[tutorial] Analisis Deskriptif menggunakan R paket R-commander



Untuk tahap ini akan membahas penggunaan R‐Commander untuk membuat statistik deskriptif dari suatu kumpulan data, khususnya pembuatan ringkasan (summary) data dan pembuatan tabel. Ringkasan data difokuskan pada pembuatan statistik deskriptif, yaitu ukuran‐ukuran pemusatan, penyebaran, kemiringan, keruncingan, dan lokasi daridata‐data numerik (metrik). Sedangkan pembuatan tabel difokuskan pada data‐data nonnumerik.
Analisis deskriptif

Paket R menyediakan beberapa fasilitas berkaitan dengan pembuatan ringkasan dari data numerik dan nonnumerik. Secara lengkap fasilitas yang berkaitan dengan ringkasan data
  • Ringkasan numerik
  • Distribusi Frekuensi
  • Hitung observasi hilang
  • Tabel statistika
  • Matriks korelasi
  • Uji korelasi
  • Uji kenormalan Shapiro‐Wilk 
Sebelum memulai tutorialnya. langkah pertama yaitu persiapkan data yang digunakan kemudian masukkan/ import data ke program R. Untuk datanya bisa didownload disini (Dropbox). Oh iya, sebelum tutorial bisa import sendiri ya, tapi kalau belum tau silahkan kesini   Input Data pada Program R. berikut sedikit statisik deskriptif


1. Ringkasan Numerik (Summary)


Pada bagian ini akan dijelaskan cara perhitungan ringkasan deskriptif dari data dengan menggunakan berbagai metode statistika deskriptif. Secara umum ada dua macam data yang akan dibuat ringkasan numeriknya, yaitu data numerik (skala interval atau rasio) dan data kategorik (skala nominal atau ordinal). R menyediakan dua macam cara untuk menampilkan ringkasan numerik dari variabel‐variabel yang ada pada data, yaitu menampilkan ringkasan numerik dari semua variabel yang ada, dan menampilkan ringkasan numerik hanya dari variabel tertentu saja.

Perhitungan Ringkasan Numerik dari semua variabel dapat dilakukan dengan R Commander, yaitu gunakan menu Statistics, pilih Summaries, pilih Aktive Data set. Pada data numerik, ringkasan numerik akan menampilkan beberapa besaran statistik yaitu Mean, Min, Max, Kuartil 1, Median,dan Kuartil 3. Sedangkan pada data kategorik, ringkasan numerik hanya menampilkan jumlah atau frekuensi pada masing masing kategori yang ada.

Analisis deskriptif r



Perhitungan Ringkasan Numerik khusus untuk variabel numrik dapat dilakukan dengan R‐Commander, yaitu gunakan menu Statistics, pilih Summaries, pilih Numerical summaries. Setelah itu akan terlihat jendela informasi tentang variabel metrik dari dataset yang akan ditampilkan ringkasan numeriknya
Analisis deskriptif r tutorial



Misalkan akan dibuat ringkasan numerik untuk variabel Produksi , maka pada jendela dialog yang muncul, klik Produksi pada pilihan Peubah. Kemudian klik besaran‐besaran statistik yang akan ditampilkan ringkasannya. Setelah itu, klik OK untuk menampilkan output ringkasan numeriknya, sehingga diperoleh output pada jendela keluaran seperti berikut ini.

Analisis deskriptif r commander



R juga menyediakan fasilitas untuk menampilkan ringkasan numerik dari variabel numerik berdasarkan group atau faktor tertentu. Misalkan akan dibuat ringkasan untuk variabel Produksi berdasarkan Pulau, maka gunakan menu Statistics, pilih Summaries, pilih Numerical summaries, dan isikan pilihan seperti sebelumnya, yaitu variabel Produksi pada pilihan Peubah yang muncul. Kemudian klik Summaries by Groups, dan pilih variabel Pulau dari daftar Peubah kelompok.

Analisis deskriptif numerik



Selanjutnya klik OK, maka akan diperoleh output ringkasan numerik pada jendela keluaran seperti pada output berikut ini.

Analisis deskriptif kategorik



Dari output tersebut dapat dijelaskan bahwa rata‐rata Produksi jagung tertinggi berdasarkan pulau yaitu pulau jawa sedangkan yang terendah yaitu papua dan maluku.

2. Distribusi Frekuensi


Pembuatan Distribusi Frekuensi untuk variabel kategorik dapat dilakukan dengan R‐Commander, yaitu gunakan menu Statistics, pilih Summaries, pilih Frequency Distribution. Setelah itu akan terlihat jendela pilihan tentang variabel kategorik.

Analisis deskriptif distribusi



Misalkan akan dibuat distribusi frekuensi untuk variabel Pulau, maka pada jendela dialog pilihan variabel yang muncul, klik Pulau pada pilihan Peubah.Sebagai tambahan, pada menu pilihan Distribusi Frekuensi. ini dapat juga dilakukan Uji Kecocokan untuk mengevaluasi apakah probabilitas masing‐masing kategori sesuai dengan yang dihipotesakan. Misalkan akan diuji apakah persentase negara pada masing‐masing Pulau adalah sama, yaitu 1/6, maka pilih chi-square goodness of fit(hanya untuk satu peubah) sehingga diperoleh jendela pilihan probabilitas yang menjadi hipotesis seperti gambar berikut ini.

Analisis deskriptif frekuensi



Klik OK untuk menampilkan output hasil pengujian, sehingga diperoleh output pada jendela keluaran seperti berikut ini.

Analisis deskriptif distribusi frekuensi



Hasil tersebut menunjukkan bahwa nilai p‐value pengujian adalah 0.3337. Sehingga jika digunakan α=0.05 dapat disimpulkan bahwa pengujian menunjukkan gagal tolak H0. Hal ini dikarenakan nilai p‐value lebih besar dari α. Dengan demikian dapat disimpulkan bahwa proporsi negara di masing‐masing Pulau adalah sama yaitu 1/6.

3. Tabel Statistik


R juga menyediakan fasilitas untuk membuat ringkasan statistik dalam tabel untuk suatu variabel numerik (metrik) berdasarkan variabel nonmetrik (kategorik) atau faktor tertentu. Pada R‐Commander, gunakan menu Statistika, pilih Ringkasan, pilih Tabel statistika

Analisis deskriptif tabel



Misalkan akan dibuat tabel statistika untuk variabel Produksi berdasarkan variabel Pulau, maka pada jendela dialog pilihan Faktor yang muncul, klik Produksi dan klik Pulau pada pilihan Peubah respon. Kemudian pilih besaran statistik yang akan ditampilkan pada tabel statistika yang akan dibuat. Setelah itu, klik OK untuk menampilkan output tabel statistikanya, sehingga diperoleh output pada jendela keluaran seperti berikut ini.

Analisis deskriptif tabel statistik



4. Matriks korelasi

Perhitungan Matriks Korelasi untuk variabel‐variabel metrik dan nonmetrik dapat dilakukan dengan R‐Commander, yaitu gunakan menu statistics, pilih Summaries, pilih Correlation matriks, Setelah itu akan terlihat jendela pilihan tentang variabelvariabel dari dataset yang akan ditampilkan matriks korelasinya seperti pada Gambar berikut ini.

Analisis deskriptif Matriks



Misalkan akan dibuat matriks korelasi untuk variabel Luas lahan, Produksi dan Produktivitas, maka pada jendela dialog pilihan Peubah yang muncul, klik ketiga variabel tersebut. Kemudian pilih jenis korelasi (dalam kasus ini pilih Produk‐Momen Pearson) yang akan ditampilkan pada matriks korelasi yang akan dibuat. Setelah itu, klik OK untuk menampilkan output matriks korelasi, sehingga diperoleh output pada jendela keluaran seperti berikut ini.

Analisis deskriptif matriks korelasi



5. Uji korelasi

Perhitungan Uji Korelasi, baik untuk korelasi Produk‐Momen Pearson ataupun korelasi Rank‐Order Spearman dapat dilakukan dengan R‐Commander, yaitu gunakan menu Statistics, pilih Summaries, pilih Correlation Matrix.

Analisis deskriptif uji korelasi



Misalkan akan dilakukan pengujian korelasi untuk variabel Produksi dan Luas Panen, maka pada jendela dialog pilihan Peubah yang muncul, klik kedua variabel tersebut. Kemudian pilih jenis korelasi (dalam kasus ini pilih Produk‐Momen Pearson) yang akan diuji. Setelah itu, klik OK untuk menampilkan output pengujian pada jendela keluaran seperti berikut ini.

Analysis descriptive R



Hasil tersebut menunjukkan bahwa nilai p‐value pengujian adalah 2.2e‐16. Sehingga jika digunakan α=0.05 dapat disimpulkan bahwa pengujian menunjukkan tolak H0. Hal ini dikarenakan nilai p‐value lebih kecil dari α. Dengan demikian dapat disimpulkan bahwa ada korelasi positif antara Luas Panen dan Produksi.
Kalau ada kritik, saran dan pertanyaan silahkan komentarnya di kolom komentar di bawah. Kalau tidak punya akun silahkan ditulis sebelah kiri yaitu kolom “Chatbox”. Mohon dicantumkan email atau contact yang bisa dihubungi.

Sumber: Buku(Suhartono, 2008):Analisis Data statistik dengan R

11 Responses to "[tutorial] Analisis Deskriptif menggunakan R paket R-commander "

  1. gak ngerti om, susah banget penjelasannya -.-
    maunya tau cara membuat fungsi sendiri dengan R PROGRAM.

    ReplyDelete
    Replies
    1. [Tutorial] Analisis Deskriptif Menggunakan R Paket R-Commander >>>>> Download Now

      >>>>> Download Full

      [Tutorial] Analisis Deskriptif Menggunakan R Paket R-Commander >>>>> Download LINK

      >>>>> Download Now

      [Tutorial] Analisis Deskriptif Menggunakan R Paket R-Commander >>>>> Download Full

      >>>>> Download LINK fd

      Delete
  2. Anda Kebingungan Dan Kesulitan Menyelesaikan Skripsi, Tesis, Disertasi
    Karena Pusing Mikirin Olah Data Analisis Statistika Dengan ANATES, SPSS, AMOS
    LISREL, EVIEWS, SMARTPLS, GRETL, STATA, MINITAB dan DEAP 2.1
    Serahkan Dan Percaya Kepada Kami.
    Kami Siap Bantu Anda.
    Olah Data Semarang (Timbul Widodo)
    WhatsApp : 085227746673
    PIN BB : D04EBECB
    IG : @olahdatasemarang

    ReplyDelete
  3. --ANOVA
    x= read.csv("C:/Users/user/Documents/nmr4.csv")
    r=c(t(as.matrix(x)))
    f=c("a","b","c")
    k=3
    n=8
    N=24
    tm=gl(k,1,n*k,factor(f))
    av=aov(r~tm)
    summary(av)
    df1=k-1
    df2=N-k
    alpha=0.05
    Fcrit=qf(1-alpha,df1,df2)
    Fcrit
    View(x)
    View(x)

    REGRESI
    tekanan_fvf=read.csv("D:/latihan.csv")
    names(tekanan_fvf)<-c("tekanan","fvf")
    attach(tekanan_fvf)

    plot(tekanan,fvf,main="scatterplot tekanan dan fvf") – SCATTER PLOT

    cov(tekanan,fvf)
    cor(tekanan,fvf)

    summary(tekanan_fvf)--RINGKASAN

    model=lm(fvf~tekanan)
    summary(model)—PVALUE,RSDUARE, KOEF MODEL

    abline(model,lwd=2,col="blue")—PLOT MODEL

    --RESIDUAL
    model.res=resid(model)
    plot(tekanan,model.res,xlab="tekanan",ylab="residual",main="plot residual tekanan")
    abline(h=0,lwd=2,col="red")
    --KENORMALAN RESIDUAL
    regresi.strdes=rstandard(model)
    --PLOT KENORMALAN RESIDUAL
    qqnorm(regresi.strdes,xlab="standardised residuals",ylab="normal scores",main="plot kenormalan residual")
    abline(0,1)

    ReplyDelete
  4. REGRESI: jika pvalue < @ atau F hitung( statistik ) > F tabel, H0 DITOLAK

    ReplyDelete
  5. REGRESI : cari F hitung dengan cara qf(0.95,1,13) --- 1 and 13 DF d R

    ReplyDelete
  6. TIME SERIES :
    AR -- ACF : eksponensial turun, PACF : lag ke n
    MA -- ACF : lag ke n, PACF : eksponensial turun
    ARMA -- ACF : eksponensial turun, PACF : eksponensial turun

    ReplyDelete
  7. TIME SERIES :
    model MA : C - Y1a1 -Y2a2....+at
    model AR : C + Y1a1 + Y2a2 + ....at
    model ARMA : model MA + model AR

    ReplyDelete
  8. Statitika dekriptif

    Cesium<-read.csv(“D;/GSHJFG.csv”)
    Cesium<-as.numeric(Cesium[1:50,1])
    summary(Cesium)

    library(Hmisc)
    describe(Cesium)

    library(pastecs)
    stat.desc(Cesium)

    library(TSA)
    jumlah=sum(Cesium)
    modus=names(sort(-table(Cesium))[1]
    skew=skewness(Cesium,na.rm=TRUE)
    kurt=kurtosis(typus,na.rm=TRUE)
    LANGKAH ANOVA
    - Ketikkan data pada media input yang dipilih misalkan excek disimpan dalam csv. Masukkan ke variable lain sesuai kehendak kita
    - Tulis code dari ANOVA pada R editor
    - Dari hasil program di atas akan menghasilkan table ANOVA yang berisi p value dan F hitung. Hasil tesebut dapat digunakan utk mengambil kesimpulan terhadap hipotesis yang telah dibuat. :
    - Bandingkan p value dg alpha
    - F hitung dengan F table
    - Jikaa F hitung < F table , H0 ditolak, atau p value > alpha

    LANGKAH REGRESI

    - Ketikkan data pada media input yang dipilih misalkan excek disimpan dalam csv. Masukkan ke variable lain sesuai kehendak kita
    - Tulis code dari REGRESI pada R editor
    - Analisis hasil dari R editor tersebut secara jelas dan sesuai
    -

    ANALISIS DERET WAKTU
    - Pilih menu analyze – forecasting – create models
    - Masukkan data yang diolah pada dependent variable, dan pada independent variable jika da
    - Pilih mode type : all model
    - Pada toolbar statistics, ceklist goodness of fit, utk kebaikann model serta parameter estimates, ceklist normalized BIC, utk model yg paling baik
    - Buat grafik ACF DAN PACF utk model yg paling sesuai ;
    - Analyze – forecasting – autocorrelations
    - Masukkan data yang diolah, ceklis pada display auto dan partial correlations
    - Jika ingin memunculkan model yg sesuai,;
    - LANGKAH 1 + Variable – methode -ARIMA – criteria – ARiIMA ordes – Maukkan bilangan pada model sesuai – continuu
    Pada statistic klik forecast
    Pada plot klik observed values, forecast, fit value- OK
    - Jika grafik data observasi terhadap waktu menunjukkan musiman atau trend, maka yang perlu diubah2 adalah methode pada variable dg mengganti bilangan ARIMA -nya.

    ANALISIS VARIOGRAM
    - Masukkan data pada worksheet dengan kolom A dan B menunjukkan pasangan koordinat dari observasi dan kolom berikutnyaa untuk nilai yg diamati.
    - Buka file-new-worksheet-Ok
    - Save data
    - Membuat grid data saved : file-new -plot document -OK
    - GRID-DATA -klik excel saved – open – muncul kotak grid data – klik OK – keluar report
    - Membyat kontur : map -new – counter map – mucul open grid – pilih data saved-open
    - Kasih warna :
    o Klik gbr – mucul kotak property manager – level – ceklist fill coutour-pilih warna-ceklist colour scale
    - Buat grafik semivariogram :
    o Grid-variogram-new variogram – koak dialog -pilih file saved – ok
    o Menambahkan banyaknya pasangan titik ; klik pairs pada tab plot
    o Utk judul : -judul – apply -ok
    o Ganti model ; klik gbr – kotak – model – remove utk hapus -add utk nambah-ok-autofit



    ReplyDelete
  9. ANOVA
    https://hamidiazis.blogspot.com/2017/12/laporan-praktikum-statistik-anova.html

    REGRESI
    http://tktugas.blogspot.com/2017/08/laporan-praktikum-statistika-analisis.html

    ANALISI TIME SERIES
    http://mainartikel.blogspot.com/2014/12/analisis-time-series.html

    ANALISIS VARIOGRAM
    https://dokumen.tips/documents/analisis-spasial-untuk-pengolahan-data-raster-sistem-informasi-geografis-studi.html

    ReplyDelete