Kuliah01 An Stat Ganjil 2019 20 PDF

Inspiring Innovation with Integrity
Bogor Agricultural University (IPB)

IPB University
SELAMAT DATANG DI
IPB UNIVERSITY
Depertemen Statistika, FMIPA IPB
Pertama di Indonesia
Bogor Agricultural University (IPB)

IPB University
STK 511 A nalisis Statistika

Prof. Dr. Ir. Khairil Anwar Notodiputro, MS
Guru Besar Statistika IPB
Twitter: @kh_notodiputro Kuliah Pertama, 15 Agustus 2019 email: khairil@apps.ipb.ac.id

Khairil Anwar Notodiputro
Lulus Sarjana dan Magister Sains dari Institut
Pertanian Bogor. Mendapat Ph.D dalam bidang
statistika dari Macquarie University Australia.
Sekarang sebagai Guru Besar pada Dept. Statistika IPB,
Anggota Senat Akademik IPB, dan sebagai Visiting
Professor at Prince of Songkla and Kasetsart
Universities di Thailand.
Di IPB pernah nenjabat sebagai Ketua Jurusan Statistika, Direktur Tingkat

Persiapan Bersama, Ketua Lembaga Sumberdaya Informasi, dan Dekan Sekolah
Pascasarjana. Di luar IPB pernah menjabat sebagai Kepala Badan Penelitian dan
Pengembangan Kemdikbud, dan Ketua ISI (Ikatan Statistika Indonesia), Ketua
Dewan Pengawas Universitas Hasanuddin.
Aktif melakukan penelitian Small Area Estimation dan mengembangkan
microfinance (Grameen Bank), mengajar dan membimbing mahasiswa sarjana dan
pascasarjana, serta menulis dalam berbagai jurnal ilmiah, seminar nasional dan
internasional, serta menjadi anggota berbagai asosiasi keilmuan internasional
seperti ISI (International Statistical Institute), ASA (American Statistical
Association), MSMSSEA (Muslim Statistician-Mathematician Society in South East
Asia), dan World Group of Geoinformatics and Digital Government.

Tema
Pembelajaran dari Data
(Learning from Data)

Program Magister:
Nama dan Struktur Baru
Program Magister
Statistika
Berubah
Program Magister
Statistika dan Sains Data
Program Magister
Statistika Terapan
Peminatan
Statistika
Peminatan
Statistika
Terapan Peminatan
Sains Data

Belajar Statistika?
 Ungkapan: “without data, you are just another person
with an opinion”
 Menggunakan hanya logika bisa salah kalau tidak
dikonfrontasi dengan data: ingat hukum grafitasi Newton
• In 1687, Sir Isaac Newton published Principia, which hypothesizes the inverse-square law of
universal gravitation. In his own words, "I deduced that the forces which keep the planets in
their orbs must be reciprocally as the squares of their distances from the centers about
which they revolve…………….."
• Newton's theory enjoyed its greatest success when it was used to predict the existence
of Neptune based on motions of Uranus that could not be accounted by the actions of the
other planets.
• Years later, it was another discrepancy in a planet's orbit that showed Newton's theory to be
inaccurate. By the end of the 19th century, it was known that the orbit of Mercury could not
be accounted for entirely under Newtonian gravity, and all searches for another perturbing
body (such as a planet orbiting the Sun even closer than Mercury) have been fruitless.
Belajar Statistika?
 Semakin sulit kita hidup saat ini kalau tidak memahami
data  perlu belajar statistika
 Masyarakat melek informasi (modern) perlu:
1. Mengambil sari-pati dari informasi yang ada di dalam tabel,
diagram dan grafik.
2. Memahami argumen berbasis data, BUKAN asal bunyi (asbun)
3. Memahami bagaimana cara mengumpulkan data, menyajikan
data, menganalisis data dan cara mengambil kesimpulan

RINCIAN MATERI
NO POKOK BAHASAN SUB POKOK BAHASAN PERTEMUAN
1 Pendahuluan 1. Pengertian Statistika 1x
2. Ruang lingkup materi matakuliah
3. Tata tertib perkuliahan
4. Apa itu Statistika?
5. Skala pengukuran peubah
6. Penyajian data
7. Peringkasan data
8. Pengantar R (dlm acara Responsi)
2 Sebaran 1. Mengapa contoh? BUKAN cacah lengkap? 1x
Penarikan Contoh 2. Pengenalan beberapa metode penarikan contoh
3. Sebaran penarikan contoh (rataan, jumlah kuadrat
dan rasio jumlah kuadrat)
3 Statistika Inferensi 1. Pendugaan Parameter 2x
2. Pengujian hipotesis da selang kepercayaan
(nilaitengah satu populasi, nilaitengah dua populasi)
4 Analisis Korelasi 1. Pengertian korelasi dan Regresi, analisis korelasi 3x
dan Regresi 2. Analisis Regresi linier sederhana
3. Analisis Regresi linier berganda
5. Model klasifikasi 1. Apa itu klasifikasi satu arah? Memperoleh datanya? 1x

satu arah (RAL) 2. Model linier, asumsi dan hipotesis, Analisis ragam
3. Interpretasi dan Penarikan Kesimpulan
UTS Ujian Tengah Semester 1x
LANJUTAN ….
NO POKOK BAHASAN SUB POKOK BAHASAN PERTEMUAN
6 Perbandingan 1. Perbandingan berpasangan (LSD) 1x
Ganda (multiple 2. Perbandingan berganda (Tukey, Duncan, Dunnett)
comparison ) 3. Kontras orthogonal, Metode Bonferoni
7 Model rancangan 1. Apa itu rancangan acak kelompok? 2x
acak kelompok 2. Bagaimana cara memperoleh datanya?
3. Model linier, asumsi dan hipotesis
4. Analisis ragam
6. Data Hilang
8 Percobaan faktorial 1. Apa itu percobaan faktorial? 2x
2. Model linier, asumsi dan hipotesis percobaan
3. Analisis ragam
9 Pengantar Sains 1. Apa dan mengapa Statistical Learning ? 1x
Data 2. Model logistik
3. Pohon keputusn
10 UAS 1x

Daftar Pustaka
1. Agresti, A., Franklin, C., Klingenberg, B. 2018. Statistics: The Art
and Science of Learning from Data
2. Braun, W.J. and Murdoch, D.J. 2007. A First Course in Statistical
Programming with R. Cambridge Univ.
3. Ott, R. L. and Longnecker, M. 2010. An Introduction to Statistical
Methods and Data Analysis (6th edition). Brooks/Cole.
4. Steel, R.G.D., Torrie, J.H., Dickey, D.A. 1996. Principles and
Procedures of Statistics: A Biometrical Approach. McGraw-Hill.
New York.
6. James, G., Witten, D., Hastie, T., Tibshirani, R. 2013. An Introduction
to Statistical Learning with Applications in R

Ruang Lingkup
• Statistika sbg ilmu & seni pembelajaran dari data
• Eksplorasi data dg grafik dan ringkasan numerik
• Percobaan, percontohan dan observasi
• Pengumpulan data yang harus dihindari
• Peluang dalam keseharian

• Sebaran peluang
• Sebaran percontohan
• Pendugaan parameter
• Selang kepercayaan
• Pengujian hipotesis
• Pembandingan dua kelompok
• Model asosiasi antar-peubah kategorik

• Model hubungan antar-peubah kuantitatif

KETENTUAN PERKULIAHAN
Tugas-tugas
• Mengerjakan soal-soal latihan , kuis, tugas mandiri, pembuatan makalah tentang topik
yang terkait, dan mengerjakan tugas-tugas individu maupun kelompok lainnya yang
dirasa perlu.
Kriteria Penilaian
• Penilaian akhir terhadap mahasiswa diberikan di akhir kuliah dengan
mempertimbangkan ujian tengah semester (UTS), ujian akhir semester (UAS), tugas,
dan presentasi. Komposisi dari masing-masing adalah 35% UTS, 35% UAS, dan 30%
(tugas, praktikum, kuis dan presentasi).
Ketentuan Lain
• Toleransi waktu keterlambatan: 1 menit
• Berpakaian dan berprilaku sopan sebagaimana ditetapkan dalam aturan IPB
• Tidak ada ujian susulan kecuali bagi mahasiswa yang sakit atau menjalankan tugas institusi dan
dibuktikan dengan surat keterangan dari fakultas
• Ujian susulan dilaksanakan paling cepat 1 minggu dan paling lambat 3 minggu setelah jadwal ujian resmi
dari IPB. Lewat dari waktu tersebut, mahasiswa dinilai BL. Mahasiswa dengan nilai BL diberi kesempatan
hingga satu bulan setelah pengumuman nilai mata kuliah untuk memenuhi komponen nilai yang belum
lengkap. Lewat dari waktu tersebut, mahasiswa dinilai E.
• Mahasiswa wajib mengikuti seluruh kegiatan perkuliahan dan praktikum kecuali berhalangan dengan
alasan yang dapat dibenarkan sesuai ketentuan yang berlaku.
Penilaian
• Penilaian didasarkan pada hasil UTS, UAS dan Tugas

yang diberikan kepada mahasiswa
• Nilai akhir berupa A, AB, B, BC, C, D, dan E
• Nilai A diberikan kepada mahasiswa yang
menunjukkan hasil cemerlang dalam UTS, UAS
maupun Tugas. Nilai ini kira-kira setara dengan 76 ke
atas dalam skala penilaian 0-100.
• Ujian susulan  soal berbeda dengan soal pada ujian
utama

Penilaian
2015 2016
2017 2018

Apa dan Mengapa Statistika?

Data Luas Lahan Pertanian
https://bps.go.id/linkTableDinamis/view/id/895

Data dalam Keseharian
 Data ada di-mana2 dlm keseharian kita
 Data ada dlm pemberitaan, perdebatan, pemilu,
perencanaan dan penelitian
 Statistika menyangkut seluk-beluk data, bahkan jauh
melampaui data itu sendiri
 Spt halnya “kata” dlm kalimat, “data” hrs ditata
sedemikian agar memiliki arti
 Kita perlu belajar:
 membaca “data” secara kritis dan komprehensif;
 menghasilkan data yg berguna;
 memahami metode utk mengambil kesimpulan berbasis data
Ilustrasi
 Hipertensi mrpk pembunuh yg takkelihatan

 1966 di AS  ada kajian efektivitas obat tekanan darah
utk hipertensi moderat (150/90). Tek. Normal: 120/80
 389 pasien:
 196 sbg kelompokkontrol (placebo);
 193 sbg kelompok aktif
 Questions :
• kel aktif lebih baik drpd kel kontrol?
• kel aktif kurang mengalami perusakan akibat hipertensi?
• Apa saja yang bisa diungkap oleh data yang terkumpul?

Ilustrasi (lanjutan)
Tabel. Jumlah Kasus Berkaitan dengan Jantung dan Tekanan Darah
Aktif Kontrol
Uraian
1. Jumlah kasus dengan tekanan darah  130 0 24
(0 %) (12.2 %)
2. Jumlah kasus kejadian hipertensif 37 89
3. Jumlah kasus serangan jantung dan 35 38
penyakit jantung koroner (18.1%) (19.3%)
4. Jumlah kasus pembengkakan jantung 12 20
5. Jumlah pasien 193 196
Informasi dari Tabel
 Baris 1 konklusif  0 vs 24
 Baris 2 sangat meyakinkan  37 vs 89
 Baris 3 sangat meyakinkan (negatif)  35 vs 38
 Walaupun baris 2 dan 3 sangat meyakinkan tapi tetap
perlu analisis statistika utk penilaian yg lebih akurat
 Baris 4 jelas memerlukan analisis statistika utk
menyimpulkan apakah obat tsb efektif utk mengatasi
pembengkakan jantung  12 vs 20
Analisis yg Objektif
 Walaupun kebutuhan metode analisis yg objektif sangat
jelas dlm kasus ini tetapi caranya belum jelas
 Metode yg dibutuhkan ini tdk misterius  bisa
dipelajari
 Gagasan atau pola pikir secara statistika diperlukan
untuk memahami metode ini
 Disain pengumpulan data, bias dr dugaan, keacakan
contoh mrpk bbrp hal penting yg mendasari pola
pikir statistika
Disain Pengumpulan Data
Andai: a. tek 150/90  kel aktif
 b. tek 125/90  kel kontrol
 maka akan berBIAS
Agar tidak berBIAS ?  pasien dikelompokkan secara

acak ke dalam kel aktif dan kontrol
Perlu konsep peluang (probability) untuk tercapainya

ketelitian dan objektivitas dari kajian
Definisi Statistika
 Statistika adalah ilmu yg mempelajari seluk- beluk
data, terutama bagaimana :
 Cara mengumpulkan
 Cara menganalisis atau memodelkan
 Cara menarik kesimpulan yang sahih (valid) dan

handal (reliable)  objektif

Deduksi vs Induksi
 Kebenaran dapat kita dapat kita peroleh secara deduktif
maupun induktif
 Deduksi  dimulai dari premis, yaitu sesuatu yang kita anggap benar
(umum). Lalu dari premis ini diturunkanlah kebenaran baru (khusus).
 Metode deduksi yang populer: silogisme, modus tollen dan modus
ponen
 Ilustrasi:
Premis: Kalau hari hujan maka jalanan basah (premis).
Fakta: Sekarang hari hujan.
Kesimpulan: jalanan basah (kebenaran baru)
 Bagaimana kalau faktanya kita melihat jalanan sedang basah?
Apakah yang bisa disimpulkan?
Deduksi vs Induksi
 Induksi  dimulai dari beberapa kasus, yaitu pengamatan parsial
(khusus). Lalu dari kasus ini dilakukan generalisasi atau perampatan
(umum).
 Kasus: Angsa di Aceh berbulu putih, angsa di Semarang berbulu
putih, angsa di Manado berbulu putih, dan angsa di Ambon berbulu
putih.
Kesimpulan: semua angsa berbulu putih.
 Dalam praktek kita sering dihadapkan pada: JIKA p MAKA q (pq).
Pola pikir induktif: apa jawaban thd p jika yg diamati adalah q.
 Misal, secara medis seseorang yang kurang tidur wajahnya pucat dan
pusing. Suatu waktu ada mahasiswa terlihat pucat dan pusing.
Apakah kita bisa menyimpulkan bhw mahasiswa kurang tidur?
Deduksi vs Induksi
Premis
(kebenaran Kesimpulan
DEDUKSI
umum) khusus
Kebenarannya mutlak
selama premisnya benar
STATISTIKA
Generalisasi
(kebenaran INDUKSI Fakta dari
umum) berbagai kasus
Kebenarannya tidak mutlak
dan selalu ada peluang
kesalahan
Statistika Deskriptif & Inferensi
Statistika deskriptif  penyajian data (tabel, grafik atau

gambar, ukuran deskriptif)
Statistika deskriptif  merupakan upaya agar info dapat
ditangkap dg jelas
Inferensi statistika  merupakan proses penarikan kesimpulan
secara induktif
Ingat tadi, dari 193 pasien kel aktif, 19% mengalami kejadian
hipertensif  deskriptif (hanya fakta)
Pasien yang mengkonsumsi obat tekanan darah lebih kecil
risiko utk terkena pembengkakan jantung drpd yang tidak
mengkonsumsi obat tersebut  inferensi (kita melampaui
fakta!)
Jajak Pendapat
Pertanyaan: Apakah Anda setuju jika markas besar PBB tetap ada di
Amerika Serikat? (Ya setuju/Tidak setuju)
Tabel. Dua Macam Jajak Pendapat mengenai PBB
Metode Jajak Pendapat Ya Tidak Responden
(1) Telpon masuk  phone-in 33% 67% 180 000
(2) Telpon Acak (diacak dari buku 72% 28% 1 200

telpon)  random poll
Metode (1) atau (2) yang lebih layak dipercaya hasilnya???

telpon masuk (phone-in)  berBIAS (mengapa?) XXX
bias seleksi   bias respons
telpon acak (random poll)  Bias ditekan melalui
pemilihan responden secara acak
Kesalahan Pengumpulan Data
Bias dalam jajak pendapat melalui telpon

Bias seleksi
Bias dari nomor yang takterdaftar
Bias dari telpon yang takdijawab
Bias Respons
Kesalahan populasi sasaran
Pendapat yang berubah-ubah : informasi sesuai waktu
pencacahan

DATA
Metrik
Data diperoleh
dari hasil Non-metrik
pengukuran

Twitter: @kh_notodiputro
SKALA PENGUKURAN
 Nominal kategori (misal suku, agama, varietas)
 Ordinal  kategori dan peringkat (misal tingkat
kepuasan)
 Interval  kategori, peringkat, dan jarak (misal
temperatur) Celsius
 Rasio  kategori, peringkat, jarak, dan
perbandingan (misal tinggi tanaman, hasil padi per
ha)  m, kg

DATA
 Data memiliki sebaran tertentu  punya pusat dan

ragam
 Data bisa berasal dari populasi atau contoh
 Contoh hrs representatif dan cukup jumlahnya 
agar representatif maka harus contoh acak
 Acak ≠ sembarangan
 Contoh berguna utk menarik kesimpulan ttg
populasi
Data tidak sama dengan angka
Populasi vs Contoh
INDUKSI

Deskripsi Data?
 Data perlu dideskripsikan agar mudah dipahami dan
agar mudah dikenali pola sebarannya dan
keteraturannya.
 Sebagai misal data luas provinsi atau jumlah pulau per
provinsi di Indonesia.
 Jika data tidak disajikan secara deskriptif menjadi
sulit untuk mengetahui provinsi mana yang terluas?
Provinsi mana yang tersempit?
 Juga sulit diketahui berapa rata-rata luas provinsi?
Berapa rata-rata jumlah pulau per provinsi?
 Sulit juga untuk mengetahui seberapa berbeda jumlah
pulau dari satu provinsi ke provinsi yang lain.

Deskripsi Data?

Deskripsi Data?

Jenis Peubah
 Data merupakan hasil dari pengukuran
 Setiap objek memiliki ukuran masing2
 Artinya antar-objek selalu ada keragaman
 Objek diukur berdasarkan ciri/karakteristik tertentu, ciri ini
sering disebut peubah
Peubah (variable) adalah karakteristik dari objek yang
dipelajari
P
Suhu minimum Curah hujan per E
per hari hari U
B
A
Suhu maksimum Hujan atau tidak
H
per hari pd hari tertentu
Jenis Peubah
 Hasil dari pengukuran thd peubah disebut pengamatan 
data
 Pengamatan bs berupa angka (10 kg, 1000 m2, 10 pulau)
 Pengamatan bs berupa kategori (Ya/Tdk)
 Modus
KATEGORIK jika  Frekuensi
Peubah pengamatannya berupa  Persentase
kategori  Proporsi
 Rata-rata
KONTINU jika  Minimum
pengamatannya berupa  Maksimum
angka atau numerik  Median
Statistik yg digunakan
Jenis Peubah
 Peubah kategorik bisa juga berubah menjadi peubah
kontinu melalui transformasi atau perubahan makna
 Misal kategori petani: miskin dan tidak miskin  kategorik
 Tetapi persentasi petani miskin: 0-100 persen  kontinu
 Jumlah
 Persen
 Proporsi
Peubah KATEGORIK KONTINU

Tabel Frekuensi
 Proporsi adalah jumlah pengamatan yang ada di
dalam suatu kategori dibagi seluruh
pengamatan
 Persentase adalah proporsi x 100%
 Proporsi, persentase  frekuensi relatif
 Tabel frekuensi adalah tabel yang
mencantumkan kategori beserta jumlah
pengamatan pada setiap kategori.

Tabel Frekuensi

Ringkasan Data Diskret
• Ungkapan:
• Anda mendengar  tahu; Anda embaca  paham
• Anda melihat  percaya  The power of graphics
• Peubah diskret  Diagram kueh & Diagram batang
Diagram
kueh

Ringkasan Data Diskret
Diagram
batang
Sumber listrik mrp peubah kategorik

Proporsi dicerminkan oleh bagian dari pie chart
Sumber listrik terbarukan hanya 11% (7+4)
Batu bara adalah sumber listrik terbesar

Ringkasan Data Kontinu
Dot plots :
(Diagram Titik)

Dot Plots :
(Diagram Titik)
Dot plots menggambarkan seluruh data secara rinci

 Mudah dilihat bhw sebagian besar data 125-250 mg
 Mudah dilihat bhw kisaran (range) data: 0-340 mg
 Dot plots menayangkan setiap pengamatan
 Dot plots menayangkan frekuensi kejadian

Stem-and-Leaf Plots (Diagram Dahan Daun)

Pemenggalan angka (truncation)  lbh kompak
Dahan Daun
Alternatif
Demo MINITAB
Tabel frekuensi untuk cereals

Histogram batang untuk cereals
Histogram
Buatlah grafik persetase kumulatif

Memilih Grafik
• Kita sudah belajar 3 grafik data kontinu:

• Diagram titik (dot plots)
• Diagram dahan daun (stem-and-leaf plots)
• Histogram
• Pilih yang mana?
• Diagram titik dan dahan daun cocok utk data yang
sedikit jumlahnya
• Histogram lbh fleksibel dalam penentuan selangnya
• Data pengamatan bisa dibaca pada diagram titik dan
dahan-daun tetapi tidak bisa pada histogram

Bentuk Sebaran Data
• Grafik suatu data menggambarkan sebaran dari
data  bisa juga oleh tabel frekuensi
Yang perlu dicermati:

1. Apakah data mengumpul atau
berpencar, atau ada pengamatan
yang memencil?
2. Apakah ada satu puncak
(unimodal) atau ada dua puncak
(bimodal)?
3. Bentuk sebaran data  simetrik atau menjulur (skewed)

Bentuk Sebaran Data

Bentuk Sebaran Data
Perhatikan
 Apakah ada satu atau dua puncak?

 Apakah simetris atau menjulur?
 Apakah ada pengamatan yg memencil?
TUGAS (kumpulkan kpd asisten)
1. Obat herbal dan efek samping. Suatu penelitian dilakukan untuk mengetahui apakah mengkonsumi obat
herbal lebih kecil risiko terkena efek samping ketimbang mengkonsumsi obat kimia. Sebanyak 22,000
dokter terlibat dalam penelitian ini. Untuk menentukan apakah seorang dokter diberi obat herbal ataukah
obat kimia dilakukan pelemparan mata uang, dan ternyata 10,900 dokter diberi obat herbal dan 11,100
diberi obat kimia. Selanjutnya diperoleh hasil bahwa 0.8% dari yang mengkonsumsi obat herbal
mengalami efek samping, sedangkan untuk yang mengkonsumsi obat kimia ada 1.7% mengalami efek
samping. Lalu disimpulkan bahwa obat herbal lebih aman karena risiko efek sampingnya lebih kecil
ketimbang obat kimia.
Pertanyaan: Bagian mana yang menjelaskan tentang rancangan studi, bagian mana statistika deskriptif, dan
bagian mana statistika inferensi?
2. Piramida penduduk Indonesia.

a. Apakah sebagian kecil penduduk sudah berusia tua
(55 tahun ke atas)?
b. Apakah sebagian besar penduduk pada usia produktif
(20-54)?
c. Apakah jumlah penduduk pria jauh lebih banyak dari
wanita? Ataukah seimbang?
d. Anggap laju kelahiran dan kematian tetap seperti
pada saat ini, gambarkan perkiraan piramida penduduk
Indonesia 10 tahun y.a.d. Inspiring Innovation with Integrity
TUGAS (kumpulkan kpd asisten)
3. Agresti halaman 42 nomor 1.6


Tokoh Statistika


Kuliah01 An Stat Ganjil 2019 20 PDF

Diunggah oleh

Informasi Dokumen

Judul Asli

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

Kuliah01 An Stat Ganjil 2019 20 PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

Inspiring Innovation with Integrity

Bogor Agricultural University (IPB)

Bogor Agricultural University (IPB)

STK 511 A nalisis Statistika

Twitter: @kh_notodiputro Kuliah Pertama, 15 Agustus 2019 email: khairil@apps.ipb.ac.id

Di IPB pernah nenjabat sebagai Ketua Jurusan Statistika, Direktur Tingkat

Inspiring Innovation with Integrity

Inspiring Innovation with Integrity

Inspiring Innovation with Integrity

Inspiring Innovation with Integrity

5. Model klasifikasi 1. Apa itu klasifikasi satu arah? Memperoleh datanya? 1x

Inspiring Innovation with Integrity

Inspiring Innovation with Integrity

• Peluang dalam keseharian

• Model asosiasi antar-peubah kategorik

Inspiring Innovation with Integrity

• Penilaian didasarkan pada hasil UTS, UAS dan Tugas

Inspiring Innovation with Integrity

Inspiring Innovation with Integrity

Inspiring Innovation with Integrity

Inspiring Innovation with Integrity

 Hipertensi mrpk pembunuh yg takkelihatan

Inspiring Innovation with Integrity

Agar tidak berBIAS ?  pasien dikelompokkan secara

Perlu konsep peluang (probability) untuk tercapainya

 Cara menganalisis atau memodelkan

 Cara menarik kesimpulan yang sahih (valid) dan

Inspiring Innovation with Integrity

Statistika deskriptif  penyajian data (tabel, grafik atau

(1) Telpon masuk  phone-in 33% 67% 180 000

(2) Telpon Acak (diacak dari buku 72% 28% 1 200

Metode (1) atau (2) yang lebih layak dipercaya hasilnya???

Bias dalam jajak pendapat melalui telpon

Inspiring Innovation with Integrity

Inspiring Innovation with Integrity

Inspiring Innovation with Integrity

 Data memiliki sebaran tertentu  punya pusat dan

Inspiring Innovation with Integrity

Inspiring Innovation with Integrity

Inspiring Innovation with Integrity

Inspiring Innovation with Integrity

Peubah KATEGORIK KONTINU

Inspiring Innovation with Integrity

Inspiring Innovation with Integrity

Inspiring Innovation with Integrity

Inspiring Innovation with Integrity

Sumber listrik mrp peubah kategorik

Inspiring Innovation with Integrity

Inspiring Innovation with Integrity

Dot plots menggambarkan seluruh data secara rinci

Inspiring Innovation with Integrity

Inspiring Innovation with Integrity

Inspiring Innovation with Integrity

Buatlah grafik persetase kumulatif

• Kita sudah belajar 3 grafik data kontinu:

Inspiring Innovation with Integrity

Yang perlu dicermati:

3. Bentuk sebaran data  simetrik atau menjulur (skewed)

Inspiring Innovation with Integrity

Inspiring Innovation with Integrity

 Apakah ada satu atau dua puncak?

2. Piramida penduduk Indonesia.

3. Agresti halaman 42 nomor 1.6