STUDI KASUS

ANALISIS DATA INDEKS HARGA KONSUMEN DAN INFLASI

BULANAN INDONESIA TH 2011-2015

Disusun Guna Memenuhi Tugas Mata Kuliah

Analisis Data Eksplorasi

Dosen Pengampu : Prof. Mustafid, M.Eng., Ph.D

Disusun Oleh :

MITA NOURMA MAULINA

24050119120008
Kelas B

DEPARTEMEN STATISTIKA

FAKULTAS SAINS DAN MATEMATIKA

UNIVERSITAS DIPONEGORO

SEMARANG

2020
 BAB I
PENDAHULUAN
1.1 Permasalahan
IHK sering digunakan dalam mengukur tingkat inflasi dan juga sebagai pertimbangan untuk penyesuaian
gaji, upah, uang pensiun dan kontrak lainnya. IHK merupakan ukuran biaya keseluruhan barang dan jasa
yang dibeli konsumen. Kenaikan harga barang atau jasa secara kontinyu dapat membuat daya beli
masyarakat turun. Gaji atau penghasilan yang mereka dapat tidak akan cukup membeli kebutuhan hidup.
Sebagai contoh biasanya ibu-ibumembeli 1 kg cabai, begitu harga cabai melonjak, mereka mengurangi
pembelian menjadi 1/2kilo. Sehingga jika IHK turun maka Inflasi akan turun/tidak stabil.
1.2 Tujuan
1. Mahasiswa dapat mengelola dan menggunkana program minitab
2. Mahasiswa dapat mengelola data output minitab
3. Mahasiswa dapat menganalisis data yang telah dilakukan tranformasi
4. Mahasiswa dapat mengetahui pengaruh Indeks Harga Konsumsi terhadpa Inflasi.
 BAB II

METODE STATISTIK

2.1.1. Histogram

Tampilan grafis dari tabulasi frekuensi yang digambarkan dengan grafis batangan sebagai
manifestasi data mining. Dalam histogram, data dikelompokkan dengan kelas-kelas dan didistribusikan secara
proporsional menurut frekuensinya. Tiap tampilan batang menunjukkan frekuensi pada masing-masing data
kategori yang berdampingan dan tidak saling tumpang tindih. Sumbu vertikal pada histogram menyatakan
distribusi frekuensi, sedangkan sumbu horizontal merupakan  ukuran data.

2.1.2 Boxplot

Boxplot merupakan ringkasan distribusi sampel yang disajikan secara gratis yang bisa menggambarkan
bentuk distribusi data, ukuran tedensi sentral dan ukuran penyebaran data pengamatan. Tedapat 5 ukuran
statistik yang bisa kita baca dari  boxplot, yaitu:

a.       Mean : Nilai yang mewakili seluruh data.

b.      Q1 : Mempresentasikan seluruh data yang terdapat pada 25% bagian pertama dari keseluruhan data.

c.       Q2 : Data yang terletak pada bagian tengah, membagi data menjadi 2 bagian sama besar.
d.      Q3 : Mempresentasikan data yang diurutkan pada 75% data dari keseluruhan data.

e.       Qutlier : Data yang menyimpan terlalu jauh dari data lainnya.

2.1.3 Stem and Leaf Plot

Stem and Leaf Plot menggambarkan atau menyajikan data dengan cara memisahkan setiap nilai menjadi
dua bagian yaitu bagian batang (stem) dan bagian daun (leaf). Bagian stem merupakan digit angka paling kiri
dan diikuti dengan angka berikutnya (leaf), digit angka paling kanan. Tujuan utama stem and leaf adalah untuk
mengetahui apakah pada pengamatan simetris, penyebaran dari data menyebar, terdapat pencilan, titik
pemusatan data, dan ada lokasi yang merupakan gap (kerenjangan dalam data).

2.1.4 Probability Plot

Plot probabilitas normal adalah teknik grafis untuk mengidentifikasi outlier , skewness , kurtosis ,
kebutuhan untuk transformasi, dan campuran . Plot probabilitas normal terbuat dari data mentah, residu dari
kecocokan model , dan estimasi parameter.

2.1.5  Residual Plot

        Residual plot merupakan grafik yang digunakan untuk mengetahui kesimetrian data, kemencengan
data, dan outliers. Grafik ini juga bisa digunakan untuk mengetahui suatu data berdistribusi normal atau tidak
dan mengamati korelasi antar data.

2. 1. 6 Mean plot
Mean plot digunakan untuk mengetahui varian rata-rata yang berbeda variabel, ataupun data
tunggal dibagi oleh kurun waktu selama mengalami perubahan dalam setiap kurun waktu tersebut. Mean
plot  juga digunakan untuk mengetahui perubahan ukuran lokasi perubahan mean.
2.1.7 Scatterplot
 Grafik yang biasanya digunakan untuk melihat suatu pola hubungan antara dua variabel. Skala data yang
digunakan haruslah skala interval atau rasio.
a. Keeratan Hubungan : Pola menyerupai garis lurus. Hubungan yang dibentuk dapat berupa hubungan
positif dan negatif.
b. Hubungan Positif : Pola menyerupai garis lurus. Jika variabel 1 mengalami peningkatan, variabel 2 akan
mengalami peningkatan dan sebaliknya.
c. Hubungan Negatif : Pola menyerupai garis lurus. Jika variabel 1 mengalami peningkatan, variabel 2
akan mengalami penurunan dan sebaliknya.
d. Hubungan yang rendah : Jika plot yang terjadi seperti gambar 2.17.d, maka dapat disimpulkan bahwa
antar variabel 1 dengan variabel 2 sangatlah kecil atau tidak ada hubungan.
e. Hubungan non-linier : Jika plot yang terjadi membentuk kurva seperti gambar 2.17.7.e maka
diindikasikan terjadi hubungan non linier antara dua variabel
f. Penyebaran data :Scatterplot juga dapat digunakan untuk melihat penyebaran data. Apakah data
menyebar ataukah mengumpul disuatu area
g. Outlier :Scatterplot juga bisa memiliki outlier. Outlier adalah data yang ekstrim yang kemungkinan
dihasilkan dari situasi yang tidak normal. Kebanyakan peneliti akan mengambil data outlier untuk diteliti
lebih lanjut
2.2 Transformasi Data
Perubahan data dari variabel yang sebenarnya menjadi skala konversi nilai tertentu.
Transformasi data dapat dilakukan untuk data numeri. Transformasi databertujuan untuk mengubah data
menjadi skala yang berbeda, meningkatkan kecocokan data dengan asumsi yang mendasari pada proses
pemodelan , melinearisasikan hubungan antara 2 variabel yang hubungannya tidak linier,
memodifikasikan rentang nilai suatu variabel, mengetahui distribusi dari suatu data. Terdapat 3 macam
yang umum digunakan :
a. Transformasi logaritma 
Untuk data yang simpangan bakunya sebanding dengan rata-rata atau kelipatan data. Data yang
mempunyai ebaran poisson dan binomial umumnya ditransformasikan dengan logaritma.
1) Apabila gugus data adalah Xi maka gunakan  X: logXi
2) Apabila gugus data nilainya < 10 maka gunakan X: log (Xi+1) 
b. Transformasi akar
Transformasi jenis ini disebut juga dengan istilah transformasi akar kuadrat (square root). Transformasi
akar digunakan apabila data anda tidak memenuhi asumsi kehomogenen ragam. Dengan kata lain transformasi
akar berfungsi untuk membuat ragam menjadi homogen. Kalau X adalah data asli anda, maka X’ (X aksen)
adalah data hasil transformasi anda. Jadi X = X’.
Apabila data asli anda menunjukkan sebaran nilai antara 0 – 10, maka anda gunakan transfromasi akar X
+ 0,5. Dan apabila nilai ragam data anda lebih kecil gunakan transformasi akar X + 1. Transformasi akar ini
dapat juga anda gunakan untuk data persentase apabila nilainya antara 0 – 30%. Jika kebanyakan nilainya adalah
kecil, khususnya jika ada nilai 0, maka gunakan transformasi akar X + 0,5 daripada akar X.
c.       Transformasi Arcsin
Transformasi ini disebut juga dengan transformasi Angular. Transformasi Arcsin digunakan apabila data
anda dinyatakan dalam bentuk persentase atau proporsi. Umumnya data yang demikian mempunyai sebaran
binomial. Bentuk transformasi arcsin ini biasa disebut juga transformasi kebalikan sinus atau transformasi arcus
sinus. Kalau X adalah data asli anda, maka X’ (X aksen) adalah data hasil transformasi anda dimana X’ = Arcsin
X. Jadi X = X’. Namun, data dalam bentuk persentase tidak mesti harus menggunakan transformasi arcsin.
 BAB III
ANALISIS DAN PEMBAHASAN

3.1. Analisis Data

3.1.1. Histogram
a) Hasil output minnitab

Histogram of INFLASI Histogram of IHK

Normal Normal
20 Mean 0,4643 18 Mean 127,4
StDev 0,6224 StDev 14,28
N 60 16 N 60

14
15
12

Frequency
Frequency

10
10
8

5 4

0 0
-0,8 0,0 0,8 1,6 2,4 3,2 100 110 120 130 140 150 160

INFLASI IHK

b) Analisis output histogram

1. Mean (center)
Ukuran statisti kecenderungan terpusat
a. Mean IHK pada grafik menyatakan bahwa mean IHK = 127,4
b. Mean INFLASI pada grafik tertera bahwa mean Inflasi = 0,4643
2. Standar Deviasi (Spread)
Sebaran data dalam suatu sampel
a. Pada grafik tertera bahwa Standar Deviasi dari IHK = 14,28
b. Pada grafik tertera bahwa Standar Deviasi Inflasi = 0,6224
3. Kemencengan (Skewness)
a. Skewness IHK adalah termasuk kurva normal, karena grafik tidak condong ke kanan
ataupun ke kiri
b. Skewness Inflasi adalah termasuk kurva normal, karena grafik tidak condong ke kanan
ataupun ke kiri
4. Keruncingan (Kurtosis)
a. Kurtosis IHK termasuk ke dalam grafik leptokurtik (sangat runcing), k > 3
b. Kurtosis Inflasi termasuk ke dalam grafik leptokurtik (sangat runcing), k > 3
5. Outlier (Pencilan)
Data yang menyimpang jauh dari data lainnnya
a. Pencilan data dari IHK tidak ada, pada grafik dapat dilihat bahwa data sama rata. Tidak
adanya pencilan pada suatu data dapat memastikan bahwa data tersebut normal.
b. Pencilan data dari Inflasi adalah data 2,4 < x < 3,2
3.1.2. Boxplot
a) Hasil output minitab

Boxplot of IHK Boxplot of INFLASI

170 3,5

3,0
160

2,5

150
2,0
INFLASI
IHK

140 1,5

1,0
130

0,5
120
0,0

110 -0,5

b) Analisis output Boxplot

1. Nilai minimum
a. Nilai minimum IHK seperti yang tertera pada grafik adalah 100
 b. Nilai minimum Inflasi seperti yang tertera pada grafik adalah -0,5 < x < 0,0
2. Q1 (Kuartil bawah)
a. Q1 pada data IHK seperti yang tertera pada grafik yaitu 110 < x < 120
b. Q1 pada data Inflasi yang tertera pada grafik yaitu 0,0
3. Q2 (Median)
a. Q2 pada data IHK seperti yang tertera pada grafik yaitu 120
b. Q2 pada data Inflasi seperti yang tertera pada grafik yaitu 0,0 < x < 0,5
4. Q3 (Kuartil atas)
a. Q3 pada data IHK seperti yang tertera di grafik adalah 130 < x < 140
b. Q3 pada data IHK seperti yang tertera di grafik adalah 0,5 < x < 1,0
5. Nilai maksimum
a. Nilai maksimum data IHK adalah 160 < x < 170
b. Nilai maksimum data Inflasi adalah 1,5
6. Nilai Outlier
a. Nilai outlier data IHK yang tertera pada grafik tidak ada
b. Nilai outlier data Inflasi yang tertera pada grafik adalah 2,5 dan (3,0 < x < 3,5)
3.1.3. Stem and Leaf Plot
a) Hasil output minitab
Stem-and-leaf of IHK   N = 60 Stem-and-leaf of INFLASI   N = 60
14 11 01233333334444 10 -0 3333311100
24 11 5666788889 (24 0 000000011111112222233444
)
(7 12 0111112
) 26 0 5555556666777889999
29 12 556666788899 7 1 0001
17 13   3 1 5
17 13 8999 2 2 4
13 14 0011234 1 2  
6 14 5 1 3 2
5 15  
5 15 89
3 16 014
b) Analisis output stem and leaf plot
1. Sebaran data
a. Sebaran data pada data IHK simetris
b. Sebaran data pada data Inflasi simetris
2. Modus
a. Pada hasil output, kita dapat mengetahui bahwa nilai modus pada data IHK tidak ada
b. Pada hasil output, kita dapat mengetahui bahwa nilai modus pada data Inflasi
0,07;0,12;0,27;0,55
3. Pencilan
a. Pada data IHK tidak mempunyai data pencilan
b. Pada data Inflasi yang mungkin merupakan pencilan ialah data 2,46 dan 3,29
3.1.4. Probability Plot
a) Hasil output minitab

Probability Plot of INFLASI Probability Plot of IHK

Normal - 95% CI Normal - 95% CI
99,9 99,9
Mean 0,4643 Mean 127,4
StDev 0,6224 StDev 14,28
99 N 60 99 N 60
AD 1,875 AD 2,505
95 P-Value <0,005 95 P-Value <0,005
90 90
80 80
70 70
Percent

Percent

60 60
50 50
40 40
30 30
20 20
10 10
5 5

1 1

0,1 0,1
-2 -1 0 1 2 3 4 60 80 100 120 140 160 180
INFLASI IHK
 b) Analisis output probability plot
1. Grafik probability plot data IHK menunjukkan bahwa persebaran data tidak mengikuti garis
normal, maka dapat disimpulkan bahwa data IHK tidak berdistribusi normal.
2. Grafik probability plot data IHK menunjukkan bahwa persebaran data tidak mengikuti garis
normal, maka dapat disimpulkan bahwa data IHK tidak berdistribusi normal.
3.1.5. Residual Plot
a) Hasil output minitab

Normal Probability Plot Histogram

(response is IHK) (response is IHK)
99,9
12
99

10
95
90
80 8

Frequency
70
Percent

60
50
40
6
30
20
4
10
5

2
1

0,1 0
-50 -40 -30 -20 -10 0 10 20 30 40 -10 0 10 20 30
Residual Residual

Versus Fits
(response is IHK)
40

30

20
Residual

10

-10

-20
115,0 117,5 120,0 122,5 125,0 127,5 130,0 132,5
Fitted Value

b) Analisis output Residual Plot

1. Probability Plot, pada grafik kita dapat melihat bahwa persebaran data tidak mengikuti garis
linier sehingga tidak berdistribusi normal.
2. Histogram, pada grafik histogram kita dapat melihat bahwa data regresi antara IHK dan Inflasi
memiliki pencilan yaitu 30. Selain itu kita juga dapat melihat kemencengan grafik, yaitu
menceng ke kanan.
3. Versus Fits, pada grafik tersebut kita dapat melihat persebaran dari data regresi IHK dan Inflasi
berpusat pada satu titik, namun juga memiliki beberapa data pencilan.
3.1.6. Means Plot
a) Hasil output minitab

Interval Plot of IHK Interval Plot of INFLASI

95% CI for the Mean 95% CI for the Mean
132 0,65

131
0,60

130
0,55
129
0,50
INFLASI

128
IHK

127 0,45

126 0,40

125
0,35
124
0,30
123
Individual standard deviations are used to calculate the intervals.
Individual standard deviations are used to calculate the intervals.

b) Analisis output Means Plot

 1. Pada grafik mean-plot kita dapat mengetahui bahwa data IHK memiliki rata-rata pada interval
127 < x < 128.
2. Pada grafik mean-plot kita dapat mengetahui bahwa data Inflasi memiliki rata-rata pada
interval 0,45 < x < 0,50
3.1.7. Scatter Plot
a) Hasil output minitab

Scatterplot of IHK vs INFLASI

170

160

150
IHK

140

130

120

110
-0,5 0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5
INFLASI

b) Analisis output Scatter-plot

Pada grafik terlihat bahwa persebaran data antara IHK dengan Inflasi terpusat pada satu titik,
namun juga mempunyai beberapa data pencilan.
3.1.8. Uji Normalitas
a) Uji Normalitas IHK
1. Hipotesis
H0 : Data IHK normal
H1 : Data IHK tidak normal
2. Taraf signifikansi
α : 5%
3. Statistik Uji
Grafik probability plot Kolmogorov-smirnov

Probability Plot of IHK

Normal
KS : 0,153
99,9
Mean 127,4
P-Value : <0,010
StDev 14,28
99 N 60
KS 0,153
95 P-Value <0,010
90
80
70
Percent

60
50
40
30
20
10
5

0,1
80 90 100 110 120 130 140 150 160 170
IHK
4. Daerah Kritis
H0 ditolak jika P-Value < 5%
5. Keputusan
H0 ditolak karena P-Value (0,010) < (0,05)
6. Kesimpulan
Karena H0 ditolak maka data tidak berdistribusi normal
b) Uji Normalitas Inflasi
1. Hipotesis
H0 : Data berdistribusi normal
H1 : Data tidak berdistribusi normal
 2. Taraf signifikansi
α : 5%
3. Statistik Uji
Grafik probability plot Kolmogorov-smirnov
Probability Plot of INFLASI
Normal
99,9
KS : 0,106
Mean 0,4643

99
StDev 0,6224
N 60
P-Value : 0,092
KS 0,106
95 P-Value 0,092
90
80
70
Percent

60
50
40
30
20
10
5

0,1
-2 -1 0 1 2 3
INFLASI

4. Daerah Kritis
H0 ditolak jika P-Value < 5%
5. Keputusan
H0 diterima karena P-Value (0,092) > (0,05)
6. Kesimpulan
Karena H0 diterima maka data berdistribusi normal
3.2 Transformasi Data
Karena setelah dilakukan uji normalitas Kolmogorov-smirnov pada data IHK dan Inflasi diketahui
bahwa data IHK tidak berdistribusi normal dan Inflasi berdistribusi normal, maka kita dapat
mentransformasikan data menjadi skala tertentu agar berdistribusi normal.
a) Hasil output minitab
Johnson Transformation for IHK Johnson Transformation for INFLASI
Probability Plot for Original Data Select a Transformation Probability Plot for Original Data Select a Transformation
99,9 0,35 99,9 0,59
N 60 N 60
0,3
P-Value for AD test

99 99
P-Value for AD test

AD 2,505 AD 1,875 0,3

P-Value <0,005 P-Value <0,005
90 0,2 90
0,2
Percent

Percent

50 50
0,1 Ref P 0,1 Ref P
10 10
0,0 0,0
1 0,2 0,4 0,6 0,8 1,0 1,2 0,4 0,6 0,8 1,0 1,2
1
0,1 Z Value Z Value
90 120 150 180 0,1
(P-Value = 0,005 means ≤ 0,005) -2 0 2 4
(P-Value = 0,005 means ≤ 0,005)
Probability Plot for Transformed Data
Probability Plot for Transformed Data
99,9
N 60 99,9
99 AD 0,423
N 60
P-Value for Best Fit: 0,309831 99 AD 0,410
P-Value 0,310 P-Value for Best Fit: 0,333646
90 Z for Best Fit: 0,35 P-Value 0,334
90 Z for Best Fit: 0,59
Best Transformation Type: SB
Percent

Best Transformation Type: SU

Transformation function equals
Percent

50
1,08724 + 0,752544 × Ln( ( X - 110,321 ) / ( 175,802 - X ) ) 50 Transformation function equals
-1,50648 + 1,71212 × Asinh( ( X + 0,230475 ) / 0,579357 )
10
10
1
1
0,1
-4 0 4
b) Uji Normalitas Trasformasi data IHK 0,1
-4 0 4

1. Hipotesis : H0 = Data normal

H1 = Data tidak normal
2. Taraf Signifakasi :  = 5%
3. Statistik Uji : Grafik probabilitiy plot kolmogorov-smirnov
4. Daerah Kritis : H0 ditolak jika P.value < 
5. Keputusan : H0 diterima karena P. value (0,310) > α (0,05)
6. Kesimpulan : Karena H0 diterima, maka IHK berdistribusi normal.
c) Uji Normalitas Transformasi data Inflasi
1. Hipotesis : H0 = Data Inflasi normal

H1 = Data Inflasi tidak normal

2. Taraf Signifakasi :  =5%

3. Statistik Uji : Grafik probabilitiy plot kolmogorov-smirnov
4. Daerah Kritis : H0 ditolak jika P.value < 
5. Keputusan : H0 ditolak karena P. value (0,334) > α (0,05)
6. Kesimpulan : Karena H0 diterima, maka data tranformasi Inflasi berdistribusi normal