Regresi Robust Linear Sederhana dengan Menggunakan
Estimasi MM (Method of Moment)
Simple Linear Regression Robust With MM (Method Of Moment) Estimation
Romdi
1, Sri Wahyuningsih
2, dan Desi Yuniarti
31Laboratorium Statsitika Komputasi FMIPA Universitas Mulawarman 2,3Program Studi Statistika Fakultas MIPA Universitas Mulawarman Jl. Barang Tongkok Kampus Gn. Kelua Samarinda-Kalimantan Timur
E-mail: romdi.mkn@gmail.com1
,
swahyuningsih@gmail.com2, desy_yunt@yahoo.com3Abstract
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
X
Yˆ541,07-0,015 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
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
Point) dengan estimasi M yang diperkenalkan 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
rata-rata populasi berdasarkan nilai-nilai variabel bebasnya. Analisis regresi yang digunakan untuk memprediksi satu variabel terikat berdasarkan pada satu variabel bebas disebut dengan analisis regresi sederhana. Sedangkan analisis regresi yang digunakan
untuk memprediksi satu variabel terikat
berdasarkan dua atau lebih variabel bebas disebut dengan analisis regresi berganda. Dimana model umum persamaan regresi linear
sederhana adalah Y
0
1Xe(Widarjono,2007).
Metode yang paling sering digunakan
dalam analisis regresi adalah Ordinary Least
Square (OLS). Metode ini dianggap dapat menghasilkan estimator yang tidak bias, linear
dan varian yang minimum (Best Linear
Unbiased Estimator = BLUE). OLS ini dikemukakan oleh Carl Friedirch Gauss, seorang ahli matematika bangsa Jerman. Prinsip dasar OLS ini adalah meminimumkan jumlah kuadrat residual. Dalam metematika, untuk mendapatkan nilai minimum dari suatu fungsi maka syaratnya adalah differensiasi atau turunan pertama fungsi tersebut harus sama dengan nol. Dalam menggunakan metode tersebut ada syarat yang harus dipenuhi yaitu kenormalan resdiual, non heteroskedastisitas, dan non autokorelasi untuk menghasilkan model yang tidak bias (Gujarati, 2004).
Di samping asumsi tersebut masih ada satu permasalahan yang dapat terjadi pada metode OLS yaitu adanya pencilan. Pencilan adalah data yang jauh dari pola kumpulan dan keseluruhan, yang lazim didefinisikan sebagai data pencilan. Keberadaan dari pencilan akan menyebabkan kesulitan dalam proses analisis data dan perlu untuk dihindari. Pencilan berpengaruh adalah pencilan yang dapat berpengaruh besar terhadap persamaan garis regresi. Pencilan berpengaruh dapat ditelusuri dengan membandingkan hasil analisis pada data lengkap dengan hasil analisis yang salah satu pencilannya dibuang. Jika membuang pencilan maka dapat berpengaruh terhadap hasil analisis pada data. Untuk mengidentifikasi data yang mengandung pencilan maka dapat digunakan uji
DFFITS. Uji DFFITS digunakan untuk mendeteksi pencilan yang berpengaruh terhadap nilai dugaan Y, hipotesis yang digunakan adalah:
Hipotesis
H0 : Pencilan ke-i tidak berpengaruh
H1: Pencilan ke-i berpengaruh
Dengan rumus DFFITS adalah sebagai berikut:
2 1 2 1 2 1 ) 1 ( 2 ) ( ii ii i ii i i i h h h JKG k n e f s f DFFITS i=1,2,...n (1) dimana :
JKG: Jumlah Kuadrat Galat
k : jumlah variabel bebas
n : Banyaknya pengamatan hii= Xi(XTX)-1XiT dengan n X X X 1 1 1 2 1 X , n X X X 2 1 1 1 1 T X
Xi= data variabel X / variabel bebas ke-i
Nilai kritis untuk DFFITS adalah
n k
2 ,
dimana k banyaknya variabel bebas ditambah 1
sedangkan n adalah banyaknya data penelitian.
Jika nilai DFFITS lebih besar dari nilai kritis
maka pembuangan pencilan berpengaruh ke -i .
Dari himpunan data menyebabkan penduga dari
Yi berubah (Sen dan Srivastava, 1990) .
Fungsi obyektif adalah fungsi yang digunakan untuk mencari pembobot pada
regresi robust. Menurut Montgomery dan Peck
(1982), Fungsi pembobot yang disarankan oleh Tukey menggunakan fungsi obyektif:
c e c e c i i 1 , 1 6 2 2 2 ) (ei
(2) c e c i , 6 2 dengan c e c e ei i i , 1 2 2 i i i e e e) ( ( )) ( 0, ei c (3) dan fungsi pembobot,e c c e i i , 1 2 2
i i i i e e e w w ( 0, ei c (4) Konstanta yang menghasilkan efisiensi tinggi dengan residual berdistribusi normal danoutlier yaitu konstanta dengan c = 4,685 untuk
pembobot Tukey Bisquare.
Regresi Robust
Prosedur regresi robust dirancang untuk
mengurangi pengaruh dari pencilan yang mempunyai pengaruh tinggi jika metode OLS digunakan. Oleh karena itu prosedur regresi
robust cenderung untuk mengabaikan residual yang berhubungan dengan pencilan-pencilan yang besar. Disamping tidak sensitif jika
terdapat kasus pencilan, prosedur regresi robust
mempunyai tingkat efisiensi yang sama dengan 90% - 95% dibanding metode OLS jika di
bawah distribusi normal. Regresi robust ini
dikembangkan oleh Rousseeuw dan Leroy pada tahun 1987.
Regresi robust ditujukan untuk
mengakomo-dasi adanya keanehan data,
sekaligus meniadakan identifikasi adanya data pencilan dan juga bersifat otomatis dalam menanggulangi data pencilan. Analisis regresi
robust ini tidak membuat galat model menjadi normal namun model yang dihasilkan oleh metode ini memiliki tingkat keakuratan yang lebih tinggi dari model yang dihasilkan oleh
model OLS (Soemartini, 2007). Dalam
mendeteksi pencilan, metode regresi robust
yang sering digunakan adalah Huber estimasi
M, estimasi dengan Breakdown Point, dan
gabungan dari dua metode tersebut.
Jika data terkontaminasi pencilan pada variabel bebas (X), estimasi M tidak dapat bekerja dengan baik. Estimasi M tidak dapat
mengidentifikasi bad observation yang berarti
tidak dapat membedakan good leverage point
dan bad leverage point. Untuk mengatasi hal
tersebut, estimasi high breakdown sangat
diperlukan. Salah satu estimasi yang
mempunyai nilai high breakdown point adalah
estimasi S. bentuk estimator S adalah (Chen, 2002): ) ,..., , ( ˆ min arg S 1 1 n s e e e (5) dengan ) 1 ( ) ( ) ( ˆ 1 2 1 2
n n e e n n i n i i i s (6)Estimasi M akan menjaga ke-Robust-an
dengan mengatasi pencilan vertikal, yaitu pencilan yang terdapat pada variabel terikat (Y). Estimator M yang meminimumkan fungsi ρ (fungsi obyektif) dari residualnya. Estimator M dapat ditulis sebagai berikut:
n i k j j ij i n i i y x e 1 0 1 min ) ( min (7)Estimasi Method Of Moment (MM)
menggabungkan estimasi High Breakdown
Point dan efisiensi statistik yang dikenalkan oleh Yohai (1987). Langkah pertama dalam estimasi ini adalah mencari Estimator S,
kemudian menetapkan parameter-parameter
regresi menggunakan estimasi M. Estimasi S
menjamin nilai Breakdown Point tinggi dan
estimasi M membuat estimator mempunyai efisiensi tinggi. Pada umumnya digunakan fungsi Tukey Bisquare β baik pada estimasi S maupun estimasi M. Bentuk dari metode
estimasi Method Of Moment (MM) adalah
(Yohai, 1987):
∑
∑
1 0 ˆ -min arg n i S k j j ij i MM x y (8)dengan fungsi pembobot Tukey bisquare adalah:
c u c u i i , 1 2 2
( )
= ( = i i i e u w 0, ui c (9) Dimana s i i e u =ˆ dan c= 4,685Metode estimasi MM juga menggunakan
WLS (Weighted Least Square) untuk mencari
estimasi parameter regresi. Dengan model persamaan dalam bentuk matriks adalah:
Y) W (X X) W (X β (m) T (m) 1 T (m) J ˆ (10) dimana: , 1 1 1 2 1 n X X X X n Y Y Y 2 1 Y n X X X 2 1 1 1 1 T X n m w w w 0 0 0 0 0 0 0 2 1 ) ( W
m = iterasi ke- i dimana i = 1,2, . . .hingga konvergen
Proses pembobotan pada iterasi dilakukan
sampai kovergen yaitu selisih nilai
) ( ) 1 (
ˆ
m mdan
mendekati 0, dengan m banyaknya iterasi.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(j1)dan residual eˆi(1) dari regresi robust dengan high breakdown point (estimasi S) dengan bobot bisquare.
1.Residual eˆi(1) pada langkah pertama
digunakan untuk menghitung skala estimasi S
ˆ dan dihitung pula pembobot awal wi(1).2.Residual eˆi(1) dengan skala estimasi
ˆS pada langkah kedua digunakan dalam literasiawal sebagai penaksir WLS untuk
menghitung koefisien regresi berdasarkan persamaan.
n i i i S i i i x w e w 1 ) 1 ( ) ( 0, ˆ merupakan 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
mendapatkan
n i m i e 1 ) ( konvergen ( selisih 1 ˆm j dan ˆ mendekati 0, dengan mj m
banyak iterasi).
Hasil Dan Pembahasan
Tabel 1. Statistika Deskriptif pada Data Harga Saham Dan Nilai Tukar Rupiah Terhadap Dollar Nilai tukar rupiah Harga 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.
Estimasi Parameter
Berdasarkan hasil estimasi parameter dengan
menggunakan Ordinary Least Square (OLS)
diperoleh model Yˆ540,740,015Xeˆ. Kemudian dilakukan uji kesesuaian model untuk mengatahui apakah model tersebut dapat sudah layak atau belum untuk digunakan, dan diperoleh nilai p-value adalah sebesar 0,000 lebih kecil dari α=0,05 maka dapat disimpulkan bahwa model sudah tepat untuk digunakan.
Kemudian melakukan uji parsial untuk masing- masing parameter β0 dan β1 dengan
menggunakan uji t dan diperoleh nilai p-value
dengan bantuan software SPSS.20
masing-masing parameter adalah 0,000 dan 0,000 maka
disimpulkan dari hasil uji t untuk kedua
parameter β0 dan β1 adalah berpengaruh
terhadap harga saham Golden Retailindo Tbk. Selanjutnya menguji asumsi klasik regresi sederhana yang meliputi Kenormalan Residual, non autokorelasi,dan non heteroskedastisitas. Berdasarkan hasil uji ketiga asumsi klasik
tersebut diperoleh bahwa untuk asumsi
kenormalan residual dan non heteroskedastisitas terpenuhi dikarenakan nilai p-value dari keduannya berturut-turut adalah 0,200 dan 0,147 lebbih besar dari α=0,05 maka kedua asumsi tersebut terpenuhi. Sedangkan untuk asumsi non autokorelasi tidak terpenuhi karena nilai uji durbin watson 1,130 berada di daerah penolakan artinya terjadi masalah autokorelasi.
Maka dapat di lakukan identifikasi pencilan
dengan menggunakan uji DFFITS, untuk
mengetahui pencilan berpengaruh pada data harga saham dan nilai tukar rupiah terhadapa dollar. Hasil dari uji DFFITS dengan bantuan software Minitab.16 adalah sebagai berikut:
Tabel 2. Nilai DFFITS pada pencilan
berpengaruh
No. DFFITS |DFFITS| H0
1 -0,522 0,522 ditolak
12 0,499 0,499 ditolak
38 -0,412 0,412 ditolak
39 0,606 0,606 ditolak
41 0,743 0,743 ditolak
Berdasarkan hasil uji DFFITS dengan
minitab diperoleh bahwa pengamatan no. 1, 12, 38, 39, dan 41 merupakan pencilan berpengaruh dikarenakan nilai |DFFITS| >2 0,4082.
n k
Estimasi MM
Dikarenakan terdapat pencilan maka
prosedur regresi robust dapat diterapkan untuk mengatasi masalah pencilan yaitu dengan
menggunakan estimasi MM (Method Of
Moment). Estimasi parameter regresi robust dengan estimasi MM dimulai dengan mencari parameter regresi robust dengan estimasi S. Perhitungan koefisien regresi pada Estimasi S dengan menggunakan nilai nilai Yˆ dan residual
(
e
i) dari hasil estimasi OLS adalah1. Menghitung nilai penaksir Y ( Yˆ ) pada
persamaan model regresi awal dengan model
regresi Yˆ=540,74 0,015 X sebagai berikut: i i X Yˆ =0+1 dengan i=1,2,3…,48 7 , 346 ) 29 , 12938 ( 015 , 0 -74 , 540 ˆ 1 Y 9 , 350 ) 30 , 12658 ( 015 , 0 -74 , 540 ˆ 2 Y 7 , 397 ) 38 , 9537 ( 015 , 0 -74 , 540 ˆ 48 Y
2. Menghitung nilai residual (ei) dengan
persamaan sebagai berikut: i i i Y Y e = ˆ dengan i=1,2, …,48 7 , 36 = 7 , 346 310 = 1 e 9 , 24 = 9 , 350 326 = 2 e 7 , 12 = 7 , 397 385 = 48 e
3.Menghitung nilai dari
ˆs(1) denganpersamaan sebagai berikut:
) 1 -( ) ( -) ( = ˆ
∑
=1∑
2 1 = 2 ) 1 ( n n e e n n i n i i i s dengan i=1,2, . . . , 48 dimana: 27879 = ) 7 , 12 ( + ... + ) 9 , 24 ( + ) 7 , 36 ( = ) (∑
48 1 = 2 2 2 2 i ei 64 , 4182 = )) 7 , 12 ( + ... + ) 9 , 24 ( + ) 7 , 36 (( = ) ( 48 2 1 = 2∑
i ei ) 1 -48 ( 48 64 , 4182 -) 27879 ( 48 = ˆ (1) s 2256 9 , 1338275 = ˆ (1) s 4 , 24 = ˆ (1) s 4.Menghitung nilai (1) i u dengan persamaan sebagai berikut: ) 1 ( ) 1 ( ) 1 ( ˆ = s i e i u dengan i=1,2, … ,48 505 , 1 = 4 , 24 7 , 36 = ) 1 ( 1 u 021 , 1 = 4 , 24 9 , 24 = ) 1 ( 2 u 786 , 0 = 4 , 24 7 , 12 = ) 1 ( 48 u
4. Menghitung nilai wi(1)dengan sebagai
berikut: 2 2 ) 1 ( ) 1 ( 1 c u wi i dengan c =1,547 dan i=1,2,...48 c u karena w (1) 1 2 2 ) 1 ( 1 0,003 547 , 1 505 , 1 1 c u karena w (1) 2 2 2 ) 1 ( 2 0,319 547 , 1 021 , 1 1 c u karena w (1) 48 2 2 ) 1 ( 48 0,786 547 , 1 521 , 0 1 .
5. Setelah diperoleh nilai pembobot maka dapat
dihitung koefisien regresi dengan
menggunakan metode Weighted Least
Square dengan persamaan sebagai berikut:
Y) W (X X) W (X β (1) T (1) 1 T (1) J ˆ , dimana: 38 , 537 . 9 1 30 , 12658 1 29 , 938 . 12 1 X 385 326 310 Y 38 , 537 . 9 30 , 658 . 12 29 , 938 . 12 1 1 1 T X 786 , 0 0 0 0 0 319 , 0 0 0 0 003 , 0 (1) W 8 0000000317 , 0 0003275 , 0 0003275 , 0 408053 , 3 1 (1) TW X) (X 4 , 117601905 05 , 11463 Y) W (XT (1) Y) W (X X) W (XT (1) 1 T (1) ) 1 ( 1 ) 1 ( 0 4 , 117601905 05 , 11463 8 0000000317 , 0 0003275 , 0 0003275 , 0 408053 , 3 016 , 0 38 , 555 ) 1 ( 1 ) 1 ( 0
Berdasarkan hasil dari Weighted Least Square
(WLS) diatas maka diperoleh model dari estimasi S untuk Iterasi 1 adalah
X Yˆ555,380,016
Akan tetapi pada iterasi 1 belum konvergen karena selisih antara model dari estimasi OLS dengan iterasi 1 belum mendekati 0, dengan menggunakan hasil dari perhitungan pada iterasi 1 akan digunakan untuk menghitung model pada iterasi 2 dan seterusnya sampai konvergen, yaitu model pada iterasi ke-m sama
dengan model pada iterasi ke-(m+1). Hasil
perhitungan untuk iterasi lanjutan dapatdilihat pada lampiran. Model yang diperoleh dari hasil iterasi ditampilkan pada Tabel 3.
Berdasarkan hasil iterasi pada Tabel 3. diketahui bahwa iterasi telah konvergen pada iterasi 15 dikarenakan model pada iterasi 15 dan iterasi 14 sama. Sehingga diperoleh model terbaik untuk Estimasi S adalah :
X Yˆ462,20,007
Setelah diperoleh model terbaik dari Estimasi S maka selanjutnya dapat dihitung nilai residual dan mencari pembobot awal untuk estimasi MM.
Tabel 3. Model Regresi Dengan Estimasi S
Tahap Model Regresi
OLS Yˆ540,740,015X Iterasi 1 Yˆ555,40,016X Iterasi 2 Yˆ557,10,016X Iterasi 3 Yˆ553,80,016X Iterasi 4 Yˆ547,10,015X Iterasi 5 Yˆ536,40,014X Iterasi 6 Yˆ519,60,012X Iterasi 7 Yˆ498,30,010X Iterasi 8 Yˆ480,50,008X Iterasi 9 Yˆ469,90,007X Iterasi 10 Yˆ465,10,007X Iterasi 11 Yˆ463,20,007X Iterasi 12 Yˆ462,50,007X Iterasi 13 Yˆ462,30,007X Iterasi 14 Yˆ462,20,007X Iterasi 15 Yˆ462,20,007X Iterasi 16 Yˆ462,20,007X
Perhitungan pembobot awal estimasi MM
hampir sama dengan estimasi S yaitu
menentukan nilai Yˆ dan nilai eI kemudian
iterasi 1 tersebut digunakan pada perhitungan iterasi 2 dan seterusnya sampai dengan iterasi konvergen. Berbeda dengan estimasi S kriteria
pembobotan pada estimasi MM nilai c yang
digunakan adalah 4,685 perhitungan pembobot untuk iterasi 1 pada estimasi MM adalah sebagai berikut: 1. Menghitung nilai (1) i u dengan persamaan sebagai berikut: ) 1 ( ) 1 ( ) 1 ( ˆ = s i e i u dengan i=1,2, … ,48 337 , 2 = 4 , 26 6 , 61 = ) 1 ( 1 u 804 , 1 = 4 , 26 6 , 47 = ) 1 ( 2 u 396 , 0 = 4 , 26 4 , 10 = ) 1 ( 48 u 2. Menghitung nilai (1) i w dengan persamaan sebagai berikut: 2 2 ) 1 ( ) 1 ( 1 c u wi i dengan c =4,685 dan i =1,2,...48 c u karena w (1) 1 2 2 ) 1 ( 1 0,564 685 , 4 337 , 2 1 c u karena w 0,725 ≤ 685 , 4 804 , 1 1 2(1) 2 2 ) 1 ( 2 c u karena w 0,986 ≤ 685 , 4 396 , 0 1 48(1) 2 2 ) 1 ( 48
Setelah diperoleh nilai pembobot maka dapat dihitung koefisien regresi dengan menggunakan
metode Weighted Least Square seperti pada
estimasi S, diperoleh model dari estimasi MM untuk Iterasi 1 adalah
X Yˆ522,330,013
Akan tetapi pada Iterasi 1 belum Konvergen dikarenakan selisih dari model pada estimasi S dengan iterasi 1 belum mendekati 0, dengan menggunakan hasil dari perhitungan pada iterasi 1 akan digunakan untuk menghitung model pada iterasi 2 dan setersusnya sampai konvergen, yaitu model pada iterasi ke-m sama
dengan model pada iterasi ke-(m+1) . Model
yang diperoleh dari hasil Iterasi 1 dan lanjutan adalah sebagai berikut:
Tabel 4. Model Regresi dengan estimasi MM
Tahap Model Regresi
Estimasi S Yˆ462,20,007X Iterasi 1 Yˆ522,330,013X Iterasi 2 Yˆ536,840,014X Iterasi 3 Yˆ540,130,015X Iterasi 4 Yˆ540,860,015X Iterasi 5 Yˆ541,030,015X Iterasi 6 Yˆ541,060,015X Iterasi 7 Yˆ541,070,015X Iterasi 8 Yˆ541,070,015X Iterasi 9 Yˆ541,070,015X
Pada Tabel 4. diketahui bahwa iterasi telah konvergen pada iterasi 8 dikarenakan model pada iterasi 7 dan iterasi 8 sama, Sehingga diperoleh
model terbaik untuk Estimasi MM adalah :
X Yˆ541,070,015
Berdasarkan hasil model regresi yang
diperoleh menunjukkan bahwa setiap
peningkatan nilai nilai tukar rupiah terhadap dollar sebesar Rp. 1,00, maka akan menurunkan harga saham sebesar Rp. 0,015. Apabila nilai tukar rupiah dianggap tidak berpengaruh maka harga saham Golden Retailindo Tbk adalah Rp.
541,07. Dan diketahui nilai koefisien
determinasi adalah 42,8 % artinya sebesar 42,8 % harga saham Golden Retailindo Tbk dipengaruhi oleh nilai tukar rupiah terhadap dollar sedangkan sebesar 57,2 % dipengaruhi variasi lain yang tidak diteliti. Dan diperoleh hasil uji DW adalah sebesar 1,593 berada pada daerah penerimaan, maka tidak terjadi masalah autokorelasi.
Kesimpulan
Model regresi robust yang diperoleh dari hasil estimasi parameter regresi robust dengan
estimasi MM (Method Of Moment) adalah
X
Yˆ541,07-0,015 . Dimana setiap
penambahan Rp. 1,00 nilai tukar rupiah maka
akan menurunkan harga saham Goleden Retailindo sebesar Rp. 0,015,- sedangkan jika nilai tukar rupiah diabaikan maka harga saham Golden Retailindo Tbk Adalah Rp. 541,07.
Daftar Pustaka
Chen, C., 2002. Robust Regression and Outlier
Detection with the ROBUSREG
Procedure,Paper 265-27, Statistics and
Data Analysis, SUGI 27, North Carolina: SAS institute Inc.
Darmadji, Tjiptono dan M.Fakhruddin, Hendy.
2008. Pasar Modal di Indonesia:
Pendekatan Tanya jawab. Jakarta: Salemba Empat.
Gujarati, D.N. (2004). Basic Econometrics.4th.ed. New Jersey: Prentice Hall.
Montgomery, C. D., & Peck, A. E. (1982).
Introduction To Linear Regression Analysis. New York: John Wiley & Sons Inc.
Sen A. dan Srivasta, M. 1990.”Regression
Analysis”: Theory, Method, and Applications. New York: Springer-Verlag.
Soemartini.2007.”Outlier(Pencilan)”.Bandung.
UNPAD.
Sukirno, Sudono. 2003.” Makro Ekonomi Teori
Pengantar”. Jakarta:Edisi Ketiga. Rajawali Pers.
Widarjono, Agus. 2007. Ekonometrika Teori
dan Aplikasi untuk Ekonomi dan Bisnis.Edisi Kedua.Yogyakarta.Fakultas Ekonomi UII.
Yohai, V. J. (1987), “High Breakdown Point and High Efficiency Robust Estimates for Regression”, Annals of Statistics, Vol.15.