ANALISIS STATISTIKAPADAPERTUMBUHAN EKONOMI INDONESIA

(Studi Kasus 1983-2001)

A. Latar Belakang
Sesuai yang tercakup dalam pasal 10 UU Bank Indonesia menyatakan bahwa Bank
Indonesia mempunyai kewenangan untuk melakukan kebijakan moneter melalui penetapan
sasaran moneter dengan memperhatikan sasaran laju inflasi terhadap pertumbuhan ekonomi
sebagai sasaran akhir. Pemilihan sebagai sasaran akhir ini sejalan pula dengan kecenderungan
perkembangan terakhir bank-bank sentral dunia dimana bank-bank sentral telah beralih lebih
memfokuskan dirinya pada upaya pengendalian inflasi. Menurut Rechbini (2000) dan Nopirin
(1998) ada beberapa dasar yang mendasari yaitu: pertama; bukti-bukti lebih empiris
menunjukkan bahwa dalam jangka panjang kebijakan moneter tidak dapat mempengaruhi
variabel real, seperti pertumbuhan output ataupun tingkat pengangguran, kedua; pencapaian
inflasi yang rendah merupakan prasyarat bagi tercapainya sasaran makro lainnya, ketiga; yang
terpenting penetapan tingkat inflasi yang rendah sebagai tujuan akhir kebijakan moneter akan
menjadi nominal anchor berbagai kegiatan ekonomi.
Menurut Rachbini (2000) menyatakan bahwa kebijakan moneter baru dapat dikatakan
berhasil jika tujuan atau sasaran terakhir tercapai yaitu: pertumbuhan ekonomi dan laju inflasi,
tetapi kedua tujuan itu tidak saling berjalan sejajar dimana pencapaian sasaran tersebut
mengandung trade-off atau dikenal stabilitas ekonomi dimana jika pertumbuhan ekonomi pesat
maka laju inflasi sangat tinggi dan sebaliknya jika laju inflasi rendah maka pertumbuhan ekonomi
rendah. Oleh karena itu, perlu keseimbangan yang optimal antara laju inflasi dan pertumbuhan
ekonomi.
Ditegaskan kembali bahwa dari sasaran akhir tersebut Bank Indonesia tidak boleh
mengabaikan sasaran makro ekonomi lainnya. Seperti; pertumbuhan ekonomi dan penyediaan
lapangan kerja pada tingkat kapasitas yang penuh. Di samping itu, mengingat adanya trade off
jangka pendek antara inflasi dan pertumbuhan ekonomi, dengan kata lain, dalam menetapkan
target inflasi Bank Indonesia sudah mempertimbangkan seberapa tinggi tingkat pertumbuhan
ekonomi yang dicapai dengan tingkat inflasi yang ditentukan.
Sasaran makro ekonomi tersebut sangat dipengaruhi oleh berbagai macam faktor yang
menjadi alat dalam menjalankan roda perekonomian, utamanya dalam fluktuasi dari inflasi
terhadap pertumbuhan ekonomi dalam negeri. Dari beberapa pengamatan dalam dunia
perekonomian termasuk dalam kebijakan moneter memberikan indikasi bahwa faktor-faktor yang
dapat memberikan pengaruh terhadap pertumbuhan ekonomi dalam negeri diantaranya adalah
banyaknya uang yang beredar, tingkat harga bahan makanan, tingkat harga ekspor, tingkat harga
impor, dan angkatan kerja. Faktor –faktor tersebut merupakan bagian dari kebijakan moneter
yang dapat memberikan respek terhadap pertumbuhan ekonomi.

B. Tujuan
Pada dasarnya dalam analisis ini bertujuan untuk:
1. Mengetahui model pertumbuhan ekonomi di Indonesia dengan faktor-faktor apa yang
mempengaruhi pertumbuhan ekonomi secara bersama-sama .
2. Mengetahui model pertumbuhan ekonomi di Indonesia yang terbaik dengan faktor-faktor apa
yang mempengaruhi pertumbuhan ekonomi.
C. Output
Output yang hendak di hasilkan dari penelitian ini antara lain:
1. Mendapatkan model pertumbuhan ekonomi di Indonesia dengan faktor-faktor apa yang
mempengaruhi pertumbuhan ekonomi secara bersama-sama .
2. Mendapatkan model pertumbuhan ekonomi di Indonesia yang terbaik dengan faktor-faktor
yang mempengaruhi pertumbuhan ekonomi.

D. Teori Pendukung
Ploting the Data
Dalam mempalajari hubungan antara dua variabel atau lebih, secara logika step yang pertama
yang harus dilakukan adalah plot titik-titik data dalam gambar graf (scatter plot). Dari scatter
plot, dapat diperoleh indikasi penyebaran data menurut garis lurus atau kurva sebagai estimasi
awal untuk menentukan model, apakah sesuai untuk menggunakan model regresi linear,
polinomial, atau nonlinear.

Analisis Regresi Linear

Analisis regresi adalah suatu analisis dalam ilmu statistika yang digunakan untuk mengevaluasi
pengaruh dari suatu variabel bebas (prediktor atau independen) terhadap variabel tak bebas
(respon atau dependen). Model umum persamaan regresi adalah sebagai berikut:
Y   0  1X 1   2 X 2   3X 3  ...   n X n   i
Dari model di atas, apabila hanya terdapat satu atau tunggal variabel prediktor disebut regresi
linier sederhana dan apabila terdapat lebih dari satu variabel prediktor disebut regresi linier
berganda.
Keterangan:
Y : Variabel respon/tak bebas diberi simbol Y
X1, X2, X3,…, Xn : Variabel prediktor/bebas diberi simbol X
0 : Intercept atau koefisien konstanta
1 ,  2 , 3 ,...,  n : Koefisien regresi variabel X
 : Residual atau error
Selain model di atas terdapat juga model regresi linear lainnya yang diperoleh dari transformasi
seperti dibawah ini:
Type of regression model quadratic
Y   0  1 X 1  12 X 12  
Type of regression model cubic
Y   0  1 X 1  12 X 12  13 X 13  

Koefisien determinasi
 Koefisien determinasi  R 
2

Koefisien determinasi R 2 adalah sebuah besaran yang mengukur ketepatan titik-titik data
hasil pengamatan pada garis regresi atau dapat juga dikatakan bahwa nilai koefisien
determinasi R 2 merupakan prosentase variabilitas dalam data yang mampu dijelaskan oleh
model regresi. Adapun rumusan untuk koefisien determinasi R 2 :
 b ' X 'Y  nY 2 SS regression RSS p
R2    1
Y Y  nY
' 2
SStotal CTSS
Dimana:
SSregression : Sum squares regresi
SStotal : Sum squares total
RSSp : Korespondensi residual sum squares dengan parameter
CTSS : Total koreksi sum squares
Koefisien determinasi adjusted  Ra 
2

2
Koefisien determinasi Ra adalah sebuah besaran yang mengukur ketepatan titik-titik data
hasil pengamatan pada garis regresi atau dapat juga dikatakan bahwa nilai koefisien
2
determinasi Ra merupakan prosentase variabilitas dalam data yang mampu dijelaskan oleh
model regresi dengan memperhatikan jumlah parameter dalam regresi, yaitu parameter
 0 , 1 , 3 ,...,  n . Adapun rumusan untuk koefisien determinasi Ra 2 :
 RSS   n  p   1  1  R  n 1 
Ra 2  1 
p

 CTSS   n  1
 2
 
 n p
RSSp : Residual of sum squares
CTSS : Corrected total sum squares
n : Jumlah pengamatan
P : Jumlah parameter dalam model

Pemilihan Model Regresi Terbaik

(selecting the best regression equation/best subset model)
Berdasarkan teori yang diuraikan, dalam pemilihan model regresi yang terbaik (best subset
model) harus memenuhi beberapa kriteria, yaitu:
1. Memiliki nilai koefisien determinasi R 2 yang terbesar
2. Memiliki nilai Mean Square Residual (MSE) atau nilai variansi S 2 (merupakan nilai taksiran
untuk varians model  2 ) yang terkecil
3. Memiliki nilai Cp yang mendekati jumlah parameter dalam modelnya
Selain metode best subset model di atas, cara lain untuk menyeleksi model yang terbaik dapat
dilakukan dengan menggunakan metode regression stepwise dan eleminasi backward regression

Pengujian residual untuk menguji asumsi

Sebelum melakukan analisis lebih lanjut dalam analisis regresi maka terlebih dahulu harus
memenuhi uji asumsi atau pengujian persyaratan analisis, yaitu IIDN (suatu variabel random
 
yang identik, independen dan mengikuti distribusi normal) atau  : IIDN 0,  .
2

Adapun uraian mengenai pengujian asumsi persyaratan analisis regresi sebagai berikut:
1. Error atau residual berdistribusi normal:  : N 0, 
2
 
Asumsi persyaratan normalitas harus terpenuhi untuk mengetahui apakah residual/error dari
data berdistribusi normal atau untuk mengetahui apakah data sampel berasal dari populasi
yang berdistribusi normal. Cara pengujian normalitas dapat dilakukan dengan:
 Normal probability plot, pada plot penyebaran residual/error menyebar mendekati atau
mengikuti pola garis normal sehingga residual dapat diasumsikan berdistribusi normal.
 • Pengujian statistik dengan menggunakan uji andersong-darling normality test,
kolmogorov-smirnov normality test, w-test, liliefors, dan sebagainya.
Apabila pengujian normalitas tidak dapat dipenuhi maka solusinya dapat dilakukan dengan:
• Transformasi data
• Pendeteksian data outlier (pencilang)
• Regresi bootstrap
2. Identik atau heterocedasticity, yaitu variansi  i konstan dengan var   i  =  2
Asumsi persyaratan heterocedasticity untuk mengetahui variansi  i konstan yaitu var   i  =
 2 identik atau sama untuk setiap i. Cara pengujian heterocedasticity dapat dilakukan
dengan:
 plot residual  dengan Yˆ
2

 uji Glesjer
Untuk pengujian asumsi heterokedastisitas dari residual/error dideteksi dengan
menggunakan uji glesjer yaitu dengan melakukan regresi nilai absolut residual dengan
variabel prediktor, adapun uraiannya sebagai berikut:
 i   0  1 X 1   2 X 2  ...   n X n  
Dengan kriteria pengujian: apabila nilai F hitung < F tabel atau menggunakan nilai
peluang P-value >  = 0.05 (taraf signifikansi), maka H0 diterima atau residual tidak
terdapat heterokedastisitas.
Apabila pengujian heterocedasticity tidak dapat dipenuhi maka solusinya dapat dilakukan
dengan:
 Transformasi data
 Metode Weighted Least-Squares

3. Independent, yaitu covarians   i ,  j  = 0, untuk setiap i  j

Asumsi persyaratan independent yaitu covarians   i ,  j  = 0, untuk setiap i  j atau tidak
terdapat autokorelasi. Cara pengujian independent dilakukan dengan:
 plot autocorrelation function (ACF) dari residual
 uji durbin-watson
4. Multikolinearitas merupakan korelasi atau hubungan yang kuat diantara variabel-variabel
prediktor dalam persamaan regresi linear berganda. kondisi yang seperti ini sangat sulit untuk
memisahkan pengaruh secara parsial atau individu masing-masing variabel prediktor terhadap
variabel respon. Beberapa ciri dari adanya multikolinearitas suatu model regresi ganda, yaitu:
 Multikolinearitas ditandai dengan tingginya nilai koefisien determinasi R 2 yang tidak
diikuti oleh uji parsial atau individu yang signifikan dari masing-masing variabel
prediktor yang terdapat dalam model regresi.
 Nilai Variance Inflation Factor (VIF) yang lebih besar dari 10.

E. Analisa Data dan Pembahasan

Data ini merupakan data sekunder yang diperoleh dari tugas akhir mahasiswa S1 Statistik
ITS dengan satu variabel respon (Y) dan 6 variabel prediktor (X) sebagai berikut:
 Tahun PDB IHK M HBM HEX HIM AK
1983 73697.6 214.74 7569 202.78 21145.9 16351.8 52421245
1984 87535.5 237.19 8581 222.83 21887.8 13882.1 59598626
1985 96066.4 248.4 10104 228.16 18586.7 10259.1 59598626
1986 96489.3 262.88 11677 247.81 14805 10718.4 63825615
1987 124816.9 287.27 12685 275.12 17135.6 12370.3 70192912
1988 142816.9 310.37 14392 310.7 19218.5 13248.5 72245313
1989 166329.9 330.29 20114 109.47 22158.9 16359.6 74922636
1990 195597.2 112.48 23819 107.47 25675.3 21837 76088756
1991 227450.2 123.02 26342 118.26 29142.4 25868.8 77802264
1992 259884.5 132.25 28779 127.42 33967 27279.6 78455548
1993 302017.8 145.07 37036 136.27 36823 28327.8 80703921
1994 382219.7 157.42 40265 151.08 40053.4 32983.5 81446078
1995 452380.9 172.27 222638 171.06 45418 40628.7 86361261
1996 532630.8 185.92 288632 187.38 49814.8 42928.5 90109582
1997 433245.9 198.22 255642 203.94 53443.6 41679.8 91324911
1998 376374.9 168.32 577381 209.23 48847.6 27336.9 92734932
1999 379557.7 202.63 646205 261.72 48665.4 24003.3 94887178
2000 397666.3 210.27 720261 249.03 62124 33514.8 95650961
2001 490974.0 234.46 808514 269.99 56320.9 30962.1 98812448
Dimana :
Variabel dependen (Y) = Produk Domestik Bruto (PDB)/Pertumbuhan Ekonomi
Variabel independen (X) :
X1 = Indeks Harga Konsumen (IHK) X2 = Uang yang beredar (M)
X3 = Tingkat Harga Bahan Makanan (HBM) X4 = Tingkat Harga Ekspor (HEX)
X5 = Tingkat Harga Impor (HIM) X6 = Angkatan Kerja (AK)
ε = error
Eksplorasi Data
Sebelum melakukan analisis regresi terlebih dahulu data yang ada akan diekplorasi untuk
melihat keadaan data dari variabel independen (prediktor) terhadap variabel dependen
(respon) sebagai berikut:
Scatterplot of Y vs X1; X2; X3; X4; X5; X6
X1 X2 X3

500000

400000

300000

200000

100000
Y

100 200 300 0 400000 800000

100 200 300
X4 X5 X6

500000

400000

300000

200000

100000

20000 40000 60000 15000 30000 50000000

45000 75000000 100000000
Dari Plot Y & X1, Plot Y & X2, serta Plot Y & X3 membentuk dua kelompok data, namun
ketiganya cederung menyebar secara linear dan plot yang lain umumnya cenderung membentuk
pola linear pula. Oleh karena itu, berdasarkan plot dari variabel bebas terhadap respon di atas
memberikan indikasi bahwa secara umum setiap variabel bebas mempunyai penyebaran dengan
pola linear terhadap variabel respon, sehingga kemungkinan model yang cocok untuk
permasalahan tersebut adalah model regresi linear berganda yaitu:
Y = β o + β 1X1 + β 2 X2 + β 3X3 + β 4X4 + β 5X5 + β 6X6 + ε

Analisis Regresi

Dengan menggunakan program aplikasi MINITAB diperoleh hasil output komputer

sebagai berikut:

Regression Analysis: Y versus X1; X2; X3; X4; X5; X6

The regression equation is

Y = - 280018 + 61 X1 + 0,170 X2 + 132 X3 - 3,66 X4 + 12,2 X5 + 0,00390 X6

Predictor Coef SE Coef T P VIF

Constant -280018 106930 -2,62 0,022
X1 60,6 180,1 0,34 0,743 2,2
X2 0,1702 0,1162 1,46 0,169 17,8
X3 132,3 193,6 0,68 0,507 2,5
X4 -3,663 3,284 -1,12 0,287 42,9
X5 12,226 2,979 4,10 0,001 17,3
X6 0,003902 0,001467 2,66 0,021 6,8

S = 32353,8 R-Sq = 97,0% R-Sq(adj) = 95,5%

PRESS = 60000359320 R-Sq(pred) = 85,65%

Analysis of Variance

Source DF SS MS F P
Regression 6 4,05622E+11 67603680841 64,58 0,000
Residual Error 12 12561217179 1046768098
Total 18 4,18183E+11

Durbin-Watson statistic = 2,20803

Dari hasil output komputer di atas diperoleh suatu taksiran parameter regresi dengan
metode kuadrat terkecil dan persamaan regresinya sebagai berikut:
The regression equation is
Y = - 280018 + 60.6 X1 + 0.170 X2 + 132.3 X3 - 3.66 X4 + 12.23 X5 + 0.0039 X6

Berdasarkan persamaan regresi tersebut dapat diartikan bahwa jika tingkat inflasi naik
sebesar 1 satuan akan menambah PDB sebesar 60.6 miliyar rupiah dengan asumsi faktor lainnya
tetap, jika jumlah uang yang beredar mengalami kenaikan sebesar 1 satuan akan menambah
pendapatan domestik bruto 0,170 miliyar rupiah dengan asumsi faktor lainnya tetap, selanjutnya
kenaikan harga bahan makanan sebesar 1 satuan rupiah akan menambah PDB sebesar 132.3
miliyar rupiah dengan asumsi faktor lainnya tetap, namun jika kenaikan harga ekspor sebesar 1
miliyar akan menurunkan PDB sebesar 3.66 miliyar rupaih dengan asumsi faktor lainnya tetap,
kemudian kenaikan harga impor sebesar 1 miliyar akan menambah PDB sebesar 12.23 miliyar
rupiah dengan asumsi faktor lainnya tetap, sedangkan penambahan tenaga kerja 1 orang akan
menambah PDB sebesar 0,0039 miliyar rupiah dengan asumsi faktor lainnya tetap. Berdasarkan
hasil model persamaan regresi yang diperoleh adanya tanda arah yang berlawanan dari
parameter-parameter atau koefisien-koefisien regresi yaitu adanya tanda arah positif (+) dan
tanda arah negatif (-), sebagai dugaan awal sebelum dilakukan pendeteksian hal tersebut
kemungkinan disebabkan oleh adanya multikolinearitas atau korelasi serial antara variabel-
variabel prediktor.
Namun semua koefisien regresi yang diperoleh harus dilakukan pengujian baik secara
overall maupun secara individual yang dapat dilakukan dengan memperhatikan hasil output
komputer pada tabel diatas dengan uji hipotesis statistik sebagai berikut:
Tabel analisis variansi
Pada tabel analisis variansi diperoleh seperti tabel dibawah ini:

Source of Variation DF SS MS F ratio P

Regression 6 4,05622E+11 67603680841 64,58 0.000

Error 12 12561217179 1046768098

Total 18 4,18183E+11

Uji serentak atau overall

Untuk pengujian secara keseluruhan dari model regresi, dalam arti bahwa dari semua
koefisien yang terlibat secara bersama-sama memberikan arti sifnifikansi terhadap respon.
Hipotesis yang akan diuji:
H0 : i = 0, dimana i = 1,2,3,4,5,6
H1 : at least one i  0, dimana i = 1,2,3,4,5,6
Berdasarkan tabel analisis variansi diperoleh nilai:
F ratio = 64,58 > F tabel = 3.63 atau nilai P=0.000 <  =0.05
Yang berarti secara statistik signifikan, maka H0 ditolak sehingga dapat disimpulkan bahwa
secara bersama-sama (overall) terdapat pengaruh variabel X1, X2, X3, X4, X5, X6 terhadap
variabel Y produk domestic bruto/pertumbuhan ekonomi pada taraf kepercayaan 95%. Sehingga
model ini dapat dipakai untuk menjelaskan respon yang ada.

Pengujian secara individual

Pengaruh parsial setiap variabel bebas dapat dilihat dari signifikan atau tidaknya koefisien
regresi dari masing-masing varibel bebas yang bersesuian. Berdasarkan hasil output diperoleh
bahwa koefisien regresi dari masing-masing X1, X2, X3, dan X4 tidak signifikan karena nilai thitung
dari masing-masing koefisien adalah 0.34, 1.46, 0,68, dan -1,12 yang lebih kecil daripada ttabel =
1.73. dengan demikian thitung < ttabel , sehingga Ho gagal tolak. Maka dapat disimpulkan bahwa
koefisien regresi variabel X1, X2, X3, dan X4 yang bersesuaian dengan parameter regresi secara
individual tidak memberikan pengaruh yang berarti terhadap model. Sedangkan untuk variabel
X5, X6 mempunyai koefisen regresi yang signifikan dengan thitung masing-masing adalah 4,10 dan
2,66 yang lebih besar ttabel = 1.73. dengan demikian secara parsial kedua variabel tersebut
memberikan pengaruh yang berarti terhadap model.
Perbaikan Model
Dari temuan tersebut ada beberapa koefisien regresi yang tidak signifikan, maka perlu
diadakan tinjauan ulang terhadap model tersebut, sehingga perlu diadakan transformasi variabel,
namun setelah dilakukan berbagai macam transformasi terhadap variabel-variabel yang ada tidak
memberikan perubahan. Oleh karena itu, berdasarkan hasil eksplorasi data, adanya variabel bebas
yang berkorelasi tinggi sehingga mengindikasikan kemungkinan variabel tersebut bisa
dikeluarkan dari model.
Untuk pemilihan model yang terbaik, dengan kata lain penyaringan variabel bebas yang
benar-benar signifikan terhadap respon dilakukan dengan menggunakan metode stepwise
regression. Dengan hasil sebagai berikut :

Stepwise Regression: Y versus X1; X2; X3; X4; X5; X6

Alpha-to-Enter: 0,05 Alpha-to-Remove: 0,05

Response is Y on 6 predictors, with N = 19

Step 1 2 3 4
Constant -52822 -78089 -308583 -358620

X4 9,35 5,30 1,52

T-Value 10,69 4,09 0,96
P-Value 0,000 0,001 0,351

X5 6,8 6,9 7,7

T-Value 3,65 4,66 6,47
P-Value 0,002 0,000 0,000

X6 0,00455 0,00560
T-Value 3,16 5,94
P-Value 0,007 0,000

S 56429 42967 34404 34324

R-Sq 87,06 92,94 95,75 95,49
R-Sq(adj) 86,29 92,05 94,91 94,93
Mallows C-p 36,7 15,2 6,0 5,0
PRESS 73964820682 48919311236 31550451747 27258068961
R-Sq(pred) 82,31 88,30 92,46 93,48

Dari hasil analisis tersebut diperoleh beberapa persaman regresi yang direkomendasikan yaitu:
a. Regression Analysis: Y versus X4
The regression equation is
Y = - 52822 + 9,35 X4

Predictor Coef SE Coef T P

Constant -52822 33248 -1,59 0,131
X4 9,3522 0,8747 10,69 0,000

S = 56429,4 R-Sq = 87,1% R-Sq(adj) = 86,3%

PRESS = 73964820682 R-Sq(pred) = 82,31%

Analysis of Variance
Source DF SS MS F P
Regression 1 3,64051E+11 3,64051E+11 114,33 0,000
Residual Error 17 54132752245 3184279544
Total 18 4,18183E+11
b. Regression Analysis: Y versus X4; X5
The regression equation is
Y = - 78089 + 5,30 X4 + 6,75 X5

Predictor Coef SE Coef T P VIF

Constant -78089 26245 -2,98 0,009
X4 5,297 1,295 4,09 0,001 3,8
X5 6,754 1,850 3,65 0,002 3,8

S = 42966,6 R-Sq = 92,9% R-Sq(adj) = 92,1%

PRESS = 48919311236 R-Sq(pred) = 88,30%

Analysis of Variance
Source DF SS MS F P
Regression 2 3,88645E+11 1,94323E+11 105,26 0,000
Residual Error 16 29538083003 1846130188
Total 18 4,18183E+11

c. Regression Analysis: Y versus X4; X5; X6

The regression equation is
Y = - 308583 + 1,52 X4 + 6,91 X5 + 0,00455 X6

Predictor Coef SE Coef T P VIF

Constant -308583 76014 -4,06 0,001
X4 1,523 1,583 0,96 0,351 8,8
X5 6,911 1,482 4,66 0,000 3,8
X6 0,004552 0,001443 3,16 0,007 5,8

S = 34403,9 R-Sq = 95,8% R-Sq(adj) = 94,9%

PRESS = 31550451747 R-Sq(pred) = 92,46%

Analysis of Variance
Source DF SS MS F P
Regression 3 4,00429E+11 1,33476E+11 112,77 0,000
Residual Error 15 17754426712 1183628447
Total 18 4,18183E+11

d. Regression Analysis: Y versus X5; X6

The regression equation is
Y = - 358620 + 7,75 X5 + 0,00560 X6

Predictor Coef SE Coef T P VIF

Constant -358620 55300 -6,48 0,000
X5 7,748 1,197 6,47 0,000 2,5
X6 0,0056009 0,0009430 5,94 0,000 2,5

S = 34323,6 R-Sq = 95,5% R-Sq(adj) = 94,9%

PRESS = 27258068961 R-Sq(pred) = 93,48%

Analysis of Variance
Source DF SS MS F P
Regression 2 3,99334E+11 1,99667E+11 169,48 0,000
Residual Error 16 18849739687 1178108730
Total 18 4,18183E+11

Durbin-Watson statistic = 1,69925

Pengujian F-test dan Sequential F-test

Persamaan yang diberikan (a-d) dalam pengujian secara keseluruhan dan individual dari
setiap regresi dalam model, kemudian berdasarkan Tabel ANOVA untuk masing-masing model
tersebut diberikan pengujian berturut-turut sebagai berikut:

• X4 dimasukkan dalam model

Hipotesis statistik untuk pengujian secara serempak yaitu

H0 : β4= 0
H1 : β4 ≠ 0

Berdasarkan hasil di atas diperoleh Fhitung = 114.33 dengan Ftabel = 4.45. dengan demikian
Fhiutng > Ftabel , sehingga Ho ditolak. Maka dapat disimpulkan bahwa variabel X4 yang
bersesuaian dengan parameter regresi memberikan pengaruh yang berarti terhadap model

• X4 dan X5 dimasukkan dalam model

Hipotesis statistik untuk pengujian secara serempak yaitu
H0 : β4=β5 =0
H1 : βj ≠ 0, j = 4,5
Berdasarkan hasil di atas diperoleh Fhitung = 105.26 dengan Ftabel = 3.63. dengan demikian
Fhiutng > Ftabel , sehingga Ho ditolak. Maka dapat disimpulkan bahwa X4 dan X5 yang
bersesuaian dengan parameter regresi bersama-sama memberikan pengaruh yang berarti
terhadap model.
Secara individual hipotesis statistik yang diuji adalah :
H 0 : βi = 0
H1 : βi≠ 0, i = 4,5
Berdasarkan hasil di atas diperoleh bahwa koefisien regresi dari masing-masing X4, X5
signifikan karena nilai thitung dari masing-masing koefisien adalah 4.69, 3.05 yang lebih besar
daripada ttabel = 1.73. dengan demikian thitung > ttabel , sehingga Ho tolak. Maka dapat
disimpulkan bahwa variabel X yang bersesuaian dengan parameter regresi secara individual
memberikan pengaruh yang berarti terhadap model.

• X4, X5, dan X6 dimasukkan dalam model

Hipotesis statistik untuk pengujian secara serempak yaitu
H0 : β4=β5 = β6=0
H1 : βj ≠ 0, j = 4,5,6

Berdasarkan hasil di atas diperoleh Fhitung = 112.77 dengan Ftabel = 3.29. dengan demikian
Fhiutng > Ftabel , sehingga Ho ditolak. Maka dapat disimpulkan bahwa variabel X yang
bersesuaian dengan parameter regresi bersama-sama memberikan pengaruh yang berarti
terhadap model.
Secara individual hipotesis statistik yang diuji adalah :
H 0 : βi = 0
H1 : βi≠ 0, i = 4,5,6
 Berdasarkan hasil di atas diperoleh bahwa koefisien regresi dari masing-masing X4, X5, X6
signifikan karena nilai thitung dari masing-masing koefisien adalah 1.96, 4.66, 3.16 yang lebih
besar daripada ttabel = 1.73. dengan demikian thitung > ttabel , sehingga Ho tolak. Maka dapat
disimpulkan bahwa variabel X yang bersesuaian dengan parameter regresi secara individual
memberikan pengaruh yang berarti terhadap model.

• X5 dan X6 dimasukkan dalam model

Hipotesis statistik untuk pengujian secara serempak yaitu
H0 : β5 = β6 =0
H1 : βj ≠ 0, j = 5,6
Berdasarkan hasil di atas diperoleh Fhitung = 169.48 dengan Ftabel = 3.63, dengan demikian
Fhiutng > Ftabel , sehingga Ho ditolak. Maka dapat disimpulkan bahwa X yang bersesuaian
dengan parameter regresi bersama-sama memberikan pengaruh yang berarti terhadap model.
Secara individual hipotesis statistik yang diuji adalah :
H 0 : βi = 0
H1 : βi≠ 0, i = 5,6

Berdasarkan hasil di atas diperoleh bahwa koefisien regresi dari masing-masing X5, X6
signifikan karena nilai thitung dari masing-masing koefisien adalah 6.47, 5.94 dan
ttabel = 1.73. dengan demikian thitung > ttabel , sehingga Ho tolak. Maka dapat disimpulkan bahwa
variabel X yang bersesuaian dengan parameter regresi secara individual memberikan
pengaruh yang berarti terhadap model.
Kriteria R2 dan Ra2(adj)

Berdasarkan analisis di atas dijelaskan pula bahwa variabel yang dimasukkan dalam
model adalah variabel yang koefisien regresinya signifikan. Pemasukan variabel tersebut
berdasarkan tingginya R2 yang diberikan sehingga variabel X4 dimasukkan pertama kali yang
menjelaskan proporsi keragaman disekitar nilai Y sebesar R-Sq = 87.1% dan R-Sq(adj)=86.3%
kemudian disusul variabel X5 yang dimasukkan ternyata menambah proporsi keragaman
disekitar nilai Y sebesar R-Sq = 92.9% dan R-Sq(adj)=92.1%. Variabel yang dimasukkan
berikutnya adalah X6 yang memberikan konstribusi penambahan proporsi keragaman disekitar
nilai Y sebesar R-Sq = 95.8% dan R-Sq(adj) = 94.9%. Untuk persamaan terakhir variabel X4
dikeluarkan dari model sehingga proporsi keragaman disekitar nilai Y sebesar
R-Sq = 95.5% dan R-Sq(adj) sebesar 94.9%.
Berdasarkan besarnya proporsi keragaman disekitar nilai Y dari persamaan (a) – (d),
menunjukkan bahwa pemasukan variabel X4, X5 dan X6 memberikan proporsi keragaman
disekitar nilai Y yang paling besar, namun setelah variabel X4 dikeluarkan proporsi keragaman
disekitar nilai Y tidak berkurang secara signifikan. Oleh karena itu persamaan d dapat mewakili
setiap variabel untuk menjelaskan model. Sedangkan R-Sq(adj) yang diberikan beturut-turut
dari persamaan (a- d) yaitu 86.3%, 92.1%, 94.9%, 94.9% menunjukkan bahwa pemasukan
variabel X5 dalam model memberikan pengaruh yang signifikan, setelah variabel X6 dimasukkan
hanya menaikkan proporsi keragaman sebesar 2,8%. Keterlibatan variabel X4, X5 dan X6 yang
memberikan proporsi keragaman disekitar nilai Y yang paling besar, namun memperhatikan
R-Sq(adj) dari persamaan dari 3 variabel tersebut sama dengan R-Sq(adj) setelah X4 dikeluarkan,
maka dapat disimpulkan bahwa variabel bebas dalam persamaan regresi yang dapat
direkomendasikan untuk menjelaskan model X5 dan X6 dengan persamaan:
 Y = - 358620 + 7.75 X5 + 0.00560 X6

Pengujian Residual

Dalam pengujian residual ini akan dilakukan pada dua kondisi persamaan dari perbedaan
sudut pandang yaitu
(a) Persamaan yang diambil setelah model diperbaiki, dalam arti statistik bahwa ada
variabel yang dikeluarkan dari model setelah melakukan uji statistik dengan
pandangan bahwa signifikansi koefisien regresi dari variabel yang bersesuaian
menjadi perhatian kita . Dengan persamaan regresi :
Y = - 358620 + 7.75 X5 + 0.00560 X6

(b) Persamaan yang melibatkan secara keseluruhan variabel tanpa memperhatikan

signifikansi koefisien regresi secara parsial dari tiap variabel tersebut, hal ini kita
berpandangan bahwa berdasarkan latar belakang data yang ada variabel-variabel
yang dilibatkan meskipun ada korelasi tetapi eksistensi setiap variabel tersebut
senantiasa ikut di dalam mempengaruhi pertumbuhan ekonomi indonesia, sehingga
semua variabel yang ada tetap akan menjadi faktor terhadap pertumbuhan ekonomi
tanpa harus mengeluarkan dari model meskipun secara individual ada yang tidak
signifikan. Dengan persamaan sebagai berikut:
Y = - 280018 + 60.6 X1 + 0.170 X2 + 132.3 X3 - 3.66 X4 + 12.23 X5 + 0.0039 X6

• Pengujian Residual untuk persamaan (a)

 Identik (Heteroscedasticitas)
Untuk mendeteksi adanya heteroskedastisitas pada residual dipakai uji Glejser yaitu
dengan meregresikan absolut dari residual dengan variabel bebas
|ei| = βo + β1X1 + β2X2 + ...+ βkXk + υi
Hipotesis statistik yang akan diuji adalah

Ho : Tidak terjadi heteroskedastisitas

H1 : Terjadi heteroskedastisitas
Uji yang digunakan adalah uji F yaitu gagal tolak Ho jika Fhitung ≤ Ftabel. Selanjutnya
diberikan hasil output komputer yaitu:
The regression equation is
|RESI1| = - 307 + 0.658 X5 +0.000130 X6
Analysis of Variance
Source DF SS MS F P
Regression 2 1280112980 640056490 2.27 0.136
Residual Error 16 4513095724 282068483
Total 18 5793208704

Dari hasil tersebut diperoleh Fhitung = 2.27 < Ftabel = 3.63, dengan demikian gagal
tolak Ho, maka dapat disimpulkan bahwa tidak terjadi heteroskedastisitas. Jadi asumsi
homogenitas (identik) dari error terpenuhi.
 Independen (Autokorelasi)
Scatterplot of RESI9 vs order

50000

25000

RESI9
0

-25000

-50000

0 5 10 15 20
order

Dari grafik di atas terlihat bahwa gambar tidak membentuk pola atau dengan kata lain
titik-titik pada grafik tersebut menyebar secara random, sehingga dapat disimpulkan
bahwa autokorelasi tidak terjadi.
Sedangkan dengan menggunakan Uji Durbin Watson:
Besaran durbin watson dengan persamaan:
n

 e  e 
t t 1
dw  t 2
n

e
t 1
2
t

Apabila d u  d w  4  du maka H0 ditolak yang berarti tidak terdapat autokorelasi antara

residual.
Hipotesis statistik yang akan diuji:
H0 : Terdapat autokorelasi antara residual
H1 : Tidak terdapat autokorelasi antara residual
Dari hasil analisis diperoleh nilai durbin watson d w = 1.699 yang berada pada interval
 du  d w  4  du yang berarti H0 ditolak sehingga dapat disimpulkan bahwa tidak
terdapat autokorelasi antara residual dalam model.

 Uji Normalitas
Hipotesis : H0 : Residual berdistribusi normal
H1 : Residual tidak berdistribusi normal
Dengan menggunakan uji Kolmogorov Smirnov didapatkan p value 0.456.
Karena p_value > 0,05 maka gagal tolak H0 sehingga disimpulkan residual berdistribusi
normal.

 Multikolinearitas

Multikolinearitas sering terjadi pada regresi linear ganda, sehingga harus dideteksi adanya
bergantung linear antar variabel bebas. Untuk melihat hal ini dapat dideteksi dari VIF
(Variance Inflantion factors). Jika nilai VIF lebih dari 10 maka diduga ada
Multikolinearitas. Dari hasil analisis diatas tidak ada nilai VIF yang lebih dari 10, maka
tidak ada multikolinearitas antar variabel bebas. Oleh karena itu, dari keempat asumsi
 yang ada semuanya terpenuhi sehingga model tersebut dapat digunakan untuk pendugaan
pertumbuhaan ekonomi yang dipengaruhi oleh tingkat Harga Impor dan Angkatan kerja.
 Pengujian Residual untuk persamaan (b)
 Identik (Heteroscedasticitas)
Untuk mendeteksi adanya heteroskedastisitas pada residual dipakai uji Glejser yaitu
dengan meregresikan absolut dari residual dengan variabel bebas
|ei| = o + 1X1 + 2X2 + ...+ kXk + i
Hipotesis statistik yang akan diuji adalah

Ho : Tidak terjadi heteroskedastisitas

H1 : Terjadi heteroskedastisitas
Uji yang digunakan adalah uji F yaitu gagal tolak Ho jika Fhitung  Ftabel. Selanjutnya
diberikan hasil output komputer yaitu:
The regression equation is
|RESI2| = - 18996 - 22.9 X1 - 0.0829 X2 + 64.1 X3 + 2.56 X4 - 1.29 X5
-0.000127 X6

Analysis of Variance

Source DF SS MS F P
Regression 6 1711802515 285300419 1.13 0.401
Residual Error 12 3025797108 252149759
Total 18 4737599623
Dari hasil tersebut diperoleh Fhitung = 1.13 < Ftabel = 3.63, dengan demikian Ho
diterima, maka dapat disimpulkan bahwa tidak terjadi heteroskedastisitas. Jadi asumsi
homogenitas (identik) dari error terpenuhi.

 Independen (Autokorelasi)
Scatterplot of RESI10 vs order

50000

25000
RESI10

-25000

-50000
0 5 10 15 20
order

Dari grafik di atas terlihat bahwa gambar tidak membentuk pola atau dengan kata lain
titik-titik pada grafik tersebut menyebar secara random, sehingga dapat disimpulkan
bahwa autokorelasi tidak terjadi.
Sedangkan dengan menggunakan Uji Durbin Watson:
Besaran durbin watson dengan persamaan:
 n

 e  e 
t t 1
dw  t 2
n

e
t 1
2
t

Apabila d u  d w  4  du maka H0 ditolak yang berarti tidak terdapat autokorelasi antara

residual.
Hipotesis statistik yang akan diuji:
H0 : Terdapat autokorelasi antara residual
H1 : Tidak terdapat autokorelasi antara residual
Dari hasil analisis diperoleh nilai durbin watson d w = 2.21 yang berada pada interval
 du  d w  4  du yang berarti H0 ditolak sehingga dapat disimpulkan bahwa tidak
terdapat autokorelasi antara residual dalam model.

 Uji Normalitas
Hipotesis : H0 : Residual berdistribusi normal
H1 : Residual tidak berdistribusi normal
Dengan menggunakan uji Kolmogorov Smirnov didapatkan p value 0.478.
Karena p_value > 0,05 maka gagal tolak H0 sehingga disimpulkan residual berdistribusi
normal.

 Multikolinearitas
Multikolinearitas sering terjadi pada regresi linear ganda, sehingga harus dideteksi adanya
bergantung linear antar variabel bebas. Untuk melihat hal ini dapat dideteksi dari VIF
(Variance Inflantion factors). Jika nilai VIF ada yang lebih dari 10 maka diduga ada
Multikolinearitas. Dari hasil analisis ditemukan nilai VIF yang lebih besar dari 10 yaitu
variabel X2, X4 dan X5 sehingga diduga ada multikolinearitas antar variabel bebas.

F. Kesimpulan

 Model pertumbuhan ekonomi indonesia tahun 1983-2001 jika semua faktor dilibatkan adalah
sebagai berikut :
Y = - 280018 + 60.6 X1 + 0.170 X2 + 132.3 X3 - 3.66 X4 + 12.23 X5 + 0.0039 X6
dengan R-Sq = 97%

 Model terbaik pertumbuhan ekonomi indonesia tahun 1983-2001 setelah dilakukan pemilihan
model terbaik berdasarkan kriteria yang ada dengan metode Stepwise Regretion adalah
sebagai berikut :
Y = - 358620 + 7.75 X5 + 0.00560 X6

Dengan R-Sq = 95.5%

DAFTAR PUSTAKA

Norman Draper & Harry Smith. 1981. Applied Regression Analysis, Second Edition. New York,
Chichester, Brisbane, Toronto. John Wiley & Sons, Inc.

Hisyam Ihsan. 2003. Statitika Terapan: Prinsip, Metode & Analisis Data. Makassar, Jurusan
Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri
Makassar.