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

3:20.2:20.3 24.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. Basket comoditi ini biasanya mencakup barang-barang yang penting yang akan mewakili kelompoknya.0 100 (22.3:20.4) x 100 = 109.9% bila dibandingkan dengan periode dasar 1997 4.6 (21. Kualitas setiap jenis barang dipilih dari kelompok besar jenis barang tersebut.qt Iq = ---.4) x 100 = 99. tidak satu komoditipun dimodifikasi untuk menyatakan bahwa suatu komoditi lebih penting dari yang lain.4) x 100 = 103.4) x 100 = 118. Gabungan dari beberapa jenis barang dengan kualitas tertentu biasanya disebut basket comoditi.2 21.8 (20.3 (24. Angka Indeks Agregatif Sederhana (Tak Tertimbang) Indeks agregatif adalah indeks dari beberapa jenis barang (2 atau lebih).4 22. Setiap jenis barang ((komoditi) memiliki peranan yang sama dengan komoditi lainnya.2:20.2 (17.2:20.3 20.2.2.2 20.4) x 100 = 84.9 Indeks tahun 2000 = 103. Modul-STIS 4 .9 berarti produksi tahun 2000 naik 3.

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. Apabila harga yang meningkat menjadi dua kali lipat adalah kemeja lengan pendek maka indeks menjadi: Ip = ∑pt x100 = ∑ po 10675 x100 = 159. dari 50 menjadi 100.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.93 6675 Jenis Barang Kualitas Satuan Harga Bulan-0 Harga Bulan-t Modul-STIS 5 . b. Harga yang naik adalah garam.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.75. sehingga hanya menaikkan indeks menjadi 100.75 6675 Kualitas IR-4 Sedang Bimoli SHS No.

11 9 1000 x100 = 111.1 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. k = banyaknya jenis barang (komoditi)  o Ip = k I p1 = I p2 = 1000 x100 = 111. Indeks Relatif Harga Relatif harga (RH) masing-masing komoditi =  p t x100 =   po  p ∑ t p x100   .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 .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.

4. 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. Pada contoh 9 jenis barang. Ada beberapa jenis formula untuk indeks agregatif tertimbang. Angka Indeks Agregatif Tertimbang Penimbang atau bobot untuk suatu komoditi dimaksudkan untuk menunjukkan peranan (betapa pentingnya) suatu komoditi terhadap komoditi lainnya.Kemeja Lengan Pendek Jumlah 4000 X 4000 X 8000 X 100 1000 200 1000 Berdasarkan indeks relatif harga peranan setiap komoditi menjadi sama. yaitu: Modul-STIS 7 .3.2.

Catatan: 1. 3.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. b. Indeks Laspeyres menggunakan penimbang keadaan tahun dasar. Tergantung dari fluktuasi penimbang. Menguji Indeks: Modul-STIS 8 . Indeks lainnya merupakan modifikasi dari Laspeyres dan Paasche. Sayangnya biaya pengumpulan data ’penimbang’ cukup mahal. Secara teori. nilai konsumsi atau nilai yang diperdagangkan yang ditentukan oleh tersedianya data dan eratnya hubungan penimbang dengan yang ditimbang. dan bila erratic pakailah Paasche. sehingga setiap komoditi sesuai dengan peranannya.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 . c. Yang tertimbang. hanya Fisher yang sering dipakai. Indeks yang baik adalah a. Indeks Paasche menggunakan penimbang keadaan tahun yang sedang berjalan. Indeks ini hanya baik bila fluktuasi penimbang relatif rendah seperti pola konsumsi masyarakat yang lambat pertumbuhannya. indeks tertimbang Fisher yang terbaik. bila relatif konstan pakailah indeks tertimbang Laspeyres. Sangat baik untuk perhitungan indeks yang penimbangnya berubah-ubah cukup drastis. 2.

juga disebut perhitungan composite indices. artinya tahun dasar berubah-ubah. • 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. Contoh: Modul-STIS 9 . 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.• 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. tetapi karena tahun dasar yang berubah-ubah mengakibatkan ada kemungkinan tahun dasar tidak terletak pada keadaan ‘normal’. Indeks Berantai Tahun dasar dibuat berurutan. 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.

Catatan: a. Perhitungan menggunakan ‘berantai’ lebih baik.67 → tahun dasar 1998 I2000 = (21/14)x100=150 → tahun dasar 1999 (Harga-harga tahun 1999 naik sebesar 16.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. Modul-STIS 10 . terutama bila ratio senantiasa dapat digantikan dengan komoditi yang gerakannya searah/semacam.67% dari tahun 1998 dan harga-harga tahun 2000 naik 50% dari tahun 1999). b.67 = 175 (Indeks berantai Laspeyres ternyata tidak ‘bias’ bila dibandingkan dengan indeks biasa). Perhitungan dengan cara biasa lebih lengkap → lebih baik. asalkan barang dalam basket belum banyak berubah.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. Indeks Laspeyres IL1 = ∑ p1qo ∑ po qo Biasa xIL o IL1 = ∑ p1qo ∑ po qo Berantai xIL o = (56/48)X100 = 116.

4 15 .5 + 10 .4 x100 = 140.3 + 10 .12 10 .5 + 8.3 + 15 .3 + 15 .5 + 15.4 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 .24 10.4 x100 = 195.4 Modul-STIS 11 .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 x100 = 51.83 20.3 + 8 .4 x100 = 70 .5 + 8.4 20 .67 20.

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

jika arah garis menurun berarti korelasi negatif. Diagram pencar dari beberapa jenis korelasi. Y • • • • • •• • • Korelasi Positif •• •• • •• Y • •• ••• • • • • • •• • •• X X Korelasi Negatif Modul-STIS 13 . dan jika titik-titik tepat melalui garis berarti korelasinya sempurna. Tujuan dari diagram pencar adalah untuk mengetahui apakah titik-titik kordinat pada sumbu x dan y tersebut membentuk pola tertentu. Dari diagram pencar tersebut. Jika garis naik berarti korelasi positif. jika tidak dapat dibuat sebuah garis berarti tidak ada korelasi.▪ 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. 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.

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. dapat diketahui dengan menghitung koefisien korelasi dari kedua variabel. 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. 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 .2. Jika koefisien korelasi bertanda positif (+) maka dapat disimpulkan hubungan kedua variabel positif dan begitu juga halnya bila koefisien korelasi bertanda negatif (-).

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.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 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 .

20 → < 0. 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. koefisien korelasi dapat dihitung dengan menggunakan Contingency Coefficient: Cc = χ2 χ +n 2 .5.4.00 ⇒ Hubungan antara X dan Y sangat erat 5.70 → < 0. χ2 = chi-square. rxy atau ryx ≥ 0.20 ⇒Hubungan antara X dan Y sangat kecil dan bisa diabaikan 2. Modul-STIS 16 . Jika hubungan 2 variabel tersebut merupakan hubungan yang linier (positip/negatip) maka dua variabel tersebut dapat dianalisis selanjutnya dengan analisis regresi. Misalnya tinggi dan berat badan seseorang. Contoh lain misalnya produksi padi yang dipengaruhi oleh luas lahan yang ditanami. Untuk suatu tinggi tertentu ada besaran berat badan yang mempengaruhi atau sebaliknya. rxy atau ryx ≥ 0. rxy atau ryx ≥ 0. jika: 1. Hubungan Linier Antara Dua Variabel Sebuah variable hasil observasi besaran data yang diperoleh sangat mungkin dipengaruhi oleh variabel lainnya.70 ⇒ Hubungan antara X dan Y moderat 4. 5. jenis pupuk yang dipakai. rxy atau ryx ≥ 0.Penafsiran Koefisien Korelasi Untuk menentukan keeratan hubungan bisa digunakan kriteria Guilford (1956). Koefisien Korelasi Data Kualitatif Untuk data kualitatif.90 ⇒ Hubungan antara X dan Y erat 5.00 → < 0.40 → < 0.40 ⇒ Hubungan antara X dan Y kecil (tidak erat) 3. rxy atau ryx ≥ 0.90 → < 1.

Dengan demikian produksi padi merupakan fungsi dari jumlah pupuk ⇒ y=f(x). y=produksi padi dan x = jumlah pupuk. 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. dan variabel dependennya adalah produksi padi (Y).6. 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.

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

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.

25+1.53 10.04)(6.33 5.Cara menghitung garis regresi: No.73 x= y= b= (∑ x i )(∑ y i ) (∑ x i ) n 2 n = 499 − ∑ x i2 − (50 )(62 ) 8 = 1.25 ˆ y =1.25) = 1.75 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 2.04x → x = 0 artinya: jika tidak diberi pupuk → produksi = 1.25 ton x =1 artinya: jika diberi pupuk 1 kwintal → produksi akan bertambah sebanyak 1.75 − (1.04 ton Modul-STIS 20 .45 8. 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 = 6.41 6.25 8 62 = 7.65 13.61 11.29 3.04 502 420 − 8 a = y − bx = 7.

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

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. 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.

Jumlah waktu (tahun) ganjil.63X Modul-STIS 24 .74 8734.52 14828.37 9750 10765.5 X = jumlah unit tahun yang dihitung dari periode dasar ∴ Y’=9750 + 1015. Metode rata-rata semi (setengah rata-rata) ▪ ▪ ▪ Jumlah waktu (tahun) genap dan jumlah komponen dalam kelompok genap.89 13812.1. (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. 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 .26 12769.63 11781.5 − 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 .15 55250 13812. Jumlah waktu (tahun) genap dan jumlah komponen dalam kelompok ganjil.

00 13916. Metode rata-rata bergerak Penggunaan rata-rata bergerak bertujuan untuk mengisolir fluktuasi musim.Dari nilai trend awal tahun (Y’) yang diperoleh.00 13416.00 13500.67 12000.67 13750. selanjutnya dibuat trend untuk data deret waktu tersebut (kolom 6). a. 2. dan random yang ada dalam data asal. 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. sikli.67 16000 14000 12000 Nilai 10000 8000 6000 4000 2000 0 1994 1996 1998 2000 2002 2004 Tahu n Modul-STIS 25 .

Koefisien pengali untuk 3 tahunan adalah: 1.5 13750 13937. 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. 2. Metode Kuadrat Terkecil Bentuk umum model: y’=a+bx Modul-STIS 26 . Tertimbang Sebagai penimbangnya adalah koefisien Binomial.b. 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. dan 1 dan jumlah koefisiennya = 1+2+1 = 4.5 16000 14000 12000 Nilai 10000 8000 6000 4000 2000 0 1994 1996 1998 2000 2002 2004 Tahun 3.

30 10569. 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’ 9358.20 14203.65xi dengan tahun dasar 1998 – 1999 = 0 (31 Des.d.25+605.25 8 101750 = 605. 16000 14000 12000 10000 8000 6000 • • • • 27 • 1996 1998 2000 2002 2004 Modul-STIS 4000 2000 0 1994 . kemudian dibuat garis trendnya.a = y − bx b= ∑ x i yi − (∑ x i )(∑ yi ) (∑ x i ) 2 ∑ xi2 − n n Untuk mempermudah perhitungan.85 94250 = 11781. waktu (tahun) diberi skala baru (x) sehingga Σxi=0 → X = 0 .55 13598.90 12992.65 9964. Setelah nilai Y’ diperoleh untuk tahun 1995 s. tahun 2002.65 168 y’=11781.95 11175.60 12386.98 atau 1 Jan ’99).

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

Ada beberapa cara untuk menghitung Variasi Musim dan Indeks Musim. Metode rata-rata bergerak 12 bulan Sebelum data hasil observasi diolah.bisa dibuat Indeks Musim. pertama yang harus dilakukan adalah menyeragamkan jumlah jam kerja/jumlah hari kerja per bulan. .84 = 1. .0 300 Modul-STIS 29 . Dengan penyeragaman ini perbedaan data tiap bulan bukan dikarenakan jumlah hari kerja/jam kerja yang berlainan. Indeks musim dari data bulanan menggambarkan gerakan musim tiap-tiap bulan.80 = 0. 1. 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.

11 148.11+148.40/149.87)/2=148. X Faktor Pengali = yi baru 10 x 1/0.5 12 x 1/0.29 9x 1=9 Dst Data deret waktu disusun kembali sebagai berikut: Tahun Bulan Yi Baru (1) 2000 (2) Jan (3) 148. .68% Modul-STIS 30 .86)/2=149.47/148. .4 9 (148.84 = 14.86 (148.5 5 Juli 147. .49)x100%=99.3 7 (147.37)x100%=98.8 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 145.4 8 Agst 147. Desember Produksi (Ton)=yi 10 12 9 Prod. .80 = 12. .4 0 Sept .9 4 .Bulan Januari Februari Maret . Des 152.87 149.2 5 Jan 157.87+149.32% (147. . Des Jan 148.

32 (1200/1196. (3).d. .78 1200 Jika ada nilai ekstrim pada data di kolom (2). dan (4).78)x103. Metode Rata-rata Sederhana Langkah-langkah menghitung Indeks Musim 1. Berarti data di kolom 5 merupakan data deret berkala yang mengandung T dan S. dan (4).64 (1200/1196. sebaiknya digunakan median (bukan rata-rata hitung). Desember Catatan: - 103. Dengan cara melakukan pengrata-rataan bulanan dari data 3 tahun. Menghilangkan gerakan residu / random. data terbebas dari gerakan / fluktuasi random dan sedikit gerakan siklis.36 103. 2.36=103.32 Agst 98. Jika data observasi tersedia lebih dari 3 tahun s.60 1.78)x103.32=103.196.68 . 10 tahun maka gerakan siklis akan terbebas lebih banyak lagi dari data tersebut (lihat kolom 5). (3). Akibat pengrata-rataan ini. Modul-STIS 31 . 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.Data yang diperoleh di kolom (6) disusun kembali kedalam kolom (2). 2. .

29 9 Yi 2001 (3) 12 11 12 2002 (4) 13 12 15 Rata-rata Bulanan (yi) (5) 12.50 12. Desember (2) 12.Data Deret Berkala Bulan 2000 (1) Januari Februari Maret .8.7.5 14. 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 . . .43 12 Perlu bantuan kolom 6.

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

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

Des Jan . . Juni Juli . Des Jan Feb . . diperoleh variasi sikli sebagai berikut: Thn (1) 200 0 Bulan (2) Jan Feb .6. Dengan menggunakan data yang diperoleh pada tabel indeks musim.4. . Cara Menghitung Gerakan Sikli Murni Penggunaan data bulanan atau kuartalan akan lebih baik untuk mendapatkan/melihat variasi sikli. . 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 .

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

Sign up to vote on this title
UsefulNot useful