SUHARTONO

© 2008 Jurusan Statistika, ITS, Surabaya

   

ANALISIS DATA STATISTIK  DENGAN 
     

R

   

 

©sht90 

       Dedicated to 

 

 

When the Lord created the world and people to live in it − an enterprise which, according to modern science, took a very long time − I could well imagine that He reasoned with Himself as follows: “If I make everything predictable, these human beings, whom I have endowed with pretty good brains, will undoubtedly learn to predict everything, and they will thereupon have no motive to do anything at all, because they will recognize that the future is totally determined and cannot be influenced by any human action. On the other hand, if I make everything unpredictable, they will gradually discover that there is no rational basis for any decision whatsoever and, as in the first case, they will thereupon have no motive to do anything at all. Neither scheme would make sense. I must therefore create a mixture of the two. Let some things be predictable and let others be unpredictable. They will then, amongst many other things, have the very important task of finding out which is which.”
Small Is Beautiful
E. F. SCHUMACHER 

Untuk Azizah, Alivia, Vanissa

‐    ‐  ii

©sht90 

  Kata Pengantar 

 

KATA PENGANTAR  
R  adalah  suatu  sistem  untuk  analisis  data  yang  termasuk  kelompok  software  statistik  open  source  yang  tidak  memerlukan  lisensi  atau  gratis,  yang  dikenal  dengan  freeware.  Sampai  saat  ini,  pengguna  statistika  di  Indonesia  masih  belum  banyak  yang  menggunakan  R  untuk  keperluan  analisis  data.  Sebagian  besar  pengguna  statistika  di  Indonesia  masih  menggunakan  paket‐paket  statistik  komersil,  seperti  SPSS,  MINITAB,  S‐plus, SAS, atau Eviews. Salah satu faktor penyebabnya adalah masih terbatasnya buku  tentang R yang dalam bahasa Indonesia.  Buku  ini  bukan  merupakan  suatu  buku  teks  tentang  teori‐teori  dalam  analisis  statistik, tetapi lebih merupakan buku terapan tentang metode‐metode statistik dengan  penggunaan  R.  Tujuan  penulisan  buku  ini  adalah  untuk  menunjukkan  bagaimana  cara  melakukan  analisis  data  statistik  dengan  menggunakan  R.  Dalam  hal  ini,  ditunjukkan  bagaimana R sebagai suatu paket statistik yang powerful dan menyediakan sistem grafik  yang  baik  untuk  mendukung  analisis.  Jika  proses  perhitungan  dalam  analisis  data  menjadi mudah, maka energi dari pengguna statistika diharapkan dapat lebih difokuskan  pada pemahaman tentang data yang dianalisis.  Paket R memiliki fasilitas yang sangat banyak untuk analisis data statistik, mulai  dari  metode  yang  klasik  sampai  dengan  yang  modern.  Pada  Bab  1  diuraikan  tentang  paket statistik R, yaitu tentang sejarah singkat, cara memperoleh dan menginstal, serta  fasilitas  R‐GUI  (Graphical  User  Interface)  atau  R‐Commander  dan  cara  menginstalnya.  Bab 2 dan 3 membahas tentang manajemen data di R, khususnya dengan menggunakan  fasilitas di R‐Commander dan perintah langsung di R‐Console.  Analisis grafik  pada R  dijelaskan pada  Bab  4,  khususnya  penggunaan  fasilitas  di  R‐Commander. Pada Bab 5 dibahas tentang penggunaan fasilitas di R‐Commander untuk  perhitungan  fungsi  distribusi  peluang,  yang  mencakup  perhitungan  peluang  pada  distribusi kontinu dan diskrit. Bahasan tentang analisis statistik deskriptif dijelaskan pada  Bab  6.  Pada  Bab  7  dijelaskan  tentang  penggunaan  fasilitas  di  R‐Commander  untuk  analisis statistik inferensi, yang mencakup uji hipotesis (tentang rata‐rata, proporsi, dan  varians),  analisis  regresi,  dan  model  linear  tergeneralisir  (GLM).  Pada  bagian  akhir  dari  bab ini diberikan ringkasan beberapa perintah dan library yang berkaitan dengan analisis  regresi.  Dalam  Bab  8  dibahas  tentang  analisis  grafik  dengan  menggunakan  perintah  langsung di R‐Console atau command line.  Bab 9 membahas tentang penggunaan R untuk analisis runtun waktu. Dalam bab  ini  ada  tiga  sub‐bab  utama  tentang  model‐model  dalam  analisis  runtun  waktu  yang  dibahas,  yaitu  model  tren  linear,  model  eksponensial  smoothing,  dan  model  ARIMA.  Pada Bab 10 dijelaskan tentang penggunaan R untuk analisis multivariat, yang mencakup  tentang Analisis Faktor, Analisis Diskriminan, dan Analisis Cluster. Pada akhirnya, Bab 11  dijelaskan tentang pemrograman di R. 
 

‐      ‐  iii

©sht90 

  Kata Pengantar 

 

Buku ini ditujukan untuk pengguna R secara umum sebagai petunjuk pengantar  pemakaian  R  untuk  analisis  data  statistik.  Selain  itu,  buku  ini  juga  diharapkan  dapat  dipakai di kelas‐kelas pada pengajaran statistika baik di level dasar ataupun level lanjut  dengan teknik‐teknik analisis statistik tertentu. Saat ini buku ini digunakan sebagai salah  satu referensi pada mata kuliah Analisis Data I dan II di Program Sarjana (S1) dan mata  kuliah  Analisis  Data  di  Program  Magister  (S2)  Jurusan  Statistika,  Institut  Teknologi  Sepuluh Nopember (ITS), Surabaya.  Pada kesempatan ini, penulis mengucapkan terima kasih yang sebesar‐besarnya  kepada dosen‐dosen penulis yang telah banyak menginspirasi perkembangan akademik  penulis,  khususnya  Drs.  Kresnayana  Yahya,  M.Sc.  dan  Ir.  Dwiatmono  A.W.,  M.Ikom.  selama penulis menempuh S1 di ITS Surabaya, Prof. T. Subba Rao dan Dr. Jingsong Yuan  dari  Department  of  Mathematics,  University  of  Manchester,  United  Kingdom,  selama  penulis menempuh S2, dan Prof. Subanar, Ph.D. selama penulis menempuh S3 di UGM  Yogyakarta.  Penulis  juga  mengucapkan  banyak  terima  kasih  kepada  kolega‐kolega  akademik  penulis  yang  telah  banyak  membantu  dalam  proses  penulisan  buku  ini,  khususnya  R.  Mohamad  Atok,  S.Si.,  M.Si.  dan  Wahyu  Wibowo,  S.Si.,  M.Si.  Akhirnya,  penulis juga mengucapkan banyak terima kasih kepada mahasiswa/i penulis, khususnya  mahasiswa/i  S1  Statistika  2005  yang  telah  melakukan  download  paket  dan  library  R  secara bersama‐sama sehingga banyak library (hampir 1000 library) yang sekarang telah  tersedia dan dapat diaktifkan.  Masukan dan umpan balik dari pembaca sangat diharapkan untuk perbaikan isi  buku ini. Pembaca dapat mengirimkan saran dan kritik melalui email ke alamat penulis,  yaitu  suhartono@statistika.its.ac.id  atau  har_arema@yahoo.com.  Semoga  buku  ini  dapat memberikan manfaat, khususnya bagi perkembangan ilmu statistika di Indonesia  dan secara umum bagi para pembaca. 
   

Surabaya, 09 September 2008  Penulis,  Suhartono  

‐      ‐  iv

7.7   Fasilitas help           1.2   Data Matriks            3.3   Data Frame           3.  MANAJEMEN DATA DI PAKET R         2.4.1   Membaca File ASCII         3.  iv  vi  1  1  1   1  2  4  6  10  10  12  15  16  16  19   20  20  20  22  22  24  25  25  27  29  30  30  31  34  37  38   38  39  41  BAB 3.  MANAJEMEN DATA DI R DENGAN COMMAND LINE          3.4   Importing data di R‐Commander             2.5   Memilih dataset yang aktif  2.1.6   Manajemen Direktori Kerja di R        1.3   Importing data file MINITAB di R‐Commander                       2.4   Data List                3.2.7.2   Importing Data pada Command Line            3. Paket dan Library         1.1   Data Array Satu Dimensi atau Data Vektor           3.4   Instalasi R dalam Sistem Operasi Windows        1.2.3   Editing data di R‐Commander         2.5   GUI R‐Commander dan Instalasinya dalam Sistem Operasi Windows        1.1.  PAKET STATISTIK R        1.3   Importing Data dari Paket Statistik  ‐    ‐  v .4.2   Menggunakan help‐search‐engine           1.2.2   Menampilkan data yang sedang aktif di R‐Commander         2.6.3   Online Search‐Engine  BAB 2.3   Cara Memperoleh R.1   Data Entry menggunakan R‐Gui dengan R‐Commander         2.4.2   Importing Data File Excel          3.1   Importing data file Excel di R‐Commander              2.©sht90      Daftar Isi    DAFTAR ISI        KATA PENGANTAR      DAFTAR ISI      BAB 1.2   Importing data file SPSS di R‐Commander             2.1   Jenis‐jenis Data Objek              3.1.6   Transformasi dataset atau pengaturan variabel pada dataset      2.6.2   Sejarah Singkat R           1.1   Recode atau kode ulang peubah       2.7.2   Compute atau hitung peubah baru        hal.1  Pendahuluan           1.1   Mencari help dari suatu perintah (command) tertentu           1.1.

1   Menghitung Kuantil dari Distribusi Normal           5.1.1.7   Tabel Kontingensi Dua Arah  6.9   Diagram Lingkaran (Pie‐Chart)        4.2   Distribusi Frekuensi    6.4   Membangkitkan Data dari Distribusi Normal                                 5.  GRAFIK MENGGUNAKAN R‐Commander          4.1.7   Grafik Plot Rata‐rata (Mean)      4.4   Membangkitkan Data dari Distribusi Binomial  43  45  46   48  50   51   53   55   56   57   58   61  62  62  63  64  67  69  69  70  72  75  78  79  79  81  83   84  86   87   88   89   91   93  95  95  98  102  BAB 6.2   Menghitung Peluang dari Distribusi Normal            5.3   Diagram Dahan dan Daun (Stem‐and‐Leaf)           4.3   Membuat Plot dari Distribusi Normal           5.1   Menghitung Kuantil dari Distribusi Binomial     5.1.1.1   Grafik dalam R‐GUI         4.8   Diagram Batang (Bar‐Chart)        4.1.1.10 Plot Indeks    BAB 5.4   Matriks Korelasi    6.  FUNGSI DISTRIBUSI PELUANG DI R‐Commander          5.2   Fungsi Distribusi Diskrit     5.1   Ringkasan Numerik dari Semua Variabel           6.6   Uji Kenormalan Shapiro‐Wilk  6.2   Menghitung Peluang dari Distribusi Binomial      5.1   Pengujian Rata‐rata (Mean)              7.1.  STATISTIK INFERENSI MENGGUNAKAN R‐Commander         7.3   Membuat Plot dari Distribusi Binomial     5.3   Tabel Statistika       6.1.5   Uji Korelasi  6.1   Fungsi Distribusi Kontinu              5.1   Ringkasan Numerik (Summary)              6.©sht90      Daftar Isi    BAB 4.2   Pengujian Perbedaan Rata‐rata Dua sampel saling bebas           7.8   Entry Langsung Data Frekuensi untuk Tabel Kotingensi Dua Arah   BAB 7.1   Pengujian Rata‐rata sampel tunggal           7.1.1.5   Grafik QQ‐Plot      4.1.1.2   Grafik Histogram        4.4   Grafik Box‐Plot        4.  STATISTIK DESKRIPTIF MENGGUNAKAN R‐Commander         6.6   Grafik Diagram Pencar (Scatter‐Plot)      4.2   Ringkasan Numerik untuk Suatu Variabel                              6.3   Pengujian Perbedaan Rata‐rata Sampel Berpasangan       ‐    ‐  vi .

5   Kriteria Pemilihan Model  .5   Argumen‐argumen untuk fungsi plot utama                   8.3   Model ARIMA          9.3.1.1   Contoh Kasus Model ARIMA Non‐musiman yang Stasioner      9.2.2. qqplot(x.1   Model Trend Linear         9.3.2   Pengujian Kesamaan Variansi             7.1.y)           8.4   Analisis Regresi Linear             7.1.z.1   Pengujian Kesamaan Dua Variansi           7.3   Uji Levene          7.2   Contoh Kasus Model Non‐musiman yang Tidak Stasioner     9.2   Model Linear                7.3.2.1.3   Model Eksponensial Ganda            9.3   Perintah hist(x)            8.2   Uji Bartlett           7.3   Model ARIMA Musiman      9. persp(x.4   Perintah image(x.1   Regresi Linear           7.4   Contoh Kasus Model ARIMA Musiman     9.1.©sht90      Daftar Isi                     7.4   Analisis Varians satu arah (One‐way ANOVA)   7.2   Model Holt‐Winters Multiplikatif           9.y.  ANALISIS RUNTUN WAKTU DENGAN R         9.  GRAFIK MENGGUNAKAN R‐CLI         8.z.4   Notasi Matematika pada Plot    8.1.1.5   Generalized Linear Model      7.1.3   Pengujian Proporsi             7.…).…).3.2   Pengujian Proporsi Dua Sampel         7.…)           8.6   Rangkuman perintah dan library yang berkaitan dengan        Analisis Regresi   BAB 8.1   Fungsi‐fungsi Plot Utama              8. Fungsi‐fungsi Plot Tambahan  8.1   Pengujian Proporsi Sampel Tunggal           7.z.4. Model Exponential Smoothing           9.y.4.4   Model Eksponensial Smoothing Sederhana                ‐    ‐  vii                       9.5   Analisis Varians dua arah (Multi‐way ANOVA)   105  109  112  112  114  115  116  117  118  120  121  123  127  130  144  146  146  150  154  155  156  157  158  158   160   162  163  165  167  171  173  174  176  181  189  194  197  203         7.1.1   Perintah plot( )            8.1   Model Holt‐Winters Aditif            9.5   Setting parameter grafik  BAB 9.3. contour(x.2.1. qqline(x).3.1.2   Perintah qqnorm(x).2.3.3   Fungsi‐fungsi Plot yang bersifat interaktif       8.y.

©sht90      Daftar Isi            9.3  Analisis Cluster  DAFTAR PUSTAKA       DAFTAR INDEKS     TENTANG PENULIS     ‐    ‐  viii .    ANALISIS MULTIVARIAT DENGAN R                 10.1   Analisis Faktor     10.2  Analisis Diskriminan  10.4   Rangkuman perintah dan library yang berkaitan dengan      Analisis Runtun Waktu  205  208  208  210  212  215   216  218  BAB 10.

html).    1.1. New Zealand oleh Ross Ihaka dan Robert Gentleman.2. Sejarah Singkat R  R  dalam  versi  terakhirnya.  dengan  file  instalasi  binary/file  tar  tersedia  untuk  sistem  operasi  Windows.  sehingga  sebagian  besar  keperluan  analisis  statistika.  Open  Stats.html).  Versi  awal  dari  R  dibuat  pada  tahun  1992 di Universitas Auckland.  Free  BSD.©sht90   Paket Statistik R  BAB 1  PAKET STATISTIK R    1. sintaks dari bahasa R adalah ekuivalen dengan  paket  statistik  Splus.r‐ project.  Linux.  MINITAB.2  per  25  Agustus  2008.  Suatu  library adalah  kumpulan  perintah  atau  fungsi  yang  dapat di‐    ‐ 1 ‐    . SAS. melaporkan bug.statistics. para statistisi lain pengguna R di seluruh dunia  juga memberikan kontribusi berupa kode. dan Splus.  Mac  OS.  Beberapa  contoh  software  statistik  komersil  yang  popular di Indonesia adalah SPSS.  Fungsi  dan  kemampuan  dari  R  sebagian  besar  dapat  diperoleh  melalui  Add‐on  packages/library.  source  code  kernel  R  dikembangkan  terutama  oleh  R  Core  Team  yang  beranggotakan  17  orang  statistisi  dari  berbagai  penjuru  dunia  (lihat  http://www.com/content/freesoft/ AZlisting.org.  Software statistik yang komersil mensyaratkan lisensi dengan harga yang relatif  sangat  mahal  untuk  ukuran  sebagian  besar  pengguna  di  Indonesia.  dan   pemrograman dengan R adalah hampir identik dengan perintah yang dikenal di Splus.org/contributors.  dan  lain‐lain  (lihat  http://www.  salah  satu  alternatif  penyelesaian  dari  mahalnya  lisensi  tersebut  adalah  melalui  penggunaan freeware statistik. Secara umum.  yaitu  kelompok  software  komersil  dan  kelompok  software  statistik  open  source  atau  freeware.3.  Pada  server  CRAN  ini  dapat  didownload file instalasi binary dan source code dari R‐base system dalam sistem operasi  Windows (semua versi).  SalStat. beberapa jenis distro linux. Solaris. dan membuat dokumentasi  untuk R.  yaitu  versi  2. Pada  saat  ini.  irix.  Mac  OS  X.r‐project.  merupakan  suatu sistem analisis data statistik yang komplet sebagai hasil dari kolaborasi penelitian  berbagai  ahli  statistik  (statistisi)  di  seluruh  dunia. Pendahuluan  Secara  umum  ada  dua  macam  kelompok  paket  software  statistik  untuk  keperluan  analisis  data. Selain itu. Eviews.  Vista. Paket dan Library  R  dapat  diperoleh  secara  gratis  di  CRAN‐archive  yaitu  The  Comprehensice  R  Archive  Network  di  alamat  http://cran. dan HPUX.7.    1. dan Macintosh. AIX. khususnya R. Cara Memperoleh R.  Paket  statistik  R  bersifat  multiplatforms.  Dengan  demikian.  NetBSD. Sedangkan contoh  dari  freeware  statistik  antara  lain  R.

 datasets.7.1. utils.        Gambar 1.org.2‐win32.r‐project.org. Daftar semua library yang tersedia dapat diakses  dari link download CRAN di alamat http://cran.©sht90   Paket Statistik R  gunakan  untuk  melakukan  analisis  tertentu.  berikut ini.    Jika  proses  instalasi  telah  selesai.  Apabila  semua  proses  berjalan  dengan  sukses.  Jendela dialog awal instalasi R dalam sitem operasi Windows    Setelah  itu.r‐ project.  Sebagai  contoh.7. dan stats. Library lain  hasil kontribusi dari pengguna R (di luar yang standar) harus diinstal satu per satu sesuai  dengan yang dibutuhkan untuk analisis.  maka  akan  muncul  jendela  dialog  seperti  pada  Gambar  1.      ‐ 2 ‐    .  fungsi  untuk  melakukan  analisis  time  series  dapat  diperoleh  di  library  ts.  klik  Finish  untuk  keluar  dari  proses  instalasi. Setelah itu.exe yang terdapat pada direktori yang  telah  disediakan.2.exe  yang  dapat  diperoleh  di  http://cran.  Instalasi  standar  dari  R  akan  memuat  berbagai library dasar.4. Instalasi R dalam Sistem Operasi Windows  Tahapan  utama  sebelum  melakukan  instalasi  R  dalam  sitem  operasi  Windows  adalah  mendownload  file  R‐2.  lanjutkan  jalannya  proses  instalasi  dengan  mengikuti  Wizard  dan  menggunakan pilihan‐pilihan default instalasi. antara lain base.  maka  pada  Desktop  Windows  dan  Start Menu dari Windows akan terdapat Shortcut dari R seperti pada Gambar 1.1.2‐win32.  berikut ini. langkah‐langkah instalasi R dapat dilakukan seperti berikut:  Klik dua kali (double click) file R‐2.    1. graphics.

 Lakukan klik dua kali pada  shortcut  R  di  Desktop  atau  pada  Start  Menu. dan kemudian klik Yes pada dialog Save Workspace  Image.©sht90   Paket Statistik R        Gambar 1.3. maka jendela program R akan terbuka seperti yang terlihat pada Gambar 1.      ‐ 3 ‐    . yaitu     > q()  2. jika instalasi berjalan sukses    Jika selesai bekerja dengan R.  Jika  instalasi  berlangsung  dengan  baik.2.        Gambar 1. Pilih menu File. Ketikkan q() pada command line di R‐console. yaitu :    1.3.  Jendela awal program R. pilih Exit. maka untuk keluar dari R dapat dilakukan dengan dua  cara.  Shortcut dari R    Langkah  terakhir  jika  instalasi  R  telah  selesai  adalah  melakukan  pengecekan  atau  pengujian apakah program R dapat berjalan dengan baik.

    2.zip. Kemudian arahkan lokasi pada dialog Look in ke direktori dimana  file  Rcmdr_1.zip.HH_1.         Gambar 1.  dan  RcmdrPlugin.  Jika  instalasi  untuk  R  telah  selesai  dan  berjalan  sukses.  pada  saat  ini  telah  tersedia  beberapa GUI sederhana untuk keperluan beberapa analisis statistika tertentu.  jalankan  program  R  sampai  jendela  program  R  terbuka  (seperti  yang  terlihat pada Gambar 1. pilih Install package(s) from  local zip files … .  Dengan  demikian.FactoMineR. pilih menu Packages. maka langkah‐langkah untuk intalasi R‐commander adalah sebagai berikut:  1.  RcmdrPlugin.  Pilih  semua file tersebut.FactoMineR_1. khusus‐ nya yang berkaitan dengan manajemen data di R.3 di atas).epack_1.  RcmdrPlugin.  RcmdrPlugin.   Instalasi  libray  R‐commander  dapat  dilakukan  apabila  file‐file  library  di  atas  sudah  didownload  dari  server  CRAN.HH.©sht90   Paket Statistik R    1.zip.5.0‐1.zip.  RcmdrPlugin.00.3‐10. merupakan library tambahan dari R untuk memfasilitasi GUI  yang dapat digunakan untuk berbagai analisis statistika dasar.TechingDemos_1.4.  Jendela dialog untuk instalasi R‐commander      ‐ 4 ‐    .  RcmdrPlugin.  RcmdrPlugin.3‐10. Untuk menginstal R‐commander.epack. Pertama.1‐5.  untuk  dapat  menggunakan  R  di‐ perlukan  penyesuaian‐penyesuaian  bagi  pengguna  yang  telah  terbiasa  dengan  fasilitas  Point  and  Click  Graphical  User  Interface  (GUI). Library R‐commander yang terdiri dari  Rcmdr. seperti yang terlihat pada jendela dialog pada Gambar 1. GUI R‐Commander dan Instalasinya dalam Sistem Operasi Windows  Pada  awalnya.  Untungnya.  RcmdrPlugin.4.  interaksi  utama  antara  pengguna  dengan  R  adalah  bersifat  Command  Line  Interface  (CLI).TechingDemos.zip.

epack' successfully unpacked and MD5 sums checked  package  'RcmdrPlugin.5. Paket R‐commander dapat dijalankan dengan dua cara yang berbeda.FactoMineR'  successfully  unpacked  and  MD5  sums  checked  package 'RcmdrPlugin.TeachingDemos'  successfully  unpacked  and  MD5  sums  checked  package 'Rcmdr' successfully unpacked and MD5 sums checked  package 'RcmdrPlugin.HH' successfully unpacked and MD5 sums checked  updating HTML package descriptions  >      3. pilih Load package … dan kemudian memilih Rcmdr  pada  daftar  paket  library  yang  telah  terinstal. yaitu:    Dengan  mengetikkan  perintah  library(Rcmdr)  pada  jendela  R‐console  dan  menekan Enter satu kali.        Gambar 1.©sht90   Paket Statistik R  Kemudian  klik  Open.5.       > utils:::menuInstallLocal()  package  'RcmdrPlugin.  seperti  yang  terlihat  pada  Gambar 1.  Jendela dialog untuk menjalankan R‐commander    ‐ 5 ‐    .  maka  R  akan  menginstal  paket  R‐commander  yang  ditandai  dengan dialog berikut pada jendela R‐console.    >  library(Rcmdr)    Memilih menu Packages.

     4.Rdata.  bahasa  yang  digunakan  dalam  paket  R‐commander  sudah  ada  yang  dalam  bahasa  Indonesia  sebagai  hasil  pengembangan  dan  kontribusi  statistisi  di   Indonesia.6.   Lokasi    ‐ 6 ‐    .6 berikut  ini.  maka  paket    R‐commander tersebut akan diloading dan muncul seperti pada Gambar 1.©sht90   Paket Statistik R  Apabila  proses  instalasi  paket  R‐commander  berjalan  dengan  sukses. Manajemen Direktori Kerja di R  Cara kerja dari R adalah sama dengan Splus.  Jendela awal dari paket library R‐commander    Pada  saat  ini.        Gambar 1. Untuk  keluar  dari  paket  R‐commander  dan  sekaligus  R  dapat  dilakukan  dengan  memilih menu File.  R  akan  menyimpan  file  image  dari  semua  obyek  atau  internal  data  dan  history  dari  semua  perintah  yang  pernah  diketikkan  di  jendela  R‐console  pada   direktori  kerja  secara  otomatis  atau   default  dengan  file  berekstensi  .6. yaitu bekerja dengan satu direktori  untuk  satu  projek. dan klik pada pilihan Dari Commander dan R yang  tersedia di jendela R‐commander.      1. pilih Keluar.

  buatlah  satu  direktori  baru  di  C:\Kerja_dg_R    dengan  nama  direktori  “Nama_Pekerjaan”.2. Dengan demikian akan memudahkan dalam melihat history dan obyek  yang berhubungan dengan pekerjaan tersebut.©sht90   Paket Statistik R  default  dari  direktori  kerja  R  adalah  direktori  “C:\Program  Files\R\R‐6.        Gambar 1.1”.  pada tahap ini diperoleh suatu direktori baru yaitu   C:\Kerja_dg_R\Kerja1.  Misalkan  kita  telah  mempunyai  direktori  C:\Kerja_dg_R  (buatlah  direktori  ini  jika  belum  ada).  ketikkan  beberapa baris perintah berikut ini setelah jendela R terbuka.    Buatlah copy dari shortcut program R di desktop window.  Sebagai  ilustrasi  sederhana.  Untuk  keperluan  pekerjaan  sehari‐hari  yang  menggunakan  R  akan  lebih  baik  jika  dilakukan  pada direktori tersendiri.  Dengan  demikian.  Sehingga  di  desktop  window  muncul  shortcut  Kerja1  seperti Gambar 1.    1. setelah itu klik OK.  Langkah  pertama.  lakukan  klik  dua  kali  pada  icon  shortcut  Kerja1  untuk  menjalankan  R.1.6. Mengubah lokasi direktori kerja atau workspace  Berikut  ini  adalah  langkah‐langkah  yang  dapat  digunakan  untuk  membuat  direktori khusus dari suatu pekerjaan dengan menggunakan R. misalnya direktori dengan nama yang sesuai dengan pekerjaan  yang dijalankan. dan rename shortcut ini  sebagai  shortcut  Kerja1.7.     Untuk  mengetahui  perubahan  lokasi  direktori  kerja  di  R.      > x=1:15  > y=x+5  > x   [1]  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15  > y   [1]  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20        ‐ 7 ‐    .  Pilih  Properties  dan ganti  informasi pada kolom  Start in   menjadi   C:\Kerja_dg_R\Kerja1   seperti  yang terlihat pada Gambar 1.8.  Shortcut di desktop window dengan nama Kerja1    Kemudian  arahkan  mouse  pada  shortcut  tersebut  dan  klik  kanan.  misalkan  Kerja1.7 berikut ini.

  jika  dilakukan  browsing  di  direktori  C:\Kerja_dg_R\Kerja1  maka akan ditemukan satu file bernama .  lakukan  keluar  dari  R  dengan  memilih menu File/Exit.8.   Pada dialog pertanyaan  Save  workspace image?.  History  dan  data  dari  suatu  sesi  terakhir  (yang  telah  tersimpan  sebelum  keluar)  dapat  diakses  pada  jendela  R‐console  dengan  menggunakan  tanda  panah  ke  atas  dan  ke  bawah.  Perubahan lokasi direktori kerja ke C:\Kerja_dg_R\Kerja1    Setelah  mengetikkan  beberapa  baris  perintah  di  atas.Rhistory yang merupakan nama default  dari file yang berisikan history dari semua perintah yang pernah diketikkan.  Sekarang.©sht90   Paket Statistik R        Gambar 1. Kedua file ini  secara default akan diloading oleh R pada saat R dijalankan untuk suatu sesi pekerjaan.  klik  pada  pilihan  YES. dan file yang lain bernama .      ‐ 8 ‐    .Rdata yang merupakan nama default file image  dari direktori kerja.

  yaitu:  Pilih menu File.©sht90   Paket Statistik R  1.Rdata dapat diload kembali dengan menggunakan dua macam cara.6.2.  Selanjutnya  lakukan  keluar  dari  R.  dan pilih  Save               ‐ 9 ‐    .  Sebagai  contoh.  akan  disimpan  secara  default  ke  dalam  file  .  ke dalam direktori C:\Kerja_dg_R\Kerja1 dengan nama file coba1.  dan  pilih  Save  Workspace  …  .RData")  > objects()  [1] "x" "y"  > x   [1]  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15  > y   [1]  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20      Dari jendela kotak R‐console di atas dapat dilihat bahwa semua obyek yang dikerjakan  pada  sesi  sebelumnya  telah  berhasil  diload  kembali. Menyimpan image direktori kerja  Pada  bagian  sebelumnya  telah  dijelaskan  bagaimana  semua  obyek  yang  digunakan  dalam  satu  sesi  pemakaian  R. yaitu x dan y seperti yang tertulis di atas.Rdata dapat dilakukan  dengan  menggunakan  menu  File. dan setelah itu pilih file di direktori  C:\Kerja_dg_R\Kerja1 dengan nama coba1.  semua  history  dari perintah  pada  suatu sesi dapat disimpan melalui menu File.  File‐file  ini  selanjutnya  dapat  diload  kembali  jika  diperlukan.Rdata.  dan  pilih  No  (yang  berarti  tidak  menyimpan  imag  dari  file  kerja)  pada  dialog Save Workspace Image?  Sekarang jalankan kembali program R. maka data atau  obyek di file coba1.Rdata    Gunakan perintah berikut pada jendela R‐console      > load("C:\\Kerja_dg_R\\Kerja1\\Coba1.  R  memberikan  fasilitas  tambahan  untuk  menyimpan  data  atau obyek  yang  digunakan dalam setiap  sesi R  ke  dalam  file  workspace tertentu  yang  memiliki  ekstensi  .  yaitu  mulai  dibukanya  program  R  sampai  ditutup  kembali.      > x=1:15  > y=x+5  > x   [1]  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15  > y   [1]  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20      Proses penyimpanan data atau obyek.  jalankan  program  R  dan  ketikkan  beberapa  perintah  berikut  ini  ke  dalam jendela R‐console. dan pilih Load Workspace … .  Dengan  cara  yang  sama.Rdata.  Supaya  file‐file  pekerjaan  lebih  terorganisir.

  Sebagai  contoh. History dari sesi R  yang  telah  diload  ini  dapat  diakses  dengan  menggunakan  tanda  panah  ke  atas  dan  ke  bawah.7.  dan  pilih  Load  History  …  .  kemudian pilih nama file history yang akan dipanggil kembali tersebut.        Gambar 1.9 berikut ini.  maka  pada  jendela  R‐console  dapat  diketikkan  salah  satu  perintah  berikut ini.  dan  pilih R  function  (text) … dan  setelah jendela dialog muncul.  jika  ingin  diketahui  secara  detail  tentang  suatu  perintah  atau  fungsi  R  yang  bernama  “plot”.  Jendela dialog help untuk suatu fungsi atau perintah      ‐ 10 ‐    . yaitu:      >  help(plot)  >  ?plot      Jendela  help  yang  sama  dapat  juga  diperoleh  dengan  menggunakan  menu  dengan  pilihan Help.  dapat  dilakukan  dengan  melalui  menu  File.9. ketikkan  kata plot seperti yang terlihat pada Gambar 1.    1.©sht90   Paket Statistik R    History…  . Fasilitas help  Secara  umum  ada  beberapa  fasilitas  help  dari  R  yang  dapat  diakses  dengan  berbagai cara.  Untuk  melakukan  load  kembali  history  pada  sesi  sebelumnya  yang  sudah  tersimpan  ini. antara lain:  Mencari help dari suatu perintah (command) tertentu  Menggunakan help‐search‐engine  Online Search‐Engine    1. Mencari help dari suatu perintah (command) tertentu  Ada beberapa perintah yang dapat digunakan untuk mencari help atau bantuan  terhadap  suatu  fungsi  atau  perintah  dari  R  yang  telah  diketahui  namanya.7.1.

  dan  kolom  kanan  adalah  hasil  atau  penjelasan dari pencarian fungsi yang ingin diketahui.    Pada  bagian  kiri  atas  kolom  jendela  hasil  help  adalah  tentang  keterangan  nama  dari  perintah  atau  fungsi  yang  sedang  ditampilkan  dan  nama  paket  atau  library  yang memuat perintah tersebut.  Details: uraian yang lebih lengkap (daripada yang diberikan pada bagian  description) tentang perintah tersebut.  Arguments: uraian tentang argumen‐argumen yang diperlukan dari fungsi  atau perintah tersebut.10.  Hasil pencarian help untuk suatu fungsi plot    Penjelasan dari jendela hasil pencarian help untuk fungsi plot ini adalah sebagai berikut:  Ada  dua  kolom  jendela  yang  muncul.    ‐ 11 ‐    .  maka  akan  ditampilkan  bagian  dari  jendela  help  dari  perintah  plot  seperti  yang  terlihat  pada  Gambar  1.    Pada setiap jendela help dari suatu perintah secara umum akan memuat bagian‐ bagian berikut:    • • • •     Description: uraian singkat tentang perintah tersebut  Usage: uraian tentang syntax perintah untuk penggunaan perintah tersebut.        Gambar 1. Dalam contoh di atas..©sht90   Paket Statistik R  Setelah  salah  satu  dari  perintah  di  atas  dijalankan.10  berikut ini.  yaitu  kolom  kiri  tentang  index  dari  fungsi  atau  perintah  yang  dicari  (misal  plot). untuk perintah plot dapat  dilihat bahwa perintah plot ini tersimpan dalam paket atau library graphics.

©sht90   Paket Statistik R    • • • • • Values: uraian tentang output perintah tersebut.      > apropos("plot")   [1] ".default"        [7] "boxplot.  References: uraian tentang referensi yang dapat digunakan untuk  memperoleh keterangan lebih lanjut dari perintah tersebut.window"           [34] "qqplot"                [37] "savePlot"              [40] "sunflowerplot"         >    "assocplot"             "biplot"                "boxplot.  See also: bagian ini berisi daftar perintah atau fungsi yang berkaitan                erat dengan perintah tersebut. Menggunakan help‐search‐engine  Metode pencarian help lain yang dapat dilakukan adalah dengan menggunakan  pencarian terhadap “kata kunci”.7.spec"             [28] "plot. Berikut ini adalah contoh hasil perintah apropos(plot).__C__recordedplot"     [4] "barplot.plot"                Dari  hasil  jendela  di  R‐console  tersebut  dapat  dilihat  output  yang  memuat  kata  kunci  “plot” dalam suatu nama perintah.ts"               "plot.xy"               "recordPlot"            "screeplot"            "termplot"              "barplot"              "boxplot"              "cdplot"               "interaction.mlm"              "plot.   Output  yang  sama  dapat  pula  diperoleh  dengan  menggunakan  menu  utama  pada  pilihan  Help. Menggunakan perintah apropos(“kata kunci”)  Perintah  ini  dapat  digunakan  untuk  memperoleh  daftar  perintah‐perintah  dari  semua  paket atau  library  yang telah  terinstal  pada  sistem  R yang  memuat  suatu “kata  kunci”. Output yang diperoleh akan berbeda dan tergantung  pada library yang terinstal pada komputer.  Example: bagian ini berisi contoh‐contoh penggunaan perintah tersebut.plot"     "monthplot"            "plot.spec.  kemudian  pilih  Apropos  …  dan  selanjutnya  ketik  plot  pada  jendela  dialog seperti yang terlihat pada Gambar 1.stepfun"          [31] "plot.phase"      "plot.TukeyHSD"        "preplot"              "replayPlot"           "spineplot"            "ts.new"             "plot.lm"               [25] "plot.plot"              [16] "mosaicplot"            [19] "plot.coherency"   "plot.default"       [10] "coplot"                [13] "lag.    1.      ‐ 12 ‐    .design"           "plot.density"          [22] "plot.11 berikut ini.stats"         "fourfoldplot"          "matplot"               "plot"                  "plot.2. Beberapa metode yang dapat dilakukan untuk tujuan  ini dapat dijelaskan seperti berikut ini.default"         "plot.  a.  Author(s): uraian tentang author dari perintah tersebut.spec.ecdf"            "plot.

 Menggunakan perintah help.©sht90   Paket Statistik R        Gambar 1. Berikut ini adalah  contoh perintah help.search(“plot”)      ‐ 13 ‐    .      >  help.12.        Gambar 1.search(“plot”) pada jendela R‐console.11.search(“kata kunci”)  Perintah  ini  akan  melakukan  pencarian  terhadap  sebuah  string  bernama  kata  kunci di semua paket atau library yang telah terinstal pada sistem R.  Jendela dialog Apropos untuk pencarian suatu perintah    b.  Hasil pencarian help dengan perintah help.12 berikut ini.search("plot")      Hasil dari perintah tersebut dapat dilihat pada Gambar 1.

   Output  yang  sama  dapat  pula  diperoleh  dengan  menggunakan  menu  utama  pada  pilihan  Help.  dan  tentang  Search  Engine  &  Keywords  yang  dapat  digunakan  untuk  pencarian  kata  kunci (keywords) dalam semua paket atau library yang telah diinstal dalam sisrem  R yang ada di komputer.      >  help.©sht90   Paket Statistik R    Dari  hasil  untuk  contoh  di  atas  dapat  dilihat  keterangan  nama  perintah  atau  fungsi  beserta nama paket atau library (kata yang didalam kurung) yang memuat string “plot”.   Berikut ini adalah contoh help. dan piliha Manuals (in Pdf) dari R. Menggunakan versi html dari jendela help  Tampilan  dari  help  dalam  versi  html  dapat  diperoleh  melalui  fungsi  atau  perintah  help.13 berikut ini.  jendela  help  dalam  html  ini  dapat pula dibuka menggunakan menu pada pilihan Help. Beberapa keterangan atau  uraian dari hasil jendela help versi html adalah sebagai berikut:  Pada  bagian  Manuals. dan kemudian pilih Html help.  diperoleh  daftar  link  dari  semua  file  manual  dalam  versi  html dari R.  Jendela dialog Search help untuk pencarian suatu perintah    c. kemudian  pilih  Search help  dan  selanjutnya ketik  plot  pada jendela  dialog seperti yang terlihat pada Gambar 1.start()  pada  jendela  R‐console. Versi file pdf dari file manual ini dapat diakses melalui menu utama  Help.  Output  yang  diperoleh  akan  berbeda  dan  tergantung  pada  library  yang  terinstal  pada  komputer.  Selain  itu.start()      Hasil dari perintah tersebut dapat dilihat pada Gambar 1.  yaitu  tentang  Package  yang  berisi  daftar  semua  paket  atau  library  yang  telah  diinstal  pada  sistem.14.13.start() pada jendela R‐console.      ‐ 14 ‐    .        Gambar 1.    Pada  bagian  Reference  terdiri  dari  dua  informasi  utama.

math.html.  Pada  alamat  tersebut  dapat  diperoleh semua informasi tentang R yang ada dalam situs CRAN.start()      1.7.        Gambar 1.org\search.  Hasil pencarian help dalam versi html dengan perintah help. informasi semua paket  atau  library  yang  tersedia  untu  R.ch.          ‐ 15 ‐    .  dan  ditambah  informasi  yang  tersedia  pada  archive  mailing list r‐help@stat.14.r‐project.ethz. Online Search‐Engine  Informasi  tentang  R  secara  online  dapat  dicari  dengan  menggunakan  search  engine  di  alamat  http:\\cran.3.©sht90   Paket Statistik R    Pada bagian Miscellaneous Material terdiri dari beberapa link beberapa informasi  tambahan yang penting untuk diketahui lebih lanjut.

 edit.  Access  ataupun  dBase.1. Secara umum.     2.  R  menyediakan  dua  cara  untuk  melakukan  manajemen  data.  yaitu  menggunakan  R‐GUI  dan  melalui  command  line  di  R‐console.  Jendela awal dari paket library R‐commander yang sukses diloading        ‐ 16 ‐    .  Data Entry menggunakan R‐Gui dengan R‐Commander  Pada tahap awal. minimal ada dua macam bentuk  data  yang  dapat  diolah.  khususnya pemakaian R‐Commander. merupakan  suatu langkah yang penting dalam analisis statistika.  pembahasan  tentang  manajemen  data  difokuskan  yang  melalui  R‐GUI.1.         Gambar 2. import dan export.  Pada  bab  ini.  dan  tunggu  sampai  R‐Commander  selesai  diloading. aktifkan kembali program R dengan mengklik icon shortcutnya.  dan  data  yang  sudah  ditulis  menggunakan  Program  Sheet  lain. Ada beberapa macam dan ukuran  data yang dapat diolah menggunakan R.  yaitu  data  yang  dimasukkan  langsung  lewat  R  editor  melalui  keyboard.©sht90   Manajemen data di Paket R  BAB 2  MANAJEMEN DATA DI PAKET R    Manajemen data yang meliputi data entry.  Jika  proses  berjalan sukses maka akan nampak jendela R‐Commander seperti pada Gambar 2.1.  Kemudian load library R‐Commander dengan mengetikkan perintah library(Rcmdr) pada  jendela  R‐console.  seperti  Text.  MINITAB.  SPSS.

  Setelah  itu.2. Kemudian pada jendela Variable editor seperti yang terlihat  pada  Gambar  2.      ‐ 17 ‐    .©sht90   Manajemen data di Paket R    Pengisian data secara langsung via R dengan menggunakan R‐commander dapat  dilakukan  melalui  menu  Data.        Gambar 2. klik pada var1. seperti yang terlihat pada Gambar 2.3  berikut ini.        Gambar 2.2.  misalnya  responden.  jendela  dialog  pengisian nama data set akan ditampilkan. Pada  kotak dialog nama data set.  Jendela dialog pengisian nama data set    Kemudian klik OK.  Jendela RGui ‐ Data Editor untuk pengisian data    Pengisian nama variabel dilakukan dengan cara klik pada kolom paling atas dari  data  editor.  dan  pilih  Dataset  baru  …  .3. dan jendela RGui ‐ Data Editor akan terbuka seperti pada Gambar 2.  untuk  mengisikan  nama  variabel  pertama.  isikan  responden  sebagai  variable  name  dan  tipe  data  adalah  character (karena yang akan diisikan pada kolom ini adalah nama‐nama responden).4. tuliskan latihan1 sebagai nama data set baru tersebut.  Sebagai  contoh.

42  3. nilai UAN tiga mata pelajaran.1  9.  yaitu  mulai  isian nama  kolom  dan  tipe  data  yang diinputkan  (numeric  atau character).5  BIndonesia  9.26  2.3  6.5  7.2  IPK1  3.9  9.8  8.  Jendela Variable editor untuk pengisian nama variabel    Sebagai latihan.35  3.  Setelah  semua  data  selesai  diinputkan.75  3.5. berikut ini kedalam R Data editor.2  9.5  7. isikan data tentang nama mahasiswa. dan  IPK semester 1.5  7.5  BInggris  8.6  6.7  7.9  8.     Responden  Adi  Budi  Dany  Eka  Fery  Nuri  Rury  Matematika  8.9  8.        Gambar 2.90  3.0  9.0  7.2  9.1  8.©sht90   Manajemen data di Paket R        Gambar 2.  Jendela Data Editor setelah semua data selesai diisikan        ‐ 18 ‐    .76    Pada dasarnya.02  2.6  8.4  8.4. proses pengisian data ini adalah sama dengan paket statistik yang lain.  maka  akan  diperoleh  tampilan  Data  Editor  seperti berikut ini.

  Jendela data latihan1 yang sedang aktif di memori        ‐ 19 ‐    .  Pada  jendela  R‐Commander  terlihat  Data  set  yang  dengan  nama  latihan1  saat  ini  sedang  aktif.©sht90   Manajemen data di Paket R  Setelah  dilakukan  data  entry.7.6. Setelah itu jendela data akan dibuka dan menampilkan data yang  sedang aktif di memori komputer saat ini.  tulis  nama data set yaitu latihan1 di Jendela Skrip.  seperti  yang  terlihat  pada  Gambar  2. kemudian klik Kirim.6.  maka  tutup  jendela  R  Data  Editor  diatas  untuk  mengakhiri  proses  data  entry.        Gambar 2.  Jendela R Commander setelah dilakukan proses entry data    2.        Gambar 2.  Untuk  menampilkan  data  yang  sedang  aktif  di  Jendela  Keluaran  R‐Commander.  Menampilkan data yang sedang aktif di R‐Commander  Untuk menampilkan data yang sedang aktif di memori. yaitu data latihan1 berikut ini. maka akan terlihat  data seperti berikut ini. lakukan dengan mengklik  tombol Lihat data set.2.

      ‐ 20 ‐    .9.4.  proses  impor  data  melalui  R‐Commander  dapat  dilakukan  secara  sama  dengan  cara  mengimpor  data  dari  program  Excel.1.  lakukan  dengan  mengklik  tombol Edit  data  set.    2.  Access.  Editing data di R‐Commander  Untuk  melakukan  editing  terhadap  data  latihan1. dan proses  editing data dapat langsung dilakukan pada data‐data yang salah ketik.3.8.  Jendela Impor data pada R‐Commander    Pada  bagian  berikut  ini  akan  dijelaskan  penggunaan  impor  data  dari  Excel. atau dBase.  SPSS.  dan  MINITAB.         Gambar 2. seperti yang terlihat pada jendela menu berikut.4.  ataupun MINITAB.  Importing data di R‐Commander  Seperti  yang  telah  dijelaskan  pada  bagian  sebelumnya. setelah itu isikan data tentang responden diatas sehingga diperoleh data  Excel seperti yang terlihat pada Gambar 2. dataset MINITAB. Jika editing telah  selesai  dilakukan.  Importing data file Excel di R‐Commander  Misalkan saja data file Excel belum ada.  yaitu  dilakukan  langsung  melalui  Data  Editor  dan  melalui  import  data  dari  format  data  yang  diberikan  oleh program lain.  SPSS. dataset SPSS. Program yang format datanya dapat dibaca oleh R adalah data dari  file teks atau clipboard.    2.  tutup  jendela  Data  Editor  untuk  kembali  ke  jendela  R‐commander.  Untuk  file  dari  program  yang  lain. Setelah  itu jendela Data  Editor  akan dibuka kembali. dataset STATA.  Hasil editing yang telah dilakukan dapat dilihat dengan klik pada tombol Lihat data set. data dari Excel.  secara  umum  proses  data  entry  di  R‐Commander  dapat  dilakukan  dengan  dua  macam  cara. Buka  program Excel. dan akan dibuat terlebih dahulu.©sht90   Manajemen data di Paket R    2.

  Jendela dialog Impor data dari file teks atau clipboard        ‐ 21 ‐    .  Untuk  mengimpor  data  file  ini  kedalam              R‐Commander. pilihlah pada R‐Commander menu Data. Pada jendela dialog yang muncul.  Jendela data pada Excel yang akan diimpor ke R    Langkah  selanjutnya.9. dan kemudian  pilih dari file teks atau clipboard … .        Gambar 2.©sht90   Manajemen data di Paket R        Gambar 2. dan lain‐lain. isikan informasi  nama untuk data set.  simpan  file  ini  sebagai  file  text  (yaitu  tab  delimited  txt). seperti berikut ini.txt  di  direktori  C:\Kerja_R\. pilih Impor data.  dengan  nama  data1. nama variabel.8.

  data  hasil  impor  akan  disimpan  kedalam  R‐Commander  dengan  nama  latihan2.        Gambar 2.  data  set  yang  aktif  pada  R‐Commander  adalah latihan2 seperti yang terlihat pada Gambar 2. Pada jendela dialog yang muncul.  Jendela dialog hasil impor data dan latihan2 sebagai data set aktif     2.  Data  ini  diimpor  dengan  Pemisah  Field/Medan  adalah  spasi.2.  pilih  Impor  data. Arahkan ke direktori C:\Kerja_R\ dan pilih file data1.10.4.©sht90   Manajemen data di Paket R  Dalam  hal  ini.  dan  kemudian pilih dari dataset SPSS… .  maka  sekarang  data  yang  berada  pada  file  data1. Gunakan tombol Lihat data set  untuk melihat hasil impor data ini.txt. Sekarang. Kemudian klik Open.  Importing data file SPSS di R‐Commander  Proses  impor  data  eksternal  yang  telah  disimpan  sebagai  file  SPSS.10.11.        Gambar 2.  kemudian  akan  muncul  untuk  melakukan  browsing  ke  lokasi  dari  file  teks  yang  akan  diimpor. isikan informasi  nama untuk data set (misal latihan3) seperti berikut ini.  Klik  OK.txt  telah  diimpor  kedalam  R‐ Commander dengan  nama  latihan2.  Jendela dialog Impor Dataset SPSS    ‐ 22 ‐    .  dapat  dilakukan  dengan  memilih  pada  R‐Commander  menu  Data.

      ‐ 23 ‐    . maka data hasil  impor  dari  file  data3. Kemudian klik Open.©sht90   Manajemen data di Paket R  Klik OK. lakukan pada saat save as di Minitab).  Kemudian  klik  Open.  seperti  pada  Gambar  2.  Pada  jendela R‐Commander terlihat data set latihan3 sedang aktif. Pada jendela dialog yang muncul.  Pada  jendela  R‐ Commander  terlihat  data  set  latihan4  sedang  aktif. yaitu dapat dilakukan dengan  memilih  pada  R‐Commander  menu  Data.sav  akan  disimpan  kedalam  file  latihan3.  misalkan  saja  di  C:\Kerja_R\  dengan  nama  data2.13. misalkan saja di C:\Kerja_R\ dengan nama data3.MTP (Minitab Portable  Worksheet.13.3.  Jendela dialog Impor Dataset MINITAB    Klik  OK.4.  Importing data file MINITAB di R‐Commander  Proses  impor  data  eksternal  yang  telah  disimpan  sebagai  file  MINITAB  adalah  ekuivalen dengan impor data teks atau SPSS sebelumnya.MTP  akan  disimpan  kedalam  file  latihan4. isikan informasi nama untuk data  set (misal latihan4) seperti berikut ini.  Klik  tombol Lihat data set untuk melihat hasil impor data ini.        Gambar 2.  Klik tombol Lihat data set untuk melihat hasil impor data ini.12.  pilih  Impor  data.  Jendela dialog hasil impor data dan latihan3 sebagai data set aktif     2. dan selanjutnya arahkan ke direktori tempat penyimpanan file SPSS yang akan  diimpor.  maka  data  hasil  impor  dari  file  data2.  dan  kemudian  pilih  dari  dataset Minitab… .sav. seperti pada Gambar 2.  dan  selanjutnya  arahkan  ke  direktori  tempat  penyimpanan  file  MINITAB  yang  akan diimpor.        Gambar 2.12.

  Jendela dialog untuk memilih menu dataset yang sedang aktif       ‐ 24 ‐    .14.  pilih  Dataset  aktif.         Gambar 2.©sht90   Manajemen data di Paket R        Gambar 2.  Memilih dataset yang aktif  Pemilihan  dataset  yang  aktif  pada  R‐Commander  dapat  dilakukan  dengan  menggunakan  menu  Data.  dan  kemudian  klik  Pilih  dataset  aktif…  seperti berikut ini.5.15.  Jendela dialog hasil impor data dan latihan4 sebagai data set aktif     2.

  pilihlah  dataset  yang  ingin  diaktifkan  dengan  melakukan  klik  pada  nama  dataset yang  dipilih.17.        Gambar 2.©sht90   Manajemen data di Paket R    Selanjutnya. antara lain  recode  atau  kode  ulang  peubah.  Recode atau kode ulang peubah   Kode ulang peubah merupakan pilihan menu pertama pada pengaturan variabel  dataset.  Beberapa menu untuk melakukan transformasi dataset     2.  standarisasi  peubah.        Gambar 2. Secara lengkap.  Transformasi dataset atau pengaturan variabel pada dataset  Ada beberapa menu untuk transformasi dataset pada R‐Commander.6. kemudian klik OK seperti berikut ini.6.17. transformasi  dataset yang dapat dilakukan dapat  dilihat pada Gambar 2.1.16.  Misalkan  saja  akan  dilakukan  recode  atau  kode  ulang  pada  variabel  IPK  dari  dataset latihan4.  compute  atau  hitung  peubah  baru. dan  lainnya.         ‐ 25 ‐    .  Jendela dialog untuk memilih dataset yang sedang aktif     2.

 dan namakan hasil recode sebagai ipk_recode.00  3.50  Nilai kode baru  1  2  3    Langkah‐langkah pengkodean dapat dilakukan sebagai berikut.  Selanjutnya akan diperoleh tampilan seperti berikut.49  =  2  else  =  3  Klik  OK.  dan  sekarang  jika  dilihat  pada  dataset  latihan4.  dan  selanjutnya  pilih  Kode  ulang  peubah  …  .99  =  1  3.50   > 3.00:2. kemudian pilih  Atur  peubah  pada  dataset  aktif.©sht90   Manajemen data di Paket R    Range nilai IPK   < 3.  Jendela pilihan Kode ulang Peubah     Kemudian arahkan ke variabel ipk.  akan  diperoleh  variabel  baru yaitu ipk_recode yang berisikan data hasil pengkodean ulang dari ipk. sehingga diperoleh tampilan data seperti berikut.  Informasi pengkodean dapat dijelaskan dengan menggunakan informasi berikut:          0.        Gambar 2.18.  Buka menu recode dengan memilih menu Data pada R‐Commander.      ‐ 26 ‐    .00:3. Lakukan  dengan klik Lihat dataset.00 – 3.

  Pertama‐tama.  akan  diperoleh  variabel  baru  yaitu  tinggi_compute  yang  berisikan  data  hasil  transformasi  compute  pada  variabel tinggi.6. dan selanjutnya pilih Hitung peubah baru .   Langkah‐langkah transformasi ini adalah sebagai berikut.   Buka menu Hitung peubah baru dengan memilih menu Data.20. Misalkan saja akan dilakukan  transformasi  terhadap  variabel tinggi pada dataset  latihan4  menjadi  variabel  lain  yang  dengan nama tinggi_compute. yaitu tinggi:100.  Jendela data hasil Kode ulang Peubah ipk menjadi ipk_recode    2.  yaitu  latihan4 pada R‐Commander. kemudian pilih Atur  peubah pada dataset aktif. sehingga diperoleh tampilan data  baru  pada  kolom  terakhir  yaitu  tinggi_compute  yang  merupakan  hasil  bagi  dari  variabel tinggi dengan 100.  Klik  OK.©sht90   Manajemen data di Paket R        Gambar 2. Lakukan dengan klik Lihat dataset.  Selanjutnya isikan tinggi_compute pada kolom Nama peubah baru dan tinggi/100  pada kolom Ekspresi untuk dihitung seperti yang terlihat pada Gambar 2.      ‐ 27 ‐    .  dan  sekarang  jika  dilihat  pada  dataset  latihan4.19.  Compute atau hitung peubah baru  Pilihan menu hitung  peubah  baru dapat digunakan untuk membentuk variabel  baru yang merupakan fungsi dari variabel yang sudah ada. Selanjutnya  akan diperoleh tampilan seperti pada Gambar 2.2.20.  aktifkan  dataset  yang  akan  dilakukan  transformasi  compute.

  Transformasi  lain  yang  dapat dilakukan pada R‐Commander adalah :      Tambahkan banyaknya pengamatan ke data set  Standarisasi peubah  Konversi peubah numerik ke faktor  Bin peubah numerik  Atur ulang level faktor  Definisikan kontras dan faktor  Namakan ulang peubah  Hapus peubah dari dataset                    ‐ 28 ‐    .  yaitu  recode  dan  compute.  Jendela pilihan Hitung peubah baru    Pengaturan atau transformasi lain pada dataset yang aktif dapat pula dilakukan  dengan  menjalankan  menu  Data. Bagian ini hanya menjelaskan dua transformasi  awal  dari  pilihan  menu  yang  ada.  dan  arahkan  pada transformasi yang akan diterapkan.©sht90   Manajemen data di Paket R        Gambar 2.20.  pilih  Atur  peubah  pada  dataset  aktif.

 ditambah dengan kombinasi  dari huruf besar.6. Empat macam mode data yang dikenal R  Mode  Numeric  Contoh perintah di Command Line  > 23  > c(2.10.budi.9. Sifat data ditentukan oleh type data dan mode data.budi.02. angka dan titik.5.  data  yang  ada  dipandang  sebagai  suatu  objek  yang  memiliki  suatu  attributes atau sifat.11.  databudi  data.4.F.F. 2.tahun > 1998  > c(“Budi”. data frame.T.  assignment  dapat  digunakan  dengan  operator  “<‐”  dan  “=”. antara lain vektor.2. “T”. “2”)  Complex   Logical  Character      Nama  objek dalam R harus dimulai dengan huruf. matriks. “Rony”. array.F. factor. 3.T.  Berikut  ini  adalah  beberapa  contoh  dari  nama  objek yang valid.F.complex(‐5))  > c(T.T.1  ini.budi  data.T)  > data. Ada berbagai  type data yang dikenal oleh R.T.3.7.08    Contoh dari nama objek yang tidak valid (invalid) adalah sebagai berikut:  1databudi    data‐budi  databudi=1  : dimulai dari angka  : operator ‐ tidak dapat digunakan  : operator = tidak dapat digunakan    Dalam  R  versi  2.  Untuk  melihat  isi  dari  suatu  data  objek.12)  > 1+5i  > sqrt(as.8. “Wati”.©sht90   Manajemen Data di R dengan Command Line  BAB 3  MANAJEMEN DATA DI R DENGAN COMMAND LINE    Pada  R.  dapat  dilakukan  dengan  mengetikkan  nama  objek tersebut di R prompt pada R‐console. 1. Penggunaan titik biasanya dilakukan untuk  memudahkan  pengorganisasian  data.6.5  data.2)  > data.    Tabel 3.3.budi. huruf kecil.1  data.3.  Sedangkan  mode  data  yang  dikenal  R  ada  4  macam  seperti yang terlihat pada Tabel 3. list.       ‐ 29 ‐    .1 berikut ini.no7.1.  dan  function  (built‐in  command).bulan = c(1. “Naily”)  > c(“F”.02.

  sedangkan  pada  contoh  kedua  dan  ketiga menghasilkan vektor yang semua datanya diubah menjadi mode karakter. 5.1. seperti contoh berikut ini.F. maka  R akan mengubah data ke mode yang lebih umum. sehingga gabungan dua data atau lebih yang  berbeda mode tidak dapat dilakukan kedalam satu objek vektor. 11. Untuk  mengetahui mode suatu objek vektor dapat dilakukan dengan menggunakan command  mode seperti pada contoh diatas.  yaitu  data  array satu dimensi atau data vektor. 8.            > c(T. Jenis‐jenis Data Objek   Pada  bagian  ini  akan  dijelaskan  beberapa  jenis  data  objek  pada  R.  Dalam  praktek  analisis  data  statistik.1.©sht90   Manajemen Data di R dengan Command Line    3.  logical value. 9.  character  atau  string. data matriks. 20. Jumlah atau panjang data yang bertipe vektor dapat  diketahui dengan memanfaatkan fungsi length (perhatikan contoh diatas). 10. yaitu 10. 14.  12.    3.1:10)   [1]  1  1  2  3  4  5  6  7  8  9 10  > c("A".  ekstraksi  ini  biasanya  dilakukan  untuk  pembentukan data baru berdasarkan data yang sudah ada.       ‐ 30 ‐    . Pada data vektor  harus digunakan mode tunggal pada data. dan merupakan objek paling dasar yang dikenal dalam R.4. 16.T)  [1] "A"     "FALSE" "TRUE"   > c("A".  Data Array Satu Dimensi atau Data Vektor  Vektor  merupakan  suatu  array  atau  himpunan  bilangan. dan data list. Jika ini dilakukan.  Ekstraksi  sebagian  data  vektor  dapat  dilakukan  dengan  berbagai  cara  atau  langkah.2. data frame.T)  [1] "A"     "2"     "4"     "FALSE" "TRUE"   > x=c(1:10)  > x   [1]  1  2  3  4  5  6  7  8  9 10  > mode(x)  [1] "numeric"  > length(x)  [1] 10                                    Pada  contoh  pertama  dapat  dilihat  bahwa  pada  command  line  menghasilkan  vektor  yang  semua  data  diubah  menjadi  mode  numerik. Berikut ini adalah beberapa  contoh hasil ekstraksi dari suatu data vektor yang terdiri dari 10 elemen.1.F.

  gunakan  perintah‐perintah berikut ini pada R‐console.ncol=3)  > matriks.]    1    3    5  [2. 11.  dan  argumen  optional  yaitu  banyaknya  baris  nrow  dan  banyaknya  kolom  ncolom.4.1] [. 14.3.  matriks.8)]    # menampilkan semua elemen kecuali elemen ke‐2. 8.3.    Sebagai  contoh.1 = matrix(c(1.3 = matrix(1:6.2] [. 20)  > x    # untuk melihat semua elemen objek vektor x   [1] 10  5 14 12  8 11  9 10 16 20    > x[2]    # menampilkan elemen kedua  [1] 5    > x[c(1.nrow=2.  Bentuk  matriks  ini  juga  banyak  digunakan pada operasi fungsi‐fungsi built‐in untuk aljabar linear dalam R.2.3.8  [1] 10 14 12  8 11  9 16 20    > x[x>10]     # menampilkan semua elemen yang lebih besar dari 10  [1] 14 12 11 16 20    > y=x[x>10]    # menyimpan vektor yg elemennya lebih besar dari 10 dgn nama y  > y  [1] 14 12 11 16 20      3.5. 10.]    2    4    6      Keempat perintah diatas akan menghasilkan matriks yang sama.nrow=2)  > matriks. Untuk mengetahuinya  ketikkan  matriks. 16.nrow=2.      ‐ 31 ‐    . 5.  dan  kemudian  enter  untuk  masing‐masing  perintah tersebut.2.2)  > matriks. seperti untuk  penyelesaian suatu persamaan linear.ncol=3)  > matriks. 12.  matriks.1       [.7)]    # menampilkan elemen ke‐1.3.6).1. 9. Sebagian besar fungsi‐fungsi statistik dalam R  dapat  dianalisis  dengan  menggunakan  bentuk  matriks.3]  [1.7  [1] 10 14  9    > x[‐c(2.©sht90   Manajemen Data di R dengan Command Line      > x=c(10.2 = matrix(1:6.    > matriks.  Proses  entry  data  matriks  dilakukan  dengan  menggunakan  fungsi  matrix.2.4 = matrix(1:6.4.  Data Matriks  Matriks  atau  data  array  dua  dimensi  adalah  salah  satu  tipe  data  yang  banyak  digunakan dalam pemrograman statistik.  Argumen  yang  diperlukan  adalah  elemen‐elemen  dari  matriks.

]  7.3  [2.nrow=3.8.6 9.]  8.  antara  lain  perkalian.©sht90   Manajemen Data di R dengan Command Line    Pada R.a       [.  Berikut  ini  adalah  contoh  tentang  penggunaan argumen tersebut.6  9.5.5  5.8  [2.5)  > data  [1] 6.  length  dan  mode  dari  suatu  matriks  dapat  dilihat  dengan  menggunakan  perintah dim.2]  [1.3.]  6.7.       > matriks.8  7.4 8.a)  [1] 3 2    > length(matriks.7.6  [3.5      Pengisian  matriks  menurut  baris  perbaris  dapat  dilakukan  dengan  menggunakan  argumen  optional  byrow=T  pada  command  matrix.nrow=3.5  9.byrow=T)  > matriks. length.5 5.4  8.1] [.5. Perlu diingat bahwa semua  elemen dari matriks harus memiliki mode yang sama.b=matrix(data.a)  [1] "numeric"      Dimensi.4.    Ada beberapa operator yang biasa digunakan untuk operasi matriks dan vektor.2.ncol=2)  > matriks.    > data=c(6.4  5. dan mode seperti pada contoh diatas.5    > matriks.8.5    > dim(matriks.3 7.1] [.2]  [1.]  6.b       [.ncol=2.3  [3. Jika hal  ini tidak dipenuhi.8 7. maka  elemen‐elemen akan diubah menjadi mode yang paling umum.6.a)  [1] 6    > mode(matriks.]  7.  invers  matriks.  Ringkasan  dari operator‐operator ini dapat dilihat pada Tabel 2.9.a=matrix(data.  transpose  matriks  dan  crossproduct. data secara default akan diisikan kolom perkolom seperti yang terlihat  pada contoh berikut ini.      ‐ 32 ‐    .]  7.

]   55    > b=matrix(c(1:4).1] [.2]  [1.2)  > b       [.]    4   16    > b%*%b     # perkalian matriks b dengan matriks b       [.2]  [1.5        ‐ 33 ‐    . Operator untuk operasi matriks dan vektor  Operator  *  %*%   %o%  solve   t  crossprod  Keterangan  Perkalian elemen demi elemen dari matriks  Perkalian matriks  Outer  Invers dari suatu matriks  Transpose dari suatu matriks  Crossproduct suatu matriks.©sht90   Manajemen Data di R dengan Command Line    Tabel 3. yaitu t(x) %*% x     Berikut ini adalah beberapa contoh hasil penggunaan operator pada suatu matriks dan  vektor.1] [.]    2    4    > b*b     # perkalian elemen demi elemen dari matriks b       [.]    1 ‐0. yaitu t(a) %*% a       [.]    7   15  [2.2]  [1.1] [.      > a=1:5  > a  [1] 1 2 3 4 5    > a*a     # perkalian elemen demi elemen dari  matriks a  [1]  1  4  9 16 25    > crossprod(a)    # crossproduck dari matriks a.1] [.]    1    9  [2.5  [2.2.]   ‐2  1.2]  [1.]   10   22    > solve(b)     # invers dari matriks b       [.]    1    3  [2.1]  [1.

3).1.]    4    6    8    2    > a2=cbind(c(1.  kolom  pertama  adalah numeric.  Hal  ini  dapat  dilakukan  dengan  menggunakan  perintah  rbind  (untuk menambahkan ke baris) dan cbind (untuk menambahkan ke kolom).2).4]  [1. seperti pada  contoh‐contoh berikut ini.    > a=matrix(c(3.1] [.3]  [1.2] [.1] [.4.a)    # menambahkan ke baris ke‐1 dari a  > a4       [.7.6.3))    # menambahkan ke baris ke‐3 dari a  > a3       [.a)    # menambahkan ke kolom ke‐1 dari a  > a2       [.8).]    1    2    3  [2.]    4    6    8        3.  dapat  pula  dilakukan  penggabungan  satu  kolom  atau  satu  baris  baru  kedalam  matriks  lain.2.3] [.1] [.2))    # menambahkan ke kolom ke‐4 dari a  > a1       [.]    3    5    7  [2. dan kolom ketiga adalah logical.]    3    5    7  [3.1] [.]    4    6    8    > a1=cbind(a.2] [.  Misalkan  saja.    ‐ 34 ‐    .c(1.  Data Frame  Data  frame  merupakan  objek  yang  mempunyai  bentuk  sama  dengan  matriks.  Perbedaannya  adalah  data  frame  dapat  terdiri  atas  mode  data  yang  berbeda‐beda  untuk  setiap  kolomnya.]    4    6    8  [3.2.3)  > a       [.2.]    1    3    5    7  [2.]    1    2    3    > a4=rbind(c(1.  yaitu  terdiri  atas  baris  dan  kolom.4]  [1.2] [.3] [.2] [.]    3    5    7    1  [2. kolom kedua adalah string/character.3.  Objek data frame dapat dibuat dengan menggunakan perintah data.]    3    5    7  [2.2] [.3]  [1.frame.c(1.5.1] [.3]  [1.]    2    4    6    8    > a3=rbind(a. Perhatikan  contoh‐contoh berikut ini.©sht90   Manajemen Data di R dengan Command Line    Pada  R.

T.T.frame(c(1:4).T.frame(c(1:4).1.4..©sht90   Manajemen Data di R dengan Command Line      > data..1.  1      1          TRUE  2      2          TRUE  3      3         FALSE  4      4         FALSE    > data.  1      1          TRUE  2      2          TRUE  3      3         FALSE  4      4         FALSE    > names(cobaframe)[1]="nomer"         # nama kolom ke‐1 “nomer”  > names(cobaframe)[2]="jawaban"     # nama kolom ke‐2 “jawaban”  > cobaframe    nomer jawaban  1     1    TRUE  2     2    TRUE  3     3   FALSE  4     4   FALSE    > cobaframe1=data.T.T..F.F))    c.F.T.."jawaban")      # beri nama kolom   > cobaframe1    nomer jawaban  1     1    TRUE  2     2    TRUE  3     3   FALSE  4     4   FALSE            ‐ 35 ‐    .F.F..T.T.F))     # ada nama kolom    nomer jawaban  1     1    TRUE  2     2    TRUE  3     3   FALSE  4     4   FALSE    > cobaframe=data.c(T.F. c.F.1. c...jawaban=c(T.F))  > cobaframe1    c..c(T.c(T.F.T.  1      1          TRUE  2      2          TRUE  3      3         FALSE  4      4         FALSE    > names(cobaframe1)=c("nomer".F.4.F))    # simpan objek di cobaframe  > cobaframe    c.F..4.T.frame(c(1:4).frame(nomer=c(1:4). c.F.

    > matriks.frame(nomer=1:4.3)  > dataframe.F.1       [."Dony").1["nama"]    nama  1  Adi  2 Budi  3 Cika  4 Dony          ‐ 36 ‐    ."Budi".1=matrix(1:9.nama=c("Adi".1[2.                                                   nilai=7:10)   > matriks.2] [.      > cobaframe2=data.2]  [1] Budi  Levels: Adi Budi Cika Dony    > dataframe.©sht90   Manajemen Data di R dengan Command Line    Secara umum.T.1=data.frame(nomer=c(1:4).]    2    5    8  [3.]    1    4    7  [2.jawaban=c(T.3]  [1.1[2.]    3    6    9    > matriks.2]  [1] 5    > dataframe.1    nomer nama nilai  1     1  Adi     7  2     2 Budi     8  3     3 Cika     9  4     4 Dony    10    > dataframe."Cika".F))  > cobaframe2    nomer jawaban  1     1    TRUE  2     2    TRUE  3     3   FALSE  4     4   FALSE      Seperti  pada  data  vektor. perintah‐perintah diatas adalah ekuivalen dengan perintah berikut ini. Berikut ini adalah beberapa contoh  hasil ekstraksi dari suatu matriks dan data frame.1] [.  ekstraksi  sebagian  data  pada  matriks  dan  data  frame  dapat  pula dilakukan dengan berbagai cara atau langkah.

1. Tiap komponen pada data list dapat mempunyai mode yang berbeda. Berikut ini adalah beberapa contoh  hasil ekstraksi dari suatu data list.nilai=c(8:10)))  > datalist.jawaban=c(T."Dony").F.c(T. Berikut ini adalah contoh pendefinisian  dan pemakaian elemen list.frame(nama                               =c("Budi".      > list(c(1:3).4.T).  Data List  Data list merupakan objek yang paling umum atau general dan paling fleksibel di  dalam R.data.©sht90   Manajemen Data di R dengan Command Line    3.        ‐ 37 ‐    .T.  data  frame."Cika". Setiap komponen  dapat  berupa  sembarang  data  objek.T).  yaitu  vektor.T.  matriks.  ekstraksi  sebagian  data  pada  data  list  dapat  pula dilakukan dengan berbagai cara atau langkah.  atau  data  list  sendiri.frame(nama=c("Budi".F.1  $nomer  [1] 1 2 3    $jawaban  [1]  TRUE FALSE  TRUE  TRUE    $nilaiframe    nama nilai  1 Budi     8  2 Cika     9  3 Dony    10        Seperti  pada  jenis‐jenis  data  sebelumnya. List adalah suatu vektor terurut dari sekumpulan komponen.nilai=c(8:10)))  [[1]]  [1] 1 2 3    [[2]]  [1]  TRUE FALSE  TRUE  TRUE    [[3]]    nama nilai  1 Budi     8  2 Cika     9  3 Dony    10      > datalist.nilaiframe=data."Dony")."Cika".1=list(nomer=c(1:3). Data list  dapat dibuat dengan menggunakan perintah list.

1$nomer     # mengakses elemen pertama berdasarkan namanya  [1] 1 2 3    > datalist.  Misalkan data file ASCII yang dibuat di NOTEPAD dengan nama latihan5.  tab.1  sebelumnya).  Membaca File ASCII  Suatu  file  ASCII  biasanya  terdiri  dari  bilangan‐bilangan  yang  dipisahkan  meng‐ gunakan  spasi.1[1]       # mengakses nama dan elemen pertama  $nomer  [1] 1 2 3    > datalist.  yaitu menggunakan perintah‐perintah di command line dan menggunakan fasilitas GUI  R‐Cmdr  (lihat  bagian  2.1$nilaiframe    # mengakses elemen dataframe    nama nilai  1 Budi     8  2 Cika     9  3 Dony    10    > datalist. Importing Data pada Command Line   Secara umum.txt berisi data  seperti berikut ini.2.                50  28  75  35  49  64  88  94  54  34  28  56    87  42  33  67  31  98  58  47  37  66  64  25    66  35  87  58  93  86  69  29  96  86  57  80    ‐ 38 ‐    .1.1$jawaban      # mengakses elemen kedua  [1]  TRUE FALSE  TRUE  TRUE    > datalist.    3.2.  Pada  bagian  ini  akan  dijelaskan  penggunaan  perintah pada command line untuk importing data.  tanda  akhir  baris  atau  tanda  baris  baru.1[[1]]      # mengakses elemen pertama  [1] 1 2 3    > datalist.1$nilaiframe$nama  [1] Budi Cika Dony  Levels: Budi Cika Dony      3. proses importing data pada R dapat dilakukan dengan dua cara.  serta  pembatas  yang  lain.©sht90   Manajemen Data di R dengan Command Line      > datalist.

txt").1] [.  Apabila  data  tidak berada  pada direktori  kerja R.XLS  dapat  diimpor  secara  langsung  meng‐ gunakan fasilitas GUI R‐Cmdr (lihat bagian sebelumnya).]   50   88   87   58   66   69  [2.6)  Read 36 items    > matrix5.      ‐ 39 ‐    .txt  ini  sudah  tersimpan  pada  direktori  kerja  R.  Setelah  itu.table  atau  read.  Untuk dapat diimpor ke dalam  R  dengan  fasilitas  command  line.  data  ini  dapat  diimpor  menggunakan  perintah  read.]   75   54   33   37   87   96  [4.  Importing Data File Excel  Data  file  Excel  dengan  ekstensi  .  Berikut  ini  adalah  contoh  proses  impor  data  file  ASCII.]   28   94   42   47   35   29  [3.6]  [1.5] [.2] [.scan=scan("latihan5.  maka  data  file  Excel  harus  terlebih  dulu  diubah  menjadi format Text Tab Delimited (ekstensi .2.txt  sebagai  argumennya.txt")  Read 36 items    > data5.]   35   34   67   66   58   86  [5.csv.scan=scan("c:\\Kerja_R\\latihan5.©sht90   Manajemen Data di R dengan Command Line    Anggap  bahwa  file  ASCII  dengan  nama  latihan5.]   64   56   98   25   86   80    > data6.3] [.TXT) atau CSV comma delimited (ekstensi  .scan       [.CSV).scan   [1] 50 28 75 35 49 64 88 94 54 34 28 56 87 42 33 67 31 98 58 47 37 66 64 25 66  [26] 35 87 58 93 86 69 29 96 86 57 80    > matrix5.    > scan("latihan5.4] [.  maka  tulis juga  direktori  tersebut  pada  argumennya.txt")  Read 36 items    > data6.]   49   28   31   64   93   57  [6.  Proses  impor  data  dapat  dilakukan  dengan  perintah  scan  dan  latihan5.2.scan=matrix(scan("latihan5.txt")  Read 36 items   [1] 50 28 75 35 49 64 88 94 54 34 28 56 87 42 33 67 31 98 58 47 37 66 64 25 66  [26] 35 87 58 93 86 69 29 96 86 57 80    > data5.scan   [1] 50 28 75 35 49 64 88 94 54 34 28 56 87 42 33 67 31 98 58 47 37 66 64 25 66  [26] 35 87 58 93 86 69 29 96 86 57 80      3.

90 Eka 8.  Argumen  optional  header=T  digunakan  dengan  tujuan  agar  R  menggunakan  baris  pertama  dari  file  sebagai  header  atau  nama  dari variabel.txt". apabila data tidak berada pada direktori  kerja R. header=TRUE)                                 # atau  > latihan2 <‐ read.42 Fery 9. sedangkan.TXT dan .35 Budi 7.5 9.table("data1.1.txt".2 2.0 9.table("c:\\Kerja_R\\data1. header=TRUE)         # atau  > latihan2 <‐ read.5 7.txt dapat dilakukan dengan perintah read. header=TRUE)    > latihan2    1 2 3 4 5 6 7   Responden Matematika BIndonesia BInggris IPK1 Adi 8.txt pada Excel yang akan diimpor ke R    Proses  impor data1.csv.txt".        Gambar 3.4 3.    > latihan2 <‐ read.75 Nuri 7.5 3.csv.6 8.CSV.©sht90   Manajemen Data di R dengan Command Line    Misalkan  saja  data  file  Excel  yang  akan  diimpor  adalah  seperti  pada  gambar  berikut ini dan telah disimpan menjadi file data1. maka tulis juga direktori tersebut pada argumennya. Berikut ini adalah contoh  proses impor data file dengan ekstensi .table("c:/Kerja_R/data1.  Jendela data1.1 7.1 8.2 9.csv  dilakukan  dengan  perintah  read. impor  data1.9 3.2 2.txt atau data1.7 7.5 8.8 8.9 8.76       ‐ 40 ‐    .26 Rury 6. Seperti pada bagian sebelumnya.5 3.02 Dany 6.3 8.9 9.6 9.0 3.table.

  Importing Data dari Paket Statistik   R  mempunyai  paket  atau  library  foreign  untuk  melakukan  importing  data  dari  file dalam format paket statistika yang lain.5.REC’.     File ini dapat dibuat di MINITAB dengan perintah SAVE AS  dan pilihan .©sht90   Manajemen Data di R dengan Command Line      > latihan3 <‐ read.6.1.7.8.9.2.5.8.3.9. Misalkan data file  SPSS  yang  sudah  dimiliki  diberi  nama  WORLD95.  SPSS  SAS  S+  STATA  Systat  Epi info    Pada  bagian  ini  akan  diberikan  contoh  hanya  untuk  mengimpor  data  file  SPSS  dan MINITAB yang seringkali digunakan dalam analisis data statistik.spss untuk membaca file ‘.8.9.2.BInggris.3.8.8.3.3.2.ssd atau read.2.  :  gunakan perintah read.7.3.5.3.S  :  gunakan perintah read.8.8.SAV’. Proses impor data ini ke dalam R dengan menggunakan perintah command line  adalah sebagai berikut. header=TRUE)    > latihan3  1 2 3 4 5 6 7   Responden.xport.8.7.9.7.35 Budi. Sampai saat ini yang tersedia pada R adalah  importing data file dari paket‐paket statistika berikut :    MINITAB  :  gunakan perintah read.2.2.5.MTP.75 Nuri.IPK1 Adi.csv".9 Eka.csv("data1.9.3.   :   gunakan perintah read.Matematika.7.6.26 Rury.9.SAV  dan  telah  disimpan  di  direktori  kerja R.6.systat  :  gunakan perintah read.9.4.5.9.dta  :  gunakan perinah read.      ‐ 41 ‐    .9.1.76     3.6.02 Dany.8.7.mtp untuk membaca file ‘Minitab  Portable Worksheet’ atau data dengan ekstensi .42 Fery.MTP  :  gunakan perintah read.BIndonesia.epiinfo untuk membaca file ‘.

81  8.91  6.04  5.10 6.spss("World95.39  8.76  7.74 8.26 10.84  4.89          ‐ 42 ‐    . use.value.58  8.labels=TRUE.24  4.mtp("C:/Kerja_R/Fa.14 8.74  7.value.81  8.68    $Y2   [1] 9.0 86 Catholic Armenia 3700 126.MTP menjadi FA.77 9.©sht90   Manajemen Data di R dengan Command Line      > latihan4 <‐ read.labels=TRUE  digunakan  untuk  mendapatkan  variabel  yang  bertipe  FACTOR dengan “value label” seperti yang ada pada data file di SPSS.50  5. Misalkan data file MINITAB yang sudah  dimiliki adalah FA.58  5.0 54 Muslim   Perintah  use.82  5.46  6.26 8.   Berikut ini adalah proses impor data file MINITAB dalam ekstensi .04  6.26 4.96  7.33  9.95  7.MTW dan telah disimpan ke dalam ekstensi .MTP.56  7.77 12.42  5.MTP")    > latihan5  $X   [1] 10  8 13  9 11 14  6  4 12  7  5    $Y1   [1]  8. to.value.25 12.84  6.08  5.13 3.data.frame=TRUE)    > latihan4[.0 18 Muslim Argentina 33900 12.74    $Y3   [1]  7.14 8.0 68 Orthodox Australia 17800 2.10 9.84  8.sav".13 7.MTP ke dalam  R dengan menggunakan perintah command line.71  8.1:5]      # hanya menampilkan 5 kolom pertama saja  1 2 3 4 5 6 …     COUNTRY POPULATN DENSITY URBAN RELIGION Afghanistan 20500 25.15  6.73    $X4   [1]  8  8  8  8  8  8  8 19  8  8  8    $Y4   [1]  6.3 85 Protstnt Austria 8000 94.0 58 Catholic Azerbaijan 7400 86.labels=Inf.47  7.       > latihan5 <‐ read.11  7.                                                                  max.

©sht90    Grafik Menggunakan R‐Commander  BAB 4  GRAFIK MENGGUNAKAN R‐Commander    Pada  bab  ini  akan  dibahas  penggunaan  R‐Commander  untuk  membuat  penyajian statistik deskriptif dari suatu kumpulan data.  Misalkan  file  latihan4. pilih Load Workspace… seperti pada gambar berikut ini.1.        Gambar 4.RData  (hasil  impor  data  SPSS  dengan  nama  file  WORLD95.  seperti  yang  terlihat  pada  Gambar  4.6.  ubah  direktori  dimana  file  workspace  berada.  maka  direktori  diubah  ke  C:\Kerja_R.  Kemudian.1.  buka  kembali  program  R  dengan  mengklik  icon  R  2.RData yang ada di direktori C:\Kerja_R.2. Fokus utama adalah pembuatan  beberapa macam bentuk grafik yang banyak digunakan dalam analisis data.  Load  file  workspace  tersebut  dengan  menggunakan  menu File.SAV)  ada  di  ‘C:\Kerja_R’.  Sebagai  langkah  awal.  Jendela dialog untuk Load Workspace    Setelah diklik Load Workspace… maka jendela R akan memberikan pilihan direktori dan  file  workspace  mana  yang  akan  ditampilkan.       ‐ 43 ‐  .  Pilihlah file workspace latihan4.

3.2. dan Pilih dataset aktif… seperti yang ditampilkan pada Gambar 4.  klik Dataset aktif.  Jendela dialog untuk pilihan file workspace yang akan diaktifkan    Langkah selanjutnya adalah mengaktifkan R‐commander dengan menggunakan  perintah library(Rcmdr).©sht90    Grafik Menggunakan R‐Commander        Gambar 4. Setelah itu. aktifkan dataset dengan menggunakan menu Data.  Jendela dialog untuk memilih dataset yang akan diaktifkan         ‐ 44 ‐  .         Gambar 4.3.

 Dengan demikian.5.4.4.  Jendela dialog untuk pilihan Grafik pada R‐Commander       ‐ 45 ‐  . Grafik dalam R‐GUI   R  menyediakan  banyak  menu  pilihan  grafik  pada  R‐Commander. klik latihan4 sebagai file workspace yang akan  diaktifkan.        Gambar 4.1.  Diagram  Batang  dan  Daun.         Gambar 4. proses pengaktifan kembali data  latihan4  sudah  dilakukan.  dan  lain‐lain.  antara  lain  Histogram.  Jendela dialog untuk pilihan dataset yang akan diaktifkan     4.©sht90    Grafik Menggunakan R‐Commander    Dari beberapa pilihan Datasets yang ada. seperti pada Gambar 4.  Boxplot.  Secara  lengkap  pilihan  grafik yang tersedia dapat dilihat pada gambar berikut ini.  dan  proses  analisis  data  baik  secara  statistik  deskriptif  atau  inferens dapat dilakukan.

6.  pilih  Histogram…  .  Output histogram ini dapat disimpan dengan menggunakan menu File. dan klik OK untuk menampilkan output histogramnya.PDF.  pilih  LIFEEXPF  seperti pada Gambar 4.5.  output  histogram  ini  dapat  pula  disimpan dalam format Metafile. buka program Microsoft Word. maka file  grafik dapat di paste kan menggunakan perintah Ctrl‐V.  Selanjutnya.        Gambar 4.2.  Selain  itu  dapat  digunakan  pilihan  Persentase  atau Kepadatan pada Skala Sumbu. maka dapat digunakan menu File. yaitu metode Sturges dan Cacahan Frekuensi yang digunakan untuk nilai (Skala  Sumbu)  yang  diplotkan  pada  histogram. Kemudian.  maka  pada  jendela  dialog  yang  muncul.  beri  nama  file  output  dengan  histogramLIFEEXPF.  Misalkan  akan  dibuat  histogram  untuk  variabel  LIFEEXPF  (usia  harapan  hidup  wanita  di  suatu  negara). Isikan jumlah interval yang diinginkan pada kolom Banyaknya  bin.  Maka  pilih  format  PDF  dalam  daftar  format  file  output. Grafik Histogram   Menu  yang  digunakan  untuk  membuat  grafik  histogram  adalah  Grafik. misalkan  kedalam Microsoft Word.  digunakan  metode  auto  untuk  pemilihan  jumlah  interval.  dan pilih as a Bitmap atau Ctrl‐C.©sht90    Grafik Menggunakan R‐Commander    4. dan pilih  Save as dari jendela grafik.  Dalam  contoh  ini. Png. dan Jpeg. Pilihlah output yang sesuai.  Jendela dialog pilihan variabel untuk pembuatan histogram     Output histogram untuk data LIFEEXPF yang diperoleh dari perintah di atas dapat dilihat  pada  Gambar  4. Postcript. pilih Copy to the clipboard.  Jika file histogram ini ingin dikopi untuk di insert kedalam program lain.6.  Selain  itu. Bmp.         ‐ 46 ‐  . misalkan saja dalam format PDF.

 scale="frequency". scale="frequency".     > Hist(latihan4$LIFEEXPF. breaks=10.©sht90    Grafik Menggunakan R‐Commander      Gambar 4. pembuatan histogram dapat juga  dilakukan  dengan  command  line  di  R‐Console.6. breaks=10. col="darkgray")  > Hist(latihan4$LIFEEXPF. Berikut adalah contoh pembuatan histogram dengan  command line untuk variabel LIFEEXPF dan LIFEEXPM (usia harapan hidup pria di suatu  negara).  Output histogram pada variabel LIFESXPF    Selain menggunakan menu di R‐Commander. col="darkgray")  > Hist(latihan4$LIFEEXPM. scale="frequency". scale="frequency". col="darkgray")  > hist(latihan4$LIFEEXPM)        ‐ 47 ‐  . breaks="Sturges". col="darkgray")  > hist(latihan4$LIFEEXPF)    > # lihat perbedaan output histogram yang dihasilkan    > Hist(latihan4$LIFEEXPM. breaks="Sturges".  yaitu  dengan  command  hist  diikuti  argumen optional yang diinginkan.

7.      ‐ 48 ‐  .  Sehingga  dapat  diinterpretasikan  bahwa  usia  harapan  hidup  wanita  yang  terendah  adalah  43  tahun  dan  yang  tertinggi  adalah  82  tahun.7.  Output tersebut menjelaskan bahwa bilangan pada daun menunjukkan nilai‐nilai  satuan.©sht90    Grafik Menggunakan R‐Commander    4. Diagram Batang dan Daun (Stem‐and‐Leaf)   Menu yang digunakan untuk membuat diagram batang dan daun adalah Grafik.  Output  dari  diagram  ini  akan  ditampilkan di Jendela Keluaran pada R‐Commander seperti pada Gambar 4.  pilih Sajian Batang dan Daun… .         Gambar 4.  pilih  LIFEEXPF  seperti  pada  Gambar 4.8.  Ada  3  (tiga)  negara  dengan  usia  harapan  hidup  wanitanya  sebesar  82  tahun.  pilihan  Automatik  menghasilkan  diagram  batang  dan  daun  dengan  jumlah  kelas  dalam  setiap  batang adalah 5 kelas interval.  Dalam  contoh  ini.3. Misalkan akan dibuat diagram batang dan daun untuk  variabel  LIFEEXPF.  dan  klik  OK  untuk  menampilkan  output  diagram  batang  dan  daun.  Jendela dialog untuk pembuatan diagram batang dan daun     Isikan argumen optional yang  diinginkan  pada kolom‐kolom yang  tersedia.  maka  pada  jendela  dialog  yang  muncul.

leaf(latihan4$LIFEEXPF)  > stem.  Output diagram batang dan daun pada variabel LIFESXPF    Pembuatan diagram batang dan daun ini dapat juga dilakukan dengan command  line  di  R‐Console.leaf(latihan4$LIFEEXPM.leaf(latihan4$LIFEEXPF)  1 | 2: represents 12 leaf unit: 1 n: 109 LO: 43 44 44 45 45 46 47 9 5* | 00 12 t | 223 15 f | 455 17 s | 77 22 5.leaf(latihan4$LIFEEXPM)  > stem. | 88889 6* | 23 t | 3 26 f | 455 32 s | 677777 39 6. unit=1)    > # lihat perbedaan output diagram batang dan daun  yang dihasilkan    > stem.  yaitu  dengan  command  stem.leaf(latihan4$LIFEEXPF. m=3)  > stem. m=2)  > stem. style="bare".  Berikut  adalah  contoh  pembuatan  diagram  batang  dan  daun  dengan  command line untuk variabel LIFEEXPF dan LIFEEXPM. | 9999999 17 8* | 00000001111111 3 t | 222     Gambar 4.leaf(latihan4$LIFEEXPF. style="bare".    > stem.leaf  diikuti  argumen  optional  yang  diinginkan. unit=1)        ‐ 49 ‐  . | 8888899 45 7* | 000001 51 t | 222333 (14) f | 44444555555555 44 s | 66666777777888888888 24 7.©sht90    Grafik Menggunakan R‐Commander      > stem.leaf(latihan4$LIFEEXPF.8.

 pilih LIFEEXPF seperti pada Gambar 4. Grafik BoxPlot   R  menyediakan  pilihan  Boxplot…  pada  menu  Grafik  untuk  membuat  tampilan  BoxPlot  dari  suatu  data.  maka  pada  jendela dialog yang muncul.  Misalkan  akan  dibuat  BoxPlot  untuk  variabel  LIFEEXPF  berdasarkan  RELIGION  (kelompok  agama  mayoritas  di  negara  tersebut).10.  pilih  Plot  dengan  kelompok…  sehingga  diperoleh  tampilan  jendela  seperti  pada Gambar 4.        Gambar 4.9.         Gambar 4.10.11.©sht90    Grafik Menggunakan R‐Commander    4.4.      ‐ 50 ‐  .  Jendela dialog untuk pilihan variabel dalam pembuatan Boxplot     Setelah  itu. Klik RELIGION sebagai variabel kelompok. dan kemudian klik OK.  Jendela dialog untuk pilihan variabel kelompok dalam Boxplot     Output dari BoxPlot yang diperoleh akan ditampilkan di Jendela Keluaran pada  R‐Commander  seperti  pada  Gambar  4.  Output  tersebut  menjelaskan  bahwa  usia  harapan  hidup  wanita  di  negara  dengan  mayoritas  penduduknya  beragama  Jewish  (Yahudi) dan Protestan secara rata‐rata adalah paling tinggi dibanding lainnya.9.

     > boxplot(latihan4$LIFEEXPF)  > boxplot(latihan4$LIFEEXPM)  > boxplot(LIFEEXPF~RELIGION.12. data=latihan4)  > boxplot(latihan4$LIFEEXPF~latihan4$RELIGION)    > # lihat perbedaan output Box‐Plot  yang dihasilkan      4.  Misalkan  akan  dibuat  QQ‐Plot  untuk  variabel  LIFEEXPF. Grafik QQ‐Plot   QQ‐Plot  merupakan  salah  satu  metode  eksplorasi  secara  grafik  yang  dapat  digunakan  untuk  menguji  apakah  suatu  data  berdistribusi  normal. xlab="RELIGION".©sht90    Grafik Menggunakan R‐Commander      Gambar 4.  R  menyediakan  pilihan  QQ‐Plot…  pada  menu  Grafik.  Berikut  adalah contoh pembuatan BoxPlot dengan command line untuk variabel LIFEEXPF dan  LIFEEXPM sendiri‐sendiri dan berdasarkan variabel RELIGION.  maka  pada  jendela  dialog  yang  muncul.11.  yaitu  dengan  command  boxplot  diikuti  argumen  optional  yang  diinginkan. ylab="LIFEEXPF".  Untuk  membuat  grafik  QQ‐Plot.  Output BoxPlot pada variabel LIFESXPF berdasarkan RELIGION       Command  line  di  R‐Console  dapat  juga  digunakan  untuk  pembuatan  BoxPlot.  pilih  LIFEEXPF seperti pada Gambar 4.       ‐ 51 ‐  .5.

  Jendela dialog untuk pilihan variabel dalam pembuatan QQ‐Plot     Kemudian  pilih  LIFEEXPF  dari  daftar  variabel  dan  gunakan  distribusi  normal  sebagai  distribusi default pada QQ‐Plot. maka akan diperoleh grafik seperti berikut.13.12.    Gambar 4.  Output QQ‐Plot pada variabel LIFESXPF       ‐ 52 ‐  .©sht90    Grafik Menggunakan R‐Commander        Gambar 4. Klik OK.

 labels=FALSE)        4.plot(latihan4$LIFEEXPF.     > qq.           Gambar 4.  Gunakan  default  untuk pilihan yang lain. dist= "norm".13 dapat dijelaskan bahwa variabel LIFEEXPF tidak  berdistribusi  normal  dan  data  cenderung  menceng  ke  kanan  (ekor  lebih  panjang  di  bagian kiri). labels=FALSE)  > qq.  Misalkan  akan  dibuat  ScatterPlot  untuk  variabel  LIFEEXPF  sebagai  sumbu  Y  dan  variabel  LOGGDP  sebagai  sumbu  X.  yaitu  dengan  command  boxplot  diikuti  argumen  optional  yang  diinginkan.6.14.  Berikut  adalah contoh pembuatan BoxPlot dengan command line untuk variabel LIFEEXPF dan  LIFEEXPM sendiri‐sendiri dan berdasarkan variabel RELIGION. Hal ini terlihat jelas juga dari grafik histogramnya (lihat Gambar 4. dist= "norm".  Jendela dialog pilihan variabel dalam pembuatan Diagram Pencar         ‐ 53 ‐  .6). seperti pada Gambar 4.14.plot(latihan4$LIFEEXPM.©sht90    Grafik Menggunakan R‐Commander    Berdasarkan output pada Gambar 4.  Command  line  di  R‐Console  dapat  juga  digunakan  untuk  pembuatan  QQ‐Plot. Grafik Diagram Pencar (ScatterPlot)   R  menyediakan  pilihan  Diagram  pencar…  pada  menu  Grafik  untuk  membuat  tampilan  ScatterPlot  dari  suatu  data.

 smooth=TRUE.  dan  LOG_GDP  sebagai  sumbu  X.  dan  klik  OK  sehingga diperoleh output grafik seperti berikut ini.  Berikut  adalah  contoh  pembuatan  Diagram  Pencar  dengan  command  line  untuk  variabel  LIFEEXPF  sebagai  sumbu  Y.  Command  line  di  R‐Console  dapat  juga  digunakan  untuk  pembuatan  Diagram  Pencar  di  atas. labels=FALSE.     > scatterplot(LIFEEXPF~LOG_GDP.  dan  garis  regresi  linear  dan  non‐parametrik  terbaik  untuk  menggambarkan  hubungan antara kedua variabel ini. data=latihan4)          ‐ 54 ‐  .                             boxplots='xy'.15. reg.  yaitu  dengan  command  scatterplot  diikuti  argumen  optional  yang  diinginkan.      Gambar 4.  Output Diagram Pencar antara variabel LOG_GDP dan LIFESXPF     Pada  output  Diagram  Pencar.line=lm.5.©sht90    Grafik Menggunakan R‐Commander    Kemudian  pilih  LOG_GDP  pada  variabel  X  dan  LIFEEXPF  untuk  variabel  Y. span=0.  seperti  perintah di R‐Commander di atas.  diperoleh  juga  grafik  Box‐Plot  dari  setiap  marginal  variabel.

  pilih  REGION  dan  LIFEEXPF  seperti  pada  Gambar  4.  Misalkan  akan  dibuat  Plot  Rata‐rata  untuk  variabel LIFEEXPF berdasarkan REGION (kelompok wilayah negara).17.  Klik  OK.17. maka pada jendela  dialog  yang  muncul.©sht90    Grafik Menggunakan R‐Commander    4.  Output Plot Rata‐rata variabel REGION dan LIFESXPF         ‐ 55 ‐  .16.7.16.  Jendela dialog pilihan variabel dalam pembuatan Plot Rata‐rata       Gambar 4.        Gambar 4. Grafik Plot Rata‐rata (Mean)   R  menyediakan  pilihan  Plot  Rerata…  pada  menu  Grafik  untuk  membuat  tampilan  Plot  Rata‐rata  dari  suatu  data.  sehingga diperoleh output seperti pada Gambar 4.

  dan  akan  diperoleh  output  Diagram  Batang  seperti  pada  Gambar  4.     > barplot(table(latihan4$REGION).  Jendela dialog pilihan variabel dalam pembuatan Diagram Batang     Setelah  itu  klik  OK. Berikut adalah contoh pembuatan  Plot Rata‐rata dengan command line untuk variabel LIFEEXPF dan REGION.18.         Gambar 4. error. latihan4$REGION. latihan4$REGION. seperti perintah di R‐Commander di atas. Diagram Batang (Bar‐Chart)   R  menyediakan  pilihan  Diagram  batang…  pada  menu  Grafik  untuk  membuat  tampilan Diagram Batang dari suatu data.8.  pilih  REGION  seperti  pada  Gambar 4. error.bars="conf.  yaitu negara‐negara yang termasuk di regional OECP dan Amerika Latin.©sht90    Grafik Menggunakan R‐Commander    Pada  output  Plot  Rata‐rata  di  atas  dapat  dilihat  bahwa  LIFEEXPF  (usia  harapan  hidup  wanita) yang terendah rata‐ratanya adalah pada negara‐negara di Afrika.bars="se")  > plotMeans(latihan4$LIFEEXPF. ylab="Frequency")        ‐ 56 ‐  .  Berikut adalah contoh pembuatan Diagram Batang dengan command line untuk variabel  REGION.int". Misalkan akan dibuat Diagram Batang untuk  variabel  REGION.  Command  line  di  R‐Console  dapat  juga  digunakan  untuk  pembuatan  Diagram  Batang.19.95)        4.18 berikut ini.       > plotMeans(latihan4$LIFEEXPF. xlab="REGION".  yaitu  dengan  command  barplot  diikuti  argumen  optional  yang  diinginkan. level=0.  maka  pada  jendela  dialog  yang  muncul.  Pada  output  tersebut  dapat  dilihat  bahwa  ada  dua  kelompok  REGION  terbesar.  Command line di R‐Console untuk pembuatan Plot Rata‐rata adalah command  plotMeans diikuti argumen optional yang diinginkan.

  dan  akan  diperoleh  output  Diagram  Lingkaran  seperti  yang  terlihat  pada Gambar 4. maka pada jendela dialog yang muncul. Diagram Lingkaran (Pie‐Chart)  Tampilan  Diagram  Lingkaran  pada  paket  R  disediakan  melalui  pilihan  Diagram  lingkaran… pada menu Grafik.  Jendela dialog pilihan variabel dalam pembuatan Diagram Lingkaran    Kemudian  klik  OK.©sht90    Grafik Menggunakan R‐Commander        Gambar 4.21.         ‐ 57 ‐  .9. Misalkan akan  dibuat Diagram Lingkaran untuk variabel  REGION.20.20  berikut ini.  Output Diagram Batang dari variabel REGION      4.19. pilih REGION seperti pada Gambar 4.         Gambar 4.

21.  Dalam  hal  ini.  Output Diagram Lingkaran dari variabel REGION    Command  line  di  R‐Console  yang  dapat  digunakan  untuk  pembuatan  Diagram  Lingkaran  adalah  pie  diikuti  argumen  optional  yang  diinginkan.       > pie(table(latihan4$REGION).  maka  pada  jendela  dialog  yang  muncul.  seperti  perintah di R‐Commander di atas.  yaitu  Paku  dan  Poin.  Berikut  adalah  contoh  pembuatan  Diagram  Lingkaran  dengan  command  line  untuk  variabel  REGION.  pilih  tipe  plot  Paku. Plot Indeks   Plot  Indeks  adalah  suatu  plot  dari  variabel  menurut  indeks  atau  urutan  data. Pada R‐Commander ini hanya tersedia dua pilihan tipe dari plot. main="REGION".  dan  kemudian  klik  OK.  sehingga  diperoleh  output  Plot  Indeks  seperti yang terlihat pada Gambar 4.©sht90    Grafik Menggunakan R‐Commander        Gambar 4.23.       ‐ 58 ‐  .22.10.  pilih  LIFEEXPF  seperti  pada  Gambar  4. labels=levels(latihan4$REGION).  R  menyediakan  pilihan  Plot  Indeks…  pada  menu  Grafik  untuk  membuat  tampilan  Plot  Indeks dari suatu data.  col=rainbow(length(levels(latihan4$REGION))))      4.  Plot  ini  dalam  analisis  data  statistik  lebih  dikenal  dengan  Time  Series  Plot.  Misalkan  akan  dibuat  Plot  Indeks  untuk  variabel  LIFEEXPF.

  Output Plot Indeks dari variabel LIFEEXPF    Command line di R‐Console yang dapat digunakan untuk pembuatan Plot Indeks  adalah  plot  diikuti  argumen  optional  yang  diinginkan.  yang  berarti  line  atau  garis.  Jika  akan  menampilkan  plot  berupa  garis.©sht90    Grafik Menggunakan R‐Commander        Gambar 4.      ‐ 59 ‐  .  Berikut  adalah  contoh  pembuatan  Plot  Indeks  dengan  command  line  untuk  variabel  LIFEEXPF.23.  maka  dapat  digunakan  pilihan  type=”l”.  Jendela dialog pilihan variabel dalam pembuatan Plot Indeks      Gambar 4.22.

  Output Plot Indeks dari variabel LIFEEXPF dengan type=”l”          ‐ 60 ‐  . type="h")  > plot(latihan4$LIFEEXPF. main="Time Series Plot Data LIFEEXPF")      Berikut  ini  adalah  output  Plot  Indeks  pada  variabel  LIFEEXPF  dengan  pilihan  tipe  garis  (line) yang dinotasikan dengan “l”.     Gambar 4.©sht90    Grafik Menggunakan R‐Commander      > plot(latihan4$LIFEEXPF. type="p")  > plot(latihan4$LIFEEXPF.24. type="l".

©sht90 

   Fungsi Distribusi Peluang di R‐Commander 

BAB 5  FUNGSI DISTRIBUSI PELUANG DI R‐Commander 

 
Pada bab ini akan dijelaskan penggunaan R‐Commander untuk perhitungan yang  berkaitan  dengan  fungsi  distribusi  peluang.  R‐Commander  menyediakan  menu  untuk  melakukan  beberapa  operasi  standar  yang  berkaitan  dengan  fungsi  distribusi  peluang,  yaitu :  Perhitungan nilai kuantil  Perhitungan nilai peluang  Pembuatan plot distribusi atau grafik densitas  Pembuatan plot distribusi kumulatif  Pembangkitan data atau random data  Secara  umum  ada  dua  macam  distribusi  yang  disediakan  paket  R,  yaitu  Distribusi  Kontinu dan Diskrit. Untuk mengetahui distribusi kontinu atau diskrit apa saja yang ada  di  R,  dapat  dilakukan  dengan  memilih  menu  Distribusi,  kemudian  pilih  Distribusi  Kontinu,  sehingga  akan  muncul  pilihan  dari  berbagai  distribusi  kontinu  yang  ada  di  R,  seperti yang terlihat pada Gambar 5.1. 
 

 

 

Gambar 5.1.  Jendela dialog untuk pilihan Distribusi Kontinu    Dari  Gambar  5.1  dapat  dilihat  macam‐macam  distribusi  kontinu  yang  ada  di  R,  yaitu  Distribusi  Normal,  t,  Chi‐kuadrat,  F,  Eksponensial,  Seragam,  Beta,  Cauchy,  Logistik, Log‐Normal, Gamma, Weibull, dan Gumbel. Secara umum, proses perhitungan  yang  berkaitan  dengan  distribusi  peluang  untuk  macam‐macam  distribusi  kontinu  tersebut adalah relatif sama. Untuk itu, pada bab ini fokus pembahasan hanya diberikan  pada distribusi yang banyak dipakai di analisis statistika dasar, yaitu Distribusi Normal.   
 

‐ 61 ‐ 

©sht90 

   Fungsi Distribusi Peluang di R‐Commander 

 

Distribusi  Diskrit  yang  disediakan  di  R  dapat  dilihat  dengan  memilih  menu  Distribusi, kemudian pilih Distribusi Diskrit, sehingga akan muncul pilihan dari berbagai  distribusi diskrit yang  ada di  R, seperti yang  terlihat  pada Gambar 5.2. Dari  gambar  ini  dapat dilihat bahwa distribusi diskrit yang ada di R adalah Distribusi Binomial, Poisson,  Geometrik, Hipergeometrik, dan Binomial Negatif. 
 

 

 

 

Gambar 5.2.  Jendela dialog untuk pilihan Distribusi Diskrit 

 
5.1. Fungsi Distribusi Kontinu  
Pada  bagian  ini  akan  dijelaskan  cara  perhitungan  berkaitan  dengan  fungsi  distribusi peluang, yaitu perhitungan nilai kuantil, pembuatan plot atau grafik densitas,  pembuatan  plot  distribusi  kumulatif,  dan  pembangkitan  data  dari  distribusi  kontinu,  khususnya Distribusi Normal yang banyak digunakan dalam analisis statistika dasar.   

5.1.1.  Menghitung Kuantil dari Distribusi Normal  
Perhitungan nilai kuantil tertentu dari Distribusi Normal dapat dilakukan dengan  R‐Commander, yaitu  gunakan  menu  Distribusi,  pilih Distribusi  Kontinu,  pilih  Distribusi  Normal,  dan  kemudian  klik  Kuantil  Normal…  .  Setelah  itu  akan  terlihat  jendela  pilihan  untuk mendapatkan kuantil yang akan dicari seperti pada Gambar 5.3.   Misalkan akan dihitung nilai kuantil α=0,05 (5%) dari Distribusi Normal Standar,  yaitu  ingin  dicari  nilai  Z α   sedemikian  hingga  P( Z ≤ Z α ) = 0,05   (luasan  lower  tail  atau  ekor  bawah),  maka  pada  jendela  isian  Peluang  tulis  nilai  0.05.  Dalam  hal  ini  rata‐rata  adalah  0  dan  deviasi  standar  1.  Kemudian  klik  OK,  sehingga  akan  diperoleh  nilai  pada  jendela keluaran R‐Commander yaitu  Z 0,05 = −1.644854 . Pilihan ekor atas atau upper tail  digunakan jika ingin dicari nilai  Z1−α  sedemikian hingga  P( Z ≤ Z1−α ) = 1 − α . Jika pilihan  ekor  atas  yang  digunakan,  maka  keluaran  R‐Commander  memberikan  nilai  1.644854  pada jendela keluarannya. 
 
 

‐ 62 ‐ 

©sht90 

   Fungsi Distribusi Peluang di R‐Commander 

 

 
 

Gambar 5.3.  Jendela dialog untuk perhitungan Kuantil Normal    Selain menggunakan menu di R‐Commander, perhitungan kuantil normal dapat  juga  dilakukan  dengan  command  line  di  R‐Console,  yaitu  dengan  command  qnorm  diikuti  argumen  optional  yang  diinginkan.  Berikut  adalah  contoh  perhitungan  kuantil  normal dengan command line untuk α=0,05.  

 
> qnorm(c(0.05), mean=0, sd=1, lower.tail=TRUE)  [1] ‐1.644854    > qnorm(c(0.05), mean=10, sd=2, lower.tail=TRUE)  [1] 6.710293    > qnorm(c(0.05), mean=0, sd=1, lower.tail=FALSE)  [1] 1.644854    > qnorm(c(0.05), mean=10, sd=2, lower.tail=FALSE)  [1] 13.28971 

 

 
5.1.2.  Menghitung Peluang dari Distribusi Normal  
Perhitungan  peluang  dari  suatu  nilai  tertentu  dari  Distribusi  Normal  dapat  dilakukan  dengan  R‐Commander,  yaitu  gunakan  menu  Distribusi,  pilih  Distribusi  Kontinu, pilih Distribusi Normal, dan kemudian klik Peluang Normal… . Setelah itu akan  terlihat jendela pilihan untuk memperoleh peluang yang dicari seperti pada Gambar 5.4.   Misalkan akan dihitung nilai peluang dari Distribusi Normal Standar, yaitu ingin  dicari nilai  P( Z ≤ −3)  (luasan lower tail atau ekor bawah), maka pada jendela isian Nilai  peubah  tulis  nilai  ‐3.  Dalam  hal  ini  rata‐rata  adalah  0  dan  deviasi  standar  1.  Klik  OK,  sehingga akan diperoleh nilai 0.001349898 pada jendela keluaran R‐Commander.    
 

‐ 63 ‐ 

©sht90 

   Fungsi Distribusi Peluang di R‐Commander 

 
 

 

 

Gambar 5.4.  Jendela dialog untuk perhitungan Peluang Normal    Pilihan  ekor  atas  atau  upper  tail  digunakan  jika  ingin  dicari  nilai  P( Z ≥ c) .  Jika  pilihan  ekor  atas  yang  digunakan  dan  c = 3 ,  maka  keluaran  R‐Commander  juga  akan  mem‐ berikan nilai 0.001349898 pada jendela keluarannya.  Perhitungan  peluang  normal  dapat  juga  dilakukan  dengan  command  line  di  R‐ Console,  yaitu  dengan  command  pnorm  diikuti  argumen  optional  yang  diinginkan.  Berikut  adalah  contoh  perhitungan  peluang  normal  dengan  command  line  untuk  berbagai nilai peubah.  

 
> pnorm(c(‐3), mean=0, sd=1, lower.tail=TRUE)  [1] 0.001349898    > pnorm(c(6.710293), mean=10, sd=2, lower.tail=TRUE)  [1] 0.05000001    > pnorm(c(3), mean=0, sd=1, lower.tail=FALSE)  [1] 0.001349898    > pnorm(c(13.28971), mean=10, sd=2, lower.tail=FALSE)  [1] 0.04999986 

 

 
5.1.3.  Membuat Plot dari Distribusi Normal  
Plot dari Distribusi Normal teoritis dengan rata‐rata dan deviasi standar tertentu  dapat dilakukan dengan R‐Commander, yaitu gunakan menu Distribusi, pilih Distribusi  Kontinu, pilih Distribusi Normal, dan kemudian klik Plot Distribusi Normal… . Setelah itu  akan  terlihat  jendela  pilihan  untuk  mendapatkan  plot  distribusi  normal  teoritis  yang  ingin dicari seperti pada Gambar 5.5.    
 

‐ 64 ‐ 

  maka  akan  diperoleh  output  plot  fungsi  distribusi  kumulatif  dari  Distribusi  Normal  Standar  seperti  terlihat  pada  Gambar 5.6 berikut ini. sehingga akan diperoleh plot  fungsi kepadatan dari Distribusi Normal Standar seperti pada Gambar 5. maka pada jendela isian mu (rerata) tulis nilai 0 dan sigma (simpangan baku) 1.      Gambar 5.5.       ‐ 65 ‐  .7.  Klik pilihan Plot fungsi kepadatan.  Output plot fungsi kepadatan Distribusi Normal Standar    Jika  pilihan  Plot  fungsi  distribusi  (kumulatif)  yang  dipilih.6. dan kemudian klik OK.©sht90     Fungsi Distribusi Peluang di R‐Commander        Gambar 5.  Jendela dialog untuk pembuatan Plot Distribusi Normal    Misalkan  akan  dibuat  plot  fungsi  kepadatan  peluang  dari  Distribusi  Normal  Standar.

 " = 0. mean=0.               sigma. ". type="l")  > abline(h=0. " = 0. mu.  Output plot fungsi distribusi kumulatif dari Distribusi Normal Standar    Pembuatan  plot  fungsi  kepadatan  dan  fungsi  distribusi  kumulatif  dapat  juga  dilakukan  dengan  command  line  di  R‐Console.291. mu. sd=1). mean=0.x <‐ seq(‐3. dnorm(. ylab="Density".                main=expression(paste("Normal Distribution: ".x <‐ seq(‐4. " = 1")). xlab="x".291.               main=expression(paste("Normal Distribution: ".7.x. ".  Berikut  adalah  contoh  pembuatan  plot‐plot  tersebut dengan command line untuk suatu nilai peubah.               sigma. col="gray")    > # amati perbedaan output yang dihasilkan          ‐ 66 ‐  . length=100)  > plot(. " = 1")).x. xlab="x".  yaitu  dengan  command  dnorm  (untuk  plot  fungsi  kepadatan)  dan  command  pnorm  (untuk  plot  fungsi  distribusi  kumulatif)  diikuti  argumen  optional  yang  diinginkan. ylab="Cumulative Probability".       > . 3.x. 4. sd=1).x. col="gray")    > . length=100)  > plot(. pnorm(.©sht90     Fungsi Distribusi Peluang di R‐Commander      Gambar 5. type="l")  > abline(h=0.

  Membangkitkan Data dari Distribusi Normal   R  menyedikan  fasilitas  untuk  membangkitkan  data  yang  mengikuti  distribusi  statistika  tertentu.8.  yaitu  10  kolom  data hasil bangkitan dan 1 kolom terakhir yang berisi rata‐rata dari setiap sampel yang  dibangkitkan.  Misalkan  akan  dibangkitkan  data  yang  mengikuti  distribusi  normal. pilih Distribusi Kontinu. klik pilihan Lihat data set pada  R‐Commander. Ukuran sampel (baris)  15.1.  dan  kemudian  klik  Sampel  dari  Distribusi  Normal…  .       ‐ 67 ‐  . sigma (simpangan baku) 1.  maka  klik  pada  pilihan  Rerata  sampel.  Pilihan‐ pilihan yang lain.  Untuk mengetahui hasil data yang dibangkitkan.  Pada  jendela isian mu (rerata) tulis nilai 0. yaitu Jumlah sampel dan Deviasi baku sampel juga dapat ditampilkan  jika diinginkan.4.        Gambar 5.  dan  Banyaknya  pengamatan  (kolom)  10.8 berikut  ini.  maka dapat digunakan menu Distribusi.  Secara  umum  akan  diperoleh  15  baris  sampel  dan  11  kolom  data. pilih Distribusi Normal.©sht90     Fungsi Distribusi Peluang di R‐Commander    5.  sehingga  akan  terlihat  data‐data  hasil  bangkitan  seperti  pada  Gambar  5.  Jendela dialog untuk membangkitkan data dari Distribusi Normal    Sebagai  contoh.  akan  dibangkitkan  data  sebanyak  15  baris  dan  10  kolom  yang  mengikuti Distribusi Normal Standar.9. maka tulis nama dataset hasil dari data bangkitan  pada  isian  Masukkan  nama  untuk  data  set  (misalkan  dengan  nama  latihan5).  dan  kemudian  klik  OK.  Jika  rata‐rata  sampel  juga  ingin  ditambahkan.  Setelah  itu  akan  terlihat  jendela  pilihan untuk pembangkitan data dari distribusi normal seperti pada Gambar 5.

 sep="")  > latihan5$mean <‐ rowMeans(latihan5[. 1:15.90549079   [7] ‐1. sd=1)   [1]  0.27261101  0. ncol=10))  > rownames(latihan5) <‐ paste("sample".66025751 ‐0.9.59951444 ‐0.03768624 ‐1. 1:10. font=getRcmdr('logFont').  Daftar  lengkap  berkaitan  dengan  command  line  di  R  untuk  membangkitkan  data  dari  distribusi  kontinu  beserta  argumen  dan  library  yang  diperlukan dapat dilihat pada Tabel 5.  Berikut  adalah  contoh  pembangkitan data dengan command line untuk Distribusi Normal dengan rata‐rata dan  deviasi standar tertentu.1:10])  > showData(latihan5.68778843  0. maxheight=30)        Secara umum R menyediakan fasilitas untuk membangkitkan data dari berbagai  distribusi  statistika  yang  kontinu.96472623 ‐0.  Output data hasil bangkitan dari Distribusi Normal Standar    Pembangkitan  data  dari  suatu  distribusi  statistika  tertentu  ini  juga  dapat  dilakukan  dengan  command  line  di  R‐Console.data. mean=0.  yaitu  dengan  command  rnorm  (untuk  Distribusi  Normal)  diikuti  argumen  optional  yang  diinginkan.frame(matrix(rnorm(15*10. sd=1).20716294 ‐1.16491906  [13]  0.52697799 ‐0. mean=0.08368423 ‐0.09030604 ‐1.1.©sht90     Fungsi Distribusi Peluang di R‐Commander        Gambar 5.      ‐ 68 ‐  . sep="")  > colnames(latihan5) <‐ paste("obs".                         maxwidth=80. placement='‐20+200'.57448961 ‐0.45865682    > latihan5 <‐ as.       > rnorm(15.10300876  0.

 pembuatan plot atau grafik densitas. shape.  dan  pembangkitan  data  dari  suatu  distribusi  diskrit. df2  n. sd  n. mean.  dan  kemudian  klik  Kuantil  Binomial…  . shape1.  fokus  pembahasan  hanya  diberikan  pada  Distribusi  Binomial.©sht90     Fungsi Distribusi Peluang di R‐Commander    Tabel 5. sd  n. Sigma  library  stats  stats  stats  stats  stats  stats  stats  stats  stats  stats  stats  stats  MASS        5.  Menghitung Kuantil dari Distribusi Binomial   Perhitungan  nilai  kuantil  tertentu  dari  Distribusi  Binomial  dapat  dilakukan  dengan  R‐Commander. yaitu ingin dicari nilai  X α  sedemikian hingga  P( X ≤ X α ) = 0.    5. location = 0.  yaitu  gunakan  menu  Distribusi.  Daftar fungsi R (command line) untuk membangkitkan data yang     mengikuti suatu distribusi kontinu tertentu    Distribusi Kontinu  Beta   Cauchy  Chi‐squared  Eksponensial  F  Gamma  Log‐normal  Logistic  Normal  Student‐t  Seragam (Uniform)  Weibull  Multivariate Normal  Fungsi R  rbeta  rcauchy  rchisq  rexp  rf  rgamma  rlnorm  rlogis  rnorm  rt  runif  rweibull  mvrnorm  Argumen yang diperlukan  n.10. scale = 1  n = 1.5.  sedangkan  untuk  distribusi  diskrit yang lain dapat dilakukan dengan cara yang relatif sama. mu. rate  n. min.  yaitu  perhitungan nilai kuantil. df1. max  n.2. df  n. shape. mean.  Dalam  hal  ini.  pilih  Distribusi  Diskrit. shape2  n. Fungsi Distribusi Diskrit   Seperti  pada  bagian Distribusi Kontinu.1. df  n. scale = 1  n. rate = 1  n.  pilih  Distribusi  Binomial. scale = 1  n.1.2.25 (25%) dari Distribusi Binomial dengan n=20  dan p=0.25  (luasan lower  tail atau ekor bawah). pembuatan plot distribusi  kumulatif. location = 0. pada bagian Fungsi Distribusi Diskrit  ini  akan  dijelaskan  cara  perhitungan  berkaitan  dengan  fungsi  distribusi  peluang.   Misalkan akan dihitung nilai kuantil α=0.       ‐ 69 ‐  .  Setelah  itu  akan  terlihat  jendela pilihan untuk mendapatkan kuantil yang akan dicari seperti pada Gambar 5.

  Menghitung Peluang dari Distribusi Binomial   Perhitungan  peluang  kumulatif  untuk  nilai  tertentu  dari  Distribusi  Binomial  dapat dilakukan dengan R‐Commander.2.25). prob=0. size=20. size=20.  Pilihan  ekor  atas  (upper tail) digunakan jika akan dicari nilai  X 1−α  sedemikian hingga  P( X ≤ X 1−α ) = 1 − α .  yaitu  dengan  command  qbinom  diikuti  argumen  optional  yang  diinginkan. yaitu gunakan menu Distribusi.  sehingga  akan  diperoleh  nilai  pada  jendela  keluaran  R‐Commander  yaitu  X 0. size=20.5.  dan  Peluang  Sukses  0.25). lower.25  dan α yang lain. lower.  Kemudian  klik  OK. pilih Distribusi  Diskrit.tail=TRUE)  [1] 8    > qbinom(c(0.2.  Berikut adalah contoh perhitungan kuantil binomial dengan command line untuk α=0. prob=0.       > qbinom(c(0.25.75).5.11.10.  Jika  pilihan  ekor  atas  yang  digunakan.  Perhitungan  kuantil  binomial  dapat  juga  dilakukan  dengan  command  line  di  R‐ Console.       ‐ 70 ‐  . lower.tail=TRUE)  [1] 12          5.  Trial  Binomial  20.tail=FALSE)  [1] 12    > qbinom(c(0. prob=0.25 = 8 .©sht90     Fungsi Distribusi Peluang di R‐Commander        Gambar 5. maka pada jendela isian Peluang tulis nilai  0.  pilih  Distribusi  Binomial.  dan  klik  Peluang  ujung  Binomial…  .  maka  keluaran  R‐Commander  memberikan  nilai  12 pada jendela keluarannya.5.5.  Setelah  itu  akan  terlihat jendela pilihan untuk memperoleh peluang yang dicari seperti Gambar 5.  Jendela dialog untuk menghitung Kuantil Binomial    Untuk mendapatkan kuantil di atas.

  yaitu  dengan  command  pbinom  (untuk  peluang)  dan  pbinom  (untuk  peluang  kumulatif)  diikuti  argumen  optional  yang  di‐ inginkan.1.  dan  Peluang  Sukses  0.   Selain  itu.  Klik  OK.2. size=20.  Klik OK. lower.  pilih  Distribusi  Binomial.   Perhitungan  peluang  binomial  dan  peluang  binomial  kumulatif  dapat  juga  dilakukan  dengan  command  line  di  R‐Console.  pilih  Distribusi  Diskrit.  pilih  menu  Distribusi. maka akan ditampilkan nilai peluang untuk  X = 0. size=20. dan Peluang Sukses 0.  sehingga  akan  diperoleh  nilai 0.     > dbinom(8.5.  R  juga  memberikan  fasilitas  untuk  menghitung  nilai  peluang  untuk  suatu nilai tertentu.©sht90     Fungsi Distribusi Peluang di R‐Commander        Gambar 5. prob=0. lower.5.5.11. K . Misalkan akan dicari  P( X = 8)  dari Distribusi Binomial dengan n=20  dan  p=0.5.5)  [1] 0. dan klik Peluang Binomial… . maka pada jendela isian Nilai peubah tulis nilai 8.tail=FALSE)  [1] 0. Dalam contoh  ini  isikan  Trial  Binomial  20.tail=FALSE)  [1] 0.5.2517223    > pbinom(c(8). lower.  Berikut  adalah  contoh  perhitungan  peluang  binomial  dan  peluang  binomial  kumulatif dengan command line untuk nilai‐nilai tertentu. prob=0.20 .7482777    > pbinom(c(11). size=20.2517223        ‐ 71 ‐  .5. prob=0.  Untuk  itu. size=20. 2517223 pada jendela keluaran R‐Commander.1201344     > pbinom(c(8). prob=0. Isikan Trial Binomial 20.  Jendela dialog untuk menghitung Peluang Binomial Kumulatif    Misalkan  akan  dihitung  nilai  peluang  dari  Distribusi  Binomial  Kumulatif.5.tail=TRUE)  [1] 0.  yaitu  ingin  dicari  nilai  P( X ≤ 8)   (luasan  lower  tail  atau  ekor  bawah)  dari  Distribusi  Binomial  dengan n=20 dan p=0.

087189e‐03  18 1.Table <‐ data.3.201344e‐01  13 7.601791e‐01 1.907349e‐05 1.  pilih  Distribusi  Diskrit.601791e‐01  [11] 1.5.620552e‐03 1. maka pada jendela tulis 20 pada isian  Trial Binomial.Table) <‐ 0:20  > .  Membuat Plot dari Distribusi Binomial   Plot  dari  Distribusi  Binomial  teoritis  dengan  n  dan  p  tertentu  dapat  dilakukan  dengan  R‐Commander.  yaitu  gunakan  menu  Distribusi.201344e‐01 1.5))  > rownames(.620552e‐03   [6] 1.478577e‐02  6  3.811981e‐04 1.  dan  kemudian  klik  Plot  Distribusi  Binomial…  .696442e‐02  15 1.frame(Pr=dbinom(0:20.907349e‐05  [21] 9.392883e‐02  8  1.536743e‐07  1  1.201344e‐01 7.536743e‐07 1.201344e‐01  9  1.811981e‐04  3  1.696442e‐02  [16] 1.536743e‐07        5.087189e‐03 1.2.  Misalkan  akan  dibuat  plot  fungsi  kepadatan  peluang  dari Distribusi Binomial dengan n=20 dan p=0.478577e‐02  16 4. size=20.5)   [1] 9.620552e‐03  17 1.087189e‐03  4  4.478577e‐02 4.087189e‐03 4.  pilih  Distribusi  Normal.392883e‐02 1.696442e‐02 7.12.392883e‐02 3.392883e‐02  14 3.536743e‐07    > .478577e‐02 3.811981e‐04  19 1.811981e‐04 1.696442e‐02  7  7. dan tulis 0. prob=0.907349e‐05  20 9.761971e‐01 1.Table               Pr  0  9.  Setelah  itu  akan  terlihat  jendela  pilihan  untuk  mendapatkan  plot  distribusi  binomial  teoritis  yang  ingin  dicari  seperti  pada  Gambar  5.©sht90     Fungsi Distribusi Peluang di R‐Commander      > dbinom(0:20. prob=0.761971e‐01  11 1. size=20.       ‐ 72 ‐  .601791e‐01  12 1.907349e‐05  2  1.620552e‐03  5  1.5 pada isian Peluang Sukses.601791e‐01  10 1.

  Klik  OK.  maka  klik  pilihan  Plot  fungsi  kepadatan  peluang.  Jendela dialog untuk membuat Plot Distribusi Binomial    Setelah  itu  pilih  plot  yang  akan  dibuat.  misalkan  saja  plot  fungsi  kepadatan  peluang.13.  sehingga  akan  diperoleh plot fungsi kepadatan dari Distribusi Binomial dengan n=20 dan p=0.      Gambar 5.©sht90     Fungsi Distribusi Peluang di R‐Commander        Gambar 5.5        ‐ 73 ‐  .5  seperti  pada Gambar 5.13 berikut ini.12.  Output plot fungsi kepadatan Distribusi Binomial dengan n=20 dan p=0.

14.5". main="Binomial Distribution: Trials = 20.5   seperti pada Gambar 5. col="gray")          ‐ 74 ‐  . prob=0. maka  akan diperoleh  output  plot  fungsi  distribusi  kumulatif  dari  Distribusi  Binomial  dengan  n=20  dan  p=0.5    Pembuatan  plot  fungsi  kepadatan  dan  fungsi  distribusi  kumulatif  dapat  juga  dilakukan  dengan  command  line  di  R‐Console.       > .5).               Probability of success = 0. dbinom(. pch=16)  > abline(h=0.  Output plot fungsi Distribusi Kumulatif Binomial dengan n=20 dan p=0. prob=0.       Gambar 5.14 berikut ini.x.x. xlab="Number of Successes".5).x. dbinom(.©sht90     Fungsi Distribusi Peluang di R‐Commander    Jika  pilihan Plot  fungsi distribusi  (kumulatif) yang  dipilih.  yaitu  dengan  command  dnorm  (untuk  plot  fungsi  kepadatan)  dan  command  pnorm  (untuk  plot  fungsi  distribusi  kumulatif)  diikuti  argumen  optional  yang  diinginkan. type="h")  > points(. size=20.x <‐ 3:17  > plot(.x. size=20.               ylab="Probability Mass".  Berikut  adalah  contoh  pembuatan  plot‐plot  tersebut dengan command line untuk suatu nilai peubah.

  Misalkan  akan  dibangkitkan  data  yang  mengikuti  distribusi  binomial. pbinom(.  Setelah  itu  akan  terlihat  jendela  pilihan  untuk  pembangkitan  data  dari  distribusi  binomial seperti pada Gambar 5. size=20.               xlab="Number of Successes".  R  menyedikan  fasilitas  untuk  membangkitkan  data  yang  mengikuti  distribusi  diskrit  tertentu.  maka  dapat  digunakan  menu  Distribusi. Probability of success = 0. ylab="Cumulative Probability".5 pada isian Peluang Sukses.5.               type="l")  > abline(h=0.  Tulis angka 20 pada kolom isian Trial Binomial.5)[‐length(.          Gambar 5.  akan  dibangkitkan  data  sebanyak  15  baris  dan  5  kolom  yang  mengikuti  Distribusi  Binomial  dengan  n=20  dan  p=0.15. dan kemudian klik Sampel dari Distribusi Binomial… .  pilih  Distribusi  Diskrit.15 berikut ini. col="gray")          5.x.  Membangkitkan Data dari Distribusi Binomial   Seperti  pada  distribusi  kontinu. length(.5".©sht90     Fungsi Distribusi Peluang di R‐Commander        > .  Jendela dialog untuk membangkitkan data dari Distribusi Binomial    Sebagai  contoh.      ‐ 75 ‐  .2.4.  maka  tulis  nama  dataset  hasil  data bangkitan pada isian Masukkan nama untuk data set (misalkan BinomialSamples).               main="Binomial Distribution: Trials = 20.x <‐ rep(.x)]. pilih Distribusi Binomial. rep(2. prob=0.x[‐1].x. dan angka 0.x)))  > plot(.

5)    Proses  pembangkitan  data  dari  suatu  distribusi  statistika  yang  diskrit  ini  juga  dapat  dilakukan  dengan  command  line  di  R‐Console.  Output data hasil bangkitan dari Distribusi Binomial (n=20 dan p=0.  Berikut  adalah  contoh  pembangkitan  data  dengan  command  line  untuk  Distribusi  Binomial  dengan  n  dan p tertentu.  Jika  rata‐rata  sampel  juga  ingin  ditambahkan.  Pilihan‐pilihan  yang  lain.  yaitu  Jumlah  sampel dan Deviasi baku sampel juga dapat ditampilkan jika diinginkan.  Untuk mengetahui hasil data yang dibangkitkan.  dan  kemudian  klik  OK. klik pilihan Lihat data set pada  R‐Commander. size=20. prob=0. yaitu 5 kolom data  hasil  bangkitan  dan  1  kolom  terakhir  yang  berisi  rata‐rata  dari  setiap  sampel  yang  dibangkitkan.         Gambar 5.  maka  klik  pada  pilihan  Rerata  sampel.  yaitu  dengan  command  rbinom  (untuk  Distribusi  Binomial)  diikuti  argumen  optional  yang  diinginkan.©sht90     Fungsi Distribusi Peluang di R‐Commander    Selanjutnya.       > rbinom(100. Secara umum akan diperoleh 15 baris sampel dan 6 kolom data.5)    [1] 12 12  9 12 13  6  8  8  7 11 11  7 10  8  9 12  9  9 10 10  8 12  8  9  9   [26] 11  8 12 12 11 13 15  6 11 11 12  8 10 11  9  8 11 12  8 13 10 14 12 12 11   [51] 12 11 11 12 11 11  7 17  6 12  9  6 11 10  7  8  8 11  9 10  8  7 10 11  6   [76] 14  9 12  9  9  7 10 12 11 14 12 12 13 13  3 12 12 14 10 10  8  6  9 15 15        ‐ 76 ‐  .16.16. pada pilihan Ukuran sampel (baris) ketik angka 15 dan 5 pada Banyaknya  pengamatan  (kolom).  sehingga  akan  terlihat  data‐data  hasil  bangkitan  seperti  pada  Gambar  5.

 size. font=getRcmdr('logFont').]   12    8   11    9    9   [5. mu  n.    Tabel 5.]   11   12   12    7   12   [9.3] [.]   11    7    8    7   10   [6. placement='‐20+200'.5).]   11   12   10   13    8  [10. prob  n.]   11   11   10   11   14   [7. sep="")  > BinomialSamples$mean <‐ rowMeans(BinomialSamples[.]   13   11    9   12    8  [13.2] [. n.1:5])  > showData(BinomialSamples. prob  nn.]   12   10   12   11    8    > BinomialSamples <‐ as. size=20. prob=0. 1:5. ncol=5)        [.]    8   11    8   13    5  [12. size=20.]   10    9   11   12   10  [15.]   13    9    9   10    6  [14.4] [. m. maxheight=30)        Secara umum R menyediakan fasilitas untuk membangkitkan data dari berbagai  distribusi  statistika  yang  diskrit. k  n. size.]   11   10   12    8   10   [3. 1:15. prob=0.5]   [1.                           maxwidth=80.]   13   11   12    8   10   [4.  Daftar fungsi R (command line) untuk membangkitkan data yang     mengikuti suatu distribusi diskrit tertentu    Distribusi Kontinu  Binomial   Binomial Negatif  Geometrik  Hipergeometrik  Poisson  Fungsi R  rbinom  rnbinom  rgeom  rhyper  rpois  Argumen yang diperlukan  n. ncol=5))  > rownames(BinomialSamples) <‐ paste("sample".2. prob.]   13   11    4   14    8   [2. lambda  library  stats  stats  stats  stats  stats        ‐ 77 ‐  .5).data.]   10    9   11   11    9   [8.frame(matrix(rbinom(15*5.1] [.  Daftar  lengkap  berkaitan  dengan  command  line  di  R  untuk membangkitkan data dari distribusi diskrit beserta  argumen dan library yang di‐ perlukan dapat dilihat pada Tabel 5.2.]   12    8   12   11    6  [11.©sht90     Fungsi Distribusi Peluang di R‐Commander      > matrix(rbinom(15*5. sep="")  > colnames(BinomialSamples) <‐ paste("obs".

   Matriks korelasi… .  Fasilitas  yang  disedikan  R  untuk pembuatan tabel kontingensi ini dapat diihat pada Gambar 5.      ‐ 78 ‐  .  Dari  gambar  ini  dapat  dilihat  bahwa  fasilitas Ringkasan data yang disediakan dalam R‐Commander adalah   Ringkasan numerik… .  khususnya  pembuatan  ringkasan  (summary)  data  dan  pembuatan  tabel.  dan  lokasi  dari  data‐data  numerik  (metrik).  keruncingan.  yaitu  ukuran‐ukuran  pemusatan.  Ringkasan  data  difokuskan  pada  pembuatan  statistik  deskriptif.  Secara  lengkap  fasilitas  yang  berkaitan  dengan  ringkasan  data  dapat  dilihat  pada  Gambar  6.2.  Paket R menyediakan beberapa fasilitas berkaitan dengan pembuatan ringkasan  dari  data  numerik  dan  nonnumerik.1.  kemiringan.1.        Gambar 5.  Jendela dialog untuk pilihan Distribusi Kontinu    Selain  tabel  satu  informasi.  pada  bab  ini  juga  akan  dijelaskan  cara  pembuatan  tabel  lebih  dari  satu  informasi.   Uji korelasi… .   Hitung observasi hilang  Tabel statistika… .  khususnya  tabel  dua  informasi  secara  bersama‐sama  yang  dikenal  dengan  tabulasi  silang  atau  tabel  kontingensi. dan   Uji kenormalan Shapiro‐Wilk… .  Sedangkan  pembuatan  tabel  difokuskan  pada  data‐data  nonnumerik (nonmetrik).  penyebaran.   Distribusi Frekuensi… .©sht90       Statistik Deskriptif menggunakan R‐Commander  BAB 6  STATISTIK DESKRIPTIF MENGGUNAKAN R‐Commander    Bab  ini  akan  membahas  penggunaan  R‐Commander  untuk  membuat  statistik  deskriptif  dari  suatu  kumpulan  data.

 pilih Load Workspace….dan  Kuartil 3.  buka  kembali  program  R  dengan  mengklik  icon  R  2. ringkasan numerik hanya menampilkan jumlah atau frekuensi pada masing‐ masing kategori yang ada.6. Setelah  itu  akan  terlihat  jendela  informasi  tentang  jumlah  variabel  pada  dataset  yang  akan  ditampilkan ringkasan numeriknya seperti pada Gambar 5. Median.  R menyediakan dua macam  cara  untuk  menampilkan  ringkasan  numerik  dari  variabel‐variabel  yang  ada  pada  data.     ‐ 79 ‐  . semua data  baik yang metrik ataupun nonmetrik akan ditampilkan ringkasan numeriknya. yaitu gunakan menu Statistika.  yaitu  data  metrik  (skala  interval  atau rasio) dan data nonmetrik (skala nominal atau ordinal). Ringkasan Numerik (Summary)   Pada  bagian  ini  akan  dijelaskan  cara  perhitungan  ringkasan  deskriptif  dari  data  dengan  menggunakan  berbagai  metode  statistika  deskriptif. pilih Ringkasan.  yaitu menampilkan ringkasan numerik dari semua variabel yang ada. Min.  Load  file  workspace  tersebut  dengan  menggunakan menu File.1.1.    6.  dan panggil data tentang negara‐negara di dunia pada tahun 1995 yang dikenal dengan  data  WORLD95.   Pada  data  metrik.  Berikut  ini  adalah  penjelasan  lengkap untuk masing‐masing cara pembuatan ringkasan numerik.    6. dan menampilkan  ringkasan  numerik  hanya  dari  variabel  tertentu  saja.1.  Jendela dialog untuk pilihan Distribusi Diskrit    Sebagai  langkah  awal.RData.1. Max. pilih Dataset aktif.2.  Secara  umum  ada  dua  macam  data  yang  akan  dibuat  ringkasan  numeriknya.  ringkasan  numerik  akan  menampilkan  beberapa  besaran  statistik yaitu Mean. Dalam hal ini. Kuartil 1.3.  seperti  yang  digunakan  pada  Bab  4  sebelumnya.  Ringkasan Numerik dari Semua Variabel   Perhitungan Ringkasan Numerik dari semua variabel dapat dilakukan dengan R‐ Commander.©sht90       Statistik Deskriptif menggunakan R‐Commander          Gambar 5. Sedangkan pada data  nonmetrik.SAV  di  SPSS  yang  sudah  disimpan  dalam  file  R  yaitu  latihan4.

:82.880 Median :3.00 NA's : 24.00 NA's : 2. : 2.      > summary(latihan4)  COUNTRY Afghanistan : 1 Argentina : 1 Armenia : 1 Australia : 1 Austria : 1 Azerbaijan : 1 (Other) :103 POPULATN Min. :100.:61.: 75. : 5.017 Mean :4.00 NA's : 1.563 3rd Qu.00 Median :67.34 3rd Qu.: 93.00 1st Qu.00 Mean :17.:67.73 3rd Qu.: 6. :8. :1.00 Max.: 98.300 1st Qu.00 Max.000 Max.0 Max.RData beserta command line di R‐Console adalah sebagai berikut. :6. : 28.00 Mean :70.408 1st Qu.00 1st Qu.00 Mean : 67.:1.:26. :1205200 DENSITY Min.00 1st Qu.4 3rd Qu.00 Median : 88.00 1st Qu.26 3rd Qu.0 Median : 64.98 Mean : 78.708 Median :4.: 96.:5.©sht90       Statistik Deskriptif menggunakan R‐Commander        Gambar 5.00 Median : 71.  Jendela informasi jumlah variabel yang dibuat ringkasan numeriknya    Output  lengkap  yang  diperoleh  dari  pilihan  Ringkasan  dan  Dataset  aktif  pada  data  latihan4.00 Max. :2.92 3rd Qu. :100.:4.00 NA's : 24.00 1st Qu.00   RELIGION Catholic:41 Muslim :27 Protstnt:16 Orthodox: 8 Buddhist: 7 Animist : 4 (Other) : 6 … FERTILTY Min.:3.75 Median : 60. :100.050 Mean :3.000 LIT_FEMA Min. : 18.081 CROPGROW LIT_MALE Min.00 Mean :64. :76.16 3rd Qu.00 Max. :100.0 Mean : 203.3 1st Qu.: 45.: 63.00 Median :13.: 40. : 9.00 NA's : 3.00 LITERACY Min.50 Median : 87. : 0.00 Min. :41.00 Median :74.190 NA's :2.53 3rd Qu.00 CLIMATE temperate :34 tropical :32 mediterranean:10 desert : 7 arid : 6 (Other) :13 NA's : 7       ‐ 80 ‐  . :43.:72.00 Max.114 3rd Qu.00 LOG_POP Min.3.551 Max.00 Max. :5494.00 1st Qu.: 29.: 5100 Median : 10400 Mean : 47724 3rd Qu.0 URBAN Min.00 Max. :77.75 3rd Qu.00 LIFEEXPF Min.: 63. : 256 1st Qu.: 126.00 Mean : 56.00 1st Qu.:78.00 LIFEEXPM Min.: 35600 Max.00 Mean : 78.

  klik  OK  untuk  menampilkan  output  ringkasan  numeriknya.2.  sehingga diperoleh output pada jendela keluaran seperti berikut ini.  Ringkasan Numerik untuk Suatu Variabel   Perhitungan  Ringkasan  Numerik  khusus  untuk  variabel  metrik  dapat  dilakukan  dengan R‐Commander.15596 10.  Kemudian  klik  besaran‐besaran  statistik  yang  akan  ditampilkan  ringkasannya.  Jendela pilihan variabel metrik yang dibuat ringkasan numeriknya    Misalkan akan dibuat ringkasan numerik untuk variabel LIFEEXPF (usia harapan  hidup  wanita  di  suatu  negara)."LIFEEXPF"].  Setelah  itu  akan  terlihat  jendela  informasi  tentang  variabel  metrik  dari  dataset yang akan ditampilkan ringkasan numeriknya seperti pada Gambar 5. "sd".  Berikut  adalah  contoh  perhitungan  ringkasan  numerik  dengan  command  line  untuk  suatu variabel metrik.©sht90       Statistik Deskriptif menggunakan R‐Commander    6.  klik  LIFEEXPF  pada  pilihan  Peubah.      > numSummary(latihan4[.1.         Gambar 5.4.  maka  pada  jendela  dialog  yang  muncul.       ‐ 81 ‐  . pilih Ringkasan  numerik…  .4 berikut. "quantiles"))  mean sd 0% 25% 50% 75% 100% n 70.57178 43 67 74 78 82 109       Perhitungan ringkasan numerik ini dapat juga dilakukan dengan command line di  R‐Console.  Setelah  itu. pilih Ringkasan. yaitu dengan command summary diikuti argumen optional yang diinginkan. statistics=c("mean". yaitu gunakan menu Statistika.

 maka gunakan menu Statistika.00 Mean 3rd Qu.  pilih Ringkasan.76190 7. "sd".      > numSummary(latihan4[.00       R  juga  menyediakan  fasilitas  untuk  menampilkan  ringkasan  numerik  dari  variabel  numerik  berdasarkan  group  atau  faktor  tertentu."LIFEEXPF"]. pilih Ringkasan numerik… . 43.58824 4.5 berikut ini. groups=latihan4$REGION..00 Median 74. 1st Qu. dan isikan pilihan seperti sebelumnya.500817 63 68 72 74 80 17 71.16 78.00 Max.978040 43 48 55 58 70 19 71.  Jendela pilihan peubah kelompok (group) dalam ringkasan numerik    Selanjutnya  klik  OK.5. 70.00 67.                                 statistics=c("mean".  Kemudian  klik  Ringkas  dengan  kelompok.©sht90       Statistik Deskriptif menggunakan R‐Commander      > summary(latihan4$LIFEEXPF)  Min. yaitu  variabel  LIFEEXPF  pada  pilihan  Peubah  yang  muncul.26316 7.  Misalkan  akan  dibuat  ringkasan untuk variabel LIFEEXPF berdasarkan REGION.109400 74 75 76 77 78 14 67..388537 47 67 75 77 79 21       ‐ 82 ‐  .         Gambar 5.09524 1. .  maka  akan  diperoleh  output  ringkasan  numerik  pada  jendela  keluaran seperti pada output berikut ini.886108 44 59 69 74 82 17 54.00000 1. 82.179185 78 79 80 81 82 21 76. dan pilih variabel REGION dari daftar Peubah kelompok yang ada seperti  pada Gambar 5. "quantiles"))    OECD East Europe Pacific/Asia Africa Middle East Latn America mean sd 0% 25% 50% 75% 100% n 80.41176 10.

2.  pilih  Ringkasan.    6.84404      15.43119       15. klik REGION pada pilihan Peubah.59633     17.  Setelah  itu  akan  terlihat  jendela  pilihan  tentang  variabel  nonmetrik  dari  dataset yang akan ditampilkan distribusi frekuensinya seperti pada Gambar 5.      > .  dan  yang  terendah adalah pada kawasan AFRICA.  sehingga  diperoleh  output  pada jendela keluaran seperti berikut ini.  pilih  Distribusi  Frekuensi…  .  Jendela pilihan variabel nonmetrik (satu atau lebih) yang akan     ditampilkan distribusi frekuensinya.Table/sum(.6. Kemudian  klik  OK  untuk  menampilkan  output  distribusi  frekuensinya.    Misalkan  akan  dibuat  distribusi  frekuensi  untuk  variabel  REGION. Distribusi Frekuensi    Pembuatan  Distribusi  Frekuensi  untuk  variabel  nonmetrik  dapat  dilakukan  dengan  R‐Commander.6.26606      12. Secara visual hal ini seperti yang telah diperoleh  pada Plot Rata‐rata di Bab 4 sebelumnya.59633          19.Table  # counts for REGION            OECD  East Europe  Pacific/Asia   Africa  Middle East  Latn America                21                   14                   17          19                   17                     21     > 100*.         Gambar 5.  maka  pada  jendela dialog pilihan variabel yang muncul.26606           ‐ 83 ‐  .Table)  # percentages for REGION               OECD  East Europe  Pacific/Asia          Africa  Middle East   Latn America       19.  yaitu  gunakan  menu  Statistika.Table <‐ table(latihan4$REGION)  > .©sht90       Statistik Deskriptif menggunakan R‐Commander    Dari  output  tersebut  dapat  dijelaskan  bahwa  rata‐rata  usia  harapan  hidup  perempuan  tertinggi  pada  negara‐negara  yang  termasuk  kawasan  OECD.

166666666666667.Table   X‐squared = 2.3.166666666666667.Probs)            Chi‐squared test for given probabilities    data:  .166666666666667.    6.©sht90       Statistik Deskriptif menggunakan R‐Commander    Sebagai  tambahan.166666666666667.  maka pilih  Uji  kecocokan  Chi‐kuadrat (hanya untuk satu peubah) sehingga diperoleh jendela pilihan probabilitas  yang menjadi hipotesis seperti gambar berikut ini.  Pada  R‐Commander. p=.  Misalkan  akan  diuji  apakah  persentase  negara  pada  masing‐masing REGION adalah  sama.  Dengan  demikian  dapat  disimpulkan  bahwa proporsi negara di masing‐masing REGION adalah sama yaitu 1/6.                         0.7.166666666666667.      ‐ 84 ‐  .05 dapat disimpulkan bahwa pengujian menunjukkan gagal tolak H0. Hal  ini  dikarenakan  nilai  p‐value  lebih  besar  dari  α.0.  sehingga  diperoleh  output  pada  jendela keluaran seperti berikut ini.0275. Tabel Statistika    R  juga  menyediakan  fasilitas  untuk  membuat  ringkasan  statistik  dalam  tabel  untuk suatu variabel numerik (metrik) berdasarkan variabel nonmetrik (kategorik) atau  faktor  tertentu.        Gambar 5.  pilih  Tabel statistika… sehingga diperoleh jendela pilihan seperti pada Gambar 5.  yaitu 1/6.  gunakan  menu  Statistika. Sehingga jika  digunakan α=0.0.0.  pada  menu  pilihan  Distribusi  Frekuensi…  ini  dapat  juga  dilakukan  Uji  Kecocokan  untuk  mengevaluasi  apakah  probabilitas  masing‐masing  kategori  sesuai  dengan  yang  dihipotesakan.0.166666666666667)    > chisq.Probs <‐ c(0.      > .8453.8.  Jendela pilihan isian probabilitas yang dihipotesakan    Klik  OK  untuk  menampilkan  output  hasil  pengujian. df = 5.Table. p‐value = 0.  pilih  Ringkasan.8453      Hasil tersebut menunjukkan bahwa nilai p‐value pengujian adalah 0.test(.

  sehingga  diperoleh  output  pada  jendela  keluaran  seperti berikut ini. list(REGION=latihan4$REGION).686428     3.  maka pada  jendela  dialog pilihan Faktor  yang  muncul.207814     3.  Setelah  itu. list(REGION=latihan4$REGION). mean.©sht90       Statistik Deskriptif menggunakan R‐Commander        Gambar 5.      ‐ 85 ‐  . median.rm=TRUE)    REGION          OECD  East Europe Pacific/Asia       Africa  Middle East Latn America             80                    76                 69               55                   72                   75         Hasil  tersebut  menunjukkan  bahwa  negara‐negara  di  kawasan  OECD  mempunyai  rata‐ rata  LOG‐GDP  dan  median  LIFEEXPF  paling  tinggi  dibanding  dengan  negara‐negara  di  kawasan yang lain.      > tapply(latihan4$LOG_GDP.  klik  OK  untuk  menam‐ pilkan  output  tabel  statistikanya.200901     > tapply(latihan4$LIFEEXPF.  Jendela pilihan Faktor dan Peubah respon yang akan ditampilkan  Tabel Statistikanya    Misalkan  akan  dibuat  tabel  statistika  untuk  variabel  LOG_GDP  berdasarkan  variabel  REGION.107648     2.8.rm=TRUE)    REGION          OECD  East Europe Pacific/Asia       Africa  Middle East Latn America       4. na.546412     3.771881     3. klik  LOG_GDP  dan klik REGION pada pilihan Peubah respon. na. Kemudian pilih besaran statistik yang akan  ditampilkan  pada  tabel  statistika  yang  akan  dibuat.

 klik kelima variabel tersebut.0000000 -0.8435988 1.8474292 FERTILTY -0.©sht90       Statistik Deskriptif menggunakan R‐Commander    6.8089856 0. Matriks Korelasi    Perhitungan  Matriks  Korelasi  untuk  variabel‐variabel  metrik  dan  nonmetrik  dapat dilakukan dengan R‐Commander.6958507 1.  Setelah  itu.9.9893717 0.  dan  LOG_GDP.8089856 -0.0000000 0.8287739 0.  maka  pada  jendela  dialog  pilihan  Peubah  yang  muncul.         Gambar 5.6958507 0."FERTILTY".  klik  OK  untuk  menampilkan  output  matriks  korelasi.  LIFEEXPM.4.  Jendela pilihan Peubah yang akan ditampilkan matriks korelasinya    Misalkan  akan  dibuat  matriks  korelasi  untuk  variabel  CALORIES.0000000 0.  pilih  Matriks  korelasi…  .  LIFEEXPF.0000000         ‐ 86 ‐  .7650363 0. Kemudian pilih jenis korelasi (dalam kasus ini pilih  Produk‐Momen  Pearson)  yang  akan  ditampilkan  pada  matriks  korelasi  yang  akan  dibuat.7650363 -0.0000000 -0.9  berikut ini.  sehingga  diperoleh output pada jendela keluaran seperti berikut ini.obs")  CALORIES FERTILTY LIFEEXPF LIFEEXPM LOG_GDP CALORIES 1.7753786 0. pilih Ringkasan.8037349 1.7753786 -0.8474292 -0.      > cor(latihan4[. yaitu gunakan menu Statistika.8435988 -0.c("CALORIES".8287739 LIFEEXPM 0."LIFEEXPM"."LIFEEXPF".7170879 0.  Setelah  itu  akan  terlihat  jendela  pilihan  tentang  variabel‐ variabel dari dataset yang akan ditampilkan matriks korelasinya seperti pada Gambar 5.8037349 LOG_GDP 0.  FERTILITY.7170879 LIFEEXPF 0."LOG_GDP")].              use="complete.9893717 1.

 p‐value < 2.  Setelah  itu  akan  terlihat  jendela  pilihan tentang dua variabel yang akan diuji korelasinya seperti pada Gambar 5.  klik  kedua  variabel  tersebut.10.  maka  pada  jendela  dialog  pilihan  Peubah  yang  muncul. Uji Korelasi    Perhitungan  Uji  Korelasi. Setelah itu.      > cor.8310795           ‐ 87 ‐  .test(latihan4$LIFEEXPF.sided". method="pearson")            Pearson's product‐moment correlation    data:  latihan4$LIFEEXPF and latihan4$LOG_GDP   t = 15.  Kemudian  pilih  jenis  korelasi  (dalam  kasus  ini  pilih  Produk‐Momen  Pearson)  yang akan diuji. klik OK untuk menampilkan output pengujian pada jendela  keluaran seperti berikut ini.  Jendela pilihan dua Peubah yang akan diuji korelasinya    Misalkan  akan  dilakukan  pengujian  korelasi  untuk  variabel  LIFEEXPF  dan  LOG_GDP.5.8813950   sample estimates:        cor   0.  baik  untuk  korelasi  Produk‐Momen  Pearson  ataupun  korelasi  Rank‐Order  Spearman  dapat  dilakukan  dengan  R‐Commander.©sht90       Statistik Deskriptif menggunakan R‐Commander    6. df = 107.  yaitu  gunakan  menu  Statistika.  pilih  Uji  korelasi…  .  pilih  Ringkasan.10.4575.7621177 0.         Gambar 5.2e‐16  alternative hypothesis: true correlation is not equal to 0   95 percent confidence interval:   0. alternative="two. latihan4$LOG_GDP.

  Hal  ini  dikarenakan nilai p‐value lebih kecil dari α.  maka  pada jendela dialog pilihan Peubah yang muncul.2e‐16. Hal ini didukung oleh QQ‐Plot pada Bab  4 sebelumnya (lihat pada halaman 52). klik LIFEEXPF tersebut. Kemudian klik  OK untuk menampilkan output pengujian pada jendela keluaran seperti berikut ini. Setelah itu akan terlihat jendela pilihan tentang variabel yang akan diuji  kenormalannya seperti pada Gambar 5.      ‐ 88 ‐  .435e‐9. p‐value = 9.©sht90       Statistik Deskriptif menggunakan R‐Commander    Hasil tersebut menunjukkan bahwa nilai p‐value pengujian adalah 2. pilih Ringkasan. Sehingga jika  digunakan  α=0.  Jendela pilihan Peubah yang akan diuji kenormalannya    Misalkan  akan  dilakukan  pengujian  kenormalan  untuk  variabel  LIFEEXPF.         Gambar 5.8596. kemudian pilih Uji kenormalan  Shapiro‐Wilk… .    6.05  dapat  disimpulkan  bahwa  pengujian  menunjukkan  tolak  H0  yang  berarti data LIFEEXPF tidak berdistribusi normal.  Sehingga  jika  digunakan  α=0.435e‐09        Output  ini  menunjukkan  bahwa  nilai  p‐value  pengujian  adalah  9.      > shapiro. Dengan demikian dapat disimpulkan bahwa  ada korelasi positif antara LIFEEXPF dan LOG‐GDP.6.11.11 berikut ini. Uji Kenormalan Shapiro‐Wilk   Perhitungan  Uji  Kenormalan  Shapiro‐Wilk  pada  R‐Commander  dapat  dilakukan  dengan menggunakan menu Statistika.05  dapat  disimpulkan  bahwa  pengujian  menunjukkan  tolak  H0.test(latihan4$LIFEEXPF)            Shapiro‐Wilk normality test    data:  latihan4$LIFEEXPF   W = 0.

 klik  OK untuk menampilkan output tabel kontingensi dua arah pada jendela keluaran seperti  berikut ini.      ‐ 89 ‐  .         Gambar 5. maka pada jendela dialog pilihan Peubah baris yang muncul klik CLIMATE dan  pilih  REGION  pada  pilihan  Peubah  kolom.  atau  persentase  keseluruhan)  dan  uji  hipotesis  (sebagai  pilihan  default adalah uji kesaling bebasan Chi‐kuadrat) yang akan  dilakukan.12 berikut ini.  pilih  Tabel  kontingensi.  Jendela pilihan Dua Peubah yang akan dibuat Tabel Kontingensinya    Misalkan  akan  dibuat  tabel  kontingensi  dua  arah  untuk  variabel  CLIMATE  dan  REGION.  Setelah  itu  akan  terlihat  jendela  pilihan  tentang  dua  variabel  nonmetrik (kategorik) yang akan dibuat tabel kontingensi dua arah seperti pada Gambar  5.7.  dan  kemudian  pilih  Tabel  dua  arah…  . Setelah  itu. Tabel Kontingensi Dua Arah   Pembuatan  tabel  kontingensi  dua  arah  pada  R‐Commander  dapat  dilakukan  dengan  menggunakan  menu  Statistika.  Kemudian  pilih  besaran  (persentase  baris.12.  persentase  kolom.©sht90       Statistik Deskriptif menggunakan R‐Commander    6.

        ‐ 90 ‐  .0 20.0 0.9 5.1 31.0 0.0 0.0 5 arid 100.0 25.7 0.0 20.©sht90       Statistik Deskriptif menggunakan R‐Commander      > .8 arctic / temp 75.5 11.0 80.Table  REGION CLIMATE OECD East Europe Pacific/Asia Africa Middle East Latn America desert 0 0 0 1 6 0 arid / desert 0 0 0 1 4 0 arid 1 0 1 0 2 2 tropical 0 0 9 10 0 13 mediterranean 1 2 2 2 2 1 maritime 1 3 0 0 0 0 temperate 15 8 4 2 2 3 arctic / temp 3 1 0 0 0 0 arctic 0 0 0 0 0 0   > rowPercents(.0 16.0 4 temperate 100.0 0.6 mediterranean 10.0 0.3 33. p-value = NA       Output  uji  Chi‐kuadrat  tidak  dapat  diperoleh  karena  banyak  nilai  0  pada  beberapa  sel  kombinasi antara variabel CLIMATE dan REGION.test(.7 0.9 32 mediterranean 100.0 6 tropical 99.0 0.test(.Table. df = 40.8 5.0 20.0 20.Test <‐ chisq.Table <‐ xtabs(~CLIMATE+REGION.Table.7 0.0 0.0 40.0 maritime 25.0 20.0 arid / desert 0.0 arctic NaN NaN NaN NaN NaN NaN REGION CLIMATE Total Count desert 100.0 0.1 23.0 arid 16. correct = FALSE) : Chi-squared approximation may be incorrect   > .9 8.0 75.0 10.2 0.0 0.0 0.0 33.0 0.0 10 maritime 100.0 14. data=latihan4)  > .0 0. correct=FALSE)  Warning in chisq.Table X-squared = NaN.Test    Pearson's Chi-squared test   data: .0 7 arid / desert 100.0 0.0 4 arctic NaN 0   > .3 85.0 temperate 44.0 34 arctic / temp 100.3 tropical 0.Table) # Row Percentages  REGION CLIMATE OECD East Europe Pacific/Asia Africa Middle East Latn America desert 0.0 0.0 28.

 Setelah itu akan terlihat jendela pilihan  tentang  Banyaknya  baris  dan  Banyaknya  kolom.©sht90       Statistik Deskriptif menggunakan R‐Commander    6. dan kemudian  pilih Masukkan dan analisis tabel dua arah… . maka pada jendela kolom. Isikan angka 45.  Jendela pilihan Dua Peubah yang akan dibuat Tabel Kontingensinya    Misalkan akan dibuat tabel kontingensi dua arah untuk variabel PILIHAN ACARA  TV dan GENDER RESPONDEN.         Gambar 5.  sedangkan  Wanita  cenderung  menonton  Sinetron). 25.      ‐ 91 ‐  .  serta  Masukkan  frekuensi  yang  akan  dibuat tabel kontingensi dua arah seperti pada Gambar 5.13 berikut ini. 20. tulis Olah raga dan Sinetron. pilih Tabel kontingensi. dan 40 pada empat  sel  isian  yang  ada  (misal  Pria  cenderung  menonton  Olah  raga.  Pembuatan  masukkan  tabel  dua  arah  ini  pada  R‐Commander  dapat  dilakukan dengan menggunakan menu Statistika.  dan tulis Pria dan Wanita pada jendela baris.8.  Kemudian  klik  OK  untuk  menampilkan  output  tabel  kontingensi dua arah pada jendela keluaran seperti berikut ini.12. Entry Langsung Data Frekuensi untuk Tabel Kontingensi Dua Arah   R juga menyediakan fasilitas untuk membuat tabel kontingensi dua arah dengan  cara memasukkan langsung frekuensi‐frekuensi pada setiap kombinasi sel yang ada pada  tabel  kontingensi.

381.Table) <‐ c('Pria'.  Sehingga  jika  digunakan  α=0. p‐value = 0.2% Pria).20.Table <‐ matrix(c(45. 2. sedang‐ kan Wanita cenderung menonton Sinetron (61.Table) <‐ c('Olah raga'. 2.5 61.Table)  Pria Wanita Olah raga Sinetron Total Count 69.      ‐ 92 ‐  .25.Test <‐ chisq.5% Wanita).5 100 65   > .Table  # Counts    Pria Wanita Olah raga Sinetron 45 20 25 40   > rowPercents(. Hasil  uji  Chi‐kuadrat  menunjukkan  nilai  p‐value  0. 'Sinetron')    > .Test            Pearson's Chi‐squared test    data:  .2 30.0004337        Hasil dari output ini adalah tabel kontingensi dua arah yang berisi frekuensi pada  masing‐masing sel kombinasi gender responden dan acara TV yang sering ditonton.©sht90       Statistik Deskriptif menggunakan R‐Commander      > library(abind)  # aktifkan terlebih dulu jika diperlukan    > .05  dapat disimpulkan bahwa pengujian menunjukkan tolak  H0 yang  berarti bahwa gender  responden dan acara TV yang ditonton tidak saling bebas atau saling terkait.Table.0004337.test(. 'Wanita')  > colnames(.Table   X‐squared = 12.8 100 65 38. correct=FALSE)  > . df = 1. Keterkaitan  dua variabel tersebut adalah Pria cenderung menonton Olah raga (68. byrow=TRUE)  > rownames(.40).

  Dengan  demikian. analisis faktor. analisis klaster.  khususnya  untuk  pengguna  yang  cenderung  lebih  terbiasa  menggunakan  paket‐paket  statistika  yang  bersifat  point  and  click.  Sebagai  sebuah  sistem  komputasi  statistika  yang  lengkap.  dan varians. yang terdiri dari dialog pilihan           2.  Paket R‐Commander pada awalnya dibuat untuk keperluan analisis statistik yang  sederhana. Ringkasan (Summaries).org. yang terdiri dari dialog pilihan          ‐ 93 ‐  .  Untuk  mengetahui  daftar  semua  paket  yang  tersedia  sampai  saat  ini  dapat dilihat di http://cran. Tabel kontingensi (Contingency Tables). analisis komponen utama.©sht90       Statistik Inferensi menggunakan  R‐Commander  BAB 7  STATISTIK INFERENSI MENGGUNAKAN R‐Commander    Pada bab  ini  akan dibahas penggunaan R‐Commander  untuk membuat  analisis  statistik  inferensi  dari  suatu  kumpulan  data. proporsi. yaitu uji hipotesis untuk mean.  Ada  beberapa  metode  analisis  statistik  inferensi yang disediakan pada R‐Commander.  tidaklah  mungkin  membuat satu sistem R‐GUI yang memiliki menu dari semua kemampuan yang dimiliki  R.  Oleh  karena  itu.  kemampuan  R  sebagian besar diperoleh dari ribuan paket (package atau library) yang dikontribusikan  oleh  seluruh  penggguna  R  di  seluruh  dunia.  yaitu  sebagai  alat  komputasi  untuk  perkuliahan  statistika  dasar. dan Generalized linear model. uji  ANOVA. uji‐uji Nonparametrik.   Secara  umum.  menu  dan  pilihan  kotak  dialog  yang  ditampilkan  masih  bersifat  sederhana  dan  tidak  mencakup  semua  kapabilitas  yang  dimiliki  R.  analisis regresi linear. yaitu :  1.  metode  statistika  yang  tersedia  dalam  R‐Commander  terbagi  dalam  8  (delapan)  dialog  pilihan  utama  yang  dapat  dijalankan  setelah  memilih  menu  Statistika.  Hal  ini  karena  terlalu  banyaknya  analisis  statistika  yang  dapat  dilakukan  dengan  menggunakan  R.r‐project. uji Chi‐kuadrat untuk evaluasi kebebasan antara dua variabel kategorik.

©sht90       Statistik Inferensi menggunakan  R‐Commander    3. Rerata (Means). Uji nonparametrik (Nonparametric tests). yang terdiri dari dialog pilihan      8. yang terdiri dari dialog pilihan      4. yang terdiri dari dialog pilihan      7. yang terdiri dari dialog pilihan      6. Variansi (Variances). yang terdiri dari dialog pilihan            ‐ 94 ‐  . Proporsi (Proportions). yang terdiri dari dialog pilihan      5. Pencocokan model (Fit models). Analisis dimensional (Dimensional analysis).

  dan  kemudian  memilih  Rerata  seperti  yang  terlihat  pada  Gambar 7. dan seterusnya.1 berikut ini.  dan  ANAVA  Multi‐arah.  Jendela dialog untuk pilihan pada pengujian rata‐rata    7. Dengan demikian. Variansi. bakteri  1  175  2  190  3  215  4  198  5  184  6  207  7  210  8  193  9  196  10  180    Apakah data (informasi) ini memberikan bukti yang kuat bahwa rata‐rata jumlah bakteri  per unit volume air di sungai KALIMAS masih di bawah ambang batas aman?        ‐ 95 ‐  . Pengujian Rata‐rata (Mean)    Pada bagian ini akan dijelaskan cara perhitungan untuk pengujian rata‐rata dari  suatu  data.  Uji‐t  berpasangan.  Kemudian.  yaitu  Uji‐t  sampel  tunggal.  ANAVA  Satu‐arah.        Gambar 7.©sht90       Statistik Inferensi menggunakan  R‐Commander    Pembahasan tentang Ringkasan dan Tabel kontingesi sudah diberikan pada Bab  6 sebelumnya.    7.  R  menyediakan  lima  macam  pilihan  pada  pengujian  rata‐rata. peneliti di departemen tersebut mengumpulkan 10 sampel air per unit  volume dan menemukan jumlah bakteri sebagai berikut.  Pilihan‐pilihan  analisis  statistika  tersebut  dapat  diperoleh  dengan  memilih  menu  Statistika.    Sampel ke  Jml. bab ini akan membahas analisis statistika untuk pilihan  Rata‐rata.1.1.1.1.  Uji‐t  sampel  saling  bebas. Pengujian Rata‐rata sampel tunggal (Single sample t‐test)  Misalkan suatu sampling terhadap air sungai KALIMAS Surabaya dilakukan oleh  Departemen  Kesehatan  kota  Surabaya  untuk  menentukan  apakah  rata‐rata  jumlah  bakteri per unit volume air di Sungai tersebut masih di bawah ambang batas aman yaitu  200.

         Gambar 7. Setelah  itu.  dan  kemudian  isikan  angka  200  pada  kotak  pilihan  Hipotesis  nol:  mu=.  Setelah  itu.  Setelah  semua  isian  dialog  sudah  sesuai  dengan  pengujian  yang  akan  dilakukan. pilih Dataset baru… .  klik  pilihan  pada  Hipotesis  Alternatif  sesuai  dengan  permasalahan  diatas.  Untuk  itu. misalkan saja 0. dan beri nama dataset baru itu (misalkan data7mu). Pada pilihan Peubah  klik  bakteri.95.  pilih  Rerata.  Jendela tampilan untuk entry data pada R‐Commander    Untuk  melakukan  pengujian  rata‐rata  sampel  tunggal  seperti  contoh  kasus  di  atas. isikan data‐data itu seperti tampilan berikut ini.  Secara  lengkap  hipotesis  statistik  yang  digunakan  dalam  pengujian rata‐rata ini adalah sebagai berikut.2.  dan  kemudian  pilih  Uji‐t  sampel  tunggal….        ‐ 96 ‐  .        H0 :  μ = 200  (atau  μ ≥ 200 )                H1 :  μ < 200   Kemudian tentukan Level Keyakinan pengujian yang akan digunakan.3.  klik  OK  untuk  menampilkan  output  dari  pengujian ini.  R‐Commander  menyediakan  pilihan  yaitu  melalui  menu  Statistika.  yaitu  Rerata  populasi  <  mu0.  masukkan  terlebih  dahulu  data‐data  tersebut  dengan  menggunakan  menu  Data.©sht90       Statistik Inferensi menggunakan  R‐Commander    Pengujian  rata‐rata  sampel  tunggal  dapat  dilakukan  setelah  data  tersedia  di  R.  Hal  ini    berarti  α  yang  digunakan  adalah  5%.  sehingga  diperoleh  tampilan  dialog  isian  untuk pengujian rata‐rata sampel tunggal seperti pada Gambar 7.

       > t.level=.test(data7mu1$bakteri. conf. alternative='less'.3. df = 9.1211.4162   sample estimates:  mean of x       194.8      Hasil ini menunjukkan bahwa nilai statistik t yang diperoleh adalah ‐1.©sht90       Statistik Inferensi menggunakan  R‐Commander        Gambar 7. Dengan  demikian dapat dijelaskan bahwa rata‐rata jumlah bakteri per unit volume air yang ada  di  Sungai  KALIMAS  Surabaya  tidak  berada  di  bawah  ambang  batas  aman  atau  per‐ nyataan bahwa rata‐rata jumlah bakteri per unit volume air di Sungai KALIMAS masih di  bawah ambang batas aman adalah TIDAK BENAR.       ‐ 97 ‐  .95)            One Sample t‐test    data:  data7mu1$bakteri   t = ‐1.2516. maka  pada α=0.05 dapat disimpulkan bahwa pengujian menunjukkan gagal tolak H0.  Jendela dialog untuk pilihan pada Uji‐t sampel tunggal    Output hasil pengujian rata‐rata sampel tunggal yang diperoleh dari contoh kasus di atas  adalah sebagai berikut. yaitu tolak H0 jika p‐value lebih kecil dari nilai α.2516. p‐value = 0. dan  nilai  p‐value  pengujian  adalah  0.1211  alternative hypothesis: true mean is less than 200   95 percent confidence interval:       ‐Inf 202.  Dengan  menggunakan  kaidah  pengambilan  keputusan berdasarkan p‐value. mu=200.

  Kemudian  tutup  jendela  pengisian  data  ini  untuk  melanjutkan  ke  komputasi  pengujian perbedaan rata‐rata dua sampel saling bebas.©sht90       Statistik Inferensi menggunakan  R‐Commander    7.   Untuk  itu. Pada kolom yang kedua beri nama metode.1  pada  dua  kolom  baru  yang  tersedia.  Selanjutnya.  Pada  bagian  ini  akan  digunakan  cara  kedua  yaitu   menambahkan  data‐data  ini  pada  dataset  yang  sudah  ada  dari  subbab  sebelumnya  (data7mu).  Lama waktu (dalam menit) untuk merakit produk    Prosedur Standar  Prosedur Baru  32  35  37  31  35  29  28  25  41  34  44  40  35  27  31  32  34  31    Apakah  data  ini  memberikan  cukup  bukti  untuk  menyatakan  bahwa  mean  (rata‐rata)  waktu untuk merakit produk pada akhir periode empat minggu latihan adalah lebih kecil  untuk prosedur (metode) latihan baru?   Seperti  pada  bagian  sebelumnya. Dengan demikian proses  editing untuk menambahkan data baru dapat dilakukan. ada dua cara  yang  dapat  dilakukan  yaitu  memasukkan  data  pada  dataset  baru  atau  menambahkan  data  pada  dataset  yang  sudah  ada. Dalam hal ini. Lama  waktu  (dalam menit)  yang diperlukan oleh  setiap  pegawai untuk merakit produk dicatat pada akhir dari periode empat‐minggu tersebut.1. Isikan data‐data pada Tabel 7.  editing  data  untuk  menambah  data  baru  dapat dilakukan dengan mengklik jendela dialog Edit dataset.  satu  kelompok  menggunakan  metode  baru  dan  lainnya  mengikuti  prosedur  latihan  yang  standar.  Suatu metode training yang baru telah diusulkan dan pengujian dilakukan  untuk  membandingkan  metode  baru  tersebut  dengan  prosedur  yang  standar.  isikan  angka‐angka  kode  dari  metode  baru  (misalkan  dengan  kode  1)  dan  metode  standar  (kode  2).  pilih  Dataset  aktif.  Pengujian Perbedaan Rata‐rata Dua sampel saling bebas (Independent  sample t‐test)  Misalkan  suatu  metode  perakitan  produk  dalam  pabrik  tertentu  memerlukan  kira‐kira satu bulan masa training untuk seorang pegawai baru untuk mencapai efisiensi  maksimum.  maka  akan  diperoleh  tampilan dataset data7mu yang berisi 3 (tiga) kolom seperti yang terlihat pada Gambar  7.  dan hasilnya dapat dilihat pada tabel berikut.4.        ‐ 98 ‐  .2.1.  dan  kemudian  klik  Pilih  dataset  aktif…  .  Setelah  itu  pilih  data7mu  yang  sudah  tersimpan  sebelumnya.  aktifkan  dulu  data7mu  dengan  menggunakan  menu  Data.  Dua  kelompok yang masing‐masing terdiri dari sembilan pegawai baru dilatih selama periode  waktu  tiga  minggu.  Setelah  proses  input  data  baru  telah  lengkap.  Sehingga pada kolom waktu ini ada 18 data.  pengujian  perbedaan  rata‐rata  dua  sampel  independen  ini dapat dilakukan  setelah data tersedia  di R.    Tabel 7.  yaitu  kolom  pertama  dengan  nama  waktu  yang  berisi data‐data waktu perakitan (baik  dengan metode baru  ataupun metode standar).

4.5.  sehingga  diperoleh  jendela  dialog  seperti  gambar berikut ini. pilih Atur peubah pada dataset aktif.  yaitu  mengkonversi  variabel  metode  menjadi  faktor.  Jendela tampilan untuk hasil editing data baru pada R‐Commander    Untuk  dapat  mengaktifkan menu  Uji‐t  sampel  saling bebas  diperlukan  langkah  awal.©sht90       Statistik Inferensi menggunakan  R‐Commander        Gambar 7. dan kemudian  klik  Konversi  peubah  numerik  ke  faktor…  .         Gambar 7.  Jendela dialog untuk Konversi Peubah Numerik ke Faktor      ‐ 99 ‐  .  Hal  ini  dapat  dilakukan  dengan menggunakan menu Data.

6.  dan  klik  Level  Faktor  pada  pilihan  Sediakan  nama  level dan gunakan pilihan default <sama dengan pubah> pada Nama peubah baru.  Setelah  itu  klik  OK.  Jendela tampilan data baru setelah konversi metode ke faktor      ‐ 100 ‐  .  Jendela dialog untuk Nama level pada peubah baru    Isikan nama level yang sesuai dengan nilai numerik yang akan diberi nama. Untuk melihat perubahan data  akibat  proses  konversi  ini  dapat  dilakukan  dengan  mengklik  pada  jendela  pilihan  Lihat  data set. yaitu  metode  standar  untuk  1  dan  metode  baru  untuk  2. sehingga diperoleh tampilan data7mu baru seperti pada Gambar 7.©sht90       Statistik Inferensi menggunakan  R‐Commander    Selanjutnya  pilih  variabel  metode.7.        Gambar 7. Klik  OK sehingga diperoleh tampilan seperti berikut ini.7 berikut.  dan  proses  konversi variabel dari numerik ke faktor telah dilakukan.        Gambar 7.

         Gambar 7. hasil editing dengan menambahkan variabel baru dengan jumlah data  lebih  banyak  daripada  variabel  yang  lama  menyebabkan  variabel  yang  lama  mengan‐ dung data missing. Klik  metode  pada  jendela  Kelompok. hipotesis statistika yang digunakan adalah          H0  :  μ1 − μ 2 ≤ 0   atau    μ1 ≤ μ2   H1  :  μ1 − μ 2 > 0   atau    μ1 > μ2   dengan  μ1  adalah rata‐rata populasi untuk waktu merakit dengan prosedur standar. Kemudian pilih Asumsi variansi sama dengan mengklik salah satu pilihan  yang  ada.   Tahap  selanjutnya  adalah  proses  pengujian  perbedaan  rata‐rata  untuk  data  di  atas.  Dalam kasus ini. sehingga diperoleh jendela dialog seperti pada Gambar 7.  Jendela dialog untuk Uji‐t Sampel Saling Bebas    Setelah  itu. dan   μ 2  menyatakan rata‐rata populasi untuk waktu merakit dengan prosedur baru.95  yang  berarti α=5%).  pilih  Interval  Keyakinan  yang  digunakan  (misalkan  saja  0.        ‐ 101 ‐  .  dan  kemudian  pilih  Uji‐t  sampel saling bebas….  dan  waktu  pada  jendela  Peubah  respon.  yaitu  klik  Selisih>0.  Hasil  dari  pengujian  perbedaan  rata‐rata  untuk  kasus  waktu  merakit  di  atas secara lengkap dapat dilihat pada output berikut ini.  serta  pilih  Hipotesis  Alternatif  yang  sesuai  dengan  permasalahan  di  atas.  Setelah  semua  isian  dialog  sudah  sesuai  dengan  pengujian  yang  akan  dilakukan.8.©sht90       Statistik Inferensi menggunakan  R‐Commander    Sebagai catatan.8.  misalkan  saja  Ya  (pada  bagian  selanjutnya  hal  ini  akan  diuji  dengan  menggunakan  fasilitas  yang  ada  di  R‐Commander).  pilih  Rerata.  yaitu  dengan  memilih  menu  Statistika.  klik  OK  untuk  menampilkan  output  dari  pengujian  ini.

 var. p‐value = 0.©sht90       Statistik Inferensi menggunakan  R‐Commander       > fix(data7mu)  > data7mu$metode <‐ factor(data7mu$metode.2142871        Inf   sample estimates:  mean in group metode standar    mean in group metode baru                                           35. maka pada α=0.2.  kondisi  jalan.test(waktu~metode.  faktor  pengemudi. yaitu ban A dan B.                  data=data7mu)            Two Sample t‐test    data:  waktu by metode   t = 1.  Berdasarkan  data  pada  Tabel  7. df = 16.05927.  Mobil‐mobil  tersebut  dijalankan  untuk  sejauh  km  tertentu  dan  jarak  keawetan  (jarak  sampai  diperoleh  ban  mengalami  kerusakan  tertentu)  dicatat  untuk  setiap  ban.95. conf.equal=TRUE.     7.6495.  tentukan  apakah  hasil  ini  memberikan  cukup  bukti  untuk menyatakan bahwa ada perbedaan tingkat keawetan untuk kedua jenis ban mobil  tersebut.level=.22222                                      31.  Dalam  percobaan  ini.  Hasil  pengukuran  dari  percobaan  ini  (dalam  ribu  km)  dapat  dilihat  pada  Tabel  7.05927  alternative hypothesis: true difference in means is greater than 0   95 percent confidence interval:   ‐0.         ‐ 102 ‐  . labels=c('metode standar'. alternative='greater'.  dan  faktor‐faktor  lain  yang  diduga  berpengaruh  terhadap  tingkat  keawetan  pemakaian  ban  diharapkan  dapat  dikendalikan  dengan  cara  me‐ lakukan  pengacakan  letak  ban  pada  roda  belakang  setiap  mobil  yang  digunakan.  Pengujian Perbedaan Rata‐rata sampel berpasangan (Paired t‐test)  Misalkan sebuah pabrik ingin membandingkan kualitas keawetan dari dua jenis  ban mobil yang berbeda.6495.  Dengan  menggunakan  kaidah  pengambilan  keputusan berdasarkan p‐value. Untuk perbandingan.05 dapat disimpulkan bahwa pengujian  menunjukkan gagal tolak H0. dan  nilai  p‐value  pengujian  adalah  0.  kondisi  mobil.                                                        'metode baru'))    > t.55556         Hasil ini menunjukkan bahwa nilai statistik t yang diperoleh adalah 1.1. dilakukan eksperimen  dengan  cara  sebuah  ban  jenis  A  dan  sebuah  ban  jenis  B  secara  acak  ditentukan  dan  dipasang  pada  roda  belakang  dari  lima  mobil.3. Dengan demikian dapat dijelaskan bahwa rata‐rata waktu  perakitan dengan metode baru dan metode standar adalah tidak berbeda atau dugaan  bahwa  metode  baru  memberikan  waktu  perakitan  lebih  cepat  adalah  tidak  didukung  oleh data.2.

  Kemudian  pilih  Hipotesis  Alternatif  yang  sesuai  dengan  permasalahan  di  atas.3  Pengujian perbedaan rata‐rata sampel berpasangan dapat dilakukan dengan R‐ Commander setelah data tersedia di R. ban A.8  9.  pilih Dataset baru… .2  9.  yaitu klik Dua‐arah yang menyatakan bahwa hipotesis penelitian adalah ada perbedaan  tingkat keawetan antara ban A dan B. dan ban B. Klik ban.B pada jendela Peubah  kedua.3  9.  sehingga  diperoleh  tampilan data seperti pada Gambar 7.  sehingga  diperoleh  jendela  dialog  seperti  pada  Gambar 7.  Jendela tampilan data untuk Uji‐t berpasangan    Tahap  selanjutnya  adalah  proses  pengujian  perbedaan  rata‐rata  sampel  ber‐ pasangan  untuk  data  di  atas.8  Jenis Ban  Ban  B    10.4  11.10. dan ban.©sht90       Statistik Inferensi menggunakan  R‐Commander    Tabel 7.  3.  Isikan  data  pada  Tabel  7.9.  Tingkat keawetan (dalam ribu km) untuk dua jenis ban      Mobil  Ban  A    1.  yaitu  dengan  memilih  menu  Statistika.9 berikut ini.        Gambar 7.2. Untuk itu.  5. aktifkan dulu R‐Commander dan buat  dataset baru.2  pada  kolom‐kolom  baru  yang  tersedia.A pada jendela Peubah pertama.6  9.  pilih  Rerata.  dan  kemudian  pilih  Uji‐t  berpasangan….7  8.  4.          10.8  12. misalkan saja dengan nama data7mu3 dengan menggunakan menu Data.1  8.  2. Setelah itu buat tiga kolom untuk variabel mobil.      ‐ 103 ‐  .

95.test(data7mu3$Ban.48           ‐ 104 ‐  .A.B. data7mu3$Ban. Setelah semua isian dialog sudah sesuai dengan pengujian yang akan dilakukan.A and data7mu3$Ban.  Jendela dialog untuk Uji‐t Berpasangan    Kemudian.©sht90       Statistik Inferensi menggunakan  R‐Commander    Dalam  contoh  kasus  percobaan  tingkat  keawetan  kedua  ban  ini.3761149 0.B   t = 12.95  yang  berarti  α=5%).8285. alternative='two.                  conf. p‐value = 0.  klik OK untuk menampilkan output dari pengujian seperti berikut ini.10.sided'.        Gambar 7.level=.      > t. paired=TRUE)            Paired t‐test    data:  data7mu3$Ban. df = 4.5838851   sample estimates:  mean of the differences                      0.  pilih  Interval  Keyakinan  yang  digunakan  (misalkan  saja  0.  hipotesis  statistika yang digunakan adalah          H0  :  δ = 0   H1  :  δ ≠ 0   atau ada perbedaan tingkat keawetan  dengan  δ  adalah rata‐rata (populasi) selisih tingkat keawetan ban A dengan ban B.0002128  alternative hypothesis: true difference in means is not equal to 0   95 percent confidence interval:   0.

4.  pilih  Atur  peubah  pada  dataset  aktif.70    1.  Setelah  itu  buat  dua  kolom  untuk  variabel  lokasi.63  1. Dengan demikian dapat dijelaskan bahwa rata‐rata selisih tingkat  keawetan  antara  ban  A  dan  B  adalah  berbeda.  2  dan  3  dipilih  secara acak sebagai sampel.61  1.63  1.       ‐ 105 ‐  .  buat  dataset  baru.59  1.1.61  1.  Dengan  menggunakan  kaidah  pengambilan  keputusan berdasarkan p‐value. dan  nilai  p‐value  pengujian  adalah  0.  seperti  yang  digunakan pada variabel metode pada Uji‐t sampel saling bebas di bagian sebelumnya.55  1. sedangkan di lokasi 4 hanya dua toko yang terpilih (hanya  dua toko ini yang menjual merek tersebut).64  1.3.0002128. maka pada α=0.  Hal  ini  ditunjukkan  oleh  nilai  positif  pada  rata‐rata  selisih  jarak  tempuh  antara  ban  A  dan  B  sampai ban‐ban tersebut rusak.54  1.69  1.3  pada  kolom‐kolom  baru  yang  tersedia.     7.  Hasil  ini  menunjukkan  bahwa  ban  A  mempunyai  tingkat  keawetan  lebih  lama  (jarak  lebih  jauh)  dibanding  ban  B.  misalkan  saja  dengan  nama  data7mu4  dengan  menggunakan  menu  Data.05 dapat disimpulkan bahwa pengujian  menunjukkan tolak H0.  dan  kemudian  klik  Konversi  peubah  numerik  ke  faktor…  .©sht90       Statistik Inferensi menggunakan  R‐Commander    Hasil ini menunjukkan bahwa nilai statistik t yang diperoleh adalah 12.65  1.8285.11.   Seperti  pada  Uji‐t  sampel  saling  bebas.58      Apakah  data  ini  memberikan  bukti  yang  cukup  untuk  menyatakan  bahwa  ada  perbedaan rata‐rata harga roti di toko‐toko pada 4 lokasi di kota tersebut?   Pengujian  perbedaan  rata‐rata  dari  empat  sampel  ini  dapat  dilakukan  dengan   metode  ANAVA  satu  arah  yang  tersedia  di  R‐Commander  setelah  data  tersedia  di  R.  Isikan  data  pada  Tabel  7.  Diperoleh data sebagai berikut :    Tabel 7.  diperlukan  langkah  awal  untuk  mengaktifkan ANAVA satu arah ini.58  1.  Harga sepotong roti merek tertentu pada empat lokasi    Lokasi      Harga (ribu rupiah)        1  2  3  4    1. sehingga diperoleh data seperti pada Gambar 7.  Hal  ini  dapat  dilakukan  dengan  menggunakan  menu  Data.  dan  harga. yaitu mengkonversi variabel lokasi menjadi faktor.54  1.  Empat  toko  pada  lokasi  1.  pilih  Dataset  baru…  .  Untuk  itu.  Analisis Variansi (ANAVA) satu arah (One‐way ANOVA)  Suatu eksperimen dilakukan untuk membandingkan harga sepotong roti (merek  tertentu)  pada  empat  lokasi  di  suatu  kota.

 sehingga diperoleh jendela dialog  seperti pada Gambar 7.       Gambar 7.  Tahap  selanjutnya  adalah  proses  pengujian  ANAVA  satu  arah.  Jendela tampilan data untuk ANAVA satu arah    Dari gambar ini dapat dilihat bahwa struktur data yang digunakan adalah sama dengan  pada pengujian rata‐rata sampel saling bebas (independen).©sht90       Statistik Inferensi menggunakan  R‐Commander        Gambar 7.12.  Jendela dialog untuk ANAVA multi‐arah          ‐ 106 ‐  .  yaitu  dengan  memilih  menu  Statistika.11.  dan  kemudian  pilih  ANAVA  Satu‐arah….  pilih  Rerata.  Selain  itu. dan kemudian pilih ANAVA Multi‐arah… . uji ANAVA satu arah ini dapat juga dilakukan dengan menggunakan menu Statistika.12 berikut ini.  pilih Rerata.

    Sumber   Treatment  Error  Total    d.964  Residuals    0.      > Anova(lm(harga ~ lokasi.rm=TRUE) # std.6200 1. list(lokasi=data7mu4$lokasi).  Selanjutnya.03535534          ‐ 107 ‐  .04500000 0. klik OK untuk menampilkan output dari pengujian seperti berikut ini.f. list(lokasi=data7mu4$lokasi).  dan  harga  pada  jendela  Peubah  respon.  Statistik  uji  yang  digunakan  adalah  uji  F.  dan  bentuk  perhitungannya  disajikan  dalam  suatu  tabel  yang  dikenal  dengan  tabel  ANAVA. na. na.©sht90       Statistik Inferensi menggunakan  R‐Commander    Pada  jendela  dialog  pilihan  ANAVA  multi‐arah  terlihat  bahwa  fasilitas  ini  dapat  digunakan untuk satu atau lebih faktor.000875       3      0. Sehingga kalau hanya satu faktor yang diselidiki.032525     10                   > tapply(data7mu4$harga.6125 1.  hipotesis  statistika  yang  digunakan adalah      H0  :   μ1 = μ2 = μ3 = μ4 = μ  H1  :   minimal ada satu mean populasi yang beda  dengan  μi  adalah  rata‐rata  (populasi)  harga  roti  di  lokasi  i.  Berikut  ini  adalah  bentuk  umum  tabel  ANAVA  satu  arah  untuk  perbandingan rata‐rata k populasi.  k – 1   n – k   n – 1   SS  SST  SSE  SS Total    MS  MST=SST/(k‐1)  MSE=SSE/(n‐k)      F  MST/MSE  Kemudian.06582806 0.  maka fasilitas ini adalah sama saja dengan ANAVA satu arah. deviations  lokasi           1          2          3          4   0. data=data7mu4))  Anova Table (Type II tests)    Response: harga                            Sum Sq     Df     F value     Pr(>F)  lokasi           0. sd.0897      0.6000 1.6050     > tapply(data7mu4$harga. mean.  klik  lokasi  pada  jendela  Faktor.  Pada  contoh  kasus  perbandingan  rata‐rata  harga  ini.rm=TRUE) # means  lokasi       1      2      3      4   1.06377042 0.

08967 on 3 and 10 DF.921      ‐‐‐  Signif.964  Residuals       10    0.02851  56.08000 ‐0.00625  0.00500    0.       ‐ 108 ‐  .01 ‘*’ 0.04939   0.  Dengan  menggunakan  kaidah  pengambilan  keputusan berdasarkan p‐value.2659   F‐statistic: 0.02687  0. Perintah ini secara umum  adalah untuk untuk analisis model linear (linear model).04033   0. dan  nilai  p‐value  pengujian  adalah  0.4]  0.05 dapat disimpulkan bahwa pengujian  menunjukkan  gagal  tolak  H0. data=data7mu4)  > summary(fit)    Call:  lm(formula = harga ~ lokasi.05 ‘.000292    0.101    0.  Berikut  ini  adalah  contoh  penggunakan  perintah  lm  pada  data di atas beserta outputnya.001 ‘**’ 0. codes:  0 ‘***’ 0.   Selain  dengan  menggunakan  perintah  di  R‐Commander.496    0.0897       0.032525     0.763      lokasi[T.310    0.  Dengan  demikian  dapat  dijelaskan  bahwa  rata‐rata  harga  roti di empat lokasi itu adalah sama.84e‐14 ***  lokasi[T.110 7.  p‐value: 0.964     > anova(fit)  Analysis of Variance Table    Response: harga                           Df       Sum Sq     Mean Sq     F value      Pr(>F)  lokasi                3    0.  termasuk  koefisien  regresi yang dapat digunakan untuk menghitung rata‐rata harga roti pada setiap lokasi.04033   0.01250    0. data = data7mu4)    Residuals:       Min       1Q   Median       3Q      Max   ‐0.1 ‘ ’ 1     Residual standard error: 0.003252              Hasil  dengan  perintah  ini  memberikan  output  yang  lebih  banyak.05703 on 10 degrees of freedom  Multiple R‐Squared: 0.60000    0. termasuk juga dapat digunakan  untuk  analisis  regresi  linear.3]  0.©sht90       Statistik Inferensi menggunakan  R‐Commander    Hasil ini menunjukkan bahwa nilai statistik F yang diperoleh adalah 0.02000    0.631      lokasi[T.000875     0. maka pada α=0.’ 0.02375 ‐0.09000     Coefficients:              Estimate Std. Error t value Pr(>|t|)      (Intercept)  1.         > fit <‐ lm(harga ~ lokasi.964.     Adjusted R‐squared: ‐0.0262.0897.2]  0.  dapat  juga  digunakan  command line di R‐Console yaitu menggunakan perintah lm.

  dan  kemudian  klik  Konversi  peubah  numerik  ke  faktor…  . Data hasil eksperimen  ini secara lengkap dapat dilihat pada Tabel 7. Dari gambar ini dapat dilihat bahwa struktur data yang digunakan adalah  sama dengan pada ANAVA satu arah. yaitu jenis material dan temperatur pemakaian. Pada setiap sel kombinasi  perlakuan dilakukan pengulangan (replikasi) sebanyak empat kali.  Analisis Variansi (ANAVA) dua arah (Multi‐way ANOVA)  Suatu  eksperimen  dilakukan  untuk  menguji  apakah  terdapat  efek  (pengaruh)  dari dua faktor.     Tabel 7.5.  misalkan saja dengan nama data7mu5 dengan menggunakan menu Data. temperatur yang dipilih adalah 15.  Data eksperiman terhadap usia pakai baterai (dalam jam)    Temperatur  (0F)  Tipe Material  15  1  2  3  130    155  74     180  150    188  159    126  138    110  168    160  70  34     40  80     75  136    122  106    115  174    120  150    139  125  20     70  82     58  25     70  58     45  96    104  82      60    Apakah data ini memberikan bukti yang cukup untuk menyatakan bahwa ada efek jenis  material dan temperatur terhadap usia pakai baterai?   Untuk  menguji  efek  kedua  faktor  tersebut  dapat  dilakukan  dengan    metode  ANAVA  multi  arah  yang  tersedia  di  R‐Commander. pilih Dataset  baru… .  Isikan  data  pada  Tabel  7.  sehingga  diperoleh  data  seperti  pada  Gambar 7.  Tiga  jenis  material  dan  tiga  macam  temperatur berbeda dipilih secara acak dan digunakan dalam eksperimen ini.  pilih  Atur  peubah  pada  dataset  aktif.  yaitu  mengkonversi  variabel  jenis  material  dan  temperatur  menjadi  faktor.  maka analisis yang digunakan disebut ANAVA dua arah. Dalam  kasus  ini.©sht90       Statistik Inferensi menggunakan  R‐Commander    7.  Untuk  itu.4.  seperti yang digunakan pada variabel lokasi pada ANAVA satu arah sebelumnya.  karena  ada  dua  faktor  yang  akan  diselidiki  pengaruhnya  terhadap  respon.4  pada  kolom‐kolom  baru  yang  tersedia.  buat  dataset  baru.  dan  harga.  diperlukan  langkah  awal  untuk  mengaktifkan  ANAVA  satu  arah  ini.  Seperti  pada  ANAVA  satu  arah.  Setelah  itu  buat dua  kolom untuk  variabel lokasi.  Hal  ini  dapat  dilakukan  dengan  menggunakan  menu  Data. 70.4. Dalam hal  ini. dan 125 (dalam 0F).1.      ‐ 109 ‐  . terhadap lama baterai  tertentu  dapat  bertahan  (usia  pakai  baterai).13.

  Jendela tampilan data untuk ANAVA dua arah    Tahap  selanjutnya  adalah  proses  pengujian  ANAVA  dua  arah.  pilih  Rerata.  dan  kemudian  pilih  ANAVA  Multi‐arah…. yaitu :  1.  Efek faktor Jenis Material    H0   :   αi = 0 (i=1.14.©sht90       Statistik Inferensi menggunakan  R‐Commander        Gambar 7.  dan  usia  pada  jendela  Peubah  respon.  yaitu  dengan  memilih  menu  Statistika.  ada  tiga  hipotesis  statistika  yang  digunakan.  Pada jendela dialog pilihan  ANAVA  multi‐arah  klik  material  dan  temperat  pada  jendela  Faktor.  Pada  contoh  kasus  ini.3)  atau tidak ada efek jenis material terhadap usia pakai    H1   :   minimal ada satu αi  ≠ 0  atau ada efek jenis material terhadap usia pakai      ‐ 110 ‐  .  sehingga diperoleh jendela dialog seperti pada Gambar 7.13.2.

  Efek faktor Temperatur    H0   :   βj = 0 (j=1.©sht90       Statistik Inferensi menggunakan  R‐Commander    2.3)  atau tidak ada efek temperatur terhadap usia pakai    H1   :   minimal ada satu βj  ≠ 0  atau ada efek temperatur terhadap usia pakai    3.      > data7mu5$material <‐ as.j=1.factor(data7mu5$material)  > data7mu5$temperat <‐ as. klik OK untuk menampilkan output dari pengujian ANAVA  dua‐arah seperti  dalam kotak di bawah paragraf ini.2. Hasil ini menunjukkan bahwa ada efek yang signifikan  dari  jenis  material.  Efek interaksi faktor Jenis Material dan Temperatur    H0   :   (αβ)ij = 0 (i. Hal ini ditunjukkan oleh p‐value yang semuanya lebih kecil  dari α=0.’ 0.2.9114       0. data=data7mu5))    Anova Table (Type II tests)    Response: usia                                       Sum Sq    Df      F value        Pr(>F)      material                        39119      2    28.  terhadap usia pakai baterai.14.001 ‘**’ 0.3)  atau tidak ada efek interaksi    H1   :   minimal ada satu βj  ≠ 0  atau ada efek interaksi      Gambar 7.018611 *    Residuals                      18231    27                        ‐‐‐  Signif.909e‐07 ***  temperat                      10684      2      7.1 ‘ ’ 1             ‐ 111 ‐  .factor(data7mu5$temperat)  > Anova(lm(usia ~ material*temperat.5595      0.05 ‘.01 ‘*’ 0.05 pada ketiga efek yang dievaluasi.9677      1.  Jendela dialog untuk ANAVA multi‐arah      Kemudian.  temperatur.001976 **   material:temperat       9614       4      3. codes:  0 ‘***’ 0.  serta  interaksi  antara  jenis  material  dan  temperatur.

61738 25.                    temperat=data7mu5$temperat).50   > tapply(data7mu5$usia.75 3 57. list(material=data7mu5$material.35324 25.rm=TRUE) # means  temperat material 15 70 125 1 134.2  sebelumnya  telah  dibahas  pengujian  rata‐rata  dua  sampel  independen dengan uji t.27866   > tapply(data7mu5$usia.26136 19.rm=TRUE) # std.na(x))) # counts  temperat material 15 70 125 1 4 4 4 2 4 4 4 3 4 4 4       Sebagai  tambahan.75 155.                    temperat=data7mu5$temperat).00 2 57.  standar  deviasi.2.  dan  jumlah  pengulangan pada setiap sel kombinasi antar faktor.75 145.      ‐ 112 ‐  .2.    7.1. list(material=data7mu5$material.59908 12. Dalam uji ini ada dua pilihan berkaitan dengan asumsi varians  dari dua sampel yang diamati.50 85.                    temperat=data7mu5$temperat).1. Untuk menguji kesamaan dua  varians tersebut dapat dilakukan dengan uji F. na.54440 3 26.  dan  kemudian  memilih  Variansi. function(x) sum(!is.  dan  Uji  Levene.97435 2 23.  Berikut ini adalah penjelasan untuk masing‐masing uji tersebut. deviations    temperat material 15 70 125 1 45.©sht90       Statistik Inferensi menggunakan  R‐Commander        > tapply(data7mu5$usia. yaitu Uji‐ F  dua  variansi. Pengujian Kesamaan Variansi   R menyediakan tiga macam pilihan pada pengujian kesamaan variansi.     7. list(material=data7mu5$material.25 119. mean.65899 22.  Uji  Bartlett.85144 19.  Pilihan‐pilihan  analisis  statistika  tersebut  dapat  diperoleh  dengan  memilih  menu  Statistika. yaitu sama atau berbeda.75 144.  Pengujian Kesamaan Dua Variansi   Pada  bagian  7. sd.  hasil  dari  perintah  ANAVA  multi  arah  pada  R‐Commander  juga  menampilkan  output  yang  berisi  nilai‐nilai  mean. na.50 49.

 yaitu  dataset pada bagian 7.2)         Gambar 7.      ‐ 113 ‐  .1.15.©sht90       Statistik Inferensi menggunakan  R‐Commander    Perhatikan  kembali  contoh  kasus  perbandingan  lama  waktu  merakit  produk  antara metode standar dan metode baru yang datanya dapat dilihat di Tabel 7.  Selisih<0.  dan  Selisih>0.15.1.  pilih  Variansi. Setelah  itu  tetapkan  Level  Keyakinan  yang  digunakan  dalam  pengujian  (misalkan  0. Pada contoh kasus perbandingan dua varians dari lama waktu merakit  produk  dengan  metode  standar  dan  metode  baru.  hipotesis  statistika  yang  digunakan  adalah      2 2 H0  :   σ 1 = σ 2    atau  kedua varians adalah sama besar  2 2 H1  :   σ 1 ≠ σ 2    atau  kedua varians adalah berbeda.  dan  waktu  pada  jendela  Peubah respon.  dan setelah itu pilih Uji‐F Dua‐variansi…. sehingga diperoleh jendela dialog seperti pada  Gambar 7.05).  Ada  tiga  pilihan  Hipotesis  Alternatif  atau  H1  yang  dapat  dilakukan.  Pada  contoh  ini  klik  pilihan Dua‐arah sesuai dengan yang dinyatakan pada hipotesis statistika di atas.  klik  metode  pada  jendela  Kelompok. Untuk  melakukan  pengujian  kesamaan  variansi  lama  waktu  merakit  pada  kedua  metode  tersebut.  Statistik  uji  yang  digunakan  adalah  uji  F.  Jendela dialog untuk Uji‐F Dua Variansi    Selanjutnya.  Klik  OK  sehingga  diperoleh  tampilan  output  pada  jendela  keluaran  seperti berikut ini.95  yang  berarti  α=0.  yaitu  Dua‐arah. (Aktifkan terlebih dahulu dataset yang sudah tersimpan sebelumnya.  R  menyediakan  fasilitas  dengan  cara  memilih  menu  Statistika.

2.  Uji Bartlett   R  menyediakan  fasilitas  untuk  pengujian  kesamaan  varians  dari  beberapa  sampel (lebih dari dua sampel). num df = 8.5 tentang  pengujian  tentang  efek  jenis  material  dan  temperatur  terhadap  usia  pakai  baterai. lihat kembali bagian 7.1.2205.  maka  dapat  digunakan  menu  Statistika.  Misalkan  ingin  diketahui  apakah  ada  perbedaan  varians  usia  pakai  baterai  pada  ketiga  jenis  material  yang  digunakan.5) .16.2.test(waktu ~ metode.sided'.         Gambar 7.  sehingga  diperoleh  jendela  dialog  seperti  pada  Gambar 7.220527      Hasil  ini  menunjukkan  bahwa  tidak  ada  perbedaan  varians  dari  lama  waktu  merakit  produk  dengan  metode  standar  dan  metode  baru.  Jendela dialog untuk Uji Bartlett        ‐ 114 ‐  . denom df = 8.05.©sht90       Statistik Inferensi menggunakan  R‐Commander      > var. (Aktifkan terlebih dahulu dataset yang sudah tersimpan sebelumnya.     7.16.  Hal  ini  ditunjukkan  oleh  p‐ value (yaitu 0. Sebagai contoh kasus. data=data7mu2)            F test to compare two variances    data:  waktu by metode   F = 1. alternative='two. p‐value = 0.7849  alternative hypothesis: true ratio of variances is not equal to 1   95 percent confidence interval:   0.95.1. conf.2753114 5.7849) yang lebih besar dari α=0.  dan  setelah  itu  pilih  Uji  Bartlett….4109136   sample estimates:  ratio of variances             1.  pilih  Variansi.level=. yaitu  data7mu5 pada bagian 7.

  Klik OK sehingga diperoleh tampilan output pada jendela keluaran seperti berikut ini.2427  2 2 2 H0  :   σ 1 = σ 2 = σ 3    atau  ketiga varians adalah sama besar  H1  :   minimal ada satu varians yang berbeda. data=data7mu5)      Bartlett test of homogeneity of variances    data:  usia by material   Bartlett's K‐squared = 2.  pilih  material  pada  jendela  Kelompok.test(usia ~ material.  R  menyediakan  fasilitas  untuk  Uji  Levene  yaitu  melalui  menu  Statistika.8321.  yaitu  apakah  ada  perbedaan  varians  usia  pakai  baterai  pada  ketiga  jenis  material  yang  digunakan.     7.2427) yang lebih besar dari α=0.17.        Hasil ini menunjukkan bahwa tidak ada perbedaan varians dari usia pakai baterai pada  ketiga jenis material yang digunakan dalam eksperimen.  pilih  Variansi.          Gambar 7.©sht90       Statistik Inferensi menggunakan  R‐Commander    Selanjutnya. Pada contoh kasus ini.2.05.  Uji  Levene  adalah  uji  yang  dapat  digunakan  untuk  pengujian  kesamaan  varians  dari  beberapa  sampel  (lebih  dari  dua  sampel). hipotesis statistika yang digunakan adalah            > bartlett.  Perhatikan  kembali  contoh  pada  bagian  sebelumnya. Hal ini ditunjukkan oleh p‐value  (yaitu 0. p‐value = 0.  dan  usia  pada  jendela  Peubah respon.  Uji Levene   Seperti  pada  bagian  sebelumnya.  Jendela dialog untuk Uji Levene      ‐ 115 ‐  .  dan  setelah  itu  pilih Uji Levene….3. sehingga diperoleh jendela dialog seperti pada Gambar 7. df = 2.16.

  Setelah  itu. data7mu5$material.  dan  kemudian  memilih  Proporsi. Pilihan‐pilihan analisis statistika tersebut  dapat  diperoleh  dengan  memilih  menu  Statistika. Hal ini ditunjukkan oleh p‐value (yaitu 0.rm=TRUE)            1         2         3   1004.  image  website.  28‐31)  dengan  judul  Multivariate  Data  Analysis.  serta  tingkat  kepuasan konsumen.       ‐ 116 ‐  .      > tapply(data7mu5$usia.  dan  kemudian  klik  dari  dataset  SPSS….  gunakan  R‐Commander  untuk  melakukan  impor  data    file  SPSS  yaitu  HBAT.  pengujian  proporsi  dengan  R  dapat  dilakukan dengan pilihan‐pilihan menu yang tersedia.  Klik OK sehingga diperoleh tampilan output pada jendela keluaran seperti berikut ini.0445    0.SAV  yang  ada  di  buku  Hair  dkk.05.0606     > levene.3632        33                     Seperti  pada  hasil  Uji  Bartlett  sebelumnya. var.  Seperti  pada  contoh  sebelumnya.  hipotesis  statistika  yang  digunakan  adalah        2 2 2 H0  :   σ 1 = σ 2 = σ 3    atau  ketiga varians adalah sama besar  H1  :   minimal ada satu varians yang berbeda.  hal.     7.  (2006. Pengujian Proporsi   R menyediakan dua  macam pilihan pada pengujian proporsi.©sht90       Statistik Inferensi menggunakan  R‐Commander    Selanjutnya.9924  659.SAV  ke  file  R.  Untuk  penjelasan  pengujian  proporsi  ini  digunakan  data  HBAT. data7mu5$material)    Levene's Test for Homogeneity of Variance        Df    F       value     Pr(>F)  group   2    1.3.5152 1838.  hasil  Uji  Levene  ini  menunjukkan  bahwa  tidak  ada  perbedaan  varians  dari  usia  pakai  baterai  pada  ketiga  jenis  material  yang  digunakan dalam eksperimen.  dan  lain‐lain).   Sebagai  tahap  awal.3632) yang lebih  besar dari α=0. na.  pilih  material  pada  jendela  Kelompok.  gunakan  menu  Data. yaitu Uji Proporsi  Sampel Tunggal dan Uji Proporsi Dua Sampel.  Untuk  itu.  kecepatan  pengiriman.  tingkat  persepsi  terhadap  variabel‐variabel  pemasaran  (kualitas  produk.test(data7mu5$usia.  pilih  Impor  data.  Data  tersebut  berisi  data  profil  responden.  dan  usia  pada  jendela  Peubah  respon.

  Hal  ini  sama  dengan  pengujian  untuk  mengetahui  apakah  proporsi  konsumen  yang  menjawab  TIDAK  (tidak  mau melakukan hubungan di masa datang) adalah 0. Pada contoh  ini klik Proporsi Populasi = p0 sesuai dengan hipotesis statistika yang digunakan yaitu          H0  :   p = 0.  ada tiga pilihan  Hipotesis  Alternatif  atau  H1  yaitu  Proporsi Populasi = p0.3. dan isikan angka 0.  Seperti contoh sebelumnya.  Misalkan  dari  100  konsumen  yang  telah  memberikan  jawaban  ingin  diketahui  apakah  ada  perbedaan  proporsi  yang  menjawab  TIDAK  dan  YA.1. Proporsi Populasi < p0.18 berikut ini. Ada dua jawaban yang dapat dipilih. yaitu TIDAK  dan  YA. sehingga diperoleh jendela  dialog seperti pada Gambar 7.50   atau  proporsi yang menjawab TIDAK adalah 0.  Pengujian Proporsi Sampel Tunggal   Pada  data  HBAT  ada  salah  satu  pertanyaan  yang  berkaitan  dengan  apakah  konsumen  akan  melakukan  hubungan  (memesan  kembali)  di  masa  yang  akan  datang  dengan perusahaan (dinotasikan X23).50.50     ‐ 117 ‐  .50  H1  :   p ≠ 0.  Uji  proporsi  sampel  tunggal  pada  R  disediakan  melalui  menu  Statistika.          Gambar 7.18. pilih X23 pada jendela Peubah. dan setelah itu pilih Uji proporsi Sampel‐tunggal….  Jendela dialog untuk Uji Proporsi Sampel‐Tunggal    Selanjutnya.5 pada jendela Hipotesis  nol: p=.©sht90       Statistik Inferensi menggunakan  R‐Commander    7. dan Proporsi Populasi > p0.  pilih  Proporsi.

labels=TRUE. max.                    use.  Pengujian Proporsi Dua Sampel  Salah  satu  variabel  profile  konsumen  pada  data  HBAT  adalah  jenis  perusahaan  (dinotasikan  X2).spss("D:/hair_multivariate_6_data/HBAT.©sht90       Statistik Inferensi menggunakan  R‐Commander    Setelah itu tetapkan Level Keyakinan yang digunakan dalam pengujian (misalkan  0.value.5   X‐squared = 1. alternative='two.5.3.50. to. would not consider    Yes.sav". conf.Table  X23  No. would consider                       55                     45     > prop.95.frame=TRUE)    > .Table <‐ xtabs(~ X23 .4524460 0.value.        > hbat <‐ read.labels=Inf.Table). p=.55        Hasil ini menunjukkan bahwa pengujian gagal menolak H0 yaitu proporsi konsumen yang  menjawab  TIDAK mau  menjalin kembali  hubungan  di  masa datang adalah  0.3173  alternative hypothesis: true p is not equal to 0.  yaitu  magazine  industry  dan  newsprint  industry.5   95 percent confidence interval:   0. null probability 0. Dengan demikian  dapat disimpulkan bahwa tidak ada perbedaan proporsi konsumen yang mau dan tidak  mau menjalin kembali hubungan dengan perusahaan di masa datang.  Klik  OK  sehingga  diperoleh  tampilan  output pada jendela keluaran seperti berikut ini. df = 1.  Hal  ini  ditunjukkan oleh p‐value (yaitu 0.05.level=.95  yang  berarti  α=0.6438546   sample estimates:     p   0.test(rbind(.3173) yang lebih besar dari α=0.  Misalkan  ingin  diketahui  apakah  ada  perbedaan  proporsi  yang  menjawab  TIDAK  dan  YA  pada  per‐ tanyaan  tentang  mau  tidaknya  melakukan  hubungan  kembali  di  masa  datang  dalam  kedua kelompok konsumen industri tersebut.2.    7.data.Table).       ‐ 118 ‐  .sided'. data= hbat )    > .                        correct=FALSE)      1‐sample proportions test without continuity correction    data:  rbind(. p‐value = 0.05)  beserta  Tipe  Ujinya.

 dan pilih X23 pada jendela Peubah respon. Klik OK sehingga  diperoleh tampilan output pada jendela keluaran seperti berikut ini. pilih X2 pada jendela Kelompok.19.  sehingga  diperoleh jendela dialog seperti pada Gambar 7.©sht90       Statistik Inferensi menggunakan  R‐Commander    Uji  proporsi  dua  sampel  adalah  uji  statistik  yang  dapat  dilakukan  untuk  menjawab  permasalahan  tersebut.       ‐ 119 ‐  .          Gambar 7.  Jendela dialog untuk Uji Proporsi dua‐sampel    Selanjutnya. Tetapkan juga Level Keyakinan dan Tipe Uji yang digunakan.  pilih  Proporsi.  dan  setelah  itu  pilih  Uji  proporsi  dua  sampel….19. yaitu  Dua‐arah.  Pada contoh ini hipotesis statistika yang digunakan adalah     H0  :   p1 = p2   atau  proporsi yang menjawab TIDAK mau melakukan  hubungan kembali dimasa datang pada konsumen  magazine industry dan newsprint industry adalah  SAMA  H1  :   p1 ≠ p2   atau ada PERBEDAAN proporsi yang menjawab TIDAK  mau melakukan hubungan kembali dimasa datang  pada konsumen magazine industry dan newsprint  industry      Setelah itu pilih Hipotesis Alternatif atau H1 yang sesuai dengan hipotesis diatas.  R  menyediakan  fasilitas  uji  ini  melalui  menu  Statistika.

 Secara umum ada dua menu yang disediakan R‐Commander untuk analisis  regresi linear. yaitu Regresi Linear dan Model Linear.Table <‐ xtabs(~X2+X23.©sht90       Statistik Inferensi menggunakan  R‐Commander      > .Table)                      X23  X2                   No. data=hbat)    > .1388571  0.95. p‐value = 0. Analisis Regresi Linear   Ada  berbagai  prosedur  dan  library  untuk  melakukan  analisis  data  dengan  berbagai  jenis  persamaan  regresi  yang  disediakan  oleh  R. alternative='two.level=.      ‐ 120 ‐  .9   100    48    > prop. would consider    Magazine industry                      30                  22    Newsprint industry                     25                  23    > rowPercents(.3   100    52    Newsprint industry                   52.5732  alternative hypothesis: two.    7. df = 1. would not consider Yes.4.Table   X‐squared = 0. correct=FALSE)      2‐sample test for equality of proportions without continuity    correction    data:  . Hal ini ditunjukkan oleh p‐value  (yaitu 0.7                42.sided   95 percent confidence interval:   ‐0. Dengan demikian dapat disimpulkan bahwa  jenis  industri  dari  konsumen  tidak  memberikan  perbedaan  terhadap  kemauan  dalam  menjalin kembali hubungan dengan perusahaan di masa datang.2510366   sample estimates:         prop 1                prop 2   0. conf.sided'.3173.1                47.5732) yang lebih besar dari α=0.  baik  model  linear  ataupun  nonlinear.05.  Pada  bagian  ini  akan  dijelaskan  analisis  regresi  linear  yang  disediakan  di  R‐ Commander.5769231         0. would consider Total Count    Magazine industry                    57.5208333        Hasil ini menunjukkan bahwa pengujian gagal menolak H0 yaitu proporsi konsumen yang  menjawab  TIDAK  mau  menjalin  kembali  hubungan  di  masa  datang  antara  konsumen  magazine industry dan newsprint industry adalah SAMA.test(. would not consider Yes.Table                      X23  X2                   No.Table.

1). dan setelah itu pilih Regresi Linier…. Tanda koefisien regresi yang  positif  menjelaskan  bahwa  semakin  besar  tingkat  persepsi  terhadap  kualitas  produk  maka semakin tinggi pula tingkat kepuasan konsumen pada produk HBAT.20. Hal ini ditunjukkan oleh besarnya p‐ value dari uji t (yaitu  2.  Klik  OK  sehingga  diperoleh  output model regresi linear sederhana seperti yang terlihat di halaman 122.  Jendela dialog untuk Regresi Linier    Pada  contoh  kasus  HBAT  ini.  sehingga  diperoleh  jendela  dialog  seperti  pada  Gambar  7. Untuk keperluan ini.  Kemudian  pilih  X19  (tingkat  kepuasan  konsumen)  pada  jendela  Peubah  respon  (variabel  dependen). dan secara default  memuat komponen konstanta dalam model regresinya. pilih Pencocokan Model.  Output  tersebut  menunjukkan  bahwa  persepsi  terhadap  kualitas  produk  ber‐ pengaruh signifikan terhadap kepuasan konsumen.1.  Hal  ini  berarti  output  hasil  estimasi  regresi  linear  disimpan  sebagai  objek  dengan  nama  Regmodel.  dan  pilih  X6  (tingkat  persepsi  konsumen  terhadap  kualitas  produk  HBAT)  pada  jendela  Peubah  eksplanatori  (variabel  independen).90e‐07)  yang lebih kecil dari α=0. R‐Commander menyediakan fasilitas  melalui menu Statistika.  ketik  nama  untuk  model  regresi  linear  yang  akan  diestimasi  (default  adalah  Regmodel.©sht90       Statistik Inferensi menggunakan  R‐Commander    7.1.  Menu  ini  disediakan  terutama  untuk  estimasi  model  regresi  linear  dari  variabel  dependen  yang  bersifat  metrik dengan variabel independen yang semuanya bersifat metrik.20.  Jendela  dialog  pada  variabel  independen  menye‐ diakan  pilihan  satu  atau  lebih  yang  mengindikasikan  bahwa  menu  ini  secara  umum  dapat  digunakan  untuk  analisis  regresi  linear  berganda.  Regresi Linear   Misalkan  akan  diamati  hubungan  antara  tingkat  persepsi  konsumen  terhadap  kualitas  produk  HBAT  (variabel  X6)  dan  tingkat  kepuasan  konsumen  (variabel  X19)  melalui model regresi linear.4.       ‐ 121 ‐  .         Gambar 7.05.

001 ‘**’ 0.01577  0.   Adjusted R‐squared: 0.1)    > hbat$cooks.      ‐ 122 ‐  .1 <‐ lm(X19~X6.1 ‘ ’ 1     Residual standard error: 1. data=hbat)    > summary(RegModel.88746 ‐0.72711 ‐0.25220     Coefficients:                          Estimate      Std.RegModel.36 on 1 and 98 DF.047 on 98 degrees of freedom  Multiple R‐Squared: 0.RegModel.1.RegModel.’ 0. Hasil dari perintah ini dapat dilihat pada Gambar 7. codes:  0 ‘***’ 0.1)      > # perintah untuk mendapatkan gambar garis regresi    > plot(hbat$X6.90e‐07 ***  ‐‐‐  Signif.hbat$X19)  > lines(hbat$X6.01 ‘*’ 0.59765        6.distance(RegModel.151     1. col="red")          Perintah  terakhir  pada  output  diatas  adalah  untuk  mendapatkan  garis  regresi  yang  menjelaskan  hubungan  antara  persepsi  terhadap  kualitas  produk  dengan  kepuasan  konsumen.510     2.2287   F‐statistic: 30.RegModel.  Hal  ini  juga  ditunjukkan  oleh  nilai  koefisien  determinasi  (R2)  model  yang cukup kecil.85641  2. Dari gambar ini dapat  dijelaskan  bahwa  secara  keseluruhan  terdapat  variasi  observasi  yang  besar  dari  garis  regresi  yang  ada. yaitu 0.1 <‐ rstudent(RegModel. Error      t value      Pr(>|t|)      (Intercept)      3.1)    > hbat$hatvalues.2365.1 <‐ fitted(RegModel. data = hbat)    Residuals:       Min       1Q   Median       3Q      Max   ‐1.901e‐07     > # perhatikan hasil dari perintah‐perintah berikut ini    > hbat$fitted.67593        0.1 <‐ hatvalues(RegModel.1 <‐ residuals(RegModel.21.07534         5.2365.1 <‐ cooks.  p‐value: 2.RegModel.RegModel.1)    > hbat$residuals.1)    > hbat$rstudent.©sht90       Statistik Inferensi menggunakan  R‐Commander      > RegModel.68e‐08 ***  X6                    0.41512        0.05 ‘. hbat$fitted.1)    Call:  lm(formula = X19 ~ X6.distance.

  Sedangkan  untuk  variabel  independen.  Misalkan  akan  diteliti  hubungan  antara  tipe  konsumen  berdasarkan  lamanya  menjadi  konsumen  (variabel  X1)  dan  tingkat  persepsi  konsumen  terhadap  kualitas  produk HBAT (variabel X6) terhadap tingkat kepuasan konsumen (variabel X19) melalui  model  regresi  linear  berganda.  Dalam  hal  ini  X1  merupakan  variabel  nonmetrik  yang  terdiri  dari  3  kategori.  1‐5  tahun.  yaitu  kurang  dari  1  tahun.  Untuk  keperluan  analisis  regresi  linear  berganda  ini.  pilih  Pencocokan  Model.22. sehingga diperoleh jendela dialog seperti pada Gambar 7.©sht90       Statistik Inferensi menggunakan  R‐Commander      Gambar 7.  dan  setelah  itu  pilih  Model  Linier….  tidak  terbatas  hanya  untuk  variabel  yang  bersifat  metrik.  dan  lebih  dari  5  tahun.2.21.  Plot observasi dan hasil garis regresi linear    7.  Model Linear   Menu  pilihan  Model  Linier  pada  R‐Commander  bersifat  lebih  umum  daripada  menu  Regresi  Linier  sebelumnya.4.  Pada  menu  ini.  variabel  dependen  dibatasi  hanya  untuk  variabel  yang  bersifat  metrik.  tetapi  juga  dapat  yang  bersifat  nonmetrik  atau  bertipe  kategori  (yang  dalam  pengolahan  data  menggunakan  variabel  dummy).       ‐ 123 ‐  .  R‐Commander  menyediakan  fasilitas  melalui  menu  Statistika.

2).  yaitu  pada  konsumen  1‐5  tahun  (sebesar  1.  Kemudian  pilih  X19  (tingkat  kepuasan  konsumen)  pada  jendela  Formula  Model:  (variabel  dependen).5511)  dan  lebih  dari  5  tahun  (sebesar  1.  Jendela dialog untuk Model Linier    Untuk penyelesaian kasus di atas.2365 menjadi 0. ketik nama objek output model regresi linear  yang akan diestimasi (misal LinearModel.22.©sht90       Statistik Inferensi menggunakan  R‐Commander          Gambar 7. ada dua koefisien regresi yang  ditampilkan.  Jendela  dialog  pada  Formula  Model  menyediakan  banyak  pilihan  dari  model  linear  ataupun  model yang dilinearkan dengan transformasi tertentu. Klik OK sehingga diperoleh output  model regresi linear berganda seperti yang terlihat di halaman 125.2.         ‐ 124 ‐  .5458.  dan pilih X6 + X1 (tingkat persepsi konsumen terhadap kualitas produk HBAT dan jenis  konsumen)  pada  jendela  kanan  dari  Formula  Model  (variabel  independen).  Tanda  koefisien  regresi  yang  positif  pada  kedua  variabel  dummy  tersebut  menjelaskan  bahwa  konsumen  lama  (1‐5  tahun  dan  lebih  dari  5  tahun)  memiliki tingkat kepuasan lebih tinggi dibanding konsumen baru (kurang dari 1 tahun).05.  Output  ini  menunjukkan  bahwa  jenis  (lama  menjadi)  konsumen  dan  persepsi  terhadap kualitas produk berpengaruh signifikan terhadap kepuasan konsumen.  yaitu  naik  dari  0.3940). Khusus untuk variabel jenis konsumen. Hal ini berarti output hasil estimasi regresi  linear  berganda  disimpan  sebagai  objek  dengan  nama  LinearModel. Hal ini  ditunjukkan  oleh  besarnya  p‐value  dari  uji  t  pada  kedua  variabel  tersebut  yang  lebih  kecil dari α=0.  Sebagai tambahan. hasil regresi linear berganda memberikan nilai  koefisien determinasi  (R2)  model  yang  lebih  besar  dibanding  hasil  regresi  linear  sebelumnya.

5706       6.8157 on 96 degrees of freedom  Multiple R‐Squared: 0. ask=FALSE)                ‐ 125 ‐  .effects(LinearModel.2557       5.2)    > hbat$hatvalues.device(theme="col.05293   0.763     8. Adjusted R‐squared: 0.2 <‐ residuals(LinearModel.31e‐09 ***  X6                                0.0778       3.05 ‘.2665       0.001 ‘**’ 0.1 to 5 years]     1.LinearModel.©sht90       Statistik Inferensi menggunakan  R‐Commander            > LinearModel.LinearModel.45 on 3 and 96 DF.1 ‘ ’ 1     Residual standard error: 0.2)    > hbat$cooks.2).distance(LinearModel.  p‐value: < 2.2 <‐ lm(X19 ~ X6 + X1 .2 <‐ fitted(LinearModel.87e‐07 ***  ‐‐‐  Signif.2 <‐ hatvalues(LinearModel.Over 5 years]   1.LinearModel.85973   ‐0.54987   2.2)    > hbat$residuals.1998       7.11380     Coefficients:                                   Estimate   Std.5511       0.426     0.452     3.2)    Call:  lm(formula = X19 ~ X6 + X1.LinearModel. codes:  0 ‘***’ 0.718     1.000903 ***  X1[T.5316   F‐statistic: 38.5458.whitebg")    > plot(all.01 ‘*’ 0.3940       0.LinearModel.distance.’ 0.2)    > trellis.8334       0.99e‐12 ***  X1[T. data = hbat)    Residuals:       Min             1Q        Median         3Q          Max   ‐1. data=hbat)    > summary(LinearModel.2)    > hbat$rstudent.2 <‐ rstudent(LinearModel.2e‐16     > # perhatikan hasil dari perintah‐perintah berikut ini    > hbat$fitted. Error    t value     Pr(>|t|)      (Intercept)                 3.2 <‐ cooks.63250   ‐0.

24.  Menu  pilihan‐pilihan  ini  dapat  diaktifkan  setelah  estimasi  model  linear  sukses  dijalankan.        Gambar 7. pilih Grafik.  Berikut  ini  adalah  menu  pilihan  analisis  grafik  yang disediakan oleh R‐Commander.23.©sht90       Statistik Inferensi menggunakan  R‐Commander    R‐Commander  juga  menyediakan  fasilitas  analisis  grafik  tentang  model  linear  regresi yang telah diperoleh.  Plot Efek pada masing‐masing variabel independe dari Model Linier    ‐ 126 ‐  . dan setelah itu pilih  menu  analisis  grafik  yang  diinginkan. yaitu melalui menu Model.  Jendela dialog untuk analisis lanjutan dari Model Linier    Klik pada pilihan Plot Efek akan menghasilkan output grafik seperti pada gambar berikut  ini.        Gambar 7.

  pilih  menu  Statistika.  pilih  Pencocokan  Model.5.  sehingga  diperoleh jendela dialog seperti berikut.  yang  jawabannya  adalah  YA  dan  TIDAK).  Model  Linier  Tergeneralisir  digunakan  untuk  analisis  model  pada  data  variabel  respon  (dependen)  yang  mengikuti  distribusi  keluarga  eksponensial.  Untuk  keperluan  analisis  regresi  logistik  ini.  Gamma.  inverse.               Gambar 7.  pilih  Pencocokan  Model.  Jendela dialog untuk analisis Model Linier Tergeneralisir  ‐ 127 ‐  . Model Linear Tergeneralisir (Generalized Linear Model)  R‐Commander  menyediakan  fasilitas  untuk  analisis  Model Linier  Tergeneralisir  melalui  menu  Statistika.  dan  quasi‐ poisson.  yaitu  gaussian.  sehingga model yang diperoleh dikenal  dengan model regresi logisitik.©sht90       Statistik Inferensi menggunakan  R‐Commander    7.  Ada  beberapa  famili  distribusi  yang  tersedia  di  R‐Commander.  Misalkan  akan  diteliti  hubungan  antara  tipe  konsumen  berdasarkan  lamanya  menjadi  konsumen  (variabel  X1)  dan  tingkat  persepsi  konsumen  terhadap  kualitas  produk HBAT (variabel X6) terhadap kemauan konsumen untuk membangun hubungan  dengan  perusahaan  di  masa  yang  akan  datang  (variabel  X23.  dan  setelah  itu  pilih  Model  Linier  Tergeneralisir….  quasibinomial.  binomial.25.  poisson.gaussian.  Pada  bagian  ini  hanya  dijelaskan  pada  kasus  famili  distribusi  binomial  yaitu  variabel respon yang mempunyai dua kategori.  Secara  umum.  dan  kemudian  pilih  Model  Linier  Tergeneralisir….

05 ‘. Klik dua kali pada pilihan binomial di jendela Famili.78  on 96  degrees of freedom  AIC: 109. Error     z value      Pr(>|z|)      (Intercept)                 ‐4.2245        1.whitebg")    > plot(all.6071  ‐0.9994       0.001 ‘**’ 0.effects(GLM.8580   2.1 to 5 years]      2.581      0.  Hal  ini  berarti  output  hasil  estimasi  GLM  disimpan  sebagai  objek  dengan  nama  GLM.3165   0.        > GLM. ask=FALSE)          ‐ 128 ‐  .009858 **   X1[T.000854 ***  X6                                 0.’ 0.6566  ‐0.8036       ‐2. yaitu  logit pada  kasus  regresi  logistik ini.0377       0.1).8111        3.201      0.63  on 99  degrees of freedom  Residual deviance: 101.1)    Call:  glm(formula = X23 ~ X1 + X6.1 <‐ glm(X23  ~ X1  + X6 .device(theme="col.  dan  pilih  X1  +  X6  (jenis  konsumen  dan  tingkat  persepsi  konsumen  terhadap  kualitas  produk  HBAT)  pada  jendela  kanan  dari  Formula  Model (variabel independen).6546       1.9110        3. Klik  OK sehingga diperoleh output regresi logistrik seperti berikut ini. data = hbat)    Deviance Residuals:       Min          1Q     Median       3Q       Max    ‐1.01 ‘*’ 0. dan  pilih  Fungsi  hubungan  (link) yang  sesuai. family=binomial(logit).698      0.1.  ketik  nama  objek  output  model  linear  tergeneralisir  (GLM)  yang  akan  diestimasi  (misal  GLM.1).78    Number of Fisher Scoring iterations: 5      > trellis. codes:  0 ‘***’ 0.229733      ‐‐‐  Signif. family = binomial(logit).2697       0.2036      Coefficients:                                     Estimate   Std.000217 ***  X1[T.1 ‘ ’ 1     (Dispersion parameter for binomial family taken to be 1)        Null deviance: 137.Over 5 years]    3.  Kemudian  pilih  X23  (kemauan  untuk  membangun  hubungan  di  masa  datang)  pada  sebelah  kiri  jendela  Formula  Model:  (variabel  dependen).335      0. data=hbat)    > summary(GLM.©sht90       Statistik Inferensi menggunakan  R‐Commander    Untuk  penyelesaian  conoth  kasus  ini.

  Sedangkan  p‐value  dari  uji  Z  untuk  variabel  X6  lebih besar dari α=0.©sht90       Statistik Inferensi menggunakan  R‐Commander    Output  di  atas  menunjukkan  bahwa  jenis  (lama  menjadi)  konsumen  HBAT  berpengaruh  signifikan  terhadap  kemauan  konsumen  untuk  membangun  hubungan  di  masa  yang  akan  datang.05. Tanda koefisien regresi logistik yang positif pada kedua variabel  dummy tersebut menjelaskan bahwa konsumen lama (1‐5 tahun dan lebih dari 5 tahun)  cenderung  di  masa  datang  mempunyai  peluang  yang  lebih  tinggi  untuk  membangun  hubungan kembali dengan perusahaan dibanding konsumen baru (kurang dari 1 tahun).  Seperti  pada  bagian  sebelumnya.  Plot Efek pada masing‐masing variabel independen dari GLM          ‐ 129 ‐  .  Odds  Ratio  adalah  besaran  yang  biasanya  digunakan  dalam  menginterpretasikan  hasil  suatu  model  regresi  logistik.        Gambar 7.  Berikut  ini  adalah  hasil  plot efek pada pilihan analisis grafik pada model regresi logistik untuk kasus diatas.  sedangkan  persepsi  terhadap  kualitas  produk  tidak  ber‐ pengaruh  terhadap  kemauan  untuk  membangun  hubungan  di  masa  datang. hal.05.26.  Secara  lengkap  bagaimana  perhitungan  Odds  Ratio  dan  interpretasinya dapat dilihat di buku Hosmer dan Lemeshow (1989. 40‐47) dengan  judul Applied Logistic Regression.  Hal  ini  ditunjukkan  oleh  besarnya  p‐value  dari  uji  Z  pada  kedua  variabel  dummy  untuk  X1  tersebut  yang  lebih  kecil  dari  α=0.  R‐Commander  juga  menyediakan  fasilitas  analisis  grafik  untuk  evaluasi  model  GLM  yang  telah  diperoleh.

 yang biasanya digunakan dalam analisis regresi. dan analisis kovarians  Membuat suatu matriks rancangan  Nilai prediksi berdasarkan objek model linear  Suatu fungsi generik untuk mengekstrasi residual  model dari objek pada fungsi pemodelan  Metode untuk meringkas (summary)   Mengambil matriks varians‐kovarians dari  parameter utama objek model yang diestimasi  model.©sht90       Statistik Inferensi menggunakan  R‐Commander    7. analisis  varians.matrix  predict  residuals  summary. serta  library dari perintah tersebut.hypothesis  Menguji hipotesis kelinearan  lm  Digunakan untuk mengestimasi model linear.     Linear Model     Perintah  Anova  anova  coef  coeftest  confint  deviance  effects  fitted  formula  Kegunaan   Tabel Anova untuk model linear dan model linear  tergeneralisir (GLM)  Menghitung suatu tabel analisis varians untuk satu  atau lebih model linear yang diestimasi  Suatu fungsi generic untuk mengekstrasi koefisien  model dari obyek pada fungsi pemodelan  Pengujian koefisien yang diestimasi  Menghitung taksiran interval untuk satu atau lebih  parameter dalam model yang diestimasi  Mengembalikan deviance dari objek model yang  diestimasi  Mengembalikan efek dari model yang diestimasi   Suatu fungsi generic untuk mengekstrasi nilai  prediksi objek yang diambil dari fungsi pemodelan  Memberikan suatu cara mengekstrasi formula  yang terintegrasi dengan objek lain   library  car  stats  stats  lmtest  stats  stats  stats  stats  stats  car  stats  linear.6.lm  vcov    stats  stats  stats  stats  stats    ‐ 130 ‐  .  Perintah ini dapat digunakan untuk regresi. Rangkuman perintah dan library yang berkaitan dengan Analisis Regresi   Berikut ini adalah rangkuman perintah dan penjelasan tentang kegunaan.

©sht90       Statistik Inferensi menggunakan  R‐Commander    Pemilihan variabel dalam model      Perintah  add1  Kegunaan   Menghitung semua argumen ‘single terms’  yang  ditambahkan atau dikeluarkan dari model. with known  coefficient 1 rather than an estimatedcoefficient  Select a formula‐based model by AIC  library  stats  AIC  stats  Cpplot  drop1  faraway  stats  extractAIC  stats  leaps  maxadjr  offset  leaps  faraway  stats  step  stats  stats  update. dengan ‘npar’ adalah  jumlah parameter model.  mengestimasi model dan menghitung tabel dari  perubahan di nilai prediksi  Fungsi generic untuk menghitung AIC atau ‘Akaike  information criterion’ untuk satu atau beberapa  objek model yang diestimasi.formula  is used to update model formulae. This typically  involves adding or dropping terms. berdasarkan rumus          ‐2*log‐likelihood + k*npar.  Plot Cp   Menghitung semua argumen ‘single terms’  yang  ditambahkan atau dikeluarkan dari model. atau    k =log(n) untuk BIC atau SBC (Schwarz's Bayesian  criterion).  such as in ageneralised linear model. but updates can  be more general          ‐ 131 ‐  .  mengestimasi model dan menghitung tabel dari  perubahan di nilai prediksi  Menghitung (generalized) AIC untuk model  parametrik yang diestimasi  Pemilihan ‘subset’ dengan `leaps and bounds'  Maximum Adjusted R‐squared  An offset is a term to be added to a linear predictor. dan k = 2 untuk AIC. dengan n adalah banyaknya pengamatan.

measures  This suite of functions can be used to compute  some of theregression (leave‐one‐out deletion)  diagnostics for linear and generalized  linearmodels  lm.test  rstandard  rstudent  vif        car  stats  stats  car    ‐ 132 ‐  .©sht90       Statistik Inferensi menggunakan  R‐Commander    Cek diagnosa kesesuaian model      Perintah  cookd  Kegunaan   Cook's Distances for Linear and Generalized  Linear Models  Cook’s distance  covariance ratio  DBETA  DBETAS  DFFTITS  diagonal elements of the hat matrix  diagonal elements of the hat matrix  library  car  cooks.influence  This function provides the basic quantities which  are used in forminga wide variety of diagnostics  for checking the quality of regression fits  Computes basic statistics.distance  covratio  dfbeta  dfbetas  dffits  hat  hatvalues  stats  stats  stats  stats  stats  stats  stats  stats  influence.diag  stats  outlier. t‐and p‐values forthe regression  coefficients  Bonferroni Outlier Test  standardized residuals  studentized residuals  Variance Inflation Factor  stats  ls. including standard  errors.

plot  leverage. and a plot of  Cook's distances versus rowlabels  Partial Residual Plot  Quantile‐Comparison Plots  adds a line to a normal quantile‐quantile plot  which passes through thefirst and third quartiles  is a generic function the default method of which  produces a normal QQ plotof the values in y  Plot Regression Line  Kegunaan   library  car  car  car  car  car  stats  prplot  qq.level.plot  qqline  faraway  car  stats  qqnorm  stats  reg.line  car  car  car  car  scatterplot.car  plot.plots  influence.plot            Scatterplots with Boxplots  Spread‐Level Plots  ‐ 133 ‐  .plots  panel.plots  cr.©sht90       Statistik Inferensi menggunakan  R‐Commander    Analisis Grafik pada model linear      Perintah  ceres. a Normal Q‐Q plot.matrix  Scatterplot Matrices  scatterplot  spread. a  Scale‐Location plot of sqrt{| residuals |}against  fitted values.lm  Ceres Plots  Component+Residual (Partial Residual) Plots  Regression Influence Plot  Regression Leverage Plots  Panel Function Coplots  Four plots (selectable by which) are currently  provided: a plot ofresiduals against fitted values.

var          Kegunaan   Box‐Cox Family of Transformations  Box‐Cox Transformations for Linear Models  Multivariate Unconditional Box‐Cox  Transformations  Box‐Tidwell Transformations  Constructed Variable for Box‐Cox Transformation  library  car  MASS  car  car  car  ‐ 134 ‐  .test  sf.test  bartlett.test  durbin.test  ncv.test  shapiro.powers  box.test  pearson.test  lillie.cox  boxcox  box.cox.test        lmtest  lmtest  nortest  car  lmtest  car  nortest  car  nortest  nortest  stats  Transformasi Variabel pada model linear      Perintah  box.©sht90       Statistik Inferensi menggunakan  R‐Commander    Pengujian asumsi pada model linear      Perintah  ad.cox.tidwell  box.test  Kegunaan   Anderson‐Darling test for normality  Performs Bartlett's test of the null that the  variances in each ofthe groups (samples) are the  same  Breusch‐Godfrey Test  Breusch‐Pagan Test  Cramer‐von Mises test for normality  Durbin‐Watson Test for Autocorrelated Errors  Durbin‐Watson Test  Levene's Test  Lilliefors (Kolmogorov‐Smirnov) test for normality  Score Test for Non‐Constant Error Variance  Pearson chi‐square test for normality  Shapiro‐Francia test for normality  Performs the Shapiro‐Wilk test of normality  library  nortest  stats  bgtest  bptest  cvm.watson  dwtest  levene.

©sht90 

     Statistik Inferensi menggunakan  R‐Commander 

 
Regresi Ridge      Perintah  lm.ridge    Ridge Regression  Kegunaan   library  MASS 

 
Regresi tersegmentasi (Segmented Regression)      Perintah  segmented  slope.segmented    Kegunaan   Segmented relationships in regression models  Summary for slopes of segmented relationships  library  segmented  segmented 

 
Least Squares Tergeneralisir (Generalized Least Squares)      Perintah  ACF.gls  anova.gls  gls  intervals.gls  lm.gls  plot.gls  predict.gls  qqnorm.gls  residuals.gls  summary.gls    Kegunaan   Autocorrelation Function for gls Residuals  Compare Likelihoods of Fitted Objects  Fit Linear Model Using Generalized Least Squares  Confidence Intervals on gls Parameters  fit Linear Models by Generalized Least Squares  Plot a gls Object  Predictions from a gls Object  Normal Plot of Residuals from a gls Object  Extract gls Residuals  Summarize a gls Object  library  nlme  nlme  nlme  nlme  MASS  nlme  nlme  nlme  nlme  nlme 

 
 

‐ 135 ‐ 

©sht90 

     Statistik Inferensi menggunakan  R‐Commander 

  Model Linear Tergeneralisir (Generalized Linear Model)      Perintah  family  glm.nb  glm  Kegunaan   Family objects provide a convenient way to specify the  details of themodels used by functions such as glm  fit a Negative Binomial Generalized Linear Model  is used to fit generalized linear models, specified by  giving a symbolicdescription of the linear predictor and  a description of the error distribution  Proportional Odds Logistic Regression  library  stats  MASS  stats 

polr   

MASS 

 
Least Squares Nonlinear (Nonlinear Least Squares atau NLS)      Perintah  nlm  nls  Kegunaan   This function carries out a minimization of the function  f using a Newton‐typealgorithm  Determine the nonlinear least‐squares estimates of the  nonlinear modelparameters and return a class nls  object  Allow the user to set some characteristics of the nls  nonlinear leastsquares algorithm  This is the constructor for nlsModel objects, which are  function closuresfor several functions in a list. The  closure includes a nonlinear model formula,data values  for the formula, as well as parameters and their values  library  stats  stats 

nlscontrol  nlsModel 

stats  stats 

 

 
Generalized Nonlinear Least Squares atau GNLS      Perintah  coef.gnls  gnls  predict.gnls     
 

Kegunaan   Extract gnls Coefficients  Fit Nonlinear Model Using Generalized Least Squares  Predictions from a gnls Object 

library  nlme  nlme  nlme 

‐ 136 ‐ 

©sht90 

     Statistik Inferensi menggunakan  R‐Commander 

 
Loess Regression      Perintah  loess  loess.control  predict.loess  Kegunaan   Fit a polynomial surface determined by one or more  numerical predictors,using local fitting  Set control parameters for loessfits  Predictions from a loessfit, optionally with standard  errors  library  stats  stats  stats  stats 

scatter.smooth  Plot and add a smooth curve computed by loessto a  scatter plot   

 
Splines Regression      Perintah  bs  ns  periodicSpline  polySpline  Kegunaan   B‐Spline Basis for Polynomial Splines  Generate a Basis Matrix for Natural C B‐Spline Basis  for Polynomial Splines ubic Splines  Create a Periodic Interpolation Spline  Piecewise Polynomial Spline Representation  library  splines  splines  splines  splines  splines  splines  splines  splines  splines 

predict.bSpline  Evaluate a Spline at New Values of x  predict.bs  splineDesign  splineKnots  splineOrder    Evaluate a Spline Basis  Design Matrix for B‐splines  Knot Vector from a Spline  Determine the Order of a Spline 

 
Robust Regression      Perintah  lqs  rlm     
 

Kegunaan   Resistant Regression  Robust Fitting of Linear Models 

library  MASS  MASS 

‐ 137 ‐ 

©sht90 

     Statistik Inferensi menggunakan  R‐Commander 

 
Structural equation models    Perintah  sem  tsls    Kegunaan   General Structural Equation Models  Two‐Stage Least Squares  library  sem  sem 

 
Simultaneous Equation Estimation      Perintah  systemfit  Kegunaan   Fits a set of linear structural equations using Ordinary  Least Squares(OLS), Weighted Least Squares (WLS),  Seemingly Unrelated Regression (SUR), Two‐Stage  Least Squares (2SLS), Weighted Two‐Stage Least  Squares (W2SLS) or Three‐StageLeast Squares (3SLS)  library  systemfit 

 

 
Partial Least Squares Regression (PLSR) and Principal ComponentRegression (PCR)      Perintah  biplot.mvr  coefplot  crossval  cvsegments  kernelpls.fit  msc  mvr  mvrCv  oscorespls.fit  predplot  scoreplot       
 

Kegunaan   Biplots of PLSR and PCR Models  Plot Regression Coefficients of PLSR and PCR models  Cross‐validation of PLSR and PCR models  Generate segments for cross‐validation  Kernel PLS (Dayal and MacGregor)  Multiplicative Scatter Correction  Partial Least Squares and Principal Components  Regression  Cross‐validation  Orthogonal scores PLSR  Prediction Plots  Plots of Scores and Loadings 

library  pls  pls  pls  pls  pls  pls  pls  pls  pls  pls  pls 

‐ 138 ‐ 

test  standardize    quantreg  quantreg  quantreg  quantreg  quantreg  quantreg        ‐ 139 ‐  .rq  lprq  nlrq  Kegunaan   Anova function for quantile regression fits  Bootstrapping Quantile Regression  locally polynomial quantile regression  Function to compute nonlinear quantile regression  estimates  Additive Nonparametric Terms for rqss Fitting  Quantile Regression Ranks  Quantile Regression  Additive Quantile Regression Smoothing  Quantile Regression Rankscore Test  Function to standardize the quantile regression  process  library  quantreg  quantreg  quantreg  quantreg  qss  ranks  rq  rqss  rrs.rq  boot.©sht90       Statistik Inferensi menggunakan  R‐Commander        Lanjutan: PLSR and PCR    Perintah  scores  Kegunaan   Extract Scores and Loadings from PLSR and PCR  Models  Principal Components Regression  Validation Plots  library  pls  svdpc.fit  validationplot    pls  pls    Quantile Regression      Perintah  anova.

lme  simulate.effects  intervals  intervals.lme  fixed.©sht90       Statistik Inferensi menggunakan  R‐Commander    Linear and nonlinear mixed effects models      Perintah  ACF  ACF.nlme  qqnorm.lme  fitted.lme  anova.lme  summary.lme  lme  nlme  predict.lme  predict.lme  residuals.lme  glmmPQL    Extract lme Random Effects  Extract lme Residuals  Simulate lme models  Summarize an lme Object  Fit Generalized Linear Mixed Models via PQL  nlme  nlme  nlme  nlme  nlme  MASS      ‐ 140 ‐  .lme  Kegunaan   Autocorrelation Function  Autocorrelation Function for lme Residuals  Compare Likelihoods of Fitted Objects  Extract lme Fitted Values  Extract lme Fitted Values  Confidence Intervals on Coefficients  Confidence Intervals on lme Parameters  Linear Mixed‐Effects Models  Nonlinear Mixed‐Effects Models  Predictions from an lme Object  Predictions from an nlme Object  Normal Plot of Residuals or Random Effects from an  lme object  library  nlme  nlme  nlme  nlme  nlme  nlme  nlme  nlme  nlme  nlme  nlme  nlme  random.effects  Extract Random Effects  ranef.

gam    An interactive plotting function for gams  Make predictions from a gam object  extracts the components from a gam in a plot‐ready  form  stepwise model search with gam  summary method for gam    Survival Analysis      Perintah  anova.gam  preplot.replace  A missing value method that is helpful with gams  plot.rvar  ridge  survdiff  survexp  survfit  survreg    Kegunaan   ANOVA tables for survreg objects  Conditional logistic regression  Test the proportional hazards assumption of a Cox  regression  Proportional Hazards Regression  Details of a cox model fit  Robust variance for a Cox model  Ridge regression  Test Survival Curve Differences  Compute Expected Survival  Compute a survival Curve for Censored Data  Regression for a parametric survival model  library  survival  survival  survival  survival  survival  survival  survival  survival  survival  survival  survival      ‐ 141 ‐  .control  gam  Kegunaan   Compare the fits of a number of gam models  Control parameters for fitting gam models  Fit a generalized additive model  library  gam  gam  gam  gam  gam  gam  gam  gam  gam  na.gam  predict.gam  step.detail  coxph.©sht90       Statistik Inferensi menggunakan  R‐Commander    Generalized Additive Model (GAM)      Perintah  anova.gam  summary.gam  gam.zph  coxph  oxph.gam.survreg  clogit  cox.

©sht90       Statistik Inferensi menggunakan  R‐Commander    Classification and Regression Trees      Perintah  cv.rpart  misclass.tree  labels.rpart  solder  text.tree  tree.rpart  partition.control  tree.rpart  prune.tree  deviance.tree  rpart  rpconvert  rsq.rpart  meanvar.tree  tile.screens  tree    Kegunaan   Cross‐validation for Choosing tree Complexity  Extract Deviance from a tree Object  Create Split Labels For an rpart Object  Mean‐Variance Plot for an rpart Object  Misclassifications by a Classification tree  Handles Missing Values in an rpart Object  Plot the Partitions of a simple Tree Model  Follow Paths to Selected Nodes of an rpart Object  Plot a Complexity Parameter Table for an rpart Fit  Displays CP table for Fitted rpart Object  Cost‐complexity Pruning of Tree by error rate  Cost‐complexity Pruning of an rpart Object  Cost‐complexity Pruning of tree Object  Recursive Partitioning and Regression Trees  Update an rpart object  Plots the Approximate R‐Square for the Different  Splits  Snip Subtrees of an rpart Object  Soldering of Components on Printed‐Circuit Boards  Annotate a Tree Plot  Add Class Barplots to a Classification Tree Plo  Select Parameters for Tree  Split Screen for Plotting Trees  Fit a Classification or Regression Tree  library  tree  tree  rpart  rpart  tree  rpart  tree  rpart  rpart  rpart  tree  rpart  tree  rpart  rpart  rpart  rpart  rpart  tree  tree  tree  tree  tree      ‐ 142 ‐  .misclass  prune.rpart  snip.rpart  plotcp  printcp  prune.tree  path.tree  na.

betareg  Summary method for Beta Regression          ‐ 143 ‐  .betareg  Kegunaan   Fitting beta regression models  Plot Diagnostics for a betareg Object  Predicted values from beta regression model  library  betareg  betareg  betareg  betareg  betareg  residuals.betareg  Residuals function for beta regression models  summary.©sht90       Statistik Inferensi menggunakan  R‐Commander    Beta regression      Perintah  betareg  plot.betareg  predict.

 user dapat mengaktifkan jendela grafik baru dengan perintah    > win. qqplot. image. text.  Pada  bagian  ini  akan  diberikan  beberapa  contoh  pembuatan  grafik  dengan  menggunakan  R‐CLI. identify.  Jika user ingin mengaktifkan lebih dari satu jendela grafik dalam sistem operasi  windows. Fungsi‐fungsi yang bersifat interaktif atau interactive graphics functions  Fungsi  dalam  kelompok  ini  memungkinkan  user  untuk  menambahkan  informasi  atau  mengambil  informasi  dari  suatu  plot  yang  telah  ada  menggunakan  alat  seperti mouse.  garis‐garis  atau  keterangan‐keterangan  kedalam  grafik.  persp. gunakan perintah    > graphics.      ‐ 144 ‐  . contour.©sht90         Grafik Menggunakan R‐CLI  BAB 8  GRAFIK MENGGUNAKAN R‐CLI    Secara  garis  besar  ada  dua  cara  untuk  membuat  grafik  dalam  R. abline.  yaitu  dengan  menggunakan  R‐GUI  (lihat  Bab  4)  dan  R‐CLI. Beberapa fungsi tersebut adalah plot. Beberapa fungsi tersebut adalah locator. Semua grafik yang  dibuat akan di plot pada jendela grafik ini.graph()  atau    > windows()  Untuk menutup jendela grafik terakhir yang sedang aktif. hist. yaitu  1.  3.  Aktifkan  jendela  grafik  terlebih  dahulu sebelum membuat suatu grafik.off()    Secara umum perintah untuk pembuatan grafik didalam R dapat dikelompokkan  menjadi 3 kelompok utama. Fungsi‐fungsi plot tambahan atau low‐level plotting commands  Fungsi di kelompok ini dapat digunakan untuk menambahkan informasi tambahan  kedalam  suatu  grafik  yang  telah  dibuat  dengan  fungsi‐fungsi  plot  utama  diatas.  Beberapa  fungsi  yang  termasuk kelompok ini adalah points.off()  atau    > dev.  2.  Fungsi‐fungsi tambahan ini dapat digunakan untuk menambahkan titik‐titik baru. title. Jika user memanggil suatu perintah pembuatan  grafik. legend. lines. maka R secara otomatis akan mengaktifkan satu jendela grafik. Fungsi‐fungsi plot utama atau high‐level plotting commands  Fungsi dalam kelompok ini dapat digunakan untuk membuat suatu plot baru pada  jendela grafik.

default" "bxp" "contour" "dotchart" "frame" "identify" "layout. grid.intervals" "curve" "fourfoldplot" "hist.default" "screen" "stars" "strwidth" "text. Rgraphviz.default" "erase.smooth" "piechart" "plot.  Gunakan  perintah  search() untuk mengetahui nomor direktori tersebut (lihat hasil berikut ini). playwith.©sht90         Grafik Menggunakan R‐CLI    Paket  R  memiliki  beberapa  library  yang  berkaitan  dengan  pembuatan  grafik. dan lain‐lain.default" "pie" "plot.default" "co.contour" "hist" "image.Date" "barplot.screen" "grid" "image" "lcm" "locator" "mosaicplot" "panel. plotrix.screen" "stripchart" "text" "xspline" "assocplot" "axis.design" "points" "rug" "split.  Daftar  dari  perintah  yang  tersedia  pada  library  standar  R  dapat  dilihat  dengan  cara  melihat  nomor  direktori  dari  library  yang  ada  dalam  sistem. rgl.default" "layout" "lines" "matplot" "pairs" "persp" "plot.screen" "coplot" "filled.xy" "rect" "spineplot" "strheight" "symbols" "xinch" "arrows" "axis.  antara  lain  aplpack. Kemudian untuk  melihat daftar perintah  dalam  library  graphics  dapat  digunakan  perintah  objects  diikuti  nomer  urutan  objek  tersebut.      > search()  [1] ".window" "polygon" "segments" "stem" "sunflowerplot" "title" "yinch"       ‐ 145 ‐  . Rgobi.new" "points. iplots.default" "legend" "matlines" "mtext" "par" "plot" "plot.  Ada  banyak  library  lain  yang  dapat  digunakan  untuk  pembuatan  grafik.default" "plot.GlobalEnv"               "package:stats"     "package:graphics"   [4] "package:grDevices" "package:utils"     "package:datasets"   [7] "package:methods"   "Autoloads"          "package:base"          Dari  keluaran  tersebut  dapat  dilihat  bahwa  library  graphics  sebagai  objects  berada  diurutan ketiga  dalam direktori search dari R. lattice.default" "matpoints" "pairs.default" "xyinch" "axis" "axTicks" "boxplot" "close.POSIXct" "box" "cdplot" "contour.  gplot.  Berikut  adalah  perintah‐perintah  yang  ada  dalam  library  graphics  dengan  menggunakan perintah objects(4).show" "lines.        > objects(3)  [1] [5] [9] [13] [17] [21] [25] [29] [33] [37] [41] [45] [49] [53] [57] [61] [65] [69] [73] [77] "abline" "Axis" "barplot" "boxplot.  corrgram.  chplot.  Pada bab ini pembahasan hanya difokuskan pada beberapa perintah yang berhubungan  dengan  pembuatan  grafik  pada  library  standar  yaitu  graphics.

    Tabel 8.1.1.y) dapat digunakan untuk membuat diagram pencar dari data x  dan  y.7.  dapat  digunakan  script R berikut ini.1.        ‐ 146 ‐  .5.1.10.2.1.  Perhatikan  contoh  data  harga  jual  (X  dalam  ribu  rupiah)  dan  volume  penjualan  atau sales (Y dalam juta rupiah) mingguan suatu produk pada tabel berikut ini.6  5  8  1.1.1.sales)        Grafik keluaran dari perintah ini adalah diagram pencar seperti pada Gambar 8.©sht90         Grafik Menggunakan R‐CLI    Pada  bagian  berikut  ini  akan  dibahas  penggunaan  perintah‐perintah  dalam  library graphics diatas berdasarkan jenis kelompok perintah tersebut. Pada paket  R.  Berikut ini adalah penjelasan beberapa fungsi yang termasuk dalam tipe plot utama ini.5.1.1.1.20)  > plot(harga.2.  fungsi‐fungsi  plot  utama  dapat  digunakan  untuk  membuat  suatu  plot  baru  dalam  suatu  jendela  grafik.1)  > sales=c(10.1.1  20      Untuk  membuat  diagram  pencar  dari  data  harga  dan  sales  tersebut.6  10  6  1.  Membuat diagram pencar atau scatter plot dari data x dan y  Perintah plot(x.    8.12.15.1.6.17. perintah plot ini dapat membuat plot/grafik yang bersesuaian dengan tipe dari data.7  5  4  1. Fungsi‐fungsi Plot Utama    Seperti  yang  dijelaskan  sebelumnya.6.12.5.2  15  7  1.3  10  2  2  6  3  1.6.  maka  dengan  perintah‐perintah  grafik  tipe  plot  utama  ini  mengakibatkan  R  akan  menghapus  grafik/plot  yang  telah  ada  tersebut.    8.  Jika  jendela  grafik  yang  sedang  aktif  telah  berisi  suatu  grafik/plot.4  12  9  1  17  10  1.5  12  5  1.3.        > harga=c(1.  Berikut ini adalah beberapa contoh penggunaan plot pada berbagai tipe data.  Data harga dan sales selama 10 minggu pengamatan  Minggu ke  X (harga)  Y (sales)  1  1.  Perintah plot( )    Perintah plot() digunakan untuk menampilkan plot dari suatu data.1.4.

        > plot(sales)  > win. Hal ini berarti jika terjadi kenaikan harga pada  produk ada kecenderungan penjualan akan mengalami penurunan.y)        Berdasarkan diagram pencar diatas dapat dijelaskan bahwa ada hubungan linear negatif  yang cukup kuat antara harga dan sales.1.  perintah  plot(x)  akan  menghasilkan  plot  dari  x  menurut  urutan  waktu  atau  dikenal  dengan  Time  Series  Plot. dan sebaliknya.  Perhatikan  contoh  pemakaian  plot(x)  pada  data  sales  (dalam  juta  rupiah)  mingguan  suatu produk di Tabel 8.    Membuat plot menurut indeks atau urutan waktu (Time Series Plot)  Perintah plot(x) dapat juga digunakan untuk membuat plot dari data x menurut  indeks.  Pada  data  yang  bertipe  runtun  waktu  (time  series).graph()   # membuka jendela grafik baru untuk plot data  > y = ts(sales)  > plot(y)          ‐ 147 ‐  .1 berikut ini.©sht90         Grafik Menggunakan R‐CLI    Gambar 8.  Output diagram pencar dengan perintah plot(x.

 Dari gambar ini  dapat  dijelaskan  bahwa  plot(x)  menghasilkan  Time  Series  Plot  jika  data  bertipe  runtun  waktu (lihat gambar b).2.       ‐ 148 ‐  .        > load("C:\\Kerja_R\\hbat.RData")  > summary(hbat$X1)  Less than 1 year     1 to 5 years     Over 5 years                 32               35               33     > plot(hbat$X1)        Grafik  keluaran  dari  perintah  plot  untuk  variabel  X1  diatas  dapat  dilihat  pada  Gambar  8.  Untuk  ilustrasi  penggunaan  perintah  plot(x)  pada  data  bertipe  faktor. yaitu tipe  konsumen berdasarkan lamanya menjadi konsumen HBAT.2.  Output plot menurut indeks dengan perintah plot(x)    Membuat plot dari data bertipe faktor  Pada  Bab  7  sebelumnya  diberikan  contoh  data  HBAT  yang  mengandung  data  bertipe  faktor.©sht90         Grafik Menggunakan R‐CLI    Grafik keluaran dari perintah plot diatas dapat dilihat pada Gambar 8. Salah satu variabel yang bertipe faktor adalah X1.  aktifkan  kembali  data  HBAT  yang  sudah  tersimpan  di  direktori  C:\Kerja_R  dalam  file  R  dengan nama hbat.        (a)  (b)  Gambar 8.3 berikut ini.RData. Perhatikan perintah‐perintah  berikut untuk memanggil data dan membuat plot pada variabel X1.

1 6.9 33   > plot(hbat$X19~hbat$X1)          ‐ 149 ‐  . "quantile"))  mean sd 0% 25% 50% 75% 100% n Less than 1 year 5.10 7.70 7. statistics=c("mean". Perhatikan perintah dan hasil dari perintah berikut ini.3.  perintah  plot()  juga  dapat  digunakan  untuk  membuat  boxplot  dari  suatu variabel yang bersifat metrik berdasarkan suatu variabel nonmetrik (faktor).0 35 Over 5 years 7.60 8.©sht90         Grafik Menggunakan R‐CLI          Gambar 8.30 7.3 dapat dijelaskan bahwa jumlah konsumen dengan  lama menjadi konsumen 1‐5 tahun adalah kelompok terbanyak dari 100 konsumen yang  menjadi sampel.0779294 5.10 8.7603055 4.   Selain  itu.6983775 6. Misal‐ kan  akan  dibuat  boxplot  tingkat  kepuasan  konsumen  (X19)  berdasarkan  lama  menjadi  konsumen HBAT (X1).5 7."X19"].654545 1.7 5.314286 0.75 9.  Output perintah plot(x) pada data bertipe faktor    Berdasarkan grafik pada Gambar 8.      > numSummary(hbat[.725000 0. "sd". yaitu 35 konsumen.4 32 1 to 5 years 7.45 6.60 9. groups=hbat$X1.35 5.

  Perintah qqnorm(x).  Plot  ini  dapat  digunakan  untuk  menguji  apakah sekumpulan data berasal dari suatu distribusi tertentu. qqplot(x.y)    Perintah‐perintah  ini  digunakan  untuk  membuat  dan  menampilkan  Quantile‐ Quantile  Plots  atau  dikenal  dengan  Q‐Q  plot. Perintah qqnorm digunakan untuk menguji  apakah  suatu  data  mengikuti  Distribusi  Normal.2.4. Data dapat  dikatakan  berasal  dari  distribusi  yang  bersifat  heavier  tail  dibandingkan  dengan  Distribusi  normal  jika  plot  qqnorm  memiliki  bentuk  turun  (dibawah  garis)  pada  bagian  kiri dan naik (diatas garis) pada bagian kanan.©sht90         Grafik Menggunakan R‐CLI      Gambar 8.  perintah  fungsi  plot  tambahan  qqline  dapat  digunakan  untuk  me‐ nambahkan garis dari kuantil pertama ke kuantil ketiga dalam plot qqnorm. atau apakah dua sampel  data memiliki distribusi yang identik (sama).      ‐ 150 ‐  . dan contoh penggunaan  qqplot untuk perbandingan distribusi pada suatu data simulasi.  Output perintah plot(x) pada data metrik (X19) berdasarkan     data yang bertipe faktor (X1)    8.  Berikut  ini  adalah  contoh  ilustrasi  penggunaan  qqnorm  untuk  uji  kecocokan  terhadap Distribusi Normal pada  suatu variabel di  data HBAT. qqline(x).  Bersama  dengan  perintah  qqnorm.1.  sedangkan  perintah  qqplot  dapat  di‐ gunakan  untuk  membuat  perbandingan  dengan  distribusi  yang  lain.

 gunakan variabel  X6  (tingkat  persepsi  konsumen  terhadap  kualitas  produk)  pada  data  HBAT  diatas.        Gambar 8.      > qqnorm(hbat$X6)   # perintah untuk membuat Kuantil‐Kuantil Normal  > qqline(hbat$X6. Dari gambar tersebut dapat dijelaskan bahwa secara visual data tidak berdistribusi  Normal.  Output perintah qqnorm dan qqline pada data X6        ‐ 151 ‐  .col=2)   # kuantil teoritis        Hasil dari perintah qqnorm dan qqline pada data X6 diatas dapat dilihat pada Gambar  8.  Perhatikan perintah‐perintah berikut untuk membuat plot Kuantil‐Kuantil Normal pada  variabel X6.  karena  terdapat  sejumlah  data  dibagian  kuantil  atas  dan  bawah  yang  terletak  diluar garis lurus.5.©sht90         Grafik Menggunakan R‐CLI    Uji kecocokan terhadap Distribusi Normal  Untuk ilustrasi penggunaan perintah qqnorm pada suatu data.5.

©sht90         Grafik Menggunakan R‐CLI    Uji kecocokan terhadap Distribusi Statistik tertentu  Pada  bagian  ini  akan  diberikan  ilustrai  penggunaan  perintah  qqplot  untuk  uji  kecocokan terhadap distribusi tertentu pada suatu data sampel. Misalkan saja diketahui  suatu  data  y  yang  dibangkitkan  secara  random  (mengikuti  distribusi  t  dengan  df=4).  Output perintah qqnorm dan qqline pada data y      ‐ 152 ‐  .df=4)  > qqnorm(y)                # perintah untuk membuat Kuantil‐Kuantil Normal  > qqline(y.  Perintah  simulasi  dan  pengujian  kenormalan  data  adalah  sebagai  berikut.        Gambar 8.6.col=2)        # kuantil teoritis          Berikut adalah output dari perintah qqnorm dan qqline diatas.      > y=rt(100.  Secara  umum  akan  diperoleh  data  yang  bersifat  heavy  tail  karena  dibangkitkan  pada  nilai  df  yang  kecil.

7.       ‐ 153 ‐  . data sebagai y      Output  dari  perintah  diatas  dapat  dilihat  pada  Gambar  8.  Output perintah qqplot pada data y dan Qteori    Sebagai  catatan. bangkitkan sampel data lain dari distribusi t  dengan  df  4.     Gambar 8.  Dari  gambar  ini  terlihat  bahwa  data  secara  visual  relatif  dalam  garis  lurus.  maka  kesimpulan  yang  diperoleh  harus  dikonfirmasi  dengan  menggunakan  uji  statistik  yang sesuai.  Berikut  perintah  pembangkitan  data  dan  qqplot  untuk  perbandingan  distribusi.©sht90         Grafik Menggunakan R‐CLI    Hasil dari perintah qqnorm dan qqline pada data y diatas menunjukkan bahwa  data  tidak  berdistribusi  Normal.y)      # distribusi teoritis pembanding sebagai x.7.  Selanjutnya  data  akan  dicoba  bandingkan  dengan  distribusi t dengan df yang kecil.      > Qteori=rt(200.  karena  sifat  dari  pengujian  secara  grafik  yang  cenderung  subyektif.  sehingga  distribusi  t  dengan  df=4  relatif cukup baik untuk memodelkan data simulasi y diatas.df=4)  > qqplot(Qteori. Untuk itu.

 Berikut ini adalah perintah‐perintah untuk pembuat‐ an histogram pada X19.  Output perintah hist pada variabel X19 data hbat      ‐ 154 ‐  .©sht90         Grafik Menggunakan R‐CLI    8.  Untuk  pilihan  lain  yang  tersedia  berkaitan  dengan  pembuatan  histogram  dapat  dilihat  pada help perintah hist.col="green". Misalkan akan dibuat histogram dari variabel tingkat kepuasan  konsumen HBAT atau variabel X19.  Perhitungan banyaknya kelas interval secara default di R menggunakan metode Sturges.1.8.border="pink")    > # Perhatikan perbedaan output histogram yang ditampilkan      Berikut  ini  adalah  output  histogram  pada  perintah  hist  yang  terakhir.        Gambar 8.  yaitu  yang  melibatkan argumen banyaknya kelas interval beserta warna histogramnya.breaks=20)  > hist(hbat$X19.      > hist(hbat$X19)  > hist(hbat$X19.breaks=20.  Perintah hist(x)    Perintah hist digunakan untuk membuat plot histogram dari suatu data tertentu.3.

z.      Gambar 8.4.…).y.  Sedangkan  perintah  image  dan  contour  digunakan  untuk  membuat  plot  proyeksi dua dimensi dari data tersebut.5  > x=seq(‐20.y.theta=30.©sht90         Grafik Menggunakan R‐CLI    8.y.y.z. contour(x.y.0.z)                     # plot dimensi tiga dari x. dan z dengan sudut default  > persp(x.20.z)  > contour(x.y.z.20.y^2.col="green")   # sudut dan warna beda    > # Perhatikan perbedaan output plot tiga dimensi  yang ditampilkan    > image(x.  Output perintah persp pada data simulasi      ‐ 155 ‐  .…). perhatikan script berikut ini. Untuk ilustrasi penggunaan ketiga perintah dan  outputnya. persp(x.y.      > y=seq(‐20.z.5)  > z=outer(x^2.9.1. phi=30."*")    # z = x^2 + y^2 untuk semua elemen x dan y  > persp(x.z)      Berikut ini adalah output dari perintah persp dan tambahan argumen‐argumen diatas.5)          # bilangan antara ‐20 dan 20 dengan jarak 0.0.…)    Perintah  persp  adalah  perintah  yang  digunakan  untuk  membuat  plot  tiga  dimensi. y.  Perintah image(x.

5. yaitu axis akan ditampilkan pada plot.  Default  nilai  dari  add  adalah add=FALSE. ylab=string.1. Argumen sub berfungsi untuk menampilkan subjudul.  Berikut  ini  adalah beberapa pilihan tipe yang tersedia.       ‐ 156 ‐  .  dan  judul  dari  grafik. main=string. sub=string  Argumen  ini  bertujuan  untuk  memberi  keterangan  dari  axis  x.  Argumen‐argumen untuk fungsi plot utama    Secara lengkap argumen‐argumen untuk fungsi plot utama dapat dilihat dengan  perintah help(plot).  y. Default nilai  dari axes adalah axes=TRUE. Hal  ini  berguna  apabila user akan membuat setting  sendiri terhadap tampilan dari axis pada plot dengan perintah axis().©sht90         Grafik Menggunakan R‐CLI    8. biasanya diletakkan  dibawah axis x.  log=”x”.  y  atau  keduanya  menjadi berskala log.  Sehingga  plot  yang  dibuat  bersifat  seperti  fungsi  plot  tambahan.  type=  Argumen  ini  bertujuan  untuk  menentukan  tipe  dari  plot  yang  dibuat.  add=TRUE  Argumen  add=TRUE  dapat  digunakan  untuk  melakukan  setting  agar  plot  yang  dibuat  ditambahkan  kedalam  plot  yang  telah  ada.  xlab=string. (Catatan: contoh penggunaan adalah  type=”l” untuk membuat plot garis atau lines)       .  axes=FALSE  Argumen  axes=FALSE  dapat  digunakan  untuk  melakukan  setting  agar  axes  dari  suatu plot tidak  ditampilkan.  yaitu  fungsi  plot  utama.  Perintah  ini  hanya  dapat  digunakan  untuk  beberapa  fngsi  plot  utama. Berikut ini adalah beberapa argumen dan kegunaannya pada fungsi  plot. log=”xy”  Argumen  ini  bertujuan  untuk  merubah  satuan  dari  sumbu  x. log=y”.

labels. Berikut ini adalah  adalah penjelasan beberapa fungsi yang termasuk dalam tipe plot tambahan ini.      points(x. yaitu  • legend(    .b) bertujuan untuk menambahkan garis lurus y=a+bx pada          plot yang telah ada. Hasil      yang sama dapat diberikan dengan menggunakan argumen main dan sub dari  fungsi plot utama.  text(x.  lines(x.…)  Perintah ini dapat digunakan untuk menambahkan suatu teks pada koordinat x  dan y.legend.…)  Perintah ini dapat digunakan untuk membuat legend dari suatu plot pada posisi  yang diberikan koordinat x dan y.y.b).y.©sht90         Grafik Menggunakan R‐CLI    8.  legend(x. Sedangkan perintah abline(h=y) dan abline(v=x) digunakan  untuk membuat garis horisontal atau vertikal sesuai dengan lokasi yang          diberikan pada h=y atau v=x.        ‐ 157 ‐  . Beberapa argumen tambahan diberikan pada  perintah legend (v menunjukkan suatu vektor yang bersesuaian nilainya dengan  keterangan pada argumen legend).y)  Perintah ini bertujuan untuk menambahkan garis menurut koordinat yang  diberikan dalam x dan y.lty=v)    untuk memberikan line type yang digunakan dalam plot  • legend(    .  ablines(a. Fungsi‐fungsi Plot Tambahan   Ada  beberapa  macam  fungsi  plot  tambahan  atau  low  level  graphics  function  yang  dapat  digunakan  untuk  memperbaiki  tampilan  atau  menambahkan  sejumlah  keterangan dalam plot yang telah dibuat dengan fungsi grafik utama.col=v)   untuk memberikan warna dari titik atau garis dalam plot  • legend(    . abline(v=x)  Perintah ablines(a.lwd=v)  untuk memberikan line width dari garis dalam plot  title(main.sub)  Perintah ini bertujuan untuk memberikan judul dan subjudul dari plot.2.y)  Fungsi atau perintah ini dapat digunakan untuk menambahkan titik‐titik pada  koordinat yang diberikan oleh x dan y. abline(h=y).

  locator()  Perintah ini berguna untuk pemilihan lokasi dalam suatu plot secara interaktif. label atau legend pada posisi      yang lebih tepat dalam grafik.      ‐ 158 ‐  .©sht90         Grafik Menggunakan R‐CLI    8.  identify(x. Fungsi‐fungsi Plot yang bersifat interaktif   Ada  beberapa  macam  fungsi  plot  interaktif  yang  juga  dapat  digunakan  untuk  memperbaiki tampilan atau menambahkan sejumlah keterangan dalam plot yang telah  dibuat dengan berinteraksi R menggunakan mouse. Notasi Matematika pada Plot   Sejumlah fasilitas untuk menambahkan simbol persamaan matematika kedalam  suatu plot tersedia pada R. dan membuat plot yang bersesuaian dengan spesifikasi      yang diberikan pada argumen type.4.  Untuk  mengetahui  beberapa  contoh  notasi  hasil  dari  perintah plotmath. lakukan perintah‐perintah berikut ini.y.labels)  Perintah ini dapat digunakan untuk meletakkan label (atau nomer indeks dari   data jika argumen label tidak diberikan) dari titik‐titik yang diberikan dalam x     dan y.3. R menunggu user untuk memillih n (maksimum 512) lokasi  pada plot yang ada.      > help(plotmath)    > example(plotmath)      # Terdiri dari beberapa perintah dengan plotmath    > demo(plotmath)      Berikut  ini  adalah  salah  satu  contoh  pemakaian  perintah  plotmath  untuk  pembuatan  persamaan matematika pada suatu plot data.      locator(n. Informasi lengkap berkaitan dengan fasilitas ini dapat dilihat  dengan  perintah  help(plotmath).type)  Dengan perintah ini.  misalnya berguna untuk menempatakan teks. Berikut ini adalah adalah penjelasan  beberapa fungsi yang termasuk dalam tipe plot tambahan ini.      8.

  +         main = expression(paste(plain(sin) * phi. at = c(‐pi. 4. pi).        Gambar 8. pi/2. pi))        Hasil dari script yang melibatkan perintah matplot diatas adalah sebagai berikut. 0. "  and  ".main = "blue")    > axis(1. cos(x))    > matplot(x. ‐pi/2. ‐pi/2.  +         col.  +         ylab = expression("sin" * phi.  +                                 plain(cos) * phi)). xaxt = "n". y. len = 101)  > y <‐ cbind(sin(x).  Output perintah pembuatan notasi matematika pada plot        ‐ 159 ‐  . 0.©sht90         Grafik Menggunakan R‐CLI      > x <‐ seq(‐4.10. type = "l".  +      labels = expression(‐pi. phi)). # only 1st is taken  +         xlab = expression(paste("Phase Angle ". "cos" * phi). pi/2.

3))  > hist(hbat$X19)     # Plot pertama sebuah histogram  > plot(hbat$X6. yaitu  dengan menggunakan perintah ?par.  yaitu  dengan  menggunakan  perintah  par.  Setting  ini  dapat  diubah  sedemikian  hingga  dalam  satu  jendela  grafik  dapat  dibuat  lebih  dari  satu  grafik.  Hasil ini memberikan gambaran kepada user beberapa keunggulan pembuatan plot pada  R. khususnya multi plot pada satu tampilan bersama‐sama.  yaitu  2  baris  dan  3  kolom. Berikut adalah parameter‐parameter tersebut.RData.graph()  > par(mfrow=c(2.hbat$X19. Setting parameter grafik   Default  dari  R  dalam  setiap  jendela  grafik  hanya  akan  dibuat  plot  dari  satu  grafik.3)).type="l")    # Plot urutan indeks        Output  dari  perintah‐perintah  diatas  dapat  dilihat  pada  Gambar  8.5.hbat$X19)    # Plot kelima sebuah box‐plot  > plot(hbat$X19.11  di  halaman  147.  Perintah  par  (singkatan  dari  kata  partisi)  ini  diikuti  dengan  argumen  mfrow  (singkatan  dari  multi  figure  row).  Misalkan  akan  dibuat  6  grafik  dalam  satu  halaman.        > win.              ‐ 160 ‐  .plot(hbat$X6)    # Plot keempat sebuah kuantil‐kuantil normal dari X6  > plot(hbat$X1.  maka  dapat  digunakan  perintah  par(mfrow=c(2.©sht90         Grafik Menggunakan R‐CLI    8.  Berikut  ini  adalah  contoh  perintah  untuk  pembuatan  6  grafik  dalam  satu  halaman  dengan  melibatkan  variabel‐ variabel pada data hbat.main="Diagram pencar X6 vs X19")     # Plot kedua  > qqnorm(hbat$X19)    # Plot ketiga sebuah kuantil‐kuantil normal dari X19  > qq.   Keterangan  lanjut  berkaitan  dengan  setting  dari  parameter‐parameter  untuk  grafik atau Graphical Parameters dapat dilihat pada menu help dari perintah par.

11.©sht90         Grafik Menggunakan R‐CLI        Gambar 8.  Output perintah pembuatan plot dengan setting parameter grafik      ‐ 161 ‐  .

  yaitu  peramalan  kuantitatif  dan  kualitatif.  dan  model ekonometrik.  bagian  pemasaran  suatu  perusahaan  yang  ingin mengetahui permintaan suatu produk di masa mendatang.  tujuan  dari  analisis runtun waktu adalah untuk menemukan bentuk pola dari data di masa lalu dan  menggunakan  pengetahuan  ini  untuk  melakukan  peramalan  terhadap  sifat‐sifat  dari  data di masa yang akan datang.   Sedangkan metode peramalan kuantitatif dilakukan dengan menggunakan data  masa  lalu  yang  tersedia.  yang  menunjukkan  pergerakan  IHSG  setiap  hari. Teknik peramalan  yang  termasuk  pendekatan  ini  diantaranya  adalah  analisis  regresi  berganda.©sht90    Analisis Runtun Waktu dengan R  BAB 9  ANALISIS RUNTUN WAKTU DENGAN R    Dalam dunia usaha yang terus menerus berubah dengan cepat.  Peramalan  kualitatif  dilakukan  jika  data  yang  tersedia  tidak  ada  atau  tidak  mencukupi. data bulanan mengenai konsumsi masyarakat  akan  daging  ayam  dan  sapi. seorang manajer  harus  mampu  menganalisis  lingkungan  yang  terus  berubah  dan  dapat  memprediksi  berbagai kemungkinan di masa depan. yaitu :  Pendekatan Causal (sebab‐akibat)  Metode peramalan kelompok ini membahas proyeksi suatu kejadian berdasarkan  variabel‐variabel yang diduga mempengaruhi kejadian tersebut. Kemampuan untuk meramal atau forecast masa  depan  usaha  menjadi  penting  sebagai  dasar  pengambilan  keputusan  strategis  bagi  kelangsungan  perusahaan. atau pemerintah ingin  mengetahui dan memperkirakan berapa laju inflasi tahun‐tahun mendatang.  atau  data  harian  dari  Indeks  Harga  Saham  Gabungan  (IHSG)  di  Bursa  Efek  Jakarta.  Secara  umum.  misalnya  dalam  proyek  peluncuran  produk  baru.  Berbagai teknik untuk melakukan peramalan masa depan berdasarkan pada data  masa  lalu  telah  dikembangkan  berdasarkan  pada  pengetahuan  akan  ilmu  statistika.  Bab ini akan membahas penerapan paket R pada model peramalan dengan pendekatan  time series yang banyak digunakan untuk melakukan kegiatan peramalan.  Metode  peramalan  kualitatif biasanya dilakukan secara subyektif.  Secara  umum  metode  peramalan  kuantitatif  terbagi  atas  dua  kelompok utama. atau  diamati  berdasarkan  urutan  waktu.  data  bulanan  tentang  jumlah  impor/ekspor  komoditas  tertentu.      ‐ 162 ‐  .  Pendekatan Time Series  Metode  peramalan  kelompok  ini  membahas  proyeksi  masa  depan  dari  suatu  variabel didasarkan pada data masa lalu dan sekarang.  Beberapa  contoh  time  series  adalah  data  bulanan  tentang harga sembilan kebutuhan pokok.  Sebagai  contoh. seperti teknik Delphi dan expert opinion.  Data runtun waktu atau time series adalah data yang dikumpulkan.  Secara  umum  ada  dua  pendekatan  untuk  peramalan. dicatat.

  misalkan  akan  dilakukan  peramalan  jumlah  penumpang  pesawat udara internasional pada data AirPassengers yang sudah tersedia di R.  tseries.  exponential  smoothing. TSA. fracdiff. Dengan  menulis  langsung  nama  data  tersebut  pada  R‐Console. strucchange.  Sebagai  contoh  kasus.  Yt + k . fArma. persamaan linear dari trend linear dapat ditulis sebagai  berikut :    ˆ Yt = a + bt .  ARIMA.  Selain  pada  library  standar  yaitu  stats. Secara  matematis.  analisis  runtun  waktu  lebih  lanjut  dapat  dilakukan  dengan  menggunakan  library  fSeries. dan t adalah kode dari urutan periode waktu (biasanya t=1. seperti model  tren.  forecasting.  Pembahasan  tentang  perintah‐perintah  di  R  untuk  analisis  runtun  waktu  di  bab  ini  akan  difokuskan  pada  penggunaan perintah di R‐Console.     9.©sht90    Analisis Runtun Waktu dengan R    R  menyediakan  banyak  library  untuk  analisis  runtun  waktu  atau  dikenal  juga  dengan  Time  Series  Analysis.2. dan masih banyak yang lain.  maka  akan  diperoleh  tampilan  data runtun waktu mulai Januari 1949 sampai dengan Desember 1960 seperti berikut.  dan  Neural  Networks.      > AirPassengers            Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec  1949 112 118 132 129 121 135 148 148 136 119 104 118  1950 115 126 141 135 125 149 170 170 158 133 114 140  1951 145 150 178 163 172 178 199 199 184 162 146 166  1952 171 180 193 181 183 218 230 242 209 191 172 194  1953 196 196 236 235 229 243 264 272 237 211 180 201  1954 204 188 235 227 234 264 302 293 259 229 203 229  1955 242 233 267 269 270 315 364 347 312 274 237 278  1956 284 277 317 313 318 374 413 405 355 306 271 306  1957 315 301 356 348 355 422 465 467 404 347 305 336  1958 340 318 362 348 363 435 491 505 404 359 310 337  1959 360 342 406 396 420 472 548 559 463 407 362 405  1960 417 391 419 461 472 535 622 606 508 461 390 432             ‐ 163 ‐  .1.  dengan a dan b adalah koefisien‐koefisien persamaan linear yang akan dicari berdasar‐ kan data yang ada.…).  Model Trend Linear  Prinsip dari model Trend Linear adalah mencari persamaan trend linear dari data  dan  menggunakannya  untuk  mendapatkan  ramalan  pada  waktu‐waktu  yang  akan  ˆ datang. Pada bagian  ini akan dibahas penggunaan R untuk analisis model‐model runtun waktu.

09233     28.  Berikut  adalah  script  R  dan  output persamaan tren linear pada data AirPassengers. 1949‐1960".001 ‘**’ 0.’ 0.757  24.type="o".     Adjusted R‐squared: 0. xlab="monthly.71635     11. codes:  0 ‘***’ 0.©sht90    Analisis Runtun Waktu dengan R    Analisis  tren  linear  dapat  dilakukan  dengan  menggunakan  perintah  lm  atau  linear  model  seperti  pada  analisis  regresi  linear  di  Bab  7.  Output dari  perintah  ini dapat dilihat pada Gambar 9.2e‐16     > plot(t.727  ‐5.2 on 1 and 142 DF.06 on 142 degrees of freedom  Multiple R‐squared: 0.1 ‘ ’ 1     Residual standard error: 46.        ‐ 164 ‐  .y.858 ‐30.65718 t .78    <2e‐16 ***  ‐‐‐  Signif.1 berikut ini.  p‐value: < 2.36    <2e‐16 ***  t                     2.65278 + 2.        > AirPassengers  > t=1:length(AirPassengers)  > y=AirPassengers  > fit=lm(y~t)  > summary(fit)    Call:  lm(formula = y ~ t)    Residuals:        Min      1Q    Median      3Q      Max   ‐93.  Persamaan  tren  linear  ini  menunjukkan  bahwa  setiap  bulan  ada  kenaikan  jumlah  penumpang pesawat udara internasional yaitu rata‐rata sebesar 2.65718.05 ‘.8526   F‐statistic: 828.489 164. ylab="Air Passengers")  > abline(fit)      Berdasarkan  output  perintah  summary(fit)  dapat  dijelaskan  bahwa  persamaan  tren  linear untuk data AirPassengers adalah    ˆ Yt = 87.  Dua  perintah  terakhir  pada  script  diatas  digunakan  untuk  membuat  ilustrasi  grafik  yaitu plot antara  data  aktual dengan  nilai‐nilai prediksinya. Error  t value   Pr(>|t|)      (Intercept) 87.999     Coefficients:                        Estimate  Std.65278    7.01 ‘*’ 0.65718    0.8536.

  Output model tren linear pada data AirPassengers    9.              optim. dan model Holt‐Winters (untuk data dengan  pola musiman dengan atau tanpa tren).  Model Exponential Smoothing  Prinsip  dari  metode  Exponential  Smoothing  adalah  menggunakan  nilai  peng‐ halusan  secara  eksponensial  sebagai  ramalan  dari  kejadian  di  satu  waktu  yang  akan  ˆ datang. Penggunaan dari perintah ini adalah seperti berikut.start = c(alpha = 0.  Secara  umum  ada  tiga  macam  model  eksponensial. l.      HoltWinters(x. beta = NULL.start = NULL. gamma = 0.periods = 3.control = list())        ‐ 165 ‐  .©sht90    Analisis Runtun Waktu dengan R    Gambar 9. gamma = NULL. eksponensial ganda yang dikenal dengan  model Holt (untuk data dengan pola tren). alpha = NULL.1).start = NULL. b.1.3. "multiplicative").              optim.              seasonal = c("additive".              start.   R menyediakan fasilitas untuk ketiga model tersebut dengan satu perintah yaitu  HoltWinters.start = NULL. beta = 0.2.  Yt + k .  yaitu  eksponensial  sederhana (untuk data dengan pola stasioner).              s.1.

 If set to 0.  Vector of start values for the seasonal component  (s_1[0].control  Optional list with additional control parameters passed to  optim if this is used.  gamma parameter used for the seasonal component. Ignored in the one‐parameter case..s_p[0])  Vector with named components alpha.©sht90    Analisis Runtun Waktu dengan R    Perintah  HoltWinters  ini  memiliki  beberapa  argumen  yang  dapat  digunakan  untuk  menentukan pemilihan metode eksponensial smoothing mana yang akan dipilih.  l.start  s.  Model  aditif  digunakan  pada  data  runtun  waktu  dengan  pola  seasonal  dengan  variasi  musiman  konstan.. (Only takes effect if gamma is non‐ zero). Ignored in the one‐ parameter case.    Model  Holt‐Winters  yang  disediakan  di  R  terdiri  dari  dua  pilihan.start  b.    Argumen  x  alpha  beta  An object of class ts  alpha parameter of Holt‐Winters Filter. Berikut  ini adalah argumen yang dapat dipilih pada perintah HoltWinters. Must  be at least 3. the function  will do exponential smoothing.  Character string to select an "additive" (the default) or  "multiplicative" seasonal model.  beta parameter of Holt‐Winters Filter.  Sedangkan  model  multiplikatif  digunakan  untuk data dengan pola seasonal yang mengandung variasi tidak konstan.  optim. an non‐seasonal model is fitted. The first few  characters are sufficient. If set to  0.start  optim. and gamma  containing the starting values for the optimizer.periods  Start periods used in the autodetection of start values.  Start value for trend (b[0]). beta.  yaitu  model  aditif  dan  multiplikatif.  Keterangan  gamma  seasonal  start.       ‐ 166 ‐  .start  Start value for level (a[0]). Only the  values needed must be specified.

   dengan a[t].  dengan a[t].      9.2. b[t] dan s[t] adalah    a[t] = α (Y[t] / s[t‐p]) + (1‐α) (a[t‐1] + b[t‐1])  b[t] = β (a[t] ‐ a[t‐1]) + (1‐β) b[t‐1]  s[t] = gamma (Y[t] / a[t]) + (1‐gamma) s[t‐p].  Sebagai  tahap  awal. Dengan menulis langsung nama data tersebut pada R‐Console.  identifikasi  pola  data  dapat  dilakukan  dengan  menampilkan  plot time series  dengan menggunakan perintah plot(x).  maka  akan  diperoleh  tampilan  data  runtun  waktu  mulai  Januari  1959  sampai  dengan  Desember  1997.    Fungsi  ini  bekerja  untuk  mendapatkan  nilai‐nilai  optimal  dari  α  dan/atau  β  dan/atau  gamma dengan meminimalkan kuadrat dari error prediksi satu‐tahap.    Sedangkan  fungsi  prediksi  pada  model  Holt‐Winters  multiplikatif  (untuk  runtun  waktu  dengan panjang periode p) adalah     Yhat[t+h] = (a[t] + h * b[t]) * s[t + 1 + (h ‐ 1) mod p].©sht90    Analisis Runtun Waktu dengan R    Fungsi  prediksi  pada  model  Holt‐Winters  aditif  (untuk  runtun  waktu  dengan  panjang periode p) adalah     Yhat[t+h] = a[t] + h * b[t] + s[t + 1 + (h ‐ 1) mod p]. b[t] dan s[t] adalah    a[t] = α (Y[t] ‐ s[t‐p]) + (1‐α) (a[t‐1] + b[t‐1])  b[t] = β (a[t] ‐ a[t‐1]) + (1‐β) b[t‐1]  s[t] = gamma (Y[t] ‐ a[t]) + (1‐gamma) s[t‐p].  Model Holt‐Winters Aditif    Sebagai  contoh  kasus.      ‐ 167 ‐  .2.  Dengan  demikian  model Holt‐Winters aditif adalah sesuai untuk diterapkan guna peramalan pada data.1. Output dari plot  tersebut dapat dilihat pada Gambar 9.  misalkan  akan  dilakukan  peramalan  CO2  pada  data  co2  yang sudah tersedia di R. Dari gambar tersebut dapat dilihat bahwa data  mengandung  pola  tren  dan  seasonal  dengan  variasi  relatif  konstan.

  Output model tren linear pada data AirPassengers    Berikut adalah script R yang digunakan untuk menerapkan model Holt‐Winters  aditif pada data CO2  yang sudah tersedia di R. Perintah terakhir menghasilkan plot  tiap‐tiap  komponen data.2.  yaitu  level.  Berikut  ini adalah output lengkap pada masing‐masing perintah diatas.         > # Seasonal Additive Holt‐Winters  > co2  > plot(co2)    # menampilkan plot time series dari data   > model1 <‐ HoltWinters(co2)   # menerapkan Holt‐Winters aditif (default)  > fore1 <‐ predict(model1. trend. nilai ramalan 50 periode yang akan datang. prediction.  prediksi dan ramalan 50 periode yang akan datang.interval = TRUE)  > plot(model1. dan grafik antara nilai aktual.  serta  nilai ramalan.        ‐ 168 ‐  .fore1)    > plot(fitted(model1))        Script  di  atas  menghasilan  koefisien‐koefisien  yang  optimal  pada  model  Holt‐Winters  aditif (model1). 50.©sht90    Analisis Runtun Waktu dengan R      Gambar 9. dan seasonal.

6698 upr 365.©sht90    Analisis Runtun Waktu dengan R      > model1  Holt‐Winters exponential smoothing with trend and additive seasonal component.5064789 s7 0.0475 369.2812220 s2 1.9810 371.s2.  Koefisien‐koefisien  a  dan  b.4892 372.3122489 s9 -3.6224 367.2931 366.9578 366.  beta=0.3461 367.3 dan 9.1845 372.  serta  koefisien  seasonal  (s1.49.4907075 beta : 0.7937 370.4603 368.0983 367.9829 374.1988220 s11 -1.s12)  juga  diberikan.1268701 s1 0.4536582 Coefficients: [.9244 369.8558114 s12 -0.  dan  gamma=0.8841 364.01197529 gamma: 0.4    ‐ 169 ‐  .  Selanjutnya  juga  diberikan  nilai‐nilai  ramalan 50 periode kedepan beserta taksiran batas atas dan bawah.7315 368.5171 368. serta perbandingan antara nilai aktual dan ramalan ditampilkan seperti  pada Gambar 9.0027 367.    Call: HoltWinters(x = co2) Smoothing parameters: alpha: 0.5254438     > fore1  Jan Feb Mar Apr May … … … … Oct Nov Dec Jan Feb 1998 1998 1998 1998 1998 fit 365.8234 2001 2001 2001 2002 2002 367.0173743 s3 1.3239 368.3861 369.3464772 s10 -3.9848 373. Pada akhirnya plot  komponen data.6667 366.0947 365.01.5162 lwr 364.3487805 s6 2.1] a 364.9411121 s5 3.4995 365.….2510 371.6866567 b 0.45.9613233 s8 -1.2110 Output  diatas  menunjukkan  bahwa  nilai  parameter  smoothing  yang  optimal  adalah  alpha=0.6642371 s4 2.6900 366.1352 368.

 Nilai‐nilai komponen level.3. dan seasonal pada data CO2    ‐ 170 ‐  .©sht90    Analisis Runtun Waktu dengan R      Gambar 9. trend.4. Nilai aktual dan ramalan pada data CO2          Gambar 9.

274855    beta :  0. nilai ramalan 24 periode yang akan datang.8766261        Coefficients:             [.       > # Seasonal Multiplicative Holt‐Winters  > AirPassengers  > plot(AirPassengers)      # menampilkan plot time series dari data   > model2 <‐ HoltWinters(AirPassengers.©sht90    Analisis Runtun Waktu dengan R  9. dan grafik antara nilai  aktual  dan  ramalan  24  periode  yang  akan  datang.1) menunjukkan  bahwa  data  mengandung  pola  tren  dan  seasonal  dengan  variasi  yang  cenderung  meningkat.6200718                … dan seterusnya. prediction.            ‐ 171 ‐  .  Model Holt‐Winters Multiplikatif    Misalkan  akan  dilakukan  peramalan  jumlah  penumpang  pesawat  udara  pada  data AirPassengers yang sudah tersedia di R.2. dan seasonal. Dengan demikian salah satu model yang sesuai untuk peramalan pada data  AirPassengers ini adalah model Holt‐Winters multiplikatif.fore2)    > plot(fitted(model2))        Script  di  atas  menghasilan  koefisien‐koefisien  yang  optimal  pada  model  Holt‐Winters  multiplikatif (model2).  Perintah  terakhir  menghasilkan  plot  tiap‐tiap  komponen data. seasonal=”mult”)     > fore2 <‐ predict(model2.  serta  nilai ramalan. Sebagai tahap awal.         > model2  Holt‐Winters exponential smoothing with trend and multiplicative seasonal component.interval = TRUE)  > plot(model2. trend. 24.1]  a   475.01745283    gamma:  0.2. seasonal = "mult")     Smoothing parameters:   alpha:  0.    Call:   HoltWinters(x = AirPassengers.  yaitu  level. identifikasi pola data  dapat dilakukan dengan menampilkan plot time series (lihat Gambar 9.  Berikut adalah script R yang digunakan untuk menerapkan model Holt‐Winters  multiplikatif pada data AirPassengers yang sudah tersedia di R.  Berikut  ini adalah sebagian output pada perintah‐perintah diatas.

  serta  perbandingan  antara  nilai  aktual  dan  ramalan  ditampilkan  seperti pada Gambar 9. Nilai komponen level.    Gambar 9.6.5 dan 9. Nilai aktual dan ramalan pada data AirPassengers         Gambar 9.©sht90    Analisis Runtun Waktu dengan R  Plot  komponen  data.5. trend. dan seasonal pada AirPassengers    ‐ 172 ‐  .6 berikut ini.

70 151. sd = 5)      # error N(0.5747944    beta :  1    gamma:  0     Coefficients:         [.40  39.90  17.       > # Non‐Seasonal Holt‐Winters  > uspop  Time Series:  Start = 1790   End = 1970   Frequency = 0. Dengan demikian salah satu model yang sesuai untuk peramalan  pada data uspop ini adalah model eksponensial ganda atau Holt‐Winters non‐seasonal.  serta  beberapa  output  dari  perintah‐perintah tersebut.  Tahap awal identifikasi pola data menunjukkan bahwa data mengandung pola tren yang  cenderung meningkat.2. gamma = 0)    # gamma=0 untuk eksponensial ganda  > model3  Holt‐Winters exponential smoothing with trend and without seasonal component.70 122.30 203.interval = TRUE)  # ramalan 5 tahun kedepan    > plot(model3.71546    > model3$SSE         # nilai SSE dari model Holt‐Winters non‐seasonal  [1] 1020.80  50.80 131.fore3)          ‐ 173 ‐  .31   7.20    > x <‐ uspop + rnorm(uspop.89779  b  29.1]  a 201.5) ditambahkan ke data uspop  > model3 <‐ HoltWinters(x.  Model Holt‐Winters Non‐seasonal atau Model Eksponensial Ganda    Misalkan  akan  dilakukan  peramalan  jumlah  populasi  penduduk  United  States  (dalam  juta  jiwa)  pada  data  uspop  yang  sudah  tersedia  di  R  (ditambah  suatu  error).  Berikut adalah script R yang digunakan untuk menerapkan model Holt‐Winters  non‐seasonal  pada  data  uspop  yang  sudah  tersedia  di  R.93   5.20  31. prediction.24   9.10  23. gamma = 0)     Smoothing parameters:   alpha:  0.64  12.00 105. 5.00  92.30 179.530    > fore3 <‐ predict(model3.©sht90    Analisis Runtun Waktu dengan R  9.1    [1]   3.90  76.20  [11]  62.    Call:   HoltWinters(x = x.3.

 5.interval = TRUE)  # ramalan 5 tahun kedepan            ‐ 174 ‐  . gamma = 0.  seperti  pada  bagian  sebelumnya.    Gambar 9. Nilai aktual dan ramalan pada data uspop    9.©sht90    Analisis Runtun Waktu dengan R    Plot perbandingan antara nilai aktual dan ramalan dari model Holt‐Winter non‐seasonal  pada data uspop adalah sebagai berikut.7.  Berikut  adalah  script  R  yang  digunakan  untuk  menerapkan  model  eksponensial  smoothing  sederhana  pada  data  uspop  (plus  suatu  error).4.         > # Exponential Smoothing  > uspop  > x <‐ uspop + rnorm(uspop.  Model Eksponensial Smoothing Sederhana    Misalkan  saja  akan  dilakukan  penerapan  model  eksponensial  smoothing  sederhana untuk peramalan jumlah populasi penduduk United States (dalam juta jiwa)  pada  data  uspop  yang  sudah  tersedia  di  R.2. prediction. beta = 0)  > fore4 <‐ predict(model4. sd = 5)  > model4 <‐ HoltWinters(x.  serta  beberapa  output  dari  perintah‐ perintah tersebut.

8.©sht90    Analisis Runtun Waktu dengan R        > model4  Holt‐Winters exponential smoothing without trend and without seasonal component.  Nilai aktual dan ramalan pada data uspop dengan metode  eskponensial smoothing sederhana      ‐ 175 ‐  . gamma = 0)     Smoothing parameters:   alpha:  0.9999216    beta :  0    gamma:  0     Coefficients:        [.fore4)        Plot  perbandingan  antara  nilai  aktual  dan  ramalan  dari  model  eksponensial  smoothing  sederhana pada data uspop adalah sebagai berikut.  Gambar 9.6348    > model4$SSE    # menampilkan nilai SSE dari model eksponensial smoothing sederhana  [1] 3974.916    > plot(model4. beta = 0.    Call:   HoltWinters(x = x.1]  a 208.

©sht90    Analisis Runtun Waktu dengan R    9. Tahap IDENTIFIKASI                      (Identifikasi model dugaan sementara)  Postulasikan                              Kelas Umum Model    Gambar 9.  estimasi.9. Prosedur ini terdiri dari empat tahapan yang iteratif dalam pembentukan model  ARIMA  pada  suatu  data  runtun  waktu.  Berikut  ini  adalah  diagram  yang  menggambarkan  tahap‐tahap  dalam prosedur Box‐Jenkins.  Model ARIMA  Model  Autoregressive  Integrated  Moving  Average  (ARIMA)  merupakan  salah  satu  model  yang  populer  dalam  peramalan  dengan  pendekatan  time  series.  dan  peramalan.  diagnostic  check.  yaitu  tahap  identifikasi. Tahap ESTIMASI                         (Estimasikan parameter model)  1.  MA.  Model  ini  terdiri  dari  tiga  bentuk  utama  yaitu  model  AR. Tahap FORECASTING                     (Gunakan model untuk peramalan)  YA TIDAK  3.  dan  ARMA.3.                                          4.  Prosedur  Box‐Jenkins  adalah  suatu  prosedur  standar  yang  banyak  digunakan  dalam  pembentukan  model  ARIMA. Tahap DIAGNOSTIC CHECK                (Verifikasi apakah model sesuai?)  2. Prosedur Box‐Jenkins untuk pembentukan model ARIMA      ‐ 176 ‐  .

q) dapat ditulis sebagai  berikut   (1 − φ1 B − K − φ p B p )(1 − B) d Z t = (1 − θ1 B − K − θ q B q )a t . serta outputnya. Berikut ini adalah  contoh script untuk membuat plot ACF dan PACF teoritis dari model AR(p).  dengan  B  adalah  operator  mundur. Berikut ini adalah petunjuk umum untuk penentuan orde p dan q  pada suatu data runtun waktu yang sudah stasioner.  yaitu  B k Z t = Z t − k . MA(q) dan  ARMA(p.©sht90    Analisis Runtun Waktu dengan R    Secara umum.  Penentuan  orde  p  dan  q  dari  model  ARIMA  pada  suatu  data  runtun  waktu  dilakukan  dengan  mengidentifikasi  plot  Autocorrelation  Function  (ACF)  dan  Partial  Autocorrelation  Function  (PACF)  dari  data  yang sudah stasioner.1.q)  Dies down                                    (turun cepat secara  eksponensial / sinusoidal))  Cuts off after lag q                 (terputus setelah lag q)  AR(p)  atau    MA(q)    White noise  (Random)   Tidak ada yang signifikan           (tidak ada yang keluar batas)  Tidak ada yang signifikan           (tidak ada yang keluar batas)    R adalah salah satu paket statistika yang menyediakan fasilitas untuk membuat  bentuk ACF dan PACF teoritis dari model‐model ARIMA yang stasioner.d.     Tabel 9. Pola teoritis ACF dan PACF dari proses yang stasioner    Proses        ACF  Dies down                              (turun cepat secara  eksponensial / sinusoidal)  Cuts off after lag q                 (terputus setelah lag q)  PACF  Cuts off after lag p                 (terputus setelah lag p)  AR(p)        MA(q)    Dies down                                    (turun cepat secara  eksponensial / sinusoidal)  Dies down                                  (turun cepat secara  eksponensial / sinusoidal))  Cuts off after lag p                 (terputus setelah lag p)  ARMA(p.q).      ‐ 177 ‐  . bentuk matematis dari model ARIMA(p.

  Sedangkan  PACF  menunjukkan  pola  yang  terputus  setelah  lag  1  seperti petunjuk pada Tabel 9.0)  yang  biasanya disingkat model AR(1).8    Dari gambar diatas dapat dijelaskan bahwa plot ACF pada model AR(1) dengan koefisien  parameter positif adalah dies down (turun cepat secara eksponensial) dengan nilai ACF  yang  selalu  positif.1))  > abline(h=0)  > plot(pacf. c2)  > ar1   #  Nilai‐nilai ACF dan PACF teoritis     > par(mfrow=c(1. type="h". Plot ACF dan PACF teoritis model AR(1) dengan phi = 0.ar1. 20)  > pacf.ar1 = ARMAacf(ar=0.10.ar1[2:21]  > c1 = acf.         Gambar 9. ylim=c(‐1.ar1  > c2 = pacf. type="h".ar1 = acf. xlab="lag". ylim=c(‐1.1))  > abline(h=0)        Berikut  ini  adalah  hasil  plot  ACF  dan  PACF  teoritis  dari  model  ARIMA(1.8. 20.0. ma=0. ma=0.1. dengan nilai koefisien parameter model (phi) 0.©sht90    Analisis Runtun Waktu dengan R      > # ACF dan PACF teoritis untuk AR(1)  > acf.      ‐ 178 ‐  .8.8.ar1. xlab="lag". pacf=T)  > acf.2))  > plot(acf.ar1 = ARMAacf(ar=0.ar1  > ar1 = cbind(c1.

7).5.5 (tetha1) dan ‐0.ma2[2:21]  > c1 = acf. ylim=c(‐1.0.      ‐ 179 ‐  .ma2.1))  > abline(h=0)  > plot(pacf.7.5 dan ‐0. ylim=c(‐1.         Gambar 9. xlab="lag".7    Berdasarkan  pola  pada  gambar  diatas  dapat  dijelaskan  bahwa  plot  ACF  pada  model  MA(2) dengan koefisien parameter positif 1.ma2.ma2  > c2 = pacf. pacf=T)  > acf. ma=c(1. ‐0.7 (tetha2) adalah terputus  setelah  lag  2.5.7).10. 20. dengan nilai koefisien parameter model (tetha 1  dan 2) 1. c2)  > ma2  #  Nilai‐nilai ACF dan PACF teoritis     > par(mfrow=c(1.  Sedangkan  PACF  menunjukkan  pola  yang  dies  down  (turun  cepat  secara  sinusoidal) dengan nilai PACF yang berubah dari positif ke negatif seperti petunjuk pada  Tabel 9. type="h". type="h".1))  > abline(h=0)      Di  bawah  ini  adalah  hasil  plot  ACF  dan  PACF  teoritis  dari  model  ARIMA(0.ma2  > ma2 = cbind(c1. ma=c(1. Plot ACF dan PACF teoritis model MA(2) dengan tetha 1.©sht90    Analisis Runtun Waktu dengan R      > # ACF dan PACF teoritis untuk MA(2)  > acf.ma2 = ARMAacf(ar=0. xlab="lag".ma2 = ARMAacf(ar=0.2)  yang biasanya disingkat model MA(2).5 dan ‐0. ‐0.1 diatas. 20)  > pacf.ma2 = acf.2))  > plot(acf.

      ‐ 180 ‐  . dengan nilai koefisien parameter AR (phi) 0.4.4.0. ma=0.arma11  > c2 = pacf. c2)  > arma11  #  Nilai‐nilai ACF dan PACF teoritis     > par(mfrow=c(1.1))  > abline(h=0)  > plot(pacf.arma11 = ARMAacf(ar=0.4. ylim=c(‐1.7 dan tetha 0. ma=0.4    Gambar diatas menunjukkan bahwa plot ACF pada  model ARMA(1.7.1))  > abline(h=0)      Hasil plot ACF dan PACF teoritis dari model ARIMA(1. arma11. pacf=T)  > acf.1) yang disingkat model  ARMA(1.©sht90    Analisis Runtun Waktu dengan R      > # ACF dan PACF teoritis untuk ARMA(1. type="h".arma11[2:11]  > c1 = acf.7 dan tetha 0.  Pola  yang  sama  juga  ditunjukkan  oleh  plot  PACF  yaitu  dies  down  (turun  cepat  secara  sinusoidal) dengan nilai PACF yang berubah dari positif ke negatif seperti petunjuk pada  Tabel 9. Plot ACF dan PACF teoritis model ARMA(1.1)  > acf.1 diatas.arma11 = ARMAacf(ar=0.4 adalah dies down (turun cepat secara eksponensial).1) dengan phi 0. xlab="lag". 10. xlab="lag".1) dengan  koefisien  parameter p phi 0.1). 10)  > pacf. ylim=c(‐1.7 dan koefisien MA (tetha) 0.2))  > plot(acf.          Gambar 9.11.7.arma11  > arma11 = cbind(c1.arma11 = acf. arma11. type="h".

 Plot time series dari data recruit        ‐ 181 ‐  .©sht90    Analisis Runtun Waktu dengan R    9.  Contoh Kasus Model ARIMA Non‐musiman yang Stasioner  Misalkan  akan  dilakukan  peramalan  dengan  model  ARIMA  pada  data  runtun  waktu recruit.  dengan  judul  “Time  Series  Analysis  and  Its  Applications  with  R  Examples”.3.dat.  Data  ini  adalah  data  bulanan  mulai  tahun  1950‐1987.  halaman  7). start=1950.dat"). yaitu data tentang banyaknya ikan baru yang telah dikumpulkan oleh  Dr.1.12.  Berikut ini adalah script file R untuk memanggil dan menampilkan plot time series dari  data.      Gambar 9.  Roy  Mendelssohn  dari  The  Pacific  Environmental  Fisheries  Group  (lihat  buku  Shumway  dan  Stoffer  (2006).      > rec = ts(scan("recruit. frequency=12)  > plot(rec)      Hasil plot time series dari data adalah sebagai berikut.

 Plot ACF dan PACF dari data recruit      ‐ 182 ‐  .      > rec = ts(scan("recruit.©sht90    Analisis Runtun Waktu dengan R    Dari  plot  time  series  pada  Gambar  9. 48)      # menampilkan ACF sampai lag 48  > pacf(rec.dat"))  > plot(rec)   # menampilkan plot time series dari data  > win.12  dapat  dijelaskan  bahwa  data  relatif  stasioner  dan  tidak  mengandung  tren.graph  > par(mfrow=c(2.  Berikut  adalah  script  file  R  untuk  menampilkan  ACF dan PACF dari data recruit beserta outputnya.13.1))  > acf(rec. 48)    # menampilkan PACF sampai lag 48              Gambar 9.

yw$asy.      >  rec.yw = ar.79912      # taksiran varians error (mse)         Berdasarkan  hasil  taksiran  Yule‐Walker  pada  output  diatas.yw$x. serta output yang dihasilkan. antara lain:  Estimasi Yule‐Walker (YW)  Estimasi Ordinary Least Squares (OLS)  Estimasi Maximum Likelihood Estimation (MLE)    Berikut ini adalah script file R untuk estimasi parameter dengan menggunakan metode  estimasi Yule‐Walker beserta outputnya.yw(rec.  model  dugaan  yang  sesuai  untuk  data  ini  adalah  ARIMA(2.  atau  Z t = 62.26) = at .  maka  model  AR(2)  yang  diperoleh dapat ditulis secara matematis seperti berikut (dua angka belakang koma)  (1 − 1.44) + 1.33Z t −1 − 0.0.04222637   # standar error dari  phi1 dan phi2    >  rec.26278    # taksiran nilai rata‐rata data    >  rec.33 + 0.  Sebagai perbandingan.33B + 0.26(1 − 1.4445447    # taksiran nilai phi1 dan phi2    >  sqrt(diag(rec.yw$ar  [1]  1.  Dengan  demikian.pred  [1] 94.04222637 0.var.44 Z t −2 + at .mean  [1] 62.  Ada  beberapa metode estimasi parameter yang disediakan R.3315874 ‐0.  Tahap  selanjutnya  adalah  estimasi  parameter  pada  model  ARIMA  dugaan. berikut ini adalah script file R untuk estimasi parameter  dengan menggunakan metode estimasi Ordinary Least Squares dan Maximum Likelihood  Estimation. order=2)    >  rec.0)  atau  AR(2).coef))  [1] 0.yw$var.44 B 2 )( Z t − 62.©sht90    Analisis Runtun Waktu dengan R    Hasil  identifikasi  bentuk  ACF  dan  PACF  dari  data  recruit  menunjukkan  bahwa  ACF  cenderung  dies  down  (turun  cepat)  dan  PACF  cenderung  terputus  setelah  lag  2. Output diatas juga memberikan nilai‐nilai  standar error pada masing‐masing koefisien yang dapat digunakan untuk uji signifikansi  parameter‐parameter model tersebut.  dengan  Z t  adalah data asli pada waktu ke‐t.      ‐ 183 ‐  .

pred           [.var.33597    # taksiran varians error (mse)        Hasil estimasi ketiga metode tersebut menunjukkan bahwa nilai‐nilai taksiran parameter  model AR(2) yang diperoleh relatif tidak berbeda jauh. .mean  [1] 62.4612736     # taksiran nilai phi1 dan phi    >  sqrt(diag(rec.mle$ar  [1]  1.ols$var. Berikut adalah keterangan penggunaan arima dan argumen yang dibutuhkan.mle$asy.ols$asy.ols$ar  .1]  [1.mle$var.se.pred  [1] 89. order=2)     # metode MLE    >  rec.  Nilai  MSE  yang  diperoleh  ketiga  model menunjukkan bahwa metode MLE memberikan nilai MSE yang paling kecil.mle(rec.3512809 ‐0.26153      # taksiran nilai rata‐rata data    >  rec. 1               [.33597.] ‐0.   Selain  menggunakan  perintah‐perintah  diatas.mean  [1] 62.04099159 0.1]  [1.©sht90    Analisis Runtun Waktu dengan R      >  rec.mle$x.coef))  [1] 0.ols(rec.      ‐ 184 ‐  .  R  juga  menyediakan  perintah  arima  untuk  estimasi  secara  langsung  dengan  menampilkan  beberapa  nilai  taksiran  sekaligus.4460397    $ar  [1] 0.71705     # taksiran varians error (mse)      >  rec.ols = ar.04099159    # standar error dari  phi1 dan phi2    >  rec.04178901 0.3540685        # taksiran nilai phi1 dan phi2  [2.mle = ar. Hal yang menarik adalah taksiran  dari  varians  error  (atau  yang  dikenal  dengan  MSE).mean  [1] 0. order=2)    # metode OLS    >  rec.] 89. yaitu  89.]  1.ols$x.26278       # taksiran nilai rata‐rata data    >  rec.04187942  # standar error dari  phi1 dan phi2    >  rec.4631784    >  rec.coef  $x.

 order = c(0.        transform.51.e.  0.02      Hasil diatas menunjukkan bahwa nilai‐nilai taksiran parameter model AR(2) untuk data  recruit adalah sama dengan menggunakan perintah sebelumnya. period = NA).8585  s.   Langkah selanjutnya setelah  estimasi parameter diperoleh adalah cek diagnosa  untuk  mengetahui  apakah  model  sudah  memenuhi  syarat  kebaikan  suatu  model.  yaitu  Uji  Statistik  Ljung‐Box  untuk  mengetahui  apakah  residual  model  sudah  memenuhi  syarat  white  noise.mean = TRUE.3512  ‐0.cond.33:  log likelihood = ‐1661.        n.0416   0. order = c(2. 0.  R  menyediakan  fasilitas  untuk  uji  kesesuaian  model. c(2. 0).0417       4.  Hal  ini  dapat  dilakukan dengan perintah tsdiag seperti contoh berikut ini.        fixed = NULL. 0))  > fit1    Call:  arima(x = rec. 0))    Coefficients:                ar1         ar2    intercept          1. optim.        method = c("CSS‐ML".4612     61. c(2.  aic = 3331. 0. 0).      > fit1 <‐ arima(rec. kappa = 1e6)      Sebagai  contoh. 0. 0. 0))  > tsdiag(fit1)    # cek diagnosa dengan Uji Ljung‐Box        ‐ 185 ‐  .    > fit1 <‐ arima(rec. "CSS").0039    sigma^2 estimated as 89. include.        xreg = NULL.©sht90    Analisis Runtun Waktu dengan R      arima(x.        seasonal = list(order = c(0. init = NULL. 0. "ML".pars = TRUE.control = list().  script  untuk  estimasi  CSS‐MLE  (pilihan  default)  pada  data  recruit  dengan perintah arima beserta outputnya adalah sebagai berikut.

 R  menyediakan  banyak  perintah  untuk  uji  normalitas.  serta  uji  normalitas  residual  model  dengan uji Shapiro‐Wilk.        Gambar 9.©sht90    Analisis Runtun Waktu dengan R    Berikut  adalah  output  hasil  perintah  tsdiag  untuk  pengecekan  apakah  residual  model  sudah memenuhi syarat white noise. yaitu shapiro.   Asumsi kedua yang juga harus diperiksa adalah normalitas dari residual model.14.      ‐ 186 ‐  . Plot ACF residual dan p‐value dari uji Statistik Ljung‐Box    Hasil  diatas  menunjukkan  bahwa  residual  model  AR(2)  telah  memenuhi  syarat  white  noise.  Berikut  adalah  script  file  R  yang  dapat  digunakan  untuk  menampilkan  histogram  dan  QQ‐plot  dari  residual.05 (alpha atau tingkat signifikansi pengujian).  baik  secara  grafik  atau  statistik  inferensia.test untuk  menerapkan  uji  Shapiro‐Wilk. Secara inferensi digunakan salah satu perintah yang ada. Pada bagian ini akan digunakan histogram dan QQ‐plot untuk evaluasi secara  grafik. Hal ini ditunjukkan oleh p‐value dari uji Ljung‐Box yang semuanya lebih besar dari  0.

 p‐value = 2.9736.15. Histogram dan QQ‐Plot residual model AR(2) pada data recruit      ‐ 187 ‐  .15.br=12)  > qqnorm(fit1$resid)  > shapiro.05 (alpha pengujian).1))  > hist(fit1$resid.723e‐07      Output histogram dan QQ‐plot residual model AR(2) pada data recruit dapat dilihat paga  Gambar  9.  Output  uji  Shapiro‐Wilk  diatas  menunjukkan  bahwa  residual  belum  memenuhi syarat distribusi normal. Hal ini ditunjukkan oleh p‐value yang lebih kecil dari  0.test(fit1$resid)            Shapiro‐Wilk normality test    data:  fit1$resid   W = 0.        Gambar 9.©sht90    Analisis Runtun Waktu dengan R        > par(mfrow=c(2.

  Berikut  ini  adalah  script  file  R  yang  lengkap  mulai  tahap  identifikasi. Dalam hal ini nilai‐nilai ramalan beserta batas atas dan batas  bawah  juga  diberikan. col="blue". col="blue". ylim=c(minx.graph  > par(mfrow=c(2.plot(rec.   Hasil  plot  ramalan  beserta  batas  atas  dan  batas  bawah  ramalan  ditampilkan  pada  Gambar  9.      > rec = ts(scan("recruit.        ‐ 188 ‐  . n.fore = predict(fit1.1990). lty="dashed")         Pada  script  ini  nilai‐nilai  ramalan  24  periode  yang  akan  datang  disimpan  dalam  object  yang diberi nama rec.fore.fore$pred + rec.test(fit1$resid)    >  rec. 0. lty="dashed")  >  lines(L.fore$se  >  L = rec.dat"). c(2.ahead=24)   #  Tahap PERAMALAN  >  U = rec.U)  >  ts. type="o")  >  lines(U. frequency=12)    > plot(rec)                                                   #  Tahap IDENTIFIKASI  > win. Anggap model AR(2) adalah model yang sesuai untuk peramalan data  recruit.L)  >  maxx = max(rec.  Warna  merah  menunjukkan  nilai‐nilai  ramalan.graph  > par(mfrow=c(2.fore$pred ‐ rec. xlim=c(1970. 0))                  # Tahap ESTIMASI    > tsdiag(fit1)                                              # Tahap CEK DIAGNOSA  > win.  Untuk  menampilkan  angka‐angka  tersebut  cukup  dengan  menuliskan nama object tersebut pada R‐Console. start=1950.  sedangkan  warna  biru  adalah  batas  bawah  dan  atas  dari  ramalan.fore$pred.16.br=12)  > qqnorm(fit1$resid)  > shapiro. dan peramalan.1))  > acf(rec.fore$se  >  minx = min(rec.©sht90    Analisis Runtun Waktu dengan R    Langkah  terakhir  setelah  model  yang  diperoleh  sudah  memenuhi  syarat  model  adalah peramalan. 48)      # menampilkan ACF sampai lag 48  > pacf(rec.fore$pred.  karena  sudah  mengikuti  pola  data  recruit  pada waktu‐waktu sebelumnya. 48)    # menampilkan PACF sampai lag 48    > fit1 <‐ arima(rec.1))  > hist(fit1$resid.  Hasil  tersebut  menunjukkan  bahwa  ramalan  yang  diperoleh  relatif  cukup  baik. rec.maxx))   >  lines(rec.  cek diagnosa.  estimasi. col="red".

  Pemilihan  transformasi  yang  sesuai  dapat  menggunakan  transformasi  Box‐ Cox.  estimasi.17.3.  dan  peramalan  pada  data    gnp96.  Contoh Kasus Model ARIMA Non‐musiman yang Tidak Stasioner  Misalkan  akan  dilakukan  peramalan  dengan  model  ARIMA  pada  data  runtun  waktu gnp96. seperti  yang  terlihat  pada  Gambar  9.  cek  diagnosa. R  menyediakan perintah diff untuk proses differencing suatu data runtun waktu.      ‐ 189 ‐  .  Data ini adalah data runtun waktu yang tidak stasioner dalam mean dan varians.2.  Berikut  ini  adalah  script  lengkap  untuk  memanggil  data. maka pada tahap identifikasi dilakukan proses transformasi terlebih  dulu  untuk  menstabilkan  varians.16.  Output  lengkap  dari  script  ini  ditampilkan  per  tahapan  pembentukan  model  ARIMA  dengan  menggunakan  prosedur  Box‐Jenkins. batas atas dan batas bawah pada data recruit    9. Plot ramalan.dat.  dan  kemudian  differencing  untuk  menstasionerkan  mean  data. Dalam kasus ini.©sht90    Analisis Runtun Waktu dengan R        Gambar 9.  Hal  ini  ditunjukkan  oleh  fluktuasi  varians  yang  cenderung meningkat seiring bertambahnya waktu.  identifikasi.dat. transforamasi log yang terpilih untuk menstabilkan variansi data. Karena data belum stasioner dalam  mean dan varians. yaitu data kuartalan tentang GNP US periode 1947(1) sampai 2002(3).

 gof. 2))  > gnpgr. 24)  > pacf(gnpgr. Plot data kuartalan GNP US mulai 1947(1) sampai 2002(3)        ‐ 190 ‐  .1))  > acf(gnpgr.table("gnp96.ar = arima(gnpgr. 50)  > gnpgr = diff(log(gnp))   # transformasi dan differencing data       > plot. 0))  # potential problem here   > gnpgr.lag=20)  > tsdiag(gnpgr.ar. gof.ma. 0.17.lag=20)        Hasil Tahap IDENTIFIKASI      Gambar 9.2].dat")  > gnp = ts(gnp96[.ma = arima(gnpgr. 0.ts(gnpgr)  > par(mfrow=c(2.ma  > # tahap CEK DIAGNOSA    > tsdiag(gnpgr. order = c(1.ar   > gnpgr. frequency=4)  > # tahap IDENTIFIKASI  > plot(gnp)                          > acf(gnp. order = c(0. start=1947. 24)  > # tahap ESTIMASI     > gnpgr.©sht90    Analisis Runtun Waktu dengan R      > gnp96 = read.

©sht90    Analisis Runtun Waktu dengan R      Gambar 9. Plot data kuartalan GNP US setelah di log dan differencing (gnpgr)      ‐ 191 ‐  .18.19. Plot ACF data kuartalan GNP US mulai 1947(1) – 2002(3)    Berikut  ini  adalah  hasil  transformasi  log  dan  differencing  untuk  mendapatkan  data  runtun waktu yang stasioner.    Gambar 9.

0010    sigma^2 estimated as 9.  aic = ‐1431.20.1.©sht90    Analisis Runtun Waktu dengan R    Output bentuk ACF dan PACF dari data gnp yang sudah ditransformasi dan differencing  menjadi data gnppr. order = c(1.e. 0))    Coefficients:           ar1  intercept        0.0)    Call:  arima(x = gnpgr. 0.      Gambar 9.3467     0.03e‐05:  log likelihood = 718. Plot ACF dan PACF dari data gnpgr    Hasil Tahap ESTIMASI        > gnpgr.22            ‐ 192 ‐  .0083  s.  0.0627     0.61.ar      # Hasil estimasi parameter model ARIMA(1.

2035      0.2)    Call:  arima(x = gnpgr.96.1.  aic = ‐1431. order = c(0.92e‐05:  log likelihood = 719. Plot ACF dan PACF dari residual model ARIMA(1.ma     # Hasil estimasi parameter model ARIMA(0.0644      0.e. 2))    Coefficients:              ma1       ma2    intercept          0.93      Hasil Tahap CEK DIAGNOSA        Gambar 9.©sht90    Analisis Runtun Waktu dengan R        > gnpgr.0)      ‐ 193 ‐  . 0.1.  0.0654   0.3028   0.0083  s.0010    sigma^2 estimated as 8.20.

  Bentuk  matematis dari model ARIMA(P.  dengan  S  adalah  periode  musiman.    9.q)(P.1.3.  Hal  ini  ditunjukkan  oleh  nilai  likelihood  yang  lebih  besar  dan  nilai  AIC  yang  lebih  kecil  pada  model ARIMA(0. Plot ACF dan PACF dari residual model ARIMA(0.3.D.0).Q)S  dan  model  ARIMA  multiplikatif  musiman  dan  nonmusiman  atau  ARIMA(p.21.1.D.Q)S dapat ditulis sebagai berikut   (1 − Φ1S B − K − Φ P B PS )(1 − B S ) D Z t = (1 − Θ1 B − K − Θ Q B QS ) at .2).      ‐ 194 ‐  .d.2)  adalah  model  ARIMA  yang  lebih  sesuai  untuk  data  GNP  US  jika  dibandingkan  dengan  model  ARIMA(1.1.D.  Model ARIMA Musiman  Secara  umum.  model  ARIMA  musiman  terdiri  dari  dua  macam  yaitu  model  musiman  saja  atau  ARIMA(P.1.Q)S.2)    Hasil‐hasil  diatas  menunjukkan  bahwa  model  ARIMA(0.©sht90    Analisis Runtun Waktu dengan R        Gambar 9.

2. − φ p B p ) .1  dan  9.d.3.q)(P...Q)S adalah :  φ p ( B )φ P ( B S )(1 − B ) d (1 − B S ) D Z t = θ q ( B )θ Q ( B S )at .  q.  dengan   p. D. MA dan differencing Non‐musiman.2.2  dapat  digunakan  untuk  menentukan  orde  p. penentuan orde P dan Q dari model ARIMA musiman  pada  suatu  data  runtun  waktu  dilakukan  dengan  mengidentifikasi  plot  ACF  dan  PACF  dari data yang sudah stasioner. d.3. Pola teoritis ACF dan PACF dari proses musiman yang stasioner    Proses      AR(P)S      MA(Q)S    ARMA(P.…  AR(P)S  atau    Cuts off setelah lag QS                  MA(Q)S  White noise  (Random)   Tidak ada yang signifikan           (tidak ada yang keluar batas)  Tidak ada yang signifikan           (tidak ada yang keluar batas)    Selanjutnya. Q  =  order AR.…  Cuts off setelah lag PS                  Dies down pada lag kS.…  Cuts off setelah lag QS                  PACF  Cuts off setelah lag PS                  Dies down pada lag kS.©sht90    Analisis Runtun Waktu dengan R    Seperti pada model nonmusiman.D. dengan  k=1.D.      ‐ 195 ‐  .Q)S.…  Dies down pada lag kS.2.  gabungan  petunjuk  pola  ACF  dan  PACF  pada  Tabel  9.    φ p (B)   =  (1 − φ1 B − φ 2 B 2 − .  Secara  umum  bentuk  model  ARIMA  Box‐Jenkins  Musiman atau ARIMA(p.2. dengan  k=1. q   =  order AR.2.d.    P.Q)S  ACF  Dies down pada lag kS.3.  dan  Q  pada  model  musiman  multiplikatif  ARIMA(p. Berikut ini adalah petunjuk umum untuk penentuan orde  P dan Q pada suatu data runtun waktu musiman yang sudah stasioner. dengan  k=1.q)(P.  P.3. MA dan Differencing Musiman. dengan  k=1.     Tabel 9.

arma  > arma = cbind(c1. ma=theta.  R  menyediakan  fasilitas  untuk  membuat  bentuk  ACF  dan  PACF  teoritis  dari  model‐model  ARIMA  musiman  yang  stasioner.         ‐ 196 ‐  .arma. xlab="lag".  baik  musiman  saja  atau  multiplikatif  musiman  dan  nonmusiman. 60)  > pacf.  (1 − B) d   =  operasi matematis dari differencing Non‐musiman.d.11).      > # ACF dan PACF teoritis untuk MA(1)(1)12  > theta = c(‐0.1)12  atau  disingkat MA(1)(1)12..0.5.arma = acf.‐0.D.1)(0.q)(P.5 dapat dilihat pada Gambar  9.  (1 − B S ) D   =  operasi matematis dari differencing Musiman.rep(0. ylim=c(‐1.6 dan 0.arma.0.                         Hasil  plot  ACF  dan  PACF  teoritis  dari  model  ARIMA(0. Secara matematis model ini dapat ditulis dalam bentuk  Z t = (1 − θ1 B )(1 − Θ1 B12 )at .arma = ARMAacf(ar=0. − θ Q B QS ) .  θ Q ( B S )   =  (1 − θ1 B S − θ 2 B 2 S − . xlab="lag". type="h".  Zt      =  Z t − μ .2))  > plot(acf.  Berikut  ini  adalah  contoh  script untuk membuat plot ACF dan PACF teoritis dari model ARIMA(p...6. ylim=c(‐1..0. − φ P B PS ) .©sht90    Analisis Runtun Waktu dengan R    φ P ( B S )   =  (1 − φ1 B S − φ 2 B 2 S − . ma=theta.10).arma[2:61]  > c1 = acf.3)  > # phi = c(rep(0.22 berikut ini. type="h"..1)(0. 60. c2)  > arma   # Nilai‐nilai ACF dan PACF teoritis     > par(mfrow=c(1.arma  > c2 = pacf. pacf=T)  > acf.8) untuk model AR  > acf..  =  (1 − θ1 B − θ 2 B 2 − .    θ q (B )     Seperti  pada  model  nonmusiman.1)12  dengan  nilai  koefisien parameter model (tetha1 dan TETHA1) 0.1))  > abline(h=0)  > plot(pacf.1))  > abline(h=0)         Model  ARIMA  yang  digunakan  pada  script  diatas  adalah  ARIMA(0.arma = ARMAacf(ar=0. − θ q B q ) .0.Q)S.0.0.  atau        Z t = at − θ1at −12 − Θ1at −12 + θ1Θ1at −13 .

1)) #  (P)ACF of data        > acf(prod.1)(0.3.      ‐ 197 ‐  . Plot ini menunjukkan bahwa data mengandung tren naik atau data belum  stasioner dalam mean. Data ini adalah data bulanan mulai tahun  1948‐1978.  dengan  judul  “Time  Series  Analysis  and  Its  Applications with R Examples”. halaman 160).0. Berikut ini adalah script file R untuk memanggil dan menampilkan plot time  series.4.dat.1)12    9.   Hal  ini  didukung  oleh  bentuk  ACF  dan  PACF  data  asli  pada  Gambar  9. frequency=12)  > plot(prod)  > par(mfrow=c(2.  khususnya  pola  ACF  yang  turun  lambat  yang  mengindikasikan  bahwa  data  belum  stasioner  dalam  mean. 48)        Hasil  dari  plot  time  series  data  indeks  produksi  tersebut  (prod)  dapat  dilihat  pada  Gambar 9.0. yaitu data bulanan tentang the Federal Reseerve Board Procuction Index  (lihat  buku  Shumway  dan  Stoffer  (2006). dan PACF dari data asli. 48)                               > pacf(prod.dat"). Plot ACF dan PACF teoritis model ARIMA(0.©sht90    Analisis Runtun Waktu dengan R        Gambar 9.22. start=1948.  Contoh Kasus Model ARIMA Musiman  Misalkan  akan  dilakukan  peramalan  dengan  model  ARIMA  pada  data  runtun  waktu prod.24.  Pada  tahap  ini  (tahap  identifikasi)  dilakukan  differencing  pada  data untuk mendapatkan data yang stasioner dalam mean. ACF.23.        > prod=ts(scan("prod.

©sht90    Analisis Runtun Waktu dengan R    Gambar 9. Plot ACF dan PACF dari data indeks produksi (prod)      ‐ 198 ‐  .24. Plot time series dari data indeks produksi (prod)        Gambar 9.23.

         Gambar 9. 48)        Hasil dari plot ACF dan PACF pada data yang sudah didifferencing d=1.  > par(mfrow=c(2.12).25.1)) #  ACF dan PACF differencing d=1. S=12 atau D=12. ditampilkan pada Gambar 9.  atau differencing nonmusiman dan musiman. 48)  > pacf(diff(diff(prod). Plot ACF dan PACF dari data prod yang telah didifferencing       ‐ 199 ‐  . S=12. 48)  > # Karena belum stasioner dalam musiman.©sht90    Analisis Runtun Waktu dengan R    Berikut  ini  adalah  script  untuk  differencing  dan  identifikasi  bentuk  ACF  dan  PACF  dari  data yang sudah stasioner.12). 48)  > pacf(diff(prod).25. dan D=1. dilanjutkan   > # differencing musiman D=1.      > par(mfrow=c(2.1))  #  ACF dan PACF differencing d=1       > acf(diff(prod). D=12    > acf(diff(diff(prod).

2.0619    0. 1. ARIMA(1. Hal ini juga terjadi pada  lag‐lag musiman (lag 12.©sht90    Analisis Runtun Waktu dengan R    Gambar ACF dan PACF data yang sudah stasioner menunjukkan bahwa pada lag‐ lag nonmusiman (lag 1‐9) ACF dan PACF cenderung dies down.1).  yaitu  model  multiplikatif  ARIMA(1.1)12  merupakan model terbaik.      >  #  Tahap ESTIMASI PARAMETER model ke‐3     > prod. 1).1)(2. Berdasarkan petunjuk  pada Tabel 9.43          ‐ 200 ‐  .  0.0)12  3.1)(2. yaitu:  1.2153   ‐0.1)(2.5753  ‐0.1.fit3           Berikut  ini  adalah  output  hasil  estimasi  parameter  dari  model  ketiga. ARIMA(1. period=12))  > prod.1)(2. 24.0712    sigma^2 estimated as 1. period = 12))    Coefficients:                ar1        ma1        sar1          sar2       sma1          0.0784     0. 1.1.2800   ‐0.1.1.1.1.1300    0.e.351:  log likelihood = ‐568. 1).1)(2.fit3   # Menampilkan hasil‐hasil estimasi parameter      Call:  arima(x = prod.1.1 dan 9. berdasarkan perbandingan kriteria AIC.1. order=c(1.1)(0.1)12  2.1.1.1. order = c(1.4968  s.2709   ‐0.1.1120   0.    Hasil  estimasi  pada  ketiga  model  dugaan  tersebut  menunjukkan  bahwa  model  ARIMA(1.1.1). ARIMA(1.1)12. diduga ada 3 (tiga) model yang sesuai untuk data ini. seasonal=list(order=c(2.1. 36) yang cenderung juga dies down.  aic = 1148.1)12  adalah sesuai untuk data prod khususnya jika dilihat dari taksiran  parameter dan signifikansi parameter tersebut (hitung uji statistik t nya).  Berikut  adalah  script  R  yang  dapat  digunakan  untuk  estimasi  parameter  pada  model  ARIMA multiplikatif.22.  Hasil  ini  menunjukkan  bahwa  model  multiplikatif  ARIMA(1.      >  prod.fit3 = arima(prod.1)12. seasonal = list(order = c(2.

1)(2.fit3. ylim=c(105.pr$pred ‐ 2*prod. gof.1.pr$se  > ts. col=1:2. Output tahap cek diagnosa pada model ARIMA(1.1.fit3. n.pr$pred. xlim=c(1975. col="blue".pr$pred + 2*prod.©sht90    Analisis Runtun Waktu dengan R    Tahap selanjutnya yaitu tahap cek diagnosa dan peramalan berdasarkan model  yang sesuai.        >  #  Tahap DIAGNOSTICS CHECK  > tsdiag(prod. lty="dashed            Gambar 9. lty="dashed")  > lines(L. col="blue".pr$se  > L = prod.26.175). type="o". Berikut adalah script R yang dapat digunakan untuk tahap cek diagnosa dan  peramalan pada model ARIMA multiplikatif.lag=48)     >  #  Tahap PERAMALAN                > prod.prod.ahead=12)  > U = prod.1)12      ‐ 201 ‐  . serta outputnya.pr = predict(prod.plot(prod.1980))  > lines(U.

28 B 24 )(1 − B)(1 − B12 ) Z t = (1 − 0. dua (Zt‐2).351.1.  (1 − 0.1)(2.1)12  yang  secara  matematis  dapat  ditulis  dalam  bentuk  sebagai berikut (dua angka belakang koma). batas atas dan batas bawah pada data prod    Dengan  demikian  model  terbaik  yang  diperoleh  untuk  data  prod  diatas  adalah  model  multiplikatif  ARIMA(1. dua belas (at‐12). tiga puluh tujuh (Zt‐37). dua belas (Zt‐12).  Penjabaran  dari  model  ARIMA(1. tiga puluh delapan (Zt‐38).      ‐ 202 ‐  .1. dan tiga belas  (at‐13) bulan sebelumnya.58 B)(1 + 0. yaitu satu (at‐1).27 B)(1 − 0.1.50 B12 )at .27.1)(2. dua puluh empat (Zt‐24). yaitu satu (Zt‐1).1)12  di  atas  akan  menunjukkan  bahwa  peramalan  indeks  produksi  pada  suatu  bulan  (Zt)  merupakan  fungsi  linear  dari  indeks  produksi pada bulan‐bulan sebelumnya.      Gambar 9.1. Plot ramalan. tiga  belas (Zt‐13). dua puluh lima (Zt‐25). dan  residual pada bulan‐bulan sebelumnya.©sht90    Analisis Runtun Waktu dengan R    Plot perbandingan antara nilai aktual dan nilai ramalan beberapa periode kedepan dapat  dilihat pada gambar berikut ini. empat belas (Zt‐14). dua puluh  enam (Zt‐26).22 B12 + 0. tiga puluh enam (Zt‐36).  dengan taksiran varians error (MSE) sebesar 1.

2).  dan  SIC  untuk pemilihan model terbaik pada kasus data GNP US sebelumnya.  Kriteria Pemilihan Model  Ada  beberapa  kriteris  pemilihan  model  yang  dapat  digunakan  untuk  memilih  model  ARIMA  terbaik  pada  suatu  data  runtun  waktu.2) memberikan nilai AIC yang  lebih  kecil  dibandingkan  dengan  model  ARIMA(1.  AICc.  ˆ2 SIC = ln σ k + k ln n .       ‐ 203 ‐  .5.  AICc. n.  dan  SIC  pada  kedua  model  tersebut.0).1.  n dengan  k  adalah  banyaknya  parameter  dalam  model.1. dan  σ k  seperti yang didefinisikan diatas.3.  Berikut ini adalah rumus untuk perhitungan kriteria‐kriteria tersebut. Hal ini dikarenakan model ARIMA(0.0) dengan ARIMA(0. dan  σ k  seperti yang didefinisikan diatas.  dan  Schwarz’s  Information  Criterion  (SIC).2)  adalah  model  yang  lebih  baik  dibanding  model ARIMA(1. yaitu antara model  ARIMA(1.  n ˆ2 dengan k.1.  Akaike’s Information Criterion (AIC)   ˆ2 AIC = ln σ k + n + 2k .1.      AIC Bias Corrected (AICc).  n−k −2 ˆ2 dengan k.1.3.    Misalkan  akan  dilakukan  perbandingan  nilai‐nilai  kriteria  AIC.  n dengan RSS adalah the residual sum of squares (jumlah kuadrat error).  AIC  Bias  Corrected  (AICc).1.3.  Berikut  ini  adalah  script  dan  output  untuk  perhitungan  nilai‐nilai  kriteria  AIC.  dan  n  adalah  jumlah  data  ˆ2 (pengamatan).0). n. kriteria  AIC  menunjukkan  bahwa  model  ARIMA(0.  serta  σ k   estimator  maksimum  likelihood  dari  varians  error  yang  didefinisikan sebagai berikut  ˆ2 σk = RSS k .    Schwarz’s Information Criterion (SIC).  antara  lain  Akaike’s  Information  Criterion  (AIC). Seperti yang dijelaskan pada sub‐bab 9.   ˆ2 AICc = ln σ k + n+k .©sht90    Analisis Runtun Waktu dengan R    9.

  yaitu  model  ARIMA(1. 0.ma$sigma2                # nilai mle dari sigma^2  >  kar = length(gnpgr. kriteria SIC  akan cenderung memilih model yang lebih sederhana dibanding kriteria AIC dan AICc.2).2].276.table("gnp96. Seringkali dalam banyak kasus.284898  >    >  # Perhitungan nilai BIC  >  log(sma) + kma*log(n)/n              # MA(2)        [1] ‐9.©sht90    Analisis Runtun Waktu dengan R      >  gnp96 = read.1.ar$coef)         # jumlah parameter pada model MA  >  sar=gnpgr.0). 0.ma = arima(gnpgr.1. order = c(0.ar$sigma2                    # nilai mle of sigma^2    >                    >  # Perhitungan nilai AIC                           >  log(sma) + (n+2*kma)/n               # MA(2)  [1] ‐8.1.297695    >  log(sar) + (n+2*kar)/n                   # AR(1)      [1] ‐8.ar = arima(gnpgr. yaitu ‐9. 2))  >    >  n = length(gnpgr)                           # jumlah data  >  kma = length(gnpgr.288  dan  ini  lebih  kecil  dibanding  yang  diperoleh model ARIMA(0.294403  >  >  # Perhitungan nilai AICc  >  log(sma) + (n+kma)/(n‐kma‐2)    # MA(2)       [1] ‐8.         ‐ 204 ‐  . order = c(1.1.  yaitu  model  terbaik  adalah model ARIMA(0.  kriteria  SIC  menunjukkan  bahwa  model  yang  lebih  sederhana  adalah  yang  lebih  baik.1. 0))  >  gnpgr. Hal ini ditunjukkan oleh nilai AICc pada model ARIMA(0.263748        Output di atas menunjukkan bahwa kriteria AICc dan SIC memberikan hasil yang  berbeda.  Sebaliknya.  Nilai  SIC  pada  model  ARIMA(1.dat")  >  gnp = ts(gnp96[. frequency=4)  >  gnpgr = diff(log(gnp))  >  gnpgr.1.251712    >  log(sar) + kar*log(n)/n                  # AR(1)    [1] ‐9.287855    >  log(sar) + (n+kar)/(n‐kar‐2)          # AR(1)            [1] ‐8. start=1947.2)  yang  lebih  kecil  daripada  model  ARIMA(1.  Kriteria  AICc  memberikan  hasil  yang  sama  dengan  AIC.0).2).0)  adalah  ‐9.ma$coef)     # jumlah parameter pada model MA  >  sma=gnpgr.

 trend and  irregular components using moving averages. If a frequency is specified.4. the series is then re‐ sampled at the new frequency  library  stats  stats  stats  stats  stats  stats  stats  stats      Dekomposisi Runtun Waktu     Perintah  decompose()  Kegunaan   decomposes a time series into seasonal. Rangkuman perintah dan library yang berkaitan dengan Analisis Runtun  Waktu   Berikut  ini  adalah  rangkuman  beberapa  perintah  dan  penjelasan  tentang  kegunaan.©sht90    Analisis Runtun Waktu dengan R    9. yang biasanya digunakan dalam analisis  runtun waktu. Deals  with additive or multiplicative seasonal component  linear filtering on a time series  computes Holt‐Winters Filtering of a given time  series  library  stats  filter()  HoltWinters()      stats  stats    ‐ 205 ‐  . serta library dari perintah tersebut.     Input Data Runtun Waktu     Perintah  cycle()  deltat()  end()  frequency()  start()  time()  ts()  window()  Kegunaan   gives the positions in the cycle of each observation  returns the time interval between observations  extracts and encodes the times the last observation  were taken  returns the number of samples per unit time  reads a time series file  extracts and encodes the times the first observation  were taken  creates time‐series objects  is a generic function which extracts the subset of the  object 'x' observed between the times 'start'and  'end'.

©sht90    Analisis Runtun Waktu dengan R    Perintah  sfilter()  spectrum()  stl()  tsr()  Kegunaan   removes seasonal fluctuation using a simple moving  average  estimates the spectral density of a time series  decomposes a time series into seasonal.bera. trend and  irregular components using 'loess'  decomposes a time series into trend.test()  shapiro. seasonal and  irregular.test()  Kegunaan   computes the Augmented Dickey‐Fuller test for the  null that 'x' has a unit root (tseries)   computes the Box‐Pierce or Ljung‐Box test statistic  for examining the null hypothesis ofindependence in  a given time series  computes and prints the BDS test statistic for the  null that 'x' is a series of i.d.i.test()  bptest()  dwtest()  tseries  lmtest  lmtest  tseries  tseries  stats  stats  jarque.test()  Box. random variables  performs the Breusch‐Pagan test for  heteroskedasticity of residuals  performs the Durbin‐Watson test for  autocorrelation of residuals  library  tseries  stats  bds.test()  Jarque‐Bera test for normality  kpss.test()  tsdiag()    computes KPSS test for stationarity  Shapiro‐Wilk Normality Test  a generic function to plot time‐series diagnostics    ‐ 206 ‐  . Deals with additive and  multiplicativecomponents  library  ast  stats  stats  ast      Pengujian dalam Analisis Runtun Waktu     Perintah  adf.

plot()  Kegunaan   plots time series against lagged versions of  themselves.sim()  arma()  garch()  Kegunaan   fits an autoregressive time series model to the data. shifting  the time base back by a given number  ofobservations  library  stats  plot. q) time series model tothe  data by computing the maximum‐likelihood  estimates of the conditionally normal model  library  stats  stats  stats  tseries  tseries    Grafik dalam Analisis Runtun Waktu     Perintah  lag.ts()  lag()  stats  stats        ‐ 207 ‐  .  by default selecting the complexity by AIC  fits an ARIMA model to a univariate time series  simulate from an ARIMA model  fits an ARMA model to a univariate time series by  conditional least squares  fits a Generalized Autoregressive Conditional  Heteroscedastic GARCH(p.plot()  stats  ast  stat  ccf(). Function 'ccf'computes the  cross‐correlation or cross‐covariance of two  univariate series  returns suitably lagged and iterated differences  computes a lagged version of a time series. pacf().  ccf()  stats  diff. Unlike  'plot.©sht90    Analisis Runtun Waktu dengan R    Model‐model Stokastik dalam Analisis Runtun Waktu     Perintah  ar()  arima()  arima.ts()  seaplot()  ts. Function 'pacf' is the function used for the  partial autocorrelations.  but they should have the same frequency  the function 'acf' computes (and by default plots)  estimates of the autocovariance or autocorrelation  function. Helps visualizing "auto‐dependence"  evenwhen auto‐correlations vanish  plotting time‐series objects  plotting seasonal sub‐series or profile  plots several time series on a common plot.ts' the series can have a different timebases.

 Identifikasi kecukupan data menunjukkan bahwa variabel x15 dan x17 tidak  memenuhi  syarat  kecukupan  data  sehingga  kedua  variabel  tersebut  tidak  diikutkan  dalam  Analisis  Faktor.           scores = c("none".  Analisis  Konjoin. Analisis Faktor juga digunakan untuk  mereduksi  dimensi  data  kedalam  suatu  variabel  baru  yang  independen  yang  disebut  dengan faktor atau variabel latent. (2006. "regression". khususnya Analisis Faktor. na. 28‐31)  dengan  judul  Multivariate  Data  Analysis  seperti  yang  juga  dibahas  di  Bab  7.  Ada  beberapa  pilihan  rotasi  dan  metode  untuk  mendapatkan  faktor  skor.  Analisis Faktor  Analisis  Faktor  merupakan  salah  satu  metode  interdependensi  dalam  analisis  multivariat  yang  biasanya  digunakan  untuk  mengeksplorasi  struktur  hubungan  yang  terjadi dalam suatu kelompok variabel. (2006) pada Bab 3 tentang Analisis Faktor. start = NULL. Secara umum. ada dua macam Analisis Faktor yaitu  Analisis Faktor eksploratori dan konfirmatori.    10.x18. penjelasan penggunaan R  hanya difokuskan pada Analisis Faktor eksploratori. data = NULL.  Berikut  ini  adalah  deskripsi  penggunaan  secara  umum  dari  perintah tersebut.  antara  lain  Analisis  Faktor.1.  Ada  beberapa  metode  dalam  Analisis  Multivariat.           rotation = "varimax".x7.©sht90    Analisis Multivariat dengan R  BAB 10  ANALISIS MULTIVARIAT DENGAN R    Analisis  Multivariat  merupakan  salah  satu  metode  dalam  analisis  statistik  yang  banyak  digunakan  dalam  penelitian  kuantitatif  yang  melibatkan  banyak  variabel.  Analisis  Diskriminan.…. dan Analisis Klaster.)          ‐ 208 ‐  . n. . Selain itu.  yaitu  x6. hal.  Ada  13  variabel  persepsi  pelanggan  yang  akan  dievaluasi  struktur  hubungannya.   Perintah  factanal  pada  R  adalah  fasilitas  untuk  Analisis  Faktor  dengan  metode  ekstraksi  Maksimum  Likelihood.  dan  Model  Persamaan Struktural (SEM).  Misalkan  akan  dilakukan  Analisis  Faktor  terhadap  variabel‐variabel  tentang  persepsi pelanggan pada data HBAT. Pada bagian ini. factors.     factanal(x.  Analisis  Klaster.    R menyediakan fasilitas untuk Analisis Faktor pada library stats dengan perintah  factanal. control = NULL.  Penjelasan  tentang  hasil  identifikasi  ini  secara  lengkap  dapat  dilihat di Hair dkk.           subset. Pada bab ini akan dijelaskan penggunaan R untuk beberapa  metode tersebut. Analisis Diskriminan. covmat = NULL.obs = NA. "Bartlett").action...SAV yang  ada di buku Hair dkk.  Multidimensional  Scaling.

856 -0.228 0.236 0.977 1. scores = "regression".  Variabel‐variabel  utama  penyusun  faktor  tersebut adalah   Faktor 1 : variabel x9.      ‐ 209 ‐  .SAV  yang  sudah  diimport  ke  dalam R dengan nama hbat.694 Test of the hypothesis that 4 factors are sufficient.884 0.180 0.872 x9 0.592 1.347 0.423 0.129 0. data=hbat.110 0.514 0. dan x12.158 0.521 x11 0.076 Loadings: Factor1 Factor2 Factor3 x6 x7 0. data = hbat.794 0.017 0. dan x18.636 0. berikut adalah perintah dan output dari Analisis Faktor.  Output tersebut juga menunjukkan bahwa ada satu variabel yang sebaiknya dihilangkan  dari analisis karena hasil rotasi masih masuk dalam dua faktor.   Faktor 2 : variabel x7.679 0. factors = 4.   Faktor 3  : variabel x8.190 0.   +          factors=4. x10.102 0.164   SS loadings Proportion Var Cumulative Var Factor1 Factor2 Factor3 Factor4 2. The p-value is 0. rotation="varimax".638 1.119 0.101 0.564 0.793 x8 0. yaitu x11 yang menyusun  Faktor 1 dan 4.130 -0.557 0.163 0.502 0. The chi square statistic is 24.142 x10 0.113       Hasil  output  diatas  menunjukkan  bahwa  empat  faktor  yang  dihasilkan  dapat  menjelaskan  69.415 0.189 Factor4 0.104 x12 0.      > FA <‐ factanal(~x6+x7+x8+x9+x10+x11+x12+x13+x14+x16+x18.©sht90    Analisis Multivariat dengan R    Untuk  kasus  data  persepsi  pelanggan  pada  data  HBAT.360 0.005 0.682 0. dan x14.216 x14 0.105 x18 0.894 x16 0.4%  total  variansi  data.26 on 17 degrees of freedom. x16.178 0.225 -0.928 0. rotation = "varimax") Uniquenesses: x6 x7 x8 x9 x10 x11 x12 x13 x14 x16 x18 0.236 0.974 x13 0.   Faktor 4  : variabel x6 dan x13.135 -0.149 0. scores="regression")    > FA    Call: factanal(x = ~x6 + x7 + x8 + x9 + x10 + x11 + x12 + x13 + x14 + x16 + x18.

©sht90 

  Analisis Multivariat dengan R 

  R  juga  memberikan  fasilitas  untuk  menampilkan  hasil  Analisis  Faktor  lebih  mudah  untuk  diinterpretasi,  yaitu  dengan  cara  mengurutkan  nilai  loading  faktor  pada  variabel  penyusun  faktor.  Berikut  ini  adalah  perintah  print  untuk  menampilkan  hasil  Analisis Faktor dan output yang dihasilkan. 

 
  > print(FA, digits = 3, cutoff = 0.4, sort = TRUE)   
Call: factanal(x = ~x6 + x7 + x8 + x9 + x10 + x11 + x12 + x13 + x14 + x16 + x18, factors = 4, data = hbat, scores = "regression", rotation = "varimax") Uniquenesses: x6 x7 x8 x9 x10 x11 x12 x13 x14 x16 x18 0.682 0.360 0.228 0.178 0.679 0.005 0.017 0.636 0.163 0.347 0.076 Loadings: Factor1 Factor2 Factor3 Factor4 x9 0.884 x16 0.794 x18 0.928 x7 0.793 x10 0.521 x12 0.974 x8 0.872 x14 0.894 x6 0.557 x11 0.502 0.856 x13 -0.514 Factor1 Factor2 Factor3 Factor4 2.592 1.977 1.638 1.423 0.236 0.180 0.149 0.129 0.236 0.415 0.564 0.694

SS loadings Proportion Var Cumulative Var

Test of the hypothesis that 4 factors are sufficient. The chi square statistic is 24.26 on 17 degrees of freedom. The p-value is 0.113

   
   

10.2.  Analisis Diskriminan 
Analisis  Diskriminan  merupakan  salah  satu  metode  dependensi  dalam  analisis  multivariat  yang  biasanya  digunakan  untuk  evaluasi  klasifikasi  objek.  Sifat  data  yang  digunakan  dalam  analisis  ini  adalah  non‐metrik  pada  variabel  dependen  (biasanya  berupa kode group objek) dan metrik pada kelompok variabel independen. Tujuan dari  analisis  ini  adalah  mendapatkan  suatu  fungsi  (disebut  fungsi  diskriminan)  yang  dapat  digunakan untuk memisahkan objek sesuai dengan group atau klasifikasinya. Fungsi ini  selanjutnya dapat juga digunakan untuk memprediksi group dari suatu objek baru yang  diamati.    
 

‐ 210 ‐ 

©sht90 

  Analisis Multivariat dengan R 

  R  menyediakan  fasilitas  untuk  Analisis  Diskriminan  Linear  dan  Kuadratik  pada  library MASS dengan perintah lda (linear) dan qda (kuadratik). Sebagai contoh, data iris  yang  sudah  ada  di  paket  R  akan  digunakan  sebagai  studi  kasus  untuk  Analisis  Diskriminan  Linear.  Berikut  adalah  contoh  perintah  dan  output  Analisis  Diskriminan  Linear pada data iris tersebut.      
> Iris <‐ data.frame(rbind(iris3[,,1], iris3[,,2], iris3[,,3]),  +                    Sp = rep(c("s","c","v"), rep(50,3)))  > train <‐ sample(1:150, 75)     # Sampel 75 data dari 150  > table(Iris$Sp[train])                # 75 data sampel yang terpilih 
 

c s v 29 22 24  

> z <‐ lda(Sp ~ ., Iris, prior = c(1,1,1)/3, subset = train)  > z                       #  Menampilkan hasil Analisis Diskriminan 
Call: lda(Sp ~ ., data = Iris, prior = c(1, 1, 1)/3, subset = train) Prior probabilities of groups: c s v 0.3333333 0.3333333 0.3333333 Group means: Sepal.L. Sepal.W. c 5.986207 2.765517 s 4.954545 3.400000 v 6.683333 2.958333

Petal.L. 4.293103 1.481818 5.654167

Petal.W. 1.327586 0.250000 2.016667

Coefficients of linear discriminants: LD1 LD2 Sepal.L. 0.8690984 0.07142847 Sepal.W. 1.5296128 -2.41239510 Petal.L. -1.7362163 0.89825836 Petal.W. -4.0571327 -2.94769154 Proportion of trace: LD1 LD2 0.9915 0.0085

   

 
Perintah Analisis Diskriminan Linear pada script diatas diaplikasikan pada 75 data sampel  (train)  dan  sisanya  digunakan  untuk  validasi  apakah  fungsi  diskriminan  yang  diperoleh  dapat memprediksi dengan tepat group dari 75 data sisanya. Taksiran nilai koefisien dari  dua fungsi linear diskriminan yang dihasilkan dapat dilihat pada output tersebut.   
 

‐ 211 ‐ 

©sht90 

  Analisis Multivariat dengan R 

  Evaluasi  kebaikan  klasifikasi  dari  Analisis  Diskriminan  Linear  pada  data  training  dan testing dapat dilihat pada output berikut ini. 
 

    > predict(z, Iris[‐train, ])$class   [1] s s s s s s s s s s s s s s s s s s s s s s s s s s s s c c c c c c c c v c  [39] c c c c c c c c c c c v v v v v v v v v v v v v v c v c v v v v v v v v v  Levels: c s v    > table(Iris$Sp[train], predict(z, Iris[train, ])$class) 
    

c s v c 28 0 1 s 0 22 0 v 0 0 24

  > table(Iris$Sp[‐train], predict(z, Iris[‐train, ])$class) 
    

c s v c 20 0 1 s 0 28 0 v 2 0 24

 

 
Hasil  diatas  menunjukkan  bahwa  pada  data  training  hanya  ada  satu  pengamatan  yang  salah terklasifikasi, yaitu harusnya kelompok c diprediksi v. Sedangkan pada data testing  ada  tiga  pengamatan  yang  salah  terklasifikasi,  yaitu  satu  pengamatan  kelompok  c  diprediksi v, dan dua pengamatan kelompok v diprediksi c. 

 
10.3.  Analisis Cluster 
Analisis Cluster adalah suatu metode dalam analisis multivariat yang digunakan  untuk  menemukan  struktur  group  atau  kelompok  diantara  kasus‐kasus  (obyek)  yang  diamati.  Secara  umum,  metode  dalam  Analisis  Cluster  didasarkan  pada  ukuran  similaritas dan dissimiliaritas.  Paket R menyediakan fasilitas untuk Analisis Cluster pada  R‐Commander. Pilihan untuk Analisis Cluster ini dapat dilakukan dengan memilih menu  Statistika,  pilih  Analisis  Dimensional,  dan  kemudian  pilih  Analisis  Klaster,  sehingga  diperoleh pilihan seperti berikut ini.  
 

   
 

‐ 212 ‐ 

©sht90 

  Analisis Multivariat dengan R 

  Pada  bagian  ini,  penjelasan  tentang  penggunaan  R  untuk  Analisis  Cluster  akan  difokuskan  pada  pemakaian  perintah  langsung  di  R‐Console  atau  command  line.  Perintah hclust dapat digunakan untuk implementasi Analisis Cluster dengan beberapa  pilihan  metode  agglomeration,  yaitu  "ward",  "single",  "complete",  "average",  "mcquitty", "median" atau "centroid". Misalkan akan diterapkan Analisis Cluster untuk  mendapatkan  kelompok  negara‐negara  bagian  di  Amerika  pada  data  USArrest  yang  sudah tersedia di paket R. Berikut ini adalah script dan hasil output dari Analisis Cluster  Hirarki dengan menggunakan ukuran dissimilaritas dan metode average.       
  > hca <‐ hclust(dist(USArrests))  > plot(hca)  > rect.hclust(hca, k=3, border="red")  > x <‐ rect.hclust(hca, h=50, which=c(2,7), border=3:4) 

 

 
Berikut  ini  adalah  output  dendogram  berdasarkan  script  diatas,  yang  dapat  digunakan  untuk menentukan jumlah kelompok yang akan dianalisis lanjut. 
 

 
 

Gambar 10.1.  Dendogram untuk negara‐negara bagian Amerika berdasarkan                 Analisis Cluster Hirarki metode “average”   
 

‐ 213 ‐ 

©sht90 

  Analisis Multivariat dengan R 

  Untuk  mengetahui  keanggotaan  group  atau  kelompok  yang  dihasilkan  dalam  Analisis  Cluster  Hirarki  diatas,  R  menyediakan  perintah  cutree  untuk  menampilkannya.  Berikut  ini  adalah  script  dan  hasil  output  tentang  keanggotaan  setiap  obyek  dengan  Analisis Cluster Hirarki.       
  >  hca <‐ hclust(dist(USArrests)) 
 

>  cutree(hca, k=1:5)    # k = 1 adalah kelompok trivial   
Alabama Alaska Arizona Arkansas California Colorado Connecticut Delaware Florida ………………… ………………… ………………… Utah Vermont Virginia Washington West Virginia Wisconsin Wyoming 1 1 1 1 1 1 1 1 1 1 2 1 1 1 2 1 2 2 1 1 3 1 1 1 2 1 2 3 1 1 4 1 1 1 2 1 2 3 1 4 5 1 1 1 2 1 2 3 1 4

1 1 1 1 1 1 1

2 2 2 2 2 2 2

3 3 2 2 3 3 2

3 3 2 2 3 3 2

3 5 2 2 5 5 2

  >  ## Perbandingan 2 dan 3 group hasil Cluster   >  g24 <‐ cutree(hca, k = c(2,4))  >  table(g24[,"2"], g24[,"4"]) 
    

1 2 3 1 14 0 0 2 0 14 20

4 2 0

 
  Output  diatas  menunjukkan  hasil‐hasil  pengelompokan  dengan  menggunakan  jumlah  kelompok  1  sampai  dengan  5.  Hasil  perbandingan  untuk  2  kelompok  dan  4  kelompok  juga  ditampilkan  pada  output  diatas.  Jika  menggunakan  4  kelompok,  maka  2  anggota  yang semula di group 1 pada analisis dengan 2 kelompok menjadi group 4, sedangkan 20  anggota yang semula di group 2 pada analisis dengan 2 kelompok menjadi group 3.     

 

‐ 214 ‐ 

©sht90 

   Daftar Pustaka 

 

DAFTAR PUSTAKA 
    Hair, J.F., Anderson, R.E., Tatham, R.L. and Black, W.C. (2006) Multivariate Data Analysis.  6th edition, Prentice Hall International: United Kingdom.  Shumway, R.H. and Stoffer, D.S. (2006) Time Series Analysis and Its Applications with R  Examples. 2nd edition, Springer: New York, USA.    * Berikut adalah referensi e‐book yang dapat didownload di server CRAN R‐Project  Vikneswaran  (2005)  An  R  companion  to  “Experimental  Design”.  www.geocities.com/  viknesh_g/.  Chongsuvivatwong,  V.  (2006)  Analysis  of  Epidomiological  Data  Using  R  and  Epicalc.  Epidemiology Unit, Prince of Songkla University, Thailand.  Baron,  J.  and  Li,  Y.  (2003)  Notes  on  the  use  of  R  for  psychology  experiments  and  questionnaires. Deparment of Psychology, University of Pennsylvania.  Faraway,  J.  J.  (2002)  Practical  Regression  and  Anova  using  R.  www.stat.lsa.umich.edu/  ~faraway/book.  Farnsworth, G.V. (2006) Econometrics in R. g‐farnsworth@kellogg.northwestern.edu.   Ricci, V. (2005) Fitting Distributions with R. vito_ricci@yahoo.com.  Bliese, P. (2006) Multilevel Modeling in R (2.2): A Brief Introduction to R, the multilevel  package and the nlme package. Paul.bliese@us.army.mil.  Owen,  W.J.  (2007)  The  R  Guide.  Department  of  Mathematics  and  Computer  Science,  University of Richmond.  Paradis,  E.  (2005)    R  for  Beginners.  Institut  des  Sciences  de  l’Evolution,  Universite  Montpellier II, France.  Rossiter, D.G. (2007) Introduction to the R Project for Statistical Computing for use at ITS.  http://www.its.nl/personal/rossiter.  Seefeld K. and Linder, E. (2007) Statistics Using R with Biological Examples. Department  of Mathematics & Statistics, University of New Hampshire, Durham, NH.  Maindonald, J.H. (2004) Using R for Data Analysis and Graphics: Introduction, Code and  Commentary. Centre for Bioinformation Science, Australian National University.  Verzani, JA. (2002) Simple R – Using R for Introductory Statistics. www.math.csi.cuny.edu  /Statistics/R/simpleR/Simple.  Venables, W.N. and Smith, D.M. (2007) An Introduction to R. The R Development Core  Team. 

‐        ‐  215

©sht90 

      Daftar Indeks 

 

DAFTAR INDEKS 
   
abline,    157      acf,    140, 177‐180  AIC, AICc,   203  Akaike’s Information Criterion,    lihat AIC  Analisis,     Cluster,    212‐214    Diskriminan,    210‐211    Faktor,    208‐209    Multivariat,    208    Regresi,    120‐126    Runtun Waktu,    162‐207    Variansi,   105‐111  ANOVA,   lihat Analisis Variansi  ARIMA,    176‐202    cek diagnosa,    185‐186    estimasi,    183      indentifikasi,    176‐177    musiman,    197‐202    nonmusiman,    181‐193    musiman,    197‐202    peramalan,    188‐189    Yule‐Walker,    183    least squares,    183‐184    maksimum likelihood,    183‐184    Bartlett,    114  bar‐chart,    56  binomial,    69‐77  box‐and‐whisker plot,    50  Box‐Jenkins methodology,    176    chi‐square test,    90  compute,    27‐29  correlation,    87    data,    30‐37    array,    30    frame,    34    matriks,    31    list,    37  dataset,    24‐25  dendogram,    213    216  diagram,      batang (bar‐chart),    56    lingkaran (pie‐chart),    57    pencar (scatter‐plot),    53  direktori,    6  diskriminan,    210‐211    linear,    210  distribusi,    61‐75    binomial,    69‐77    diskrit,    69    frekuensi,    83    kontinu,    62    normal,    62‐67    edit,    data,    20  eksponensial smoothing,    165‐175    ganda,    173‐174    sederhana,    174‐175    Holt‐Winters,    167‐172  entry,    data,     16‐18  estimasi    model linear tergeneralisir,   128       model ARIMA,    183    regresi linear,    121    Factor Analysis,    208‐209  factors,    42  frame,    34  fungsi,        distribusi,    61,62,69    plot,    146‐158      Generalized Linear Model,     127‐129  grafik,    43‐60, 144‐161    setting,    160‐161  GLM,    127‐129   help,    10‐15    search‐engine,    12‐14    online search‐engine,    15   

‐ 216 ‐ 

    25    dataset.    116‐119    QQ‐plot.    98    sampel berpasangan.    120‐130    linear.    31.    102    sampel tunggal.    46  Holt‐Winters.    121‐122  lm.    89  kuantil.    1      plot.    88  SIC.    55  model.    79‐81    numerik.86    data.    62‐67.    95‐104    dua sampel bebas.    model.   165‐175    ARIMA.©sht90        Daftar Indeks    histogram.    regresi.    22.    176‐203    linear tergeneralisir.    62‐67    paket.    69    normal.    51      recode.    1  linear.    62    lda.39    MINITAB.    25  tabel.    162‐203    tren linear.    121‐126  logistik.    127‐129    matriks.    171‐172    import data.41  instalasi R. 41    SPSS.    58    interaktif.    158    rata‐rata.    84.    86  mean.    20.    162‐205    Shapiro‐Wilk.    79‐81  runtun waktu. 146‐161    indeks.    62.    116‐119    uji perbedaan.    163    eksponensial smoothing.    208    normal.    55    utama.    203  Stem‐and‐Leaf.    117  uji rata‐rata.    30    Yule‐Walker.    115    vektor.    2    kenormalan.    22.    120‐126  ringkasan.    48  summary.    112‐115    Bartlett.     119    sampel tunggal.    157  proporsi.    31    korelasi.    167‐172    aditif.    167‐170    multiplikatif.    95  uji variansi.    115  library. 58.    38    EXCEL. 88    distribusi.    89    statistika.69    binomial.    plot.    114    dua variansi.89    kontingensi.    ASCII.    55.    25  regresi.    127‐129  multivariat.    116‐119    dua sampel.    84    uji proporsi.    146‐156    tambahan.    79‐81    transformasi.    112    Levene.    shapiro‐wilk.    123‐126    regresi.    88  kontingensi.    210  Levene.    183    ‐ 217 ‐  .

 turism di Bali.  Beberapa  mata  kuliah  yang  diampu  adalah  Analisis  Runtun  Waktu  (Time  Series Analysis).  dan  econometrics  time  series. transportasi (kendaraan) di jalan tol.©sht90   Tentang Penulis    TENTANG PENULIS      Suhartono.  Universitas  Gadjah Mada (UGM).  UK.id.ac.  Beberapa  file  untuk  pembelajaran  Time  Series  Analysis  dan  Design  of  Experiment  yang  telah ia buat dapat diakses secara online pada open content ITS melalui www.  Saat  ini  ia  sedang  meneliti  tentang  model  hybrid  neural  network  dan  analisis wavelet untuk time series forecasting.    Bidang  penelitian  yang  banyak  dilakukan  adalah  time  series  forecasting. dan Analisis Multivariat  di program Sarjana dan Magister.  spatial  time  series.    Di  Jurusan  Statistika  ITS.  Beberapa  area terapan yang menjadi obyek penelitian dan telah dilakukan antara lain pemodelan  inflasi di Indonesia.  dan  model  variasi  kalender  yang  banyak  terjadi  di  beberapa  kasus  data series di Indonesia.  Kemudian  ia  mendapat  Dr  pada  tahun  2007  di  bidang  Neural  Network  for  Time  Series  Forecasting  dari  Jurusan  Matematika.  neural  network  for  data  analysis. Analisis Data.its.           ‐ 218 ‐  .  structural  change. karya‐karya penelitian yang telah ia lakukan dapat juga diakses secara online  pada pilihan web personal dosen di homepage ITS tersebut.  Institut  Teknologi Sepuluh Nopember (ITS).  ia  saat  ini  menjadi  Kepala  Laboratorium  Statistik  Komputasi.  Selain itu. serta mengembangkan model intervensi. hidrologi (debit  air di suatu bendungan).  tahun  1998. dan pemodelan pemakaian energi listrik jangka pendek di suatu  area  distribusi. Ia lulus S1 Statistika ITS pada  tahun  1995  dan  mendapat  Master  of  Statistical  Analysis  and  Stochastic  Systems  dari  University  of  Manchester  Institute  of  Science  and  Technology  (UMIST).  bekerja  sebagai  dosen  di  Jurusan  Statistika.

Sign up to vote on this title
UsefulNot useful