Analisis Data Menggunakan Statistik**

**I. Pendahuluan**

1. Latar Belakang

2. Tujuan Penelitian

3. Rumusan Masalah

4. Metode Penelitian

**I. Latar Belakang**

Dalam era informasi saat ini, analisis data menjadi sangat penting dalam berbagai aspek kehidupan,
termasuk bisnis, ilmu sosial, ilmu alam, dan lain sebagainya. Statistik, sebagai ilmu yang terkait erat
dengan analisis data, memainkan peran penting dalam menganalisis, menggambarkan, dan memahami
data yang ada. Penggunaan statistik dalam analisis data membantu pengambilan keputusan yang lebih
baik, prediksi yang lebih akurat, dan pemahaman yang lebih mendalam tentang fenomena yang diamati.
Oleh karena itu, pemahaman yang mendalam tentang konsep statistik dan penggunaannya dalam
analisis data menjadi sangat penting.

**II. Tujuan Penelitian**

Tujuan dari penelitian ini adalah untuk memberikan pemahaman yang komprehensif tentang konsep-
konsep statistik dan penggunaannya dalam analisis data. Penelitian ini bertujuan untuk memberikan
wawasan yang mendalam tentang berbagai metode statistik yang dapat digunakan untuk
menggambarkan, menganalisis, dan menafsirkan data dari berbagai bidang. Dengan demikian,
penelitian ini bertujuan untuk memberikan panduan yang berguna bagi peneliti, profesional, dan
individu yang tertarik dalam menerapkan konsep statistik dalam analisis data mereka.

**III. Rumusan Masalah**

Dalam konteks penelitian ini, beberapa rumusan masalah yang relevan adalah:

- Bagaimana konsep-konsep dasar statistik dapat diterapkan dalam analisis data secara efektif?

- Apa saja metode-metode pengumpulan data yang dapat digunakan dalam penelitian statistik?

- Bagaimana cara menginterpretasikan hasil dari berbagai teknik analisis statistik, seperti analisis regresi,
analisis klaster, dan analisis variansi?
- Bagaimana penerapan konsep-konsep statistik dapat membantu dalam membuat keputusan yang lebih
baik dalam berbagai bidang, termasuk bisnis dan ilmu sosial?

**IV. Metode Penelitian**

Metode penelitian yang akan digunakan dalam penelitian ini meliputi tinjauan pustaka terhadap
literatur dan sumber daya yang relevan dalam domain statistik dan analisis data. Analisis data sekunder
dari studi kasus juga akan dilakukan untuk memberikan contoh konkret tentang penerapan konsep-
konsep statistik dalam analisis data nyata. Metode penelitian ini akan memungkinkan penyusunan
panduan yang komprehensif dan berguna bagi pembaca yang tertarik dengan statistik dan analisis data.

Dengan demikian, penelitian ini diharapkan dapat memberikan pemahaman yang lebih baik tentang
penggunaan statistik dalam analisis data dan memberikan wawasan yang mendalam bagi pembaca
untuk mengaplikasikan konsep-konsep statistik ini dalam konteks analisis data yang beragam.

**II. Pengenalan Konsep Statistik**

1. Pengertian Statistik

2. Jenis-jenis Statistik

3. Peran Statistik dalam Analisis Data

1. Pengertian Statistik:

Statistik adalah ilmu yang berkaitan dengan pengumpulan, analisis, interpretasi, presentasi, dan
pengorganisasian data. Tujuan utama statistik adalah untuk menyajikan data dalam bentuk yang dapat
dipahami dan memberikan pemahaman yang lebih baik tentang fenomena yang diamati. Statistik
digunakan dalam berbagai bidang seperti ilmu sosial, ilmu alam, bisnis, ekonomi, dan lain sebagainya.

2. Jenis-jenis Statistik:

a. Statistik Deskriptif: Jenis statistik ini mencakup metode-metode yang digunakan untuk
menggambarkan dan merangkum data dengan cara yang dapat dipahami. Ini mencakup penggunaan
ukuran pemusatan data (seperti rata-rata, median, dan modus) serta ukuran penyebaran data (seperti
jangkauan, simpangan baku, dan kuartil).

b. Statistik Inferensial: Statistik ini digunakan untuk membuat inferensi tentang populasi berdasarkan
sampel data yang dianalisis. Dengan menggunakan teknik-teknik seperti uji hipotesis, interval
kepercayaan, dan analisis regresi, statistik inferensial membantu dalam membuat generalisasi tentang
populasi berdasarkan data sampel yang terbatas.
 c. Statistik Biometrika: Ini adalah cabang statistik yang berfokus pada analisis data biologis dan medis.
Ini termasuk penggunaan teknik statistik untuk memahami dan menafsirkan data dalam bidang-bidang
seperti genetika, epidemiologi, dan ilmu biomedis lainnya.

d. Statistik Terapan: Statistik terapan melibatkan penerapan metode statistik dalam berbagai bidang,
termasuk bisnis, ekonomi, sains sosial, dan ilmu pemerintahan. Ini mencakup analisis data untuk
pengambilan keputusan, peramalan, analisis risiko, dan manajemen kualitas, di antara banyak aplikasi
lainnya.

3. Peran Statistik dalam Analisis Data:

a. Mengidentifikasi Pola dan Tren: Statistik membantu dalam mengidentifikasi pola dan tren dalam
data, yang dapat memberikan wawasan penting tentang fenomena yang diamati.

b. Pengambilan Keputusan yang Informasional: Analisis statistik memungkinkan pengambilan

keputusan yang lebih baik dengan memberikan pemahaman yang lebih mendalam tentang situasi atau
masalah yang sedang dihadapi.

c. Penyediaan Basis untuk Prediksi dan Peramalan: Statistik membantu dalam meramalkan tren masa
depan berdasarkan data historis, memungkinkan organisasi atau individu untuk membuat keputusan
yang lebih cerdas dan strategis.

d. Evaluasi Kebijakan dan Program: Dengan menggunakan metode statistik, kebijakan dan program
dapat dievaluasi secara objektif, memungkinkan identifikasi keberhasilan atau kegagalan suatu inisiatif.

e. Menyediakan Rangkaian Argumen yang Kuat: Statistik memberikan dasar yang kuat untuk
argumentasi dan pembuktian dalam berbagai bidang, seperti ilmu pengetahuan, bisnis, dan politik.

**III. Pengumpulan Data**

1. Metode Pengumpulan Data

2. Teknik Sampling

3. Pengolahan Data Primer

1. Metode Pengumpulan Data:

Metode pengumpulan data merujuk pada cara atau teknik yang digunakan untuk mengumpulkan
informasi atau data dari sumbernya. Beberapa metode pengumpulan data umum meliputi:

a. Survei: Mengumpulkan data melalui kuesioner, wawancara, atau pengamatan langsung.

b. Observasi: Mencatat data dengan mengamati perilaku atau kejadian secara langsung.

c. Studi Kasus: Mendapatkan informasi mendalam tentang kasus tertentu melalui pengumpulan data
dari berbagai sumber.
 d. Eksperimen: Mengumpulkan data dengan mengontrol variabel tertentu dalam lingkungan yang
terkendali.

2. Teknik Sampling:

Teknik sampling adalah proses memilih sampel dari populasi secara representatif agar hasil analisis
dapat dianggap mewakili seluruh populasi. Beberapa teknik sampling yang umum digunakan antara lain:

a. Sampel Acak Sederhana: Semua anggota populasi memiliki peluang yang sama untuk dipilih.

b. Sampel Sistematis: Sampel dipilih berdasarkan interval sistematis dari populasi.

c. Sampel Kluster: Populasi dibagi menjadi kelompok atau klaster, dan beberapa klaster dipilih secara
acak.

d. Sampel Stratifikasi: Populasi dibagi menjadi subgrup yang homogen, dan sampel diambil dari setiap
subgrup.

3. Pengolahan Data Primer:

Pengolahan data primer mencakup langkah-langkah untuk mempersiapkan data mentah sebelum
analisis statistik. Langkah-langkah ini termasuk:

a. Pembersihan Data: Mengidentifikasi dan memperbaiki kesalahan atau nilai yang hilang dalam data.

b. Pemilihan dan Penyaringan Data: Memilih data yang relevan untuk analisis dan menyaring data yang
tidak diperlukan.

c. Transformasi Data: Mengubah format atau skala data untuk memenuhi persyaratan analisis
tertentu.

d. Penggabungan Data: Menggabungkan data dari beberapa sumber untuk analisis yang lebih
komprehensif.

e. Pembuatan Variabel: Membuat variabel baru dari data yang ada, yang dapat memberikan wawasan
baru atau lebih dalam tentang fenomena yang diamati.

**IV. Deskripsi Data**

1. Pengertian Deskripsi Data

2. Ukuran Pemusatan Data

3. Ukuran Penyebaran Data

1. Pengertian Deskripsi Data:

Deskripsi data merujuk pada proses merangkum atau menggambarkan karakteristik data secara
statistik. Tujuannya adalah untuk menyajikan informasi yang ringkas namun bermakna tentang data
tersebut. Metode deskripsi data mencakup penggunaan tabel, grafik, ukuran pemusatan, dan ukuran
penyebaran untuk memberikan gambaran yang jelas tentang dataset yang diamati.

2. Ukuran Pemusatan Data:

Ukuran pemusatan data adalah statistik yang digunakan untuk menentukan pusat dari kumpulan data.
Beberapa ukuran pemusatan data yang umum digunakan meliputi:

a. Rata-rata (mean): Jumlah dari semua nilai dalam dataset, dibagi dengan jumlah total nilai.

b. Median: Nilai tengah dalam urutan data setelah diurutkan.

c. Modus: Nilai yang paling sering muncul dalam dataset.

3. Ukuran Penyebaran Data:

Ukuran penyebaran data mengukur sejauh mana data tersebar di sekitar nilai pusat atau ukuran
pemusatan. Beberapa ukuran penyebaran data yang umum digunakan antara lain:

a. Rentang (range): Selisih antara nilai maksimum dan minimum dalam dataset.

b. Simpangan baku (standard deviation): Pengukuran statistik dari seberapa jauh setiap nilai dalam
kumpulan data dari rata-rata.

c. Varians: Ukuran statistik yang menunjukkan seberapa jauh sekelompok angka tersebar di sekitar
rata-rata.

Ukuran pemusatan dan ukuran penyebaran data bekerja bersama-sama untuk memberikan gambaran
yang komprehensif tentang distribusi data, membantu dalam mengidentifikasi pola, tren, dan
karakteristik yang signifikan dalam kumpulan data.

**V. Distribusi Probabilitas**

1. Pengertian Distribusi Probabilitas

2. Distribusi Normal
3. Distribusi Binomial

1. Pengertian Distribusi Probabilitas:

Distribusi probabilitas adalah fungsi matematis yang memberikan kemungkinan munculnya setiap nilai
dalam ruang sampel acak. Ini membantu dalam memahami dan memodelkan variabilitas dalam data
acak dan digunakan untuk memprediksi hasil di bawah ketidakpastian.

2. Distribusi Normal:

Distribusi normal, juga dikenal sebagai distribusi Gauss, adalah salah satu distribusi probabilitas yang
paling penting dalam statistik. Distribusi normal sering digunakan untuk menganalisis data dalam
berbagai bidang karena banyak fenomena alami dan sosial cenderung mengikuti pola distribusi normal.
Distribusi ini ditandai dengan kurva lonceng simetris yang terdefinisi oleh dua parameter, yaitu mean
(rata-rata) dan standar deviasi.

3. Distribusi Binomial:

Distribusi binomial adalah distribusi probabilitas diskret yang menggambarkan jumlah keberhasilan
dalam serangkaian uji coba atau percobaan independen yang memiliki dua hasil mutlak, yaitu sukses
atau gagal. Distribusi binomial berguna dalam situasi di mana terdapat dua hasil yang saling eksklusif
dan probabilitasnya konstan di setiap percobaan, seperti dalam eksperimen koin dilempar atau uji coba
produk yang cacat atau tidak cacat.

Distribusi probabilitas, termasuk distribusi normal dan distribusi binomial, merupakan alat penting
dalam analisis statistik yang membantu dalam memahami pola, tren, dan variabilitas dalam data, serta
dalam membuat prediksi yang berhubungan dengan hasil acak.

**VI. Parameter Estimasi dan Uji Hipotesis**

1. Estimasi Parameter

2. Uji Hipotesis Satu Sampel

3. Uji Hipotesis Dua Sampel

1. Estimasi Parameter:

Estimasi parameter adalah proses menghitung atau memperkirakan parameter populasi berdasarkan
informasi dari sampel. Ini melibatkan penggunaan statistik inferensial untuk membuat perkiraan atau
estimasi yang dapat diandalkan tentang parameter populasi berdasarkan data sampel yang terbatas.
Contoh teknik estimasi parameter termasuk estimasi titik dan interval kepercayaan.

2. Uji Hipotesis Satu Sampel:

Uji hipotesis satu sampel adalah prosedur statistik yang digunakan untuk menguji klaim tentang
parameter populasi berdasarkan data dari satu sampel. Tujuan dari uji hipotesis ini adalah untuk
menentukan apakah bukti yang ditemukan dalam sampel mendukung atau menolak klaim yang dibuat
tentang parameter populasi. Contoh uji hipotesis satu sampel termasuk uji t tentang rata-rata populasi
dan uji Z tentang proporsi populasi.

3. Uji Hipotesis Dua Sampel:

Uji hipotesis dua sampel adalah prosedur statistik yang digunakan untuk membandingkan dua
kelompok atau sampel yang independen dari populasi yang berbeda. Tujuannya adalah untuk
menentukan apakah terdapat perbedaan yang signifikan antara dua kelompok tersebut dalam hal
parameter tertentu. Contoh uji hipotesis dua sampel termasuk uji t dua sampel independen untuk
perbedaan rata-rata dan uji Z dua proporsi untuk perbedaan proporsi antara dua kelompok.

Estimasi parameter, uji hipotesis satu sampel, dan uji hipotesis dua sampel merupakan konsep penting
dalam statistik inferensial yang digunakan untuk membuat kesimpulan tentang populasi berdasarkan
data sampel yang tersedia. Ini memungkinkan para peneliti untuk menguji hipotesis, membuat perkiraan
yang akurat, dan membuat generalisasi yang lebih luas tentang fenomena yang diamati.

**VII. Analisis Regresi dan Korelasi**

1. Pengertian Analisis Regresi

2. Analisis Korelasi

3. Interpretasi Hasil Analisis Regresi

1. Pengertian Analisis Regresi:

Analisis regresi adalah metode statistik yang digunakan untuk memahami hubungan antara satu atau
lebih variabel independen (variabel prediktor) dan satu variabel dependen (variabel respons) serta
untuk memprediksi nilai variabel dependen berdasarkan nilai variabel independen. Analisis regresi
sering digunakan untuk memahami bagaimana perubahan dalam satu variabel berkaitan dengan
perubahan dalam variabel lain dalam suatu model.

2. Analisis Korelasi:
 Analisis korelasi digunakan untuk mengevaluasi kekuatan dan arah hubungan antara dua variabel. Ini
membantu untuk menentukan apakah ada hubungan linier antara variabel-variabel tersebut. Koefisien
korelasi mengukur tingkat hubungan antara dua variabel dan dapat berkisar dari -1 hingga 1, dengan
nilai positif menunjukkan hubungan positif, nilai negatif menunjukkan hubungan negatif, dan nilai 0
menunjukkan tidak adanya hubungan.

3. Interpretasi Hasil Analisis Regresi:

Interpretasi hasil analisis regresi melibatkan pemahaman koefisien regresi, nilai R-squared, dan nilai
signifikansi statistik untuk menentukan apakah hubungan antara variabel independen dan dependen
signifikan. Beberapa poin penting dalam interpretasi hasil analisis regresi meliputi:

a. Koefisien regresi: Menunjukkan arah dan kekuatan hubungan antara variabel independen dan
variabel dependen.

b. Nilai R-squared: Mengindikasikan seberapa baik model regresi cocok dengan data observasional.

c. Nilai signifikansi: Menunjukkan apakah hubungan antara variabel independen dan dependen adalah
hasil kebetulan atau nyata secara statistik.

Interpretasi hasil analisis regresi penting untuk mengambil keputusan yang tepat dan menyimpulkan
apakah hubungan antara variabel independen dan dependen adalah signifikan, serta seberapa baik
model regresi dapat menjelaskan variasi dalam data.

**VIII. Analisis Variansi (ANOVA)**

1. Pengertian Analisis Variansi

2. ANOVA Satu Arah

3. ANOVA Dua Arah

1. Pengertian Analisis Variansi:

Analisis variansi (ANOVA) adalah metode statistik yang digunakan untuk membandingkan rata-rata
dari tiga atau lebih kelompok yang berbeda untuk menentukan apakah ada perbedaan yang signifikan di
antara mereka. Ini membantu dalam mengevaluasi apakah perbedaan antara rata-rata kelompok adalah
hasil dari faktor-faktor acak atau faktor-faktor yang sebenarnya signifikan.

2. ANOVA Satu Arah:

ANOVA satu arah adalah jenis uji statistik yang digunakan untuk membandingkan rata-rata dari tiga
atau lebih kelompok yang berbeda dalam satu variabel independen. Ini memungkinkan kita untuk
menentukan apakah ada perbedaan signifikan antara rata-rata kelompok dan memahami apakah
perbedaan itu bukan hanya hasil kebetulan. Uji ANOVA satu arah menghasilkan nilai F-ratio untuk
mengevaluasi signifikansi perbedaan antara rata-rata kelompok.

3. ANOVA Dua Arah:

ANOVA dua arah adalah metode statistik yang digunakan untuk menganalisis pengaruh dua faktor atau
lebih terhadap variabel dependen. Ini memungkinkan untuk mengevaluasi apakah ada interaksi antara
dua faktor tersebut terhadap variabel dependen. ANOVA dua arah memberikan informasi tentang
apakah terdapat perbedaan yang signifikan antara kelompok-kelompok yang terbentuk oleh kombinasi
dari dua faktor.

Metode ANOVA adalah alat penting dalam statistik inferensial yang digunakan untuk memahami
perbedaan dan hubungan antara kelompok-kelompok dalam kumpulan data. Dengan memahami
perbedaan ini, kita dapat membuat kesimpulan yang lebih akurat tentang faktor-faktor yang
mempengaruhi hasil atau variabel yang diamati.

**IX. Uji Nonparametrik**

1. Uji Wilcoxon

2. Uji Mann-Whitney

3. Uji Kruskal-Wallis

1. Uji Wilcoxon:

Uji Wilcoxon adalah metode statistik nonparametrik yang digunakan untuk menguji apakah terdapat
perbedaan yang signifikan antara dua sampel yang berasal dari populasi yang sama. Uji ini sering
digunakan ketika data tidak memenuhi asumsi untuk uji t-parametrik, seperti asumsi distribusi normal
atau homogenitas varians. Uji Wilcoxon sering digunakan pada kasus di mana data berpasangan, seperti
pada desain sebelum-dan-sesudah atau pasangan terkait.

2. Uji Mann-Whitney:

Uji Mann-Whitney adalah metode statistik nonparametrik yang digunakan untuk menguji apakah
terdapat perbedaan yang signifikan antara dua sampel independen. Uji ini sering digunakan ketika data
tidak memenuhi asumsi untuk uji t-parametrik, seperti asumsi distribusi normal atau homogenitas
varians. Uji Mann-Whitney membandingkan peringkat relatif dari data dari dua kelompok yang berbeda.

3. Uji Kruskal-Wallis:
 Uji Kruskal-Wallis adalah metode statistik nonparametrik yang digunakan untuk menguji perbedaan
signifikan antara tiga atau lebih kelompok yang independen. Uji ini merupakan perluasan dari uji Mann-
Whitney untuk lebih dari dua kelompok. Uji Kruskal-Wallis membandingkan peringkat relatif dari data
dari beberapa kelompok yang berbeda dan digunakan ketika asumsi normalitas dan homogenitas
varians tidak terpenuhi.

Ketiga uji tersebut merupakan alternatif yang berguna dalam analisis statistik ketika asumsi dari metode
parametrik tidak terpenuhi. Mereka memungkinkan analisis data yang dapat diandalkan tanpa harus
memenuhi asumsi tertentu tentang distribusi data.

**X. Analisis Multivariat**

1. Pengertian Analisis Multivariat

2. Analisis Komponen Utama

3. Analisis Klaster

1. Pengertian Analisis Multivariat:

Analisis multivariat adalah pendekatan statistik yang melibatkan pengamatan dan analisis terhadap
beberapa variabel secara bersamaan. Tujuannya adalah untuk memahami hubungan kompleks antara
variabel-variabel tersebut dan mengidentifikasi pola atau struktur tersembunyi dalam dataset yang
kompleks. Analisis multivariat mencakup teknik-teknik seperti analisis faktor, analisis komponen utama,
analisis klaster, dan analisis diskriminan, yang membantu dalam pemodelan dan pemahaman data yang
lebih kompleks.

2. Analisis Komponen Utama:

Analisis Komponen Utama (Principal Component Analysis/PCA) adalah metode statistik yang
digunakan untuk mengidentifikasi pola dalam kumpulan data yang kompleks. Tujuan utama PCA adalah
untuk mengurangi dimensi dari dataset yang besar sambil mempertahankan informasi utama. Ini
dilakukan dengan mengubah variabel-variabel awal menjadi kombinasi linear baru yang disebut
komponen utama, di mana setiap komponen utama saling bebas dan mengandung sebanyak mungkin
variasi dalam dataset.

3. Analisis Klaster:

Analisis klaster adalah teknik statistik yang digunakan untuk mengelompokkan data menjadi
kelompok-kelompok yang homogen berdasarkan kesamaan antara observasi-observasi tertentu.
Tujuannya adalah untuk mengidentifikasi pola atau struktur dalam dataset yang kompleks dan
memungkinkan pengelompokan data yang serupa ke dalam kelompok yang sama. Metode ini
membantu dalam mengidentifikasi kategori atau segmen yang berbeda dalam data, memungkinkan
pemahaman yang lebih baik tentang karakteristik dan hubungan di antara kelompok-kelompok tersebut.

Analisis multivariat, termasuk analisis komponen utama dan analisis klaster, membantu dalam
memahami hubungan kompleks antara variabel-variabel dalam dataset yang besar. Ini memungkinkan
peneliti untuk mengidentifikasi pola tersembunyi, memahami struktur dalam data, dan membuat
kesimpulan yang lebih komprehensif tentang hubungan antara variabel-variabel yang diamati.

**XI. Kesimpulan dan Saran**

1. Kesimpulan

2. Saran

**V. Saran**

Dalam penelitian ini, kami menyarankan agar pembaca melakukan eksplorasi lebih lanjut terkait dengan
topik-topik yang disajikan. Dengan terus memperdalam pemahaman tentang konsep-konsep statistik,
pembaca akan mampu mengembangkan keterampilan analitis yang lebih canggih dan dapat
mengaplikasikan pengetahuan ini dalam konteks praktis. Selain itu, kami mendorong pembaca untuk
terus memperbarui pengetahuan mereka mengenai perkembangan terbaru dalam bidang statistik,
mengingat alam yang terus berkembang dari analisis data dalam berbagai industri.

**VI. Kesimpulan**

Dalam era informasi dan teknologi saat ini, penerapan statistik dalam analisis data menjadi semakin
penting. Dari pengumpulan data hingga interpretasi hasil analisis, konsep-konsep statistik memberikan
kerangka kerja yang kuat untuk pemahaman yang mendalam tentang data yang ada. Melalui penelitian
ini, kami telah menyajikan berbagai konsep dasar statistik, teknik analisis, dan interpretasi hasil yang
penting untuk memahami data secara lebih komprehensif. Dengan pemahaman yang kuat tentang
statistik, pembaca diharapkan dapat membuat keputusan yang lebih cerdas, prediksi yang lebih akurat,
dan menyajikan informasi yang lebih efektif dalam berbagai konteks analisis data.

**Daftar Pustaka**

1. Agresti, A., & Franklin, C. (2018). *Statistics: The Art and Science of Learning from Data*. Pearson.
2. Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). *Multivariate Data Analysis*. Cengage
Learning.

3. Montgomery, D. C., Peck, E. A., & Vining, G. G. (2012). *Introduction to Linear Regression Analysis*.
John Wiley & Sons.

4. Rosner, B. (2015). *Fundamentals of Biostatistics*. Cengage Learning.

5. Tabachnick, B. G., & Fidell, L. S. (2013). *Using Multivariate Statistics*. Pearson.

Dengan mengacu pada sumber-sumber di atas, penelitian ini telah disusun dengan memperhatikan
panduan dan pengetahuan dari berbagai pakar dan penulis terkemuka dalam bidang statistik. Referensi
ini dapat menjadi sumber yang berguna bagi pembaca yang ingin menjelajahi topik lebih lanjut dalam
analisis data dan statistik.