SOAL PILIHAN GANDA (40 pertanyaan)

1. Jenis kesalahan hipotesis

Kesalahan Jenis 1 (α) : kesalahan tolak H0 padahal H0 benar.
Kesalahan Jenis 2 (β) : kesalahan terima H0 padahal H0 salah.
T: terkait dengan teori tersebut mana yang benar
J : α dan β bisa diperkecil dengan memperbesar sampel
Penjelasan:
1. Kesalahan Jenis Pertama, ialah kesalahan yang mungkin timbul karena H0 yang ditolak
sesungguhnya benar. Peluang timbulnya salah jenis pertama ini dilambangkan dengan
 atau P(tolak H0 H0 benar) = .
2. Kesalahan Jenis Kedua, ialah kesalahan yang mungkin dibuat, karena kita telah
menerima berlakunya suatu H0 yang sesungguhnya tidak benar. Peluang untuk
membuat salah jenis kedua ini dilambangkan dengan  atau P(terima H0 H0 salah) =
.
Jika α diperkecil, peluang terjadi  membesar. Tapi kedua jenis kesalahan tersebut bisa
diperkecil kalau ukuran sampel (n) diperbesar.

Langkah-Langkah Pengujian Hipotesis

1. Penentuan H0 dan H1 berdasarkan anggapan yang akan diuji. H1 adalah hipotesis yang
kita harapkan berlaku kebenarannya; H0 adalah hipotesis yang menolkan apa yang
sesungguhnya kita harapkan berlaku kebenarannya;
2. Penentuan taraf uji (taraf nyata pengujian);
3. Pilih Statistik uji yang sesuai. Penghitungan nilai statistik uji berdasarkan keterangan
yang dihimpun dari data;
4. Penentuan daerah kritis, yaitu untuk mengetahui batas-batas daerah tolak H0 (area
sebesar 1-  di bawah kurva) dan daerah terima/tidak menolak H0 (area sebesar 
dibawah kurva);
5. Keputusan, membuat keputusan untuk tidak menolak atau menolak H0 berdasarkan
kriterium pengujian yang berlaku;
6. Kesimpulan

2. Syarat sampel yang baik : valid, presisi, reliable, akurat

T : jika sampel memiliki standar error yang kecil tetapi bias adalah sampel yang bersifat
J : presisi

3. T : yang termasuk kegiatan pengumpulan bahan/ informasi pendukung kegiatan statistik

J: 1. Pengumpulan literatur / pustaka
2. Website
3. Kompilasi hasil penelitian

1
 4. Opini / hasil penelitian sebelumnya

Telaah Literatur:
1. Mengarahkan Argumentasi penggunaan metode pengumpulan dan pengolahan data
penelitian sekarang dengan penelitian sebelumnya
2. Untuk konfirmasi atas teori-teori temuan sebelumnya
3. Menemukan keterbatasan penelitian terdahulu dan kemudian memperbaikinya

4. T : yang termasuk hasil kegiatan menelaah bahan/ informasi pendukung kegiatan

statistik
J : 1. Kerangka kerja konseptual
2. Kerangka kerja operasional
3. konsep/konstruk
4. definisi

5. T : jika seorang peneliti ingin membuktikan bahwa terdapat perbedaan antara..............

bagaimana hipotesisnya
J : H0 : tidak terdapat perbedaan.....
H1 : terdapat perbedaan.......

6. T : yang termasuk sampling berpeluang (pertanyaan kemarin kecuali..)

J : jenis sampling berpeluang (SRS, Systematic sampling, stratified, cluster, multistage)

PROBABILITY SAMPLING
(Setiap unit dalam populasi berkesempatan(peluang) untuk dipilih dalam sampel dan
keseluruhan sampel terpilih dapat mewakili populasi)
1. Sampling Acak Sederhana (Simple Random Sampling)
Pengambilan sampel dari populiasi secara acak
2. Sampling Acak Sistematis (Systematic Random Sampling)
Pengambilan sampel melibatkan aturan populasi dalam urutan sistematika tertentu.
3. Sampling Stratifikasi (Stratified Sampling)
Populasi dibagi ke kelompok strata kemudian ambil sampel dari tiap kelompok tergantung
kriteria. Misalnya, populasi dibagi ke dalam anak-anak dan orang tua kemudian memilih
masing-masing wakil dari keduanya.
4. Sampling Rumpun (Cluster Sampling)
Misalnya, populasi Jawa Tengah lalu sampel diambil dari tiap kabupaten.
5. Sampling Bertahap (Multistage Sampling)
Pengambilan sampel menggunakan lebih dari satu teknik probability sampling. Misalnya,
menggunakan metode stratified sampling pada tahap pertama kemudian metode simple
random sampling di tahap kedua dan seterusnya sampai mencapai sampel yang
diinginkan.
6. Probabilitas Proporsional Ukuran Sampling (Probability Proportional to Size Sampling)

2
 bentuk multistage sampling di tahap pertama dan kemudian random sampling di tahap
kedua, tapi jumlah sampel sebanding dengan ukuran populasi.

7. T : yang termasuk sampling non probability (sampel dipilih berdasarkan kriteria tertentu
sesuai dengan tujuan penelitian)
J : jenis sampling non probability : convenience, snowball, purposive, quota

1. Sampling Kuota (Quota Sampling)

Mirip stratified sampling yaitu berdasarkan proporsi ciri-ciri tertentu untuk menghindari
bias. Misalnya, jumlah sampel laki-laki 50 orang maka sampel perempuan juga 50 orang.
2. Sampling Kebetulan (Accidental Sampling)
populasi adalah setiap pegguna jalan tol, maka peneliti mengambil sampel dari orang-
orang yang kebetulan melintas di jalan tersebut pada waktu pengamatan.
3. Sampling Purposive (Purposive or Judgemental Sampling)
Pengambilan sampel berdasarkan seleksi khusus. Misalnya, Anda meneliti kriminalitas di
Kota Semarang, maka Anda mengambil informan yaitu Kapolresta Semarang, seorang
pelaku kriminal dan seorang korban kriminal.
4. Sampling Sukarela (Voluntary Sampling)
5. Sampling Snowball (Snowball Sampling)
Misalnya, penelitian tentang korupsi bahwa sumber informan pertama mengarah kepada
informan kedua lalu informan ke tiga dan seterusnya.

8. Kriteria penduga yang baik : unbiased, konsisten, cukup, efisien, varian minimum
T : syarat penduga yang baik kecuali
J : varian maksimum
Ada beberapa kriteria penduga (estimator) yang baik yaitu:
1. Tidak bias (unbiased)
Penduga θ^ , dikatakan tidak bias apabila ekspektasi nilai penduga (rata-rata penduga), sama
dengan nilai populasi.
2. Konsisten (Consistent)
jika  = nilai rata-rata populasi sama dengan θ^ =nilai rata-rata dari sampel yang mungkin.

9. T : jika penduga konsisten maksudnya apa

J : penduga konsisten jika hasil dugaan mendekati parameter populasi. Artinya jika sampel
diperbesar varian dan standar eror semakin kecil.

10. T : mana pernyataan yang benar

J : ketika sampel diperbesar varian semakin mengecil

Teori jika sampel diperbesar maka :

1. sampling eror mengecil
2. non sampling eror membesar

3
 3. total eror = sampling eror + non sampling eror
4. varian mengecil karena semakin mendekati parameter populasi

11. T : alasan menggunakan multistage sampling kecuali

J : tidak tersedianya kerangka sampel pada one stage sampling

12. T : data yang membedakan kelompok tetapi tidak memiliki tingkatan disebut
J : data nominal

Teori : jenis data berdasarkan skalanya : interval, rasio, ordinal, nominal

 Nominal adalah skala ukur perbedaan antar kategori. Misalnya agama yaitu
Protestan, Katolik, Islam, Yahudi, Buddha. Atau,
 Ordinal adalah skala ukur seperti Tinggi, Rendah, Sedang atau sikap (Sangat Setuju,
Setuju, Tidak Setuju, Sangat Tidak Setuju).
 Interval mengukur apa yang bisa diukur nominal dan ordinal ditambah skala. seperti
Skor IQ (95, 110, 125) atau temperatur (5 derajat, 7, derajat, atau 9 derajat).
 Rasio bisa mengukur apa yang bisa diukur nominal, ordinal, dan rasio ditambah rasio
punya titik 0 yang pasti seperti uang (1 rupiah, 2 rupiah) atau tahun belajar (1 tahun,
2 tahun, 3 tahun).

13. pertanyaan tentang rasio (lupa pertanyaan n jawabannya)

Median digunakan bila:
Rata - rata tak memenuhi syarat pada data berjenis interval/rasio seperti:
a) Sebaran data yang tidak simetrik
b) Untuk inferensi jika sebaran data tidak normal dengan selang kepercayaan.

14. T : analisa yang mengelompokan sampel dalam kelompok-kelompok homogen

J : gak ingat pilihan jawaban (kemungkinan stratified sampling)

Syarat Stratified Sampling:

1. Dalam pembentukan strata diusahakan elemen-elemen yang hampir sama dimasukkan ke
dalam satu strata sehingga varians di setiap strata menjadi lebih homogen;
2. Lebih baik jika perbedaan rata-rata karakteristik antar strata dibuat sebesar mungkin
perbedaannya sehingga varians antar strata menjadi lebih heterogen.
Keuntungan:
1. Nilai estimasi dengan presisi tinggi, baik untuk setiap strata maupun untuk populasi
secara keseluruhan;
2. Tiap strata bisa dianggap sebagai populasi tersendiri sehingga presisi yang dikehendaki
maupun penyajiannya bisa tersendiri;
3. Masalah penarikan sampel dapat berbeda dalam bagian populasi yang berbeda;

4
 Kelemahan:
1. Sering tidak ada informasi awal yang tepat sebagai dasar pengelompokkan, akibatnya
strata yang dibuat tidak sesuai dengan tujuan;
2. Harus dibuat kerangka sampel terpisah dan berbeda untuk tiap kelompok.
15. T : yang tidak termasuk bahasa pengolahan
J : cek data lapangan

16. T : tahapan pengolahan data

J : receiving/batching-> editing coding -> entry data -> validasi

17. T : jika kita ingin membandingkan hasil pilkada tahun ini dengan tahun lalu
J : lupa pilihan jawaban (kemungkina chi square)

18. T : contoh kegiatan analisis mendalam satu sektor

J : mengumpulkan informasi tentang penduduk, menganalisa, mentabulasi, mengambil
kesimpulan

Teori: analisis mendalam satu sektor -> menganalisa hanya satu sektor saja misalkan
pertanian, penduduk tanpa dibandingkan dengan sektor lain

19. T : tentang analisis mendalam satu sektor lagi, kecuali..

J : lupa pilihan jawaban

20. T : yang menunjukan kekuatan hubungan....

J : korelasi

Teori: korelasi -> hubungan yang menunjukan kuat atau tidak dan arah hubungan berlawan
atau searah, nilai antara -1 <r<1
Koefisien determinasi /r square -> persentase besarnya variabel independent mempengaruhi
variabel dependent

21. T: Apa makna jika R-square bernilai negative?

J: Adjusted R-Square bernilai negatif
1. Model tidak bagus
2. Variable terlalu banyak
3. Data observasi terlalu sedikit

22. T : hasil regeresi amin memiliki r-squre tinggi tetapi bias. Hasil regresi iman ..........
Asumsi apa yang dilanggar pada hasil regresi amin dan iman
J : homoskedastisitas dan multukoinieritas

5
 Uji Regresi mengasumsikan variabel-variabel bebas tidak memiliki hubungan linier satu
sama lain. Sebab, jika terjadi hubungan linier antar variabel bebas akan membuat prediksi
atas variabel terikat menjadi bias karena terjadi masalah hubungan di antara para variabel
bebasnya. 
mengenai Uji Multikolonieritas dengan Melihat Nilai Tolerance dan VIF SPSS >10

Hipotesis untuk Multikolinieritas ini adalah:

Uji Heteroskedastisitas. pada dasarnya bertujuan untuk menguji apakah dalam model
regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan
yang lain. Jika variance dari residual satu pengamatan ke pengamatan lain TETAP, maka
disebut Homoskedastisitas dan berbeda disebut Heteroskedastisitas.
Model regresi yang baik seharusnya tidak terjadi heteroskedastisitas.
1. Jika nilai signifikansi lebih besar dari 0,05, kesimpulannya adalah tidak terjadi
heteroskedastisitas.
2. Jika nilai nilai signifikansi lebih kecil dari 0,05, kesimpulannya adalah terjadi
heteroskedastisitas.

Interprestasi :
Berdasarkan output di atas diketahui bahwa nilai signifikasi variabel Motivasi (X1) sebesar 0,004
lebih kecil dari 0,05, artinya terjadi heteroskedastisitas pada variabel Motivasi (X1).
Sementara itu, diketahui nilai signifikasi variabel Minat (X2) yakni 0,009 lebih kecil dari 0,05,
antinya terjadi heteroskedastisitas pada variabel Minat (X2)

23. T : Penentuan jumlah sampel berdasarkan hal-hal berikut, kecuali

J : waktu penelitian

Teori : jumlah sampel dipengaruhi oleh Rata-rata, simpangan baku, variabel, jumlah
populasi

24. T : hal pertama yang dilakukan peneliti dalam menyusun survei adalah
J : menentukan tujuan survei

25. T : yang bukan termasuk cara smoothing data

J : lupa pilihan jawaban

6
 Teknik pemulusan (SMOOTHING). Kalau ada tren (naik/turun) gunakan teknik pemulusan
Double Moving Average, jika tidak ada tren pakai teknik pemulusan Exponential
Smoothing
data yang sudah dimuluskan artinya tingkat ketidakberaturan (irreguler) data sudah
dihilangkan pengaruhnya.
Smoothing adalah salah satu cara untuk menghilangkan noise pada data fluktuatif

26. T : yang bukan termasuk cara pemodelan/peramalan data :

J : lupa pilihan jawaban. Sepertinya ada least square, moving average

27. T : yang bukan termasuk statistik inferensia

J : lupa pilihan jawaban (kemungkinan scatterplot)

Penjelasan:
Statistik dibagi menjadi 2, DESKRIPTIF dan INFERENSIA (sudah dipelajari di grup Statistisi
Jabar)

28. T : metode peramalan data timeseries, kecuali

J : kuadrat maksimum. (seharusnya metode yang digunakan kuadrat minimum/least square)
Penentuan Garis Trend
1. Metode Setengah Rata-rata (Semi Average)
2. Metode Kuadrat Minimum (Least Square Method)
3. Metode Rata-rata Bergerak (Moving Average)
Variasi Musim
1. Metode rata-rata sederhana
2. Metode Persentase dari Trend (Falkner’s Method)
3. Metode rasio terhadap rata-rata bergerak
Bab IV Variasi Siklis dan Random
Metode pengukuran random

7
SOAL ESSAY (pilih 5 dari 9 soal)

1. Sebutkan dan jelaskan cara mengumpulkan pengumpulan bahan/ informasi pendukung kegiatan statistik
J:

1. Pengumpulan literatur / pustaka 2. kompilasi hasil penelitian

3. website 4. opini / hasil penelitian sebelumnya

2. Sebutkan dan jelaskan hasil kegiatan menelaah bahan/ informasi pendukung kegiatan statistik
J :

1. Kerangka kerja konseptual 2. konsep/konstruk

3. definisi 4. Kerangka kerja operasional

3. Sebutkan dan jelaskan tahap pengolahan data

J : Secara umum kegiatan pengolahan data mencakup beberapa tahapan kerja sebagai berikut:

a. Pembuatan program data b. Receiving dan c. Editing dan Coding

entry Batching

d. Entri Data e. Revalidasi dan f.

Tabulasi

Receiving dan Batching

Tahap receiving dan batching termasuk langkah dalam proses pengolahan data.
1. Mengecek kelengkapan dokumen apakah sesuai target sampel.
2. Melakukan batching (pengelompokan) dokumen sesuai kebutuhan. biasanya sesuai blok
atau desa.
3. Membuat laporan receiving dan batching yang berisi jumlah dokumen diterima, jumlah
dokumen setiap batch, serta dokumen yang belum masuk.

Editing dan Coding

Proses editing (penyuntingan) dan coding (penyandian) adalah proses pengecekan dokumen
setelah selesai dibatching sesuai kaidah-kaidah penyuntingan dan penyandian.
Pada tahap ini, satu kelompok dokumen (satu batch) sebaiknya diserahkan kepada satu orang
petugas agar mudah untuk dikontrol.

Tata cara melakukan editing-coding sebagai berikut:

1. Pengecekan kewajaran isian pertanyaan.

8
2. Pengecekan konsitensi antar pertanyaan satu dengan pertanyaan yang lain.
3. Pemberian kode misalnya jenis pekerjaan utama dan lapangan usaha.
4. Pengecekan isian yang meragukan. Apabila ada keraguan, laporkan ke pengawas agar segera
dilakukan pengecekan lapangan.

Rule validasi Entry Data (Membatasi data input dengan menggunakan aturan validasi)
 Aturan validasi bidang
 Aturan validasi rekaman
 Validasi pada

Validasi Data adalah proses memastikan program beroperasi dengan bersih, data yang
benar dan berguna. Menggunakan aturan validasi yang memeriksa kebenaran,
kebermaknaan, dan keamanan data yang masukan ke sistem.

Validasi metode

1. Batch total, 2. Periksa kardinalitas,  3. Periksa digit, 

4. Konsistensi 5. Kontrol total,  6. Cross-sistem Konsistensi Cek,

Cek,

7. Cek tipe data,  8. Batas cek, 9. Logika cek,

10. Rentang cek, 11. Integritas

referensial, 

4. Jelaskan mengenai statistik inferensia, jenisnya, dan berikan contoh

J: Statistika Deskriptif

Statistika Deduktif/Deskriptif merupakan metode yang berkaitan dengan pengumpulan dan penyajian
suatu hasil pengamatan (data) sehingga memberikan informasi yang berguna bagi pihak-pihak yang
berkepentingan terhadap data dan informasi tersebut. statistika deskriptif hanya menyajikan data yang
dimiliki (data dari sampel) dan bukan kesimpulan apapun tentang data populasi. Penyampaian informasi
dapat berupa diagram, grafik, gambar dan tabel.
Pokok-pokok bahasan yang diuraikan di dalam statistika deskriptif sebagai berikut :
1. Distribusi frekuensi
2. Pengukuran nilai-nilai statistika
3. Angka indeks
4. Analisis time series (analisis runtut waktu)

9
 Statistika Induktif/Inferensi adalah statistika yang menggunakan data pada suatu sampel untuk
kemudian sampai pada peramalan atau penarikan kesimpulan (generalisasi) mengenai keseluruhan data
induknya (populasi)
Pengambilan kesimpulan dari statistika inferensial yang hanya didasarkan pada sebagian data saja yang
menyebabkan sifat tak pasti, memungkinkan terjadi kesalahan dalam pengambilan keputusan
Pokok-pokok bahasan yang dikemukakan di dalam statistika induktif sebagai berikut :
1. Probabilitas
2. Kurva normal
3. Sampling dan distribusi sampling
4. Estimasi (pendugaan) harga parameter
5. Uji hipotesis, baik sederhana, perbandingan antara dua nilai; bagi mean maupun proporsi
6. Regresi, termasuk pengujian signifikasi dan penggunaannya untuk prediksi
7. Korelasi

5. sebutkan dan jelaskan syarat yang harus dipenuhi dalam regresi linier
J : Analisis regresi adalah suatu teknik statistikal yang dipergunakan untuk menganalisis pengaruh di
antara suatu variabel dependen dan variabel independen

Dalam regresi  linear salah satu yang harus dipenuhi agar taksiran parameter dalam model tersebut
bersifat BLUE (Best, Linear, Unbiased, and Estimator) adalah var (ui) = σ2 mempunyai variasi
yang sama. 
1. Normalitas
menguji apakah dalam model regresi, variabel penggangu atau residual memiliki distribusi
normal. Jika asumsi ini dilanggar, maka uji statistik menjadi tidak valid atau bias terutama untuk
sampel kecil. Uji normalitas dapat dilakukan melalui dua pendekatan yaitu melalui pendekatan
grafik (histogram dan P-P Plot) atau uji kolmogorov-smirnov, chi-square, Liliefors maupun
Shapiro-Wilk.
2. Multikolinieritas
muncul jika terdapat hubungan yang sempurna atau pasti di antara beberapa variabel atau semua
variabel independen dalam model. 
Untuk mendeteksi multikolinearitas digunakan pengukuran terhadap nilai VIF (Variable Inflation
Factor) dan nilai Tolerance . 
3. Heterokedastisitas
mendeteksi apakah kesalahan pengganggu dari model yang diamati tidak memiliki varians yang
konstan dari satu observasi ke observasi lainnya.
4. Kelinieran
5. Autokorelasi
korelasi antara anggota serangkaian observasi yang diurutkan seperti data deret waktu atau ruang
seperti data cross-section. Untuk mengetahui autokorelasi digunakan uji Durbin-Watson (DW-
test)

6. Alasan SRS jarang digunakan

a. Sulit dalam pengambilan sampel populasi besar karena harus mengambil angka TAR satu persatu

10
 b. biasanya digunakan pada populasi yang cenderung homogen kenyataannya jarang populasi
homogen
c. membutuhkan sampel jauh lebih banyak daripada metode lain untuk mendapatkan relatif sttandar
eror yang kecil
d. sampel cenderung menyebar jauh sehingga membutuhkan biaya, tenaga, dan waktu yang lebih
banyak
7. Syarat model baik menurut boxjenkins
a. Autoregrsive, nilai X dipengaruhi oleh nilai * periode sebelumnya hingga periode ke-p. jadi yang
berpengaruh disini adalah variabel itu sendiri. 
b. Moving average, nilai variabel x dipengaruhi oleh error dari varibel x tersebut.
c. Integreted,   apabila data stasioner pada level maka ordonya sama dengan 0, jika stasioner pada
different pertama maka ordonya 1, dst.

11
SOAL ANALISIS (pilih 5 dari 9)

1. GAMBAR SCATTER PLOT ANTARA LUAS RUMAH DENGAN HARGA RUMAH.

JELASKAN
Keterangan : P-value=0,000, korelasi = 0,981
Jawab :
a. dari signifikasi < 0,05, model diterima untuk
menjadi model peramalan
b. harga rumah berbanding lurus dengan luas rumah
dengan hubungan yang sangat kuat
c. r-square = 0,981x0,981 = 0,962. Artinya luas
rumah dapat menjelaskan harga rumah sebesar
96,2 persen, sisanya dijelaskan oleh variabel lain.

2. GRAFIK DEPENDENCY RATIO

Jawab :
1. trend dependency ratio menurun dari tahun 1981 ke
tahun 2010
2. semakin rendah dependency ratio menunjukan beban
tanggungan ekonomi semakin menurun
3. pada tahun 1981, satu orang penduduk yang produktif
menanggung sebanyak 81 s/d 82 penduduk yang tidak
produktif. Sedangkan pada tahun 2010 satu orang penduduk produktif menanggung beban 51-52 orang
penduduk tidak produktif

3. a. HASIL RUNNING REGRESI LOGISTIK.

Disini sampel acak  30 mahasiswa jurusan tehnik sipil. Hasil tes tertulis yang adalah variabel
terikat merupakan kategorik (1=lulus dan 0=tidak lulus), jenis kelas juga kategorik (1=reguler
dan 0=non reguler) dan nilai tes praktikum adalah non kategorik (kontinyu).

Nilai -2LogL = 8,809. Lalu, bandingkan

dengan nilai Chi Square (0,05,df=30-3),
ternyata hasilnya 8,809 < 40,1132721 (terima
hipotesis nol >> tidak signifikan) sehingga
model sudah fit dengan data
Dalam regresi biasa, dipakai R square untuk
menunjukkan pengaruh bersama. Pada regresi
logistik kita pakai Cox & Snell dan
Nagelkerke R Square. sebesar 88,6% (misal
Nagelkerke) sedangkan sisanya sebesar 11,4%
dijelaskan oleh variabel lain di luar model

12
 penelitian
Uji hipotesis Hosmer and Lemeshow Test.
Hasilnya, nilai Sig 0,999 lebih besar daripada
Alpha 5%. sehingga kita menerima hipotesis
nol (secara statistik tidak terdapat perbedaan
yang signifikan antara model dengan nilai
observasi) sehingga model sudah fit dengan
data.

interpretasi model regresi

logistik..
LnP/1-P=-19,856+2,552
Nilai_Tes_Prak.+19,683
Jenis_Kelas

3. a. HASIL RUNNING REGRESI BERGANDA.

Contoh kasus pada uji normalitas, Seorang mahasiswa melakukan penelitian tentang faktor-
faktor yang mempengaruhi harga saham. ingin mengetahui hubungan antara rasio keuangan
PER dan ROI terhadap harga saham.Dari uraian didapat variabel dependen (Y) = harga
saham, sedangkan variabel independen (X1 dan X2) adalah PER dan ROI.

Persamaan regresinya sebagai berikut:

Y’ = a + b1X1+ b2X2
Y’ =  4662,491 - 74,482X1 + 692,107X2
Persamaan regresi di atas dapat dijelaskan sebagai berikut:
- Konstanta 4662,491; artinya jika (X1) dan (X2) nilainya 0, maka harga saham (Y’)
Rp.4662,491.
- Koefisien regresi variabel PER (X1) sebesar -74,482; artinya jika variabel independen lain
nilainya tetap dan PER naik 1%, maka harga saham akan mengalami penurunan sebesar
Rp.74,482. 
- Koefisien regresi variabel ROI (X2) sebesar 692,107; artinya jika variabel independen lain
nilainya tetap dan ROI naik 1%, maka harga saham (Y’) akan mengalami peningkatan
sebesar Rp.692,107.

13
a. R = 0,879. Ini menunjukkan Hubungan yang sangat kuat antara PER dan ROI terhadap harga
saham.
b. R2 (R Square) = 0,772 atau (77,2%). Ini menunjukkan sumbangan pengaruh variabel
independen (PER dan ROI) terhadap variabel dependen (harga saham) sebesar 77,2%.
Sedangkan sisanya 22,8% dipengaruhi atau dijelaskan variabel lain yang tidak dimasukkan
dalam model penelitian ini.
c. Adjusted R Square digunnakan jika lebih dari dua variabel bebas. (sebagai koefisien
determinasi).
d. Standard Error of the Estimate adalah suatu ukuran banyaknya kesalahan model regresi
dalam memprediksikan nilai Y. Dari hasil regresi di dapat nilai 870,80 atau Rp.870,80
(satuan harga saham), hal ini berarti banyaknya kesalahan dalam prediksi harga saham
sebesar Rp.870,80.
Sebagai pedoman jika Standard error of the estimate kurang dari standar deviasi Y, maka
model regresi semakin baik dalam memprediksi nilai Y.

Tahap-tahap untuk melakukan uji F adalah
sebagai berikut:
1.   Merumuskan Hipotesis
Ho : Tidak ada pengaruh signifikan antara
X1dan X2 secara bersama-sama terhadap
harga saham.
Ha : Ada pengaruh signifikan antara X1dan
X2secara bersama-sama terhadap harga
saham.
2.   Menentukan tingkat signifikansi
a = 5% (signifikansi 5%
3.   Menentukan F hitung = 25,465
4.   F table, dgn tingkat keyakinan 95%, a = 5%,
diperoleh F tabel = 3,683
5.   Kriteria pengujian
- Ho diterima bila F hitung < F table,
- Ho ditolak bila F hitung > F table)
6.   Nilai F hitung > F tabel (25,465 > 3,683),
maka Ho ditolak.
7.  Kesimpulan, Karena F hitung > F tabel
(25,465 > 3,683), maka Ho ditolak, artinya ada
Tahap-tahap untuk melakukan uji T adalah
sebagai berikut:
1.   Merumuskan Hipotesis
Ho : Tidak ada pengaruh signifikan antara
X1dan X2 secara parsial terhadap harga
saham.
Ha : Ada pengaruh signifikan antara X1dan
X2secara parsial terhadap harga saham.
2.   Menentukan tingkat signifikansi
a = 5% (signifikansi 5%
3.   Menentukan T hitung
4.   T table, dgn tingkat keyakinan 95%, a = 5%,
diperoleh T tabel =
5.   Kriteria pengujian
- Ho diterima bila T hitung < T table,
- Ho ditolak bila T hitung > T table)
6.   Nilai T hitung > T tabel, maka Ho ditolak.

14
 pengaruh signifikan antara  price earning
ratio (PER) dan return on investmen (ROI)
secara bersama-sama terhadap terhadap harga
saham.
Jadi dapat disimpulkan bahwa PER dan ROI
secara bersama-sama berpengaruh terhadap
harga saham pada perusahaan di BEJ.

4. HASIL RUNNING ARIMA. ADA DUA MODEL. Y=HARGA BAWANG MERAH

Jawab :
1. lihat signifikasi, stasioneritas, r square, coefficient
2. bentuk persamaan model dari coefficient. Pahami pembentukan model dari AR(1), AR(2), Ma(1),
MA(2) dst
3. tentukan model yang lebih baik dari r squre, stasioneritas, Error

ARIMA (Autoregressive Integrated Moving Average)

1.1 Prinsip Dasar

ARIMA sering juga disebut metode runtun waktu Box-Jenkins. ARIMA sangat baik ketepatannya
untuk peramalan jangka pendek, sedangkan untuk peramalan jangka panjang ketepatan peramalannya
kurang baik. Biasanya akan cenderung flat (mendatar/konstan) untuk periode yang cukup panjang.
Model Autoregresif Integrated Moving Average (ARIMA) adalah model yang secara penuh
mengabaikan independen variabel dalam membuat peramalan. ARIMA menggunakan nilai masa lalu
dan sekarang dari variabel dependen untuk menghasilkan peramalan jangka pendek yang akurat.
ARIMA cocok jika observasi dari deret waktu (time series) secara statistik berhubungan satu sama lain
(dependent).

15
I.Model Matematis dan Algoritma Pokok Analisis
Model ARIMA terdiri dari tiga langkah dasar, yaitu tahap IDENTIFIKASI, TAHAP
PENAKSIRAN dan PENGUJIAN, dan PEMERIKSAAN DIAGNOSTIK. Selanjutnya model
ARIMA dapat digunakan untuk melakukan peramalan jika model yang diperoleh memadai.

Stasioneritas dan Nonstasioneritas

Hal yang perlu diperhatikan adalah bahwa kebanyakan deret berkala bersifat nonstasioner dan
bahwa aspek-aspek AR dan MA dari model ARIMA hanya berkenaan dengan deret berkala yang
stasioner.
Stasioneritas berarti tidak terdapat pertumbuhan atau penurunan pada data. Dengan kata lain,
fluktuasi data berada di sekitar suatu nilai rata-rata yang konstan, tidak tergantung pada waktu dan
varians dari fluktuasi tersebut pada pokoknya tetap konstan setiap waktu.
Suatu deret waktu yang tidak stasioner harus diubah menjadi data stasioner dengan melakukan
differencing. Yang dimaksud dengan differencing adalah menghitung perubahan atau selisih nilai
observasi. Nilai selisih yang diperoleh dicek lagi apakah stasioner atau tidak. Jika belum stasioner
maka dilakukan differencing lagi. Jika varians tidak stasioner, maka dilakukan transformasi logaritma.

Klasifikasi model ARIMA

Model Box-Jenkins (ARIMA) dibagi kedalam 3 kelompok, yaitu: model autoregressive (AR),
moving average (MA), dan model campuran ARIMA ( autoregresive moving average) yang
mempunyai karakteristik dari dua model pertama.
1) Autoregressive Model (AR)
2) Moving Average Model (MA)
1) Model campuran
a. Proses ARMA
Model umum untuk campuran proses AR(1) murni dan MA(1) murni, misal ARIMA (1,0,1)
b. Proses ARIMA
jika nonstasioneritas ditambahkan pada proses ARMA, maka model umum ARIMA (p,d,q)
terpenuhi.

Identifikasi
Proses identifikasi dari model musiman tergantung pada alat-alat statistik berupa autokorelasi dan
parsial autokorelasi, serta pengetahuan terhadap sistem (atau proses) yang dipelajari.

Penaksiran Parameter
Ada dua cara yang mendasar untuk mendapatkan parameter-parameter tersebut:
a. satu parameter yang akan ditaksir) yang meminimumkan jumlah kuadrat nilai sisa (sum of squared
residual).
b. Perbaikan secara iteratif, memilih taksiran awal dan kemudian membiarkan program komputer
memperhalus penaksiran tersebut secara iteratif.
Pengujian Parameter Model
1. Pengujian masing-masing parameter model secara parsial (t-test)
2. Pengujian model secara keseluruhan (Overall F test)
Model dikatakan baik jika nilai error bersifat random, artinya sudah tidak mempunyai pola
tertentu lagi. Dengan kata lain model yang diperoleh dapat menangkap dengan baik pola data yang ada.
Untuk melihat kerandoman nilai error dilakukan pengujian terhadap nilai koefisien autokorelasi dari
error, dengan menggunakan salah satu dari dua statistik berikut:

16
1) Uji Q Box dan Pierce:
2) Uji Ljung-Box:

Pemilihan Model Terbaik

Untuk menentukan model yang terbaik yang memiliki nilai standard error estimate (S) yang
paling kecil
Selain nilai standard error estimate, nilai rata-rata persentase kesalahan peramalan (MAPE) dapat
juga digunakan sebagai bahan pertimbangan dalam menentukan model yang terbaik

Peramalan Dengan Model ARIMA

Notasi yang digunakan dalam ARIMA adalah notasi yang mudah dan umum. model ARIMA
(0,1,1)(0,1,1)12

IV. Struktur Informasi Pokok Hasil Analisis (Cara Interpretasi)

1. Identifikasi.
a. Berdasarkan plot data aktual dapat diketahui apakah data sudah stasioner. Jika belum stasioner
maka data harus distasionerkan terlebih dahulu.
b. Tentukan kombinasi model ARIMA yang mungkin. Dari plot autokorelasi tentukan ordo MA (q),
dari plot autokorelasi parsial tentukan orde AR (p).
2. Estimasi dan pengujian model ARIMA yang mungkin serta pemilihan model terbaik.
3. Tentukan persamaan dan nilai ramalan model ARIMA terbaik.

V. Contoh Aplikasi Analisis

Misalkan ingin meramal nilai IHSG harian untuk jangka pendek. Contoh: data IHSG harian (fiktif)
selama 48 periode:

Ha IHS Har IHS Har IHS Har IHS Har IHS Har IHS
ri G i G i G i G i G i G

1 240 9 250 17 270 25 230 33 260 41 350

2 240 10 200 18 220 26 200 34 240 42 350

3 240 11 190 19 220 27 200 35 180 43 210

4 220 12 170 20 190 28 290 36 170 44 260

Data tersebut cenderung sudah stasioner, artinya nilai tengah dan varian tetap tidak tergantung pada
perubahan waktu. Plot data adalah sebagai berikut: Gambar 1. Plot data IHSG

17
 40
0
35
0
30
0
25
0
20

ARIMA (0,0,1)

Variable Coefficie Std. Error t-Statistic Prob.

Inverted MA Roots -.39

ARIMA(1 ,0, 1)

MA(1) 0.116910 0.293080 0.398903 0.6919

Inverted AR Roots .42

Inverted MA Roots -.12

ARIMA (1,0,0)

Variable Coefficient Std. Error t-Statistic Prob.

C 238.9670 14.22567 16.79829 0.0000

AR(1) 0.507133 0.130226 3.894240 0.0003

R-squared 0.252058 Mean dependent var 237.8723

Adjusted R-squared 0.235437 S.D. dependent var 54.92826

S.E. of regression 48.02888 Akaike info criterion 10.62310

Sum squared resid 103804.8 Schwarz criterion 10.70183

Log likelihood -247.6429 F-statistic 15.16510

18
 Durbin-Watson stat 1.842423 Prob(F-statistic) 0.000324

Inverted AR Roots .51

Uji t untuk masing-masing parameter, terlihat bahwa pada ARIMA (0,0,1) dan ARIMA (1,0,0) ternyata
t-hitung > dari t-tabel, dan mempunyai nilai prob < 0,005 sehingga dengan alpha 5%, H0 ditolak,
artinya koefisien signifikan (berbeda dari nol). Sementara untuk ARIMA (1,0,1) mempunyai t-hitung <
dari t-tabel, sehingga H0 diterima, artinya koefisien tidak signifikan.

Pengujian secara keseluruhan (overall test):

Hipotesa nol: tidak ada lorelasi pada nilai sisa (residual)
Dengan menggunakan Q-Stat, terlihat bahwa pada ARIMA (0,1,1) pada lag 3 yaitu 0.006 lebih besar
dari nilai Chi-Square table (nilai prob sebesar 0.006) artinya dengan alpha 5% ada korelasi pada nilai
sisa (lag 3) sehingga model tidak cocok.
Jadi dari 3 model yang mungkin, hanya ada 1 model yang memenuhi syarat, yaitu ARIMA (1,0,0).
Seandainya ada lebih dari satu model yang memenuhi syarat, maka ambil model yang terbaik sesuai
dengan kriteria yang telah dijelaskan sebelumnya.

Didapatkan koefisien AR(1) dengan bentuk persamaan:

Xt = 16.79829+ 3.894240Xt-1 + et
Model sudah dapat digunakan untuk peramalan

5. TABEL JUMLAH SAMPEL BERDASARKAN MARGIN OF ERROR 30 % DAN 20 %,

KECAMATAN, VARIABEL KEPEMILIKAN RUMAH, VARIABEL KUALITAS AIR
MINUM, VARIABEL...
a. analisa tabel
b. hitung RSE (Relative Standard Error) jika diketahui Zα/2 = 2. Margin of error=Zα/2 x RSE

Jawab :
2
a. n =( s / RSE. Y) . artinya jumlah sampel berhubungan lurus dengan simpangan. Semakin tinggi
simpangan semakin banyak sampel yang diperlukan agar margin of eror kecil. Jumlah sampel
berhubungan terbalik dengan RSE. Jumlah sampel berhubungan lurus dengan jumlah populasi
- bandingkan jumlah sampel berdasarkan variabel kepemilikan rumah, kualitas air minum
(kemungkinan dipengaruhi oleh simpangan baku variabel)
- bandingkan jumlah sampel berdasarkan margin of error. Semakin kecil margin of eror semakin besar
sampel
- bandingkan berdasarkan kecamatan, semakin tinggi total sampel, kemungkinan jumlah penduduk
semakin banyak

b. RSE= margin of error/ Zα/2

RSE 1= 20 %/2 = 10 %
RSE 2 = 30 %/2 = 15 %

19
 Kualitas hasil estimasi suatu survei bisa diamati dari RSE yang dihasilkan. Menurut Soedarti dkk (2007),
keputusan mengenai keakuratan suatu estimasi bisa diamati dari tabel berikut.

Kondisi Perlakuan

RSE ≤ 25% Akurat (bisa digunakan)

25% < RSE  ≤ 50% Perlu hati-hati jika digunakan

Dianggap tidak akurat (harus digabungkan dengan estimasi lain untuk

RSE > 50%
memberikan estimasi dengan RSE ≤ 25%.

2 2
(∑ y )
Varian (S2) = ∑Y 2

n−1
−
n , Standar Deviasi/ Simpangan Bku (S) = ∑ Y
√ 2

n−1
−
(∑ y )
n =√ S 2

√
S
Standar Error S y̆ = S
n√
2
, Relative Standar Error RSE =
100 X √ n
SE
n = 100 X n √
95% Confidence Interval (Tingkat keyakinan 95% telah diterima secara universal sebagai
standard).

Relatif MoE (MarginOf Error) 20 persen secara umum adalah nilai maksimum yang
diperbolehkan untuk indikator penting, jika terlalu besar hasilnya tidak akan bermanfaat
Ukuran sampel untuk mencapai relatif MoE (Margin Of Error) 10 persen adalah seperempat,
sama besarnya ketika relatif MoE yang diterapkan 5 persen

Contoh Relatif MoE

 Relatif MoE biasa yang digunakan adalah 10% pada tingkat keyakinan 95% terhadap
estimasi indikator.
 Maka standard error(se) tidak boleh lebih besar dari 5%.
( 2∗α )∗x =( 2∗0,5 )∗x →x =estimasi survei
Contoh:
Estimasi proporsi angkatan kerja adalah 65%, maka:
―› se = 0,65*0,05 = 0,0325 (tidak boleh lebih dari 3,25%)
―› Relatif MoE = 2*se = 0,065 (tingkat keyakinan 95%)

Tabel 1. Estimasi Sampling Error Sakernas Triwulan II 2014

Indonesia
                 

No Variabel Estimasi Standar RSE 95% Confidence Interval Deff Deft Observasi

20
 (n) error (%)
Batas bawah Batas atas

(1) (2) (3) (4) (5) (6) (7) (8) (9) (10)

1 Pendduk 15 th > 181,769,009 760,199 0.42 180,279,019 183,258,999 8.00 2.83 123,780

2 Angkatan Kerja 126,019,987 624,208 0.50 124,796,539 127,243,435 4.33 2.08 86,268

a. Bekerja 118,864,477 594,811 0.50 117,698,647 120,030,307 3.95 1.99 82,454

b.
Pengangguran 7,155,510 171,143 2.39 6,820,070 7,490,950 2.95 1.72 3,814

RSE =100 % X SE/Estimasi Statistik Z = 1,96 tingkat keyakinan 95% (1,645 u/ Level 90%)

Batas Bawah = Estimasi - 1,96 X SE

Batas Bawah = Estimasi + 1,96 X SE

 Base weight dari unit yang dijadikan sampel adalah berbanding terbalik dengan probabilitas
pemilihannya dalam sampel tersebut.
 Sebagai contoh, sebuah unit sampel dengan probabilitas 1/50, mewakili 50 unit populasi dari
sampelnya.
 Sehingga, sampling weights-nya berperan sebagai faktor pengali (inflation factors)
 Untuk multistage design, base weight-nya harus mencerminkan probabilitas pemilihannya pada tiap
tahapnya.
Contoh : dalam kasus desain dua tahap (two-stage design) keseluruhan probabilitas pemilihan (Pij)
didalam sampel didapat dari perkalian dua probabilitas (n Stage) ini dan keseluruhan base weight
rumahtanga didapat dengan mengambil perbandingan terbalik (reciprocal) dari keseluruhan
probabilitas pemilihannya.
 Jumlah sampling weights menyediakan perkiraan yang bias dari jumlah keseluruhan unit dalam
populasi target.

21