Baru baca Modul 1, sudah bingung bedain histogram sama diagram batang. Padahal minggu depan kamu harus paham ukuran pemusatan dan penyebaran data sekaligus. STSI4204 Analisis dan Visualisasi Data memang menguji dari sisi konsep, bukan cuma teknis. Seringnya, soal UAS meminta kamu membandingkan kelompok data dalam satu tampilan.
Modul 3 tentang data hilang dan Modul 4 soal regresi sederhana juga butuh fokus ekstra. Bukan cuma definisinya. Teknik penanganan seperti imputasi rata-rata atau regresi konfirmasi sering muncul berdampingan. Di sinilah kumpulan soal UT Statistika bisa jadi ajang latihan. Rasakan sendiri bagaimana satu soal menyambung ke konsep lainnya.
Soal-soal di bawah ini kami susun dari tiap kegiatan belajar. Ada juga yang menyentuh visualisasi data interaktif dan dashboard. Semua dilengkapi kunci jawaban dan pembahasan biar kamu tahu letak salahnya. Kalau sudah mantap, coba cek latihan UAS UT di halaman lain untuk matkul lain.
Soal UT STSI4204 Analisis dan Visualisasi Data
Seorang analis menghitung rata-rata pendapatan 100 responden dengan menjumlahkan seluruh pendapatan lalu membaginya dengan 100. Prosedur ini paling tepat menggambarkan ukuran pemusatan jenis…
Mean dihitung dengan menjumlahkan semua nilai lalu membagi dengan jumlah data, sehingga prosedur yang dilakukan analis tersebut merupakan penghitungan mean.
Suatu dataset memiliki nilai-nilai: 12, 15, 18, 20, 22, 25, 30. Ukuran pemusatan manakah yang paling tepat digunakan jika peneliti ingin memperoleh nilai yang membagi data terurut menjadi dua bagian sama banyak…
Median adalah nilai tengah yang membagi data terurut menjadi dua bagian dengan jumlah data yang sama banyak.
Seorang guru mencatat nilai ujian 40 siswa dan menemukan bahwa nilai 75 muncul sebanyak 8 kali, lebih banyak dibandingkan nilai lainnya. Dalam konteks ini, 75 disebut sebagai…
Modus adalah nilai yang paling sering muncul dalam suatu kumpulan data, dalam kasus ini 75 muncul terbanyak yaitu 8 kali.
Ketika distribusi data sangat menceng ke kanan akibat adanya beberapa nilai ekstrem tinggi, ukuran pemusatan manakah yang cenderung paling tidak terpengaruh oleh pencilan tersebut…
Median tidak bergantung pada nilai ekstrem karena hanya mempertimbangkan posisi tengah data terurut, sehingga resisten terhadap pencilan.
Berikut adalah data tinggi tanaman (cm) di sebuah kebun percobaan: 45, 50, 52, 48, 55, 60, 58, 53, 47, 51. Untuk mengetahui seberapa besar penyimpangan rata-rata setiap data terhadap meannya, ukuran yang tepat dihitung adalah…
Simpangan baku mengukur rata-rata jarak setiap titik data terhadap mean, menunjukkan seberapa besar penyebaran data dari pusatnya.
Seorang peneliti ingin mengukur sebaran 50% data di bagian tengah distribusi agar tidak terpengaruh oleh nilai-nilai ekstrem. Ukuran penyebaran yang sesuai adalah…
Rentang interkuartil adalah selisih antara kuartil ketiga dan kuartil pertama, mencakup 50% data tengah dan tahan terhadap pencilan.
Perhatikan dua ukuran penyebaran berikut: (1) rata-rata kuadrat selisih setiap data terhadap mean, dan (2) akar kuadrat dari rata-rata kuadrat selisih tersebut. Manakah pernyataan yang benar mengenai hubungan keduanya…
Varians dihitung sebagai rata-rata kuadrat selisih terhadap mean, sedangkan simpangan baku adalah akar kuadrat dari varians.
PT Maju Sejahtera memiliki data gaji karyawan dengan rentang nilai yang sangat lebar. Manajemen ingin melaporkan satu angka yang merepresentasikan gaji tipikal tanpa terdistorsi oleh gaji direksi yang sangat tinggi. Ukuran pemusatan yang direkomendasikan adalah…
Median lebih tepat digunakan ketika terdapat nilai ekstrem karena memberikan gambaran gaji tipikal yang tidak terdistorsi oleh beberapa nilai sangat tinggi.
Dua kelompok data dibandingkan menggunakan diagram yang menampilkan lima angka ringkasan: nilai minimum, Q1, median, Q3, dan nilai maksimum. Diagram ini paling tepat digunakan untuk mengidentifikasi perbedaan sebaran antar kelompok secara visual…
Box plot menyajikan ringkasan lima angka yang memudahkan perbandingan sebaran antarkelompok melalui visualisasi median, kuartil, dan nilai ekstrem.
Seorang analis ingin membandingkan sebaran nilai ujian tiga kelas paralel secara visual sekaligus mengidentifikasi keberadaan pencilan di setiap kelas. Visualisasi yang paling komprehensif untuk tujuan ini adalah…
Box plot menyajikan lima angka ringkasan dan secara eksplisit menandai pencilan, sehingga ideal untuk membandingkan sebaran antarkelompok sekaligus mendeteksi pencilan.
Ketika membandingkan dua kelompok data yang memiliki distribusi sangat menceng, ukuran pemusatan manakah yang memberikan perbandingan paling representatif terhadap nilai tipikal masing-masing kelompok…
Median tidak dipengaruhi oleh nilai ekstrem sehingga lebih representatif sebagai ukuran tipikal ketika distribusi menceng. Mean akan tertarik ke arah ekor distribusi.
Dua perusahaan retail, A dan B, masing-masing memiliki 50 cabang. Manajemen pusat ingin menyajikan perbandingan pendapatan bulanan kedua perusahaan berdasarkan kategori kota (besar, menengah, kecil) dalam satu tampilan. Visualisasi yang paling sesuai adalah…
Diagram batang berkelompok memungkinkan perbandingan langsung antar kelompok dalam setiap kategori, sehingga pola perbedaan mudah terlihat secara visual.
Dalam laporan tahunan, sebuah lembaga survei menampilkan perbandingan rata-rata kepuasan pelanggan antara empat provider telekomunikasi menggunakan diagram batang. Jika lembaga tersebut juga ingin menampilkan variabilitas skor kepuasan pada diagram yang sama, elemen tambahan apa yang paling informatif…
Error bar pada diagram batang menyajikan informasi variabilitas secara langsung pada visualisasi yang sama, sehingga pembaca dapat menilai perbedaan rata-rata dan sebarannya sekaligus.
Seorang peneliti membandingkan dua kelompok data: kelompok X memiliki mean 50 dan median 48, sedangkan kelompok Y memiliki mean 48 dan median 50. Berdasarkan informasi ini, manakah pernyataan yang paling mungkin benar tentang bentuk distribusi kedua kelompok…
Jika mean lebih besar dari median, distribusi menceng ke kanan. Sebaliknya, mean lebih kecil dari median menunjukkan distribusi menceng ke kiri.
Dalam membandingkan tiga kelompok data, analis menggunakan diagram yang menampilkan median, kuartil, dan whisker. Namun, diagram tersebut tidak menampilkan informasi mengenai ukuran pemusatan selain median. Jika analis juga ingin membandingkan mean antarkelompok pada diagram yang sama, simbol apakah yang lazim ditambahkan…
Pada box plot, simbol seperti titik atau berlian sering ditambahkan untuk menunjukkan posisi mean, sehingga perbandingan mean dan median antarkelompok dapat dilakukan dalam satu visualisasi.
Ketika mean dan modus dua kelompok data disajikan berdampingan untuk perbandingan, informasi penting apa yang hilang jika hanya kedua ukuran tersebut yang dilaporkan tanpa ukuran penyebaran…
Mean dan modus hanya menggambarkan pemusatan data. Tanpa ukuran penyebaran, tidak diketahui seberapa homogen atau bervariasinya data dalam kelompok tersebut.
Asumsi homoskedastisitas merupakan salah satu aspek yang mendasari perlunya transformasi data. Asumsi ini mensyaratkan bahwa…
Homoskedastisitas adalah kondisi di mana varians residual konstan di sepanjang nilai variabel prediktor. Pelanggaran asumsi ini dapat diatasi melalui transformasi data.
Sebelum melakukan analisis regresi, seorang analis memeriksa scatter plot dan menemukan bahwa pola titik-titik data membentuk kurva melengkung, bukan garis lurus. Asumsi yang dilanggar dalam situasi ini adalah…
Linearitas mensyaratkan hubungan antara variabel prediktor dan respons bersifat garis lurus. Pola melengkung pada scatter plot menunjukkan pelanggaran asumsi ini.
Data jumlah pelanggan yang dikeluhkan per hari di sebuah call center memiliki varians yang meningkat seiring dengan bertambahnya jumlah panggilan masuk. Kondisi ini menunjukkan pelanggaran terhadap asumsi…
Varians yang berubah sepanjang rentang nilai prediktor merupakan indikasi heteroskedastisitas, yaitu pelanggaran terhadap asumsi homoskedastisitas.
Dalam prosedur analisis data, normalitas sering menjadi asumsi penting. Konsekuensi langsung jika data tidak memenuhi asumsi normalitas pada analisis parametrik adalah…
Banyak uji parametrik mengandalkan distribusi normal. Jika asumsi ini dilanggar, nilai-p dan interval kepercayaan bisa tidak akurat, sehingga berpotensi menghasilkan kesimpulan yang keliru.
Transformasi data sering diterapkan untuk mengatasi kemencengan positif yang parah pada distribusi data pendapatan. Prinsip utama di balik efektivitas transformasi dalam kasus ini adalah…
Transformasi seperti logaritma bekerja dengan memperkecil jarak antar nilai pada rentang tinggi secara lebih agresif sehingga ekor kanan distribusi tertarik masuk dan distribusi menjadi lebih simetris.
Ketika sebuah distribusi sangat menceng ke kanan, transformasi akar kuadrat diterapkan. Namun, terdapat pula metode yang memilih parameter optimal secara otomatis untuk mendekatkan data pada distribusi normal. Metode yang dimaksud adalah…
Transformasi Box-Cox merupakan keluarga transformasi pangkat yang mengestimasi parameter lambda optimal dari data untuk mencapai bentuk distribusi yang paling mendekati normal.
Data curah hujan harian di suatu wilayah memiliki varians yang sangat besar pada musim hujan namun kecil pada musim kemarau. Transformasi yang paling tepat untuk menstabilkan varians data semacam ini adalah…
Transformasi logaritma sangat efektif untuk data dengan varians yang proporsional terhadap mean, karena mengkompresi nilai-nilai tinggi sehingga varians menjadi lebih stabil.
Sebelum melakukan analisis klaster, seorang data scientist melakukan standarisasi Z-score pada seluruh variabel numerik. Tujuan utama dari prosedur ini adalah…
Standarisasi Z-score mentransformasi data agar memiliki mean nol dan simpangan baku satu, sehingga setiap variabel memiliki pengaruh yang setara dalam analisis jarak seperti klastering.
Data cacahan (count data) yang menyebar mengikuti distribusi Poisson sering kali memiliki hubungan antara mean dan varians. Untuk menstabilkan varians data cacahan, transformasi yang umum direkomendasikan adalah…
Untuk data cacahan berdistribusi Poisson, transformasi akar kuadrat efektif menstabilkan varians karena varians Poisson setara dengan mean-nya.
Seorang analis keuangan di perusahaan rintisan mendapati data pendapatan bulanan sangat menceng ke kanan. Ia menerapkan transformasi log(y+1) lalu melihat distribusinya menjadi lebih simetris. Tujuan utama transformasi logaritma dalam kasus ini adalah…
Transformasi logaritma sangat efektif untuk data dengan kemencengan positif yang kuat karena logaritma mengkompresi nilai besar lebih kuat daripada nilai kecil, sehingga distribusi menjadi lebih simetris dan varians lebih stabil.
Data jumlah kecelakaan lalu lintas per bulan di suatu kota memiliki karakteristik varians yang meningkat sebanding dengan meannya. Transformasi yang paling sesuai untuk menstabilkan varians data cacahan semacam ini adalah…
Data cacahan yang variansnya proporsional terhadap mean, seperti data Poisson, cocok ditransformasi menggunakan akar kuadrat karena transformasi ini menstabilkan varians dengan cara mereduksi pengaruh nilai besar secara moderat.
Seorang peneliti menerapkan transformasi Box-Cox pada data dan menemukan bahwa nilai lambda optimal adalah -0,5. Hal ini menunjukkan bahwa data asli memiliki karakteristik…
Lambda negatif pada Box-Cox menandakan data sangat menceng ke kanan. Lambda -0,5 ekuivalen dengan transformasi 1/sqrt(y), yang mengkompresi nilai ekstrem kanan lebih kuat daripada logaritma.
Berbeda dengan normalisasi min-max yang mengubah rentang data menjadi [0,1], standarisasi Z-score memiliki ciri khas berupa…
Standarisasi Z-score mengurangi setiap nilai dengan mean lalu membaginya dengan simpangan baku, sehingga hasil transformasi memiliki mean 0 dan simpangan baku 1 tanpa mengubah bentuk distribusinya.
Ketika data pendapatan penduduk diolah menggunakan transformasi logaritma dan akar kuadrat, hasil keduanya tidak jauh berbeda dalam mengurangi kemencengan. Namun, transformasi akar kuadrat lebih direkomendasikan ketika…
Logaritma dari nol tidak terdefinisi, sehingga untuk data dengan banyak nilai nol, transformasi akar kuadrat dapat langsung diterapkan pada data asli tanpa perlu menambahkan konstanta seperti pada log(y+1).
Dalam prosedur Box-Cox, parameter lambda dipilih secara optimal berdasarkan kriteria tertentu. Prinsip pemilihan lambda terbaik adalah…
Box-Cox menggunakan metode maximum likelihood untuk menemukan lambda yang membuat data hasil transformasi paling mendekati distribusi normal, bukan sekadar memperbaiki tampilan visual.
Ketika data hilang terjadi secara murni acak dan tidak bergantung pada data apa pun dalam dataset, mekanisme ini dikategorikan sebagai…
MCAR adalah kondisi paling ketat di antara mekanisme data hilang, di mana probabilitas hilangnya suatu nilai tidak bergantung pada variabel apa pun, baik teramati maupun tidak teramati.
Pada survei kesehatan, responden dengan pendapatan tinggi cenderung tidak mengisi pertanyaan tentang utang, tetapi kemungkinan ini tidak bergantung pada besar utang mereka yang sebenarnya. Mekanisme data hilang ini tergolong…
Dalam MAR, probabilitas data hilang bergantung pada variabel teramati lain (dalam hal ini pendapatan), tetapi tidak pada nilai variabel yang hilang itu sendiri (besar utang).
Di klinik kesehatan jiwa, pasien dengan tingkat depresi parah justru paling sering melewatkan pengisian kuesioner tingkat depresi. Pola ini menunjukkan mekanisme…
MNAR terjadi ketika probabilitas data hilang bergantung pada nilai variabel yang hilang itu sendiri. Semakin parah depresi, semakin besar kemungkinan kuesioner tidak diisi, sehingga mekanismenya MNAR.
Perbedaan esensial antara MCAR dan MAR terletak pada…
MCAR mensyaratkan probabilitas hilang tidak bergantung pada variabel apa pun, sedangkan MAR membolehkan ketergantungan pada variabel teramati lain selama tidak bergantung pada nilai variabel yang hilang tersebut.
Peneliti yang mengabaikan mekanisme MNAR dan tetap menggunakan imputasi standar berisiko menghasilkan…
Pada MNAR, data hilang bergantung pada nilai yang tidak teramati, sehingga mekanisme ini bersifat non-ignorable. Mengabaikannya dan menggunakan imputasi standar dapat menghasilkan estimasi yang bias secara sistematis.
Jika analis membuktikan bahwa data hilang memenuhi asumsi MCAR, konsekuensi positif yang diperoleh adalah…
Pada MCAR, data yang teramati merupakan sampel acak dari data lengkap, sehingga analisis yang hanya menggunakan data lengkap tetap menghasilkan estimasi tidak bias, meskipun terjadi penurunan presisi karena ukuran sampel berkurang.
Untuk membedakan MAR dari MNAR dalam praktik, tantangan utamanya adalah…
MNAR melibatkan nilai yang tidak teramati sebagai penyebab hilangnya data. Karena nilai-nilai ini tidak tersedia, membedakan MNAR dari MAR memerlukan asumsi kuat atau informasi eksternal yang sulit diperoleh.
Seorang peneliti mendapati bahwa pola data hilang pada variabel pendapatan identik antara responden pria dan wanita, serta tidak berkaitan dengan usia atau pendidikan. Ia menyimpulkan mekanisme MCAR. Dasar pengambilan kesimpulan ini adalah…
Kesimpulan MCAR didukung oleh bukti bahwa probabilitas data hilang tidak berkaitan dengan variabel teramati lain seperti jenis kelamin, usia, atau pendidikan. Independensi terhadap variabel teramati merupakan indikator kuat MCAR.
Dalam menangani data hilang, penghapusan listwise diterapkan dengan cara membuang seluruh baris yang memiliki setidaknya satu nilai hilang. Kelemahan utama teknik ini dibandingkan imputasi adalah…
Penghapusan listwise dapat mengakibatkan hilangnya banyak observasi meskipun setiap variabel hanya memiliki sedikit data hilang, terutama jika data hilang tersebar di banyak variabel. Ini mengurangi ukuran sampel secara signifikan.
Sebuah studi memiliki data tinggi badan dengan 15% nilai hilang. Peneliti memilih mengisi data hilang menggunakan rata-rata tinggi badan responden yang lengkap. Risiko utama dari imputasi mean ini adalah…
Imputasi mean mempertahankan mean variabel tetapi memperkecil varians karena semua nilai imputasi terkonsentrasi di pusat distribusi. Ini dapat mendistorsi kovarians dan korelasi dengan variabel lain.
Apabila data hilang pada variabel Y bersifat MAR dan terdapat variabel prediktor X yang lengkap serta berkorelasi tinggi dengan Y, teknik imputasi yang paling memanfaatkan informasi yang tersedia adalah…
Imputasi regresi memanfaatkan hubungan antara variabel prediktor X yang lengkap dengan Y yang memiliki data hilang. Dengan mengestimasi Y dari X, imputasi ini menghasilkan dugaan yang lebih akurat daripada sekadar mengisi rata-rata.
Seorang peneliti memiliki dataset dengan 200 observasi, tetapi variabel tekanan darah memiliki 30 data hilang. Ia memutuskan membuang seluruh baris yang tekanan darahnya hilang, sehingga sampel efektifnya menjadi 170. Teknik ini dikenal sebagai…
Penghapusan listwise membuang seluruh baris yang memiliki setidaknya satu nilai hilang pada variabel yang dianalisis, sehingga ukuran sampel menyusut secara drastis.
Pada studi tentang kepatuhan minum obat, peneliti mengisi data pasien yang kosong menggunakan rata-rata tingkat kepatuhan dari pasien lain yang datanya lengkap. Metode ini rentan menghasilkan estimasi yang bias ke bawah karena…
Imputasi mean cenderung mengecilkan varians dan mengubah kovarians antarvariabel karena semua nilai hilang diisi dengan satu nilai tengah yang sama, sehingga variabilitas data berkurang.
Kelemahan mendasar dari teknik penghapusan listwise dibandingkan dengan teknik imputasi terletak pada…
Penghapusan listwise mengorbankan banyak observasi yang mungkin memiliki data lengkap pada variabel lain, sehingga informasi berharga ikut terbuang dan daya uji statistik menurun.
Peneliti menduga data hilang pada variabel dependen Y dipengaruhi oleh variabel prediktor X yang terobservasi lengkap, namun mekanisme ini masih perlu diuji secara empiris. Pemeriksaan paling kritis untuk membedakan MAR dari MNAR dalam kondisi demikian adalah…
Untuk membedakan MAR dari MNAR, peneliti harus menguji apakah setelah mengontrol variabel prediktor X yang lengkap, probabilitas data hilang pada Y masih bergantung pada nilai Y itu sendiri. Jika ya, mekanismenya adalah MNAR. Pemeriksaan ini memerlukan analisis sensitivitas atau uji formal karena tidak dapat disimpulkan hanya dari data terobservasi.
Peneliti membandingkan dua metode imputasi untuk data hilang MAR. Metode pertama mengisi nilai hilang dengan rata-rata, sedangkan metode kedua membangun model linier menggunakan variabel prediktor yang lengkap. Metode kedua lebih unggul dalam hal…
Imputasi regresi memperhitungkan korelasi antarvariabel sehingga estimasi nilai lebih realistis dan menjaga struktur kovarians data, berbeda dengan imputasi mean yang hanya menitikberatkan pada pusat data.
Model regresi linier sederhana dinyatakan sebagai Y = β₀ + β₁X + ε. Parameter yang menunjukkan perubahan rata-rata pada Y ketika X bertambah satu satuan adalah…
Koefisien kemiringan β₁ merepresentasikan ekspektasi perubahan variabel respons Y untuk setiap kenaikan satu satuan pada variabel prediktor X, dengan asumsi hubungannya linier.
Sebuah perusahaan retail menganalisis data biaya iklan bulanan (X) dalam juta rupiah dan penjualan bulanan (Y) dalam ratusan juta. Hasil regresi menunjukkan Y = 12 + 3,5X. Jika bulan depan perusahaan menganggarkan biaya iklan 10 juta, estimasi penjualan adalah…
Substitusi X=10 ke persamaan Y=12+3,5(10)=47. Karena Y dalam ratusan juta, maka 47 × 100.000.000 = Rp4.700.000.000.
Analisis residual dalam regresi linier sederhana bertujuan untuk…
Analisis residual memeriksa selisih antara nilai amatan dan taksiran untuk mendeteksi pelanggaran asumsi seperti non-linearitas, heteroskedastisitas, atau ketidaknormalan residual.
Dosen pembimbing meminta mahasiswa memeriksa plot residual terhadap nilai prediksi dari model regresi. Mahasiswa menemukan pola menyebar acak tanpa bentuk tertentu. Kesimpulan yang tepat adalah…
Pola residual yang acak dan tidak membentuk corong atau kurva mengindikasikan varians residual konstan di seluruh nilai prediksi, sehingga asumsi homoskedastisitas terpenuhi.
Seorang analis menemukan bahwa koefisien kemiringan dalam model regresi bernilai -0,8. Interpretasi yang paling tepat adalah…
Koefisien kemiringan -0,8 menunjukkan hubungan negatif: setiap peningkatan satu satuan pada variabel prediktor, variabel respons turun rata-rata sebesar 0,8 satuan.
PT Nusantara Jaya mendata jumlah mesin produksi (X) dan jumlah cacat produk per jam (Y). Data menunjukkan ketika jumlah mesin bertambah, jumlah cacat justru menurun. Pola ini direpresentasikan oleh…
Hubungan berbanding terbalik antara X dan Y dicerminkan oleh koefisien kemiringan bernilai negatif dalam model regresi linier sederhana.
Sebelum menerapkan regresi linier, peneliti membuat scatter plot dan mendapati titik-titik data cenderung membentuk kurva U. Tindakan paling tepat yang dapat dilakukan peneliti adalah…
Pola kurva U mengindikasikan hubungan non-linier sehingga regresi linier sederhana tidak sesuai; perlu transformasi variabel atau penggunaan model yang mengakomodasi kelengkungan.
Salah satu perbedaan antara koefisien kemiringan dan intersep dalam model regresi linier sederhana Y = β₀ + β₁X adalah…
Intersep β₀ adalah taksiran Y ketika X bernilai nol, sedangkan kemiringan β₁ menunjukkan besar perubahan Y akibat kenaikan satu satuan X.
Seorang peneliti memperoleh koefisien determinasi R² = 0,72 dari model regresi yang memprediksi hasil panen (Y) berdasarkan dosis pupuk (X). Interpretasi yang benar adalah…
Koefisien determinasi mengukur proporsi variabilitas variabel respons yang mampu diterangkan oleh model regresi, sehingga R²=0,72 berarti 72% variasi Y dijelaskan oleh X.
Dua model regresi dibandingkan: Model 1 memiliki R²=0,85 dan Model 2 memiliki R²=0,53 untuk data yang sama. Perbedaan nilai ini mengindikasikan bahwa…
R² yang lebih tinggi menunjukkan proporsi varians Y yang lebih besar dapat dijelaskan oleh model, sehingga Model 1 lebih baik dalam menangkap pola data.
Uji signifikansi parameter dalam regresi linier sederhana menggunakan hipotesis nol H₀: β₁ = 0. Apabila H₀ ditolak pada α = 0,05, kesimpulan yang tepat adalah…
Menolak H₀: β₁ = 0 berarti terdapat cukup bukti statistik bahwa koefisien kemiringan tidak nol, sehingga variabel prediktor berpengaruh signifikan terhadap respons.
Setelah mengestimasi model regresi Y = 5 + 2X, peneliti menghitung interval kepercayaan 95% untuk β₁ yaitu [1,4 ; 2,6]. Arti dari interval ini adalah…
Interval kepercayaan memberikan rentang di mana parameter populasi sesungguhnya diperkirakan berada pada tingkat kepercayaan tertentu, bukan rentang data atau koefisien determinasi.
Seorang peneliti menguji hipotesis bahwa koefisien kemiringan populasi bernilai nol dan memperoleh p-value = 0,02. Dengan α = 0,05, kesimpulan yang tepat adalah…
Karena p-value < α, H₀ ditolak sehingga disimpulkan bahwa koefisien kemiringan signifikan secara statistik.
Interpretasi yang benar dari koefisien determinasi R² = 0,64 pada model yang memprediksi penjualan berdasarkan biaya promosi adalah…
Koefisien determinasi menunjukkan proporsi varians variabel respons yang mampu dijelaskan oleh model regresi.
Peneliti A memperoleh interval kepercayaan 95% untuk β₁ sebesar [-0,3 ; 1,1], sedangkan Peneliti B memperoleh [0,8 ; 2,4] pada data yang sama dengan model berbeda. Perbedaan ini mengindikasikan bahwa…
Interval yang tidak mencakup nol mengindikasikan penolakan H₀: β₁ = 0 pada tingkat kepercayaan yang sama, sehingga koefisien signifikan.
Pernyataan yang tepat mengenai hubungan antara uji signifikansi parameter dan interval kepercayaan dalam regresi linier adalah…
Terdapat ekuivalensi inferensial: interval kepercayaan yang tidak memuat nol sejalan dengan penolakan H₀ pada uji signifikansi.
Data teks berbeda dari data terstruktur dalam hal…
Data teks bersifat tidak terstruktur, tidak mengikuti format baris-kolom yang ketat, sehingga membutuhkan praproses seperti tokenisasi.
Di perusahaan media, tim analis memecah jutaan komentar pengguna menjadi kata-kata tunggal untuk menghitung frekuensi kemunculan. Proses yang dilakukan tim tersebut dikenal sebagai…
Tokenisasi adalah proses memecah teks menjadi unit-unit kecil seperti kata yang menjadi langkah dasar analisis data teks.
Seorang analis media sosial menghitung bahwa kata 'kolaborasi' muncul 120 kali dalam 500 artikel berita. Angka 120 merepresentasikan…
Frekuensi kata adalah jumlah kemunculan suatu kata dalam dokumen atau kumpulan dokumen yang menjadi dasar berbagai analisis teks.
Tokenisasi pada data teks berfungsi untuk…
Tokenisasi merupakan langkah awal pengolahan teks yang membagi teks menjadi token—satuan kecil yang dapat dianalisis lebih lanjut.
Dalam pipeline analisis sentimen, setelah tokenisasi dilakukan, langkah selanjutnya yang umum diterapkan untuk menyederhanakan representasi teks adalah…
Setelah tokenisasi, normalisasi seperti stemming atau lemmatisasi diterapkan untuk mereduksi variasi bentuk kata agar analisis lebih efisien.
Seorang pustakawan digital menganalisis metadata 1.000 artikel jurnal untuk mengidentifikasi istilah paling dominan berdasarkan abstrak. Ia memerlukan ukuran kuantitatif sederhana untuk memilih kata kunci potensial. Ukuran yang paling sesuai adalah…
Frekuensi kata merupakan ukuran paling langsung untuk mengidentifikasi istilah yang dominan dalam korpus sebelum menerapkan teknik yang lebih kompleks.
Data teks yang tidak terstruktur memiliki karakteristik yang membedakannya dari data numerik terstruktur. Karakteristik tersebut mencakup…
Data teks memerlukan transformasi melalui praproses—tokenisasi, pembersihan, vektorisasi—sebelum dapat dianalisis menggunakan metode kuantitatif.
Sebuah portal berita menampilkan word cloud dari berita politik mingguan. Kata 'pemilu' tampil paling besar, sedangkan 'anggaran', 'koalisi', dan 'debat' berukuran sedang. Word cloud menyampaikan informasi bahwa…
Ukuran font pada word cloud proporsional terhadap frekuensi kemunculan kata sehingga kata terbesar adalah yang paling sering muncul.
Seorang peneliti ingin menampilkan hubungan antar tokoh berdasarkan kemunculan bersama dalam paragraf di novel digital. Visualisasi yang paling sesuai adalah…
Diagram jaringan kata menggambarkan koneksi antar entitas berdasarkan ko-kejadian, cocok untuk menampilkan hubungan antar tokoh.
Perbedaan utama antara word cloud dan diagram jaringan kata terletak pada…
Word cloud mengomunikasikan frekuensi masing-masing kata melalui ukuran, sementara diagram jaringan menekankan hubungan dan koneksi antar kata.
Peneliti linguistik mengkategorikan kosakata dalam naskah kuno ke dalam beberapa kelas kata lalu ingin menampilkan proporsi setiap kategori secara visual. Visualisasi yang menyajikan struktur hierarkis dan proporsi sekaligus adalah…
Peta pohon teks menyajikan data hierarkis dalam bentuk persegi panjang bersarang yang ukurannya merepresentasikan proporsi setiap kategori.
Dalam membandingkan efektivitas antara peta pohon teks dan diagram batang untuk menyajikan distribusi 12 kategori topik berita, peta pohon teks lebih unggul ketika…
Peta pohon teks dirancang untuk menampilkan struktur hierarkis dan proporsi relatif melalui luasan area, berbeda dengan diagram batang yang memprioritaskan perbandingan nilai eksak.
Sebuah portal berita menampilkan visualisasi kata-kata kunci dari tajuk rencana mingguan, dengan ukuran setiap kata proporsional terhadap jumlah kemunculannya. Visualisasi ini paling tepat disebut…
Word cloud menampilkan kata dengan ukuran font yang proporsional terhadap frekuensi kemunculannya, sehingga kata yang lebih sering muncul terlihat lebih besar.
Seorang peneliti linguistik ingin menampilkan struktur hierarkis dari kategori dan subkategori kata dalam korpus berita berdasarkan proporsi masing-masing. Visualisasi yang paling sesuai adalah…
Peta pohon teks (treemap) menampilkan data hierarkis sebagai persegi panjang bersarang yang luasnya proporsional terhadap nilai setiap kategori, cocok untuk struktur kategori-subkategori.
Seorang analis di perusahaan logistik mengembangkan tampilan peta persebaran armada yang memungkinkan manajer mengklik titik tertentu untuk melihat rincian muatan dan status kendaraan. Karakteristik utama yang membedakan visualisasi ini dari peta statis adalah…
Visualisasi interaktif memungkinkan pengguna berinteraksi langsung melalui tindakan seperti klik, zoom, atau filter, berbeda dengan visualisasi statis yang hanya menampilkan gambar tetap.
Ketika pengguna mengarahkan kursor ke sebuah batang pada diagram penjualan, muncul kotak kecil yang menampilkan angka penjualan dan nama produk. Elemen interaktif ini dikenal sebagai…
Tooltip adalah informasi pop-up yang muncul saat kursor diarahkan ke elemen visual, menyajikan detail data tambahan tanpa mengubah tampilan utama.
Fitur interaktif yang memungkinkan pengguna mengeklik ringkasan penjualan nasional untuk melihat rincian per provinsi, lalu mengeklik provinsi untuk melihat rincian per kota, disebut…
Drill-down adalah fitur navigasi dari ringkasan ke tingkat detail yang lebih rinci, memungkinkan pengguna menjelajahi hierarki data secara bertahap.
Perbedaan mendasar antara visualisasi interaktif dan visualisasi statis terletak pada…
Visualisasi interaktif memberi pengguna kendali untuk memanipulasi tampilan, seperti memfilter, menyorot, atau memperbesar, sementara visualisasi statis hanya menampilkan informasi secara tetap.
Seorang manajer pemasaran menggunakan dashboard digital untuk memantau kampanye iklan. Saat ia memilih rentang tanggal tertentu pada slider, seluruh grafik dalam dashboard otomatis memperbarui data sesuai periode tersebut. Mekanisme ini disebut…
Cross-filtering adalah mekanisme di mana pemilihan atau penyaringan pada satu elemen visual secara otomatis memperbarui elemen visual lain yang terhubung dalam dashboard.
Ibu Sari, kepala cabang bank, memerlukan alat untuk memantau secara real-time jumlah transaksi, volume kredit, dan keluhan nasabah dalam satu layar yang saling terhubung. Solusi visualisasi yang paling tepat adalah…
Dashboard interaktif menyajikan beberapa visualisasi terpadu yang saling terhubung dalam satu tampilan, memungkinkan pemantauan dan analisis data secara real-time.
Perbedaan utama antara dashboard interaktif dan laporan statis adalah…
Dashboard interaktif memungkinkan pengguna mengeksplorasi data secara dinamis dengan pembaruan real-time, sementara laporan statis menyajikan informasi tetap pada periode tertentu tanpa interaktivitas.
Sebuah dashboard penjualan memiliki tiga grafik: tren bulanan, pangsa pasar per wilayah, dan produk terlaris. Ketika analis mengklik wilayah 'Jawa Timur' pada grafik pangsa pasar, grafik tren bulanan dan produk terlaris otomatis hanya menampilkan data untuk wilayah tersebut. Mekanisme ini paling tepat dijelaskan sebagai…
Cross-filtering terjadi ketika pemilihan pada satu grafik secara otomatis menyaring data pada grafik lain yang terhubung, menciptakan eksplorasi data yang terkoordinasi.
Dalam dashboard monitoring produksi pabrik, pengguna dapat menggeser dua tuas kecil pada sumbu waktu untuk menentukan rentang 1–15 Maret 2024, dan seluruh grafik otomatis menyesuaikan. Kontrol interaktif ini disebut…
Slider rentang waktu adalah kontrol interaktif berbentuk penggeser yang memungkinkan pengguna memilih periode waktu tertentu dan secara dinamis memperbarui visualisasi yang terhubung.
Ketika pengguna mengeklik ikon '＋' pada peta penjualan untuk memperbesar area tertentu pada peta, ia sedang menggunakan fitur…
Zoom adalah fitur interaktif yang memungkinkan pengguna memperbesar atau memperkecil tampilan untuk melihat detail area tertentu pada visualisasi.
Tim TI perusahaan asuransi diminta mengembangkan sistem visualisasi yang memungkinkan pengguna menyaring data klaim berdasarkan jenis polis, wilayah, dan periode secara bersamaan melalui dropdown dan slider, serta seluruh bagan saling terhubung. Sistem yang dikembangkan termasuk dalam kategori…
Dashboard interaktif mengintegrasikan berbagai kontrol seperti dropdown dan slider dengan beberapa visualisasi yang saling terhubung, memungkinkan penyaringan dan eksplorasi data secara simultan.
Di sebuah dashboard analitik ritel, Bapak Dhani memilih kategori 'Elektronik' pada diagram lingkaran produk dan melihat diagram tren penjualan langsung berubah menampilkan hanya data elektronik. Fitur yang menghubungkan kedua diagram ini adalah…
Cross-filtering menghubungkan beberapa visualisasi sehingga penyaringan pada satu visual secara otomatis diterapkan ke visual lain, menciptakan interaksi terkoordinasi antar komponen dashboard.
Pak Hartono, direktur operasional, menginginkan tampilan yang merangkum KPI utama seperti pendapatan, jumlah pelanggan, dan skor kepuasan dalam satu layar yang selalu terbarui. Ia membutuhkan…
Dashboard menyajikan ringkasan KPI dan metrik penting dalam satu tampilan terpadu yang dapat diperbarui secara berkala atau real-time untuk pemantauan kinerja.
Slider yang memungkinkan pengguna memilih periode Januari–Juni 2024 pada dashboard penjualan memiliki fungsi utama untuk…
Slider rentang waktu berfungsi sebagai kontrol penyaring dinamis yang membatasi data pada periode tertentu dan secara otomatis memperbarui semua visualisasi yang terhubung dalam dashboard.
Ketika menampilkan proporsi lima kategori sentimen dalam ribuan ulasan produk menggunakan diagram lingkaran, pengguna dapat mengeklik irisan "Negatif" untuk melihat daftar ulasan yang termasuk dalam kategori tersebut…
Mengeklik suatu kategori agregat (seperti irisan diagram lingkaran) untuk menampilkan data detail di baliknya merupakan definisi dari fitur interaktif drill-down. Ini memungkinkan pengguna menjelajahi data dari ringkasan tingkat tinggi ke rincian tingkat rendah. Berbeda dengan tooltip yang muncul saat hover, brushing yang menyeleksi data dalam plot, atau zoom yang mengubah skala tampilan.
Seorang analis menerapkan transformasi data pada variabel pendapatan yang menceng berat dan mendapati bahwa transformasi logaritma natural menghasilkan distribusi yang mendekati normal, sedangkan transformasi akar kuadrat masih menyisakan sedikit kemencengan. Perbedaan hasil ini paling tepat dijelaskan oleh…
Transformasi logaritma natural (ln) dan akar kuadrat sama-sama berfungsi mengatasi kemencengan positif, tetapi keduanya memiliki kekuatan kompresi yang berbeda. Logaritma natural memberikan efek penarikan yang lebih kuat pada nilai-nilai ekstrem di ekor kanan distribusi, sehingga lebih efektif menormalkan data yang sangat menceng. Akar kuadrat memiliki efek kompresi yang lebih lemah, sehingga pada data yang menceng berat, transformasi ini mungkin belum cukup untuk mencapai kenormalan penuh. Perbedaan mendasar ini terletak pada seberapa agresif masing-masing transformasi mengecilkan jarak relatif antar nilai di ujung atas distribusi.
Seorang analis mendapati bahwa data pendapatan memiliki beberapa pencilan ekstrem tinggi. Ia menginginkan nilai yang menggambarkan lokasi pusat data yang tidak terpengaruh oleh pencilan tersebut. Ukuran pemusatan yang paling tepat adalah…
Median merupakan ukuran pemusatan yang resisten terhadap pengaruh nilai ekstrem atau pencilan, berbeda dengan mean aritmatika yang sangat sensitif terhadap perubahan nilai di ujung distribusi.
Seorang analis ingin menampilkan ringkasan distribusi usia pelanggan dari tiga platform media sosial yang berbeda dalam satu tampilan yang kompak. Ia memilih diagram yang menunjukkan median, kuartil, dan rentang antar kuartil secara berdampingan untuk setiap platform…
Diagram kotak sejajar (parallel boxplots) dirancang khusus untuk membandingkan distribusi beberapa kelompok data secara visual. Diagram ini menampilkan median, kuartil pertama (Q1), kuartil ketiga (Q3), dan rentang antar kuartil (IQR) secara ringkas, serta dapat mengidentifikasi keberadaan pencilan. Diagram batang dan lingkaran lebih cocok untuk menampilkan ringkasan tunggal, sedangkan diagram Venn menampilkan hubungan antar himpunan.
Seorang analis data di lembaga riset diminta menyajikan distribusi volume penjualan harian dari 200 gerai ritel menggunakan visualisasi ringkas yang menonjolkan median, sebaran antarkuartil, dan nilai-nilai ekstrem secara eksplisit…
Visualisasi yang secara ringkas menampilkan median, kuartil (sebaran antarkuartil), dan secara eksplisit menandai nilai-nilai ekstrem sebagai titik-titik di luar whisker adalah diagram kotak. Histogram dan diagram batang dan daun lebih fokus pada distribusi frekuensi tanpa menonjolkan pencilan secara langsung, sedangkan diagram garis lebih tepat untuk data runtun waktu.
Seorang analis ingin menstandarisasi variabel 'lama berlangganan (bulan)' yang memiliki mean 24 dan standar deviasi 6 agar memiliki mean 0 dan standar deviasi 1. Rumus transformasi yang tepat untuk nilai x adalah…
Standarisasi Z-score mengubah data menjadi distribusi dengan mean 0 dan standar deviasi 1. Rumusnya adalah mengurangi setiap nilai data dengan rata-rata (mean) lalu membaginya dengan standar deviasi. Untuk kasus ini, mean adalah 24 dan standar deviasi adalah 6, sehingga rumus yang tepat adalah (x – 24) / 6. Opsi lain tidak tepat karena pembaginya adalah varians (36), mengurangi dengan standar deviasi lalu dibagi mean, atau urutan operasi yang keliru.
Seorang analis data keuangan melakukan transformasi data pada variabel 'jumlah klaim asuransi' yang berupa data cacahan. Sebelum transformasi, varians data cenderung meningkat seiring bertambahnya rata-rata kelompok. Tujuan paling mendasar dari penerapan transformasi akar kuadrat pada konteks ini adalah…
Data cacahan seperti jumlah klaim sering mengikuti distribusi Poisson yang memiliki karakteristik varians yang setara atau meningkat seiring rata-rata. Transformasi akar kuadrat bertujuan utama untuk menstabilkan varians sehingga hubungan antara varians dan rata-rata menjadi lebih konstan, serta membantu mendekatkan distribusi ke bentuk normal. Pilihan yang menyebut mengubah data menjadi kontinu kurang tepat karena data cacahan pada dasarnya sudah numerik. Pilihan mengenai eliminasi pencilan dan standarisasi Z-score bukan merupakan tujuan dari transformasi akar kuadrat.
Seorang peneliti membuat model regresi linier sederhana Y = 10 + 3X dan memperoleh p-value untuk uji signifikansi parameter kemiringan sebesar 0,001. Kesimpulan paling tepat yang dapat ditarik pada α = 0,05 adalah…
P-value sebesar 0,001 lebih kecil dari α = 0,05, sehingga hipotesis nol (H₀: β₁ = 0) ditolak. Ini menunjukkan bahwa koefisien kemiringan populasi secara statistik berbeda signifikan dari nol, yang berarti terdapat cukup bukti adanya hubungan linier yang signifikan antara variabel prediktor dan variabel respons. Penolakan H₀ tidak secara langsung menyatakan bahwa koefisien kemiringan pasti tepat 3 unit, melainkan cukup bukti bahwa perubahan pada X berhubungan dengan perubahan sistematis pada Y. Intersep model tidak diuji dalam uji signifikansi parameter kemiringan ini.
Seorang data scientist menerapkan transformasi Box-Cox pada variabel 'luas lahan (m²)' yang sangat menceng ke kanan dan memperoleh lambda optimal 0,3. Karena nilai lambda ini relatif dekat dengan 0, transformasi yang secara konseptual paling mendekati efek dari lambda tersebut adalah…
Transformasi Box-Cox adalah keluarga transformasi pangkat yang dikendalikan oleh parameter lambda. Ketika lambda optimal mendekati 0, bentuk transformasi akan mendekati transformasi logaritma natural. Ini karena limit dari (y^λ – 1)/λ saat λ mendekati 0 adalah ln(y). Oleh karena itu, untuk λ = 0,3 yang relatif dekat dengan 0, efek peredaman kemencengannya akan paling menyerupai transformasi logaritma natural, bukan akar kuadrat (λ = 0,5), kuadrat (λ = 2), atau kebalikan (λ = -1).
Banyak yang mengira visualisasi data cuma soal grafik cantik. Sampai ketemu Modul 3. Data hilang itu lebih menyebalkan dari yang kamu bayangkan. Modul 4 juga gak kalah, regresi sederhana bisa bikin kamu ngecek ulang asumsi tiap lima menit. Serius.
Di STSI4204 Analisis dan Visualisasi Data, soal UAS biasanya campur UTM dan UO. Bagian visualisasi teks sama dashboard interaktif jarang absen. Sering muncul versi UO yang minta kamu baca konteks dulu sebelum milih grafik. Kalau sudah pede, coba tengok soal UAS UT STIK4245 yang logikanya senada. Siapa tahu nemu pola soal yang mirip.
