UAS Statistika Dasar
Rangkuman Materi & Studi Kasus
Soal 1 Rangkuman Materi Statistika Dasar
1. Pengertian Statistika
Statistika adalah cabang ilmu yang mempelajari teknik pengumpulan, pengolahan, analisis, dan interpretasi data sehingga menghasilkan informasi yang berguna dalam berbagai pengambilan keputusan. Ilmu ini memainkan peran penting di banyak bidang, seperti ekonomi, kesehatan, pendidikan, dan teknologi, untuk memahami pola atau tren yang terdapat dalam data.
Perbedaan Statistika Deskriptif dan Statistika Inferensial
- Statistika Deskriptif
- Definisi: Cabang statistika yang berfokus pada
penyajian dan peringkasan data yang telah dikumpulkan, tanpa mencoba
membuat prediksi atau generalisasi.
- Tujuan: Memberikan gambaran jelas mengenai data
menggunakan tabel, grafik, atau pengukuran seperti rata-rata, median,
modus, dan standar deviasi.
- Contoh: Menghitung rata-rata nilai ujian siswa di suatu kelas.
- Definisi: Cabang statistika yang berfokus pada
penyajian dan peringkasan data yang telah dikumpulkan, tanpa mencoba
membuat prediksi atau generalisasi.
- Statistika Inferensial
- Definisi: Cabang statistika yang menggunakan data
dari sampel untuk menarik kesimpulan atau membuat prediksi tentang
populasi yang lebih luas.
- Tujuan: Menerapkan metode seperti pengujian
hipotesis atau estimasi parameter untuk menghasilkan generalisasi.
- Contoh: Menggunakan survei pada sekelompok kecil orang untuk memperkirakan preferensi seluruh penduduk kota.
- Definisi: Cabang statistika yang menggunakan data
dari sampel untuk menarik kesimpulan atau membuat prediksi tentang
populasi yang lebih luas.
Jenis Data dalam Statistika
- Data Numerik (Kuantitatif)
Data numerik adalah data berbentuk angka yang dapat diukur atau dihitung.- Kategori:
- Diskret: Data berupa bilangan tertentu yang
diperoleh dari hasil perhitungan (misalnya jumlah siswa di kelas).
- Kontinu: Data berupa angka dalam rentang tertentu
yang berasal dari pengukuran (misalnya tinggi badan, berat badan).
- Diskret: Data berupa bilangan tertentu yang
diperoleh dari hasil perhitungan (misalnya jumlah siswa di kelas).
- Contoh:
- Jumlah kendaraan di parkiran (diskret).
- Berat badan seseorang dalam kilogram (kontinu).
- Jumlah kendaraan di parkiran (diskret).
- Kategori:
- Data Kategorik (Kualitatif)
Data kategorik adalah data yang berbentuk kategori atau label, bukan angka.- Kategori:
- Nominal: Data kategorik tanpa urutan tertentu
(contoh: warna favorit, jenis kelamin).
- Ordinal: Data kategorik dengan urutan tertentu,
meskipun jaraknya tidak dapat diukur (contoh: tingkat pendidikan, skala
kepuasan).
- Nominal: Data kategorik tanpa urutan tertentu
(contoh: warna favorit, jenis kelamin).
- Contoh:
- Warna baju (nominal).
- Tingkat kepuasan pelanggan (ordinal, seperti puas, cukup puas, tidak puas).
- Warna baju (nominal).
- Kategori:
Perbedaan Data Numerik dan Kategorik
| Aspek | Data Numerik | Data Kategorik |
|---|---|---|
| Bentuk Data | Angka | Kategori atau label |
| Operasi Matematika | Bisa dilakukan (misalnya rata-rata) | Tidak bisa dilakukan |
| Contoh | Usia seseorang (25 tahun) | Status pernikahan (lajang/menikah) |
2.Ukuran Pemusatan dan Penyebaran Data
Tabel Penjelasan
| Ukuran | Pengertian | Kapan Digunakan | Contoh |
|---|---|---|---|
| Mean (Rata-rata) | Hasil pembagian total nilai dalam dataset dengan jumlah observasi. | Tidak cocok jika ada outlier, karena nilai ekstrem dapat memengaruhi rata-rata secara signifikan. | Dalam kelompok dengan satu individu berpenghasilan sangat tinggi, rata-rata pendapatan menjadi bias. |
| Median | Nilai tengah dari dataset yang telah diurutkan. Jika jumlah data genap, median adalah rata-rata dua nilai tengah. | Cocok untuk dataset yang memiliki outlier, karena median tidak terpengaruh oleh nilai ekstrem. | Median penghasilan mencerminkan pendapatan tipikal saat ada orang dengan penghasilan sangat tinggi. |
| Modus | Nilai yang paling sering muncul dalam dataset. | Relevan untuk data kategorik atau untuk mengetahui nilai yang paling sering muncul dalam data. | Ukuran pakaian yang paling banyak terjual, misalnya “L”. |
| Standar Deviasi | Mengukur seberapa jauh data menyebar dari rata-rata. | Standar deviasi kecil menunjukkan data homogen, sedangkan standar deviasi besar mengindikasikan variasi besar. | Standar deviasi nilai ujian kecil berarti siswa memiliki nilai yang mirip; besar berarti nilai bervariasi. |
3. Visualisasi Data
- Histogram
- Apa itu? Grafik ini mirip dengan diagram batang
tetapi khusus untuk data angka. Histogram menunjukkan jumlah data dalam
setiap kelompok nilai tertentu (disebut interval atau bin).
- Tujuan dan Kegunaan:
- Memahami pola distribusi data, misalnya apakah
datanya cenderung normal (seimbang) atau condong ke salah satu sisi
(kemiringan).
- Membantu melihat sebaran nilai, seperti berapa banyak siswa yang
mendapat nilai di rentang 60-70, 70-80, dan seterusnya.
- Berguna untuk menganalisis data kuantitatif, seperti tinggi badan, berat badan, atau nilai ujian.
- Memahami pola distribusi data, misalnya apakah
datanya cenderung normal (seimbang) atau condong ke salah satu sisi
(kemiringan).
- Contoh:
- Apa itu? Grafik ini mirip dengan diagram batang
tetapi khusus untuk data angka. Histogram menunjukkan jumlah data dalam
setiap kelompok nilai tertentu (disebut interval atau bin).
- Boxplot
- Apa itu? Grafik sederhana berbentuk kotak dengan
garis di tengahnya. Boxplot menunjukkan nilai-nilai penting, seperti
nilai tertinggi, terendah, tengah (median), dan apakah ada nilai yang
jauh berbeda (outlier).
- Tujuan dan Kegunaan:
- Melihat penyebaran data dengan cepat, apakah
datanya terkumpul rapat atau tersebar luas.
- Mengidentifikasi outlier, yaitu nilai-nilai ekstrem
yang berbeda jauh dari data lainnya.
- Cocok untuk membandingkan beberapa kelompok data, seperti membandingkan nilai ujian siswa di kelas yang berbeda.
- Melihat penyebaran data dengan cepat, apakah
datanya terkumpul rapat atau tersebar luas.
- Contoh:
- Apa itu? Grafik sederhana berbentuk kotak dengan
garis di tengahnya. Boxplot menunjukkan nilai-nilai penting, seperti
nilai tertinggi, terendah, tengah (median), dan apakah ada nilai yang
jauh berbeda (outlier).
- Diagram Batang
- Apa itu? Grafik ini terdiri dari batang-batang yang
mewakili kategori data. Panjang batang menunjukkan jumlah atau frekuensi
data dalam setiap kategori.
- Tujuan dan Kegunaan:
- Menampilkan perbandingan antar kategori dengan
jelas, seperti jumlah siswa di jurusan IPA, IPS, dan Bahasa.
- Mempermudah analisis data kategorik, misalnya melihat produk mana
yang paling laris di sebuah toko.
- Membantu membuat keputusan dengan membandingkan data secara visual.
- Menampilkan perbandingan antar kategori dengan
jelas, seperti jumlah siswa di jurusan IPA, IPS, dan Bahasa.
- Apa itu? Grafik ini terdiri dari batang-batang yang
mewakili kategori data. Panjang batang menunjukkan jumlah atau frekuensi
data dalam setiap kategori.
Semua grafik ini dirancang untuk mempermudah pemahaman data, baik angka maupun kategori, sehingga kita dapat mengambil kesimpulan lebih cepat dan akurat. - Contoh
4. Analisis Korelasi
Korelasi adalah ukuran statistik yang menunjukkan sejauh mana dua variabel saling terkait secara linear (artinya keduanya berubah secara bersamaan pada tingkat yang konstan). Ini adalah alat umum untuk menggambarkan hubungan sederhana tanpa membuat pernyataan tentang sebab dan akibat.
Jenis Korelasi
1. Korelasi Positif Korelasi positif terjadi ketika kedua variabel bergerak dalam arah yang sama. Artinya, jika satu variabel meningkat, variabel lainnya juga cenderung meningkat.
Contoh: Jumlah jam belajar dan nilai ujian. Semakin banyak seseorang belajar, semakin tinggi kemungkinan nilainya meningkat.
2. Korelasi Negatif Korelasi negatif terjadi ketika kedua variabel bergerak dalam arah yang berlawanan. Artinya, jika satu variabel meningkat, variabel lainnya cenderung menurun.
Contoh: Jumlah penggunaan kendaraan pribadi dan kualitas udara. Semakin banyak kendaraan yang digunakan, kualitas udara cenderung menurun.
3. Korelasi Nol Korelasi nol terjadi ketika tidak ada hubungan antara dua variabel. Artinya, perubahan dalam satu variabel tidak memengaruhi variabel lainnya.
Contoh: Tinggi badan seseorang dan skor ujian matematika. Tidak ada hubungan yang jelas antara kedua variabel ini.
5. Uji Hipotesis
Dalam pengujian hipotesis, fokus utama adalah menilai apakah data cukup kuat untuk menolak 𝐻0 dan mendukung 𝐻𝑎. Pengujian ini dilakukan dengan menggunakan statistik uji dan membandingkan nilai probabilitas (𝑝-value) terhadap tingkat signifikansi (𝛼). Berikut adalah langkah-langkah utama dalam melakukan uji hipotesis:
1. Merumuskan Hipotesis Dalam pengujian hipotesis, terdapat dua jenis kesalahan yang dapat terjadi:
Kesalahan Tipe I (𝛼): Terjadi ketika hipotesis nol (𝐻0) ditolak padahal sebenarnya 𝐻0 benar. Kesalahan ini sering disebut false positive dan tingkat kejadiannya diwakili oleh tingkat signifikansi (𝛼), misalnya 0,05 (5%).
Kesalahan Tipe II (𝛽): Terjadi ketika hipotesis nol (𝐻0) tidak ditolak padahal sebenarnya hipotesis alternatif (𝐻𝑎) benar. Kesalahan ini dikenal sebagai false negative, dan probabilitas untuk tidak melakukan kesalahan tipe II disebut kekuatan uji atau power of the test (1 − 𝛽).
2. Menentukan Tingkat Signifikansi (α)
Tingkat signifikansi adalah probabilitas kesalahan yang dapat diterima dalam menolak H0 padahal H0 benar. Biasanya, nilai α yang digunakan adalah 0,05 (5%) atau 0,01 (1%).
3. Memilih Uji Statistik yang Sesuai
Pilih uji statistik berdasarkan jenis data dan tujuan penelitian:
Uji-z atau uji-t: Untuk membandingkan rata-rata populasi.
Uji-chi-square (χ²): Untuk menguji hubungan antara variabel kategori.
Uji ANOVA: Untuk membandingkan rata-rata lebih dari dua kelompok.
Uji regresi: Untuk analisis hubungan antar variabel.
4. Menentukan Nilai Kritikal atau p-value
Nilai-𝑝 adalah probabilitas yang menunjukkan seberapa konsisten data sampel dengan 𝐻0. Nilai ini menggambarkan kemungkinan mendapatkan hasil sampel yang ekstrem atau lebih ekstrem dari hasil yang diamati, dengan asumsi bahwa 𝐻0 benar. Semakin kecil nilai-𝑝, semakin kuat bukti untuk menolak 𝐻0.
Hitung nilai statistik uji berdasarkan data sampel.
Bandingkan nilai statistik uji dengan nilai kritikal dari tabel distribusi yang relevan, atau gunakan p-value untuk menentukan signifikansi.
5. Membuat Keputusan dan Menyimpulkan Hasil
Jika nilai statistik uji berada di luar rentang nilai kritikal (atau jika p-value ≤ α), maka tolak H0.
Jika nilai statistik uji berada dalam rentang nilai kritikal (atau jika p-value > α), maka gagal menolak H0.
Tulis kesimpulan dalam konteks penelitian.
Aturan Keputusan:
Jika 𝑝 ≤ 𝛼: Tolak 𝐻0 (data memberikan bukti signifikan mendukung 𝐻𝑎).
Jika 𝑝 > 𝛼: Gagal menolak 𝐻0 (data tidak cukup untuk mendukung 𝐻𝑎).
Alasan mengapa Hipotesis penting dalam analisis data:
- Membantu Membuat Keputusan Berdasarkan Data
Uji hipotesis memungkinkan pengambilan keputusan yang didukung oleh bukti statistik, bukan hanya berdasarkan intuisi atau asumsi.
- Mengevaluasi Klaim atau Teori
Uji hipotesis digunakan untuk menguji kebenaran klaim atau teori yang diajukan.
- Mengukur Ketidakpastian
Dalam analisis data, selalu ada unsur ketidakpastian karena data biasanya berasal dari sampel, bukan populasi seluruhnya.
- Meningkatkan Kepercayaan pada Hasil
Dengan menggunakan uji hipotesis, hasil analisis menjadi lebih dapat dipercaya, karena didukung oleh metode ilmiah dan statistik yang telah teruji.
6. Penggunaan Software Statistika
Tools untuk Analisis Statistika
- SPSS (Statistical Package for the Social Sciences)
- R Programming
- Python
- Stata
- MATLAB
- Excel
- SAS
Keunggulan R Programming
R Programming merupakan salah satu alat yang sangat kuat dan fleksibel untuk analisis statistik. Berikut adalah beberapa keunggulan dari R:
- Open-source dan Gratis: R adalah perangkat lunak yang dapat diunduh dan digunakan secara gratis, membuatnya sangat terjangkau bagi individu dan institusi.
- Komunitas Besar: R memiliki komunitas pengguna yang luas, yang berkontribusi dengan ribuan paket dan pustaka untuk analisis data lanjutan, pemodelan statistik, dan visualisasi data kompleks14.
- Kemampuan Analisis Canggih: R menawarkan berbagai metode analisis statistik, termasuk analisis regresi, analisis multivariat, dan teknik pemodelan prediktif. Ini memungkinkan pengguna untuk melakukan analisis yang mendalam dan kompleks16.
- Visualisasi Data: Dengan paket seperti ggplot2, R menyediakan alat yang sangat baik untuk membuat visualisasi data yang menarik dan informatif24.
- Fleksibilitas dalam Pemrograman: Meskipun memerlukan pemahaman tentang pemrograman, R memberikan fleksibilitas tinggi dalam pengolahan data dan analisis statistik13.
Karena keunggulan-keunggulan ini, R menjadi pilihan populer di kalangan peneliti, analis data, dan ilmuwan di berbagai bidang.
7. Interpretasi Statistik
Untuk menganalisis dan menginterpretasikan hasil dari data yang diberikan, mari kita lihat nilai-nilai statistik yang telah disediakan:
Mean (Rata-rata): 75
Median: 72
Standar Deviasi: 10
- Interpretasi Hasil
- Mean vs. Median: Rata-rata (mean) sebesar 75 menunjukkan nilai rata-rata dari seluruh data. Median sebesar 72 adalah nilai tengah ketika data diurutkan. Dalam hal ini, median yang lebih rendah dari mean menunjukkan bahwa ada kemungkinan adanya skewness (kemiringan) dalam distribusi data.
- Standar Deviasi: Standar deviasi sebesar 10 menunjukkan seberapa jauh nilai-nilai dalam dataset tersebar dari rata-ratanya. Nilai ini menunjukkan bahwa terdapat variasi yang cukup signifikan dalam data.
- Kesimpulan tentang Distribusi Data
Berdasarkan perbandingan antara mean dan median, serta informasi tentang standar deviasi, kita dapat menarik beberapa kesimpulan tentang distribusi data:
Kemiringan Positif: Karena mean (75) lebih besar daripada median (72), ini mengindikasikan bahwa distribusi data kemungkinan memiliki kemiringan positif (right-skewed). Artinya, terdapat beberapa nilai yang lebih tinggi yang menarik rata-rata ke atas.
Variabilitas Data: Standar deviasi yang cukup besar (10) menunjukkan bahwa data tidak hanya terpusat di sekitar mean tetapi juga memiliki penyebaran yang luas. Ini berarti ada variasi yang signifikan dalam nilai-nilai individu dalam dataset.
Ringkasan
Secara keseluruhan, distribusi data ini tampaknya memiliki kemiringan positif dengan variasi yang cukup besar. Hal ini penting untuk dipertimbangkan dalam analisis lebih lanjut, terutama jika kita ingin melakukan inferensi atau membuat keputusan berdasarkan data ini.
8. Contoh Kasus
1. Deskripsi Data (Deskriptif)
Kelompok A (Jam Pelatihan, X):
Data: 2, 4, 6, 8, 10
Rata-rata (X-bar):
\[
\bar{X} = \frac{\sum X}{n} = \frac{2 + 4 + 6 + 8 + 10}{5} = 6.0
\]
Standar deviasi (s):
\[
s = \sqrt{\frac{\sum (X_i - \bar{X})^2}{n-1}}
\] \[
s = \sqrt{\frac{(2-6)^2 + (4-6)^2 + (6-6)^2 + (8-6)^2 + (10-6)^2}{4}} =
3.16
\]
Kelompok A (Produktivitas, Y):
Data: 55, 60, 65, 70, 75
Rata-rata (Ȳ):
\[
\bar{Y} = \frac{55 + 60 + 65 + 70 + 75}{5} = 65.0
\]
Standar deviasi (s):
\[
s = \sqrt{\frac{\sum (Y_i - \bar{Y})^2}{n-1}}
\] \[
s = \sqrt{\frac{(55-65)^2 + (60-65)^2 + (65-65)^2 + (70-65)^2 +
(75-65)^2}{4}} = 7.91
\]
Kelompok B (Produktivitas, Y):
Data: 50, 52, 53, 54, 55
Rata-rata (Ȳ):
\[
\bar{Y} = \frac{50 + 52 + 53 + 54 + 55}{5} = 52.8
\]
Standar deviasi (s):
\[
s = \sqrt{\frac{\sum (Y_i - \bar{Y})^2}{n-1}}
\] \[
s = \sqrt{\frac{(50-52.8)^2 + (52-52.8)^2 + (53-52.8)^2 + (54-52.8)^2 +
(55-52.8)^2}{4}} = 1.92
\]
2. Korelasi antara Jam Pelatihan (X) dan Produktivitas (Y) pada Kelompok A
Rumus korelasi Pearson:
\[
r = \frac{\sum{(X_i - \bar{X})(Y_i - \bar{Y})}}{\sqrt{\sum{(X_i -
\bar{X})^2} \cdot \sum{(Y_i - \bar{Y})^2}}}
\]
Langkah-Langkah:
Penyebut:
\[ \sum (X_i - \bar{X})^2 = (2-6)^2 + (4-6)^2 + (6-6)^2 + (8-6)^2 + (10-6)^2 = 40 \] \[ \sum (Y_i - \bar{Y})^2 = (55-65)^2 + (60-65)^2 + (65-65)^2 + (70-65)^2 + (75-65)^2 = 250 \]Pembilang:
\[ \sum (X_i - \bar{X})(Y_i - \bar{Y}) = (2-6)(55-65) + (4-6)(60-65) + \dots + (10-6)(75-65) = 100 \]Korelasi (r):
\[ r = \frac{100}{\sqrt{40 \cdot 250}} = 1.0 \]
Interpretasi:
Korelasi sempurna positif antara jam pelatihan dan produktivitas.
3. Uji Hipotesis untuk Membandingkan Produktivitas Kelompok A dan B
Hipotesis:
- H₀: μ_A = μ_B (Rata-rata produktivitas sama).
- H₁: μ_A > μ_B (Rata-rata produktivitas Kelompok A lebih besar).
Langkah-Langkah:
Data Rata-rata dan Standar Deviasi:
- Kelompok A: X̄_A = 65.0, s_A = 7.91, n_A = 5
- Kelompok B: X̄_B = 52.8, s_B = 1.92, n_B = 5
- Kelompok A: X̄_A = 65.0, s_A = 7.91, n_A = 5
Varians Gabungan (sₚ²):
\[ s_p^2 = \frac{(n_A-1)s_A^2 + (n_B-1)s_B^2}{n_A + n_B - 2} \] \[ s_p^2 = \frac{(5-1)(7.91^2) + (5-1)(1.92^2)}{5+5-2} = 32.23 \]Statistik t:
\[ t = \frac{\bar{X}_A - \bar{X}_B}{\sqrt{s_p^2 \left(\frac{1}{n_A} + \frac{1}{n_B}\right)}} \] \[ t = \frac{65.0 - 52.8}{\sqrt{32.23 \left(\frac{1}{5} + \frac{1}{5}\right)}} = 3.35 \]Nilai p:
Dengan p = 0.005, H₀ ditolak.
Kesimpulan:
Rata-rata produktivitas Kelompok A secara signifikan lebih besar
daripada Kelompok B (p < 0.05).
9. Kesimpulan
menganalisis, dan menarik kesimpulan dari informasi yang tersedia. Melalui metode statistik, kita dapat mengidentifikasi pola dan tren yang mungkin tidak terlihat pada pandangan pertama, serta membuat keputusan yang lebih informasional berdasarkan analisis tersebut.
Statistika dasar dapat diterapkan dalam kehidupan sehari-hari dan di tempat kerja dengan berbagai cara, seperti:
Pengambilan Keputusan: Di dunia bisnis, analisis data membantu kita memahami produk mana yang paling diminati dan preferensi konsumen, sehingga keputusan strategis dapat diambil.
Evaluasi Kinerja: Dalam konteks profesional, kita dapat memanfaatkan statistika untuk menilai kinerja karyawan, mengevaluasi hasil proyek, atau menganalisis tingkat kepuasan pelanggan.
Perencanaan Keuangan: Dalam kehidupan sehari-hari, penggunaan statistika dapat membantu kita mengatur anggaran, seperti dengan menganalisis pengeluaran bulanan untuk mengetahui area yang perlu ditingkatkan.
Secara keseluruhan, pemahaman dasar tentang statistika memungkinkan kita untuk lebih efektif dalam menilai situasi, mengambil keputusan yang lebih baik, dan memahami fenomena di sekitar kita.
10. Mind Map
Soal 2 Studi Kasus
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 Awal
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 ($): Anggaran promosi di wilayah tersebut.
• Diskon (%): Besaran diskon yang diberikan untuk produk.
• Rating Pelanggan (1-5): Penilaian pelanggan berdasarkan survei.
• Jenis Outlet: Modern (supermarket, minimarket) atau Tradisional (warung, pasar).
• Kategori Produk: Makanan, Minuman,atau Kesehatan.
1. Statistik Deskriptif
Hitung mean, median, dan standar deviasi untuk variabel Penjualan (unit), Biaya Promosi ($), dan Rating Pelanggan per tahun di setiap kota. Identifikasi kota dengan pertumbuhan penjualan tertinggi dan terendah selama periode 5 tahun.
1. langkah-langkah Perhitungan
Rumus:
1. Menghitung Rata-rata (Mean):
Rumus: \[ \text{Rata-rata} = \frac{\text{Jumlah semua nilai}}{\text{Jumlah data}} \]
Menghitung Rata-rata Penjualan Kota Jakarta (2018)
Data Penjualan Kota Jakarta(2018):
\(10392, 11462, 9717, 12353, 10551, 9957, 10408, 14005, 6001, 11093, 10860, 8217\)
Langkah-langkah: 1. Hitung jumlah semua nilai:
\(10392+11462+9717+12353+10551+9957+10408+14005+6001+11093+10860+8217=125016\)
- Hitung jumlah data:
Jumlah Data = 12
- Masukkan ke rumus:
\[ \text{Rata-rata Penjualan Kota Jakarta (2018)} = \frac{125,016 }{12} = 10,418 \]
2. Menghitung Nilai Tengah (Median):
Rumus (Ganjil):
\[ \text{Median} = \text{Nilai Posisi Median} \]
Rumus (Genap):
\[ \text{Median} = \frac{\text{Nilai Posisi Median} = \frac{n}{2} + \frac{n}{2} + 1}{2} \]
Menghitung Median Penjualan Kota Jakarta (2018)
Data Penjualan Kota Jakarta(2018) yang diurutkan:
\(6001, 8217, 9717, 9957, 10392, 10408, 10551, 10860, 11093, 11462, 12353, 14005\)
Karena jumlah data (\(𝑛= 12\)) adalah genap, gunakan rumus untuk mecari posisi median:
\[ \text{Posisi Median} = \frac{n}{2} dan \frac{n}{2} + 1 \]
\[ \text{Posisi Median} = \frac{12}{2} dan \frac{12}{2} + 1 \]
\[ \text{Posisi Median} = \text{Data ke-6 dan Data ke-7} \]
\[ \text{Data ke-6} = 10408, \text{Data ke-7} = 10551 \]
\[ \text{Median} = \frac{10408 + 10551}{2} = 10479.5 \]
3. Menghitung Standar Deviasi:
Rumus: \[ s = \sqrt{\frac{\sum (x_i - \bar{x})^2}{n-1}} \]
Dimana:
- \(x_i\) = semua data yang akan dihitung
- \(\bar{X}\) = Mean (rata-rata)
- n = jumlah data
Menghitung Standar Deviasi Penjualan Kota Jakarta (2018)
Masukkan ke rumus: \[ s = \sqrt{\frac{(10,392 - 10,418)^2 + ... + (8217 - 10,418)^2}{12-1}} \] \[ s = \sqrt{\frac{676 + ... + 4844401}{11}} \] \[ s = \sqrt{\frac{43428396}{11}} \] \[ s = \sqrt{3948036} = 1986.967 \]
1.2 Ringkasan Statistik (jakarta)
| Variabel | Mean | Median | SD |
|---|---|---|---|
| Penjualan.Unit | 5400 | 5400 | 282.84 |
| Biaya.Promosi | 1340 | 1400 | 232.38 |
| Rating.Pelanggan | 4.7 | 4.7 | 0.16 |
1.2.1 Identifikasi Kota dengan Pertumbuhan Penjualan Tertinggi dan Terendah Selama Periode 5 Tahun
Berdasarkan data yang diberikan, kita dapat melihat bahwa untuk Kota Bogor dan Kota Jakarta, penjualan telah dihitung untuk setiap tahun dari 2018 hingga 2022. Pertumbuhan penjualan juga telah dihitung.
1.2.2 Data yang Diberikan
| Kota | 2018 | 2019 | 2020 | 2021 | 2022 | Pertumbuhan (Growth) |
|---|---|---|---|---|---|---|
| Bogor | 3000 | 3200 | 3400 | 3600 | 3800 | 800 |
| Jakarta | 5000 | 5200 | 5400 | 5600 | 5800 | 800 |
1.2.3 Perhitungan:
• Kota Bogor:
• Penjualan 2018: 3000 unit
• Penjualan 2022: 3800 unit
• Pertumbuhan Penjualan:
\[3800-3000 = 800 unit\]
• Kota Jakarta:
• Penjualan 2018: 5000 unit
• Penjualan 2022: 5800 unit
• Pertumbuhan Penjualan:
\[5800-5000 = 800 unit\]
1.2.4 Hasil Analisis:
- Kota Jakarta dan Kota Bogor memiliki pertumbuhan penjualan yang sama, yaitu 800 unit dari tahun 2018 hingga 2022.
Pertumbuhan Penjualan (Growth)
Menunjukkan peningkatan penjualan selama periode 5 tahun yang sama antara kedua kota ini, dengan jumlah pertumbuhan yang identik meskipun nilai penjualan awal berbeda.
- Jakarta mengalami peningkatan yang lebih besar dalam penjualan produk selama periode 5 tahun (2018-2022) dengan total 5.000 unit.
- Bogor meskipun juga mengalami peningkatan, namun pertumbuhannya lebih kecil dibandingkan Jakarta, yakni hanya 3.200 unit.
Tabel Pertumbuhan Penjualan Per Kota (2018-2022)
| Kota | 2018 | 2019 | 2020 | 2021 | 2022 | Growth |
|---|---|---|---|---|---|---|
| Bogor | 3000 | 3200 | 3400 | 3600 | 3800 | 800 |
| Jakarta | 5000 | 5200 | 5400 | 5600 | 5800 | 800 |
2. Pola dan Tren 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?
Analisis Pola Tren Penjualan Tahunan
Menggunakan diagram garis untuk mempermudah analisis pola dan tren penjualan tahunan.
| Bulan | Kota | Total_Penjualan |
|---|---|---|
| Jan | Bekasi | 41443 |
| Jan | Bogor | 40828 |
| Jan | Depok | 49508 |
| Jan | Jakarta | 53635 |
| … | … | NA |
| Dec | Depok | 66368 |
| Dec | Jakarta | 58720 |
| Dec | Tangerang | 64776 |
3. Analisis Korelasi
Data
Diberikan data:
| Biaya Promosi (\(X\)) | Penjualan (\(Y\)) |
|---|---|
| 1660 | 10392 |
| 930 | 11394 |
| 2015 | 9400 |
| 1882 | 4475 |
| 1362 | 7211 |
Langkah Perhitungan
- Hitung rata-rata \(\bar{X}\) dan \(\bar{Y}\):
\[ \bar{X} = \frac{1660 + 930 + 2015 + 1882 + 1362}{5} = 1569.8 \]
\[ \bar{Y} = \frac{10392 + 11394 + 9400 + 4475 + 7211}{5} = 8574.4 \]
- Hitung selisih tiap nilai terhadap rata-rata (\(X_i - \bar{X}\), \(Y_i - \bar{Y}\)):
\[ \Delta X = [90.2, -639.8, 445.2, 312.2, -207.8] \]
\[ \Delta Y = [1817.6, 2819.6, 825.6, -4099.4, -1363.4] \]
- Hitung perkalian selisih \((\Delta X)(\Delta Y)\):
\[ (\Delta X)(\Delta Y) = [163947.52, -1803980.08, 367557.12, -1279832.68, 283314.52] \]
\[ \sum (\Delta X)(\Delta Y) = -1872993.6 \]
- Hitung kuadrat selisih \((\Delta X)^2\) dan \((\Delta Y)^2\):
\[ (\Delta X)^2 = [8136.04, 409344.04, 198203.04, 97468.84, 43180.84] \]
\[ \sum (\Delta X)^2 = 1152332.8 \]
\[ (\Delta Y)^2 = [3303669.76, 7950144.16, 681615.36, 16805080.36, 1858859.56] \]
\[ \sum (\Delta Y)^2 = 30552369.2 \]
- Substitusi ke dalam rumus:
\[ r = \frac{-1872993.6}{\sqrt{1152332.8 \cdot 30552369.2}} \]
\[ r = \frac{-1872993.6}{5967568.93} = -0.472 \]
Hasil Korelasi:
Korelasi Pearson antara Biaya Promosi ($) dan Penjualan (unit): 𝑟=−0.472 Hubungan ini adalah negatif sedang, menunjukkan bahwa saat biaya promosi meningkat, penjualan cenderung menurun dalam dataset ini.
3.2 Diskon (%) dan Rating Pelanggan
| Korelasi |
|---|
| -0.0602249 |
Korelasi Pearson
Rumus korelasi Pearson adalah sebagai berikut:
\[ r = \frac{\sum (X_i - \bar{X})(Y_i - \bar{Y})}{\sqrt{\sum (X_i - \bar{X})^2 \cdot \sum (Y_i - \bar{Y})^2}} \]
Data
Diberikan data:
| Diskon (\(X\)) | Rating Pelanggan (\(Y\)) |
|---|---|
| 10 | 4.5 |
| 15 | 4.7 |
| 20 | 4.3 |
| 25 | 4.0 |
| 30 | 4.2 |
Langkah Perhitungan
- Hitung rata-rata \(\bar{X}\) dan \(\bar{Y}\):
\[ \bar{X} = \frac{10 + 15 + 20 + 25 + 30}{5} = \frac{100}{5} = 20 \]
\[ \bar{Y} = \frac{4.5 + 4.7 + 4.3 + 4.0 + 4.2}{5} = \frac{21.7}{5} = 4.34 \]
- Hitung selisih tiap nilai terhadap rata-rata (\(X_i - \bar{X}\), \(Y_i - \bar{Y}\)):
\[ \Delta X = [-10, -5, 0, 5, 10] \]
\[ \Delta Y = [0.16, 0.36, -0.04, -0.34, -0.14] \]
- Hitung perkalian selisih \((\Delta X)(\Delta Y)\):
\[ (\Delta X)(\Delta Y) = [-1.6, -1.8, 0, -1.7, -1.4] \]
\[ \sum (\Delta X)(\Delta Y) = -1.6 - 1.8 + 0 - 1.7 - 1.4 = -6.5 \]
- Hitung kuadrat selisih \((\Delta X)^2\) dan \((\Delta Y)^2\):
\[ (\Delta X)^2 = [100, 25, 0, 25, 100] \]
\[ \sum (\Delta X)^2 = 100 + 25 + 0 + 25 + 100 = 250 \]
\[ (\Delta Y)^2 = [0.0256, 0.1296, 0.0016, 0.1156, 0.0196] \]
\[ \sum (\Delta Y)^2 = 0.0256 + 0.1296 + 0.0016 + 0.1156 + 0.0196 = 0.292 \]
- Substitusi ke dalam rumus:
\[ r = \frac{-6.5}{\sqrt{250 \times 0.292}} = \frac{-6.5}{\sqrt{73}} = \frac{-6.5}{8.544} = -0.761 \]
Hasil
Korelasi Pearson antara Diskon (%) dan Rating Pelanggan:
\[ r = -0.761 \]
Hubungan ini cukup kuat dan negatif, menunjukkan bahwa saat diskon meningkat, rating pelanggan cenderung menurun.
3.1 Biaya Promosi ($) dan Penjualan (unit)
## `geom_smooth()` using formula = 'y ~ x'| Korelasi |
|---|
| -0.1083683 |
Kesimpulan Analisis Output
Kode Pertama (Diskon vs Rating):
Output menggambarkan persepsi pelanggan terhadap diskon. Jika korelasi rendah, ini menunjukkan diskon mungkin bukan faktor utama yang memengaruhi penilaian pelanggan. Garis tren membantu melihat kecenderungan hubungan ini.Kode Kedua (Promosi vs Penjualan):
Output mengindikasikan efektivitas biaya promosi terhadap hasil penjualan. Korelasi positif yang kuat menunjukkan bahwa peningkatan promosi cenderung meningkatkan penjualan, sedangkan korelasi lemah menunjukkan promosi kurang efektif.
4. Uji Hipotesis
Untuk menyelesaikan masalah secara manual dan menguji hipotesis Anda (H0: Tidak ada hubungan antara Biaya Promosi ($) dan Penjualan (unit)), berikut langkah-langkah yang harus dilakukan:
1. Hitung Statistik Dasar
Kumpulkan statistik berikut dari data:
- Rata-rata (mean) untuk Biaya Promosi ($) dan Penjualan (unit).
- Standar deviasi (standard deviation) untuk kedua variabel.
- Ukuran sampel (n).
Dari data:
\[ \text{Rumus rata-rata: } \bar{x} = \frac{\sum x_i}{n}, \quad \bar{y} = \frac{\sum y_i}{n} \]
\[ \text{Rumus standar deviasi: } s_x = \sqrt{\frac{\sum (x_i - \bar{x})^2}{n-1}}, \quad s_y = \sqrt{\frac{\sum (y_i - \bar{y})^2}{n-1}} \]
2. Hitung Koefisien Korelasi Pearson
Gunakan rumus berikut untuk menghitung koefisien korelasi \(r\):
\[ r = \frac{\sum (x_i - \bar{x})(y_i - \bar{y})}{(n-1) \cdot s_x \cdot s_y} \]
Dimana: - \(x_i\) adalah nilai individu dari Biaya Promosi ($). - \(y_i\) adalah nilai individu dari Penjualan (unit). - \(\bar{x}, \bar{y}\) adalah rata-rata masing-masing variabel. - \(s_x, s_y\) adalah standar deviasi masing-masing variabel.
3. Hitung Nilai \(t\) untuk Uji Hipotesis
Setelah mendapatkan nilai \(r\), gunakan rumus berikut untuk menghitung statistik uji \(t\):
\[ t = r \cdot \sqrt{\frac{n-2}{1-r^2}} \]
4. Bandingkan dengan Nilai Kritis
Bandingkan nilai \(t\) yang dihitung dengan nilai kritis dari distribusi \(t\) dengan derajat kebebasan (\(df = n-2\)) pada tingkat signifikansi \(\alpha\) (biasanya 0.05).
- Jika \(|t| > t_{\text{kritikal}}\): Tolak \(H_0\).
- Jika \(|t| \leq t_{\text{kritikal}}\): Gagal menolak \(H_0\).
5. Hitung Nilai P
Gunakan tabel distribusi \(t\) atau perangkat lunak statistik untuk menentukan nilai \(p\).
Contoh Penyelesaian
Misalkan dari data, diperoleh:
- \(n = 300\)
- \(\bar{x} = 1500\), \(\bar{y} = 8000\)
- \(s_x = 200\), \(s_y = 3000\)
- \(r = -0.108\)
Hitung \(t\):
\[ t = -0.108 \cdot \sqrt{\frac{300-2}{1-(-0.108)^2}} = -1.872 \]
Bandingkan dengan \(t_{\text{kritikal}}\) (df = 298, \(\alpha = 0.05\)):
- Nilai kritis \(t\) (two-tailed) sekitar 1.968.
- Karena \(|t| = 1.872 < 1.968\), gagal menolak \(H_0\).
Kesimpulan: Tidak ada hubungan signifikan antara Biaya Promosi ($) dan Penjualan (unit) pada tingkat signifikansi 5%.
| Statistik | Nilai | |
|---|---|---|
| cor | Koefisien Korelasi (r) | -0.1083683 |
| t | Nilai t | -1.8818092 |
| df | df | 298.0000000 |
| P-value | 0.0608364 |
5. Analisis Data Kategorik
1. Distribusi Penjualan Berdasarkan Jenis Outlet
Langkah perhitungan manual: 1. Jumlahkan Penjualan Berdasarkan Jenis Outlet:
- Contoh Data:
| Jenis Outlet | Penjualan (unit) |
|---|---|
| Modern | 10,000 |
| Tradisional | 15,000 |
| Modern | 20,000 |
| Tradisional | 25,000 |
- Modern: \(10,000 + 20,000 =
30,000\)
Tradisional: \(15,000 + 25,000 = 40,000\)
Hitung Total Penjualan: \[ \text{Total Penjualan} = 30,000 + 40,000 = 70,000 \]
Hitung Distribusi Persentase:
- Modern: \[ \frac{30,000}{70,000} \times 100 = 42.86\% \]
- Tradisional: \[ \frac{40,000}{70,000} \times 100 = 57.14\% \]
Hasil untuk Data Anda:
- Modern: 1,553,833 unit (49.47%)
- Tradisional: 1,586,816 unit (50.53%)
| Distribusi Penjualan Berdasarkan Jenis Outlet | ||
| Jenis_Outlet | Total_Penjualan | Persentase |
|---|---|---|
| Modern | 1,553,833.00 | 49.47 |
| Tradisional | 1,586,816.00 | 50.53 |
| Kota | Total_Pendapatan |
|---|---|
| Bekasi | 6197910 |
| Bogor | 5871510 |
| Depok | 6643740 |
| Jakarta | 6442780 |
| Tangerang | 6250550 |
| term | estimate | std.error | statistic | p.value |
|---|---|---|---|---|
| (Intercept) | 108238.885405 | 7387.205601 | 14.6522097 | 0.0000000 |
| Biaya.Promosi…. | -5.470572 | 2.778851 | -1.9686456 | 0.0499266 |
| Diskon…. | 467.188189 | 393.363601 | 1.1876752 | 0.2359136 |
| Jenis_Outlet_Dummy | 1878.498936 | 3499.924484 | 0.5367256 | 0.5918604 |
Kategori Produk
##
## Kesehatan Makanan Minuman
## 83 103 114
## Df Sum Sq Mean Sq F value Pr(>F)
## Kategori.Produk 2 2.753e+07 13764881 1.494 0.226
## Residuals 297 2.737e+09 9216270Analisis Kategori produk
Dari uji ANOVA, hasil menunjukkan bahwa tidak ada perbedaan signifikan dalam rata-rata penjualan antara kategori produk (Makanan, Minuman, Kesehatan). Berikut adalah interpretasinya:
- Statistik F yang kecil (1.494) mengindikasikan bahwa variasi antar kategori (antara Makanan, Minuman, dan Kesehatan) relatif kecil dibandingkan dengan variasi dalam kategori masing-masing.
- p-value sebesar 0.226 lebih besar dari tingkat signifikansi yang umum digunakan (α = 0.05). Ini berarti kita tidak memiliki cukup bukti untuk menyimpulkan bahwa perbedaan rata-rata penjualan antara kategori produk adalah nyata atau signifikan.
Implikasi
- Strategi Penjualan: Karena tidak ada kategori yang secara signifikan lebih unggul dalam penjualan rata-rata, perusahaan dapat memprioritaskan semua kategori secara seimbang dalam strategi pemasaran.
- Penelitian Lanjutan: Perlu analisis tambahan untuk memahami faktor lain yang mungkin memengaruhi penjualan, seperti lokasi, jenis outlet, atau promosi.
Kesimpulannya, dari sisi data ini, penjualan setiap kategori produk menunjukkan kinerja yang relatif serupa.
6. Model Prediksi Pendapatan
## [1] "Total Pendapatan per Kota:"## Kota Pendapatan
## 1 Bekasi 72110
## 2 Bogor 113940
## 3 Depok 94000
## 4 Jakarta 103920
## 5 Tangerang 44750##
## Call:
## lm(formula = Pendapatan ~ Biaya_Promosi + Diskon + Jenis_Outlet_Dummy,
## data = data)
##
## Residuals:
## 1 2 3 4 5
## 25490 10038 14734 -24772 -25490
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 137969.94 94803.70 1.455 0.383
## Biaya_Promosi -46.86 85.84 -0.546 0.682
## Diskon 1795.09 6984.79 0.257 0.840
## Jenis_Outlet_Dummy 4248.70 45409.31 0.094 0.941
##
## Residual standard error: 47230 on 1 degrees of freedom
## Multiple R-squared: 0.2709, Adjusted R-squared: -1.916
## F-statistic: 0.1238 on 3 and 1 DF, p-value: 0.9344##
## R-squared: 0.2709 (27.09%)7. Interpretasi Bisnis
Berikut adalah rekomendasi strategi pemasaran per kota berdasarkan analisis data dan dampak dari faktor-faktor pemasaran yang tersedia:
1. Rekomendasi Strategi Pemasaran Per Kota
Berdasarkan total pendapatan yang dihitung: - Depok memiliki pendapatan tertinggi, diikuti oleh Jakarta dan Tangerang. Strategi pemasaran di kota-kota ini dapat difokuskan untuk mempertahankan keunggulan pasar. - Bogor memiliki pendapatan terendah. Ini menunjukkan perlunya strategi agresif untuk meningkatkan penjualan di kota ini, seperti penawaran diskon khusus atau promosi yang lebih intensif. - Bekasi menunjukkan potensi pertumbuhan yang signifikan. Fokus pada peningkatan penetrasi pasar dengan strategi promosi yang tepat.
2. Dampak dan Strategi untuk Faktor-Faktor Pemasaran
a. Pengoptimalan Diskon
- Hasil Analisis: Diskon memiliki koefisien positif dalam model regresi, tetapi tidak signifikan secara statistik. Ini menunjukkan bahwa diskon cenderung meningkatkan pendapatan, tetapi pengaruhnya tidak kuat.
- Strategi:
- Gunakan diskon secara selektif untuk produk dengan margin tinggi.
- Terapkan diskon berbasis volume untuk mendorong pembelian dalam jumlah besar.
- Lakukan uji coba diskon di kota dengan pendapatan rendah (seperti Bogor) untuk melihat dampaknya terhadap penjualan.
b. Alokasi Anggaran Promosi
- Hasil Analisis: Biaya promosi memiliki koefisien negatif dan hampir signifikan. Ini menunjukkan bahwa pengeluaran promosi yang tinggi tidak selalu menghasilkan peningkatan pendapatan.
- Strategi:
- Optimalkan pengeluaran promosi dengan fokus pada saluran yang memberikan hasil terbaik (misalnya, digital marketing atau promosi lokal).
- Kurangi promosi di kota dengan kinerja baik (seperti Depok) dan alokasikan ke kota dengan potensi pertumbuhan (seperti Bogor atau Bekasi).
- Gunakan promosi berbasis data untuk menargetkan segmen pelanggan yang lebih spesifik.
c. Distribusi Penjualan ke Jenis Outlet Tertentu
- Hasil Analisis: Jenis outlet (Modern vs. Tradisional) tidak memiliki pengaruh signifikan terhadap pendapatan.
- Strategi:
- Fokus pada outlet modern untuk produk dengan margin tinggi dan kategori premium.
- Tingkatkan kerja sama dengan outlet tradisional untuk menjangkau segmen pelanggan yang sensitif terhadap harga.
- Diversifikasi distribusi ke kedua jenis outlet untuk meminimalkan risiko ketergantungan pada satu saluran.
3. Rekomendasi Umum
- Analisis Performa Per Kota:
- Lakukan analisis lebih lanjut untuk memahami faktor-faktor spesifik yang memengaruhi penjualan di setiap kota, seperti preferensi pelanggan lokal.
- Segmentasi Pelanggan:
- Gunakan data pelanggan untuk menciptakan strategi pemasaran yang lebih tersegmentasi, seperti kampanye khusus untuk pelanggan loyal.
- Evaluasi ROI Promosi:
- Monitor pengembalian investasi (ROI) dari setiap aktivitas promosi untuk memastikan efisiensi anggaran.
- Kombinasi Diskon dan Promosi:
- Gabungkan strategi diskon dengan promosi kreatif (misalnya, bundling produk) untuk meningkatkan daya tarik tanpa mengorbankan margin keuntungan.
---
title: "UAS Statistika Dasar"
subtitle: "Rangkuman Materi & Studi Kasus"
author: 

  - "NOVA SITORUS"
  - "LUTHFI AKHYAR HASIBUAN" 
  - "CHELLO FRHINO MIKE. M"
  
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
---
<style>
  body {
    text-align: justify;
  }
</style>

<img src="logo.jpeg" alt="Logo" style="width:500px; display: block; margin: auto;"/>


# **Soal 1 Rangkuman Materi Statistika Dasar**

## **1. Pengertian Statistika**  
Statistika adalah cabang ilmu yang mempelajari teknik pengumpulan, pengolahan, analisis, dan interpretasi data sehingga menghasilkan informasi yang berguna dalam berbagai pengambilan keputusan. Ilmu ini memainkan peran penting di banyak bidang, seperti ekonomi, kesehatan, pendidikan, dan teknologi, untuk memahami pola atau tren yang terdapat dalam data.


### **Perbedaan Statistika Deskriptif dan Statistika Inferensial**  

1. **Statistika Deskriptif**  
   - **Definisi**: Cabang statistika yang berfokus pada penyajian dan peringkasan data yang telah dikumpulkan, tanpa mencoba membuat prediksi atau generalisasi.  
   - **Tujuan**: Memberikan gambaran jelas mengenai data menggunakan tabel, grafik, atau pengukuran seperti rata-rata, median, modus, dan standar deviasi.  
   - **Contoh**: Menghitung rata-rata nilai ujian siswa di suatu kelas.

2. **Statistika Inferensial**  
   - **Definisi**: Cabang statistika yang menggunakan data dari sampel untuk menarik kesimpulan atau membuat prediksi tentang populasi yang lebih luas.  
   - **Tujuan**: Menerapkan metode seperti pengujian hipotesis atau estimasi parameter untuk menghasilkan generalisasi.  
   - **Contoh**: Menggunakan survei pada sekelompok kecil orang untuk memperkirakan preferensi seluruh penduduk kota.
   

### **Jenis Data dalam Statistika**  

1. **Data Numerik (Kuantitatif)**  
  Data numerik adalah data berbentuk angka yang dapat diukur atau dihitung.  
   - **Kategori**:  
     - **Diskret**: Data berupa bilangan tertentu yang diperoleh dari hasil perhitungan (misalnya jumlah siswa di kelas).  
     - **Kontinu**: Data berupa angka dalam rentang tertentu yang berasal dari pengukuran (misalnya tinggi badan, berat badan).  
   - **Contoh**:  
     - Jumlah kendaraan di parkiran (diskret).  
     - Berat badan seseorang dalam kilogram (kontinu).

2. **Data Kategorik (Kualitatif)**  
  Data kategorik adalah data yang berbentuk kategori atau label, bukan angka.  
   - **Kategori**:  
     - **Nominal**: Data kategorik tanpa urutan tertentu (contoh: warna favorit, jenis kelamin).  
     - **Ordinal**: Data kategorik dengan urutan tertentu, meskipun jaraknya tidak dapat diukur (contoh: tingkat pendidikan, skala kepuasan).  
   - **Contoh**:  
     - Warna baju (nominal).  
     - Tingkat kepuasan pelanggan (ordinal, seperti puas, cukup puas, tidak puas).


### **Perbedaan Data Numerik dan Kategorik**  

| **Aspek**               | **Data Numerik**                    | **Data Kategorik**                 |
|-------------------------|-------------------------------------|------------------------------------|
| **Bentuk Data**         | Angka                               | Kategori atau label                |
| **Operasi Matematika**  | Bisa dilakukan (misalnya rata-rata) | Tidak bisa dilakukan               |
| **Contoh**              | Usia seseorang (25 tahun)           | Status pernikahan (lajang/menikah) |  

## **2.Ukuran Pemusatan dan Penyebaran Data**

### Tabel Penjelasan

| **Ukuran**| **Pengertian**              | **Kapan Digunakan**                 | **Contoh**                                                                                              |
|-----------|-----------------------------|-------------------------------------|---------------------------------------|
| **Mean (Rata-rata)**     | Hasil pembagian total nilai dalam dataset dengan jumlah observasi.| Tidak cocok jika ada outlier, karena nilai ekstrem dapat memengaruhi rata-rata secara signifikan. | Dalam kelompok dengan satu individu berpenghasilan sangat tinggi, rata-rata pendapatan menjadi bias.   |
| **Median**               | Nilai tengah dari dataset yang telah diurutkan. Jika jumlah data genap, median adalah rata-rata dua nilai tengah. | Cocok untuk dataset yang memiliki outlier, karena median tidak terpengaruh oleh nilai ekstrem.         | Median penghasilan mencerminkan pendapatan tipikal saat ada orang dengan penghasilan sangat tinggi.    |
| **Modus**                | Nilai yang paling sering muncul dalam dataset.                                                             | Relevan untuk data kategorik atau untuk mengetahui nilai yang paling sering muncul dalam data.          | Ukuran pakaian yang paling banyak terjual, misalnya "L".                                               |
| **Standar Deviasi**      | Mengukur seberapa jauh data menyebar dari rata-rata.                                                       | Standar deviasi kecil menunjukkan data homogen, sedangkan standar deviasi besar mengindikasikan variasi besar. | Standar deviasi nilai ujian kecil berarti siswa memiliki nilai yang mirip; besar berarti nilai bervariasi. |

## **3. Visualisasi Data**

1. **Histogram**  
   - **Apa itu?** Grafik ini mirip dengan diagram batang tetapi khusus untuk data angka. Histogram menunjukkan jumlah data dalam setiap kelompok nilai tertentu (disebut interval atau bin).  
   - **Tujuan dan Kegunaan:**  
     - Memahami **pola distribusi** data, misalnya apakah datanya cenderung normal (seimbang) atau condong ke salah satu sisi (kemiringan).  
     - Membantu melihat sebaran nilai, seperti berapa banyak siswa yang mendapat nilai di rentang 60-70, 70-80, dan seterusnya.  
     - Berguna untuk menganalisis data kuantitatif, seperti tinggi badan, berat badan, atau nilai ujian.
   - **Contoh:**
```{r,echo=FALSE,message=FALSE,warning=FALSE}
# Memuat library
library(plotly)

# Data penjualan untuk Cabang A dan Cabang B
data_cabang <- data.frame(
  Penjualan = c(50, 55, 60, 65, 70, 45, 58, 60, 75, 80),  # Data gabungan
  Cabang = rep(c("Cabang A", "Cabang B"), each = 5)        # Menentukan cabang
)

# Membuat histogram untuk Cabang A dan B
plot_a <- plot_ly(
  data_cabang,
  x = ~Penjualan,
  color = ~Cabang,             # Warna berbeda untuk setiap cabang
  type = "histogram"
) %>%
  layout(
    title = "Histogram Penjualan Cabang A dan B",
    xaxis = list(
      title = "Penjualan (juta rupiah)", 
      range = c(40, 85)  # Rentang sumbu X
    ),
    yaxis = list(title = "Frekuensi"),  # Label sumbu Y
    barmode = "group"                   # Menampilkan batang secara terpisah
  )

# Menampilkan plot
plot_a


```


2. **Boxplot**  
   - **Apa itu?** Grafik sederhana berbentuk kotak dengan garis di tengahnya. Boxplot menunjukkan nilai-nilai penting, seperti nilai tertinggi, terendah, tengah (median), dan apakah ada nilai yang jauh berbeda (outlier).  
   - **Tujuan dan Kegunaan:**  
     - Melihat **penyebaran data** dengan cepat, apakah datanya terkumpul rapat atau tersebar luas.  
     - Mengidentifikasi **outlier**, yaitu nilai-nilai ekstrem yang berbeda jauh dari data lainnya.  
     - Cocok untuk membandingkan beberapa kelompok data, seperti membandingkan nilai ujian siswa di kelas yang berbeda. 
   - **Contoh:**
```{r,echo=FALSE,message=FALSE,warning=FALSE}
# Memuat library
library(plotly)

# Data penjualan untuk Cabang A dan Cabang B
data_cabang <- data.frame(
  Penjualan = c(50, 55, 60, 65, 70, 45, 58, 60, 75, 80),  # Data gabungan
  Cabang = rep(c("Cabang A", "Cabang B"), each = 5)        # Menentukan cabang
)

# Membuat boxplot untuk Cabang A dan B
boxplot <- plot_ly(
  data_cabang,
  y = ~Penjualan,
  x = ~Cabang,              # Memisahkan data berdasarkan cabang
  type = "box",
  boxpoints = "all",        # Menampilkan semua titik data
  jitter = 0.3,             # Menambahkan sedikit jarak antara titik
  pointpos = -1.5           # Mengatur posisi titik data
) %>%
  layout(
    title = "Boxplot Penjualan Cabang A dan B",
    xaxis = list(title = "Cabang"),         # Label sumbu X
    yaxis = list(title = "Penjualan (juta rupiah)")  # Label sumbu Y
  )

# Menampilkan plot
boxplot

```


3. **Diagram Batang**  
   - **Apa itu?** Grafik ini terdiri dari batang-batang yang mewakili kategori data. Panjang batang menunjukkan jumlah atau frekuensi data dalam setiap kategori.  
   - **Tujuan dan Kegunaan:**  
     - Menampilkan **perbandingan antar kategori** dengan jelas, seperti jumlah siswa di jurusan IPA, IPS, dan Bahasa.  
     - Mempermudah analisis data kategorik, misalnya melihat produk mana yang paling laris di sebuah toko.  
     - Membantu membuat keputusan dengan membandingkan data secara visual.  

Semua grafik ini dirancang untuk mempermudah pemahaman data, baik angka maupun kategori, sehingga kita dapat mengambil kesimpulan lebih cepat dan akurat.
  - **Contoh**

```{r,echo=FALSE,message=FALSE,warning=FALSE}
# Memuat library
library(plotly)

# Data penjualan untuk Cabang A dan Cabang B
data_cabang <- data.frame(
  Cabang = c("Cabang A", "Cabang B"),
  Total_Penjualan = c(
    sum(c(50, 55, 60, 65, 70)),  # Total penjualan Cabang A
    sum(c(45, 58, 60, 75, 80))   # Total penjualan Cabang B
  )
)

# Membuat diagram batang untuk total penjualan
bar_chart <- plot_ly(
  data_cabang,
  x = ~Cabang,                  # Sumbu X berdasarkan cabang
  y = ~Total_Penjualan,         # Sumbu Y berdasarkan total penjualan
  type = "bar",
  text = ~Total_Penjualan,      # Menampilkan nilai total di atas batang
  textposition = "outside",     # Posisi teks di luar batang
  marker = list(color = c("#636EFA", "#EF553B"))  # Warna batang
) %>%
  layout(
    title = "Diagram Batang Total Penjualan per Cabang",
    xaxis = list(title = "Cabang"),                # Label sumbu X
    yaxis = list(title = "Total Penjualan (juta rupiah)")  # Label sumbu Y
  )

# Menampilkan plot
bar_chart

```

## **4. Analisis Korelasi**
  **Korelasi** adalah ukuran statistik yang menunjukkan sejauh mana dua variabel saling terkait secara linear (artinya keduanya berubah secara bersamaan pada tingkat yang konstan). Ini adalah alat umum untuk menggambarkan hubungan sederhana tanpa membuat pernyataan tentang sebab dan akibat.

### **Jenis Korelasi**
**1. Korelasi Positif**
Korelasi positif terjadi ketika kedua variabel bergerak dalam arah yang sama. Artinya, jika satu variabel meningkat, variabel lainnya juga cenderung meningkat.

  **Contoh**: Jumlah jam belajar dan nilai ujian. Semakin banyak seseorang belajar, semakin tinggi kemungkinan nilainya meningkat.

**2. Korelasi Negatif**
Korelasi negatif terjadi ketika kedua variabel bergerak dalam arah yang berlawanan. Artinya, jika satu variabel meningkat, variabel lainnya cenderung menurun.

  **Contoh**: Jumlah penggunaan kendaraan pribadi dan kualitas udara. Semakin banyak kendaraan yang digunakan, kualitas udara cenderung menurun.

**3. Korelasi Nol**
Korelasi nol terjadi ketika tidak ada hubungan antara dua variabel. Artinya, perubahan dalam satu variabel tidak memengaruhi variabel lainnya.

  **Contoh**: Tinggi badan seseorang dan skor ujian matematika. Tidak ada hubungan yang jelas antara kedua variabel ini.


## **5. Uji Hipotesis**
  Dalam **pengujian hipotesis**, fokus utama adalah menilai apakah data cukup kuat untuk menolak 𝐻0 dan mendukung 𝐻𝑎. Pengujian ini dilakukan dengan menggunakan statistik uji dan membandingkan nilai probabilitas (𝑝-value) terhadap tingkat signifikansi (𝛼). Berikut adalah langkah-langkah utama dalam melakukan uji hipotesis:

**1. Merumuskan Hipotesis** 
Dalam pengujian hipotesis, terdapat dua jenis kesalahan yang dapat terjadi:

* Kesalahan Tipe I (𝛼):
Terjadi ketika hipotesis nol (𝐻0) ditolak padahal sebenarnya 𝐻0 benar. Kesalahan ini sering disebut false positive dan tingkat kejadiannya diwakili oleh tingkat signifikansi (𝛼), misalnya 0,05 (5%).

* Kesalahan Tipe II (𝛽):
Terjadi ketika hipotesis nol (𝐻0) tidak ditolak padahal sebenarnya hipotesis alternatif (𝐻𝑎) benar. Kesalahan ini dikenal sebagai false negative, dan probabilitas untuk tidak melakukan kesalahan tipe II disebut kekuatan uji atau power of the test (1 − 𝛽). 

**2. Menentukan Tingkat Signifikansi (α)**

Tingkat signifikansi adalah probabilitas kesalahan yang dapat diterima dalam menolak H0 padahal H0 benar. Biasanya, nilai α yang digunakan adalah 0,05 (5%) atau 0,01 (1%).

**3. Memilih Uji Statistik yang Sesuai**

Pilih uji statistik berdasarkan jenis data dan tujuan penelitian:

* Uji-z atau uji-t: Untuk membandingkan rata-rata populasi.

* Uji-chi-square (χ²): Untuk menguji hubungan antara variabel kategori.

* Uji ANOVA: Untuk membandingkan rata-rata lebih dari dua kelompok.

* Uji regresi: Untuk analisis hubungan antar variabel.

**4. Menentukan Nilai Kritikal atau p-value**

Nilai-𝑝 adalah probabilitas yang menunjukkan seberapa konsisten data sampel dengan 𝐻0. Nilai ini menggambarkan kemungkinan mendapatkan hasil sampel yang ekstrem atau lebih ekstrem dari hasil yang diamati, dengan asumsi bahwa 𝐻0 benar. Semakin kecil nilai-𝑝, semakin kuat bukti untuk menolak 𝐻0.

* Hitung nilai statistik uji berdasarkan data sampel.

* Bandingkan nilai statistik uji dengan nilai kritikal dari tabel distribusi yang relevan, atau gunakan p-value untuk menentukan signifikansi.

**5. Membuat Keputusan dan Menyimpulkan Hasil**

* Jika nilai statistik uji berada di luar rentang nilai kritikal (atau jika p-value ≤ α), maka tolak H0.

* Jika nilai statistik uji berada dalam rentang nilai kritikal (atau jika p-value > α), maka gagal menolak H0. 

* Tulis kesimpulan dalam konteks penelitian.

Aturan Keputusan:

* Jika 𝑝 ≤ 𝛼: Tolak 𝐻0 (data memberikan bukti signifikan mendukung 𝐻𝑎).

* Jika 𝑝 > 𝛼: Gagal menolak 𝐻0 (data tidak cukup untuk mendukung 𝐻𝑎).


### Alasan mengapa Hipotesis penting dalam analisis data:
1. **Membantu Membuat Keputusan Berdasarkan Data**

Uji hipotesis memungkinkan pengambilan keputusan yang didukung oleh bukti statistik, bukan hanya berdasarkan intuisi atau asumsi.

2. **Mengevaluasi Klaim atau Teori**

Uji hipotesis digunakan untuk menguji kebenaran klaim atau teori yang diajukan.

3. **Mengukur Ketidakpastian**

Dalam analisis data, selalu ada unsur ketidakpastian karena data biasanya berasal dari sampel, bukan populasi seluruhnya.

4. **Meningkatkan Kepercayaan pada Hasil**

Dengan menggunakan uji hipotesis, hasil analisis menjadi lebih dapat dipercaya, karena didukung oleh metode ilmiah dan statistik yang telah teruji.

## **6. Penggunaan Software Statistika**

### **Tools untuk Analisis Statistika**

- SPSS (Statistical Package for the Social Sciences)
- R Programming
- Python
- Stata
- MATLAB
- Excel
- SAS

### **Keunggulan R Programming**
R Programming merupakan salah satu alat yang sangat kuat dan fleksibel untuk analisis statistik. Berikut adalah beberapa keunggulan dari R:

- **Open-source dan Gratis:** R adalah perangkat lunak yang dapat diunduh dan digunakan secara gratis, membuatnya sangat terjangkau bagi individu dan institusi.
- **Komunitas Besar:** R memiliki komunitas pengguna yang luas, yang berkontribusi dengan ribuan paket dan pustaka untuk analisis data lanjutan, pemodelan statistik, dan visualisasi data kompleks14.
- **Kemampuan Analisis Canggih:** R menawarkan berbagai metode analisis statistik, termasuk analisis regresi, analisis multivariat, dan teknik pemodelan prediktif. Ini memungkinkan pengguna untuk melakukan analisis yang mendalam dan kompleks16.
- **Visualisasi Data:** Dengan paket seperti ggplot2, R menyediakan alat yang sangat baik untuk membuat visualisasi data yang menarik dan informatif24.
- **Fleksibilitas dalam Pemrograman:** Meskipun memerlukan pemahaman tentang pemrograman, R memberikan fleksibilitas tinggi dalam pengolahan data dan analisis statistik13.

Karena keunggulan-keunggulan ini, R menjadi pilihan populer di kalangan peneliti, analis data, dan ilmuwan di berbagai bidang.

## **7. Interpretasi Statistik** 

Untuk menganalisis dan menginterpretasikan hasil dari data yang diberikan, mari kita lihat nilai-nilai statistik yang telah disediakan:

Mean (Rata-rata): 75

Median: 72

Standar Deviasi: 10

1. **Interpretasi Hasil**
- **Mean vs. Median:**
Rata-rata (mean) sebesar 75 menunjukkan nilai rata-rata dari seluruh data. Median sebesar 72 adalah nilai tengah ketika data diurutkan. Dalam hal ini, median yang lebih rendah dari mean menunjukkan bahwa ada kemungkinan adanya skewness (kemiringan) dalam distribusi data.
- **Standar Deviasi:**
Standar deviasi sebesar 10 menunjukkan seberapa jauh nilai-nilai dalam dataset tersebar dari rata-ratanya. Nilai ini menunjukkan bahwa terdapat variasi yang cukup signifikan dalam data.

2. **Kesimpulan tentang Distribusi Data**

Berdasarkan perbandingan antara mean dan median, serta informasi tentang standar deviasi, kita dapat menarik beberapa kesimpulan tentang distribusi data:

- **Kemiringan Positif:** Karena mean (75) lebih besar daripada median (72), ini mengindikasikan bahwa distribusi data kemungkinan memiliki kemiringan positif (right-skewed). Artinya, terdapat beberapa nilai yang lebih tinggi yang menarik rata-rata ke atas.

- **Variabilitas Data:** Standar deviasi yang cukup besar (10) menunjukkan bahwa data tidak hanya terpusat di sekitar mean tetapi juga memiliki penyebaran yang luas. Ini berarti ada variasi yang signifikan dalam nilai-nilai individu dalam dataset.

**Ringkasan**

Secara keseluruhan, distribusi data ini tampaknya memiliki kemiringan positif dengan variasi yang cukup besar. Hal ini penting untuk dipertimbangkan dalam analisis lebih lanjut, terutama jika kita ingin melakukan inferensi atau membuat keputusan berdasarkan data ini.

```{r,echo=FALSE,message=FALSE,warning=FALSE}

# Memuat library yang dibutuhkan
library(ggplot2)
library(plotly)

# Parameter Data Normal
mean_normal <- 0
sd_normal <- 1
n_normal <- 1000

# Parameter Data Tidak Normal
mean_not_normal <- 1
sd_not_normal <- 0.5
n_not_normal <- 1000

# Membuat data simulasi
set.seed(42)  # Untuk hasil yang konsisten
data_normal <- rnorm(n_normal, mean = mean_normal, sd = sd_normal)
data_not_normal <- rnorm(n_not_normal, mean = mean_not_normal, sd = sd_not_normal)

# Gabungkan data ke dalam satu data frame
data <- data.frame(
  nilai = c(data_normal, data_not_normal),
  kategori = c(rep("Data Normal", n_normal), rep("Data Tidak Normal", n_not_normal))
)

# Membuat histogram dengan ggplot2, mengganti warna dan gaya visual
p <- ggplot(data, aes(x = nilai, fill = kategori)) +
  # Menggunakan histogram dengan warna yang berbeda
  geom_histogram(binwidth = 0.2, position = "identity", alpha = 0.6, color = "black", size = 0.2) +
  scale_fill_manual(values = c("skyblue", "orange")) +  # Mengganti warna
  labs(
    title = "Histogram Data Normal dan Tidak Normal",
    x = "Nilai",
    y = "Frekuensi"
  ) +
  theme_minimal(base_size = 15) +
  theme(
    plot.title = element_text(hjust = 0.5, size = 20, face = "bold"),
    axis.title = element_text(size = 16),
    axis.text = element_text(size = 12),
    legend.title = element_text(size = 14),
    legend.text = element_text(size = 12)
  )

# Menambahkan interaktivitas dengan plotly
p_interactive <- ggplotly(p)

# Menampilkan grafik interaktif
p_interactive

```


## **8. Contoh Kasus**

### 1. Deskripsi Data (Deskriptif)

#### Kelompok A (Jam Pelatihan, X):

*Data*: 2, 4, 6, 8, 10  

*Rata-rata (X-bar)*:  
\[
\bar{X} = \frac{\sum X}{n} = \frac{2 + 4 + 6 + 8 + 10}{5} = 6.0
\]

*Standar deviasi (s)*:  
\[
s = \sqrt{\frac{\sum (X_i - \bar{X})^2}{n-1}}
\]
\[
s = \sqrt{\frac{(2-6)^2 + (4-6)^2 + (6-6)^2 + (8-6)^2 + (10-6)^2}{4}} = 3.16
\]


#### Kelompok A (Produktivitas, Y):

*Data*: 55, 60, 65, 70, 75  

*Rata-rata (Ȳ)*:  
\[
\bar{Y} = \frac{55 + 60 + 65 + 70 + 75}{5} = 65.0
\]

*Standar deviasi (s)*:  
\[
s = \sqrt{\frac{\sum (Y_i - \bar{Y})^2}{n-1}}
\]
\[
s = \sqrt{\frac{(55-65)^2 + (60-65)^2 + (65-65)^2 + (70-65)^2 + (75-65)^2}{4}} = 7.91
\]


#### Kelompok B (Produktivitas, Y):

*Data*: 50, 52, 53, 54, 55  

*Rata-rata (Ȳ)*:  
\[
\bar{Y} = \frac{50 + 52 + 53 + 54 + 55}{5} = 52.8
\]

*Standar deviasi (s)*:  
\[
s = \sqrt{\frac{\sum (Y_i - \bar{Y})^2}{n-1}}
\]
\[
s = \sqrt{\frac{(50-52.8)^2 + (52-52.8)^2 + (53-52.8)^2 + (54-52.8)^2 + (55-52.8)^2}{4}} = 1.92
\]


### 2. Korelasi antara Jam Pelatihan (X) dan Produktivitas (Y) pada Kelompok A

*Rumus korelasi Pearson*:  
\[
r = \frac{\sum{(X_i - \bar{X})(Y_i - \bar{Y})}}{\sqrt{\sum{(X_i - \bar{X})^2} \cdot \sum{(Y_i - \bar{Y})^2}}}
\]

#### Langkah-Langkah:
1. *Penyebut*:  
\[
\sum (X_i - \bar{X})^2 = (2-6)^2 + (4-6)^2 + (6-6)^2 + (8-6)^2 + (10-6)^2 = 40
\]
\[
\sum (Y_i - \bar{Y})^2 = (55-65)^2 + (60-65)^2 + (65-65)^2 + (70-65)^2 + (75-65)^2 = 250
\]

2. *Pembilang*:  
\[
\sum (X_i - \bar{X})(Y_i - \bar{Y}) = (2-6)(55-65) + (4-6)(60-65) + \dots + (10-6)(75-65) = 100
\]

3. *Korelasi (r)*:  
\[
r = \frac{100}{\sqrt{40 \cdot 250}} = 1.0
\]

*Interpretasi*:  
Korelasi sempurna positif antara jam pelatihan dan produktivitas.


### 3. Uji Hipotesis untuk Membandingkan Produktivitas Kelompok A dan B

*Hipotesis*:  
- H₀: μ_A = μ_B (Rata-rata produktivitas sama).  
- H₁: μ_A > μ_B (Rata-rata produktivitas Kelompok A lebih besar).

#### Langkah-Langkah:
1. *Data Rata-rata dan Standar Deviasi*:  
   - Kelompok A: X̄_A = 65.0, s_A = 7.91, n_A = 5  
   - Kelompok B: X̄_B = 52.8, s_B = 1.92, n_B = 5

2. *Varians Gabungan (sₚ²)*:  
\[
s_p^2 = \frac{(n_A-1)s_A^2 + (n_B-1)s_B^2}{n_A + n_B - 2}
\]
\[
s_p^2 = \frac{(5-1)(7.91^2) + (5-1)(1.92^2)}{5+5-2} = 32.23
\]

3. *Statistik t*:  
\[
t = \frac{\bar{X}_A - \bar{X}_B}{\sqrt{s_p^2 \left(\frac{1}{n_A} + \frac{1}{n_B}\right)}}
\]
\[
t = \frac{65.0 - 52.8}{\sqrt{32.23 \left(\frac{1}{5} + \frac{1}{5}\right)}} = 3.35
\]

4. *Nilai p*:  
Dengan p = 0.005, H₀ ditolak.

*Kesimpulan*:  
Rata-rata produktivitas Kelompok A secara signifikan lebih besar daripada Kelompok B (p < 0.05).


## **9. Kesimpulan**
menganalisis, dan menarik kesimpulan dari informasi yang tersedia. Melalui metode statistik, kita dapat mengidentifikasi pola dan tren yang mungkin tidak terlihat pada pandangan pertama, serta membuat keputusan yang lebih informasional berdasarkan analisis tersebut.

Statistika dasar dapat diterapkan dalam kehidupan sehari-hari dan di tempat kerja dengan berbagai cara, seperti:

- Pengambilan Keputusan: Di dunia bisnis, analisis data membantu kita memahami produk mana yang paling diminati dan preferensi konsumen, sehingga keputusan strategis dapat diambil.

- Evaluasi Kinerja: Dalam konteks profesional, kita dapat memanfaatkan statistika untuk menilai kinerja karyawan, mengevaluasi hasil proyek, atau menganalisis tingkat kepuasan pelanggan.

- Perencanaan Keuangan: Dalam kehidupan sehari-hari, penggunaan statistika dapat membantu kita mengatur anggaran, seperti dengan menganalisis pengeluaran bulanan untuk mengetahui area yang perlu ditingkatkan.

- Secara keseluruhan, pemahaman dasar tentang statistika memungkinkan kita untuk lebih efektif dalam menilai situasi, mengambil keputusan yang lebih baik, dan memahami fenomena di sekitar kita.

## 10. Mind Map

<style>
  body {
    text-align: justify;
  }
</style>

<img src="Mind Map UAS.jpg" alt="Logo" style="width:500px; display: block; margin: auto;"/>


# **Soal 2 Studi Kasus**

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 Awal**

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.

```{r, massage=FALSE, echo=FALSE}
# Memuat dataset dari CSV
data <- read.csv("Penjualan_ABC_JABODETABEK.csv")

# Menampilkan data awal dengan kable
head(data)
```


## **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.

### **1. langkah-langkah Perhitungan**


**Rumus:**

#### 1. Menghitung Rata-rata (Mean):
Rumus:
\[
\text{Rata-rata} = \frac{\text{Jumlah semua nilai}}{\text{Jumlah data}}
\]

##### Menghitung Rata-rata Penjualan Kota Jakarta (2018)
Data Penjualan Kota Jakarta(2018): 

$10392, 11462, 9717, 12353, 10551, 9957, 10408, 14005, 6001, 11093, 10860, 8217$


Langkah-langkah:
1. Hitung jumlah semua nilai:

$10392+11462+9717+12353+10551+9957+10408+14005+6001+11093+10860+8217=125016$

2. Hitung jumlah data:

Jumlah Data = 12

3. Masukkan ke rumus:

\[
\text{Rata-rata Penjualan Kota Jakarta (2018)} = \frac{125,016
}{12} = 10,418
\]

#### 2. Menghitung Nilai Tengah (Median):
Rumus (Ganjil):

\[
\text{Median} = \text{Nilai Posisi Median}
\]

Rumus (Genap):

\[
\text{Median} = \frac{\text{Nilai Posisi Median} = \frac{n}{2} + \frac{n}{2} + 1}{2}
\]

##### Menghitung Median Penjualan Kota Jakarta (2018)
Data Penjualan Kota Jakarta(2018) yang diurutkan: 

$6001, 8217, 9717, 9957, 10392, 10408, 10551, 10860, 11093, 11462, 12353, 14005$

Karena jumlah data ($𝑛= 12$) adalah genap, gunakan rumus untuk mecari posisi median:

\[
\text{Posisi Median} = \frac{n}{2} dan \frac{n}{2} + 1
\]

\[
\text{Posisi Median} = \frac{12}{2} dan \frac{12}{2} + 1
\]

\[
\text{Posisi Median} = \text{Data ke-6 dan Data ke-7}
\]

\[
\text{Data ke-6} = 10408, \text{Data ke-7} = 10551
\]

\[
\text{Median} = \frac{10408 + 10551}{2} = 10479.5
\]

#### 3. Menghitung Standar Deviasi:
Rumus:
\[
s = \sqrt{\frac{\sum (x_i - \bar{x})^2}{n-1}}
\]

Dimana:

- \(x_i\) = semua data yang akan dihitung
- \(\bar{X}\) = Mean (rata-rata)
- n = jumlah data

##### Menghitung Standar Deviasi Penjualan Kota Jakarta (2018)
Masukkan ke rumus:
\[
s = \sqrt{\frac{(10,392 - 10,418)^2 + ... + (8217 - 10,418)^2}{12-1}}
\]
\[
s = \sqrt{\frac{676 + ... + 4844401}{11}}
\]
\[
s = \sqrt{\frac{43428396}{11}}
\]
\[
s = \sqrt{3948036} = 1986.967
\]


### **1.2 Ringkasan Statistik (jakarta)**

| Variabel           | Mean  | Median | SD       |
|--------------------|-------|--------|----------|
| Penjualan.Unit     | 5400  | 5400   | 282.84   |
| Biaya.Promosi      | 1340  | 1400   | 232.38   |
| Rating.Pelanggan   | 4.7   | 4.7    | 0.16     |



#### **1.2.1 Identifikasi Kota dengan Pertumbuhan Penjualan Tertinggi dan Terendah Selama Periode 5 Tahun**

Berdasarkan data yang diberikan, kita dapat melihat bahwa untuk **Kota Bogor** dan **Kota Jakarta**, penjualan telah dihitung untuk setiap tahun dari 2018 hingga 2022. Pertumbuhan penjualan juga telah dihitung.

##### **1.2.2 Data yang Diberikan**

| Kota     | 2018 | 2019 | 2020 | 2021 | 2022 | Pertumbuhan (Growth) |
|----------|------|------|------|------|------|-----------------------|
| Bogor    | 3000 | 3200 | 3400 | 3600 | 3800 | 800                   |
| Jakarta  | 5000 | 5200 | 5400 | 5600 | 5800 | 800                   |

##### **1.2.3 Perhitungan:**

• Kota Bogor:

• Penjualan 2018: 3000 unit

• Penjualan 2022: 3800 unit

• Pertumbuhan Penjualan:

$$3800-3000 = 800 unit$$

• Kota Jakarta:

• Penjualan 2018: 5000 unit

• Penjualan 2022: 5800 unit

• Pertumbuhan Penjualan:

$$5800-5000 = 800 unit$$

##### **1.2.4 Hasil Analisis:**

- **Kota Jakarta** dan **Kota Bogor** memiliki pertumbuhan penjualan yang sama, yaitu **800 unit** dari tahun 2018 hingga 2022.

#### Pertumbuhan Penjualan (Growth)
Menunjukkan peningkatan penjualan selama periode 5 tahun yang sama antara kedua kota ini, dengan jumlah pertumbuhan yang identik meskipun nilai penjualan awal berbeda.

- **Jakarta** mengalami peningkatan yang lebih besar dalam penjualan produk selama periode 5 tahun (2018-2022) dengan total **5.000 unit**.
- **Bogor** meskipun juga mengalami peningkatan, namun pertumbuhannya lebih kecil dibandingkan Jakarta, yakni hanya **3.200 unit**.

##### Tabel Pertumbuhan Penjualan Per Kota (2018-2022)

| Kota     | 2018 | 2019 | 2020 | 2021 | 2022 | Growth |
|----------|------|------|------|------|------|--------|
| Bogor    | 3000 | 3200 | 3400 | 3600 | 3800 | 800    |
| Jakarta  | 5000 | 5200 | 5400 | 5600 | 5800 | 800    |


## **2. Pola dan Tren 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?

### Analisis Pola Tren Penjualan Tahunan

Menggunakan diagram garis untuk mempermudah analisis pola dan tren penjualan tahunan.


```{r, echo=FALSE, message=FALSE}
library(dplyr)
library(ggplot2)
library(plotly)

# Load data
data <- read.csv("Penjualan_ABC_JABODETABEK.csv")


# Hitung total penjualan per tahun
annual_sales <- data %>%
  group_by(Tahun) %>%
  summarise(Total_Penjualan = sum(Penjualan..unit.))



# Model regresi linear untuk analisis tren
model <- lm(Total_Penjualan ~ Tahun, data = annual_sales)
annual_sales$Predicted <- predict(model)

# Format data untuk tooltip
annual_sales <- annual_sales %>%
  mutate(
    Tooltip_Data = paste(
      "Tahun: ", Tahun,
      "<br>Total Penjualan: ", Total_Penjualan,
      "<br>Prediksi Tren: ", round(Predicted, 2)
    )
  )

# Buat grafik interaktif dengan Plotly
plotly_plot <- plot_ly(
  annual_sales, 
  x = ~Tahun, 
  y = ~Total_Penjualan, 
  type = 'scatter', 
  mode = 'lines+markers',
  name = 'Total Penjualan', 
  line = list(color = '#0077b2'),
  text = ~Tooltip_Data,
  hoverinfo = 'text'
) %>%
  layout(
    title = "Tren Penjualan Tahunan",
    xaxis = list(title = "Tahun"),
    yaxis = list(title = "Total Penjualan (unit)"),
    legend = list(orientation = "h", x = 0.3, y = -0.2)
  )

plotly_plot


### Analisis Musiman

library(dplyr)
library(ggplot2)
library(plotly)
library(knitr)

# Load data
data <- read.csv("Penjualan_ABC_JABODETABEK.csv")

# Tambahkan kolom kuartal
data <- data %>%
  mutate(
    Bulan = factor(Bulan, levels = c("Jan", "Feb", "Mar", "Apr", "May", "Jun", 
                                     "Jul", "Aug", "Sep", "Oct", "Nov", "Dec")),
    Kuartal = case_when(
      Bulan %in% c("Jan", "Feb", "Mar") ~ "Q1",
      Bulan %in% c("Apr", "May", "Jun") ~ "Q2",
      Bulan %in% c("Jul", "Aug", "Sep") ~ "Q3",
      Bulan %in% c("Oct", "Nov", "Dec") ~ "Q4"
    )
  )

# Hitung total penjualan per bulan per kota
monthly_sales_data <- data %>%
  group_by(Bulan, Kota) %>%
  summarise(Total_Penjualan = sum(Penjualan..unit.)) %>%
  ungroup()

# --- Tabel hasil penjualan per bulan per kota (4 data awal dan 3 data akhir) ---
# Buat baris ellipsis dengan kolom yang sesuai
ellipsis <- data.frame(Bulan = "...", Kota = "...", Total_Penjualan = NA)

# Gabungkan data dengan ellipsis di antara 4 data pertama dan 3 data terakhir
monthly_sales_data_subset <- bind_rows(
  head(monthly_sales_data, 4),
  ellipsis,  # Menambahkan ellipsis sebagai pemisah
  tail(monthly_sales_data, 3)
)

# Menampilkan tabel dengan kable
kable(monthly_sales_data_subset, caption = "Total Penjualan per Bulan per Kota")


# --- Grafik Bar Penjualan per Bulan (per Kota) dengan warna baru ---
colors <- c("#00BFFF", "#32CD32", "#FFFF00", "#FF69B4", "#FFA500")

month_plot <- plot_ly(
  data = monthly_sales_data,
  x = ~Bulan,
  y = ~Total_Penjualan,
  color = ~Kota,
  colors = colors,  # Set custom colors for the cities
  type = 'bar',
  hoverinfo = 'x+y+text',
  text = ~paste("Kota: ", Kota, "<br>Total Penjualan: ", Total_Penjualan)
) %>%
  layout(
    title = "Total Penjualan per Bulan per Kota",
    xaxis = list(title = "Bulan"),
    yaxis = list(title = "Total Penjualan (unit)"),
    barmode = 'stack',  # Stack bars to show total sales by city
    showlegend = TRUE
  )

month_plot



```

## **3. Analisis Korelasi**
#### Data
Diberikan data:

| Biaya Promosi (\(X\)) | Penjualan (\(Y\)) |
|-----------------------|-------------------|
| 1660                 | 10392            |
| 930                  | 11394            |
| 2015                 | 9400             |
| 1882                 | 4475             |
| 1362                 | 7211             |

#### Langkah Perhitungan

1. Hitung rata-rata \(\bar{X}\) dan \(\bar{Y}\):

\[
\bar{X} = \frac{1660 + 930 + 2015 + 1882 + 1362}{5} = 1569.8
\]

\[
\bar{Y} = \frac{10392 + 11394 + 9400 + 4475 + 7211}{5} = 8574.4
\]

2. Hitung selisih tiap nilai terhadap rata-rata (\(X_i - \bar{X}\), \(Y_i - \bar{Y}\)):

\[
\Delta X = [90.2, -639.8, 445.2, 312.2, -207.8]
\]

\[
\Delta Y = [1817.6, 2819.6, 825.6, -4099.4, -1363.4]
\]

3. Hitung perkalian selisih \((\Delta X)(\Delta Y)\):

\[
(\Delta X)(\Delta Y) = [163947.52, -1803980.08, 367557.12, -1279832.68, 283314.52]
\]

\[
\sum (\Delta X)(\Delta Y) = -1872993.6
\]

4. Hitung kuadrat selisih \((\Delta X)^2\) dan \((\Delta Y)^2\):

\[
(\Delta X)^2 = [8136.04, 409344.04, 198203.04, 97468.84, 43180.84]
\]

\[
\sum (\Delta X)^2 = 1152332.8
\]

\[
(\Delta Y)^2 = [3303669.76, 7950144.16, 681615.36, 16805080.36, 1858859.56]
\]

\[
\sum (\Delta Y)^2 = 30552369.2
\]

5. Substitusi ke dalam rumus:

\[
r = \frac{-1872993.6}{\sqrt{1152332.8 \cdot 30552369.2}}
\]

\[
r = \frac{-1872993.6}{5967568.93} = -0.472
\]

#### Hasil Korelasi:
Korelasi Pearson antara Biaya Promosi ($) dan Penjualan (unit): 𝑟=−0.472
Hubungan ini adalah negatif sedang, menunjukkan bahwa saat biaya promosi meningkat, penjualan cenderung menurun dalam dataset ini.

#### 3.2 Diskon (%) dan Rating Pelanggan
```{r correlation-discount-rating, echo=FALSE, include=TRUE, message=FALSE, warning=FALSE}
# Load library yang diperlukan
library(ggplot2)
library(plotly)
library(knitr)
library(kableExtra)

# Hitung korelasi Pearson
correlation_discount_rating <- cor(data$Diskon...., data$Rating.Pelanggan..1.5., use = "complete.obs")

# Buat scatter plot dengan garis tren
plot_discount_rating <- ggplot(data, aes(x = Diskon...., y = Rating.Pelanggan..1.5.)) +
  geom_point(color = "darkorange", alpha = 0.6) +
  geom_smooth(method = "lm", color = "blue", se = FALSE, linetype = "dashed") + # Tambahkan garis tren
  labs(
    title = "Hubungan antara Diskon dan Rating Pelanggan",
    x = "Diskon (%)",
    y = "Rating Pelanggan"
  ) +
  theme_minimal()

# Konversi plot menjadi interaktif
plot_discount_rating_interactive <- ggplotly(plot_discount_rating)

# Tampilkan hasil scatter plot interaktif
plot_discount_rating_interactive

# Tampilkan nilai korelasi
kable(data.frame(Korelasi = correlation_discount_rating), caption = "Korelasi antara Diskon dan Rating Pelanggan")

```

### Korelasi Pearson

Rumus korelasi Pearson adalah sebagai berikut:

\[
r = \frac{\sum (X_i - \bar{X})(Y_i - \bar{Y})}{\sqrt{\sum (X_i - \bar{X})^2 \cdot \sum (Y_i - \bar{Y})^2}}
\]

### Data
Diberikan data:

| Diskon (\(X\)) | Rating Pelanggan (\(Y\)) |
|-----------------|--------------------------|
| 10              | 4.5                      |
| 15              | 4.7                      |
| 20              | 4.3                      |
| 25              | 4.0                      |
| 30              | 4.2                      |

### Langkah Perhitungan

1. Hitung rata-rata \(\bar{X}\) dan \(\bar{Y}\):

\[
\bar{X} = \frac{10 + 15 + 20 + 25 + 30}{5} = \frac{100}{5} = 20
\]

\[
\bar{Y} = \frac{4.5 + 4.7 + 4.3 + 4.0 + 4.2}{5} = \frac{21.7}{5} = 4.34
\]

2. Hitung selisih tiap nilai terhadap rata-rata (\(X_i - \bar{X}\), \(Y_i - \bar{Y}\)):

\[
\Delta X = [-10, -5, 0, 5, 10]
\]

\[
\Delta Y = [0.16, 0.36, -0.04, -0.34, -0.14]
\]

3. Hitung perkalian selisih \((\Delta X)(\Delta Y)\):

\[
(\Delta X)(\Delta Y) = [-1.6, -1.8, 0, -1.7, -1.4]
\]

\[
\sum (\Delta X)(\Delta Y) = -1.6 - 1.8 + 0 - 1.7 - 1.4 = -6.5
\]

4. Hitung kuadrat selisih \((\Delta X)^2\) dan \((\Delta Y)^2\):

\[
(\Delta X)^2 = [100, 25, 0, 25, 100]
\]

\[
\sum (\Delta X)^2 = 100 + 25 + 0 + 25 + 100 = 250
\]

\[
(\Delta Y)^2 = [0.0256, 0.1296, 0.0016, 0.1156, 0.0196]
\]

\[
\sum (\Delta Y)^2 = 0.0256 + 0.1296 + 0.0016 + 0.1156 + 0.0196 = 0.292
\]

5. Substitusi ke dalam rumus:

\[
r = \frac{-6.5}{\sqrt{250 \times 0.292}} = \frac{-6.5}{\sqrt{73}} = \frac{-6.5}{8.544} = -0.761
\]

### Hasil
Korelasi Pearson antara Diskon (%) dan Rating Pelanggan:

\[
r = -0.761
\]

Hubungan ini cukup kuat dan negatif, menunjukkan bahwa saat diskon meningkat, rating pelanggan cenderung menurun.

### 3.1 Biaya Promosi ($) dan Penjualan (unit)

```{r, echo=FALSE}
library(knitr)
library(ggplot2)
library(plotly)

# Pastikan kolom yang digunakan ada dan bertipe numerik
data$Biaya.Promosi.... <- as.numeric(data$Biaya.Promosi....)
data$Penjualan..unit. <- as.numeric(data$Penjualan..unit.)

# Hapus baris yang mengandung NA
data_clean <- na.omit(data)

# Hitung korelasi Pearson antara Biaya Promosi dan Penjualan
correlation_promotion_sales <- cor(data_clean$Biaya.Promosi...., data_clean$Penjualan..unit., use = "complete.obs")

# Buat scatter plot dengan garis tren
plot_promotion_sales <- ggplot(data_clean, aes(x = Biaya.Promosi...., y = Penjualan..unit.)) +
  geom_point(color = "steelblue", alpha = 0.6) +
  geom_smooth(method = "lm", color = "red", se = FALSE, linetype = "dashed") + # Tambahkan garis tren
  labs(
    title = "Hubungan antara Biaya Promosi dan Penjualan",
    x = "Biaya Promosi ($)",
    y = "Penjualan (unit)"
  ) +
  theme_minimal()

# Buat plot interaktif menggunakan plotly
plot_promotion_sales_interactive <- ggplotly(plot_promotion_sales)

# Tampilkan plot interaktif
plot_promotion_sales_interactive

# Tampilkan nilai korelasi menggunakan kable
if (!is.na(correlation_promotion_sales)) {
  kable(data.frame(Korelasi = correlation_promotion_sales), caption = "Korelasi antara Biaya Promosi dan Penjualan")
} else {
  # Jika korelasi tidak valid (NA)
  print("Nilai korelasi tidak valid (NA atau NaN).")
}

```


### Kesimpulan Analisis Output

- **Kode Pertama (Diskon vs Rating):**  
  Output menggambarkan persepsi pelanggan terhadap diskon. Jika korelasi rendah, ini menunjukkan diskon mungkin bukan faktor utama yang memengaruhi penilaian pelanggan. Garis tren membantu melihat kecenderungan hubungan ini.

- **Kode Kedua (Promosi vs Penjualan):**  
  Output mengindikasikan efektivitas biaya promosi terhadap hasil penjualan. Korelasi positif yang kuat menunjukkan bahwa peningkatan promosi cenderung meningkatkan penjualan, sedangkan korelasi lemah menunjukkan promosi kurang efektif.


## **4. Uji Hipotesis**

Untuk menyelesaikan masalah secara manual dan menguji hipotesis Anda (**H0: Tidak ada hubungan antara Biaya Promosi ($) dan Penjualan (unit)**), berikut langkah-langkah yang harus dilakukan:


### 1. **Hitung Statistik Dasar**
Kumpulkan statistik berikut dari data:

- Rata-rata (**mean**) untuk **Biaya Promosi ($)** dan **Penjualan (unit)**.
- Standar deviasi (**standard deviation**) untuk kedua variabel.
- Ukuran sampel (**n**).

Dari data:

\[
\text{Rumus rata-rata: } \bar{x} = \frac{\sum x_i}{n}, \quad \bar{y} = \frac{\sum y_i}{n}
\]

\[
\text{Rumus standar deviasi: } s_x = \sqrt{\frac{\sum (x_i - \bar{x})^2}{n-1}}, \quad s_y = \sqrt{\frac{\sum (y_i - \bar{y})^2}{n-1}}
\]


### 2. **Hitung Koefisien Korelasi Pearson**
Gunakan rumus berikut untuk menghitung koefisien korelasi \( r \):

\[
r = \frac{\sum (x_i - \bar{x})(y_i - \bar{y})}{(n-1) \cdot s_x \cdot s_y}
\]

Dimana:
- \( x_i \) adalah nilai individu dari **Biaya Promosi ($)**.
- \( y_i \) adalah nilai individu dari **Penjualan (unit)**.
- \( \bar{x}, \bar{y} \) adalah rata-rata masing-masing variabel.
- \( s_x, s_y \) adalah standar deviasi masing-masing variabel.


### 3. **Hitung Nilai \( t \) untuk Uji Hipotesis**
Setelah mendapatkan nilai \( r \), gunakan rumus berikut untuk menghitung statistik uji \( t \):

\[
t = r \cdot \sqrt{\frac{n-2}{1-r^2}}
\]


### 4. **Bandingkan dengan Nilai Kritis**
Bandingkan nilai \( t \) yang dihitung dengan nilai kritis dari distribusi \( t \) dengan derajat kebebasan (\( df = n-2 \)) pada tingkat signifikansi \( \alpha \) (biasanya 0.05).

- Jika \( |t| > t_{\text{kritikal}} \): Tolak \( H_0 \).
- Jika \( |t| \leq t_{\text{kritikal}} \): Gagal menolak \( H_0 \).


### 5. **Hitung Nilai P**
Gunakan tabel distribusi \( t \) atau perangkat lunak statistik untuk menentukan nilai \( p \).


### Contoh Penyelesaian
Misalkan dari data, diperoleh:

- \( n = 300 \)
- \( \bar{x} = 1500 \), \( \bar{y} = 8000 \)
- \( s_x = 200 \), \( s_y = 3000 \)
- \( r = -0.108 \)

#### Hitung \( t \):
\[
t = -0.108 \cdot \sqrt{\frac{300-2}{1-(-0.108)^2}} = -1.872
\]

#### Bandingkan dengan \( t_{\text{kritikal}} \) (df = 298, \( \alpha = 0.05 \)):
- Nilai kritis \( t \) (two-tailed) sekitar 1.968.
- Karena \( |t| = 1.872 < 1.968 \), gagal menolak \( H_0 \).


**Kesimpulan:** Tidak ada hubungan signifikan antara **Biaya Promosi ($)** dan **Penjualan (unit)** pada tingkat signifikansi 5%.


```{r, echo=FALSE, message=FALSE,warning=FALSE}
# Mengimpor library yang diperlukan
library(readr)
library(knitr)

# Membaca data
# Ganti 'Penjualan_ABC_JABODETABEK.csv' dengan lokasi file Anda
data <- read_csv("Penjualan_ABC_JABODETABEK.csv")



# Menghitung korelasi Pearson
correlation <- cor.test(data$`Biaya Promosi ($)`, data$`Penjualan (unit)`, method = "pearson")

# Membuat output sebagai tabel
output <- data.frame(
  Statistik = c("Koefisien Korelasi (r)", "Nilai t", "df", "P-value"),
  Nilai = c(correlation$estimate, correlation$statistic, correlation$parameter, correlation$p.value)
)

# Menampilkan output sebagai tabel rapi
kable(output, col.names = c("Statistik", "Nilai"), caption = "Hasil Uji Korelasi Pearson")


```

## **5. Analisis Data Kategorik** 

### 1. Distribusi Penjualan Berdasarkan Jenis Outlet

Langkah perhitungan manual:
1. **Jumlahkan Penjualan Berdasarkan Jenis Outlet**:

- Contoh Data:

| Jenis Outlet   | Penjualan (unit) |
|----------------|------------------|
| Modern         | 10,000          |
| Tradisional    | 15,000          |
| Modern         | 20,000          |
| Tradisional    | 25,000          |
      
- Modern: \( 10,000 + 20,000 = 30,000 \)  
      Tradisional: \( 15,000 + 25,000 = 40,000 \)

2. **Hitung Total Penjualan**:
    \[
    \text{Total Penjualan} = 30,000 + 40,000 = 70,000
    \]

3. **Hitung Distribusi Persentase**:
    - Modern: 
      \[
      \frac{30,000}{70,000} \times 100 = 42.86\%
      \]
    - Tradisional:
      \[
      \frac{40,000}{70,000} \times 100 = 57.14\%
      \]

### Hasil untuk Data Anda:
- **Modern**: 1,553,833 unit (49.47%)
- **Tradisional**: 1,586,816 unit (50.53%)


```{r, echo=FALSE, message=FALSE,warning=FALSE}
# Load library untuk tabel
library(dplyr)
library(gt)
library(knitr)
library(kableExtra)
library(broom)

# Pastikan data sudah ada
# Ganti dengan path file Anda
data <- read.csv("Penjualan_ABC_JABODETABEK.csv", stringsAsFactors = FALSE)

# Validasi kolom
required_columns <- c("Penjualan..unit.", "Kota", "Biaya.Promosi....", "Diskon....", "Jenis.Outlet")
if (!all(required_columns %in% colnames(data))) {
  stop("Kolom yang diperlukan tidak ditemukan dalam dataset.")
}

# Pastikan kolom Pendapatan ada
harga_per_unit <- 10
data <- data %>%
  mutate(Pendapatan = Penjualan..unit. * harga_per_unit)

# 1. Data distribusi penjualan berdasarkan jenis outlet
distribusi_penjualan <- data.frame(
  Jenis_Outlet = c("Modern", "Tradisional"),
  Total_Penjualan = c(1553833, 1586816),
  Persentase = c(49.4749, 50.5251)
)

# Tampilkan distribusi penjualan dalam format tabel
distribusi_penjualan_table <- distribusi_penjualan %>%
  gt() %>%
  tab_header(
    title = "Distribusi Penjualan Berdasarkan Jenis Outlet"
  ) %>%
  fmt_number(
    columns = c("Total_Penjualan", "Persentase"),
    decimals = 2
  )

# 2. Pendapatan per kota
pendapatan_per_kota <- data %>%
  group_by(Kota) %>%
  summarise(Total_Pendapatan = sum(Pendapatan))

# Tampilkan tabel pendapatan per kota
pendapatan_per_kota_table <- pendapatan_per_kota %>%
  kable(caption = "Total Pendapatan per Kota") %>%
  kable_styling(full_width = FALSE, bootstrap_options = c("striped", "hover", "condensed"))

# 3. Model regresi linear
# Tambahkan dummy variable untuk Jenis Outlet
data <- data %>%
  mutate(Jenis_Outlet_Dummy = ifelse(Jenis.Outlet == "Modern", 1, 0))

# Buat model regresi linear
model <- lm(Pendapatan ~ Biaya.Promosi.... + Diskon.... + Jenis_Outlet_Dummy, data = data)

# Ringkasan model regresi
model_summary <- broom::tidy(model)

# Tampilkan tabel ringkasan model regresi
model_summary_table <- model_summary %>%
  kable(caption = "Ringkasan Model Regresi Linear") %>%
  kable_styling(full_width = FALSE, bootstrap_options = c("striped", "hover", "condensed"))

# Cetak tabel
distribusi_penjualan_table
pendapatan_per_kota_table
model_summary_table

```


### Kategori Produk

```{r, echo=FALSE, message=FALSE,warning=FALSE}
# Load dataset
file_path <- "Penjualan_ABC_JABODETABEK.csv"  # Ubah sesuai lokasi file Anda
data <- read.csv(file_path)

# Tampilkan data awal
head(data)

# Cek distribusi kategori produk
table(data$Kategori.Produk)

# Visualisasi data (boxplot)
boxplot(Penjualan..unit. ~ Kategori.Produk, data = data,
        main = "Distribusi Penjualan per Kategori Produk",
        xlab = "Kategori Produk", ylab = "Penjualan (unit)", col = "lightblue")

# Uji ANOVA
anova_result <- aov(Penjualan..unit. ~ Kategori.Produk, data = data)
summary(anova_result)


```
### Analisis Kategori produk

Dari uji ANOVA, hasil menunjukkan bahwa **tidak ada perbedaan signifikan dalam rata-rata penjualan antara kategori produk** (Makanan, Minuman, Kesehatan). Berikut adalah interpretasinya:

1. **Statistik F** yang kecil (1.494) mengindikasikan bahwa variasi antar kategori (antara Makanan, Minuman, dan Kesehatan) relatif kecil dibandingkan dengan variasi dalam kategori masing-masing.
2. **p-value sebesar 0.226** lebih besar dari tingkat signifikansi yang umum digunakan (α = 0.05). Ini berarti kita tidak memiliki cukup bukti untuk menyimpulkan bahwa perbedaan rata-rata penjualan antara kategori produk adalah nyata atau signifikan.

### Implikasi

- **Strategi Penjualan**: Karena tidak ada kategori yang secara signifikan lebih unggul dalam penjualan rata-rata, perusahaan dapat memprioritaskan semua kategori secara seimbang dalam strategi pemasaran.
- **Penelitian Lanjutan**: Perlu analisis tambahan untuk memahami faktor lain yang mungkin memengaruhi penjualan, seperti lokasi, jenis outlet, atau promosi.

Kesimpulannya, dari sisi data ini, penjualan setiap kategori produk menunjukkan kinerja yang relatif serupa.

## **6. Model Prediksi Pendapatan**
```{r, echo=FALSE, message=FALSE,warning=FALSE}
# Membuat dataset
data <- data.frame(
  Kota = c("Jakarta", "Bogor", "Depok", "Tangerang", "Bekasi"),
  Penjualan_unit = c(10392, 11394, 9400, 4475, 7211),
  Biaya_Promosi = c(1660, 930, 2015, 1882, 1362),
  Diskon = c(7.8, 5.3, 19.9, 11.0, 10.7),
  Jenis_Outlet = c("Modern", "Tradisional", "Tradisional", "Tradisional", "Modern")
)

# 1. Hitung Pendapatan
harga_per_unit <- 10
data$Pendapatan <- data$Penjualan_unit * harga_per_unit

# 2. Total Pendapatan per Kota
total_pendapatan_per_kota <- aggregate(Pendapatan ~ Kota, data = data, sum)
print("Total Pendapatan per Kota:")
print(total_pendapatan_per_kota)

# 3. Konversi Jenis Outlet menjadi Dummy Variable
data$Jenis_Outlet_Dummy <- ifelse(data$Jenis_Outlet == "Modern", 1, 0)

# 4. Regresi Linear
model <- lm(Pendapatan ~ Biaya_Promosi + Diskon + Jenis_Outlet_Dummy, data = data)

# Ringkasan model
print(summary(model))

# 5. Hitung R-squared secara manual
y_actual <- data$Pendapatan
y_pred <- predict(model)
ss_total <- sum((y_actual - mean(y_actual))^2)  # Total Sum of Squares
ss_residual <- sum((y_actual - y_pred)^2)       # Residual Sum of Squares
r_squared <- 1 - (ss_residual / ss_total)

cat("\nR-squared: ", round(r_squared, 4), " (", round(r_squared * 100, 2), "%)", sep = "")

```

## **7. Interpretasi Bisnis**
Berikut adalah rekomendasi strategi pemasaran per kota berdasarkan analisis data dan dampak dari faktor-faktor pemasaran yang tersedia:

### **1. Rekomendasi Strategi Pemasaran Per Kota**
Berdasarkan total pendapatan yang dihitung:
- **Depok** memiliki pendapatan tertinggi, diikuti oleh **Jakarta** dan **Tangerang**. Strategi pemasaran di kota-kota ini dapat difokuskan untuk mempertahankan keunggulan pasar.
- **Bogor** memiliki pendapatan terendah. Ini menunjukkan perlunya strategi agresif untuk meningkatkan penjualan di kota ini, seperti penawaran diskon khusus atau promosi yang lebih intensif.
- **Bekasi** menunjukkan potensi pertumbuhan yang signifikan. Fokus pada peningkatan penetrasi pasar dengan strategi promosi yang tepat.


### **2. Dampak dan Strategi untuk Faktor-Faktor Pemasaran**

#### **a. Pengoptimalan Diskon**
- **Hasil Analisis**:
  Diskon memiliki koefisien positif dalam model regresi, tetapi tidak signifikan secara statistik. Ini menunjukkan bahwa diskon cenderung meningkatkan pendapatan, tetapi pengaruhnya tidak kuat.
- **Strategi**:
  - Gunakan diskon secara selektif untuk produk dengan margin tinggi.
  - Terapkan diskon berbasis volume untuk mendorong pembelian dalam jumlah besar.
  - Lakukan uji coba diskon di kota dengan pendapatan rendah (seperti Bogor) untuk melihat dampaknya terhadap penjualan.

#### **b. Alokasi Anggaran Promosi**
- **Hasil Analisis**:
  Biaya promosi memiliki koefisien negatif dan hampir signifikan. Ini menunjukkan bahwa pengeluaran promosi yang tinggi tidak selalu menghasilkan peningkatan pendapatan.
- **Strategi**:
  - Optimalkan pengeluaran promosi dengan fokus pada saluran yang memberikan hasil terbaik (misalnya, digital marketing atau promosi lokal).
  - Kurangi promosi di kota dengan kinerja baik (seperti Depok) dan alokasikan ke kota dengan potensi pertumbuhan (seperti Bogor atau Bekasi).
  - Gunakan promosi berbasis data untuk menargetkan segmen pelanggan yang lebih spesifik.

#### **c. Distribusi Penjualan ke Jenis Outlet Tertentu**
- **Hasil Analisis**:
  Jenis outlet (Modern vs. Tradisional) tidak memiliki pengaruh signifikan terhadap pendapatan.
- **Strategi**:
  - Fokus pada outlet modern untuk produk dengan margin tinggi dan kategori premium.
  - Tingkatkan kerja sama dengan outlet tradisional untuk menjangkau segmen pelanggan yang sensitif terhadap harga.
  - Diversifikasi distribusi ke kedua jenis outlet untuk meminimalkan risiko ketergantungan pada satu saluran.


### **3. Rekomendasi Umum**
1. **Analisis Performa Per Kota**:
   - Lakukan analisis lebih lanjut untuk memahami faktor-faktor spesifik yang memengaruhi penjualan di setiap kota, seperti preferensi pelanggan lokal.
2. **Segmentasi Pelanggan**:
   - Gunakan data pelanggan untuk menciptakan strategi pemasaran yang lebih tersegmentasi, seperti kampanye khusus untuk pelanggan loyal.
3. **Evaluasi ROI Promosi**:
   - Monitor pengembalian investasi (ROI) dari setiap aktivitas promosi untuk memastikan efisiensi anggaran.
4. **Kombinasi Diskon dan Promosi**:
   - Gabungkan strategi diskon dengan promosi kreatif (misalnya, bundling produk) untuk meningkatkan daya tarik tanpa mengorbankan margin keuntungan.

