Professional Documents
Culture Documents
Oleh:
Universitas Airlangga
Surabaya
2015-2016
PENDAHULUAN
Data yang digunakan dalam tugas ini merupakan data sekunder yang diambil dari
Skripsi Gilang Rizky Dewanti UIN Sunan Kalijaga program studi S1 Keuangan Islam tahun
2009. Skirpsi tersebut berjudul “Analisis Pengaruh Inflasi, Suku Bunga, Jumlah Uang
Beredar, Kurs Nilai Tukar Dollar Amerika/Rupiah dan Harga Emas Dunia Terhadap Jakarta
Islamic Index di Bursa Efek Indonesia"
Variabel Penelitian
Tabel 1.1 Data Analisis Pengaruh Inflasi, Suku Bunga, Jumlah Uang Beredar, Kurs Nilai
Tukar Dollar Amerika/Rupiah dan Harga Emas Dunia Terhadap Jakarta Islamic Index di
Bursa Efek Indonesia
No X1 X2 X3 X4 X5 Yi
1 -0.07 8.75 1859891 11355 858.69 213.63
2 0.21 8.25 1890430 11980 943 214.12
3 0.22 7.75 1909681 11575 924.27 236.79
4 -0.31 7.5 1905475 10713 890.2 279.87
5 0.04 7.25 1917092 10340 928.65 307.14
6 0.11 7 1977532 10225 945.67 321.46
7 0.45 6.75 1960950 9920 934.23 385.22
8 0.56 6.5 1995294 10060 949.38 380.65
9 1.05 6.5 2018510 9681 996.59 401.53
10 0.19 6.5 2021517 9545 1043.16 383.67
11 -0.03 6.5 2062206 9480 1127.04 397.89
12 0.33 6.5 2141384 9400 1134.72 417.18
13 0.84 6.5 2073860 9365 1117.96 427.68
14 0.3 6.5 2066481 9335 1095.41 413.73
15 -0.14 6.5 2111350 9115 1113.34 443.67
16 0.15 6.5 2115125 9012 1148.69 474.8
17 0.29 6.5 2142339 9180 1205.43 444.6
18 0.97 6.5 2230237 9083 1232.92 460.26
19 1.57 6.5 2216597 8952 1192.97 483.32
20 0.76 6.5 2235497 9041 1215.81 473.79
21 0.44 6.5 2271516 8924 1270.98 526.52
22 0.06 6.5 2308153 8928 1342.02 540.29
23 0.6 6.5 2346801 9013 1369.89 508.78
24 0.92 6.5 2469399 8991 1390.55 532.9
25 0.89 6.5 2436679 9057 1356.4 477.51
26 0.13 6.75 2420191 8823 1372.73 496.87
27 -0.32 6.75 2451357 8709 1424 514.92
28 -0.31 6.75 2434478 8574 1479.76 528.76
29 0.12 6.75 2475286 8537 1512.6 531.38
30 0.55 6.75 2522784 8597 1528.66 536.04
31 0.67 6.75 2564556 8508 1572.21 567.12
32 0.93 6.75 2621346 8578 1757.21 529.16
33 0.27 6.75 2643331 8823 1770.95 492.3
34 -0.12 6.5 2677787 8835 1665.21 530.19
35 0.34 6 2729538 9170 1738.11 520.49
36 0.57 6 2877220 9068 1641.84 537.03
37 0.76 6 2827570 9193 1652.21 562.53
38 0.05 5.75 2849796 9190 1742.14 566.75
39 0.07 5.75 2911920 9180 1673.77 584.06
40 0.21 5.75 2927259 9175 1649.69 575.09
41 0.07 5.75 2992057 9291 1591.19 525.05
42 0.62 5.75 3050355 9451 1598.76 544.19
Unstandardized
Residual
N 42
Positive .100
Negative -.061
Kolmogorov-Smirnov Z .651
Berdasarkan uji normalitas dengan kolmogorov-smirnov test diperoleh nilai KSZ sebesar
0,651 dan Asymp. Sig sebesar 0,790 lebih besar dari 0,05 maka dapat disimpulkan data
berdistribusi normal
Normal Probability Plot
(response is y)
99
95
90
80
70
Percent
60
50
40
30
20
10
1
-50 -25 0 25 50
Residual
Dari grafik diatas menunjukkan bahwa sebaran residual (titik merah) berada di sekitar garis
lurus. Ini menunjukkan bahwa residual berdistribusi normal sehingga data berdistribusi
normal.
Jika dilihat dari nilai R-Square yang besarnya 0,960 menunjukkan bahwa proporsi pengaruh
variabel Inflasi, suku bunga, jumlah uang beredar,kurs, dan harga emas dunia terhadap variabel
Jakarta Islamic Index sebesai 96%. Artinya inflasi, suku bunga, jumlah uang beredar,kurs, dan
harga emas dunia memiliki proporsi pengaruh terhadap Jakarta Islamic Index sebesar 96%
sedangkan sisanya 4% dipengaruhi oleh variabel lain yang tidak ada didalam model regresi
linear.
3. Mengestimasi Model Regresi Linier Berganda
dengan
𝑗42𝑥1 = [1 1 1 … 1]
Fungsi respon pada pengamatan ke-i dari model regresi linier diatas adalah:
Е(yi) = β0 + βi1 + βi2 + βi3 + …+ β5Xi ,5 ; i = 1,2,…,42. (1.2)
𝛽̂ = (𝑋 ′ 𝑋)−1 𝑋 ′ 𝑦
̂ = 𝑋𝛽̂
𝑦̂ = 𝐸(𝑦)
Berdasarkan data diatas, estimasi model yi= β0 + β1Xi1 + β2Xi2+ β3Xi3 + β4Xi4 + β5Xi5 + εi
Penyelesaian:
16.4465 −0.421975 −1.13164 −0.0000031 −0.0003191 0.0010765
−0.4220 0.152497 0.02483 0.0000000 0.0000142 0.0000316
−1.1316 0.024828 0.24955 0.0000006 −0.0001253 −0.0006366
(𝑋 ′ 𝑋)−1 =
−0.0000 0.000000 0.00000 0.0000000 −0.0000000 −0.0000000
−0.0003 0.000014 −0.00013 −0.0000000 0.0000001 0.0000006
[ 0.0011 0.000032 −0.00064 −0.0000000 0.0000006 0.0000054 ]
1.92889𝐸 + 04
7.23172𝐸 + 03
1.25439𝐸 + 05
𝑋 ′𝑦 =
4.65048𝐸 + 10
1.77994𝐸 + 08
[ 2.63248𝐸 + 07 ]
𝛽̂ = (𝑋 ′ 𝑋)−1 𝑋 ′ 𝑦 =
956.776
6.774
−18.282
𝛽̂ =
0.000
−0.071
[ 0.006 ]
Jadi estimasi modelnya adalah
4. Uji Serempak
Permasalahan: Apakah Inflasi (X1), Suku Bunga (X2), Jumlah Uang Beredar (X3), Kurs
(X4) dan Harga Emas (X5) berpengaruh terhadap Jakarta Islamic Index (Y)?
ANOVAb
Total 409965.323 41
Daerah Kritis :
Tingkat kepercayaan yang digunakan adalah 95% maka nilai α = 0.05
Dasar penggambilan keputusan uji serentak :
F tabel = F (α;p-1;n-p)
F tabel = F (0.05;5;36)
F tabel = 2.48
Daerah kritis : H0 ditolak jika F hitung > F (α;p-1;n-p)
F hitung > 2.48
Statistik Uji :
Dari output diatas, diperoleh nilai F hitung sebesar 173.614 dan P-value = 0.000
Sehingga diperoleh :
Keputusan : H0 ditolak, karena nilai F hitung sebesar 173.614 berada didalam daerah
kritis dan P-value 0.000 < α (0.05)
Kesimpulan : Inflasi, suku bunga, jumlah uang beredar,kurs, dan harga emas dunia secara
bersama mempengaruhi Jakarta Islamic Index
Analysis of Variance
Source DF SS MS F P
Regression 5 393641 78728 173.61 0.000
Residual Error 36 16325 453
Total 41 409965
6. Uji Individu
Variables Entered/Removed
Variables Variables
Model Entered Removed Method
Model Summaryb
ANOVAb
Total 409965.323 41
a. Predictors: (Constant), Emas, Inflasi, SukuBunga, Kurs, JUB
Coefficientsa
Standardized t Sig.
Unstandardized Coefficients Coefficients
Berdasarkan output di atas, hasil uji t pada penelitian ini dapat dilihat ditabel 1.1 berikut
ini:
Tabel 1.1
Permasalahan : Apakah ada pengaruh yang signifikan antara Inflasi (X1) terhadap Jakarta
Islamic Index (Y)?
H0 : Tidak ada pengaruh yang signifikan antara Inflasi (X1) terhadap Jakarta Islamic Index
(Y)
H1 : Ada pengaruh yang signifikan antara Inflasi (X1) terhadap Jakarta Islamic Index (Y)
Daerah Kritis : H0 ditolak jika lt hitungl > t tabel
lt hitungl > t(α/2;n-p)
lt hitungl > t(0.025;36)
lt hitungl > 2.028
atau jika Sig. (P-value) < α (0.05)
Berdasarkan tabel 1.1, maka hasil uji t pada penelitian ini dapat dijelaskan sebagai
berikut:
t hitung = 0.815 dan P-value = 0.421
Nilai koefisien regresi variabel Inflasi (X1) adalah sebesar 6.774 bernilai positif, sehingga
Inflasi (X1) berpengaruh positif terhadap Jakarta Islamic Index (Y). Pengaruh positif
diartikan bahwa semakin meningkat Inflasi (X1) maka akan meningkat pula Jakarta
Islamic Index (Y)
Permasalahan : Apakah ada pengaruh yang signifikan antara Suku Bunga (X2) terhadap
Jakarta Islamic Index (Y)?
H0: Tidak ada pengaruh yang signifikan antara Suku Bunga (X2) terhadap Jakarta Islamic
Index (Y)
H1 : Ada pengaruh yang signifikan antara Suku Bunga (X2) terhadap Jakarta Islamic Index
(Y)
Berdasarkan tabel 1.1, maka hasil uji t pada penelitian ini dapat dijelaskan sebagai
berikut:
t hitung = -1.719 dan P-value = 0.094
Nilai koefisien regresi variabel Suku Bunga (X2) adalah sebesar -18.282 bernilai negatif,
sehingga Suku Bunga (X2) berpengaruh negatif terhadap Jakarta Islamic Index (Y).
Pengaruh negatif diartikan bahwa semakin meningkat Suku Bunga (X2) maka Jakarta
Islamic Index (Y) akan semakin menurun atau sebaliknya.
Permasalahan : Apakah ada pengaruh yang signifikan antara Jumlah Uang Beredar (X3)
terhadap Jakarta Islamic Index (Y)?
H0 : Tidak ada pengaruh yang signifikan antara Jumlah Uang Beredar (X3) terhadap Jakarta
Islamic Index (Y)
H1 : Ada pengaruh yang signifikan antara Jumlah Uang Beredar (X3) terhadap Jakarta
Islamic Index (Y)
Berdasarkan tabel 1.1, maka hasil uji t pada penelitian ini dapat dijelaskan sebagai
berikut:
t hitung = 2.892 dan P-value = 0.006
Nilai koefisien regresi variabel Jumlah Uang Beredar (X3) adalah sebesar 0.000 bernilai
positif, sehingga Jumlah Uang Beredar (X3) berpengaruh positif terhadap Jakarta Islamic
Index (Y). Pengaruh positif diartikan bahwa semakin meningkat Jumlah Uang Beredar
(X3) maka akan meningkat pula Jakarta Islamic Index (Y)
Permasalahan : Apakah ada pengaruh yang signifikan antara Kurs (X4) terhadap Jakarta
Islamic Index (Y)?
H0 : Tidak ada pengaruh yang signifikan antara Kurs (X4) terhadap Jakarta Islamic Index (Y)
H1 : Ada pengaruh yang signifikan antara Kurs (X4) terhadap Jakarta Islamic Index (Y)
Berdasarkan tabel 1.1, maka hasil uji t pada penelitian ini dapat dijelaskan sebagai
berikut:
t hitung = -8.687dan P-value = 0.000
Nilai koefisien regresi variabel Kurs (X4) adalah sebesar -0.071 bernilai negatif, sehingga
Kurs (X4) berpengaruh negatif terhadap Jakarta Islamic Index (Y). Pengaruh negatif
diartikan bahwa semakin meningkat Kurs (X4) maka Jakarta Islamic Index (Y) akan
semakin menurun atau sebaliknya.
Permasalahan : Apakah ada pengaruh yang signifikan antara Emas (X5) terhadap Jakarta
Islamic Index (Y)?
H0 : Tidak ada pengaruh yang signifikan antara Emas (X5) terhadap Jakarta Islamic Index (Y)
H1 : Ada pengaruh yang signifikan antara Emas (X5) terhadap Jakarta Islamic Index (Y)
Berdasarkan tabel 1.1, maka hasil uji t pada penelitian ini dapat dijelaskan sebagai
berikut:
Nilai koefisien regresi variabel Emas (X5) adalah sebesar 0.006 bernilai positif, sehingga
Emas (X5) berpengaruh positif terhadap Jakarta Islamic Index (Y). Pengaruh positif
diartikan bahwa semakin meningkat Emas (X5) maka akan meningkat pula Jakarta
Islamic Index (Y)
Ini berarti tidak ada pasangan dari X1, X2, X3, X4, dan X5 yang sama, maka data diatas
tidak dapat diuji ketidaksesuaian model.
1. Regresi Y terhadap X1
Analysis of Variance
Source DF SS MS F P
Regression 1 16111 16111 1.64 0.208
Residual Error 40 393855 9846
Total 41 409965
2. Regresi Y terhadap X2
Analysis of Variance
Source DF SS MS F P
Regression 1 265550 265550 73.55 0.000
Residual Error 40 144416 3610
Total 41 409965
3. Regresi Y terhadap X3
Analysis of Variance
Source DF SS MS F P
Regression 1 284486 284486 90.69 0.000
Residual Error 40 125479 3137
Total 41 409965
4. Regresi Y terhadap X4
Analysis of Variance
Source DF SS MS F P
Regression 1 329601 329601 164.05 0.000
Residual Error 40 80364 2009
Total 41 409965
5. Regresi Y terhadap X5
Analysis of Variance
Source DF SS MS F P
Regression 1 306236 306236 118.09 0.000
Residual Error 40 103729 2593
Total 41 409965
Analysis of Variance
Source DF SS MS F P
Regression 2 265685 132843 35.91 0.000
Residual Error 39 144280 3699
Total 41 409965
Analysis of Variance
Source DF SS MS F P
Regression 2 292831 146415 48.75 0.000
Residual Error 39 117135 3003
Total 41 409965
Analysis of Variance
Source DF SS MS F P
Regression 2 329682 164841 80.08 0.000
Residual Error 39 80283 2059
Total 41 409965
Analysis of Variance
Source DF SS MS F P
Regression 2 314625 157312 64.35 0.000
Residual Error 39 95340 2445
Total 41 409965
Analysis of Variance
Source DF SS MS F P
Regression 2 323915 161957 73.40 0.000
Residual Error 39 86051 2206
Total 41 409965
Analysis of Variance
Source DF SS MS F P
Regression 2 357399 178699 132.58 0.000
Residual Error 39 52567 1348
Lack of Fit 38 52556 1383 132.45 0.069
Pure Error 1 10 10
Total 41 409965
Source DF SS MS F P
Regression 2 353562 176781 122.23 0.000
Residual Error 39 56404 1446
Total 41 409965
Analysis of Variance
Source DF SS MS F P
Regression 3 325787 108596 49.02 0.000
Residual Error 38 84178 2215
Total 41 409965
Source DF Seq SS
x1 1 16111
x2 1 249575
x3 1 60102
Analysis of Variance
Source DF SS MS F P
Regression 3 357509 119170 86.33 0.000
Residual Error 38 52456 1380
Total 41 409965
Analysis of Variance
Source DF SS MS F P
Regression 3 355273 118424 82.28 0.000
Residual Error 38 54692 1439
Total 41 409965
Analysis of Variance
Source DF SS MS F P
Regression 3 315584 105195 42.35 0.000
Residual Error 38 94381 2484
Total 41 409965
Analysis of Variance
Source DF SS MS F P
Regression 3 379147 126382 155.83 0.000
Residual Error 38 30818 811
Total 41 409965
Analysis of Variance
Source DF SS MS F P
Regression 3 391874 130625 274.37 0.000
Residual Error 38 18092 476
Total 41 409965
Source DF SS MS F P
Regression 3 357509 119170 86.33 0.000
Residual Error 38 52456 1380
Total 41 409965
Analysis of Variance
Source DF SS MS F P
Regression 3 325787 108596 49.02 0.000
Residual Error 38 84178 2215
Total 41 409965
Analysis of Variance
Source DF SS MS F P
Regression 3 389582 129861 242.09 0.000
Residual Error 38 20384 536
Total 41 409965
Analysis of Variance
Source DF SS MS F P
Regression 3 391809 130603 273.34 0.000
Residual Error 38 18156 478
Total 41 409965
Analysis of Variance
Source DF SS MS F P
Regression 3 358185 119395 87.62 0.000
Residual Error 38 51781 1363
Total 41 409965
Analysis of Variance
Source DF SS MS F P
Regression 3 393335 131112 299.59 0.000
Residual Error 38 16630 438
Total 41 409965
Analysis of Variance
Source DF SS MS F P
Regression 4 393633 98408 222.94 0.000
Residual Error 37 16332 441
Total 41 409965
Source DF Seq SS
x1 1 16111
x2 1 249575
x3 1 60102
x4 1 67846
Analysis of Variance
Source DF SS MS F P
Regression 4 359418 89855 65.77 0.000
Residual Error 37 50547 1366
Total 41 409965
Analysis of Variance
Source DF SS MS F P
Regression 4 392301 98075 205.43 0.000
Residual Error 37 17664 477
Total 41 409965
Source DF SS MS F P
Regression 4 389849 97462 179.26 0.000
Residual Error 37 20116 544
Total 41 409965
Analysis of Variance
Source DF SS MS F P
Regression 4 393340 98335 218.84 0.000
Residual Error 37 16626 449
Total 41 409965
Analysis of Variance
Source DF SS MS F P
Regression 5 393641 78728 173.61 0.000
Residual Error 36 16325 453
Total 41 409965
Tabel Anova :
Sumber JK Db KT
Regresi JKR(X1,X2,X3,X4,X5)=393641 5 KTR(X1,X2,X3,X4,X5)=78728.2
X1 JKR(X1)=16111 1 KTR(X1)=16111
X2lX1 JKR(X2lX1)=249574 1 KTR(X2lX1)=249574
X3lX1,X2 JKR(X3lX1,X2)=60102 1 KTR(X3lX1,X2)=60102
X4lX1,X2,X3 JKR(X4lX1,X2,X3)=67846 1 KTR(X4lX1,X2,X3)=67846
X5lX1,X2,X3,X4 JKR(X5lX1,X2,X3,X4)=8 1 KTR(X5lX1,X2,X3,X4)=8
Galat JKG(X1,X2,X3,X4,X5)=16325 n-p=42- KTG(X1,X2,X3,X4,X5)=453.4722
6=36
Total JKT = 409966 n-1=41
Menguji apakah 𝜷k = 0
a) Permasalahan : Apakah X1 (Inflasi) dapat dihilangkan dari model?
Hipotesis : H0 : β1=0 lawan H1 : β1≠0
Daerah Kritis : H0 ditolak jika F> Fα(dbR-dbF;dbF)
F> F0.05(1;36)
F> 4.11
Statistik Uji :
JKG(R)− JKG (F) JKG (F)
F= ∶
𝑑𝑏𝑅−𝑑𝑏𝐹 𝑑𝑏𝐹
JKR (X1|X2,X3,X4,X5) JKG (X1.X2,X3,X4,X5)
F= ∶
1 36
301 16325
F = 1 ∶ 36 = 0.66376
Keputusan : Terima H0 karena F hitung (0.66376) berada di luar daerah kritis
Kesimpulan : X1 dapat dibuang dari model regresi yang didalamnya terdapat X2, X3, X4,
dan X5
7 16325
F = 1 ∶ 36 = 0.01543
Keputusan : Terima H0 karena F hitung (0.01543) berada di luar daerah kritis
Kesimpulan : X5 dapat dibuang dari model regresi yang didalamnya terdapat X1, X2, X3,
dan X4
d) Permasalahan : Apakah X1 (Inflasi) dan X5 (Harga Emas) dapat dihilangkan dari model?
Hipotesis : H0 : β1=β5=0 lawan H1 : tidak benar bahwa β1 dan β5 keduanya sama dengan
nol
Daerah Kritis : H0 ditolak jika F> Fα(dbR-dbF;dbF)
F> F0.05(2;36)
F> 3.26
Statistik Uji :
JKG(R)− JKG (F) JKG (F)
F= : 𝑑𝑏𝐹
𝑑𝑏𝑅−𝑑𝑏𝐹
JKR(X1X5|X2,X3,X4) JKG (X1.X2,X3,X4,X5)
F= :
2 36
305 16325
F= : = 0.33629
2 36
f) Permasalahan : Apakah X2 (Suku Bunga) dan X4 (Kurs) dapat dihilangkan dari model?
Hipotesis : H0 : β2=β4=0 lawan H0 : tidak benar bahwa β2 dan β4 keduanya sama dengan
nol
Daerah Kritis : H0 ditolak jika F> Fα(dbR-dbF;dbF)
F> F0.05(2;36)
F> 3.26
Statistik Uji :
JKG(R)− JKG (F) JKG (F)
F= : 𝑑𝑏𝐹
𝑑𝑏𝑅−𝑑𝑏𝐹
JKR(X2X4|X1,X3,X5) JKG (X1.X2,X3,X4,X5)
F= :
2 36
78056 16325
F= : = 86.0648
2 36
h) Permasalahan : Apakah X3 (Jumlah Uang Beredar) dan X4 (Kurs) dapat dihilangkan dari
model?
Hipotesis : H0 : β3=β4=0 lawan H1 : tidak benar bahwa β3 dan β4 keduanya sama dengan
nol
Daerah Kritis : H0 ditolak jika F> Fα(dbR-dbF;dbF)
F> F0.05(2;36)
F> 3.26
Statistik Uji :
JKG(R)− JKG (F) JKG (F)
F= : 𝑑𝑏𝐹
𝑑𝑏𝑅−𝑑𝑏𝐹
JKR(X3X4|X1,X2,X5) JKG (X1.X2,X3,X4,X5)
F= :
2 36
38367 16325
F= : = 42.3035
2 36
Statistik Uji :
JKG(R)− JKG (F) JKG (F)
F= : 𝑑𝑏𝐹
𝑑𝑏𝑅−𝑑𝑏𝐹
JKR(X4X5|X1,X2,X3) JKG (X1.X2,X3,X4,X5)
F= :
2 36
67853 16325
F= : = 74.8149
2 36
Hitung koefisien determinasi parsial antara y dan X1 jika dalam model sudah
ada X3.
2
r y3.1 = JKR (X3 | X1) / JKG (X1) = 276720/ 393855= 0.7025
Artinya, jika X3 dimasukkan dalam model regresi yang di dalamnya sudah ada X1 maka
JKG (X1) akan berkurang 70.25%.
Hitung koefisien determinasi parsial antara y dan X1 jika dalam model sudah
ada X4.
2
r y4.1 = JKR (X4 | X1) / JKG (X1) = 313571 / 393855= 0.7961
Artinya, jika X4 dimasukkan dalam model regresi yang di dalamnya sudah ada X1 maka
JKG (X1) akan berkurang 79.61%.
Hitung koefisien determinasi parsial antara y dan X1 jika dalam model sudah
ada X5.
2
r y5.1 = JKR (X5 | X1) / JKG (X1) = 298514/ 393855= 0.7579
Artinya, jika X5 dimasukkan dalam model regresi yang di dalamnya sudah ada X1 maka
JKG (X1) akan berkurang 75.79%.
Hitung koefisien determinasi parsial antara y dan X2 jika dalam model sudah
ada X1.
2
r y1.2 = JKR (X1 | X2) / JKG (X2) = 135 / 144416= 0.0009347
Artinya, jika X1 dimasukkan dalam model regresi yang di dalamnya sudah ada X2 maka
JKG (X2) akan berkurang 0.0934%.
Hitung koefisien determinasi parsial antara y dan X2 jika dalam model sudah
ada X3.
2
r y3.2 = JKR (X3 | X2) / JKG (X2) =58365/ 144416= 0.4041
Artinya, jika X3 dimasukkan dalam model regresi yang di dalamnya sudah ada X2 maka
JKG (X2) akan berkurang 40.41%.
Hitung koefisien determinasi parsial antara y dan X2 jika dalam model sudah
ada X4.
2
r y4.2 = JKR (X4 | X2) / JKG (X2) = 91849/ 144416 = 0.636
Artinya, jika X4 dimasukkan dalam model regresi yang di dalamnya sudah ada X2 maka
JKG (X2) akan berkurang 63.6%.
Hitung koefisien determinasi parsial antara y dan X2 jika dalam model sudah
ada X5.
Hitung koefisien determinasi parsial antara y dan X1, X2 jika dalam model
sudah ada X3.
2
r y3.12 = JKR (X3 | X1, X2) / JKG (X1, X2) = 60102/ 144280= 0.4165
Artinya, jika X3 dimasukkan dalam model regresi yang di dalamnya sudah ada X1, X2
maka JKG (X1, X2) akan berkurang 41.65%.
Hitung koefisien determinasi parsial antara y dan X1, X2 jika dalam model
sudah ada X4.
2
r y4.12 = JKR (X4 | X1, X2) / JKG (X1, X2) = 91824/ 144280= 0.6364
Artinya, jika X4 dimasukkan dalam model regresi yang di dalamnya sudah ada X1, X2
maka JKG (X1, X2) akan berkurang 63.64%.
Hitung koefisien determinasi parsial antara y dan X1, X2 jika dalam model
sudah ada X5.
2
r y5.12 = JKR (X5 | X1, X2) / JKG (X1, X2) =89588/ 144280= 0.6209
Artinya, jika X5 dimasukkan dalam model regresi yang di dalamnya sudah ada X1, X2
maka JKG (X1, X2) akan berkurang 62.09%.
Hitung koefisien determinasi parsial antara y dan X1, X2, X3 jika dalam model
sudah ada X4.
r2 y4.123 = JKR (X4 | X1, X2, X3) / JKG (X1, X2, X3) = 67846/ 84178=0.8059
Artinya, jika X4 dimasukkan dalam model regresi yang di dalamnya sudah ada X1, X2,
X3 maka JKG (X1, X2, X3) akan berkurang 80.59%.
Hitung koefisien determinasi parsial antara y dan X1, X2, X3 jika dalam model
sudah ada X5.
2
r y5.123 = JKR (X5 | X1, X2, X3) / JKG (X1, X2, X3) = 33631 / 84178=0.3995
Artinya, jika X5 dimasukkan dalam model regresi yang di dalamnya sudah ada X1, X2,
X3 maka JKG (X1, X2, X3) akan berkurang 39.95%.
Gambar 13.1
50
25
e(YlX2,X3,X4,X5)
-25
-50
-0.5 0.0 0.5 1.0
e(X1lX2,X3,X4,X5)
Galat-galat dari persamaan regresi diatas diplotkan satu terhadap lainnya dalam plot
regresi parsial. Plot regresi parsial ini menunjukan sifat hubungan linier positif antara
Y dan X1 bila X2, X3, X4, X5 sudah ada didalam model regresi. Ini menunjukan
bahwa penambahan variabel prediktor X1 ke dalam model regresi Y yang telah
memuat X2, X3, X4, X5 mungkin bisa bermanfaat
Gambar 13.2
50
25
e(YlX1,X3,X4,X5)
-25
-50
-0.50 -0.25 0.00 0.25 0.50 0.75 1.00 1.25
e(X2lX1,X3,X4,X5)
Galat-galat dari persamaan regresi diatas diplotkan satu terhadap lainnya dalam plot
regresi parsial. Plot regresi parsial ini menunjukan sifat hubungan linier negatif antara
Y dan X2 bila X1, X3, X4, X5 sudah ada didalam model regresi. Ini menunjukan
bahwa penambahan variabel prediktor X2 ke dalam model regresi Y yang telah
memuat X1, X3, X4, X5 kurang bermanfaat
Gambar 13.3
25
e(YlX1,X2,X4,X5)
-25
-50
Galat-galat dari persamaan regresi diatas diplotkan satu terhadap lainnya dalam plot
regresi parsial. Plot regresi parsial ini menunjukan sifat hubungan linier positif antara Y
dan X3 bila X1, X2, X4, X5 sudah ada didalam model regresi. Ini menunjukan bahwa
penambahan variabel prediktor X3 ke dalam model regresi Y yang telah memuat X1, X2,
X4, X5 mungkin bisa bermanfaat
\
Gambar 13.4
Scatterplot of e(YlX1,X2,X3,X5) vs e(X4lX1,X2,X3,X5)
50
25
e(YlX1,X2,X3,X5)
-25
-50
-75
-100
-500 0 500 1000
e(X4lX1,X2,X3,X5)
Galat-galat dari persamaan regresi diatas diplotkan satu terhadap lainnya dalam plot
regresi parsial. Plot regresi parsial ini menunjukan sifat hubungan linier negatif antara Y
dan X4 bila X1, X2, X3, X5 sudah ada didalam model regresi. Ini menunjukan bahwa
penambahan variabel prediktor X4 ke dalam model regresi Y yang telah memuat X1, X2,
X3, X5 kurang bermanfaat
Plot regresi parsial bagi variabel prediktor X5
Gambar 13.5
50
25
e(YlX1,X2,X3,X5)
-25
-50
-75
-100
-500 0 500 1000
e(X4lX1,X2,X3,X5)
Galat-galat dari persamaan regresi diatas diplotkan satu terhadap lainnya dalam plot
regresi parsial. Plot regresi parsial ini menunjukan sifat hubungan linier negatif antara Y
dan X5 bila X1, X2, X3, X4 sudah ada didalam model regresi. Ini menunjukan bahwa
penambahan variabel prediktor X5 ke dalam model regresi Y yang telah memuat X1, X2,
X3, X4 kurang bermanfaat
Scatterplot of y vs x1
600
500
400
y
300
200
-0.5 0.0 0.5 1.0 1.5
x1
o Diagram pencar regresi dengan variabel prediktor Suku Bunga (X2)
Scatterplot of y vs x2
600
500
400
y
300
200
o Diagram pencar regresi dengan variabel prediktor Jumlah Uang Beredar (X3)
Scatterplot of y vs x3
600
500
y
400
300
200
2000000 2250000 2500000 2750000 3000000
x3
o Diagram pencar regresi dengan variabel prediktor Kurs (X4)
Scatterplot of y vs x4
600
500
400
y
300
200
Scatterplot of y vs x5
600
500
400
y
300
200
1000 1200 1400 1600 1800
x5
1. Identifikasi pencilan variabel prediktor
Untuk data Pengaruh Inflasi (X1), Suku Bunga (X2), Jumlah Uang Beredar (X3), Kurs
Nilai Tukar Dollar Amerika/Rupiah (X4) dan Harga Emas Dunia (X5) Terhadap Jakarta
Islamic Index (Yi) di Bursa Efek Indonesia diperoleh nilai galat (ei), internally
studentized galat (ri), leverage (hii) dan externally studentized galat (ti) seperti disajikan
pada tabel berikut
No X1 X2 X3 X4 X5 Yi ei ri hii ti
1 -0.07 8.75 1859891 11355 858.69 213.63 -3.61157 -0.22743 0.443885 -0.22441
2 0.21 8.25 1890430 11980 943 214.12 25.92009 1.540851 0.375967 1.572021
3 0.22 7.75 1909681 11575 924.27 236.79 8.598357 0.462844 0.238943 0.457734
4 -0.31 7.5 1905475 10713 890.2 279.87 -9.54935 -0.48481 0.14442 -0.4796
5 0.04 7.25 1917092 10340 928.65 307.14 -17.2032 -0.84218 0.079843 -0.83871
6 0.11 7 1977532 10225 945.67 321.46 -23.2666 -1.13618 0.075238 -1.14093
7 0.45 6.75 1960950 9920 934.23 385.22 14.07155 0.688941 0.080025 0.683828
8 0.56 6.5 1995294 10060 949.38 380.65 9.956407 0.497578 0.117044 0.492314
9 1.05 6.5 2018510 9681 996.59 401.53 -2.30705 -0.11693 0.14151 -0.11531
10 0.19 6.5 2021517 9545 1043.16 383.67 -24.6041 -1.2113 0.090165 -1.21947
11 -0.03 6.5 2062206 9480 1127.04 397.89 -18.7965 -0.94052 0.119211 -0.93897
12 0.33 6.5 2141384 9400 1134.72 417.18 -16.9512 -0.817 0.050669 -0.81314
13 0.84 6.5 2073860 9365 1117.96 427.68 -4.34399 -0.21429 0.093782 -0.21143
14 0.3 6.5 2066481 9335 1095.41 413.73 -15.749 -0.76708 0.070438 -0.76261
15 -0.14 6.5 2111350 9115 1113.34 443.67 -3.76864 -0.1889 0.122271 -0.18635
16 0.15 6.5 2115125 9012 1148.69 474.8 17.44791 0.854941 0.08152 0.851674
17 0.29 6.5 2142339 9180 1205.43 444.6 -5.37354 -0.26102 0.065407 -0.25761
18 0.97 6.5 2230237 9083 1232.92 460.26 -11.6769 -0.57336 0.085367 -0.56794
19 1.57 6.5 2216597 8952 1192.97 483.32 -0.09178 -0.00499 0.255338 -0.00492
20 0.76 6.5 2235497 9041 1215.81 473.79 -0.20473 -0.00994 0.063783 -0.0098
21 0.44 6.5 2271516 8924 1270.98 526.52 41.84201 2.010756 0.045091 2.104318
22 0.06 6.5 2308153 8928 1342.02 540.29 53.71933 2.602876 0.060688 2.848459
23 0.6 6.5 2346801 9013 1369.89 508.78 19.84715 0.952724 0.042988 0.951471
24 0.92 6.5 2469399 8991 1390.55 532.9 25.71285 1.263658 0.086945 1.274572
25 0.89 6.5 2436679 9057 1356.4 477.51 -20.7489 -1.01528 0.078973 -1.01573
26 0.13 6.75 2420191 8823 1372.73 496.87 -6.3828 -0.31595 0.100004 -0.31196
27 -0.32 6.75 2451357 8709 1424 514.92 2.671261 0.13739 0.166358 0.135504
28 -0.31 6.75 2434478 8574 1479.76 528.76 8.529712 0.437147 0.160407 0.432182
29 0.12 6.75 2475286 8537 1512.6 531.38 0.620643 0.030847 0.10731 0.030416
30 0.55 6.75 2522784 8597 1528.66 536.04 0.930346 0.046171 0.10464 0.045527
31 0.67 6.75 2564556 8508 1572.21 567.12 19.72364 0.993929 0.131602 0.993757
32 0.93 6.75 2621346 8578 1757.21 529.16 -22.8802 -1.25198 0.263481 -1.26225
33 0.27 6.75 2643331 8823 1770.95 492.3 -40.6132 -2.15941 0.219959 -2.28214
34 -0.12 6.5 2677787 8835 1665.21 530.19 -7.1867 -0.35744 0.108539 -0.35307
35 0.34 6 2729538 9170 1738.11 520.49 -11.9915 -0.64759 0.243865 -0.64229
36 0.57 6 2877220 9068 1641.84 537.03 -20.9655 -1.04027 0.104269 -1.04149
37 0.76 6 2827570 9193 1652.21 562.53 17.85374 0.889579 0.111729 0.886939
38 0.05 5.75 2849796 9190 1742.14 566.75 18.92517 1.001962 0.213257 1.002018
39 0.07 5.75 2911920 9180 1673.77 584.06 28.52439 1.444725 0.140358 1.467701
40 0.21 5.75 2927259 9175 1649.69 575.09 16.60183 0.839407 0.137374 0.835887
41 0.07 5.75 2992057 9291 1591.19 525.05 -31.5312 -1.71916 0.258168 -1.76929
42 0.62 5.75 3050355 9451 1598.76 544.19 -11.6983 -0.66578 0.319169 -0.66055
𝑝 6
Nilai leverage hii dianggap besar jika memenuhi hii > 2 𝑛 = 2 42 = 0.2857. Dari tabel
diatas diperoleh pencilan terhadap nilai nilai - nilai X pada data ke 1 dengan
h11=0.443885, data ke 2 dengan h22=0.375967 dan data ke 42 dengan h4242=0.319169
𝑛−𝑝−1
𝑡𝑖 = 𝑒𝑖 √
𝐽𝐾𝐺(1 − ℎ𝑖𝑖 ) − 𝑒𝑖2
𝑛−𝑝−1
𝑡1 = 𝑒1 √
𝐽𝐾𝐺(1 − ℎ11 ) − 𝑒12
42 − 6 − 1
𝑡1 = −3.61157√
16325(1 − 0.443885) − (−3.61157)2
𝑡1 = −3.61157 x 0.062135
𝑡1 = −0.224405
Dari tabel distribusi t diperoleh nilai t0.05(35) = 1.69. Berdasarkan pembandingan ini, data ke
21 ,22, dan 33 merupakan pencilan dari nilai Y karena lt21l=2.104318, lt22l=2.848459, dan
lt33l=2.28214
No DFITS Di
1 -0.20049 0.006881
2 1.220196 0.238403
3 0.256479 0.01121
4 -0.19704 0.006612
5 -0.24706 0.010257
6 -0.32543 0.017504
7 0.201684 0.006881
8 0.179245 0.00547
9 -0.04682 0.000376
10 -0.38389 0.024234
11 -0.34544 0.019954
12 -0.18786 0.005938
13 -0.06801 0.000792
14 -0.20993 0.007431
15 -0.06955 0.000828
16 0.253729 0.010812
17 -0.06815 0.000795
18 -0.17351 0.005114
19 -0.00288 1.43E-06
20 -0.00256 1.12E-06
21 0.457274 0.03182
22 0.72403 0.072954
23 0.201656 0.006795
24 0.393314 0.025343
25 -0.29743 0.014731
26 -0.10399 0.001849
27 0.060532 0.000628
28 0.188905 0.006085
29 0.010546 1.91E-05
30 0.015564 4.15E-05
31 0.386858 0.024952
32 -0.75497 0.093456
33 -1.21186 0.219152
34 -0.1232 0.002593
35 -0.36476 0.022542
36 -0.35534 0.020995
37 0.31456 0.01659
38 0.521688 0.045355
39 0.593058 0.056799
40 0.333571 0.018701
41 -1.04375 0.171426
42 -0.45227 0.034633
𝑝
|(DFITS)i|>2√ ⁄𝑛
|(DFITS)i|>2√6⁄42
|(DFITS)i|>0.7559
Dari tabel diatas, nilai |(DFITS)i| untuk gugus data berukuran besar yang lebih besar dari 0.7559
adalah data ke 2, 33, dan 41 yaitu |(DFITS)2|=1.220196,|(DFITS)33|=1.21186, dan
|(DFITS)41|=1.04375. Sehingga data ke 2, 33, dan 41 berpotensi berpengaruh terhadap model
regresi dan mungkin cukup besar pengaruhnya sehingga mungkin perlu dilakukan remedial.
Pengaruh Terhadap Koefisien Regresi
Suatu nilai mutlak (DBETAS)k(i) yang besar mengindikasikan pengaruh pengamatan ke-i
yang besar terhadap koefisien regresi βk. Suatu pengamatan dikatakan berpengaruh jika
|(DBETAS)k(i)|>1 untuk gugus data berukuran kecil dan |(DBETAS)k(i)|>2 √𝑛 untuk gugus
data berukuran besar.
|(DBETAS)k(i)|>2√𝑛
|(DBETAS)k(i)|>2√42
|(DBETAS)k(i)|>12.9614
Output SPSS 17 :
DBETAS
̂0
𝛽 ̂1
𝛽 ̂2
𝛽 ̂3
𝛽 ̂4
𝛽 ̂5
𝛽
0.13629 0.00323 -0.15425 -0.09294 0.03948 0.07316
-0.78094 0.19371 0.10182 -0.25318 0.76307 0.40867
-0.12678 0.02823 -0.02535 -0.06333 0.17846 0.08183
0.02839 0.10543 -0.0284 -0.03137 -0.01163 0.04375
-0.00818 0.08101 -0.00572 -0.00394 -0.02077 0.03665
-0.04703 0.09744 0.03707 -0.03186 -0.02584 0.08565
0.07667 0.01583 -0.04929 0.00761 0.00033 -0.05519
0.06961 0.02968 -0.10454 -0.0376 0.06535 0.00171
-0.01327 -0.02971 0.0138 0.00494 -0.00595 0.00282
-0.27732 0.1255 0.22383 0.14066 -0.04596 -0.04172
-0.2365 0.17846 0.22524 0.20286 -0.09192 -0.13488
-0.12293 0.03139 0.08078 0.03977 0.00402 0.00492
-0.03191 -0.03483 0.02815 0.02849 -0.01155 -0.01641
-0.15963 0.04526 0.10017 0.07066 0.00602 -0.01524
-0.04688 0.04658 0.01182 -0.00106 0.02607 0.01672
0.19564 -0.10816 -0.05282 -0.03487 -0.09476 -0.02838
-0.04978 0.01478 0.03531 0.03999 -0.00621 -0.02614
-0.03827 -0.1256 -0.00106 0.00938 0.02728 0.00728
-0.00007 -0.0025 -0.00056 -0.00046 0.0007 0.00061
-0.00082 -0.00128 -0.00031 -0.00041 0.00105 0.00077
0.23891 0.0067 0.04103 0.02813 -0.24239 -0.10165
0.41524 -0.40629 -0.13232 -0.22426 -0.15387 0.14259
0.05499 0.07702 -0.02541 -0.07789 0.00057 0.07202
-0.0832 0.27858 0.16548 0.15422 -0.13977 -0.13268
0.05158 -0.20718 -0.11445 -0.11916 0.10385 0.10918
0.00138 0.03053 -0.06981 -0.05845 0.0829 0.058
0.00618 -0.03971 0.02858 0.02201 -0.03938 -0.02216
0.03716 -0.12481 0.06346 0.01191 -0.09737 -0.0117
0.00048 -0.00303 0.00563 0.00136 -0.0064 -0.00082
-0.00319 0.00379 0.01063 0.00416 -0.00909 -0.00248
-0.09805 0.13567 0.26292 0.09824 -0.20921 -0.05029
0.17414 -0.36485 -0.11472 0.32382 -0.10989 -0.44756
0.2119 -0.00269 0.01539 0.69668 -0.3633 -0.91247
0.01001 0.06514 -0.00939 0.02241 -0.00033 -0.04148
-0.01381 0.00491 0.23139 0.26729 -0.27198 -0.31017
0.14812 -0.08392 -0.03659 -0.17203 -0.01088 0.10317
-0.11656 0.1452 -0.06087 0.01033 0.13104 0.05218
0.03057 -0.14798 -0.35087 -0.26054 0.35459 0.31971
-0.06241 -0.20127 -0.22379 0.06392 0.20199 0.01531
-0.06444 -0.06672 -0.07476 0.11209 0.06657 -0.0661
0.26862 0.2615 -0.07682 -0.71618 0.11743 0.6105
0.19431 -0.07664 -0.07101 -0.32783 0.0248 0.26752
Untuk data gugus besar , tidak ada nilai |(DBETAS)k(i)| yang nilainya melebihi 12.9614
sehingga tidak ada data yang berpotensi berpengaruh terhadap koefisien regresi
4. Cook Destance
1. Data ke 2
Untuk mengevaluasi pengaruh data ke 2 dengan nilai D2 = 0.238403 digunakan
distribusi F padanannya yaitu F(p,n-p)=F(3,36) dengan software minitab :
MTB > cdf 0.238403 k1;
SUBC> f 6 36.
MTB > print k1
Data Display
K1 0.0391253
Oleh karena nilai D2 berada disekitas persentik 3,9%, maka data ke 2 berpengaruh
pada kesesuaian regresi, tetapi besarnya pengaruh tersebut belum cukup besar
untuk melakukan tindakan remedial.
2. Data ke 33
Untuk mengevaluasi pengaruh data ke 33 dengan nilai D33 = 0.219152 digunakan
distribusi F padanannya yaitu F(p,n-p)=F(3,36) dengan software minitab :
MTB > cdf 0.219152 k2;
SUBC> f 6 36.
MTB > print k2
Data Display
K2 0.0318557
Oleh karena nilai D33 berada disekitas persentik 3,2%, maka data ke 33
berpengaruh pada kesesuaian regresi, tetapi besarnya pengaruh tersebut belum
cukup besar untuk melakukan tindakan remedial.
3. Data ke 41
Untuk mengevaluasi pengaruh data ke 41 dengan nilai D41 = 0. 171426 digunakan
distribusi F padanannya yaitu F(p,n-p)=F(3,36) dengan software minitab :
MTB > cdf 0.171426 k3;
SUBC> f 6 36.
MTB > print k3
Data Display
K3 0.0171541
Oleh karena nilai D41 berada disekitas persentik 1.7 %, maka data ke 41
berpengaruh pada kesesuaian regresi, tetapi besarnya pengaruh tersebut belum
cukup besar untuk melakukan tindakan remedial.
956.78
6.774
̂= −18.28
𝜷
0.00011747
−0.070714
[ 0.00628 ]
Analysis of Variance
Source DF SS MS F P
Regression 5 393641 78728 173.61 0.000
Residual Error 36 16325 453
Total 41 409965
Source DF Seq SS
x1 1 16111
x2 1 249575
x3 1 60102
x4 1 67846
x5 1 7
Unusual Observations
Output :
Analysis of Variance
Source DF SS MS F P
Regression 5 397106 79421 222.33 0.000
Residual Error 36 12860 357
Total 41 409965
Source DF Seq SS
1/x1 1 11247
1/x2 1 242459
1/x3 1 82536
1/x4 1 60856
1/x5 1 7
Unusual Observations
𝑌̂ = − 212 + 0.425 /x1 + 1475/x2 − 6.38E + 08 /x3 + 6642729 /x4 + 13217 /x5
Output :
Regression Analysis: y versus x1, x2, ...
Analysis of Variance
Source DF SS MS F P
Regression 10 399392 39939 117.10 0.000
Residual Error 31 10574 341
Total 41 409965
Source DF Seq SS
x1 1 16111
x2 1 249575
x3 1 60102
x4 1 67846
x5 1 7
x1^2 1 38
x2^2 1 505
x3^2 1 2796
x4^2 1 2004
x5^2 1 409
Unusual Observations
̂0∗ + 𝛽
̂∗ = 𝛽
𝒀 ̂1∗ 𝑋1 + 𝛽
̂2∗ 𝑋2 + 𝛽
̂3∗ 𝑋3 + 𝛽
̂4∗ 𝑋4 + 𝛽
̂5∗ 𝑋5
Output :
Analysis of Variance
Source DF SS MS F P
Regression 5 2.75094 0.55019 344.34 0.000
Residual Error 36 0.05752 0.00160
Total 41 2.80846
Source DF Seq SS
x1 1 0.14090
x2 1 1.84959
x3 1 0.20782
x4 1 0.55263
x5 1 0.00000
Unusual Observations
8. Jenis Kurva S
Untuk estimasi model regresi dengan jenis kurva logarithmic dari data tersebut, dapat
dinyatakan dalam
̂∗ = 𝛽̂0 + 𝛽̂1 /𝑋1 + 𝛽̂2 /𝑋2 + 𝛽̂3 /𝑋3 + 𝛽̂4 /𝑋4 + 𝛽̂5 /𝑋5
𝒀
Output :
Regression Analysis: ln y versus 1/x1, 1/x2, 1/x3, 1/x4, 1/x5
Analysis of Variance
Source DF SS MS F P
Regression 5 2.76135 0.55227 422.03 0.000
Residual Error 36 0.04711 0.00131
Total 41 2.80846
Source DF Seq SS
1/x1 1 0.06318
1/x2 1 1.77107
1/x3 1 0.35122
1/x4 1 0.57530
1/x5 1 0.00058
Unusual Observations
Analysis of Variance
Source DF SS MS F P
Regression 5 2.75094 0.55019 344.34 0.000
Residual Error 36 0.05752 0.00160
Total 41 2.80846
Source DF Seq SS
x1 1 0.14090
x2 1 1.84959
x3 1 0.20782
x4 1 0.55263
x5 1 0.00000
Unusual Observations
5 S 0.00131 0.983
Kesimpulan : Dari data yang kita dapatkan, Jenis kurva terbaik yang dapat digunakan
untuk mengestimasi model regresi dari data ini adalah jenis kurva S, karena jenis kurva S
mempunya nilai MSE terkecil dibandingkan jenis kurva lain dan mempunyai R-Square