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

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

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

qt Iq = ---- 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

17,3 20,2 20,4 22,3 24,2 21,2

(17,3:20,4) x 100 = 84,8 (20,2:20,4) x 100 = 99,0 100 (22,3:20,4) x 100 = 109,3 (24,2:20,4) x 100 = 118,6 (21,2:20,4) x 100 = 103,9

Indeks tahun 2000 = 103,9 berarti produksi tahun 2000 naik 3,9% bila dibandingkan dengan periode dasar 1997 4.2.2. Angka Indeks Agregatif Sederhana (Tak Tertimbang) Indeks agregatif adalah indeks dari beberapa jenis barang (2 atau lebih). Setiap jenis barang ((komoditi) memiliki peranan yang sama dengan komoditi lainnya, tidak satu komoditipun dimodifikasi untuk menyatakan bahwa suatu komoditi lebih penting dari yang lain. Kualitas setiap jenis barang dipilih dari kelompok besar jenis barang tersebut. Gabungan dari beberapa jenis barang dengan kualitas tertentu biasanya disebut basket comoditi. Basket comoditi ini biasanya mencakup barang-barang yang penting yang akan mewakili kelompoknya.

Modul-STIS

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 = 100,75 6675

Kualitas IR-4 Sedang Bimoli SHS No.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. 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. b. Harga yang naik adalah garam, dari 50 menjadi 100, harga komoditi ini terendah, sehingga hanya menaikkan indeks menjadi 100,75. Apabila harga yang meningkat menjadi dua kali lipat adalah kemeja lengan pendek maka indeks menjadi:
Ip = pt x100 = po

10675 x100 = 159,93 6675

Jenis Barang

Kualitas

Satuan

Harga Bulan-0

Harga Bulan-t

Modul-STIS

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.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. 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 = 111,11 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

Kemeja Lengan Pendek Jumlah

4000 X

4000 X

8000 X

100 1000

200 1000

Berdasarkan indeks relatif harga peranan setiap komoditi menjadi sama. 4.2.3. Angka Indeks Agregatif Tertimbang Penimbang atau bobot untuk suatu komoditi dimaksudkan untuk menunjukkan peranan (betapa pentingnya) suatu komoditi terhadap komoditi lainnya. 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, yaitu:

Modul-STIS

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 .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 .IPq IL p =

Indeks Kuantitas

IMEq =

q t ( po + p t ) x100 q o ( po + p t )

Penimbang dapat berbentuk produksi, nilai konsumsi atau nilai yang diperdagangkan yang ditentukan oleh tersedianya data dan eratnya hubungan penimbang dengan yang ditimbang. Catatan: 1. Indeks Laspeyres menggunakan penimbang keadaan tahun dasar. Indeks ini hanya baik bila fluktuasi penimbang relatif rendah seperti pola konsumsi masyarakat yang lambat pertumbuhannya. 2. Indeks Paasche menggunakan penimbang keadaan tahun yang sedang berjalan. Sangat baik untuk perhitungan indeks yang penimbangnya berubah-ubah cukup drastis. Sayangnya biaya pengumpulan data penimbang cukup mahal. 3. Indeks lainnya merupakan modifikasi dari Laspeyres dan Paasche, hanya Fisher yang sering dipakai. Indeks yang baik adalah a. b. Yang tertimbang, sehingga setiap komoditi sesuai dengan peranannya. Tergantung dari fluktuasi penimbang, bila relatif konstan pakailah indeks

tertimbang Laspeyres, dan bila erratic pakailah Paasche. c. Secara teori, indeks tertimbang Fisher yang terbaik. Menguji Indeks:

Modul-STIS

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. 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. 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. 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. 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. Indeks Berantai Tahun dasar dibuat berurutan, artinya tahun dasar berubah-ubah. Cara ini mempermudah menilai perkembangan dari tahun ke tahun, tetapi karena tahun dasar yang berubah-ubah mengakibatkan ada kemungkinan tahun dasar tidak terletak pada keadaan normal; juga disebut perhitungan composite indices. Contoh: Modul-STIS 9

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 tahun dasar 1998 I2000 = (21/14)x100=150 tahun dasar 1999 (Harga-harga tahun 1999 naik sebesar 16,67% dari tahun 1998 dan harga-harga tahun 2000 naik 50% dari tahun 1999). Indeks Laspeyres
IL1 = p1qo po qo

Biasa
xIL o IL1 =

p1qo po qo

Berantai
xIL o

= (56/48)X100 = 116,67
IL 2 = p 2 qo xIL o p o qo

IL1 = 116,67
IL 2 = p 2 qo xIL1 p1 q o

= (84/48)x100 = 175

= (84/56)x116,67 = 175

(Indeks berantai Laspeyres ternyata tidak bias bila dibandingkan dengan indeks biasa).

Catatan: a. Perhitungan dengan cara biasa lebih lengkap lebih baik, asalkan barang dalam basket belum banyak berubah. b. Perhitungan menggunakan berantai lebih baik, terutama bila ratio senantiasa dapat digantikan dengan komoditi yang gerakannya searah/semacam.

Modul-STIS

10

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 .5 + 10 .4 x100 = 140,24 10.5 + 8.4 20 .5 + 15.4 x100 = 195,12 10 .5 + 8.4

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 .3 + 8 .4 x100 = 51,67 20.3 + 15 .4 15 .3 + 10 .4 x100 = 70 ,83 20.3 + 15 .4

Modul-STIS

11

BAB 5 ANALISIS KORELASI DAN REGRESI SEDERHANA 5.1. Pengertian tentang hubungan antara dua variabel Analisis korelasi adalah suatu cara untuk mengetahui ada atau tidak adanya hubungan linier antarvariabel, misalnya hubungan linier dua variabel. Apabila terdapat hubungan maka perubahan-perubahan yang terjadi pada salah satu variabel (X) akan mengakibatkan terjadinya perubahan pada variabel lainnya (Y). Korelasi yang terjadi antara dua variabel dapat berupa korelasi positif, korelasi negatif, tidak ada korelasi, ataupun korelasi sempurna. 1. Korelasi positip Korelasi ini terjadi apabila variabel X meningkat maka variabel Y cenderung untuk meningkat pula. 2. Korelasi negatif Korelasi ini terjadi apabila variabel X meningkat maka variabel Y cenderung menurun. 3. Tidak ada korelasi Korelasi ini terjadi apabila kedua variabel (X dan Y) tidak menunjukkan adanya hubungan 4. Korelasi sempurna Korelasi ini terjadi apabila kenaikan/penurunan variabel X selalu sebanding dengan kenaikan/penurunan variabel Y (berada pada satu garis lurus). Teknik untuk mengetahui ada tidaknya korelasi antara 2 variabel dapat dilakukan melalui beberapa cara, yaitu membuat diagram pencar, dan menghitung koefisien korelasinya.

Modul-STIS

12

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. Tujuan dari diagram pencar adalah untuk mengetahui apakah titik-titik kordinat pada sumbu x dan y tersebut membentuk pola tertentu. Dari diagram pencar tersebut, dapat dibuat sebuah garis yang kira-kira membagi dua titik-titik koordinat pada kedua sisi garis. Dari garis tersebut dapat diketahui korelasi antara kedua variabel tersebut. Jika garis naik berarti korelasi positif, jika arah garis menurun berarti korelasi negatif, jika tidak dapat dibuat sebuah garis berarti tidak ada korelasi, dan jika titik-titik tepat melalui garis berarti korelasinya sempurna. Diagram pencar dari beberapa jenis korelasi.

Y Korelasi Positif

Korelasi Negatif

Modul-STIS

13

Tidak ada korelasi Koefisien Korelasi

Korelasi sempurna

Untuk mengetahui ada/tidak adanya hubungan antara kedua variabel (X dan Y) dan seberapa erat hubungan kedua variabel tersebut, dapat diketahui dengan menghitung koefisien korelasi dari kedua variabel. Jika koefisien korelasi bertanda positif (+) maka dapat disimpulkan hubungan kedua variabel positif dan begitu juga halnya bila koefisien korelasi bertanda negatif (-). 5.2. Koefisien Korelasi Pearson Apabila antara dua variabel ( X dan Y) yang masing-masing mempunyai skala pengukuran sekurang-kurangnya interval dan hubungannya merupakan hubungan linier, maka keeratan hubungan antara kedua variabel itu dapat dihitung dengan menggunakan formula korelasi pearson yang diberi simbol dengan ryx atau rxy untuk sampel dan yx atau xy 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

Koefisien korelasi Pearson antara dua variabel yang datanya berkelompok: Modul-STIS 14

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 5.3. 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. 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, 1988)

Modul-STIS

15

Penafsiran Koefisien Korelasi Untuk menentukan keeratan hubungan bisa digunakan kriteria Guilford (1956), jika: 1. rxy atau ryx 0,00 < 0,20 Hubungan antara X dan Y sangat kecil dan bisa diabaikan 2. rxy atau ryx 0,20 < 0,40 Hubungan antara X dan Y kecil (tidak erat) 3. rxy atau ryx 0,40 < 0,70 Hubungan antara X dan Y moderat 4. rxy atau ryx 0,70 < 0,90 Hubungan antara X dan Y erat 5. rxy atau ryx 0,90 < 1,00 Hubungan antara X dan Y sangat erat 5.4. Koefisien Korelasi Data Kualitatif Untuk data kualitatif, koefisien korelasi dapat dihitung dengan menggunakan Contingency Coefficient:
Cc = 2 +n
2

; 2 = chi-square.

5.5. Hubungan Linier Antara Dua Variabel Sebuah variable hasil observasi besaran data yang diperoleh sangat mungkin dipengaruhi oleh variabel lainnya. Misalnya tinggi dan berat badan seseorang. Untuk suatu tinggi tertentu ada besaran berat badan yang mempengaruhi atau sebaliknya. Contoh lain misalnya produksi padi yang dipengaruhi oleh luas lahan yang ditanami, jenis pupuk yang dipakai, banyaknya pupuk yang dipakai dsb. 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. Jika hubungan 2 variabel tersebut merupakan hubungan yang linier (positip/negatip) maka dua variabel tersebut dapat dianalisis selanjutnya dengan analisis regresi.

Modul-STIS

16

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

dimana:
y = nilai ramalan y untuk sejumlah x tertentu

a = koefisien intercept b = slope x = variabel independen/variabel penjelas

Modul-STIS

17

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

Modul-STIS

18

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. 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

10

15

Modul-STIS

19

Cara menghitung garis regresi: No. Petak Sawah

(1)

Jumlah pupuk yang dipakai (kwintal)=xi

(2)

Produksi padi (ton)=yi

(3)

xi2
(4)

xiyi
(5)

y
(6)

1 2 3 4 5 6 7 8 Jumlah
50 = 6,25 8 62 = 7,75 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

2,29 3,33 5,41 6,45 8,53 10,61 11,65 13,73

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 = 7,75 (1,04)(6,25) = 1,25

y =1,25+1,04x

x = 0 artinya: jika tidak diberi pupuk produksi = 1,25 ton x =1 artinya: jika diberi pupuk 1 kwintal produksi akan bertambah sebanyak 1,04 ton

Modul-STIS

20

12 10 8 6 4 2 0 1 2 3 4 5 6 7
a

y =1,25+1,04x

--------

e ------b

Modul-STIS

21

BAB 6 ANALISIS DERET WAKTU 6.1. Pengertian tentang Data Deret Waktu Data deret waktu adalah serangkaian data hasil observasi dengan menggunakan runtun waktu (t) sebagai variabel. Dari hasil pengumpulan data dari waktu ke waktu dibuat garis trend, indeks musim, dan gerakan sikli murni. Data yang dikumpulkan dari waktu ke waktu akan berfluktuasi. Fluktuasi ini dipengaruhi oleh perpaduan komponen-komponen trend sekuler, variasi musim, 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). Grafik data ini menunjukkan gerakan yang berayun arah menaik atau menurun. 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. Data deret waktu yang mengandung variasi sikli (C) adalah data deret waktu yang gerakan grafiknya turun dan naik. Gerakan ini berulang kembali setelah jangka waktu tertentu tetapi sifatnya tidak periodik. Data deret waktu yang mengandung variasi random (I) adalah data deret waktu yang gerakannya disebabkan oleh faktor kebetulan/insiden dan sporadis. Tidak semua data deret waktu mengandung keempat komponen tersebut. Ada data yang mengandung komponen variasi musim dapat dilihat dengan jelas gerakannya sementara komponen lain hampir tidak ada, dan sebaliknya.

Modul-STIS

22

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 6.2. 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. Metode Bebas Yaitu metode membuat garis trend tanpa menggunakan rumus matematika.
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

1. 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. Jumlah waktu (tahun) ganjil. 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 ,5 9750 = = 1015,63 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 .

(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) 7718,74 8734,37 9750 10765,63 11781,26 12769,89 13812,52 14828,15

55250

13812,5

X = jumlah unit tahun yang dihitung dari periode dasar Y=9750 + 1015,63X

Modul-STIS

24

Dari nilai trend awal tahun (Y) yang diperoleh, selanjutnya dibuat trend untuk data deret waktu tersebut (kolom 6).

2. Metode rata-rata bergerak Penggunaan rata-rata bergerak bertujuan untuk mengisolir fluktuasi musim, sikli, dan random yang ada dalam data asal. a. 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) 8666,67 12000,00 13500,00 13416,67 13750,00 13916,67

16000 14000 12000 Nilai 10000 8000 6000 4000 2000 0 1994 1996 1998 2000 2002 2004 Tahu n

Modul-STIS

25

b. Tertimbang Sebagai penimbangnya adalah koefisien Binomial. 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. Koefisien pengali untuk 3 tahunan adalah: 1, 2, dan 1 dan jumlah koefisiennya = 1+2+1 = 4. 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 13437,5 13750 13937,5

16000 14000 12000 Nilai 10000 8000 6000 4000 2000 0 1994 1996 1998 2000 2002 2004 Tahun

3. Metode Kuadrat Terkecil Bentuk umum model: y=a+bx Modul-STIS 26

a = y bx
b= x i yi ( x i )( yi ) ( x i ) 2 xi2 n n

Untuk mempermudah perhitungan, waktu (tahun) diberi skala baru (x) sehingga xi=0 X = 0 . 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 9358,65 9964,30 10569,95 11175,60 12386,90 12992,55 13598,20 14203,85

94250 = 11781,25 8 101750 = 605,65 168

y=11781,25+605,65xi dengan tahun dasar 1998 1999 = 0 (31 Des;98 atau 1 Jan 99). Setelah nilai Y diperoleh untuk tahun 1995 s.d. tahun 2002, kemudian dibuat garis trendnya.

16000 14000 12000 10000 8000 6000

27
1996 1998 2000 2002 2004

Modul-STIS 4000
2000 0 1994

6.3. Cara Menghitung Variasi Musim dan Indeks Musim

Data deret berkala yang berfluktuasi bisa disebabkan oleh faktor alami (misalnya saat panen, paceklik, musim hujan, panas, dsb) dan faktor kebiasaan/tradisi (lebaran, tahun baru dsb).Periode pengumpulan data: tahunan, bulanan, mingguan, harian dsb. Dengan mengetahui pola variasi ini (ada atau tidak ada gerakan musim) seorang usahawan/wati dapat mengambil kebijakan untuk kegiatan perusahaannya (untuk penggunaan tenaga kerja; persediaan bahan baku; bulog misalnya untuk persediaan beras masyarakat dan lain sebagainya). Kalau data tersebut bulanan, perlu diperhatikan bahwa jumlah hari masing-masing bulan tidak sama, ada yang 30 ada yang 29 atau ada yang 31 hari, bahkan jumlah jam kerja setiap hari dapat berbedabeda. Dengan demikian sedikit atau banyaknya hasil produksi harus dilihat jumlah hari produksinya. 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. Oleh karenanya keseragaman jumlah hari tiap-tiap bulan harus diperhatikan sebelum data deret berkala tersebut diukur variasi musimnya.

Untuk menghitung variasi musim, data deret berkala harus dibebaskan dari T, Vs dan R. Setelah data deret berkala terbebas dari T, C dan I maka yang tersisa adalah data deret berkala yang mengandung S saja. Dari data yang mengandung S ini

Modul-STIS

28

bisa dibuat Indeks Musim. Indeks musim dari data bulanan menggambarkan gerakan musim tiap-tiap bulan. Ada beberapa cara untuk menghitung Variasi Musim dan Indeks Musim. 1. 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. Dengan penyeragaman ini perbedaan data tiap bulan bukan dikarenakan jumlah hari kerja/jam kerja yang berlainan. Penyeragaman dilakukan dengan cara sebagai berikut: Tahun 2000 Bulan Januari Februari Maret . . . Desember Jumlah Jumlah Hari Kerja 20 21 25 20 : 21 : 25 :
300 12 300 12 300 12

Faktor Pengali = 0,80 = 0,84 = 1,0

300

Modul-STIS

29

Bulan Januari Februari Maret . . . Desember

Produksi (Ton)=yi 10 12 9

Prod. X Faktor Pengali = yi baru 10 x 1/0,80 = 12,5 12 x 1/0,84 = 14,29 9x 1=9 Dst

Data deret waktu disusun kembali sebagai berikut: Tahun Bulan Yi Baru (1) 2000 (2) Jan (3) 148,8 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 145,5 5 Juli 147,4 8 Agst 147,4 0 Sept . . . Des 152,2 5 Jan 157,9 4 . . . Des Jan

148,11 148,87 149,86

(148,11+148,87)/2=148,4 9 (148,87+149,86)/2=149,3 7

(147,47/148.49)x100%=99,32% (147,40/149,37)x100%=98,68%

Modul-STIS

30

Data yang diperoleh di kolom (6) disusun kembali kedalam kolom (2); (3); dan (4), 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 99,32 Agst 98,68 . . . Desember Catatan:

103,36 103,32

(1200/1196,78)x103,36=103,64 (1200/1196,78)x103,32=103,60

1.196,78

1200

Jika ada nilai ekstrim pada data di kolom (2), (3), dan (4), sebaiknya digunakan median (bukan rata-rata hitung). 2. Metode Rata-rata Sederhana Langkah-langkah menghitung Indeks Musim 1. Menghilangkan gerakan residu / random. Dengan cara melakukan pengrata-rataan bulanan dari data 3 tahun. Akibat pengrata-rataan ini, data terbebas dari gerakan / fluktuasi random dan sedikit gerakan siklis. Jika data observasi tersedia lebih dari 3 tahun s.d. 10 tahun maka gerakan siklis akan terbebas lebih banyak lagi dari data tersebut (lihat kolom 5). 2. Berarti data di kolom 5 merupakan data deret berkala yang mengandung T dan S.

Modul-STIS

31

Data Deret Berkala Bulan 2000 (1) Januari Februari Maret . . . Desember (2) 12,5 14,29 9 Yi 2001 (3) 12 11 12 2002 (4) 13 12 15 Rata-rata Bulanan (yi) (5) 12,50 12,43 12

Perlu bantuan kolom 6,7,8. 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

XiYi

121 81 49 25 9 1 1 9 25 49 81 121 572

0 2b 4b 6b 8b

Berarti Unit x = bulanan

b= Xi Yi Xi 2

= pertambahan trend bulanan

Pertambahan trend bulanan = 2b Kolom 9

Modul-STIS

32

Jika dianggap periode dasar adalah bulan Januari, maka pertambahan trend bulan Januari=0 Produksi bulan Januari tidak terpengaruh oleh trend. Pertambahan trend Februari = 2b Pertambahan trend Maret = 4b, dst Data bulan Februari (kol 5) dipengaruhi oleh trend sebesar 2b. 3. Data di kolom (5) jika dikurangi dengan pertambahan trendnya data deret berkala yang hanya mengandung S murni (kol 10). 4. Untuk menghitung indeks musim =
dataKol(10) x100 % = menggambarkan ( Vm / 12)

gerakan musiman tiap-tiap bulan dalam bentuk indeks. Lihat kolom 11 S=Variasi Musim (10) (5) (9) Indeks Musim (11)
(10 ) (10 ) . Misal = 112,84 12

Artinya produksi bulan Januari lebih banyak (12,84%) dari produksi rata-rata bulanan tahun S bersangkutan.

Data di kolom (11) menggambarkan gerakan musiman tiap-tiap bulan dalam bentuk indeks musim. Dari gerakan tersebut dapat dilakukan: 1. Membuat rencana mengenai persediaan barang/bahan, penggunaan tenaga kerja, kegiatan produksi dan sebagainya. 2. Melakukan ekstrapolasi. Unit U = bulanan 30 Juni 2001 Data diurutkan dari Januari 2000 s.d. Desember 2002
a = yi 36

b=

UY U2

= bulanan 33

Modul-STIS

y=a+bU Nilai Trend Januari 2003 y=a+b.(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.d. Desember) Tahun 2003 Bulan (1) Januari Nilai Trend (2) Produksi Tahun 2003 (3) (4) Indeks Musim Januari (2) . (3) 2000 . . . Desember 3. Menghitung data yang tidak mengandung S. Indeks musim bulan Januari 2000 = 112,84% berarti juga bahwa produksi bulan Januari 2000 sebesar 112,84% dari produksi bila tidak ada variasi musim. Produksi
S=

Indeks Musim

Ekstrapolasi

s.d.

Desember

2002 Kolom (11)

Januari

2000

yang

tidak

mengandung

Pr oduksiJanuari2000 IndeksMusimJanuari2000

Modul-STIS

34

6.4.

Cara Menghitung Gerakan Sikli Murni Penggunaan data bulanan atau kuartalan akan lebih baik untuk

mendapatkan/melihat variasi sikli. Dengan menggunakan data yang diperoleh pada tabel indeks musim, diperoleh variasi sikli sebagai berikut:
Thn (1) 200 0 Bulan (2) Jan Feb . . Des Jan Feb . . Juni Juli . . Des Jan . . 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

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

Modul-STIS

36