Kelas J

LAPORAN PRAKTIKUM
KOMPUTASI STATISTIKA

BAB 3 : FUNCTION
BAB 4 : VISUALISASI DATA

Nomor Tanggal Tanda Tangan

Nama Praktikan Praktikan
Mahasiswa Kumpul
Zikriandhini 19611187 02/05/23

Tanggal Tanda tangan

Nama Penilai Nilai
Koreksi Asisten Dosen
Alivia Ayudhi Asmaradana
Yulia Anggi Anjelina

Dina Tri Utari, S.Si., M.Sc

JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS ISLAM INDONESIA
YOGYAKARTA
2023
Daftar Isi

Halaman sampul ........................................................................................................

Daftar Isi................................................................................................................... i
Daftar Tabel ............................................................................................................ ii
Daftar Gambar ........................................................................................................ iii
1. Pendahuluan .................................................................................................... 1
1.1 Function (Fungsi) ..................................................................................... 1
1.1.1 Fungsi Matematis .............................................................................. 3
1.1.2 Fungsi Pernyataan Bersyarat ............................................................. 4
1.2 Visualisasi Data ........................................................................................ 5
2 Deskripsi Kerja................................................................................................ 9
2.1 Studi Kasus ............................................................................................... 9
2.2 Langkah Kerja .......................................................................................... 9
3 Pembahasan ................................................................................................... 16
3.1 Fungsi Matematis untuk Menghitung Varians ....................................... 16
3.2 Fungsi Pernyataan Bersyarat .................................................................. 17
3.3 Visualisasi Dustribusi Gaji Penduduk per Sektor & Jenis Kelamin....... 18
3.4 Visualisasi Perbandingan Gaji Asisten Profesor, Rekan Profesor, dan
Profesor per Jenis Kelamin & Masa Kerja ........................................................ 22
4 Penutup.......................................................................................................... 30
4.1 Kesimpulan ............................................................................................. 30
5 Daftar Pustaka ............................................................................................... 32

i
Daftar Tabel

Tabel 2.1. Operator Matematis di R ....................................................................... 2

ii
Daftar Gambar

Gambar 2.1. Diagram Alir Model Fungsi Pernyataan Bersyarat .......................... 4

Gambar 2.2. Tabel Periodik Mendeleev ................................................................ 6
Gambar 2.3. Peta Bawah Tanah London (Peta Tube) ........................................... 7
Gambar 2.1. Logo Program R-Studio.................................................................... 9
Gambar 2.2. Fungsi untuk Menghitung Variansi Data .......................................... 9
Gambar 2.3. Fungsi untuk Menghitung Variansi Data........................................ 10
Gambar 2.4. Syntax Perhitungan Manual Variansi Data ..................................... 10
Gambar 2.5. Fungsi Fizzbuzz............................................................................... 10
Gambar 2.6. Syntax Menjalankan Fungsi Fizzbuzz ............................................. 10
Gambar 2.7. Syntax Mengaktifkan Package pada R-studio ................................ 11
Gambar 2.8. Syntax Mengaktifkan Package pada R-studio ................................ 11
Gambar 2.9. Syntax Mengaktifkan Package pada R-studio ................................ 11
Gambar 2.10. Syntax Mengaktifkan Package pada R-studio .............................. 11
Gambar 2.11. Syntax Mengaktifkan Package pada R-studio .............................. 11
Gambar 2.12. Syntax Analisis Deskriptif Sederhana ........................................... 11
Gambar 2.13. Syntax Menampilkan Data Teratas ............................................... 11
Gambar 2.14. Syntax Membuat Box Plot ............................................................ 12
Gambar 2.15. Pipe Operator Penyaringan Data.................................................. 12
Gambar 2.16. Pipe Operator Pembuatan Box Plot ............................................. 13
Gambar 2.17. Syntax Mengaktifkan Package pada R-studio .............................. 13
Gambar 2.18. Syntax Membuat Grafik Tipe Pai ................................................. 13
Gambar 2.19. Pipe Operator Menentukan Rentang Gaji .................................... 14
Gambar 2.20. Syntax Membuat Data Baru .......................................................... 14
Gambar 2.21. Syntax Mendefinisikan Label Histogram...................................... 14
Gambar 2.22. Syntax Manipulasi Data ................................................................ 14
Gambar 2.23. Syntax Menggabungkan Data ....................................................... 15
Gambar 2.24. Syntax Membuat Histogram ......................................................... 15
Gambar 2.25. Syntax Membuat Bagan Gelembung ............................................ 15
Gambar 3.1. Hasil Perhitungan Fungsi ................................................................ 16
Gambar 3.2. Hasil Perhitungan Manual .............................................................. 16
Gambar 3.3. Hasil Percobaan pada Fungsi Fizzbuzz ........................................... 17
Gambar 3.4. Hasil Ringkasan Data ..................................................................... 18
Gambar 3.5. Tampilan Data Teratas .................................................................... 19
Gambar 3.6. Box Plot Variabel Gaji .................................................................... 19
Gambar 3.7. Hasil Perhitungan Frekuensi Pekerja .............................................. 20
Gambar 3.8. Box Plot Gaji berdasarkan Sektor & Jenis Kelamin ....................... 22
Gambar 3.9. Hasil Penyaringan Data .................................................................. 23
Gambar 3.10. Hasil Pengurutan dan Pengelompokan Data................................. 23
Gambar 3.11. Hasil Pemisahan Data ................................................................... 24
Gambar 3.12. Hasil Penggabungan Data ............................................................. 24
Gambar 3.13. Histogram Gaji Pengajar berdasarkan Jenis kelamin ................... 26
Gambar 3.14. Diagram Gelembung Gaji Pengajar berdasarkan Masa Kerja per
Jenis Kelamin ................................................................................................ 28

iii
1. Pendahuluan

1.1 Function (Fungsi)

Menurut (Jones, Maillardet, & Robinson, 2009), function atau fungsi
merupakan satu bagian utama dari suatu himpunan bagian-bagian dari program
yang besar, dimana merupakan alat yang penting untuk menyususn algoritma yang
kompleks. Pada umumnya suatu fungsi memiliki bentuk,

name = function(arguments_1, arguments_2, …){

expression_1
expression_2
…
Return(output)
}

dimana argument_1, argument_2, dan seterusnya merupakan nama variabel,

sedangkan expression_1, expression_2, dan output merupakan ekspresi R secara
umum, name merupakan nama dari fungsi. Beberapa fungsi terkadang tidak
memiliki penjelasan (argument/s), dan tanda kurung kurawal hanya digunakan
ketika suatu fungsi memiliki lebih dari satu eskpresi. Untuk memanggil atau
menjalankan suatu fungsi, dapat digunakan perintah,

name(x1, x1, …).

(Jones, Maillardet, & Robinson, 2009) mengatakan bahwa argumen dan variabel
yang didefiniskkan dalam suatu fungsi hanya ada dalam fungsi tersebut. Hal
tersebut berarti, jika suatu variabel fungsi didefinisikan dengan x di dalam fungsi,
maka x tidak akan berlaku di luar fungsi. Jika variabel dengan nama yang sama ada
di dalam dan di luar fungsi, maka keduanya terpisah dan tidak berinteraksi sama
sekali. Fungsi dapat dianggap sebagai suatu lingkungan terpisah yang hanya dapat
terhubung dengan lingkungan di luarnya melalui nilai-nilai pada argumen. Bagian
dari suatu fungsi dimana variabel didefinisikan disebut cakupan fungsi. Membatasi

1
cakupan variabel di dalam fungsi dapat memberikan jaminan bahwa, ketika fungsi
dijalankan, nilai variabel di luar fungsi tidak akan berubah, kecuali nilai tersebut
telah ditetapkan sebelumnya.
Mengutip dari (Jones, Maillardet, & Robinson, 2009), keunggulan utama
penggunaan fungsi adalah, ketika suatu fungsi dijalankan, ia dapat digunakan
berkali-kali tanpa perlu melakukan pengaturan dari awal. Keuntungan lainnya,
memecah suatu tugas pemrogramman menjadi unit yang lebih kecil. Program besar
biasanya terdiri dari sejumlah fungsi yang lebih kecil dan masing-masing
melakukan tugas sederhana yang terdefinisi dengan baik.
Ketika suatu fungsi dijalankan, komputer menyisihkan ruang untuk variabel
dari fungsi tersebut, membuat salinan kode fungsi, kemudian mentransfer kontrol
ke fungsi. Ketika selesai dijalankan, hasil dari fungsi dikembalikan ke program
utama, kemudian salinan fungsi dan seluruh variabelnya dihapus. Tahap inilah yang
menjadikan fungsi dapat digunakan berkali-kali tanpa perlu melakukan pengaturan
kembali (Jones, Maillardet, & Robinson, 2009).
Membangun fungsi dengan program R, terkadang membutuhkan beberapa
operator yang menjadi struktur perintah dalam fungsi, salah satunya adalah operator
matematis. Berdasarkan (Pace, 2012) terdapat 3 jenis operator pada R yaitu
operator matematis, operator komparasi, dan operator logika. Operator matematis
digunakan untuk operasi matematis dengan data numerik, dimana operator ini dapat
berfungsi secara independen tanpa terikat dengan fungsi apa pun (Pace, 2012).
Mengutip dari (Pace, 2012) argumen pada operator matematis ditunjukan pada
Tabel 1.1.

Tabel 2.1. Operator Matematis di R

Operator Keteragan Contoh Kode Hasil

+ Penjumlahan 2+2 4
- Pengurangan 2–2 0
* Perkalian 2*2 4
/ Pembagian 2/2 1
^ atau ** Eksponensial 2 ^ 2 atau 2 ** 2 4

2
 %% Modulus 2 %% 2 0
%/% Pembagian Bilangan Bulat 3 %/% 2 1

Operator matematis dengan notasi %% (modulus) merupakan bilangan yang

membagi dua bilangan lain sehingga memperoleh sisa yang sama (kbbi, 2008).
Dalam matematika modulus juga dapat diartikan sebagai nilai mutlak dari bilangan
kompleks. Sebagai contoh operasi modulus, misalnya jika x adalah bilangan bulat
dan y adalah bilangan asli atau bulat positif, maka x modulus y adalah sebuah
bilangan bulat z dimana 0 ≤ 𝑧 ≤ 𝑦 − 1 , sehingga x - z adalah kelipatan y,
sederhananya dapat disimpulkan vahwa x modulus y merupakan sisa pembagian
dari x dibagi y (Lajanto, 2013).

1.1.1 Fungsi Matematis

Dikutip dari (Kaplan, 2020) Konsep dari suatu fungsi matematis adalah
sebuah “ide”. Jika bahasa komputer digunakan untuk bekerja dengan fungsi
matematika maka perlu dilakukan penerjemahan suatu entitas (persamaan
matematika) ke dalam bahasa komputer. Dengan demikian, dibutuhkan suatu
susunan bahasa untuk merepresentasikan fungsi dan fungsi yang menggambarkan
kuantitas (besaran) yang diambil sebagai input dan diproduksi sebagai output. Input
yang diambil oleh suatu fungsi matematika dan output yang dihasilkannya tidak
harus berupa angka, seringkali mereka adalah kuantitas. (Kaplan, 2020)
mengatakan, ketika seorang data analis bekerja dengan suatu besaran yang
memiliki dimensi, tidak cukup hanya dengan memberikan angka untuk menyatakan
banyaknya dimensi pada data. (Kaplan, 2020) menjabarkan contoh dimensi seperti,
dimensi panjang yang dikuantifikasi dengan satuan meter, inci, atau mil. Bahasa
komputer yang umum digunakan seperti R, Python, dan JavaScript tidak
menyediakan cara sistematis untuk menangani dimensi dan satuan secara otomatis
(Kaplan, 2020).
Salah satu bentuk persamaan matematika yang dapat diubah susunannya ke
dalam bahasa komputer adalah varians. Berdasarkan (Bernstein & Bernstein, 1999)
varians data sampel, didefinsikan dengan persamaan (1).

3
 ∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )2
𝑆2 = (1)
𝑛−1
dimana 𝑆 2 merupakan varians sampel, n merupakan jumlah sampel, 𝑥𝑖 merupakan
data sampel ke-i, dan 𝑥̅ merupakan rata-rata sampel.

1.1.2 Fungsi Pernyataan Bersyarat

(Pace, 2012) mengatakan bahwa pernyataan bersyarat memungkinkan
penggunanya untuk mengeksekusi cabang kode tertentu ketika suatu kondisi
terpenuhi. Pernyataan bersyarat juga dapat mengeksekusi suatu cabang kode
dengan menyertakan cabang kode lain jika terdapat kondisi yang tidak terpenuhi.
Pernyataan tersebut meliputi if, if-then-else, dan if-else. Misalnya akan dieksekusi
C jika A benar, tetapi B akan dieksekusi jika A salah, maka secara simbolis hal
tersebut dapat dinyatakan dengan,

If (A is TRUE) do C
Else do B

(Pace, 2012) juga mengatakan, fungsi dengan pernyataan bersyarat yang

memuat cabang, perlu disediakan cara untuk mengevaluasi hasil dari beberapa
kondisi yang ditetapkan, dan kemudian memutuskan apa yang harus dilakukan
berdasarkan evaluasi. Berdasarkan (Pace, 2012) berikut ditampilkan diagram alir
untuk memvisualisasikan suatu fungsi pernyataan bersyarat, dimana bentuk belah
ketupat menyimbolkan keputusan yang terhubung dengan dua kemungkinan
jawaban, menimbulkan percabangan.

Gambar 2.1. Diagram Alir Model Fungsi Pernyataan Bersyarat

(Sumber: (Pace, 2012)

4
 Pada Gambar 1.1. panah menggambarkan aliran kontrol program yang
diteruskan ke objek berikutnya. Bentuk objek persegi panjang menggambarkan
tugas/operasi, wajik atau belah ketupat menggambarkan keputusan, dan persegi
panjang dengan sudut bundar menggambarkan mulai/berhentinya proses.

1.2 Visualisasi Data

(Rendgen, 2012) mengatakan bahwa visualisasi merupakan proses untuk
mengubah suatu hal ke dalam bentuk visual. Terkadang visualisasi juga diartikan
sebagai istilah yang membedakan antara grafik interaktif dengan grafik statis.
Berdasarkan tipe data, visualisasi juga terbagi berdasarkan penggunaan elemen
yang sesuai. Data yang bersifat numerik umumnya digambarkan dengan diagram
abstrak tanpa gambar figuratif, sedangkan data kualitatif umumnya digambarkan
dengan elemen-elemen skematis.
Visualisasi yang berperan sebagai alat ilmiah umumnya bertujuan untuk
membantu suatu analisis, dimana tujuan utama visualisasi tersebut untuk mengenali
pola dalam data atau menyusun informasi dengan cara yang jelas (Rendgen, 2012).
Hal yang sama juga diungkapkan oleh (Steele & Iliinsky, 2010), dimana visualisasi
yang baik harus mampu menceriminkan kualitas data, mengungkapkan sifat dan
hubungan di dalam data baik yang tampak jelas ataupun yang tersembunyi,
sehingga meghasilkan suatu visualisasi yang menyediakan pengetahuan baru,
wawasan, kenikamatan bagi pembaca.
Mengutip dari (Rendgen, 2012) informasi dalam bentuk grafik merupakan
hasil penggabungan (hibrida) antara teks (data), gambar, dan bentuk geometris,
dimana elemen-elemen tersebut saling terkait sehingga menghasilkan entitas
tunggal yaitu grafik. (Rendgen, 2012) mengatakan bahwa, pada tahun 1967 seorang
kartografer dan ahli teori dari Perancis (Jacques Bertin) menulis standar suatu
grafik: menggambarkan data. Dalam menggambarkan data dibutuhkan dua dimensi
permukaan (kertas), dimana suatu titik, garis, dan bidang dapat digambar. Selain
kertas terdapat enam opsi lain yang dapat merepresentasikan data secara visual,
yaitu ukuran, nilai, tekstur, warna, orientasi, dan bentuk. Setiap elemen dasar visual
tersebut disusun dan digabungkan dengan tambahan label (keterangan teks).

5
Berdasarkan (Steele & Iliinsky, 2010), sebagian besar visualisasi data dibuat
menggunakan format standar dengan gaya presentasi dasar mencakup grafik
batang, grafik garis, diagram sebar, diagram pai, bagan alir dan bagan klasifikasi.
(Rendgen, 2012) mengemukakan, sejak dulu, diagram, sketsa, dan peta telah
digunakan untuk visualisasi data. Gambar 1.2. dan Gambar 1.3. merupakan salah
satu visualisasi yang baik, dimana keduanya mampu menggambarkan data dengan
baik tanpa menghilangkan elemen keindahan (Steele & Iliinsky, 2010).

Gambar 2.2. Tabel Periodik Mendeleev

(Sumber: (Steele & Iliinsky, 2010))

(Steele & Iliinsky, 2010) mengatakan, tabel periodik unsur merupakan salah
satu contoh visualisasi yang sangat informatif, bahkan dapat dikatakan efisien,
dimana merupakan suatu solusi dengan pendekatan baru (dalam hal visualisasi) dari
permasalahan menampilkan data yang kompleks. Pada awalnya, tabel unsur
periodik belum memiliki warna dan tidak mengimplementasikan estetika dalam
visualisasinya, hanya menggunakan elemen grafis standar dan teks yang hanya bisa

6
dibuat dengan mesik tik. Desain grafik yang luar biasa belum tentu mampu
menghasilkan visualisasi data yang baik.
Peta bawah tanah London pada Gambar 1.3. atau juga dikenal dengan peta
tube sangat unggul dibidang visual tetapi kurang baik pada bagian tipografi. Hal
tersebut dikarenakan, penemu peta tube (Haryy Beck) yang merupakan seorang
pekerja dibidang sirkuit listrik, mengkonversi tata letak sirkuit listrik dengan garis
pada sudut 45° dan 95°. Pola tersebut mampu mencerminkan perjalanan kerata
bawah tanah tanpa terdistorsi oleh geografis. Pada saat pembaca melihat peta tube,
mereka akan lebih fokus untuk melihat rute jalan di bawah tanah tanpa harus
terganggu dengan akurasi geografis yang umumnya lebih mencerminkan tata letak
di permukaan (Steele & Iliinsky, 2010).

Gambar 2.3. Peta Bawah Tanah London (Peta Tube)

(Sumber: (Steele & Iliinsky, 2010) )

Menurut (Steele & Iliinsky, 2010), peta bawah tanah London (peta tube)
merupakan salah satu contoh yang baik dalam visualisasi karena berfokus pada
informasi penting (rute bawah tanah) dan menghilangkan banyak informasi yang
tidak relevan (pengaruh geografis) sehingga data tentang rute bawah tanah lebih
mudah diakses oleh pembaca dibandingkan dengan koordinat yang cenderung

7
hanya menuliskan garis lintang dan bujur (posisi) di atas permukaan tanah. Gaya
grafis yang khas menjadikan peta tersebut unik dan menampilkan mahakarya yang
indah.

8
2 Deskripsi Kerja

2.1 Studi Kasus

1. Buatlah fungsi untuk menghitung varians untuk sejumlah sampel dengan
formula, dengan adalah rata-rata sampel. Selanjutnya cari varians dari
sampel 1 sampai 20. Simpan fungsi Anda dalam objek “variance”.
2. Buatlah suatu fungsi dan simpan dalam sebagai “fizzbuzz”. Fungsi ini
membutuhkan satu angka sebagai input. Jika angka tersebut habis dibagi
tiga, maka fungsi akan mengembalikan sebagai “fizz”. Jika habis dibagi
lima, fungsi ini mengembalikan sebagai ”buzz”. Jika habis dibagi tiga
dan lima, fungsi ini akan mengembalikan sebagai “fizzbuzz”. Jika tidak,
maka akan mengembalikan angka tersebut.
3. Gunakan dataset CPS85 pada package mosaicData dan buatlah
visualisasi untuk melihat perbandingan gaji pegawai laki-laki dan
perempuan per sektor. Tampilkan dalam satu frame visualisasi.
4. Pada dataset salary.csv pada package car buatlah visualisasi untuk
melihat urutan gaji karyawan yang dikelompokkan berdasarkan jenis
kelaminnya. Selanjutnya, tampilkan proporsi gaji berdasarkan
pengalaman kerja pada setiap jenis kelamin.

2.2 Langkah Kerja

1. Buka program R-Studio.

Gambar 2.1. Logo Program R-Studio

2. Masukkan persamaan (1) ke dalam fungsi variance.

Gambar 2.2. Fungsi untuk Menghitung Variansi Data

9
3. Masukkan nilai 1 hingga 20 sebagai nilai input pada fungsi.

Gambar 2.3. Fungsi untuk Menghitung Variansi Data

4. Lakukan perhitungan manual untuk memastikan keakuratan hasil

perhitungan dari fungsi.

Gambar 2.4. Syntax Perhitungan Manual Variansi Data

5. Buat fungsi fizzbuzz dengan menetapkan empat kondisi menggunakan

operator aritmatika.

Gambar 2.5. Fungsi Fizzbuzz.

6. Masukkan nilai sembarang sebagai input untuk memastikan apakah

fungsi dapat bekerja dengan baik.

Gambar 2.6. Syntax Menjalankan Fungsi Fizzbuzz

10
7. Jalankan package tidyverse untuk mengaktifkan fungsi pipeline operator
menggunakan perintah library().

Gambar 2.7. Syntax Mengaktifkan Package pada R-studio

8. Jalankan package hrbrthemes untuk mengaktifkan fungsi pengaturan

tipografi dan peletakan label pada grafik menggunakan perintah
library().

Gambar 2.8. Syntax Mengaktifkan Package pada R-studio

9. Jalankan package viridis untuk mengaktifkan fungsi peta warna dengan

skala menggunakan perintah library().

Gambar 2.9. Syntax Mengaktifkan Package pada R-studio

10. Jalankan package ggrepel untuk mengaktifkan fungsi pengaturan teks

dan label pada grafik dengan menggunakan perintah library().

Gambar 2.10. Syntax Mengaktifkan Package pada R-studio

11. Jalankan package mosaicData untuk mengakses dataset CPS85

menggunakan perintah library().

Gambar 2.11. Syntax Mengaktifkan Package pada R-studio

12. Lakukan analisis deskriptif sederhana untuk melihat karakteristik data

secara umum.

Gambar 2.12. Syntax Analisis Deskriptif Sederhana

13. Tampilkan 10 data teratas untuk mengetahui nilai tiap unit data.

Gambar 2.13. Syntax Menampilkan Data Teratas

11
14. Lakukan pengecekan outlier pada variabel wage (gaji) untuk menentukan
ukuran pusat data yang akan digunakan dalam box plot.

Gambar 2.14. Syntax Membuat Box Plot

15. Lakukan penyaringan terhadap data CPS85 yang akan digunakan sebagai
label pada box plot dengan mengelompokan variabel sector (sektor)
berdasarkan sex (jenis kelamin), kemudian lakukan perhitungan jumlah
individu berdasarkan variabel yang telah dikelompokan menggunakan
fungsi summarize() dan lakukan perhitungan terhadap nilai tengah
(median) variabel gaji yang akan digunakan sebagai nilai tengah pada box
plot. Gabungkan langkah-langkah tersebut menggunakan pipe operator
untuk mempersingkat penulisan syntax.

Gambar 2.15. Pipe Operator Penyaringan Data

16. Lakukan manipulasi pada variabel sektor dalam data CPS85 dengan
mengurutkan faktor pada variabel sektor berdasarkan variabel gaji,
kemudian faktorkan data pada variabel sektor dengan level clerical,
const, manag, prof, sales, service, other. Setelah itu plot-kan data dengan
mengambil variabel jenis kelamin sebagai saturasi box plot, gaji sebagai
nilai pada ordinat y, dan variabel sektor sebagai pembagi ordinat x,
tambahkan variabel n yang diperoleh pada langkah kerja bagian 15
sebagai label. Gabungkan langkah-langkah tersebut menggunakan pipe
operator untuk mempersingkat penulisan syntax seperti tampak pada
Gambar 2.16.

12
 Gambar 2.16. Pipe Operator Pembuatan Box Plot

17. Jalankan package car untuk mengakses dataset Salaries menggunakan

perintah library().

Gambar 2.17. Syntax Mengaktifkan Package pada R-studio

18. Lakukan penyaringan data yang akan digunakan untuk membentuk

histogram, gabungkan dalam tipe data frame.

Gambar 2.18. Syntax Membuat Grafik Tipe Pai

19. Urutkan variabel salary (gaji) dari yang terkecil hingga terbesar,
kemudian lakukan pengelompokan gaji dengan membagi data menjadi 10
kelompok dan simpan rentang gaji dari hasil pengelompokan sebagai
variabel baru dengan nama salary_bin. Gabungkan langkah-langkah
tersebut menggunakan pipe operator untuk mempersingkat penulisan
syntax seperti tampak pada Gambar 2.19.

13
 Gambar 2.19. Pipe Operator Menentukan Rentang Gaji

20. Buat data baru dengan nilai minimum pada tiap rentang gaji yang
diperoleh pada langkah kerja bagian 19 dengan tipe data vektor yang akan
digunakan sebagai batas nilai gaji pada tiap batang histogram.

Gambar 2.20. Syntax Membuat Data Baru

21. Buat data baru dengan memasukkan rentang gaji yang diperoleh pada
langkah kerja bagian 19 dengan tipe data vektor yang akan digunakan
sebagai label pada histogram.

Gambar 2.21. Syntax Mendefinisikan Label Histogram

22. Lakukan manipulasi data gaji yang telah diurutkan pada langkah kerja
bagian 19 dengan membagi data berdasarkan nilai yang telah didefiniskan
pada langkah kerja bagian 20 dan menambahkan label yang telah
didefinisikan pada langkah kerja bagian 21.

Gambar 2.22. Syntax Manipulasi Data

14
23. Gabungkan data yang diperoleh pada langkah kerja bagian 22 dengan
variabel jenis kelamin pada data salary ke dalam tipe data frame.

Gambar 2.23. Syntax Menggabungkan Data

24. Buat histogram dari data yang telah digabungkan pada langkah kerja
bagian 23.

Gambar 2.24. Syntax Membuat Histogram

25. Buat bagan gelembung (bubble chart) untuk melihat proporsi gaji dengan
menggunakan data Salaries yang belum dimanipulasi.

Gambar 2.25. Syntax Membuat Bagan Gelembung

15
3 Pembahasan

3.1 Fungsi Matematis untuk Menghitung Varians

Pada studi kasus bagian 1, digunakan persamaan (1) untuk menghitung
varians menggunakan fungsi. Seperti yang tampak pada Gambar 2.2 praktikan
menggunakan perintah mean() untuk menghitung rata-rata x (data) yang disimpan
dalam variabel m. Kemudian dimasukkan persamaan (1) ke dalam fungsi yaitu
sum((x-m)^2)/(length(x)-1), dimana perintah sum digunakan untuk
menghitung jumlah seluruh data yang dikurangi dengan nilai rata-ratanya dan
dikuadratkan. Hasil penjumlahan tersebut kemudian dibagi dengan banyaknya data,
karena studi kasus bagian 1 menyatakan data merupakan sampel, maka diperlukan
faktor koreksi untuk sampel dimana jumlah data – 1. Untuk mendefinisikan jumlah
data dalam fungsi praktikan menggunakan perintah length(x).
Fungsi yang telah disimpan dengan nama variance kemudian dijalankan
dengan x = (1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 12, 14, 15, 16, 17, 18, 19, 20),
diperoleh hasil pada Gambar 3.1.

Gambar 3.1. Hasil Perhitungan Fungsi

Untuk memastikan akurasi hasil yang diperoleh dari perhitungan variansi data
melalui fungsi, praktikan melakukan perhitungan variansi secara manual
menggunakan persamaan (1) pada langkah kerja bagian 4, diperoleh hasil pada
Gambar 3.2.

Gambar 3.2. Hasil Perhitungan Manual

Hasil perhitungan variansi secara manual menunjukkan jumlah yang sama dengan
hasil perhitungan variansi menggunakan fungsi yaitu sebesar 35. Fungsi matematis
untuk perhitungan variansi data terbukti keakuratannya.

16
3.2 Fungsi Pernyataan Bersyarat
Praktikan menggunakan fungsi pernyataan bersyarat untuk menyelesaikan
studi kasus bagian 2 karena terdapat beberapa kondisi yang harus dipenuhi oleh
bilangan x untuk mengeluarkan output yang telah didefisikan. Pada Gambar 2.5.
praktikkan menggunakan operator matematis yaitu modulus yang dinotasikan
dengan x%%y. Berdasarkan studi kasus bagian 2, terdapat 4 kondisi dalam fungsi
fizzbuzz yaitu, jika modulus bilangan x terhadap bilangan asli=3 dan bilangan asli=5
menghasilkan sisa sebesar 0, maka fungsi diperintahkan untuk mengeluarkan
output fizzbuzz, jika kondisi tersebut tidak terpenuhi fungsi akan meneruskan ke
kondisi kedua yaitu jika modulus bilangan x terhadap bilangan asli=3 menghasilkan
sisa sebesar 0, maka fungsi diperintahkan untuk mengeluarkan output fizz, jika
kondisi tersebut tidak terpenuhi fungsi akan meneruskan ke kondisi ketiga yaitu
jika modulus bilangan x terhadap bilangan asli=5 menghasilkan sisa sebesar 0,
maka fungsi diperintahkan untuk mengeluarkan output buzz, jika seluruh kondisi
pertama hingga ketiga tidak terpenuhi, maka fungsi diperintahkan untuk
mengeluarkan output berupa bilangan x yang dimasukkan. Untuk memunculkan
output yang telah didefinisikan berdasarkan kondisi yang terpenuhi, digunakan
perintah return().

Fungsi dijalankan sebanyak enam kali dengan bilangan x yang dimasukkan

masing-masing sebesar 135, 15, 10, 9, 18, dan 1. Diperoleh hasil pada Gambar 3.3.

Gambar 3.3. Hasil Percobaan pada Fungsi Fizzbuzz

17
Pada Gambar 3.3. tampak bahwa, ketika dimasukkan bilangan sebesar 135 pada x,
fungsi fizzbuzz mengeluarkan output “fizzbuzz”, begitupula dengan bilangan
sebesar 15. Hal tersebut menunjukkan bahwa bilangan 135 dan 15 memenuhi
kondisi pertama yaitu habis dibagi 3 & 5. Sedangkan untuk x = 10, fungsi
mengeluarkan output buzz yang berarti bilangan tersebut habis dibagi 5, memenuhi
kondisi ketiga. Ketika digunakan x = 9, fungsi mengeluarkan output fizz yang
berarti bilangan tersebut habis dibagi 3. Ketika digunakan bilangan x yang tidak
habis dibagi 3 atau 5 yaitu 28 & 1, maka fungsi akan menampilkan bilangan x yang
dimasukkan seperti pada Gambar 3.3.

3.3 Visualisasi Dustribusi Gaji Penduduk per Sektor & Jenis Kelamin
Sebelum melakukan visualisasi data, praktikkan melakukan analisis
deskriptif untuk mengetahui karakteristik data secara umum menggunakan perintah
pada langkah kerja bagian 12-14. Diperoleh hasil pada Gambar 3.4., Gambar 3.5.,
dan, Gambar 3.6.

Gambar 3.4. Hasil Ringkasan Data

Hasil ringkasan data CPS85 pada Gambar 3.4. menampilkan ukuran tendensi
sentral dan dispersi tiap variabel, melalui hal tersebut dapat diketahui bahwa
terdapat 4 variabel dengan tipe numerik yaitu variabel wage, educ, exper, dan age,
sedangkan 7 variabel lainnya merupakan variabel dengan tipe data non-numerik.
Variabel dengan tipe data numerik memiliki ukuran tendensi sentral dan dispersi
data yang cukup lengkap yaitu nilai minimum, median, rata-rata, nilai maksimum,
serta kuartil 1 & 2, sedangkan variabel dengan tipe data non-numerik hanya

18
memiliki nilai frekuensi data. Berdasarkan informasi tersebut, praktikan dapat
menyesuaikan elemen visualisasi yang tepat untuk menggambarkan data dengan
baik. Setelah informasi karakteristik data diperoleh, praktikan menampilkan 10 data
CPS85 teratas untuk melihat nilai pada tiap variabel, diperoleh hasil pada Gambar
3.5.

Gambar 3.5. Tampilan Data Teratas

Praktikan juga melakukan pengecekan outlier pada variabel gaji untuk

menentukan ukuran tendensi sentral yang akan digunakan pada visualisasi yang
akan dibuat. Diperoleh hasil pada Gambar 3.6. yang menunjukkan bahwa terdapat
beberapa data outlier yang melewati batas kuantil 3 sehingga termasuk dalam
kategori outlier maksimum. Terdapat satu data yang berada di titik ekstrem
maksimum yang sangat tersebar jauh dari kuantil 3 data.

Gambar 3.6. Box Plot Variabel Gaji

19
Karena terdapat outlier pada variabel gaji, maka tidak baik menggunakan nilai rata-
rata variabel sebagai ukuran kuantil 2 (tendensi sentral) karena akan menjadikan
box plot tidak proporsional, dimana variabel gaji akan dikelompokan berdasarkan
sektor dan jenis kelamin sehingga terdapat lebih dari satu box plot yang akan
ditampilkan. Oleh karena itu, ukuran kuantil 2 data yang pada umumnya
menggunakan nilai rata-rata dapat diganti dengan nilai tengah data (median).
Untuk menambahkan label pada box plot berupa jumlah individu per sektor
berdasarkan jenis kelamin, dilakukan kalkulasi dengan mengelompokan data
berdasarkan sektor dan jenis kelamin, kemudian menghitung jumlah individu per
kelompok pada langkah kerja bagian 15. Diperoleh hasil pada Gambar 3.7.

Gambar 3.7. Hasil Perhitungan Frekuensi Pekerja

Variabel n pada Gambar 3.7. merupakan frekuensi pekerja, tampak bahwa sektor
dengan jumlah pekerja berjenis kelamin perempuan terbanyak adalah sektor
clerical, sedangkan dengan jenis kelamin laki-laki adalah sektor other. Sektor
dengan jumlah pekerja berjenis kelamin perempuan paling sedikit adalah sektor
const, tepatnya tidak terdapat pekerja perempuan pada sektor tersebut. Sedangkan
sektor dengan jumlah pekerja berjenis kelamin laki-laki paling sedikit juga

20
merupakan sektor yang sama, yaitu sektor const. Untuk mempermudah komparasi,
dilakukan visualisasi pada variabel gaji, diperoleh hasil pada Gambar 3.7.
Pada langkah kerja bagian 16, digunakan pipe operator untuk
menggabungkan fungsi visualisasi data pada R-studio dengan manipulasi data.
Setelah manipulasi data dilakukan pada langkah kerja bagian 16, pipe operator
menerusakan proses untuk visualisasi data. Pada tahapan visualisasi digunakan
fungsi ggplot() yang berfungsi untuk mengaktifkan objek-objek pada fungsi
tersebut. ggplot() digunakan untuk mendeskripsikan data yang akan
divisualisasikan dan mendeskripsikan pengaturan tampilan grafik. Fungsi
geom_boxplot() digunakan untuk membuat box plot yang menggambarkan
distribusi dari variabel kontinu dengan 5 ringkasan statistika (rata-rata, median,
nilai minimum, nilai maksimum, kuantil 1, dan kuantil 3), dimana didefinisikan
posisi box plot saling bersisian menggunakan position_dodge2 dan alpha=0.5
yang menunjukkan tingkat saturasi warna box plot. Fungsi geom_point()digunakan
untuk membuat gelembung-gelembung (sebagai data) yang bersisian dengan box
plot pada grafik dengan menggunakan alpha=0.7 yang menunjukkan tingkat
saturasi warna pada gelembung. Fungsi scale_fill_viridis() digunakan untuk
mendefiniskan penggunaan warna batang histogram yaitu menggunakan peta warna
viridis dengan skala diskrit dibenarkan yang berarti batang histogram tidak akan
memuat warna gradasi/hanya satu warna per jenisnya. Fungsi geom_text()
digunakan untuk menambahkan label pada box plot yang diambil dari variabel n
pada data dist_gaji. Fungsi theme_ipsum() digunakan untuk mengaktifkan
template grafis yang ada pada R. Fungsi ylab() digunakan untuk mendefinisikan
label pada ordinat y. Fungsi xlab() digunakan untuk mendefinisikan label pada
ordinat x . Fungsi ylim() digunakan untuk mendefinisikan batas minimum dan
maksimum pada ordinat y.

21
 Gambar 3.8. Box Plot Gaji berdasarkan Sektor & Jenis Kelamin

Visualisasi pada Gambar 3.8. menunjukkan sebaran gaji berdasarkan sektor dan
jenis kelamin. Tampak bahwa, secara umum rata-rata gaji pekerja laki-laki lebih
tinggi dibandingkan pekerja perempuan. Terdapat ketimpangan gaji yang cukup
signifikan pada sektor manag, manuf, sales, dan other. Dimana rata-rata gaji
pekerka laki-laki jauh lebih tinggi jika dibandingkan dengan pekerja perempuan.
Sedangkan pada sektor lainnya, rata-rata gaji tidak berbeda terlalu jauh per jenis
kelaminnya. Jika dilihat berdasarkan sektor, terdapat 3 sektor dengan rata-rata gaji
yang hampir sama yaitu gaji pekerja laki-laki pada sektor const, gaji pekerja
perempuan pada sektor manag, dan gaji pekerja perempuan pada sektor prof.
Berdasarkan infromasi tersebut, perlu dilakukan evaluasi perlakuan perusahaan
terhadap pekerja dengan mempertimbangkan jabatan dan fungsi tiap individu,
karena data yang ada menunjukkan terdapat diskriminasi pemberian gaji terhadap
pekerja dengan jenis kelamin perempuan.

3.4 Visualisasi Perbandingan Gaji Asisten Profesor, Rekan Profesor, dan

Profesor per Jenis Kelamin & Masa Kerja
Berdasarkan studi kasus bagian 4, digunakan variabel salary, sex, dan years
of service dari data Salaries. Untuk mengambil data dari variabel tersebut dilakukan
langkah kerja bagian 18, diperoleh hasil pada Gambar 3.9.

22
 Gambar 3.9. Hasil Penyaringan Data

Pada Gambar 3.9. ditampilkan 10 data teratas yang telah disaring, dimana variabel
yang diambil hanya variabel salary dan sex. Tampak bahwa variabel salary (gaji)
belum diurutkan, maka perlu dilakukan pengurutan terlebih dahulu sebelum
memasuki tahap pengelompokan data dari variabel gaji. Untuk mengurutkan
variabel gaji dan membaginya menjadi 10 kelompok dilakukan langkah kerja
bagian 19, diperoleh hasil pada Gambar 3.10.

Gambar 3.10. Hasil Pengurutan dan Pengelompokan Data

Data pada variebel gaji perlu dikelompokan karena jumlah data terlalu banyak
untuk divisualisasikan menggunakan histogram, sehingga membutuhkan rentang
yang sangat besar. Praktikan mengelompokan gaji menjadi 10 kelompok. Pada
Gambar 3.10. tampak bahwa rentang gaji 57800$-70700$ akan masuk ke
histogram kelompok pertama atau juga dikenal dengan sebutan bin. Variabel
salary_bin menunjukkan rentang gaji yang berada pada bin peratama yaitu 57600$-
75200$, dimana batas bawahnya sebesar 57600$ dan batas atasnya sebesar 75200$.

23
 Variabel salary_bin yang frekuensinya akan digunakan untuk menentukan
frekuensi gaji pada histogram kemudian dipisahkan menjadi 10 kelompok
menggunakan perintah cut pada langkah kerja bagian 22, diperoleh hasil pada
Gambar 3.11.

Gambar 3.11. Hasil Pemisahan Data

Tampak terdapat 10 variansi pada data group_tags karena sebelumnya data pada
variabel gaji telah dibagi menjadi 10 kelompok. Gambar 3.11. menampilkan
sepuluh data teratas dari data gaji yang telah dikonversi berdasarkan rentang
kelompoknya. Rentang sepuluh data teratas pada data group_tags sama dengan
rentang data pada variabel salary_bin, dapat disimpulkan langkah kerja bagian 22
dilakukan dengan baik.
Untuk memperoleh rentang data gaji dengan variabel jenis kelamin, praktikan
melakukan penggabungan data antara data group_tags dan variabel sex (jenis
kelamin) pada data salary, diperoleh hasil pada Gambar 3.12.

Gambar 3.12. Hasil Penggabungan Data

Ditampilkan 10 data teratas rentang gaji yang telah digabungkan dengan

variabel jenis kelamin pada Gambar 3.12., tampak bahwa 9 gaji terendah
merupakan gaji asisten profesor, rekan profesor, dan profesor (pengajar) berjenis
kelamin laki-laki, dan gaji terendah ke-10 merupakan gaji pengajar berjenis
kelamin perempuan. Untuk mempermudah komparasi gaji pengajar berdasarkan

24
jenis kelamin, data merged divisualisasikan dalam bentuk histogram, diperoleh
hasil pada Gambar 3.13.
Pada langkah kerja bagian 24 digunakan fungsi ggplot() yang berfungsi
untuk mengaktifkan objek-objek pada fungsi tersebut. ggplot() digunakan untuk
mendeskripsikan data yang akan divisualisasikan dan mendeskripsikan pengaturan
tampilan grafik. Fungsi as_tibble() untuk mengubah variabel group_tags pada
data merged yang awalnya berupa tipe data frame menjadi tipe data dengan level
atau kelas, sehingga tiap data pada variabel group_tags yang berupa rentang gaji
akan dikelompokan sehingga membentuk frekuensi pada histogram. Fungsi
mapping() digunakan untuk mendeskripsikan pemetaan estetika yang digunakan
pada grafik, dimana praktikan mendeskripsikan nilai pada variabel group_tags
sebagai ordinat x dan komparasi warna batang histogram berdasarkan variasi jenis
kelamin. Fungsi geom_bar digunakan untuk mendeskripsikan tinggi batang
histogram berdasarkan frekuensi tiap kelas dari variabel group_tags, dengan tingkat
saturasi warna 0.7, dan posisi batang saling bersisian (dodge). Fungsi
scale_fill_viridis() digunakan untuk mendefiniskan penggunaan warna
batang histogram yaitu menggunakan peta warna viridis dengan skala diskrit
dibenarkan yang berarti batang histogram tidak akan memuat warna gradasi/hanya
satu warna per jenisnya. Fungsi stat_count() digunakan untuk menghitung
frekuensi tiap rentang gaji yang muncul pada data group_tags yang telah melewati
proses manipulasi data. Fungsi labs() digunakan untuk mengatur label pada
ordinat grafik. Fungsi guides() digunakan untuk mengatur judul pada keterangan
warna grafik. Fungsi theme_minimal() digunakan untuk mengaktifkan template
grafis yang ada pada R.

25
 Gambar 3.13. Histogram Gaji Pengajar berdasarkan Jenis kelamin

Histogram pada Gambar 3.13. menunjukkan sebagian besar asisten profesor,

rekan profesor, dan profesor (pengajar) di Universitas A pada masa kerja 2008-
2009 berjenis kelamin laki-laki. Secara umum tampak bahwa terdapat ketimpangan
yang cukup signifikan terhadap jumlah pengajar berdasarkan jenis kelamin, dimana
gaji pengajar perempuan hanya berada pada 57600$-145000$, menempati 6
kelompok terbawah dari rentang gaji pengajar. Terdapat hal yang cukup unik,
dimana jumlah pengajar perempuan dengan rentang gaji 75200$-92500$ dan
92500$-110000$ memiliki jumlah yang sama yaitu 0.0252% atau sekitar 9 orang,
dimana rentang gaji tersebut merupakan kelompok dengan jumlah pengajar
perempuan terbanyak. Sedangkan gaji pengajar laki-laki memiliki rentang yang
lebih besar hingga $232000$. Sebagian besar pengajar laki-laki memiliki rentang
gaji 92500$-110000$ yaitu sebesar 0.2368 atau sekitar 103 orang. Jumlah pengajar
perempuan & laki-laki terbanyak berdasarkan kelompok gaji berada pada
kelompok yang sama yaitu pada rentang 92500$-110000$. Jika dilihat berdasarkan
distribusi data, kelompok gaji pengajar perempuan cenderung mendekati distribusi
normal, sedangkan kelompok gaji pengajar laki-laki cenderung menceng kearah
kanan. Hal tersebut terjadi karena semakin tinggi rentang gaji, maka semakin
sedikit jumlah pengajar pada rentang tersebut. Karena suatu universitas

26
menerapkan sistem organisasi dengan fungsi jabatan, maka tidak mengherankan
terdapat distribusi gaji yang tidak merata karena jabatan pengajar yang bervariasi.
Visualisasi data gaji pengajar menggunakan bagan gelembung juga dibuat
untuk melihat proporsi jumlah karyawan berdasarkan rentang gaji dan masa kerja
per jenis kelamin. Praktikan menggunakan bagan gelembung karena dapat
menggambarkan proporsi data dengan baik, dimana terdapat dua variabel numerik
yang digunakan yaitu salary dan years of service sehingga tipe bagan gelembung
sangat cocok digunakan. Berdasarkan langkah kerja bagian 25 diperoleh hasil pada
Gambar 3.14.
Pada langkah kerja bagian 25 digunakan fungsi ggplot() yang berfungsi
untuk mengaktifkan objek-objek pada fungsi tersebut. ggplot() digunakan untuk
mendeskripsikan data yang akan divisualisasikan dan mendeskripsikan pengaturan
tampilan grafik. Fungsi geom_point() digunakan untuk membuat gelembung-
gelembung pada grafik dengan menggunakan alpha=0.7 yang menunjukkan
tingkat saturasi warna pada gelembung. Fungsi scale_size() digunakan untuk
mengatur ukuran gelembung dengan 0.1 satuan adalah diameter gelebung terkecil,
dan 20 satuan untuk diameter gelembung terbesar, name=”” pada fungsi tersebut
digunakan untuk mendefinisikan judul pada keterangan ukuran gelembung. Fungsi
scale_fill_viridis() digunakan untuk mendefiniskan penggunaan warna
batang histogram yaitu menggunakan peta warna viridis dengan skala diskrit
dibenarkan yang berarti batang histogram tidak akan memuat warna gradasi/hanya
satu warna per jenisnya. Fungsi theme_ipsum() digunakan untuk mengaktifkan
template grafis yang ada pada R. Fungsi ylab() digunakan untuk mendefinisikan
label pada ordinat y. Fungsi xlab() digunakan untuk mendefinisikan label pada
ordinat x. Fungsi scale_x_continuous() yang didefinisikan dengan n.breaks
digunakan untuk mengatur jumlah kelompok yang akan dibentuk pada variabel
gaji, dimana praktikkan menggunakan jumlah sebesar 10 untuk menyakan dengan
histogram yang telah dibuat sebelumnya untuk memudahkan komparasi.

27
 Gambar 3.14. Diagram Gelembung Gaji Pengajar berdasarkan Masa Kerja per
Jenis Kelamin

Diagram Gelembung pada Gambar 3.14. menunjukkan sebagian besar

pengajar memiliki masa kerja 15-30 tahun dengan rentang gaji 63000$-170000$.
Tampak bahwa rata-rata masa kerja pengajar laki-laki berada diatas 15 tahun,
sedangkan pengajar perempuan berada disekitar 15 tahun masa kerja. Proporsi
masa kerja pengajar laki-laki lebih cenderung lebih lama dibandingkan proporsi
masa kerja perempuan, dimana masa kerja pengajar laki-laki paling tinggi adalah
60 tahun sedangkan pengajar perempuan adalah 36 tahun. Terdapat 3 orang
pengajar perempuan yang belum memiliki masa kerja, diasumsikan pengajar
tersebut baru meraih gelar profesor atau pertama kali menjadi asisten
profesor/rekan profesor, sedangkan pengajar laki-laki tidak ada yang belum
memiliki masa kerja, dimana pengajar laki-laki dengan masa kerja paling sedikit
adalah 1 tahun masa kerja. Jika hubungan antara rentang gaji dilihat berdasarkan
masa kerja, tampak bahwa bagan gelembung membentuk pola yang saling
berkorelasi positif tetapi tidak cukup kuat. Dapat diasumsikan bahwa masa kerja
mempengaruhi gaji pengajar, dimana jika masa kerja meningkat maka gaji juga ikut
meningkat. Kendati demikian, terdapat pengajar laki-laki dengan masa kerja
terlama yaitu 60 tahun tetapi tidak memiliki gaji paling tinggi. Pengajar laki-laki
dengan gaji paling tinggi yaitu sekitar $2325000 hanya memiliki masa kerja 38

28
tahun. Dapat diasumsikan terdapat variabel lain yang mempengaruhi gaji seorang
pengajar selain durasi masa kerja per tahun.

29
4 Penutup

4.1 Kesimpulan
1. Fungsi matematis (variance) untuk menghitung varians x = (1, 2, 3, 4, 5,
6, 7, 8, 9, 10, 11, 12, 12, 14, 15, 16, 17, 18, 19, 20) menghasilkan output
sebesar 35. Hasil perhitungan variansi secara manual menggunakan
persamaan (1) menunjukkan jumlah yang sama dengan hasil perhitungan
variansi menggunakan fungsi yaitu sebesar 35. Fungsi matematis untuk
perhitungan variansi data terbukti keakuratannya.
2. Fungsi pernyataan bersyarat fizzbuzz dengan x = 135, 15, 10, 9, 18, 1,
masing-masing menghasilkan output fizzbuzz, fizzbuzz, buzz, fizz, 18, 1.
Kesesuaian antara masing-masing x terhadap output-nya memenuhi
kondisi yang telah dideskripsikan dengan operator matematis (modulus)
di dalam fungsi. Fungsi pernyataan bersyarat fizzbuzz terbukti
keakuratannya.
3. Box plot gaji berdasarkan jenis kelamin menunjukkan rata-rata gaji
pekerja laki-laki lebih tinggi dibandingkan pekerja perempuan.
Berdasarkan jenis kelamin, terdapat ketimpangan gaji yang cukup
signifikan pada sektor manag, manuf, sales, dan other, sedangkan pada
sektor lainnya, rata-rata gaji tidak berbeda terlalu jauh per jenis
kelaminnya. Berdasarkan informasi tersebut, perlu dilakukan evaluasi
perlakuan perusahaan terhadap pekerja dengan mempertimbangkan
jabatan dan fungsi tiap individu, karena data yang ada menunjukkan
terdapat diskriminasi pemberian gaji terhadap pekerja dengan jenis
kelamin perempuan.
4. Histogram gaji asisten profesor, rekan profesor, dan profesor (pengajar)
menunjukkan sebagian besar pengajar di Universitas A pada masa kerja
2008-2009 berjenis kelamin laki-laki. Berdasarkan kelompok gaji,
terdapat ketimpangan jumlah pengajar per jenis kelamin. Jumlah pengajar
perempuan & laki-laki terbanyak berdasarkan kelompok gaji berada pada
kelompok yang sama yaitu pada rentang 92500$-110000$. Jika dilihat

30
berdasarkan distribusi data, kelompok gaji pengajar perempuan
cenderung mendekati distribusi normal, sedangkan kelompok gaji
pengajar laki-laki cenderung menceng kearah kanan. Sedangkan diagram
gelembung gaji pengajar berdasarkan masa kerja per jenis kelamin
menunjukkan sebagian besar pengajar memiliki masa kerja 15-30 tahun
dengan rentang gaji 63000$-170000$. Proporsi masa kerja pengajar laki-
laki lebih cenderung lebih lama dibandingkan proporsi masa kerja
perempuan. Jika hubungan antara rentang gaji dilihat berdasarkan masa
kerja, tampak bahwa bagan gelembung membentuk pola yang saling
berkorelasi positif tetapi tidak cukup kuat. Dapat diasumsikan bahwa
masa kerja mempengaruhi gaji pengajar, dimana jika masa kerja
meningkat maka gaji juga ikut meningkat.

31
5 Daftar Pustaka

Bernstein, S., & Bernstein, R. (1999). ELEMENTS OF STATISTICS: Descriptive

Statistics and Probability. United States of America: McGraw-Hill
Companies, Inc.
Jones, O., Maillardet, R., & Robinson, A. (2009). Introduction to Scientific
Programming and Simulation Using R. United States of America: Taylor
& Francis Group.
Kaplan, D. (2020, 05 25). Computer-age Calculus with R. Retrieved from
dtkaplan.github.io: https://dtkaplan.github.io/RforCalculus/representing-
mathematical-functions.html
kbbi. (2008). Kamus Besar Bahasa Indonesia (KBBI). Retrieved from
kbbi.web.id: https://kbbi.web.id/modulus
Lajanto, D. (2013, 12 29). Konsep dan Teorema Mengenai Modulo. Retrieved
from MATEMATIKA: Blog Pembelajaran Konsep Matematika SMP,
SMA, Olimpiade: https://www.danlajanto.com/2013/12/konsep-dan-
teorema-mengenai-modulo_5330.html
Pace, L. (2012). Beginning R: An Introduction to Statistical Programming. New
York: Apress.
Rendgen, S. (2012). Introduction. In S. Rendgen, R. S. Wurman, S. Rogers, & P.
Ciuccarelli, Information Graphics (pp. 7-36). Italy: TASCHEN GmbH.
Steele, J., & Iliinsky, N. (2010). Beautiful Visualization. Sebastopol: O'Reilly
Media, Inc.

32