PENDAHULUAN
Latar Belakang
Analisis regresi adalah salah satu metode
untuk menentukan hubungan sebab akibat antara satu variabel dengan
variabel yang lain. Variabel penyebab disebut dengan variabel independen
atau variabel bebas dan digambarkan dalam grafik sebagai absis atau
sumbu X. Sedangkan variabel akibat disebut dengan variabel dependen atau
variabel terikat Y, kedua variabel ini dapat merupakan variabel acak
(random), namun variabel yang dipengaruhi harus selalu variabel
acak. Analisis regresi dibagi menjadi dua yaitu regresi linear sederhana
dan regresi linear berganda. Regresi linear sederhana yaitu hubungan
secara linear antara satu variabel independen dengan variabel dependen,
sedangkan regresi linear berganda adalah hubungan secara linear 2 atau
lebih variabel independen dengan variabel dependen.
Indonesia merupakan negara agraris karena sebagian besar
penduduknya bekerja di sektor pertanian sehingga sektor pertanian
menjadi basis utama dalam pembangunan nasional. Sektor pertanian
memiliki peranan cukup penting dalam perekonomian masyarakat serta
mendorong pemerataan pembangunan daerah dengan tetap memperhatikan
kelestarian sumberdaya alam.Keadaan ini ditunjang dengan kondisi iklim
Indonesia dan besarnya lahan potensial dengan berbagai macam komoditi
yang dapat dikembangkan sehingga mempunyai nilai ekonomis (Daniel,
2005).Pembangunan pertanian di masa mendatang pada sub sektor
hortikultura diarahkan untuk menumbuhkan sistem agribisnis dan
agroindusti.Salah satu produk hortikultura yang menjadi unggulan dalam
sektor pertanian di Indonesia adalah tanaman sayuran.Salah satu komoditi
sayur yang sangat dibutuhkan oleh hampir semua orang dari berbagai
lapisan masyarakat adalah cabai sehingga tidak mengherankan bila volume
peredaran di pasaran dalam skala besar.
Tanaman cabai merupakan salah satu sayuran buah yang selalu
dibutuhkan penggunaannya oleh masyarakat.Permintaan cabai yang tinggi
untuk kebutuhan bumbu masakan, industri makanan, dan obat-obatan
merupakan alasan banyakya kebutuhan cabai di kalangan masyarakat. Tidak
heran jika cabai merupakan komoditas hortikultura yang mengalami
fluktuasi harga paling tinggi di Indonesia. Sekalipun ada kecenderungan
peningkatan kebutuhan tetapi permintaan terhadap cabai untuk kebutuhan
sehari-hari dapat berfluktuasi yang disebabkan karena naik turunnya
harga cabai yang terjadi di pasar eceran. Fluktuasi harga yang terjadi
di pasar eceran, selain disebabkan oleh faktor-faktor yang mempengaruhi
sisi permintaan juga disebabkan oleh faktor-faktor yang mempengaruhi
sisi penawaran. Faktor utama yang menjadi penyebab adalah bahwa petani
cabai adalah petani kecil-kecil yang proses pengambilan keputusan
produksinya diduga tidak ditangani dan ditunjang dengan suatu peramalan
produksi dan harga yang baik. Apabila harga cabai melonjak, maka akan
berdampak pada daya beli masyarakat dan juga menimbulkan
keresahan.Inflasi adalah suatu proses meningkatnya harga-harga secara
umum dan terus-menerus yang berkaitan dengan mekanisme pasar yang dapat
disebabkan oleh berbagai faktor yaitu meningkatnya permintaan melebihi
penawaran atau diatas kemampuan berproduksi seperti peningkatan konsumsi
masyarakat, berlebihnya likuiditas pasar yang memicu konsumsi atau
bahkan spekulasi, termasuk akibat ketidaklancaran distribusi
barang.
Melihat kebutuhan masyarakat Kabupaten Jeneponto yang dominan
mengkonsumsi cabai maka permintaan akan harga cabai akan tetap terus ada
meskipun harga cabai mengalami peningkatan yang cukup tinggi. Kabupaten
Jeneponto sering di temui bahwa harga cabai kadang tinggi dan kadang
rendah bahkan cenderung tidak menentu, inilah yang menjadi masalah
mengapa hal itu bisa terjadi.Jika terjadi kenaikan maupun penurunan
harga cabai berarti ada faktor yang menyebabkan harga cabai tersebut
yang berubah-ubah.
Regresi Linier
Berganda
Menurut Yuliara (2016), Regresi linier
berganda merupakan model persamaan yang menjelaskan hubungan satu
variabel tak bebas/ response (Y) dengan dua atau lebih variabel
bebas/predictor (X1, X2,…Xn). Tujuan dari uji regresi linier
berganda adalah untuk memprediksi nilai variable tak bebas/
response (Y) apabila nilai-nilai variabel
bebasnya/predictor (X1, X2,…, Xn) diketahui. Selain itu, juga
untuk dapat mengetahui bagaimanakah arah hubungan variabel tak bebas
dengan variabel-variabel bebasnya.
Persamaan regresi linier berganda secara matematik ditulis seperti
berikut: \[
Y= \beta_0 + \beta_1x_1 + \beta_2x_2 + \dots + \beta_kx_k + \varepsilon
\]
Pengujian
hipotesis
Pengujian hipotesis dimaksudkan untuk
melihat apakah suatu hipotesis yang diajukan akan ditolak atau dapat
diterima. Hipotesis merupakan asumsi atau pernyataan yang mungkin benar
atau salah mengenai suatu populasi. Dengan mengamati seluruh populasi,
maka suatu hipotesis akan dapat diketahui apakah suatu penelitian itu
benar atau salah. Dalam pengujian hipotesis terdapat asumsi/pernyataan
istilah hipotesis nol. Hipotesis nol merupakan hipotesis yang akan
diuji, sedangkan penolakan untuk hipotesis nol dimaknai dengan
penerimaan hipotesis lainnya/ hipotesis alternatif.
Uji F
Dengan melakukan uji F, dapat diambil
informasi mengenai Peubah-peubah penjelas (seluruh prediktor) yang ada
dalam model berpengaruh secara serempak terhadap respon atau tidak,
Penambahan satu peubah penjelas ke dalam model setelah peubah penjelas
lainnya ada dalam model berpengaruh nyata atau tidak terhadap respon,
serta penambahan sekelompok peubah penjelas ke dalam model setelah
peubah penjelas lainnya ada dalam model berpengaruh nyata atau tidak
terhadap respon.
Tahapan yang dilakukan dalam Uji-F adalah:
- Menentukan Hipotesis \[
H_0 : \beta_1 = \beta_2 = \dots = \beta_k
\] \[
H_1 : \beta_1 ≠ \beta_2 ≠ \dots ≠\beta_k
\]
- Menentukan taraf signifikansi (\(\alpha\))
- Menentukan nilai Statistik Uji F yaitu: \[
SU F
= \frac {KT regresi} {KT sisa}
\]
- Menentukan titik kritis dengan melihat tabel uji F sesuai taraf
signifikan serta derajat bebasnya.
- Kriteria Pengujian
Apabila nilai SU F < titik kritis atau p value lebih dari
\(\alpha\), maka hipotesis
H0 diterima. Apabila nilai SU F > titik kritis atau p
value kurang dari \(\alpha\), maka
hipotesis H0 ditolak.
- Menarik kesimpulan apakah seluruh variabel prediktor berpengaruh
terhadap respon atau tidak.
Uji t
Pengujian koefisien regresi secara parsial
bertujuan mengetahui apakah persamaan model regresi yang terbentuk
secara parsial variabel-variabel prediktonya berpengaruh signifikan
terhadap variabel respon. Dengan hipotesis umum seperti berikut:
\[H_0 : \beta_j = 0\] \[H_1 : \beta_j ≠ 0\] dimana j=
1,2,..,k
Statistik ujinya yaitu: \[SU t = \frac {b_j -
\beta_j} {S_{bj}}\] Dimana kriteria pengujiannya akan menolak
H0 jika p value kurang dari \(\alpha\) dan juga sebaliknya. Selanjutnya,
dapat diambil kesimpulan apakah tiap-tiap variabel prediktor berpengaruh
terhadap variabel respon.
Asumsi yang Melandasi
Analisis Regresi
- Normalitas sisaan
Asumsi normalitas sisaan adalah nilai sisaan percobaan (\(\varepsilon_{ij}\)) yang terkait dengan
nilai pengamatan \(Y_{ij}\) harus
mengikuti sebaran normal, sehingga pengujian mengenai keberartian
parameter model dapat menggunakan sebaran yang diturunkan dari sebaran
normal (t dan F). Pelangaran asumsi ini berakibat pada tidak sahnya
hasil uji hipotesis. Asumsi ini dapat diuji menggunakan uji Jarque
Berra, Saphiro Wilk, Kolmogorov Smirnov, dan lain-lain.
- Homoskedastisitas
Homoskedastisitas artinya ragam sisaan di setiap nilai X bersifat
homogen atau bernilai sama. pelanggaran dari asumsi ini disebut
heteroskedastisitas. Apabila asumsi ini terlanggar berakibat pada
meningkatnya ragam dari sebaran \(\hat{\beta}\) dan \(\hat{\beta}\) bukan lagi penduga yang
efisien. Terpenuhi atau tidaknya asumsi ini dapat diuji menggunakan uji
Breusch Pagan LM, uji Glester LM, dan sebainya.
- Non Multikolonieritas
Non multikolinieritas berarti tidak adanya hubungan linier antar
variabel prediktor. asumsi ini diperlukan agar kontribusi efek perubahan
setiap variabel prediktor terhadap variabel respon dapat dianalisis
secara terpisah. Pelangaran dari asumsi ini adalah munculnya masalah
multikolinieritas dimana penduga kuadrat terkecil tidak dapat ditentykan
serta, varian dan kovarian dari penduga menjadi tak terhingga besarnya.
Pendeteksian non multikolinieritas dapat menggunakan nilai vif, nilai
toleransi serta nilai korelasi antar peubah.
- Non Autokorelasi
Non autokorelasi adalah asumsi kebebasan antar sisaan. Pelanggaran
asumsi ini disebut sebagai masalah autokorelasi, akibat kesalahan
spesifikasi model atau tidak digunakannya variabel prediktor yang
penting. Biasanya masalah autokorelasi sering terjadi pada data deret
waktu, karena urutan pengamatan mempunyai makna, nilai sisaan pada satu
periode mempengaruhi nilai sisaan pada periode berikutnya, terutama pada
periode dengan jarak pendek. Akibat dari pelanggaran asumsi ini yaitu
penduga tidak lagi efisien (ragam besar). Penanganannya dapat
menggunakan Cochrane- Orcutt Iterative Procedure. Terpenuhi
tidaknya asumsi ini dapat diuji menggunakan uji Durbin Watson (DW).
Data
Jenis data yang digunakan pada laporan ini
berdasarkan dimensi waktu, yaitu data time series dengan
menganalisis faktor-faktor yang mempengaruhi fluktuasi harga cabai rawit
di pasar karisa, Kabupaten Jeneponto, Sulawesi selatan periode tahun
2018 sampai 2019 (dalam data perbulan). Data tersebut merupakan data
sekunder yang diambil dari data kepublikasi atau arsip Dinas Pertanian,
Dinas Perindustrian dan Perdagangan, dan Badan Pusat Statistik Kabupaten
Jeneponto, Sulawesi Selatan.
SOURCE CODE
Library yang
Dibutuhkan
> library(readxl)
> library(car)
> library(lmtest)
> library(orcutt)
Memanggil Data
> library(readxl)
> dataa <- read_excel("E:/Tugas Komstat/dataprak.xlsx")
> dataa
# A tibble: 24 × 6
No Bulan Y X1 X2 X3
<dbl> <chr> <dbl> <dbl> <dbl> <dbl>
1 1 Januari 2018 30.0 25.0 58.3 1.31
2 2 Februari 30.2 25.1 82.4 0.46
3 3 Maret 50.3 45.2 41 -0.01
4 4 April 15.1 10.1 32.7 0.39
5 5 Mei 20.3 15.2 47.6 0.39
6 6 Juni 25.5 20.4 107. 0.59
7 7 Juli 41.0 35.8 149. 0.51
8 8 Agustus 20.5 15.4 184. -0.12
9 9 September 20.4 15.3 221. -0.38
10 10 Oktober 15.3 10.2 336. -0.18
# … with 14 more rows
Memanggil data yang disimpan dalam bentuk
file excel menggunakan Function read_excel dengan argument
yang diisikan dalam Fuction merupakan tempat file disimpan serta nama
dari file tersebut yaitu dataprak.
Regresi Linier
Berganda
> regresi<-lm(dataa$Y~dataa$X1+dataa$X2+dataa$X3,data=dataa)
> summary(regresi)
Call:
lm(formula = dataa$Y ~ dataa$X1 + dataa$X2 + dataa$X3, data = dataa)
Residuals:
Min 1Q Median 3Q Max
-0.130561 -0.038811 -0.008121 0.059091 0.109125
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 5.0718164 0.0427742 118.572 <2e-16 ***
dataa$X1 1.0017360 0.0012234 818.840 <2e-16 ***
dataa$X2 0.0002399 0.0001717 1.397 0.178
dataa$X3 -0.0386516 0.0379097 -1.020 0.320
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 0.06936 on 20 degrees of freedom
Multiple R-squared: 1, Adjusted R-squared: 1
F-statistic: 2.287e+05 on 3 and 20 DF, p-value: < 2.2e-16
Dilakukan analisis Regresi Linier Berganda
pada data menggunakan function lm dengan formula yang
diisikan dalam function adalah
dataa$Y~dataa$X1+dataa$X2+dataa$X3 serta argument
data=dataa. Formula dan argument ini digunakan untuk
menganalisis apakah variabel Y dipengaruhi oleh variabel x1,x2, dan x3
yang terdapat pada data yang disimpan dengan nama dataa. Perintah
summary digunakan untuk menampilkan hasil analisis regresi
secara lengkap.
Uji Asumsi Klasik
Regresi Linier Berganda
> #Uji Normalitas Sisaan
> sisa<-residuals(regresi)
> shapiro.test(sisa)
Shapiro-Wilk normality test
data: sisa
W = 0.96659, p-value = 0.584
> #Uji Homogenitas Ragam Sisaan
> library(lmtest)
> bptest(regresi)
studentized Breusch-Pagan test
data: regresi
BP = 1.6146, df = 3, p-value = 0.6561
> #Uji Non autokorelasi sisaan
> dwtest(regresi)
Durbin-Watson test
data: regresi
DW = 0.42552, p-value = 1.036e-07
alternative hypothesis: true autocorrelation is greater than 0
> #pemeriksaan Multikolinieritas
> library(car)
> vif(regresi)
dataa$X1 dataa$X2 dataa$X3
1.022809 1.156042 1.132447
Uji asumsi klasik regresi linier berganda meliputi:
- Uji Normalitas sisaan
Uji asumsi normalitas dilakukan menggunakan uji saphiro Wilk dengan
function shapiro.test dan argument yang diisikan merupakan
residuals dari hasil analisis regresi pada data yang telah
dilakukan.
- Uji Homoskedastisitas
Uji homoskedastisitas Dilakukan menggunakan function bptest
dan argument yang diisikan adalah hasil analisis regresi yang telah
dilakukan sebelumnya dengan memanggil terlebih dahulu
library(lmtest).
- Uji Non Autokorelasi
Uji Non autokorelasi dilakukan menggunakan function dwtest
dan argument yang diisikan adalah hasil analisis regresi yang telah
dilakukan sebelumnya.
- Pemeriksaan Non Multikolinieritas
Pemeriksaan Non multikolinieritas dilakukan menggunakan function
vif dan argument yang diisikan adalah hasil analisis
regresi yang telah dilakukan sebelumnya dengan memanggil terlebih dahulu
library(car).
Penanganan
autokorelasi menggunakan metode Cochrane-Orcutt
> library(orcutt)
> modelco <- cochrane.orcutt(regresi)
> summary(modelco)
Call:
lm(formula = dataa$Y ~ dataa$X1 + dataa$X2 + dataa$X3, data = dataa)
Estimate Std. Error t value Pr(>|t|)
(Intercept) 5.2892e+00 5.3805e-02 98.304 <2e-16 ***
dataa$X1 1.0001e+00 2.7351e-04 3656.704 <2e-16 ***
dataa$X2 -5.3165e-05 6.9468e-05 -0.765 0.4535
dataa$X3 3.7497e-03 8.8520e-03 0.424 0.6766
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 0.0187 on 19 degrees of freedom
Multiple R-squared: 1 , Adjusted R-squared: 1
F-statistic: 4618098 on 3 and 19 DF, p-value: < 7.261e-56
Durbin-Watson statistic
(original): 0.42552 , p-value: 1.036e-07
(transformed): 2.38598 , p-value: 8.544e-01
> #rho optimum
> rho <- modelco$rho
> #transformasi
> d1 <- dataa$Y[-1]
> d2 <- dataa$Y[-24]
> Y.trans <- dataa$Y[-1]-dataa$Y[-24]*rho
> X1.trans <- dataa$X1[-1]-dataa$X1[-24]*rho
> X2.trans <- dataa$X2[-1]-dataa$X2[-24]*rho
> X3.trans <- dataa$X3[-1]-dataa$X3[-24]*rho
> modelcorho <- lm(Y.trans~X1.trans+X2.trans+X3.trans)
> summary(modelcorho)
Call:
lm(formula = Y.trans ~ X1.trans + X2.trans + X3.trans)
Residuals:
Min 1Q Median 3Q Max
-0.030941 -0.012002 -0.000257 0.007097 0.046344
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 3.982e-01 4.051e-03 98.304 <2e-16 ***
X1.trans 1.000e+00 2.735e-04 3656.704 <2e-16 ***
X2.trans -5.317e-05 6.947e-05 -0.765 0.453
X3.trans 3.750e-03 8.852e-03 0.424 0.677
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 0.01875 on 19 degrees of freedom
Multiple R-squared: 1, Adjusted R-squared: 1
F-statistic: 4.618e+06 on 3 and 19 DF, p-value: < 2.2e-16
> #transformasi balik
> cat("y= ", coef(modelcorho)[1]/(1-rho),"+",coef(modelcorho)[2], "x1", "+",coef(modelcorho)[3], "x2","+",coef(modelcorho)[4], "x3", sep="")
y= 5.289224+1.00015x1+-5.316504e-05x2+0.003749718x3
> #Uji autokorelasi setelah ditangani dengan metode cochrane-orcutt
> dwtest(modelcorho)
Durbin-Watson test
data: modelcorho
DW = 2.386, p-value = 0.8544
alternative hypothesis: true autocorrelation is greater than 0
Penanganan autokorelasi menggunakan metode
cochrane orcutt dilakukan dengan function cochrane.orcutt
dan argument yang diisikan berupa hasil analisis regresi yang dilakukan
sebelumnya. Perintah summary digunakan untuk menampilkan
hasil analisis cochrane orcutt secara lengkap. Lalu, akan diperoleh
nilai rho optimum. Selanjutnya, melakukan transformasi pada data Y, X1,
X2, dan X3 lalu melakukan analisis regresi pada data yang telah
ditransformasi. Untuk mendapatkan hasil persamaan model yang sama dengan
Cochrane Orcutt sebelumnya, maka perlu dilakukan transformasi balik.
setelah dilakukan penanganan dengan metode Cochrane Orcutt, dilakukan
kembali uji autokorelasi menggunakan fuction dwtest untuk
menguji apakah asumsi non autokorelasi telah terpenuhi atau tidak.
HASIL DAN
PEMBAHASAN
Analisis Regresi
Linier Berganda
Berdasarkan hasil analisis regresi yang telah dilakukan pada data
didapatkan model persamaan regresi yaitu \[y=
5.07181 + 1.00173x_1 + 0.00023x_2 - 0.03865x_3\] Persamaan diatas
dapat diartikan sebagai berikut:
- Apabila harga riil cabai rawit di petani, jumlah produksi cabai
rawit, dan inflasi bernilai konstan maka harga riil cabai rawit di pasar
karisa sebesar 5.07181.
- Apabila jumlah produksi cabai rawit dan inflasi bernilai konstan,
maka setiap peningkatan harga riil cabai rawit di petani sebesar 1
satuan akan meningkatkan harga riil cabai rawit di pasar karisa sebesar
1.00173.
- Apabila harga riil cabai rawit di petani dan inflasi bernilai
konstan, maka setiap peningkatan jumlah produksi cabai rawit sebesar 1
satuan akan meningkatkan harga riil cabai rawit di pasar karisa sebesar
0.00023.
- Apabila harga riil cabai rawit di petani dan jumlah produksi cabai
rawit bernilai konstan, maka setiap peningkatan inflasi sebesar 1 satuan
akan meninurunkan harga riil cabai rawit di pasar karisa sebesar
0.03865.
Pengujian
Hipotesis
Uji F
\[
H_0 : \beta_1 = \beta_2 =\beta_3
\] \[
H_1 : \beta_1 ≠ \beta_2 ≠\beta_3
\]
Dari hasil pengujian didapatkan p value = 2.2e-16 < \(\alpha = 0.05\) maka keputusannya \(H_0\) ditolak.
Dengan demikian, dapat disimpulkan bahwa harga riil cabai rawit di
petani, jumlah produksi cabai rawit, dan inflasi secara serempak
berpengaruh terhadap harga riil cabai rawit di pasar karisa.
Uji t
\[H_0 : \beta_j = 0,j:1,2,3\] \[H_1 : \beta_j ≠ 0, j=1,2,3\] Dari hasil
pengujian didapatkan:
- Pada X1 didpatkan p value = 2e-16 < \(\alpha = 0.05\) maka \(H_0\) ditolak. Dengan demikian, dapat
disimpulkan bahwa harga riil cabai rawit di petani berpengaruh nyata
terhadap harga riil cabai rawit di pasar karisa.
- Pada X2 didpatkan p value = 0.178 > \(\alpha = 0.05\) maka \(H_0\) tidak ditolak. Dengan demikian, dapat
disimpulkan bahwa jumlah produksi cabai rawit tidak berpengaruh secara
nyata terhadap harga riil cabai rawit di pasar karisa.
- Pada X3 didpatkan p value = 0.320 > \(\alpha = 0.05\) maka \(H_0\) tidak ditolak. Dengan demikian, dapat
disimpulkan bahwa inflasi tidak berpengaruh secara nyata terhadap harga
riil cabai rawit di pasar karisa.
Uji Asumsi
Klasik
- Uji normalitas Sisaaan
\(H_0\): sisaan menyebar normal
\(H_1\): sisaan tidak menyebar
normal
Dari hasil uji Saphiro Wilk didapatkan p value = 0.584 >
\(\alpha = 0.05\) maka keputusannya
\(H_0\) tidak ditolak. Dengan demikian,
dapat disimpulkan bahwa sisaan menyebar normal.
- Uji homogenitas sisaan
\(H_0 : var (u|X) = E(u^2|X) =
\sigma^2\)
\(H_1 : var (u|X) ≠ E(u^2|X) ≠
\sigma^2\)
Dari hasil uji Breusch Pagan didapatkan p value = 0.6561 >
\(\alpha = 0.05\) maka keputusannya
\(H_0\) tidak ditolak. Dengan demikian,
dapat disimpulkan bahwa tidak terjadi pelanggaran asumsi homogenitas
ragam sisaan.
- Uji non autokorelasi
\(H_0 : \rho = 0\)
\(H_1 : \rho ≠ 0\)
Dari hasil uji Durbin Watson didapatkan p value = 1.036e-07
< \(\alpha = 0.05\) maka
keputusannya \(H_0\) ditolak. Dengan
demikian, dapat disimpulkan bahwa terjadi masalah autokorelasi sehingga
perlu penanganan lebih lanjut, dapat menggunakan Cochrane Orcutt.
- Pemeriksaan multikolinieritas
Berdasarkan nilai vif yang telah didapatkan, ketiga variabel memiliki
nilai vif sebesar 1.0228, 1.1560, 1.1324, dimana ketiga nilai vif
tersebut kurang dari 10. Dengan demikian, dapat disimpulkan bahwa tidak
ada masalah multikolinieritas pada ketiga variabel tersebut.
Penanganan
autokorelasi menggunakan metode Cochrane-Orcutt
Data tersebut mengalami masalah autokorelasi
pada sisaan karena merupakan data deret waktu atau time series
sehingga perlu dilakukan penanganan agar masalah autokorelasi dapat
teratasi. Salah satu metode penganganannya menggunakan metode Cochrane
Orcutt. Berdasarkan hasil metode Cochrane-Orcutt yang telah dilakukan
didapatkan model persamaan:
\[y= 528.92 + 100.01x_1 - 0.000053x_2 -
0.00374x_3\] Cochrane Orcutt menggunakan pendekatan secara
iterative agar mendapatkan penduga rho yang lebih baik.
Diperoleh nilai rho optimum sebesar 0.924718. Setelah metode Cocrhane
Orcutt dilakukan, diuji kembali asumsi non autokorelasi menggunakan uji
Durbin Watson dan didapatkan p value = 0.8544 > \(\alpha=0.05\), artinya masalah autokorelasi
dapat diatasi sehingga asumsi non autokorelasi tidak lagi
terlanggar.
DAFTAR PUSTAKA
Daniel, M. 2005. Metode Penelitian Sosial Ekonomi, Dilengkapi
Beberapa Alat Analisa dan Penuntun Penggunaan. Jakarta : Bumi
Aksara.
Irna I. 2021. Analisis Faktor-Faktor yang Mempengaruhi Fluktuasi Harga
Cabai Rawit di Pasar Karisa Kabupaten Jeneponto. Skripsi. Fakultas
Pertanian. Universitas Muhammadiyah Makassar: Makassar.
Yuliara. 2016. Modul Regresi Linier Berganda. Universitas Udayana.