Contoh Data 6j1i42

Data Cross-Section, Data Time Series, dan Data ”. Gujarati (2003:27) menyatakan data cross-section merupakan suatu data yang terdiri dari satu atau lebih variabel yang dikumpulkan pada waktu yang sama (at the same point in time). Tabel 1 merupakan contoh dari data cross-section.

Data cross-section pada Tabel 1 terdiri atas dua variabel, yakni pendapatan (X) dan pengeluaran (Y). Data pendapatan dan pengeluaran dari enam perusahaan tersebut dikumpulkan pada waktu yang sama, yakni pada tahun 2000. Selain data cross-section, terdapat jenis data lain, yakni data time series. Pada data time series, serangkaian nilai pengamatan dari suatu variabel dikumpulkan berdasarkan waktu yang berbeda-beda (Gujarati, 2003:25). Tabel 2 merupakan contoh dari data time series.

Data time series pada Tabel 2 menyajikan tingkat pendapatan dan pengeluaran dari perusahaan X selama enam tahun, yakni dari tahun 2000 sampai tahun 2005. Data yang memuat unsur time series dan cross-section disebut dengan data . Data disebut juga dengan pooled data (pooling of time series and cross sectional observations), combination of time series and cross section data, micro data. Tabel 3 merupakan contoh dari data .

dan seterusnya. Berdasarkan data pada Tabel 3, perhatikan bahwa masing-masing unit crosssectional memiliki jumlah waku pengamatan yang sama. Pada unit cross-sectional Perusahaan A, memiliki 3 waktu pengamatan, yakni mulai dari tahun 2000, 2001, dan 2002. Begitu juga pada unit cross-sectional Perusahaan B memiliki 3 waktu pengamatan, yakni dari tahun 2000, 2001, dan 2002. Data yang demikian disebut juga dengan istilah balanced

. Namun jumlah waktu pengamatan tidak sama atau berbeda-beda, maka disebut unbalanced .

Jenis-Jenis Data 

Jenis Data Menurut Cara Memperolehnya : Data Primer Data primer adalah secara langsung diambil dari objek / obyek penelitian oleh peneliti perorangan maupun organisasi. Contoh : Mewawancarai langsung penonton bioskop 21 untuk meneliti preferensi konsumen bioskop. Data Sekunder Data sekunder adalah data yang didapat tidak secara langsung dari objek penelitian. Peneliti mendapatkan data yang sudah jadi yang dikumpulkan oleh pihak lain dengan berbagai cara atau metode baik secara komersial maupun non komersial. Contohnya adalah pada peneliti yang menggunakan data statistik hasil riset dari surat kabar atau majalah.



Macam-Macam Data Berdasarkan Sumber Data : Data Internal Data internal adalah data yang menggambarkan situasi dan kondisi pada suatu organisasi secara internal. Misal : data keuangan, data pegawai, data produksi, dsb. Data Eksternal Data eksternal adalah data yang menggambarkan situasi serta kondisi yang ada di luarorganisasi. Contohnya adalah data jumlah penggunaan sua tu produk pada konsumen, tingkat preferensi pelanggan, persebaran penduduk, dan lain sebagainya.



Jenis-jenis Data Menurut Waktu Pengumpulannya : Data Cross Section Data cross-section adalah data yang menunjukkan titik waktu tertentu. Contohnya laporan keuangan per 31 desember 2006, data pelanggan PT. Angin Ribut bulan mei 2004, dan lain sebagainya.

Data Time Series / Berkala Data berkala adalah data yang datanya menggambarkan sesuatu dari waktu ke waktu atau periode secara historis. Contoh data time series adalah data perkembangan nilai tukar dollar amerika terhadap euro eropa dari tahun 2004 sampai 2006, jumlah pengikut jamaah nurdin m. top dan doktor azahari dari bulan ke bulan, dll. 

Data dengan Variabel bebas dan variabel terikat : Variabel bebas adalah data unit atau ukuran yang diubah dalam suatu pengamatan. Dalam hubungan sebab-akibat, variable terikat berperan sebagai sebab sementara variable bebas adalah akibat. Data dengan variabel terikat adalah data unit atau ukuran yang berubah sesuai dengan berubahnya variable lain. Variabel terikat menjadi hal yang diperhatikan dalam suatu pengamatan.



Data Berkala Data berkala adalah data yang dikumpulkan dari waktu ke waktu untuk menggambarkan suatu perkembangan atau kecenderungan keadaan/peristiwa/kegiatan. Biasanya jarak dari waktu ke waktu sama. Data berkala disebut juga time series data. Dengan analisis data berkala kita dapat mengetahui perkembangan satu atau beberapa keadaan serta hubungan atau pengaruhnya

terhadap

keadaan

lain.

Gerakan-gerakan khas data berkala dapat digolongkan menjadi empat kelompok utama, yang sering disebut komponen-komponen data berkala, yaitu : 1. Gerakan trend jangka panjang (T) adalah suatu garis halus atau kurva yang menunjukkan suatu kecenderungan umum dari suatu data berkala. Kecenderungan tersebut arahnya bisa naik

bisa

juga

turun.

2. Gerakan siklis (C) adalah gerakan naik-turun di sekitar garis trend jangka panjang. Atau bisa juga dikatakan suatu gerakan sekitar rata-rata nilai data berkala, di atas atau di bawah garis trend dalam jangka panjang.

3. Gerakan variasi musim (S) adalah gerakan yang mempunyai pola-pola tetap atau identik dari waktu ke waktu dengan jangka waktu yang kurang dari satu tahun. 4. Gerakan yang tak teratur atau gerakan yang acak (I) adalah gerakan dengan pola tidak teratur dan tidak dapat diperkirakan yang terjadi dalam waktu singkat. Contoh data berkala adalah sebagai berikut :  pertumbuhan ekonomi per tahun dari tahun 1995 sampai tahun 2000.  jumlah produksi minyak per bulan  indeks harga saham per hari  jumlah keuntungan perusahaan tiap tahun. Persamaan klasik mengasumsikan bahwa data berkala Y merupakan hasil perkalian dari komponen-komponen,

T,

C,

S

dan

I

yaitu

:

Y

=

T

x

C

x

S

x

I

Ada juga statistikawan yang mengasumsikan bahwa data berkala Y = T + C + S + I Bentuk Umum Persamaan Trend Linear Y = a + bX Y = nilai trend pada periode tertentu (variabel tak bebas) X = periode waktu (variabel bebas) a = intersep dari persamaan trend b = koefisien kemiringan atau gradien dari persamaan trend yang menunjukkan besarnya Y bila terjadi perubahan pada X. Ada empat cara untuk menentukan persamaan trend linear, yaitu : a) Metode bebas b) Metode setengah rata-rata c) Metode rata-rata bergerak d) Metode kuadrat terkecil a) Metode Bebas merupakan cara yang paling sederhana dan mudah untuk menentukan trend dari data berkala. Langkah-langkah yang diperlukan : 1. Buatlah sumbu datar X dan sumbu tegak Y dalam sistem koordinat Cartesius. 2. Buatlah diagram pencar (scatter diagram) dari pasangan titik (X,Y) yang menyatakan kaitan antara waktu dan nilai data berkala. 3. Tariklah garis linear yang arahnya mengikuti arah penyebaran nilai-nilai data berkala. 4. Pilihlah dua titik sembarang untuk menentukan persamaan trend linear, misalnya (X1,Y1) dan (X2, Y2) 5. Pilih salah satu periode waktu data berkala sebagai titik asal (X=0) 6. Masukkanlah atau subtitusikanlah nilai-nilai X dan Y dari dua titik yang telah dipilih pada rumus persamaan umum trend linear. 7. Selanjutnya tentukanlah nilai-nilai trend dengan memakai persamaan yang telah diperoleh tersebut.

b) Metode setengah rata-rata Dilakukan dengan tahap berikut : 1. Bagilah data berkala menjadi dua kelompok yang sama banyak, katakanlah kelompok 1 dan kelompok 2. 2. Tentukanlah rata-rata hitung masing-masing kelompok. 3. Tentukanlah dua titik, yaitu (X1, Y1) dan (X2, Y2) dimana absis X1 dan X2 ditentukan dari periode waktu data berkala. 4. Tentukanlah nilai a dan b dengan mensubtitusikan nilai-nilai X dan Y dari dua titik tersebut pada persamaan trend Y = a + bX. c) Metode rata-rata bergerak Salah satu manfaat penting dari rata-rata bergerak adalah untuk mengurangi variasi dari data berkala aslinya. Dengan mengurangi variasi tersebut , maka rata-rata bergerak dapat menghilangkan fluktuasi-fluktuasi yang tidak diinginkan. Misalnya : a, b, c, d, e, e, f, g. Maka, rumusnya Y1= (a+b+c)/n Y2= (b+c+d)/n Cat : Nilai n untuk tiap perhitungan Y tergantung jumlah yang diperhitungkan, sedangkan setiap Y + 1 , maka akan bergeser ke data disebelah kanan. d) Metode Kuadrat Terkecil Antara nilai – nilai data berkala Y1 ,Y2, Y3, …, Yn dengan nilai – nilai trend Y^1, Y^2, Y^3,.., Y^n, yang diperoleh dari persamaan trend linear mempunyai eror sebesar ei=Yi-Y^i dari semua titik adalah ∑ei . Maka akan berlaku rumus : a=(∑Y)/n dan b=(∑XY)/(∑X^2 ) dimana, ∑X=0 X adalah variabel waktu dari data berkala dan Y adalah nilai-nilai data berkala.

Regresi Data Regresi data merupakan pengembangan dari regresi linier dengan metode OLS yang memiliki kekhususan dari segi jenis data dan tujuan analisisnya. Dari segi jenis data, regresi data memiliki karakteristik (jenis) data cross section dan time series. Sifat cross section data ditunjukkan oleh data yang terdiri lebih dari satu entitas (individu), sedangkan sifat time series ditunjukkan oleh setiap individu memiliki lebih dari satu pengamatan waktu (periode). Misal pada suatu penelitian diamati entitas yang terdiri dari empat perusahaan dengan

masing-masing perusahaan memiliki periode pengamatan yang sama yaitu 15 tahun dari tahun 1935 sampai dengan 1954. Dilihat dari tujuan analisis data, data berguna untuk melihat dampak ekonomis yang tidak terpisahkan antar setiap individu dalam beberapa periode, dan hal ini tidak bisa didapatkan dari penggunaan data cross section atau data time series secara terpisah. Adanya perbedaan karakteristik variabel terikat dari setiap entitas atau adanya pengaruh variabel lain di luar model yang ingin diamati pengaruhnya penggunaan regresi data akan efektif karena regresi linier tidak dapat melakukannya. Data time series Sering disebut juga dengan data runtut waktu yaitu merupakan rangkaian observasi pada suatu nilai yang diambil pada waktu yang berbeda. Data tersebut dapat dikumpulkan secara berkala pada interval waktu tertentu, misalnya harian, mingguan, bulanan, atau tahunan. Meskipun data time series sering digunakan dalam penelitian ekonomi, sebenarnya data time series sering menimbulkan masalah dalam analisisnya, terutama masalah stationary. Secara singkat data yang tidak stasioner adalah data di mana nilai rata-rata dan variansnya tidak sistematis dalam kurun waktu tertentu. Data Cross Section Data cross section adalah data dari satu atau lebih variabel yang dikumpulkan dalam waktu yang sama, misalnya sensus penduduk. Data tipe ini juga mempunyai permasalahan lain yaitu masalah heterogenitas. Misalnya pengukuran data gaji karyawan dari berbagai kota, ada di antaranya yang terlalu tinggi nilainya dan ada di antaranya yang terlalu rendah nilainya. Pooled Data Secara sederhana, pooled data adalah kombinasi antara data time series dan data cross section. Contohnya adalah data beberapa rasio keuangan dari beberapa perusahaan dalam rentang beberapa tahun atau periode tertentu. Data Data adalah bentuk khusus dari pooled data. Data juga sering disebut dengan longitudinal atau micro data. Tipe data adalah pooled data dengan unit cross sectional yang sama, misalnya unit keluarga atau perusahaan.