#Belajar Statistika: Alasan belajar,Populasi dan Sampel, level data,deskriptif vs inferensial.

Mengapa belajar statistika?

1 Karena banyak statistika di sekitar kita.
2 Tuntutan pekerjaan dan tuntutan zaman.
3 membantu analisis dan studi.
4 Ternyata sangat menyenangkan

Apa itu statistika?

Statistika digunakan untuk mengukur parameter dari populasi berdasarkan sampel dan menghitung ketidakpastian dalam pengukuran tersebut.
Dengan menghitung aspek ketidakpastian ini, statistik memungkinkan kita untuk melihat seberapa jauh hasil pengukuran kita jika dibandingkan dengan keadaan aslinya.

Perbedaan statistika vs statistik

Pengertian statistika adalah sebuah ilmu yang mempelajari bagaimana cara merencanakan, mengumpulkan, menganalisis,cmenginterpretasikan, dan mempresentasikan data.
Sedangkan statistik adalah data-data atau nilai-nilai yang mendeskripsikan keadaan sampel.
Statistik juga dapat diartikan sebagai wakil dari kumpulan data, contohnya rerata (mean) dan simpangan baku (standar deviasi).

Jadi perbedaannya jelas, statistika adalah ilmu yang berkaitan dengan data, dan statistik adalah data itu sendiri, yang menjelaskan sampel.
Istilah yang lebih dekat dengan statistik adalah parameter, yaitu data-data atau nilai-nilai yang mendeskripsikan keadaan populasi.
Perbedaan antara statistik dengan parameter adalah statistik menjelaskan atau menggambarkan sampel, sedangkan parameter menjelaskan atau menggambarkan populasi.
Dari penjelasan di atas kemudian muncul istilah sampel dan populasi.

Populasi (population) dan sampel (sample).

Populasi merupakan semua individu atau unit yang menjadi bagian dari objek penelitian atau ketertarikan.
Sedangkan sampel merupakan sebagian kecil individu atau unit yang dipilih dari dari populasi.

Mengapa kita membutuhkan sampel?

Karena seringkali, populasi terlalu besar, dan tidak memungkinkan kita untuk melakukan pengukuran satu-persatu.
Jadi, pengambilan sampel dilakukan dengan metode tertentu agar sampel dapat benar-benar mewakili populasinya.

Estimasi parameter

Statistika juga digunakan untuk melakukan estimasi, yaitu dengan melakukan pendugaan (inferensi) saintifik suatu parameter dalam populasi menggunakan data sampel dari populasi tersebut.
Estimasi adalah pendugaan terhadap parameter (disertai error).
Statistik dalam hal ini, digunakan untuk menentukan nilai estimasi terbaik dari parameter, berdasarkan data sampel yang diambil dari populasi

Pengujian hipotesis

Statistika juga dapat digunakan untuk menguji hipotesis.
Pengujian hipotesis (hypothesis testing) merupakan proses menentukan seberapa dekat (atau jauh) “null hypothesis” kita terhadap populasi “fit” dengan data sampel.

Data: variable, case, observation, constant.

ka kita melakukan pengambilan data sendiri, data tersebut seringkali kita simpan juga dalam bentuk tabel.
Tabel yang memuat data kita itu, memiliki beberapa bagian antara lain variable, case,observation dan constant.
Variabel (variable) merupakan karakteristik setiap unit atau individu.
Kasus (case) adalah individu atau unitnya. Biasa juga disebut subject.
Pengamatan (observation) adalah nilai suatu variabel yang dimiliki oleh kasus (unit data)
Konstan (constant) adalah variabel yang memiliki nilai observasi yang sama pada semua kasus.

4 level of data measurement

Berdasarkan skala pengukurannya, data dapat dibagi menjadi 4 jenis:

• nominal = Data berjenis kategorikal, merupakan label atas case pada data kita. Pada jenis data ini, setiap data memiliki level atau kelas yang sama.
  Contoh:
  – jenis kelamin: pria, wanita.
  -pekerjaan: peneliti, dokter, pemain sepakbola, dan lain-lain.
• ordinal = Data ordinal memiliki karakteristik yang hampir sama dengan data nominal.
  Bedanya, data ordinal memiliki level, di mana satu kelas memiliki nilai yang lebih tinggi daripada kelas yang lain.
  
  Kita bisa melihat adanya perbedaan antar kelas, namun tidak bisa menjelaskan seberapa besar perbedaan tersebut.
  Contoh:
  – level pendidikan: pendidikan dasar, pendidikan menengah, pendidikan tinggi.
  – kerapatan vegetasi: vegetasi rapat, vegetasi jarang.
• interval = Data interval (dan rasio) termasuk ke dalam data kuantitatif.
  Cirinya, berupa angka yang memiliki nilai sehingga dapat dibedakan urutan, perbedaan, dan dapat diukur besar perbedaannya.
  Data interval dicirikan dengan data yang tidak memiliki nilai nol (0) yang bermakna. Nilai nol dalam data ini tidak berarti bahwa tidak ada ada data, tapi memang nilai datanya seperti itu.
  
  Kita ambil contoh suhu 0 derajat Celcius dan 5 derajat Celcius. Nilai 0 tidak berarti bahwa tidak ada suhu. Meskipun kita bisa melihat selisih dari dua pengukuran tersebut ( selisih 5 derajat), kita tidak bisa mengatakan bahwa suhu 5 derajat lebih panas 5 kali lipat dengan suhu 0 derajat. Contoh: Data temperatur (Celcius, Fahrenheit)

• rasio = Data rasio memiliki karakteristik yang hampir sama dengan data interval. Bedanya, data rasio memiliki nilai 0 yang bermakna. Nilai nol dalam data ini berupa nilai mutlak, dan tidak ada nilai negatif.
  Berbeda dengan data interval, pada data rasio kita bisa mengatakan bahwa panjang 40cm itu dua kali lipat lebih panjang dari 20cm.
  Tahu perbedaannya?
  Contoh data rasio:
  – tinggi badan
  – berat badan.
  
  Selanjutnya, untuk data kuantitatif, jenis data dapat dibagi lagi yaitu:
  – Kontinyu (continue): tinggi badan (156.2, 160.23, 160.2345)
  – Hitung (count): jumlah goal yang dicetak seorang pemain bola (1, 5, 10; tidak ada 1.2 goal)
  – Proporsi (proportion): persentase penduduk miskin di suatu kota (25.6%, 76.345%)
  – Biner (binary); data kehadiran siswa di kelas (1 (hadir), dan 0 (tidak hadir).
  
  Data interval dan rasio termasuk ke dalam data kuantitatif.

Mengapa penting memahami level dan tipe data?

Alasan pertama, karena metode yang kita gunakan untuk melakukan analisis statistika bergantung pada level dan tipe data yang kita punya.
Misal dalam melakukan test klasik (classical test) dan pemodelan linier (linear modeling), kita harus benar-benar memahami kondisi data kita untuk kemudian menentukan metode atau teknik mana yang harus digunakan.

Alasan kedua, memahami level dan tipe data akan memudahkan kita dalam proses visualisasi data.
Contohnya, untuk menampilkan data nominal, kita menggunakan diagram batang atau diagram pie, sedangkan untuk data kuantitatif kita gunakan boxplot atau histogram.

Explanatory vs response, dependent vs independent, X vs Y

Salah satu penggunaan statistik yang juga paling banyak dilakukan adalah untuk menghubungkan satu variabel dengan variabel yang lain.
Proses ini dilakukan dengan menghitung asosiasi antar variabel dan perbedaan diantara grup dalam populasi (atau sampel).
Seringnya, analisis kita lakukan untuk melakukan prediksi nilai satu variabel, berdasarkan variabel-variable yang lain.
Variabel yang kita prediksi ini, disebut dengan variabel respon (response variable), atau variabel terikat (dependent variable) atau variabel Y (Y variable).

Sedangkan variabel yang digunakan untuk melakukan prediksi kita sebut dengan variabel penjelas (explanatory variable), atau variabel bebas (independent variable) atau variabel X (X variable).

Satu contoh klasik untuk menjelaskan hal ini adalah percobaan menanam kacang yang kita lakukan waktu SD. Percobaan itu kita lakukan dengan menanam kacang di beberapa pot berbeda. Setiap pot kita siram dengan kuantitas air yang berbeda setiap hari. Lalu kita ukur tinggi pohon semua kacang kita. Dalam percobaan tersebut variabel responnya adalah tinggi pohon kacang, dan kuantitas air yang disiram menjadi variabel penjelas.

Statistika Deskriptif vs Statistika Inferensial

Statistika deskriptif kurang lebih merupakan metode untuk merangkum informasi yang telah kita kumpulkan.
Rangkuman informasi biasa ditampilkan dalam bentuk grafik atau dalam bentuk nilai rata-rata, persentase dan yang lainnya.
Statistika inferensial dilakukan dengan membuat kesimpulan tentang suatu populasi berdasarkan sampel yang terbatas.Proses ini berkaitan erat dengan proses pendugaan estimasi terhadap parameter seperti yang telah dituliskan di bab-bab atas.