Regresi piecewise untuk masalah intervensi - USD Repository
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
REGRESI PIECEWISE UNTUK MASALAH INTERVENSI
SKRIPSI
Diajukan untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana Sains
Program Studi Matematika
Disusun oleh :
DIMAS ADI SETIAWAN
NIM : 093114011
PROGRAM STUDI MATEMATIKA JURUSAN MATEMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA
YOGYAKARTA
2013
i
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
HALAMAN PERSEMBAHAN
Tulisan ini dipersembahkan untuk Orang tua, sahabat, teman, dan orang yang
selalu mendukung dalam proses penulisan.
Teruntuk :
TUHAN YESUS KRISTUS yang selalu ada di saat penulis membutuhkan
pertolongan-Nya.
Ibu Lusia Luveniasmi dan Bapak Ambrosius Sarjono yang telah membesarkan,
mendidik dengan penuh cintak kasih, kesabaran dan doa,โฆ
Cosmas Jerry Anggoro yang telah menemani dalam proses penulisan skripsi ini,
dan dukungannya..
v
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
ABSTRAK
Regresi piecewise merupakan pengembangan dari model regresi linier
sederhana ke dalam model regresi linier berganda yang menggunakan variabel
dummy. Regresi piecewise adalah salah satu model regresi linier berganda
yang cocok untuk masalah data pada jangkauan nilai variabel yang berbeda.
Pada model regresi piecewise terdapat breakpoint yang digunakan untuk
menentukan garis regresi untuk setiap perubahan kemiringan pada fungsi
linier. Model regresi piecewise dengan k breakpoint dapat dituliskan sebagai
berikut:
๐๐ = ๐ผ1 + ๐ฝ1 ๐๐ + ๐ฝ2 (๐๐ โ ๐1โ )๐ท1๐ + ๐ฝ3 (๐๐ โ ๐2โ )๐ท2๐ + โฏ
โ
)๐ท๐๐ + ๐ข๐
+ ๐ฝ๐ (๐๐ โ ๐๐โ1
1, ๐๐๐๐ ๐๐ > ๐1โ
๐ท1๐ = {
0,
๐๐๐๐๐๐ฆ๐
๐ท2๐ = {
โฎ
1, ๐๐๐๐ ๐๐ > ๐2โ
0,
๐๐๐๐๐๐ฆ๐
โ
1, ๐๐๐๐ ๐๐ > ๐๐โ1
๐ท๐๐ = {
0,
๐๐๐๐๐๐ฆ๐
Asumsi dalam regresi berganda dapat digunakan dalam menguji
regresi piecewise, kecuali asumsi tidak ada multikolinearitas karena dalam
regresi piecewise hanya ada satu variabel bebas saja.
vi
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
ABSTRACT
Piecewise regression is a development of the simple linear regression
model to the multiple linear regression model using dummy variables.
Piecewise regression is one of multiple linear regression model
that
appropriate for different range of variable values. In piecewise regression
model there are breakpoints that are used to determine the slope of the
regression for each change in linear functions. Piecewise regression models
contain k breakpoints can be written as follows:
๐๐ = ๐ผ1 + ๐ฝ1 ๐๐ + ๐ฝ2 (๐๐ โ ๐1โ )๐ท1๐ + ๐ฝ3 (๐๐ โ ๐2โ )๐ท2๐ + โฏ
โ
)๐ท๐๐ + ๐ข๐
+ ๐ฝ๐ (๐๐ โ ๐๐โ1
1, ๐๐ > ๐1โ
๐ท1๐ = {
0, ๐๐กโ๐๐๐
๐ท2๐ = {
โฎ
1, ๐๐ > ๐2โ
0, ๐๐กโ๐๐๐
๐ท๐๐ = {
โ
1, ๐๐ > ๐๐โ1
0, ๐๐กโ๐๐๐
Assumptions in multiple regression can be used to test the piecewise
regression model, except no multicollinearity assumption because there is
only one independent variable in the model.
vii
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
KATA PENGANTAR
Segala puji dan syukur penulis panjatkan kepada Tuhan Yesus Kristus,
Guru Yang Agung atas petunjuk dan pertolongan-Nya sehingga penulis dapat
menyelesaikan skripsi ini.
Skripsi ini penulis susun untuk memenuhi salah satu syarat memperoleh
gelar Sarjana Program Studi Matematika, Jurusan Matematika, Fakultas Sains dan
Teknologi di Universitas Sanata Dharma Yogyakarta.
Dalam proses penyusunan skripsi ini ada banyak kesulitan dan hambatan
yang penulis alami. Namun dengan bantuan berbagai pihak semua kesulitan dan
hambatan tersebut dapat teratasi dengan baik. Untuk itu, pada kesempatan ini
penulis dengan penuh ketulusan ingin mengucapkan terima kasih kepada :
1. Ir. Ig. Aris Dwiatmoko, M.Sc, selaku Dosen pembimbing yang telah
membimbing dengan sabar dan memberikan masukan dan koreksi yang
sangat bermanfaat selama proses penyusunan skripsi ini.
2. Paulina Heruningsih Prima Rosa, S.Si., M.Sc., selaku Dekan Fakultas Sains
dan Teknologi.
3. Lusia Krismiyati Budiasih, S.Si., M.Si., selaku Ketua Program Studi
Matematika dan Dosen Pembimbing Akademik.
viii
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
4. Y. G. Hartono, S.Si., M.Sc., selaku Dosen penguji yang telah memberikan
masukan-masukan dan koreksi.
5. Ch. Enny Murwaningtyas, S.Si., M.Si,
selaku Dosen penguji yang telah
memberikan masukan-masukan dan koreksi.
6. Bapak dan Ibu Dosen Program Studi Matematika yang telah memberikan ilmu
yang berguna kepada penulis.
7. Bapak Zaerilus Tukija, Bapak Ignatius Tri Widaryanta, dan Ibu Erna Linda
Santyas Rahayu yang telah memberikan pelaayanan administrasi selama
penulis kuliah.
8. Perpustakaan Universitas Sanata Dharma yang memberikan fasilitas dan
kemudahan kepada penulis.
9. Ibu Lusia Luveniasmi, Bapak Ambrosius Sarjono yang selalu mendoakan
anak-anaknya dimanapun berada dan Cosmas Jerry Anggoro yang selalu
menemani saat penulis mengerjakan skripsi ini. Luciana Putri Renliastuti yang
selalu memberikan semangat kepada penulis.
10. Teman-teman program matematika angkatan 2009: Sekar, Yohana, Erlika,
Ida, Etik, Doweek, Jojo,Ochi dan angkatan 2008: Etus, Moyo, Widi terima
kasih atas segala bantuan, dukungan dan kebersamaannya selama ini.
11. Semua pihak yang telah mendukung, yang tidak dapat penulis sebutkan satu
persatu.
ix
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
DAFTAR ISI
Halaman
HALAMAN JUDUL..........................................................................................
i
HALAMAN PERSETUJUAN PEMBIMBING ................................................
iii
HALAMAN PENGESAHAN............................................................................
iv
HALAMAN KEASLIAN KARYA ...................................................................
v
HALAMAN PERSEMBAHAN.........................................................................
vi
ABSTRAK .........................................................................................................
vii
ABSTRACT .......................................................................................................
viii
KATA PENGANTAR .......................................................................................
ix
LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI ............................
xii
DAFTAR ISI ......................................................................................................
xiii
DAFTAR GAMBAR .........................................................................................
xvii
DAFTAR TABEL . ............................................................................................
xviii
xii
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
BAB I PENDAHULUAN .................................................................................
1
A. Latar Belakang Masalah ........................................................................
1
B. Rumusan Masalah .................................................................................
4
C. Tujuan Penulisan ....................................................................................
4
D. Batasan Masalah.....................................................................................
4
E. Manfaat Penulisan .................................................................................
5
F. Sistematika Penulisan ...........................................................................
5
BAB II REGRESI BERGANDA ......................................................................
7
A. Model Regresi Berganda ......................................................................
7
B. Model Linier .........................................................................................
8
1. Linier dalam variabel ............................................................... .......
9
2. Linier dalam parameter ............................................................ .......
9
C. Pendugaan Model Regresi ....................................................................
10
D. Matriks Variansi-Kovariansi dari ๐ฝฬ ......................................................
13
E. Koefisien Determinasi (R2) .....................................................................
15
F. Asumsi-asumsi dalam Regresi ...............................................................
20
1. Tidak ada heteroskedastisitas .................................................... ......
20
2. Tidak ada otokorelasi ............................................................... .......
23
3. Tidak ada multikolinieritas ....................................................... ......
26
4. Asumsi kenormalan galat .......................................................... ......
28
xiii
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
G. Regresi dengan Variabel Dummy ..................................................... .....
36
H. Masalah Intervensi ......................................................................... .......
39
BAB III REGRESI PIECEWISE ...................................................................... ..
42
A. Pengantar ...............................................................................................
42
B. Model Regresi Piecewise ......................................................................
45
1. Model regresi piecewise untuk satu breakpoint ..............................
46
2. Model regresi piecewise untuk dua breakpoint ...............................
46
3. Model regresi piecewise untuk k breakpoint ................................ ..
47
C. Asumsi Regresi Piecewise ....................................................................
49
1. Kebebasan galat ..............................................................................
49
2. Kenormalan galat ............................................................................
50
3. Galat memiliki variansi homogen ...................................................
51
D. Potensi Pencilan (Outlier) .....................................................................
53
E. Pendugaan Model Regresi Piecewise ....................................................
60
F. Pengujian Model Regresi Piecewise .....................................................
67
1. Kebebasan galat (tidak ada otokorelasi) .........................................
67
2. Kenormalan galat ............................................................................
68
3. Galat memiliki variansi homogen ...................................................
69
BAB IV APLIKASI REGRESI PIECEWISE ...................................................
71
A. Pendahuluan ..........................................................................................
71
xiv
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
B. Contoh 4.1 ..............................................................................................
72
C. Menentukan Titik Patahan (breakpoint) ...............................................
72
D. Menentukan Model Regresi Piecewise .................................................
74
1. Persamaan garis regresi sebelum titik ke 12 ...................................
74
2. Persamaan garis regresi antara titik ke 13-64 ............................. .....
74
3. Persamaan garis regresi antara titik ke 65-87 ...............................
75
4. Persamaan garis regresi setelah titik ke 87 .....................................
75
E. Menentukan Model Regresi Piecewise yang
Kontinu Pada Breakpoint .................................................................
75
1. Mencari titik ๐1 โ ......................................................................
76
a. Menentukan persamaan garis regresi sebelum titik ke 14 ....
76
b. Menentukan persamaan garis regresi antara titik ke 15-64...
77
2. Mencari titik ๐2 โ .........................................................................
77
78
a. Menentukan persamaan garis regresi pada titik 65-89.........
78
b. Menentukan persamaan garis regresi antara titik 90-108.....
79
3. Mencari titik ๐3 โ ..........................................................................
F. Menentukan Model Regresi Piecewise ....................................................
80
G. Pengujian Model Regresi Piecewise ..................................................... .
81
1. Kebebasan galat (tidak ada otokorelasi) .........................................
82
2. Tidak ada Heteroskedastisitas .........................................................
83
3. Kenormalan galat ...........................................................................
84
xv
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
H. Potensi Outlier ....................................................................................
87
I. Pengggunaan Model untuk mepredikisi.............................................
88
J. Contoh 4.2 ...........................................................................................
90
BAB V PENUTUP
A. Kesimpulan..........................................................................................
101
B. Saran....................................................................................................
101
DAFTAR PUSTAKA
LAMPIRAN
xvi
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
DAFTAR GAMBAR
Gambar 1.1 Regresi piecewise antara pelepasan (discharge) (X) dan data angkutan
(Y) bedload di St.louis ......................................................................................
3
Gambar 2.1 Homoskedastisitas .......................................................................
20
Gambar 2.2 Heteroskedastisitas ........................................................................
21
Gambar 2.3 Grafik Saham..................................................................................
40
Gambar 3.1 Hubungan antara penjualan tiket (Y) pada saat hari biasa dengan saat
mendekati liburan (X) .....................................................................................
43
Gambar 3.2 Hubungan kurs rupiah terhadap USD ...........................................
44
Gambar 3.3 Scatterplot galat tidak normal .......................................................
51
Gambar 3.4 Scatterplot galat normal ................................................................
58
Gambar 3.5 Galat bersifat homogen ...................................................................
52
Gambar 3.6 Galat tidak bersifat homogen .......................................................
53
Gambar 3.7 Scatterplot data contoh 3.1 .............................................................
57
Gambar 3.8 Scatterplot data simulasi Regresi Piecewise .................................
62
Gambar 4.1 Grafik Kurs Rupiah ........................................................................
72
Gambar 4.2 Garis hubungan persamaan garis regresi ........................................
87
Gambar 4.3 Scatterplot data penjualan dengan komisi penjualan .....................
90
xvii
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
DAFTAR TABEL
Tabel 2.1 Perhitungan statistik uji Kolmogorov-Smirnov ................................ 31
Tabel 3.1 Data simulasi ...................................................................................... 57
Tabel 3.2 Data simulasi 0-7 .............................................................................. 61
Tabel 3.3 Data simulasi 8-14 ............................................................................. 61
Tabel 4.1 nilai kurs rupiah pada 5 hari ke depan ............................................... 89
xviii
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
BAB I
PENDAHULUAN
A. Latar Belakang Masalah
Peramalan erat kaitannya dengan statistika. Terdapat dua jenis
model peramalan yang utama, yaitu: model deret berkala (time series) dan
model regresi (kausal). Tujuan model peramalan deret berkala adalah
menemukan pola dalam deret data, mengekstrapolasikan pola dalam data
dan mengekstrapolasikan pola tersebut ke masa depan. Model regresi
mengasumsikan bahwa faktor yang diramalkan menunjukkan suatu
hubungan sebab-akibat dengan satu atau lebih variabel bebas. Tujuan dari
model regresi adalah menemukan bentuk hubungan tersebut dan
menggunakannya untuk meramalkan nilai mendatang dari variabel tak
bebas. Analisis regresi berfokus pada pembelajaran yang berkaitan dengan
satu variabel, variabel tak bebas, satu atau lebih variabel tak bebas,
variabel explanatory, dengan maksud untuk menaksir atau meramalkan
nilai rata-rata hitung atau nilai rata-rata variabel tak bebas. Analisis regresi
juga digunakan untuk menganalisis hubungan antar variabel. Hubungan
tersebut dapat ditulis dalam model persamaaan yang menghubungkan
variabel tak bebas Y dengan satu atau lebih variabel bebas X.
Model regresi linier dapat dikategorikan menjadi: model regresi
sederhana, model regresi berganda. Model regresi sederhana adalah model
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
2
yang terdapat hubungan variabel tak bebas Y dengan satu varibel bebas
X. Model regresi berganda adalah model yang terdapat hubungan antara
variabel tak bebas Y dengan lebih dari satu variabel bebas X. Model
regresi berganda dapat memuat variabel dummy, yaitu variabel yang
bersifat kualitatif. Variabel ini tidak bisa diukur, maka yang dapat
dilakukan adalah memberikan nilai yang berfungsi sebagai atribut atau
kategori misalnya 0 dan 1.
Analisis regresi juga dapat dikategorikan untuk memodelkan
kasus-kasus yang dipengaruhi oleh faktor-faktor dari luar. Faktor-faktor
dari luar tersebut disebut intervensi, misalnya: bencana alam, kebijakan
pemerintah, dan lain sebagainya. Ada beberapa contoh kasus intervensi,
misalnya: kurs rupiah terhadap USD pada bulan Agustus 2011 hingga
November 2011. Dalam kasus ini terjadi nilai rupiah meninggi,
dikarenakan terjadi krisis ekonomi didunia sehingga terjadi penurunan
nilai dollar Amerika. Kasus seperti ini dapat dimodelkan dengan model
regresi piecewise. Model regresi piecewise merupakan pengembangan dari
model regresi linier sederhana ke dalam model regresi linier berganda
yang menggunakan variabel dummy. Ketika menganalisa hubungan antara
variabel respon Y dan variabel tak bebas X, untuk jangkauan (range) yang
berbeda dari X, dapat terjadi hubungan linier yang berbeda. Pada kasus
yang demikian, model linier sederhana tidak dapat memberikan penjelasan
yang lengkap. Regresi piecewise adalah bentuk dari regresi linier berganda
yang cocok terhadap masalah data pada jangkauan dari nilai variabel x
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
3
yang berbeda (Ryan, Sandra E.; Porth, Laurie S. 2007). Pada gambar di
bawah ini diberikan contoh penerapan regresi piecewise.
๐โ
Gambar 1.1 Regresi piecewise antara pelepasan (discharge) (X)
dan data angkutan (Y) bedload di St.louis
Pada gambar 1, ๐ โ disebut dengan titik patahan (breakpoints).
Breakpoints adalah nilai dari X di mana ada perubahan kemiringan fungsi
linier. Nilai dari breakpoint bisa diketahui atau mungkin tidak diketahui
sebelum dilakukan analisis, tetapi pada umumnya nilai dari breakpoint
tidak diketahui dan harus dilakukan estimasi parameter. Fungsi regresi
pada breakpoint
mungkin tidak kontinu, tetapi model dapat ditulis
sedemikian sehingga fungsi itu kontinu pada semua titik termasuk
breakpoint.
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
4
B. Rumusan Masalah
Berdasarkan uraian di atas, maka permasalahan dalam tugas akhir
ini adalah sebagai berikut:
1. Apa yang dimaksud dengan masalah intervensi
2. Apa yang dimaksud dengan regresi piecewise?
3. Bagaimana menerapkan regresi piecewise dalam analisis regresi yang
mengandung unsur-unsur intervensi?
C. Tujuan Penulisan
Berdasarkan rumusan masalah di atas, tujuan dari penulisan tugas
akhir ini adalah sebagai berikut:
1. Memahami apa yang dimaksud dengan regresi piecewise.
2. Dapat menggunakan
regresi piecewise dalam analisis regresi yang
mengandung unsur-unsur intervensi.
D. Batasan Masalah
Agar penulisan mencapai tujuan yang dimaksud, maka perlu ada
batasan mengenai permasalahan
yang diangkat. Adapun batasan
masalahnya adalah sebagai berikut:
1. Regresi piecewise yang dibahas terbatas pada model regresi piecewise
linear yang ditujukan untuk memprediksi, sedangkan uji hipotesis tidak
dibahas.
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
5
2. Tidak semua materi prasayarat regresi dibahas secara rinci kecuali
untuk beberapa topik yang berhubungan langsung dengan regresi
piecewise.
E. Manfaat Penulisan
Adapun manfaat yang diharapkan penulis dalam tugas akhir ini adalah
sebagai berikut:
1. Mengetahui bahwa analisis regresi juga dapat dipengaruhi oleh adanya
pengaruh dari luar.
2. Dapat memberi masukan kepada para pengambil keputusan terkait
dengan masalah adanya pengaruh dari luar dalam analisis regresi.
F. Sistematika Penulisan
BAB I Pendahuluan
A. Latar Belakang Masalah
B. Rumusan Masalah
C. Tujuan Penulisan
D. Pembatasan Masalah
E. Manfaat Penulisan
F. Sistematika Penulisan
BAB II Analisis Regresi
A. Model Regresi Berganda
B. Model Linier
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
6
C. Penduga Model Regresi
ฬ
D. Matriks Variansi-Kovariansi dari ๐ท
E. Koefisien Determinasi (R2)
F. Pengujian Hipotesis
G. Asumsi-asumsi dalam Regresi
H. Regresi dengan Variabel Dummy
I. Masalah Intervensi
BAB III Regresi Piecewise
A. Pengantar
B. Model Regresi Piecewise
C. Asumsi-asumsi Regresi Piecewise
D. Potensi Outlier
E. Pendugaan Model Regresi Piecewise
F. Pengujian Hipotesis Regresi Piecewise
BAB IV Aplikasi Regresi Piecewise
A. Data
B. Model Regresi Piecewise
C. Analisis Regresi Piecewise
BAB V Penutup
A. Kesimpulan
B. Saran
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
BAB II
ANALISIS REGRESI
Bagian ini hanya membahas regresi berganda beserta penduganya,
pendugaan
model
regresi,
matrik
variansi-kovariansi,
koefisien
determinasi, regresi dengan variabel dummy, masalah intervensi, dan
asumsi-asumsi dalam model regresi.
A. Model Regresi Berganda
Model regresi berganda merupakan model yang menggambarkan
hubungan antara satu variabel tak bebas Y dengan beberapa variabel
bebas ๐2 , โฆ , ๐๐ . Persamaan Fungsi Regresi Populasi (FRP) k-variabel
meliputi hubungan antara variabel tak bebas Y dengan k-variabel bebas
๐2 , โฆ , ๐๐ , dapat ditulis sebagai berikut:
๐๐ = ๐ฝ1 + ๐ฝ2 ๐2๐ + ๐ฝ3 ๐3๐ + โฏ + ๐ฝ๐ ๐๐๐ + ๐ข๐
di mana,
๐๐
: variabel tak bebas
๐ฝ๐
: koefisien regresi dari variabel bebas ke-j
๐ฝ1
: konstanta
๐๐๐
: nilai variabel bebas ke-j pada pengamatan ke-i
๐ข๐
n
๐
๐
: galat (error) ke-i
: ukuran sampel
: 1, 2,..., n
: 2,..., n
(2.1)
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
8
Salah satu cara menduga parameter regresi berganda adalah dengan
menggunakan pendekatan matriks. Model pada persamaan (2.1) dapat
ditulis dalam bentuk matriks, sebagai berikut:
๐1
1
๐
1
[ 2] = [
โฎ
โฎ
๐๐
1
๐21
๐22
โฎ
๐2๐
๐31
๐32
โฎ
๐3๐
๐ข1
โฆ ๐๐1 ๐ฝ1
๐ข2
โฆ ๐๐2 ๐ฝ2
]
[
]+[
โฆ
โฎ]
โฎ
โฎ
โฏ ๐๐๐ ๐ฝ๐ ๐ข๐
(2.2)
Persamaan (2.2) dapat ditulis dalam notasi matriks sebagai berikut:
di mana,
๐ = ๐ฟ๐ท + ๐
(2.3)
๐
: vektor kolom n x 1dari variabel tak bebas
๐ท
: vektor kolom k x1 dari parameter yang tidak diketahui
๐ฟ
: matriks n x k dari variabel bebas dan konstanta
๐
: vektor kolom n x 1 dari galat
B. Model Linier
Analisis regresi merupakan suatu metode yang digunakan untuk
menganalisis
hubungan antar variabel. Hubungan
tersebut dapat
diekspresikan dalam model persamaan yang menghubungkan variabel tak
bebas Y dengan satu atau lebih variabel bebas X. Dalam analisis regresi
ada dua istilah linier, yaitu: linier dalam variabel dan linier dalam
parameter.
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
9
1. Linier dalam variabel
Penafsiran linieritas ini mengisyaratkan bahwa nilai harapan
bersyarat, ๐ธ(๐|๐๐ ) adalah fungsi linier dari variabel bebas, ๐๐ . Contoh
model yang bukan linier dalam variabel: ๐ธ(๐|๐๐ ) = ๐ฝ1 + ๐ฝ2 ๐๐2 .
Persamaan tersebut bukan merupakan fungsi linier sebab variabel bebas X
berpangkat dua. Dengan kata lain, suatu fungsi dikatakan linier dalam
variabel, jika ๐๐ hanya berpangkat satu.
2. Linier dalam parameter
Penafsiran linieritas ini mengisyaratkan bahwa nilai harapan,
E(Y|X), adalah fungsi linier dari parameter ๐ฝ๐ , jika ๐ฝ๐ nampak hanya
dengan pangkat satu dan tidak dikalikan atau dibagi dengan parameter
lain. Contoh model yang bukan merupakan fungsi linier dalam parameter:
๐ธ(๐|๐๐ ) = ๐ฝ1 + ๐ฝ2 ๐ฝ3 ๐๐ . Persamaan tersebut bukan fungsi linier dalam
parameter karena ๐ฝ2 berpangkat ๐ฝ3 , tetapi fungsi tersebut linier dalam
variabel bebas, ๐๐ .
Istilah regresi linier sederhana ditunjukkan pada penggunaan satu
variabel tak bebas sebagai fungsi linier dari satu variabel bebasnya. Secara
umum, model regresi disimbolkan sebagai berikut ini:
๐ธ(๐|๐๐ ) = ๐(๐๐ )
(2.4)
di mana ๐ธ(๐|๐๐ ) adalah suatu fungsi linier dari ๐๐ , ๐(๐๐ ) menunjukkan
fungsi dari variabel bebas ๐๐ . Persamaan (2.4) disebut Fungsi Regresi
Populasi (FRP). Bila ๐(๐๐ ) merupakan fungsi linier maka
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
10
๐(๐๐ ) = ๐ฝ1 + ๐ฝ2 ๐๐
(2.5)
Dengan demikian, persamaan FRP dapat ditulis sebagai berikut ini:
๐ธ(๐|๐๐ ) = ๐ฝ1 + ๐ฝ2 ๐๐
(2.6)
Pengertian dari persamaan (2.6) adalah nilai rata-rata bersyarat Y
dengan X tertentu merupakan fungsi linier dari ๐๐ , dan persamaan tersebut
adalah Fungsi Regresi Populasi Linier atau FRP Linier. Dalam suatu
model regresi akan ditentukan parameter yang tidak diketahui besarnya
atau dikenal dengan parameter regresi, yaitu ๐ฝ1 dan ๐ฝ2 , ๐ฝ1 adalah intersep
dan ๐ฝ2 adalah koefisien kemiringan.
Persamaan regresi merupakan fungsi linier dalam parameter
maupun variabel. Pada skripsi ini hanya dibahas model liner dalam
parameter. Dapat dilihat dari persamaan (2.1), bahwa parameter dari
persamaan regresi hanya berpangkat satu. Selain linier dalam parameter,
persamaan (2.1) juga linier dalam variabel. Dapat dilihat bahwa variabel
dalam persamaan regresi (2.1) hanya berpangkat satu.
C. Pendugaan Model Regresi
Untuk mendapatkan penduga dari parameter regresi dilakukan
pendugaan dengan Metode Kuadrat Terkecil (MKT) dengan menggunakan
ฬ merupakan pendugaan dari koefisien regresi
persamaan (2.3). Andaikan ๐ท
ฬ ) diperoleh dengan meminimumkan jumlah kuadrat
๐ฝ. Penduga MKT (๐ท
galat โ ๐ข๐2 .
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
11
Persamaaan (2.3) dapat ditulis menjadi:
ฬ +๐
ฬ
๐ = ๐ฟ๐ท
ฬ
ฬ = ๐ โ ๐ฟ๐ท
๐
(2.7)
ฬ =๐โ๐
ฬ
๐
(2.8)
ฬ )๐
โ ๐ขฬ๐2 = (๐ โ ๐ฟ๐ท
(2.9)
Dari persamaan (2.7) dapat juga ditulis sebagai barikut:
Sehingga pendugaan MKT dengan meminimumkan jumlah kuadrat galat
dapat ditulis menjadi:
Meminimunkan jumlah kuadrat galat โ๐๐ ๐ขฬ๐2 sama dengan meminimumkan
ฬ๐ป๐
ฬ karena
๐
ฬ๐ป๐
ฬ = [๐ขฬ1
๐
๐ขฬ2
โฆ
๐ขฬ1
๐ขฬ
๐ขฬ๐ ] [ 2 ]
โฎ
๐ขฬ๐
2
2
2
= ๐ขฬ1 + ๐ขฬ2 + โฏ + ๐ขฬ๐
=
โ๐๐ ๐ขฬ๐2
(2.10)
Sehingga dari persamaan (2.10) didapatkan:
ฬ๐ป๐
ฬ = (๐ โ ๐ฟ๐ท
๐
ฬ )๐ป (๐ โ ๐ฟ๐ท
ฬ)
ฬ ๐ป ๐ฟ๐ป ) (๐ โ ๐ฟ๐ท
ฬ)
= (๐๐ป โ ๐ท
ฬ โ (๐ฟ๐ท
ฬ )๐ป ๐ + (๐ฟ๐ท
ฬ )๐ป ๐ฟ๐ท
ฬ
= ๐๐ป ๐ โ ๐๐ป ๐ฟ๐ท
=
ฬ )๐ป ๐ โ (๐ฟ๐ท
ฬ )๐ป ๐ + (๐ฟ๐ท
ฬ )๐ป ๐ฟ๐ท
ฬ)
๐๐ป ๐ โ (๐ฟ๐ท
ฬ )๐ป ๐ + (๐ฟ๐ท
ฬ )๐ป ๐ฟ๐ท
ฬ
= ๐๐ป ๐ โ ๐(๐ฟ๐ท
ฬ dilakukan dengan mendiferensialkan ๐
ฬ , dan
ฬ๐ป๐
ฬ terhadap ๐ท
Pendugaan ๐ท
menyamakannya dengan nol.
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
12
ฬ๐ป๐
ฬ)
๐(๐
= 0
ฬ
๐๐ท
ฬ )๐ป ๐+(๐ฟ๐ท
ฬ )๐ป ๐ฟ๐ท
ฬ)
๐(๐๐ป ๐โ๐(๐ฟ๐ท
= 0
ฬ
๐๐ท
ฬ )๐ป ๐ ๐(๐ฟ๐ท
ฬ )๐ป ๐ฟ๐ท
ฬ
๐๐๐ป ๐ 2๐(๐ฟ๐ท
โ
+
=
ฬ
ฬ
ฬ
๐๐ท
๐๐ท
๐๐ท
0
ฬ= 0
0- ๐๐ฟ๐ป ๐ + ๐๐ฟ๐ป ๐ฟ๐ท
ฬ = ๐๐ฟ๐ป ๐
๐๐ฟ๐ป ๐ฟ๐ท
ฬ = ๐ฟ๐ป ๐
๐ฟ๐ป ๐ฟ๐ท
ฬ = (๐ฟ๐ป ๐ฟ)โ๐ ๐ฟ๐ป ๐
๐ท
(2.11)
ฬ
D. Matriks Variansi-Kovariansi dari ๐ท
Perhitungan nilai variansi-kovariansi dari komponen-komponen
ฬ sangat berguna untuk pengambilan kesimpulan statistis
vektor ๐ท
(statistical inference). Definisi matriks variansi-kovariansi dari ๐ฝฬ adalah:
ฬ )=๐ฌ {[๐ท
ฬ โ ๐ท][๐ท
ฬ โ ๐ท]๐ป }
Var-cov(๐ท
(2.12)
Dari persamaan (2.12), dapat ditulis ke dalam bentuk matriks sebagai
berikut:
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
13
๏ฉ var( ๏ขห1 )
cov( ๏ขห1 , ๏ขห2 )
๏ช
cov( ๏ขห2 , ๏ขห1 )
var( ๏ขห2 )
Var ๏ญ cov( ๏ขห ) ๏ฝ ๏ช
๏ช
๏
๏
๏ช
ห ห
ห ห
๏ซ๏ชcov( ๏ข k , ๏ข1 ) cov( ๏ข k , ๏ข 2 )
๏ cov( ๏ขห1 , ๏ขหk ) ๏น
๏บ
๏ cov( ๏ขห2 , ๏ขหk )๏บ
๏บ
๏
๏
๏บ
var( ๏ขหk ) ๏บ๏ป
๏
Dengan mensubtitusikan ๐ = ๐ฟ๐ท + ๐ ke dalam persamaan (2.11), maka
didapatkan:
ฬ = (๐ฟ๐ป ๐ฟ)โ๐ ๐ฟ๐ป ๐
๐ท
= (๐ฟ๐ป ๐ฟ)โ๐ ๐ฟ๐ป (๐ฟ๐ท + ๐)
= (๐ฟ๐ป ๐ฟ)โ๐ ๐ฟ๐ป ๐ฟ๐ท + (๐ฟ๐ป ๐ฟ)โ๐ ๐ฟ๐ป ๐
= ๐ท+(๐ฟ๐ป ๐ฟ)โ๐ ๐ฟ๐ป ๐
ฬ โ ๐ท = (๐ฟ๐ป ๐ฟ)โ๐ ๐ฟ๐ป ๐
๐ท
(2.13)
Persamaan (2.13) dapat disubtitusikan ke dalam persamaan (2.12), sebagai
berikut:
ฬ)
Var-cov(๐ท
ฬ โ ๐ท][๐ท
ฬ โ ๐ท]๐ป }
= ๐ฌ {[๐ท
= ๐ฌ{[(๐ฟ๐ป ๐ฟ)โ๐ ๐ฟ๐ป ๐][(๐ฟ๐ป ๐ฟ)โ๐ ๐ฟ๐ป ๐]๐ป }
๐ป
โ๐ ๐ป
๐ป
๐ป
โ๐
= ๐ฌ[(๐ฟ ๐ฟ) ๐ฟ ๐๐ ๐ฟ(๐ฟ ๐ฟ)
๐ป
โ๐ ๐ป
๐ป
๐ป
โ๐
๐ป
๐
= (๐ฟ ๐ฟ) ๐ฟ ๐ฌ(๐๐ )๐ฟ(๐ฟ ๐ฟ) , ๐ฌ(๐๐ ) = ๐ ๐ฐ
๐ป
โ๐ ๐ป ๐
๐ป
โ๐
= (๐ฟ ๐ฟ) ๐ฟ ๐ ๐ฐ๐ฟ(๐ฟ ๐ฟ)
๐
๐ป
โ๐
= ๐ (๐ฟ ๐ฟ)
(2.14)
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
14
Dari persamaan (2.14) ๐ 2 tidak diketahui, sehingga diduga dengan
๐ฬ 2 . Dalam kasus dua variabel dan tiga variabel penduga untuk ๐ฬ 2 adalah
sebagai berikut:
๐ฬ 2 =
โ ๐ขฬ๐2
โ ๐ขฬ๐2
dan ๐ฬ 2 =
๐โ3
๐โ2
Pada kasus k-variabel penduga untuk ๐ฬ 2 adalah sebagai berikut:
โ ๐ขฬ๐2
๐ฬ =
๐โ๐
2
(2.15)
ฬ๐ป๐
ฬ , dimana ๐ขฬ๐ = ๐๐ โ ๐ฬ๐ ,
Dengan mengingat bahwa โ ๐ขฬ๐2 = ๐
maka ๐๐ = ๐ฬ๐ + ๐ขฬ๐ .
ฬ )๐ป ๐ + (๐ฟ๐ท
ฬ )๐ป ๐ฟ๐ท
ฬ dan (๐ฟ๐ป ๐ฟ)๐ท
ฬ = ๐ฟ๐ป ๐
ฬ๐ป๐
ฬ = ๐๐ป ๐ โ ๐(๐ฟ๐ท
Karena ๐
ฬ๐ป๐
ฬ dapat ditulis menjadi:
maka ๐
ฬ๐ป๐
ฬ =
๐
=
=
=
ฬ )๐ป ๐ + (๐ฟ๐ท
ฬ )๐ป ๐ฟ๐ท
ฬ
๐๐ป ๐ โ ๐(๐ฟ๐ท
ฬ ๐ป ๐ฟ๐ป ๐ + ๐ท
ฬ ๐ป ๐ฟ๐ป ๐ฟ๐ท
ฬ
๐๐ป ๐ โ ๐๐ท
ฬ ๐ป ๐ฟ๐ป ๐ + ๐ท
ฬ ๐ป ๐ฟ๐ป ๐
๐๐ป ๐ โ ๐๐ท
ฬ ๐ป ๐ฟ๐ป ๐
๐๐ป ๐ โ ๐ท
(2.16)
Dengan mensubtitusikan persamaan (2.16) ke dalam persamaan
(2.15) maka diperoleh:
๐ฬ 2 =
ฬ ๐ป ๐ฟ๐ป ๐
๐๐ป ๐ โ ๐ท
๐โ๐
ฬ ), yaitu:
Jadi diperoleh rumus untuk mencari Var-cov(๐ท
ฬ) =
Var-cov(๐ท
ฬ ๐ป ๐ฟ๐ป ๐
๐๐ป ๐โ๐ท
๐โ๐
(๐ฟ๐ป ๐ฟ)โ๐
(2.17)
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
15
E. Koefisien Determinasi (R2)
ฬ , langkah selanjutnya adalah
Setelah menentukan var-cov dari ๐ท
menentukan seberapa besar data dapat dijelaskan dengan model regresi.
diberikan diagram Venn untuk memberikan gambaran mengenai konsep
koefisien determinasi.
Pada diagram Venn diatas, lingkaran Y mewakili variasi dalam
variabel bebas Y dan lingkaran X mewakili variasi dalam variabel penjelas
X. Irisan menunjukkan bagian variasi yang dapat dijelaskan.
Pada
diagram Venn (a) adalah kondisi awal variasi. Diagram venn (b)
menunjukkan adanya irisan antara kedua lingkaran X dan Y tersebut. Hal
ini menunjukkan bahwa sebagian variasi dari Y dapat dijelaskan oleh
variasi X. Semakin besar irisan yang ditunjukkan pada diagram Venn
(c),(d), (e) semakin besar pula variasi Y yang dijelaskan oleh variasi X.
Ketika lingkaran Y dan lingkaran X itu berhimpit seperti tampak pada
diagram venn (f), hal ini menunjukkan bahwa 100 persen dari variasi Y
dapat dijelaskan oleh variasi X. R2 semata-mata merupakan ukuran dari
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
16
irisan antara variasi Y dan variasi X. Pada
gambar diagram Venn
menunjukkan bahwa irisan antara varisi Y dan variasi X meningkat, ini
berarti meningkat pula proporsi variasi Y yang dapat dijelaskan oleh X.
Ketika lingkaran Y dan lingkaran X berhimpit, ini dapat dikatakan bahwa
nilai R2 =1, karena 100 persen dari variasi Y dapat dijelaskan oleh X.
Sebaliknya, ketika lingkaran Y dan lingkaran X tidak berhimpit dan tidak
beririsan, ini dapat dikatakan bahwa nilai R2 =0, artinya variasi Y tidak
dapat dijelaskan oleh X.
Koefisien determinasi adalah koefisien yang menjelaskan besarnya
persentase variansi Y yang dapat dijelaskan dengan model. Koefisien
determinasi dapat digunakan untuk menentukan kebaikan model. Untuk
menghitung ๐ 2 , diberikan persamaan
๐ฆ๐ = ๐ฆฬ๐ + ๐ขฬ๐
(2.18)
Dengan mengkuadratkan dan menjumlahkan persamaan (2.18), maka
persamaan (2.18) dapat ditulis menjadi:
โ ๐ฆ๐2
=
โ(๐ฆฬ๐ + ๐ขฬ๐ )2
=
๐ฝฬ22 โ ๐ฅ๐2 + โ ๐ขฬ๐2 ,
(2.19)
Sebelum membuktikan persamaan (2.19), selebihnya akan dibuktikan
dahulu bahwa โ ๐ฆฬ๐ ๐ขฬ๐ = 0 dan diberikan bahwa ๐ฆฬ๐ = ๐ฝฬ2 ๐ฅ๐ dan ๐ฝฬ2 =
โ ๐ฅ๐ ๐ฆ๐ โโ ๐ฅ๐2 , maka
โ ๐ฆฬ๐ ๐ขฬ๐
=
โ ๐ฝฬ2 ๐ฅ๐ ๐ขฬ๐
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
17
=
๐ฝฬ2 โ ๐ฅ๐ ๐ขฬ๐
=
๐ฝฬ2 โ ๐ฅ๐ ( ๐ฆ๐ โ ๐ฆฬ๐ )
=
๐ฝฬ2 โ ๐ฅ๐ ( ๐ฆ๐ โ ๐ฝฬ2 ๐ฅ๐ )
=
๐ฝฬ2 โ ๐ฅ๐ ๐ฆ๐ โ ๐ฝฬ22 โ ๐ฅ๐2
=
๐ฝฬ22 โ ๐ฅ๐2 โ ๐ฝฬ22 โ ๐ฅ๐2
=
0
Setelah membuktikan โ ๐ฆฬ๐ ๐ขฬ๐ = 0, selanjutnya akan dibuktikan untuk
persamaan (2.19):
โ ๐ฆ๐2
=
โ(๐ฆฬ๐ + ๐ขฬ๐ )2
=
โ(๐ฆ๐2 + 2๐ฆฬ๐ ๐ขฬ๐ + ๐ขฬ๐2 )
=
โ ๐ฆฬ๐2 + 2 โ ๐ฆฬ๐ ๐ขฬ๐ + โ ๐ขฬ๐2 , โ ๐ฆฬ๐ ๐ขฬ๐ = 0
=
โ ๐ฆฬ๐2 + โ ๐ขฬ๐2
=
๐ฝฬ22 โ ๐ฅ๐2 + โ ๐ขฬ๐2
(2.20)
Ruas kanan pada persamaan (2.20) terdiri dari dua komponen
jumlah kuadrat yaitu:
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
18
1.
๐ฝฬ22 โ ๐ฅ๐2 yang disebut sebagai jumlah kuadrat dari regresi atau jumlah
kuadrat yang dapat dijelaskan oleh regresi (ESS) dan
2.
โ ๐ขฬ๐2 yang disebut sebagai jumlah kuadrat galat (RSS)
Dengan kata lain, komponen jumlah kuadrat total (TSS) dapat diuraikan
menjadi ESS dan RSS, yaitu
TSS = ESS + RSS
(2.21)
Persamaan (2.21) dapat dipakai untuk mendefinisikan konsep koefisien
determinasi, yaitu:
๐ 2
=
=
โ(๐ฬ๐ โ ๐ฬ ๐ )2
,
โ(๐๐ โ ๐ฬ ๐ )2
๐ธ๐๐
๐๐๐
(2.22)
Dalam notasi matrik TSS dan ESS dapat ditulis menjadi,
TSS= โ ๐ฆ๐2
=
โ(๐๐ โ ๐ฬ ๐ )2
2
โ ๐๐2 โ โ ๐ฬ ๐
โ ๐๐2 โ ๐ ๐ฬ 2
๐๐ป ๐ โ ๐๐ฬ 2
Dan dalam model ๐ = ๐ฝ1 + ๐ฝ2 ๐2๐ + ๐ข๐ , ESS dapat ditulis menjadi
ESS
=
โ(๐๐ โ ๐ฬ ๐ )2
(2.24)
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
19
=
๐ฝฬ22 โ ๐ฅ๐2
Dalam kasus tiga variabel diberikan ๐ = ๐ฝ1 + ๐ฝ2 ๐2๐ + ๐ฝ3 ๐3๐ + ๐ข๐ , ESS
dapat ditulis menjadi:
ESS
=
โ(๐๐ โ ๐ฬ ๐ )2
=
๐ฝฬ2 โ ๐ฆ๐ ๐ฅ2๐ + ๐ฝฬ3 โ ๐ฆ๐ ๐ฅ3๐
Dalam kasus k-variabel diberikan ๐ = ๐ฝ1 + ๐ฝ2 ๐2๐ + ๐ฝ3 ๐3๐ + โฏ +
๐ฝ๐ ๐๐๐ + ๐ข๐ , ESS dapat ditulis menjadi:
ESS
=
โ(๐๐ โ ๐ฬ ๐ )2
=
๐ฝฬ2 โ ๐ฆ๐ ๐ฅ2๐ + ๐ฝฬ3 โ ๐ฆ๐ ๐ฅ3๐ + โฏ + ๐ฝฬ๐ โ ๐ฆ๐ ๐ฅ๐๐
=
ฬ ๐ป ๐ฟ๐ป ๐ โ ๐๐ฬ 2
๐ท
Secara umum koefisien determinasi (๐ 2 ) didefinisikan sebagai berikut:
๐ 2
=
=
Setelah menentukan
๐ธ๐๐
๐๐๐
ฬ ๐ป ๐ฟ๐ป ๐ โ ๐๐ฬ 2
๐ท
๐๐ป ๐ โ ๐๐ฬ 2
koefisien determinasi ๐ 2 , lanjutkan dengan
pengujian hipotesis untuk menguji apakah ada pengaruh X terhadap Y.
F. Asumsi-asumsi dalam Regresi
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
20
Dalam menguji model regresi terdapat asumsi-asumsi berikut ini:
1.
Tidak ada Heteroskedastisitas
2.
Tidak ada Otokorelasi
3.
Tidak ada Multikolinieritas
4.
Kenormalan galat
Selanjutnya akan dijelaskan lebih lanjut mengenai asumsi-asumsi
dalam regresi.
1.
Tidak ada Heteroskedastisitas
Asumsi ini dapat juga disebut dengan asumsi homoskedastisitas.
Homoskedastisitas merupakan salah satu asumsi penting dari model
regresi linier.
Dalam model regresi linier, varian galat harus bersifat
homoskedastisitas, artinya variansi dari variabel galat ๐ข๐ adalah suatu
angka konstan yang sama dengan ๐ 2 ditulis sebagai berikut:
๐ธ(๐ข๐2 ) = ๐ 2
๐ = 1, 2, โฆ , ๐
(2.29)
Diberikan gambar model regresi dua variabel yang menunjukkan
homoskedastisitas:
tabungan
pendapatan
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
21
Gambar 2.1. Homoskedastistas
Pada gambar di atas menunjukkan hubungan antara variabel respon Y
dengan variabel bebas X. Variabel respon Y adalah tabungan, variabel
respon X adalah pendapatan. Terlihat bahwa variansi dari ๐๐ (yang sama
dengan variansi ๐ข๐ ) tergantung pada nilai ๐๐ , tetapi variansi tetap sama.
Diberikan gambar untuk masalah heteroskedastisitas:
tabungan
pendapatan
Gambar 2.2. Heteroskedastisitas
Dari gambar di atas menunjukkan bahwa variansi dari ๐๐ meningkat
dengan meningkatnya X. Keadaan ini yang menyebabkan variansi tidak
sama, jadi terdapat heteroskedstisitas.
Definisi 2.4:
๐ธ(๐ข๐2 ) = ๐๐2
๐ = 1, 2, โฆ ๐
(2.30)
Pada umumnya, heteroskedastisitas sering terjadi pada model-model
yang menggunakan data cross- sectional dari pada data runtun waktu. Di
mana galat yang bersifat heteroskedastisitas berubah seiring perubahan
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
22
pengamatan ke-i. Konsekuensi dari keberadaan heteroskedastisitas adalah
metode MKT akan menghasilkan penduga yang bias untuk nilai variasi
galat dan degan demikian untuk variasi koefisien regresi. Akibatnya uji t,
uji F dan estimasi nilai variabel dependen menjadi tidak valid.
Cara mendeteksi adanya heteroskedastisitas adalah dengan
menggunakan uji Rank Spearman (Gujarati, 406). Langkah pengujiannya
sebagai berikut:
1.
2.
Dapatkan nilai ๐ข๐ dari model regresi
Dengan mengabaikan tanda dari ui, yang berarti mendapatkan nilai
absolut |ui|, dapatkan nilai korelasi Rank Spearman antara nilai absolut
ini dengan setiap variabel independen dalam model dengan rumus:
๏ฉ ๏ฅ d i2 ๏น
r s ๏ฝ 1 ๏ญ 6๏ช๏ช n(n 2 ๏ญ 1) ๏บ๏บ
๏ซ
๏ป
rs adalah koefisien korelasi Rank Spearman, di selisih ranking, dan n
adalah banyaknya data atau pengamatan.
3.
Uji Rank Spearman
a. Hipotesis
๐ป๐ = tidak ada masalah heteroskedastisitas
๐ป1 = ada masalah heteroskedastisitas
b. Tingkat signifikansi ๐ผ
c. Kriteria pengujian
H0 diterima bila -t(๏ก/2, N-2) ๏ฃ statistik t ๏ฃ t(๏ก/2, N-2)
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
23
H0 ditolak bila statistik t < - t(๏ก/2, N-2) atau t > t(๏ก/2, N-2)
d. Menghitung statistik t (t-hitung) masing-masing nilai korelasi
Rank Spearman dengan rumus sbb:
t๏ฝ
r
s
n๏ญ2
2
1๏ญ rs
e. Membuat Kesimpulan
Masalah heteroskedastisitas terkait dengan variansi dari galat (error)
yang tidak konstan. Metode tranformasi logaritma sering digunakan untuk
mengatasi masalah heterskedastisitas.
2.
Tidak ada Otokorelasi
Otokorelasi adalah sebuah kasus khusus dari korelasi. Otokorelasi
dapat didefinisikan sebagai korelasi antara galat dari pengamatan, baik
dalam bentuk observasi deret waktu atau observasi cross-sectional
(Gujarati, 442). Untuk mendefinisikan otokorelasi, terlebih dahulu
didefinisikan nilai kovarian sebagai berikut:
Definisi 2.2:
Cov(๐ข๐ , ๐ข๐ ) =
=
dengan ๐ โ ๐.
๐ธ[๐ข๐ โ ๐ธ(๐ข๐ )][๐ข๐ โ ๐ธ(๐ข๐ )]
๐ธ(๐ข๐ , ๐ข๐ )
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
24
Sementara itu untuk nilai otokorelasi populasi (๐)didefinisikan
sebagai berikut:
Definisi 2.3:
๐ =
=
dengan ๐ โ ๐.
Bagian penyebut
๐ถ๐๐ฃ(๐ข๐ , ๐ข๐ )
โ๐ฃ๐๐(๐ข๐ )โ๐ฃ๐๐(๐ข๐ )
๐ธ(๐ข๐ , ๐ข๐ )
๐ฃ๐๐(๐ข๐ )
dapat berubah
menjadi
๐ฃ๐๐(๐ข๐ )
karena
berdasarkan asumsi homoskedastisitas, di mana variansi galat diasumsikan
konstan. Karena pada model regresi diasumsikan tidak ada otokorelasi,
maka diharapkan nilai ๐ = 0 atau
๐ธ(๐ข๐ ,๐ข๐ )
var(๐ข๐ )
= 0. Maka dengan kata lain
๐ธ(๐ข๐ , ๐ข๐ ) = 0. Sementara kita tahu bahwa ๐ธ(๐ข๐ , ๐ข๐ ) = Cov(๐ข๐ , ๐ข๐ ). Jadi
supaya asumsi tidak adanya otokorelasi dapat dipenuhi, maka nilai
kovarian antar galat harus sama dengan nol. Konsekuensi dari keberadaan
otokorelasi adalah metode regresi MKT akan menghasilkan penduga yang
terlalu rendah untuk nilai variasi ut dan karenanya menghasilkan penduga
yang terlalu tinggi untuk R2. Bahkan ketika penduga nilai variasi ut tidak
terlalu rendah, maka penduga dari nilai variasi dari koefisien regresi
mungkin akan terlalu rendah dan karenanya uji signifikansi dari uji t dan
uji F tidak valid lagi atau menghasilkan konklusi yang menyesatkan.
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
25
Salah satu cara mendeteksi adanya otokorelasi dapat dilakukan
dengan menggunakan uji Durbin-Watson (Gujarati, 467). Diberikan rumus
untuk uji Durbin-Watson:
2
โ๐
๐ก=2(๐ข๐ก โ ๐ข๐กโ1 )
๐=
โ๐
๐ก=1 ๐ข๐ก
Dimana,
๐ข๐ก
: nilai galat yang diperoleh dari proses MKT biasa
๐ข๐กโ1
: nilai galat yang mundur sebanyak satu satuan waktu
Setelah
mendapatkan
nilai
๐,
langkah
selanjutnya
adalah
membandingkan nilai ๐ dengan nilai-nilai kritis dari DL dan DU dari tabel
statistik Durbin-Watson. Kriteria pengujiannya adalah sebagai berikut:
1. Jika ๐ < 4dL, berarti ada otokorelasi posiitif
2. Jika ๐ > 4dL, berarti ada otokorelasi negatif
3. Jika dU < ๐ < 4 โ dU, berarti tidak ada otokorelasi positif atau negatif
4. Jika dL โค ๐ โค dU atau 4 โ dU โค ๐ โค 4 โ dL, pengujian tidak
meyakinkan
Kriteria pengujian tersebut dapat dilihat pada gambar dibawah ini:
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
26
Masalah otokorelasi dapat di tangani dengan cara melakukan
tranformasi
pembedaan
pertama
pada
data.
Proses
pembedaan
(diferencing) dapat ditulis sebagai berikut:
๐๐ก โ ๐๐กโ1 = ๐ฝ2 (๐๐ก โ ๐๐กโ1 ) + (๐ข๐ก โ ๐ข๐กโ1)
โ๐๐ก = ๐ฝ2 โ๐๐ก + ๐ฃ๐ก
3. Tidak ada Multikolinieritas
Istilah multikolinieritas mula-mula ditemukan oleh Ragnar Frisch.
Multikolinieritas terjadi jika ada hubungan linier yang sempurna diantara
beberapa atau semua variabel-varibel bebas dalam regresi (Gujarati, 342).
Untuk regresi dengan k-variabel bebas ๐1 , ๐2 , โฆ , ๐๐ (di mana ๐1 =1 untuk
semua pengamatan yang memungkinkan unsur intersep), suatu hubungan
linier dikatakan ada apabila kondisi berikut ini dipenuhi:
๐1 ๐1 + ๐2 ๐2 + โฏ + ๐๐ ๐๐ = 0
(2.25)
di mana ๐1 , ๐2 , โฆ , ๐๐ adalah konstanta yang tidak semua bernilai nol.
Persamaan
(2.25)
merupakan
persamaan
yang
mengandung
multikolinieritas sempurna. Diberikan persamaan yang mengandung
multikolinieritas tetapi tidak sempurna, sebagai berikut:
๐1 ๐1 + ๐2 ๐2 + โฏ + ๐๐ ๐๐ + ๐ข๐ = 0
(2.26)
di mana ๐ข๐ adalah galat stokastik.
Untuk melihat perbedaan antara multikolinieritas yang sempurna dan
kurang sempurna, asumsikan salah satu nilai ๐ โ 0, sebagai contoh
asumsikan bahwa ๐2 โ 0. Maka persamaan (2.25) dapat ditulis menjadi:
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
27
๐
๐
๐
๐2๐ = โ ๐1 ๐1๐ โ ๐3 ๐3๐ โ โฏ โ ๐๐ ๐๐๐
2
2
(2.27)
2
persamaan di atas menunjukan bahwa ๐2 berhubungan linier secara pasti
dengan variabel lain atau ๐2 dapat diperoleh dari kombinasi linier dari
variabel X lainnya. Persamaan (2.25) mengandung multikolinieritas yang
sempurna. Pada keadaan seperti ini, koefisien dari korelasi antara variabel
๐2 dan kombinasi linier di sisi kanan pada persamaan (2.27) sama dengan
satu.
Pada persamaan (2.26), diasumsikan bahwa ๐2 โ 0. Maka persamaan
dapat ditulis menjadi:
๐
๐
๐
1
๐2๐ = โ ๐1 ๐1๐ โ ๐3 ๐3๐ โ โฏ โ ๐๐ ๐๐๐ + ๐ ๐ข๐
2
2
2
2
(2.28)
Persamaan di atas menunjukkan bahwa ๐2 tidak ada kombinasi linier
yang pasti dari X lainnya dikarenakan ๐2 juga ditentukan
stokastik ๐ข๐ .
Diberikan cotoh data yang mengandung multikolinieritas:
๐3โ
๐2
๐3
10
50
52
15
75
75
90
97
120
129
18
24
oleh galat
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
28
30
150
152
jelas bahwa ๐3๐ = 5๐2๐ . Jadi, ada multikolinieritas sempurna antara ๐2
dan ๐3 karena koefisien korelasi sama dengan satu. Variabel ๐3โ diperoleh
dari ๐3 dengan hanya menambahkan bilangan 2, 0, 7, 9, 2. Analisis regresi
mengasumsikan tidak adanya multikolinieritas. Jika asumsi tidak dipenuhi
maka kita akan mengalami kesulitan saat pendugaan koefisien regresi.
Efek dari adanya multikolinieritas adalah standard error dari koefisien
regresi tinggi sehingga model buruk bila dipakai untuk memprediksi.
Salah satu cara mendeteksi adanya multikolinieritas adalah dengan
cara menghitung
Variance Inflation Factor (VIF) pada model regresi
(Gujarati, 351). Langkah-langkahnya yaitu:
1. Lakukan regresi ๐๐ dengan X yang lain dan hitunglah koefisien
determinasi (๐ 2 ).
2. Hitung VIF ๐ฝฬ๐ = 1โ(1 โ ๐ ๐2 ) .
3. Bila ada VIF >10, maka ada multikolinieritas.
Salah satu cara untuk menanggulangi adanya multikolinieritas
adalah dengan menghilangkan salah satu variabel yang berkorelasi. Jika
ada variabel yang VIF>10 maka variabel dapt dihilangkan dari model
regresi.
4.
Asumsi kenormalan galat
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
29
Regresi linier mengasumsikan bahwa galat ๐ข๐ mengikuti distribusi
normal (Gujarati, 108) dengan
Rata-rata
Variansi
:๐ธ(๐ข๐ ) = 0
: ๐ธ(๐ข๐ ) = ๐ 2
Cov (๐ข๐ , ๐ข๐ ): ๐ธ(๐ข๐ , ๐ข๐ ) = 0
(2.31)
(2.32)
๐โ ๐
(2.33)
Asumsi ini dapat ditulis menjadi:
๐ข๐ ~ ๐(0, ๐ 2 )
(2.34)
Kenormalan galat dapat di dieteksi menggunakan uji KolmogorovSmirnov dan melihat pada scatterplot galat. Jika plot galat mengikuti garis
lurus kenormalan maka mengindikasikan bahwa data berdistribusi normal.
Pengujian yang paling sering digunakan untuk mendeteksi kenormalam
galat adalah uji Kolmogorov-Smirnov. Berikut ini merupakan Langkahlangkah pengujian Kolmogorov-Smirnov:
a. Pengujian hipotesis
๐ป0 : ๐น(๐) = ๐น0 (๐) (data berdistribusi normal)
๐ป1 : ๐น(๐) โ ๐น0 (๐) (data tidak berdistribusi normal)
b. Menentukan tingkat signifikansi ๐ผ
c. Menentukan stastistik uji
Dengan,
๐ทโ๐๐ก๐ข๐๐ = ๐๐๐๐ ๐๐๐ข๐|๐น๐ (๐) โ ๐น0 (๐)|
๐น๐ (๐) =fungsi distri
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
REGRESI PIECEWISE UNTUK MASALAH INTERVENSI
SKRIPSI
Diajukan untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana Sains
Program Studi Matematika
Disusun oleh :
DIMAS ADI SETIAWAN
NIM : 093114011
PROGRAM STUDI MATEMATIKA JURUSAN MATEMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA
YOGYAKARTA
2013
i
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
HALAMAN PERSEMBAHAN
Tulisan ini dipersembahkan untuk Orang tua, sahabat, teman, dan orang yang
selalu mendukung dalam proses penulisan.
Teruntuk :
TUHAN YESUS KRISTUS yang selalu ada di saat penulis membutuhkan
pertolongan-Nya.
Ibu Lusia Luveniasmi dan Bapak Ambrosius Sarjono yang telah membesarkan,
mendidik dengan penuh cintak kasih, kesabaran dan doa,โฆ
Cosmas Jerry Anggoro yang telah menemani dalam proses penulisan skripsi ini,
dan dukungannya..
v
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
ABSTRAK
Regresi piecewise merupakan pengembangan dari model regresi linier
sederhana ke dalam model regresi linier berganda yang menggunakan variabel
dummy. Regresi piecewise adalah salah satu model regresi linier berganda
yang cocok untuk masalah data pada jangkauan nilai variabel yang berbeda.
Pada model regresi piecewise terdapat breakpoint yang digunakan untuk
menentukan garis regresi untuk setiap perubahan kemiringan pada fungsi
linier. Model regresi piecewise dengan k breakpoint dapat dituliskan sebagai
berikut:
๐๐ = ๐ผ1 + ๐ฝ1 ๐๐ + ๐ฝ2 (๐๐ โ ๐1โ )๐ท1๐ + ๐ฝ3 (๐๐ โ ๐2โ )๐ท2๐ + โฏ
โ
)๐ท๐๐ + ๐ข๐
+ ๐ฝ๐ (๐๐ โ ๐๐โ1
1, ๐๐๐๐ ๐๐ > ๐1โ
๐ท1๐ = {
0,
๐๐๐๐๐๐ฆ๐
๐ท2๐ = {
โฎ
1, ๐๐๐๐ ๐๐ > ๐2โ
0,
๐๐๐๐๐๐ฆ๐
โ
1, ๐๐๐๐ ๐๐ > ๐๐โ1
๐ท๐๐ = {
0,
๐๐๐๐๐๐ฆ๐
Asumsi dalam regresi berganda dapat digunakan dalam menguji
regresi piecewise, kecuali asumsi tidak ada multikolinearitas karena dalam
regresi piecewise hanya ada satu variabel bebas saja.
vi
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
ABSTRACT
Piecewise regression is a development of the simple linear regression
model to the multiple linear regression model using dummy variables.
Piecewise regression is one of multiple linear regression model
that
appropriate for different range of variable values. In piecewise regression
model there are breakpoints that are used to determine the slope of the
regression for each change in linear functions. Piecewise regression models
contain k breakpoints can be written as follows:
๐๐ = ๐ผ1 + ๐ฝ1 ๐๐ + ๐ฝ2 (๐๐ โ ๐1โ )๐ท1๐ + ๐ฝ3 (๐๐ โ ๐2โ )๐ท2๐ + โฏ
โ
)๐ท๐๐ + ๐ข๐
+ ๐ฝ๐ (๐๐ โ ๐๐โ1
1, ๐๐ > ๐1โ
๐ท1๐ = {
0, ๐๐กโ๐๐๐
๐ท2๐ = {
โฎ
1, ๐๐ > ๐2โ
0, ๐๐กโ๐๐๐
๐ท๐๐ = {
โ
1, ๐๐ > ๐๐โ1
0, ๐๐กโ๐๐๐
Assumptions in multiple regression can be used to test the piecewise
regression model, except no multicollinearity assumption because there is
only one independent variable in the model.
vii
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
KATA PENGANTAR
Segala puji dan syukur penulis panjatkan kepada Tuhan Yesus Kristus,
Guru Yang Agung atas petunjuk dan pertolongan-Nya sehingga penulis dapat
menyelesaikan skripsi ini.
Skripsi ini penulis susun untuk memenuhi salah satu syarat memperoleh
gelar Sarjana Program Studi Matematika, Jurusan Matematika, Fakultas Sains dan
Teknologi di Universitas Sanata Dharma Yogyakarta.
Dalam proses penyusunan skripsi ini ada banyak kesulitan dan hambatan
yang penulis alami. Namun dengan bantuan berbagai pihak semua kesulitan dan
hambatan tersebut dapat teratasi dengan baik. Untuk itu, pada kesempatan ini
penulis dengan penuh ketulusan ingin mengucapkan terima kasih kepada :
1. Ir. Ig. Aris Dwiatmoko, M.Sc, selaku Dosen pembimbing yang telah
membimbing dengan sabar dan memberikan masukan dan koreksi yang
sangat bermanfaat selama proses penyusunan skripsi ini.
2. Paulina Heruningsih Prima Rosa, S.Si., M.Sc., selaku Dekan Fakultas Sains
dan Teknologi.
3. Lusia Krismiyati Budiasih, S.Si., M.Si., selaku Ketua Program Studi
Matematika dan Dosen Pembimbing Akademik.
viii
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
4. Y. G. Hartono, S.Si., M.Sc., selaku Dosen penguji yang telah memberikan
masukan-masukan dan koreksi.
5. Ch. Enny Murwaningtyas, S.Si., M.Si,
selaku Dosen penguji yang telah
memberikan masukan-masukan dan koreksi.
6. Bapak dan Ibu Dosen Program Studi Matematika yang telah memberikan ilmu
yang berguna kepada penulis.
7. Bapak Zaerilus Tukija, Bapak Ignatius Tri Widaryanta, dan Ibu Erna Linda
Santyas Rahayu yang telah memberikan pelaayanan administrasi selama
penulis kuliah.
8. Perpustakaan Universitas Sanata Dharma yang memberikan fasilitas dan
kemudahan kepada penulis.
9. Ibu Lusia Luveniasmi, Bapak Ambrosius Sarjono yang selalu mendoakan
anak-anaknya dimanapun berada dan Cosmas Jerry Anggoro yang selalu
menemani saat penulis mengerjakan skripsi ini. Luciana Putri Renliastuti yang
selalu memberikan semangat kepada penulis.
10. Teman-teman program matematika angkatan 2009: Sekar, Yohana, Erlika,
Ida, Etik, Doweek, Jojo,Ochi dan angkatan 2008: Etus, Moyo, Widi terima
kasih atas segala bantuan, dukungan dan kebersamaannya selama ini.
11. Semua pihak yang telah mendukung, yang tidak dapat penulis sebutkan satu
persatu.
ix
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
DAFTAR ISI
Halaman
HALAMAN JUDUL..........................................................................................
i
HALAMAN PERSETUJUAN PEMBIMBING ................................................
iii
HALAMAN PENGESAHAN............................................................................
iv
HALAMAN KEASLIAN KARYA ...................................................................
v
HALAMAN PERSEMBAHAN.........................................................................
vi
ABSTRAK .........................................................................................................
vii
ABSTRACT .......................................................................................................
viii
KATA PENGANTAR .......................................................................................
ix
LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI ............................
xii
DAFTAR ISI ......................................................................................................
xiii
DAFTAR GAMBAR .........................................................................................
xvii
DAFTAR TABEL . ............................................................................................
xviii
xii
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
BAB I PENDAHULUAN .................................................................................
1
A. Latar Belakang Masalah ........................................................................
1
B. Rumusan Masalah .................................................................................
4
C. Tujuan Penulisan ....................................................................................
4
D. Batasan Masalah.....................................................................................
4
E. Manfaat Penulisan .................................................................................
5
F. Sistematika Penulisan ...........................................................................
5
BAB II REGRESI BERGANDA ......................................................................
7
A. Model Regresi Berganda ......................................................................
7
B. Model Linier .........................................................................................
8
1. Linier dalam variabel ............................................................... .......
9
2. Linier dalam parameter ............................................................ .......
9
C. Pendugaan Model Regresi ....................................................................
10
D. Matriks Variansi-Kovariansi dari ๐ฝฬ ......................................................
13
E. Koefisien Determinasi (R2) .....................................................................
15
F. Asumsi-asumsi dalam Regresi ...............................................................
20
1. Tidak ada heteroskedastisitas .................................................... ......
20
2. Tidak ada otokorelasi ............................................................... .......
23
3. Tidak ada multikolinieritas ....................................................... ......
26
4. Asumsi kenormalan galat .......................................................... ......
28
xiii
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
G. Regresi dengan Variabel Dummy ..................................................... .....
36
H. Masalah Intervensi ......................................................................... .......
39
BAB III REGRESI PIECEWISE ...................................................................... ..
42
A. Pengantar ...............................................................................................
42
B. Model Regresi Piecewise ......................................................................
45
1. Model regresi piecewise untuk satu breakpoint ..............................
46
2. Model regresi piecewise untuk dua breakpoint ...............................
46
3. Model regresi piecewise untuk k breakpoint ................................ ..
47
C. Asumsi Regresi Piecewise ....................................................................
49
1. Kebebasan galat ..............................................................................
49
2. Kenormalan galat ............................................................................
50
3. Galat memiliki variansi homogen ...................................................
51
D. Potensi Pencilan (Outlier) .....................................................................
53
E. Pendugaan Model Regresi Piecewise ....................................................
60
F. Pengujian Model Regresi Piecewise .....................................................
67
1. Kebebasan galat (tidak ada otokorelasi) .........................................
67
2. Kenormalan galat ............................................................................
68
3. Galat memiliki variansi homogen ...................................................
69
BAB IV APLIKASI REGRESI PIECEWISE ...................................................
71
A. Pendahuluan ..........................................................................................
71
xiv
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
B. Contoh 4.1 ..............................................................................................
72
C. Menentukan Titik Patahan (breakpoint) ...............................................
72
D. Menentukan Model Regresi Piecewise .................................................
74
1. Persamaan garis regresi sebelum titik ke 12 ...................................
74
2. Persamaan garis regresi antara titik ke 13-64 ............................. .....
74
3. Persamaan garis regresi antara titik ke 65-87 ...............................
75
4. Persamaan garis regresi setelah titik ke 87 .....................................
75
E. Menentukan Model Regresi Piecewise yang
Kontinu Pada Breakpoint .................................................................
75
1. Mencari titik ๐1 โ ......................................................................
76
a. Menentukan persamaan garis regresi sebelum titik ke 14 ....
76
b. Menentukan persamaan garis regresi antara titik ke 15-64...
77
2. Mencari titik ๐2 โ .........................................................................
77
78
a. Menentukan persamaan garis regresi pada titik 65-89.........
78
b. Menentukan persamaan garis regresi antara titik 90-108.....
79
3. Mencari titik ๐3 โ ..........................................................................
F. Menentukan Model Regresi Piecewise ....................................................
80
G. Pengujian Model Regresi Piecewise ..................................................... .
81
1. Kebebasan galat (tidak ada otokorelasi) .........................................
82
2. Tidak ada Heteroskedastisitas .........................................................
83
3. Kenormalan galat ...........................................................................
84
xv
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
H. Potensi Outlier ....................................................................................
87
I. Pengggunaan Model untuk mepredikisi.............................................
88
J. Contoh 4.2 ...........................................................................................
90
BAB V PENUTUP
A. Kesimpulan..........................................................................................
101
B. Saran....................................................................................................
101
DAFTAR PUSTAKA
LAMPIRAN
xvi
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
DAFTAR GAMBAR
Gambar 1.1 Regresi piecewise antara pelepasan (discharge) (X) dan data angkutan
(Y) bedload di St.louis ......................................................................................
3
Gambar 2.1 Homoskedastisitas .......................................................................
20
Gambar 2.2 Heteroskedastisitas ........................................................................
21
Gambar 2.3 Grafik Saham..................................................................................
40
Gambar 3.1 Hubungan antara penjualan tiket (Y) pada saat hari biasa dengan saat
mendekati liburan (X) .....................................................................................
43
Gambar 3.2 Hubungan kurs rupiah terhadap USD ...........................................
44
Gambar 3.3 Scatterplot galat tidak normal .......................................................
51
Gambar 3.4 Scatterplot galat normal ................................................................
58
Gambar 3.5 Galat bersifat homogen ...................................................................
52
Gambar 3.6 Galat tidak bersifat homogen .......................................................
53
Gambar 3.7 Scatterplot data contoh 3.1 .............................................................
57
Gambar 3.8 Scatterplot data simulasi Regresi Piecewise .................................
62
Gambar 4.1 Grafik Kurs Rupiah ........................................................................
72
Gambar 4.2 Garis hubungan persamaan garis regresi ........................................
87
Gambar 4.3 Scatterplot data penjualan dengan komisi penjualan .....................
90
xvii
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
DAFTAR TABEL
Tabel 2.1 Perhitungan statistik uji Kolmogorov-Smirnov ................................ 31
Tabel 3.1 Data simulasi ...................................................................................... 57
Tabel 3.2 Data simulasi 0-7 .............................................................................. 61
Tabel 3.3 Data simulasi 8-14 ............................................................................. 61
Tabel 4.1 nilai kurs rupiah pada 5 hari ke depan ............................................... 89
xviii
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
BAB I
PENDAHULUAN
A. Latar Belakang Masalah
Peramalan erat kaitannya dengan statistika. Terdapat dua jenis
model peramalan yang utama, yaitu: model deret berkala (time series) dan
model regresi (kausal). Tujuan model peramalan deret berkala adalah
menemukan pola dalam deret data, mengekstrapolasikan pola dalam data
dan mengekstrapolasikan pola tersebut ke masa depan. Model regresi
mengasumsikan bahwa faktor yang diramalkan menunjukkan suatu
hubungan sebab-akibat dengan satu atau lebih variabel bebas. Tujuan dari
model regresi adalah menemukan bentuk hubungan tersebut dan
menggunakannya untuk meramalkan nilai mendatang dari variabel tak
bebas. Analisis regresi berfokus pada pembelajaran yang berkaitan dengan
satu variabel, variabel tak bebas, satu atau lebih variabel tak bebas,
variabel explanatory, dengan maksud untuk menaksir atau meramalkan
nilai rata-rata hitung atau nilai rata-rata variabel tak bebas. Analisis regresi
juga digunakan untuk menganalisis hubungan antar variabel. Hubungan
tersebut dapat ditulis dalam model persamaaan yang menghubungkan
variabel tak bebas Y dengan satu atau lebih variabel bebas X.
Model regresi linier dapat dikategorikan menjadi: model regresi
sederhana, model regresi berganda. Model regresi sederhana adalah model
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
2
yang terdapat hubungan variabel tak bebas Y dengan satu varibel bebas
X. Model regresi berganda adalah model yang terdapat hubungan antara
variabel tak bebas Y dengan lebih dari satu variabel bebas X. Model
regresi berganda dapat memuat variabel dummy, yaitu variabel yang
bersifat kualitatif. Variabel ini tidak bisa diukur, maka yang dapat
dilakukan adalah memberikan nilai yang berfungsi sebagai atribut atau
kategori misalnya 0 dan 1.
Analisis regresi juga dapat dikategorikan untuk memodelkan
kasus-kasus yang dipengaruhi oleh faktor-faktor dari luar. Faktor-faktor
dari luar tersebut disebut intervensi, misalnya: bencana alam, kebijakan
pemerintah, dan lain sebagainya. Ada beberapa contoh kasus intervensi,
misalnya: kurs rupiah terhadap USD pada bulan Agustus 2011 hingga
November 2011. Dalam kasus ini terjadi nilai rupiah meninggi,
dikarenakan terjadi krisis ekonomi didunia sehingga terjadi penurunan
nilai dollar Amerika. Kasus seperti ini dapat dimodelkan dengan model
regresi piecewise. Model regresi piecewise merupakan pengembangan dari
model regresi linier sederhana ke dalam model regresi linier berganda
yang menggunakan variabel dummy. Ketika menganalisa hubungan antara
variabel respon Y dan variabel tak bebas X, untuk jangkauan (range) yang
berbeda dari X, dapat terjadi hubungan linier yang berbeda. Pada kasus
yang demikian, model linier sederhana tidak dapat memberikan penjelasan
yang lengkap. Regresi piecewise adalah bentuk dari regresi linier berganda
yang cocok terhadap masalah data pada jangkauan dari nilai variabel x
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
3
yang berbeda (Ryan, Sandra E.; Porth, Laurie S. 2007). Pada gambar di
bawah ini diberikan contoh penerapan regresi piecewise.
๐โ
Gambar 1.1 Regresi piecewise antara pelepasan (discharge) (X)
dan data angkutan (Y) bedload di St.louis
Pada gambar 1, ๐ โ disebut dengan titik patahan (breakpoints).
Breakpoints adalah nilai dari X di mana ada perubahan kemiringan fungsi
linier. Nilai dari breakpoint bisa diketahui atau mungkin tidak diketahui
sebelum dilakukan analisis, tetapi pada umumnya nilai dari breakpoint
tidak diketahui dan harus dilakukan estimasi parameter. Fungsi regresi
pada breakpoint
mungkin tidak kontinu, tetapi model dapat ditulis
sedemikian sehingga fungsi itu kontinu pada semua titik termasuk
breakpoint.
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
4
B. Rumusan Masalah
Berdasarkan uraian di atas, maka permasalahan dalam tugas akhir
ini adalah sebagai berikut:
1. Apa yang dimaksud dengan masalah intervensi
2. Apa yang dimaksud dengan regresi piecewise?
3. Bagaimana menerapkan regresi piecewise dalam analisis regresi yang
mengandung unsur-unsur intervensi?
C. Tujuan Penulisan
Berdasarkan rumusan masalah di atas, tujuan dari penulisan tugas
akhir ini adalah sebagai berikut:
1. Memahami apa yang dimaksud dengan regresi piecewise.
2. Dapat menggunakan
regresi piecewise dalam analisis regresi yang
mengandung unsur-unsur intervensi.
D. Batasan Masalah
Agar penulisan mencapai tujuan yang dimaksud, maka perlu ada
batasan mengenai permasalahan
yang diangkat. Adapun batasan
masalahnya adalah sebagai berikut:
1. Regresi piecewise yang dibahas terbatas pada model regresi piecewise
linear yang ditujukan untuk memprediksi, sedangkan uji hipotesis tidak
dibahas.
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
5
2. Tidak semua materi prasayarat regresi dibahas secara rinci kecuali
untuk beberapa topik yang berhubungan langsung dengan regresi
piecewise.
E. Manfaat Penulisan
Adapun manfaat yang diharapkan penulis dalam tugas akhir ini adalah
sebagai berikut:
1. Mengetahui bahwa analisis regresi juga dapat dipengaruhi oleh adanya
pengaruh dari luar.
2. Dapat memberi masukan kepada para pengambil keputusan terkait
dengan masalah adanya pengaruh dari luar dalam analisis regresi.
F. Sistematika Penulisan
BAB I Pendahuluan
A. Latar Belakang Masalah
B. Rumusan Masalah
C. Tujuan Penulisan
D. Pembatasan Masalah
E. Manfaat Penulisan
F. Sistematika Penulisan
BAB II Analisis Regresi
A. Model Regresi Berganda
B. Model Linier
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
6
C. Penduga Model Regresi
ฬ
D. Matriks Variansi-Kovariansi dari ๐ท
E. Koefisien Determinasi (R2)
F. Pengujian Hipotesis
G. Asumsi-asumsi dalam Regresi
H. Regresi dengan Variabel Dummy
I. Masalah Intervensi
BAB III Regresi Piecewise
A. Pengantar
B. Model Regresi Piecewise
C. Asumsi-asumsi Regresi Piecewise
D. Potensi Outlier
E. Pendugaan Model Regresi Piecewise
F. Pengujian Hipotesis Regresi Piecewise
BAB IV Aplikasi Regresi Piecewise
A. Data
B. Model Regresi Piecewise
C. Analisis Regresi Piecewise
BAB V Penutup
A. Kesimpulan
B. Saran
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
BAB II
ANALISIS REGRESI
Bagian ini hanya membahas regresi berganda beserta penduganya,
pendugaan
model
regresi,
matrik
variansi-kovariansi,
koefisien
determinasi, regresi dengan variabel dummy, masalah intervensi, dan
asumsi-asumsi dalam model regresi.
A. Model Regresi Berganda
Model regresi berganda merupakan model yang menggambarkan
hubungan antara satu variabel tak bebas Y dengan beberapa variabel
bebas ๐2 , โฆ , ๐๐ . Persamaan Fungsi Regresi Populasi (FRP) k-variabel
meliputi hubungan antara variabel tak bebas Y dengan k-variabel bebas
๐2 , โฆ , ๐๐ , dapat ditulis sebagai berikut:
๐๐ = ๐ฝ1 + ๐ฝ2 ๐2๐ + ๐ฝ3 ๐3๐ + โฏ + ๐ฝ๐ ๐๐๐ + ๐ข๐
di mana,
๐๐
: variabel tak bebas
๐ฝ๐
: koefisien regresi dari variabel bebas ke-j
๐ฝ1
: konstanta
๐๐๐
: nilai variabel bebas ke-j pada pengamatan ke-i
๐ข๐
n
๐
๐
: galat (error) ke-i
: ukuran sampel
: 1, 2,..., n
: 2,..., n
(2.1)
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
8
Salah satu cara menduga parameter regresi berganda adalah dengan
menggunakan pendekatan matriks. Model pada persamaan (2.1) dapat
ditulis dalam bentuk matriks, sebagai berikut:
๐1
1
๐
1
[ 2] = [
โฎ
โฎ
๐๐
1
๐21
๐22
โฎ
๐2๐
๐31
๐32
โฎ
๐3๐
๐ข1
โฆ ๐๐1 ๐ฝ1
๐ข2
โฆ ๐๐2 ๐ฝ2
]
[
]+[
โฆ
โฎ]
โฎ
โฎ
โฏ ๐๐๐ ๐ฝ๐ ๐ข๐
(2.2)
Persamaan (2.2) dapat ditulis dalam notasi matriks sebagai berikut:
di mana,
๐ = ๐ฟ๐ท + ๐
(2.3)
๐
: vektor kolom n x 1dari variabel tak bebas
๐ท
: vektor kolom k x1 dari parameter yang tidak diketahui
๐ฟ
: matriks n x k dari variabel bebas dan konstanta
๐
: vektor kolom n x 1 dari galat
B. Model Linier
Analisis regresi merupakan suatu metode yang digunakan untuk
menganalisis
hubungan antar variabel. Hubungan
tersebut dapat
diekspresikan dalam model persamaan yang menghubungkan variabel tak
bebas Y dengan satu atau lebih variabel bebas X. Dalam analisis regresi
ada dua istilah linier, yaitu: linier dalam variabel dan linier dalam
parameter.
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
9
1. Linier dalam variabel
Penafsiran linieritas ini mengisyaratkan bahwa nilai harapan
bersyarat, ๐ธ(๐|๐๐ ) adalah fungsi linier dari variabel bebas, ๐๐ . Contoh
model yang bukan linier dalam variabel: ๐ธ(๐|๐๐ ) = ๐ฝ1 + ๐ฝ2 ๐๐2 .
Persamaan tersebut bukan merupakan fungsi linier sebab variabel bebas X
berpangkat dua. Dengan kata lain, suatu fungsi dikatakan linier dalam
variabel, jika ๐๐ hanya berpangkat satu.
2. Linier dalam parameter
Penafsiran linieritas ini mengisyaratkan bahwa nilai harapan,
E(Y|X), adalah fungsi linier dari parameter ๐ฝ๐ , jika ๐ฝ๐ nampak hanya
dengan pangkat satu dan tidak dikalikan atau dibagi dengan parameter
lain. Contoh model yang bukan merupakan fungsi linier dalam parameter:
๐ธ(๐|๐๐ ) = ๐ฝ1 + ๐ฝ2 ๐ฝ3 ๐๐ . Persamaan tersebut bukan fungsi linier dalam
parameter karena ๐ฝ2 berpangkat ๐ฝ3 , tetapi fungsi tersebut linier dalam
variabel bebas, ๐๐ .
Istilah regresi linier sederhana ditunjukkan pada penggunaan satu
variabel tak bebas sebagai fungsi linier dari satu variabel bebasnya. Secara
umum, model regresi disimbolkan sebagai berikut ini:
๐ธ(๐|๐๐ ) = ๐(๐๐ )
(2.4)
di mana ๐ธ(๐|๐๐ ) adalah suatu fungsi linier dari ๐๐ , ๐(๐๐ ) menunjukkan
fungsi dari variabel bebas ๐๐ . Persamaan (2.4) disebut Fungsi Regresi
Populasi (FRP). Bila ๐(๐๐ ) merupakan fungsi linier maka
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
10
๐(๐๐ ) = ๐ฝ1 + ๐ฝ2 ๐๐
(2.5)
Dengan demikian, persamaan FRP dapat ditulis sebagai berikut ini:
๐ธ(๐|๐๐ ) = ๐ฝ1 + ๐ฝ2 ๐๐
(2.6)
Pengertian dari persamaan (2.6) adalah nilai rata-rata bersyarat Y
dengan X tertentu merupakan fungsi linier dari ๐๐ , dan persamaan tersebut
adalah Fungsi Regresi Populasi Linier atau FRP Linier. Dalam suatu
model regresi akan ditentukan parameter yang tidak diketahui besarnya
atau dikenal dengan parameter regresi, yaitu ๐ฝ1 dan ๐ฝ2 , ๐ฝ1 adalah intersep
dan ๐ฝ2 adalah koefisien kemiringan.
Persamaan regresi merupakan fungsi linier dalam parameter
maupun variabel. Pada skripsi ini hanya dibahas model liner dalam
parameter. Dapat dilihat dari persamaan (2.1), bahwa parameter dari
persamaan regresi hanya berpangkat satu. Selain linier dalam parameter,
persamaan (2.1) juga linier dalam variabel. Dapat dilihat bahwa variabel
dalam persamaan regresi (2.1) hanya berpangkat satu.
C. Pendugaan Model Regresi
Untuk mendapatkan penduga dari parameter regresi dilakukan
pendugaan dengan Metode Kuadrat Terkecil (MKT) dengan menggunakan
ฬ merupakan pendugaan dari koefisien regresi
persamaan (2.3). Andaikan ๐ท
ฬ ) diperoleh dengan meminimumkan jumlah kuadrat
๐ฝ. Penduga MKT (๐ท
galat โ ๐ข๐2 .
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
11
Persamaaan (2.3) dapat ditulis menjadi:
ฬ +๐
ฬ
๐ = ๐ฟ๐ท
ฬ
ฬ = ๐ โ ๐ฟ๐ท
๐
(2.7)
ฬ =๐โ๐
ฬ
๐
(2.8)
ฬ )๐
โ ๐ขฬ๐2 = (๐ โ ๐ฟ๐ท
(2.9)
Dari persamaan (2.7) dapat juga ditulis sebagai barikut:
Sehingga pendugaan MKT dengan meminimumkan jumlah kuadrat galat
dapat ditulis menjadi:
Meminimunkan jumlah kuadrat galat โ๐๐ ๐ขฬ๐2 sama dengan meminimumkan
ฬ๐ป๐
ฬ karena
๐
ฬ๐ป๐
ฬ = [๐ขฬ1
๐
๐ขฬ2
โฆ
๐ขฬ1
๐ขฬ
๐ขฬ๐ ] [ 2 ]
โฎ
๐ขฬ๐
2
2
2
= ๐ขฬ1 + ๐ขฬ2 + โฏ + ๐ขฬ๐
=
โ๐๐ ๐ขฬ๐2
(2.10)
Sehingga dari persamaan (2.10) didapatkan:
ฬ๐ป๐
ฬ = (๐ โ ๐ฟ๐ท
๐
ฬ )๐ป (๐ โ ๐ฟ๐ท
ฬ)
ฬ ๐ป ๐ฟ๐ป ) (๐ โ ๐ฟ๐ท
ฬ)
= (๐๐ป โ ๐ท
ฬ โ (๐ฟ๐ท
ฬ )๐ป ๐ + (๐ฟ๐ท
ฬ )๐ป ๐ฟ๐ท
ฬ
= ๐๐ป ๐ โ ๐๐ป ๐ฟ๐ท
=
ฬ )๐ป ๐ โ (๐ฟ๐ท
ฬ )๐ป ๐ + (๐ฟ๐ท
ฬ )๐ป ๐ฟ๐ท
ฬ)
๐๐ป ๐ โ (๐ฟ๐ท
ฬ )๐ป ๐ + (๐ฟ๐ท
ฬ )๐ป ๐ฟ๐ท
ฬ
= ๐๐ป ๐ โ ๐(๐ฟ๐ท
ฬ dilakukan dengan mendiferensialkan ๐
ฬ , dan
ฬ๐ป๐
ฬ terhadap ๐ท
Pendugaan ๐ท
menyamakannya dengan nol.
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
12
ฬ๐ป๐
ฬ)
๐(๐
= 0
ฬ
๐๐ท
ฬ )๐ป ๐+(๐ฟ๐ท
ฬ )๐ป ๐ฟ๐ท
ฬ)
๐(๐๐ป ๐โ๐(๐ฟ๐ท
= 0
ฬ
๐๐ท
ฬ )๐ป ๐ ๐(๐ฟ๐ท
ฬ )๐ป ๐ฟ๐ท
ฬ
๐๐๐ป ๐ 2๐(๐ฟ๐ท
โ
+
=
ฬ
ฬ
ฬ
๐๐ท
๐๐ท
๐๐ท
0
ฬ= 0
0- ๐๐ฟ๐ป ๐ + ๐๐ฟ๐ป ๐ฟ๐ท
ฬ = ๐๐ฟ๐ป ๐
๐๐ฟ๐ป ๐ฟ๐ท
ฬ = ๐ฟ๐ป ๐
๐ฟ๐ป ๐ฟ๐ท
ฬ = (๐ฟ๐ป ๐ฟ)โ๐ ๐ฟ๐ป ๐
๐ท
(2.11)
ฬ
D. Matriks Variansi-Kovariansi dari ๐ท
Perhitungan nilai variansi-kovariansi dari komponen-komponen
ฬ sangat berguna untuk pengambilan kesimpulan statistis
vektor ๐ท
(statistical inference). Definisi matriks variansi-kovariansi dari ๐ฝฬ adalah:
ฬ )=๐ฌ {[๐ท
ฬ โ ๐ท][๐ท
ฬ โ ๐ท]๐ป }
Var-cov(๐ท
(2.12)
Dari persamaan (2.12), dapat ditulis ke dalam bentuk matriks sebagai
berikut:
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
13
๏ฉ var( ๏ขห1 )
cov( ๏ขห1 , ๏ขห2 )
๏ช
cov( ๏ขห2 , ๏ขห1 )
var( ๏ขห2 )
Var ๏ญ cov( ๏ขห ) ๏ฝ ๏ช
๏ช
๏
๏
๏ช
ห ห
ห ห
๏ซ๏ชcov( ๏ข k , ๏ข1 ) cov( ๏ข k , ๏ข 2 )
๏ cov( ๏ขห1 , ๏ขหk ) ๏น
๏บ
๏ cov( ๏ขห2 , ๏ขหk )๏บ
๏บ
๏
๏
๏บ
var( ๏ขหk ) ๏บ๏ป
๏
Dengan mensubtitusikan ๐ = ๐ฟ๐ท + ๐ ke dalam persamaan (2.11), maka
didapatkan:
ฬ = (๐ฟ๐ป ๐ฟ)โ๐ ๐ฟ๐ป ๐
๐ท
= (๐ฟ๐ป ๐ฟ)โ๐ ๐ฟ๐ป (๐ฟ๐ท + ๐)
= (๐ฟ๐ป ๐ฟ)โ๐ ๐ฟ๐ป ๐ฟ๐ท + (๐ฟ๐ป ๐ฟ)โ๐ ๐ฟ๐ป ๐
= ๐ท+(๐ฟ๐ป ๐ฟ)โ๐ ๐ฟ๐ป ๐
ฬ โ ๐ท = (๐ฟ๐ป ๐ฟ)โ๐ ๐ฟ๐ป ๐
๐ท
(2.13)
Persamaan (2.13) dapat disubtitusikan ke dalam persamaan (2.12), sebagai
berikut:
ฬ)
Var-cov(๐ท
ฬ โ ๐ท][๐ท
ฬ โ ๐ท]๐ป }
= ๐ฌ {[๐ท
= ๐ฌ{[(๐ฟ๐ป ๐ฟ)โ๐ ๐ฟ๐ป ๐][(๐ฟ๐ป ๐ฟ)โ๐ ๐ฟ๐ป ๐]๐ป }
๐ป
โ๐ ๐ป
๐ป
๐ป
โ๐
= ๐ฌ[(๐ฟ ๐ฟ) ๐ฟ ๐๐ ๐ฟ(๐ฟ ๐ฟ)
๐ป
โ๐ ๐ป
๐ป
๐ป
โ๐
๐ป
๐
= (๐ฟ ๐ฟ) ๐ฟ ๐ฌ(๐๐ )๐ฟ(๐ฟ ๐ฟ) , ๐ฌ(๐๐ ) = ๐ ๐ฐ
๐ป
โ๐ ๐ป ๐
๐ป
โ๐
= (๐ฟ ๐ฟ) ๐ฟ ๐ ๐ฐ๐ฟ(๐ฟ ๐ฟ)
๐
๐ป
โ๐
= ๐ (๐ฟ ๐ฟ)
(2.14)
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
14
Dari persamaan (2.14) ๐ 2 tidak diketahui, sehingga diduga dengan
๐ฬ 2 . Dalam kasus dua variabel dan tiga variabel penduga untuk ๐ฬ 2 adalah
sebagai berikut:
๐ฬ 2 =
โ ๐ขฬ๐2
โ ๐ขฬ๐2
dan ๐ฬ 2 =
๐โ3
๐โ2
Pada kasus k-variabel penduga untuk ๐ฬ 2 adalah sebagai berikut:
โ ๐ขฬ๐2
๐ฬ =
๐โ๐
2
(2.15)
ฬ๐ป๐
ฬ , dimana ๐ขฬ๐ = ๐๐ โ ๐ฬ๐ ,
Dengan mengingat bahwa โ ๐ขฬ๐2 = ๐
maka ๐๐ = ๐ฬ๐ + ๐ขฬ๐ .
ฬ )๐ป ๐ + (๐ฟ๐ท
ฬ )๐ป ๐ฟ๐ท
ฬ dan (๐ฟ๐ป ๐ฟ)๐ท
ฬ = ๐ฟ๐ป ๐
ฬ๐ป๐
ฬ = ๐๐ป ๐ โ ๐(๐ฟ๐ท
Karena ๐
ฬ๐ป๐
ฬ dapat ditulis menjadi:
maka ๐
ฬ๐ป๐
ฬ =
๐
=
=
=
ฬ )๐ป ๐ + (๐ฟ๐ท
ฬ )๐ป ๐ฟ๐ท
ฬ
๐๐ป ๐ โ ๐(๐ฟ๐ท
ฬ ๐ป ๐ฟ๐ป ๐ + ๐ท
ฬ ๐ป ๐ฟ๐ป ๐ฟ๐ท
ฬ
๐๐ป ๐ โ ๐๐ท
ฬ ๐ป ๐ฟ๐ป ๐ + ๐ท
ฬ ๐ป ๐ฟ๐ป ๐
๐๐ป ๐ โ ๐๐ท
ฬ ๐ป ๐ฟ๐ป ๐
๐๐ป ๐ โ ๐ท
(2.16)
Dengan mensubtitusikan persamaan (2.16) ke dalam persamaan
(2.15) maka diperoleh:
๐ฬ 2 =
ฬ ๐ป ๐ฟ๐ป ๐
๐๐ป ๐ โ ๐ท
๐โ๐
ฬ ), yaitu:
Jadi diperoleh rumus untuk mencari Var-cov(๐ท
ฬ) =
Var-cov(๐ท
ฬ ๐ป ๐ฟ๐ป ๐
๐๐ป ๐โ๐ท
๐โ๐
(๐ฟ๐ป ๐ฟ)โ๐
(2.17)
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
15
E. Koefisien Determinasi (R2)
ฬ , langkah selanjutnya adalah
Setelah menentukan var-cov dari ๐ท
menentukan seberapa besar data dapat dijelaskan dengan model regresi.
diberikan diagram Venn untuk memberikan gambaran mengenai konsep
koefisien determinasi.
Pada diagram Venn diatas, lingkaran Y mewakili variasi dalam
variabel bebas Y dan lingkaran X mewakili variasi dalam variabel penjelas
X. Irisan menunjukkan bagian variasi yang dapat dijelaskan.
Pada
diagram Venn (a) adalah kondisi awal variasi. Diagram venn (b)
menunjukkan adanya irisan antara kedua lingkaran X dan Y tersebut. Hal
ini menunjukkan bahwa sebagian variasi dari Y dapat dijelaskan oleh
variasi X. Semakin besar irisan yang ditunjukkan pada diagram Venn
(c),(d), (e) semakin besar pula variasi Y yang dijelaskan oleh variasi X.
Ketika lingkaran Y dan lingkaran X itu berhimpit seperti tampak pada
diagram venn (f), hal ini menunjukkan bahwa 100 persen dari variasi Y
dapat dijelaskan oleh variasi X. R2 semata-mata merupakan ukuran dari
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
16
irisan antara variasi Y dan variasi X. Pada
gambar diagram Venn
menunjukkan bahwa irisan antara varisi Y dan variasi X meningkat, ini
berarti meningkat pula proporsi variasi Y yang dapat dijelaskan oleh X.
Ketika lingkaran Y dan lingkaran X berhimpit, ini dapat dikatakan bahwa
nilai R2 =1, karena 100 persen dari variasi Y dapat dijelaskan oleh X.
Sebaliknya, ketika lingkaran Y dan lingkaran X tidak berhimpit dan tidak
beririsan, ini dapat dikatakan bahwa nilai R2 =0, artinya variasi Y tidak
dapat dijelaskan oleh X.
Koefisien determinasi adalah koefisien yang menjelaskan besarnya
persentase variansi Y yang dapat dijelaskan dengan model. Koefisien
determinasi dapat digunakan untuk menentukan kebaikan model. Untuk
menghitung ๐ 2 , diberikan persamaan
๐ฆ๐ = ๐ฆฬ๐ + ๐ขฬ๐
(2.18)
Dengan mengkuadratkan dan menjumlahkan persamaan (2.18), maka
persamaan (2.18) dapat ditulis menjadi:
โ ๐ฆ๐2
=
โ(๐ฆฬ๐ + ๐ขฬ๐ )2
=
๐ฝฬ22 โ ๐ฅ๐2 + โ ๐ขฬ๐2 ,
(2.19)
Sebelum membuktikan persamaan (2.19), selebihnya akan dibuktikan
dahulu bahwa โ ๐ฆฬ๐ ๐ขฬ๐ = 0 dan diberikan bahwa ๐ฆฬ๐ = ๐ฝฬ2 ๐ฅ๐ dan ๐ฝฬ2 =
โ ๐ฅ๐ ๐ฆ๐ โโ ๐ฅ๐2 , maka
โ ๐ฆฬ๐ ๐ขฬ๐
=
โ ๐ฝฬ2 ๐ฅ๐ ๐ขฬ๐
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
17
=
๐ฝฬ2 โ ๐ฅ๐ ๐ขฬ๐
=
๐ฝฬ2 โ ๐ฅ๐ ( ๐ฆ๐ โ ๐ฆฬ๐ )
=
๐ฝฬ2 โ ๐ฅ๐ ( ๐ฆ๐ โ ๐ฝฬ2 ๐ฅ๐ )
=
๐ฝฬ2 โ ๐ฅ๐ ๐ฆ๐ โ ๐ฝฬ22 โ ๐ฅ๐2
=
๐ฝฬ22 โ ๐ฅ๐2 โ ๐ฝฬ22 โ ๐ฅ๐2
=
0
Setelah membuktikan โ ๐ฆฬ๐ ๐ขฬ๐ = 0, selanjutnya akan dibuktikan untuk
persamaan (2.19):
โ ๐ฆ๐2
=
โ(๐ฆฬ๐ + ๐ขฬ๐ )2
=
โ(๐ฆ๐2 + 2๐ฆฬ๐ ๐ขฬ๐ + ๐ขฬ๐2 )
=
โ ๐ฆฬ๐2 + 2 โ ๐ฆฬ๐ ๐ขฬ๐ + โ ๐ขฬ๐2 , โ ๐ฆฬ๐ ๐ขฬ๐ = 0
=
โ ๐ฆฬ๐2 + โ ๐ขฬ๐2
=
๐ฝฬ22 โ ๐ฅ๐2 + โ ๐ขฬ๐2
(2.20)
Ruas kanan pada persamaan (2.20) terdiri dari dua komponen
jumlah kuadrat yaitu:
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
18
1.
๐ฝฬ22 โ ๐ฅ๐2 yang disebut sebagai jumlah kuadrat dari regresi atau jumlah
kuadrat yang dapat dijelaskan oleh regresi (ESS) dan
2.
โ ๐ขฬ๐2 yang disebut sebagai jumlah kuadrat galat (RSS)
Dengan kata lain, komponen jumlah kuadrat total (TSS) dapat diuraikan
menjadi ESS dan RSS, yaitu
TSS = ESS + RSS
(2.21)
Persamaan (2.21) dapat dipakai untuk mendefinisikan konsep koefisien
determinasi, yaitu:
๐ 2
=
=
โ(๐ฬ๐ โ ๐ฬ ๐ )2
,
โ(๐๐ โ ๐ฬ ๐ )2
๐ธ๐๐
๐๐๐
(2.22)
Dalam notasi matrik TSS dan ESS dapat ditulis menjadi,
TSS= โ ๐ฆ๐2
=
โ(๐๐ โ ๐ฬ ๐ )2
2
โ ๐๐2 โ โ ๐ฬ ๐
โ ๐๐2 โ ๐ ๐ฬ 2
๐๐ป ๐ โ ๐๐ฬ 2
Dan dalam model ๐ = ๐ฝ1 + ๐ฝ2 ๐2๐ + ๐ข๐ , ESS dapat ditulis menjadi
ESS
=
โ(๐๐ โ ๐ฬ ๐ )2
(2.24)
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
19
=
๐ฝฬ22 โ ๐ฅ๐2
Dalam kasus tiga variabel diberikan ๐ = ๐ฝ1 + ๐ฝ2 ๐2๐ + ๐ฝ3 ๐3๐ + ๐ข๐ , ESS
dapat ditulis menjadi:
ESS
=
โ(๐๐ โ ๐ฬ ๐ )2
=
๐ฝฬ2 โ ๐ฆ๐ ๐ฅ2๐ + ๐ฝฬ3 โ ๐ฆ๐ ๐ฅ3๐
Dalam kasus k-variabel diberikan ๐ = ๐ฝ1 + ๐ฝ2 ๐2๐ + ๐ฝ3 ๐3๐ + โฏ +
๐ฝ๐ ๐๐๐ + ๐ข๐ , ESS dapat ditulis menjadi:
ESS
=
โ(๐๐ โ ๐ฬ ๐ )2
=
๐ฝฬ2 โ ๐ฆ๐ ๐ฅ2๐ + ๐ฝฬ3 โ ๐ฆ๐ ๐ฅ3๐ + โฏ + ๐ฝฬ๐ โ ๐ฆ๐ ๐ฅ๐๐
=
ฬ ๐ป ๐ฟ๐ป ๐ โ ๐๐ฬ 2
๐ท
Secara umum koefisien determinasi (๐ 2 ) didefinisikan sebagai berikut:
๐ 2
=
=
Setelah menentukan
๐ธ๐๐
๐๐๐
ฬ ๐ป ๐ฟ๐ป ๐ โ ๐๐ฬ 2
๐ท
๐๐ป ๐ โ ๐๐ฬ 2
koefisien determinasi ๐ 2 , lanjutkan dengan
pengujian hipotesis untuk menguji apakah ada pengaruh X terhadap Y.
F. Asumsi-asumsi dalam Regresi
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
20
Dalam menguji model regresi terdapat asumsi-asumsi berikut ini:
1.
Tidak ada Heteroskedastisitas
2.
Tidak ada Otokorelasi
3.
Tidak ada Multikolinieritas
4.
Kenormalan galat
Selanjutnya akan dijelaskan lebih lanjut mengenai asumsi-asumsi
dalam regresi.
1.
Tidak ada Heteroskedastisitas
Asumsi ini dapat juga disebut dengan asumsi homoskedastisitas.
Homoskedastisitas merupakan salah satu asumsi penting dari model
regresi linier.
Dalam model regresi linier, varian galat harus bersifat
homoskedastisitas, artinya variansi dari variabel galat ๐ข๐ adalah suatu
angka konstan yang sama dengan ๐ 2 ditulis sebagai berikut:
๐ธ(๐ข๐2 ) = ๐ 2
๐ = 1, 2, โฆ , ๐
(2.29)
Diberikan gambar model regresi dua variabel yang menunjukkan
homoskedastisitas:
tabungan
pendapatan
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
21
Gambar 2.1. Homoskedastistas
Pada gambar di atas menunjukkan hubungan antara variabel respon Y
dengan variabel bebas X. Variabel respon Y adalah tabungan, variabel
respon X adalah pendapatan. Terlihat bahwa variansi dari ๐๐ (yang sama
dengan variansi ๐ข๐ ) tergantung pada nilai ๐๐ , tetapi variansi tetap sama.
Diberikan gambar untuk masalah heteroskedastisitas:
tabungan
pendapatan
Gambar 2.2. Heteroskedastisitas
Dari gambar di atas menunjukkan bahwa variansi dari ๐๐ meningkat
dengan meningkatnya X. Keadaan ini yang menyebabkan variansi tidak
sama, jadi terdapat heteroskedstisitas.
Definisi 2.4:
๐ธ(๐ข๐2 ) = ๐๐2
๐ = 1, 2, โฆ ๐
(2.30)
Pada umumnya, heteroskedastisitas sering terjadi pada model-model
yang menggunakan data cross- sectional dari pada data runtun waktu. Di
mana galat yang bersifat heteroskedastisitas berubah seiring perubahan
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
22
pengamatan ke-i. Konsekuensi dari keberadaan heteroskedastisitas adalah
metode MKT akan menghasilkan penduga yang bias untuk nilai variasi
galat dan degan demikian untuk variasi koefisien regresi. Akibatnya uji t,
uji F dan estimasi nilai variabel dependen menjadi tidak valid.
Cara mendeteksi adanya heteroskedastisitas adalah dengan
menggunakan uji Rank Spearman (Gujarati, 406). Langkah pengujiannya
sebagai berikut:
1.
2.
Dapatkan nilai ๐ข๐ dari model regresi
Dengan mengabaikan tanda dari ui, yang berarti mendapatkan nilai
absolut |ui|, dapatkan nilai korelasi Rank Spearman antara nilai absolut
ini dengan setiap variabel independen dalam model dengan rumus:
๏ฉ ๏ฅ d i2 ๏น
r s ๏ฝ 1 ๏ญ 6๏ช๏ช n(n 2 ๏ญ 1) ๏บ๏บ
๏ซ
๏ป
rs adalah koefisien korelasi Rank Spearman, di selisih ranking, dan n
adalah banyaknya data atau pengamatan.
3.
Uji Rank Spearman
a. Hipotesis
๐ป๐ = tidak ada masalah heteroskedastisitas
๐ป1 = ada masalah heteroskedastisitas
b. Tingkat signifikansi ๐ผ
c. Kriteria pengujian
H0 diterima bila -t(๏ก/2, N-2) ๏ฃ statistik t ๏ฃ t(๏ก/2, N-2)
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
23
H0 ditolak bila statistik t < - t(๏ก/2, N-2) atau t > t(๏ก/2, N-2)
d. Menghitung statistik t (t-hitung) masing-masing nilai korelasi
Rank Spearman dengan rumus sbb:
t๏ฝ
r
s
n๏ญ2
2
1๏ญ rs
e. Membuat Kesimpulan
Masalah heteroskedastisitas terkait dengan variansi dari galat (error)
yang tidak konstan. Metode tranformasi logaritma sering digunakan untuk
mengatasi masalah heterskedastisitas.
2.
Tidak ada Otokorelasi
Otokorelasi adalah sebuah kasus khusus dari korelasi. Otokorelasi
dapat didefinisikan sebagai korelasi antara galat dari pengamatan, baik
dalam bentuk observasi deret waktu atau observasi cross-sectional
(Gujarati, 442). Untuk mendefinisikan otokorelasi, terlebih dahulu
didefinisikan nilai kovarian sebagai berikut:
Definisi 2.2:
Cov(๐ข๐ , ๐ข๐ ) =
=
dengan ๐ โ ๐.
๐ธ[๐ข๐ โ ๐ธ(๐ข๐ )][๐ข๐ โ ๐ธ(๐ข๐ )]
๐ธ(๐ข๐ , ๐ข๐ )
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
24
Sementara itu untuk nilai otokorelasi populasi (๐)didefinisikan
sebagai berikut:
Definisi 2.3:
๐ =
=
dengan ๐ โ ๐.
Bagian penyebut
๐ถ๐๐ฃ(๐ข๐ , ๐ข๐ )
โ๐ฃ๐๐(๐ข๐ )โ๐ฃ๐๐(๐ข๐ )
๐ธ(๐ข๐ , ๐ข๐ )
๐ฃ๐๐(๐ข๐ )
dapat berubah
menjadi
๐ฃ๐๐(๐ข๐ )
karena
berdasarkan asumsi homoskedastisitas, di mana variansi galat diasumsikan
konstan. Karena pada model regresi diasumsikan tidak ada otokorelasi,
maka diharapkan nilai ๐ = 0 atau
๐ธ(๐ข๐ ,๐ข๐ )
var(๐ข๐ )
= 0. Maka dengan kata lain
๐ธ(๐ข๐ , ๐ข๐ ) = 0. Sementara kita tahu bahwa ๐ธ(๐ข๐ , ๐ข๐ ) = Cov(๐ข๐ , ๐ข๐ ). Jadi
supaya asumsi tidak adanya otokorelasi dapat dipenuhi, maka nilai
kovarian antar galat harus sama dengan nol. Konsekuensi dari keberadaan
otokorelasi adalah metode regresi MKT akan menghasilkan penduga yang
terlalu rendah untuk nilai variasi ut dan karenanya menghasilkan penduga
yang terlalu tinggi untuk R2. Bahkan ketika penduga nilai variasi ut tidak
terlalu rendah, maka penduga dari nilai variasi dari koefisien regresi
mungkin akan terlalu rendah dan karenanya uji signifikansi dari uji t dan
uji F tidak valid lagi atau menghasilkan konklusi yang menyesatkan.
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
25
Salah satu cara mendeteksi adanya otokorelasi dapat dilakukan
dengan menggunakan uji Durbin-Watson (Gujarati, 467). Diberikan rumus
untuk uji Durbin-Watson:
2
โ๐
๐ก=2(๐ข๐ก โ ๐ข๐กโ1 )
๐=
โ๐
๐ก=1 ๐ข๐ก
Dimana,
๐ข๐ก
: nilai galat yang diperoleh dari proses MKT biasa
๐ข๐กโ1
: nilai galat yang mundur sebanyak satu satuan waktu
Setelah
mendapatkan
nilai
๐,
langkah
selanjutnya
adalah
membandingkan nilai ๐ dengan nilai-nilai kritis dari DL dan DU dari tabel
statistik Durbin-Watson. Kriteria pengujiannya adalah sebagai berikut:
1. Jika ๐ < 4dL, berarti ada otokorelasi posiitif
2. Jika ๐ > 4dL, berarti ada otokorelasi negatif
3. Jika dU < ๐ < 4 โ dU, berarti tidak ada otokorelasi positif atau negatif
4. Jika dL โค ๐ โค dU atau 4 โ dU โค ๐ โค 4 โ dL, pengujian tidak
meyakinkan
Kriteria pengujian tersebut dapat dilihat pada gambar dibawah ini:
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
26
Masalah otokorelasi dapat di tangani dengan cara melakukan
tranformasi
pembedaan
pertama
pada
data.
Proses
pembedaan
(diferencing) dapat ditulis sebagai berikut:
๐๐ก โ ๐๐กโ1 = ๐ฝ2 (๐๐ก โ ๐๐กโ1 ) + (๐ข๐ก โ ๐ข๐กโ1)
โ๐๐ก = ๐ฝ2 โ๐๐ก + ๐ฃ๐ก
3. Tidak ada Multikolinieritas
Istilah multikolinieritas mula-mula ditemukan oleh Ragnar Frisch.
Multikolinieritas terjadi jika ada hubungan linier yang sempurna diantara
beberapa atau semua variabel-varibel bebas dalam regresi (Gujarati, 342).
Untuk regresi dengan k-variabel bebas ๐1 , ๐2 , โฆ , ๐๐ (di mana ๐1 =1 untuk
semua pengamatan yang memungkinkan unsur intersep), suatu hubungan
linier dikatakan ada apabila kondisi berikut ini dipenuhi:
๐1 ๐1 + ๐2 ๐2 + โฏ + ๐๐ ๐๐ = 0
(2.25)
di mana ๐1 , ๐2 , โฆ , ๐๐ adalah konstanta yang tidak semua bernilai nol.
Persamaan
(2.25)
merupakan
persamaan
yang
mengandung
multikolinieritas sempurna. Diberikan persamaan yang mengandung
multikolinieritas tetapi tidak sempurna, sebagai berikut:
๐1 ๐1 + ๐2 ๐2 + โฏ + ๐๐ ๐๐ + ๐ข๐ = 0
(2.26)
di mana ๐ข๐ adalah galat stokastik.
Untuk melihat perbedaan antara multikolinieritas yang sempurna dan
kurang sempurna, asumsikan salah satu nilai ๐ โ 0, sebagai contoh
asumsikan bahwa ๐2 โ 0. Maka persamaan (2.25) dapat ditulis menjadi:
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
27
๐
๐
๐
๐2๐ = โ ๐1 ๐1๐ โ ๐3 ๐3๐ โ โฏ โ ๐๐ ๐๐๐
2
2
(2.27)
2
persamaan di atas menunjukan bahwa ๐2 berhubungan linier secara pasti
dengan variabel lain atau ๐2 dapat diperoleh dari kombinasi linier dari
variabel X lainnya. Persamaan (2.25) mengandung multikolinieritas yang
sempurna. Pada keadaan seperti ini, koefisien dari korelasi antara variabel
๐2 dan kombinasi linier di sisi kanan pada persamaan (2.27) sama dengan
satu.
Pada persamaan (2.26), diasumsikan bahwa ๐2 โ 0. Maka persamaan
dapat ditulis menjadi:
๐
๐
๐
1
๐2๐ = โ ๐1 ๐1๐ โ ๐3 ๐3๐ โ โฏ โ ๐๐ ๐๐๐ + ๐ ๐ข๐
2
2
2
2
(2.28)
Persamaan di atas menunjukkan bahwa ๐2 tidak ada kombinasi linier
yang pasti dari X lainnya dikarenakan ๐2 juga ditentukan
stokastik ๐ข๐ .
Diberikan cotoh data yang mengandung multikolinieritas:
๐3โ
๐2
๐3
10
50
52
15
75
75
90
97
120
129
18
24
oleh galat
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
28
30
150
152
jelas bahwa ๐3๐ = 5๐2๐ . Jadi, ada multikolinieritas sempurna antara ๐2
dan ๐3 karena koefisien korelasi sama dengan satu. Variabel ๐3โ diperoleh
dari ๐3 dengan hanya menambahkan bilangan 2, 0, 7, 9, 2. Analisis regresi
mengasumsikan tidak adanya multikolinieritas. Jika asumsi tidak dipenuhi
maka kita akan mengalami kesulitan saat pendugaan koefisien regresi.
Efek dari adanya multikolinieritas adalah standard error dari koefisien
regresi tinggi sehingga model buruk bila dipakai untuk memprediksi.
Salah satu cara mendeteksi adanya multikolinieritas adalah dengan
cara menghitung
Variance Inflation Factor (VIF) pada model regresi
(Gujarati, 351). Langkah-langkahnya yaitu:
1. Lakukan regresi ๐๐ dengan X yang lain dan hitunglah koefisien
determinasi (๐ 2 ).
2. Hitung VIF ๐ฝฬ๐ = 1โ(1 โ ๐ ๐2 ) .
3. Bila ada VIF >10, maka ada multikolinieritas.
Salah satu cara untuk menanggulangi adanya multikolinieritas
adalah dengan menghilangkan salah satu variabel yang berkorelasi. Jika
ada variabel yang VIF>10 maka variabel dapt dihilangkan dari model
regresi.
4.
Asumsi kenormalan galat
PLAGIAT
PLAGIATMERUPAKAN
MERUPAKANTINDAKAN
TINDAKANTIDAK
TIDAKTERPUJI
TERPUJI
29
Regresi linier mengasumsikan bahwa galat ๐ข๐ mengikuti distribusi
normal (Gujarati, 108) dengan
Rata-rata
Variansi
:๐ธ(๐ข๐ ) = 0
: ๐ธ(๐ข๐ ) = ๐ 2
Cov (๐ข๐ , ๐ข๐ ): ๐ธ(๐ข๐ , ๐ข๐ ) = 0
(2.31)
(2.32)
๐โ ๐
(2.33)
Asumsi ini dapat ditulis menjadi:
๐ข๐ ~ ๐(0, ๐ 2 )
(2.34)
Kenormalan galat dapat di dieteksi menggunakan uji KolmogorovSmirnov dan melihat pada scatterplot galat. Jika plot galat mengikuti garis
lurus kenormalan maka mengindikasikan bahwa data berdistribusi normal.
Pengujian yang paling sering digunakan untuk mendeteksi kenormalam
galat adalah uji Kolmogorov-Smirnov. Berikut ini merupakan Langkahlangkah pengujian Kolmogorov-Smirnov:
a. Pengujian hipotesis
๐ป0 : ๐น(๐) = ๐น0 (๐) (data berdistribusi normal)
๐ป1 : ๐น(๐) โ ๐น0 (๐) (data tidak berdistribusi normal)
b. Menentukan tingkat signifikansi ๐ผ
c. Menentukan stastistik uji
Dengan,
๐ทโ๐๐ก๐ข๐๐ = ๐๐๐๐ ๐๐๐ข๐|๐น๐ (๐) โ ๐น0 (๐)|
๐น๐ (๐) =fungsi distri