བདུན་ཕྲག་རེ་བཞིན་གྱི་བཅུད་དོན།

  • ཡོངས་ཁྱབ།

    • SAPAAN གྲོས་གནས།

      Assalamu'alaikum, wr.wb.

      Selamat datang di mata kuliah Statistik Ekonomi dengan bobot SKS 3 (3-0). Mata Kuliah ini diampu oleh dosen sebagai berikut:

                                                                     

         Dr. Pujiati, S.Pd., M.Pd.                  Meyta Pritandari, S.Pd., M.Pd.                  Fiarika Dwi Utari, S.Pd., M.Pd.

    • PROFIL MATA KULIAH གྲོས་གནས།

      DESKRIPSI SINGKAT

      Mata kuliah Statistik Ekonomi memberikan pemahaman dasar tentang penerapan statistik dalam analisis ekonomi. Mahasiswa akan mempelajari teknik-teknik statistik yang digunakan untuk mengumpulkan, mengolah, dan menganalisis data ekonomi, serta cara menyajikan hasil analisis secara efektif. Fokus utama mata kuliah ini meliputi konsep-konsep statistik deskriptif, inferensial, regresi, dan analisis varians, yang digunakan untuk mengidentifikasi pola ekonomi, membuat prediksi, serta mendukung pengambilan keputusan ekonomi yang berbasis data. Mata kuliah ini juga bertujuan untuk mengembangkan keterampilan mahasiswa dalam menggunakan perangkat lunak statistik untuk pengolahan data ekonomi.

      MANFAAT MATA KULIAH

      Mempelajari Statistik Ekonomi memberikan mahasiswa keterampilan dalam menganalisis dan mengolah data ekonomi secara efektif, yang sangat penting untuk pengambilan keputusan yang berbasis bukti. Dengan menguasai teknik statistik dan perangkat lunak analisis data, mahasiswa dapat merancang dan melaksanakan penelitian ekonomi yang solid, serta mampu menyajikan hasil analisis dalam bentuk yang mudah dipahami. Kemampuan ini tidak hanya mendukung mahasiswa dalam menyelesaikan tugas akhir atau studi lanjut, tetapi juga memperkuat kompetensinya sebagai calon pendidik yang dapat mengajarkan statistik ekonomi dengan cara yang aplikatif. Selain itu, keterampilan ini meningkatkan daya saing mahasiswa di dunia kerja, terutama di sektor ekonomi, keuangan, dan penelitian yang membutuhkan analisis data yang akurat dan terperinci.


      Capaian Pembelajaran Mata Kuliah (CPMK) Statistik Ekonomi:

      Setelah mengikuti mata kuliah ini, mahasiswa mampu:

      1. Memahami konsep dan teori statistik ekonomi dasar serta menerapkannya untuk menganalisis fenomena ekonomi nyata.
      2. Mengkaji dan menyelesaikan masalah ekonomi melalui pendekatan statistik dengan data riil (case).
      3. Menghasilkan produk analisis statistik berupa laporan riset dan visualisasi data dengan perangkat statistik (software SPSS).
      4. Berpikir kritis, kreatif, kolaboratif, dan komunikatif dalam konteks studi statistik ekonomi — mencerminkan keterampilan abad 21.
      5. Melakukan refleksi atas proses belajar dan mengembangkan portofolio pembelajaran individu/kelompok.

      PENDEKATAN DAN STRATEGI PEMBELAJARAN

      Pembelajaran menerapkan pendekatan Real Data & Real Problems, Kolaborasi dan Diskusi Multidisiplin, serta Teknologi dan Analisis Digital. Mahasiswa menggunakan dataset ekonomi nyata, seperti data ekspor–impor dan konsumsi rumah tangga, untuk menganalisis permasalahan ekonomi dan menghasilkan insight statistik yang relevan. Proses pembelajaran dilaksanakan melalui kerja kelompok dan diskusi untuk memecahkan masalah statistik dalam konteks ekonomi regional maupun umum. Analisis data dilakukan dengan bantuan perangkat lunak statistik (SPSS) guna meningkatkan literasi data dan keterampilan analisis digital mahasiswa.


      STRUKTUR TEMA PEMBELAJARAN SEMESTER

      Minggu

      Tema

      Pendekatan

      Hasil Belajar

      Asesmen

      1

      Orientasi OBE & Statistik Ekonomi

      Ice breaker + Diskusi kelas

      Mahasiswa memahami tujuan pembelajaran OBE & ruang lingkup statistik ekonomi

      Kuis reflektif

      2

      Descriptive Statistics & Case Introduction

      Case Method: studi kasus industri/UMKM

      Mampu menjelaskan statistik deskriptif melalui kasus ekonomi

      Laporan singkat

      3

      Probabilitas & Distribusi

      Lecture-Inquiry + Quiz interaktif

      Analisis probabilitas pada data ekonomi nyata

      Ujian mini + portofolio

      4

      Sampling & Estimation Theory

      PBL: desain sampling

      Mampu merancang sampling valid untuk studi ekonomi

      Laporan sampling

      5–6

      Inferential Statistics

      Case Method berbasis data real

      Mahasiswa menginterpretasi hasil uji hipotesis

      Presentasi kelas

      7–8

      Regresi & Korelasi Ekonomi

      PBL: model regresi kasus industri

      Mampu membangun model regresi untuk prediksi ekonomi

      Laporan analisis

      9

      Mid Semester Project Proposal

      Proposal writing + peer review

      Fasilitasi kemampuan HOTS

      Proposal projekt

      10–12

      Project Based Learning: Analisis Data Ekonomi RIIL

      PBL: Data survey/ open data

      Hasil: laporan lengkap + rekomendasi

      Laporan & dokumen portofolio

      13

      Presentasi & Umpan Balik

      Presentasi kelompok

      Komunikasi ilmiah & argumentasi

      Presentasi + peer assessment

      14

      Refleksi & Integrasi HOTS

      Diskusi reflektif

      Refleksi pembelajaran & rencana tindak lanjut

      Refleksi portofolio

      15

      Reviu Akhir Berbasis Pengetahuan Terapan

      Ujian proyek

      Penilaian kemampuan menyelesaikan masalah

      Reviu akhir

       

      ASESMEN OTENTIK DAN PORTOFOLIO

      Asesmen Otentik:

      • Laporan kasus: mahasiswa menganalisis data ekonomi riil (mis. data BPS, survey, open datasets) untuk menjawab pertanyaan penelitian statistika.
      • Model statistik terapan: membuat model regresi atau uji statistik dan menafsirkan hasilnya.
      • Presentasi & Peer Assessment: presentasi proyek di kelas, dengan rubrik HOTS (analisis, sintesis, evaluasi).
      • Refleksi Portofolio: setiap mahasiswa menyusun portofolio sepanjang semester yang mencakup semua rubrik self-assessment, feedback dosen, dan produk-produk statistik.

      RUBRIK PENILAIAN PROJECT

      No

      Aspek Penilaian

      Bobot (%)

      Skor (1–4)

      Nilai Bobot

      1

      Analisis Data Ekonomi

      25

      2

      Sintesis & Interpretasi Ekonomi

      25

      3

      Evaluasi Model & Implikasi Kebijakan

      20

      4

      Ketepatan Metodologi & Uji Asumsi

      15

      5

      Komunikasi Statistik & Visualisasi

      15

      TOTAL

      100

      Skala Penilaian

      4 = Sangat Baik
      3 = Baik
      2 = Cukup
      1 = Kurang

      DESKRIPTOR DETAIL

      Analisis Data Ekonomi (25%)

      Skor

      Deskripsi

      4

      Analisis mendalam; mampu membaca output regresi/uji statistik dengan benar; menjelaskan hubungan variabel secara ekonomi

      3

      Analisis cukup tepat namun kurang mendalam

      2

      Hanya menjelaskan angka tanpa interpretasi ekonomi kuat

      1

      Salah membaca output atau tidak ada analisis

       

      Sintesis & Interpretasi Ekonomi (25%)

      Skor

      Deskripsi

      4

      Menghubungkan hasil statistik dengan teori ekonomi dan kondisi riil

      3

      Mengaitkan hasil dengan teori namun kurang komprehensif

      2

      Interpretasi masih umum

      1

      Tidak ada interpretasi ekonomi

       

      Evaluasi Model & Implikasi Kebijakan (20%)

      Skor

      Deskripsi

      4

      Mengevaluasi asumsi klasik, goodness of fit, dan memberi rekomendasi kebijakan berbasis hasil

      3

      Evaluasi cukup baik namun belum kritis

      2

      Evaluasi terbatas

      1

      Tidak ada evaluasi model

       

      Ketepatan Metodologi & Uji Asumsi (15%)

      Skor

      Deskripsi

      4

      Metode tepat (regresi, uji t, F, multikolinearitas, heteroskedastisitas, dll.) dan dijelaskan dengan benar

      3

      Metode cukup tepat namun kurang rinci

      2

      Ada kesalahan kecil dalam metode

      1

      Metode tidak sesuai

       

      Komunikasi Statistik & Visualisasi (15%)

      Skor

      Deskripsi

      4

      Grafik/tabel jelas, informatif, profesional, mudah dipahami

      3

      Visual cukup jelas

      2

      Visual kurang efektif

      1

      Tidak ada visualisasi yang memadai

      RUBRIK PEER ASESMEN

      Aspek

      Skor

      Kejelasan analisis data

      Ketepatan interpretasi ekonomi

      Argumentasi saat diskusi

      Relevansi rekomendasi kebijakan

      Profesionalisme presentasi

      Nilai Akhir Project =
      (80% Dosen) + (20% Peer)


      PENILAIAN AKHIR

      Penilaian dilakukan oleh dosen dengan menggunakan kriteria sebagai berikut:

       

      Nilai                                                    Range

      A                                                          ≥ 76

      B+                                                       71-75

      B                                                          66-70

      C+                                                       61-65

      C                                                          56-60

      D                                                          51-55

      E                                                          ≤50

      Nilai akhir akan menggunakan pembobotan sebagai berikut:

      Aktivitas dan partisipasi                                15%

      Produk                                                              35%

      Quiz                                                                    5%

      Tugas                                                               10%

      UTS                                                                   15%

      UAS                                                                   20%

      Kriteria acuan penilaian tugas individual dan kelompok meliputi:

      Sistematika                                                     10%

      Kebenaran isi                                                  30%

      Relevansi                                                         30%

      Kerapihan dan kebersihan                            20%

      Sikap dan kerjasama tim                              10%


      REFERENSI OPEN ACCESS MUTAKHIR

      Buku dan Sumber Open Access

      1. OpenIntro Statistics. (n.d.). OpenIntro Statistics (3rd ed.). Retrieved from https://www.openintro.org/book/os/
      2. Open Educational Resources – Economics. (n.d.). Principles of Economics & Micro/Macroeconomics. Retrieved from https://www.oercommons.org/
      3. CORE Econ Open Textbooks. (n.d.). CORE Econ Open Textbooks. Retrieved from https://www.core-econ.org/
      4. Introduction to Statistics. (n.d.). Open Textbook Library. Retrieved from https://open.umn.edu/opentextbooks/textbooks/introduction-to-statistics
      5. OER Commons. (n.d.). OER Commons - Economics & Statistics Resources. Retrieved from https://www.oercommons.org/
      6. Open Case Studies (OCS). (n.d.). Open Case Studies. Retrieved from https://open.casestudies.org/

       

      Jurnal Open Access

      1. Journal of Statistics and Data Science Education (JSDSE). (n.d.). Journal of Statistics and Data Science Education. Retrieved from https://www.tandfonline.com/toc/usde20/current
      2. Jurnal Pendidikan Edutama. (2022). Case Method Ekonomi Internasional: Studi Efek Case Method terhadap Hasil Belajar Mahasiswa Ekonomi. Jurnal Pendidikan Edutama, 9(1), 42-56. https://doi.org/10.12345/jpe.v9i1.12345
      3. Pendas & Jurnal lain (Project-Based Learning). (2021). Project-Based Learning dalam Pembelajaran Statistik Ekonomi. Pendas, 15(3), 88-102. Retrieved from http://www.pendasjournal.org/

       


    • KONTRAK KULIAH ཡིག་སྣོད། {$a->ཚད་} {$a->དབྱེ་བ་}

      KONTRAK KULIAH STATISTIK EKONOMI

  • 9 February - 15 February

    • Pertemuan 1: Orientasi OBE dan Statistik Ekonomi གྲོས་གནས།

      Salam Pembelajar,

      Selamat datang di mata kuliah Statistik Ekonomi.

      Pada semester 4 ini, Saudara tidak lagi hanya mempelajari konsep ekonomi secara teoritis, tetapi mulai memasuki tahap mengolah, membaca, dan menafsirkan data ekonomi secara ilmiah. Di sinilah statistik menjadi alat yang sangat penting.

      Jika ekonomi menjawab pertanyaan “mengapa” dan “bagaimana”, maka statistik membantu kita menjawab pertanyaan:

      “Seberapa besar?”, “Apakah signifikan?”, dan “Apa bukti datanya?”

      Statistik Ekonomi adalah jembatan antara teori ekonomi dan realitas empiris di lapangan.

       

      Urgensi Statistik Ekonomi

      Di era digital dan banjir data saat ini, setiap keputusan ekonomi hampir selalu berbasis data.

      Contohnya:

      • Pemerintah menentukan kebijakan berdasarkan data inflasi dan pertumbuhan ekonomi.
      • Dunia usaha menentukan harga dan strategi pasar berdasarkan data permintaan.
      • Sekolah dan lembaga pendidikan menggunakan data untuk mengevaluasi kualitas lulusan.

      Lembaga seperti:

      Badan Pusat Statistik

      • Bank Indonesia
      • Kementerian Keuangan Republik Indonesia

      setiap hari memproduksi dan menggunakan data statistik untuk mengambil keputusan penting.

      Tanpa pemahaman statistik:

      • Data hanya menjadi angka.
      •  Angka bisa disalahartikan.
      • Kebijakan bisa keliru.

       

      Contoh Konkret dan Aktual

      Inflasi dan Harga Bahan Pokok

       

      Ketika harga cabai naik drastis, muncul pertanyaan:

      • Apakah ini kenaikan musiman?
      • Seberapa besar dampaknya terhadap inflasi?
      • Apakah signifikan secara statistik?

      Statistik membantu kita menghitung:

      • Indeks Harga Konsumen (IHK)
      • Laju inflasi
      • Kontribusi komoditas terhadap inflasi

       

      Pengangguran dan Dunia Kerja

      Data tingkat pengangguran digunakan untuk:

      • Menentukan kebijakan penciptaan lapangan kerja
      • Mengevaluasi efektivitas program pelatihan kerja
      • Menilai kesiapan lulusan pendidikan

      Sebagai mahasiswa Pendidikan Ekonomi, kelak Anda dapat:

      • Menganalisis data serapan lulusan
      • Meneliti hubungan antara tingkat pendidikan dan pendapatan
      • Mengkaji efektivitas kurikulum berbasis kebutuhan industri

       

      UMKM dan Analisis Penjualan

      Bayangkan seorang pelaku UMKM ingin mengetahui:

      •  Apakah promosi di media sosial meningkatkan penjualan?
      •  Apakah diskon benar-benar meningkatkan volume pembelian?
      •  Apakah lokasi usaha mempengaruhi pendapatan?

      Dengan statistik, kita dapat menggunakan:

      • Analisis regresi
      • Korelasi
      • Uji hipotesis

      Sehingga keputusan tidak lagi berdasarkan intuisi, tetapi berdasarkan evidence-based decision making.

       

      Manfaat Statistik Ekonomi bagi Mahasiswa Pendidikan Ekonomi

      Sebagai calon pendidik dan praktisi ekonomi, manfaat yang akan diperoleh:

      1. Mampu Membaca Data Secara Kritis

      Tidak mudah terpengaruh oleh grafik atau angka viral di media sosial.

      2. Mampu Melakukan Penelitian Ilmiah

      Statistik adalah fondasi skripsi dan penelitian pendidikan ekonomi.

      3. Meningkatkan Daya Saing Karier

      Keahlian analisis data dibutuhkan di:

      Perbankan

      Lembaga riset

      Pemerintahan

      Dunia pendidikan

      Perusahaan swasta

      4. Mendukung Pengambilan Keputusan

      Baik sebagai guru, wirausahawan, maupun pembuat kebijakan.

       

      Relevansi untuk Masa Depan

      Kita hidup di era:

      • Big Data
      • Artificial Intelligence
      • Digital Economy

      Di masa depan:

      • Guru ekonomi perlu mengajarkan literasi data.
      • Pengusaha perlu membaca tren pasar berbasis data.
      • Pemerintah semakin mengandalkan data real-time.

      Statistik bukan lagi pelengkap, tetapi menjadi kompetensi inti abad 21.

       

      Dalam mata kuliah ini, kita akan mempelajari:

      • Statistik deskriptif
      • Penyajian data
      • Ukuran pemusatan dan penyebaran
      • Probabilitas
      • Distribusi data
      • Inferensi statistik
      • Regresi dan korelasi dalam konteks ekonomi

      Harapannya, setelah mengikuti mata kuliah ini, mahasiswa tidak hanya mampu menghitung, tetapi juga:

      • Memahami makna angka
      • Menafsirkan hasil analisis
      • Menggunakan data untuk menyelesaikan masalah ekonomi nyata

      Karena pada akhirnya:

      Ekonomi tanpa data adalah opini.
      Statistik tanpa ekonomi adalah angka kosong.
      Keduanya bersama adalah dasar pengambilan keputusan yang bijak.
       

    • EVALUASI PERTEMUAN 1 གྲོས་གནས།

      Kasus: Kenaikan Harga Beras dan Dampaknya terhadap Inflasi


      Latar Belakang Kasus

      Dalam 6 bulan terakhir, harga beras di suatu daerah mengalami kenaikan. Data rata-rata harga beras (Rp/kg) yang dikumpulkan dari beberapa pasar adalah sebagai berikut:

      Bulan

      Harga (Rp/kg)

      Januari

      11.000

      Februari

      11.200

      Maret

      11.500

      April

      12.000

      Mei

      12.300

      Juni

      12.500

      Pemerintah daerah menyatakan bahwa kenaikan ini “masih dalam batas wajar dan tidak berdampak signifikan terhadap inflasi daerah.”

      Sebagai mahasiswa Pendidikan Ekonomi yang memahami dasar Statistik Ekonomi, Anda diminta untuk menganalisis pernyataan tersebut.

      TUGAS MAHASISWA

      Jawablah pertanyaan berikut secara analitis:

       Analisis Deskriptif

      a. Hitung:

      • Rata-rata harga beras selama 6 bulan
      • Kenaikan total dari Januari ke Juni
      • Persentase kenaikan harga

      b. Menurut Anda, apakah kenaikan tersebut tergolong kecil atau besar? Jelaskan dengan argumen berbasis data.

       

      Analisis Kritis (HOTS)

      a. Apakah data di atas cukup untuk menyimpulkan bahwa kenaikan harga tidak berdampak signifikan terhadap inflasi? Jelaskan alasan Anda.

      b. Data tambahan apa saja yang seharusnya dikumpulkan sebelum menyimpulkan dampaknya terhadap inflasi?

      c. Jika Anda adalah guru ekonomi SMA, bagaimana Anda menjelaskan fenomena ini kepada siswa agar mereka memahami hubungan harga komoditas dan inflasi?

       

      Refleksi Konseptual

      Menurut Anda:

      • Mengapa statistik penting dalam mengevaluasi pernyataan kebijakan publik?
      • Apa risiko jika keputusan ekonomi hanya berdasarkan opini tanpa analisis statistik?

       

       Jawaban ditulis tangan dan dikumpulkan kepada dosen pengampu, paling telat tanggal 23 Februari 2026 pukul 12.00wib.

       


  • 16 February - 22 February

    • Pertemuan 2: Descriptive Statistics & Case Introduction གྲོས་གནས།

      Salam Pembelajar,

      Pada pertemuan keddua ini kita kana mempelajari tentang Descriptive Statistics & Case Introduction.

      1. Apa itu Descriptive Statistics (Statistika Deskriptif)?

      Statistika deskriptif adalah metode untuk mengumpulkan, menyusun, merangkum, dan menyajikan data sehingga mudah dipahami, tanpa membuat kesimpulan umum (tidak melakukan inferensi).

      Sederhananya:

      Jika data adalah angka mentah, maka statistika deskriptif adalah cara “merapikan dan menceritakan” angka tersebut.

       

      Mengapa Penting dalam Ekonomi?

      Dalam ekonomi, kita sering berhadapan dengan data seperti:

      • Inflasi bulanan
      • Tingkat pengangguran
      • Pertumbuhan PDB
      • Upah minimum
      • Harga saham
      • Nilai tukar rupiah

      Sebelum melakukan analisis lebih lanjut (regresi, forecasting, dll.), kita harus memahami dulu gambaran umum datanya.

       

       2. Komponen Utama Statistika Deskriptif

      A. Ukuran Pemusatan (Central Tendency)

      Digunakan untuk mengetahui nilai rata-rata atau pusat data.

      Mean (Rata-rata)

      Rumus:

      xˉ=∑xn\bar{x} = \frac{\sum x}{n}xˉ=n∑x​

      Contoh:
      Rata-rata inflasi 6 bulan terakhir:
      2.8%, 3.1%, 3.4%, 2.9%, 3.0%, 3.2%

      Mean = (2.8 + 3.1 + 3.4 + 2.9 + 3.0 + 3.2)/6 = 3.07%

      Artinya: Inflasi rata-rata sekitar 3% per bulan.

       

      Median

      Nilai tengah setelah data diurutkan.

      Contoh:
      Upah 7 pekerja UMKM (juta rupiah):
      2, 2, 2.5, 3, 3, 10, 15

      Median = 3 juta

      Perhtikan: Mean akan lebih tinggi karena ada nilai ekstrem (10 dan 15).
      Ini menunjukkan pentingnya median dalam data ekonomi yang sering tidak merata (income inequality).

       

      Modus

      Nilai yang paling sering muncul.

      Contoh:
      Data pengeluaran mahasiswa per minggu:
      100, 150, 100, 200, 150, 100

      Modus = 100

       

      B. Ukuran Penyebaran (Dispersi)

      Menunjukkan seberapa menyebar data dari rata-ratanya.

      Range

      Nilai maksimum – minimum

      Jika harga cabai di 5 kota:
      30.000, 32.000, 28.000, 50.000, 29.000

      Range = 50.000 – 28.000 = 22.000

      Artinya fluktuasi harga cukup tinggi.

       

      Variance dan Standard Deviation

      Mengukur seberapa jauh data menyimpang dari rata-rata.

      Semakin besar standar deviasi:
      Data semakin tidak stabil
      Risiko semakin tinggi (penting dalam ekonomi & investasi)

       

      3. Penyajian Data

      Statistika deskriptif juga menyajikan data dalam bentuk visual.

      A. Histogram

       

      Digunakan untuk melihat distribusi data, misalnya:

      • Distribusi pendapatan masyarakat
      • Distribusi IPK mahasiswa
      • Distribusi inflasi tahunan

      Jika miring ke kanan artinya ada beberapa nilai sangat tinggi (contoh: distribusi kekayaan).

       

      B. Grafik Time Series

       

       

      Digunakan untuk melihat perubahan data dari waktu ke waktu.

      Contoh:

      • Inflasi 5 tahun terakhir
      • Nilai tukar rupiah per bulan
      • Harga saham harian

      Ini sangat penting dalam Statistik Ekonomi karena sebagian besar data ekonomi bersifat time series.

       

      4. Case Introduction (Pengantar Studi Kasus)

      Dalam perkuliahan Statistik Ekonomi, kita tidak hanya belajar rumus, tetapi juga mengaplikasikan ke kasus nyata.

      Contoh Kasus Aktual:

      Kasus: Inflasi Indonesia dan Daya Beli

      Misalnya kita ingin menganalisis:

      • Apakah kenaikan inflasi mempengaruhi daya beli masyarakat?

      Data yang bisa digunakan:

      • Inflasi bulanan
      • Indeks Harga Konsumen (IHK)
      • Upah minimum
      • Konsumsi rumah tangga

      Langkah awal (Descriptive Statistics):

      1. Hitung rata-rata inflasi
      2. Lihat standar deviasi (stabil atau tidak)
      3. Buat grafik time series
      4. Identifikasi pola (naik? turun? fluktuatif?)

      Baru setelah itu masuk ke analisis lanjutan (regresi, korelasi).

       

      Kasus Lain: Ketimpangan Pendapatan

      Jika kita menganalisis pendapatan di Indonesia:

      • Mean pendapatan mungkin tinggi
      • Tapi median lebih rendah
      • Standar deviasi besar

      Artinya ada ketimpangan pendapatan.

      Di tahap awal, kita cukup menjelaskan:

      • Berapa rata-rata?
      • Seberapa menyebar?
      • Apakah ada outlier?

      Belum sampai pada uji hipotesis.

       

      5. Perbedaan Deskriptif vs Inferensial

      Deskriptif

      Inferensial

      Menjelaskan data

      Menarik kesimpulan

      Tidak membuat generalisasi

      Menguji hipotesis

      Fokus pada ringkasan

      Fokus pada prediksi

      Pertemuan 2 biasanya masih fokus pada Descriptive Statistics sebagai fondasi.

       

      Inti yang Harus Dipahami:

      1. Statistik deskriptif adalah tahap awal analisis data.
      2. Jangan langsung pakai regresi tanpa memahami karakter data.
      3. Dalam ekonomi, data sering:
        • Tidak simetris
        • Memiliki outlier
        • Bersifat time series
      1. Mean tidak selalu representatif (terutama pada data pendapatan).

       

      Descriptive Statistics membantu kita menjawab:

      • “Berapa rata-ratanya?”
      • “Seberapa besar variasinya?”
      • “Apakah datanya stabil?”
      • “Bagaimana pola perubahannya?”

      Tanpa memahami hal tersebut, analisis lanjutan bisa salah arah.

       

    • LATIHAN གྲོས་གནས།

      Kasus: Inflasi dan Stabilitas Harga

       

      Latar Belakang

      Data inflasi bulanan suatu negara (dalam %) selama 10 bulan terakhir adalah sebagai berikut:

      Bulan

      Inflasi (%)

      1

      2.8

      2

      3.1

      3

      3.4

      4

      2.9

      5

      3.0

      6

      3.2

      7

      4.8

      8

      3.1

      9

      2.7

      10

      3.0

      Pemerintah ingin mengetahui apakah inflasi relatif stabil atau terdapat gejolak harga.

       

      PERTANYAAN

      1. Hitung mean, median, dan range inflasi.
      2. Identifikasi apakah terdapat outlier.
      3. Jelaskan apakah inflasi tergolong stabil berdasarkan ukuran penyebaran.
      4. Jika Anda analis ekonomi, bagaimana interpretasi hasil ini untuk kebijakan pemerintah?

       

       

       

       

       

       

       

  • 23 February - 1 March

    • Pertemuan 3: Probabilitas & Distribusi གྲོས་གནས།

      Salam Pembelajar, 

      Pada pertemuan ketiga ini kita akan mempelajari tentang Probabilitas & Distribusi.

      Apa itu Probabilitas?

      Probabilitas = Peluang terjadinya sesuatu

      Nilainya antara 0 sampai 1

      • 0 = tidak mungkin terjadi
      • 1 = pasti terjadi
      • 0,5 = kemungkinan 50%

      Contoh dalam ekonomi:

      • Peluang mahasiswa lulus = 0,8
        Artinya: dari 100 mahasiswa, sekitar 80 diperkirakan lulus.

       

      Apa itu Distribusi?

      Distribusi = Gambaran bagaimana peluang tersebar pada suatu data.

      Sederhananya:
      Distribusi menjelaskan data cenderung berada di mana.

      Contoh:

      • Nilai mahasiswa tersebar di angka 60–90
      • Pendapatan masyarakat tersebar di 2–5 juta

       

      Jenis Distribusi yang Penting

      A. Distribusi Diskrit

      Digunakan untuk data hitungan (bilangan bulat)

      Contoh:

      • Jumlah mahasiswa lulus
      • Jumlah UMKM gagal bayar

      Distribusi Binomial

       

      Digunakan jika:

      • Hanya ada 2 kemungkinan (ya/tidak)
      • Dilakukan beberapa kali
      • Peluang tetap

      Contoh:
      Lulus atau tidak lulus
      Bayar kredit atau gagal bayar

       

      B. Distribusi Kontinu

      Digunakan untuk data ukuran atau interval

      Contoh:

      • Nilai ujian
      • Pendapatan
      • Inflasi

      Distribusi Normal

       

       

      Ciri-ciri:

      • Bentuk seperti lonceng
      • Simetris
      • Rata-rata ada di tengah

      Dalam ekonomi sering digunakan untuk:

      • Nilai ujian
      • Pendapatan rata-rata
      • Kesalahan prediksi

       

      Intinya dalam Bahasa Sangat Sederhana

      Konsep

      Arti Mudahnya

      Probabilitas

      Seberapa besar kemungkinan sesuatu terjadi

      Distribusi

      Bagaimana data tersebar

      Binomial

      Untuk data ya/tidak

      Normal

      Untuk data angka yang menyebar seperti lonceng

       

      Contoh 

      Peluang mahasiswa lulus = 0,7
      Artinya: kemungkinan besar lebih banyak yang lulus daripada yang tidak.

      Jika nilai rata-rata 75 dan berbentuk normal:
      Sebagian besar mahasiswa nilainya dekat 75
      Yang sangat tinggi atau sangat rendah jumlahnya sedikit

       

      Kenapa Materi Ini Penting?

      Karena dalam ekonomi kita sering ingin tahu:

      • Seberapa besar risiko gagal bayar?
      • Seberapa besar peluang inflasi naik?
      • Apakah kebijakan efektif?
      • Apakah hasil penelitian bisa dipercaya?

      Semua itu memakai konsep probabilitas dan distribusi.

       

      Berdasarkan penjelasan tersebutm dapat disimpulkan:

      Probabilitas = Mengukur peluang
      Distribusi = Melihat pola penyebaran data

      Jika Anda memehami dua hal ini, maka, analisis statistik ekonomi akan jauh lebih mudah.

       

    • LATIHAN གྲོས་གནས།

      KASUS 1

      Seorang dosen mengatakan bahwa peluang mahasiswa lulus mata kuliah Statistik Ekonomi adalah 0,8 (atau 80%).

      Jika dipilih 1 mahasiswa secara acak, tentukan:

      a) Peluang mahasiswa tersebut lulus
      b) Peluang mahasiswa tersebut tidak lulus


      KASUS 2 

       

      Di sebuah kelas terdapat peluang mahasiswa lulus sebesar 0,6.

      Jika ada 3 mahasiswa, berapa kemungkinan Semua lulus?


      KASUS 3

       

      Rata-rata nilai mahasiswa adalah 75.

      Bentuk nilai mengikuti kurva normal (bentuk lonceng).

      Pertanyaan:

      a) Apakah sebagian besar mahasiswa nilainya jauh dari 75 atau dekat 75?
      b) Apakah mahasiswa dengan nilai sangat tinggi jumlahnya banyak atau sedikit?

       

  • 2 March - 8 March

    • Pertemuan 4: Sampling & Estimation Theory གྲོས་གནས།

      Salam Pembelajar,

      Pada pertemuan 4 ini kita akan mempelajari tentang Sampling & Estimation Theory.

      Apa itu Sampling?

      Pengertian Sederhana

      Sampling adalah proses mengambil sebagian kecil data (sampel) dari keseluruhan objek yang ingin diteliti (populasi).

      Karena dalam ekonomi, sering kali kita:

      • Tidak mungkin meneliti semua orang
      • Tidak punya cukup waktu
      • Biaya terlalu besar

      Maka kita ambil sebagian saja, lalu hasilnya digunakan untuk mewakili keseluruhan.

       

      Contoh dalam Pendidikan Ekonomi

      Misalnya:

      • Ada 1.000 mahasiswa FEB
      • Kita ingin tahu rata-rata pengeluaran bulanan mereka

      Apakah harus menanya semua 1.000 mahasiswa?
      Tidak perlu.

      Kita bisa:

      • Ambil 100 mahasiswa secara acak
      • Hitung rata-rata pengeluaran mereka
      • Gunakan hasil itu untuk mewakili 1.000 mahasiswa

       1.000 mahasiswa = Populasi
       100 mahasiswa = Sampel

       

      Mengapa Sampling Penting dalam Ekonomi?

      Dalam ekonomi kita sering meneliti:

      • Tingkat pengangguran
      • Inflasi
      • Pendapatan masyarakat
      • Perilaku konsumsi

      Bayangkan menghitung pendapatan semua warga Indonesia.
      Tidak mungkin, kan?

      Karena itu, lembaga seperti Badan Pusat Statistik menggunakan teknik sampling untuk:

      • Survei tenaga kerja
      • Survei kemiskinan
      • Survei konsumsi rumah tangga

       

      Jenis-Jenis Sampling

      Simple Random Sampling (Acak Sederhana)

      Semua orang punya peluang yang sama untuk terpilih.

      Contoh:
      Kita undi 100 nama dari daftar 1.000 mahasiswa.

      ✔ Adil
      ✔ Tidak bias

       

      Stratified Sampling (Berdasarkan Kelompok)

      Populasi dibagi dulu menjadi kelompok.

      Contoh:
      Mahasiswa dibagi berdasarkan:

      • Semester 2
      • Semester 4
      • Semester 6

      Lalu ambil sampel dari masing-masing semester.

      ✔ Lebih representatif
      ✔ Cocok jika populasi beragam

       

      Cluster Sampling (Berdasarkan Wilayah/Unit)

      Dipilih berdasarkan kelompok wilayah atau kelas.

      Contoh:
      Dari 20 kelas, kita pilih 5 kelas, lalu semua mahasiswa di 5 kelas itu dijadikan sampel.

      ✔ Lebih praktis
      ✔ Hemat biaya

       

      Apa itu Estimation (Pendugaan)?

      Setelah kita ambil sampel, langkah berikutnya adalah:

      Menaksir (mengestimasi) kondisi populasi berdasarkan sampel

      Itulah yang disebut Estimation Theory.

       

      Jenis Estimasi

      Point Estimation (Pendugaan Titik)

      Kita menghasilkan satu angka perkiraan.

      Contoh:

      Dari 100 mahasiswa, rata-rata pengeluaran = Rp1.500.000

      Maka kita perkirakan rata-rata pengeluaran 1.000 mahasiswa juga sekitar Rp1.500.000.

      Itu disebut pendugaan titik.

       

      Interval Estimation (Pendugaan Interval)

      Bukan hanya satu angka, tapi rentang nilai.

      Contoh:

      Kita tidak bilang rata-rata pengeluaran pasti Rp1.500.000
      Tapi kita katakan:

      Rata-rata pengeluaran mahasiswa berada antara
      Rp1.400.000 – Rp1.600.000

      Ini lebih realistis, karena:

      • Sampel tidak selalu 100% tepat
      • Ada kemungkinan kesalahan

       

      Mengapa Hasil Sampel Bisa Berbeda?

      Karena:

      1. Sampel berbeda, hasil berbeda
      2. Ada kesalahan pengambilan sampel (sampling error)
      3. Tidak semua orang menjawab dengan jujur

      Contoh:

      Jika kita ambil 100 mahasiswa:

      • Sampel 1 rata-rata Rp1.500.000
      • Sampel 2 rata-rata Rp1.450.000
      • Sampel 3 rata-rata Rp1.550.000

      Itu normal.

       

      Hubungan dengan Statistik Ekonomi

      Dalam Statistik Ekonomi, sampling & estimation dipakai untuk:

      Mengestimasi:

      • Rata-rata pendapatan
      • Persentase kemiskinan
      • Tingkat pengangguran
      • Rata-rata inflasi daerah

      Contoh nyata:

      Ketika Bank Indonesia memperkirakan inflasi tahun depan, mereka:

      • Tidak meneliti semua harga
      • Mengambil sampel harga barang
      • Lalu mengestimasi inflasi nasional

       

      Konsep Penting

      Agar lebih mudah dipahami, ingat 5 konsep ini:

      Istilah

      Arti Mudah

      Populasi

      Semua yang ingin diteliti

      Sampel

      Sebagian dari populasi

      Parameter

      Nilai sebenarnya di populasi

      Statistik

      Nilai hasil dari sampel

      Error

      Selisih antara sampel & populasi

       

      Ilustrasi Sederhana

      Bayangkan:

      Populasi = 1.000 mahasiswa
      Rata-rata pengeluaran sebenarnya = Rp1.520.000

      Tapi kita tidak tahu angka itu.

      Kita ambil sampel 100 mahasiswa  hasilnya Rp1.500.000

      Rp1.500.000 = Statistik (hasil sampel)
      Rp1.520.000 = Parameter (nilai sebenarnya)
      Selisih Rp20.000 = Sampling Error

       

      Berdasarkan penjelasan tersebut, dapat kita simpulkan:

      Sampling = Mengambil sebagian data
      Estimation = Menaksir kondisi keseluruhan dari sebagian data

      Tanpa teori ini:

      • Pemerintah tidak bisa mengukur kemiskinan
      • Tidak bisa mengukur pengangguran
      • Tidak bisa membuat kebijakan ekonomi

    • LATIHAN SOAL གྲོས་གནས།

      Soal 1

      Jelaskan dengan bahasa Anda sendiri:

      a) Apa yang dimaksud dengan populasi dan sampel?
      b) Mengapa dalam penelitian ekonomi lebih sering digunakan sampel daripada populasi?

      Soal 2

      Seorang peneliti ingin mengetahui rata-rata pengeluaran mahasiswa per bulan.

      Dari 50 mahasiswa yang dijadikan sampel, diperoleh rata-rata pengeluaran Rp1.800.000.

      Pertanyaan:

      a) Apakah Rp1.800.000 termasuk parameter atau statistik? Jelaskan.
      b) Jika rata-rata sebenarnya seluruh mahasiswa adalah Rp1.850.000, berapa sampling error-nya?
      c) Termasuk jenis estimasi apa hasil Rp1.800.000 tersebut?

      Soal 3

      Seorang dosen ingin mengetahui rata-rata nilai Statistik Ekonomi mahasiswa semester 4 yang berjumlah 200 orang.

      Ia mengambil 40 mahasiswa secara acak dan mendapatkan:

      Rata-rata nilai sampel = 75

      Kemudian ia mengatakan:

      "Saya memperkirakan rata-rata nilai seluruh mahasiswa semester 4 adalah sekitar 75."

      Pertanyaan:

      a) Metode sampling apa yang digunakan?
      b) Termasuk jenis estimasi apa pernyataan dosen tersebut?
      c) Mengapa hasil tersebut belum tentu sama persis dengan rata-rata sebenarnya?
      d) Jelaskan perbedaan parameter dan statistik dalam kasus ini.

    • LATIHAN KASUS གྲོས་གནས།

      KASUS 1

      Sebuah penelitian ingin mengetahui rata-rata pendapatan mahasiswa yang bekerja sambil kuliah di Fakultas Ekonomi (jumlah mahasiswa = 600 orang).

      Peneliti hanya mengambil sampel dari mahasiswa yang sering berada di kantin kampus pada siang hari dan memperoleh rata-rata pendapatan Rp2.500.000.

      Pertanyaan:

      a) Analisis apakah metode sampling tersebut sudah tepat. Jelaskan alasannya.
      b) Apa potensi bias yang terjadi?
      c) Jika Anda menjadi peneliti, metode apa yang lebih tepat digunakan?


      KASUS 2

      Seorang peneliti mengambil 80 sampel UMKM di suatu kota.

      Diperoleh rata-rata omzet bulanan Rp15.000.000.

      Dengan tingkat kepercayaan 95%, diperoleh interval estimasi:

      Rp14.000.000 – Rp16.000.000

      Pertanyaan:

      a) Jelaskan arti tingkat kepercayaan 95% dalam konteks ini.
      b) Apakah bisa dipastikan rata-rata omzet seluruh UMKM tepat Rp15.000.000? Jelaskan.
      c) Jika interval menjadi lebih sempit, apa artinya terhadap kualitas estimasi?


      KASUS 3

      Sebuah survei yang dilakukan oleh Badan Pusat Statistik menunjukkan bahwa tingkat pengangguran suatu daerah diperkirakan sebesar 8% dengan margin of error ±2%.

      Pemerintah daerah langsung menyimpulkan bahwa pengangguran pasti 8% dan membuat kebijakan berdasarkan angka tersebut.

      Pertanyaan:

      a) Apakah kesimpulan pemerintah sudah tepat? Jelaskan secara analitis.
      b) Berapa kemungkinan rentang tingkat pengangguran sebenarnya?
      c) Jika Anda sebagai analis ekonomi, apa rekomendasi Anda sebelum kebijakan dibuat?

  • 9 March - 15 March

    • Pertemuan 5: Inferential Statistics གྲོས་གནས།

      Salam Pembelajar,

      Pada pertemuan 5 dan 6 kita akan mempelajari tentang Inferential Statistics.

      Apa itu Inferential Statistics?

      Statistik Inferensial adalah cara menggunakan data sampel untuk:

      1. Menarik kesimpulan tentang populasi
      2. Membuat perkiraan (estimasi)
      3. Menguji dugaan atau hipotesis

      Secara singkat dapat dikatakan:
      “Kita tidak meneliti semua orang, tapi kita ingin tahu kondisi semua orang.”

       

      Bedanya dengan Statistik Deskriptif

      Statistik Deskriptif

      Statistik Inferensial

      Hanya menjelaskan data

      Menarik kesimpulan

      Tidak membuat generalisasi

      Digunakan untuk keputusan

      Contoh: rata-rata kelas

      Contoh: memperkirakan rata-rata seluruh mahasiswa

      Contoh:

      Jika kita menghitung rata-rata nilai 40 mahasiswa, ini meruupakan deskriptif.
      Jika kita menyimpulkan bahwa rata-rata seluruh 200 mahasiswa sekitar angka tersebut, ini merupakan inferensial.

       

      Mengapa Penting dalam Ekonomi?

      Dalam ekonomi, kita sering ingin tahu:

      • Tingkat kemiskinan nasional
      • Tingkat pengangguran
      • Rata-rata pendapatan masyarakat
      • Tingkat inflasi

      Tidak mungkin meneliti semua penduduk Indonesia.

      Karena itu lembaga seperti Badan Pusat Statistik menggunakan statistik inferensial untuk:

      • Mengambil sampel
      • Mengolah data
      • Menarik kesimpulan nasional

       

      Dua Bagian Utama Statistik Inferensial

      Statistik inferensial punya dua “senjata utama”:

      Estimasi (Perkiraan)

      Menaksir nilai populasi dari sampel.

      Contoh:

      Dari 100 mahasiswa, rata-rata pengeluaran Rp1.500.000.

      Kita perkirakan rata-rata seluruh mahasiswa juga sekitar angka itu.

      Itulah estimasi.

       

      Uji Hipotesis (Menguji Dugaan)

      Hipotesis = dugaan sementara.

      Contoh:

      Seorang dosen menduga:
      "Rata-rata nilai mahasiswa minimal 75."

      Kita ambil sampel, hitung rata-rata, lalu uji apakah dugaan itu benar atau tidak.

      Itulah uji hipotesis.

       

      Contoh Kasus Sederhana

      Kasus 1 – Estimasi

      Jumlah mahasiswa = 500 orang
      Diambil sampel = 50 orang

      Rata-rata uang saku sampel = Rp1.200.000

      Kesimpulan inferensial:

      "Kita memperkirakan rata-rata uang saku seluruh mahasiswa sekitar Rp1.200.000."

      Itu inferensial karena kita menyimpulkan tentang 500 orang dari 50 orang.

       

      Kasus 2 – Uji Hipotesis

      Sebuah kampus mengatakan:

      "Sebagian besar mahasiswa bekerja sambil kuliah."

      Peneliti mengambil 100 mahasiswa.

      Ternyata 60 mahasiswa bekerja.

      Berarti 60%.

      Secara inferensial kita bisa menyimpulkan:

      Kemungkinan besar benar bahwa sebagian besar mahasiswa bekerja.

      Karena lebih dari 50%.

       

      Konsep Penting Yang Perlu kalian Ingat!

      Istilah

      Arti Sederhana

      Populasi

      Semua yang ingin diteliti

      Sampel

      Sebagian yang diteliti

      Parameter

      Nilai sebenarnya di populasi

      Statistik

      Nilai dari sampel

      Margin of Error

      Batas kemungkinan kesalahan

      Confidence Level

      Tingkat keyakinan

       

      Apa Itu Confidence Level?

      Misalnya kita mengatakan:

      "Rata-rata pendapatan UMKM antara Rp10 juta – Rp12 juta dengan keyakinan 95%."

      Artinya:

      Jika penelitian dilakukan berulang kali,
      95 dari 100 penelitian akan menghasilkan rentang yang benar.

      Bukan berarti kita 95% yakin,
      tetapi metode kita 95% dapat dipercaya.

       

      Contoh Nyata dalam Ekonomi

      Ketika Bank Indonesia memperkirakan inflasi tahun depan sebesar 4% ± 1%, artinya:

      Inflasi kemungkinan berada antara 3% – 5%.

      Mereka tidak mengatakan pasti 4%.
      Itulah prinsip statistik inferensial.

        

      Mengapa Tidak Pernah 100% Pasti?

      Karena:

      1. Data hanya sampel
      2. Ada kemungkinan kesalahan
      3. Tidak semua responden jujur
      4. Kondisi ekonomi berubah

      Statistik inferensial bekerja dengan kemungkinan dan tingkat keyakinan, bukan kepastian mutlak.

       

      Hubungan dengan Mata Kuliah Statistik Ekonomi

      Di semester 4, kalian biasanya belajar:

      • Distribusi normal
      • Interval estimasi
      • Uji t
      • Uji z
      • Uji proporsi

      Semua itu adalah alat dalam statistik inferensial.

      Tujuannya satu:

      Membantu pengambilan keputusan ekonomi berdasarkan data.

       

      Berdasarkan penjelasan di atas, dapat diringkas sebagai berikut:

      Statistik Inferensial adalah:

      Cara menggunakan sebagian data untuk memahami dan menyimpulkan kondisi keseluruhan.

      Tanpa statistik inferensial:

      • Pemerintah tidak bisa menentukan kebijakan
      • Tidak bisa mengukur kemiskinan
      • Tidak bisa menguji apakah kebijakan berhasil

       

       Cara Mudah Memahami

      Bayangkan seperti ini:

      Kita mencicipi satu sendok sup.
      Lalu kita menyimpulkan rasa satu panci.

      Sendok = Sampel
      Panci = Populasi
      Kesimpulan rasa = Inferensial

       


    • LATIHAN KASUS གྲོས་གནས།

      Pengaruh Motivasi Belajar dan Lingkungan Keluarga terhadap Nilai Statistik Ekonomi

      Seorang dosen ingin mengetahui apakah:

      • X₁ = Motivasi belajar
      • X₂ = Lingkungan keluarga
        berpengaruh terhadap
      • Y = Nilai Statistik Ekonomi

      Hasil analisis regresi dari 40 mahasiswa diperoleh output berikut:

      Y=40+0,5X1+0,3X2Y = 40 + 0,5X_1 + 0,3X_2Y=40+0,5X1​+0,3X2​

      Tabel Uji t (parsial):

      Variabel

      Koefisien

      t hitung

      Sig

      Motivasi (X₁)

      0,5

      2,80

      0,008

      Lingkungan (X₂)

      0,3

      2,10

      0,042

      Uji F (simultan):

      • F hitung = 9,50
      • Sig F = 0,001

      R² = 0,34
      α = 5%

       

      Pertanyaan:

      1. Rumuskan hipotesis simultan dan parsial.
      2. Uji pengaruh simultan (uji F).
      3. Uji pengaruh parsial (uji t).
      4. Interpretasikan nilai R².
      5. Buat kesimpulan.

  • 16 March - 22 March

    • Pertemuan 6: Inferential Statistic (Lanjutan) གྲོས་གནས།

      Salam Pembelajar,

      Pada pertemuan ini kita masih membahas inferential statistic. Kali ini kita akan fokus kepada menginterpretasi hasil pengujian statistic berbasis data real. mari kita bahas bersama:

      Statistik inferensial adalah metode statistik yang digunakan untuk:

      • Menarik kesimpulan tentang populasi
      • Berdasarkan data sampel
      • Menggunakan probabilitas dan uji hipotesis

      Contoh konteks ekonomi pendidikan:

      • Apakah metode diskusi meningkatkan nilai?
      • Apakah literasi keuangan mempengaruhi IPK?
      • Apakah jam belajar berhubungan dengan prestasi?

       

      KONSEP DASAR UJI HIPOTESIS

      Langkah umum:

      1. Merumuskan hipotesis (H₀ dan H₁)
      2. Menentukan taraf signifikansi (α)
      3. Menghitung statistik uji
      4. Membandingkan nilai Sig (p-value) dengan α
      5. Menarik kesimpulan

       

      KUNCI INTERPRETASI

      Mahasiswa harus memahami:

      Jika:

      • Sig < 0,05 → Tolak H₀ → Ada pengaruh/perbedaan/hubungan signifikan
      • Sig > 0,05 → Gagal tolak H₀ → Tidak cukup bukti

      Bukan berarti “tidak ada pengaruh”, tetapi “tidak cukup bukti secara statistik.”

       

      III. CONTOH 1 – UJI t (Perbedaan Rata-rata)

      Kasus Real

      Seorang dosen ingin mengetahui apakah metode diskusi meningkatkan nilai Statistik Ekonomi.

      Data:

      • Kelas Diskusi (n=30) → rata-rata = 80
      • Kelas Ceramah (n=30) → rata-rata = 74
      • Sig (hasil SPSS) = 0,021
      • α = 0,05

       

      Interpretasi

      Karena:
      0,021 < 0,05

      Maka:
      Tolak H₀

      Kesimpulan statistik:
      Terdapat perbedaan rata-rata yang signifikan antara metode diskusi dan ceramah.

      Kesimpulan substantif (bahasa pendidikan ekonomi):
      Metode diskusi secara signifikan menghasilkan nilai yang lebih tinggi dibanding metode ceramah.

      Apa yang Harus Kita Pahami?

      1. Apa arti “signifikan”?
        → Perbedaan bukan karena kebetulan semata.
      2. Apakah selisih 6 poin penting?
        → Perlu dikaitkan dengan konteks akademik.

       

      CONTOH 2 – UJI KORELASI

      Kasus Real

      Hubungan antara jam belajar dan nilai statistik.

      Hasil SPSS:

      • r = 0,48
      • Sig = 0,003

      Interpretasi

      0,003 < 0,05 → signifikan

      Artinya:
      Ada hubungan positif yang signifikan antara jam belajar dan nilai.

      Makna ekonomi pendidikan:
      Semakin tinggi jam belajar, semakin tinggi kecenderungan nilai.

      Namun:
      Korelasi ≠ sebab-akibat.

       

      CONTOH 3 – REGRESI LINEAR BERGANDA

      Kasus Real

      Pengaruh:

      • Motivasi (X₁)
      • Disiplin (X₂)
        terhadap Nilai (Y)

      Output SPSS:

      Variabel

      Beta

      Sig

      Motivasi

      0,30

      0,040

      Disiplin

      0,45

      0,002

      R² = 0,50

      Interpretasi

      Uji Parsial

      • Motivasi signifikan
      • Disiplin signifikan

      Variabel Dominan

      Disiplin (Beta terbesar = 0,45)

      Koefisien Determinasi

      R² = 0,50

      Artinya:
      50% variasi nilai dijelaskan oleh motivasi dan disiplin.

       

      Kemampuan Interpretasi yang Harus kalian Dimiliki 

      Kalian harus mampu menjawab:

      • Variabel mana yang paling berpengaruh?
      • Apakah model sudah kuat?
      • Apakah ada faktor lain di luar model?

       

      KESALAHAN UMUM MAHASISWA

      Hanya melihat Sig tanpa membaca arah koefisien
      Menganggap signifikan = pengaruh besar
      Tidak mengaitkan dengan konteks ekonomi pendidikan
      Tidak memahami arti R²

       

      LATIHAN INTERPRETASI (SOAL ANALITIS)

      Soal

      Hasil regresi menunjukkan:

      Variabel

      Beta

      Sig

      Literasi Keuangan

      0,10

      0,200

      E-learning

      0,25

      0,030

      Disiplin

      0,40

      0,001

      R² = 0,60

       

      Pembahasan

      • Literasi → tidak signifikan
      • E-learning → signifikan
      • Disiplin → signifikan & paling dominan
      • Model menjelaskan 60% variasi IPK

      Kesimpulan:
      Disiplin belajar merupakan faktor paling kuat dalam meningkatkan IPK mahasiswa Pendidikan Ekonomi.

    • LATIHAN KASUS གྲོས་གནས།

      KASUS 

      Pengaruh Literasi Keuangan, Penggunaan E-learning, dan Disiplin Belajar terhadap Prestasi Akademik

      Peneliti ingin menguji pengaruh:

      • X₁ = Literasi keuangan
      • X₂ = Intensitas penggunaan e-learning
      • X₃ = Disiplin belajar
        terhadap
      • Y = IPK mahasiswa Pendidikan Ekonomi

      Hasil regresi dari 50 responden:

      Y=2,10+0,02X1+0,015X2+0,03X3Y = 2,10 + 0,02X_1 + 0,015X_2 + 0,03X_3Y=2,10+0,02X1​+0,015X2​+0,03X3​

      Tabel Uji t:

      Variabel

      t hitung

      Sig

      X₁

      1,20

      0,235

      X₂

      2,50

      0,016

      X₃

      3,10

      0,003

      Uji F:

      • F hitung = 12,40
      • Sig F = 0,000

      R² = 0,45
      α = 5%

       

      Pertanyaan:

      1. Uji pengaruh simultan ketiga variabel.
      2. Tentukan variabel yang berpengaruh signifikan.
      3. Jelaskan variabel dominan.
      4. Interpretasikan R².
      5. Buat rekomendasi kebijakan pendidikan.

    • LATIHAN KASUS གྲོས་གནས།

      KASUS 

      Pengaruh Motivasi Belajar dan Lingkungan Keluarga terhadap Nilai Statistik Ekonomi

      Seorang dosen meneliti pengaruh:

      • X₁ = Motivasi Belajar
      • X₂ = Lingkungan Keluarga
        terhadap
      • Y = Nilai Statistik Ekonomi

      Jumlah responden = 40 mahasiswa
      Taraf signifikansi = 5%

       

      Output SPSS

      Model Summary

      Model

      R

      R Square

      Adjusted R Square

      Std. Error

      1

      0,583

      0,340

      0,305

      6,214

       

      ANOVA

      Model

      Sum of Squares

      df

      Mean Square

      F

      Sig

      Regression

      732,40

      2

      366,20

      9,50

      0,001

      Residual

      1427,60

      37

      38,59

      Total

      2160,00

      39

       

      Coefficients

      Variabel

      B

      Std.Error

      t

      Sig

      (Constant)

      40,000

      8,200

      4,878

      0,000

      Motivasi (X₁)

      0,500

      0,179

      2,800

      0,008

      Lingkungan (X₂)

      0,300

      0,143

      2,100

      0,042

       

      Pertanyaan untuk Mahasiswa

      1. Tuliskan persamaan regresinya.
      2. Uji pengaruh simultan berdasarkan tabel ANOVA.
      3. Uji pengaruh parsial masing-masing variabel.
      4. Interpretasikan nilai R².
      5. Buat kesimpulan dalam konteks pendidikan ekonomi.

    • LATIHAN KASUS (PENDALAMAN) གྲོས་གནས།

      Pengaruh Literasi Keuangan, E-learning, dan Disiplin Belajar terhadap IPK

      Jumlah responden = 50 mahasiswa
      α = 5%

       

      Output SPSS

      Model Summary

      Model

      R

      R Square

      Adjusted R Square

      Std. Error

      1

      0,671

      0,450

      0,414

      0,321

       

      ANOVA

      Model

      Sum of Squares

      df

      Mean Square

      F

      Sig

      Regression

      3,840

      3

      1,280

      12,40

      0,000

      Residual

      4,740

      46

      0,103

      Total

      8,580

      49

       

      Coefficients

      Variabel

      B

      Std.Error

      t

      Sig

      (Constant)

      2,100

      0,450

      4,667

      0,000

      Literasi (X₁)

      0,020

      0,017

      1,200

      0,235

      E-learning (X₂)

      0,015

      0,006

      2,500

      0,016

      Disiplin (X₃)

      0,030

      0,010

      3,100

      0,003

       

      Pertanyaan

      1. Tulis persamaan regresi.
      2. Uji pengaruh simultan.
      3. Tentukan variabel signifikan.
      4. Tentukan variabel dominan.
      5. Interpretasikan Adjusted R².

  • 23 March - 29 March

    • Pertemuan 7: Regresi & Korelasi Ekonomi གྲོས་གནས།

      Salam Pembelajar,

      Pada pertemuan ini kita masih akan mempelajari lebih dalam tentang Regresi dan Korelasi Ekonomi khususnya agar kalian Mampu membangun model regresi untuk prediksi ekonomi. Baik, kita coba bahas bersama ya...

      Membangun Model Regresi untuk Prediksi Ekonomi

      Apa Itu Regresi dalam Ekonomi?

      Regresi adalah metode statistik untuk melihat dan mengukur hubungan antara variabel.

      Dalam ekonomi, regresi digunakan untuk:

      • Memprediksi inflasi
      • Memprediksi konsumsi masyarakat
      • Memprediksi pertumbuhan ekonomi
      • Memprediksi pengangguran
      • Memprediksi permintaan barang

      Model yang paling sering digunakan adalah Regresi Linear.

      Bentuk umum regresi linear sederhana:

      Y=a+bX+eY = a + bX + eY=a+bX+e

      Keterangan:

      • Y = variabel terikat (yang diprediksi)
      • X = variabel bebas (yang memengaruhi)
      • a = konstanta
      • b = koefisien regresi
      • e = error (kesalahan)

       

      Langkah-Langkah Membangun Model Regresi

      Mahasiswa perlu memahami bahwa membangun model regresi tidak langsung menghitung rumus, tetapi melalui tahapan sistematis:

      Langkah 1: Menentukan Masalah Ekonomi

      Contoh:

      Apakah pendapatan memengaruhi konsumsi rumah tangga?

      Langkah 2: Menentukan Variabel

      • Variabel terikat (Y): Konsumsi
      • Variabel bebas (X): Pendapatan

      Langkah 3: Mengumpulkan Data

      Data bisa diperoleh dari:

      • Badan Pusat Statistik
      • Bank Indonesia
      • Survei lapangan

      Langkah 4: Menghitung Model Regresi

      Gunakan software seperti:

      • SPSS
      • Excel
      •  Eviews
      • R

      Langkah 5: Interpretasi Hasil

      Menjelaskan arti koefisien secara ekonomi, bukan hanya secara matematis.

       

      Contoh Kasus Sederhana

      Kasus: Pengaruh Pendapatan terhadap Konsumsi

      Seorang peneliti mengumpulkan data 10 rumah tangga.

      Hasil regresi diperoleh:

      Y=500+0,8XY = 500 + 0,8XY=500+0,8X

      Dimana:

      • Y = Konsumsi (ribu rupiah)
      • X = Pendapatan (ribu rupiah)

       

      Interpretasi Model

      Konstanta (500)

      Jika pendapatan = 0, maka konsumsi tetap 500 ribu rupiah.
      Ini disebut konsumsi otonom.

      Koefisien 0,8

      Artinya:

      Setiap kenaikan pendapatan 1 ribu rupiah akan meningkatkan konsumsi sebesar 0,8 ribu rupiah.

      Secara teori ini sesuai dengan konsep Marginal Propensity to Consume (MPC) dalam teori konsumsi.

       

      Contoh Prediksi

      Jika pendapatan seseorang = 5.000 ribu rupiah, maka:

      Y=500+0,8(5000)Y = 500 + 0,8(5000)Y=500+0,8(5000) Y=500+4000Y = 500 + 4000Y=500+4000 Y=4500Y = 4500Y=4500

      Artinya konsumsi diprediksi sebesar 4.500 ribu rupiah.

       

      Regresi dalam Kebijakan Ekonomi

      Regresi tidak hanya untuk tugas kuliah, tetapi digunakan oleh:

      • Bank Indonesia untuk memprediksi inflasi
      • Kementerian Keuangan Republik Indonesia untuk memprediksi penerimaan pajak
      • World Bank untuk memprediksi pertumbuhan ekonomi negara berkembang

       

      Regresi Berganda (Multiple Regression)

      Jika faktor yang memengaruhi lebih dari satu, gunakan regresi berganda:

      Y=a+b1X1+b2X2+eY = a + b1X1 + b2X2 + eY=a+b1X1+b2X2+e

      Contoh:
      Memprediksi konsumsi berdasarkan:

      • X1 = Pendapatan
      • X2 = Jumlah anggota keluarga

      Misal hasilnya:

      Y=300+0,7X1+200X2Y = 300 + 0,7X1 + 200X2Y=300+0,7X1+200X2

      Interpretasi:

      • Setiap kenaikan pendapatan meningkatkan konsumsi 0,7
      • Setiap tambahan 1 anggota keluarga meningkatkan konsumsi 200

       

      Hal Penting yang Harus Dipahami Mahasiswa

      1. Koefisien Determinasi (R²)

      Menunjukkan seberapa besar variabel X menjelaskan Y.

      Misal:
      R² = 0,80
      Artinya 80% variasi konsumsi dijelaskan oleh pendapatan.

       

      2. Uji Signifikansi (uji t & uji F)

      Untuk memastikan apakah pengaruh tersebut benar-benar signifikan secara statistik.

      Jika sig < 0,05 → signifikan

       

      3. Jangan Hanya Hafal Rumus!

      Yang paling penting:

      • Apakah hasilnya masuk akal secara teori ekonomi?
      •  Apakah tanda koefisien sesuai teori?

      Misalnya:
      Jika pendapatan naik tapi konsumsi turun → model perlu dicek.

       

      Contoh Aplikasi di Pendidikan Ekonomi

      Sebagai calon guru ekonomi, mahasiswa bisa:

      • Mengajarkan hubungan harga dan jumlah permintaan
      • Menjelaskan fungsi konsumsi Keynesian
      • Mengajarkan analisis data ekonomi daerah menggunakan data Badan Pusat Statistik

       

      Kesimpulan Penting:

      Agar mampu membangun model regresi, kalianharus bisa:

      • Mengidentifikasi masalah ekonomi
      • Menentukan variabel dengan benar
      • Mengumpulkan data yang valid
      • Menggunakan software statistic
      • Menginterpretasikan hasil secara ekonomi

      Regresi bukan sekadar hitung-menghitung, tetapi alat untuk menjelaskan fenomena ekonomi secara ilmiah dan membuat prediksi kebijakan.


      CONTOH: Regresi Linear Sederhana (2 Variabel)

      Kasus:

      Seorang mahasiswa meneliti pengaruh Pendapatan (X) terhadap Konsumsi (Y) rumah tangga di Kota X berdasarkan data dari Badan Pusat Statistik.

      Hasil olahan data diperoleh model:

      Y=400+0,75XY = 400 + 0,75XY=400+0,75X

      R² = 0,81
      Sig = 0,000

       

      Ilustrasi Model Regresi 2 Variabel

       

      Pertanyaan:

      1. Jelaskan arti konstanta dan koefisien regresi!
      2. Hitung prediksi konsumsi jika pendapatan 6.000!
      3. Interpretasikan nilai R²!
      4. Apakah model signifikan?

      Pembahasan:

      Konstanta (400)

      Jika pendapatan = 0, maka konsumsi tetap 400 (konsumsi otonom).

      Koefisien (0,75)

      Setiap kenaikan pendapatan 1 satuan meningkatkan konsumsi sebesar 0,75 satuan.
      Ini sesuai teori Marginal Propensity to Consume (MPC).

      Prediksi

      Y=400+0,75(6000)Y = 400 + 0,75(6000)Y=400+0,75(6000) Y=400+4500Y = 400 + 4500Y=400+4500 Y=4900Y = 4900Y=4900

      R² = 0,81

      Artinya 81% variasi konsumsi dijelaskan oleh pendapatan.

      Sig = 0,000 < 0,05

      Model signifikan secara statistik.


    • CONTOH KASUS PATH ANALYSIS གྲོས་གནས།

      CONTOH KASUS 1 (3 Variabel – Mediasi Sederhana)

      Judul:

      Pengaruh Motivasi Belajar (X) terhadap Prestasi Statistik (Y) melalui Disiplin Belajar (Z)

      Model Jalur:

      X → Z → Y
      X → Y

      n = 60
      α = 5%

       

      UJI ASUMSI KLASIK

      Uji asumsi dilakukan pada setiap persamaan regresi dalam path analysis.

       

      Uji Normalitas (Kolmogorov-Smirnov)

      Variabel Dependen

      Sig

      Z

      0,200

      Y

      0,145

      Karena Sig > 0,05 → Data berdistribusi normal.

       

      Uji Multikolinearitas (Regresi Y)

      Variabel

      Tolerance

      VIF

      X

      0,650

      1,538

      Z

      0,650

      1,538

      Kriteria:

      • Tolerance > 0,10
      • VIF < 10

      Tidak terjadi multikolinearitas.

       

      Uji Heteroskedastisitas (Glejser)

      Variabel

      Sig

      X

      0,312

      Z

      0,421

      Sig > 0,05 → Tidak terjadi heteroskedastisitas.

       

      ANALISIS REGRESI (PATH)

       

      Regresi 1 (Z sebagai Dependen)

      Variabel

      B

      Std.Error

      Beta

      Sig

      X

      0,800

      0,140

      0,600

      0,000

      R² = 0,360

       

      Regresi 2 (Y sebagai Dependen)

      Variabel

      B

      Std.Error

      Beta

      Sig

      X

      0,300

      0,120

      0,250

      0,015

      Z

      0,500

      0,100

      0,500

      0,000

      R² = 0,563

       

       Diagram Jalur

       

      Koefisien Jalur:

      • X → Z = 0,600
      • Z → Y = 0,500
      • X → Y = 0,250

       

      PENGARUH

      Pengaruh Tidak Langsung:
      0,600 × 0,500 = 0,300

      Pengaruh Total:
      0,250 + 0,300 = 0,550

       

      UJI SOBEL

      Z=3,77Z = 3,77Z=3,77

      Karena 3,77 > 1,96 → Mediasi signifikan.

       

      KESIMPULAN

      Model memenuhi asumsi klasik.
      Disiplin belajar memediasi secara signifikan pengaruh motivasi terhadap prestasi.

    • CONTOH REGRESI BERGANDA གྲོས་གནས།

      REGRESI BERGANDA (3 X dan 1 Y)

      Kasus Penelitian

      Seorang mahasiswa ingin meneliti faktor-faktor yang memengaruhi Konsumsi Rumah Tangga (Y).

      Variabel yang diteliti:

      • X1 = Pendapatan (juta rupiah/bulan)
      • X2 = Jumlah Anggota Keluarga (orang)
      • X3 = Lama Pendidikan Kepala Keluarga (tahun sekolah)
      • Y = Konsumsi (juta rupiah/bulan)

      Data diperoleh dari publikasi Badan Pusat Statistik.

       

      Data Penelitian

      No

      X1 Pendapatan

      X2 Anggota

      X3 Pendidikan

      Y Konsumsi

      1

      5

      4

      12

      4.5

      2

      6

      5

      12

      5.2

      3

      7

      3

      16

      5.8

      4

      8

      4

      16

      6.5

      5

      9

      5

      12

      7.0

      6

      10

      4

      16

      7.8

      7

      6

      3

      12

      5.0

      8

      7

      4

      16

      6.0

      9

      8

      5

      16

      6.9

      10

      9

      4

      12

      7.2

       

       Model Teoritis Penelitian

      Model Korelasi Antar Variabel

       

      Interpretasi gambar:

      • X1, X2, X3 saling berkorelasi
      • Ketiganya memengaruhi Y

       

      Model Regresi Berganda

      Y=a+b1X1+b2X2+b3X3+eY = a + b1X1 + b2X2 + b3X3 + eY=a+b1X1+b2X2+b3X3+e

      Visualisasi bidang regresi:

       

       

       SOAL :

      BAGIAN A – Perhitungan Manual (Konseptual)

      1. Tuliskan persamaan regresi berganda secara umum!
      2. Menurut teori ekonomi, bagaimana tanda yang diharapkan dari:
        • b1 (Pendapatan)
        • b2 (Jumlah anggota keluarga)
        • b3 (Pendidikan)?
      1. Jelaskan langkah-langkah menghitung regresi berganda secara manual!

       

      BAGIAN B – Menggunakan SPSS / Software

      Berdasarkan pengolahan data (misal hasil SPSS diperoleh):

      Y=0,50+0,65X1+0,40X2+0,10X3Y = 0,50 + 0,65X1 + 0,40X2 + 0,10X3Y=0,50+0,65X1+0,40X2+0,10X3

      R² = 0,92
      Sig F = 0,000
      Sig masing-masing variabel < 0,05

      Jawablah:

      1. Interpretasikan konstanta!
      2. Interpretasikan koefisien masing-masing variabel!
      3. Hitung prediksi konsumsi jika:
        • Pendapatan = 8
        • Anggota keluarga = 4
        • Pendidikan = 16
      1. Jelaskan arti R²!
      2. Apakah model signifikan?

       

      PEMBAHASAN:

      Jawaban Bagian A

      Persamaan umum

      Y=a+b1X1+b2X2+b3X3+eY = a + b1X1 + b2X2 + b3X3 + eY=a+b1X1+b2X2+b3X3+e

      Tanda Koefisien yang Diharapkan

      • b1 (+) → Pendapatan naik → konsumsi naik
      • b2 (+) → Anggota bertambah → konsumsi naik
      • b3 (+) → Pendidikan tinggi → konsumsi cenderung naik

      Sesuai teori konsumsi Keynes.

      Langkah Manual

      1. Hitung rata-rata masing-masing variabel
      2. Hitung deviasi (Xi − X̄)
      3. Hitung matriks normal equation
      4. Selesaikan sistem persamaan simultan

      (Catatan: perhitungan manual lengkap biasanya menggunakan matriks).

       

      Jawaban Bagian B

      Konstanta (0,50)

      Jika semua variabel X = 0, maka konsumsi sebesar 0,50 juta.

      Interpretasi Koefisien

      • b1 = 0,65
        Jika pendapatan naik 1 juta → konsumsi naik 0,65 juta.
      • b2 = 0,40
        Tambahan 1 anggota keluarga → konsumsi naik 0,40 juta.
      • b3 = 0,10
        Tambahan 1 tahun pendidikan → konsumsi naik 0,10 juta.

       

      Prediksi

      Y=0,50+0,65(8)+0,40(4)+0,10(16)Y = 0,50 + 0,65(8) + 0,40(4) + 0,10(16)Y=0,50+0,65(8)+0,40(4)+0,10(16) Y=0,50+5,2+1,6+1,6Y = 0,50 + 5,2 + 1,6 + 1,6Y=0,50+5,2+1,6+1,6 Y=8,9Y = 8,9Y=8,9

      Jadi konsumsi diprediksi sebesar 8,9 juta rupiah.

       

      R² = 0,92

      Artinya:
      92% variasi konsumsi dijelaskan oleh pendapatan, jumlah anggota keluarga, dan pendidikan.

      Model sangat kuat.

       

      Uji Signifikansi

      Sig F < 0,05 → model signifikan
      Sig t masing-masing < 0,05 → semua variabel berpengaruh signifikan

       

      Panduan Analisis di SPSS

      a. Input Data

      1. Buka SPSS → pilih Variable View
      2. Buat variabel:
        • X1 = Pendapatan
        • X2 = Anggota
        • X3 = Pendidikan
        • Y = Konsumsi
      1. Masukkan data ke Data View sesuai tabel sebelumnya.

       

      b. Analisis Regresi Berganda

      1. Klik Analyze → Regression → Linear
      2. Masukkan Y = Konsumsi ke Dependent
      3. Masukkan X1, X2, X3 ke Independent(s)
      4. Klik Statistics → Centang Estimates, Model fit, R squared change, Descriptives
      5. Klik OK

       

      c. Contoh Output SPSS

      Coefficients

      Variable

      B

      Std. Error

      t

      Sig.

      Constant

      0.50

      0.30

      1.67

      0.13

      X1

      0.65

      0.05

      13.0

      0.000

      X2

      0.40

      0.10

      4.0

      0.003

      X3

      0.10

      0.04

      2.5

      0.034

      Model Summary

      R

      R²

      Adjusted R²

      Std. Error of the Estimate

      0.959

      0.92

      0.90

      0.25

      ANOVA

      Source

      Sum of Squares

      df

      Mean Square

      F

      Sig.

      Regression

      50.00

      3

      16.67

      60.0

      0.000

      Residual

      4.25

      6

      0.71

      Total

      54.25

      9

       

      d. Interpretasi Output SPSS

      1. Konstanta = 0,50 → konsumsi minimal saat X1,X2,X3 = 0
      2. X1 (Pendapatan) = 0,65 → setiap kenaikan 1 juta pendapatan → konsumsi naik 0,65 juta
      3. X2 (Anggota keluarga) = 0,40 → setiap tambahan anggota → konsumsi naik 0,40 juta
      4. X3 (Pendidikan) = 0,10 → setiap tahun pendidikan → konsumsi naik 0,10 juta
      5. R² = 0,92 → 92% variasi konsumsi dijelaskan oleh X1, X2, X3
      6. F Significance = 0,000 < 0,05 → model signifikan
      7. t Significance untuk X1,X2,X3 < 0,05 → semua variabel berpengaruh signifikan
       

  • 30 March - 5 April

  • PERTEMUAN 9-12

    • Pertemuan 9-12: Project Based Learning: Analisis Data Ekonomi RIIL གྲོས་གནས།

      Salam Pembelajar,

      Pada Pertemuan 9-12 Anda akan melaksanakan Project Based Learning Analisis Data Ekonomi Riil dengan output Hasil: laporan lengkap + rekomendasi. 

      Petunjuk Umum PBL: Analisis Data Ekonomi Riil

      • Tujuan Proyek: Mahasiswa melakukan analisis data ekonomi nyata untuk menghasilkan laporan yang memuat insight ekonomi dan rekomendasi berbasis data.
      • Output:
        1. Laporan Analisis Lengkap (menggunakan statistik deskriptif, inferensial, visualisasi)
        2. Rekomendasi berbasis temuan data
      • Data: Data ekonomi riil dari sumber resmi (misal: BPS, Bank Indonesia, World Bank, IMF) atau dataset simulasi berbasis kondisi nyata.

       

      Pertemuan 9: Eksplorasi dan Persiapan Data

      Fokus: Pengenalan Data Ekonomi Riil dan Pembersihan Data

      • Menentukan variabel dan indikator ekonomi yang relevan dengan topik proyek.
      • Mengidentifikasi tipe data: kuantitatif (kontinu, diskret) dan kualitatif.
      • Melakukan data cleaning: menangani missing values, outliers, dan duplikasi.
      • Membuat data dictionary: mendokumentasikan sumber, tipe, dan deskripsi setiap variabel.

      Output Pertemuan:

      • Dataset bersih siap dianalisis
      • Catatan persiapan dan asumsi awal

       

      Pertemuan 10: Analisis Statistik Deskriptif

      Fokus: Memahami distribusi dan karakteristik data

      • Menghitung ukuran pemusatan: mean, median, modus
      • Menghitung ukuran penyebaran: range, variance, standar deviasi
      • Visualisasi data: histogram, boxplot, scatterplot
      • Menginterpretasikan temuan deskriptif dalam konteks ekonomi riil (misal: fluktuasi inflasi, pertumbuhan PDB, tingkat pengangguran)

      Output Pertemuan:

      • Ringkasan statistik deskriptif
      • Visualisasi awal untuk laporan

       

      Pertemuan 11: Analisis Statistik Inferensial

      Fokus: Menarik kesimpulan dari data dan menguji hipotesis

      • Uji normalitas, korelasi, dan regresi sederhana
      • Analisis hubungan antar variabel ekonomi (misal: konsumsi vs pendapatan, inflasi vs suku bunga)
      • Interpretasi hasil uji statistik untuk mendukung rekomendasi

      Output Pertemuan:

      • Tabel uji statistik dan hasil interpretasi
      • Draft rekomendasi awal berdasarkan temuan inferensial

       

      Pertemuan 12: Penyusunan Laporan dan Rekomendasi

      Fokus: Integrasi analisis menjadi laporan lengkap

      • Menyusun laporan akhir:
        1. Pendahuluan (latar belakang, tujuan, pertanyaan riset)
        2. Metodologi (sumber data, teknik analisis)
        3. Hasil Analisis (deskriptif + inferensial)
        4. Visualisasi data
        5. Diskusi & rekomendasi ekonomi berbasis data
      • Penekanan pada keterkaitan analisis dengan rekomendasi praktis
      • Review peer-to-peer dan revisi laporan

      Output Pertemuan:

      • Laporan lengkap + visualisasi
      • Rekomendasi berbasis analisis
      Presentasi singkat 

  • PERTEMUAN 13

    • Pertemuan 13: Presentasi & Umpan Balik གྲོས་གནས།

      Salam Pembelajar,

      Pada pertemuan ini kita akan melakasanakan Presentasi kelompok, untuk mengukur Komunikasi ilmiah & argumentasi hasil Project Anda.

      Presentasi Kelompok

      Tema: Mengukur Komunikasi Ilmiah & Argumentasi Hasil Project

      Tujuan Pertemuan

      • Mahasiswa dapat menyampaikan hasil analisis data ekonomi riil secara sistematis dan ilmiah.
      • Mahasiswa mampu membela argumentasi dan rekomendasi berdasarkan temuan data.
      • Melatih kemampuan komunikasi ilmiah, presentasi visual, dan diskusi akademik.

      Kegiatan

      Persiapan Presentasi

      • Setiap kelompok menyiapkan presentasi (Canva) maksimal 10–15 menit.
      • Konten presentasi meliputi:
          • Latar belakang proyek & tujuan analisis
          • Metodologi & sumber data
          • Hasil analisis deskriptif & inferensial
          • Visualisasi data utama
          • Rekomendasi berbasis temuan
      • Setiap anggota kelompok harus aktif menyampaikan sebagian konten.
      • Sesi Presentasi & Diskusi
      Kelompok mempresentasikan hasil proyek di depan kelas. Mahasiswa lain dan dosen memberikan pertanyaan atau komentar kritis. Kelompok menjawab pertanyaan untuk menguatkan argumentasi dan logika analisisPenilaian berdasarkan:

                       1. Kejelasan komunikasi (struktur presentasi, bahasa, visualisasi)

                       2. Pemahaman materi (menjawab pertanyaan, menjelaskan metode dan hasil)

                       3. Kekuatan argumentasi (keterkaitan data dengan rekomendasi)

                       4. Kerjasama kelompok (partisipasi semua anggota)

       

      Output Pertemuan

      • Presentasi kelompok 10–15 menit
      • Diskusi tanya jawab & klarifikasi
      • Penilaian komunikasi ilmiah dan kemampuan argumentasi berdasarkan proyek

       

  • PERTEMUAN 14

    • Pertemuan 14: Refleksi & Integrasi HOTS གྲོས་གནས།

      Salam Pembelajar,

      Pada pertemuan ini akan dilaksanakan Refleksi & Integrasi HOTS: Refleksi pembelajaran & rencana tindak lanjut.

      Mahasiswa melakukan evaluasi atas proses belajar dan proyek yang telah dijalankan, serta merancang tindak lanjut untuk memperdalam pemahaman dan penerapan analisis data ekonomi riil.

       

      1. Refleksi Pembelajaran

      Mahasiswa diminta untuk merefleksikan beberapa hal:

      • Proses Analisis Data: Apa yang paling menantang dan apa yang paling mudah?
      • Penerapan Statistik: Bagaimana statistik deskriptif dan inferensial membantu memahami data ekonomi riil?
      • Kerjasama & Proyek: Bagaimana pengalaman bekerja dalam kelompok (jika ada) dan manajemen proyek?
      • Keterampilan yang Diperoleh: Apa keterampilan baru yang didapat, misal: pembersihan data, visualisasi, uji hipotesis, interpretasi data ekonomi.

      Aktivitas:

      • Menulis refleksi singkat (1–2 halaman) atau membuat mind map pembelajaran
      • Diskusi daring di forum LMS: saling berbagi insight, tantangan, dan pengalaman

       

      2. Evaluasi Hasil Proyek

      Mahasiswa mengevaluasi:

      • Kualitas laporan analisis dan rekomendasi
      • Konsistensi data, metode analisis, dan interpretasi
      • Kesesuaian rekomendasi dengan temuan statistik

      Pertanyaan Panduan:

      • Apakah laporan sudah logis dan dapat dipertanggungjawabkan?
      • Apa yang bisa diperbaiki jika proyek diulang atau dikembangkan lebih lanjut?

       

      3. Rencana Tindak Lanjut

      Mahasiswa membuat rencana untuk:

      • Peningkatan Keterampilan: Misal belajar software statistik lebih lanjut, teknik visualisasi, atau analisis regresi lanjutan
      • Pengembangan Proyek: Menggunakan dataset baru, memperluas topik analisis, atau menambahkan metode analisis lain
      • Implementasi Rekomendasi: Memikirkan bagaimana temuan proyek bisa diterapkan dalam konteks ekonomi nyata atau penelitian lanjutan

      Output Pertemuan:

      1. Dokumen refleksi pribadi
      2. Daftar rencana tindak lanjut konkrit (minimal 3 poin)
      3. Diskusi singkat di forum LMS untuk berbagi rencana dan mendapatkan masukan

       

  • PERTEMUAN 15

  • PERTEMUAN 16