Bab 4 membahas tentang estimasi permintaan dengan menggunakan pendekatan riset pemasaran seperti survei konsumen dan penelitian observasi. Analisis regresi digunakan untuk memprediksi hubungan antara variabel bebas seperti pengeluaran iklan dengan variabel terikat seperti penjualan. Metode OLS digunakan untuk mengestimasi parameter model regresi.

1. Bab 4
Estimasi Permintaan

2. Pertanyaan Umum Tentang
Permintaan
• Seberapa besar penerimaan perusahaan akan
berubah setelah adanya peningkatan harga?
• Berapa banyak produk yang diminta apabila
konsumen naik pendapatannya?
• Berapa banyak kenaikan penjualan apabila
perusahaan mengeluarkan biaya iklan dalam
jumlah tertentu?
• Berapa banyak Permintaan akan jatuh apabila
pesaing menaikkan biaya iklan atau menurunkan
harga?

3. Masalah Identifikasi
• Masalah identifikasi merujuk pada beberapa
kesulitan menurunkan kurva permintaan dari data
yang ada dipasar
• Kurva permintaan biasanya di estimasi dari kuantitas
dan harga produk dari pasar
• Akan tetapi kesulitannya adalah waktu, pasar, selera,
pendapatan, harga komoditas yang berhubungan
selalu berubah
SULIT UNTUK
DIIDENTIFIKASIKAN

4. Estimasi Permintaan:
Pendekatan Riset Pemasaran
• Survei Konsumen : mensurvei konsumen bgm reaksi
tehd jumlah yg diminta jika ada perubahan harga, pendapatan,
dll menggunakan kuisioner
• Penelitian Observasi : pengumpulan informasi ttg
preferensi konsumen dgn mengamati bgmana mereka
membeli dan menggunakan produk
• Klinik Konsumen : eksperimen lab dimana partisipan
diberi sejumlah uang tertentu dan diminta membelanjakannya
dalam suatu toko simulasi dan mengamati bgmana reaksi
mereka jika terjadi perubahan harga, pendapatan, selera, dll
• Eksperimen Pasar : mirip klinik konsumen, tetapi
dilaksanakan di pasar yang sesungguhnya

5. Scatter DiagramYear X Y
1 10 44
2 9 40
3 11 42
4 12 46
5 11 48
6 12 52
7 13 54
8 13 58
9 14 56
10 15 60
Pengenalan Terhadap Analisis Regresi
Pengeluaran Iklan (X) & Penjualan (Y)
Persamaan Regresi : Y = a + bX

6. Analisis Regresi
• Garis Regresi : Line of
Best Fit
• Garis Regresi :
meminimumkan jumlah
dari simpangan kuadrat
pada sumbu vertikal (et)
dari setiap titik pada
garis regresi tersebut.
• Metode OLS (Ordinary
Least Squares): metode
jumlah kuadrat terkecil
ˆ
t t te Y Y 

7. Analisis Regresi Sederhana
• Analisis Regresi Sederhana hanya melakukan analisis
regresi untuk 2 variabel saja (1 variabel independent
& 1 variabel depedent)
• Proses-proses:
1. Menghitung nilai a (titik potong vertikal) dan nilai b
(koefisien kemiringan dari garis regresi
2. Mengadakan uji signifikasi dari estimasi parameter
3. Membuat interval keyakinan untuk parameter
sebenarnya

8. Metode OLS (Ordinary Least Square)
• Tujuan analisis regresi adalah untuk
menghasilkan nilai estimasi a dan b dari garis
regresi
𝑌𝑡 = 𝑎 + 𝑏 𝑋𝑡
𝑌𝑡 = Estimasi Penjualan tahun t
𝑋𝑡 = Estimasi Tingkat pengeluaran iklan
pada tahun t
𝑎 = Estimasi nilai a (titik potong vertikal)
𝑏 = Estimasi nilai b (Koefisien)
𝑒𝑡 = 𝑌𝑡 − 𝑌𝑡 = 𝑌𝑡 − 𝑎 − 𝑏 𝑋𝑡
Deviasi dari galat (𝑒𝑡) dari setiap observasi penjualan (𝑌𝑡)yang berasal
dari garis regresi ( 𝑌𝑡)
2 2 2
1 1 1
ˆˆ ˆ( ) ( )
n n n
t t t t t
t t t
e Y Y Y a bX
  
      
Jumlah Simpangan kuadrat atau galat (keseluruhan observasi) :

9. Estimasi nilai a & b didapatkan dari
meminimumkan jumlah simpangan kuadrat
1
2
1
( )( )
ˆ
( )
n
t t
t
n
t
t
X X Y Y
b
X X


 




ˆˆa Y bX 
Estimasi nilai a & b dengan Metode
OLS
𝑋 dan 𝑌 adalah
nilai rata-rata dari
𝑋𝑡 & 𝑌𝑡

10. Contoh Estimasi dgn OLS
Contoh Estimasi
1 10 44 -2 -6 12
2 9 40 -3 -10 30
3 11 42 -1 -8 8
4 12 46 0 -4 0
5 11 48 -1 -2 2
6 12 52 0 2 0
7 13 54 1 4 4
8 13 58 1 8 8
9 14 56 2 6 12
10 15 60 3 10 30
120 500 106
4
9
1
0
1
0
1
1
4
9
30
Time tX tY tX X tY Y ( )( )t tX X Y Y  2
( )tX X
10n 
1
120
12
10
n
t
t
X
X
n
  
1
500
50
10
n
t
t
Y
Y
n
  
1
120
n
t
t
X

 1
500
n
t
t
Y

 2
1
( ) 30
n
t
t
X X

 1
( )( ) 106
n
t t
t
X X Y Y

  
106ˆ 3.533
30
b  
ˆ 50 (3.533)(12) 7.60a   𝒀 𝒕 = 7,60 + 3,53 𝑿 𝒕

11. Uji Signifikasi Estimasi
Parameter
• Untuk menguji hipotesis bahwa b adalah signifikan scr
statistik (bahwa iklan mempengaruhi penjualan secara
positif perlu uji signifikasi
• Langkah 1: Tentukan Galat baku (standard error/SE) dari
b yaitu sebagai berikut
2 2
ˆ 2 2
ˆ( )
( ) ( ) ( ) ( )
t t
b
t t
Y Y e
s
n k X X n k X X

 
   
 
 
n = Jumlah observasi/sampel
k = jumlah koefisien/variabel
Derajat kebebasan = n-k

12. Contoh Perhitungan
2 2
1 1
ˆ( ) 65.4830
n n
t t t
t t
e Y Y
 
    2
1
( ) 30
n
t
t
X X

 
2
ˆ 2
ˆ( ) 65.4830
0.52
( ) ( ) (10 2)(30)
t
b
t
Y Y
s
n k X X

  
  


1 10 44 42.90
2 9 40 39.37
3 11 42 46.43
4 12 46 49.96
5 11 48 46.43
6 12 52 49.96
7 13 54 53.49
8 13 58 53.49
9 14 56 57.02
10 15 60 60.55
1.10 1.2100 4
0.63 0.3969 9
-4.43 19.6249 1
-3.96 15.6816 0
1.57 2.4649 1
2.04 4.1616 0
0.51 0.2601 1
4.51 20.3401 1
-1.02 1.0404 4
-0.55 0.3025 9
65.4830 30
Time tX tY ˆ
tY ˆ
t t te Y Y  2 2ˆ( )t t te Y Y  2
( )tX X
Uji Signifikasi Estimasi Parameter

13. Uji t Untuk Signifikasi
Perhitungan : t-Statistic
ˆ
ˆ 3.53
6.79
0.52b
b
t
s
  
Derajat Bebas = (n-k) = (10-2) = 8
Critical Value at 5% level dari tabel t =2.306

14. Uji Kecocokan Model & Korelasi
Decomposition of Sum of Squares
2 2 2ˆ ˆ( ) ( ) ( )t t tY Y Y Y Y Y      
Total Variation = Explained Variation + Unexplained Variation
• Selain menguji signifikasi , kita juga dapat menguji
kekuatan variabel penjelas secara keseluruhan dari
keseluruhan regresi
• Ini didapat dengan menghitung koefisien determinasi (𝑹 𝟐)
• Koefisien Determinasi dinayatakan sebagai proporsi dari
variasi total atau disperse dari variabel terikat yang bisa
dijelaskan oleh variasi dari variabel-variabel bebas atau
penjelas pada regresi
Langkah-Langkahnya:

15. Variasi Total Yang bisa dijelaskan dan yang tidak bisa
dijelaskan

16. Contoh Estimasi Koefisien Determinasi

17. 2
2
2
ˆ( )
( )t
Y YExplainedVariation
R
TotalVariation Y Y

 



2 373.84
0.85
440.00
R  
Koefisien Determinasi

18. 2 ˆr R withthesignof b
0.85 0.92r  
1 1r  
Koefisien Korelasi

19. Analisis Regresi Berganda
• Apabila saat variabel Dependent (Terikat)
yang kita cari untuk dijelaskan, dihipotesis
tergantung pada lebih dari satu variabel
bebas/penjelas.
Fungsi linearnya:
1 1 2 2 ' 'k kY a b X b X b X    L

20. Contoh Perhitungan Analisis Regresi
Berganda

21. Koefisien Determinasi &
𝑅2
yang disesuaikan
2 2 ( 1)
1 (1 )
( )
n
R R
n k

  

• Koefisien Determinasi mengukur proporsi dari
variasi total variabel terikat yang dijelaskan oleh
variabel bebas
• Akan tetapi di analisis regresi berganda, dengan
mempertimbangkan besaran derajat kebebasan
menurun sehubungan denga bertambahnya
variabel bebas, R2 perlu disesuaikan, sbb:

22. Analisis Varians/Uji F
• Kekuatan menerangkan secara keseluruhan
regresi dapat diuji dengan menggunakan
analisis varians
/( 1)
/( )
ExplainedVariation k
F
UnexplainedVariation n k



2
2
/( 1)
(1 ) /( )
R k
F
R n k


 

23. Multikolinieritas
• Merupakan korelasi (keterkaitan) yang tinggi
antara variabel-variabel bebas dalam suatu
model regresi linear berganda
• Alat statistik yang sering dipergunakan untuk
menguji multikolinearitas adalah
1.Variance Inflation Factor (VIF),
2.Korelasi Pearson antara variabel-variabel bebas,
atau
3.Eigenvalues dan Condition Index (CI)

24. Heteroskedisitas
• Merupakan ketidaksamaan varians dari residual satu ke
pengamatan ke pengamatan yang lain di suatu regresi
berganda
• Model regresi yang memenuhi persyaratan adalah di
mana terdapat kesamaan varians dari residual satu
pengamatan ke pengamatan yang lain tetap
(Homoskedisitas)
• Biasanya terdapat pada data cross section
• Deteksi heteroskedastisitas dapat dilakukan dengan
1.Metode scatter plot dengan memplotkan nilai ZPRED (nilai
prediksi) dengan SRESID (nilai residualnya)
2.Uji Glejser, Uji Park, Uji White

25. Autokorelasi
• Terjadi korelasi antara suatu periode t dengan
periode sebelumnya (t -1).
• Analisis regresi adalah untuk melihat pengaruh
antara variabel bebas terhadap variabel terikat,
jadi tidak boleh ada korelasi antara observasi
dengan data observasi sebelumnya
• Uji autokorelasi hanya dilakukan pada data time
series (runtut waktu) dan tidak perlu dilakukan
pada data cross section

26. Langkah-Langkah Estimasi Permintaan dengan
Regresi
• Spesifikasi Model dengan Cara Mengidentifikasi
Variabel-Variabel, misalnya :
Qd = f (Px, I, Py, A, T)
• Pengumpulan Data
• Spesifikasi Bentuk Persamaan Permintaan
Linier : Qd = A - a1Px + a2 I + a3 Py + a4 A + a5 T
Pangkat : Qd = A(Px)b(Py)c
• Estimasi Nilai-Nilai Parameter
• Pengujian Hasil