Aero Statistik

Dalam percobaan menyelesaikan tugas analisis faktor terhadap 45 variabel penyebab keterlambatan penerbangan ternyata fungsi SPSS mengalami kegagalan. Beberapa kali dicoba dengan mengambil sebagian variabel berdasar kriteria tertentu (teknikal, operasional, support) menghasilkan komposisi faktor laten yang membingungkan.

Terpaksa saya buka lagi tesis S-2 saya dulu. Bahan tugas ini memang merupakan kaji ulang terhadap penelitian yang pernah saya lakukan.

Ternyata ‘trik’ yang saya lakukan dulu sangatlah sederhana : Pareto analisis!

Berikut cuplikannya :
(more…)

Analisis faktor ditujukan untuk mereduksi jumlah variabel menjadi beberapa kelompok yang lebih kecil. Setiap kelompok ini mewakili suatu faktor laten.

Tugas : (more…)

Penelitian empirik seringkali menemui kesulitan dalam pengambilan data. Untuk mempermudah pengambilan data, terutama data persepsi konsumen, biasa digunakan skala likert yang merupakan salah satu bentuk data ordinal.

Data likert dan bentuk ordinal lainnya biasanya tidak berbentuk normal. Hal ini sering menyebabkan kesalahan penggunaan teknik statistik yang mensyaratkan data berdistribusi normal (yang paling sering adalah penggunaan regresi linier).

Data ‘count’ juga menjadi data yang paling sering diperoleh dari lapangan. Data jenis ini sebetulnya harus diperlakukan dengan statistik binomial atau Poisson. Namun lagi-lagi sering terjadi penggunaan metode berbasis distribusi normal tanpa menguji terlebih dulu kecukupan data. Memang pada jumlah data yang sangat besar, distribusi binomial dapat didekati dengan distribusi normal.

Jawaban masalah data ordinal (terutama dari skala likert) dan juga data count bisa dipelajari lebih lanjut di masalah seputar data ordinal dan data counts.

Berikut ini adalah materi kuliah.
Walaupun judulnya forecasting, isinya macam-macam yaitu :

• Jenis data dan penyiapan data
• Bias statistik
• Forecasating TSCI
• Forecasting auto regresi
• Regresi berganda linier

(more…)

Ini ngutip tulisannya ‘bapak open source linux Indonesia’ yaitu bung I Made Wiryana, tepatnya dengan judul Mengapa SPSS, Mengapa MatLab ?

Berhubung bagus dan males nulis lagi, ya.. copy paste lah (gak papa bung Made ya…). Saya mau coba aplikasi statistik yang bernama “R”itu. (walah.. sederhana sekali namanya…)

“…..

Mengapa SPSS, Mengapa MatLab ?
Seringkali kita sebagai pengajar secara tidak sadar, mempersempit wawasan mahasiswa tentang perangkat lunak yang digunakan sebagai perangkat bantu pengajaran. Kebiasaan ini sering terjadi “secara turun menurun”. Sang dosen ketika jaman mahasiswa memakai program A, ketika jadi dosen juga mengajarkan program A, (walau versi barunya) begitu seterusnya. Sering karena terjadi secara otomatis, dan turun menurut. Kita melakukannya tanpa mencoba menganalisis sebetulnya program A itu dipakai apa saja.

Sebagai contoh sering ketika kita hendak mengajarkan Pengantar Statistik, memanfaatkan “SPSS” sebagai sarana perangkat lunak-nya. Karena terlalu seringnya kita memakai ini sehingga muncul angggapan, bahwa program statistik yang ada itu hanyalah SPSS. Anggapan satu-satunya program statistik adalah SPSS ini begitu kuatnya sampai mirip orang berkata bahwa “odol” itu adalah pasta gigi (Padahal Odol itu adalah merk salah satu pasta gigi), “LEVIS” itu sama dengan Jeans, “KODAK” itu sama dengan kamera, dan lain sebagainya.

Seringpula kita lupa atau tak mempertimbangkan bahwa tidak semua fitur atau kemampuan yang ada di SPSS itu dibutuhkan oleh mahasiswa. Hal itu makin dirunyamkan dengan kondisi, bahwa kita mengabaikan masalah “lisensi” dari perangkat lunak itu. Sebagai contoh seorang mahasiswa S1 jurusan Ekonomi (maaf bukannya merendahkan jurusan Ekonomi), tentu kebutuhan pengolahan statistik dapat dipenuhi oleh aplikasi bukan sekelas SPSS.

……

Berikut ini saya coba beri “penjelasan” sedikit tentang program itu. Dalam ilustrasi ini saya ambil adalah Scilab (yang dapat digunakan menggantikan MatLab) dan R (yang dapat menggantikan SPSS untuk mengajarkan statistik). (more…)

Ilmu forecasting (prakiraan, peramalan) sangat sering dipakai dalam dunia bisnis. Bagian penjualan membuat prakiraan volume penjualan, bagian produksi membuat prakiraan jumlah cacat produksi, bagian investasi membuat prakiraan pembiayaan, dan sebagainya. Selain itu forecasting digunakan pada bidang yang lebih luas seperti prakiraan terjadinya gempa bumi, prakiraan populasi harimau, prakiraan harga saham, prakiraan cuaca, dan sebagainya.

Forecasting erat kaitannya dengan “time-series analysis” yaitu prakiraan suatu nilai karena perubahan waktu. Kita ingin mengetahui nilai sesuatu tersebut yang di masa mendatang. Ini ibarat ilmu ‘dukun’, yaitu meramal sesuatu di masa mendatang. Karena itu seperti halnya ‘dukun’ ketepatannya tentu tidak bisa 100 persen. Yang penting dalam forecasting adalah tingkat keakuratan, misalnya kondisi aktual ternyata dalam rentang +-5% dari nilai prakiraan.

Terdapat 3 pendekatan untuk meramal (forecast) sesuatu :

1. Model T-S-C-I berdasarkan data historis, dimana pola akan datang diharapkan mirip dengan pola masa lalu. Ini adalah pendekatan forecasting dengan T, S, C, I (Trend, Seasonal, Cyclical, Irregular). Trend artinya (more…)

Bias adalah penggambaran yang salah atas hal sesungguhnya. Dalam statistik bias sangat sering terjadi. Bias ini dapat muncul karena 3 hal :

• salah dalam pengambilan data (salah pilih sampel, salah pertanyaan kuesioner, salah cara bertanya, salah menafsirkan jawaban, salah mengamati, salah waktu pengamatan, dll)
• salah dalam pemilihan metode statistik (data berdistribusi tidak normal namun menggunakan parametrik biasa tanpa konversi data, data ordinal diproses seperti data rasio, dll)
• salah dalam menafsirkan (memperluas batas-batas sampel, memperpanjang rentang keberlakuan data, generalisasi sampel ke populasi yang heterogen, dll)

Kita bisa lebih kritis menanggapi berita statistik dengan mempertanyakan :

• Apa tujuannya?
• Siapa yang melakukan?
• Siapa sampelnya?
• Siapa membiayai?
• Bagaimana mengambil sampelnya?
• Bagaimana mengambil datanya?
• Bagaimana batas keberlakuan kesimpulannya?

Collaborative Learning

Berikut ini adalah beberapa contoh bias yang sering ditemukan baik pada iklan, maupun berita. Contoh-contoh ini dikoleksi oleh mahasiswa peserta kuliah Statistik Variabel Jamak. Silahkan dikaji dimana letak kemungkinan kesalahan data-data ini. (more…)

Kesan umum bahwa belajar adalah memindahkan pengetahuan guru kepada murid tidak lagi sesuai dengan model pembelajaran di perguruan tinggi. Bila saat SD belajar adalah ‘knowledge transfer’ dengan sistem ‘drilling’, maka untuk perguruan tinggi metode yang tepat adalah ‘constructing knowledge’ dengan sistem ‘collaborative learning’.

Metode belajar kolaboratif artinya memberi porsi yang sangat besar bagi siswa untuk aktif berperan dalam mengkonstruksi pengetahuan di dalam dirinya melalui proses terlibat langsung dengan materi ajar. Filosofi pembelajaran yang diterapkan adalah, bahwa sesungguhnya siswa telah memiliki pengetahuan awal, bahkan mampu mencari informasi sendiri yang lebih bermutu dibandingkan guru. Karena itu tugas guru adalah memandu siswa membentuk pengetahuannya sendiri melalui kegiatan yang melibatkan peran aktif siswa.

Pembelajaran berbasis web adalah salah satu metode yang digunakan untuk mendukung sistem pembelajaran aktif ini dimana media web digunakan untuk berinteraksi dan mengakumulasi pengetahuan yang telah didapatkan sebelumnya. Dengan demikian akumulasi kegiatan pembelajaran kolaboratif ini pada akhirnya akan dapat digunakan untuk menyempurnakan metode pembelajaran berikutnya.