Upload
others
View
23
Download
0
Embed Size (px)
Citation preview
OPEN JOURNAL SYSTEMS
Journal Help
USER
Username
Password
Remember me
Log In
NOTIFICATIONS
View
Subscribe / Unsubscribe
JOURNAL CONTENT
Search
All
E - J u r n a l
M a t e m a t i k a
E-Jurnal Matematika file:///F:/NILA FILE/e-JURNAL MATEMATIKA/E-JURNAT MATEMA...
1 of 2 7/19/2014 2:15 PM
Search
Browse
By Issue
By Author
By Title
Other Journals
FONT SIZE
INFORMATION
For Readers
For Authors
For Librarians
HOME ABOUT LOG IN REGISTER SEARCH CURRENT ARCHIVES
Home > E-Jurnal Matematika
E-Jurnal Matematika
E-Jurnal Matematika merupakan salah satu jurnal elektronik yang ada di Universitas Udayana, sebagai media komunikasi antar
peminat di bidang ilmu matematika dan terapannya, seperti statistika, matematika finansial, pengajaran matematika dan terapan
matematika dibidang ilmu lainnya. Jurnal ini lahir sebagai salah satu bentuk nyata peran serta jurusan Matematika FMIPA UNUD
guna mendukung percepatan tercapainya target mutu UNUD, selain itu jurnal ini terbit didorong oleh surat edaran Dirjen DIKTI
tentang syarat publikasi karya ilmiah bagi program Sarjana di Jurnal Ilmiah. E-jurnal Matematika juga menerima hasil-hasil
penelitian yang tidak secara langsung berkaitan dengan tugas akhir mahasiswa meliputi penelitian atau artikel yang merupakan
kajian keilmuan.
Editorial Team
Ketua : Desak Putu Eka Nilakusumawati, S.Si., M.Si
Sekretaris : I Made Eka Dwipayana S.Si. M.Si.
Penyunting :
Tjokorda Bagus Oka Ph.D.1.
Komang Dharmawan Ph.D.2.
Drs. GK Gandhiadi MT.3.
Ir. I Komang Gde Sukarsa M.Si.4.
Ir. I Putu Eka Nila Kencana MT5.
ISSN: 2303-1751
E-Jurnal Matematika file:///F:/NILA FILE/e-JURNAL MATEMATIKA/E-JURNAT MATEMA...
2 of 2 7/19/2014 2:15 PM
OPEN JOURNAL SYSTEMS
Journal Help
USER
Username
Password
Remember me
Log In
NOTIFICATIONS
View
Subscribe / Unsubscribe
JOURNAL CONTENT
Search
All
Search
Browse
By Issue
By Author
By Title
Other Journals
FONT SIZE
INFORMATION
For Readers
E - J u r n a l M a t e m a t i k a
Vol 3, No 1 (2014) http://ojs.unud.ac.id/index.php/mtk/issue/view/1199
1 of 2 8/4/2014 12:50 PM
For Authors
For Librarians
HOME ABOUT LOG IN REGISTER SEARCH CURRENT ARCHIVES
Home > Archives > Vol 3, No 1 (2014)
Vol 3, No 1 (2014)
Table of Contents
Articles
APLIKASI REGRESI DATA PANEL DENGAN PENDEKATAN FIXED EFFECT MODEL (STUDI
KASUS: PT PLN GIANYAR)
NI PUTU ANIK MAS RATNASARI, I PUTU EKA NILA KENCANA, G.K. GANDHIADI 1 - 7
PENERAPAN REGRESI AKAR LATEN DALAM MENANGANI MULTIKOLINEARITAS PADA MODEL
REGRESI LINIER BERGANDA
DWI LARAS RIYANTINI, MADE SUSILAWATI, KARTIKA SARI 8 - 16
PENERAPAN MODEL ARBITRAGE PRICING THEORY DENGAN PENDEKATAN VECTOR
AUTOREGRESSION DALAM MENGESTIMASI EXPECTED RETURN SAHAM (Studi Kasus:
Saham-Saham Kompas100 Periode 2010-2013)
VIAN RISKA AYUNING TYAS, KOMANG DHARMAWAN, MADE ASIH 17 -24
PEMILIHAN KRITERIA DALAM PEMBUATAN KARTU KREDIT DENGAN MENGGUNAKAN
METODE FUZZY AHP
JOKO HADI APRIANTO, G. K. GANDHIADI, DESAK PUTU EKA NILAKUSMAWATI 25 -32
MENGATASI MASALAH HETEROSKEDASTISITAS DENGAN MENGASUMSIKAN VARIANS
VARIABEL GANGGUANNYA PROPORSIONAL DENGAN X_i^2 DAN [E(Y_i)]^2
MADE ADI GUNAWAN, LUH PUTU IDA HARINI, MADE ASIH 33 - 37
ISSN: 2303-1751
Vol 3, No 1 (2014) http://ojs.unud.ac.id/index.php/mtk/issue/view/1199
2 of 2 8/4/2014 12:50 PM
E-Jurnal Matematika Vol. 3, No.1 Januari 2014, 1-7 ISSN: 2303-1751
1 Mahasiswa Jurusan Matematika FMIPA Universitas Udayana 1 2 Staf Pengajar Jurusan Matematika FMIPA Universitas Udayana
APLIKASI REGRESI DATA PANEL
DENGAN PENDEKATAN FIXED EFFECT MODEL
(STUDI KASUS: PT PLN GIANYAR)
NI PUTU ANIK MAS RATNASARI1, I PUTU EKA NILA KENCANA2, G. K. GANDHIADI3
1,2,3Jurusan Matematika FMIPA Universitas Udayana, Bukit Jimbaran-Bali
e-mail: [email protected],[email protected], [email protected]
Abstract
Panel data regression has three approaches. One of these approaches is Fixed Effect Model
(FEM). FEM is common estimated using Least Square Dummy Variable. The use of dummy variable
in FEM is based on assumption that slope coefficients are constant but intercept varies over
individuals. One of application of FEM is to find out motivation of employees at PT PLN Gianyar
for non-outsourcing and outsourcing employees based on existence, relatedness, and growth. This
research yields the following two models:
1. 𝑀𝑜𝑡𝒏𝒐𝒏𝒊𝒕 = −0,05 + 0,56𝐸𝑋𝑖𝑡
2. 𝑀𝑜𝑡𝒐𝒖𝒕𝒊𝒕 = 0,21 − 0,00𝐸𝑋𝑖𝑡 + 0,85𝐺𝑅𝑖𝑡
with 67% motivation non-outsourcing employees represented by existenceand73% motivation non-
outsourcing employees represented by existence and growth.
Keywords: Panel Data Regression, Fixed Effect Model, Motivation
1. Pendahuluan
Analisis regresi merupakan alat statistika
yang memanfaatkan hubungan antara dua
atau lebih variabel yang bersifat kuantitatif,
sehingga salah satu variabel dapat diprediksi
dari variabel lainnya. Salah satu
pengembangan dari analisis regresi adalah
regresi data panel. Ada beberapa keuntungan
menggunakan regresi data panel, yaitu
mampu mengontrol keheterogenan individual,
dengan data cross-section diasumsikan
homogen tanpa ada pengaruh lain yang
masuk, misal waktu, sedangkan pada data
time-series, data yang didapat akan berubah
setiap periode waktu. Penggabungan dari
kedua data ini dapat mengatasi masalah yang
timbul karena penghilangan variabel;
memberikan data yang lebih informatif;
membangun dan menguji model yang lebih
kompleks dibandingkan dengan mengunakan
data time series atau cross-section murni
karena data panel merupakan gabungan dari
kedua studi ini; serta dapat meminimumkan
bias yang terjadi bila mengelompokkan
individu ke dalam kelompok yang lebih besar.
Regresi data panel memiliki tiga
pendekatan, yaitu Common Effect Model
(CEM), Fixed Effect Model (FEM), dan
Random Effect Model (REM). FEM adalah
model regresi data panel yang menggunakan
variabel dummy untuk mengetahui perbedaan
karakteristik, baik antarindividu maupun
antarwaktu. Penerapan regresi data panel
sebagai salah satu metode untuk mengetahui
N P Anik Mas Ratnasari, I P Eka Nila Kencana, G K Gandhiadi Aplikasi Regresi Data Panel
2
perbedaan karakteristik dapat juga diterapkan
pada kasus tenaga kerja.
Dewasa ini, banyak hal yang
memengaruhi setiap orang untuk menjadi
tenaga kerja, baik itu tenaga kerja non-
outsourcing, kontrak, ataupun outsourcing.
Salah satu faktornya adalah adanya motivasi.
Hal ini disebabkan karena motivasi
merupakan dorongan yang timbul pada diri
seseorang secara sadar ataupun tidak sadar
untuk melakukan suatu tindakan dengan
tujuan tertentu (Tim Penyusun Pusat Bahasa,
2012). Pada penelitian ini akan dilihat
motivasi tenaga kerja non-outsourcing dan
outsourcing di PT PLN Gianyar berdasarkan
existence, relatedness, dan growth dengan
pengertian dari masing-masing variabel yaitu
existence adalah kebutuhan seseorang untuk
mendapat pengakuan sebagai seorang
manusia,baik di tengah masyarakat maupun
perusahaan, relatednessadalah kebutuhan
keterikatan antara seseorang dengan
lingkungan sosial di sekitarnya, serta growth
adalah kebutuhan yang berkaitan dengan
pengembangan potensi diri seseorang
sehingga menimbulkan penghargaan atas
potensi yang dimiliki.
2. Ulasan Pustaka
Regresi Data Panel
Regresi data panel adalah regresi yang
menggunakan data pengamatan terhadap satu
atau lebih variabel pada suatu unit secara
terus menerus selama beberapa periode
waktu. Bentuk umum model regresi data
panel adalah sebagai berikut (Hsiao, 2003):
𝒀𝒊𝒕 = 𝜶𝒊𝒕∗ + 𝜷𝒊𝒕
𝑻𝒓𝑿𝒊𝒕 + 𝝁𝒊𝒕
dengan 𝒀𝒊𝒕 adalah pengamatan unit cross
section ke-i dan waktu ke-t, 𝜶𝒊𝒕∗ adalah
intersep; efek grup/individu dari unit cross
section ke-i dan waktu ke-t, 𝑿𝒊𝒕𝑻𝒓 =
(𝑋1𝑖𝑡 , 𝑋2𝑖𝑡 , … , 𝑋𝐾𝑖𝑡) merupakan variabel
bebas untuk unit cross section ke-i dan waktu
ke-t, 𝜷𝒊𝒕𝑻𝒓=(𝛽1, 𝛽2, … , 𝛽𝐾)merupakan koefisien
slope untuk semua unit, 𝜇𝑖𝑡 adalah error
regresi untuk unit cross section ke-i dan
waktu ke-t, i=1, 2, …, N untuk unit cross
section,t=1, 2, …, T untuk waktu dan
Tradalah simbol transpose.
Terdapat beberapa kemungkinan asumsi
pada data panel, yaitu:
1. Intersep dan koefisien slope konstan
sepanjang waktu dan individu serta error
berbeda sepanjang waktu dan individu.
Modelnya adalah:
𝒀𝒊𝒕 = 𝜶∗ + ∑ 𝜷𝒌𝑻𝒓𝑲
𝒌=𝟏 𝑿𝒌𝒊𝒕 + 𝝁𝒊𝒕.
2. Koefisien slope konstan, tetapi intersep
berbeda untuk semua individu. Modelnya
adalah:
𝒀𝒊𝒕 = 𝜶𝒊∗ + ∑ 𝜷𝒌
𝑻𝒓𝑲𝒌=𝟏 𝑿𝒌𝒊𝒕 + 𝝁𝒊𝒕 .
3. Koefisien slope konstan, tetapi intersep
berbeda baik sepanjang waktu maupun
antarindividu. Modelnya adalah:
𝒀𝒊𝒕 = 𝜶𝒊𝒕∗ +∑ 𝜷𝒌
𝑻𝒓𝑲𝒌=𝟏 𝑿𝒌𝒊𝒕 + 𝝁𝒊𝒕 .
4. Intersep dan koefisien slope berbeda
untuk semua individu. Modelnya adalah:
𝒀𝒊𝒕 = 𝜶𝒊∗ + ∑ 𝜷𝒌𝒊
𝑻𝒓𝑲𝒌=𝟏 𝑿𝒌𝒊𝒕 + 𝝁𝒊𝒕 .
5. Intersep dan koefisien slope berbeda
sepanjang waktu dan untuk semua
individu. Modelnya adalah:
𝒀𝒊𝒕 = 𝜶𝒊𝒕∗ +∑ 𝜷𝒌𝒊𝒕
𝑻�𝑲𝒌=𝟏 𝑿𝒌𝒊𝒕 + 𝝁𝒊𝒕 .
Fixed Effect Model
Salah satu metode estimasi yang bisa
digunakan dalam model regresi data panel
adalah fixed effect model (FEM). Bentuk
umum regresi data panel pada FEM adalah
sebagai berikut:
𝒀𝒊𝒕 = 𝜶𝒊∗ + 𝜷𝑻𝒓𝑿𝒊𝒕 + 𝝁𝒊𝒕
Indeks i pada intersep menunjukkan bahwa
intersep dari masing-masing unit cross-
section berbeda-beda. Perbedaan ini
disebabkan karena penggunaan variabel
dummy untuk menjelaskan perbedaan intersep
yang timbul antarindividu. Istilah FEM
berasal dari kenyataan bahwa meskipun
intersep 𝛼𝑖berbeda antarindividu namun
intersep sama antarwaktu (time invariant)
E-Jurnal Matematika Vol. 3, No.1 Januari 2014, 1-7 ISSN: 2303-1751
3
(Gujarati, 2004). Hal ini juga memberikan
asumsi bahwa slope�𝛽 tetap sama
antarindividu dan antarwaktu. Oleh karena itu
persamaan di atas bisa ditulis menjadi:
𝒀𝒊𝒕 = 𝑫𝜶𝒊∗ +𝜷𝑻𝒓𝑿𝒊𝒕 + 𝝁𝒊𝒕
Dengan𝑫 = [𝑑1�𝑑2…𝑑𝑛]merupakan variabel
dummy untuk unit ke-i (Greene, 2012).
Penggunakaan variabel dummy inilah yang
membuat estimasi pada FEM disebut Least
Square Dummy Variabel (LSDV) model.
3. MetodePenelitian
Sumber data pada penelitian ini adalah
data primer yang didapatkan dengan
menyebarkan kuesioner di PT PLN Gianyar
kepada 25 orang tenaga kerja non-
outsourcing dan 25 orang outsourcing yang
bekerja minimal dari tahun 2010 sampai
2012. Variabel respon (Y) yang digunakan
pada penelitian ini adalah motivasi yang
dimiliki oleh tenaga kerjanon-outsourcing dan
outsourcingserta variabel bebas yang
digunakan yaitu existence (𝑋1) yang
indikatornnya gaji, lingkungan kerja, dan
jaminan social; relatedness (𝑋2) yang
indikatornya komunikasi, supervisi, dan
kelompok;serta growth (𝑋3) yang
indikatornya penghargaan, prestasi, dan
tanggung jawab. Berikut uraian variabel-
variabelnya pada tabel 1.
Tabel 1. Variabel-Variabel Penelitian
No Variabel Simbol Indikator Skala Kategori
1. Motivasi (Y) Mot Interval 0—3
2 Existence (𝑋1) EX
Gaji (𝑋11) Interval 0—3
Lingkungan Kerja (𝑋12) Interval 0—3
Jaminan Sosial (𝑋13) Interval 0—3
3 Relatedness
(𝑋2) RE
Komunikasi (𝑋21) Interval 0—3
Supervisi (𝑋22) Interval 0—3
Kelompok (𝑋23) Interval 0—3
4 Growth (𝑋3) GR
Penghargaan (𝑋31) Interval 0—3
Prestasi (𝑋32) Interval 0—3
Tanggung Jawab (𝑋33) Interval 0—3
5 Tenaga Kerja
(𝑋4)
Nominal
0 = Non-
Outsourcing
1 =
Outsourcing
Langkah-langkah pada penelitian ini
adalah sebagai berikut: (1) menyebarkan
kuesioner kepada seluruh tenaga kerja, baik
tenaga kerja non-outsourcing dan outsourcing
di PT PLN Gianyar, (2) uji validitas,
reliabilitas, dan confirmatory factor analysis,
(3) statistik deskriptif, (4) uji asumsi klasik,
meliputi uji kenormalan, uji multikolinearitas,
uji heteroskedastisitas, dan uji autokorelasi,
(5) analisis regresi data panel fixed effect
model dengan penduga LSDV, (6) signifikasi
parameter, (7) uji perbandingan, dan (8)
interpretasi model.
4. Hasil dan Pembahasan
Langkah awal yang dilakukan pada
penelitian ini adalah menyebarkan kuesioner
di PT PLN Gianyar kepada 25 orang tenaga
kerja non-outsourcing dan 25 orang tenaga
kerja outsourcing, dilanjutkan dengan
melalukan uji validitas, reliabilitas, dan
Confirmatory Factor Analysis (CFA)pada
N P Anik Mas Ratnasari, I P Eka Nila Kencana, G K Gandhiadi Aplikasi Regresi Data Panel
4
kuesioner tersebut. Kriteria uji yang
digunakan untuk uji validitas adalah
menggunakan nilai koefisien korelasi (r),
sedangkan uji reliabilitas menggunakan nilai
koefisien Cronbach’s Alpha 0,8 (Marczyket
al., 2005). Pengujian dilakukan dengan
menganalisis setiap kelompok item
pertanyaan berdasarkan tahun penelitian,
yaitu 2010; 2011; dan 2012, sesuai dengan
banyaknya variabel yang dilibatkan pada
model penelitian, yaitu motivasi, existence
yang dianalisis dengan item pertanyaan pada
indikator gaji, lingkungan kerja, dan jaminan
sosial;relatedness yang dianalisis dengan item
pertanyaan pada indikator komunikasi,
supervisi, dan kelompok; sertagrowth
dianalisis dengan item pertanyaan pada
indikator penghargaan, prestasi, dan tanggung
jawab. Berdasarkan nilai koefisien korelasi
(r)diperoleh bahwa setiap kelompok item
pertanyaan telah valid. Nilai koefisien
Cronbach’s Alpha yang diperoleh untuk
setiap kelompok item pertanyaan telah
memenuhi syarat reliabilitas yang berarti
apabila peneliti lain melakukan penelitian
pada waktu dan objek yang sama, maka hasil
yang diperoleh akan sama atau apabila
peneliti yang sama melakukan penelitian
dalam waktu yang berbeda, maka akan
menghasilkan data yang sama.
Tahap selanjutnya adalah CFA. Pengujian
CFA dilakukan dengan menggunakan uji
Kaiser Meyer Olkin (KMO) > 0,5, uji
Bartlett’s< α (0,05) (Hair et al., 2010), dan
Measure of Sampling Adequacy (MSA) 0,5
(Hair et al., 2010) untuk setiap kelompok
item pertanyaan berdasarkan tahun penelitian
sesuai dengan variable motivasi, existence,
relatedness, dan growth. Ada beberapa
kriteria pada nilai MSA, yaitu MSA = 1
berarti variabel dapat diprediksi secara
sempurna tanpa kesalahan oleh variabel lain;
MSA > 0,5 berarti variabel masih dapat
diprediksi dan bisa dianalisis lagi; MSA < 0,5
berarti variabel tidak dapat diprediksi dan
dihilangkan dari analisis. Hasil pengujian ini
menunjukkan bahwa semua kelompok item
pertanyaan telah memenuhi kriteria pengujian
CFA dan menghasilkan empat faktor baru
sesuai dengan pengelompokkan item
pertanyaan yang telah ditentukan, yaitu
existence, relatedness, dan growth.
Pengujian CFA menghasilkan empat
faktor baru yang digunakan dalam penelitian
ini. Keempat faktor ini akan memasuki
tahapan baru yaitu uji asumsi klasik pada
model non-outsourcing dan outsourcing yang
meliputi uji kenormalan dengan
menggunakan uji Jarque-Bera, uji
multikolinearitas dengan menggunakan
matriks korelasi dan nilai VIF, uji
heteroskedastisitas dengan menggunakan uji
Breusch-Pagan-Godfrey (BPG), dan uji
autokorelasi dengan menggunakan uji
Durbin-Watson. Berdasarkan hasil pengujian
diperoleh bahwa model non-outsourcing dan
outsourcing telah memenuhi uji kenormalan,
sedangkan uji multikolinearitas belum
terpenuhi untuk kedua model. Salah satu cara
yang bisa digunakan untuk mengatasi
multikolinearitas adalah mengeleminasi
variabel bebas yang memiliki nilai 𝑉𝐼𝐹 ≥ 4
(O’Brien, 2007).
Berdasarkan hasil penelitian pada model
non-outsourcing diperoleh bahwa relatedness
dan growth memiliki nilai 𝑉𝐼𝐹 ≥ 4, sehingga
kedua variabel ini dikeluarkan dari model.
Pada model outsourcing diperoleh bahwa
relatedness memiliki nilai 𝑉𝐼𝐹 ≥ 4, sehingga
relatedness dikeluarkan dari model.
Selanjutnya dilakukan kembali uji asumsi
klasik, yaitu uji kenormalan,
multikolinearitas, heteroskedastisitas, dan
autokorelasi. Hasil pengujian ini diperoleh
bahwa kedua model telah memenuhi uji
asumsi klasik, yaitu residual data berdistribusi
normal, tidak terjadi multikolinearitas antara
variabel bebas yang diujikan, serta tidak
terjadi heteroskedastisitas dan autokorelasi
pada kedua model, sehingga bisa dilanjutkan
dengan analisis regresi data panel.
Berdasarkan analisis regresi data panel
melalui pendekatan FEM dengan penduga
LSDV, diperoleh dua model non-outsourcing
dan outsourcing, yaitu:
E-Jurnal Matematika Vol. 3, No.1 Januari 2014, 1-7 ISSN: 2303-1751
5
𝑀𝑜𝑡𝒏𝒐𝒏𝒊𝒕 = −0,05 + 0,56𝐸𝑋𝑖𝑡
𝑀𝑜𝑡𝒐𝒖𝒕𝒊𝒕 = 0,21 − 0,00𝐸𝑋𝑖𝑡 + 0,85𝐺𝑅𝑖𝑡
Nilai intersep yang dihasilkan pada regresi
data panel melalui pendekatan FEM dengan
penduga LSDV, baik untuk model non-
outsourcing maupun model outsourcing,
adalah berbeda-beda untuk masing-masing
responden, sedangkan nilai slope tetap sama.
Hal ini membuktikan bahwa asumsi yang
digunakan untuk FEM, yaitu intersep 𝛼𝑖
berbeda antarindividu, tetapi slopeβ tetap
sama antarindividu dan antarwaktu telah
terpenuhi. Perbedaan nilai intersep
menunjukkan bahwa setiap unit/individu
mempunyai nilai motivasi yang berbeda-beda
dan nilai slope menunjukkan besarnya
pengaruh existence terhadap motivasi pada
tenaga kerja non-outsourcing serta besarnya
pengaruh existence dan growth terhadap
motivasi pada tenaga kerja outsourcing di PT
PLN Gianyar. Berikut ini adalah interpretasi
untuk masing-masing model yaitu:
1. Model non-outsourcing menunjukkan
bahwa ketika tidak ada existence, maka
motivasi tenaga kerja non-outsourcing
akan menurun sebesar 0,05 satuan. Selain
itu dapat disimpulkan juga bahwa ketika
existence tenaga kerja non-outsourcing
diakui sebesar satu satuan maka secara
rata-rata motivasi tenaga kerja akan
meningkat sebesar 0,56 satuan. Artinya
setiap meningkatnya pengakuan terhadap
tenaga kerja non-outsourcing, maka
motivasinya akan meningkat sebesar 0,56
satuan.
2. Model outsourcing menunjukkan ketika
tidak ada existence dan growth, maka
motivasi tenaga kerja outsourcing
meningkat sebesar 0,21 satuan. Selain itu
juga dapat ditarik kesimpulan bahwa
ketika existence (keberadaan) tenaga kerja
outsourcing diakui sebesar 1 satuan,
maka secara rata-rata motivasi tenaga
kerja tersebut akan menurun sebesar 0,00
satuan, yang artinya pengakuan terhadap
tenaga kerja outsourcing tidak memiliki
pengaruh terhadap motivasi tenaga kerja
tersebut serta ketika growth
(pertumbuhan) tenaga kerja outsourcing
berkembang sebesar 1 satuan, maka
secara rata-rata motivasi tenaga kerja
akan meningkat sebesar 0,85 satuan.
Artinya setiap berkembangnya potensi
diri tenaga kerja non-outsourcing sebesar
1 satuan, maka motivasinya akan
meningkat sebesar 0,85 satuan.
Lebih lanjut lagi dilakukan pengujian
signifikansi parameter pada kedua model.
Pada uji simultan model non-outsourcing
diperoleh F-hitung>𝐹(24,49;0,05), yaitu 4,12>
1,74, sehingga terdapat minimal satu
parameter yang memuat variabel bebas yang
berpengaruh terhadap variabel respon. Tabel
2 menunjukkan hasil uji parsial model non-
outsourcing diperoleh t-statistik>𝑡(0,025;49)
(2,01)untuk variabel existenceyaitu 6,43 >
2,01, sehingga dapat disimpulkan existence
berpengaruh signifikan pada motivasinon-
outsourcing.
Tabel 2.Uji Parsial Model Motivasi Non-outsourcing
Variable Coefficient Std. Error t-Statistic Prob.
C -0.056253 0.063054 -0.892134 0.3767
EX? 0.565053 0.087836 6.433014 0.0000
Pada uji simultan model
outsourcingdiperoleh F-hitung>𝐹(24,48;0,05),
yaitu 5,11> 1,75, sehingga minimal terdapat
satu parameter yang memuat variabel bebas
yang berpengaruh terhadap variabel respon.
Tabel 3 menunjukkan hasil uji parsial model
N P Anik Mas Ratnasari, I P Eka Nila Kencana, G K Gandhiadi Aplikasi Regresi Data Panel
6
outsourcingdengant-statistik>𝑡(0,025;48) (2,01)
untuk masing-masing variabel bebas yaitu
untuk variabel existence diperoleh |-0,05| <
2,01 dan untuk variabel growth diperoleh 6,40
> 2,01, sehingga dapat disimpulkan existence
tidak berpengaruh secara signifikan
sedangkan growth berpengaruh signifikan
pada motivasi outsourcing.
Tabel 3.Uji Parsial Model Motivasi Kerja Outsourcing
Variable Coefficient Std. Error t-Statistic Prob.
C 0.213898 0.092392 2.315116 0.0249
EX? -0.007668 0.135104 -0.056758 0.9550
GR? 0.854690 0.133470 6.403628 0.0000
Existence berpengaruh signifikan pada
model non-outsourcing serta existence tidak
berpengaruh secara signifikandan growth
berpengaruh signifikan pada model
outsourcing dengan nilai koefisien
determinasi 𝑅2 yang dimiliki untuk masing-
masing model yaitu 𝑅2 untuk model non-
outsourcing sebesar 0,67 yang berarti 67%
motivasi tenaga kerja non-outsourcing
dijelaskan oleh existence dan 𝑅2 untuk model
outsourcingsebesar 0,73 yang berarti 73%
motivasi tenaga kerja outsourcing dijelaskan
oleh existence dan growth.
Hasil pengujian terhadap tenaga kerja
non-outsourcing dan outsourcing didapatkan
bahwa tidak ada variabel bebas yang memiliki
pengaruh signifikansi yang sama pada kedua
model. Pada model non-outsourcing,
existence berpengaruh secara signifikan
terhadap motivasi tenaga kerja non-
outsourcing, sedangkan pada model
outsourcing, existence tidak berpengaruh
secara signifikan terhadap motivasi tenaga
kerja outsourcing. Berdasarkan hasil regresi
data panel tersebut, uji perbandingan tidak
dapat dilanjutkan.
5. Kesimpulan
Berdasarkan hasil pembahasan dapat
ditarik beberapa kesimpulan sebagai berikut:
1. Model regresi data panel yang diperoleh
untuk data motivasi tenaga kerja PT PLN
Gianyar tahun 2010-2012 dengan
pendekatan FEM adalah sebagai berikut:
a. Non-outsourcing
𝑀𝑜𝑡𝒏𝒐𝒏𝒊𝒕 = −0,05 + 0,56𝐸𝑋𝑖𝑡
b. Outsourcing
𝑀𝑜𝑡𝒐𝒖𝒕𝒊𝒕 = 0,21 − 0,00𝐸𝑋𝑖𝑡
+ 0,85𝐺𝑅𝑖𝑡
2. Berdasarkan penelitian tentang motivasi
tenaga kerja di PT PLN Gianyar,
diperoleh bahwa existence (EX)
berpengaruh positif dan signifikan
terhadap motivasi tenaga kerja non-
outsourcing di PT PLN Gianyar dengan
nilai 𝑅2non-outsourcing sebesar 67%
yang berarti 67% motivasi tenaga kerja
non-outsourcing dipengaruhi oleh
existence sedangkan existence (EX) tidak
berpengaruh secara signifikan dan growth
(GR) berpengaruh positif dan signifikan
terhadap motivasi tenaga kerja
outsourcing di PT PLN Gianyar dengan
nilai 𝑅2outsourcing sebesar 73% yang
berarti 73% motivasi tenaga kerja
outsourcing dipengaruhi oleh existence
dan growth.
DaftarPustaka
Greene. W. H. 2012. Econometric Analysis.
Seventh edition. New Jersey: Prentice
Hall
Gujarati. 2004. Basic Econometrics. New
York: McGraw-Hill
Hair JR. J. F., Black, W.C., Babin, B. J., and
E-Jurnal Matematika Vol. 3, No.1 Januari 2014, 1-7 ISSN: 2303-1751
7
Anderson, R. E. 2010. Multivariate Data
Analysis.Seventh edition. New Jersey:
Pearson Prentice Hall.
Hsiao, C. 2003. Analysis of Panel Data.
Second edition. New York: Cambrige
University Press.
Tim Penyusun Pusat Bahasa. 2012. Kamus
Besar Bahasa Indonesia Pusat Bahasa.
Edisi Keempat. Jakarta: PT Gramedia
Pustaka Utama.
Marczyk, G., DeMatteo, D., and Festinger,
D.2005. Essentials of Research Design
and Methodology. New Jersey: John
WILEY & sons, Inc.
O'Brien. R. M. 2007. A Caution Regarding
Rules of Thumb for Variance Inflation
Factor. Quality & Quantity Journal. 41.
637—690.
E-Jurnal Matematika Vol. 3, No.1 Januari 2014, 8-16 ISSN: 2303-1751
1Mahasiswa Jurusan Matematika FMIPA Universitas Udayana 8 2,3Staf Pengajar Jurusan Matematika FMIPA Universitas Udayana
PENERAPAN REGRESI AKAR LATEN DALAM MENANGANI
MULTIKOLINEARITAS PADA MODEL REGRESI LINIER
BERGANDA
DWI LARAS RIYANTINI1, MADE SUSILAWATI2, KARTIKA SARI3
1,2,3Jurusan Matematika FMIPA Universitas Udayana, Bukit Jimbaran-Bali
e-mail: [email protected],[email protected], [email protected]
Abstract
Multicollinearity is a problem that often occurs in multiple linear regression. The existence
of multicollinearity in the independent variables resulted in a regression model obtained is far from
accurate. Latent root regression is an alternative in dealing with the presence of multicollinearity in
multiple linear regression. In the latent root regression, multicollinearity was overcome by reducing
the original variables into new variables through principal component analysis techniques. In this
regression the estimation of parameters is modified least squares method. In this study, the data
used are eleven groups of simulated data with varying number of independent variables. Based on
the VIF value and the value of correlation, latent root regression is capable of handling
multicollinearity completely. On the other hand, a regression model that was obtained by latent root
regression has 𝑅𝑎𝑑𝑗2 value of 0.99, which indicates that the independent variables can explain the
diversity of the response variables accurately.
Keywords: Multiple Linear Regression, Multicollinearity, Latent Root Regression, Least Squares
Method Modified
1. Pendahuluan
Analisis regresi adalah suatu alat statistik
yang dapat digunakan untuk melihat hubungan
sebab akibat. Dalam analisis regresi terdapat
peubah bebas dan peubah tak bebas. Peubah
bebas dapat diukur, sedangkan peubah tak
bebas atau yang juga disebut dengan peubah
respon dijelaskan oleh satu atau lebih peubah
bebas. Pada analisis regresi linier, peubah
responnya memiliki skala pengukuran minimal
interval. Berdasarkan banyak peubah bebas
yang digunakan, analisis regresi linier dibagi
menjadi dua yaitu analisis regresi linear
sederhana dan analisis regresi linear berganda.
Analisis regresi linier yang hanya melibatkan
satu peubah bebas disebut analisis regresi linier
sederhana, sedangkan analisis regresi linier
dengan peubah respon dipengaruhi oleh lebih
dari satu peubah bebas disebut analisis regresi
linier berganda (Myers & Milton, 1991).
Dalam analisis regresi linier berganda,
permasalahan yang sering muncul adalah
adanya multikolinieritas.
Multikolinearitas ditandai dengan adanya
korelasi di antara peubah-peubah bebas.
Adanya multikolinearitas pada peubah-peubah
bebas mengakibatkan model regresi yang
diperoleh jauh dari akurat, diantaranya
pengujian hipotesis parameter berdasarkan
metode kuadrat terkecil (ordinary least square)
memberikan hasil yang tidak valid yaitu
peubah-peubah bebas yang seharusnya
berpengaruh signifikan terhadap peubah respon
dinyatakan sebaliknya secara statistik, tanda
koefisien regresi dugaan yang dihasilkan
bertentangan dengan kondisi aktual, penduga
koefisien regresi bersifat tidak stabil sehingga
mengakibatkan sulitnya menduga nilai-nilai
peubah respon yang tentunya akan
E-Jurnal Matematika Vol. 3, No.1 Januari 2014, 8-16 ISSN: 2303-1751
9
mengakibatkan tidak akuratnya peramalan
(Gujarati, 1995).
Terdapat beberapa metode untuk
mengatasi adanya multikolinearitas dalam
regresi linier berganda, salah satunya adalah
dengan menggunakan regresi komponen utama
(principal component regression). Pada regresi
komponen utama, peubah-peubah bebas yang
saling berkorelasi diubah ke dalam bentuk
peubah-peubah baru yang tidak saling
berkorelasi tanpa kehilangan banyak informasi
dari peubah asal dan disebut dengan komponen
utama. Teknik meregresikan komponen utama
dengan peubah respon melalui metode kuadrat
terkecil disebut regresi komponen utama
(Gujarati, 1995). Pemilihan komponen utama
pada regresi komponen utama adalah dengan
memilih komponen utama yang memiliki akar
ciri lebih besar dari 1 (Draper & H. Smith,
1992). Akan tetapi, proses ini memungkinkan
komponen utama yang berguna untuk prediksi
terhadap peubah respon akan terabaikan,
karena pembentukan komponen utama yang
tidak melibatkan informasi dari peubah respon
(Vigneau, E., Qannari, E.M., 2002).
Perluasan regresi komponen utama
diajukan oleh J.T. Webster et. al, dalam “Latent
root regression analysis”, Technometrics, 16,
1974. Webster dan rekan kerjanya
menggandengkan matriks data yang berasal
dari peubah respon yang telah dibakukan dan
peubah bebas yang telah dibakukan. Perluasan
ini dinamakan regresi akar laten (Draper & H.
Smith, 1992). Perbedaan regresi akar laten
dibandingkan regresi komponen utama adalah
komponen utama yang terbentuk pada regresi
akar laten diperoleh dengan menghitung
hubungan antara peubah bebas dan peubah
respon, sehingga komponen utama pada regresi
akar laten lebih banyak mengandung informasi
dibandingkan regresi komponen utama
(Vigneau, E., Qannari, E.M., 2002).
1.1 Analisis Regresi Linier
Analisis regresi adalah suatu metode
dalam statistik yang memanfaatkan hubungan
antara dua atau lebih peubah kuantitatif,
sehingga peubah respon (dependent variable)
bisa diramalkan dari peubah bebas
(independent variable) (Neter, 1997). Selain
untuk melihat hubungan antara peubah bebas
dengan peubah respon, analisis regresi juga
bertujuan untuk melihat kontribusi relatif dari
masing-masing peubah bebas terhadap peubah
respon.
Pola atau bentuk hubungan pada analisis
regresi dapat dinyatakan dalam bentuk
persamaan regresi. Model regresi linier yang
melibatkan lebih dari satu peubah bebas
dengan satu peubah respon disebut model
regresi linier berganda. Analisis regresi linier
berganda sangat berguna di dalam situasi
percobaan yang memungkinkan peneliti
mengontrol peubah-peubah bebasnya.
1.1.1 Model Ordo-Pertama
Misalkan terdapat n tripel data
(𝑦1, 𝑥11, 𝑥12), (𝑦2, 𝑥21, 𝑥22),… , (𝑦𝑛, 𝑥𝑛1, 𝑥𝑛2),
(Neter, 1997) maka model regresinya dapat
dinyatakan sebagai:
𝑦𝑖 = 𝛽0 + 𝛽1𝑥𝑖1 + 𝛽2𝑥𝑖2 + 𝑒𝑖 (1)
dengan:
𝑦𝑖 adalah respon dari amatan ke-i,
𝛽0, 𝛽1, dan 𝛽2 adalah koefisien regresi,
𝑒𝑖 adalah suku galat ke-i,
i = 1,2,…n.
Jika 𝑌 = [
𝑦1
𝑦2
⋮𝑦𝑛
] , 𝜀 = [
𝑒1
𝑒2
⋮𝑒𝑛
] maka persamaan
(1) dengan 𝑖 = 1,2,… , 𝑛 dapat ditulis sebagai:
𝑌 = 𝛽0 + 𝛽1𝑋1 + 𝛽2𝑋2 + 𝜀 (2)
Persamaan (2) dinamakan model ordo-pertama
dengan dua peubah bebas, yaitu 𝑋1 = [
𝑥11
𝑥21
⋮𝑥𝑛1
]
dan 𝑋2 = [
𝑥12
𝑥22
⋮𝑥𝑛2
]. Model ini bersifat linier dalam
parameter dan juga linier dalam peubah-peubah
bebasnya.
Apabila diasumsikan 𝐸{𝜀𝑖} = 0, maka
fungsi respon bagi model (2) adalah (Neter,
1997):
𝐸{𝑌} = 𝛽0 + 𝛽1𝑋1 + 𝛽2𝑋2 (3) (2.5)
Dwi Laras Riyantini, Made Susilawati, Kartika Sari Penerapan Regresi Akar Laten dalam Menangani
Multikolinearitas
10
Pada model regresi (3), parameter 𝛽0 adalah
intersep Y pada bidang regresi tersebut. Nilai
parameter 𝛽0 melambangkan rataan respon,
apabila peubah bebas 𝑋1 dan 𝑋2 bernilai 0. Jika
tidak demikian, 𝛽0 tidak memiliki makna di
dalam model regresi tersebut. Parameter 𝛽1
menunjukkan perubahaan rataan respon untuk
setiap kenaikan 𝑋1 satu satuan apabila 𝑋2
dipertahankan konstan. Begitu pula, parameter
𝛽2 menunjukkan perubahan rataan respon
untuk setiap kenaikan 𝑋2 satu satuan, apabila
𝑋1 dipertahankan konstan. Parameter 𝛽1 dan 𝛽2
sering disebut koefisien regresi parsial.
Peubah bebas 𝑋1 dan 𝑋2 dikatakan
memiliki pengaruh aditif atau tidak
berinteraksi, apabila pengaruh 𝑋1 terhadap
rataan respon tidak bergantung pada taraf 𝑋2,
dan sebagai akibatnya pengaruh 𝑋2 terhadap
respon juga tidak bergantung pada taraf 𝑋1
(Neter, 1997).
Sebagai generalisasi dari model ordo-
pertama dengan dua peubah bebas berikut ini
dibahas model ordo-pertama dengan lebih dari
dua peubah bebas. Oleh karena itu, apabila
terdapat 𝑝 − 1 peubah bebas 𝑋1 =
[
𝑥11
𝑥21
⋮𝑥𝑛1
] , 𝑋2 = [
𝑥12
𝑥22
⋮𝑥𝑛2
] , … , 𝑋𝑝−1 = [
𝑥1,𝑝−1
𝑥2,𝑝−1
⋮𝑥𝑛,𝑝−1
], maka
modelnya [4] adalah:
𝑦𝑖 = 𝛽0 + 𝛽1𝑥𝑖1 + 𝛽2𝑥𝑖2 + ⋯+ 𝛽𝑝−1𝑥𝑖,𝑝−1 +
𝑒𝑖 (4)
dengan :
p banyaknya parameter,
𝛽0, 𝛽1, … , 𝛽𝑝−1 adalah parameter,
𝑥𝑖1, 𝑥𝑖2, … , 𝑥𝑖,𝑝−1 adalah peubah bebas
yang diketahui nilainya,
𝑒𝑖 adalah suku galat,
𝑖 = 1,2,… , 𝑛,
𝑛 adalah banyak amatan.
Jika 𝑌 = [
𝑦1
𝑦2
⋮𝑦𝑛
] , 𝜀 = [
𝑒1
𝑒2
⋮𝑒𝑛
] maka persamaan
(4) dengan 𝑖 = 1,2,… , 𝑛 dapat ditulis sebagai:
𝑌 = 𝛽0 + 𝛽1𝑋1 + 𝛽2𝑋2 + ⋯+ 𝛽𝑝−1𝑋𝑝−1 + 𝜀
(5)
Adapun fungsi respon (Neter, 1997) untuk
model (5) adalah:
𝐸{𝑌} = 𝛽0 + 𝛽1𝑋1 + 𝛽2𝑋2 + ⋯+
𝛽𝑝−1𝑋𝑝−1 (6)
1.2 Koefisien Determinasi Ganda
Terkoreksi
Dalam regresi linear berganda, proporsi
keragaman data yang dapat diterangkan dalam
model regresi dilihat dari koefisien determinasi
ganda yang dilambangkan dengan 𝑅𝛼𝑑𝑗2 .
(Neter, 1997) Koefisien determinasi ganda
terkoreksi didefinisikan sebagai berikut:
𝑅𝛼𝑑𝑗2 = 1 −
𝐽𝐾𝐺/(𝑛−𝑝)
𝐽𝐾𝑇/(𝑛−1) (7)
Interval nilai 𝑅𝛼𝑑𝑗2 adalah 0 ≤ 𝑅𝛼𝑑𝑗
2 ≤ 1.
Jika nilai 𝑅𝛼𝑑𝑗2 semakin mendekati 1, maka
semakin besar nilai keragaman data peubah
respon yang dapat dijelaskan oleh peubah
bebas.
1.3 Multikolinearitas
Istilah multikolinearitas pertama kali
diperkenalkan oleh Ragnar Frisch pada tahun
1934, yang berarti adanya korelasi di antara
peubah – peubah bebas dari model regresi.
Multikolinearitas dapat memberi dampak
untuk model regresi, antara lain (Neter, 1997):
1. Multikolinearitas antara peubah-peubah
bebas dalam model regresi linier
mengakibatkan variansi penduga kuadrat
terkecil menjadi besar sehingga
menghasilkan galat baku yang lebih besar.
Hal ini mengakibatkan selang kepercayaan
untuk parameter model regresi menjadi
lebih besar.
2. Satu atau lebih peubah bebas menjelaskan
peubah respon benar-benar sama dengan
yang dijelaskan oleh peubah bebas lain.
3. Pengujian hipotesis parameter berdasarkan
metode kuadrat terkecil memberikan hasil
yang tidak valid.
Pada analisis regresi, dikatakan terdapat
multikolinearitas apabila terdapat beberapa
kondisi sebagai berikut:
E-Jurnal Matematika Vol. 3, No.1 Januari 2014, 8-16 ISSN: 2303-1751
11
1. Nilai korelasi antar peubah bebas (𝑟𝑋𝑌)
melebihi 0,5 (Gujarati, 1995) Misalkan
(𝑥1, 𝑦1), … , (𝑥𝑛, 𝑦𝑛), pasangan data yang
diperoleh dari dua peubah acak 𝑋 = [
𝑥1
𝑥2
⋮𝑥𝑛
]
dan 𝑌 = [
𝑦1
𝑦2
⋮𝑦𝑛
]. Nilai korelasi tersebut
diperoleh melalui rumus [7] sebagai
berikut:
𝑟𝑋𝑌 =∑ (𝑥𝑖−�̅�)𝑛
𝑖=1 (𝑦𝑖−�̅�)
[∑ (𝑥𝑖−�̅�)2𝑛𝑖=1 ∑ (𝑦𝑖−�̅�)2𝑛
𝑖=1 ]12
(8)
Dalam hal ini X dan Y dianggap setara,
tidak dipersoalkan apakah X dan Y yang
menjadi peubah bebas atau peubah respon.
2. Nilai VIF lebih dari 4 (O’Brien, 2007)
Variance Inflation Factor (VIF) atau
faktor inflasi ragam dapat
menginterpretasikan akibat dari korelasi
antar variabel bebas ke-𝑖 pada varians
penduga koefisien regresi. Adapun
perhitungan VIF sebagai berikut (Neter,
1997):
𝑉𝐼𝐹(𝑖) =1
1−𝑅𝑖2 (9)
Nilai 1 − 𝑅𝑖2 menunjukkan nilai toleransi
yang mewakili varians dari peubah bebas
ke-𝑖 yang tidak dihubungkan dengan
peubah bebas lain pada model, sehingga
nilai toleransi berbanding terbalik dengan
nilai VIF. Nilai 𝑅𝑖2 menunjukkan nilai
korelasi antar peubah, kenaikan korelasi
antar peubah akan mengakibatkan
kenaikan nilai VIF yang menunjukkan
terjadinya multikolinearitas. Jika 𝑅𝑖2 = 0
atau 𝑉𝐼𝐹 = 1, mengindikasikan bahwa
peubah bebas ke-𝑖 orthogonal dengan
peubah bebas lainnya.
1.4 Regresi Komponen Utama
Regresi komponen utama merupakan
salah satu metode yang dapat digunakan untuk
menangani multikolinearitas. Tahap pertama
pada regresi komponen utama adalah
menghitung komponen utama yang merupakan
kombinasi linier dari peubah bebas. Langkah
selanjutnya, beberapa komponen utama yang
terbentuk diregresikan dengan peubah respon
melalui analisis regresi (Myers & Milton,
1991). Kriteria pemilihan komponen utama
yang akan digunakan yaitu dengan memilih
komponen utama yang bersesuaian dengan akar
ciri lebih besar dari 1 (Draper, N.R. and H.
Smith, 1992)
1.5 Regresi Akar Laten (Latent Root
Regression)
Metode regresi akar laten merupakan
perluasan dari regresi komponen utama.
Perbedaan kedua metode ini terletak pada nilai
akar laten yang dihasilkan dari matriks korelasi
yang dihasilkan. Pada regresi akar laten,
matriks korelasi diperoleh dari penggabungan
peubah respon yang telah dibakukan dan
peubah bebas yang telah dibakukan, yang dapat
ditulis sebagai berikut (Draper, N.R. and H.
Smith, 1992):
𝒁∗ = [𝒁𝒚, 𝒁] (10)
dengan 𝒁𝒚 dan 𝒁 secara berturut-turut
merupakan matriks Y dan X yang telah
dipusatkan dan diskalakan (dibakukan).
Pembakuan data pada peubah respon diperoleh
melalui rumus:
𝑍𝑦 =(𝒀−𝟏�̅�)
√𝑆𝑌𝑌 dengan 𝒀 = [
𝑦1
𝑦2
⋮𝑦𝑛
],
�̅� =∑ 𝑦𝑖
𝑛𝑖=1
𝑛, 𝟏 = [
11⋮1
], 𝑆𝑌𝑌 =(𝒀−𝟏�̅�)𝑇(𝒀−𝟏�̅�)
𝑛−1
(11)
sedangkan, Pembakuan data pada peubah bebas
diperoleh melalui rumus:
𝑍 =(𝑿−𝟏�̅�)
√𝑆𝑋𝑋 dengan
𝑿 = [
𝑥11
𝑥21
⋮𝑥𝑛1
𝑥12
𝑥22
⋮𝑥𝑛2
……⋱…
𝑥1,𝑝−1
𝑥2,𝑝−1
⋮𝑥𝑛,𝑝−1
], �̅� =∑ 𝑥𝑖
𝑛𝑖=1
𝑛 ,
Dwi Laras Riyantini, Made Susilawati, Kartika Sari Penerapan Regresi Akar Laten dalam Menangani
Multikolinearitas
12
𝟏 = [
11⋮1
11⋮1
……⋱…
11⋮1
]
𝑛×𝑝−1
,
𝑆𝑋𝑋 =(𝑋−𝟏�̅�)𝑇(𝑋−𝟏�̅�)
𝑛−1 (12)
Untuk matriks Y dan X seperti pada persamaan
(10), setelah matriks Y dan X dibakukan,
maka:
𝒁∗ =
[ 𝑍1𝑦
𝑍2𝑦
⋮𝑍𝑛𝑦
𝑍11
𝑍21
⋮𝑍𝑛1
……⋱…
𝑍1,𝑝−1
𝑍2,𝑝−1
⋮𝑍𝑛,𝑝−1]
Langkah berikutnya adalah melakukan
analisis komponen utama berdasarkan matriks
𝒁∗. Seperti halnya dalam analisis komponen
utama, akar laten dan vektor latennya
kemudian dihitung dari matriks korelasi
gandengan 𝒁∗𝑻𝒁∗
Misalkan Γ𝑗𝑇 = (𝛾𝑜𝑗,𝛾1𝑗,𝛾2𝑗, … , 𝛾𝑟𝑗)
merupakan vektor laten dari matriks 𝒁∗𝑻𝒁∗ dan
Γ𝑗0 = (𝛾1𝑗,𝛾2𝑗, … , 𝛾𝑟𝑗) merupakan vektor yang
terbentuk dari elemen yang sama dengan Γ𝑗𝑇
kecuali elemen pertama yang telah dibuang,
maka komponen utama (Sharma, S., James,
W.L., 1986) dari 𝒁∗ adalah:
𝐶𝑗 = 𝒁∗Γ𝑗 (13)
yang dapat dituliskan sebagai:
𝐶𝑗 = 𝛾0𝑗𝒁𝒚 + 𝒁Γ𝑗0 (14)
Pada regresi akar laten, unsur pertama
koefisien 𝑌 (𝛾0𝑗) setiap vektor laten digunakan
untuk meramalkan peubah responnya oleh
vektor laten tersebut. Untuk menentukan
komponen utama yang akan digunakan, yaitu
dengan membuang komponen utama yang
bersesuaian dengan nilai akar laten 𝜆𝑗 ≤ 0.05
atau elemen pertama vektor laten | 𝛾0𝑗| <
0.10 (Vigneau, E., Qannari, E.M., 2002).
Adanya akar laten yang kecil menandakan
adanya kemungkinan ketergantungan atau
ketidakbebasan linear di antara peubah-peubah
bebas. Semakin kecil akar laten, semakin kuat
ke tidak bebas linearan tersebut. Akar laten
yang bernilai 0 menandakan adanya
singularitas, dan nilai 0 pada elemen pertama
dari suatu vektor laten menunjukkan bahwa
vektor laten tersebut tidak memiliki kontribusi
variansi dalam 𝑌 (Sharma, S., James, W.L.,
1986). Oleh karena itu, Webster menyarankan
akar laten 𝜆𝑗 ≤ 0.05 atau unsur pertama
vektor laten padanannya | 𝛾0𝑗| < 0.10,
disarankan untuk dibuang.
Selanjutnya dihitung vektor koefisien
kuadrat terkecil termodifikasinya (Webster, et
al. 1974) dengan rumus:
𝜷∗ = [
𝛽1∗
𝛽2∗
⋮𝛽𝑝
∗
] = 𝑐 ∑ 𝛾0𝑗𝜆𝑗−1 [
𝛾1𝑗
𝛾2𝑗
⋮𝛾𝑛𝑝
]∗𝑗 ; (15)
𝑐 = −{∑ 𝛾0𝑗𝜆𝑗−1∗
𝑗 }−1
{∑ (𝑌𝑖 − �̅�)2𝑛𝑖=1 }1/2
(16)
dengan:
𝜆𝑗 adalah akar laten ke-j dari matriks 𝒁∗𝑻𝒁
𝛾𝑗 adalah elemen vektor laten ke-j
𝛾0𝑗 adalah elemen pertama dari vektor
laten ke-j
𝑗 = 0,1,2,… , 𝑝
Selanjutnya, pendugaan koefisien regresi
pada peubah awal diperoleh dengan membagi
penduga koefisien regresi pada peubah yang
telah dibakukan dengan 𝑆𝑗, (Draper, N.R. and
H. Smith, 1992) sehingga diperoleh:
𝛽𝑗 =𝛽𝑗
∗
𝑆𝑗 dengan 𝑆𝑗 = √∑(𝑥𝑗 − �̅�𝑗)
2 ,
𝑗 = 1,2, … , 𝑝 − 1 (17)
Sedangkan, perhitungan koefisien regresi 𝛽0
(Draper, N.R. and H. Smith, 1992) diperoleh
berdasarkan rumus:
𝛽0 = �̅� − 𝛽1�̅�1 − 𝛽2�̅�2 − 𝛽3�̅�3 − 𝛽4�̅�4 (18)
Setelah persamaan kuadrat terkecil
termodifikasinya diperoleh, Webster dan rekan-
rekannya menyarankan untuk melakukan
eliminasi langkah mundur untuk mengeluarkan
peubah peramal dari persamaan itu (Webster, et
al. 1974).
2. Metode Penelitian
Jenis data yang digunakan dalam
penelitian ini adalah data sekunder berupa
simulasi yang terdiri dari sebelas kelompok
data dengan banyak peubah bebas bervariasi.
Program yang digunakan dalam penelitian ini
E-Jurnal Matematika Vol. 3, No.1 Januari 2014, 8-16 ISSN: 2303-1751
13
adalah program Microsoft Excel dan Minitab
15.
Adapun tahap analisis data menggunakan
regresi akar laten dengan langkah-langkah
sebagai berikut:
a. Melakukan pembakuan data pada peubah
respon dan peubah bebas secara berturut-
turut melalui persamaan (11) dan (12)
dengan bantuan program Microsoft Excel.
b. Memasangkan matriks data yang berasal
dari peubah bebas dan peubah respon yang
telah dibakukan.
𝒁∗ = [𝒁𝒚, 𝒁]
c. Menghitung akar laten 𝜆𝑗 dan vektor laten
padanannya 𝛤𝑗 dari matriks korelasi 𝒁∗𝑻𝒁∗
dengan bantuan Program Minitab 15.
d. Melakukan pembentukan komponen
utama melalui analisis komponen utama
berdasarkan akar laten 𝜆𝑗 dan vektor laten
padanannya 𝛤𝑗 yang telah terbentuk pada
program Minitab15.
e. Memilih komponen utama yang
digunakan dengan membuang komponen
utama yang mempunyai nilai akar laten
𝜆𝑗 ≤ 0.05 dan elemen pertama vektor
laten | 𝛾0𝑗| < 0.10 (Webster, et al., 1974).
f. Berdasarkan langkah (e), komponen utama
yang telah ditentukan diregresikan dengan
peubah respon.
g. Menghitung nilai VIF dan nilai korelasi
antar peubah untuk mendeteksi apakah
masalah multikolinearitas sudah teratasi.
h. Melakukan pendugaan koefisien regresi
pada data yang dibakukan melalui
persamaan (15) dan (16).
i. Melakukan pendugaan koefisien regresi
pada peubah awal melalui persamaan (17)
dan (18).
3. Hasil dan Pembahasan
Hasil analisis regresi linier berganda dengan
menggunakan metode kuadrat terkecil pada
sebelas kelompok data yang digunakan dapat
dilihat pada Tabel 1.
Tabel 1. Model Regresi Linier Berganda Mdl Model Regresi Linier Berganda
I 𝑌 = 2,00 + 0,00 𝑋1 + 1,00𝑋2 +
0,00𝑋3 + 2,00𝑋4
II 𝑌 = 10,2 + 1,15 𝑋1 + 1,02𝑋2 +
1,27𝑋3 + 0,737𝑋4 + 0,925𝑋5
III 𝑌 = 2,00 + 1,00 𝑋1 + 1,00𝑋2 +
1,00𝑋3 + 1,0𝑋4 + 2,00𝑋5
IV 𝑌 = 6,13 + 1,04 𝑋1 + 1,01𝑋2 +
1,06𝑋3 + 0,945𝑋4 + 0,953𝑋5 +
0,975𝑋6
V 𝑌 = 2,00 + 1,00 𝑋1 + 1,00𝑋2 +
1,00𝑋3 +1,00𝑋4 + 1,00𝑋5 +
2,00𝑋6
VI 𝑌 = −2,53 + 0,823 𝑋1 + 0,973𝑋2 +
0,984𝑋3 + 1,06𝑋4 + 1,10𝑋5 +
0,991𝑋6
VII 𝑌 = 2,00 + 1,00 𝑋1 + 1,00𝑋2 −
1,00𝑋3 + 1,00𝑋4 + 1,00𝑋5 +
2,00𝑋6
VIII 𝑌 = −6,85 + 1,42 𝑋1 + 1,01𝑋2 +
1,15𝑋3 + 1,07𝑋4 + 1,03𝑋5 +
1,02𝑋6 + 1,00𝑋7 + 0,792𝑋8
IX 𝑌 = −5,85 + 1,38 𝑋1 + 1,00𝑋2 +
1,28𝑋3 + 0,861𝑋4 + 1,21𝑋5 +
0,886𝑋6 + 1,01𝑋7 + 0,907𝑋8
X 𝑌 = 3,91 − 0,108 𝑋1 + 0,982𝑋2 +
0,607𝑋3 + 1,29𝑋4 + 1,27𝑋5 +
0,955𝑋6 + 1,01𝑋7 + 1,13𝑋8
XI 𝑌 = 3,89 + 0,614 𝑋1 + 0,985𝑋2 +
0,667𝑋3 +1,16𝑋4 + 1,21𝑋5 +
1,11𝑋6 + 1,02𝑋7 + 0,913𝑋8
Berdasarkan Tabel 1, model regresi linier I
yang terbentuk adalah:
𝑌 = 2,00 − 0,000000𝑋1 + 1,00𝑋2 +
0,000000𝑋3 + 2,00𝑋4
Model tersebut menginterpretasikan bahwa
apabila semua peubah bebas diasumsikan
konstan, maka peubah respon akan bernilai
2,00. Peubah respon tidak mengalami
perubahan setiap kenaikan 𝑋1 satu satuan
selama 𝑋2, 𝑋3, 𝑋4 dipertahankan konstan.
Peubah respon akan meningkat sebesar 1,00
satuan setiap kenaikan 𝑋2 satu satuan selama
𝑋1, 𝑋3, 𝑋4 dipertahankan konstan. Interpretasi
peubah bebas 𝑋3 dan 𝑋4 dapat dilakukan
dengan cara yang sama. Model regresi lainnya
dapat diinterpretasi dengan cara yang sama.
Untuk mendeteksi adanya
multikolinearitas pada peubah bebas dapat
dilihat berdasarkan nilai korelasi dan nilai VIF.
Untuk model regresi I, nilai korelasi dan nilai
VIF dapat dilihat pada Tabel 2.
Dwi Laras Riyantini, Made Susilawati, Kartika Sari Penerapan Regresi Akar Laten dalam Menangani
Multikolinearitas
14
Tabel 2 Nilai Korelasi dan Nilai VIF pada
Model Regresi Linier I
NK 𝑋1 𝑋2 𝑋3 𝑋4 VIF
𝑋1 1 14,9
𝑋2 0,170 1 1,2
𝑋3 0,951 0,251 1 23,3
𝑋4 -0,961 -0,262 -0,977 1 30,7
Pada Tabel 2, terlihat bahwa 𝑋1 dan 𝑋3
memiliki nilai korelasi sebesar 0,951, 𝑋1
dengan 𝑋4 memiliki nilai korelasi sebesar -
0,961, dan 𝑋3 dengan 𝑋4 memiliki nilai
korelasi sebesar -0,977. Hal ini
mengindikasikan adanya multikolinearitas di
antara peubah bebas 𝑋1, 𝑋3 dan 𝑋4. Selain
berdasarkan nilai korelasi, indikasi adanya
multikolinearitas antar peubah bebas 𝑋1, 𝑋3
dan 𝑋4 dipertegas dengan adanya nilai VIF
yang lebih besar dari 4, sehingga dapat
disimpulkan bahwa terdapat multikolinearitas
pada ketiga peubah bebas tersebut. Di lain
pihak, nilai korelasi pada peubah bebas 𝑋2
kurang dari 0,5 dan nilai VIF kurang dari 4
menandakan bahwa peubah bebas 𝑋2 tidak
mengalami masalah multikolinearitas. Dengan
cara yang sama, diperoleh bahwa terdapat
beberapa peubah bebas yang mengalami
multikolinearitas pada model regresi yang lain.
Adanya multikolinearitas pada peubah-
peubah bebas mengakibatkan model regresi
yang diperoleh jauh dari akurat, sehingga
diperlukan alternatif dalam menangani
multikolinearitas yang dalam penelitian ini
dilakukan melalui regresi akar laten.
Regresi Akar Laten dalam Menangani
Mulikolinearitas
Langkah pertama dalam regresi akar laten
adalah membakukan data dengan cara data
dipusatkan (centering) dan diskalakan
(scalling). Hal ini dilakukan untuk
memudahkan perhitungan dan juga
meminimumkan kesalahan pembulatan dalam
perhitungan. Pada penelitian ini, pembakuan
data dilakukan pada peubah respon dan peubah
bebas. Data yang telah merupakan elemen-
elemen pada matriks 𝒁∗.
Akar laten 𝜆𝑗 dan vektor laten 𝛤𝑗 dengan
𝑗 = 1,… , 𝑝 − 1 yang bersesuaian dengan 𝜆𝑗
dibentuk dari matriks korelasi 𝒁∗𝑻𝒁∗. Untuk
model regresi linier I diperoleh nilai-nilai akar
laten yaitu:
𝜆0 = 2,8029
𝜆1 = 1,3790
𝜆2 = 0,8015
𝜆3 = 0,0167
𝜆4 = 0,0000
Dari akar laten 𝜆𝑗, 𝑗 = 0,1,2,3,4, diperoleh
vektor-vektor laten 𝛤𝑗 yang bersesuaian dengan
𝜆𝑗 yaitu:
𝛤0 =
[ −0,587−0,355−0,357−0,325−0,544]
𝛤1 =
[ −0,072−0,478−0,4480,7050,263 ]
𝛤2 =
[
0,180−0,6390,6760,125
−0,294]
𝛤3 =
[
0,262−0,487−0,618−0,6180,526 ]
𝛤4 =
[ −0,741−0,0000,4250,0000,521 ]
Tidak ada kriteria yang pasti dalam
penentuan akar laten dan vektor laten yang
digunakan untuk pembentukan komponen
utama. Webster menyarankan untuk membuang
akar laten 𝜆𝑗 ≤ 0.05 atau unsur pertama vektor
laten padanannya | 𝛾0𝑗| < 0.10 [10].
Sedangkan, Sharma membuang akar laten
𝜆𝑗 ≤ 0.1 atau unsur pertama vektor laten
padanannya | 𝛾0𝑗| < 0.3 dalam penelitiannya
[8], dan Reichert membuang akar laten 𝜆𝑗 ≤
0.3 atau unsur pertama vektor laten
padanannya| 𝛾0𝑗| < 0.10 (Reichert, A.K.,
E-Jurnal Matematika Vol. 3, No.1 Januari 2014, 8-16 ISSN: 2303-1751
15
James, S.M., 1986). Dalam penelitian ini,
penulis menggunakan kriteria pemilihan yang
disarankan oleh Webster karena dengan
menggunakan kriteria tersebut, model regresi
yang diperoleh akan lebih akurat dengan data
yang digunakan dalam penelitian ini. Oleh
karena itu, dipilih akar laten 𝜆𝑗 ≤ 0.05 atau
elemen pertama vektor laten | 𝛾0𝑗| < 0.10 [10].
Diperhatikan bahwa:
a. 𝜆0 > 0,05 dan | 𝛾00| = 0,587 > 0,10.
Oleh karena itu, vektor yang bersesuaian
tetap dipertahankan.
b. 𝜆1 > 0,05 dan | 𝛾01| = 0,072 > 0,10.
Oleh karena itu, vektor ini tetap
dipertahankan meskipun 𝛾01 bernilai
kecil.
c. Karena 𝜆2 > 0,05 dan | 𝛾02| = 0,180 >
0,10 maka vektor ini tetap dipertahankan.
d. 𝜆3 < 0,05 menandakan kemungkinan
adanya ke tidak bebas linieran di antara
peubah-peubah bebas. Akan tetapi, nilai
| 𝛾03| = 0,262 > 0,10 menandakan
keteramalan yang tinggi sehingga vektor
ini tetap dipertahankan.
e. 𝜆4 = 0 menandakan adanya singularitas,
dan menandakan keadaan tidak bebas
linier di antara peubah-peubah bebas yang
menyebabkan pendugaan koefisien regresi
menjadi tidak stabil, sehingga vektor ini
dibuang walaupun nilai | 𝛾04| = 0,741 >
0,10 menandakan keteramalan yang
tinggi.
Selanjutnya, dilakukan pembentukan
komponen utama berdasarkan koefisien
matriks (vektor laten). Berikut merupakan
proses pembentukan dari lima komponen yang
akan digunakan:
KU 1 (𝐶0) = −0,587𝑍𝑦 − 0,355𝑍1 −
0,357𝑍2 − 0,325𝑍3 − 0,544𝑍4
KU 2 (𝐶1) = −0,072𝑍𝑦 − 0,478𝑍1 −
0,448𝑍2 − 0,705𝑍3 − 0,263𝑍4
KU 3 (𝐶2) = 0,180𝑍𝑦 − 0,639𝑍1 −
0,676𝑍2 − 0,125𝑍3 − 0,294𝑍4
KU 4 (𝐶3) = 0,262𝑍𝑦 − 0,487𝑍1 −
0,187𝑍2 − 0,618𝑍3 + 0,526𝑍4
Komponen utama yang terbentuk merupakan
kombinasi linier dari peubah asal yang saling
tegak lurus dan tidak berkorelasi. Berdasarkan
hasil analisis regresi akar laten, adapun model
regresi I yang terbentuk adalah:
𝑌 = 366 − 9,94𝐶0 − 1,22𝐶1 + 3,06𝐶2 +
4,44𝐶3
Hasil perhitungan dengan menggunakan
regresi akar laten pada model regresi I
diperoleh nilai VIF masing-masing peubah
bebas sebesar 1,0 dan nilai korelasi yang
bernilai kurang dari 0,5 antar peubah bebas
yang menandakan bahwa masalah
multikolinearitas dapat diatasi secara tuntas.
Nilai korelasi dan nilai VIF melalui regresi
akar laten dapat dilihat pada tabel 3.
Tabel 3. Nilai Korelasi Antar dan Nilai VIF
pada regresi akar laten
NK 𝐶1 𝐶2 𝐶3 VIF
𝐶1 1 1,0
𝐶2 -
0,00
1 1,0
𝐶3 0,00 -
0,00
1 1,0
𝐶4 0,00 0,00 0,00 1 1,0
dengan nilai koefisien determinasi ganda
terkoreksi (Radj2 ) sebesar 1,00. Setelah itu,
untuk memperoleh penduga koefisien regresi
untuk regresi akar laten pada peubah awal
digunakan persamaan (13) dan (14). Sehingga,
untuk model regresi I, penduga koefisien pada
data awal adalah sebagai berikut
𝑌 = 19,095 + 7,054 𝑋1 + 1,095𝑋2 +
7,489𝑋3 − 5,515𝑋4
Model tersebut menginterpretasikan jika pada
saat semua peubah bebas diasumsikan konstan,
maka peubah respon akan bernilai 19,095.
Peubah respon akan meningkat sebesar 7,054
setiap kenaikan 𝑋1 satu satuan selama
𝑋2, 𝑋3, 𝑋4 dipertahankan konstan. Peubah
respon akan berkurang sebesar 1,095 setiap
kenaikan 𝑋2 satu satuan selama 𝑋1, 𝑋3, 𝑋4
dipertahankan konstan. Peubah respon akan
meningkat 7,489 setiap kenaikan 𝑋3 satu
satuan selama 𝑋1, 𝑋2, 𝑋4 dipertahankan
konstan, dan peubah respon akan berkurang
sebesar 5,515 setiap kenaikan 𝑋4 satu satuan
selama 𝑋1, 𝑋2, 𝑋3 dipertahankan konstan.
Dwi Laras Riyantini, Made Susilawati, Kartika Sari Penerapan Regresi Akar Laten dalam Menangani
Multikolinearitas
16
Selanjutnya, untuk melihat seberapa
akurat model yang diperoleh, dihitung 𝑅𝑎𝑑𝑗2
dengan menggunakan persamaan (3) dari
masing-masing model. Nilai 𝑅𝑎𝑑𝑗2 hasil RAL
pada masing-masing model dapat dilihat pada
Tabel 4.
Tabel 4. Nilai 𝑅𝑎𝑑𝑗2 Model Hasil RAL
Model 𝑅𝑎𝑑𝑗2
I 1,000
II 1,000
III 1,000
IV 1,000
V 1,000
VI 1,000
VII 1,000
VIII 1,000
IX 1,000
X 1,000
XI 1,000
Berdasarkan Tabel 4, nilai 𝑅𝑎𝑑𝑗2 sebesar
1,000 merupakan hasil pembulatan karena data
yang digunakan dalam penelitian ini
merupakan bilangan desimal, yang kemudian
dalam prosesnya mengalami pembulatan
berkali-kali.
4. Kesimpulan
Berdasarkan pembahasan dapat
disimpulkan bahwa regresi akar laten dapat
mengatasi multikolinearitas dengan tuntas dan
menghasilkan persamaan regresi yang akurat.
Daftar Pustaka
Draper, N.R. and H. Smith. 1992. Analisis
Regresi Terapan, Edisi Kedua.
Diterjemahkan oleh Bambang Sumantri.
Jurusan Statistika FMIPA IPB. Bogor
Gujarati N, Damorar. 1995. Ekonometrika Dasar.
Erlangga. Jakarta.
Myers, R.H. & Milton, J.S. 1991. A First Course
In The Theory Of Linier Statistical Models.
PWS-KENT Publishing Company, Boston
Neter, J. 1997. Model Linier Terapan.
Diterjemahkan oleh Bambang Sumantri.
IPB, Bandung.
O’Brien, R M. 2007. A Caution Regarding
Rules of Thumb for Variance Inflation
Factor. Departement of Sociology of
Oregon, Eugene, USA.
Reichert, A.K., James, S.M., 1986. Using
Latent Root Regression to Identify
Nonpredictive Collinearity in Statistical
Appraisal Models. AREUEA Journal. 14,
136-152
Sembiring, R.K. 2003. Analisis Regresi. Edisi
Kedua. Bandung : Penerbit ITB.
Sharma, S., James, W.L., 1986. Latent Root
Regression: An Alternate Procedure for
Estimating Parameters in the Presence of
Multicollinearity. JMR, Journal of
Marketing Research. 18, 154-161.
Vigneau, E., Qannari, E.M., 2002. A New
Algorithm for Latent Root Regression
Analysis. Computational Statistics & Data
Analysis. 41, 231-242.
Webster, J.T., R. F. Gunts, and R. L.
Mason.(1974). Latent Root Regression
Analysis. Technometrics 16, 513-522.
E-Jurnal Matematika Vol. 3, No.1 Januari 2014, 17-24 ISSN: 2303-1751
1 Mahasiswa Jurusan Matematika FMIPA Universitas Udayana 17 2 Staf Pengajar Jurusan Matematika FMIPA Universitas Udayana
PENERAPAN MODEL ARBITRAGE PRICING THEORY
DENGAN PENDEKATAN VECTOR AUTOREGRESSION
DALAM MENGESTIMASI EXPECTED RETURN SAHAM
(Studi Kasus: Saham-Saham Kompas100 Periode 2010-2013)
VIAN RISKA AYUNING TYAS1, KOMANG DHARMAWAN2, MADE ASIH3
1,2,3Jurusan Matematika FMIPA Universitas Udayana, Bukit Jimbaran-Bali
e-mail: [email protected],[email protected], [email protected]
Abstract
The Arbitrage Pricing Theory (APT) is an alternative model to estimate the price of securities
based of arbitrage concept. In APT, the returns of securities are affected by several factors. This
research is aimed to estimate the expected returns of securities using APT model and Vector
Autoregressive model. There are ten stocks incorporated in Kompas100 index and four
macroeconomic variables, these are inflation, exchange rates, the amountof circulate money (JUB),
and theinterest rateof Bank Indonesia(SBI) are applied in this research.
The first step in using VAR is to test the stationary of the data using colerogram and the
results indicate that all data are stationary. The second step is to select the optimal lag based on the
smallest value of AIC. The Granger causality test shows that the LPKR stock is affected by the
inflation and the exchange rate while the nine other stocks do not show the existence of the expected
causality. The results of causality test are then estimated by the VAR models in order to obtain
expected returnof macroeconomic factors. The expected return of macroeconomic factors obtained
is used in the APT model, then the expected return stock LPKR is calculated. It shows that the
expected return of LPKR is 3,340%
Keywords: Arbitrage Pricing Theory, Granger causality test, optimal lag test, Portmanteau test,
stationary test, Vector Autoregression
.
1. Pendahuluan
Investasi merupakan salah satu alternatif
untuk meningkatkan nilai aset pada masa depan
sehingga dengan melakukan investasi,
penurunan daya beli dapat diimbangi dengan
return dari investasi. Pada dunia investasi
terdapat suatu risiko dan untuk
meminimalkannya investor akan mengestimasi
tingkat pengembalian yang diharapkan
(expected return). Metode yang biasa digunakan
untuk mengestimasi expected return salah
satunya adalah Arbitrage Pricing Theory (APT).
APT menyatakan tingkat pengembalian
saham berhubungan linear dengan 𝑛 faktor.
APT tidak menyebutkan faktor-faktor tersebut,
namun diasumsikan bahwa tingkat
pengembalian saham dan faktor-faktor tersebut
memiliki hubungan yang linear (Fabozzi, F.J.,
1999).
Faktor-faktor dalam APT dapat diartikan
sebagai variabel-variabel makroekonomi yang
memengaruhi pergerakan harga saham. Untuk
melihat pengaruh dan hubungan kausalitas
antara return saham dan variabel-variabel
makroekonomi dapat digunakan analisis Vector
Autoregression (VAR).
Salah satu keunggulan VAR adalah bahwa
model VAR ini sederhana, peneliti tidak perlu
menentukan mana variabel endogen dan mana
variabel eksogen karena semua variabel dalam
Vian Riska Ayuning Tyas, Komang Dharmawan, Made Asih Penerapan Model Arbitrage Pricing Theory
18
VAR adalah variabel endogen. Selain itu
VAR dapat dibuat model terpisah untuk
masing-masing variabel endogen. Hasil
peramalan (forecast) dengan model ini pada
banyak kasus lebih baik dibandingkan
dengan hasil peramalan yang diperoleh
dengan menggunakan model persamaan
simultan yang komplek (Gujarati, 2003).
2. Ulasan Pustaka
Arbitrage Pricing Theory (APT)
Arbitrage Pricing Theory (APT) merupakan
model alternatif untuk menentukan harga saham
yang sepenuhnya berdasarakan konsep arbitrase,
sehingga disebut teori penetapan harga arbitrase
(Arbitrage Pricing Theory). Secara sederhana,
arbitrase berarti pembelian dan penjualan saham
yang berkarakteristik sama pada pasar yang
berbeda (Fabozzi, F.J., 1999).
Model APT memiliki asumsi bahwa
tingkat pengembalian acak atas sekuritas
𝑖 dipengaruhi oleh beberapa faktor. Asumsi
tersebut dapat dinyatakan dalam persamaan
sebagai berikut:
�̃�𝑖 = 𝐸(𝑅𝑖) + 𝛽𝑖.1�̃�1 + ⋯ + 𝛽𝑖.𝑛�̃�𝑛 + 𝜖�̃� (1)
dengan �̃�𝑖 menyatakan tingkat pengembalian
acak dari sekuritas 𝑖, 𝐸(𝑅𝑖) menyatakan
pengembalian yang diharapkan dari sekuritas 𝑖,
𝛽𝑖.𝑛menyatakan kepekaan sekuritas ke-𝑖
terhadap faktor ke-𝑛, �̃�1 menyatakan faktor ke-
𝑛 yang umum bagi pengembalian sekuritas, dan
𝜖�̃� menyatakan pengembalian tidak sistematis
bagi sekuritas.
Persamaan APT dapat digeneralisasikan
ke dalam kondisi di mana terdapat faktor 𝑛,
sehingga menjadi:
𝐸(𝑅𝑖) = 𝑅𝐹 + 𝛽1,𝐹1[𝐸(𝑅𝐹1) − 𝑅𝐹] +𝛽2,𝐹2[𝐸(𝑅𝐹2) − 𝑅𝐹] + ⋯
+𝛽𝑛,𝐹𝑛[𝐸(𝑅𝐹𝑛) − 𝑅𝐹]. (2)
Model ini menyatakan bahawa investor ingin
memperoleh kompensasi atas seluruh faktor
yang secara matematis mempengaruhi
pengembalian sekuritas. Kompensasi itu adalah
jumlah dari hasil setiap risisko sistematis dan
premi risisko diberikan oleh faktor pasar
keuangan 𝛽1,𝐹2[𝐸(𝑅𝐹2) − 𝑅𝐹]. Dalam model
risiko dan pengembalian lain dijelaskan,
investor tidak memperoleh kompensasi atas
risiko tidak sistematis yang diterimanya
(Fabozzi, F.J., 1999).
Variabel-Variabel Makroekonomi
Variabel-variabel makroekonomi dapat
dijadikan faktor-faktor dalam APT. APT
menyatakan bahwa harga saham dipengaruhi
oleh berbagai faktor. Karena variabel-variabel
makroekonomi berpengaruh terhadap harga
saham maka variabel-variabel makroekonomi
dapat dijadikan faktor-faktor dalam APT.
Menurut Mankiw (2007) menjelaskan
bahwa inflasi, kurs, suku bunga, dan jumlah
uang yang beredar merupakan variabel-variabel
makroekonomi yang berpengaruh terhadap
harga saham. Oleh karena itu dalam penelitian
ini digunakan empat variabel makroekonimi
tersebut.
Faktor-faktor makroekonomi yang akan
digunakan dalam penelitian ini adalah sebagai
berikut:
1. Inflasi
2. Nilai Tukar Mata Uang (Kurs)
3. Jumlah Uang Beredar (JUB)
4. Suku Bunga Bank Indonesia (SBI)
Vector Autoregression
Vector Autoregressive (VAR) merupakan
analisis yang biasanya digunakan dalam
menganalisis hubungan variabel-variabel
deret waktu. Perbedaan analisis VAR dengan
analisis deret waktu yang lain terletak pada
model persamaan simultannya karena dalam
analisis ini mempertimbangkan beberapa
variabel endogen (terikat) secara bersama-
sama dalam suatu model. Masing-masing
masing variabel selain diterangkan oleh
nilainya di massa lampau juga dipengaruhi
oleh nilai masa lalu dari semua variabel
endogen lainnya dalam model yang diamati.
Menurut Tsay (2002), suatu data deret
waktu multivariat X𝑡 merupakan suatu proses
E-Jurnal Matematika Vol. 3, No.1 Januari 2014, 17-24 ISSN: 2303-1751
19
VAR orde satu atau VAR(1), jika mengikuti
model:
X𝑡 = δ + θX𝑡−1 + 𝑢𝑡 (3)
dengan δ merupakan suatu vektor dimensi k, θ
merupakan matriks 𝑘 × 𝑘, dan 𝑢𝑡 merupakan
vektor acak yang tidak saling berkorelasi,
rataannya nol dan kovarians berupa matriks
dilambangkan Σ. Misal 𝑥1𝑡 dan 𝑥2𝑡 dimasukkan
ke dalam persamaan VAR orde satu, maka
persamaan VAR dapat dinyatakan sebagai:
𝑥1𝑡 = 𝛿11+𝜃11𝑥1𝑡−1 + 𝜃12𝑥2𝑡−1 + 𝑢1𝑡,
𝑥2𝑡 = 𝛿21 + 𝜃 21𝑥1𝑡−1 + 𝜃22𝑥2𝑡−1 + 𝑢2𝑡. (4)
Asumsi yang harus dipenuhi dalam analisis
VAR adalah semua variabel terikat bersifat
stasioner, semua residual bersifat white noise,
yaitu memiliki rataan nol, varians konstan dan
tidak terdapat korelasi di antara variabel terikat.
Kestasioneran Data
Data yang stasioner merupakan data yang
berada dalam kesetimbangan di sekitar nilai
yang konstan dan varians di sekitar rataan
tersebut tetap konstan selama periode waktu
tertentu (Mankiw, 2007).
Pola data deret waktu dapat dilihat dari plot
atau grafik data tersebut dan untuk mengetahui
apakah data deret waktu stasioner atau tidak,
maka dapat dilihat dari korelogram. Data deret
waktu dikatakan tidak stasioner apabila plot
autokorelasi berada di luar garis Bartlet (garis
putus-putus), nilai koefisien autokorelasi pada
lag satu cukup besar, dan turun secara perlahan [3], serta nilai probabilitas yang mendekati nol
atau lebih kecil dari 5% (Winarno, 2007).
Lag Optimal
Sebelum melakukan analisis VAR perlu
dilakukan pemeriksaan lag yang optimal
terlebih dahulu. Pemeriksaan lag digunakan
untuk menentukan panjang lag optimal yang
akan digunakan dalam estimasi hubungan
kausalitas dan akan menentukan estimasi
parameter untuk model VAR. Estimasi
hubungan kausalitas dan model VAR sangat
peka terhadap panjang lag, sehingga perlu
untuk menentukan ketepatan panjang lag yang
optimal (Widarjono, 2007). Untuk
menentukan panjang lag optimal pada model
VAR dapat menggunakan Akaike
Information Criteria (AIC). Perhitungan
untuk AIC adalah :
𝐴𝐼𝐶 = 𝑙𝑛 (𝑅𝑆𝑆
𝑛) +
2𝑘
𝑛 (5)
dengan 𝑅𝑆𝑆 adalah banyak residual kuadrat
(residual sum of squares), 𝑘 adalah banyak
parameter yang diestimasi dan 𝑛 adalah banyak
observasi.Lag optimal ada pada nilai terkecil
yang didapat dari perhitungan AIC (Widarjono,
2007).
Kausalitas Granger
Salah satu analisis yang berkaitan
dengan model VAR adalah mencari
hubungan sebab akibat atau uj i
kausali tas antarvar iabel endogen
(dependent/terikat) di dalam model
VAR.Hubungan sebab akibat ini bisa diuji
menggunakan uji kausalitas Granger
(Widarjono, 2007).
Menurut Rosadi (2012), untuk
menjelaskan konsep kausalitas Granger
berikut digunakan kasus dua variabel
runtun waktu yang stasioner misal X dan Y
dapat dinyatakan dengan persamaan
restricted sebagai berikut:
𝑌𝑡 = 𝛼 + 𝜙1𝑌𝑡−1 + 𝛽1𝑋𝑡−1 + 휀𝑡 (6)
dengan 𝑌𝑡 adalah nilai variabel 𝑌 pada saat
periode waktu ke 𝑡, 𝑌𝑡−1adalah nilai
variabel 𝑌 pada saat periode waktu𝑡 − 1,α
adalah intersep, 𝜙1 koefisien dari lag ke-1
variabel 𝑌, 𝑋𝑡−1adalah nilai variabel 𝑋 pada
saat periode waktu 𝑡 − 1, 𝛽1 adalah koefisien
dari lag ke-1 variabel 𝑋, dan 휀𝑡 galat pada
saat 𝑡
Persamaan (6) dapat digeneralisasikan
menjadi persamaan yang lebih umum yaitu
persamaan unrestricted sebagai berikut:
Vian Riska Ayuning Tyas, Komang Dharmawan, Made Asih Penerapan Model Arbitrage Pricing Theory
20
𝑌𝑡 = 𝛼 + 𝛿𝑡 + 𝜙1𝑌𝑡−1 + ⋯ + 𝜙𝑝𝑌𝑝−1 +
𝛽1𝑋𝑡−1 + ⋯ + 𝛽𝑞𝑋𝑞−1 + ⋯ + 휀𝑡(7)
dengan 𝑌𝑡 adalah nilai variabel 𝑌 pada saat
periode waktu ke 𝑡, α adalah
intersep,𝑌𝑡−1adalah nilai variabel 𝑌 pada saat
periode waktu 𝑡 − 1, 𝜙1 koefisien dari lag ke-
1 variabel 𝑌, 𝜙𝑝 adalah koefisien dari lag ke 𝑝
variabel 𝑌, 𝑌𝑝−1 adalah nilai variabel 𝑌 pada
saat 𝑝 − 1, 𝑋𝑡−1adalah nilai variabel 𝑋 pada
saat periode waktu 𝑡 − 1, 𝛽1 adalah koefisien
dari lag ke-1 variabel 𝑋, 𝛽𝑞 adalah koefisisen,
dari lag ke-𝑞 variabel 𝑋, 𝑋𝑞−1adalah nilai
variabel 𝑋 pada saat 𝑞 − 1, dan 휀𝑡 adalah galat
pada saat 𝑡.
Persamaan (7) dapat dinyatakan
𝑋Granger cause𝑌 jika terdapat setidaknya
satu 𝛽𝑖, i=1,2,…,q yang signifikan. Estimasi
model dapat dilakukan dengan metode metode
Ordinary Least Square (OLS) dan uji
signifikansi koefisien regresi dilakukan
dengan uji statistik F.
Koefisien 𝛽1dalam persamaan (7)
mengukur besarnya pengaruh 𝑋𝑡−1 terhadap
𝑌𝑡. Dengan demikian jika nilai 𝛽1 = 0 maka 𝑋
tidak granger cause 𝑌. Pengujian kausalitas
Granger untuk persamaan (7) dapat dilakukan
dengan uji signifikansi parameter dengan
menggunakan metode Ordinary Least Square
(OLS) dan uji signifikansi menggunakan
metode standar yaitu uji F. Uji F dapat
dihitung dengan menggunakan persamaan
sebagai berikut:
𝐹 = (𝑛 − 𝑘)𝑅𝑆𝑆𝑅−𝑅𝑆𝑆𝑈𝑅
𝑚(𝑅𝑆𝑆𝑈𝑅) (8)
dengan 𝑅𝑆𝑆𝑅 adalah nilai jumlah kuadrat
residual dalam persamaan restricted,𝑅𝑆𝑆𝑈𝑅
adalah nilai jumlah kuadrat residual dalam
persamaan unrestricted,𝑛 adalah banyak
observasi, 𝑚 adalah banyak lag, dan 𝑘 adalah
banyak parameter yang diestimasi di dalam
persamaan unrestricted.
Uji Diagnostik Portmanteau
Uji diagnostik dilakukan untuk memenuhi
asumsi white noise. Dalam penelitian ini, uji
diagnostik yang digunakan adalah Uji. Uji ini
pertama kali diperkenalkan oleh Box dan Pierce
pada tahun 1970. Uji Portmanteau
menghasilkan statistik Q yang mengikuti
sebaran chi square dengan persamaan sebagai
berikut:
𝑄 = 𝑛 ∑ (𝑟𝑘)2𝑚
𝑘=1(9)
dengan Q adalah Statistik Q, 𝑛 adalah
banyaknya peubah yang digunakan, 𝑘 =
1, … , 𝑚 adalah beda kala (lag), dan 𝑟𝑘 adalah
residual autokorelasi. Sedangkan hipotesis yang
akan diuji adalah sebagai berikut:
𝐻0= tidak ada autokorelasi sisaan sampai lag
ke-𝑚
𝐻1= terdapat autokorelasi sisaan sampai lag ke-
𝑚
jika nilai probabilitas dari statistik Q lebih besar
dari 0.1 maka terima 𝐻0 yang berarti tidak
terdapat autokorelasi yang signifikan hingga lag
yang ditentukan.
3. Metode Penelitian
Data yang digunakan pada penelitian ini
adalah data sekunder berupa data variabel-
variabel ekonomi seperti tingkat inflasi, tingkat
suku bunga SBI, nilai tukar mata uang Rupiah
terhadap Dollar Amerika dan jumlah uang yang
beredar di Indonesia, berupa data bulanan dari
tahun (2010-2013) yang dapat diperoleh pada
situs www.bi.go.id. Data sepuluh indeks harga
saham perusahaan-perusahaan yang tergabung
dalam bursa saham Kompas100 diperoleh dari
situs www.yahoo.finance.com berupa data
bulanan dari tahun (2010-2013).
Langkah-langkah analisis dalam penelitian
ini meliputi:
1. Pemilihan sepuluh saham yang tergabung
dalam Kompas100 menggunakan kriteria
sebagai berikut:
a. Saham yang selalu tergabung dalam
bursa saham Kompas100 selama
periode tahun 2010 hingga tahun 2013.
b. Saham yang memiliki volume
perdagangan tinggi selama periode
E-Jurnal Matematika Vol. 3, No.1 Januari 2014, 17-24 ISSN: 2303-1751
21
penelitian yang dihitung berdasarkan
rata-rata volume perdagangan dengan
rumus sebagai berikut:
�̅� =∑ 𝑥𝑖
𝑛𝑖=1
𝑛 (10)
dengan �̅� adalah rata-rata hitung, 𝑛 adalah
jumlah data, dan 𝑥𝑖 adalah nilai data ke-𝑖.
2. Langkah awal dalam menentukan expected
return suatu saham adalah menghitung
return saham dan return variabel
makroekonomi (return faktor) terlebih
dahulu. Perhitungan return masing-masing
saham menggunakan persamaan sebagai
berikut:
𝑅𝑖,𝑡 =𝑃𝑖,𝑡 − 𝑃𝑖,𝑡−1
𝑃𝑖,𝑡−1. (11)
3. Arbitrage Pricing Theory menyatakan
return saham berhubungan linier dengan n
faktor (variable-variabel makroekonomi)
sehingga perlu menghitungreturn faktor
makroekonomi.
4. Uji Stasioneritas
5. Uji lag optimal dengan memilih nilai AIC
yang terkecil
6. Uji kausalitas Granger
7. Menentukan model VAR
8. Uji Diagnostik Portmanteau
9. Estimasi dengan Model VAR
10. Menyusun Persamaan APT
11. Menghitung expected return saham
4. Hasil dan Pembahasan
Penelitian ini menggunakan sepuluh saham
pada Kompas100 sebagai sampel, Dalam
menentukan sepuluh saham tersebut digunakan
dua kriteria. Kriteria yang pertama adalah
saham yang selalu tergabung pada Kompas100
dalam periode penelitian yaitu 2010-2013
sehingga ada sembilan kali evaluasi yang
terjadi. Pada periode penelitian tersebut terdapat
46 saham yang selalu bertahan dalam
Kompas100. Selanjutnya untuk memperoleh
kriteria yang kedua, saham-saham tersebut
diperingkat berdasarkan rata-rata volume
perdagangan saham dan dipilih sepuluh saham
dengan rata-rata volume perdagangan paling
tinggi. Perhitungan rata-rata volume
perdagangan saham dihitung menggunakan
persamaan (10).
Sepuluh saham tersebut adalah
Telekomunikasi Idonesia (TLKM), Sentul City
(BKSL), Kalbe Farma (KLBF), Alam Sutera
Realty (ASRI), Jasa Marga (JSMR), Lippo
Karawaci (LPKR), Bhakti Investama (BHIT),
Kawasan Industri Jababeka (KIJA), Bakrie
Sumatra Planstations (UNSP), dan Adaro
Energi (ADRO). Selanjutnya dihitung masing-
masing return dari kesepuluh saham tersebut.
Rata-rata return sepuluh saham tersebut dapat
dilihat pada tabel berikut:
Tabel 1. Daftar Sepuluh Saham Kompas100
Periode 2010-2013
No Kode Saham Rata-Rata
1 TLKM -0,01794
2 BKSL 0,05336
3 KLBF 0,05707
4 ASRI 0,03872
5 JSMR 0,03051
6 LPKR 0,03084
7 BHIT 0,02111
8 KIJA 0,02819
9 UNSP 0,00765
10 ADRO -0,04742
Variabel-variabel makroekonomi dalam
penelitian ini merupakan faktor-faktor yang
dianggap memengaruhi return saham
Kompas100. Tingkat pengembalian variabel-
variabel makroekonomi yang digunakan untuk
mengestimasi return saham disebut juga return
faktor dalam APT. Oleh karena itu setelah
menghitung return saham langkah selanjutnya
adalah menghitung return faktor. Rata-rata
return faktor dapat dilihat pada Tabel 2:
Vian Riska Ayuning Tyas, Komang Dharmawan, Made Asih Penerapan Model Arbitrage Pricing Theory
22
Tabel 2. Rata-Rata Return Faktor
Uji Stasioneritas
Uji kestasioneran data dilakukan terlebih
dahulu sebelum melakukan analisis VAR untuk
menghindari hasil regresi palsu dan melihat
kestasioneran data. Untuk menguji
kestasioneran data dalam penelitian ini
menggunakan korelogram. Berdasarkan plot
series dan korelogram dipereroleh hasil uji
stasioner sepuluh return saham dan return
faktor makroekonomi mempunyai data yang
sudah stasioner.
Uji lag Optimal
Setelah melakukan uji stasioneritas
selanjutnya dilakukan uji lag optimal untuk
menentukan panjang lag optimal yang akan
digunakan dalam analisis VAR. Dalam memilih
jumlah lag optimal, model VAR diestimasi
dengan jumlah lag yang berbeda-beda kemudian
dibandingkan nilai AICnya. Nilai AIC yang
paling rendah dipilih sebagai lag optimal. Dari
uji lag optimal diperoleh hasil dari bahwa
seluruh saham optimal pada lag ke 6.
Uji Kausalitas Granger
Uji kausalitas Granger digunakan untuk
melihat ada atau tidaknya hubungan antara
variabel-variabel makroekonomi (return faktor)
dengan return saham. Untuk melihat ada atau
tidaknya hubungan antar variabel dapat dilihat
dari nilai probabilitasnyajika nilai probabilitas
<𝛼 maka dapat dinyatakan terdapat hubungan
kausalitas. Untuk melihat signifikansi antar
variabel dapat dilihat dari nilai F hitungnya
dengan cara membandingkan nilai F hitung
dengan nilai F tabel jika F hitung > F tabel
maka dapat dinyatakan hubungan kausalitasnya
memiliki pengaruh yang signifikan.
Berdasarkan uji kausalitas Granger
diperoleh hanya ada satu saham yang memiliki
hubungan kausalitas dengan lebih dari satu
variabel makro ekonomi yaitu LPKR
dipengaruhi oleh inflasi dan kurs sedangkan
Sembilan saham lainnya tidak mempunyai
hubungan kausalitas yang diharapkan. Hasil uji
kausalitas granger pada saham LPKR dapat
dilihat pada Tabel berikut:
Tabel 3. Hasil Uji Kausalitas Granger
No Variabel 1 Variabel 2 F hitung Prob.
1 Inflasi LPKR 2.52317 0.04890
2 LPKR Inflasi 0.78472 0.59040
3 Kurs LPKR 2.70348 0.03770
4 LPKR Kurs 0.76820 0.60220
Tabel 3 menjelaskan bagaimana pengaruh
variabel 1 terhadap variabel 2 dengan melihat
nilai probabilitas dan F hitungnya. Uji
Kausalitas Granger dalam penelitian ini
menggunakan nilai 𝛼 yaitu 10% (0,1). Dari
Tabel 3 terlihat bahwa uji kausalitas Granger
inflasi terhadap LPKR memiliki nilai
probabilitas yang lebih kecil dari nilai 𝛼 yaitu
0,0489 < 0,1dan F hitungnya lebih besar dari F
tabelnya yaitu 2,52317 > 2,09. Sedangkan
LPKR terhadap inflasi memiliki nilai
probabilitas yang lebih besar dari nilai 𝛼 yaitu
0,5904 < 0,1 dan F hitungnya lebih kecil dari F
tabel yaitu 0,78472 < 2,09. Hal ini berarti
terdapat pengaruh inflasi terhadap LPKR secara
signifikan namun tidak terdapat pengaruh dari
LPKR terhadap inflasi.Dengan interpretasi yang
sama untuk Kurs terhadap LPKR dapat
dinyatakan memiliki pengaruh yang signifikan
sedangkan untuk LPKR terhadap kurs tidak
memiliki pengaruh. Oleh karena itu dalam
model VAR pada saham LPKR hanya
menggunakan dua variabel makroekonomi yaitu
Inflasi dan kurs.
Uji Diagnostik Portmanteau
Uji Portmanteau menghasilkan statistik Q
yang dihitung menggunakan persamaan (8).
Model VAR dikatakan whitenoise apabila nilai
N
o Return Faktor
Rata-
Rata
1 Inflasi -0,11589
2 Nilai Tukar Mata Uang (Kurs) 0,00260
3 Jumlah Uang Beredar (JUB) 0,01318
4
Suku Bunga Bank Indonesia
(SBI) 0,00022
E-Jurnal Matematika Vol. 3, No.1 Januari 2014, 17-24 ISSN: 2303-1751
23
statistik-Q >𝛼 (0,1). Berikut adalah hasil uji
Portmanteau dengan bantuan software EViews:
Tabel 4. Hasil Uji Portmanteau
Lag Q-Statistik Probabilitas
1 1.983256 NA*
2 8.556336 NA*
3 11.68300 NA*
4 19.52359 NA*
5 26.62544 NA*
6 30.51175 NA*
7 41.11649 0.1034
8 45.03679 0.1435
9 52.84074 0.2136
10 58.31440 0.2737
11 62.92333 0.2859
12 69.72689 0.2576
Dari Tabel 4 diketahui nilai probabilitas
statistik Q > 0,1 yang berarti tidak terdapat
residual serial dalam model dan dapat
dinyatakan memenuhi asumsi white noise.
Model VAR
Model VAR untuk saham LPKR adalah
sebagai berikut:
𝐼𝑛𝑓𝑙𝑎𝑠𝑖𝑡 = 0,909899 + 4,184681𝐿𝑃𝐾𝑅𝑡−1
−0,921363𝐿𝑃𝐾𝑅𝑡−2 + 9,418961𝐿𝑃𝐾𝑅𝑡−3
−16,60064𝐿𝑃𝐾𝑅𝑡−4 + 3,063556𝐿𝑃𝐾𝑅𝑡−5
−16,57074𝐿𝑃𝐾𝑅𝑡−6 + 0,05024𝐼𝑛𝑓𝑙𝑎𝑠𝑖𝑡−1
+0,268486𝐼𝑛𝑙𝑓𝑙𝑎𝑠𝑖𝑡−2 − 0,324887𝐼𝑛𝑓𝑙𝑎𝑠𝑖𝑡−3
+0,479514𝐼𝑛𝑓𝑙𝑎𝑠𝑖𝑡−4 + 0,026263𝐼𝑛𝑓𝑙𝑎𝑠𝑖𝑡−5
−0,299301𝐼𝑛𝑓𝑙𝑎𝑠𝑖𝑡−6 + 37,141926𝐾𝑢𝑟𝑠𝑡−1
−49,38605𝐾𝑢𝑟𝑠𝑡−2 + 19,24208𝐾𝑢𝑟𝑠𝑡−3
−17,15496𝐾𝑢𝑟𝑠𝑡−4 + 4,864203𝐾𝑢𝑟𝑠𝑡−5
−126,8621𝐾𝑢𝑟𝑠𝑡−6.
𝐾𝑢𝑟𝑠𝑡 = 0,011681 − 0,029351𝐿𝑃𝐾𝑅𝑡−1
−0,163144𝐿𝑃𝐾𝑅𝑡−2 + 0,087379𝐿𝑃𝐾𝑅𝑡−3
−0,092865𝐿𝑃𝐾𝑅𝑡−4 + 0,079866𝐿𝑃𝐾𝑅𝑡−5
−0,041122𝐿𝑃𝐾𝑅𝑡−6 − 0,000586𝐼𝑛𝑓𝑙𝑎𝑠𝑖𝑡−1
+0,003931𝐼𝑛𝑙𝑓𝑙𝑎𝑠𝑖𝑡−2 − 0,004533𝐼𝑛𝑓𝑙𝑎𝑠𝑖𝑡−3
−0,002567𝐼𝑛𝑓𝑙𝑎𝑠𝑖𝑡−4 + 0,000409𝐼𝑛𝑓𝑙𝑎𝑠𝑖𝑡−5
+0,005377𝐼𝑛𝑓𝑙𝑎𝑠𝑖𝑡−6 + 0,218732𝐾𝑢𝑟𝑠𝑡−1
−0,35049𝐾𝑢𝑟𝑠𝑡−2 + 0,105329𝐾𝑢𝑟𝑠𝑡−3
−0,331320𝐾𝑢𝑟𝑠𝑡−4 + 0,037904𝐾𝑢𝑟𝑠𝑡−5
−0,306231𝐾𝑢𝑟𝑠𝑡−6.
Model VAR yang telah diperoleh dari
langkah sebelumnya selanjutnya dilakukan
estimasi untuk masing-masing variabel.
Estimasi dari masing-masing variabel diperoleh
dengan bantuan software EViews. Selanjutnya
rata-rata expected return masing-masing
variabel dapat dilihat pada tabel berikut :
Tabel 5. Expected Return Variabel
Persamaan APT
Expected return saham dalam penelitian
ini mengunakan model APT. Dari langkah-
langkah sebelumnya dapat disusun persamaan
APT sebagai berikut:
E(R𝐿𝑃𝐾𝑅) = 0.0338 × 𝑅𝐹
+0.00165[(𝐸(𝑅𝐼𝑛𝑓𝑙𝑎𝑠𝑖)) − 𝑅𝐹]
−0.278[(𝐸(𝑅𝐾𝑢𝑟𝑠)) − 𝑅𝐹].
Dari persamaan APT yang diperoleh kemudian
dilakukan perhitungan Expected return saham
LPKR sebesar 0,03340 atau 3,340%.. Expected
return saham LPKR lebih tinggi dari actual
returnnya yaitu 0,02819 hal ini berarti return
saham LPKR diperkirakan akan naik.
5. Kesimpulan
Berdasarkan uraian pada bab hasil dan
pembahasan, maka diperoleh beberapa
simpulan, yaitu:
1. Berdasarkan analisis Vector Autoregression
(VAR) pada sepuluh saham Kompas100
hanya saham LPKR yang dipengaruhi oleh
lebih dari satu variabel makroekonomi
dalam penelitian ini. Saham LPKR
dipengaruhi secara signifikan oleh inflasi
dan kurs.
2. Berdasarkan model Arbitrage Pricing
Theory (APT) diperoleh model untuk
saham LPKR sebagai berikut:
No Expected Return Variabel
Rata-
Rata
1 Inflasi -0,03171
2
Nilai Tukar Mata Uang
(Kurs) 0,00246
Vian Riska Ayuning Tyas, Komang Dharmawan, Made Asih Penerapan Model Arbitrage Pricing Theory
24
E(R𝐿𝑃𝐾𝑅) = 0.0338 × 𝑅𝐹
+0.00165[(𝐸(𝑅𝐼𝑛𝑓𝑙𝑎𝑠𝑖)) − 𝑅𝐹]
−0.278[(𝐸(𝑅𝐾𝑢𝑟𝑠)) − 𝑅𝐹].
Expected return saham LPKR lebih tinggi dari
actual returnnya. Hal ini menunjukkan bahwa
estimasi return saham dengan model APT pada
saham LPKR akan mengalami kenaikan.
Daftar Pustaka
Box, G.E.P., dan Pierce D.A. 1970.
“Distribution of residual autocorrelations
in autoregressive-integrated moving
average time series models”.J Amer Statist
Assoc, Vol 65:1509-25.
Fabozzi, F.J. 1999. Manajemen Investasi.
Salemba Empat. Jakarta.
Gujarati, D. 2003. Basic Ekonometrics. Mc
Graw-Hill, New York.
Makridakis, S., S.C Wheelwright. Dan V.E,
McGee. 1999. Metode dan Aplikasi
Peramalan. Erlangga. Jakarta.
Mankiw, N.G. 2007. Makroekonomi. Erlangga.
Jakarta.
Rosadi, D. 2012. Ekonometrika dan Analisis
Runtun Waktu Terapan. ANDI.
Yogyakarta.
Sukirno, S. 2007. Pengantar Teori
Makroekonomi. Kencana. Jakarta.
Tsay, R.S. 2002. Analysis Financial Time
Series. John Willey and Sons Inc. United
States of America.
Widarjono, A. 2007. Ekonometrika Teori dan
Aplikasinya untuk Ekonomi dan Bisnis.
Ekorisia. Yogyakarta.
Winarno, W.W. 2007. Analisis Ekonometrika
dan Statistika dengan EViews. Unit
Penerbit dan Percetakan AMP YKPN,
Yogyakarta.
E-Jurnal Matematika Vol. 3, No.1 Januari 2014, 25-32 ISSN: 2303-1751
1 Mahasiswa Jurusan Matematika FMIPA Universitas Udayana 2 Staf Pengajar Jurusan Matematika FMIPA Universitas Udayana 25
PEMILIHAN KRITERIA DALAM PEMBUATAN KARTU KREDIT
DENGAN MENGGUNAKAN METODE FUZZY AHP
JOKO HADI APRIANTO1, G. K. GANDHIADI2, DESAK PUTU EKA NILAKUSMAWATI3
1,2,3Jurusan Matematika FMIPA Universitas Udayana, Bukit Jimbaran-Bali
e-mail: [email protected],[email protected],
Abstract
The rise of credit card users, make banks compete to provide a wide range of offers to attract
customers. This study aims to determine the priority criteria selected customers for establishment
credit cards by using a fuzzy AHP method. Method fuzzy AHP is a combination of the AHP method
and fuzzy method. Fuzzy AHP approach particularly triangular fuzzy number approach to the AHP
scale should be able to minimize uncertainty for the results obtained are more accurate. The criteria
used for this study is the interest rate , the promo/discount, limit, and annual dues. Based on the
steps of calculation of data obtained fuzzy AHP respondents have value CR = 0.049, which means
consistent because it meets the standards set CR < 0.10 and that became the order of priority are
limit, promo/discount, interest rate, and continued with weights of priorities are 0408, 0.28, 0.16,
and 0.152.
Keywords: AHP, Fuzzy Analytic Hierarchy Process (FAHP), Criteria of Credit Card, Consistensy
Ratio , Weight Priority
1. Pendahuluan
Mengikuti perkembangan zaman saat ini,
aspek finansial yang berkembang pesat dalam
satu sisi kehidupan masyarakat adalah
maraknya penggunaan kartu kredit. Kartu
kredit merupakan alat pembayaran pengganti
uang tunai dan dapat digunakan di tempat-
tempat yang bersedia menerima pembayaran
menggunakan kartu kredit yang dimiliki oleh
orang tersebut (Suyatno, T., dkk. 1997).
Pada penelitian ini akan dipelajari prioritas
kriteria nasabah dalam pembuatan kartu kredit
di suatu bank. Metode yang digunakan untuk
menentukan prioritas tersebut adalah Fuzzy
Analytic Hierarchy Process (FAHP). Fuzzy
Analytic Hierarchy Process (FAHP)
merupakan salah satu metode yang dipakai
untuk mendukung keputusan. Metode ini
merupakan gabungan dari metode Analytic
Hierarchy Process (AHP) dan pendekatan
fuzzy khususnya pendekatan triangular fuzzy
number.
Logika fuzzy merupakan sebuah logika
yang memiliki nilai kekaburan atau kesamaran
(Fuzzyness) antara dua nilai. Pendekatan fuzzy
khususnya pendekatan triangular fuzzy
number terhadap skala AHP diharapkan
mampu untuk meminimalisasi ketidakpastian
sehingga diharapkan hasil yang diperoleh lebih
akurat (Kusumadewi dan Purnomo, 2010).
Berdasarkan latar belakang masalah, maka
yang menjadi rumusan permasalahan dalam
penelitian ini adalah bagaimana membangun
sistem pengambilan keputusan pemilihan
kriteria dalam pembuatan kartu kredit dengan
menggunakan metode Fuzzy Analitical
Hierarchy Process (FAHP) sebagai alat bantu
dalam mengambil keputusan untuk
menentukan prioritas kriteria yang akan
dipilih.
Joko Hadi,A., G.K.Gandhiadi, D.P.E. Nilakusumawati Pemilihan Kriteria dalam Pembuatan Kartu kredit dengan
Menggunakan Metode Fuzzy AHP
26
Tujuan dari penelitian ini adalah untuk
membangun sistem pengambilan keputusan
sebagai alat bantu dalam mengambil
keputusan untuk menentukan urutan prioritas
kriteria yang akan dipilih nasabah dalam
pembuatan kartu kredit dan menerapakan
metode FAHP dalam sistem pengambilan
keputusan studi kasus pemilihan kriteria dalam
pembuatan kartu kredit.
Dalam penelitian ini, untuk menghindari
terlalu luasnya masalah, maka batasan kriteria-
kriteria yang dipakai dalam pembuatan kartu
kredit adalah suku bunga, promo/diskon, limit,
dan iuran tahunan. Sistem pendukung
keputusan yang dirancang yaitu menggunakan
metode fuzzy AHP.
Penelitian ini diharapkan dapat
memberikan manfaat sebagai bahan masukan
atau informasi bagi bank penerbit kartu kredit
tentang kriteria prioritas nasabah dalam
pembuatan kartu kredit. Hasil penelitian ini
juga bermanfaat sebagai acuan pengambilan
keputusan dalam meningkatkan kuantitas
nasabah pengguna kartu kredit.
2. Ulasan Pustaka
2.1 Analytical Hierarchy Process (AHP)
AHP merupakan suatu metode
pengambilan keputusan dan suatu teori
pengukuran yang digunakan untuk
mengukur skala rasio, baik dari
perbandingan-perbandingan berpasangan
diskrit maupun kontinu (Saaty, 1987 ).
Tahapan-tahapan proses dalam metode
AHP (Apriyanto, 2008) adalah:
a) Mendefinisikan masalah dan tujuan yang
diinginkan.
b) Membuat struktur hirarki yang diawali
dengan tujuan, kriteria-kriteria dan
alternatif-alternatif pilihan.
c) Membentuk matriks perbandingan
berpasangan terhadap masing-masing
kriteria untuk analisis numerik.Nilai
numerik yang diberikan untuk seluruh
perbandingan diperoleh dari skala 1
sampai 9 yang telah ditetapkan, seperti
tampak pada Tabel 1.
Tabel 1. Skala Penilaian Perbandingan
Berpasangan
Tingkat
Kepentingan Definisi
1 Sama penting
3 Sedikit lebih penting
5 Lebih penting
7 Sangat penting
9 Mutlak lebih penting
2,4,6,8 Nilai diantara dua pilihan yang
berdekatan
Resiprokal Kebalikan
Sumber: Saaty, T. L. and L. G. Vargas (2012)
d) Menguji konsistensi hirarki. Jika nilai
konsistensi rasio yang dihasilkan tidak
memenuhi standar yang ditetapkan yaitu
Consistency Ratio (CR) < 0,1 maka
penilaian harus diulang kembali.
2.2 Eigen value dan Eigen vector
Jika matriksA berukuran n x n , dapat
didiagonalkan dan 𝜆1, 𝜆2, . . . , 𝜆𝑛 merupakan
nilai eigen dari A yang memenuhi hubungan
|𝜆1| > |𝜆2| ≥ ⋯ |𝜆𝑛| > 0
Karena matriksA dapat didiagonalkan,
vektor eigen�̅�1, … , �̅�𝑛 masing-masing
berkaitan dengan eigen 𝜆1, 𝜆2, . . . , 𝜆𝑛 dan
membentuk basis di Rn. sehingga sebarang
vektor �̅�0 di Rn dapat dituliskan sebagai
(Budhi, 1995):
�̅�0 = 𝑠1�̅�1 + 𝑠2�̅�2 + …+ 𝑠𝑛�̅�𝑛(1)
Jika persamaan (1) dikalikan denganA,
diperoleh
𝐴�̅�0 = 𝐴(𝑠1�̅�1 + 𝑠2�̅�2 + …+ 𝑠𝑛�̅�𝑛 )
= 𝑠1𝐴�̅�1 + 𝑠2𝐴�̅�2 + …+ 𝑠𝑛𝐴�̅�𝑛= 𝑠1𝜆1�̅�1+ 𝑠2𝜆2�̅�2 + …
+ 𝑠𝑛𝜆𝑛�̅�𝑛
Dari hasil 𝐴�̅�0 untuk memperoleh 𝐴𝑘�̅�0
maka dilakukan perkalian dari hasil terakhir
E-Jurnal Matematika Vol. 3, No.1 Januari 2014, 25-32 ISSN: 2303-1751
27
dengan A, hal ini dilakukan berulang-ulang
sampai dengan k kali.
𝐴𝑘�̅�0 = 𝑠1𝜆1𝑘�̅�1 + 𝑠2𝜆2
𝑘�̅�2 + …+ 𝑠𝑛𝜆𝑛𝑘 �̅�𝑛
= 𝜆1𝑘(𝑠1�̅�1 + 𝑠2 (
𝜆2𝜆1)𝑘
�̅�2 + …+ 𝑠𝑛 (𝜆𝑛𝜆1)𝑘
�̅�𝑛)
(2)
Jika k makin besar, nilai (𝜆𝑖𝜆1)𝑘akan makin
kecil untuk i = 2, . . . ,n, karena |𝜆𝑖
𝜆1| < 1.
Oleh karena itu, untuk k yang cukup besar
pada persamaan (2) kurang lebih akan menjadi
𝐴𝑘�̅�0 ≈ 𝑠1𝜆1𝑘�̅�1 (3)
Persamaan (3) merupakan hampiran dari
kelipatan vektor eigen �̅�1 tersebut, yaitu vektor
𝐴𝑘�̅�0. Vektor 𝐴𝑘�̅�0 merupakan hampiran
vektor eigen yang berkaitan dengan nilai eigen
terbesar �̅�1. Makin besar nilai k makin baik
pula hampiran 𝐴𝑘�̅�0 terhadap sebuah vektor
eigen dari A.
Setelah diperoleh vektor eigen�̅�1 atau
kelipatannya, nilai eigen yang berkaitan dapat
dihitung sebagai berikut. Karena 𝐴�̅�1 = 𝜆1�̅�1,
maka
𝐴�̅�1�̅�1 = 𝜆1�̅�1�̅�1
atau
𝜆1 =𝐴�̅�1�̅�1�̅�1�̅�1
Rumus nilai eigen ini disebut rumus
pembagian Rayleigh (Budhi, 1995).
2.3 Uji Konsistensi dan Indeks Rasio dan
FAHP
Dengan metode AHP yang memakai
persepsi pembuat keputusan sebagai inputnya
maka ketidakkonsistenan mungkin terjadi
karena manusia memiliki keterbatasan dalam
menyatakan persepsinya. Berdasarkan kondisi
ini, untuk menunjukkan matriks berordo n
konsisten dapat diperoleh melalui langkah-
langkah berikut ini (Saaty, T, L, and L, G.
Vargas, 2012):
1. Menentukan nilai vektor eigen dan 𝜆𝑚𝑎𝑥
2. Menentukan nilai Consistency Index yang
dapat diperoleh dengan persamaan:
CI = (𝝀𝒎𝒂𝒙–𝒏)
(𝒏−𝟏)
dengan,
CI =Rasio penyimpangan (deviasi)
konsistensi (consistency index)
𝝀𝒎𝒂𝒙= Nilai eigen terbesar dari matriks
berordo n
N = Ordo matriks
Apabila CI bernilai nol, maka pair-wise
comparison matrix tersebut konsisten. Batas
ketidakkonsistenan (inconsistency) yang telah
ditetapkan oleh Saaty (1987) ditentukan
dengan menggunakan Rasio Konsistensi
(CR), yaitu perbandingan indeks konsistensi
(CI) dengan nilai random indeks (RI) yang
diperlihatkan pada Tabel 2. Nilai ini
bergantung pada ordo matriks n. Dengan
demikian, Rasio Konsistensi dapat dirumuskan
sebagai berikut:
CR = 𝑪𝑰
𝑹𝑰
CR = Consistency Ratio
RI = RandomIndex
Tabel 2. Nilai Random Indeks (RI)
N 1 2 3 4 5 6 7 8 9 10
R
I
0.
00
0.
00
0.
52
0.
89
1.
11
1.
25
1.
35
1.
40
1.
45
1.
49
Sumber: Saaty, T. L. and L. G. Vargas (2012)
Bila matriks pair–wise comparison
mempunyai nilai CR <0,100 maka
ketidakkonsistenan pendapat dari pengambil
keputusan masih dapat diterima dan apabila
tidak demikian maka penilaian harus diulang.
Jika hasil memenuhi CR < 0,100 maka
dilakukan pengubahan bobot penilaian
perbandingan berpasangan pada skala AHP
ke dalam bilangan triangular fuzzy (Chang,
D.Y., 1992).
Joko Hadi,A., G.K.Gandhiadi, D.P.E. Nilakusumawati Pemilihan Kriteria dalam Pembuatan Kartu kredit dengan
Menggunakan Metode Fuzzy AHP
28
Tabel 3. Fungsi Keanggotaan Bilangan Fuzzy
Skala Fuzzy Invers Skala
Fuzzy Definisi
1 dengan nilai
TF (1, 1, 1) (1, 1, 1) Sama penting
2 dengan nilai
TF (1/2, 1, 3/2) (2/3, 1, 2) Pertengahan
3 dengan nilai
TF (1, 3/2, 2) (1/2, 2/3, 1)
Sedikit lebih
penting
4 dengan nilai
TF (3/2, 2, 5/2) (2/5, 1/2, 2/3) Pertengahan
5 dengan nilai
TF (2, 5/2, 3) (1/3, 2/5, 1/2) Lebih penting
6 dengan nilai
TF (5/2, 3, 7/2) (2/7, 1/3, 2/5) Pertengahan
7 dengan nilai
TF (3, 7/2, 4) (1/4, 2/7, 1/3) Sangat penting
8 dengan nilai
TF (7/2, 4, 9/2) (2/9, 1/4, 2/7) Pertengahan
9 dengan nilai
TF (4, 9/2, 9/2) (2/9 2/9, 1/4)
Mutlak lebih
penting
Sumber: Chang, D.Y. (1992)
Selanjutnya diberikan aturan-aturan
operasi aritmatika triangular fuzzy number
yang umum digunakan. Misalkan terdapat 2
TFN yaitu: 𝑀1 = (𝑙1, 𝑚1, 𝑢1) dan𝑀2 =
(𝑙2,𝑚2, 𝑢2), berlaku
M1 ⨁ M2 =(l1+l2, m1+ m2, u1 + u2)
M1 ⊝ M2 = (l1-l2, m1- m2, u1 - u2)
M1 ⊗ M2 =(l1.l2, m1.m2, u1.u2)
𝜆 ⊗ M2 =(𝜆.l2, 𝜆.m2, 𝜆.u2)
𝑀1−1 = (1/ u1, 1/ m1, 1/l1)
Dari matriks triangular fuzzy ditentukan
nilai fuzzy synthetic extent untuk setiap
kriteria (Chang, D. Y. 1996).
𝑆𝑖 =
𝑚⨁𝑗 = 1
𝑀𝑔𝑖𝑗⊗ [
𝑛⨁𝑖 = 1
𝑚⨁𝑗 = 1
𝑀𝑔𝑖𝑗]
−1
(4)
Setelah itu membandingkan nilai fuzzy
synthetic extent (Si≥Sk). Dari hasil
perbandingan nilai fuzzy synthetic extent(Si≥Sk)
maka diambil nilai minimumnya, yaitu: d’l=
min V(Si≥Sk)
Menghitung normalitas vektor bobot dan
nilai minimum dilakukan untuk memperoleh
nilai masing-masing kriteria sehingga
diperoleh prioritas dari kriteria tersebut.
W= (d1, d2, …, dn)T
Dengan perumusan normalisasinya adalah:
𝑑𝑙 =𝑑′𝑙
∑ 𝑑′𝑖𝑛𝑖=1
untukl = 1, 2, . . ., n (5)
3. Metode Penelitian
Pengolahan data pada penelitian ini
menggunakan bantuan program Excel, untuk
mencapai tujuan penelitian digunakan metode
FAHP. Adapun langkah-langkah analisis data
dalam penelitian ini adalah:
1. Menyusun kriteria meliputi: suku bunga,
promo/diskon, limit, dan iuran.
2. Menyebarkan kuisioner kepada responden
dengan skala AHP yang telah ditetapkan
menurut Saaty, T, L (1987).
3. Menyusun bobot nilai kriteria dari hasil
rataan kuisioner yang telah diisi pada
matriks berpasangan.
4. Menguji konsistensi hirarki. Jika tidak
memenuhi dengan CR < 0,100 maka
penilaian diulang dengan perbaikan
perbandingan berpasangan.
5. Jika hasil memenuhi CR < 0,100 maka
dilakukan pengubahan bobot penilaian
perbandingan berpasangan pada skala
AHP ke dalam bilangan triangular fuzzy.
6. Dari matriks triangular fuzzy ditentukan
nilai fuzzy synthetic extent untuk tiap-tiap
kriteria dan sub kriteria, dengan
menggunakan persamaan (1).
7. Membandingkan nilai fuzzy synthetic
extent (Si≥Sk) .
8. Dari hasil perbandingan nilai fuzzy
synthetic extent maka diambil nilai
minimumnya, yaitu: d’i = min V(Si≥Sk)
9. Menghitung normalitas vektor bobot dan
nilai minimum dilakukan untuk
memperoleh nilai masing-masing kriteria
sehingga diperoleh prioritas dari kriteria
tersebut dengan menggunakan persamaan
(5).
E-Jurnal Matematika Vol. 3, No.1 Januari 2014, 25-32 ISSN: 2303-1751
29
4. Hasil dan Pembahasan
Berdasarkan identifikasi data yang telah
dilakukan dari hasil wawancara kemudian
disusun menjadi sebuah struktur hirarki yang
merupakan tujuan dari pemecahan masalah
pengambilan keputusan dalam penelitian ini
yaitu pemilihan kriteria dalam pembuatan
kartu kredit. Kriteria yang telah dipilih adalah
suku bunga, promo/diskon, limit, dan iuran
tahunan. Selengkapnya dapat di lihat pada
Gambar 1 berikut ini
Gambar 1. Struktur Hirarki Kriteria
Pada langkah awal penelitian menyebar
kuisioner kepada 50 responden yang
mempunyai kartu kredit. Dari hasil kuisioner
dibentuk matriks perbandingan antar kriteria.
Dari sini setiap kriteria dicari nilai rata-
ratanya. Selanjutnya nilai rata-rata dibulatkan
ke nilai yang mendekati skala penilaian
perbandingan berpasangan AHP yang terdapat
pada Tabel 1.
yaitu
a. 0.33676 mendekati 1/3 yang merupakan
kebalikan dari 3 yang artinya promo
sedikit lebih penting dari pada suku
bunga
b. 0.33656 mendekati 1/3 yang merupakan
kebalikan dari 3 yang artinya limit sedikit
lebih penting dari pada suku bunga
c. 2.24428 mendekati 2 yang artinya suku
bunga diantara sama penting dan sedikit
lebih penting dari pada iuran tahunan
d. 0.3293 mendekati 1/3 yang merupakan
kebalikan dari 3 yang artinya limit sedikit
lebih penting dari pada promo
e. 3.34028 mendekati 3 yang artinya promo
sedikit lebih penting dari pada iuran
tahunan
f. 5.07324 mendekati 5 yang artinya limit
lebih penting dari pada iuran tahunan.
Dari perhitungan di atas diperoleh
perbandingan berpasangan sebagai berikut:
Tabel 4. Matriks Perbandingan Berpasangan
Selanjutnya untuk mendapatkan λmaksimum,
langkah pertama adalah menghitung nilai
vektor eigen yaitu: dengan cara mengalikan
vektor perbandingan berpasangan untuk semua
kriteria sampai mencapai nilai tertentu.
[
1 0.333 0.333 23 1 0.333 330.5
30.333
10.2
5 1
] 𝑥 [
1 0.333 0.333 23 1 0.333 330.5
30.333
1 0.2
5 1
]
= [
4 2.331 1.177 6.6648.499 4 2.265 13.66517.52.599
8.6641.433
4 250.667 4
]
[
4 2.331 1.177 6.6648.499 4 2.265 13.66517.52.599
8.6641.433
4 250.667 4
] 𝑥 [
4 2.331 1.177 6.6648.499 4 2.265 13.66517.52.599
8.6641.433
4 250.667 4
]
= [
73.728 38.395 19.207 114.59143.145 75.017 37.375 222.582278.61344.819
145.9323.388
73.146 435.01411.721 69.827
]
[
73.728 38.395 19.207 114.59143.145 75.017 37.375 222.582278.61344.819
145.9323.388
73.146 435.01411.721 69.827
] 𝑥
[
73.728 38.395 19.207 114.59143.145 75.017 37.375 222.582278.61344.819
145.9323.388
73.146 435.01411.721 69.827
]
= [
21418.999 11193.973 5599.131 33351.31741681.167 21783.484 10895.862 64901.30181307.04813047.490
42492.880 6818.883
21254.590 126602.912 3410.752 20316.166
]
Setelah itu untuk mendapatkan nilai vektor
eigen dari hasil perkalian terakhir vektor
perbandingan berpasangan untuk semua
kriteria yaitu dengan menjumlahkan setiap
A B C D
A 1 1/3 1/3 2
B 3 1 1/3 3
C 3 3 1 5
D 1/2 1/3 1/5 1
Joko Hadi,A., G.K.Gandhiadi, D.P.E. Nilakusumawati Pemilihan Kriteria dalam Pembuatan Kartu kredit dengan
Menggunakan Metode Fuzzy AHP
30
nilai baris dan hasil penjumlahan tersebut
dijumlahkan kembali kemudian setiap elemen
dibagi dengan jumlah tersebut sehingga
diperoleh nilai vektor eigennya.
Tabel 5. Vektor Eigen
Untuk mencari λmaksimum diperoleh dari
mengalikan hasil perkalian terakhir vektor
perbandingan berpasangan untuk semua
kriteria dengan vektor eigen dan membagikan
kembali terhadap vektor eigen 𝐴𝑘𝑣 = 𝜆𝑘𝑣.
Maka diperoleh nilai λmaksimum sebagai berikut:
[
21418.999 11193.973 5599.131 33351.31741681.167 21783.484 10895.862 64901.30181307.04813047.490
42492.880 6818.883
21254.590 126602.912 3410.752 20316.166
] 𝑥
[
0.1360.2650.5160.083
] = [
11531.88822440.97543775.5247024.722
]
[
11531.888/0.13622440.975/0.26543775.524/7024.722/
0.5160.083
]=[
84773.04584773.11384773.13184773.080
]
Jadi, λmaksimum = √84773.1316
= 4.131
Karena matriks berordo 4 (yakni terdiri dari
4 kriteria), nilai indeks konsistensi yang
diperoleh:
CI = 𝜆𝑚𝑎𝑥–𝑛
𝑛−1 =
4.131−4
4−1
= 0.131
3
= 0.044
Berdasarkan Tabel 2 Untuk n = 4, maka RI =
0.89, maka:
CR = 𝑪𝑰
𝑹𝑰 =
0.044
0.89= 0.049
Karena CR < 0,100 berarti preferensi
responden adalah konsisten, maka
perbandingan berpasangan AHP diubah ke
dalam perbandingan berpasangan fuzzy AHP
yaitu sebagai berikut.
a) Membuat matriks perbandingan
berpasangan fuzzy yaitu dengan cara
menggantikan nilai skala AHP dengan
nilai skala bilangan segitiga fuzzy yang
terdapat pada Tabel 6
Tabel 6. Matriks Perbandingan Berpasangan
Fuzzy AHP
b) Menghitung nilai fuzzy synthetic extent.
𝑆𝑖 =
𝑚⨁
𝑗 = 1𝑀𝑔𝑖𝑗⊗ [
𝑛⨁𝑖 = 1
𝑚⨁
𝑗 = 1𝑀𝑔𝑖𝑗]
−1
Untuk menghitung nilai fuzzy synthetic
extent yang pertama adalah dengan
menghitung nilai
𝑚⨁
𝑗 = 1𝑀𝑔𝑖𝑗=
(
𝑚∑
𝑗 = 1𝑙𝑗,
𝑚∑
𝑗 = 1𝑚𝑗,
𝑚∑
𝑗 = 1𝑢𝑗) dengan
operasi penjumlahan pada tiap-tiap
bilangan triangular fuzzy dalam setiap
baris.
Tabel 7. Nilai Fuzzy Synthetic Exten
A B C D ∑
Vektor
Eigen
A 21418.999 11193.973 5599.131 33351.317 71563.421 0.136
B 41681.167 21783.484 10895.862 64901.301 139261.814 0.265
C 81307.048 42492.880 21254.590 126602.912 271657.430 0.516
D 13047.490 6818.883 3410.752 20316.166 43593.290 0.083
∑ 526075.895
A B C D
l m u l m u l m u l m u
A 1 1 1 1/2 2/3 1 1/2 2/3 1 1/2 1 3/2
B 1 3/2 2 1 1 1 1/2 2/3 1 1 3/2 2
C 1 3/2 2 1 1.5 2 1 1 1 2 5/2 3
D 2/3 1 2 1/2 2/3 1 1/3 2/5 1/2 1 1 1
lA,B,C,D mA,B,C,D uA,B,C,D
5/2 10/3 9/2
7/2 28/6 6
5 13/2 8
15/6 46/15 9/2
E-Jurnal Matematika Vol. 3, No.1 Januari 2014, 25-32 ISSN: 2303-1751
31
Kemudian menghitung
nilai[𝑛⨁𝑖 = 1
𝑚⨁
𝑗 = 1𝑀𝑔𝑖𝑗]dengan operasi
penjumlahan untuk keseluruhan bilangan
triangular fuzzy dalam matriks perbandingan
berpasangan.
Tabel 8. Jumlah Fuzzy Synthetic Extent
lA,B,C,D mA,B,C,D uA,B,C,D
A 2.5 3.333 4.5
B 3.5 4.667 6
C 5 6.5 8
D 2.5 3.067 4.5
∑ 13.5 17.567 23
Jadi untuk nilai [𝑛⨁𝑖 = 1
𝑚⨁𝑗 = 1
𝑀𝑔𝑖𝑗]
−1
adalah
(1
23,
1
17.567,1
13.5)
selanjutnya dihitung nilai fuzzy syntethic extent
untuk tiap kriteria utama dengan.
S1 = (2.5, 3.334, 4.5) ⊗(𝟏
𝟐𝟑,
𝟏
𝟏𝟕.𝟓𝟔𝟕,𝟏
𝟏𝟑.𝟓)
= (0.109, 0.189, 0.333)
S2 = (3.5, 4.667, 6) ⊗ (𝟏
𝟐𝟑,
𝟏
𝟏𝟕.𝟓𝟔𝟕,𝟏
𝟏𝟑.𝟓)
= (0.152, 0.266, 0.444)
S3 = (5, 6.5, 8) ⊗ (𝟏
𝟐𝟑,
𝟏
𝟏𝟕.𝟓𝟔𝟕,𝟏
𝟏𝟑.𝟓)
= (0.217, 0.369, 0.593)
S4 = (2.5, 3.067, 4.5) ⊗(𝟏
𝟐𝟑,
𝟏
𝟏𝟕.𝟓𝟔𝟕,𝟏
𝟏𝟑.𝟓)
= (0.109, 0.175, 0.333)
Jadi nilai fuzzy syntethic extent untuk tiap
kriteria dapat dilihat pada Tabel 9
Tabel 9. Nilai fuzzy syntethic extent untuk
tiap kriteria utama
l m u
S1 0.109 0.189 0.333
S2 0.152 0.266 0.444
S3 0.217 0.369 0.593
S4 0.109 0.175 0.333
c) Menghitung perbandingan tingkat
kemungkinan antar fuzzy syntethic extent
dengan nilai minimumnya.
Langkah pertama adalah
memperbandingkan nilai setiap fuzzy
syntethic extent V(𝑆2 ≥ 𝑆1),yaitu:
=
{
1, 𝑗𝑖𝑘𝑎𝑚2 ≥ 𝑚1
0, 𝑗𝑖𝑘𝑎𝑙1 ≥ 𝑢2𝑙1 − 𝑢2
(𝑚2 − 𝑢2) − (𝑚1 − 𝑙1)𝑙𝑎𝑖𝑛𝑛𝑦𝑎
V(S1≥S2) = 0.152−0.333
(0.189−0.333)−(0.266−0.152) = 0.702
V(S1≥S3) = 0.217−0.333
(0.189−0.333)−(0.369−0.217) = 0.392
V(S1≥S4) = 1
V(S2≥S1) = 1
V(S2≥S3) = 0.217−0.444
(0.266−0.444)−(0.369−0.217) = 0.688
V(S2≥S4) = 1
V(S3≥S1) = 1
V(S3≥S2) = 1
V(S3≥S4) = 1
V(S4≥S1) = 0.109−0.333
(0.175−0.333)−(0.189−0.109) = 0.941
V(S4≥S2) = 0.152−0.333
(0.175−0.333)−(0.216−0.152) = 0.665
V(S4≥S3) = 0.217−0.333
(0.175−0.333)−(0.369−0.217) = 0.374
Setelah didapat nilai perbandingan dari
setiap fuzzy syntethic extent lalu diambil nilai
minimumnya, yaitu:
d’i = min V(Si≥Sk) untuk k = 1, 2, …, n; k ≠i.
d’1 = V(S1≥S2, S3, S4)
= min(0.702, 0.392, 1)
= 0.392
d’2 = V(S2≥S1, S3, S4)
= min(1, 0.688, 1) = 0.688
d’3 = V(S3≥S1, S2, S4)
= min(1, 1, 1) = 1
d’4 = V(S4≥S1, S2, S3)
= min(0.941, 0.665, 0.374) = 0.374
Joko Hadi,A., G.K.Gandhiadi, D.P.E. Nilakusumawati Pemilihan Kriteria dalam Pembuatan Kartu kredit dengan
Menggunakan Metode Fuzzy AHP
32
Kemudian dilakukan perhitungan bobot
dan normalisasi vektor bobot sehingga
diketahui nilai bobot kriteria utama.
W’= (d’1, d’2, d’3, d’4)T
W’= (0.392, 0.688, 1, 0.374)
danW= (d1, d2, d3, d4)Tdengan 𝑑𝑙 =𝑑′𝑙
∑ 𝑑′𝑖𝑛𝑖=1
menghasilkan normalisasi vektor bobot antar
kriteria utamanya yaitu:
W= (0.16, 0.28, 0.408, 0.152)
Dari uji konsistensi dapat dilihat bahwa
bobot prioritas pada kriteria utama yaitu limit
(d3), promo/diskon (d2), suku bunga (d1), dan
iuran (d4), adalah 0.408, 0.28, 0.16, dan 0.152.
Gambar 2. Bobot Prioritas Pemilihan Kriteria
dalam Pembuatan Kartu Kredit
5. Kesimpulan
Berdasarkan hasil yang telah diperoleh
pada kasus Pemilihan Kriteria dalam
Pembuatan Kartu Kredit, maka dapat ditarik
kesimpulan bahwa metode Fuzzy AHP dapat
digunakan untuk menentukan bobot prioritas
pada masing-masing kriteria. Dari hasil
analisis bobot prioritas pada kriteria utama
dengan Fuzzy AHP, kriteria limit mempunyai
pengaruh paling besar bagi nasabah dalam
menggunakan kartu kredit sebesar 40.8%,
sedangkan promo/diskon sebesar 28%, suku
bunga sebesar 16% dan yang terakhir adalah
iuran tahunan sebesar 15,2%. Dari melihat
hasil total rangking di atas, disarankan kepada
bank-bank agar dapat melihat peluang yang
lebih baik untuk memberikan penawaran-
penawaran dalam menarik nasabah untuk
membuat kartu kredit
Daftar Pustaka
Apriyanto, Agus, 2008, Perbandingan
Kelayakan Jalan Beton dan Aspal dengan
Metode Analityc Hierarchy Process
(AHP) (Studi Kasus Jalan Raya Demak-
Godong), Thesis tidak diterbitkan,
Semarang, Program Pascasarjana
Universitas Diponegoro
Budhi, Wono Setya, 1995. Aljabar Linier.
Jakarta:Gramedia Pustaka Utam
Chang, D.Y., 1992, Extent Analysis and
Synthetic Decision, Optimization
Techniques and Applications, World
Scientific, Singapore, 1:352
___________. 1996. Applications of The
Extent Analysis Method on Fuzzy AHP.
European Jurnal of Operational
Research, 95, 649-655.
Kusumadewi, Sri dan Hari Purnomo, 2010,
Aplikasi Logika Fuzzy Untuk Pendukung
Keputusan, Edisi 2, Graha Ilmu,
Yogyakarta
Saaty, T, L, 1987, Uncertainty and Rank Order
in The Analytic Hierarchy Process.
European Journal of Operation Research
32:27-37
Saaty, T, L, and L, G. Vargas, 2012. Models,
Methods, Concepts & Applications of the
Analytic Hierarchy Process, International
Series in Operations Research &
Management Science, Vol. 175, 2 nd
edition. New York: Springer
Suyatno, T., dkk. 1997. Dasar-dasar
Perkreditan. Jakarta : PT. Gramedia
Pustaka Utama.
E-Jurnal Matematika Vol. 3, No.1 Januari 2014, 33-37 ISSN: 2303-1751
1 Mahasiswa Jurusan Matematika FMIPA Universitas Udayana 33 2 Staf Pengajar Jurusan Matematika FMIPA Universitas Udayana
MENGATASI MASALAH HETEROSKEDASTISITAS DENGAN
MENGASUMSIKAN VARIANS VARIABEL GANGGUANNYA
PROPORSIONAL DENGAN 𝑿𝒊𝟐 DAN [𝑬(𝒀𝒊)]𝟐
MADE ADI GUNAWAN1, LUH PUTU IDA HARINI2, MADE ASIH3
1,2,3Jurusan Matematika FMIPA Universitas Udayana, Bukit Jimbaran-Bali
e-mail: [email protected] ,[email protected] , [email protected]
Abstract
The volatilities of time series data often experience heteroscedastic problems.
Heteroscedasticity is a nuisance variable in the regression equation having a variance that is not
constant. Therefore, methods to analyze the problem of heteroscedasticity are needed. This study
aims to demonstrate how to eliminate the problem of heteroscedasticity. The method used is,
GoldFeld-Quandt. As for eliminating the problem of heteroscedasticity by assuming the variance of
interference variables proportional to 𝐸(𝑌𝑖)2.
Keywords: Arbitrage Pricing Theory, Granger causality test, optimal lag test, Portmanteau test,
stationary test, Vector Autoregression
.
1. Pendahuluan
Kajian perekonomian Bank Indonesia pada
Laporan Nusantara bulan Juli 2013
menerangkan inflasi mengalami kenaikan
seiring dengan kebijakan kenaikan BBM
bersubdisi yang terealisasi pada tanggal 22 Juni
2013 (Bank Indonesia, 2013). Data inflasi
merupakan salah satu contoh data deret waktu
(Widarjono, 2013).
Data deret waktu khususnya data inflasi
sering mengalami volatilitas yang tinggi.
Volatilitas yang tinggi ini ditunjukkan oleh
suatu fase dimana fluktuasinya relatif tinggi dan
secara terus menerus. Dengan kata lain data ini
mempunyai rata-rata dan varians yang tidak
konstan atau mengalami sifat heteroskedastisitas
(Widarjono, 2013). Jadi dengan adanya
heteroskedastisitas, estimator OLS tidak
menghasilkan estimator yang Best Linear
Unbiased Estimator (BLUE), namun hanya
Linear Unbiased Estimator (LUE).
Dengan demikian adanya
heteroskedastisitas menyebabkan tidak lagi
mempunyai varians yang minimum (no longer
best) jika dinggunakan metode OLS
(Widarjono, 2013). Dengan kondisi tersebut,
maka perilaku data deret waktu tersebut sangat
berbeda dengan asumsi pada regresi linear
sederhana yaitu asumsi kehomogenan varians
residual atau homoskedastisitas (Gujarati,
1991).
Oleh karena itu, dibutuhkan suatu cara
yang bisa mengatasi masalah
heteroskedastisitas. Untuk melihat volatilitas
tingkat inflasi terlihat dalam Gambar 1 yaitu
data inflasi kota Denpasar dan data inflasi
Indonesia dari bulan Januari tahun 2005 sampai
dengan bulan Agustus tahun 2013.
Made Adi Gunawan, Luh Putu Ida Harini, Made Asih Mengatasi Masalah Heteroskedastisitas
34
Sumber data: www.bps.go.id
Gambar 1. Grafik Data Inflasi Kota Denpasar dan
Indonesia periode bulan Januari 2005 s/d
Agustus 2013 .
Dari Gambar 1 garis dengan warna coklat
menunjukkan data inflasi kota Denpasar dan
garis dengan warna biru menunjukkan data
inflasi Indonesia terlihat secara umum bahwa
inflasi kota Denpasar dan inflasi Indonesia
mempunyai volatilitas yang cenderung tinggi.
Pada suatu ketika bisa terjadi kenaikan yang
tajam, kemudian juga terjadi penurunan secara
tajam pula.
Metode GoldFeld-Quandt
Metode GoldFeld-Quandt mengasumsikan
bahwa heteroskedastisitas 𝜎𝑖2 merupakan fungsi
positif dari variabel independen. Ide GoldFeld-
Quandt dapat dijelaskan dengan model regresi
sederhana (Widarjono, 2013). Adapun prosedur
metode GoldFeld-Quandt sebagai berikut:
1. Mengurutkan data sesuai dengan nilai X,
dimulai dari nilai yang paling kecil hingga
yang paling besar.
2. Menghilangkan observasi yang di tengah
(𝑐). Membagi data yang tersisa (𝑛 − 𝑐)
menjadi dua kelompok. Kelompok pertama
(1) berkaitan dengan data dengan nilai X
yang kecil dan kelompok kedua (2)
berhubungan dengan data dengan nilai X
yang besar. Dengan perbandingan antara
kelompok data kecil, nilai tengah dan
kelompok data besar adalah sebesar 3/8 : ¼
: 3/8.
3. Melakukan regresi pada setiap kelompok
secara terpisah. Data setiap regresi terdiri
dari (𝑛 − 𝑐)/2. Jumlah 𝑐 harus sekecil
mungkin untuk menjamin tersedianya
degree of freedom sehingga menghasilkan
estimasi yang layak untuk setiap regresi.
4. Dapatkan SSR1 yang berhubungan dengan
nilai X kecil dan SSR2 yang berhubungan
dengan nilai X yang besar.
5. Hitung nilai rasio:
𝜆 = 𝑆𝑆𝑅2/𝑑𝑓
𝑆𝑆𝑅1/𝑑𝑓
Ratio 𝜆 akan mengikuti distribusi F
statistik dengan derajat bebas (n-c-2k)/2
untuk pembilang (numerator) dan penyebutnya
(denominator). Kita akan menolak hipotesis nol
tidak adanya heteroskedastisitas jika nilai F
hitung lebih besar dari nilai 𝐹 kritis pada tingkat
𝛼 tertentu.
Mengatasi Masalah Heteroskedastisitas
Ketika varians variabel tidak diketahui
maka untuk mengatasi masalah
heteroskedastisitas akan diselesaikan dengan
mengetahui pola heteroskedastisitas itu sendiri
(Widarjono, 2013). Diasumsikan bahwa pola
varians variabel gangguan adalah proporsional
dengan 𝑋𝑖2 sehingga :
𝑉𝑎𝑟(𝑒𝑖|𝑋𝑖) = 𝐸(𝑒𝑖2) = 𝜎2𝑋𝑖
2
untuk menghilangkan masalah
heteroskedastisitas akan membagi persamaan
regresi sederhana dengan 𝑋𝑖 sehingga akan
menghasilkan persamaan sebagai berikut :
𝑌𝑖
𝑋𝑖=
𝛽0
𝑋𝑖+
𝛽1
𝑋𝑖𝑋𝑖 +
𝑒𝑖
𝑋𝑖
𝑌𝑖
𝑋𝑖=
𝛽0
𝑋𝑖+ 𝛽1 + 𝑣𝑖
Akan dibuktikan bahwa varians variabel
gangguannya sekarang bersifat
homoskedastisitas:
𝑣𝑎𝑟(𝑣𝑖) = 𝐸(𝑣𝑖2) = 𝐸 (
𝑒𝑖
𝑋𝑖)
2
= 1
𝑋𝑖2 𝐸(𝑒𝑖
2)
-2
0
2
4
6
8
10
Jan-05 Aug-13
E-Jurnal Matematika Vol. 3, No.1 Januari 2014, 33-37 ISSN: 2303-1751
35
=1
𝑋𝑖2 𝜎2𝑋𝑖
2
= 𝜎2
Selain proporsional dengan 𝑋𝑖2, bisa juga
diasumsikan bahwa pola varians variabel
gangguan adalah proporsional dengan [𝐸(𝑌𝑖)]2
sehingga :
𝑉𝑎𝑟(𝑒𝑖|𝑋𝑖) = 𝐸(𝑒𝑖2) = 𝜎2[𝐸(𝑌𝑖)]2
dengan 𝐸(𝑌𝑖) = 𝛽0 + 𝛽1𝑋𝑖
untuk menghilangkan masalah
heteroskedastisitas akan membagi persamaan
regresi sederhana dengan 𝐸(𝑌𝑖) sehingga akan
menghasilkan persamaan sebagai berikut :
𝑌𝑖
𝐸(𝑌𝑖)=
𝛽0
𝐸(𝑌𝑖)+
𝛽1
𝐸(𝑌𝑖)𝑋𝑖 +
𝑒𝑖
𝐸(𝑌𝑖)
𝑌𝑖
𝐸(𝑌𝑖)=
𝛽0
𝐸(𝑌𝑖)+
𝛽1
𝐸(𝑌𝑖)𝑋𝑖 + 𝑣𝑖
Akan dibuktikan bahwa varians variabel
gangguannya sekarang bersifat
homoskedastisitas :
𝑣𝑎𝑟(𝑣𝑖) = 𝐸(𝑣𝑖2) = 𝐸 (
𝑒𝑖
𝐸(𝑌𝑖))
2
= 1
[𝐸(𝑌𝑖)]2 𝐸(𝑒𝑖2)
=1
[𝐸(𝑌𝑖)]2 𝜎2[𝐸(𝑌𝑖)]2
= 𝜎2
2. Metode Penelitian
Jenis data yang dipergunakan dalam
penelitian ini adalah data berskala kontinu, yaitu
berupa data deret waktu bulanan suatu data
inflasi kota Denpasar yang merupakan variabel
𝑋dan data inflasi Indonesia yang merupakan
variabel 𝑌. Data inflasi kota Denpasar dan data
inflasi Indonesia merupakan data sekunder yang
diperoleh melalui akses internet (sumber:
http://www.bps.go.id/aboutus.php?inflasi=1).
Tahap pertama yaitu dilakukan
pengumpulan data, setelah data terkumpul,
langkah selanjutnya adalah melakukan
pengujian yang bertujuan untuk mengetahui ada
atau tidaknya masalah heteroskedastisitas dalam
data inflasi yang telah dikumpulkan. Metode
yang digunakan untuk mengetahui ada atau
tidaknya masalah heteroskedastisitas pada
penelitian ini akan digunakan metode GoldFeld-
Quandt. Untuk mengatasi masalah
heteroskedastisitas maka dapat dilihat dari
varians variabel gangguannya. Mengatasi
masalah ini dapat dilakukan dengan varians
variabel gangguan yang tidak diketahui yaitu
dengan mengetahui pola heteroskedastisitasnya
(Widarjono, 2013). Setelah diatasinya masalah
heteroskedastisitas, maka selanjutnya adalah
melakukan uji kembali. Uji ini bertujuan untuk
mengetahui apakah data sudah benar tidak
mengandung masalah heteroskedastisitas.
Adapaun metode yang digunakan adalah metode
GoldFeld-Quandt.
3. Hasil dan Pembahasan
Langkah pertama dalam metode GoldFeld-
Quandt adalah mengurutkan data X dimulai dari
nilai yang paling kecil hingga nilai yang paling
besar. Data Y mengikuti urutan nilai X. Langkah
kedua yaitu menghilangkan observasi yang
ditengah (c). Dalam hal ini ¼ dari jumlah data,
yang mana 3/8 untuk jumlah kelompok data
kecil dan 3/8 untuk jumlah kelompok data
besar. Kemudian setelah menghilangkan
observasi nilai tengah, selanjutnya data yang
tersisa (𝑛 − 𝑐) menjadi dua kelompok.
Kelompok pertama berkaitan dengan data nilai
𝑋 kecil dan kelompok kedua berhubungan
dengan data nilai 𝑋 yang besar. Kemudian akan
dilakukan estimasi untuk masing-masing
kelompok data.
Dari hasil estimasi tersebut maka akan
diperoreh nilai sum of squared residual (𝑆𝑆𝑅)
atau nilai total dari penjumlahan kuadratnya
masing-masing yaitu 𝑆𝑆𝑅1 untuk nilai 𝑆𝑆𝑅 dari
hasil estimasi kelompok data kecil dan 𝑆𝑆𝑅2
untuk nilai 𝑆𝑆𝑅 dari hasil estimasi kelompok
data besar.
Nilai masing-masing 𝑆𝑆𝑅 dari hasil
estimasi tersebut 𝑆𝑆𝑅1 = 3.36 dan 𝑆𝑆𝑅2 =
8.43. Langkah terakhir dari penggunaan metode
GoldFeld-Quandt adalah melakukan uji
signifikan menggunakan uji F dengan taraf
Made Adi Gunawan, Luh Putu Ida Harini, Made Asih Mengatasi Masalah Heteroskedastisitas
36
signifikan sebesar 5%. Apabila nilai hitung
lebih besar daripada nilai 𝐹 tabel maka data
mengandung masalah heteroskedastisitas dan
sebaliknya. Sehingga diperoleh hasil
perhitungan pada metode GoldeFeld-Quandt
diperoleh 𝜆 = 2.51, dalam hal ini 𝜆 mengikuti
distribusi 𝐹. Dari hasil perhitungan, maka
diperoleh kesimpulan bahwa data
mengandung masalah heteroskedastisitas.
Ini dikarenakan nilai daripada perhitungan 𝜆
hitung lebih besar daripada nilai F pada
tabel.
Dengan dibuktikannya data inflasi
mengandung masalah heteroskedastisitas,
maka selanjutnya adalah bagaimana
menghilangkan masalah heteroskedastisitas
tersebut. Menghilangkan masalah
heteroskedastisitas yaitu dengan
mengasumsikan varians variabel gangguan
pada persamaan regresi sederhana
proporsional dengan 𝑋𝑖2, dan [𝐸(𝑌𝑖)]2.
Dengan asumsi tersebut maka diperoleh
hasil bahwa varians variabel gangguannya
konstan sebesar 𝜎2, yang artinya data sudah
tidak mengandung masalah
heteroskedastisitas.
Telah ditunjukkan bahwa data sudah tidak
mengandung masalah heteroskedastisitas. Untuk
meyakinkan bahwa data tersebut benar-benar
tidak mengandung masalah heteroskedastisitas
maka akan diuji kembali menggunkakan metode
GoldFeld-Quandt. Langkah pertama dalam
metode GoldFeld-Quandt adalah mengurutkan
data X dimulai dari nilai yang paling kecil
hingga nilai yang paling besar. Data Y
mengikuti urutan nilai X. Data yang diestimasi
yaitu data yang sudah diasumsikan proporsinal
dengan [𝐸(𝑌𝑖)]2.
Langkah kedua yaitu menghilangkan
observasi yang ditengah (c). dalam hal ini
peneliti memilih sebesar 1/4 dari data yaitu
sebesar 28 observasi. Kemudian setelah
menghilangkan observasi nilai tengah,
selanjutnya data yang tersisa (𝑛 − 𝑐) menjadi
dua kelompok. Kelompok pertama berkaitan
dengan data nilai 𝑋 kecil dan kelompok kedua
berhubungan dengan data nilai 𝑋 yang besar.
Dari hasil estimasi tersebut maka akan
diperoreh nilai sum of squared residual (𝑆𝑆𝑅)
atau nilai total dari penjumlahan kuadratnya
masing-masing yaitu 𝑆𝑆𝑅1 untuk nilai 𝑆𝑆𝑅 dari
hasil estimasi kelompok data kecil dan 𝑆𝑆𝑅2
untuk nilai 𝑆𝑆𝑅 dari hasil estimasi kelompok
data besar. Nilai masing-masing 𝑆𝑆𝑅 dari hasil
estimasi tersebut 𝑆𝑆𝑅1 = 215.73 dan 𝑆𝑆𝑅2 =
315.7. Langkah terakhir dari penggunaan
metode GoldFeld-Quandt adalah melakukan uji
signifikan menggunakan uji F dengan taraf
signifikan sebesar 5%. Apabila nilai hitung
lebih besar daripada nilai 𝐹 tabel maka data
mengandung masalah heteroskedastisitas dan
sebaliknya.
Dari hasil perhitungan, maka diperoleh
kesimpulan bahwa data sudah tidak
mengandung masalah heteroskedastisitas. Ini
dikarenakan nilai daripada perhitungan 𝜆 hitung
lebih kecil daripada nilai F pada tabel. Dalam
hal ini 𝜆 mengikuti distribusi F.
4. Kesimpulan
Berdasarkan hasil analisis diperoleh
kesimpulan bahwa :
1. Dari metode yang telah digunakan yaitu
metode GoldFeld-Quandt, ditunjukkan
bahwa data inflasi yang didapat
mengandung masalah heteroskedastisitas.
2. Menghilangkan masalah heteroskedastisitas
dengan mengasumsikan proporsional
dengan 𝑋𝑖2, 𝑑𝑎𝑛 [𝐸(𝑌𝑖)]2.
3. Dari hasil perhitungan pada bab hasil dan
pembahasan telah ditunjukkan bahwa data
inflasi sudah tidak mengandung masalah
heteroskedastisitas. Itu ditunjukkan oleh
nilai dari varian variabel gangguannya
konstan sebesar 𝜎2. Nilai konstan tersebut
ditunjukkan pada asumsi proporsional
dengan 𝑋𝑖2, dan [𝐸(𝑌𝑖)]2.
4. Setelah dilakukan pengujian selanjutnya
menggunakan metode GoldFeld-Quandt,
didapat bahwa data sudah tidak
E-Jurnal Matematika Vol. 3, No.1 Januari 2014, 33-37 ISSN: 2303-1751
37
mengandung masalah heteroskedastisitas.
Hal tersebut ditunjukkan pada hasil
perhitungan kembali dengan menggunakan
metode GoldFeld-Quandt yang mana nilai
hitungnya sebesar 1,46 mengikuti distribusi
𝐹. Nilai tersebut lebih kecil daripada nilai 𝐹
pada tabel, sehingga dapat disimpulkan
bahwa data sudah tidak mengandung
masalah heteroskedastisitas.
Daftar Pustaka
Bank Indonesia. Kajian Perekonomian
Bank Indonesia: http://www.bi.go.id/web/id/Publikasi/Ekon
omi_Regional/TER/LaporanNusantaraJuli
2013.htm diakses pada 1-10-2013.
Badan Pusat Statistika. Data Inflasi dan
IHK: http://www.bps.go.id/aboutus.php?inflasi=
1 diakses pada 1-10-2013
Gujarati, D.N.. 1991. Ekonometrika Dasar,
Alih bahasa Sumarno Zain, Erlangga,
Jakarta.
Widarjono, A. 2013. Ekonometrika
Pengantar dan Aplikasinya. Edisi
Keempat. UPP STIM YKPN.
Yogyakarta.
.