TUGAS 2 JAGAR ERWIN RIZNANDO TAMBUNAN

METODOLOGI PENELITIAN 23622029

1. Tolong jelaskan istilah-istilah berikut dengan menggunakan kata-kata Anda

sendiri:
a. Ukuran tendensi sentral (mean, median, dan modus). Mohon juga
didiskusikan kelebihan dan kerugian dari setiap ukuran dalam aplikasi
praktis.

Mead : Untuk menghitung nilai rata-rata (mean) variabel dari kumpulan

data yang tersedia, temukan jumlah semua nilai dan bagi jumlahnya
dengan jumlah nilai.

Median : Nilai median adalah nilai di tengah. Nilai paling tengah dalam
rangkaian data disebut median. Fungsi median digunakan di R untuk
menghitung nilai ini.

Modus : Nilai yang memiliki jumlah kemunculan tertinggi dalam satu set
data. Tidak seperti mean dan median, mode dapat memiliki data
numerik dan karakter. R tidak memiliki fungsi bawaan standar
untuk menghitung mode. Jadi kita membuat fungsi pengguna untuk
menghitung mode kumpulan data di R.

Kekurangan
Mean Peka atau mudah terpengaruh
oleh nilai ekstrim; Kurang
baik untuk data heterogen.
Kelebihan
Mempertimbangkan semua
nilai; Dapat Menggambarkan
nilai rata-rata populasi;
Variasinya stabil; Cocok
untuk data homogen.

Median Tidak mempertimbangkan Tidak terpengaruh oleh

semua nilai; Kurang dapat nilai ekstrim; Cocok untuk
menggambarkan mean data homogen.
populasi.

Modus Kurang menggambarkan mean Tidak terpengaruh oleh

populasi; Modus bisa lebih nilai ekstrim; Cocok untuk
dari satu. data homogen maupun
heterogen.

b. Ukuran variabilitas (rentang, deviasi standar, dan rentang

interkuartil). Mohon juga didiskusikan keuntungan dan kerugian dari
setiap ukuran dalam aplikasi praktis.

Rentang : merupakan pengukuran dispersi yang paling sederhana, oleh

karena itu range ini sering disebut sebagai penyebaran data
yang paling kasar.

Standart Deviation : Deviasi standar ini merupakan aspek penting dalam

analisis statistik, di sisi lain deviasi standar
juga merupakan penemuan mutakhir dari Karl-Pearson
untuk menutupi kekurangan yang ada pada mean
deviasi.
TUGAS 2 JAGAR ERWIN RIZNANDO TAMBUNAN
METODOLOGI PENELITIAN 23622029

Rentang Interkuartil : Dalam sekelompok data kuantitatif akan terdapat

data dengan nilai terbesar dan data dengan nilai
terkecil. Rentang (range) atau disebut juga
dengan jangkauan adalah selisih antara data
dengan nilai yang terbesar dengan data denga nilai
yang terkecil tersebut.

Kekurangan
Range Tergantung pada nilai ektrem;
tidak memperhatikan distribusi
yang terdapat dalam range itu
sendiri.
Kelebihan
Dapat memperoleh gambaran umum
mengenai luas penyebaran data
yang sedang diteliti dalam
waktu yang relatif singkat.

Standart Stanstandar Deviasi tidak Dapat melakukan operasi

Deviation mengukur seberapa jauh titik
data dari mean. Sebaliknya, ia
membandingkan kuadrat dari
perbedaan, perbedaan yang
halus namun nyata dalam
varians yang sebenarnya dengan
standart deviasi biasa
Jangkauan Anda harus paham dengan konsep
interkuartil kuartil khususnya kuartil
(IQR) bawah dan kuartil atas.
aljabar dan tidak terlalu
terpengaruhi oleh fluktuasi
pengambilan sample daripada
kebanyakan ukuran dispersi
lainya.
Memudahkan saat terjadi
penyebaran data untuk di
hitung kuartil atas dan bawah.

2. Seorang peneliti sedang menganalisis suatu data yang terdiri dari enam
variabel, yaitu A, B, C, D, E, dan F. peneliti ingin menganalisis
ketergantungan statistik antara enam variabel tersebut. Tugas Anda adalah
membantu peneliti untuk mengukur hubungan antara semua variabel tersebut.
Tabel diberikan sebagai berikut:

a. Buatlah matriks korelasi (menggunakan koefisien korelasi Pearson) dari

keenam variabel tersebut.

> problem_2
# A tibble: 8 × 6
A B C D E F
<dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 3 -5 5.5 5 -5.5 6.1
2 4 -6 5.2 8 -5.2 5.8
3 5 -7 6.9 4 -6.9 5.9
4 6 -8 9.7 3 -9.7 6.1
5 7 -9 9.4 9 -9.4 5.9
6 8 -10 8.9 6 -8.9 6.2
7 9 -11 11.5 15 -11.5 5.8
8 10 -12 14.5 5 -14.5 6.1
TUGAS 2 JAGAR ERWIN RIZNANDO TAMBUNAN
METODOLOGI PENELITIAN 23622029

> cor.test(problem_2$A, problem_2$B) > plot(problem_2$A, problem_2$B, main

Pearson's product-moment correlation = "Perbandingan Kolom A dan Kolom B",
data: problem_2$A and problem_2$B xlab = "Kolom A", ylab = "KOlom B",
t = -Inf, df = 6, p-value < 2.2e-16 col="red")
alternative hypothesis: true correlation is
not equal to 0
95 percent confidence interval:
-1 -1
sample estimates:
cor
-1

> cor.test(problem_2$A, problem_2$C) > plot(problem_2$A, problem_2$C,

Pearson's product-moment correlation main = "Perbandingan Kolom A dan
data: problem_2$A and problem_2$C Kolom C", xlab = "Kolom A", ylab =
t = 6.5035, df = 6, p-value = 0.0006294 "KOlom C", col="yellow")
alternative hypothesis: true correlation is
not equal to 0
95 percent confidence interval:
0.6787521 0.9885786
sample estimates:
cor
0.9358227

> cor.test(problem_2$A, problem_2$D) > plot(problem_2$A, problem_2$B, main

Pearson's product-moment correlation = "Perbandingan Kolom A dan Kolom D",
data: problem_2$A and problem_2$D xlab = "Kolom A", ylab = "KOlom D",
t = 0.93769, df = 6, p-value = 0.3846 col="green")
alternative hypothesis: true correlation is
not equal to 0
95 percent confidence interval:
-0.4640766 0.8484380
sample estimates:
cor
0.3575101
TUGAS 2 JAGAR ERWIN RIZNANDO TAMBUNAN
METODOLOGI PENELITIAN 23622029

> cor.test(problem_2$A, problem_2$E) > plot(problem_2$A, problem_2$E, main

Pearson's product-moment correlation = "Perbandingan Kolom A dan Kolom E",
data: problem_2$A and problem_2$E xlab = "Kolom A", ylab = "KOlom E",
t = -6.5035, df = 6, p-value = 0.0006294 col="blue")
alternative hypothesis: true correlation is
not equal to 0
95 percent confidence interval:
-0.9885786 -0.6787521
sample estimates:
cor
-0.9358227

> cor.test(problem_2$A, problem_2$F) > plot(problem_2$A, problem_2$F,

Pearson's product-moment correlation main = "Perbandingan Kolom A dan
data: problem_2$A and problem_2$F Kolom F", xlab = "Kolom A", ylab =
t = 0.32485, df = 6, p-value = 0.7563 "KOlom F", col="purple")
alternative hypothesis: true correlation is
not equal to 0
95 percent confidence interval:
-0.6317293 0.7652472
sample estimates:
cor
0.1314684

3. Mohon jelaskan pengertian Teorema Limit Sentral dan relevansinya dengan

hipotesis statistik tes dalam konteks penelitian. Anda boleh menggunakan
ilustrasi jika menurut Anda itu akan membantu penjelasan.

Teorema Limit Pusat adalah sebuah teori yang menyatakan bahwa jika ukuran
sampel semakin besar, maka sifat dari rata-rata
distribusi peluang sampelnya (sample mean
distribution) akan semakin mendekati distribusi
normal. Banyak sekali prosedur pengujian
statistik inferensial terutama untuk pengujian
rata-rata yang mengasumsikan bahwa data memiliki
distribusi normal. Hal ini dikarenakan
distribusi rata-rata sampel hampir mendekati
distribusi normal. Sehingga, pengujian
statistik bisa dilakukan meskipun distribusi
asli dari data yang kita gunakan hanya bersifat
mendekati distribusi normal.
TUGAS 2 JAGAR ERWIN RIZNANDO TAMBUNAN
METODOLOGI PENELITIAN 23622029

Contohnya saja, di sebuah sekolah unggulan, dari nilai 30 siswa yang

mengikuti ujian matematika, 15 orang mendapatkan 90, dan 15 orang
mendapatkan nilai 100.Bila anda membuat distribusi data tersebut,
apakah kurva yang dihasilkan menyerupai lonceng yang sering diidentikkan
dengan kurva normal? Ya tentu saja tidak.Berdasarkan deteksi sekilas, hampir
bisa dipastikan distribusi nilai ujian matematika di kelas tersebut tidak
selalu terdistribusi secara normal. Namun, dengan jumlah sampel yang cukup
besar yaitu 50 siswa, nilai rata-rata peluang sampelnya akan mendekati
distribusi normal.Tentu saja, kita harus melakukan transformasi data-data
tersebut agar menjadi kurva normal (akan saya bahas di artikel lain). Dengan
transformasi ini, berbagai pengujian statistik akan lebih mudah untuk
dilakukan.

4. Seorang peneliti sosial sedang mempelajari kemampuan matematika siswa dari

dua kota yang berbeda. Dari data yang terdiri dari 20 mahasiswa asal
Jakarta, dan 20 mahasiswa asal Bandung seperti pada tabel di bawah ini
(tabel menunjukkan nilai), dapatkah dikatakan bahwa siswa dari kedua kota
tersebut signifikan berbeda dalam hal tanda? Gunakan tingkat signifikansi
1% dan 5%, dan diskusikan hasilnya.

> #problem_4
> Kota <- problem_4
> Wisata <- c(rep('Jakarta', 20), rep('Bandung', 20))
> Nilai <- c(Kota$JAKARTA, Kota$BANDUNG)
> df <- data.frame(Wisata, Nilai)
> plot(Kota, main = "Perbandingan Kota", xlab = "JAKARTA", ylab = "BANDUNG",
col="gray")
> Kota.aov <- aov(Nilai ~ Wisata, data = df)
> summary(Kota.aov)
Df Sum Sq Mean Sq F value Pr(>F)
Wisata 1 483 483.0 6.296 0.0165 *
Residuals 38 2915 76.7
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
TUGAS 2 JAGAR ERWIN RIZNANDO TAMBUNAN
METODOLOGI PENELITIAN 23622029

5. Peneliti yang sama seperti di Soal 4 sekarang menganalisis apakah ada

perbedaan yang signifikan antara kemampuan matematika dari empat kota yang
berbeda (yaitu, A, B, C, dan D). Data ditampilkan di bawah. Bisakah
dikatakan bahwa sarana keempat kota ini berbeda secara signifikan? Gunakan
signifikansinya tingkat 1%.

> #problem_5
> City <- problem_5
> Huruf <- c(rep('A', 10), rep('B', 10), rep('C', 10), rep('D', 10))
> Angka <- c(City$`CITY A`, City$`CITY B`, City$`CITY C`, City$`CITY D`)
> df <- data.frame(Huruf, Angka)
> plot(City)
> City.aov <- aov(Angka ~ Huruf, data = df)
> summary(City.aov)
Df Sum Sq Mean Sq F value Pr(>F)
Huruf 3 3559 1186.5 43.01 5.44e-12 ***
Residuals 36 993 27.6
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
TUGAS 2 JAGAR ERWIN RIZNANDO TAMBUNAN
METODOLOGI PENELITIAN 23622029

6. Seorang peneliti bertujuan untuk mengukur hubungan antara pendapatan

bulanan orang tua dan anak-anak mereka (dalam Dolar AS). Secara khusus,
peneliti ingin memprediksi pendapatan dari anak, berdasarkan penghasilan
orang tuanya. Data tersebut ditunjukkan pada tabel di bawah ini. Tugas
Anda adalah sebagai berikut:
a. Hitung koefisien korelasi Pearson antara pendapatan bulanan orang tua
dan orang tua anak mereka.
b. Plot hubungan antara pendapatan bulanan orang tua dan anak-anak mereka.
c. Buat model regresi linier untuk memprediksi pendapatan bulanan anak-
anak, mengingat bulanan pendapatan orang tuanya. Tolong jelaskan
wawasan yang Anda peroleh dari model regresi linier.
d. Berdasarkan model regresi linier yang Anda buat, prediksi pendapatan
bulanan Jason (anak), jika orang tua Jason memperoleh penghasilan
bulanan sebesar 4500 USD.
TUGAS 2 JAGAR ERWIN RIZNANDO TAMBUNAN
METODOLOGI PENELITIAN 23622029

7. Seorang insinyur mekanik sedang merancang bahan pembantu baru (yaitu,

rasio Poisson negatif). Untuk itu Akhirnya, ia memvariasikan dua variabel
geometri (x dan y) dari bahan pembantu untuk mendapatkan serendah mungkin
rasio Poisson negatif. Insinyur melakukan percobaan dengan memvariasikan
secara acak x dan y dan kemudian mengukur rasio Poisson. Data tersebut
ditunjukkan pada Tabel di bawah ini. Berdasarkan data tersebut, tugas Anda
adalah sebagai berikut:
a. Buat model regresi linier untuk memprediksi rasio Poisson yang
diberikan x dan y berdasarkan data.
b. Apakah model regresi Anda cukup akurat? Kuantifikasi dan berikan
alasannya.
c. Insinyur sekarang ingin memprediksi rasio Poisson dari suatu material
dengan geometri berikut detail: x = 50 dan y = 80. Bantu dia
memprediksi rasio Poisson dari geometri tersebut.
d. Terakhir, berdasarkan data regresi linier, apa yang harus dilakukan
insinyur untuk meminimalkan Poisson perbandingan? Nilai minimum dan
maksimum yang diperbolehkan dari x masing-masing adalah 1 dan 85.
Sementara itu, nilai minimum dan maksimum yang diperbolehkan dari x
masing-masing adalah 1 dan 40.

> library(readxl)
> problem_7 <- read_excel("C:/Users/User/OneDrive - Institut Teknologi
Bandung/KULIAH/SEMESTER 1/METODOLOGI
PENELITIAN/THT_research_methodology_2022/problem_7.xlsx")
> View(problem_7)
> problem_7
# A tibble: 20 × 3
x y `Poisson's ratio`
<dbl> <dbl> <dbl>
1 2 23 -0.84
2 42 13 0.02
3 79 13 0.62
4 58 15 0.29
5 32 7 -0.04
6 47 25 0.08
7 46 15 0.21
8 41 3 0.11
9 12 11 -0.73
10 23 25 -0.39
11 40 4 0.2
12 11 19 -0.41
13 33 22 0.03
14 47 21 0.02
15 65 3 0.65
16 38 29 -0.1
17 54 13 0.34
18 61 17 0.39
19 15 3 -0.31
20 50 14 0.2

> x <- (problem_7$x)

> y <- (problem_7$y)
> Poissons_Ratio <- (problem_7$`Poisson's ratio`)
TUGAS 2 JAGAR ERWIN RIZNANDO TAMBUNAN
METODOLOGI PENELITIAN 23622029

> multireg <- lm(Poissons_Ratio~x+y, data=problem_7)

> summary(multireg)

Call:
lm(formula = Poissons_Ratio ~ x + y, data = problem_7)

Residuals:
Min 1Q Median 3Q Max
-0.260929 -0.054238 0.003654 0.052964 0.195835

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -0.605441 0.076627 -7.901 4.32e-07 *
x 0.018541 0.001253 14.802 3.82e-11 *
y -0.007829 0.003107 -2.519 0.0221 *
---
Signif. codes: 0 ‘*’ 0.001 ‘*’ 0.01 ‘’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 0.1067 on 17 degrees of freedom

Multiple R-squared: 0.9346, Adjusted R-squared: 0.9269
F-statistic: 121.5 on 2 and 17 DF, p-value: 8.52e-11

> predict(multireg, data.frame(x=50, y=80))

1
-0.3047167