Dua peneliti memodelkan hubungan yang persis sama: pengaruh harga terhadap permintaan barang. Yang pertama melaporkan koefisien −2,5; yang kedua melaporkan −0,8. Keduanya benar. Bedanya hanya satu: bentuk model yang mereka pilih.
Peneliti pertama menulis permintaan dan harga apa adanya, jadi koefisiennya berarti “tiap harga naik Rp 1, permintaan turun 2,5 unit”. Peneliti kedua lebih dulu mengambil logaritma kedua variabel, jadi koefisiennya berarti sesuatu yang sama sekali berbeda: “tiap harga naik 1%, permintaan turun 0,8%”. Angka yang berbeda, cerita yang berbeda — padahal datanya identik.
Itulah inti bentuk fungsi (functional form). Bentuk fungsi adalah cara Anda menuliskan variabel ke dalam persamaan regresi — apa adanya, atau lewat logaritma, atau dengan suku kuadrat. Pilihan itu menentukan apa arti koefisien Anda. Salah pilih bentuk, interpretasinya keliru, dan modelnya bisa salah spesifikasi. Artikel ini membahas empat bentuk yang paling sering dipakai dan cara membaca masing-masing dengan benar.
Intuisi: Sumbu yang Diregangkan
Bayangkan Anda memplot pendapatan rumah tangga di sebuah sumbu. Mayoritas orang berkumpul di angka kecil, sementara segelintir orang kaya menarik sumbu sampai sangat jauh ke kanan. Awan titiknya menumpuk di pojok kiri-bawah dan susah dibaca.
Sekarang ganti sumbu itu dengan sumbu logaritma: jarak dari Rp 1 juta ke Rp 10 juta dibuat sama dengan jarak dari Rp 10 juta ke Rp 100 juta — keduanya “naik sepuluh kali lipat”. Tiba-tiba awan titik yang tadinya menumpuk jadi menyebar rapi. Inilah yang dilakukan logaritma: ia mengubah cara kita mengukur perubahan dari selisih mutlak (tambah Rp 1) menjadi selisih relatif (naik sekian persen).
Karena itulah koefisien pada variabel yang sudah di-logaritma dibaca dalam persen, bukan unit. Itu satu-satunya gagasan besar di artikel ini; sisanya hanya penerapan ke empat kombinasi.
Empat Bentuk Utama
Empat bentuk berikut dibedakan oleh apakah $Y$, $X$, atau keduanya diambil logaritmanya. Notasi $\ln$ berarti logaritma natural (basis $e \approx 2{,}718$); itulah logaritma yang selalu dipakai di ekonometrika.
| Bentuk | Model | Arti $\beta_1$ | Pemakaian khas |
|---|---|---|---|
| Linear (level-level) | $Y = \beta_0 + \beta_1 X$ | $X$ naik 1 unit → $Y$ naik $\beta_1$ unit | hubungan lurus langsung |
| Log-linear (log-level) | $\ln Y = \beta_0 + \beta_1 X$ | $X$ naik 1 unit → $Y$ naik $100\beta_1$ persen | pertumbuhan, persamaan upah |
| Level-log | $Y = \beta_0 + \beta_1 \ln X$ | $X$ naik 1% → $Y$ naik $\beta_1/100$ unit | diminishing return |
| Log-log | $\ln Y = \beta_0 + \beta_1 \ln X$ | $X$ naik 1% → $Y$ naik $\beta_1$ persen (elastisitas) | permintaan, fungsi produksi |
Penjelasan tiap lambang, sekali untuk semua:
- $Y$ = variabel terikat (yang dijelaskan), $X$ = variabel bebas (penjelas).
- $\beta_0$ = intercept, tinggi garis saat penjelas bernilai nol (atau $\ln X = 0$, yakni $X=1$).
- $\beta_1$ = slope, inti perhatian kita — artinya berubah-ubah tergantung bentuk, seperti pada tabel.
Inti yang harus dipegang: logaritma di sisi mana pun mengubah satuan koefisien dari “unit” menjadi “persen” untuk sisi itu. Log di $Y$ membuat jawaban dibaca persen; log di $X$ membuat pemicu dibaca persen. Kalau keduanya di-log, pemicu dan jawaban sama-sama persen — dan rasio persen-per-persen itu punya nama sendiri: elastisitas.
Mengapa Log Memberi Persen
Properti kunci logaritma: untuk perubahan kecil, selisih dalam $\ln X$ kira-kira sama dengan perubahan persentase $X$. Secara simbol, kalau $X$ naik sebesar fraksi $r$ (misalnya $r = 0{,}05$ untuk naik 5%), maka
$$\Delta \ln X = \ln(1+r) \approx r.$$Mari buktikan dengan angka, bukan klaim:
| Kenaikan $X$ ($r$) | $\ln(1+r)$ sesungguhnya | Hampiran ($r$) | Galat |
|---|---|---|---|
| 1% (0,01) | 0,00995 | 0,01 | −0,5% |
| 5% (0,05) | 0,04879 | 0,05 | −2,4% |
| 10% (0,10) | 0,09531 | 0,10 | −4,7% |
| 50% (0,50) | 0,40546 | 0,50 | −18,9% |
Hampiran sangat akurat untuk perubahan kecil (galat di bawah 5% sampai kenaikan 10%), tetapi memburuk untuk perubahan besar. Inilah sebabnya koefisien log dibaca “kira-kira sekian persen” — dan untuk perubahan besar kita perlu rumus eksak yang dibahas di bawah.
Log-Linear: Semi-Elastisitas
Bentuk ini meletakkan log hanya di sisi $Y$:
$$\ln Y = \beta_0 + \beta_1 X$$Arti $\beta_1$: tiap kenaikan $X$ satu unit, $Y$ berubah kira-kira $100\beta_1$ persen. Karena pemicunya unit tetapi jawabannya persen, $\beta_1$ disebut semi-elastisitas (separuh elastisitas — hanya satu sisi yang persen).
Contoh paling terkenal adalah persamaan upah Mincer di ekonomi tenaga kerja:
$$\ln(\text{upah}) = \beta_0 + \beta_1 \cdot \text{pendidikan}$$Di sini pendidikan diukur dalam tahun (unit), dan upah dibaca dalam persen. Kalau $\beta_1 = 0{,}08$, tiap tambahan satu tahun sekolah dikaitkan dengan upah yang lebih tinggi sekitar 8%. Itulah “imbal hasil pendidikan” (return to schooling) — salah satu angka paling banyak diestimasi sepanjang sejarah ekonometrika.
Hampiran vs rumus eksak
Aturan “$100\beta_1$ persen” adalah hampiran yang baik untuk $\beta_1$ kecil. Untuk koefisien besar, perubahan persen yang eksak adalah:
$$\%\Delta Y = 100\left(e^{\beta_1} - 1\right)$$Bandingkan: pada $\beta_1 = 0{,}08$, hampiran memberi 8%, rumus eksak memberi $100(e^{0{,}08}-1) = 8{,}33\%$ — selisih tak berarti. Tetapi pada $\beta_1 = 0{,}50$, hampiran memberi 50% sedangkan eksaknya $100(e^{0{,}50}-1) = 64{,}87\%$ — selisih besar yang tak boleh diabaikan. Pegangan praktis: untuk $|\beta_1| \lesssim 0{,}1$ pakai hampiran; di atas itu, laporkan angka eksak.
Log-Log: Elastisitas
Bentuk ini meletakkan log di kedua sisi:
$$\ln Y = \beta_0 + \beta_1 \ln X$$Arti $\beta_1$: tiap kenaikan $X$ 1 persen, $Y$ berubah kira-kira $\beta_1$ persen. Karena pemicu dan jawaban sama-sama persen, $\beta_1$ adalah elastisitas itu sendiri — dibaca langsung tanpa dikali atau dibagi 100. Inilah yang membuat log-log begitu disukai ekonom: ia memberi elastisitas gratis, sebagai koefisien yang langsung jadi.
Contoh permintaan:
$$\ln(\text{kuantitas}) = \beta_0 + \beta_1 \ln(\text{harga})$$Kalau $\beta_1 = -1{,}2$, permintaan barang itu elastis: kenaikan harga 1% menurunkan permintaan 1,2% (lebih dari sebanding). Kalau $\beta_1 = -0{,}4$, permintaan inelastis: kenaikan harga 1% hanya menurunkan permintaan 0,4% (kurang dari sebanding) — pola khas barang kebutuhan pokok.
Bentuk log-log juga muncul alami dari fungsi produksi Cobb-Douglas $Q = A\,L^{\alpha}K^{\beta}$: setelah dilogaritma, $\ln Q = \ln A + \alpha \ln L + \beta \ln K$, sehingga $\alpha$ dan $\beta$ langsung menjadi elastisitas output terhadap tenaga kerja dan modal.
Kuadratik: Hubungan yang Melengkung
Tiga bentuk di atas semuanya monoton — naik terus atau turun terus. Tetapi banyak hubungan di dunia nyata naik lalu turun (atau sebaliknya). Untuk menangkapnya, tambahkan suku kuadrat:
$$Y = \beta_0 + \beta_1 X + \beta_2 X^2 + u$$Di sini $u$ adalah galat (residual), $X^2$ cukup variabel $X$ yang dikalikan dirinya sendiri. Tanda $\beta_2$ menentukan lengkungannya:
- $\beta_2 < 0$ → kurva berbentuk bukit (U-terbalik, concave): naik, mencapai puncak, lalu turun.
- $\beta_2 > 0$ → kurva berbentuk lembah (U, convex): turun, mencapai dasar, lalu naik.
Yang penting: di model kuadratik, efek satu unit $X$ tidak lagi konstan — ia berubah sepanjang kurva. Efek marginal (kemiringan kurva di titik $X$) adalah $\beta_1 + 2\beta_2 X$. Di puncak atau dasar, kemiringan itu nol; dari sanalah rumus titik balik berasal:
$$X^* = -\frac{\beta_1}{2\beta_2}$$$X^*$ adalah nilai $X$ tempat $Y$ mencapai maksimum (kalau $\beta_2<0$) atau minimum (kalau $\beta_2>0$).
Contoh hitung titik balik
Sebuah studi mengestimasi hubungan usia dan upah bulanan (ribu rupiah): $\hat{Y} = 2000 + 300\cdot\text{usia} - 3\cdot\text{usia}^2$. Karena $\beta_2 = -3 < 0$, kurvanya bukit — upah naik dengan pengalaman, lalu menurun mendekati pensiun. Titik puncaknya:
$$\text{usia}^* = -\frac{\beta_1}{2\beta_2} = -\frac{300}{2\times(-3)} = \frac{300}{6} = 50 \text{ tahun}$$Periksa lewat efek marginal $\beta_1 + 2\beta_2\,\text{usia} = 300 - 6\,\text{usia}$: di usia 40 efeknya $+60$ (upah masih naik), di usia 50 efeknya $0$ (puncak), di usia 60 efeknya $-60$ (upah sudah menurun). Upah maksimum tercapai pada usia 50, lalu menurun secara simetris.
Contoh Hitung dari Nol: Log-Linear
Mari kerjakan satu bentuk log sampai tuntas, supaya jelas bahwa hitungannya sama persis dengan regresi biasa — yang berubah hanya bahan masukannya. Kita pakai model log-linear (semi-elastisitas) dengan lima orang: $X$ = pendidikan (tahun), $Y$ = upah (juta rupiah per bulan).
Langkah 1 — ubah $Y$ jadi $\ln Y$. Inilah satu-satunya langkah ekstra: ganti upah dengan logaritma naturalnya. Lalu hitung rata-rata penjelas dan rata-rata $\ln Y$.
| $X$ (pendidikan) | upah (juta) | $\ln(\text{upah})$ |
|---|---|---|
| 8 | 3,2 | 1,1632 |
| 10 | 4,0 | 1,3863 |
| 12 | 5,1 | 1,6292 |
| 14 | 6,5 | 1,8718 |
| 16 | 8,3 | 2,1163 |
Rata-rata: $\bar{X} = (8+10+12+14+16)/5 = 12$ tahun, dan $\overline{\ln Y} = (1{,}1632+1{,}3863+1{,}6292+1{,}8718+2{,}1163)/5 = 1{,}6333$.
Langkah 2 — kolom bantu, persis seperti di regresi sederhana, tetapi memakai $\ln Y$ sebagai variabel terikat. Untuk tiap baris: simpangan $X$, simpangan $\ln Y$, hasil kalinya, dan kuadrat simpangan $X$.
| $X_i - \bar{X}$ | $\ln Y_i - \overline{\ln Y}$ | hasil kali | $(X_i - \bar{X})^2$ |
|---|---|---|---|
| −4 | −0,4702 | 1,8808 | 16 |
| −2 | −0,2471 | 0,4941 | 4 |
| 0 | −0,0041 | 0,0000 | 0 |
| 2 | 0,2385 | 0,4769 | 4 |
| 4 | 0,4829 | 1,9316 | 16 |
| Σ | 4,7834 | 40 |
Langkah 3 — slope (semi-elastisitas). Rumusnya identik dengan regresi sederhana, $\beta_1 = \dfrac{\sum (X_i-\bar X)(\ln Y_i - \overline{\ln Y})}{\sum (X_i-\bar X)^2}$:
$$\beta_1 = \frac{4{,}7834}{40} = 0{,}1196$$Langkah 4 — intercept, $\beta_0 = \overline{\ln Y} - \beta_1 \bar X$:
$$\beta_0 = 1{,}6333 - 0{,}1196 \times 12 = 1{,}6333 - 1{,}4351 = 0{,}1983$$Persamaannya: $\widehat{\ln Y} = 0{,}1983 + 0{,}1196\,X$, dengan $R^2 = 0{,}9997$ (hampir sempurna — data ini sengaja rapi untuk pengajaran).
Interpretasi. Slope $\beta_1 = 0{,}1196$ dibaca: tiap tambahan satu tahun pendidikan, upah lebih tinggi kira-kira $100 \times 0{,}1196 \approx 12{,}0\%$ (hampiran). Karena koefisiennya tidak kecil, sebaiknya laporkan juga angka eksak $100(e^{0{,}1196}-1) = 12{,}70\%$. Inilah imbal hasil pendidikan pada data ini. Perhatikan: angka 0,1196 itu bukan “naik Rp 0,12 juta” — itu salah baca yang fatal dan sangat umum.
Visualisasi Interaktif
Geser di bawah ini untuk merasakan sendiri bagaimana empat bentuk menghasilkan kurva fit yang berbeda untuk data yang sama, dan bagaimana titik puncak kuadratik bergeser saat Anda mengubah $\beta_2$.
Yang patut dicoba:
- Bandingkan keempat bentuk berurutan — perhatikan linear lurus, log-linear melengkung tajam ke atas, log-log melandai, kuadratik membentuk bukit.
- Pada polinomial, geser $\beta_2$ dari negatif ke positif dan amati kurva membalik dari bukit menjadi lembah, serta titik puncak $X^*$ ikut bergeser.
- Perhatikan bagaimana bentuk log meredam pengaruh nilai-nilai besar di ujung kanan.
Cara Memilih Bentuk
- Teori dulu, bukan tebakan. Elastisitas konstan → log-log. Pertumbuhan / persamaan upah → log-linear. Diminishing return halus → level-log. Hubungan naik-lalu-turun → kuadratik.
- Plot datanya. Scatter plot $Y$ terhadap $X$ menunjukkan apakah hubungannya lurus, melengkung, atau melebar — mata sering lebih cepat dari uji statistik.
- Uji RESET (Ramsey). Menguji apakah masih ada non-linearitas yang terlewat. Kalau signifikan, bentuk fungsi Anda kemungkinan salah dan perlu suku log atau kuadrat.
- Variabel uang dan populasi (gaji, PDB, jumlah penduduk, harga aset) hampir selalu lebih baik di-logaritma: log meredam kemencengan dan sering meringankan heteroskedastisitas sekaligus.
Cara Cek di Software
# R
lm(log(upah) ~ pendidikan, data = dat) # log-linear (semi-elastisitas)
lm(log(qty) ~ log(harga), data = dat) # log-log (elastisitas)
lm(upah ~ usia + I(usia^2), data = dat) # kuadratik
library(lmtest); resettest(m) # uji RESET (Ramsey)
* Stata
gen lnupah = ln(upah)
reg lnupah pendidikan
reg upah c.usia##c.usia // kuadratik (sintaks faktor)
estat ovtest // uji RESET (Ramsey)
# Python (statsmodels)
import numpy as np, statsmodels.formula.api as smf
smf.ols('np.log(upah) ~ pendidikan', data=df).fit() # log-linear
smf.ols('np.log(qty) ~ np.log(harga)', data=df).fit() # log-log
smf.ols('upah ~ usia + I(usia**2)', data=df).fit() # kuadratik
Cek Pemahaman
1. Sebuah regresi log-log permintaan beras menghasilkan $\ln(\text{kuantitas}) = 9{,}1 - 0{,}43\,\ln(\text{harga})$. (a) Berapa elastisitas harga permintaan beras? (b) Permintaannya elastis atau inelastis? (c) Kalau harga naik 10%, kira-kira permintaan turun berapa persen?
Lihat jawaban
(a) Pada log-log, slope adalah elastisitas langsung: −0,43. (b) Karena nilai mutlaknya 0,43 < 1, permintaan inelastis — wajar untuk kebutuhan pokok seperti beras. (c) Kira-kira $0{,}43 \times 10\% = 4{,}3\%$ turun. Kenaikan harga jauh lebih besar dari penurunan kuantitas, jadi total belanja beras justru naik — sebabnya pemerintah menjaga harga pangan pokok.
2. Model log-linear upah: $\widehat{\ln(\text{upah})} = 0{,}20 + 0{,}12\,\text{pendidikan}$. Tafsirkan koefisien 0,12 dalam kalimat polos, dan jelaskan mengapa salah kalau dibaca “upah naik 0,12 juta per tahun sekolah”.
Lihat jawaban
Karena sisi terikat adalah $\ln(\text{upah})$, koefisien 0,12 dibaca dalam persen: tiap tambahan satu tahun pendidikan dikaitkan dengan upah lebih tinggi kira-kira $100 \times 0{,}12 = 12\%$ (eksaknya $100(e^{0{,}12}-1) = 12{,}75\%$). Membacanya “naik 0,12 juta” keliru karena yang diregresikan bukan upah dalam rupiah, melainkan logaritmanya — efeknya bersifat persentase, bukan tambahan rupiah tetap. Pekerja bergaji besar akan naik lebih banyak rupiahnya daripada pekerja bergaji kecil, walau persentasenya sama.
3. (Soal transfer.) Sebuah perusahaan memodelkan laba terhadap belanja iklan: $\widehat{\text{laba}} = 50 + 8\cdot\text{iklan} - 0{,}25\cdot\text{iklan}^2$ (semua dalam ratusan juta rupiah). (a) Pada tingkat belanja iklan berapa laba mencapai maksimum? (b) Apa yang terjadi pada laba bila iklan ditambah melampaui titik itu? (c) Bentuk fungsi mana yang dipakai dan mengapa cocok untuk kasus ini?
Lihat jawaban
(a) Titik balik $\text{iklan}^* = -\dfrac{\beta_1}{2\beta_2} = -\dfrac{8}{2\times(-0{,}25)} = \dfrac{8}{0{,}5} = 16$ (ratus juta rupiah). (b) Karena $\beta_2 = -0{,}25 < 0$ kurvanya bukit, melewati 16 laba justru menurun — belanja iklan tambahan tak lagi sebanding hasilnya (titik jenuh / diminishing return yang berbalik negatif). (c) Bentuk kuadratik, karena hubungannya naik-lalu-turun: iklan menaikkan laba sampai titik tertentu, lalu kelebihan iklan membebani biaya tanpa menambah penjualan setara.
Kesalahan Umum
Menafsirkan koefisien log sebagai unit. Pada log-linear, $\beta_1 = 0{,}08$ berarti “naik 8%”, bukan “naik 0,08 satuan”. Ini salah baca paling sering dan paling merusak interpretasi.
Mengabaikan rumus eksak untuk koefisien besar. Untuk $\beta_1$ di atas sekitar 0,1, hampiran $100\beta_1$ meleset lumayan. Pakai $100(e^{\beta_1}-1)$ supaya angkanya benar.
Me-log variabel yang bisa nol atau negatif. $\ln(0)$ tak terdefinisi dan $\ln$ dari angka negatif tidak ada. Untuk variabel yang memuat nol, pertimbangkan transformasi sinus hiperbolik terbalik (inverse hyperbolic sine, IHS / $\operatorname{arcsinh}$) yang berlaku di nol dan bilangan negatif — lebih disukai dibanding kebiasaan lama $\ln(X+1)$ yang hasilnya sensitif terhadap satuan.
Kuadratik tanpa suku linear. Memasukkan $X^2$ tanpa menyertakan $X$ memaksa kurva simetris terhadap nol dan titik baliknya terkunci di $X=0$ — hampir selalu salah. Selalu sertakan suku linearnya.
Polinomial derajat tinggi. Suku pangkat tiga atau empat bisa melengkung liar di ekor data dan menghasilkan prediksi tak masuk akal (overfitting). Untuk hubungan naik-turun yang wajar, kuadrat hampir selalu cukup.
Membandingkan $R^2$ antar bentuk dengan terikat berbeda. $R^2$ model dengan $Y$ tidak bisa diadu langsung dengan $R^2$ model dengan $\ln Y$ — keduanya menjelaskan variasi pada skala terikat yang berbeda. Untuk memilih antara $Y$ dan $\ln Y$ ada prosedur khusus (mis. uji Box-Cox / PE), bukan sekadar membandingkan $R^2$.
Dipakai di Dunia Nyata
- Estimasi elastisitas permintaan. Bentuk log-log adalah standar untuk kebijakan harga: cukai rokok, tarif listrik PLN, harga BBM bersubsidi. Koefisiennya langsung jadi elastisitas yang dipakai memperkirakan dampak kenaikan tarif terhadap konsumsi dan penerimaan negara.
- Imbal hasil pendidikan (Mincer). Log-linear upah terhadap pendidikan adalah salah satu model paling banyak direplikasi di ekonomi tenaga kerja Indonesia, kerap memakai data Sakernas BPS — koefisiennya menjadi dasar argumen kebijakan wajib belajar.
- Kurva lingkungan Kuznets. Model kuadratik emisi terhadap pendapatan per kapita menguji dugaan bahwa polusi naik di tahap awal pembangunan lalu turun setelah negara cukup makmur — tanda $\beta_2$ dan letak titik baliknya menjadi inti perdebatan.
- Fungsi produksi & total factor productivity. Bentuk log-log Cobb-Douglas dipakai memperkirakan kontribusi modal dan tenaga kerja terhadap output, fondasi pengukuran produktivitas dalam analisis pertumbuhan ekonomi.
Lanjutan
- Variabel Dummy & Suku Interaksi — memasukkan variabel kategorik dan efek yang bergantung kondisi.
- Heteroskedastisitas — log sering meredamnya; ini cara mendeteksi dan menanganinya.
- Logit / Probit / Tobit — bentuk fungsi untuk terikat yang biner atau terpotong.
Fondasi:
- Regresi linear berganda (hitung manual) — mesin kuadrat terkecil yang dipakai ulang di sini.
- Asumsi klasik Gauss-Markov (BLUE) — syarat agar koefisien tiap bentuk dapat dipercaya.