Buku Statistik

UNEJ
Daftar Isi
Judul
JJ J I II
Hal. 1 dari 234
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
UNEJ
Daftar Isi
Judul
JJ J I II
ANalisis DAta dan GRAfik dengan R Hal. 2 dari 234
(ANDAGRAR -Versi Elektronik) Cari Halaman
Kembali
Prof. Drs. I. M. Tirta, Dip.Sc, M.Sc., Ph.D. Layar Penuh

itirta@unej.ac.id
Tutup
February 28, 2012

Keluar
UNEJ
Daftar Isi
Judul
JJ J I II
Hal. 3 dari 234
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
UNEJ
DAFTAR ISI Daftar Isi
Judul
JJ J I II
Hal. 1 dari 234
I STATISTIKA INFERENSIAL DENGAN R 13

Cari Halaman
1 PROGRAM STATISTIKA R 15
Kembali
1.1 Sekilas Program Statistika R . . . . . . . . . . . . . 19
1.2 RGUI dengan R-Commander . . . . . . . . . . . . . 21 Layar Penuh
1.3 RCommander dengan Menu Bahasa Indonesia . . . 25

1.4 Editor Skrip dengan Tinn-R . . . . . . . . . . . . . 28 Tutup
1.5 Data untuk Ilustrasi . . . . . . . . . . . . . . . . . 30

Keluar
1.6 Bacaan Lebih Lanjut . . . . . . . . . . . . . . . . . 31
1.7 Soal-soal Latihan . . . . . . . . . . . . . . . . . . . 32
2 KONSEP DASAR STATISTIKA 35 UNEJ
2.1 Statistika dan Data Statistik . . . . . . . . . . . . . 37

2.2 Jenis Data . . . . . . . . . . . . . . . . . . . . . . 42 Daftar Isi
2.3 Distribusi Data . . . . . . . . . . . . . . . . . . . . 46

2.4 Ukuran Pemusatan dan Penyebaran . . . . . . . . . 50 Judul
2.4.1 Ukuran Pemusatan . . . . . . . . . . . . . . 50

JJ J I II
2.4.2 Ukuran Penyebaran . . . . . . . . . . . . . 53
Hal. 2 dari 234
Cari Halaman
3 EXPLORASI DATA 63
3.1 Menyiapkan Data pada R . . . . . . . . . . . . . . 66 Kembali
3.1.1 Mengedit langsung data . . . . . . . . . . . 67

3.1.2 Memanggil Data dari Database R . . . . . . 68 Layar Penuh
3.1.3 Mengimpor data dari file . . . . . . . . . . . 71

3.1.4 Membangkitkan Data Simulasi . . . . . . . 73 Tutup
3.2 Explorasi Data . . . . . . . . . . . . . . . . . . . . 76

Keluar
3.2.1 Deskripsi Data . . . . . . . . . . . . . . . . 77
3.2.2 Visualisasi Data Univariat . . . . . . . . . . 80
3.2.3 Visualisasi Data Multivariat . . . . . . . . . 84
3.3 Bacaan Lebih Lanjut . . . . . . . . . . . . . . . . . 96 UNEJ

Daftar Isi
4 UJI RATA-RATA DAN PROPORSI 99

4.1 Interval Keyakinan dan Uji Rata-rata . . . . . . . . 101 Judul
4.1.1 Hasi-hasil Statistika . . . . . . . . . . . . . 101

JJ J I II
4.1.2 Tingkat Interval Keyakinan dan Peluang Penutup108
4.1.3 Distribusi Beda Rata-rata Kelompok Saling
Hal. 3 dari 234
Bebas . . . . . . . . . . . . . . . . . . . . 110
4.1.4 Distribusi Beda Sampel/ Kelompok Tidak Cari Halaman
Saling Bebas . . . . . . . . . . . . . . . . . 112
4.2 Uji hipotesis rata-rata . . . . . . . . . . . . . . . . 117 Kembali
4.2.1 Menggunakan menu R-Commander . . . . . 120

4.3 Interval Keyakinan dan Uji Proporsi . . . . . . . . . 123 Layar Penuh
4.3.1 Interval keyakinan proporsi . . . . . . . . . . 123

4.3.2 Interval keyakinan beda proporsi . . . . . . . 124 Tutup
4.3.3 Uji hipotesis proporsi dan beda proporsi . . . 125

Keluar
4.4 Fungsi-fungsi R . . . . . . . . . . . . . . . . . . . . 127
UNEJ
5 ANALISIS VARIANSI (ANAVA) 131

5.1 Konsep Dasar Anava . . . . . . . . . . . . . . . . . 133 Daftar Isi
5.2 Uji Anava Faktor Tunggal . . . . . . . . . . . . . . 136

5.2.1 Alternatif Formula untuk perhitungan secara Judul
semi manual . . . . . . . . . . . . . . . . . 140

JJ J I II
5.2.2 Uji Anava dengan R atau R-Commander . . 141
5.3 Anava Multi Faktor . . . . . . . . . . . . . . . . . 144
Hal. 4 dari 234
5.3.1 Eksplorasi Grafik Beda Rata-rata . . . . . . 147
5.4 Bacaan Lebih Lanjut . . . . . . . . . . . . . . . . . 152 Cari Halaman

Kembali
6 DASAR-DASAR PEMODELAN STOKASTIK 155

6.1 Prinsip Pemodelan . . . . . . . . . . . . . . . . . 159 Layar Penuh
6.2 Langkah-langkah Penting Dalam Pemodelan . . . . 166

6.2.1 Langkah penting dalam Pemodelan secara Tutup
Umum . . . . . . . . . . . . . . . . . . . . 166
Keluar
6.2.2 Langkah penting dalam Pemodelan Stokastik167
6.3 Metode Mengestimasi Parameter . . . . . . . . . 172
6.3.1 Metode kuadrat terkecil . . . . . . . . . . . 172
6.3.2 Metode likelihood maksimum . . . . . . . . 173 UNEJ
6.3.3 Mencari maksimum dengan metode numerik 174

6.4 Model Linier dan Perkembangannya . . . . . . . . 178 Daftar Isi
6.4.1 Model linier klasik . . . . . . . . . . . . . 179

Judul
6.4.2 Model linier tercampur . . . . . . . . . . . 181
6.4.3 Model linier tergeneralisasi . . . . . . . . . 184
JJ J I II
6.4.4 Model linier campuran tergeneralisasi . . . . 187
6.5 Pengembangan Lain Model Linier . . . . . . . . . . 189 Hal. 5 dari 234
6.6 Outline Buku . . . . . . . . . . . . . . . . . . . . . 192
6.7 Latihan Soal- soal . . . . . . . . . . . . . . . . . . 193 Cari Halaman
7 REGRESI LINIER SEDERHANA 195 Kembali
7.1 Bentuk dan Asumsi . . . . . . . . . . . . . . . . . 197

7.2 Estimasi Parameter . . . . . . . . . . . . . . . . . 198 Layar Penuh
7.2.1 Estimasi dengan Metode Kuadrat Terkecil . 198

7.2.2 Estimasi dengan Metode Likelihood Maksi- Tutup
mum . . . . . . . . . . . . . . . . . . . . . 202
Keluar
7.3 Uji Inferensial dari j . . . . . . . . . . . . . . . . 205
7.3.1 Distribusi j . . . . . . . . . . . . . . . . . 205
7.3.1.1 Distribusi j bila 2 diketahui . . 205
7.3.1.2 Distribusi j bila 2 tidak diketahui207 UNEJ
7.3.2 Estimasi selang dari j . . . . . . . . . . . . 208

7.3.3 Uji Hipotesis . . . . . . . . . . . . . . . . 209 Daftar Isi
7.3.4 Interval Prediksi Rata-rata dan Nilai Tunggal 210

7.3.5 Melaporkan nilai probabilitas p . . . . . . . 211 Judul
7.3.6 Menentukan Model dengan R . . . . . . . . 212

JJ J I II
7.3.7 Menggunakan fungsi lm() . . . . . . . . . . 212
7.3.8 Menggunakan Menu R-Commander . . . . . 216
Hal. 6 dari 234
7.5 Latihan Soal- Soal . . . . . . . . . . . . . . . . . . 218 Cari Halaman
Glosarium 219 Kembali
Layar Penuh
Tutup
Keluar
UNEJ
DAFTAR GAMBAR Daftar Isi
Judul
JJ J I II
Hal. 7 dari 234
1.1 Tampilan RGUI versi 2.2.1 Standar untuk Windows 23 Cari Halaman
1.2 Tampilan Menu R-Commander Asli . . . . . . . . 24

1.3 Tampilan Menu R-Commander Menu Bahasa In- Kembali
donesia . . . . . . . . . . . . . . . . . . . . . . . . 26
Layar Penuh
1.4 Tampilan Editor Skrip Tinn-R . . . . . . . . . . . 29
2.1 Sebaran Data dengan Mean Berbeda tetapi Dis- Tutup
persi Sama . . . . . . . . . . . . . . . . . . . . . . 55
Keluar
2.2 Sebaran Data dengan Mean Sama tetapi Dispersi
Berbeda . . . . . . . . . . . . . . . . . . . . . . . 56
2.3 Sebaran Data dengan Mean Sama tetapi Dispersi
Berbeda . . . . . . . . . . . . . . . . . . . . . . . 57 UNEJ
2.4 Perspektif dan Kontur Dua Peubah dengan r = 0

Daftar Isi
(atas) dan r = 0.8 (bawah) . . . . . . . . . . . . . 58
3.1 Menu Dialog Membaca Data . . . . . . . . . . . . 72 Judul
3.2 Contoh Histogram, Boxplot, QQPlot dan Dia- JJ J I II

gram Lingkaran . . . . . . . . . . . . . . . . . . 87
3.3 Komponen Boxplot . . . . . . . . . . . . . . . . . 88 Hal. 8 dari 234
3.4 Histogram dan Denstias Berat Ayam . . . . . . . 89

Cari Halaman
3.5 Contoh Diagram boxplot dengan mempertimbangkan
kelompok. Diagram menunjukkan bahwa distribusi Kembali
keliling batang pohon berhubungan dengan jenis
pohon . . . . . . . . . . . . . . . . . . . . . . . . 90 Layar Penuh
3.6 Contoh Diagram Pencar . . . . . . . . . . . . . . 91

3.7 Contoh Matriks Diagram Pencar dengan Bebe- Tutup
rapa Peubah Acak . . . . . . . . . . . . . . . . . 92

Keluar
3.8 Contoh Diagram Permukaan 3 Dimensi yang men-
gandung Peubah Kualitatif . . . . . . . . . . . . . 93
3.9 Contoh Representasi Tiga Dimensi Regresi de-
ngan dua Peubah Penjelas . . . . . . . . . . . . . 94 UNEJ
3.10 Contoh CoPlot . . . . . . . . . . . . . . . . . . . 95

Daftar Isi
4.1 Ilustrasi distribusi rata-rata sampel . . . . . . . . 115
4.2 Grafik Simulasi Interval Keyakinan . . . . . . . . 116 Judul
4.3 Menu Uji Rata-rata . . . . . . . . . . . . . . . . . 121

4.4 Menu Uji Beda rata-rata . . . . . . . . . . . . . . 122 JJ J I II
4.5 Menu R-Commander untuk uji proporsi . . . . . . 126

Hal. 9 dari 234
5.1 Ilustrasi konsep Anava . . . . . . . . . . . . . . . 134

5.2 Ilustrasi konsep Anava . . . . . . . . . . . . . . . 135 Cari Halaman
5.3 Menu dialog anova satu arah . . . . . . . . . . . . 143

5.4 Menu dialog anova multi arah . . . . . . . . . . . 146 Kembali
5.5 Contoh Mean Plot untuk ilustrasi uji anava . . . 149

Layar Penuh
5.6 Contoh Mean Plot untuk ilustrasi interaksi . . . . 150
5.7 Contoh Mean Plot untuk ilustrasi uji anava . . . 151 Tutup
6.1 Ilustrasi Regresi 1 . . . . . . . . . . . . . . . . . . 190

Keluar
6.2 Ilustrasi Regresi 2 . . . . . . . . . . . . . . . . . . 191
UNEJ
Daftar Isi
Judul
JJ J I II
Hal. 10 dari 234
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
UNEJ
DAFTAR TABEL Daftar Isi
Judul
JJ J I II
Hal. 11 dari 234
3.1 Penulisan Data pada R . . . . . . . . . . . . . . . 68

Cari Halaman
3.2 Perintah Untuk Data Acak . . . . . . . . . . . . . 74
3.3 Tabel Fungsi Eksplorasi Data . . . . . . . . . . . 86 Kembali
5.1 Tabel Anava Faktor Tunggal . . . . . . . . . . . . 139

Layar Penuh
5.2 Tabel Anava Faktor Ganda . . . . . . . . . . . . . 145
6.1 Tabel jumlah (kg) salak dan anggur dan harga Tutup
yang dibayar . . . . . . . . . . . . . . . . . . . . . 164

Keluar
UNEJ
Daftar Isi
Judul
JJ J I II
Hal. 12 dari 234
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
UNEJ
Daftar Isi
Bagian I
Judul
STATISTIKA INFERENSIAL DENGAN JJ J I II
R Hal. 13 dari 234
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
UNEJ
Daftar Isi
Judul
JJ J I II
Hal. 14 dari 234
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
UNEJ
BAB 1 Daftar Isi
Judul
PROGRAM STATISTIKA R
JJ J I II
Hal. 15 dari 234
Cari Halaman
Bab ini terutama diarahkan untuk mempersiapkan mahasiswa

dalam melakukan praktikum terutama yang terkait dengan pen- Kembali
guasaan piranti lunak R. Dalam kenyataannya, untuk menganal-

isis data penguasaan terhadap piranti lunak mutlak diperlukan. Layar Penuh
Piranti lunak R dipilih karena skaligus merupakan salah satu pi-

ranti lunak yang menjadip usat pengembangan di Laboratorium Tutup
Statistika FMIPA Univertsitas Jember.

Keluar
UNEJ
Daftar Isi
Judul
JJ J I II
Hal. 16 dari 234
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
Indikator Kompetensi
Setelah menyelesaikan materi pada bab ini pembaca menguasai
kemampuan yang ditandai oleh indikator seperti berikut: UNEJ
memahami R dan kenapa perlu menggunakan R;

Daftar Isi
dapat menginstal R dengan beberapa pustaka yang diper-

lukan; Judul
dapat membuka R dan mengaktifkan pustaka RComman- JJ J I II

der;
Hal. 17 dari 234
dapat memanggil fungsi yang diperlukan baik melalui skrip
maupun menu; Cari Halaman
dapat memangil dokumentasi bantuan untuk fungsi yang

Kembali
diperlukan.
Layar Penuh
Pada bab ini dibahas secara ringkas Program R, pemanfaatan

dan pengembangannya terutama untuk menghasilkan Program Tutup
Statistika dengan menu berbahasa Indonesia. Hasil modifikasi

Keluar
dari Program R ini merupakan hasil riset yang dilakukan secara
mandiri sejak tahun 2003 yang dimulai dengan men-download
mencoba dan memanfaatkan R untuk kegiatan Praktikum. Pada
mulanya pemanfaatan R hanya terbatas dengan pendekatan RCLI UNEJ
(R Command Line Interface). Proses penerjemahan menu ke

bahasa Indonesia menjadi lebih cepat sejak mencoba pustaka Daftar Isi
Rcmdr dan tcltk. Bahkan sejak R memiliki kemampuan Interna-

sionalisasi,, penerjemahan menu dapat dilakukan secara global Judul
melalui file pot.

JJ J I II
Hal. 18 dari 234
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
1.1. Sekilas Program Statistika R
Program R atau biasa disebut R adalah salah satu paket ana-

lisis data dan pemrograman, yang merupakan paket open source UNEJ
yang dapat diperoleh secara cuma-cuma pada situs http://cran.r-

project.org/. Sebenarnya R adalah paket pemrograman yang Daftar Isi
termasuk keluarga S (bahasa S). Ada dua program utama yang

Judul
ditulis dengan bahasa S, yaitu S-Plus yang dikembangkan se-
cara komersial dan R yang dikembangkan melalui konsep open
JJ J I II
source atau kode terbuka. Beda keduanya terletak pada Antar-
muka penggunanya. S-Plus telah dilengkapi dengan menu yang Hal. 19 dari 234
sangat lengkap, sering disebut sebagai advanced Grapical User
Interface (GUI), sedangkan R lebih mengandalkan Command Cari Halaman
Line Interface(CLI) dari pada menu. Belakangan banyak kon-

tributor yang menyumbang paket menu interface untuk R. Paket Kembali
program R ini sudah dilengkapi banyak kemampuan internal un-

tuk menganalisis data maupun menampilkan grafik sehingga R Layar Penuh
bisa dikatagorikan sebagai paket pengolahan data (paket sta-

tistika). Selain itu telah pula dikembangkan modul khusus un- Tutup
tuk metode analisis tertentu oleh banyak orang yang disebut

Keluar
library atau pustaka. Dewasa ini R populer dipergunakan baik
dibidang akademik maupun industri. R mempunyai kemam-
puan yang hampir sama dengan S-Plus kecuali dari segi ke-
mudahan penggunaannnya. Piranti lunak yang dikembangkan UNEJ
melalui konsep open source populer dengan sebutan OSS (]it

open source sofwares atau bisa kita sebut sebagai PLKB (Pi- Daftar Isi
ranti Lunak Kode terBuka).

Judul
JJ J I II
Hal. 20 dari 234
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
1.2. RGUI dengan R-Commander
Sebenarnya ada beberapa GUI atau interface yang dapat di-
pakai untuk mengaktifkan R melalui menu. GUI untuk pro- UNEJ
gram R biasa disebut RGUI. Salah satu RGUI dikembangkan
oleh R-Development Corre Team (RDCT). Dibandingkan de- Daftar Isi
ngan program-program komersial berbasis Windows, interface

RGUI ini memang masih sangat sederhana. Menu yang terse- Judul
dia hanya empat kelompok yaitu: File, Edit, Misc, Package dan
Help seperti ditunjukkan Gambar 1.1. RGUI standar ini dapat JJ J I II
difungsikan dengan beberapa cara yaitu:

Hal. 21 dari 234
1. memberikan perintah-perintah pendek satu-baris (Command
line) yang iikuti dengan enter; dengan cara ini perintah pen- Cari Halaman
dek ini akan langsung ditafsirkan dan dikerjakan R;

Kembali
2. menulis perintah panjang pada suatu file yang selanjutnya
dipanggil melalui pilihan source file. Layar Penuh
Bagi pengguna yang sangat bergantung pada menu, memang

akan mengalami hambatan karena tidak bisa sekaligus meng- Tutup
edit dan menjalankan skrip seperti yang bisa dilakukan pada

Keluar
S-Plus. Untuk mengatasi hal ini dapat dilakukan dengan men-
ginstall suatu interface RGUI yang lain diantaranya adalah R-
Commander. Untuk R versi 2.2. ke atas dan RCommander
versi 1.2.7 ke atas, tersedia RCommander dengan menu bahasa UNEJ
Inggris dan menu bahasa Indonesia, yang merupakan kontribusi

penulis (Lihat Gambar 1.2 dan Gambar 1.3). Untuk mengak- Daftar Isi
tifkan menu berbahasa Indonesia, pada properties dari shortcut

R di desktop ditulis Judul
JJ J I II
"C:\Program Files\R\R-2.2.1\bin\Rgui.exe" LANGUAGE=id
Hal. 22 dari 234
R-Commander adalah salah satu RGUI yang tampilannya Cari Halaman
sederhana sehingga sangat cocok bagi pemula. Untuk dapat

Kembali
menggunakan RGUI RCommander kita harus menginstal pus-
taka RCmdr dengan cara terlebih dahulu mendownload RCmdr.zip
Layar Penuh
selanjutnya menginstal pustaka tersebut dalam R. Untuk men-
gaktifkannya kita lakukan perintah Tutup
library(Rcmdr)
Keluar
UNEJ
Daftar Isi
Judul
Gambar 1.1: Tampilan Jendela Pembukaan RGUI untuk Windows. JJ J I II
Hal. 23 dari 234
Dengan perintah di atas kita memperoleh RGUI seperti Gam-

bar 1.2 atau Gambar 1.3. Dari RGUI ini kita dapat memilih Cari Halaman
mengedit data serta melakukan analisis data maupun grafik. De-

Kembali
ngan RGUI ini kita dimungkinkan mengedit data sebagaimana
layaknya menggunakan worksheet seperti excel dan lain-lainnya.
Layar Penuh
RGUI ini juga menyediakan informasi bantuan pada menu help.
Tutup
Keluar
UNEJ
Daftar Isi
Judul
JJ J I II
Hal. 24 dari 234
Gambar 1.2: Tampilan Menu R-Commander dalam bahasa Inggris. Selain

ada menu tarik, juga terdapat panel, Jendela Skrip dan Jendela Cari Halaman
Hasil
Kembali
Layar Penuh
Tutup
Keluar
1.3. RCommander dengan Menu Bahasa Indonesia
Rcommander ini pada dasarnya merupakan modifikasi menu
RCommander asli. Salah satu tampilan dapat dilihat pada Gam- UNEJ
bar 1.3. Menu RCommander ini terutama diperuntukkan bagi
pengguna pemula dari R atau bagi mereka yang tidak mem- Daftar Isi
punyai cukup dasar dalam pemrograman komputer. Untuk da-

pat mengaktifkan menu Bahasa Indonesia, maka yang harus di- Judul
lakukan adalah langkah-langkah berikut.

JJ J I II
1. Dapatkan skrip menu berbahasa Indonesia dari Lab Sta-
tistika Jurusan Matematika FMIPA UNEJ Hal. 25 dari 234
2. Salin/copy file yang diperoleh pada direktori yang dimak-

Cari Halaman
sud yaitu:
...\library\Rcmdr\etc, untuk menyimpan menu Kembali
...\library\Rcmdr\doc untuk menyimpan dokumen- Layar Penuh

tasi dan
...\library\Rcmdr\R untuk interface menu dengan Tutup
program R.
Keluar
UNEJ
Daftar Isi
Gambar 1.3: Tampilan Menu R-Commander dalam Menu Bahasa Indonesia. Judul
Tampilan RGUI RCommander terdiri atas 4 item panel, 8 JJ J I II
menu utama dan 3 jendela. Panel RComander terdiri atas

Hal. 26 dari 234
1. Panel data aktif. Panel ini menunjukkan data yang sedang
aktif dipergunakan dalam analisis. Data aktif dapat diubah Cari Halaman
dengan mengklik bagian inidan memilih data yang tersedia.

Kembali
2. Panel edit data. Panel ini berfungsi untuk mengaktifkan
editor data. Dengan editor data kita dapat mengedit data Layar Penuh
seperti layaknya menggunakan spredsheet excel.
3. Panel lihat data. Berfungsi untuk melihat spreadsheet Tutup
data tanpa bisa mengedit.

Keluar
4. Panel model aktif. Panel ini menunjukkan model yang
sedang aktif dipergunakan dalam analisis regresi (model li-
nier). Bila kita telah melakukan lebih dari sekali analisis
regresi pada data yang sama, kita dapat membandingkan UNEJ
model-model tadi.
Daftar Isi
Sebagian dari pohon menu yang penting dari RCommander
dapat dilihat pada Lampiran ??.
Judul
JJ J I II
Hal. 27 dari 234
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
1.4. Editor Skrip dengan Tinn-R
Menu RCommander sesungguhnya telah dapat mengakomodasi
kebutuhan analisis data dengan statistika dasar seperti: Uji UNEJ
beda dengan t, uji Anova, Uji Regresi (LM dan GLM), Uji Non-
parametrik). Namun, untuk mahasiswa jurusan matematika, Daftar Isi
diharapkan tetap mempelajari cara penulisan skrip R. Selain

mempelajari dan menjalankan skrip R melalui Jendela Skrip Judul
RCommander, penulisan dan pengiriman skrip dapat jug adi-

lakukan melalui Program Editor Tinn-R (lihat Gambar 1.4. Pem- JJ J I II
bahasan lebih detail tentang pemrograman R dan penggunaan

Tinn-R dapat dilihat pada Tirta bk:TirtaR1. Selain itu untuk Hal. 28 dari 234
pemrograman R dapat juga dibaca Tirta bk:TirtaSP45

Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
UNEJ
Daftar Isi
Judul
JJ J I II
Hal. 29 dari 234
Cari Halaman
Gambar 1.4: Tampilan Editor Skrip Tinn-R
Kembali
Layar Penuh
Tutup
Keluar
1.5. Data untuk Ilustrasi
R menyediakan banyak koleksi data sebagai ilustrasi. Data yang
ada pada R dapat diperiksa melalui salah satu perintah berikut. UNEJ
data() Daftar Isi

data(package = .packages(all.available = TRUE))
Judul
Sebagian dari data dapat dilihat pada Lampiran ??.
JJ J I II
Hal. 30 dari 234
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
1.6. Bacaan Lebih Lanjut
Sebagian besar referensi terkait dengan program R masih berupa
tulisan di internet dalam Bahasa Indonesia yang dapat dili- UNEJ
hat pada situs http://wwwr.r-project.org. Beberapa referensi
dalam bahasa Indonesia telah mulai dirintis diantaranya Tirta Daftar Isi
(bk:TirtaR1,art:Tirta2005, bk:TirtaRcmdr)
Judul
JJ J I II
Hal. 31 dari 234
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
1.7. Soal-soal Latihan
Diskusikan dalam kelompok terdiri atas 3-4 orang.
1. Tentang prospek pemanfaatan program open source untuk UNEJ
mengatasi maraknya kasus pembajakan program kompu-

Daftar Isi
ter, bagaimana komentar anda terhadap pendapat bahwa
Indonesia merupakan salah satu negara yang banyak mela-
Judul
kukan pembajakan program komputer dan pendapat yang
mengatakan bahwa untuk kepentingan pendidikan dan pen- JJ J I II
gajaran tidak perlu ragu-ragu melakukan pembajakan.
Hal. 32 dari 234
2. Lakukan eksplorasi R menjalankan beberapa demo yang
ada. Cari Halaman
3. Lakukan eksplorasi RCommander baik dalam menu Ba-

Kembali
hasa Inggris maupun Bahasa Indonesia dengan mengak-
tifkan salah satu data yang ada pada paket R.
Layar Penuh
4. Lakukan pelacakan dengan google untuk mencari informasi

atau dokumen yang terkait dengan analisis statistika sta- Tutup
tistical analysis dan proram R. Catat judul-judul dokumen

Keluar
(buku ataupun artikel online) dalam format daftar pus-
taka. Jika mungkin buat ringkasan singkat tentang apa
yang dibahas dalam dokumen tersebut (lihat ringkasan doku-
men ataupun daftar isinya). UNEJ
Daftar Isi
Judul
JJ J I II
Hal. 33 dari 234
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
UNEJ
Daftar Isi
Judul
JJ J I II
Hal. 34 dari 234
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
UNEJ
BAB 2 Daftar Isi
KONSEP DASAR STATISTIKA Judul
JJ J I II
Hal. 35 dari 234
Bab ini terutama diarahkan untuk memberikan pengertian umum Cari Halaman
tentang statistika dan dasar teori distribusi data.

Kembali
Layar Penuh
Tutup
Keluar
Setelah menyelesaikan materi pada bab ini pembaca menguasai
kemampuan yang ditandai oleh indikator seperti berikut: UNEJ
dapat menjelaskan lingkup statistika deskriptif dan sta-

Daftar Isi
tistika inferensial;
menjelaskan pengaruh ukuran pemusatan dan penyebaran Judul
terhadap distribusi data;

JJ J I II
dapat menentukan distribusi yang mungkin sesuai dengan
jenis data dilihat dari skalanya. Hal. 36 dari 234
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
2.1. Statistika dan Data Statistik
Untuk memahami prinsip dasar statistika ada baiknya kita mengikuti
definisi tentang statistika diantaranya seperti berikut ini. UNEJ
1. Menurut Websters New Collegiate Dictionary statistika di- Daftar Isi

definisikan sebagai cabang matematika yang berkaitan de-
ngan pengumpulan, analisis, interpretasi, dan penyajian Judul
dari sejumlah data numerik .

JJ J I II
2. Kendal dan Stuart (1977) mengatakan: Statistika ada-
lah cabang dari metode ilmiah yang berhubungan dengan Hal. 37 dari 234
pengumpulan data yang dikumpulkan dengan mencacah

atau mengukur sifat- sifat dari populasi. Cari Halaman
3. Fasher (1958), mengatakan bahwa statistika berhubungan Kembali
dengan metode untuk menarik kesimpulan dari hasil per-

Layar Penuh
cobaan atau proses.
4. Freund dan Walpole (1987) melihat statistika sebagai sains Tutup
pengambilan keputusan di dalam ketidakpastian.

Keluar
5. Mood, Graybill dan Boes (1974) mendefinisikan statistika
sebagai teknologi dari metode ilmiah dan menambahkan
bahwa statistika berhubungan dengan :(1) rancangan per-
cobaan dan penyelidikan, (2) penarikan kesimpulan statis- UNEJ
tik.
Daftar Isi
6. Mendenhall bk:Mendenhall79 mendefinisikan statistika se-
bagai suatu bidang sains yang berkaitan dengan ekstraksi Judul
informasi dari data numerik dan menggunakannya untuk
membuat keputusan tentang populasi dari mana data terse- JJ J I II
but diperoleh.
Hal. 38 dari 234
Jadi secara umum dapat dikatakan bahwa statistika adalah su-
atu teori informasi, dengan penarikan kesimpulan sebagai tu- Cari Halaman
juannya.
Tujuan statistika adalah untuk membuat kesimpulan tentang Kembali
suatu yang lebih luas (disebut populasi) berdasarkan keterangan

yang ada pada sebagian contoh (disebut sampel) yang diambil Layar Penuh
dari populasi tersebut. Teori statistika adalah suatu teori infor-

masi yang barhubungan dengan pengangkaan informasi, menen- Tutup
tukan percobaan atau prosedur untuk pengumpulan data, de-

Keluar
ngan biaya minimal, dari sejumlah informasi tertentu, dan meng-
gunakan informasi ini untuk membuat kesimpulan- kesimpulan.
Pembuatan kesimpulan terhadap populasi yang tidak diketahui
adalah prosedur yang terdiri atas dua langkah. Pertama, kita UNEJ
menentukan prosedur- prosedur penarikan kesimpulan yang co-

cok dari situasi yang dihadapi; dan kedua, kita mencari ukuran Daftar Isi
kecocokan dari kesimpulan yang dihasilkan.

Jadi informasi merupakan bagian yang sangat penting da- Judul
lam menggunakan statistik sebagai alat mengambil keputusan.

JJ J I II
Demikian juga sebaliknya statistika adalah salah satu alat yang
dapat dipergunakan untuk memanfaatkan informasi sebagai ba-
Hal. 39 dari 234
han pengambilan keputusan. Selain karena menggunakan in-
formasi sebagai landasan pengambilan keputusan, pengambilan Cari Halaman
keputusan dengan statistika juga memiliki keunggulan lain yaitu
statistika juga memberikan ukuran kecocokan atau ukuran kesa- Kembali
lahan dari kesimpulan yang dibuat (Mendenhall [15]). Informasi

yang dijadikan dasar pengambilan keputusan biasa disebut se- Layar Penuh
bagai data statistik.

Tutup
Statistika adalah ilmu yang mempelajari prosedur pengambi-

Keluar
lan keputusan dari sejumlah kecil informasi pada sampel,
untuk digeneralisasikan pada lingkungan yang lebih luas
yaitu populasi. Prosedur ini meliputi, mengorganisir, mer-
ingkas, menyajikan data dan menguji dugaan. Karena luas- UNEJ
nya cakupan statistika, maka statistika dibedakan menjadi

dua kelompok besar yaitu Statistika Deskriptif yaitu prose- Daftar Isi
dur yang meliputi mengorganisir, meringkas dan menya-

jikan data. Sedangkan prosedur lebihlanjut terkait dengan Judul
pengolahan data untuk pendugaan, peramalan atau pen-

JJ J I II
gujian dugaan disebut Statistika Inferensial.
Populasi pada umumnya diartikan sebagai keseluruhan indi- Hal. 40 dari 234
vidu atau subjek yang menjadi kepentingan dalam suatu

studi atau penelitian. Jika penelitian tentang berat dan Cari Halaman
tinggi badan mahasiswa suatu perguruan tinggi, maka pop-

Kembali
ulasinya adalah seluruh mahasiswa perguruan tinggi terse-
but.
Layar Penuh
sampel adalah sebagian individu yang dijadikan contoh atau

dasar pengambilan keputusan. Dalam populasi di atas, Tutup
sebagian mahasiswa tersebut dapat dikumpulkan sebagai

Keluar
sampel (dalam jumlah dan dengan prosedur yang memenuhi
syarat) untuk dipelajari.
Data adalah informasi dari populasi atau sampel yang menjadi
UNEJ
kepentingan studi.
Variabel/Peubah adalah bagian dari data yang merupakan Daftar Isi
karakteristik populasi dan sampel yang menjadi perhatian

Judul
atau kepentingan studi (misalnya, jenis kelamin, pendidikan,
tinggi badan dan sebagainya)
JJ J I II
Parameter adalah nilai atau ukuran yang menggambarkan deskripsi
populasi (misalnya rerata, variansi, korelasi dan sebagainya) Hal. 41 dari 234
Statistik selain bermakna data, secara khusus juga bermakna Cari Halaman
sebagai nilai atau ukuran yang menggambarkan deskripsi

sampel (misalnya rata-rata sampel, veriansi sampel, kore- Kembali
lasi sampel dan sebagainya)

Layar Penuh
Tutup
Keluar
2.2. Jenis Data
Data numerik pada umumnya dapat dibedakan menjadi dua

kelompok besar yaitu data hasil pencacahan (disebut data enu- UNEJ
merasi) dan data dari hasil pengukuran disebut data metrik.

Pengukuran (meassurement) menghasilkan data numerik yang Daftar Isi
disebut data metrik. Data ini disajikan dalam bentuk angka

atau bilangan. Secara umum data ini dapat dikelompokkan Judul
kedalam beberapa jenis sekala yaitu nominal, ordinal, interval

JJ J I II
dan rasio yang dapat dijelaskan seperti berikut ini (Lihat Guil-
ford & Fruchter [7] ).
Hal. 42 dari 234
Nominal Sering hasil pengukuran kategori disajikan dalam ben- Cari Halaman
tuk angka misalnya jenis kelamin di label 0 untuk perem-

puan dan 1 untuk laki-laki. Dalam hal ini, angka 0 dan 1 Kembali
hanyalan label atau angka dan bukan bilangan. Oleh ka-

rena itu angka-angka ini tidak dapat dimanipulasi secara Layar Penuh
aritmatik dan statistik dalam arti tidak dapat dijumlah

maupun dirata-rata. Namun, kita bisa berbicara frekuensi Tutup
atau proporsi masing-masing kategori.

Keluar
Ordinal Dalam beberapa hal hasil pengukuran kontinu dikelom-
pokkan menjadi beberapa kategori yang termasuk kategori
kuantitatif. Misalnya dalam hasil belajar pembaca bukan
perolehan angkanya yang diperhatikan tetapi rankingnya. UNEJ
Demikian juga sesungguhnya perubahan skor ujian pem-

baca dari skala seratus ke skala lima (0-4) sesungguhnya Daftar Isi
menghasilkan skala ordinal yang bisa dilabel E-A. Sesung-

guhnya angka-angka ini juga belum bisa dimanipulasi se- Judul
cara aritmatik (dalam arti dijumlah, dirata-rata dan sjenis-

JJ J I II
nya). Skala ordinal belum memiliki unit pengukuran yang
sama, yaitu jarak antara 0 ke 1 belum, tentu sama dengan
Hal. 43 dari 234
jarak 1 ke 2 dan seterusnya.
Cari Halaman
Interval Contoh pengukuran dengan skala interval adalah skor

hasil ujian pembaca . Pada skala interval, angka-angka Kembali
sudah memiliki makna bilangan dan dapat dimanipulasi

secara aritmatik (dijumlah dikurangkan dan sebagainya). Layar Penuh
Skala ini sudah memiliki unit pengukuran yang sama (mi-

salnya skor 65,70, dan sebagainya). Skala ini juga sudah Tutup
memiliki angka 0, namun belum mutlak. Artinya, pem-

Keluar
baca yang mendapat skor 0 tidak berarti tidak memiliki
pengetahuan sama sekali. Demikian juga suhu 0 derajat
tidak berarti suatu benda tidak memiliki panas atau suhu
sama sekali. UNEJ
Rasio Rasio merupakan skala yang paling sempurna. Skala ini Daftar Isi
telah memiliki 0 mutlak, dapat dibandingkan secara rasio.
Contoh misalnya berat suatu benda. bilangan 0 menun- Judul
jukkan tidak ada berat. Suatu objek yang berat 10 satuan

dapat dikatakan beratnya dua kali berat objek yang berat- JJ J I II
nya 5 satuan. Rasio berat objek yang beratnya 75 unit dan
50 unit adalah 3:2 dan seterusnya. Hal. 44 dari 234
Pencacahan umumnya dilakukan pada populasi yang bersi- Cari Halaman
fat kategorik, baik yang bersifat kualitatif maupun kuantitatif.

Kategori kualitatif misalnya kelompok masyarakat kaya-miskin, Kembali
daerah maju-tertinggal. Katergori kuantitatif biasanya aslinya

merupakan sebaran kontinu yang dikelompokkan menjadi bebe- Layar Penuh
rapa kategori misalnya hasil ujian dikelompokkan mejadi lulus-

tidak lulus. Selain itu ada kalanya data memuat informasi yang Tutup
yang merupakan karakteristik kelompok yang bersifat alamiah,

Keluar
yang tidak menunjukkan perbedaan tingkat kualitas satu de-
ngan lainnya misalnya: jenis kelamin (Laki-Perempuan), jenis
pekerjaan, kebangsaan dan sebagainya. Untuk data kategorik,
hasil pencacahan dapat disajikan dalam bentuk frekuensi atau UNEJ
proporsi.
Dalam kenyataannya suatu data sampel dapat terdiri atas Daftar Isi
beberapa peubah yang masing-masing memiliki skala berbeda,

misalnya data mahasiswa dapat terdiri atas: (i) jenis kelamin Judul
dan agama yang bersitaf nominal, (ii) nilai matakuliah yang

JJ J I II
bersifat ordinal, (A-E) atau interval (0-100) (iii) umur, tinggi
dan berat badan yang bersifat rasio dan sebagainya.
Hal. 45 dari 234
Data dapat berisi berbagai informasi yang dapat dikelom-
pokkan sebagai karakteristik populasi yang menjadi perhatian Cari Halaman
atau kepentingan studi (misalnya, jenis kelamin, pendidikan,
tinggi badan dan sebagainya) Kembali
Layar Penuh
Tutup
Keluar
2.3. Distribusi Data
Sebagaimana disampaikan sebelumnya bahwa statistika terkait

dengan prosedur pengambilan keputusan berdasarkan data yang UNEJ
ada. Prosedur dalam statistika diturunkan menggunakan teori

peluang dan distribusi serta kaidah-kaidah deduktif yang ber- Daftar Isi
laku dalam matematika. Penurunan prosedur dalam statistika

menggunakan pendekatan deduktif. Sedangkan aplikasi prose- Judul
dur dalam pengolahan data untuk mengambil keputusan dapat

JJ J I II
dianggap sebaga pendekatan induktif (dari kuhusus/sampel ke
umum/populasi). Oleh karena itu memiliki gambaran menge-
Hal. 46 dari 234
nai distribusi data sangat penting sebelum seseotang melangkah
lebih jauh dalam menggunakan statistik untuk pengambilan kepu- Cari Halaman
tusan. Pembahasan yang lebih rinci dan matematis merupakan
bagian dari Statistika Matematika sedangkan dalam Metode Sta- Kembali
tistika lebih dilihat dari sisi kebutuhan praktis dalam melihat

kondisi data. Layar Penuh
Distribusi data pada dasarnya merupakan fungsi dengan do-

main[domain??] data dan kodomain[kodomain??] nilai pelu- Tutup
ang dari [0,1]. Selain itu daerah yang dibentuk oleh kurva
Keluar
fungsi distribusi ini dengan sumbu X dan batas atas dan bawah-
nya meliputi daerah dengan luas 1, yaitu memiliki probabilitas
100%. Jenis distribusi data dapat dikelompokkan dalam bebe-
rapa jenis dan dalam diktat ini hanya dibahas jenis distribusi UNEJ
yang banyak dipakai atau dijumpai di lapangan.

Daftar Isi
1. Distribusi Kontinu. Distribusi ini adalah untuk data
yang bersifat kontinu, yang biasaya merupakan hasil pen- Judul
gukuran (tinggi badan, berat badan, tonnase produksi sawah
perhektar dan sebagainya). Dilihat dari sekala pengukuran, JJ J I II
distribusi kontinu cocok diasumsikan untuk data dengan
skala interval atau rasio. Ada beberapa distribusi kontinu Hal. 47 dari 234
yang penting diantaranya adalah:

Cari Halaman
(a) Distribusi Normal. Selain bersifat kontinu, distribusi
ini memiliki ciri-ciri penting diantaranya: (i) rentang Kembali
data terbuka secara infinit ke kiri dan ke kanan Rx =
(, ), (ii) bersifat simetris dan unimodal (memiliki Layar Penuh
maksimum tunggal)
(b) Distribusi t. Sifat distribusi t secara umum hampir sama Tutup
dengan distribusi normal. Perbedaan terletak pada

Keluar
tinggi dan lebarnya kurva. Dalam kondisi tertentu dis-
tribusi t dapat berimpit dengan distribusi Normal.
(c) Distribusi Eksponensial. Distribui ini meliputi bebe-
rapa jenis termasuk eksponensial, Chi-kuadrat, dan Gamma. UNEJ
Distribusi-distribusi ini mempunyai sifat rentang data

Daftar Isi
nonnegatif 0 x dan umumnya bersifat tidak simetris.
(d) Distribusi F. Distribusi ini juga memiliki sifat hampir Judul
sama dengan distribusi t dalam hal rentang dan bentuk

kurva. JJ J I II
2. Distribusi Diskrit. Distribusi ini adalah untuk data diskrit Hal. 48 dari 234
yang biasanya merupakan hasil pencacahan. Ada bebe-
rapa distribusi penting yang banyak dipakai untuk jenis Cari Halaman
distribusi diskrit ini, diantaranya adalah:

Kembali
(a) Distribusi Binomial dan Multinomial. Distribusi ini se-
suai untuk data yang bersifat nominal dengan rentang Layar Penuh
terbatas, misalnya laki-perempuan, kaya-menengah-miskin,

dan sejenisnya. Tutup
(b) Distribusi Poisson. Distribusi ini adalah untuk data

Keluar
yang bersifat diskrit dengan rentang yang tak terbatas,
misalnya jumlah pelanggan yang antri, jumlahbutir darah
merah dalam suatu volume darah, jumlah pengidap su-
atu penyakit di daerah tertentu. UNEJ
Daftar Isi
Judul
JJ J I II
Hal. 49 dari 234
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
2.4. Ukuran Pemusatan dan Penyebaran
Secara umum karakteristik distribusi ditentukan oleh dua hal

penting yaitu ukuran pemusatan tendensi sentral dan ukuran UNEJ
penyebaran dispersi. Ukuran pemusatan ditentukan oleh bebe-

rapa ukuran diantaranya adalah: Mean atau rerata atau rata- Daftar Isi
rata, Median, Kuantil dan Modus. Sedangkan dispersi diten-

tukan oleh beberapa ukuran diantaranya adalah: Range (rentang), Judul
deviasi baku, variansi.

JJ J I II
2.4.1. Ukuran Pemusatan Hal. 50 dari 234
Ada beberapa ukuran emusatan yang biasa dipakai diantaranya Cari Halaman
adalah seperti berikut ini.

Kembali
Mean atau Rerata. Mean atau Rerata biasanya dinotasian

dengan X atau Y adalah istilah yang dipergunakan un- Layar Penuh
tuk parameter populasi, sedangkan untuk statistik sampel

biasa disebut rata-rata sampel dan dinotasikan dengan X Tutup
atau Y . Dalam praktisnya, rata-rata sampel dihitung de-

Keluar
ngan menggunakan rumus
1 X
X = xi
N
UNEJ
Median. Median adalah nilai yang membagi frekuansi data men-

Daftar Isi
jadi dua bagian yaitu 50% bagian bawah dan 50% bagian
atas. Untuk distribusi yang bersifat simetris (Normal dan Judul
t), nilai mean dan median berimpit. Secara manual cara
menghitung median adalah sebagai berikut: JJ J I II
1. urut data dari rendah ke tinggi Hal. 51 dari 234
2. Jika banyaknya data ganjil, tentukan nilai data yang

Cari Halaman
menempati urutan di tengah-tengah. Misalnya jika
N = 11 setelah diurut, median adalah nilai yang men-
Kembali
empati urutan ke 6.
3. jika banyaknya data genap, median dihitung dari rata- Layar Penuh
rata dua nilai yang dekat di tengah. Misalnya untuk

N 10, setelah nilai diurut, median adalah rata-rata Tutup
nilai ke 5 dan ke 6.
Keluar
Kuantil. Kuantil adalah nilai yang membagi frekuansi data
menjadi empat bagian yaitu
Kuantil 1 adalah nnilai yang membatasi 25% bagian bawah UNEJ
dan 75% bagian atas.

Daftar Isi
Kuantil 2 = Median adalah nilai yang membatasi 50%
bagian bawah dan 50% bagian atas. Judul
Kuantil 2 = Median adalah nilai yang membatasi 75%

JJ J I II
bagian bawah dan 25% bagian atas.
Hal. 52 dari 234
Prinsip menghitung kuantil secara manual sama dengan
cara menghitung median. Cari Halaman
Modus. Modus adalah nilai atau pengamatan yang memiliki Kembali
frekuensi tertinggi. Distribusi yang memiliki modus tung-

gal disebut unimodal sedangkan distribusi yang memiliki Layar Penuh
lebih dari satu modus disebut multimodal. Untuk distribusi

yang bersifat simetris dan unimodal (Normal dan t), nilai Tutup
mean, median, dan modus berimpit.

Keluar
2.4.2. Ukuran Penyebaran
Ada beberapa karakteristik yang biasa dijadikan ukuran penye-
baran diantaranya adalah sepertri berikut ini.
UNEJ
Range. Range adalah selisih antara nilai tertinggidengan nilai

terendah Daftar Isi
RX = max(X) min(X)
Judul
Variansi dan Deviasi Baku. Deviasi baku menunjukkan lebar
sebaran suatu data, variansi merupakan kuadrat dari de- JJ J I II
viasi baku. Notasi untuk variansi populasi adalah 2 se-
dangkan untuk variansi sampel dinotasikan dengan S 2 . Jadi Hal. 53 dari 234
harus dicatat bahwa deviasi baku dan variansi adalah uku-

ran yang bersifat nonnegatif Cari Halaman
N 2
2
X x i X Kembali
SX =
i=1
N 1
Layar Penuh
Korelasi. Untuk data lebih dari satu peubah, adakalanya an-

tara peubah satu dengan yang lain memiliki derajat asosiasi Tutup
yaitu kecenderungan yang terjadi pada peubah lain apabila

Keluar
peubah yang satu menaik atau menurun. Derajat asosiasi
populasi dinotasikan dengan dan derajat asosiasi sampel
dinotasikan dengan r. Dapat dibuktikan (dalam statistika
matematika) bahwa 1 r 1. UNEJ
hP i hPN i
N
i=1 xi X i=1 yi Y Daftar Isi
rXY = s
2 2

(xi X ) (xi X ) Judul
N 1 N 1
JJ J I II
Berikut adalah ilustrasi sebaran data dilihat dari pemusa-
tan dan sebarannya. Gambar 2.1 menggambarkan sebaran nor- Hal. 54 dari 234
mal yang memiliki rataan berbeda tetapi dispersi sama. Se-
cara grafis, kurva menunjukkan lebar yang sama tetapi pusat- Cari Halaman
nya berbeda. Gambar 2.2 menunjukkan sebaran normal yang

memiliki pemusatan (rataan) sama sama tetapi dispersi ber- Kembali
beda. Gambar menunjukkan bahwa rentang (range) bergan-

tung pada dispersi. Gambar 2.3 menggambarkan sebaran tiga Layar Penuh
macam distribusi kontinu yaitu distribusi Normal, t dan Eks-

ponensial. Distribusi Normal dan Eksponensial selain berbeda Tutup
dalam rentang domain, juga dalam kesimetrisan. Gambar 2.4

Keluar
menggambarkan pengaruh korelasi terhadap sebaran dua peu-
bah dilihat dari bentuk perspektif dan konturnya.
Distribusi Normal
UNEJ
0.4
Daftar Isi
0.3
Judul
peluang
JJ J I II
0.2
Hal. 55 dari 234

0.1
Cari Halaman
0.0
Kembali
6 4 2 0 2 4 6
X
Layar Penuh
Gambar 2.1: Sebaran Data dengan Mean Berbeda tetapi Dispersi Sama
Tutup
Keluar
Distribusi Normal
UNEJ
0.4
Daftar Isi
0.3
Judul
peluang
0.2
JJ J I II
Hal. 56 dari 234

0.1
Cari Halaman
0.0
5 0 5 Kembali
Layar Penuh
Gambar 2.2: Sebaran Data dengan Mean Sama tetapi Dispersi Berbeda
Tutup
Keluar
Distribusi Kontinu
UNEJ
0.4
DistNormal Daftar Isi
0.3
Judul
DistEksp
peluang
0.2
Distt
JJ J I II
Hal. 57 dari 234

0.1
Cari Halaman
0.0
5 0 5 10
Kembali
X
Layar Penuh
Gambar 2.3: Sebaran Data dengan Mean Sama tetapi Dispersi Berbeda
Tutup
Keluar
3
UNEJ
2
1
mz
Daftar Isi
0
1
vy
2
Judul
3
vx
3 2 1 0 1 2 3
JJ J I II
3
Hal. 58 dari 234
2
1
Cari Halaman
0
mz
1
vy
Kembali
3
vx
3 2 1 0 1 2 3
Layar Penuh
Gambar 2.4: Perspektif dan Kontur Dua Peubah dengan r = 0 (atas) dan
r = 0.8 (bawah) Tutup
Keluar
Ada cukup banyak referensi yang dapat dibaca untuk lebih mema-
hami materi pada bab ini. Beberapa referensi dalam Bahasa UNEJ
Indonesia diantaranya Hadi bk:Hadi82, Sudjana bk:Sudjana96.
Dalam Bahasa Inggris beberapa referensi yang direokemdasikan Daftar Isi
untuk dibaca diantaranya Mendenhall (bk:Mendenhall79, bk:Mendenhall93),

Gravetter & Wallnau bk:GravetterWalnau04. Judul
JJ J I II
Hal. 59 dari 234
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
Diskusikan soal-soal berikut secara berkelompok (3-4 orang).
UNEJ
1. diketahui 11 data berikut. Tentukan, minimum, maksi-
mum, rentang, rata-rata, median, kuantil ke-1 dan kuantil
Daftar Isi
ke-3
Judul
56.11208 51.79550 48.14551 50.78253 46.47393 59.46114
47.52536 51.04185 49.66142 51.25023 45.84077 JJ J I II
2. Seseorang ingin memiliki data tentang mahasiswa suatu Hal. 60 dari 234
perguruan tinggi yang meliputi (i) penghasilan orang tua,

(ii) asal provinsi, (iii) jumlah saudara kandung dalam kelu- Cari Halaman
arga, (iv) nilai UAN. Tentukan jenis distribusi yang mung-

Kembali
kin diberlakukan untuk masing-masing peubah tadi.
3. Tentukan persamaan dan perbedaan ciri-ciri dari distribusi Layar Penuh
Normal, dan distribusi Eksponensial, serta beri masing-

masing dua contoh data yang dapat diasumsikan memiliki Tutup
distribusi ini..
Keluar
4. Tentukan persamaan dan perbedaan ciri-ciri dari distribusi
Binomial, dan distribusi Poisson, serta beri masing-masing
dua contoh data yang dapat diasumsikan memiliki distribusi
ini. UNEJ
Daftar Isi
Judul
JJ J I II
Hal. 61 dari 234
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
UNEJ
Daftar Isi
Judul
JJ J I II
Hal. 62 dari 234
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
UNEJ
BAB 3 Daftar Isi
Judul
EXPLORASI DATA
JJ J I II
Hal. 63 dari 234
Cari Halaman
Dalam bab ini dibahas teknik mengeksplorasi data mnggunakan

R baik melalui grafik maupun secara deskriptif. Bagi pembaca Kembali
jurusan matematika atau statistika, dapat mencoba simulasi

untuk lebih memahami konsep-konsep statistika yang dipakai. Layar Penuh
Bagi yang hanya ingin menggunakan sebagai panduan men-

ganalisis data, dapat memusatkan perhatian pada uraian menu Tutup
R-Commander, hanya saja dalam banyak hal, R-Commander

Keluar
tidak diilustrasikan dengan tampilan menu aslinya, tetapi diilus-
trasikan dengan => yang menyatakan pemilihan menu, submenu
atau item dari menu (Diagram pohon menu RCommander yang
lebih lengkap dapat dilihat pada Lampiran ??). UNEJ
Menu A => submenu 1 => subsubmenu a => item menu i Daftar Isi
=> submenu 2 => subsubmenu b => item menu ii

Judul
JJ J I II
Hal. 64 dari 234
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
Pembaca , dengan menggunakan pendekaran GUI atau CLI, da-
pat: UNEJ
1. menyusun data dalam worksheet R

Daftar Isi
2. mengimpor data dari format program lain

Judul
3. membangkitkan data melalui simulai
JJ J I II
4. melalkukan eksplorasi data secara grafis sesuai kebutuhan
(melalui boxplot, diagram pencar, diagram rata-rata dan
Hal. 65 dari 234
sebagainya)
5. dapat meningkatkan kualitas (enhanced) grafik melalui CLI Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
3.1. Menyiapkan Data pada R
Sebelum melakukan analisis statistika, data yang akan dianal-

isis harus sudah siap terlebih dahulu. Dilihat dari sumbernya UNEJ
data dibedakan atas dua jenis yaitu data riil dan data simu-
lasi. Data riil diperoleh dari hasil penelitian dengan mengikuti Daftar Isi
prosedur yang telah ditetapkan. Data simulasi diperoleh de-

ngan membangkitkannya dengan menggunakan komputer. Data Judul
bangkitan atau data simulasi sangat baik dipergunakan untuk

JJ J I II
mempelajari atau memahami prosedur statistika, karena be-
sarnya parameter dan jenis distribusinya dapat dikendalikan.
Hal. 66 dari 234
Data yang akan dianalisis dapat terlebih dahulu disimpan/ dit-
ulis dengan program lain dalam berbagai format (misalnya file Cari Halaman
tex, file SPSS, Minitab), atau langsung dituliskan dalam work-
sheet/datasheet dari R. Disamping itu R juga dilengkapi dengan Kembali
database yang dapat dipanggil untuk dianalisis.

Jenis data dapat dikelompokkan menjadi beberapa jenis di- Layar Penuh
antaranya adalah data kualitatif yang berupa angka-angka dan

data kuatitatif yang biasanya hanya berupa kategori atau kelom- Tutup
pok. Data kuantitatif biasanya diperoleh dari hasil mengukur

Keluar
(misalnya jumlah penghasilan masyarakat perbulan), sedangkan
data kualitatif biasanya diperoleh dari hasil mencacah (misalnya
jumlah masyarakat yang termasuk kategori miskin di desa atau
di perkotaan). UNEJ
3.1.1. Mengedit langsung data Daftar Isi
Untuk memasukkan data langsung melalui datasheet dilakukan Judul
perintah berikut:
JJ J I II
NamaDataSheet<-edit(as.data.frame(NULL))
Hal. 67 dari 234
selanjutnya worksheet dapat diisi sesuai banyaknya data dan

banyaknya peubah. Dengan menu R-Commander, editing, mau- Cari Halaman
pun penulisan data dapat dilakukan dengan memilih menu ber-

Kembali
ikut.
Layar Penuh
Data => data set baru ...
atau denmgan memilih icon pada panel Edit Data Set. Susunan Tutup
data pada R di atur seperti pada Tabel 3.1.

Keluar
Tabel 3.1: Penulisan Data pada R
No Subjek Faktor Peubah1 Peubah2
1 K1 x11 y11
2 K1 x12 y12
UNEJ
... ... ... ...
n1 K1 x1n1 y1n1
... ... .... ... Daftar Isi
N Kk xknk yknk
Judul
3.1.2. Memanggil Data dari Database R JJ J I II
Data riil yang telah ada pada R dapat dipanggil dengan perintah Hal. 68 dari 234
data()
Cari Halaman
Dengan perintah di atas, R akan memberi informasi selu-

ruh data yang telah ada pada database R beserta pustaka yang Kembali
memuat data tersebut. Sebagai contoh, berikut adalah bebe-

Layar Penuh
rapa data yang ada pada pustaka stats.
Tutup
Keluar
Data Deskripsi
...
AirPassengers Monthly Airline Passenger Numbers 1949-1960
BJsales Sales Data with Leading Indicator UNEJ
BOD Biochemical Oxygen Demand
CO2 Carbon Dioxide uptake in grass plants
ChickWeight Weight versus age of chicks on different diets Daftar Isi
DNase Elisa assay of DNase

EuStockMarkets Daily Closing Prices of Major European Stock Judul
Indices, 1991-1998
Harman23.cor Harman Example 2.3
Harman74.cor Harman Example 7.4 JJ J I II
Indometh Pharmacokinetics of Indomethicin
JohnsonJohnson Quarterly Earnings per Johnson & Johnson Hal. 69 dari 234
Share
LakeHuron Level of Lake Huron 1875-1972
Cari Halaman
Loblolly Growth of Loblolly pine trees
Kembali
Layar Penuh
Tutup
Keluar
Nile Flow of the River Nile
Orange Growth of orange trees
...
Selanjutnya jika kita ingin memanggil salah satu data yang UNEJ
ada, maka yang perlu dilakukan adalah mengkatifkan pustaka

dan datanya,, secara berturutan. Daftar Isi
Judul
library(NamaLibrary)
data(Namadata) JJ J I II
attach(Namadata)
Hal. 70 dari 234
Dengan menggunakan R-Commander pemilihan data dapat
dilakukan dengan Cari Halaman
Data => Data Pada Paket => Baca data set dari paket aktif ... Kembali
Selanjutnya tinggal pilih nama paket dan datanya. Layar Penuh
Misalkan kita akan mengaktifkan data ChickWeight yang ada

pada paket stats, maka Dengan menu R-Commader kita dapat Tutup
melakukan dengan memilih menu sebagai berikut

Keluar
Data => Data pada Paket => Baca data pada peket aktif
=> paket stats
=> data ChickWeight UNEJ
Sedangkan dengan CLI dapat dilakukan Daftar Isi
library(stats) Judul
data(ChickWeight)
JJ J I II
atau dengan lebih singkat
Hal. 71 dari 234
data(ChickWeight, package="stats")
attach(ChickWeight)
Cari Halaman
Untuk selanjutnya data ChickWeight dapat dieksplorasi ma-

Kembali
upun dianalisis.
Layar Penuh
3.1.3. Mengimpor data dari file
kita telah memiliki data yang disimpan dengan program lain se- Tutup
perti Minitab, Excell dan lain-lain. Untuk dapat menggunakan

Keluar
UNEJ
Daftar Isi
Gambar 3.1: Menu Dialog Membaca Data

Judul
data tersebut maka kita perlu melakukan langkah-langkah ber- JJ J I II

ikut.
Hal. 72 dari 234
1. Buka data dengan program aslinya (Minitab, Excell) lalu
simpan/eksport data dalam bentuk plain/ascii tex biasanya
Cari Halaman
dengan ekstensi txt. Selanjutnya dibuka dengan perintah
read.table Kembali
read.table(Namafile, header = FALSE, sep = "", Layar Penuh
quote = "\"'", dec= ".",...)

Tutup
header = True jika baris pertama file merupakan judul

Keluar
kolom. Untuk tanda desimal, bisa dipergunakan titik atau
koma sesuai kondisi data yang dimiliki.
2. Bagi yang menggunakan R-Commander dapat melakukan-
UNEJ
nya dengan menggunakan menu Data dengan memilih sub-
menu . Pilihan jenis data tersedia diantaranya dari Minitab Daftar Isi
SPSS dan dalam bentuk teks.
Judul
3. Dengan menggunakan R-Commander pemilihan data dapat
dilakukan dengan
JJ J I II
=> Impor Data => Dari file tex/SPSS/Minitab Hal. 73 dari 234
selanjutnya ikuti pemilihan direktori dan file yang diinginkan. Cari Halaman
Kembali
3.1.4. Membangkitkan Data Simulasi
Dalam hal memahami konsep-konsep statistika, terutama yang Layar Penuh
terkait dengan distribusi peluang, penggunaan data simulasi

memiliki banyak keunggulan dibanding data riil. Dengan si- Tutup
mulasi kita dapat membangkitkan data dengan distribusi dan

Keluar
parameter (mean, varians, korelasi) sesuai dengan yang dibu-
tuhkan yang nantinya dapat dicocokkan kembali dengan hasil
analisis yang diperoleh. Perintah untuk membangkitkan data
dari berbagai distribusi dapat dilihat pada Tabel 3.2 sedang daf- UNEJ
tar yang lebih lengkap dapat dilihat pada Tirta bk:TirtaR1.

Daftar Isi
Tabel 3.2: Perintah Untuk Data Acak

Judul
No Distribusi Perintah R
1 Normal rnorm(n.sampel,mean,sd)
2 Eksponensial rexp(n.sampel, 1/mean) JJ J I II
2 Poisson rpois(n.sampel,mean)
3 Binomial rbinom(n.sampel,n.binom,prob) Hal. 74 dari 234
Simulasi data tidak bisa dilakukan melalui menu R-Commader, Cari Halaman
tetapi data yang sudah masuk data.frame dapat dianalisis melalui

menu R-Commander. Kembali
Contoh 3.1. Layar Penuh
Berikut adalah skrip untuk membuat data simulasi yang da- Tutup
pat dipergunakan sebagai ilustrasi berikutnya. Salin skrip ber-

Keluar
ikut untuk membangkitkan data yang dapat dipergunakan se-
bagai ilustrasi berikutnya.
Faktor1<-rep(rep(c("A","B","C","D"),each=20),4)
Faktor2<-rep(rep(c("L","P"),each=10),4) UNEJ
Y1<-as.numeric(rnorm(80,c(85,80,80,75,90,70,60,55),5))
Y2<-as.numeric(rnorm(80,c(80,85,80,85,85,80,60,75),3)) Daftar Isi
Y3<-Y1-rnorm(80,10,2)
Y4<-(Y1+Y2)/2-rnorm(80,5,3)
Judul
Data.sim<-data.frame(Faktor1,Faktor2,Y1,Y2,Y3)
attach(Data.sim) JJ J I II
Hal. 75 dari 234
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
3.2. Explorasi Data
Eksplorasi data mendasar dapat dilakukan melalui R-Commander
pada menu statistik (untuk eksplorasi statistik) atau menu gra- UNEJ
fik (untuk eksplorasi grafis). Untuk dapat menggunakan menu
R-Commander, terlebih dahulu data harus diaktifkan dengan Daftar Isi
memilih kotak data aktif atau melalui menu data. Untuk eks-
plorasi ikuti petunjuk berikut Judul
JJ J I II
Statsistik => Ringkasan => Dataset Aktif
=> Ringkasan numerik Hal. 76 dari 234
Grafik => Boxplot
=> Diagram Rata-rata Cari Halaman
Selain itu R juga menyediakan beberapa fungsi yang dapat di- Kembali
panggil melalui CLI untuk mengeksplorasi data mulai dari infor-

masi ringkasan (min, maks, kuantil) sampai eksplorasi melalui Layar Penuh
grafis. Beberapa perintah R yang bermanfaat untuk eksplorasi

data diantaranya diberikan pada Tabel 3.3. Dalam tabel terse- Tutup
but pustaka atau paket RPackage artinya tersedia pada paket

Keluar
standar R tanpa perlu memanggil pustaka khusus. Uraian lebih
lengkap dari eksplorasi data ini diberikan pada sub berikutnya.
3.2.1. Deskripsi Data UNEJ
Untuk data yang bersifat kuantitatif, ada beberapa hal yang Daftar Isi
dapat diukur yang menjadi karakteristik dari kelompok data

bersangkutan. Ukuran data dibedakan menjadi dua macam Judul
yaitu ukuran pemusatan (rata-rata, median dan kuantil) dan

JJ J I II
ukuran penyebaran (rentang dan deviasi baku). Untuk data
kuantitatif R-Commander dapat membuat deskripsi data yang
Hal. 77 dari 234
meliputi min, max, mean dan median data dapat dieksplorasi
dengan perintah summary(data). Cetakan lengkap data dapat Cari Halaman
diperoleh melalui perintah print(data). Data berikut diambil
dari pustaka stats, data ChickWeight yang dapat dilakukan baik Kembali
melalui menu maupun CLI.

Layar Penuh
summary(ChickWeight)
Tutup
weight Time Chick Diet
Min. : 35.0 Min. : 0.00 13 : 12 1:220
Keluar
1st Qu.: 63.0 1st Qu.: 4.00 9 : 12 2:120
Median :103.0 Median :10.00 20 : 12 3:120
Mean :121.8 Mean :10.72 10 : 12 4:118
3rd Qu.:163.8 3rd Qu.:16.00 17 : 12
UNEJ
Max. :373.0 Max. :21.00 19 : 12
(Other):506 Daftar Isi
Sedangkan cetakan lengkap datanya adalah

Judul
>print(ChickWeight)
JJ J I II
weight Time Chick Diet Hal. 78 dari 234
1 42 0 1 1 Cari Halaman
2 51 2 1 1
3 59 4 1 1 Kembali
4 64 6 1 1
5 76 8 1 1 Layar Penuh
6 93 10 1 1
Tutup
....
Keluar
576 234 18 50 4
577 264 20 50 4
578 264 21 50 4
UNEJ
Untuk data simulasi di atas (Data.sim) diperoleh ringkasan

Daftar Isi
yang bisa dipanggil langsung melalui CLI ataupun melalui menu
R-Commander
Judul
> summary(Data.sim)
Faktor1 Faktor2 Y1 Y2 Y3 JJ J I II
A:80 L:160 Min. :43.72 Min. :56.23 Min. :32.05
B:80 P:160 1st Qu.:63.93 1st Qu.:76.58 1st Qu.:52.64 Hal. 79 dari 234
C:80 Median :75.78 Median :81.09 Median :66.35
D:80 Mean :73.80 Mean :78.81 Mean :63.55
3rd Qu.:83.11 3rd Qu.:84.69 3rd Qu.:73.58 Cari Halaman
Max. :96.75 Max. :90.26 Max. :86.65

Kembali
Untuk data kualitatif deskripsi data dapat dilakukan dengan

membuat tabel Kontingensi. Ukuran yang dapat dilakukan un- Layar Penuh
tuk data kualitatif diantaranya adalah proporsi satu kelompok

dibanding keseluruhan, misalnya proporsi masyarakat yang dikat- Tutup
egorikan miskin di daerah perkotaan.

Keluar
3.2.2. Visualisasi Data Univariat
Paket Statistika R dilengkapi dengan kemampuan membuat dan
menyajikan grafik yang sangat baik. Bahkan, kemampuan gra-
UNEJ
fik S (yaitu Splus dan R) diakui melebihi paket statistika lain-
nya Sebagian besar kemampuan grafik R (baik untuk univariat
Daftar Isi
maupun multivariat) sudah dapat dimanfaatkan melalui menu
RCommander . Beberapa jenis grafik untuk eksplorasi dan vi- Judul
sualisasi data univariate diataranya seperti berikut ini.
JJ J I II
Histogram dan kurva distribusi untuk menggambarkan se-
baran data dan frekuensi atau peluangnya. Dengan his-
Hal. 80 dari 234
togram dan kurva distribusi seseorang dapat melihat apakah
data yang dimiliki sebarannya cukup simetris, Unimodal Cari Halaman
atau Multimodal
Kembali
Boxplot untuk menggambarkan posisi data dilihat dari quantil-
nya (Q1, median, Q3). Dengan boxplot dapat juga dilihat
Layar Penuh
apakah ada data yang tergolong sebagai pencilan;
QQ-plot atau kuantil-kuantil plot, yaitu grafik yang mengm- Tutup
barkan hubungan antara quantil data dengan quantil dis-

Keluar
tribusi teoritisnya. Hubungan yang mengikuti garis lurus
menunjukkan kesesuaian antara quantil data dengan quan-
til distribusi teoritisnya. Dengan kata lain data berdis-
tribusi sama dengan distribusi teoritis yang diperiksa. Un- UNEJ
tuk distribusi normal grafiknya isebut QQ-norm.

Daftar Isi
Diagram rata-rata untuk menggambarkan rata-rata dengan
interval keyakinannya. Judul
Diagram lingkaran untuk menggambarkan prosentase sebaran

JJ J I II
data dilihat dari salah satu pengelompokan yang ada pada
data.
Hal. 81 dari 234
ACF untuk mmeriksa ada tidaknya autokorelasi pada data.

Cari Halaman
Jenis eksplorasi grafis yang dipilih dapat disesuaikan dengan

keperluan, misalnya jika analisis yang akan dilakukan adalah uji Kembali
rata-rata, maka eksplorasi grafis yang dapat dilakukan adalah:

Boxplot dan diagram rata-rata. Jika kita ingin mendapatkan Layar Penuh
gambaran tentang jenis distribusi data, kita dapat memeriksa

distribusi data tersebut apakah sangat menyimpang atau mengikuti Tutup
distribusi normal dengan menggunakan grafik/plot data seperti

Keluar
histogram, qqnorm, dan diagram densitas. Data normal akan
memiliki densitas yang relatif simetrik dan diagram qq yang
relatif mengikuti garis lurus. Untuk data yang tidak berdis-
tribuai normal diantaranya ditunjukkan oleh ketidaksimetrisan UNEJ
yang mencolok serta diagram qq yang tidak mengikuti garis lu-

rus. Daftar Isi
Contoh 3.2. Untuk contoh riil, misalkan dari data Chicken Judul
Weight kita ingin memeriksa distribusi beratnya ayam. Grafik
histogram, qqnorm dan densitas dari data tersebut dapat dili- JJ J I II
hat pada Gambar 3.4. Gambar menunjukkan bahwa data berat
tidak cukup simetris untuk memenuhi asumsi distribusi normal. Hal. 82 dari 234
Cari Halaman
par(mfrow=c(2,2))
hist(ChickWeight$weight) Kembali
qqnorm(ChickWeight$weight)
plot(density(ChickWeight$weight),type='l') Layar Penuh
plot(density(ChickWeight$weight),type='p')
Tutup
Keluar
Jika menggunakan menu R-Commander, kita juga dapat memilih
apakah ploting yang dilakukan memperhatikan adanya kelom-
pok atau tidak. Perhatian terhadap kelompok bermanfaat se-
bagai gambaran kasar apakah kira-kira ada beda yang mencolok UNEJ
dari distribusi peubah yang kita amati dilihat dari kelompok-

kelompok yang ada (misalnya Jender, Status sosial dan lain se- Daftar Isi
bagainya). Untuk mengilustrasikan hal ini kita dapat mengam-

bil suatu data yang juga ada pada pustaka stats, yaitu data Or- Judul
ange, baik melalui CLI maupun R-Commander. Data Orange

JJ J I II
terdiri atas dua peubah yaitu: Age (usia pohon) dan Circum-
ference (keliling batang) dan satu faktor/ kelompok yaitu: Tree
Hal. 83 dari 234
(Jenis pohon). Untuk memperoleh grafik (misalnya tentang Cir-
cumference) yang memperhatikan kelompok (Tree) Pada saat Cari Halaman
pembentukan grafik boxplot pilih
Kembali
Layar Penuh
Data => boxplot => plot dengan kelompok
=> Tree
Tutup
Keluar
3.2.3. Visualisasi Data Multivariat
Selain gambaran distribusinya, kita juga memerlukan gambaran
data dilihat dari hubungan antara peubah satu dengan lainnya,
UNEJ
atau sebaran kelompok satu dengan lainnya. Diagram yangbi-
asa dipakai untuk menggambarkan kondisi ini adalah diagram
Daftar Isi
pencar (untuk dua peubah), diagram pencar tiga dimensi (un-
tuk tiga peubah) dan matriks diagram pancar maupun coplot Judul
(untuk lebih dari tiga peubah). Berikut adalah contoh berba-
gai variasi diagram pencar, termasuk yang datanya mengandung JJ J I II
vpeubah kualitatif. Selain itu R juga dilengkapi dengan paket
RGL yang mampu menyajikan animasi dari grafik tiga dimensi. Hal. 84 dari 234
Untuk data multivariat, misalnya data yang terdiri dari tiga

peubah acak (X, Y, Z), masing-masing terdiri atas tiga subpop- Cari Halaman
ulasi (P1 , P2 , P3 ). Sebelum melakukan analisis lebih jauh ada

Kembali
beberapa pertanyaan mendasar yang dapat dieksplorasi melalui
grafik, diantaranya:
Layar Penuh
1. adakah hubungan (korelasi) antara ketiga peubah?
2. apakah hubungan antara peubah berbeda untuk tiap sub- Tutup
populasi atau sama untuk seluruh subpopulasi?

Keluar
Gambaran informasi data seperti di atas dapat diakses melalui
grafik trellis yaitu dengan perintah xyplot(), coplot() atau
dengan pairs(). Untuk memahami penggunaan coplot dan pair
kita ambil data yang merupakan data simulasi nilai ujian dari UNEJ
beberapa sekolah. Dari Gambar 3.7 dan Gambar 3.2.3 terli-

hat bahwa kelima jenis pohon memiliki hubungan yang relatif Daftar Isi
berbeda antara ukuran lingkaran jeruk dengan usianya. Dalam

konteks regresi, beberapa subkelompok data memiliki garis re- Judul
gresi yang berbeda.

JJ J I II
Dengan R-Commander fasilitas di atas dapat diakses dengan
memilih menu berikut:
Hal. 85 dari 234
Grafik => Matriks Diagram Pencar

Cari Halaman
Grafik => Diagram Rata-rata
Kembali
Layar Penuh
Tutup
Keluar
Tabel 3.3: Tabel Fungsi Eksplorasi Data
Fungsi Pustaka Data Deskripsi
Deskriptif
print() RPackages uni/multivariatmencetak data secara keselu-
UNEJ
ruhan
summary() univariat memperoleh ringkasan data
Grafik Daftar Isi
hist() mencetak histogram data

stem() graphics stem & leaf plot (mode teks) Judul
density() menggambar sebaran data
qqnorm() memeriksa normalitas data
dengan diagram quan- JJ J I II
til(QQPlot)
qqline() menambah garis lurus pada Hal. 86 dari 234
diagram qq(QQPlot)]
boxplot() menggambar quantil data
Cari Halaman
[Boxplot]
dotchart() RPackages multivariat histogram berganda
coplot() grahics menggambar sebaran data de- Kembali
ngan kondisi peubah tertentu
xyplot() lattice menggambar sebaran pa-
Layar Penuh
sangan data
pair() graphics menggambar pasangan se-
baran data Tutup
plot() RPackages mengambar sebaran data de-
ngan 2 peubah
Keluar
biplot() stats multivariat biplot multivariat data
hclust() analisis klaster bertingkat
manova() multivariat analisis anova untuk data
0.030
90
0.020
UNEJ
80
Density
NMat
70
0.010
Daftar Isi
60
0.000
50
Judul
50 60 70 80 90 100
simdat$NMat
JJ J I II
Sekolah
Hal. 87 dari 234

90

SMAM SMAK

Cari Halaman
simdat$NMat

80

70

Kembali

60

SMAN1 SMAN2

50

Layar Penuh
2 1 0 1 2
norm quantiles
Tutup
Gambar 3.2: Contoh Histogram, Boxplot, QQPlot dan Diagram Lingkaran Keluar
NILAI EKSTRIM UNEJ
*
*
O Daftar Isi
PENCILAN
O
3R
Judul
1,5 R
Q3 JJ J I II
Q2 R=Q3-Q1
BATAS
BUKAN PENCILAN Hal. 88 dari 234
Q1
1,5 R
Cari Halaman
3R
O
Kembali
O PENCILAN
*
NILAI EKSTRIM Layar Penuh
*
Gambar 3.3: Komponen Boxplot untuk Memeriksa ada tidaknya Pencilan

Tutup
atau Nilai Ekstrim
Keluar
UNEJ
Daftar Isi
Judul
JJ J I II
Hal. 89 dari 234
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
Gambar 3.4: Histogram dan Denstias Berat Ayam. Grafik menunjukkan
data tidak cukup simetris
200
UNEJ
Daftar Isi
150
Judul
circumference
JJ J I II
100
Hal. 90 dari 234
Cari Halaman
50
Kembali
Layar Penuh
3 1 5 2 4
Tree
Tutup
Keluar
Gambar 3.5: Contoh Diagram boxplot dengan mempertimbangkan kelompok.
Diagram menunjukkan bahwa distribusi keliling batang pohon
UNEJ

Daftar Isi
90
90

80
80

Judul

NFis
NFis
70
70

JJ J I II

60
60

SMAK

SMAM

SMAN1

SMAN2
Hal. 91 dari 234
50
50

50 60 70 80 90 50 60 70 80 90
NMat NMat
Cari Halaman
Gambar 3.6: Contoh Diagram Pencar tanpa mempertimbangkan peubah Kembali

kualitatif (kiri) dan dengan peubah kualitatif (kanan).
Layar Penuh
Tutup
Keluar
60 70 80 90 100
90

NFis

80

UNEJ
Density
70

60

Daftar Isi

50

| || ||||
| |||||| |||||||||| |||||||||||| |||||| ||| | |
100

Judul
N = 80 Bandwidth

= 4.601

NIng

90
JJ J I II
Density

80

70

Hal. 92 dari 234
60

||||| |||| | | | ||| |||||||| |||| |||||| |||||||| ||||||||||

Cari Halaman
90

N = 80 Bandwidth

= 3.956

NMat

80

Density

Kembali

70

60

Layar Penuh
| || ||||| ||||| ||||||||||||||||| ||||||||||||||| |
50

50 60 70 80 90 50 60 70 80 90
N = 80 Bandwidth = 4.416 Tutup
Gambar 3.7: Contoh Matriks Diagram Pencar dengan Beberapa Peubah Acak Keluar
UNEJ
Daftar Isi
Judul
JJ J I II
Hal. 93 dari 234
Cari Halaman
Kembali
Layar Penuh
Gambar 3.8: Contoh Diagram Permukaan 3 Dimensi yang mengandung Peu-
bah Kualitatif
Tutup
Keluar
UNEJ
Daftar Isi
Judul
JJ J I II
Hal. 94 dari 234
Cari Halaman
Kembali
Layar Penuh
Gambar 3.9: Contoh Representasi Tiga Dimensi Regresi dengan dua Peubah
Penjelas
Tutup
Keluar
Given : Sekolah
SMAN2
SMAN1
UNEJ
SMAM
SMAK
Daftar Isi
50 60 70 80 90

Judul
90

80

JJ J I II

70

60

Hal. 95 dari 234

50

NFis
Cari Halaman

90

80
Kembali

70

Layar Penuh
60

50

Tutup
50 60 70 80 90
NMat Keluar
Gambar 3.10: Diagram Coplot yang menggambarkan hubungan dua peubah

Dengan perkembangan pesat dari teknologi perangkat lunak di
bidang statistika, eksplorasi dan visualisasi data menjadi kegiatan UNEJ
yang sangat populer dilakukan sebelum melakukan analisis. Tehnik
ini dikenal dengan EDA (Explolatory Data Analysis). EDA Daftar Isi
pada umumnya memanfaatkan kemmpuan grafik statistik un-

tuk memperoleh gambaran umum tentang data baik dari segi Judul
distribusinya maupun hubungan antar peubah nya. Beberapa

referensi yang dapat dibaca tentang EDA diantaranya adalah JJ J I II
Filliben ibk:Filliben2006 dan khusus untuk aplikasi Grafik R

untuk statistika dapat dilihat Zoonekyn m:Zoonekyn2005. Hal. 96 dari 234
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
Diskusikan soal-soal berikut dalam kelompok 2-3 orang.
1. Aktifkan salah satu data pada R, misalnya Orange, CO2, UNEJ
Prestige dan lain lainnya. Selanjutnya lakukan eksplorasi

Daftar Isi
sebagai berikut:
(a) buat ringkasan numerik dari data Judul
(b) buat grafik histogram data

JJ J I II
(c) buat grafik boxplot dengan atau tanpa mempertim-
bangkan kelompok yang ada Hal. 97 dari 234
(d) buat grafik plot rerata (mean plot)

Cari Halaman
(e) buat grafik qq
(f) buat matrksdiagram pencar Kembali
2. Lakukan hal yang sama seperti di atas untuk data yang Layar Penuh
lain (termasuk data yang anda kumpulkan atau simulasikan
sendiri) Tutup
Keluar
UNEJ
Daftar Isi
Judul
JJ J I II
Hal. 98 dari 234
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
UNEJ
BAB 4 Daftar Isi
UJI RATA-RATA DAN PROPORSI Judul
JJ J I II
Hal. 99 dari 234
Pada bab ini akan dibahas teknik analisis data terkait dengan Cari Halaman
uji beda dua kelompok baik mengenai rata-rata maupun pro-

porsi. Pembahasan ini merupakan bagian dari statistika infer- Kembali
ensial yang sederhana.

Layar Penuh
Tutup
Keluar
Pembaca dapat menggunakan R untuk mengiluskrasikan kon-
sep interval keyakinan, menghitungnya, serta melakukann uji UNEJ
hipotesis tentang mean dan proporsi yang ditandai dengan ke-
mampuan Daftar Isi
1. mengilustrasikan konsep interval keyakinan

Judul
2. menghitung interval keyakinan

JJ J I II
3. melakukan uji rata-rata untuk berbagai jenis sampel
Hal. 100 dari 234
4. melakukan uji proporsi untuk berbagai jenis sampel
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
4.1. Interval Keyakinan dan Uji Rata-rata
4.1.1. Hasi-hasil Statistika
Berikut adalah hasil-hasil dalam statistika matematika yang men- UNEJ
dasari analisis statistika. Hasil-hasil ini dapat dijumpai pada

Daftar Isi
buku-buku teks tentang statistika matematika, seperti pada Wack-
erlyWackerly Wackerly et al.bk:WMS96, Meyer[16, Bab 13], dan
Judul
Hogg dan Craig bk:HoggCraig95
Definisi 4.1 (Populasi). Populasi adalah Himpunan Semesta JJ J I II
dari peubah yang menjadi perhatian peneliti
Hal. 101 dari 234
Harus dibedakan antara subjek dengan populasi. Populasi
dalam statistika berbeda dengan pengertian populasi dalam bidang Cari Halaman
biologi. Dalam statistika populasi adalah objek yang menjadi

perhatian. Misalnya, jika yang menjadi perhatian peneliti ada- Kembali
lah prestasi belajar mata kuliah tertentu pembaca suatu juru-

san, maka sebenarnya yang menjadi populasi adalah Jadi Ni- Layar Penuh
lai Mata Kuliah tersebut, bukan mahasiswa peserta mata

kuliah. Jadi populasi adalah himpunan objek, bukan himpunan Tutup
orang.
Keluar
Definisi 4.2 (Sampel). Sampel adalah sebagian dari himpunan
semesta yang benar-benar diobservasi, mewakili keseluruhan ob-
jek yang menjadi perhatian.
UNEJ
Dalam hal nilai suatu mata kuliah, jika ada 200 peserta mata
Daftar Isi
kuliah tersebut, maka populasinya adalah 200 nlai mata ku-
liah. Jika dari 200 nilai tersebut diambil 50 untuk diteliti, maka Judul
kumpulan 50 nilai yang mewakili tersebut disebut sampel.
Sampel harus representatif, benar-benar mewakili populasi JJ J I II
sehingga sering disebut sebagai miniatur dari populasi. Un-
tuk dapat mengaplikasikan tehnik-tehnik statistika dalam sam- Hal. 102 dari 234
pel, maka sampel harus diambil dengan memperhatikan teknik

Cari Halaman
sampling, salah satu diantaranya yang menjadi syarat penting
adalah pengambilan secara acak/random. Syarat lain sangat
Kembali
bergantung apakah dalam populasi ada strata, klaster atau pe-
ngelompokan yang perlu mendapat perhatian. Layar Penuh
Hasil 4.1 (Sifat Reproduktif Distribusi Normal). Jika X1 , X2 , , Tutup
Xi , , Xn berdistribusi Normal, N (i , i2 ) dan masing-mmasing

Keluar
saling independen (secara berpasangan (Xi||Xj , i 6= j), maka:
n n n
!
X X X
Y = ai X i N ai i , a2i i2
i=1 i=1 i=1 UNEJ
Definisi 4.3 (Sampel Acak). Jika Xi , i = 1, , n berasal

dari distribusi normal N (, 2 ) yang diambil secara saling be- Daftar Isi
bas, maka dikatakan Xi merupakan sampel acak dari N (, 2 ).

Judul
Syarat utama sampel acak ini adalah berdistribusi sama dan

saling independen sehingga sering dinotasikan dengan Xi i.i.d. JJ J I II
N (, 2 ).
Hal. 103 dari 234
Definisi 4.4 (Statistik Sampel). Statistik adalah fungsi yang
diperoleh dari sampel. Dua statistik yang sangat terkenal dan Cari Halaman
banyak dipakai adalah Rata-rata sampel (X) dan Varians sampel
(S 2 ) Kembali
N Pn 2
1X X i X
X = Xi dan S 2 = i=1 Layar Penuh
n i=1 n1
Distribusi dari statistik sampel di atas diberikan dalam hasil Tutup
berikut ini.
Keluar
Hasil 4.2 (Distribusi Mean Sampel, jika diketahui). Jika
Xi , i = 1, , n adalah sampel acak dari N (, 2 ), dan dike-

tahui maka X N (, 2 / n).
UNEJ
Hasil 4.3. Jika sampel diambil dari populasi berdistribusi nor-
mal maka
n1 Daftar Isi
S 2 2n1
2
Judul
Hasil 4.4. Jika Z N (0, 1) dan V 2k , maka

JJ J I II
Z
t=p tk
V /k Hal. 104 dari 234
Hasil di atas diperoleh dari sifat reproduktif dari distribusi

Cari Halaman
normal dengan ai = 1/n. Dikatakan bahwa X merupakan pen-
duga titik dari mean . Jika 2 tidak diketahui maka 2 diganti
Kembali
dengan b2 = S 2 . Distribusi yang dihasilkan menjadi seperti ber-
ikut ini. Layar Penuh
Hasil 4.5 (Distribusi Mean Sampel tak diketahui). Jika

Xi , i = 1, , n adalah sampel acak dari N (, 2 ), dan tidak Tutup
diketahui maka:
Keluar
X
1. jika n relatif kecil (n < 60) maka
S/ n
tn1 .
2. jika n relatif besar (n 60) maka tn1 N (0, 1) dengan

X
N (0, 1).
kata lain S/ n UNEJ

Besaran S/ n disebut standar kesalahan rata-rata, yaitu
Daftar Isi
S
SX =
n Judul
Pemahaman terhadap distribusi statistik (khususnya rata-

JJ J I II
rata sampel) dapat diilustrasikan melalui simulasi. Misalkan
sampel berukuran n = 25 diambil secara acak dari populasi Hal. 105 dari 234
berdistribusi N (50, 9). Dari sampel yang diambil dihitung rata-
rata sampel x. Jika pengambilan sampel diulang sampai 60 kali Cari Halaman
dan semua rata-rata dicatat, maka kita dapat membuat his-

togram atau diagram densitas dari kumpulan rata-rata tadi. Kembali
Secara teoritis sampling ini akan menghasilkan kesalahan baku

atau deviasi baku semua rata-rata sebesar / 25 = 0.6 Layar Penuh
n<-25 Tutup
m<-60
mu<-50
Keluar
sigma<-3
vr<-seq(0,0,length=m)
for(i in 1:m){
x<-rnorm(n,mu,sigma)
vr(i)<-mean(x) UNEJ
}
print(mean(vr)) # mencetak rata-rata dari semua rata-rata
Daftar Isi
print(sqrt(vr)) # mencetak deviasi baku dari semua rata-rata
summary(vr)
Judul
Salah satu eksekusi skrip di atas menghasilkan keluaran berikut dengan grafik
(histogram, boxplot, densitas dan diagram quantil) seperti pada Gambar 4.1
JJ J I II
> print(mean(vr)) # mencetak rata-rata dari semua rata-rata

Hal. 106 dari 234
[1] 50.04896
> print(sqrt(var(vr))) # mencetak deviasi baku dari semua rata-rata
[1] 0.5951607 Cari Halaman
> summary(vr)
Min. 1st Qu. Median Mean 3rd Qu. Max.
Kembali
48.64 49.64 50.04 50.05 50.50 51.53
Selanjutnya dari distribusi statistik (dalam hal ini rata-rata sampel) dapat Layar Penuh
dihitung peluang mean populasi berada pada suatu interval tertentu. Jika dike-
tahui, maka
Tutup
X
P 1, 96 1, 96 = 0, 95
/ n
Keluar
dengan cara yang sama

X
P 2, 58 2, 58 = 0, 99
/ n
atau secara umum UNEJ

X
P z/2 z/2 = (1 ) (4.1)
/ n Daftar Isi
Demikian juga meski tidak diketahui, tetapi ukuran sampel dapat dianggap
X Judul
cukup besar (n ) maka tn1 Z dan N (0, 1). Untuk sampel yang
S/ n
relatif kecil dan tidak diketahui maka:
JJ J I II

X
P t/2,n1 t/2,n1 = (1 ) (4.2)
S/ n Hal. 107 dari 234

Dalam bentuk yang lain (disebut metode Pivot) dan mengganti notasi S/ n de-
ngan SX diperoleh hasil yang disebut Interval/Selang Keyakinan seperti berikut Cari Halaman
ini.
Hasil 4.6 (Interval Keyakinan sampel besar). Dari suatu sampel yang berasal Kembali
dari distribusi normal dengan statistik sampel, masing-masing rata-rata X dan
varians sampel S 2 , jika sampel dianggap cukup besar, maka interval keyakinan
Layar Penuh
(1 ) 100%) untuk penduga mean populasi () adalah
X z/2 SX X + z/2 SX (4.3) Tutup
Secara umum untuk sampel tidak cukup besar berlaku

Keluar
Hasil 4.7 (Interval Keyakinan sampel kecil). Dari suatu sampel, berukuran n,
yang berasal dari distribusi normal dengan statistik sampel, masing-masing rata-
rata X dan varians sampel S 2 , jika sampel dianggap cukup besar, maka interval
keyakinan (1 ) 100%) untuk penduga mean populasi () adalah
UNEJ
X t/2,(n1) SX X + t/2,(n1) SX (4.4)
Sejauh ini telah diberikan gambaran pentingnya ukuran sampel besar dalam Daftar Isi
untuk dapat memanfaatkan distribusi yang lebih sederhana (yaitu distribusi nor-
mal). Ukuran sampel besar bahkan dapat membuat sampel yang tidak beasal dari
Judul
distribusi normal, menghasilkan statistik yang mendekati berdistribusi normal se-
bagaimana dinyatakan dalam Teorema Limit Pusat berikut.
JJ J I II
Hasil 4.8 (Teorema Limit Pusat). Misalkan suatu sampel acak berukuran n di-
ambil dari populasi berdistribusi D(, 2 ) yang tidak harus normal, maka
Hal. 108 dari 234
X
lim N (0, 1)
n / n
Cari Halaman
4.1.2. Tingkat Interval Keyakinan dan Peluang Penutup

Kembali
Interval keyakinan yang diturunkan melalui teori matematika dan peluang pada
dasarnya adalah merupakan prosedur yang dilakukan pada sampel. Jika prosedur
ini dilakukan berulang-ulang, maka sekitar (1 ) 100%) dari interval keyakinan Layar Penuh
yang dihasilkan akan memuat mean populasi (). Jika dilakukan melalui simu-
lasi, prosentase interval yang benar-benar memuat disebut Peluang Penutup
Tutup
(coverage probability). Misalkan suatu populasi diketahui berdistribusi normal
N (50, 9). Dari populasi ini diambil sampel dengan n berukuran 30, lalu dibuat
Keluar
interval keyakinannya dengan = 0, 05. Selanjutnya pengambilan sampel diulang-
ulang sampai banyak kali (misalnya 25 kali) dan setiap kali berada pada interval
keyakinan, intervalnya dicatat. Selanjutnya dihitung prosentase interval keyaki-
nan yang memuat . Maka kita akan lihat peluang penutupnya akan mendekati
(1 ) 100%. Selanjutnya interval-interval keyakinan yang dihasilkan dapat juga UNEJ
diilustrasikan secara grafis.
n<-30 Daftar Isi

m<-25
mu<-50
Judul
sgm<-2
ik<-0.95
tk<-qt(ik,n-1) JJ J I II
x1<-mu-sgm
x2<-mu+sgm
Hal. 109 dari 234
ymax<-m+m/25 y<-seq(0,
ymax,0.5)
x<-0*y+mu Cari Halaman
konter<-seq(0,0,length=m)
mdata<-matrix(0,m,6)
Kembali
mdata[,2]<-mu
plot(x,y,type='l',col='green',main='Interval Keyakinan',
xlab="Interval", ylab="sampel",xlim=c(x1,x2)) Layar Penuh
for(i in 1:m){
x<-rnorm(n,mu,sgm) Tutup
x.rat<-mean(x)
mdata[i,6]<-x.rat
Keluar
x.sd <-sqrt(var(x))/sqrt(n)
bb<-x.rat-tk*x.sd
ba<-x.rat+tk*x.sd
xin<-seq(bb,ba,0.01)
yin<-0*xin+i UNEJ
mdata[i,1]<-bb
mdata[i,3]<-ba
Daftar Isi
if(bb<=mu & mu<=ba){
konter[i]<-1
mdata[i,4]<-1 Judul
lines(xin,yin,col='blue')}
else{lines(xin,yin,col='red')}
JJ J I II
}
pr<-sum(konter)/m cat("\n Peluang penutup :",pr,"\n")
Hal. 110 dari 234
Ketika dieksekusi skrip di atas menghasilkan Peluang penutup : 0.96 dan

grafik interval keyakinan seperti pada Gambar 4.2. Hasil yang sedikit berbeda Cari Halaman
akan diperoleh setiap kali skrip di atas dieksekusi.
Kembali
4.1.3. Distribusi Beda Rata-rata Kelompok Saling Bebas
Pada sampel yang kita pelajari sekarang, kita menghitung distribusi beda mean Layar Penuh
dari populasi yang terdiri atas 2 kelompok (subpopulasi yang saling bebas), yaitu
X dan Y di asumsikan saling bebas. Data seperti ini biasa dijumpai pada peneli-
Tutup
tian yang berupa survei dimana gejala lyag diamati merupakan gejala yang tum-
buh/ muncul secara alamiah. Sampel yang diperoleh disebut sampel saling bebas.
Keluar
Ada kondisi dimana sampel acak X tidak saling bebas dengan sampel acak Y dan
kondisi ini akan dipelajari pada sub berikutnya.
2 ) dan
Hasil 4.9 (Distribusi Beda Rata-rata). Jika Xi ; i = 1, 2, nX N (X , X
2
Yj ; j = 1, 2, nY N (Y , Y ), maka UNEJ
2
/m + Y2 /n)

X Y N (X Y ), (X
Daftar Isi
atau
X Y (X Y ) Judul
q N (0, 1)
2 /m + 2 /n)
X Y
JJ J I II
Secara umum, jika tidak diketahui, dan ukuran sampel relatif kecil, maka
berlaku
Hal. 111 dari 234
Hasil 4.10 (Distribusi Beda Rata-rata). Jika Xi ; i = 1, 2, nX sampel bebas

2 ) dan Y ; j = 1, 2, n sampel bebas dari N ( , 2 ), dimana
dari N (X , X Cari Halaman
j Y Y Y
baik sesama X, Y maupun antara X dengan Y semua saling bebas maka
Kembali
X Y (X Y )
tnX +nY 2 (4.5)
Sep
Layar Penuh
dengan
s
2 + (n 1)S 2
(nX 1)SX

Y Y 1 1 Tutup
Sep = + (4.6)
nX + nY 2 NX NY
Keluar
Persamaan 4.6 disebut standar kesalahan beda rata-rata. Dengan cara yang
sama dengan interval keyakinan mean, maka diperoleh interval keyakinan beda
mean (X Y ) untuk taraf keyakinan (1 ) 100%), adalah
Batas bawah = X Y t/2,nX +nY 2 Sep UNEJ

Batas atas = X Y + t/2,nX +nY 2 Sep
Daftar Isi
Besaran nX + nY 2 merupakan derajat kebebasan dari distribusi t yang
dihasilkan.
Judul
4.1.4. Distribusi Beda Sampel/ Kelompok Tidak Saling Bebas

JJ J I II
Pada penelitian eksperimen, sampel biasanya terdiri atas dua kelompok yaitu
kelompok eksperimen dan kelompok kontrol sebagai pembanding. Sebelum eksper-
imen dimulai kedua kelompok ini dibuat berada pada kondisi yang sama/hampir Hal. 112 dari 234
sama sehingga perbedaan hasil pada akhir eksperimen dapat disimpulkan/diyakini
sebagai akibat pengaruh eksperimen. Ada dua cara memperoleh kelompok eksper-
Cari Halaman
imen dan kelompok kontrol yaitu:
1. kelas paralel atau kelas berpasangan yaitu dengan membuat kelas kontrol Kembali
dan kelas eksperimen paralel dan masing-masing anggota sampelnya berpa-
sangan misalnya (X1 , Y1 ), (Xi , Yi ), , (Xn , Yn )
Layar Penuh
2. kelas pre-post esxperiment yaitu satu kelompok sekaligus menjadi kelompok
kontrol (sebelum dia dikenai perlakuan) dan kelompok eksperimen. X ada-
Tutup
lah pengamatan sebelum perlakuan (kontrol) dan Y adalah pengamatan
setelah perlakuan
Keluar
Dari cara pelaksanaan eksperimen dapat difahami bahwa kedua sampel yang diper-
oleh X dan Y bukanlah sampel yang saling bebas. Untuk sampel dengan kondisi
seperti ini yang bisa dicari adalah distribusi dari beda masing-masing amatan
(Xi , Yi ). Dengan menggunakan sifat reproduktif distribusi normal untuk dike-
tahui dan distribusi t untuk tak diketahui, maka diperoleh: UNEJ
2 dan Y N ( , 2 , maka X Y berdistribusi

Hasil 4.11. Jika X N (X , X Y Y
2
N (X Y ), t dengan Daftar Isi
2
t = X + Y2 2X Y XY
Judul
dan XY disebut korelasi antara X dan Y yang dari sampel diperoleh dengan
menghitung Pn JJ J I II
(xi x)(yi y)
r = i=1
Sx2 Sy2
Hal. 113 dari 234
Dalam praktisnya dilapangan diberlakukan prosedur sebagai berikut:
1. Definisikan Di = Xi Yi untuk i = 1, 2, , n Cari Halaman
2. Hitung varians sampel dari D yaitu

Pn Kembali
2 (Di D)2
SD = i=1
n1
Layar Penuh
3. maka diperoleh distribusi
D D (X Y ) (X Y ) Tutup
= tn1
SD / n SD / n
Keluar
4. selanjutnya diperoleh interval keyakinan (1 ) 100% dari beda kelompok
ini adalah

bb : D t/2,n1 SD / n

ba : D + t/2,n1 SD / n UNEJ
Daftar Isi
Judul
JJ J I II
Hal. 114 dari 234
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
Histogram of vr
15
51.0
UNEJ
Frequency
10
50.0
5
Daftar Isi
49.0
0
Judul
48.5 49.5 50.5 51.5
vr
JJ J I II
density(x = vr) Normal QQ Plot

Hal. 115 dari 234
0.6
51.0

Sample Quantiles

0.4

Cari Halaman

Density

50.0

0.2

Kembali

49.0

0.0

Layar Penuh
48 49 50 51 52 2 1 0 1 2
N = 60 Bandwidth = 0.2362 Theoretical Quantiles

Tutup
Gambar 4.1: Ilustrasi distribusi rata-rata sampel diambil dari 60 sampel

Keluar
masing-masing berukuran 25 dari populasi N (50, 9)
Interval Keyakinan
25
UNEJ
Daftar Isi
20
Judul
15
sampel
JJ J I II
10
Hal. 116 dari 234
Cari Halaman
5
Kembali
0
Layar Penuh
48 49 50 51 52
Interval
Tutup
Gambar 4.2: Interval keyakinan 95%. Dari 25 kali pengambilan sampel ada
Keluar
24 interval yang memuat dengan prosentase 96%. Interval
berwarna merah (garis putus-putus) menunjukkan interval yang
4.2. Uji hipotesis rata-rata
Dalam analisis data ada kalanya bukan nilai atau interval estimasi yang diperlukan,
tetapi keputusan apakah suatu parameter sama dengan suatu nilai tertentu atau
apakah dua parameter sama atau tidak. Prosedur untuk mendapatkan kesimpulan UNEJ
seperti ini disebut uji hipotesis yang sesungguhnya terkait dengan interval estimasi.
Ada beberapa istilah yang perlu difahami dalam uji hipotesis diantaranya adalah:
uji statistik, hipotesis, daerah penolakan dan nilai p (Lihat Mendenhall [15, Bab Daftar Isi
5]).
Hipotesis dalam statistika dibedakan menjadi hipotesis nol (H0 )dan hipotesis Judul
alternatif atau hipotesis kerja (HA ). Hipotesis alternatif adalah hipotesis yang
ingin dibuktikan sesuai dengan teori yang mendasari penelitian yang dilakukan.
Hipotesis nol adalah hipotesis yang ingin ditolak dalam rangka membuktikan be- JJ J I II
narnya hipotesis alternatif.
Uji statistik adalah fungsi statistik yang dipergunakan untuk menguji apakah Hal. 117 dari 234
suatu hipotesis nol diterima atau ditolak. Untuk uji rata-rata ada dua bentuk uji
mendasar yaitu uji rata-rata dan uji beda rata-rata.
Cari Halaman
Hasil 4.12 (Uji Rata-rata). Uji rata-rata dengan hipotesis nol H0 : = 0
menggunakan uji statistik
x 0 Kembali
t=
s/ n
dengan t tn1 Layar Penuh
Nilai t yang diperoleh dari uji statistik sering disebut sebagai nilai t-hitung yang
Tutup
dinotasikan dengan t0 . Nilai p dari suatu nilai statistik t0 didefinisikan sebagai
berikut:
Keluar
1. untuk HA dua arah, yaitu HA : 6= 0 , maka
pt0 = P (t |t0 | atau t |t0 |)
2. untuk HA satu arah ke kiri, yaitu HA : < 0 , maka

UNEJ
pt0 = P (t t0 )
Daftar Isi
3. untuk HA satu arah ke kanan, yaitu HA : > 0 , maka
pt0 = P (t > t0 ) Judul
dengan derajat kebebasan t yang sesuai. Keputusan yang diambil adalah

JJ J I II
1. terima H0 jika p >
2. terima H0 jika p Hal. 118 dari 234
Hasil 4.13 (Uji beda rata-rata). Uji rata-rata dengan hipotesis nol H0 : X Y
menggunakan uji statistik Cari Halaman
x y
t=
Sep
Kembali
dengan t tnX +nY 2
Nilai p val dari suatu nilai statistik t0 , dinotasikan pt0 , untuk uji beda di-
Layar Penuh
definisikan sebagai berikut:
1. untuk HA dua arah, yaitu HA : X 6= Y , maka
Tutup
pt0 = P (t |t0 | atau t |t0 |)

Keluar
2. untuk HA satu arah ke kiri, yaitu HA : X < Y , maka
pt0 = P (t t0 )
3. untuk HA satu arah ke kanan, yaitu HA : X > Y , maka

UNEJ
pt0 = P (t > t0 )
dengan derajat kebebasan t yang sesuai. Daftar Isi

Keputusan yang diambil adalah
1. terima H0 jika p > Judul
2. terima H0 jika p
atau JJ J I II
1. jika p > 0, 05, tidak ada beda signifikan antara X dan Y

Hal. 119 dari 234
2. jika 0, 01 < p 0, 05, ada beda signifikan antara X dan Y
3. jika p 0, 01, ada beda sangat signifikan antara X dan Y Cari Halaman
Dengan menggunakan komputer secara umum, peluang P (X x0 ) pada dis-

tribusi tertentu, dapat dihitung dengan perintah pdistribusi, dengan distribusi Kembali
adalah salah satu dari norm, poiss, t dan distribusi lainnya. Misalnya untuk dis-
tribusi t dengan derajat kebebasan k kita dapat menghitung:
Layar Penuh
1. P (t t0 ) = pt(t0,k)
2. P (t t1 ) =1-pt(t1,k) Tutup
3. P (t1 t t2 ) =pt(t1,k)+(1-pt(t2,k))
Keluar
4.2.1. Menggunakan menu R-Commander
Dengan menggunakan menu R-Commander, pengguna R tinggal memilih jenis
HA serta tingkat keyakinan yang dipergunakan. Perhatikan Gambar 4.3 untuk uji
rata-rata dan Gambar 4.4 untuk uji beda rata-rata
UNEJ
Latihan 4.1.
Daftar Isi
Lakukan latihan berikut dengan menggunakan menu R-Commander
i aktifkan data Orange

Judul
ii hitung ringkasan data Orange, catat rata-rata untuk age dan circumference
JJ J I II
iii misalkan 0 adalah mean age atau circumference ditambah 10.
iv uji hiipotesis apakah mean age atau circumference sama dengan 0 yang
Hal. 120 dari 234
ditetapkan di atas. Nilai 0 harus dimasukkan sendiri ke dalam analisis
melalui menu.
Cari Halaman
v ulangi hal di atas untuk data simulasi seperti pada Contoh 3.1
Kembali
Layar Penuh
Tutup
Keluar
UNEJ
Daftar Isi
Judul
JJ J I II
Hal. 121 dari 234
Cari Halaman
Kembali
Gambar 4.3: Menu Uji Rata-rata Layar Penuh
Tutup
Keluar
UNEJ
Daftar Isi
Judul
JJ J I II
Hal. 122 dari 234
Cari Halaman
Kembali
Gambar 4.4: Menu Uji Beda rata-rata

Layar Penuh
Tutup
Keluar
4.3. Interval Keyakinan dan Uji Proporsi
Pada dasarnya interval keyakinan ataupun uji hupotesis yang berkaitan dengan
proporsi mirip dengan interval keyakinann atau uji hipotesis rata-rata untuk data
kuantitatif. Hanya saja proporsi diukur pada data kualitatif sedangkan rata-rata UNEJ
diukur untuk data kuantitatif. Sebagai ilustrasi untuk data kemiskinan di perko-
taan dapat diukur proporsi penduduk miskin di daerah perkotaan. Data/ infor-
Daftar Isi
masi dapat diperoleh dari sampel dibeberapa kota yang nantinya digeneralisas-
ikan pada suatu wilayah yang sesuai (misalnya tingkat propinsi atau nasional).
Berikut adalah beberapa konsep statistika yang terkait dengan proporsi yang da- Judul
pat dijumpai dalam banyak buku teks analsis statistika, diantaranya Mendenhall
bk:Mendenhall93.
JJ J I II
4.3.1. Interval keyakinan proporsi Hal. 123 dari 234
Bada bagian ini pembaca harus ekstra hati-hati membedakan notasi p untuk pro-
porsi dan p untuk peluang terkait nilai statistik (p val). Tumpang tindih notasi Cari Halaman
tidak bisa dihindarkan karena sama-sama dipakai secara luas dalam bidang sta-
tistika. Pembaca harus dapat membedakan bilamana p mewakili uji proporsi dan
Kembali
bila mana mewakili nilai peluang.
Definisi 4.5. Proporsi sampel untuk suatu kategori adalah perbandingan antara Layar Penuh
banyaknya subsampel untuk kategori bersangkutan dengan besarnya seluruh samm-
pel
Tutup
x
p =
n
Keluar
Definisi 4.6. Standar kesalahan proporsi sampel s.e.(p) didefinisikan sebagai
r
p(1 p)
s.e.(p) =
n
Hasil 4.14. Untuk n relatif besar, maka UNEJ
p p
N (0, 1) Daftar Isi
s.e.(p)
Hasil 4.15. Interval keyakinan (1 ) 100% untuk proporsi populasi p adalah

Judul

p z/2 s.e.(p) p p + z/2 s.e.(p)
JJ J I II
4.3.2. Interval keyakinan beda proporsi
Jika dari sampel X dan Y masing-masing berukuran nX dan nY diperoleh proporsi Hal. 124 dari 234
sampel sebesar pX dan pY , maka untuk beda proporsi populasi diperoleh interval
keyakinan berikut Cari Halaman
Hasil 4.16. Interval keyakinan (1 ) 100% untuk beda proporsi populasi pX

dan pY adalah Kembali
h i h i
(pX pY ) z/2 s.e.(p)
c p (pX pY ) + z/2 s.e.(p)
c
Layar Penuh
dengan s
pX (1 pX ) pY (1 pY ) Tutup
s.e.(p)
c = +
nX nY
Keluar
4.3.3. Uji hipotesis proporsi dan beda proporsi
Berikut adalah rangkuman dari uji proporsi populasi (Mendenhall bk:Mendenhall93)
1. H0 : p = p0
UNEJ
2. HA :
(a) HA : p 6= p0 (dua arah) Daftar Isi

(b) HA : p > p0 (satu arah bagian kanan)
(c) HA : p < p0 (satu arah bagian kiri) Judul
3. Uji statistik
p p0 x JJ J I II
p= q dengan p =
p(1p n
n
Hal. 125 dari 234
dan hitung nilai peluang p.val sesuai HA dengan menggunakan pendekatan
distribusi normal, yaitu p N (0, 1)
Cari Halaman
4. Daerah penolakan: pilih yang sesuai sebagai taraf signifikansi yang di-
inginkan
Kembali
5. Keputusan:
(a) Terima H0 jika p.val > Layar Penuh
(b) Tolak H0 jika p.val
Dengan menu R-Commander, kita tingal memilih HA , memasukkan p0 meng- Tutup
gunakan pendekatan normal atau dengan binomial, seperti pada Gambar 4.5
Keluar
UNEJ
Daftar Isi
Judul
JJ J I II
Hal. 126 dari 234
Cari Halaman
Kembali
Layar Penuh
Tutup
Gambar 4.5: Menu R-Commander untuk uji proporsi
Keluar
4.4. Fungsi-fungsi R
Beberapa fungsi untuk analisis data yang umum banyak diperoleh pada pustaka
stats untuk analisis data univariat dan pustaka multiv dan mva untuk analisis
multivariat. Beberapa fungsi pada pustaka tersebut diantaranya adalah sebagai UNEJ
berikut
Fungsi Pustaka Data Deskripsi Daftar Isi
stats Normal Uji beda mean dua populasi

t.test() (sampel Judul
kecil < 30
stats Normal Uji beda mean tiga atau lebih
aov() populasi JJ J I II
Uji homogenitas varians
bartlett.test()
Hal. 127 dari 234
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
Untuk lebih mendalami materi uji beda pada bab ini disarankan membaca be-
berapa referensi berikut diantaranya: Hadi bk:Hadi82, Sudjana bk:Sudjana96,
Mendenhall bk:Mendenhall93. Untuk uji yang terkait dengan penggunaan R, da- UNEJ
pat dibaca beberapa referensi online seperti: Maidonald m:Maindonald2001 dan
Vesalini m:Vezalini2002.
Daftar Isi
Judul
JJ J I II
Hal. 128 dari 234
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
Aktifkan data CO2 pada R selanjutnya lakukan uji berikut.
1. Ringkasan data secara numerik

UNEJ
2. Eksplorasi data secara grafis terkait uji beda
3. Lakukan uji beda rata-rata untuk kelompok Type atau Treatment terhadap Daftar Isi
data conc atau uptake. Apakah hipotesis yang menyatakan kelompok Que-
bec dan Mississippi memiliki rata-rata conc berbeda secara signifikan dapat Judul
diterima.
4. Lakukan uji proporsi dengan hipotesis bahwa 45% Type adalah berupa Que- JJ J I II
bec
Hal. 129 dari 234
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
UNEJ
Daftar Isi
Judul
JJ J I II
Hal. 130 dari 234
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
UNEJ
BAB 5 Daftar Isi
ANALISIS VARIANSI (ANAVA) Judul
JJ J I II
Hal. 131 dari 234
Pada bab sebelumnya telah dibahas statistika inferensial tentang uji rata-rata un-
Cari Halaman
tuk dua kelompok atau untuk kategori dengan dua level. Pada bab ini akan dibahas
uji untuk tiga kelompok atau lebih, atau untuk kelompok dengan level lebih dari
dua, misalnya status pendidikan (SD, SMP, SMA/K dan PT). Kembali
Layar Penuh
Tutup
Keluar
Pembaca dapat menggunakan R untuk melakukann uji hipotesis tentang mean
yang berasal dari tiga kelompok atau lebih yang ditandai dengan kemapuan
UNEJ
1. menjelaskan kenapa uji mean dilakukan dengan analisis variansi;
2. menyebutkan asumsi yang diperlukan oleh analisis variansi;

Daftar Isi
3. merumuskan dan menguji hipotesis dari suatu data yang berasal dari 3
kelompok atau lebih. Judul
Sejauh ini kita telah mempelajari uji rata-rata atau beda dua rata-rata. De- JJ J I II
ngan kata lain uji rata-rata untuk kelompok dengan maksimum dua level. Untuk
uji semacam ini kita menggunakan uji t baik yang saling bebas maupun yang ber-
Hal. 132 dari 234
pasangan. Pada bab ini kita akan membahas uji beda rata-rata dengan lebih dari
dua kelompok kita.
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
5.1. Konsep Dasar Anava
Uji untuk memeriksa beda mean dengan kelompok lebih dari dua disebut uji
anava (Analisis variansi). Berikut adalah ilustrasi untuk memahami kenapa uji
analisis variansi dapat dipergunakan untuk mendeteksi adanya beda lebih dari UNEJ
dua mean. Perhatikan ilustrasi sebaran 5 kelompok data masing-masing dengan
rata-rata kelompoknya seperti pada Gambar 5.2 dan Gambar 5.1. Pada kedua
gambar tersebut dapat dilihat bahwa ada dua jenis variansi yang dapat dilihat Daftar Isi
yaitu variansi di dalam masing-masing kelompok (yang menunjukkan sebaran dari

masing-masing data terhadap rata-rata kelompoknya, dan variansi antar kelompok Judul
yang menggambarkan adanya sebaran rata-rata kelompok terhadap rata-rata total.
Dengan asumsi bahwa variansi kelompok adalah homogen maka semakin besar
variansi antar kelompok dibanding variansi dalam kelompok menun- JJ J I II
jukkan semakin kuat bukti bahwa kelompok yang diwakili subsampel
memiliki mean yang berbeda. Oleh karena itu dengan membandingkan vari- Hal. 133 dari 234
ansi antar kelompok dengan variansi dalam kelompok dapat disimpulkan apakah
mean kelompok sama atau berbeda. Lihat Gambar 5.2. Analisis variansi (disebut
juga analisis ragam sederhana hanya terdiri atas satu faktor (disebut kelompok Cari Halaman
atau perlakuan misalnya jenis kelamin, sekolah, jenis tes dan sejenisnya) sedang-
kan untuk yang lebih kompleks dapat terdiri atas dua atau lebih faktor. Dalam hal Kembali
ini kelompok dan perlakuan merupakan faktor berbeda (misalnya peneliti sekaligus
ingin melihat pengaruh perbedaan sekolah dan jenis kelamin).
Layar Penuh
Tutup
Keluar
Kelompok Sebaran Data
UNEJ
D
A B
Daftar Isi
25 30 35 40 Judul
Respons
JJ J I II
Hal. 134 dari 234

Plot Densitas
Cari Halaman
B C D E A
0.08
Prob.
Kembali
0.00
Layar Penuh
25 30 35 40
Respons Tutup
Keluar
Gambar 5.1: Ilustrasi sebaran 5 kelompok data. Tidak adanya beda sebaran
yang mencolok antara masing-masing kelompok dengan dalam
Kelompok Sebaran Data
UNEJ
D
A B
Daftar Isi
0 10 20 30 40 Judul
Respons
JJ J I II
Hal. 135 dari 234

Plot Densitas
Cari Halaman
B C D E A
0.08
Prob.
Kembali
0.00
Layar Penuh
0 10 20 30 40
Respons Tutup
Keluar
Gambar 5.2: Ilustrasi sebaran 5 kelompok data. Perbedaan mencolok antara
sebaran dalam kelompok dengan sebaran masing-masing kelom-
5.2. Uji Anava Faktor Tunggal
Misalkan suatu data terdiri atas satu faktor yang terdiri atas k kelompok (tingkat),
masing-masing dengan nk sampel. Dalam uji anava, varians populasi diganti de-
UNEJ
ngan penduganya yaitu varians sampel yang lebih dikenal dengan istilah rata-rata
kuadrat (RK) atau Mean Square (MS) yang diperoleh dari Jumlah Kuadrat (JK)
atau Sum Square (SS) dibagi derajat kebebasannya untuk memperoleh penduga Daftar Isi
takbias.
Partisi Jumlah Kuadrat maupun Rata-rata Kuadrat diperoleh dengan mem- Judul
partisi simpangan data yang dibedakan menjadi simpangan terhadap rata-rata

keseluruhan (y.. ), simpangan data terhadap rata-rata kelompok (yi. ), dan simpan-
JJ J I II
gan rata-rata kelompok terhadap rata-rata keseluruhan. Hubungan yang diperoleh
adalah
Hal. 136 dari 234
yij y.. = y y + yij yi. (5.1)

| {z } | i. {z ..} | {z }
Cari Halaman
Deviasi Total Deviasi Antar Kelompok Deviasi Dalam Kelompok
Kembali
Dengan menguadratkan besaran di sebelah kiri dan di sebelah kanan dan di-
lakukan penyederhanaan maka diperoleh hubungan Jumlah Kuadrat dan Rata-
Layar Penuh
rata Kuadratnya sebagai berikut (lihat Netter et al. bk:NWK85)
Tutup
JKT = JKP + JKK

Keluar
dengan
ni
k X
X
JKT (Jumlah Kuadrat Total) = (yij y.. )2
i=1 j=1
UNEJ
ni
k X
X 2
JKP (Jumlah Kuadrat Perlakuan) = (yi. y.. )
i=1 j=1 Daftar Isi
k
X
= ni (yi. y.. )2
Judul
i=1
k Xnj
X
JKK (Jumlah Kuadrat Kesalahan) = (yij yi. )2 JJ J I II
i=1 j=1
1. Varians Total atau Rata-rata Kuadrat Total (RKT) Hal. 137 dari 234
Pk Pni
JKT i=1 j=1 (yij y.. )2
V T = RKT = = Cari Halaman
N 1 N 1
dengan Kembali
k ni k
1 XX X
y.. = yij dan N = ni
N Layar Penuh
i=1 j=1 i=1
2. Varians Antar kelompok atau Rata-rata Kuadrat Perlakuan (RKP). Vari-

Tutup
ans ini disebut juga varians Perlakuan karena dalam rancangan percobaan
sering kali pengelompokan dalam sampel menunjukkan adanya perbedaan
Keluar
perlakuan (treatment) yang dilakukan pada masing-masing kelompok atau
subsampel.
JKP
V A = RKP = UNEJ
k1
Pk Pni
i=1 j=1 (yi. y.. )
= Daftar Isi
k1
Pk
ni (yi. y.. )
= i=1
k1 Judul
3. Varians Dalam sampel Rata-rata Kuadrat Dalam atau Rata-rata Kuadrat

Kesalahan (RKD=RKK) JJ J I II
JKK JKT JKP

V D = RKK = = Hal. 138 dari 234
N 1 (k 1) N k
Pk Pni 2 Pk
i=1 j=1 (yij y.. ) i=1 ni (yi. y.. )
= Cari Halaman
N k
Beberapa istilah yang banyak dipergunakan diantaranya Kembali
1. JKT=SST (Sum Square Total);

Layar Penuh
2. JKP=JKA (Jumlah Kuandrat Antar)=SSB (Sum Square Between ), RKP=MSB
(Meean Square Between);
Tutup
3. JKK=JKD (Jumlah Kuadrat Dalam)=SSE (Sum Square Error)=SSW (Sum
Square Within); RKK=MSE (Mean Square Error).
Keluar
Dengan asumsi bahwa data berasal dari distribusi normal, dapat diturunkan
bahwa jumlah kuadrat (JKA=JKP dan JKK) masing-masing berdistribusi 2 de-
ngan derajat kebebasan sesuai dengan derajat kebebasan masing-masing bentuk
kuadrat bersangkutan dan satu sama lain saling bebas. Dengan demikian per-
bandingan keduanya akan menghasilkan distribusi F dengan derajat pembilang UNEJ
dan penyebut diambil dari derajat kebebasan masing-masing, yaitu:
RKP Daftar Isi
F = Fk1,N k
RKK
dengan RK = JK/db dan JKT = JKP + JKK. Tabel analisis varians dapat Judul
dilihat pada Tabel 5.1.
Uji perbedaan rata-rata dengan menggunakan anava dapat dirangkum sebagai
JJ J I II
berikut:
Asumsi Asumsi yang harus dipenuhi uji variansi adalah Hal. 139 dari 234
Sampel diambil dari populasi yang berdistribusi normal dengan vari-

ansi homogin Cari Halaman
kelompok satu dengan lainnya saling bebas

Kembali
Tabel 5.1: Tabel Anava Faktor Tunggal

Layar Penuh
Sumber Variasi DB JK RK F
Perlakuan k 1 JKP RKP=JKP/(k 1) RKP/RKK
Kesalahan N k JKK RKK=JKK/(N k) (Fk1,N k ) Tutup
Total N 1 JKT
Keluar
Hipotesis Uji hipotesis dirumuskan sebagai berikut:
H0 Semua populasi memiliki mean yang sama (1 = = k )

HA Paling tidak ada dua kelompok yang memiliki mean berbeda (i 6=
j, i 6= j ). UNEJ
Uji Statistika Uji statistik adalah:

Daftar Isi
RKP
F0 =
RKK Judul
Uji Hipotesis Dengan menghitung nilai p.val pada F (F0 )k1,N k dengan kesim-
pulan JJ J I II
1. jika p.val > 0.05 maka tidak ada beda signifikan antara mean yang
Hal. 140 dari 234
diuji;
2. jika 0.01 < p.val 0.05 maka paling tidak ada dua mean yang berbeda
Cari Halaman
signifikan;
3. jika p.val 0.01 maka paling tidak ada dua mean yang berbeda sangat
Kembali
signifikan;
5.2.1. Alternatif Formula untuk perhitungan secara semi manual Layar Penuh
2
ni
k X ni
k X
X 1 X Tutup
JKT = Yij2 Yij
N
i=1 j=1 i=1 j=1
Keluar
2 2
k ni ni
k X
X X 1 X
JKP = Yij Yij
N
i=1 j=1 i=1 j=1
JKE = JKT JKP

UNEJ
-------------------------------------------------------------
DIET Daftar Isi
BERAT -----------------------------------------------------
1 2 3 4
Judul
-------------------------------------------------------------
91 110 85 80
89 84 92 72 JJ J I II
102 84 89 89
82 85 85 79
Hal. 141 dari 234
93 89 72 72
93 87 80 76
------------------------------------------------------------- Cari Halaman
Yi. = TOTAL Y..=
-------------------------------------------------------------
Kembali
Yi.^2 =
-------------------------------------------------------------
Layar Penuh
5.2.2. Uji Anava dengan R atau R-Commander

Tutup
Dengan menggunakan R uji analisis variansi dapat dilakuan dengan memanggil
fungsi aov yaitu:
Keluar
aov(respon~kelompok,data=data.freme)
R-Commander telah memiliki menu yang siap diakses untuk melakukan uji
analisis variansi. Pilihan uji anova berada pada menu Statistika. Sebagai contoh
penggunaan uji anava dengan menu R-Commander kita akan memanfaatkan basis UNEJ
data yang telah disediakan oleh R pada pustaka stats. Untuk mengaktifkan salah
satu data pada pustaka stats ikuti cara berikut (lihat juga Gambar 3.1 halaman
Daftar Isi
72) dan misalkan kita memilih data Orange.
=>Data=>Baca Data dari Paket Judul

=>Pilih Paket => Pilih Data
Selanjutnya untuk melakukan uji anava ikuti langkah berikut JJ J I II
=> Statistika => Uji Rata-rata/mean => anava satu arah Hal. 142 dari 234
Bila langkah di aiats diikuti, kita akan memperoleh tampilan seperti pada
Gambar 5.3. Pada gambar tersebut terlihat bahwa untuk data Orange hanya Cari Halaman
tersedia satu kelompok/faktor yaitu Tree yang menunjukkan jenis pohon jeruk
dan dua respon, misalnya kita pilih circumference yang menunjukkan keliling
Kembali
batang pohon jeruk. Selain itu ada juga pilihan apakah kita ingin melihat uji
berpasangan atau tidak. Hsil analisis adalah sebagai berikut yang menunjukkan
tidak adanya bedayang signifikan (p.val = 0.4857). Layar Penuh
Analysis of Variance Table Tutup
Response: circumference
Keluar
Df Sum Sq Mean Sq F value Pr(>F)
Tree 4 11841 2960 0.8834 0.4857
Residuals 30 100525 3351
UNEJ
Daftar Isi
Judul
JJ J I II
Gambar 5.3: Menu dialog anova satu arah

Hal. 143 dari 234
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
5.3. Anava Multi Faktor
Analisis varians selanjutnya dapat diperluas untuk sekaligus memeriksa atau men-
guji beda rata-rata yang dikelompokkan atas beberapa faktor dengan jumlah level
bervariasi. Sebagai ilustrasi kita ambil contoh sederhana dengan dua faktor yaitu UNEJ
faktor A (misalnya sekolah) dan faktor B (jenis kelamin). Misalkan peneliti in-
gin meneliti ada tidaknya perbedaan nilai ujian suatu mata pelajaran (misalnya
matematika) dari beberapa sekolah juga antara siswa pria dan perempuan. Daftar Isi
Dalam kasus multi faktor seperti ini, ada beberapa pertanyaan pokok yaitu
apakah ada perbedaan prestasi dari masing-masing sekolah sekolah dan apakah Judul
ada perbedaan prestasi antara siswa laki-laki dan perempuan. Pertanyaan terse-
but menyelidiki pengaruh faktor utama atau main effects. Selain itu ada juga
pertanyaan tambahan yaitu: apakah perbedaan prestasi matematika dari kedua JJ J I II
jenis kelamin bergantung pada sekolah? Pertanyaan ini memeriksa apakah ada
pengaruh interaksi antara sekolah (faktor A) dengan jenis kelamin (faktor B). Hal. 144 dari 234
Ilustrasi secara grafik tentang adanya interaksi dapat dilihat pada Gambar 5.6.
Ringkasan analisis varians dengan dua faktor (A dan B) diberikan pada Tabel
Cari Halaman
5.2. Keluaran anava terutama berupa tabel anava yang berisi sumber variasi, de-
rajat kebebasan dan nilai F serta p.val. Selain itu juga diinformasikan ringkasan
mean dan deviasi baku dari data yang dihitung perpasangan faktor. Keluaran Kembali
berikut adalah hasil analisis data simulasi dengan dua fakror yaitu A( dengan 5
level/tingkat) dan faktor B dengan 4 level.
Layar Penuh
Mean Respon
FaktorA B1 B2 B3 B4 Tutup
A1 0.6316032 0.02352914 0.2492653 -0.1309664
A2 4.3843496 15.01071223 9.8645554 -3.1866694
Keluar
Tabel 5.2: Tabel Anava Faktor Ganda/ Multi Faktor
Sumber DB JK RK F0 Distribusi
Variasi
Faktor A a1 JK(A) RKP RKP/ (Fa1,ab(r1) ) UNEJ
RKK
Faktor B b1 JK(B) RKK (Fb1,ab(r1) )
Daftar Isi
AB (a 1) JK(AB) (F(a1)(b1),ab(r1) )
(b 1) JK(AB) (F(a1)(b1),ab(r1) )
Kesalahan ab(r-1) JKK RKK Judul
Total N 1 JKT
JJ J I II
A3 10.7027717 29.66461105 20.7192812 -5.9320402 Hal. 145 dari 234

A4 15.6488281 44.50848649 29.1709683 -8.8033237
A5 20.2773067 60.47144199 40.2166051 -11.8190263
Cari Halaman
St.Dev Respons
FaktorA B1 B2 B3 B4 Kembali
A1 1.2074597 0.4300686 0.6546097 1.1142916

A2 1.5388709 0.7395929 0.6201595 0.7457983 Layar Penuh
A3 0.6670030 0.4669000 0.8852323 1.5050601
A4 0.8586452 1.0347464 1.0621368 0.5214592
Tutup
A5 0.7122736 1.4802049 1.1593780 1.2964164
Keluar
UNEJ
Daftar Isi
Gambar 5.4: Menu dialog anova multi arah

Judul
Banyaknya Respon per Faktor JJ J I II

Faktor B
FaktorA B1 B2 B3 B4 Hal. 146 dari 234
A1 5 5 5 5
A2 5 5 5 5
Cari Halaman
A3 5 5 5 5
A4 5 5 5 5
A5 5 5 5 5 Kembali
ANOVA Layar Penuh

Response: Respons
Sum Sq Df F value Pr(>F)
Tutup
FaktorA 9198.1 4 2321.34 < 2.2e-16 ***
FaktorB 17556.0 3 5907.54 < 2.2e-16 ***
Keluar
FaktorA:FaktorB 8748.8 12 735.99 < 2.2e-16 ***
Residuals 79.2 80
---
Signif. codes: 0 `***' 0.001 `**' 0.01 `*' 0.05 `.' 0.1 ` ' 1
UNEJ
5.3.1. Eksplorasi Grafik Beda Rata-rata Daftar Isi
Dengan prinsip kerja analisi anova seperti di atas, maka pemahaman ter-
Judul
hadap interppretasi hasil analisis dapat dibuat lebih baik dengan menggu-
nakan eksplorasi grafik. Sesungguhnya eksplorasi grafik selain dapat diper-
gunakan sebagai ilustrasi hasil analisis statistika juga dapat dimanfaatkan JJ J I II
sebagai eksplorasi awal sebelum memilih uji statistik yang sesuai dengan
kondisi data. Hal. 147 dari 234
Ada dua macam presentasi grafik yang siap diimplemantasikan melalui
menu R-Commander yaitu Grafik Rata-rata dan Grafik Box-plot. Dengan
Cari Halaman
kedua sajian grafik ini kita dapat lebih mudah menginterpretasikan hasil ana-
lisis uji varians. Gambar Plot rata-rata dan Box-plot dari data Orange dapat
dilihat pada Gambar 5.5. Untuk data dengan dua faktor, ada tidaknya pen- Kembali
garuh faktor utama dan interaksi dapat dilihat grafik rata-rata (plot mean)
seperti diilustrasikan pada Gambar 5.6. Layar Penuh
1. Apabila kurva (garis-garis patah) yang mewakili rata-rata dari kombi-

Tutup
nasi level dari kedua faktor membentuk garis sejajar sumbu X dan tidak
terpisah secara mencolok antara faktor B, berartii tidak ada pengaruh
Keluar
masing-masing faktor (A maupun B) (Gambar 5.6(1))
2. Apabila kurva (garis-garis patah) yang mewakili rata-rata dari kombi-

nasi level dari kedua faktor membentuk garis sejajar sumbu X tetapi
antara level (B) terpisah secara mencolok, berarti tidak ada pengaruh UNEJ
faktor A tetapi ada pengaruh faktor B dan tidak ada interaksi (Gambar
5.6(2))
Daftar Isi
3. Apabila kurva tidak sejajar dengan sumbu X, tetapi sejajar satu sama
lain dan terpisah antara faktor B, berarti ada pengaruh dari faktor Judul
utama (baik A maupun B) tetapi tidak ada interaksi (Gambar 5.6(3)).
4. Apabila kurvanya tidak sejajar sumbu X dan masing-masing tidak se- JJ J I II

jajar satu sama lain, berarti ada interaksi sekaligus juga ada pengaruh
faktor utama (Gambar 5.6(4)). Hal. 148 dari 234
Ilustrasi lebih detil dari anova dua faktor dengan ilustrasi interval keyakinan
Cari Halaman
95% dapat dilihat pada Gambar f.meanplot.anava2. Dari grafik akanlang-
sung dapat dilihat secara kasar apakah ada perbedaan mean pada salah satu
atau faktor kedua faktor, termasuk adanya interaksi. Kembali
Layar Penuh
Tutup
Keluar
mean of Orange$circumference
Plot of Means
UNEJ
150
Daftar Isi

50
Judul
3 1 5 2 4
JJ J I II
Orange$Tree
Hal. 149 dari 234
Cari Halaman
Kembali
circumference
150
Layar Penuh
50
Tutup
3 1 5 2 4 Keluar
Tree
Plot Mean (1) Plot Mean (2)
5.2
20
FB FB
B1 B1 UNEJ
B2 B2
15
Respons
Respons
B3 B3
5.0
B4 B4

10
Daftar Isi
4.8
5

A1 A2 A3 A4 A5 A1 A2 A3 A4 A5 Judul
Faktor A Faktor A
JJ J I II
Plot Mean (3) Plot Mean (4)
FB FB
Hal. 150 dari 234
50
35
B1 B1
B2 B2
Respons
Respons
30
B3 B3
25
B4 B4
Cari Halaman

10
15

10
Kembali
A1 A2 A3 A4 A5 A1 A2 A3 A4 A5
Faktor A Faktor A
Layar Penuh
Gambar 5.6: Contoh Mean Plot untuk ilustrasi uji anava dengan dua faktor
dan empat macam hubungan kedua faktor Tutup
Keluar
Grafik Ratarata
UNEJ
60
FB
B1 Daftar Isi
B2
B3 Judul
40
B4
JJ J I II
Respons
Hal. 151 dari 234

20

Cari Halaman

Kembali
0
Layar Penuh
Tutup
A1 A2 A3 A4 A5
Keluar
Faktor A
Bagi pembaca yang ingin mendalami lebih jauh Analisis varians dapat mem-
baca Netter et al. bk:NWK85, untuk pendekatan yang lebih matematis.
Bagi pembaca yang hanya membutuhkan pendekatan praktis dapat membaca UNEJ
Mendenhall bk:Mendenhall93. Referensi anava yang secara khusus mem-
bahas aplikasi R untuk anava dapat dibaca pada Vezalini m:Vezalini2002, Daftar Isi
Maidonald m:Maindonald2001 dan Faraway m:Faraway2002 yang menggu-
nakan pendekatan regresi.
Judul
JJ J I II
Hal. 152 dari 234
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
Diskusikan dalam kelompok dengan 2-3 orang
1. Misalkan suatu faktor terdiri atas 3 level dan uji anava untuk faktor UNEJ
ini terhadap variabel yang lain hasilnya adalah signifikan. Jelaskan
apa maknanya, apakah berarti rata-rata ketiga kelompok tadi secara
Daftar Isi
berpasangan (pairwise) semua berbeda signifikan?
2. Eksplorasi data yang ada pada R dan pilih data yangmemiliki kelompok Judul
atau faktor dengan level lebih dari dua. Selanjutnya lakukan uji beda
dengan kelompok lebih dari dua (anava).
JJ J I II
3. Perhatikan data simulasi nilai ujian sekolah, selidiki apakah ada perbe-
daan rata-rata hasil ujian dilihat dari jenis kelamin dan sekolah. Apakah Hal. 153 dari 234
tren (kecenderungan) berdasarkan jenis kelamin sama untuk semua
sekolah?
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
UNEJ
Daftar Isi
Judul
JJ J I II
Hal. 154 dari 234
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
UNEJ
BAB 6 Daftar Isi
DASAR-DASAR PEMODELAN STOKASTIK Judul
JJ J I II
Hal. 155 dari 234
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
Tujuan Umum
Mahasiswa memahami hakekat pemodelan dalam bidang statistika serta mem-
punyai gambaran tentang kedudukan dan perkembangan model- model linier
dalam uji statistika UNEJ
Daftar Isi
Judul
JJ J I II
Hal. 156 dari 234
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
Tujuan Khusus
Setelah menyelesaikan bab ini mahasiswa diharapkan dapat:
1. menyebutkan perbedaan antara pemodelan stokastik dan pemodelan UNEJ

deter-ministik;
2. menyebutkan langkah- langkah penting dalam pemodelan stokastik; Daftar Isi
3. menyebutkan komponen- komponen penting dalam model linier;

Judul
4. menyebutkan persamaan dan perbedaan dari model linier normal, mo-

del linier campuran, model linier tergeneralisasi, model linier campuran JJ J I II
tergeneralisasi, model linier hierarkis;
5. menyebutkan metode untuk menghitung penduga parameter. Hal. 157 dari 234
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
Materi
1. Hakekat pemodelan
2. Langkah- langkah penting dalam pemodelan UNEJ
3. Model linier dan perkembangannya

Daftar Isi
4. Metode mengestimasi parameter
5. Mendiagnosis model Judul
JJ J I II
Hal. 158 dari 234
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
6.1. Prinsip Pemodelan
Ketika kita menganalisis data dengan menggunakan metode statistika, kita
hampir selalu menekankan asumsi yang dikenakan terhadap data yang di
analisis. Asumsi-asumsi itu dapat meliputi hubungan antara peubah, mau- UNEJ
pun sebaran dari galat (error). Namun, mungkin tidak semua kita menyadari
bahwa saat itu sebenarnya kita sedang menerapkan suatu pemodelan (dalam Daftar Isi
hal ini pemodelan statistik) dalam memecahkan persoalan yang dihadapi
maupun membuat suatu kesimpulan tentang masalah yang dihadapi. Ketika
Judul
kita berbicara model atau pemodelan dalam bidang matematika atau sta-
tistika, mungkin pikiran kita membayangkan materi matematika yang su-
dah merupakan tingkat lanjut (advanced mathematics) yang membutuhkan JJ J I II
pemahaman kalkulus lanjut maupun persamaan diferensial. Pemodelan, baik
disadari atau tidak, implisit atau eksplisit, sebenarnya selalu dilakukan pada Hal. 159 dari 234
saat kita menggunakan matematika (atau khususnya statistika) dalam me-
mecahkan masalah dalam kehidupanm riil. Bahkan, sejak kita belum men-
Cari Halaman
jadi mahasiswa, yaitu ketika di SLTP/SMU kita menyelesaikan soal bentuk
cerita (words problem), kita juga sebenarnya menerapkan pemodelan mate-
matika. Demikian juga ketika kita menyelesaikan aplikasi sistim persamaan Kembali
linier dalah kehidupan sehari- hari.

Definisi 6.1 (Prinsip Pemodelan). Model matematika dari suatu masalah Layar Penuh
adalah rumusan masalah dalam bentuk persamaan matematika

Tutup
Definisi 6.2. Pemodelan matematika adalah proses menerjemahkan masa-
lah dalam bahasa umum ke dalam bahasa atau persamaan matematika
Keluar
Sebagai ilustrasi, berikut disampaikan contoh soal penerapan sistim per-
samaan linier dan langkah- langkah penyelesaian yang dianjurkan.
Contoh 6.1.
Seorang ibu membeli 3 kilogram salak dan 2 kilogram anggur. Ibu terse- UNEJ
but harus membayar sebesar Rp 17 000,- Sedangkan ibu lain yang membeli
3 kilogram salak dan 5 kilogram anggur harus membayar Rp 29.000,-. Jika
Daftar Isi
pedagang memberlakukan harga yang tetap terhadap kedua ibu- ibu tadi,
berapa harga perkilogram salak dan harga perkilogram anggur? Selanjutnya
berapa harga yang harus dibayar jika seseorang membeli x kg salak dan y kg Judul
anggur?
Untuk menjawab persoalan di atas dianjurkan untuk menempuh langkah- JJ J I II
langkah berikut, yang mungkin hanya dilakukan secara implisit.
1. Kita misalkan bilangan yang ingin kita cari (dalam hal ini harga satu Hal. 160 dari 234
kilogram salak dan harga satu kilogram anggur) masing- masing se-
bagai a dan b. Kita membuat persamaan matematika dari persoalan
Cari Halaman
dalam bentuk cerita tadi. Disini sebenarnya kita sedang membuat mo-
del matematika suatu persoalan. Untuk soal di atas model matematika
yang kita peroleh adalah Kembali

3a + 2b = 1700
(6.1)
3a + 5b = 29000 Layar Penuh
2. Kita menyelesaikan persamaan matematika di atas dengan teori mate-

Tutup
matika yang kita miliki. Dengan metode eleminasi dan substitusi balik
kita memperoleh a = 3000 dan b = 4000.
Keluar
3. Mensubsitusikan secara serempak nilai a dan b yang diperoleh ke sis-
tim persamaan yang dimiliki untuk memeriksa apakah hasil yang kita
peroleh benar atau tidak.
4. Menyimpulkan bahwa harga satu kilogram salak adalah Rp 3000 dan UNEJ
harga satu kilogram anggur adalah Rp 4000.
Jadi harga x kg salak dan y kg anggur adalah Daftar Isi
H = 3000x + 4000y Judul
Jadi dapat dipahami bahwa pemodelan atau menerjemahkan masalah

sehari-hari ke persamaan matematika merupakan bagian yang sangat pen- JJ J I II
ting dalam menyelesaikan persoalan sehari- hari dengan menggunakan ma-
tematika. Pentingnya pemodelan dalam matematika juga dinyatakan oleh Hal. 161 dari 234
Prof. J. Neyman, yang dikutip dari Meyer, sebagai berikut:
Whenever we use mathematics in order to study some observational Cari Halaman
phenomena we must essentially begin by building a mathematical mo-
del (deterministic or probabilistic) for these phenomena. Of necessity,
the model must simplify matters and certain details must be ignored. Kembali
The success of the model depends on whether or not the details ignored
are really unimportant in the development of the phenomena studied.
The solution of mathematical problems may be correct and yet be in Layar Penuh
considerable disagreement with the observed data simply because the
underlying assumptions made are not warranted. It is usually quite
difficult to state with certainty, whether or not a given mathematical Tutup
model is adequate before some observational data are obtained. In
order to check the validity of the model, we must deduce a number of
Keluar
consequences of our model and then compare these predicted results
with observations. [Kapan saja kita menggunakan metematika untuk
mempelajari fenomena yang teramati, kita mesti perlu mulai dengan
membangun suatu model matematika (determisistik atau probabilis-
tik) untuk fenomena tersebut. Sangat penting, model yang dibuat
harus menyederhanakan persoalan dan beberapa rincian mesti dia- UNEJ
baikan. Keberhasilan model bergantung pada apakah rincian yang
diabaikan benar- benar tidak penting dalam pengembangan fenom-
ena yang dipelajari. Biasanya sangat sulit untuk menyatakan dengan Daftar Isi
pasti, apakah suatu model matematika adalah tepat atau tidak se-
belum diperoleh data pengamatan. Dalam rangka memeriksa validi-
tas model, kita harus menurunkan sejumlah konsekuensi (dalil) dari Judul
model kita dan membandingkan hasil dugaan teoritis dengan penga-
matan] (Meyer [16]).
JJ J I II
Pembuatan model dari suatu persoalan adalah ibarat pembuatan peta
suatu wilayah. Dalam proses pembuatan peta, mesti ada penyederhanaan, Hal. 162 dari 234
yaitu mengabaikan rincian hal-hal yang tidak menjadi kepentingan. Sangat
jelaslah bahwa peta yang baik adalah peta yang sederhana namun memuat
Cari Halaman
secara akurat informasi yang diperlukan. Peta yang terlalu rinci, dalam hal
tertentu menjasdi tidak komunikatif, karena terlalu banyak informasi yang
tidak diperlukan. Sementara, di lain pihak, peta yang terlalu sederhana Kembali
yang mengabaikan informasi yang penting, dapat menjerumuskan pemba-

canya kepada sasaran yang keliru. Demikian juga, dalam menyelesaikan Layar Penuh
persoalan dengan menggunakan matematika, biasanya kita selalu memulai
dengan model yang paling sederhana yang berarti banyak informasi yang di-
Tutup
abaikan. Karenanya penyelesaian persoalan secara matematis ini, mungkin
benar tapi tidak bermanfaat dan tidak bermakna, karena model yang diban-
Keluar
gun tidak sesuai dengan data yang diamati, akibat adanya asumsi penting
yang dibuat untuk mendasarinya diabaikan. Itulah sebabnya dalam penyele-
saian persoalan secara matematika (atau statistika khususnya), kita memang
biasanya mulai dari model yang sederhana kemudian dikembangkan secara
berangsur-angsur ke model yang lebih kompleks yang semakin sesuai dengan UNEJ
kondidi riil di lapangan. Pada Contoh 1.1, sebenarnya setelah diperoleh

kesimpulan akhir tentang harga barang, hasil tersebut perlu diperiksa atau Daftar Isi
dicocokkan dengan keadaan riil dilapangan dengan mengambil beberapa in-
formasi yang lain, apakah temuan tersebut berlaku, menyimpang sedikit atau
Judul
banyak. Sehingga kita bisa mengambil langkah apakah model yang kita pakai
perlu diperbaiki atau tidak. Pada Contoh 1.1, ada asumsi yang dikenakan
dalam persoalan tersebut yaitu pedangang diasumsikan mengenakan harga JJ J I II
yang tetap kepada semua pembeli. Ini berarti peubah harga dianggap meru-
pakan peubah tetap yang tidak bersifat acak. Dengan demikian mengambil Hal. 163 dari 234
dua pembeli sudah cukup untuk mementukan atau menghitung harga dua
komuditas (anggur dan salak).
Cari Halaman
Persoalan akan menjadi lebih kompleks apabila dalam kenyataan di la-
pangan pedagang mengenakan harga yang berbeda-beda kepada pembeli dan Kembali
sangat boleh jadi kenyataan inilah yang banyak terjadi di lapangan, terutama
di pasar-pasar tradisional. Dalam kondisi ini ada kemungkinan dari bebe-
Layar Penuh
rapa pembeli diperoleh informasi (data) yang berbeda- beda misalnya dari 10
pembeli diperoleh informasi seperti pada Tabel 6.1 yang berupa data fiktif.
Tutup
Kedua sifat alami dari gejala ini menuntut pemodelan yang berbeda. Pe-
modelan yang pertama yang tidak memperhitungkan adanya sebaran harga
Keluar
Tabel 6.1: Tabel jumlah (kg) salak dan anggur dan harga yang dibayar
Nomor Jumlah Kg Jumlah Kg Jumlah
Pembeli Salak (X1 ) Anggur (X2 ) Harga dalam
Rupiah (H) UNEJ
1 2 4 20 500
2 6 3 29 000 Daftar Isi
3 3 2 17 000
4 4 5 31 500
Judul
5 5 6 40 000
6 6 3 30 500
7 3 5 29 000 JJ J I II
8 2 2 14 500
9 5 6 39 500 Hal. 164 dari 234
10 6 6 41 000
Cari Halaman
disebut pemodelan deterministik (matematika). Dalam pemodelan ini

peubah yang diamati dianggap tetap (fixed) dan tidak memiliki sebaran Kembali
sehingga hubungan yang diperoleh merupakan hubungan matematika yang

bersifat fungsional murni (misalnya, y = f (x)). Pemodelan yang kedua, men- Layar Penuh
ganggap peubah harga berubah- ubah dengan sebaran tertentu (misalnya,
normal). Pemodelan ini disebut pemodelan stokastik (statistika). Hu-
Tutup
bungan yang diperoleh selain mengandung komponen fungsional, juga men-
gandung adanya galat yang merupakan peubah acak yang berdistribusi de-
Keluar
ngan sebaran tertentu. Jadi hubungan yang diperoleh menjadi y = f (x, , )+
e, dengan e adalah peubah acak/ random yang berdistribusi normal, misal-
nya. Fungsi f dan sebaran e biasanya bergantung kepada suatu konstanta
yang belum diketahui yang disebut parameter. Parameter inilah yang bi-
asanya menjadi fokus kepentingan dalam pemodelan statistika. Dalam con- UNEJ
toh di atas X1 , X2 dan Y disebut variabel/ peubah yang diketahui dari data
sedangkan dan adalah parameter yang akan dicari). Sehingga persamaan Daftar Isi
matematika yang sekarang harus diselesaikan adalah
Judul
h = 1 x1 + 2 x2 + .
Selanjutnya dengan mengenakan beberapa pembatasan atau asumsi, dalam JJ J I II

statistika, diperoleh berbagai variasi model. Asumsi yang paling sederhana
yang juga menghasilkan model yang paling sederhana adalah bahwa ei berdis-
Hal. 165 dari 234
tribusi identik dan independen. Model-Statistika Linier membahas berbagai
alternatif model serta penyelesaiannya. Dengan prosedur stokastik meng-
hasilkan persamaan yang berupa dugaan harga (H) Cari Halaman
h = 3001, 73x1 + 3968, 40x2 Kembali
dengan 3001,732 disebut penduga 1 atau 1 yaitu dugaan harga 1 kg salak

dan 3968,40 disebut 2 yaitu digaan harga 1 kg anggur. Layar Penuh
Tutup
Keluar
6.2. Langkah-langkah Penting Dalam Pemodelan
6.2.1. Langkah penting dalam Pemodelan secara Umum
Dari uraian pada Contoh 1.1 sebenarnya sudah tergambar langkah- langkah UNEJ
yang penting dalam pemodelan secara umum. Langkah- langkah tersebut
dapat diuraikan secara lebih eksplisit seperti berikut ini.
Daftar Isi
Penentuan model Langkah ini meliputi:

Judul
1. menentukan/ mengidentifikasi peubah;
2. menentukan parameter yang menjadi kepentingan;
JJ J I II
3. menentukan hubungan antara parameter dan peubah serta
4. menentukan distribusi komponen acak; Hal. 166 dari 234
Penentukan hubungan serta distribusi ini tentunya disesuaikan dengan

kondisi dan sifat permasalahan yang dihadapi. Cari Halaman
Menyelesaikan model Langkah ini meliputi menghitung nilai variabel atau

Kembali
konstanta yang ada pada model dengan menggunakan kaidah- kaidah
matematika maupun statistika baik secara analitik maupun numerik.
Layar Penuh
Melakukan verifikasi Hasil yang diperoleh dari penyelesaian model se-
belum disimpulkan atau diinterpretasikan ke dalam persoalan nnyata
Tutup
semestinya diverifikasi apakah sudah sesuai dengan model yang digu-
nakan. Langkah ini penting untuk meyakinkan tidak adanya kesalahan
Keluar
perhitungan, kesalahan pemrograman (kalau menggunakan komputer),
maupun kesalahan konsep matematika yag digunakan dalam menyele-
saikan model.
Menarik kesimpulan Selanjutnya hasil yang diperoleh diinterpretasikan UNEJ

sesuai dengan persoalan riil yang menjadi dasar pemilihan model.
Melakukan uji kecocokan Karena pada umumnya pemodelan dimulai dari Daftar Isi
yang sederhana dengan menggunakan asumsi- asumsi secara ketat, maka

tidak mustahil hasil yang dihasilkan tidak terlalu cocok dengan kondisi Judul
riil di lapangan. Melalui langkah ini seseorang mendapat gambaran
apakah model yang dipilih sesuai atau perlu menggunakan meningkatkan
JJ J I II
kompleksitas modelnya dengan menambah variabel maupun konstanta
dalam model atau mencoba hubungan fungsi yang lebih kompleks.
Hal. 167 dari 234
6.2.2. Langkah penting dalam Pemodelan Stokastik

Cari Halaman
Sebenarnya langkah- langkah dalam pemodelan stokastik sudah tergambar
langkah- langkah yang penting dalam pemodelan secara umum. Namun ada
Kembali
beberapa langkah yang sifatnya khas yang tidak dilakukan dalam pemodelan
umum. Sifat khas ini disebabkan karena dalam pemodelan statistika ada
parameter yang menjadi kepentingan dan ada komponen galat yang bersifat Layar Penuh
acak (distribusional). Langkah-langkah penting yang harus ditempuh dalam

pemodelan stokastik dapat diuraikan seperti berikut ini. Tutup
Penentuan model. Langkah ini meliputi:

Keluar
1. menentukan/ mengidentifikasi peubah;
2. menentukan parameter yang menjadi kepentingan;
3. menentukan hubungan antara parameter dan peubah serta
4. menentukan distribusi komponen acak. UNEJ
Dalam pemodelan stokastikpun penentuan hubungan serta distribusi

Daftar Isi
ini tentunya disesuaikan dengan kondisi dan sifat permasalahan yang
dihadapi.
Judul
Mengestimasi parameter yang menjadi kepentingan. Langkah ini iden-

tik dengan menyelesaikan persamaan matematika yang diperoleh seba- JJ J I II
gai model matematika dari permasalahan yang dihadapi. Langkah ini
meliputi menghitung nilai parameter-parameter yang ada pada model
Hal. 168 dari 234
dengan menggunakan kaidah- kaidah matematika maupun statistika
baik secara analitik maupun numerik.
Cari Halaman
Menarik kesimpulan/ melakukan uji inferensi. Dalam pemodelan stokastik,
karena peubah yang dihadapi adalah peubah yang bersifat random/
Kembali
acak maka hasil yang diperoleh masih harus diuji
1. apakah hasil yang diperoleh secara statistika signifikan atau tidak; Layar Penuh
2. bagaimana besaran kesalahan dari dugaan yang diperoleh,

3. bagaimana sebaran atau rentangan atau interval dari hasil yang Tutup
diperoleh?
Keluar
Melakukan uji kecocokan (goodness of fit) atau mengadakan diagnos-
tik model. Hasil yang diperoleh selain diuji signifikansinya, mestinya
juga diuji kecocokannya dengan kondisi riil dilapangan. Melalui lang-
kah diagnostik diperiksa
UNEJ
1. apakah ada kecocokan atau tidak antara asumsi yang dilakukan

dengan kondisi riil data; Daftar Isi
2. apakah perlu melalukan remidi (mentransformasi data sehingga

kondisi yang disyaratkan oleh model terpenuhi) atau Judul
3. apakah perlu mencari alternatif model yang lebih cocok.

JJ J I II
Uji kecocokan ini biasanya dilakukan pada sisa (residu) dari penggu-
naan model. Itu sebabnya langkah ini kebanyakan dilakukan sesudah Hal. 169 dari 234
model dipilih. Untuk melakuakn uji ini diperlukan data yang param-
eternya diketahui (data hasil simulasi). Bagi para teorisi statistika (
Cari Halaman
statistisi ), yang mereka lakukan adalah menurunkan metode umum/
prosedur dalam mengestimasi parameter, menguji dan mendiagnosis
dan meremidi model yang mereka buat. Sedangkan tugas praktisi Kembali
(statistikawan) adalah menerapkan metode sesuai dengan persyaratan

yang ditentukan atau yang dihasilkan oleh para statistisi. Layar Penuh
Bagi para teorisi statistika, atau statistisi, yang mereka lakukan adalah
Tutup
menurunkan metode umum/ prosedur dalam mengestimasi parameter, men-
guji dan mendiagnosis dan meremidi model yang mereka buat. Sedangkan
Keluar
tugas praktisi menerapkan metode sesuai dengan persyaratan yang diten-
tukan atau yang dihasilkan oleh para statistisi. Selain itu, tugas para teorisi
statistika (statistisi) adalah juga membangun berbagai model alternatif, un-
tuk berbagai kondisi dilapangan. Kemudian, secara deduktif (matematis)
menurunkan sifat- sifat dari model tersebut, cara mengestimasi parameter, UNEJ
cara mendiagnosis model serta mengaplikasikan model- model yang ditu-

runkan kedalam suatu paket komputer yang ramah (gampang dipakai dan Daftar Isi
dipahami) sehingga bisa dipakai oleh para praktisi di lapangan. Lebih tegas-
nya menurut Mendenhall (1979) dikatakan
Judul
The statisticians study various inferential procedures, looking for

the best predictor or decicion-making process for a given situa- JJ J I II
tion. Even more important, the statistician provides information
concerning the goodness of an inferential procedures. [Para statis- Hal. 170 dari 234
tisi mempelajari berbagai prosedur penarikan kesimpulan, men-
cari penduga terbaik- atau proses pengambilan keputusan untuk
Cari Halaman
kondisi tertentu. Bahkan lebih jauh mereka menyediakan infor-
masi berkaitan dengan kecocokan dari suatu prosedur pengambi-
lan keputusan] (Mendenhall [14]). Kembali
Bagi para analis (praktisi) statistika atau para statistikawan, tugas pokoknya Layar Penuh
adalah mempelajari model- model yang ditawarkan beserta persyaratan dan
prosedur yang harus ditempuh dalam menerapkan model tersebut. Hal ini
Tutup
sejalan dengan fungsi dan tujuan ilmu statistika itu sendiri sebagaimana
digambarkan Wackery et al. [25] bahwa tujuan statistika adalah membuat
Keluar
kesimpulan tentang populasi berdasarkan informasi yang diperoleh pada su-
atu sampel dan untuk memberikan ukuran derajat kecocokan dari kesimpulan
itu.
UNEJ
Daftar Isi
Judul
JJ J I II
Hal. 171 dari 234
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
6.3. Metode Mengestimasi Parameter
Salah satu langkah pokok dalam pemodelan statistika adalah mengestimasi
parameter yang menjadi kepentingan. Dalam model linier ada dua kelom-
pok parameter yang menjadi kepentingan yaitu yang paling penting adalah UNEJ
parameter efek tetap atau parameter regresi j (j = 0, 1, 2, ..., k tergantung
pada dimensinya) dan biasanya diperlukan juga mengestimasi parameter dis- Daftar Isi
persi (misalnya , tergantung pada model linier yang dihadapi). Kadang-
kadang parameter dispersi ini diasumsikan diketahui. Ada dua metode yang
Judul
banyak dipakai dalam mengestimasi parameter efek tetap dalam model linier
yaitu:
JJ J I II
1. metode kuadrat terkecil (least square method) dan
2. metode likelihood maksimum (maximum likelihood method). Hal. 172 dari 234
6.3.1. Metode kuadrat terkecil Cari Halaman
Pada dasarnya parameter yang diestimasi adalah parameter dari garis re-
gresi dari model yang mewakili populasi. Estimasi ini diperoleh berdasarkan Kembali
informasi atau sebaran sampel yang dimiliki. Metode least square, menggu-
nakan pendekatan geometris. Secara geometris, garis yang paling mewak- Layar Penuh
ili sebaran sampel adalah garis yang mempunyai simpangan minimum, atau
galat terkecil dengan pencaran data. Untuk memudahkan perhitungan, jarak
Tutup
yang aslinya berupa harga mutlak dari galat, |i | diganti dengan kuadrat galat
tersebut e2i .
Keluar
Langkah langkah dalam mengestimasi parameter dari sampel sebanyak n
dengan metode kuadrat terkecil adalah:
1. mengubah persamaan model
yi = xi + i menjadi i = xi yi ; UNEJ
2. P
mencari bentuk kuadrat dan jumlah kuadrat dari kesalahan, yaitu Q = Daftar Isi
n 2
i=1 i ;
3. menghitung penduga parameter dengan mencari minimum dari Q ter- Judul

hadap j .
Dalam pembicaraan kita di bidang statistika, kalau kita membicaraan ten- JJ J I II
tang maksimum/ minimum suatu fungsi, maka yang menjadi kepentingan
kita adalah nilai peubah atau paremeter, yang menyebabkan fungsi itu men- Hal. 173 dari 234
capai maksimum/ minimum dan bukan nilai maksimum/ atau minimum
fungsi tersebut.
Cari Halaman
6.3.2. Metode likelihood maksimum

Kembali
Kalau metode kuadrat terkecil menggunakan pendekatan geometris, maka

metode likelihood maksimum menggunakan pendekatan distribusi. Dari data Layar Penuh
yang dimiliki serta asumsi distribusi yang diberlakukan pada data tersebut
kita memperoleh fungsi likelihood dari data tersebut. Jelasnya langkah terse-
Tutup
but dapat diuraikan sebagai berikut. Langkah- langkah dalam mencari pen-
duga likelihood maksimum adalah seperti berikut ini.
Keluar
1. Tentukan likelihood dari data Y = (Y1 , Y2 , , Yn )T ,yang mempunyai
fungsi kepadatan peluang masing-masing (), yaitu
n
Y
L= ()
UNEJ
i=1
Fungsi likelihood tidak lain adalah fungsi kepadatan probabilitas darai Daftar Isi
Y , hanya saja nilai y dianggap diketahui (dari data), tetapi parame-
ternya () yang tidak diketahui.
Judul
2. Tentukan maksimum dari L atau log L terhadap parameter .

JJ J I II
6.3.3. Mencari maksimum dengan metode numerik
Hal. 174 dari 234
Pada umumnya maksimum suatu fungsi tidak bisa diperoleh secara anali-
tik, oleh karenanya diperlukan pendekatan yang disebut metode numerik.
Mencari maksimum/ minimum suatu fungsi F () pada dasarnya sama dengan Cari Halaman
mencari nilai nol atau penyelesaian fungsi f () = F 0 () = dF/d. Metode nu-

merik yang biasa dipakai dalam mencari maksimum likelihood adalah Metode Kembali
Newton-Raphson yang merupakan metode iteratif. Langkah- langkah pokok
dari metode Newton-Raphson ini dapat diuraikan sebagai berikut:
Layar Penuh
1. menentukan nilai awal b0

Tutup
2. melakukan iterasi sampai konvergen (sampai kriteria konvergensi ter-
penuhi)
Keluar
F 0 (b0 )
b1 = b0 (6.2)
F 00 (b0 )
atau
f (b0 ) UNEJ
b1 = b0 (6.3)
f 0 (b0 )
dimana f () = F 0 (). Daftar Isi
Apabila peubah atau parameternya berdimensi tinggi, maka fungsi turunan

Judul
pertamanya berupa vektor (D) sedang turunan keduanya akan berupa ma-
triks yang disebut matriks Hessian (H). Bentuk multivariat dari Newton-
Raphson ini adalah JJ J I II
b1 = b0 D(b0 ) H1
(b0 ) (6.4)
Hal. 175 dari 234
Lebih khusus lagi, dalam statistika matriks Hessian ini kadang kadang lebih
sederhana jika diganti dengan negatif dari nilai harapan nya yang disebut
matriks informasi, dinotasikan I = E[H]. Persamaan iterasi yang menggu- Cari Halaman
nakan matriks informasi dikenal dengan metode skoring dari Fisher (Fishers
scoring) yang ditunjukkan oleh persamaan berikut. Kembali
b1 = b0 + D(b0 ) I 1
(b0 ) (6.5)
Layar Penuh
Ada tiga hal penting yang harus diperhatikan dalam mengaplikasikan
metode numerik (Newton-Raphson maupun Skoring dari Fisher) yaitu: Tutup
1. algorithma yang dipakai (lengkap atau terpartisi),

Keluar
2. nilai awal dan
3. kriteria konvergensi
Nilai awal untuk b0 ditentukan sedemikian sehingga pada saat itu b0 = y.
Sedangkan kriteria konvergensi bisa menggunakan maks(|b1 b0 |) , untuk UNEJ
bilangan positif sangat kecil, misalnya 103 .Jika parameter yng diestimasi
terdiri atas beberapa unsur, maka ada beberapa cara yang ditempuh dalam Daftar Isi
mengestimasi dengan menggunakan metode Newton-Raphson yaitu seperti
berikut ini.
Judul
1. Mengestimasi secara serempak dengan memperlakukan parameteryang
diestimasi sebagai sebuah vektor penduga. Cara ini disebut pendekatan
JJ J I II
algoritma penuh. Cara ini cocok apabila setiap unsur dari vektor pa-
rameter mempunyai sifat-sifat (konvergensi) yang relatif sama.
Hal. 176 dari 234
2. Mengelompokkan unsur-unsur parameter yang sejenis. Unsur-unsur se-
jenis lalu diberlakukan sebagai suatu vektor. Dengan demikian akan
Cari Halaman
diperoleh lebih dari satu vektor parameter. Masing-masing vektor pa-
rameter yang diestimasi dengan cara multivariate, tetapi pendugaan
vektor satu dengan lainnya dilakukan secara selang-seling. Selang sel- Kembali
ing dapat dilakukan pada setiap iterasi (nested), atau setelah masing-
masing konvergen pada kondisi tertentu(zig-zag). Algoritma seperti ini Layar Penuh
disebut algoritma terpartisi (partitioned algorithm). Pengelompokan
biasanya dilakukan berdasarkan parameter regresi () dan parameter
Tutup
dispersi () yang biasanya kedua jenis parameter ini mempunyai sifat-
sifat yang berbeda terutama dilihat dari kecepatan konvergensinya.
Keluar
Pembahasan kedua algoritma di atas (penuh dan terpartisi) dapat dilihat
pada Smyth [19] dan Smyth [20].
UNEJ
Daftar Isi
Judul
JJ J I II
Hal. 177 dari 234
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
6.4. Model Linier dan Perkembangannya
Perkembangan pemodelan stokastik, terutama model linier, dapat dikatakan
dimulai pada abad ke 19 yang didasari oleh teori matematika yang dile-
takkan diantaranya oleh Gauss, Boole, Cayley dan Sylvester yang terkait UNEJ
dengan teori invarian dalam aljabar. Teori invarian aljabar mempelajari
bentuk-bentuk kuantitas yang tidak berubah terhadap suatu transformasi li- Daftar Isi
nier. Teori invarian ini yang mendasari perkembangan teori nilai eigen, vektor
eigen, matriks determinan, metode dekomposisi dan masih banyak lagi yang
Judul
lainnya. Salah satu contoh dalam statistika kita tahu bahwa korelasi dua
peubah acak tidak berubah walaupun peubah-peubah tersebut mengalami
transformasi. JJ J I II
Perkembangan model linier dimulai dengan perkembangan analisis regresi
pada abad 19 oleh Pearson perkembangan korelasi segera setelah itu. Teori Hal. 178 dari 234
regresi ini yang menjadi dasar perkembangan teori model linier. Perkemban-
gan model linier tidak bisa dilepaskan dengan perkembangan teori mtriks
Cari Halaman
atau aljabar linier. Melalui teori matriks (determinan, invers, perkalian ma-
triks) pembahasan model linier dapat didekati secara umum. Dalam subbab
ini perkembngan model linier lebih dititik beratkan dari dua asumsi dasar Kembali
yaitu distribusi dan indeoendensi kesalahan.

Sebagaimana diuraikan sebelumnya, bahwa pemodelan dimulai dari yang Layar Penuh
sederhana, yang secara matematis mudah diselesaikan, kemudian berkem-
bang ke arah yang lebih realistik. Hal ini dapat dilakukan dengan mener-
Tutup
apkan berbagai asumsi yang berbeda terhadap distribusi kesalahan dalam
model yang digunakan. Prinsip seperti ini telah berkembang dari model
Keluar
yang paling sederhana (klasik), ke model hirarkis tergeneralisasi yang saat
ini merupakan pemodelan yang paling terkini. Dalam sub-bab ini diuraikan
secara ringkas perkembangan model linier ditinjau dari segi distribusi dan
independensi kesalahannya.
UNEJ
6.4.1. Model linier klasik

Daftar Isi
Di atas telah disebutkan bahwa pemodelan stokastik memiliki bentuk umum
Judul
Y = X + (6.6)
Dalam hal ini merupakan kesalahan atau galat yang diasumsikan meru- JJ J I II
pakan peubah acak yang berasal dari suatu distribusi tertentu, misalnya
normal. Peubah x adalah peubah yang bukan acak dan adalah parameter Hal. 179 dari 234
yang menentukan koefisien dari peubah peubah tetap tadi. Dalam ilustrasi
pada Contoh 1.1. misalnya, dianggap bahwa sebenarnya ada hubungan yang
Cari Halaman
bersifat tetap yang menentukan harga barang di pasar. Namun, selain itu
masih ada lagi faktor lain yang bersifat acak yang menyebabkan harga barang
tadi dalam kenyataannya dari pembeli ke pembeli mungkin menyimpang dari Kembali
fungsi hubungan tadi. Dalam pemodelan statistika/ stokastik, kedua kom-

ponen ini dipisahkan yaitu yang bersifat tetap dan fungsional dinotasikan Layar Penuh
dengan f (x, ), yang bisa disebut sebagai komponen tetap (fixed), sedang-
kan komponen lainnya, , yang bersifat acak disebut sebagai komponen acak
Tutup
(random component) atau dalam hal ini secara khusus disebut komponen ke-
salahan (error component). Dari segi fungsi hubungan f , bentuk yang paling
Keluar
sederhana adalah hubungan linier, sehingga dari aspek ini model yang paling
sederhana yang kita miliki adalah model linier. Sedangkan dari segi kom-
ponen acaknya, yang paling sederhana adalah asumsi bahwa kesalahannya
berdistribusi normal dan saling independen antara satu respon dengan re-
spon lainnya. Asumsi ini menghasilkan model linier normal sederhana atau UNEJ
Normal Linear Models (NLM). Dari kedua hal tersebut lahirlah yang disebut
model normal sederhana atau model linier klasik yang secara formal dapat Daftar Isi
diuraikan sebagai berikut.
Definisi 6.3 (Bentuk dan Asumsi Model Linier Klasik). Judul
Model:
k
X JJ J I II
yi = xij i + i (6.7)
j=0
Hal. 180 dari 234
atau untuk keseluruhan respon dapat dituliskan dalam bentuk matriks

seperti persamaan (6.6), Cari Halaman
Y = X +
Kembali
Asumsi: xi bukan peubah acak dan diukur tanpa kesalahan dan i inde-
penden dengan 0i untuk setiap i 6= i0 dan masing-masing berdistribusi Layar Penuh
N (0, 2 ).
Tutup
Dari asumsi diatas diperoleh bahwa secara keseluruhan dapat dianggap
berdistribusi multivariat normal (MVN) dengan koefisen variasi konstan,
Keluar
yang dinotasikan dengan M V N (0, 2 I). Model mensyaratkan bahwa
respon ke i dan ke i0 adalah saling bebas (independen), yang berarti tidak
ada korelasi diantaranya. Beberapa referensi yang membahas model linier
normal ini diantaranya adalah Neter et al. [18], Bowerman et al.[1].
UNEJ
6.4.2. Model linier tercampur Daftar Isi
Dalam kenyataan, di lapangan banyak pengamatan yang menghasilkan re-

Judul
spon yang tidak saling independen. Misalnya, apabila pada suatu subjek
dilakukan pengamatan yang berulang- ulang maka respon yang diperoleh an-
tara satu dengan sebelumnya, atau satu dengan berikutnya, dapat dipastikan JJ J I II
akan saling berkorelasi. Dengan demikian, pengamatan yang diperoleh bu-
kan lagi merupakan hasil pengamatan atau respon tunggal, tetapi merupakan Hal. 181 dari 234
vektor respon. Tentu saja respon seperti ini dapat ditangani dengan metode
multivariat. Namun ada kekhasan dari pengamatan seperti ini, yaitu kore-
Cari Halaman
lasi/ hubungan antara respon satu dengan lainnya biasanya berpola, sehingga
dianggap kurang pas kalau ditangani dengan metode multivariat biasa. Un-
tuk menangani respon-respon semacam ini model linier klasik di atas lalu Kembali
dikembangkan menjadi model linier campuran atau Linear Mixed Models

(LMM). Dalam model ini hubungan antara respon yang satu dengan lainnya Layar Penuh
dianggap berasal dari pengaruh suatu peubah yang tidak kentara atau laten
(subjek, misalnya). Untuk itu komponen tetap (f (x)) diuraikan lagi menjadi
Tutup
komponen tetap dan komponen efek acak (random effects). Dengan demikian
model ini memiliki dua komponen acak yaitu komponen galat () dan kompo-
Keluar
nen efek acak yang biasanya dinotasikan dengan u. Model ini biasa disebut
model linier campuran (linear mixed model) yang dapat didefinisikan sebagai
berikut.
Definisi 6.4 (Bentuk dan Asumsi Model Linier Campuran). UNEJ
Model: Daftar Isi
Y = X + Zu + (6.8)
Judul
Asumsi: u M V N (0, 12 I) dan M V N (0, 22 I). u independen dengan
. JJ J I II
Sebenarnya varians u dapat bervariasi sehingga membentuk matriks varians-

Hal. 182 dari 234
kovarians dari (Y) yang bervariasi juga. Struktur matriks varians-kovarians
ini dapat dibentuk sesuai kondisi respon yang dihadapi. Bentuk yang pal-
ing sederhana di atas menghasilkan matriks varians-kovarians yang disebut Cari Halaman
matriks uniform atau compound symmetry. Dengan menggunakan jumlah

peubah acak yang berdistribusai normal dan saling independen bisa diper- Kembali
oleh bahwa bentuk varians-kovarian Y , yang termasuk jenis uniform, adalah
Layar Penuh
12 + 22 12 12
2
1 1 + 22
2
12
V=

.. .. .. .. .. Tutup
. . . . .
2
1 12 12 + 22
Keluar
atau secara umum
1

.. . . . .. . .
.
..
. . .
V = 1 (6.9)

. . .. . . .. UNEJ
.. . . . . .
1
Daftar Isi
Model ini mengasumsikan bahwa korelasi antara pengamatan satu dan

lainnya bersifat konstan (uniform). Struktur lain yang juga banyak diterap- Judul
kan adalah auto regresive 1 (ar1) atau disebut korelasi serial yaitu:
JJ J I II
2 k

1
.. . .. .

. .. . ..

Hal. 183 dari 234
V = 2 1 (6.10)

.. . . . .. ...
. .
Cari Halaman
k 2 1
Model ini mengasumsikan bahwa seiring dengan jarak yang makin jauh, maka Kembali
korelasi/ hubungan antara respon tersebut semakin kecil. Model linier cam-
puran/tercampur sering juga disebut dengan istilah model linier bertingkat Layar Penuh
(hierarchical linear model). Istilah bertingkat digunakan karena model ini
biasa juga didefinisikan secara bertingkat seperti berikut ini.
Tutup
Definisi 6.5. Asumsi Model Linier Bertingkat

Keluar
1. Ada efek acak ui yang berhubungan dengan strata atau subjek ke i,
untuk i = 1, ...n dimana antara satu efek acak dengan lainnya saling
independen dan berdistribusi normal dengan mean 0;
2. Kondisional terhadap efek acak ke i , respon-respon di dalam strata UNEJ

ini juga saling independen dan berdistribusi normal dengan mean dan
varians konstan. Daftar Isi
Model linier Campuran tidak menjadi fokus pembahasan dalam buku ini.
Bagi pembaca yang tertarik, referensi yang bisa dijadikan acuan untuk mem- Judul
pelajari model linier bertingkat ini diantaranya adalah Bab 4 dari Davidian
dan Giltinan [2], Diggle et al. [3], Laird dan Ware [9]. Sedangkan untuk mo- JJ J I II
del yang lebih umum yaitu termasuk model-model non-linier dapat dilihat
pada Davidian dan Giltinan [2]
Hal. 184 dari 234
6.4.3. Model linier tergeneralisasi Cari Halaman
Kondisi lain di lapangan yang tidak dapat ditangani langsung oleh model
linier klasik adalah adanya kenyataan bahwa, distribusi respon tidak mesti Kembali
normal. Memang kondisi seperti ini bisa ditanggulangi dengan mengadakan

transpormasi dari respon. Transpormasi yang banyak dipakai adalah trans- Layar Penuh
pormasi logaritma. Namun, ada beberapa permasalahan yang mungkin tim-
bul sebagai efek dari transpormasi ini misalnya seperti berikut ini. Respon
Tutup
yang sudah ditranspormasi mungkin mendekati distribusi normal, tetapi aki-
bat transpormasi ada kemungkinan syarat yang lain (syarat ketidak-bergantungan)
Keluar
menjadi tidak terpenuhi. Adanya kerancuan dalam menafsirkan hasil peneli-
tian oleh karena efek yang diuji adalah dalam skala logaritma, bukan dalam
sekala aslinya. Hal ini menyebabkan kesimpulan terasa janggal misalnya,
ada hubungan positif antara log-konsentrasi pemupukan dengan log-panen.
Untuk menangani kondisi dimana respon yang ada tidak berdistribusi Nor- UNEJ
mal, tetapi masih saling bebas, maka para statistisi yang dipelopori oleh
Nelder dan Wedderburn [17] telah mengembangkan model linier yang dike- Daftar Isi
nal dengan Gereralized Linear Model (GLM). Model linier ini menggunakan
asumsi bahwa repon memiliki distribusi keluarga ekponensial. Distribusi
Judul
keluarga eksponensial adalah distribusi yang sifatnya lebih umum, dimana
distribusi- distribusi yang banyak kita kenal (Normal, Gamma, Poisson) ter-
masuk di dalamnya dan merupakan bentuk- bentuk khusus dari distribusi JJ J I II
Keluarga Eksponensial. Definisi distribusi Keluarga Eksponensial ini belum
dibahas pada diktat ini dan diharapkan akan dapat dibahas pada edisi tahun Hal. 185 dari 234
berikutnya. Kalau kita simak model linier klasik, kita menemukan beberapa
hal yang sifatnya khas dan istimewa yaitu:
Cari Halaman
1. ada komponen tetap yang disebut prediktor linier ;

Kembali
2. respon yi berdistribusi normal dan saling independen dan

Pk Layar Penuh
3. mean yi adalah i = j=0 xij j .
Tutup
Dalam model linier tergeneralisasi, hubungan di atas mengalami peruba-
han atau generalisasi, sebagaimana dalam definisi berikut:
Keluar
Definisi 6.6 (Asumsi Model Linier Tergeneralisasi). Model linier tergener-
alisasi adalah model yang mengandung tiga hal yaitu:
1. komponen tetap yang disebut prediktor linier i = kj=0 xij j ;

P
UNEJ
2. respon yi berdistribusi secara independen dalam keluarga eksponensial;
Daftar Isi
3. hubungan antara mean dengan prediktor linier ditunjukkan fungsi g(.)
yang disebut fungsi link sedemikian sedingga g(i ) = i . Fungsi g()
disebut fungsi hubungan (link-function). Judul
Ada fungsi hubungan khusus yang disebut fungsi hubungan kanonik atau
JJ J I II
natural yang berkaitan erat dengan distribusi y. Misalnya, jika distribusi-
nya normal maka g() adalah identitas. Dari hal di atas dikatakan bahwa
komponen penting dalam model linier tergeneralisasi ada tiga yaitu: Hal. 186 dari 234
(i) adanya prediktor linier, Cari Halaman
(ii) adanya distribusi keluarga eksponensial dan

Kembali
(iii) adanya fungsi-hubungan.

Layar Penuh
Referensi yang umum dijadikan acuan utama mempelajari model linier
tergeneralisasi ini adalah Generalized Linear Models oleh McCullagh dan
Tutup
Nelder [13], sedangkan sebagai pemula dapat menggunakan pengantar yang
ditulis oleh Dobson [4].
Keluar
6.4.4. Model linier campuran tergeneralisasi
Model linier ini muncul akibat adanya tuntutan bahwa, di lapangan sangat
mungkin terjadi adanya respon yang tidak saja tidak berdistribusi normal
tetapi juga tidak independen. Model linier ini merupakan gabungan antara UNEJ
model linier campuran dan model linier tergeneralisasi. Model linier campu-
ran ini ada dua macam.
Daftar Isi
1. Model yang pertama komponen acaknya diasumsikan berdistribusi Nor-

mal dan menggunakan bentuk aditif seperti pada model linier campu- Judul
ran yang tidak tergeneralisasi. Model linier ini yang biasa disebut seba-
gai Model linier campuran tergeneralisasi (GLMM=Generalized Linear
JJ J I II
Mixed Model)
2. Model yang kedua menggunakan bentuk multiplikatif dan komponen Hal. 187 dari 234
acaknya tidak dibatasi dengan distribusi Normal.l Model linier ini se-
ring juga disebut Model linier hirarkis tergereralisasi bertingkat (HGLM=Hierarchical
Cari Halaman
Generalized Linear Model). Model linier ini termasuk model linier yang
relatif baru dan masih sedang dikembangkan (lihat misalnya Lee dan
Kembali
Nelder [10] dan Tirta [21]. Gambar berikut menunjukkan kedudukan
masing-masing model linier.
Layar Penuh
3. Untuk data yang sekaligus tidak normal dan tidak saling bebas, Liang
& Zeger [11] dan Zeger & Liang [27] memperkenalkan metode yang
Tutup
disebut disebut Generalized Estimating Equations (untuk selanjutnya
disingkat GEE) yang merupakan sebuah analogi atau generalisasi mul-
Keluar
tivariat dari quasi-likelihood. Manakala tidak ada fungsi likelihood yang
pasti untuk dijadikan acuan, cukup beralasan untuk menduga/ menges-
timasi dengan menyelesaikan sebuah analogi multivariat dari metode
quasi-score yang diperkenalkan Wedderburn [26] dimana kita hanya
perlu menentukan bentuk mean atau rataan (sebagai momen pertama) UNEJ
dan matriks varians-kovariansnya (sebagai momen kedua), tanpa perlu

mengetahui bentuk pasti likelihoodnya. Pembahasan yang lebih detil Daftar Isi
dapat dibaca pada Diggle et al. [3].
Judul
JJ J I II
Hal. 188 dari 234
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
6.5. Pengembangan Lain Model Linier
Selain berkembang akibat variasi asumsi distribusi dari kesalahan, model
linier juga berkembang ke arah variasi kondisi peubah bebas atau peubah
penjelas X. Adapun asumsi dasar dari peubah X adalah bukan peubah acak UNEJ
(tidak memiliki distribusi) dan merupakan besaran kuantitatif.
Dalam perkembangannya, ada kalanya Xj merupakan peubah acak dan Daftar Isi
Xj dan Xj0 tidak saling bebas, dalam kondisi begini, dikatakan terjadi mul-
tikolinieritas antara peubah bebas X. Tingginya multikolinieritas dapat
Judul
menyebabkan adanya estimasi parameter tidak teliti. Secara matematis X j
dan Xj0 yang tidak saling bebas, menunjukkan bahwa salah satu kolom ma-
triks X merupakan kombinasi linier linier dari kolom-kolom lainnya yang JJ J I II
menyebabkan X tidak dalam rank penuh, sehingga invers matriks XT X
menjadi tidak terdefinisikan. Ada beberapa prosedur atau tehnik untuk me- Hal. 189 dari 234
nangani masalah multikolinieritas, diantaranya adalah regresi Ridge (lihat
Neter et al[18]).
Cari Halaman
Tidak jarang juga kumpulan data yang kita miliki, sesungguhnya meru-
pakan sekumpulan dari berapa kelompok data atau sampel sesungguhnya
terdiri atas beberapa subsampel. Persoalan yang dihadapi adalah apakah Kembali
model (garis regresi) masing-masing kelompok harus berbeda atau dapat

digabung dalam satu moded yang sama. Dalam hal ini sebagian peubah Layar Penuh
penjelas Xj akan merupakan peubah kuantitatif, atau merupakan indikator
kelompok atau grup dari kelompok yang ada pada data, sampel maupun po-
Tutup
pulasi. Analisis model linier yang menangani data semacam ini menggunakan
peuban boneka dummy variable dan dapat dilihat pada Neter et al[18].
Keluar
UNEJ
Daftar Isi
Judul
JJ J I II
Hal. 190 dari 234
Cari Halaman
Kembali
Layar Penuh
Gambar 6.1: Ilustrasi Data yang menunjukkan adanya pencilan
Tutup
Keluar
UNEJ
Daftar Isi
Judul
JJ J I II
Hal. 191 dari 234
Cari Halaman
Kembali
Layar Penuh
Gambar 6.2: Ilustrasi Data yang memerlukan pemisahan model dari subsam-
pelnya
Tutup
Keluar
6.6. Outline Buku
Buku ini lebih banyak menekankan pada bentuk pemodelan linier yang bera-
sumsi bahwa respon atau kesalahan saling bebas. Namun pada bagian akhir
diberikan pengantar analisis data yang melihat respon yang tidak saling be- UNEJ
bas dengan pendekatan quasy likelihood. Dari uraian yang telah dibicarakan
sebelumnya dapat dilihat bahwa ada beberapa hal yang harus dikuasai se- Daftar Isi
belum membicarakan model-odel yang lebih spesifik, diantaranya:
Kemampuan komputer. Kemampuan pemrograman atau penggunaan paket Judul

program statistika merupakan hal yang tidak dapat dihindarkan mengin-
gat hampir seluruh perhitungan analisis statistika karena kompleksi- JJ J I II
tas dan ukuran datanya, tidak efisien lagi dikerjakan secara manual.
Dalam buku ini akan difokuskan pada aplikasi paket statistika yang
Hal. 192 dari 234
merupakan program open source yang dapat diperoleh secara bebas
di internet (http://www.r-project.org). Program ini sangat popu-
ler dikalangan peneliti statistika dan juga banyak diapliakskan dalam Cari Halaman
bidang finansial (Faraway[5]).

Kembali
Teori matriks. Hampir semua analiss data sekarang ini melibatkan data
dalam ukuran besar, namun dapat disajikan dalam bentuk matriks
atau vektor. Oleh karena itu sebelum membahas pemodelan lebih jauh Layar Penuh
pembahasan teori matrks juga sangat diperlukan.

Tutup
Keluar
6.7. Latihan Soal- soal
1. Sebutkan apakah perbedaan antara pemodelan stokastik dan pemo-
delan deterministik dan berikan contoh.
UNEJ
2. Sebutkan langkah-langkah penting dalam pemodelan stokastik.
3. Sebutkan komponen-komponen penting dalam model linier dan asum- Daftar Isi
sinya.
Judul
4. Sebutkan persamaan dan perbedaan dari model linier normal, model
linier campuran, model linier tergeneralisasi, model linier campuran
tergeneralisasi, model linier hierarkis; JJ J I II
5. Sebutkan prinsip dasar dan langkah- langkah pokok dari metode likeli-
Hal. 193 dari 234
hood maksimum.
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
UNEJ
Daftar Isi
Judul
JJ J I II
Hal. 194 dari 234
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
UNEJ
BAB 7 Daftar Isi
REGRESI LINIER SEDERHANA Judul
JJ J I II
Hal. 195 dari 234
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
Setelah membaca materi pada bab ini diharapkan pembaca menguasai kom-
petensi yang ditandai oleh kemampuan UNEJ
1. menentukan model dan asumsi model linier normal

Daftar Isi
2. mengestimasi parameter yang menjadi kepentingan dengan metode ku-

adrat terkecil Judul
3. mengestimasi parameter yang menjadi kepentingan dengan metode like-

lihood maksimum JJ J I II
4. menentukan distribusi penduga likelihood maksimum dan uji inferensi

Hal. 196 dari 234
5. menerapkan pendekatan matriks untuk regresi berganda;

Cari Halaman
6. dapat menggunakan paket/library lm() maupun menu R-Commander
pada R untuk melakukan analisis regresi/ model linier normal
Kembali
Layar Penuh
Tutup
Keluar
7.1. Bentuk dan Asumsi
Misalkan hubungan antara peubah respon (Yi ) dengan peubah tetap (Xi )
untuk subjek i = 1, 2, ...n, ditentukan oleh

Y1 = 0 + 1 X1 + 1 UNEJ
.. .. ..

. . .

Daftar Isi
Yi = 0 + 1 Xi + i (7.1)
.. .. ..

. . .

Judul

Yn = 0 + 1 Xn + n
dengan:
JJ J I II
1. Xi adalah peubah tetap yang tidak bersifat acak (lebih lanjut diasum-
sikan Xi diukur tanpa kesalahan);
Hal. 197 dari 234
2. i , yaitu komponen kesalahannya, adalah berdistribusi identik dan in-
dependen normal dengan mean 0 dan varian konstan (misalnya 2 );
Cari Halaman
0
3. kesalahan individu satu dengan lainnya saling bebas, yaitu untuk i 6= i ,
maka i ||i0 atau korelasi i dengan i0 adalah 0. Kembali
Dari asumsi dapat ditentukan bahwa ekspektasi dari setiap renpon adalah
E [Yi ] = 0 + 1 Xi (7.2) Layar Penuh
yang merupakan sebuah garis lurus yang kita sebut garis regresi populasi.
Se-dangkan sebaran setiap pasangan (Xi , Yi ) alan berada pada atau sekitar Tutup
garis tersebut sesuai dengan besarnya i .

Keluar
7.2. Estimasi Parameter
Dalam kenyataan, kita hanya memiliki pasangan-pasangan data (Xi , Yi ) un-
tuk i = 1, 2, , n. Dari data yang kita miliki kita ingin mengestimasi regesi
populasi maupun sebaran simpangan datanya. Maka parameter yang men- UNEJ
jadi kepentingan utama dalam regresi sederhana di atas adalah komponen

0
dari koefisien regresi = . Parameter lain yang juga perlu diesti- Daftar Isi
1
masi adalah komponen variasi 2 . Sebagaimana telah disebutkan sebelumnya
Judul
ada dua metode yang akan digunakan dalam mengestimasi parameter yaitu
metode kuadrat terkecil dan metode kecenderungan (likelihood) maksimum.
JJ J I II
7.2.1. Estimasi dengan Metode Kuadrat Terkecil Hal. 198 dari 234
Seperti telah diuraikan pada Bab 1, bahwa dengan metode kuadrat terkecil,
secara geometris kita mencari garis sedemikian sehingga kesalahan (selisih or- Cari Halaman
dinat titik terhadap garis) menjadi minimum. Untuk mengakomodasi tanda

positif dan negatif, maka yang diminimumkan adalah jumlah kuadrat selisih Kembali
ordinat tadi. Untuk mengestimasi parameter dengan menggunakan metode
kuadrat terkecil maka ditempun langkah-langkah berikut ini.
Layar Penuh
1. Karena yang akan diminimumkan adalah kesalahan, maka langkah per-

Tutup
tama yang harus dilakukan adalah mengubah model linier menjadi ek-
splisit terhadap kesalahan. Dari bentuk model pada persamaan (7.1),
Keluar
diperoleh rumusan kesalahan
i = Y (0 + 1 Xi ) (7.3)
UNEJ
2. Mengkuadratkan kesalahan yang diperoleh serta menjumlahkannya un-
tuk seluruh pasangan data. Dari bentuk tersebut diperoleh bentuk
Daftar Isi
jumlah kuadrat kesalahan sebagai berikut
n n n
" 1
#2
X X X X Judul
2
Q= 2i = [Yi (0 + 1 Xi )] = Yi j Xij (7.4)
i=1 i]1 i=1 j=0
JJ J I II
Dalam hal ini Xi0 = 1 dan Xi1 = Xi .

Hal. 199 dari 234
3. Menurunkan bentuk kuadrat yang diperoleh terhadap parameter yang

menjadi kepentingan. Estimasi dengan metode kuadrat terkecil diproses Cari Halaman
dengan mencari minimum Q terhadap j . Minimum dari Q terhadap

diperoleh dengan mencari turunan pertama maupun ke dua Kembali
n
Q X
= 2 [Yi (0 + 1 Xi )] Layar Penuh
0 i=1
n
Q X
Tutup
= 2 [Yi (0 + 1 Xi )] Xi
1 i=1
Keluar
4. Menyusun persamaan normal yang diperoleh dari sistem persamaan
Q/j = 0. Dari hasil sebelumnya diperoleh persamaan normal
Pn
i=1 [Y i ( 0 + 1 X i )] = 0
Pn . (7.5) UNEJ
i=1 [Yi (0 + 1 Xi )] Xi = 0
Daftar Isi
Persamaan normal di atas selanjutnya dapat disederhanakan menjadi

Judul
n
X n
X
Yi n0 1 Xi = 0 (7.6a)
i=1 i=1 JJ J I II
n
X n
X Xn
Xi Yi 0 Xi 1 Xi2 = 0 (7.6b) Hal. 200 dari 234
i=1 i=1 i=1
Cari Halaman
5. Dari persamaan normal (7.6a) di atas diperoleh

Kembali
n n
1X 1X
0 = Yi 1 Xi (7.7a)
n i=1 n i=1 Layar Penuh
= Y 1 X (7.7b)
Tutup
Hasil persamaan (7.7) ini selanjutnya disubstitusikan pada persamaan

Keluar
normal (7.6b) sehingga diperoleh:
P P
P Xi Yi
X i Y i n
1 = P P 2 (7.8a)
Xi2 ( nXi )
n ni=1 Xi Yi ( ni=1 Xi ) ( ni=1 Yi )
P P P UNEJ
= (7.8b)
n Xi2 ( Xi )2
P P
P P Daftar Isi
Xi Yi X Yi
= P 2 . (7.8c)
Xi2 n X
Judul
2 P
Xi X = Xi2 X 2 =
P 2
Xi nX 2 , maka
P P
Mengingat bahwa
P JJ J I II
Yi (Xi X)
1 = P 2 (7.8d)
Xi X
Hal. 201 dari 234
Sebagaimana telah disampaikan bahwa metode kuadrat terkecil belum

memanfaatkan informasi distribusi dari i . Oleh karena itu apabila 2 tidak Cari Halaman
diketahui, tidak ada cara khusus dengan metode kuadrat terkecil untuk
mengestimasi 2 . Namun, 2 biasa diestimasi dari rata-rata kuadrat deviasi Kembali
data terhadap garis regresi yang diperoleh dari j . Derajat kebebasan yag
dimiliki oleh deviasi ini adalah n k dimana k adalah banyaknya penduga
Layar Penuh
j . Jadi untuk model dengan dua parameter 0 dan 1 , maka
n
2 2 1 Xh
i2
Tutup
= se = Yi (0 + 1 Xi ) (7.9)
n 2 i=1
Keluar
7.2.2. Estimasi dengan Metode Likelihood Maksimum
Sesuai dengan prinsip model linier normal, maka setiap peubah respon Yi
merupakan sample dari peubah acak yang berdistribusi normal dan saling
independen dengan mean E(Yi ) = 0 + 1 Xi dan varians 2 , yaitu Yi UNEJ
N (E(Yi ), 2 ). Dengan demikian kita peroleh seperti berikut ini.

Daftar Isi
1. Likelihood Yi adalah
Judul
" 2 #
1 1 Yi 0 1 Xi JJ J I II
Li = exp .
2 2
Hal. 202 dari 234
2. Likelihood dari Y = (Y1 , Y2 , , Yi , , Yn )T yang komponennya sa- Cari Halaman
ling bebas adalah

Kembali
n
Y
L= Li Layar Penuh
i=1
n " n 2 #
1 1X Yi 0 1 Xi Tutup
= exp .
2 2 i=1
Keluar
Log-likelihood l = log L adalah
1X n 2
Yi 0 1 Xi
l = n log 2
2 i=1 UNEJ
n
n 1 X
2
(Yi 0 1 Xi )2 .

= log 2 2
2 2 i=1 Daftar Isi
Judul
Selanjutnya turunan l terhadap 0 , 1 dan 2 diperoleh sebagai berikut
n JJ J I II
l 1 X
= 2 (2)(1) (Yi 0 1 Xi )
0 2 i=1 Hal. 203 dari 234
n
1 X
= 2 (Yi 0 1 Xi )
i=1 Cari Halaman
n
l 1 X
= 2 (2)(1) (Yi 0 1 Xi ) Xi
1 2 i=1
Kembali
n
l 1 X
= 2 (Yi 0 1 Xi ) Xi Layar Penuh
1 i=1
n
l n 1 X
2
= 2 + 4 (Yi 0 1 Xi )2 . Tutup
2 2 i=1
Keluar
Dari persamaan di atas diperoleh persamaan normal untuk 0 dan 1 identik
dengan persamaan normal (7.5). Selanjutnya dari l/ 2 = 0 diperoleh
n
X
2
n + (Yi 0 1 Xi )2 = 0
UNEJ
i=1
sehingga penduga kemungkinan maksimum untuk 2 adalah Daftar Isi
n
1X
2 = (Yi 0 1 Xi )2 . Judul
n i=1
Sebenarnya estimasi 2 di atas berlaku untuk kondisi 0 , 1 atau yang JJ J I II

diketahui. Jika tidak diketahui, maka penduga di atas akan menjadi bias.
Untuk menghilangkan bias maka pembaginya (derajat kebebasannya) harus Hal. 204 dari 234
dikurangi sebesar banyaknya parameter yang harus diestimasi sebelummnya.
Dalam kasus model sederhana yang kita bahas, banyaknya parameter ada 2
Cari Halaman
yaitu (0 , 1 ). Dengan demikian derajat kebebasannya menjadi n 2 dan
bentuk penduga untuk penduga llikelihood seteleh disesuaikan manjadi
Kembali
n
1 X 2
2 = Yi 0 1 Xi (7.10)
n2 i=1
Layar Penuh
Tutup
Keluar
7.3. Uji Inferensial dari j
Sebagaimana dijelaskan dalam langkah-langkah pemodelan stokastik, bahwa
besaran yang diperoleh dari penyelesaian model, yang berupa penduga, harus
UNEJ
diuji secara statistik. Untuk keperluan ini, perlu diketahui distribusi dari
penduga yang diperoleh.
Daftar Isi
7.3.1. Distribusi j
Judul
Setelah memperoleh estimasi dari parameter j , maka selanjutya kita perlu
memperoleh sifat sebaran dari penduga- penduga tersebut. Dapat ditun-
jukkan (dianjurkan untuk membuktikan sendiri) bahwa penduga-penduga JJ J I II
yang diperoleh adalah penduga tak bias dalam arti
h i h i Hal. 205 dari 234
E 0 = 0 dan E 1 = 1 .

Cari Halaman
Sedangkan untuk varians j diperoleh hasil yang berbeda untuk kasus 2
diketahui dan 2 tidak diketahui.
Kembali
7.3.1.1. Distribusi j bila 2 diketahui

Layar Penuh
Varians dari penduga-penduga j dapat diturunkan dengan menggunakan

prinsip bahwa: Tutup
2
1. untuk suatu konstanta c, maka Var(cY ) = c Var (Y );
Keluar
P P
2. Bahwa Yi dan Yi0 adalah saling bebas karenanya Var[ Yi ]] = [Var(Yi )] ;
3. Var(Yi ) = 2 , sedang komponen yang lain berfungsi sebagai peubah

tidak acak sehingga tidak memiliki varians dan dalam konteks ini dapat
diaggap sebagai konstanta c. UNEJ
Dari bentuk penduga 0 , seperti pada persamaan (7.7) dan 1 pada per- Daftar Isi
samaan (7.8), dapat lihat bahwa j merupakan kombinasi linier dari Yi yang
mempunyai varians 2 . Dari kenyataan ini dapat dihitung varians j seperti
Judul
berikut ini.
Hasil 7.1. Jika 2 diketahui, maka varians dari penduga 0 dan 1 masing JJ J I II
masing adalah:
Hal. 206 dari 234
X 2

1
Var(0 ) = +P 2 (7.11)
n (Xi X)2 Cari Halaman
2
Var(1 ) = P (7.12)
(Xi X)2 Kembali
Layar Penuh
Kita lihat bahwa sesungguhnya penduga j merupakan kombinasi linier
dari Yi yang berdistribusi normal. Oleh karena itu jika 2 diketahui maka
Tutup
masing-masing penduga j berdistribusi normal dengan varians seperti pada
Hasil 7.1. Dengan demikian bisa kita simpulkan hasil berikut
Keluar
Hasil 7.2. Jika 2 diketahui dan var (j ) dihitung seperti pada Hasil 7.1,
maka
j
qj N (0, 1) (7.13)

var(j ) UNEJ
Daftar Isi
7.3.1.2. Distribusi j bila 2 tidak diketahui

Judul
Dalam kenyataannya, 2 lebih sering tidak diketahui dan harus diestimasi
dari data yang ada seperti yang telah dilakukan sebelumnya yaitu
JJ J I II
n
1 X 2
s2e = 2 =
Yi 0 1 Xi Hal. 207 dari 234
n 2 i=1
Cari Halaman
Hasil 7.3. Apabila tidak lagi diketahui tetapi diganti dengan 2 = s2e ,
2
maka var(j ) dinotasikan dengan s2 (j ); j = 0, 1 menjadi Kembali
X 2

2 1
s (0 ) = +P 2
s2e (7.14a) Layar Penuh
n (Xi X)
" #
(1/n Xi )2
P
1
= +P 2 s2e (7.14b) Tutup
n Xi 1/n ( Xi )2
P
Keluar
2
se
s (1 ) = P
2
(7.15a)
(Xi X)2
s2e UNEJ
=P 2 (7.15b)
Xi 1/n ( Xi )2
P
Daftar Isi
Hasil 7.4. Apabila 2 tidak lagi diketahui tetapi diganti dengan 2 = s2e ,
dan var(j ) diganti dengan s2 (j ); j = 0, 1, terutatama jika ukuran sampel
tidak cukup besar, maka Judul
j j j
qj = tn2 , (7.16) JJ J I II
2 s( j )

s (j )
Hal. 208 dari 234
Hasil di atas dapat diperluas untuk banyaknya parameter lebih dari dua
misalnya k. Jika ukuran sampel cukup besar, maka sesuai sifat distribusi t,
Cari Halaman
distribusi t akan mendekati N(0,1). Dengan demikian distribusinya identik
dengan sebelumnya, ketika 2 diketahui.
Kembali
7.3.2. Estimasi selang dari j

Layar Penuh
Sesuai dengan distribusi dari j , maka estimasi selang diperoleh dengan meli-
hat nilai t atau z yang membatasi prosentase atau luas daerah dari kurva
Tutup
fungsi kepadatannya. Pada umumnya kita menghitung estimasi selang yang
simetrik.
Keluar
Hasil 7.5. Penduga selang j untuk tarap keyakinan (1 ) 100% atau
tarap signifikansi 100%, jika diketahui atau n cukup besar adalah
q q
j z/2 var(j ) j j + z/2 var(j )
(7.17)
UNEJ
Hasil 7.6. Penduga selang j untuk tarap keyakinan (1 ) 100%)

atau tarap signifikansi 100%, dinotasikan I.K (1 ) 100% jika Daftar Isi
tidak diketahui dan n kecil adalah

Judul
j t/2,n2 s(j ) j j + t/2,n2 s(j ) (7.18)
JJ J I II
7.3.3. Uji Hipotesis
Selain menghitung penduga interval dari parameter regresi j , sering juga Hal. 209 dari 234
dilakukan uji hipotesis untuk mengetahui apakah koefisien regresi populasi
dianggap signifikan atau tidak. Dalam statistika dua macam hipotesis yang
Cari Halaman
biasanya diuji, yaitu hipotesis nol (H0 ) dan hipotesis kerja (HA )
H0 : j = 0; yaitu j tidak signifikan
HA : j 6= 0; yaitu j signifikan Kembali
Adapun kriteria penerimaan atau penolakan H0 dapat dilakukan dengan

beberapa cara yaitu Layar Penuh
1. melihat I.K (1 ) 100% dari j yaitu

Tutup
0 I.K. : H0 diterima
0 6 I.K. : H0 ditolak
Keluar
2. dengan membandingkan nilai statistik yang diperoleh, yaitu
j
th = dengan t/2,nk
s(j )
UNEJ
dan dengan kriteria
th < t/2,nk : H0 diterima
Daftar Isi
th t/2,nk : H0 ditolak
3. Dengan menghitung nilai probabilitas p yang didefinisikan sebagai
Judul
p = 2P (T > th ); dengan catatan T tnk

JJ J I II
Selanjutnya kriteria penerimaan hipotesis adalah
p > 5% : H0 diterima atau j tidak signifikan
Hal. 210 dari 234
1% < p 5% : H0 ditolak dengan j signifikan
p 1% : H0 ditolak dengan j sangat signifikan
Cari Halaman
Jika j tidak signifikan atau dapat dianggap 0, berarti tidak ada hu-
bungan atau pengaruh signifikan Xj terhadap Y . Dengan kata lain tidak
ada kontribusi signifikan dari peubah Xj terhadap model yang diperiksa. Kembali
7.3.4. Interval Prediksi Rata-rata dan Nilai Tunggal Layar Penuh
Interval keyakinan prediksi rata-rata Y dan nilai tunggal Yi pada tingkat nilai
Tutup
peubah penjelas Xi pada dasarnya dapat dicari dengan menghitung varians
dari i , maupun varianas Yi . Dari bentuk estimasi regresi diperoleh bahwa:
Keluar
1. varians sama dengan umlah dari varians j , yaitu
2
c
Y
=
7.3.5. Melaporkan nilai probabilitas p UNEJ
Selain menghitung estimasi interval maupun melakukan uji hipotesis dengan

Daftar Isi
distribusi t maupun z, paket- paket statistik biasa melaporkan nilai prob-
abilitas yang disebut nilai p yaitu luas daerah yang berada dibagian ujung
yang dibatasi oleh statistik t yaitu Judul

p = P (T |t | dengan t = . JJ J I II
S()
Untuk uji dua arah yang simetris maka Hal. 211 dari 234
p = 1 P (t tn1 t ).
Cari Halaman
Dengan demikian semakin kecil nilai p akan semakin signifikan hasilnnya dan
semakin kuat penolakan H0. Dalam bahasa R perhitungan p dapat dilakukan
Kembali
dengan
p<-2*(1-pt(t,df)) Layar Penuh
Hasil 7.7. Penolakan Hipotesis nol (Ho) dengan menggunakan p adalah

Tutup
sebagai berikut: Ho ditolak pada taraf signifikansi 100% jika dan hanya
jika p ( 100%)
Keluar
Secara individu, uji signifikansi koefisien j dengan menggunakan nilai p
dapat dilakukan sebagai berikut:
1. j sangat signifikan jika p 1%;
UNEJ
2. j signifikan jika 1% < p 5%;
3. j tidak signifikan jika p > 5%; Daftar Isi
7.3.6. Menentukan Model dengan R Judul
7.3.7. Menggunakan fungsi lm() JJ J I II

lm() adalah library yang merupakan analisis model linier normal. Format
perintahnya adalah: Hal. 212 dari 234
lm(formula, data,...)
Cari Halaman
dengan:
Kembali
1. formula adalah peubah respon dan peubah-peubah penjelas yang di-
nyatakan dalam bentuk y~x1+x2+. . .. Jika ingin menggunakan per-
samaan regresi tanpa konstanta maka pada formula ditulis y~x1+x2-1 Layar Penuh
atau y~0+x1+x2
Tutup
2. data adalah nama data yang akan dianalisis, yang memuat nama-mana
peubah yang dimasukkan pada formula
Keluar
Ada beberapa informasi yang dapat diekstrak dari objek yang dihasilkan
fungsi lm() ini diantaranya:
1. coef(objek) untuk mengekstrak koefisien regresi .
UNEJ
2. deviance(objek) untuk mengekstrak jumlah kuadrat sisa.
3. formula(objek) untuk mengekstrak rumusan model yang dipergu- Daftar Isi

nakan
4. plot(objek) untuk menghasilkan grafik yaitu seperti grafik sisa, grafik Judul
fitted value dan beberapa disgnostik.

JJ J I II
5. print(objek) untuk mencetak hasil singkat analisis.
6. step(objek untuk memeriksa model yang paling cocok dengan cara Hal. 213 dari 234
elihat angka AIC (Akaikes Information Criterion) yang paling besar.
7. summary((plot) untuk mencetak lengkap hasil analisis. Cari Halaman
Untuk mengetahui lebih jauh komponen-komponen yang tersedia dari suatu

Kembali
objek dapat dilakukan dengan
>names(objek)
Layar Penuh
Contoh 7.1. Misalkan kita ingin mencari persamaan regresi (model linier)
dari peubah kecepatan/speed dan jatrak tempuh distance kendaraan pada
Tutup
data cars. Perintah dan hasil keluaran untuk mengetahui ringkasan data
adalah:
Keluar
> data(cars)
> summary(cars)
speed dist
Min. : 4.0 Min. : 2.00 UNEJ
1st Qu.:12.0 1st Qu.: 26.00

Median :15.0 Median : 36.00 Daftar Isi
Mean :15.4 Mean : 42.98
3rd Qu.:19.0 3rd Qu.: 56.00
Judul
Max. :25.0 Max. :120.00
Setelah diketahui nama peubah-peubahnya maka kita dapat menulis per- JJ J I II

intah model linier seperti berikut:
Hal. 214 dari 234
>contoh.lm<-lm(dist~speed,data=cars)
>print(summary(contoh.lm))
Cari Halaman
Call: lm(formula = dist ~ speed, data = cars)
Residuals: Kembali
Min 1Q Median 3Q Max

-29.069 -9.525 -2.272 9.215 43.201 Layar Penuh
Coefficients:
Tutup
Estimate Std. Error t value Pr(>|t|)
(Intercept) -17.5791 6.7584 -2.601 0.0123*
Keluar
speed 3.9324 0.4155 9.464 1.49e-12 ***
---
Signif. codes: 0 `***' 0.001 `**' 0.01 `*' 0.05 `.' 0.1 ` ' 1
Residual standard error: 15.38 on 48 degrees of freedom UNEJ

Multiple R-Squared: 0.6511,
Adjusted R-squared: 0.6438
Daftar Isi
F-statistic: 89.57 on 1 and 48 DF,
p-value:1.490e-12
Judul
Dari hasil yang diperoleh dapat disimpulkan bahwa konstanta = 0

adalah signifikan (1% < p < 5%) dan koefisien speed adalah sangat signifikan JJ J I II
(p < 1%).
Untuk mengetahui komponen-komponen yang dapat diekstrak dari objek
Hal. 215 dari 234
contoh.lm dapat dilakuakn dengan perintah berikut. Sedangkan untuk me-
manggil salah satu komponen objek dilakukan dengan NamaObjek$komponen.
Cari Halaman
>names(contoh.lm)
[1] "coefficients" "residuals" "effects" "rank"
Kembali
[5] "fitted.values" "assign" "qr" "df.residual"
[9] "xlevels" "call" "terms" "model"
Layar Penuh
>contoh.lm$coeff
(Intercept) speed Tutup
-17.579095 3.932409
Keluar
7.3.8. Menggunakan Menu R-Commander
Untuk regresi linier sederhana, analisis dapat dilakukan melalui menu Statis-
tics atau Statistika seperti berikut.
UNEJ
Statistika => Pencocokan Model => Regresi Liier atau
Statistics => Fits Model => Linear Regression
Daftar Isi
Dari jendela dialog yang ada kita dapat menentukan peubah penjelas
(bebas) dan peubah respon atau peubah terikatnya. Judul
JJ J I II
Hal. 216 dari 234
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
Regresi linier sederhana merupakan salah satu bentuk model linier dengan
asumsi distribusi normal dan satu peubah bebas. Tehnik ini telah berkem-
bang luas dengan jumlah peubah bebas yang lebih dari satu baik yang berupa UNEJ
peubah kuantitatif maupun kualitatif/ faktor. Uraian detil mengenai model
linier baik yang sederhana maupun yang lebih kompleks dapat dilihat pada Daftar Isi
Bowerman et al. [1] dan Neter et al. [18]. Aplikasi R untuk Regresi yang
cukup intensif dapat dilihat pada Faraway [5]. Pembaca dapat juga membaca
Judul
aplikasi SPlus untuk Analisis Statistika Modern oleh Venables & Ripley [23].
JJ J I II
Hal. 217 dari 234
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
7.5. Latihan Soal- Soal
1. Tentukan model dan asumsi model linier normal
2. Tentukan bentuk biasa (sumasi) maupun matriks dari jumlah kuadrat UNEJ
kesalahan.
3. Tuliskan bentuk akhir (dalam bentuk vektor), persamaan iterasi Sko- Daftar Isi
ring Fisher untuk mengestimasi parameter regresi pada model linier

sederhana dengan metode kuadrat terkecil Judul
4. Tuliskan bentuk akhir (dalam bentuk vektor), persamaan iterasi Sko-

ring Fisher untuk mengestimasi parameter regresi pada model linier JJ J I II
sederhana dengan metode likelihood maksimum
Hal. 218 dari 234
5. Jelaskan distribusi penduga likelihood, baik untuk sampel besar mau-
pun untuk sampel kecil.
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
UNEJ
Daftar Isi
GLOSARIUM
Judul
JJ J I II
Hal. 219 dari 234
A Cari Halaman
Antarmuka Antarmuka (interface) adalah bagian program/alat yang men- Kembali
jembatani komunikasi antara pengguna dengan komputer, antara

alat ukur dengan komputer, dan sejenisnya. Layar Penuh
Tutup
aov() aov(formula, ...) adalah fungsi untuk melakukan uji anava.

Keluar
B
bartlett.test() bartlett.test(x, ...), adalah fungsi untuk melakukan
uji homogenitas varians.
UNEJ
Boxplot tampilah grafis dari kuantil data yang dinyatakan dalam bentuk
kotak. Pada Boxplot digambarkan posisi median (Q2), kuantil Daftar Isi
1(Q1) dan kuantil 3(Q3). Boxplot juga memberi gambaran ada
tidaknya pencilan (outlier).
Judul
D JJ J I II
Diagram Pencar (Scattergram) Diagram pencar adalah representasi gra- Hal. 220 dari 234
fik dari distribusi dua peubah acak yang disajikan dalam bentuk
titik-titik dengan koordinat ditentukan oleh nilai observasi pa-
Cari Halaman
sangan peubah acak tadi.
Kembali
I
Layar Penuh
Interval/Selang Keyakinan Interval/Selang Keyakinan adalah selang yang
diyakini memuat nilai parameter populasi dengan tingkat peluang
Tutup
tertentu. Tingkat peluang yang banyak dipakai adalah 95% dan
99%.
Keluar
K
Keluarga Eksponensial Keluarga Eksponensial adalah distribusi yang meru-
pakan kesatuan (unifikasi) distribusi-distribusi penting yang banyak
dipakai seperti antara lain Normal, Gamma, Binomial, Poisson UNEJ
dalam satu bentuk distribusi.
Daftar Isi
Kontingensi Tabel kontingensi adalah tabel yang memuat pengelompokan

n sampel ke dalam dua atau lebih peubah kualitatif. Tabel kontin- Judul
gensi dapat digunakan untuk memeriksa hubungan antara dua
peubah kualitatif.
JJ J I II
M Hal. 221 dari 234
Matriks Diagram Pencar Matriks Diagram Pencar (Scatter Plot Matrix) Cari Halaman
adalah matriks yang menggambarkan diagram pencar lebih dari
dua variabel. Pada diagonal biasanya disajikan densitas, his-
Kembali
togram atau diagram kuantil, sedangkan pada off diagonal dis-
ajikan diagram pencar masing-masing pasangan variabel.
Layar Penuh
Multimodal multimodal adalah distribusi yang memiliki peluang maksi-

mum (modus) di lebih dari satu titik. Dengan kata lain distribusi Tutup
yang memiliki lebih dari satu modus).

Keluar
O
Outlier/pencilan Pencilan adalah data yang besarnya menyimpang dari
kelompoknya melebihi batas kewajaran distribusi data.
UNEJ
P
Daftar Isi
Peluang Penutup (Coverage Probability) adalah prosentase banyaknya in-
terval keyakinan yang memuat nilai parameter yang sebenarnya
dalam simulasi. Judul
Populasi Populasi adalah himpunan semesta dari variabel yang menjadi JJ J I II

perhatian peneliti.
Hal. 222 dari 234

Q
QQPlot QQplot atau Plot Kuantil adalah diagram yang menggambarkan Cari Halaman
hubungan antara quantil teoritis suatu distribusi dengan kuantil

riil suatu data. Khusus untuk distribusi normal grafiknya disebut Kembali
QQnorm.
Layar Penuh
T
t.test() t.test(x, y, ...), adalah fungsi untuk menganalisis beda rata- Tutup
rata variabel x dan y.

Keluar
U
Unimodal Unimodal adalah distribusi yang memiliki peluang maksimum
(modus) di satu titik. Dengan kata lain distribusi yang memiliki
satu modus. UNEJ
Daftar Isi
Judul
JJ J I II
Hal. 223 dari 234
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
UNEJ
Daftar Isi
Judul
JJ J I II
Hal. 224 dari 234
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
UNEJ
DAFTAR PUSTAKA Daftar Isi
Judul
JJ J I II
Hal. 225 dari 234

[1] Bowerman,B.L. R.T. Cornell and D.A. Dickey. Linear Statistical Models,
an Appplied Approach. Duxbury Press, Boston, 1986.
Cari Halaman
[2] M. Davidian and D.M. Giltinan. Nonlinear Models for Repeated Mea-
surement Data. Chapman and Hall, London, 1995. Kembali
[3] P.J. Diggle, K-Y. Liang and S.L. Zeger. Analysis of Longitudinal Data. Layar Penuh
Oxford Science Publications, London, 1st edition, 1994.
Tutup
[4] A.J. Dobson. An Introduction to Generalized Linear Models. Chapman
and Hall, London, 1990.
Keluar
[5] J.J. Faraway. Practical Regression and Anova Using R.
http://www.stat. Isa.umic.edu/faraway/book/, 2002.
[6] Filliben. NIST/SEMATECH e-Handbook of Statistical Meth-
ods, chapter Exploratory Data Analysis. NIST-SEMATEC, UNEJ
http://www.itl.nist.gov/div898/handbook/eda/eda.htm, 2006. [27
Maret 2006].
Daftar Isi
[7] J.P. Guilford & B. Fruchter. Fundamental Statistics in Psychology and

Education. McGraw Hill, Tokyo, 6th edition, 1978. Judul
[8] R.V. Hogg and A.T. Craig. Introduction to Mathematical Statistics.

Prentice-Hall, Englewood Cliffs, 5th edition, 1995. JJ J I II
[9] N.M. Laird and J.H. Ware. Random effects models for longitudinal data.
Biometrics, 38:963974, 1982. Hal. 226 dari 234
[10] Y. Lee and J.A. Nelder. Hierarchical generalized linear models. J.R.
Cari Halaman
Statist. Soc., 58:619678, 1996.
[11] K-Y Liang and S.L. Zeger. Longitudinal data analysis using generalized Kembali
linear models. Biometrika, 73:1322, 1986.
[12] J.H. Maindonald. Using R for Data Analysis and Graphics An Intro- Layar Penuh
duction. ANU-Australia, June 2001.

Tutup
[13] P. McCullagh and J.A. Nelder. Generalized Linear Models. Chapman
and Hall, London, 2nd edition, 1989.
Keluar
[14] W. Mendenhall. Introduction to Probability and Statistics. Duxbury,
Belmont USA, 5th edition, 1979.
[15] W. Mendenhall. Beginning Statistics A to Z. Duxbury, Belmont USA,

1993. UNEJ
[16] P.L. Meyer. Introductory Probability and Statistical Applications.

Addison-Wisley Pub. Co., Massachusets, 2nd edition, 1970. Daftar Isi
[17] J.A. Nelder and R.W.M. Wedderburn. Generalized linear models. Judul
J.R.Statist.Soc., 57:359407, 1972.
[18] Neter J., W. Wasserman and M.H. Kutner. Applied Linear Statistical JJ J I II
Models. Irwin, Illinois, 2nd edition, 1985.
Hal. 227 dari 234
[19] G.K. Smyth. Generalized linear models with varying dispersion. J.R.
Statist. Soc, 51:4760, 1989.
Cari Halaman
[20] G.K. Smyth. Partitioned algorithms for maximum likelihood and other
nonlinear estimation. Statistics and Computing, 6:201216, 1996.
Kembali
[21] I M. Tirta. Analysis of Gamma Data with Random Effects. PhD thesis,
Department of Mathematics Statistics and Computing Sciences, The Layar Penuh
University of New England, Armidale, NSW Australia, 1999.

Tutup
[22] I M. Tirta. Buku Panduan Program Statistika R. Penerbit Universitas
Jember, Jember, 2005. ISBN 979-8176-37-5.
Keluar
[23] W.N. Venables and B.D. Ripley. Modern Applied Statistics with S-plus.
Springer, New York, 1994.
[24] J. Vezalini. Using R for Introductory Statistics.

http://www.r.project.org, 2002. UNEJ
[25] Wackerly D.D., Mendenhall W. &Scheafer R. L. . Mathematical Statis-

tics with Application. Duxbury, Belmont USA, 5th edition, 1996. Daftar Isi
[26] R.W.M. Wedderburn. Quasi-likelihood functions, generalized linear

Judul
models, and the Gauss-Newton method. Biometrika, 61:439447, 1974.
[27] S.L. Zeger and K-Y. Liang. Longitudinal data analysis for discrete and JJ J I II
continuous outcomes. Biometrics, 42:121130, 1986.
Hal. 228 dari 234
[28] V. Zoonekyn. Statistics with R. http://zoonek2.free.fr/
UNIX/48 R/all.html, 2005.
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
INDEKS PENULIS UNEJ
Daftar Isi
Judul
JJ J I II
Bowerman, 209 Neter, 209

Hal. 229 dari 234
Craig, 97 Ripley, 209

Cari Halaman
Faraway, 20, 209 Scheafer, 97
Filliben, 94
Venables, 209 Kembali
Hogg, 97
Wackerly, 97
Kutner, 209 Wasserman, 209 Layar Penuh
Mendenhall, 57, 58, 60, 61, 97, 113, Zoonekyn, 94 Tutup

119, 121
Meyer, 97
Keluar
INDEKS SUBJEK UNEJ
Daftar Isi
Judul
JJ J I II
algoritma simulasi, 65
Hal. 230 dari 234
penuh, 168 diagram
terpartisi, 168 pencar
Cari Halaman
glosari, 36
boxplot, 79
ekplorasi Kembali
CLI, 19 data, 74
Data eksperimen, 109
Layar Penuh
setting, 65 eleminsi, 152
data GUI, 19, 21 Tutup
eksplorasi, 74
kualitatif, 65 hipotesis, 113
Keluar
interval penutup, 106
keyakinan, 103 pemodelan, 153
invariant, 170 deterministik, 156
stokastik, 156
kontingensi, 77 pivot, 103 UNEJ
kualitatif, 65 populasi, 57, 60
pustaka, 19
library, 19 Daftar Isi
Linux, 21 qqplot
glosari, 84 Judul
model linier
bertingkat, 175 regresi
GEE, 179 JJ J I II
Ridge, 181
GLM, 177 RGUI
GLMM, 179 R-Commander, 25 Hal. 231 dari 234
HGLM, 179 SciViews, 20
hirarkis tergeneralisasi, 179 WinEdt, 20 Cari Halaman
klasik, 171 ringkasan
LMM, 173 statistik, 74
Kembali
NLM, 172
normal, 171 S, 19
tergeneralisasi, 177 sampel, 57, 60 Layar Penuh
multikolinieritas, 181 standar kesalahan

multimodal, 78 beda rata-rata, 109
Tutup
rata-rata, 101
peluang statistika, 5658, 60
Keluar
survei, 108
Teorema Limit Pusat, 104
unimodal, 78
UNEJ
Daftar Isi
Judul
JJ J I II
Hal. 232 dari 234
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
INDEKS FUNGSI R UNEJ
Daftar Isi
Judul
JJ J I II
attach(), 68 hist(), 84
Hal. 233 dari 234
biplot(), 84 library(), 68
boxplot(), 84 Cari Halaman
manova(), 84
coplot(), 84
Kembali
data(), 68 pairs(), 84
density, 84 plot(), 84
Layar Penuh
dotchart(), 84 qqline(), 84
edit(), 66 qqnorm(), 84
Tutup
hclust(), 84 read.table(), 71
Keluar
stem(), 84
summary(), 84
xyplot(), 84
UNEJ
Daftar Isi
Judul
JJ J I II
Hal. 234 dari 234
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar

Buku Statistik

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

Buku Statistik

Diunggah oleh

Hak Cipta:

Format Tersedia

UNEJ

Hal. 1 dari 234

ANalisis DAta dan GRAfik dengan R Hal. 2 dari 234

(ANDAGRAR -Versi Elektronik) Cari Halaman

Prof. Drs. I. M. Tirta, Dip.Sc, M.Sc., Ph.D. Layar Penuh

February 28, 2012

Hal. 3 dari 234

DAFTAR ISI Daftar Isi

Hal. 1 dari 234

I STATISTIKA INFERENSIAL DENGAN R 13

1.3 RCommander dengan Menu Bahasa Indonesia . . . 25

1.5 Data untuk Ilustrasi . . . . . . . . . . . . . . . . . 30

2 KONSEP DASAR STATISTIKA 35 UNEJ

2.1 Statistika dan Data Statistik . . . . . . . . . . . . . 37

2.3 Distribusi Data . . . . . . . . . . . . . . . . . . . . 46

2.4.1 Ukuran Pemusatan . . . . . . . . . . . . . . 50

3.1.1 Mengedit langsung data . . . . . . . . . . . 67

3.1.3 Mengimpor data dari file . . . . . . . . . . . 71

3.2 Explorasi Data . . . . . . . . . . . . . . . . . . . . 76

3.4 Soal-soal Latihan . . . . . . . . . . . . . . . . . . . 97

4 UJI RATA-RATA DAN PROPORSI 99

4.1.1 Hasi-hasil Statistika . . . . . . . . . . . . . 101

4.2.1 Menggunakan menu R-Commander . . . . . 120

4.3.1 Interval keyakinan proporsi . . . . . . . . . . 123

4.3.3 Uji hipotesis proporsi dan beda proporsi . . . 125

5 ANALISIS VARIANSI (ANAVA) 131

5.2 Uji Anava Faktor Tunggal . . . . . . . . . . . . . . 136

semi manual . . . . . . . . . . . . . . . . . 140

5.5 Soal-soal Latihan . . . . . . . . . . . . . . . . . . . 153

6 DASAR-DASAR PEMODELAN STOKASTIK 155

6.2 Langkah-langkah Penting Dalam Pemodelan . . . . 166

6.3.3 Mencari maksimum dengan metode numerik 174

6.4.1 Model linier klasik . . . . . . . . . . . . . 179

7 REGRESI LINIER SEDERHANA 195 Kembali

7.1 Bentuk dan Asumsi . . . . . . . . . . . . . . . . . 197

7.2.1 Estimasi dengan Metode Kuadrat Terkecil . 198

7.3.2 Estimasi selang dari j . . . . . . . . . . . . 208

7.3.4 Interval Prediksi Rata-rata dan Nilai Tunggal 210

7.3.6 Menentukan Model dengan R . . . . . . . . 212

Glosarium 219 Kembali

DAFTAR GAMBAR Daftar Isi

Hal. 7 dari 234

1.2 Tampilan Menu R-Commander Asli . . . . . . . . 24

2.1 Sebaran Data dengan Mean Berbeda tetapi Dis- Tutup

2.4 Perspektif dan Kontur Dua Peubah dengan r = 0

3.1 Menu Dialog Membaca Data . . . . . . . . . . . . 72 Judul

3.2 Contoh Histogram, Boxplot, QQPlot dan Dia- JJ J I II

3.4 Histogram dan Denstias Berat Ayam . . . . . . . 89

3.6 Contoh Diagram Pencar . . . . . . . . . . . . . . 91

rapa Peubah Acak . . . . . . . . . . . . . . . . . 92

3.10 Contoh CoPlot . . . . . . . . . . . . . . . . . . . 95

4.3 Menu Uji Rata-rata . . . . . . . . . . . . . . . . . 121

4.5 Menu R-Commander untuk uji proporsi . . . . . . 126

5.1 Ilustrasi konsep Anava . . . . . . . . . . . . . . . 134

5.3 Menu dialog anova satu arah . . . . . . . . . . . . 143

5.5 Contoh Mean Plot untuk ilustrasi uji anava . . . 149

6.1 Ilustrasi Regresi 1 . . . . . . . . . . . . . . . . . . 190

Hal. 10 dari 234

DAFTAR TABEL Daftar Isi

Hal. 11 dari 234

3.1 Penulisan Data pada R . . . . . . . . . . . . . . . 68

5.1 Tabel Anava Faktor Tunggal . . . . . . . . . . . . 139

yang dibayar . . . . . . . . . . . . . . . . . . . . . 164

Hal. 12 dari 234