Soal UAS Ganjil TA 24/25

Statistika Dasar

Soal 1 Merangkum Materi (CPL03, CPL11, 50%)

1. Definisi dan Konsep Utama

  • Tuliskan definisi statistika. Jelaskan perbedaan antara statistika deskriptif dan statistika inferensial.
  • Apa saja jenis data yang digunakan dalam statistika? Jelaskan perbedaan data numerik dan kategorik disertai contohnya.

2. Ukuran Pemusatan dan Penyebaran

Jelaskan dengan singkat:

  • Mean (Rata-rata): Kapan penggunaan mean menjadi kurang tepat?
  • Median: Mengapa median sering digunakan untuk data dengan outlier?
  • Modus: Kapan ukuran ini lebih relevan daripada mean atau median?
  • Standar Deviasi: Apa arti dari nilai standar deviasi kecil atau besar dalam sebuah dataset?

3. Visualisasi Data

Sebutkan tiga jenis grafik atau diagram yang biasa digunakan dalam statistika dasar (misalnya histogram, boxplot, atau diagram batang). Jelaskan tujuan masing-masing.

4. Analisis Korelasi

Apa yang dimaksud dengan korelasi dalam statistika? Jelaskan perbedaan antara korelasi positif, negatif, dan nol, serta berikan contohnya.

5. Uji Hipotesis

  • Jelaskan langkah-langkah utama dalam melakukan uji hipotesis, mulai dari merumuskan H0 dan H1, menetapkan tingkat signifikan (alpha), hingga menyimpulkan hasil.
  • Mengapa uji hipotesis penting dalam analisis data?

6. Penggunaan Software Statistika

Sebutkan beberapa perangkat lunak atau tools yang digunakan untuk analisis statistika (misalnya Excel, R, atau Python). Apa saja keunggulan dari salah satu software pilihan Anda?

7.Interpretasi Statistik

Berdasarkan suatu data, Anda mendapatkan mean = 75, median = 72, dan standar deviasi = 10. Interpretasikan hasil ini dan simpulkan tentang distribusi data.

8. Contoh Kasus

Rumuskan ringkasan dari langkah-langkah statistik dasar berikut berdasarkan suatu kasus hipotetis:

  • Deskripsi data (deskriptif).
  • Menghitung korelasi antara dua variabel.
  • Membuat uji hipotesis untuk membandingkan dua kelompok data.

9. Kesimpulan Anda

Buatlah kesimpulan singkat tentang pentingnya statistika dalam analisis data. Bagaimana Anda dapat mengaplikasikan statistika dasar ini dalam pekerjaan atau kehidupan sehari-hari?

10. Buatkan Mind Map

Buatlah Mind Map Terkait Rangkuman meteri tersebut diatas dalam bentuk Infografis.

Soal 2 Studi Kasus (CPL03, CPL11, 50%)

Deskripsi Kasus

Perusahaan FMCG Anda ingin memahami pola penjualan produk ABC di wilayah JABODETABEK selama 5 tahun terakhir untuk mengembangkan strategi pemasaran yang lebih efektif. Data historis meliputi kota-kota Jakarta, Bogor, Depok, Tangerang, dan Bekasi.

Data Penjualan ABC

Dataset Penjualan ABC terdiri dari 60 bulan (5 tahun), dengan informasi numerik dan kategorik berikut:

  • Kota: Lokasi penjualan di JABODETABEK (Jakarta, Bogor, Depok, Tangerang, Bekasi).
  • Penjualan (unit): Total unit produk terjual per bulan.
  • Biaya Promosi ($): Anggaran promosi di wilayah tersebut.
  • Diskon (%): Besaran diskon yang diberikan untuk produk.
  • Rating Pelanggan (1-5): Penilaian pelanggan berdasarkan survei.
  • Jenis Outlet: Modern (supermarket, minimarket) atau Tradisional (warung, pasar).
  • Kategori Produk: Makanan, Minuman, atau Kesehatan.

Pertanyaan Analisis

1. Statistik Deskriptif

  • Hitung mean, median, dan standar deviasi untuk variabel Penjualan (unit), Biaya Promosi ($), dan Rating Pelanggan per tahun di setiap kota.
  • Identifikasi kota dengan pertumbuhan penjualan tertinggi dan terendah selama periode 5 tahun.

2. Pola Tren dan Musiman

  • Analisis pola tren penjualan tahunan: apakah ada pola peningkatan atau penurunan signifikan?
  • Analisis musiman (seasonal): apakah ada bulan atau kuartal dengan peningkatan penjualan di semua kota?

3. Analisis Korelasi

Gunakan korelasi Pearson untuk menganalisis hubungan antara:

  • Biaya Promosi ($) dan Penjualan (unit).
  • Diskon (%) dan Rating Pelanggan.

4. Uji Hipotesis

Perusahaan ingin menguji hipotesis berikut:

  • H0: Tidak ada hubungan antara Biaya Promosi ($) dan Penjualan (unit).
  • H1: Ada hubungan antara Biaya Promosi ($) dan Penjualan (unit).

Gunakan korelasi Pearson dan nilai signifikan α = 0.05 untuk menguji hipotesis ini.

5. Analisis Data Kategorik

  • Hitung distribusi penjualan berdasarkan Jenis Outlet (Modern vs. Tradisional).
  • Apakah ada perbedaan signifikan dalam rata-rata penjualan antara Kategori Produk (Makanan, Minuman, Kesehatan)? Gunakan ANOVA untuk menguji hipotesis ini.

6. Model Prediksi Pendapatan

  • Hitung total pendapatan (Penjualan × Harga per Unit) untuk setiap kota.
  • Analisis faktor signifikan yang memengaruhi pendapatan menggunakan analisis regresi linear:
    • Variabel bebas: Biaya Promosi ($), Diskon (%), Jenis Outlet (dummy variable).
    • Variabel target: Pendapatan.

7. Interpretasi Bisnis

Berdasarkan hasil analisis Anda:

  • Rekomendasikan strategi pemasaran per kota untuk meningkatkan penjualan.
  • Jelaskan dampak pengoptimalan diskon, alokasi anggaran promosi, dan distribusi penjualan ke jenis outlet tertentu.

Pembagian Kelompok

Kelompok 1

  • ALYA MAURA RADITHA
  • MUHAMMAD NABIL PRATAMA
  • NABILA ANGGITA PUTRI

Kelompok 2

  • SYIFA NURULFAJRI RUSTIN
  • OLIVIA MEILINDA DAVTIN PESIRERON
  • WHIRDYANA SHALFA AYUBI

Kelompok 3

  • ISNAINI NUR HASANAH
  • M. ALFAYED SAFAAD
  • FIKA IRSANDI DESVYANTI

Kelompok 4

  • MOHAMMAD RIYADH
  • DADAN RAMDAN HIDAYAT
  • RACHELIA BEVINA TAMBAJONG

Kelompok 5

  • NABILA ASWA HIDAYATI
  • JOANS HENKY SERVATIUS SIMANULLANG
  • ZAIN IQBAL SAPUTRA

Kelompok 6

  • NOVA SITORUS
  • CHELLO FRHINO MIKE MANDOLANG
  • LUTHFI AKHYAR HASIBUAN

Kelompok 7

  • DWI SRI YANTI MANULLANG
  • M. RAGIL RIZKI MULYA
  • MUHAMMAD RIZKY BAGAS
  • SITI AZKYA NURHALIMA
---
title: "Soal UAS Ganjil TA 24/25"
subtitle: "Statistika Dasar"
author: "Bakti Siregar, S.Si., M.Sc"
date:  "`r format(Sys.Date(), '%B %d, %Y')`"
output:
  rmdformats::readthedown:   # https://github.com/juba/rmdformats
    self_contained: true
    thumbnails: true
    lightbox: true
    gallery: true
    lib_dir: libs
    df_print: "paged"
    code_folding: "show"
    code_download: yes
    css: "style.css"
---

<img src="https://github.com/dsciencelabs/images/blob/master/Cover_Basic_Statistics.png?raw=true" width="300" style="display: block; margin: auto;" alt="">


# Soal 1 Merangkum Materi (CPL03, CPL11, 50%)

## 1. Definisi dan Konsep Utama

- Tuliskan definisi **statistika**. Jelaskan perbedaan antara **statistika deskriptif** dan **statistika inferensial**.
- Apa saja jenis data yang digunakan dalam statistika? Jelaskan perbedaan data **numerik** dan **kategorik** disertai contohnya.

## 2. Ukuran Pemusatan dan Penyebaran

Jelaskan dengan singkat:

- **Mean (Rata-rata):** Kapan penggunaan mean menjadi kurang tepat?
- **Median:** Mengapa median sering digunakan untuk data dengan outlier?
- **Modus:** Kapan ukuran ini lebih relevan daripada mean atau median?
- **Standar Deviasi:** Apa arti dari nilai standar deviasi kecil atau besar dalam sebuah dataset?

## 3. Visualisasi Data

Sebutkan tiga jenis grafik atau diagram yang biasa digunakan dalam statistika dasar (misalnya histogram, boxplot, atau diagram batang). Jelaskan tujuan masing-masing.

## 4. Analisis Korelasi

Apa yang dimaksud dengan **korelasi** dalam statistika? Jelaskan perbedaan antara korelasi positif, negatif, dan nol, serta berikan contohnya.

## 5. Uji Hipotesis

- Jelaskan langkah-langkah utama dalam melakukan uji hipotesis, mulai dari merumuskan **H0** dan **H1**, menetapkan tingkat signifikan (alpha), hingga menyimpulkan hasil.
- Mengapa uji hipotesis penting dalam analisis data?

## 6. Penggunaan Software Statistika

Sebutkan beberapa perangkat lunak atau tools yang digunakan untuk analisis statistika (misalnya Excel, R, atau Python). Apa saja keunggulan dari salah satu software pilihan Anda?

## 7.Interpretasi Statistik

Berdasarkan suatu data, Anda mendapatkan mean = 75, median = 72, dan standar deviasi = 10. Interpretasikan hasil ini dan simpulkan tentang distribusi data.

## 8. Contoh Kasus

Rumuskan ringkasan dari langkah-langkah statistik dasar berikut berdasarkan suatu kasus hipotetis:

- Deskripsi data (deskriptif).  
- Menghitung korelasi antara dua variabel.  
- Membuat uji hipotesis untuk membandingkan dua kelompok data.  

## 9. Kesimpulan Anda

Buatlah kesimpulan singkat tentang pentingnya statistika dalam analisis data. Bagaimana Anda dapat mengaplikasikan statistika dasar ini dalam pekerjaan atau kehidupan sehari-hari?

## 10. Buatkan Mind Map

Buatlah Mind Map Terkait Rangkuman meteri tersebut diatas dalam bentuk Infografis.

# Soal 2 Studi Kasus (CPL03, CPL11, 50%)

## Deskripsi Kasus 

Perusahaan FMCG Anda ingin memahami pola penjualan produk ABC di wilayah **JABODETABEK** selama 5 tahun terakhir untuk mengembangkan strategi pemasaran yang lebih efektif. Data historis meliputi kota-kota **Jakarta, Bogor, Depok, Tangerang**, dan **Bekasi**.

## Data Penjualan ABC 

Dataset [Penjualan ABC](https://raw.githubusercontent.com/dsciencelabs/dataset/refs/heads/master/Penjualan_ABC_JABODETABEK.csv) terdiri dari **60 bulan** (5 tahun), dengan informasi numerik dan kategorik berikut:

- **Kota:** Lokasi penjualan di JABODETABEK (Jakarta, Bogor, Depok, Tangerang, Bekasi).  
- **Penjualan (unit):** Total unit produk terjual per bulan.  
- **Biaya Promosi ($):** Anggaran promosi di wilayah tersebut.  
- **Diskon (%):** Besaran diskon yang diberikan untuk produk.  
- **Rating Pelanggan (1-5):** Penilaian pelanggan berdasarkan survei.  
- **Jenis Outlet:** Modern (supermarket, minimarket) atau Tradisional (warung, pasar).  
- **Kategori Produk:** Makanan, Minuman, atau Kesehatan.  

## Pertanyaan Analisis

### 1. Statistik Deskriptif

- Hitung mean, median, dan standar deviasi untuk variabel **Penjualan (unit)**, **Biaya Promosi ($)**, dan **Rating Pelanggan** per tahun di setiap kota.
- Identifikasi kota dengan pertumbuhan penjualan tertinggi dan terendah selama periode 5 tahun.

### 2. Pola Tren dan Musiman

- Analisis pola tren penjualan **tahunan**: apakah ada pola peningkatan atau penurunan signifikan?  
- Analisis musiman (seasonal): apakah ada bulan atau kuartal dengan peningkatan penjualan di semua kota?

### 3. Analisis Korelasi

Gunakan **korelasi Pearson** untuk menganalisis hubungan antara: 

  - **Biaya Promosi ($)** dan **Penjualan (unit)**.  
  - **Diskon (%)** dan **Rating Pelanggan**.  

### 4. Uji Hipotesis

Perusahaan ingin menguji hipotesis berikut:

- **H0:** Tidak ada hubungan antara **Biaya Promosi ($)** dan **Penjualan (unit)**.  
- **H1:** Ada hubungan antara **Biaya Promosi ($)** dan **Penjualan (unit)**.

Gunakan korelasi **Pearson** dan nilai signifikan **α = 0.05** untuk menguji hipotesis ini.

### 5. Analisis Data Kategorik

- Hitung distribusi penjualan berdasarkan **Jenis Outlet** (Modern vs. Tradisional).  
- Apakah ada perbedaan signifikan dalam rata-rata penjualan antara **Kategori Produk** (Makanan, Minuman, Kesehatan)? Gunakan **ANOVA** untuk menguji hipotesis ini.

### 6. Model Prediksi Pendapatan

- Hitung total pendapatan (Penjualan × Harga per Unit) untuk setiap kota.  
- Analisis faktor signifikan yang memengaruhi pendapatan menggunakan **analisis regresi linear**:  
  - Variabel bebas: **Biaya Promosi ($)**, **Diskon (%)**, **Jenis Outlet** (dummy variable).  
  - Variabel target: **Pendapatan**.

### 7. Interpretasi Bisnis

Berdasarkan hasil analisis Anda:

- Rekomendasikan strategi pemasaran per kota untuk meningkatkan penjualan.  
- Jelaskan dampak pengoptimalan diskon, alokasi anggaran promosi, dan distribusi penjualan ke jenis outlet tertentu.


# Pembagian Kelompok

## Kelompok 1

* ALYA MAURA RADITHA
* MUHAMMAD NABIL PRATAMA
* NABILA ANGGITA PUTRI

## Kelompok 2

* SYIFA NURULFAJRI RUSTIN
* OLIVIA MEILINDA DAVTIN PESIRERON
* WHIRDYANA SHALFA AYUBI

## Kelompok 3

* ISNAINI NUR HASANAH 
* M. ALFAYED SAFAAD
* FIKA IRSANDI DESVYANTI

## Kelompok 4

* MOHAMMAD RIYADH 
* DADAN RAMDAN HIDAYAT
* RACHELIA BEVINA TAMBAJONG

## Kelompok 5

* NABILA ASWA HIDAYATI
* JOANS HENKY SERVATIUS SIMANULLANG
* ZAIN IQBAL SAPUTRA

## Kelompok 6

* NOVA SITORUS
* CHELLO FRHINO MIKE MANDOLANG
* LUTHFI AKHYAR HASIBUAN

## Kelompok 7

* DWI SRI YANTI MANULLANG 
* M. RAGIL RIZKI MULYA
* MUHAMMAD RIZKY BAGAS
* SITI AZKYA NURHALIMA
