Jurnal EKSPONENSIAL Volume 6, Nomor 2, Nopember 2015 ISSN 2085-7829

Regresi Robust Linear Sederhana dengan Menggunakan

Estimasi MM (Method of Moment)

Simple Linear Regression Robust With MM (Method Of Moment) Estimation

Romdi1, Sri Wahyuningsih2, dan Desi Yuniarti3

1
Laboratorium Statsitika Komputasi FMIPA Universitas Mulawarman
2,3
Program Studi Statistika Fakultas MIPA Universitas Mulawarman
Jl. Barang Tongkok Kampus Gn. Kelua Samarinda-Kalimantan Timur
1
E-mail: romdi.mkn@gmail.com , swahyuningsih@gmail.com2, desy_yunt@yahoo.com3

Abstract
Simple regression analysis is an analysis of the relationship of the dependent variable (Y) with one
independent variable (X). Reggression model is obtained by estimating the parameters with Ordinary
Least Square (OLS). But the method of OLS is highly susceptible to outliers , because outliers can
influence the results of the estimation model of OLS. Outliers can be detected by using DFFITS test, this
test can detect outliers which affect the results of the data analysis. Hence, we need robust regression
which is stout to outlier. Research on robust regression being estimated by using the estimation Method
Of Moment (MM). MM estimation is a combination of M estimation and S estimation, where the M
estimation made estimator has high efficiency and S estimation guaranted high value of Breakdown
Point. The purpose of this research is to know the influence of the exchange rate of the Rupiah against the
Dollar (X) against share price Golden Retailindo Tbk (Y), where stock price data contains outlier. From
the results of the analysis we obtained the regression equation that States the relationship between stock
price Golden Retailindo Tbk with the exchange rate of the Rupiah against the Dollar is
Yˆ  541,07 - 0,015 X based on a regression model that the shares price of Golden Retailindo Tbk will be
decreassing Rp. 0,015 if the exchange rate is increasing Rp. 1,00 and if the exchange rate is not
considered then the share price is Rp. 541,07.

Keywords: dffits, method of moment (mm), ordinary least square, outlier, robust regression

Pendahuluan Point) dengan estimasi M yang diperkenalkan

Analisis regresi merupakan analisis
ketergantungan dari satu atau lebih variabel
bebas terhadap satu variabel terikat, dengan
tujuan untuk menduga atau memprediksi nilai
rata-rata populasi berdasarkan nilai-nilai
variabel bebasnya. Untuk memperoleh taksiran
parameter regresi linear sederhana maka dapat
dilakukan dengan menggunakan Ordinary Least
Square (OLS).. Analisis regresi memiliki
asumsi klasik yang harus dipenuhi agar model
yang dihasilkan dapat dikatakan model terbaik
(Widarjono, 2007).
Permasalahan lain yang dapat timbul dari
regresi dengan metode OLS adalah adanya
outlier atau pencilan pada data. Pencilan adalah
suatu pengamatan yang menyimpang cukup
jauh dari pengamatan lainnya sehingga
menimbulkan dugaan bahwa pengamatan
tersebut berasal dari distribusi data yang
berbeda (Soemartini, 2007).
Untuk mengatasi masalah pencilan tersebut
maka diperlukan regresi robust. Terdapat
beberapa estimasi yang dapat digunakan untuk
mencari parameter regresi robust seperti Least
Mean Square (LMS), Least Trimed Square
(LTS), Estimasi- S, Estimasi-M , dan Estimasi
Method Of Momen (MM). Estimasi MM adalah
kombinasi antara estimasi S (High Breakdown
oleh Yohai pada tahun 1987 (Yohai, 1987).
Analisis regresi sangat banyak
dimanfaatkan dalam bidang ekonomi,
khususnya pada pasar modal digunakan untuk
menganalisis harga saham. Faktor yanag sangat
mempengaruhi harga saham adalah Nilai tukar
rupiah. dengan menggunakan analisis regresi
dapat dilakukan pemodelan hubungan antara
keduanya. Pada saat tertentu nilai saham dan
nilai tukar rupiah dapat mencapai titik tertinggi
atau terendah yang tentunya akan
mengakibatkan nilai tersebut berada jauh dari
pusat data. Hal ini akan mengakibatkan terdapat
pencilan pada data tersebut (Sukirno, 2003).
Tujuan penelitian ini adalah mengatasi
pencilan pada data harga saham Golden
Retailindo Tbk dan Nilai tukar rupiah terhadap
dollar dengan menggunakan estimasi MM
(Method Of Moment). agar diperoleh model
regresi antara harga saham Golden Retailindo
Tbk dengan nilai tukar rupiah terhadap dollar
yang bebas dari pengaruh pencilan.
Analisis Regresi Sederhana
Analisis regresi merupakan analisis
ketergantungan dari satu atau lebih variabel
bebas terhadap satu variabel terikat, dengan
tujuan untuk menduga atau memprediksi nilai

Program Studi Statistika FMIPA Universitas Mulawarman 179

Jurnal EKSPONENSIAL Volume 6, Nomor 2, Nopember 2015 ISSN 2085-7829

rata-rata populasi berdasarkan nilai-nilai i=1,2,...n (1)

variabel bebasnya. Analisis regresi yang
digunakan untuk memprediksi satu variabel dimana :
terikat berdasarkan pada satu variabel bebas JKG: Jumlah Kuadrat Galat
disebut dengan analisis regresi sederhana. k : jumlah variabel bebas
Sedangkan analisis regresi yang digunakan n : Banyaknya pengamatan
untuk memprediksi satu variabel terikat hii= Xi(XTX)-1XiT
berdasarkan dua atau lebih variabel bebas dengan
disebut dengan analisis regresi berganda. 1 X 1 
Dimana model umum persamaan regresi linear  
1 X2 1 1  1 
sederhana adalah Y   0  1 X  e (Widarjono, X XT   
   ,  X1 X 2  X n 
2007).  
Metode yang paling sering digunakan 1 X n 
dalam analisis regresi adalah Ordinary Least
Square (OLS). Metode ini dianggap dapat Xi= data variabel X / variabel bebas ke-i
menghasilkan estimator yang tidak bias, linear k
dan varian yang minimum (Best Linear Nilai kritis untuk DFFITS adalah 2 ,
Unbiased Estimator = BLUE). OLS ini n
dikemukakan oleh Carl Friedirch Gauss, dimana k banyaknya variabel bebas ditambah 1
seorang ahli matematika bangsa Jerman. Prinsip sedangkan n adalah banyaknya data penelitian.
dasar OLS ini adalah meminimumkan jumlah Jika nilai DFFITS lebih besar dari nilai kritis
kuadrat residual. Dalam metematika, untuk maka pembuangan pencilan berpengaruh ke -i .
mendapatkan nilai minimum dari suatu fungsi Dari himpunan data menyebabkan penduga dari
maka syaratnya adalah differensiasi atau Yi berubah (Sen dan Srivastava, 1990) .
turunan pertama fungsi tersebut harus sama Fungsi obyektif adalah fungsi yang
dengan nol. Dalam menggunakan metode digunakan untuk mencari pembobot pada
tersebut ada syarat yang harus dipenuhi yaitu regresi robust. Menurut Montgomery dan Peck
kenormalan resdiual, non heteroskedastisitas, (1982), Fungsi pembobot yang disarankan oleh
dan non autokorelasi untuk menghasilkan model Tukey menggunakan fungsi obyektif:
yang tidak bias (Gujarati, 2004).
Di samping asumsi tersebut masih ada satu   2
 ei   
2
c2 
permasalahan yang dapat terjadi pada metode 1  1     , ei  c
OLS yaitu adanya pencilan. Pencilan adalah 6    c   
data yang jauh dari pola kumpulan dan  
keseluruhan, yang lazim didefinisikan sebagai  (ei ) 
(2)
data pencilan. Keberadaan dari pencilan akan 2
c
menyebabkan kesulitan dalam proses analisis , ei  c
data dan perlu untuk dihindari. Pencilan 6
berpengaruh adalah pencilan yang dapat dengan
berpengaruh besar terhadap persamaan garis
regresi. Pencilan berpengaruh dapat ditelusuri 2
  e 2 
dengan membandingkan hasil analisis pada data ei 1   i   , ei  c
lengkap dengan hasil analisis yang salah satu   c  
pencilannya dibuang. Jika membuang pencilan
(  (ei ))
maka dapat berpengaruh terhadap hasil analisis  (ei )   0, ei  c
pada data. Untuk mengidentifikasi data yang  ei
mengandung pencilan maka dapat digunakan uji (3)
DFFITS. Uji DFFITS digunakan untuk dan fungsi pembobot,
mendeteksi pencilan yang berpengaruh terhadap 2
  e 2 
nilai dugaan Y, hipotesis yang digunakan 1   i   , ei  c
adalah:   c  
Hipotesis
H0 : Pencilan ke-i tidak berpengaruh
 (ei 
H1: Pencilan ke-i berpengaruh wi  wei    0, ei  c
Dengan rumus DFFITS adalah sebagai berikut: ei
1 1
f  nk 2  2  hii  2 (4)
DFFITS  i  ei  2  
 JKG (1  hii )   i  1  hii 
s( f i ) Konstanta yang menghasilkan efisiensi
tinggi dengan residual berdistribusi normal dan
dapat memberikan perlindungan terhadap

180 Program Studi Statistika FMIPA Universitas Mulawarman

Jurnal EKSPONENSIAL Volume 6, Nomor 2, Nopember 2015 ISSN 2085-7829

outlier yaitu konstanta dengan c = 4,685 untuk Point dan efisiensi statistik yang dikenalkan
pembobot Tukey Bisquare. oleh Yohai (1987). Langkah pertama dalam
estimasi ini adalah mencari Estimator S,
Regresi Robust
kemudian menetapkan parameter-parameter
Prosedur regresi robust dirancang untuk
regresi menggunakan estimasi M. Estimasi S
mengurangi pengaruh dari pencilan yang
menjamin nilai Breakdown Point tinggi dan
mempunyai pengaruh tinggi jika metode OLS
estimasi M membuat estimator mempunyai
digunakan. Oleh karena itu prosedur regresi
efisiensi tinggi. Pada umumnya digunakan
robust cenderung untuk mengabaikan residual
fungsi Tukey Bisquare β baik pada estimasi S
yang berhubungan dengan pencilan-pencilan
maupun estimasi M. Bentuk dari metode
yang besar. Disamping tidak sensitif jika
estimasi Method Of Moment (MM) adalah
terdapat kasus pencilan, prosedur regresi robust
(Yohai, 1987):
mempunyai tingkat efisiensi yang sama dengan
 k 
90% - 95% dibanding metode OLS jika di
bawah distribusi normal. Regresi robust ini n
y -
 i ∑
xij  j 

dikembangkan oleh Rousseeuw dan Leroy pada
tahun 1987.
 MM  arg min



∑
j 0
 ˆS
 (8)

i 1
Regresi robust ditujukan untuk  
 
mengakomo-dasi adanya keanehan data,  
sekaligus meniadakan identifikasi adanya data dengan fungsi pembobot Tukey bisquare adalah:
pencilan dan juga bersifat otomatis dalam 2
  u 2 
menanggulangi data pencilan. Analisis regresi 1   i   , ui  c
robust ini tidak membuat galat model menjadi   c  
normal namun model yang dihasilkan oleh
metode ini memiliki tingkat keakuratan yang  ((ui )
wi = = 0, ui  c
lebih tinggi dari model yang dihasilkan oleh ei
model OLS (Soemartini, 2007). Dalam
mendeteksi pencilan, metode regresi robust (9)
yang sering digunakan adalah Huber estimasi ei
M, estimasi dengan Breakdown Point, dan Dimana u i = dan c= 4,685
̂ s
gabungan dari dua metode tersebut.
Jika data terkontaminasi pencilan pada Metode estimasi MM juga menggunakan
variabel bebas (X), estimasi M tidak dapat WLS (Weighted Least Square) untuk mencari
bekerja dengan baik. Estimasi M tidak dapat estimasi parameter regresi. Dengan model
mengidentifikasi bad observation yang berarti persamaan dalam bentuk matriks adalah:
tidak dapat membedakan good leverage point βˆ (m)  (X T W (m)X) 1 (X T W (m)Y)
J (10)
dan bad leverage point. Untuk mengatasi hal dimana:
tersebut, estimasi high breakdown sangat
diperlukan. Salah satu estimasi yang 1 X1  Y1 
   
1 X2 Y2
X , Y 
mempunyai nilai high breakdown point adalah
estimasi S. bentuk estimator S adalah (Chen,      
2002):    
1 X n  Yn 
 s  arg min ˆ S (e1 , e1 ,..., en ) (5)
 1 1  1 
XT  
dengan
 X1 X2  X n 

 
n n
n (ei )  (
2
e) 2
 w1 0  0 
i 1 i 1 i
ˆ s  (6)  
n(n  1) 0 w2  0 
W (m)  
Estimasi M akan menjaga ke-Robust-an    0 
dengan mengatasi pencilan vertikal, yaitu  
0 0  wn 
pencilan yang terdapat pada variabel terikat (Y).
m = iterasi ke- i dimana i = 1,2, . . .hingga
Estimator M yang meminimumkan fungsi ρ
konvergen
(fungsi obyektif) dari residualnya. Estimator M
dapat ditulis sebagai berikut: Proses pembobotan pada iterasi dilakukan
sampai kovergen yaitu selisih nilai
n n  k 
min

  (ei )  min

i 1 

  yi 
 
xij  j 

ˆ ( m1) dan  ( m) mendekati 0, dengan m
i 1 j 0  banyaknya iterasi.
(7)
Estimasi Method Of Moment (MM)
menggabungkan estimasi High Breakdown

Program Studi Statistika FMIPA Universitas Mulawarman 181

Jurnal EKSPONENSIAL Volume 6, Nomor 2, Nopember 2015
Saham
Saham dapat didefinisikan tanda
penyertaan atau kepemilikan seseorang atau
badan dalam suatu perusahaan atau perseroan
terbatas. Wujud saham adalah selembar kertas
yang menerangkan bahwa pemilik kertas
tersebut adalah pemilik perusahaan yang
menerbitkan surat berharga tersebut. Porsi
kepemilikan ditentukan oleh seberapa besar
penyertaan yang ditanamkan di perusahaan
tersebut (Darmadji dan Fakhruddin, 2001).
Saham memberikan return dalam bentuk
dividen, yang biasanya dibayarkan sekali
setahun, dan capital gain (kenaikan harga
saham di pasar). Perusahaan yang rugi tidak
akan membagikan dividen dan jika perusahaan
itu tidak menjanjikan pertumbuhan, yang akan
diperoleh investor adalah capital loss atau
penurunan harga saham di pasar.
Nilai Tukar Rupiah
Nilai tukar mata uang adalah harga dari
mata uang suatu negara terhadap mata uang
negara lain yang dipergunakan dalam
melakukan perdagangan antara kedua negara
tersebut dimana nilainya ditentukan oleh
penwaran dan permintaan dari kedua mata uang.
Mata uang suatu negara dapat ditukarkan atau
diperjual belikan dengan mata uang negara
lainnya sesuai dengan nilai tukar mata uang
yang berlaku dipasar mata uang atau sering
disebut dengan pasar valuta asing. Dengan
perubahan kondisi ekonomi serta sosial politik
yang terjadi di suatu negara, nilai tukar mata
uang suatu negara terhadap mata uang negara
lainnya dapat berubah secara substansial. Mata
uang suatu negara dikatakan mengalami
apresisasi jika nilai tukarnya relati terhadap
mata uang negara lain mengalami kenaikan.
Sebaliknya, mata uang suatu negara dikatakan
mengalami depresisasi jika nilai tukarnya relatif
terhadap mata uang negara lain mengalami
penurunan.
Penyesuaian ke atas atau kenaikan nilai
tukar mata uang yang dilakukan oleh bank
sentral disebut dengan revaluasi. Sedangkan,
penyesuaian ke bawah atau penurunan nilai
tukar mata uang yang dilakukan oleh bank
sentral disebut dengan devaluasi (Sukirno,
2003).
Metodologi Penelitian
Tahapan-tahapan regresi robust dengan
estimasi MM (Method of Moment) sebagai
berikut:koefisien ˆ (1) dan residual eˆ (1) dari
j i
regresi robust dengan high breakdown point
(estimasi S) dengan bobot bisquare.
1. Residual eˆi(1) pada langkah pertama
digunakan untuk menghitung skala estimasi
ˆ S dan dihitung pula pembobot awal wi(1) .
182 Program Studi Statistika FMIPA Universitas Mulawarman
ISSN 2085-7829
2. Residual eˆi(1) dengan skala estimasi ˆ S
pada langkah kedua digunakan dalam literasi
awal sebagai penaksir WLS untuk
menghitung koefisien regresi berdasarkan
persamaan.
n  e (1) 
i 1
wi(i )  i  xi  0, wi merupakan
 ˆ 
 S 
pembobot bisquare.
3. Menghitung bobot baru wi( 2) dengan skala
estimasi iterasi awal Weighted Least Square
(WLS). Mengulang langkah 2,3,4 ( dengan
skala estimasi tetap konstan) sampai
n
mendapatkan e
i 1
(m)
i konvergen ( selisih
ˆ mj1 dan ̂ mj mendekati 0, dengan m
banyak iterasi).
Hasil Dan Pembahasan
Tabel 1. Statistika Deskriptif pada Data Harga
Saham Dan Nilai Tukar Rupiah Terhadap
Dollar
Nilai tukar Harga
rupiah saham
Maksimum 12.938,29 475,00
Minimum 9.032,00 310,00
Rata-rata 10.623,88 382,73
Variansi 1.652.285,93 958,67
Hasil analisis statistika deskriptif pada
Tabel 1. menunjukkan nilai tukar rupiah
terhadap dollar tertinggi adalah Rp. 12.938,29
dan terendah adalah Rp. 9.032,00 artinya
kisaran nilai tukar rupiah terhadap dollar berada
pada batas tersebut. Harga saham tertinggi
adalah Rp. 475,00 dan terendah adalah Rp.
310,00, artinya kisaran harga saham berada
pada batas tersebut.
Untuk rata-rata nilai tukar rupiah terhadap
dollar dan harga saham dari tahun 2011 sampai
dengan 2014 berturut- turut adalah adalah
sebesar Rp. 10.623,88 dan Rp. 382,73 artinya
nilai tukar rupiah terhadap dollar dan harga
saham berada pada kisaran nilai rata-rata
tersebut dapat lebih rendah atau lebih tinggi dari
rata-rata tersebut.
Variansi menggambarkan penyebaran data
yang menyimpang dari rata-ratanya. Nilai
variansi dari nilai tukar rupiah terhadap dollar
dan harga saham masing adalah 1.652.285,93
dan 958,67. Nilai variansi diharapkan lebih
kecil, karena nilai variansi yang kecil
menunjukkan bahwa nilai dari beberapa
kumpulan data adalah relatif sama atau
homogen.
Jurnal EKSPONENSIAL Volume 6, Nomor 2, Nopember 2015 ISSN 2085-7829

Estimasi Parameter menggunakan estimasi MM (Method Of

Berdasarkan hasil estimasi parameter dengan Moment). Estimasi parameter regresi robust
menggunakan Ordinary Least Square (OLS) dengan estimasi MM dimulai dengan mencari
diperoleh model Yˆ  540,74  0,015 X  eˆ . parameter regresi robust dengan estimasi S.
Kemudian dilakukan uji kesesuaian model Perhitungan koefisien regresi pada Estimasi S
untuk mengatahui apakah model tersebut dapat dengan menggunakan nilai nilai Yˆ dan residual
sudah layak atau belum untuk digunakan, dan ( e i ) dari hasil estimasi OLS adalah
diperoleh nilai p-value adalah sebesar 0,000
lebih kecil dari α=0,05 maka dapat 1. Menghitung nilai penaksir Y ( Yˆ ) pada
disimpulkan bahwa model sudah tepat untuk persamaan model regresi awal dengan model
digunakan. regresi Yˆ = 540 ,74 0,015 X sebagai
Kemudian melakukan uji parsial untuk berikut:
masing- masing parameter β0 dan β1 dengan Yˆi =  0 + 1 X i dengan i=1,2,3…,48
menggunakan uji t dan diperoleh nilai p-value
dengan bantuan software SPSS.20 masing- Yˆ  540 ,74 - 0,015 (12938 ,29 )  346 ,7
1
masing parameter adalah 0,000 dan 0,000 maka Yˆ2  540 ,74 - 0,015 (12658 ,30 )  350 ,9
disimpulkan dari hasil uji t untuk kedua
parameter β0 dan β1 adalah berpengaruh 
terhadap harga saham Golden Retailindo Tbk. Yˆ48  540 ,74 - 0,015 (9537 ,38 )  397 ,7
Selanjutnya menguji asumsi klasik regresi 2. Menghitung nilai residual ( ei ) dengan
sederhana yang meliputi Kenormalan Residual, persamaan sebagai berikut:
non autokorelasi,dan non heteroskedastisitas.
ei = Yi Yˆi dengan i=1,2, …,48
Berdasarkan hasil uji ketiga asumsi klasik
tersebut diperoleh bahwa untuk asumsi e1 = 310 346 ,7 = 36 ,7
kenormalan residual dan non heteroskedastisitas e2 = 326 350 ,9 = 24 ,9
terpenuhi dikarenakan nilai p-value dari

keduannya berturut-turut adalah 0,200 dan
0,147 lebbih besar dari α=0,05 maka kedua e 48 = 385 397 ,7 = 12 ,7
asumsi tersebut terpenuhi. Sedangkan untuk 3. Menghitung nilai dari ˆ s (1) dengan
asumsi non autokorelasi tidak terpenuhi karena persamaan sebagai berikut:
nilai uji durbin watson 1,130 berada di daerah
∑ (e ∑e)
n n
penolakan artinya terjadi masalah autokorelasi. 2 2
n i )-( i
ˆ s
Maka dapat di lakukan identifikasi pencilan (1) i =1 i =1
=
dengan menggunakan uji DFFITS, untuk n(n - 1)
mengetahui pencilan berpengaruh pada data dengan i=1,2, . . . , 48
harga saham dan nilai tukar rupiah terhadapa dimana:
dollar. Hasil dari uji DFFITS dengan bantuan
∑ (e
48
software Minitab.16 adalah sebagai berikut: i
2
) = ( 36 ,7) 2 + ( 24 ,9) 2 + ... + ( 12 ,7) 2
i =1
= 27879
Tabel 2. Nilai DFFITS pada pencilan
∑ e)
48
berpengaruh ( 2
= (( 36 ,7) + ( 24 ,9) + ... +( 12 ,7)) 2
i
i =1
= 4182 ,64
No. DFFITS |DFFITS| H0
48 (27879 ) - 4182 ,64
1 -0,522 0,522 ditolak ˆ s (1) =
48 (48 - 1)
12 0,499 0,499 ditolak
38 -0,412 0,412 ditolak 1338275 ,9
ˆ s (1) =
39 0,606 0,606 ditolak 2256
41 0,743 0,743 ditolak ˆ s (1) = 24 ,4
Berdasarkan hasil uji DFFITS dengan 4. Menghitung nilai u i (1) dengan persamaan
minitab diperoleh bahwa pengamatan no. 1, 12, sebagai berikut:
38, 39, dan 41 merupakan pencilan berpengaruh
ei (1)
k u i (1) = (1) dengan i=1,2, … ,48
dikarenakan nilai |DFFITS| > 2  0,4082 . ˆ s
n
36,7
Estimasi MM u1(1) = = 1,505
24,4
Dikarenakan terdapat pencilan maka
24,9
prosedur regresi robust dapat diterapkan untuk u 2 (1) = = 1,021
mengatasi masalah pencilan yaitu dengan 24,4


Program Studi Statistika FMIPA Universitas Mulawarman 183

Jurnal EKSPONENSIAL Volume 6, Nomor 2, Nopember 2015 ISSN 2085-7829

12,7
u 48(1) = = 0,786 Berdasarkan hasil dari Weighted Least Square
24,4
(WLS) diatas maka diperoleh model dari
4. Menghitung nilai wi (1) dengan sebagai estimasi S untuk Iterasi 1 adalah
berikut: Yˆ  555 ,38  0,016 X
2
  ui (1) 
2 Akan tetapi pada iterasi 1 belum
wi (1)  1    dengan c =1,547 dan konvergen karena selisih antara model dari
  c  
   
estimasi OLS dengan iterasi 1 belum mendekati
0, dengan menggunakan hasil dari perhitungan
pada iterasi 1 akan digunakan untuk menghitung
i=1,2,...48
2
model pada iterasi 2 dan seterusnya sampai
   1,505  2  konvergen, yaitu model pada iterasi ke-m sama
w1(1)  1      0,003 karena u1  c
(1)
dengan model pada iterasi ke-(m+1). Hasil
  1,547   perhitungan untuk iterasi lanjutan dapatdilihat
   1,021  2 
2 pada lampiran. Model yang diperoleh dari hasil
w2 (1)
 1      0,319 karena u 2 (1)  c iterasi ditampilkan pada Tabel 3.
  1,547   Berdasarkan hasil iterasi pada Tabel 3.
diketahui bahwa iterasi telah konvergen pada

2 iterasi 15 dikarenakan model pada iterasi 15 dan
   0,521  2  iterasi 14 sama. Sehingga diperoleh model
w48 (1)
 1      0,786 karena u 48(1)  c
  1,547   terbaik untuk Estimasi S adalah :
Yˆ  462,2  0,007 X
.
5. Setelah diperoleh nilai pembobot maka dapat Setelah diperoleh model terbaik dari
dihitung koefisien regresi dengan Estimasi S maka selanjutnya dapat dihitung
menggunakan metode Weighted Least nilai residual dan mencari pembobot awal
Square dengan persamaan sebagai berikut: untuk estimasi MM.
Tabel 3. Model Regresi Dengan Estimasi S
βˆ J (1)  (X T W (1)X) 1 (X T W (1)Y) , dimana:
Tahap Model Regresi
1 12.938,29 310
1 12658,30  326
Yˆ  540,74  0,015 X
Y  OLS
X 
      Iterasi 1 Yˆ  555,4  0,016 X
   
1 9.537,38  385 Iterasi 2 Yˆ  557,1  0,016 X
 1 1  1  Iterasi 3 Yˆ  553,8  0,016 X
XT   
12 .938 , 29 12 .658 ,30  9.537 ,38  Iterasi 4 Yˆ  547,1  0,015 X
0,003 0  0  Iterasi 5 Yˆ  536,4  0,014 X
0 0,319  0 
W (1)    Iterasi 6 Yˆ  519,6  0,012 X
   0 
  Iterasi 7 Yˆ  498,3  0,010 X
0 0  0,786
Iterasi 8 Yˆ  480,5  0,008 X
3,408053  0,0003275 
T (1) 1
 Iterasi 9 Yˆ  469,9  0,007 X
8
(X W X)
  0,0003275 0,0000000317
Iterasi 10 Yˆ  465,1  0,007 X
Iterasi 11 Yˆ  463,2  0,007 X
11463 ,05  Yˆ  462,5  0,007 X
(X T W (1)Y)   
Iterasi 12
117601905 , 4  Iterasi 13 Yˆ  462,3  0,007 X
 0(1) 
   (X T W (1)X) 1 (X T W (1)Y)
Iterasi 14 Yˆ  462,2  0,007 X
1(1)  Iterasi 15 Yˆ  462,2  0,007 X
3,408053  0,0003275  11463 ,05  Iterasi 16 Yˆ  462,2  0,007 X
  117601905 ,4
  0 ,0003275 0,0000000317 8 
Perhitungan pembobot awal estimasi MM
hampir sama dengan estimasi S yaitu
 0(1)  555,38  menentukan nilai Yˆ dan nilai eI kemudian
  
1(1)   0,016 menghitung nilai dari ˆ (1) , nilai ˆ (1) pada

184 Program Studi Statistika FMIPA Universitas Mulawarman

Jurnal EKSPONENSIAL Volume 6, Nomor 2, Nopember 2015 ISSN 2085-7829

iterasi 1 tersebut digunakan pada perhitungan Yˆ  522,33  0,013X

iterasi 2 dan seterusnya sampai dengan iterasi Akan tetapi pada Iterasi 1 belum
konvergen. Berbeda dengan estimasi S kriteria Konvergen dikarenakan selisih dari model pada
pembobotan pada estimasi MM nilai c yang estimasi S dengan iterasi 1 belum mendekati 0,
digunakan adalah 4,685 perhitungan pembobot dengan menggunakan hasil dari perhitungan
untuk iterasi 1 pada estimasi MM adalah pada iterasi 1 akan digunakan untuk menghitung
sebagai berikut: model pada iterasi 2 dan setersusnya sampai
1. Menghitung nilai u i (1) dengan persamaan konvergen, yaitu model pada iterasi ke-m sama
sebagai berikut: dengan model pada iterasi ke-(m+1) . Model
ei (1) yang diperoleh dari hasil Iterasi 1 dan lanjutan
u i (1) = (1) dengan i=1,2, … ,48 adalah sebagai berikut:
ˆ s
Tabel 4. Model Regresi dengan estimasi MM
61,6
u1(1) = = 2,337
26,4 Tahap Model Regresi
47,6
u 2 (1) = = 1,804 Estimasi S Yˆ  462,2  0,007 X
26,4

Iterasi 1 Yˆ  522,33  0,013 X
10,4 Iterasi 2 Yˆ  536,84  0,014 X
u 48(1) = = 0,396
26,4 Iterasi 3 Yˆ  540,13  0,015 X
(1)
2. Menghitung nilai wi dengan persamaan Iterasi 4 Yˆ  540,86  0,015 X
sebagai berikut: Iterasi 5 Yˆ  541,03  0,015 X
2
  (1)  2  Iterasi 6 Yˆ  541,06  0,015 X
u
wi  1   i  
(1)
  c  
Iterasi 7 Yˆ  541,07  0,015 X
   Iterasi 8 Yˆ  541,07  0,015 X
dengan c =4,685 dan i =1,2,...48
2
Iterasi 9 Yˆ  541,07  0,015 X
   2,337  2 
w1(1)  1      0,564 karena u1(1)  c
  4,685   Pada Tabel 4. diketahui bahwa iterasi telah
2 konvergen pada iterasi 8 dikarenakan model
  1,804 
2
pada iterasi 7 dan iterasi 8 sama, Sehingga
w2 (1)  1     0,725 karena u 2 (1) ≤c
diperoleh
  4,685  
model terbaik untuk Estimasi MM adalah :
 Yˆ  541,07  0,015 X
2
  0,396  2  Berdasarkan hasil model regresi yang
w48 (1)
 1     0,986 karena u 48 ≤c
(1)
diperoleh menunjukkan bahwa setiap
  4,685  
peningkatan nilai nilai tukar rupiah terhadap
Setelah diperoleh nilai pembobot maka dapat dollar sebesar Rp. 1,00, maka akan menurunkan
dihitung koefisien regresi dengan menggunakan harga saham sebesar Rp. 0,015. Apabila nilai
metode Weighted Least Square seperti pada tukar rupiah dianggap tidak berpengaruh maka
estimasi S, diperoleh model dari estimasi MM harga saham Golden Retailindo Tbk adalah Rp.
untuk Iterasi 1 adalah 541,07. Dan diketahui nilai koefisien
determinasi adalah 42,8 % artinya sebesar akan menurunkan harga saham Goleden
42,8 % harga saham Golden Retailindo Tbk Retailindo sebesar Rp. 0,015,- sedangkan jika
dipengaruhi oleh nilai tukar rupiah terhadap nilai tukar rupiah diabaikan maka harga saham
dollar sedangkan sebesar 57,2 % dipengaruhi Golden Retailindo Tbk Adalah Rp. 541,07.
variasi lain yang tidak diteliti. Dan diperoleh
hasil uji DW adalah sebesar 1,593 berada pada Daftar Pustaka
daerah penerimaan, maka tidak terjadi masalah
Chen, C., 2002. Robust Regression and Outlier
autokorelasi.
Detection with the ROBUSREG
Procedure,Paper 265-27, Statistics and
Kesimpulan
Data Analysis, SUGI 27, North Carolina:
Model regresi robust yang diperoleh dari SAS institute Inc.
hasil estimasi parameter regresi robust dengan Darmadji, Tjiptono dan M.Fakhruddin, Hendy.
estimasi MM (Method Of Moment) adalah 2008. Pasar Modal di Indonesia:
Yˆ  541,07 - 0,015 X . Dimana setiap Pendekatan Tanya jawab. Jakarta: Salemba
penambahan Rp. 1,00 nilai tukar rupiah maka Empat.

Program Studi Statistika FMIPA Universitas Mulawarman 185

Jurnal EKSPONENSIAL Volume 6, Nomor 2, Nopember 2015 ISSN 2085-7829

Gujarati, D.N. (2004). Basic Sukirno, Sudono. 2003.” Makro Ekonomi Teori
Econometrics.4th.ed. New Jersey: Prentice Pengantar”. Jakarta:Edisi Ketiga. Rajawali
Hall. Pers.
Montgomery, C. D., & Peck, A. E. (1982). Widarjono, Agus. 2007. Ekonometrika Teori
Introduction To Linear Regression dan Aplikasi untuk Ekonomi dan
Analysis. New York: John Wiley & Sons Bisnis.Edisi Kedua.Yogyakarta.Fakultas
Inc. Ekonomi UII.
Sen A. dan Srivasta, M. 1990.”Regression Yohai, V. J. (1987), “High Breakdown Point
Analysis”: Theory, Method, and and High Efficiency Robust Estimates for
Applications. New York: Springer-Verlag. Regression”, Annals of Statistics, Vol.15.
Soemartini.2007.”Outlier(Pencilan)”.Bandung.
UNPAD.

186 Program Studi Statistika FMIPA Universitas Mulawarman