17

VI. ANGKA INDEKS

Jenis-jenis Angka Indeks

1. Angka Indeks Harga (Price Index) = P

2. Angka Indeks Kuantitatif (Quantity Index) = Q

3. Angka Indeks Nilai (Value Index) = V=PQ

Cara Perhitungan Angka Indeks

1. Angka Indeks Sederhana (Tidak tertimbang)

(a). Agregatif

(b). Relatif

2. Angka Indeks tertimbang

(a). Agregatif

(b). Relatif

3. Angka indeks tertimbang lain yakni metode :

- Laspeyres

- Paasche

- Dorbich

- Irving Fisher

4. Indeks berantai ( Chain Index)

5. Merubah tahun dasar (Base Shifting)

6. Merangkai Angka Indeks (Index Splicing)

7. Indeks upah riel

 18

Angka Indeks Sederhana

Rumus:

Σ Pn
Indeks Harga : Po,n = X 100 %
Σ Po

Indeks Kuantitas :
Σ Qn
Qo,n = X 100 %
Σ Qo

Indeks Nilai :
Σ Vn
Vo,n = X 100 %
Σ Vo

V = PxQ
 19

3.1.1. Angka Indeks Sederhana (Aggregatif)

Harga Harga
Jenis Barang Tahun 2015 Tahun 2016
(Rp) (Rp)
A 1000 1000
B 400 300
C 600 660
D 1120 1120
E 600 1200

 Po = 3720  Pn = 4280

Tahun dasar 2009 :

( P 09 / P 09 ) x 100 =

( 3720 / 3720 ) x 100 = 100

( P 10 / P 09 ) x 100 =

( 4280 / 3720 ) x 100 = 115,05

Kenaikan Harga Sebesar 115,05 – 100 = 15,05

Dibanding dengan tahun 2009

3.1.2. Angka Indeks Sederhana (Relatif)

Harga Harga Relatif

Jenis 2006 2007 2006 2007
Barang (Po) (Pn) (Po/Po) (Pn/Po)
A 1000 1000 100 100
B 400 300 100 75
C 600 660 100 110
D 1120 1120 100 100
E 600 1200 100 200

 = 500  = 585
 20

Rata-rata Harga Relatif :

 (Pn/Po x 100)
Io,n =
k

k = Jumlah jenis barang komsumsi

Tahun Dasar 2006 : 500 / 500 = 100 %

Angka Indeks 2007 : 585 / 500 = 117,0 %

Pada tahun 2007 telah terjadi kenaikan harga relative secara rata-rata sebesar 17,0%

dibanding tahun 2006

3.2. Angka Indeks tertimbang

3.2.1. Angka Indeks Tertimbang Aggregatif :

 (Pn.W)
Io,n = x 100%
 (Po.W)

Jenis Harga Harga relative

Barang 2006 2007 W 2006 2007
(Po) (Pn) (Po.W) (Pn.W)
A 1000 1000 2 2000 2000
B 400 300 20 8000 6000
C 600 660 1 600 660
D 1120 1120 5 5600 5600
E 600 1200 1 600 1200

 = 16800  = 15460
 = (Po.W)  = (Pn.W)
Tahun Dasar 2006 : ( 16800/16800) x 100% = 100 %
 21

Angka Indeks2007: (15460/16800) x 100 = 92,1%

Turun sebesar 92,1 – 100 = - 7,9 % (deflasi)
3.2.2. Angka Indeks Tertimbang Relatif

{(Pn/Po x 100%) . Wi }
Io,n =
Wi

Data Hipotetik

Jenis Harga Wi Harga relative

Barang 2006 2007 2006 2007
I(Po,Po) I(Po,Pn) I(Po,Po).Wi I(Po,Pn).Wi
A 100 100 2 200 200
B 100 75 20 2000 1500
C 100 110 1 100 110
D 100 100 5 500 500
E 100 200 1 100 200

W = 29  = 2900  = 2510
 (Po/Po x 1000 W  (Pn/Po X 100) W
Rata-rata Harga Relatif Tertimbang :

Tahun Dasar 2006 : (2900/2900) x 100% = 100%

Angka Indeks 2007 : (2510/2900) x 100% = 86,5%

Terjadi penurunan harga sebesar -13,5 % (deflasi)

3.3. Angka Indeks Tertimbang Tertentu :

3.3.1. Laspeyres:
Angka Indeks Laspeyres adalah angka indeks yang ditimbang dengan factor

penimbang kuantitas tahun dasar (Qo)

Σ (Pn.Qo)
Lo,n = x 100%
Σ (Po.Qo)
 22

Data Hipotetik

Harga (P) Kuantita (Q) PoQo PnOo

Barang 2006 2007 2006 2007 P06 P05
(Rp) (Rp) (Kg) (Kg) Q06 Q07
A 600 2000 2 3 1200 4000
B 300 700 3 2 900 2100
C 400 1000 2 3 800 2000
D 400 100 1 2 400 1000
E 300 1300 1 2 300 1300

 = 3600  = 10400
 (Po.Qo)  (Po.Qo)
L 04,05 = (3600/3600) x 100 = 100 %

L 04,05 = (10400/3600) x 100 = 288,89 %. Inflasi 188,89 %

3.3.2. Paasche
Angka Indeks Paasche merupakan angka indeks yang ditimbang dengan factor

penimbang kuantitas tahun n (Current year).

 (Pn.Qn)
P o,n = x 100%
 (Po.Qn)

Data Hipotetik

Harga Kuantita PoQn PnQn

Barang 2006 2007 2006 2007 P06 P05
(Rp) (Rp) (Kg) (Kg) Q04 Q04
A 600 2000 2 3 1800 6000
B 300 700 3 2 600 1400
C 400 1000 2 3 1200 3000
D 400 100 1 2 800 2000
E 300 1300 1 2 600 2600

 = 5000  = 15000
 23

 (Po.Qn)  (Pn.Qn)
P 06,07= (3000/5400) x 100 = 100 %

P 06,07 = (15000/5000) x 100 = 300%

Upaya megkompromikan L dan P

3.3.3. Rumus Dorbosh dan Bowley :

L + P
D o,n = = 144,45
2

3.3.4. Irving Fisher :

√
I o,n = L x P

4. Indeks Berantai (Chain Index)

Angka indeks dengan tahun dasar adalah nilai tahun sebelumnya.

Tahun Harga Indeks Biasa

2004 500 (500 / 500) . 100 = 100

2005 1000 (1000 / 500) . 100 = 200

2006 1500 (1500 / 500) . 100 = 300

2007 2000 (2000 / 500) . 100 = 400

5. Merubah Tahun Dasar (base shifting)
 24

Dilakukan dengan mengganti pembaginya dengan

nilai tahun dasar baru.

Tahun Harga Indeks Biasa

2004 500 (33,33) (500 / 2000) . 100 = 25
2005 1000 (66,67) (1000 / 2000) . 100 = 50
2006 1500 (100) (1500 / 2000) . 100 = 75
2007 2000 (133,33) (2000 / 2000) . 100 = 100

6. Merangkai Indeks (Index splicing)

Tahun Indeks Harga Indeks Harga

1993 = 100 1996 = 100
1993 100 66,67
1994 120 80
1995 130 ---- (a) .86,68......... ->
1996 150 ---- (b) (c)100=150  (d)
1997 180 120=180
1998 225 150=225
1999 210 140=210
Tahun Harga Indeks Harga
1993 = 100 1996 = 100
1993=100 100 (67)
1994 120 (80)
1995 130 (87)
1996=100 150 100
1997 (180) 120
1998 (225) 150
1999 (210) 140

Contoh perhitungan :

Dengan Menggunakan metode perbandingan dimana :

 25

a c ad 130 . 100 13000

= c= = = = 86,7
b d b 150 150

7. Teknik Pendeflasian:

Merupakan teknik untuk menghilangkan pengaruh perubahan harga. Pada angka

indeks proses deflasi berarti menghitung Indeks Upah Riel, yakni membagi upah nomimal

dengan Indeks Harga Barang atau Indeks Harga Komsumsi (IHK).

7.1. Indeks Upah Riel

Indeks upah nominal

Indeks Upah Riel = x 100 %
Indeks harga konsumen

Data Hipotetik :

Upah Indeks Ind. Upah

Tahun Nominal Upah nominal IHK (%) (Riel %)
(Rp000) (3) (4) (5)=(3)/(4)
(2) 2000=100 2000=100
2000 2000 100 100 100,0
2001 2400 120 160 75,0
2002 3500 175 280 62,5
2003 3600 180 290 62,0
2004 3600 180 300 60,0
2005 3700 185 320 57,9
2008 3750 187,5 330 56,8
 26

Metode menghitung angka pertumbuhan :

1. Model arithmetic : Yt = Yo (1+rt)

2. Model geometric : Yt = Yo (1+r)^2

3. Model Exponential : Yt = Yo e^rt;

Di mana : Yo = data tahun dasar

Yt = data tahun akhir

t = interval (periode pengamatan)=Yt-Yo

r = angka pertumbuhan (laju pertumbuhan; %)

VII. ANALISIS DATA BERKALA

(TIME SERIES DATA)

Komponen Time Series

 27

 Sekulere trend (T)

 Gerak Musiman(S)
 Gerak siklis (C)
 Gerak tak teratur (R)

Jenis Trend

Variabe
 Trend Naik
Increasing

waktu
0

Variabe
 Trend Menurun
Decreasing

waktu
0

 Trend Tetap Variabe

Constant

waktu
0

Data Penjualan Kendaraan Bermotor

 28

P.T. SERUNI Tahun 1997-2007

(000 Unit) per tahun
Tahun Jum. Penjualan
1999 11
2000 15
2001 14
2002 16
2003 17
2004 18
2005 17
2006 21
2007 20
*Sumber : Hipotetik

Tabel 7.1. Perhitungan trend dengan Metoda Semi-Rata-Rata

Data Penjualan Kendaraan Bermotor P.T SERUNI
TAHUN 1997-2007 (Dalam Unit)
Tahun Jum.Penjualan Semi Total
1999 11
2000 15 11+15+14+16=56 56/4= 14 (A)
2001 14
2002 16
2003 17 (dieliminasi)
2004 18
2005 17
2006 21 18+17+21+20 = 76 76/4 = 19 (B)
2007 20
*Sumber : Hipotetik

Tabel 7.2. Perhitungan Trend Dengan Metoda semi Rata-Rata Bergerak

Tiga Tahunan Data Penjualan Kendaraan Bermotor P.T SERUNI
TAHUN 1997-2007

Tahun Jum. Penjualan Total Bergerak(3 th) Rata-Rata Bergerak

1997 11
1998 15 (11+15+14) = 40 40/3 = 13,3 (A)
1999 14 (15+14+16) = 45 45/3 = 15,0(B)
2000 16 (14+16+17) = 47 47/3 = 15,6
2001 17 (16+17+18) = 51 51/3 = 17,6
2002 18 (17+18+17) = 52 52/3 = 17,3
2003 17 (18+17+21) = 55 55/3 = 18,3
2006 21 (17+21+20) = 58 58/3 = 19,3(G)
2007 20
Sumber: Tabel 7.1
 29

4) Metode Kuadrat Terkecil (LSM=OLS)

Bentuk persamaan trend

* Linear : Y = a + bx
Y = Variabel
X = Satuan Waktu : X= t = waktu. 0, 1, 2, 3 dst
a = Intercept, nilai Y jika X = 0
b = Kemiringan garis trend

Persamaan Normal
(1)  y = na + b X
(2) xy  a   b  2

Oleh Karema   0
Maka =   Na
 149
a=   16,56
N 9
y  b 2
 62
b=   1,03
 2 60
y = a + bXi (Pers Grs Trend)

Menganalisis Garis Trend dengan Metoda Jumlah Kuadrat Terkecil

Data penjualan Kendaraan Bermotor
P.T. SERUNI Tahun 1997-2007
(Dalam Unit)*

Tahun Penjualan(Y) X=t x2=t2 xy Y^

1999 11 -4 16 -44 12,44
2000 15 -3 9 -45 13,47
2001 14 -2 4 -28 14,50
2002 16 -1 1 -16 15,53
2003 17 0 0 0 16,56
2004 18 1 1 18 17,59
2005 17 2 4 34 18,62
2006 21 3 9 63 19,65
2007 20 4 16 80 20,68
149 0 60 62

a = 149/9=16,56
b = 62/60 = 1,03
Y1= 16,56 + 1,03 X

Menganalisis Garis Trend dengan Metoda Jumlah Kuadrat Terkecil

Data penjualan Kendaraan Bermotor
 30

P.T. SERUNI Tahun 1997-2007

(Dalam Unit)*

Tahun Penjualan(Y) T t2 ty Y^
1999 11 0 0 0 12,44
2000 15 1 1 15 13,47
2001 14 2 4 28 14,50
2002 16 3 9 48 15,53
2003 17 4 16 68 16,56
2004 18 5 25 90 17,59
2005 17 6 36 102 18,62
2006 21 7 49 147 19,65
2007 20 8 64 160 20,68
149 36 204 658

BAB VIII. ANALISIS REGRESI

ANATOMY OF ECONOMETRIC MODELLING

(I)
ECOMETRIC THEORY

(II)
MATHEMATICAL MODEL OF THEORY

(III)
ECONOMETRIC MODEL OF THEORY

(IV)
 31

DATA (SAMPEL)

(V)
ESTIMATION
(MODEL ESTIMATION)

(VI)
HYPHOTETIC TESTING

(VII)
FORECASTING

Contoh struktur model :

 32

FUNGSI KONSUMSI

1. MODEL TEORETIS :

C = f ( Yd); Y – T = Yd

2. MODEL MATEMATIK :

C = Co + mpc Yd

3. MODEL EKONOMETRI :

C = Co^ + mpc^ Yd + ε

4. MODEL ESTIMASI :

C^ = Co^ + mpc^ Yd
 33

Model Analisisi Regresi Sederhana

Yi = ßo + ß1Xi + εi

Dimana :

Xi = -Independent variable
-Explanatory variable
-Regressor
-Predictor
-Eksogen
-Stimulus or Control variable
(variable bebas)

Yi = -Dependent variable
-Explained variable
-Regressand
-Predictand
-Endogenous
(variable terikat)

ßo = Constanta

ß1 = Koefisien Regresi

εi = Error Term
 34

Contoh : Data Hipotetik :

Tabel : 8.1 (Data Poppulasi)

WEEKLY FAMILY INCOME X, $

Xi
80 100 120 140 160 180 200 220 240 260
Yi
55 65 79 80 102 110 120 135 137 150
60 70 84 93 107 115 136 137 145 152
WEEKLY FAMILY 65 74 90 95 110 120 140 140 155 175
CONSUMPTION 70 80 94 103 116 130 144 152 165 178
Y, $ 75 85 98 108 118 135 145 157 175 180
88 113 125 140 160 189 185
115 162 191
CONDITIONAL
MEANS OF Y, 65 77 89 101 112 125 137 149 161 173
E(YIX) = Y^

Sumber : Gujarati, 1988 : 27

Y
 35

Penaksiran Koefisien

1. Koefisien Regresi

Untuk menaksir persamaan regresi data pada (Tabel 8.2 Sampel 1), maka :

Metode yang digunakan untuk menaksir B0 dan B1 adalah metode kuadrat terkecil

(OLS) yang hendak dicari adalah B̂0 (penaksir B0) dan B̂1 (penaksir B1) sedemikian
rupa sehingga meminimalkan.

Σe2 = Σ(Yi - Yˆi )2

= Σ(Yi - Bˆ 0  Bˆ1 X i )2, sehingga (turunan parsial)

e 2
i
= 0 dan
e 2
i
=0 e=ε
B0 B0

e 2
= -2 Σ(Yi - Bˆ 0  Bˆ1 X i ) 1 = 0  ΣYi = n B̂0 + Bi ΣXi
B0

e 2
= -2Σ(Yi - Bˆ 0  Bˆ1 X i ) X1ΣYXi = n B̂0 ΣXi + BiΣ X i
2
B0

Persamaan (2.1) dan (2.2) disebut persamaan normal sehingga :

n  XY   X  Y Y X
Bˆ1  dan B̂0 = - B̂1
n X 2   X 
2
n n

Yˆi  Bˆ 0  Bˆ1 X i

2. Koefisien Korelasi dan Determinasi

Setelah penaksiran koefisien regresi, maka penaksiran parameter yang lain,

koefisien determinasi (R2) dan koefisien korelasi (r) perlu dilakukan. Hal ini
dimaksudkan untuk mengetahui seberapa besar variasi variabel bebas dapat dijelaskan
variabel (R2).
 36

Demikian juga untuk mengetahui seberapa besar hubungan variabel bebas

dengan variabel terikat (r) Rumus :

n  XY   X  Y
rsy  ; - 1  ryx  + 1
n  X 2    X   n Y 2   Y 
2 2

R2 = r x r dimana : 0  R2  1

Tujuan utama kita dalam analisis regresi adalah untuk menaksir PRF atas dasar SRF.
Untuk mendapatkan penaksir a’ dan b’ seakurat mungkin dapat digunakan metode kuadrat
terkecil (method of ordinary least square, OLS).

Sebagai contoh :

Misalkan data pada (Tabel 8.1) di atas adalah data populasi terbatas, yakni sebanyak 60 rumah
tangga. Sebuah sampel berukuran n = 10 diambil secara random dan hasilnya adalah sbb :

Tabel 8.2. Data sampel RT yang terpilih

RT Pendapatan (Y) Konsumsi (C)

01 80 70

02 100 65

03 120 90

04 140 95

05 160 110

06 180 115

07 200 120

08 220 140

09 240 155

10 260 150
 37

Sumber : Dirandom dari Tabel 8.1

Dengan menggunakan metode OLS, maka data pada tabel 8.2 akan menghasilakan persamaan
regresi (SRF) sebagai berikut :

C = 24,45 + 0,51 Yd; atau didapat S = - 24,45 + (1 – 0,56) Yd

(6,414) (0,036)

Hasil analisis regresi tersebut, menunjukkan bahwa konsumsi otonom, Co

(a) sebesar US$ 24,45 dan marginal propensity to consume, MPC (b) sebesar
0,51. MPC = 0,51 tersebut menunjukkan, bahwa jika terjadi kenaikan
pendapatan RT (dispossible income) sebesar US$ 1 misalnya, maka akan
mendorong pengeluaran konsumsi RT sebesar US$ 0,51. Dengan kata lain
pengaruh pendapatan terhadap konsumsi sebesar 0,51. (MPS = 1- MPC = 0,49).

Persoalan berikutnya adalah apakah sampel yang terpilih tersebut representatif

terhadap populasi . Dengan kata lain, apakah nilai statistik MPC = 0,51
merupakan estimasi tak bias dari nilai parameter MPC yang ada pada populasi.
Untuk hal tersebut, metoda statistik memberi petunjuk untuk melakukan
pengujian (testing hypotetic) guna meyakinkan hipotetis yang menyatakan
bahwa ada pengaruh yang signifikan pendapatan terhadap konsumsi RT.

Lanjutkan dengan gambar fungsi C dan S