Konsultasi Statistika

DATA 1

Sebuah penelitian dilakukan untuk mengevaluasi kualitas sensorik suatu produk pangan berdasarkan dua faktor utama, yaitu: Perlakuan (Treatment): terdiri dari 3 jenis (A, B, C, dan D) Waktu Penyimpanan (Time): terdiri dari 2 level (H7 dan H14) Setiap kombinasi perlakuan danwaktu diuji sebanyak 3 kali ulangan (replikasi). Penilaian kualitas produk dilakukan berdasarkan 4 parameter sensorik:

-> Warna

-> Aroma

-> Rasa

->Tekstur

Skala penilaian menggunakan rentang numerik (semakin tinggi nilai menunjukkan kualitas semakin baik). Tentukan: Apakah terdapat pengaruh signifikan dari Perlakuan? Apakah terdapat pengaruh signifikan dari Waktu? Apakah terdapat interaksi antara Perlakuan dan Waktu?

library(readxl)

# baca file
datastat <- read_excel("C:/Users/Acer/OneDrive/Documents/konsultasi statistika/Data_Studi_Kasus_Konsultasi_Statistika.xlsx")
datastat

## # A tibble: 24 × 6
##    Perlakuan Waktu Warna Aroma  Rasa Tekstur
##    <chr>     <chr> <dbl> <dbl> <dbl>   <dbl>
##  1 A         H7     2.67  2.58  2.76    2.56
##  2 A         H7     2.69  2.71  2.73    2.84
##  3 A         H7     2.62  2.71  2.62    2.8 
##  4 A         H14    2.69  2.78  2.93    2.76
##  5 A         H14    2.67  2.64  2.58    2.4 
##  6 A         H14    2.76  2.87  2.73    2.51
##  7 B         H7     2.69  2.71  2.69    2.78
##  8 B         H7     2.71  2.78  2.78    2.64
##  9 B         H7     2.96  2.91  2.69    2.93
## 10 B         H14    2.84  2.78  3.04    2.98
## # ℹ 14 more rows

datastat$Perlakuan <- as.factor(datastat$Perlakuan)
datastat$Waktu <- as.factor(datastat$Waktu)

#warna
model_warna <- aov(Warna ~ Perlakuan * Waktu, data = datastat)
summary(model_warna)

##                 Df Sum Sq Mean Sq F value   Pr(>F)    
## Perlakuan        3 1.9578  0.6526  23.071 4.71e-06 ***
## Waktu            1 0.0852  0.0852   3.012    0.102    
## Perlakuan:Waktu  3 0.0545  0.0182   0.643    0.599    
## Residuals       16 0.4526  0.0283                     
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

#aroma
model_aroma <- aov(Aroma ~ Perlakuan * Waktu, data = datastat)
summary(model_aroma)

##                 Df Sum Sq Mean Sq F value   Pr(>F)    
## Perlakuan        3 1.9388  0.6463  16.838 3.32e-05 ***
## Waktu            1 0.0400  0.0400   1.043    0.322    
## Perlakuan:Waktu  3 0.0126  0.0042   0.109    0.953    
## Residuals       16 0.6141  0.0384                     
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

#rasa
model_rasa <- aov(Rasa ~ Perlakuan * Waktu, data = datastat)
summary(model_rasa)

##                 Df Sum Sq Mean Sq F value   Pr(>F)    
## Perlakuan        3 1.7342  0.5781  19.532 1.35e-05 ***
## Waktu            1 0.0840  0.0840   2.839    0.111    
## Perlakuan:Waktu  3 0.0258  0.0086   0.290    0.832    
## Residuals       16 0.4735  0.0296                     
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

#tekstur
model_tekstur <- aov(Tekstur ~ Perlakuan * Waktu, data = datastat)
summary(model_tekstur)

##                 Df Sum Sq Mean Sq F value Pr(>F)    
## Perlakuan        3 2.3145  0.7715  20.831  9e-06 ***
## Waktu            1 0.0353  0.0353   0.952  0.344    
## Perlakuan:Waktu  3 0.1548  0.0516   1.393  0.281    
## Residuals       16 0.5926  0.0370                   
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

DATA 2

Sebuah organisasi ingin mengetahui faktor-faktor yang mempengaruhi kinerja karyawan (Y). Penelitian dilakukan terhadap 51 responden yang merupakan karyawan aktif dari berbagai divisi. Penelitian ini menguji tiga variabel independen:

-> Disiplin Kerja (X1)

-> Emotional Quotient (X2)

-> Kepuasan Kerja (X3)

Variabel dependen:

-> Kinerja Karyawan (Y)

Seluruh variabel diukur menggunakan skala Likert (1–5), di mana nilai yang lebih tinggi menunjukkan tingkat yang lebih baik. Tentukan apakah:

- H1: Disiplin Kerja (X1) berpengaruh terhadap Kinerja (Y)

- H2: Emotional Quotient (X2) berpengaruh terhadap Kinerja (Y)

- H3: Kepuasan Kerja (X3) berpengaruh terhadap Kinerja (Y)

# install dulu kalau belum
install.packages("readxl")

## Warning: package 'readxl' is in use and will not be installed

library(readxl)

# baca file
datastat2 <- read_excel("C:/Users/Acer/OneDrive/Documents/konsultasi statistika/Data_Studi_Kasus_Konsultasi_Statistika.xlsx",sheet = "Data 2")
datastat2

## # A tibble: 51 × 15
##     X1.1  X1.2  X1.3  X1.4  X2.1  X2.2  X2.3  X2.4  X2.5  Y1.1  Y1.2  Y1.3  Z1.1
##    <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
##  1     2     2     3     4     1     1     2     3     1     1     2     4     2
##  2     2     1     1     3     1     1     2     3     1     1     1     4     4
##  3     4     4     2     3     1     1     1     2     1     1     1     4     4
##  4     2     2     1     2     1     1     2     3     3     1     1     3     2
##  5     3     1     1     1     1     1     1     1     1     1     1     4     4
##  6     2     2     1     1     1     1     1     1     1     1     1     4     4
##  7     1     2     3     3     2     1     3     3     3     2     2     4     2
##  8     2     1     1     1     1     1     1     1     1     1     1     4     2
##  9     2     1     3     3     1     1     1     1     2     1     3     3     2
## 10     3     3     4     3     2     1     3     1     3     3     3     4     2
## # ℹ 41 more rows
## # ℹ 2 more variables: Z1.2 <dbl>, Z1.3 <dbl>

# gabungkan variabel
# X1 (Disiplin Kerja)
datastat2$X1 <- rowMeans(datastat2[, c("X1.1","X1.2","X1.3","X1.4")], na.rm = TRUE)

# X2 (Emotional Quotient)
datastat2$X2 <- rowMeans(datastat2[, c("X2.1","X2.2","X2.3","X2.4","X2.5")], na.rm = TRUE)

# X3 (Kepuasan Kerja)
datastat2$X3 <- rowMeans(datastat2[, c("Z1.1","Z1.2","Z1.3")], na.rm = TRUE)

# Y (Kinerja)
datastat2$Y <- rowMeans(datastat2[, c("Y1.1","Y1.2","Y1.3")], na.rm = TRUE)

# Regresi Linear Berganda
model_no2 <- lm(Y ~ X1 + X2 + X3, data = datastat2)
summary(model_no2)

## 
## Call:
## lm(formula = Y ~ X1 + X2 + X3, data = datastat2)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -1.49480 -0.23221 -0.00473  0.21474  1.00696 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept)   1.8712     0.5325   3.514 0.000987 ***
## X1            0.1284     0.1121   1.146 0.257650    
## X2            0.1987     0.1449   1.371 0.176753    
## X3           -0.1073     0.1516  -0.708 0.482429    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.5036 on 47 degrees of freedom
## Multiple R-squared:  0.1258, Adjusted R-squared:  0.06996 
## F-statistic: 2.254 on 3 and 47 DF,  p-value: 0.09439

# Anova
anova_no2 <- aov(model_no2)
summary(anova_no2)

##             Df Sum Sq Mean Sq F value Pr(>F)  
## X1           1  0.821  0.8209   3.237 0.0784 .
## X2           1  0.767  0.7667   3.023 0.0886 .
## X3           1  0.127  0.1271   0.501 0.4824  
## Residuals   47 11.919  0.2536                 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

DATA 3

Seorang analis ekonomi memiliki data inflasi bulanan dari Januari 2003 hingga Desember 2020 (total 216 observasi). Data ini digunakan untuk memahami pola pergerakan inflasi serta menyusun model prediksi sebagai dasar pengambilan kebijakan ekonomi. Inflasi merupakan indikator penting dalam stabilitas ekonomi, sehingga analisis yang akurat diperlukan untuk mengidentifikasi pola jangka pendek maupun jangka panjang.

Tentukan:

1.identifikasi pola tren, musiman, dan fluktuasi acak pada data inflasi bulanan periode 2003–2020

2.Pemodelan time series apa yang tepat digunakan? jelaskan!

3.lakukan peramalan inflasi 1 tahun kedepan sebagai dasar prediksi kondisi ekonomi jangka pendek.

4.Hitung nilai MAE (Mean Absolute Error) dan MAPE (Mean Absolute Percentage Error) untuk melihat akurasi model

datastat3 <- read_excel("C:/Users/Acer/OneDrive/Documents/konsultasi statistika/Data_Studi_Kasus_Konsultasi_Statistika.xlsx",sheet = "Data 3")
datastat3

## # A tibble: 216 × 2
##    Waktu               `Data Inflasi`
##    <dttm>                       <dbl>
##  1 2026-01-03 00:00:00         0.0868
##  2 2026-02-03 00:00:00         0.076 
##  3 2026-03-03 00:00:00         0.0717
##  4 2026-04-03 00:00:00         0.0762
##  5 2026-05-03 00:00:00         0.0715
##  6 2026-06-03 00:00:00         0.0698
##  7 2026-07-03 00:00:00         0.0627
##  8 2026-08-03 00:00:00         0.0651
##  9 2026-09-03 00:00:00         0.0633
## 10 2026-10-03 00:00:00         0.0648
## # ℹ 206 more rows

# Bersihkan Data (% → numeric)
datastat3$Inflasi <- as.numeric(gsub("%", "", datastat3$`Data Inflasi`))

# Ubah ke Time Series
inflasi3 <- ts(datastat3$Inflasi, start = c(2003,1), frequency = 12)

1. Identifikasi Pola (Trend, Musiman, Acak)

# plot
plot(inflasi3, main = "Inflasi Bulanan", ylab = "Inflasi (%)")

# Dekomposisi
decomp <- decompose(inflasi3)
plot(decomp)

2. Model Time Series yang Tepat

# Model ARIMA
library(forecast)

## Registered S3 method overwritten by 'quantmod':
##   method            from
##   as.zoo.data.frame zoo

model_arima <- auto.arima(inflasi3)
summary(model_arima)

## Series: inflasi3 
## ARIMA(2,1,0)(0,0,1)[12] with drift 
## 
## Coefficients:
##          ar1      ar2     sma1   drift
##       0.1362  -0.1451  -0.8150  -3e-04
## s.e.  0.0678   0.0680   0.0548   2e-04
## 
## sigma^2 = 6.291e-05:  log likelihood = 730.31
## AIC=-1450.62   AICc=-1450.33   BIC=-1433.76
## 
## Training set error measures:
##                       ME        RMSE         MAE       MPE     MAPE      MASE
## Training set 0.000142688 0.007839273 0.004000209 -1.026325 7.018252 0.1334602
##                     ACF1
## Training set 0.005910675

3. Peramalan 1 Tahun

# Forecast 1 Tahun
forecast_1tahun <- forecast(model_arima, h = 12)

plot(forecast_1tahun)

forecast_1tahun

##          Point Forecast         Lo 80      Hi 80        Lo 95      Hi 95
## Jan 2021     0.01866747  0.0085016348 0.02883331  0.003120167 0.03421477
## Feb 2021     0.01632108  0.0009343061 0.03170785 -0.007210958 0.03985311
## Mar 2021     0.01500957 -0.0034861993 0.03350534 -0.013277269 0.04329641
## Apr 2021     0.01308146 -0.0078911978 0.03405412 -0.018993453 0.04515638
## May 2021     0.01268192 -0.0105626224 0.03592647 -0.022867542 0.04823139
## Jun 2021     0.01462941 -0.0107129541 0.03997177 -0.024128390 0.05338721
## Jul 2021     0.01879307 -0.0084826628 0.04606881 -0.022921565 0.06050771
## Aug 2021     0.01997370 -0.0091030219 0.04905042 -0.024495309 0.06444271
## Sep 2021     0.02068821 -0.0100841974 0.05146063 -0.026374128 0.06775056
## Oct 2021     0.02109605 -0.0112839027 0.05347599 -0.028424812 0.07061690
## Nov 2021     0.02026387 -0.0136475820 0.05417532 -0.031599220 0.07212696
## Dec 2021     0.02018462 -0.0151920547 0.05556130 -0.033919337 0.07428858

4. MAE & MAPE

# MAE & MAPE
train <- window(inflasi3, end = c(2019,12))
test <- window(inflasi3, start = c(2020,1))

model <- auto.arima(train)
pred <- forecast(model, h = length(test))

mae <- mean(abs(pred$mean - test))
mape <- mean(abs((pred$mean - test)/test)) * 100

mae

## [1] 0.01183228

mape

## [1] 74.68122

Konsultasi Statistika

Syukron Faiz

2026-04-03

DATA 1

-> Warna

-> Aroma

-> Rasa

->Tekstur

Skala penilaian menggunakan rentang numerik (semakin tinggi nilai menunjukkan kualitas semakin baik). Tentukan: Apakah terdapat pengaruh signifikan dari Perlakuan? Apakah terdapat pengaruh signifikan dari Waktu? Apakah terdapat interaksi antara Perlakuan dan Waktu?

DATA 2

Sebuah organisasi ingin mengetahui faktor-faktor yang mempengaruhi kinerja karyawan (Y). Penelitian dilakukan terhadap 51 responden yang merupakan karyawan aktif dari berbagai divisi. Penelitian ini menguji tiga variabel independen:

-> Disiplin Kerja (X1)

-> Emotional Quotient (X2)

-> Kepuasan Kerja (X3)

Variabel dependen:

-> Kinerja Karyawan (Y)

Seluruh variabel diukur menggunakan skala Likert (1–5), di mana nilai yang lebih tinggi menunjukkan tingkat yang lebih baik. Tentukan apakah:

- H1: Disiplin Kerja (X1) berpengaruh terhadap Kinerja (Y)

- H2: Emotional Quotient (X2) berpengaruh terhadap Kinerja (Y)

- H3: Kepuasan Kerja (X3) berpengaruh terhadap Kinerja (Y)

DATA 3

Tentukan:

1.identifikasi pola tren, musiman, dan fluktuasi acak pada data inflasi bulanan periode 2003–2020

2.Pemodelan time series apa yang tepat digunakan? jelaskan!

3.lakukan peramalan inflasi 1 tahun kedepan sebagai dasar prediksi kondisi ekonomi jangka pendek.

4.Hitung nilai MAE (Mean Absolute Error) dan MAPE (Mean Absolute Percentage Error) untuk melihat akurasi model

1. Identifikasi Pola (Trend, Musiman, Acak)

2. Model Time Series yang Tepat

3. Peramalan 1 Tahun

4. MAE & MAPE