danialmahkya.com

Tutorial R : Teknik Bootstrap dalam Statistika

noreply@blogger.com (Dani Al Mahkya) — Sun, 31 May 2026 22:56:01 +0000

Tutorial R

Teknik Bootstrap:
Resampling untuk Inferensi Statistik

1. Apa Itu Teknik Bootstrap?

Teknik Bootstrap diperkenalkan oleh Bradley Efron pada tahun 1979 sebagai metode resampling berbasis komputer untuk mengestimasi distribusi sampling suatu statistik. Ide dasarnya sederhana namun revolusioner: gunakan data yang tersedia sebagai "populasi tiruan" dan lakukan pengambilan sampel berulang kali dengan pengembalian (sampling with replacement) untuk membangun distribusi empiris dari statistik yang diminati.

Intuisi Utama: Jika sampel asal merupakan representasi yang baik dari populasi, maka distribusi bootstrap dari suatu statistik θ̂ akan mendekati distribusi sampling sesungguhnya dari θ̂ di populasi.

Metode ini sangat berguna ketika:

Distribusi populasi tidak diketahui atau sulit diasumsikan secara parametrik.

Ukuran sampel kecil sehingga pendekatan asimtotik (CLT) belum berlaku dengan baik.

Statistik yang dianalisis kompleks (median, korelasi, koefisien regresi, dll.) dan tidak memiliki formula standar untuk standard error-nya.

2. Algoritma Bootstrap

Secara formal, prosedur Bootstrap Non-Parametrik dapat dituliskan sebagai berikut:

dimana g(·) adalah statistik yang diminati (mean, median, variansi, korelasi, dsb.) dan B adalah jumlah replikasi bootstrap (umumnya B ≥ 1.000, direkomendasikan B = 10.000 untuk interval kepercayaan).

3. Metode Interval Kepercayaan Bootstrap

Ada beberapa metode konstruksi interval kepercayaan bootstrap yang umum digunakan:

4. Implementasi dengan R

Kita akan menggunakan dataset mtcars yang sudah tersedia secara bawaan di R. Dataset ini memuat data performa 32 model mobil tahun 1973–1974. Kita akan mengestimasi koefisien korelasi antara variabel mpg (miles per gallon) dan wt (berat kendaraan), beserta interval kepercayaannya.

Catatan: Paket boot sudah termasuk dalam distribusi R standar (base), namun perlu di-load secara manual menggunakan library(boot).

4.1 Eksplorasi Data Awal

R Script

# ─────────────────────────────────────────────
# Bootstrap: Eksplorasi Data mtcars
# ─────────────────────────────────────────────

# Memuat data dan melihat struktur
data("mtcars")
str(mtcars)

# Statistik deskriptif variabel yang diminati
cat("\n=== Ringkasan Variabel ===\n")
cat("MPG - Mean:", round(mean(mtcars$mpg), 3),
    " | SD:",  round(sd(mtcars$mpg), 3), "\n")
cat("WT  - Mean:", round(mean(mtcars$wt),  3),
    " | SD:",  round(sd(mtcars$wt),  3), "\n")

# Korelasi Pearson pada sampel asli
r_obs <- cor(mtcars$mpg, mtcars$wt)
cat("\nKorelasi Pearson (sampel asli):", round(r_obs, 4), "\n")

# Uji korelasi klasik (sebagai pembanding)
cor.test(mtcars$mpg, mtcars$wt)

Korelasi Pearson (sampel asli): -0.86766 Pearson's product-moment correlation data: mtcars$mpg and mtcars$wt t = -9.559, df = 30, p-value = 1.294e-10 alternative hypothesis: true correlation is not equal to 0 95 percent confidence interval: -0.9338 -0.7441 sample estimates: cor -0.86766

4.2 Bootstrap Manual (Dari Nol)

Memahami mekanisme Bootstrap dari implementasi dasar sebelum menggunakan fungsi bawaan:

R Script — Bootstrap Manual

# ─────────────────────────────────────────────
# Bootstrap Manual: Distribusi Korelasi mpg~wt
# ─────────────────────────────────────────────

set.seed(42)           # reprodusibilitas
B   <- 10000           # jumlah replikasi bootstrap
n   <- nrow(mtcars)    # ukuran sampel

# Vektor untuk menyimpan statistik bootstrap
r_boot <- numeric(B)

# Loop bootstrap
for (b in 1:B) {
  # Ambil indeks bootstrap dengan replacement
  idx      <- sample(1:n, size = n, replace = TRUE)
  data_b   <- mtcars[idx, ]
  
  # Hitung korelasi pada sampel bootstrap ke-b
  r_boot[b] <- cor(data_b$mpg, data_b$wt)
}

# ── Ringkasan Distribusi Bootstrap ──
cat("=== Hasil Bootstrap (B = 10.000) ===\n")
cat("Estimasi asli (r)       :", round(r_obs,   4), "\n")
cat("Rata-rata bootstrap     :", round(mean(r_boot), 4), "\n")
cat("Bootstrap SE            :", round(sd(r_boot),   4), "\n")
cat("Bootstrap Bias          :", round(mean(r_boot) - r_obs, 4), "\n")

# ── Interval Kepercayaan Percentile 95% ──
ci_pct <- quantile(r_boot, c(0.025, 0.975))
cat("\n95% CI (Percentile)     : [",
    round(ci_pct[1], 4), ",",
    round(ci_pct[2], 4), "]\n")

# ── Interval Basic (Pivotal) ──
ci_bas <- c(2*r_obs - ci_pct[2],
           2*r_obs - ci_pct[1])
cat("95% CI (Basic)          : [",
    round(ci_bas[1], 4), ",",
    round(ci_bas[2], 4), "]\n")

=== Hasil Bootstrap (B = 10.000) === Estimasi asli (r) : -0.8677 Rata-rata bootstrap : -0.8662 Bootstrap SE : 0.0373 Bootstrap Bias : 0.0015 95% CI (Percentile) : [ -0.9315 , -0.7757 ] 95% CI (Basic) : [ -0.9597 , -0.8039 ]

4.3 Bootstrap dengan Paket `boot`

Paket boot menyediakan implementasi yang lebih lengkap dan efisien, termasuk metode BCa yang lebih akurat:

R Script — Paket boot

# ─────────────────────────────────────────────
# Bootstrap menggunakan paket {boot}
# ─────────────────────────────────────────────

library(boot)

# Definisikan fungsi statistik
# data: dataset; i: indeks bootstrap
fn_cor <- function(data, i) {
  d <- data[i, ]
  cor(d$mpg, d$wt)
}

# Jalankan bootstrap
set.seed(42)
boot_res <- boot(
  data      = mtcars,
  statistic = fn_cor,
  R         = 10000
)

# Tampilkan ringkasan
print(boot_res)

# Interval kepercayaan semua metode sekaligus
cat("\n=== Interval Kepercayaan 95% ===\n")
boot_ci <- boot.ci(boot_res, type = c("norm", "perc", "basic", "bca"))
print(boot_ci)

# Visualisasi distribusi bootstrap
plot(boot_res,
     main = "Distribusi Bootstrap Korelasi MPG ~ WT")

ORDINARY NONPARAMETRIC BOOTSTRAP Call: boot(data = mtcars, statistic = fn_cor, R = 10000) Bootstrap Statistics : original bias std. error t1* -0.8676594 0.001513428 0.03726879 === Interval Kepercayaan 95% === BOOTSTRAP CONFIDENCE INTERVAL CALCULATIONS Based on 10000 bootstrap replicates CALL : boot.ci(boot.out = boot_res, type = c("norm", "perc", "basic", "bca")) Intervals : Level Normal Basic 95% (-0.9406, -0.7948 ) (-0.9600, -0.8039 ) Level Percentile BCa 95% (-0.9315, -0.7754 ) (-0.9189, -0.7579 ) Calculations and Intervals on Original Scale

4.4 Bootstrap pada Regresi Linear

Bootstrap sangat berguna untuk mendapatkan standard error dan interval kepercayaan koefisien regresi tanpa bergantung pada asumsi normalitas residual:

R Script — Bootstrap Regresi

# ─────────────────────────────────────────────
# Bootstrap: Koefisien Regresi mpg ~ wt + hp
# ─────────────────────────────────────────────

library(boot)

# Model regresi OLS awal
model_ols <- lm(mpg ~ wt + hp, data = mtcars)
cat("=== Estimasi OLS (klasik) ===\n")
print(coef(summary(model_ols)))

# Fungsi statistik: ekstrak koefisien regresi
fn_lm <- function(data, i) {
  d   <- data[i, ]
  fit <- lm(mpg ~ wt + hp, data = d)
  coef(fit)
}

# Jalankan bootstrap
set.seed(2024)
boot_lm <- boot(
  data      = mtcars,
  statistic = fn_lm,
  R         = 10000
)

# Ringkasan Bootstrap SE vs OLS SE
cat("\n=== Perbandingan Standard Error ===\n")
se_ols  <- coef(summary(model_ols))[, "Std. Error"]
se_boot <- apply(boot_lm$t, 2, sd)

hasil <- data.frame(
  Koefisien  = names(se_ols),
  Estimasi   = round(coef(model_ols), 4),
  SE_OLS     = round(se_ols,  4),
  SE_Boot    = round(se_boot, 4)
)
print(hasil, row.names = FALSE)

# CI Bootstrap BCa untuk koefisien wt (indeks 2)
cat("\n95% CI BCa untuk β_wt:\n")
print(boot.ci(boot_lm, type = "bca", index = 2))

=== Estimasi OLS (klasik) === Estimate Std. Error t value Pr(>|t|) (Intercept) 37.22727 1.598788 23.28469 2.565459e-20 wt -3.87783 0.632650 -6.12882 1.119647e-06 hp -0.03177 0.008911 -3.56494 1.334915e-03 === Perbandingan Standard Error === Koefisien Estimasi SE_OLS SE_Boot (Intercept) 37.2273 1.5988 1.5981 wt -3.8778 0.6327 0.6502 hp -0.0318 0.0089 0.0090 95% CI BCa untuk β_wt: BOOTSTRAP CONFIDENCE INTERVAL CALCULATIONS Based on 10000 bootstrap replicates Intervals : Level BCa 95% (-5.2591, -2.7113 )

5. Interpretasi Hasil

Korelasi mpg ~ wt: Korelasi sampel asli adalah r = −0.868. Bootstrap SE sebesar 0.037 menunjukkan estimasi cukup stabil. Interval BCa [−0.919, −0.758] sedikit lebih sempit dibanding metode klasik Fisher [−0.934, −0.744], mengindikasikan bahwa bootstrap memperhitungkan kemiringan distribusi sampling korelasi.

Regresi mpg ~ wt + hp: Bootstrap SE untuk β_wt (0.650) sedikit lebih besar dari SE-OLS (0.633), yang mengisyaratkan adanya ketidakpastian tambahan akibat ukuran sampel yang kecil (n = 32). Metode BCa memberikan CI [−5.259, −2.711] untuk koefisien berat kendaraan.

6. Memilih Jumlah Replikasi B

Pertanyaan praktis yang sering muncul: berapa nilai B yang cukup?

Tujuan	B yang Disarankan	Alasan
Estimasi SE	B ≥ 200	Stabilisasi SE memerlukan replikasi minimal
CI Percentile	B ≥ 1.000	Perlu ekor distribusi yang terisi
CI BCa	B ≥ 2.000 (disarankan 10.000)	Estimasi akselerasi sensitif terhadap B kecil
Publikasi ilmiah	B = 10.000 atau lebih	Reprodusibilitas & presisi laporan

Catatan Komputasi: Untuk dataset besar atau model kompleks, gunakan paralelisasi dengan argumen parallel = "multicore" dan ncpus = parallel::detectCores() - 1 dalam fungsi boot().

6.1 Bootstrap dengan Paralelisasi

R Script — Bootstrap Paralel

# Bootstrap paralel (untuk dataset besar)
library(boot)
library(parallel)

n_cores <- detectCores() - 1
cat("Core tersedia:", n_cores, "\n")

set.seed(42)
boot_par <- boot(
  data      = mtcars,
  statistic = fn_cor,
  R         = 10000,
  parallel  = "multicore",  # "snow" untuk Windows
  ncpus     = n_cores
)
print(boot_par)

7. Ringkasan

Bootstrap adalah teknik resampling non-parametrik yang mengestimasi distribusi sampling suatu statistik melalui pengulangan pengambilan sampel dengan pengembalian.
Tidak memerlukan asumsi distribusi parametrik — sangat berguna untuk statistik kompleks dan sampel kecil.
Interval BCa umumnya paling akurat karena mengoreksi bias dan kemiringan distribusi bootstrap.
Paket boot di R menyediakan implementasi yang efisien, fleksibel, dan siap untuk keperluan akademik maupun industri.
Jumlah replikasi B = 10.000 direkomendasikan untuk keperluan pelaporan ilmiah.

Referensi

Efron, B. (1979). Bootstrap methods: Another look at the jackknife. The Annals of Statistics, 7(1), 1–26.

Efron, B., & Tibshirani, R. J. (1993). An Introduction to the Bootstrap. Chapman & Hall/CRC.

Davison, A. C., & Hinkley, D. V. (1997). Bootstrap Methods and Their Application. Cambridge University Press.

Canty, A., & Ripley, B. (2024). boot: Bootstrap R (S-Plus) Functions. R package version 1.3-30.

Tutorial R : Visualisasi Koefisien Korelasi dengan "corrplot"

noreply@blogger.com (Dani Al Mahkya) — Wed, 13 Nov 2024 04:05:00 +0000

Koefisien korelasi yang dihasilkan dari analisis korelasi merupakan suatu informasi yang penting terkait dengan hubungan beberapa peubah-peubah yang diamati. Beberapa artikel mengenai analisis korelasi telah dibahas pada laman ini sebagai berikut:

Saat melakukan analisis korelasi, terkadang jumlah variabel atau peubah yang digunakan sangat banyak. Hal ini akan menyebabkan interpretasi menjadi sulit dilakukan. Salah satu cara yang dapat digunakan adalah dengan memanfaatkan Package "corrplot" pada R.

1. Persiapan Package

Beberapa package yang dibutuhkan pada tutorial ini adalah sebagai berikut. Silahkan install terlebih dahulu jika belum tersedia menggunakan perintah:

install.packages("readxl")
install.packages("corrplot")

2. Persiapan Data

Tutorial pada artikel ini menggunakan data contoh berikut : Data Contoh "corrplot" atau klik Menu Data Contoh, pilih contoh data nomor 53. Silahkan unduh data tersebut, kemudian simpan dengan mudah pada drive perangkat PC/Laptop. Kemudian import data dengan perintah berikut:

library(readxl)
df_cor <- read_excel("D:/Contoh Data corrplot.xlsx")
View(df_cor)

Data contoh yang digunakan memiliki 20 peubah yang saling berkorelasi. Oleh karena itu, penggunaan "corrplot" akan sangat membantu dalam hal interpretasi koefisien korelasi.

3. Penggunaan "corrplot"

Setelah data diimport, tahap selanjutnya adalah menyusun matriks korelasi (metode "pearson") menggunakan perintah berikut:

#Menyusun Matriks Korelasi
mat_cor <- cor(df_cor, method = "pearson")
mat_cor

Hasil yang diperoleh menggunakan perintah analisis korelasi default "cor" adalah sebuah matriks yang berisi koefisien korelasi berukuan 20x20. Matriks yang terlalu besar ini tentunya akan mempersulit interpretasi. Selanjutnya adalah menerapkan perintah "corrplot" berdasarkan luaran perintah "cor" menggunakan perintah berikut:

#Menerapkan Perintah "corrplot"
library(corrplot)
corrplot(mat_cor)

Hasil perintah "corrplot" lebih mudah untuk dipahami. Berdasarkan hasil tersebut, semakin biru warna lingkaran maka semakin besar korelasi positif (+). Dan semakin merah warna lingkaran maka semakin besar korelasi negatif (-). Selain itu, perintah "corrplot" dapat dimodifikasi sebagai berikut dan lain sebagainya.

corrplot(mat_cor, method='number')

corrplot(mat_cor, method="pie")

corrplot(mat_cor, method = "color", type = "lower", col = colorRampPalette(c("red", "yellow", "white", "blue","green"))(100),tl.col = "black", tl.srt = 45)

Informasi lainnya mengenai Package "corrplot" dapat diperoleh pada tautan berikut:

Tutorial R : Menangani Multikolinieritas dengan Regresi Komponen Utama (PCR)

noreply@blogger.com (Dani Al Mahkya) — Mon, 11 Nov 2024 13:45:00 +0000

Multikolinieritas merupakan suatu keadaan dimana terdapat hubungan yang besar antar peubah independen/prediktor atau X pada suatu model regresi linier. Multikolinieritas dapat menggangu salah satu asumsi pada model regresi linier yaitu tidak adanya hubungan linier yang kuat antara variabel independen. Keadaan multikolinieritas dapat menyebabkan beberapa permasalahan terkait dengan hasil pendugaan model regresi linier.

Beberapa cara yang dapat dilakukan untuk mengidentifikasi ada tidaknya multikolinieritas antara lain:

Melihat nilai VIF (Variance Inflation Factor). Nilai ini mengukur seberapa besar varians koefisien regresi meningkat karena multikolinieritas. Ambang batas nilai VIF pada suatu model regresi linier yang sering digunakan adalah 10. Saat nilai VIF lebih dari 10 maka diduga multikolinieritas telah terjadi.
Korelasi antar peubah independen. Cara sederhana lain yang dapat digunakan adalah melihat koefisien korelasi antar peubah independen. Saat nilai korelasi antar peubah independen besar, maka dapat disimpulkan terjadi multikolinieritas.

Setelah multikolinieritas terindetifikasi, tahap selanjutnya adalah melakukan penanganannya. Salah satu usaha yang dapat dilakukan adalah dengan menggunakan pendekatan Regresi Komponen Utama atau Principal Component Regression (PCR). Konsep dasar dari PCR adalah pendekatetan Analisis Komponen Utama atau Principal Component Analysis (PCA). Pendekatan ini memiliki konsep mereduksi sekumpulan peubah menjadi beberapa komponen utama. Berikut beberapa tahapan proses identifikasi dan penanganan multikolinieritas dengan PCR menggunakan R.

1. Persiapan Package

Beberapa package yang dibutuhkan pada tutorial ini adalah sebagai berikut. Silahkan install terlebih dahulu jika belum tersedia menggunakan perintah:

install.packages("readxl")
install.packages("pls")
install.packages("regclass")
install.packages("ggplot2")

2. Persiapan Data

Tutorial pada artikel ini menggunakan data contoh berikut : Data Contoh Regresi Komponen Utama atau klik Menu Data Contoh, pilih contoh data nomor 52. Silahkan unduh data tersebut, kemudian simpan dengan mudah pada drive perangkat PC/Laptop. Kemudian import data dengan perintah berikut:

library(readxl)
df_pcr <- read_excel("D:/Contoh Data PCR.xlsx")
View(df_pcr)

dan luaran sebagai berikut:

Atau dapat menggunakan data lainnya sesuai kebutuhan.

3. Indentifikasi Multikolinieritas

Terdapat 2 cara yang akan dilakukan pada tutorial ini, cara pertama adalah melihat nilai VIF dan cara kedua adalah dengan melihat koefisien korelasi.

#Cara Pertama : Visualisasi Nilai VIF
lmpre = lm(Y~.,data = df_pcr) #pemodelan regresi linier
library(regclass) #package untuk menampilkan VIF
library(ggplot2) #package visualisasi
dfv = data.frame(VIF(lmpre))
k = ncol(df_pcr[,-1])
dfvif = dfv[1:k,]
peubah = seq(1:k)
dfvif2 = data.frame(dfvif,peubah)
ggplot(data=dfvif2, aes(x=peubah, y=dfvif))+
geom_bar(stat="identity", fill="steelblue")+
theme_minimal()+
xlab("X") + ylab("VIF") +
geom_hline(yintercept=10, linetype="dashed", color = "red")

dan luaran sebagai berikut:

Berdasarkan gambar tersebut, nilai VIF yang dihasilkan sangat tinggi. Hal ini mengindikasikan bahwa terjadi multikolinieritas pada peubah independen.

#Cara Kedua : Nilai Koefisien Korelasi
cor(df_pcr[,-1])

Selain nilai VIF, nilai koefisien korelasi yang dihasilkan antar peubah independen juga sangat tinggi. Berdasarkan hasil kedua identifikasi, multikolinieritas dipastikan ada pada peubah independen.

4. Penanganan Multikolinieritas

Tutorial pada artikel ini memanfaatkan pendekatan regresi komponen utama untuk penanganan multikolinieritas menggunakan Package "pls". Package ini memungkinkan pemilihan komponen utama optimum menggunakan pendekatan Cross Validation (CV). Luaran yang diperoleh adalah informasi mengenai jumlah optimum komponen utama dan hasil pemodelan regresi liniernya.

#Perintah Analisis Regresi Komponen Utama
#Validasi komponen utama menggunakan CV
set.seed(123)
library(pls)
fit = pcr(Y ~ ., data = df_pcr, scale = TRUE, validation = "CV" )
summary(fit)

Informasi di atas menunjukan hasil summary model PCR dan bagaimana pemilihan jumlah komponen optimum berdasarkan kriteria RMSEP. Untuk melihat lebih rinci mengenai berapa jumlah optimum komponen utama, dapat menggunakan perintah berikut:

#Perintah yang digunakan untuk melihat jumlah komponen optimum
validationplot(fit, val.type = 'MSEP')
which.min(MSEP(fit)$val[1,1, ]) - 1

Berdasarkan hasil yang diperoleh, jumlah optimum dari komponen utama adalah sebanyak 4 komponen. Selanjutnya, komponen-komponen ini dapat diekstraksi dengan cara sebagai berikut:

#Ekstraksi komponen utama sebanyak 4 komponen
X_komponen_utama = fit$scores[1:4]; X_komponen_utama

Berdasarkan analisis yang dilakukan, model dengan 4 komponen merupakan model optimum berdasarkan kriteria RMSEP menggunakan CV.

Secara lebih lengkap, package "pls" dapat dipelajari lebih dalam melalui beberapa tautan berikut:

Pertanyaan lebih lanjut dapat disampaikan pada kolom komentar maupun menu "Contact us".

Tutorial : Membuat Sitasi/Kutipan dan Daftar Pustaka Otomatis dengan Mendeley

noreply@blogger.com (Dani Al Mahkya) — Fri, 02 Feb 2024 08:07:00 +0000

Di era yang modern seperti saat ini, kebutuhan akan kemampuan otomatisasi sangat dibutuhkan pada semua aspek. Pada aspek pendidikan maupun akademik, salah satu kemampuan yang banyak dibutuhkan adalah otomatisasi dalam hal mempermudah penyusunan karya ilmiah. Pada karya ilmiah, kutipan maupun daftar pustaka dari karya-karya ilmiah lainnya merupakan suatu bagian yang penting pada proses penyusunannya. Berbagai macam karya ilmiah seperti makalah ilmiah, naskah skripsi, naskah thesis, naskah disertasi maupun naskah publikasi ilmiah membutuhkan beberapa kutipan dari karya-karya lainnya guna menunjang proses penyusunannya. Kutipan-kutipan tersebut selanjutnya akan disusun dalam suatu bagaian yang dinamakan daftar Pustaka.

Semakin banyak daftar Pustaka yang digunakan pada suatu karya ilmiah, maka akan semakin banyak pula usaha maupun waktu yang dibutuhkan dalam penyusunannya. Hal tersebut akan terjadi jika penyusunan daftar Pustaka dilakukan secara manual. Namun pada saat ini telah banyak sekali fasilitas yang memudahkan penyusunan daftar Pustaka secara otomatis seperti fasilitas References bawaan dari Ms. Word maupun menggunakan software eksternal seperti Mendeley. Artikel ini akan memberikan beberapa tutorial dasar penggunaan Mendeley untuk mempermudah proses sitasi dan penyusunan daftar Pustaka.

Mendeley adalah salah satu platform manajer Pustaka dan jejaring sosial akademisi beserta karya-karya ilmiah yang terintegrasi. Beberapa kelebihan menggunakan Mendeley antara lain:

Memungkinkan penyusunan daftar Pustaka secara otomatis.
Menemukan makalah dengan mudah sesuai dengan penulis butuhkan.
Memudahkan kolaborasi antar peneliti.
Memudahkan penyusunan sitasi/kutipan berdasarkan dokumen karya ilmiah yang diimport dari perangkat maupun dokumen karya ilmiah dari publikasi online.

Artikel ini secara khusus akan memanfaatkan fasilitasi Mendeley Dekstop dalam proses sitasi karya ilmiah maupun penyusunan daftar Pustaka serta menggunakan Ms. Word. Berikut bebeberapa tahapan yang harus dilalui:

A. Install Mendeley Dekstop

Artikel ini menggunakan Mendeley Dekstop Versi 1.19.5 yang dapat diunduh pada tautan berikut : KLIK DISINI . Setelah Mendeley Dekstop diunduh, selanjutnya adalah melakukan instalasi sampai dengan proses selesai.

B. Sign-in Mendeley Dekstop

Setelah Mendeley Dekstop sukses diinstal, tahap selanjutnya adalah masuk ke Mendeley dengan email yang telah didaftarkan. Proses pendaftaran dapat dilakukan melalui tautan berikut : KLIK DISINI

C. Install Ms. Word Plugins

Tahap selanjutnya setelah proses Sign-in sukses adalah melakukan instalasi dan menautkan Mendeley Dekstop dengan Ms. Word melalui :

Klik Tools
Pilih Install MS Word Plugin

Setelah proses instalasi selesai, silahkan pastikan bahwa Mendeley telah tertaut dengan Ms. Word dengan tampilan berikut:

Menu Mendeley terletak pada Tab References Ms. Word. Setelah Mendeley tertaut dengan Ms. Word, tahap selanjutnya adalah memasukan dokumen/informasi yang akan digunakan pada sitasi/kutipan maupun daftar Pustaka.

D. Import Dokumen dari Perangkat Lokal

Cara pertama yang dapat dilakukan untuk memasukan dokumen/informasi yang akan digunakan pada sitasi/kutipan maupun daftar Pustaka adalah dengan melakukan import dokumen dari perangkat lokal. Cara ini dapat dilakukan apabila pengguna telah memiliki dokumen yang tersimpn pada perangkat lokal. Tahapan import dokumen adalah sebagai berikut:

1. Pilih All Documents

2. Klik File – pilih Add Files

3. Pilih dokumen yang akan digunakan lalu klik Open

4. Secara otomatis informasi dari dokumen akan langsung terekam pada Mendeley sebagai berikut:

5. Setelah proses selesai maka dokumen tersebut dapat digunakan untuk sitasi/kutipan maupun daftar Pustaka.

E. Mencari Dokumen dari Publikasi Online

Cara laiinya adalah dengan mencari dokumen rujukan pada publikasi online. Cara ini membutuhkan koneksi internet untuk menelusuri dokumen yang diinginkan. Berikut tahapan yang harus dilakukan:

1. Klik Literature Search – kemudian masukan judul atau author pada kolom pencarian. Proses ini akan mudah dan cepat apabila menggunakan judul dokumen publikasi online yang diinginkan yang diinginkan seperti contoh berikut:

Untuk memastikan dokumen publikasi yang dimaksud telah sesuai, dapat dilakukan pengecekan pada Nama Author, Nama Jurnal, dan atau Tahun Terbit sebagai berikut:

Setelah semuanya sesuai, selanjutnya klik dokumen yang sesuai dan klik Save Reference dan kemudian dokumen telah terekam pada Mendeley.

2. Secara otomatis informasi dari dokumen akan langsung terekam pada Mendeley sebagai berikut:

F. Menyisipkan Sitasi/Kutipan

Setelah dokumen-dokumen yang dibutuhkan telah dimasukan pada Mendeley, tahap selanjutnya adalah melakukan proses sitasi/kutipan dengan cara sebagai berikut:

1. Pada lembar halaman Ms. Word bagian kalimat yang akan diberikan kutikan, letakkan kursor pada akhir kalimat atau lainnya, kemudian klik References – Insert Citations.

2. Ketikkan nama Author dari dokumen yang akan dikutip sebagai berikut kemudian klik OK.

3. Maka secara otomatis dokumen tersebut akan masuk pada kutipan kalimat yang telah ditentukan sebagai berikut:

4. Format kutipan dapat disesuaikan pada menu berikut ataupun diatur secara custom.

G. Membuat Daftar Pustaka

Proses terakhir adalah membuat daftar Pustaka dari kutipan-kutipan yang telah dibuat dengan cara sebagai berikut:

1. Letakkan kursor pada halaman daftar Pustaka

2. Kemudian klik References – Insert Bibliography maka secara otomatis daftar Pustaka dengan format yang telah ditentukan sebelumnya akan ditampilkan.

Demikian Tutorial : Membuat Sitasi/Kutipan dan Daftar Pustaka Otomatis dengan Mendeley untuk fungsi-fungsi dasar. Apabila ada pertanyaan maupun saran dan masukan dapat langsung dimasukan pada kolom komentar. Sekian semoga dapat bermanfaat dan terimakasih.

Tutorial R : Memperindah Visualisasi dengan "ggplot2"

noreply@blogger.com (Dani Al Mahkya) — Sat, 28 Jan 2023 01:38:00 +0000

Salah satu package yang sangat berguna saat visualisasi di R maupun RStudio adalah ggplot2, ggplot2 merupakan salah satu package R yang dapat digunakan untuk membuat grafik data maupun grafik statistik. Salah satu point penting dari ggplot2 adalah package ini memungkinkan pengguna untuk mengkombinasikan berbagai macam opsi dari pembentukn grafik yang dikehendaki. Beberapa contoh penggunaan ggplot2 dijelaskan sebagai berikut:

1. Menyiapkan R/RStudio

Langkah pertama adalah menyiapkan R/Rstudio. Bagi pengguna pertama R/RStudio, tahapan instalasi dapat dilihat pada beberapa artikel berikut:

Tutorial & Video : Download dan Install "R"

Tutorial R : RStudio sebagai IDE yang Memudahkan

2. Instalasi ggplot2

Langkah selanjutnya adalah melakukan instalasi ggplot2. Jika ingin melakukan instalasi secara kesuluruhan berdasarkan package tidyverse, maka perintah yang digunakan adalah sebagai berikut:

install.packages("tidyverse")

Namun jika hanya melakukan instalasi ggplot2 saja, dapat menggunakan perintah berikut:

install.packages("ggplot2")

Setelah package terpasang, selanjutnya adalah memanggil package ggplot2 dengan perintah:

library(ggplot2)

3. Contoh Data

Data yang digunakan pada artikel ini adalah data bawaan dari package ggplot2 yaitu data mengenai penghematan bahan bakar berdasarkan https://fueleconomy.gov/. Data tersebut dapat diakses jika ggplot2 telah dipanggil dengan perintah sebagai berikut:

library(ggplot2)
mpg
View(mpg)

dengan tampilan data sebagai berikut:

dengan penjelasan varibel sebagai berikut:

cty dan hwy adalah konsumsi mil per galon (mpg) pada kondisi mengemudi di kota dan jalan raya.
displ adalah perpindahan mesin dalam liter.
drv adalah jenis drivetrain: roda depan (f), roda belakang (r) atau empat roda (4).
model adalah jenis mobil (38 jenis) antara tahun 1999 dan 2008.
class adalah kategori tipe mobil yang digunakan.

4. Grafik Titik

Contoh pertama yang paling sederhana adalah menyusun grafik titik berdasarkan data mpg antara konsumsi dalam kota (cty) dan jenis mobil (class). Perintah yang digunakan adalah sebagai berikut:

ggplot(mpg, aes(displ, cty, colour = class)) +
geom_point()

Luaran perintah:

Penjelasan perintah:

ggplot adalah perintah pemanggilan package. mpg adalah dataset yang digunakan. aes adalah perintah aesthetic mappings antara variabel displ dan cty. colour = class adalah perintah pembeda warna berdasarkan jenis mobil (class) geom_point() adalah perintah pembentukan grafik titik.

5. Menambahkan Garis Regresi

Grafik pada poin 4 dapat dilengkapi dengan menambahkan garis regresi dengan perintah sebagai berikut:

ggplot(mpg, aes(displ, hwy)) +
geom_point() +
geom_smooth(span = 0.2)

Luaran perintah:

Penjelasan perintah:

ggplot(mpg, aes(displ, cty)) adalah perintah untuk menampilkan grafik berdasarkan ggplot antara pemakaian dalam kota dan jenis mobil. geom_point() adalah perintah spesifik untuk memunculkan grafik titik. geom_smooth(span = 0.2) adalah perintah untuk menampilkan garis pemulusan menggunakan metode default yaitu smooth local regression dengan parameter pemulusan span = 0.2. Metode pumulusan lainnya dapat dilihat pada bantuan menggunakan perintah:

?geom_smooth

6. Contoh Penyusunan Lainnya

Contoh perintah penyusunan grafik lainnya dapat dilihat sebagai berikut:

ggplot(mpg, aes(cty)) + geom_histogram()

ggplot(mpg, aes(cty)) + geom_freqpoly()

ggplot(mpg, aes(displ, colour = drv)) +
geom_freqpoly(binwidth = 0.5)

ggplot(mpg, aes(displ, fill = drv)) +
geom_histogram(binwidth = 0.5) +
facet_wrap(~drv, ncol = 1)

ggplot(mpg, aes(cty, hwy)) +
geom_point(alpha = 1 / 3)

ggplot(mpg, aes(cty, hwy)) +
geom_point(alpha = 1 / 3) +
xlab("city driving (mpg)") +
ylab("highway driving (mpg)")

ggplot(mpg, aes(cty, hwy)) +
geom_point(alpha = 1 / 3) +
xlab(NULL) + ylab(NULL)

Beberapa referensi mengenai ggplot2 dapat diunduh dan dipelajari dari berbagai sumber berikut:

Download Cheatsheet ggplot2

https://ggplot2.tidyverse.org/

https://ggplot2-book.org/index.html

https://r-graph-gallery.com/ggplot2-package.html

https://www.rdocumentation.org/packages/ggplot2/versions/3.4.0

Tutorial : Bagaimana Mendapatkan SAS OnDemand

noreply@blogger.com (Dani Al Mahkya) — Wed, 03 Aug 2022 15:50:00 +0000

Pada artikel sebelumnya telah dibahas tutorial mengenai salah satu fasilitas dari SAS yang dapat dimanfaatkan secara gratis yaitu SAS University Edition. Artikel tersebut dapat dilihat pada tautan berikut:

Tutorial : Download dan Install Software SAS University Edition Gratis

SAS University Edition merupakan salah satu fasilitas dari SAS yang dapat digunakan secara gratis. Fitur yang tersedia juga cukup lengkap. Namun berdasarkan laman resmi SAS, fasilitas SAS University Edition telah diganti menjadi SAS OnDemand terhitung dari 2 Agustus 2021. Secara umum SAS OnDemand merupakan fasilitas dari SAS yang bersifat Cloud Computing. Oleh karena itu dibutuhkan jaringan internet untuk dapat menjalankannya. Berikut akan dijelaskan beberapa proses yang dibutuhkan untuk mengakses SAS OnDemand for Academics.

1. Melakukan Pendaftaran

Tahap pertama yang harus dilakukan adalah melakukan pendaftaran akun jika belum memiliki akun profil SAS. Pendaftaran dapat dilakukan pada laman https://welcome.oda.sas.com/login. Setelah itu klik Don't have a SAS profile?.

Ikuti seluruh langkah dan isi seluruh informasi pendaftaran yang dibutuhkan. Proses pendaftaran akan berakhir sampai muncul tombol Create Profile dan pesan bahwa pendafatarn hampir selesai.

Sejauh ini proses pendaftaran telah berhasil dilakukan.

2. Melakukan Verifikasi dan Aktivasi

Setelah proses pendaftaran selesai dan memastikan bahwa email telah benar, selanjutnya akan terdapat pesan dari SAS yang akan masuk ke email dengan isi terkait Aktivasi Profil SAS. Silahkan klik tautan dengan judul Activate Your SAS Profile. Pada tahap ini akan muncul laman terkait dengan pengaturan Password dari SAS Profile. Silahkan lengkapi dan atur Password tersebut sampai muncul tombol Continue.

3. Mengakses SAS OnDemand

Setelah profil diverifikasi dan diaktivasi, tahap selanjutnya adalah mengakses dan menggunakan SAS OnDemand. Silahkan kembali ke laman https://welcome.oda.sas.com/login dan kemudian melakukan login menggunakan SAS Profile email address dan Password yang telah diperoleh pada tahap sebelumnya. Setelah itu silahkan menunggu email konfirmasi terkait dengan penggunaan SAS OnDemand. Jika email konfirmasi telah diperoleh, selanjutnya ikuti petunjuk yang diberikan.

Jika proses login berhasil, maka secara otomatis pengguna akan diarahkan pada laman SAS OnDemand. Gambar di atas adalah tampilan dari SAS OnDemand dengan beberapa opsi yang disediakan. Selanjutnya klik SAS Studio.

Gambar di atas adalah tampilan dari SAS Studio menggunakan SAS OnDemand for Academics. Setelah tahap ini selesai maka SAS OnDemand dapat digunakan untuk berbagai proses analisis data maupun kebutuhan lainnya.

Tutorial : Memahami dan Menerapkan VLOOKUP pada Ms. Excel

noreply@blogger.com (Dani Al Mahkya) — Fri, 24 Jun 2022 15:58:00 +0000

Microsoft Excel (Ms. Excel) merupakan salah satu alat yang disediakan oleh microsoft dalam hal olah angka maupun manajemen data. Ms. Excel memiliki cukup banyak fitur yang dapat dimanfaatkan untuk segala jenis kebutuhan. Mulai dari perhitungan sederhana, sampai penyusunan database.

Salah satu fitur yang cukup banyak dimanfaatkan oleh pengguna adalah fitur VLOOKUP. Salah satu fitur dalam Ms. Excel yang berfungsi untuk mencari suatu informasi berdasarkan data pada tabel lainnya. Awalan huruf depan "V" memiliki arti "Vertical" yang artinya adalah fitur ini akan mencari suatu informasi berdasarkan data pada tabel secara vertikal (header/kepala tabel berada pada bagian atas dan tabel memanjang ke bawah).

Berikut ilustrasi sederhana untuk beberapa bagian VLOOKUP:

1. Tabel Referensi

Tabel ini berisi tentang seluruh informasi/referensi/database yang akan digunakan dalam pencarian pada bagian Tabel Hasil. Dengan kata lain, tabel ini memuat seluruh informasi yang dibutuhkan.

2. Tabel Hasil

Tabel ini merupakan lokasi untuk memanggil kriteria tertentu untuk memunculkan informasi tertentu. Misalkan jika kita ingin mencari informasi dari Tabel Referensi menggunakan "No. Kode" maka saat kita memasukkan "No. Kode" maka informasi seperti Nama, Alamat, Perusahaan, dan Penghasilan akan otomatis muncul pada Tabel Hasil.

Ilustrasi berdasarkan Tabel Referensi dan Tabel Hasil merupakan penjelasan sederhana dari cara kerja fitur VLOOKUP. Selanjutnya adalah tahapan penggunaan fitur VLOOKUP.

1. Perintah VLOOKUP

Perintah VLOOKUP pada Ms. Excel adalah sebagai berikut:

VLOOKUP (lookup_value, table_array, col_index_num, [range_lookup])

Penjelasan dari perintah tersebut adalah sebagai berikut:

lookup_value
Nilai yang akan dicari. Nilai ini dapat berupa cell seperti A2 atau karakter tertentu seperti "Nama" dan lain sebagainya. Pada ilustrasi sebelumynya, lookup_value berada pada Tabel Hasil.

table_array

Tabel yang akan dicari informasi terkait lookup_value. Pada ilustrasi sebelumnya, table_array adalah seluruh cell pada Tabel Referensi.

col_index_num

Urutan nomor kolom pada Tabel Referensi. Untuk mempermudah, setiap kolom pada Tabel Referensi dapat disisipkan dengan nomor urut.

[range_lookup]

Informasi yang menentukan ingin menemukan hasil yang sama persis atau yang mendekati. Nilai yang dapat diinputkan adalah TRUE atau FALSE.

2. Menyiapkan Tabel Referensi

Setelah memahami isi dari perintah VLOOKUP, tahap selanjutnya adalah menyiapkan Tabel Referensi sesuai dengan ilustrasi sebelumnya dengan menambahkan informasi nomor urut kolom sebagai berikut:

Nomor urut kolom berfungsi sebagai penanda untuk perintah col_index_num.

3. Menyiapkan Tabel Hasil

Tabel yang dimaksud sesuai dengan ilustrasi yang telah dijelaskan. Tabel ini disesuaikan dengan kebutuhan informasi yang akan dicari (tidak harus semua informasi dimasukkan).

Pada Tabel Hasil kepala tabel dapat berada disamping (kiri) sesuai ilustrasi atau diletakkan pada atas tabel sesuai kebutuhan.

4. Memasukan Perintah

Pada ilustrasi ini, skenario yang digunakan adalah "mencari informasi anggota koperasi berdasarkan No. Kode". Berikut adalah perintah selengkapnya berdasarkan tabel yang telah disusun.

Gambar di atas adalah Tabel Referensi dengan range cell A2 sampai E12 (A2:E12). A2:E12 ini akan dijadikan sebagai perintah table_array di VLOOKUP.

Gambar di atas adalah perintah yang digunakan pada Tabel Hasil. Perhatikan pada perintah VLOOKUP, C2 adalah "No. Kode" pada tabel hasil. Sheet1!A2:E12 menunjukan table_array berdasarkan Tabel Referensi pada sheet 1. Angka setelahnya menunjukan nomor kolom sesuai dengan Tabel Referensi. Hasil dari perintah tersebut ditampilkan pada gambar berikut:

Hasil tersebut merupakan luaran dari perintanh VLOOKUP dengan nilai pencarian berdasarkan No. Kode anggota Koperasi. Secara luas, VLOOKUP banyak digunakan pada berbagai macam aspek administrasi maupun kalkulasi dan olah data menggunakan Ms. Excel.

Tutorial R : Membangkitkan Data Simulasi Sederhana pada Model Regresi Logistik

noreply@blogger.com (Dani Al Mahkya) — Thu, 07 Apr 2022 16:23:00 +0000

Salah satu pengembangan dari model regresi linier adalah model regresi logistik. Penjelasan lebih lengkap beserta dengan contohnya telah dibahas pada artikel :

Tutorial R : Analisis Regresi Logistik Biner Menggunakan R

Artikel ini akan membahas mengenai analisis regresi logistik, namun pembahasan akan fokus pada sudut pandang simulasi. Simulasi model regresi logistik dapat memberikan cara pandang baru bagaimana pengguna dapat membangkitkan suatu data, menentukan parameter, serta melakukan analisis guna menduga parameter yang telah ditentukan. Jika parameter dugaan mendekati parameter yang ditentukan, maka model analisis tersebut disimpulkan dapat mengevaluasi fenomena yang terjadi. Beberapa tahapan yang dilakukan untuk membangkitkan data simulasi model regresi logistik adalah sebagai berikut:

1. Rancangan Pembangkitan Data

Sebagai ilustrasi akan dibangkitkan suatu dataset yang menceritakan informasi mengenai kecenderungan suatu konsumen dalam membeli suatu produk pakaian merk tertentu. Variabel yang akan dibangkitkan antara lain adalah:

Y (Keputusan yang bernilai 1 untuk membeli dan 0 untuk tidak membeli)
X1 (Usia)
X2 (Pendapatan Bulanan)
X3 (Pekerjaan yang terdiri dari 5 kategori)

2. Membangkitkan Variabel Prediktor

Tahap selanjutnya adalah membangkitkan variabel prediktor atau fixed variable. Jika ingin disusun simulasi model regresi berganda 3 variabel maka perintah yang digunakan adalah sebagai berikut:

set.seed(1)
#membangkitkan 50 angka acak uniform rentang 15-45 (usia)
x1 = runif(50,15,45)
#membangkitkan 50 angka acak normal rataan 3500 dan varians 1000 (pendapatan)
x2 = (rnorm(50,3500,1000))/1000;x2
#membangkitkan angka acak 1 sampai 5 sebanyak 50 (kategori pekerjaan)
x3 = sample(c(1:5),size=50,replace=TRUE)

3. Menentukan Nilai Beta0, Beta1, Beta2, Beta3

Selanjutnya adalah menentukan koefisien untuk Beta0, Beta1, Beta2 dan Beta3. Penentuan nilai Beta0, Beta1, Beta2 dan Beta3 merupakan suatu skenario yang dapat disesuaikan masing-masing.

#menentukan nilai koefisien beta
b0 = 35
b1 = -1.26
b2 = 0.95
b3 = -1.05

4. Menentukan Peluang Binomial

Sebelum membangkitkan variabel Respons, sebelumnya adalah menentukan peluang binomial yang akan digunakan dengan menggunakan perintah sebagai berikut:

xb = b0+(b1*x1)+(b2*x2)+(b3*x3)
pr = exp(xb)/(1+exp(xb))

5. Menentukan Variabel Respons

Variabel Respons dapat ditentukan dengan menggunakan perintah sebagai berikut:

y = rbinom(50, 1, pr)

6. Menyusun Data

Setelah seluruh variabel dan koefisien ditentukan, selanjutnya adalah melakukan penyusunan dataset yang telah ditentukan dengan perintah sebagai berikut:

datasim = data.frame(y,x1,x2,x3)
View(datasim)

Hasil dari pembangkitan dataset tersebut adalah sebagai berikut:

Data tersebut telah menjelaskan terkait dengan y (keputusan membeli seorang konsumen), x1 (usia konsumen), x2 (pendapatan konsumen dengan satuan juta), dan x3 (lima kategori jenis pekerjaan).

7. Melakukan Analisis Regresi Logistik

Setelah data hasil bangkitan telah siap, tahap selanjutnya adalah melakukan analisis regresi logistik untuk memastikan dan mengkonfirmasi nilai parameter beta yang telah ditentukan di awal dengan perintah sebagai berikut:

fit = glm(y ~ x1 + x2 + x3, family = binomial(link = logit), data = datasim)
summary(fit)

Hasil yang diperoleh adalah sebagai berikut:

Berdasarkan hasil yang diperoleh, seluruh variabel menunjukan hasil yang signifikan untuk intercept (b0) dan x1 (b1) (terlihat dari nilai p-value pada Pr(>|t|)). Jika ditinjau dari hasil dugaan parameter yaitu:

Dugaan beta0 = 34.5827 ~ b0 = 35

Dugaan beta1 = -1.2804      ~      b1 = 1.25
Dugaan beta2 = 0.8712      ~      b2 = 0.95
Dugaan beta3 = 2.0621      ~      b3 = -1.05

Hasil tersebut telah mendekati koefisien parameter asli/awal yang ditentukan khususnya pada b0 dan b1. Hasil bangkitan data maupun hasil pemodelan akan berbeda dari tampilan ini karena terdapat perintah pembangkitan data acak.

Tutorial R : Membangkitkan Data Simulasi Sederhana pada Model Regresi Linier

noreply@blogger.com (Dani Al Mahkya) — Thu, 17 Mar 2022 22:37:00 +0000

Analisis Regresi merupakan salah satu jenis metode analisis statistika yang sangat sering digunakan. Hal ini karena analisis regresi memiliki model sederhana yang dapat digunakan untuk menganalisis maupun mengevaluasi bentuk hubungan dan pengaruh suatu variabel. Model yang paling sederhana dari analisis regresi adalah Model Regresi Linier Sederhana. Model ini mengamati hubungan dan pengaruh antara 2 variabel yang disebut variabel respon (dependen, terikat, dll) dan variabel prediktor (independen, bebas, dll). Secara sederhana variabel respon adalah variabel yang dipengaruhi oleh variabel prediktor, sebaliknya variabel prediktor adalah variabel yang memberikan pengaruh atau perubahan terhadap variabel respon dan bersifat fixed variable. Model regresi linier sederhana memiliki bentuk persamaan sebagai berikut:

dengan Y adalah variabel respon, X adalah variabel prediktor, beta0 adalah parameter intercept, beta1 adalah parameter slope terkait X dan e adalah galat/error. Secara umum, model regresi dapat menganalisis hubungan dan pengaruh beberapa/banyak variabel prediktor terhadap variabel respon. Model ini disebut regresi linier berganda (Multiple Regression). Model regresi linier berganda memiliki bentuk persamaan sebagai berikut:

dengan p adalah banyak variabel prediktor yang digunakan dalam model. Model regresi memiliki asumsi bahwa galat menyebar secara normal. Hal ini dapat menjadi salah satu petunjuk penting yang digunakan untuk melakukan pembangkitan data simulasi model regresi.

Simulasi model regresi dapat memberikan cara pandang baru bagaimana pengguna dapat membangkitkan suatu data, menentukan parameter, serta melakukan analisis guna menduga parameter yang telah ditentukan. Jika parameter dugaan mendekati parameter yang ditentukan, maka model analisis tersebut disimpulkan dapat mengevaluasi fenomena yang terjadi. Beberapa tahapan yang dilakukan untuk membangkitkan data simulasi model regresi linier adalah sebagai berikut:

1. Rancangan Pembangkitan Data

Sebagai ilustrasi akan dibangkitkan suatu dataset yang menceritakan informasi mengenai nilai penjualan suatu minimarket yang tersebar di seluruh Indonesia. Sampel yang diambil adalah sebanyak 50 cabang minimarket di seluruh indonesia. Variabel yang akan dibangkitkan antara lain adalah:

Y (Nilai penjualan dalam satuan juta)
X1 (Biaya promosi dalam satuan juta)
X2 (Jumlah karyawan pada setiap cabang)
X3 (Lokasi minimarket, 1 untuk daerah kota dan 0 untuk selain kota)
e (Galat pada model)

2. Membangkitkan Galat

Simulasi model regresi dapat dilakukan dengan tahap pertama kali yaitu membangkitkan angka acak sebanyak 50 sebagai galat berdistribusi normal dengan rataan 0 dan variansi 1 menggunakan perintah berikut:

set.seed(1)
#membangkitkan 50 angka acak normal rataan 0, variansi 1
galat = rnorm(50,0,1)

3. Membangkitkan Variabel Prediktor

Tahap selanjutnya adalah membangkitkan variabel prediktor atau fixed variable. Jika ingin disusun simulasi model regresi berganda 3 variabel maka perintah yang digunakan adalah sebagai berikut:

#membangkitkan 50 angka acak uniform rentang 10 sampai 15
x1 = runif(50,10,15)
#membangkitkan 50 angka acak cacah (poisson) dengan rataan 5
x2 = rpois(50,5)
#membangkitkan angka acak 0 dan 1
x3 = sample(c(0,1),size=50,replace=TRUE)

4. Menentukan Nilai Beta0, Beta1, Beta2, Beta3

Selanjutnya adalah menentukan koefisien untuk Beta0, Beta1, Beta2 dan Beta3 dengan perintah sebagai berikut:

#menentukan nilai koefisien beta
b0 = 25
b1 = 2.25
b2 = 1.15
b3 = 0.95

5. Menentukan Variabel Respons

Variabel Respons dapat ditentukan dengan menggunakan perintah sebagai berikut:

y = b0 + (b1*x1) + (b2*x2) + (b3*x3) + galat

6. Menyusun Data

Setelah seluruh variabel dan koefisien ditentukan, selanjutnya adalah melakukan penyusunan dataset yang telah ditentukan dengan perintah sebagai berikut:

datasim = data.frame(y,x1,x2,x3)
View(datasim)

Hasil dari pembangkitan dataset tersebut adalah sebagai berikut:

Komponen galat tidak perlu dimasukan dalam data frame. Hal ini karena pada data riil di lapangan, komponen galat merupakan komponen yang tidak diketahui dalam data.

7. Melakukan Analisis Regresi

Setelah data hasil bangkitan siap yang "diceritakan" bahwa data tersebut adalah data informasi nilai penjualan (y), biaya promosi (x1), jumlah karyawan (x2), dan lokasi cabang (x3). Berdasarkan data tersebut, akan dianalisis bagaiaman pengaruh x1, x2, dan x3 terhadap y. Perintah yang dapat digunakan adalah sebagai berikut:

fit = lm(y ~ x1 + x2 +x3, data=datasim)
summary(fit)

Hasil yang diperoleh dari analisis regresi adalah sebagai berikut:

Berdasarkan hasil yang diperoleh, seluruh variabel menunjukan hasil yang signifikan (terlihat dari nilai p-value pada Pr(>|t|)). Jika ditinjau dari hasil dugaan parameter yaitu:

Dugaan beta0 = 22.9559 ~ b0 = 25

Dugaan beta1 = 2.42274      ~    b1 = 2.25
Dugaan beta2 = 1.15561      ~    b2 = 1.15
Dugaan beta3 = 0.86858      ~    b3 = 0.95

Hasil tersebut telah mendekati koefisien parameter asli/awal yang ditentukan.

Tutorial : Menambahkan Informasi View Counter Pada Setiap Artikel Blogspot

noreply@blogger.com (Dani Al Mahkya) — Mon, 31 Jan 2022 01:49:00 +0000

Informasi tentang jumlah pembaca/pemirsa setiap artikel pada suatu laman merupakan salah satu informasi yang memberikan banyak manfaat. Pada laman/website dengan platform blogger, informasi tentang jumlah pembaca pada setiap artikel dapat disisipkan dengan cara menambahkan beberapa perintah tertentu serta menggunakan bantuan database dari pihak ketiga. Pada artikel ini, database yang digunakan adalah dari firebase.google.com.

Informasi tentang jumlah pembaca/pemirsa setiap artikel yang akan disisipkan memiliki beberapa kelebihan dan kekurangan (versi admin). Beberapa kelebihan dan kekurangan tersebut antara lain:

Kelebihan

Sebagai sarana promosi kepada pembaca tentang tingkat popularitas suatu artikel.
Membantu pengelola laman dalam memantau jumlah pembaca/pemirsa setiap artikel.
Memberikan kepercayaan terhadap pembaca mengenai kebermanfaatan suatu artiekel.

Kekurangan

Informasi ini hanya menampilkan jumlah pembaca/pemirsa setelah pemasangan.
Tidak menampilkan keseluruhan jumlah pembaca dari awal laman/website berdiri.
Proses pemasangan cenderung panjang dan membutuhkan proses edit HTML.

Setelah kelebihan dan kekurangan dari penambahan informasi ini dipahami, selanjutnya adalah proses pemasangan yaitu sebagai berikut:

1. Siapkan Laman dengan Platform Blogger

Harap dipastikan untuk laman yang akan ditambahkan informasi jumlah pemirsa adalah laman dengan platform blogger. Laman dengan platform wordpress dan lainnya memiliki cara yang berbeda, serta dapat lebih mudah ataupun lebih rumit.

2. Login ke firebase.google.com

Kunjungi dan login ke firebase.google.com menggunakan email google.

Kemudian pada tampilan depan, klik Add Project.

3. Lengkapi Informasi Project Baru

Berikan nama project yang baru dibuat, klik Continue (step 1)

Ceklis Enable Google Analytics for This Project, klik Continue (step 2)

Pilih akun pada tombol drop down, klik Create Project (step 3)

Tunggu sampai proses telah selesai, lalu klik Continue.

4. Membuat Database

Setelah masuk ke halaman depan akun, pilih dan klik Realtime Database kemudian klik Create Database.

Kemudian klik Next pada Database Option serta pilih Start in test mode lalu klik Enable.

Sampai pada tahap ini, database telah berhasil dibuat. Silahkan copy id firebase dengan cara block dan copy seluruh tulisan/url pada kotak berwarna biru dan ingat sebagai ID FIREBASE.

5. Pengaturan Rules

Tahap selanjutnya adalah melakukan pengaturan rules.

Klik Rules > Edit Rules kemudian atur isinya menjadi berikut atau sesuai dengan Kotak Biru.

{
"rules": {
".read": "true",
".write": "true",
}
}

Kemudian klik Publish lalu proses penyusunan database telah lengkap.

6. Pengaturan HTML Blogspot

Tahap selanjutnya adalah mengatur supaya laman blogspot dapat tersambung dengan database yang telah dibuat dengan cara masuk ke halaman blogger.

Klik Theme > Customize > Edit HTML. Kemudian letakkan kode berikut tepat sebelum kode </body>.

<script src='//cdn.firebase.com/js/client/2.2.1/firebase.js' type='text/javascript'/>
<script src='https://cdnjs.cloudflare.com/ajax/libs/jquery/2.1.4/jquery.min.js' type='text/javascript'/>
<script async='async' type='text/javascript'>
//<![CDATA[
$.each($(".post-view[data-id]"), function(a, e) {
var l = $(e).parent().find("#postviews").addClass("view-load"),
i = new Firebase("ID FIREBASE DISINI/pages/id/" + $(e).attr("data-id"));
i.once("value", function(a) {
var n = a.val(),
t = !1;
null == n && (n = {}, n.value = 0, n.url = window.location.href, n.id = $(e).attr("data-id"), t = !0), l.removeClass("view-load").text(n.value), n.value++, "/" != window.location.pathname && (t ? i.set(n) : i.child("value").set(n.value))
})
});
//]]>
</script>

Ganti tulisan barwarna merah dengan ID FIREBASE yang telah disalin sebelumnya. Sampai tahap ini, database yang telah dibuat telah tersambung pada laman. Selanjutnya adalah mengatur posisi informasi jumlah pembaca artikel.

7. Pengaturan Posisi

Posisi paling umum yang digunakan adalah di atas artikel atau di bawah artikel yang berselabahan dengan informasi komentar dan lain lain. Letakkan kode berikut di bawah kode <div class='post-info'> atau menyesuaikan masing-masing tema blogspot.

<span class='post-view' expr:data-id='data:post.id'><i class='fa fa-eye'/>
<span class='view-load' id='postviews'/> Viewers
</span>

Setelah itu simpan HTML yang telah diedit dan Selesai.

Pemasangan telah berhasil jika seluruh tahapab diikuti. Namun harap dibaca baik-baik kelebihan dan kekurangan pada pemasangan ini di awal artikel. Terimakasih dan semoga artikel Tutorial : Menambahkan Informasi View Counter Pada Setiap Artikel Blogspot dapat bermanfaat.

Tutorial R : Analisis Regresi Logistik Biner Menggunakan R

noreply@blogger.com (Dani Al Mahkya) — Sat, 22 Jan 2022 23:15:00 +0000

Secara umum, analisis regresi linier digunakan untuk memodelkan dan menganalisis hubungan antara variabel prediktor terhadap variabel respon. Variabel prediktor/bebas/independen adalah variabel yang dapat menyebabkan perubahan atau yang memberikan pengaruh terhadap variabel respon. Sedangkan variabel respon/terikat/dependen adalah variabel yang dipengaruhi oleh variabel prediktor. Skala data pada variabel respon yang digunakan dalam analisis regresi linier adalah skala interval maupun rasio.

Tantangan akan muncul jika skala data pada variabel respon adalah kategorik (nominal atau ordinal). Secara khusus artikel ini akan membahas model regresi dengan variabel respon berbentuk kategori biner (0/1). Salah satu model yang dapat digunakana dalah model regresi logistik biner. Model ini memungkinkan membentuk model regresi dengan variabel respon berbentuk biner.

Beberapa contoh kategori respon biner antara lain : Hidup/Mati, Sukses/Gagal, Setuju/Tidak Setuju dan lain sebagainya.

Secara umum, model regresi logistik biner didefinisikan sebagai :

Selain pembentukan model, salah satu hal terpenting dalam regresi logistik biner adalah terkait dengan interpretasi model yang terbentuk. Berikut akan dijelaskan tahapan dalam melakukan analisis regresi logistik biner menggunakan R. Penjelasan terkait interpretasi maupun asumsi akan dijelaskan pada kesempatan lainnya.

Permasalahan

Suatu lembaga riset sedang melakukan penelitian terkait dengan suatu wabah penyakit yang menyerang jenis burung A pada suatu wilayah. Penelitian ini mengamati keadaan burung A tersebut dari awal terjangkit sampai dengan 10 hari ke depan apakah kewan tersebut akan bertahan (1) atau akan mati (0). Beberapa faktor yang diamati antara lain rata-rata jarak tempuh terbang harian dan rata-rata berat badan yang diukur setiap hari. Penelitian ini menggunakan sampel sebanyak 30 ekor burung jenis A yang terindikasi terserang wabah. Data tabel hasil penelitian ditampilkan sebagai berikut, serta dapat diunduh dengan klik DISINI kemudian pilih data dengan nomor urut 51.

Lakukan analisis regresi logistik biner untuk mengetahui peluang burung A akan bertahan atau mati dengan 2 faktor yang diamati. Variabel respon (Y) dalam penelitian ini adalah 1 = bertahan dan 0 = mati. Sedangkan variabel prediktor 1 (X1) adalah jarak tempuh dan prediktor 2 (X2) adalah berat badan.

(catatan: data yang digunakan adalah data buatan untuk mempermudah pemahaman)

Struktur Data

Permasalahan pada input data yang sering ditemui adalah bentuk dan struktur data yang digunakan. Secara umum terdapat 2 bentuk dan struktur data yang dapat digunakan yaitu data individu dan berkelompok. Penyusunan data secara individu dijelaskan sebagai berikut atau sesuai dengan contoh data yang akan digunakan pada artikel ini.

Sedangkan penyusunan data secara kelompok dijelaskan pada gambar berikut berdasarkan data keadaan sembuh berdasarkan dosis obat:

Bentuk data yang digunakan pada artikel ini adalah bentuk individu. Sedangkan untuk data berkelompok, terdapat beberapa tambahan perintah dalam melakukan input data.

Input Data

Input data dapat dilakukan dengan cara import data yang telah disediakan sebelumnya. Cara import data dapat dilihat pada artikel berikut:

Tutorial R : Cara Alternatif untuk Import Data pada R dan RStudio

Setelah data terinput pada R, tahap selanjutnya adalah melakukan pemanggilan perintah dan definisi variabel.

Perintah

Perintah yang digunakan secara kesuluruhan adalah sebagai berikut:

setwd("D:/")
data = read.delim2("data reg logistik biner.txt")
y = data$Y
x1 = data$X1
x2 = data$X2
fit = glm(y ~ x1 + x2, family = binomial(link = logit))
summary(fit)

Penjelasan dari perintah tersebut dijelaskan sebagai berikut:

Baris 1 : Digunakan untuk mengatur folder sesuai tahap input data.
Baris 2 : Digunakan untuk import data dengan ekstensi *.txt.
Baris 3 : Pendefinisian variabel y berdasarkan kolom Y dari data.
Baris 4 : Pendefinisian variabel x1 berdasarkan kolom X1 dari data.
Baris 5 : Pendefinisian variabel x2 berdasarkan kolom X2 dari data.
Baris 6 : Perintah utama model dari variabel respon y dan prediktor x1 x2.
Baris 7 : Menampilkan hasil pemodelan pada baris 6.

Berdasarkan perintah yang telah dijalankan, hasil yang diperoleh adalah sebagai berikut:

Model

Model yang terbentuk dari hasil analisis yang telah dilakukan adalah sebagai berikut:

Signifikansi Parameter

Berdasarkan hasil yang diperoleh, menggunakan H0 adalah tidak terdapat pengaruh signifikan antara variabel prediktor terhadap respon, maka terlihat bahwa seluruh nilai P-Value lebih besar dari alpha (5%) dengan P-Value x1 (0,458) dan P-Value x2 (0,621). Hal ini menyebabkan H0 gagal ditolak untuk x1 maupun x2. Berdasarkan hasil tersebut dapat disimpulkan bahwa berdasarkan taraf signifikansi alpha 5%, tidak terdapat pengaruh parsial antara variabel x1 terhadap y maupun variabel x2 terhadap y.

Akurasi Prediksi

Walaupun kedua variabel tidak signifikan dalam model, tingkat keakuratan model dalam memprediksi dapat dilihat menggunakan perintah sebagai berikut:

table(true = y, pred = round(fitted(fit)))

Serta hasil sebagai berikut:

Hasil tersebut menunjukan bahwa sebanyak 19 sampel yang bertahan tepat diprediksi akan bertahan dan 2 sampel yang mati tepat diprediksi akan mati. Sedangkan terdapat 9 sampel yang mati namun diprediksi akan hidup yang menandakan hasil ini adalah sebuah kesalahan.

Beberapa hasil maupun kesimpulan yang diperoleh akan selalu selaras dengan hasil dari uji signifikansi parameter, dimana pada artikel ini seluruh variabel prediktor tidak signifikan dalam memperngaruhi variabel respon.

Beberapa pengujian lainnya dapat dilakukan pada model regresi logistik biner. Beberapa sumber yang dapat dijadikan rujuan antara lain :

Agresti, A. 2015. Foundations of Linear and Generalized Linear Models. New Jersey: Wiley

Dunn, Peter K., Smyth, Gordon K. 2018. Generalized Linear Models With Examples in R. New York: Springer

Tutorial R : Cara Alternatif untuk Import Data

noreply@blogger.com (Dani Al Mahkya) — Sat, 22 Jan 2022 04:50:00 +0000

Pada artikel sebelumnya telah dijelaskan cara import data menggunakan fasilitas dari RStudio yang dapat dilihat pada tautan berikut:

Input Data pada RStudio

Selain cara diatas, terdapat alternatif lain dalam melakukan import data maupun memanajemen suatu folder agar menunjang keefektifan bekerja. Cara tersebut adalah dengan melakukan Set Working Directory. Cara ini akan memungkinkan pengguna untuk bekerja berdasarkan beberapa data maupun sumber dari folder tertentu tanpa harus berkali-kali mengganti folder yang berisi data maupun sumber.

Terdapat 2 cara yang dapat dilakukan untuk menjalankan perintah Set Working Directory.

1. Melalui GUI RStudio

Cara pertama adalah melalui GUI RStudio dengan cara klik Session > Set Working Directory > Choose Directory. Kemudian pilih folder yang akan digunakan selama berkerja. Selain itu juga dapat menggunakan tombol shortcut CTRL + SHIFT + H.

Setelah terpilih folder yang digunakan, maka import data pun akan semakin mudah. Import Data dapat dilakukan dengan memasukan perintah kemudian menuliskan judul data seperti contoh berikut:

Silahkan disesuaikan sumber data yang digunakan, apakah data berasal dari notepad dengan ekstensi *.txt atau dari ms. excel dengan ekstensi *.xlsx.

2. Melalui Perintah

Cara kedua adalah melalui perintah R yang dapat dimasukan pada RScript atau RConsole. Perintah yang digunakan adalah sebagai berikut:

setwd("lokasi folder yang diinginkan")

Sebagai contoh, lokasi yang terpilih adalah pada Drive D maka:

setwd("D:/")

Contoh lain, lokasi yang terpilih adalah pada Drive D dan di dalam folder TUGAS maka:

setwd("D:/TUGAS")

Setelah terpilih folder yang digunakan, maka import data pun akan semakin mudah. Import Data dapat dilakukan dengan memasukan perintah kemudian menuliskan judul data seperti contoh berikut:

Silahkan disesuaikan sumber data yang digunakan, apakah data berasal dari notepad dengan ekstensi *.txt atau dari ms. excel dengan ekstensi *.xlsx.

Demikian artikel terkait dengan Cara Alternatif untuk Import Data pada R dan RStudio.

Tutorial : Mengirimkan Sertifikat Otomatis dengan Mail Marge Autocrat (dilengkapi simulasi)

noreply@blogger.com (Dani Al Mahkya) — Mon, 02 Aug 2021 05:30:00 +0000

Di masa yang serba daring seperti saat ini, beberapa kegiatan yang memberikan sertifikat tentunya membutuhkan cara pengiriman sertifikat yang efisien dan praktis. Kegiatan-kegiatan tersebut antara lain Seminar Online, Pelatihan Online, Workshop Online dan sebagainya. Bahkan mungkin saja beberapa jenjang pendidikan memberikan Surat Keterangan Kelulusan (SKL) secara daring. Salah satu cara yang dapat digunakan adalah menggunakan Autocrat. Apa itu Autocrat? Autocrat merupakan salah satu plugin yang tersedia pada Google Speadsheet.

Sebelum memulai untuk mengirimkan sertifikat secara otomatis, berikut beberapa hal yang harus disiapkan:

Akun Google
Daftar email penerima sertifikat
Desain sertifikat dengan nama penerima dikosongkan

Jika ketiga poin di atas telah disiapkan, maka sertifikat telah siap untuk dikirimkan. Berikut beberapa tahapan yang harus dilakukan sampai sertifikat terkirim pada peserta.

1. Siapkan Desain Sertifikat

Langkah pertama yang harus dilakukan adalah menyiapkan desain sertifikat yang akan digunakan. Desain sertifikat yang digunakan pada artikel ini adalah sebagai berikut:

Template desain tersebut diperoleh dari https://www.canva.com/ serta dapat diunduh Disini

2. Login Akun Google

Setelah desain sertifikat diunduh, tahap selanjutnya adalah login pada akun Google dengan cara klik pada tautan berikut Klik Disini. Setelah login berhasil, selanjutnya terdapat beberapa hal yang harus dilakukan yaitu sebagai berikut:

- Masuk pada Google Drive

Setelah masuk pada akun Google, silahkan akses ke Google Drive.

Setelah masuk pada Google Drive, silahkan buat folder khusus untuk sertifikat yang akan dikirimkan ke peserta, folder tersebut mencakup Folder MASTER dan Folder SERTIFIKAT.

Masuk pada Folder MASTER, silahkan klik New - Google Slides

Kemudian pada halaman Google Slide, drag (geser) desain sertifikat yang diunduh pada slide pertama lalu berikan nama file Master Sertifikat. Atur besar (panjang dan lebar) sertifikat sesuai dengan ukuran slide. Alternatif lain adalah mengatur sertifikat menggunakan Ms. Power Point lalu drag (geser) sertifikat yang telah diatur ke Google Drive kemudian buka file tersebut lalu klik File - Save as Google Slides. Selain itu juga editing dapat dilakukan menggunakan Ms. Word dengan tahapan yang serupa menggunakan Ms. Power Point namun klik File - Save as Google Docs.

Pada lokasi Nomor Sertifikat dan Nama Peserta, sisipkan text box lalu isi dengan ketentuan berikut:

Lokasi Nomor Sertifikat : <<Nomor>>

Lokasi Nama Penerima : <<Nama>>

Setelah Google Slides tersimpan otomatis, maka dilanjutkan pada tahap selanjutnya.

Mohon diingat, tanda << ... >> merupakan lokasi penyisipan data, jika dalam sertifikat maupun dokumen lainnya memiliki beberapa informasi yang harus disisipkan seperti contoh lokasi, waktu, jenis kegiatan dan lainnya, silahkan dilengkapi seperti contoh tersebut. Nama lokasi (<< ... >>) penyisipan informasi harus sesuai dengan data yang dimasukan pada Google Sheets ditahap selanjutnya.

- Masuk pada Google Sheets

Pada tahap selanjutnya, silahkan kembali ke Folder MASTER lalu klik New - Google Sheets

3. Persiapkan Data Penerima Email

Setelah Google Sheets terbuka secara otomatis pada tahap sebelumnya, maka selanjutnya adalah isikan beberapa data penerima sertifikat sesuai ketentuan pada gambar berikut:

Kolom Nomor : berisi nomor sertifikat penerima.

Kolom Nama : berisi nomor nama penerima sertifikat

Kolom Email : berisi alamat email penerima sertifikat

Alamat email penerima sertifikat merupakan salah satu unsur penting. Jika alamat email ini salah maupun kurang tepat maka sertifikat tidak akan sampai ke penerima. Pastikan seluruh data telah sesuai dan benar.

4. Install Plugin Autocrat

Tahap yang paling penting adalah penggunaan dari Plugin Autocrat itu sendiri. Silahkan install Plugin Autocrat pada Google Sheets dengan cara klik Add-ons pilih Get add-ons.

Maka selanjutnya akan diarahkan secara otomatis pada kotak dialog Google Workspace Marketpace. Pada kotak dialog tersebut, silahkan cari add-ons dengan kata kunci Autocrat.

Klik Autocrat lalu pilih dan klik INSTALL.

Setelah proses install selesai maka Autocrat akan otomatis tertautkan pada Google Sheets akun tersebut.

5. Menggunakan Autocrat

Setelah Autocrat berhasil diinstall, tahap selanjutnya adalah menjalankannya. Pada halaman Google Sheets, silahkan klik Add-ons - Autocrat - Open.

Selanjutnya akan diarah pada kotak dialog Autocrat. Pada kotak dialog tersebut klik New Job

Isikan nama Job lalu klik Next

Pada bagian selanjutnya, pengguna diharuskan untuk memilih desain sertifikat yang akan digunakan. Karena desain sertifikat telah disiapkan di akun Google Drive pada poin 2 maka selanjutnya klik From Drive kemudian cari dan pilih desain yang telah disiapkan tadi. Mohon diingat, desain yang digunakan adalah desain yang telah dipindahkan ke Google Slides beserta dengan lokasi Nomor dan Nama lalu klik Next.

Selanjutnya adalah tahap menentukan lokasi-lokasi dalam template yang akan disisipkan beberapa data maupun informasi. Karena dalam sertifikat yang dibuat pada artikel ini hanya memuat Nomor Sertifikat dan Nama Penerima maka hanya terdapat 2 lokasi. Atur sesuai dengan ketentuan berikut:

Selajutnya isikan nama file yang akan dikirimkan beserta jenis file. Pada umumnya, jenis file yang digunakan adalah *.pdf.Pada keterangan bagian File Name, kita dapat membedakan nama untuk file satu dengan yang lain. Sebagai contoh pada kolom File Name akan diisikan :

Sertifikat Pelatihan a.n. <<Nama>>

Maka hasil file yang muncul dan yang akan dikirimkan untuk 10 daftar penerima adalah :

Sertifikat Pelatihan a.n. Mr. A.pdf
Sertifikat Pelatihan a.n. Mr. B.pdf
Sertifikat Pelatihan a.n. Mrs. C.pdf
Sertifikat Pelatihan a.n. Mr. D.pdf
Sertifikat Pelatihan a.n. Mr. E.pdf
Sertifikat Pelatihan a.n. Mrs. F.pdf
Sertifikat Pelatihan a.n. Mr. G.pdf
Sertifikat Pelatihan a.n. Mr. H.pdf
Sertifikat Pelatihan a.n. Mrs. I.pdf
Sertifikat Pelatihan a.n. Mr. J.pdf

Setelah File Name dan Type ditentukan selanjutnya klik Next.

Tahap selanjutnya adalah menentukan folder yang digunakan untuk menyimpan file hasil generate sertifikat. Silahkan pilih folder yang telah dibuat pada tahap 2 lalu pilih Folder SERTIFIKAT lalu klik Next.

Tahap 6 dan 7 pada langkah di Autocrat dapat di Skip. Pada tahap 8 di Autocrat, kita diharuskan untuk mengatur template yang akan dikirimkan ke email penerima. Pada artikel ini digunakan template email sebagai berikut tertera pada gambar. Perhatikan, seluruh kode yang tertera <<...>> merupakan lokasi menyisipkan informasi secara otomatis dari data di Google Sheets. Oleh karena itu, modifikasi template email dapat memaksimalkan kode ini untuk memperjelas dan memperindah email yang akan dikirim.

Tahap terakhir yaitu pengaturan Trigger. Terdapat 2 pengaturan yang disediakan yaitu :

Run on Form Trigger : pengaturan ini memungkinkan proses mail merge dan generate sertifikat berjalan jika ada perintah yang masuk dari Google Form. Sebagai ilustrasi adalah "Peserta akan mendapatkan sertifikat otomatis secara instan jika telah mengisi google form yang disediakan".
Run on Time Trigger : pengaturan ini memungkinkan proses mail merge dan generate sertifikat berjalan pada pilihan rentang waktu yang ditentukan.
Manual : selain menggunakan trigger, proses dapat berjalan secara manual dengan klik tombol play. Pilihan tersebut yang akan digunakan pada artikel ini.

Setelah semua selesai di atur, selanjutnya klik Save. Setelah disimpan, untuk menjalankan prosesnya dapat dengan klik tombol play.

Saran : untuk percobaan pertama kali, disarankan menggunakan email pribadi yang lain atau kawan untuk mengecek apakah email sudah sesuai dan file sudah ter gerenarate dengan benar. Caranya adalah mengosongkan dahulu isi Google Sheet lalu mengisikan Email percobaan yang akan dijadikan latihan.

Berikut merupakan hasil email dan file sertifikat yang dikirimkan melalui Autocrat.

Terimakasih dan semoga bermanfaat.

Tutorial R : Pemodelan ARIMAX (ARIMA with Exogenous Variable) Menggunakan R

noreply@blogger.com (Dani Al Mahkya) — Tue, 27 Jul 2021 04:46:00 +0000

Model ARIMA merupakan salah satu model yang sering digunakan untuk melakukan pemodelan data deret waktu. Model ARIMA sendiri memiliki banyak sekali pengembangan. Pengembangan-pengembangan tersebut disesuaikan dengan kebutuhan maupun karakteristik data deret waktu yang diperoleh di lapangan. Salah satu pengembangan model ARIMA yang akan dibahas pada artikel ini adalah model ARIMAX atau Autoregressive Integrated Moving Average with Exogenous Variable. Sebagai awal pembahasan ARIMAX, pembahansan akan fokus pada model deret waktu yang stasioner. Jika diketahui bentuk umum dari model ARMA(p,q) dengan rataan nol sebagai berikut:

Persamaan ARMA(p,q) dengan rataan nol dapat kita tulis ulang ke dalam bentuk backshift maka akan menjadi seperti berikut:

Yt merupakan data deret waktu yang akan dimodelkan dan at merupakan deret noise model ARMA(p,q) dengan parameter dan . Model ARMA(p,q) tersebut akan menjadi model ARMAX(p,q) dengan bentuk sebagai berikut:

Penambahan komponen Exogenous Xt mengharuskan adanya estimasi parameter pada model ARMAX(p,q). Salah satu alat bantu yang dapat digunakan untuk melakukan estimasi model ARIMAX adalah R. Terdapat beberapa perintah dalam R yang dapat dimaksimalkan untuk melakukan pemodelan data deret waktu dengan ARIMAX.

Beberapa pustaka yang terkait dalam artikel ini antara lain:

[otext.com] Rob J Hyndman and George Athanasopoulos. Forecasting: Principles and Practice (2nd ed), Monash University, Australia.

Cryer, Jonathan D. & Chan, Kung-Sik. (2008). Time Series Analysisi with Applications in R. Lowa City, Lowa: Springer.

Wei, W. W. S. (2006). Time Series Analysis Univariate and Multivariate Method. Second Edition. New York: Pearson Education.

dan lain-lain.

Pada dasarnya, estimasi parameter model ARIMAX pada R tidak terlalu berbeda dengan estimasi parameter ARIMA. Terdapat penambahan perintah yang digunakan untuk estimasi ARIMA. Artikel terkait pemodelan ARIMA dapat dilihat pada artikel berikut:

Tutorial R : Pemodelan ARIMA Menggunakan R

Perintah pada R yang digunakan dalam pemodelan ARIMAX adalah sebagai berikut dengan package "forecast". [Catatan] Perintah yang digunakan adalah Arima (package forecast) bukan arima.

Arima(y, order = c(p, d, q), xreg = x)

Penjelasan:

Variabel y merupakan data deret waktu yang akan dimodelkan. Sedangkan variabel x adalah data deret waktu yang memberikan pengaruh terhadap variabel y. Perintah order = c(p, d, q) merupakan dugaan orde ARIMA berdasarkan tahap identifikasi. Perintah xreg = x merupakan perintah penambahan variabel Exogenus yang akan digunakan dalam model ARIMAX. Pada artikel ini akan digunakan dataset contoh yang dapat diperoleh dari Package "fpp2" yang diterbitkan oleh Rob J Hyndman dan George Athanasopoulos dalam buku Forecasting: Principles and Practice (2nd edition). Dataset yang digunakan adalah "uschange".

1. Cara Mendapatkan Dataset

Dataset yang digunakan yaitu "uschange" merupakan salah satu Dataset yang disediakan oleh Rob J Hyndman dan George Athanasopoulos dalam buku Forecasting: Principles and Practice (2nd edition). Data tersebut menjelaskan tentang data triwulanan pengeluaran konsumsi pribadi dan pendapatan disposabel pribadi dari tahun 1970 hingga 2016 Triwulan ke-3. Berikut merupakan perintah yang digunakan untuk memanggil Dataset tersebut.

install.packages("fpp2")
library(fpp2)
uschange

Beberapa variabel pada Dataset tersebut antara lain "Consumption", "Income", "Production", "Saving", dan "Unemployment". Studi Kasus yang ingin diamati adalah ingin memprediksi perubahan pengeluaran ("Consumption") berdasarkan perubahan pendapatan ("Income"). Faktor lain dari variabel "Production", "Saving", dan "Unemployment" bahkan faktor tunda terjadinya pengaruh variabel "Income" tidak dimasukan dalam model. Jika beberapa faktor tersebut dimasukan dalam model, maka model yang dapat terbentuk akan berkembang bahkan dapat menggunakan pendekatan Fungsi Transfer.

2. Identifikasi

Tahap identifikasi selalu penting digunakan untuk mengetahui dugaan model yang akan diestimasi dalam proses pemodelan. Bagian pertama adalah dengan menentukan Time Series Plot dari data deret waktu dengan perintah sebagai berikut:

autoplot(uschange[,1:2], facets=TRUE)+ ylab("")

Selanjutnya adalah menentukan ACF dan PACF plot dari data deret waktu untuk "Consumption" dengan perintah sebagai berikut:

par(mfrow=c(2,1))
acf(uschange[,"Consumption"])
pacf(uschange[,"Consumption"])

Berdasarkan plot ACF dan PACF diketahui bahwa lag pada Q1, Q2, Q3, cut-off pada ACF maupun PACF. Hal ini mendasari model dugaan yang mungkin adalah kombinasi dari ketiga lag yang cut-off.

3. Estimasi

Tahap estimasi merupakan salah satu tahap yang paling penting. Pada artikel sebelumnya telah dibahas mengenai tahap estimasi dan uji signifikansi parameter model ARIMA. Artikel lebih lengkapnya dapat dilihat pada tautan berikut :

Tutorial R : Pemodelan ARIMA Menggunakan R

Berdasarkan hasil estimasi dan uji signifikansi parameter, diperoleh 5 dugaan model yang parameternya signifikan terhadap model dengan perintah R sebagai berikut:

datay = uschange[,"Consumption"]
library(lmtest)
estimasi6 = arima(datay, order=c(2,0,2)); estimasi6; coeftest(estimasi6)
estimasi7 = arima(datay, order=c(2,0,1)); estimasi7; coeftest(estimasi7)
estimasi8 = arima(datay, order=c(2,0,0)); estimasi8; coeftest(estimasi8)
estimasi9 = arima(datay, order=c(1,0,2)); estimasi9; coeftest(estimasi9)
estimasi10 = arima(datay, order=c(0,0,2)); estimasi10; coeftest(estimasi10)

Hasil estimasi 6, 7, 8, 9, dan 10 menunjukan hasil yang signifikan dengan Hipotesis Nol adalah untuk setiap koefisien adalah parameter tidak signifikan dalam model. Nilai p-value untuk kelima dugaan model lebih kecil dari nilai .

4. Diagnosa Model

Berdasarkan 5 kandidat dugaan model, akan dipilih model dengan keakuratan yang paling tinggi berdasarkan nilai MAPE yang minimum. Perintah yang dapat digunakan untuk memilih model tersebut adalah:

library(forecast)
accuracy(estimasi6)
accuracy(estimasi7)
accuracy(estimasi8)
accuracy(estimasi9)
accuracy(estimasi10)

Berdasarkan pemilihan nilai MAPE diperoleh nilai MAPE terkecil yaitu model dugaan 6 atau ARMA(2,2). Tahap selanjutnya adalah melakukan uji kebaikan model dengan Ljung-Box Test (Penjelasan lebih lengkap dapat dilihat pada artikel Tutorial R : Pemodelan ARIMA Menggunakan R) dengan perintah sebagai berikut:

residual6 = estimasi6$residuals
Box.test(residual6, lag=4)

Hasil tersebut menunjukan bahwa model telah layak digunakan berdasarkan Ljung-Box Test dengan banyak lag adalah 4.

5. Estimasi Model ARIMAX

Setelah model terbaik diperoleh yaitu ARMA(2,2), tahap selanjutnya adalah melakukan estimasi parameter dengan penambahan Exogenous Variabel dengan perintah sebagai berikut:

library(forecast)
library(lmtest)
datay = uschange[,"Consumption"]
datax = uschange[,"Income"]
estimasiarmax = Arima(datay, order=c(2,0,2), xreg=datax)
estimasiarmax; coeftest(estimasiarmax)

Berdasarkan hasil yang diperoleh, seluruh koefisien dari parameter yang diestimasi memberikan nilai p-value yang kurang dari . Hal ini menandakan bahwa seluruh parameter telah signifikansi dalam model.

6. Diagnosa Model ARIMAX

Diagnosa model yang dilakukan sama dengan diagnosa model ARIMA pada umumnya dengan perintah sebagai berikut:

res_armax = estimasiarmax$residuals
Box.test(res_armax, lag=8)

Hasil tersebut menunjukan bahwa model telah layak digunakan berdasarkan Ljung-Box Test dengan banyak lag adalah 8.

7. Forecasting

Rincian model ARMAX dan lainnya dapat dilihat pada sumber pustaka yang dilampirkan pada artikel ini. Tahap terkahir dalam pemodelan adalah Forecasting. Perintah yang digunakan adalah sebagai berikut dengan panjang prediksi adalah 8 periode ke depan.

xreg1 = rep(mean(datax),8)
forecast(estimasiarmax, xreg=xreg1, h=8)

Tutorial R : Pemodelan Lengkap ARIMA Menggunakan R

noreply@blogger.com (Dani Al Mahkya) — Mon, 19 Jul 2021 18:20:00 +0000

Autoregressive Integrated Moving Average (ARIMA) merupakan salah satu motode yang dapat digunakan dalam pemodelan data deret waktu. Proses pemodelan ARIMA menggunakan prinsip iterasi Box-Jenkins yang mencakup tahap Identifikasi, Estimasi, dan Diagnosa Model. Setelah model dikatakan memenuhi kriteria maka tahap prediksi dapat dilakukan. Beberapa pustaka yang dapat dipelajari terkait dengan pemodelan ARIMA dan seluk beluknya antara lain :

Makridakis, Spyros., Wheelright, Steven, C., & McGee, Victor, C. (1999). Metode dan Aplikasi Peramalan. Jakarta: Binarupa Aksara.

Cryer, Jonathan D. & Chan, Kung-Sik. (2008). Time Series Analysisi with Applications in R. Lowa City, Lowa: Springer.

Montgomery, Douglas C., Jennings, Cheryl., & Kulachi, Murat. (2008). Introduction to Time Series Analysis and Forecasting. Hoboken, New Jersey: Willey.

Wei, W. W. S. (2006). Time Series Analysis Univariate and Multivariate Method. Second Edition. New York: Pearson Education.

dan lain-lain.

Pada artikel lainnya juga telah dibahas pemodelan ARIMA menggunakan beberapa alat bantu yaitu:

Tutorial : Forecasting dengan ARIMA menggunakan SAS University Edition (free)

R menyediakan beberapa perintah maupun package yang cukup lengkap terkait dengan pemodelan ARIMA maupun pengembangannya.

Identifikasi Model

Tahap identifikasi dilakukan untuk memperoleh dugaan orde ARIMA dari data deret waktu. Beberapa perintah dalam R yang dapat digunakan untuk melakukan tahap Identifikasi Model adalah sebagai berikut:

Perintah R	Package	Keterangan
ts.plot(data)	stats (default)	Menampilkan Time Series Plot dari data deret waktu yang akan dimodelkan.
adf.test(data)	tseries	Melakukan uji stasioneritas terhadap rataan data deret waktu.
diff(data)	stats (default)	Melakukan operasi differencing pada data deret waktu yang belum stasioner dalam rataan.
boxcox(data)	EnvStats	Mengecek kestasioneran dalam variansi data deret waktu.
acf(data	stats (default)	Menampilakn Plot Autocorrelation Function data deret waktu.
pacf(data)	stats (default)	Menampilakn Plot Partial Autocorrelation Function data deret waktu.

Estimasi Parameter

Estimasi parameter merupakan suatu tahapan yang penting dalam pemodelan deret waktu khususnya ARIMA. Tapah ini dilakukan setelah dugaan model pada tahap identifikasi telah diperoleh. Perintah yang dapat digunakan untuk mengestimasi parameter model ARIMA adalah sebagai berikut dengan package default "stats".

arima(x, order = c(p, d, q), method = c("CSS-ML", "ML", "CSS"))

Penjelasan:

Variabel x merupakan data deret waktu yang akan dimodelkan.
Perintah order = c(p, d, q) merupakan dugaan orde ARIMA berdasarkan identifikasi.
Perintah method = c("CSS-ML", "ML", "CSS")) merupakan perintah pilihan beberapa metode estimasi yang dapat digunakan.

Setelah parameter diestimasi, tahap selanjutnya yang tidak kalah penting adalah menguji tingkat signifikansi parameter berdasarkan hasil estimasi. Perintah yang dapat digunakan adalah sebagai berikut dengan package "lmtest".

coeftest(modeldugaan)

Penjelesan:

Definisi modeldugaan adalah "beberapa" model ARIMA yang diduga dan selanutnya diestimasi pada tahap-tahap sebelumnya.

Diagnosa Model

Tahap Diagnosa Model digunakan untuk melihat apakah model yang terbentuk telah sesuai dan layak digunakan untuk tahap selanjutnya. Perintah yang dapat digunakan adalah sebagai berikut dengan package default "stats".

Box.test(res, lag=n)

Penjelasan:

Varibel res merupakan residual dari model ARIMA yang telah diestimasi. Perintah lag=n merupakan panjang lag residual yang akan diamati.

Forecasting

Tahap terkahir dalam pemodelan ARIMA dalah Forecasting atau prediksi untuk jangka waktu ke depan. Perintah yang dapat digunakan adalah sebagai berikut dengan package "forecast".

forecast(model, h)

Penjelasan:

Definisi model adalah pendefinisian model ARIMA terbaik yang telah diperoleh dari tahap estimasi parameter maupun diagnosa model. Sedangkan h adalah panjang periode prediksi yang akan ditentukan.

Studi Kasus

Diketahui data penjulan suatu Toko Serba Ada XYZ (dalam juta) selama 40 minggu adalah sebagai berikut:

Pemiliki toko ingin melakukan pemodelan serta prediksi untuk beberapa minggu ke depan pada data penjualan toko tersebut. Bantulah pemilik toko untuk melakukan semua tahap yang dibutuhkan. Data tersebut dapat diunduh pada halaman menu Data Contoh dan Data dengan nomor urut 50. Berikut dijelaskan beberapa tahapan untuk menyelesaikan permasalagan tersebut.

1. Identifikasi Model

Langkah pertama yang paling penting adalah memunculkan plot deret waktu dari data yang digunakan. Pada tutorial ini, data diimport pada RStudio dengan nama "penjulanxyz". Perintah berikut digunakan untuk menampilkan time series plot dari data yang akan dimodelkan.

ts.plot(penjualanxyz)

Setelah mengamati pola yang terbentuk, tahap selanjutnya adalah melakukan uji stasioneritas terhadap rataan menggunakan Augmented Dickey Fuller (ADF) Test dengan perintah sebagai berikut:

library(tseries)
adf.test(penjualanxyz)

Berdarkan hasil uji ADF, diperoleh nilai p-value sebesar 0,04235. Hipotesis Nol yang digunakan adalah data tidak stasioner. Jika menggunakan nilai alpha 5% maka dapat disimpulkan bahwa Hipotesis Nol ditolak dan kesimpulannya adalah data deret waktu telah stasioner dalam rataan. Jika diperoleh kesimpulan data belum stasioner dalam rataan, maka diperlukan tahap differencing dalam pemodelannya. [Catatan] Pada kasus ini, diasumsikan bahwa data telah stasioner dalam varians. Oleh karena itu tidak dilakukan uji atau pengecekan lebih lanjut. Tahap selanjutnya adalah menampilkan ACF dan PACF dari data deret waktu. Perintah yang dapat digunakan adalah:

acf(penjualanxyz)
pacf(penjualanxyz)

Cara menentukan orde ARIMA yang sesuai, diguanakan panduan sebagai berikut:

Berdasarkan plot ACF dan PACF yang dihasilkan, dugaan model yang mungkin adalah : AR(1), MA(1), dan ARMA(1,1). Kesimpulan tersebut mengharuskan penelitI untuk mencoba melakukan tahap estimasi dan signifikansi parameter untuk ketiga kemungkinan yang ada.

2. Estimasi Parameter

Berdasarkan hasil identifikasi model, diperoleh 3 dugaan model ARIMA yang mungkin. Oleh karena itu pada tahap estimasi akan dicoba ketiga dugaan modelnya. Perintah yang dapat digunakan adalah sebagai berikut:

dugaan1 = arima(penjualanxyz, order = c(1,0,0));dugaan1
dugaan2 = arima(penjualanxyz, order = c(0,0,1));dugaan2
dugaan3 = arima(penjualanxyz, order = c(1,0,1));dugaan3

Selanjutnya adalah melakukan uji signifikansi parameter dengan perintah berikut :

library(lmtest)
coeftest(dugaan1)
coeftest(dugaan2)
coeftest(dugaan3)

Berdasarkan hasil uji signifikansi parameter, diperoleh bahwa model dengan parameter yang signifikan terdapat pada dugaan1 atau AR(1) dan dugaan2 atau MA(1). Hal ini dapat dilihat dari nilai p-value kedua dugaan model kurang dari nilai alpha.

3. Diagnosa Model

Tahap selanjutnya adalah menentukan kelayakan model. Cara yang digunakan pada tahap ini adalah dengan menguji residual model apakah telah memenuhi asumsi pemodelan ARIMA. Uji yang digunakan adalah uji Ljung-Box dengan perintah sebagai beriikut:

res1 = dugaan1$residuals
res2 = dugaan2$residuals
Box.test(res1, lag=6)
Box.test(res2, lag=6)

Berdasarkan hasil uji Ljung-Box, diperoleh nilai p-value sebesar 0,7281 untuk residual dugaan1 dengan lag sebanyak 6 dan 0,6284 untuk residual dugaan2 dengan lag sebanyak 6. Hipotesis Nol yang digunakan adalah model layak digunakan (uncorrelated residual). Jika menggunakan nilai alpha 5% maka dapat disimpulkan bahwa Hipotesis Nol gagal ditolak dan kesimpulannya adalah model telah layak digunakan. Berdasarkan hasil tersebut, dapat diketahui bahwa ternyata model dugaan1 maupun dugaan2 telah sesuai dengan masuk ke kandidat model terbaik. Untuk memilih salah satu model terbaik, digunakan perbandingan akurasi prediksi berdarkan nilai Mean Absolute Percentage Error (MAPE) dengan perintah sebagai berikut:

library(forecast)
accuracy(dugaan1)
accuracy(dugaan2)

Berdasarkan nilai MAPE yang diperoleh, ternyata model dugaan1 atau AR(1) memberikan nilai MAPE yang lebih kecil. Maka dapat disimpulkan bahwa model terbaik untuk studi kasus ini adalah model AR(1). Penjelasan persamaan dan lain sebagainya dapat dilihat pada pustka yang telah dijelaskan di awal artikel.

4. Forecasting

Tahap terakhir adalah melakukan prediksi untuk jangka waktu ke depan. Jika ingin diketahui nilai prediksi untuk 2 minggu ke depan, maka perintah yang digunakan adalah:

library(forecast)
prediksi = forecast(dugaan1, h=2);prediksi

Hasil prediksi untuk dua minggu ke depan adalah 49,98 juta dan 49,91 juta. Hasil prediksi ke depan model AR(1) akan cenderung mendekati rataan untuk jangka waktu yang panjang. Penjelasan hal ini dapat dilihat pada pustaka yang telah dijelaskan di awal artikel.

Tutorial R : Uji Kruskal Wallis Menggunakan R

noreply@blogger.com (Dani Al Mahkya) — Fri, 23 Apr 2021 05:58:00 +0000

Salah satu uji yang dapat digunakan untuk membandingkan 3 populasi atau lebih independen adalah Uji Kruskal-Wallis H. Jika dalam proses pengujian hipotesis, kesimpulan H0 ditolak maka perlu dilakukan uji lanjut. Berikut beberapa perintah yang digunakan:

Package : stats

Perintah : kruskal.test(formula, data)

Berikut penjelasan terkait detail perintah yang digunakan:

kruskal.test
Perintah yang digunakan untuk melakukan Uji Kruskal Wallis

formula
Persamaan spesifik untuk model yang digunakan. Contoh bentuk formula sebagai berikut : “hasil ~ perlakuan”

data
Data yang digunakan dalam pengujian

Pengujian 3 populasi atau lebih memungkinkan kesimpulan "minimal terdapat 2 populasi berbeda". Untuk mengetahui 2 populasi (pasangan) yang berbeda tersebut dilakukan tahap uji lanjutan. Banyak teknik yang dapat digunakan untuk melakukan uji lanjut. Salah satunya adalah Dunn Test. Berikut beberapa perintah yang digunakan:

Package : FSA

Perintah : dunnTest(x)

Permasalahan

Diketahui data sampel nilai ujian 4 kelas berbeda.

Ujilah data tersebut mengguanakn kepercayaan 90% apakah terdapat pengaruh perbedaan kelas terhadap nilai yang diperoleh. Data tersebut dapat diunduh [klik disini] kemudian pilih data dengan nomor urut 47.

Penyelesaian

1. Susun Data

Susun data sesuai dengan gambar berikut:

2. Import Data

Import Data yang telah diunduh dan berikan nama : nilai4kelas
Tutorial import data dapat dilihat pada link berikut : [klik disini]

Tutorial Import Data : [klik disini]

3. Masukan Perintah

Masukan perintah berikut untuk menguji apakah terdapat pengaruh perbedaan kelas terhadap nilai.

kruskal.test(Nilai ~ Kelas, nilai4kelas)

Hasil

1. Luaran

2. Analisis Data dan Uji Hipotesis

H0 : seluruh k populasi adalah sama (𝜇1=𝜇2=…=𝜇k) (tidak terdapat pengaruh kelas terhadap nilai ujian)
H1 : minimal terdapat 2 populasi berbeda (terdapat pengaruh kelas terhadap nilai ujian)

Taraf signifikansi
α = 10%

P-Value
0,03648

Daerah kritis
H0 ditolak jika nilai P-Value < α

Keputusan
H0 ditolak karena nilai P-Value (0,03648) < α (0,1)

Kesimpulan

Pada taraf signifikansi α 5%, diperoleh kesimpulan bahwa minimal terdapat 2 populasi berbeda atau terdapat pengaruh kelas terhadap nilai ujian.

Uji Lanjut

Karena kesimpulan pengujian hipotesis adalah minimal terdapat 2 populasi berbeda atau terdapat pengaruh kelas terhadap nilai ujian. Maka dibutuhkan pengujian lanjutan untuk mengetahui pasangan populasi yang berbeda. Gunakan perintah sebagai berikut untuk melakukan uji lanjut:

library(FSA)

dunnTest(Nilai ~ Kelas, nilai4kelas)

Hasil Uji Lanjut

H0 : kedua populasi sama (𝜇i = 𝜇j)
H1 : kedua populasi berbeda (𝜇i ≠ 𝜇j)

Keputusan
Terdapat perbedaan antara kelas B dan C karena nilai P-Value (0,027) < α (0,1)

Kesimpulan

Pada taraf signifikansi α 10%, diperoleh kesimpulan bahwa dari 6 pasangan kelas yang terbentuk. Kelas yang memiliki perbedaan adalah kelas B dan kelas C.

Tutorial R : Uji Chi-Square menggunakan R

noreply@blogger.com (Dani Al Mahkya) — Wed, 20 Jan 2021 04:45:00 +0000

Uji Chi-Square merupakan salah satu pengujian yang dapat digunakan untuk mengamati ada tidaknya hubungan antara dua variabel kategori yang berasal dari populasi yang sama. Perintah pengujian Chi-Square telah tersedia pada R. Rincian pengujian Chi-Square dijelaskan sebagai berikut:

Package : stats

Perintah : chisq.test(x)

Berikut penjelasan terkait detail perintah yang digunakan:

chisq.test
Perintah yang digunakan untuk melakukan Uji Chi-Square

x
Data yang akan diuji, berbentuk tabel

Permasalahan

Hasil survey mahasiswa yang dilakukan di sebuah klinik kesehatan terkait jenis penyakit yang diderita untuk anak-anak balita dan batita dijabarkan sebagai berikut:

Ujilah apakah terdapat hubungan antara jenis penyakit dengan usia anak-anak. Data tersebut dapat diunduh [klik disini] kemudian pilih data dengan nomor urut 45.

Penyelesaian

1. Import Data

Import Data yang telah diunduh dan berikan nama : datakesehatan
Tutorial import data dapat dilihat pada link berikut : [klik disini]

2. Susun Tabel Kontingensi

Tabel kontingensi dari kasus di atas dapat disusun dengan perintah:

tabel1 = table(datakesehatan$penyakit, datakesehatan$usia)

dengan hasil tabel kontingensi sebagai berikut:

Dari hasil di atas, diketahui bahwa, jumlah balita yang batuk ada 1 serta jumlah batita yang batuk ada 3, dan seterusnya.

3. Masukan Perintah

Setelah Tabel Kontingensi terbentuk, tahap selanjutnya adalah melakukan uji hubungan dengan Chi-Square dan perintah sebagai berikut:

chisq.test(tabel1)

Hasil

1. Luaran

Berdasarkan perintah yang telah dijalankan, diperoleh hasil luaran sebagai berikut:

2. Analisis Dan Uji Hipotesis

H0 : tidak terdapat hubungan antara jenis penyakit dengan usia anak
H1 : terdapat hubungan antara jenis penyakit dengan usia anak

Taraf signifikansi :
α = 5%

P-Value :
0,2471

Daerah kritis :
H0 ditolak jika nilai P-Value < α

Keputusan :
H0 gagal ditolak karena nilai P-Value (0,02471) > α (0,05)

Kesimpulan :
Pada taraf signifikansi α 5%, diperoleh kesimpulan bahwa tidak terdapat hubungan antara jenis penyakit dengan usia anak.

Tutorial R : Uji Korelasi Spearman menggunakan R

noreply@blogger.com (Dani Al Mahkya) — Tue, 19 Jan 2021 03:31:00 +0000

Salah satu metode Non-Parametrik yang dapat digunakan untuk melakukan analisis korelasi adalah Analisis Korelasi Spearman. Metode korelasi Spearman telah tersedia pada R dan langsung dapat dipanggil dengan perintah yang telah tersusun. Rincian analisis korelasi Spearman pada R dijelaskan sebagai berikut:

Package : stats

Perintah : cor.test(x, y, method)

Berikut penjelasan terakit detail perintah yang digunakan:

cor.test
Perintah yang digunakan untuk melakukan analisis korelasi.

x,y
Variabel yang akan dianalisis korelasinya.

method
Metode yang akan digunakan. Metode dalam perintah ini meliputi korelasi parametrik maupun Non-Parameterik. Beberapa metode yang dapat digunakan antara lain, “pearson”, “kendall”, dan “spearman”. Jika ingin menggunakan ketiga metode tersebut, dapat merubah perintah method menjadi : method=c("pearson", "kendall", "spearman").

Permasalahan

Diketahui data terkait biaya iklan dan nilai penjualan sebagai berikut:

Analisislah data diatas menggunakan Uji Hipotesis Korelasi Spearman dan cek apakah terdapat hubungan yang signifikan antara biaya periklanan dengan nilai penjualan. Data diatas dapat diunduh [klik disini] kemudian pilih contoh data dengan nomor urut 49.

Penyelesaian

1. Import Data

Lakukan import data kemudian definisikan dengan nama : penjualan

2. Masukan Perintah

Kemudian masukan perintah berikut :

x=penjualan$Iklan
y=penjualan$Penjualan
cor.test(x, y, method="spearman")

3. Penjelasan

Baris kedua dan ketiga digunakan untuk mendefinisikan variabel berdasarkan kolom “Iklan” dan kolom “Penjualan”.

Hasil

1. Luaran

Berdasarkan perintah yang telah dijalankan, diperoleh hasil sebagai berikut:

2. Analisis dan Uji Hipotesis

H0 : tidak terdapat hubungan yang signifikan antara biaya iklan dengan penjualan
H1 : terdapat hubungan yang signifikan antara biaya iklan dengan penjualan

Taraf signifikansi :
α = 5%

P-Value :
0,002211

Daerah kritis :
H0 ditolak jika nilai P-Value < α

Keputusan :
H0 ditolak karena nilai P-Value (0,002211) < α (0,05)

Kesimpulan :

Pada taraf signifikansi α 5%, diperoleh kesimpulan bahwa terdapat hubungan yang signifikan antara biaya iklan dengan penjualan.

Tutorial R : Uji Tanda (Sign Test) Menggunakan R

noreply@blogger.com (Dani Al Mahkya) — Sun, 20 Sep 2020 09:49:00 +0000

Uji Tanda (Sign Test) merupakan uji statistika nonparameterik yang dapat digunakan untuk menguji 1 sampel maupun 2 sampel berpasangan. Uji Tanda (Sign Test) telah dibahas pada artikel lainnya disini yaitu Tutorial : Uji Tanda dan Uji Rank Tanda Wilcoxon dengan SPSS. Pada kesempatan ini akan dibahas tahapan analisis Uji Tanda (Sign Test) menggunakan R. Pembahasan mengenai instalasi R dan lain sebagainya dapat dilihat disini :

Tutorial & Video : Download dan Install "R"

Tutorial R : RStudio sebagai IDE yang Memudahkan

Permasalahan

Sebuah perusahaan otomotif memproduksi mobil jenis X dengan sistem injeksi bahan bakar terbaru. Kepala divisi teknologi yang ikut serta dalam pengembangan sistem injeksi bahan bakar tersebut menduga bahwa penggunaan bahan bakar setelah menggunakan system injeksi terbaru adalah lebih kecil dari 22 km/liter. Oleh karena itu dilakukan pengukuran pada 30 sampel kendaraan dengan data sebagai berikut :

Berdasarkan data tersebut, buktikanlah apakah dugaan kepala divisi benar dengan taraf signifikan 1% menggunakan Uji Tanda (Sign Test)!

Uji Tanda (Sign Test) Satu Sampel

Package dalam R yang dapat digunakan dalam uji tanda adalah BSDA. Berikut tahapan dalam melakukan uji tanda menggunakan R.

1. Install Package

Sebelum melakukan analisis dengan uji tanda, silahkan instal package tersebut dengan cara install package dengan nama BSDA.

2. Import Data

Import data dapat melalui Notepad atau ekstensi *.txt dan melalui berkas Microsoft Excel. Tutorial import data dengan RStudio dapat dilihat pada tutan berikut :

Tutorial R : Manajemen Data Sederhana Pada RStudio

3. Perintah Uji Tanda (Sign Test) Satu Sampel

Gunakan perintah berikut dalam menyelesaikan permsalahan di atas menggunakan uji tanda.

library(BSDA)
SIGN.test(datasnp1, md = 22.0, alternative = "two.side",conf.level = 0.99)

Penjelasan

library (BSDA) digunakan untuk memanggil package BSDA
SIGN.test merupakan perintah yang digunakan dalam pengujian
datasnp1 merupakan variabel data yang digunakan
md=22.0 adalah nilai median yang akan diuji
alternative="less" merupakan jenis hipotesis khususya hipotesis alternatif atau H0. Terdapat 3 pilihan dalam hal ini yaitu "two.side", "less", "greater". Hal ini mengacu pada pengujian yang dilakukan. Dua arah satu arah.
conf.level = 0.99 merupakan perintah dalam mendefinisikan taraf signifikansi

4. Output

Setelah menjalankan perintah pada tahap 3, selanjutnya akan diperoleh hasil sebagai berikut :

5. Uji Hipotesis

H0 : Penggunaan bahan bakar lebih besar sama dengan 22km/liter
H1 : Penggunaan bahan bakar lebih kecil dari 22km/liter
Signifikansi : α = 5%
P-Value : 0,04937
Daerah kritis : H0 ditolak jika nilai P-Value < α
Keputusan : H0 ditolak karena nilai P-Value (0,04937) < α (0,05)
Kesimpulan : Pada taraf signifikansi α 5%, diperoleh kesimpulan bahwa penggunaan bahan bakar lebih kecil dari 22km/liter.

Berdasarkan pengujian yang telah dilakuakan, diperoleh kesimpulan bahwa ternyata dugaan kepala divisi yang menyatakan bahwa penggunaan bahan bakar setelah menggunakan system injeksi terbaru adalah lebih kecil dari 22 km/liter adalah benar.

Tutorial : Forecasting Data Musiman dengan Seasonal ARIMA (SARIMA) menggunakan SAS University Edition

noreply@blogger.com (Dani Al Mahkya) — Sat, 21 Mar 2020 03:59:00 +0000

Data deret waktu yang ditemukan di lapangan sering sekali membentuk sebuah pola musiman. Pola musiman adalah sebuah pola deret waktu yang berulang pada pola tertentu. Pola yang dimaksud dapat berupa pola berulang musiman mingguan, bulanan, tahunan, hari libur dan lain sebagainya.

Perhatikan contoh berikut :

Kepala bagian promosi sebuah kolam renang melakukan rekapitulasi jumlah pengunjung harian kolam renang tersebut. Hasil rekapitulasi akan disajikan secara visual kepada atasannya. Berdasarkan hasil yang diperoleh, diketahui bahwa pengunjung kolam renang selalu melonjak setiap hari minggu seperti pada grafik berikut :

Berdasarkan grafik visualisasi pengunjung kolam renang, terlihat bahwa jumlah pengunjung selalu melonjak disetiap waktu kelipatan 7 (hari minggu).

Berdasarkan ilustrasi diatas, jika kepala bagian promosi ingin memprediksi berapa jumlah pengunjung kolam renang pada periode yang akan datang. Maka dibutuhkan sebuah metode khusus yang dapat menangani pola musiman dari data deret waktu.

Pada artikel sebelumnya, telah dibahas beberapa metode yang dapat digunakan untuk melakukan forecasting antara lain :

Tutorial : Forecasting dengan ARIMA menggunakan SAS University Edition (free)

Tutorial : Metode Forecasting Exponential Smoothing menggunakan R

Selain Seasonal Autoregressive Integrated Moving Average (SARIMA), metode Exponential Smoothing yang telah dibahas juga dapat digunakan untuk memodelkan dan meramalakan data deret waktu dengan pola musiman.

Sumber buku yang digunakan pada tutorial ini adalah :

Time Series Analysis with Application in R oleh J.D. Cryer, (2008)

Time Series Analysis Univariate and Multivariate Methods dari William W.S. Wei, (2006).

Berdasarkan kasus pada ilustrasi, ingin dilakukan pemodelan serta forecasting jumlah pengunjung kolam renang untuk 7 hari ke depan. Data yang digunakan pada artikel ini dapat di download pada menu Download Contoh Data kemudian pilih dan klik data dengan nomor urut 35.

Tahapan Analisis :

1. Siapkan SAS University Edition

Tutorial mengenai SAS University Edition beserta tahapan instalasinya dapat dilihat pada artikel berikut:

Tutorial : Download dan Instal Software SAS University Edition Gratis

Setelah SAS University Edition telah siap, tahap selanjutnya adalah pendefinisian data.

2. Pendefinisian Data

Data yang digunakan pada tutoril ini dapat didownload pada menu Download Contoh Data kemudian pilih dan klik data dengan nomor urut 35. Setelah data siap, silahkan buka SAS University Edition kemudian copy-paste kode berikut ke dalam lembar code :

data pengunjung;
input y @;
datalines;
[copy-paste data disini]
;
run;

Setelah itu jalankan kode yang telah diinput sebelumnya dengan cara Run. Setelah data terdefinisi dan terbaca oleh SAS University Edition, selanjutnya adalah melakukan identifikasi model SARIMA yang mungkin terbentuk.

3. Identifikasi Model

Pada tahap identifikasi model, terdapat beberapa sub-tahapan analisis seperti uji kestasioneritasan, identifikasi orde p serta identifikasi orde q. Tahap identifikasi model merupakan salah satu tahapan yang membutuhkan ketelitian dan ketepatan.

a. Uji Stasioneritas

Identifikasi yang pertama adalah melakukan uji stasioneritas untuk menentukan data deret waktu yang digunakan telah stasioner atau belum. Untuk melakukan uji stasioneritas, copy-paste kode berikut ke dalam lembar code :

proc arima data=pengunjung;
identify var=y stationarity=(adf=7) nlag=24;
run;

Penjelasan :
- proc arima digunakan untuk memanggil prosedur pengujian ARIMA.
- identify digunakan untuk melakukan tahap identifikasi uji stasioneritas dengan lag 7.
- Catatan : digunakan lag sampai 7 karena diduga bahwa data memiliki pola musiman 7.

Setelah Run hasil yang muncul adalah sebagai berikut:

Berdasarkan tabel di atas, digunakan Type Single Mean karena data yang digunakan tidak mengandung trend ataupun zero mean. Berdasarkan Type Single Mean, diperoleh hasil bahwa nilai P-Value Tau Test Statistics untuk lag 1 sampai 5 kurang dari 0.05 (alpha=5%). Sedangkan nilai P-Value Tau Test Statistics untuk lag 6 dan 7 lebih dari 0.05. Data dikatakan stasioner jika nilai P-Value Tau Test Statistics kurang dari nilai alpha yang diputuskan.

Untuk mengatasi hal tersebut, dapat dilakukan differencing 1 dan 7 agar data stasioner sampai lag ke 7. Untuk melakukan differencing dan uji stasioneritas, copy-paste kode berikut ke dalam lembar code :

proc arima data=pengunjung;
identify var=y(1,7) stationarity=(adf=7) nlag=24;
run;

Setelah Run hasil yang muncul adalah sebagai berikut:

Berdasarkan Type Single Mean, kita akan fokus pada lag ke 7 karena data memiliki pola musiman 7 dan diperoleh hasil bahwa nilai P-Value Tau Test Statistics untuk lag 7 kurang dari 0.05 (alpha=5%). Hal ini menunjukan bahwa data telah stasioner secara musiman sepanjang 7.

b. Identifikasi Model

Setelah data stasioner, tahap selanjutnya adalah menentukan model yang sesuai. Pada tahap ini dibutuhkan beberapa pengetahuan tentang karakteristik maupun sifat dari istilah cut-off dan tail-off. Istilah tersebut dapat dipahami pada buku yang telah dijelaskan di depan. Untuk melakukan identifikasi model, kode yang digunakan sama persis pada tahap sebelumnya yaitu :

proc arima data=pengunjung;
identify var=y(1,7) stationarity=(adf=7) nlag=24;
run;

Namun, fokus output yang dibahas adalah sebagai berikut :

Berdasarkan output di atas, fokus pembahasan mengerucut pada plot ACF dan PACF.

ACF : diagram batang yang melewati batas adalah diagram ke-7
PACF : diagram batang yang melewati batas adalah diagram ke-2

Dari hasil di atas, dan beberapa percobaan estimasi, dapat disimpulkan bahwa kemungkinan model yang terbentuk adalah :

SARIMA (0,1,2)(0,1,1)7

Penjelasan model di atas, dapat ditemukan pada buku :

Time Series Analysis with Application in R oleh J.D. Cryer, (2008)

Time Series Analysis Univariate and Multivariate Methods dari William W.S. Wei, (2006).

Atau ditanyakan langsung pada kolom komentar maupun kolom pertanyaan disini.

4. Estimasi Model dan Pemilihan Model

Berdasarkan tahap identifikasi, diperoleh model yang mungkin terjadi yaitu SARIMA (0,1,2)(0,1,1)7 dengan tahapan estimasi sebagai berikut:

a. SARIMA (0,1,2)(0,1,1)7

Pada model pertama, copy-paste kode berikut ke dalam lembar code kemudian Run :

proc arima data=pengunjung;
identify var=y(1,7) stationarity=(adf=7) nlag=24;
estimate q=(1,2)(7) noint method=cls;
forecast printall;
run;

Maka diperolehlah hasil sebagai berikut :

Berdasarkan tabel Conditional Least Square Estimation, nilai P-Value t untuk MA1,1; MA1,2 dan MA2,1 kurang dari 0.05 (alpha 5%) artinya ketiga parameter ini signifikan terhadap model. Dengan nilai AIC sebesar 460.3048. Serta pada tabel Autocorrelation Check of Residuals, nilai P-Value Chi-Square untuk semua lag menunjukan hasil di atas 0.05 (alpha 5%) artinya asumsi white noise residual terpenuhi.

b. Model Akhir

Berdasarkan kriteria signifikansi parameter, nilai AIC (Akaike Information Criterion) dan kesimpulan asumsi white noise residual. Maka dapat disimpulkan bahwa model terbaik yang diperoleh adalah SARIMA (0,1,2)(0,1,1)7 dengan persamaan sebagai berikut :

5. Forecasting

Untuk melakukan forecasting beberapa periode ke depan, copy-paste kode berikut ke dalam lembar code kemudian Run :

proc arima data=pengunjung;
identify var=y(1,7) stationarity=(adf=7) nlag=24;
estimate q=(1,2)(7) noint method=cls;
forecast printall;
run;

Maka diperolehlah hasil sebagai berikut :

Kotak merah merupakan hasil prediksi beberapa periode ke depan dengan plot berikut :

***

Demikian artikel tentang Tutorial : Forecasting Data Musiman menggunakan Seasonal ARIMA (SARIMA) dengan SAS. Semoga dapat bermanfaat. Jika terdapat pertanyaan, kritik maupun saran. Jangan sungkan untuk mengunjungi kolom komentar maupun bertanya melalui kolom pertanyaan disini.

Tutorial R : Manajemen Data Sederhana pada RStudio

noreply@blogger.com (Dani Al Mahkya) — Sun, 16 Feb 2020 05:34:00 +0000

R merupakan salah satu software sekaligus bahasa pemrograman yang memungkinkan pengguna untuk melakukan manajemen data mulai dari sederhana sampai luar biasa. Beberapa artikel yang membahas mengenai R di website ini adalah sebagai berikut :

Tutorial : Metode Forecasting Exponential Smoothing menggunakan R

Tutorial : Rancangan Percobaan - Rancangan Acak Lengkap (RAL) dengan R

Tutorial R : Argumen Dasar dalam Pemrograman R

Tutorial R : Rcmdr pada RStudio

Tutorial R : RStudio sebagai IDE yang Memudahkan

Tutorial : Uji Stasioneritas menggunakan R

Tutorial R : Menulis, Membaca dan Menampilkan Data pada R

Tutorial & Video : Rcmdr untuk Statistika Dasar

Tutorial & Video : Download dan Install "R"

Pada artikel ini, diasumsikan pembaca telah membaca artikel di atas atau telah memahami apa itu R dan fungsi-fungsi sederhana dari R itu sendiri.

Terkadang, teknik-teknik manajemen data pada R jarang digunakan oleh user karena pada R sendiri telah terdapat beberapa package yang sangat memudahkan. Dalam kasus sederhana mungkin beberapa metode manajemen data akan sangat bermanfaat. Berikut contoh penggunaan manajemen data pada R dengan bantuan IDE RStudio.

Permasalahan :

Sebuah perusahaan asuransi ingin memantau data klaim pada suatu minggu. Berikut disajikan data mengenai Klaim Asuransi Kecelakaan Mobil yang terjadi selama satu minggu. Data tersebut meliputi hari, banyak klaim, nilai rupiah klaim, serta nama petugas penanggung jawab setiap hari.

Berdasarkan data tersebut, kepala perusahaan menginginkan beberapa laporan antara lain :

a. Berapa rata-rata klaim terjadi pada minggu tersebut

b. Kapan nilai klaim tertinggi terjadi?

c. Hari apa saja yang nilai klaimnya lebih dari 25 juta?

d. Siapa petugas yang menangani klaim paling banyak?

e. Siapa petugas yang bertanggung jawab di hari rabu?

f. Berapa nilai klaim tertinggi dan terendah?

g. Berapa frekuensi klaim tertinggi dan terendah?

Pembahasan :

Sebelum menjawab permintaan kepala perusahaan, tahap pertama dari penyelesaian kasus ini adalah mengusahakan agar RStudio dapat membaca data tersebut. Berikut beberapa tahapan import data menggunakan RStudio.

1. Input Data Permasalahan

Input data permasalahan atau kita sebut data klaim pada notepad atau segala jenis software yang mampu menghasilkan dokumen dengan format *.txt lalu simpan dokumen tersebut pada tempat yang mudah diingat. Atau jika ingin cara instan, unduh data_klaim pada link berikut kemudian pilih data dengan nomor urut 36 dengan judul Contoh Data Klaim Perusahaan Asuransi.

Link Data : Download Contoh Data

2. Import Data

Tahap selanjutnya adalah melakukan import data dengan cara klik :
File - Import Dataset - From Text (base)

3. Pilih lokasi data yang disimpan.

Lalu pilih lokasi penyimpanan data yang telah disiapnkan pada tahap 1.

4. Import

Setelah muncul kotak dialog Import Data kemudian klik Import

5. Selesai

Tahap import data telah selesai. Untuk memastikan data telah terekam, masukan code berikut pada RStudio Console kemudian enter.

data_klaim