Langsung ke konten utama

Visualisasi Data dengan Peta sebagai Pendukung Analisis Spasial (Spatial Analysis)

Visualisasi data dengan peta spasial Analisis spasial atau berbasis kewilayahan akhir-akhir ini semakin banyak diminati. Selain mempunyai daya tarik karena enak dipandang mata, visualisasi spasial dengan peta ini juga dinilai meningkatkan kecepatan pemahaman pengguna informasi yang disajikan. Bila data yang kita miliki memiliki variabel lokasi atau kontur, visualisasi spasial bisa jadi menjadi pilihan tepat. Dengan berbekal peta berekstensi *shp dan sebuah data lokasi atau kontur, visualisasi spasial dapat diterapkan secara mudah. Namun kenyataannya, tidak mudah bagi kita untuk melakukan visualisasi data secara spasial. Beberapa data yang diperlukan adalah garis lintang dan bujur, juga data yang akan divisualkan. Misalkan data Angka Kematian Bayi (AKB). Sebelum praktikum, ada baiknya kita pahami dulu apa itu AKB. Menurut Badan Pusat Statistik (BPS), Angka Kematian Bayi adalah banyaknya bayi yang meninggal sebelum mencapai umur 1 tahun pada waktu tertentu per 1.000 kelahiran hidup pada
Posting Komentar

Uji Normalitas Jarque-Bera dengan R

Uji Normalitas residual dengan Jarque-Bera

Uji normalitas sisaan atau residual model dalam dunia penelitian begitu populer. Kita pastinya akan dihadapkan dengan uji asumsi ini ketika kita menggunakan model regresi linier (dalam parameter) yang harus memenuhi salah satu uji asumsi klasik kenormalan.

Statistik yang biasa digunakan untuk menguji apakah residual model regresi linier yang kita gunakan telah mengikuti distribusi normal atau tidak salah satunya adalah uji Jarque-Bera atau diistilahkan JB-test. Uji ini biasanya kita temui di beberapa alat olah dan pemodelan data seperti Eviews. Namun kali ini kita akan coba belajar bersama-sama bagaimana penerapan uji JB menggunakan bahasa R dalam R Studio. Menurut buku yang berjudul Data Mining: Analisis Regresi dengan R Studio oleh Joko Ade Nursiyono dan Pray (2021), uji Jarque-Bera merupakan uji formal yang menitikberatkan perhitungan statistik ujinya pada nilai Skewness dan Kurtosis dari data yang ada (dalam kasus ini data tersebut adalah residual model regresi linier). Uji formal ini ditemukan oleh Carlos Jarque dan Anil K.Bera. Secara matematis, statistik uji Jarque-Bera dapat dituliskan sebagai berikut:

Rumus dan atribut uji normalitas Jarque-Bera
 

Lantas, bagaimana penerapannya dalam R? Sebelumnya sebagaimana adat-istiadat sebelum melakukan eksekusi pengujian atau olah data, terlebih dahulu kita akan membuat secara manual datanya. Teman-teman diharapkan nantinya dapat menerapkan hasil belajar dari blog ini pada data-data riil yang teman-teman miliki.

Adapun package yang salah satunya bisa digunakan dalam pengujian normalitas dengan JB test adalah package tseries. Jadi, bagi teman-teman yang belum menginstall package ini wajib untuk menginstalnya terlebih dahulu dengan menggunakan fungsi install.packages("tseries") pada scripts atau Console R. Setelah itu, kita bisa coba saja beberapa code berikut:

Code:

#Install dan aktifkan dulu package-nya

install.packages("teseries")

library(tseries)

Code:

#Mengenerate Dataset
x1 <- c(8, 7, 9, 3, 6, 8, 9, 2, 9, 8, 4, 4, 6, 10)
y <- c(5, 4, 7, 2, 5, 6, 8, 3, 5, 7, 2, 2, 3, 9)
df <- data.frame(x1, y)

#Melihat sekilas dataset
head(df)

Hasil:

 x1 y
1  8 5
2  7 4
3  9 7
4  3 2
5  6 5
6  8 6

Code:

#Pemodelan Regresi Linier Sederhana
model <- lm(y~x1, data = df)

#Melihat ringkasan pemodelan regresi linier berganda
summary(model)

Hasil:

Call:
lm(formula = y ~ x1, data = df)

Residuals:
     Min       1Q   Median       3Q      Max
-1.73476 -0.89163  0.05322  0.96009  1.84120

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept)  -0.4343     0.9209  -0.472    0.646    
x1            0.7966     0.1301   6.121 5.17e-05 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 1.187 on 12 degrees of freedom
Multiple R-squared:  0.7574,    Adjusted R-squared:  0.7372
F-statistic: 37.46 on 1 and 12 DF,  p-value: 5.171e-05

Interpretasi: terlihat bahwa secara statistik, variabel x1 berpengaruh secara signifikan terhadap y dengan alpha yang digunakan 0,05.

Code:

#uji Normalitas residual model
jarque.bera.test(model$residuals)

Hasil:

    Jarque Bera Test

data:  model$residuals
X-squared = 0.95218, df = 2, p-value = 0.6212

Interpretasi: karena nilai p-value nya > alpha 0,05 (alpha penelitian yang digunakan), disimpulkan bahwa residual model regresi linier sederhana telah mengikuti distribusi normal atau memenuhi uji asumsi kenormalan.

Oke, demikian sedikit ulasan bagaimana kita menerapkan uji Jarque-Bera dengan menggunakan R. Jangan lupa untuk share, tanya-tanya di kolom komentar, dan menyimak unggahan berikutnya. Semoga bermanfaat.

Referensi: https://isbn.perpusnas.go.id/Account/SearchBuku?searchTxt=Joko+Ade+Nursiyono&searchCat=Pengarang

Label:

Komentar

Posting Komentar

Postingan populer dari blog ini

Pemodelan Autoregressive Integrated Moving Average (ARIMA Model) dengan R

ARIMA dengan R Jumpa lagi teman-teman, sebelumnya saya mohon maaf karena kemarin tidak sempat membuat unggahan terbaru di blog ini. Baik, sebelumnya kita telah mengulas tentang pemodelan Geographically Weigthed Regression (GWR) dengan R. Kali ini, kita akan melanjutkan belajar bersama mengenai pemodelan yang tak asing lagi dan populer hingga kini, yaitu pemodelan Autoregressive Integrated Moving Average (ARIMA). Kita akan membahas ARIMA secara langsung tanpa membahas AR dan MA secara tersendiri mengingat pada dasarnya ARIMA adalah model perpaduan antara model AR dengan order p , MA dengan order q dan aspek differencing dengan order d . Artinya, ketika kita mendengar istilah AR(1), maka sebenarnya itu adalah ARIMA(1, 0, 0), ketika kita mendengar ARI(1,1), maka aslinya itu ARIMA(1, 1, 0), atau bila mendengar MA(3), itu sebenarnya ARIMA(0, 0, 3) atau IMA(2,1) sebenarnya adalah ARIMA(0, 2, 1). Data runtun waktu atau time series merupakan salah satu jenis data yang hingga kini banyak digun
Posting Komentar
Baca selengkapnya

Machine Learning: Memahami Reinforcement Learning

Reinforcement Learning Halo teman-teman, pada pembahasan sebelumnya, kita telah berusaha memahami mengenai supervised learning dan unsupervised learning . Sebelum lanjut ke pemodelan statistik selanjutnya, ada baiknya kita membahas tentang satu lagi jenis algoritma machine learning yang akhir-akhir ini banyak digunakan dalam membentuk artificial intelligence (AI), yaitu algoritma reinforcement learning . Kita ke pengertian berdasarkan studi literatur daring ( online ) dulu teman-teman. Saya coba mengambil salah satu pengertian reinforcement learning, misalkan dari situsnya Algoritma, menyatakan bahwa reinforcement learning merupakan algoritma yang diterapkan untuk pembelajaran mesin ( machine learning ) sedemikian rupa sehingga dapat menentukan aksi yang tepat dan pada akhirnya sebuah program dapat bekerja secara otomatis memberikan hasil atau putusan yang benar. Lebih lanjut dalam situs algoritma mengangkat sebuah perumpamaan reinforcement learning dengan menggunakan proses penugasan
Posting Komentar
Baca selengkapnya

Machine Learning: Perbedaan Supervised Learning dan Unsupervised Learning

Perbedaan supervised learning dan unsupervised learning Halo teman-teman, kemarin kita telah mengawali bahasan mengenai salah satu anggota dari Machine Learning sekaligus merupakan contoh dari algoritma supervised learning , yaitu Naive Bayes Classifier (NBC). Akhir-akhir ini, dunia sains data dihebohkan dengan berbagai istilah statistik yang berkaitan erat dengan komputasi atau komputasi statistik, yaitu supervised learning dan unsupervised learning . Sebenarnya ada lagi istilah baru dan cukup makin sulit menyederhanakan definisinya, yaitu reinforcement learning , tapi khusus reinforcement learning nanti akan kita bahas tersendiri karena kita mulai bersinggungan dengan Artificial Intelligence atau kecerdasan buatan. Jujur, saya mengakui bahwa tidak semua dari kita memiliki latar belakang apalagi pakar teknologi informasi (IT). Sehingga, bila kita cermati bahasan-bahasan atau istilah komputasi statistik, sains data, atau data engineering , kita mungkin akan sejenak loading , bahkan s
Posting Komentar
Baca selengkapnya