OLAH DATA STATISTIK

uji binomial

Uji Binomial menguji hipotesis tentang suatu proporsi populasi. Ciri dari binomial adalah data berupa dua (bi) macam unsur, yaitu ‘gagal’ atau ‘sukses’ yang diulang sebanyak n kali. Tentu saja pemakai bebas untuk mendefinisikan apa yang dimaksud ‘sukses’ atau ‘keberhasilan’ dan apa yang dikategorikan ‘kegagalan’.
Uji binomial akan membandingkan frekuensi yang diobservasi dari dua kategori pada sebuah variabel dikotomi terhadap frekuensi harapan di bawah distribusi binomial dengan parameter probabilitas tertentu.

data primer dan sekunder

Data primer merupakan sumber data yang diperoleh secara langsung dari sumber asli atau pihak pertama. Data primer secara khusus dikumpulkan oleh peneliti untuk menjawab pertanyaan riset atau penelitian. Data primer dapat berupa pendapat subjek riset (orang) baik secara individu maupun kelompok, hasil observasi terhadap suatu benda (fisik), kejadian, atau kegiatan, dan hasil pengujian. Manfaat utama dari data primer adalah bahwa unsur-unsur kebohongan tertutup terhadap sumber fenomena. Oleh karena itu, data primer lebih mencerminkan kebenaran yang dilihat. 

Data sekunder merupakan sumber data yang diperoleh peneliti secara tidak langsung melalui media perantara. Data sekunder pada umumnya berupa bukti, catatan, atau laporan historis yang telah tersusun dalam arsip, baik yang dipublikasikan dan yang tidak dipublikasikan.

Heteroskedastisitas adalah gangguan ui yang tidak mempunyai varian yang sama atau tidak samanya varian (simpangan data).

Asumsi ini dapat ditulis sebagai berikut:

E (u2i) = σ2 i = 1, 2, …., n

Contoh heterokedastisitas, misalnya:

  • Kesalahan orang yang baru belajar mengetik. Semakin dia berlatih, kesalahan yang dilakukan semakin sedikit.
  • Meningkatnya pendapatan, tabungan secara rata-rata juga meningkat. Keluarga yang berpendapatan tinggi secara rata-rata menabung lebih banyak daripada keluarga berpendapatan rendah, tetapi variabilitas dalam tabungannya juga lebih besar.
Konsep dasar dari uji normalitas Kolmogorov Smirnov adalah dengan membandingkan distribusi data (yang akan diuji normalitasnya) dengan distribusi normal baku. Distribusi normal baku adalah data yang telah ditransformasikan ke dalam bentuk Z-Score dan diasumsikan normal. Jadi sebenarnya uji Kolmogorov Smirnov adalah uji beda antara data yang diuji normalitasnya dengan data normal baku. Seperti pada uji beda biasa, jika signifikansi di bawah 0,05 berarti terdapat perbedaan yang signifikan, dan jika signifikansi di atas 0,05 maka tidak terjadi perbedaan yang signifikan. Penerapan pada uji Kolmogorov Smirnov adalah bahwa jika signifikansi di bawah 0,05 berarti data yang akan diuji mempunyai perbedaan yang signifikan dengan data normal baku, berarti data tersebut tidak normal.
 
 
Model Fungsi Transfer Multivariat
Model fungsi transfer merupakan salah satu teknik analisis data dalam analisis deret waktu (time series). Salah satu keunikan dan kelebihan dari model ini adalah ada unsur regresi dalam modelnya. Sehingga model fungsi transfer dapat dikatakan sebagai model yang   melibatkan analisis regresi dan analisis time series. Oleh karena itu peneliti tertarik mengkaji pemodelan fungsi transfer. Hasil yang diperoleh diaplikasikan pada peramalan data curah hujan.
 
Model ARIMA digunakan untuk analisis data deret waktu pada katagori data berkala tunggal, atau sering dikatagorikan model-model univariate. Untuk data-data dengan katagori deret berkala berganda (multiple), tidak bisa dilakukan analisis menggunakan model ARIMA, oleh karena itu diperlukan model-model multivariate. Model-model yang masuk kelompok multivariate analisisnya lebih rumit dibandingkan dengan model-model univariate. Pada model multivariate sendiri bisa dalam bentuk analisis data bivariat (yaitu, hanya data dua deret berkala) dan dalam bentuk data multivariate (yaitu, data terdiri lebih dari dua deret berkala). Model-model multivariate diantaranya: (1) model fungsi transfer, (3) model analisis intervensi (intevention analysis), (4) Fourier Analysis, (5) analisis Spectral dan (6) Vector Time Series Models.
Model Probabilitas Linear
Linear Probability Model (LPM) merupakan metode regresi yang umum digunakansebelum logit dan probit model dikembangkan. LPM bekerja dengan dasar bahwavariabel respon Y, yang merupakan probabilita terjadinya sesuatu, mengikuti

Bernoulli probability distribution.

LPM bekerja berdasarkan metode OLS biasa maka timbul permasalahan yang telah diungkapkan sebelumnya:
non-normality of thedisturbance, heteroscedastis,
tidak terpenuhinya ekspektasi nilai Y antara satu sampaidengan nol, dan tidak dapat digunakannya R² sebagai pengukur
Goodness of Fit.Kebutuhan akan model probabilita yang menghasilkan Y yang terletak antarainterval satu sampai dengan nol dengan hubungan antara Pt dengan Xt yang tidaklinear menyebabkan logit model dikembangkan
Multikolinieritas

Multikolinieritas adalah suatu kondisi dimana terjadi korelasi yang kuat diantara variabel-variabel bebas (X) yang diikutsertakan dalam pembentukan model regresi linier. Jelas bahwa multikolinieritas adalah suatu kondisi yang menyalahi asumsi regresi linier. Tentu saja, multikolinieritas TIDAK MUNGKIN TERJADI apabila variabel bebas (X) yang diikutsertakan hanya satu. Untuk mendeteksi apakah model regresi kita mengalami multikolinieritas, dapat diperiksa menggunakan VIF. VIF merupakan singkatan dari Variance Inflation Factor. Nilai VIF > 10 berarti telah terjadi multikolinieritas yang serius di dalam model regresi kita.