Suhartono Analisis Data Statistik Dengan R

SUHARTONO
2008 Lab. Statistik Komputasi, ITS, Surabaya
ANALISISDATASTATISTIK
DENGAN
sht90
Dedicatedto
When the Lord created the world and people to live in it an enterprise
which, according to modern science, took a very long time I could well
imagine that He reasoned with Himself as follows: If I make everything
predictable, these human beings, whom I have endowed with pretty good brains,
will undoubtedly learn to predict everything, and they will thereupon have no
motive to do anything at all, because they will recognize that the future is
totally determined and cannot be influenced by any human action. On the other
hand, if I make everything unpredictable, they will gradually discover that
there is no rational basis for any decision whatsoever and, as in the first case,
they will thereupon have no motive to do anything at all. Neither scheme
would make sense. I must therefore create a mixture of the two. Let some
things be predictable and let others be unpredictable. They will then, amongst
many other things, have the very important task of finding out which is which.
Small Is Beautiful
E.F.SCHUMACHER
Untuk
Azizah, Alivia, Vanissa
ii
sht90
KataPengantar
KATAPENGANTAR
R adalah suatu sistem untuk analisis data yang termasuk kelompok software
statistik open source yang tidak memerlukan lisensi atau gratis, yang dikenal dengan
freeware. Sampai saat ini, pengguna statistika di Indonesia masih belum banyak yang
menggunakan R untuk keperluan analisis data. Sebagian besar pengguna statistika di
Indonesia masih menggunakan paketpaket statistik komersil, seperti SPSS, MINITAB,
Splus,SAS,atauEviews.Salahsatufaktorpenyebabnyaadalahmasihterbatasnyabuku
tentangRyangditerbitkandalambahasaIndonesia.
Buku ini bukan merupakan suatu buku teks tentang teoriteori dalam analisis
statistik,tetapilebihmerupakanbukuterapantentangmetodemetodestatistikdengan
penggunaan R. Tujuan penulisan buku ini adalah untuk menunjukkan bagaimana cara
melakukan analisis data statistik dengan menggunakan R. Dalam hal ini, ditunjukkan
bagaimanaRsebagaisuatupaketstatistikyangpowerfuldanmenyediakansistemgrafik
yang baik untuk mendukung analisis. Jika proses perhitungan dalam analisis data
menjadimudah,makaenergidaripenggunastatistikadiharapkandapatlebihdifokuskan
padapemahamantentangdatayangdianalisis.
BukuiniditujukanuntukpenggunaRsecaraumumsebagaipetunjukpengantar
pemakaian R untuk analisis data statistik. Selain itu, buku ini juga diharapkan dapat
dipakaidikelaskelaspadapengajaranstatistikabaikdileveldasarataupunlevellanjut
denganteknikteknikanalisisstatistiktertentu.Saatinibukuinidigunakansebagaisalah
satureferensipadamatakuliahAnalisisDataIdanIIdiProgramSarjana(S1)danmata
kuliah Analisis Data di Program Magister (S2) Jurusan Statistika, Institut Teknologi
SepuluhNopember(ITS),Surabaya.
PaketRmemilikifasilitasyangsangatbanyakuntukanalisisdatastatistik,mulai
dari metode yang klasik sampai dengan yang modern. Pada Bab 1 diuraikan tentang
paketstatistikR,yaitutentangsejarahsingkat,caramemperolehdanmenginstal,serta
fasilitas RGUI (Graphical User Interface) atau RCommander dan cara menginstalnya.
Bab2dan3membahastentangmanajemendatadiR,khususnyadenganmenggunakan
fasilitasdiRCommanderdanperintahlangsungdiRConsole.
Analisisgrafik padaR dijelaskanpada Bab 4, khususnya penggunaan fasilitas di
RCommander.PadaBab5dibahastentangpenggunaanfasilitasdiRCommanderuntuk
perhitungan fungsi distribusi peluang, yang mencakup perhitungan peluang pada
distribusikontinudandiskrit.Bahasantentanganalisisstatistikdeskriptifdijelaskanpada
Bab 6. Pada Bab 7 dijelaskan tentang penggunaan fasilitas di RCommander untuk
analisisstatistikinferensi,yangmencakupujihipotesistentangratarata,proporsi,dan
varians.DalamBab8dibahastentanganalisisregresilinear.Padabagianakhirdaribab
ini diberikan ringkasan beberapa perintah dan library yang berkaitan dengan analisis
regresi.
iii
sht90
KataPengantar
Bahasan tentang penggunaan fasilitas di RCommander untuk model linear

tergeneralisir(GLM)dijelaskanpadaBab9.DalamBab10dibahastentanganalisisgrafik
dengan menggunakan perintah langsung di RConsole atau command line. Bab 11
membahastentangpenggunaanRuntukanalisisruntunwaktu.Dalambab ini adatiga
subbab utama tentang modelmodel dalam analisis runtun waktu yang dibahas, yaitu
model tren linear, model eksponensial smoothing, dan model ARIMA. Di akhir bab ini
diberikan pula ringkasan beberapa perintah dan library yang berkaitan dengan analisis
runtunwaktu.
Pada Bab 12 dijelaskan tentang penggunaan R untuk analisis multivariat, yang
mencakuptentangAnalisisFaktor,AnalisisDiskriminan,danAnalisisCluster.DalamBab
13 dijelaskan tentang model regresi nonparametrik dan estimasi densitas. Fokus
pembahasan adalah pada regresi dengan kernel dan spline. Di akhir bab ini juga
diberikanringkasanbeberapaperintahdanlibraryyangberkaitandenganaplikasikernel
danspline.
Selanjutnya,padaBab14dibahastentangmodelnonlinear.Dalambabinijuga
dibahas tentang beberapa uji statistik untuk deteksi hubungan nonlinear, yaitu Uji
Ramseys RESET,Uji White, dan UjiTerasvirta. Pada akhirnya,dalam Bab 15 dijelaskan
tentangpengantarpemrogramandiR.
Padakesempatanini,penulismengucapkanterimakasihyangsebesarbesarnya
kepadadosendosenpenulisyangtelahbanyakmenginspirasiperkembanganakademik
penulis, khususnya Drs. Kresnayana Yahya, M.Sc. dan Ir. Dwiatmono A.W., M.Ikom.
selamapenulismenempuhS1diITSSurabaya,Prof.T.SubbaRaodanDr.JingsongYuan
dari Department of Mathematics, University of Manchester, United Kingdom, selama
penulismenempuhS2,danProf.Subanar,Ph.D.selamapenulismenempuhS3diUGM
Yogyakarta. Penulis juga mengucapkan banyak terima kasih kepada kolegakolega
akademik penulis yang telah banyak membantu dalam proses penulisan buku ini,
khususnya R. Mohamad Atok, S.Si., M.Si. dan Wahyu Wibowo, S.Si., M.Si. Akhirnya,
penulisjugamengucapkanbanyakterimakasihkepadamahasiswa/ipenulis,khususnya
mahasiswa/i S1 Statistika 2005 yang telah melakukan download paket dan library R
secarabersamasamasehinggabanyaklibrary(hampir1000library)yangsekarangtelah
tersediadandapatdiaktifkan.
Masukandanumpanbalikdaripembacasangatdiharapkanuntukperbaikanisi
bukuini.Pembacadapatmengirimkansarandankritikmelaluiemailkealamatpenulis,
yaitu suhartono@statistika.its.ac.id atau har_arema@yahoo.com. Semoga buku ini
dapatmemberikanmanfaat,khususnyabagiperkembanganilmustatistikadiIndonesia
dansecaraumumbagiparapembaca.
Surabaya,29September2008
Penulis,
Suhartono
iv
sht90
DaftarIsi
DAFTARISI

KATAPENGANTAR
hal.
iv
DAFTARISI
vi
BAB1.PAKETSTATISTIKR
1.1Pendahuluan
1.2 SejarahSingkatR
1.3CaraMemperolehR,PaketdanLibrary
1.4InstalasiRdalamSistemOperasiWindows
1.5GUIRCommanderdanInstalasinyadalamSistemOperasiWindows
1.6ManajemenDirektoriKerjadiR
1.7Fasilitashelp
1.7.1Mencarihelpdarisuatuperintah(command)tertentu
1.7.2Menggunakanhelpsearchengine
1.7.3OnlineSearchEngine
1
1
1
1
2
4
6
10
10
12
15
BAB2.MANAJEMENDATADIPAKETR
2.1DataEntrymenggunakanRGuidenganRCommander
2.2 MenampilkandatayangsedangaktifdiRCommander
2.3 EditingdatadiRCommander
2.4 ImportingdatadiRCommander
2.4.1ImportingdatafileExceldiRCommander
2.4.2ImportingdatafileSPSSdiRCommander
2.4.3ImportingdatafileMINITABdiRCommander
16
16
19
20
20
20
22
22
24
25
25
27
2.5 Memilihdatasetyangaktif
2.6 Transformasidatasetataupengaturanvariabelpadadataset
2.6.1Recodeataukodeulangpeubah
2.6.2Computeatauhitungpeubahbaru
BAB3.MANAJEMENDATADIRDENGANCOMMANDLINE
3.1JenisjenisDataObjek
3.1.1DataArraySatuDimensiatauDataVektor
3.1.2DataMatriks
3.1.3DataFrame
3.1.4DataList
29
30
30
31
34
37
38
38
39
41
3.2 ImportingDatapadaCommandLine
3.2.1MembacaFileASCII
3.2.2ImportingDataFileExcel
3.2.3ImportingDatadariPaketStatistik
sht90
DaftarIsi
BAB4.GRAFIKMENGGUNAKANRCommander
4.1GrafikdalamRGUI
4.2 GrafikHistogram
4.3 DiagramDahandanDaun(StemandLeaf)
4.4 GrafikBoxPlot
4.5 GrafikQQPlot
4.6 GrafikDiagramPencar(ScatterPlot)
4.7 GrafikPlotRatarata(Mean)
4.8 DiagramBatang(BarChart)
4.9 DiagramLingkaran(PieChart)
4.10PlotIndeks
43
45
46
48
50
51
53
55
56
57
58
BAB5.FUNGSIDISTRIBUSIPELUANGDIRCommander
5.1FungsiDistribusiKontinu
5.1.1MenghitungKuantildariDistribusiNormal
5.1.2MenghitungPeluangdariDistribusiNormal
5.1.3MembuatPlotdariDistribusiNormal
5.1.4MembangkitkanDatadariDistribusiNormal
61
62
62
64
65
67
70
71
72
74
76
5.2FungsiDistribusiDiskrit
5.2.1MenghitungKuantildariDistribusiBinomial
5.2.2MenghitungPeluangdariDistribusiBinomial
5.2.3MembuatPlotdariDistribusiBinomial
5.2.4MembangkitkanDatadariDistribusiBinomial
BAB6.STATISTIKDESKRIPTIFMENGGUNAKANRCommander
6.1RingkasanNumerik(Summary)
6.1.1RingkasanNumerikdariSemuaVariabel
6.1.2RingkasanNumerikuntukSuatuVariabel
80
81
81
83
85
86
88
89
91
92
94
6.2 DistribusiFrekuensi
6.3 TabelStatistika
6.4 MatriksKorelasi
6.5 UjiKorelasi
6.6 UjiKenormalanShapiroWilk
6.7 TabelKontingensiDuaArah
6.8 EntryLangsungDataFrekuensiuntukTabelKotingensiDuaArah
BAB7.STATISTIKINFERENSIMENGGUNAKANRCommander
7.1PengujianRatarata(Mean)
7.1.1PengujianRataratasampeltunggal
7.1.2PengujianPerbedaanRatarataDuasampelsalingbebas
7.1.3PengujianPerbedaanRatarataSampelBerpasangan
vi
97
99
99
102
107
sht90
DaftarIsi
7.1.4AnalisisVarianssatuarah(OnewayANOVA)
7.1.5AnalisisVariansduaarah(MultiwayANOVA)
110
115
7.2PengujianKesamaanVariansi
7.2.1PengujianKesamaanDuaVariansi
7.2.2UjiBartlett
7.2.3UjiLevene
118
118
120
121
7.3PengujianProporsi
7.3.1PengujianProporsiSampelTunggal
7.3.2PengujianProporsiDuaSampel
122
123
125
BAB8.ANALISISREGRESIMENGGUNAKANRCommander
128
128
132
137
8.1RegresiLinear
8.2ModelLinear
8.3CekDiagnosaKesesuaianModelRegresiLinear
8.4 Rangkumanperintahdanlibraryyangberkaitandengan
AnalisisRegresi
144
BAB9.GENERALIZEDLINEARMODELMENGGUNAKANRCommander
158
9.1PengantarTeoriModelLinearTergeneralisir
9.2ContohKasusModelLinearTergeneralisirdenganRCommander
158
161
BAB10.GRAFIKMENGGUNAKANRCLI
10.1 FungsifungsiPlotUtama

10.1.1Perintahplot()

10.1.2 Perintahqqnorm(x),qqline(x),qqplot(x,y)

10.1.3 Perintahhist(x)

10.1.4 Perintahimage(x,y,z,),contour(x,y,z,),persp(x,y,z,)

10.1.5 Argumenargumenuntukfungsiplotutama
166
168
168
172
176
177
178
10.2 FungsifungsiPlotTambahan
10.3 FungsifungsiPlotyangbersifatinteraktif
10.4 NotasiMatematikapadaPlot
10.5 Settingparametergrafik
179
180
180
182
BAB11.ANALISISRUNTUNWAKTUDENGANR
11.1 ModelTrendLinear
11.2.ModelExponentialSmoothing

11.2.1 ModelHoltWintersAditif

11.2.2 ModelHoltWintersMultiplikatif

11.2.3 ModelEksponensialGanda

11.2.4 ModelEksponensialSmoothingSederhana
184
185
187
189
193
195
196
198
203
11.3 ModelARIMA

11.3.1 ContohKasusModelARIMANonmusimanyangStasioner
vii
sht90
DaftarIsi
11.3.2
11.3.3
11.3.4
11.3.5
ContohKasusModelNonmusimanyangTidakStasioner
ModelARIMAMusiman
ContohKasusModelARIMAMusiman
KriteriaPemilihanModel
11.4 Rangkumanperintahdanlibraryyangberkaitandengan
AnalisisRuntunWaktu
211
216
219
225
227
BAB12. ANALISISMULTIVARIATDENGANR
230
12.1 AnalisisFaktor
12.2 AnalisisDiskriminan
12.3 AnalisisCluster
230
232
234
BAB13. REGRESINONPARAMETRIKDANESTIMASIDENSITAS
237
237
241
243
249
254
13.1 EstimasiDensitasdenganKernel
13.2 RegresiNonparametrikdenganKernel
13.3 RegresiNonparametrikdenganSpline
13.4 JenisjenisBasisSpline
13.5 RangkumanlibraryuntukAplikasiKerneldanSpline
BAB14. MODELNONLINEAR
256
14.1 EstimasiModelRegresiNonlinear
14.2 PerintahnlsdanSSasympOriguntukestimasimodelnonlinear
14.3 UjiDeteksiHubunganNonlinear

14.3.1 UjiRamsey'sRESET

14.3.2 UjiWhite

14.3.3 UjiTerasvirta
256
259
263
263
267
274
BAB15. PENGENALANPEMROGRAMANDALAMR
277
15.1 PenulisanFungsi
15.2 TypeDatadanOperator
15.3 ControlFlowdidalamR
15.4 Beberapatopikyangberhubungandenganfungsi
15.4.1 Argumendarisuatufungsi
15.4.2 Mengaturtampilandarioutput
277
280
281
284
284
286
15.5 Contohcontohfungsi
289
DAFTARPUSTAKA
292
DAFTARINDEKS
295
TENTANGPENULIS
298
viii
sht90
PaketStatistikR
BAB1
PAKETSTATISTIKR
1.1. Pendahuluan
Secara umum ada dua macam kelompok paket software statistik untuk
keperluan analisis data, yaitu kelompok software komersil dan kelompok software
statistik open source atau freeware. Beberapa contoh software statistik komersil yang
populardiIndonesiaadalahSPSS, MINITAB,Eviews,SAS,danSplus.Sedangkancontoh
dari freeware statistik antara lain R, Open Stats, SalStat, Vista, dan lainlain (lihat
http://www.statistics.com/content/freesoft/AZlisting.html).
Softwarestatistikyangkomersilmensyaratkanlisensidenganhargayangrelatif
sangat mahal untuk ukuran sebagian besar pengguna di Indonesia. Dengan demikian,
salah satu alternatif penyelesaian dari mahalnya lisensi tersebut adalah melalui
penggunaanfreewarestatistik,khususnyaR.
1.2. SejarahSingkatR
R dalam versi terakhirnya, yaitu versi 2.7.2 per 25 Agustus 2008, merupakan
suatusistemanalisisdatastatistikyangkompletsebagaihasildarikolaborasipenelitian
berbagai ahli statistik (statistisi) di seluruh dunia. Versi awal dari R dibuat pada tahun
1992diUniversitasAuckland,NewZealandolehRossIhakadanRobertGentleman.Pada
saat ini, source code kernel R dikembangkan terutama oleh R Core Team yang
beranggotakan 17 orang statistisi dari berbagai penjuru dunia (lihat http://www.r
project.org/contributors.html).Selainitu,parastatistisilainpenggunaRdiseluruhdunia
jugamemberikankontribusiberupakode,melaporkanbug,danmembuatdokumentasi
untukR.
Paket statistik R bersifat multiplatforms, dengan file instalasi binary/file tar
tersedia untuk sistem operasi Windows, Mac OS, Mac OS X, Linux, Free BSD, NetBSD,
irix,Solaris,AIX,danHPUX.Secaraumum,sintaksdaribahasaRadalahekuivalendengan
paket statistik Splus, sehingga sebagian besar keperluan analisis statistika, dan
pemrogramandenganRadalahhampiridentikdenganperintahyangdikenaldiSplus.
1.3. CaraMemperolehR,PaketdanLibrary
R dapat diperoleh secara gratis di CRANarchive yaitu The Comprehensice R
Archive Network di alamat http://cran.rproject.org. Pada server CRAN ini dapat
didownloadfileinstalasibinarydansourcecodedariRbasesystemdalamsistemoperasi
Windows(semuaversi),beberapajenisdistrolinux,danMacintosh.
Fungsi dan kemampuan dari R sebagian besar dapat diperoleh melalui Addon
packages/library.Suatulibraryadalahkumpulanperintahataufungsiyangdapatdi
sht90
PaketStatistikR
gunakan untuk melakukan analisis tertentu. Sebagai contoh, fungsi untuk melakukan
analisis time series dapat diperoleh di library ts. Instalasi standar dari R akan memuat
berbagailibrarydasar,antaralainbase,datasets,graphics,utils,danstats.Librarylain
hasilkontribusidaripenggunaR(diluaryangstandar)harusdiinstalsatupersatusesuai
denganyangdibutuhkanuntukanalisis.Daftarsemualibraryyangtersediadapatdiakses
darilinkdownloadCRANdialamathttp://cran.rproject.org.
1.4. InstalasiRdalamSistemOperasiWindows
Tahapan utama sebelum melakukan instalasi R dalam sitem operasi Windows
adalah mendownload file R2.7.2win32.exe yang dapat diperoleh di http://cran.r
project.org.Setelahitu,langkahlangkahinstalasiRdapatdilakukansepertiberikut:
Klikduakali(doubleclick)fileR2.7.2win32.exeyangterdapatpadadirektoriyang
telah disediakan, maka akan muncul jendela dialog seperti pada Gambar 1.1.
berikutini.
Gambar1.1.JendeladialogawalinstalasiRdalamsitemoperasiWindows
Setelah itu, lanjutkan jalannya proses instalasi dengan mengikuti Wizard dan
menggunakanpilihanpilihandefaultinstalasi.
Jika proses instalasi telah selesai, klik Finish untuk keluar dari proses instalasi.
Apabila semua proses berjalan dengan sukses, maka pada Desktop Windows dan
StartMenudariWindowsakanterdapatShortcutdariRsepertipadaGambar1.2.
berikutini.
sht90
PaketStatistikR
Gambar1.2.ShortcutdariR
Langkah terakhir jika instalasi R telah selesai adalah melakukan pengecekan atau
pengujianapakahprogramRdapatberjalandenganbaik.Lakukanklikduakalipada
shortcut R di Desktop atau pada Start Menu. Jika instalasi berlangsung dengan
baik,makajendelaprogramRakanterbukasepertiyangterlihatpadaGambar1.3.
Gambar1.3.JendelaawalprogramR,jikainstalasiberjalansukses
JikaselesaibekerjadenganR,makauntukkeluardariRdapatdilakukandengandua
cara,yaitu:
1. Ketikkanq()padacommandlinediRconsole,yaitu
>q()
2. PilihmenuFile,pilihExit,dankemudianklikYespadadialogSaveWorkspace
Image.
sht90
PaketStatistikR
1.5. GUIRCommanderdanInstalasinyadalamSistemOperasiWindows
Pada awalnya, interaksi utama antara pengguna dengan R adalah bersifat
Command Line Interface (CLI). Dengan demikian, untuk dapat menggunakan R di
perlukan penyesuaianpenyesuaian bagi pengguna yang telah terbiasa dengan fasilitas
Point and Click Graphical User Interface (GUI). Untungnya, pada saat ini telah tersedia
beberapaGUIsederhanauntukkeperluanbeberapaanalisisstatistikatertentu,khusus
nyayangberkaitandenganmanajemendatadiR.LibraryRcommanderyangterdiridari
Rcmdr, RcmdrPlugin.TechingDemos, RcmdrPlugin.epack, RcmdrPlugin.HH, dan
RcmdrPlugin.FactoMineR,merupakanlibrarytambahandariRuntukmemfasilitasiGUI
yangdapatdigunakanuntukberbagaianalisisstatistikadasar.
Instalasi libray Rcommander dapat dilakukan apabila filefile library di atas
sudah didownload dari server CRAN. Jika instalasi untuk R telah selesai dan berjalan
sukses,makalangkahlangkahuntukintalasiRcommanderadalahsebagaiberikut:
1. Pertama, jalankan program R sampai jendela program R terbuka (seperti yang
terlihatpadaGambar1.3diatas).
2. UntukmenginstalRcommander,pilihmenuPackages,pilihInstallpackage(s)from
localzipfiles.KemudianarahkanlokasipadadialogLookinkedirektoridimana
file Rcmdr_1.310.zip, RcmdrPlugin.HH_1.15.zip, RcmdrPlugin.epack_1.01.zip,
RcmdrPlugin.TechingDemos_1.310.zip, RcmdrPlugin.FactoMineR_1.00.zip. Pilih
semuafiletersebut,sepertiyangterlihatpadajendeladialogpadaGambar1.4.
Gambar1.4.JendeladialoguntukinstalasiRcommander
sht90
PaketStatistikR
Kemudian klik Open, maka R akan menginstal paket Rcommander yang ditandai
dengandialogberikutpadajendelaRconsole.
>utils:::menuInstallLocal()
package 'RcmdrPlugin.TeachingDemos' successfully unpacked and MD5 sums
checked
package'Rcmdr'successfullyunpackedandMD5sumschecked
package'RcmdrPlugin.epack'successfullyunpackedandMD5sumschecked
package 'RcmdrPlugin.FactoMineR' successfully unpacked and MD5 sums
checked
package'RcmdrPlugin.HH'successfullyunpackedandMD5sumschecked
updatingHTMLpackagedescriptions
>
3. PaketRcommanderdapatdijalankandenganduacarayangberbeda,yaitu:
Dengan mengetikkan perintah library(Rcmdr) pada jendela Rconsole dan

menekanEntersatukali.
>library(Rcmdr)
MemilihmenuPackages,pilihLoadpackagedankemudianmemilihRcmdr
pada daftar paket library yang telah terinstal, seperti yang terlihat pada
Gambar1.5.
Gambar1.5.JendeladialoguntukmenjalankanRcommander
sht90
PaketStatistikR
Apabila proses instalasi paket Rcommander berjalan dengan sukses, maka paket
RcommandertersebutakandiloadingdanmunculsepertipadaGambar1.6berikut
ini.
Gambar1.6.JendelaawaldaripaketlibraryRcommander
Pada saat ini, bahasa yang digunakan dalam paket Rcommander sudah ada yang
dalam bahasa Indonesia sebagai hasil pengembangan dan kontribusi statistisi di
Indonesia.
4. Untuk keluar dari paket Rcommander dan sekaligus R dapat dilakukan dengan
memilihmenuFile,pilihKeluar,danklikpadapilihanDariCommanderdanRyang
tersediadijendelaRcommander.
1.6. ManajemenDirektoriKerjadiR
CarakerjadariRadalahsamadenganSplus,yaitubekerjadengansatudirektori
untuk satu projek. R akan menyimpan file image dari semua obyek atau internal data
dan history dari semua perintah yang pernah diketikkan di jendela Rconsole pada
direktorikerjasecaraotomatisataudefaultdenganfileberekstensi.Rdata.Lokasi
sht90
PaketStatistikR
default dari direktori kerja R adalah direktori C:\Program Files\R\R2.7.2. Untuk

keperluan pekerjaan seharihari yang menggunakan R akan lebih baik jika dilakukan
padadirektoritersendiri,misalnyadirektoridengannamayangsesuaidenganpekerjaan
yangdijalankan.Dengandemikianakanmemudahkandalammelihathistorydanobyek
yangberhubungandenganpekerjaantersebut.
1.6.1. Mengubahlokasidirektorikerjaatauworkspace
Berikut ini adalah langkahlangkah yang dapat digunakan untuk membuat
direktorikhususdarisuatupekerjaandenganmenggunakanR.
Misalkan kita telah mempunyai direktori C:\Kerja_dg_R (buatlah direktori ini jika
belum ada). Langkah pertama, buatlah satu direktori baru di C:\Kerja_dg_R
dengan nama direktori Nama_Pekerjaan, misalkan Kerja1. Dengan demikian,
padatahapinidiperolehsuatudirektoribaruyaitu
C:\Kerja_dg_R\Kerja1.
BuatlahcopydarishortcutprogramRdidesktopwindow,danrenameshortcutini
sebagai shortcut Kerja1. Sehingga di desktop window muncul shortcut Kerja1
sepertiGambar1.7berikutini.
Gambar1.7.ShortcutdidesktopwindowdengannamaKerja1
Kemudian arahkan mouse pada shortcut tersebut dan klik kanan. Pilih Properties
danganti informasipadakolomStartin menjadi C:\Kerja_dg_R\Kerja1 seperti
yangterlihatpadaGambar1.8,setelahituklikOK.
Untuk mengetahui perubahan lokasi direktori kerja di R, lakukan klik dua kali
pada icon shortcut Kerja1 untuk menjalankan R. Sebagai ilustrasi sederhana, ketikkan
beberapabarisperintahberikutinisetelahjendelaRterbuka.
>x=1:15
>y=x+5
>x
[1]123456789101112131415
>y
[1]67891011121314151617181920
sht90
PaketStatistikR
C:\Program Files\R\R-2.7.2\bin\Rgui.exe
Gambar1.8.PerubahanlokasidirektorikerjakeC:\Kerja_dg_R\Kerja1
Setelah mengetikkan beberapa baris perintah di atas, lakukan keluar dari R

dengan memilihmenuFile/Exit. Padadialogpertanyaan Save workspaceimage?, klik
pada pilihan YES. Sekarang, jika dilakukan browsing di direktori C:\Kerja_dg_R\Kerja1
makaakanditemukansatufilebernama.Rdatayangmerupakannamadefaultfileimage
daridirektorikerja,danfileyanglainbernama.Rhistoryyangmerupakannamadefault
darifileyangberisikanhistorydarisemuaperintahyangpernahdiketikkan.Keduafileini
secara default akan diloading oleh R pada saat dijalankan untuk suatu sesi pekerjaan.
History dan data dari suatu sesi terakhir (yang telah tersimpan sebelum keluar) dapat
diakses pada jendela Rconsole dengan menggunakan tanda panah ke atas dan ke
bawah.
sht90
PaketStatistikR
1.6.2. Menyimpanimagedirektorikerja
Pada bagian sebelumnya telah dijelaskan bagaimana semua obyek yang
digunakan dalam satu sesi pemakaian R, yaitu mulai dibukanya program R sampai
ditutup kembali, akan disimpan secara default ke dalam file .Rdata. Supaya filefile
pekerjaan lebih terorganisir, R memberikan fasilitas tambahan untuk menyimpan data
atauobyek yang digunakandalamsetiap sesiR ke dalam file workspacetertentu yang
memiliki ekstensi .Rdata. Filefile ini selanjutnya dapat diload kembali jika diperlukan.
Sebagai contoh, jalankan program R dan ketikkan beberapa perintah berikut ini ke
dalamjendelaRconsole.
>x=1:15
>y=x+5
>x
[1]123456789101112131415
>y
[1]67891011121314151617181920
Prosespenyimpanandataatauobyek,yaituxdanysepertiyangtertulisdiatas,
kedalamdirektoriC:\Kerja_dg_R\Kerja1dengannamafilecoba1.Rdatadapatdilakukan
dengan menggunakan menu File, dan pilih Save Workspace . Selanjutnya lakukan
keluar dari R, dan pilih No (yang berarti tidak menyimpan imag dari file kerja) pada
dialogSaveWorkspaceImage?SekarangjalankankembaliprogramR,makadataatau
obyekdifilecoba1.Rdatadapatdiloadkembalidenganmenggunakanduamacamcara,
yaitu:
PilihmenuFile,danpilihLoadWorkspace,dansetelahitupilihfiledidirektori
C:\Kerja_dg_R\Kerja1dengannamacoba1.Rdata
GunakanperintahberikutpadajendelaRconsole
>load("C:\\Kerja_dg_R\\Kerja1\\Coba1.RData")
>objects()
[1]"x""y"
>x
[1]123456789101112131415
>y
[1]67891011121314151617181920
DarijendelakotakRconsolediatasdapatdilihatbahwasemuaobyekyangdikerjakan
pada sesi sebelumnya telah berhasil diload kembali. Dengan cara yang sama, semua
historydariperintahpadasuatusesidapatdisimpanmelaluimenuFile,danpilihSave
sht90
PaketStatistikR
History . Untuk melakukan load kembali history pada sesi sebelumnya yang sudah
tersimpan ini, dapat dilakukan dengan melalui menu File, dan pilih Load History ,
kemudianpilihnamafilehistoryyangakandipanggilkembalitersebut.HistorydarisesiR
yang telah diload ini dapat diakses dengan menggunakan tanda panah ke atas dan ke
bawah.
1.7. Fasilitashelp
Secara umum ada beberapa fasilitas help dari R yang dapat diakses dengan
berbagaicara,antaralain:
Mencarihelpdarisuatuperintah(command)tertentu
Menggunakanhelpsearchengine
OnlineSearchEngine
1.7.1. Mencarihelpdarisuatuperintah(command)tertentu
Adabeberapaperintahyangdapatdigunakanuntukmencarihelpataubantuan
terhadap suatu fungsi atau perintah dari R yang telah diketahui namanya. Sebagai
contoh, jika ingin diketahui secara detail tentang suatu perintah atau fungsi R yang
bernama plot, maka pada jendela Rconsole dapat diketikkan salah satu perintah
berikutini,yaitu:
>help(plot)
>?plot
Jendela help yang sama dapat juga diperoleh dengan menggunakan menu dengan
pilihanHelp, dan pilihR function (text)dan setelahjendeladialogmuncul,ketikkan
kataplotsepertiyangterlihatpadaGambar1.9berikutini.
Gambar1.9.Jendeladialoghelpuntuksuatufungsiatauperintah
10
sht90
PaketStatistikR
Setelah salah satu dari perintah di atas dijalankan, maka akan ditampilkan
bagian dari jendela help dari perintah plot seperti yang terlihat pada Gambar 1.10
berikutini.
Gambar1.10.Hasilpencarianhelpuntuksuatufungsiplot
Penjelasandarijendelahasilpencarianhelpuntukfungsiplotiniadalahsebagaiberikut:
Ada dua kolom jendela yang muncul, yaitu kolom kiri tentang index dari fungsi
atau perintah yang dicari (misal plot), dan kolom kanan adalah hasil atau
penjelasandaripencarianfungsiyangingindiketahui.
Pada bagian kiri atas kolom jendela hasil help adalah tentang keterangan nama
dari perintah atau fungsi yang sedang ditampilkan dan nama paket atau library
yangmemuatperintahtersebut.Dalamcontohdiatas,untukperintahplotdapat
dilihatbahwaperintahplotinitersimpandalampaketataulibrarygraphics..
Padasetiapjendelahelpdarisuatuperintahsecaraumumakanmemuatbagian
bagianberikut:
Description:uraiansingkattentangperintahtersebut
Usage:uraiantentangsyntaxperintahuntukpenggunaanperintahtersebut.
Arguments:uraiantentangargumenargumenyangdiperlukandarifungsi
atauperintahtersebut.
Details:uraianyanglebihlengkap(daripadayangdiberikanpadabagian
description)tentangperintahtersebut.
11
sht90
PaketStatistikR
Values:uraiantentangoutputperintahtersebut.
Author(s):uraiantentangauthordariperintahtersebut.
References:uraiantentangreferensiyangdapatdigunakanuntuk
memperolehketeranganlebihlanjutdariperintahtersebut.
Seealso:bagianiniberisidaftarperintahataufungsiyangberkaitan
eratdenganperintahtersebut.
Example:bagianiniberisicontohcontohpenggunaanperintahtersebut.
1.7.2. Menggunakanhelpsearchengine
Metodepencarianhelplainyangdapatdilakukanadalahdenganmenggunakan
pencarianterhadapkatakunci.Beberapametodeyangdapatdilakukanuntuktujuan
inidapatdijelaskansepertiberikutini.
a.Menggunakanperintahapropos(katakunci)
Perintah ini dapat digunakan untuk memperoleh daftar perintahperintah dari
semua paketatau library yangtelah terinstal pada sistem Ryang memuat suatukata
kunci.Berikutiniadalahcontohhasilperintahapropos(plot).
>apropos("plot")
[1]".__C__recordedplot"
[4]"barplot.default"
[7]"boxplot.default"
[10]"coplot"
[13]"lag.plot"
[16]"mosaicplot"
[19]"plot.density"
[22]"plot.lm"
[25]"plot.spec"
[28]"plot.stepfun"
[31]"plot.window"
[34]"qqplot"
[37]"savePlot"
[40]"sunflowerplot"
>
"assocplot"
"biplot"
"boxplot.stats"
"fourfoldplot"
"matplot"
"plot"
"plot.design"
"plot.mlm"
"plot.spec.coherency"
"plot.ts"
"plot.xy"
"recordPlot"
"screeplot"
"termplot"
"barplot"
"boxplot"
"cdplot"
"interaction.plot"
"monthplot"
"plot.default"
"plot.ecdf"
"plot.new"
"plot.spec.phase"
"plot.TukeyHSD"
"preplot"
"replayPlot"
"spineplot"
"ts.plot"
Dari hasil jendela di Rconsole tersebut dapat dilihat output yang memuat kata kunci
plotdalamsuatunamaperintah.Outputyangdiperolehakanberbedadantergantung
padalibraryyangterinstalpadakomputer.
Output yang sama dapat pula diperoleh dengan menggunakan menu utama
pada pilihan Help, kemudian pilih Apropos dan selanjutnya ketik plot pada jendela
dialogsepertiyangterlihatpadaGambar1.11berikutini.
12
sht90
PaketStatistikR
Gambar1.11.JendeladialogAproposuntukpencariansuatuperintah
b.Menggunakanperintahhelp.search(katakunci)
Perintah ini akan melakukan pencarian terhadap sebuah string bernama kata
kuncidisemuapaketataulibraryyangtelahterinstalpadasistemR.Berikutiniadalah
contohperintahhelp.search(plot)padajendelaRconsole.
>help.search("plot")
HasildariperintahtersebutdapatdilihatpadaGambar1.12berikutini.
Gambar1.12.Hasilpencarianhelpdenganperintahhelp.search(plot)
13
sht90
PaketStatistikR
Dari hasil untuk contoh di atas dapat dilihat keterangan nama perintah atau fungsi
besertanamapaketataulibrary(katayangdidalamkurung)yangmemuatstringplot.
Output yang diperoleh akan berbeda dan tergantung pada library yang terinstal pada
komputer.
Output yang sama dapat pula diperoleh dengan menggunakan menu utama
pada pilihan Help,kemudian pilih Searchhelp dan selanjutnyaketik plot padajendela
dialogsepertiyangterlihatpadaGambar1.13berikutini.
Gambar1.13.JendeladialogSearchhelpuntukpencariansuatuperintah
c.Menggunakanversihtmldarijendelahelp
Tampilan dari help dalam versi html dapat diperoleh melalui fungsi atau
perintah help.start() pada jendela Rconsole. Selain itu, jendela help dalam html ini
dapatpuladibukamenggunakanmenupadapilihanHelp,dankemudianpilihHtmlhelp.
Berikutiniadalahcontohhelp.start()padajendelaRconsole.
>help.start()
HasildariperintahtersebutdapatdilihatpadaGambar1.14.Beberapaketeranganatau
uraiandarihasiljendelahelpversihtmladalahsebagaiberikut:
Pada bagian Manuals, diperoleh daftar link dari semua file manual dalam versi
htmldariR.Versifilepdfdarifilemanualinidapatdiaksesmelaluimenuutama
Help,danpilihaManuals(inPdf)dariR.
Pada bagian Reference terdiri dari dua informasi utama, yaitu tentang Package
yang berisi daftar semua paket atau library yang telah diinstal pada sistem, dan
tentang Search Engine & Keywords yang dapat digunakan untuk pencarian kata
kunci(keywords)dalamsemuapaketataulibraryyangtelahdiinstaldalamsistem
Ryangadadikomputer.
14
sht90
PaketStatistikR
PadabagianMiscellaneousMaterialterdiridaribeberapalinkbeberapainformasi
tambahanyangpentinguntukdiketahuilebihlanjut.
Gambar1.14.Hasilpencarianhelpdalamversihtmldenganperintahhelp.start()
1.7.3. OnlineSearchEngine
Informasi tentang R secara online dapat dicari dengan menggunakan search
engine di alamat http:\\cran.rproject.org\search.html. Pada alamat tersebut dapat
diperolehsemuainformasitentangRyangadadalamsitusCRAN,informasisemuapaket
ataulibraryyangtersediauntukR,danditambahinformasiyangtersediapadaarchive
mailinglistrhelp@stat.math.ethz.ch.
15
sht90
ManajemendatadiPaketR
BAB2
MANAJEMENDATADIPAKETR
Manajemendatayangmeliputidataentry,edit,importdanexport,merupakan
suatulangkahyangpentingdalamanalisisstatistika.Adabeberapamacamdanukuran
datayangdapatdiolahmenggunakanR.Secaraumum,minimaladaduamacambentuk
data yang dapat diolah, yaitu data yang dimasukkan langsung lewat R editor melalui
keyboard, dan data yang sudah ditulis menggunakan Program Sheet lain, seperti Text,
SPSS, MINITAB, Access ataupun dBase. R menyediakan dua cara untuk melakukan
manajemen data, yaitu menggunakan RGUI dan melalui command line di Rconsole.
Pada bab ini, pembahasan tentang manajemen data difokuskan yang melalui RGUI,
khususnyapemakaianRCommander.
2.1. DataEntrymenggunakanRGuidenganRCommander
Padatahapawal,aktifkankembaliprogramRdenganmengklikiconshortcutnya.
KemudianloadlibraryRCommanderdenganmengetikkanperintahlibrary(Rcmdr)pada
jendela Rconsole, dan tunggu sampai RCommander selesai diloading. Jika proses
berjalansuksesmakaakannampakjendelaRCommandersepertipadaGambar2.1.
Gambar2.1.JendelaawaldaripaketlibraryRcommanderyangsuksesdiloading
16
sht90
PengisiandatasecaralangsungviaRdenganmenggunakanRcommanderdapat
dilakukan melalui menu Data, dan pilih Dataset baru . Setelah itu, jendela dialog
pengisiannamadatasetakanditampilkan,sepertiyangterlihatpadaGambar2.2.Pada
kotakdialognamadataset,tuliskanlatihan1sebagainamadatasetbarutersebut.
Gambar2.2.Jendeladialogpengisiannamadataset
KemudianklikOK,danjendelaRGuiDataEditorakanterbukasepertipadaGambar2.3
berikutini.
Gambar2.3.JendelaRGuiDataEditoruntukpengisiandata
Pengisiannamavariabeldilakukandengancaraklikpadakolompalingatasdari
data editor. Sebagai contoh, untuk mengisikan nama variabel pertama, misalnya
responden,klikpadavar1.KemudianpadajendelaVariableeditorsepertiyangterlihat
pada Gambar 2.4, isikan responden sebagai variable name dan tipe data adalah
character(karenayangakandiisikanpadakolominiadalahnamanamaresponden).
17
sht90
Gambar2.4.JendelaVariableeditoruntukpengisiannamavariabel
Sebagailatihan,isikandatatentangnamamahasiswa,nilaiUANtigamatapelajaran,dan
IPKsemester1,berikutinikedalamRDataeditor.
Responden
Adi
Budi
Dany
Eka
Fery
Nuri
Rury
Matematika
BIndonesia
BInggris
IPK1
8.0
7.6
6.9
8.9
9.5
7.3
6.5
9.1
8.8
8.1
9.2
9.6
8.7
7.5
8.4
8.5
7.2
9.0
9.5
7.9
8.2
3.35
3.02
2.90
3.42
3.75
3.26
2.76
Padadasarnya,prosespengisiandatainiadalahsamadenganpaketstatistikyanglain,
yaitu mulai isiannama kolom dan tipe data yangdiinputkan (numeric ataucharacter).
Setelah semua data selesai diinputkan, maka akan diperoleh tampilan Data Editor
sepertiberikutini.
Gambar2.5.JendelaDataEditorsetelahsemuadataselesaidiisikan
18
sht90
Setelah dilakukan data entry, maka tutup jendela R Data Editor diatas untuk
mengakhiri proses data entry. Pada jendela RCommander terlihat Data set yang
dengan nama latihan1 saat ini sedang aktif, seperti yang terlihat pada Gambar 2.6.
Untuk menampilkan data yang sedang aktif di Jendela Keluaran RCommander, tulis
namadatasetyaitulatihan1diJendelaSkrip,kemudianklikKirim,makaakanterlihat
datasepertiberikutini.
Gambar2.6.JendelaRCommandersetelahdilakukanprosesentrydata
2.2.MenampilkandatayangsedangaktifdiRCommander
Untukmenampilkandatayangsedangaktifdimemori,lakukandenganmengklik
tombolLihatdataset.Setelahitujendeladataakandibukadanmenampilkandatayang
sedangaktifdimemorikomputersaatini,yaitudatalatihan1berikutini.
Gambar2.7.Jendeladatalatihan1yangsedangaktifdimemori
19
sht90
2.3.EditingdatadiRCommander
Untuk melakukan editing terhadap data latihan1, lakukan dengan mengklik
tombolEdit data set.Setelah itujendelaData Editor akandibukakembali,danproses
editingdatadapatlangsungdilakukanpadadatadatayangsalahketik.Jikaeditingtelah
selesai dilakukan, tutup jendela Data Editor untuk kembali ke jendela Rcommander.
HasileditingyangtelahdilakukandapatdilihatdenganklikpadatombolLihatdataset.
2.4.ImportingdatadiRCommander
Seperti yang telah dijelaskan pada bagian sebelumnya, secara umum proses
data entry di RCommander dapat dilakukan dengan dua macam cara, yaitu dilakukan
langsung melalui Data Editor dan melalui import data dari format data yang diberikan
olehprogramlain.ProgramyangformatdatanyadapatdibacaolehRadalahdatadari
fileteksatauclipboard,datasetSPSS,datasetMINITAB,datasetSTATA,datadariExcel,
Access,ataudBase,sepertiyangterlihatpadajendelamenuberikut.
Gambar2.8.JendelaImpordatapadaRCommander
Pada bagian berikut ini akan dijelaskan penggunaan impor data dari Excel, SPSS, dan
MINITAB. Untuk file dari program yang lain, proses impor data melalui RCommander
dapat dilakukan secara sama dengan cara mengimpor data dari program Excel, SPSS,
ataupunMINITAB.
2.4.1.ImportingdatafileExceldiRCommander
MisalkansajadatafileExcelbelumada,danakandibuatterlebihdahulu.Buka
programExcel,setelahituisikandatatentangrespondendiatassehinggadiperolehdata
ExcelsepertiyangterlihatpadaGambar2.9.
20
sht90
Gambar2.9.JendeladatapadaExcelyangakandiimporkeR
Langkah selanjutnya, simpan file ini sebagai file text (yaitu tab delimited txt), dengan
nama data1.txt di direktori C:\Kerja_R\. Untuk mengimpor data file ini kedalam
RCommander,pilihlahpadaRCommandermenuData,pilihImpordata,dankemudian
pilihdarifileteksatauclipboard.Padajendeladialogyangmuncul,isikaninformasi
namauntukdataset,namavariabel,danlainlain,sepertiberikutini.
Gambar2.10.JendeladialogImpordatadarifileteksatauclipboard
21
sht90
Dalam hal ini, data hasil impor akan disimpan kedalam RCommander dengan
nama latihan2. Data ini diimpor dengan Pemisah Field/Medan adalah spasi. Klik OK,
kemudian akan muncul untuk melakukan browsing ke lokasi dari file teks yang akan
diimpor.ArahkankedirektoriC:\Kerja_R\danpilihfiledata1.txt.KemudianklikOpen,
maka sekarang data yang berada pada file data1.txt telah diimpor kedalam R
Commanderdengan nama latihan2.Sekarang, data set yang aktif pada RCommander
adalahlatihan2sepertiyangterlihatpadaGambar2.11.GunakantombolLihatdataset
untukmelihathasilimpordataini.
Gambar2.11.Jendeladialoghasilimpordatadanlatihan2sebagaidatasetaktif
2.4.2.ImportingdatafileSPSSdiRCommander
Proses impor data eksternal yang telah disimpan sebagai file SPSS, dapat
dilakukan dengan memilih pada RCommander menu Data, pilih Impor data, dan
kemudianpilihdaridatasetSPSS.Padajendeladialogyangmuncul,isikaninformasi
namauntukdataset(misallatihan3)sepertiberikutini.
Gambar2.12.JendeladialogImporDatasetSPSS
22
sht90
KlikOK,danselanjutnyaarahkankedirektoritempatpenyimpananfileSPSSyangakan
diimpor, misalkan saja di C:\Kerja_R\ dengan nama data2.sav. Kemudian klik Open,
maka data hasil impor dari file data2.sav akan disimpan kedalam file latihan3. Pada
jendelaRCommanderterlihatdatasetlatihan3sedangaktif,sepertipadaGambar2.13.
KliktombolLihatdatasetuntukmelihathasilimpordataini.
2.4.3.ImportingdatafileMINITABdiRCommander
Proses impor data eksternal yang telah disimpan sebagai file MINITAB adalah
ekuivalendenganimpordatateksatauSPSSsebelumnya,yaitudapatdilakukandengan
memilih pada RCommander menu Data, pilih Impor data, dan kemudian pilih dari
datasetMinitab.Padajendeladialogyangmuncul,isikaninformasinamauntukdata
set(misallatihan4)sepertiberikutini.
Gambar2.14.JendeladialogImporDatasetMINITAB
Klik OK, dan selanjutnya arahkan ke direktori tempat penyimpanan file MINITAB yang
akandiimpor,misalkansajadiC:\Kerja_R\dengannamadata3.MTP(MinitabPortable
Worksheet,lakukanpadasaatsaveasdiMinitab).KemudianklikOpen,makadatahasil
impor dari file data3.MTP akan disimpan kedalam file latihan4. Pada jendela R
Commander terlihat data set latihan4 sedang aktif, seperti pada Gambar 2.15. Klik
tombolLihatdatasetuntukmelihathasilimpordataini.
23
sht90
2.5.Memilihdatasetyangaktif
Pemilihan dataset yang aktif pada RCommander dapat dilakukan dengan
menggunakan menu Data, pilih Dataset aktif, dan kemudian klik Pilih dataset aktif
sepertiberikutini.
Gambar2.16.Jendeladialoguntukmemilihmenudatasetyangsedangaktif
24
sht90
Selanjutnya, pilihlah dataset yang ingin diaktifkan dengan melakukan klik pada nama
datasetyangdipilih,kemudianklikOKsepertiberikutini.
Gambar2.17.Jendeladialoguntukmemilihdatasetyangsedangaktif
2.6.Transformasidatasetataupengaturanvariabelpadadataset
AdabeberapamenuuntuktransformasidatasetpadaRCommander,antaralain
recode atau kode ulang peubah, compute atau hitung peubah baru, standarisasi
peubah,dan lainnya.Secaralengkap,transformasi datasetyangdapatdilakukandapat
dilihatpadaGambar2.18.
Gambar2.18.Beberapamenuuntukmelakukantransformasidataset
2.6.1.Recodeataukodeulangpeubah
Kodeulangpeubahmerupakanpilihanmenupertamapadapengaturanvariabel
dataset. Misalkan saja akan dilakukan recode atau kode ulang pada variabel IPK dari
datasetlatihan4.
25
sht90
RangenilaiIPK
Nilaikodebaru
<3.00
3.003.50
>3.50
Langkahlangkahpengkodeandapatdilakukansebagaiberikut.
BukamenurecodedenganmemilihmenuDatapadaRCommander,kemudianpilih
Atur peubah pada dataset aktif, dan selanjutnya pilih Kode ulang peubah .
Selanjutnyaakandiperolehtampilansepertiberikut.
Gambar2.19.JendelapilihanKodeulangPeubah
Kemudianarahkankevariabelipk,dannamakanhasilrecodesebagaiipk_recode.
Informasipengkodeandapatdijelaskandenganmenggunakaninformasiberikut:
0.00:2.99 = 1
3.00:3.49 = 2
else
= 3
Klik OK, dan sekarang jika dilihat pada dataset latihan4, akan diperoleh variabel
baruyaituipk_recodeyangberisikandatahasilpengkodeanulangdariipk.Lakukan
denganklikLihatdataset,sehinggadiperolehtampilandatasepertiberikut.
26
sht90
Gambar2.20.JendeladatahasilKodeulangPeubahipkmenjadiipk_recode
2.6.2.Computeatauhitungpeubahbaru
Pilihanmenuhitung peubah barudapatdigunakanuntukmembentukvariabel
baruyangmerupakanfungsidarivariabelyangsudahada.Misalkansajaakandilakukan
transformasi terhadap variabeltinggipadadataset latihan4 menjadi variabel lain yang
dengannamatinggi_compute,yaitutinggi:100.
Langkahlangkahtransformasiiniadalahsebagaiberikut.
Pertamatama, aktifkan dataset yang akan dilakukan transformasi compute, yaitu

latihan4padaRCommander.
BukamenuHitungpeubahbarudenganmemilihmenuData,kemudianpilihAtur
peubahpadadatasetaktif,danselanjutnyapilihHitungpeubahbaru.Selanjutnya
akandiperolehtampilansepertipadaGambar2.21.
Selanjutnyaisikantinggi_computepadakolomNamapeubahbarudantinggi/100
padakolomEkspresiuntukdihitungsepertiyangterlihatpadaGambar2.21.
Klik OK, dan sekarang jika dilihat pada dataset latihan4, akan diperoleh variabel
baru yaitu tinggi_compute yang berisikan data hasil transformasi compute pada
variabeltinggi.LakukandenganklikLihatdataset,sehinggadiperolehtampilandata
baru pada kolom terakhir yaitu tinggi_compute yang merupakan hasil bagi dari
variabeltinggidengan100.
27
sht90
Gambar2.21.JendelapilihanHitungpeubahbaru
Pengaturanatautransformasilainpadadatasetyangaktifdapatpuladilakukan
dengan menjalankan menu Data, pilih Atur peubah pada dataset aktif, dan arahkan
padatransformasiyangakanditerapkan.Bagianinihanyamenjelaskanduatransformasi
awal dari pilihan menu yang ada, yaitu recode dan compute. Transformasi lain yang
dapatdilakukanpadaRCommanderadalah:
Tambahkanbanyaknyapengamatankedataset
Standarisasipeubah
Konversipeubahnumerikkefaktor
Binpeubahnumerik
Aturulanglevelfaktor
Definisikankontrasdanfaktor
Namakanulangpeubah
Hapuspeubahdaridataset
28
sht90
ManajemenDatadiRdenganCommandLine
BAB3
MANAJEMENDATADIRDENGANCOMMANDLINE
Pada R, data yang ada dipandang sebagai suatu objek yang memiliki suatu
attributesatausifat.Sifatdataditentukanolehtypedatadanmodedata.Adaberbagai
typedatayangdikenalolehR,antaralainvektor,matriks,list,dataframe,array,factor,
dan function (builtin command). Sedangkan mode data yang dikenal R ada 4 macam
sepertiyangterlihatpadaTabel3.1berikutini.
Tabel3.1.EmpatmacammodedatayangdikenalR
Mode
ContohperintahdiCommandLine
Numeric
>23
>c(2.3,2,1.3,3.2)
>data.bulan=c(1,2,3,4,5,6,7,8,9,10,11,12)
Complex
>1+5i
>sqrt(as.complex(5))
Logical
>c(T,F,F,T,T,F,F,T,T,T)
>data.tahun>1998
Character
>c(Budi,Wati,Rony,Naily)
>c(F,T,2)
Nama objekdalamRharusdimulaidenganhuruf,ditambahdengankombinasi
darihurufbesar,hurufkecil,angkadantitik.Penggunaantitikbiasanyadilakukanuntuk
memudahkan pengorganisasian data. Berikut ini adalah beberapa contoh dari nama
objekyangvalid.
databudi
data.budi
data.budi.1
data.budi.5
data.budi.no7.02.02.08
Contohdarinamaobjekyangtidakvalid(invalid)adalahsebagaiberikut:
1databudi
databudi
databudi=1
:dimulaidariangka
:operatortidakdapatdigunakan
:operator=tidakdapatdigunakan
Dalam R versi 2.7.2 ini, assignment dapat digunakan dengan operator < dan =.
Untuk melihat isi dari suatu data objek, dapat dilakukan dengan mengetikkan nama
objektersebutdiRpromptpadaRconsole.
29
sht90
3.1.JenisjenisDataObjek
Pada bagian ini akan dijelaskan beberapa jenis data objek pada R, yaitu data
arraysatudimensiataudatavektor,datamatriks,dataframe,dandatalist.
3.1.1.DataArraySatuDimensiatauDataVektor
Vektor merupakan suatu array atau himpunan bilangan, character atau string,
logicalvalue,danmerupakanobjekpalingdasaryangdikenaldalamR.Padadatavektor
harusdigunakanmodetunggalpadadata,sehinggagabunganduadataataulebihyang
berbedamodetidakdapatdilakukankedalamsatuobjekvektor.Jikainidilakukan,maka
Rakanmengubahdatakemodeyanglebihumum,seperticontohberikutini.
>c(T,1:10)
[1]112345678910
>c("A",F,T)
[1]"A""FALSE""TRUE"
>c("A",2,4,F,T)
[1]"A""2""4""FALSE""TRUE"
>x=c(1:10)
>x
[1]12345678910
>mode(x)
[1]"numeric"
>length(x)
[1]10
Pada contoh pertama dapat dilihat bahwa pada command line menghasilkan vektor
yang semua data diubah menjadi mode numerik, sedangkan pada contoh kedua dan
ketigamenghasilkanvektoryangsemuadatanyadiubahmenjadimodekarakter.Untuk
mengetahuimodesuatuobjekvektordapatdilakukandenganmenggunakancommand
modesepertipadacontohdiatas.Jumlahataupanjangdatayangbertipevektordapat
diketahuidenganmemanfaatkanfungsilength(perhatikancontohdiatas).
Ekstraksi sebagian data vektor dapat dilakukan dengan berbagai cara atau
langkah. Dalam praktek analisis data statistik, ekstraksi ini biasanya dilakukan untuk
pembentukandatabaruberdasarkandatayangsudahada.Berikutiniadalahbeberapa
contohhasilekstraksidarisuatudatavektoryangterdiridari10elemen,yaitu10,5,14,
12,8,11,9,10,16,20.
30
sht90
>x=c(10,5,14,12,8,11,9,10,16,20)
>x#untukmelihatsemuaelemenobjekvektorx
[1]10514128119101620
>x[2]#menampilkanelemenkedua
[1]5
>x[c(1,3,7)]#menampilkanelemenke1,3,7
[1]10149
>x[c(2,8)]#menampilkansemuaelemenkecualielemenke2,8
[1]10141281191620
>x[x>10]#menampilkansemuaelemenyanglebihbesardari10
[1]1412111620
>y=x[x>10]#menyimpanvektorygelemennyalebihbesardari10dgnnamay
>y
[1]1412111620
3.1.2.DataMatriks
Matriks atau data array dua dimensi adalah salah satu tipe data yang banyak
digunakandalampemrogramanstatistik.SebagianbesarfungsifungsistatistikdalamR
dapat dianalisis dengan menggunakan bentuk matriks. Bentuk matriks ini juga banyak
digunakanpadaoperasifungsifungsibuiltinuntukaljabarlineardalamR,sepertiuntuk
penyelesaiansuatupersamaanlinear.
Proses entry data matriks dilakukan dengan menggunakan fungsi matrix.
Argumen yang diperlukan adalah elemenelemen dari matriks, dan argumen optional
yaitu banyaknya baris nrow dan banyaknya kolom ncolom. Sebagai contoh, gunakan
perintahperintahberikutinipadaRconsole.
>matriks.1=matrix(c(1,2,3,4,5,6),nrow=2,ncol=3)
>matriks.2=matrix(1:6,nrow=2,ncol=3)
>matriks.3=matrix(1:6,nrow=2)
>matriks.4=matrix(1:6,2)
>matriks.1
[,1][,2][,3]
[1,]135
[2,]246
Keempatperintahdiatasakanmenghasilkanmatriksyangsama.Untukmengetahuinya
ketikkan matriks.2, matriks.3, matriks.4, dan kemudian enter untuk masingmasing
perintahtersebut.
31
sht90
PadaR,datasecaradefaultakandiisikankolomperkolomsepertiyangterlihat
padacontohberikutini.
>data=c(6.4,8.8,7.5,5.3,7.6,9.5)
>data
[1]6.48.87.55.37.69.5
>matriks.a=matrix(data,nrow=3,ncol=2)
>matriks.a
[,1][,2]
[1,]6.45.3
[2,]8.87.6
[3,]7.59.5
Pengisian matriks menurut baris perbaris dapat dilakukan dengan menggunakan

argumen optional byrow=T pada command matrix. Berikut ini adalah contoh tentang
penggunaanargumentersebut.
>matriks.b=matrix(data,nrow=3,ncol=2,byrow=T)
>matriks.b
[,1][,2]
[1,]6.48.8
[2,]7.55.3
[3,]7.69.5
>dim(matriks.a)
[1]32
>length(matriks.a)
[1]6
>mode(matriks.a)
[1]"numeric"
Dimensi, length dan mode dari suatu matriks dapat dilihat dengan menggunakan
perintahdim,length,danmodesepertipadacontohdiatas.Perludiingatbahwasemua
elemendarimatriksharusmemilikimodeyangsama.Jikahal initidakdipenuhi,maka
elemenelemenakandiubahmenjadimodeyangpalingumum.
Adabeberapaoperatoryangbiasadigunakanuntukoperasimatriksdanvektor,
antara lain perkalian, invers matriks, transpose matriks dan crossproduct. Ringkasan
darioperatoroperatorinidapatdilihatpadaTabel2.2.
32
sht90
Tabel3.2.Operatoruntukoperasimatriksdanvektor
Operator
Keterangan
Perkalianelemendemielemendarimatriks
%*%
Perkalianmatriks
%o%
Outer
solve
Inversdarisuatumatriks
Transposedarisuatumatriks
crossprod
Crossproductsuatumatriks,yaitut(x)%*%x
Berikutiniadalahbeberapacontohhasilpenggunaanoperatorpadasuatumatriksdan
vektor.
>a=1:5
>a
[1]12345
>a*a#perkalianelemendemielemendarimatriksa
[1]1491625
>crossprod(a)#crossproduckdarimatriksa,yaitut(a)%*%a
[,1]
[1,]55
>b=matrix(c(1:4),2)
>b
[,1][,2]
[1,]13
[2,]24
>b*b#perkalianelemendemielemendarimatriksb
[,1][,2]
[1,]19
[2,]416
>b%*%b#perkalianmatriksbdenganmatriksb
[,1][,2]
[1,]715
[2,]1022
>solve(b)#inversdarimatriksb
[,1][,2]
[1,]21.5
[2,]10.5
33
sht90
Pada R, dapat pula dilakukan penggabungan satu kolom atau satu baris baru
kedalam matriks lain. Hal ini dapat dilakukan dengan menggunakan perintah rbind
(untukmenambahkankebaris)dancbind(untukmenambahkankekolom).Perhatikan
contohcontohberikutini.
>a=matrix(c(3,4,5,6,7,8),2,3)
>a
[,1][,2][,3]
[1,]357
[2,]468
>a1=cbind(a,c(1,2))#menambahkankekolomke4daria
>a1
[,1][,2][,3][,4]
[1,]3571
[2,]4682
>a2=cbind(c(1,2),a)#menambahkankekolomke1daria
>a2
[,1][,2][,3][,4]
[1,]1357
[2,]2468
>a3=rbind(a,c(1,2,3))#menambahkankebariske3daria
>a3
[,1][,2][,3]
[1,]357
[2,]468
[3,]123
>a4=rbind(c(1,2,3),a)#menambahkankebariske1daria
>a4
[,1][,2][,3]
[1,]123
[2,]357
[3,]468
3.1.3.DataFrame
Data frame merupakan objek yang mempunyai bentuk sama dengan matriks,
yaitu terdiri atas baris dan kolom. Perbedaannya adalah data frame dapat terdiri atas
mode data yang berbedabeda untuk setiap kolomnya. Misalkan saja, kolom pertama
adalahnumeric,kolomkeduaadalahstring/character,dankolomketigaadalahlogical.
Objekdataframedapatdibuatdenganmenggunakanperintahdata.frame,sepertipada
contohcontohberikutini.
34
sht90
>data.frame(c(1:4),c(T,T,F,F))
c.1.4.c.T..T..F..F.
11TRUE
22TRUE
33FALSE
44FALSE
>data.frame(nomer=c(1:4),jawaban=c(T,T,F,F))#adanamakolom
nomerjawaban
11TRUE
22TRUE
33FALSE
44FALSE
>cobaframe=data.frame(c(1:4),c(T,T,F,F))#simpanobjekdicobaframe
>cobaframe
c.1.4.c.T..T..F..F.
11TRUE
22TRUE
33FALSE
44FALSE
>names(cobaframe)[1]="nomer"#namakolomke1nomer
>names(cobaframe)[2]="jawaban"#namakolomke2jawaban
>cobaframe
nomerjawaban
11TRUE
22TRUE
33FALSE
44FALSE
>cobaframe1=data.frame(c(1:4),c(T,T,F,F))
>cobaframe1
c.1.4.c.T..T..F..F.
11TRUE
22TRUE
33FALSE
44FALSE
>names(cobaframe1)=c("nomer","jawaban")#berinamakolom
>cobaframe1
nomerjawaban
11TRUE
22TRUE
33FALSE
44FALSE
35
sht90
Secaraumum,perintahperintahdiatasadalahekuivalendenganperintahberikutini.
>cobaframe2=data.frame(nomer=c(1:4),jawaban=c(T,T,F,F))
>cobaframe2
nomerjawaban
11TRUE
22TRUE
33FALSE
44FALSE
Seperti pada data vektor, ekstraksi sebagian data pada matriks dan data frame dapat
puladilakukandenganberbagaicaraataulangkah.Berikutiniadalahbeberapacontoh
hasilekstraksidarisuatumatriksdandataframe.
>matriks.1=matrix(1:9,3)
>dataframe.1=data.frame(nomer=1:4,nama=c("Adi","Budi","Cika","Dony"),
nilai=7:10)
>matriks.1
[,1][,2][,3]
[1,]147
[2,]258
[3,]369
>matriks.1[2,2]
[1]5
>dataframe.1
nomernamanilai
11Adi7
22Budi8
33Cika9
44Dony10
>dataframe.1[2,2]
[1]Budi
Levels:AdiBudiCikaDony
>dataframe.1["nama"]
nama
1Adi
2Budi
3Cika
4Dony
36
sht90
3.1.4.DataList
Datalistmerupakanobjekyangpalingumumataugeneraldanpalingfleksibeldi
dalamR.Listadalahsuatuvektorterurutdarisekumpulankomponen.Setiapkomponen
dapat berupa sembarang data objek, yaitu vektor, matriks, data frame, atau data list
sendiri.Tiapkomponenpadadatalistdapatmempunyaimodeyangberbeda.Datalist
dapatdibuatdenganmenggunakanperintahlist.Berikutiniadalahcontohpendefinisian
danpemakaianelemenlist.
>list(c(1:3),c(T,F,T,T),data.frame(nama=c("Budi","Cika","Dony"),nilai=c(8:10)))
[[1]]
[1]123
[[2]]
[1]TRUEFALSETRUETRUE
[[3]]
namanilai
1Budi8
2Cika9
3Dony10
>datalist.1=list(nomer=c(1:3),jawaban=c(T,F,T,T),nilaiframe=data.frame(nama
=c("Budi","Cika","Dony"),nilai=c(8:10)))
>datalist.1
$nomer
[1]123
$jawaban
$nilaiframe
namanilai
1Budi8
2Cika9
3Dony10
Seperti pada jenisjenis data sebelumnya, ekstraksi sebagian data pada data list dapat
puladilakukandenganberbagaicaraataulangkah.Berikutiniadalahbeberapacontoh
hasilekstraksidarisuatudatalist.
37
sht90
>datalist.1[1]#mengaksesnamadanelemenpertama
$nomer
[1]123
>datalist.1[[1]]#mengakseselemenpertama
[1]123
>datalist.1$nomer#mengakseselemenpertamaberdasarkannamanya
[1]123
>datalist.1$jawaban#mengakseselemenkedua
>datalist.1$nilaiframe#mengakseselemendataframe
namanilai
1Budi8
2Cika9
3Dony10
>datalist.1$nilaiframe$nama
[1]BudiCikaDony
Levels:BudiCikaDony
3.2.ImportingDatapadaCommandLine
Secaraumum,prosesimportingdatapadaRdapatdilakukandenganduacara,
yaitumenggunakanperintahperintahdicommandlinedanmenggunakanfasilitasGUI
RCmdr (lihat bagian 2.1 sebelumnya). Pada bagian ini akan dijelaskan penggunaan
perintahpadacommandlineuntukimportingdata.
3.2.1.MembacaFileASCII
Suatu file ASCII biasanya terdiri dari bilanganbilangan yang dipisahkan meng
gunakan spasi, tab, tanda akhir baris atau tanda baris baru, serta pembatas yang lain.
MisalkandatafileASCIIyangdibuatdiNOTEPADdengannamalatihan5.txtberisidata
sepertiberikutini.
50 28 75 35 49 64 88 94 54 34 28 56
87 42 33 67 31 98 58 47 37 66 64 25
66 35 87 58 93 86 69 29 96 86 57 80
38
sht90
Anggap bahwa file ASCII dengan nama latihan5.txt ini sudah tersimpan pada direktori
kerja R. Proses impor data dapat dilakukan dengan perintah scan dan latihan5.txt
sebagai argumennya. Apabila data tidakberada padadirektori kerjaR, maka tulisjuga
direktori tersebut pada argumennya. Berikut ini adalah contoh proses impor data file
ASCII.
>scan("latihan5.txt")
Read36items
[1]50287535496488945434285687423367319858473766642566
[26]3587589386692996865780
>data5.scan=scan("latihan5.txt")
Read36items
>data5.scan
[1]50287535496488945434285687423367319858473766642566
[26]3587589386692996865780
>matrix5.scan=matrix(scan("latihan5.txt"),6)
Read36items
>matrix5.scan
[,1][,2][,3][,4][,5][,6]
[1,]508887586669
[2,]289442473529
[3,]755433378796
[4,]353467665886
[5,]492831649357
[6,]645698258680
>data6.scan=scan("c:\\Kerja_R\\latihan5.txt")
Read36items
>data6.scan
[1]50287535496488945434285687423367319858473766642566
[26]3587589386692996865780
3.2.2.ImportingDataFileExcel
Data file Excel dengan ekstensi .XLS dapat diimpor secara langsung meng
gunakanfasilitasGUIRCmdr(lihatbagiansebelumnya).Untukdapatdiimporkedalam
R dengan fasilitas command line, maka data file Excel harus terlebih dulu diubah
menjadiformatTextTabDelimited(ekstensi.TXT)atauCSVcommadelimited(ekstensi
.CSV). Setelah itu, data ini dapat diimpor menggunakan perintah read.table atau
read.csv.
39
sht90
Misalkan saja data file Excel yang akan diimpor adalah seperti pada gambar
berikutinidantelahdisimpanmenjadifiledata1.txtataudata1.csv.
Gambar3.1.Jendeladata1.txtpadaExcelyangakandiimporkeR
Proses impordata1.txtdapatdilakukandenganperintahread.table,sedangkan,impor
data1.csv dilakukan dengan perintah read.csv. Argumen optional header=T digunakan
dengan tujuan agar R menggunakan baris pertama dari file sebagai header atau nama
darivariabel.Sepertipadabagiansebelumnya,apabiladatatidakberadapadadirektori
kerjaR,makatulisjugadirektoritersebutpadaargumennya.Berikutiniadalahcontoh
prosesimpordatafiledenganekstensi.TXTdan.CSV.
>latihan2<read.table("data1.txt",header=TRUE)#atau
>latihan2<read.table("c:\\Kerja_R\\data1.txt",header=TRUE)#atau
>latihan2<read.table("c:/Kerja_R/data1.txt",header=TRUE)
>latihan2
1
2
3
4
5
6
7
Responden Matematika BIndonesia BInggris IPK1

Adi
8.0
9.1
8.4 3.35
Budi
7.6
8.8
8.5 3.02
Dany
6.9
8.1
7.2 2.90
Eka
8.9
9.2
9.0 3.42
Fery
9.5
9.6
9.5 3.75
Nuri
7.3
8.7
7.9 3.26
Rury
6.5
7.5
8.2 2.76
40
sht90
>latihan3<read.csv("data1.csv",header=TRUE)
>latihan3
1
2
3
4
5
6
7
Responden.Matematika.BIndonesia.BInggris.IPK1
Adi;8;9.1;8.4;3.35
Budi;7.6;8.8;8.5;3.02
Dany;6.9;8.1;7.2;2.9
Eka;8.9;9.2;9;3.42
Fery;9.5;9.6;9.5;3.75
Nuri;7.3;8.7;7.9;3.26
Rury;6.5;7.5;8.2;2.76
3.2.3.ImportingDatadariPaketStatistik
R mempunyai paket atau library foreign untuk melakukan importing data dari
filedalamformatpaketstatistikayanglain.SampaisaatiniyangtersediapadaRadalah
importingdatafiledaripaketpaketstatistikaberikut:
MINITAB
: gunakanperintahread.mtpuntukmembacafileMinitab
PortableWorksheetataudatadenganekstensi.MTP.
FileinidapatdibuatdiMINITABdenganperintahSAVEAS
danpilihan.MTP
SPSS
: gunakanperintahread.spssuntukmembacafile.SAV.
SAS
: gunakanperintahread.ssdatauread.xport.
S+
: gunakanperintahread.S
STATA
: gunakanperintahread.dta
Systat
: gunakanperinahread.systat
Epiinfo
: gunakanperintahread.epiinfountukmembacafile.REC.
Pada bagian ini akan diberikan contoh hanya untuk mengimpor data file SPSS
danMINITAByangseringkalidigunakandalamanalisisdatastatistik.Misalkandatafile
SPSS yang sudah dimiliki diberi nama WORLD95.SAV dan telah disimpan di direktori
kerjaR.ProsesimpordatainikedalamRdenganmenggunakanperintahcommandline
adalahsebagaiberikut.
41
sht90
>latihan4<read.spss("World95.sav",use.value.labels=TRUE,
max.value.labels=Inf,to.data.frame=TRUE)
>latihan4[,1:5]#hanyamenampilkan5kolompertamasaja
1
2
3
4
5
6
COUNTRY POPULATN DENSITY URBAN RELIGION

Afghanistan
20500
25.0
18 Muslim
Argentina
33900
12.0
86 Catholic
Armenia
3700
126.0
68 Orthodox
Australia
17800
2.3
85 Protstnt
Austria
8000
94.0
58 Catholic
Azerbaijan
7400
86.0
54 Muslim
Perintah use.value.labels=TRUE digunakan untuk mendapatkan variabel yang bertipe

FACTORdenganvaluelabelsepertiyangadapadadatafilediSPSS.
BerikutiniadalahprosesimpordatafileMINITABdalamekstensi.MTPkedalam
Rdenganmenggunakanperintahcommandline.MisalkandatafileMINITAByangsudah
dimilikiadalahFA.MTWdantelahdisimpankedalamekstensi.MTPmenjadiFA.MTP.
>latihan5<read.mtp("C:/Kerja_R/Fa.MTP")
>latihan5
$X
[1]1081391114641275
$Y1
[1]8.046.957.588.818.339.967.244.2610.844.825.68
$Y2
[1]9.148.148.748.779.268.106.133.109.137.264.74
$Y3
[1]7.466.7712.747.117.818.846.085.398.156.425.73
$X4
[1]888888819888
$Y4
[1]6.585.767.718.848.477.045.2512.505.567.916.89
42
sht90
GrafikMenggunakanRCommander
BAB4
GRAFIKMENGGUNAKANRCommander
Pada bab ini akan dibahas penggunaan RCommander untuk membuat

penyajianstatistikdeskriptifdarisuatukumpulandata.Fokusutamaadalahpembuatan
beberapamacambentukgrafikyangbanyakdigunakandalamanalisisdata.
Sebagai langkah awal, buka kembali program R dengan mengklik icon R 2.7.2.
Kemudian, ubah direktori dimana file workspace berada. Misalkan file latihan4.RData
(hasil impor data SPSS dengan nama file WORLD95.SAV) ada di C:\Kerja_R, maka
direktori diubah ke C:\Kerja_R. Load file workspace tersebut dengan menggunakan
menuFile,pilihLoadWorkspacesepertipadagambarberikutini.
Gambar4.1.JendeladialoguntukLoadWorkspace
SetelahdiklikLoadWorkspacemakajendelaRakanmemberikanpilihandirektoridan
file workspace mana yang akan ditampilkan, seperti yang terlihat pada Gambar 4.2.
Pilihlahfileworkspacelatihan4.RDatayangadadidirektoriC:\Kerja_R.
43
sht90
Gambar4.2.Jendeladialoguntukpilihanfileworkspaceyangakandiaktifkan
LangkahselanjutnyaadalahmengaktifkanRcommanderdenganmenggunakan
perintahlibrary(Rcmdr).Setelahitu,aktifkandatasetdenganmenggunakanmenuData,
klikDatasetaktif,danPilihdatasetaktifsepertiyangditampilkanpadaGambar4.3.
Gambar4.3.Jendeladialoguntukmemilihdatasetyangakandiaktifkan
44
sht90
DaribeberapapilihanDatasetsyangada,kliklatihan4sebagaifileworkspaceyangakan
diaktifkan,sepertipadaGambar4.4.Dengandemikian,prosespengaktifankembalidata
latihan4 sudah dilakukan, dan proses analisis data baik secara statistik deskriptif atau
inferensdapatdilakukan.
Gambar4.4.Jendeladialoguntukpilihandatasetyangakandiaktifkan
4.1.GrafikdalamRGUI
R menyediakan banyak menu pilihan grafik pada RCommander, antara lain
Histogram, Diagram Batang dan Daun, Boxplot, dan lainlain. Secara lengkap pilihan
grafikyangtersediadapatdilihatpadagambarberikutini.
Gambar4.5.JendeladialoguntukpilihanGrafikpadaRCommander
45
sht90
4.2.GrafikHistogram
Menu yang digunakan untuk membuat grafik histogram adalah Grafik, pilih
Histogram . Misalkan akan dibuat histogram untuk variabel LIFEEXPF (usia harapan
hidup wanita di suatu negara), maka pada jendela dialog yang muncul, pilih LIFEEXPF
sepertipadaGambar4.5.IsikanjumlahintervalyangdiinginkanpadakolomBanyaknya
bin,danklikOKuntukmenampilkanoutputhistogramnya.
Gambar4.5.Jendeladialogpilihanvariabeluntukpembuatanhistogram
OutputhistogramuntukdataLIFEEXPFyangdiperolehdariperintahdiatasdapatdilihat
pada Gambar 4.6. Dalam contoh ini, digunakan metode auto untuk pemilihan jumlah
interval,yaitumetodeSturgesdanCacahanFrekuensiyangdigunakanuntuknilai(Skala
Sumbu) yang diplotkan pada histogram. Selain itu dapat digunakan pilihan Persentase
atauKepadatanpadaSkalaSumbu.
OutputhistograminidapatdisimpandenganmenggunakanmenuFile,danpilih
Saveasdarijendelagrafik.Pilihlahoutputyangsesuai,misalkansajadalamformatPDF.
Maka pilih format PDF dalam daftar format file output. Selanjutnya, beri nama file
output dengan histogramLIFEEXPF.PDF. Selain itu, output histogram ini dapat pula
disimpandalamformatMetafile,Postcript,Png,Bmp,danJpeg.
Jikafilehistograminiingindikopiuntukdiinsertkedalamprogramlain,misalkan
kedalamMicrosoftWord,makadapatdigunakanmenuFile,pilihCopytotheclipboard,
danpilihasaBitmapatauCtrlC.Kemudian,bukaprogramMicrosoftWord,makafile
grafikdapatdipastekanmenggunakanperintahCtrlV.
46
sht90
Gambar4.6.OutputhistogrampadavariabelLIFESXPF
SelainmenggunakanmenudiRCommander,pembuatanhistogramdapatjuga
dilakukan dengan command line di RConsole, yaitu dengan command hist diikuti
argumenoptionalyangdiinginkan.Berikutadalahcontohpembuatanhistogramdengan
commandlineuntukvariabelLIFEEXPFdanLIFEEXPM(usiaharapanhiduppriadisuatu
negara).
>Hist(latihan4$LIFEEXPF,scale="frequency",breaks="Sturges",col="darkgray")
>Hist(latihan4$LIFEEXPF,scale="frequency",breaks=10,col="darkgray")
>hist(latihan4$LIFEEXPF)
>#lihatperbedaanoutputhistogramyangdihasilkan
>Hist(latihan4$LIFEEXPM,scale="frequency",breaks="Sturges",col="darkgray")
>Hist(latihan4$LIFEEXPM,scale="frequency",breaks=10,col="darkgray")
>hist(latihan4$LIFEEXPM)
47
sht90
4.3.DiagramBatangdanDaun(StemandLeaf)
MenuyangdigunakanuntukmembuatdiagrambatangdandaunadalahGrafik,
pilihSajianBatangdanDaun.Misalkanakandibuatdiagrambatangdandaununtuk
variabel LIFEEXPF, maka pada jendela dialog yang muncul, pilih LIFEEXPF seperti pada
Gambar4.7.
Gambar4.7.Jendeladialoguntukpembuatandiagrambatangdandaun
Isikanargumenoptionalyang diinginkan padakolomkolomyang tersedia, dan klik OK

untuk menampilkan output diagram batang dan daun. Output dari diagram ini akan
ditampilkandiJendelaKeluaranpadaRCommandersepertipadaGambar4.8.
Outputtersebutmenjelaskanbahwabilanganpadadaunmenunjukkannilainilai
satuan. Sehingga dapat diinterpretasikan bahwa usia harapan hidup wanita yang
terendah adalah 43 tahun dan yang tertinggi adalah 82 tahun. Ada 3 (tiga) negara
dengan usia harapan hidup wanitanya sebesar 82 tahun. Dalam contoh ini, pilihan
Automatik menghasilkan diagram batang dan daun dengan jumlah kelas dalam setiap
batangadalah5kelasinterval.
48
sht90
>stem.leaf(latihan4$LIFEEXPF)
1 | 2: represents 12
leaf unit: 1
n: 109
LO: 43 44 44 45 45 46 47
9
5* | 00
12
t | 223
15
f | 455
17
s | 77
22
5. | 88889
6* |
23
t | 3
26
f | 455
32
s | 677777
39
6. | 8888899
45
7* | 000001
51
t | 222333
(14)
f | 44444555555555
44
s | 66666777777888888888
24
7. | 9999999
17
8* | 00000001111111
3
t | 222
Gambar4.8.OutputdiagrambatangdandaunpadavariabelLIFESXPF
Pembuatandiagrambatangdandauninidapatjugadilakukandengancommand
line di RConsole, yaitu dengan command stem.leaf diikuti argumen optional yang
diinginkan. Berikut adalah contoh pembuatan diagram batang dan daun dengan
commandlineuntukvariabelLIFEEXPFdanLIFEEXPM.
>stem.leaf(latihan4$LIFEEXPF)
>stem.leaf(latihan4$LIFEEXPF,m=2)
>stem.leaf(latihan4$LIFEEXPF,style="bare",unit=1)
>#lihatperbedaanoutputdiagrambatangdandaunyangdihasilkan
>stem.leaf(latihan4$LIFEEXPM)
>stem.leaf(latihan4$LIFEEXPM,m=3)
>stem.leaf(latihan4$LIFEEXPF,style="bare",unit=1)
49
sht90
4.4.GrafikBoxPlot
R menyediakan pilihan Boxplot pada menu Grafik untuk membuat tampilan
BoxPlot dari suatu data. Misalkan akan dibuat BoxPlot untuk variabel LIFEEXPF
berdasarkan RELIGION (kelompok agama mayoritas di negara tersebut), maka pada
jendeladialogyangmuncul,pilihLIFEEXPFsepertipadaGambar4.9.
Gambar4.9.JendeladialoguntukpilihanvariabeldalampembuatanBoxplot
Setelah itu, pilih Plot dengan kelompok sehingga diperoleh tampilan jendela seperti
padaGambar4.10.KlikRELIGIONsebagaivariabelkelompok,dankemudianklikOK.
Gambar4.10.JendeladialoguntukpilihanvariabelkelompokdalamBoxplot
OutputdariBoxPlotyangdiperolehakanditampilkandiJendelaKeluaranpada
RCommander seperti pada Gambar 4.11. Output tersebut menjelaskan bahwa usia
harapan hidup wanita di negara dengan mayoritas penduduknya beragama Jewish
(Yahudi)danProtestansecararatarataadalahpalingtinggidibandinglainnya.
50
sht90
Gambar4.11.OutputBoxPlotpadavariabelLIFESXPFberdasarkanRELIGION
Command line di RConsole dapat juga digunakan untuk pembuatan BoxPlot,

yaitu dengan command boxplot diikuti argumen optional yang diinginkan. Berikut
adalahcontohpembuatanBoxPlotdengancommandlineuntukvariabelLIFEEXPFdan
LIFEEXPMsendirisendiridanberdasarkanvariabelRELIGION.
>boxplot(latihan4$LIFEEXPF)
>boxplot(latihan4$LIFEEXPM)
>boxplot(LIFEEXPF~RELIGION,ylab="LIFEEXPF",xlab="RELIGION",data=latihan4)
>boxplot(latihan4$LIFEEXPF~latihan4$RELIGION)
>#lihatperbedaanoutputBoxPlotyangdihasilkan
4.5.GrafikQQPlot
QQPlot merupakan salah satu metode eksplorasi secara grafik yang dapat
digunakan untuk menguji apakah suatu data berdistribusi normal. Untuk membuat
grafik QQPlot, R menyediakan pilihan QQPlot pada menu Grafik. Misalkan akan
dibuat QQPlot untuk variabel LIFEEXPF, maka pada jendela dialog yang muncul, pilih
LIFEEXPFsepertipadaGambar4.12.
51
sht90
Gambar4.12.JendeladialoguntukpilihanvariabeldalampembuatanQQPlot
Kemudian pilih LIFEEXPF dari daftar variabel dan gunakan distribusi normal sebagai
distribusidefaultpadaQQPlot.KlikOK,makaakandiperolehgrafiksepertiberikut.
Gambar4.13.OutputQQPlotpadavariabelLIFESXPF
52
sht90
BerdasarkanoutputpadaGambar4.13dapatdijelaskanbahwavariabelLIFEEXPFtidak
berdistribusi normal dan data cenderung menceng ke kanan (ekor lebih panjang di
bagiankiri).Haliniterlihatjelasjugadarigrafikhistogramnya(lihatGambar4.6).
Command line di RConsole dapat juga digunakan untuk pembuatan QQPlot,
yaitu dengan command boxplot diikuti argumen optional yang diinginkan. Berikut
adalahcontohpembuatanBoxPlotdengancommandlineuntukvariabelLIFEEXPFdan
LIFEEXPMsendirisendiridanberdasarkanvariabelRELIGION.
>qq.plot(latihan4$LIFEEXPF,dist="norm",labels=FALSE)
>qq.plot(latihan4$LIFEEXPM,dist="norm",labels=FALSE)
4.6.GrafikDiagramPencar(ScatterPlot)
R menyediakan pilihan Diagram pencar pada menu Grafik untuk membuat
tampilan ScatterPlot dari suatu data. Misalkan akan dibuat ScatterPlot untuk variabel
LIFEEXPF sebagai sumbu Y dan variabel LOGGDP sebagai sumbu X. Gunakan default
untukpilihanyanglain,sepertipadaGambar4.14.
Gambar4.14.JendeladialogpilihanvariabeldalampembuatanDiagramPencar
53
sht90
Kemudian pilih LOG_GDP pada variabel X dan LIFEEXPF untuk variabel Y, dan klik OK
sehinggadiperolehoutputgrafiksepertiberikutini.
Gambar4.15.OutputDiagramPencarantaravariabelLOG_GDPdanLIFESXPF
Pada output Diagram Pencar, diperoleh juga grafik BoxPlot dari setiap marginal
variabel, dan garis regresi linear dan nonparametrik terbaik untuk menggambarkan
hubunganantarakeduavariabelini.
Command line di RConsole dapat juga digunakan untuk pembuatan Diagram
Pencar di atas, yaitu dengan command scatterplot diikuti argumen optional yang
diinginkan. Berikut adalah contoh pembuatan Diagram Pencar dengan command line
untuk variabel LIFEEXPF sebagai sumbu Y, dan LOG_GDP sebagai sumbu X, seperti
perintahdiRCommanderdiatas.
>scatterplot(LIFEEXPF~LOG_GDP,reg.line=lm,smooth=TRUE,labels=FALSE,
boxplots='xy',span=0.5,data=latihan4)
54
sht90
4.7.GrafikPlotRatarata(Mean)
R menyediakan pilihan Plot Rerata pada menu Grafik untuk membuat
tampilan Plot Ratarata dari suatu data. Misalkan akan dibuat Plot Ratarata untuk
variabelLIFEEXPFberdasarkanREGION(kelompokwilayahnegara),makapadajendela
dialog yang muncul, pilih REGION dan LIFEEXPF seperti pada Gambar 4.16. Klik OK,
sehinggadiperolehoutputsepertipadaGambar4.17.
Gambar4.16.JendeladialogpilihanvariabeldalampembuatanPlotRatarata
Gambar4.17.OutputPlotRataratavariabelREGIONdanLIFESXPF
55
sht90
Pada output Plot Ratarata di atas dapat dilihat bahwa LIFEEXPF (usia harapan hidup
wanita)yangterendahrataratanyaadalahpadanegaranegaradiAfrika.
CommandlinediRConsoleuntukpembuatanPlotRatarataadalahcommand
plotMeansdiikutiargumenoptionalyangdiinginkan.Berikutadalahcontohpembuatan
PlotRataratadengancommandlineuntukvariabelLIFEEXPFdanREGION.
>plotMeans(latihan4$LIFEEXPF,latihan4$REGION,error.bars="se")
>plotMeans(latihan4$LIFEEXPF,latihan4$REGION,error.bars="conf.int",level=0.95)
4.8.DiagramBatang(BarChart)
R menyediakan pilihan Diagram batang pada menu Grafik untuk membuat
tampilanDiagramBatangdarisuatudata.MisalkanakandibuatDiagramBatanguntuk
variabel REGION, maka pada jendela dialog yang muncul, pilih REGION seperti pada
Gambar4.18berikutini.
Gambar4.18.JendeladialogpilihanvariabeldalampembuatanDiagramBatang
Setelah itu klik OK, dan akan diperoleh output Diagram Batang seperti pada Gambar
4.19. Pada output tersebut dapat dilihat bahwa ada dua kelompok REGION terbesar,
yaitunegaranegarayangtermasukdiregionalOECPdanAmerikaLatin.
Command line di RConsole dapat juga digunakan untuk pembuatan Diagram
Batang, yaitu dengan command barplot diikuti argumen optional yang diinginkan.
BerikutadalahcontohpembuatanDiagramBatangdengancommandlineuntukvariabel
REGION,sepertiperintahdiRCommanderdiatas.
>barplot(table(latihan4$REGION),xlab="REGION",ylab="Frequency")
56
sht90
Gambar4.19.OutputDiagramBatangdarivariabelREGION
4.9.DiagramLingkaran(PieChart)
Tampilan Diagram Lingkaran pada paket R disediakan melalui pilihan Diagram
lingkaranpadamenuGrafik.Misalkanakan dibuatDiagramLingkaranuntukvariabel
REGION,makapadajendeladialogyangmuncul,pilihREGIONsepertipadaGambar4.20
berikutini.
Gambar4.20.JendeladialogpilihanvariabeldalampembuatanDiagramLingkaran
Kemudian klik OK, dan akan diperoleh output Diagram Lingkaran seperti yang terlihat
padaGambar4.21.
57
sht90
Gambar4.21.OutputDiagramLingkarandarivariabelREGION
Command line di RConsole yang dapat digunakan untuk pembuatan Diagram

Lingkaran adalah pie diikuti argumen optional yang diinginkan. Berikut adalah contoh
pembuatan Diagram Lingkaran dengan command line untuk variabel REGION, seperti
perintahdiRCommanderdiatas.
>pie(table(latihan4$REGION),labels=levels(latihan4$REGION),main="REGION",
col=rainbow(length(levels(latihan4$REGION))))
4.10.PlotIndeks
Plot Indeks adalah suatu plot dari variabel menurut indeks atau urutan data.
Plot ini dalam analisis data statistik lebih dikenal dengan Time Series Plot. R
menyediakan pilihan Plot Indeks pada menu Grafik untuk membuat tampilan Plot
Indeksdarisuatudata.PadaRCommanderinihanyatersediaduapilihantipedariplot,
yaitu Paku dan Poin. Misalkan akan dibuat Plot Indeks untuk variabel LIFEEXPF, maka
pada jendela dialog yang muncul, pilih LIFEEXPF seperti pada Gambar 4.22. Dalam hal
ini, pilih tipe plot Paku, dan kemudian klik OK, sehingga diperoleh output Plot Indeks
sepertiyangterlihatpadaGambar4.23.
58
sht90
Gambar4.22.JendeladialogpilihanvariabeldalampembuatanPlotIndeks
Gambar4.23.OutputPlotIndeksdarivariabelLIFEEXPF
CommandlinediRConsoleyangdapatdigunakanuntukpembuatanPlotIndeks
adalah plot diikuti argumen optional yang diinginkan. Jika akan menampilkan plot
berupa garis, maka dapat digunakan pilihan type=l, yang berarti line atau garis.
Berikut adalah contoh pembuatan Plot Indeks dengan command line untuk variabel
LIFEEXPF.
59
sht90
>plot(latihan4$LIFEEXPF,type="h")
>plot(latihan4$LIFEEXPF,type="p")
>plot(latihan4$LIFEEXPF,type="l",main="TimeSeriesPlotDataLIFEEXPF")
Berikut ini adalah output Plot Indeks pada variabel LIFEEXPF dengan pilihan tipe garis
(line)yangdinotasikandenganl.
Gambar4.24.OutputPlotIndeksdarivariabelLIFEEXPFdengantype=l
60
sht90
FungsiDistribusiPeluangdiRCommander
BAB5
FUNGSIDISTRIBUSIPELUANGDIRCommander
PadababiniakandijelaskanpenggunaanRCommanderuntukperhitunganyang
berkaitan dengan fungsi distribusi peluang. RCommander menyediakan menu untuk
melakukan beberapa operasi standar yang berkaitan dengan fungsi distribusi peluang,
yaitu:
Perhitungannilaikuantil
Perhitungannilaipeluang
Pembuatanplotdistribusiataugrafikdensitas
Pembuatanplotdistribusikumulatif
Pembangkitandataataurandomdata
Secara umum ada dua macam distribusi yang disediakan paket R, yaitu Distribusi
KontinudanDiskrit.Untukmengetahuidistribusikontinuataudiskritapasajayangada
di R, dapat dilakukan dengan memilih menu Distribusi, kemudian pilih Distribusi
Kontinu, sehingga akan muncul pilihan dari berbagai distribusi kontinu yang ada di R,
sepertiyangterlihatpadaGambar5.1.
Gambar5.1.JendeladialoguntukpilihanDistribusiKontinu
Dari Gambar 5.1 dapat dilihat macammacam distribusi kontinu yang ada di R,
yaitu Distribusi Normal, t, Chikuadrat, F, Eksponensial, Seragam, Beta, Cauchy,
Logistik,LogNormal,Gamma,Weibull,danGumbel.Secaraumum,prosesperhitungan
yang berkaitan dengan distribusi peluang untuk macammacam distribusi kontinu
tersebutadalahrelatifsama.Untukitu,padababinifokuspembahasanhanyadiberikan
padadistribusiyangbanyakdipakaidianalisisstatistikadasar,yaituDistribusiNormal.
61
sht90
Distribusi Diskrit yang disediakan di R dapat dilihat dengan memilih menu

Distribusi,kemudianpilihDistribusiDiskrit,sehinggaakanmunculpilihandariberbagai
distribusidiskrityang adadi R,sepertiyang terlihat padaGambar5.2.Dari gambar ini
dapatdilihatbahwadistribusidiskrityangadadiRadalahDistribusiBinomial,Poisson,
Geometrik,Hipergeometrik,danBinomialNegatif.
Gambar5.2.JendeladialoguntukpilihanDistribusiDiskrit
5.1.FungsiDistribusiKontinu
Pada bagian ini akan dijelaskan cara perhitungan berkaitan dengan fungsi
distribusipeluang,yaituperhitungannilaikuantil,pembuatanplotataugrafikdensitas,
pembuatan plot distribusi kumulatif, dan pembangkitan data dari distribusi kontinu,
khususnya Distribusi Normal yang banyak digunakan dalam analisis statistika dasar.
Secara umum, fungsi kepadatan probabilitas dari Distribusi Normal adalah sebagai
berikut
f ( x) =
1
2
1 x

e 2
,untuk < x <
denganparameter adalahnilairatarata,dan adalahdeviasistandar.
5.1.1.MenghitungKuantildariDistribusiNormal
PerhitungannilaikuantiltertentudariDistribusiNormaldapatdilakukandengan
RCommander,yaitu gunakan menu Distribusi, pilihDistribusi Kontinu, pilih Distribusi
Normal, dan kemudian klik Kuantil Normal . Setelah itu akan terlihat jendela pilihan
untukmendapatkankuantilyangakandicarisepertipadaGambar5.3.
62
sht90
Gambar5.3.JendeladialoguntukperhitunganKuantilNormal
Misalkanakandihitungnilaikuantil=0,05(5%)dariDistribusiNormalStandar,
yaituingindicarinilai Z sedemikianhingga
P( Z Z ) = 0,05 (luasanlowertailatauekorbawah),
maka pada jendela isian Peluang tulis nilai 0.05. Dalam hal ini ratarata adalah 0 dan
deviasistandar1.KemudianklikOK,sehinggaakandiperolehnilaipadajendelakeluaran
RCommander yaitu Z 0,05 = 1.644854 .Pilihan ekor atas atauupper taildigunakanjika
ingindicarinilai Z1 sedemikianhingga
P( Z Z1 ) = 1 (luasanuppertailatauekoratas).
Jika pilihan ekor atas yang digunakan, maka keluaran RCommander memberikan nilai
1.644854padajendelakeluarannya.
SelainmenggunakanmenudiRCommander,perhitungankuantilnormaldapat
juga dilakukan dengan command line di RConsole, yaitu dengan command qnorm
diikuti argumen optional yang diinginkan. Berikut adalah contoh perhitungan kuantil
normaldengancommandlineuntuk=0,05.
>qnorm(c(0.05),mean=0,sd=1,lower.tail=TRUE)
[1]1.644854
>qnorm(c(0.05),mean=10,sd=2,lower.tail=TRUE)
[1]6.710293
>qnorm(c(0.05),mean=0,sd=1,lower.tail=FALSE)
[1]1.644854
>qnorm(c(0.05),mean=10,sd=2,lower.tail=FALSE)
[1]13.28971
63
sht90
5.1.2.MenghitungPeluangdariDistribusiNormal
Perhitungan peluang dari suatu nilai tertentu dari Distribusi Normal dapat
dilakukan dengan RCommander, yaitu gunakan menu Distribusi, pilih Distribusi
Kontinu,pilihDistribusiNormal,dankemudianklikPeluangNormal.Setelahituakan
terlihatjendelapilihanuntukmemperolehpeluangyangdicarisepertipadaGambar5.4
berikutini.
Gambar5.4.JendeladialoguntukperhitunganPeluangNormal
Ada empat isian utama dari jendela dialog untuk perhitungan Peluang Normal, yaitu
Nilai peubah, mu, sigma, dan pilihan Ekor bawah atau Ekor atas. Secara matematis,
fasilitasinidapatdigunakanuntukmenghitung
P( X c) =?(luasanlowertailatauekorbawah),
dan
P( X c) =?(luasanuppertailatauekoratas),
darisuatupeubah(variabel)random X yangberdistribusiNormal,atau X ~ N ( , ) .
MisalkanakandihitungnilaipeluangdariDistribusiNormalStandar,yaituingin
dicarinilai
P( Z 3) =?(luasanlowertailatauekorbawah),
makapadajendelaisianNilaipeubahtulisnilai3.Dalamhaliniratarataadalah0dan
deviasi standar 1. Klik OK, sehingga akan diperoleh nilai 0.001349898 pada jendela
keluaranRCommander.Pilihanekoratasatauuppertaildigunakanjikaingindicarinilai
P( Z c) =?(luasanuppertailatauekoratas).
Jikapilihanekoratasyangdigunakandan c = 3 ,makakeluaranRCommanderjugaakan
memberikannilai0.001349898padajendelakeluarannya.
64
sht90
Perhitungan peluang normal dapat juga dilakukan dengan command line di R

Console, yaitu dengan command pnorm diikuti argumen optional yang diinginkan.
Berikut adalah contoh perhitungan peluang normal dengan command line untuk
berbagainilaipeubah.
>pnorm(c(3),mean=0,sd=1,lower.tail=TRUE)
[1]0.001349898
>pnorm(c(6.710293),mean=10,sd=2,lower.tail=TRUE)
[1]0.05000001
>pnorm(c(3),mean=0,sd=1,lower.tail=FALSE)
[1]0.001349898
>pnorm(c(13.28971),mean=10,sd=2,lower.tail=FALSE)
[1]0.04999986
5.1.3.MembuatPlotdariDistribusiNormal
PlotdariDistribusiNormalteoritisdenganrataratadandeviasistandartertentu
dapatdilakukandenganRCommander,yaitugunakanmenuDistribusi,pilihDistribusi
Kontinu,pilihDistribusiNormal,dankemudianklikPlotDistribusiNormal.Setelahitu
akan terlihat jendela pilihan untuk mendapatkan plot distribusi normal teoritis yang
ingindicarisepertipadaGambar5.5dibawahini.
Gambar5.5.JendeladialoguntukpembuatanPlotDistribusiNormal
Misalkan akan dibuat plot fungsi kepadatan peluang dari Distribusi Normal
Standar,makapadajendelaisianmu(rerata)tulisnilai0dansigma(simpanganbaku)1.
KlikpilihanPlotfungsikepadatan,dankemudianklikOK,sehinggaakandiperolehplot
fungsikepadatandariDistribusiNormalStandarsepertipadaGambar5.6berikutini.
65
sht90
Gambar5.6.OutputplotfungsikepadatanDistribusiNormalStandar
Jika pilihan Plot fungsi distribusi (kumulatif) yang dipilih, maka akan diperoleh output
plot fungsi distribusi kumulatif dari Distribusi Normal Standar seperti terlihat pada
Gambar5.7.
Gambar5.7.OutputplotfungsidistribusikumulatifdariDistribusiNormalStandar
66
sht90
Pembuatan plot fungsi kepadatan dan fungsi distribusi kumulatif dapat juga
dilakukan dengan command line di RConsole, yaitu dengan command dnorm (untuk
plot fungsi kepadatan) dan command pnorm (untuk plot fungsi distribusi kumulatif)
diikutiargumenoptionalyangdiinginkan.Berikutadalahcontohpembuatanplotfungsi
kepadatandengancommandlineuntuksuatunilaipeubah.
>.x<seq(3.291,3.291,length=100)
>plot(.x,dnorm(.x,mean=0,sd=1),xlab="x",ylab="Density",
main=expression(paste("NormalDistribution:",mu,"=0,",
sigma,"=1")),type="l")
>abline(h=0,col="gray")
Sedangkan contoh pembuatan plot fungsi distribusi kumulatif dengan command line
untuksuatunilaipeubahadalahsepertiberikut.
>.x<seq(4,4,length=100)
>plot(.x,pnorm(.x,mean=0,sd=1),xlab="x",ylab="CumulativeProbability",
main=expression(paste("NormalDistribution:",mu,"=0,",
sigma,"=1")),type="l")
>#perhatikanperbedaanoutputyangdihasilkan
5.1.4.MembangkitkanDatadariDistribusiNormal
R menyediakan fasilitas untuk membangkitkan data yang mengikuti distribusi
statistika tertentu. Misalkan akan dibangkitkan data yang mengikuti distribusi normal,
makadapatdigunakanmenuDistribusi,pilihDistribusiKontinu,pilihDistribusiNormal,
dan kemudian klik Sampel dari Distribusi Normal . Setelah itu akan terlihat jendela
pilihanuntukpembangkitandatadaridistribusinormalsepertipadaGambar5.8.
Sebagai contoh, akan dibangkitkan data sebanyak 15 baris dan 10 kolom yang
mengikutiDistribusiNormalStandar,makatulisnamadatasethasildaridatabangkitan
pada isian Masukkan nama untuk data set (misalkan dengan nama latihan5). Pada
jendelaisianmu(rerata)tulisnilai0,sigma(simpanganbaku)1,Ukuransampel(baris)
15, dan Banyaknya pengamatan (kolom) 10. Jika ratarata sampel juga ingin
ditambahkan, maka klik pada pilihan Rerata sampel, dan kemudian klik OK. Pilihan
pilihanyanglain,yaituJumlahsampeldanDeviasibakusampeljugadapatditampilkan
jikadiinginkan.
67
sht90
Gambar5.8.JendeladialoguntukmembangkitkandatadariDistribusiNormal
Untukmengetahuihasildatayangdibangkitkan,klikpilihanLihatdatasetpada
RCommander, sehingga akan terlihat datadata hasil bangkitan seperti pada Gambar
5.9. Secara umum akan diperoleh 15 baris sampel dan 11 kolom data, yaitu 10 kolom
datahasilbangkitandan1kolomterakhiryangberisirataratadarisetiapsampelyang
dibangkitkan.
Gambar5.9.OutputdatahasilbangkitandariDistribusiNormalStandar
68
sht90
Pembangkitan data dari suatu distribusi statistika tertentu ini juga dapat
dilakukan dengan command line di RConsole, yaitu dengan command rnorm (untuk
Distribusi Normal) diikuti argumen optional yang diinginkan. Berikut adalah contoh
pembangkitandatadengancommandlineuntukDistribusiNormaldenganrataratadan
deviasistandartertentu.
>rnorm(15,mean=0,sd=1)
[1]0.660257510.207162941.037686241.599514440.090306041.90549079
[7]1.687788430.083684230.964726230.103008760.272611010.16491906
[13]0.526977990.574489610.45865682
>latihan5<as.data.frame(matrix(rnorm(15*10,mean=0,sd=1),ncol=10))
>rownames(latihan5)<paste("sample",1:15,sep="")
>colnames(latihan5)<paste("obs",1:10,sep="")
>latihan5$mean<rowMeans(latihan5[,1:10])
>showData(latihan5,placement='20+200',font=getRcmdr('logFont'),
maxwidth=80,maxheight=30)
>#Bangkitkandatadansimpanhasilnyadalambentuksepertimatriks
>as.data.frame(matrix(rnorm(15*5,mean=100,sd=10),ncol=5))
V1 V2
V3
V4
V5
1 84.46823 108.53078 104.05075 77.02379 91.55903
2 98.15929 93.74033 124.44052 80.38603 102.47690
3 95.00374 106.84794 104.09301 106.48609 97.34608
4 101.29297 118.54484 81.04212 98.63245 102.88233
5 98.92599 86.56266 86.52845 66.00474 90.27446
6 95.15418 102.50113 105.34845 79.55246 97.73824
7 106.38983 89.38471 85.31907 100.10805 91.51123
8 86.04483 104.22601 80.81650 101.08752 120.83886
9 84.41069 105.68604 91.14394 99.07307 99.37543
10 112.78286 104.58306 108.08592 109.01078 110.87053
11 109.17854 99.67204 97.54832 91.57182 104.02405
12 100.85442 98.14412 100.82436 97.54563 88.32492
13 111.41381 100.48431 103.03010 100.38959 101.00266
14 124.13427 101.54886 98.13771 102.57961 114.76246
15 93.99127 108.28097 107.97942 94.53939 86.20123
16 90.35201 123.02141 103.70384 95.25282 100.77538
SecaraumumRmenyediakanfasilitasuntukmembangkitkandatadariberbagai
distribusi statistika yang kontinu. Daftar lengkap berkaitan dengan command line di R
untuk membangkitkan data dari distribusi kontinu beserta argumen dan library yang
diperlukandapatdilihatpadaTabel5.1.
69
sht90
Tabel5.1.DaftarfungsiR(commandline)untukmembangkitkandatayang
mengikutisuatudistribusikontinutertentu
DistribusiKontinu
FungsiR
Argumenyangdiperlukan
library
Beta
rbeta
n,shape1,shape2
stats
Cauchy
rcauchy
n,location=0,scale=1
stats
Chisquared
rchisq
n,df
stats
Eksponensial
rexp
n,rate
stats
rf
n,df1,df2
stats
Gamma
rgamma
n,shape,rate=1
stats
Lognormal
rlnorm
n,mean,sd
stats
Logistic
rlogis
n,location=0,scale=1
stats
Normal
rnorm
n,mean,sd
stats
Studentt
rt
n,df
stats
Seragam(Uniform)
runif
n,min,max
stats
Weibull
rweibull
n,shape,scale=1
stats
MultivariateNormal
mvrnorm
n=1,mu,Sigma
MASS
5.2.FungsiDistribusiDiskrit
Seperti pada bagianDistribusiKontinu,padabagianFungsiDistribusiDiskrit ini
akan dijelaskan cara perhitungan berkaitan dengan fungsi distribusi peluang, yaitu
perhitungannilaikuantil,pembuatanplotataugrafikdensitas,pembuatanplotdistribusi
kumulatif, dan pembangkitan data dari suatu distribusi diskrit. Dalam hal ini, fokus
pembahasan hanya diberikan pada Distribusi Binomial, sedangkan untuk distribusi
diskrityanglaindapatdilakukandengancarayangrelatifsama.
Secara umum, fungsi kepadatan probabilitas dari Distribusi Binomial adalah
sebagaiberikut
n
f ( x) = p x (1 p ) n x ,untuk x = {0,1,2, K , n)
x
dengan n adalahbanyaknyapengamatanataupercobaanbinomial, p adalahpeluang

sukses untuk suatu percobaan binomial, dan (1 p) adalah peluang gagal atau tidak
suksesnya.Notasiuntukpeubahdandistribusinyaadalah X ~ B (n, p) .
70
sht90
5.2.1.MenghitungKuantildariDistribusiBinomial
Perhitungan nilai kuantil tertentu dari Distribusi Binomial dapat dilakukan
dengan RCommander, yaitu gunakan menu Distribusi, pilih Distribusi Diskrit, pilih
Distribusi Binomial, dan kemudian klik Kuantil Binomial . Setelah itu akan terlihat
jendelapilihanuntukmendapatkankuantilyangakandicarisepertipadaGambar5.10.
Gambar5.10.JendeladialoguntukmenghitungKuantilBinomial
Misalkanakandihitungnilaikuantil=0,25(25%)dariDistribusiBinomialdengann=20
danp=0.5atau X ~ B(20,0.5) ,yaituingindicarinilai X sedemikianhingga
P( X X ) = 0,25 (luasanlowertailatauekorbawah).
Untuk mendapatkan kuantil di atas, maka pada jendela isian Peluang tulis nilai 0.25,
TrialBinomial20,danPeluangSukses0.5.KemudianklikOK,sehinggaakandiperoleh
nilaipadajendelakeluaranRCommanderyaitu X 0,25 = 8 ,yangberarti
P( X 8) = 0,25 .
Pilihan ekor atas (upper tail) digunakan jika akan dicari nilai X 1 sedemikian
hingga
P( X X 1 ) = 1 (luasanuppertailatauekoratas).
Jika pilihan ekor atas yang digunakan, maka keluaran RCommander memberikan nilai
12padajendelakeluarannya,yangberarti
P( X 12) = 0,75 .
Perhitungan kuantil binomial dapat juga dilakukan dengan command line di R

Console, yaitu dengan command qbinom diikuti argumen optional yang diinginkan.
Berikutadalahcontohperhitungankuantilbinomialdengancommandlineuntuk=0,25
danyanglain.
71
sht90
>qbinom(c(0.25),size=20,prob=0.5,lower.tail=TRUE)
[1]8
>qbinom(c(0.25),size=20,prob=0.5,lower.tail=FALSE)
[1]12
>qbinom(c(0.75),size=20,prob=0.5,lower.tail=TRUE)
[1]12
5.2.2.MenghitungPeluangdariDistribusiBinomial
Perhitungan peluang kumulatif untuk nilai tertentu dari Distribusi Binomial
dapatdilakukandenganRCommander,yaitugunakanmenuDistribusi,pilihDistribusi
Diskrit, pilih Distribusi Binomial, dan klik Peluang ujung Binomial . Setelah itu akan
terlihatjendelapilihanuntukmemperolehpeluangyangdicarisepertiGambar5.11.
Gambar5.11.JendeladialoguntukmenghitungPeluangBinomialKumulatif
Misalkan akan dihitung nilai peluang dari Distribusi Binomial Kumulatif, yaitu
ingin dicari nilai P( X 8) (luasan lower tail atau ekor bawah) dari Distribusi Binomial
dengann=20danp=0.5,makapadajendelaisianNilaipeubahtulisnilai8.Dalamcontoh
ini isikan Trial Binomial 20, dan Peluang Sukses 0.5. Klik OK, sehingga akan diperoleh
nilai0.2517223padajendelakeluaranRCommander.
Selain itu, R juga memberikan fasilitas untuk menghitung nilai peluang untuk
suatunilaitertentu.Misalkanakandicari P( X = 8) dariDistribusiBinomialdengann=20
dan p=0.5. Untuk itu, pilih menu Distribusi, pilih Distribusi Diskrit, pilih Distribusi
Binomial,danklikPeluangBinomial.IsikanTrialBinomial20,danPeluangSukses0.5.
KlikOK,makaakanditampilkannilaipeluanguntuk X = 0,1,2, K ,20 .
72
sht90
Perhitungan peluang binomial dan peluang binomial kumulatif dapat juga

dilakukan dengan command line di RConsole, yaitu dengan command pbinom (untuk
peluang) dan pbinom (untuk peluang kumulatif) diikuti argumen optional yang di
inginkan. Berikut adalah contoh perhitungan peluang binomial dan peluang binomial
kumulatifdengancommandlineuntuknilainilaitertentu.
>dbinom(8,size=20,prob=0.5)
[1]0.1201344
>pbinom(c(8),size=20,prob=0.5,lower.tail=TRUE)
[1]0.2517223
>pbinom(c(8),size=20,prob=0.5,lower.tail=FALSE)
[1]0.7482777
>pbinom(c(11),size=20,prob=0.5,lower.tail=FALSE)
[1]0.2517223
>dbinom(0:20,size=20,prob=0.5)
[1]9.536743e071.907349e051.811981e041.087189e034.620552e03
[6]1.478577e023.696442e027.392883e021.201344e011.601791e01
[11]1.761971e011.601791e011.201344e017.392883e023.696442e02
[16]1.478577e024.620552e031.087189e031.811981e041.907349e05
[21]9.536743e07
>.Table<data.frame(Pr=dbinom(0:20,size=20,prob=0.5))
>rownames(.Table)<0:20
>.Table
Pr
09.536743e07
11.907349e05
21.811981e04
31.087189e03
44.620552e03
51.478577e02
63.696442e02
..
164.620552e03
171.087189e03
181.811981e04
191.907349e05
209.536743e07
73
sht90
5.2.3.MembuatPlotdariDistribusiBinomial
Plot dari Distribusi Binomial teoritis dengan n dan p tertentu dapat dilakukan
dengan RCommander, yaitu gunakan menu Distribusi, pilih Distribusi Diskrit, pilih
Distribusi Normal, dan kemudian klik Plot Distribusi Binomial . Setelah itu akan
terlihat jendela pilihan untuk mendapatkan plot distribusi binomial teoritis yang ingin
dicarisepertipadaGambar5.12.
Gambar5.12.JendeladialoguntukmembuatPlotDistribusiBinomial
Misalkan akan dibuat plot fungsi kepadatan peluang dari Distribusi Binomial dengan
n=20 dan p=0.5, atau akan ditampilkan secara grafik nilainilai dari f ( x) = P( X = x)
untuk X ~ B(20,0.5) ,atau
20
f ( x) = 0,5 x (1 0,5) 20 x ,untuk x = {0,1,2, K ,20) .
x
Untukmenampilkanitu,makapadajendelatulis20padaisianTrialBinomial,dantulis
0.5padaisianPeluangSukses.
Setelah itu pilih plot yang akan dibuat, misalkan saja plot fungsi kepadatan
peluang, maka klik pilihan Plot fungsi kepadatan peluang. Klik OK, sehingga akan
diperolehplotfungsikepadatandariDistribusiBinomialdengann=20danp=0.5seperti
padaGambar5.13.Darigambarinidapatdilihatbahwanilai f (x) terbesaradalahpada
X = 10 ,yangsecaramatematisdapatdihitungsepertiberikut
20
f (10) = 0,510 (1 0,5) 2010
10
20 10
0,5 (0,5)10
10

= 0,1601 .
74
sht90
Gambar5.13.OutputplotfungsikepadatanDistribusiBinomialdengann=20danp=0.5
Jika pilihan Plot fungsi distribusi (kumulatif) atau F ( x) = P( X x) yang dipilih,

maka akan diperoleh output plot fungsi distribusi kumulatif dari Distribusi Binomial
dengann=20danp=0.5sepertipadaGambar5.14berikutini.
Gambar5.14.OutputplotfungsiDistribusiKumulatifBinomialdengann=20danp=0.5
75
sht90
Pembuatan plot fungsi kepadatan dan fungsi distribusi kumulatif dapat juga
dilakukan dengan command line di RConsole, yaitu dengan command dnorm (untuk
plot fungsi kepadatan) dan command pnorm (untuk plot fungsi distribusi kumulatif)
diikuti argumen optional yang diinginkan. Berikut adalah contoh pembuatan plotplot
tersebutdengancommandlineuntuksuatunilaipeubah.
>#Perintahuntukpembuatanplotfungsikepadatanbinomial
>.x<3:17
>plot(.x,dbinom(.x,size=20,prob=0.5),xlab="NumberofSuccesses",
ylab="ProbabilityMass",main="BinomialDistribution:Trials=20,
Probabilityofsuccess=0.5",type="h")
>points(.x,dbinom(.x,size=20,prob=0.5),pch=16)
>#Perintahuntukpembuatanplotfungsidistribusikumulatifbinomial
>.x<rep(.x,rep(2,length(.x)))
>plot(.x[1],pbinom(.x,size=20,prob=0.5)[length(.x)],
xlab="NumberofSuccesses",ylab="CumulativeProbability",
main="BinomialDistribution:Trials=20,Probabilityofsuccess=0.5",
type="l")
5.2.4.MembangkitkanDatadariDistribusiBinomial
Seperti pada distribusi kontinu, R menyediakan fasilitas untuk membangkitkan
data yang mengikuti distribusi diskrit tertentu. Misalkan akan dibangkitkan data yang
mengikuti distribusi binomial, maka dapat digunakan menu Distribusi, pilih Distribusi
Diskrit,pilihDistribusiBinomial,dankemudianklikSampeldariDistribusiBinomial.
Setelah itu akan terlihat jendela pilihan untuk pembangkitan data dari distribusi
binomialsepertipadaGambar5.15.
Sebagai contoh, akan dibangkitkan data sebanyak 15 baris dan 5 kolom yang
mengikuti Distribusi Binomial dengan n=20 dan p=0.5, maka tulis nama dataset hasil
databangkitanpadaisianMasukkannamauntukdataset(misalkanBinomialSamples).
Tulisangka20padakolomisianTrialBinomial,danangka0.5padaisianPeluangSukses.
Selanjutnya,padapilihanUkuransampel(baris)ketikangka15dan5padaBanyaknya
pengamatan (kolom). Jika ratarata sampel juga ingin ditambahkan, maka klik pada
pilihan Rerata sampel, dan kemudian klik OK. Pilihanpilihan yang lain, yaitu Jumlah
sampel dan Deviasi baku sampel juga dapat ditampilkan jika diinginkan, yaitu dengan
melakukanklikpadakeduapilihantersebut.
76
sht90
Gambar5.15.JendeladialoguntukmembangkitkandatadariDistribusiBinomial
Untukmengetahuihasildatayangdibangkitkan,klikpilihanLihatdatasetpada
RCommander, sehingga akan terlihat datadata hasil bangkitan seperti pada Gambar
5.16.Secaraumumakandiperoleh15barissampeldan6kolomdata,yaitu5kolomdata
hasilbangkitandan1kolomterakhiryangberisirataratadarisetiapsampelbangkitan.
Gambar5.16.OutputdatahasilbangkitandariDistribusiBinomial(n=20danp=0.5)
77
sht90
Proses pembangkitan data dari suatu distribusi statistika yang diskrit ini juga
dapat dilakukan dengan command line di RConsole, yaitu dengan command rbinom
(untuk Distribusi Binomial) diikuti argumen optional yang diinginkan. Berikut adalah
contoh pembangkitan data dengan command line untuk Distribusi Binomial dengan n
danptertentu.
>rbinom(100,size=20,prob=0.5)
[1]121291213688711117108912991010812899
[26]11812121113156111112810119811128131014121211
[51]121111121111717612961110788119108710116
[76]149129971012111412121313312121410108691515
>#Bangkitkandatabinomialdansimpanhasilnyadalammatriks
>matrix(rbinom(15*5,size=20,prob=0.5),ncol=5)
[,1][,2][,3][,4][,5]
[1,]13114148
[2,]111012810
[3,]131112810
[4,]1281199
[5,]1178710
[6,]1111101114
[7,]10911119
[8,]111212712
[9,]111210138
[10,]12812116
[11,]8118135
[12,]13119128
[13,]1399106
[14,]109111210
[15,]121012118
>BinomialSamples<as.data.frame(matrix(rbinom(15*5,size=20,prob=0.5),ncol=5))
>rownames(BinomialSamples)<paste("sample",1:15,sep="")
>colnames(BinomialSamples)<paste("obs",1:5,sep="")
>BinomialSamples$mean<rowMeans(BinomialSamples[,1:5])
>showData(BinomialSamples,placement='20+200',font=getRcmdr('logFont'),
maxwidth=80,maxheight=30)
SecaraumumRmenyediakanfasilitasuntukmembangkitkandatadariberbagai
distribusi statistika yang diskrit. Daftar lengkap berkaitan dengan command line di R
untukmembangkitkandatadaridistribusidiskritbeserta argumendanlibraryyangdi
perlukandapatdilihatpadaTabel5.2.
78
sht90
Tabel5.2.DaftarfungsiR(commandline)untukmembangkitkandatayang
mengikutisuatudistribusidiskrittertentu
DistribusiDiskrit
FungsiR
Argumenyangdiperlukan
library
Binomial
rbinom
n,size,prob
stats
BinomialNegatif
rnbinom
n,size,prob,mu
stats
Geometrik
rgeom
n,prob
stats
Hipergeometrik
rhyper
nn,m,n,k
stats
Poisson
rpois
n,lambda
stats
Berikut ini adalah ringkasan fungsi kepadatan probabilitas dari distribusi diskrit yang
disediakanRpadatabeldiatas.
DistribusiBinomialNegatif
f ( x) =
( x + n) n
p (1 p) x ,untuk x = {0,1,2, K , n > 0} dan 0 < p 1 .
(n) x!
Distribusi ini merepresentasikan banyaknya kegagalan yang terjadi dalam suatu

barisanpercobaanBernoullisebelumsuatutargetdarisejumlahsuksesdicapai.
DistribusiGeometrik
f ( x) = p(1 p) x 1 ,untuk x = {1,2, K} dan 0 < p 1 .
Distribusi ini merepresentasikan terjadinya sukses pertama kali pada percobaan ke
x dalamsuatubarisanpercobaanBernoulli.
DistribusiHipergeometrik
m n

x k x
f ( x) =
,untuk x = {0,1,2, K , k} .
m + n
k
Distribusi ini digunakan untuk sampling tanpa pengembalian. Fungsi kepadatan

distribusi ini mempunyai parameter m (banyaknya objek group 1 yang berkaitan
denganbanyaknyasukses), n (banyaknyaobjekgroup2),dan k (banyaknyaobjek
yangdiambiltanpapengembalian).
DistribusiPoisson
f ( x) =
x e
x!
,untuk x = {1,2, K} dan =parameterratarata.
79
sht90
StatistikDeskriptifmenggunakanRCommander
BAB6
STATISTIKDESKRIPTIFMENGGUNAKANRCommander
Bab ini akan membahas penggunaan RCommander untuk membuat statistik

deskriptif dari suatu kumpulan data, khususnya pembuatan ringkasan (summary) data
dan pembuatan tabel. Ringkasan data difokuskan pada pembuatan statistik deskriptif,
yaitu ukuranukuran pemusatan, penyebaran, kemiringan, keruncingan, dan lokasi dari
datadata numerik (metrik). Sedangkan pembuatan tabel difokuskan pada datadata
nonnumerik(nonmetrik).
PaketRmenyediakanbeberapafasilitasberkaitandenganpembuatanringkasan
dari data numerik dan nonnumerik. Secara lengkap fasilitas yang berkaitan dengan
ringkasan data dapat dilihat pada Gambar 6.1. Dari gambar ini dapat dilihat bahwa
fasilitasRingkasandatayangdisediakandalamRCommanderadalah
Ringkasannumerik,
DistribusiFrekuensi,
Hitungobservasihilang
Tabelstatistika,
Matrikskorelasi,
Ujikorelasi,dan
UjikenormalanShapiroWilk.
Gambar6.1.JendeladialoguntukpilihanDistribusiKontinu
Selain tabel satu informasi, pada bab ini juga akan dijelaskan cara pembuatan
tabel lebih dari satu informasi, khususnya tabel dua informasi secara bersamasama
yang dikenal dengan tabulasi silang atau tabel kontingensi. Fasilitas yang disedikan R
untukpembuatantabelkontingensiinidapatdiihatpadaGambar6.2.
80
sht90
Gambar6.2.JendeladialoguntukpilihanDistribusiDiskrit
Sebagai langkah awal, buka kembali program R dengan mengklik icon R 2.7.2.
danpanggildatatentangnegaranegaradiduniapadatahun1995yangdikenaldengan
data WORLD95.SAV di SPSS yang sudah disimpan dalam file R yaitu latihan4.RData,
seperti yang digunakan pada Bab 4 sebelumnya. Load file workspace tersebut dengan
menggunakanmenuFile,pilihLoadWorkspace.
6.1.RingkasanNumerik(Summary)
Pada bagian ini akan dijelaskan cara perhitungan ringkasan deskriptif dari data
dengan menggunakan berbagai metode statistika deskriptif. Secara umum ada dua
macam data yang akan dibuat ringkasan numeriknya, yaitu data metrik (skala interval
ataurasio)dandatanonmetrik(skalanominalatauordinal).Rmenyediakanduamacam
cara untuk menampilkan ringkasan numerik dari variabelvariabel yang ada pada data,
yaitumenampilkanringkasannumerikdarisemuavariabelyangada,danmenampilkan
ringkasan numerik hanya dari variabel tertentu saja. Berikut ini adalah penjelasan
lengkapuntukmasingmasingcarapembuatanringkasannumerik.
6.1.1.RingkasanNumerikdariSemuaVariabel
PerhitunganRingkasanNumerikdarisemuavariabeldapatdilakukandenganR
Commander,yaitugunakanmenuStatistika,pilihRingkasan,pilihDatasetaktif.Setelah
itu akan terlihat jendela informasi tentang jumlah variabel pada dataset yang akan
ditampilkanringkasannumeriknyasepertipadaGambar6.3.Dalamhalini,semuadata
baikyangmetrikataupunnonmetrikakanditampilkanringkasannumeriknya.
Pada data metrik, ringkasan numerik akan menampilkan beberapa besaran
statistikyaituMean,Min,Max,Kuartil1,Median,danKuartil3.Sedangkanpadadata
nonmetrik,ringkasannumerikhanyamenampilkanjumlahataufrekuensipadamasing
masingkategoriyangada.
81
sht90
Gambar6.3.Jendelainformasijumlahvariabelyangdibuatringkasannumeriknya
Output lengkap yang diperoleh dari pilihan Ringkasan dan Dataset aktif pada data
latihan4.RDatabesertacommandlinediRConsoleadalahsebagaiberikut.
>summary(latihan4)
COUNTRY
Afghanistan : 1
Argentina
: 1
Armenia
: 1
Australia
: 1
Austria
: 1
Azerbaijan : 1
(Other)
:103
POPULATN
Min.
:
256
1st Qu.:
5100
Median : 10400
Mean
: 47724
3rd Qu.: 35600
Max.
:1205200
DENSITY
Min.
:
2.3
1st Qu.: 29.0
Median : 64.0
Mean
: 203.4
3rd Qu.: 126.0
Max.
:5494.0
URBAN
Min.
: 5.00
1st Qu.: 40.75
Median : 60.00
Mean
: 56.53
3rd Qu.: 75.00
Max.
:100.00
NA's
: 1.00
RELIGION
Catholic:41
Muslim :27
Protstnt:16
Orthodox: 8
Buddhist: 7
Animist : 4
(Other) : 6
LIFEEXPF
Min.
:43.00
1st Qu.:67.00
Median :74.00
Mean
:70.16
3rd Qu.:78.00
Max.
:82.00
LIFEEXPM
Min.
:41.00
1st Qu.:61.00
Median :67.00
Mean
:64.92
3rd Qu.:72.00
Max.
:76.00
LITERACY
Min.
: 18.00
1st Qu.: 63.00
Median : 88.00
Mean
: 78.34
3rd Qu.: 98.00
Max.
:100.00
NA's
: 2.00
FERTILTY
Min.
:1.300
1st Qu.:1.880
Median :3.050
Mean
:3.563
3rd Qu.:5.000
Max.
:8.190
NA's
:2.000
LIT_FEMA
Min.
: 9.00
1st Qu.: 45.00
Median : 71.00
Mean
: 67.26
3rd Qu.: 93.00
Max.
:100.00
NA's
: 24.00
LOG_POP
Min.
:2.408
1st Qu.:3.708
Median :4.017
Mean
:4.114
3rd Qu.:4.551
Max.
:6.081
CROPGROW
LIT_MALE
Min.
: 0.00
Min.
: 28.00
1st Qu.: 6.00
1st Qu.: 63.00
Median :13.50
Median : 87.00
Mean
:17.98
Mean
: 78.73
3rd Qu.:26.75
3rd Qu.: 96.00
Max.
:77.00
Max.
:100.00
NA's
: 3.00
NA's
: 24.00
CLIMATE
temperate
:34
tropical
:32
mediterranean:10
desert
: 7
arid
: 6
(Other)
:13
NA's
: 7
82
sht90
6.1.2.RingkasanNumerikuntukSuatuVariabel
Perhitungan Ringkasan Numerik khusus untuk variabel metrik dapat dilakukan
denganRCommander,yaitugunakanmenuStatistika,pilihRingkasan,pilihRingkasan
numerik . Setelah itu akan terlihat jendela informasi tentang variabel metrik dari
datasetyangakanditampilkanringkasannumeriknyasepertipadaGambar6.4berikut.
Gambar6.4.Jendelapilihanvariabelmetrikyangdibuatringkasannumeriknya
MisalkanakandibuatringkasannumerikuntukvariabelLIFEEXPF(usiaharapan
hidup wanita di suatu negara), maka pada jendela dialog yang muncul, klik LIFEEXPF
pada pilihan Peubah. Kemudian klik besaranbesaran statistik yang akan ditampilkan
ringkasannya. Setelah itu, klik OK untuk menampilkan output ringkasan numeriknya,
sehinggadiperolehoutputpadajendelakeluaransepertiberikutini.
>numSummary(latihan4[,"LIFEEXPF"],statistics=c("mean","sd","quantiles"))
mean
sd 0% 25% 50% 75% 100%
n
70.15596 10.57178 43 67 74 78
82 109
Perhitunganringkasannumerikinidapatjugadilakukandengancommandlinedi
RConsole,yaitudengancommandsummarydiikutiargumenoptionalyangdiinginkan.
Berikut adalah contoh perhitungan ringkasan numerik dengan command line untuk
suatuvariabelmetrik.
83
sht90
>summary(latihan4$LIFEEXPF)
Min. 1st Qu.
43.00
67.00
Median
74.00
Mean 3rd Qu.

70.16
78.00
Max.
82.00
R juga menyediakan fasilitas untuk menampilkan ringkasan numerik dari

variabel numerik berdasarkan group atau faktor tertentu. Misalkan akan dibuat
ringkasanuntukvariabelLIFEEXPFberdasarkanREGION,makagunakanmenuStatistika,
pilihRingkasan,pilihRingkasannumerik,danisikanpilihansepertisebelumnya,yaitu
variabel LIFEEXPF pada pilihan Peubah yang muncul. Kemudian klik Ringkas dengan
kelompok...,danpilihvariabelREGIONdaridaftarPeubahkelompokyangadaseperti
padaGambar6.5berikutini.
Gambar6.5.Jendelapilihanpeubahkelompok(group)dalamringkasannumerik
Selanjutnya klik OK, maka akan diperoleh output ringkasan numerik pada jendela
keluaransepertipadaoutputberikutini.
>numSummary(latihan4[,"LIFEEXPF"],groups=latihan4$REGION,
statistics=c("mean","sd","quantiles"))
OECD
East Europe
Pacific/Asia
Africa
Middle East
Latn America
mean
sd 0% 25% 50% 75% 100% n
80.09524 1.179185 78 79 80 81
82 21
76.00000 1.109400 74 75 76 77
78 14
67.41176 10.886108 44 59 69 74
82 17
54.26316 7.978040 43 48 55 58
70 19
71.58824 4.500817 63 68 72 74
80 17
71.76190 7.388537 47 67 75 77
79 21
84
sht90
Dari output tersebut dapat dijelaskan bahwa ratarata usia harapan hidup
perempuan tertinggi pada negaranegara yang termasuk kawasan OECD, dan yang
terendahadalahpadakawasanAFRICA.Secaravisualhalinisepertiyangtelahdiperoleh
padaPlotRataratadiBab4sebelumnya.
6.2.DistribusiFrekuensi
Pembuatan Distribusi Frekuensi untuk variabel nonmetrik dapat dilakukan
dengan RCommander, yaitu gunakan menu Statistika, pilih Ringkasan, pilih Distribusi
Frekuensi . Setelah itu akan terlihat jendela pilihan tentang variabel nonmetrik dari
datasetyangakanditampilkandistribusifrekuensinyasepertipadaGambar6.6.
Gambar6.6.Jendelapilihanvariabelnonmetrik(satuataulebih)yangakan
ditampilkandistribusifrekuensinya.
Misalkan akan dibuat distribusi frekuensi untuk variabel REGION, maka pada
jendeladialogpilihanvariabelyangmuncul,klikREGIONpadapilihanPeubah.Kemudian
klik OK untuk menampilkan output distribusi frekuensinya, sehingga diperoleh output
padajendelakeluaransepertiberikutini.
>.Table<table(latihan4$REGION)
>.Table#countsforREGION
OECDEastEuropePacific/AsiaAfricaMiddleEastLatnAmerica
211417191721
>100*.Table/sum(.Table)#percentagesforREGION
19.2660612.8440415.5963317.4311915.5963319.26606
85
sht90
Sebagai tambahan, pada menu pilihan Distribusi Frekuensi ini dapat juga
dilakukan Uji Kecocokan untuk mengevaluasi apakah probabilitas masingmasing
kategori sesuai dengan yang dihipotesakan. Misalkan akan diuji apakah persentase
negara pada masingmasingREGIONadalah sama, yaitu1/6, makapilih Uji kecocokan
Chikuadrat(hanyauntuksatupeubah)sehinggadiperolehjendelapilihanprobabilitas
yangmenjadihipotesissepertigambarberikutini.
Gambar6.7.Jendelapilihanisianprobabilitasyangdihipotesakan
Klik OK untuk menampilkan output hasil pengujian, sehingga diperoleh output pada
jendelakeluaransepertiberikutini.
>.Probs<c(0.166666666666667,0.166666666666667,0.166666666666667,
0.166666666666667,0.166666666666667,0.166666666666667)
>chisq.test(.Table,p=.Probs)
Chisquaredtestforgivenprobabilities
data:.Table
Xsquared=2.0275,df=5,pvalue=0.8453
Hasil tersebut menunjukkan bahwa pvalue pengujian adalah 0.8453. Sehingga jika
digunakan=0.05dapatdisimpulkanbahwapengujianmenunjukkangagaltolakH0.Hal
inidikarenakanpvaluelebihbesardari.Dengandemikiandapatdisimpulkanbahwa
proporsinegaradimasingmasingREGIONadalahsamayaitu1/6.
6.3.TabelStatistika
R juga menyediakan fasilitas untuk membuat ringkasan statistik dalam tabel
untuksuatuvariabelnumerik(metrik)berdasarkanvariabelnonmetrik(kategorik)atau
faktor tertentu. Pada RCommander, gunakan menu Statistika, pilih Ringkasan, pilih
TabelstatistikasehinggadiperolehjendelapilihansepertipadaGambar6.8.
86
sht90
Gambar6.8.JendelapilihanFaktordanPeubahresponyangakanditampilkan
TabelStatistikanya
Misalkan akan dibuat tabel statistika untuk variabel LOG_GDP berdasarkan

variabel REGION, makapada jendela dialogpilihanFaktor yang muncul,klik LOG_GDP
danklikREGIONpadapilihanPeubahrespon.Kemudianpilihbesaranstatistikyangakan
ditampilkan pada tabel statistika yang akan dibuat. Setelah itu, klik OK untuk menam
pilkan output tabel statistikanya, sehingga diperoleh output pada jendela keluaran
sepertiberikutini.
>tapply(latihan4$LOG_GDP,list(REGION=latihan4$REGION),mean,na.rm=TRUE)
REGION
4.2078143.6864283.1076482.7718813.5464123.200901
>tapply(latihan4$LIFEEXPF,list(REGION=latihan4$REGION),median,na.rm=TRUE)
REGION
807669557275
Hasil tersebut menunjukkan bahwa negaranegara di kawasan OECD mempunyai rata

rata LOGGDP dan median LIFEEXPF paling tinggi dibanding dengan negaranegara di
kawasanyanglain.
87
sht90
6.4.MatriksKorelasi
Perhitungan Matriks Korelasi untuk variabelvariabel metrik dan nonmetrik
dapatdilakukandenganRCommander,yaitugunakanmenuStatistika,pilihRingkasan,
pilih Matriks korelasi . Setelah itu akan terlihat jendela pilihan tentang variabel
variabeldaridatasetyangakanditampilkanmatrikskorelasinyasepertipadaGambar6.9
berikutini.
Gambar6.9.JendelapilihanPeubahyangakanditampilkanmatrikskorelasinya
Secara umum, perhitungan nilai korelasi antara dua peubah metrik (skala
intervalatauratio),misalkan X dan Y adalah(JohnsondanBhattacharyya,1996)
n
( X i X )(Yi Y )
rxy =
i =1
n
(X i X )
i =1
(Yi Y )
i =1
X i Yi nXY
i =1
=
n
i =1
X i2
nX
Yi nY
2
i =1
dengan X i adalah nilainilai pada peubah pertama, Yi adalah nilainilai pada peubah
kedua,dan n adalahbanyaknyapengamatan(data).
88
sht90
Misalkan akan dibuat matriks korelasi untuk variabel CALORIES, FERTILITY,

LIFEEXPF, LIFEEXPM, dan LOG_GDP, maka pada jendela dialog pilihan Peubah yang
muncul,klikkelimavariabeltersebut.Kemudianpilihjeniskorelasi(dalamkasusinipilih
ProdukMomen Pearson) yang akan ditampilkan pada matriks korelasi yang akan
dibuat. Setelah itu, klik OK untuk menampilkan output matriks korelasi, sehingga
diperolehoutputpadajendelakeluaransepertiberikutini.
>cor(latihan4[,c("CALORIES","FERTILTY","LIFEEXPF","LIFEEXPM","LOG_GDP")],
use="complete.obs")
CALORIES
FERTILTY
LIFEEXPF
LIFEEXPM
LOG_GDP
CALORIES 1.0000000 -0.6958507 0.7753786 0.7650363 0.8474292
FERTILTY -0.6958507 1.0000000 -0.8435988 -0.8089856 -0.7170879
LIFEEXPF 0.7753786 -0.8435988 1.0000000 0.9893717 0.8287739
LIFEEXPM 0.7650363 -0.8089856 0.9893717 1.0000000 0.8037349
LOG_GDP
0.8474292 -0.7170879 0.8287739 0.8037349 1.0000000
6.5.UjiKorelasi
Perhitungan Uji Korelasi, baik untuk korelasi ProdukMomen Pearson ataupun
korelasi RankOrder Spearman dapat dilakukan dengan RCommander, yaitu gunakan
menu Statistika, pilih Ringkasan, pilih Uji korelasi . Setelah itu akan terlihat jendela
pilihantentangduavariabelyangakandiujikorelasinyasepertipadaGambar6.10.
Gambar6.10.JendelapilihanduaPeubahyangakandiujikorelasinya
89
sht90
Misalkan akan dilakukan pengujian korelasi untuk variabel LIFEEXPF dan

LOG_GDP, maka pada jendela dialog pilihan Peubah yang muncul, klik kedua variabel
tersebut. Kemudian pilih jenis korelasi (dalam kasus ini pilih ProdukMomen Pearson)
yangakandiuji.Setelahitu,klikOKuntukmenampilkanoutputpengujianpadajendela
keluaransepertiberikutini.
>cor.test(latihan4$LIFEEXPF,latihan4$LOG_GDP,alternative="two.sided",
method="pearson")
Pearson'sproductmomentcorrelation
data:latihan4$LIFEEXPFandlatihan4$LOG_GDP
t=15.4575,df=107,pvalue<2.2e16
alternativehypothesis:truecorrelationisnotequalto0
95percentconfidenceinterval:
0.76211770.8813950
sampleestimates:
cor
0.8310795
Hipotesisyangdigunakandalampengujiankorelasiiniadalahsebagaiberikut
H0 : xy = 0
(keduapeubahtidakberkorelasilinear)
H1 : xy 0
(keduapeubahberkorelasilinear).
Statistikujiuntukpengujiankorelasiiniadalahuji t ,yaitu
t=
rxy n 2
2
1 rxy
Dalam hal ini, H0 ditolakyang berartiduapeubahsecara statistiksignifikanberkorelasi

jikanilaiuji t memenuhidaerahpenolakan,yaitu
t > t ; df = n 2 ataunilai p < .

2
Hasil output R diatas menunjukkan bahwa nilai p pengujian adalah 2.2e16.

Sehinggajikadigunakan=0.05dapatdisimpulkanbahwapengujianmenunjukkantolak
H0. Hal ini dikarenakan nilai p lebih kecil dari . Dengan demikian dapat disimpulkan
bahwaadakorelasipositifantaraLIFEEXPFdanLOGGDP.
90
sht90
6.6.UjiKenormalanShapiroWilk
Perhitungan Uji Kenormalan ShapiroWilk pada RCommander dapat dilakukan
denganmenggunakanmenuStatistika,pilihRingkasan,kemudianpilihUjikenormalan
ShapiroWilk.Setelahituakanterlihatjendelapilihantentangvariabelyangakandiuji
kenormalannyasepertipadaGambar6.11berikutini.
Gambar6.11.JendelapilihanPeubahyangakandiujikenormalannya
Hipotesis yang digunakan dalam pengujian kenormalan ShapiroWilk adalah sebagai

berikut
H0 : databerdistribusiNormal,atau X ~ N ( , 2 )
H1 : datatidakberdistribusiNormal.
Misalkan akan dilakukan pengujian kenormalan untuk variabel LIFEEXPF, maka

padajendeladialogpilihanPeubahyangmuncul,klikLIFEEXPFtersebut.Kemudianklik
OKuntukmenampilkanoutputpengujianpadajendelakeluaransepertiberikutini.
>shapiro.test(latihan4$LIFEEXPF)
ShapiroWilknormalitytest
data:latihan4$LIFEEXPF
W=0.8596,pvalue=9.435e09
Output ini menunjukkan bahwa pvalue pengujian adalah 9.435e9. Sehingga jika
digunakan =0.05 dapat disimpulkan bahwa pengujian menunjukkan tolak H0 yang
berartidataLIFEEXPFtidakberdistribusinormal.HalinididukungolehQQPlotpadaBab
4sebelumnya(lihatpadahalaman52).
91
sht90
6.7.TabelKontingensiDuaArah
Pembuatan tabel kontingensi dua arah pada RCommander dapat dilakukan
dengan menggunakan menu Statistika, pilih Tabel kontingensi, dan kemudian pilih
Tabel dua arah . Setelah itu akan terlihat jendela pilihan tentang dua variabel
nonmetrik(kategorik)yangakandibuattabelkontingensiduaarahsepertipadaGambar
6.12berikutini.
Gambar6.12.JendelapilihanDuaPeubahyangakandibuatTabelKontingensinya
Misalkan akan dibuat tabel kontingensi dua arah untuk variabel CLIMATE dan
REGION,makapadajendeladialogpilihanPeubahbarisyangmunculklikCLIMATEdan
pilih REGION pada pilihan Peubah kolom. Kemudian pilih besaran (persentase baris,
persentase kolom, atau persentase keseluruhan) dan uji hipotesis (sebagai pilihan
defaultadalahujikesalingbebasanChikuadrat)yangakan dilakukan.Setelah itu,klik
OKuntukmenampilkanoutputtabelkontingensiduaarahpadajendelakeluaranseperti
berikutini.
92
sht90
>.Table<xtabs(~CLIMATE+REGION,data=latihan4)
>.Table
REGION
CLIMATE
OECD East Europe Pacific/Asia Africa Middle East Latn America
desert
0
0
0
1
6
0
arid / desert
0
0
0
1
4
0
arid
1
0
1
0
2
2
tropical
0
0
9
10
0
13
mediterranean
1
2
2
2
2
1
maritime
1
3
0
0
0
0
temperate
15
8
4
2
2
3
arctic / temp
3
1
0
0
0
0
arctic
0
0
0
0
0
0
>rowPercents(.Table)#RowPercentages
REGION
CLIMATE
OECD East Europe Pacific/Asia Africa Middle East Latn America
desert
0.0
0.0
0.0
14.3
85.7
0.0
arid / desert 0.0
0.0
0.0
20.0
80.0
0.0
arid
16.7
0.0
16.7
0.0
33.3
33.3
tropical
0.0
0.0
28.1
31.2
0.0
40.6
mediterranean 10.0
20.0
20.0
20.0
20.0
10.0
maritime
25.0
75.0
0.0
0.0
0.0
0.0
temperate
44.1
23.5
11.8
5.9
5.9
8.8
arctic / temp 75.0
25.0
0.0
0.0
0.0
0.0
arctic
NaN
NaN
NaN
NaN
NaN
NaN
REGION
CLIMATE
Total Count
desert
100.0
7
arid / desert 100.0
5
arid
100.0
6
tropical
99.9
32
mediterranean 100.0
10
maritime
100.0
4
temperate
100.0
34
arctic / temp 100.0
4
arctic
NaN
0
>.Test<chisq.test(.Table,correct=FALSE)
Warning in chisq.test(.Table, correct = FALSE) :
Chi-squared approximation may be incorrect
>.Test
Pearson's Chi-squared test
data: .Table
X-squared = NaN, df = 40, p-value = NA
Output uji Chikuadrat atau Chisquared tidak dapat diperoleh karena banyak nilai 0
padabeberapaselkombinasiantaravariabelCLIMATEdanREGION.
93
sht90
6.8.EntryLangsungDataFrekuensiuntukTabelKontingensiDuaArah
Rjugamenyediakanfasilitasuntukmembuattabelkontingensiduaarahdengan
caramemasukkanlangsungfrekuensifrekuensipadasetiapkombinasiselyangadapada
tabel kontingensi. Pembuatan masukkan tabel dua arah ini pada RCommander dapat
dilakukandenganmenggunakanmenuStatistika,pilihTabelkontingensi,dankemudian
pilihMasukkandananalisistabelduaarah.Setelahituakanterlihatjendelapilihan
tentang Banyaknya baris dan Banyaknya kolom, serta Masukkan frekuensi yang akan
dibuattabelkontingensiduaarahsepertipadaGambar6.13berikutini.
Gambar6.12.JendelapilihanDuaPeubahyangakandibuatTabelKontingensinya
MisalkanakandibuattabelkontingensiduaarahuntukvariabelPILIHANACARA
TVdanGENDERRESPONDEN,makapadajendelakolom,tulisOlahragadanSinetron,
dantulisPriadanWanitapadajendelabaris.Isikanangka45,20,25,dan40padaempat
sel isian yang ada (misal Pria cenderung menonton Olah raga, sedangkan Wanita
cenderung menonton Sinetron). Kemudian klik OK untuk menampilkan output tabel
kontingensiduaarahpadajendelakeluaransepertiberikutini.
94
sht90
>library(abind)#aktifkanterlebihdulujikadiperlukan
>.Table<matrix(c(45,20,25,40),2,2,byrow=TRUE)
>rownames(.Table)<c('Pria','Wanita')
>colnames(.Table)<c('Olahraga','Sinetron')
>.Table#Counts
Pria
Wanita
Olah raga Sinetron

45
20
25
40
>rowPercents(.Table)
Pria
Wanita
Olah raga Sinetron Total Count

69.2
30.8
100
65
38.5
61.5
100
65
>.Test<chisq.test(.Table,correct=FALSE)
>.Test
Pearson'sChisquaredtest
data:.Table
ProsedurujiChisquarePearsonatau 2 padaoutputdiatas(untukevaluasidependensi
antara dua peubah nonmetrik, skala nominal atau ordinal) adalah sebagai berikut
(JohnsondanBhattacharyya,1996).
(1).Hipotesa:
H0 :peubahpadabarisdankolomindependen
H1 :peubahpadabarisdankolomdependen
(2). Statistikuji:
(Oij E ij ) 2
E ij
i =1 j =1
b k
2 =
dengan Oij = jumlahpengamatanpadabariskeidankolomkej,

E ij = nilaiekspektasipengamatanpadabariskeidankolomkej.
Perhitunganuntuknilaiekspektasiiniadalahsebagaiberikut
E ij =
n i. n. j
n
dengan ni. =totalpengamatanbariskei, n. j =totalpengamatankolomkej,

dan n =totalpengamatankeseluruhan.
95
sht90
(3). Daerahpenolakan:
TolakH0yangberartikeduapeubahsalingdependen(terkait)jika
2 > 2 , df = (b 1)( k 1) ataunilai p < ,
dengan b =jumlahbaris,dan k =jumlahkolom.
Hasil dari output di atas menunjukkan nilai uji Chisquare Pearson dan nilai p
untuk pengambilan kesimpulan tentang ada tidaknya dependensi antara gender
responden dan acara TV yang sering ditonton. Nilai uji Chisquare Pearson adalah
12.381, dan nilai p sebesar 0.0004337. Dengan demikan, jika digunakan =0.05 dapat
disimpulkan bahwa pengujian menunjukkan tolak H0 yang berarti bahwa gender
respondendanacaraTVyangditontontidakindependenatausalingterkait.Keterkaitan
dua variabel tersebut adalah Pria cenderung menonton Olah raga (68,2% Pria),
sedangkanWanitacenderungmenontonSinetron(61,5%Wanita).
96
sht90
StatistikInferensimenggunakanRCommander
BAB7
STATISTIKINFERENSIMENGGUNAKANRCommander
Padabab ini akandibahaspenggunaanRCommander untukmembuat analisis

statistik inferensi dari suatu kumpulan data. Ada beberapa metode analisis statistik
inferensiyangdisediakanpadaRCommander,yaituujihipotesisuntukmean,proporsi,
danvarians,ujiChikuadratuntukevaluasikebebasanantaraduavariabelkategorik,uji
ANOVA,ujiujiNonparametrik,analisiskomponenutama,analisisfaktor,analisisklaster,
analisisregresilinear,danGeneralizedlinearmodel.
PaketRCommanderpadaawalnyadibuatuntukkeperluananalisisstatistikyang
sederhana, yaitu sebagai alat komputasi untuk perkuliahan statistika dasar, khususnya
untuk pengguna yang cenderung lebih terbiasa menggunakan paketpaket statistika
yang bersifat point and click. Oleh karena itu, menu dan pilihan kotak dialog yang
ditampilkan masih bersifat sederhana dan tidak mencakup semua kapabilitas yang
dimiliki R. Sebagai sebuah sistem komputasi statistika yang lengkap, kemampuan R
sebagianbesardiperolehdariribuanpaket(packageataulibrary)yangdikontribusikan
oleh seluruh penggguna R di seluruh dunia. Dengan demikian, tidaklah mungkin
membuatsatusistemRGUIyangmemilikimenudarisemuakemampuanyangdimiliki
R. Hal ini karena terlalu banyaknya analisis statistika yang dapat dilakukan dengan
menggunakan R. Untuk mengetahui daftar semua paket yang tersedia sampai saat ini
dapatdilihatdihttp://cran.rproject.org.
Secara umum, metode statistika yang tersedia dalam RCommander terbagi
dalam 8 (delapan) dialog pilihan utama yang dapat dijalankan setelah memilih menu
Statistika,yaitu:
1.Ringkasan(Summaries),yangterdiridaridialogpilihan
2.Tabelkontingensi(ContingencyTables),yangterdiridaridialogpilihan
97
sht90
3.Rerata(Means),yangterdiridaridialogpilihan
4.Proporsi(Proportions),yangterdiridaridialogpilihan
5.Variansi(Variances),yangterdiridaridialogpilihan
6.Ujinonparametrik(Nonparametrictests),yangterdiridaridialogpilihan
7.Analisisdimensional(Dimensionalanalysis),yangterdiridaridialogpilihan
8.Pencocokanmodel(Fitmodels),yangterdiridaridialogpilihan
98
sht90
PembahasantentangRingkasandanTabelkontingesisudahdiberikanpadaBab
6sebelumnya.Dengandemikian,babiniakanmembahasanalisisstatistikauntukpilihan
Ratarata,Variansi,danseterusnya.
7.1.PengujianRatarata(Mean)
Padabagianiniakandijelaskancaraperhitunganuntukpengujianrataratadari
suatu data. R menyediakan lima macam pilihan pada pengujian ratarata, yaitu Ujit
sampel tunggal, Ujit sampel saling bebas, Ujit berpasangan, ANAVA Satuarah, dan
ANAVA Multiarah. Pilihanpilihan analisis statistika tersebut dapat diperoleh dengan
memilih menu Statistika, dan kemudian memilih Rerata seperti yang terlihat pada
Gambar7.1.Jendeladialoguntukpilihanpadapengujianratarata
7.1.1.PengujianRataratasampeltunggal(Singlesamplettest)
MisalkansuatusamplingterhadapairsungaiKALIMASSurabayadilakukanoleh
Departemen Kesehatan kota Surabaya untuk menentukan apakah ratarata jumlah
bakteriperunitvolumeairdiSungaitersebutmasihdibawahambangbatasamanyaitu
200.Kemudian,penelitididepartementersebutmengumpulkan10sampelairperunit
volumedanmenemukanjumlahbakterisebagaiberikut.
Sampelke
10
Jml.bakteri
175
190
215
198
184
207
210
193
196
180
Apakahdata(informasi)inimemberikanbuktiyangkuatbahwarataratajumlahbakteri
perunitvolumeairdisungaiKALIMASmasihdibawahambangbatasaman?
99
sht90
Pengujian ratarata sampel tunggal dapat dilakukan setelah data tersedia di R.

Untuk itu, masukkan terlebih dahulu datadata tersebut dengan menggunakan menu
Data,pilihDatasetbaru,danberinamadatasetbaruitu(misalkandata7mu).Setelah
itu,isikandatadataitusepertitampilanberikutini.
Gambar7.2.JendelatampilanuntukentrydatapadaRCommander
Untuk melakukan pengujian ratarata sampel tunggal seperti contoh kasus di

atas, RCommander menyediakan pilihan yaitu melalui menu Statistika, pilih Rerata,
dan kemudian pilih Ujit sampel tunggal, sehingga diperoleh tampilan dialog isian
untukpengujianrataratasampeltunggalsepertipadaGambar7.3.PadapilihanPeubah
klik bakteri, dan kemudian isikan angka 200 pada kotak pilihan Hipotesis nol: mu=.
Setelah itu, klik pilihan pada Hipotesis Alternatif sesuai dengan permasalahan diatas,
yaitu Rerata populasi < mu0. Secara lengkap hipotesis statistik yang digunakan dalam
pengujianrataratainiadalahsebagaiberikut.
H0: = 200 (atau 200 )
H1: < 200
KemudiantentukanLevelKeyakinanpengujianyangakandigunakan,misalkansaja0.95.
Hal ini berarti yang digunakan adalah 5%. Setelah semua isian dialog sudah sesuai
dengan pengujian yang akan dilakukan, klik OK untuk menampilkan output dari
pengujianini.
100
sht90
Gambar7.3.JendeladialoguntukpilihanpadaUjitsampeltunggal
Statistik uji yang digunakan dalam uji hipotesis ini adalah uji t , yang rumus
perhitungannyaadalah(JohnsondanBhattacharyya,1996)
t=
X
,
S
n
dengan X adalah ratarata dan S adalah deviasi standar yang dihitung dari data
sampel, serta n adalah banyaknya data. Dalam hal ini, H0 ditolak yang berarti bahwa
< 200 ,jikanilaiuji t memenuhidaerahpenolakan,yaitu
t < t ; df = n 1 ataupvalue < .
Outputhasilpengujianrataratasampeltunggalyangdiperolehdaricontohkasusdiatas
>t.test(data7mu1$bakteri,alternative='less',mu=200,conf.level=.95)
OneSamplettest
data:data7mu1$bakteri
t=1.2516,df=9,pvalue=0.1211
alternativehypothesis:truemeanislessthan200
Inf202.4162
sampleestimates:
meanofx
194.8
101
sht90
Hasil ini menunjukkan bahwa nilai statistik t yang diperoleh adalah 1.2516,
dengan pvalue pengujian adalah 0.1211. Dengan menggunakan kaidah pengambilan
keputusanberdasarkanpvalue,yaitutolakH0jikapvaluelebihkecildarinilai,maka
pada=0.05dapatdisimpulkanbahwapengujianmenunjukkangagaltolakH0.Dengan
demikiandapatdijelaskanbahwarataratajumlahbakteriperunitvolumeairyangada
di Sungai KALIMAS Surabaya tidak berada di bawah ambang batas aman atau per
nyataanbahwarataratajumlahbakteriperunitvolumeairdiSungaiKALIMASmasihdi
bawahambangbatasamanadalahTIDAKBENAR.
7.1.2. PengujianPerbedaanRatarataDuasampelsalingbebasatau
Independentsamplettest
Misalkan suatu metode perakitan produk dalam pabrik tertentu memerlukan
kirakirasatubulanmasatraininguntukseorangpegawaibaruuntukmencapaiefisiensi
maksimum.Suatumetodetrainingyangbarutelahdiusulkandanpengujiandilakukan
untuk membandingkan metode baru tersebut dengan prosedur yang standar. Dua
kelompokyangmasingmasingterdiridarisembilanpegawaibarudilatihselamaperiode
waktu tiga minggu, satu kelompok menggunakan metode baru dan lainnya mengikuti
prosedur latihan yang standar.Lama waktu (dalammenit) yangdiperlukanoleh setiap
pegawaiuntukmerakitprodukdicatatpadaakhirdariperiodeempatminggutersebut,
danhasilnyadapatdilihatpadatabelberikut.
Tabel7.1.Lamawaktu(dalammenit)untukmerakitproduk
ProsedurStandar
32
37
35
28
41
44
35
31
34
ProsedurBaru
35
31
29
25
34
40
27
32
31
Apakah data ini memberikan cukup bukti untuk menyatakan bahwa mean (ratarata)
waktuuntukmerakitprodukpadaakhirperiodeempatminggulatihanadalahlebihkecil
untuk prosedur (metode) latihan baru? Gunakan =0.05 untuk membuat kesimpulan
daripengujianhipotesisini.
Seperti pada bagian sebelumnya, pengujian perbedaan ratarata dua sampel
independen inidapatdilakukan setelahdatatersedia diR.Dalamhalini,adaduacara
yang dapat dilakukan yaitu memasukkan data pada dataset baru atau menambahkan
data pada dataset yang sudah ada. Pada bagian ini akan digunakan cara kedua yaitu
menambahkan datadata ini pada dataset yang sudah ada dari subbab sebelumnya,
yaitudata7mu.
102
sht90
Untuk itu, aktifkan dulu data7mu dengan menggunakan menu Data, pilih
Dataset aktif, dan kemudian klik Pilih dataset aktif . Setelah itu pilih data7mu yang
sudah tersimpan sebelumnya. Selanjutnya, editing data untuk menambah data baru
dapatdilakukandenganmengklikjendeladialogEditdataset.Dengandemikianproses
editinguntukmenambahkandatabarudapatdilakukan.IsikandatadatapadaTabel7.1
pada dua kolom baru yang tersedia, yaitu kolom pertama dengan nama waktu yang
berisidatadatawaktuperakitan(baik denganmetodebaru ataupunmetodestandar).
Sehinggapadakolomwaktuiniada18data.Padakolomyangkeduaberinamametode,
isikan angkaangka kode dari metode baru (misalkan dengan kode 1) dan metode
standar (kode 2). Setelah proses input data baru telah lengkap, maka akan diperoleh
tampilandatasetdata7muyangberisi3(tiga)kolomsepertiyangterlihatpadaGambar
7.4. Kemudian tutup jendela pengisian data ini untuk melanjutkan ke komputasi
pengujianperbedaanratarataduasampelsalingbebas.
Gambar7.4.JendelatampilanuntukhasileditingdatabarupadaRCommander
103
sht90
Untuk dapat mengaktifkanmenu Ujit sampel salingbebas diperlukan langkah

awal, yaitu mengkonversi variabel metode menjadi faktor. Hal ini dapat dilakukan
denganmenggunakanmenuData,pilihAturpeubahpadadatasetaktif,dankemudian
klik Konversi peubah numerik ke faktor , sehingga diperoleh jendela dialog seperti
gambarberikutini.
Gambar7.5.JendeladialoguntukKonversiPeubahNumerikkeFaktor
Selanjutnya pilih variabel metode, dan klik Level Faktor pada pilihan Sediakan nama
leveldangunakanpilihandefault<samadenganpubah>padaNamapeubahbaru.Klik
OKsehinggadiperolehtampilansepertiberikutini.
Gambar7.6.JendeladialoguntukNamalevelpadapeubahbaru
Isikannamalevelyangsesuaidengannilainumerikyangakandiberinama,yaitu
metode standar untuk 1 dan metode baru untuk 2. Setelah itu klik OK, dan proses
konversivariabeldarinumerikkefaktortelahdilakukan.Untukmelihatperubahandata
akibat proses konversi ini dapat dilakukan dengan mengklik pada jendela pilihan Lihat
dataset,sehinggadiperolehtampilandata7mubarusepertipadaGambar7.7dibawah
ini.
104
sht90
Gambar7.7.Jendelatampilandatabarusetelahkonversimetodekefaktor
Sebagaicatatan,hasileditingdenganmenambahkanvariabelbarudenganjumlahdata
lebih banyak daripada variabel yang lama menyebabkan variabel yang lama mengan
dungdatamissing.
Tahap selanjutnya adalah proses pengujian perbedaan ratarata untuk data di
atas, yaitu dengan memilih menu Statistika, pilih Rerata, dan kemudian pilih Ujit
sampelsalingbebas,sehinggadiperolehjendeladialogsepertipadaGambar7.8.Klik
metode pada jendela Kelompok, dan waktu pada jendela Peubah respon, serta pilih
Hipotesis Alternatif yang sesuai dengan permasalahan di atas, yaitu klik Selisih>0.
Dalamkasusini,hipotesisstatistikayangdigunakanadalah
H0: 1 2 0 atau 1 2
H1: 1 2 > 0 atau 1 > 2
dengan 1 adalahrataratapopulasiuntukwaktumerakitdenganprosedurstandar,dan
2 menyatakanrataratapopulasiuntukwaktumerakitdenganprosedurbaru.
Setelah itu, pilih Interval Keyakinan yang digunakan (misalkan saja 0.95 yang
berarti=5%).KemudianpilihAsumsivariansisamadenganmengkliksalahsatupilihan
yang ada, misalkan saja Ya (pada bagian selanjutnya hal ini akan diuji dengan
menggunakanfasilitasyangadadiRCommander).
105
sht90
Gambar7.8.JendeladialoguntukUjitSampelSalingBebas
Penjelasantentangstatistikujiyangdigunakandalamujihipotesisperbedaanduarata
ratasampelsalingbebasdenganasumsivarianssamaadalahuji t ,yaitu(Johnsondan
Bhattacharyya,1996)
t=
X1 X 2
S pooled
1
1
+
n1 n 2
dengan X 1 dan X 2 adalahrataratasampelpertamadankedua, n1 dan n 2 banyaknya

sampel data pertama dan kedua, dan S pooled adalah taksiran deviasi standar bersama
yangdidefinisikandengan
S 2pooled =
(n1 1) S12 + (n 2 1) S 22
.
n1 + n 2 2
Dalam hal ini S1 dan S 2 adalah deviasi standar dari sampel data pertama dan kedua.
KarenaujiiniadalahujisatuarahdenganH1 bertandalebihbesar,makaH0ditolakjika
nilaiuji t memenuhidaerahpenolakan,yaitu
t > t ; df = n1 + n2 2 ataupvalue < .
Selanjutnya, setelah semua isian dialog sudah sesuai dengan pengujian yang
akan dilakukan, klik OK untuk menampilkan output dari pengujian ini. Hasil dari
pengujianperbedaanrataratauntukkasuswaktumerakitdiatassecaralengkapdapat
dilihatpadaoutputberikutini.
106
sht90
>fix(data7mu)
>data7mu$metode<factor(data7mu$metode,labels=c('metodestandar',
'metodebaru'))
>t.test(waktu~metode,alternative='greater',conf.level=.95,var.equal=TRUE,
data=data7mu)
TwoSamplettest
data:waktubymetode
t=1.6495,df=16,pvalue=0.05927
alternativehypothesis:truedifferenceinmeansisgreaterthan0
0.2142871Inf
sampleestimates:
meaningroupmetodestandarmeaningroupmetodebaru
35.2222231.55556
Hasil ini menunjukkan bahwa nilai statistik t yang diperoleh adalah 1.6495,
denganpvaluesebesar0.05927.Denganmenggunakankaidahpengambilankeputusan
berdasarkanpvalue,makapada=0.05dapatdisimpulkanbahwapengujianhipotesis
menunjukkangagaltolakH0.Dengandemikiandapatdijelaskanbahwarataratawaktu
perakitandenganmetodebarudanmetodestandaradalahtidakberbedaataudugaan
bahwa metode baru memberikan waktu perakitan lebih cepat adalah tidak didukung
olehdata.
7.1.3. PengujianPerbedaanRataratasampelberpasangan(Pairedttest)
Misalkansebuahpabrikinginmembandingkankualitaskeawetandariduajenis
banmobilyangberbeda,yaitubanAdanB.Untukperbandingan,dilakukaneksperimen
dengan cara sebuah ban jenis A dan sebuah ban jenis B secara acak ditentukan dan
dipasang pada roda belakang dari lima mobil. Mobilmobil tersebut dijalankan untuk
sejauh km tertentu dan jarak keawetan (jarak sampai diperoleh ban mengalami
kerusakan tertentu) dicatat untuk setiap ban. Hasil pengukuran dari percobaan ini
(dalam ribu km) dapat dilihat pada Tabel 7.2. Dalam percobaan ini, faktor pengemudi,
kondisi mobil, kondisi jalan, dan faktorfaktor lain yang diduga berpengaruh terhadap
tingkat keawetan pemakaian ban diharapkan dapat dikendalikan dengan cara me
lakukan pengacakan letak ban pada roda belakang setiap mobil yang digunakan.
Berdasarkan data pada Tabel 7.2, tentukan apakah hasil ini memberikan cukup bukti
untukmenyatakanbahwaadaperbedaantingkatkeawetanuntukkeduajenisbanmobil
tersebut.
107
sht90
Tabel7.2.Tingkatkeawetan(dalamribukm)untukduajenisban
JenisBan
Mobil
1.
2.
3.
4.
5.
BanA
BanB
10,6
9,8
12,3
9,7
8,8
10,2
9,4
11,8
9,1
8,3
PengujianperbedaanrataratasampelberpasangandapatdilakukandenganR
CommandersetelahdatatersediadiR.Untukitu,aktifkanduluRCommanderdanbuat
datasetbaru,misalkansajadengannamadata7mu3denganmenggunakanmenuData,
pilihDatasetbaru.Setelahitubuattigakolomuntukvariabelmobil,banA,danbanB.
Isikan data pada Tabel 7.2 pada kolomkolom baru yang tersedia, sehingga diperoleh
tampilandatasepertipadaGambar7.9berikutini.
Gambar7.9.JendelatampilandatauntukUjitberpasangan
Tahap selanjutnya adalah proses pengujian perbedaan ratarata sampel ber

pasangan untuk data di atas, yaitu dengan memilih menu Statistika, pilih Rerata, dan
kemudian pilih Ujit berpasangan, sehingga diperoleh jendela dialog seperti pada
Gambar7.10.Klikban.ApadajendelaPeubahpertama,danban.BpadajendelaPeubah
kedua. Kemudian pilih Hipotesis Alternatif yang sesuai dengan permasalahan di atas,
yaituklikDuaarahyangmenyatakanbahwahipotesispenelitianadalahadaperbedaan
tingkatkeawetanantarabanAdanB.
108
sht90
Gambar7.10.JendeladialoguntukUjitBerpasangan
Dalam contoh kasus percobaan tingkat keawetan kedua ban ini, hipotesis
statistikayangdigunakanadalah
H0 : = 0
H1 : 0 atauadaperbedaantingkatkeawetan
dengan adalah ratarata (populasi) selisih tingkat keawetan ban A dengan ban B.
Statistikujidalampengujianiniadalahuji t ,yaitu(JohnsondanBhattacharyya,1996)
t=
D
SD
,
n
dengan D adalah ratarata selisih sampel tingkat keawetan ban A dengan ban B, dan
S D adalah deviasi standar dari selisih sampel tingkat keawetan ban A dengan ban B,
serta n adalah banyaknya sampel data. Karena uji ini termasuk dalam uji dua arah
dengan H1 bertanda tidak sama dengan atau , maka H0 ditolak jika nilai uji t
memenuhidaerahpenolakan,yaitu
| t | > t
2
; df = n 1
ataupvalue < .
Kemudian, pilih Interval Keyakinan yang digunakan (misalkan saja 0.95 yang
berarti =5%). Setelah semua isian dialog sudah sesuai dengan pengujian yang akan
dilakukan,klikOKuntukmenampilkanhasiloutputdaripengujiansampelberpasangan
sepertiberikutini.
109
sht90
>t.test(data7mu3$Ban.A,data7mu3$Ban.B,alternative='two.sided',
conf.level=.95,paired=TRUE)
Pairedttest
data:data7mu3$Ban.Aanddata7mu3$Ban.B
t=12.8285,df=4,pvalue=0.0002128
alternativehypothesis:truedifferenceinmeansisnotequalto0
0.37611490.5838851
sampleestimates:
meanofthedifferences
0.48
Hasilinimenunjukkanbahwanilaistatistik t yangdiperolehadalah12.8285,dan
pvalue pengujian adalah 0.0002128. Dengan menggunakan kaidah pengambilan
keputusanberdasarkanpvalue,makapada=0.05dapatdisimpulkanbahwapengujian
menunjukkantolakH0.Dengandemikiandapatdijelaskanbahwaratarataselisihtingkat
keawetan antara ban A dan B adalah berbeda. Hasil ini menunjukkan bahwa ban A
mempunyai tingkat keawetan lebih lama (jarak lebih jauh) dibanding ban B. Hal ini
ditunjukkan oleh nilai positif pada ratarata selisih jarak tempuh antara ban A dan B
sampaibanbantersebutrusak.
7.1.4. AnalisisVariansi(ANAVA)satuarah(OnewayANOVA)
Suatueksperimendilakukanuntukmembandingkanhargasepotongroti(merek
tertentu) pada empat lokasi di suatu kota. Empat toko pada lokasi 1, 2 dan 3 dipilih
secaraacaksebagaisampel,sedangkandilokasi4hanyaduatokoyangterpilih(hanya
duatokoiniyangmenjualmerektersebut).Diperolehdatasebagaiberikut:
Tabel7.3.Hargasepotongrotimerektertentupadaempatlokasi
Lokasi
Harga(riburupiah)
1.59
1.63
1.65
1.61
1.58
1.61
1.64
1.63
1.54
1.54
1.55
1.58
1.69
1.70
110
sht90
Apakah data ini memberikan bukti yang cukup untuk menyatakan bahwa ada
perbedaanrataratahargarotiditokotokopada4lokasiyangtersebardikota
tersebut?
Pengujian perbedaan ratarata dari empat sampel ini dapat dilakukan dengan
metode ANAVA satu arah yang tersedia di RCommander setelah data tersedia di R.
Untuk itu, buat dataset baru, misalkan saja dengan nama data7mu4 dengan
menggunakan menu Data, pilih Dataset baru . Setelah itu buat dua kolom untuk
variabel lokasi, dan harga. Isikan data pada Tabel 7.3 pada kolomkolom baru yang
tersedia,sehinggadiperolehdatasepertipadaGambar7.11.
Seperti pada Ujit sampel saling bebas, diperlukan langkah awal untuk
mengaktifkanANAVAsatuarahini,yaitumengkonversivariabellokasimenjadifaktor.
Hal ini dapat dilakukan dengan menggunakan menu Data, pilih Atur peubah pada
dataset aktif, dan kemudian klik Konversi peubah numerik ke faktor , seperti yang
digunakanpadavariabelmetodepadaUjitsampelsalingbebasdibagiansebelumnya,
yaitusubbab7.1.2.
Gambar7.11.JendelatampilandatauntukANAVAsatuarah
Darigambarinidapatdilihatbahwastrukturdatayangdigunakanadalahsamadengan
padapengujianrataratasampelsalingbebas(independen).
111
sht90
Tahap selanjutnya adalah proses pengujian ANAVA satu arah, yaitu dengan
memilih menu Statistika, pilih Rerata, dan kemudian pilih ANAVA Satuarah. Selain
itu,ujiANAVAsatuarahinidapatjugadilakukandenganmenggunakanmenuStatistika,
pilihRerata,dankemudianpilihANAVAMultiarah,sehinggadiperolehjendeladialog
sepertipadaGambar7.12berikutini.
Gambar7.12.JendeladialoguntukANAVAmultiarah
Pada jendela dialog pilihan ANAVA multiarah terlihat bahwa fasilitas ini dapat
digunakanuntuksatuataulebihfaktor.Sehinggakalauhanyasatufaktoryangdiselidiki,
makafasilitasiniadalahsamasajadenganANAVAsatuarah.
Selanjutnya, klik lokasi pada jendela Faktor, dan harga pada jendela Peubah
respon. Pada contoh kasus perbandingan ratarata harga ini, hipotesis statistika yang
digunakanadalah
H0: 1=2=3=4=
H1: minimaladasatumeanpopulasiyangbeda
dengan i adalah ratarata (populasi) harga roti di lokasi i. Statistik uji yang digunakan
adalah uji F, dan bentuk perhitungannya disajikan dalam suatu tabel yang dikenal
dengan tabel ANAVA. Berikut ini adalah bentuk umum tabel ANAVA satu arah untuk
perbandinganrataratakpopulasi(JohnsondanBhattacharyya,1996).
Sumber
d.f.
SS
MS
Treatment
k1
SST
MST=SST/(k1)
MST/MSE
Error
nk
SSE
MSE=SSE/(nk)
Total
n1
SSTotal
RumusuntukperhitungannilainilaiSST,SSEdanSSTotaladalahsebagaiberikut.
112
sht90
PerhitunganSSTatauSumSquaresofTreatment
Ti2 T 2

n
i =1 ni
SST= ni ( x i x ) 2 =
i =1
PerhitunganSSEatauSumSquaresofErrors
k ni
SSE= ( x ij x i ) 2
i =1 j =1
PerhitunganSSTotalatauSumSquaresofTotal
k ni
SSTotal= ( x ij x ) 2 = x ij2
i =1 j =1
dengan
ij
T2

n
Ti =Totalpengamatanpopulasi(treatment)kei
T = Totalpengamatanseluruhnya
ni = Banyaknyapengamatantreatmentkei
n = Banyaknyapengamatanseluruhnya.
Kembali ke Gambar 7.12, setelah pengisian peubah pada jendela Faktor, dan jendela
Peubah respon, selanjutnya klik OK untuk menampilkan output dari pengujian seperti
berikutini.
>Anova(lm(harga~lokasi,data=data7mu4))
AnovaTable(TypeIItests)
Response:harga
SumSqDfFvaluePr(>F)
lokasi0.00087530.08970.964
Residuals0.03252510
>tapply(data7mu4$harga,list(lokasi=data7mu4$lokasi),mean,na.rm=TRUE)#means
lokasi
1234
1.60001.62001.61251.6050
>tapply(data7mu4$harga,list(lokasi=data7mu4$lokasi),sd,na.rm=TRUE)#std.deviations
lokasi
1234
0.063770420.065828060.045000000.03535534
113
sht90
HasilinimenunjukkanbahwanilaistatistikFyangdiperolehadalah0.0897,dan
pvalue pengujian adalah 0.964. Dengan menggunakan kaidah pengambilan keputusan
berdasarkan pvalue, maka pada =0.05 dapat disimpulkan bahwa pengujian
menunjukkan gagal tolak H0. Dengan demikian dapat dijelaskan bahwa ratarata harga
rotidiempatlokasiituadalahsama.
Selain dengan menggunakan perintah di RCommander, dapat juga digunakan
commandlinediRConsoleyaitumenggunakanperintahlm.Perintahinisecaraumum
adalahuntukuntukanalisismodellinear(linearmodel),termasukjugadapatdigunakan
untuk analisis regresi linear. Berikut ini adalah contoh penggunakan perintah lm pada
datadiatasbesertaoutputnya.
>fit<lm(harga~lokasi,data=data7mu4)
>summary(fit)
Call:
lm(formula=harga~lokasi,data=data7mu4)
Residuals:
Min1QMedian3QMax
0.080000.023750.006250.026870.09000
Coefficients:
EstimateStd.ErrortvaluePr(>|t|)
(Intercept)1.600000.0285156.1107.84e14***
lokasi[T.2]0.020000.040330.4960.631
lokasi[T.3]0.012500.040330.3100.763
lokasi[T.4]0.005000.049390.1010.921
Signif.codes:0***0.001**0.01*0.05.0.11
Residualstandarderror:0.05703on10degreesoffreedom
MultipleRSquared:0.0262,AdjustedRsquared:0.2659
Fstatistic:0.08967on3and10DF,pvalue:0.964
>anova(fit)
AnalysisofVarianceTable
Response:harga
DfSumSqMeanSqFvaluePr(>F)
lokasi30.0008750.0002920.08970.964
Residuals100.0325250.003252
Hasil dengan perintah ini memberikan output yang lebih banyak, termasuk koefisien
regresiyangdapatdigunakanuntukmenghitungrataratahargarotipadasetiaplokasi.
114
sht90
7.1.5. AnalisisVariansi(ANAVA)duaarah(MultiwayANOVA)
Suatu eksperimen dilakukan untuk menguji apakah terdapat efek (pengaruh)
dariduafaktor,yaitujenismaterialdantemperaturpemakaian,terhadaplamabaterai
tertentu dapat bertahan (usia pakai baterai). Tiga jenis material dan tiga macam
temperaturberbedadipilihsecaraacakdandigunakandalameksperimenini.Dalamhal
ini,temperaturyangdipilihadalah15,70,dan125(dalam0F).Padasetiapselkombinasi
perlakuandilakukanpengulangan(replikasi)sebanyakempatkali.Datahasileksperimen
inisecaralengkapdapatdilihatpadaTabel7.4.
Tabel7.4.Dataeksperimanterhadapusiapakaibaterai(dalamjam)
Temperatur(0F)
TipeMaterial
15
70
125
130155
74180
3440
8075
2070
8258
150188
159126
136122
106115
2570
5845
138110
168160
174120
150139
96104
8260
Apakahdatainimemberikanbuktiyangcukupuntukmenyatakanbahwaadaefekjenis
materialdantemperaturterhadapusiapakaibaterai?
Untuk menguji efek kedua faktor tersebut dapat dilakukan dengan metode
ANAVA multi arah yang tersedia di RCommander. Untuk itu, buat dataset baru,
misalkansajadengannamadata7mu5denganmenggunakanmenuData,pilihDataset
baru. Setelah itu buatdua kolomuntuk variabellokasi, dan harga. Isikan data pada
Tabel 7.4 pada kolomkolom baru yang tersedia, sehingga diperoleh data seperti pada
Gambar7.13.Darigambarinidapatdilihatbahwastrukturdatayangdigunakanadalah
samadenganpadaANAVAsatuarah.
Seperti pada ANAVA satu arah, diperlukan langkah awal untuk mengaktifkan
ANAVA satu arah ini, yaitu mengkonversi variabel jenis material dan temperatur
menjadi faktor. Hal ini dapat dilakukan dengan menggunakan menu Data, pilih Atur
peubah pada dataset aktif, dan kemudian klik Konversi peubah numerik ke faktor ,
sepertiyangdigunakanpadavariabellokasipadaANAVAsatuarahsebelumnya.Dalam
kasus ini, karena ada dua faktor yang akan diselidiki pengaruhnya terhadap respon,
makaanalisisyangdigunakandisebutANAVAduaarah.
115
sht90
Gambar7.13.JendelatampilandatauntukANAVAduaarah
Tahap selanjutnya adalah proses pengujian ANAVA dua arah, yaitu dengan
memilih menu Statistika, pilih Rerata, dan kemudian pilih ANAVA Multiarah,
sehinggadiperolehjendeladialogsepertipadaGambar7.14.Padajendeladialogpilihan
ANAVA multiarah klik material dan temperat pada jendela Faktor, dan usia pada
jendela Peubah respon. Pada contoh kasus ini, ada tiga hipotesis statistika yang
digunakan,yaitu:
1.EfekfaktorJenisMaterial
H0 : i=0(i=1,2,3)atautidakadaefekjenismaterialterhadapusiapakai
H1 : minimaladasatui0atauadaefekjenismaterialterhadapusiapakai
116
sht90
2.EfekfaktorTemperatur
H0 : j=0(j=1,2,3)atautidakadaefektemperaturterhadapusiapakai
H1 : minimaladasatuj0atauadaefektemperaturterhadapusiapakai
3.EfekinteraksifaktorJenisMaterialdanTemperatur
H0 : ()ij=0(i,j=1,2,3)atautidakadaefekinteraksi
H1 : minimaladasatuj0atauadaefekinteraksi
Gambar7.14.JendeladialoguntukANAVAmultiarah
Kemudian,klikOKuntukmenampilkanoutputdari pengujianANAVA duaarahseperti

dalamkotakdibawahparagrafini.Hasilinimenunjukkanbahwaadaefekyangsignifikan
dari jenis material, temperatur, serta interaksi antara jenis material dan temperatur,
terhadapusiapakaibaterai.Haliniditunjukkanolehpvalueyangsemuanyalebihkecil
dari=0.05padaketigaefekyangdievaluasi.
>data7mu5$material<as.factor(data7mu5$material)
>data7mu5$temperat<as.factor(data7mu5$temperat)
>Anova(lm(usia~material*temperat,data=data7mu5))
AnovaTable(TypeIItests)
Response:usia
SumSqDfFvaluePr(>F)
material39119228.96771.909e07***
temperat1068427.91140.001976**
material:temperat961443.55950.018611*
Residuals1823127
Signif.codes:0***0.001**0.01*0.05.0.11
117
sht90
>tapply(data7mu5$usia,list(material=data7mu5$material,
temperat=data7mu5$temperat),mean,na.rm=TRUE)#means
temperat
material
15
70
125
1 134.75 155.75 144.00
2 57.25 119.75 145.75
3 57.50 49.50 85.50
temperat=data7mu5$temperat),sd,na.rm=TRUE)#std.deviations
temperat
material
15
70
125
1 45.35324 25.61738 25.97435
2 23.59908 12.65899 22.54440
3 26.85144 19.26136 19.27866
temperat=data7mu5$temperat),function(x)sum(!is.na(x)))#counts
temperat
material 15 70 125
1 4 4
4
2 4 4
4
3 4 4
4
Sebagai tambahan, hasil dari perintah ANAVA multi arah pada RCommander juga
menampilkan output yang berisi nilainilai mean, standar deviasi, dan jumlah
pengulanganpadasetiapselkombinasiantarfaktor.
7.2.PengujianKesamaanVariansi
Rmenyediakantigamacampilihanpadapengujiankesamaanvariansi,yaituUji
F dua variansi, Uji Bartlett, dan Uji Levene. Pilihanpilihan analisis statistika tersebut
dapat diperoleh dengan memilih menu Statistika, dan kemudian memilih Variansi.
Berikutiniadalahpenjelasanuntukmasingmasingujitersebut.
7.2.1. PengujianKesamaanDuaVariansi
Pada bagian 7.1.2 sebelumnya telah dibahas pengujian ratarata dua sampel
independendenganujit.Dalamujiiniadaduapilihanberkaitandenganasumsivarians
dariduasampelyangdiamati,yaitusamaatauberbeda.Untukmengujikesamaandua
varianstersebutdapatdilakukandenganujiF.
118
sht90
Perhatikan kembali contoh kasus perbandingan lama waktu merakit produk

antarametodestandardanmetodebaruyangdatanyadapatdilihatdiTabel7.1.Untuk
melakukan pengujian kesamaan variansi lama waktu merakit pada kedua metode
tersebut, R menyediakan fasilitas dengan cara memilih menu Statistika, pilih Variansi,
dansetelahitupilihUjiFDuavariansi,sehinggadiperolehjendeladialogsepertipada
Gambar7.15.(Aktifkanterlebihdahuludatasetyangsudahtersimpansebelumnya,yaitu
datasetpadabagian7.1.2)
Gambar7.15.JendeladialoguntukUjiFDuaVariansi
Selanjutnya, klik metode pada jendela Kelompok, dan waktu pada jendela
Peubahrespon.Padacontohkasusperbandinganduavariansdarilamawaktumerakit
produk dengan metode standar dan metode baru, hipotesis statistika yang digunakan
adalah(JohnsondanBhattacharyya,1996)
H0: 12 = 22 ataukeduavariansadalahsamabesar
H1: 12 22 ataukeduavariansadalahberbeda.
Statistik uji yang digunakan adalah uji F. Ada tiga pilihan Hipotesis Alternatif atau H1
yang dapat dilakukan, yaitu Duaarah, Selisih<0, dan Selisih>0. Pada contoh ini klik
pilihanDuaarahsesuaidenganyangdinyatakanpadahipotesisstatistikadiatas.Setelah
itu tetapkan Level Keyakinan yang digunakan dalam pengujian (misalkan 0,95 yang
berarti =0.05). Klik OK sehingga diperoleh tampilan output pada jendela keluaran
sepertiberikutini.
119
sht90
>var.test(waktu~metode,alternative='two.sided',conf.level=.95,data=data7mu2)
Ftesttocomparetwovariances
data:waktubymetode
F=1.2205,numdf=8,denomdf=8,pvalue=0.7849
alternativehypothesis:trueratioofvariancesisnotequalto1
0.27531145.4109136
sampleestimates:
ratioofvariances
1.220527
Hasil ini menunjukkan bahwa tidak ada perbedaan varians dari lama waktu
merakit produk dengan metode standar dan metode baru. Hal ini ditunjukkan oleh p
value(yaitu0.7849)yanglebihbesardari=0.05.
7.2.2. UjiBartlett
R menyediakan fasilitas untuk pengujian kesamaan varians dari beberapa
sampel(lebihdariduasampel).Sebagaicontohkasus,lihatkembalibagian7.1.5tentang
pengujian tentang efek jenis material dan temperatur terhadap usia pakai baterai.
Misalkan ingin diketahui apakah ada perbedaan varians usia pakai baterai pada ketiga
jenis material yang digunakan, maka dapat digunakan menu Statistika, pilih Variansi,
dan setelah itu pilih Uji Bartlett, sehingga diperoleh jendela dialog seperti pada
Gambar7.16.(Aktifkanterlebihdahuludatasetyangsudahtersimpansebelumnya,yaitu
data7mu5padabagian7.1.5).
Gambar7.16.JendeladialoguntukUjiBartlett
120
sht90
Selanjutnya, pilih material pada jendela Kelompok, dan usia pada jendela
Peubahrespon.Padacontohkasusini,hipotesisstatistikayangdigunakanadalah
H0: 12 = 22 = 32 atauketigavariansadalahsamabesar
H1: minimaladasatuvariansyangberbeda.
KlikOKsehinggadiperolehtampilanoutputpadajendelakeluaransepertiberikutini.
>bartlett.test(usia~material,data=data7mu5)
Bartletttestofhomogeneityofvariances
data:usiabymaterial
Bartlett'sKsquared=2.8321,df=2,pvalue=0.2427
Hasilinimenunjukkanbahwatidakadaperbedaanvariansdariusiapakaibateraipada
ketigajenismaterialyangdigunakandalameksperimen.Haliniditunjukkanolehpvalue
(yaitu0.2427)yanglebihbesardari=0.05.
7.2.3. UjiLevene
Seperti pada bagian sebelumnya, Uji Levene adalah uji yang dapat digunakan
untuk pengujian kesamaan varians dari beberapa sampel (lebih dari dua sampel).
Perhatikan kembali contoh pada bagian sebelumnya, yaitu apakah ada perbedaan
varians usia pakai baterai pada ketiga jenis material yang digunakan. R menyediakan
fasilitas untuk Uji Levene yaitu melalui menu Statistika, pilih Variansi, dan setelah itu
pilihUjiLevene,sehinggadiperolehjendeladialogsepertipadaGambar7.16.
Gambar7.17.JendeladialoguntukUjiLevene
121
sht90
Selanjutnya, pilih material pada jendela Kelompok, dan usia pada jendela
Peubah respon. Seperti pada contoh sebelumnya, hipotesis statistika yang digunakan
adalah
H0: 12 = 22 = 32 atauketigavariansadalahsamabesar
H1: minimaladasatuvariansyangberbeda.
KlikOKsehinggadiperolehtampilanoutputpadajendelakeluaransepertiberikutini.
>tapply(data7mu5$usia,data7mu5$material,var,na.rm=TRUE)
123
1004.51521838.9924659.0606
>levene.test(data7mu5$usia,data7mu5$material)
Levene'sTestforHomogeneityofVariance
DfFvaluePr(>F)
group21.04450.3632
33
Seperti pada hasil Uji Bartlett sebelumnya, hasil Uji Levene ini menunjukkan bahwa
tidak ada perbedaan varians dari usia pakai baterai pada ketiga jenis material yang
digunakandalameksperimen.Haliniditunjukkanolehpvalue(yaitu0.3632)yanglebih
besardari=0.05.
7.3.PengujianProporsi
Rmenyediakandua macampilihanpadapengujianproporsi,yaituUjiProporsi
SampelTunggaldanUjiProporsiDuaSampel.Pilihanpilihananalisisstatistikatersebut
dapat diperoleh dengan memilih menu Statistika, dan kemudian memilih Proporsi.
Untuk penjelasan pengujian proporsi ini digunakan data HBAT.SAV yang ada di buku
Hair dkk. (2006, hal. 2831) dengan judul Multivariate Data Analysis. Data tersebut
berisi data profil responden, tingkat persepsi terhadap variabelvariabel pemasaran
(kualitas produk, image website, kecepatan pengiriman, dan lainlain), serta tingkat
kepuasankonsumen.
Sebagai tahap awal, gunakan RCommander untuk melakukan impor data file
SPSS yaitu HBAT.SAV ke file R. Untuk itu, gunakan menu Data, pilih Impor data, dan
kemudian klik dari dataset SPSS. Setelah itu, pengujian proporsi dengan R dapat
dilakukandenganpilihanpilihanmenuyangtersedia.
122
sht90
7.3.1. PengujianProporsiSampelTunggal
Pada data HBAT ada salah satu pertanyaan yang berkaitan dengan apakah
konsumen akan melakukan hubungan (memesan kembali) di masa yang akan datang
denganperusahaan(dinotasikanX23).Adaduajawabanyangdapatdipilih,yaituTIDAK
dan YA. Misalkan dari 100 konsumen yang telah memberikan jawaban ingin diketahui
apakah ada perbedaan proporsi yang menjawab TIDAK dan YA. Hal ini sama dengan
pengujian untuk mengetahui apakah proporsi konsumen yang menjawab TIDAK (tidak
maumelakukanhubungandimasadatang)adalah0,50.
Uji proporsi sampel tunggal pada R disediakan melalui menu Statistika, pilih
Proporsi,dansetelahitupilihUjiproporsiSampeltunggal,sehinggadiperolehjendela
dialogsepertipadaGambar7.18berikutini.
Gambar7.18.JendeladialoguntukUjiProporsiSampelTunggal
Selanjutnya,pilihX23padajendelaPeubah,danisikanangka0.5padajendelaHipotesis
nol:p=. Seperticontohsebelumnya, adatigapilihan Hipotesis Alternatif atau H1 yaitu
ProporsiPopulasi=p0,ProporsiPopulasi<p0,danProporsiPopulasi>p0.Padacontoh
iniklikProporsiPopulasi=p0sesuaidenganhipotesisstatistikayangdigunakanyaitu
H0: p=0,50atauproporsiyangmenjawabTIDAKadalah0,50
H1: p0,50
123
sht90
SetelahitutetapkanLevelKeyakinanyangdigunakandalampengujian(misalkan
0,95 yang berarti =0.05) beserta Tipe Ujinya. Klik OK sehingga diperoleh tampilan
outputpadajendelakeluaransepertiberikutini.
>hbat<read.spss("D:/hair_multivariate_6_data/HBAT.sav",
use.value.labels=TRUE,max.value.labels=Inf,to.data.frame=TRUE)
>.Table<xtabs(~X23,data=hbat)
>.Table
X23
No,wouldnotconsiderYes,wouldconsider
5545
>prop.test(rbind(.Table),alternative='two.sided',p=.5,conf.level=.95,
correct=FALSE)
1sampleproportionstestwithoutcontinuitycorrection
data:rbind(.Table),nullprobability0.5
Xsquared=1,df=1,pvalue=0.3173
alternativehypothesis:truepisnotequalto0.5
0.45244600.6438546
sampleestimates:
p
0.55
Dalam kasus ini, statistik uji yang digunakan adalah uji Chisquare atau 2 , yaitu
(JohnsondanBhattacharyya,1996)
(Oi E i ) 2
,
Ei
i =1
2
2 =
dengan E i = np = 100 0,5 = 50 untukmasingmasingi.

Hasil output di atas menunjukkan bahwa pengujian gagal menolak H0 yaitu
proporsi konsumen yang menjawab TIDAK mau menjalin kembali hubungan di masa
datangadalah0,50.Haliniditunjukkanolehpvalue(yaitu0.3173)yanglebihbesardari
=0.05. Dengan demikian dapat disimpulkan bahwa tidak ada perbedaan proporsi
konsumenyangmaudantidakmaumenjalinkembalihubungandenganperusahaandi
masadatang.
124
sht90
7.3.2. PengujianProporsiDuaSampel
Salah satu variabel profile konsumen pada data HBAT adalah jenis perusahaan
(dinotasikan X2), yaitu magazine industry dan newsprint industry. Misalkan ingin
diketahui apakah ada perbedaan proporsi yang menjawab TIDAK dan YA pada per
tanyaan tentang mau tidaknya melakukan hubungan kembali di masa datang dalam
keduakelompokkonsumenindustritersebut.
Uji proporsi dua sampel adalah uji statistik yang dapat dilakukan untuk
menjawab permasalahan tersebut. R menyediakan fasilitas uji ini melalui menu
Statistika, pilih Proporsi, dan setelah itu pilih Uji proporsi dua sampel, sehingga
diperolehjendeladialogsepertipadaGambar7.19.
Gambar7.19.JendeladialoguntukUjiProporsiduasampel
Selanjutnya,pilihX2padajendelaKelompok,danpilihX23padajendelaPeubahrespon.
Padacontohinihipotesisstatistikayangdigunakanadalah
H0: p1=p2atau proporsiyangmenjawabTIDAKmaumelakukanhubungan

kembalidimasadatangpadakonsumenmagazineindustry
dannewsprintindustryadalahSAMA
H1: p1p2atau adaPERBEDAANproporsiyangmenjawabTIDAKmau

melakukanhubungankembalidimasadatangpada
konsumenmagazineindustrydannewsprintindustry
125
sht90
SetelahitupilihHipotesisAlternatifatauH1yangsesuaidenganhipotesisdiatas,
yaitu Duaarah. Tetapkan juga Level Keyakinan dan Tipe Uji yang digunakan. Klik OK
sehinggadiperolehtampilanoutputpadajendelakeluaransepertiberikutini.
>.Table<xtabs(~X2+X23,data=hbat)
>.Table
X23
X2No,wouldnotconsiderYes,wouldconsider
Magazineindustry3022
Newsprintindustry2523
>rowPercents(.Table)
X23
X2No,wouldnotconsiderYes,wouldconsiderTotalCount
Magazineindustry57.742.310052
Newsprintindustry52.147.910048
>prop.test(.Table,alternative='two.sided',conf.level=.95,correct=FALSE)
2sampletestforequalityofproportionswithoutcontinuity
correction
data:.Table
alternativehypothesis:two.sided
0.13885710.2510366
sampleestimates:
prop1prop2
0.57692310.5208333
Padacontohkasusini,statistikujiyangdigunakanadalahujiChisquareatau 2 seperti
padasubbab6.8sebelumnya,yaitu(JohnsondanBhattacharyya,1996)
2 2
(Oij E ij ) 2
i =1 j =1
E ij
2 =
dengan
Oij = jumlahpengamatanpadabariskeidankolomkej,
E ij = nilaiekspektasipengamatanpadabariskeidankolomkej.
126
sht90
Daerahpenolakanuntukpengujianperbedaankeduaproporsiini,yaitutolakH0
yangberartiadaperbedaanproporsiyangmenjawabTIDAKmaumelakukanhubungan
kembali dimasa datang pada konsumen magazine industry dan newsprint industry
adalahjikanilai
2 > 2 ,df =1 ataunilai p < .
Hasil output di atas menunjukkan bahwa pengujian gagal menolak H0 yaitu proporsi
konsumen yang menjawab TIDAK mau menjalin kembali hubungan di masa datang
antara konsumen magazine industry dan newsprint industry adalah SAMA. Hal ini
ditunjukkanolehpvalue(yaitu0.5732)yanglebihbesardari =0.05.Dengandemikian
dapat disimpulkan bahwa jenis industri dari konsumen tidak memberikan perbedaan
terhadap kemauan dalam menjalin kembali hubungan dengan perusahaan di masa
datang.
127
sht90
AnalisisRegresimenggunakanRCommander
BAB8
ANALISISREGRESIMENGGUNAKANRCommander
Ada berbagai prosedur dan library untuk melakukan analisis data dengan
berbagai jenis persamaan regresi yang disediakan oleh R, baik model regresi linear
ataupunnonlinear.Padabagianiniakandijelaskananalisisregresilinearyangdisediakan
di RCommander. Secara umum ada dua menu yang disediakan RCommander untuk
analisisregresilinear,yaituRegresiLineardanModelLinear.
8.1.RegresiLinear
Secara umum bentuk matematis dari model regresi linier sederhana dapat
dinyatakansebagaiberikut(DraperdanSmith,1981;Kutnerdkk.,2004)
Y = 0 + 1 X
atau
Y = 0 + 1 X +
dengan
Y = nilaipengamatandaripeubahatauvariabeltakbebas(respon)
X = nilaipengamatandaripeubahatauvariabelbebas(prediktor)
Y = nilairamalanatauprediksidaripeubahatauvariabeltakbebas(respon)
= nilaikesalahanramalan
0 = intersepataukonstanta
1 = slopeataukoefisienkemiringanmodelregresi.
Metodekuadralterkecilatauordinaryleastsquares(OLS)adalahsuatumetode
yang digunakan untuk menentukan suatu garis lurus atau menaksir nilai 0 dan 1
dengankesesuaianterbaikyangmeminimumkanjumlahkuadratpenyimpangannilai Y
yang diamati dari nilainilai yang diramalkan (jumlah kuadrat kesalahan atau 2 ).
Secaramatematismetodeiniadalahmeminimumkan
n
SSE = (Yi Yi ) 2
i =1
n
= (Yi 0 1 X i ) 2 .
i =1
Denganmenggunakandifferensialterhadap 0 dan 1 akandiperolehnilaitaksiran

kuadratterkeciluntuk 0 dan 1 .
128
sht90
Berikut ini adalah rumus untuk mendapatkan nilainilai taksiran 0 dan 1

denganmenggunakanOLS,(DraperdanSmith,1981)
n
1 =
( X i X )(Yi Y )
i =1
2
(X i X )
i =1
X i Yi nXY
= i =n1
,
2
2
X
n
X
i
i =1
dan
0 = Y 1 X .
Misalkan akan diamati hubungan antara tingkat persepsi konsumen terhadap

kualitas produk HBAT (variabel X6) dan tingkat kepuasan konsumen (variabel X19)
melaluimodelregresilinear.Untukkeperluanini,RCommandermenyediakanfasilitas
melaluimenuStatistika,pilihPencocokanModel,dansetelahitupilihRegresiLinier,
sehingga diperoleh jendela dialog seperti pada Gambar 8.1. Menu ini disediakan
terutama untuk estimasi model regresi linear dari variabel dependen yang bersifat
metrikdenganvariabelindependenyangsemuanyabersifatmetrik,dansecaradefault
memuatkomponenkonstantadalammodelregresinya.
Gambar8.1.JendeladialoguntukRegresiLinier
129
sht90
Pada contoh kasus HBAT ini, ketik nama untuk model regresi linear yang akan
diestimasi (default adalah Regmodel.1). Hal ini berarti output hasil estimasi regresi
linear disimpan sebagai objek dengan nama Regmodel.1. Kemudian pilih X19 (tingkat
kepuasan konsumen) pada jendela Peubah respon (variabel dependen), dan pilih X6
(tingkat persepsi konsumen terhadap kualitas produk HBAT) pada jendela Peubah
eksplanatori (variabel independen). Jendela dialog pada variabel independen menye
diakan pilihan satu atau lebih yang mengindikasikan bahwa menu ini secara umum
dapat digunakan untuk analisis regresi linear berganda. Klik OK sehingga diperoleh
outputmodelregresilinearsederhanasepertiberikutini.
>RegModel.1<lm(X19~X6,data=hbat)
>summary(RegModel.1)
Call:
lm(formula=X19~X6,data=hbat)
Residuals:
Min1QMedian3QMax
1.887460.727110.015770.856412.25220
Coefficients:
(Intercept)3.675930.597656.1511.68e08***
X60.415120.075345.5102.90e07***
Signif.codes:0***0.001**0.01*0.05.0.11
Fstatistic:30.36on1and98DF,pvalue:2.901e07
>#perhatikanhasildariperintahperintahberikutini
>hbat$fitted.RegModel.1<fitted(RegModel.1)
>hbat$residuals.RegModel.1<residuals(RegModel.1)
>hbat$rstudent.RegModel.1<rstudent(RegModel.1)
>hbat$hatvalues.RegModel.1<hatvalues(RegModel.1)
>hbat$cooks.distance.RegModel.1<cooks.distance(RegModel.1)
>#Perintahuntukmendapatkangambargarisregresi
>plot(hbat$X6,hbat$X19)
>lines(hbat$X6,hbat$fitted.RegModel.1,col="red")
130
sht90
Output tersebut menunjukkan bahwa model linear regresi yang menunjukkan

hubungan antara X yaitu persepsi kualitas produk terhadap Y yaitu kepuasan
konsumenberdasarkandatasampeladalah
Y = 3,67593 + 0,41512 X
Model regresi linear ini menjelaskan bahwa ada pengaruh positif antara persepsi
kualitas produk terhadap kepuasan konsumen. Nilai dugaan slope sebesar 0,41512
dapat diinterpretasikan sebagai kenaikan ratarata tingkat kepuasan konsumen akibat
kenaikanpersatuanpersepsikualitasproduk.Hasilujitmenunjukkanbahwapengaruh
persepsikualitasproduktersebutadalahsignifikansecarastatistikpada=0.05.Halini
ditunjukkanolehbesarnyapvaluedariujit(yaitu2.90e07)yanglebihkecildari=0.05.
Perintah terakhir pada output di atas adalah untuk mendapatkan garis regresi
yangmenjelaskanhubunganantarapersepsiterhadapkualitasprodukdengankepuasan
konsumen.HasildariperintahinidapatdilihatpadaGambar8.2.Darigambarinidapat
dijelaskan bahwa secara keseluruhan terdapat variasi observasi yang besar dari garis
regresi yang ada. Hal ini juga ditunjukkan oleh nilai koefisien determinasi (R2) model
yangcukupkecil,yaitu0,2365.
Gambar8.2.Plotobservasidanhasilgarisregresilinear
131
sht90
8.2.ModelLinear
Menu pilihan Model Linier pada RCommander bersifat lebih umum daripada
menu Regresi Linier sebelumnya. Pada menu ini, variabel dependen dibatasi hanya
untuk variabel yang bersifat metrik. Sedangkan untuk variabel independen, tidak
terbatas hanya untuk variabel yang bersifat metrik, tetapi juga dapat yang bersifat
nonmetrik atau bertipe kategori (yang dalam pengolahan data menggunakan variabel
dummy).
Secara umum model regresi linear yang melibatkan lebih dari satu variabel
bebas(prediktor)dikenaldenganmodelregresilinearberganda.Bentukmatematisdari
modelregresilinearbergandaadalah(DraperdanSmith,1981;Kutnerdkk.,2004)
Y = 0 + 1 X 1 + 2 X 2 + K + p X p
dengan
Y = nilairamalanatauprediksidaripeubahatauvariabeltakbebas(respon)
X i = nilaipengamatandarivariabelbebas(prediktor),dengan i = 1,2, K , p
0 = intersepataukonstanta
i = slopeataukoefisienkemiringanmodelregresi,dengan i = 1,2, K , p .
Estimasiterhadapparameterdalammodelregresilinearbergandatersebut( 0 , 1 , 2 )
diperlukan untuk mendapatkan model tersebut. Seperti pada model linear sederhana,
halinidapatdilakukandenganmenggunakanmetodekuadratterkecil(OLS).
Nilai taksiran koefisien regresi berganda ini dapat pula diperoleh dengan cara
pendekatanmatrikyaitu,(DraperdanSmith,1981;Kutnerdkk.,2004)
= (X X) 1 X Y
dengan
= matrikstaksiranparameter(ukuranp1,denganpadalahjumlah
parameteryangditaksir)
X = matriksvariabelbebas(ukurannp)
Y = matriksvariabeltakbebas(ukurann1).
Untukp=2,makacontohpenjelasanmatriksdiatasdapatditulissebagaiberikut
1 X 11
1 X
0
21
= , X = 1 X
1
31

... ...
2

1 X n1
X 12
Y1
Y
X 22
2
X 32 ,dan Y = Y3 .

...
...
Yn
X n 2

132
sht90
Misalkan akan diteliti hubungan antara tipe konsumen berdasarkan lamanya

menjadi konsumen (variabel X1) dan tingkat persepsi konsumen terhadap kualitas
produkHBAT(variabelX6)terhadaptingkatkepuasankonsumen(variabelX19)melalui
model regresi linear berganda. Dalam hal ini X1 merupakan variabel nonmetrik yang
terdiri dari 3 kategori, yaitu kurang dari 1 tahun, 15 tahun, dan lebih dari 5 tahun.
Untuk keperluan analisis regresi linear berganda ini, RCommander menyediakan
fasilitas melalui menu Statistika, pilih Pencocokan Model, dan setelah itu pilih Model
Linier,sehinggadiperolehjendeladialogsepertipadaGambar8.3.
Gambar8.3.JendeladialoguntukModelLinier
Dalamkasusini,modelregresilinearbergandayangakandicaribentuknyaadalah
Y = 0 + 1 X 11 + 2 X 12 + 3 X 6 .
Untuk penyelesaian kasus tersebut, ketik nama objek output model regresi
linear yang akan diestimasi (misal LinearModel.2). Hal ini berarti output hasil estimasi
regresilinearbergandadisimpansebagaiobjekdengannamaLinearModel.2.Kemudian
pilih X19 (tingkat kepuasan konsumen) pada jendela Formula Model: (variabel
dependen),danpilihX6+X1(tingkatpersepsikonsumenterhadapkualitasprodukHBAT
dan jenis konsumen) pada jendela kanan dari Formula Model (variabel independen).
Jendela dialog pada Formula Model menyediakan banyak pilihan dari model linear
ataupun model yang dilinearkan dengan transformasi tertentu. Klik OK sehingga
diperolehoutputmodelregresilinearbergandasepertiberikutini.
133
sht90
>LinearModel.2<lm(X19~X6+X1,data=hbat)
>summary(LinearModel.2)
Call:
lm(formula=X19~X6+X1,data=hbat)
Residuals:
Min1QMedian3QMax
1.859730.632500.052930.549872.11380
Coefficients:
(Intercept)3.83340.57066.7181.31e09***
X60.26650.07783.4260.000903***
X1[T.1to5years]1.55110.19987.7638.99e12***
X1[T.Over5years]1.39400.25575.4523.87e07***
Signif.codes:0***0.001**0.01*0.05.0.11
Fstatistic:38.45on3and96DF,pvalue:<2.2e16
>#Perhatikanhasildariperintahperintahberikutini
>hbat$fitted.LinearModel.2<fitted(LinearModel.2)
>hbat$residuals.LinearModel.2<residuals(LinearModel.2)
>hbat$rstudent.LinearModel.2<rstudent(LinearModel.2)
>hbat$hatvalues.LinearModel.2<hatvalues(LinearModel.2)
>hbat$cooks.distance.LinearModel.2<cooks.distance(LinearModel.2)
>trellis.device(theme="col.whitebg")
>plot(all.effects(LinearModel.2),ask=FALSE)
Output ini menunjukkan bahwa jenis (lama menjadi) konsumen dan persepsi
terhadapkualitasprodukberpengaruhsignifikanterhadapkepuasankonsumen.Halini
ditunjukkan oleh besarnya pvalue dari uji t pada kedua variabel tersebut yang lebih
kecildari=0.05.Khususuntukvariabeljeniskonsumen,adaduakoefisienregresiyang
ditampilkan, yaitu pada konsumen 15 tahun (sebesar 1,5511) dan lebih dari 5 tahun
(sebesar 1,3940). Tanda koefisien regresi yang positif pada kedua variabel dummy
tersebut menjelaskan bahwa konsumen lama (15 tahun dan lebih dari 5 tahun)
memilikitingkatkepuasanlebihtinggidibandingkonsumenbaru(kurangdari1tahun).
Sebagaitambahan,hasilregresilinearbergandamemberikannilaikoefisiendeterminasi
(R2) model yang lebih besar dibanding hasil regresi linear sebelumnya, yaitu naik dari
0,2365menjadi0,5458.
134
sht90
Dengandemikian,modelregresilinearbergandayangdiperolehdaridatapada
kasusdiatasadalah
Y = 3,8334 + 1,5511X 11 + 1,3940 X 12 + 1,3940 X 6
dengan X 11 dan X 12 adalahvariabeldummy,yaitu
X 11 bernilai1untukkonsumen15tahun,danNOLuntukkonsumenyanglain,
X 12 bernilai1untukkonsumenlebihdari5tahun,danNOLuntukkonsumen
yanglain.
RCommander juga menyediakan fasilitas analisis grafik tentang model linear

regresiyangtelahdiperoleh,yaitumelaluimenuModel,pilihGrafik,dansetelahitupilih
menu analisis grafik yang diinginkan. Menu pilihanpilihan ini dapat diaktifkan setelah
estimasi model linear sukses dijalankan. Berikut ini adalah menu pilihan analisis grafik
yangdisediakanolehRCommander.
Gambar8.4.JendeladialoguntukanalisislanjutandariModelLinier
Klik pada pilihan Plot Efek akan menghasilkan output grafik seperti yang terlihat pada
Gambar8.5.
Dari gambar ini dapat dijelaskan bahwa tingkat kepuasan konsumen yang
tertinggi ada pada konsumen 15 tahun, sedangkan tingkat kepuasan yang terendah
terletak pada konsumen baru yaitu kurang dari 1 tahun. Plot kedua menunjukkan
bahwavariabelX6 (tingkatpersepsikualitasproduk)mempunyaipengaruhlinearyang
positif terhadap X19, yaitu tingkat kepuasan konsumen. Hal ini sesuai dengan tanda
koefisienmodelregresiyangpositifuntukX6.
135
sht90
Gambar8.5.PlotEfekpadamasingmasingvariabelindependendariModelLinier
Berikut ini adalah ringkasan tentang prosedur uji serentak (simultan) dan uji
individu(parsial)signifikansikoefisienpadamodellinearregresi.
UjiSERENTAKatauSIMULTAN(DraperdanSmith,1981;Kutnerdkk.,2004)
1. Hipotesispengujian
2. StatistikUji
dengan
H0 : 1=2==p=0
H1 : minimaladasatui0 ,i=1,2,,p.
F=
MSRegresi
MSError
n
2
(Yi Y )
MSRegresi= i =1
3. Daerahpenolakan
p 1
2
(Yi Yi )
,danMSError= i =1
n p
TolakH0jika F > F;(v1= p 1,v 2= n p) ataupvalue < .
136
sht90
UjiINDIVIDUatauPARSIAL(DraperdanSmith,1981;Kutnerdkk.,2004)
1. Hipotesispengujian
2. StatistikUji
3. Daerahpenolakan
H0 : i=0
H1 : i0,i=0,1,2,,p.
t=
i 0
st.dev. ( i )
TolakH0jika t > t ; df = n p ataupvalue < .

2
8.3.CekDiagnosaKesesuaianModelRegresiLinear
RCommander menyediakan banyak fasilitas untuk evaluasi kesesuaian model
regresi.Setelahsuatumodelregresilineartelahdijalankandandiperoleh,makasemua
pilihan pada menu Model aktif dan dapat dipilih untuk diaktifkan. Berikut ini adalah
tampilanjendelapilihanpadapilihanmenuModel.
Gambar8.6.JendeladialoguntukcekdiagnosadarisuatuModelLinier
137
sht90
Jendela dialog untuk cek diagnosa suatu model regresi linear di atas menunjukkan
bahwa ada banyak fasilitas yang disediakan RCommander untuk evaluasi kesesuaian
modelregresilinear.Padabagianini,evaluasikesesuaianmodeldifokuskanpadadeteksi
multikolinearitasdanpengecekankesesuaianasumsimodel,yaitu i ~ IIDN (0, 2 ) .
Besaran statistik yang biasanya digunakan untuk mendeteksi multikolinearitas
antar variabel independen adalah VarianceInflation Factors atau VIF (Kutner dkk.,
2004). RCommander menyediakan fasilitas untuk mengeluarkan besaran ini pada
pilihan menu Model, dan kemudian Diagnostik numerik, sehingga muncul tampilan
jendeladialogpilihansepertiberikutini.
Gambar8.7.JendeladialogpilihandarisuatuDiagnostiknumerik
Dari Gambar 8.7 dapat dilihat bahwa ada lima pilihan yang dapat dijalankan untuk
evaluasikesesuaianmodel,yaitu:
deteksimultikolinearitasdenganbesaranVIF,
deteksiheteroskedastisitasdenganUjiBreuschPagan,
deteksiautokorelasidenganUjiDurbinWatson,
deteksinonlinearitasdenganUjiRESET,dan
deteksipencilandenganUjiBonferroni.
Selain itu, RCommander juga menyediakan fasilitas grafik untuk evaluasi

kesesuaianasumsimodelregresilinear.Residualdarimodelregresimerupakanbesaran
standar yang digunakan untuk evaluasi kesesuaian asumsi model regresi. Beberapa
besaran lain yang juga banyak dipakai untuk evaluasi kesesuaian model regresi adalah
standardizedresiduals,yaitu(Kutnerdkk.,2004)
i =
i
s 1 hii
dengan s adalah akardarimeansquareerror(MSE), hii adalahdiagonaldarimatriks

hatatau H yaitu
H = X ( X T X ) 1 X T .
hii adalahbesaranyangdapatdigunakanuntukmendeteksipengaruhobservasi Yi .
138
sht90
Fasilitas pada RCommander untuk evaluasi kesesuaian model regresi dengan

analisisgrafiktersediapadapilihanmenuModel,dankemudianGrafik,sehinggamuncul
tampilanjendeladialogpilihansepertiberikutini.
Gambar8.8.JendeladialogpilihanevaluasikesesuaianmodeldenganGrafik
Pilihan pada Gambar 8.8 menunjukkan bahwa ada enam grafik yang dapat dijalankan
untuk evaluasi kesesuaian model, yaitu Plot Diagnostik Dasar, QQPlot sisa, Plot
Komponen+Sisa,PlotTambahanpeubah,PlotPengaruh,danPlotEfek.
Misalkan akan diteliti hubungan antara tingkat persepsi konsumen terhadap
beberapavariabelpemasarandariprodukHBAT(variabelx6,x7,,x18)dengantingkat
kepuasan konsumen (variabel x19) melalui model regresi linear berganda. Untuk itu
jalankan kembali analisis regresi linear berganda dengan memasukkan variabel
independenx6,x7,,x18,sepertiyangterlihatpadajendeladialogdiGambar8.9.
Gambar8.9.JendeladialogpilihanuntukModelRegresiLinearBerganda
139
sht90
Setelah semua isian pilihan lengkap, klik OK sehingga diperoleh output model regresi
linearbergandapadajendelakeluaransepertiberikutini.
>lm.3<lm(x19~x6+x7+x8+x9+x10+x11+x12+x13+x14
+x15+x16+x17+x18,data=hbat)
>summary(lm.3)
Call:
lm(formula=x19~x6+x7+x8+x9+x10+x11+x12+x13+
x14+x15+x16+x17+x18,data=hbat)
Residuals:
Min
1Q
-1.38704 -0.31208
Median
0.08356
3Q
0.40652
Max
0.91947
Coefficients:
(Intercept)
x6
x7
x8
x9
x10
x11
x12
x13
x14
x15
x16
x17
x18
Estimate Std. Error t value Pr(>|t|)

-1.335836
1.120309 -1.192 0.23639
0.377422
0.052707
7.161 2.55e-10 ***
-0.456065
0.136509 -3.341 0.00124 **
0.035203
0.064924
0.542 0.58907
0.154286
0.103602
1.489 0.14009
-0.034414
0.062829 -0.548 0.58529
0.362389
0.266690
1.359 0.17775
0.827376
0.101460
8.155 2.57e-12 ***
-0.047465
0.048202 -0.985 0.32753
-0.106968
0.125531 -0.852 0.39652
-0.002939
0.039535 -0.074 0.94091
0.143065
0.104519
1.369 0.17463
0.237926
0.272485
0.873 0.38500
-0.249168
0.514102 -0.485 0.62914
Signif.codes:0|***|0.001|**|0.01|*|0.05|.|0.1||1
MultipleRsquared:0.8039, AdjustedRsquared:0.7742
Berdasarkanoutputini,makamodelregresilinearbergandayangdiperolehdari
datapadakasusHBATdiatasadalah(tampilanduaangkadibelakangkoma)
Y = 1,34 + 0,38 X 6 0,46 X 7 + 0,04 X 8 + K + 0,24 X 17 0,25 X 18 .
Output di atas juga menunjukkan bahwa hanya ada tiga variabel independen yang
berpengaruhsignifikanterhadapkepuasankonsumen,yaitu X 6 , X 7 ,dan X 12 .
140
sht90
RCommanderjugamenyediakanfasilitasuntukevaluasisignifikansiparameter
modelregresidenganmenggunakanintervalkeyakinan.Halinidapatdilakukanmelalui
menu Model, dan pilih Interval keyakinan, sehingga diperoleh jendela dialog seperti
berikutini.
Gambar8.10.JendeladialoguntukIntervalkeyakinankoefisienmodelregresi
KlikOKsehinggadiperolehoutputmodelregresilinearbergandapadajendelakeluaran
sepertiberikutini.
>Confint(lm.3,level=.95)
2.5%
(Intercept)
3.56293670
x6
0.27264462
x7
0.72743631
x8
0.09386134
x9
0.05166841
x10
0.15931399
x11
0.16777421
x12
0.62568021
x13
0.14328849
x14
0.35651558
x15
0.08153160
x16
0.06471161
x17
0.30375712
x18
1.27116865
97.5%
0.89126370
0.48219908
0.18469316
0.16426636
0.36023963
0.09048646
0.89255200
1.02907262
0.04835827
0.14258055
0.07565348
0.35084127
0.77960892
0.77283249
Selanjutnya, evaluasi kesesuaian model akan dilakukan untuk mendeteksi

multikolinearitasantarvariabelindependen,yaitumelaluimenuModel,pilihDiagnostik
numerik,dankemudianklikFaktorInflasiVariansi(FIV)sehinggadiperolehoutputpada
jendelakeluaransepertiberikutini.
141
sht90
>vif(lm.3)
x6 x7 x8 x9
x10
x11
x12
1.6716932.8225623.0474014.837740 1.547421 37.978425 3.653611
x13 x14 x15 x16

x17
x18
1.7120223.2684131.0754452.909058 33.332337 44.003758
Outputinimenjelaskanbahwavariabelindependenyangmempunyaikolinearitastinggi
adalah x11, x17, dan x18. Hal ini diindikasikan dengan nilai VIF yang besar yaitu lebih
dari10(Kutnerdkk.,2004)
Evaluasiselanjutnyaadalahanalisisgrafikuntukmelihatapakahresidualsudah
memenuhisyaratkesesuaianmodel.HalinidapatdilakukanmelaluimenuModel,pilih
Grafik,dankemudianklikPlotDiagnostikDasarsehinggadiperolehoutputgrafikseperti
padaGambar8.11berikutini.
Gambar8.11.OutputPlotDiagnostikDasaruntukevaluasikesesuaianmodel
142
sht90
Output grafik di atas terdiri dari empat plot utama untuk evaluasi kesesuaian residual
model,yaitu:
Plotantarafittedvalues(nilainilaiprediksi)denganresidual,
Plotkuantilkuantilnormaldaristandardizedresiduals,
Plotantarafittedvaluesdenganakarstandardizedresiduals,dan
Plotantaraleveragedenganstandardizedresiduals.
Selainitu,RCommanderjugamemberikanfasilitasuntukevaluasiuntukdeteksi
adanya pengamatan yang berpengaruh ataupun pencilan dengan menampilkan plot
antara nilainilai hat dengan Studentized Residuals (lihat Venables dan Ripley (1997),
halaman 204205). Hal ini dapat dilakukan melalui menu Model, pilih Grafik, dan
kemudianklikPlotPengaruhsehinggadiperolehoutputgrafiksepertipadaGambar8.12
berikutini.
Gambar8.12.OutputPlotPengaruhuntukdeteksiinfluencedanpencilan
143
sht90
8.4.RangkumanperintahdanlibraryyangberkaitandenganAnalisisRegresi
Berikutiniadalahrangkumanperintahdanpenjelasantentangkegunaan,serta
librarydariperintahtersebut,yangbiasanyadigunakandalamanalisisregresi.
LinearModel
Perintah
Kegunaan
library
Anova
TabelAnovauntukmodellineardanmodellinear
tergeneralisir(GLM)
car
anova
Menghitungsuatutabelanalisisvariansuntuksatu
ataulebihmodellinearyangdiestimasi
stats
coef
Suatufungsigenericuntukmengekstrasikoefisien
modeldariobyekpadafungsipemodelan
stats
coeftest
Pengujiankoefisienyangdiestimasi
confint
Menghitungtaksiranintervaluntuksatuataulebih
parameterdalammodelyangdiestimasi
stats
deviance
Mengembalikandeviancedariobjekmodelyang
diestimasi
stats
effects
Mengembalikanefekdarimodelyangdiestimasi
stats
fitted
Suatufungsigenericuntukmengekstrasinilai
prediksiobjekyangdiambildarifungsipemodelan
stats
formula
Memberikansuatucaramengekstrasiformula
yangterintegrasidenganobjeklain
stats
linear.hypothesis Mengujihipotesiskelinearan
lmtest
car
lm
Digunakanuntukmengestimasimodellinear.
Perintahinidapatdigunakanuntukregresi,analisis
varians,dananalisiskovarians
stats
model.matrix
Membuatsuatumatriksrancangan
stats
predict
Nilaiprediksiberdasarkanobjekmodellinear
stats
residuals
Suatufungsigenerikuntukmengekstrasiresidual
modeldariobjekpadafungsipemodelan
stats
summary.lm
Metodeuntukmeringkas(summary)
stats
vcov
Mengambilmatriksvarianskovariansdari
parameterutamaobjekmodelyangdiestimasi
stats
144
sht90
Pemilihanvariabeldalammodel
Perintah
Kegunaan
library
add1
Menghitungsemuaargumensingletermsyang
ditambahkanataudikeluarkandarimodel,
mengestimasimodeldanmenghitungtabeldari
perubahandinilaiprediksi
stats
AIC
FungsigenericuntukmenghitungAICatauAkaike
informationcriterionuntuksatuataubeberapa
objekmodelyangdiestimasi,berdasarkanrumus
2*loglikelihood+k*npar,dengannparadalah
jumlahparametermodel,dank=2untukAIC,atau
k=log(n)untukBICatauSBC(Schwarz'sBayesian
criterion),dengannadalahbanyaknyapengamatan.
stats
Cpplot
PlotCp
drop1
Menghitungsemuaargumensingletermsyang
ditambahkanataudikeluarkandarimodel,
mengestimasimodeldanmenghitungtabeldari
perubahandinilaiprediksi
stats
extractAIC
Menghitung(generalized)AICuntukmodel
parametrikyangdiestimasi
stats
leaps
Pemilihansubsetdengan`leapsandbounds'
leaps
maxadjr
MaximumAdjustedRsquared
offset
Anoffsetisatermtobeaddedtoalinearpredictor,
suchasinageneralisedlinearmodel,withknown
coefficient1ratherthananestimatedcoefficient
stats
step
SelectaformulabasedmodelbyAIC
stats
faraway
update.formula isusedtoupdatemodelformulae.Thistypically
involvesaddingordroppingterms,butupdatescan
bemoregeneral
145
faraway
stats
sht90
Cekdiagnosakesesuaianmodel
Perintah
Kegunaan
library
cookd
Cook'sDistancesforLinearandGeneralized
LinearModels
car
cooks.distance
Cooksdistance
stats
covratio
covarianceratio
stats
dfbeta
DBETA
stats
dfbetas
DBETAS
stats
dffits
DFFTITS
stats
hat
diagonalelementsofthehatmatrix
stats
hatvalues
diagonalelementsofthehatmatrix
stats
influence.measures Thissuiteoffunctionscanbeusedtocompute
someoftheregression(leaveoneoutdeletion)
diagnosticsforlinearandgeneralized
linearmodels
stats
lm.influence
Thisfunctionprovidesthebasicquantitieswhich
areusedinformingawidevarietyofdiagnostics
forcheckingthequalityofregressionfits
stats
ls.diag
Computesbasicstatistics,includingstandard
errors,tandpvaluesfortheregression
coefficients
stats
outlier.test
BonferroniOutlierTest
car
rstandard
standardizedresiduals
stats
rstudent
studentizedresiduals
stats
vif
VarianceInflationFactor
146
car
sht90
AnalisisGrafikpadamodellinear
Perintah
Kegunaan
library
ceres.plots
CeresPlots
car
cr.plots
Component+Residual(PartialResidual)Plots
car
influence.plot
RegressionInfluencePlot
car
leverage.plots
RegressionLeveragePlots
car
panel.car
PanelFunctionCoplots
car
plot.lm
Fourplots(selectablebywhich)arecurrently
provided:aplotofresidualsagainstfittedvalues,a
ScaleLocationplotofsqrt{|residuals|}against
fittedvalues,aNormalQQplot,andaplotof
Cook'sdistancesversusrowlabels
prplot
PartialResidualPlot
qq.plot
QuantileComparisonPlots
qqline
addsalinetoanormalquantilequantileplot
whichpassesthroughthefirstandthirdquartiles
stats
qqnorm
isagenericfunctionthedefaultmethodofwhich
producesanormalQQplotofthevaluesiny
stats
reg.line
PlotRegressionLine
car
scatterplot.matrix ScatterplotMatrices
car
scatterplot
ScatterplotswithBoxplots
car
spread.level.plot
SpreadLevelPlots
car
147
stats
faraway
car
sht90
Pengujianasumsipadamodellinear
Perintah
Kegunaan
library
ad.test
AndersonDarlingtestfornormality
nortest
bartlett.test
PerformsBartlett'stestofthenullthatthe
variancesineachofthegroups(samples)arethe
same
bgtest
BreuschGodfreyTest
lmtest
bptest
BreuschPaganTest
lmtest
cvm.test
CramervonMisestestfornormality
nortest
durbin.watson
DurbinWatsonTestforAutocorrelatedErrors
dwtest
DurbinWatsonTest
levene.test
Levene'sTest
lillie.test
Lilliefors(KolmogorovSmirnov)testfornormality
ncv.test
ScoreTestforNonConstantErrorVariance
pearson.test
Pearsonchisquaretestfornormality
nortest
sf.test
ShapiroFranciatestfornormality
nortest
shapiro.test
PerformstheShapiroWilktestofnormality
stats
car
lmtest
car
nortest
car
stats
TransformasiVariabelpadamodellinear
Perintah
Kegunaan
library
box.cox
BoxCoxFamilyofTransformations
boxcox
BoxCoxTransformationsforLinearModels
box.cox.powers
MultivariateUnconditionalBoxCox
Transformations
car
box.tidwell
BoxTidwellTransformations
car
box.cox.var
ConstructedVariableforBoxCoxTransformation
car
148
car
MASS
sht90
RegresiRidge
Perintah
lm.ridge
Kegunaan
RidgeRegression
library
MASS
Regresitersegmentasi(SegmentedRegression)
Perintah
Kegunaan
library
segmented
Segmentedrelationshipsinregressionmodels
segmented
slope.segmented
Summaryforslopesofsegmentedrelationships
segmented
LeastSquaresTergeneralisir(GeneralizedLeastSquares)
Perintah
Kegunaan
library
ACF.gls
AutocorrelationFunctionforglsResiduals
nlme
anova.gls
CompareLikelihoodsofFittedObjects
nlme
gls
FitLinearModelUsingGeneralizedLeastSquares
nlme
intervals.gls
ConfidenceIntervalsonglsParameters
nlme
lm.gls
fitLinearModelsbyGeneralizedLeastSquares
MASS
plot.gls
PlotaglsObject
nlme
predict.gls
PredictionsfromaglsObject
nlme
qqnorm.gls
NormalPlotofResidualsfromaglsObject
nlme
residuals.gls
ExtractglsResiduals
nlme
summary.gls
SummarizeaglsObject
nlme
149
sht90
ModelLinearTergeneralisir(GeneralizedLinearModel)
Perintah
Kegunaan
library
family
Familyobjectsprovideaconvenientwaytospecifythe
detailsofthemodelsusedbyfunctionssuchasglm
stats
glm.nb
fitaNegativeBinomialGeneralizedLinearModel
MASS
glm
isusedtofitgeneralizedlinearmodels,specifiedby
givingasymbolicdescriptionofthelinearpredictorand
adescriptionoftheerrordistribution
stats
polr
ProportionalOddsLogisticRegression
MASS
LeastSquaresNonlinear(NonlinearLeastSquaresatauNLS)
Perintah
Kegunaan
library
nlm
Thisfunctioncarriesoutaminimizationofthefunction
fusingaNewtontypealgorithm
stats
nls
Determinethenonlinearleastsquaresestimatesofthe
nonlinearmodelparametersandreturnaclassnls
object
stats
nlscontrol
Allowtheusertosetsomecharacteristicsofthenls
nonlinearleastsquaresalgorithm
stats
nlsModel
ThisistheconstructorfornlsModelobjects,whichare
functionclosuresforseveralfunctionsinalist.The
closureincludesanonlinearmodelformula,datavalues
fortheformula,aswellasparametersandtheirvalues
stats
GeneralizedNonlinearLeastSquaresatauGNLS
Perintah
Kegunaan
library
coef.gnls
ExtractgnlsCoefficients
nlme
gnls
FitNonlinearModelUsingGeneralizedLeastSquares
nlme
predict.gnls
PredictionsfromagnlsObject
nlme
150
sht90
LoessRegression
Perintah
Kegunaan
library
loess
Fitapolynomialsurfacedeterminedbyoneormore
numericalpredictors,usinglocalfitting
stats
loess.control
Setcontrolparametersforloessfits
stats
predict.loess
Predictionsfromaloessfit,optionallywithstandard
errors
stats
scatter.smooth Plotandaddasmoothcurvecomputedbyloesstoa
scatterplot
stats
SplinesRegression
Perintah
Kegunaan
library
bs
BSplineBasisforPolynomialSplines
splines
ns
GenerateaBasisMatrixforNaturalCBSplineBasis
forPolynomialSplinesubicSplines
splines
periodicSpline
CreateaPeriodicInterpolationSpline
splines
polySpline
PiecewisePolynomialSplineRepresentation
splines
predict.bSpline EvaluateaSplineatNewValuesofx
splines
predict.bs
EvaluateaSplineBasis
splines
splineDesign
DesignMatrixforBsplines
splines
splineKnots
KnotVectorfromaSpline
splines
splineOrder
DeterminetheOrderofaSpline
splines
RobustRegression
Perintah
Kegunaan
library
lqs
ResistantRegression
MASS
rlm
RobustFittingofLinearModels
MASS
151
sht90
Structuralequationmodels
Perintah
Kegunaan
library
sem
GeneralStructuralEquationModels
sem
tsls
TwoStageLeastSquares
sem
SimultaneousEquationEstimation
Perintah
systemfit
Kegunaan
library
FitsasetoflinearstructuralequationsusingOrdinary
LeastSquares(OLS),WeightedLeastSquares(WLS),
SeeminglyUnrelatedRegression(SUR),TwoStage
LeastSquares(2SLS),WeightedTwoStageLeast
Squares(W2SLS)orThreeStageLeastSquares(3SLS)
systemfit
PartialLeastSquaresRegression(PLSR)danPrincipalComponentRegression(PCR)
Perintah
Kegunaan
library
biplot.mvr
BiplotsofPLSRandPCRModels
pls
coefplot
PlotRegressionCoefficientsofPLSRandPCRmodels
pls
crossval
CrossvalidationofPLSRandPCRmodels
pls
cvsegments
Generatesegmentsforcrossvalidation
pls
kernelpls.fit
KernelPLS(DayalandMacGregor)
pls
msc
MultiplicativeScatterCorrection
pls
mvr
PartialLeastSquaresandPrincipalComponents
Regression
pls
mvrCv
Crossvalidation
pls
oscorespls.fit
OrthogonalscoresPLSR
pls
predplot
PredictionPlots
pls
scoreplot
PlotsofScoresandLoadings
pls
152
sht90
Lanjutan:PLSRandPCR
Perintah
Kegunaan
library
scores
ExtractScoresandLoadingsfromPLSRandPCR
Models
pls
svdpc.fit
PrincipalComponentsRegression
pls
validationplot
ValidationPlots
pls
QuantileRegression
Perintah
Kegunaan
library
anova.rq
Anovafunctionforquantileregressionfits
quantreg
boot.rq
BootstrappingQuantileRegression
quantreg
lprq
locallypolynomialquantileregression
quantreg
nlrq
Functiontocomputenonlinearquantileregression
estimates
quantreg
qss
AdditiveNonparametricTermsforrqssFitting
quantreg
ranks
QuantileRegressionRanks
quantreg
rq
QuantileRegression
quantreg
rqss
AdditiveQuantileRegressionSmoothing
quantreg
rrs.test
QuantileRegressionRankscoreTest
quantreg
standardize
Functiontostandardizethequantileregression
process
quantreg
153
sht90
Linearandnonlinearmixedeffectsmodels
Perintah
Kegunaan
library
ACF
AutocorrelationFunction
nlme
ACF.lme
AutocorrelationFunctionforlmeResiduals
nlme
anova.lme
CompareLikelihoodsofFittedObjects
nlme
fitted.lme
ExtractlmeFittedValues
nlme
fixed.effects
ExtractlmeFittedValues
nlme
intervals
ConfidenceIntervalsonCoefficients
nlme
intervals.lme
ConfidenceIntervalsonlmeParameters
nlme
lme
LinearMixedEffectsModels
nlme
nlme
NonlinearMixedEffectsModels
nlme
predict.lme
PredictionsfromanlmeObject
nlme
predict.nlme
PredictionsfromannlmeObject
nlme
qqnorm.lme
NormalPlotofResidualsorRandomEffectsfroman
lmeobject
nlme
random.effects ExtractRandomEffects
nlme
ranef.lme
ExtractlmeRandomEffects
nlme
residuals.lme
ExtractlmeResiduals
nlme
simulate.lme
Simulatelmemodels
nlme
summary.lme
SummarizeanlmeObject
nlme
glmmPQL
FitGeneralizedLinearMixedModelsviaPQL
MASS
154
sht90
GeneralizedAdditiveModel(GAM)
Perintah
Kegunaan
library
anova.gam
Comparethefitsofanumberofgammodels
gam
gam.control
Controlparametersforfittinggammodels
gam
gam
Fitageneralizedadditivemodel
gam
na.gam.replace Amissingvaluemethodthatishelpfulwithgams
gam
plot.gam
Aninteractiveplottingfunctionforgams
gam
predict.gam
Makepredictionsfromagamobject
gam
preplot.gam
extractsthecomponentsfromagaminaplotready
form
gam
step.gam
stepwisemodelsearchwithgam
gam
summary.gam
summarymethodforgam
gam
SurvivalAnalysis
Perintah
Kegunaan
library
anova.survreg
ANOVAtablesforsurvregobjects
survival
clogit
Conditionallogisticregression
survival
cox.zph
TesttheproportionalhazardsassumptionofaCox
regression
survival
coxph
ProportionalHazardsRegression
survival
oxph.detail
Detailsofacoxmodelfit
survival
coxph.rvar
RobustvarianceforaCoxmodel
survival
ridge
Ridgeregression
survival
survdiff
TestSurvivalCurveDifferences
survival
survexp
ComputeExpectedSurvival
survival
survfit
ComputeasurvivalCurveforCensoredData
survival
survreg
Regressionforaparametricsurvivalmodel
survival
155
sht90
ClassificationandRegressionTrees
Perintah
Kegunaan
library
cv.tree
CrossvalidationforChoosingtreeComplexity
tree
deviance.tree
ExtractDeviancefromatreeObject
tree
labels.rpart
CreateSplitLabelsForanrpartObject
rpart
meanvar.rpart
MeanVariancePlotforanrpartObject
rpart
misclass.tree
MisclassificationsbyaClassificationtree
tree
na.rpart
HandlesMissingValuesinanrpartObject
rpart
partition.tree
PlotthePartitionsofasimpleTreeModel
tree
path.rpart
FollowPathstoSelectedNodesofanrpartObject
rpart
plotcp
PlotaComplexityParameterTableforanrpartFit
rpart
printcp
DisplaysCPtableforFittedrpartObject
rpart
prune.misclass
CostcomplexityPruningofTreebyerrorrate
tree
prune.rpart
CostcomplexityPruningofanrpartObject
rpart
prune.tree
CostcomplexityPruningoftreeObject
tree
rpart
RecursivePartitioningandRegressionTrees
rpart
rpconvert
Updateanrpartobject
rpart
rsq.rpart
PlotstheApproximateRSquarefortheDifferent
Splits
rpart
snip.rpart
SnipSubtreesofanrpartObject
rpart
solder
SolderingofComponentsonPrintedCircuitBoards
rpart
text.tree
AnnotateaTreePlot
tree
tile.tree
AddClassBarplotstoaClassificationTreePlo
tree
tree.control
SelectParametersforTree
tree
tree.screens
SplitScreenforPlottingTrees
tree
tree
FitaClassificationorRegressionTree
tree
156
sht90
Betaregression
Perintah
Kegunaan
library
betareg
Fittingbetaregressionmodels
betareg
plot.betareg
PlotDiagnosticsforabetaregObject
betareg
predict.betareg
Predictedvaluesfrombetaregressionmodel
betareg
residuals.betareg
Residualsfunctionforbetaregressionmodels
betareg
summary.betareg
SummarymethodforBetaRegression
betareg
157
sht90
GeneralizedLinearModelmenggunakanR
BAB9
GENERALIZEDLINEARMODELMENGGUNAKANR
Model Linier Tergeneralisir atau Generalized Linear Model (GLM) merupakan

pengembangan dari model linear yang mengakomodir dua hal utama, yaitu distribusi
responyangnonnormaldantransformasiuntuklinearitas.Referensiyangkomprehensif
tentang GLM dapat dilihat di McCullagh dan Nelder (1989). Pada bab ini akan dibahas
pengantarteoriModelLinearTergeneralisir(GLM)dancontohsuatukasusGLMdengan
menggunakanRCommander.
9.1.PengantarTeoriModelLinearTergeneralisir
Suatu Model Linear Tergeneralisir dapat dideskripsikan oleh asumsiasumsi
berikutini:
Ada suatu respon, y , teramati secara independen pada nilainilai yang tetap dari
variabelvariabelstimulus x1 , x 2 , K , x p .
Variabelvariabel stimulus hanya mempengaruhi distribusi dari y melalui suatu
fungsilineartunggalyangdisebutdenganprediktorlinear = 1 x1 + K + p x p .
Distribusidari y mempunyaifungsikepadatandalambentuk
f ( y i ; i , ) = exp[ Ai { y i i ( i )} / + ( y i , / Ai )]
dengan adalahsuatuparameterskala(scale parameter), Ai adalahsuatubobot

awalyangdiketahui,danparameter i tergantungpadaprediktorlinear.
Ratarata atau mean, , adalah suatu fungsi invertibel yang halus dari prediktor
linear,yaitu
= m( ) ,dan = m 1 ( ) = l ( ) .
Fungsiinvers, l ( ) ,disebutdengansuatufungsilinkataulinkfunction.
Jika telah diketahui, maka distribusi dari y akan menjadi distribusi suatu keluarga
eksponensialkanoniksatuparameter.
GLMmembolehkan suatu perlakuanmetodologistatistik untuk beberapakelas
penting dari modelmodel. Berikut ini adalah beberapa contoh penjabaran untuk
beberapadistribusiyangtermasukdalamkeluargaGLM.
158
sht90
o GaussianatauDistribusiNormal
UntukDistribusiNormalmaka = 2 dandapatditulis
log f ( y ) =
sehingga = dan ( ) =
{ y 12 2 12 y 2 } 12 log(2 ) ,
2
2
o DistribusiPoisson
UntukDistribusiPoissondenganmean diperoleh
log f ( y ) = y log log( y! ) ,
sehingga = log , = 1 dan ( ) = = e .
o DistribusiBinomial
Untuk Distribusi Binomial jumlah percobaan a dan parameter p , maka respon
menjadi y = s / a dengan s adalahjumlahsukses.Fungsikepadatannyaadalah
a
p
+ log(1 p ) + log ,
log f ( y ) = a y log
1 p
ay
sehingga Ai = a i , = 1 , adalahtransformasilogitdari p ,dan

( ) = log(1 p) = log(1 + e ) .
Keluarga GLM yang disediakan dalam RCommander dengan fungsi glm mencakup
distribusi gaussian, binomial, poisson, Gamma, inverse.gaussian, quasibinomial, dan
quasipoisson.
Masingmasing distribusi dari respon memberikan suatu jenis fungsi link yang
menghubungkan ratarata atau mean dengan suatu prediktor linear. Fungsifungsi
tersebut secara lengkap dapat dilihat pada Tabel 9.1 dengan D adalah notasi untuk
default di R. Kombinasi dari distribusi respon dan fungsi link disebut dengan keluarga
darisuatuGLM.
Untuk n pengamatan dari suatu GLM, fungsi loglikelihood yang dibentuk
adalah
log f ( , ; Y ) = [ Ai { y i i ( i )} / + ( y i , / Ai )]
i
danmempunyaifungsiskoratauscorefunctionuntuk yaitu
U ( ) = Ai { y i ( i )} / .
159
sht90
Darisinidapatditunjukkanbahwa(secaralengkaplihatMcCullaghdanNelder(1989))
E ( y i ) = i = ( i ) dan var( y i ) =
Ai
( i ) .
Tabel9.1.KeluargaGLMdanfungsilinkyangbersesuaian
Link
NamaKeluarga
binomial
Gamma
gaussian
inverse.
gaussian
poisson
logit
Probit
cloglog
identity
inverse
log
1/mu^2
sqrt
Fungsi yang didefinisikan dengan V ( ) = ( ( )) disebut dengan suatu fungsi

variansatauvariancefunction.Untuksetiapdistribusirespon,fungsilink l = ( ) 1 untuk
disebutdengansuatulinkkanonikataucanonicallink.Tabel9.2berikutiniadalah
daftarfungsicanonicallinkdanfungsivariansdariKeluargaGLM.
Tabel9.2.FungsicanonicallinkdanfungsivariansdariKeluargaGLM
Keluarga
Canonicallink
Nama
Varians
Nama
binomial
log( /(1 ))
logit
/(1 )
mu(1mu)
Gamma
1/
invers
mu^2
gaussian
identitas
konstanta
2/ 2
1/mu^2
mu^3
log
log
mu
Inverse.gaussian
poisson
160
sht90
9.2.ContohKasusModelLinearTergeneralisirdenganRCommander
RCommander menyediakan fasilitas untuk analisis ModelLinier Tergeneralisir
melalui menu Statistika, pilih Pencocokan Model, dan setelah itu pilih Model Linier
Tergeneralisir. Secara umum, Model Linier Tergeneralisir digunakan untuk analisis
model pada data variabel respon (dependen) yang mengikuti distribusi keluarga
eksponensial. Ada beberapa keluarga distribusi yang tersedia di RCommander, yaitu
gaussian, binomial, poisson, Gamma, inverse.gaussian, quasibinomial, dan quasi
poisson.Padabagianinihanyadijelaskanpadakasuskeluargadistribusibinomialyaitu
variabelresponyangmempunyaiduakategori, sehinggamodelyangdiperolehdikenal
denganmodelregresilogisitik.
Misalkan akan diteliti hubungan antara tipe konsumen berdasarkan lamanya
menjadi konsumen (variabel X1) dan tingkat persepsi konsumen terhadap kualitas
produkHBAT(variabelX6)terhadapkemauankonsumenuntukmembangunhubungan
dengan perusahaan di masa yang akan datang (variabel X23, yang jawabannya adalah
YA dan TIDAK). Untuk keperluan analisis regresi logistik ini, pilih menu Statistika, pilih
Pencocokan Model, dan kemudian pilih Model Linier Tergeneralisir, sehingga
diperolehjendeladialogsepertiberikut.
Gambar9.1.JendeladialoguntukanalisisModelLinierTergeneralisir
161
sht90
Untuk penyelesaian contoh kasus ini, ketik nama objek output model linear
tergeneralisir (GLM) yang akan diestimasi (misal GLM.1). Hal ini berarti output hasil
estimasi GLM disimpan sebagai objek dengan nama GLM.1. Kemudian pilih X23
(kemauan untuk membangun hubungan di masa datang) pada sebelah kiri jendela
Formula Model: (variabel dependen), dan pilih X1 + X6 (jenis konsumen dan tingkat
persepsi konsumen terhadap kualitas produk HBAT) pada jendela kanan dari Formula
Model(variabelindependen).KlikduakalipadapilihanbinomialdijendelaFamili,dan
pilih Fungsi hubungan (link)yang sesuai,yaitu logitpada kasus regresi logistikini.Klik
OKsehinggadiperolehoutputregresilogistriksepertiberikutini.
>GLM.1<glm(X23~X1+X6,family=binomial(logit),data=hbat)
>summary(GLM.1)
Call:
glm(formula=X23~X1+X6,family=binomial(logit),data=hbat)
DevianceResiduals:
Min1QMedian3QMax
1.65660.60710.31650.85802.2036
Coefficients:
EstimateStd.ErrorzvaluePr(>|z|)
(Intercept)4.65461.80362.5810.009858**
X1[T.1to5years]2.99940.81113.6980.000217***
X1[T.Over5years]3.03770.91103.3350.000854***
X60.26970.22451.2010.229733
Signif.codes:0***0.001**0.01*0.05.0.11
(Dispersionparameterforbinomialfamilytakentobe1)
Nulldeviance:137.63on99degreesoffreedom
Residualdeviance:101.78on96degreesoffreedom
AIC:109.78
NumberofFisherScoringiterations:5
>trellis.device(theme="col.whitebg")
>plot(all.effects(GLM.1),ask=FALSE)
162
sht90
Output di atas menunjukkan bahwa jenis (lama menjadi) konsumen HBAT

berpengaruh signifikan terhadap kemauan konsumen untuk membangun hubungan di
masa yang akan datang, sedangkan persepsi terhadap kualitas produk tidak ber
pengaruh terhadap kemauan untuk membangun hubungan di masa datang. Hal ini
ditunjukkan oleh besarnya pvalue dari uji Z pada kedua variabel dummy untuk X1
tersebut yang lebih kecil dari =0.05. Sedangkan pvalue dari uji Z untuk variabel X6
lebihbesardari=0.05.Tandakoefisienregresilogistikyangpositifpadakeduavariabel
dummytersebutmenjelaskanbahwakonsumenlama(15tahundanlebihdari5tahun)
cenderung di masa datang mempunyai peluang yang lebih tinggi untuk membangun
hubungankembalidenganperusahaandibandingkonsumenbaru(kurangdari1tahun).
Secara matematis,model regresi logistikyang diperolehberdasarkan outputdi
atasadalah
( x) =
1
1+ e
[ 4,6546+ 2,9994 X 11 + 3,0377 X 12 + 0, 2697 X 6]
atau
( x)
= 4,6546 + 2,9994 X 11 + 3,0377 X 12 + 0,2697 X 6 ,
log
1 ( x)
dengan X 11 dan X 12 adalahvariabeldummy,yaitu
X 11 bernilai1untukkonsumen15tahun,danNOLuntukkonsumenyanglain,
X 12 bernilai1untukkonsumenlebihdari5tahun,danNOLuntukkonsumen
yanglain.
OddsRatioadalahbesaranyangbiasanyadigunakandalammenginterpretasikan
hasil suatu model regresi logistik. Secara lengkap bagaimana perhitungan Odds Ratio
daninterpretasinyadapatdilihatdibukuHosmerdanLemeshow(1989,hal.4047)yang
berjudulAppliedLogisticRegression.
Seperti pada bagian sebelumnya, RCommander juga menyediakan fasilitas
diagnostik numerik dan analisis grafik untuk evaluasi kebaikan model GLM yang telah
diperoleh.Misalkan ingin ditampilkan intervalkeyakinanuntukkoefisien modelregresi
logistik.HalinidapatdilakukandengancaramemilihModel,dankemudianklikInterval
keyakinan, sehingga munculdialogpilihan seperti padaGambar9.2.Ada dua pilihan
tes yang dapat ditampilkan interval keyakinannya sesuai dengan level keyakinan yang
diinginkan,yaitu
StatistikaRasiolikelihood,dan
StatistikWald.
MisalkanakanditampilkanintervalkeyakinandariStatistikWald,makaklikpilihanpada
StatistikWald,dankemudianklikOK.
163
sht90
Gambar9.2.JendeladialogIntervalkeyakinanpadaGLMdistribusibinomial
Output interval keyakinan dari Statistik Wald akan terlihat di jendela keluaran
sepertiberikutini.
>Confint(GLM.1,level=.95,type="Wald")
2.5% 97.5%
(Intercept)
8.189528 1.1196538
X1[T.1to5years] 1.409792 4.5890841
X1[T.Over5years] 1.252199 4.8231276
X6
0.170395 0.7097233
DarioutputintervalkeyakinantersebutdapatdijelaskanbahwavariabelX1mempunyai
pengaruh yang signifikan terhadap variabel respon, sedangkan variabel X6 tidak
berpengaruh terhadap variabel respon. Hal ini ditunjukkan dengan interval keyakinan
koefisiendariX1yangtidakmencakupnilaiNOLpadabatasbawahdanatasnya.
Pada analisis grafik, ada beberapa pilihan grafik yang dapat ditampilkan untuk
mengevaluasi kebaikan model GLM. Seperti pada model linear, beberapa grafik yang
dapatditampilkan adalah PlotDiagnostikDasar,PlotKomponen+Sisa,Plot Tambahan
peubah, Plot Pengaruh, dan Plot Efek. Pada RCommander, plotplot tersebut dapat
dijalankan melalui menu Model, pilih Grafik, dan setelah itu pilih menu analisis grafik
yangdiinginkan.JikapilihangrafikyangdiinginkanadalahPlotDiagnostikDasar,maka
akan diperoleh output grafik yang terdiri dari empat macam plot seperti yang terlihat
pada Gambar 9.3. Sebagai tambahan, jika pilihan grafik yang dipilih adalah Plot Efek,
maka akan diperoleh output grafik yang terdiri dari dua macam plot seperti pada
Gambar9.4.
164
sht90
Gambar9.3.HasilPlotDiagnostikDasardarisuatuGLM
Gambar9.4.PlotEfekpadamasingmasingvariabelindependendariGLM
165
sht90
GrafikMenggunakanRCLI
BAB10
GRAFIKMENGGUNAKANRCLI
Secara garis besar ada dua cara untuk membuat grafik dalam R, yaitu dengan
menggunakan RGUI (lihat Bab 4) dan RCLI. Pada bagian ini akan diberikan beberapa
contoh pembuatan grafik dengan menggunakan RCLI. Aktifkan jendela grafik terlebih
dahulusebelummembuatsuatugrafik.Jikausermemanggilsuatuperintahpembuatan
grafik,makaRsecaraotomatisakanmengaktifkansatujendelagrafik.Semuagrafikyang
dibuatakandiplotpadajendelagrafikini.
Jikauseringinmengaktifkanlebihdarisatujendelagrafikdalamsistemoperasi
windows,userdapatmengaktifkanjendelagrafikbarudenganperintah
>win.graph()
atau
>windows()
Untukmenutupjendelagrafikterakhiryangsedangaktif,gunakanperintah
>graphics.off()
atau
>dev.off()
SecaraumumperintahuntukpembuatangrafikdidalamRdapatdikelompokkan
menjadi3kelompokutama,yaitu
1.Fungsifungsiplotutamaatauhighlevelplottingcommands
Fungsidalamkelompokinidapatdigunakanuntukmembuatsuatuplotbarupada
jendelagrafik.Beberapafungsitersebutadalahplot,qqplot,hist,image,contour,
persp.
2.Fungsifungsiplottambahanataulowlevelplottingcommands
Fungsidikelompokinidapatdigunakanuntukmenambahkaninformasitambahan
kedalam suatu grafik yang telah dibuat dengan fungsifungsi plot utama diatas.
Fungsifungsitambahaninidapatdigunakanuntukmenambahkantitiktitikbaru,
garisgaris atau keteranganketerangan kedalam grafik. Beberapa fungsi yang
termasukkelompokiniadalahpoints,lines,text,abline,legend,title.
3.Fungsifungsiyangbersifatinteraktifatauinteractivegraphicsfunctions
Fungsi dalam kelompok ini memungkinkan user untuk menambahkan informasi
atau mengambil informasi dari suatu plot yang telah ada menggunakan alat
sepertimouse.Beberapafungsitersebutadalahlocator,identify.
166
sht90
Paket R memiliki beberapa library yang berkaitan dengan pembuatan grafik.

Padababinipembahasanhanyadifokuskanpadabeberapaperintahyangberhubungan
dengan pembuatan grafik pada library standar yaitu graphics. Ada banyak library lain
yang dapat digunakan untuk pembuatan grafik, antara lain aplpack, chplot, corrgram,
gplot,grid,iplots,lattice,playwith,plotrix,rgl,Rgraphviz,Rgobi,danlainlain.
Daftar dari perintah yang tersedia pada library standar R dapat dilihat dengan
cara melihat nomor direktori dari library yang ada dalam sistem. Gunakan perintah
search()untukmengetahuinomordirektoritersebut(lihathasilberikutini).
>search()
[1]".GlobalEnv""package:stats""package:graphics"
[4]"package:grDevices""package:utils""package:datasets"
[7]"package:methods""Autoloads""package:base"
Dari keluaran tersebut dapat dilihat bahwa library graphics sebagai objects berada
diurutanketiga dalamdirektorisearchdariR.Kemudianuntuk melihatdaftarperintah
dalam library graphics dapat digunakan perintah objects diikuti nomer urutan objek
tersebut. Berikut adalah perintahperintah yang ada dalam library graphics dengan
menggunakanperintahobjects(3).
>objects(3)
[1]
[5]
[9]
[13]
[17]
[21]
[25]
[29]
[33]
[37]
[41]
[45]
[49]
[53]
[57]
[61]
[65]
[69]
[73]
[77]
"abline"
"Axis"
"barplot"
"boxplot.default"
"co.intervals"
"curve"
"fourfoldplot"
"hist.default"
"layout"
"lines"
"matplot"
"pairs"
"persp"
"plot.default"
"plot.xy"
"rect"
"spineplot"
"strheight"
"symbols"
"xinch"
"arrows"
"axis.Date"
"barplot.default"
"bxp"
"contour"
"dotchart"
"frame"
"identify"
"layout.show"
"lines.default"
"matpoints"
"pairs.default"
"pie"
"plot.design"
"points"
"rug"
"split.screen"
"stripchart"
"text"
"xspline"
"assocplot"
"axis.POSIXct"
"box"
"cdplot"
"contour.default"
"erase.screen"
"grid"
"image"
"lcm"
"locator"
"mosaicplot"
"panel.smooth"
"piechart"
"plot.new"
"points.default"
"screen"
"stars"
"strwidth"
"text.default"
"xyinch"
167
"axis"
"axTicks"
"boxplot"
"close.screen"
"coplot"
"filled.contour"
"hist"
"image.default"
"legend"
"matlines"
"mtext"
"par"
"plot"
"plot.window"
"polygon"
"segments"
"stem"
"sunflowerplot"
"title"
"yinch"
sht90
Pada bagian berikut ini akan dibahas penggunaan perintahperintah dalam

librarygraphicsdiatasberdasarkanjeniskelompokperintahtersebut.
10.1.FungsifungsiPlotUtama
Seperti yang dijelaskan sebelumnya, fungsifungsi plot utama dapat digunakan
untuk membuat suatu plot baru dalam suatu jendela grafik. Jika jendela grafik yang
sedang aktif telah berisi suatu grafik/plot, maka dengan perintahperintah grafik tipe
plot utama ini mengakibatkan R akan menghapus grafik/plot yang telah ada tersebut.
Berikutiniadalahpenjelasanbeberapafungsiyangtermasukdalamtipeplotutamaini.
10.1.1.Perintahplot()
Perintahplot()digunakanuntukmenampilkanplotdarisuatudata.Padapaket
R,perintahplotinidapatmembuatplot/grafikyangbersesuaiandengantipedaridata.
Berikutiniadalahbeberapacontohpenggunaanplotpadaberbagaitipedata.
Membuatdiagrampencaratauscatterplotdaridataxdany
Perintahplot(x,y)dapatdigunakanuntukmembuatdiagrampencardaridatax
dan y. Perhatikan contoh data harga jual (X dalam ribu rupiah) dan volume penjualan
atausales(Ydalamjutarupiah)mingguansuatuprodukpadatabelberikutini.
Tabel10.1.Datahargadansalesselama10minggupengamatan
Mingguke
10
X(harga)
1.3
1.7
1.5
1.6
1.2
1.6
1.4
1.1
Y(sales)
10
12
10
15
12
17
20
Untuk membuat diagram pencar dari data harga dan sales tersebut, dapat digunakan
scriptRberikutini.
>harga=c(1.3,2,1.7,1.5,1.6,1.2,1.6,1.4,1,1.1)
>sales=c(10,6,5,12,10,15,5,12,17,20)
>plot(harga,sales)
GrafikkeluarandariperintahiniadalahdiagrampencarsepertipadaGambar10.1.
168
sht90
Gambar10.1.Outputdiagrampencardenganperintahplot(x,y)
Berdasarkandiagrampencardiatasdapatdijelaskanbahwaadahubunganlinearnegatif
yangcukupkuatantarahargadansales.Haliniberartijikaterjadikenaikanhargapada
produkadakecenderunganpenjualanakanmengalamipenurunan,dansebaliknya.
Membuatplotmenurutindeksatauurutanwaktu(TimeSeriesPlot)
Perintahplot(x)dapatjugadigunakanuntukmembuatplotdaridataxmenurut
indeks. Pada data yang bertipe runtun waktu (time series), perintah plot(x) akan
menghasilkan plot dari x menurut urutan waktu atau dikenal dengan Time Series Plot.
Perhatikan contoh pemakaian plot(x) pada data sales (dalam juta rupiah) mingguan
suatuprodukdiTabel10.1berikutini.
>plot(sales)
>win.graph()#membukajendelagrafikbaruuntukplotdata
>y=ts(sales)
>plot(y)
169
sht90
GrafikkeluarandariperintahplotdiatasdapatdilihatpadaGambar10.2.Darigambarini
dapat dijelaskan bahwa plot(x) menghasilkan Time Series Plot jika data bertipe runtun
waktu(lihatgambarb).
(a)
(b)
Gambar10.2.Outputplotmenurutindeksdenganperintahplot(x)
Membuatplotdaridatabertipefaktor
Pada Bab 7 sebelumnya diberikan contoh data HBAT yang mengandung data
bertipe faktor. Untuk ilustrasi penggunaan perintah plot(x) pada data bertipe faktor,
aktifkan kembali data HBAT yang sudah tersimpan di direktori C:\Kerja_R dalam file R
dengannamahbat.RData.SalahsatuvariabelyangbertipefaktoradalahX1,yaitutipe
konsumenberdasarkanlamanyamenjadikonsumenHBAT.Perhatikanperintahperintah
berikutuntukmemanggildatadanmembuatplotpadavariabelX1.
>load("C:\\Kerja_R\\hbat.RData")
>summary(hbat$X1)
Lessthan1year1to5yearsOver5years
323533
>plot(hbat$X1)
Grafik keluaran dari perintah plot untuk variabel X1 diatas dapat dilihat pada Gambar
10.3berikutini.
170
sht90
Gambar10.3.Outputperintahplot(x)padadatabertipefaktor
BerdasarkangrafikpadaGambar10.3dapatdijelaskanbahwajumlahkonsumendengan
lamamenjadikonsumen15tahunadalahkelompokterbanyakdari100konsumenyang
menjadisampel,yaitu35konsumen.
Selain itu, perintah plot() juga dapat digunakan untuk membuat boxplot dari
suatuvariabelyangbersifatmetrikberdasarkansuatuvariabelnonmetrik(faktor).Misal
kan akan dibuat boxplot tingkat kepuasan konsumen (X19) berdasarkan lama menjadi
konsumenHBAT(X1).Perhatikanperintahdanhasildariperintahberikutini.
>numSummary(hbat[,"X19"],groups=hbat$X1,statistics=c("mean","sd","quantile"))
mean
sd 0% 25% 50% 75% 100% n
Less than 1 year 5.725000 0.7603055 4.7 5.35 5.45 6.10 8.4 32
1 to 5 years
7.314286 0.6983775 6.1 6.70 7.30 7.75 9.0 35
Over 5 years
7.654545 1.0779294 5.5 7.10 7.60 8.60 9.9 33
>plot(hbat$X19~hbat$X1)
171
sht90
Gambar10.4.Outputperintahplot(x)padadatametrik(X19)berdasarkan
datayangbertipefaktor(X1)
10.1.2.Perintahqqnorm(x),qqline(x),qqplot(x,y)
Perintahperintah ini digunakan untuk membuat dan menampilkan Quantile
Quantile Plots atau dikenal dengan QQ plot. Plot ini dapat digunakan untuk menguji
apakahsekumpulandataberasaldarisuatudistribusitertentu,atauapakahduasampel
datamemilikidistribusiyangidentik(sama).Perintahqqnormdigunakanuntukmenguji
apakah suatu data mengikuti Distribusi Normal, sedangkan perintah qqplot dapat di
gunakan untuk membuat perbandingan dengan distribusi yang lain. Bersama dengan
perintah qqnorm, perintah fungsi plot tambahan qqline dapat digunakan untuk me
nambahkangarisdarikuantilpertamakekuantilketigadalamplotqqnorm.Datadapat
dikatakan berasal dari distribusi yang bersifat heavier tail dibandingkan dengan
Distribusi normal jika plot qqnorm memiliki bentuk turun (dibawah garis) pada bagian
kiridannaik(diatasgaris)padabagiankanan.
Berikut ini adalah contoh ilustrasi penggunaan qqnorm untuk uji kecocokan
terhadapDistribusiNormalpada suatuvariabeldi dataHBAT,dancontohpenggunaan
qqplotuntukperbandingandistribusipadasuatudatasimulasi.
172
sht90
UjikecocokanterhadapDistribusiNormal
Untukilustrasipenggunaanperintahqqnormpadasuatudata,gunakanvariabel
X6 (tingkat persepsi konsumen terhadap kualitas produk) pada data HBAT diatas.
PerhatikanperintahperintahberikutuntukmembuatplotKuantilKuantilNormalpada
variabelX6.
>qqnorm(hbat$X6)#perintahuntukmembuatKuantilKuantilNormal
>qqline(hbat$X6,col=2)#kuantilteoritis
HasildariperintahqqnormdanqqlinepadadataX6diatasdapatdilihatpadaGambar
10.5.Darigambartersebutdapatdijelaskanbahwasecaravisualdatatidakberdistribusi
Normal, karena terdapat sejumlah data dibagian kuantil atas dan bawah yang terletak
diluargarislurus.
Gambar10.5.OutputperintahqqnormdanqqlinepadadataX6
173
sht90
UjikecocokanterhadapDistribusiStatistiktertentu
Pada bagian ini akan diberikan ilustrasi penggunaan perintah qqplot untuk uji
kecocokanterhadapdistribusitertentupadasuatudatasampel.Misalkansajadiketahui
suatu data y yang dibangkitkan secara random (mengikuti distribusi t dengan df=4).
Secara umum akan diperoleh data yang bersifat heavy tail karena dibangkitkan pada
nilai df yang kecil. Perintah simulasi dan pengujian kenormalan data adalah sebagai
berikut.
>y=rt(100,df=4)
>qqnorm(y)#perintahuntukmembuatKuantilKuantilNormal
>qqline(y,col=2)#kuantilteoritis
Berikutadalahoutputdariperintahqqnormdanqqlinediatas.
Gambar10.6.Outputperintahqqnormdanqqlinepadadatay
174
sht90
Hasildariperintahqqnormdanqqlinepadadataydiatasmenunjukkanbahwa
data tidak berdistribusi Normal. Selanjutnya data akan dicoba bandingkan dengan
distribusitdengandfyangkecil.Untukitu,bangkitkansampeldatalaindaridistribusit
dengan df 4. Berikut perintah pembangkitan data dan qqplot untuk perbandingan
distribusi.
>Qteori=rt(200,df=4)
>qqplot(Qteori,y)#distribusiteoritispembandingsebagaix,datasebagaiy
Output dari perintah diatas dapat dilihat pada Gambar 10.7. Dari gambar ini terlihat
bahwa data secara visual relatif dalam garis lurus, sehingga distribusi t dengan df=4
relatifcukupbaikuntukmemodelkandatasimulasiydiatas.
Gambar10.7.OutputperintahqqplotpadadataydanQteori
Sebagai catatan, karena sifat dari pengujian secara grafik yang cenderung subyektif,
maka kesimpulan yang diperoleh harus dikonfirmasi dengan menggunakan uji statistik
yangsesuai.
175
sht90
10.1.3.Perintahhist(x)
Perintahhistdigunakanuntukmembuatplothistogramdarisuatudatatertentu.
PerhitunganbanyaknyakelasintervalsecaradefaultdiRmenggunakanmetodeSturges.
Untuk pilihan lain yang tersedia berkaitan dengan pembuatan histogram dapat dilihat
padahelpperintahhist.Misalkanakandibuathistogramdarivariabeltingkatkepuasan
konsumenHBATatauvariabelX19.Berikutiniadalahperintahperintahuntukpembuat
anhistogrampadaX19.
>hist(hbat$X19)
>hist(hbat$X19,breaks=20)
>hist(hbat$X19,breaks=20,col="green",border="pink")
>#Perhatikanperbedaanoutputhistogramyangditampilkan
Berikut ini adalah output histogram pada perintah hist yang terakhir, yaitu yang
melibatkanargumenbanyaknyakelasintervalbesertawarnahistogramnya.
Gambar10.8.OutputperintahhistpadavariabelX19datahbat
176
sht90
10.1.4.Perintahimage(x,y,z,),contour(x,y,z,),persp(x,y,z,)
Perintah persp adalah perintah yang digunakan untuk membuat plot tiga
dimensi. Sedangkan perintah image dan contour digunakan untuk membuat plot
proyeksiduadimensidaridatatersebut.Untukilustrasipenggunaanketigaperintahdan
outputnya,perhatikanscriptberikutini.
>y=seq(20,20,0.5)#bilanganantara20dan20denganjarak0.5
>x=seq(20,20,0.5)
>z=outer(x^2,y^2,"*")#z=x^2+y^2untuksemuaelemenxdany
>persp(x,y,z)#plotdimensitigadarix,y,danzdengansudutdefault
>persp(x,y,z,theta=30,phi=30,col="green")#sudutdanwarnabeda
>#Perhatikanperbedaanoutputplottigadimensiyangditampilkan
>image(x,y,z)
>contour(x,y,z)
Berikutiniadalahoutputdariperintahperspdantambahanargumenargumendiatas.
Gambar10.9.Outputperintahpersppadadatasimulasi
177
sht90
10.1.5.Argumenargumenuntukfungsiplotutama
Secaralengkapargumenargumenuntukfungsiplotutamadapatdilihatdengan
perintahhelp(plot).Berikutiniadalahbeberapaargumendankegunaannyapadafungsi
plot.
add=TRUE
Argumen add=TRUE dapat digunakan untuk melakukan setting agar plot yang
dibuat ditambahkan kedalam plot yang telah ada, yaitu fungsi plot utama.
Sehingga plot yang dibuat bersifat seperti fungsi plot tambahan. Perintah ini
hanyadapatdigunakanuntukbeberapafungsiplot utama.Defaultnilaidari add
adalahadd=FALSE.
axes=FALSE
Argumen axes=FALSE dapat digunakan untuk melakukan setting agar axes dari
suatuplottidak ditampilkan.Hal ini berguna apabilauserakanmembuatsetting
sendiriterhadaptampilandariaxispadaplotdenganperintahaxis().Defaultnilai
dariaxesadalahaxes=TRUE,yaituaxisakanditampilkanpadaplot.
log=x,log=y,log=xy
Argumen ini bertujuan untuk merubah satuan dari sumbu x, y atau keduanya
menjadiberskalalog.
type=
Argumen ini bertujuan untuk menentukan tipe dari plot yang dibuat. Berikut ini
adalahbeberapapilihantipeyangtersedia.(Catatan:contohpenggunaanadalah
type=luntukmembuatplotgarisataulines)
.
xlab=string,ylab=string,main=string,sub=string
Argumen ini bertujuan untuk memberi keterangan dari axis x, y, dan judul dari
grafik.Argumensubberfungsiuntukmenampilkansubjudul,biasanyadiletakkan
dibawahaxisx.
178
sht90
10.2.FungsifungsiPlotTambahan
Ada beberapa macam fungsi plot tambahan atau low level graphics function
yang dapat digunakan untuk memperbaiki tampilan atau menambahkan sejumlah
keterangandalamplotyangtelahdibuatdenganfungsigrafikutama.Berikutiniadalah
adalahpenjelasanbeberapafungsiyangtermasukdalamtipeplottambahanini.
points(x,y)
Fungsiatauperintahinidapatdigunakanuntukmenambahkantitiktitikpada
koordinatyangdiberikanolehxdany.
lines(x,y)
Perintahinibertujuanuntukmenambahkangarismenurutkoordinatyang
diberikandalamxdany.
text(x,y,labels,)
Perintahinidapatdigunakanuntukmenambahkansuatutekspadakoordinatx
dany.
ablines(a,b),abline(h=y),abline(v=x)
Perintahablines(a,b)bertujuanuntukmenambahkangarislurusy=a+bxpada
plotyangtelahada.Sedangkanperintahabline(h=y)danabline(v=x)digunakan
untukmembuatgarishorisontalatauvertikalsesuaidenganlokasiyang
diberikanpadah=yatauv=x.
legend(x,y,legend,)
Perintahinidapatdigunakanuntukmembuatlegenddarisuatuplotpadaposisi
yangdiberikankoordinatxdany.Beberapaargumentambahandiberikanpada
perintahlegend(vmenunjukkansuatuvektoryangbersesuaiannilainyadengan
keteranganpadaargumenlegend),yaitu
legend(,lty=v)untukmemberikanlinetypeyangdigunakandalamplot
legend(,col=v)untukmemberikanwarnadarititikataugarisdalamplot
legend(,lwd=v)untukmemberikanlinewidthdarigarisdalamplot
title(main,sub)
Perintahinibertujuanuntukmemberikanjuduldansubjuduldariplot.Hasil
yangsamadapatdiberikandenganmenggunakanargumenmaindansubdari
fungsiplotutama.
179
sht90
10.3.FungsifungsiPlotyangbersifatinteraktif
Ada beberapa macam fungsi plot interaktif yang juga dapat digunakan untuk
memperbaikitampilanataumenambahkansejumlahketerangandalamplotyangtelah
dibuatdenganberinteraksiRmenggunakanmouse.Berikutiniadalahadalahpenjelasan
beberapafungsiyangtermasukdalamtipeplottambahanini.
locator(n,type)
Denganperintahini,Rmenungguuseruntukmemillihn(maksimum512)lokasi
padaplotyangada,danmembuatplotyangbersesuaiandenganspesifikasi
yangdiberikanpadaargumentype.
locator()
Perintahinibergunauntukpemilihanlokasidalamsuatuplotsecarainteraktif,
misalnyabergunauntukmenempatakanteks,labelataulegendpadaposisi
yanglebihtepatdalamgrafik.
identify(x,y,labels)
Perintahinidapatdigunakanuntukmeletakkanlabel(ataunomerindeksdari
datajikaargumenlabeltidakdiberikan)darititiktitikyangdiberikandalamx
dany.
10.4.NotasiMatematikapadaPlot
Sejumlahfasilitasuntukmenambahkansimbolpersamaanmatematikakedalam
suatuplottersediapadaR.Informasilengkapberkaitandenganfasilitasinidapatdilihat
dengan perintah help(plotmath). Untuk mengetahui beberapa contoh notasi hasil dari
perintahplotmath,lakukanperintahperintahberikutini.
>help(plotmath)
>example(plotmath)#Terdiridaribeberapaperintahdenganplotmath
>demo(plotmath)
Berikut ini adalah salah satu contoh pemakaian perintah plotmath untuk pembuatan
persamaanmatematikapadasuatuplotdata.
180
sht90
>x<seq(4,4,len=101)
>y<cbind(sin(x),cos(x))
>matplot(x,y,type="l",xaxt="n",
+main=expression(paste(plain(sin)*phi,"and",
+plain(cos)*phi)),
+ylab=expression("sin"*phi,"cos"*phi),#only1stistaken
+xlab=expression(paste("PhaseAngle",phi)),
+col.main="blue")
>axis(1,at=c(pi,pi/2,0,pi/2,pi),
+labels=expression(pi,pi/2,0,pi/2,pi))
Hasildariscriptyangmelibatkanperintahmatplotdiatasadalahsebagaiberikut.
Gambar10.10.Outputperintahpembuatannotasimatematikapadaplot
181
sht90
10.5.Settingparametergrafik
Default dari R dalam setiap jendela grafik hanya akan dibuat plot dari satu
grafik. Setting ini dapat diubah sedemikian hingga dalam satu jendela grafik dapat
dibuat lebih dari satu grafik, yaitu dengan menggunakan perintah par. Perintah par
(singkatan dari kata partisi) ini diikuti dengan argumen mfrow (singkatan dari multi
figure row). Misalkan akan dibuat 6 grafik dalam satu halaman, yaitu 2 baris dan 3
kolom, maka dapat digunakan perintah par(mfrow=c(2,3)). Berikut ini adalah contoh
perintah untuk pembuatan 6 grafik dalam satu halaman dengan melibatkan variabel
variabelpadadatahbat.RData.
>win.graph()
>par(mfrow=c(2,3))
>hist(hbat$X19)#Plotpertamasebuahhistogram
>plot(hbat$X6,hbat$X19,main="DiagrampencarX6vsX19")#Plotkedua
>qqnorm(hbat$X19)#PlotketigasebuahkuantilkuantilnormaldariX19
>qq.plot(hbat$X6)#PlotkeempatsebuahkuantilkuantilnormaldariX6
>plot(hbat$X1,hbat$X19)#Plotkelimasebuahboxplot
>plot(hbat$X19,type="l")#Ploturutanindeks
OutputdariperintahperintahdiatasdapatdilihatpadaGambar10.11dihalaman147.
Hasilinimemberikangambarankepadauserbeberapakeunggulanpembuatanplotpada
R,khususnyamultiplotpadasatutampilanbersamasama.
Keterangan lanjut berkaitan dengan setting dari parameterparameter untuk
grafikatauGraphicalParametersdapatdilihatpadamenuhelpdariperintahpar,yaitu
denganmenggunakanperintah?par.Berikutadalahparameterparametertersebut.
182
sht90
Gambar10.11.Outputperintahpembuatanplotdengansettingparametergrafik
183
sht90
AnalisisRuntunWaktudenganR
BAB11
ANALISISRUNTUNWAKTUDENGANR
Dalamduniausahayangterusmenerusberubahdengancepat,seorangmanajer
harus mampu menganalisis lingkungan yang terus berubah dan dapat memprediksi
berbagaikemungkinandimasadepan.Kemampuanuntukmeramalatauforecastmasa
depan usaha menjadi penting sebagai dasar pengambilan keputusan strategis bagi
kelangsungan perusahaan. Sebagai contoh, bagian pemasaran suatu perusahaan yang
inginmengetahuipermintaansuatuprodukdimasamendatang,ataupemerintahingin
mengetahuidanmemperkirakanberapalajuinflasitahuntahunmendatang.
Berbagaiteknikuntukmelakukanperamalanmasadepanberdasarkanpadadata
masa lalu telah dikembangkan berdasarkan pada pengetahuan akan ilmu statistika.
Secara umum ada dua pendekatan untuk peramalan, yaitu peramalan kuantitatif dan
kualitatif. Peramalan kualitatif dilakukan jika data yang tersedia tidak ada atau tidak
mencukupi, misalnya dalam proyek peluncuran produk baru. Metode peramalan
kualitatifbiasanyadilakukansecarasubyektif,sepertiteknikDelphidanexpertopinion.
Sedangkanmetodeperamalankuantitatifdilakukandenganmenggunakandata
masa lalu yang tersedia. Secara umum metode peramalan kuantitatif terbagi atas dua
kelompokutama,yaitu:(Makridakisdkk.,1998;HankedanReitsch,2001)
PendekatanCausal(sebabakibat)
Metodeperamalankelompokinimembahasproyeksisuatukejadianberdasarkan
variabelvariabelyangdidugamempengaruhikejadiantersebut.Teknikperamalan
yang termasuk pendekatan ini diantaranya adalah analisis regresi berganda, dan
modelekonometrik.
PendekatanTimeSeries
Metode peramalan kelompok ini membahas proyeksi masa depan dari suatu
variabeldidasarkanpadadatamasalaludansekarang.
BabiniakanmembahaspenerapanpaketRpadamodelperamalandenganpendekatan
timeseriesyangbanyakdigunakanuntukmelakukankegiatanperamalan.
Dataruntunwaktuatautimeseriesadalahdatayangdikumpulkan,dicatat,atau
diamati berdasarkan urutan waktu. Beberapa contoh time series adalah data bulanan
tentanghargasembilankebutuhanpokok,databulananmengenaikonsumsimasyarakat
akan daging ayam dan sapi, data bulanan tentang jumlah impor/ekspor komoditas
tertentu, atau data harian dari Indeks Harga Saham Gabungan (IHSG) di Bursa Efek
Jakarta, yang menunjukkan pergerakan IHSG setiap hari. Secara umum, tujuan dari
analisisruntunwaktuadalahuntukmenemukanbentukpoladaridatadimasalaludan
menggunakan pengetahuan ini untuk melakukan peramalan terhadap sifatsifat dari
datadimasayangakandatang.
184
sht90
R menyediakan banyak library untuk analisis runtun waktu atau dikenal juga
dengan Time Series Analysis. Selain pada library standar yaitu stats, analisis runtun
waktu lebih lanjut dapat dilakukan dengan menggunakan library fSeries, tseries,
forecasting,strucchange,TSA,fArma,fracdiff,danmasihbanyakyanglain.Padabagian
iniakandibahaspenggunaanRuntukanalisismodelmodelruntunwaktu,sepertimodel
tren, exponential smoothing, ARIMA, dan Neural Networks. Pembahasan tentang
perintahperintah di R untuk analisis runtun waktu di bab ini akan difokuskan pada
penggunaanperintahdiRConsole.
11.1.ModelTrendLinear
PrinsipdarimodelTrendLinearadalahmencaripersamaantrendlineardaridata
dan menggunakannya untuk mendapatkan ramalan pada waktuwaktu yang akan
datang, Yt + k .Secaramatematis,persamaanlineardaritrendlineardapatditulissebagai
berikut:
Yt = a + bt ,
denganadanbadalahkoefisienkoefisienpersamaanlinearyangakandicariberdasar
kandatayangada,dantadalahkodedariurutanperiodewaktu(biasanyat=1,2,).
Sebagai contoh kasus, misalkan akan dilakukan peramalan jumlah penumpang
pesawatudarainternasionalpadadataAirPassengersyangsudahtersediadiR.Dengan
menulis langsung nama data tersebut pada RConsole, maka akan diperoleh tampilan
dataruntunwaktumulaiJanuari1949sampaidenganDesember1960sepertiberikut.
>AirPassengers
JanFebMarAprMayJunJulAugSepOctNovDec
1949112118132129121135148148136119104118
1950115126141135125149170170158133114140
1951145150178163172178199199184162146166
1952171180193181183218230242209191172194
1953196196236235229243264272237211180201
1954204188235227234264302293259229203229
1955242233267269270315364347312274237278
1956284277317313318374413405355306271306
1957315301356348355422465467404347305336
1958340318362348363435491505404359310337
1959360342406396420472548559463407362405
1960417391419461472535622606508461390432
185
sht90
Analisis tren linear dapat dilakukan dengan menggunakan perintah lm atau

linear model seperti pada analisis regresi linear di Bab 7. Berikut adalah script R dan
outputpersamaantrenlinearpadadataAirPassengers.
>AirPassengers
>t=1:length(AirPassengers)
>y=AirPassengers
>fit=lm(y~t)
>summary(fit)
Call:
lm(formula=y~t)
Residuals:
Min1QMedian3QMax
93.85830.7275.75724.489164.999
Coefficients:
(Intercept)87.652787.7163511.36<2e16***
t2.657180.0923328.78<2e16***
Signif.codes:0***0.001**0.01*0.05.0.11
MultipleRsquared:0.8536,AdjustedRsquared:0.8526
>plot(t,y,type="o",xlab="monthly,19491960",ylab="AirPassengers")
>abline(fit)
Berdasarkan output perintah summary(fit) dapat dijelaskan bahwa persamaan tren

linearuntukdataAirPassengersadalah
Yt = 87,65278 + 2,65718 t .
Persamaan tren linear ini menunjukkan bahwa setiap bulan ada kenaikan jumlah
penumpangpesawatudarainternasionalyaiturataratasebesar2,65718.
Dua perintah terakhir pada script diatas digunakan untuk membuat ilustrasi
grafik yaituplotantara data aktualdengan nilainilaiprediksinya. Outputdari perintah
inidapatdilihatpadaGambar11.1berikutini.
186
sht90
Gambar11.1.OutputmodeltrenlinearpadadataAirPassengers
11.2.ModelExponentialSmoothing
Prinsip dari metode Exponential Smoothing adalah menggunakan nilai peng
halusan secara eksponensial sebagai ramalan dari kejadian di satu waktu yang akan
datang, Yt + k . Secara umum ada tiga macam model eksponensial, yaitu eksponensial
sederhana(untukdatadenganpolastasioner),eksponensialgandayangdikenaldengan
modelHolt(untukdatadenganpolatren),danmodelHoltWinters(untukdatadengan
polamusimandenganatautanpatren).
Rmenyediakanfasilitasuntukketigamodeltersebutdengansatuperintahyaitu
HoltWinters.Penggunaandariperintahiniadalahsepertiberikut.
HoltWinters(x,alpha=NULL,beta=NULL,gamma=NULL,
seasonal=c("additive","multiplicative"),
start.periods=3,l.start=NULL,b.start=NULL,
s.start=NULL,
optim.start=c(alpha=0.3,beta=0.1,gamma=0.1),
optim.control=list())
187
sht90
Perintah HoltWinters ini memiliki beberapa argumen yang dapat digunakan untuk
menentukanpemilihanmetodeeksponensialsmoothingmanayangakandipilih.Berikut
iniadalahargumenyangdapatdipilihpadaperintahHoltWinters.
Argumen
Keterangan
Anobjectofclassts
alpha
alphaparameterofHoltWintersFilter.
beta
betaparameterofHoltWintersFilter.Ifsetto0,thefunction
willdoexponentialsmoothing.
gamma
gammaparameterusedfortheseasonalcomponent.Ifsetto
0,annonseasonalmodelisfitted.
seasonal
Characterstringtoselectan"additive"(thedefault)or
"multiplicative"seasonalmodel.Thefirstfew
charactersaresufficient.(Onlytakeseffectifgammaisnon
zero).
start.periods Startperiodsusedintheautodetectionofstartvalues.Must
beatleast3.
l.start
Startvalueforlevel(a[0]).
b.start
Startvaluefortrend(b[0]).
s.start
Vectorofstartvaluesfortheseasonalcomponent
(s_1[0]...s_p[0])
optim.start
Vectorwithnamedcomponentsalpha,beta,andgamma
containingthestartingvaluesfortheoptimizer.Onlythe
valuesneededmustbespecified.Ignoredintheone
parametercase.
optim.control Optionallistwithadditionalcontrolparameterspassedto
optimifthisisused.Ignoredintheoneparametercase.
Model HoltWinters yang disediakan di R terdiri dari dua pilihan, yaitu model
aditif dan multiplikatif. Model aditif digunakan pada data runtun waktu dengan pola
seasonal dengan variasi musiman konstan. Sedangkan model multiplikatif digunakan
untukdatadenganpolaseasonalyangmengandungvariasitidakkonstan.
188
sht90
Fungsi prediksi pada model HoltWinters aditif (untuk runtun waktu dengan
panjangperiodep)adalah
Yhat[t+h]=a[t]+h*b[t]+s[t+1+(h1)modp],
dengana[t],b[t]dans[t]adalah
a[t]=(Y[t]s[tp])+(1)(a[t1]+b[t1])
b[t]=(a[t]a[t1])+(1)b[t1]
s[t]=gamma(Y[t]a[t])+(1gamma)s[tp].
Sedangkan fungsi prediksi pada model HoltWinters multiplikatif (untuk runtun waktu
denganpanjangperiodep)adalah
Yhat[t+h]=(a[t]+h*b[t])*s[t+1+(h1)modp],
dengana[t],b[t]dans[t]adalah
a[t]=(Y[t]/s[tp])+(1)(a[t1]+b[t1])
b[t]=(a[t]a[t1])+(1)b[t1]
s[t]=gamma(Y[t]/a[t])+(1gamma)s[tp].
Fungsi ini bekerja untuk mendapatkan nilainilai optimal dari dan/atau dan/atau
gammadenganmeminimalkankuadratdarierrorprediksisatutahap.
11.2.1.ModelHoltWintersAditif
Sebagai contoh kasus, misalkan akan dilakukan peramalan CO2 pada data co2
yangsudahtersediadiR.DenganmenulislangsungnamadatatersebutpadaRConsole,
maka akan diperoleh tampilan data runtun waktu mulai Januari 1959 sampai dengan
Desember 1997. Sebagai tahap awal, identifikasi pola data dapat dilakukan dengan
menampilkan plottimeseries denganmenggunakanperintahplot(x).Outputdariplot
tersebutdapatdilihatpadaGambar11.2.Darigambartersebutdapatdilihatbahwadata
mengandung pola tren dan seasonal dengan variasi relatif konstan. Dengan demikian
modelHoltWintersaditifadalahsesuaiuntukditerapkangunaperamalanpadadata.
189
sht90
Gambar11.2.OutputmodeltrenlinearpadadataAirPassengers
BerikutadalahscriptRyangdigunakanuntukmenerapkanmodelHoltWinters
aditifpadadataCO2yangsudahtersediadiR.
>#SeasonalAdditiveHoltWinters
>co2
>plot(co2)#menampilkanplottimeseriesdaridata
>model1<HoltWinters(co2)#menerapkanHoltWintersaditif(default)
>fore1<predict(model1,50,prediction.interval=TRUE)
>plot(model1,fore1)
>plot(fitted(model1))
Script di atas menghasilan koefisienkoefisien yang optimal pada model HoltWinters

aditif(model1),nilairamalan50periodeyangakandatang,dangrafikantaranilaiaktual,
prediksidanramalan50periodeyangakandatang.Perintahterakhirmenghasilkanplot
tiaptiap komponendata, yaitu level,trend,danseasonal, serta nilairamalan. Berikut
iniadalahoutputlengkappadamasingmasingperintahdiatas.
190
sht90
>model1
HoltWintersexponentialsmoothingwithtrendandadditiveseasonalcomponent.
Call:
HoltWinters(x = co2)
Smoothing parameters:
alpha: 0.4907075
beta : 0.01197529
gamma: 0.4536582
Coefficients:
[,1]
a
364.6866567
b
0.1268701
s1
0.2812220
s2
1.0173743
s3
1.6642371
s4
2.9411121
s5
3.3487805
s6
2.5064789
s7
0.9613233
s8
-1.3122489
s9
-3.3464772
s10 -3.1988220
s11 -1.8558114
s12 -0.5254438
>fore1
Jan
Feb
Mar
Apr
May

Oct
Nov
Dec
Jan
Feb
1998
1998
1998
1998
1998
fit
365.0947
365.9578
366.7315
368.1352
368.6698
upr
365.6900
366.6224
367.4603
368.9244
369.5162
lwr
364.4995
365.2931
366.0027
367.3461
367.8234
2001
2001
2001
2002
2002
367.3239
368.7937
370.2510
371.1845
372.0475
369.9810
371.4892
372.9848
373.9829
374.8841
364.6667
366.0983
367.5171
368.3861
369.2110
Output diatas menunjukkan bahwa nilai parameter smoothing yang optimal

adalah alpha=0.49, beta=0.01, dan gamma=0.45. Koefisienkoefisien a dan b, serta
koefisien seasonal (s1,s2,,s12) juga diberikan. Selanjutnya juga diberikan nilainilai
ramalan50periodekedepanbesertataksiranbatasatasdanbawah.Padaakhirnyaplot
komponendata,sertaperbandinganantaranilaiaktualdanramalanditampilkanseperti
padaGambar11.3dan11.4
191
sht90
Gambar11.3.NilaiaktualdanramalanpadadataCO2
Gambar11.4.Nilainilaikomponenlevel,trend,danseasonalpadadataCO2
192
sht90
11.2.2.ModelHoltWintersMultiplikatif
Misalkan akan dilakukan peramalan jumlah penumpang pesawat udara pada
dataAirPassengersyangsudahtersediadiR.Sebagaitahapawal,identifikasipoladata
dapatdilakukandenganmenampilkanplottimeseries(lihatGambar11.1)menunjukkan
bahwa data mengandung pola tren dan seasonal dengan variasi yang cenderung
meningkat.Dengandemikiansalahsatumodelyangsesuaiuntukperamalanpadadata
AirPassengersiniadalahmodelHoltWintersmultiplikatif.
multiplikatifpadadataAirPassengersyangsudahtersediadiR.
>#SeasonalMultiplicativeHoltWinters
>AirPassengers
>plot(AirPassengers)#menampilkanplottimeseriesdaridata
>model2<HoltWinters(AirPassengers,seasonal=mult)
>fore2<predict(model2,24,prediction.interval=TRUE)
>plot(model2,fore2)
>plot(fitted(model2))
Script di atas menghasilan koefisienkoefisien yang optimal pada model HoltWinters

multiplikatif(model2),nilairamalan24periodeyangakandatang,dangrafikantaranilai
aktual dan ramalan 24 periode yang akan datang. Perintah terakhir menghasilkan plot
tiaptiap komponendata, yaitu level,trend,danseasonal, serta nilairamalan. Berikut
iniadalahsebagianoutputpadaperintahperintahdiatas.
>model2
HoltWintersexponentialsmoothingwithtrendandmultiplicativeseasonalcomponent.
Call:
HoltWinters(x=AirPassengers,seasonal="mult")
Smoothingparameters:
alpha:0.274855
beta:0.01745283
gamma:0.8766261
Coefficients:
[,1]
a475.6200718danseterusnya.
193
sht90
Plot komponen data, serta perbandingan antara nilai aktual dan ramalan ditampilkan
sepertipadaGambar11.5dan11.6berikutini.
Gambar11.5.NilaiaktualdanramalanpadadataAirPassengers
Gambar11.6.Nilaikomponenlevel,trend,danseasonalpadaAirPassengers
194
sht90
11.2.3.ModelHoltWintersNonseasonalatauModelEksponensialGanda
Misalkan akan dilakukan peramalan jumlah populasi penduduk United States
(dalam juta jiwa) pada data uspop yang sudah tersedia di R (ditambah suatu error).
Tahapawalidentifikasipoladatamenunjukkanbahwadatamengandungpolatrenyang
cenderungmeningkat.Dengandemikiansalahsatumodelyangsesuaiuntukperamalan
padadatauspopiniadalahmodeleksponensialgandaatauHoltWintersnonseasonal.
nonseasonal pada data uspop yang sudah tersedia di R, serta beberapa output dari
perintahperintahtersebut.
>#NonSeasonalHoltWinters
>uspop
TimeSeries:
Start=1790
End=1970
Frequency=0.1
[1]3.935.317.249.6412.9017.1023.2031.4039.8050.20
[11]62.9076.0092.00105.70122.80131.70151.30179.30203.20
>x<uspop+rnorm(uspop,sd=5)#errorN(0,5)ditambahkankedatauspop
>model3<HoltWinters(x,gamma=0)#gamma=0untukeksponensialganda
>model3
HoltWintersexponentialsmoothingwithtrendandwithoutseasonalcomponent.
Call:
HoltWinters(x=x,gamma=0)
alpha:0.5747944
beta:1
gamma:0
Coefficients:
[,1]
a201.89779
b29.71546
>model3$SSE#nilaiSSEdarimodelHoltWintersnonseasonal
[1]1020.530
>fore3<predict(model3,5,prediction.interval=TRUE)#ramalan5tahunkedepan
>plot(model3,fore3)
195
sht90
PlotperbandinganantaranilaiaktualdanramalandarimodelHoltWinternonseasonal
padadatauspopadalahsebagaiberikut.
Gambar11.7.Nilaiaktualdanramalanpadadatauspop
11.2.4.ModelEksponensialSmoothingSederhana
Misalkan saja akan dilakukan penerapan model eksponensial smoothing
sederhanauntukperamalanjumlahpopulasipendudukUnitedStates(dalamjutajiwa)
pada data uspop yang sudah tersedia di R, seperti pada bagian sebelumnya. Berikut
adalah script R yang digunakan untuk menerapkan model eksponensial smoothing
sederhana pada data uspop (plus suatu error), serta beberapa output dari perintah
perintahtersebut.
>#ExponentialSmoothing
>uspop
>x<uspop+rnorm(uspop,sd=5)
>model4<HoltWinters(x,gamma=0,beta=0)
>fore4<predict(model4,5,prediction.interval=TRUE)#ramalan5tahunkedepan
196
sht90
>model4
HoltWintersexponentialsmoothingwithouttrendandwithoutseasonalcomponent.
Call:
HoltWinters(x=x,beta=0,gamma=0)
alpha:0.9999216
beta:0
gamma:0
Coefficients:
[,1]
a208.6348
>model4$SSE#menampilkannilaiSSEdarimodeleksponensialsmoothingsederhana
[1]3974.916
>plot(model4,fore4)
Plot perbandingan antara nilai aktual dan ramalan dari model eksponensial smoothing
sederhanapadadatauspopadalahsebagaiberikut.
Gambar11.8.Nilaiaktualdanramalanpadadatauspopdenganmetode
eskponensialsmoothingsederhana
197
sht90
11.3.ModelARIMA
Model Autoregressive Integrated Moving Average (ARIMA) merupakan salah
satu model yang populer dalam peramalan dengan pendekatan time series. Model ini
terdiri dari tiga bentuk utama yaitu model AR, MA, dan ARMA. Prosedur BoxJenkins
adalah suatu prosedur standar yang banyak digunakan dalam pembentukan model
ARIMA.Proseduriniterdiridariempattahapanyangiteratifdalampembentukanmodel
ARIMA pada suatu data runtun waktu, yaitu tahap identifikasi, estimasi, diagnostic
check, dan peramalan. Berikut ini adalah diagram yang menggambarkan tahaptahap
dalamprosedurBoxJenkins(BowermandanOConnell,1993;Wei,2006).
Postulasikan
KelasUmumModel
1.TahapIDENTIFIKASI
(Identifikasimodeldugaansementara)
2.TahapESTIMASI
(Estimasikanparametermodel)
TIDAK
3.TahapDIAGNOSTICCHECK
(Verifikasiapakahmodelsesuai?)
YA
4.TahapFORECASTING
(Gunakanmodeluntukperamalan)
Gambar11.9.ProsedurBoxJenkinsuntukpembentukanmodelARIMA
198
sht90
Secaraumum,bentukmatematisdarimodelARIMA(p,d,q)dapatditulissebagai
berikut(Cryer,1986;Wei,2006)
(1 1 B K p B p )(1 B ) d Z t = 0 + (1 1 B K q B q )a t ,
dengan B adalah operator mundur, yaitu B k Z t = Z t k . Penentuan orde p dan q dari

model ARIMA pada suatu data runtun waktu dilakukan dengan mengidentifikasi plot
Autocorrelation Function (ACF) dan Partial Autocorrelation Function (PACF) dari data
yangsudahstasioner.Berikutiniadalahpetunjukumumuntukpenentuanordepdanq
padasuatudataruntunwaktuyangsudahstasioner.
Tabel11.1.PolateoritisACFdanPACFdariprosesyangstasioner
Proses
ACF
PACF
AR(p)
Diesdown
(turuncepatsecara
eksponensial/sinusoidal)
Cutsoffafterlagp
(terputussetelahlagp)
Cutsoffafterlagq
(terputussetelahlagq)
Diesdown
(turuncepatsecara
eksponensial/sinusoidal)
Diesdown
(turuncepatsecara
eksponensial/sinusoidal))
Diesdown
(turuncepatsecara
eksponensial/sinusoidal))
Cutsoffafterlagq
(terputussetelahlagq)
Cutsoffafterlagp
(terputussetelahlagp)
Tidakadayangsignifikan
(tidakadayangkeluarbatas)
MA(q)
ARMA(p,q)
AR(p)atau
MA(q)
Whitenoise
(Random)
Radalahsalahsatupaketstatistikayangmenyediakanfasilitasuntukmembuat
bentukACFdanPACFteoritisdarimodelmodelARIMAyangstasioner.Berikutiniadalah
contohscriptuntukmembuatplotACFdanPACFteoritisdarimodelAR(p),MA(q)dan
ARMA(p,q),sertaoutputnya.
199
sht90
>#ACFdanPACFteoritisuntukAR(1)
>acf.ar1=ARMAacf(ar=0.8,ma=0,20)
>pacf.ar1=ARMAacf(ar=0.8,ma=0,20,pacf=T)
>acf.ar1=acf.ar1[2:21]
>c1=acf.ar1
>c2=pacf.ar1
>ar1=cbind(c1,c2)
>ar1#NilainilaiACFdanPACFteoritis
>par(mfrow=c(1,2))
>plot(acf.ar1,type="h",xlab="lag",ylim=c(1,1))
>abline(h=0)
>plot(pacf.ar1,type="h",xlab="lag",ylim=c(1,1))
>abline(h=0)
Berikut ini adalah hasil plot ACF dan PACF teoritis dari model ARIMA(1,0,0) yang
biasanyadisingkatmodelAR(1),dengannilaikoefisienparametermodel(phi)0,8.
Gambar11.10.PlotACFdanPACFteoritismodelAR(1)denganphi=0,8
DarigambardiatasdapatdijelaskanbahwaplotACFpadamodelAR(1)dengankoefisien
parameterpositifadalahdiesdown(turuncepatsecaraeksponensial)dengannilaiACF
yang selalu positif. Sedangkan PACF menunjukkan pola yang terputus setelah lag 1
sepertipetunjukpadaTabel11.1.
200
sht90
>#ACFdanPACFteoritisuntukMA(2)
>acf.ma2=ARMAacf(ar=0,ma=c(1.5,0.7),20)
>pacf.ma2=ARMAacf(ar=0,ma=c(1.5,0.7),20,pacf=T)
>acf.ma2=acf.ma2[2:21]
>c1=acf.ma2
>c2=pacf.ma2
>ma2=cbind(c1,c2)
>ma2#NilainilaiACFdanPACFteoritis
>par(mfrow=c(1,2))
>plot(acf.ma2,type="h",xlab="lag",ylim=c(1,1))
>abline(h=0)
>plot(pacf.ma2,type="h",xlab="lag",ylim=c(1,1))
>abline(h=0)
Di bawah ini adalah hasil plot ACF dan PACF teoritis dari model ARIMA(0,0,2)
yangbiasanyadisingkatmodelMA(2),dengannilaikoefisienparametermodel(tetha1
dan2)1,5dan0,7.
Gambar11.10.PlotACFdanPACFteoritismodelMA(2)dengantetha1,5dan0,7
Berdasarkan pola pada gambar diatas dapat dijelaskan bahwa plot ACF pada model
MA(2)dengankoefisienparameterpositif1,5(tetha1)dan0,7(tetha2)adalahterputus
setelah lag 2. Sedangkan PACF menunjukkan pola yang dies down (turun cepat secara
sinusoidal)dengannilaiPACFyangberubahdaripositifkenegatifsepertipetunjukpada
Tabel11.1diatas.
201
sht90
>#ACFdanPACFteoritisuntukARMA(1,1)
>acf.arma11=ARMAacf(ar=0.7,ma=0.4,10)
>pacf.arma11=ARMAacf(ar=0.7,ma=0.4,10,pacf=T)
>acf.arma11=acf.arma11[2:11]
>c1=acf.arma11
>c2=pacf.arma11
>arma11=cbind(c1,c2)
>arma11#NilainilaiACFdanPACFteoritis
>par(mfrow=c(1,2))
>plot(acf.arma11,type="h",xlab="lag",ylim=c(1,1))
>abline(h=0)
>plot(pacf.arma11,type="h",xlab="lag",ylim=c(1,1))
>abline(h=0)
HasilplotACFdanPACFteoritisdarimodelARIMA(1,0,1)yangdisingkatmodel
ARMA(1,1),dengannilaikoefisienparameterAR(phi)0,7dankoefisienMA(tetha)0,4.
Gambar11.11.PlotACFdanPACFteoritismodelARMA(1,1)denganphi0,7dantetha
0,4
GambardiatasmenunjukkanbahwaplotACFpada modelARMA(1,1)dengan koefisien

parameterpphi0,7dantetha0,4adalahdiesdown(turuncepatsecaraeksponensial).
Pola yang sama juga ditunjukkan oleh plot PACF yaitu dies down (turun cepat secara
sinusoidal)dengannilaiPACFyangberubahdaripositifkenegatifsepertipetunjukpada
Tabel11.1diatas.
202
sht90
11.3.1.ContohKasusModelARIMANonmusimanyangStasioner
Misalkan akan dilakukan peramalan dengan model ARIMA pada data runtun
wakturecruit.dat,yaitudatatentangbanyaknyaikanbaruyangtelahdikumpulkanoleh
Dr. Roy Mendelssohn dari The Pacific Environmental Fisheries Group (lihat buku
Shumway dan Stoffer (2006), dengan judul Time Series Analysis and Its Applications
with R Examples; halaman 7). Data ini adalah data bulanan mulai tahun 19501987.
BerikutiniadalahscriptfileRuntukmemanggildanmenampilkanplottimeseriesdari
data.
>rec=ts(scan("recruit.dat"),start=1950,frequency=12)
>plot(rec)
Hasilplottimeseriesdaridataadalahsebagaiberikut.
Gambar11.12.Plottimeseriesdaridatarecruit
203
sht90
Dari plot time series pada Gambar 11.12 dapat dijelaskan bahwa data relatif
stasioner dan tidak mengandung tren. Berikut adalah script file R untuk menampilkan
ACFdanPACFdaridatarecruitbesertaoutputnya.
>rec=ts(scan("recruit.dat"))
>plot(rec)#menampilkanplottimeseriesdaridata
>win.graph
>par(mfrow=c(2,1))
>acf(rec,48)#menampilkanACFsampailag48
>pacf(rec,48)#menampilkanPACFsampailag48
Gambar11.13.PlotACFdanPACFdaridatarecruit
204
sht90
Hasil identifikasi bentuk ACF dan PACF dari data recruit menunjukkan bahwa
ACF cenderung dies down (turun cepat) dan PACF cenderung terputus setelah lag 2.
Dengan demikian, model dugaan yang sesuai untuk data ini adalah ARIMA(2,0,0) atau
AR(2). Tahap selanjutnya adalah estimasi parameter pada model ARIMA dugaan. Ada
beberapametodeestimasiparameteryangdisediakanR,antaralain:
EstimasiYuleWalker(YW)
EstimasiOrdinaryLeastSquares(OLS)
EstimasiMaximumLikelihoodEstimation(MLE)
BerikutiniadalahscriptfileRuntukestimasiparameterdenganmenggunakanmetode
estimasiYuleWalkerbesertaoutputnya.
>rec.yw=ar.yw(rec,order=2)
>rec.yw$x.mean
[1]62.26278#taksirannilairataratadata
>rec.yw$ar
[1]1.33158740.4445447#taksirannilaiphi1danphi2
>sqrt(diag(rec.yw$asy.var.coef))
[1]0.042226370.04222637#standarerrordariphi1danphi2
>rec.yw$var.pred
[1]94.79912#taksiranvarianserror(mse)
Berdasarkan hasil taksiran YuleWalker pada output diatas, maka model AR(2) yang
diperolehdapatditulissecaramatematissepertiberikut(duaangkabelakangkoma)
(1 1.33B + 0.44 B 2 )( Z t 62.26) = at ,
atau
Z t = 62.26(1 1.33 + 0.44) + 1.33Z t 1 0.44 Z t 2 + at ,
dengan Z t adalahdataaslipadawaktuket.Outputdiatasjugamemberikannilainilai
standarerrorpadamasingmasingkoefisienyangdapatdigunakanuntukujisignifikansi
parameterparametermodeltersebut.
Sebagaiperbandingan,berikutiniadalahscriptfileRuntukestimasiparameter
denganmenggunakanmetodeestimasiOrdinaryLeastSquaresdanMaximumLikelihood
Estimation,sertaoutputyangdihasilkan.
205
sht90
>rec.ols=ar.ols(rec,order=2)#metodeOLS
>rec.ols$x.mean
>rec.ols$ar
,,1
[,1]
[1,]1.3540685#taksirannilaiphi1danphi2
[2,]0.4631784
>rec.ols$asy.se.coef
$x.mean
[1]0.4460397
$ar
>rec.ols$var.pred
[,1]
[1,]89.71705#taksiranvarianserror(mse)
>rec.mle=ar.mle(rec,order=2)#metodeMLE
>rec.mle$x.mean
>rec.mle$ar
[1]1.35128090.4612736#taksirannilaiphi1danphi
>sqrt(diag(rec.mle$asy.var.coef))
>rec.mle$var.pred
[1]89.33597#taksiranvarianserror(mse)
Hasilestimasiketigametodetersebutmenunjukkanbahwanilainilaitaksiranparameter
modelAR(2)yangdiperolehrelatiftidakberbedajauh.Halyangmenarikadalahtaksiran
dari varians error (atau yang dikenal dengan MSE). Nilai MSE yang diperoleh ketiga
modelmenunjukkanbahwametodeMLEmemberikannilaiMSEyangpalingkecil,yaitu
89.33597.
Selain menggunakan perintahperintah diatas, R juga menyediakan perintah
arima untuk estimasi secara langsung dengan menampilkan beberapa nilai taksiran
sekaligus.Berikutadalahketeranganpenggunaanarimadanargumenyangdibutuhkan.
206
sht90
arima(x,order=c(0,0,0),
seasonal=list(order=c(0,0,0),period=NA),
xreg=NULL,include.mean=TRUE,
transform.pars=TRUE,
fixed=NULL,init=NULL,
method=c("CSSML","ML","CSS"),
n.cond,optim.control=list(),kappa=1e6)
Sebagai contoh, script untuk estimasi CSSMLE (pilihan default) pada data recruit
denganperintaharimabesertaoutputnyaadalahsebagaiberikut.
>fit1<arima(rec,c(2,0,0))
>fit1
Call:
arima(x=rec,order=c(2,0,0))
Coefficients:
ar1ar2intercept
1.35120.461261.8585
s.e.0.04160.04174.0039
sigma^2estimatedas89.33:loglikelihood=1661.51,aic=3331.02
HasildiatasmenunjukkanbahwanilainilaitaksiranparametermodelAR(2)untukdata
recruitadalahsamadenganmenggunakanperintahsebelumnya.
Langkahselanjutnyasetelah estimasiparameterdiperolehadalahcekdiagnosa
untuk mengetahui apakah model sudah memenuhi syarat kebaikan suatu model. R
menyediakan fasilitas untuk uji kesesuaian model, yaitu Uji Statistik LjungBox untuk
mengetahui apakah residual model sudah memenuhi syarat white noise. Hal ini dapat
dilakukandenganperintahtsdiagseperticontohberikutini.
>fit1<arima(rec,c(2,0,0))
>tsdiag(fit1)#cekdiagnosadenganUjiLjungBox
207
sht90
Berikut adalah output hasil perintah tsdiag untuk pengecekan apakah residual model
sudahmemenuhisyaratwhitenoise.
Gambar11.14.PlotACFresidualdanpvaluedariujiStatistikLjungBox
Hasil diatas menunjukkan bahwa residual model AR(2) telah memenuhi syarat white
noise.HaliniditunjukkanolehpvaluedariujiLjungBoxyangsemuanyalebihbesardari
0,05(alphaatautingkatsignifikansipengujian).
Asumsikeduayangjugaharusdiperiksaadalahnormalitasdariresidualmodel.R
menyediakan banyak perintah untuk uji normalitas, baik secara grafik atau statistik
inferensia.PadabagianiniakandigunakanhistogramdanQQplotuntukevaluasisecara
grafik.Secarainferensidigunakansalahsatuperintahyangada,yaitushapiro.testuntuk
menerapkan uji ShapiroWilk. Berikut adalah script file R yang dapat digunakan untuk
menampilkan histogram dan QQplot dari residual, serta uji normalitas residual model
denganujiShapiroWilk.
208
sht90
>par(mfrow=c(2,1))
>hist(fit1$resid,br=12)
>qqnorm(fit1$resid)
>shapiro.test(fit1$resid)
ShapiroWilknormalitytest
data:fit1$resid
W=0.9736,pvalue=2.723e07
OutputhistogramdanQQplotresidualmodelAR(2)padadatarecruitdapatdilihatpaga
Gambar 11.15. Output uji ShapiroWilk diatas menunjukkan bahwa residual belum
memenuhisyaratdistribusinormal.Haliniditunjukkanolehpvalueyanglebihkecildari
0.05(alphapengujian).
Gambar11.15.HistogramdanQQPlotresidualmodelAR(2)padadatarecruit
209
sht90
Langkah terakhir setelah model yang diperoleh sudah memenuhi syarat model
adalahperamalan.AnggapmodelAR(2)adalahmodelyangsesuaiuntukperamalandata
recruit. Berikut ini adalah script file R yang lengkap mulai tahap identifikasi, estimasi,
cekdiagnosa,danperamalan.
>rec=ts(scan("recruit.dat"),start=1950,frequency=12)
>plot(rec)#TahapIDENTIFIKASI
>win.graph
>par(mfrow=c(2,1))
>acf(rec,48)#menampilkanACFsampailag48
>pacf(rec,48)#menampilkanPACFsampailag48
>fit1<arima(rec,c(2,0,0))#TahapESTIMASI
>tsdiag(fit1)#TahapCEKDIAGNOSA
>win.graph
>par(mfrow=c(2,1))
>hist(fit1$resid,br=12)
>qqnorm(fit1$resid)
>shapiro.test(fit1$resid)
>rec.fore=predict(fit1,n.ahead=24)#TahapPERAMALAN
>U=rec.fore$pred+rec.fore$se
>L=rec.fore$predrec.fore$se
>minx=min(rec,L)
>maxx=max(rec,U)
>ts.plot(rec,rec.fore$pred,xlim=c(1970,1990),ylim=c(minx,maxx))
>lines(rec.fore$pred,col="red",type="o")
>lines(U,col="blue",lty="dashed")
>lines(L,col="blue",lty="dashed")
Pada script ini nilainilai ramalan 24 periode yang akan datang disimpan dalam object
yangdiberinamarec.fore.Dalamhalininilainilairamalanbesertabatasatasdanbatas
bawah juga diberikan. Untuk menampilkan angkaangka tersebut cukup dengan
menuliskannamaobjecttersebutpadaRConsole.
Hasil plot ramalan beserta batas atas dan batas bawah ramalan ditampilkan
pada Gambar 11.16. Warna merah menunjukkan nilainilai ramalan, sedangkan warna
biru adalah batas bawah dan atas dari ramalan. Hasil tersebut menunjukkan bahwa
ramalan yang diperoleh relatif cukup baik, karena sudah mengikuti pola data recruit
padawaktuwaktusebelumnya.
210
sht90
Gambar11.16.Plotramalan,batasatasdanbatasbawahpadadatarecruit
11.3.2.ContohKasusModelARIMANonmusimanyangTidakStasioner
waktugnp96.dat,yaitudatakuartalantentangGNPUSperiode1947(1)sampai2002(3).
Datainiadalahdataruntunwaktuyangtidakstasionerdalammeandanvarians,seperti
yang terlihat pada Gambar 11.17. Hal ini ditunjukkan oleh fluktuasi varians yang
cenderungmeningkatseiringbertambahnyawaktu.Karenadatabelumstasionerdalam
meandanvarians,makapadatahapidentifikasidilakukanprosestransformasiterlebih
dulu untuk menstabilkan varians, dan kemudian differencing untuk menstasionerkan
mean data. Pemilihan transformasi yang sesuai dapat menggunakan transformasi Box
Cox.Dalamkasusini,transformasilogyangterpilihuntukmenstabilkanvariansidata.R
menyediakanperintahdiffuntukprosesdifferencingsuatudataruntunwaktu.
Berikut ini adalah script lengkap untuk memanggil data, identifikasi, estimasi,
cek diagnosa, dan peramalan pada data gnp96.dat. Output lengkap dari script ini
ditampilkan per tahapan pembentukan model ARIMA dengan menggunakan prosedur
BoxJenkins.
211
sht90
>gnp96=read.table("gnp96.dat")
>gnp=ts(gnp96[,2],start=1947,frequency=4)
>#tahapIDENTIFIKASI
>plot(gnp)
>acf(gnp,50)
>gnpgr=diff(log(gnp))#transformasidandifferencingdata
>plot.ts(gnpgr)
>par(mfrow=c(2,1))
>acf(gnpgr,24)
>pacf(gnpgr,24)
>#tahapESTIMASI
>gnpgr.ar=arima(gnpgr,order=c(1,0,0))#potentialproblemhere
>gnpgr.ma=arima(gnpgr,order=c(0,0,2))
>gnpgr.ar
>gnpgr.ma
>#tahapCEKDIAGNOSA
>tsdiag(gnpgr.ar,gof.lag=20)
>tsdiag(gnpgr.ma,gof.lag=20)
HasilTahapIDENTIFIKASI
Gambar11.17.PlotdatakuartalanGNPUSmulai1947(1)sampai2002(3)
212
sht90
Gambar11.18.PlotACFdatakuartalanGNPUSmulai1947(1)2002(3)
Berikut ini adalah hasil transformasi log dan differencing untuk mendapatkan data
runtunwaktuyangstasioner.
Gambar11.19.PlotdatakuartalanGNPUSsetelahdilogdandifferencing(gnpgr)
213
sht90
OutputbentukACFdanPACFdaridatagnpyangsudahditransformasidandifferencing
menjadidatagnppr.
Gambar11.20.PlotACFdanPACFdaridatagnpgr
HasilTahapESTIMASI
>gnpgr.ar#HasilestimasiparametermodelARIMA(1,1,0)
Call:
arima(x=gnpgr,order=c(1,0,0))
Coefficients:
ar1intercept
0.34670.0083
s.e.0.06270.0010
sigma^2estimatedas9.03e05:loglikelihood=718.61,aic=1431.22
214
sht90
>gnpgr.ma#HasilestimasiparametermodelARIMA(0,1,2)
Call:
arima(x=gnpgr,order=c(0,0,2))
Coefficients:
ma1ma2intercept
0.30280.20350.0083
s.e.0.06540.06440.0010
sigma^2estimatedas8.92e05:loglikelihood=719.96,aic=1431.93
HasilTahapCEKDIAGNOSA
Gambar11.20.PlotACFdanPACFdariresidualmodelARIMA(1,1,0)
215
sht90
Gambar11.21.PlotACFdanPACFdariresidualmodelARIMA(0,1,2)
Hasilhasil diatas menunjukkan bahwa model ARIMA(0,1,2) adalah model ARIMA yang
lebih sesuai untuk data GNP US jika dibandingkan dengan model ARIMA(1,1,0). Hal ini
ditunjukkan oleh nilai likelihood yang lebih besar dan nilai AIC yang lebih kecil pada
modelARIMA(0,1,2).
11.3.3.ModelARIMAMusiman
Secara umum, model ARIMA musiman terdiri dari dua macam yaitu model
musiman saja atau ARIMA(P,D,Q)S dan model ARIMA multiplikatif musiman dan
nonmusiman atau ARIMA(p,d,q)(P,D,Q)S, dengan S adalah periode musiman. Bentuk
matematisdarimodelARIMA(P,D,Q)Sdapatditulissebagaiberikut
(1 1S B K P B PS )(1 B S ) D Z t = 0 + (1 1 B K Q B QS )a t .
216
sht90
Sepertipadamodelnonmusiman,penentuanordePdanQdarimodelARIMAmusiman
pada suatu data runtun waktu dilakukan dengan mengidentifikasi plot ACF dan PACF
daridatayangsudahstasioner.Berikutiniadalahpetunjukumumuntukpenentuanorde
PdanQpadasuatudataruntunwaktumusimanyangsudahstasioner.
Tabel11.2.PolateoritisACFdanPACFdariprosesmusimanyangstasioner
Proses
ACF
PACF
AR(P)S
DiesdownpadalagkS,dengan
k=1,2,3,
CutsoffsetelahlagPS
MA(Q)S
CutsoffsetelahlagQS
k=1,2,3,
k=1,2,3,
k=1,2,3,
AR(P)Satau CutsoffsetelahlagQS
MA(Q)S
CutsoffsetelahlagPS
Whitenoise
(Random)
ARMA(P,Q)S
Selanjutnya, gabungan petunjuk pola ACF dan PACF pada Tabel 11.1 dan 11.2
dapat digunakan untuk menentukan orde p, q, P, dan Q pada model musiman
multiplikatif ARIMA(p,d,q)(P,D,Q)S. Secara umum bentuk model ARIMA BoxJenkins
MusimanatauARIMA(p,d,q)(P,D,Q)Sadalah:(Cryer,1986;Wei,2006)
p ( B ) P ( B S )(1 B) d (1 B S ) D Z t = 0 + q ( B ) Q ( B S )a t ,
dengan
p,d,q = orderAR,MAdandifferencingNonmusiman,
P,D,Q= orderAR,MAdanDifferencingMusiman,
p (B) = (1 1 B 2 B 2 ... p B p ) ,
217
sht90
P ( B S ) = (1 1 B S 2 B 2 S ... P B PS ) ,
(1 B) d = operasimatematisdaridifferencingNonmusiman,
(1 B S ) D = operasimatematisdaridifferencingMusiman,
= (1 1 B 2 B 2 ... q B q ) ,
Q ( B S ) = (1 1 B S 2 B 2 S ... Q B QS ) ,
Zt
= Z t .
q (B )
Seperti pada model nonmusiman, R menyediakan fasilitas untuk membuat

bentuk ACF dan PACF teoritis dari modelmodel ARIMA musiman yang stasioner, baik
musiman saja atau multiplikatif musiman dan nonmusiman. Berikut ini adalah contoh
scriptuntukmembuatplotACFdanPACFteoritisdarimodelARIMA(p,d,q)(P,D,Q)S.
>#ACFdanPACFteoritisuntukMA(1)(1)12
>theta=c(0.6,rep(0,10),0.5,0.3)
>#phi=c(rep(0,11),0.8)untukmodelAR
>acf.arma=ARMAacf(ar=0,ma=theta,60)
>pacf.arma=ARMAacf(ar=0,ma=theta,60,pacf=T)
>acf.arma=acf.arma[2:61]
>c1=acf.arma
>c2=pacf.arma
>arma=cbind(c1,c2)
>arma#NilainilaiACFdanPACFteoritis
>par(mfrow=c(1,2))
>plot(acf.arma,type="h",xlab="lag",ylim=c(1,1))
>abline(h=0)
>plot(pacf.arma,type="h",xlab="lag",ylim=c(1,1))
>abline(h=0)
Model ARIMA yang digunakan pada script diatas adalah ARIMA(0,0,1)(0,0,1)12 atau
disingkatMA(1)(1)12.Secaramatematismodelinidapatditulisdalambentuk
Z t = (1 1 B )(1 1 B12 )at ,
atau
Z t = at 1at 12 1at 12 + 11at 13 .
Hasil plot ACF dan PACF teoritis dari model ARIMA(0,0,1)(0,0,1)12 dengan nilai
koefisienparametermodel(tetha1danTETHA1)0,6dan0,5dapatdilihatpadaGambar
11.22berikutini.
218
sht90
Gambar11.22.PlotACFdanPACFteoritismodelARIMA(0,0,1)(0,0,1)12
11.3.4.ContohKasusModelARIMAMusiman
waktuprod.dat,yaitudatabulanantentangtheFederalReseerveBoardProcuctionIndex
(lihat buku Shumway dan Stoffer (2006), dengan judul Time Series Analysis and Its
ApplicationswithRExamples;halaman160).Datainiadalahdatabulananmulaitahun
19481978.BerikutiniadalahscriptfileRuntukmemanggildanmenampilkanplottime
series,ACF,danPACFdaridataasli.
>prod=ts(scan("prod.dat"),start=1948,frequency=12)
>plot(prod)
>par(mfrow=c(2,1))#(P)ACFofdata
>acf(prod,48)
>pacf(prod,48)
Hasil dari plot time series data indeks produksi tersebut (prod) dapat dilihat pada
Gambar 11.23. Plot ini menunjukkan bahwa data mengandung tren naik atau data
belumstasionerdalammean.
Hal ini didukung oleh bentuk ACF dan PACF data asli pada Gambar 11.24,
khususnya pola ACF yang turun lambat yang mengindikasikan bahwa data belum
stasioner dalam mean. Pada tahap ini (tahap identifikasi) dilakukan differencing pada
datauntukmendapatkandatayangstasionerdalammean.
219
sht90
Gambar11.23.Plottimeseriesdaridataindeksproduksi(prod)
Gambar11.24.PlotACFdanPACFdaridataindeksproduksi(prod)
220
sht90
Berikut ini adalah script untuk differencing dan identifikasi bentuk ACF dan PACF dari
datayangsudahstasioner.
>par(mfrow=c(2,1))#ACFdanPACFdifferencingd=1
>acf(diff(prod),48)
>pacf(diff(prod),48)
>#Karenabelumstasionerdalammusiman,dilanjutkan
>#differencingmusimanD=1,S=12atauD=12.
>par(mfrow=c(2,1))#ACFdanPACFdifferencingd=1,D=12
>acf(diff(diff(prod),12),48)
>pacf(diff(diff(prod),12),48)
HasildariplotACFdanPACFpadadatayangsudahdidifferencingd=1,danD=1,S=12,
ataudifferencingnonmusimandanmusiman,ditampilkanpadaGambar11.25.
Gambar11.25.PlotACFdanPACFdaridataprodyangtelahdidifferencing
221
sht90
GambarACFdanPACFdatayangsudahstasionermenunjukkanbahwapadalag
lagnonmusiman(lag19)ACFdanPACFcenderungdiesdown.Halinijugaterjadipada
laglagmusiman(lag12,24,36)yangcenderungjugadiesdown.Berdasarkanpetunjuk
padaTabel9.1dan9.2,didugaada3(tiga)modelyangsesuaiuntukdataini,yaitu:
1. ARIMA(1,1,1)(0,1,1)12
2. ARIMA(1,1,1)(2,1,0)12
3. ARIMA(1,1,1)(2,1,1)12.
Hasil estimasi pada ketiga model dugaan tersebut menunjukkan bahwa model
ARIMA(1,1,1)(2,1,1)12 merupakanmodelterbaik,berdasarkanperbandingankriteriaAIC.
Berikut adalah script R yang dapat digunakan untuk estimasi parameter pada model
ARIMAmultiplikatif.
>#TahapESTIMASIPARAMETERmodelke3
>prod.fit3=arima(prod,order=c(1,1,1),seasonal=list(order=c(2,1,1),period=12))
>prod.fit3
Berikut ini adalah output hasil estimasi parameter dari model ketiga, yaitu model
multiplikatif ARIMA(1,1,1)(2,1,1)12. Hasil ini menunjukkan bahwa model multiplikatif
ARIMA(1,1,1)(2,1,1)12 adalahsesuaiuntukdataprodkhususnyajikadilihatdaritaksiran
parameterdansignifikansiparametertersebut(hitungujistatistiktnya).
>prod.fit3#Menampilkanhasilhasilestimasiparameter
Call:
arima(x=prod,order=c(1,1,1),seasonal=list(order=c(2,1,1),period=12))
Coefficients:
ar1ma1sar1sar2sma1
0.57530.27090.21530.28000.4968
s.e.0.11200.13000.07840.06190.0712
sigma^2estimatedas1.351:loglikelihood=568.22,aic=1148.43
222
sht90
Tahapselanjutnyayaitutahapcekdiagnosadanperamalanberdasarkanmodel
yangsesuai.BerikutadalahscriptRyangdapatdigunakanuntuktahapcekdiagnosadan
peramalanpadamodelARIMAmultiplikatif,sertaoutputnya.
>#TahapDIAGNOSTICSCHECK
>tsdiag(prod.fit3,gof.lag=48)
>#TahapPERAMALAN
>prod.pr=predict(prod.fit3,n.ahead=12)
>U=prod.pr$pred+2*prod.pr$se
>L=prod.pr$pred2*prod.pr$se
>ts.plot(prod,prod.pr$pred,col=1:2,type="o",ylim=c(105,175),xlim=c(1975,1980))
>lines(U,col="blue",lty="dashed")
>lines(L,col="blue",lty="dashed
Gambar11.26.OutputtahapcekdiagnosapadamodelARIMA(1,1,1)(2,1,1)12
223
sht90
Plotperbandinganantaranilaiaktualdannilairamalanbeberapaperiodekedepandapat
dilihatpadagambarberikutini.
Gambar11.27.Plotramalan,batasatasdanbatasbawahpadadataprod
Dengan demikian model terbaik yang diperoleh untuk data prod diatas adalah model
multiplikatif ARIMA(1,1,1)(2,1,1)12 yang secara matematis dapat ditulis dalam bentuk
sebagaiberikut(duaangkabelakangkoma).
(1 0,58 B)(1 + 0,22 B12 + 0,28 B 24 )(1 B)(1 B12 ) Z t = (1 0,27 B)(1 0,50 B12 )at ,
dengantaksiranvarianserror(MSE)sebesar1,351.
Penjabaran dari model ARIMA(1,1,1)(2,1,1)12 di atas akan menunjukkan bahwa
peramalan indeks produksi pada suatu bulan (Zt) merupakan fungsi linear dari indeks
produksipadabulanbulansebelumnya,yaitusatu(Zt1),dua(Zt2),duabelas(Zt12),tiga
belas(Zt13),empatbelas(Zt14),duapuluhempat(Zt24),duapuluhlima(Zt25),duapuluh
enam(Zt26),tigapuluhenam(Zt36),tigapuluhtujuh(Zt37),tigapuluhdelapan(Zt38),dan
residualpadabulanbulansebelumnya,yaitusatu(at1),duabelas(at12),dantigabelas
(at13)bulansebelumnya.
224
sht90
11.3.5.KriteriaPemilihanModel
Ada beberapa kriteris pemilihan model yang dapat digunakan untuk memilih
model ARIMA terbaik pada suatu data runtun waktu, antara lain Akaikes Information
Criterion (AIC), AIC Bias Corrected (AICc), dan Schwarzs Information Criterion (SIC).
Berikutiniadalahrumusuntukperhitungankriteriakriteriatersebut.
AkaikesInformationCriterion(AIC)
n + 2k
,
n
AIC = ln k2 +
dengan k adalah banyaknya parameter dalam model, dan n adalah jumlah data
(pengamatan), serta k2 estimator maksimum likelihood dari varians error yang
didefinisikansebagaiberikut
k2 =
RSS k
,
n
denganRSSadalahtheresidualsumofsquares(jumlahkuadraterror).
AICBiasCorrected(AICc),
AICc = ln k2 +
n+k
,
nk 2
dengank,n,dan k2 sepertiyangdidefinisikandiatas.
SchwarzsInformationCriterion(SIC).
SIC = ln k2 +
k ln n
,
n
dengank,n,dan k2 sepertiyangdidefinisikandiatas.
Misalkan akan dilakukan perbandingan nilainilai kriteria AIC, AICc, dan SIC
untukpemilihanmodelterbaikpadakasusdataGNPUSsebelumnya,yaituantaramodel
ARIMA(1,1,0)denganARIMA(0,1,2).Sepertiyangdijelaskanpadasubbab11.3.3,kriteria
AIC menunjukkan bahwa model ARIMA(0,1,2) adalah model yang lebih baik dibanding
modelARIMA(1,1,0).HalinidikarenakanmodelARIMA(0,1,2)memberikannilaiAICyang
lebih kecil dibandingkan dengan model ARIMA(1,1,0). Berikut ini adalah script dan
output untuk perhitungan nilainilai kriteria AIC, AICc, dan SIC pada kedua model
tersebut.
225
sht90
>gnp96=read.table("gnp96.dat")
>gnp=ts(gnp96[,2],start=1947,frequency=4)
>gnpgr=diff(log(gnp))
>gnpgr.ar=arima(gnpgr,order=c(1,0,0))
>gnpgr.ma=arima(gnpgr,order=c(0,0,2))
>
>n=length(gnpgr)#jumlahdata
>kma=length(gnpgr.ma$coef)#jumlahparameterpadamodelMA
>sma=gnpgr.ma$sigma2#nilaimledarisigma^2
>kar=length(gnpgr.ar$coef)#jumlahparameterpadamodelMA
>sar=gnpgr.ar$sigma2#nilaimleofsigma^2
>
>#PerhitungannilaiAIC
>log(sma)+(n+2*kma)/n#MA(2)
[1]8.297695
>log(sar)+(n+2*kar)/n#AR(1)
[1]8.294403
>
>#PerhitungannilaiAICc
>log(sma)+(n+kma)/(nkma2)#MA(2)
[1]8.287855
>log(sar)+(n+kar)/(nkar2)#AR(1)
[1]8.284898
>
>#PerhitungannilaiBIC
>log(sma)+kma*log(n)/n#MA(2)
[1]9.251712
>log(sar)+kar*log(n)/n#AR(1)
[1]9.263748
OutputdiatasmenunjukkanbahwakriteriaAICcdanSICmemberikanhasilyang
berbeda. Kriteria AICc memberikan hasil yang sama dengan AIC, yaitu model terbaik
adalahmodelARIMA(0,1,2).HaliniditunjukkanolehnilaiAICcpadamodelARIMA(0,1,2)
yang lebih kecil daripada model ARIMA(1,1,0). Sebaliknya, kriteria SIC menunjukkan
bahwa model yang lebih sederhana adalah yang lebih baik, yaitu model ARIMA(1,1,0).
Nilai SIC pada model ARIMA(1,1,0) adalah 9,288 dan ini lebih kecil dibanding yang
diperolehmodelARIMA(0,1,2),yaitu9,276.Seringkalidalambanyakkasus,kriteriaSIC
akancenderungmemilihmodelyanglebihsederhanadibandingkriteriaAICdanAICc.
226
sht90
11.4.RangkumanperintahdanlibraryyangberkaitandenganAnalisisRuntun
Waktu
Berikut ini adalah rangkuman beberapa perintah dan penjelasan tentang
kegunaan,sertalibrarydariperintahtersebut,yangbiasanyadigunakandalamanalisis
runtunwaktu.
InputDataRuntunWaktu
Perintah
Kegunaan
library
cycle()
givesthepositionsinthecycleofeachobservation
stats
deltat()
returnsthetimeintervalbetweenobservations
stats
end()
extractsandencodesthetimesthelastobservation
weretaken
stats
frequency()
returnsthenumberofsamplesperunittime
stats
start()
readsatimeseriesfile
stats
time()
extractsandencodesthetimesthefirstobservation
weretaken
stats
ts()
createstimeseriesobjects
stats
window()
isagenericfunctionwhichextractsthesubsetofthe
object'x'observedbetweenthetimes'start'and
'end'.Ifafrequencyisspecified,theseriesisthenre
sampledatthenewfrequency
stats
DekomposisiRuntunWaktu
Perintah
Kegunaan
library
decompose()
decomposesatimeseriesintoseasonal,trendand
irregularcomponentsusingmovingaverages.Deals
withadditiveormultiplicativeseasonalcomponent
stats
filter()
linearfilteringonatimeseries
stats
HoltWinters()
computesHoltWintersFilteringofagiventime
series
stats
227
sht90
Perintah
Kegunaan
library
sfilter()
removesseasonalfluctuationusingasimplemoving
average
ast
spectrum()
estimatesthespectraldensityofatimeseries
stats
stl()
decomposesatimeseriesintoseasonal,trendand
irregularcomponentsusing'loess'
stats
tsr()
decomposesatimeseriesintotrend,seasonaland
irregular.Dealswithadditiveand
multiplicativecomponents
ast
PengujiandalamAnalisisRuntunWaktu
Perintah
Kegunaan
library
adf.test()
computestheAugmentedDickeyFullertestforthe
nullthat'x'hasaunitroot(tseries)
tseries
Box.test()
computestheBoxPierceorLjungBoxteststatistic
forexaminingthenullhypothesisofindependencein
agiventimeseries
stats
bds.test()
computesandprintstheBDSteststatisticforthe
nullthat'x'isaseriesofi.i.d.randomvariables
tseries
bptest()
performstheBreuschPagantestfor
heteroskedasticityofresiduals
lmtest
dwtest()
performstheDurbinWatsontestfor
autocorrelationofresiduals
lmtest
jarque.bera.test() JarqueBeratestfornormality
tseries
kpss.test()
computesKPSStestforstationarity
tseries
shapiro.test()
ShapiroWilkNormalityTest
stats
tsdiag()
agenericfunctiontoplottimeseriesdiagnostics
stats
228
sht90
ModelmodelStokastikdalamAnalisisRuntunWaktu
Perintah
Kegunaan
library
ar()
fitsanautoregressivetimeseriesmodeltothedata,
bydefaultselectingthecomplexitybyAIC
stats
arima()
fitsanARIMAmodeltoaunivariatetimeseries
stats
arima.sim()
simulatefromanARIMAmodel
stats
arma()
fitsanARMAmodeltoaunivariatetimeseriesby
conditionalleastsquares
tseries
garch()
fitsaGeneralizedAutoregressiveConditional
HeteroscedasticGARCH(p,q)timeseriesmodeltothe
databycomputingthemaximumlikelihood
estimatesoftheconditionallynormalmodel
tseries
GrafikdalamAnalisisRuntunWaktu
Perintah
Kegunaan
library
lag.plot()
plotstimeseriesagainstlaggedversionsof
themselves.Helpsvisualizing"autodependence"
evenwhenautocorrelationsvanish
stats
plot.ts()
plottingtimeseriesobjects
stats
seaplot()
plottingseasonalsubseriesorprofile
ast
ts.plot()
plotsseveraltimeseriesonacommonplot.Unlike
'plot.ts'theseriescanhaveadifferenttimebases,
buttheyshouldhavethesamefrequency
stat
ccf(),pacf(),
ccf()
thefunction'acf'computes(andbydefaultplots)
estimatesoftheautocovarianceorautocorrelation
function.Function'pacf'isthefunctionusedforthe
partialautocorrelations.Function'ccf'computesthe
crosscorrelationorcrosscovarianceoftwo
univariateseries
stats
diff.ts()
returnssuitablylaggedanditerateddifferences
stats
lag()
computesalaggedversionofatimeseries,shifting
thetimebasebackbyagivennumber
ofobservations
stats
229
sht90
AnalisisMultivariatdenganR
BAB12
ANALISISMULTIVARIATDENGANR
Analisis Multivariat merupakan salah satu metode dalam analisis statistik yang
banyak digunakan dalam penelitian kuantitatif yang melibatkan banyak variabel. Ada
beberapa metode dalam Analisis Multivariat, antara lain Analisis Faktor, Analisis
Diskriminan, Analisis Klaster, Multidimensional Scaling, Analisis Konjoin, dan Model
Persamaan Struktural (SEM). Secara lengkap teori yang berkaitan dengan analisis
multivariatdapatdilihatpadaJohnsondanWichern(1998),Sharma(1996),sertaHair
dkk. (2006). Pada bab ini akan dijelaskan penggunaan R untuk beberapa metode
tersebut,khususnyaAnalisisFaktor,AnalisisDiskriminan,danAnalisisKlaster.
12.1.AnalisisFaktor
Analisis Faktor merupakan salah satu metode interdependensi dalam analisis
multivariat yang biasanya digunakan untuk mengeksplorasi struktur hubungan yang
terjadidalamsuatukelompokvariabel.Selainitu,AnalisisFaktorjugadigunakanuntuk
mereduksi dimensi data kedalam suatu variabel baru yang independen yang disebut
denganfaktoratauvariabellatent.Secaraumum,adaduamacamAnalisisFaktoryaitu
AnalisisFaktoreksploratoridankonfirmatori.Padabagianini,penjelasanpenggunaanR
hanyadifokuskanpadaAnalisisFaktoreksploratori.
RmenyediakanfasilitasuntukAnalisisFaktorpadalibrarystatsdenganperintah
factanal. Misalkan akan dilakukan Analisis Faktor terhadap variabelvariabel tentang
persepsipelangganpadadataHBAT.SAVyang adadibukuHairdkk.(2006,hal.2831)
dengan judul Multivariate Data Analysis seperti yang juga dibahas di Bab 7. Ada 13
variabel persepsi pelanggan yang akan dievaluasi struktur hubungannya, yaitu
x6,x7,,x18.Identifikasikecukupandatamenunjukkanbahwavariabelx15danx17tidak
memenuhi syarat kecukupan data sehingga kedua variabel tersebut tidak diikutkan
dalam Analisis Faktor. Penjelasan tentang hasil identifikasi ini secara lengkap dapat
dilihatdiHairdkk.(2006)padaBab3tentangAnalisisFaktor.
Perintah factanal pada R adalah fasilitas untuk Analisis Faktor dengan metode
ekstraksi Maksimum Likelihood. Ada beberapa pilihan rotasi dan metode untuk
mendapatkan faktor skor. Berikut ini adalah deskripsi penggunaan secara umum dari
perintahtersebut.
factanal(x,factors,data=NULL,covmat=NULL,n.obs=NA,
subset,na.action,start=NULL,
scores=c("none","regression","Bartlett"),
rotation="varimax",control=NULL,...)
230
sht90
Untuk kasus data persepsi pelanggan pada data HBAT.SAV yang sudah diimport ke
dalamRdengannamahbat,berikutadalahperintahdanoutputdariAnalisisFaktor.
>FA<factanal(~x6+x7+x8+x9+x10+x11+x12+x13+x14+x16+x18,
+factors=4,data=hbat,rotation="varimax",scores="regression")
>FA
Call:
factanal(x = ~x6 + x7 + x8 + x9 + x10 + x11 + x12 + x13 + x14 + x16 + x18,
factors = 4, data = hbat, scores = "regression", rotation = "varimax")
Uniquenesses:
x6
x7
x8
x9
x10
x11
x12
x13
x14
x16
x18
0.682 0.360 0.228 0.178 0.679 0.005 0.017 0.636 0.163 0.347 0.076
Loadings:
Factor1 Factor2 Factor3
x6
x7
0.793
x8
0.872
x9
0.884
0.142
x10 0.190
0.521
x11 0.502
0.104
x12 0.119
0.974
x13
0.225 -0.216
x14
0.894
x16 0.794
0.101
0.105
x18 0.928
0.189
Factor4
0.557
0.102
0.135
-0.110
0.856
-0.130
-0.514
0.158
0.164
SS loadings
Proportion Var
Cumulative Var
Factor1 Factor2 Factor3 Factor4

2.592
1.977
1.638
1.423
0.236
0.180
0.149
0.129
0.236
0.415
0.564
0.694
Test of the hypothesis that 4 factors are sufficient.

The chi square statistic is 24.26 on 17 degrees of freedom.
The p-value is 0.113
Hasil output diatas menunjukkan bahwa empat faktor yang dihasilkan dapat
menjelaskan 69,4% total variansi data. Variabelvariabel utama penyusun faktor
tersebutadalah
Faktor1:variabelx9,x16,danx18,
Faktor2:variabelx7,x10,danx12,
Faktor3:variabelx8,danx14,
Faktor4:variabelx6danx13.
Outputtersebutjugamenunjukkanbahwaadasatuvariabelyangsebaiknyadihilangkan
darianalisiskarenahasilrotasimasihmasukdalamduafaktor,yaitux11yangmenyusun
Faktor1dan4.
231
sht90
R juga memberikan fasilitas untuk menampilkan hasil Analisis Faktor lebih

mudah untuk diinterpretasi, yaitu dengan cara mengurutkan nilai loading faktor pada
variabel penyusun faktor. Berikut ini adalah perintah print untuk menampilkan hasil
AnalisisFaktordanoutputyangdihasilkan.
>print(FA,digits=3,cutoff=0.4,sort=TRUE)
Call:
factanal(x = ~x6 + x7 + x8 + x9 + x10 + x11 + x12 + x13 + x14 + x16 + x18,
factors = 4, data = hbat, scores = "regression", rotation = "varimax")
Uniquenesses:
x6
x7
x8
x9
x10
x11
x12
x13
x14
x16
x18
0.682 0.360 0.228 0.178 0.679 0.005 0.017 0.636 0.163 0.347 0.076
Loadings:
x9
0.884
x16 0.794
x18 0.928
x7
0.793
x10
0.521
x12
0.974
x8
0.872
x14
0.894
x6
0.557
x11 0.502
0.856
x13
-0.514
SS loadings
Proportion Var
Cumulative Var

2.592
1.977
1.638
1.423
0.236
0.180
0.149
0.129
0.236
0.415
0.564
0.694
Test of the hypothesis that 4 factors are sufficient.

The chi square statistic is 24.26 on 17 degrees of freedom.
The p-value is 0.113
12.2.AnalisisDiskriminan
Analisis Diskriminan merupakan salah satu metode dependensi dalam analisis
multivariat yang biasanya digunakan untuk evaluasi klasifikasi objek. Sifat data yang
digunakan dalam analisis ini adalah nonmetrik pada variabel dependen (biasanya
berupakodegroupobjek)danmetrikpadakelompokvariabelindependen.Tujuandari
analisis ini adalah mendapatkan suatu fungsi (disebut fungsi diskriminan) yang dapat
digunakanuntukmemisahkanobjeksesuaidengangroupatauklasifikasinya.Fungsiini
selanjutnyadapatjugadigunakanuntukmemprediksigroupdarisuatuobjekbaruyang
diamati(Sharma,1996).
232
sht90
R menyediakan fasilitas untuk Analisis Diskriminan Linear dan Kuadratik pada

libraryMASSdenganperintahlda(linear)danqda(kuadratik).Sebagaicontoh,datairis
yang sudah ada di paket R akan digunakan sebagai studi kasus untuk Analisis
Diskriminan Linear. Berikut adalah contoh perintah dan output Analisis Diskriminan
Linearpadadatairistersebut.
>Iris<data.frame(rbind(iris3[,,1],iris3[,,2],iris3[,,3]),
+Sp=rep(c("s","c","v"),rep(50,3)))
>train<sample(1:150,75)#Sampel75datadari150
>table(Iris$Sp[train])#75datasampelyangterpilih
c s v
29 22 24
>z<lda(Sp~.,Iris,prior=c(1,1,1)/3,subset=train)
>z#MenampilkanhasilAnalisisDiskriminan
Call:
lda(Sp ~ ., data = Iris, prior = c(1, 1, 1)/3,
subset = train)
Prior probabilities of groups:
c
s
v
0.3333333 0.3333333 0.3333333
Group means:
Sepal.L. Sepal.W.
c 5.986207 2.765517
s 4.954545 3.400000
v 6.683333 2.958333
Petal.L.
4.293103
1.481818
5.654167
Petal.W.
1.327586
0.250000
2.016667
Coefficients of linear discriminants:

LD1
LD2
Sepal.L. 0.8690984 0.07142847
Sepal.W. 1.5296128 -2.41239510
Petal.L. -1.7362163 0.89825836
Petal.W. -4.0571327 -2.94769154
Proportion of trace:
LD1
LD2
0.9915 0.0085
PerintahAnalisisDiskriminanLinearpadascriptdiatasdiaplikasikanpada75datasampel
(train) dan sisanya digunakan untuk validasi apakah fungsi diskriminan yang diperoleh
dapatmemprediksidengantepatgroupdari75datasisanya.Taksirannilaikoefisiendari
duafungsilineardiskriminanyangdihasilkandapatdilihatpadaoutputtersebut.
233
sht90
Evaluasi kebaikan klasifikasi dari Analisis Diskriminan Linear pada data training
dantestingdapatdilihatpadaoutputberikutini.
>predict(z,Iris[train,])$class
[1]ssssssssssssssssssssssssssssccccccccvc
[39]cccccccccccvvvvvvvvvvvvvvcvcvvvvvvvvv
Levels:csv
>table(Iris$Sp[train],predict(z,Iris[train,])$class)
c s v
c 28 0 1
s 0 22 0
v 0 0 24
>table(Iris$Sp[train],predict(z,Iris[train,])$class)
c s v
c 20 0 1
s 0 28 0
v 2 0 24
Hasil diatas menunjukkan bahwa pada data training hanya ada satu pengamatan yang
salahterklasifikasi,yaituharusnyakelompokcdiprediksiv.Sedangkanpadadatatesting
ada tiga pengamatan yang salah terklasifikasi, yaitu satu pengamatan kelompok c
diprediksiv,danduapengamatankelompokvdiprediksic.
12.3.AnalisisCluster
AnalisisClusteradalahsuatumetodedalamanalisismultivariatyangdigunakan
untuk menemukan struktur group atau kelompok diantara kasuskasus (obyek) yang
diamati. Secara umum, metode dalam Analisis Cluster didasarkan pada ukuran
similaritasdandissimiliaritas.PaketRmenyediakanfasilitasuntukAnalisisClusterpada
RCommander.PilihanuntukAnalisisClusterinidapatdilakukandenganmemilihmenu
Statistika, pilih Analisis Dimensional, dan kemudian pilih Analisis Klaster, sehingga
diperolehpilihansepertiberikutini.
234
sht90
Pada bagian ini, penjelasan tentang penggunaan R untuk Analisis Cluster akan
difokuskan pada pemakaian perintah langsung di RConsole atau command line.
PerintahhclustdapatdigunakanuntukimplementasiAnalisisClusterdenganbeberapa
pilihan metode agglomeration, yaitu "ward", "single", "complete", "average",
"mcquitty","median"atau"centroid". MisalkanakanditerapkanAnalisisClusteruntuk
mendapatkan kelompok negaranegara bagian di Amerika pada data USArrest yang
sudahtersediadipaketR.BerikutiniadalahscriptdanhasiloutputdariAnalisisCluster
Hirarkidenganmenggunakanukurandissimilaritasdanmetodeaverage.
>hca<hclust(dist(USArrests))
>plot(hca)
>rect.hclust(hca,k=3,border="red")
>x<rect.hclust(hca,h=50,which=c(2,7),border=3:4)
Berikut ini adalah output dendogram berdasarkan script diatas, yang dapat digunakan
untukmenentukanjumlahkelompokyangakandianalisislanjut.
Gambar12.1.DendogramuntuknegaranegarabagianAmerikaberdasarkan
AnalisisClusterHirarkimetodeaverage
235
sht90
Untuk mengetahui keanggotaan group atau kelompok yang dihasilkan dalam

Analisis Cluster Hirarki diatas, R menyediakan perintah cutree untuk menampilkannya.
Berikut ini adalah script dan hasil output tentang keanggotaan setiap obyek dengan
AnalisisClusterHirarki.
>hca<hclust(dist(USArrests))
>cutree(hca,k=1:5)#k=1adalahkelompoktrivial
Alabama
Alaska
Arizona
Arkansas
California
Colorado
Connecticut
Delaware
Florida
Utah
Vermont
Virginia
Washington
West Virginia
Wisconsin
Wyoming
1
1
1
1
1
1
1
1
1
1
2
1
1
1
2
1
2
2
1
1
3
1
1
1
2
1
2
3
1
1
4
1
1
1
2
1
2
3
1
4
5
1
1
1
2
1
2
3
1
4
1
1
1
1
1
1
1
2
2
2
2
2
2
2
3
3
2
2
3
3
2
3
3
2
2
3
3
2
3
5
2
2
5
5
2
>##Perbandingan2dan3grouphasilCluster
>g24<cutree(hca,k=c(2,4))
>table(g24[,"2"],g24[,"4"])
1 2 3
1 14 0 0
2 0 14 20
4
2
0
Output diatas menunjukkan hasilhasil pengelompokan dengan menggunakan jumlah

kelompok 1 sampai dengan 5. Hasil perbandingan untuk 2 kelompok dan 4 kelompok
juga ditampilkan pada output diatas. Jika menggunakan 4 kelompok, maka 2 anggota
yangsemuladigroup1padaanalisisdengan2kelompokmenjadigroup4,sedangkan20
anggotayangsemuladigroup2padaanalisisdengan2kelompokmenjadigroup3.
236
sht90
RegresiNonparametrikdanEstimasiDensitas
BAB13
REGRESINONPARAMETRIKDANESTIMASIDENSITAS
Padadekadeterakhirini,pemodelanstatistikanonparametrikmerupakansalah
satu metode statistika yang berkembang dengan pesat seiring dengan perkembangan
komputasi. Bab ini akan menjelaskan penggunaan R untuk pemodelan regresi dan
estimasidensitasnonparametrik,khususnyapenggunaankerneldanspline.
13.1.EstimasiDensitasdenganKernel
Estimasinonparametrikdarifungsidensitasprobabilitasmerupakansuatutopik
yang luas. Beberapa buku yang membahas tentang hal ini adalah Silverman (1986),
Hrdle(1991),Scott(1992),sertaWanddanJones(1995).Metodeestimasiyangdibahas
dalambagianiniadalahmetodeestimasinonparametrikdengankernel.
Perintah untuk membuat histogram yaitu hist dengan argumen freq=FALSE
adalahjugasuatuestimatordarifungsidensitas.Jikatiaptiaptitiktengahdarikelasdi
masingmasing histogram dihubungkan maka akan diperoleh estimator fungsi densitas
dalam bentuk poligon frekuensi. Berikut ini adalah contoh script untuk mendapatkan
histogramdalamfrekuensirelatif(probabilitas)yangdapatdigunakansebagaiestimator
darifungsidensitaspadasuatudata,yaitugeyser$durationyangsudahtersediadiR.
>data(geyser,package="MASS")
>x<geyser$duration
>hist(x,breaks=22,freq=FALSE,
main="SmoothingwithGaussianKernel")
Output dari script ini dapat dilihat pada Gambar 13.1. Dari gambar tersebut dapat
dijelaskanbahwadatageyser$durationbersifatbimodal,yaitumempunyaiduamacam
puncakdisekitarangka2dan4.
Rmenyediakanfasilitasestimasinonparametrikdarifungsidensitasprobabilitas
denganperintahdensitydilibrarystatsdanbeberapaperintahdilibraryKernSmooth.
Secaramatematis,implementasipenghalusdensitasdengankerneladalah
1 n x xj
f ( x) = K
b j =1 b
untuk suatu sampel x1 , x 2 , K , x n , dengan K ( ) suatu kernel tertentu dan b adalah

bandwithyangdigunakan.
237
sht90
Gambar13.1.Outputhistogramfrekuensirelatifpadadataduration
Pada bagian ini, penjelasan tentang estimasi nonparametrik dari suatu fungsi
densitas akan ditekankan pada penggunaan perintahperintah yang ada di library
KernSmooth. Beberapa jenis kernel yang tersedia di library KernSmooth dapat dilihat
padatabelberikutini.
ArgumenKernel
KeteranganJenisKernel
normal
KernelGaussian(pilihandefault)
box
KernelRectangularbox
"epanech"
KernelEpanechnikov(thecentredbeta(2,2)density)
"biweight"
KernelBiweight(thecentredbeta(3,3)density)
"triweight"
KernelTriweight(thecentredbeta(4,4)density)
238
sht90
Berikutiniadalahcontohgrafikdaribentukbentukkerneluntukestimasinonparametrik
darisuatufungsidensitas.
Gambar13.2.Grafikdariberbagaikerneluntukestimasidensitas
Perintah dpik pada library KernSmooth dapat digunakan untuk mendapatkan nilai
bandwithyangoptimalpadasuatukernelyangdiimplentasikanpadasuatudata.Berikut
ini adalah script untuk implementasi estimasi nonparametrik dari fungsi densitas pada
datageyser$durationyangsudahtersediadiR,denganmenggunakanpilihanbandwith
optimal.
>x<geyser$duration
>h.n<dpik(x,kernel="normal")#Pemilihanbandwithyangoptimal
>est.n<bkde(x,kernel="normal",bandwidth=h.n)
>h.b<dpik(x,kernel="box")
>est.b<bkde(x,kernel="box",bandwidth=h.b)
>h.e<dpik(x,kernel="epanech")
>est.e<bkde(x,kernel="epanech",bandwidth=h.e)
>h.bi<dpik(x,kernel="biweight")
>est.bi<bkde(x,kernel="biweight",bandwidth=h.bi)
>h.tri<dpik(x,kernel="triweight")
>est.tri<bkde(x,kernel="triweight",bandwidth=h.tri)
239
sht90
Tampilan besarnya bandwith optimal dan hasil perbandingan grafik dari

estimatorestimator densitas pada data geyser$duration dapat dilakukan dengan
menggunakanscriptberikutini.
>#Perbandinganbandwithoptimalpadamasingmasingkernel
>hopt<cbind(h.n,h.b,h.e,h.bi,h.tri)
>hopt
h.n
h.b
h.e
h.bi
h.tri
[1,] 0.1438196 0.2502543 0.3183884 0.3771834 0.4283099
>win.graph()
>hist(x,breaks=22,freq=FALSE,main="SmoothingwithKernels")
>lines(est.n,col='red')#densitasdengankernelnormal
>lines(est.b,col='blue')#densitasdengankernelrectangular
>lines(est.e,col='gray')#densitasdengankernelepanechnikov
>lines(est.bi,col='green')#densitasdengankernelbiweight
>lines(est.tri,col='pink')#densitasdengankerneltriangular
Outputdariscriptdiatasadalahestimasidaribentukfungsidensitasprobabilitasseperti
padagambardibawahini.
Gambar13.3.Grafikdariberbagaikerneluntukestimasidensitas
240
sht90
Sebagaitambahan,padalibraryKernSmoothjugatersediafasilitasuntukanalisis
kernel dua dimensi, yaitu dengan perintah bkde2D. Berikut ini adalah contoh script
tentanganalisiskernelduadimensipadadatageyseryangsudahadadiR.
>x<cbind(geyser$duration,geyser$waiting)
>est<bkde2D(x,bandwidth=c(0.7,7))
>contour(est$x1,est$x2,est$fhat)
>persp(est$fhat)
Berikutiniadalahoutputdariscriptdiatas.
(a).
(b).
Gambar13.4.Grafikdariestimasidensitasduadimensipadadatageyser
13.2.RegresiNonparametrikdenganKernel
Dalam praktek, seringkali dijumpai permasalahan keterkaitan antara variabel
independendandependenyangbentukketerkaitannyatidakdiketahuisecarapastiatau
hanyaadasedikitinformasitentangbentukketerkaitantersebut.Regresinonparametrik
adalah suatu metode statistika yang banyak digunakan untuk menganalisis hubungan
antara variabel independen dan dependen yang bentuk hubungan antar variabel
tersebut tidak diketahui. Ada beberapa metode dalam regresi nonparametrik, antara
laindenganpenghalusan(smoothing)kerneldanspline.
241
sht90
R menyediakan fasilitas estimasi regresi nonparametrik dengan kernel pada

beberapa perintah di library KernSmooth. Secara matematis, implementasi regresi
nonparametrikdengankerneladalah
xi x j
b
j =1
y i =
n xi x j
K
b
j =1
n
y i K
dengan b adalah parameter bandwith, dan K ( ) suatu fungsi kernel seperti pada
estimasi densitas sebelumnya. Ada dua perintah utama di library KernSmooth yang
dapatdigunakanuntukestimasiregresinonparametrikdengankernel,yaitu:
Perintah
Keterangan
dpill
menggunakanmetodologidirectpluginuntukmemilih
bandwidthpadasuatuestimasiregresikernelGaussianlinear
lokal,sepertiyangdideskripsikanolehRuppert,Sheatherdan
Wand(1995).
locpoly
estimasisuatufungsidensitasprobabilitas,fungsiregresiatau
turunannyadenganmenggunakanpolinomiallokal.
Berikut ini adalah script untuk implementasi estimasi regresi nonparametrik

dengan kernel Gaussian pada data geyser$duration sebagai x dan geyser$waiting
sebagaiyyangsudahtersediadiR,denganmenggunakanpilihanbandwithoptimal.
>x<geyser$duration
>y<geyser$waiting
>win.graph()
>plot(x,y,col="blue")
>h.opt<dpill(x,y)#Selectiontheoptimalbandwith
>fit.opt<locpoly(x,y,bandwidth=h.opt)
>lines(fit.opt,col="red")
>title(main="Gaussiankernelregressionwithoptimalbandwith")
242
sht90
Outputdariscriptdiatasadalahgarishalus(smooth)dariestimasiregresinonparametrik
dengankernelGaussiansepertiberikut(gariswarnamerah).
Gambar13.5.GrafikdariestimasiregresinonparametrikdengankernelGaussian
13.3.RegresiNonparametrikdenganSpline
Sepertipadaestimasiregresinonparametrikdengankernel,Rjugamenyediakan
fasilitas estimasi regresi nonparametrik dengan spline, yaitu dengan menggunakan
perintah smooth.spline. Misalkan diketahui ada n pasangan data ( xi , y i ) . Suatu
penghalusan (smoothing) spline meminimumkan suatu kompromi antara fit (taksiran)
danderajatdaripenghalus(smoothness)dalambentuk
2
2
wi [ y i f ( xi )] + ( f ( x)) dx
padasemuafungsi(terukuryangdapatditurunkanduakali) f .Iniadalahsuatuspline
kubikdenganknotknotpada xi ,tetapitidakmenginterpolasititiktitikdatauntuk > 0
dan derajat dari fit dikontrol oleh . Penentuan dapat ditetapkan tertentu atau
dipilihsecaraotomatisdenganmetodecrossvalidation.
243
sht90
Perintahdanargumenuntukaplikasiregresinonparametrikdengansplinekubik
padaRadalahsebagaiberikut.
smooth.spline(x,y=NULL,w=NULL,df,spar=NULL,
cv=FALSE,all.knots=FALSE,nknots=NULL,
keep.data=TRUE,df.offset=0,penalty=1,
control.spar=list())
Berikut ini adalah penjelasan tentang pilihan argumen yang dapat digunakan dalam
perintahsmooth.spline.
Argumen
Keterangan
avectorgivingthevaluesofthepredictorvariable,oralistoratwocolumn
matrixspecifyingxandy.
responses.Ifyismissing,theresponsesareassumedtobespecifiedbyx.
optionalvectorofweightsofthesamelengthasx;defaultstoall1.
df
thedesiredequivalentnumberofdegreesoffreedom(traceofthesmoother
matrix).
spar
cv
smoothingparameter,typically(butnotnecessarily)in(0,1].Thecoefficientof
theintegralofthesquaredsecondderivativeinthefit(penalizedloglikelihood)
criterionisamonotonefunctionofspar,seethedetailsbelow.
ordinary(TRUE)orgeneralizedcrossvalidation(GCV)whenFALSE.
all.knots
ifTRUE,alldistinctpointsinxareusedasknots.IfFALSE(default),asubsetofx[]
isused,specificallyx[j]wherethenknotsindicesareevenlyspacedin1:n,see
alsothenextargumentnknots.
nknots
integergivingthenumberofknotstousewhenall.knots=FALSE.Perdefault,this
islessthann,thenumberofuniquexvaluesforn>49.
keep.data
logicalspecifyingiftheinputdatashouldbekeptintheresult.IfTRUE(asper
default),fittedvaluesandresidualsareavailablefromtheresult.
df.offset
allowsthedegreesoffreedomtobeincreasedbydf.offsetintheGCVcriterion.
penalty
thecoefficientofthepenaltyfordegreesoffreedomintheGCVcriterion.
control.spar optionallistwithnamedcomponentscontrollingtherootfindingwhenthe
smoothingparameterspariscomputed,i.e.,missingorNULL,seebelow.
Notethatthisispartlyexperimentalandmaychangewithgeneralspar
computationimprovements!
244
sht90
Di bawah ini adalah script untuk implementasi regresi nonparametrik dengan

splinekubikpadadatacarsyaituvariabelspeedsebagaixdandistsebagaiyyangsudah
tersediadiR,sertaoutputyangdihasilkan.
>attach(cars)
>plot(speed,dist,main="data(cars)&smoothingsplines")
>cars.spl<smooth.spline(speed,dist)
>(cars.spl)
Call:
smooth.spline(x=speed,y=dist)
SmoothingParameterspar=0.7801305lambda=0.1112206(11iterations)
EquivalentDegreesofFreedom(Df):2.635278
PenalizedCriterion:4187.776
GCV:244.1044
>lines(cars.spl,col="blue")
>lines(smooth.spline(speed,dist,df=10),lty=2,col="red")
>legend(5,120,c(paste("default[C.V.]=>df=",round(cars.spl$df,1)),
+"s(*,df=10)"),col=c("blue","red"),lty=1:2,bg='bisque')
Gambar13.6.Grafikhasilregresisplinekubikpadadatacars
245
sht90
Pengecekan kebaikan model regresi nonparametrik spline kubik ini dapat dilakukan
denganmelihatanalisisresidualmodel.Berikutiniadalahscriptuntukplotresidualdari
modeldiatas.
>##Residual(TukeyAnscombe)plot:
>plot(residuals(cars.spl)~fitted(cars.spl))
Outputyangdihasilkandariscriptiniadalahsepertigambarberikutini.
Gambar13.7.Grafikanalisisresidualdariregresinonparametriksplinekubik
Hasil di atas menunjukkan bahwa residual cenderung mempunyai pola yang tidak
homogen,yaitucenderungmembesarseiringmeningkatnyanilaiprediksi(fitted).
Sebagai tambahan, berikut ini adalah contoh script lain untuk implementasi
regresi nonparametrikdengan spline kubikpada suatu data simulasi, denganberbagai
parametersmoothing(spar)danprediksipadadatatrainingdantesting.
246
sht90
#Contohsmoothingpadadatasimulasisimulasi
y18<c(1:3,5,4,7:3,2*(2:5),rep(10,4))
xx<seq(1,length(y18),len=201)
#Regresisplinekubikdenganx=1:18dany=y18
(s2<smooth.spline(y18))#SmoothingparameterdgnGCV
(s02<smooth.spline(y18,spar=0.2))#Smoothingparameter0.2
#Plotperbandinganhasilregresisplinekubikdenganberbagaixdanspar
plot(y18,main="Smoothingdengansplinekubik")
lines(s2,col="green")#Hasilprediksidenganx
lines(predict(s2,xx),col=red)#Hasilprediksi"GCV"denganxx
lines(predict(s02,xx),col="blue")#Hasilprediksi"spar=0.2"denganx
Output perbandingan grafik dari script ini dapat dilihat pada Gambar 13.8. Perhatikan
pilihanwarnapadascriptuntukmengetahuipilihanregresikubiksplineyangdigunakan.
Gambar13.8.Outputregresisplinekubikpadadatasimulasi
247
sht90
Selainsplinekubik,paketRjugamenyediakanfasilitasuntukimplementasijenis
splineyanglain.Adabanyaklibraryyangdapatdigunakan,salahsatunyaadalahlibrary
splinesyangmenyediakanfasilitasuntukBspline.Berikutiniadalahcontohscriptuntuk
implementasi regresi nonparametrik dengan Bspline pada data cars, dengan variabel
speedsebagaixdandistsebagaiyyangsudahtersediadiR.
library(splines)
bs(cars$speed,df=3)
summary(fm3<lm(dist~bs(speed,df=3),data=cars))
bs(cars$speed,df=5)
bs(cars$speed,df=10)
##Contohmenyimpandanmenampilkanprediksi
plot(cars,xlab="dist(in)",ylab="speed(lb)",main="RegresiBspline")
ht<seq(4,25,length.out=200)
lines(ht,predict(fm3,data.frame(speed=ht)),col="blue")
lines(ht,predict(fm5,data.frame(speed=ht)),col="red")
lines(ht,predict(fm10,data.frame(speed=ht)),col="green")
Ada dua output utama yang akan dihasilkan dari script tersebut, yaitu hasilhasil
estimasiBsplineyangterdiridarinilaiprediksi,knots,dankoefisiendarimodelregresi
spline,sertaoutputgrafikhasilprediksi.Berikutadalahsebagianhasildariscriptdiatas.
>bs(cars$speed,df=5)
12345
[1,]0.0000000000.00000000000.000000000.0000000000.000000000
[50,]0.0000000000.00000000000.000000000.0000000001.000000000
attr(,"degree")
[1]3
attr(,"knots")
33.33333%66.66667%
1318
attr(,"Boundary.knots")
[1]425
attr(,"intercept")
[1]FALSE
attr(,"class")
[1]"bs""basis"
248
sht90
HasiloutputgrafikhasilprediksiregresinonparametrikdenganBsplineuntukberbagai
derajatsplinedapatdilihatpadagambarberikutini.Untukmengetahuiperbedaanefek
dari derajat spline terhadap hasil smoothing yang diperoleh, perhatikan pilihan warna
padascriptdiatas.
Gambar13.9.GrafikhasilregresiBsplinepadadatacars
13.4.JenisjenisBasisSpline
Padabagiansebelumnyatelahdiilustrasikanhasilregresinonparametrikdengan
splinekubikdanBspline.Secaraumumadabeberapajenissplineyangdapatdigunakan
dalamregresinonparametrik.Rmenyediakanfasilitasuntukmengetahuimacammacam
spline, dikenal fungsi basis, yang dapat digunakan untuk regresi nonparametrik, yaitu
pada library fda. Dalam library ini disediakan fasilitas untuk membuat delapan macam
fungsi basis spline, yaitu basis Bspline, Constant, Exponential, Fourier, Monomial,
Polygonal,Polynomial,danPowerBasisObject.
Fungsifungsi yang ada di library fda dikembangkan untuk mendukung analisis
datafungsionalsepertiyangdigambarkanolehRamsaydanSilverman(2005).Berikutini
adalah tabel yang berisi perintahperintah untuk membuat fungsifungsi basis spline
yangdapatdiaplikasikanuntukpemodelanregresinonparametrik.
249
sht90
Perintah
Keterangan
create.bspline.basis
UntukmembuatsuatuBsplineBasis
create.constant.basis
UntukmembuatsuatuConstantBasis
create.exponential.basis
UntukmembuatsuatuExponentialBasis
create.fourier.basis
UntukmembuatsuatuFourierBasis
create.monomial.basis
UntukmembuatsuatuMonomialBasis
create.polygonal.basis
UntukmembuatsuatuPolygonalBasis
create.polynomial.basis
UntukmembuatsuatuPolynomialBasis
create.power.basis
UntukmembuatsuatuPowerBasisObject
Berikut ini adalah contoh script untuk membuat macammacam basis Bspline yang
dapatdigunakanpadaregresinonparametrik.
#Thesimplestbasiscurrentlyavailablewiththisfunction:
str(bspl1.1<create.bspline.basis(norder=1,breaks=0:1))
#1basisfunction,order1=degree0=stepfunction:
#constant1between0and1.
str(bspl1.2<create.bspline.basis(norder=1,breaks=c(0,.5,1)))
#2bases,order1=degree0=stepfunctions:
#(1)constant1between0and0.5and0otherwise
#(2)constant1between0.5and1and0otherwise.
#3bases:order2=degree1=linear
#(1)linefrom(0,1)downto(0.5,0),0after
#(2)linefrom(0,0)upto(0.5,1),thendownto(1,0)
#(3)0to(0.5,0)thenupto(1,1).
#4bases:order3=degree2=parabolas.
#(1)(x.5)^2from0to.5,0after
#(2)2*(x1)^2from.5to1,andaparabola
#from(0,0to(.5,.5)tomatch
#(3&4)=complementsto(2&1).
250
sht90
#Defaultbsplinebasis
str(bSpl4.23<create.bspline.basis())
#Cubicbspline(norder=4)withnbasis=23,
#sonbreaks=nbasisnorder+2=21,
#2ofwhicharerangeval,leaving19Interiorknots.
str(bSpl4.<create.bspline.basis(c(1,1)))
#SameasbSpl4.23butover(1,1)ratherthan(0,1).
win.graph()
par(mfrow=c(3,2))
plot(bspl1.1);plot(bspl1.2);plot(bspl2.3)
plot(bspl3.4);plot(bSpl4.23);plot(bSpl4.)
Outputdariscriptdiatasadalahsebagaiberikut.
Gambar13.10.MacammacamfungsibasisBspline
251
sht90
Basis constant adalah suatu basis spline yang menghasilkan suatu konstanta
sepertiyangterlihatpadaplotpertamadiGambar13.10atauyangpalingatassebelah
kiri.Fungsibasisyanglainadalahexponential,danberikutadalahscriptuntukmembuat
basissplineexponential.
#Createanexponentialbasisoverinterval[0,5]
#withbasisfunctions1,exp(t)andexp(5t)
basisobj<create.exponential.basis(c(0,5),3,c(0,1,5))
#plotthebasis
plot(basisobj)
Hasiloutputgrafikdariscriptiniadalahsebagaiberikut.
Gambar13.11.Macammacamfungsibasisexponential
Selanjutnya akan dijelaskan tentang fungsi basis Fourier. Fungsi basis Fourier
adalah suatu sistem yang biasanya digunakan pada fungsifungsi yang periodik. Fungsi
basis Fourier yang pertama adalah suatu fungsi konstanta. Sedangkan yang lainnya
adalah pasangan dari sin dan cos dengan pengali suatu integer dari periode dasar.
Jumlah atau banyaknya fungsi basis yang dibangkitkan adalah selalu ganjil. Berikut
adalahscriptuntukmembuatfungsibasisFourier.
252
sht90
#CreateaminimalFourierbasisforthemonthlytemperaturedata,
#using3basisfunctionswithperiod12months.
monthbasis3<create.fourier.basis(c(0,12))
#setuptheFourierbasisforthemonthlytemperaturedata,
#using9basisfunctionswithperiod12months.
monthbasis<create.fourier.basis(c(0,12),9,12.0)
#plotthebasis
win.graph()
par(mfrow=c(2,1))
plot(monthbasis3)
plot(monthbasis)
Outputgrafikdariscriptiniadalahsebagaiberikut.
Gambar13.12.MacammacamfungsibasisFourier
253
sht90
13.5.RangkumanlibraryuntukAplikasiKerneldanSpline
Pada bagian ini akan diberikan suatu rangkuman tentang beberapa library
besertaketerangantentangperintahperintahdalamlibrarytersebutyangdisediakanR
untukaplikasimetodekerneldanspline.
Tabellibraryuntukaplikasikernel
library
Keterangan
feature
Featuresignificanceformultivariatekerneldensityestimation.
GenKern
Functionsforgeneratingandmanipulatingkerneldensity
estimates.
KernSmooth
Fungsifungsiuntukpenghalusan(smoothing)kerneldan
densityestimation,sepertipadabukuWanddanJones(1995)
denganjudul"KernelSmoothing".
kernlab
Kernelbasedmachinelearningmethodsforclassification,
regression,clustering,noveltydetection,quantileregression
anddimensionalityreduction.Amongothermethodskernlab
includesSupportVectorMachines,SpectralClustering,Kernel
PCAandaQPsolver.
kerfdr
Semiparametrickernelbasedapproachtolocalfdr
estimations
ks
Kerneldensityestimatorsandkerneldiscriminantanalysisfor
multivariatedata.
locpol
Kernellocalpolinomialregression.
lokern
Kernelregressionsmoothingwithadaptivelocalorglobal
pluginbandwidthselection.
MKLE
Maximumkernellikelihoodestimation.
monreg
Nonparametricmonotoneregression.
monoProc
Strictlymonotonesmoothingprocedure,givenfitinoneortwo
variables.
np
Nonparametrickernelsmoothingmethodsformixed
datatypes.
sm
Smoothingmethodsfornonparametricregressionanddensity
estimation.
254
sht90
Tabellibraryuntukaplikasispline
library
Keterangan
assist
ASuiteofSPlusFunctionsImplementingSmoothingSplines
cobs99
ConstrainedBsplines
DierckxSpline
Rcompanionto"CurveandSurfaceFittingwithSplines"
earth
BuildregressionmodelsusingthetechniquesinFriedman's
papers"FastMARS"and"MultivariateAdaptiveRegression
Splines".
fda
Thesefunctionsweredevelopedtosupportfunctionaldata
analysisasdescribedinRamsay,J.O.andSilverman,B.W.
(2005)FunctionalDataAnalysis.NewYork:Springer.
gss
Acomprehensivepackageforstructuralmultivariatefunction
estimationusingsmoothingsplines.
kzs
Acollectionoffunctionsutilizingsplinestoconstructasmooth
estimateofasignalburiedinnoise.
lmeSplines
Addsmoothingsplinemodellingcapabilitytonlme.Fit
smoothingsplinetermsinGaussianlinearandnonlinear
mixedeffectsmodels.
logspline
Routinesforthelogsplinedensityestimation.
MBA
ScattereddatainterpolationwithMultilevelBSplines
mda
Mixtureandflexiblediscriminantanalysis,multivariate
additiveregressionsplines(MARS),BRUTO,...
polspline
Routinesforthepolynomialsplinefittingroutineshazard
regression,hazardestimationwithflexibletails,logspline,
lspec,polyclass,andpolymars
pspline
PenalizedSmoothingSplines.Smoothingsplineswithpenalties
onordermderivatives.
sspline
RpackageforComputingtheSphericalSmoothingSplines
255
sht90
ModelNonlinear
BAB14
MODELNONLINEAR
Pemodelan yang digunakan untuk menjelaskan hubungan nonlinear antar

variabel dan beberapa prosedur pengujian untuk mendeteksi adanya keterkaitan
nonlinear telah mengalami perkembangan yang sangat pesat pada beberapa dekade
terakhir ini. Sebagai overview hal ini dapat dilihat antara lain pada buku Granger dan
Terasvirta (1993). Perkembangan yang pesat ini juga terjadi dalam bidang pemodelan
statistiksecaraumum.PadababiniakandijelaskantentangpenggunaanpaketRuntuk
pemodelannonlinear.
14.1.EstimasiModelRegresiNonlinear
TeoritentangmodelregresinonlinearsecaralengkapdapatdilihatdiSeberdan
Wild(1989).Bentukumumdarisuatumodelregresinonlinearadalah
y = (x, ) +
dengan x adalahsuatuvektorkovariat, adalahsuatuvektorpkomponenparameter

yang tidak diketahui, dan adalah suatu error yang N (0, 2 ) . Misalkan suatu model
regresinonlineardalambentuk
y=
1 + exp( 2 + 3t )
akandiaplikasikanpadadataUS.popyaitutentangpopulasidiAmerikaSerikat,dengan
y adalah jumlah populasi dan t menyatakan tahun. Berikut ini adalah script untuk
memanggildanmenampilkandataUS.popdalamsuatudiagrampencar.
>library(car)
>data(US.pop)
>attach(US.pop)
Thefollowingobject(s)aremaskedfromUS.pop(position3):
populationyear
>US.pop
yearpopulation
117903.929
218005.308
211990248.710
>plot(year,population,main='PopulationoftheUnitedStates')
256
sht90
ModelNonlinear
Plotantara t yangmenyatakantahundan y tentangjumlahpopulasidiUSdapatdilihat

pada Gambar 14.1. Dari gambar ini dapat dijelaskan bahwa ada hubungan yang non
linearantara t dan y .
Gambar14.1.Diagrampencarantara t dan y padadataUS.pop
Dalam contoh kasus US.pop ini, vektor parameternya adalah = ( 1 , 2 , 3 ) T .

Berikut ini adalah script untuk mendapatkan taksiran parameter pada model regresi
nonlineardiatas.
>time<0:20
>pop.mod<nls(population~beta1/(1+exp(beta2+beta3*time)),
+start=list(beta1=350,beta2=4.5,beta3=0.3),trace=T)
13007.48:350.04.50.3
609.5727:351.80748623.84050020.2270578
365.4396:383.70453673.99111480.2276690
356.4001:389.16551263.99034570.2266199
257
sht90
ModelNonlinear
>summary(pop.mod)
Formula:population~beta1/(1+exp(beta2+beta3*time))
Parameters:
beta1389.1655130.8119712.632.20e10***
beta23.990350.0703256.74<2e16***
beta30.226620.0108620.874.60e14***
Signif.codes:0***0.001**0.01*0.05.0.11
Numberofiterationstoconvergence:6
Achievedconvergencetolerance:1.492e06
>par(mfrow=c(1,2))
>plot(year,population,main='(a)')
>lines(year,fitted.values(pop.mod),lwd=2,col=2)
>plot(year,residuals(pop.mod),type='b',main='(b)',col="blue")
>abline(h=0,lty=2,col="green")
Hasil diatas menunjukkan nilainilai taksiran dari parameter model regresi nonlinear,
sehinggasecaralengkapmodelnonlinearyangdiperolehdapatditulisdalambentuk
y=
389.16551
+ .
1 + exp(3.99035 0.22662t )
Output tersebut juga menunjukkan bahwa nilai taksiran ketiga parameter itu adalah
signifikansecarastatistikpadaalpha0.001.Sebagaicatatan, t dalammodelregresinon
linear inimenyatakansuatukodedari tahun,yaitu 0 untuk tahun1790, 1 untuk 1800,
danseterusnya.Padaoutputsummary(pop.mod)jugaditampilkannilaitaksiranstandar
errordariresidual,yaitu4.45.
Padabagianakhirdariscriptdiatasberisiperintahuntukmembuatplotantara
nilai aktual dan prediksi secara bersamasama, serta perintah untuk menyajikan plot
residual model. Hasil lengkap plot perbandingan ini dapat dilihat pada Gambar 14.2a.
Dari gambar tersebut dapat dijelaskan bahwa nilainilai prediksi dari taksiran model
regresi nonlinear yang diperoleh relatif baik, karena sudah mengikuti pola yang ada
padadata.Kondisiiniberbedadenganyangdideskripsikanolehnilainilairesidualmodel
di Gambar 14.2b. Grafik residual tersebut menunjukkan bahwa residual model belum
menunjukkan pola yang random, melainkan pola yang cenderung mengandung sifat
autokorelasiatauberkaitandenganresidualsebelumatausesudahnya.
258
sht90
ModelNonlinear
Gambar14.2.Plotperbandingankesesuaianprediksidanevaluasiresidualmodel
14.2.PerintahnlsdanSSasympOriguntukestimasimodelnonlinear
Ada beberapa perintah di paket R yang disediakan untuk menjalankan model
regresinonlinear,antaralainnlsdanSSasympOrig.Contohdiatasmerupakansalahsatu
aplikasi dari perintah nls pada suatu data real. Pada bagian ini akan diberikan
rangkuman tentang perintah nls dan SSasympOrig, khususnya yang berkaitan dengan
argumenargumenyangdapatditampilkan.Secaraumumpenggunaanperintahnlsdan
keteranganargumenyangdisediakanadalahsebagaiberikut.
nls(formula,data,start,control,algorithm,trace,subset,weights,
na.action,model,lower,upper,...)
259
sht90
ModelNonlinear
Argumen
Keterangan
formula
anonlinearmodelformulaincludingvariablesandparameters.Willbe
coercedtoaformulaifnecessary.
data
anoptionaldataframeinwhichtoevaluatethevariablesinformula
andweights.Canalsobealistoranenvironment,butnotamatrix.
start
anamedlistornamednumericvectorofstartingestimates.When
startismissing,averycheapguessforstartistried(ifalgorithm
!= "plinear").
control
anoptionallistofcontrolsettings.Seenls.controlforthenamesof
thesettablecontrolvaluesandtheireffect.
algorithm
characterstringspecifyingthealgorithmtouse.Thedefaultalgorithm
isaGaussNewtonalgorithm.Otherpossiblevaluesare"plinear"
fortheGolubPereyraalgorithmforpartiallylinearleastsquares
modelsand"port"forthenl2solalgorithmfromthePortpackage.
trace
logicalvalueindicatingifatraceoftheiterationprogressshouldbe
printed.DefaultisFALSE.IfTRUEtheresidual(weighted)sumof
squaresandtheparametervaluesareprintedattheconclusionof
eachiteration.Whenthe"plinear"algorithmisused,the
conditionalestimatesofthelinearparametersareprintedafterthe
nonlinearparameters.Whenthe"port"algorithmisusedthe
objectivefunctionvalueprintedishalftheresidual(weighted)sumof
squares.
subset
anoptionalvectorspecifyingasubsetofobservationstobeusedinthe
fittingprocess.
weights
anoptionalnumericvectorof(fixed)weights.Whenpresent,the
objectivefunctionisweightedleastsquares.
na.action
afunctionwhichindicateswhatshouldhappenwhenthedatacontain
NAs.Thedefaultissetbythena.actionsettingofoptions,andis
na.failifthatisunset.Thefactoryfreshdefaultisna.omit.Value
na.excludecanbeuseful.
model
logical.Iftrue,themodelframeisreturnedaspartoftheobject.
DefaultisFALSE.
lower,upper vectorsoflowerandupperbounds,replicatedtobeaslongasstart.
Ifunspecified,allparametersareassumedtobeunconstrained.
Boundscanonlybeusedwiththe"port"algorithm.Theyare
ignored,withawarning,ifgivenforotheralgorithms.
...
Additionaloptionalarguments.Noneareusedatpresent.
260
sht90
ModelNonlinear
SSasympOrig merupakan suatu perintah untuk aplikasi regresi nonlinear

denganfungsiyangspesifik,yaitu
y=
Asym
+ ,
1 exp( exp(lrc) input )
dengan input adalah suatu vektor kovariat, dan Asym dan lrc merupakan parameter
parameter model. Secara umum penggunaan perintah SSasympOrig dan keterangan
argumenyangdisediakanadalahsebagaiberikut.
SSasympOrig(input,Asym,lrc)
Argumen
Keterangan
input
anumericvectorofvaluesatwhichtoevaluatethemodel.
Asym
anumericparameterrepresentingthehorizontalasymptote.
lrc
anumericparameterrepresentingthenaturallogarithmoftherate
constant.
Misalkan perintah SSasympOrig akan diaplikasikan pada data BOD yang sudah
tersediadiR.Datainiterdiridariduavariabel,yaituTimedandemand.Berikutiniadalah
script untuk aplikasi perintah SSasympOrig dan beberapa output berkaitan dengan
taksiranmodelregresinonlineardanplotprediksiyangdihasilkan.
>BOD
Time demand
1
1
8.3
2
2
10.3
3
3
19.0
4
4
16.0
5
5
15.6
6
7
19.8
>fm<nls(demand~SSasympOrig(Time,A,lrc),data=BOD)
>#fm<nls(demand~A*(1exp(exp(lrc)*Time)),data=BOD,
start=list(A=1,lrc=0.1),trace=TRUE)
261
sht90
ModelNonlinear
>summary(fm)
Formula:demand~A*(1exp(exp(lrc)*Time))
Parameters:
A19.14262.49597.6700.00155**
lrc0.63280.38241.6550.17328
Signif.codes:0***0.001**0.01*0.05.0.11
Numberofiterationstoconvergence:7
Achievedconvergencetolerance:5.54e07
>predict(fm)#fittedvaluesatobservedtimes
[1]7.88744912.52497715.25167316.85487017.79749018.677580
>plot(demand~Time,data=BOD,col=4,
+main="BODdataandfittedfirstordercurve",
+xlim=c(0,7),ylim=c(0,20))
>tt<seq(0,8,length=101)
>lines(tt,predict(fm,list(Time=tt)),col=2)
Gambar14.3.PlotperbandingankesesuaianprediksipadadataBOD
262
sht90
ModelNonlinear
14.3.UjiDeteksiHubunganNonlinear
PaketRmenyediakanbeberapaujiuntukmendeteksihubungannonlinearatau
nonlinearitytestantarvariabel,baikpadamodelregresiataupunanalisisruntunwaktu.
Padabagianinipembahasandifokuskanpadadeteksinonlinearitaspadamodelregresi,
khususnyaUjiRamseysRESET,UjiWhite,danUjiTerasvirta.Berikutadalahpenjelasan
untukmasingmasingujinonlinearitastersebut.
14.3.1.UjiRamseysRESET
Teori berkaitan dengan Uji Ramseys RESET ini secara lengkap dapat dilihat di
Ramsey (1969), dan Gujarati (1996). Dalam R, Uji Ramseys RESET disediakan pada
librarylmtestdenganperintahresettest.Secaraumum,penggunaanperintahresettest
yangdisediakandilibrarylmtestadalahsebagaiberikut.
resettest(formula,power=2:3,type=c("fitted","regressor",
"princomp"),data=list())
Keterangan lengkap tentang argumen yang dapat digunakan untuk perintah resettest
Argumen
Keterangan
formula
asymbolicdescriptionforthemodeltobetested(orafitted
"lm"object).
power
integers.Avectorofpositiveintegersindicatingthepowersof
thevariablesthatshouldbeincluded.Bydefault,thetestisfor
quadraticorcubicinfluenceofthefittedresponse.
type
astringindicatingwhetherpowersofthefittedresponse,the
regressorvariables(factorsareleftout),orthefirstprincipal
componentoftheregressormatrixshouldbeincludedinthe
extendedmodel.
data
anoptionaldataframecontainingthevariablesinthemodel.
Bydefaultthevariablesaretakenfromtheenvironmentwhich
resettestiscalledfrom.
263
sht90
ModelNonlinear
Penjelasantentangargumenpowerdenganisianintegersadalahsuatufasilitas
tentangsuatubilanganbulatpositifyangmengindikasikanpangkatdarivariabelvariabel
yang akan ditambahkan dalam pengujian nonlinearitas model. Secara default, uji ini
adalah untuk pengaruh kuadratik (pangkat 2) atau kubik (pangkat 3) dari taksiran
variabel respon. Sedangkan argumen type dengan tiga pilihan isian yang harus
ditambahkan dalam model untuk pengujian nonlinearitas, yaitu the fitted response
(taksiran variabel respon), the regressor variables (variabel prediktor), dan the first
principalcomponent(komponenutamapertama)darimatriksregressor.Berikutadalah
ringkasanprosedurUjiRamseysRESET,denganpower=3,danpilihantaksiranvariabel
respon(thefittedresponse)sebagaiprediktortambahan.
(i). Regresikan y t pada 1, x1 , K , x p danhitungnilainilaitaksiranvariabel

respon y t ,yaitu
y t = 0 + 1 x1 + K + p x p .
Hitungkoefisiendeterminasidariregresi,yaitu R 2 ,danselanjutnya
2
notasikandengan Rold
.
(ii). Regresikan yt pada 1, x1 , K , x p dan2prediktortambahan,yaitu y t2

dan y t3 ,denganmodel
y t = 0 + 1 x1 + K + p x p + 1 y t2 + 2 y t3 .
Kemudianhitungkoefisiendeterminasidariregresiini,yaitu R 2 ,dan
2
notasikandengan Rnew
.
(iii). Hitungnilaiuji F ,yaitu

F=
2
2
( Rnew
Rold
)/m
2
(1 Rnew
) /(n p 1 m)
dengan m : banyaknyaprediktortambahan(dalamhalini2,suku
kuadratikdankubik),
p : banyaknyaprediktorawal,dan
n : jumlahpengamatanyangdigunakan.
Dibawahhipotesislinearitas,nilaiuji F inimendekatidistribusi F dengan

derajatbebas m dan (n p 1 m) .
264
sht90
ModelNonlinear
Secaraumum,argumentypeakanmemberikanperbedaanmodelpadatahap(ii)
dari prosedur uji diatas. Jika pilihan type adalah variabel regressor, maka m prediktor
tambahandalamtahap(ii)adalahsukukuadratikdan/ataukubikdarivariabelregressor,
sesuaidenganpilihanpoweryangdigunakan.
DalamUjiRamseysRESETini,bentukumummodelyangmenjelaskanhubungan
antaravariabelindependen(prediktor)denganvariabeldependen(respon)dapatditulis
dalam
Y = f ( X ) + .
Hipotesispengujianyangdigunakandalamujinonlinearitasiniadalah:
H0: f ( X ) adalahfungsilineardalam X ataumodellinear
H1: f ( X ) adalahfungsinonlineardalam X ataumodelnonlinear.
H0ditolakyangberartimodelnonlinearadalahyangsesuai,jikanilaiuji F memenuhi
daerahpenolakanyaitu
F > F ; ( df1 =m,df 2 =n p 1m ) ataupvalue < .
Misalkanperintahresettestakandiaplikasikanuntukpengujianduamacamdata
simulasi,yaitudarimodelnonlinear( Y1 )danmodellinear( Y2 ).Bentukmatematisdari
modelpadadatasimulasiadalah
(i). Y1 = 1 + X + X 2 + ,
(ii). Y2 = 1 + X + ,
dengan X = {1,2, K ,30} dan ~ N (0,1) . Berikut ini adalah script untuk membangkitkan
datadanmembuatplotyangmenggambarkanhubunganantara X dengan Y1 dan Y2 .
>x<c(1:30)
>y1<1+x+x^2+rnorm(30)
>y2<1+x+rnorm(30)
>win.graph()
>par(mfrow=c(1,2))
>plot(x,y1,main="PlotXvsY1",col="blue")
>plot(x,y2,main="PlotXvsY2",col="green")
Hasil dari plot yang menggambarkan hubungan antara X dengan Y1 dan Y2 dapat
dilihatpadaGambar14.4.
265
sht90
ModelNonlinear
Gambar14.4.Plotantara X dengan Y1 ,dan X dengan Y2
Selanjutnya, aplikasi Uji Ramseys RESET pada kedua pasangan data dapat
dilakukandenganmenggunakanperintahberikutini.
>library(lmtest)#Aktifkanterlebihdahulu
>resettest(y1~x,power=2,type="regressor")
Hasil dari perintah Uji Ramseys RESET untuk kedua pasangan data di atas adalah
sebagaiberikut.
RESETtest
data:y1~x
RESET=170757.1,df1=1,df2=27,pvalue<2.2e16
RESETtest
data:y2~x
RESET=0.4505,df1=1,df2=27,pvalue=0.5078
266
sht90
ModelNonlinear
Berdasarkanoutputdiatasdapatdisimpulkanbahwaadahubungannonlinearantara X
dengan Y1 . Hal ini ditunjukkan oleh pvalue (2.2e16) yang lebih kecil dari =5%.
Sehingga model nonlinear adalah model yang sesuai untuk menjelaskan hubungan
antara X dengan Y1 . Sebaliknya, output tersebut menunjukkan bahwa tidak ada
hubungannonlinearantara X dengan Y2 ,daninidijelaskanolehpvalue(0.5078)yang
lebihbesardari=5%.Dengandemikian,modellinearadalahmodelyangsesuaiuntuk
menjelaskanhubunganantara X dengan Y2 .
Sebagaitambahan,perhatikankembalidatasimulasipadamodelpertama,yaitu
model nonlinear ( Y1 ) yang merupakan model kuadratik. Jika didefinisikan X 1 = X ,
X 2 = X 2 dan keduanya dimasukkan sebagai variabel prediktor (regressor) pada Uji
RamseysRESET,makaakandiperolehhasilsepertiberikutini.
>x1<x
>x2<x^2
>resettest(y1~x1+x2,power=2,type="regressor")
RESETtest
data:y1~x1+x2
RESET=0.2263,df1=2,df2=25,pvalue=0.799
Hasil output ini menunjukkan bahwa model yang sesuai untuk menjelaskan hubungan
antara X 1 dan X 2 dengan Y1 adalah model linear. Hal ini ditunjukkan oleh pvalue
(0.799) yang lebih besar dari =5%. Dengan demikian dapat disimpulkan bahwa tidak
adahubungannonlinearantara X 1 dan X 2 dengan Y1 .
14.3.2.UjiWhite
UjiWhiteadalahujideteksinonlinearitasyangdikembangkandarimodelneural
network yang dikemukan oleh White (1989). Uji ini termasuk dalam kelompok uji tipe
Lagrange Multiplier (LM). Secara lengkap teori berkaitan dengan uji White ini dapat
dilihat di White (1989) dan Lee dkk. (1993). Pada paket R, Uji White disediakan pada
librarytseriesdenganperintahwhite.test.
Berikut ini adalah penjelasan singkat tentang uji deteksi nonlinearitas tipe
LagrangeMultiplier.Misalkan I t adalahsuatuhimpunaninformasiyangdidefinisikan
I t = {x1t , x 2t , K , x pt }
danmenyatakansemuavariabelvariabeleksogen xt yangdigunakandalam I t oleh wt .
267
sht90
ModelNonlinear
Proses pemodelan adalah mendapatkan suatu pendekatan yang baik untuk f ( wt )

sedemikanhingga
E[ y t | I t ] = f ( wt ) .
Strategi pemodelan pada model statistik yang nonlinear dapat dilakukan dalam dua
tahap, yaitu (i) uji linearitas untuk y t dengan menggunakan informasi I t , dan (ii) jika
linearitas ditolak, gunakan beberapa model parametrik alternatif, nonparametrik, dan
atausemiparametrik.
Perhatikan suatu model nonlinear yang secara matematis ditulis dalam bentuk
sebagaiberikut
yt = ( wt ) + wt + u t (14.1)
~ ) , w
~ = ( x , K , x ) , = ( , , K , ) , = ( , ~ ) ,
dengan u t ~ IIDN (0, 2 ) , wt = (1, w
t
0
t
1t
pt
0 1
p
dan ~ = ( 1 , K , p ) .Misaldiberikan
( wt ) = 0 ( wt ) ,(14.2)
dengan
( wt ) = {1 + exp( wt )}1 12 .
Dengandemikianpersamaan(14.1)dapatdiinterpretasikansebagaisuatumodelregresi
yangnonlineardengankonstanta 0 + 0 ( wt ) .
Model (14.1) adalah suatu kasus khusus dari model neural network satu layer
tersembunyi(hiddenlayer),
q
y t = wt + 0 j { ( j wt ) 12 } + u t .(14.3)
j =1
Secaravisual,arsitekturdarimodelneuralnetworkinidapatdilustrasikansepertipada
Gambar14.5.
Perhatikan persamaan (14.1) dengan (14.2) dan suatu uji hipotesis bahwa yt
adalahlinear,yaitu y t = wt + u t .Hipotesisnoldapatdidefinisikansebagai H 0 : 0 = 0 .
Dalammodel(14.3)hipotesis
H 0 : 01 = 02 = L = 0q = 0
disebut hipotesis linearitas dari uji neural network melawan nonlinearitas yang
terabaikan(White,1989;Leedkk.,1993).Permasalahanidentifikasidiatasdiselesaikan
dengan menetapkan nilainilai dari vektor 1 , K , q sehingga nilainilai dari ( j wt )
dapat dihitung. Hal ini dilakukan melalui penentuan vektorvektor itu secara random
dari suatu distribusi yang mungkin, dimana Lee dkk. (1993) menggunakan suatu
distribusiuniform.
268
sht90
ModelNonlinear
Karena variabelvariabel ( j wt ) dimungkinkan sangat berkorelasi, Lee dkk.

(1993)menerapkansuatutransformasikomponenutamamenjadi
t = [ ( 1 wt ), K , ( q wt )]
dan menggunakan dua komponen utama yang ortonormal kedalam bagian linear dari
modelpadaregresitambahanuntukujilinearitas.
Gambar14.5.Arsitekturmodelneuralnetworksatulayertersembunyi
padapersamaan(14.3)
Implementasi praktis dari uji linearitas yang merupakan tipe LM dengan

samplingrandomyangdikenalkanolehLeedkk.(1993)yangselanjutnyadikenaldengan
UjiWhiteinidapatdilakukanmelaluiduastatistikuji,yaituuji 2 danuji F .Berikutini
adalahpenjelasanlengkattentangproseduruntukmendapatkannilaiuji 2 danuji F
padaUjiWhite.
269
sht90
ModelNonlinear
Proseduruntukmendapatkannilaiuji 2 padaUjiWhite
(i). Regresikan y t pada 1, x1 , K , x p danhitungnilainilairesidual u t .

(ii). Regresikan u t pada 1, x1 , K , x p dan m prediktortambahan,dan
kemudianhitungkoefisiendeterminasidariregresi R 2 .Dalamujiini,
m prediktortambahaniniadalahnilainilaidari ( j wt ) hasildari
suatutransformasikomponenutama.
(iii). Hitung 2 = nR 2 ,dengan n adalahjumlahpengamatanyang
digunakan.
Dibawah hipotesis linearitas, 2 mendekati distribusi 2 (m) . Kajian

d
teoritis berkaitan dengan pendekatan asimtotis nR 2
2 dapat
dilihatpadaWhite(1989).
Proseduruntukmendapatkannilaiuji F padaUjiWhite
(i). Regresikan y t pada 1, x1 , K , x p danhitungnilainilairesidual u t dan

hitungjumlahkuadratresidual SSR0 = u t2 .
(ii). Regresikan u t pada 1, x1, K , x p dan m prediktortambahan(seperti
yangdijelaskandiatas),dankemudianhitungresidual vt danjumlah
kuadratresidual SSR1 = vt2 .
(iii). Hitung F =
( SSR0 SSR1 ) / m
,
SSR1 /(n p 1 m)
dengan n adalahjumlahpengamatanyangdigunakan.
Dibawahhipotesislinearitas,nilaiuji F inimendekatidistribusi F dengan

derajatbebas m dan (n p 1 m) .
270
sht90
ModelNonlinear
Secaraumum,adaduamacampenggunaanperintahwhite.testyangdisediakan
di library tseries untuk implementasi Uji White, yaitu untuk permasalahan analisis
regresi dan analisis runtun waktu. Berikut ini adalah cara penggunaan uji White
tersebut.
##Defaultmethod:untukanalisisregresi
white.test(x,y,qstar=2,q=10,range=4,
type=c("Chisq","F"),scale=TRUE,...)
##UjiWhiteuntukanalisisruntunwaktu
white.test(x,lag=1,qstar=2,q=10,range=4,
type=c("Chisq","F"),scale=TRUE,...)
Keterangan tentang argumen yang dapat digunakan untuk perintah white.test adalah
sebagaiberikut.
Argumen
Keterangan
Anumericvector,matrix,ortimeseries.
Anumericvector.
lag
anintegerwhichspecifiesthemodelorderintermsoflags.
anintegerrepresentingthenumberofphantomhiddenunitsusedto
computetheteststatistic.
qstar
thetestisconductedusingqstarprincipalcomponentsofthe
phantomhiddenunits.Thefirstprincipalcomponentisomittedsince
inmostcasesitappearstobecollinearwiththeinputvectorof
laggedvariables.Thisstrategypreservespowerwhilestillconserving
degreesoffreedom.
range
theinputtohiddenunitweightsareinitializeduniformlyover
[range/2,range/2].
type
AstringindicatingwhethertheChiSquaredtestortheFtestis
computed.Validtypesare"Chisq"and"F".
scale
Alogicalindicatingwhetherthedatashouldbescaledbefore
computingtheteststatistic.Thedefaultargumentstoscaleareused.
...
furtherargumentstobepassedfromortomethods.
271
sht90
ModelNonlinear
Misalkanperintahwhite.test akandiaplikasikan untuk pengujiandatasimulasi,

yaitudarimodelnonlineardenganbentukmatematissebagaiberikut
Y = X 2 X 3 + ,
dengan X ~ U (1,1) dan ~ N (0,0.1) . Berikut ini adalah script untuk membangkitkan
datadanmembuatplotyangmenggambarkanhubunganantara X dengan Y .
>n<1000
>x<runif(1000,1,1)#Nonlinearin``mean''regression
>y<x^2x^3+0.1*rnorm(x)
>plot(x,y,main="PlotXvsY",col="blue")
Hasildariplotyangmenggambarkanhubunganantara X dengan Y dapatdilihatpada

Gambar14.6.Plotyangmenggambarkanhubunganantara X dengan Y
Berdasarkan plot ini dapat dijelaskan bahwa hubungan antara X dengan Y

adalahnonlinear.BerikutiniadalahaplikasiUjiWhiteuntukdeteksinonlinearitaspada
pasangandatahasilsimulasitersebut.
272
sht90
ModelNonlinear
>library(tseries)#Aktifkanterlebihdahulu
>white.test(x,y)#UjiChisquare
>white.test(x,y,type=c("F"))#UjiF
>##Isthepolynomialoforder2misspecified?
>white.test(cbind(x,x^2,x^3),y)
Dalam kasus ini, secara umum hipotesis pengujian yang digunakan dalam uji non
linearitasiniadalah:
Hasil dari perintah Uji Ramseys RESET untuk kedua pasangan data di atas adalah
sebagaiberikut.
>white.test(x,y)
WhiteNeuralNetworkTest
data:xandy
Xsquared=2462.076,df=2,pvalue<2.2e16
>white.test(x,y,type=c("F"))
data:xandy
F=4536.783,df1=2,df2=997,pvalue<2.2e16
Berdasarkan output ini dapat disimpulkan bahwa ada hubungan nonlinear antara X
dengan Y , baik dengan uji Chisquare atau uji F. Hal ini ditunjukkan oleh besarnya
pvalue (2.2e16 baik pada uji Chisquare maupun uji F) yang lebih kecil dari =5%.
Dengan demikian, model nonlinear adalah model yang sesuai untuk menjelaskan
hubunganantara X dengan Y .
Sebagai tambahan, perhatikan kembali data simulasi pada model ini, yaitu Y
merupakan model nonlinear yang merupakan model kubik. Jika didefinisikan X 1 = X ,
X 2 = X 2 , X 3 = X 3 dan ketiganya dimasukkan sebagai variabel prediktor (regressor)
padaUjiWhite,makaakandiperolehhasilsepertioutputberikutini.
273
sht90
ModelNonlinear
>x1<x
>x2<x^2
>x3<x^3
>x.all<cbind(x1,x2,x3)
>white.test(x.all,y)
data:x.allandy
>#UjiWhitedenganujiF
>white.testx.all,y,type=c("F"))
data:x.allandy
F=0.1956,df1=2,df2=995,pvalue=0.8224
Berbeda dengan kesimpulan sebelumnya, hasil output ini menunjukkan bahwa model
yang sesuai untuk menjelaskan hubungan antara X 1 , X 2 dan X 3 dengan Y adalah
model linear. Hal ini ditunjukkan oleh pvalue (0.541 pada uji Chisquare, dan 0.8224
padaujiF)yanglebihbesardari=5%.Dengandemikiandapatdisimpulkanbahwatidak
adahubungannonlinearantara X 1 , X 2 dan X 3 dengan Y .
14.3.3.UjiTerasvirta
Seperti Uji White sebelumnya, Uji Terasvirta adalah uji deteksi nonlinearitas
yangjugadikembangkandarimodelneuralnetworkdantermasukdalamkelompokuji
tipe Lagrange Multiplier (LM). Secara lengkap teori berkaitan dengan uji Terasvirta ini
dapat dilihat di Terasvirta dkk. (1993). Uji Terasvirta ini adalah uji tipe Lagrange
MultiplieryangdikembangkandenganekspansiTaylor.Padaakhirnya,perbedaanutama
dengan Uji White terletak pada tahap kedua prosedur uji, khususnya tentang m
prediktortambahanyangdimasukkandalammodelpengujian.DalamUjiTerasvirtaini,
m prediktor tambahan yang digunakan adalah suku kuadratik dan kubik yang
merupakanhasildaripendekatanekspansiTaylor.
Paket R menyediakan fasilitas untuk Uji Terasvirta pada library tseries dengan
perintahterasvirta.test.SepertipadaUjiWhite,adaduamacampenggunaanperintah
terasvirta.testyangdisediakandilibrarytseriesuntukimplementasiUjiTerasvirta,yaitu
untuk permasalahan analisis regresi dan analisis runtun waktu. Berikut ini adalah cara
penggunaanujiTerasvirtadenganpaketR.
274
sht90
ModelNonlinear
##Defaultmethod:untukanalisisregresi
terasvirta.test(x,y,type=c("Chisq","F"),
scale=TRUE,...)
##UjiTerasvirtauntukanalisisruntunwaktu
terasvirta.test(x,lag=1,type=c("Chisq","F"),
scale=TRUE,...)
Keterangan tentang argumen yang dapat digunakan untuk perintah terasvirta.test

Argumen
Keterangan
anumericvector,matrix,ortimeseries.
anumericvector.
lag
anintegerwhichspecifiesthemodelorderintermsoflags.
type
astringindicatingwhethertheChiSquaredtestortheFtestis
computed.Validtypesare"Chisq"and"F".
scale
alogicalindicatingwhetherthedatashouldbescaledbefore
computingtheteststatistic.Thedefaultargumentstoscale
areused.
...
furtherargumentstobepassedfromortomethods.
Misalkan perintah terasvirta.test akan diaplikasikan untuk pengujian data

simulasisepertipadaUjiWhitesebelumnya,yaitudarimodelnonlineardenganbentuk
matematissebagaiberikut
Y = X 2 X 3 + ,
dengan X ~ U (1,1) dan ~ N (0,0.1) . Seperti pada bagian sebelumnya, hipotesis

pengujianyangdigunakanadalah
275
sht90
ModelNonlinear
BerikutiniadalahscriptdanhasilimplementasiUjiTerasvirtauntukevaluasihubungan
antara X dengan Y .
>terasvirta.test(x,y)
TeraesvirtaNeuralNetworkTest
data:xandy
Xsquared=2476.359,df=2,pvalue<2.2e16
>terasvirta.test(x,y,type=c("F"))
data:xandy
F=5432.583,df1=2,df2=997,pvalue<2.2e16
>terasvirta.test(x.all,y)
data:x.allandy
>terasvirta.test(x.all,y,type=c("F"))
data:x.allandy
F=1.3482,df1=16,df2=981,pvalue=0.1605
Berdasarkan output dari dua perintah pertama dapat disimpulkan bahwa ada
hubungannonlinearantara X dengan Y ,baikdenganujiChisquareatauujiF.Halini
ditunjukkanolehbesarnyapvalue(2.2e16baikpadaujiChisquaremaupunujiF) yang
lebih kecil dari =5%. Dengan demikian, model nonlinear adalah model yang sesuai
untukmenjelaskanhubunganantara X dengan Y ,dan hal inisama denganhasil yang
diperolehpadaUjiWhite.
Sedangkan hasil output dari dua perintah terakhir menunjukkan bahwa model
yang sesuai untuk menjelaskan hubungan antara X 1 = X , X 2 = X 2 dan X 3 = X 3
dengan Y adalah model linear. Hal ini ditunjukkan oleh pvalue (0.1514 pada uji Chi
square,dan0.1605padaujiF) yanglebihbesardari =5%.Hasiliniadalahsamadengan
kesimpulanyangdiperolehpadaUjiWhite,yaitutidakadahubungannonlinearantara
X 1 , X 2 dan X 3 dengan Y .
276
why92
PengenalanPemrogramandalamR
BAB15
PENGENALANPEMROGRAMANDALAMR
Paket R menyediakan fasilitas untuk membuat fungsi yang didefinisikan oleh

user (userdefined function). Fasilitas ini memungkinkan user untuk membuat program
analisis yang lebih fleksibel dengan menggunakan fungsifungsi builtin didalam R.
Fungsifungsibuiltininisudahdiperkenalkanpadababbabsebelumnya.Padabagianini
akandiberikanpengantarmengenaipemrogramandenganbahasaR.
15.1.PenulisanFungsi
SalahsatutahappentingdalampendefinisianfungsifungsibarudiRadalahcara
penulisan fungsi tersebut. Secara umum, struktur penulisan fungsi di dalam R adalah
sebagaiberikut.
nama_fungsi = function(argumen dari fungsi)
{
........... isi dari fungsi
}
Penulisan fungsi ini dapat dilakukan melalui dua macam cara, yaitu melalui RConsole
danREditor.Sebagaiilustrasi,misalkanakandibuatfungsiuntukmenghitungratarata
sekumpulandata.DalamhalinidianggapRtidakmemilikifungsiuntukmenghitungnilai
ratarata. Akan tetapi R memiliki fungsi untuk menghitung jumlah (yakni sum), dan
fungsiuntukmenghitungpanjangvektor(yaknilength).Berikutiniadalahcontohfungsi
rataratayangdituliskanpadaRConsole.
>
+
+
+
+
rata=function(x)
{
rata_rata=sum(x)/length(x)
rata_rata
}
Dalamcontohini,namafungsiyangdibuatadalahrata,danargumennyaadalah
xsebagaidatayangakandihitungrataratanya.
> x=c(2,1,3,4,5)
> rata(x)
[1] 3
277
why92
SedangkanmelaluiREditor,pendefinisianfungsibarudapatdikerjakandenganlangkah
langkahsebagaiberikut.
Pertama kali munculkan REditor dengan klik File pada RConsole, kemudian pilih
New script. Selanjutnya ketik script fungsi yang akan dibuat padaREditorseperti
berikutini.
Apabila sudah selesai, simpan fungsi ini dengan memilih File pada RConsole, dan
kemudianklikSaveas...,sehinggadiperolehtampilansepertiberikutini.
278
why92
Sebagai catatan, pemberian nama boleh berbeda dengan nama fungsi yang di
definisikan. Akan tetapi untuk mempermudah mengingatnya disarankan untuk
menggunakannamafilesamadengannamafungsi.Dalamhalinidiberinamarata.
Selanjutnyaagarfungsidapatdigunakan,makadidalamfileiniharusdibuatsource
nya. Proses ini dapat dapat dilakukan dengan menggunakan menu File, kemudian
klikSourceRcode...danpilihfileyangakandisourcekansepertiberikut.
KlikOpen,sehinggapadaRConsoleakanmuncultextberikutini.
> source("C:\\Program Files\\R\\R-2.7.2\\rata")
Text ini menunjukkan bahwa dalam fungsi yang didefinisikan tidak ada kesalahan
perintah. Untuk mencoba fungsi ini, misalkan akan dihitung ratarata dari data
3,1,2,4,5.Selanjutnyaketikperintahsepertiberikut.
> x=c(3,1,2,4,5)
> rata(x)
[1] 3
Sampai di sini sudah bisa didefinisikan fungsi baru yang sederhana didalam R.
Untuk pembuatan fungsi yang lebih kompleks, diperlukan pengetahuan tentang
typedatadanperintahperintahdalampemrograman.
279
why92
15.2.TypeDatadanOperator
PadaBab3telahdibahastentangbeberapatypedatapadaR.Pengetahuanakan
typedatainisangatdiperlukandalampendefinisanfungsibaru.Secaraumumadatype
datadasar,yaitunumeric,characterataustring,danlogika.Sedangkantypedatayang
terstruktur,yangterdiridarikombinasitypedatadasar,adalaharray.Arrayyangterdiri
darisatudimensidinamakanvektor,sedangkanyangterdiridariduadimensiataulebih
dinamakan matrik. Bagaimana mendefinisikan datadata type ini secara lengkap sudah
dibahasdalamBab3.
Hal lain yang harus diingat selain type data adalah operator. Operator
digunakan untuk operasi matematik atau manipulasi data. Dalam pendefinisian fungsi
baru atau secara umum dalam pemrograman seringkali memerlukan kombinasi
penggunaan berbagai macam operator. Berikut ini ringkasan operator yang biasa
digunakandalamoperasimatematik.
OperatorAritmetika
+
penjumlahan
pengurangan
perkalian
pembagian
pangkat
OperatorLogika
<
kurangdari
<=
kurangdariatausamadengan
>
lebihdari
>=
lebihdariatausamadengan
==
samadengan
!=
tidaksamadengan
&
dan(and)
atau(or)
tidak(negasi)
280
why92
Selainoperatordiatas,dalamBab3telahpuladibuatringkasanoperatoruntuk
matrik seperti penjumlahan, pengurangan, perkalian, invers, determinan dan eigen
value.Perintahperintahinisangatpentingdalammendefinisikanfungsibaru.
15.3.ControlFlowdidalamR
Barisanperintahdalam Rbiasanyadieksekusibarisperbaris.DalamR,barisan
perintahyangdiletakkandidalamtandakurung{}sebagaisatugroupdipandangsebagai
satuekspresitunggal.Barisanekspresiyangdinyatakandalambentukgroupinijugadi
eksekusibarisperbaris.Untukmengaturproseseksekusi,diperlukanperintahperintah
controlflow.Bentukcontrolflowiniakanbanyakdigunakandalammenulissuatufungsi
yangdibentukolehuser.Beberapaperintahcontrol flowyangdikenaldidalamRakan
dibahasdalambagianini.
Statemenif
Statemeninimempunyaiaturanpenulisan
> if (kondisi) {ekspresi}
Perintah ini berarti jika (kondisi) bernilai benar, maka {ekspresi} dilaksanakan, jika
(kondisi) bernilai salah, maka {ekspresi} tidak dilaksanakan. Berikut adalah contoh
statemenif.
> if (2>3) x=c(1,2,3)

> x
Error: object "x" not found
Pada contoh ini, karena kondisi (2>3) bernilai False, maka ekspresi x=c(1,2,3) tidak
dieksekusi. Sehingga pada saat nilai x ditampilkan, karena x tidak ada maka keluar
pesanError:object"x"notfound.Selanjutnyaperhatikancontohstatemenifberikut
ini.
> if (2<3) x=c(1,2,3)

> x
[1] 1 2 3
Padacontohini,karenakondisi(2<3)bernilaibenar(True),makaekspresix=c(1,2,3)
dieksekusi,sehingganilainilaidataxdapatditampilkan.
281
why92
Statemenifelse
Statemeninimempunyaiaturanpenulisansepertiberikutini.
> if (kondisi) {ekspresi1} else {ekspresi2}
Perintah ini mempunyai arti jika (kondisi) bernilai benar maka {ekspresi1} yang
dilaksanakan, dan jika bernilai salah maka {ekspresi2} yang dilaksanakan. Berikut
contohstatemenifelse.
> if (2>3) x=c(1,2,3) else x=c(4,5,6)

> x
[1] 4 5 6
Statemenfor
Statemeninidigunakanuntukperulangan.Syntaxdasardarifungsiiniadalahsebagai
berikut.
> for (name in expr1) {expr2}
Pada contoh dibawah ini, statemen for akan digunakan untuk menghitung nilai
faktorial.
> f=1
> for (i in 1:5)
+ {
+ f=f*i
+ }
> f
[1] 120
Padacontohinidihitungnilai5!=1.2.3.4.5=120.
Fungsibreakdannext
Syntaxdarifungsiiniadalahsebagaiberikut.
break : stopdankeluarloopyangsedangdieksekusi.
next : stopiterasiyangsedangberjalandanlangsungmulaiiterasiselanjutnya.
Command next dan break pada dasarnya berfungsi untuk mencegah kemungkinan
adanyainfinitifeloopdalamsuatufungsi,sepertidalamsuatulooprepeat(yangdalam
282
why92
Rtidakmemilikiakhireksekusiyangalami,sehinggamutlakdiperlukanstoppingloop
dengan perintah break atau next) dan while (yang diperlukan untuk menghentikan
perulangan atau loop di satu bagian dari ekspresi dalam loop tanpa melanjutkan ke
ekspresilaindidalamloopini).
Statemenreturndanstop
Keduabentukstatemeninidigunakanuntukmenghentikaneksekusidarisuatufungsi
yangtelahdiaksesdankembalikeRprompt.Syntaxnyaadalahsebagaiberikut.
return(expr) : stopfungsiyangsedangdiaksesataudievaluasidanmunculkan
outputnilaidariexprdiprompt.
stop(message): digunakanuntukmemberikantandaadanyakesalahandengan
menghentikanevaluasidarifungsiyangsedangdiaksesdan
menampilkanmessagedipromptsebagaipesankesalahandan
kembalikeRprompt.
Fungsi return tidak hanya membuat kita berhenti dari loop yang sedang dievaluasi,
tetapijugadarifungsiyangsedangdiakses.Jadiberbedadenganbentuk break atau
nextyangtidakmenghentikaneksekusifungsi.
Statementrepeat
Syntaxdasardaristatemeniniadalahsebagaiberikut.
> repeat {expr}
Perintah repeat pada R merupakan perintah ynag mengakibatkan perulangan atau
looping tiada henti. Oleh karena itu, penggunaan repeat memerlukan penambahan
perintahuntukmenghentikanperulangan.Perintahinibisamenggunakanstatemenif
yang dikombinasikan dengan break. Berikut ini adalah contoh untuk menghitung n!
denganmenggunakanrepeat.
> f=1
> i=0
> repeat
+ {
+ i=i+1
+ f=f*i
+ if (i==5) break
+ }
> f
[1] 120
283
why92
Statementwhile
Statemen while merupakan statemen untuk perulangan, dengan syntax sebagai
berikut.
> while (condition) expr
Sebagaicontoh,akandibuatperintahuntukmenghitungnilain!.
> f=1
> i=0
> while (i<5)
+ {
+ i=i+1
+ f=f*i
+ }
> f
[1] 120
15.4.Beberapatopikyangberhubungandenganfungsi
Berikutiniadalahbeberapatopikyangberhubungandenganfungsiyangbanyak
digunakandalampemrogramR.
15.4.1.Argumendarisuatufungsi
Didalam membuat argumen dari suatu fungsi ada beberapa hal yang diperhatikan,
antaralainoptionaldanrequiredargument.
a.Optionalargument
Optionalargumentadalahargumensuatufungsiyangdapattidakdiberikannilainya
ketika fungsi tersebut dipanggil. Untuk hal tersebut biasanya ada nilai default dari
argumen itu yang tidak perlu didefinisikan nilainya pada saat dipanggil. Sebagai
contoh, misalkaningindibangkitkandataberdistribusinormalsebanyak10,dengan
mean=15danvariansi=9denganfungsirnormberikutini.
datanormal=function(n=10,mean=15,variansi=9)
{
data <- rnorm(n,mean,sqrt(variansi))
data
}
284
why92
Seluruhargumendarifungsidatanormaldiatasmerupakanoptionalargumentyakni
secara default telah diberikan nilai dari masingmasing argumen. Setelah script
function diketikkan pada RConsole atau pada REditor, panggil dengan perintah
berikut.
> datanormal()
[1]12.48633015.94063616.79275218.63401513.50043015.72283810.076475
[8]9.9908978.05666015.627972
Sudah ditampilkan 10 bilangan random normal dengan mean 15 dan variansi 9.

Argumen optional ini dapat diganti dengan memberikan spesifikasi nilai dari
argumen tersebut. Sebagai contoh akan dibangkitkan 25 bilangan normal standar
dengan fungsi diatas. Hal tersebut dapat dilakukan dengan memanggil fungsi
datanormaldenganmerubahnilaiargumennya,yaitu
> datanormal(n=20, mean=0, variansi=1)

ataudapatjugadengan
> datanormal(20,0,1)
Perintahiniakanmenggantinilaidefaultargumenoptionalpadafungsidatanormal,
sehinggadiperolehhasilsebagaiberikutini.
[1]1.143680170.134699672.596789361.471904790.757855801.73536802
[7]0.405799351.214022391.375582350.029391011.519455770.84322992
[13]1.692951402.572906340.525872041.643174260.573956250.23601621
[19]0.147496581.42066282
b.Requiredargument
Requiredargumentadalahargumenargumenyangharusdiberikanataudispesifikasi
nilainya jika fungsi tersebut dipanggil. Sebagai contoh akan dilakukan modifikasi
fungsibangkitannormaldiatasmenjadisepertiberikutini.
datanormal2 <-function(n, mean, variansi=9)

{
data=rnorm(n, mean, sqrt(variansi))
data
}
285
why92
Dengan demikian argumen n dan mean merupakan required argument, sehingga

harus diberi nilai ketika user memanggil fungsi bangkitan datanormal2 melalui R
prompt.Sebagaicontoh,perhatikanperintahberikutini.
> datanormal2(10,0)
Perintah ini akan membangkitkan 10 bilangan random normal dengan mean 0 dan
variansi9,denganoutputsebagaiberikut.
[1]1.914678071.516189590.032839811.549366055.600143281.23081757
[7]2.015694231.603316113.206827781.46176645
15.4.2.Mengaturtampilandarioutput
Ada beberapa fungsi builtin yang dapat digunakan untuk mengatur tampilan
output, baik dengan menampilkan layar maupun dengan menyimpan data di disk.
Berikutadalahuraiantentangbeberapafungsitersebut.
a.Fungsitabdannewline
Untukmenggunakantabdalammenampilkanoutputmakagunakan\tsedangkan
untukmenggantibaris,gunakan\n.Perintahiniseringdigunakanbersamadengan
perintahcat(lihatbagiand).
b.Perintahprint
Perintahinibertujuanuntukmenampilkansuatuobjekkelayarsesuaidenganjenis
data.Perhatikancontohberikutini.
>dataprint=list(karakter=letters[1:5],numerik=c(1:5))
>print(dataprint)
$karakter
[1]"a""b""c""d""e"
$numerik
[1]12345
c.Perintahformat
Perintah format bertujuan untuk mengubah mode data dari numerik ke karakter.
Lihatcontohberikutini.
286
why92
>angka=1:10
>angka
[1]12345678910
>karakter=format(angka)
>angka_karakter=format(angka)
>angka_karakter
[1]"1""2""3""4""5""6""7""8""9""10"
d.Perintahcat
Perintahcatmerupakanperintahyangcukupfleksibeldidalammenampilkanoutput
dilayar,yaitudapatmenampilkandatacharacter,datanumerik,komentarkomentar
output, ataupun menuliskan data layar. Lihat help menu dari R untuk keterangan
lebih lanjut mengenai fungsi ini. Untuk mengilustrasikan penggunaan dari perintah
catinidiberikancontohsebagaiberikut.Misalkanuseringinmerubahtampilandari
outputfungsibangkitannormaldiatas,danakandilakukanmodifikasidarifungsiitu
sepertiberikutini.
datanormal3 <- function(n=10,mean=15,variansi=9)

{
data<-rnorm(n,mean,sqrt(variansi))
cat(============\n)
cat( List Data \n)
cat(============\n)
cat(data, sep = \n)
cat(============\n)
}
Setelah file disourcekan (jika diketik melalui REditor), maka contoh output dari
fungsi ini dapat dilihat dibawah ini. Perhatikan perbedaan tampilan output dengan
perintah datanormal3. Perintah \n dan \t telah dikenalkan pada bagian (a)
diatas.
>datanormal3()
===========
ListData
===========
2.422166
4.422396
.............
8.015969
===========
287
why92
Lebihlanjut,fungsicatdapatdigunakanuntukmenyimpanoutputkedalamsuatufile
eksternal disk. Misalkan output dengan format yang sama dengan contoh diatas
ingin disimpan ke direktori c: dengan nama file output.txt (nama maksimum 8
character). Maka perlu dilakukan modifikasi fungsi datanormal menjadi sebagai
berikut.

{
data <- rnorm(n,mean,sqrt(variansi))
cat(=================\n,file=c:output.txt)
cat( List Data \n, append=T,file=c:output.txt)
cat(=================\n, append=T,
file=c:output.txt)
cat(data, sep = \n, append=T,file=c:output.txt)
cat(=================\n, append=T
,file=c:output.txt)
}
Perhatikan perbedaan fungsi datanormal4 dan datanormal3 pada contoh diatas.

Lokasi dan namafiledapatdisesuaikan dengankeinginan user. Setelahdisourcekan
file script dari fungsi ini, maka fungsi ini dapat dipanggil menggunakan perintah
sebagaiberikut.
> datanormal4()
Outputdarifungsidatanormal4dapatdiaksesdenganmelihatfileoutput.txtmelalui
pilihanFile,dankemudianklikOpenscript.Perhatikandirectoryyangaktifadadi
C:\ProgramFiles\R\R2.7.2\
C:\Program Files\R\R-2.7.2\output.txt - R Editor
288
why92
e.Perintahwrite.table
Fungsi ini dapat digunakan untuk menuliskan data (biasanya bertipe dataframe)
yang ada kedalam suatu file di disk. Untuk keterangan lebih lanjut dari fungsi ini,
lihatfasilitashelpdariR.Berikutadalahcontohpenggunaandariperintahtersebut.

{
data <- as.data.frame(rnorm)(n,mean,sqrt(variansi))
write.table(data,file=c:output.txt,sep=\t)
}
Setelah disourcekan file script dari fungsi ini, maka selanjutnya fungsi ini dapat
dipanggildenganmenggunakanperintahsepertiberikutini.
> datanormal5()
15.5.Contohcontohfungsi
Selanjutnya akan diberikan beberapa contoh fungsi dengan menggunakan
perintahperintah yang sudah dijelaskan di bagian sebelumnya. Contohcontoh ini
diharapkandapatlebihmemberipemahamantentangbagaimanamendefiniskanfungsi
baru di R. Sebelum mengetikkan script fungsi ini pada REditor, perintahperintah
berikut disarankan untuk dicoba terlebih dahulu baris per baris pada RConsole. Jika
urutan sudah benar, baik secara logic maupun syntax, maka urutanurutan perintah
pada RConsole dapat dicopy, kemudian dipaste ke REditor. Cara ini akan membantu
prosesmencarikesalahandalamprogram(debugging).
Ujitdengansampeltunggal
Berikut ini adalah contoh fungsi untuk uji ratarata sampel tunggal dengan
varians tidak diketahui dengan menggunakan statistik uji t. Pada fungsi berikut, diberi
nama uji_t, dengan argumen x sebagai vektor data yang akan diuji, mu0 sebagai nilai
ratarata yang dihipotesiskan, dan arah sebagai identifikasi apakah hipotesis alternatif
pengujianbersifatduaarah,kurangdariataulebihdari.
uji_t = function(x,mu0,arah)
{
df=length(x)-1
T=abs((mean(x)-mu0)/(sd(x)/sqrt(length(x))))
if (arah==0) P=2*(1-pt(abs(T),df))
else if (arah==-1) P=pt(T,df)
else P=pt(T,df,lower.tail=FALSE)
289
why92
cat("Uji t Sampel Tunggal","\n")

cat("Ho:mu =",mu0,"\n")
if (arah==0) cat("H1:mu !=",mu0,"\n")
if (arah==-1) cat("H1:mu <",mu0,"\n")
if (arah==1) cat("H1:mu >",mu0,"\n")
cat("Mean=",mean(x),", stdev=", sd(x),"
n=",length(x),"\n")
cat("T = ",T,",df = ",df," ,P = ",P,"\n")
}
Sebelum menjalankan, simpan terlebih dulu fungsi itu dengan nama uji_t.R dan
kemudian disourcekan. Untuk menjalankan akan digunakan data bakteri seperti yang
dibahas pada Bab 7. Sehingga, perbandingan hasil fungsi ini dapat dilakukan dengan
outputujisampeltunggalpadaRdiBab7tersebut.
>bakteri=c(175,190,215,198,184,207,210,193,196,180)
>uji_t(bakteri,200,0)
UjitSampelTunggal
Ho:mu=200
H1:mu!=200
Mean=194.8stdev=13.13858n=10
T=1.251570,df=9P=0.2422777
UjitSampelTunggal
Ho:mu=200
H1:mu>200
Mean=194.8stdev=13.13858n=10
T=1.251570,df=9P=0.8788612
UjitSampelTunggal
Ho:mu=200
H1:mu<200
Mean=194.8stdev=13.13858n=10
T=1.251570,df=9P=0.1211388
290
why92
RegresiLinearSederhana
Berikutiniakandiberikancontohfungsiregresiuntukmengestimasipersamaan
regresi linear sederhana. Fungsi ini mempunyai 2 argumen, yaitu y sebagai variabel
respon dan x sebagai variabel prediktor. Estimasi dilakukan dengan metode kuadrat
terkecil.Selanjutnya berturutturutdihitungstandarderrorhasil estimasi, thitung dan
nilai p. Sebagai validasi, hasil perhitungan dapat dibandingkan dengan output menu
regresisepertipadaBab8.
regresi<-function(y,x)
{
if (length(y)!=length(x)) cat("Banyak data tidak sama\n")
k=1
n=length(x)
for (i in 1:n) k[i]=1
X=cbind(k,x)
b=(solve(t(X)%*%X))%*%t(X)%*%y
y_hat=X%*%b
e=y-y_hat
SSR=sum((y_hat-mean(y))^2)
SSE=sum((y-y_hat)^2)
MSR=SSR/1
MSE=SSE/(n-1-1)
cov_b=solve(t(X)%*%X)*MSE
se_b=sqrt(diag(cov_b))
t_value=(1/se_b)*b
p_value=2*(1-pt(abs(t_value),n-2))
cat("
estimate std.error t_value
p \n")
for (i in 1:2)
{
if (i==1) cat("intercept
",b[i],se_b[i],t_value[i],p_value[i],"\n")
else cat(
"x
",b[i],se_b[i],t_value[i],p_value[i],"\n")
}
}
Untukmenjalankan,misalkandigunakandataberikutini.
>y=c(11,13,15,12,14,16,18)
>x=c(2,4,5,3,6,7,8)
>regresi(y,x)
estimatestd.errort_valuep
intercept8.7857140.749829911.716947.960169e05
x1.0714290.13923997.6948380.0005912413
291
sht90
DaftarPustaka
DAFTARPUSTAKA
Cryer,J.D.(1986).TimeSeriesAnalysis.Boston:PWSKENTPublishingCompany.
Draper, N.R. and Smith, H. (1981). Applied Regression Analysis. Second Edition, John
Wiley&Sons,Inc.
Granger, C.W.J. and Terasvirta, T. (1993). Modeling Nonlinear Economic Relationships.
Oxford:OxfordUniversityPress.
Gujarati, D.N. (1996). Basic Econometrics. 5th edition, McGraw Hill International, New
York.
Hair, J.F., Anderson, R.E., Tatham, R.L. and Black, W.C. (2006). Multivariate Data
Analysis.6thedition,PrenticeHallInternational:UnitedKingdom.
Hanke, J.E. and Reitsch, A.G. (2001). Business Forecasting. 7th edition, Prentice Hall,
EnglewoodCliffs,N.J.
Hrdle,W.(1991).SmoothingTechniqueswithImplementationinS.NewYork:Springer
Verlag.
Hosmer, D.W. and Lemeshow, S. (1989). Applied Logistic Regression. NewYork: John
Wiley&Sons.
Johnson, R.A. and Bhattacharyya, G.K. (1996). Statistics: Principles and Methods. 3rd
edition,Canada:JohnWiley&Sons..
Johnson, N. and Wichern, D. (1998). Applied Multivariate Statistical Analysis. Prentice
Hall,EnglewoodCliffs,N.J.
Kutner, M.H., Nachtsheim, C.J. and Neter, J. (2004). Applied Linear Regression Models.
McGrawHillInternational,NewYork.
Lee, T.H., White,H., and Granger,C.W.J. (1993).Testing forNeglectedNonlinearityin
TimeSeriesModels:AcomparisonofNeuralNetworkmethodsandalternativetest.
JournalofEconometrics,56,pp.269290.
Makridakis,S.,Wheelwright,S.C.andHyndman,R.J.(1998).Forecasting:Methodand
Applications.NewYork:JohnWiley&Sons.
McCullagh, P. and Nelder, J.A. (1989). Generalized Linear Models. Second edition.
London:ChapmanandHall.
Ramsey, J.B. (1969). Tests for Specification Error in Classical Linear Least Squares
RegressionAnalysis.JournaloftheRoyalStatisticalSociety,SeriesB,31,350371.
Scott,D.W.(1992).MultivariateDensityEstimation.Theory,Practice,andVisualization.
NewYork:JohnWileyandSons.
Seber, G.A.F. and Wild, C.J. (1989). Nonlinear Regression. New York: John Wiley and
Sons.
292
sht90
DaftarPustaka
Sharma,S.(1996).AppliedMultivariateTechniques.NewYork:JohnWiley&Sons.
Shumway,R.H.andStoffer,D.S.(2006).TimeSeriesAnalysisandItsApplicationswithR
Examples.Secondedition,Springer:NewYork,USA.
Silverman, B.W. (1985). Density Estimation for Statistics and Data Analysis. London:
ChapmanandHall.
Terasvirta, T., Lin, C.F., and Granger, C.W.J. (1993). Power of the neural network
linearitytest.JournalofTimeSeriesAnalysis,14,159171.
Wand,M.P.andJones,M.C.(1995).KernelSmoothing.London:ChapmanandHall.
Wei,W.W.S.(2006).TimeSeriesAnalysis:UnivariateandMultivariateMethods.Second
edition,AddisonWesleyPublishingCo.,USA.
White,H.(1989).Anadditionalhiddenunittestforneglectednonlinearityinmultilayer
feedforward networks. In Proceedings of The International Joint Conference on
NeuralNetworks,Washington,DC(pp.451455).SanDiego,CA:SOSPrinting.
*BerikutadalahreferensiebookyangdapatdidownloaddiserverCRANRProject
Baron, J. and Li, Y. (2003). Notes on the use of R for psychology experiments and
questionnaires.DeparmentofPsychology,UniversityofPennsylvania.
Bliese,P.(2006).MultilevelModelinginR(2.2):ABriefIntroductiontoR,themultilevel
packageandthenlmepackage.Paul.bliese@us.army.mil.
Chongsuvivatwong, V. (2006). Analysis of Epidomiological Data Using R and Epicalc.
EpidemiologyUnit,PrinceofSongklaUniversity,Thailand.
Faraway,J.J.(2002).PracticalRegressionandAnovausingR.www.stat.lsa.umich.edu/
~faraway/book.
Farnsworth,G.V.(2006).EconometricsinR.gfarnsworth@kellogg.northwestern.edu.
Maindonald,J.H.(2004).UsingRforDataAnalysisandGraphics:Introduction,Codeand
Commentary.CentreforBioinformationScience,AustralianNationalUniversity.
Owen, W.J. (2007). The R Guide. Department of Mathematics and Computer Science,
UniversityofRichmond.
Paradis, E. (2005). R for Beginners. Institut des Sciences de lEvolution, Universite
MontpellierII,France.
Ricci,V.(2005).FittingDistributionswithR.vito_ricci@yahoo.com.
Rossiter, D.G. (2007). Introduction to the R Project for Statistical Computing for use at
ITS.http://www.its.nl/personal/rossiter.
SeefeldK.andLinder,E.(2007).StatisticsUsingRwithBiologicalExamples.Department
ofMathematics&Statistics,UniversityofNewHampshire,Durham,NH.
293
sht90
DaftarPustaka
Venables,W.N.andSmith,D.M.(2007).AnIntroductiontoR.TheRDevelopmentCore
Team.
Verzani,JA.(2002).SimpleRUsingRforIntroductoryStatistics.www.math.csi.cuny.edu
/Statistics/R/simpleR/Simple.
Vikneswaran(2005).AnRcompaniontoExperimentalDesign.www.geocities.com/vik
294
sht90
DaftarIndeks
DAFTARINDEKS
abline,166,179
acf,199202
AIC,AICc,225
AkaikesInformationCriterion,lihatAIC
Analisis,
Cluster,234236
Diskriminan,232233
Faktor,230231
Multivariat,230
Regresi,128157
RuntunWaktu,184229
Variansi,110117
ANOVA,lihatAnalisisVariansi
ARIMA,198226
cekdiagnosa,207209
estimasi,205
indentifikasi,199202
musiman,216224
nonmusiman,203216
peramalan,210211
YuleWalker,205
leastsquares,205206
maksimumlikelihood,205206
Bartlett,120121
barchart,5657
binomial,7078
boxandwhiskerplot,5051
BoxJenkinsmethodology,198
chisquaretest,9496
compute,2729
correlation,8890
data,3037
array,30
frame,34
matriks,31
list,37
dataset,2425
dendogram,235
diagram,
batang(barchart),5657
batangdandaun,4849
lingkaran(piechart),5758
pencar(scatterplot),5354
direktori,6
diskriminan,232234
linear,233234
distribusi,6179
binomial,7078
diskrit,70
frekuensi,8586
kontinu,62
normal,6269
edit,
data,20
eksponensialsmoothing,187197
ganda,195196
sederhana,196197
HoltWinters,189194
entry,
data,1618
estimasi,
densitas,237241
modelARIMA,205
modellineartergeneralisir,161165
modelnonlinear,256259
regresilinear,128136
FactorAnalysis,230231
factors,42
frame,34
fungsi,
distribusi,61,62,69
plot,168180

GeneralizedLinearModel,158165
grafik,4360,168183
setting,182183
GLM,158165
295
sht90
DaftarIndeks
help,1015
searchengine,1214
onlinesearchengine,15
histogram,46
HoltWinters,189194
aditif,189192
multiplikatif,193194
importdata,
ASCII,38
EXCEL,20,39
MINITAB,22,41
SPSS,22,41
instalasiR,2
kenormalan,
shapirowilk,91
kernel,237240
Epanechnikov,238239
Gaussian,238239
kontingensi,9296
kuantil,62,71
binomial,71
normal,62
lda,233
Levene,121
library,1
linear,
model,132137
regresi,128131
lm,132137
logistik,
regresi,161165
matriks,31,86
data,31
korelasi,88
mean,
plot,55
model,128165,185226,256276
ARIMA,198226
eksponensialsmoothing,187197
linear,132137
lineartergeneralisir,158165
regresilinear,128131
regresinonlinear,256276
trenlinear,185186
multivariat,
analisis,230236
nonlinear,256276
model,256262
uji,263276
normal,6269,91
distribusi,6269
nls,259262
operator,279
pacf,199202
paket,1
pemrograman,277291
fungsi,277279
indeks,58
optionalargument,284285
requiredargument,285286
plot,55,58,168180
indeks,58
interaktif,80
ratarata,55
utama,168178
tambahan,179
proporsi,122127
ujiperbedaan,122127
qda,233
QQplot,51

Ramseys,263266
RESET,263266
recode,25
regresi,128157,237248,256262
kernel,241243
linear,128157
nonlinear,256262
nonparametrik,241248
spline,243248
ringkasan,8184
numerik,8184
296
sht90
DaftarIndeks
runtunwaktu,184229
ShapiroWilk,88
SIC,203
spline,221233
basis,227228
Bspline,223225
kubik,226229
SSasympOrig,239240
StemandLeaf,48
summary,7981
tabel,84,89
kontingensi,89
statistika,84
Terasvirta,274276
transformasi,25
dataset,25
ujinonlinearitas,263276
RamseysRESET,263266
Terasvirta,274276
White,267273
ujiproporsi,122127
duasampel,125127
sampeltunggal,122124
ujiratarata,99117
duasampelbebas,102106
sampelberpasangan,107109
sampeltunggal,99101
OnewayANOVA,110114
MultiwayANOVA,115117
ujivariansi,112115
Bartlett,114
duavariansi,112
Levene,115
vektor,30
White,266272
YuleWalker,205
297
sht90
TentangPenulis
TENTANGPENULIS
Suhartono, bekerja sebagai dosen di Jurusan Statistika, Institut

TeknologiSepuluhNopember(ITS).IalulusS1StatistikaITSpada
tahun 1995 dan mendapat Master of Statistical Analysis and
Stochastic Systems dari University of Manchester Institute of
Science and Technology (UMIST), UK, tahun 1998. Kemudian ia
mendapat Dr pada tahun 2007 di bidang Neural Network for
Time Series Forecasting dari Jurusan Matematika, Universitas
GadjahMada(UGM).
Bidang penelitian yang banyak dilakukan adalah time series forecasting, neural
network for data analysis, spatial time series, dan econometrics time series. Beberapa
areaterapanyangmenjadiobyekpenelitiandantelahdilakukanantaralainpemodelan
inflasidiIndonesia,turismdiBali,transportasi(kendaraan)dijalantol,hidrologi(debit
airdisuatubendungan),danpemodelanpemakaianenergilistrikjangkapendekdisuatu
area distribusi. Saat ini ia sedang meneliti tentang model hybrid neural network dan
analisiswaveletuntuktimeseriesforecasting,sertamengembangkanmodelintervensi,
structural change, dan model variasi kalender yang banyak terjadi di beberapa kasus
dataseriesdiIndonesia.
Di Jurusan Statistika ITS, ia saat ini menjadi Kepala Laboratorium Statistik

Komputasi. Beberapa mata kuliah yang diampu adalah Analisis Runtun Waktu (Time
SeriesAnalysis),AnalisisData,danAnalisisMultivariatdiprogramSarjanadanMagister.
Beberapa file untuk pembelajaran Time Series Analysis dan Design of Experiment yang
telahiabuatdapatdiaksessecaraonlinepadaopencontentITSmelaluiwww.its.ac.id.
Selainitu,karyakaryapenelitianyangtelahialakukandapatjugadiaksessecaraonline
padapilihanwebpersonaldosendihomepageITStersebut.
298

Suhartono Analisis Data Statistik Dengan R

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Suhartono Analisis Data Statistik Dengan R

Diunggah oleh

Hak Cipta:

Format Tersedia

SUHARTONO

2008 Lab. Statistik Komputasi, ITS, Surabaya

Bahasan tentang penggunaan fasilitas di RCommander untuk model linear

Dengan mengetikkan perintah library(Rcmdr) pada jendela Rconsole dan

default dari direktori kerja R adalah direktori C:\Program Files\R\R2.7.2. Untuk

Setelah mengetikkan beberapa baris perintah di atas, lakukan keluar dari R

Pertamatama, aktifkan dataset yang akan dilakukan transformasi compute, yaitu

Pengisian matriks menurut baris perbaris dapat dilakukan dengan menggunakan

Responden Matematika BIndonesia BInggris IPK1

COUNTRY POPULATN DENSITY URBAN RELIGION

Perintah use.value.labels=TRUE digunakan untuk mendapatkan variabel yang bertipe

Pada bab ini akan dibahas penggunaan RCommander untuk membuat

Isikanargumenoptionalyang diinginkan padakolomkolomyang tersedia, dan klik OK

Command line di RConsole dapat juga digunakan untuk pembuatan BoxPlot,

Command line di RConsole yang dapat digunakan untuk pembuatan Diagram

Distribusi Diskrit yang disediakan di R dapat dilihat dengan memilih menu

,untuk < x <

denganparameter adalahnilairatarata,dan adalahdeviasistandar.

Perhitungan peluang normal dapat juga dilakukan dengan command line di R

dengan n adalahbanyaknyapengamatanataupercobaanbinomial, p adalahpeluang

Perhitungan kuantil binomial dapat juga dilakukan dengan command line di R

Perhitungan peluang binomial dan peluang binomial kumulatif dapat juga

Jika pilihan Plot fungsi distribusi (kumulatif) atau F ( x) = P( X x) yang dipilih,

Distribusi ini merepresentasikan banyaknya kegagalan yang terjadi dalam suatu

Distribusi ini digunakan untuk sampling tanpa pengembalian. Fungsi kepadatan

,untuk x = {1,2, K} dan =parameterratarata.

Bab ini akan membahas penggunaan RCommander untuk membuat statistik

Mean 3rd Qu.

R juga menyediakan fasilitas untuk menampilkan ringkasan numerik dari

Misalkan akan dibuat tabel statistika untuk variabel LOG_GDP berdasarkan

Hasil tersebut menunjukkan bahwa negaranegara di kawasan OECD mempunyai rata

Misalkan akan dibuat matriks korelasi untuk variabel CALORIES, FERTILITY,

Misalkan akan dilakukan pengujian korelasi untuk variabel LIFEEXPF dan

Dalam hal ini, H0 ditolakyang berartiduapeubahsecara statistiksignifikanberkorelasi

t > t ; df = n 2 ataunilai p < .

Hasil output R diatas menunjukkan bahwa nilai p pengujian adalah 2.2e16.

Hipotesis yang digunakan dalam pengujian kenormalan ShapiroWilk adalah sebagai

Misalkan akan dilakukan pengujian kenormalan untuk variabel LIFEEXPF, maka

Pearson's Chi-squared test

Olah raga Sinetron

Olah raga Sinetron Total Count

dengan Oij = jumlahpengamatanpadabariskeidankolomkej,

dengan ni. =totalpengamatanbariskei, n. j =totalpengamatankolomkej,

dengan b =jumlahbaris,dan k =jumlahkolom.

Padabab ini akandibahaspenggunaanRCommander untukmembuat analisis

Pengujian ratarata sampel tunggal dapat dilakukan setelah data tersedia di R.

Untuk melakukan pengujian ratarata sampel tunggal seperti contoh kasus di

t < t ; df = n 1 ataupvalue < .

Untuk dapat mengaktifkanmenu Ujit sampel salingbebas diperlukan langkah

dengan X 1 dan X 2 adalahrataratasampelpertamadankedua, n1 dan n 2 banyaknya

t > t ; df = n1 + n2 2 ataupvalue < .

Tahap selanjutnya adalah proses pengujian perbedaan ratarata sampel ber

Kemudian,klikOKuntukmenampilkanoutputdari pengujianANAVA duaarahseperti

Perhatikan kembali contoh kasus perbandingan lama waktu merakit produk

dengan E i = np = 100 0,5 = 50 untukmasingmasingi.

H0: p1=p2atau proporsiyangmenjawabTIDAKmaumelakukanhubungan

H1: p1p2atau adaPERBEDAANproporsiyangmenjawabTIDAKmau

2 > 2 ,df =1 ataunilai p < .

Denganmenggunakandifferensialterhadap 0 dan 1 akandiperolehnilaitaksiran

Berikut ini adalah rumus untuk mendapatkan nilainilai taksiran 0 dan 1

Misalkan akan diamati hubungan antara tingkat persepsi konsumen terhadap

Output tersebut menunjukkan bahwa model linear regresi yang menunjukkan

Misalkan akan diteliti hubungan antara tipe konsumen berdasarkan lamanya

dengan X 11 dan X 12 adalahvariabeldummy,yaitu