Anda di halaman 1dari 19

BAB I

PENDAHULUAN
1.1.Pengenalan Software R
R adalah suatu kesatuan software yang terintegrasi dengan beberapa fasilitas untuk
manipulasi, perhitungan dan penampilan grafik yang handal. R berbasis pada bahasa
pemrograman S, yang dikembangkan oleh AT&T Bell Laboratories (sekarang Lucent
Technologies) pada akhir tahun 70 an. R merupakan versi gratis dari bahasa S dari software
(berbayar) yang sejenis yakni S-PLUS yang banyak digunakan para peneliti dan akademisi
dalam melakukan kegiatan ilmiahnya.Seperti dijelaskan sebelumnya, R merupakan kerabat
dekat dari S-PLUS dimana secara fungsi dan sintaks/tata bahasa sama-sama menggunakan
bahasa S, namun tidak identik. R dapat berinteraksi dengan program statisik, manipulasi,
perhitungan dan penampilan grafik lainnnya, seperti SPSS, yang cukup popular, Microsoft
Excell dengan menyediakan fasilitas import dan eksport data. Selain software di atas, R dapat
melakukan import file dari software lainnya seperti,Minitab, SAS, Stat, Systat dan EpInfo.
R-Programming merupakan implementasi dari program S, hampir sama dengan S+
Programming, bedanya R-Programming adalah Software Open Source , sedangkan S+
komersil.

Dikutip

dari

website

http://didi.staff.gunadarma.ac.Downloads

/files/13706/BabII.pdf/
a. Tipe data pada R-Programming
-

Numeric

- Char

List

- Logical

Funcion

- Array

b. Beberapa perintah sederhana yang dapat di gunakan pada R-programing,


-

max() => mengetahui nilai tertinggi pada variabel/data.

min() => mengetahui nilai terendah pada variabel/data.

lenght() => menghitung jumlahd ata yang ada pada variabel.

List() => menampilkan grafik histogram data data yang dimasukkan.

table() => menampilkan data kedalam bentuk table

diag() => menampilkan bentuk diagram dari suatu data.

1.2.Statistika Deskriptif
Danardono mendefinisikan Statistika Deskriptif adalah metode atau cara-cara yang
digunakan untuk meringkas dan menyajikan data dalam bentuk tabel, grafik atau ringkasan
numerik data.
Setiap penelitian yang akan dilakukan, terlebih dahulu harus ditentukan jenis
penelitian dan metode yang akan digunakan sehingga tujuan dari penelitian dapat tercapai.
Jenis penelitian ini adalah penelitian deskriptif dan verifikatif. Analisis deskriptif yaitu
metode penelitian yang memberikan gambaran mengenai situasi dan kejadian sehingga
metode ini berkehendak mengadakan akumulasi data dasar berlaku. Yang secara luas berarti
bukan hanya membuat gambaran-gambaran fenomena tapi juga menerangkan hubungan,
menguji hipotesa-hipotesa, membuat prediksi serta mendapatkan makna dan implikasi dari
suatu masalah yang ingin dipecahkan (Muh Nazir, 1999). Sedangkan menurut Sugiyono
penelitian deskriptif adalah penelitian yang dilakukan untuk mengetahui nilai variabel
mandiri, baik suatu variabel atau lebih (independent) tanpa membuat perbandingan atau
menghubungkan dengan variabel lain.
Menurut Whitney (1960) yang dikutip oleh M. Nazir (1999;63) metode deskriptif
adalah pencarian fakta dengan interpretasi yang tepat. Penelitian deskriptif mempelajari
masalah-masalah dalam masyarakat situasi-situasi tertentu termasuk tentang hubungan
kegiatan-kegiatan, sikap-sikap, pandangan-pandangan serta proses-proses yang sedang
berlangsung dang pengaruh-pengaruh dari suatu fenomena.
Analisis deskripsi ini meliputi beberapa hal, yakni:
a. distribusi frekuensi.
b. Pengukuran tendensi sentral.
c. Pengukuran variabilitas (Wiyono, 11:2001).
1.3. Perintah qqnorm, qqline, dan qqplot
Perintahperintah ini digunakan untuk membuat dan menampilkan Quantile Quantile
Plots atau dikenal dengan QQ plot. Plot ini dapat digunakan untuk menguji apakah
sekumpulan data berasal dari suatu distribusi tertentu, atau apakah dua sampel data memiliki
distribusi yang identik (sama). Perintah qqnorm digunakan untuk menguji apakah suatu data
mengikuti Distribusi Normal, sedangkan perintah qqplot dapat digunakan untuk membuat
perbandingan dengan distribusi yang lain. Bersama dengan perintah qqnorm, perintah fungsi
plot tambahan qqline dapat digunakan untuk menambahkan garis dari kuantil pertama ke
kuantil ketiga dalam plot qqnorm. Data dapat dikatakan berasal dari distribusi yang bersifat

heavier tail dibandingkan dengan Distribusi normal jika plot qqnorm memiliki bentuk turun
(dibawah garis) pada bagian kiri dan naik (diatas garis) pada bagian kanan. Berikut ini adalah
contoh ilustrasi penggunaan qqnorm untuk uji kecocokan terhadap Distribusi Normal pada
suatu variabel di data HBAT.
1.4. Uji Normalitas
Uji normalitas adalah untuk melihat apakah nilai residual terdistribusi normal atau
tidak. Model regresi yang baik adalah memiliki nilai residual yang terdistribusi normal. Jadi
uji normalitas bukan dilakukan pada masing-masing variabel tetapi pada nilai residualnya.
Sering terjadi kesalahan yang jamak yaitu bahwa uji normalitas dilakukan pada masingmasing variabel. Hal ini tidak dilarang tetapi model regresi memerlukan normalitas pada nilai
residualnya bukan pada masing-masing variabel penelitian.

BAB II
DESKRIPSI KERJA
Pada laporan kedua praktikum kali ini, praktikan akan menjelaskan tentang membuat
dan memanggil data pada file data_praktikum2, menghitung standar deviasi dan variansi, cek
skewness, kurtosis dan histogram data, serta menguji normalitas sebuah data dengan uji
Shapiro Wilk dan Jarque Bera, transformasi ke dalam box cox, dan cek qqnorm dan qqline.
Data yang digunakan peneliti adalah data sumber daya, kemudian interpretasikan hasilnya.
Berikut data dan deskripsi kerja dari masing-masing kasus :
Tabel 2.1. Data Sumber Daya.
Sumber_Daya
27
63
99
135
162
243
261
270
270
279
279
288
297
297
306
324
324
324
333
342
351
351
351

360
369
378
378
387
396
405
414
423
450
35
77
147
112
112
196
189
175
245
210
280
224
238
224

238
259
266
238
252
266
259
252
315
273
287
280
308
259
308
322
322
343
357

Berikut langkah-langkah statistika deskriptif, Shapiro Wilk dan Jarque Bera dan uji
normalitas dengan transformasi box cox serta qqnorm dan qqline pada R ;
1. Terlebih dahulu membuka software R terlebih dahulu dengan klik cara klik start pilih
dan klik all program Klik R dan klik R 2.14.2 dan muncul tampilan awal software R.

Gambar 2.1. Tampilan awal software R.


2. Setelah itu melakukan pengimportan data dengan cara sebagai berikut :
> data.iva=read.delim("clipboard")
> data.iva
Sebelum menulis syntak tersebut pada RGui, copy terlebih dahulu data tersebut, misal
datanya di program Excel, maka tinggal di copy dan lanjut tulis syntak diatas pada R
Console. Sebenarnya proses pengimportan data ini banyak sekali caranya misalnya selain
yang

diatas

dapat

menggunakan

syntak

>read.table("D://lapp2.txt",header=T), seperti pada gambar di bawah ini


:

Gambar 2.2. Proses Pengimportan data .


3. Berikan nama pada pemanggilan data tersebut, seperti di bawah ini :

Gambar 2.3. Syntak pemberian nama pada data.


4. Selanjutnya dari data diatas akan dicari simpangan baku, masukkan syntax dan script
berikut :

Gambar 2.4. Syntak untuk melihat Simpangan baku pada dataiva2.


5. Masih dalam R Console, untuk melihat hasil dari variansi dari data tersebut, berikut
syntak yang ditulis dalam R Console :

Gambar 2.5. Syntak untuk melihat variansi pada dataiva2.


6. Selain dengan syntak diatas, nilai itu juga dapat dihitung dari akar nilai variansinya ,
karena variansi berasal dari kuadrat standar deviasi , berikut syntaknya dalam R console :

Gambar 2.6. Syntak untuk melihat Simpangan baku dari akar variansi pada
dataiva2.
7. Menguji skewness, kurtosis dan histogram. Aktifkan terlebih dahulu packages fbasics
dengan manual, atau mencari sendiri dengan memilih load package fbasics, dan
tulis syntaxnya seperti di bawah ini :

Gambar 2.7. Syntak untuk skewness.

Gambar 2.8. Syntak untuk kurtosis.

Gambar 2.9. Syntak untuk histogram.


8. Uji data dengan uji goodness of fit test distribusi normal univariat, yang pertama adalah
Shapiro Wilk test, maka tuliskan syntax seperti di bawah ini :

Gambar 2.10. Syntak untuk Shapiro Wilk Test.


9. Uji kedua adalah Jarque Bera Test, sebelumnya aktifkan terlebih dahulu packages tseries
secara manual, bisa juga dengan menggunakan tools-tools yang terletak di bagian atasatas klik packages load packages tseries, maka tuliskan syntax berikut ini :

Gambar 2.11. Syntak untuk Jarque Bera Test.


10. Setelah di cek kenormalannya, dan jika ditemukan tidak normal, maka transformasikan
data ke dalam box cox transformation. Aktifkan terlebih dahulu packages car secara
manual, berikut ini adalah syntax dari box cox :

Gambar 2.12. Syntak untuk box cox transformation.


11. Untuk menemukan dan membuat qqline dan qqnorm, berikut ini adalah syntax dari
keduanya :

Gambar 2.13. Syntak untuk qqline dan qqnorm.

BAB III
PEMBAHASAN
Pada laporan praktikum kali ini, praktikan akan menjelaskan keenam rentetan soal,
buatlah data pada file data_praktikum2 hitung sd dan var, cek skewness, kurtosis, histogram
data, uji sapiro wilk dan jarque bera, cek normalitas (transformasi box cox), dari data yang
sudah berdistribusi normal, cek qqnorm dan qqline, setelah itu langsung di interprestasikan
hasil output yang di dapatkan. Berikut hasil output dari deskripsi kerja yang dilakukan :
3.1. Output dari impot data
Sebelum interpretasikan hasil dari masing-masing data, penulis akan menjelaskan
syntak dalam mengimport file dalam bentuk excel ke dalam R, berikut syntaknya :
>

read.table("D://lapp2.txt",header=T)

Ini

digunakan

untuk

memangggil data dalam excel, dahulu mengcopy data di excel dan menuliskan syntak
tersebut dalam R Console sehingga akan terbaca pada R Console.
Langkah selanjutnya adalah pemberian nama, agar dengan mudah dalam hal memanggil
ulang di syntax berikutnya. Di bawah ini merupakan syntax untuk memanggil rentetan
data, hanya dengan cara memberi nama yang singkat, padat dan jelas. Misal = dataiva2
adalah pemberian nama pada data tersebut di dalam R Console. Dan panggil kembali data
yang diinginkan dengan menuliskan sama dengan dan menggunakan fungsi read table
kemudian panggil di folder mana data tersebut disimpan.
> dataiva2=read.table("D://lapp2.txt",header=T)
> dataiva2
> dataiva2 digunakan untuk memanggil data yang sudah dipanggil dalam software
R, dengan nama dataiva2. Berikut hasil output dari proses pemanggilan data :

Gambar 3.1. Output Proses Pemanggilan data.

3.2.Mencari Standart Deviasi dan Variansi


Berikut pemaparan dari simpangan baku ( standar error ) dan variansi dan interpretasi dari
masing-masing outputnya :
1. Simpangan baku
Sebelumnya rumus dari simpangan baku sebagai berikut :
SD(X) =

> sqrt(sum((dataiva2$sumber_daya-mean(dataiva2$
sumber_daya))^2/(length(dataiva2$sumber_daya)-1)))
Syntak ini digunakan untuk pengkodingan rumus Simpangan baku yang sudah
dipaparkan sebelumnya (cara panjang/kodingnya panjang). Perintah ini digunakan
untuk mencari nilai simpangan baku dalam R console. Dalam hal ini untuk mencari
simpangan baku untuk variable sumber daya dari data soal praktikum no 2.
[1] 94.71448 nilai simpangan variabel sumber daya dari data soal praktikum no
2.
> sqrt(var(dataiva2$sumber_daya))
Syntak ini digunakan untuk pengkodingan kedua dari rumus Simpangan baku yang
sudah dipaparkan sebelumnya atau cara pendek dalam pengkodingan untuk mencari
simpangan baku, karena standart deviasi merupakan akar pangkat dari variansi. syntak
ini merupakan cara lain dalam mencari simpangan baku. Disana terdapat syntak var ,
syntak ini digunakan karena variansi berasal dari kuadrat standart deviasi.
Perintah ini digunakan untuk mencari nilai simpangan baku dalam R console. Dalam
hal ini untuk mencari simpangan baku untuk variable sumber daya dari data soal
praktikum no 2.
[1] 94.71448
nilai simpangan baku untuk variabel sumber daya dari data soal praktikum no 2.

2. Variansi
> var(dataiva2) merupakan fungsi dari pemanggilan variansi di dalam R.
sumber_daya
sumber_daya 8970.833

hasil syntak diatas variabel sumber_daya

di atas ini merupakan nilai variansi dari ke-enam puluh enam data sumber daya.

3.3.Cek Skewness, Kurtosis dan Histogram.


1. Skewness
Dalam buku yus agustana (2011:h75) Uji normalitas dengan skewness dan
Kurtosis sering disebut dengan ukuran kemencangan data, dimana akan dapat
diketahui grafik normalitas menceng ke kanan atau ke kiri, terlalu datar atau
mengumpul di tengah. Jika data cenderung ke kiri disebut positif skewness, jika data
menceng ke kanan disebut negatif skewness, dan dikatakan normal apabila datanya
simetris dengan nilai skewness diantara: (-2+2).
Skewness adalah derajat ketidaksimetrisan suatu distribusi. Jika kurva
frekuensi suatu distribusi memiliki ekor yang lebih memanjang ke kanan (dilihat dari
meannya) maka dikatakan menceng kanan (positif) dan jika sebaliknya maka
menceng kiri (negatif). Secara perhitungan, skewness adalah momen ketiga terhadap
mean. Apabila nilai skewness 0 maka bedistribusi normal. Dari nilai skewness
variable sumber daya di bawah ini memiliki nilai -0,6559715, maka terlihat bahwa
variable sumber daya menceng ke kiri

Gambar 3.2. Output dan Script Skewness.


Untuk memanggil skewness dalam R, maka install terlebih dahulu packages
fbasics, dan panggil fungsi >skewness(dataiva2$sumber_daya). Maka
terlihat output di bawahnya yang berwarna biru.
2. Kurtosis
Kurtosis adalah derajat keruncingan suatu distribusi (biasanya diukur relatif
terhadap distribusi normal). Kurva yang lebih lebih runcing dari distribusi normal
dinamakan leptokurtic (>3), yang lebih datar platikurtik (<3) dan distribusi normal
disebut mesokurtik (=3). Kurtosis dihitung dari momen keempat terhadap mean. Dari
variable sumber daya sama-sama di bawah 3 maka lebih datar dari kurva normal dan
disenut dengan leptokurtic.

Gambar 3.3. Output dan Script Kurtosis.


Gambar di atas ini, Nampak hasil dari kurtosis, yaitu bernilai 0,05858512.
Nilai ini lebih datar dari kurva normal.
3. Histogram
Berikut syntak dan interpretasi dari syntak untuk membuat histogram pada data :
>hist(dataiva2$sumber_daya)

//Syntak

ini

digunakan

untuk

membuat

histogram pada variabel sumber daya, dan $ digunakan untuk mengaktifkan nama pada
histogram.
Berikut output dari ketiga histogram ini :

Gambar 3.4. Output Proses histogram variable sumber daya.


Berdasarkan histogram untuk variabel sumber dapat disimpulkan untuk variabel
sumber daya diatas 100 memiliki frekuensi 1, yang memiliki nilai 200 memiliki frekuensi
sebanyak 2, yang memiliki nilai di atas 300 memiliki frekuensi sebanyak 8, di atas 15
dan 10. Begitu seterusnya untuk variabel sumber daya dengan nama dataiva2.

3.4. Uji kenormalan dengan Shapiro Wilk dan Jarque Bera


1. Uji Normalitas dengan Shapiro Wilk
Pengujian hipotesis menggunakan nilai p-value dari test Shapiro Wilk. Berikut
uji hipotesis dari uji normalitas :
1. Uji hipotesis
H0 : data berasal dari distribusi normal
H1 : data tidak berasal dari berdistribusi normal
2. Tingkat kesalahan () = 0,05
3. Titik kritis
Tolak H0 jika p-value < ; ( 0,05 )
Gagal tolak H0 jika p-value > ; ( 0,05 )
4. Statistik uji
Dengan uji Shapiro Wilk maka nilai p-valuenya = 0,02413
p-value <

Gambar 3.5. Output Shapiro Wilk.


5. Keputusan
Dari hasil analisis yang ada diatas, p-value = 0,02413 > 0,05. Maka tolak
H0
6. Kesimpulan
Berdasarkan pada hasil yang diperoleh pada hasil output analisis diatas,
dimana dihasilkan bahwa nilai p-value lebih kecil dari 0,05 maka dapat
disimpulkan bahwa sumber daya tidak berdistribusi normal.

2. Uji Normalitas dengan Jarque Bera


Pengujian hipotesis menggunakan nilai p-value dari test Jarque Bera. Berikut
uji hipotesis dari uji normalitas :
1. Uji hipotesis
H0 : data berasal dari distribusi normal
H1 : data tidak berasal dari berdistribusi normal
2. Tingkat kesalahan () = 0,05
3. Titik kritis
Tolak H0 jika p-value < ; ( 0,05 )
Gagal tolak H0 jika p-value > ; ( 0,05 )
4. Statistik uji
Dengan uji Jarque Bera maka nilai p-valuenya = 0,08127
p-value >

Gambar 3.6. Output Jarque Bera.


5. Keputusan
Dari hasil analisis yang ada diatas, p-value = 0,08127 > 0,05. Maka gagal
tolak H0
6. Kesimpulan
Berdasarkan pada hasil yang diperoleh pada hasil output analisis diatas,
dimana dihasilkan bahwa nilai p-value lebih besar dari 0,05 maka dapat
disimpulkan bahwa sumber daya berdistribusi normal.

3.5. Cek Normalitas (Transformasi Box Cox)

Gambar 3.7. Output Transformasi Box Cox.


Dari gambar di atas terlihat nilai lambda nya adalah 1,427341. Untuk mencari
nilai box cox. Aktifkan terlebih dahulu packages car. Pada output di atas terdapat error.
Tandanya proses belum selesai.
3.6. Qqnorm Dan Qqline

Gambar 3.8. Output QQnorm.


Garis di atas terlihat menyebar rata, yaitu memiliki pola tertentu. Maka
aktifkan dalam R >qqnorm.

Gambar 3.9. Output QQline.


Dari grafik diatas dapat disimpulkan bahwa titik-titik tidak jauh dari garis
dan bahwa titik titik menyebar disekitar garis diagonal , serta penyebarannya
mengikuti arah garis diagonal (membentuk garis lurus ) dan data memencar
mengikuti fungsi distribusi normal yaitu menyebar seiring garis z diagonal. Maka
dapat dikatakan bahwa data Variabel Sumber daya berdistribusi normal.

BAB IV
PENUTUP
Dari langkah langkah yang telah dilakukan praktikan dan pembahasan pada bab
sebelumnya, maka didapat beberapa kesimpulan pada praktikum kali ini:
1. > var(dataiva2) merupakan fungsi dari pemanggilan variansi di dalam R.
2. Ada banyak cara dalm import data pada R console , salah satu caranya yaitu >
dataiva2=read.delim(clipboard), read.table dan lain-lain.
3. Jenis-jenis diagram dan grafik yang akan dihitung dalm R Console yaitu histogram,
skewness dan kurtosis.
4. Untuk memperoleh standard error (SE) dari variabel x, maka rumusnya adalah nilai
simpangan baku dibagi akar n (jumlah sampel).syntak yang digunakan dalam R console
yaitu variansi data terlebih dahulu > var(dataiva2$sumber_daya).

DAFTAR PUSTAKA
Muhajir, Muhammad, 2015, Modul Praktikum Komputasi Statistika.Yogyakarta
Nugraha, Dr.Jaka, 2015, Pengantar Analisis Data Kategorik. Deepublish, Yogyakarta
Rosadi, Dedi. 2015. Analisis Ekonometrika & Runtun Waktu Terapan dengan R. ANDI.
Yogyakarta.
Sartono. 2009. .Analisis Data Statistik dengan R. Surabaya : Jurusan statistika ITS.
http://lucky-tugas.blogspot.com/2011/12/sejarah-r-programming.html Diakses pada tanggal
17 oktober 2015 pukul 16.00
http://rizkyrivandry.blogspot.com/2010/10/r-programing-program-r.html

Diakses

pada

tanggal 12 oktober 2015 pukul 16.00


http://rizkyputra04.blogspot.com/2010/10/r-programming.html Diakses pada tanggal 14
oktober 2015 pukul 19.00
http://www.scribd.com/doc/20927514/Sejarah-R Diakses pada tanggal 16 oktober 2015 pukul
19.00
http://didi.staff.gunadarma.ac.id/Downloads/files/13706/BabII.pdf/ Diakses pada tanggal 16
oktober 2015 pukul 13.00
http://winkonadi.wordpress.com/statistik-deskriptif/ Diakses pada tanggal 16 oktober 2015
pukul 13.00
http://id.wikipedia.org/wiki/Statistika_deskriptif Diakses pada tanggal 17 oktober 2015 pukul
13.00
http://statistikceria.blogspot.com/2013/12/tutorial-contoh-analisis-deskriptif-menggunakanR-paket-R-commander.html Diakses pada tanggal 14 oktober 2015 pukul 13.00