Email             :
RPubs            : https://rpubs.com/juliansalomo/
Github           : https://github.com/juliansalomo/
Jurusan          : Statistika
Address         : ARA Center, Matana University Tower
                         Jl. CBD Barat Kav, RT.1, Curug Sangereng, Kelapa Dua, Tangerang, Banten 15810.


1 Pengertian Data, Jenis-Jenis Data, dan Pentingnya Data

1.1 Pengertian data

Data adalah kumpulan informasi dari suatu aktivitas atau kegiatan yang telah terjadi sebelumnya yang berguna untuk menjadi bukti, riwayat tentang apa yang telah terjadi serta untuk memprediksi kejadian dan aktivitas masa depan.

1.2 Jenis-jenis data

Data terbagi menjadi dua jenis, yaitu:

  • Data Kualitatif
  • Data Kuantitatif

1.3 Pentingnya data

Data sangat penting untuk menjadi riwayat peristiwa, kejadian, dan aktivitas yang telah terjadi. Dari data-data ini kemudian dapat dilakukan proses peramalan dan prediksi untuk kejadian-kejadian di masa depan. Dari data pun kita bisa melakukan perhitungan untuk menarik kesimpulan yang sangat berguna untuk menentukan tindakan yang harus dilakukan berikutnya.

2 4 Jenis Skala Pengukuran dalam Statistika dan contohnya

2.1 Skala Nominal

Skala nominal merupakan skala pengukuran paling sederhana atau tingkatannya paling rendah di dalam suatu penelitian.

Skala ini hanya digunakan untuk memberikan kategori saja. Misalnya digunakan untuk memberi label, simbol, lambang, atau nama pada sebuah kategori sehingga akan mempermudah pengelompokan data menurut kategorinya.

Contoh

Contoh yang paling umum digunakan yaitu variabel jenis kelamin. Jenis kelamin akan dibedakan menjadi Laki-laki dan Perempuan.

Dalam hal ini, hasil pengukuran tidak memiliki tingkatan tertentu. Artinya laki-laki tidak lebih tinggi daripada perempuan, atau sebaliknya.

2.2 Skala Ordinal

Skala ordinal merupakan skala pengukuran yang sudah menyatakan peringkat antar tingkatan. Jarak atau interval antar tingkatan juga tidak harus sama.

Skala ordinal ini memiliki tingkatan yang lebih tinggi daripada skala nominal, karena skala ini tidak hanya menunjukkan kategori saja tetapi juga menunjukkan peringkat.

Di dalam skala ordinal, objek atau kategorinya disusun berdasarkan urutan tingkatannya, dari tingkat terendah ke tingkat tertinggi atau sebaliknya,

Contoh

Contoh pada variabel sikap seseorang terhadap suatu pernyataan, sikap tersebut berupa sangat setuju, setuju, biasa saja, tidak setuju, sangat tidak setuju.

Pada variabel sikap ini dari sangat setuju ke sangat tidak setuju menunjukkan kategori dan memiliki tingkatan.

Di dalam sebuah penelitian, kategori tersebut bisa disimbolkan dengan angka, misal angka 5 untuk sangat setuju, angka 4 untuk setuju, angka 3 untuk biasa saja, angka 2 untuk tidak setuju, dan angka 1 untuk sangat tidak setuju.

2.3 Skala Interval

Skala Interval merupakan skala pengukuran yang bisas digunakan untuk menyatakan peringkat untuk antar tingkatan. Jarak atau interval antar tingkatan pun sudah jelas, hanya saja tidak memiliki nilai 0 (nol) mutlak.

Skala interval ini bisa dikatakan berada diatas skala ordinal dan nominal. Besar interval atau jarak satu data dengan data yang lainnya memiliki bobot nilai yang sama. Besar interval ini bisa saja di tambah atau dikurang.

Contoh

contoh yang paling umum pada skala interval adalah suhu. Misalkan suatu ruangan memiliki suhu 0C, ini bukan berarti bahwa ruangan tersebut tidak ada suhunya.

Angka 0C disini merupakan suhu, hal ini dikarena pada skala interval 0 (nol) bukanlah nilai yang mutlak.

2.4 Skala Rasio

Skala rasio adalah skala pengukuran yang ditujukan pada hasil pengukuran yang bisa dibedakan, diurutkan, memiliki jarak tertentu, dan bisa dibandingkan.

Skala rasio merupakan tingkatan skala paling tinggi dan paling lengkap dibanding skala-skala lainnya. Jarak atau interval antar tingkatan sudah jelas, dan memiliki nilai 0 (nol) yang mutlak. Nilai nol mutlak berarti benar-benar menyatakan tidak ada.

Contoh

misal tinggi badan Agung adalah 190 cm sedangkan tinggi badan Vatinson adalah 95 cm. Pada situasi ini dapat dikatakan bahwa jarak tinggi badan Vatinson dengan Agung adalah 95 cm. Bisa juga dikatakan bahwa tinggi badan Agung 2 kali tinggi badan Vatinson.

3 Pengertian Populasi dan Sampel

3.1 Populasi

Populasi adalah keseluruhan dari target penelitian. Dapat juga dikatakan Semesta dari targer penelitian atau target pengambilan data.

3.2 Sampel

Sampel adalah subset dari populasi yang dianggap dapat mewakili keseluruhan populasi untuk dijadikan subjek penelitian.

4 Definisi Statistika dan Komputasi Statistika

4.1 Statistika

Cabang ilmu pengetahuan yang mempelajari cara memproses data mentah menjadi kesimpulan dan siap untuk divisualisasikan setelah melalui berbagai proses yang diperlukan..

4.2 Komputasi Statistika

Model Statistika modern dimana pemrosesan data melalui kmoputer dan pemrogaman, sehingga sistem perhitungan dan pengambilan kesimpulan menjadi jauh lebih cepat dan lebih akurat. Pendektesian error pada data pun menjadi lebih baik.

5 Perbedaan data Kuantitatif dan Kualitatif

Data kualitatif adalah data yang dinyatakan dalam bentuk kata, kalimat, dan gambar sedangkan Data kuantitatif adalah data yang berbentuk angka, atau data kualitatif yang diangkakan

---
title: "Statistics Computation"
subtitle: "Assignment Week 1"
author: "Julian Salomo (20194920003)"
date: "`r format(Sys.Date(), '%B %d, %Y')`"
output: 
  html_document: 
    html_document: null
    code_folding: hide
    toc: yes
    toc_float:
      collapsed: yes
    number_sections: yes
    code_download: yes
    theme: sandstone
    css: D:/Julian Salomo/Matana/0000/style.css
    highlight: monochrome
---

```{r include=FALSE}
knitr::opts_chunk$set(class.source = "nocopy",
                      class.output = "nocopy",
                      message = F,
                      warning = F)
```

```{r me, echo=FALSE,fig.align='center', out.width = '30%'}
knitr::include_graphics("D:/Julian Salomo/Matana/0000/logo.png")
```

Email &nbsp;&nbsp;&nbsp;&nbsp;&nbsp; &nbsp; &nbsp; &nbsp;&nbsp;:  juliansalomo2@gmail.com <br>
RPubs  &nbsp;&nbsp;&nbsp;&nbsp;&nbsp; &nbsp; &nbsp; &nbsp;: https://rpubs.com/juliansalomo/ <br>
Github  &nbsp;&nbsp;&nbsp;&nbsp;&nbsp; &nbsp; &nbsp; : https://github.com/juliansalomo/ <br>
Jurusan &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;: [Statistika](https://matanauniversity.ac.id/?ly=academic&c=sb) <br>
Address  &nbsp; &nbsp; &nbsp; &nbsp; : ARA Center, Matana University Tower <br>
&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;&nbsp; Jl. CBD Barat Kav, RT.1, Curug Sangereng, Kelapa Dua, Tangerang, Banten 15810.

****

# Pengertian Data, Jenis-Jenis Data, dan Pentingnya Data

## Pengertian data

Data adalah kumpulan informasi dari suatu aktivitas atau kegiatan yang telah terjadi sebelumnya yang berguna untuk menjadi bukti, riwayat tentang apa yang telah terjadi serta untuk memprediksi kejadian dan aktivitas masa depan.

## Jenis-jenis data

Data terbagi menjadi dua jenis, yaitu:

* Data Kualitatif
* Data Kuantitatif

## Pentingnya data

Data sangat penting untuk menjadi riwayat peristiwa, kejadian, dan aktivitas yang telah terjadi. Dari data-data ini kemudian dapat dilakukan proses peramalan dan prediksi untuk kejadian-kejadian di masa depan. Dari data pun kita bisa melakukan perhitungan untuk menarik kesimpulan yang sangat berguna untuk menentukan tindakan yang harus dilakukan berikutnya.

# 4 Jenis Skala Pengukuran dalam Statistika dan contohnya

## Skala Nominal

Skala nominal merupakan skala pengukuran paling sederhana atau tingkatannya paling rendah di dalam suatu penelitian.

Skala ini hanya digunakan untuk memberikan kategori saja. Misalnya digunakan untuk memberi label, simbol, lambang, atau nama pada sebuah kategori sehingga akan mempermudah pengelompokan data menurut kategorinya.

> Contoh

Contoh yang paling umum digunakan yaitu variabel jenis kelamin. Jenis kelamin akan dibedakan menjadi Laki-laki dan Perempuan.

Dalam hal ini, hasil pengukuran tidak memiliki tingkatan tertentu. Artinya laki-laki tidak lebih tinggi daripada perempuan, atau sebaliknya.

## Skala Ordinal

Skala ordinal merupakan skala pengukuran yang sudah menyatakan peringkat antar tingkatan. Jarak atau interval antar tingkatan juga tidak harus sama.

Skala ordinal ini memiliki tingkatan yang lebih tinggi daripada skala nominal, karena skala ini tidak hanya menunjukkan kategori saja tetapi juga menunjukkan peringkat.

Di dalam skala ordinal, objek atau kategorinya disusun berdasarkan urutan tingkatannya, dari tingkat terendah ke tingkat tertinggi atau sebaliknya,

> Contoh

Contoh pada variabel sikap seseorang terhadap suatu pernyataan, sikap tersebut berupa sangat setuju, setuju, biasa saja, tidak setuju, sangat tidak setuju.

Pada variabel sikap ini dari sangat setuju ke sangat tidak setuju menunjukkan kategori dan memiliki tingkatan.

Di dalam sebuah penelitian, kategori tersebut bisa disimbolkan dengan angka, misal angka 5 untuk sangat setuju, angka 4 untuk setuju, angka 3 untuk biasa saja, angka 2 untuk tidak setuju, dan angka 1 untuk sangat tidak setuju.

## Skala Interval

Skala Interval merupakan skala pengukuran yang bisas digunakan untuk menyatakan peringkat untuk antar tingkatan. Jarak atau interval antar tingkatan pun sudah jelas, hanya saja tidak memiliki nilai 0 (nol) mutlak.

Skala interval ini bisa dikatakan berada diatas skala ordinal dan nominal. Besar interval atau jarak satu data dengan data yang lainnya memiliki bobot nilai yang sama. Besar interval ini bisa saja di tambah atau dikurang.

> Contoh

contoh yang paling umum pada skala interval adalah suhu. Misalkan suatu ruangan memiliki suhu 0C, ini bukan berarti bahwa ruangan tersebut tidak ada suhunya.

Angka 0C disini merupakan suhu, hal ini dikarena pada skala interval 0 (nol) bukanlah nilai yang mutlak.

## Skala Rasio

Skala rasio adalah skala pengukuran yang ditujukan pada hasil pengukuran yang bisa dibedakan, diurutkan, memiliki jarak tertentu, dan bisa dibandingkan.

Skala rasio merupakan tingkatan skala paling tinggi dan paling lengkap dibanding skala-skala lainnya. Jarak atau interval antar tingkatan sudah jelas, dan memiliki nilai 0 (nol) yang mutlak. Nilai nol mutlak berarti benar-benar menyatakan tidak ada.

> Contoh

misal tinggi badan Agung adalah 190 cm sedangkan tinggi badan Vatinson adalah 95 cm. Pada situasi ini dapat dikatakan bahwa jarak tinggi badan Vatinson dengan Agung adalah 95 cm. Bisa juga dikatakan bahwa tinggi badan Agung 2 kali tinggi badan Vatinson.

# Pengertian Populasi dan Sampel

## Populasi

Populasi adalah keseluruhan dari target penelitian. Dapat juga dikatakan Semesta dari targer penelitian atau target pengambilan data.

## Sampel

Sampel adalah subset dari populasi yang dianggap dapat mewakili keseluruhan populasi untuk dijadikan subjek penelitian.

# Definisi Statistika dan Komputasi Statistika

## Statistika

Cabang ilmu pengetahuan yang mempelajari cara memproses data mentah menjadi kesimpulan dan siap untuk divisualisasikan setelah melalui berbagai proses yang diperlukan..

## Komputasi Statistika

Model Statistika modern dimana pemrosesan data melalui kmoputer dan pemrogaman, sehingga sistem perhitungan dan pengambilan kesimpulan menjadi jauh lebih cepat dan lebih akurat. Pendektesian error pada data pun menjadi lebih baik.

# Perbedaan data Kuantitatif dan Kualitatif

Data kualitatif adalah data yang dinyatakan dalam bentuk kata, kalimat, dan gambar sedangkan Data kuantitatif adalah data yang berbentuk angka, atau data kualitatif yang diangkakan