TUGAS REVIEW STATISTIKA TERAPAN

Nama : Rizky Octadinata

NIM : L201119007

A. Materi Bu Evi
1. Data Screening
Data Screening dilakukan setelah data dikumpulkan sebelum analisis data yang utama
dijalankan. Data screening ini berguna untuk mennghilangkan data – data yang hilang
maupun data – data yang tidak normal. Selain itu, cata screening juga berguna untuk
menghilangkan outlier (sebuah pencilan) yang dimana nilai tersebut ekstrim pada satu
variabel atau kombinasi yang aneh dari dua atau lebih variabel sehingga mengga nggu
analisis.
2. Metode Statistik
Dalam mata kuliah statistik terapan, ada beberapa metode yang diajarkan kepada
mahasiswa, yaitu Metode Statistik Deskriptif, Analisis Regresi Linier Sederhana,
Annova, dan Korelasi.
 Statistik Deskriptif
Dalam metode statistik deskriptif, digunakan untuk menyajikan data saja. Hasil
dari statistik deskriptif tersebut nantinya berupa penyajian data kualitatif ,
menampilkan ukuran pemusatan data dan ukuran penyebaran data.
 Penyajian Data Kualitatif
Penyajian data kualitatif ini berupa tabel, histogram maupun diagram.
Untuk diagram, terbagi menjadi beberapa jenis sesuai kebutuhan untuk
penyajian data tersebut. Terdiri dari diagram batang untuk menyajika n
kuantitas, diagram lingkaran untuk menyajikan data dalam proporsi, dan
diagram garis untuk menyajikan data yang bersifat trend.
 Ukuran Pemusatan Data
Ukuran pemusatan data ini terdiri dari mean, modus dan median. Mean
merupakan nilai rata-rata yang didapatkan dari jumlah semua nilai
 dibagi dengan jumlah data. Modus merupakan nilai yang paling banyak
muncul. Median merupakan nilai yang terletak ditengah urutan.
 Ukuran Penyebaran Data
Dalam ukuran penyebaran data ini terdiri dari beberapa jenis yaitu :
Kisaran (range), kisaran antar kuartil (interquartile range), varians, dan
koefisian kearagaman.
- Kisaran (range) : selisih antara nilai terbesar dengan nilai terkecil.
- Kisaran antar kuartil (interquartile range) : selisih antara kuartil atas
dengan kuartil bawah.
- Varians : rata-rata dari kuadrat simpangan nilai pengamatan
terhadap rata-ratanya.
- Koefisien keragaman : ukuran keragaman relatif.
 Pendugaan (Estimasi)
Pendugaan terhadap suatu parameter populasi bertujuan untuk
menentukan nilai pendekatan atau nilai dugaan bagi parameter populasi
tersebut dengan menggunakan statistik sampel. Penduga bagi parameter
populasi dapat berupa penduga titik (point estimate) atau penduga
selang (interval estimate). Penduga titik peroleh dengan menentuka n
suatu nilai tunggal yang dihitung dari data sampel sebagai penduga bagi
parameter populasi tersebut. Ada beberapa pendugaan yang digunaka n
adalah sebagai berikut :
- Selang kepercayaan bagi rata-rata populasi
- Penentuan ukuran sampel untuk menduga nilai rata-rata
- Penentuan ukuran sampel untuk menduga proporsi
- Selang kepercayaan bagi varians populasi
 Pengujian Hipotesis
Tujuan pengujian hipotesis adalah untuk memilih salah satu dari dua
hipotesis tentang parameter populasi yang keduanya saling
bertentangan, yaitu hipotesis nol yang dinyatakan dengan H0 dan
hipotesis kedua dinyatakan dalam H1 . Artinye jika satu hipotesis ditolak,
maka sebagai konsekuensinya, hipotesis lainnya diterima. Pengujia n
hipotesis berdasarkan pada konsep pembuktian melalui
pengkontradiksian, yaitu jika analisis terhadap sampel menunjukka n
ketidak-konsistenan dengan hipotesis yang diuji, maka hipotesis
 tersebut ditolak dan disimpulkan bahwa hipotesis tersebut salah, dan
sebaliknya jika nalisis sampel tersebut konsisten dengan hipotesis yang
diuji, maka hipotesis tersebut diterima.
 Regresi
Regresi ini merupakan hubungan antara Variabel Dependen (Variabel Y) dan
Variabel Bebas (Variabel X). bentuk hubungan antar kedua variabel tersebut
biasanya dapat diperiksa dengan memetakan setiap pasangan pengamatan (x,y)
dalam satu diagram pencar (scatter diagram). Analisis regresi adalah salah satu
teknik statistik yang paling populer yang biasa digunakan untuk tujuan
peramalan atau pendugaan tentang nilai variabel dependen Y. selain itu, analis is
regresi juga bertujuan untuk membangun suatu model probabilistik yang dapat
digunakan untuk meramalkan atau menduga nilai variabel dependen (Y),
berdasarkan pada nilai- nilai variabel bebas (X). Regresi yang diajarkan oleh Bu
Evi dalam perkuliahan adalah regresi linier sederhana dan regersi ganda saja.
Regresi linier sederhana yaitu tentang pendugaan satu variabel Y oleh satu
Variabel X saja. Salah satu asumsi yang digunakan adalah model regresi linear
sederhana adalah bahwa setiap nilai variabel X berkaitan dengan suatu distribus i
dari nilai-nilai variabel Y. Regresi Ganda adalah regresi dengan dua atau lebih
variabel X, sehingga merupakan perluasan dari regresi linier sederhana. Dalam
banyak hal, perluasan dari regresi linier sederhana ke regresi berganda sangat
jelas dan mudah dipahami. Permasalahan dalam analisis regresi terdiri variabel
lain yang diabaikan, hubungan yang tidak linier, varians galat yang tidak
konsisten, korelasi antar galat dan galat yang tidak berdistribusi normal.
 Korelasi
Metode statistik dengan korelasi ini bertujuan untuk mencari hubungan antar
variabel baik itu sesama variabel X maupun Variabel X dan Variabel Y.
 Annova
Merupakan analisis statistik yang menguji perbedaan rerata antar grup. Grup
disini bisa bisa berarti kelompok atau jenis perlakuan. Annova dapat menguji
perbedaan lebih dari dua kelompok. Hasil akhir dari analisis Annova ini adalah
nilai F test atau F hitung. Analisis ini sering digunakan penelitian eksperimen
dimana terdapat beberapa perlakuan dan peneliti ingin menguji, apakah ada
perbedaan bermakna antar perlakuan tersebut. Materi annova ini terdiri dari 2
 jenis yaitu annova satu arah dan annova dua arah. Annova satu arah digunaka n
untuk sumber keragamannya hanya dari satu faktor saja, sedangakn annova dua
arah terdiri dari sumber keragaman yang terdiri dari dua faktor. Sumber-sumber
keragaman tersebut dapat berupa kondisi lingkungan yang dapat
dikelompokkan dalam tiap perlakuan.

B. Materi Pak Ray

1. Analisis Multavariat
Peran dari analisis variabel ganda di dalam penyelidikan ilmiah, diantaranya adalah :
 Data reduction or structural simplification : penyederhanaan tanpa
mengorbankan informasi berharga
 Sorting and grouping : pengelompokan objek serupa dilakukan berdasarkan
atas ciri-ciri yang terukur
 Investigation of dependence among variables : menganalisis hubungan antar
variabel
 Prediction : menentukan hubungan antar variabel untuk keperluan pendugaan
satu atau beberapa variabel berdasarkan pengamatan pada variabel lainnya
 Hypothesis construction and testing : melakukan pengujian hipotesis
terhadap parameter dari populasi multivariat
2. Aljabars Matriks dan Vektor Acak
Pada materi aljabars matriks dan vektor acak ini merupakan asal muasal dalam
pembuatan model statistika. Pada materi ini merupakan materi tentang perhitunga n
matriks dengan berbagai macam rumus dan jenis dari matriks tersebut. Materi ini
sebenarnya materi dasar yang sudah dipelajari dari SMA.
3. Distribusi Normal Multivariate
Sebagian besar teknik analisis multivariat berdasarkan pada asumsi bahwa data
dibangkitkan dari suatu distribusi normal multivariat dan pada kenyataannya data
jarang secara eksak berdistribusi normal, akan tetapi fungsi dari kepekatan normal
seringkali merupakan pendekatan yagn baik bagi distribusi populasi sebanarnya.
4. Multikoliniearitas
Muncul ketika adanya korelasi diantara peubah bebas yang dapat mempengaruhi ragam
dari penduga kuadrat terkecil dan pendugaan model yang dibuat (Wetherhill,1986).
Apabila terdapat masalah multikolinear pada model regresi berganda, maka matriks
X’X akan memiliki sifat kondisi buruk (ill-conditioned) atau hampir singular yang pada
akhirnya akan menyebabkan dugaan bagi memiliki dugaan ragam yang menduga lebih
(overestimate) walaupun tetap takbias.
 Indikasi adanya Multikoliniearitas
- Semua variabel dilibatkan dengan nilai VIF >10
- Uji parsial-t mengindikasikan terima Ho (model tidak nyata)
- Uji-F mengindikasikan tolak Ho (model nyata)
- Rsq (adj) bernilai tinggi
- Adanya korelasi antara peubah bebasKetidaksesuaian hubungan antara
peubah bebas dan peubah respon berdasarkan teori dan hasil.

Selain itu, cara mendeteksi adanya multikolinearitas melalui nilai :

- Condition Index (CI)

- Multikolinearitas Index (MCI) (Thisted, 1980)
- Variance Inflation Factor (VIF)
 Cara dan pendekatan yang dilakukan untuk mengatasi masalah
multikolinearitas, sepeti :
- Membuang peubah bebas yang mempunyai korelasitinggi terhadap
peubah bebas lainnya.
- Menambah data pengamatan/contoh.
- Melakukan transformasi terhadap peubah-peubah bebas yang
mempunyai kolinearitas atau menggabungkan menjadi peubah-peubah
bebas baru yang lebih berarti.
- Menggunakan regresi Gulud, regresi kuadrat terkecil parsial dan Regresi
Komponen Utama (principal component regression).
 Regresi Komponen Utama (Principal Component Regression)
Analisis komponen utama pada dasarnya mentransformasi peubah-peubah
bebas yang berkorelasi menjadi peubah-peubah baru yang ortogonal dan tidak
berkorelasi. Analisis ini bertujuan untuk menyederhanakan peubah-peubah
yang diamati dengan cara mereduksi dimensinya. Hal ini dilakukan denga n
menghilangkan korelasi di antara peubah melalui transformasi peubah asal ke
peubah baru (komponen utama) yang tidak berkorelasi (Gesperz, 1995).
 Tahapan-tahapan yang dilakukan dalam analisis regresi komponen utama
adalah :
 - Membakukan peubah bebas asal yaitu X menjadi Z.
- Mencari akar ciri dan vektor ciri dari matriks R.
- Menentukan persamaan komponen utama dari vektor ciri.
- Meregresikan peubah respon Y terhadap skor komponen utama W.
- Transformasi balik.

Biasanya tidak semua W digunakan. Morrison (1978) menyarankan agar memilih

komponen-komponen utama sampai komponen-komponen utama tersebut mempunya i
keragaman kumulatif 75 %, namun sebagian ahli menyarankan agar memilih komponen utama
yang mempunyai akar ciri lebih dari satu, karena jika akar ciri kurang dari satu, keragaman
data yang dapat diterangkan kecil sekali.

 Langkah – langkah untuk menyelesaikan multikolinearitas :

- Regresi linear kan semua variabel x dengan variabel dependen (Y).
- Kemudian lihat nilai VIF ( harus > 10 ) baru bisa dikatakan terdapat
multikolinearitas
- Ubah nilai X menjadi nilai Z dengan rumus (X1 – MEAN (X1 ) / STDEV
(X1 ). Ubah semua variabel nilai X.
- Setelah diubah nilai z tersebut, kemudian buat regresi komponen utama
(PC) dan liat nilai PC tersebut harus mendekati 75% (Morisson,1978)
- Kemudian regresikan kembali variabel Y dengan nilai PC yang nilai nya
mendekati 75%.
- Selanjutnya setelah jadi persamaan baru, diubah kembali dari nilai Z ke
Y dan kembali ke variabel awal yaitu X.

Saran : Mungkin sebaiknya jika penyampaian materi bisa langsung dengan contoh kasus,
ataupun contoh soal. Baik menggunakan minitab maupun perhitungan dasar. Ada beberapa
materi yang belum saya pahami terkait dengan distribusi normal multivariate. Tetapi untuk
multikolinearitas lumayan bisa untuk dipahami karena materi tersebut dijelaskan dengan
langsung kepada contoh kasus yang membuat saya mudah dalam memahami materi tersebut.
Tapi Overall, cara bapak mengajar sudah baik dan mudah dipahami oleh saya. Terima kasih,
pak.