4000
3000 Female
Male
2000
1000
0
<25 25-34 35-44 45-54 55-64 65>
Age
TAX INCOME IN RELATION TO SEX AND AGE
40000
35000
30000
Tax Income ($)
25000
20000 Female
Male
15000
10000
5000
0
<25 25-34 35-44 45-54 55-64 65>
Age
Jelaskan informasi apa yang terkandung dalam data dan grafik diatas!
4. Seorang penjual bahan bangunan ingin menganalisis data penjualan enam bulan terakhir dengan melihat data statistik deskriptive
penjualan tiap bulanya. Statistik Deskriptive ditampilkan sebagai berikut:
Statistics
N Valid 20 20 20 20 20 20
Missing 0 0 0 0 0 0
Mean 4011,2500 3964,5500 3828,2000 388,5500 174,3000 624,5500
Median 393,0000 641,0000 318,5000 57,5000 47,0000 104,5000
a a a a
Mode 32,00 47,00 27,00 ,00 ,00 ,00a
Std. Deviation 6637,05225 6674,65937 7120,22482 582,22979 266,52483 1018,42414
Variance 44050462,618 44551077,734 50697601,432 338991,524 71035,484 1037187,734
Skewness 1,917 2,158 2,288 1,702 1,714 2,127
Std. Error of Skewness ,512 ,512 ,512 ,512 ,512 ,512
Kurtosis 3,352 4,586 4,874 2,290 1,542 4,103
Std. Error of Kurtosis ,992 ,992 ,992 ,992 ,992 ,992
Range 24087,00 25006,00 26164,00 2053,00 785,00 3705,00
Minimum 32,00 47,00 27,00 ,00 ,00 ,00
Maximum 24119,00 25053,00 26191,00 2053,00 785,00 3705,00
Sum 80225,00 79291,00 76564,00 7771,00 3486,00 12491,00
1. Statistika memiliki sumbangsih yang signifikan dalam ilmu ekonomi. BPS di Indonesia secara rutin melakukan sensus Ekonomi
setiap 10 tahun untuk mengetahui perkembangan ekonomi di negara tersebut. Informasi yang diperoleh dari sensus in dapat
menggambarkan kondisi perekenomian, seperti kebijakan pemerintah terhadap inflasi, penurunan angka kemiskinan, dan
perkembangan harga-harga barang kebutuhan pokok. Secara umun, statistika dalam ilmu ekonomi digunakan untuk pengumpulan
data, analisis, peramalan, dan pengambilan kesimpulan, serta memberikan manfaat dalam pemaahaman dan pengambilan Keputusan
terkait dengan factor-faktor ekonomi.
2.
a) Korelasi : Korelasi adalah metode statistik yang mengukur sejauh mana dua variabel berkaitan satu sama lain. Nilai
korelasi positif menandakan hubungan searah, sementara nilai korelasi negatif menandakan hubungan terbalik.
b) Data Sampel : Data sampel merupakan subset dari populasi yang dipilih untuk mewakili karakteristik keseluruhan. Ini
digunakan karena pengumpulan data dari seluruh populasi seringkali tidak praktis.
c) Regresi : Regresi adalah teknik statistik untuk memahami hubungan antara satu atau lebih variabel independen dan
variabel dependen. Ini membantu dalam membuat model untuk memprediksi atau menjelaskan hubungan tersebut.
d) Variabel Bebas : Variabel bebas adalah variabel independen yang diasumsikan mempengaruhi variabel dependen
dalam analisis regresi.
e) Data Populasi : Data populasi mencakup seluruh individu atau elemen yang relevan untuk suatu studi atau analisis
statistik, berbeda dengan data sampel yang merupakan subset dari populasi.
f) f). Variabel Terikat : Variabel terikat adalah variabel dependen yang dipengaruhi oleh variabel independen dalam
analisis statistik.
g) Nilai Rata-rata : Nilai rata-rata adalah jumlah total semua nilai dalam suatu set data, dibagi dengan jumlah total nilai
tersebut. Ini memberikan gambaran umum tentang pusat distribusi data.
h) Indeks Harga Konsumen (IHK) : IHK mengukur perubahan harga rata-rata sekelompok barang dan jasa yang umum
dikonsumsi oleh rumah tangga. Ini sering digunakan untuk menilai tingkat inflasi.
i) Nilai Standar Deviasi : Standar deviasi mengukur seberapa jauh setiap nilai dalam suatu set data dari nilai rata-
ratanya. Semakin tinggi standar deviasi, semakin besar variabilitas atau dispersi data.
j) Inflasi : Inflasi adalah peningkatan umum dan berkelanjutan dalam harga barang dan jasa di suatu ekonomi selama
periode waktu tertentu. Ini dapat mengakibatkan berkurangnya daya beli mata uang.
3. Data yang disajikan memberikan wawasan yang mendalam tentang pengeluaran makanan dan pendapatan berdasarkan
jenis kelamin dan kelompok usia. Grafik pertama menyoroti pengeluaran makanan untuk wanita dan pria dalam rentang
usia tertentu. Tercatat bahwa pengeluaran makanan puncaknya terjadi pada kelompok usia 35-44 untuk kedua jenis
kelamin. Ini dapat mengindikasikan preferensi dan kebutuhan konsumsi pada fase hidup tersebut.
Sementara itu, grafik kedua menggambarkan pendapatan wanita dan pria berdasarkan kelompok usia. Pola yang muncul
menunjukkan peningkatan pendapatan seiring bertambahnya usia, mencapai puncaknya pada kelompok usia 35-44, dan
kemudian cenderung menurun. Ini mencerminkan dinamika ekonomi dan lapangan pekerjaan yang mungkin berubah
sepanjang rentang usia tersebut.
Tabel menyajikan rincian jumlah pengeluaran makanan dan pendapatan untuk wanita dan pria di setiap kelompok usia.
Data ini memberikan gambaran lebih lanjut tentang keterkaitan antara pengeluaran dan pendapatan, menunjukkan
bagaimana keputusan konsumsi dapat dipengaruhi oleh tingkat pendapatan dalam setiap kelompok usia.
4. Hasil statistika deskriptif penjualan bahan bangunan selama enam bulan terakhir memberikan gambaran yang informatif untuk
pemilik toko. Rata-rata penjualan bulanan sekitar 4011.25 menunjukkan kinerja tengah toko. Median sebesar 393,000 menandakan
nilai tengah dari total penjualan, sementara adanya multiple modes mengindikasikan variasi dalam nilai yang sering muncul.
Standar deviasi sekitar 6637.05 dan varians 44,050,462.62 menggambarkan tingkat variasi penjualan dari rata-rata. Hasil
statistika deskriptif menunjukkan bahwa skewness penjualan bahan bangunan sebesar 1.917, mengindikasikan adanya kemiringan
distribusi dengan ekor yang lebih panjang di sisi positif dari rata-rata. Sementara itu, nilai kurtosis sebesar 3.352 menandakan
tingkat kecuraman distribusi yang lebih tajam atau "peaked". Hal ini dapat diartikan bahwa distribusi data penjualan cenderung lebih
tinggi dan memiliki puncak yang lebih tajam dibandingkan dengan distribusi normal. Pemahaman skewness dan kurtosis ini dapat
membantu pemilik toko dalam menilai bentuk distribusi penjualan dan merencanakan strategi yang lebih sesuai dengan karakteristik
data tersebut.
Data penjualan bahan bangunan selama enam bulan terakhir mencakup rentang nilai yang bervariasi. Rentang penjualan, yang
dinyatakan antara nilai minimum hingga nilai maksimum, adalah sekitar 24087,00. Nilai minimum penjualan adalah 32,00,
sementara nilai maksimum mencapai 24119,00.
Total penjualan selama periode tersebut, yang direpresentasikan oleh nilai sum, adalah sebesar 80225,00. Rentang ini
memberikan gambaran tentang sejauh mana variasi terjadi dalam kisaran nilai penjualan. Informasi ini dapat membantu pemilik toko
dalam mengevaluasi seberapa besar fluktuasi dan mengidentifikasi potensi tren atau pola penjualan yang dapat diantisipasi dan
direspons di masa mendatang.
5. Untuk membuat Indeks Kemiskinan, kita dapat menggunakan tahun tertentu sebagai tahun acuan. Dalam hal ini, kita ambil
tahun 2010 sebagai tahun acuan. Indeks Kemiskinan dapat dihitung menggunakan rumus :
( 384379 )
Indeks 2020 = 225955 × 100 ≈ 170.01
Ini berarti indeks kemiskinan pada tahun 2020 di Kota Kendari adalah sekitar 170.01, menunjukkan peningkatan sekitar 70.01%
dibandingkan dengan tahun acuan 2010.
( )
350647
Indeks 2019 = 225955 × 100 ≈ 155.21
Ini berarti indeks kemiskinan pada tahun 2019 di Kota Kendari adalah sekitar 155.21, menunjukkan peningkatan sekitar 55.21%
dibandingkan dengan tahun acuan 2010.
( )
327976
Indeks 2018 = 225955 × 100 ≈ 145.04
Ini berarti indeks kemiskinan pada tahun 2018 di Kota Kendari adalah sekitar 145.04, menunjukkan peningkatan sekitar 45.04%
dibandingkan dengan tahun acuan 2010.
( )
301894
Indeks 2017 = 225955 × 100 ≈ 133.54
Ini berarti indeks kemiskinan pada tahun 2017 di Kota Kendari adalah sekitar 133.54, menunjukkan peningkatan sekitar 33.54%
dibandingkan dengan tahun acuan 2010.
( )
291069
Indeks 2016 = 225955 × 100 ≈ 128.74
Ini berarti indeks kemiskinan pada tahun 2016 di Kota Kendari adalah sekitar 128.74, menunjukkan peningkatan sekitar 28.74%
dibandingkan dengan tahun acuan 2010.
( 256535
)
Indeks 2014 = 225955 × 100 ≈ 113.33
Ini berarti indeks kemiskinan pada tahun 2014 di Kota Kendari adalah sekitar 113.33, menunjukkan peningkatan sekitar 13.33%
dibandingkan dengan tahun acuan 2010.
( 255229
)
Indeks 2013 = 225955 × 100 ≈ 112.72
Ini berarti indeks kemiskinan pada tahun 2013 di Kota Kendari adalah sekitar 112.72, menunjukkan peningkatan sekitar 12.72%
dibandingkan dengan tahun acuan 2010.
( 246474
)
Indeks 2012 = 225955 × 100 ≈ 108.97
Ini berarti indeks kemiskinan pada tahun 2012 di Kota Kendari adalah sekitar 108.97, menunjukkan peningkatan sekitar 8.97%
dibandingkan dengan tahun acuan 2010.
(237750
)
Indeks 2011 = 225955 × 100 ≈ 105.22
Ini berarti indeks kemiskinan pada tahun 2011 di Kota Kendari adalah sekitar 105.22, menunjukkan peningkatan sekitar 5.22%
dibandingkan dengan tahun acuan 2010.
Dari Data Tersebut, Tingkat kemiskinan di Kota Kendari mengalami peningkatan signifikan selama periode 2010-2020,
mencapai nilai tertinggi pada tahun 2020 dengan Garis Kemiskinan sebesar 384,379 Rp/kapita/bulan, meningkat sekitar 70.01%
dibandingkan dengan tahun 2010.