STATISTIK :
Kumpulan fakta, umumnya berbentuk angka
yang disusun dalam tabel dan atau diagram yang
menggambarkan suatu persoalan.
STATISTIKA :
Pengetahuan yang berhubungan dengan cara-
cara pengumpulan fakta, pengolahan serta
penganalisaannya, penarikan kesimpulan serta
pembuatan keputusan yang cukup beralasan
berdasarkan fakta dan analisa yang dilakukan
APLIKASI ILMU STATISTIK
dibagi dalam 2 bagian
STATISTIK DESKRIPTIF:
Menjelaskan berbagai karakteristik data, seperti
rata-rata, variasi data terhadap rata-ratanya,
median, modus, dsb.
1. DATA KUANTITATIF:
Data yang berbentuk bilangan, harganya
berubah ubah atau bersifat variabel.
2. DATA KUALITATIF :
Data yang berupa kategori atau atribut.
Contoh : laki-laki, perempuan, bagus, rusak,
dll.
POPULASI :
Sekumpulan data yang menggambarkan
fenomena secara menyeluruh. Contoh : semua
pegawai PT PLN (Persero)
SAMPEL :
Sekumpulan data yang diambil secara acak dari
populasi. Contoh : pegawai laki-laki di PT PLN
(Persero).
MENGUKUR RATA-RATA &
STANDAR DEVIASI
RATA-RATA :
Rata-rata x = (∑xi)/n
PROBABILITAS
MENGUKUR RATA-RATA & STANDAR
DEVIASI
RATA-RATA :
x
x i
n
STANDAR DEVIASI :
x
2
x
s sampel i
n 1
x x
2
s populasi i
n
ANALISIS REGRESI & KORELASI
Y :Actual data
c
b Regression equation
a Y = a + bX +c
X
0
Model matematika yang menyatakan hubungan antara variabel tidak
bebas (response variable) dengan variabel bebas (predictor)
REGRESI NON LINIER
Trend Eksponensial
Trend Logistik
a>0, b>1
Y = abX
a<0, b<1
a>0, b<1
a<0, b>1
KORELASI
JKT
yi y
2
ˆ
y y
2
i
0 R2 1
MEMBENTUK REGRESI LINIER
y = a + bx
MEMBENTUK REGRESI LINIER
2. Metode Kuadrat Terkecil :
Y
y = a + bx
Y’
Y
a y bx
Y’
y x
Y’ Y
yx
i i
n
i i
b
xi
2
xi n
2
PENGENALAN
DEMAND FORECAST
Apa Itu Forecast ?
“Apa saja bisa di forecast, tetapi tidak semua
bisa di prediksi”
•Prediksi berarti sudah menyangkut hukum /
fenomena alam, sedangkan
•Forecast lebih bersifat probabilitas
•Forecast adalah pernyataan tentang masa depan
KLASIFIKASI METODE PERAMALAN
Ilustrasi Model Matematis
Forecasting Method
Examples : Examples :
sales(t) = f( sales(t-1), sales(t-2), …) sales(t) = f ( price(t), advert(t), ……..)
Regression Statistics
Multiple R 0,992469648
R Square 0,984996003
Adjusted R Square 0,977494005
Standard Error 0,043723168
Observations 7
ANOVA
df SS MS F Significance F
Regression 2 0,502008105 0,251 131,298 0,00022512
Residual 4 0,007646862 0,0019
Total 6 0,509654967
Coefficients Standard Error t Stat P-value Lower 95% Upper 95% Durbin-Watson
Intercept -2100376304 3,598219321 -5,8373 0,00429 -30,99404216 -11,01348393 2,656508469
X Variable 1 0,954909101 0,218507229 4,3701 0,01197 0,348234518 1,561583685
X Variable 2 2,444634562 0,188815958 12,947 0,00021 1,92096333 2,968872791
REGRESI
Model 2 : tiga variabel
SUMMARY OUTPUT
Regression Statistics
Multiple R 0,99760490
R Square 0,99521554
Adjusted R Square 0,98803884
Standard Error 0,02667809
Observations 6
ANOVA
df SS MS F Significance F
Regression 3 0,29608967 0,0987 138,673 0,007166105
Residual 2 0,001423441 0,00071
Total 5 0,297513111
Coefficients Standard Error t Stat P-value Lower 95% Upper 95% Durbin-Watson
Intercept -2,52900493 7,090905676 -0,3567 0,75546 -33,03873083 27,980721 2,114590767
X Variable 1 0,15891128 0,324887762 0,48913 0,67313 -1,238968908 1,55679147
X Variable 2 0,18877955 0,778093437 0,24262 0,83091 -3,15908836 3,53664773
X Variable 3 0,86352862 0,292600946 2,95122 0,09819 -0,395432521 2,12248975
FORECAST MODEL
LANGKAH PEMBENTUKAN MODEL
Contoh (1)
Descriptive Statistics
Correlations
Model Summary
Change Statistics
AdjustedStd. Error o
R Square
Mode R R Square R Squarehe Estimate ChangeF Change df1 df2 g. F Chang
1 1.000a .999 .999 64.74851 .999713.873 5 16 .000
a.Predictors: (Constant), PENDUDUK, INFLASI, GDP, T_PLG, DAYA_MVA
Contoh (4)
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
1 Regression 2,52E+10 5 5038385636 3713.873 .000a
Residual 21706226 16 1356639.102
Total 2,52E+10 21
a. Predictors: (Constant), PENDUDUK, INFLASI, GDP, T_PLG, DAYA_MVA
b. Dependent Variable: T_GWH
Contoh (5)
a
Coefficients
Unstandardized Standardized
Coefficients Coefficients Correlations Collinearity Statistics
Model B Std. Error Beta t Sig. Zero-order Partial Part Tolerance VIF
1 (Constant)-63719,3 3691.287 -1.891 .077
T_PLG 474E-04 .001 .159 1.086 .294 .989 .262 .008 .003 399.285
DAYA_MVA 1.144 .465 .505 2.459 .026 .998 .524 .018 .001 783.950
INFLASI -34.099 19.805 -.015 -1.722 .104 .038 -.395 -.013 .724 1.380
GDP 977E-03 .001 .157 4.451 .000 .932 .744 .033 .043 23.072
PENDUDU .371 .212 .193 1.754 .099 .996 .402 .013 .004 225.030
a.Dependent Variable: T_GWH
Contoh (6)
Descriptive Statistics
Correlations
Model Summary
Change Statistics
Adjusted Std. Error of R Square
Model R R Square R Square the Estimate Change F Change df1 df2 Sig. F Change
1 .999a .999 .999 1294.15084 .999 7517.738 2 19 .000
a. Predictors: (Constant), DAYA_MVA, GDP
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
1 Regression 2,52E+10 2 1,259E+10 7517.738 .000a
Residual 31821702 19 1674826.406
Total 2,52E+10 21
a. Predictors: (Constant), DAYA_MVA, GDP
b. Dependent Variable: T_GWH
Contoh (9)
MODEL: MOD_1.
_
Dependent variable.. GDP Method.. LINEAR
Listwise Deletion of Missing Data
Multiple R ,89962
R Square ,80931
Adjusted R Square ,79978
Standard Error 611399,09775
Analysis of Variance:
DF Sum of Squares Mean Square
Regression 1 31730592439142 31730592439142
Residuals 20 7476177134539 373808856726,9
F = 84,88454 Signif F = ,0000
e e i 1
2
R 2
i
e
2
i
Kriteria Pengujian :
• Jika du < d maka Ho diterima
• Jika d < dl maka Ho ditolak, terjadi korelasi positif
• Jika d > (4‐dl) maka Ho ditolak, terjadi korelasi negatif
• Du < d < dl atau (4‐du) < d < (4‐dl) maka tidak dapat disimpulkan
Nilai du dan dl didapat dari tabel titik kritis Durbin Watson
PENGUJIAN HIPOTESIS
2. Hipotesis Uji Koefisien Regresi:
Ho : βi = 0 (Koefisien regresi tidak signifikan)
Hi : βi ≠ 0 (Koefisien regresi Signifikan)
Statistik uji
bi - βi
t= sbi
selain statistik Uji t, menguji koefisien regresi dapat juga
menggunakan Uji F
Kriteria Pengujian
t n-2,α/2 ≤ t hitung ≤ t n-2, 1-α/2 daerah penerimaan Ho
PENGUJIAN MULTIKOLINIERITAS
2. Model input:
Pilihan rjenis regresi
(linier atau non liner)
3. Proyeksi PDRB,
penduduk, dafter
tunggu
Start
Theory of
the model
TAHAPAN Repair, arrange
Prepare the available
data for use
PEMILIHAN
the data
Regression
Analysis
METODE
REGRESI UNTUK
No
Checking reliability of model formula
DEMAND Yes
Confirm the
FORECAST structure of model
Forecasting
(Interpolation)
No
Checking reliability of model
Setting Yes
Exogenous
Variable Forecasting
(Extrapolation test)
Simple Regression Analysis (Exercise)
Linear Approximation
Logarithmic Approximation
Power Approximation
Exponential Approximation