Chapter- 5

Oleh : I Made Suparta

HP/EM~Ch5 1
Pokok bahasan : pada chapter ini kita melakukan pengujian model
yang kita gunakan untuk mendapatkan data permintaan. Estimasi
permintaan mempunyai arti sebagai proses menemukan nilai
koefisien pada fungsi permintaan. Nilai koefisien ini perlu
dievaluasi secara optimal terhadap harga dan kebijakan promosi
dan digunakan untuk membuat keputusan dari hari ke hari sebagai
suatu strategi.

Adalah proses menemukan nilai/koefisien fungsi

permintaan untuk suatu barang/jasa yang sungguh-sungguh terjadi

ADALAH PROSES MENEMUKAN BESARNYA PERMINTA-

AN SUATU BARANG/JASA UNTUK KURUN WAKTU YANG AKAN DATANG.

Dx = demand X
Fungsi Umum Permintaan Px = Price X
Dx = f (Px, Ax, Ic, Tc, Py,) Py = Price Y
Ic = Income Konsumen
Dx =  + 1 Px + 2Ax + 3Ic + 4Tc+ 5Py Tc = Taste Konsumen
Ax = Advertensi X
HP/EM~Ch5 2
 Dengan membuat estimasi permintaan dapat
ditemukan “persamaan yang sebenarnya” atas data
yang sudah diperoleh dari kenyataan yang ada.
Untuk menentukan variabel-
variabel apa saja yang akan
dimasukkan dalam persamaan
harus diturunkan dari
landasan teori

Melibatkan konsumen secara langsung, misal wawancara, survey

Tidak melibatkan konsumen secara langsung, misal wawancara, survey

Suatu cara untuk menemukan ketergantungan sebuah variabel terhadap

satu atau lebih variabel lainnya.

HP/EM~Ch5 3
 Adalah teori tentang pembentukan model matematis. “hubungan
kausalitas antara sebuah variabel dengan satu atau lebih variabel lain
yang saling mempengaruhi”
 dari penggunaan teori regresi dihasilkan persamaan regresi
 dari persamaan regresi dapat dikenali bagaimana variabel-Variabel
yang sedang diselidiki saling berpengaruh.

a = konstanta,
 Regresi Sederhana : Y = a +bX
b = koefisien regresi
 Regresi Berganda : Y = a + b1X1 + b2X2
 NON LINIER, pada variabel independennya
 LINIER, pada variabel berpangkat lebih dari satu, dan jika di gambar
independennya berpangkat menghasilkan kurva
satu, dan jika digambar  Contoh : Y = a + b1X1+ b2X2 2 (Kuadratik)
bergaris lurus
: Y = a + b1X1 + b2X22 + b3X33 (Kubik)
 Contoh
Y = a +bX : Y = X11X2 2 (power function)
Y = a + b1X1 + b2X2 + b3X3 log Y =log a + b1 logX1 +b2 logX2 (logaritmik)

HP/EM~Ch5 4
 Salah satu cara untuk menghasilkan garis regresi
adalah dengan metode “ORDINARY LEAST SQUARE”
(OLS) atau metode kuadrat terkecil.

 Metode ini berusaha mencari nilai pada

Y Y1 ( aktual) garis regresi
Y1 Y = a + bX
Ŷ
1 Deviasi Y-aktual dg Y-estimate  Rumus yang tepat untuk menggambarkan
Dependent

Y sebuah hubungan/persamaan regresi

Ŷ1 ( estimate) ˆ
sederhana adalah :
Ŷ  αˆ  β X
Y = a + bX + U : hubungan yang sebenarnya

 X Y  â  b̂ X  e : hubungan taksiran
Independent
E ( Y )  a  bX : regresi yang sebenarnya

Ŷ  â  b̂ X : regresi taksiran

Jadi yang kita lakukan dalam me-”regres” adalah mencari nilai : dan
dalam regresi taksiran
HP/EM~Ch5 5
 n.(  XiYi)  (  Xi)(  Yi)
Rumus untuk mencari b 
2 2
parameter (Regresi n.(  Xi )  (  Xi)
Sederhana)
 Yi  b.  Xi
a 
n

Rumus untuk mencari parameter (Regresi Berganda)

2 dimana x  X 1  X 1
 x 1 y  b 1 x 1  b 2 x 1 x 2 1

2
 x 2y  b1  x1x2  b2  x2
x2  X 2  X 2

a  Y  b1 X 1  b 2 X 2 y  Y  Y

Metode Prinsip optimasi kalkulus, minimisasi  e i 2

 Yi  n .â  b̂ 1 X 1i  b̂ 2 X 2 i
 X 1iY i  â  X 1i  b̂ 1 X 1i 2  b̂ 2  X 1iX 2 i

 X 2 iY i  â  X 2 i  b̂ 1 X 1iX 2 i  b̂ 2 X 2 i 2
HP/EM~Ch5 6
 Untuk menghitung nilai : bˆ 1 dan bˆ 2
(  x 1 iy i )(  x 2 2 i )  (  x 2 iy i )(  x 1 ix 2 i )
b̂ 1 
(  x 1 2 i )(  x 2 2 i )  (  x 1 ix 2 i ) 2

(  x 2 iy i )(  x 1 2 i )  (  x 1iy i )(  x 1ix 2 i )
b̂ 2 
(  x 1 2 i )(  x 2 2 i )  (  x 1ix 2 i ) 2
Dimana : y i  Y i  Y ; x 1i  X 1i - X 1 ; x 2i  X 2i - X 2

 e  Y  Ŷ  
2

Residual i i i Jumlah Kuadrat Residual   e   Yi - Ŷ i

i
2

Total Variance dalam Y   y i 2   Yi - Y i 

2

 2
ˆ i - Yi
Variance terjelaskan   yˆ i 2
 Y

 
2
ˆi
Variance tak terjelaskan   ei 2
 Yi - Y

HP/EM~Ch5 7
 Harga Penjualan Y 
 Yi 
26,100
 4,35
2 2 n 6
($) (000 unit) XiYi Xi Yi
No. Toko (Xi) (Yi) X 
 Xi 
4,95
 0,8267
1 0.79 4.650 3.6735 0.6241 21.6225 n 6
2 0.99 3.020 2.9898 0.9801 9.1204
6.(19,5060 )  (4,96 x 26,1)
3 1.25 2.150 2.6875 1.5625 4.6225 bˆ    5,0595
4 0.89 4.400 3.9160 0.7921 19.3600 6.(4,5094) - (4,96) 2
5 0.59 6.380 3.7642 0.3481 40.7044
6 0.45 5.500 2.4750 0.2025 30.2500 aˆ  4,35  (  5,0595)(0, 8267)  8,5327
Total 4.96 26.100 19.506 4.5094 125.6798
Garis Regresi : ˆ  8,5327 - 5,0595X
Y
n=6  Xi  Yi  Xi Yi  Xi 2  Yi 2
Kurva Permintaan : Qx  8,5327 - 5,0595Px

Qx = 8,5327-5,0595Px; saat Px = 0, maka Qx = 8,5327

5,0595Px = 8,5327 –Qx, maka : Px = 1,6865 – 0,19765Qx., saat Qx = 0,
maka Px = 1,6865

HP/EM~Ch5 8
Sales
(unit) Harga ($)

8,5327
aktual 1,6865
Qx  8,5327  5,0595Px
error (Px = 1,6865 - 0,19765Qx)
estimasi

ε p   1,0162
0,85
ˆ  8,5327  5,0595 X
Y
(estimasi)

0 Harga ($) 0
Sales
1,6865 4,2321 8,5327
(unit)

Selisih aktual dengan estimasi adalah error

Jika Px ditetapkan sebesar $ 0,85/unit, maka : dQ P 0 ,85

εp  .   5 , 0595 .
dP Q 4 , 2321
Qx = 8,5327 – (5,0595 x 0,85)
Qx = 4,2321 unit (dalam ribuan) ε p   1,0162

HP/EM~Ch5 9
 Garis regresi yang kita hasilkan perlu dikaji
Apakah variabel independen baik secara bersama-sama ataupun
secara individual cukup mampu menjelaskan perubahan yang terjadi
pada variabel dependen.
Uji individual : t-test (Uji Koefosien Regresi Partial)
Uji Simultan : F-test (Uji Koefisien Regresi Model)
Kedua uji diatas disebut uji keberartian (signifikansi)

Koefisien Determinasi (R 2)
• Menunjukkan proporsi atau bagian dari perubahan dalam variabel dependen yang
dapat diterangkan oleh semua variabel independen
• Nilai R2 berkisar antara Nol sampai dengan Satu, semakin dekat nilai R2 dengan
Satu, berarti semakin kuat pengaruh variabel independen (secara bersama-sama)
terhadap variabel dependen)
2
 n.  XiYi   Xi.  Yi 
R  
2

 n.Xi 2  (  Xi) 2 n.  Yi 2  (  Yi) 2


 
HP/EM~Ch5 10
 
2
(Yi - Ŷ i)
R 1-
2

R2  r2  (Yi - Y )
2

Variasi Variasi
Total +
= Tak Terjelaskan
Variasi Terjelaskan

(  Yi  Y ) 2   ( Yˆ i  Y ) 2   (Yi ˆ i) 2
Y
2 2 2
 yi   yˆ i   ei
Teori ini menjelaskan bagaimana “pola
gerak” antara dua variabel yang diamati.
Jika variabel bebas berubah, bagaimana
dengan variabel terikatnya ?

Korelasi lebih menjelaskan tentang “KEERATAN HUBUNGAN” gerak

antara dua variabel tanpa harus melihat pengaruh masing-masing variabel
satu dengan yang lain.

Keeratan Hubungan diukur dengan nilai “r” (Koefisien Korelasi)

HP/EM~Ch5 11
 Nilai “r” berkisar antara –1 s/d +1
Tanda (+/-) menunjukkan arah hubungan antara variabel
yang diamati
r = mendekati +1 : kedua variabel mempunyaii hubungan kuat
positif, artinya jika variabel independen berubah,
maka variabel dependen ikut berubah dengan arah
yang sama.
r= 0 : kedua variabel tidak ada hubungan, artinya jika
variabel independen berubah, maka variabel dependen
tidak ikut berubah.

r = mendekati -1 : kedua variabel mempunyaii hubungan kuat

negatif, artinya jika variabel independen berubah,
maka variabel dependen ikut berubah dengan arah
yang berlawanan.

n.(  XiYi) - (  Xi)(  Yi)

r
n.Xi 2
- (  Xi) 2 . n.Yi 2
 (  Yi) 2
HP/EM~Ch5 12
 Untuk mengetahui apakah perbedaan koefisien regresi atau parameter
antara dua sub-sampel (persamaan) betul-betul signifikan ataukah
kebetulan.
 yˆ i (K  1)
2

F 
 e i /(n  K)
2

Menentukan batas kritis F-

Prosedur Pengujian : Menentukan Hipotesis.
tabel pada alpha () tertentu
Ho : b1 = b2 = b3 = bn dengan df yang ada
Ha : b1 ≠b2 ≠ b3 ≠ bn
Catatan :
Kriteria Pengujian : Pro
Daerah Numerator : (K-1)
Ho : diterima jika Fhitung  Ftabel Penerimaan Ho Denominator K(n-
Daerah 1)
Ha : diterima jika Fhitung  Ftabel
Penolakan
Ho

0
F

HP/EM~Ch5 13
 Merupakan suatu ukuran penyimpangan titik-titik observasi
(data) dari garis regresi (the line of best fit)
 = Konstanta
Se 
 Yi 2
 αYi  βYi  = Koefisien regresi
nK n =jumlah data
K =Jumlah variabel
Karena dalam estimasi menggunakan data aktual yang mempunyai
penyimpangan terhadap garis regresi, maka kesalahan standar
membentuk jarak keyakinan (convidence interval); dengan anggapan
bahwa observasi akan memiliki penyebaran penyimpangan yang sama,
berkisar disekitar garis regresi.

Batas Atas : Ŷ  2 Se Untuk 95% Convidence

IInterval
Batas Bawah : Ŷ  2 Se

HP/EM~Ch5 14
Merupakan penyimpangan standar dari nilai Koefisien regresi b atau 
Rumus Standard error of coeficient (
S ) :
Sβ 
Se Jika β  2 S β ; maka uji - t tidak perlu dilakukan ;
 Xi 2  n. X 2 karena jika β  2S β equivalent denga n nilai t

Untuk koefisien regresi

Nilai t-hitung dibandingkan dengan t-tabel.

b̂
t-tabel dicari pada  tertentu dengan df = n-(k+1)
Rumus : t hit 
Sβ

HP/EM~Ch5 15
6 masalah menonjol dalam analisis regresi korelasi
(Asumsi Klasik)

Kesalahan dalam menggunakan bentuk hubungan antara variabel

dependen dan variabel independen. Misal : bentuk hubungan
sesungguhnya tidak linier kita paksakan linier. Nilai R2 tertinggi yang
dianggap tepat.

Kesalahan tidak memasukkan variabel independen

yang relevan, masalah ini dapat diatasi dengan
pengkajian teori yang mendalam. Misal :
naikturunnya suku bunga dipengaruhi oleh income
masyarakat,.... mengapa bukan variabel lainnya ?
HP/EM~Ch5 16
 Kesalahan ini timbul karena :
• Daftar pertanyaan (kuesioner)
• Wawancara kurang memadai
• Pendefinisian variabel tidak tepat
• Hasil uji statistik/alat ujinya kurang tepat.

Tidak dibenarkan adanya hubungan timbal balik antara

variabel dependen dan independen.

Misal : naik-turunnya suku bunga dipengaruhi oleh minat

menabung masyarakat, atau sebaliknya.

HP/EM~Ch5 17
1. Timbul akibat adanya hubungan kausalitas antara dua/lebih variabel independen
dengan sesama variabel independen
2. Untuk menguji ini semua diuji dengan korelasi antar variabel independen.
3. Akibat adanya multikolonieritas hasil estimasi bias
4. Dapat diketahui dari R2 besar, tetapi dari uji t dan F, tidak satupun koefisien regresinya
signifikan

1. Masalah ini akan mengakibatkan hasil pengujian hipotesis selalu tidak signifikan.
2. Untuk mendeteksi adanya gejala ini dapat dilakukan dengan menggambarkan scatter-
diagram antara variabel dependen dengan salah satu variabel independennya.
3. Dari scatter-diagram akan terlihat grafik-distribusi nilai residual”

HP/EM~Ch5 18
 Garis Regresi
Y
Ŷ  â  b̂ X
Untuk menanggulangi
Batas atas masalah ini, sebaiknya
. .
model (persamaan
Dependent Variable Y

.
.
.
.
.
.
.
.
.
.
.
regresinya)
.
. .
.
.
. .
ditransformasikan
Batas bawah
.
.
.
. . .
kedalam LOGARITMA
X
Independent
Variable X

Didefinisikan sebagai korelasi yang terjadi

antara anggota observasi yang terletak
berderetan secara series
Salah satu sebab terjadinya kasus ini adalah kesalahan dalam menyusun
model, oleh karena itu untuk memperbaiki, model harus dirubah.

Qx = a - b1Px + b2SK + b3ARx + b4ATV + b5AMx + b6IK

HP/EM~Ch5 19
 Qx = a + b1Px + b2SK + b3ARx + b4ATV + b5AMx + b6IK

Jumlah permintaan barang X dipengaruhi oleh :

1. Harga barang X
2. Selera konsumen terhadap barang X
Akan menimbulkan
3. Advertensi barang X lewat Radio autokorelasi
4. Advertensi barang X lewat TV
Dipilih salah satu saja,
5. Advertensi barang X lewat Media Masa yang dua variabel dicoret
6. Income Konsumen dari model
Model akan menjadi :

Qx = a + b1Px + b2SK + b3Ax + b4IK +e

HP/EM~Ch5 20