Kamis, 18 Oktober 2018

Konsekuensi Pelanggaran Uji Asumsi Klasik dan Cara Mendeteksinya

statistik
Konsekuensi Pelanggaran Uji Asumsi Klasik dan Cara Mendeteksinya

Salam Statistika !
Setelah kemarin kita membahas beberapa hal menyangkut eksplorasi data, kali ini kita akan sedikit menyinggung ke dalam tentang pelanggaran uji asumsi. Kira-kira konseuensi apa sih yang akan timbul apabila uji asumsi model tidak terpenuhi atau terlanggar? Perlu kita ketahui, urutan uji asumsi model statistik, yaitu uji Normalitas, uji Homoskedastisitas, uji Non-Autocorrelation, dan uji Non-Multikolinearitas.

Ingat !, yang diuji adalah error model, ya…bukan variabelnya. Tetapi, di awal melihat perilaku data variabelnya juga perlu sih, untuk melihat gambaran umum saja, misalnya melihat apakah data kita terdapat data pencilan atau outlier atau tidak.

Uji Normalitas Terlanggar

Telah kita ketahui bersama, bahwa segala bentuk distribusi statistik yang ada awalnya diturunkan dari distribusi normal dengan rata-rata 0 (nol) dan varians (keragaman) sebesar sigma kuadrat. Sehingga jika error dari model yang dihasilkan dari penelitian tidak mengikuti distribusi normal, maka kurang mampu dijadikan instrumen analisis lebih lanjut. Varians yang tidak mengikuti distribusi normal berarti ia inkonsisten untuk setiap amatan atau setiap waktunya. Sebenarnya pelanggaran ini sangat erat kaitannya dengan ada tidaknya pelanggaran uji Homoskedastisitas nantinya. Akibatnya, model yang terbentuk kurang mampu menaksir parameter dari populasi sebenarnya. Oleh karena itu, untuk menghindari terlanggarnya uji asumsi ini adalah dengan metode eksplorasi data atau dengan transformasi variabel.

Eksplorasi data, seperti ulasan sebelumnya kita akan mampu melihat data awal yang kita gunakan sebagai bahan baku pembentuk model penelitian. Kita akan mampu menemukan perilaku data kita sekaligus keganjalan yang terkandung dalam data kita. Apakah terdapat pencilan ? apakag terdapat angka yang inkonsisten akibat kesalahan input data ? atau apakah terdapat angka yang salah image ketika proses pengambilannya di lapangan ?, misal seharusnya 67 menjadi 97 atau 87 atau di data lapangan 167 pada saat input menjadi 67 saja. Selain itu, kita juga mampu melihat apakah data menyebar merata atau tidak, apakah rentang atau range data terlalu besar atau tidak. Ini semua dapat kita cakup dalam proses eksplorasi data.

Transformasi Data
Transformasi data, hal inilah yang biasanya banyak menjadi pertanyaan dalam penelitian, terutama bagi peneliti pemula. Sebenarnya transformasi hanyalah akal-akalan saja supaya asumi kenormalan terpenuhi, namun metode ini sangat jitu dan sering digunakan dalam penelitian. Transformasi banyak macamnya, namun pada ulasan kali ini beberapa bentuk bisa menjadi alternatif pilihan.

Transformasi ln (baca: len). Transformasi ini banyak digunakan dalam penelitian di bidang ekonomi untuk mencapai asumsi kenormalan. Perlu diketahui bahwa transformasi ln berbeda dengan transformasi log, transformasi ln adalah transformasi berbasis logaritma natural dengan e = 2,71828… sekian itu. Kalau transformasi log itu basisnya adalah 10. Jadi perlu kita bedakan antara ln 2 dan log 2. Sebab nilai ln 2 jauh lebih kecil daripada log 2. Namun, beberapa literatur penelitian biasanya menulis ln itu dalam bentuk log, ada dalam beberapa buku. 

Bisa juga dengan menggunakan transformasi bentuk yang lainnya seperti transformasi normal Z atau bisa juga dengan transformasi Box-Cox yang dapat dicari dengan menggunakan paket program (software). Semua bentuk tersebut bisa digunakan tetapi dengan catatan pada saat model yang berhasil Anda pilih (model terbaik), Anda harus mengembalikan model Anda ke bentuk semula untuk mendapatkan nilai yang sebenarnya sebagai bahan intepretasi hasil.

Bagaimana cara melihat adanya pelanggaran asumsi kenormalan ?

Untuk melihatnya, Anda bisa menggunakan uji-uji statistik yang telah tersedia atau bisa juga Anda melihat deskripsi dari Normal Probability Plot (NPP) dalam software SPSS, yaitu dengan memplot antara error yang sudah diurutkan dengan nilai harapan dari error setiap amatan. Jika titik-titiknya berada tak jauh dari garis linier maka asumsi kenormalan model telah terpenuhi.

Catatan: Box-Cox adalah bentuk transformasi yang sangat terkenal sebab tujuannya untuk menghomogenkan varians.

Uji Homoskedastisitas Terlanggar

Uji Homoskedastistas adalah salah satu uji yang utama dalam pemodelan statistik, terlebih pada pemodelan regresi linier, entah sederhana entah berganda. Perlu diketahui dahulu bahwa regresi linier sederhana hanya memasukkan satu variabel bebas dalam model, sementara regresi linier berganda memasukkan lebih dari satu variabel bebas dalam model.

Oh, iya…perlu diketahui juga bahwa pelanggaran asumsi homoskedastisitas banyak terjadi pada tipe data cross section (data yang diambil/diperoleh pada satu waktu saja). Misalnya penelitian mengenai Faktor-Faktor yang Memengaruhi Produktivitas Industri Kasur di Sidoarjo tahun 2014. Namun, Anda tidak perlu pusing jika error model Anda terganggu heteroskedastisitas ini, sebab Anda bisa menghindarnya selain dengan transformasi variabel, jika penelitian Anda menggunakan data primer (hasil mencacah di lapangan, mandiri), maka Anda dapat menambah jumlah sampel Anda sehingga menjadi lebih besar.

Jika asumsi homoskedastisitas terlanggar maka secara otomatis akan menyebabkan hal-hal berikut:
Penaksir Ordinary Least Square (OLS) tidak efisien baik dalam sampel kecil maupun sampel besar. Jika tetap Anda gunakan, maka akan berdampak pada varians penaksir parameter koefisien regresi akan underestimate (terlampau kurang dari parameter) atau overestimate (terlampau lebih besar daripada parameter).

Adanya heteroskedastisitas menyebabkan estimator yang Anda peroleh dari model memang tidak bias, tetapi karena standar errordari parameter Anda yang bias (variansnya bisa lebih kecil sekali atau sangat besar). Oleh karena itulah, terlanggarnya asumsi homoskedasitisitas mengakibatkan uji F signifikan tetapi pada saat Anda periksa uji t model Anda, tidak ada variabel Anda yang signifikan(uji t tidak menentu). Jadi jangan kaget jika model Anda uji F nya signifikan tetapi tidak ada satupun variabel Anda yang signifikan.

Menurut Greene (2004), cara yang juga bisa digunakan untuk mengatasi adanya heteroskedastisitas adalah memakai metode Weighted Least Square (WLS) yang penaksirannya memberikan pembobot bersifat Least Square atau disebut juga Generalized Least Square (GLS).

Tidak hanya dengan uji-uji statistik, dalam mendeteksi adanya gangguan heteroskadastisitas, Anda bisa juga menggunakan deskriptif dengan cara memplotkan antara error setiap amatan dengan nilai variabel tententu yang bersesuaian dengan error setiap amatan tersebut. Jika hasilnya tidak membentuk pola atau acak (menyebar)[plot antara unstandardized residual dan unstandardized predicted residual], maka asumsi homoskedastisitas telah terpenuhi.

Uji Non-Autocorrelation Terlanggar

Perlu diketahui gejala terlanggarnya asumsi non-autocorrelation biasanya terdapat dalam model-model penelitian Anda yang memakai data runtun waktu atau time series sebab kondisi saat ini bisa dipengaruhi oleh kondisi waktu yang lalu (lampau), misalnya jika Anda ingin mengamati inflasi bulan Juli 2014 ini kira-kira berapa, tentu inflasi ini terkait erat dengan Fisher effect yang mengaitkan adanya spekulasi masyarakat atau produsen terhadap naiknya harga bahan pokok saat Ramadhan dan menjelang Hari Raya Idul Fitri, atau mengenai tinggi badan siswa yang dicatat dari waktu ke waktu.

Dampak yang diakibatkan jika error model Anda terjangkit autocorrelation adalah:


  • Estimator masih tidak bias dan masih konsisten, dan masih mengikuti sebaran normal asimtotik, tetapi estimator tersebut sudah tidak lagi efisien sebab variansnya tidak minimum lagi, dengan kata lain tidak memenuhi kaidah Best Linear Unbiased Estimator (BLUE). Hasil estimasi variansnya biasanya underestimate daripada varians sebenarnya.
  • Adanya gangguan asumsi ini, nilai R square tidak lagi memiliki makna yang berarti dalam menjelaskan proporsi keragaman dari variabel terikat (dependen)nya. Selain itu, karena estimator varians sampelnya (Mean Square Error)sudah tidak lagi BLUE maka varians dan standar error hasil peramalan juga tidak efisien.
Sebagai langkah awal mendeteksi adanya gejala autocorrelation sebelum Anda memastikan dengan uji statistik (uji Durbin-Watson), Anda bisa mengamati terlebih dahulu dengan cara memplotkan antara error setiap waktunya dengan waktu itu sendiri. Jika membentuk pola yang teratur, maka asumsi non-autocorrelation model Anda tidak terpenuhi.

Catatan: Salah satu cara untuk menghindar dari ancaman autocorrelation adalah dengan mendifference-kan data runtun waktu.

Uji Non-Multikolinearitas Terlanggar

Yang terakhir adalah gejala Multikolinearitas. Untuk pengertiannya bisa dibaca pada artikel sebelumnya. Lalu bagaimana jika asumsi ini tidak terpenuhi atau terlanggar ? Nah, beberapa hal yang menjadi konsekuensi bila error model Anda tidak memenuhi asumsi ini adalah:

  • Penaksir OLS (estimator) bisa didapatkan namun standar error (SE) tendensi semakin membesar seiring dengan meningkatkan korelasi antar variabel bebas (yang seharusnya independen).
  • Karena SE nya semakin membesar maka mengakibatkan selang kepercayaan akan semakin melebar.
  • Kesalahan tipe II meningkat (apa itu kesalahan tipe II ? tunggu artikel episode selanjutnya).
  • Jika terjadi multikolinearitas yang tidak sempurna maka estimator dan SE akan sangat sensitif terhadap perubahan data. Oleh karena itu, sedikit saja ada data yang berubah nilainya maka estimator dan SE nya juga berubah.
  • Jika terjadi multikolinearitas yang kurang sempurna juga mengakibatkan nilai R square (koefisien determinasi) yang tinggi namun semua variabel bebas tidak signifikan secara statistik.
  • Jika error model Anda terjangkit multikolinearitas, maka akan terdapat adanya kesalahan tanda pada koefisien regresi sehingga model statistik yang Anda bangun cenderung berlawanan dengan teori-teori yang ada (hasil penelitian pada umumnya, inkonsisten).
Cara untuk mendeteksi adanya gejala multikolinearitas adalah:

  • Melihat pada matriks korelasi antar variabel bebas, apakah terdapat nilai korelasi yang tinggi atau tidak.
  • Mengamati kesesuaian tanda koefisien model dengan teori hasil penelitian empiris yang telah dilakukan.
  • Melihat nilai VIF (sudah diulas pada artikel sebelumnya).
  • Nilai R square tinggi tetapi semua variabel bebas tidak signifikan secara statistik.
  • Koefisien model parsial tetap konsisten (apakah pada saat ditambah atau dikurangi variabel bebar yang lain, tandanya masih sama atai tidak ? jika tidak, maka bisa saja ini gejala multikolinearitas).
Cara yang biasa digunakan untuk mengatasi adanya gejala multikolinearitas adalah:

  • Mengubah variabel bebas tersebut menjadi Dummy variable (penjelasannya tunggu saja artikel berikutnya).
  • Menggunakan regresi ridge.
  • Menggunakan informasi yang apriori, tetapi tetap berdasarkan teori yang ada.
  • Menggunakan data panel (gabungan data runtun waktu dan cross section).
  • Mengeliminasi salah satu variabel bebas yang saling berkorelasi tinggi atau menggabungkan dua atau lebih variabel bebas menjadi satu kelompok dengan beberapa metode, yaitu Analisis Komponen Utama (AKU), Analisis Faktor (AF), Stepwise Regression (regresi transformasi variabel), atau Analisis Klaster (AK).
Catatan: pembahasan megenai Analisis Komponen Utama (AKU), Analisis Faktor (AF), Stepwise Regression (regresi transformasi variabel), atau Analisis Klaster (AK) akan dibahas pada artikel selanjutnya.

Sebenarnya ada satu lagi uji asumsi error, tetapi pada beberapa karya ilmiah yang saya temui, uji ini jarang dipakai. Ada kemungkinan besar bahwa uji ini sebenarnya sudah tercakup dalam keempat uji asumsi yang telah kita ulas bersama, yaitu uji Linieritas.

Beberapa karya ilmiah ada yang memakai uji ini (model linier), ada juga yang tidak membubuhkan uji ini. Esensi dari uji linieritas adalah apakah terdapat hubungan linier antara error setiap amatan dalam model dan nilai setiap amatan dalam variabel atau tidak. Jika tidak berpola atau acak, maka asumsi ini telah terpenuhi.

Perlu diingat !, bahwa yang diplotkan itu antara unstandardized residual dengan variabel bebas.
Demikian sekelumit ulasan mengenai pelanggaran terhadap uji asumsi. Salam Statistika !

Kamis, 11 Oktober 2018

Mengenal Koefisien Variasi Data

Populasi
Belajar Koefisien Variasi (KV)
Dua buah data atau lebih baik data sampel atau populasi, masing-masing mempunyai karakteristik. Karakteristik itu bisa kita lihat dari nilai statistik atau parameternya. Kali ini kita akan sedikit mengulas mengenai cara membandingkan karakteristik dua atau lebih data. Perbandingan ini dipandang perlu agar kita bisa menentukan teknik pengambilan sampel maupun untuk tujuan sensus terhadap populasi. Dalam hal ini, aspek keterbandingan yang bisa kita gunakan adalah tingkat kehomogenan data.

Secara mendasar, ukuran yang bisa kita gunakan dalam membandingkan tingkat kehomogenan dua data atau lebih adalah koefisien variasi (KV). Dua atau lebih data, yang satu mempunyai nilai rata-rata lebih kecil daripada data yang lain, atau bahkan paling kecil, belum mampu menunjukkan satu ukuran pasti bahwa data tersebut homogen atau heterogen. Data dengan rata-rata paling kecil, bisa jadi memiliki sebaran data yang timpang atau melebar. Sebaliknya, data dengan rata-rata yang besar juga belum menjamin ia relatif lebih homogen karena sebaran data relatif mengumpul di sektiar rata-ratanya.

Para ahli statistika menggunakan KV ini bertujuan untuk melihat relativitas tingkat kehomogenan data apabila dibandingkan terhadap data yang lainnya. Untuk itu, dalam perhitungannya, KV dinyatakan sebagai nilai persentase rasio antara standar baku (deviasi) terhadap rata-rata data. Secara matematis, KV dapat dituliskan sebagai berikut:

Statistik
Rumus Koefisien Variasi (KV)
Keterangan:
s adalah standar baku untuk sampel, kalau sigma adalah standar baku untuk populasi
x bar adalah rata-rata sampel, kalau miu adalah rata-rata untuk populasi
 
Contoh
Data A mempunyai rata-rata sebesar 5 dengan standar baku sebesar 4, sedangkan data B memiliki rata-rata 8 dan standar bakunya sebesar 6. Mana data yang relatif lebih homogen?...

Solusi:
KV-Data A = (4 / 5) x 100% = 80%

KV-Data B = (6 / 8) x 100% = 75%

Interpretasi: Data B relatif lebih homogen daripada Data A.

Rabu, 10 Oktober 2018

Standar Baku atau Rata-rata Simpangan?

Statistika
Standar Baku atau Rata-Rata Simpangan?
Pembahasan statistika kian menarik bila kita diskusi bagian dasarnya. Hal ini penting supaya fondasi kita lebih kuat lagi tentang statistika. Seringkali kita terpaku pada pembahasan yang serius tentang statistika, misalnya penurunan rumus, uji-uji statistik, dan perhitungan data untuk mendapatkan nilai statistik. Padahal, pemahaman dasar statistika juga tak kalah menarik untuk diulas.

Beberapa hari yang lalu, tiba-tiba saya mendapatkan pesan singkat melalui Whatsapps. Isinya sebuah pertanyaan. Pertanyaannya sederhana, tapi sebetulnya filosofis statistikanya dalam. Pertanyaan itu menurut saya sangat bagus untuk menjadi bahan kajian juga bisa menjadi tema debat soal statistika.

Saya mengatakan begitu sebab, setelah mencari beberapa referensi daring, pertanyaan yang saya dapatkan itu menjadi bahan diskusi panjang para ahli statistika.

Penasaran kan pertanyaannya? Baiklah, jadi pengirim pertanyaan ke saya adalah: lebih efektif mana standar baku (deviasi) dibandingkan dengan rata-rata simpangan mutlak?

Mana yang Lebih Efektif?

Menurut Kamus Besar Bahasa Indonesia, arti kata efektif adalah ada efeknya, manjur, dapat membawa hasil, dan mangkus. Ini berarti sesuatu dikatakan efektif apabila ia bisa menghasilkan efek atau dampak (akibat).

Dalam pendekatan sehari-hari kita, efektif berkaitan erat dengan sasaran atau tujuan. Tepat atau tidaknya terhadap sasaran atau tujuan diukur dari seberapa efektifkah langkah, teknik, metode, atau proses kita.

Lantas, apa kaitannya dengan bahasan soal pilihan penggunaan standar baku atau rata-rata simpangan dalam konteks mengukur sebaran data?

Standar baku adalah nilai akar dari rata-rata kuadrat simpangan amatan terhadap parameter. Rata-rata kuadrat yang digunakan dalam perhutungan standar baku mempunyai kemampuan untuk menunjukkan tingkat kehomogenan sebaran data. Operan akar di dalamnya juga dapat mengurangi efek mengurangi pengaruh besarnya pencilan (outlier) data. Inilah mengapa standar baku merupakan ukuran sebaran data yang tidak robust. Sebab, ia masih dipengaruhi oleh seberapa besar pencilan data.

Sebaliknya, rata-rata simpangan dapat dikatakan relatif lebih punya kelemahan karena tidak adanya penimb ang dalam perhitungannya berakibat kekuatan menjelaskan keragaman atau sebara data berkurang. Dengan data yang sebarannya berbeda bahkan menghasilkan nilai rata-rata simpangan yang sama. Sebab, jumlah simpangan amatan terhadap parameter bisa jadi bernilai nol atau saling menghilangkan efek.

Pembahasan simulasi singkat soal penimbang standar baku dan rata-rata simpangan bisa teman-teman dapatkan pada link berikut.

Inilah mengapa, dalam pembahasan singkat kita kali ini, standar baku bisa dikatakan relatif lebih efektif digunakan daripada rata-rata simpangan. Sebab, ia mampu menggambarkan sebaran data, apakah suatu data relatif homogen, entah relatif heterogen.(*)

Jumat, 28 September 2018

4 Kementerian Ini Membuka Lowongan CPNS Lulusan SMA dan SMK atau Sederajat

SKD SKB CPNS
Lowongan CPNS 2018 untuk lulusan SMA/SMK/Sederajat

Lowongan Calon Pegawai Negeri Sipil (CPNS) sampai saat ini masih menarik bagi sebagian besar pencari kerja. Buktinya, begitu banyaknya peserta yang mendaftarkan dirinya untuk mengikuti tes CPNS yang nanti diselenggarkan oleh Badan Kepagawaian Negara (BKN). Data Badan Pusat Statistik (BPS) menunjukkan bahwa tingkat pengangguran di Indonesia sampai saat ini masih didominasi oleh lulusan Sekolah Menegah Atas (SMA) dan Sekolah Menengah Kejuruan (SMK). Hal ini sekilas menunjukkan bahwa daya serap lowongan CPNS sebagai lapangan kerja tersebsar yang terikat dan diselenggarakan langsung oleh pemerintah masih kurang maksimal.

Suatu ketika saya bertemu beberapa teman yang kebetulan mempunyai ijazah tertinggi SMA dan SMK. Saya mencoba sedikit mewawancarai mereka termasuk di dalamnya, saya juga menanyai apa saja kemampuan atau soft skill yang mereka miliki.

Dari wawancara singkat itu, saya berpikir bahwa lulusan SMA dan SMK juga tak perlu diragukan sebagai calon-calon Aparatur Sipil Negara (ASN) kelak. Tidak adanya pemetaan SDM di negara ini terhadap lulusan SMA dan SMK menjadikan pemerintah hingga kini belum mengetahui secara nyata soal potensi lulusan SMA dan SMK jikalau bekerja. Pemerintah terkesan masih meremehkan lulusan SMA dan SMK, padahal dana sebesar 20 persen dari APBN juga digelontorkan negara untuk kemajuan pendidikan nasional.

Saat ini, sepertinya pemerintah mulai melirik lulusan SMA dan SMK ini. Ada sebanyak 4 kementerian ini membuka kran lowongan CPNS bagi lulusan SMA dan SMK atau sederajat. Ini merupakan sebuah terobosan masif mengingat data pengangguran kita masih dialami oleh lulusan SMA, SMK atau sederajat.

Sejak tanggal 26 September 2018 lalu, BKN telah resmi membuka pendaftaran CPNS 2018. Adapun alur pendaftarannya adalah sebagai berikut:
Alur pendaftaran CPNS 2018

Secara ringkas, 4 kementerian apa saja yang membuka lowongan CPNS? Berapakah jumlah formasi ASN yang dibutuhkan dan melalui link apa saja? Selengkapnya dapat kita lihat dan cermati pada infografis berikut:
Pengumuman
Kemenkumham
Informasi Kemenkumham klik di sini
Surat Lamaran Kemenkumham klik di sini

Kejaksaan
Informasi Formasi Kejaksaan klik di sini
Surat Pernyataan klik di sini
Surat Siap Menerima Sanksi Hukum klik di sini

Basarnas
Pengumuman Seleksi CPNS klik di sini
Surat Pernyataan Bebas Narkoba klik di sini
Surat Pernyataan Kebenaran Dokumen klik di sini

Kemensos
Informasi CPNS klik di sini
Lokasi Ujian klik di sini

Kamis, 27 September 2018

Formasi Lowongan CPNS 2018 Terkini, Syarat, dan Ketentuan Pendaftar Tes CPNS 2018

TKD CPNS
Pembukaan Lowongan CPNS 2018
Pendaftaran peserta Tes Calon Pegawai Negeri Sipil (CPNS) telah dimulai sejak 26 September 2018 kemarin. Seluruh peserta juga sudah mulai melakukan pendaftaran CPNS melalui satu pintu berupa portal yang biasa disediakan dan dikelola oleh Badan Kepegawaian Negara (BKN).

Melalui siaran pers resmi di laman situs humas BKN, pelamar CPNS 2018 sudah dapat melamar ke 245 Instansi via Portal SSCN sejak dibuka pagi ini (26/09/2018), sampai pkl 12:40 WIB, jumlah akun registrasi di portal SSCN sudah mencapai 555.024 orang per 26 September 2018.

Melalui laman twitter https://mobile.twitter.com/BKNgoid, ada beberapa prinsip penting yang harus diketahui oleh setiap pelamar CPNS, yaitu:

1. Setelah lulus tes CPNS diharuskan membuat surat pernyataan kesediaan untuk tidak mengajukan pindah selama 10 tahun dari instansi yang bersangkutan;

2. Apabila tetap mengajukan pindah, maka dianggap mengundurkan diri;

3. Apabila dinyatakan lulus CPNS dan mendapatkan NIP lalu mengundurkan diri, maka nama pelamar yang bersangkutan tidak akan diterima kembali pada rekrutmen CPNS periode selanjutnya.

Portal utama yang disiapkan oleh BKN memiliki alamat URL sccn.bkn.go.id dan diharuskan setiap pelamar melakukan registrasi dan login di portal tersebut. Namun, kendala yang sering muncul adalah portal mengalami down akibat akses realtime yang banyak dan bersamaan.

Bagi teman-teman yang mengalami kesulitan untuk mengakses portal BKN untuk sekadar memilih-milih kepengin daftar CPNS instansi apa, berikut ini adalah link google drive yang bisa diunduh secara langsung pdfnya sebagai referensi untuk melihat peluang dan kesempatan mendaftar CPNS 2018.

Berikut ini adalah informasi mengenai formasi CPNS tahun 2018.
Silakan dibagi kepada teman/saudara yang membutuhkan.

CPNS BPK
https://drive.google.com/file/d/1mG32cbq38um-eLGZTWBJ5XTwCPr-cC3w/view

CPNS Kementan
https://drive.google.com/file/d/1PsHRWCN0kJtICbfXIghOuXC-2bPi82pc/view

CPNS Kemdikbud
https://cpns.kemdikbud.go.id/pengumuman/formasi-seleksi-cpns-kemendikbud-tahun-2018/index.html

CPNS Kemenristekdikti
https://t.co/x303BVMlbm

CPNS LIPI
https://drive.google.com/file/d/1a-MqYo-zSLhiWIElS-que9L_Q5iuan0Q/view

CPNS Kemenkeu
https://t.co/Pqy5sgeEic

CPNS Kemenkes
https://drive.google.com/file/d/1CSB7hvszFjnJL1kKaBnrLyojvS1h_wrN/view

CPNS Kemen LHK
https://drive.google.com/file/d/1Q0FBmnor8x4C89aKd9wWAVSY1SCAZn4l/view

CPNS Kemen P3A
https://drive.google.com/file/d/1SW-FXSSXloVVh_jqBlAyojauqpPUnvcU/view

CPNS BPOM
https://drive.google.com/file/d/1hi73h5M5G4TieB4WXiZgxsHyfxPpbXKM/view

CPNS LAPAN
https://drive.google.com/file/d/1nFdYDYHWTE5gvzhIUnS_foC5L09ODYQL/view

CPNS Prov.Jawa Timur
https://t.co/f8Lb4QylEI

CPNS Prov.Jawa Tengah
https://drive.google.com/file/d/1XNesbxSuyNFs4Zt5W_VKWdddciexn3JG/view

CPNS ESDM
https://t.co/pi8qxbK8Ts

CPNS Kemnaker
https://drive.google.com/file/d/1g9j7GPEzWGNt9QChN6NWCtFJoxHasaIT/view

CPNS MA
https://drive.google.com/file/u/1/d/1m6_bsCTcmmsrczf3zkfMRN5-cdorMSOR/view

CPNS BPPT
https://drive.google.com/file/d/1bTRhripzbjc5wqQ4wJZbou7ZYak0J89s/view

CPNS Kemenhan
https://drive.google.com/file/u/1/d/1deY3Dgtj1QLi2lAMTTPqqFBELC5J0aJq/view

CPNS BPS
https://drive.google.com/file/d/1oobJGnImCW08Ytm0z4v6hOkIhQ7bwrj9/view

CPNS BATAN
https://drive.google.com/file/d/1uUxGn1zAFXKxwUQkNCxQ8BX0IgFp7WcW/view

CPNS Kemenlu
https://drive.google.com/file/d/1GnAY1uWP0RMKSY5CAAurNPyHdcG8Pme3/view

CPNS Kejaksaan Agung
https://drive.google.com/file/d/1_rb-LpBSx8CFn5uDEqDMszJ7EYDngeQG/view

CPNS PPATK
https://drive.google.com/file/d/1hwcC-EQ0BNpMSChgBvfuptHP2p3yGu_W/view

CPNS Kementrian BUMN
https://drive.google.com/file/d/1VpBYyqTpYt49Fkg3ZYKcwtPLoxJ6OUuM/view

CPNS BAPETEN
https://drive.google.com/file/d/198Q3SdHm1i6-EIBxlEWnwVAFhvsteCCB/view

CPNS ANRI
https://drive.google.com/file/d/1uvG0TTg6y8G8RTY3Bjj6dXSdbvBApKyc/view

CPNS BAKAMLA
https://drive.google.com/file/d/16KaBRhS-ASJZ5x1-fNW-tz1WFN2stIaN/view

CPNS Kemendag
https://drive.google.com/file/d/1G3-ak1jWaYPo0bGFRMDBdRys0KbeYUnY/view

CPNS Kemendesa PDTT
https://drive.google.com/file/d/1347gdvXAAycbJOlOCSBOdASxC5xEs2Fp/view

CPNS BMKG
http://www.bmkg.go.id/cpns/?p=penerimaan-cpns-bmkg-tahun-2018&tag=&lang=ID

CPNS Kemensos
https://drive.google.com/file/d/1Yd-tTlqKiPNnhbNJXnivYNPl8c48xXPX/view

CPNS BNPB
https://drive.google.com/file/d/14Ui6Gvan9HuwGUcPpxeyP6Fo3Oc8y6HR/view

CPNS BNN
https://drive.google.com/file/d/1w3RHT-wQqw-WWPZnbaStSn7sWgnvwROX/view

CPNS BSN
https://drive.google.com/file/d/1VSidbNBRM9xnCG_wcs-NGfLcV8g3W6fu/view

CPNS Polri
https://drive.google.com/file/d/1f0qzg6fGj3oVWC7G-XaJN1wDz-igTrLq/view

CPNS BPKP
https://drive.google.com/file/d/11XyGFLu-ImfveBiTwGde0xF8Z5pM2dkF/view

CPNS Kemensetneg
https://drive.google.com/file/d/18HLQ7fkfDwY6aWvatzH8-c1jS0sp1v2p/view

CPNS Basarnas
https://drive.google.com/file/d/1LLNdJl9OB40JuMbm-XP8BsBVt1Uso9Yw/view

CPNS Kemenpar
https://drive.google.com/file/d/17QDvlOK8sqXHrV4BlXZBN3tAwiky9syh/view

CPNS ATR/BPN
https://drive.google.com/file/d/15udC2-Zv9n5rlgqWJN5jbM0TyP-GQ4dT/view

CPNS Bappenas
https://drive.google.com/file/d/15udC2-Zv9n5rlgqWJN5jbM0TyP-GQ4dT/view

CPNS Kemenhub
https://drive.google.com/file/d/1taQvCiWAc70tsYo0-8QlmUPDapcd242z/view

CPNS Kementrian Kelautan & Perikanan
https://drive.google.com/file/d/1QoD5IKPufVfNlrKXh2vkqZWQvXRzxZpy/view

CPNS Kemenko Polhukam
https://drive.google.com/file/d/1K7bMnzBZl5uHSa3hcNeQssTWWA-DWFZ4/view

CPNS Kemenko Maritim
https://drive.google.com/file/d/16k8YWA03DOIFx6MWQGVcFi_hYHRCmv6V/view

CPNS BIG
https://drive.google.com/file/d/1EFCMeKmXZtFi8iQVGzyly3q61Hm8bP6h/view

CPNS LPSK
https://drive.google.com/file/d/1PXwsfvVFJtSV-mjCFxYywxZmSyX0tLa_/view

CPNS Kemenpora
https://t.co/HrDrhfcEPV

CPNS KPU
https://drive.google.com/file/d/1XXNPA9phwQdxwTaSslZAtC7NFY0NqkZd/view

Cara Mudah Menggambar Grafik Limit dan Menentukan Nilai Limit Fungsi

Limit
Belajar limit dan menggambar garfik limit

Selamat pagi teman-teman sekalian, program Try Out Mininya sementara kita rehat dahulu. Kali ini kita akan sedikit out of topic dari genre blog ini. Kita akan bahas soal limit yang bisa dibilang ini sudah pembahasan bab limit level advance alias perguruan tinggi. tapi bagi kalian yang pengin paham juga, bisa saja mikutan menyimak pembahasan soal limit ini.

Kemarin malam kalau tidak salah, di grup WA Pejuang STIS 61 ada teman kita yang share soal limit yang sepertinya merupakan bab limit di buku Kalkulus karya Purcell. Terdapat 2 soal yang menarik untuk saya bahas bersama teman-teman sekalian. Meskipun hanya 2 soal, tapi saya berharap teman-teman dapat memahami apa yang saya sampaikan dan bisa kalian terapkan untuk kasus-kasus yang lain terkait bab limit fungsi.

Sedikit promo, kita juga menyediakan sebuah buku yang berjudul Kalkulus Dasar bagi teman-teman yang saat ini akan dan sedang mengikuti jenjang perkuliahan. Bagi teman-teman yang berminat order, bisa langsung WA saya di 081244019483.

Baik, demikian sedikit pengantar dari saya, semoga sedikit ini dapat memberikan manfaat bagi teman-teman dan semoga kalian sukses. Terima kasih.





Rabu, 12 September 2018

Pemahaman Sederhana dan Mendasar Statistik

Populasi
Substansi sebuah statistik 

Statistik

Statistik adalah karakteristik dari sebuah sampel yang telah didata dan dihitung. Statistik pasti mengandung sebuah kesalahan tak berdosa atau yang disebut dengan error. Statistik didapatkan dari pengambilan sampek yang acak sebuah populasi yang menjadi target.

Acak berbeda dengan sembarang. Acak dalam pengertian statistika menunjukkan bahwa setiap elemen dari populasi memiliki peluang yang sama untuk terpilih sebagai sampel atau contoh. Kalau sembarang bermakna tanpa menggunakan kaidah peluang dan boleh jadi dilakukan secara subyektif.

Statistik itu sederhananya bisa kita contohkan dengan kasus berikut:

Nilai ulangan A, B, C, dan D masing-masing 7, 8, 9, dan 6. Apabila 4 orang tersebut kita pandang sebagai sebuah populasi, maka rata-ratanya disimbolkan sebagai u (baca: miu).

u = (7 + 8 + 9 + 6)/4 = 7,5

7,5 inilah yang kemudian kita sebut sebagai parameter populasi.

Dengan kaidah sampling, ternyata kita mendapatkan sampel A dan D saja. Maka, rata-ratanya dapat dihitung sebagai x bar yang menandakan sebagai statistik dr sampel kita.

x bar = (7 + 6)/2 = 6,5

Pada survei yang lain, dengan sampling kita mendapatkan bahwa yang terpilih sampel adalah B dan C sehingga rata-ratanya:

x bar = (8 + 9)/2 = 8,5

nilai u = 7,5
nilai x bar pertama = 6,5
nilai x bar kedua = 8,5

Masing-masing mendekati nilai u. Lantas, sampel yang mana yang benar?

Dalam statistika, nilai statistik pasti mengandung error tadi. Dalam realita, kita tidak akan mengetahui u sebenarnya. Untuk itu, kita menggunakan sebuah tingkat kepercayaan dan selang interval dengan sejumlah sampel tertentu dengan harapan bahwa di dalam selang interval kita, kita yakin mengandung nilai u sebenarnya.

Dalam statistika, hal yang terpenting bukan berapa nilai statistik yang didapatkan dari hasil kalkulasi, melainkan bagaimana proses pelaksaan survei untuk mendapatkan angka statistik itu. Statistik boleh salah, tapi statistik tidak boleh bohong. Sebesar apapun eror dan bias statistik yang dihasilkan, selama kita lakukan secara jujur dan dapat dipertanggungjawabkan, maka boleh-boleh saja kita berbekal metodologi dalam menyampaikan hasil kegiatan statistik.

Lebih mudahnya, coba kita ambil contoh kegiatan quick count alias hitung cepat. Setiap lembaga survei bisa saja memberikan hasil yang berbeda, bahkan dengan hasil perhitungan real count.

Posisi ini secara awam mungkin membandingkan sekaligus mempertentangkan soal mana hasil survei yang hendak dipegang dan tepercaya. Padahal, substansinya terdapat pada bagaimana metodologi yang digunakan masing-masing lembaga survei. Selama setiap mereka memberikan kejelasan soal bagaimana teknik sampling hingga teknik analisis datanya secara terbuka, maka kaidah ilmiah membenarkannya. Meski tidak termasuk ada atau tidaknya human eror atau moral hazard.

Menanggapi Perbedaan Data

Statistika memberikan ruang seluas-luasnya bagi sebuah data untuk berbeda. Dan itu merupakan suatu hal yang normal. Ketika data antara instansi satu dan yang lain berbeda, sebenarnya itu bukanlah masalah. Selama konsep dan definisi yang terkandung pada masing-masing data dapat diterima secara ilmiah dan kredibel.

Data berbeda? Kita tak perlu risau, sebab data yang berbeda bisa kita gunakan sebagai bahan pembanding atau bahan sharing metodologi. Keragaman suatu data ada konsekuensi logis di dalam statistika. Terlebih lagi, sumber daya untuk memotret data berbeda-beda pula. Keragaman data pun bukan untuk dihindari melainkan untuk dicakup. Sebab, keragaman data mengandung sebuah fenomena, bahkan memunculkan sebuah analisis baru.

Fanatik Data?

Acapkali, insan statistika terlalu fanatik terhadap hasil penelitiannya. Dengan teknik sampling yang canggih dan analisis data demikian rumit, ia justru terjebak dalam sebuah kefanatikan. Fanatik dalam statistika sesungguhnya tidaklah patut dilakukan. Karena, sebagaimana di awal tadi kita bahas, bahwa *statistik pasti ada salahnya*.

Apakah dengan rilisan angka kemiskinan nasional satu digit membuat kita fanatik? Boleh jadi ada. Namun, sebaiknya kita renungkan saja angka yang kita rilis kepada publik itu.

Seperti yang kita ketahui bersama bahwa angka kemiskinan berasal dari data survei sosial ekonomi nasional atau yang biasa disingkat Susenas. Di dalam pelaksanaan Susenas, rumah tangga sampel se-Indonesia meliputi 300.000 ruta yang tersebar di semua provinsi. Padahal, populasi Indonesia saat ini telah mencapai 262 juta jiwa. Bila 1 ruta sekitar 5 orang, maka ada sekitar 52,4 juta ruta. Dengan demikian, sampel nasional bila dihitung adalah 0,57 persen. Ini dari segi ukuran sampel. Belum lagi bila dihitung biasnya, variabel errornya, serta human errornya. Jadi, bukan soal hasilnya berapa, melainkan soal apakah metodologinya sudah benar atau tidak. Lantas, buat apa kita fanatik data?

Minggu, 12 Agustus 2018

Try Out Mini VII UMBK Polstat STIS 2019

Soal STIS 2019,2020,2021,2022
Soal Try Out Mini VII UMBK Polstat STIS 2019

Pagi teman-teman semua, sebagaimana yang telah saya umumkan di Grup WA pejuang STIS 61 kemarin, hari ini kita akan adakan Try Out Mini selanjutnya, yaitu TO Mini VII UMBK Polstat STIS 2019. Yang TO Mini sebelum-sebelumnya sebenarnya bisa kalian coba lagi kapan saja, kok. Tidak melulu harus mengikuti jadwal dari saya. Hanya saja, aturan main kita tetap, waktu pengerjaan TO Mini adalah 15 menit untuk setiap TO Mininya.

Kemarin kalian sudah melakukan koreksi masing-masing, semoga hasilnya bisa membuat kalian lebih giat lagi belajarnya, lebih semangat lagi untuk memperbaiki topik-topik soal yang diujikan dalam USM Polstat STIS.

Tak terasa, hari ini kita menginjak TO Mini yang ketujuh teman-teman. Waktu bergulir kian cepat dan 2019 itu tak lama lagi bakal kita hadapi. Persiapan demi persiapan tentunya harus dilakukan agar kalian semakin siap dalam menyongsong USM Polstat STIS 2019. Yang lebih mendasar, selain belajar cara hitung cepat dan benar, tingkat keseringan mengikuti TO, termasuk TO Mini ini semoga kelak membawa teman-teman masuk pada gerbang Polstat STIS di Jakarta sana.

Pada TO Mini kali ini, saya juga meracik beberapa soal terbaru lagi untuk teman-teman. Ada yang level mudah, ada yang levelnya medium, dan ada pula yang levelnya advance atau pengembangan. Setiap levelnya, saya tetap berpegang teguh pada rambu-rambu topik soal yang biasa keluar dalam UMBK Polstat STIS per tahunnya. Teman-teman juga harus berhati-hati dalam menjawab soal, sebab beberapa di antaranya memang ada semacam "jebakan batman".

Mengingat TO Mini ini bersifat gratis tidak tidak memungut biaya apapun, dimohon kiranya teman-teman tidak men-copy-paste soal dalam bentuk apapun tanpa seizin penulis. Mohon hargailah hak cipta.

Demikian sedikit pengantar dari saya. Selamat mengerjakan, jangan lupa berdoa dulu dan semoga kalian semua LOLOS pada USM Posltat STIS 2019 nanti.





Sabtu, 11 Agustus 2018

Pembahasan Soal Try Out Mini UMBK Polstat STIS 2019 Keenam

Soal STIS 2019

Selamat pagi teman-teman, apa kabar kalian hari ini? Semoga kalian tetap sehat wal afiat dan tetap bersemangat untuk belajar dan menimba ilmu. Sebagaimana kebiasaan kita di grup WA Pejuang Polstat STIS 2019, telah saya umumkan bahwa setiap hari sabtu, kalian akan mengoreksi jawaban berikut hitungan yang telah kalian lakukan dalam mengerjakan soal Try Out Mini VI yang pada hari minggu kemarin saya berikan.

Sistemnya masih sama teman-teman, silakan cek pembahasannya pada unggahan setiap hari sabtu, kalian hitung berapa nomor soal yang benar baik hitungan maupun konsepnya. Sebagai pemberitahuan juga bahwa beberapa memang ada soal yang ternyata jawabannya tidak ada dalam opsi. Sebenarnya, opsi yang saya buat juga ada faktor kesengajaan supaya teman-teman tidak biasa percaya dengan opsi jawaban yang tersedia.

Beberapa dari kita mungkin ada orang yang tipenya "menyerah" karena jawaban di opsi tidak tersedia. Padahal, hitungan kita sesungguhnya bernilai BENAR. Selain itu, ada pula orang yang saklek, percaya dengan kunci jawaban, padahal kunci jawabannya belum tentu benar. Dengan tipe-tipe soal yang seperti ini, kita menguji kepercayaan diri kita, kita yakin terhadap hitungan kita sehingga tak terbatasi oleh opsi yang ada.

Sistem penilaian diri sendiri juga seperti biasa ya teman-teman. Silakan menilai kesiapan masing-masing. Kira-kira, topik apa yang lemah, silakan kuatkan dengan mempelajari konsep-konsepnya. Dalam pembahasan, saya juga tidak menggunakan rumus-rumus cepat atau rumus pintar, karena yang saya bidik adalah bagaimana kalian memahami persoalan sebelumnya mencari solusinya. Solusinya pun juga tidak memakai rumus cepat karena bagi saya, hafalan rumus cepat justru mudah menguap, kalian cuma ingat, bukan paham. Sebab, kelemahan penggunaan rumus cepat adalah selain mudah ingat, juga mudah lupa, terlebih bila soalnya dibolak-balik, justru membuat kalian bingung. Itulah alasannya mengapa saya tidak membahas dengan rumus cepat.

Baiklah, demikian pengantar singkat dari saya, berikut saya unggah pembahasan soal TO Mini VI UMBK Polstat STIS 2019.

Karena TO Mini ini bersifat Gratis, mohon dengan sangat dan kesadaran mental untuk TIDAK MENG-COPY-PASTE soal dalam bentuk apapun, tanpa seizin penulis.

HARGAILAH HAK CIPTA.

Semoga kalian LOLOS USM Polstat STIS 2019 nanti, selamat belajar dan jangan lupa berdoa dulu sebelum belajar.