OLEH:
NAMA : ATIKA NAZRIA SENINA
NIM : F1A120021
KELOMPOK : I (SATU)
ASISTEN PRAKTIKUM : 1. DIAN HASANAH
2. M. SYADAM PURWANTO
3. AMIN
OLEH:
NAMA : ATIKA NAZRIA SENINA
NIM : F1A120021
KELOMPOK : I (SATU)
Menerangkan bahwa apa yang ditulis dalam laporan ini adalah benar dan
dinyatakan telah memenuhi syarat.
Menyetujui,
ASISTEN PRAKTIKUM:
Asisten 1 Asisten 2 Asisten 3
ii
KATA PENGANTAR
Penyusun
iii
DAFTAR ISI
HALAMAN JUDUL………………………………………………………….. i
HALAMAN PENGESAHAN ……………………………………………….. ii
KATA PENGANTAR ……………………………...………………………… iii
DAFTAR ISI ………………………………………………………………… iv
DAFTAR GAMBAR ………………………...…….………………………… v
DAFTAR TABEL …………………………..………………………………... vi
BAB I PENDAHULUAN
1.1. Latar Belakang ……….……….......…..…………………..…...... 1
1.2. Tujuan …………………..…………………...…………..…….... 2
1.3. Manfaat ...…………..…………………………...……………..... 2
1.4. Waktu dan Tempat ……………………...………..………........... 3
1.5. Alat dan Bahan ……….…………...……...…………..….....…... 3
BAB II PEMBAHASAN
2.1. Praktikum 1 …………..……………....…………………..……... 4
2.2. Praktikum 2 …………………………...……….………..………. 10
2.3. Praktikum 3 …………………………...……….……………....... 13
2.4. Praktikum 4 …………………………...……….……………..…. 18
2.5. Praktikum 5 …………………………...……….……………..…. 20
2.6. Praktikum 6 …………………………...………..…………..….... 25
2.7. Praktikum 7 ……….………………...……….…………..…….... 29
2.8. Praktikum 8 …………………………...……….….…..……….... 36
2.9. Praktikum 9 …………………………...……….……..…………. 43
2.10. Praktikum 10 ……….………………...……….……..………….. 49
BAB III PENUTUP
3.1. Kesimpulan ...…….………..……………..………..……………. 58
3.2. Saran …….....…………..…..………………………..…...……... 60
DAFTAR GAMBAR
Halaman
Gambar 1. Hasil Run Data Frame dengan Data Editor……………………………... 19
Gambar 2. Hasil Run Plot Tipe overplotted………………………………………………. 20
Gambar 3. Hasil Run Plot Tipe Point……………………………………………….. 21
Gambar 4. Hasil Run Plot Tipe Lines……………………………………………………… 21
Gambar 5. Hasil Run Plot Tipe Histogram………………………………………….. 22
Gambar 6. Hasil Run Plot Tipe Point Joined by Lines………………………………….. 23
Gambar 7. Hasil Run Plot Tipe stair………………………………………………………. 23
iv
Gambar 8. Hasil Run Plot Tipe Stair(S)…………………………………………………... 24
Gambar 9. Histogram Nilai Teknologi Informasi…………………………………… 26
Gambar 10. Boxplot Nilai Teknologi Informasi…………………………………….. 28
Gambar 11. Scatter Plot Nilai Teknologi Informasi………………………………... 30
Gambar 12. Histogram Nilai Teknologi Informasi………………………………….. 31
Gambar 13. Density plot Nilai Teknologi Informasi………………………………… 32
Gambar 14. Boxplot Nilai Teknologi Informasi…………………………………….. 33
Gambar 15. Pie Chart Nilai Teknologi Informasi………………………………….. 33
Gambar 16. Bar Plot Nilai Teknologi Informas ……………………………………. 34
Gambar 17. Dot Chart Teknologi Informasi………………………………………... 35
Gambar 18. Hasil Run Plot Fungsi Kepadatan Peluang…………………………….. 41
Gambar 19. Grafik Fungsi Distribusi Normal………………………………………. 43
Gambar 20. Hasil Run Plot Fungsi Kepadatan Peluang Distribusi Normal………… 48
Gambar 21. Hasil Run Fungsi Peluang Distrubusi Kumulatif dari Distribusi Normal. 48
DAFTAR TABEL
Halaman
Tabel 1. Alat dan Bahan ……………………………………………………………… 3
Tabel 2. Operator Aritmatika…………………………………………………………. 10
Tabel 3. Operator Perbandingan………………………………………………………. 10
Tabel 4. Operator Logika……………………………………………………………... 11
Tabel 5. Syntax dalam operasi R……………………………………………………… 11
Tabel 6. Cara Menggunakan Vektor………………………………………………….. 13
Tabel 7. Cara Mengakses Vektor……………………………………………………… 14
v
Tabel 8. Cara Modifikasi Vektor……………………………………………………… 14
Tabel 9. Matriks Dalam Program R…………………………………………………... 15
Tabel 10. Cara Mengakses Matriks…………………………………………………… 16
Tabel 11. Cara Modifikasi Matriks…………………………………………………… 17
Tabel 12. Syntax Peluang & Fungsi…………………………………………………… 42
vi
METODE STATISTIKA
BAB I
PENDAHULUAN
probabilitas, berbagai macam uji statistik. Oleh karena itu, pada laporan lengkap
ini akan ditampilkan beberapa teknik metode statistika melalui software atau
aplikasi R.
1.2. Tujuan
1. Untuk mengetahui macam – macam aplikasi statistik, sejarah
perkembangan bahasa pemograman R, pengertian metode statistika, serta
perbedaan statistik dan statistika.
2. Untuk mengetahui macam - macam operator, syntax, dan tipe data yang
terdapat dalam program R.
3. Untuk mengetahui pengertian, cara menggunakan, cara mengakses dan
cara modifikasi vektor dan matriks dalam program R.
4. Untuk mengetahui pengertian dan cara membuat data frame.
5. Untuk mengetahui pengertian dan macam - macam plot dalam program R.
6. Untuk mengetahui histogram dan boxplot dalam program R.
7. Untuk mengetahui macam - macam syntax grafik.
8. Untuk mengetahui distribusi peluang diskrit, syntax peluang dan fungsi.
9. Untuk mengetahui pengertian, jenis-jenis, dan syntax peluang kontinu.
10. Untuk mengetahui hipotesis statistik dan regresi linear sederhana
1.3. Manfaat
1. Dapat mengetahui macam - macam aplikasi statistik, sejarah
perkembangan bahasa pemograman R, pengertian metode statistika, serta
perbedaan statistik dan statistika.
2. Dapat mengetahui macam - macam operator, syntax, dan tipe data yang
terdapat dalam program R.
3. Dapat mengetahui pengertian, cara menggunakan, cara mengakses dan
cara modifikasi vector dan matriks dalam program R.
4. Dapat mengetahui pengertian dan cara membuat data frame.
5. Dapat mengetahui pengertian dan macam - macam plot dalam program R.
6. Dapat mengetahui histogram dan boxplot dalam program R.
7. Dapat mengetahui macam - macam syntax grafik.
BAB II
PEMBAHASAN
2.1 Praktikum 1
2.1.1 Software atau aplikasi statistik beserta kelebihan dn kekurangannya :
a. Software R
R adalah suatu kesatuan software yang terintegrasi dengan beberapa
fasilitas untuk manipulasi, perhitungan dan penampilan grafik yang handal. R
dapat berinteraksi dengan program statisik, manipulasi, perhitungan dan
penampilan grafik lainnnya, seperti SPSS, yang cukup popular, Microsoft Excell
dengan menyediakan fasilitas import dan eksport data. R hampir dapat digunakan
untuk berbagai bidang, mulai dari kalkulasi biasa (seperti kalkulator), statistik,
ekonometri, geografi, hingga pemrograman komputer.
Kelebihan :
1) Efektif dalam pengelolaan data dan fasilitas penyimpanan. Ukuran file
yang disimpan jauh lebih kecil dibanding software lainnya.
2) Lengkap dalam operator perhitungan array.
3) Lengkap dan terdiri dari koleksi tools statistik yang terintegrasi untuk
analisis data, diantaranya, mulai statistik deskriptif, fungsi probabilitas,
berbagai macam uji statistik, hingga time series.
4) Tampilan grafik yang menarik dan fleksibel ataupun costumized.
5) Dapat dikembangkan sesuai keperluan dan kebutuhan dan sifatnya yang
terbuka, setiap orang dapat menambahkan fitur-fitur tambahan dalam
bentuk paket ke dalam software R.
Kekurangan :
1) Terlalu banyak command
2) Output yang tidak standard
3) Fungsi yang "menyesatkan" atau nama-nama parameter (data =, sort, if)
4) Pengendalian variabel yang tidak rapih
1998 yang berbunyi bahwa bahasa pemrograman software S telah “merubah orang
dalam memanipulasi, visualisasi, dan menganalisis data untuk selamanya”.
Bahasa pemrograman R dibuat sejalan dengan ide yang ada pada bahasa
pemrograman S dan program statistik lainnya, sehingga secara fungsi dan
sintaks/tata bahasa sama-sama menggunakan bahasa S, namun tidak identik.
bahasa pemrograman R dapat digabungkan dengan software lainnya diantaranya
adalah program statistik, manipulasi, perhitungan dan penampilan grafik lainnya,
seperti SPSS, Microsoft Excell dengan menyediakan fasilitas import dan eksport
data. Selain itu, R dapat melakukan import file software lainnya seperti SAS,
Minitab, Stat, Systat, dan EpInfo.
Berdasarkan publikasi yang dirilis IEEE Spectrum Ranks Languages pada
tahun 2017, R berhasil masuk ke dalam 10 bahasa pemrograman terpopuler.
bahasa pemrograman R menempati posisi yang cukup tinggi yaitu berada pada
posisi ke-6 di atas bahasa pemrograman Javascript dan PHP yang berturut-turut
berada pada posisi ke-7 dan ke-8. Di masa sekarang, R biasanya lebih banyak
digunakan untuk analisis data yang dikerjakan pada server pribadi. R dapat
difungsikan untuk pekerjaan eksplorasi hampir semua jenis data karena
banyaknya jenis packages, test, dan tools yang dengan mudah bisa diadaptasi.
Penggunaan rumus-rumus rumit dalam R juga mudah diatur. Pada penggunaan R,
langkah pertama yang harus dilakukan adalah mengunduh RStudio IDE
(Integrated Development Environments).
2.1.3 Metode statistika membutuhkan paket program karena statistika adalah
ilmu dan atau seni yang berkaitan dengan cara (metode) pengumpulan data,
analisis data, dan interpretasi hasil analisis untuk mendapatkan informasi guna
pengambilan keputusan dan penarikan kesimpulan yang membutuhkan program
dalam penerapannya. Croxton dan Cowden, mengatakan “Statistika adalah
metode untuk mengumpulkan, mengolah dan menyajikan, serta
menginterpretasikan data yang berwujud angka-angka”. Karena perkembangan
teknologi yang pesat, hal ini memudahkan dalam mengumpulkan dan menyajikan
data statistika menggunakan program.
2.1.4 Menurut saya, metode statistika adalah cara dan langkah-langkah yang
dapat dilakukan untuk mengumpulkan, menyajikan, menganalisis dan
mempresentasikan data yang disediakan. data- data tersebut nantinya akan
menjadi tersusun agar mudah dianalisis.
2.1.5 Statistik merupakan hasil data yang penyajiannya dalam bentuk grafik,
tabel, dan sebagainya. Sedangkan menurut KBBI statistik merupakan catatan atau
angka-angka yang dikumpulkan, lalu ditabulasi, dan digolong-golongkan, dengan
begitu bisa memberi informasi yang berarti tentang suatu gejala atau masalah.
Sedangkan statistika adalah ilmu yang mempelajari bagaimana cara
merencanakan, mengumpulkan, menganalisis, hingga mempresentasikan data.
2.2 Praktikum 2
2.2.1 Operator Aritmatika
Operator aritmatika adalah operator yang digunakan untuk melakukan
operasi aritmatika seperti penjumlahan, pengurangan, pembagian, perkalian, dsb.
Proses perhitungan akan ditangani oleh fungsi khusus. R akan memahami
urutannya secara benar.
Simbol Keterangan Contoh
+ Addition, untuk operasi penjumalahan > 4+5
[1] 9
- Substraction, untuk operasi pengurangan > 5-4
[1] 1
* Multiplication, untuk operasi perkalian > 5*4
[1] 20
/ Division, untuk operasi pembagian > 20/4
[1] 5
^ Eksponentiation, untuk operasi pemangkatan > 4^5
[1] 1024
%% Modulus, untuk mencari sisa pembagian > 5%%4
[1] 1
%/% Integer, untuk mencari bilangan bulat hasil > 5%/4%
[1] 1
pembagian
Tabel 2. Operator Aritmatika
2.2.2 Operator Perbandingan
Operator relasi atau operator perbandingan adalah operator yang
digunakan untuk membandingkan satu objek dengan objek lainnya.
logika hanya berlaku pada vektor dengan tipe logical, numeric, atau complex.
Semua angka bernilai 1akan dianggap bernilai logika TRUE.
Simbol Keterangan Contoh
&& And > (4>3)&&(3>2)
[1] TRUE
|| Or >(2>3)||(3>4)
[1] TRUE
! Not > (4>5)!(3<4)
[1] TRUE
Tabel 4. Operator Logika
2.2.4 Syntax
Syntax adalah aturan menulis 'kalimat' agar mampu dimengerti dengan
benar oleh bahasa pemrograman. Secara etimologis istilah syntax adalah
menempatkan bersama kata-kata menjadi kelompok kata atau kalimat dan
kelompok-kelompok kata menjadi kalimat.
Macam-macam syntax dalam operasi R adalah sebagai berikut.
Syntax Fungsi Contoh
Sum Untuk menjumlahkan data > k<-
+ c(5,7,2,2,9,4,9,2)
> sum(k)
[1] 40
Max Untuk memperoleh nilai > k<-
+ c(5,7,2,2,9,4,9,2)
maksimun > max(k)
[1] 9
Min Untuk memperoleh nilai > k<-
+ c(5,7,2,2,9,4,9,2)
minimum > min(k)
[1] 2
Sort Untuk mengurutkan nilai dari > k<-
+ c(5,7,2,2,9,4,9,2)
yang terkecil ke yang tersebsar > sort(k)
[1] 2 2 4 4 5 7 9 9
Rev Untuk mengurutkan nilai dari > k<-
+ c(5,7,2,2,9,4,9,2)
yang terbesar ke yang terkecil > rev(k)
[1] 9 9 7 5 4 4 2 2
Median Untuk memperoleh nilai tengah > k<-
+ c(5,7,2,2,9,4,9,2)
> median(k)
[1] 4
Mean Untuk memperoleh nilai rata- > k<-
+ c(5,7,2,2,9,4,9,2)
rata
> mean(k)
[1] 5
Tabel 5. Syntax dalam operasi R
2.2.5 Tipe Data
Data types atau tipe data adalah sebuah pengklasifikasian data berdasarkan
jenis data tersebut. Tipe data pada R dapat dikelompokan berdasarkan beberapa
tipe. Tipe data tersebut diantaranya:
1. Character
Character adalah tipe data yang beranggotakan karakter. Contoh :
> x = ”belajar statistik”
> x
[1] “belajar statistik”
> mode(x)
[1] “character”
2. Numeric
Numeric adalah tipe data yang beranggotakan segala jenis angka. Contoh:
> x <- 2.9
> class(x)
[1] numeric
3. Complex
Complex adalah tipe data yang beranggotakan bilangan kompleks. Contoh:
> z <- 5+9i
> class(z)
[1] complex
4. Logical
Logical adalah tipe data yang beranggotakan nilai boolean.
Boolean merupakan tipe yang memiliki dua nilai yaitu benar (TRUE) atau salah
(FALSE). Contoh :
> apel <- TRUE
> class(apel)
[1] logical
2.3 Praktikum 3
2.3.1 Vektor dalam Program R
Vektor merupakan kombinasi berbagai nilai (numerik, karakter, logical,
dan sebagainya berdasarkan jenis input data) pada objek yang sama. Pada contoh
kasus berikut, pembaca akan memiliki sesuai jenis data input yaitu vektor
numerik, vektor karakter, vektor logical, dll. Dengan kata lain, vektor
adalah tool sederhana untuk menyimpan data.
1. Cara Menggunakan Vektor
No. Nama Fungsi Fungsi Contoh
Menciptakan
> 25:20
1. Tanda: rangkaian angka
[1] 25 24 23 22 21 20
secara berurutan
Menciptakan > c(8,9,8,4,3,0)
2. Fungsi C [1] 8 9 8 4 3 0
rangkaian angka
Menciptakan
> seq(20,25)
seq(a,b) rangkaian angka [1] 20 21 22 23 24 25
secara berurutan
Menciptakan > seq(200,225,by=5)
seq(a,b,
rangkaian angka [1] 200 205 210 215
by=c) 220 225
secara berurutan
seq > seq(from=200,to=225,
Menciptakan barisan
3. (from= a, by=5)
angka berpola secara [1] 200 205 210 215
to=b,
berurutan 220 225
by=c)
Seq
Menciptakan
rangkaian angka
seq (a,b > seq(20,25,length=2)
dengan panjang deret [1] 20 25
length=c)
yang dapat
ditentukan sendiri
Tabel 6. Cara Menggunakant Vektor
2. Cara Mengakses Vektor
No. Fungsi Contoh
> x=seq (from=12,to=120,by=2)
Menampilkan elemen ke-n
1. > x[1]
dari vektor x [1] 12
> x=seq (from=12,to=120,by=2)
Menampilkan elemen ke-n
2. > x[c(1,4)]
dan ke-m [1] 12 18
> x=seq (from=17,to=27,by=2)
Memunculkan semua elemen
3. > x[-5]
kecuali elemen ke-n [1] 17 19 21 23 27
[1,] 21 24 27
[2,] 22 25 28
[3,] 23 26 29
>m=matrix(c(3,5,8,9),nrow=2,ncol=2)
> m
[,1] [,2]
[1,] 3 8
[2,] 5 9
> rbind(25,27,28,30,35)
[,1]
[1,] 25
[2,] 27
Membuat matriks [3,] 28
2. menggunakan rbind dan [4,] 30
cbind [5,] 35
> cbind(25,27,28,30,35)
[,1] [,2] [,3] [,4] [,5]
[1,] 25 27 28 30 35
> a=array(21:29,dim=c(3,3))
> a
Membuat matriks [,1] [,2] [,3]
3. [1,] 21 24 27
menggunakan array
[2,] 22 25 28
[3,] 23 26 29
Tabel 9. Matriks Dalam Program R
2. Cara Mengakses Matriks
No. Fungsi Contoh
>x=matrix(c(2,6,8,12,16,18,22,
26,28),nrow=3,ncol=3)
>y=matrix(c(2,6,8,2,6,8,2,6,8),
nrow=3,ncol=3)
Mengurangkan
2. Pengurangan > x-y
Matriks [,1] [,2] [,3]
[1,] 0 10 20
[2,] 0 10 20
[3,] 0 10 20
Mengubah >x=matrix(c(2,6,8,12,16,18,22,
26,28),nrow=3,ncol=3)
baris menjadi
> t(x)
kolom dan [,1] [,2] [,3]
4. Transpose
kolom menjadi [1,] 2 6 8
baris suatu [2,] 12 16 18
matriks [3,] 22 26 28
>x=matrix(c(3,7,9,12,15,17,19,
21,22),nrow=3,ncol=3)
Mencari Mencari Invers > solve(x)
5. [,1] [,2] [,3]
Invers Matriks [1,] -0.7714286 1.685714 -0.9428571
[2,] 1.0000000 -3.000000 2.0000000
[3,] -0.4571429 1.628571 -1.1142857
>x=matrix(c(3,7,9,12,15,17,19,
21,22),nrow=3,ncol=3)
Menentukan
6. Perpangkata > (x)^3
Perpangkatan [,1] [,2] [,3]
n
Matriks [1,] 27 1728 6859
[2,] 343 3375 9261
[3,] 729 4913 10648
>x=matrix(c(3,7,9,12,15,17,19,
21,22),nrow=3,ncol=3)
Mencari >y=matrix(c(4,7,10,12,14,18,21,
Determinan
7. Determinan 22,24),nrow=3,ncol=3)
Matriks > det(x)
Matriks
[1] 35
> det(y)
[1] 90
>x=matrix(c(3,7,9,12,15,17,19,
21,22),nrow=3,ncol=3)
>y=matrix(c(4,7,10,12,14,18,21,
Membagi 22,24),nrow=3,ncol=3)
8. Pembagian > x/y
Matriks
[,1] [,2] [,3]
[1,] 0.75 1.0000000 0.9047619
[2,] 1.00 1.0714286 0.9545455
[3,] 0.90 0.9444444 0.9166667
>x=matrix(c(3,7,9,12,15,17,19,
21,22),nrow=3,ncol=3)
Mencari >y=matrix(c(4,7,10,12,14,18,21,
Mencari
9. Diagonal 22,24),nrow=3,ncol=3)
Diagonal > diag(x)
Matriks
[1] 3 15 22
> diag(y)
[1] 4 14 24
10. Mencari Mencari Akar >x=matrix(c(3,7,9,12,15,17,19,
21,22),nrow=3,ncol=3)
Akar dari suatu >y=matrix(c(4,7,10,12,14,18,21,
Matriks 22,24),nrow=3,ncol=3)
> sqrt(x)
[,1] [,2] [,3]
[1,] 1.732051 3.464102 4.358899
[2,] 2.645751 3.872983 4.582576
[3,] 3.000000 4.123106 4.690416
> sqrt(y)
[,1] [,2] [,3]
[1,] 2.000000 3.464102 4.582576
[2,] 2.645751 3.741657 4.690416
[3,] 3.162278 4.242641 4.898979
Tabel 11. Cara Modifikasi Matriks
2.4 Praktikum 4
2.4.1 Data Frame
Data frame adalah struktur data tabular yang disusun pada kolom dan baris
berurut. Data Frame di R adalah fungsi yang dapat digunakan untuk membuat
kerangka data, koleksi dari variabel-variabel yang mana memiliki karakteristik
seperti matriks. Ibaratnya data frame membuat data yang anda susun mirip seperti
tabel yang terdiri dari baris dan kolom pada Excel atau Calc.
1. Membuat Data Frame Secara Manual
Untuk membuat vektor digunakan bantuan fungsi c(). Vektor dapat berisi
tipe data skalar seperti number, character atau logical. Berikut adalah contoh
mendeklarasikan variabel sebagai vektor:
> a=c("Harnawati","Arsy Ariantri","La Ode Sanluis","Muhammad
Taqwa Al Kautsar","Marisa","Ais Khalillah","Nurul Fitriah
Muzuni","Alvian Ronaldus Marthin","Atika Nazria Senina","Sitti
Hapsah")
> b=c("F1A120023","F1A120047","F1A120025","F1A120029","F1A1
20027","F1A120043","F1A120033","F1A120017","F1A120021","F1A120039
")
> f=c(91,85,90,91,79,85,73,91,91,90)
> g=c("Bugis","Muna","Cia-Cia","Buton","Muna-Buton" ,"Moronene",
"Buton","Manado-Buton","Bugis","Muna")
> z=data.frame(Nama=a,NIM=b,Nilai=f,Suku=g)
> z
Nama NIM Nilai Suku
1 Harnawati F1A120023 91 Bugis
2 Arsy Ariantri F1A120047 85 Muna
3 La Ode Sanluis F1A120025 90 Cia-Cia
4 Muhammad Taqwa Al Kautsar F1A120029 91 Buton
5 Marisa F1A120027 79 Muna-Buton
6 Ais Khalillah F1A120043 85 Moronene
7 Nurul Fitriah Muzuni F1A120033 73 Buton
8 Alvian Ronaldus Marthin F1A120017 91 Manado-Buton
9 Atika Nazria Senina F1A120021 91 Bugis
Hasil Run :
2.5 Praktikum 5
2.5.1 Plot dalam program R
Plot pada data frame adalah perintah/syntax yang digunakan untuk
menggambarkan grafik yang dapat menghubungkan dua variabel.
1. Plot Tipe Overplotted(o)
Plot tipe overplotted adalah perintah yang digunakan untuk
menggambarkan grafik dengan menghubungkan titik menggunakan garis. Berikut
contoh plot tipe overplotted.
> nama=c("Atika Nazria Senina","Alvian Ronaldus Marthin","La Ode
Sanluis","Nurul Fitriah Muzuni","Marisa","Siti Hapsah","Ais
Khalillah")
> Ip=c(3.00,3.05,3.05,3.32,3.14,3.20,3.10)
> u=data.frame(nama,Ip)
> y=u$Ip
> plot(y,main="type overplotted",ylab="Ip",type="o",col="red")
> legend("topleft",c("type overplotted"),fill=c("pink"))
Hasil run:
> u=data.frame(nama,Ip)
> y=u$Ip
> plot(y,main="type lines",ylab="ip",type="l",col="blue")
> legend("topleft",c("type lines"),fill=c("pink"))
Hasil run:
Hasil run:
2.6 Praktikum 6
2.6.1 Histogram di R
Histogram adalah sebuah representasi grafik yang menampilkan impresi
visual dari distribusi data.Histogram digunakan untuk mem-plot densitas dari data
dan sering digunakan untuk melakukan estimasi densitas.Secara sederhana,
Histogram adalah tampilan grafis dari tabulasi frekuensi yang digambarkan
dengan grafis batangan sebagai manifestasi data binning. Tiap tampilan batang
menunjukan proporsi frekuensi pada masing-masing deret kategori yang
berdampingan dengan intervalyang tidak tumpang tindih. Histogram berfungsi
untuk membuat diagram yang berkaitan dengan range atau untuk melihat
distribusi, penyebaran, varian suatu produk, proses atau layanan.Langkah-langkah
dalam membuat histogram secara manual sebagai berikut :
a. Mengumpulkan data pengukuran.
b. Menentukan besarnya range.
c. Menentukan banyaknya kelas interval.
d. Menentukan lebar kelas interval, batas kelas dan nilai tengah kelas.
e. Menentukan frekuensi dari setiap kelas interval.
f. Membuat grafik histogram.
Histogram nilai teknologi informasi kelompok satu Metode Statistika:
> nama<-c("Harnawati","Arsy Ariantri","La Ode Sanluis","Muhammad
Taqwa Al Kautsar","Marisa","Ais Khalillah","Nurul Fitriah
Muzuni","Alvian Ronaldus Marthin","Atika Nazria Senina","Sitti
Hapsah")
> nama
[1] "Harnawati" "Arsy Ariantri"
[3] "La Ode Sanluis" "Muhammad Taqwa Al Kautsar"
[5] "Marisa" "Ais Khalillah"
[7] "Nurul Fitriah Muzuni" "Alvian Ronaldus Marthin"
[9] "Atika Nazria Senina" "Sitti Hapsah"
> nilai<-c(91,85,90,91,79,85,73,91,91,90)
> nilai
[1] 91 85 90 91 79 85 73 91 91 90
> kelompok_1_metstat=data.frame(nama,nilai)
> kelompok_1_metstat
nama nilai
1 Harnawati 91
2 Arsy Ariantri 85
3 La Ode Sanluis 90
4 Muhammad Taqwa Al Kautsar 91
5 Marisa 79
6 Ais Khalillah 85
7 Nurul Fitriah Muzuni 73
8 Alvian Ronaldus Marthin 91
9 Atika Nazria Senina 91
10 Sitti Hapsah 90
> hist(nilai)
> z=hist(nilai)
> z$breaks
[1] 70 75 80 85 90 95
> z$counts
[1] 1 1 2 2 4
> z$density
[1] 0.02 0.02 0.04 0.04 0.08
> z$mids
[1] 72.5 77.5 82.5 87.5 92.5
> z$xname
[1] "nilai"
> z$equidist
[1] TRUE
> hist(nilai,main="nilai teknologi
informasi",xlab="nilai",ylab="nilai
frekuensi",xlim=c(70,95),ylim=c(0.0,4.0),col="brown")
> xfit=seq(min(nilai),max(nilai),length(40))
> yfit=dnorm(xfit,mean=mean(nilai),,sd=sd(nilai))
> yfit=yfit*diff(z$mids[1:2])*length(nilai)
> lines(xfit,yfit,col=2,lwd=4)
> summary(nilai)
Min. 1st Qu. Median Mean 3rd Qu. Max.
73.0 85.0 90.0 86.6 91.0 91.0
Hasil run:
Hasil run:
2.7 Praktikum 7
2.7.1 Sintaks Grafik di R
Membuat sintaks grafik di program R dengan menggunakan data nilai
Aljabar Linier Elementer kelompok enam Metode Statistika, dimana datanya
adalah sebagai berikut
> nama<-c("Harnawati","Arsy Ariantri","La Ode Sanluis","Muhammad
Taqwa Al Kautsar","Marisa","Ais Khalillah","Nurul Fitriah
Muzuni","Alvian Ronaldus Marthin","Atika Nazria Senina","Sitti
Hapsah")
> nama
[1] "Harnawati" "Arsy Ariantri"
[3] "La Ode Sanluis" "Muhammad Taqwa Al Kautsar"
[5] "Marisa" "Ais Khalillah"
[7] "Nurul Fitriah Muzuni" "Alvian Ronaldus Marthin"
[9] "Atika Nazria Senina" "Sitti Hapsah"
> nilai<-c(91,85,90,91,79,85,73,91,91,90)
> nilai
[1] 91 85 90 91 79 85 73 91 91 90
> kelompok_1_metstat=data.frame(nama,nilai)
> kelompok_1_metstat
nama nilai
1 Harnawati 91
2 Arsy Ariantri 85
3 La Ode Sanluis 90
4 Muhammad Taqwa Al Kautsar 91
5 Marisa 79
6 Ais Khalillah 85
7 Nurul Fitriah Muzuni 73
8 Alvian Ronaldus Marthin 91
9 Atika Nazria Senina 91
10 Sitti Hapsah 90
1. Scatter Plot
Scatter plot atau diagram pencar adalah sebuah grafik yang biasa
digunakan untuk melihat suatu pola hubungan antara dua variabel. Untuk bisa
menggunakan scatter plot, skala data yang digunakan haruslah skala interval dan
rasio. Scatter plot nilai Teknologi Informasi kelompok satu Metode Statistika:
> plot(nilai,main="Nilai Teknologi Informasi", col="darkblue",
ylab="nilai")
> legend("topright",c("Scatter Plot"),fill=c("darkblue"))
Rgraphics:
b. Density Plot
> d=density(nilai)
> plot(d)
> plot(d, main="Teknologi Informasi", col="lightblue")
> polygon(d, col="lightblue", border="red")
Hasil run:
Hasil run:
5. Bar Plot
Bar plot atau diagram batang adalah diagram yang berguna untuk
menyajikan perbandingan data pada satu atau beberapa variabel data. Data pada
grafik batang disajikan dalam bentuk persegi panjang horizontal, yang panjangnya
sesuai dengan nilai masing-masing. Bar plot nilai Teknologi Informasi kelompok
satu Metode Statistika:
> barplot(nilai, main="Teknologi Informasi", col="brown")
Hasil run:
Hasil run:
2.8 Praktikum 8
2.8.1 Pengertian Distribusi Peluang Diskrit
Distribusi peluang diskrit adalah distribusi peluang dimana semesta
peubah acaknya dapat dihitung atau berhingga, misalnya peubah acak sebuah
lemparan dadu bernilai 1 hingga 6. Apabila himpunan pasangan terurut (x,f(x))
merupakan suatu fungsi peluang, fungsi masa peluang, atau distribusi peluang
peubah acak diskrit x maka untuk setiap kemungkinan hasil x berlaku:
1. (𝑥) ≥ 0; ∀ 𝑥 ∈ 𝑅
2. ∑ 𝑠𝑒𝑚𝑢𝑎 𝑥 (𝑥) = 1
3. P(X=x) = 0
2.8.2 Jenis-Jenis Peluang Diskrit
1. Distribusi Bernoulli
Karakteristik Distribusi Bernoulli yaitu:
a. Percobaan dilakukan 1 kali.
b. Percobaan hanya mampu menghasilkan 2 hasil yang mungkin yaitu sukses
atau gagal.
Distribusi Bernoulli dengan peluang sukses 0 ≤ 𝑝 ≤ 1 dan peluang gagal q
= 1 - p, maka distribusi peluang peubah/variabel acak Bernoulli X adalah: Fungsi
kepadatan peluang (pdf)
x 1−x
f (x ; 1 , p)= p (1− p) ; x=0,1
{ 0 ; x yang lai n
Selanjutnya dinotasikan sebagai 𝑋~𝐵𝐼(1, 𝑝) , yaitu distribusi binomial
dengan parameter p. Jika X berdistribusi Bernoulli maka:
a. (𝑋) = 𝑝
b. 𝑉𝑎(𝑋) = 𝑝(1 − 𝑝)
Peluang terambilnya kartu As di setiap pengambilan satu kotak kartu
merupakan salah satu contoh percobaan Bernoulli.
2. Distribusi Binomial
Distribusi Binomial merupakan distribusi peluang yang dihasilkan dari
proses Bernoulli yang memiliki empat karakteristik utama, yaitu:
a. Percobaan dilakukan sebanyak n kali, n>1.
3. Distribusi Hipergeometrik
Karakteristik distribusi Hipergeometrik yaitu:
a. Populasi/percobaan sebanyak N terbagi dalam 2 kategori. Kategori I
sebanyak M dan kategori 2 sebanya N-M.
b. Diambil sampel sebanyak n.Jika X menyatakan banyaknya elemen
kategori I yang terambil, distribusi peluang peubah/variabel acak Hipergeometrik
X adalah:
Fungsi kepadatan peluang (pdf)
M N−M
h(x ; n , M , N )=
( x )( n−x )
; x=0,1,2, … , min( n , M )
N
(n)
Selanjutnya dinotasikan sebagai 𝑋~𝐻𝑌(𝑛, 𝑀, 𝑁) dengan parameter n,M,
dan N. Jika 𝑋~𝐻𝑌𝑃(𝑛, 𝑀, 𝑁) maka:
nM
a. E( X)=
N
M M
b.
Var ( X )=
( N )( 1− ) ( N −n )
N
N−1
Penggunaan distribusi Hipergeometril terdapat banyak bidang , antara lain
pada penerimaan sampel, pengujian elektronik dan pengendalian mutu.
4. Distribusi Geometrik
Karakteristik distribusi Geometrik yaitu:
a. Percobaan Bernoulli
b. X menyatakan banyaknya percobaan yang dibutuhkan untuk memperoleh
sukses.
Distribusi peluang peubah/variabel acak Geometri X adalah:
Fungsi kepadatan peluang (pdf)
1−X
g( x ; p)= p (1− p)
{0 ; x yang lain
x=1,2,3 , …
5. Distribusi Poisson
Eksperimen Poisson adalah eksperimen yang menghasilkan nilai dari suatu
peubah acak X, yaitu jumlah keluaran yang terjadi selama satu selang waktu atau
di antara suatu daerah. Percobaan Poisson memiliki sifat sebagai berikut:
a. Jumlah keluaran yang muncul dalam suatu rentang waktu atau suatu
daerah tidak dipengaruhi (independent) terhadap jumlah keluaran yang terjadi di
rentang waktu atau daerah yang lain terpisah.
b. Peluang bahwa yang satu keluaran akan muncul dalam selang waktu yang
sangat pendek atau daerah yang kecil adalah proporsional dengan panjang selang
waktu atau luas dari daerah.
c. Peluang muncul lebih dari satu keluaran dalam selang waktu yang amat
pendek atau daerah yang kecil dapat diabaikan.
Distribusi peluang acak poisson X yang menyatakan banyaknya sukses
yang terjadi dalam selang waktu tertentu dinyatakan dengan t diberikan oleh,
dimana menyatakan banyaknya sukses yang terjadi persatuan waktu atau daerah,
sedangkan e=2,71828…Suatu variabel acak diskrit X dikatakan berdistribusi
Poisson jika:
Fungsi kepadatan peluang (pdf)
−μ x
μ e
f (x ; μ)= x ; 0 , 1 ,2 , …
x!
Selanjutnya dinotasikan sebagai 𝑋~𝑃𝑂(𝜇) dengan parameter 𝜇 > 0. Jika
𝑋~𝑃𝑂(𝜇) maka:
1
a. E( X)=
p
q
b. Var ( X )=
p4
6. Distribusi Seragam Diskrit
Pada distribusi ini setiap peubah acak memiliki nilai peluang yang sama.
Suatu variabel acak diskrit X dikatakan berdistribusi seragam (uniform) pada
bilangan-bilangan 1, 2,…, N jika:
Fungsi kepadatan peluang (pdf)
1
f ( x )= ; N =1 ,2 , … , N
N
Selanjutnya dinotasikan sebagai.
Jika 𝑋~𝐷(𝑁) maka:
N +1
a. E( X)=
2
N 2−1
b. Var ( X )=
12
2.8.3 Membuat Plot dari Distribusi Binomial
19 1.907349e-05
20 9.536743e-07
> z=Table.CDF.Binomial
> x=z$Pr
> plot(x,xlab="Nomor Sukses",ylab="Kepadatan
+ Peluang",main="Distribusi Binomial: n=20,p=0.5",type="h")
> points(x,pch=8)
> abline(h=0,col="green")
Hasil run :
2.9 Praktikum 9
2.9.1 Pengertian Distribusi Peluang Kontinu
Distribusi peluang kontinu adalah peubah acak yang dapat memperoleh
semua nilai pada skala kontinu.Ruang sampel kontinu adalah bila ruang sampel
mengandung titik sampel yang tak terhingga banyaknya. Syarat dari distribusi
kontinu adalah apabila fungsi f(x) adalah fungsi padat peluang peubah acak
kontinu X yang didefinisikan di atas himpunan semua bilangan riil R bila:
1. F (x) ≥0 untuk semua x є R
∞
2. ∫ f (x )dx ¿ 1
∞
3. P(a< X <b)=∫ f ( x ) dx
∞
−∞ −∞
(1) harus diintegralkan mulai dari x=a sampai x=b. Namun, tidak ada satupun
dari teknik-teknik pengintegralan biasa yang bisa digunakan untuk menentukan
integral tersebut. Untuk itu para ahli statistik/matematik telah membuat sebuah
penyederhanaan dengan memperkenalkan sebuah fungsi kepadatan probabilitas
normal khusus dengan nilai mean𝜇 ¿ 0 dan deviasi standard σ =1. Distribusi ini
dikenal sebagai distribusi normal standar (standard normal distribution). Variabel
acak dari distribusi normal standard ini biasanya dinotasikan dengan Z.Dengan
menerapkan ketentuan diatas pada persamaan (1) maka fungsi kepadatan
probabilitas dari distribusi normal standard variabel acak kontinu Z adalah:
1 x
2
{
2
fx2( x ; v )= v
x e , x≥0
2 r v
2
2()
Berikut ini diberikan rumusan beberapa ukuran statistik deskriptif untuk
distribusi chi-kuadra.
a. Mean (Nilai Harapan) :
μ x = () = 𝑣 Varians
σ 2x = 2 v
b. Kemencengan (skewness) :
8
β 2 = a 23=
v
c. Keruncingan (kurtosis) :
β 2 = a 4=3 ( 4v +1)
4. Distribusi F
Menurut Gasperz ¿), secara teori sebaran F merupakan rasio dari dua
sebaran chi kuadrat yang bebas. Oleh karena itu peubah acak F diberikan sebagai:
x21 /V 1
𝐹= 2
x2 /V 2
Dimana:
x 21=¿ nilai dari sebaran chi-kuadrat dengan derajat bebas V 1=n 1−1
x 21=¿ nilai dari sebaran chi-kuadrat dengan derajat bebas V 1=n 1−1
Oleh karena itu sebaran F mempunyai dua derajat bebas yaitu 𝑉1 𝑑𝑎𝑛 𝑉2.
2.9.3 Syntax Distribusi Peluang Kontinu
Berikut merupakan contoh distribusi peluang kontinu pada program R.
Untuk melakukan distribusi peluang kontinu pada program R, dapat dilakukan
dengan memasukan syntax berikut ini.
>pnorm(p, mean=0, sd=1)
Keterangan :
a. Argument p merupakan peluang suatu kejadian
b. Argumentmean merupakan rata-rata hitung
c. Argument sd merupakan standard deviation.
d. Fungsi di atas hanya digunakan untuk mencari peluang distribusi peluang
kontinu yaitu kurang dari kejadian m, maka digunakan 1− p( x < m).
Berikut syntax yang terkait dengan distribusi normal:
>qnorm(c(0.25),mean=0,sd=1,lower.tail=TRUE)
[1] -0.6744898
>dnorm(c(0.05),mean=10,sd=2)
[1] 8.420738e-07
> y=seq(-5,5,length=100)
>plot(y,dnorm(y,mean=0,sd=1),xlab="x",ylab="kepadatan peluang
+ distribusi normal",main=expression(paste("distribusi normal:
+ ",mu,"=0",sigma,"=1")),type="l")
>abline(h=0,col="magenta")
> x=seq(-5,5,length=100)
>plot(y,pnorm(y,mean=0,sd=1),xlab="x",ylab="peluang
+ kumulatif",main=expression(paste("distribusi
+ normal:",mu,"=0",sigma,"=1")),type="l")
>abline(h=0,col="blue")
Hasil run plot 1:
Gambar 20. Hasil Run Plot Fungsi Kepadatan Peluang Distribusi Normal
Hasil run plot 2:
Gambar 21. Hasil Run Fungsi Peluang Distrubusi Kumulatif dari Distribusi Normal
2.10 Praktikum 10
2.10.1 Hipotesis Statistik
Hipotesis statistik adalah pernyataan atau dugaan mengenai satu atau lebih
populasi. Benar atau salahnya suatu hipotesis tidak akan pernah diketahui dengan
pasti, kecuali dengan memeriksa seluruh populas. Tentunya ini akan sangat sulit
dilakukan dan bahkan mustahil dilakukan, mengingat keterbatasan yang ada
(tenaga, biaya, waktu dan lainnya). Dengan demikian, kita hanya bisa mengambil
sampel atau contoh acak saja dan menggunakan informasi yang ada untuk
menerima atau menolak hipotesis. Perlu ditegaskan bahwa penerimaan suatu
hipotesis statistik adalah merupakan akibat tidak cukupnya bukti untuk
menolaknya dan tidak berimplikasi bahwa hipotesis itu benar.Penolakan suatu
hipotesis berarti menyimpulkan bahwa hipotesis itu salah sedangkan penerimaan
suatu hipotesis semata – mata mengimplikasikan bahwa kita tidak mempunyai
bukti untuk mempercayai sebaliknya.
Hipotesis yang dirumuskan dengan harapan akan ditolak membawa
penggunaan istilah hipotesis nol. Sekarang ini istilah itu telah digunakan pada
sembarang hipotesis yang ingin diuji dan dilambangkan dengan Ho. Penolakan
Ho mengakibatkan penerimaan suatu hipotesis alternatif yang dilambangkan
dengan H1. Hipotesis nol mengenai suatu parameter populasi harus dinyatakan
pasti sebagai suatu nilai bagi parameter itu, dan alternatifnya membolehkan
beberapa nilai kemungkinan. Jadi bila Ho menyatakan hipotesis nol bahwa p=0,5
bagi suatu binom maka hipotesis alternatifnya H1 dapat berupa p>0,5atau p<0,5
dan bisa juga p ≠ 0,5.
1. Uji Rata – Rata Satu Sampel
Untuk pengujian hipotesis satu rata-rata dengan sample besar (n > 30), uji
statistiknya menggunakan distribusi Z. Prosedur pengujian hipotesisnya adalah
sebagai berikut.
a. Formulasi hipotesis
▪ Ho: µ=µo
H 1: µ>µo
▪ Ho: µ=µo
H 1: µ<µo
▪ Ho: µ=µo
H 1: µ ≠ µob. Penentuan nilai α (taraf nyata) dan nilai Z table (Zα)
Menentukan nilai α sesuai soal, kemudian nilai Zαatau Zα / 2 ditentukan dari tabel.
c. Kriteria Pengujian
Untuk Ho: µ=µo dan H 1: µ> µo
Ho di terima jika Zo≤ Zα
Ho di tolak jika Zo>Zα
▪ Untuk Ho: µ=µo dan H 1: µ<µo
Ho di terima jikaZo≥−Zα
Ho di tolak jika Zo<−Zα
▪ Untuk Ho: µ=µo dan H 1: µ ≠ µo
Ho di terima jika −Zα /2 ≤ Zo ≤ Zα /2
Ho di tolak jika Zo>Zα /¿2 atau Zo<−Zα /2d. Uji Statistik
▪ Simpangan baku populasi ( σ ) di ketahui :
X́−μ0 X −μ0
Z 0= =
σX μ
√n
Simpangan baku populasi ( σ ) tidak di ketahui :
X−μ0 X −μ0
Z 0= =
sx s
√n
e. Kesimpulan
Menyimpulkan tentang penerimaan atau penolakan Ho (sesuai dengan
kriteria pengujiannya).
▪ Jika H0 diterima maka H1 di tolak
▪ Jika H0 di tolak maka H1 di terima
Namun untuk pengujian hipotesis satu rata-rata dengan sampel kecil (n ≤ 30),uji
statistiknya menggunakan distribusi t. Prosedur pengujian hipotesisnya adalah
sebagai berikut.
a. Formulasi hipotesis
Ho: µ=µo
H 1: µ>µo
▪ Ho: µ=µo
H 1: µ<µo
▪ Ho: µ=µo
H 1: µ ≠ µo
e. Kesimpulan
Menyimpulkan tentang penerimaan atau penolakan Ho (sesuai dengan kriteria
pengujiannya).
▪ Jika H0 diterima maka H1 di tolak
▪ Jika H0 di tolak maka H1 di terima
Untuk pengujian hipotesis beda dua rata-rata dengan sampel kecil (n ≤ 30), uji
statistiknya menggunakan distribusi t. Prosedur pengujian hipotesisnya adalah
sebagai berikut.
a. Formulasi hipotesis
▪ Ho: µ ₁=µ2
H 1: µ ₁> µ 2
▪ Ho: µ ₁=µ2
H 1: µ ₁< µ 2
▪ Ho: µ ₁=µ2
H 1: µ ₁≠ µ 2
b. Penentuan nilai α (taraf nyata) dan nilai t tabel (tα)
Mengambil nilai α sesuai soal, kemudian nilai tα atau tα/2 ditentukan dari
tabel.
c. Kriteria Pengujian
▪ Untuk Ho: µ 1=µ2 dan H 1: µ 1> µ 2
Hodi terima jika ¿ ≤ tα
Ho di tolak jika ¿>tα
▪ Untuk Ho: µ 1=µ2 danH 1: µ 1< µ 2
Ho di terima jika ¿ ≥ tα
Ho di tolak jika Zo<−tα
▪ Untuk Ho: µ 1=µ2 dan H 1: µ 1≠ µ 2
Ho di terima jika −tα / 2 ≤¿ ≤ tα / 2
a. Formulasi hipotesis
▪ Ho: µ ₁≥ µ2
H 1: µ ₁< µ 2
▪ Ho: µ ₁≤ µ 2
H 1: µ ₁> µ 2
▪ Ho: µ ₁=µ2
H 1: µ ₁≠ µ 2
b. Penentuan nilai α (taraf nyata) dan nilai t tabel (tα)
Mengambil nilai α sesuai soal, kemudian nilai tα atau tα/2 ditentukan dari
tabel.
c. Kriteria Pengujian
▪ Diterima bila |𝑡 ℎ𝑖𝑡𝑢𝑛𝑔| ≤ 𝑡𝑎𝑏𝑒𝑙
▪ Ditolak bila |𝑡 ℎ𝑖𝑡𝑢𝑛𝑔| > 𝑡𝑎𝑏𝑒𝑙
d. Uji Statistik
X D−μ0
t=
S D / √n
Dimana
X d=
∑D
n
1
Sd =
√ n−1
{∑ D 2−¿ ¿ ¿ ¿ ¿
e. Kesimpulan
Menyimpulkan tentang penerimaan atau penolakan Ho (sesuai dengan kriteria
pengujiannya).
▪ Jika H0 diterima maka H1 di tolak
▪ Jika H0 di tolak maka H1 di terima
a. Menentukan Hipotesis
BAB III
PENUTUP
3.1 Kesimpulan
Berdasarkan semua praktikum Metode Statistika mulai dari Praktikum 1
hingga Praktikum 10 dapat ditarik kesimpulan bahwa:
1. Aplikasi atau software statistik bermacam – macam diantaranya yaitu,
software R, LISREL, SPSS(Statistical Package For Social Science),
SAS(Statistical Analysis System), STATA(Statistical Software For Data
Science). Pada awalnya, versi pertama bahasa pemrograman R dibuat oleh
Ross Ihaka dan Robert Gentleman dari Universitas Auckland. Nama R
berasal dari huruf pertama nama depan kedua orang tersebut. Di masa
sekarang, R biasanya lebih banyak digunakan untuk analisis data yang
dikerjakan pada server pribadi. R dapat difungsikan untuk pekerjaan
eksplorasi hampir semua jenis data karena banyaknya jenis packages, test,
dan tools yang dengan mudah bisa diadaptasi. Penggunaan rumus-rumus
rumit dalam R juga mudah diatur. Pada penggunaan R, langkah pertama
yang harus dilakukan adalah mengunduh RStudio IDE (Integrated
Development Environments). Metode statistika adalah cara dan langkah-
langkah yang dapat dilakukan untuk mengumpulkan, menyajikan,
menganalisis dan mempresentasikan data yang disediakan. data- data
tersebut nantinya akan menjadi tersusun agar mudah dianalisis. Perbedaan
statistic dan statistika yaitu statistik merupakan hasil data yang
penyajiannya dalam bentuk grafik, tabel, dan sebagainya. Sedangkan
statistika adalah ilmu yang mempelajari bagaimana cara merencanakan,
mengumpulkan, menganalisis, hingga mempresentasikan data.
2. Operator dalam program R diantaranya, operator aritmatika, operator
perbandingan, dan operator logika. Syntax dalam program R yaitu, sum,
min, max, sort, rev, median, dan mean. Kemudian, tipe data dalam
program R yaitu terdapat character, numerik, complex, dan logical.
3. Vektor merupakan kombinasi berbagai nilai (numerik, karakter, logical,
dan sebagainya berdasarkan jenis input data) pada objek yang sama.
Matriks adalah sekumpulan dari objek (angka) yang disusun secara teratur
menurut baris dan kolom sehingga membentuk suatu empat persegi
panjang yang dibatasi oleh kurung biasa atau siku.
4. Data frame adalah struktur data tabular yang disusun pada kolom dan baris
berurut. Data frame dapat dibuat secara manual, menggunakan matriks,
dan dengan data editor.
5. Plot adalah perintah/syntax yang digunakan untuk menggambarkan grafik
yang dapat menghubungkan dua variabel. Macam - macam plot yaitu plot
tipe overplotted(o), plot tipe point (p), plot tipe lines (l), plot tipe
histogram (h), plot tipe points joined by lines (b), plot tipe stair (s), plot
tipe stair (S).
6. Histogram adalah sebuah representasi grafik yang menampilkan impresi
visual dari distribusi data. Boxplot merupakan ringkasan distribusi sampel
yang disajikan secara grafis yang bisa menggambarkan bentuk distribusi
data (skewness), ukuran tendensi sentral dan ukuran penyebaran
(keragaman) data pengamatan.
7. Macam-macam syntax grafik dalam program R yaitu, scatter plot,
histogram dan density plot, boxplot, pie chart, bar plot, dan dot chart.
8. Distribusi peluang diskrit adalah distribusi peluang dimana semesta
peubah acaknya dapat dihitung atau berhingga, syntax peluang dan fungsi
salah satunya yaitu binomial (Binom).
9. Distribusi peluang kontinu adalah peubah acak yang dapat memperoleh
semua nilai pada skala kontinu. Jenis - jenis peluang kontinu yaitu,
distribusi normal, distribusi Student’s T, distribusi Chi-Kuadrat ( χ 2), dan
distribusi F. Untuk melakukan distribusi peluang kontinu pada program R,
dapat dilakukan dengan memasukan syntax berikut ini.
3.2 Saran
3.2.1 Untuk Asisten
Kepada kakak asisten agar materi praktikum dijelaskan terlebih dahulu
sebelum praktikan mengerjakannya di komputer.
3.2.2 Untuk Praktikan Lain
Kepada praktikan lain agar dating tepat waktu dan mengumpulkan tugas
pendahuluan tepat waktu pula.