5. Operasi dan pemeliharaan Tahap ini merupakan tahap akhir dari keseluruhan proses pembangunan sistem suatu perangkat lunak. Perangkat lunak yang telah selesai dalam pembuatannya kemudian mulai dijalankan ke pengguna yang sesuai dengan ruang lingkup dari perangkat lunak tersebut. Pemeliharaan bertujuan menjaga agar perangkat lunak selalu berjalan dengan baik dan memperbaiki kesalahan yang muncul setelah perangkat lunak sudah sampai ke tangan pengguna. Pada tahap ini keseluruhan dokumentasi dari sistem juga dilakukan, mulai dari cara kerja perangkat lunak sampai kebutuhan dan penjelasan perangkat lunak. HASIL DAN PEMBAHASAN Kebutuhan Sistem Analisis deret waktu merupakan salah satu analisis statistika yang banyak digunakan terutama dalam bidang ekonomi, sehingga diperlukan pengembangan untuk mendapatkan perangkat lunak statistika untuk analisis deret waktu yang memiliki tampilan antarmuka yang mudah digunakan. Paket R yang dikembangkan diberi nama Pradewa yang menyediakan tampilan antarmuka pengguna bagi praktisi. Pradewa juga menyediakan fungsi statistika dasar yang meliputi statistika deskriptif dan statistika grafik. Statistika deskriptif sendiri meliputi fungsi: Jumlah amatan (N) Nilai minimum (Min) Nilai maksimum (Max) Kuartil pertama (Q1) Median (Q2) Kuartil ketiga (Q3) Rataan Ragam Simpangan baku Galat baku Koefisien keragaman Rataan terpangkas Jangkauan Kemenjuluran Kurtosis Frekuensi Statistika grafik meliputi Histogram Boxplot Diagram batang Diagram kue
sedangkan untuk analisis deret waktu sendiri meliputi: Plot deret waktu Plot ACF Plot PACF Pembedaan Rataan bergerak tunggal Pemulusan eksponensial tunggal Pemulusan eksponensial ganda Metode pemulusan winter untuk data musiman ARIMA Kebutuhan dasar lain yang harus tersedia untuk menjalankan Pradewa adalah beberapa paket lain seperti tcltk, tkrplot, tseries, dan xlsReadWrite. Paket tcltk digunakan untuk membuat tampilan antarmuka pengguna. Paket tkrplot digunakan untuk membuat tampilan antarmuka untuk grafik. Paket xlsReadWrite digunakan untuk mengimpor dan mengekspor data dari dan ke file Excel 2003. Paket tseries berguna untuk pengujian sisaan pada model yaitu uji runtunan. Analisis Perancangan Sistem Tahap awal perancangan sistem ialah dengan pembuatan diagram aliran data. Diagram aliran data ialah alat perancangan sistem yang berorientasi pada alur data dengan konsep dekomposisi dapat digunakan untuk penggambaran analisis maupun rancangan sistem yg mudah dikomunikasikan oleh profesional sistem kepada pemakai maupun pembuat program. Diagram aliran data dibuat mulai dari level yang paling rendah sampai dengan level terakhir sampai tidak bisa didekomposisi lagi. a. Diagram alir data level 0 (Lampiran 1) Pradewa memungkinkan pengguna memasukkan data ke sistem dan menerima hasil pengolahan data tersebut yang ditampilkan ke monitor, disimpan dalam bentuk file, dan dicetak. b. Diagram alir data level 1 (Lampiran 2) Diagram Aliran Data Level 1 merupakan diagram aliran data secara keseluruhan dari empat karya ilmiah lainnya yang merupakan satu-kesatuan. Proses yang ada dalam Pradewa hanya menjalankan statistika dasar (proses 2), statistika grafik (proses 3), dan analisis deret waktu (proses 6). Ketiga proses utama dalam Pradewa dimulai dari pengguna yang memasukkan data. Kemudian terdapat proses manajemen data sebelum masuk ke fungsi
statistika dasar, statistika grafik, dan analisis deret waktu yang kemudian ke fungsi cetak output. c. Diagram alir data level 2 Proses statistika dasar didekomposisi lagi menjadi proses yang lebih rinci pada diagram aliran data level 2 yang dapat dilihat pada Lampiran 3, yaitu proses menghitung rataan, galat baku, simpangan baku, ragam, koefisien keragaman, rataan terpangkas, nilai minimum, nilai maksimum, jangkauan, kuartil pertama, median, kuartil ketiga, kurtosis, kemenjulran, banyak amatan, dan frekuensi. Statistika grafik didekomposisi juga menjadi histogram, boxplot, dotchart, piechart, dan barplot seperti dapat dilihat pada Lampiran 4. Pada Lampiran 5 dapat dilihat bahwa proses analisis deret waktu didekomposisi lagi menjadi proses pembedaan, rataan bergerak, pemulusan eksponensial tunggal, pemulusan eksponensial ganda, metode Winter’s untuk data musiman, dan ARIMA. d. Diagram alir data level 3 Proses hitung ARIMA didekomposisi menjadi beberapa proses pada Lampiran 6 yaitu: pemodelan ARIMA, hitung sisaan, dan uji asumsi. Data yang masuk dalam pemodelan ARIMA selanjutnya akan dihitung sisaannya, selanjutnya sisaan akan masuk ke proses uji asumsi. Uji asumsi kenormalan dihitung menggunakan uji Shapiro-Wilk, sedangkan uji kebebasan sisaan menggunakan pendekatan uji Runtunan yang dapat dilihat pada Lampiran 7. Implementasi Sistem Implementasi sistem menggunakan perangkat lunak R dan paket tcltk untuk tampilan antar muka. Selain itu, dibutuhkan juga paket tambahan lainnya yang mendukung (tseries, dan xlsReadWrite). Pradewa (Paket R Anlisis Deret Waktu) tersusun oleh pilihan menu di bagian atas dan jendela hasil di bawah menu untuk menampilkan output. Menu Pradewa terdiri dari empat menu utama yaitu Menu File, Menu Data, Menu Statistika, dan Menu Bantuan. Tampilan awal Pradewa dapat dilihat pada Lampiran 8. Menu File Menu File terdiri dari dua fungsi utama yaitu: 1. Fungsi “Simpan Hasil” untuk menyimpan hasil perhitungan
2. Fungsi “Keluar” untuk keluar dari Pradewa. Fungsi “Simpan Hasil” menyimpan hasil yang terdapat pada jendela hasil dalam bentuk teks dengan ekstensi *.txt. Selain itu, hasil dapat juga disimpan dengan ekstensi *.doc atau *.docx. Menu Data Menu data merupakan menu untuk memasukkan dan mencetak data. Fungsifungsi dalam Pradewa akan berjalan jika data sudah dimasukkan baik melalui input manual atau impor data. Menu ini terdiri dari lima fungsi, yaitu: 1. Buat Dataset Baru Fungsi ini digunakan untuk memasukan data ke dalam sistem secara manual. Data akan tersimpan dalam dataframe baru yang diberi nama “Data”. Pradewa hanya mampu menggunakan satu dataset aktif. 2. Impor Dataset Fungsi ini digunakan untuk mengimpor data dengan format *.xls (Ms. Excel 2003). File Ms. Excel 2003 yang akan diimpor telah berisi data pada Sheet1 dengan format nama peubah berada di baris pertama diikuti dengan data di baris berikutnya. 3. Impor CSV Fungsi ini digunakan untuk mengimpor data dengan format *.csv. 4. Ekspor Dataset Fungsi ini digunakan untuk mengekspor data dengan format *.xls (Ms. Excel 2003). 5. Ekspor CSV Fungsi ini digunakan untuk mengekspor data dengan format *.csv. 6. Lihat Dataset Fungsi ini digunakan untuk melihat data yang sudah dimasukkan baik melalui input manual atau impor data pada jendela baru. 7. Cetak Dataset Fungsi ini digunakan untuk mencetak data yang tersimpan pada jendela hasil. 8. Edit Dataset Fungsi ini digunakan untuk mengedit data yang sudah dimasukkan ke sistem atau menambahkan data pada dataset. Menu Statistika Menu Statistika ialah menu utama dalam Pradewa yang berisi perhitungan-perhitungan Statistika. Menu ini terdiri dari dua submenu yaitu menu Statistika Dasar dan menu Analisis Deret Waktu.
A. Statistika Dasar Submenu Statistika Dasar terdiri dari dua fungsi yaitu: 1. Statistik Deskriptif Numerik Fungsi ini digunakan untuk menghitung besarnya nilai statistik deskriptif numerik dan statistik grafik. Hasil keluaran untuk statistik deskriptif akan muncul pada jendela hasil. Tampilan untuk fungsi ini dapat dilihat pada Lampiran 9. Sintaks R yang digunakan pada perhitungan pada statistik deskriptif numerik adalah : Rataan: Mean(x)
Galat baku: seofmean<-function(x) { w<-var(x) a<-length(x) e<-w/a se<-sqrt(e) out<-list(galat.baku=se) return(out) }
Simpangan baku: sd(x)
Ragam: var(x)
Koefisien keragaman: coef<-function (x) { ra<-mean(x) stn<-sd(x) res<-stn/ra f
Rataan terpangkas: Mean (x,trim=0.05)
Nilai minimum: min(x)
Nilai maksimum: max(x) Jangkauan: rangef<-function(x) { maxi<-which.max(x) mini<-which.min(x) hsl<-maxi-mini return(h) }
Kuartil pertama: quantile(x, probs=0.25)
Median: quantile(x, probs=0.5)
Kuartil ketiga: quantile(x, probs=0.75)
Kemenjuluran: skw<-function(x){ w<-length(x) w1<-w-1 w2<-w-2 a<-sd(x) b<-mean(x) k=0
for(i in 1:w) {j<-((x[i]-mean(x))/sd(x))^3 k=k+j } r1<-w1*w2 r2<-w/r1 hsl<-r2*j return(skewf) }
Jumlah amatan: length(x)
Kurtosis: kurt<-function(x) { p<-length(x) p1<-length(x)+1 p2<-length(x)-1 p3<-length(x)-2 p4<-length(x)-3 k=0 for(i in 1:p) {j<-((x[i]-mean(x))/sd(x))^4 k=k+j } a<-p*p1 a1<-p2*p3*p4 s<-a/a1 a3<-p2^2 a4<-3*a3 a5<-p3*p4 l<-a4/a5 an<-(s*k)-l return(kur) }
Sedangkan untuk statistik grafik sintaks R yang digunakan adalah: Histogram: Hist(x)
Histogram persen):
(skala
pengukuran
dalam
Hist(x,scale=”percent”)
Histogram peluang)
(skala
pengukuran
dalam
Hist(x,scale=”density”)
Boxplot boxplot(x)
Piechart pie(x)
Barplot barplot(x)
2. Statistik Deskriptif Kategorik Fungsi ini untuk menghitung banyaknya frekuensi amatan dari suatu peubah. Tampilan untuk fungsi ini dapat dilihat pada Lampiran 10. Sintaks R yang digunakan adalah: table(x)
B. Analisis Deret Waktu Submenu analisis deret waktu memiliki tiga fungsi yang keluarannya berupa plot, yaitu plot deret waktu, plot ACF, dan plot PACF. Fungsi lainnya selain menghasilkan
keluaran dalam bentuk plot, juga menghasilkan keluaran analisis dalam jendela hasil Pradewa. Fungsi-fungsi yang terdapat pada submenu analisis deret waktu adalah: 1. Plot deret waktu Fungsi ini mengeluarkan plot deret waktu dari peubah yang dimasukkan, tampilan untuk fungsi ini dapat dilihat pada Lampiran 11. Sintaks R untuk fungsi ini adalah: ts.plot(x)
2. Plot ACF Fungsi ini mengeluarkan plot ACF dari peubah yang dimasukkan, tampilan untuk fungsi ini dapat dilihat pada Lampiran 12. Sintaks R untuk fungsi ini adalah: acf(x)
3. Plot PACF Fungsi ini megeluarkan plot PACF dari peubah yang dipilih, tampilan dari fungsi ini dapat dilihat pada Lampiran 13. Sintaks R yang digunakan untuk fungsi ini adalah: pacf(x)
4. Pembedaan Fungsi ini mengeluarkan hasil pembedaan yang akan muncul pada dataset, pada fungsi ini juga langsung dikeluarkan plot deret waktu untuk hasil pembedaan. Tampilan untuk fungsi ini tersaji pada Lampiran 14, sedangkan sintaks r yang digunakan untuk fungsi ini: diff(x,lag=var1)
5. Rataan Bergerak Tunggal Fungsi rataan bergerak tunggal mengeluarkan hasil pemulusan rataan bergerak pada jendela hasil Pradewa dan menghasilkan plot antara data awal dan rataan bergerak tunggal. Tampilan fungsi ini dapat dilihat pada Lampiran 15. Sintaks R untuk fungsi ini adalah: mo<-function(input,x){ l1<-length(input) l2<-l1-x+1 b<-0 as.vector(b) k=1 for(i in 1:l2) { a=0 v<-k+x-1 for(j in k:v) { a=input[j]+a } k=k+1 b[i]=a/x assign("b",b,envir=.GlobalEnv) } moving<-list (rataan_bergerak=b) assign ("moving",
moving,envir=.GlobalEnv) return(moving) }
6. Pemulusan Eksponensial tunggal Fungsi pemulusan eksponensial tunggal menghasilkan plot pemulusan serta parameter pemulusan pada jendela Pradewa. Parameter pemulusan juga dapat diduga melelui fungsi ini tanpa harus ada parameter pemulusan masukkan. Pengguna dapat memperoleh pendugaan parameter pemulusan dengan cara mengosongi masukkan parameter pemulusan. Fungsi ini juga dapat menghasilkan ramalan amatan bagi peubah masukkan. Peubah masukkan harus beratribut class ts. Tampilan untuk fungsi ini dapat dilihat pada Lampiran 16, dan sintaks R untuk fungsi ini adalah: HoltWinters (x1,alpha=var1, beta=0,gamma = 0)
untuk ramalan: Winters.fnc<-HoltWinters (x1,alpha=var1, beta=0,gamma = 0) predict (Winters.fnc, n.ahead=var3)
7. Pemulusan Eksponensial Ganda Pemulusan eksponensial ganda memiliki keluaran serta kebutuhan yang sama dengan pemulusan eksponensial tunggal, dimana data harus memiliki class ts dan pendugaan parameter dapat dilakukan dengan mengosongi masukkan parameter pemulusan. Tampilan untuk fungsi ini dapat dilihat pada Lampiran 17, sedangkan sintaks R untuk fungsi ini: HoltWinters (x1,alpha=var1, beta=var2,gamma = 0)
untuk ramalan: Winters.fnc
8. Metode Winter’s untuk Data Musiman Fungsi ini juga memiliki kebutuhan dan keluaran yang sama seperti pemulusan eksponensial tunggal maupun ganda, tetapi tipe data membutuhkan informasi panjang musiman. Tampilan untuk fungsi metode Winter’s dapat dilihat pada lampiran 18. Sintaks R untuk metode Winter’s adalah: untuk data musiman yang aditif: HoltWinters(x1, alpha = var1,beta = var2, gamma=var3,
seasonal=”additive”)
untuk data musiman yang multiplikatif: HoltWinters (x1,alpha = var1, beta = var2, gamma =var3,seasonal= ”multiplicative”)
untuk ramalan: Winters.fnc
atau Winters.fnc
9. ARIMA Fungsi ini digunakan untuk pemodelan ARIMA pada peubah masukkan. Keluaran yang dihasilkan pada jendela hasil Pradewa adalah plot pemodelan ARIMA (plot antara dugaan pemodelan dengan data masukkan), sisaan, nilai duga, plotplot sisaan (histogram sisaan, plot kenormalan, plot sisaan dengan dugaan respons, dan plot sisaan dengan urutan waktu), nilai ramalan, uji kenormalan sisaan Shapiro-Wilk, uji Runtunan untuk kebebasan sisaan dan hasil analisis pendugaan parameter ARIMA. Tampilan untuk fungsi ini sendiri dapat dilihat pada Lampiran 19 Sintaks R untuk pemodelan dengan menyertakan intersep: arima(x1,order=c(var1,var2, var3), include.mean=TRUE)
sisaan(model dengan intersep): residuals(arima(x1,order= c(var1,var2,var3),include.mean =TRUE))
nilai duga (model dengan intersep) sisa<-residuals(arima(x1, order = c(var1,var2,var3), include.mean= TRUE)) duga<-sisa+var1
Uji Shapiro-Wilk shapiro.test(sisa)
Uji Runtunan Runs.test(sisa)
Sintaks R untuk pemodelan dengan tidak menyertakan intersep: arima(x1,order=c(var1, var2,var3),include.mean= FALSE)
sisaan(model dengan intersep): residuals(arima(x1,order =c(var1,var2,var3),
include.mean=FALSE))
nilai duga (model dengan intersep) sisa<-residuals (arima(x1,order=c(var1, var2,var3),include.mean =FALSE)) duga<-sisa+var1
Uji Shapiro-Wilk shapiro.test(sisa)
Uji Runtunan Runs.test(sisa)
Menu Bantuan Menu ini digunakan untuk memberikan informasi terhadap penggunaan Pradewa. Menu ini terdiri dari dua fungsi yaitu: 1. Bantuan Pradewa Fungsi ini berisi tentang dokumentasi penggunaan Pradewa. 2. Tentang Pradewa Fungsi ini berisi informasi tentang versi Pradewa dan pengembang Pradewa. Pengujian Pengujian Pradewa dilakukan mulai dari implementasi fungsi-fungsi Pradewa hingga pengujian Pradewa secara menyeluruh. Data yang digunakan dalam pengujian ialah data deret waktu yaitu data amatan hormon lh yang diamati setiap 10 menit, yang berasal dari data contoh di paket dataset. Hasil pengujian dengan membandingkan Pradewa dengan perangkat lunak lain adalah: Perbandingan hasil statistik deskriptif antara Pradewa dan perangkat lunak lain, dalam hal ini SAS, Minitab, dan SPSS seperti dapat dilihat pada Lampiran 20 sudah menunjukkan hasil perhitungan yang sama antara Prdewa dan perangkat lunak lain. Perbedaan nilai penghitungan kuartil ketiga antara Pradewa dengan Minitab dan SPSS karena Minitab dan SPSS menggunakan pendekatan interpolasi, sedangkan R menggunakan pendekatan pembagian urutan data untuk mencari kuartil. Fungsi rataan bergerak dibandingkan dengan Minitab dengan panjang rataan bergerak 3, hasil perbandingan fungsi rataan bergerak dapat dilihat pada Lampiran 21. Hasil perbandingan rataan bergerak sudah menunjukkan hasil penghitungan yang sama. Data yang digunakan untuk fungsi rataan bergerak tunggal menggunakan data inflasi tahun 2007. Hasil perbandingan fungsi pemulusan eksponensial antara Pradewa dan Minitab dapat dilihat pada Lampiran 22, yang
menunjukkan hasil yang berbeda. Hal ini disebabkan pendekatan penghitungan nilai awal pada proses pemulusan yang berbeda, dimana Minitab menggunakan pendekatan regresi (Montgomery et al. 1990). Data yang digunakan untuk fungsi pemulusan eksponensial tunggal adalah data inflasi tahun 2007, sedangkan data untuk fungsi eksponensial ganda adalah data inflasi tahun 2008. Metode Winter’s menggunakan data contoh dari Minitab untuk data musiman yaitu data pekerja di berbagai bidang industri. Perbandingan hasil fungsi ARIMA pada Lampiran 23 menunjukkan perbedaan tanda koefisien MA pada SAS dan Pradewa. Perbedaan tanda koefisien ini disebabkan model proses rataan bergerak yang berbeda pada SAS dan R, dimana model proses rataan bergerak berordo q untuk SAS: Zt = at - 1at-1 - 2at-2 - .....- qat-q sedangkan model Proses rataan bergerak berordo q untuk R: Zt = at + 1at-1 + 2at-2 + .....+ qat-q Perbandingan hasil untuk uji asumsi dapat dilihat pada Lampiran 24, dimana penghitungan hasil statistik uji sudah sama antara Pradewa dengan perangkat lunak yang lainnya. Pengujian dilakukan dengan membandingkan hasil Pradewa dengan hasil perangkat lunak lainnya seperti Minitab, SPSS, dan SAS. Dari hasil pengujian, Pradewa telah mampu menghasilkan hasil yang sesuai untuk perhitungan-perhitungan statistik yang dibuat. Studi Kasus Pengujian paket hasil pengembangan diilustrasikan menggunakan data asli. Data yang digunakan pada ilustrasi adalah data suku bunga Bank Indonesia (BI rate) tertanggal 9 Januari 2006 sampai 4 November 2009. Berikut pengunaan Pradewa untuk pemodelan ARIMA pada suku bunga Bank Indonesia: 1. Eksplorasi data suku bunga BI melalui plot deret waktu untuk melihat kestasioneran data, plot deret waktu ini dapat dilihat pada Gambar 1. Plot deret waktu untuk data suku bunga BI menunjukkan suku bunga BI tidak stasioner rataan, karena tidak berfluktuasi di sekitar nilai rataan. Oleh karena itu perlu dilakukan pembedaan, plot deret waktu untuk operasi ini dapat dilihat pada Gambar 2. Setelah
dilakukan pembedaan dapat dilihat bahwa data suku bunga BI sudah stasioner. 2. Pemeriksaan kandidat model melalui plot ACF dan PACF data yang sudah dilakukan pembedaan. Plot ACF dapat dilihat pada gambar 3 yang menunjukkan ACF berbentuk tail-off. sedangkan PACF (Gambar 4) cut-off pada lag 1. Kandidat model untuk suku bunga BI: ARI (1,1) ARI (2,1) AR (1) AR (2)
Gambar 1 Plot deret waktu suku bunga BI
Gambar 2 Plot pembedaan pertama suku bunga BI
Gambar 3 Plot ACF suku bunga BI
Gambar 4 Plot PACF suku bunga BI 3. Pemilihan model terbaik dilakukan dengan membandingkan statistik kebaikan model seperti AIC dan nilai ragam seperti dapat dilihat pada Tabel 1. Berdasarkan perbandingan model, maka model terbaik untuk suku bunga BI adalah ARI (1,1) dilihat dari perbandingan nilai AIC, dimana nilai AIC terkecil adalah model ARI(1,1). Tabel 1 Perbandingan kandidat model suku bunga BI Pradewa
Model
Ragam
SAS
AIC
Ragam
AIC
AR I(1,1)
0.019
20.170
0.020
20.172
AR (2,1)
0.021
36.680
0.021
36.680
AR(1)
0.040
44.050
0.042
44.054
AR(2)
0.053
46.040
0.053
46.040
4. Model ARI (2,1) untuk suku bunga BI juga memenuhi asumsi kenormalan sisaan seperti dapat dilihat pada Tabel 2 dan model ini juga memenuhi asumsi kebebasan sisaan (Tabel 3). Tabel 2 Uji kenormalan sisaan untuk model AR (1) suku bunga BI Perangkat lunak
Indikator perbandingan W
Nilai p
Pradewa
0.921
0.003
SAS
0.921
0.003
Tabel 3 Uji kebebasan sisaan untuk AR (1) suku bunga BI Perangkat lunak
Nilai p
Pradewa
0.003
SAS
0.003
Minitab
0.003
5. Perbandingan hasil ramalan untuk satu periode ke depan model ARI (1,1) untuk suku bunga BI seperti dapat dilihat pada Tabel 4, menunjukkan hasil perbedaan yang kecil antara Pradewa dengan perangkat lunak statistika lainnya. Data asli suku bunga BI untuk satu periode ke depan yaitu tertanggal 31 Desember 2009 adalah 6.5%. Nilai APE (Absolute Percent Error) pendugaan dari Pradewa juga cukup akurat dibandingkan dengan perangkat lunak yang lain. Nilai APE yang kecil menunjukkan pemodelan ARI (1,1) untuk suku bunga BI sudah dapat dikatakan baik. Tabel 4 Ramalan satu periode ke depan model AR (1) suku bunga BI Perangkat lunak Pradewa SAS Minitab
Ramalan (%) 6.496 6.496 6.497
APE 0.061 0.061 0.046
Batasan Sistem Sistem ini mempunyai batasan-batasan tertentu yaitu : Tergantung pada program R dan beberapa paket R lainnya (tcltk, tkrplot, tseries, dan xlsReadWrite) Hanya satu dataset yang dapat digunakan dalam analisis Impor data hanya terbatas pada data berekstensi *.xls dan *.csv. Ekspor data hanya terbatas pada data berekstensi *.xls dan *.csv. Menu untuk manipulasi data masih terbatas. Untuk rataan bergerak tunggal hasil perhitungannya belum dapat dimasukkan ke dalam dataset. KESIMPULAN Pradewa (Paket R Analisis Deret Waktu) merupakan paket R dengan tampilan antarmuka mencakup fungsi statistika dasar, statistika grafik, dan analisis deret waktu. Pradewa terdiri dari empat menu utama yaitu Menu File, Menu Data, Menu Statistika, dan Menu Bantuan. Pengujian dan ilustrasi yang dilakukan menunjukkan bahwa paket ini sudah mampu melakukan analisis statistika yang telah ditentukan. Paket ini memudahkan pengguna untuk melakukan analisis statistika secara mudah dan legal walaupun analisis yang ada masih terbatas.
