Program Studi Manajemen • FEB UNDIP

Matematika Bisnis

Pertemuan 10 — Presentasi Tugas Matriks: Sesi 2

Lanjutan presentasi kelompok · tanya-jawab mendalam · sintesis dosen tentang keterbatasan OLS (Ordinary Least Squares — metode kuadrat terkecil biasa) · desain data yang baik untuk penelitian.

RPS Minggu 11 • Sub-CPMK 2 • Durasi 2 × 50 Menit

Agenda & Tujuan Sesi 2

Dua jam ke depan, kita menuntaskan presentasi, mempertajam kritik, dan menarik pelajaran metodologi bersama.

Blok 1

Lanjutan Presentasi

Kelompok yang belum tampil di Sesi 1 (±30 menit)

Blok 2

Tanya-Jawab Mendalam

Setiap kelompok menerima pertanyaan dari kelompok lain dan dosen (±20 menit)

Blok 3

Sintesis Dosen

Umpan balik terstruktur: kelemahan OLS, asumsi, desain data (±30 menit)

Blok 4

Koneksi Skripsi

Sumber data terverifikasi & peta jalan penelitian (±20 menit)

Tujuan akhir: Anda mampu mengintegrasikan matriks ke dalam regresi DAN mengevaluasi validitas pendekatan itu secara kritis.

Mari kita buka sesi hari ini dengan kejelasan agenda, supaya Anda tahu persis apa yang akan terjadi dalam dua jam ke depan. Blok pertama adalah lanjutan presentasi — kelompok yang belum tampil di Sesi 1 akan tampil sekarang, dan saya minta Anda yang sedang menonton untuk benar-benar terlibat, bukan sekadar menunggu giliran. Blok kedua adalah tanya-jawab silang: setiap kelompok harus menyiapkan minimal satu pertanyaan tajam untuk kelompok lain — ini bukan formalitas, ini latihan berpikir kritis yang akan berguna saat sidang skripsi Anda. Di Blok ketiga dan keempat, saya yang akan berbicara lebih banyak: kita akan melihat pola kelemahan yang muncul di semua presentasi, lalu saya tunjukkan cara mendesain data yang baik sebelum analisis dimulai — pelajaran yang tidak ada di buku teks, hanya bisa dipelajari dari pengalaman praktik nyata.

Blok 1 dari 5

Rekap Cepat Sesi 1

Sebelum kelompok berikutnya tampil — pastikan semua orang berangkat dari pemahaman yang sama.

Intuisi OLS: Mencari Garis Terbaik

Sebelum rumus — satu pertanyaan sederhana: bagaimana kita memilih garis yang paling “pas” ke data?

Ide Kunci 1

Garis terbaik = yang membuat total kuadrat jarak terkecil.
Dikuadratkan supaya jarak negatif & positif tidak saling menghapus; jarak besar dihukum lebih berat.

Ide Kunci 2

OLS = Ordinary Least Squares = Kuadrat Terkecil Biasa.
"Ordinary" = metode standar; "Least Squares" = minimalkan Σ(residual²).

Sebelum kita membuka kembali rumus matriks, saya ingin memastikan kita semua memahami mengapa rumus itu ada. Bayangkan Anda memiliki lima titik data di selembar kertas — lima kabupaten dengan PDRB dan PAD masing-masing — dan Anda diminta menggambar garis yang paling "dekat" ke semua titik itu sekaligus. Masalahnya, tidak ada satu garis pun yang akan melewati semua titik secara tepat ketika ada lebih dari dua observasi. Jadi kriteria "paling dekat" perlu didefinisikan secara matematis. OLS mendefinisikannya sebagai: pilih garis yang membuat jumlah kuadrat jarak vertikal dari setiap titik ke garis sekecil mungkin. Mengapa dikuadratkan? Karena tanpa kuadrat, jarak positif dan negatif akan saling menghapus dan hampir semua garis terlihat "sama bagusnya". Inilah intuisi di balik seluruh mekanika matriks yang sudah Anda kerjakan.

Rekap: Kerangka OLS dalam Notasi Matriks

Tiga rumus inti OLS matriks — Anda harus hafal ini sebelum presentasi.

Model: y = Xb + ε

Normal Equations: X′Xb = X′y

Solusi OLS: b = (X′X)−¹ X′y

Simbol	Dimensi	Makna
y	n × 1	Vektor variabel dependen
X	n × (k+1)	Matriks data (kolom 1 untuk konstanta/intercept)
b	(k+1) × 1	Vektor koefisien yang dicari
ε	n × 1	Vektor residual/galat (selisih nilai aktual vs prediksi)
X′	(k+1) × n	Transpose X

Tiga rumus ini adalah jantung dari seluruh tugas yang sudah Anda kerjakan. Model pertama, y = Xb + ε, menyatakan bahwa setiap observasi hasil y dapat didekomposisi menjadi bagian yang dijelaskan oleh model (Xb) dan bagian yang tidak bisa dijelaskan (ε, galat). Normal Equations — persamaan normal — adalah kondisi yang diperoleh dari meminimalkan jumlah kuadrat residual; secara intuitif, residual tidak lagi mengandung pola yang bisa ditangkap oleh variabel X. Rumus ketiga, b = (X'X)⁻¹X'y, adalah solusi langsung yang menggabungkan informasi dari semua observasi sekaligus — inilah keindahan notasi matriks: satu rumus ringkas menggantikan sistem persamaan sebesar jumlah variabel yang Anda punya. Dimensi harus selalu Anda periksa: bila X berukuran n × (k+1), maka X'X berukuran (k+1) × (k+1) — pastikan matriks persegi ini dapat diinvers sebelum melanjutkan.

Apa yang Sudah Diketahui & Apa yang Belum

Rekap jujur dari Sesi 1: di mana kelas sudah kuat, dan di mana masih ada celah.

✓ Sudah Kuat

Menyusun matriks X dengan kolom konstanta 1
Operasi transpose X′ dan perkalian X′X
Menghitung invers matriks 2×2 dan 3×3
Memasukkan angka ke rumus b = (X′X)−¹X′y

⚠ Masih Ada Celah

Interpretasi ekonomi koefisien b
Memeriksa apakah asumsi OLS terpenuhi
Memilih variabel independen yang relevan & teoritis
Mengakui keterbatasan n kecil secara jujur

Sesi 2 ini fokus pada memperkuat sisi kanan — interpretasi koefisien (ceteris paribus — hal lain tetap sama) dan kejujuran keterbatasan.

Blok 2 dari 5

Lanjutan Presentasi Kelompok

Setiap kelompok: 7–8 menit presentasi + 3–4 menit tanya-jawab. Audiens: aktif, kritis, dan siap bertanya.

Panduan Presentator: Apa yang Harus Ada

Checklist 6 poin — audiens menilai kelengkapan ini saat Anda presentasi.

Pertanyaan penelitian — apa yang ingin Anda jawab? (1 kalimat tajam)
Sumber & deskripsi data — dari mana data berasal, berapa n, periode kapan?
Penyusunan matriks — tunjukkan X dan y dengan label kolom yang jelas
Langkah perhitungan — X′X, (X′X)−¹, X′y, lalu b — satu langkah per slide
Interpretasi koefisien — apa makna ekonomi setiap nilai b? (ceteris paribus)
Keterbatasan — apa yang tidak bisa dijawab model ini? (jujur dan spesifik)

Poin 5 & 6 yang paling sering hilang — dan paling berharga. Kemampuan menerjemahkan angka ke bahasa ekonomi dan kejujuran mengakui keterbatasan adalah tanda peneliti yang matang.

Sebelum presentator pertama naik, saya ingin semua orang — baik presentator maupun audiens — melihat checklist ini bersama-sama. Enam poin ini bukan formalitas; ini adalah struktur minimum yang diharapkan dari setiap laporan regresi, baik di skripsi, di jurnal ilmiah, maupun di laporan konsultasi profesional. Poin satu sampai empat adalah soal teknis — kalau Anda mengerjakan tugas dengan serius, ini seharusnya sudah ada. Yang membedakan presentasi biasa dari presentasi yang luar biasa adalah poin lima dan enam: kemampuan menerjemahkan angka ke dalam bahasa ekonomi, dan kejujuran mengakui apa yang tidak bisa dijawab model Anda. Seorang peneliti yang bisa berkata "model saya terbatas karena n hanya 10 dan ada potensi variabel yang tidak diobservasi" jauh lebih dipercaya daripada peneliti yang mengklaim modelnya sempurna.

Panduan Audiens: Cara Mendengar Kritis

Tiga level pertanyaan untuk pendengar yang kritis — dari teknis ke konseptual.

Level	Fokus	Contoh Pertanyaan
Teknis	Apakah hitungannya benar?	"Boleh saya lihat langkah invers matriks X′X Anda?"
Metodologis	Apakah metodenya tepat?	"Mengapa variabel X&sub2; dimasukkan — apa dasar teorinya?"
Interpretatif	Apakah maknanya masuk akal?	"Koefisien X&sub1; = −2,3; apakah tanda negatif itu sesuai ekspektasi ekonomi?"

Pertanyaan Level Interpretatif adalah yang paling bernilai — biasanya kelompok paling tidak siap menjawabnya. Tanda koefisien (arah hubungan X dan Y: positif = X naik → Y naik; negatif = X naik → Y turun) adalah kunci pembeda analis dari kalkulator.

Setelah pertemuan ini, salah satu hal yang paling ingin saya tanamkan adalah cara mendengar secara kritis — bukan pasif menerima, tetapi aktif memverifikasi dan mengevaluasi. Ada tiga level pertanyaan yang bisa Anda gunakan saat menonton presentasi teman. Level teknis adalah yang paling mudah: cukup ikuti alur perhitungan dan periksa apakah hasilnya benar secara matematis. Level metodologis lebih dalam: tanyakan justifikasi pemilihan variabel — mengapa variabel itu dipilih, bukan variabel lain? Apakah ada teori ekonomi atau manajemen yang mendukung? Level interpretatif adalah yang paling berharga dan paling jarang dikerjakan: apakah makna ekonomi dari angka yang Anda dapatkan masuk akal? Misalnya, jika model Anda mengatakan bahwa setiap kenaikan 1% pengeluaran pemasaran akan menurunkan penjualan, apakah Anda bisa menjelaskan mengapa, atau justru ini sinyal ada yang salah dengan model Anda?

Template: Penyusunan Matriks X & y

Contoh referensi: data pendapatan daerah Jawa Tengah — ilustrasi 5 observasi kabupaten/kota.

Obs	PAD (Rp miliar) — y	PDRB (Rp triliun) — X&sub1;	Belanja Modal (Rp miliar) — X&sub2;
1	820	12,5	310
2	1.050	18,3	420
3	650	9,8	240
4	1.300	22,1	510
5	900	15,6	380

Matriks X (n=5, kolom konstan = 1)

X = [1 12,5 310]
[1 18,3 420]
[1 9,8 240]
[1 22,1 510]
[1 15,6 380]

Vektor y (5 × 1)

y = [820, 1050, 650,
1300, 900]′

PAD = Pendapatan Asli Daerah (penerimaan dari wilayah sendiri). PDRB = Produk Domestik Regional Bruto (total output ekonomi suatu wilayah).

Slide ini memberikan contoh referensi yang bisa Anda jadikan patokan saat menyusun tugas atau skripsi ke depan. Perhatikan tiga hal penting. Pertama: kolom pertama matriks X selalu diisi angka 1 untuk semua observasi — ini bukan kesalahan, ini adalah cara matematis memasukkan konstanta (intercept) ke dalam model. Kedua: setiap baris mewakili satu unit observasi, dalam contoh ini satu kabupaten/kota di Jawa Tengah. Ketiga: variabel dependen y dan independen X harus berasal dari sumber yang sama dan periode yang sama — mencampur tahun yang berbeda tanpa keterangan adalah kesalahan metodologi yang serius. Data dalam slide ini adalah data ilustrasi; kalau Anda ingin data riil, Anda bisa mengunduh dari BPS Provinsi Jawa Tengah melalui situs jateng.bps.go.id — data PAD dan PDRB per kabupaten/kota tersedia dalam Jawa Tengah Dalam Angka.

Template: Langkah Menghitung b = (X′X)−¹X′y

Peta langkah perhitungan — standar yang harus ada di setiap laporan regresi matriks.

Langkah	Operasi	Output
1	Susun X (n×3) dan y (n×1)	Matriks lengkap dengan label
2	Hitung X′ (transpose)	Matriks 3×n
3	Hitung X′X	Matriks 3×3 (simetris)
4	Cek det(X′X) ≠ 0	Jika = 0 → ada masalah multikolinearitas
5	Hitung (X′X)−¹	Matriks invers 3×3
6	Hitung X′y	Vektor 3×1
7	Hitung b = (X′X)−¹ × X′y	Vektor koefisien [b&sub0;, b&sub1;, b&sub2;]′
8	Interpretasikan b&sub0;, b&sub1;, b&sub2;	Makna ekonomi masing-masing

Langkah 4 (cek det) sering dilewati — padahal ini penjaga gerbang seluruh perhitungan. det(X′X) = 0 → matriks singular → invers tidak ada → b tidak bisa dihitung.

Langkah 1 sampai 8 ini adalah protokol standar yang wajib Anda dokumentasikan setiap kali mengerjakan regresi OLS secara manual. Saya sengaja menampilkannya sebagai tabel karena peneliti profesional selalu mendokumentasikan proses, bukan hanya hasil akhir. Perhatian khusus pada Langkah 4: memeriksa determinan X'X sebelum melanjutkan ke invers adalah kebiasaan yang harus Anda tanamkan sejak sekarang. Dalam praktik, perangkat lunak seperti SPSS atau R akan otomatis memberikan peringatan jika ada masalah multikolinearitas — tetapi bila Anda mengerjakan secara manual, Anda harus melakukan cek ini sendiri. Langkah 8 adalah tujuan sesungguhnya: angka b₁ misalnya tidak berarti apa-apa tanpa kalimat "setiap kenaikan PDRB sebesar Rp 1 triliun dikaitkan dengan kenaikan PAD sebesar Rp ... miliar, dengan asumsi Belanja Modal tetap."

Contoh Sintesis: Hasil OLS Data BPS Jawa Tengah

Hasil b = (X′X)−¹X′y dari 5 observasi (Lampiran A, terverifikasi numerik). Fokus: tanda & makna — bukan inferensi statistik.

Koefisien	Nilai	Interpretasi
b&sub0; (intercept)	145,25	PAD dasar saat PDRB & Belanja Modal = 0 (tidak bermakna ekonomi)
b&sub1; (PDRB)	46,45	Tiap kenaikan Rp 1 triliun PDRB → PAD naik ~Rp 46,45 miliar (cet. par.)
b&sub2; (Belanja Modal)	0,19	Tiap kenaikan Rp 1 miliar Belanja Modal → PAD naik ~Rp 0,19 miliar (cet. par.)

Catatan Pedagogis: r(PDRB, Belanja Modal) = 0,997 — dataset ini sendiri adalah contoh nyata multikolinearitas tinggi. Itulah mengapa b&sub2; = 0,19 sangat kecil dan tidak stabil (sambung ke Slide 21).

Peringatan: n = 5 jauh di bawah syarat minimum; k = 2 variabel independen butuh n ≥ 30 untuk inferensi reliabel. Hasil ini HANYA untuk latihan mekanika matriks, bukan dasar inferensi statistik.

Mari kita baca hasil ini bersama-sama dengan kritis — angka di sini bukan ilustrasi kasar, melainkan hasil perhitungan penuh b = (X'X)⁻¹X'y dari data 5 observasi, terverifikasi via numpy.linalg.solve. Nilai b₁ = 46,45 berarti: setiap kenaikan PDRB sebesar Rp 1 triliun, PAD diperkirakan naik sekitar Rp 46,45 miliar, dengan asumsi Belanja Modal tetap tidak berubah. Apakah tanda positif ini masuk akal secara ekonomi? Ya — daerah dengan PDRB lebih tinggi biasanya punya basis pajak dan retribusi lebih besar. Perhatian khusus pada b₂ = 0,19 yang sangat kecil: ini bukan kesalahan hitung, melainkan konsekuensi multikolinearitas tinggi — PDRB dan Belanja Modal berkorelasi r = 0,997 dalam dataset ini. Dataset ini sendiri adalah contoh nyata multikolinearitas tinggi yang akan kita bahas di Slide 21.

Blok 3 dari 5

Tanya-Jawab Mendalam Antar Kelompok

Setiap kelompok menjadi penguji untuk kelompok lain — latihan sidang sesungguhnya.

Lima Pertanyaan Pemantik untuk Penguji

Gunakan salah satu (atau lebih) — disesuaikan dengan konteks presentasi kelompok yang Anda tonton.

Mengapa Anda memilih variabel X&sub1; dan X&sub2; ini — bukan variabel lain? Apa dasar teorinya?
Bagaimana Anda memeriksa apakah residual model Anda terdistribusi normal? (Kesadaran-level: untuk n kecil, cukup akui keterbatasan.)
Kalau n Anda hanya [angka kecil], apakah estimasi b stabil — atau mungkin berubah drastis jika satu observasi dikeluarkan?
Tanda koefisien b&sub1; Anda [positif/negatif] — apakah itu sesuai ekspektasi ekonomi? Mengapa?
Jika Anda harus menambah satu variabel independen untuk memperbaiki model, variabel apa yang Anda pilih dan mengapa?

Pertanyaan nomor 3 dan 5 biasanya menghasilkan diskusi paling produktif. Residual terdistribusi normal = asumsi galat model mengikuti distribusi Gaussian/lonceng — diperlukan untuk inferensi yang valid.

Lima pertanyaan ini bukan pertanyaan "gotcha" — tujuannya bukan menjatuhkan kelompok lain, tetapi mendorong pemikiran yang lebih dalam dari semua pihak. Pertanyaan pertama menyentuh landasan teori: regresi yang baik dimulai dari pertanyaan yang jelas dan variabel yang dipilih dengan alasan. Pertanyaan kedua tentang normalitas residual bersifat kesadaran-level untuk kelas ini — bila audiens buntu, dosen dapat memandu: "Residual adalah selisih nilai aktual dan prediksi; normalitas berarti kesalahan itu terdistribusi seperti kurva lonceng; untuk n kecil seperti tugas ini, kita tidak punya cukup data untuk menguji ini secara statistik, dan itulah keterbatasan yang perlu diakui." Pertanyaan ketiga menyentuh ketahanan estimasi — estimasi yang berubah drastis hanya karena satu observasi dihapus adalah tanda model terlalu bergantung pada outlier. Pertanyaan keempat meminta Anda berpikir sebagai ekonom, bukan hanya kalkulator.

Cara Menjawab Pertanyaan Metodologi

Dua mode respons: mana yang membangun kredibilitas dan mana yang merusaknya?

Lakukan (DO) — membangun kredibilitas

Jawab jujur bila tidak tahu: "Kami belum menguji asumsi itu — ini keterbatasan kami."
Jelaskan proses berpikir: "Kami memilih X&sub1; karena PDRB mempengaruhi kapasitas fiskal daerah."
Akui ruang lingkup terbatas: "Dengan n=5, kami tidak bisa menarik inferensi statistik."
Sambut kritik: "Itu pertanyaan bagus — kami memang belum mempertimbangkan variabel X&sub3;."

Hindari (DON’T) — merusak kredibilitas

Berspekulasi tanpa dasar: "Pasti karena inflasi." (tanpa data)
Mengalihkan pertanyaan valid: "Itu di luar cakupan tugas."
Mengklaim kesempurnaan: "Model kami sudah sempurna, tidak ada masalah."
Diam tanpa mengakui keterbatasan.

Apa yang Terjadi Jika Asumsi OLS Dilanggar? (1)

Bagian pertama: asumsi tentang rata-rata galat dan varians galat — pengenalan nama & analogi.

Asumsi	Analogi Sehari-hari	Bila Dilanggar	Dampak pada b
Rata-rata galat = 0 — model tidak "condong" ke satu arah	Timbangan harus terkalibrasi nol, bukan miring ke kiri	Ada variabel penting yang hilang (omitted variable bias)	b bias — nilainya salah secara sistematis
Varians galat konstan (homokedastisitas — presisi sama di semua observasi)	Pengukuran sama telitinya untuk semua objek	Heteroskedastisitas: varians residual berubah-ubah	b masih tak bias, tapi presisinya salah → kesimpulan bisa keliru

Dua asumsi ini cukup untuk dipahami namanya + analoginya sekarang. Pengujian formalnya ada di Mata Kuliah Metode Penelitian & Ekonometrika — bukan di mata kuliah ini.

Mari kita bahas asumsi OLS secara bertahap — bukan untuk dihafal semua hari ini, melainkan untuk dikenali namanya dan dipahami intuisinya. Asumsi pertama, rata-rata galat = 0, berarti model kita tidak "miring" secara sistematis: kesalahan prediksi kita kadang ke atas, kadang ke bawah, tapi rata-ratanya nol. Pelanggaran paling umum adalah omitted variable bias — kita lupa memasukkan variabel penting; akibatnya model selalu meremehkan atau melebih-lebihkan secara sistematis, layaknya timbangan yang tidak terkalibrasi. Asumsi kedua, homokedastisitas, berarti kita sama-sama "presisi" dalam memprediksi semua observasi. Bila dilanggar (heteroskedastisitas), koefisien b masih tidak bias secara nilai, tapi ukuran ketidakpastiannya salah — ibarat kita tahu arahnya benar tapi tidak tahu seberapa yakin kita harus pada angkanya. Untuk semester ini, cukup kenali nama dan analoginya; pengujian formal akan Anda pelajari nanti.

Apa yang Terjadi Jika Asumsi OLS Dilanggar? (2)

Bagian kedua: asumsi tentang ketergantungan antar galat, endogeneitas, dan multikolinearitas.

Asumsi	Analogi	Bila Dilanggar	Dampak pada b
Tidak ada autokorelasi (autokorelasi = galat berkorelasi antar observasi — umum di data runtun waktu)	Hujan hari ini tidak "menular" ke prediksi besok	Autokorelasi (umum di data deret waktu)	Ukuran ketidakpastian terlalu kecil → terlalu percaya diri
X tidak berkorelasi dengan galat (tidak ada endogeneitas — X dan ε saling mempengaruhi)	Alat ukur tidak terganggu oleh yang diukur	Endogeneitas: X dan ε saling mempengaruhi	b bias dan tidak konsisten
Tidak ada multikolinearitas sempurna — tidak ada kolom X yang menduplikasi informasi kolom lain	Tidak ada dua kolom X yang identik informasinya	Multikolinearitas sempurna	(X′X)−¹ tidak ada → b tidak bisa dihitung

Untuk n ≤ 10: hampir mustahil mendeteksi pelanggaran asumsi secara statistik. Nyatakan keterbatasan ini secara eksplisit dalam laporan Anda.

Tiga asumsi terakhir ini semakin teknis, tetapi cukup pahami intuisinya untuk saat ini. Autokorelasi paling sering muncul pada data deret waktu — misalnya bila Anda meneliti pendapatan tahunan 10 tahun, kesalahan prediksi tahun 2020 mungkin terkait dengan kesalahan 2019. Endogeneitas adalah masalah paling serius dalam penelitian ekonomi dan manajemen — ia terjadi bila variabel yang kita klaim sebagai "penyebab" sebenarnya juga dipengaruhi oleh "akibat". Contoh klasik: apakah iklan menyebabkan penjualan naik, atau perusahaan yang penjualannya tinggi punya anggaran lebih untuk beriklan? Bila keduanya saling mempengaruhi, regresi OLS biasa tidak bisa membedakannya. Asumsi kelima — tidak ada multikolinearitas sempurna — adalah yang paling langsung terhubung ke materi matriks kita: bila det(X'X) = 0, model kolaps secara matematis.

Blok 4 dari 5

Sintesis Dosen

Umpan balik terstruktur — pola kelemahan kelas, asumsi Gauss-Markov, desain data yang baik.

Kelemahan OLS pada n Kecil: Tinjauan Kelas

Tiga pola kelemahan yang konsisten muncul — ini pelajaran kolektif, bukan kritik personal.

Pola 1

R²

Overfit

R² (R-squared = koefisien determinasi, 0–1, proporsi variasi Y yang dijelaskan model) mendekati 1 dengan n=5 secara otomatis — bukan karena model bagus, melainkan karena parameter hampir sebanyak observasi. Analogi: sepatu yang hanya muat satu kaki.

Pola 2

∅

Variabel Tanpa Teori

Variabel dipilih karena "datanya tersedia", bukan karena teori mendukung. Risiko: korelasi palsu (spurious correlation — dua variabel berkorelasi tinggi bukan karena kausal, tapi karena faktor ketiga).

Pola 3

Hilangnya Interpretasi

Perhitungan lengkap, tetapi koefisien tidak dimaknai. Seperti memasak makan malam lezat lalu menutupnya dengan penutup meja — tidak berguna bagi siapapun.

Ketiga masalah ini bisa diatasi SEBELUM data dikumpulkan — dengan desain penelitian yang baik. GIGO: Garbage In, Garbage Out.

Pola pertama — overfit — adalah jebakan klasik ketika n sangat kecil. Dengan hanya 5 observasi dan 3 parameter (b₀, b₁, b₂), model Anda hampir selalu akan mendapat R² mendekati 1 secara otomatis, bukan karena modelnya bagus, melainkan karena parameter Anda hampir sama banyaknya dengan observasi. Bayangkan menggambar garis melalui 3 titik — selalu bisa tepat; dengan 5 titik dan 3 parameter bebas, hasilnya hampir serupa. R² tinggi dalam situasi ini bukan prestasi, melainkan tanda bahaya — model sudah "menghafal" data, bukan mempelajari pola yang bisa digeneralisasi. Pola kedua — variabel tanpa teori — adalah masalah yang lebih serius secara ilmiah. Regresi adalah alat konfirmasi, bukan alat eksplorasi acak. Pola ketiga adalah tentang tujuan akhir riset: angka koefisien hanyalah sarana; pertanyaan bisnis atau kebijakan yang ingin dijawab adalah tujuannya.

Asumsi Gauss-Markov: Enam Syarat BLUE

BLUE = Best Linear Unbiased Estimator (estimator linier tak bias terbaik) — OLS menyandang gelar ini hanya jika enam syarat terpenuhi.

#	Nama Asumsi	Bahasa Biasa
GM-1	Linieritas dalam parameter	Model berbentuk kombinasi linier variabel
GM-2	Sampel acak / observasi independen	Nilai satu observasi tidak ditentukan oleh yang lain
GM-3	Tidak ada multikolinearitas sempurna	Semua kolom X membawa informasi berbeda; X′X bisa diinvers
GM-4	Rata-rata galat = 0	Tidak ada variabel penting yang terlupakan dari model
GM-5	Homokedastisitas	Prediksi sama presisinya untuk semua observasi
GM-6	Tidak ada autokorelasi	Kesalahan prediksi satu observasi tidak "menular" ke observasi lain

Bila GM-1 sampai GM-6 terpenuhi → OLS adalah estimator linier tak bias terbaik (BLUE). "Terbaik" = varians terkecil dibanding semua estimator linier tak bias lainnya.

Teorema Gauss-Markov adalah fondasi teoritis mengapa kita menggunakan OLS, bukan metode estimasi lain yang mungkin terpikirkan. "Best" dalam BLUE berarti varians terkecil — artinya dari semua estimator yang linier dan tidak bias, OLS adalah yang paling efisien dalam memanfaatkan informasi yang ada. Dari enam syarat ini, GM-3 adalah yang paling langsung terkait dengan materi matriks kita: det(X'X) ≠ 0 harus Anda periksa sebelum melanjutkan ke invers. GM-4 adalah yang paling sulit dipenuhi dalam praktik — hampir selalu ada variabel yang relevan tetapi tidak masuk model, baik karena tidak tersedia datanya, tidak terukur, atau peneliti tidak memikirkannya. Untuk saat ini, yang terpenting adalah Anda tahu bahwa OLS tidak berdiri sendiri — ia berdiri di atas fondasi asumsi yang perlu Anda nyatakan dan, kalau mungkin, uji.

Multikolinearitas — Ketika X′X Tidak Bisa Diinvers

Multikolinearitas bukan sekadar "masalah statistik" — ia langsung menghancurkan mekanika matriks kita.

det(X′X) = 0 → (X′X)−¹ tidak ada → b tidak bisa dihitung

Multikolinearitas Sempurna (Eksak)

Satu kolom X adalah kombinasi linier sempurna kolom lain.
Contoh: X&sub3; = 2·X&sub1; + X&sub2;
Akibat: rank(X) < k+1, det = 0 secara eksak → b tidak bisa dihitung.

Multikolinearitas Tidak Sempurna (Tinggi)

Dua variabel berkorelasi tinggi (mis. r = 0,95).
Akibat: det(X′X) ≈ 0 (sangat kecil), invers ada tapi tidak stabil — koefisien b berubah drastis dengan sedikit perubahan data.

Dataset Slide 10: r(PDRB, Belanja Modal) = 0,997 → det(X′X) = 108.328 (tidak nol tapi kecil relatif, ill-conditioned). Itulah mengapa b&sub2; = 0,19 sangat kecil dan tidak stabil. Ciri praktis: angka koefisien b sangat besar atau tanda bertolak belakang logika ekonomi → curigai multikolinearitas tinggi.

Saya ingin menggunakan slide ini untuk menghubungkan teori matriks yang sudah Anda pelajari dengan masalah nyata yang akan Anda hadapi saat mengerjakan skripsi. Multikolinearitas sempurna membuat det(X'X) = 0 secara eksak — secara matematis, ini berarti kolom-kolom dalam X tidak independen; salah satu kolom bisa diprediksi sempurna dari kolom lain. Dalam praktik, ini bisa terjadi bila Anda memasukkan variabel yang merupakan transformasi sederhana variabel lain — misalnya memasukkan pendapatan dalam rupiah DAN dalam juta rupiah sekaligus dalam satu model. Multikolinearitas tidak sempurna lebih umum dan lebih licik: secara teknis (X'X)⁻¹ tetap bisa dihitung, tetapi hasilnya tidak stabil. Bayangkan Anda membangun jembatan di atas tanah yang sangat lunak — jembatannya berdiri, tetapi sedikit gempa sudah cukup untuk membuatnya roboh. Dataset ilustrasi kita sendiri di Slide 10 adalah contoh nyata kasus ini: r = 0,997.

Desain Data yang Baik untuk Regresi

Masalah metodologi hampir selalu bisa dicegah sebelum data dikumpulkan — bukan diperbaiki sesudahnya.

Prinsip T

Teori

Tentukan hipotesis & arah hubungan (positif/negatif) sebelum membuka spreadsheet. "Data bisa mendukung argumen apa saja jika kita pilih-pilih." — Gujarati

Prinsip V

Variasi

Pastikan variabel independen X punya variasi yang cukup dalam sampel. X yang hampir konstan → koefisien tidak stabil dan tidak informatif.

Prinsip N

Aturan praktis: n ≥ 10 per variabel independen (minimum absolut); n ≥ 30 per variabel untuk inferensi yang andal.

Sumber	Jenis Data	Akses
BPS Jateng	PDRB, kemiskinan, ketenagakerjaan kab/kota	jateng.bps.go.id
IDX / BEI	Data emiten BEI (BBCA, TLKM, laporan keuangan)	idx.co.id
OJK SPI	Statistik perbankan, asuransi, pasar modal	ojk.go.id
BI SEKI	Suku bunga, kurs, inflasi	bi.go.id

Ini adalah slide yang paling ingin saya berikan kepada Anda, bukan sebagai pelajaran matematika, tetapi sebagai pelajaran riset. Prinsip "Teori Dulu" berarti Anda harus bisa menjawab pertanyaan "mengapa?" sebelum menjawab "berapa?" — mengapa PDRB akan mempengaruhi PAD? Karena basis pajak daerah bergantung pada aktivitas ekonomi yang diukur PDRB. Pertanyaan "mengapa" ini harus ada dalam bab II skripsi Anda, sebelum Anda memilih variabel di bab III. Prinsip "Variasi Cukup" adalah tentang informasi: variabel yang hampir konstan tidak bisa menjelaskan apapun dalam regresi. Prinsip "n yang Memadai" adalah tentang derajat kebebasan — setiap parameter yang Anda estimasi "memakan" satu derajat kebebasan; dengan n yang terlalu kecil, Anda kehabisan informasi untuk menguji hipotesis secara andal. Sumber data yang saya cantumkan — BPS, IDX, OJK, BI — adalah sumber-sumber yang diterima di jurnal ilmiah dan skripsi FEB UNDIP.

Hitung dari Nol: Verifikasi X′X dan det(X′X)

Langkah aritmetika penuh dari data 5 observasi (Slide 10) — n = 5, k = 2 variabel independen.

Langkah	Perhitungan	Nilai
Elemen (1,1): Σ1²	1+1+1+1+1	5
Elemen (1,2): ΣX&sub1;	12,5 + 18,3 + 9,8 + 22,1 + 15,6	78,3
Elemen (1,3): ΣX&sub2;	310 + 420 + 240 + 510 + 380	1.860
Elemen (2,2): ΣX&sub1;²	156,25 + 334,89 + 96,04 + 488,41 + 243,36	1.318,95
Elemen (2,3): ΣX&sub1;·X&sub2;	3.875 + 7.686 + 2.352 + 11.271 + 5.928	31.112
Elemen (3,3): ΣX&sub2;²	96.100 + 176.400 + 57.600 + 260.100 + 144.400	734.600
det(X′X) ≠ 0?	Ekspansi kofaktor baris 1 (lihat Lampiran A materi)	108.328 ≠ 0 → invers ada

Hasil Verifikasi

108.328

det(X′X) ≠ 0 — matriks tidak singular

Hitung dari Nol: b = (X′X)−¹X′y dan Interpretasi

X′y dihitung dari data 5 observasi, lalu b diselesaikan via numpy.linalg.solve (terverifikasi numerik).

Langkah	Perhitungan	Nilai
X′y elemen 1: Σy	820 + 1.050 + 650 + 1.300 + 900	4.720
X′y elemen 2: ΣX&sub1;·y	10.250 + 19.215 + 6.370 + 28.730 + 14.040	78.605
X′y elemen 3: ΣX&sub2;·y	254.200 + 441.000 + 156.000 + 663.000 + 342.000	1.856.200
b = (X′X)−¹ × X′y	Selesaikan sistem linier (det = 108.328)	b = [145,25; 46,45; 0,19]

b&sub0; (intercept)

145,25

PAD dasar saat PDRB & Belanja Modal = 0. Tidak bermakna ekonomi (kondisi X=0 tidak realistis).

b&sub1; (PDRB, Rp triliun)

46,45

Tiap kenaikan Rp 1 triliun PDRB → PAD naik ~Rp 46,45 miliar (cet. par.). Tanda positif sesuai teori.

b&sub2; (Belanja Modal)

0,19

Kecil karena r(X&sub1;,X&sub2;) = 0,997 — multikolinearitas tinggi. Tidak stabil; jangan ditafsirkan tunggal.

Slide ini adalah "Hitung dari Nol" kedua — kita menelusuri bagaimana vektor X'y diperoleh dan bagaimana b diinterpretasikan. Elemen pertama X'y adalah jumlah semua PAD: 820 + 1.050 + 650 + 1.300 + 900 = 4.720. Elemen kedua adalah jumlah X₁ dikali y untuk setiap observasi: 12,5 × 820 = 10.250; 18,3 × 1.050 = 19.215; 9,8 × 650 = 6.370; 22,1 × 1.300 = 28.730; 15,6 × 900 = 14.040 — total 78.605. Nilai b₁ = 46,45 berarti setiap kenaikan PDRB sebesar Rp 1 triliun, PAD diperkirakan naik sekitar Rp 46,45 miliar dengan asumsi Belanja Modal tetap. Tanda positif ini konsisten dengan teori ekonomi: daerah dengan PDRB lebih tinggi punya basis pajak lebih besar. Nilai b₂ = 0,19 yang sangat kecil adalah konsekuensi multikolinearitas tinggi antara X₁ dan X₂ (r = 0,997) — model kesulitan memisahkan kontribusi keduanya secara bersih.

Blok 5 dari 5

Koneksi ke Skripsi & Metodologi Penelitian

Matriks bukan hanya soal kursus — ia adalah fondasi metode kuantitatif yang akan Anda gunakan di skripsi.

Dari Matriks ke Metodologi Skripsi

Peta jalur: dari materi Matematika Bisnis ke bab-bab skripsi S1.

Bab III skripsi Anda pada dasarnya adalah versi formal dari "Panduan Presentator" di Slide 8.

Peta alur ini menunjukkan bagaimana satu konsep tumbuh menjadi kompetensi penelitian yang matang. Ketika Anda kelak menyusun Bab III skripsi — "Metode Penelitian" — Anda akan diminta menjelaskan spesifikasi model Anda, variabel apa yang Anda gunakan, dari mana datanya, dan bagaimana cara estimasinya. Semua itu adalah versi formal dari checklist presentasi di Slide 8. Ketika pembimbing Anda meminta "uji asumsi klasik" di Bab IV — uji asumsi klasik adalah serangkaian uji statistik untuk memeriksa apakah asumsi OLS terpenuhi — itu adalah versi formal dari tabel Gauss-Markov yang kita bahas di Slide 20. Dan ketika Anda menulis "keterbatasan penelitian" di Bab V, Anda sedang melakukan hal yang sama dengan yang kita diskusikan hari ini: mengakui secara jujur apa yang tidak bisa dijawab model Anda.

Pelajaran Kunci Dua Sesi Presentasi

Tiga pelajaran yang melampaui kursus ini — bawa ke skripsi dan karier profesional.

Pelajaran 1

Xb=y

Matriks = Bahasa Regresi

Notasi y = Xb + ε dan b = (X′X)−¹X′y adalah bahasa universal riset kuantitatif. Semua software (SPSS, R, Stata, Python) bekerja dengan logika ini di balik layar.

Pelajaran 2

BLUE

OLS Valid Jika Asumsi Terpenuhi

Kekuatan OLS bergantung pada 6 syarat Gauss-Markov. Selalu nyatakan asumsi Anda dan, kalau mungkin, uji. Jujur tentang keterbatasan = tanda peneliti matang.

Pelajaran 3

GIGO

Desain Menentukan Kualitas

Data yang baik, variabel dengan teori, dan n yang memadai tidak bisa digantikan oleh teknik analisis yang canggih. Garbage In, Garbage Out.

Nilai tugas bukan hanya dari ketepatan angka — tetapi dari kedalaman pemahaman yang Anda tunjukkan. Interpretasi koefisien & kejujuran keterbatasan = 45% dari nilai presentasi.

Kita hampir di penghujung pertemuan, dan saya ingin menutupnya dengan tiga pelajaran yang jauh melampaui batas mata kuliah Matematika Bisnis. Pelajaran pertama: matriks adalah bahasa yang Anda akan gunakan lagi dan lagi — ketika nanti Anda membuka Stata atau R untuk skripsi, setiap kali software itu mencetak output regresi, di balik layarnya ada perhitungan (X'X)⁻¹X'y yang baru saja kita kerjakan secara manual. Memahami apa yang terjadi di balik layar membuat Anda pengguna yang lebih kritis dan lebih andal. Pelajaran kedua: validitas kesimpulan bergantung pada validitas asumsi. Peneliti yang baik tidak hanya mengklaim "saya menemukan bahwa X mempengaruhi Y" — ia juga menjelaskan dalam kondisi apa klaim itu valid. Pelajaran ketiga dan yang paling dalam: kualitas riset ditentukan sebelum analisis dimulai. Investasi terbesar dalam penelitian yang baik bukan pada teknik analisis, melainkan pada desain: pertanyaan yang tepat, variabel yang tepat, data yang tepat, dan sampel yang cukup.

Penilaian, Refleksi, dan Langkah Berikutnya

Menutup sesi presentasi — informasi nilai, refleksi mandiri, dan persiapan ke depan.

Komponen Nilai Presentasi

Penyusunan matriks X & y	25%
Ketepatan perhitungan b	30%
Interpretasi koefisien	25%
Kejujuran keterbatasan & tanya-jawab	20%

Refleksi Mandiri (tidak dikumpulkan)

"Satu hal yang paling saya pahami lebih dalam setelah sesi ini adalah…"
"Satu hal yang masih membingungkan dan ingin saya tanyakan adalah…"
"Jika saya mendesain ulang tugas ini dengan data lebih baik, saya akan…"

Pertemuan 11 → UTS / Topik Berikutnya sesuai RPS. Terima Kasih atas presentasi yang sungguh-sungguh — kemampuan metodologi yang Anda bangun hari ini adalah bekal nyata untuk skripsi.

Kita menutup dua sesi presentasi yang — saya harap — memberikan Anda lebih dari sekadar nilai tugas. Saya ingin Anda mengisi tiga pertanyaan refleksi ini secara jujur, untuk diri sendiri — bukan untuk dikumpulkan, tidak ada nilai untuk itu. Penelitian menunjukkan bahwa refleksi tertulis setelah belajar meningkatkan retensi dan pemahaman jauh lebih baik daripada sekadar meninjau catatan. Mengenai nilai: komponen terbesar adalah ketepatan perhitungan (30%), tetapi perhatikan bahwa interpretasi koefisien dan kejujuran keterbatasan bersama-sama bernilai 45% — lebih dari ketepatan hitung. Ini sengaja saya rancang demikian, karena kemampuan berpikir kritis dan komunikasi ilmiah adalah yang paling berguna dalam karier Anda, baik sebagai peneliti maupun sebagai profesional bisnis. Untuk pertemuan berikutnya — pastikan Anda cek RPS untuk topik dan persiapan yang diperlukan. Terima Kasih atas partisipasi aktif Anda hari ini.