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 :

Penelitian terhadap data pada tahun 1996 menunjukkan bahwa 95% kasus keterlambatan dapat diwakili hanya dengan 15 dari 45 variabel penyebab keterlambatan.

Satu variabel yaitu keterlambatan karena keterlambatan sebelumnya (kode C-3) tidak dianalisis karena merupakan keterlambatan sekunder. Selanjutnya dalam proses analisis, beberapa variabel dikeluarkan secara bertahap agar nilai Kaiser-Meyer-Olkin (KMO) mencapai nilai minimum 0.5 sebagai syarat analisis faktor dapat dilakukan. Hasil akhir menunjukkan hanya 11 variabel yang disertakan dalam analisis faktor ini. Bila 11 variabel tersebut digabung dengan variabel keterlambatan sekunder (C-3) maka jumlah kumulatif penerbangan terlambat yang terwakili mencapai 93.35%.

Hahaha, kiat Pareto sederhana tersebut membantu memecahkan problem ekstraksi faktor laten dari 45 variabel pengamatan yang cukup sulit dipecahkan sebelumnya.

Tugas :
Carilah faktor laten dari penyebab keterlambatan airline ini. Download data airline. (zip 15kb)

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.

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

Materi kuliah forecasting (zip 256kb)

Di susun dari berbagai sumber comot sana-sini dari internet, sampai lupa bahan dari siapa (salam takzim pada semua guru di internet, mohon maaf ambil bahan tidak memberitahu, semoga pahalanya juga buat para guru tersebut). Tentu saja hanya bisa dipahami oleh yang ikut kuliah karena bikinnya juga tidak sempurna.

Berikut ini adalah materi tugas forecasting yang terdiri dari 3 tugas :

• Tugas forecasting dengan pendekatan TSCI
• Tugas forecasting dengan pendekatan auto regresi
• Tugas forecasting dengan pendekatan regresi berganda.

Tugas forecasting (zip 79kb)

Sekali lagi mohon maaf nih materi ini hanya bisa dipahami yang ikut kuliah berhubung sulit untuk membuat yang mudah (alasan…).

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).

SCILAB dikembangkan oleh INRIA telah banyak dimanfaatkan. Program ini dapat diperoleh di

http://www-rocq.inria.fr/scilab/

Fitur utama dari SciLab ini :

Beragam struktur data (polynomial, rational and string matrices, lists, multivariable linear systems,…).
Interpreter dan bahasa pemrogramban yang canggih dengan tata bahasa (sintaks) yang mirip Matlab
Ratusan fungsi matematika (fungsi baru dapat ditambahkan dengan mudah)
Kemampuan grafis (2D, 3D, animasi)
Struktur yang terbuka (antar muka yang mudah ke Fortrant atau C dengan link dinamis yang online)
Beberapa pustaka (library) sudah disertakan a.l :
Aljabar linear (sparse matrix, kronecer form, ordered Schur…)
Sistem kendali (Klasik, LOG, H-Infinity…)
Paket untuk optimasi LMI (Linear Matrix Inequalities)
Pemrosesan sinyal
Simulasi (ODE, DASSL,…)
Optimasi (differentiable, dan non-differentiable, LQ)
Scicos. Lingkungan untuk modeling dan simulasi sistem dinamis
Metanet (analisis jaringan dan optimasi)
PARALEL Scilab
Kemampuan pengolahan simbolis melalui antarmuka ke MAPLE
Sedangkan untuk aplikasi statistik, dapat dimanfaatkan program R. Program ini sendiri merupakan versi free dari lingkungan pengolahan statistik/numerik yang bernama S (cukup populer bagi mereka yang mempelajari statistik). Fungsi dan sintaks dari S dapat digunakan di R. R ini sangat banyak digunakan di lingkungan akademis. Bisa dilihat di situs

http://www.r-project.org/

R ini merupakan suatu lingkungan yang dapat digunakan untuk komputasi statstik dan grafis. Mirip dengan S yang dikebangkan oleh Bell Lab (dulunya AT&T) oleh John Chambers daan teman-teman. Memang ada beberapa perbedaan antara R dan S, tetapi sebagian besar kode pengolahan S dapat dijalankan di R.

R menyediakan beragam perangkat bantu statistik (linera, dan nonlinear modelling, pengujian statistik klasik, analisis time-series, klasifikasi, klustering,..) dengan teknis grafik dan mudah ditambah dengan fungsi baru. Pada CRAN (situs arsip fungsi-fungsi tambahan untuk R) tersedia beragam contoh penerapan R ini.

Salah satu kemampuan utama R adalah menghasilkan plot dengan kualitas penerbitan termasuk dengan simbol matematikanya. R ini tersedia secara bebas dengan lisensi GPL, Dan dapat dijalankan pada sistem operasi Linux/FreeBSD/Windows.

…..”

Coba ah.

Wah, ternyata ‘command base’, asli gaya Unix. Hmm… sementara yg sdh biasa dipakai dulu lah…

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 kecenderungan utama, misalnya jumlah pelanggan yang cenderung terus naik, atau terus turun. Contohnya pengguna seluler terus tumbuh, karena memang ponsel menjadi semakin populer dari waktu ke waktu. Seasonal (musim) adalah pola berulang yang ditentukan oleh kejadian berbasis waktu, misalnya pola penumpang bis yang dipengaruhi waktu lebaran, libur sekolah, dsb. Kejadian seasonal ini berulang secar periodik, dalam satu tahun, atau bulan, atau minggu, bahkan bisa juga dalam hari. Misalnya setiap hari Jumat sore, Sabtu dan Minggu, kepadatan lalu lintas kendaraan di Bandung pada titik-titik tertentu akan meningkat karena kedatangan pengunjung dari Jakarta. Hari Senin kembali turun. Hal tersebut berulang tiap minggu, maka ini disebut pola seasonal. Selanjutnya pola cyclical (siklus) adalah keadaan perubahan naik turun yang terjadi karena keseimbangan natural. Misalnya ekonomi suatu negara pasti suatu saat tumbuh dengan sangat pesat, kemudian terjadi inflasi, kemudian merosot, banyak PHK, lalu terjadi penghematan, kemudaian ekonomi membaik lagi, tumbuh kembali, dan seterusnya. Pola ini bisa terjadi dalam kurun waktu bertahun-tahun yang panjang, sehingga tidak terlihat pada periode pendek misalnya 2 tahun. Pola irregular (acak) adalah pola yang tidak bisa dijelaskan. Kombinasi T, S, C, I ini merupakan metode yang baik untuk prakiraan jumalh penumpang, penjualan barang, dsb, yang berulang setiap periode tertentu, misalnya tahunan.

2. Model AutoRegresi, yaitu prakiraan dengan melihat beberapa nilai sebelumnya. Ini adalah metode yang lazim digunakan untuk kasus dimana tidak punya pola seasonal karena biasanya tidak dipengaruhi kejadian berulang yang tetap. Contohnya adalah pergerakan saham. Pergerakan saham sedikit sekali dipengaruhi kejadian seperti lebaran, liburan, atau lainnya. Biasanya saham dipengaruhi oleh sentimen pasar yang acak. Karena itu biasanya nilai saham diprediksi dengan memperhatikan nilai-nilai sebelumnya dalam jangka yang pendek. Misalnya saham hari esok, diperkirakan dengan melihat harga hari ini dan kemarin.

3. Model Regresi berganda, ini adalah prakiraan dengan melihat beberapa indikator (disebut variabel prediktor) yang perilakunya dapat menggambarkan suatu hal yang diramal. Misalnya harga saham dengan melihat aset perusahaan, GDP negara, bunga bank, dll. Dengan berbagai indikator tersebut dibuat suatu ‘rumus’ yang dapat menebak nilai harga saham. Perlu dicatat bahwa suatu model regresi tidak perlu menunjukkan suatu sebab-akibat. Asal hasilnya cukup akurat, walau tidak masuk akal hubungan sebab-akibatnya, maka ‘rumus’ tersebut tetap layak digunakan. Keakuratan peramalan, walaupun tidak mampu dijelaskan dengan sebab-akibat, dimungkinkan karena boleh jadi kesamaan perilaku antara variabel prediktor/independen (penebak) dengan variabel dependen (yang ditebak) terhubung oleh ‘lurking’ variabel, yaitu penyebab yang tidak langsung kelihatan namun mempengaruhi baik variabel dependen maupun independen. Misalnya hubungan keramaian kampus ITB dengan pasar induk Ciroyom di Bandung menunjukkan kaitan yang erat. Apabila kampus ITB ramai aktivitas, maka pasar Ciroyom sepi. Sebaliknya ketika kampus ITB sepi, ternyata pasar Ciroyom sangat ramai. Apakah keramaian pasar Ciroyom dikarenakan sepinya kampus ITB (misalnya para dosennya jualan di pasar)? Tentu tidak. Fenomena mereka terhubung oleh waktu. Siang hari ITB ramai, Ciroyom sepi. Malam hari ITB sepi, Ciroyom ramai. Waktu adalah ‘lurking’ variabel. Perilaku sebab-akibat bukan tujuan forecating. Tujuan forecasting adalah keakuratan. Karena itu forecasting dengan ‘rumus’ yang tidak dapat dijelaskan tetap dapat diterima, sepanjang hasilnya akurat.

Collaborative Learning:

TUGAS :
Carilah 3 macam contoh penerapan forecasting dari internet!

NAMA : DIMAS RIANDI
NIM : 13600018

www.bps.go.id

Website ini merupakan website Badan Pusat Statistik Republik Indonesia. Website BPS ini banyak memberikan data-data statistik dan perkiraan (forecasting) mengenai berbagai macam topik yang penting bagi pelaksanaan pembangunan di Indonseia, beberapa diantaranya adalah:

 Trend Index Harga Konsumsi dan inflasi tahun 1999-2005
 Pertanian
 Perdagangan internasional
 Industri manufaktur
 Jumlah penduduk
 Kesejahteraan sosial
 Pariwisata

www.phil.frb.org

Website Bank of Philadelphia yang merupakan bagian dari Bank Sentral Amerika Serikat (Federal Reserve). Website ini banyak menampilkan data-data perkiraan (forecasting) khususnya di bidang ekonomi yang penyajiannya menggunakan sistem triwulan (3 bulan), semeter (6 bulan), dan tahunan. Beberapa contohnya adalah:

 Index pertumbuhan ekonomi
 Produk domestik bruto
 Indeks konsumsi masyarakat
 Jumlah pengangguran

www.decissioneering.com
Website ini menjelaskan berbagai macam metode dalam forecasting sekaligus juga memberikan referensi mengenai berbagai software yang dapat digunakan dalam pemodelan perkiraan (forecast) tersebut untuk berbagai macam bidang.

========================
mohammad gunawan
13602047

http://hops.wharton.upenn.edu/forecast/

http://www.xycoon.com/

http://www.plantservices.com

========================
catur andi

1. http://animalsandearthquakes.com/etho-geo.htm
penggunaan metoda forecasting dengan hewan sebagai
parameternya dalam meramalkan kejadian bencana alam.

2.http://www.hollywoodreporter.com/thr/pwc/talking_display.jsp?vnu_content_id=1000695432
ternd penggunaan metoda forecasting dalam dunia
entertaint, khusunya di Hollywood, dalam meneropong
tingkat pertumbuhan pasar dalam segementasinya.

3. http://www.usairnet.com/cgi-bin/launch/code.cgi
forecasting dalam bidang olahraga udara (aeromodeling)
dengan menggunakan parameter lauch code

4.http://ww2010.atmos.uiuc.edu/(Gh)/guides/mtr/fcst/home.rxml
penggunaan metoda forecasting dalam meramal keadaan
cuaca dan segala yang berhubungan. disertai penjelasan
mengenai metoda forecasting

_______________________

Roni Sitanggang (13602003)

1. www.talkstox.com : forcasting tentang Bursa Saham

Web-site ini berisi tentang penerapan forcasting dalam memperkirakan pergerakan nilai jual-beli saham tertentu pada bursa saham. Frcasting digunakan agar para Broker Saham dapat mengambil tindakan yang tepat dalam meramalkan pergerakan nilai saham.

2. www.salesvault.com : forcasting tentang Marketing

Web-site ini berisi tentang penerapan forcasting dalam memperkirakan angka penjualan maupun tingkat daya beli konsumen terhadap suatu produk tertentu.

3. www.eduref.com : forcasting tentang Cuaca

Web-site ini berisi tentang penerapan forcasting dalam meramalkan cuaca pada suatu daerah tertentu dalam kurun waktu tertentu.

=====
rudi alwazan

www.bps.go.id

www.hornungllc.com

www.bcc.ecnext.com

========
Satria Nugraha

http://www.uksport.gov.uk/generic_template.asp?id=12269
Situs ini mendiskripsikan contoh penggunaan model forecasting mengenai economy impact dari suatu event olahraga sebelum event itu terjadi

http://www.zeromillion.com.htm
Situs ini memberikan gambaran bagaimana cara melakukan forecsating terhadap penjualan berdasar data history.

http://www.resourceinvestor.com/pebble.asp?relid=10327
Situs ini menggambarkan bagaimana kegunaan forecasting dalam memprediksi harga minyak, berdasar atas faktor-faktor yang ada

=====

Alfa Khinani

A Methodology for Traffic Forecasting
http://www.stat.fi/isi99/proceedings/arkisto/varasto/dane0005.pdf
Artikel ini berisi tentang forecasting kondisi lalu lintas pada daerah urban dan suburban selama 24 atau 48 jam ke depan. Forecasting ini bertujuan agar dapat dirumuskan solusi ketika terjadi transport strike (e.g.: kendaraan jakarta memenuhi jalanan di bandung ketika akhir minggu), demo di jalan, ada event, bahkan masalah cuaca.

Forecasting the availability and diversity of global conventional oil supply
http://www.energybulletin.net/4929.html
Artikel ini berisi tentang forecasting ketersediaan dan kebutuhan minyak dan gas bumi dari tahun 2002 sampai tahun 2060 mendatang. Forecasting ini dilakukan dengan mencari tahu sampai kapan dan seberapa cepat produksi minyak dan gas bumi mampu memenuhi kebutuhan manusia. Dari analisis tersebut dapat dicari alternatif sumber energi yang lain.

Passanger Travel demand Forecasting
http://gulliver.trb.org/publications/millennium/00083.pdf

Artikel ini berisi tentang forecasting respon kebutuhan transportasi, baik itu sistem transportasi, lingkungan transportasi dan masyarakat yang menggunakan transportasi. Hal ini sangat penting ketika suatu daerah ingin meningkatkan infrastruktur transportasi di daerah tersebut.

======

setyaka koko

1. http://hops.wharton.upenn.edu/forecast/Health/methods.html

Situs ini berisi tentang berbagai metode perhitungan dan penerapan forecasting dalam statistic, misalnya dalam dunia kesehatan forecasting dapat digunakan untuk :
1. Efek dari setiap kebijakan bagi tingkat keuntungan rumah sakit,cash flow dan balance sheet.
2. Distribusi cakupan asuransi kesehatan, tingakt kepedulian kesehatan, dan sarana kesehatan melalui kebijakan dari pemerintah federal.
3. dll

2. http://cires.colorado.edu/news/press/2002/02-02-26.html

Situs ini berisi tentang pemanfaatan forecasting untung meramalkan kemungkinan terjadinya gempa bumi.
Metode baru yang dikembangkan oleh Rundle dan Kristy Tiampo dari CIRES bekerjasama dengan Jet Propulsion Laboratory di Pasadena dan Los Alamos National Laboratory di New Meksiko. Metodenya menyangkut menganalisa perubahan laju/ pergerakan gempa ringan dalam kurun waktu tertentu untuk menghitung kemungkinan pada area tertentu terjadi gempa yang besar.
Mungkin ini sangat bermanfaat diterapkan di Indonesia sehingga bencana di Aceh tidak terulang.

3. http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?cmd=Retrieve&db=PubMed&list_uids=3209347&dopt=Abstract

Situs ini memuat sebuah model matematika berdasarkan teorema Bayes (Bayes’ Theorem) untuk meramalkan penyebaran “Epidemic Cerebrospinal Meningitis (ECM) di sepuluh wilayah di Cina Utara. Laporan data ECM tiap sepuluh hari selama musim epidemic dan juga data data pergerakan populasi khusus dalam rentang tahun 1960 - 1982 menjadi model dasar analisa metode forcasting ini. Kalibrasi, split-sampel, pemilihan sample random, sebagaimana pengujian forcasting terkini, digunakan untuk menghitung tingakt efektifitas metode ini.
Menurut sayua ini menarik sesuai dengan kasus di negeri kita dimana Avin Influenza (flu burung) sampai ditetapkan pemerintah sebagai KLB. Siapa tahu kita bisa membantu memperkirakan pola penyebaran virus mematikan ini.

=====

Nama: M Rony Andhika
Nim : 13699060

1. http://www.co.forsyth.nc.us (memperkirakan kualitas udara lingkungan berdasarkan data tahunan sebelumnya).
2. http://www.srh.noaa.gov (memperkirakan curah hujan di daerah Puerto Rico)
3. http://www.hydro.washington.edu/forecast/westwide/sflow/ (memperkirakan iklim pada tiap musim)

• 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.

1. Lebih banyak laki-laki yang menyikat gigi dengan arah atas bawah dibanding dengan arah menyamping.
2. Sebanyak 68% suami lebih suka memiliki istri yang pandai memasak dibandingkan yang pandai berdandan.
3. Tujuh dari sepuluh wanita Indonesia memakai Kotex.
4. Kemampuan akademik mahasiswa ITB semakin menurun setelah adanya jalur USM (Ujian Seleksi masuk khusus ITB)
5. Produk pelumas Pertamina menguasai lebih dari 50% pangsa pasar penjualan pelumas nasional.
6. Sebagian besar TKI pernah mengalami penganiayaan dari majikannya.
7. Remaja di jakarta mengalami frustasi karena kurang mendapat perhatian dari orang tua.
8. Indonesia menempati peringkat ke tiga negara terkorup di dunia.
9. Pegawai jakarta sebagian besar tinggal di luar Jakarta.
10. Sebanyak 90% lebih mahasiswa Jogja tidak perawan.

Oleh : Yafis

1. Pertumbuhan laju penduduk pada tahun 2006 akan lebih dari 30%.
2. Jumlah pengguna narkoba lebih banyak berasal dari kalangan kurang mampu.
3. Setelah memakai shampo Neril kerontokan akan berkurang 18%.
4. Coca Cola merupakan minuman terbaik di dunia.
5. Sebanyak 70% pria memilih wanita yang berkarir daripada wanita yang tidak berkarir.
6. Kemampuan intelejensi dari seluruh mahasiswa ITB lebih baik dari semua mahasiswa perguruan tinggi lainnya di Indonesia.
7. Sebanyak 60% mahasiswa jakarta yang tinggal di Bandung akan pulang ke Jakarta pada tiap minggunya.
8. Mahasiswa ITB memiliki kemampuan akademis yang baik dan selalu mendapatkan pekerjaan bila telah lulus nantinya.

Oleh : Gunawan

1. Lima dari sepuluh mahasiswa ITB menggunakan kartu Simpati
2. Sebanyak 70% anak muda pendengar radio di bandung mendengarkan Ardan FM
3. Sebanyak 4.144.366 orang Katolik di seluruh AS menjadi Protestan dalam satu dekade.
4. Oklahoma bersuhu rata-rata 15,6 derajat Celcius selama 60 tahun terakhir.
5. Hampir tiap akhir minggu banyak ditemukan k*nd*m bekas di sekitar kos mahasiswa putri J*t*n*ng*r
6. Sebanyak 70% rakyat Indonesia menghendaki reshuffle kabinet
7. Harapan hidup manusia dewasa di AS adalah 68,2 tahun

Oleh : Alfa

1. Dari hasil polling pemilu tahun 2004 dinyatakan bahwa Hidayat Nur Wahid yang akan terpilih menjadi Presiden RI
2. Dari hasil survey di Jogja, 97% mahasiswinya tidak perawan.
3. Dua dari tiga pria berselingkuh.
4. Sebanyak 80% mahasiswa yang kuliah di bandung berasal dari luar kota.
5. Lima dari sepuluh mahasiswa ITB memakai handphone bermerek Nokia.
6. Hampir 90% ilmu yang didapat di kuliah tidak dipakai di dunia kerja.

Oleh : Rudi

1. rata-rata mahasiswa di bandung memiliki handphone.
2. Lebih dari 50% mahasiswa di Bandung membawa kendaraan.
3. Hampir semua dosen ITB memiliki mobil.
4. Hampir 100% mahasiswa ITB dapat mengoperasikan Windows operating system.
5. rata-rata mahasiswa ITB lulus dalam kurun waktu 4,5 tahun.
6. Dua dari tiga wanita karir di jakarta suka kehidupan malam.
7. Orang yang berlangganan majalah Tempo lebih banyak daripada majalah Popular.
8. Ibu-ibu rumah tangga lebih memilih memakai Rinso daripada Surf.

Oleh : Roni

1. Polling menunjukkan partai Keadilan akan memenangkan pemilu legislatif tahun 2004.
2. Shampo Clear Herbal akan mengurangi ketombe dan rambut rontok sebanyak 93% dalam 5 hari.
3. Alumni yale angkatan 1924 rata-rata berpenghasilan 25.111 dolar setahun.
4. Orang Amerika menggosok gigi 1,02 kali sehari.
5. Pemeras sari buah ini memeras lebih banyak 26%.
6. Peluang selamat dari kecelakaan mobil empat kali lebih besar bila kecelakaan terjadi pukul tujuh pagi daripada tujuh malam.
7. Kecelakaan pesawat terbang tahun lalu lebih banyak memakan korban daripada peristiwa kecelakaan 60 tahun lalu. Dengan demikian pesawat terbang modern lebih berbahaya.

Oleh : Satria

Ah masa?
Di manakah kesalahannya?

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.