Daftar Isi
Judul
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
UNEJ
Daftar Isi
Judul
JJ J I II
Kembali
Tutup
Daftar Isi
Judul
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
UNEJ
Judul
JJ J I II
1 PROGRAM STATISTIKA R 15
Kembali
1.1 Sekilas Program Statistika R . . . . . . . . . . . . . 19
1.2 RGUI dengan R-Commander . . . . . . . . . . . . . 21 Layar Penuh
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
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
Layar Penuh
Tutup
Keluar
UNEJ
Judul
JJ J I II
1.1 Tampilan RGUI versi 2.2.1 Standar untuk Windows 23 Cari Halaman
donesia . . . . . . . . . . . . . . . . . . . . . . . . 26
Layar Penuh
1.4 Tampilan Editor Skrip Tinn-R . . . . . . . . . . . 29
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
UNEJ
Daftar Isi
Judul
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
UNEJ
Judul
JJ J I II
6.1 Tabel jumlah (kg) salak dan anggur dan harga Tutup
Daftar Isi
Judul
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
UNEJ
Daftar Isi
Bagian I
Judul
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
UNEJ
Daftar Isi
Judul
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
UNEJ
Judul
PROGRAM STATISTIKA R
JJ J I II
Cari Halaman
Daftar Isi
Judul
JJ J I II
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
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
1.1. Sekilas Program Statistika R
JJ J I II
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
dia hanya empat kelompok yaitu: File, Edit, Misc, Package dan
Help seperti ditunjukkan Gambar 1.1. RGUI standar ini dapat JJ J I II
JJ J I II
"C:\Program Files\R\R-2.2.1\bin\Rgui.exe" LANGUAGE=id
Hal. 22 dari 234
library(Rcmdr)
Keluar
UNEJ
Daftar Isi
Judul
Keluar
UNEJ
Daftar Isi
Judul
JJ J I II
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
program R.
Keluar
UNEJ
Daftar Isi
Gambar 1.3: Tampilan Menu R-Commander dalam Menu Bahasa Indonesia. Judul
model-model tadi.
Daftar Isi
Sebagian dari pohon menu yang penting dari RCommander
dapat dilihat pada Lampiran ??.
Judul
JJ J I II
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
Kembali
Layar Penuh
Tutup
Keluar
UNEJ
Daftar Isi
Judul
JJ J I II
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
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
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
Daftar Isi
Judul
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
UNEJ
Daftar Isi
Judul
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
UNEJ
JJ J I II
Bab ini terutama diarahkan untuk memberikan pengertian umum Cari Halaman
Layar Penuh
Tutup
Keluar
Indikator Kompetensi
Setelah menyelesaikan materi pada bab ini pembaca menguasai
kemampuan yang ditandai oleh indikator seperti berikut: UNEJ
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
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
Populasi pada umumnya diartikan sebagai keseluruhan indi- Hal. 40 dari 234
Statistik selain bermakna data, secara khusus juga bermakna Cari Halaman
Tutup
Keluar
2.2. Jenis Data
Nominal Sering hasil pengukuran kategori disajikan dalam ben- Cari Halaman
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
proporsi.
Dalam kenyataannya suatu data sampel dapat terdiri atas Daftar Isi
Layar Penuh
Tutup
Keluar
2.3. Distribusi Data
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
maksimum tunggal)
(b) Distribusi t. Sifat distribusi t secara umum hampir sama Tutup
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
Daftar Isi
Judul
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
2.4. Ukuran Pemusatan dan Penyebaran
Ada beberapa ukuran emusatan yang biasa dipakai diantaranya Cari Halaman
nilai ke 5 dan ke 6.
Keluar
Kuantil. Kuantil adalah nilai yang membagi frekuansi data
menjadi empat bagian yaitu
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
N 2
2
X x i X Kembali
SX =
i=1
N 1
Layar Penuh
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
Distribusi Normal
UNEJ
0.4
Daftar Isi
0.3
Judul
peluang
JJ J I II
0.2
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
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
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
2.5. Bacaan Lebih Lanjut
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
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
2.6. Soal-soal Latihan
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
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
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
UNEJ
Daftar Isi
Judul
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
UNEJ
Judul
EXPLORASI DATA
JJ J I II
Cari Halaman
Menu A => submenu 1 => subsubmenu a => item menu i Daftar Isi
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
Indikator Kompetensi
Pembaca , dengan menggunakan pendekaran GUI atau CLI, da-
pat: UNEJ
Kembali
Layar Penuh
Tutup
Keluar
3.1. Menyiapkan Data pada R
data dibedakan atas dua jenis yaitu data riil dan data simu-
lasi. Data riil diperoleh dari hasil penelitian dengan mengikuti Daftar Isi
perintah berikut:
JJ J I II
NamaDataSheet<-edit(as.data.frame(NULL))
Hal. 67 dari 234
atau denmgan memilih icon pada panel Edit Data Set. Susunan Tutup
N Kk xknk yknk
Judul
Data riil yang telah ada pada R dapat dipanggil dengan perintah Hal. 68 dari 234
data()
Cari Halaman
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
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
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
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
Daftar Isi
=> 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
Simulasi data tidak bisa dilakukan melalui menu R-Commader, Cari Halaman
Berikut adalah skrip untuk membuat data simulasi yang da- Tutup
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
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
Untuk data yang bersifat kuantitatif, ada beberapa hal yang Daftar Isi
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
>print(ChickWeight)
JJ J I II
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
> 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
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
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
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
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
*
Keluar
UNEJ
Daftar Isi
Judul
JJ J I II
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
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
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
Gambar 3.7: Contoh Matriks Diagram Pencar dengan Beberapa Peubah Acak Keluar
UNEJ
Daftar Isi
Judul
JJ J I II
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
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
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
3.4. Soal-soal Latihan
Diskusikan soal-soal berikut dalam kelompok 2-3 orang.
1. Aktifkan salah satu data pada R, misalnya Orange, CO2, UNEJ
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
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
UNEJ
JJ J I II
Pada bab ini akan dibahas teknik analisis data terkait dengan Cari Halaman
Tutup
Keluar
Indikator Kompetensi
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
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
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
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
diketahui maka:
Keluar
X
1. jika n relatif kecil (n < 60) maka
S/ n
tn1 .
S
SX =
n Judul
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
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
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
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
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
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
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:
Daftar Isi
Judul
JJ J I II
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
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
25
UNEJ
Daftar Isi
20
Judul
15
sampel
JJ J I II
10
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 )
Daftar Isi
3. untuk HA satu arah ke kanan, yaitu HA : > 0 , maka
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
2. terima H0 jika p
atau JJ J I II
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
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
Cari Halaman
Kembali
Tutup
Keluar
UNEJ
Daftar Isi
Judul
JJ J I II
Cari Halaman
Kembali
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
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)
sampel sebesar pX dan pY , maka untuk beda proporsi populasi diperoleh interval
keyakinan berikut Cari Halaman
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 :
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:
gunakan pendekatan normal atau dengan binomial, seperti pada Gambar 4.5
Keluar
UNEJ
Daftar Isi
Judul
JJ J I II
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
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
4.5. Bacaan Lebih Lanjut
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
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
4.6. Soal-soal Latihan
Aktifkan data CO2 pada R selanjutnya lakukan uji berikut.
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
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
UNEJ
Daftar Isi
Judul
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
UNEJ
JJ J I II
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
Indikator Kompetensi
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;
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
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
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
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
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
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
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
Asumsi Asumsi yang harus dipenuhi uji variansi adalah Hal. 139 dari 234
Total N 1 JKT
Keluar
Hipotesis Uji hipotesis dirumuskan sebagai berikut:
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
-------------------------------------------------------------
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
=> 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
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
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
St.Dev Respons
FaktorA B1 B2 B3 B4 Kembali
Keluar
UNEJ
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
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)).
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
Cari Halaman
Kembali
0
Layar Penuh
Tutup
A1 A2 A3 A4 A5
Keluar
Faktor A
5.4. Bacaan Lebih Lanjut
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
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
5.5. Soal-soal Latihan
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
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
UNEJ
JJ J I II
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
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
Tujuan Khusus
Setelah menyelesaikan bab ini mahasiswa diharapkan dapat:
5. menyebutkan metode untuk menghitung penduga parameter. Hal. 157 dari 234
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
Materi
1. Hakekat pemodelan
JJ J I II
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
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
4. Menyimpulkan bahwa harga satu kilogram salak adalah Rp 3000 dan UNEJ
harga satu kilogram anggur adalah Rp 4000.
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 + .
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
Melakukan uji kecocokan Karena pada umumnya pemodelan dimulai dari Daftar Isi
1. apakah hasil yang diperoleh secara statistika signifikan atau tidak; Layar Penuh
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
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
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
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
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 ;
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
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
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
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
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
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.
Model:
k
X JJ J I II
yi = xij i + i (6.7)
j=0
Hal. 180 dari 234
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
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
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
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
Kondisi lain di lapangan yang tidak dapat ditangani langsung oleh model
linier klasik adalah adanya kenyataan bahwa, distribusi respon tidak mesti Kembali
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
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:
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
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
JJ J I II
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
Daftar Isi
Judul
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Gambar 6.1: Ilustrasi Data yang menunjukkan adanya pencilan
Tutup
Keluar
UNEJ
Daftar Isi
Judul
JJ J I II
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:
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
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
UNEJ
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
Indikator Kompetensi
Setelah membaca materi pada bab ini diharapkan pembaca menguasai kom-
petensi yang ditandai oleh kemampuan UNEJ
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
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
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
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
Cari Halaman
= Y 1 X (7.7b)
Tutup
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
1. Likelihood Yi adalah
Judul
" 2 #
1 1 Yi 0 1 Xi JJ J I II
Li = exp .
2 2
Hal. 202 dari 234
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
n
1X
2 = (Yi 0 1 Xi )2 . Judul
n i=1
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
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 )] ;
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
Cari Halaman
Hasil 7.3. Apabila tidak lagi diketahui tetapi diganti dengan 2 = s2e ,
2
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
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
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
=
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
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.
4. plot(objek) untuk menghasilkan grafik yaitu seperti grafik sisa, grafik Judul
6. step(objek untuk memeriksa model yang paling cocok dengan cara Hal. 213 dari 234
elihat angka AIC (Akaikes Information Criterion) yang paling besar.
Residuals: Kembali
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
>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
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
7.4. Bacaan Lebih Lanjut
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
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
Kembali
Layar Penuh
Tutup
Keluar
UNEJ
Daftar Isi
GLOSARIUM
Judul
JJ J I II
A Cari Halaman
Tutup
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
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
P
Daftar Isi
Peluang Penutup (Coverage Probability) adalah prosentase banyaknya in-
terval keyakinan yang memuat nilai parameter yang sebenarnya
dalam simulasi. Judul
Daftar Isi
Judul
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
UNEJ
Daftar Isi
Judul
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
UNEJ
Judul
JJ J I II
[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
[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
[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
[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
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
unimodal, 78
UNEJ
Daftar Isi
Judul
JJ J I II
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
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar