Economics Talk

Mungkin kamu pernah lihat di kalkulator ada tombol log dan ln, tapi tahu artinya gak sih? bedanya apa sih?. Secara matematis, $log$ adalah logaritma dengan basis 10, sementara $ln$ (kepanjangan: Logaritma Natural) merupakan logaritma dengan berbasis bilangan Euler dengan nilai $e ≈ 2.718$.

Bagi peneliti ekonomi, $ln$ adalah “senjata rahasia” karena kemampuannya mengubah selisih angka absolut menjadi persentase perubahan yang mendekati kenyataan. Mengapa ini krusial? Bayangkan kalau harga cabai naik dari Rp10.000 ke Rp11.000. Daripada bilang “naik seribu”, peneliti ekonomi lebih suka bilang “naik 10%”. Kenapa? Karena persentase bikin data yang satuannya beda-beda contohnya seperti GDP triliunan rupiah vs tingkat pengangguran persen, nah dengan log atau $ln$ kedua data tersebut bisa dibandingkan “apel-ke-apel”. Dengan menggunakan logaritma, kita bisa menyamakan skala data yang “liar” dan melihat hubungan antar variabel dalam bentuk pertumbuhan atau elastisitas, yang jauh lebih bermakna dalam pengambilan kebijakan ekonomi daripada sekadar angka mentah. Sebab, dalam dunia ekonometrika, cara kita memperlakukan variabel dependen dan independen akan menentukan cerita apa yang ingin kita sampaikan.

MODEL SESAMA LINEAR (Lin-Lin)

Model yang paling dasar adalah Lin-Lin (Linear-Linear), di mana kedua sisi tetap dalam satuan aslinya tanpa sentuhan logaritma.

Model umum: $Y = \beta_0 + \beta_1 X + \epsilon$

Interpretasinya sangat lugas: jika variabel $X$ naik sebesar satu satuan, maka variabel $Y$ akan berubah sebesar koefisien $β$ satuan. Sebagai contoh: jika kita Pengaruh jumlah jam belajar per minggu terhadap nilai ujian. Hasil regresi yang didapatkan adalah $Nilai = 40 + 2 Jam\_Belajar$. Sehingga dari temuan tersebut dapat diinterpretasikan sebagai berikut Koefisien 2 di sini berarti setiap mahasiswa menambah 1 jam waktu belajar dalam seminggu, maka nilai ujiannya diprediksi akan naik sebesar 2 poin. Jika tidak belajar sama sekali (jam = 0), maka nilai dasarnya adalah 40 (konstanta). Satuan yang digunakan tetap sama, yaitu jam dan poin nilai.

MODEL Semi-Log (LOG-LIN)

Berbeda cerita jika kita menggunakan model Log-Lin (Log-Linear), di mana variabel dependen $Y$ berada dalam bentuk logaritma sementara tetap linear. Model ini sering disebut sebagai model pertumbuhan karena interpretasinya melibatkan persentase pada sisi akibat.

Model umum: $ln(Y) = \beta_0 + \beta_1 X + \epsilon$

Jika $X$ naik satu satuan, maka $Y$ akan berubah sebesar $(\beta_1 \times 100)\%$. Contoh klasiknya adalah Pengaruh masa kerja dalam tahun terhadap gaji bulanan. Peneliti ingin melihat pertumbuhan gaji secara proporsional. Dari hasil regresi yang dilakukan ditemukan bahwa $ln(Gaji) = 15 + 0,07 Masa\_Kerja$ . kita tidak bisa langsung menginterpretasikan langsung.. Koefisien 0,07 harus diinterpretasikan dengan mengalikannya dengan 100. Artinya, setiap tambahan 1 tahun masa kerja, maka gaji karyawan tersebut diprediksi akan meningkat sebesar 7% $(0,07 \times 100)$. Model ini sangat umum digunakan untuk melihat tingkat pengembalian (return) dari sebuah investasi waktu atau pengalaman.

MODEL Semi-Log (LIN-LOG)

Model ini sangat berguna ketika kita ingin melihat bagaimana perubahan persentase kecil pada penyebab memengaruhi hasil akhir dalam satuan absolut. Interpretasinya adalah jika $X$ naik sebesar satu persen, maka $Y$ akan berubah sebesar $(\beta_1 / 100)$ satuan. Contoh Kasus: Pengaruh jumlah pemberian uang saku dalam rupiah terhadap tingkat kebahagiaan yang diukur dengan skor 1-10 . Dalam ekonomi, sering diasumsikan ada hukum “utilitas yang semakin menurun”. Hasil Regresi: $Skor\_Bahagia = 2 + 1,5ln(Uang\_Saku)$. Interpretasi: Koefisien 1,5 diinterpretasikan dengan membaginya dengan 100. Artinya, jika jumlah uang saku ditambah sebesar 1%, maka skor kebahagiaan akan naik sebesar 0,015 poin $(1,5 / 100)$. Model ini menunjukkan bahwa untuk menaikkan skor kebahagiaan dalam jumlah yang sama, dibutuhkan suntikan uang saku yang semakin besar secara nominal (karena pengaruhnya dihitung dalam persentase).

MODEL Double-Log (LOG-LOG)

Dalam model ini, baik $X$ maupun $Y$ berada dalam bentuk logaritma, sehingga perubahan satu persen pada $X$ akan mengakibatkan perubahan sebesar $\beta_1$ persen pada $Y$. Contoh Kasus: Pengaruh harga barang terhadap jumlah permintaan barang tersebut. Tentu saja, ini dapat dikatakan sebuah model elastisitas murni. Hasil Regresi: $ln(Permintaan) = 10 – 0,5 ln(Harga)$. Interpretasi: Karena kedua sisi menggunakan log, maka kita membacanya sebagai hubungan “persen ke persen”. Jika harga naik sebesar 1%, maka jumlah permintaan diprediksi akan turun sebesar 0,5%. Angka 0,5 ini langsung menunjukkan nilai elastisitas harga terhadap permintaan.

Memilih di antara ketiga atau keempat model ini bukanlah soal mana yang paling canggih, melainkan tentang bagaimana logika ekonomi bekerja pada fenomena yang sedang kamu teliti. Pahami apakah hubungan antar variabelmu bersifat tambah-tambahan (linear) atau lebih ke arah proporsional (persentase), karena kesalahan memilih model bisa berujung pada interpretasi kebijakan yang meleset jauh dari realita di lapangan.