Modul Statistik Deskriptif UAS
-
Upload
try-novian-hidayat -
Category
Documents
-
view
167 -
download
15
Transcript of Modul Statistik Deskriptif UAS
BAB 4
ANGKA INDEKS
1.1. Kegunaan Angka Indeks
Angka indeks merupakan angka yang dapat digunakan untuk melakukan
perbandingan suatu kegiatan dari periode dasar ke periode tertentu. Dengan angka
indeks akan dapat diketahui maju/mundurnya suatu kegiatan seperti produksi, ekspor,
penjualan, jumlah uang yang beredar dan lain sebagainya.
Beberapa indeks yang sering dibicarakan diuraikan secara singkat di bawah ini:
a. Indeks Bahan Pokok
Indeks ini dimaksudkan untuk mengikuti perkembangan harga bahan pokok.
Pemakaian bahan pokok yang digunakan oleh suatu institusi tidak harus
sama/berbeda dengan bahan pokok yang digunakan oleh institusi lainnya. Jumlah
jenis bahan pokok yang digunakan tergantung dari kebutuhan dasar institusi
tersebut.
b. Indeks Biaya Hidup dan Harga Konsumen
Indeks ini digunakan untuk mengetahui perkembangan harga berbagai komoditas
dari bulan ke bulan selanjutnya atau dari tahun ke tahun berikutnya dan untuk
mengetahui daya beli masyarakat akan kebutuhan pokok hidupnya. Indeks ini
juga dapat digunakan untuk mengukur tingkat inflasi/deflasi, penyesuaian
gaji/upah pegawai/buruh.
c. Indeks Perdagangan Besar
Dengan anggapan bahwa harga perdagangan besar merupakan price leader bagi
konsumen, maka indeks ini sangat penting. Indeks ini mencakup sektor pertanian
(40 komoditi), pertambangan/penggalian (8 komoditi), industri (183 komoditi),
impor (50 komoditi) dan ekspor (46 komoditi). Karena inflasi dapat diartikan
sebagai adanya kesenjangan antara arus uang dan arus barang, maka pengukuran
inflasi lebih tepat menggunakan indeks perdagangan besar daripada indeks harga
konsumen. Namun, untuk evaluasi kesejahteraan buruh IHK tetap lebih sesuai.
Modul-STIS 1
d. Indeks Harga Yang Dibayar Petani dan Indeks Harga Yang Diterima Petani
Indeks harga yang dibayar petani memonitor harga input usaha tani, sedangkan
yang diterima petani memantau penerimaan hasil produksinya. Apabila nilai tukar
petani (terms of trade index), yaitu hasil bagi antara indeks yang diterima petani
dengan indeks yang dibayar petani meningkat, maka dapat diindikasikan
kesejahteraan petani makin baik.
e. Indeks Ekspor/Impor
Indeks ini mengukur kemampuan berdagang di taraf internasional. Apabila indeks
unit value of export lebih tinggi daripada indeks unit value of impor maka negara
tersebut lebih berorientasi ekspor (sehat)
f. Indeks Pendapatan Nasional
Indeks ini menggambarkan perkembangan ekonomi bangsa.
g. Indeks Bursa Efek
Memberikan gambaran tentang perkembangan harga saham di bursa yang
mencakup:
(a) pertanian
(b) pertambangan
(c) industri besar dan kimia
(d) aneka industri
(e) industri barang konsumsi
(f) properti dan real estate
(g) infrastruktur, utilitas dan transporatsi
(h) keuangan
(i) perdagangan, jasa dan investasi dan selanjutnya dibuatkan gabungannya
(ISHG).
Modul-STIS 2
h. Indeks Pembangunan Manusia (IPM)
Indeks Pembangunan Manusia (Human Development Index) menggambarkan tiga
dimensi kehidupan manusia, yaitu peluang hidup (longevity), pengetahuan
(knowledge) dan standar hidup layak (decent living standard). Peluang hidup
diukur menggunakan angka harapan hidup waktu lahir berdasarkan hasil Sensus
Penduduk dan Supas. Pengetahuan diukur dari kombinasi angka melek huruf
dengan rata-rata lama sekolah dari penduduk berumur 15 tahun ke atas
(pendidikan tertinggi yang ditamatkan berdasarkan Susenas). Komponen ketiga,
standar hidup layak, diukur dengan menggunakan rata-rata konsumsi riil per
kapita serta kondisi kualitas dan fasilitas rumah berdasarkan data Susenas.
i. Indeks Pembangunan Jender (IPJ)
Sama seperti IPM tetapi IPJ dirinci menurut jenis kelamin.
j. Indeks Pemberdayaan Jender (IPJ)
Indeks ini menyertakan persentase anggota legislatif perempuan, persentase
pemimpin perempuan, persentase pekerja perempuan dan sumbangan daya beli
perempuan.
k. Indeks Kemiskinan Manusia (IKM)
Sama seperti IPM tetapi dengan tambahan persentase penduduk tidak mencapai
umur 40 tahun, persentase penduduk dewasa yang buta huruf, persentase
penduduk yang tidak mempunyai akses kesehatan, persentase penduduk yang
tidak mempunyai akses terhadap air bersih dan persentase balita yang berstatus
kurang gizi.
4.2. Teknik Penyusunan Angka Indeks
1.2.1. Angka Indeks individu (tidak berkelompok)
pt
Ip = ---- x 100 Indeks harga p0
qt
Modul-STIS 3
Iq = ---- x 100 Indeks kuantitas q0
pt = harga pada periode tertentu
po = harga pada periode dasar
qt = kuantitas pada periode tertentu
q0 = kuantitas pada periode dasar
Contoh:
Tahun Produksi
(Dalam Juta Ton)Indeks
(1) (2) (3)
1995 17,3 (17,3:20,4) x 100 = 84,8
1996 20,2 (20,2:20,4) x 100 = 99,0
1997 20,4 100
1998 22,3 (22,3:20,4) x 100 = 109,3
1999 24,2 (24,2:20,4) x 100 = 118,6
2000 21,2 (21,2:20,4) x 100 = 103,9
Indeks tahun 2000 = 103,9 berarti produksi tahun 2000 naik 3,9% bila
dibandingkan dengan periode dasar 1997
4.2.2. Angka Indeks Agregatif Sederhana (Tak Tertimbang)
Indeks agregatif adalah indeks dari beberapa jenis barang (2 atau lebih). Setiap
jenis barang ((komoditi) memiliki peranan yang sama dengan komoditi lainnya, tidak
satu komoditipun dimodifikasi untuk menyatakan bahwa suatu komoditi lebih
penting dari yang lain.
Kualitas setiap jenis barang dipilih dari kelompok besar jenis barang tersebut.
Gabungan dari beberapa jenis barang dengan kualitas tertentu biasanya disebut basket
comoditi. Basket comoditi ini biasanya mencakup barang-barang yang penting yang
akan mewakili kelompoknya.
Contoh:
Modul-STIS 4
Jenis Barang Kualitas SatuanHarga
Bulan-0
Harga
Bulan-t
Beras IR-4 Liter 340 340
Ikan Basah
KembungSedang Ons 235 235
Minyak Goreng Bimoli Botol Kecil 500 500
Gula pasir SHS Kg 400 400
Garam Beryodium No.1 Sachet Kecil 50 100
Minyak Tanah Liter 75 75
Sabun cuciKream
EkonomiSachet Kecil 275 275
Tekstil Birkolin Meter 800 800
Kemeja Lengan
PendekKatun Helai 4000 4000
Jumlah X X 6675 6725
Dari contoh tersebut terlihat bahwa:
a. Kualitas dan satuan yang dimonitor harus dicantumkan agar
kenaikan/penurunan harga tidak disebabkan oleh perubahan kualitas atau
satuan tetapi perubahan harga karena suplly atau demand.
b. Harga yang naik adalah garam, dari 50 menjadi 100, harga komoditi ini
terendah, sehingga hanya menaikkan indeks menjadi 100,75. Apabila harga
yang meningkat menjadi dua kali lipat adalah kemeja lengan pendek maka
indeks menjadi:
Modul-STIS 5
=
Jenis Barang Kualitas Satuan Harga
Bulan-0
Harga
Bulan-t
Beras IR-4 Liter 340 340
Ikan Basah
KembungSedang Ons
235 235
Minyak Goreng Bimoli Botol Kecil 500 500
Gula pasir SHS Kg 400 400
Garam Beryodium No.1 Sachet Kecil 50 100
Minyak Tanah Liter 75 75
Sabun cuci Kream Ekonomi Sachet Kecil 275 275
Tekstil Birkolin Meter 800 800
Kemeja Lengan
PendekKatun Helai
4000 8000
Jumlah X X 6675 10675
Hal ini menunjukkan kelemahan indeks agregatif sederhana yang sangat
dipengaruhi komoditi yang bernilai tinggi.
Indeks Relatif Harga
Relatif harga (RH) masing-masing komoditi =
; k = banyaknya jenis barang (komoditi)
Modul-STIS 6
Jenis Barang po p1 p2 RH1 RH2
Beras 340 340 340 100 100
Ikan Basah
Kembung
235 235 235 100 100
Minyak Goreng 500 500 500 100 100
Gula pasir 400 400 400 100 100
Garam Beryodium 50 100 50 200 100
Minyak Tanah 75 75 75 100 100
Sabun cuci 275 275 275 100 100
Tekstil 800 800 800 100 100
Kemeja Lengan
Pendek
4000 4000 8000 100 200
Jumlah X X X 1000 1000
Berdasarkan indeks relatif harga peranan setiap komoditi menjadi sama.
4.2.3. Angka Indeks Agregatif Tertimbang
Penimbang atau bobot untuk suatu komoditi dimaksudkan untuk menunjukkan
peranan (betapa pentingnya) suatu komoditi terhadap komoditi lainnya. Pada contoh
9 jenis barang, misalnya seseorang membutuhkan sebanyak 120 kg beras per tahun
(nilai=120 x Rp340 = Rp 40800) sedangkan kemeja 3 lembar (nilai=Rp12000)
sehingga peranan/timbangan beras harus lebih tinggi bila dibandingkan dengan
kemeja. Ada beberapa jenis formula untuk indeks agregatif tertimbang, yaitu:
Modul-STIS 7
Jenis Indeks Harga Indeks Kuantitas
Laspeyres100x
pq
pqIL
oo
otp
Paasche100x
pq
pqIP
to
ttp
Drobisch 2
IPILID
pp
Fisher
Marshall &
Edgeworth
Penimbang dapat berbentuk produksi, nilai konsumsi atau nilai yang
diperdagangkan yang ditentukan oleh tersedianya data dan eratnya hubungan
penimbang dengan yang ditimbang.
Catatan:
1. Indeks Laspeyres menggunakan penimbang keadaan tahun dasar. Indeks ini hanya
baik bila fluktuasi penimbang relatif rendah seperti pola konsumsi masyarakat
yang lambat pertumbuhannya.
2. Indeks Paasche menggunakan penimbang keadaan tahun yang sedang berjalan.
Sangat baik untuk perhitungan indeks yang penimbangnya berubah-ubah cukup
drastis. Sayangnya biaya pengumpulan data ’penimbang’ cukup mahal.
3. Indeks lainnya merupakan modifikasi dari Laspeyres dan Paasche, hanya Fisher
yang sering dipakai.
Indeks yang baik adalah
a. Yang tertimbang, sehingga setiap komoditi sesuai dengan peranannya.
b. Tergantung dari fluktuasi penimbang, bila relatif konstan pakailah indeks
tertimbang Laspeyres, dan bila erratic pakailah Paasche.
c. Secara teori, indeks tertimbang Fisher yang terbaik.
Modul-STIS 8
Menguji Indeks:
· Factor reversal test
Iv = indeks nilai
Laspeyres: ≠
Laspeyres tidak memenuhi syarat.
Paasche: ≠
Paasche tidak memenuhi syarat.
Fisher:
Fisher memenuhi syarat factor reversal test.
· Time reversal test
Ito = Indeks dengan tahun dasarnya t
Iot = Indeks dengan tahun dasarnya o
Laspeyres: ≠ 1
Laspeyres tidak memenuhi syarat.
Paasche: ≠ 1
Fisher Konsisten
Fisher memenuhi syarat time reversal test.
Indeks Berantai
Modul-STIS 9
Ip X Iq = Iv
1xII otto
Tahun dasar dibuat berurutan, artinya tahun dasar berubah-ubah. Cara ini
mempermudah menilai perkembangan dari tahun ke tahun, tetapi karena tahun dasar
yang berubah-ubah mengakibatkan ada kemungkinan tahun dasar tidak terletak pada
keadaan ‘normal’; juga disebut perhitungan composite indices.
Contoh:
Jenis
barang
1998
po
1999
p1
2000
p2
1998
qo
1999
q1
2000
q2
A 5 6 9 4 4 3
B 7 8 12 4 5 4
Jumlah 12 14 21 8 9 7
· Indeks ‘agregatif sederhana untuk harga’:
I1999 = (14/12)x100=116,67 tahun dasar 1998
I2000 = (21/14)x100=150 tahun dasar 1999
(Harga-harga tahun 1999 naik sebesar 16,67% dari tahun 1998 dan harga-harga
tahun 2000 naik 50% dari tahun 1999).
Indeks Laspeyres
Biasa Berantai
= (56/48)X100
= 116,67
IL1 = 116,67
= (84/48)x100
= 175
= (84/56)x116,67
= 175
(Indeks berantai Laspeyres ternyata tidak ‘bias’ bila dibandingkan dengan indeks
biasa).
Modul-STIS 10
Catatan:
a. Perhitungan dengan cara biasa lebih lengkap lebih baik, asalkan barang dalam
basket belum banyak berubah.
b. Perhitungan menggunakan ‘berantai’ lebih baik, terutama bila ratio senantiasa
dapat digantikan dengan komoditi yang gerakannya searah/semacam.
Penggantian Tahun DasarPenggantian tahun dasar dapat dilakukan karena beberapa sebab:
- sudah terlalu lama (>10 tahun)
- penimbang sudah out-of-date
- tersedia data penimbang baru
- keadaan pada periode baru juga stabil/normal
Contoh: Bila data aslinya masih ada
Macam
barang
1998
po
1998
qo
1999
p1
1999
q1
2000
p2
2000
q2
A 10 5 15 4 20 3
B 8 4 10 4 15 4
Bila 1998=100
Bila kemudian digeser tahun 2000=100
Modul-STIS 11
Modul-STIS 12
BAB 5
ANALISIS KORELASI DAN REGRESI SEDERHANA
5.1. Pengertian tentang hubungan antara dua variabel
Analisis korelasi adalah suatu cara untuk mengetahui ada atau tidak adanya
hubungan linier antarvariabel, misalnya hubungan linier dua variabel. Apabila
terdapat hubungan maka perubahan-perubahan yang terjadi pada salah satu variabel
(X) akan mengakibatkan terjadinya perubahan pada variabel lainnya (Y). Korelasi
yang terjadi antara dua variabel dapat berupa korelasi positif, korelasi negatif, tidak
ada korelasi, ataupun korelasi sempurna.
1. Korelasi positip
Korelasi ini terjadi apabila variabel X meningkat maka variabel Y cenderung
untuk meningkat pula.
2. Korelasi negatif
Korelasi ini terjadi apabila variabel X meningkat maka variabel Y cenderung
menurun.
3. Tidak ada korelasi
Korelasi ini terjadi apabila kedua variabel (X dan Y) tidak menunjukkan adanya
hubungan
4. Korelasi sempurna
Korelasi ini terjadi apabila kenaikan/penurunan variabel X selalu sebanding
dengan kenaikan/penurunan variabel Y (berada pada satu garis lurus).
Teknik untuk mengetahui ada tidaknya korelasi antara 2 variabel dapat
dilakukan melalui beberapa cara, yaitu membuat diagram pencar, dan menghitung
koefisien korelasinya.
Modul-STIS 13
▪ Diagram Pencar
Untuk menunjukkan ada tidaknya korelasi (hubungan) antara dua variabel (X
dan Y) dapat menggunakan diagram pencar yaitu tebaran nilai-nilai dari variabel-
variabel tersebut pada sumbu x dan y.
Tujuan dari diagram pencar adalah untuk mengetahui apakah titik-titik
kordinat pada sumbu x dan y tersebut membentuk pola tertentu. Dari diagram pencar
tersebut, dapat dibuat sebuah garis yang kira-kira membagi dua titik-titik koordinat
pada kedua sisi garis. Dari garis tersebut dapat diketahui korelasi antara kedua
variabel tersebut. Jika garis naik berarti korelasi positif, jika arah garis menurun
berarti korelasi negatif, jika tidak dapat dibuat sebuah garis berarti tidak ada korelasi,
dan jika titik-titik tepat melalui garis berarti korelasinya sempurna.
Diagram pencar dari beberapa jenis korelasi.
Y · · · Y · · · · · · · · · · · · · · · · · · · · · · · · · · · · ·
Korelasi Positif X Korelasi Negatif X
Modul-STIS 14
Y ··· Y · · · ·· · · · ···· · · · · · ·· · ·
·
Tidak ada korelasi X Korelasi sempurna X
▪ Koefisien Korelasi
Untuk mengetahui ada/tidak adanya hubungan antara kedua variabel (X dan
Y) dan seberapa erat hubungan kedua variabel tersebut, dapat diketahui dengan
menghitung koefisien korelasi dari kedua variabel. Jika koefisien korelasi bertanda
positif (+) maka dapat disimpulkan hubungan kedua variabel positif dan begitu juga
halnya bila koefisien korelasi bertanda negatif (-).
5.2. Koefisien Korelasi Pearson
Apabila antara dua variabel ( X dan Y) yang masing-masing mempunyai skala
pengukuran sekurang-kurangnya interval dan hubungannya merupakan hubungan
linier, maka keeratan hubungan antara kedua variabel itu dapat dihitung dengan
menggunakan formula korelasi pearson yang diberi simbol dengan ryx atau rxy untuk
sampel dan ρyx atau ρxy untuk populasi.
Koefisien korelasi Pearson antara dua variabel yang datanya tidak
berkelompok:
ryx atau rxy =
Koefisien korelasi Pearson antara dua variabel yang datanya berkelompok:
Modul-STIS 15
ryx atau rxy =
u = skala baru dari X
v = skala baru dari Y
5.3. Koefisien Korelasi Spearman
Untuk mengukur keeratan hubungan antara dua variabel X dan Y yang kedua-
duanya mempunyai skala pengukuran sekurang-kurangnya ordinal dapat dihitung
dengan menggunakan formula korelasi Spearman.
Koefisien korelasi Spearman antara Y dan X atau X dan Y:
a) Jika tidak ada data kembar
di = selisih ranking antara ranking variabel X dan ranking variabel Y
n = banyaknya data
b) Jika ada data kembar
(Siegel dan Castellan, 1988)
Modul-STIS 16
Penafsiran Koefisien Korelasi
Untuk menentukan keeratan hubungan bisa digunakan kriteria Guilford (1956), jika:
1. rxy atau ryx ≥ 0,00 < 0,20 Hubungan antara X dan Y sangat kecil dan bisa
diabaikan
2. rxy atau ryx ≥ 0,20 < 0,40 Hubungan antara X dan Y kecil (tidak erat)
3. rxy atau ryx ≥ 0,40 < 0,70 Hubungan antara X dan Y moderat
4. rxy atau ryx ≥ 0,70 < 0,90 Hubungan antara X dan Y erat
5. rxy atau ryx ≥ 0,90 < 1,00 Hubungan antara X dan Y sangat erat
5.4. Koefisien Korelasi Data Kualitatif
Untuk data kualitatif, koefisien korelasi dapat dihitung dengan menggunakan
Contingency Coefficient:
; 2 = chi-square.
5.5. Hubungan Linier Antara Dua Variabel
Sebuah variable hasil observasi besaran data yang diperoleh sangat mungkin
dipengaruhi oleh variabel lainnya. Misalnya tinggi dan berat badan seseorang. Untuk
suatu tinggi tertentu ada besaran berat badan yang mempengaruhi atau sebaliknya.
Contoh lain misalnya produksi padi yang dipengaruhi oleh luas lahan yang ditanami,
jenis pupuk yang dipakai, banyaknya pupuk yang dipakai dsb. Seberapa erat
hubungan antara jumlah produksi padi dengan jumlah pupuk yang dipakai (hubungan
2 variabel) dapat diketahui dengan menghitung koefisien korelasi dari 2 variabel
tersebut. Jika hubungan 2 variabel tersebut merupakan hubungan yang linier
(positip/negatip) maka dua variabel tersebut dapat dianalisis selanjutnya dengan
analisis regresi.
5.6. Regresi Linier Sederhana
Modul-STIS 17
Analisis regresi linier sederhana adalah analisis regresi yang hanya
menggunakan 1 variabel independen dan mempunyai hubungan garis lurus dengan
variabel dependennya.
Pada contoh produksi padi dan jumlah pupuk yang dipakai, variabel
independennya adalah jumlah pupuk (X), dan variabel dependennya adalah produksi
padi (Y). Dengan demikian produksi padi merupakan fungsi dari jumlah pupuk
y=f(x); y=produksi padi dan x = jumlah pupuk.
Dalam regresi linier sederhana hubungan variabel tersebut dapat dituliskan
dalam bentuk model persamaan linier:
Untuk populasi:
Y = +X+
dimana:
Y = variabel dependen/variable respon
X = variabel independen / variabel penjelas
= koefisien intercept = titik potong garis regresi dengan sumbu y
= koefisien regresi (slope)
= error / kekeliruan
Untuk sampel:
= a + bx
dimana:
= nilai ramalan y untuk sejumlah x tertentu
a = koefisien intercept
b = slope
x = variabel independen/variabel penjelas
Modul-STIS 18
5.7. Langkah-langkah membuat Regresi Linier Sederhana
1. Tentukan terlebih dahulu variabel independen (x) dan variabel dependennya (y)
2. Membuat diagram pencar dari data x dan y
3. Dari diagram pencar tersebut akan diperoleh gambaran pola tebaran x dan y,
apakah membentuk hubungan yang linier? Jika ya, maka model regresinya adalah
regresi linier sederhana.
4. Menghitung koefisien intercept (=a)
n
)x(x
n)y)(x(yx
b2
i2i
iiii
dimana: yi = variabel dependen ke-i
xi = variable independen ke-i
i = 1, 2, ,3, .., n
n = banyaknya observasi
Diperoleh persamaan garis = a + bx
5. Menghitung = a + bx
= estimasi harga y jika x disubtitusikan kedalam persamaan regresi
6. Membuat garis = a + bx pada sumbu x dan y.
Modul-STIS 19
Contoh: Hasil observasi di desa A diperoleh data jumlah pupuk yang dipakai dan
jumlah produksi padi yang dihasilkan pada 8 petak sawah sebagai berikut:
No. Petak Sawah Jumlah pupuk yang dipakai(Kwintal)
Produksi padi (Ton)
(1) (2) (3)
1 1 2
2 2 4
3 4 5
4 5 7
5 7 8
6 9 10
7 10 12
8 12 14
Jumlah 50 62
Diagram pencar
Modul-STIS 20
0
2
4
6
8
10
12
14
16
0 5 10 15
x
y
Pencilan=outlier
Cara menghitung garis regresi:
No. Petak Sawah
Jumlah pupuk yang dipakai (kwintal)=xi
Produksi padi (ton)=yi xi
2 xiyi
(1) (2) (3) (4) (5) (6)
1 1 2 1 2 2,29
2 2 4 4 8 3,33
3 4 5 16 20 5,41
4 5 7 25 35 6,45
5 7 8 49 56 8,53
6 9 10 81 90 10,61
7 10 12 100 120 11,65
8 12 14 144 168 13,73
Jumlah 50 62 420 499
=1,25+1,04x x = 0 artinya: jika tidak diberi pupuk produksi = 1,25 ton
x =1 artinya: jika diberi pupuk 1 kwintal produksi akan
bertambah sebanyak 1,04 ton
Modul-STIS 21
Modul-STIS 22
Y
e ------- b
-------- b
a X
0
2
4
6
8
10
12
1 2 3 4 5 6 7 8
=1,25+1,04x
BAB 6
ANALISIS DERET WAKTU
6.1. Pengertian tentang Data Deret Waktu
Data deret waktu adalah serangkaian data hasil observasi dengan
menggunakan runtun waktu (t) sebagai variabel. Dari hasil pengumpulan data dari
waktu ke waktu dibuat garis trend, indeks musim, dan gerakan sikli murni. Data yang
dikumpulkan dari waktu ke waktu akan berfluktuasi. Fluktuasi ini dipengaruhi oleh
perpaduan komponen-komponen trend sekuler, variasi musim, gerakan sikli dan
variasi random.
Data deret waktu yang mengandung trend sekuler (T) adalah data deret waktu
dalam jangka waktu panjang (10 tahun atau lebih). Grafik data ini menunjukkan
gerakan yang berayun arah menaik atau menurun.
Data deret waktu yang mengandung variasi musim (S) adalah data deret
waktu yang gerakan grafiknya mempunyai pola tetap dari waktu ke waktu yang
disebabkan oleh musim.
Data deret waktu yang mengandung variasi sikli (C) adalah data deret waktu
yang gerakan grafiknya turun dan naik. Gerakan ini berulang kembali setelah jangka
waktu tertentu tetapi sifatnya tidak periodik.
Data deret waktu yang mengandung variasi random (I) adalah data deret
waktu yang gerakannya disebabkan oleh faktor kebetulan/insiden dan sporadis.
Tidak semua data deret waktu mengandung keempat komponen tersebut. Ada
data yang mengandung komponen variasi musim dapat dilihat dengan jelas
gerakannya sementara komponen lain hampir tidak ada, dan sebaliknya.
Modul-STIS 23
Data yang dikumpulkan dari waktu ke waktu dapat dituliskan dalam sebuah
persamaan garis yaitu:
Y = T x S x C x I atau Y = T + S + C + I
T = Trend sekuler
S = Variasi musim
C = Variasi sikli
I = Variasi random
Y = Garis trend
6.2. Cara Menentukan Trend dari Komponen Trend Sekuler
1) Metode bebas
2) Metode rata-rata semi
3) Metode rata-rata bergerak
4) Metode kuadrat terkecil
1. Metode Bebas
Yaitu metode membuat garis trend tanpa menggunakan rumus matematika.
Modul-STIS 24
N ILAI
WAKTU
0
1
2
3
4
5
6
7
8
9
10
0 2 4 6 8 10
1. Metode rata-rata semi (setengah rata-rata)
▪ Jumlah waktu (tahun) genap dan jumlah komponen dalam kelompok genap.
▪ Jumlah waktu (tahun) genap dan jumlah komponen dalam kelompok ganjil.
▪ Jumlah waktu (tahun) ganjil.
Contoh: Jumlah waktu (tahun) genap dan jumlah komponen dalam kelompok
ganjil
Tahun HargaRata-rata
SemiTotal
SetengahRata-rata
Trend awalTahun = Y’
(1) (2) (3) (4) (5) (6)
Kelompok Komponen 1
1995 3000
39000 9750
7718,741996 9000 8734,371997 14000 97501998 13000 10765,63
Kelompok Komponen 2
1999 13500
55250 13812,5
11781,262000 13750 12769,892001 14000 13812,522002 14000 14828,15
Y’ = a0 + bX
Y’ = nilai trend awal tahun
a0 = nilai trend pada periode dasar = a1997 = 9750
b = rata-rata pertambahan trend setiap tahun =
1x = setengah rata-rata kelompok komponen 1
= setengah rata-rata kelompok komponen 2
= rata-rata jumlah periode setiap komponen = jumlah periode antara
1x dan .
X = jumlah unit tahun yang dihitung dari periode dasar
Y’=9750 + 1015,63X
Modul-STIS 25
Dari nilai trend awal tahun (Y’) yang diperoleh, selanjutnya dibuat trend
untuk data deret waktu tersebut (kolom 6).
2. Metode rata-rata bergerak
Penggunaan rata-rata bergerak bertujuan untuk mengisolir fluktuasi musim, sikli,
dan random yang ada dalam data asal.
a. Sederhana
TahunHarga
Rata-rataJumlah BergerakSelama 3 Tahun
Rata-rata BergerakPer 3 tahun
(1) (2) (3) (4)
1995 3000
1996 9000 26000 8666,67
1997 14000 36000 12000,00
1998 13000 40500 13500,00
1999 13500 40250 13416,67
2000 13750 41250 13750,00
2001 14000 41750 13916,67
2002 14000
0
2000
4000
6000
8000
10000
12000
14000
16000
1994 1996 1998 2000 2002 2004
Tahun
Nilai
Modul-STIS 26
b. Tertimbang
Sebagai penimbangnya adalah koefisien Binomial. Koefisien Binomial
digunakan sebagai pengali untuk menghitung jumlah bergerak 3 tahun dan
jumlah koefisien digunakan sebagai pembagi untuk menghitung rata-rata
bergerak tertimbang per 3 tahun. Koefisien pengali untuk 3 tahunan adalah: 1,
2, dan 1 dan jumlah koefisiennya = 1+2+1 = 4.
TahunHarga
Rata-rataJumlah Bergerak 3
TahunRata-rata Bergerak
Tertimbang Per 3 tahun1995 3000
1996 9000 35000 8750
1997 14000 50000 12500
1998 13000 53500 13375
1999 13500 53750 13437,5
2000 13750 55000 13750
2001 14000 55750 13937,5
2002 14000
0
2000
4000
6000
8000
10000
12000
14000
16000
1994 1996 1998 2000 2002 2004
Tahun
Nilai
3. Metode Kuadrat Terkecil
Bentuk umum model: y’=a+bx
Modul-STIS 27
n
)x(x
n)y)(x(yx
b2
i2i
iiii
Untuk mempermudah perhitungan, waktu (tahun) diberi skala baru (x) sehingga
xi=0 .
Contoh:
Tahun xiHarga Rata-
rata (yi)xiyi xi
2 y’
1995 -7 3000 -21000 49 9358,65
1996 -5 9000 -45000 25 9964,30
1997 -3 14000 -42000 9 10569,95
1998 -1 13000 -13000 1 11175,60
1999 1 13500 13500 1 12386,90
2000 3 13750 41250 9 12992,55
2001 5 14000 70000 25 13598,20
2002 7 14000 98000 49 14203,85
Jumlah 0 94250 101750 168
y’=11781,25+605,65xi dengan tahun dasar 1998 – 1999 = 0 (31 Des;98 atau 1
Jan ’99). Setelah nilai Y’ diperoleh untuk tahun 1995 s.d. tahun 2002,
kemudian dibuat garis trendnya.
Modul-STIS 28
· · · ·
·
0
2000
4000
6000
8000
10000
12000
14000
16000
1994 1996 1998 2000 2002 2004
6.3. Cara Menghitung Variasi Musim dan Indeks Musim
Data deret berkala yang berfluktuasi bisa disebabkan oleh faktor alami
(misalnya saat panen, paceklik, musim hujan, panas, dsb) dan faktor kebiasaan/tradisi
(lebaran, tahun baru dsb).Periode pengumpulan data: tahunan, bulanan, mingguan,
harian dsb. Dengan mengetahui pola variasi ini (ada atau tidak ada gerakan musim)
seorang usahawan/wati dapat mengambil kebijakan untuk kegiatan perusahaannya
(untuk penggunaan tenaga kerja; persediaan bahan baku; bulog misalnya untuk
persediaan beras masyarakat dan lain sebagainya). Kalau data tersebut bulanan, perlu
diperhatikan bahwa jumlah hari masing-masing bulan tidak sama, ada yang 30 ada
yang 29 atau ada yang 31 hari, bahkan jumlah jam kerja setiap hari dapat berbeda-
beda. Dengan demikian sedikit atau banyaknya hasil produksi harus dilihat jumlah
hari produksinya.
Misalnya pada bulan Januari (jumlah hari kerja untuk produksi= 25 hari)=125 ton,
pada bulan Februari (jumlah hari kerja untuk produksi= 22 hari)=110 ton
Adanya perbedaan jumlah produksi bukan berarti ada penurunan antara bulan
Januari dan Februari. Oleh karenanya keseragaman jumlah hari tiap-tiap bulan harus
diperhatikan sebelum data deret berkala tersebut diukur variasi musimnya.
Untuk menghitung variasi musim, data deret berkala harus dibebaskan dari T,
Vs dan R. Setelah data deret berkala terbebas dari T, C dan I maka yang tersisa
Modul-STIS 29
adalah data deret berkala yang mengandung S saja. Dari data yang mengandung S ini
bisa dibuat Indeks Musim. Indeks musim dari data bulanan menggambarkan gerakan
musim tiap-tiap bulan.
Ada beberapa cara untuk menghitung Variasi Musim dan Indeks Musim.
1. Metode rata-rata bergerak 12 bulan
Sebelum data hasil observasi diolah, pertama yang harus dilakukan adalah
menyeragamkan jumlah jam kerja/jumlah hari kerja per bulan. Dengan
penyeragaman ini perbedaan data tiap bulan bukan dikarenakan jumlah hari
kerja/jam kerja yang berlainan. Penyeragaman dilakukan dengan cara sebagai
berikut:
Tahun 2000
Bulan Jumlah Hari Kerja Faktor Pengali
Januari 20 20 : = 0,80
Februari 21 21 : = 0,84
Maret 25 25 : = 1,0
.
.
.Desember
Jumlah 300
Modul-STIS 30
Bulan Produksi (Ton)=yi Prod. X Faktor Pengali = yi baru
Januari 10 10 x 1/0,80 = 12,5
Februari 12 12 x 1/0,84 = 14,29
Maret 9 9 x 1 = 9
.
.
.
Dst
Desember
Data deret waktu disusun kembali sebagai berikut:
Tahun Bulan Yi Baru
Rata-rata Bergerak 12 bln
Rata-rata bergerak 12 bln terpusat
Persentase Rata-rata Bergerak
(1) (2) (3) (4) (5) (6)2000 Jan 148,82
PebMaretAprMeiJuni 145,55
148,11Juli 147,48
148,87(148,11+148,87)/2=148,49 (147,47/148.49)x100%=99,32%
Agst 147,40149,86
(148,87+149,86)/2=149,37 (147,40/149,37)x100%=98,68%
Sept...Des 152,25
2001 Jan 157,94...Des
2002 Jan
Modul-STIS 31
Data yang diperoleh di kolom (6) disusun kembali kedalam kolom (2); (3); dan
(4), sebagai berikut:
Bulan 2000 2001 2002 Rata-rata=(2)+(3)+(4)/
3
Adjusted=Indeks Musim
(1) (2) (3) (4) (5) (6)Januari -Februari -Maret -Apr -Mei -Juni -Juli 99,32 - 103,36 (1200/1196,78)x103,36=103,64Agst 98,68 - 103,32 (1200/1196,78)x103,32=103,60
.
.
.
---
Desember - 1.196,78 1200
Catatan:
Jika ada nilai ekstrim pada data di kolom (2), (3), dan (4), sebaiknya digunakan
median (bukan rata-rata hitung).
2. Metode Rata-rata Sederhana
Langkah-langkah menghitung Indeks Musim
1. Menghilangkan gerakan residu / random.
Dengan cara melakukan pengrata-rataan bulanan dari data 3 tahun. Akibat
pengrata-rataan ini, data terbebas dari gerakan / fluktuasi random dan sedikit
gerakan siklis. Jika data observasi tersedia lebih dari 3 tahun s.d. 10 tahun
maka gerakan siklis akan terbebas lebih banyak lagi dari data tersebut (lihat
kolom 5).
2. Berarti data di kolom 5 merupakan data deret berkala yang mengandung T
dan S.
Modul-STIS 32
Data Deret Berkala
Bulan Yi Rata-rata Bulanan
(yi) 2000 2001 2002
(1) (2) (3) (4) (5)Januari 12,5 12 13 12,50Februari 14,29 11 12 12,43Maret 9 12 15 12
.
.
.Desember
Perlu bantuan kolom 6,7,8.
Skala Xi XiYi Xi2 Trend(6) (7) (8) (9)
Januari -11 -121 121 0
Februari -9 -99 81 2b
Maret -7 -84 49 4b
April -5 25 6b
Mei -3 9 8b
Juni -1 1
Juli 1 1
Agustus 3 9
September 5 25
Oktober 7 49
Nopember 9 81
Desember 11 121
Jumlah 0 XiYi 572
Berarti Unit x = ½ bulanan
= pertambahan trend ½ bulanan
Pertambahan trend bulanan = 2b Kolom 9
Modul-STIS 33
Jika dianggap periode dasar adalah bulan Januari, maka pertambahan trend
bulan Januari=0 Produksi bulan Januari tidak terpengaruh oleh trend.
Pertambahan trend Februari = 2b
Pertambahan trend Maret = 4b, dst
Data bulan Februari (kol 5) dipengaruhi oleh trend sebesar 2b.
3. Data di kolom (5) jika dikurangi dengan pertambahan trendnya data deret
berkala yang hanya mengandung S murni (kol 10).
4. Untuk menghitung indeks musim = = menggambarkan
gerakan musiman tiap-tiap bulan dalam bentuk indeks. Lihat kolom 11
S=Variasi
Musim
Indeks Musim
(10) (11)(5) – (9)
. Misal = 112,84
Artinya produksi bulan Januari lebih banyak
(12,84%) dari produksi rata-rata bulanan tahun
bersangkutan.
S
Data di kolom (11) menggambarkan gerakan musiman tiap-tiap bulan dalam
bentuk indeks musim.
Dari gerakan tersebut dapat dilakukan:
1. Membuat rencana mengenai persediaan barang/bahan, penggunaan
tenaga kerja, kegiatan produksi dan sebagainya.
2. Melakukan ekstrapolasi.
Unit U = ½ bulanan 30 Juni 2001
Data diurutkan dari Januari 2000 s.d. Desember 2002
Modul-STIS 34
= ½ bulanan
y’=a+bU
Nilai Trend Januari 2003 y’=a+b.(37)
Nilai Trend Februari 2003 = Nilai trend Januari 2003 + 2b
Nilai Trend Maret 2003 = Nilai trend Februari 2003 + 2b
Dari sini diperoleh data Tahun 2003 (Januari s.d. Desember)
Tahun 2003
BulanNilai
TrendIndeks Musim
Ekstrapolasi
Produksi Tahun 2003
(1) (2) (3) (4)Januari Indeks Musim Januari
2000 s.d. Desember
2002 Kolom (11)
(2) . (3)
.
.
.
Desember
3. Menghitung data yang tidak mengandung S. Indeks musim bulan Januari
2000 = 112,84% berarti juga bahwa produksi bulan Januari 2000 sebesar
112,84% dari produksi bila tidak ada variasi musim.
Produksi Januari 2000 yang tidak mengandung
Modul-STIS 35
6.4. Cara Menghitung Gerakan Sikli Murni
Penggunaan data bulanan atau kuartalan akan lebih baik untuk
mendapatkan/melihat variasi sikli. Dengan menggunakan data yang diperoleh pada
tabel indeks musim, diperoleh variasi sikli sebagai berikut:
Thn BulanYi
BaruXi XiYi Xi2 Trend
Indeks Musim
Trend x S
C x I
Jumlah bergerak 3
bulan tertimbang
Relatif Sikli
(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11) (12)2000 Jan -35 (7)x(8) (3):
(9)x100Feb
.
.Des
2001 JanFeb
.
.
Juni -1Juli +1
.
.Des
2002 Jan..
Des +350
Modul-STIS 36
Daftar Pustaka
Andersen, T.W., dan Sclove L. Stanley, The Statistical Analysis of Data, Second
Edition, Houghton Mifflin Company, 1986, USA.
Dayan Anto, Pengantar Metode Statistik Jilid I, LP3ES.
Draper, N.R, and Smith H, Applied Regression Analysis, Second Edition, John Willey
& Sons, Inc.
Lind Douglas A, Marchal William G, Wathen Samuel A, Statistical Techniques in
Businned Economic, Twelfth Edition, International Edition, Mc Graw-Hill
Supranto, Johannes, Statistik Teori dan Aplikasi Jilid I, edisi kelima
Hasan, M. Iqbal, Ir, Pokok-Pokok Materi Statistik 1, Bumi Aksara, 1999, Jakarta
Modul-STIS 37