Estimasi Parameter dengan Metode Maximum Likelihood Estimation dan

Membentuk Model Regresi Linier Multivariat terhadap Laju Inflasi dan

Pertumbuhan Ekonomi Tahun 1999-2013
Tugas Pemodelan Matematika
Oleh:
Aisa Khoirul Umaroh (16610030)
Siti Hurriyati (16610041)
Devi Nur Afifah (16610046)
Emalia Nailun (16610047)

1. Pendahuluan

Keadaan perekonomian suatu Negara yang mengalami kenaikan harga-harga

barang dan jasa dalam waktu yang panjang atau berkelanjutan. Hal ini disebabkan
karena tidak adanya keseimbangan antara arus uang dan barang. Keadaan ini
biasanya disebut dengan sebutan inflasi (inflation). Dari banyaknya faktor-faktor
yang mempengaruhi inflasi, diantaranya adalah jumlah uang beredar, ekspor dan
impor. Faktor-faktor ini juga mempengaruhi pada peningkatan atau penurunan
pertumbuhan ekonomi suatu negara. Pertumbuhan ekonomi pada sebuah negara
merupakan peningkatan pendapatan karena terjadi peningkatan produksi barang
dan jasa.

Permasalahan tersebut dapat diteliti dengan salah satu model dari statistik
yaitu menggunakan model regresi linier multivariate. Model ini memberikan lebih
dari satu variabel terikat (dependent) dan satu atau lebih variabel bebas
(independent). Sebelum menentukan model regresi linier multivariate dilakukan
pengujian data terlebih dahulu dengan melalui tahapan uji kenormalan data, uji
kelayakan data, dan uji indenpendesi residual.

Artikel ini dibuat bertujuan untuk mengetahui model persamaan regresi linier
multivariate dengan studi kasus laju inflasi dan pertumbuhan ekonomi. Selain itu,
akan ditunjukkan estimasi parameter dari data tersebut dengan metode maximum
likelihood estimation. Metode ini digunakan untuk estimasi dengan
memaksimalkan fungsi dengan bentuk logaritma natural dan kemudian
mendeferensialkan. Dalam artikel ini, perhitungan estimasi parameter data

1
dibentuk dengan cara matriks yang kemudian perhitungannya dibantu dengan
aplikasi microsoft excel.

2. Tinjauan Pustaka
2.1. Model Regresi

Regresi linier adalah hubungan antara satu variabel yang biasanya disebut
variabel terikat (dependent) dengan satu atau lebih variabel disebut variabel bebas
(independent). Data yang digunakan dapat berbentuk univariate maupun
multivariate. Model regresi linier terbagi menjadi dua model, yaitu model regresi
linier sederhana dimana variabel bebas (independent) dipengaruhi satu variabel
bebas, dengan model umum = + + . Dan model regresi linier
berganda dimana variabel bebas (independent) tidak dipengaruhi oleh satu
variabel bebas dengan kata lain dipengaruhi satu atau lebih dari satu variabel,
model umum

= + +⋯+ + .

2.2. Model Regresi Linier Multivariate

Regresi linier multivariate adalah analisis statistik dengan menggunakan data

yang terdiri dari beberapa variabel yang saling berkorelasi. Multivariate ini
menggunakan data dimana variabel terikat (dependent) lebih dari satu dan
variabel bebas (independent) satu atau lebih (Johnson dan Wichern, 2007).
Misalkan terdapat variabel terikat (Y) berjumlah p yaitu , , ,…, dan
variabel bebas (X) berjumlah q yaitu , , ,…, maka model regresi linier
multivariate n terikat adalah

= + + ⋯+ +
= + + ⋯+ +
⋮
= + +⋯+ +

2.3. Asumsi Regresi Linier Multivariate

Sebelum menentukan model regresi linier multivariate terlebih dahulu

dilakukan beberapa uji regresi terhadap data sebagai berikut:

2
1. Uji Normal Multivariate
Pada uji ini jika residualnya memenuhi asumsi normal dengan ~ (0, Σ)
maka data yang diperoleh berasal dari populasi normal. Ada dua cara untuk
pengujian normal multivariate, yang pertama dengan membuat plot Chi
Square (untuk ≥ 2). Dengan hipotesis
: Residual data berdistribusi normal multivariate
: Residual data berdistribusi normal multivariate
2. Uji Kesamaan Matriks Varian Kovarian
Asumsi selanjutnya adalah residual yang memiliki matriks varian-kovarian
yang homogen. Untuk menguji kesamaan matriks varian-kovarian dengan
statistik uji Box’s M. Hipotesis yang digunakan adalah
: Σ = Σ = ⋯ = Σ (Matriks varian kovarian residual homogen)
: Minimal ada satu Σ ≠ Σ , untuk ≠ (Matriks varian kovarian residual
tidak homogen) (Johnson dan Wichern, 2007).
3. Uji Independensi Residual
Asumsi yang terakhir, yaitu jika matriks korelasi antar residual membentuk
sebuah matriks identitas maka residual , ,…, bersifat independent
(saling bebas). Untuk pengujiannya menggunakan uji Bartlett Sphericity.
Hipotesisnya yaitu (Basilevsky,1994):
: = (Residual bersifat saling bebas)
: ≠ (Residual bersifat tidak saling bebas)

2.4. Maximum Likelihood Estimation

Maximum Likelihood Estimation merupakan metode yang digunakan untuk
mengestimasi parameter yang tidak diketahui dengan memaksimalkan suatu
fungsi. Misal , ,…., merupakan variabel random dengan pdf ( ; ). Pdf
dari , ,…., mengandung parameter . Sehingga pdf tersebut dapat
dituliskan sebagai suatu fungsi ℎ (Bain dan Engelhardt, 1992):

( )= ( ; )

3
Untuk memaksimumkan ( ), maka dicari dengan mengubah fungsi likelihood
dalam bentuk ln sehingga menjadi :

ln ( ) = ( ; ) = ln ( ; )

Turunan ln L( ) terhadap akan menghasilkan nilai yang memaksimumkan ln

L( ):

ln ( ) = 0

Taksiran maximum likelihood dari yaitu dengan nilai yaitu ( , ,…, )

yang memaksimumkan ln L( ) (Ilmma, 2009).

Pada distribusi normal, misal , ,…, merupakan suatu sampel acak N( , ),

maka fungsi likelihood dari data tersebut dapat ditulis:

1 ∑ ( − )
( , , ,…, )= −
√2 2
Kemudian logaritma dari distribusi tersebut dapat ditulis:

1 ∑ ( − )
ln ( , , ,…, )= + −
√2 2

ln ( , , ,…, )
= 0+2 ( − )

( − )=0

∑
=

∑
Maka, = memaksimumkan ln L( ) (Herman,dkk, 1999).

4
3. Metodologi Penelitian
3.1. Sumber Data

Data yang digunakan adalah data mengenai laju inflasi dan tingkat
pertumbuhan ekonomi Indonesia dari tahun 1990 sampai tahun 2013 dalam satuan
persen (%). Data laju inflasi dan tingkat pertumbuhan ekonomi ini dipengaruhi
oleh banyaknya jumlah uang yang beredar, hasil ekspor, dan hasil impor dalam
satuan miliar rupiah. Data ini bersumber dari Badan Pusat Statistik (BPS) dan
Bank Indonesia (BI).

3.2. Variabel Penelitian

Dalam contoh kasus ini terdapat dua jenis variabel penelitian yang digunakan,
yaitu variabel dependen (terikat) dan variabel independen (bebas). Variabel
dependen yang digunakan adalah laju inflasi dan perumbuhan ekonomi tahun
1999-2013, sedangkan untuk variabel independen adalah faktor banyaknya jumlah
uang yang beredar, hasil ekspor, dan impor dengan sampel untuk masing-masing
variabel sebanyak 24 data.

Dalam penelitian ini, digunakan pemisalan dengan variabel dependen

dimisalkan sebagai Y dan variabel independen sebagai X. Dengan uraian sebagai
berikut:

- Y1 : Laju inflasi tahun 1999-2003 (%)

- Y2 : Pertumbuhan ekonomi (%)
- X1 : Jumlah uang beredar (miliar Rp)
- X2 : Ekspor (miliar Rp)
- X3 : Impor (miliar Rp)

3.3. Langkah Penelitian

Berikut adalah langkah penelitian yang dilakukan:

1. Menguji kelayakan data menggunakan uji Kaiser-Meyer-Olkin dengan

bantuan aplikasi SPSS.
2. Menguji multivariat normal yang dilakukan dengan bantuan aplikasi
macro Minitab.

5
 3. Menguji independensi residual menggunakan uji Bartlett dengan bantuan
aplikasi SPSS.
4. Menentukan model regresi linier multivariat menggunakan metode MLE
dengan cara matriks.
5. Menentukan estimasi parameter.
6. Menentukan estimasi parameter β.
7. Menentukan estimasi parameter σ2.
8. Membentuk model persamaan regresi dan menentukan nilai estimasi
parameter dari contoh kasus dengan bantuan perhitungan microsoft excel.

4. Hasil dan Pembahasan

Berikut adalah hasil dan pembahasan dari pengolahan data menggunakan
bantuan aplikasi macro Minitab dan SPSS serta cara eksak dalam mencari model
regresi linier multivariat dan estimasi model menggunakan MLE.
4.1. Uji Kelayakan Data

Uji KMO digunakan untuk mengetahui data layak dianalisis atau tidak. Nilai
yang diharapkan untuk nilai KMO adalah lebih besar dari 0,5, artinya jika nilai
KMO lebih dari 0,5 maka data tersebut layak untuk dianalisis. Dengan hipotesis
sebagai berikut:
H0 : Data layak dianalisis
H1 : Data tidak layak dianalisis

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,537
Bartlett's Test of Sphericity Approx. Chi-Square 54,331
df 3
Sig. ,000

Dari tabel hasil pengujian diatas, diperoleh nilai KMO sebesar 0,537. Dengan
nilai tersebut, artinya nilai KMO lebih besar dari 0,5 sehingga dapat dikatakan
bahwa uji gagal menolak H0 artinya terima H0. Jadi, kesimpulan yang diperoleh
adalah data yang digunakan layak untuk dianalisis.

6
4.2. Uji Multivariat Normal
Berikut adalah hasil uji multivariate normal yang dilakukan dengan
menggunakan macro Minitab.

Gambar 1. Hasil Uji Multivariat Normal

Dalam uji ini hipotesis yang digunakan:
H0 : Data mengikuti sebaran distribusi normal multivariate.
H1 : Data tidak mengikuti sebaran distribusi normal multivariate.
Dengan daerah uji kritis atau nilai keputusan, jika hasil nilai chi-square
kurang dari 0,5 (50%), maka keputusannya adalah tolak H0. Sehingga, dari
pengujian ini diperoleh hasil pengujian nilai chi-square 83,333. Karena nilai
tersebut lebih besar dari 0,5 maka gagal tolak H0 atau terima H1. Artinya, data
mengikuti sebaran distribusi normal multivariate. Selain itu, dapat kita lihat dari
hasil grafik dibawah (scatter plot), bawah data menunjukkan plot yang menyebar
mendekati bentuk garis linier. Artinya, bahwa data yang digunakan dalah data
yang berdistribusi normal.

Scatterplot of q vs dd
14

12

10

8
q

0
0 5 10 15 20 25
dd

Gambar 2. Scatterplot

7
4.3. Uji Indepenensi Residual

Uji independensi residual ini menggunakan uji Bartlett dengan olahan

aplikasi SPSS. Pada uji ini digunakan hipotesis:
H0 : R = I (matriks korelasi sama dengan matriks identitas).
H1 : R ≠ I (matriks korelasi tidak sama dengan matriks identitas).

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,537
Bartlett's Test of Sphericity Approx. Chi-Square 54,331
df 3
Sig. ,000
Pada tabel hasil uji Bartlett diatas, pada uji Bartlett diperoleh nilai chi square
sebesar 54,331 dan nilai df (derajat bebas) = 3. Maka, dapat dicari nilai χ 2 tabel
dengan α = 5% dan df = 3 yaitu 7,815. Jadi, dapat diketahui bahwa nilai χ2 hitung
> χ2 tabel maka tolak H0 (terima H1). Dari tabel juga dipeoleh nilai sig. (p-value)
= 0,000. Artinya, dari nilai χ2 dan p-value dapat memberikan kesimpulan bahwa
matriks korelasi tidak sama dengan matriks identitas.

4.4. Menentukan Model Regresi Linier Multivariat

yi1 = + xi1 + xi2 + … + xip +
yi2 = + xi1 + xi2 + … + xip +
…
yij = + xi1 + xi2 + … + xip +
dengan i = 1, 2, …,n dan j = 1, 2, …, q.
Dalam bentuk matriks persamaan diatas menjadi:

…
. = 1 …
.
.

Sehingga dapat ditulis

Y=xβ+

8
 Keterangan :
Y= vektor dependen berukuran n x q
x = matriks dengan variabel independen berukuran n x ( p+1 )
β = vektor koefisien regresi dengan matriks ( p+1 ) x q
= vektor error berukuran n x q

4.5. Menentukan Estimasi Parameter

Misal Y diasumsikan berdistribusi normal maka Y ~ N( , ), sehingga fungsi

dari Y adalah

1 ( ) ( )
f(Y) =
√2

( )
=
√

Untuk menentukan estimasi parameter menggunakan maksimum likelihood

maka,

n ( )
L(Y) =
√

( )
=
( ) ( )

Sehingga diperoleh logaritma natural likelihood sebagai berikut

( )
ln L(Y) = ln
( ) ( )

= ln ln
( ) ( )

( )
= - ln (2 ) ( ) + ln

( )
= - ln (2 ) – ln ( ) + ln

= - ln (2 ) – ln ( ) - ( −2 + )

= − ln(2 ) − ln( )− + 2 −

9
4.6. Estimasi Parameter

Estimasi parameter dinotasikan dengan yang diperoleh dengan cara

mendiferensialkan persamaan logaritma natural likelihood terhadap dan
disamadengankan nol.

( ) ( )
=

= −0 − 0 − 0 + − − − ( )

= − ( )

Kemudian persamaan tersebut disamadengankan nol

( )
=0

− ( ) =0

− ( ) =−

( ) =

( ) =

( ) ( ) =( )

=( )

=( )

Jadi, estimasi dari parameter adalah

=( )

4.7. Estimasi Parameter

Estimasi parameter diotasikan dengan yang diperoleh dengan cara

mendiferensialkan persamaan logaritma natural likelihood terhadap dan
disamadengankan nol.

10
 ( ) ( )
=

= −0 − − + 2 −
( ) ( ) ( )

=− − + 2 −
( ) ( ) ( )

Kemudian persamaan tersebut disamadengankan nol

( )
=0

0 =− − + 2 −
( ) ( ) ( )

=− + 2 −
( ) ( ) ( )

=− + 2 −
( ) ( ) ( ) ( )

=− +2 −

=( −2 + )

= ( − )( − )

Jadi, estimasi dari parameter adalah

= ( − )( − )

4.8. Model Regresi Linier Multivariat dan Nilai Estimasi Parameter dari
Contoh Kasus yang Digunakan

Berdasarkan data yang digunakan, dapat diketahui bahwa untuk menentukan

model persamaan regresi multivariate, terlebih dahulu ditentukan =
( ) ( ) yang didapatkan dari langkah keenam. Matriks berordo 24 × 4
meruapakan matriks yang beranggotakan data variabel X1, X2, dan X3 yaitu
banyaknya jumlah uang beredar, hasil ekspor dan impor, matriks berordo
24 × 1 merupakan variabel Y1 yaitu laju inflasi, dan matriks berordo 24 × 1
merupakan variabel Y2 yaitu pertumbuhan ekonomi. Melalui cara perkalian

11
matriks yang dihitung dengan bantuan microsoft excel sehingga didapatkan hasil
sebagai berikut:

15,03918227
0,0000045416
=
−0,00000851888
−0,00012605

merupakan matriks berordo 4 × 1 dimana baris pertama merupakan =

15,03918227, baris kedua merupakan = 0,0000045416, baris ketiga
merupakan = −0,00000851888, baris keempat merupakan =
−0,00012605. Sehingga model regresi linier multivariate untuk laju inflasi ( )
adalah

= 15,03918227 + 0,0000045416 − 0,00000851888 − 0,00012605

Dengan cara yang sama digunakan untuk mencari model persamaan variabel
pertumbuhan ekonomi (Y2) dengan hasil sebagai berikut:

5,9599461
−0,000002396
=
−0,000000419
0,000044058

merupakan matriks berordo 4 × 1 dimana baris pertama merupakan

= 5,959946101, baris kedua merupakan = −0,00000239641, baris ketiga
merupakan = −0,000000419056, baris keempat merupakan =
0,0000440582.

Sehingga model regresi linier multivariate untuk pertumbuhan ekonomi ( )

adalah

= 5,9599461 − 0,000002396 − 0,000000419 + 0,000044058

Kemudian, dari langkah ketujuh telah diperoleh nilai estimasi untuk varians.
Sehingga, untuk mencari dari dan diperoleh hasil sebagai berikut:

= − ( − )

= 229,1569

12
Dari hasil perkalian matriks diperoleh = 229,1569 yang artinya nilai
variansi atau keragaman yang semakin besar berarti data semakin bervariansi.

= − ( − )

= 0,004508

Dari hasil perkalian matriks diperoleh = 0,004508 yang artinya nilai

variansi atau keragaman yang semakin kecil berarti data kurang bervariansi atau
kurang beragam.

5. Kesimpulan

Regresi linier multivariate adalah analisis statistik dengan menggunakan data

yang terdiri dari beberapa variabel yang saling berkorelasi. Multivariate ini
menggunakan data dimana variabel terikat (dependent) lebih dari satu dan
variabel bebas (independent) satu atau lebih. Sedangkan, maximum likelihood
estimation merupakan metode yang digunakan untuk mengestimasi parameter
yang tidak diketahui dengan memaksimalkan suatu fungsi. Dari pengolahan data
yang digunakan yaitu akan ditunjukkan model persamaan regresi dari kasus laju
inflasi dan pertmbuhan ekonomi yang dipengaruhi faktor banyaknya jumlah uang
yang beredar, ekspor, dan impor. Dengan hasil pengolahan data menunjukkan
bahwa data yang digunakan menunjukkan data berdistribusi normal, data layak
untuk dianalisis lebih lanjut, dan matriks korelasi tidak sama dengan matriks
identitas. Kemudian, dihasilkan persamaan model regresi linier multivariatnya

= 15,03918227 + 0,0000045416 − 0,000008518 − 0,000126 dan

= 5,9599461 − 0,000002396 − 0,000000419 + 0,000044058 .

13
 Daftar Pustaka

Bain, L. J. & Engelhardt, M. (1992). lntroduction to Probability and

Mathematical Statistics. Belmont Duxburry Press.

Basilevsky, A. 1994. Statistical Factor Analysis and Related Methods, Theory and
Application. John Wiley & Sons Inc. New York.

Herman, dkk. 1999. Penaksiran Parameter untuk Distribusi Normal dengan

Metode Maximum Likelihood dan Metode Bayes. Lembaga Penelitian
Pusat Studi Indonesia.

Ilmma, A. 2009. Taksiran Maksimum Likelihood Pada Model Persamaan

Struktural Nonlinear. Departemen Matematika Fakultas Matematika
dan Ilmu Pengetahuan Alam Universitas Indonesia Depok.

Johnson, R.A and Wichern, D. W. 2007. Applied Multivariate Statistical Analysis,

Sixth Edition. Prentice Hall International. New Jersey.

14