Tutorial : Metode Peramalan Exponential Smoothing menggunakan R

Salah satu metode yang dapat digunakan untuk meramalkan data ke depan adalah Exponential Smoothing. Exponential Smoothing merupakan salah satu metode deret waktu yang sering digunakan untuk meramalkan data-data masa lampu pada ranah ekonomi, sosial maupun lainnya. Konsep perhitungan dari Exponential Smoothing adalah dengan memberikan pembobot pada perhitungan prediksi untuk setiap t.

Exponential Smoothing sendiri terbagi ke dalam beberapa jenis. Jenis dari metode ini yang sering digunakan adalah Single Exponential Smoothing, Double Exponential Smoothing Holt dan Triple Exponential Smoothing Holt-Winters. Jika diamati dari nama jenis metode yaitu Single, Double dan Triple, hal ini berkaitan dengan banyaknya pembobot yang digunakan pada metode tersebut. Single Exponential Smoothing hanya memberikan satu pembobot yaitu alpha (level). Double Exponential Smoothing Holt memberikan dua pembobot yaitu alpha (level) dan beta (tren). Sedangkan Triple Exponential Smoothing Holt-Winters memberikan tiga pembobot yaitu alpha (level), beta (tren), dan gamma (musiman).

Ketika data memiliki pola yang acak, kemungkinan Single Exponential Smoothing dapat digunakan. Ketika data memiliki pola yang acak serta membentuk tren naik atau turun, kemungkinan Double Exponential Smoothing Holt dapat digunakan. Ketika data memiliki pola yang acak serta membentuk tren naik atau turun dan terjadi pola musiman, kemungkinan Triple Exponential Smoothing Holt-Winters dapat digunakan. Kemungkinan-kemungkinan tersebut dapat dipastikan dengan cara membandingkan ketiga metode, kemudian melihat nilai kesalahan yang dihasilkan.

Exponential Smoothing telah dibahas pada beberapa artikel pada laman ini, berikut beberapa artikel yang membahas tentang Exponential Smoothing
Tutorial : Single Exponential Smoothing dan Peramalan
Tutorial : Double Exponential Smoothing Holt dan Peramalan
Tutorial : Triple Exponential Smoothing Winter dan Peramalan
Pada artikel ini akan dijelaskan tentang cara melakukan peramalan dengan Exponential Smoothing menggunakan alat bantu R. Beberapa artikel pendahuluan tentang R yang dapat digunakan adalah sebagai berikut:
Tutorial & Video : Download dan Install "R"
Tutorial R : RStudio sebagai IDE yang Memudahkan
Tutorial & Video : Rcmdr untuk Statistika Dasar
Tutorial R : Rcmdr pada RStudio

Berikut contoh kasus yang akan dibahas :

Seorang General Manager (GM) meminta laporan hasil penjualan perbulan selama 5 tahun dengan data sebagai berikut beserta dengan analisis proyeksi 6 bulan ke depan :
Salah satu metode yang dapat digunakan untuk menyelesaikan permasalahan di atas adalah Exponential Smoothing. Berikut tahapan analisis beserta code untuk R.

1. Jalankan RStudio

Tahap pertama silahkan buka dan jalankan RStudio, cara instalasi RStudio dan pengertian lainnya telah dibahas pada artikel :
Tutorial R : RStudio sebagai IDE yang Memudahkan
Sesuaikan layout RStudio agar mudah dibaca.

2. Siapkan Data

Data pada tutorial ini dapat diunduh melalui link berikut :
Download Contoh Data
Kemudian Pilih dan Klik Data Pada Nomor Urut 34.

Data yang telah disiapkan berekstensi *.txt.
Setela data diunduh, selanjutnya adalah memasukan data ke RStudio dengan cara :
Klik File - Import Dataset - From Text (base) - Pilih data yang telah diunduh - Klik Import

3. Definisikan Data

Setelah data berhasil diimport, selanjutnya adalah mendefinisikan variabel untuk data tersebut agar dapat dilakukan analisis menggunakan RStudio. Berdasarkan kasus, data tersebut memiliki struktur data bulanan dan rentang selama 5 tahun mulai dari tahun 2015 - 2019.
Copy-paste code berikut pada RStudio Console kemudian tekan enter.
lap = Data.Laporan.Bulanan
lap = ts(lap, start=c(2015,1), end=c(2019,12), frequency=12)
lap
Hasil :

4. Plot Deret Waktu

Setelah data berhasil didefinisikan dengan nama Lap, tahap selanjutnya adalah melakukan pengamatan terhadap plot deret waktu. Hal ini dilakukan untuk menduga dan menentukan kira-kira metode Exponential Smoothing apa yang sesuai dengan data tersebut.
Copy-paste code berikut pada RStudio Console kemudian tekan enter.
ts.plot(lap)
Hasil :
Berdasarkan plot deret waktu yang dihasilkan, terlihat  bahwa data hasil penjualan mengalami tren dan kemungkinan terdapat faktor musiman.

5. Fungsi Exponential Smoothing

Tahap selanjutnya adalah pemanggilan fungsi Exponential Smoothing pada RStudio berdasarkan kriteria dan ketentuan berikut :


Copy-paste code berikut untuk Single Exponential Smoothing

lapfore1 = HoltWinters(lap, beta=FALSE, gamma=FALSE)
lapfore1
lapfore1$SSE
plot(lapfore1)

Hasil :


Copy-paste code berikut untuk Double Exponential Smoothing

lapfore2 = HoltWinters(lap, gamma=FALSE)
lapfore2
lapfore2$SSE
plot(lapfore2)

Hasil :



Copy-paste code Triple Exponential Smoothing

lapfore3 = HoltWinters(lap)
lapfore3
lapfore3$SSE
plot(lapfore3)
Hasil :


6. Model Terbaik

Berdasarkan hasil analisis yang dilakukan, perhatikan nilai Sum Square Error (SSE) yang dihasilkan. Nilai SSE terkecil menunjukan bahwa metode tersebut cocok digunakan untuk data laporan hasil penjualan bulanan pada kasus ini.
Berdasarkan tabel diatas, model terbaik adalah Triple Exponential Smoothing karena menghasilkan nilai SSE terkecil 549275,0.

7. Forecast

Setelah model terbaik ditentukan yaitu Triple Exponential Smoothing dengan nilai SSE terkecil. Tahap selanjutnya adalah melakukan prediksi ke depan. Pada kasus diketahui bahwa data deret waktu terkahir berada pada bulan Desember 2019 dan ingin diproyeksi untuk 6 bulan ke depan dengan cara sebagai berikut:
Copy-paste code berikut pada RStudio Console kemudian enter untuk Forecast ke depan.
predict(lapfore, n.ahead = 6)
Hasil :
Berdasarkana hasil prediksi untuk 6 bulan ke depan, diperoleh hasil sebagai berikut :

***

Demikian artikel tentang Tutorial : Metode Peramalan Exponential Smoothing menggunakan R. Semoga dapat bermanfaat. Jika terdapat pertanyaan, kritik maupun saran. Jangan sungkan untuk mengunjungi kolom komentar.
Share:

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

Dalam rancangan percobaan, Rancangan Acak Lengkap (RAL) merupakan rancangan yang paling sederhana. RAL memiliki beberapa ciri-ciri rancangan sebagai berikut:

  • Perlakuan yang diberikan terhadap objek percobaan secara penuh bersifat acak.
  • Percobaan dilakukan terhadap objek yang relatif homogen.
  • Jumlah ulangan untuk setiap perlakuan tidak harus sama.

Jika diperhatikan mengenaik ciri-ciri RAL diatas, poin 2 mensyaratkan bahwa percobaan dilakukan terhadap objek yang relatif homogen. Dalam keadaan nyata, objek yang bersifat homogen dapat diatur jika percobaan dilakukan di Laboratorium atau jumlah perlakuan dan jumlah satuan percobaan relatif sedikit.

Pada artikel ini akan dijelaskan tentang tahapan dan prosedur analisis Rancangan Acak Lengkap (RAL) menggunakan alat bantu R. Sebelum melakukan analisis, diharapkan pembaca telah melakukan instalasi R, RStudio dan memahami apa itu R. Berikut tautan terkait mengenai informasi tersebut.
Tutorial & Video : Download dan Install "R"
Tutorial R : RStudio sebagai IDE yang Memudahkan
Tutorial & Video : Rcmdr untuk Statistika Dasar
Tutorial R : Rcmdr pada RStudio

Contoh Kasus :

Seorang peneliti ingin mengamati apakah beberapa vitamin ayam memberikan perbedaan pada rata-rata diameter telur yang diukur dalam satuan sentimeter. Misalkan jenis vitamin A, B, C dan D dengan hasil sebagai berikut:

Data tersebut dapat diunduh pada tautan berikut :
Download Contoh Data
Kemudian Klik "Data Diameter Telur Ayam (Rancangan Acak Lengkap)" atau mengunjungi Menu Download Contoh Data - Klik "Data Diameter Telur Ayam (Rancangan Acak Lengkap)".
Berdasarkan kasus tersebut, ujilah apakah terdapat pengaruh jenis vitamin terhadap diameter telur ayam dan ujilah jenis vitamin apa yang memiliki kesamaan atau perbedaan.

***

Penyelesaian :

1. Jalankan RStudio

Tahap pertama silahkan buka dan jalankan RStudio, cara instalasi RStudio dan pengertian lainnya telah dibahas pada artikel :
Tutorial R : RStudio sebagai IDE yang Memudahkan
Sesuaikan layout RStudio agar mudah dibaca.
Contoh diatas merupakan layout RStudio yang memudahkan.

2. Instal Packages

Analisis Rancangan Acak Lengkap (RAL) membutuhkan metode Analysis of Variance (ANOVA) dalam prosesnya. Dalam proses analisisnya membutuhkan 2 Packages yang harus diinstal terlebih dahulu. Pastikan perangkat tersambung dengan koneksi internet sebelum melakukan install packages

- Packages "foreign"

Untuk menginstal Packages "foreign" silahkan copy-paste code berikut pada RStudio Console kemudian tekan enter.
install.packages("foreign")
Hasil :

- Packages "stats"

Untuk menginstal Packages "stats" silahkan copy-paste code berikut pada RStudio Console kemudian tekan enter.
install.packages("stats")
Hasil :

3. Import Data

Setelah semua Packages selesai diinstal, tahap selanjutnya adalah melakukan import data dengan cara :
Klik File - Import Dateset - From Text (base) - Kemudian Klik Import
Kemudian pilih lokasi penyimpanan data yang telah diunduh pada tahap sebelumnya.
Hasil :
Kemudian definisikan variabel dengan cara copy-paste code berikut pada RStudio Console kemudian tekan enter.
telur = Data.Diameter.Telur
Hasil :

4. Uji Asumsi Normalitas

Analysis of Variance merupakan salah satu teknik statistika parametrik. Oleh karena itu terdapat beberapa asumsi yang harus terpenuhi. Salah satu asumsi yang akan dibahas pada tutorial ini adalah Asumsi Normalitas Data.

Untuk melakukan Uji Asumsi Normalitas,  copy-paste code berikut pada RStudio Console kemudian tekan enter.
by (data=telur$diameter, INDICES=telur$vitamin, FUN=shapiro.test)
Hasil :
Penjelasan :
Uji Asumsi Normalitas yang digunakan adalah Shapiro-Wilk. Perhatikan nilai P-Value untuk masing-masing diameter telur hasil percobaan vitamin dengan hipotesis sebagai berikut dan taraf signifikansi alpha 5%.

  • H0 : Data berdistribusi Normal
  • H1 : Data tidak berdistribusi Normal
  • Daerah Kritis : Tolak H0 jika nilai P-Value < Alpha (0,05)
  • Keputusan : Gagal Tolak H0 untuk semua hasil percobaan karena nilai P-Value > Alpha (0,05)
  • Kesimpulan : Pada taraf signifikansi alpha 5%, dapat disimpulkan bahwa data mengikuti sebaran normal untuk semua perlakuan.

Nilai alpha yang digunakan tidak selamanya 5%. Keputusan tersebut tergantung oleh kebutuhan peneliti.

5. Analysis of Variance (ANOVA) One Way

Tahap selanjutnya adalah masuk ke metode analisis yaitu Analysis of Variance (ANOVA). ANOVA digunakan untuk menguji perbedaan rata-rata populasi berdasarkan karakteristik variansi. Atau dengan kata lain melihat aada tidaknya pengaruh suatu perlakuan terhadap objek penelitian.

Untuk melakukan Uji ANOVA,  copy-paste code berikut pada RStudio Console kemudian tekan enter.
ujianova = aov(diameter~as.factor(vitamin), data=telur)
ujianova
summary(ujianova)
Hasil :
Penjelasan :
Pada pengujian ANOVA, perhatikan nilai Pr(>F) / P-Value dengan hipotesis sebagai berikut dan taraf signifikansi alpha sebesar 5%.

  • H0 : Tidak ada perbedaan (Tidak ada pengaruh Vitamin terhadap Diameter Telur)
  • H1 : Terdapat perbedaan (Terdapat pengaruh Vitamin terhadap Diameter Telur)
  • Daerah Kritis : Tolak H0 jika nilai P-Value < Alpha (0,05)
  • Keputusan : H0 ditolak karena nilai P-Value (0,0308) < Alpha (0,05)
  • Kesimpulan : Pada taraf signifikansi alpha 5%, dapat disimpulkan bahwa terdapat pengaruh pemberian Vitamin terhadap ukuran Diameter Telur.

Dari hasil analisis ANOVA, diperoleh kesimpulan bahwa terdapat perbedaan tiap Vitamin atau Vitamin mempengaruhi ukuran Diameter Telur. Hal ini mengharuskan peneliti untuk melakukan uji lanjut dengan tujuan mengamati lebih dalam perlakuan apa yang memberikan perbedaan atau persamaan.
Nilai alpha yang digunakan tidak selamanya 5%. Keputusan tersebut tergantung oleh kebutuhan peneliti.

6. Uji Lanjut

Ketika kesimpulan dalam pengujian ANOVA adalah H0 ditolak (ada perbedaan rata-rata objek / ada pengaruh perlakuan terhadap objek) maka perlu dilakukan uji lanjut untuk menentukan perlakuan apa yang memiliki perbedaan ataupun kesamaan. Salah Satu uji lanjut yang dapat digunakan adalah Tukey HSD.


Untuk melakukan Uji Lanjut Tukey HSD,  copy-paste code berikut pada RStudio Console kemudian tekan enter.
TukeyHSD(ujianova)
Hasil :
Penjelasan :
Pada uji lanjut Tukey HSD, perhatikan nilai P-Adj / P-Value dan taraf signifikansi alpha sebesar 5%. Perhatikan baris paling kiri.

  • 2-1 (Perbedaan antara vitamin B dan A)
  • 3-1 (Perbedaan antara vitamin C dan A)
  • 4-1 (Perbedaan antara vitamin D dan A)
  • 3-2 (Perbedaan antara vitamin C dan B)
  • 4-2 (Perbedaan antara vitamin D dan B)
  • 4-3 (Perbedaan antara vitamin D dan C)

dengan hipotesis sebagai berikut :

  • H0 : Tidak ada perbedaan tiap pasang Vitamin
  • H1 : Terdapat perbedaan tiap pasang Vitamin
  • Daerah Kritis : Tolak H0 jika nilai P-Value < Alpha (0,05)
  • Keputusan : Gagal Tolak H0 karena semua pasang vitamin memiliki nilai P-Value > Alpha (0,05)
  • Kesimpulan : Pada taraf signifikansi alpha 5%, dapat disimpulkan bahwa tidak ada perbedaan tiap pasang Vitamin.

Perlu dperhatikan, jika kita gunakan Alpha 5% maka kesimpulan akhir menyatakan bahwa tidak terdapat perbedaan tiap pasang vitamin, namun ketika kita gunakan Alpha 10% maka kesimpulan akhir akan menyatakan bahwa terdapat perbedaan beberapa pasang vitamin. Oleh karen itu, penentuan nilai Signifikansi Alpha sangat mempengaruhi kesimpulan yang dihasilkan.

***

Demikian artikel tentang Tutorial : Rancangan Percobaan - Rancangan Acak Lengkap (RAL) dengan R. Semoga artikel ini dapat bermanfaat. Jika terdapat pertanyaan, kritik maupun saran, jangan sungkan untuk mengunjungi kolom komentar.
Share:

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


Autoregressive Integrated Moving Average (ARIMA) merupakan salah satu metode statistika yang dapat digunakan untuk meramalkan data deret waktu. Alat bantu pengolahan ARIMA sangat banyak, salah satunya adalah dengan menggunakan SAS. Jika ada yang terkendala dengan lisensi, SAS University Edition (free) dapat dijadikan solusi karena bersifat free. Tahapan instalasi SAS University Edition (free) dapat dilihat pada artikel berikut :
Tutorial : Download dan Instal Software SAS University Edition Gratis
Pada artikel ini akan dijelaskan code sederhana dalam melakukan peramalan menggunakan ARIMA beserta dengan contoh kasus menggunakan SAS University Edition (free). Beberapa sumber yang membahas tentang ARIMA dapat ditemukan pada beberapa sumber berikut :

Makridakis, Spyros., Wheelright, Steven, C., &  McGee, Victor, C. (1999). Metode dan Aplikasi Peramalan. Jakarta: Binarupa Aksara.
Cryer, Jonathan D. & Chan, Kung-Sik. (2008). Time Series Analysisi with Applications in R. Lowa City, Lowa: Springer.
Montgomery, Douglas C., Jennings, Cheryl., & Kulachi, Murat. (2008). Introduction to Time Series Analysis and Forecasting. Hoboken, New Jersey: Willey.
Wei, W. W. S. (2006). Time Series Analysis Univariate and Multivariate Method. Second Edition. New York: Pearson Education.
dan lain-lain.

Tutorial mengenai Analisis Deret Waktu ARIMA pernah dibahas pada artikel lain di laman ini atau kunjungi link berikut :

Tutorial : Tahapan-tahapan Analisis Deret Waktu ARIMA
Contoh data yang digunakan pada artikel ini sama persis dengan artikel pada tutorial di atas. Pada artikel ini, diasumsikan data telah memenuhi syarat Stasioneritas. Syarat stasioneritas dan pengujiannya serta tahapan-tahapannya dapat dilihat pada link berikut :
Tutorial : Uji Stasioneritas Mean menggunakan R
Berikut tahapan-tahapan Peramalan dengan ARIMA menggunakan SAS University Edition (free).

1. Data



2. Jalankan SAS University Edition (free)

Jalankan SAS University Edition sesuai pada tutorial yang telah dijelaskan pada tautan berikut:
Tutorial : Download dan Instal Software SAS University Edition Gratis


3. Input Data

Input serta definisikan data dengan cara copy-paste code berikut ke dalam jendela Code SAS University Edition (free).
data data1;
input y @;
datalines;
57.66
59.04
56.61
56.69
59.43
58.75
59.28
58.35
57.07
56.41
58.97
58.96
60.31
59.20
57.93
61.22
57.62
60.11
60.25
61.52
58.12
60.57
59.31
59.58
58.34
57.02
56.52
56.11
60.46
58.24
56.17
58.13
59.84
61.48
61.25
59.53
61.72
57.09
60.02
58.85
55.50
57.64
53.72
51.00
53.31
56.30
60.06
60.04
53.86
57.40
55.48
54.26
58.81
55.79
54.22
58.93
58.80
60.10
58.95
57.71
;
run;

Seperti pada gambar berikut:

Setelah itu, jalankan perintah dengan klik simbol Run.

Penjelasan :
(1) data data1; = digunakan untuk mendefinisikan nama data yaitu Data1
(2) input y @; = digunakan untuk mendefinisikan nama variabel yaitu Y 
(3) datalines; = digunakan untuk menginputkan data 
(4) run; = digunakan untuk menjalankan Code input data

3. Masukan Perintah Proc ARIMA

Setelah data dan variabel terdefinisi dan berhasil terbaca SAS University Edition (free). Tahap selanjutnya adalah menjalankan prosedur ARIMA dengan cara copy-paste code berikut ke dalam jendela Baru (Tekan F4 pada keyboard) Code SAS University Edition (free).



proc arima data=data1;
identify var=y nlag=24;
estimate p=(1) q=(1) noint method=cls;
forecast printall;
run;

Seperti pada gambar berikut:

Setelah itu, jalankan perintah dengan klik simbol Run.

Hasil:

Penjelasan :
(1) proc arima data=data1; Digunakan untuk memanggil prosedur ARIMA dan data = Data1.  
(2) identify var=y nlag=24; Digunkan untuk melakukan identifikasi awal orde AR dan MA.  
(3) estimate p=(1) q=(1) Digunakan untuk mengestimasi parameter (pada contoh ARIMA (1,0,1)).Pada baris (3), orde P dan Q tergantung pada hasil identifikasi saat baris ke (2).  
(4) noint method=cls; Digunakan untuk memutuskan metode estimasi apa yang digunakan.Metode yang digunakan adalah Conditional Least Square (CLS).  
(5) forecast printall; Digunakan untuk menampilkan hasil prediksi maupun peramalan ke depan.  
(6) run; = digunakan untuk menjalankan Code input data

Penjelasan hasil :
Hasil 1
Pada Hasil 1 di atas menjelaskan tentang identifikasi model awal. Berdasarkan plot ACF dan PACF yang dihasilkan, diduga bahwa data tersebut memiliki orde ARIMA(1,0,1). Oleh karena itu pada tahap estimasi dimasukan order ARIMA(1,0,1).
Hasil 2
Pada Hasil 2 bagian Conditional Least Square Estimation, diperoleh kesimpulan bahwa hanya parameter orde AR(1) yang signifikan. Hal ini akan mengharuskan peneliti untuk menguji ulang model dengan hanya memasukan order ARIMA(1,0,0) dan membandingkan nilai AIC antara ARIMA(1,0,1) dengan ARIMA (1,0,0).
Hasil 3
Hasil 3 menunjukan nilai prediksi maupun peramalan ke dengan dengan menggunakan model ARIMA yang sesuai. Pada tabel Forecast for Variable Y tertera informasi nilai peramalan, standar error, selang kepercayaan, data asli dan juga residual.

***

Demikian artikel mengenai Tutorial : Peramalan dengan ARIMA menggunakan SAS University Edition (free). Masih banyak hal yang dapat dibahas maupun dikembangkan dengan ARIMA. Semoga artikel ini dapat bermanfaat, jika terdapat pertanyaan, saran, maupun kritik, dapat langsung mengunjunngi kolom komentar.
Share:

Tutorial R : Argumen Dasar dalam Pemrograman R

Dalam kondisi tertentu, pengguna alat bantu analisis data biasanya membutuhkan metode yang tidak standar. Metode yang tidak standar tersebut mengharuskan pengguna untuk dapat menuliskan sendiri program dan fungsi yang mereka butuhkan. R memberikan kemudahan kepada pengguna untuk dapat menuliskan sendiri program yang mereka butuhkan. Sintaks program R yang mudah dipelajari menjadikan R salah satu bahasa pemrograman yang powerful untuk melakukan analisis dari yang sederhana sampai kompleks.


Pada artikel ini akan dijelaskan argumen-argumen dasar dalam pemrograman R sebagai pondasi dalam membuat program-program custom yang mungkin dibutuhkan. Artikel ini menggunakan RStudio sebagai environment dalam mempermudah proses pembuatan program. Pengertian dan tahap instalasi RStudio dapat dilihat pada artikel berikut :
Tutorial R : RStudio sebagai IDE yang Memudahkan 

A. If ... Else

Penggunaan If ... Else dilakukan ketika kita menginginkan suatu fungsi/program dijalankan jika suatu kondisi tertentu terjadi. Berikut contoh penggunaan If ... Else. Copy-Paste kode berikut ke dalam RStudio-Console atau RStudio-Script kemudian Run.
tahun = 2012
if (tahun %% 4 == 0) {cat("tahun",tahun,"adalah tahun kabisat")
}else {print("tahun",tahun,"adalah bukan tahun kabisat")}
Hasil :
tahun 2012 adalah tahun kabisat
Pada contoh di atas, misalkan ingin mengetahui apakah tahun yang diinputkan merupakan tahun kabisat (angka tahun yang habis dibagi 4). 
Logika pada argumen di atas adalah :
Jika variabel tahun habis dibagi (modulo) 4, maka ditulis tahun tersebut adalah tahun kabisat.
Jika lainnya, maka ditulis tahun tersebut bukan tahun kabisat. 
Berikut Penjelasan setiap barisnya :
tahun = 2012 (input tahun yang ingin diketahui)
if (tahun %% 4 == 0) {cat("tahun",tahun,"adalah tahun kabisat") (kondisi ketika terpenuhi)
}else {print("tahun",tahun,"adalah bukan tahun kabisat")} (kondisi ketika tidak terpenuhi)

B. Perulangan For

Penggunaan perulangan For dilakukan ketika proses perulangan sebuah kondisi dilakukan sampai pada ulangan yang telah ditentukan. Berikut contoh penggunaan Perulangan ForCopy-Paste kode berikut ke dalam RStudio-Console atau RStudio-Script kemudian Run.
s=c()
for(i in 1:100){
  s[i]=i*10 }
s

Hasil
[1]   10   20   30   40   50   60   70   80   90  100  110  120  130  140  150
[16]  160  170  180  190  200  210  220  230  240  250  260  270  280  290  300
[31]  310  320  330  340  350  360  370  380  390  400  410  420  430  440  450
[46]  460  470  480  490  500  510  520  530  540  550  560  570  580  590  600
[61]  610  620  630  640  650  660  670  680  690  700  710  720  730  740  750
[76]  760  770  780  790  800  810  820  830  840  850  860  870  880  890  900
[91]  910  920  930  940  950  960  970  980  990 1000
Pada contoh di atas, misalkan ingin melakukan perulangan sebanyak 100 kali (menghasilkan angka 1 sampai 100). Dengan setiap angka perulangan dikalikan dengan 10. Maka proses ini akan menghasilkan angka puluhan sebanyak 100 mulai dari 10 sampai 1000.

Berikut Penjelasan setiap barisnya :

s=c() (menyediakan variabel kosong s yang akan diisi dengan hasil perulangan)
for(i in 1:100){ (memasukan perintah perulangan sebanyak 100 kali)
  s[i]=i*10 } (menyatakan variabel s adalah perkalian angka 10 dengan 1-100)
s (memanggil variabel s yang telah berisi hasil perulangan dan perkalian)


C. Perulangan While

Penggunaan perulangan While dilakukan ketika proses perulangan dilakukan sampai suatu kondisi tertentu terpenuhi. Berikut contoh penggunaan Perulangan WhileCopy-Paste kode berikut ke dalam RStudio-Console atau RStudio-Script kemudian Run.
z=0
while(z < 100){
  z=z+10
  print(z)}

Hasil : 
[1] 10
[1] 20
[1] 30
[1] 40
[1] 50
[1] 60
[1] 70
[1] 80
[1] 90
[1] 100
Pada contoh di atas, misalkan ingin melakukan perulangan dengan kondisi bahwa ulangan akan tetap berlangsung sampai nilai z tidak melebihi 100. Dengan setiap angka z pada setiap perulangan ditambah dengan 10, dimana nilai z pertama didefinisikan sema dengan 0 (nol).

Berikut Penjelasan setiap barisnya :
z=0 (mendefinisikan nilai z awal yaitu 0 (nol))
while(z < 100){ (menentukan kondisi berlangsungnya iterasi)
  z=z+10 (menyatakan bahwa setiap variabel z baru yang muncul ditambah 10)
  print(z)}(menampilkan angka z setiap ulangan)

***

Demikian tadi 3 argumen dasar dalam Tutorial R : Argumen Dasar dalam Pemrograman R. Masih banyak argumen-argumen dasar lain yang dapat memudahkan proses penyusunan fungsi/program untuk analisis data pada R. Pada kesempatan lain akan dibahas mengenai argumen-argumen lainnya pada Pemrograman R. Semoga artikel ini bermanfaat dan janganlah sungkan meninggalkan komentar di kolom komentar.
Share:

Tutorial R : Rcmdr pada RStudio


Terdapat 2 cara dalam melakukan analisis data menggunakan R yaitu dengan menggunakan Command Line dan R GUI (Graphical User Interface). Salah satu R-GUI yang sering digunakan untuk analisis data statistika adalah Rcmdr.
Pada artikel ini akan dijelaskan tentang proses instalasi Rcmdr pada RStudio. Artikel mengenai RStudio dan proses instalasinya dapat dikunjungi pada link berikut :
Tutorial R : RStudio sebagai IDE yang Memudahkan
Pada artikel lainnya juga telah dijelaskan mengenai instalasi Rcmdr pada R tanpa menggunakan RStudio. Artikel tersebut dapat dikunjungi pada link berikut :
Tutorial & Video : Rcmdr Statistika Dasar
Sebelum melakukan instalasi Rcmdr pada RStudio, pastikan internet telah terhubung pada perangkat yang akan digunakan. Berikut tahapan-tahapannya.

1. Masuk ke RStudio kemudian klik Tools - Install Packages...



2. Setelah itu akan muncul kotak dialog Install Packages. Ketikan Rcmdr pada kotak Packages kemudian klik Install.


3. Tunggu sampai proses instalasi selesai.

4. Setelah proses instalasi selesai, ketikan perintah berikut pada RStudio-Console kemudian enter.

library(Rcmdr)

5. GUI Rcmdr akan langsung muncul.


6. Berikut fungsi-fungsi analisis statistika yang dapat digunakan.



Pengguna alat bantu analisis data statistika yang telah terbiasa dengan "GUI yang ramah" seperti SPSS, MINITAB, dll akan sangat terbantu dengan Rcmdr karena tampilannya yang sederhana dan informatif serta dapat dikatakan cukup lengkap.
Demikian artikel mengenai Tutorial R : Rcmdr pada RStudio, semoga dapat bermanfaat dan jangan sungkan untuk mengisi kolom komentar di bawah.
Share:

Tutorial R : RStudio sebagai IDE yang Memudahkan

Pada artikel sebelumnya telah dijelaskan tentang "Apa itu R?" dan juga cara mendapatkannya. Artikel tersebut bisa dibaca pada link berikut:
Tutorial & Video : Download dan Install "R"
Pada artikel ini kemungkinan akan muncul sebuah pertanyaan "Apa itu RStudio?", "Apa itu IDE?" dan lain sebagainya. IDE atau Integrated Development Environment adalah sebuah software atau program yang bertugas sebagai wadah atau lingkungan dalam mempermudah pengembangan maupun penggunaan software atau program tertentu. Pada tahun 2009, J.J. Allaire mendirikan RStudio dan terus dikembangkan. RStudio sendiri memungkinkan pengguna untuk dapat lebih menguasai pengoperasian R itu sendiri. Pada RStudio juga telah dilengkapi dengan fasilitas instal Package secara online dan lain sebagainya. Sebelum melakukan instalasi RStudio, pengguna diwajibkan melakukan proses instalasi R terlebih dahulu. Untuk tutorialnya dapat dibaca disini. Setelah proses instalasi R berhasil, ikuti langkah-langkah berikut:
  1. Buka laman resmi RStudio https://rstudio.com/products/rstudio/download/
  2. Klik tombol Download pada produk RStudio Dekstop
  3. Pilih versi berdasarkan OS yang sesuai, misalkan RStudio 1.2.5001 - Windows 10/8/7 (64-bit)
  4. Lakukan proses instalasi
  5. Selesai
Setelah proses instalasi selesai, RStudio telah berhasil terpasang.


Dengan menggunakan RStudio, pengguna R akan lebih nyaman karena kemudahan interface yang ditawarkan. Untuk tutorial tentang penggunaan RStudio akan dibahas pada artikel selanjutnya.

Share:

Tutorial : Uji Tanda dan Uji Rank Tanda Wilcoxon

Uji Tanda merupakan salah satu pengujian pada statistika non parametrik yang paling sederhana. Pengujian ini bertujuan untuk menguji apakah median suatu populasi mengikuti kriteria tertentu. Statistik uji yang digunakan pada Uji Tanda adalah jumlah tanda positif (+) atau jumlah tanda negatif (-). Sedangkan untuk Uji Rank Tanda Wilcoxon, selain memperhatikan tanda tanda positif (+) atau tanda negatif (-), uji ini juga menggunakan informasi mengenai besar selisih antara dua sampel berpasangan atau satu sampel dengan media tertentu. Pada artikel ini, Uji Tanda dan Rank Tanda Wilcoxon akan digunakan sekaligus pada data sampel berpasangan. Dengan kata lain ada hubungan perlakuan sebelum, setelah dan lainnya.

Telah dijelaskan pada artikel Tutorial : [Pendahuluan] Statistika Non Parametrik bahwa metode pengujian manual statistika non parametrik akan mengalami kendala ketika data yang digunakan cukup besar. Kendala yang dimaksud adalah efisiensi waktu pengolahan/perhitungan. Oleh kerana itu, alat bantu perhitungan dapat dimaksimalkan pada proses perhitungan/pengolahan statistika non paramtrik pada data/sampel yang besar.

Untuk lebih jelasnya, perhatikan contoh kasus berikut :

Permasalahan

Sebuah perusahaan otomotif ingin menguji apakah merk baru sebuah ban memberikan perbedaan dalam pemakaian bahan bakar sebuah mobil. Akhirnya, perusahaan tersebut membuat sebuah tim yang ditugaskan untuk menguji pemakaian bahan bakar pada 30 mobil menggunakan ban standard dan ban merk X dengan jarak tempuh yang sama yaitu 5 kilometer. Berikut data pemakaian bahan bakae yang telah dikumpulkan.
Jika diketahui data tersebut tidak berdistribusi normal, ujilah menggunakan tingkat kepercayaan 2,5% apakah ban merk X memberikan perbedaan pada pemakaian bahan bakar! Gunakan dua uji sekaligus dan berikan kesimpulan tambahan.

***



TAHAP ANALISIS

Input Data

Masukan data ke lembar kerja SPSS dengan melakukan copy-paste data yang dapat didownload pada halaman Contoh Data atau klik disini.

Nama Variabel


Deskripsikan nama variable dengan mengklik Tab Variable View.

Analisis

Kemudian klik Analyze – Nonparametric Tests – Legacy Dialogs  2 Related Samples.

Masukan Perintah

Akan muncul kotak dialog untuk memasukan perintah. Pindahkan variable BanStandar dan Ban_X ke dalam kotak Test Pairs dengan cara klik panah yang mengarah ke kanan. Setelah itu ceklis Wilcoxon dan Sign pada pilihan Test Type. Kemudian klik OK.

Output Uji Tanda dan Rank Tanda Wilcoxon


Berdasarkan tahapan yang telah dilakukan, maka tahap terakhir akan muncul Output pada jendela Output. Informasi yang digunakan adalah nilai Asymp. Sig. (2-tailed).

***


HASIL DAN PEMBAHASAN


Berdasarkan permasalahan yang akan dibahas, maka diperoleh rumusan hipotesis sebagai berikut :

H0 : Ban merk X tidak memberikan perbedaan pada pemakaian bahan bakar.
H1 : Ban merk X memberikan perbedaan pada pemakaian bahan bakar.

α : 2,5% (0,025)

Statistik Uji :
P-Value Wilcoxon Test = 0,001
P-Value Sign Test = 0,002

Kriteria Penolakan : H0­ akan ditolak jika nilai P-Value < α

Keputusan : H0 ditolak karena kedua nilai P-Value (0,001 & 0,002) < α (0,025)

Kesimpulan :

Pada taraf signifikansi α 2,5%, diperoleh kesimpulan bahwa ban merk X memberikan perbedaan pada pemakaian bahan bakar.

***


Demikian artikel mengenai Tutorial : Uji Tanda dan Rank Tanda Wilcoxon dengan SPSS. Semoga artikel ini bermanfaat dan janganlah sungkan untuk berkomentar pada kotak komentar yang telah disediakan. Jika artikel ini bermanfaat, silahkan share sebanyak mungkin.

Terimakasih.
Share: