Sabtu, 30 November 2019

Memotret Nasib Petani Tembakau Sumenep Madura

Tembakau
Petani Tembakau
Sumenep terkenal dengan produksi tembakaunya yang melimpah. Hampir setiap penduduk menanam tembakau di lahannya. Katanya sih, kalau tidak menanam tembakau seolah dalam kehidupannya ada yang kurang. Jadi, meski sedikit, adalah puluhan sampai ratusan pohon tembakau yang mereka tanam. Tembakau di area Sumenep secara ketinggian tanah terbagi menjadi tiga, tembakau sawah, tembakau tegalan, dan tembakau gunung. 

Menurut kebanyakan petani, tembakau yang biasanya paling tinggi peminatnya adalah jenis tembakau gunung. Tembakau jenis ini dari sisi aromanya harum dan teksturnya juga relatif halus. Dari sisi harganya juga paling mahal dibandingkan tembakau sawah dan tegalan. Hal yang tak kalah penting dari komoditas ini adalah prosesnya sehingga menjadi bahan baku pembuatan rokok. Di tengah pangsa pasar akhir-akhir ini yang lesuh, petani tembakau di Sumenep tetap bertahan dengan memaksakan diri untuk merugi-rugi ria dengan menanam tembakau. Seolah bertani tembakau menjadi hobi, meski risiko usaha komoditas ini terbilang tinggi. 

Pantas saja, apabila salah teknik mulai dari pemetikan daun tembakau saja, perusahaan rokok tidak berminat untuk membeli. Katanya kualitasnya berkurang. Padahal, menurut petani, setiap perusahaan rokok punya kualifikasi masing-masing terhadap tembakau yang ditawarkan petani. Ada perusahaan yang menyukai daun bagian bawah pada batang, ada yang suka order daun bagian tengah, ada pula yang justru lebih demen daun bagian atas. 

Hakikatnya justru daun bagian tengah pohon tembakau yang punya kualitas paling baik untuk meracik rokok. Dari sisi pemasaran, tembakau Sumenep banyak diserap perusahaan rokok Djarum, Sampoerna, Wismilak, dan Gudang Garam Surya. Biasanya, permintaan mereka mencapai 200 ton dalam sekali angkut. Tahun 2018 saja, petani tembakau bahkan tidak melakukan penyetokan karena ludes diserap perusahaan. Harganya pun masih menggembirakan saat itu, rata-rata sekilo dihargai sampai 45.000. 

Tapi, tahun 2019 rupanya tak lagi menguntungkan. Harga tembakau di tingkat petani anjlok hingga Rp. 30.000 per kilogramnya. Padahal, ongkos usahanya melebihi dari apa yang mereka dapatkan. Menjadi petani tembakau ternyata tak segampang yang saya bayangkan. Proses mengolah daun tembakau butuh pengalaman dan teknik yang dilakukan secara hati-hati dan teliti. 

Pembibitan tembakau dilakukan dengan cara tunas pada sebidang tanah, setelah dewasa dipindahkan ke lahan yang lebih luas. Setelah dewasa, daundaun tembakau yang tumbuh dibedakan dalam tiga posisi, daun bawah, daun tengah, dan daun bagian atas (dekat kuncup atau bunga). 

Normalnya, dalam setahun, petani tembakau panen paling banyak 3 kali. Kondisi normal panen ini mereka alami sejak 2010, di mana saat itu harga per kilogram daun tembakau Sumenep masih tembus hingga Rp. 95.000. Hingga tahun 2018 kemarin, harga tembakau di tingkat petani yang kian menurun, membuat petani tak lagi mengikuti sistem panen menurut posisi daun. Saat ada permintaan dari perusahaan rokok, ya sudah, mereka langsung memanennya sekaligus. 

Rupanya, biaya perawatan tanam yang tinggi membuat petani tak mampu berlama-lama menunggu panen menurut posisi daun. Di tambah dengan risiko perajangan dan pengepakan, mereka ikhlas merugi bahkan hingga berujung maut karena stress usahanya rusak. Sistem pemanenan sekaligus tanpa diiringi permintaan yang tinggi menjadikan petani tembakau terpaksa menyimpan sisa tembakau yang tak laku di gudang masing-masing. Ada yang milik sendiri, ada yang milik kelompok tani, ada pula yang menyewa. Semua mereka lakukan demi menjaga kualitas daun tetap baik dan masih bernilai jika ada perusahaan rokok yang order. 

Saya pun tercengang karena saat daun tembakau usai dipanen, untuk menghilangkan getah di dalam daunnya dilakukan dengan cara meniriskan daun sedemikian rupa sehingga posisi tangkai daun berada di bawah (vertikal) atau posisi daun dijepit dan ditegakkan. Jika tak demikian, harga daun tembakau juga rusak karena rasanya akan pahit akibat ada getah yang terkandung di daunnya. 

Beberapa waktu ini tentu sempat kita mengetahui bahwa tahun depan (2020) pemerintah sepakat menaikkan harga rokok per bungkusnya. 

Kebijakan itu saat ini memang belum dieksekusi, tapi dampaknya justru sudah mulai terasa. Harga rokok yang bakal naik secara otomatis menunjukkan bahwa beban pengusaha rokok bertambah. Bukan tanpa sebab mereka harus menaikkan harga rokok, bea cukai yang menempel pada kemasan rokok kian tinggi. Tidak hanya berpengaruh pada upaya perusahaan rokok untuk lebih efisien dalam produksi, tapi juga menggerus semangat petani tembakau karena harga pada level mereka kian merosot. 

Pada intinya, kebijakan menaikkan harga rokok akibat cukai yang semakin tinggi justru korbannya adalah petani tembakau. Pendapatan mereka tak sebanding dengan seluruh usaha yang dikeluarkan demi segelintir daun tembakau. Usahanya terancam mati di masa depan, terlebih lagi stigma negatif terhadap komoditas ini terus berdatangan dari perusahaan di bidang kesehatan. 

Mengingat sebagian besar petani di Sumenep mengusahakan tembakau, tentu kontradiksi jika stigma negatif atas selembar daun tembakau semakin menguat, ada kebolehjadian, bila petani tembakau selalu RT (Rugi Terus) akan menambah angka kemiskinan Sumenep. 

Salah satu petani kemarin juga mengatakan pada saya bahwa di Sumenep, jika seseorang ingin cepat kaya, ya dengan menanam tembakau dan menjualnya, tapi jika seseorang ingin segera stress dan mati, juga bisa dengan menanam tembakau. Saya pikir memang risiko usaha tembakau itu besar. Kena hujan 3 jam saja sudah banyak tanaman tembakaunya yang mati karena busuk, terlalu kekurangan air akibat kemarau berkepanjangan juga mati. 

Bertani tembakau seolah telur di ujung tanduk. Namun, saya bangga dengan petani tembakau Sumenep, mereka tetap mengambil risiko besar tersebut untuk bertahan dan mengisi hidup. Bagaimana teknik bertani mereka? Para petani tembakau biasanya menggunakan sistem tanam campuran antara tembakau itu sendiri dan jagung. Pada waktu hujan terakhir musim hujan, mereka menanami tanah di antara dua pohon jagung dengan tembakau. Saat jagung sudah panen, tembakau siap mengisi kekosongan lahan. Setidaknya panen jagung inilah yang sedikit menghibur keluh-kesah petani akibat besarnya risiko mengusahakan tembakau. 

Sewaktu mengintip nasib petani tembakau Sumenep, diri saya sempat kaget. Betapa tidak, beberapa hari sebelum saya menyurvei mereka, ada kabar bahwa salah satu di antara mereka meninggal bunuh diri. Saat saya tanyai apa motif bunuh diri itu, mereka menjawab bahwa yang bersangkutan (alm) bunuh diri karena stress akibat mengalami kerugian besar akibat lesuhnya permintaan tembakau miliknya. 

Di Sumenep sebetulnya terdapat banyak pedagang, pengepul, maupun tengkulak tembakau. Hanya saja, permintaan yang begitu rendah menjadikan pedagang, pengepul, bahkan tengkulak sedikit menahan diri sehingga berton-ton tembakau tak laku dan berujung membusuk selama penyimpanan. Di satu sisi, petani tembakau Sumenep sedikit beruntung dengan menjamurnya industri rumahan pembuatan bungkus tembakau rajangan. Bahannya terbuat dari daun siwalan. Untuk kebutuhan membungkus seikat tembakau rajang, biaya pengepakan dengan anyaman daun siwalan itu dihargai Rp. 15.000. Bisa dihitunglah jika petani tembakau terpaksa menyimpan tembakau rajangannya akibat tak laku, misalnya saja sebanyak 100 ikat, sudah butuh biaya Rp. 1,5 juta. 

Bila dari 100 ikat itu 10 persennya tak tahan lama, ya kerugian bertambah lagi. Padahal, laku pun seikat saja belum tentu mampu menutupi kerugian tersebut. Sulit memang mengusahakan komoditas satu ini. Kalau tak kuat iman ya gulung tikar, stress, bunuh diri, atau minimal gila. Risiko kerugian juga terdeteksi selama pembibitan dan membesarkan tanaman tembakau. Di Sumenep sendiri, beberapa tahun yang lalu, ada program pemerintah setempat berupa subsidi pupuk dan bibit tembakau. Program ini memang sempat menghembuskan "angin segar" pada petani tembakau Sumenep. 

Mekanisme pencairannya pun terbilang mudah. Dengan membawa semacam kartu tani tembakau berwarna kuning pada petugas, petani dapat mengklaim jatah pupuk dan benih tembakau. Kendati begitu, program itu tak bertahan lama, sedikit demi sedikit petani tembakau mulai berpikir tentang kondisi usahanya yang ternyata terancam gagal. 

Dalam praktiknya, petani tidak bisa menjalankan usahanya mengelola tembakau kalau soal pupuk dan benihnya masih dijatah. Menurut mereka, dalam bertani, apabila dalam perjalanannya kekurangan pupuk, maka harus menambah pupuk, jika kurang air, ya harus mencari air, ada semacam effort sebagai langkah antisipasi dalam proses mendewasakan tembakau hingga layak panen. 

Pemikiran seperti itulah yang mendorong petani tembakau mengklaim subsidi pupuk dan benih dalam jumlah yang sama, namun di tempat lain. Apalagi, mereka yang punya lahan tembakau lebih dari satu atau dua tempat yang berbeda secara administrasi. Dampak negatifnya program kartu tani menimbulkan masalah baru hingga klimaksnya pemerintah Sumenep meniadakan program subsidi tersebut. Inilah sebabnya mengapa petani tembakau Sumenep kembang-kempis dan selalu berada di ujung kerugian besar. Di satu sisi mengenai kebijakan pemerintah yang belum terkawal dengan baik dan benar, juga masih kurangnya sosialisasi, pendidikan, dan penyuluhan dinas terkait soal bagaimana memanfaatkan jatah pupuk dan benih bersubsidi secara mangkus dan sangkil.

Kamis, 28 November 2019

Jawa Timur Darurat Regenerasi Petani

Petani
Petani
Revolusi industri 4.0 menyediakan tantangan dan peluang tersediri bagi sektor pertanian Jawa Timur. Kian sempitnya lahan pertanian dan berkurangnya jumlah petani di berbagai daerah merupakan dua hal yang patut menjadi perhatian utama. Benar saja, lahan pertanian Jawa Timur setiap tahun menyusut 1.950 hektar. Padahal, Jawa Timur menjadi tulang punggung ketahanan pangan nasional. Ironisnya, susutnya lahan pertanian juga diikuti dengan menurunnya jumlah petani. 

Langkah awal yang bisa kita ambil untuk menelusuri kondisi sektor pertanian Jawa Timur adalah mengamati pertumbuhan dan kontribusinya terhadap perekonomian Jawa Timur. Pada triwulan II 2019 saja, sektor pertanian Jawa Timur tumbuh sebesar 2,9 persen. Rupanya sektor ini merupakan salah satu sektor yang tumbuh tipis di Jawa Timur. Kontribusinya terhadap kue ekonomi pun menduduki urutan ketiga setelah perdagangan, yakni 12,08 persen. 

Sebagai kelompok sektor primer, sektor ini dinyakini memberi dampak besar terhadap sektor yang lain. Jika sektor pertanian meningkat, maka hasilnya dirasakan pula oleh sektor lain, misalnya sektor perdagangan, sektor pergudangan, dan sektor transportasi. 

Seiring berjalannya waktu, sentuhan teknologi menjadikan sektor pertanian berubah dengan cepat. Pemandangan petani yang dulu menggunakan tenaga kerbau saat membajak sawah, kini berubah menjadi traktor, beragam mesin dan alat pertanian disiapkan untuk melakukan pengolahan lahan serta perawatannya. Dampak modernisasi ini dirasa begitu nyata menggerus jumlah buruh petani karena tergantikan oleh mesin. 

Salah satu cara untuk mendapatkan informasi tentang jumlah petani di Jawa Timur adalah dengan melihat hasil Survei Angkatan Kerja Nasional (Sakernas) Februari 2019. Tercatat bahwa persentase penduduk bekerja di sektor pertanian Jawa Timur mengalami penurunan. Jumlah penduduk bekerja di sektor pertanian yang sebesar 6,68 juta orang pada Februari 2018, turun menjadi 6,67 juta orang pada Februari 2019. Artinya, dalam setahun jumlah petani di Jawa Timur menyusut sebanyak seribu orang. Entah beralih ke sektor lain, entah menganggur. 

Selain produktivitas lahan pertanian yang menurun akibat pencemaran dan musim yang tidak menentu, lahan yang terus berkurang akibat berdirinya konstruksi bangunan dan jalan tol lintas daerah juga memperburuk nasib sektor pertanian Jawa Timur. Berdasarkan analisis Location Quotient, sektor pertanian Jawa Timur pada triwulan II 2019 memiliki LQ sebesar 0,89 atau kurang dari 1. Artinya, sektor pertanian Jawa Timur bukan merupakan sektor basis atau unggulan. Kenyataan ini menegaskan bahwa pada triwulan II 2019, sektor pertanian belum mampu memenuhi kebutuhan pasar di Jawa Timur sendiri. Jawa Timur masih memiliki ketergantungan terhadap kemampuan sektor pertanian nasional. 

Bila dikaitkan dengan Pendidikan tertinggi yang ditamatkan, mayoritas petani di Jawa Timur berpendidikan SD ke bawah. Dalam teori modern dikatakan bahwa penduduk berpendidikan rendah cenderung tidak memilih-milih pekerjaan. Apapun dilakukan untuk memenuhi kebutuhan sehari-hari. Mirisnya, pendidikan yang rendah justru mengurangi semangat penduduk bergelut di sektor pertanian. Semangat yang terus merosot itu secara tidak langsung diperlihatkan oleh Nilai Tukar Petani (NTP) Jawa Timur yang posisinya sempat menurun 0,89 persen pada Februari 2019. Peningkatan Indeks yang diterima (It) terhadap Indeks yang dibayar (Ib) petani tidak sebanding dengan besarnya inflasi perdesaan dan garis kemiskinan Jawa Timur. 

Semakin berkurangnya penduduk bekerja di sektor pertanian, bisa dikatakan Jawa Timur telah memasuki zona darurat regenerasi petani. Hal itu ditengarai dengan menurunnya kinerja sektor pertanian sekaligus jumlah penduduk bekerja di sektor itu. Generasi milenial tidak lagi punya ketertarikan pada sektor pertanian karena prospeknya tidak jelas. Bagi mereka, profesi menjadi petani adalah profesi “terbuang” karena bertani menjadi pelarian terakhir ketika tidak ada lagi lapangan kerja yang tersedia. 

Situasi ini menjadi tantangan berat bagi Jawa Timur. Di tengah tumbuhnya perekonomian Jawa Timur yang mencapai 5,72 persen pada triwulan II 2019, disertai dengan menurunnya angka kemiskinan menjadi 10,37 persen per Maret 2019. Kondisi sektor pertanian malah kian terpuruk, bukan tak mungkin Jawa Timur justru menjadi daerah pengimpor hasil-hasil pertanian di kemudian hari.

Pemicu minat bertani

Agar sektor pertanian tetap hidup, pemerintah telah melakukan berbagai upaya. Utamanya dalam rangka penguatan kaderisasi petani. Kementerian pertanian pernah menyiapkan enam strategi untuk meregenerasi petani. Mulai dari transformasi pendidikan tinggi vokasi pertanian, inisiasi program penumbuhan wirausaha muda pertanian, penumbuhan kelompok usaha bersama di bidang pertanian, pelatihan dan magang bagi pemuda tani, hingga optimalisasi penyuluh untuk mendorong dan menumbuhkan pemuda tani. 

Keenam strategi tersebut layak diacungi jempol. Sebab, yang sedang melemah di sektor pertanian adalah minat dan semangat untuk bertani. Tanpa adanya dua aspek itu tentu jumlah petani, khususnya di Jawa Timur akan semakin berkurang. Bahkan, bisa jadi suatu saat tidak ada lagi pekerjaan petani. Padahal, proses mengolah lahan hingga menghasilkan komoditas pertanian adalah pekerjaan yang sangat mulia. 

Agaknya akan lebih tepat apabila perbaikan minat dan semangat bertani juga ditumbuhkan melalui mekanisme kelayakan harga komoditas hasil pertanian. Jumlah pemuda tani akan bertambah apabila harga komoditas hasil pertanian kian menggembirakan. Kendati pemerintah menyetop subsidi pupuk dan benih pun, pendapatan yang diperoleh petani akan tetap mampu menutup biaya produksi serta transportasi pemasaran hasil pertanian. 

Kebijakan lain yang bisa diambil adalah pemberian subsidi pupuk, alat pertanian, serta beasiswa pendidikan sekolah bagi anak-anak petani dengan kepemilikan lahan lebih dari 0,5 hektar. Kebijakan subsidi pupuk dan alat pertanian ini setidaknya mampu memangkas biaya produksi petani sehingga pendapatan yang mereka bawa pulang jauh lebih besar. Selain itu, kebijakan tersebut diharapkan mampu mempertahankan jumlah petani dengan kepemilikan lahan lebih dari 0,5 hektar sekaligus meningkatkan semangat bertani bagi petani dengan lahan kurang dari 0,5 hektar. 

Dua kebijakan tersebut diharapkan memicu kenaikan jumlah petani, khususnya pemuda tani sehingga regenerasinya tetap terjaga. Hadirnya teknologi modern disertai pembangunan infrastruktur yang cepat semestinya bukan menjadi alasan tak lagi bertani. Sebab, jikalau sektor pertanian kian terpuruk, akankah generasi masa depan hanya mengandalkan hasil-hasil pertanian negara lain?.

Senin, 25 November 2019

Bedah Output Regresi Data Panel Hasil Olah Program Eviews

statistik
Bedah output regresi panel
Adjusted R Square merupakan salah satu indikator dalam melakukan seleksi terhadap beberapa model regresi. Tujuan dari Adjusted R Square sendiri adalah melihat seberapa besar proporsi keragaman variabel dependen (variabel tidak bebas/variabel terikat) yang dapat dijelaskan oleh variabel independen (variabel bebas). Karena menggambarkan proporsi, Adjusted R Square biasanya diinterpretasikan dalam bentuk persen.

Adjusted R Square umumnya digunakan dalam pemodelan regresi baik sederhana dengan menggunakan satu variabel bebas, regresi berganda dengan menggunakan banyak variabel bebas, maupun model regresi yang menggunakan data panel. Sebegitu pentingnya indikator ini di dalam pemodelan, acapkali di dalam penggunaannya justru kurang diperhatikan. Banyak kalangan tidak peduli peruntukan dari Adjusted R Square atau R Square untuk menyeleksi regresi terbaik. Padahal, keduanya jelas berbeda baik dari sisi konsep dan formula, maupun dari sisi interpretasi kesesuaian regresi linier.

Memang benar sekali, bahwa ahli statistika merekomendasikan penggunaan Adjusted R Square dalam memantau seberapa baik sebuah persamaan regresi untuk mendekati model populasi. Tapi, perlu ditekankan kembali bahwa penggunaan Adjusted R Square sendiri lebih tepat digunakan apabila seorang peneliti menggunakan analisis regresi linier berganda. Mengapa? Sebab nilai Adjusted R Square memiliki kekuatan untuk melihat sejauh mana sebuah variabel bebas menjelaskan proporsi keragaman variabel tidak bebas (terikat) ketika ia dimasukkan dalam persamaan dan ketika ia tidak berada di dalamnya.

Statistik
Formula r square dan adjusted r square


Berdasarkan formula tersebut, dapat disimpulkan bahwa Adjusted R Square tergantung pada jumlah amatan (n) dan jumlah variabel bebas yang ditandai melalui derajat bebasnya (p), di mana p itu sendiri merupakan jumlah penduga parameter sehingga jumlah variabel bebas sama dengan p - 1. Nilai Adjusted R Square yang tergantung banyaknya amatan dan variabel bebas inilah yang terkadang menyebabkan nilainya bisa minus. Misalnya ketika jumlah variabel bebasnya lebih sedikit dibandingkan jumlah amatannya. Mengingat efek penggantian dan atau penambahan variabel bebas ke dalam suatu persamaan regresi hanya bisa terjadi ketika jumlah variabel bebasnya lebih dari satu, itu sebabnya Adjusted R Square lebih relevan digunakan dibandingkan R Square.

Sebaliknya, apabila suatu peneliti hanya menggunakan analisis regresi linier sederhana, maka indikator R Square lah yang bisa dijadikan ukuran baik dan tidaknya regresi tersebut. Ini terkait dengan penggunaan variabel bebas yang hanya satu tidak memungkinkan adanya proses eliminasi atau penyeleksian variabel bebas ke dalam persamaan regresi. Agaknya tidak relevan jika di dalam pengkonfigurasian persamaan regresi linier sederhana masih menampilkan Adjusted R Square karena proporsi keragaman variabel dependennya justru lebih cocok menggunakan R Square.

Dalam sebuah tampilan output running data dengan menggunakan program pengolah tertentu, memang biasanya menampilkan duah jenis R Square bersaudara itu. Nilainya pun hampir sama, meski dalam kondisi lain malah berbeda jauh, bahkan berlawanan, nilai R Square positif, sedangkan nilai Adjusted R Square negatif.

Penggunaan sejumlah variabel bebas di dalam pemodelan menjadi konsekuensi logis munculnya dua nilai R Square bersaudara yang saling berlawanan tanda. Ketika suatu variabel bebas, katakanlah X1, jika menggunakan regresi linier sederhana, nilai R Squarenya kemungkinan besar menunjukkan proporsi keragaman dari variabel tidak bebas (terikat) benar-benar dijelaskan oleh X1 itu. Namun, akan berbeda ketika tool analisis yang digunakan adalah regresi linier berganda yang melibatkan sejumlah variabel bebas di dalamnya. Nilai R Square belum tentu menunjukkan bahwa variabel bebasnya tadi benar-benar bisa menjelaskan proporsi keragaman variabel tidak bebas. Bisa jadi, ia hanya menyumbang kemampuan menjelaskan variabel tidak bebas dalam persentase yang kecil, hanya saja tidak terlihat jelas. Inilah mengapa suatu variabel bebas yang dimasukkan ke dalam persamaan regresi linier berganda bisa dikatakan variabel aksesoris, fungsi dan perannya tidak signifikan menambah persentase R Square saja.

Adanya konfigurasi variabel bebas dan tidak bebas yang tak sesuai juga bisa mengganggu besarnya nilai R Square bersaudara itu. Dalam praktiknya pun, Adjusted R Square yang tinggi bisa pula berupa kamuflase yang seakan-akan nilai tinggi, padahal "menipu", sampai-sampai peneliti pun memercayai bahwa regresi linier yang ia bangun sudah sangat baik. Kita bisa buktikan dengan mengamati angka Adjusted R Square yang tinggi, padahal ada informasi yang belum terungkap. Nilai Adjusted R Square tinggi, tapi jumlah variabel bebasnya sedikit.

Butuh hati-hati melihat output
regresi panel
Output program Eviews regresi panel
Beberapa waktu lalu, penulis kebetulan bisa menghadiri undangan seminar paper salah satu rekan penulis. Adapun judul paper yang ia sajakan. Judul papernya adalah Analisis Faktor-Faktor yang Mempengaruhi Produksi Padi di Jawa Timur dengan Fixed Effect Model. Dalam paper tersebut, ia menggunakan variabel dependen berupa produksi padi yang didapatkan dari Kerangka Sampel Area (KSA) Padi di Jawa Timur, dengan variabel bebasnya masing-masing Produktivitas Padi (X1), Luas Panen (X2), dan Curah Hujan (X3).

Persamaan penduga model regresi panel yang dihasilkan menggunakan program Eviews cukup mencengangkan. Bagaimana tidak, nilai interseptnya sangat besar dan negatif, kemudian besar pengaruh dari X1 mencapai 4 digit, kemudian pengaruh X2 malah 1 digit, sedangkan X3 berpengaruh negatif sebesar 2 digit. Intersept yang sangat besar bila kita interpretasikan secara "paksa" bisa menjadi fenomena di Jawa Timur, bahwa produksi padi itu sebenarnya dari awal sudah minus alias defisit dan ini perlu ditinjau ulang oleh dinas terkait. Rupanya, jika kita amati nilai signifikansinya, probabilitas pengaruh dari X1 terhadap Y sebesar 0,000, sama halnya dengan probabilitas pengaruh dari X2 terhadap Y, yaitu sebesar 0,000. Artinya, dengan menggunakan tingkat alpha 5 persen, variabel produktivitas dan luas panen berpengaruh signifikan dan positif (lihat koefisiennya di output) terhadap produksi padi di Jawa Timur. Sedikit berbeda dengan variabel curah hujan (X3), variabel tersebut justru tidak signifikan pada taraf 5 persen terhadap produksi padi di Jawa Timur. Lagi-lagi, jika kita "memaksakan diri" mengintepretasi output tersebut malah muncul anggapan yang kurang pas dengan kenyataan. Pada umumnya, curah hujan tentu memberikan dampak positif terhadap produksi padi, sedangkan hasil tersebut malah sebaliknya.

Kuak histori datanya

Kondisi output tersebut membuat penulis tidak nyaman. Dalam artian, penulis mencurigai terdapat kesalahan dalam mengkonfigurasi variabel-variabel yang digunakan. Benar dikata sebagaimana ulasan di awal, bila persamaan tersebut dijabarkan, terdapat adanya hubungan antara Y, X1, dan X2.
Multikolinear
Keterkaitan variabel Y X1 dan X2
Karena produksi merupakan hasil perkalian antara produktivitas dan luas panen, maka hasil yang begitu "indah" signifikannya secara jelas mengandung multikolinear di antara variabel bebas. Signifikansi yang mencapai 0,000 tersebut bukanlah probabilitas yang independen namun dependen.

Kemudian, kita amati dengan saksama nilai R Square dan Adjusted R Square-nya, masing-masing sebesar 99,86 persen dan 99,81 persen. Secara teoritis, bahwa ketiga variabel bebas yang masuk dalam peregresian panel tersebut dapat menjelaskan proporsi keragaman variabel bebas sebesar 99,86 persen dan 99,81 persen, sedangkan sisanya dapat dijelaskan oleh variabel bebas yang tidak masuk di dalam peregresian panel. Tapi, pada poin ini kita sedikit menemukan celah atau kelemahan dari R Square dan Adjusted R Square, nilainya yang tinggi justru bisa jadi diakibatkan oleh adanya multikolinier antar variabel dalam peregresian. Penulis kemudian menanyakan kepada rekan tersebut, apakah terdapat treatment terhadap data selama proses peregresian panel?

Dijawabnya, ada, terutama pada variabel bebas curah hujan. Dia mengatakan mensmoothing data curah hujan sedemikian rupa dengan alasan agar peregresian panel dapat dibangun dalam situasi yang stabil dan asumsi citeris paribus. Padahal, menurut penulis sendiri, treatmen pada data dengan cara smoothing akan menaikkan adjusted R Square dan R Square akibat perilaku data hasil smoothing lebih selaras dan seakan-akan itu menjadi "akal-akalan" saja demi mencapai Adjusted R Square yang tinggi.

Dengan hanya menggunakan 3 variabel bebas, mendapatkan angka sebesar 99 persenan itu agaknya terlalu mustahil. Padahal, dengan menggunakan 3 variabel bebas yang tentunya independen, mencapai Adjusted R Square sebesar 50 persenan pun sudah tinggi. Meski secara empiris belum terdapat studi mengenai eksplorasi dari Adjusted R Square terkait seberapa besar persentase maksimal normalnya ketika sebuah variabel dimasukkan ke dalam peregresian panel dan sebaliknya, seberapa besar persentase minimal normalnya sebuah variabel yang dikeluarkan dari peregresian panel. Hal ini sangat penting untuk menjaga proporsionalitas dan kelogisan jumlah variabel bebas yang digunakan dalam peregresian secara umum sehingga early warning adanya kejanggalan-kejanggalan dalam regresi bisa dideteksi dengan jelas dan terukur.(*)

Jumat, 15 November 2019

5 Aturan Perubahan Seleksi Kemampuan Dasar (SKD) CPNS 2019/2020

CPNS
Perubahan aturan seleksi CPNS 2019/2020
Selamat sore teman-teman, semoga masih bersemangat untuk belajar dan belajar. Mengingat tak lama lagi, USM Polstat STIS 2020 akan diselenggarakan, kali ini penulis akan sedikit berbagi mengenai perkembangan terkini terkait peraturan menteri PAN RB terbaru terkait aturan perubahan Seleksi Kemampuan Dasar (SKD) Calon Pegawai Negeri Sipil (CPNS) tahun 2019/2020.

Mengapa  hal ini penting penulis ulas kepada teman-teman? Sebab, pada USM Polstat STIS tahap II, teman-teman akan menghadapi SKD CPNS juga. Dengan demikian, ada kemungkinan besar aturannya mengacu pada aturan terbaru yang dikeluarkan oleh menteri PAN RB. Adapun peraturan menteri PAN RB terbaru itu adalah Permenpan RB Nomor 24 Tahun 2019 (teman-teman bisa baca di sini). Di dalamnya memuat perihal perubahan-perubahan pada sistem penilaian dan mekanisme soal yang diujikan dalam SKD CPNS 2019.
CPNS TKD SKD
Perubahan passing grade SKD CPNS 2019, sumber: Permen PAN RB No. 24 Tahun 2019
Berdasarkan Permenpan RB  tersebut, dapat kita lihat bahwa terdapat sekitar 5 perubahan utama di dalam sistem penilaian dan mekanisme soal yang diujikan. 3 perubahan terdapat pada passing grade atau nilai mati atau nilai minimum yang menjadi syarat seorang peserta SKD CPNS dapat dinyatakan LULUS SKD CPNS. Pada Pasal 3 Permenpan RB Nomor 37 tahun 2018, passing grade (PG) untuk Tes Wawasan Kebangsaan (TWK) adalah 75, kini dalam Permenpan RB Nomor 34 Tahun 2019 berubah menjadi 65. Artinya, terdapat penurunan sebesar 10 poin.

Kemudian, untuk Tes Intelijensi Umum (TIU), dalam Permenpan Nomor 37 Tahun 2018 PG-nya sebesar 80, pada Permenpan terbaru tidak mengalami perubahan, yakni tetap 80. Sedangkan untuk Tes Karakteristik Pribadi (TKP) memiliki besar PG 271, terdapat perubahan sebesar 27 poin (menurun) bila dibandingkan PG TKP berdasarkan Permenpan RB sebelumnya (298).

Kalau kita amati berdasarkan PG, ada kemungkinan besar peserta SKD CPNS kali ini memiliki peluang LULUS lebih besar ketimbang peserta SKD CPNS periode Permenpan RB sebelumnya. Kunci pokoknya terdapat pada kebijakan menurunkan PG oleh menpan RB. Hal ini boleh jadi menjadi angin segar bagi peserta karena tak sedikit dari mereka yang mengeluhkan tingginya PG dan level kesulitan dari soal TWK dan TKP.
SKD CPNS 2019 2020 2021 2022
Perubahan jumlah soal subtes SKD CPNS 2019, sumber: Permen PAN RB No. 24 Tahun 2019
Dari sisi mekanisme soal, permenpan RB Nomor 24 Tahun 2019 juga mengandung pasal terkait kebijakan mengubah jumlah butir soal untuk setiap subtesnya, baik TWK, TIU, kecuali TKP. Soal subtes TWK pada permenpan RB sebelumnya berjumlah 35 butir soal, pada permepan terbaru berkurang sebanyak 5 butir soal sehingga menjadi 30 butir soal saja.

Untuk soal subtes TIU, pada aturan permenpan RB sebelumnya memberikan 30 butir soal, kemudian ditambah 5 soal, sehingga pada SKD CPNS 2019/2020 mendatang, jumlahnya berubah menjadi 35 butir soal. Sedangkan ada pengecualian bagi soal subtes TKP, jumlah soalnya tetap sebanyak 35 butir sebagaimana aturan sebelumnya.

Perubahan-perubahan seperti ini sudah semestinya diketahui oleh teman-teman. Sebab, USM Polstat STIS 2020 kemungkinan mengakomodir aturan terbaru dari Permenpan RB tersebut. Di dalam Permenpan RB terbaru ini untuk nilai benar dan salah serta nilai untuk TKP memang tidak disebutkan terdapat perubahan sehingga untuk nilai masih mengacu pada peraturan sebelumnya. Teman-teman bisa menambah referensi mengenai aturan nilai benar dan salahnya di sini (Nilainya masih sama).

Kamis, 14 November 2019

4 Konsep | Kejadian, Variabel, Variasi, dan Distribusi Sampling Random (Acak)

variabel acak random statistik
Pengertian random (acak)
Dalam statistika, kita seringkali mendengar kata random atau biasa disebut acak. Terlebih lagi jika kita sudah mempelajari tentang teknik penyampelan atau sampling atau desain penelitian survei atau eksperimen. Dari segi tata bahasa, terdapat perbedaan substansial antara apa yang didefinisikan oleh Kamus Besar Bahasa Indonesia (KBBI) dengan random atau acak dalam pengertian statistika.

Menurut KBBI, random atau acak diartikan tidak teratur atau acak-acakan. Pengertian ini memang benar, bila ditinjau dari sudut bahasa sehari-hari. Misalkan ada premis atau pernyataan: kamar saya random, artinya kondisi kamar saya acak-acakan, tidak tertata rapi, tidak teratur, bahkan kacau. Ada lagi yang mengartikan bahwa kata random sebagai kondisi yang tidak berpola dan sembarang.

Dalam pengertian statistika sendiri, arti kata random atau acak sendiri mempunyai sifat yang spesifik dan mendalam. Jauh berbeda dengan apa yang didefinisikan dalam KBBI. Random atau acak merupakan suatu kondisi bahwa setiap elemen atau unit yang tersebar dalam ruang lingkup (batasan) atau dengan batasan tertentu memiliki peluang untuk diwujudkan. Dalam pengertian ini, diksi yang membedakan antara pengertian random secara bahasa Indonesia dan statistika adalah kata peluang yang sama besar. Dalam statistika, peluang yang sama besar ini merupakan konsekuensi logis bahwa kita sebelumnya tidak mengetahui sifat keacakan itu sendiri, baik keacakan yang secara alamiah terjadi, maupun keacakan yang sengaja dibuat.

Dalam sebuah kantung terdapat 4 buah kelereng, 1 merah, 1 kuning, 1 hijau, dan 1 lagi biru. Kendati kita mengetahui bahwa ada 4 kelereng dengan 4 jenis warna dalam kantung tersebut. Kita tidak mengetahui secara pasti posisi atau letak dari masing-masing kelereng menurut warnya. Kita hanya bisa memperkirakan peluang (jika kemudian kita ambil) untuk masing-masing kelereng menurut warnya, yakni sebesar 1/4.

Contoh lain misalkan dalam sebuah kantung terdapat 2 kelereng Merah, 3 kelereng Hijau, dan 1 kelereng Putih. Karena posisi semua kelereng random atau acak, kita hanya bisa memperkirakan bahwa peluang mewujudkan kelereng Merah sebesar 2/6, kelereng Hijau sebesar 3/6, dan kelereng Putih sebesar 1/6. Terlihat bahwa nilai peluang untuk diwujudkan untuk sekali pengambilan tanpa pengembalian, masing-masing terlihat peluangnya tidak sama.

Perbedaan random atau acak secara Bahasa Indonesia dan dalam pengertian statistika sangat jelas. Dalam KBBI hanya berbicara soal kondisi yang tidak teratur, sedangkan dalam pengertian statistika, selain kondisi yang tidak teratur, juga dapat diatur, tetapi tambahannya selain informasi yang jelas terkait obyek, juga terdapat diksi peluang. Artinya, acak berbeda dengan acak-acakan, acak juga berbeda dengan kondisi kacau.
kejadian acak random statistik
Konsep kejadian random (acak)
Setelah kita memahami istilah random atau acak, berikutnya kita akan ngobrol singkat perihal kejadian random atau kejadian acak. Sebagaimana di awal tadi, kita nyatakan bahwa random secara Bahasa Indonesia memiliki perbedaan dengan pengertian secara statistika. Demikian halnya ketika kita sambungkan kata kejadian dengan kata random atau acak. Kejadian random atau acak secara sederhana dapat didefinisikan sebagai suatu kejadian berpeluang yang tidak bisa kita tentukan dan belum kita ketahui.

Momen saat kita melemparkan sebuah koin sekali lantunan disebut sebagai suatu kejadian random atau acak. Sebab, saat melantunkan koin tersebut, kita belum mengetahui kenyataan yang terjadi, apakah akan tampak Angka (A), ataukah Gambar (G). Selain itu, kita tidak mampu menentukan bahwa kenyataan yang terjadi muncul Angka dari koin, pun Gambar. Tapi, kita hanya bisa memperkirakan peluang dari lantunan koin tadi

Dalam kaidah peluang sendiri, memang ada suatu kejadian yang terjadi jika kejadian sebelumnya diketahui atau terjadi. kaidah peluang yang demikian biasa dikatakan sebagai kejadian random atau acak bersyarat. Sedangkan bila kejadian bersifat tunggal, maka kita tidak dapat memperkirakan peluangnya.
random variable in statistikcs
Konsep variabel random (acak)
Selanjutnya kita akan ngobrolin soal variabel random atau acak. Dalam beberapa literatur dijelaskan bahwa variabel random atau acak adalah sebuah fungsi bernilai numerik yang didefinisikan untuk seluruh ruang sampel (contoh). Namun, untuk mencapai pemahaman yang menyeluruh, penulis mencoba untuk mengulitinya satu per satu, dimulai dari makna kata variabel.

Variabel sendiri diartikan secara beragam oleh banyak literatur. Tapi, pada intinya dapat penulis simpulkan, bahwa variabel adalah suatu fungsi yang memiliki nilai tidak tetap serta digunakan sebagai tool atau alat mendeklarasi suatu obyek atau besaran tertentu secara numerik. Kemudian kita sambungkan dengan kata random atau acak, sehingga pengertian yang bisa kita tarik dari kata variabel random adalah suatu fungsi yang memiliki nilai tak tetap serta digunakan sebagai tool atau alat mendeklarasi ruang sampel berpeluang.

Variabel random sendiri dalam bahasan statistika nantinya dibagi menjadi dua, yaitu variabel random diskrit dan variabel random kontinu. Variabel random diskrit adalah variabel random yang nilainya merupakan suatu bilangan bulat dan asli tertentu, misalnya jumlah penduduk hasil Sensus Penduduk 2020, jumlah penduduk tentulah bukan angka pecahan, misalkan 275.000.000 jiwa, bukan 275.000.000,65 jiwa. Tidak ada jumlah manusia sebanyak 0,65 jiwa, itu harus dibulatkan menjadi 1. Sedangkan variabel random kontinu adalah variabel random yang nilainya merupakan bilangan kontinu (bulat dan pecahan) dan asli. Sebagai contohnya, berat badan siswa SD, panjang pohon mangga, angka koma atau bentuk pecahan tercakup dalam numerik variabel random kontinu ini.
Variasi random acak statistik
Konsep variasi random (acak)
Kita lanjutkan dengan ngobrol soal variasi random atau variasi acak. Sebelum kita mengulas lebih jauh tentang variasi random, ada baiknya kita pahami dulu perbedaan antara varians dan variasi pada link berikut ini. Dengan menyatukan konsep variasi dengan random, maka kita dapat menarik sebuah kesimpulan bahwa variasi random atau variasi acak adalah variasi yang terjadi akibat perbedaan cakupan atau coverage dalam pengambilan sampel (contoh) populasi. Variasi random ini bisa terjadi dalam satu populasi (within), juga bisa terjadi antar populasi (between).

Variasi random ini biasa terjadi karena adanya miss-informasi atau kesalahan informasi awal dalam mendapatkan data pada unit observasi populasi. Akibatnya, terdapat selisih atau perbedaan antara nilai data yang diharapkan dengan nilai data aktual atau sebenarnya. Sebagai contoh ketika kita ingin mengetahui besarnya rata-rata pengeluaran buruh tani Desa Kalipucang, Kecamatan Tutur, Pasuruan. Setelah kita mengambil sampel sebanyak 400 responden, kita dapatkan statistik rata-rata pengeluaran buruh taninya sebesar Rp. 10 juta per kapita per bulan. Angka ini tentu membuat kita sebagai peneliti (yang notabene tidak mudah percaya dan selalu kepo alias keingintahuannya besar) curiga terhadap pengeluaran sebesar itu dalam sebulan. Masalahnya profesi buruh tani lho, mereka bukan pemilik modal. Tentu kenyataan ini tidak sesuai angka perkiraan yang kita harapkan.

Dengan populasi target yang sama, setelah kita mengambil data dari sebanyak 400 responden yang berbeda dengan sebelumnya, hasilnya justru sebaliknya, rata-rata pengeluaran per kapita per bulan buruh tani di Desa Kalipucang justru sebesar Rp. 0,5 juta. Dengan mengecek angka pembanding dari lembaga legal formal, misalkan kita dapatkan angka pengeluaran buruh tani sebesar Rp. 1 juta per kapita per bulan. Tentu sense dari statistik yang kita dapatkan antara Rp. 10 juta per kapita per bulan dengan Rp. 0,5 juta per kapita per bulan, cenderung kita memilih angka Rp. 0,5 juta per kapita per bulan. Setidaknya angka yang kita harapkan mendekati angka rilisan lembaga legal formal tadi. Situasi seperti inilah yang memunculkan adanya variasi random.
Random Distribution in statistics
Konsep distribusi random (acak)
Variasi random dalam statistika merupakan suatu konsekuensi logis dari sampling. Akibat dari variasi random menimbulkan statistik lain, yaitu varians. Ketika rata-rata yang sebenarnya menjadi parameter populasi sebesar miu, kesalahan dalam pengambilan sampel (sampling error) mengakibatkan rata-rata yang diperoleh dari lapangan sebesar x bar 1, x bar 2, atau x bar 3 (lihat gambar di atas). Selisih antara miu dan x bar itulah yang jika dirata-ratakan kuadrat menghasilkan varians.

Jika kita melakukan banyak pengambilan sampel dan masing-masing kita hitung nilai rata-ratanya, maka kita akan mendapatkan beberapa nilai rata-rata yang berbeda. Dari nilai-nilai rata-rata itulah kemudian kita temukan, ada yang nilai rata-ratanya kecil, ada yang sedang, dan ada yang besar. Sebaran acak dari nilai-nilai rata-rata (statistik) inilah yang kemudian kita sebut sebagai distribusi sampling random (acak).

Selasa, 12 November 2019

Tabel Distribusi Frekuensi, Cara Membuat, dan Kelemahannya

distribusi data
Menguak kelemahan tabel distribusi frekuensi
Data menjadi bagian penting dalam kehidupan. Kebijakan publik juga selalu berdasarkan pada data lho teman-teman. Sebab, tanpa data, biaya untuk pembangunan akan sangat mahal. Tidak hanya itu, pembangunan tanpa data memiliki kemungkinan buruk lebih besar. Data menjadi dasar bagi pemerintah dan kita semua dalam perencanaan juga sebagai bahan baku analisis. Tepat tidaknya dalam menganalisis data inilah penentu apakah kesimpulan yang terjadi sudah tepat atau justru sebaliknya.

Setelah sebelumnya kita sedikit mengulas perbedaan data dan informasi, kali ini kita coba ngobrol mengenai jenis data. Secara garis besar, data terbagi menjadi dua, yaitu data tunggal dan data majemuk atau biasa kita sebut data berkelompok. Data tunggal merupakan suatu set barisan acak  angka-angka, benda, simbol, gambar, atau entitas nyata. Sedangkan data majemuk atau data berkelompok adalah data tunggal yang dikelompokkan atau suatu data yang dikelompokkan menurut kolom dan baris sejumlah tertentu dengan kelas dan panjang kelas interval tertentu dan masing-masing kelas memiliki frekuensi sehingga bisa disebut juga tabel distribusi frekuensi.


Arah dari diskusi kita adalah melihat kelebihan dan kekurangan antara data tunggal dan data majemuk atau berkelompok. Untuk itu, supaya memudahkan, kita coba membangun suatu data tunggal fiktif yang kita namai data nilai Try Out USM Polstat STIS 2019 (TONAS) yang secara berurutan kita sajikan dalam Excel berikut ini:

Informasi
Data nilai Try Out USM Polstat STIS 2019 (fiktif)
Data tersebut kita bangun secara sederhana, meski pada kenyataannya, suatu data bisa jadi sangat acak dan tidak berurutan sebagaimana yang kita contohkan. Hal ini hanyalah untuk memudahkan kita untuk membuat tabel frekuensinya dan tabel frekuensi kumulatifnya.

Dalam membentuk jumlah kelas yang terbentuk, secara teori kita bisa menggunakan Rumus Sturges, namun karena cuma untuk latihan memahami data berkelompok dan data tunggal, kita tidak menggunakan dasar pengelompokan Sturges untuk data kita. Hasilnya sebagaimana pada gambar di bawah ini teman-teman. Dari data tunggal, kita kelompokkan dalam 9 kelas interval berikut frekuensi kelas masing-masing dengan total ada 40 siswa yang ikut TONAS USM Polstat STIS 2019.
Tabel Distribusi Data
Tabel distribusi nilai TO USM Polstat STIS 2019 (fiktif)
Berdasarkan tabel frekuensi di atas, kita lihat ada sebanyak 10 siswa yang mendapatkan nilai dengan interval 75-79. Dari hasil tabulasi data tunggal menjadi berkelompok tadi, kita akan menghitung rata-rata atau mean dari data berkelompoknya menggunakan rumus berikut:
rata-rata
Rata-rata (mean) data teknik nilai tengah
Dari hasil penghitungan dengan rumus di atas, kita dapatkan bahwa mean dari data berkelompok dengan teknik nilai tengah masing-masing kelas bisa ditampilkan sebagai berikut:
rata-rata nilai
Teknik mencari rata-rata dengan nilai tengah kelas
Sehingga rata-rata nilai 40 siswa yang mengikuti TONAS USM Polstat STIS 2019 adalah 3.170 : 40 = 79,250. Tetapi, jika kita menghitung mean dengan menggunakan data tunggal, hasilnya 78,825. Lah, kok bisa beda ya? Padahal data yang kita gunakan sama lho.

Baiklah, kita coba lupakan sejenak tentang hasil penghitungan angka rata-rata tadi. Mungkin otak kita mulai berputar-putar mencari tahu penyebab dari perbedaan. Sudahlah, kita lanjut saja untuk mencoba menghitung statistik lainnya dari data tersebut. Berikutnya kita akan menghitung median atau nilai tengah dari data tersebut dengan menggunakan rumus berikut:
median modus range kelas lebar
Rumus median data berkelompok
Rumus di atas ini biasa digunakan untuk menentukan median dari data berkelompok. Kalau untuk mendapatkan median dari data tunggal, kita cukup mengurutkan data tunggal tersebut dari yang paling kecil sampai yang terbesar kemudian kita cari mediannya dengan mencari titik tengah data. Kalau ada 40 unit data, berarti median data tunggal terdapat pada data ke-20 dan ke-21 kemudian dibagi dua.

Sedangkan untuk menentukan median data berkelompok, kita masih memerlukan beberapa elemen datanya, yaitu kelas bawah yang mengandung median, panjang kelas, frekuensi kelas yang mengandung median, serta frekuensi kumulatif sebelum kelas yang mengandung median data tersebut.
statistik
Rumus modus data berkelompok
Selanjutnya, untuk menghitung nilai modus data berkelompok, kita perlu pahami rumus di atas. tentu berbeda dengan mendapatkan modus data tunggal yang kita lakukan secara manual dengan mencari data yang paling banyak keluar atau nilai data yang sama paling banyak dalam se-set data tunggal, tanpa mengurutkan pun tidak apa-apa.
data statistik
Mencari median dan modus data berkelompok
Dengan menggunakan kedua rumus tadi, untuk median data tunggal kita dapatkan nilai 79,500. Ternyata, setelah kita hitung, median untuk data berkelompoknya juga sama, yaitu sebesar 79,500. Sedangkan nilai modus untuk data tunggalnya kita dapatkan nilai 76,000, sedangkan modus setelah kita tabulasikan menjadi data berkelompok sebesar 77,577.

Kedua hasil perhitungan mean, median, dan modus antara data tunggal dan data tunggal yang sudah dikelompokkan ternyata ada yang berbeda. Nilai mean dan modus data berkelompok cenderung lebih besar ketimbang data tunggal, sedangkan nilai median antara data tunggal dan berkelompok sama besar.

Berdasarkan contoh sederhana ini, dapat kita simpulkan bahwa kelebihan dari tabel distribusi frekuensi atau data berkelompok adalah lebih ringkas dan lebih memudahkan kita untuk mendapatkan informasi. Tapi kelemahannya, tabel distribusi frekuensi mengandung informasi yang hilang sehingga hasil perhitungan cenderung over estimate. Sedangkan untuk perhitungan mediannya yang kebetulan sama karena dalam menghitung median, kita menghilangkan unsur rata-rata dan interval kelas, kita hanya memerhatikan frekuensinya saja sehingga tidak dipengaruhi oleh pencilan atau outlier data.

Pertanyaan selanjutnya adalah: angka mana yang kita menangkan?

Karena kita mengetahui betul data tunggalnya, maka angka yang kita menangkan adalah dari data tunggalnya. Sebab, hilangnya informasi mengenai angka nyata dalam setiap interval kelasnya, menjadikan tabel distribusi frekuensi atau data berkelompok mempunyai kesalahan. Bukankah justru makna statistiknya ada pada angka data berkelompok? Memang, tetapi informasi yang ada pada data tunggal lebih utuh. Oke, demikian sedikit pembahasan kita terkait data tunggal dan data berkelompok.