Inspiring Innovation with Integrity

Bogor Agricultural University (IPB)

IPB University

SELAMAT DATANG DI
IPB UNIVERSITY
Depertemen Statistika, FMIPA IPB
Pertama di Indonesia
 Inspiring Innovation with Integrity

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.

Inspiring Innovation with Integrity

 STA 511 ANALISIS STATISTIKA
KURIKULUM 2020

Mata kuliah ini bertujuan untuk memberikan landasan umum tentang statistika yang
meliputi metode pengumpulan data, pemodelan dan analisis data, prinsip pendugaan
parameter dan pengujian hipotesis satu populasi dan dua populasi. Untuk pengumpulan
data ditekankan pada metode percobaan dan metode percontohan sedangkan untuk
analisis ditekankan pada analisis regresi, analisis ragam dan tabel kontingensi.
 RINCIAN MATERI
NO POKOK BAHASAN SUB POKOK BAHASAN PERTE- Dosen
MUAN
1 Pendahuluan 1. Pengertian Statistika 1x KAN
2. Ruang lingkup materi matakuliah
3. Tata tertib perkuliahan
4. Apa itu Statistika?
5. Skala pengukuran peubah
6. Penyajian dan peringkasan data
7. Pengantar R (dlm acara Responsi)
2 Sebaran 1. Mengapa contoh? BUKAN cacah lengkap? 1x KAN
Penarikan 2. Penarikan contoh berpeluang vs. contoh
Contoh takberpeluang (probability vs. nonprobability)
3. Sebaran penarikan contoh (rataan, jumlah kuadrat
dan rasio jumlah kuadrat)
3 Inferensi 1. Pendugaan Parameter 2x KAN
Statistika 2. Pengujian hipotesis da selang kepercayaan
(nilaitengah satu populasi, nilaitengah dua populasi)
3. Pembandingan dua populasi
4 Analisis Korelasi 1. Pengertian korelasi dan Regresi, analisis korelasi 2x KAN
dan Regresi 2. Analisis Regresi linier sederhana
3. Analisis Regresi linier berganda

5. Rancangan Acak 1. Apa itu rancangan acak lengkap? Bagaimana 1x KAN

Lengkap) memperoleh datanya?
2. Model linier, asumsi dan hipotesis, Analisis ragam
3. Interpretasi dan Penarikan Kesimpulan
UTS Ujian Tengah Semester
 LANJUTAN ….
NO POKOK BAHASAN SUB POKOK BAHASAN PERTE Dosen
MUAN
6 Perbandingan 1. Perbandingan berpasangan (LSD) 1x KAN
Ganda (multiple 2. Uji Tukey, Kontras ortogonal dan Metode Bonferoni
comparison ) 3. Uji kehomogenan ragam
7 Model rancangan 1. Rancangan acak kelompok dan struktur datanya Ind
acak kelompok 2. Model linier, asumsi dan hipotesis 2x
3. Tabel analisis ragam, interpretasi dan inferensi
4. Data Hilang
8 Percontohan acak 1. Kontroversi percontohan, Contoh yang bagus Ind
sederhana (simple 2. Bias seleksi, galat pengukuran, galat percontohan 1x
random sampling) 3. Hakikat dan prinsip percontohan acak sederhana
4. Bobot percontohan dan penentuan ukuran contoh
5. Percontohan Sistematik
9 Percontohan acak 1. Hakikat dan prinsip percontohan berstrata Ind
berstrata 2. Bobot percontohan dan alokasi contoh per strata 1x
(stratified random 3. Percontohan kuota dan inferensi berbasis model
sampling)
10 Pendugaan rasio 1. Pendugaan rasio dlm percontohan acak sederhana Ind
dan regresi 2. Pendugaan subpopulasi atau Domain 1x
3. Pendugaan regresi dlm percont. acak sederhana
4. Pendugaan rasio dalam percontohsn berstrata
11 Tabel kontingensi 1. Asumsi uji khi-kuadrat Ind
2. Pembandingan populasi multinom
3. Tabel kontingensi dan percobaan multinom
12 UAS 1x
 Daftar Pustaka

1. Agresti, A., Franklin, C., Klingenberg, B. 2018. Statistics: The Art and
Science of Learning from Data. Pearson.
2. Ott, R. L. and Longnecker, M. 2010. An Introduction to Statistical
Methods and Data Analysis (6th edition). Brooks/Cole.
3. Steel, R.G.D., Torrie, J.H., Dickey, D.A. 1996. Principles and Procedures of
Statistics: A Biometrical Approach. McGraw-Hill.
4. Lohr, S.L. 2010. Sampling: Design and Analysis (2nd edition). Brooks/Cole.
5. Scheaffer, R.L., Mendenhall, W., Ott, L., Gerow, K.G. 2012. Elementary
Survey Sampling (7th edition). Brooks/Cole
Pengasuh:
1. Prof. Dr. Ir. Khairil Anwar Notodiputro, MS (Koordinator dan pengajar)
2. Dr. Indahwati, MSi (Pengajar)
3. Laode Abdul Rahman, SSi, MSi (Asisten)
4. Cici Suhaeni, SSi, MSi (Asisten)
 Tema
Pembelajaran dari Data
(Learning from Data)

Inspiring Innovation with Integrity

 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.
Inspiring Innovation with Integrity
 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

Inspiring Innovation with Integrity

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

Inspiring Innovation with Integrity

 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

Inspiring Innovation with Integrity

 Huruf Mutu

2015 2016

2019

2017 2018

Inspiring Innovation with Integrity

Apa dan Mengapa Statistika?

Inspiring Innovation with Integrity

Data Luas Lahan Pertanian

https://bps.go.id/linkTableDinamis/view/id/895

Inspiring Innovation with Integrity

 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
 Coba klik tautan ini dan lihat data apa yang ada?

https://bps.go.id/linkTableDinamis/view/id/895

Inspiring Innovation with Integrity

 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?

Inspiring Innovation with Integrity

 Ilustrasi (lanjutan)
Tabel. Jumlah Kasus Berkaitan dengan Jantung dan Tekanan Darah

Aktif Kontrol
Uraian
1. Jumlah kasus dengan tekanan darah  130 0 24 konklusif
(0 %) (12.2 %)
2. Jumlah kasus kejadian hipertensif 37 89 meyakinkan
3. Jumlah kasus serangan jantung dan penyakit 35 38 meyakinkan
jantung koroner (18.1%) (19.3%)
4. Jumlah kasus pembengkakan jantung 12 20 perlu pengujian
5. Jumlah pasien 193 196

Inspiring Innovation with Integrity

 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
Inspiring Innovation with Integrity
 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

Inspiring Innovation with Integrity

Diskusi Dulu…..

Sesi 1… beres!!! Sesi 2…

Inspiring Innovation with Integrity

 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?
Inspiring Innovation with Integrity
 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?
Inspiring Innovation with Integrity
 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
Inspiring Innovation with Integrity
Populasi vs Contoh

INDUKSI

Inspiring Innovation with Integrity

 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!)
Inspiring Innovation with Integrity
DATA

Contoh
(Sebagian)

Data diperoleh
dari hasil Populasi
pengukuran (Keseluruhan)

Inspiring Innovation with Integrity

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

Inspiring Innovation with Integrity

 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
Inspiring Innovation with Integrity
 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)
DISKRET jika  Modus
Peubah pengamatannya berupa  Frekuensi
angka terputus atau  Persentase
kategori  Proporsi

 Rata-rata
KONTINU jika  Minimum
pengamatannya berupa  Maksimum
nilai kontinu  Median

Statistik yg digunakan
Inspiring Innovation with Integrity
 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 DISKRET KONTINU

Inspiring Innovation with Integrity

Diskusi Dulu…..

Sesi 2… beres!!! Sesi 3…

Inspiring Innovation with Integrity

 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.

Inspiring Innovation with Integrity

Tabel Frekuensi

Inspiring Innovation with Integrity

 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

Inspiring Innovation with Integrity

 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
Inspiring Innovation with Integrity
 Ringkasan Data Kontinu
Dot plots :
(Diagram Titik)

Inspiring Innovation with Integrity

 Ringkasan Data Kontinu
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

Inspiring Innovation with Integrity

 Ringkasan Data Kontinu
Stem-and-Leaf Plots (Diagram Dahan Daun)

Inspiring Innovation with Integrity

 Ringkasan Data Kontinu
Pemenggalan angka (truncation)  lbh kompak
Dahan Daun

Alternatif

Demo MINITAB
Inspiring Innovation with Integrity
 Ringkasan Data Kontinu
Tabel frekuensi untuk cereals

Inspiring Innovation with Integrity

 Ringkasan Data Kontinu
Histogram batang untuk cereals

Histogram

Buatlah grafik persetase kumulatif

Inspiring Innovation with Integrity
 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

Inspiring Innovation with Integrity

 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)

Inspiring Innovation with Integrity

Bentuk Sebaran Data

Inspiring Innovation with Integrity

 Bentuk Sebaran Data

Perhatikan

 Apakah ada satu atau dua puncak?

 Apakah simetris atau menjulur?
 Apakah ada pengamatan yg memencil?
Inspiring Innovation with Integrity
Inspiring Innovation with Integrity