Program Studi Manajemen • FEB UNDIP

Matematika Bisnis

Pertemuan 9 — Presentasi Tugas Matriks: Sesi 1

Hari ini kelompok mempresentasikan regresi berbasis matriks — dari data nyata Indonesia ke koefisien β̂ (beta hat — estimator OLS yang dihitung dari data) yang bermakna bisnis.

RPS Minggu 10 • Sub-CPMK 2 • Durasi 2 × 50 Menit

Capaian & Alur Sesi Ini

Setelah sesi ini, Anda diharapkan mampu mengintegrasikan matriks ke dalam persamaan regresi (Sub-CPMK 2). Rincian capaian:

Capaian 1 — Desain

Menyusun design matrix X (matriks desain — matriks n×(k+1) dengan kolom konstanta bernilai 1) dari data kelompok dengan notasi matriks yang benar.

Capaian 2 — Hitung

Menghitung β̂ = (X'X)⁻¹X'y secara penuh, langkah per langkah, tanpa kesalahan dimensi.

Capaian 3 — Interpretasi

Menginterpretasikan setiap koefisien β dalam kalimat bisnis dengan satuan eksplisit dan klausa ceteris paribus (dengan menganggap variabel lain tetap konstan).

Capaian 4 — Komunikasi

Menyajikan temuan secara lisan (10 menit) dan memberikan kritik metodologi konstruktif kepada kelompok lain.

Mengapa Repot-Repot Pakai Matriks untuk Regresi?

Cara Lama (Skalar)

Regresi satu variabel: dua rumus terpisah (Σxy dan Σx²). Sudah terasa merepotkan. Tambah satu variabel X lagi → jumlah formula berlipat ganda. Sepuluh variabel → kekacauan. Skalar = bilangan tunggal, bukan matriks.

Cara Matriks

Berapa pun jumlah variabel X, rumusnya tetap satu: β̂ = (X'X)⁻¹X'y. Tambah kolom di X, selesai. Software statistik (SPSS, R, Python) persis menggunakan rumus ini di balik layar.

Matriks bukan pengganti intuisi — ia bahasa universal yang membuat rumus regresi berlaku untuk 1, 10, bahkan 100 variabel bebas tanpa perubahan bentuk.

Banyak mahasiswa bertanya kenapa tidak memakai rumus regresi biasa yang mereka sudah kenal dari statistika — dua rumus Σxy dan Σx² yang biasa diajarkan di SMA atau statistik pengantar. Jawabannya sederhana: rumus skalar itu hanya bekerja untuk satu variabel bebas, dan begitu Anda mencoba menambah variabel kedua, ketiga, dan seterusnya, jumlah persamaan normalnya meledak dan hampir tidak mungkin dihitung dengan tangan. Dengan notasi matriks, tidak peduli berapa banyak variabel bebas yang Anda masukkan, rumusnya selalu β̂ = (X'X)⁻¹X'y — tambah satu kolom di X, struktur rumus tidak berubah sama sekali. Inilah alasan mengapa semua software statistik modern menggunakan aljabar linear matriks di balik layar; matriks bukan kesulitan tambahan, melainkan keeleganan yang membuat segalanya menjadi seragam dan dapat digeneralisasi.

Blok 1 dari 4

Rekapitulasi Kerangka Metodologi

Sebelum presentasi kelompok dimulai, kita review bersama: design matrix, rumus OLS, langkah baku, interpretasi, dan visualisasi.

Design Matrix OLS Interpretasi

Sebelum sesi presentasi dimulai, saya ingin memastikan kita semua berdiri di landasan yang sama dalam hal metodologi. Blok pertama ini singkat — sekitar dua puluh menit — tetapi sangat penting karena sering terjadi kelompok melakukan presentasi tanpa kerangka yang eksplisit, sehingga pendengar tidak bisa mengikuti apakah analisisnya benar atau tidak. Catatan penting: blok ini adalah rekapitulasi — rumus β̂ = (X'X)⁻¹X'y diturunkan secara penuh di Pertemuan 8; jika ada yang perlu menyegarkan turunannya, buka kembali materi P7–P8 setelah sesi ini. Kita akan review lima komponen utama: menyusun design matrix, rumus OLS, langkah baku dari data mentah ke β̂, cara menginterpretasikan koefisien, dan bagaimana memvisualisasikan hasil. Setelah blok ini, Anda punya daftar periksa yang bisa digunakan saat menonton presentasi kelompok lain.

Menyusun Design Matrix X

Setiap baris = satu observasi (responden/tahun/perusahaan). Setiap kolom = satu variabel (kolom pertama = konstanta bernilai 1).

Contoh: regresi Y terhadap X₁ dan X₂, n = 4 observasi. Dimensi X: n × (k+1) = 4 × 3.

X = [ 1 X₁₁ X₂₁ ] y = [ y₁ ]
[ 1 X₁₂ X₂₂ ] [ y₂ ]
[ 1 X₁₃ X₂₃ ] [ y₃ ]
[ 1 X₁₄ X₂₄ ] [ y₄ ]

Konvensi subskrip X_ji: j = indeks variabel, i = indeks observasi. Jadi X₂₃ = variabel ke-2, observasi ke-3.

Kolom pertama harus bernilai 1 untuk semua baris — ini yang menghasilkan konstanta (intercept) β₀ dalam model. Lupa kolom ini = hasil β̂ salah total. Jika k variabel bebas, X berukuran n×(k+1).

Design matrix atau matriks desain X adalah jantung dari seluruh regresi berbasis matriks, dan cara menyusunnya harus Anda hafal di luar kepala. Setiap baris mewakili satu observasi — bisa satu perusahaan yang Anda survei, satu kabupaten dari data BPS, atau satu tahun dari laporan keuangan emiten IDX (Bursa Efek Indonesia). Setiap kolom mewakili satu variabel, dengan syarat mutlak: kolom pertama selalu berisi angka satu untuk semua baris, karena kolom inilah yang menghasilkan konstanta β₀ dalam model. Jika ada k variabel bebas, X Anda berukuran n baris dan k+1 kolom; jika k=2, X berukuran n×3. Satu kesalahan yang paling sering terjadi adalah lupa kolom konstanta ini — akibatnya β̂ yang dihasilkan salah semua karena rumus memaksa garis regresi melewati titik asal, yang hampir tidak pernah sesuai dengan data nyata.

Rumus OLS — Model Populasi & Intuisi

Model populasi: y = Xβ + ε | y: vektor respons n×1 | X: design matrix n×(k+1) | β: koefisien sejati (k+1)×1 | ε: vektor kesalahan/residual populasi n×1

Estimasi: ŷ = Xβ̂ — garis/bidang yang kita estimasi dari data

Intuisi OLS (Ordinary Least Squares — Metode Kuadrat Terkecil Biasa): minimalkan Σεᵢ² (jumlah kuadrat residual) — total jarak vertikal kuadrat dari semua titik data ke garis estimasi. Dikuadratkan agar residual positif dan negatif tidak saling menghilangkan.

β̂ = (X'X)⁻¹ X'y

y = Xβ + ε adalah model populasi (β tidak diketahui). β̂ adalah estimator dari data — simbol ^ menunjukkan nilai yang diestimasi, bukan nilai sejati.

Sebelum melihat langkah-langkah perhitungan, penting dipahami apa yang sebenarnya kita lakukan dengan OLS. Model y = Xβ + ε adalah pernyataan tentang populasi: ada nilai β "sejati" di alam yang menentukan hubungan Y dan X, plus gangguan acak ε yang tidak bisa kita kendalikan — tetapi nilai β ini tidak pernah kita ketahui persis karena kita hanya punya sampel data terbatas. OLS menjawab pertanyaan: "dari semua kemungkinan garis yang bisa ditarik melewati data ini, mana yang paling baik?" — jawabannya adalah garis yang meminimalkan total jarak kuadrat dari titik-titik data ke garis. Solusi matematika dari minimasi itu adalah β̂ = (X'X)⁻¹X'y — dan ini bukan rumus hafalan, melainkan hasil penurunan kalkulus yang Anda sudah lihat di Pertemuan 8. Simbol β̂ dengan topi selalu mengingatkan kita bahwa ini adalah estimasi dari data, bukan nilai sejati β.

Rumus OLS — Lima Langkah A–E & Cek Dimensi

β̂ = (X'X)⁻¹ X'y

Langkah	Operasi	Dimensi Hasil
A	Hitung X' (transpose X — tukar baris & kolom)	(k+1) × n
B	Hitung X'X = [(k+1)×n] × [n×(k+1)]	(k+1) × (k+1)
C	Hitung (X'X)⁻¹ — invers matriks simetris persegi	(k+1) × (k+1)
D	Hitung X'y = [(k+1)×n] × [n×1]	(k+1) × 1
E	Kalikan (X'X)⁻¹ × X'y → β̂	(k+1) × 1

Aturan emas dimensi: matriks (a×b) × (b×c) = (a×c). Dimensi tengah harus cocok (b = b). Kalau tidak cocok → ada yang salah di langkah sebelumnya.

Lima Langkah Baku: Dari Data ke β̂

Langkah 1 — Data

Kumpulkan data → susun vektor y (variabel terikat) dan kolom-kolom X (variabel bebas). Tentukan n (jumlah observasi) dan k (jumlah variabel bebas).

Langkah 2 — Design Matrix

Tambah kolom konstanta (semua = 1) sebagai kolom pertama X. Cek dimensi: X harus n×(k+1).

Langkah 3 — Hitung X'X & X'y

Transpose X → kalikan X'×X → hasilkan matriks (k+1)×(k+1). Transpose X → kalikan X'×y → hasilkan vektor (k+1)×1.

Langkah 4 — Invers (X'X)

Cari (X'X)⁻¹ via metode adjoin atau baris-elementer. Verifikasi: (X'X)(X'X)⁻¹ = I (matriks identitas — diagonal = 1, lainnya = 0).

Langkah 5 — Hitung β̂ & Interpretasi β̂ = (X'X)⁻¹X'y. Baca setiap elemen β̂ — terjemahkan ke bahasa bisnis dengan satuan eksplisit.

Lima langkah ini adalah protokol standar yang harus muncul dengan jelas dalam setiap presentasi kelompok hari ini — penilai akan memeriksa apakah alurnya runtut atau tidak. Langkah satu dan dua adalah persiapan: memastikan data bersih dan design matrix sudah tersusun dengan benar termasuk kolom konstanta. Langkah tiga dan empat adalah operasi teknis: menghitung X'X dan X'y, lalu menemukan invers (X'X) — di sini paling sering terjadi kesalahan aritmetika, jadi wajib diverifikasi. Langkah lima adalah muara seluruh pekerjaan: nilai β̂ yang Anda dapatkan harus segera diterjemahkan — angka β̂₁ = 0,5 tidak berarti apa-apa sampai Anda katakan "artinya jika X₁ naik satu satuan, Y diperkirakan naik 0,5 satuan, dengan asumsi X₂ tetap." Inilah yang membedakan analisis bisnis dari sekadar latihan matematika.

Cara Membaca Koefisien β̂ — Bahasa Bisnis

Setiap β̂𝒜 adalah marginal effect (efek marginal) — perubahan Y per unit perubahan X𝒜, dengan semua variabel lain tetap (ceteris paribus).

Koefisien	Bacaan Teknis	Contoh Kalimat Bisnis
β̂₀ (intercept)	Nilai prediksi Y saat semua X = 0	"Ketika pengeluaran iklan nol, proyeksi penjualan adalah Rp X juta (konteks harus dipertimbangkan)."
β̂₁	Δ Y per Δ X₁ (+1 satuan X₁)	"Setiap kenaikan pengeluaran iklan Rp 1 juta meningkatkan penjualan ~Rp 3,2 juta, jika variabel lain tetap."
β̂₂	Δ Y per Δ X₂ (+1 satuan X₂)	"Setiap tambahan satu tenaga penjual meningkatkan penjualan ~Rp 1,8 juta/bulan, jika variabel lain tetap."

Wajib: sebutkan (1) arah (positif/negatif), (2) besar efek, (3) satuan X dan Y, (4) klausa ceteris paribus. Tanpa satuan = interpretasi tidak lengkap.

Visualisasi: Scatter Plot & Garis Regresi

Untuk regresi sederhana (k=1), plot selalu wajib. Untuk berganda (k≥2), plot Y vs Ŷ (fitted values — nilai Y yang diprediksi model) atau Y vs masing-masing X secara parsial.

Elemen Visual Wajib dalam Presentasi

Label sumbu lengkap (nama variabel + satuan)
Garis regresi dengan persamaan ditampilkan (Ŷ = a + bX)
Sebutkan R² — koefisien determinasi, ukuran seberapa baik garis menjelaskan variasi data (0 = tidak ada, 1 = sempurna)

Visualisasi bukan hiasan — ia membuktikan bahwa Anda memahami hubungan data secara intuitif, bukan hanya menghitung rumus.

Sebelum menghitung apapun, visualisasikan data Anda terlebih dahulu — ini berlaku baik di dunia akademik maupun di dunia kerja. Untuk regresi dengan satu variabel bebas, scatter plot sangat wajib: Anda menaruh titik-titik data, lalu menggambar garis regresi Ŷ = β̂₀ + β̂₁X₁, dan dari gambar itu sudah bisa terlihat apakah hubungannya linear, apakah ada pencilan (outlier), dan seberapa dekat titik-titik data dengan garis. Untuk regresi berganda dengan dua atau lebih variabel bebas, Anda tidak bisa membuat satu scatter plot tunggal karena dimensi terlalu banyak, tetapi Anda bisa membuat plot Y aktual versus Ŷ yang diprediksi — jika model baik, titik-titik akan berkumpul di sekitar garis 45 derajat. Satu angka ringkasan yang selalu perlu disebutkan adalah R², yang memberitahu pendengar berapa persen variasi dalam Y bisa dijelaskan oleh model Anda.

Micro-HDN: Menghitung R² dari Nol

R² (R-squared / koefisien determinasi) adalah prasyarat dari matkul statistik Anda — presentasi menuntut Anda menyebutnya. Rumus: R² = 1 − SSR/SST.

Langkah	Perhitungan	Nilai
Ȳ (rata-rata Y)	Σy / n = 256 / 5	51,2
SST (Sum of Squares Total — total variasi Y dari rata-ratanya)	(120−51,2)²+(55−51,2)²+(38−51,2)²+(25−51,2)²+(18−51,2)² = 4732,9+14,4+174,2+686,4+1102,2	6710,1
SSR (Sum of Squares Residual — variasi Y tidak dijelaskan model)	0,07²+0,80²+(−1,18)²+(−1,03)²+1,36² = 0,005+0,640+1,392+1,061+1,850	4,95
R²	1 − SSR/SST = 1 − 4,95 / 6710,1 = 1 − 0,00074	≈ 0,9993

R² ≈ 0,999 → model menjelaskan ~99,9% variasi PDRB. Untuk data ilustrasi n=5 yang hampir linear ini wajar. Data nyata biasanya R² lebih rendah.

Untuk presentasi Anda: wajib hitung dan laporkan R². Penilai akan menanyakannya (lihat Slide 14 — pertanyaan kritik). Sertakan tabel SST, SSR, R² di slide Anda.

Slide ini adalah jembatan wajib sebelum sesi presentasi karena rubrik menuntut Anda melaporkan R², dan pertanyaan dari kelompok lain hampir pasti akan menanyakan nilainya. R² dihitung dari tiga komponen: SST (total variasi Y dari rata-ratanya), SSR (variasi Y yang tidak berhasil dijelaskan model), dan R² = 1 − SSR/SST. Dengan angka contoh kita: rata-rata Y = 256/5 = 51,2; SST = (120−51,2)² + (55−51,2)² + ... = 6710,1; SSR dari tabel residual = 4,95; maka R² = 1 − 4,95/6710,1 ≈ 0,9993 — artinya model menjelaskan 99,93% variasi PDRB dalam data ilustrasi ini. Angka R² yang sangat tinggi ini wajar untuk data ilustrasi n=5 yang hampir linear sempurna; untuk data nyata kelompok Anda, R² kemungkinan lebih rendah dan itu bukan masalah — yang penting Anda bisa menghitung dan menginterpretasikannya dengan benar.

Coba Sendiri: Cari Garis Terbaik dengan Menggeser Titik

Geser titik-titik data pada scatter plot dan amati bagaimana garis regresi serta residual berubah menyesuaikan diri untuk meminimumkan kuadrat galat.

Sumber Data yang Valid untuk Tugas Kelompok

Topik bebas kelompok — tetapi data harus dari sumber terverifikasi, bukan dikarang.

BPS Jawa Tengah

Data ekonomi regional: PDRB (Produk Domestik Regional Bruto — ukuran output ekonomi wilayah) per kabupaten, pengeluaran RT, jumlah UMKM, tingkat pengangguran.
bps.go.id/id/provinsi/jawa-tengah

IDX / Laporan Keuangan

Data keuangan emiten BEI (Bursa Efek Indonesia): penjualan, biaya, aset, laba. Contoh: BBCA, TLKM.
idx.co.id → financials. Cocok untuk model kinerja perusahaan.

Survei Primer Kampus UNDIP

Kuesioner yang Anda buat sendiri — data mahasiswa, konsumsi, preferensi, transportasi kampus. Valid jika prosedur pengumpulan data jelas dan terdokumentasi.

Satu syarat mutlak: setiap angka harus bisa dilacak ke sumber. Tuliskan sumber di slide presentasi. Data tanpa sumber = ditolak penilai.

Topik regresi kelompok memang bebas, tetapi bebas bukan berarti bebas mengarang data. Pilihan sumber data yang paling saya rekomendasikan untuk konteks kampus UNDIP Semarang ada tiga: pertama, BPS Jawa Tengah yang menyediakan data ekonomi regional lengkap mulai dari PDRB per kabupaten, konsumsi rumah tangga, hingga ketenagakerjaan — sangat relevan jika kelompok Anda mengambil topik ekonomi daerah. Kedua, IDX atau Bursa Efek Indonesia yang menyediakan laporan keuangan resmi semua emiten — sangat cocok untuk topik manajemen keuangan. Ketiga, survei primer yang Anda lakukan sendiri di lingkungan kampus — valid jika prosedurnya jelas, instrumen kuesioner terdokumentasi, dan sampel cukup representatif. Yang paling penting: setiap angka yang muncul di slide presentasi harus bisa dilacak ke sumbernya.

Blok 2 dari 4

Panduan Presentasi & Kriteria Penilaian

Struktur 10 menit yang diharapkan, rubrik empat dimensi, dan cara memberikan kritik metodologi yang efektif.

Struktur Rubrik Kritik

Struktur Waktu Presentasi 10 Menit per Kelompok

1' Pembuka

Anggota, topik, sumber data, hipotesis awal

2' Metodologi

Design matrix, model persamaan, asumsi

3' Perhitungan

X'X, X'y, (X'X)⁻¹, dan β̂ — tampilkan langkah kunci

3' Interpretasi

Makna β̂, visualisasi, implikasi bisnis

1' Penutup + Q&A

Kesimpulan satu kalimat + buka pertanyaan

Ketepatan waktu dinilai. Lebih dari 12 menit = pengurangan poin. Latih presentasi sebelum kelas. Hipotesis = dugaan awal tentang hubungan antar variabel sebelum melihat data.

Sepuluh menit terdengar lama, tetapi jika tidak direncanakan dengan baik, waktu habis sebelum sampai ke bagian terpenting. Struktur ini dirancang agar segmen metodologi dan interpretasi mendapat porsi terbesar, karena dua segmen itulah inti dari Sub-CPMK yang dinilai. Bagian pembuka cukup satu menit: siapa kelompoknya, apa topiknya, data dari mana, dan hipotesis awal Anda — jangan sampai habis bercerita tentang latar belakang saja. Bagian perhitungan tiga menit bukan berarti Anda harus menampilkan semua angka satu per satu di slide; cukup tunjukkan langkah kunci yaitu X'X, X'y, dan β̂ final, sambil menjelaskan logikanya. Yang sering dilupakan: latih presentasi sebelum kelas, karena kelompok yang tidak latih hampir selalu kelebihan waktu dan terpaksa memotong bagian interpretasi yang paling penting.

Rubrik Penilaian — Empat Dimensi

Dimensi	Bobot	Nilai A (85–100)	Nilai C (55–69)
Ketepatan teknis	40%	Design matrix benar, langkah β̂ lengkap tanpa kesalahan dimensi	Ada kesalahan dimensi atau langkah terlewat
Interpretasi bisnis	30%	Setiap β̂ diinterpretasikan dengan satuan, arah, ceteris paribus	Hanya menyebutkan angka tanpa konteks
Visualisasi & komunikasi	20%	Scatter plot/plot jelas, label lengkap, penyampaian terstruktur	Visual ada tapi label kurang atau tidak runtut
Ketepatan waktu & respons	10%	Selesai ≤10 menit, menjawab pertanyaan dengan tepat	Melebihi waktu atau jawaban tidak relevan

Total bobot = 100%. Dimensi teknis (40%) + interpretasi (30%) = 70% dari nilai. Ini bukan presentasi umum — substansi teknis yang utama. Rubrik = pedoman penilaian dengan kriteria dan standar untuk setiap tingkat nilai.

Rubrik ini adalah daftar periksa yang penilai gunakan saat menonton presentasi Anda, dan saya bagikan sekarang supaya tidak ada kejutan di akhir. Dimensi pertama — ketepatan teknis dengan bobot empat puluh persen — menilai apakah design matrix Anda benar, apakah setiap langkah dari X'X sampai β̂ dilakukan dengan dimensi yang cocok dan aritmetika yang tepat. Dimensi kedua — interpretasi bisnis dengan bobot tiga puluh persen — menilai apakah Anda bisa menerjemahkan angka β̂ ke bahasa manajerial yang bermakna. Dua dimensi ini bersama-sama menyumbang tujuh puluh persen dari total nilai, yang berarti kelompok yang teknis sempurna dan interpretasinya bagus sudah hampir pasti mendapat nilai A. Sebaliknya, kelompok yang visualisasinya cantik tetapi salah dalam langkah matriks akan kehilangan banyak poin di dimensi utama.

Kritik Metodologi Antar-Kelompok — Do & Don't

Sebagai pendengar, Anda bertugas memberikan satu pertanyaan atau satu catatan metodologi yang konstruktif.

✓ DO — Kritik Konstruktif

"Apakah kolom konstanta di X sudah benar?"
"Bagaimana Anda menentukan bahwa hubungan ini bisa diasumsikan linear?"
"Berapa R² model Anda, dan apakah itu memadai?"
"Apakah ada pencilan (outlier) dalam data yang memengaruhi β̂?"

✗ DON'T — Kritik Tidak Efektif

"Presentasinya bagus, saya setuju semua." (tidak membantu)
"Menurut saya data kelompok ini tidak valid." (terlalu umum)
"Saya kira kalian salah." (tanpa menunjukkan di mana)
Menyerang presentasi tanpa mengusulkan perbaikan.

Kritik yang baik: spesifik (tunjuk langkah atau dimensi), berbasis metodologi, dan diikuti pertanyaan klarifikasi. Outlier = pencilan, observasi yang nilainya jauh dari pola umum data.

Lima Kesalahan Paling Umum — Cegah Sebelum Presentasi

1. Lupa kolom konstanta di design matrix → seluruh β̂ salah karena model dipaksa melewati titik asal.

2. Kesalahan dimensi saat perkalian matriks → cek (a×b)×(b×c)=(a×c) di setiap langkah.

3. β̂ tanpa interpretasi satuan → menyebut "2,7" saja, tanpa "2,7 triliun Rp per triliun Rp konsumsi."

4. Data tanpa sumber → penilai tidak dapat memverifikasi keabsahan angka.

5. Hanya menampilkan hasil akhir tanpa menunjukkan X'X, X'y, dan langkah invers → tidak dapat dinilai ketepatan prosesnya.

Gunakan daftar ini sebagai cek terakhir 30 menit sebelum presentasi dimulai.

Dari pengalaman memeriksa tugas dan presentasi matriks regresi, lima kesalahan ini muncul paling sering, dan semuanya sebenarnya bisa dicegah dengan pemeriksaan sederhana sebelum maju ke depan. Kesalahan nomor satu — lupa kolom konstanta — adalah yang paling fatal karena merusak seluruh hasil; pastikan kolom pertama X Anda berisi semua angka satu sebelum langkah apapun dimulai. Kesalahan nomor dua — salah dimensi — bisa dideteksi dengan kebiasaan menuliskan dimensi setiap matriks di setiap langkah perhitungan. Kesalahan tiga, empat, dan lima berkaitan dengan penyajian: koefisien tanpa satuan, data tanpa sumber, dan hanya menampilkan jawaban akhir tanpa proses adalah tanda bahwa kelompok memahami perhitungan tetapi tidak memahami "mengapa." Gunakan slide ini sebagai daftar periksa terakhir tiga puluh menit sebelum presentasi Anda dimulai.

Blok 3 dari 4

Sesi Presentasi Kelompok

Contoh analitik dari dosen + presentasi kelompok 1 hingga N. Waktu: ~60 menit.

Contoh Analitik — Data BPS Jawa Tengah

Apakah pengeluaran konsumsi rumah tangga (X₁) berpengaruh terhadap PDRB kabupaten (Y)? Data 5 kabupaten/kota Jawa Tengah (ilustrasi).

Kab/Kota	Y — PDRB (Rp triliun)	X₁ — Konsumsi RT (Rp triliun)
Semarang Kota	120	65
Kab. Semarang	55	30
Kendal	38	22
Demak	25	15
Salatiga	18	10

Angka ilustrasi — bukan persis data BPS, digunakan untuk demonstrasi langkah metodologi saja. Data riil: bps.go.id/id/provinsi/jawa-tengah. PDRB atas dasar harga berlaku = nilai output ekonomi dalam rupiah harga tahun berjalan.

Hitung dari Nol — HDN-1: Menyusun X'X dan X'y

Data: n = 5, k = 1. Y = [120, 55, 38, 25, 18]'. X₁ = [65, 30, 22, 15, 10]'. Design matrix X (5×2):

X = [ 1 65 ] y = [ 120 ]
    [ 1 30 ]      [ 55 ]
    [ 1 22 ]      [ 38 ]
    [ 1 15 ]      [ 25 ]
    [ 1 10 ]      [ 18 ]

Langkah	Perhitungan	Nilai
X'X elemen (1,1) = Σ1	1+1+1+1+1	5
X'X elemen (1,2) = (2,1) = ΣX₁	65+30+22+15+10	142
X'X elemen (2,2) = ΣX₁²	65²+30²+22²+15²+10² = 4225+900+484+225+100	5934
X'y elemen (1,1) = Σy	120+55+38+25+18	256
X'y elemen (2,1) = ΣX₁y	65×120+30×55+22×38+15×25+10×18 = 7800+1650+836+375+180	10841

ΣX₁² ≠ (ΣX₁)²: ΣX₁² = kuadratkan tiap nilai DULU lalu jumlahkan = 5934; sedangkan (ΣX₁)² = jumlahkan dulu BARU kuadratkan = 142² = 20164. Perbedaan ini menentukan det = 5×5934 − 142² = 29670 − 20164 = 9506.

Hitung dari Nol — HDN-2: Invers (X'X) & β̂

Langkah	Perhitungan	Nilai
D — det(X'X)	(5)(5934) − (142)(142) = 29670 − 20164	9506
E — (X'X)⁻¹ a₁₁	5934 / 9506	0,624237
E — (X'X)⁻¹ a₁₂ = a₂₁	−142 / 9506	−0,014938
E — (X'X)⁻¹ a₂₂	5 / 9506	0,000526
F — β̂₀	0,624237 × 256 + (−0,014938) × 10841 = 159,805 − 161,943	≈ −2,14
F — β̂₁	(−0,014938) × 256 + 0,000526 × 10841 = −3,824 + 5,702	≈ 1,878

β̂ = [−2,14 ; 1,878]' → Model: Ŷ = −2,14 + 1,878 X₁. Verifikasi: (X'X)⁻¹ × (X'X) = I ✓. Determinan (det) ≠ 0 → invers ada. Rumus invers 2×2: tukar diagonal, ubah tanda off-diagonal, bagi dengan det (adjoin).

Interpretasi Hasil & Visualisasi — Contoh BPS Jateng

Model: Ŷ = −2,14 + 1,878 X₁

Koef.	Nilai	Interpretasi Bisnis
β̂₀	−2,14	Konstanta; di luar cakupan interpretasi realistis (X₁ tidak mungkin = 0).
β̂₁	1,878	Setiap kenaikan konsumsi RT Rp 1 triliun → PDRB +Rp 1,878 triliun, ceteris paribus. Konsisten dengan teori.

Kab/Kota	Y aktual	Ŷ prediksi	Residual (ε̂ = Y−Ŷ)
Semarang Kota	120	119,93	0,07
Kab. Semarang	55	54,20	0,80
Kendal	38	39,18	−1,18
Demak	25	26,03	−1,03
Salatiga	18	16,64	1,36

Residual (galat) kecil — SSR ≈ 4,95 → model menjelaskan data dengan baik. R² ≈ 0,9993 (lihat Slide 9b). Selanjutnya: plot Y vs Ŷ untuk visualisasi.

Demo Kritik Metodologi — Contoh Pertanyaan Efektif

Setelah melihat contoh BPS Jateng di atas, pertanyaan metodologi seperti apa yang tepat diajukan?

Pertanyaan Teknis

"Anda menggunakan n=5 observasi dan k=1 variabel — apakah ukuran sampel ini memadai? Apa keterbatasannya?"
"Bagaimana Anda memverifikasi bahwa (X'X)⁻¹ × (X'X) = I setelah invers dihitung?"

Pertanyaan Interpretasi & Data

"β̂₀ negatif di contoh ini — apakah Anda setuju bahwa interpretasinya terbatas, dan jika ya, mengapa?"
"Jika ditambahkan variabel X₂ (jumlah UMKM), bagaimana design matrix Anda berubah dimensinya?"

Pertanyaan yang baik memperluas pemikiran kelompok presenter, bukan menjatuhkan. Tujuannya: bersama kita memahami lebih dalam. Ukuran sampel (n) yang kecil membatasi keandalan estimasi.

Blok 4 dari 4

Sintesis & Refleksi Bersama

Batas-batas OLS, peta konsep lengkap, diskusi penutup, dan persiapan Pertemuan 10.

Batas Model Peta Konsep Refleksi

Apa yang OLS Tidak Tangkap? Batas-Batas Model

OLS mengasumsikan kondisi ideal. Di data nyata, empat hal ini sering muncul.

△ Linearitas

OLS mengasumsikan Y dan X berhubungan linear. Jika hubungannya kurva (mis. diminishing returns — imbal hasil menurun), prediksinya bias.

△ Kausalitas vs Korelasi

β̂ positif tidak berarti X menyebabkan Y. Mungkin ada omitted variable (variabel yang berpengaruh tapi tidak dimasukkan) yang memengaruhi keduanya secara bersamaan.

△ Sampel Kecil

Dengan n sangat kecil (misalnya n=5 seperti contoh), estimator kurang stabil dan interval kepercayaan sangat lebar. Data nyata sebaiknya n ≥ 20–30.

△ Outlier

Satu observasi ekstrem (pencilan) dapat menarik garis regresi jauh dari pola mayoritas data — selalu visualisasikan data terlebih dahulu.

OLS adalah titik awal yang kuat, bukan alat akhir. Materi lanjutan (Ekonometrika) akan mengajarkan cara mengatasi setiap keterbatasan ini.

Setelah membangun kemampuan menggunakan OLS, penting untuk menyadari di mana batas kemampuannya. Asumsi linearitas berarti OLS bekerja baik hanya jika hubungan Y dan X bisa didekati dengan garis lurus — jika tidak, estimasi akan sistematically salah. Yang paling penting untuk diingat sebagai calon manajer adalah perbedaan antara korelasi dan kausalitas: β̂ yang positif antara iklan dan penjualan tidak otomatis berarti iklan menyebabkan penjualan naik; mungkin ada variabel ketiga seperti musim atau promosi lain yang memengaruhi keduanya secara bersamaan. Keterbatasan sampel kecil relevan langsung dengan contoh kita: n=5 sangat kecil untuk regresi yang andal. OLS adalah fondasi yang kuat dan menjadi alat analitik paling banyak dipakai di dunia bisnis — tetapi profesional yang baik tahu kapan alatnya bekerja dan kapan tidak.

Peta Konsep: Dari Data ke Keputusan Bisnis

Pertemuan 1–8 membangun Node 1–3. Pertemuan 9–10 mengintegrasikan Node 4–6. Inilah makna Sub-CPMK 2.

Diskusi Penutup — Refleksi & Cek Pemahaman

Pertanyaan Refleksi

"Apa satu hal dari presentasi kelompok lain hari ini yang paling memperkaya pemahaman Anda?"
"Di mana langkah terberat dalam menyelesaikan tugas kelompok Anda? Mengapa?"

Cek Teknis Cepat

"Jika X berukuran 8×3, berapa dimensi X'X? Dan berapa dimensi β̂?"
"Jika β̂₁ = −1,5 dan X₁ = jumlah karyawan (orang) serta Y = biaya operasi (Rp juta), tulis interpretasinya dalam satu kalimat lengkap."

Jawaban cek teknis: X'X = 3×3; β̂ = 3×1. Interpretasi: "Setiap tambahan 1 karyawan diperkirakan menurunkan biaya operasi Rp 1,5 juta (mungkin karena skala ekonomi — biaya per unit turun ketika produksi bertambah), ceteris paribus." Tidak ada jawaban benar-salah untuk refleksi.

Sebelum kita tutup, saya ingin memberi ruang dua hingga tiga menit untuk refleksi dan cek cepat. Pertanyaan refleksi tidak punya jawaban benar-salah — tujuannya agar Anda secara aktif mengkonsolidasi pembelajaran dari sesi hari ini, bukan hanya menjadi penonton pasif. Pertanyaan cek teknis di sisi kanan lebih konkret: dimensi X'X adalah 3×3 karena X berukuran 8×3 dan (X'X) = (k+1)×(k+1) = 3×3, sedangkan β̂ berukuran 3×1. Untuk interpretasi β̂₁ = −1,5 dengan X₁ = karyawan dan Y = biaya, kalimat yang benar adalah "setiap tambahan satu karyawan diperkirakan menurunkan biaya operasi sebesar Rp 1,5 juta, dengan asumsi variabel lain tetap" — koefisien negatif ini mungkin mencerminkan skala ekonomi, atau mungkin ada variabel yang terhilang, sehingga interpretasinya perlu diikuti dengan analisis lebih lanjut.

Persiapan Pertemuan 10 — Presentasi Tugas Matriks: Sesi 2

Kelompok yang Belum Tampil

Pastikan semua anggota hadir di Pertemuan 10.
Slide dan design matrix sudah final.
Latih presentasi satu kali lagi malam ini.
Ketepatan waktu (≤10 menit) dinilai.

Kelompok yang Sudah Tampil

Revisi slide berdasarkan masukan hari ini.
Tulis refleksi: apa yang berhasil dan apa yang akan diperbaiki.
Siapkan pertanyaan metodologi untuk kelompok lain di P10.
Partisipasi kritik di P10 juga dinilai.

Pertemuan 10 juga mencakup rekap akhir seluruh modul matriks dan pengantar topik berikutnya. Jangan absen.
Badge: P10 • Minggu 11