Haloooo gaesss..... Ketemu lagi dengan  nih gaes. Setelah kita jumpa dipertemuan pertama yang ngebahas apa itu ekonometrika ?? Sekarang kita masuk ke pembahasan yang kedua. Nah,, kali ini tulisannya berisikan tentang penjelasan ekonometrika dan macam-macam visualiasi data. Mau tau selengkapnya ??? Cusss Cekidoottt gaeessss ....... J

Ekonometrika dan Visualisasi Data
Di dalam pembahasan mengenai Ekonometrika dan Data, beberapa penjelasannya berisikan tentang penjabaran kriteria dalam Ekonometrika yang salah satunya adalah Kriteria Good Estimator. Kriteria Good Etimator terdiri atas :

1.        METODE KUADRAT KECIL ( LEAST SQUARE METHOD )

Metode Least Square : Metode yang digunakan untuk analisis time series adalah Metode Garis Linier Secara Bebas (Free Hand Method), Metode Setengah Rata-Rata (Semi Average Method), Metode Rata-Rata Bergerak (Moving Average Method) dan Metode Kuadrat Terkecil (Least Square Method). Dalam hal ini akan lebih dikhususkan untuk membahas analisis time series dengan metode kuadrat terkecil yang dibagi dalam dua kasus, yaitu kasus data genap dan kasus data ganjil. Secara umum persamaan garis linier dari analisis time series adalah : Y = a + b X.

Keterangan :
Y = variabel yang dicari trendnya, dan
X = variabel waktu (tahun).
Sedangkan untuk mencari nilai konstanta (a) dan parameter (b) adalah :
a =  ΣY / N   Dan b =(ΣYx)/ΣX2
 
 



Metode Least Square (kuadrat terkecil) Metode ini paling sering digunakan untuk meramalkan y,karena perhitungannya lebih teliti. Rumus Mencari persamaan garis trendY’ = α+bx,  α = (∑У)/n  b =(∑Уx)/ ∑x^2 Untuk melakukan perhitungan diperlukan nilai variabel waktu (x), jumlah nilai variable waktu adalah nol atau ∑x=0.

a.       Untuk n ganjil maka n= 2k+1 X k+1=0
Jarak antara 2 waktu diberi nilai satu satuan
§  Diatas 0 diberi tanda negatif ( - )
§  Dibawahnya diberi tanda positif ( + )
b.      Untuk n genap maka n =2k X1/2 [k+(k+1)]=0
Jarak antara 2 waktu diberi nilai dua satuan
§  Diatas 0 diberi tanda negatif ( - )
§  Dibawahnya diberi tanda positif ( + )


Contoh Kasus Data Ganjil :
Tabel : Volume Penjualan Buku “X” (dalam 000 unit) Tahun 1995 sampai dengan 2003


Tahun
Penjualan (Y)
X
XY
X2
1995
200
- 4
- 800
16
1996
245
- 3
- 735
9
1997
240
- 2
- 480
4
1998
275
- 1
- 275
1
1999
285
0
0
0
2000
300
1
300
1
2001
290
2
580
4
2002
315
3
945
9
2003
310
4
1240
16
Jumlah
2460
0
775
60

Untuk mencari nilai a dan b adalah sebagai berikut :
a          = 2.460 / 9 = 273,33
b          = 775 / 60 = 12,92
Persamaan garis liniernya adalah : Y = 273,33 + 12,92 X

Dengan menggunakan persamaan tersebut, dapat diramalkan penjualan pada tahun 2010 adalah :
Y = 273,33 + 12,92 (untuk tahun 2010 nilai X adalah 11),
sehingga : Y = 273,33 + 142,12 = 415,45

artinya penjualan barang “X” pada tahun 2010 diperkirakan sebesar 415.450 unit.

Contoh Kasus Data Genap :
Tabel : Volume Penjualan Buku “X” (dalam 000 unit) Tahun 1995 sampai dengan 2002


Tahun
Penjualan (Y)
X
XY
X2
1995
200
- 7
- 1400
49
1996
245
- 5
- 1225
25
1997
240
- 3
- 720
9
1998
275
- 1
- 275
1
1999
285
1
285
1
2000
300
3
900
9
2001
290
5
1450
25
2002
315
7
2205
49
Jumlah
2150
0
1220
168

Untuk mencari nilai a dan b adalah sebagai berikut :
a          = 2.150 / 8 = 268,75
b          = 1.220 / 168 = 7,26
Persamaan garis liniernya adalah : Y = 268,75 + 7,26 X

Dengan menggunakan persamaan tersebut, dapat diramalkan penjualan pada tahun 2008 adalah :
Y = 268,75 + 7,26 (untuk tahun 2008 nilai X adalah 19),
sehingga : Y = 268,75 + 137,94 = 406,69

artinya penjualan barang “X” pada tahun 2008 diperkirakan sebesar 406,69 atau 406.690 unit.

BAGAIMANA KRITERIA KECIL?
-           Minimization of the sum of squared residuals
-           Caranya dengan estimator Ordinary Least Square
 (OLS)
                                        

2.        KOEFISIEN DETERMINASI R KUADRAT  (R2)


R2 adalah perbandingan antara variasi Y yang dijelaskan oleh x1 dan x2 secara bersama-sama dibanding dengan variasi total Y. Jika selain x1  dan x2 semua variabel di luar model yang diwadahi dalam E dimasukkan ke dalam model, maka nilai R2 akan  bernilai 1. Ini berarti seluruh variasi Y dapat dijelaskan oleh variabel penjelas yang dimasukkan ke dalam model. Contoh Jika variabel dalam model hanya menjelaskan 0,4 maka berarti sebesar 0,6 ditentukan oleh variabel di luar model, nilai diperoleh sebesar R2 = 0,4.

Tidak ada ukuran yang pasti berapa besarnya  R2 untuk mengatakan bahwa suatu pilihan variabel sudah tepat. Jika R2 semakin besar atau mendekati 1, maka model makin tepat. Untuk data survai yang berarti bersifat cross section data yang diperoleh dari banyak responden pada waktu yang sama, maka nilai R2 = 0,2 atau 0,3 sudah cukup baik.

Semakin besar n (ukuran sampel) maka nilai R2 cenderung makin kecil. Sebaliknya dalam data runtun waktu (time series) dimana peneliti mengamati hubungan dari beberapa variabel pada satu unit analisis (perusahaan atau negara) pada beberapa tahun maka R2 akan cenderunng besar. Hal ini disebabkan variasi data yang relatif kecil pada data runtun waktu yang terdiri dari satu unit analisis saja.

Arti Atau Makna R2 :
Contoh jika nilai R2 = 0,4, menunjukkan pemilihan variabel x1 dan x2 dalam  (cross section data) menjelaskan variasi kinerja sebesar 40 persen,  sisanya 80 persen ditentukan oleh variabel-variabel lain di luar model. Dua variabel penjelas yang dipilih oleh peneliti sudah dapat menjelaskan variasi variabel Y pada sampel yang besar. Keputusan ini dapat diterima jika uji F menunjukkan nilai yang besar atau signifikan. Jadi keputusan untuk menerima model sebagai baik atau tepat harus dilihat bersama antara besarnya nilai F dan R2.
Formula R2 sendiri adapat dilihat pada Gujarati, 1995: 76
yang dapat dilihat pada buku ekonometrika yang di Gujarati, 1995: 249

“ TUJUAN EKONOMETRIKA BUKAN R-KUADRAT YANG TINGGI, NAMUN MEMPEROLEH PENDUGAAN PARAMETER TERBAIK (Kennedy, 1996, Cramer, 1987) “


3.        UNBIASEDNESS
Dalam model Ekonometrika kita berharap tidak mendapatkan estimator yang  bias, artinya dugaan jauh dari harapan. Dengan kata lain, jika kita berada pada suatu kejadian atau uji analisis dengan mendapatkan estimator yang bias, maka hasil akan jauh dari harapan atau sama dengan hasil yang kita dapat tidak sesuai dengan harapan atau sesuai dengan eksspektasi. Jika pada suatu kejadian uji analis tidak mendapat estimator yang bias, maka penelitian atau hasil yang di dapat seuai dengan garapan atau ssesuai dengan ekspektasi.
             


4.        EFISIENSI
EFISIENSI adalah  yang kurvanya nilai keragaman Kecil atau kurvanya mengerucut ke tengah Jika kita menemukan estimator yang memiliki Kriteria yang telah disebutkan , atau UNBIASED,LINIER, dan Varian yang paling minimum maka Disebut BLUE (Best Linier Unbiased Estimator)
             
                                                                                                                                         
5.        MEAN SQUARE ERROR
                  
RMSE adalah metode alternatif untuk mengevaluasi teknik peramalan yang digunakan untuk mengukur tingkat akurasi hasil prakiraan suatu model. RMSEmerupakan nilai rata-rata dari jumlah kuadrat kesalahan, juga dapat menyatakan ukuran besarnya kesalahan yang dihasilkan oleh suatu model prakiraan. Nilai RMSE rendah menunjukkan bahwa variasi nilai yang dihasilkan oleh suatu model prakiraan mendekati variasi nilai obeservasinya. Menurut Makridakis, at. al. [31] salah satu ukuran kesalahan dalam peramalan adalah nilai tengah akar kuadrat atau Root Mean Square Error (RMSE).
MSE didefinisikan sebagai berikut,

latex (1).png
latex.png

Berdasarkan formula 2 di atas, MSE memberikan bobot yang lebih besar jika dibandingkan dengan MAE, yakni nilai kuadratik dari error. Sebagai konsekuensinya, nilai error yang kecil akan semakin kecil dan nilai error yang besar akan semakin besar.
Selain itu, MSE juga bisa dianalogikan sebagai varian ditambah kuadrat bias model (formula 3). Dimana  latex (2).png adalah model yang dievaluasi dan \theta  adalah model sebenarnya. Jika tidak ada bias antara model yang dibangun dengan model sebenarnya (unbiasedmodel), maka MSE sepadan dengan varian dari model. Semakin kecil varian suatu model, semakin robust model tersebut dalam melakukan peramalan.


6.        METODE PENGUMPULAN DATA
Jika di lihat dari pengertian metode pengumpulan data menurut ahli metode pengumpulan data berupa suatu pernyataan (statement) tentang sifat, keadaan, kegiatan tertentu dan sejenisnya. Pengumpulan data dilakukan untuk memperoleh informasi yang dibutuhkan dalam rangka mencapai tujuan penelitian (Gulo, 2002 : 110).
Metode pengumpulan data ini termasuk kategori laporan diri (personal report) / Deskripsi diri (self descriptive). Individu melaporkan tentang keadaan dirinya berdasarkan pertanyaan atau perintah yang diberikan kepadanya.

Sumber Data Dan Metode Pengumpulan Data

Ada dua sumber data dan metode pengumpulan data, dua hal tersebut yaitu :
a.       Data Primer
Data penelitian yang diperoleh sendiri melalui
•Wawancara, Observasi, Tes,
•Kuesioner (Daftar Pertanyaan)
•Pengukuran Fisik
•Percobaan Laboratorium
b.      Data Sekunder
Data yang diperoleh dari sumber kedua, dokumentasi lembaga
•Biro Pusat Statistik (BPS)
•Rumah sakit
•Lembaga atau institusi

 

Metode Pengumpulan Data

a.       Kuesioner
Kuesioner adalah daftar pertanyaan tertulis yang ditujukan kepada responden. Jawaban responden atas semua pertanyaan dalam kuesioner kemudian dicatat/direkam
b.      Observasi
Pengamatan melibatkan semua indera (penglihatan, pendengaran, penciuman, pembau, perasa). Pencatatan hasil dapat dilakukan dengan bantuan alat rekam elektronik
c.       Wawancara
Pengambilan data melalui wawancara /secara lisan langsung dengan sumberdatanya, baik melalui tatap muka atau lewat telephone, teleconference. Jawaban responden direkam dan dirangkum sendiri oleh peneliti.
d.      Dokumen
Pengambilan data melalui dokumen tertulis mamupun elektronik dari lembaga/institusi. Dokumen diperlukan untuk mendukung kelengkapan data yang lain.

Dalam pengumpulan data penelitian membutuhkan suatu instrumen. Instrumen ini dibutuhkan untuk pengambilan data untuk penelitian baik penelitian kualitatif maupun penelitian kuantitatif. Instrumen penelitian adalah alat atau fasilitas yang digunakan oleh peneliti dalam mengumpulkan data agar pekerjaannya lebih mudah dan hasilnya lebih baik dalam arti lebih cermat, lengkap, dan sistematis sehingga lebih mudah diolah.


Sekian penjelasan untuk pertemuan kali ini yah gaessss.... semiga bemanfaat untuk pembelajaran.... Stay with this page and with the new wrote... Graciassss .... J


Komentar

Posting Komentar