Praktikum Week 6

Latihan 1: Melakukan Sampling Bootstrap

Pada tahap ini, kita akan membuat dataset asli dan mengambil sampel berulang (bootstrap) menggunakan perulangan for.

# 1. Menetapkan seed agar hasil acak selalu dapat direproduksi
set.seed(123)

# 2. Menggunakan rnorm() untuk menghasilkan 1000 observasi kumpulan data asli 
# (Misalnya: distribusi normal dengan rata-rata 50 dan standar deviasi 10)
data_asli <- rnorm(1000, mean = 50, sd = 10)

# 3. Menyiapkan vektor kosong untuk menyimpan hasil rata-rata dari 50 sampel
rata_rata_sampel <- numeric(50)

# 4. Mendefinisikan x sebagai urutan 1 sampai 50
x <- 1:50

# 5. Menjalankan perulangan for(i in x) sesuai instruksi
for(i in x) {
  # Mengambil sampel acak dari data asli (ukuran 1000, dengan pengembalian / replace = TRUE)
  sampel <- sample(data_asli, size = 1000, replace = TRUE)
  
  # Menghitung rata-rata dari sampel tersebut lalu menyimpannya ke dalam vektor
  rata_rata_sampel[i] <- mean(sampel)
}

# (Opsional) Menampilkan 5 nilai rata-rata pertama untuk mengecek hasilnya
head(rata_rata_sampel, 5)

## [1] 50.16082 50.18874 50.42878 50.22452 50.02713

Latihan 2: Menampilkan Grafik Histogram

Pada tahap ini, kita akan membuat histogram untuk membandingkan bentuk distribusi dari kumpulan data asli (berupa individu observasi) dengan bentuk distribusi dari rata-rata sampel (hukum bilangan besar / teorema limit pusat).

hist(data_asli, 
     main = "Distribusi 1000 Data Asli", 
     xlab = "Nilai Observasi", 
     ylab = "Frekuensi",
     col = "lightblue", 
     border = "white")

# 3. Hasilkan histogram distribusi rata-rata dari 50 sampel Bootstrap
hist(rata_rata_sampel, 
     main = "Distribusi Rata-rata\n(50 Sampel Bootstrap)", 
     xlab = "Nilai Rata-rata Sampel", 
     ylab = "Frekuensi",
     col = "lightgreen", 
     border = "white")

# 4. Mengembalikan parameter jendela grafik (par) ke kondisi normal (1 baris, 1 kolom)
par(mfrow = c(1, 1))

Simpulan Praktikum

Penjelasan Singkat Konsep Kodenya:

• Di Latihan 1, argument replace = TRUE di dalam fungsi sample() adalah kunci penting dari Metode Bootstrap. Hal ini mengizinkan satu nilai ditarik lebih dari sekali untuk membentuk kumpulan sampel baru.

• Di Latihan 2, dengan memanggil fungsi par(mfrow = c(1, 2)), Anda menginstruksikan RStudio untuk membagi kanvas plot Anda menjadi matriks 1x2. Hasilnya, kedua hist() yang Anda jalankan setelahnya akan tercetak secara harmonis bersebelahan kiri dan kanan.