Tugas

1. Apa bedanya pengambilan statistika deskriptif dan statistika inferensial

- Statistika deskriptif

Statistika deskrtiptif adalah cara untuk mengatur dan mereprensetasikan, dan mendeskripsikan kumpulan menggunakan tabel, grafik dan parameter numerik lainnya.

Istilah statistika desktiptif :

  1. Mean (Nilai Rata - rata)
  2. Median (Nilai Tengah)
  3. Modus (Nilai yang sering muncul)
  4. Standar Deviasi (Rata - rata kuadrat dari selisih nilai Mean)
  5. Korelasi (keeratan hubungan dari variabel numerik)
  6. Variance (Nilai variasi suatu data)

Statistika deskriptif penting untuk melihat pattern data yang penggunaannya diaplikasikan untuk sampel data yang sedang dipelajari, tidak bisa digunakan untuk menagmbil kesimpulan tentang suatu populasi.

- Statistika Inferensial

Statistika Inferensial digunakan untuk menarik kesimpulan terhadap karakteristik sebuah populasi dengan memanfaatkan informasi yang diperoleh dari sampel statistika deskriptif. Kesimpulan tersebut tergantung pada data yang bervariasi seperti :

  1. Linear Regression Analysis : untuk mengetahui besarnya hubungan dependent dan independent.
  2. Logistic Regression Analysis : untuk mengetahui konteks peluang
  3. Hypothesis Testing : untuk menarik kesimpulan dari dua dugaan yang bertolak belakang.
  4. Confidence Interfal : Estimasi nilai dari parameter populasi.
Contoh :

Kamu sedang bermain di pameran tentang AI dan memutuskan untuk survey 50 orang. Survey tersebut tujuannya untuk mengetahui apakah mereka suka menggunakan AI atau tidak, misal 25 orang bilang “Ya, saya suka menggunakan AI untuk keperluan ini dan lain sebagainya” dan 25 orang lagi bilang “tidak, karena dapat mengganggu kecerdasan kita sebagai manusia”

2. Apa bedanya Alfa(α) dan beta(β) yang di gunakan dalam uji hipotesis

Jawaban:

  • Alfa(α) itu menolak \(H_0\) padahal \(H_0\) benar
  • beta(β) itu gagal menolak \(H_0\) padahal \(H_0\) salah

contoh nya seperti apa?

Jadi saya ingin menguji apakah teh hijau dapat menurunkan tekanan darah?. saya menguji dengan 50 orang

\(H_0\) : Teh hijau tidak menurunkan tekanan darah.

Kita melakukan 25 orang minum teh hijau, 25 orang tidak meminum teh hijau, lalu kita bandingkan tekanan darahnya. Kalau data menunjukkan perbedaannya signifikan (Tekanan darah kelompok teh hijau lebih rendah), kita akan menolak \(H_0\), tetapi jika perbedaan pada teh hijau tidak berubah maka kita tidak menolak \(H_0\).

  • kalau kita salah menolak \(H_0\) (bilang teh hijau menurunkan tekanan darah padahal sebenarnya tidak) ini adalah kesalahan alfa (α)

  • kalau kita salah tidak menolak \(H_0\) (bilang teh hijau tidak berpengaruh padahal sebenarnya ada pengaruh) ini adalah kesalahan beta(β).

3. Kapan kita harus menggunakan Type I error dan Type II error dalam uji hipotesis

Dalam uji hipotesis, kesalahan Tipe I (Type I error) dan kesalahan Tipe II (Type II error) akan selalu menjadi pertimbangan saat mengambil keputusan.

  1. Kesalahan Tipe I terjadi saat kita menolak Hipotesis nol \(H_0\) yang sebenarnya benar.

Contoh:

Ibarat kita adalah dokter yang menguji keamanan vaksin, Jika kita salah menyimpulkan bahwa vaksin itu aman (\(H_0\) : vaksin tidak berbahaya), padahal sebenarnya \(H_a\):vaksin itu berbahaya, ini bisa berdampak pada kesehatan masyarakat ketika menggunakan vaksin tersebut.

  1. Kesalahan Tipe II terjadi saat kita gagal menolak Hipotesis nol \(H_0\) yang sebenarnya salah.

contoh:

Kita menyimpulkan bahwa \(H_0\): perangkat lunak tidak memiliki kerentanan keamanan, tetapi kita menyimpulkan bahwa \(H_a\): Perangkat lunak memiliki kerentanan keamanan. Jika ada kerentanan keamanan dalam perangkat lunak, tetapi uji keamanan tidak mendeteksi masalah tersebut

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