BAB 4 ANGKA INDEKS 1.1.

Kegunaan Angka Indeks Angka indeks merupakan angka yang dapat digunakan untuk melakukan perbandingan suatu kegiatan dari periode dasar ke periode tertentu. Dengan angka indeks akan dapat diketahui maju/mundurnya suatu kegiatan seperti produksi, ekspor, penjualan, jumlah uang yang beredar dan lain sebagainya. Beberapa indeks yang sering dibicarakan diuraikan secara singkat di bawah ini: a. Indeks Bahan Pokok Indeks ini dimaksudkan untuk mengikuti perkembangan harga bahan pokok. Pemakaian bahan pokok yang digunakan oleh suatu institusi tidak harus sama/berbeda dengan bahan pokok yang digunakan oleh institusi lainnya. Jumlah jenis bahan pokok yang digunakan tergantung dari kebutuhan dasar institusi tersebut. b. Indeks Biaya Hidup dan Harga Konsumen Indeks ini digunakan untuk mengetahui perkembangan harga berbagai komoditas dari bulan ke bulan selanjutnya atau dari tahun ke tahun berikutnya dan untuk mengetahui daya beli masyarakat akan kebutuhan pokok hidupnya. Indeks ini juga dapat digunakan untuk mengukur tingkat inflasi/deflasi, penyesuaian gaji/upah pegawai/buruh. c. Indeks Perdagangan Besar Dengan anggapan bahwa harga perdagangan besar merupakan price leader bagi konsumen, maka indeks ini sangat penting. Indeks ini mencakup sektor pertanian (40 komoditi), pertambangan/penggalian (8 komoditi), industri (183 komoditi), impor (50 komoditi) dan ekspor (46 komoditi). Karena inflasi dapat diartikan sebagai adanya kesenjangan antara arus uang dan arus barang, maka pengukuran inflasi lebih tepat menggunakan indeks perdagangan besar daripada indeks harga konsumen. Namun, untuk evaluasi kesejahteraan buruh IHK tetap lebih sesuai.

Modul-STIS

1

d. Indeks Harga Yang Dibayar Petani dan Indeks Harga Yang Diterima Petani Indeks harga yang dibayar petani memonitor harga input usaha tani, sedangkan yang diterima petani memantau penerimaan hasil produksinya. Apabila nilai tukar petani (terms of trade index), yaitu hasil bagi antara indeks yang diterima petani dengan indeks yang dibayar petani meningkat, maka dapat diindikasikan kesejahteraan petani makin baik. e. Indeks Ekspor/Impor Indeks ini mengukur kemampuan berdagang di taraf internasional. Apabila indeks unit value of export lebih tinggi daripada indeks unit value of impor maka negara tersebut lebih berorientasi ekspor (sehat) f. Indeks Pendapatan Nasional Indeks ini menggambarkan perkembangan ekonomi bangsa. g. Indeks Bursa Efek Memberikan gambaran tentang perkembangan harga saham di bursa yang mencakup: (a) pertanian (b) pertambangan (c) industri besar dan kimia (d) aneka industri (e) industri barang konsumsi (f) properti dan real estate (g) infrastruktur, utilitas dan transporatsi (h) keuangan (i) perdagangan, jasa dan investasi dan selanjutnya dibuatkan gabungannya (ISHG).

Modul-STIS

2

h. Indeks Pembangunan Manusia (IPM) Indeks Pembangunan Manusia (Human Development Index) menggambarkan tiga dimensi kehidupan manusia, yaitu peluang hidup (longevity), pengetahuan (knowledge) dan standar hidup layak (decent living standard). Peluang hidup diukur menggunakan angka harapan hidup waktu lahir berdasarkan hasil Sensus Penduduk dan Supas. Pengetahuan diukur dari kombinasi angka melek huruf dengan rata-rata lama sekolah dari penduduk berumur 15 tahun ke atas (pendidikan tertinggi yang ditamatkan berdasarkan Susenas). Komponen ketiga, standar hidup layak, diukur dengan menggunakan rata-rata konsumsi riil per kapita serta kondisi kualitas dan fasilitas rumah berdasarkan data Susenas. i. Indeks Pembangunan Jender (IPJ) Sama seperti IPM tetapi IPJ dirinci menurut jenis kelamin. j. Indeks Pemberdayaan Jender (IPJ) Indeks ini menyertakan persentase anggota legislatif perempuan, persentase pemimpin perempuan, persentase pekerja perempuan dan sumbangan daya beli perempuan. k. Indeks Kemiskinan Manusia (IKM) Sama seperti IPM tetapi dengan tambahan persentase penduduk tidak mencapai umur 40 tahun, persentase penduduk dewasa yang buta huruf, persentase penduduk yang tidak mempunyai akses kesehatan, persentase penduduk yang tidak mempunyai akses terhadap air bersih dan persentase balita yang berstatus kurang gizi. 4.2. Teknik Penyusunan Angka Indeks 1.2.1. Angka Indeks individu (tidak berkelompok) pt Ip = ---- x 100 → Indeks harga p0

Modul-STIS

3

2.x 100 → Indeks kuantitas q0 pt po qt q0 = = = = harga pada periode tertentu harga pada periode dasar kuantitas pada periode tertentu kuantitas pada periode dasar Contoh: Tahun (1) Produksi (Dalam Juta Ton) (2) Indeks (3) 1995 1996 1997 1998 1999 2000 17.2 21. Modul-STIS 4 .4) x 100 = 118. Angka Indeks Agregatif Sederhana (Tak Tertimbang) Indeks agregatif adalah indeks dari beberapa jenis barang (2 atau lebih).3:20.9 Indeks tahun 2000 = 103.4) x 100 = 109.6 (21.9% bila dibandingkan dengan periode dasar 1997 4. Setiap jenis barang ((komoditi) memiliki peranan yang sama dengan komoditi lainnya.3:20.qt Iq = ---. tidak satu komoditipun dimodifikasi untuk menyatakan bahwa suatu komoditi lebih penting dari yang lain.4 22.4) x 100 = 103.0 100 (22.4) x 100 = 84. Kualitas setiap jenis barang dipilih dari kelompok besar jenis barang tersebut.9 berarti produksi tahun 2000 naik 3.3 20.2:20.2:20.8 (20.2 (17.3 24.4) x 100 = 99. Gabungan dari beberapa jenis barang dengan kualitas tertentu biasanya disebut basket comoditi.2 20.2:20.2.3 (24. Basket comoditi ini biasanya mencakup barang-barang yang penting yang akan mewakili kelompoknya.

75. b. sehingga hanya menaikkan indeks menjadi 100. Harga yang naik adalah garam. Apabila harga yang meningkat menjadi dua kali lipat adalah kemeja lengan pendek maka indeks menjadi: Ip = ∑pt x100 = ∑ po 10675 x100 = 159.75 6675 Kualitas IR-4 Sedang Bimoli SHS No.Contoh: Jenis Barang Beras Ikan Basah Kembung Minyak Goreng Gula pasir Garam Beryodium Minyak Tanah Sabun cuci Tekstil Kemeja Lengan Pendek Jumlah Ip = Ip = ∑pt x100 ∑ po 6725 x100 = 100. harga komoditi ini terendah.1 Kream Ekonomi Birkolin Katun X Satuan Liter Ons Botol Kecil Kg Sachet Kecil Liter Sachet Kecil Meter Helai X Harga Bulan-0 340 235 500 400 50 75 275 800 4000 6675 Harga Bulan-t 340 235 500 400 100 75 275 800 4000 6725 Dari contoh tersebut terlihat bahwa: a.93 6675 Jenis Barang Kualitas Satuan Harga Bulan-0 Harga Bulan-t Modul-STIS 5 . dari 50 menjadi 100. Kualitas dan satuan yang dimonitor harus dicantumkan agar kenaikan/penurunan harga tidak disebabkan oleh perubahan kualitas atau satuan tetapi perubahan harga karena suplly atau demand.

1 Kream Ekonomi Birkolin Katun X Liter Ons Botol Kecil Kg Sachet Kecil Liter Sachet Kecil Meter Helai X 340 235 500 400 50 75 275 800 4000 6675 340 235 500 400 100 75 275 800 8000 10675 Hal ini menunjukkan kelemahan indeks agregatif sederhana yang sangat dipengaruhi komoditi yang bernilai tinggi.Beras Ikan Basah Kembung Minyak Goreng Gula pasir Garam Beryodium Minyak Tanah Sabun cuci Tekstil Kemeja Lengan Pendek Jumlah IR-4 Sedang Bimoli SHS No.11 9 1000 x100 = 111.11 9 Jenis Barang Beras Ikan Basah Kembung Minyak Goreng Gula pasir Garam Beryodium Minyak Tanah Sabun cuci Tekstil po 340 235 500 400 50 75 275 800 p1 340 235 500 400 100 75 275 800 p2 340 235 500 400 50 75 275 800 RH1 100 100 100 100 200 100 100 100 RH2 100 100 100 100 100 100 100 100 Modul-STIS 6 . Indeks Relatif Harga Relatif harga (RH) masing-masing komoditi =  p t x100 =   po  p ∑ t p x100   . k = banyaknya jenis barang (komoditi)  o Ip = k I p1 = I p2 = 1000 x100 = 111.

Angka Indeks Agregatif Tertimbang Penimbang atau bobot untuk suatu komoditi dimaksudkan untuk menunjukkan peranan (betapa pentingnya) suatu komoditi terhadap komoditi lainnya. 4. yaitu: Modul-STIS 7 .Kemeja Lengan Pendek Jumlah 4000 X 4000 X 8000 X 100 1000 200 1000 Berdasarkan indeks relatif harga peranan setiap komoditi menjadi sama.2.3. Pada contoh 9 jenis barang. misalnya seseorang membutuhkan sebanyak 120 kg beras per tahun (nilai=120 x Rp340 = Rp 40800) sedangkan kemeja 3 lembar (nilai=Rp12000) sehingga peranan/timbangan beras harus lebih tinggi bila dibandingkan dengan kemeja. Ada beberapa jenis formula untuk indeks agregatif tertimbang.

bila relatif konstan pakailah indeks tertimbang Laspeyres. c. Indeks Laspeyres menggunakan penimbang keadaan tahun dasar. indeks tertimbang Fisher yang terbaik. Sayangnya biaya pengumpulan data ’penimbang’ cukup mahal. Indeks yang baik adalah a. Sangat baik untuk perhitungan indeks yang penimbangnya berubah-ubah cukup drastis. Yang tertimbang. sehingga setiap komoditi sesuai dengan peranannya. Tergantung dari fluktuasi penimbang. Menguji Indeks: Modul-STIS 8 . Indeks Paasche menggunakan penimbang keadaan tahun yang sedang berjalan. dan bila erratic pakailah Paasche. 3. nilai konsumsi atau nilai yang diperdagangkan yang ditentukan oleh tersedianya data dan eratnya hubungan penimbang dengan yang ditimbang. Indeks ini hanya baik bila fluktuasi penimbang relatif rendah seperti pola konsumsi masyarakat yang lambat pertumbuhannya.IPp IL p = Indeks Harga ( ) IME p = ∑ pt ( q o + q t ) x100 ∑ p o ( qo + q t ) ∑ q t po x100 ∑ qopo ∑ qtpt IPp = x100 ∑ qopt IL q + IPq ID = 2 IF = IL q . 2. hanya Fisher yang sering dipakai.IPq IL p = Indeks Kuantitas ( ) IMEq = ∑ q t ( po + p t ) x100 ∑ q o ( po + p t ) Penimbang dapat berbentuk produksi.Jenis Laspeyres Paasche Drobisch Fisher Marshall Edgeworth & ∑ ptqo x100 ∑ p oq o ∑ p tq t IPp = x100 ∑ po q t IL p + IPp ID = 2 IF = IL p . Secara teori. b. Indeks lainnya merupakan modifikasi dari Laspeyres dan Paasche. Catatan: 1.

juga disebut perhitungan composite indices. tetapi karena tahun dasar yang berubah-ubah mengakibatkan ada kemungkinan tahun dasar tidak terletak pada keadaan ‘normal’. • Time reversal test Ito = Indeks dengan tahun dasarnya t Iot = Indeks dengan tahun dasarnya o I to xIot = 1 Laspeyres: ∑ pt q o ∑ p o q t x ≠1 ∑ po q o ∑ p t q t Laspeyres tidak memenuhi syarat. Fisher: ∑ pt q o ∑ q t p t ∑ p o q t ∑ q t p t ∑ ptqt x x x = ∑ po q o ∑ q t p o ∑ p o qo ∑ q o pt ∑ po qo Fisher memenuhi syarat factor reversal test. Paasche: ∑ pt q t ∑ q t p t ∑ pt q t x ≠ ∑ po q t ∑ q o p t ∑ po q o Paasche tidak memenuhi syarat. Indeks Berantai Tahun dasar dibuat berurutan. Contoh: Modul-STIS 9 . artinya tahun dasar berubah-ubah. Paasche: Fisher ∑ pt q t ∑ p o q o x ≠1 ∑ po q t ∑ p t q o ∑ pt q o ∑ q t p t ∑ p o q t ∑ qo po x x x = 1 → Konsisten ∑ po q o ∑ q t p o ∑ p t q t ∑ qo p t Fisher memenuhi syarat time reversal test.• Factor reversal test Ip X Iq = Iv Iv = indeks nilai Laspeyres: ∑ pt q o ∑ q t p o ∑ pt q t x ≠ ∑ po q o ∑ q o p o ∑ po q o Laspeyres tidak memenuhi syarat. Cara ini mempermudah menilai perkembangan dari tahun ke tahun.

Indeks Laspeyres IL1 = ∑ p1qo ∑ po qo Biasa xIL o IL1 = ∑ p1qo ∑ po qo Berantai xIL o = (56/48)X100 = 116.67% dari tahun 1998 dan harga-harga tahun 2000 naik 50% dari tahun 1999).67 IL 2 = ∑ p 2 qo xIL1 ∑ p1 q o = (84/48)x100 = 175 = (84/56)x116. Perhitungan dengan cara biasa lebih lengkap → lebih baik.67 = 175 (Indeks berantai Laspeyres ternyata tidak ‘bias’ bila dibandingkan dengan indeks biasa). Catatan: a. Perhitungan menggunakan ‘berantai’ lebih baik. terutama bila ratio senantiasa dapat digantikan dengan komoditi yang gerakannya searah/semacam.Jenis barang A B Jumlah 1998 po 5 7 12 1999 p1 6 8 14 2000 p2 9 12 21 1998 qo 4 4 8 1999 q1 4 5 9 2000 q2 3 4 7 • Indeks ‘agregatif sederhana untuk harga’: I1999 = (14/12)x100=116.67 IL 2 = ∑ p 2 qo xIL o ∑ p o qo IL1 = 116. b. asalkan barang dalam basket belum banyak berubah.67 → tahun dasar 1998 I2000 = (21/14)x100=150 → tahun dasar 1999 (Harga-harga tahun 1999 naik sebesar 16. Modul-STIS 10 .

4 1998 po 10 8 1998 qo 5 4 1999 p1 15 10 1999 q1 4 4 2000 p2 20 15 2000 q2 3 4 ∑ p 2000 q 98 x100 = Bila kemudian digeser tahun 2000=100 IL1998 = IL1999 = 10 .5 + 8.67 20.3 + 15 .5 + 10 .4 x100 = 140.3 + 10 .3 + 15 .5 + 8.4 x100 = 195.4 20 .12 10 .83 20.4 x100 = 51.3 + 8 .Penggantian Tahun Dasar Penggantian tahun dasar dapat dilakukan karena beberapa sebab: sudah terlalu lama (>10 tahun) penimbang sudah out-of-date tersedia data penimbang baru keadaan pada periode baru juga stabil/normal Contoh: Bila data aslinya masih ada Macam barang A B Bila 1998=100 IL1999 = IL 2000 = ∑ p 99 q 98 ∑ p 98 q 98 ∑ p 98 q 98 x100 = 15 .4 Modul-STIS 11 .5 + 15.24 10.4 15 .4 x100 = 70 .

ataupun korelasi sempurna. Teknik untuk mengetahui ada tidaknya korelasi antara 2 variabel dapat dilakukan melalui beberapa cara. misalnya hubungan linier dua variabel. Tidak ada korelasi Korelasi ini terjadi apabila kedua variabel (X dan Y) tidak menunjukkan adanya hubungan 4. Korelasi negatif Korelasi ini terjadi apabila variabel X meningkat maka variabel Y cenderung menurun. tidak ada korelasi. Modul-STIS 12 . Korelasi yang terjadi antara dua variabel dapat berupa korelasi positif. Korelasi sempurna Korelasi ini terjadi apabila kenaikan/penurunan variabel X selalu sebanding dengan kenaikan/penurunan variabel Y (berada pada satu garis lurus). Apabila terdapat hubungan maka perubahan-perubahan yang terjadi pada salah satu variabel (X) akan mengakibatkan terjadinya perubahan pada variabel lainnya (Y). Pengertian tentang hubungan antara dua variabel Analisis korelasi adalah suatu cara untuk mengetahui ada atau tidak adanya hubungan linier antarvariabel. yaitu membuat diagram pencar.BAB 5 ANALISIS KORELASI DAN REGRESI SEDERHANA 5. 1. korelasi negatif. 3. 2.1. Korelasi positip Korelasi ini terjadi apabila variabel X meningkat maka variabel Y cenderung untuk meningkat pula. dan menghitung koefisien korelasinya.

Dari diagram pencar tersebut. Y • • • • • •• • • Korelasi Positif •• •• • •• Y • •• ••• • • • • • •• • •• X X Korelasi Negatif Modul-STIS 13 . Diagram pencar dari beberapa jenis korelasi. Jika garis naik berarti korelasi positif. jika arah garis menurun berarti korelasi negatif. Dari garis tersebut dapat diketahui korelasi antara kedua variabel tersebut. Tujuan dari diagram pencar adalah untuk mengetahui apakah titik-titik kordinat pada sumbu x dan y tersebut membentuk pola tertentu.▪ Diagram Pencar Untuk menunjukkan ada tidaknya korelasi (hubungan) antara dua variabel (X dan Y) dapat menggunakan diagram pencar yaitu tebaran nilai-nilai dari variabelvariabel tersebut pada sumbu x dan y. jika tidak dapat dibuat sebuah garis berarti tidak ada korelasi. dapat dibuat sebuah garis yang kira-kira membagi dua titik-titik koordinat pada kedua sisi garis. dan jika titik-titik tepat melalui garis berarti korelasinya sempurna.

Y ••• • • •• • • •••• • • • • •• • Y • • • • • Tidak ada korelasi ▪ Koefisien Korelasi X Korelasi sempurna X Untuk mengetahui ada/tidak adanya hubungan antara kedua variabel (X dan Y) dan seberapa erat hubungan kedua variabel tersebut. maka keeratan hubungan antara kedua variabel itu dapat dihitung dengan menggunakan formula korelasi pearson yang diberi simbol dengan ryx atau rxy untuk sampel dan ρyx atau ρxy untuk populasi. Koefisien korelasi Pearson antara dua variabel yang datanya tidak berkelompok: n ∑ ( Xi − X)(Yi − Y) ryx atau rxy = i =1 ∑ (X i − X) 2 ∑ (Yi − Y) 2 i =1 i =1 n n Koefisien korelasi Pearson antara dua variabel yang datanya berkelompok: Modul-STIS 14 . Jika koefisien korelasi bertanda positif (+) maka dapat disimpulkan hubungan kedua variabel positif dan begitu juga halnya bila koefisien korelasi bertanda negatif (-).2. Koefisien Korelasi Pearson Apabila antara dua variabel ( X dan Y) yang masing-masing mempunyai skala pengukuran sekurang-kurangnya interval dan hubungannya merupakan hubungan linier. 5. dapat diketahui dengan menghitung koefisien korelasi dari kedua variabel.

ryx atau rxy = ) (∑ uf u )(∑ vf v ) 2 2 n (∑ u 2 f u ) − ( ∑ uf u ) n(∑ v 2 f v ) − (∑ vf v ) n ∑ uvf − ( u = skala baru dari X v = skala baru dari Y 5. 1988) Modul-STIS 15 . Koefisien korelasi Spearman antara Y dan X atau X dan Y: a) Jika tidak ada data kembar 6 ∑ d i2 n −n i =1 3 n rxy = 1 − di = selisih ranking antara ranking variabel X dan ranking variabel Y n = banyaknya data b) Jika ada data kembar ( n 3 − n) − 6∑ d 2 − i i =1 n Tx +Ty 2 rxy = (n 3 − n )2 − (Tx + Ty )(n 3 − n ) + Tx Ty (Siegel dan Castellan.3. Koefisien Korelasi Spearman Untuk mengukur keeratan hubungan antara dua variabel X dan Y yang keduaduanya mempunyai skala pengukuran sekurang-kurangnya ordinal dapat dihitung dengan menggunakan formula korelasi Spearman.

00 ⇒ Hubungan antara X dan Y sangat erat 5. χ2 = chi-square.40 → < 0. Koefisien Korelasi Data Kualitatif Untuk data kualitatif. Misalnya tinggi dan berat badan seseorang. Contoh lain misalnya produksi padi yang dipengaruhi oleh luas lahan yang ditanami.20 ⇒Hubungan antara X dan Y sangat kecil dan bisa diabaikan 2. Seberapa erat hubungan antara jumlah produksi padi dengan jumlah pupuk yang dipakai (hubungan 2 variabel) dapat diketahui dengan menghitung koefisien korelasi dari 2 variabel tersebut. rxy atau ryx ≥ 0.90 → < 1. koefisien korelasi dapat dihitung dengan menggunakan Contingency Coefficient: Cc = χ2 χ +n 2 .4.20 → < 0.70 ⇒ Hubungan antara X dan Y moderat 4. rxy atau ryx ≥ 0. Hubungan Linier Antara Dua Variabel Sebuah variable hasil observasi besaran data yang diperoleh sangat mungkin dipengaruhi oleh variabel lainnya.70 → < 0.5. rxy atau ryx ≥ 0. rxy atau ryx ≥ 0. rxy atau ryx ≥ 0. jika: 1. jenis pupuk yang dipakai. banyaknya pupuk yang dipakai dsb.Penafsiran Koefisien Korelasi Untuk menentukan keeratan hubungan bisa digunakan kriteria Guilford (1956). Jika hubungan 2 variabel tersebut merupakan hubungan yang linier (positip/negatip) maka dua variabel tersebut dapat dianalisis selanjutnya dengan analisis regresi. Untuk suatu tinggi tertentu ada besaran berat badan yang mempengaruhi atau sebaliknya. 5.40 ⇒ Hubungan antara X dan Y kecil (tidak erat) 3.90 ⇒ Hubungan antara X dan Y erat 5. Modul-STIS 16 .00 → < 0.

Dalam regresi linier sederhana hubungan variabel tersebut dapat dituliskan dalam bentuk model persamaan linier: Untuk populasi: Y = α+βX+ε dimana: Y = variabel dependen/variable respon X = variabel independen / variabel penjelas α = koefisien intercept = titik potong garis regresi dengan sumbu y β = koefisien regresi (slope) ε = error / kekeliruan Untuk sampel: ˆ y = a + bx dimana: ˆ y = nilai ramalan y untuk sejumlah x tertentu a = koefisien intercept b = slope x = variabel independen/variabel penjelas Modul-STIS 17 .5.6. variabel independennya adalah jumlah pupuk (X). Pada contoh produksi padi dan jumlah pupuk yang dipakai. Regresi Linier Sederhana Analisis regresi linier sederhana adalah analisis regresi yang hanya menggunakan 1 variabel independen dan mempunyai hubungan garis lurus dengan variabel dependennya. y=produksi padi dan x = jumlah pupuk. dan variabel dependennya adalah produksi padi (Y). Dengan demikian produksi padi merupakan fungsi dari jumlah pupuk ⇒ y=f(x).

Dari diagram pencar tersebut akan diperoleh gambaran pola tebaran x dan y.x b= ∑ x i yi − (∑ x i )(∑ yi ) (∑ x i ) 2 ∑ xi2 − n n dimana: yi = variabel dependen ke-i xi = variable independen ke-i i = 1. Menghitung koefisien intercept (=a) a = y − b. 2. .7. Membuat diagram pencar dari data x dan y 3. . Tentukan terlebih dahulu variabel independen (x) dan variabel dependennya (y) 2. Modul-STIS 18 ..3. n n = banyaknya observasi ˆ Diperoleh persamaan garis y = a + bx ˆ 5..5. maka model regresinya adalah regresi linier sederhana. Membuat garis y = a + bx pada sumbu x dan y. Menghitung y = a + bx ˆ y = estimasi harga y jika x disubtitusikan kedalam persamaan regresi ˆ 6. 4. Langkah-langkah membuat Regresi Linier Sederhana 1. apakah membentuk hubungan yang linier? Jika ya.

Petak Sawah (1) 1 2 3 4 5 6 7 8 Jumlah Diagram pencar Pencilan=outlier Jumlah pupuk yang dipakai (Kwintal) (2) 1 2 4 5 7 9 10 12 50 Produksi padi (Ton) (3) 2 4 5 7 8 10 12 14 62 16 14 12 10 y 8 6 4 2 0 0 5 x 10 15 Modul-STIS 19 .Contoh: Hasil observasi di desa A diperoleh data jumlah pupuk yang dipakai dan jumlah produksi padi yang dihasilkan pada 8 petak sawah sebagai berikut: No.

Cara menghitung garis regresi: No.04x → x = 0 artinya: jika tidak diberi pupuk → produksi = 1. Petak Sawah (1) Jumlah pupuk yang dipakai (kwintal)=xi (2) Produksi padi (ton)=yi (3) xi2 (4) xiyi (5) ˆ y (6) 1 2 3 4 5 6 7 8 Jumlah 50 = 6.65 13.53 10.25 ˆ y =1.25+1.45 8.61 11.73 x= y= b= (∑ x i )(∑ y i ) (∑ x i ) n 2 n = 499 − ∑ x i2 − (50 )(62 ) 8 = 1.04 502 420 − 8 a = y − bx = 7.25 8 62 = 7.25 ton x =1 artinya: jika diberi pupuk 1 kwintal → produksi akan bertambah sebanyak 1.04 ton Modul-STIS 20 .75 8 ∑ x i yi − 1 2 4 5 7 9 10 12 50 2 4 5 7 8 10 12 14 62 1 4 16 25 49 81 100 144 420 2 8 20 35 56 90 120 168 499 2.04)(6.25) = 1.75 − (1.41 6.29 3.33 5.

Y 12 10 8 6 4 2 0 1 2 3 4 5 6 7 a ˆ y =1.25+1.04x ♦ -------- e ------b b 8 X Modul-STIS 21 .

Data deret waktu yang mengandung variasi sikli (C) adalah data deret waktu yang gerakan grafiknya turun dan naik. indeks musim. Ada data yang mengandung komponen variasi musim dapat dilihat dengan jelas gerakannya sementara komponen lain hampir tidak ada. Fluktuasi ini dipengaruhi oleh perpaduan komponen-komponen trend sekuler. dan sebaliknya.BAB 6 ANALISIS DERET WAKTU 6. dan gerakan sikli murni. Tidak semua data deret waktu mengandung keempat komponen tersebut. Modul-STIS 22 . variasi musim. Data deret waktu yang mengandung variasi random (I) adalah data deret waktu yang gerakannya disebabkan oleh faktor kebetulan/insiden dan sporadis. Dari hasil pengumpulan data dari waktu ke waktu dibuat garis trend. Grafik data ini menunjukkan gerakan yang berayun arah menaik atau menurun. Data yang dikumpulkan dari waktu ke waktu akan berfluktuasi. Data deret waktu yang mengandung variasi musim (S) adalah data deret waktu yang gerakan grafiknya mempunyai pola tetap dari waktu ke waktu yang disebabkan oleh musim. Gerakan ini berulang kembali setelah jangka waktu tertentu tetapi sifatnya tidak periodik. gerakan sikli dan variasi random. Data deret waktu yang mengandung trend sekuler (T) adalah data deret waktu dalam jangka waktu panjang (10 tahun atau lebih). Pengertian tentang Data Deret Waktu Data deret waktu adalah serangkaian data hasil observasi dengan menggunakan runtun waktu (t) sebagai variabel.1.

10 9 N I L A I 8 7 6 5 4 3 2 1 0 0 2 4 6 WAKTU 8 10 Modul-STIS 23 .Data yang dikumpulkan dari waktu ke waktu dapat dituliskan dalam sebuah persamaan garis yaitu: Y′ = T x S x C x I atau Y′ = T + S + C + I T = Trend sekuler S = Variasi musim C = Variasi sikli I = Variasi random Y′ = Garis trend 6. Metode Bebas Yaitu metode membuat garis trend tanpa menggunakan rumus matematika. Cara Menentukan Trend dari Komponen Trend Sekuler 1) Metode bebas 2) Metode rata-rata semi 3) Metode rata-rata bergerak 4) Metode kuadrat terkecil 1.2.

1. (2) 1995 1996 1997 1998 1999 2000 2001 2002 Harga Rata-rata (3) 3000 9000 14000 13000 13500 13750 14000 14000 Semi Total (4) 39000 Setengah Rata-rata (5) 9750 Trend awal Tahun = Y’ (6) 7718. Metode rata-rata semi (setengah rata-rata) ▪ ▪ ▪ Jumlah waktu (tahun) genap dan jumlah komponen dalam kelompok genap. Jumlah waktu (tahun) genap dan jumlah komponen dalam kelompok ganjil.26 12769.52 14828.89 13812.63X Modul-STIS 24 .15 55250 13812.63 11781. Contoh: Jumlah waktu (tahun) genap dan jumlah komponen dalam kelompok ganjil Tahun (1) Kelompok Komponen 1 Kelompok Komponen 2 Y’ = a0 + bX Y’ = nilai trend awal tahun a0 = nilai trend pada periode dasar = a1997 = 9750 b = rata-rata pertambahan trend setiap tahun = x 2 − x 1 13812 . Jumlah waktu (tahun) ganjil.63 n 4 x 1 = setengah rata-rata kelompok komponen 1 x 2 = setengah rata-rata kelompok komponen 2 n = rata-rata jumlah periode setiap komponen = jumlah periode antara x 1 dan x 2 .37 9750 10765.5 X = jumlah unit tahun yang dihitung dari periode dasar ∴ Y’=9750 + 1015.5 − 9750 = = 1015.74 8734.

67 16000 14000 12000 Nilai 10000 8000 6000 4000 2000 0 1994 1996 1998 2000 2002 2004 Tahu n Modul-STIS 25 . dan random yang ada dalam data asal. sikli. a.67 13750. Metode rata-rata bergerak Penggunaan rata-rata bergerak bertujuan untuk mengisolir fluktuasi musim. 2.00 13916.00 13416.00 13500.67 12000. selanjutnya dibuat trend untuk data deret waktu tersebut (kolom 6).Dari nilai trend awal tahun (Y’) yang diperoleh. Sederhana Tahun (1) 1995 1996 1997 1998 1999 2000 2001 2002 Harga Rata-rata (2) 3000 9000 14000 13000 13500 13750 14000 14000 Jumlah Bergerak Selama 3 Tahun (3) 26000 36000 40500 40250 41250 41750 Rata-rata Bergerak Per 3 tahun (4) 8666.

Koefisien Binomial digunakan sebagai pengali untuk menghitung jumlah bergerak 3 tahun dan jumlah koefisien digunakan sebagai pembagi untuk menghitung rata-rata bergerak tertimbang per 3 tahun.5 13750 13937. Koefisien pengali untuk 3 tahunan adalah: 1. Metode Kuadrat Terkecil Bentuk umum model: y’=a+bx Modul-STIS 26 . 2.5 16000 14000 12000 Nilai 10000 8000 6000 4000 2000 0 1994 1996 1998 2000 2002 2004 Tahun 3. Tertimbang Sebagai penimbangnya adalah koefisien Binomial. Tahun 1995 1996 1997 1998 1999 2000 2001 2002 Harga Jumlah Bergerak 3 Rata-rata Tahun 3000 9000 35000 14000 50000 13000 53500 13500 53750 13750 55000 14000 55750 14000 Rata-rata Bergerak Tertimbang Per 3 tahun 8750 12500 13375 13437.b. dan 1 dan jumlah koefisiennya = 1+2+1 = 4.

tahun 2002.95 11175.60 12386. 16000 14000 12000 10000 8000 6000 • • • • 27 • 1996 1998 2000 2002 2004 Modul-STIS 4000 2000 0 1994 .65 168 y’=11781.d. Contoh: Tahun 1995 1996 1997 1998 1999 2000 2001 2002 Jumlah a= b= xi -7 -5 -3 -1 1 3 5 7 0 Harga Ratarata (yi) 3000 9000 14000 13000 13500 13750 14000 14000 94250 xiyi -21000 -45000 -42000 -13000 13500 41250 70000 98000 101750 xi2 49 25 9 1 1 9 25 49 168 y’ 9358.85 94250 = 11781.65 9964.25 8 101750 = 605.55 13598.90 12992. kemudian dibuat garis trendnya.98 atau 1 Jan ’99). Setelah nilai Y’ diperoleh untuk tahun 1995 s. waktu (tahun) diberi skala baru (x) sehingga Σxi=0 → X = 0 .a = y − bx b= ∑ x i yi − (∑ x i )(∑ yi ) (∑ x i ) 2 ∑ xi2 − n n Untuk mempermudah perhitungan.20 14203.65xi dengan tahun dasar 1998 – 1999 = 0 (31 Des.30 10569.25+605.

bahkan jumlah jam kerja setiap hari dapat berbedabeda. panas. musim hujan. Setelah data deret berkala terbebas dari T. Dengan mengetahui pola variasi ini (ada atau tidak ada gerakan musim) seorang usahawan/wati dapat mengambil kebijakan untuk kegiatan perusahaannya (untuk penggunaan tenaga kerja.6. dsb) dan faktor kebiasaan/tradisi (lebaran. Oleh karenanya keseragaman jumlah hari tiap-tiap bulan harus diperhatikan sebelum data deret berkala tersebut diukur variasi musimnya. bulog misalnya untuk persediaan beras masyarakat dan lain sebagainya). mingguan. persediaan bahan baku. Cara Menghitung Variasi Musim dan Indeks Musim Data deret berkala yang berfluktuasi bisa disebabkan oleh faktor alami (misalnya saat panen. tahun baru dsb).Periode pengumpulan data: tahunan. data deret berkala harus dibebaskan dari T. Misalnya pada bulan Januari (jumlah hari kerja untuk produksi= 25 hari)=125 ton. pada bulan Februari (jumlah hari kerja untuk produksi= 22 hari)=110 ton Adanya perbedaan jumlah produksi bukan berarti ada penurunan antara bulan Januari dan Februari.3. Kalau data tersebut bulanan. ada yang 30 ada yang 29 atau ada yang 31 hari. Dengan demikian sedikit atau banyaknya hasil produksi harus dilihat jumlah hari produksinya. paceklik. Untuk menghitung variasi musim. harian dsb. bulanan. Vs dan R. C dan I maka yang tersisa adalah data deret berkala yang mengandung S saja. perlu diperhatikan bahwa jumlah hari masing-masing bulan tidak sama. Dari data yang mengandung S ini Modul-STIS 28 .

. .80 = 0.bisa dibuat Indeks Musim. Penyeragaman dilakukan dengan cara sebagai berikut: Tahun 2000 Bulan Januari Februari Maret .84 = 1. Ada beberapa cara untuk menghitung Variasi Musim dan Indeks Musim. 1. Dengan penyeragaman ini perbedaan data tiap bulan bukan dikarenakan jumlah hari kerja/jam kerja yang berlainan.0 300 Modul-STIS 29 . Indeks musim dari data bulanan menggambarkan gerakan musim tiap-tiap bulan. Metode rata-rata bergerak 12 bulan Sebelum data hasil observasi diolah. pertama yang harus dilakukan adalah menyeragamkan jumlah jam kerja/jumlah hari kerja per bulan. Desember Jumlah Jumlah Hari Kerja 20 21 25 20 : 21 : 25 : 300 12 300 12 300 12 Faktor Pengali = 0.

.40/149.8 2 Rata-rata Rata-rata bergerak Persentase Bergerak 12 bln terpusat Bergerak 12 bln (4) (5) (6) Rata-rata 2001 2002 Peb Maret Apr Mei Juni 145.68% Modul-STIS 30 .Bulan Januari Februari Maret .3 7 (147.11+148.32% (147.5 12 x 1/0. Des Jan 148. .2 5 Jan 157. .5 5 Juli 147. . .86 (148. X Faktor Pengali = yi baru 10 x 1/0. .87+149.87 149.84 = 14.4 8 Agst 147.4 0 Sept . Desember Produksi (Ton)=yi 10 12 9 Prod.87)/2=148.29 9x 1=9 Dst Data deret waktu disusun kembali sebagai berikut: Tahun Bulan Yi Baru (1) 2000 (2) Jan (3) 148.49)x100%=99.37)x100%=98. Des 152.86)/2=149.9 4 .47/148.11 148.4 9 (148.80 = 12.

Modul-STIS 31 .32=103. Dengan cara melakukan pengrata-rataan bulanan dari data 3 tahun. Menghilangkan gerakan residu / random.78 1200 Jika ada nilai ekstrim pada data di kolom (2). sebagai berikut: Bulan 2000 2001 2002 (3) (4) Rata-rata= (2)+(3)+(4)/ 3 (5) Adjusted=Indeks Musim (6) (1) (2) Januari Februari Maret Apr Mei Juni Juli 99. (3). sebaiknya digunakan median (bukan rata-rata hitung). (3). 2. dan (4). Desember Catatan: - 103. 2. 10 tahun maka gerakan siklis akan terbebas lebih banyak lagi dari data tersebut (lihat kolom 5). Metode Rata-rata Sederhana Langkah-langkah menghitung Indeks Musim 1. Jika data observasi tersedia lebih dari 3 tahun s.60 1. .196.78)x103. .78)x103.68 . data terbebas dari gerakan / fluktuasi random dan sedikit gerakan siklis.d.36=103. Akibat pengrata-rataan ini.Data yang diperoleh di kolom (6) disusun kembali kedalam kolom (2).32 Agst 98.36 103. Berarti data di kolom 5 merupakan data deret berkala yang mengandung T dan S. dan (4).32 (1200/1196.64 (1200/1196.

5 14.Data Deret Berkala Bulan 2000 (1) Januari Februari Maret .43 12 Perlu bantuan kolom 6. .29 9 Yi 2001 (3) 12 11 12 2002 (4) 13 12 15 Rata-rata Bulanan (yi) (5) 12. Skala Xi (6) XiYi (7) Xi2 (8) Trend (9) Januari Februari Maret April Mei Juni Juli Agustus September Oktober Nopember Desember Jumlah -11 -9 -7 -5 -3 -1 1 3 5 7 9 11 0 -121 -99 -84 ΣXiYi 121 81 49 25 9 1 1 9 25 49 81 121 572 0 2b 4b 6b 8b Berarti Unit x = ½ bulanan b= ∑ Xi Yi ∑ Xi 2 = pertambahan trend ½ bulanan ∴ Pertambahan trend bulanan = 2b ⇒ Kolom 9 Modul-STIS 32 .7.8.50 12. Desember (2) 12. .

3.d. dst Data bulan Februari (kol 5) dipengaruhi oleh trend sebesar 2b. Data di kolom (11) menggambarkan gerakan musiman tiap-tiap bulan dalam bentuk indeks musim. Untuk menghitung indeks musim = dataKol(10) x100 % = menggambarkan ( Vm / 12) gerakan musiman tiap-tiap bulan dalam bentuk indeks. Unit U = ½ bulanan → 30 Juni 2001 Data diurutkan dari Januari 2000 s.84%) dari produksi rata-rata bulanan tahun ΣS bersangkutan. Misal = 112. 2. maka pertambahan trend bulan Januari=0 → Produksi bulan Januari tidak terpengaruh oleh trend. 4. kegiatan produksi dan sebagainya. Lihat kolom 11 S=Variasi Musim (10) (5) – (9) Indeks Musim (11) (10 ) ∑(10 ) . Data di kolom (5) jika dikurangi dengan pertambahan trendnya ⇒ data deret berkala yang hanya mengandung S murni (kol 10). Pertambahan trend Februari = 2b Pertambahan trend Maret = 4b. Membuat rencana mengenai persediaan barang/bahan. Dari gerakan tersebut dapat dilakukan: 1. penggunaan tenaga kerja.84 12 Artinya produksi bulan Januari lebih banyak (12. Melakukan ekstrapolasi. Desember 2002 a = ∑ yi 36 b= ∑ UY ∑ U2 = ½ bulanan 33 Modul-STIS .Jika dianggap periode dasar adalah bulan Januari.

d.84% berarti juga bahwa produksi bulan Januari 2000 sebesar 112. ∴ Produksi S= Indeks Musim Ekstrapolasi s. Desember 3.84% dari produksi bila tidak ada variasi musim.d. Desember 2002 Kolom (11) Januari 2000 yang tidak mengandung Pr oduksiJanuari2000 IndeksMusimJanuari2000 Modul-STIS 34 .y’=a+bU Nilai Trend Januari 2003 ⇒ y’=a+b. . Menghitung data yang tidak mengandung S. Desember) Tahun 2003 Bulan (1) Januari Nilai Trend (2) Produksi Tahun 2003 (3) (4) Indeks Musim Januari (2) . Indeks musim bulan Januari 2000 = 112. . (3) 2000 .(37) Nilai Trend Februari 2003 = Nilai trend Januari 2003 + 2b Nilai Trend Maret 2003 = Nilai trend Februari 2003 + 2b Dari sini diperoleh data Tahun 2003 (Januari s.

Des Jan Feb . diperoleh variasi sikli sebagai berikut: Thn (1) 200 0 Bulan (2) Jan Feb . Des -1 +1 Yi Baru (3) Xi (4) -35 XiY i (5) Xi 2 Trend (7) Indeks Musim (8) Trend xS (9) (7)x(8) CxI (10) (3): (9)x100 (6) Jumlah bergerak 3 bulan tertimbang (11) Relatif Sikli (12) 200 1 200 2 +35 0 Modul-STIS 35 .6. . .4. Dengan menggunakan data yang diperoleh pada tabel indeks musim. . Juni Juli . . Des Jan . Cara Menghitung Gerakan Sikli Murni Penggunaan data bulanan atau kuartalan akan lebih baik untuk mendapatkan/melihat variasi sikli.

Inc. Statistical Techniques in Businned Economic. Draper. John Willey & Sons. edisi kelima Hasan. Statistik Teori dan Aplikasi Jilid I. 1999. Ir. Jakarta Modul-STIS 36 .Daftar Pustaka Andersen. Wathen Samuel A. Houghton Mifflin Company. M. Bumi Aksara.W. and Smith H. Pengantar Metode Statistik Jilid I. Pokok-Pokok Materi Statistik 1. Mc Graw-Hill Supranto. Lind Douglas A. Johannes. Second Edition. Marchal William G. Second Edition.. Twelfth Edition. 1986. LP3ES. Stanley. Applied Regression Analysis. The Statistical Analysis of Data. Dayan Anto. USA.R. T. International Edition. N. Iqbal. dan Sclove L.

Sign up to vote on this title
UsefulNot useful