DISUSUN OLEH

DENY DERMAWAN
(2014320066)

UNIVERSITAS MUHAMMADIYAH JAKARTA

FAKULTAS EKONOMI

PROGRAM STUDI AKUNTANSI

TAHUN AJARAN 2015

KATA PENGANTAR

Puji dan syukur saya panjatkan kepada kehadirat Allah Yang Maha Esa karena atas
dengan rahmat, karunia, serta taufik dan hidayah-Nya saya dapat menyelesaikan makalah
Statistik ini dengan baik meskipun banyak kekurangan didalamnya. Dan juga saya berterima
kasih pada Bapak Zulfikar Ramadhan, S.E, M.M. selaku Dosen mata kuliah Statistik
Universitas Muhammadiyah Jakarta yang telah memberikan tugas ini kepada saya sebagai
tambahan nilai.

Saya sangat berharap makalah ini dapat berguna dalam rangka menambah wawasan
serta pengetahuan kita dalam mata kuliah Statistik. Saya juga menyadari sepenuhnya bahwa
di dalam makalah ini terdapat kekurangan dan jauh dari kata sempurna. Oleh sebab itu, saya
mohon maaf dan dimaklumi serta berharap adanya kritik, saran dan usulan demi perbaikan
makalah yang telah saya buat di masa yang akan datang, mengingat tidak ada sesuatu yang
sempurna tanpa saran yang membangun.

Semoga makalah sederhana ini dapat dipahami bagi siapapun yang membacanya.
Sekiranya laporan yang telah disusun ini dapat berguna bagi saya sendiri maupun orang yang
membacanya. Sebelumnya saya mohon maaf apabila terdapat kesalahan kata-kata yang
kurang berkenan dan saya memohon kritik dan saran yang membangun demi perbaikan di
masa depan.

Jakarta, 20 Mei 2015

Deny Dermawan

DAFTAR ISI
Kata Pengantar..........................................................................................................................ii
Daftar Isi..................................................................................................................................iii
Angka Indeks............................................................................................................................1

Data Berkala (Time Series) dan Variasi Musim......................................................................10

Analisis Regresi dan Korelasi..................................................................................................15
Penutup....................................................................................................................................21
Daftar Pustaka.........................................................................................................................

ANGKA INDEKS
1. Pengertian Indeks Harga
Angka indeks merupakan suatu ukuran statistik yang menunjukkan perubahan suatu variabel
atau sekumpulan variabel yang berhubungan satu sama lain, baik pada waktu atau tempat
yang sama atau berlainan. Angka indeks adalah angka relatif yang dinyatakan dalam
persentase. Biasanya untuk kesederhanaan, bentuk persentase bisa dihilangkan.
Dalam bidang ekonomi, pada dasarnya terdapat tiga macam angka indeks.

a. Angka Indeks Harga (Price Relative)

Indeks harga adalah angka yang menunjukkan perubahan mengenai harga-harga barang, baik
harga untuk satu macam barang maupun berbagai macam barang, dalam waktu dan tempat
yang sama atau berlainan.
b. Angka Indeks Jumlah (Quantity Relative)
Indeks jumlah adalah angka yang menunjukkan perubahan mengenai jumlah barang sejenis
atau sekumpulan barang yang dihasilkan, digunakan, diekspor, dijual, dan sebagainya untuk
waktu dan tempat yang sama ataupun berlainan.
c. Angka Indeks Nilai (Value Relative)
Indeks nilai adalah angka yang dapat dipergunakan untuk mengetahui nilai mengenai barang
yang sejenis atau sekumpulan barang dalam jangka waktu yang diketahui.
Contoh soal:
Bila harga barang tahun 2002 adalah Rp8.000,00 per kilogram, kemudian pada tahun 2003
menjadi Rp10.000,00 per kilogram, maka indeks harga barang tersebut pada tahun 2003
adalah sebagai berikut.

Peranan indeks harga dalam ekonomi antara lain sebagai berikut.

a. Indeks harga merupakan petunjuk atau barometer dari kondisi ekonomi umum. Hal ini
mengandung maksud sebagai berikut.
- Indeks harga grosir dapat menggambarkan secara tepat tentang tren perdagangan.
- Indeks harga diterima petani dapat menggambarkan kemakmuran di bidang agraria.
b. Indeks harga umum merupakan pedoman bagi kebijakan dan administrasi perusahaan.
c. Indeks harga dapat dipergunakan sebagai deflator, maksudnya bahwa pengaruh perubahan
harga dapat dihilangkan dengan cara membagi nilai tertentu dengan indeks harga yang sesuai.
Proses ini dinamakan proses deflasi dan pembaginya disebut deflator.
d. Indeks harga dapat dipakai sebagai pedoman bagi pembelian barang-barang. Maksudnya
ialah harga barang yang dibeli dapat dibandingkan dengan indeks harga eceran atau indeks
harga grosir agar dapat diukur efisiensi pembelian barangbarang yang bersangkutan.
e. Indeks harga barang-barang konsumsi merupakan pedoman untuk mengatur gaji buruh atau
menyesuaikan kenaikan gaji buruh pada masa inflasi.

2. Penyusunan Indeks Harga

Ada beberapa hal yang perlu diperhatikan dalam rangka penyusunan atau perhitungan angka
indeks, yang nantinya dapat digunakan sebagai data yang akurat dan dapat
dipertanggungjawabkan.
Adapun hal-hal yang perlu diperhatikan dalam penyusunan angka indeks atau indeks harga di
antaranya sebagai berikut.
a. Perumusan Tujuan Penyusunan Angka Indeks

Penyusunan angka indeks bertujuan untuk mengukur perubahan atau membandingkan

perubahan antara variabelvariabel ekonomi dan sosial. Dalam menyusun angka indeks perlu
dirumuskan tentang apa yang akan diukur, bagaimana
cara mengukur, dan untuk apa pengukuran tersebut dilakukan.
b. Sumber dan Syarat Perbandingan Data
Penyusunan indeks harga selama periode tertentu membutuhkan data, baik jumlah produksi
maupun harga barang dari tahun-tahun yang bersangkutan. Dalam hal ini harus ditentukan
macam-macam barang yang akan dimasukkan dalam penghitungan angka indeks. Kesulitan
utama dalam penyusunan angka indeks adalah memilih komponen yang termasuk
sekumpulan variabel yang akan dipertimbangkan. Misalnya indeks bahan makanan, pilihlah
jenis bahan makanan yang sering digunakan oleh masyarakat umum, akan tetapi pemilihan
jenis barang harus representatif (dapat mewakili). Cara ini biasa disebut judgment sampling
(metode sampel).
c. Pemilihan Periode Dasar
Periode dasar atau tahun dasar (base year/basic year) adalah periode atau tahun yang angka
indeksnya 100 atau 100%, sedangkan tahun berikutnya sebagai tahun tertentu (given year).
Adapun cara pemilihan periode dasar dapat kamu lihat pada contoh berikut ini.
Diketahui angka indeks dari tahun 2000 sampai 2003, yaitu:
- tahun 2000 = 100,
- tahun 2001 = 110,
- tahun 2002 = 115, dan
- tahun 2003 = 120.
Dari indeks harga tersebut, yang dianggap sebagai tahun dasar adalah tahun 2000, karena
menunjukkan angka 100%.
Beberapa faktor yang perlu diperhatikan dalam memilih tahun dasar antara lain sebagai
berikut.
1) Pemilihan periode tahun dasar dilakukan dalam keadaan perekonomian dianggap relatif
stabil (normal).
2) Periode dasar tidak terlalu pendek atau terlalu panjang , maksudnya jarang sekali periode
dasar yang menggunakan waktu seminggu lebih lama dari lima tahun.
3) Pemilihan tahun dasar atau periode dasar dapat juga berdasarkan suatu kejadian penting.
d. Pemilihan Timbangan (Weight)
Dalam membandingkan suatu barang, selain faktor harga sebaiknya juga memperhatikan
faktor kuantitas sebagai timbangan (weight) atau angka-angka penimbang. Pada barang yang
dianggap penting, faktor penimbangnya akan tinggi, sedangkan pada barang yang kurang
penting akan rendah.
3. Metode Penghitungan Indeks Harga
Penghitungan angka indeks dapat dilakukan dengan beberapa metode. Oleh karena itu, perlu
dilakukan pilihan yang tepat agar tujuan angka indeks yang telah ditetapkan dapat tercapai.
Pada dasarnya terdapat dua metode penghitungan angka indeks yaitu sebagai berikut.
a. Angka indeks sederhana atau angka indeks tidak ditimbang (simple agregative methode)
dibagi dalam bentuk agregatif sederhana dan rata-rata harga relatif atau agregative relative.

b. Angka indeks yang ditimbang, dibagi menjadi bentuk agregatif sederhana dan rata-rata
harga relatif tertimbang.
Untuk lebih jelasnya, perhatikan pembahasan berikut ini.
a. Indeks Harga Tidak Tertimbang dengan Metode Agregatif Sederhana.
Angka indeks yang dimaksud dalam penghitungan indeks harga tidak tertimbang meliputi
indeks harga, kuantitas, dan nilai. Marilah kita simak pembahasannya masing-masing.
1)

Angka indeks harga (price = P)

2) Angka indeks kuantitas (quantity = Q)

Keterangan:
IA = indeks kuantitas yang tidak ditimbang
Qn = kuantitas yang akan dihitung angka indeksnya
Qo = kuantitas pada tahun dasar

3) Angka indeks nilai (value = V)

Penghitungan angka indeks dengan metode agregatif sederhana mempunyai kebaikan karena
bersifat sederhana, sehingga mudah cara menghitungnya. Akan tetapi, metode ini mempunyai
kelemahan yaitu apabila terjadi perubahan kuantitas satuan barang, maka angka indeksnya
juga akan berubah.
b. Angka Indeks Tertimbang Penghitungan angka indeks tertimbang dapat kamu lakukan
dengan beberapa metode. Simaklah penjelasannya masingmasing pada pembahasan berikut
ini.
1) Metode agregatif sederhana
Angka indeks tertimbang dengan metode agregatif sederhana dapat dihitung dengan rumus
seperti di bawah ini.

Keterangan:
IA = indeks harga yang ditimbang
Pn = nilai yang dihitung angka indeksnya
Po = harga pada tahun dasar

W = faktor penimbang
Contoh penghitungan angka indeks harga dapat kamu lihat pada tabel berikut.

2) Metode Laspeyres
Angka indeks Laspeyres adalah angka indeks yang ditimbang dengan faktor penimbangnya
kuantitas tahun dasar (Qo).

Untuk lebih jelasnya tetang penghitungan angka indeks Laspeyres, perhatikan contoh di
bawah ini.

3) Metode Paasche
Angka indeks Paasche adalah angka indeks yang tertimbang dengan faktor penimbang
kuantitas tahun n (tahun yang dihitung angka indeksnya) atau Qn

Dari Metode Laspeyres dan Metode Paasche terdapat suatu kelemahan sebagai berikut.
- Angka indeks Laspeyres mempunyai kelemahan yaitu hasil penghitungan lebih besar (over
estimate), karena pada umumnya harga barang cenderung naik, sehingga kuantitas barang
yang diminta mengalami penurunan. Dengan demikian besarnya Qo akan lebih besar
daripada Qn.
- Angka indeks Paasche mempunyai kelemahan yaitu hasil penghitungan cenderung lebih
rendah (under estimate), karena dengan naiknya harga akan menyebabkan permintaan turun,
sehingga Qn lebih kecil daripada Qo. Untuk menghilangkan kelemahan tersebut dilakukan
dengan cara mengintegrasikan angka indeks tersebut, yaitu dengan menggunakan metode
angka indeks Drobisch and Bowley.
4) Metode Drobisch and Bowley
Angka indeks tertimbang dengan Metode Drobisch and Bowley dapat dirumuskan sebagai
berikut.

5) Metode Irving Fisher

Penghitungan angka indeks dengan Metode Irving Fisher merupakan angka indeks yang
ideal. Irving Fisher menghitung indeks kompromi dengan cara mencari rata-rata ukur dari
indeks Laspeyres dan indeks Paasche.

6) Metode Marshal Edgewarth

Menurut metode ini, angka indeks ditimbang dihitung dengan cara menggabungkan kuantitas
tahun dasar dan kuantitas tahun n, kemudian mengalikannya dengan harga pada tahun dasar
atau harga pada tahun n.
Angka indeks Marshal Edgewarth dapat dirumuskan sebagai berikut.

Untuk lebih jelasnya, perhatikan data pada tabel di bawah ini agar kamu dapat mencari angka
indeks Marshal Edgewarth.

4. Angka Indeks Rantai

Angka indeks rantai adalah penghitungan angka indeks dengan menggunakan tahun
sebelumnya sebagai tahun dasar. Misalnya menghitung angka indeks tahun 2000 dengan
tahun dasar 1999, angka indeks tahun 2001 dengan tahun dasar 2000, dan angka indeks tahun
2002 dengan tahun dasarnya 2001.

DATA BERKALA (TIME SERIES)

DAN
VARIASI MUSIM

Pengenalan analisa serial waktu (time series)

Data time series adalah nilai-nilai suatu variabel yang berurutan menurut waktu (misal: hari,
minggu, bulan, tahun). Ada 4 faktor yang mempengaruhi data time series . Dalam data
ekonomi biasanya kita mendapatkan adanya fluktuasi/ variasi dari waktu ke waktu atau
disebut dengan variasi time series. Variasi ini biasanya disebabkan oleh adanya faktor Trend
(trend factor), Fluktuasi siklis (cyclical fluktuation), Variasi musiman (seasonal variation),
dan pengaruh random (irregular/random influences). Trend adalah keadaan data yang
menaik atau menurun dari waktu ke waktu. Contoh yang menunjukkan trend menaik yaitu
pendapatan per kapita, jumlah penduduk.

Variasi musiman adalah fluktuasi yang muncul secara reguler setiap tahun yang biasanya
disebabkan oleh iklim, kebiasaan (mempunyai pola tetap dari waktu ke waktu). Contoh yang
menunjukan variasi musiman seperti penjualan pakaian akan meningkat pada saat hari raya,
penjualan buku dan tas sekolah akan meningkat pada saat awal sekolah.

Variasi siklis muncul ketika data dipengaruhi oleh fluktuasi ekonomi jangka panjang, variasi
siklis ini bisa terulang setelah jangka waktu tertentu. Variasi siklis biasanya akan kembali
normal setiap 10 atau 20 tahun sekali, bisa juga tidak terulang dalam jangka waktu yang
sama. ini yang membedakan antara variasi siklis dengan musiman. Gerakan siklis tiap
komoditas mempunyai jarak waktu muncul dan sebab yang berbeda-beda, yang sampai saat
ini belum dapat dimengerti. Contoh yang menunjukkan variasi siklis seperti industri
konstruksi bangunan mempunyai gerakan siklis antara 15-20 tahun sedangkan industri mobil
dan pakaian gerakan siklisnya lebih pendek lagi.

Variasi random adalah suatu variasi atau gerakan yang tidak teratur (irregular). Variasi ini
pada kenyataannya sulit diprediksi. Contoh variasi ini dalam data time series karena adanya
perang, bencana alam dan sebab-sebab unik lainnya yang sulit diduga. Total variasi dalam
data time series adalah merupakan hasil dari keempat faktor tersebut yang mempengaruhi
secara bersama-sama. Dalam tulisan ini hanya akan dianalisa dua variasi pertama, sedangkan

dua variasi terakhir tidak dianalisa karena memang pola variasi tersebut tidak tersistem
dengan baik selain membutuhkan waktu yang sangat lama untuk mendapatkan data yang
panjang. Pengalaman dan feeling so good dari pengambil keputusan dapat
membantu adjustment pada hasil ramalan.

Model Time Series adalah suatu peramalan nilai-nilai masa depan yang didasarkan pada nilainilai masa lampau suatu variabel dan atau kesalahan masa lampau. Model time
series biasanya lebih sering digunakan untuk suatu peramalan/prediksi.
Dalam tehnik
peramal an dengan time series ada 2 kategori utama yang perlu dilakukan pengujian, yaitu
pemulusan (smoothing) dan dekomposisi (decomposition).

Metode pemulusan mendasarkan ramalannya dengan prinsip rata-rata dari kesalahan masa
lalu (Averaging smoothing past errors) dengan menambahkan nilai ramalan sebelumnya
dengan persentase kesalahan (percentage of the errors) antara nilai sebenarnya (actual value)
dengan nilai ramalannya (forecasting value).
Metoda dekomposisi mendasarkan prediksinya dengan membagi data time series menjadi
beberapa komponen dari Trend, Siklis, Musiman dan pengaruh Random; kemudian
mengkombinasikan prediksi dari komponen-komponen tersebut (kecuali pengaruh random
yang sulit diprediksi). Pendekatan lain untuk peramalan adalah metoda causal atau yang
lebih dikenal dengan sebutan regresi. Tehnik pemulusan dan regresi akan dibahas pada sesi
tulisan yang lain.

Trend
Trend adalah keadaan data yang menaik atau menurun dari waktu ke waktu. Ada beberapa
tehnik dalam membuat model trend. Tehnik yang sering digunakan adalah metoda kuadrat
terkecil (least square method). Model trend linier perkiraan adalah sebagai berikut:

Hasil perkiraan penjualan berdasarkan trend tidak memperhatikan adanya pengaruh variasi
musiman. Jika hasil penjualan sepatu pada kenyataannya dipengaruhi oleh adanya variasi
musiman, maka hasil perkiraan penjualan yang hanya didasarkan oleh faktor trend menjadi
kurang baik.
Variasi musiman
Salah satu komponen yang mempengaruhi data time series adalah komponen musiman.
Gerakan musiman (seasonal movement) merupakan gerakan yang teratur artinya naik
turunnya terjadi pada waktu-waktu yang sama. Disebut gerakan musiman oleh karena
terjadinya bertepatan dengan pergantian musim didalam satu tahun atau dalam waktu yang
singkat. misal:
Harga beras akan turun pada saat musim panen padi.
Penjualan buku akan meningkat pada awal sekolah.
Jumlah pengunjung ke gedung bioskop akan naik pada malam minggu.
Jika data time series dipengaruhi oleh variasi musiman, maka diperlukan metoda peramalan
yang lebih baik yang memperhatikan keterlibatan variasi musiman didalam data.
Untuk keperluan analisa seringkali data time series dinyatakan dalam bentuk angka indeks.
Apabila kita ingin menunjukkan ada tidaknya gerakan musiman perlu dibuat indeks musiman
(seasonal index). Indeks musiman adalah suatu angka yang bervariasi terhadap nilai dasar
100. Jika suatu periode musiman mempunyai nilai indeks 100, nilai ini menunjukan bahwa
pada bulan tersebut tidak ada pengaruh musiman. Ada beberapa metode untuk menghitung
angka indeks musiman, antara lain adalah metode rata-rata sederhana (simple average
method).

Mencari indeks musiman dengan metoda rata-rata sederhana

Indeks musiman dapat digunakan untuk menguraikan perkiraan/ ramalan penjualan tahunan
menjadi perkiraan penjualan per bulan pada tahun mendatang. Untuk mencari indeks
musiman dengan metode rata-rata sederhana, pertama perlu dicari nilai rata-rata untuk setiap
bulannya dengan maksud untuk menghilangkan pengaruh trend. Berapa banyak tahun yang

digunakan untuk mendapatkan nilai rata-rata tergantung dari banyak tahun terulangnya
gerakan siklis yang maksudnya untuk menghilangkan pengaruh dari gerakan siklis (misal: 5
tahun, 10 tahun atau lebih).
Dari nilai rata-rata tersebut selanjutnya dicari besaran persentasenya terhadap total atau
jumlah nilai rata-rata dimana jumlah nilai rata-rata tersebut menjadi nilai 100 dalam besaran
persentase. Indeks musiman didapat dengan cara mengalikan besaran persentase masingmasing bulan dengan konstanta 12.

Metoda Dekomposisi
Dekomposisi adalah suatu prosedur dalam menganalisa data serial waktu dengan cara
mengidentifikasi faktor-faktor komponen yang ada dalam suatu periode data. Setiap
komponen diidentifikasi secara terpisah sehingga pola serial waktu dapat digunakan untuk
peramalan kegiatan masa depan baik untuk jangka pendek maupun jangka panjang.
Pada dasarnya ada 3 komponen yang membentuk pola suatu data serial waktu. Ketiga
komponen tersebut adalah gerakan trend, musiman (seasonal) dan siklis (cyclical).
Dekomposisi mengasumsikan bahwa data dibentuk seperti berikut ini:

Data = Pola + Error= fungsi (trend, musiman, siklis) + Error

Trend adalah suatu gerakan yang menunjukan arah perkembangan (kecenderungan menaik
atau menurun.
Gerakan musiman adalah suatu gerakan yang mempunyai pola tetap dari waktu ke waktu.
Gerakan siklis adalah gerakan jangka panjang disekitar garis trend (berlaku untuk data
tahunan), gerakan siklis ini akan terulang dalam jangka waktu tertentu atau bisa juga dalam
jangka waktu yang tidak sama.
Error/irregular adalah gerakan yang sporadis atau yang tidak tertentu. Gerakan ini
ditimbulkan oleh suatu kejadian yang tak terduga seperti perang, gempa bumi dan
sebagainya.
Apabila gerakan trend, musiman, siklis dan error masing-masing diberi simbol T, S, C dan I
maka data serial waktu Y merupakan hasil kali dari 4 komponen tersebut, yaitu:
Y = T x S x C x I

ANALISIS REGRESI DAN KORELASI

Analisis regresi mempelajari bentuk hubungan antara satu atau lebih peubah/variabel bebas
(X) dengan satu peubah tak bebas (Y). dalam penelitian peubah bebas ( X) biasanya peubah
yang ditentukan oleh peneliti secara bebas misalnya dosis obat, lama penyimpanan, kadar zat
pengawet, umur ternak dan sebagainya. Disamping itu peubah bebas bisa juga berupa peubah
tak bebasnya, misalnya dalam pengukuran panjang badan dan berat badan sapi, karena
panjang badan lebih mudah diukur maka panjang badan dimasukkan kedalam peubah bebas
(X), sedangkan berat badan dimasukkan peubah tak bebas (Y). Sedangkan peubah tak bebas
(Y) dalam penelitian berupa respon yang diukur akibat perlakuan/peubah bebas (X). misalnya
jumlah sel darah merah akibat pengobatan dengan dosis tertentu, jumlah mikroba daging
setelah disimpan beberapa hari, berat ayam pada umur tertentu dan sebagainya.
Untuk mempelajari cara melakukan analisis regresi linear, silahkan baca artikel kami antara
lain:
Regresi Linear Sederhana dengan SPSS
Regresi Linear Berganda dengan Minitab
Regresi Linear Berganda dengan STATA
Analisis Regresi dalam Excel
Bentuk hubungan antara peubah bebas (X) dengan peubah tak bebas (Y) bisa dalam bentuk
polinom derajat satu (linear) polinom derajat dua (kuadratik). Polinom derajat tiga (Kubik)
dan seterusnya. Disamping itu bisa juga dalam bentuk lain misalnya eksponensial, logaritma,
sigmoid dan sebagainya. Bentuk-bentuk ini dalam analisis regresi-korelasi biasanya
dilakukan transformasi supaya menjadi bentuk polinom.
Dalam bentuk yang paling sederhana yaitu satu peubah bebas (X) dengan satu peubah tak
bebas (Y) mempunyai persamaan:
Y =a +bx
Disini a disebut intersep dan b adalah koefisien arah atau koefisien beta.
Dalam pengertian fungsi persamaan garis Y + a + bx hanya ada satu yang dapat dibentuk
dari dua buah titik dengan koordinat yang berbeda yaitu ( X1, Y1) dan X2,Y2). Hal ini berarti
kita bisa membuat banyak sekali persamaan garis dalam bentuk lain melalui dua buat titik
yang berbeda koordinatnya/tidak berimpit.
Persamaan garis melalui dua buah titik dirumuskan sebagai berikut:

Persamaan Garis Regresi

Sebagai contoh misalnya titik A (1,3) dan titik B ($,9) maka persamaan garis linear yang
dapat dibuat adalah:

Persamaan Garis Linear

Dalam bentuk matrik bisa kita buat persaman sebagai berikut:

Matrix Regresi Linear

Jadi a=1 dan b=2 sehingga persamaannya Y=1 +2X

Jika jumlah data sebanyak n maka persamaannya sebagai berikut:

Disini o adalah penduga a, 1 adlah penduga b dan i merupakan besarnya simpangan

persamaan garis penduga. Semakin kecil nilai i persamaan regresi yang diperoleh akan
semakin baik.

Jadi kita dapat menuliskan pengamatan kita menjadi:

Dengan notasi matriks dapat ditulis sebagai berikut:

Jadi kita peroleh matrik Y,X, dan dengan dimensi sebagai berikut :

Jika diasumsikan E() = 0 maka E(Y) = X

Bila modelnya benar merupakan penduga terbaik yaitu dengan jalan melakukan
penggandaan awal dengan X sehingga diperoleh persamaan normal sebagai berikut:

Jadi =(XX)-1XY
Disini(XX)-1 adalah kebalikan (inverse) dari matrik XX

Contoh :
Seorang peneliti ingin mengetahui bentuk hubungan antara jumlah cacing jenis tertentu
dengan jumlah telurnya pada usus ayam buras. Untuk tujuan tersebut diperiksa 20 ekor ayam
dan ditemukan sebagai berikut:
Tabel 1 jumlah cacing dan jumlah telurnya pada usus ayam buras.

Dari data diatas kita bisa menghitung:

Bila kita duga bentuk hubungan antara jumlah cacing (X) dan jumlah telurnya (Y) adalah:

Jadi =-2,442 + 4,103 Xi,

Persamaan garis regresi Yi =-2,442 + 4,103 Xi bukanlah satu-satunya garis penduga untuk
menyatakan hubungan antara jumlah cacing dengan jumlah telurnya. Sudah barang tentu
masih banyak lagi bentuk persamaan penduga yang dapat dibuat misalnya dalam bentuk
persamaan Yi=o+1Xi+2Xi2,Yi=oXi1(dalam bentuk linear LnYi=Ln o+iLnXi) dan masih
banyak lagi bentuk yang lainnya.
Untuk menyatakan apakah garis yang diperoleh cukup baik untuk menggambarkan hubungan
antara peubah bebas (X) dengan peubah tak bebas (Y) dapat dilakukan pengujian bentuk
model yang digunakan dan keeratan hubungannya (korelasi) untuk menyatakan ketepatan dan
ketelitian persamaan garis regresi yang diperoleh.

PENUTUP

Demikianlah yang dapat saya berikan mengenai materi statistik yang menjadi
pokok bahasan dalam makalah ini, tentunya masih banyak kekurangan dan
kelemahannya, kerena terbatasnya pengetahuan yang saya miliki dan kurangnya
rujukan atau referensi yang ada hubungannya dengan bahasan makalah statistik
ini.
Saya harap adanya kritik, saran dan usulan demi perbaikan makalah yang telah
saya buat di masa yang akan datang, mengingat tidak ada sesuatu yang
sempurna tanpa saran yang membangun. Semoga makalah ini berguna bagi kita
semua pada mata kuliah statistik

DAFTAR PUSTAKA

http://ssbelajar.blogspot.com/2013/03/indeks-harga.html
https://digensia.wordpress.com/2012/08/24/analisa-time-series/
http://www.statistikian.com/2012/08/analisis-regresi-korelasi.html