ESTIMASI PERMINTAAN

MAKALAH

Untuk memenuhi tugas mata kuliah Ekonomi Manajerial

Dosen Pengampu:

Cepy Nurmalia Wahyuningtias, M.Pd

Disusun oleh kelompok 3:

Istikomah (12406193048)
Rizki Diva Ningtiyasari (12406193070)
Fadzila Nur Aini (12406193088)

KELAS 6B
MANAJEMEN KEUANGAN SYARIAH
FAKULTAS EKONOMI DAN BISNIS ISLAM
UNIVERSITAS ISLAM NEGERI SAYYID ALI
RAHMATULLAH
TULUNGAGUNG
MARET 2022
 KATA PENGANTAR

Puji syukur alhamdulillah kami panjatkan ke hadirat Allah SWT atas segala
karunianya sehingga makalah ini dapat terselesaikan. Shalawat dan salam semoga
senantiasa abadi tercurahkan kepada Nabi Muhammad SAW dan umatnya.
Sehubungan dengan selesainya penulisan makalah ini maka penulis
mengucapkan terima kasih kepada:
1. Bapak Prof. Dr. H. Mafthukin, M.Ag. selaku Rektor Universitas Islam
Negeri Sayyid Ali Rahmatullah Tulungagung.
2. Bapak Dr. H. Dede Nurohman, M.Ag, selaku Dekan Fakultas Ekonomi dan
Bisnis Islam.
3. Ibu Hj. Amalia Nuril Hidayati, SE., M.Sy, selaku Ketua Jurusan Manajemen
Keuangan Syariah.
4. Ibu Cepy Nurmalia Wahyuningtias, M.Pd sebagai dosen mata kuliah
Ekonomi Manajerial yang telah memberikan pengarahan sehingga makalah
dapat terselesaikan.
5. Semua pihak yang telah membantu terselesaikannya penulisan makalah ini.
Dengan penuh harap semoga jasa kebaikan mereka diterima Allah SWT.
Dan tercatat sebagai amal shalih. Akhirnya, karya ini penulis suguhkan kepada
segenap pembaca, dengan harapan adanya saran dan kritik yang bersifat konstruktif
demi perbaikan. Semoga karya ini bermanfaat dan mendapat ridha Allah SWT.

Tulungagung, 19 Maret 2022

Penulis

ii
 DAFTAR ISI

HALAMAN SAMPUL ......................................................................................... i

KATA PENGANTAR .......................................................................................... ii
DAFTAR ISI ......................................................................................................... iii
BAB I: PENDAHULUAN
A. Latar Belakang .......................................................................................... 1
B. Rumusan Masalah ..................................................................................... 1
C. Tujuan ....................................................................................................... 2
BAB II: PEMBAHASAN
A. Identifikasi Masalah .................................................................................. 3
B. Pendekatan Riset Pemasaran Untuk Estimasi Permintaan ........................ 3
C. Pengantar Analisis Regresi ....................................................................... 5
D. Analisis Regresi Sederhana ....................................................................... 6
E. Analisis Regresi Berganda ....................................................................... 7
F. Permasalahan Dalam Analisis Regresi ..................................................... 14
G. Estimasi Permintaan Dengan Analisis Regresi ......................................... 21
BAB III: PENUTUP
A. Kesimpulan................................................................................................. 24
B. Saran ........................................................................................................... 25
DAFTAR RUJUKAN ........................................................................................... 26

iii
 BAB I
PENDAHULUAN

A. Latar Belakang
Dalam kegiatan perekonomian, tidak terlepas dari permintaan dan
penawaran. Berkaitan dengan fungsi permintaan, maka harga produk yang
bersangkutan, pendapatan konsumen, harga produk lainnya, advertensi, dan
lain-lain dapat diperkirakan pengaruhnya terhadap jumlah produk yang diminta
oleh konsumen. Dalam hal ini jumlah produk yang diminta dapat dikatakan
sebagai variabel yang dipengaruhi, sedangkan harga produk, pendapatan
konsumen dan lain-lain, merupakan variabel bebas. Akan tetapi, masalah yang
timbul sekarang adalah seberapa besar perubahan barang yang diminta akibat
perubahan variabel-variabel bebas. Oleh karena itu, diperlukan estimasi
permintaan.1 Estimasi permintaan merupakan proses untuk menemukan nilai
dari koefisien-koefisien fungsi permintaan akan suatu produk masa kini.
Estimasi permintaan berbeda dengan prakiraan permintaan.2 Untuk itu, dalam
makalah ini akan diuraikan lebih lanjut mengenai estimasi permintaan.

B. Rumusan Masalah
Berdasarkan dari uraian latar belakang di atas, maka pokok
permasalahan dalam makalah ini, adalah sebagai berikut:
1. Bagaimana identifikasi masalah estimasi permintaan?
2. Apa saja pendekatan riset pemasaran untuk estiamsi permintaan?
3. Bagaimana pengantar analisis regresi?
4. Apa saja analisis regresi sederhana?
5. Apa saja analisis regresi berganda?
6. Apa saja permasalahan dalam analisis regresi?
7. Bagaimana estimasi permintaan dengan analisis regresi?

1
Nugroho J. Setiadi, Business Economics And Managerial Decision Making Aplikasi
Teori Ekonomi Dan Pengambilan Keputusan Manajerial Dalam Dunia Bisnis, (Jakarta: Kencana,
2018), hal. 99
2
Usep Sudrajat dan Suwaji, Ekonomi Manajerial, (Yogyakarta: Deepublish, 2012), hal. 50

1
C. Tujuan
Dari rumusan masalah diatas, dapat diperoleh beberapa tujuan
pembahasan untuk membantu menyelesaikan masalah yang ada, antara lain:
1. Untuk memahami dan mengetahui identifikasi masalah
2. Untuk memahami dan mengetahui pendekatan riset pemasaran untuk
estiamsi permintaan
3. Untuk memahami dan mengetahui pengantar analisis regresi
4. Untuk memahami dan mengetahui analisis regresi sederhana
5. Untuk memahami dan mengetahui analisis regresi berganda
6. Untuk memahami dan mengetahui permasalahan dalam analisis regresi
7. Untuk memahami dan mengetahui estimasi permintaan dengan analisis
regresi

2
 BAB II
PEMBAHASAN

A. Identifikasi Masalah
Kurva permintaan untuk suatu komoditas biasanya diestimasikan dari
data yang ada di pasar tentang kuantitas yang di beli dari suatu komoditas pada
berbagai tingkat harga dalam jangka waktu tertentu (menggunakan data deret
waktu) atau berbagai unit konsumsi atau pasar pada satu waktu (menggunakana
data kerat lintang). Namun demikian, dengan hanya menyatukan observasi
harga kuantitas begitu saja dalam suatu grafik tidak akan dapat menghasilkan
kurva permintaan untuk komoditas tersebut. Alasannya adalah bahwa setiap
observasi harga kuantitas di peroleh dari perpotongan permintaan dan
penawaran dari komoditas yang berbeda tersebut.
Dengan berjalannya waktu atau melintasi individual atau pasar yang
berbeda, permintaan untuk suatu komoditas bergeser atau berbeda karena
perubahan perbedaan dalam masalah selera , pendapatan, harga komoditas yang
berhubungan dan sebagainya. Sama halnya dengan kurva penawaran yang juga
bergeser atau berbeda dengan berjalannya waktu atau untuk individu atau pasar
yang berbeda, karena adanya perubahan atau perbedaan teknologi, harga factor
produksi, dan kondisi cuaca. Perpotongan dari kurva permintaan dan penawaran
yang berbeda tetapi tidak diketahui itu menghasilkan observasi harga –
kuantitas yang berbeda – beda. Oleh karena itu dengan hanya menggabungkan
observasi yang berbeda – beda tentang harga – kuantitas, kita tidak
menghasilkan kurva permintaan untuk komoditas tersebut. Kurva permintaan
tidak dapat di identifikasi dengan sesederhana itu. Ini dikenal dengan istilah
masalah identifikasi (identification problem).

B. Pendekatan Riset Pemasaran Untuk Estimasi Permintaan

Analisis Regresi sejauh ini merupakan metode yang sangat penting dan
berguna untuk mengestimasi permintaan, pendekatan penelitian, dan dalam hal

3
 ini pemasaran juga sering digunakan. Ada 3 cara pendekatan Pemasaran untuk
Estimasi Permintaan, yaitu sebagai berikut:3
1. Wawancara dan Survei
Wawancara merupakan proses penggalian informasi melalui tanya
jawab antara pewawancara (interviewer) dengan narasumber (interviewee).
Sedangkan survei merupakan suatu kegiatan pengumpulan informasi dari
sejumlah responden dengan menggunakan berbagai teknik/ metode/ cara,
misal menggunakan kuesioner. Terdapat 3 kelemahan dalam metode ini,
yaitu:
a. Individu yang diwawancarai atau disurvei harus mewakili pasar
secara keseluruhan agar hasilnya tidak bias untuk itu diperlukan
sampel yang cukup besar sehingga membutuhkan biaya yang cukup
besar.
b. Bias pewawancara yang diartikan sebagai distorsi jawaban
responden yang disebabkan oleh si pewawancara. Dalam
wawancara kadang-kadang responden enggan menjawab dengan
jujur karena mungkin malu dengan pewawancara sehingga
responden memberikan jawaban yang tidak benar.
c. Kesenjangan antara intensi dan tindakan atau masalah akurasi
jawaban konsumen mungkin benar-benar berniat membeli suatu
produk ketika diwawancarai tetapi ketika dipasarkan ada hal-hal
yang mengubah niat dan pikiran konsumen tersebut.
2. Pasar Simulasi/ Klinik Konsumen
Pasar simulasi dilakukan dengan cara memberikan sejumlah uang
kepada para partisipan dan meminta untuk membelanjakannya di dalam
sebuah toko simulasi dan melihat bagaimana mereka memberikan reaksi
terhadap perubahan dalam harga, pengemasan produk, pemajangan, harga
produk pesaing atau faktor lainnya yang mempengaruhi permintaan.
Hal yang harus dicermati dalam pasar simulasi adalah:

3
Usep Sudrajat dan Suwaji, Ekonomi Manajerial, (Yogyakarta: Deepublish, 2012), hal. 52—54

4
 a. Kemungkinan bahwa cara partisipan tersebut akan membelanjakan
uang orang lain berbeda dengan cara mereka kalau mereka
membelanjakan uang mereka sendiri.
b. Kemungkinan para partisipan tersebut akan memilih produk tertentu
bila harganya diturunkan agar tampak bahwa mereka adalah
pembelanja yang hemat dan bertanggung jawab.
3. Eksperimen Pasar Secara Langsung
Eksperimen pasar secara langsung ini melibatkan orang yang benar-
benar berada disituasi pasar yang sebenarnya yang membelanjakan uangnya
untuk barang dan jasa yang mereka inginkan.
Contoh: perusahaan melakukan pemotongan harga produk sebesar 10%
kemudian bandingkan reaksi penjualan pada pasar tersebut dengan pasar
regional atau pasar pada suatu negara.

C. Pengantar Analisis Regresi

Analisis regresi berkaitan dengan studi mengenai ketergantungan satu
variabel, yaitu variabel dependen, terhadap satu atau lebih variabel independen.
Jika hanya digunakan satu variabel independen dalam model, maka teknik ini
disebut sebagai regresi linear sederhana (simple linear regression), sedangkan
jika yang digunakan adalah beberapa variabel independen, teknik ini disebut
regresi linear ganda (multiple linear regression).4 Tujuan dari analisis regresi
ini adalah untuk mengestimasi atau memperkirakan nilai rerata atau rata-rata
(populasi) variabel dependen dari nilai yang diketahui atau nilai tetap variabel
independen dalam suatu sampling. Bentuk model regresi ini dapat dinyatakan
sebagai berikut.
𝑌 = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + 𝛽3 𝑋3 + ⋯ + 𝛽𝑝 𝑋𝑝 + 𝜀
Dimana 𝛽0 , 𝛽1 , … , 𝛽𝑝 adalah koefisien atau parameter regresi dan 𝜀 adalah error
yang diasumsikan identik, independen, dan berdistribusi normal dengan mean
nol dan varians konstan 𝜎 2 .5

4
Johan Harlan, Analisis Regresi Linear, (Depok: Gunadarma, 2018), hal. 5
5
Nike Nur Almuldita, Model Estimasi Permintaan Produk Fast Moving Consumer
Goods (FMCG), (Depok: Skripsi tidak Diterbitkan, 2012), hal. 14

5
 D. Analisis Regresi Sederhana
1. The Ordinary Least-Squares Method (OLS)
The Ordinary Least-Squares Method (OLS) adalah suatu metode
ekonometrika dimana terdapat variabel independen yang merupakan variabel
penjelas dan variabel dependen yaitu variabel yang dijelaskan dalam suatu
persamaan linear.6 Dengan kata lain, metode kuadrat terkecil (Ordinary Least
Square/OLS) merupakan teknik estimasi regresi sampel dengan
meminimumkan jumlah kuadrat dari titik-titik dari garis: 𝑀𝑖𝑛 ∑(𝑌𝑖 − 𝑌 ^ 𝑖 )2 , di
mana 𝑌𝑖 merujuk pada nilai actual pengamatan, 𝑌 ^ 𝑖 merujuk pada nilai yang
diramalkan, jadi residual (𝑒𝑖 ) merujuk pada selisih dari nilai actual dengan nilai
yang diramalkan (𝑒𝑖 = 𝑌𝑖 − 𝑌 ^ 𝑖 ). Dengan minimisasi residual sum of square
melalui difernsiasi secara parsial dapat memberikan dua persamaan sebagai
berikut:7

2. Tests of Significance of Parameter Estimates

Estimasi parameter regresi linier sederhana menggunakan metode
kuadrat terkecil. Metode ini didasarkan pada asumsi bahwa model yang baik
adalah model yang memiliki jumlah kuadrat sesatan (selisih antara data yang
diamati dengan model) terkecil. Untuk mendapatkan penaksir yang baik bagi
parameter regresi (𝛽0 dan 𝛽1) dapat digunakan metode kuadrat terkecil dengan
cara meminimumkan jumlah kuadrat sesatan (JKS).8
3. Other Aspects of Significance Tests and Confidence Intervals
Meskipun uji signifikan kadang dilakukan, lebih umum untuk
menggunakan tingkat persen. Catat bahwa uji signifikansi biasanya tidak
dilakukan untuk koefisien A karena koefisien ini biasanya mempunyai tingkat

6
Ansofino, dkk., Buku Ajar Ekonometrika, (Yogyakarta: Deepublish, 2016), hal. 20—21
7
Jihad Lukis Panjawa dan RR Retno Sugiharti, Pengantar Ekonometrika Dasar Teori
dan Aplikasi Praktis untuk Sosial – Ekonomi, (Magelang: Pustaka Rumah Cinta, 2020), hal. 19
8
Syilfi, Dwi Ispriyanti dan Diah Safitri, “Analisis Regresi Linier Piecewise Dua
Segmen”, dalam Jurnal Gaussian, Vol. 1 No. 1, 2012

6
 signifikansi yang kecil atau tidak mengatakan bahwa B secara signifikansi
berbeda dari nol.
4. Test of Goodness of Fit and Correlation
Uji Goodness of Fit Test pada prinsipnya bertujuan untuk mengetahui
apakah sebuah distribusi data dari sampel mengikuti sebuah distribusi teoritis
tertentu ataukah tidak. Digunakan untuk memvalidasi performa gabungan
antara model pengukuran (outer model) dan model struktural (inner model)
yang nilainya terbentang antara 0-1 dengan interpretasi yaitu 0-0,25 (GoF
Kecil), 0,25-0,36 (GoF Moderat), dan diatas 0,36 (GoF besar). Dengan
demikian, goodness of fit test akan membandingkan dua distribusi data, yakni
yang teoritis (frekuensi harapan) dan yang sesuai kenyataan (frekuensi
observasi). Uji ini hampir sama dengan uji Binomial, hanya jika pada binomial
hanya ada dua kemungkinan ada dua kemungkinan jawaban, pada uji goodness
of fit ada lebih dari dua kemungkinan.9
Analisis korelasi adalah metode statistika yang digunakan untuk
menentukan suatu besaran yang menyatakan bagaimana kuat hubungan suatu
variabel dengan variabel lain dengan tidak mempersoalkan apakah suatu
variabel tertentu tergantung kepada variabel lain. Semakin nyata hubungan
linier (garis lurus), maka semakin kuat atau tinggi derajat hubungan garis lurus
antara kedua variabel atau lebih. Koefisien korelasi adalah ukuran yang dipakai
untuk mengetahui derajat hubungan antara variabel-variabel. Nilai koefisien
korelasi berada di antara -1<0<1 yaitu r = -1 korelasi negatif sempurna, r = 1
korelasi positif sempurna, dan jika korelasi menunjukkan angka 0, maka tidak
terdapat hubungan antara dua variabel yang dikaji.10

E. Analisis Regresi Berganda

1. Model Analisis Regresi Berganda
Analisis regresi linier berganda, variabel bebas (X) yang digunakan
lebih dari satu, misalnya 𝑋1 , 𝑋2, 𝑋3, ..., 𝑋𝐾 . Satu variabel terikat (Y) dipengaruhi

9
Singgih Santoso, Statistik Nonparametik, (Jakarta: Gramedia, 2010), hal. 98
10
Widayanti Ratna Safitri, “Analisis Korelasi Pearson Dalam Menentukan Hubungan
Antara Kejadian Demam Berdarah Dengue Dengan Kepadatan Penduduk Di Kota Surabaya Pada
Tahun 2012 – 2014”, dalam https://core.ac.uk/download/pdf/233837344.pdf, diakses 19 Maret
2022

7
 oleh beberapa variabel bebas. Pengaruh linier dapat dinyatakan dalam
persamaan regresi linier berganda yaitu:11
Bentuk struktural: Yi = bo + b1X1i + b2X2i + b3X3i + ... + bkXki + Ui
Bentuk dasar: Yi = bo + b1X1i + b2X2i + b3X3i + ... + bkXki
Persamaan normal:
bo n + b1X1i + b2X2i + b3X3i + ... + bkXki = Yi
b0X1i + b1X1i2 + b2X1iX2i + b3X1iX3i+ ... + bkX1iXki = X1iY
b0X1i + b1X1iX2i + b2X2i2 + b3X2iX3i + ... + bkX1iXki = X2iY
: : : : : :
: : : : : :
𝑏0 Xki + 𝑏1 Xki𝑋1𝑖 + 𝑏2 Xki𝑋2𝑖 + 𝑏3 Xki𝑋3𝑖 + ... + 𝑏𝑘𝑖 X𝐾𝑖2 = XkiY
Keterangan:
Y = Data hasil pengamatan variabel Y (Y observasi)
𝑋1 s/d Xk = Jumlah k Variabel bebas X
bo = Konstanta (a = intercept)
𝑏1 s/d 𝑏𝑘 = Koefisien regresi dari variabel 𝑋1 s/d Xk Ui = Gangguan ke-i
Jika dalam suatu pengamatan yang terdiri dari i sampel atau responden,
maka persaman tersebut dapat dikembangkan menjadi:
Yi = bo + 𝑏1 𝑋1𝑖 + 𝑏2 𝑋2𝑖 + 𝑏3 𝑋3𝑖 + ... + 𝑏𝑘 Xki, i = 1, 2, 3, ...,n
Berdasarkan persamaan di atas, maka terdapat beberapa nilai koefisien
yaitu bo, 𝑏1 , 𝑏2 , 𝑏3 , ..., 𝑏𝑘 . Untuk menghitung besarnya koefisien tersebut dapat
digunakan 3 metode yaitu metode jumlah kuadrat terkecil (least square method)
atau metode determinasi, metode substitusi dan metode Abreviate Doolittle
yang dipersingkat.
2. Koefisien Determinant and Adjusted R2
Koefisien determinasi menunjukkan sejauh mana kontribusi variabel
bebas dalam model regresi mampu menjelaskan variasi dari variabel terikatnya.
Koefisien determinasi dapat dilihat melalui nilai R-square (R2) pada tabel
Model Summary. Nilai koefisien determinasi yang kecil memiliki arti bahwa
kemampuan variabel – variabel independen dalam menjelaskan variabel

11
Paiman, Teknik Analisis Korelasi Dan Regresi Ilmu-Ilmu Pertanian, (Yogyakarta: UPY
Press, 2019), hlm. 74—76

8
 dependen sangat terbatas, Sebaliknya jika nilai mendekati 1 (satu) dan menjauhi
0 (nol) memiliki arti bahwa variabel – variabel independen memiliki
kemampuan memberikan semua informasi yang dibutuhkan untuk memprediksi
variabel dependen. Uji koefisien determinasi dilakukan untuk mengetahui
seberapa besar variabel endogen secara simultan mampu menjelaskan variabel
eksogen. Semakin tinggi nilai R2 berarti semakin baik model prediksi dari
model penelitian yang diajukan. Uji koefisien determinasi (R2) dilakukan untuk
menentukan dan memprediksi seberapa besar atau penting kontribusi pengaruh
yang diberikan oleh variabel independen secara bersama – sama terhadap
variabel dependen.
Uji koefisien determinasi dilakukan untuk mengetahui seberapa besar
variabel endogen secara simultan mampu menjelaskan variabel eksogen.
Semakin tinggi nilai R2 berarti semakin baik model prediksi dari model
penelitian yang diajukan. Uji koefisien determinasi (R2) dilakukan untuk
menentukan dan memprediksi seberapa besar atau penting kontribusi pengaruh
yang diberikan oleh variabel independen secara bersama – sama terhadap
variabel dependen. Nilai koefisien determinasi yaitu antara 0 dan 1. Jika nilai
mendekati 1, artinya variabel independen memberikan hampir semua informasi
yang dibutuhkan untuk memprediksi variabel dependen. Namun, jika nilai R2
semakin kecil, artinya kemampuan variabel – variabel independen dalam
menjelaskan variabel dependen cukup terbatas.12
3. Analisis Varians
Analisis varians (analysis of variance, ANOVA) adalah “a statistical
technique used to evaluate the size of the difference between sets of scores”.
“The statistical analysis involving the comparison of variances reflecting
different sources of variability – in this case, between groups and within groups
variances – is called the analysis of variance”.13 Dapat disimpulkan bahwa,
ANOVA adalah analisis statistika yang digunakan untuk menguji perbedaan
tiga atau lebih nilai rata-rata faktor tunggal maupun faktor ganda melalui

12
Imam, Ghozali, Aplikasi Analisis Multivariete Dengan Program IBM SPSS 23 (Edisi
8), (Semarang: Badan Penerbit Universitas Diponegoro, 2016), hlm. 97
13
G. Keppel dan Thomas D. Wickens, Design and Analysis A Researcher's. Handbook
Fourth Edition, (New Jersey: Pearson Prentice Hall, 2004), hlm. 22

9
 perbandingan varians antar kelompok (between groups variance) dan varians
dalam kelompok (within groups variances). Beberapa penjelasan terkait dengan
definisi di atas dipaparkan di bawah ini.
Dalam ANOVA yang disebut faktor adalah variabel independen.
Variabel independen tersebut diukur dalam skala nonmetrik atau kategorikal
sedang variabel dependennya diukur minimal dalam skala interval. Kategori
yang dilekatkan pada variabel independen (faktor) disebut level atau kondisi
treatmen (treatment conditions) atau kondisi eksperimen (experiment
condition). Dalam Tabel 2 di muka, kinerja karyawan adalah variabel dependen,
sedang metode pelatihan adalah faktor atau variabel independen yang diukur
dalam tiga level (kategori), yaitu A1, A2 dan A3.
Faktor tunggal atau single factor experiments artinya, penelitian hanya
melibatkan satu variabel independen yang diukur dalam tiga level (kategori)
atau lebih. ANOVA dengan faktor tunggal disebut analisis varians satu jalan
(one way analysis of variance). Faktor ganda atau disebut juga factorial design14
artinya, penelitian melibatkan dua atau lebih variabel independen yang diukur
minimal dalam dua level (kategori). ANOVA dengan melibatkan dua faktor
disebut analisis varians dua jalan (two way analysis of variance), sedang jika
melibatkan tiga faktor disebut analisis varians tiga jalan (three way analysis of
variance).
Tiga bentuk desain eksperiment yang datanya biasa dianalisis dengan
ANOVA, yaitu between-subjects design, within-subject atau repeated-measures
design dan mixed design. Dalam between-subjects design, kondisi treatmen
atau kondisi eksperimen dikenakan pada kelompok subjek eksperimen yang
berbeda, sedang dalam within-subject atau repeated-measures designs, kondisi
treatmen atau kondisi eksperimen dikenakan pada kelompok subjek eksperimen
yang sama.

14
Ibid., hlm. 11

10
 TABEL 5
Between-subjects Design dan Within-subject Design
Between- Within-subject
subjects design design
Metode A Metode B Metode A Metode B
𝑌1.1 𝑌6.2 𝑌1.1 𝑌6.2
𝑌2.1 𝑌7.2 𝑌2.1 𝑌7.2
𝑌3.1 𝑌8.2 𝑌3.1 𝑌8.2
𝑌4.1 𝑌9.2 𝑌4.1 𝑌9.2
𝑌5.1 𝑌10.2 𝑌5.1 𝑌10.2

Sebagaimana dijelaskan Tabel 5, dalam desain between subjecs, kondisi

eksperimen yaitu metode A dan metode B dikenakan pada dua kelompok subjek
yang berbeda. Metode A dikenakan pada kelompok subjek 1 sampai 5 dan
metode B dikenakan pada kelompok subjek 6 sampai 10. Sedang dalam desain
within subject, kondisi eksperimen tersebut dikenakan pada kelompok subjek
yang sama, yaitu subjek 1 sampai 5. Singkatnya, dalam desain between subjecs,
kelompok subjek eksperimen yang berbeda dikenakan satu kali pengukuran
variabel dependen, sedang dalam desain within subject, kelompok subjek
eksperimen yang sama dikenakan dua kali atau lebih pengukuran variabel
dependen. Akhirnya, jika penggunaan between-subjects digabungkan dengan
within-subjects designs hasilnya diperoleh sebuah desain eksperimen yang
disebut mixed designs.15
a. Homogeneity of variance/sphericity: variabel dependen memiliki
varians yang sama dalam setiap kategori/kelompok variabel
independen. Statistik uji: Levene’s Test. Kriteria uji: p > 0,05. Hasil uji
tidak siginifikan, Ho tidak dapat ditolak, variabel dependen pada setiap
kelompok memiliki varians yang sama. Jika varians tidak sama,
ANOVA tetap robust (kuat) untuk tetap digunakan.

15
G. Gamst, Meyers, L. S., dan A. J.Guarino, Analysis of Variance Designs: A
Conceptual and Computational Approach with SPSS and SAS, (New York: Cambridge University
Press, 2008), hlm. 361

11
 b. Untuk uji hipotesis, subjek dalam setiap kelompok diambil secara
random. Ukuran sampel minimal 30 yang diambil secara random
cenderung berdistribusi normal.
c. Variabel dependen berdistribusi normal. Statistik uji: Kolmogorov-
Smirnov’s Test. Kriteria uji: p > 0,05. Hasil uji tidak signifikan, Ho tidak
dapat ditolak, variabel dependen berdistribusi normal. Pelanggaran
terhadap asumsi ini, ANOVA tetap robust meskipun data variabel tidak
berdistribusi normal.
4. Estimasi Titik dan Interval
Etimasi biasanya sering digunakan dalam manaksir parameter populasi
seperti rata-rata atau proporsi variabel tertentu yang terdapat dalam populasi
melalui perhitungan statistik sampel karena perhitungan langsung pada seluruh
populasi tidak mungkin dilakukan.16 Estimasi ialah suatu keseluruhan proses
yang menggunakan estimator (nilaistatistik; mean, median, varian dan standar
deviasi) untuk menghasilkan suatu estimasiyang diharapkan mendekati
parameter populasi. Ada dua jenis estimasi yaitu estimasititik,dan estimasi
interval.17
Estimasi titik ini merupakan nilai tunggal dari statistik sampel tertentu
yang digunakan untuk mengestimasi nilai parameter populasi. Ada tiga kriteria
ketepatan estimasi titik, yaitu:18
a. Tidak bias (unbiasedness)
Apabila nilai statistik (estimator/penduga) sama dengan atau sangat
mendekati nilai parameter
b. Efesiensi Apabila penduga memiliki varians yang kecil
c. Konsistensi
Jika suatu ukuran sampel besar, maka penduga mendekati parameter
sampel besar maka cenderung menghasilkan dugaan titik yang baik.
Penghitungan estimasi titik sama dengan penghitungan analisis deskriptif,
menghitung mean, variansi dan proporsi.

16
Budihartono, Biostatistik, (Jakarta: EGC, 2001), hlm. 157
17
T. Cahyono, Statistik Terapan dan Indikator Kesehatan, (Yogyakarta: Deepublish,
2018), hlm. 174
18
Ibid., hlm. 174—175

12
 ∑𝑋1
a. Penduga titik untuk rata-rata populasi (𝜇) adalah 𝑥̅ = 𝑁
2
b. Penduga titik untuk variansi (𝜎 )
𝑋
c. Penduga titik untuk proporsi (Phi atau π) adalah P = 𝑁

Estimasi interval lebih dikenal dengan interval konfidensi ini

merupakan pengembangan dari estimasi titik, dimana nilai taksiran
parameternya tidak terfokus pada satu titik nilai, tetapi didasarkan pada range
tertentu, sehingga estimasinya memiliki nilai tertinggi (max) dan nilai terendah
(min). Nilai yang sering muncul ini nilai yang didasarkan probabilitas tertentu
misanya datayang dipilih 90%, 95% ataupun 99%.19
Estimasi interval merupakan nilai interval dari statistic sampel yang
berisikemungkinan terjadinya nilai parameter populasi, dan besarnya estimasii
nterval dipengaruhi oleh 3 faktor, yaitu:
a. Besarnya sampel
b. Tingkkat keyakinan atau keyakinan yang dipilih (level confidence)
c. Variabilitas populasi yang diukur dengan standar deviasi
Berdasarkan ketiga faktor ini maka dapat ditentukan distribusi data yang
digunakan dalam menghitung estimasi interval:
a. Estimasi Interval Mean
Estimasi mean pada data berdistribusi normal (σ) (standar deviasi
populasi) diketahui, jika (σ) tidak diketahui maka (σ) diganti s (standar
deviasi sampel) untuk sampel yang besar (n ≥ 30) maka pengambilan
sampel dengan pengembalian, dengan menggunakan rumus sebagai berikut.
b. Estimasi Interval Selisih Dua Mean
Pada dua populasi saling bebas dengan mean 𝜇1 dan 𝜇2 dan variansi
dan 𝜎12 dan 𝜎22 , maka estimasi selisih antara 𝜇1 dan 𝜇2 diberikan oleh
statistik 𝜇1 - 𝜇2 menggunakan rumus berikut. Jika sampel besar (𝑛1 dan 𝑛2
≥30), maka 𝜎12 dan 𝜎22 yang tidak diketahui dapat diganti dengan 𝑠12 dan
𝑠22 .20

19
T. Cahyono, Statistik Terapan dan Indikator Kesehatan,…, hlm. 176
20
R. Mochamad, (Ed.), Buku Ajar biostatistika: Aplikasi pada penelitian kesehatan,
(Jakarta: EGC, 2012), hlm. 179

13
 F. Permasalahan dalam Analisis Regresi
1. Multikolinearitas
Masalah multikolinearitas pertama kali diperkenalkan oleh Ragnar Frish
pada 1934. Ia mendefinisikan multikolinearitas sebagai suatu keadaan di mana
terjadi korelasi linear yang “perfect” atau exact diantara sebagian atau semua
variabel bebas dalam model regresi, sehingga menyulitkan untuk
mengidentifikasi variabel bebas dan variabel terikatnya. Adanya korelasi dalam
model merupakan hal yang lumrah dan tidak dapat dihindari, justru adanya
hubungan antarvariabel dalam suatu model dapat memberikan hasil taksiran
yang valid. Namun demikian, korelasi yang dimaksud bukanlah korelasi yang
bersifat linear yang dapat mengakibatkan gagalnya proses estimasi (jika
multikolinearitas sempurna) dan adanya kesulitan dalam inferensi (akibat
adanya multikolinearitas tidak sempurna).21
Beberapa hal yang dapat menyebabkan terjadinya multikolinearitas
pada suatu model adalah sebagai berikut:22
a. Proses dan cara dalam pengambilan data serta kecilnya ukuran sampel
yang digunakan
Pengambilan sampel yang tidak benar dan tidak sesuai dengan
prosedur dapat menjadi pintu awal penyebab terjadinya multikolinearitas.
Jumlah sampel yan terlalu kecil dapat mengakibatkan semakin jelasnya
keterkaitan antardata. Oleh karena itu, dalam pendekatan kuantitatif selalu
menyarankan untuk digunakannya sampel dalarn ukuran yang relatif besar.
b. Adanya pola pergerakan data yang relatif sama atau saling terkait
Adanya pola pergerakan data yang sama ternyata juga menjadi
penyebab terjadinya multikolinearitas. Pola-pola tersebut terjadi sebagai
konsekuensi digunakannya data yang bersifat time series. Misalnya, jika
dalam suatu penelitian digunakan variabel bebas pendapatan individu dan
ukuran rumah, maka secara definisi keduanya berbeda, namun ternyata pola
data dari keduanya sama, atau saling terkait. Jika pendapatan individu

21
Setyo Tri Wahyudi, Konsep dan Penerapan Ekonometrika Menggunakan E-Views,
(Jakarta: Rajawali Pers, 2016), hal. 137
22
Ibid., hal. 141

14
 menunjukkan pola meningkat, maka ukuran rumah juga berpola meningkat.
Hal inilah yang disebut dengan multikolinearitas.
c. Spesifikasi model
Spesifikasi model maksudnya bahwa dalam membentuk model
ekonometrika, dapat dilakukan dengan cara menyimplifikasi teori atau
memodifikasi model dari penelitian sebelumnya. Spesifikasi model yang
sering dilakukan adalah memasukkan variabel bebas yang tidak relevan dan
ataupun belum memasukkan variabel bebas yang relevan yang seharusnya
terdapat dalam model (omitted variable).
d. Adanya variabel kelambanan (lag) dalam variabel bebas pada model
regresi
Variabel kelambanan (lag) merupakan suatu variabel yang
dihasilkan dengan cara melakukan generate series terhadap variable bebas
asal. Adanya variabel bebas yang merupakan lag dari variabel bebas asal
akan mengakibatkan tingginya nilai korelasi di antara kedua variabel
tersebut.
e. Model yang overdetermined
Model yang baik adalah model yang bersifat sederhana, namun
demikian kesederhanaan yang dimaksud bukanlah berarti bahwa hanya
terdapat sedikit variabel bebas dan sedikit sampel yang digunakan. Dalam
suatu model, terkadang peneliti melupakan bahwa jumlah variabel yang
digunakan di model harus lebih kecil dibandingkan jumlah sampelnya,
artinya jika digunakan model dengan lima variabel bebas, maka jumlah
sampel yang digunakan tidak boleh lebih kecil dari lima.
2. Heteroskedastisitas
Heteroskedastisitas sering terjadi dalam penggunaan data cross-section.
Data cross-section memiliki karakteristik yang lebih variatif sebagai
konsekuensi dari penggunaan unit individu yang berbeda. Misalnya studi
tentang pengupahan pada berbagai perusahan akan memberikan hasil perbedaan
yang relatif tinggi antara perusahaan besar dengan perusahaan kecil, sehingga
memberikan nilai variasi yang tinggi. Data dengan fluktuasi yang tinggi

15
 cenderung memiliki rata-rata dan varian yang tidak konstan atau memiliki
heteroskedastisitas.
Heteroskedastisitas mengakibatkan estimasi OLS tidak menghasilkan
estimator yang Best Linear Unbiassed Estimator (BLUE), tetapi hanya
menghasilkan estimator yang Linear Unbiassed Estimator (BLUE).
Heteroskedastisitas mengakibatkan varian menjadi tidak minimum atau varian
memiliki sifat seperti variabel sehingga adanya heteroskedastisitas membuat
model menjadi tidak efisien. Secara formal, kondisi heteroskedastisitas
ditunjukkan oleh:

Di mana simbol i menunjukkan bahwa varian mengalami perubahan dari

satu observasi ke observasi lainnya. Jika diilustrasikan dengan gambar
ditunjukkan pada Gambar (11.1) berikut:

Gambar 11.1 Model Heteroskedastisitas

Sebaliknya, jika dalam suatu model nilai varian adalah minimum,

maka kondisi tersebut bersifat homoskedastisitas, secara formal sebagai
berikut:23
Var(ε | X₁, X₂, … … , XK) = σ2....................................................................(11.2)
Jika diilustrasikan seperti gambar berikut:

23
Ibid., hal. 187—188

16
 Gambar 11.2 Model Homoskedastisitas

Menurut Gujarati, terdapat beberapa alasan mengenai keberadaan

heteroskedastisitas dalam suatu model diantaranya:24
a. Adanya situasi error learning models
Maksudnya tingkat kesalahan akan semakin menurun seiring
dengan waktu. Misal penggunaan teknologi dalam kegiatan produksi akan
mengurangi tingkat kesalahan dalam proses produksi, serta memberikan
hasil yang lebih banyak dengan kualitas yang semakin baik.
b. Peningkatan pendapatan
Adanya peningkatan data pendapatan individu atau masyarakat
mengakibatkan data-data pendapatan (jenis-jenis pendapatan) juga
mengalami peningkatan dan memiliki variasi yang lebih tinggi.
c. Pengambilan data
Teknik pengambilan data yang semakin berkembang dan maju serta
penggunaan berbagai teknologi pendukung memberikan hasil positif
terhadap kualitas data yang digunakan.
d. Keberadaan outlier
Outlier merupakan kondisi yang menyimpang dari rata-rata hitung.
Data outlier dapat mengakibatkan kualitas data menjadi menurun yang
ditunjukkan oleh nilai rata-rata yang tidak valid serta standart error yang
relatif besar.
e. Kesalahan spesifikasi

24
Ibid., hal. 189—190

17
 Pembentukan model yang tidak sesuai seperti pemilihan awal variabel
yang tidak tepat dapat menghasilkan model menjadi tidak valid.
3. Autokorelasi
Pengertian autokorelasi menurut Gerhard Tihtner yaitu sebagai korelasi
kelambanan (lag correlation) suatu deretan tertentu dengan dirinya sendiri,
tertinggal oleh sejumlah unit waktu (u1, u2,...,un dan u2, u3,...,un+1). Dalam
berbagai literatur, pengertian autokorelasi sering kali ditulis dengan serial
korelasi, karena keduanya merupakan suatu sinomim. Secara definisi, serial
korelasi merupakan korelasi kelambanan (lag correlation) antara dua seri atau
rangkaian yang berbeda, (u1, u2,...,un dan v2, v3,...,vn+1; di mana u dan v
merupakan dua deretan waktu yang berbeda).
Sementara menurut pendapat Nachrowi dan Usman, autokorelasi adalah
suatu kondisi di mana terdapat korelasi antar disturbance term untuk periode
yang berbeda atau korelasi yang terjadi antar observasi dalam satu variabel.
Umumnya kasus autokorelasi banyak terjadi pada data time series, artinya
kondisi sekarang (periode t) dipengaruhi waktu lalu (t-n). Atau suatu kondisi di
mana sifat residual regresi yang saling berkaitan antara satu observasi (ke-i)
dengan observasi lainnya (ke-j). Secara formal sebagai berikut:25
E (Ɛi, Ɛj) ≠ 0: i≠j ........................................................................................... (9.1)
Jika residual tidak saling berkaitan antar observasi ke-i dengan
observasi ke-j, maka disebut non-autokorelasi, atau tidak terjadi autokorelasi.
Secara formal sebagai berikut:
E (Ɛi, Ɛj) = 0: i ≠ j........................................................................................... (9.2)
Keberadaan autokorelasi dapat ditunjukkan dengan menampilkan pola
residual yang diplot terhadap waktu. Beberapa kemungkinan pola-pola residual
sebagai berikut:

25
Ibid., hal. 168

18
 Pola-pola pada gambar (a) hingga gambar (d) menunjukkan bahwa
residual dalam model mengalami perubahan seiring dengan berubahnya waktu.
Misalnya, gambar (a) pola residual meningkat pada periode tertentu, kemudian
menurun selanjutnya meningkat kembali, dimana perubahan pola tersebut
memiliki pergerakan yang dapat diprediksi. Pada gambar (b) pola residual
meningkat seiring dengan meningkatnya waktu, sedangkan pada gambar (c)
pola residual menurun seiring dengan pergerakan waktu. Sementara, pada
gambar (d) mengikuti pola kuadratik. Pola-pola seperti gambar (a) hingga (d)
inilah yang disebut dengan kondisi autokorelasi. Kondisi non-autokorelasi
ditunjukkan oleh pola pada gambar (e), dimana nilai-nilai residual memiliki
pergerakan yang menyebar disekitar nilai-nilai residual memiliki pergerakan
yang menyebar disekitar titik nol seiring dengan berubahnya waktu. Pada
gambar (e), perubahan dari residual tidak dipengaruhi oleh adanya perubahan
dari waktu.

19
 Terjadinya pola-pola pergerakan residual yang berubah mengikuti
perubahan waktu, dapat disebabkan oleh beberapa hal antara lain:26
a. Inersia (kelembaman)
Inersia merupakan salah satu karakteristik umum dari jenis data time
series. Setiap variabel ekonomi seringkali mengalami penyesuaian secara
bertahap dan berlangsung sepanjang waktu ketika terjadi suatu guncangan
yang dapat mengakibatkan berubahnya data-data pada variabel ekonomi
sering kali mengalami penyesuaian secara bertahap dan berlangsung
sepanjang waktu ketika terjadi suatu gunangan yang dapat mengakibatkan
berubahnya data-data pada veriabel tersebut. Kondisi tersebut juga dapat
terjadi pada sekelompok variabel. Jika demikian, maka seorang peneliti
dapat menganalisis mengenai kemungkinan terjadinya pergerakan secara
bersamaan pada variabel yang digunakan dalam suatu model. Misalnya,
pada variabel pertumbuhan ekonomi, tingkat upah, kemiskinan sering kali
mengalami penyesuaian ketika terdapat guncangan yang berasal dari
eksternal (seperti perubahan harga), maka secara berharap variabel tersebut
akan berada dalam penyesuaian menuju keseimbangan. Dalam kondisi ini,
maka wajar jika variabel tersebut mengalami autokorelasi.
b. Keterlambatan atau lag
Keterlambatan atau lag merupakan kondisi di mana dampak
perubahan sebagai respons akibat adanya variabel yang berubah tidak
terjadi pada periode yang sama. Misalnya, untuk memprediksi pertumbuhan
ekonomi, seorang peneliti menggunakan variabel bebas berupa investasi
sektor infrastruktur. Jika investasi disektor infrastruktur meningkat, tidak
dapat dikatakan bahwa pada saat yang sama, pertumbuhan ekonomi juga
akan meningkat. Justru ketika aktivitas pembangunan infrastruktur sedang
berjalan (misal, pembangunan jalan tol), maka pertumbuhan ekonomi
menjadi melambat sebagai akibat terganggunya akses dan distribusi barang
dan jasa. Pertumbuhan ekonomi akan meningkat pada periode berikutnya,
misal 5 tahun setelah aktivitas dari pembangunan infrastruktur berakhir dan
manfaat dari infrastruktur dinikmati.

26
Ibid., hal. 170

20
 c. Bias spesifikasi
Bias spesifikasi merupakan suatu kondisi terjadinya kesalahan
dalam membentuk suatu model. Kesalahan dalam pembentukan model
dapat terjadi dikarenakan dua hal yakni (i) tidak dimasukkannya variabel
yang relevan (omitted variabel), dan (ii) digunakannya variabel yang tidak
relevan dalam model. Kedua kesalahan tersebut dapat terjadi dikarenakan
adanya keterbatasan peneliti dalam memahami konsep sebagai akibat dari
penggunaan literatur berupa teori dan studi terdahuluyang terbatas.
Misalnya, model fungsi konsumsi menurut teori konsumsi Keynes hanya
menyatakan bahwa adanya kecenderungan perubahan pendapatan akan
mengubah perilaku konsumsi. Jika kita maknai bahwa keterkaitan antara
pendapatan dan konsumsi mengikuti pola yang linier, maka kesimpulan
tersebut bisa benar dan mungkin juga bisa salah. Pola perubahan pendapatan
dapat pula mengubah perilaku konsumsi mengikuti pola yang kuadratik,
bahkan polynominal bukan hanya pola linear.
d. Manipulasi data
Manipulasi berarti melakukan perubahan dari yang seharusnya.
Terjadinya manipulasi dapat disebabkan banyak faktor seperti keterbatasan
data, data yang outlier, temuan hipotesis yang tidak sesuai teori, dan
sebagainya. Jika seorang peneliti melakukan perubahan data dengan tujuan
memperoleh hasil seperti yang diingikan, bukan seperti yang dihasilkan,
maka tindakan tersebut disebut manipulasi. Sehingga manipulasi sering
dikonotasikan negatif. Misalnya, suatu penelitian memerlukan data berupa
data kuartalan, namun data yang tersedia dalam bentuk tahunan. Jika
peneliti tersebut kemudian melakukan teknik interpolasi untuk memecah
data tahunan menjadi kuartalan, maka tindakan tersebut dapat dikatakan
memanipulasi data.

G. Estimasi Permintaan dengan Analisis Regresi

1. Spesifikasi Model
Tahap pertama dalam menggunakan analisis regresi untuk
mengestimasi permintaan adalah menspesifikasi model yang akan diestimasi.

21
Ini menyangkut pengidentifikasian variabel-variabel penting yang
mempengaruhi permintaan untuk komoditas yang dikaji.
2. Pengumpulan Data pada Variabel
Tahap berikutnya dalam penggunaan analisis regresi untuk
mengestimasi permintaan akan suatu komiditi terutama adalah dengan
mengumpulkan data dari variabel-variabel dalam modelnya. Data-data
dikumpulkan untuk setiap variabel sepanjang waktu atau untuk unit ekonomi
yang berbeda pada suatu waktu tertentu. Penjelasan yang awal biasa disebut
sebagai data deret waktu. Setiap tipe data mempunyai keuntungan tertentu tetapi
juga mengarah pada masalah estimasi tertentu. Tipe data yang biasanya
digunakan dalam estimasi permintaan seringkali ditentukan oleh ketersediaan.
Kesenjangan data juga dapat memaksa peneliti untuk membuat proporsi bagi
beberapa variabel yang datanya tidak tersedia.
Sumber yang paling penting dari data yang diterbitkan untuk umum
yang sangat berguna untuk mengumpulkan data tentang estimasi permintaan
adalah Survey of Current Business, the Statistical Abstract of the United States,
the Federal Reserve Bulletion, dan Annual Economic Report to the President.
3. Penentuan Persamaan Permintaan
Tahap berikutnya dalam estimasi permintaan untuk analisis regresi
adalah menentukan bentuk fungsional dari model yang akan diestimasi. Model
yang paling sederhana yang dapat dipakai dan yang biasanya paling realistis
adalah model linier.
Dalam model linier, perubahan dalam efek marginal dan variabel terikat
untuk setiap unit perubahaan pada variabel bebas atau variabel penjelas
(diberikan oleh estimasi koefisien untuk variabel tersebut) adalah konstan,
tanpa menghiraukan tingkatan dari variabel tertentu. Namun demikian, ada
kasus di mana hubungan nonlinier akan cocok dengan data yang ada
dibandingkan bentuk linier. Ini dapat diketahui dengan menggambarkan grafik
dan variabel terikat pada setiap variabel bebasnya. Spesifikasi hubungan
nonlinier yang paling sering dijumpai dalam persamaan permintaan adalah
fungsi pangkat.
4. Pengujian Hasil Ekonometrika

22
 Langkah berikutnya dan merupakan langkah terakhir dari analisis
regresi permintaan adalah mengevaluasi hasil regresi. Pertama, tanda dari setiap
estimasi koefisien kemiringan yang ada harus dicek apakah sesuai dengan dasar
teori yang ada. Kedua, uji t harus dilaksanakan terhadap signifikansi statistic
dari estimasi parameter-parameter untuk menentukan derajat keyakinan dari
setiap estimasi koefisien kemiringan. Koefisien determinasi akan
mengindikasikan proporsi dari variasi total dalam permintaan untuk komoditi
yang “dapat dijelaskan” oleh variabel bebas atau variabel penjelas yang ada
dalam persamaan permintaan.
Akhirnya, persamaan permintaan hasil estimasi harus lulus uji
ekonometrik lainnya untuk meyakinkan bahwa masalah-masalah seperti
multikolinearitas, heteroskedastisitas, dan autokolerasi tidak terjadi.27

27
Darwin Damanik, dkk., Ekonomi Manajerial, (Medan: Yayasan Kita Menulis, 2021), hal.
78—80

23
 BAB III
PENUTUP

A. Kesimpulan
Estimasi permintaan merupakan proses untuk menemukan nilai dari
koefisien-koefisien fungsi permintaan akan suatu produk masa kini. Dalam
estimasi permintaan dapat dilakukan dengan pendekatan riset pemasaran yaitu
melakukan wawacara dan survei, pasar simulasi dan eksperimen pasar secara
langsung. Selain itu, juga dapat dilakukan dengan analisis regresi. Analisis
regresi berkaitan dengan studi mengenai ketergantungan satu variabel, yaitu
variabel dependen, terhadap satu atau lebih variabel independen. Terdapat dua
analisis regresi yaitu analisis regresi sederhana dan analisis regresi berganda.
Terdapat tiga permasalahan dalam analisis regresi. Permasalahan yang
pertama yaitu multikolinearitas. Multikolinearitas merupakan suatu keadaan di
mana terjadi korelasi linear yang “perfect” atau exact diantara sebagian atau
semua variabel bebas dalam model regresi, sehingga menyulitkan untuk
mengidentifikasi variabel bebas dan variabel terikatnya. Permasalahan yang
kedua yaitu heteroskedastsitas. Heteroskedastisitas mengakibatkan estimasi
OLS tidak menghasilkan estimator yang Best Linear Unbiassed Estimator
(BLUE) dan mengakibatkan varian menjadi tidak minimum atau varian
memiliki sifat seperti variabel sehingga adanya heteroskedastisitas membuat
model menjadi tidak efisien. Dan permasalahan yang ketiga yaitu autokorelasi.
Autokorelasi merupakan kondisi di mana terdapat korelasi antar disturbance
term untuk periode yang berbeda atau korelasi yang terjadi antar observasi
dalam satu variabel.
Estimasi permintaan dengan analisis regresi terdiri dari empat tahap.
Tahap pertama adalah menspesifikasi model yang akan diestimasi. Ini
menyangkut pengidentifikasian variabel-variabel penting yang mempengaruhi
permintaan untuk komoditas yang dikaji. Tahap kedua adalah dengan
mengumpulkan data dari variabel-variabel dalam modelnya. Data-data
dikumpulkan untuk setiap variabel sepanjang waktu atau untuk unit ekonomi
yang berbeda pada suatu waktu tertentu. Tahap ketiga adalah menentukan

24
bentuk fungsional dari model yang akan diestimasi. Model yang paling
sederhana yang dapat dipakai dan yang biasanya paling realistis adalah model
linier. Tahap keempat dan merupakan tahap terakhir dari analisis regresi
permintaan adalah mengevaluasi hasil regresi.

B. Saran
Dengan terselesaikannya makalah ini tentu masih banyak kekurangan,
namun puji syukur Alhamdulillah penulis panjatkan dengan penuh ta’dzim
kepada Allah SWT yang telah memberikan petunjuk-Nya sehingga makalah ini
bisa diselesaikan tepat waktu. Penulis mengharapkan para pembaca dapat
menambah wawasan.
Saran dari pembaca sangat kami harapkan, kritik dan saran yang
konstruktif kami harapkan untuk penyempurnaan penyusunan makalah
selanjutnya. Jika ada kesalahan atau kekurangan dalam penyusunan makalah
ini, kami mohon maaf yang sebesar-besarnya.

25
 DAFTAR RUJUKAN

Almuldita, Nike Nur. 2012. Model Estimasi Permintaan Produk Fast Moving
Consumer Goods (FMCG). Skripsi tidak Diterbitkan. Depok: Universitas
Indonesia
Ansofino, dkk. 2016. Buku Ajar Ekonometrika. Yogyakarta: Deepublish
Budihartono. 2001. Biostatistik, Jakarta: EGC
Damanik, Darwin. dkk. 2021. Ekonomi Manajerial. Medan: Yayasan Kita Menulis
G. Gamst, Meyers, L. S., dan A. J.Guarino. 2008. Analysis of Variance Designs: A
Conceptual and Computational Approach with SPSS and SAS. New York:
Cambridge University Press
G. Keppel dan Thomas D. Wickens. 2004. Design and Analysis A Researcher's.
Handbook Fourth Edition. New Jersey: Pearson Prentice Hall
Harlan, Johan. 2018. Analisis Regresi Linear. Depok: Gunadarma
Imam, Ghozali. 2016. Aplikasi Analisis Multivariete Dengan Program IBM SPSS
23 (Edisi 8). Semarang: Badan Penerbit Universitas Diponegoro
Paiman. 2019. Teknik Analisis Korelasi Dan Regresi Ilmu-Ilmu Pertanian.
Yogyakarta: UPY Press
Panjawa, Jihad Lukis dan RR Retno Sugiharti. 2020. Pengantar Ekonometrika
Dasar Teori dan Aplikasi Praktis untuk Sosial – Ekonomi. Magelang:
Pustaka Rumah Cinta
R. Mochamad, (Ed.). 2012. Buku Ajar biostatistika: Aplikasi pada penelitian
kesehatan. Jakarta: EGC
Safitri, Widayanti Ratna. 2016. “Analisis Korelasi Pearson Dalam Menentukan
Hubungan Antara Kejadian Demam Berdarah Dengue Dengan Kepadatan
Penduduk Di Kota Surabaya Pada Tahun 2012 – 2014”, dalam
https://core.ac.uk/download/pdf/233837344.pdf, diakses 19 Maret 2022
Santoso, Singgih. 2010. Statistik Nonparametik. Jakarta: Gramedia
Setiadi, Nugroho J. 2018. Business Economics And Managerial Decision Making
Aplikasi Teori Ekonomi Dan Pengambilan Keputusan Manajerial Dalam
Dunia Bisnis. Jakarta: Kencana
Sudrajat, Usep dan Suwaji. 2012. Ekonomi Manajerial. Yogyakarta: Deepublish

26
Syilfi, Dwi Ispriyanti dan Diah Safitri. 2012. “Analisis Regresi Linier Piecewise
Dua Segmen”. Jurnal Gaussian, (Online), 1(1): 219—228,
(http://ejournals1.undip.ac.id/index.php/gaussian), diakses 19 Maret 2022
T. Cahyono. 2018. Statistik Terapan dan Indikator Kesehatan. Yogyakarta:
Deepublish
Wahyudi, Setyo Tri. 2016. Konsep dan Penerapan Ekonometrika Menggunakan E
Views. Jakarta: Rajawali Pers

27