Agung PU - agung@stis.ac.

id
STATISTIKA TERAPAN
Bahan Ajar pada
Sekolah Tinggi Transportasi Darat (STTD)

Oleh:
Agung Priyo Utomo
Agung PU - agung@stis.ac.id
2
Agung PU - agung@stis.ac.id
3
ANALISIS DATA BERKALA
(TIME SERIES ANALYSIS)
 Data berkala adalah data yang dikumpulkan dari waktu
ke waktu (tahunan, triwulanan, bulanan, mingguan,
harian, dsb) untuk menggambarkan perkembangan

Agung PU - agung@stis.ac.id
suatu kegiatan
 Contoh:
• Perkembangan jumlah penumpang KA tahun 2000 – 2016
• Pertumbuhan jumlah kendaraan bermotor dari tahun ke
tahun
• Perkembangan inflasi bulanan
• Perkembangan produksi tiap bulan
• Perkembangan harga tiap bulan
• Perkembangan hasil penjualan bulanan/tahunan
• Perkembangan jumlah penduduk tahun 1980 – 2010
• Jumlah kecelakaan tiap bulan
• Jumlah kejahatan tiap bulan
4
ANALISIS DATA BERKALA
(TIME SERIES ANALYSIS)
 Contoh data berkala:

Agung PU - agung@stis.ac.id
Penerimaan Negara
Tahun
(Milyar Rupiah)
2007 706108
2008 979305
2009 847096
2010 992249
2011 1205346
2012 1357380
2013 1525190
5
ANALISIS DATA BERKALA
(TIME SERIES ANALYSIS)
 Analisis terhadap data berkala memungkinkan
kita untuk mengetahui perkembangan suatu atau
beberapa kejadian serta hubungan/pengaruhnya

Agung PU - agung@stis.ac.id
terhadap kejadian lainnya.
 Contoh:
 apakah kenaikan jumlah kendaraan bermotor diikuti
oleh kenaikan tingkat polusi udara?
 apakah penurunan tarif pajak kendaraan bermotor
diikuti oleh kenaikan penerimaan dari pajak kendaraan
bermotor?
 apakah kenaikan gaji karyawan memengaruhi prestasi
kerja?
 Jadi dengan analisis data berkala dapat diketahui
apakah perubahan suatu kejadian memengaruhi
kejadian lainnya, dan seberapa besar pengaruhnya 6
ANALISIS DATA BERKALA
(TIME SERIES ANALYSIS)
 Secara matematis suatu data berkala dapat
dinyatakan dengan nilai y1, y2, ..., yn dari variabel Y
pada waktu: t1, t2, ...,tn.

Agung PU - agung@stis.ac.id
 Jadi Y merupakan fungsi dari t: Y= f(t) atau Y = f(x)
 Analogi dengan analisis regresi linier dimana X
menyatakan waktu (data berkala)  dapat
digambarkan dengan suatu grafik yang
menyatakan hubungan antara Y dengan t atau
antara Y dengan X.

7
KLASIFIKASI GERAKAN/VARIASI
DATA BERKALA
Gerakan-gerakan khas data berkala dapat
digolongkan menjadi empat kelompok utama, yang
sering disebut komponen-komponen data berkala,

Agung PU - agung@stis.ac.id
yaitu:
 Gerakan Trend Jangka Panjang (long term
movement)  T
 Gerakan/Variasi Siklis (cyclical
movements/variations)  C
 Gerakan/variasi musiman (seasonal
movements/variations)  S
 Gerakan/variasi tidak teratur (irregular or random
movements)  I
8
KLASIFIKASI GERAKAN/VARIASI
DATA BERKALA
Gerakan Trend Jangka Panjang (T)
 adalah suatu gerakan yang menunjukkan arah
perkembangan atau kecenderungan secara umum dari

Agung PU - agung@stis.ac.id
data berkala (naik atau menurun) yang meliputi jangka
waktu yang panjang  berguna untuk membuat
ramalan (forecasting)

9
KLASIFIKASI GERAKAN/VARIASI
DATA BERKALA
Gerakan Trend Jangka Panjang (T)
 Beberapa contoh:

Agung PU - agung@stis.ac.id
t
 Gerakan trend juga bisa berbentuk nonlinier 10
KLASIFIKASI GERAKAN/VARIASI
DATA BERKALA
Gerakan/Variasi Siklis (C)
 adalah gerakan naik turun di sekitar garis trend dalam
jangka panjang (suatu gerakan sekitar rata-rata nilai

Agung PU - agung@stis.ac.id
data berkala, di atas atau di bawah garis trend dalam
jangka panjang).
 Gerakan siklis ini bisa berulang setelah jangka waktu
tertentu, misalnya setiap 3 tahun, 5 tahun atau bahkan
lebih, tetapi bisa juga tidak berulang dalam jangka
waktu yang sama.
 Business cycles adalah salah satu contoh gerakan siklis
yang menunjukkan jangka waktu terjadinya
kemakmuran (prosperity), kemunduran (recession),
depresi (depression), dan pemulihan (recovery)
11
KLASIFIKASI GERAKAN/VARIASI
DATA BERKALA
Gerakan/Variasi Siklis (C)

Agung PU - agung@stis.ac.id
12
KLASIFIKASI GERAKAN/VARIASI
DATA BERKALA
Gerakan/variasi
musiman (S)
 adalah gerakan yang

Agung PU - agung@stis.ac.id
mempunyai pola-pola
tetap atau identik
dari waktu ke waktu
dengan waktu yang
kurang dari satu
tahun.
 Variasi musiman
adalah suatu pola
yang berulang dalam
jangka pendek.
13
KLASIFIKASI GERAKAN/VARIASI
DATA BERKALA
Gerakan/variasi tidak
teratur (I)
 adalah gerakan yang
bersifat sporadis atau

Agung PU - agung@stis.ac.id
gerakan dengan pola
yang tidak teratur dan
tidak dapat
diperkirakan yang
terjadi dalam waktu
singkat.
 Gerakan tidak teratur
dari data berkala
disebabkan oleh
peristiwa-peristiwa yang
terjadi secara kebetulan
seperti banjir, gempa
bumi, tsunami,
demonstrasi,
pemogokan, pemilihan
umum, dan perubahan
pemerintahan. 14
CARA MENENTUKAN PERSAMAAN
TREND
 Empat cara untuk menentukan persamaan trend
linier, yaitu:

Agung PU - agung@stis.ac.id
1. metode bebas (freehand methods),
2. metode setengah rata-rata (Semi-averages
methods),
3. metode rata-rata bergerak (Moving Averages
methods), dan
4. metode kuadrat terkecil (Least Squares methods)

15
CARA MENENTUKAN PERSAMAAN
TREND
 Bentuk umum persamaan trend linier,yaitu:
𝑌𝑖 = 𝑎 + 𝑏𝑋𝑖

Agung PU - agung@stis.ac.id
dimana
 𝑌𝑖 adalah nilai trend pada periode tertentu
(variabel tak bebas)
 X adalah periode waktu (variabel bebas)
 a adalah intersep (konstanta) dari persamaan
trend
 b adalah koefisien kemiringan atau gradien dari
persamaan trend yang menunjukkan besarnya
perubahan Y bila terjadi perubahan satu unit
pada X. 16
METODE BEBAS (FREEHAND
METHODS)
 merupakan cara yang paling sederhana dan mudah
untuk menentukan trend dari data berkala.
 Langkah-langkah:

Agung PU - agung@stis.ac.id
1) Buatlah sumbu X dan sumbu Y dalam sistem
koordinat Catesius.
2) Buatlah diagram pencar (scatter diagram) dari
pasangan titik (X,Y).
3) Tariklah garis linier yang arahnya mengikuti
arah penyebaran nilai-nilai data berkala.
4) Pilihlah dua titik sembarang untuk
menentukan persamaan trend linier, misalnya
titik (x1,y1) dan (x2, y2).
5) Pilih salah satu periode waktu data berkala
sebagai titik asal (x=0). 17
METODE BEBAS (FREEHAND
METHODS)
 Masukkan atau subtitusikan nilai-nilai X dan Y
dari dua titik yang telah dipilih pada rumus
persamaan umum trend linier berikut.

Agung PU - agung@stis.ac.id
𝑦2 − 𝑦1
𝑌 − 𝑦1 = 𝑋 − 𝑥1
𝑥2 − 𝑥1

 Selanjutnya tentukan nilai-nilai trend dengan

memakai persamaan yang telah diperoleh tersebut

18
 METODE BEBAS (FREEHAND
METHODS)
 CONTOH:
Tahun 1992 1993 1994 1995 1996 1997 1998 1999
t 0 1 2 3 4 5 6 7

Agung PU - agung@stis.ac.id
PDB (Y) 10164,9 11169,2 12054,6 12325,4 12842,2 13511,5 14180,8 14850,1

 (x1; y1) = (0;10164,9) dan (x2; y2) = (7;14850,1)

𝑦2 − 𝑦1
𝑌 − 𝑦1 = 𝑋 − 𝑥1
𝑥2 − 𝑥1
14850,1 − 10164,9
𝑌 − 10164,9 = 𝑋−0
7−0

𝑌 = 10164,9 + 1,4602𝑋 19
METODE SETENGAH RATA-RATA
(SEMI-AVERAGES METHODS)
 Metode yang sederhana namun obyektif dalam
“fitting” garis trend
 Langkah-langkah:

Agung PU - agung@stis.ac.id
1) Bagilah data berkala menjadi dua kelompok yang
sama banyak, katakanlah kelompok 1 dan kelompok
2.
2) Tentukan rata-rata hitung masing-masing
kelompok, 𝑦1 dan 𝑦2 .
3) Tentukan dua titik, yaitu (x1, 𝑦1 ) dan (x2, 𝑦2 ), di
mana titik absis harus dipilih dari variabel yang
berada di tengah-tengah masing-masing kelompok
4) Tentukan nilai dari a dan b dengan
mensubtitusikan nilai-nilai x dan y dari dua titik
tersebut pada persamaan trend
20
METODE SETENGAH RATA-RATA
(SEMI-AVERAGES METHODS)
 Contoh: Berikut data Produk Domestik Bruto (PDB)
atas dasar harga konstan tahun 1983 (milyar
rupiah).

Agung PU - agung@stis.ac.id
Tahun X PDB (Y) Rata-rata
1992 0 10.164,9
1993 1 11.169,2
11.428,5
1994 2 12.054,6
1995 3 12.325,4
1996 4 12.842,2
1997 5 13.511,5
13.846,2
1998 6 14.180,8
1999 7 14.850,1
21
METODE SETENGAH RATA-RATA
(SEMI-AVERAGES METHODS)
Mencari titik absis :
Data 8 tahun 0 1 2 3 4 5 6 7

Agung PU - agung@stis.ac.id
I II
Diperoleh titik absis (1,5) dan (5,5), artinya absis pertama
antara tahun kedua dan ketiga serta absis kedua antara tahun
keenam dan ketujuh

22
METODE SETENGAH RATA-RATA
(SEMI-AVERAGES METHODS)
Kemudian nilai absis dan nilai Y dimasukan ke dalam
persamaan Y = a + bx hasilnya sbb:
11.428,5 = a + b(1,5) …………………….. Pers. 1

Agung PU - agung@stis.ac.id
13.846,2 = a + b(5,5) …………………….. Pers. 2
Dengan cara substitusi persamaan (1) = persamaan (2)
Persamaan (1) a = 11.428,5 - 1,5b  masukan ke
persamaan (2)
13.486 = (11.428,5 - 1,5b) + 5,5b  b = 604,42; a = 10.521,87
Sehingga persamaan menjadi : 𝑌 = 10521,87 + 604,42 𝑋
(X = variabel waktu)

Ramalan PDB 2000 ( X = 8 )  Y = 10.521,87 + 604,42(8) =

15.357,23 23
METODE KUADRAT TERKECIL
(LEAST SQUARES METHODS)
 Untuk pengerjaannya dapat dilakukan dengan 2 cara yang
hasilnya semuanya sama.
 Cara 1: membuat penjumlahan dari X sama dengan nol.

Agung PU - agung@stis.ac.id
Contoh:
1) Data genap:
Tahun 1992 1993 1994 1995 1996 1997 1998 1999
X -7 -5 -3 -1 1 3 5 7

2) Data ganjil:
Tahun 1992 1993 1994 1995 1996 1997 1998
X -3 -2 -1 0 1 2 3

 Cara 2: membuat nilai X berurut dari 1 sampai dengan n

(yang terakhir)
24
METODE KUADRAT TERKECIL
(LEAST SQUARES METHODS)
 Untuk pengerjaannya dapat dilakukan dengan 2
cara yang hasilnya semuanya sama.

Agung PU - agung@stis.ac.id
 Cara 1: membuat penjumlahan dari X sama dengan nol
 Cara 2: membuat nilai X berurut dari 1 sampai dengan
n (yang terakhir)
 Gunakan rumus:
𝑛 𝑛
𝑖=1 𝑌𝑖 𝑖=1 𝑋𝑖
𝑎= −𝑏 = 𝑌 − 𝑏𝑋
𝑛 𝑛
𝑛 𝑛 𝑛
𝑛 𝑖=1 𝑋𝑖 𝑌𝑖 − 𝑖=1 𝑋𝑖 𝑖=1 𝑌𝑖
𝑏= 2
𝑛 2 𝑛
𝑛 𝑖=1 𝑋𝑖 − 𝑖=1 𝑋𝑖
Untuk memperoleh persamaan: 𝑌 = 𝑎 + 𝑏𝑋 25
METODE KUADRAT TERKECIL
(LEAST SQUARES METHODS)
CONTOH:
Tahun X PDB (Y) XY X2 𝑎 = 𝑌 = 12637,34

Agung PU - agung@stis.ac.id
1992 -7 10.164,9 -71.154,3 49
𝑛
1993 -5 11.169,2 -55.846,0 25 𝑖=1 𝑋𝑖 𝑌𝑖
𝑏= 𝑛 2 = 313,94
1994 -3 12.054,6 -36.163,8 9 𝑖=1 𝑋𝑖

1995 -1 12.325,4 -12.325,4 1 Sehingga diperoleh

persamaan trend linier:
1996 1 12.842,2 12.842,2 1 𝑌 = 12637,34 + 313,94𝑋
1997 3 13.511,5 40.534,5 9
1998 5 14.180,8 70.904,0 25
1999 7 14.850,1 103.950,7 49
Jumlah 0 101.098,7 52.741,9 168
26
 Pendaftar
LATIHAN Th
(Ribu org)
 Lakukan peramalan jumlah 2000 11
pendaftar STTD untuk 2001 13
tahun 2013 jika diketahui 2002 14.5

Agung PU - agung@stis.ac.id
data jumlah pendaftar pd th 2003 14
2000 – 2012 sbb: 2004 16
2005 17.5
2006 15.5
2007 16.5
2008 18
2009 18.5
2010 22
2011 21 27
2012 22.5
Agung PU - agung@stis.ac.id
28