STK511 Analisis Statistika. Pertemuan - 1

STK511 Analisis Statistika Pertemuan - 1

PERKULIAHAN

1.

Dosen : Anang Kurnia ([email protected])

2.

Asisten : Septian Rahardiantoro

3.

Waktu : Rabu –> 08.00 – 09.40 Jumat –> 08.00 – 10.00

4.

Office Hours : Rabu -> 11.00-12.00 (STK Darmaga) atau dengan perjanjian

5.

Berpakaian dan berperilaku sopan

5.

Selama perkuliahan tidak terdengar bunyi HP

6.

Penilaian : NA = UTS (40%) + UAS (40%) + Tugas/Kuis (20%)

anang kurnia : [email protected]

MATERI PERKULIAHAN

No. Pokok Bahasan

#Pertemuan

1

Pendahuluan

1

2

Review Statistika Dasar

1

3

Sebaran Peluang

1

4

Sebaran Penarikan Contoh

1

5

Statistika Inferensia (Pendugaan dan Pengujian)

2

6

Analisis Data Perancangan Percobaan

3

7

Analisis Korelasi dan Regresi

2

8

Analisis Data Kategorik

1

9

Analisis Peubah Ganda

2


1. Pendahuluan Apa itu Statistika ? – Statistika berasal dari kata statistik  penduga parameter – Ilmu yang mempelajari dan mengusahakan agar data menjadi informasi yang bermakna – Ilmu yang mempelajari teknik-teknik yang diperlukan dalam pengumpulan data, analisis dan penarikan kesimpulan berdasarkan data contoh  mencerminkan ciri populasi – Statistics vs Statistic


1. Pendahuluan

Statistika Populasi

Sampling

Pendugaan

Contoh

Deskriptif

Statistika Deskriptif vs Statistika Inferensia

Tingkat Keyakinan

Ilmu Peluang anang kurnia : [email protected]

1. Pendahuluan Cakupan Statistika ? • Tata cara pengumpulan data baik melalui percobaan, survey, dan observasi • Tata cara analisis data untuk menyarikan keterangan dari data yang terkumpul, numerik maupun grafik, untuk memudahkan pembahasan dan penarikan kesimpulan  Statistika deskriptif • Tata cara pengukuran kepercayaan dalam penarikan kesimpulan untuk ruang lingkup yang lebih luas  Statistika inferensia


1. Pendahuluan Proses Analisis Statistika Kesimpulan

Pendugaan

Pengujian Hipotesis

Penyarian Keterangan

Pembandingan Keterangan

Pengumpulan Data


1. Pendahuluan Analisis vs Tujuan/Ruang Lingkup • Enumeratif Menduga nilai agregat dari populasi. • Analitik Membahas perilaku hubungan antar berbagai faktor, menjelaskan hubungan sebab akibat.

Metode Pengumpulan Data anang kurnia : [email protected]

1. Pendahuluan Metode Pengumpulan Data Metode Percobaan Memiliki keleluasaan untuk melakukan pengawasaan terhadap sumber-sumber keragaman data

Metode observasi (pasif) Tidak memiliki kendali dalam pengumpulan data (kecuali menentukan faktor yang diamati dan memeriksa ketelitian data)

Dapat menciptakan jenis Perubahan pada respon perlakuan yang sulit diketahui diinginkan dan penyebabnya mengamati perubahan pada respon


Metode survey Contoh data diambil dengan teknik tertentu dari populasi  mewakili populasi

Nilai dugaan populasi dapat ditentukan dengan tingkat kepercayaan tertentu namun tidak cukup kuat menggambarkan hubungan sebab akibat

1. Pendahuluan Metode Pengumpulan Data

Metode Percobaan Kelebihan

Kelemahan

Kuat dalam pengendalian keragaman

Representasi hasil

Metode Observasi Kelebihan

Kelemahan

Metode Survey Kelebihan

Kelemahan

Mudah, murah, Pengendalian Represen- Pengendalian mengamati keragaman keragaman tasi hasil masalah dalam dan kondisi yang Representasi sebenarnya Hasil


1. Pendahuluan Sumber Keragaman • Dapat diidentifikasi dan diperkirakan pengaruhnya => Pengelompokan • Dapat diidentifikasi tetapi tidak dapat diperkirakan pengaruhnya => Pengacakan • Sulit diidentifikasi => Pengulangan


1. Pendahuluan Keterbatasan Hasil Analisis Statistika • Permasalahan : – – – –

Model kuantitatif yang sempurna belum tentu diketahui Faktor penyebab bisa banyak sekali Adanya keragaman alami -> pengulangan tidak bisa persis Penelitian yang “sempurna” tidak mungkin dilakukan

• Hasil Penelitian Bersifat Kondisional, tergantung pada : – Kerangka contoh atau populasi percobaan yang diamati – Metode pelaksanaannya (alat dan metode pengukuran, jenis dan definisi peubah yang diamati, dll) – Pelaksana penelitian (enumerator, petugas lab, responden, dll)


1. Pendahuluan Keterbatasan Hasil Analisis Statistika

Statistika adalah tongkat ke daerah ketidaktahuan.

Semua model adalah salah, namun paling tidak ada satu yang bisa digunakan (mendekati kondisi sebenarnya).


1. Pendahuluan Gambaran Analisis Statistika : Statistika Deskriptif Stem-and-Leaf Display: Volume Stem-and-leaf of Volume N = 31 Leaf Unit = 1.0

Matrix Plot of Diameter, Height, Volume 60

70

80

20 15

Diameter

10

10 (9) 12 7 6 1 1

1 2 3 4 5 6 7

0005688999 111224457 13468 2 11558

80 Height

70 60

70 45

Volume

20 10

15

20

20

45

70

7 14

400

12 10

Frequency

300

8 200

6 4

100

0

0

5 M-GREG

400000

800000

1200000 1600000 Data asal

2000000 2400000

2800000


10

15 MKT-GREG

20

1. Pendahuluan Gambaran Analisis Statistika : Statistika Deskriptif 322.3

350.0

272.3

300.0 237.5

250.0

198.1

200.0 150.0 100.0 50.0

51.6 33.2

30.1

44.1

0.0 Negeri Skor Evaluasi Diri Program Studi

Swasta Skor Borang Unit Pengelola

Skor Borang Program Studi

Nilai Total


1. Pendahuluan Gambaran Analisis Statistika : Statistika Inferensia Statistika Inferensia • Perbandingan Rataan Populasi – Satu populasi  Uji t atau uji z – Dua populasi  Uji t atau uji z – Lebih dari dua populasi  anova

• Hubungan antar variabel – Hubungan dua arah  Analisis Korelasi – Hubungan satu arah (sebab akibat)  Analisis Regresi


1. Pendahuluan Gambaran Analisis Statistika : Statistika Inferensia • Suatu Penelitian dilakukan untuk mengetahui pengaruh kecepatan pengisian cat (X1) dan ketebalan cat (X2) terhadap kualitas hasil pengecatan (Y) Surface Plot of Y vs X1, X2

120

Duga Persamaan Regresi-nya !!!

100 Y 80 0.30

60

0.25

0.15 X2

0.20

0.25

X1

0.20


1. Pendahuluan Gambaran Analisis Statistika : Statistika Inferensia Regression Analysis: Y versus X1, X2

Surface Plot of FITS3 vs X1, X2

The regression equation is Y = 15.0 + 183 X1 + 171 X2

110

FITS3

Predictor Constant X1 X2

100 90 0.30

80 0.25

0.15 X2

0.20

0.25

Coef 15.02 182.75 170.65

Contour Plot of FITS3 vs X1, X2

R-Sq = 72.6%

FITS3 < 80 85 90 95 - 100 - 105 - 110 > 110

0.28

Source Regression Residual Error Total

X1

0.26

0.24

0.22

0.225

R-Sq(adj) = 70.4%

Analysis of Variance 80 85 90 95 100 105

0.200 X2

P 0.155 0.000 0.000

X1

0.30

0.175

T 1.47 5.53 4.82

0.20

S = 7.41471

0.20 0.150

SE Coef 10.24 33.02 35.38

0.250


DF 2 24 26

SS 3503.9 1319.5 4823.4

MS 1752.0 55.0

F 31.87

P 0.000

1. Pendahuluan Analisis Lebih Lanjut : Regresi Logistik Binary Logistic Regression: Y2 versus x1, x2 Link Function: Logit Response Information Variable Y2

Value 1 0 Total

Count 12 8 20

(Event)

Logistic Regression Table

Predictor Constant x1 x2

Coef 3.87448 -0.516801 0.396576

SE Coef 3.38365 0.357665 0.211489

Z 1.15 -1.44 1.88

P 0.252 0.148 0.061


Odds Ratio 0.60 1.49

95% CI Lower Upper 0.30 0.98

1.20 2.25

1. Pendahuluan Analisis Lebih Lanjut : Peubah Ganda • Menggambarkan suatu objek tidak cukup menggunakan satu peubah saja • Kasus pengamatan peubah ganda dijumpai di seluruh bidang terapan • Perlu analisis lebih “canggih” dibandingkan analisis pada peubah tunggal (univariate) • Peubah yang diamati tidak saling bebas (ada overlapping informasi antar peubah), sehingga diperlukan teknik-teknik penyusunan peubah baru seperti komponen utama dan peubah kanonik


1. Pendahuluan Analisis Lebih Lanjut : Peubah Ganda • • • • • • •

Manova Analisis Komponen Utama Analisis Faktor Analisis Cluster Analisis Diskriminan Analisis Korelasi Kanonik Analisis Biplot

Ilustrasi : Biplot


1. Pendahuluan Analisis Lebih Lanjut : Time Series • Data time series (deret waktu) merupakan data yang dikumpulkan secara sequensial menurut periode waktu tertentu. • Peranan ramalan (forecasting) data ke depan memegang peranan penting dalam menyusun kebijakan strategis perusahaan/lembaga • Metode Forecasting yang berkembang saat ini, antara lain: – Metode Rataan Kumulatif – Metode Pemulusan (Smoothing) – ARIMA (AutoRegressive Integrated Moving Average) – Fungsi Transfer (Bivariate ARIMA) – MARIMA (Multivariate ARIMA) anang kurnia : [email protected]

1. Pendahuluan Analisis Lebih Lanjut : Time Series

Time Series Plot of x 1400 1200 1000

x

800 600

Winters' Method Plot for x

400

Additive Method

200

Variable Actual Smoothed

1400

0 1

5

10

15

20

25 Index

30

35

40

45

1200

Smoothing Constants Alpha (level) 0.2 Gamma (trend) 0.2 Delta (seasonal) 0.2

1000 800

x

Accuracy Measures MAPE 60 MAD 267 MSD 101122

600

Ilustrasi Metode Winter (Kasus data musiman)

400 200 0 1

5

10

15


20

25 Index

30

35

40

45

1. Pendahuluan Analisis Lebih Lanjut : Small Area Estimation perlu informasi yang lebih rinci, cepat, dan handal, tidak saja untuk lingkup superpopulasi tetapi pada lingkup yang lebih kecil

Pada level nasional, data tersedia baik melalui BPS “DESAIN SURVEY PADA LEVEL NASIONAL”

Masalah : tingkat akurasi dan presisi pendugaan langsung untuk Solusi Alternatif : area kecil akan rendah karena ukuran contoh sedikit atau bahkan Small Area Estimation (SAE) tidak terwakili dalam surveyanang kurnia : [email protected]

1. Pendahuluan Analisis Lebih Lanjut : Small Area Estimation • Suatu metode untuk menduga parameter pada suatu area (sub-domain) yang relatif kecil dalam percontohan survey dengan memanfaatkan informasi dari luar area, dari dalam area itu sendiri dan dari luar survey.

• Menambah informasi pada data contoh tanpa menambah ukuran contoh. • => Generalized Linear Mixed Model anang kurnia : [email protected]

Bersambung …….


STK511 Analisis Statistika. Pertemuan - 1

Recommend Documents