0001
LSH 0.49635E-02 0.7209E-03 6.885 0.000 0.768 0.3063 0.0004
CONSTANT 7.5768 0.1292E-02 5863. 0.000 1.000 0.0000 0.9969

RESIDUAL SUM = -0.40662E-14 RESIDUAL VARIANCE = 0.20164E-05
SUM OF ABSOLUTE ERRORS= 0.37064E-01

OBSERVED 0.0 0.0 3.0 8.0 7.0 14.0 3.0 2.0 0.0 1.0
EXPECTED 0.3 1.1 3.0 6.0 8.6 8.6 6.0 3.0 1.1 0.3
|_diagnos/het

DEPENDENT VARIABLE = LQ 38 OBSERVATIONS
REGRESSION COEFFICIENTS
0.292553590073E-02 0.709890037181E-03 0.343735642044E-03 0.496349337150E-02
7.57676357242
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
E**2 ON X X**2 (WHITE) TEST:

KOENKER(R2): 9.320 8 0.31606
B-P-G (SSR) : 19.032 8 0.01469
E**2 ON X X**2 XX (WHITE) TEST:

KOENKER(R2): 13.621 14 0.47834
B-P-G (SSR) : 27.816 14 0.01505
|_stop
TYPE COMMAND
MODEL AUTOKORELASI
INSTRUKSI:
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)
stat 2 38
ols lq lno lno1 lni lsh/rstat
stop
HASIL ESTIMASI:

TS.dif
|_sample 1 38
|_read(33)n q no ni sh/dif
...ERROR..DIF FILE HAS 6 VARS, NOT 5 VARS
|_genr lq=log(q)
|_genr lno=log(no)
|_genr lni=log(ni)
|_genr lsh=log(sh)
|_stat 2 38
$
...SYNTAX ERROR IN LINE ABOVE NEAR $
|_ols lq lno lno1 lni lsh/rstat

OLS ESTIMATION


CRAVEN-WAHBA (1979)

SS DF MS F
REGRESSION 0.10776E-02 4. 0.26940E-03 133.602
ERROR 0.66542E-04 33. 0.20164E-05 P-VALUE
TOTAL 0.11441E-02 37. 0.30923E-04 0.000

SS DF MS F
REGRESSION 2195.0 5. 438.99 217707098.950
ERROR 0.66542E-04 33. 0.20164E-05 P-VALUE
TOTAL 2195.0 38. 57.762 0.000

LNO 0.29255E-02 0.8599E-03 3.402 0.002 0.510 0.7261 0.0021
LNO1 0.70989E-03 0.7362E-03 0.9642 0.342 0.166 0.2079 0.0005
LNI 0.34374E-03 0.1416E-03 2.427 0.021 0.389 0.1145 0.0001
LSH 0.49635E-02 0.7209E-03 6.885 0.000 0.768 0.3063 0.0004
CONSTANT 7.5768 0.1292E-02 5863. 0.000 1.000 0.0000 0.9969

RESIDUAL SUM = -0.40662E-14 RESIDUAL VARIANCE = 0.20164E-05
SUM OF ABSOLUTE ERRORS= 0.37064E-01

OBSERVED 0.0 0.0 3.0 8.0 7.0 14.0 3.0 2.0 0.0 1.0
EXPECTED 0.3 1.1 3.0 6.0 8.6 8.6 6.0 3.0 1.1 0.3
|_stop
TYPE COMMAND
Lampiran 3. Data Cross Section dan Time Series
Produksi LuasLahan Bibit Tenagakerja Pupuk

(Y) (X1) (X2) (X3) (X4)
100 1 600 4 300
240 1 635 8 320
260 1,2 850 8 400
200 1 600 6 300
500 2 1150 13 600
150 1,5 900 9 500
100 1 600 5 300
140 2 1200 7 400
320 1,5 950 7 500
100 1 600 6 300
300 1,5 800 9 400
600 1,5 800 6 400
320 2 1200 7 600
320 2 1200 7 600
240 1,1 700 8 320
100 2 1200 0 400
260 1 650 7 320
240 2 1300 5 600
370 2 1200 11 640
200 1 600 8 300
240 1 600 6 300
240 1,1 650 7 320
160 2 1000 4 600
200 1 630 8 300
200 1 700 5 320
360 2 1200 11 640
340 2 1380 10 850
200 1 620 8 320
380 2 1300 9 640
360 1,5 960 8 480
Harga
No Tahun Produksi (Ton) Kurs (Rp/US$) (Kg/US$) Ekspor (Ton)
(X1) (X2) (X3) (Y)

1 1980 10284 626,99 2,60 4680
2 1981 13137 631,75 2,08 6814
3 1982 17260 661,42 1,74 11395
4 1983 19640 909,26 2,12 25228
5 1984 26502 1025,94 2,40 25163
6 1985 33.798 1110,58 2,25 31.429
7 1986 34.327 1282,56 2,07 35.014
8 1987 50.199 1643,84 1,99 40.911
9 1988 79.335 1685,70 1,58 61.274
10 1989 110.509 1770,05 1,24 75.851
11 1990 142.347 1842,81 1,27 119.725
12 1991 174.899 1950,31 1,2 145.217
13 1992 207.147 2029,92 1,1 176.001
14 1993 258.059 2087,10 1,12 228.799
15 1994 269.981 2160,75 1,4 231.168
16 1995 304.866 2248,60 1,43 233.593
17 1996 373.999 2342,29 1,46 322.858
18 1997 330.219 2909,38 1,62 265.949
19 1998 448.927 10013,62 1,68 334.807
20 1999 367.475 7855,15 1,14 419.874
21 2000 421.142 8421,77 0,91 424.089
22 2001 536.804 10260,85 1,07 392.072
23 2002 571.155 9311,19 1,78 465.622
24 2003 698.816 8577,13 1,75 355.726
25 2004 691.704 8938,85 1,55 366.855
26 2005 748.828 9704,74 1,54 463.632
27 2006 769.386 9159,31 1,59 609.035
28 2007 740.006 9141 1,95 503.522
29 2008 803.594 9698,96 2,58 515.523
30 2009 809.583 10389,93 2,89 535.236
31 2010 837.918 9090,43 3,13 552.880
32 2011 712.231 8770,43 2,98 410.257
33 2012 740.513 9386,62 2,39 387.790

Laporan Akhir Pratikum Ekonometrika

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Laporan Akhir Pratikum Ekonometrika

Diunggah oleh

Hak Cipta:

Format Tersedia

LAPORAN PRAKTIKUM EKONOMETRIKA

“ESTIMASI 7 MODEL EKONOMETRIKA DAN MODEL DENGAN VARIABEL

BEDA KALA (LAGGED VARIABEL)”

Coass : 1. Koldi Suldiyansyah

2. Fahrul Fahmi Dhita

LABORATORIUM SOSIAL EKONOMI PERTANIAN

1.1 Latar Belakang

1.1.2 Ekspor Kakao

Ekspor produk pertanian terakhir periode 2010-2013 memiliki volume ekspor

Salah satu faktor yang mempengaruhi ekspor adalah produksi. Manufaktur

Selain variabel harga, perdagangan internasional juga dipengaruhi oleh nilai

1.2 Rumusan Masalah

2.1 Kerangka Teoritis

Variabel Y merupakan variabel dependen (terikat), variabel X merupakan variabel

Y= 0 + 1X1 + 2X2 +…+ kXk +

Transformasi model dtentukan dengan cara membalik persamaan sehingga menjadi

Pada suatu model matematis : Yi = 0 Xi 1eui. Dalam parameter model tersebut

lnYi = α0 + α1Xi + ui atau

Uji Koefisien Determinasi (R2 ) Koefisien determinasi pada intinya mengukur

L = jumlah tenaga kerja

Y = aX1 b1 X2 b2 ... Xi bi ... Xn bn e n (3)

Y = f(X1, X2, ...Xi,...Xn) (4)

Y = variabel yang dijelaskan

X = variabel yang menjelaskan

a, b = besaran yang akan diduga

u = galat (disturbance term)

e = 2,718 . (Nurprihatin, 2017).

2.2 Kerangka Pikiran

Ekonometrika merupakan kombinasi dari teori ekonomi, matematika ekonomi,

Software Double log

Interpretasi Hasil Beda Kala

Model Log-Invers : lnYt = β0 - β1 - β2 - β3 - β4 + et

Dalam bentuk double log :

Y : Volume ekspor kakao (ton)

β1,β2,β3,β4 = koefisien masing-masing variabel X1...X4

X1 : Produksi Kakao (Ton)

X2 : Kurs rupiah terhadap dollar (Rp/US$)

X3 : Harga Kakao internasional (Kg/US$)

et : Tingkat kesalahan ( error term)

4.2.1 Nilai R Square

4.2.4 Pengaruh masing-masing variabel menggunakan analisis p-value

1. Untuk menganalisis faktor yang mempengaruhi produksi kakao di Desa Silaping

Nasution, G. 2020. Faktor Faktor Yang Mempengaruhi Produksikakao (Theobromacacao L)

Ayuwardani, R. 2018. Pengaruh Informasi Keuangan dan Non Keuangan terhadap

Nugroho, R. 2016. Analisis Faktor – Faktor yang Mempengaruhi Pengangguran di Indonesia

1. MODEL LINEAR BERGANDA

|_file 34 D:\SEMESTER 5\EKONOMETRIKA\PRAK.EKONOMETRIKA\DATA\fix\Data Usahatani

|_Ols yt x1 x2 x3 x4/pcor pcov

REQUIRED MEMORY IS PAR= 4 CURRENT PAR= 11000

R-SQUARE = 0.4260 R-SQUARE ADJUSTED = 0.3342

MODEL SELECTION TESTS - SEE JUDGE ET AL. (1985,P.242)

ANALYSIS OF VARIANCE - FROM MEAN

ANALYSIS OF VARIANCE - FROM ZERO

VARIABLE ESTIMATED STANDARD T-RATIO PARTIAL STANDARDIZED ELASTICITY

VARIANCE-COVARIANCE MATRIX OF COEFFICIENTS

CORRELATION MATRIX OF COEFFICIENTS

DURBIN-WATSON = 1.8985 VON NEUMANN RATIO = 1.9640 RHO = 0.03004

JARQUE-BERA NORMALITY TEST- CHI-SQUARE(2 DF)= 75.6877 P-VALUE= 0.000

GOODNESS OF FIT TEST FOR NORMALITY OF RESIDUALS - 10 GROUPS

2. MODEL TANPA KONSTANTA

|_file 34 D:\SEMESTER 5\EKONOMETRIKA\PRAK.EKONOMETRIKA\DATA\fix\Data Usahatani

|_ols yt x1 x2 x3 x4/nocons pcor pcov

REQUIRED MEMORY IS PAR= 4 CURRENT PAR= 11000