[Tutorial] Tabel kontingensi dua arah dengan menggunakan R paket R Commander

Setelah hari ini membuat dua postingan mengenai statistik deskriptif  mengenai statistik deskriptif dan uji normalitas  menggunakan R commander. nah, untuk melengkapi itu. pada hari ini juga akan membahas tabel kontingensi. nah apa itu tabel kontingensi? Tabel kontingensi merupakan bagian dari tabel baris kolom, akan tetapi tabel ini mempunyai ciri khusus, yaitu untuk menyajikan data yang terdiri atas dua faktor atau dua variabel, faktor yang satu terdiri atas b kategori dan lainnya terdiri atas k kategori, dapat dibuat daftar kontingensi berukuran b x k dengan b menyatakan baris dan k menyatakan kolom.

Sebelum kita mulai tentu saja cara pertama import data yang akan digunakan. untuk yang belum tau caranya bisa kesini dulu ya Menambahkan/Input Data di Program R menggunakan paket R Commander. data yang digunakan bisa di download disini Data Jagung kalau mau coba sendiri. tabel kontingensi disini menggunakan gabungan dari variabel kategorik dimana menghitung frekuensi. untuk kali ini tabel kontingensi menggunakan dua cara yaitu langsung dari data yang tersedia atau masukkan sendiri angkanya dalam tabel. untuk lebih jelasnya berikut penjelasannya.

Tabel Kontingensi Dua Arah

Pembuatan tabel kontingensi dua arah pada R‐Commander dapat dilakukan dengan menggunakan menu Statistics, pilih Contingency Table, dan kemudian pilih Tabel dua arah. Setelah itu akan terlihat jendela pilihan tentang dua variabel kategorik yang akan dibuat tabel kontingensi dua arah.

Misalkan akan dibuat tabel kontingensi dua arah untuk variabel Pulau dan Peringkat, maka pada jendela dialog pilihan Peubah baris yang muncul klik Pulau dan pilih Peringkat pada pilihan Peubah kolom. Kemudian pada tab statistic pilih besaran (persentase baris, persentase kolom, atau persentase keseluruhan) dan uji hipotesis (sebagai pilihan default adalah uji kesaling bebasan Chi‐kuadrat) yang akan dilakukan.

Setelah itu, klik OK untuk menampilkan output tabel kontingensi dua arah.

Output uji Chi‐kuadrat terlihat diperoleh p-value 0,2658 artinya gagal tolak H0. sehingga tapat dikatakan Pulau dan Peringkat produksi saling bebas artinya tidak ada pengaruh suatu pulau terhadap pringkat produksi jagung.

Entry Langsung Data Frekuensi untuk Tabel Kontingensi Dua Arah

R juga menyediakan fasilitas untuk membuat tabel kontingensi dua arah dengan cara memasukkan langsung frekuensi‐frekuensi pada setiap kombinasi sel yang ada pada tabel kontingensi. Pembuatan masukkan tabel dua arah ini pada R‐Commander dapat dilakukan dengan menggunakan menu Statistics, pilih Contingency Table, dan kemudian pilih Enter and Analyze two-way table. Setelah itu akan terlihat jendela pilihan tentang Banyaknya baris dan Banyaknya kolom, serta Masukkan frekuensi yang akan dibuat tabel kontingensi dua arah.

Misalkan akan dibuat tabel kontingensi dua arah untuk variabel Pilihan Acara TVdan Gender Responden, maka pada jendela kolom, tulis Olah raga dan Sinetron, dan tulis Pria dan Wanita pada jendela baris. Isikan angka 45, 20, 25, dan 40 pada empat sel isian yang ada (misal Pria cenderung menonton Olah raga, sedangkan Wanita cenderung menonton Sinetron). Kemudian pada tab statistic pilih besaran (persentase baris, persentase kolom, atau persentase keseluruhan) dan uji hipotesis (sebagai pilihan default adalah uji kesaling bebasan Chi‐kuadrat) yang akan dilakukan.

Kemudian klik OK untuk menampilkan output tabel kontingensi dua arah.

Hasil dari output ini adalah tabel kontingensi dua arah yang berisi frekuensi pada masing‐masing sel kombinasi gender responden dan acara TV yang sering ditonton. Hasil uji Chi‐kuadrat menunjukkan nilai p‐value 0.0004337. Sehingga jika digunakan α=0.05 dapat disimpulkan bahwa pengujian menunjukkan tolak H0 yang berarti bahwa gender responden dan acara TV yang ditonton tidak saling bebas atau saling terkait. Keterkaitan dua variabel tersebut adalah Pria cenderung menonton Olah raga (68,2% Pria), sedangkan Wanita cenderung menonton Sinetron (61,5% Wanita).

Kalau ada kritik, saran dan pertanyaan silahkan komentarnya di kolom komentar di bawah. Kalau tidak punya akun silahkan ditulis sebelah kiri yaitu kolom “Chatbox”. Mohon dicantumkan email atau contact yang bisa dihubungi.

Sumber: Buku(Suhartono, 2008):Analisis Data statistik dengan R

[Tutorial] Uji Kenormalan Shapiro‐Wilk menggunakan R pada Paket R Commander

Uji Kenormalan Shapiro‐Wilk

Postingan kali ini merupakan salah satu bagian dari Analisis deskriptif pada R commander. tapi karena uji kenormalan ini agak berbeda materi dengan analisis deskriptif. sehingga akan dibuat tersendiri. selain itu dapat mempermudah pendataaan dari materi dalam blog ini.hhehehe. kalau yang belum tau tentang Shapiro wilk bisa buka link  atau dari Uji Asumsi Analisis Regresi linear atau Wikipedia

Untuk datanya bisa didownload disini (Dropbox)
Oh iya, sebelum tutorial bisa import sendiri ya, tapi kalau belum tau silahkan kesini   Input Data pada Program R


Perhitungan Uji Kenormalan Shapiro‐Wilk pada R‐Commander dapat dilakukan dengan menggunakan menu Statistics, pilih Summaries, kemudian pilih Uji kenormalan Shapiro‐Wilk.

Misalkan akan dilakukan pengujian kenormalan untuk variabel Produksi maka pada jendela dialog pilihan Peubah yang muncul, klik Produksi tersebut. Kemudian klik OK untuk menampilkan output pengujian pada jendela keluaran seperti berikut ini.

Output ini menunjukkan bahwa nilai p‐value pengujian adalah 4.616e‐09. Sehingga jika digunakan α=0.05 dapat disimpulkan bahwa pengujian menunjukkan tolak H0 yang berarti data Produksi tidak berdistribusi normal.

Kalau ada kritik, saran dan pertanyaan silahkan komentarnya di kolom komentar di bawah. Kalau tidak punya akun silahkan ditulis sebelah kiri yaitu kolom “Chatbox”. Mohon dicantumkan email atau contact yang bisa dihubungi.

Sumber: Buku(Suhartono, 2008):Analisis Data statistik dengan R

[tutorial] Analisis Deskriptif menggunakan R paket R-commander

Untuk tahap ini akan membahas penggunaan R‐Commander untuk membuat statistik deskriptif dari suatu kumpulan data, khususnya pembuatan ringkasan (summary) data dan pembuatan tabel. Ringkasan data difokuskan pada pembuatan statistik deskriptif, yaitu ukuran‐ukuran pemusatan, penyebaran, kemiringan, keruncingan, dan lokasi daridata‐data numerik (metrik). Sedangkan pembuatan tabel difokuskan pada data‐data nonnumerik.

Paket R menyediakan beberapa fasilitas berkaitan dengan pembuatan ringkasan dari data numerik dan nonnumerik. Secara lengkap fasilitas yang berkaitan dengan ringkasan data

• Ringkasan numerik
• Distribusi Frekuensi
• Hitung observasi hilang
• Tabel statistika
• Matriks korelasi
• Uji korelasi
• Uji kenormalan Shapiro‐Wilk 

Sebelum memulai tutorialnya. langkah pertama yaitu persiapkan data yang digunakan kemudian masukkan/ import data ke program R. Untuk datanya bisa didownload disini (Dropbox). Oh iya, sebelum tutorial bisa import sendiri ya, tapi kalau belum tau silahkan kesini   Input Data pada Program R. berikut sedikit statisik deskriptif

1. Ringkasan Numerik (Summary)

Pada bagian ini akan dijelaskan cara perhitungan ringkasan deskriptif dari data dengan menggunakan berbagai metode statistika deskriptif. Secara umum ada dua macam data yang akan dibuat ringkasan numeriknya, yaitu data numerik (skala interval atau rasio) dan data kategorik (skala nominal atau ordinal). R menyediakan dua macam cara untuk menampilkan ringkasan numerik dari variabel‐variabel yang ada pada data, yaitu menampilkan ringkasan numerik dari semua variabel yang ada, dan menampilkan ringkasan numerik hanya dari variabel tertentu saja.

Perhitungan Ringkasan Numerik dari semua variabel dapat dilakukan dengan R Commander, yaitu gunakan menu Statistics, pilih Summaries, pilih Aktive Data set. Pada data numerik, ringkasan numerik akan menampilkan beberapa besaran statistik yaitu Mean, Min, Max, Kuartil 1, Median,dan Kuartil 3. Sedangkan pada data kategorik, ringkasan numerik hanya menampilkan jumlah atau frekuensi pada masing masing kategori yang ada.

Perhitungan Ringkasan Numerik khusus untuk variabel numrik dapat dilakukan dengan R‐Commander, yaitu gunakan menu Statistics, pilih Summaries, pilih Numerical summaries. Setelah itu akan terlihat jendela informasi tentang variabel metrik dari dataset yang akan ditampilkan ringkasan numeriknya

Misalkan akan dibuat ringkasan numerik untuk variabel Produksi , maka pada jendela dialog yang muncul, klik Produksi pada pilihan Peubah. Kemudian klik besaran‐besaran statistik yang akan ditampilkan ringkasannya. Setelah itu, klik OK untuk menampilkan output ringkasan numeriknya, sehingga diperoleh output pada jendela keluaran seperti berikut ini.

R juga menyediakan fasilitas untuk menampilkan ringkasan numerik dari variabel numerik berdasarkan group atau faktor tertentu. Misalkan akan dibuat ringkasan untuk variabel Produksi berdasarkan Pulau, maka gunakan menu Statistics, pilih Summaries, pilih Numerical summaries, dan isikan pilihan seperti sebelumnya, yaitu variabel Produksi pada pilihan Peubah yang muncul. Kemudian klik Summaries by Groups, dan pilih variabel Pulau dari daftar Peubah kelompok.

Selanjutnya klik OK, maka akan diperoleh output ringkasan numerik pada jendela keluaran seperti pada output berikut ini.

Dari output tersebut dapat dijelaskan bahwa rata‐rata Produksi jagung tertinggi berdasarkan pulau yaitu pulau jawa sedangkan yang terendah yaitu papua dan maluku.

2. Distribusi Frekuensi

Pembuatan Distribusi Frekuensi untuk variabel kategorik dapat dilakukan dengan R‐Commander, yaitu gunakan menu Statistics, pilih Summaries, pilih Frequency Distribution. Setelah itu akan terlihat jendela pilihan tentang variabel kategorik.

Misalkan akan dibuat distribusi frekuensi untuk variabel Pulau, maka pada jendela dialog pilihan variabel yang muncul, klik Pulau pada pilihan Peubah.Sebagai tambahan, pada menu pilihan Distribusi Frekuensi. ini dapat juga dilakukan Uji Kecocokan untuk mengevaluasi apakah probabilitas masing‐masing kategori sesuai dengan yang dihipotesakan. Misalkan akan diuji apakah persentase negara pada masing‐masing Pulau adalah sama, yaitu 1/6, maka pilih chi-square goodness of fit(hanya untuk satu peubah) sehingga diperoleh jendela pilihan probabilitas yang menjadi hipotesis seperti gambar berikut ini.

Klik OK untuk menampilkan output hasil pengujian, sehingga diperoleh output pada jendela keluaran seperti berikut ini.

Hasil tersebut menunjukkan bahwa nilai p‐value pengujian adalah 0.3337. Sehingga jika digunakan α=0.05 dapat disimpulkan bahwa pengujian menunjukkan gagal tolak H0. Hal ini dikarenakan nilai p‐value lebih besar dari α. Dengan demikian dapat disimpulkan bahwa proporsi negara di masing‐masing Pulau adalah sama yaitu 1/6.

3. Tabel Statistik

R juga menyediakan fasilitas untuk membuat ringkasan statistik dalam tabel untuk suatu variabel numerik (metrik) berdasarkan variabel nonmetrik (kategorik) atau faktor tertentu. Pada R‐Commander, gunakan menu Statistika, pilih Ringkasan, pilih Tabel statistika

Misalkan akan dibuat tabel statistika untuk variabel Produksi berdasarkan variabel Pulau, maka pada jendela dialog pilihan Faktor yang muncul, klik Produksi dan klik Pulau pada pilihan Peubah respon. Kemudian pilih besaran statistik yang akan ditampilkan pada tabel statistika yang akan dibuat. Setelah itu, klik OK untuk menampilkan output tabel statistikanya, sehingga diperoleh output pada jendela keluaran seperti berikut ini.

4. Matriks korelasi

Perhitungan Matriks Korelasi untuk variabel‐variabel metrik dan nonmetrik dapat dilakukan dengan R‐Commander, yaitu gunakan menu statistics, pilih Summaries, pilih Correlation matriks, Setelah itu akan terlihat jendela pilihan tentang variabelvariabel dari dataset yang akan ditampilkan matriks korelasinya seperti pada Gambar berikut ini.

Misalkan akan dibuat matriks korelasi untuk variabel Luas lahan, Produksi dan Produktivitas, maka pada jendela dialog pilihan Peubah yang muncul, klik ketiga variabel tersebut. Kemudian pilih jenis korelasi (dalam kasus ini pilih Produk‐Momen Pearson) yang akan ditampilkan pada matriks korelasi yang akan dibuat. Setelah itu, klik OK untuk menampilkan output matriks korelasi, sehingga diperoleh output pada jendela keluaran seperti berikut ini.

5. Uji korelasi

Perhitungan Uji Korelasi, baik untuk korelasi Produk‐Momen Pearson ataupun korelasi Rank‐Order Spearman dapat dilakukan dengan R‐Commander, yaitu gunakan menu Statistics, pilih Summaries, pilih Correlation Matrix.

Misalkan akan dilakukan pengujian korelasi untuk variabel Produksi dan Luas Panen, maka pada jendela dialog pilihan Peubah yang muncul, klik kedua variabel tersebut. Kemudian pilih jenis korelasi (dalam kasus ini pilih Produk‐Momen Pearson) yang akan diuji. Setelah itu, klik OK untuk menampilkan output pengujian pada jendela keluaran seperti berikut ini.

Hasil tersebut menunjukkan bahwa nilai p‐value pengujian adalah 2.2e‐16. Sehingga jika digunakan α=0.05 dapat disimpulkan bahwa pengujian menunjukkan tolak H0. Hal ini dikarenakan nilai p‐value lebih kecil dari α. Dengan demikian dapat disimpulkan bahwa ada korelasi positif antara Luas Panen dan Produksi.

Kalau ada kritik, saran dan pertanyaan silahkan komentarnya di kolom komentar di bawah. Kalau tidak punya akun silahkan ditulis sebelah kiri yaitu kolom “Chatbox”. Mohon dicantumkan email atau contact yang bisa dihubungi.

Sumber: Buku(Suhartono, 2008):Analisis Data statistik dengan R

grafis informasi (infografis) dan Statistik

Kebutuhan data di era modern sangatlah penting. setiap kebijakan atau tindakan yang akan dilakukan dalam urusan pemerintahan, bisnism, ilmiah sampai hal sepele seperti urusan rumah tangga tidak boleh sembarangan. bisa beraibat fatal.hehehe. namun, data yang disajikan atau diberikan ke masyarakat umum khususnya di indonesia bisa dibilang masih kurang. walaupun sudah mulai ada tapi jumlahnya masih sedikit. sehingga orang atau organisasi dituntut untuk membuat tampilan data yang dimengerti dan mudah diingat oleh masyarakat umum. Berlatar belakang dari itu sekarang ini muncul suatu istilah baru yang disebut grafis info. ya tidak baru juga sih. mungkin karena aku baru tau. oleh karena itu, saya mau ikut mensosialisasikan sedikit pengetahuan yang saya ketahui mudah-mudahan bisa diimplementasikan di kehidupan sehari-hari.

Apa itu Info Grafis (Infographic)?

Grafis informasi atau infografis adalah representasi visual informasi, data atau ilmu pengetahuan secara grafis. Grafis ini memperlihatkan informasi rumit dengan singkat dan jelas, seperti pada papan, peta, jurnalisme, penulisan teknis, dan pendidikan. Melalui grafis informasi, ilmuwan komputer, matematikawan dan statistikawan mampu mengembangkan dan mengomunikasikan konsep menggunakan satu simbol untuk memroses informasi.

Saat ini, grafis informasi ada di segala bentuk media, mulai dari hasil cetakan biasa dan ilmiah hingga papan dan rambu jalan. Infografis mengilustasikan informasi yang memiliki sedikit teks, dan berperan sebagai ringkasan visual untuk konsep sehari-hari seperti rambu berhenti dan jalan.

Perkembangannya infografis gimana?

Katanya pertama kali di perkenalkan oleh Christoph Scheiner tahun 1626 dimana saat itu dia menerbitkan buku yang berjudul the Rosa Ursina sive Sol bukunya menjelaskan tentang rotasi matahari dan pada saat itu iya membuat suatu infografis. mungkin waktu dia ga sadar.hehehehe. seiring berjalan waktu (sebenarnya ada runtutannya tapi baca sendiri aja ya). pada abad 21 ini sangatlah berkembang pesat apalagi didukung dengan peningkatan teknologi informasi.

Hubungan Infografis dan statistik?

Tiga bagian dari semua infographics adalah visual, konten, dan pengetahuan. visual yang terdiri dari warna dan grafis. Ada dua jenis grafis - tema dan referensi. Grafis tema yang termasuk dalam semua infographics dan mewakili representasi visual yang mendasari data. Grafis referensi umumnya ikon yang dapat digunakan untuk menunjuk ke data tertentu, meskipun mereka tidak selalu ditemukan dalam infographics. Statistik dan fakta biasanya berfungsi sebagai konten untuk infographics, dan dapat diperoleh dari sejumlah sumber, termasuk data sensus dan laporan berita. Salah satu aspek yang paling penting dari infographics adalah bahwa mereka mengandung semacam wawasan data yang mereka sajikan - ini adalah pengetahuan.

Oleh karena itu bisa dihubungkan kalau infografis tidak terlepas dari statistik. karena fakta yang disampaikan harus berupa data yang uptodate selain itu tampilan dari data itu berupa grafis yang berupa grafik-grafik yang sering biasa kita gunakan seperti grafik batang, grafik pie, grafil dougnut dan sebagainya.

Contoh infografis

Sekian atas sedikit info ini, ya walaupun tidak lengkap tapi di atas mungkin sudah cukup menggambarkan infographic itu apa? dan kegunaanya gimana? selain itu bisa digunakan mendapatkan uang. banyak lomba-lomba yang bertema infographic. selain itu bisa berkompetisi di 99designs.com mudah-mudahan menang. hadiahnya lumayan.hehehehe

Kalau ada kritik, saran dan pertanyaan silahkan komentarnya di kolom komentar di bawah. Kalau tidak punya akun silahkan ditulis sebelah kiri yaitu kolom “Chatbox”. Mohon dicantumkan email atau contact yang bisa dihubungi.

Sumber: Wikipedia.

[Tutorial] cara membuat Grafik donat (Doughnut Chart) menggunakan microsoft Excel 2013

Doughnut chart yaitu grafik yang berbentuk donat seperti dengan namanya. Grafik ini sebenarnya hampir sama dengan pie chart (grafik) namun bentuknya yang beda. Kalau donat kan bentuk bulat dengan ada lubang di tengahnya sedangkan pie yaaa kayak kue pie. ini grafik apa makanan yaa.heheehe. Penggunaan ini tergantung dari kegunaan atau selera seseorang. mungkan ada yang suka donat dibandingkan dengan pie.hehehe

Kenapa Menggunakan Doughnut chart?

Doughnut chart digunakan hampir sama dengan pie chart yaitu menggambarkan kontribusi setiap bagian terhadap keseluruhan nilai. jadi apabila kita ilustrasikan dengan donat mungkin bagian bagian dari donat itu yang menyatakan kontribusi. nah terus bedanya apa dengan pie chart (grafik)? sedkit perbedaaan dengan pie chart yaitu bisa digunakan untuk membuat lebih dari satu doughnut dalam satu grafik. contoh aplikasinya yaitu dalam pie chart kita hanya bisa melihat kontribusi penjual dalam satu periode, namun untuk membuat lebih dari satu perlu dua grafik yang terpisah. keunggulan doughnut chart bisa digunakan dua atau lebih dalam satu grafik. kalau masih bingung kita lihat saja tutorial ini.

Tutorial kali ini menggunakan data produksi jagung tahun 2012 dan 2013 seperti dengan pie chart pada tutorial kemaren tapi kali ini ditambah satu tahun lagi. Data dari website Badan Pusat Statistik dengan menggunakan data per pulau agar hasilnya lebih baik.

Langkah-langkah menggunakan Doughnut chart:

1. Blok data yang akan digunakan seperti gambar di bawah:

2. klik insert, group charts, pilih pie chart kemudian pilih Doughnut chart seperti gambar berikut

3. Maka akan muncul hasil Doughnut chart

Tujuan kita sudah selesai setelah muncul hasil tersebut. tapi agar tampilannya lebih baik perlu dilakukan pengubahan.

Tips dalam mengedit Doughnut chart

1. Quick tools, digunakan untuk meperpaibiki tampilan grafik dengan cepat. tetapi toolsnya tidak terlalu banyak. caranya yaitu dengan klik doughnut chart maka akan tiga tools yang muncul

-Chart Element, digunakan untuk memunculkan.menghilangkan element pada grafik.

-Style and colors, digunakan untuk melakukan pengubahan tampilan style dan warna pic chart

-Values and names, digunakan untuk menentukan data yang akan ditampilkan.

2. Design, apabila cara quick tadi belum cukup maka bisa menggunakan design untuk mengubah style doughnut chart dengan lebih lengkap.

• Add Chart Element: digunakan untuk menampilkan element tambahan untuk grafik garis
• Quick layout: digunakan untuk menetukan layout yang sudah dibuat dan kita tinggal memilih.
• Change colors: mengganti warna
• Chart styles: mengubah tampilan grafik
• Switch row colomn : untuk mengganti antara baris dan kolom
• Select data: mengedit data yang sudah dipilih. bisa diganti atau dihilangkan atau ditambah.
• Change chart type : digunakan mengganti grafik yang sesuai dengan data dan keinginan.
• move chart : memindahkan grafik dari workfile satu ke workfile yang lain
  
  

3. Format, Selain mengubah tampilan bisa menggunakan format untuk memperbaiki style doughnut chart yang sudah terpilih pada design

• Current Selection : memilih tampilan yang mau diedit/diubah.
• Insert Shape : memasukkan shape yang baru
• Shape style : Untuk mengedit shape
• wordart styles: untuk mempercantik tulisan yang sudah dipilih.
• Arrange: digunakan untuk mengatur posisi grafik
• Size: digunakan untuk mengatur ukur grafik.
  
  

Perbedaan popularitas software Analisis data

Saat sekarang banyak sekali software statistik yang ada di pasaran. mulai dari yang berbayar hingga tidak berbayar. maraknya software ini tidak terlepas dari mulai banyak orang atau organisasi menyadari pentingnya statistik di era modern ini. pengambilan keputusan bukan hanya dari feeling/pra duga tetapi perlunya analisis secara ilmiah yang dapat dipertanggungjawabkan. hal ini hampir sama dengan makna "membangun tanpa data itu mahal"

nah pertanyaannya, dari banyak software itu software mana yang kita pakai? banyak pertimbangan yang perlu direnungkan. apakah yang bisa jalan di komputer kita? apakah yang sesuai dengan metode yang digunakan? jika tidak, bagaimana dengan kemapuannya? apakah menggunakan bahasa sendiri? atau dari luar yang sering diperoleh dari paket/library(misal: R,Python, SQL)apakah support penuh (programing atau point and click)? apakah visualnya sesuai dengan kemauanmu (statis atau interaktif)? apakah outputnya sesuai denganmu (cut dan copy vs Latex integration) apakah bisa dikerjakan untuk data yang besar? apakah kolega mu menggunakannya sehingga mudah untuk berbagi data dan program?

selain itu, pangsa pasar dari perusahaan software tersebut bisa dijadikan pertimbangan dan tren peningkatan atau penurunan. software yang populer dan banyak digunakan bisa dijadikan pertimbangan. untuk kali akan dibahas berbagai macam survei mengenai popularitas dan atau pangsa pasar yang bisa menjadi pertimbangan buat kita.

Penjualan dan download

The TIOBE Community Programming Index membuat peringkat tentang bahasa program yang paling populer. peringkat ini dihitung dari wikipedia, book on amazon, hasil search engine dan dikombinasikan menjadi suatu index. di januari 2012, R berada diperingkat 24 dan SAS berada diperingkat 31. kemudian pada mei 2013, mereka bertukar posisi dimana SAS peringkat 22 dan R di peringkat 24. bahasa program yang lain yang fokus analisis data yang masuk dalam 100 besar yaitu S. di tahun sebelumnya SPSS masuk dalam peringkat 50-100 tetapi setelah bulan februari 2013 SPSS sudah keluar dari 100 besar.

The Transparent Language Popularity Index hampir sama dengan TIOBE index juga melakukan survei. mei 2013, peringkat R yaitu 14 sedangkan SAS berada diperingkat 27. posisi ini hampir sama untuk priode 6 bulan. index ini juga memeringkat R sebagai bahasa script yang berada di posisi 6 setelah PHP,Python dan perl. SAS juga berada di peringkat 4 untuk penayangan sebagai aplikasi bisnis seperti COBOL atau PL/SQL.

Diskusi Internet

Ada beberapa ukuran yang stabil dan obyektif mengenai perangkat lunak analitik. Schawrtz (2009) menyarankan estimasi relatif popularitas dengan menghitung jumlah diskusi melalui email yang ditujukan untuk masing-masing. Paket yang paling banyak digunakan memiliki daftar diskusi, atau "listservs" dikhususkan untuk diskusi.Yang kurang populer juga tidak memiliki diskusi tersebut atau, seperti daftar untuk Minitab atau S-PLUS, mungkin hanya selusin atau lebih email per tahun.

Gambar di atas menunjukkan tingkat aktivitas masing-masing hanya listserv pembahasan utama dalam bulan tertentu (misalnya forum, kelompok berita dan kelompok Google dikecualikan). Plot ini berisi data sampai akhir 2012. Kita bisa melihat bahwa diskusi R telah berkembang paling pesat dan, selama beberapa tahun terakhir, R adalah software yang paling banyakb dibahas setelah itu diikuti oleh Stata, SAS dan SPSS. Stata menunjukkan pertumbuhan diskusi stabil sampai melewati SAS pada tahun 2010.

Dari tahun 2011 dan seterusnya, R dan Stata juga SAS dalam penurunan dalam diskusi listserv. Mengingat peningkatan tajam dalam popularitas analisis bisnis, Big Data, dan sebagainya, tidak mungkin bahwa orang yang menggunakan atau berbicara tentang alat ini sedikit. Sebaliknya, forum diskusi alternatif telah muncul. Situs Stack Overflow (http://stackoverflow.com) mencakup berbagai program dan topik statistik, sementara cross validation (http://stats.stackexchange.com/), hanya berfokus pada analisis statistik. Sebuah situs ketiga, talk Statistic (http://www.talkstats.com), juga berfokus pada analisis statistik. Berdasarkan tiga website tersebut, pengguna menandai topik mereka sehingga sangat mudah untuk fokus pencarian.

Kita bisa melihat bahwa diskusi R secara signifikan lebih tinggi daripada paket lain, yang tidak jauh berbeda di antara mereka sendiri. Sebagian besar perbedaan ini adalah karena pengaruh dari Stack Overflow, mencerminkan popularitas jauh lebih besar dari R sebagai bahasa pemrograman. Namun, bahkan dengan menghilangkan efek itu, mudah untuk melihat bahwa R masih mendominasi diskusi di forum yang lebih berorientasi statistik. Data ini merupakan data kumulatif, sehingga kita bisa mendapatkan tampilan tahunan tetapi hanya bisa menampilkan data R dan SAS.

Kita melihat bahwa diskusi SAS dan R yang kurang lebih sama hingga pada pertengahan tahun 2009 setelah itu diskusi R mulai meningkat secara cepat dibandingkan SAS. Halaman yang menyediakan data ini tidak menampilkan data untuk SPSS atau Stata. Hal ini mungkin karena jumlah data yang terlalu sedikit.

website forum diskusi populer lainnya adalah LinkedIn.com dan Quora.com. Tak satu pun dari situs tersebut mudah untuk menghitung jumlah posting, tetapi mereka bisa menampilkan jumlah orang yang telah bergabung dengan kelompok diskus.

Pada Gambar di atas kita mendapatkan tampilan dari penggunaan perangkat lunak perusahaan. disini kita tidak tahu rasio perusahaan untuk penggunaan akademis dari LinkedIn, tetapi di antara akademisi kita tahu (beberapa) mereka menggunakannya sangat sedikit. berdasarkan hasil itu, SAS adalah peringkat pertama setelah itu R. selain itu terihat bahwa SPSS lebih tinggi dari Stata. orang-orang yang telah bergabung dengan sebuah kelompok, mungkin bukan orang-orang yang melakukan diskusi. Namun, anggota grup harus proxy wajar untuk popularitas atau pangsa pasar.

Blog

Di blog internet, orang menulis tentang software yang menarik bagi mereka, menunjukkan bagaimana untuk memecahkan masalah dan menafsirkan peristiwa yang terjadi di lapangan. Semakin populer paket perangkat lunak, semakin banyak blogger menulis tentang hal tersebut. Blog konsolidator seperti Tal Galili R-Bloggers.com dan PROC-X.com, serta sasCommunity.org Planet dan statsblogs.com menggabungkan berbagai blog dalam satu lokasi. Sementara setiap blogger tertentu dapat menulis hanya sebuah artikel setiap minggu atau lebih, dengan menggabungkan mereka, konsolidator dasarnya memberikan berita harian pada berbagai paket. Sejauh ini hanya R dan SAS yang cukup populer untuk memiliki versi konsolidasi blog mereka.R mempunyai 452 blog yang membahasnya, sementara SAS sebanyak 40. setelah itu Stata 8.sisanya kurang begitu banyak seperti pada tabel di bawah.

Persaingan penggunaan

Kaggle.com adalah sebuah situs web yang mensponsori kontes analisis data. Orang post masalah analisis data di sana dengan jumlah uang yang mereka bersedia membayar orang atau tim yang memecahkan masalah mereka yang terbaik. Pada 2012/01/02 ada lebih dari 25.000 analis yang bekerja di lebih dari 72.000 masalah. Gambar di bawah menunjukkan software yang digunakan oleh analis data yang bekerja. R berada pada posisi pertama. Dominasi penggunaan R lebih besar di antara para pemenang kontes, lebih dari 50% di antaranya digunakan R. Hasil angka-angka ini terjadi karena lisensi dari perangkat lunak berpemilik melarang penggunaannya untuk kepentingan organisasi luar (universitas dapat membantu hibah federal menyediakan lembaga seperti NSF dan NIH, tapi tidak dapat memecahkan masalah bagi instansi pemerintah secara umum atau organisasi nirlaba).

Survei Penggunaan

Salah satu cara untuk memperkirakan popularitas relatif software analisis data melalui survei. Rexer Analytics melakukan survei setiap tahun tentang software yang digunakan untuk data mining. Perbedaan antara software untuk analisis data klasik dan data mining lebih merupakan konsep pemasaran dari perbedaan dalam kemampuan analitik.Data diperoleh dari responden melaporkan menggunakan pada tahun 2010 (data 2012 belum tersedia). berdasarkan hasil di bawah terlihat bahwa  R berada di peringkat pertama dengan 47% pengguna data mining. SAS dan SPSS berada di posisi kedua dengan persentasi 32%.

Hasil dari survei serupa yang dilakukan oleh KDnuggets situs web data mining pada tahun 2012 ditunjukkan pada Gambar di bawah . Yang satu ini menunjukkan R di tempat pertama dengan 30,7 % dari pengguna melaporkan telah digunakan untuk proyek. Excel hampir sama populer . Ini tampaknya keluar dari topik, tapi Excel adalah alat yang hampir setiap orang memiliki dan tahu bagaimana menggunakan. Sungguh menarik untuk dicatat bahwa empat dari lima paket yang digunakan adalah open source. Sementara paket open source jelas memiliki peran utama dalam analisis , orang melaporkan menggunakan perangkat lunak komersial lainnya ( 1086 ) dari open source ( 927 ).

Situs KDnuggets melakukan polling yang sama, kali ini bertanya, "Apa bahasa pemrograman yang digunakan untuk analisis data mining / data dalam 12 bulan terakhir?" R mendominasi polling ini,

Buku

Jumlah buku yang diterbitkan pada setiap perangkat lunak mencerminkan popularitas relatif mereka. Amazon.com menawarkan metode pencarian canggih yang bekerja dengan baik untuk semua perangkat lunak kecuali R. selain R data dicari di amazon sedangkan untuk R dari website http://www.r-project.org/doc/bib/R-books.html Aspek yang paling mengejutkan dari hasil adalah bagaimana sangat dominan beberapa tiga paket terkenal tidak memiliki buku sama sekali yang ditulis(BMDP, Statistika, Systat). Revolusi R dan R-PLUS tidak memiliki buku dengan nama-nama mereka dalam judul, tapi tentu saja buku-buku tentang R berlaku untuk mereka juga.

pencarian artikel ilmiah (google schoolar)

Semakin populer paket perangkat lunak, semakin besar kemungkinan akan muncul dalam publikasi ilmiah sebagai topik dan sebagai metode analisis. Google Scholar menawarkan cara mudah untuk mengukur aktivitas tersebut. Namun, tidak ada pencarian sebesar ini yang akan sempurna dan akan mencakup beberapa artikel yang tidak relevan dan menolak beberapa yang relevan. Hasil pencarian dijelaskan di http://librestats.com/2012/04/12/statistical-software-popularity-on-google-scholar/. Gambar di bawah menunjukkan jumlah artikel untuk paling populer dari enam paket statistik tahun 1995 hingga tahun 2012. SPSS memiliki hasil yang mengejutkan atas sebagian paket lain untuk banyak saat ini. hasil pencarian SPSS ini tampaknya cukup besar, tapi setelah studi yang cukup luas dari artikel dikembalikan oleh pencarian, Ini sudah relevan. namun tahun tahun berikutnya SPSS mengalami penurunan sehingga tidak terlalu jauh berbeda.

Popularitas website

Ukuran lain popularitas perangkat lunak adalah jumlah halaman web lain yang berisi link yang mengarah ke situs web utama perangkat lunak. Gambar di bawah diperoleh dengan menggunakan data dari Google pada tanggal 5 Januari 2012.

Sekarang SPSS merupakan bagian dari IBM, mendominasi hasil. Ini mencerminkan berbagai macam produk yang menjual IBM, termasuk hardware dan layanan yang tidak ada hubungannya dengan analisis data komputer. Namun, SPSS.com situs yang lebih tua tidak lagi muncul di awal pencarian web dan situs IBM yang diarahkan ke memiliki ukuran kecil link masuk karena tidak dimaksudkan untuk menjadi link langsung.

R adalah di baris berikutnya dengan lebih dari setengah ukuran IBM, diikuti oleh SAS kurang dari nilai R. Perangkat lunak lain berikut sesuai dalam urutan bahwa penulis menduga mencerminkan pangsa pasar masing-masing. Revolusi R Perusahaan dan R-PLUS adalah versi komersial R yang relatif cukup baru ke pasar. WPS merupakan implementasi dari Bahasa SAS dan Carolina adalah compiler SAS-to-Java.

Jumlah link masuk merupakan bagian penting dari algoritma PageRank yang terkenal dari Google. PageRank dibuat dengan mencari besarnya/terkenalnya link.Link dari situs besar seperti WikiPedia akan membaerikan bobot jauh lebih besar daripada akan link dari kursus silabus profesor . range nilai PageRank adalah dari 1 sampai 10. Gambar di bawah menunjukkan plot data pagerank ( dikumpulkan pada pada tanggal 4 Januari 2012) . Perangkat lunak ini yang paling tinggi tingkatan, SAS dan SPSS ( IBM ). Di bagian paling bawah adalah World Programming System  ( WPS ) dan Carolina, dua perusahaan yang menggunakan bahasa SAS. Ada beberapa perubahan dalam peringkat ini sejak tahun lalu , dengan SAS, SPSS dan Revolusi Analytics naik satu peringkat dan R , Stata dan Carolina turun satu poin.

Pasar Kerja

Pekerjaan penting bagi kita, sehingga software skill apa yang pengusaha mencari ? Sebuah jawaban yang menyeluruh atas pertanyaan ini akan memerlukan waktu untuk menganalisis job description. Namun, kita bisa mendapatkan gambaran kasar dengan mencari di situs iklan pekerjaan . Indeed.com adalah situs yang paling populer pencarian pekerjaan di dunia. Sebagai CEO dan co - founder Paul Forster menyatakan , itu termasuk "semua pekerjaan dari lebih dari 1.000 sumber yang unik , terdiri dari major job boards - monster , CareerBuilder , HotJobs , Craigslist - serta ratusan surat kabar , asosiasi , dan website perusahaan . " Bob muenchen menggunakan program untuk mengakses website itu secara mingguan dan mencari deskripsi pekerjaan untuk kata kunci seperti "SPSS" atau "Minitab" ini diulangi selama 2, 3 dan minggu ke-4 bulan Maret tahun 2012 dan 2013 . Singkatan "SAS" adalah umum dalam penyimpanan komputer , jadi pencarian itu dihindari kemudian dengan mengganti mencari dengan keyword "SAS!SATA!Storage!Firmware" (tanda seru merupakan logic "tidak") . Sedangkan R tidak mengikuti topik terkait seperti "R&D" dengan menggunakan "R SAS" atau "SAS R" , termasuk setiap paket dalam grafik . Data untuk tahun 2013 disajikan pada Gambar berikut.

SAS peringkat tertinggi dalam lowongan pekerjaan dalam pencarian, dengan SPSS peringkat kedua dengan lebih dari seperempat dari pekerjaan. R berada di tempat ketiga dengan lebih dari setengah pekerjaan yang tersedia untuk SPSS. Dibandingkan dengan R atau Minitab, SAS memiliki lebih dari tujuh kali lebih banyak pekerjaan yang tersedia.

Sejak 2012, job description yang mencakup SAS mengalami penurunan sebesar 961 (7,3%) dan Minitab menurun 154 (8,7%). Pekerjaan untuk R meningkat sebesar 497 (42%) melewati Minitab ke tempat ketiga dengan selisih tipis. Bahkan, semua paket kecuali SPSS dan Systat menunjukkan perubahan jauh lebih kecil (Holm-corrected paired t-tests). Karena perbandingan ini didiperoleh pada tiga titik data setiap tahun, disini tidak dapat disimpulkan dari banyak efek perubahan ini, namun peningkatan 48% untuk R adalah penting.

kesimpulan

Dari sebagian besar ukuran yang dibahas di sini, R bersaing ketat dengan vendor perangkat lunak komersial. Namun, penulis menyarankan tidak mengeneralisasi dari data ini. Setiap software memiliki keunggulan masing-masing. SAS dan SPSS terus mendominasi di bidang bisnis dan Stata cukup baik di bidang ilmiah. Masing-masing paket dominan di satu pasar atau yang lain.

Kalau ada kritik, saran dan pertanyaan silahkan komentarnya di kolom komentar di bawah. Kalau tidak punya akun silahkan ditulis sebelah kiri yaitu kolom “Chatbox”. Mohon dicantumkan email atau contact yang bisa dihubungi.

Sumber: The Popularity of Data Analysis Software

Perkenalan penggunaan software statistik SAS

SAS adalah paket perangkat lunak yang dikembangkan oleh SAS Institute for analisis pengembangan, intelijen bisnis, manajemen data, dan analisis prediktif. Ini adalah pemegang pangsa pasar terbesar untuk analisis canggih.SAS merupakan pemegang pangsa pasar terbesar dalam analisis pengembangan dengan 36,2 persen dari pasar pada 2012. Ini adalah pemegang pangsa pasar terbesar kelima untuk perangkat lunak Business Intelligence dengan pangsa 6,9% dan vendor independen terbesar. Bersaing di pasar Business Intelligence terhadap konglomerat, seperti SAP BusinessObjects, IBM Cognos, SPSS Modeler, Oracle Hyperion, dan Microsoft BI. SAS telah disebutkan dalam Quadrant Pemimpin Gartner untuk Integrasi Data Tools dan Business Intelligence dan Platform Analytical. SAS diberi posisi terkuat dari semua vendor dievaluasi dalam Forrester Wave Big Data Predictive Analytics Solutions. SAS digunakan di lebih dari 65.000 lokasi di lebih dari 135 negara, termasuk 90 dari 100 perusahaan pada daftar Fortune Global 500

SAS dikembangkan di North Carolina State University dari tahun 1966 hingga tahun 1976, ketika SAS Institute didirikan. SAS dikembangkan lebih lanjut di tahun 1980 dan 1990 dengan penambahan prosedur statistik baru, komponen tambahan dan pengenalan JMP. Sebuah antarmuka point-and-click telah ditambahkan di versi 9 pada tahun 2004. Sebuah produk analisis media sosial telah ditambahkan di tahun 2010.


SAS adalah software cocok untuk sumber, mengubah , mengelola dan mengambil data dari berbagai sumber dan melakukan analisis statistik di atasnya . Hal ini banyak digunakan dalam asuransi , kesehatan masyarakat , penelitian ilmiah , keuangan , sumber daya manusia , IT , utilitas , dan retail , dan digunakan untuk riset operasi , manajemen proyek , peningkatan kualitas , peramalan dan pengambilan keputusan . Ini adalah perangkat lunak analisis statistik standar untuk mengirimkan uji farmasi klinis untuk administrasi Food and Drug AS . SAS menyediakan antarmuka point-and-click pengguna grafis untuk pengguna non - teknis dan pilihan yang lebih maju melalui bahasa pemrograman SAS . program SAS memiliki langkah DATA , yang mengambil dan memanipulasi data , dan langkah PROC , yang menganalisis data .

Beberapa komponen SAS meliputi:

Base SAS -  Prosedur dasar dan manajemen data
SAS / STAT - Analisis statistik
SAS / GRAPH - Grafik dan presentasi
SAS / OR - Operation research
SAS / ETS - Ekonometrika dan Analisis Time Series
SAS / IML - Interaktif bahasa matriks
SAS / AF - Fasilitas Aplikasi
SAS / QC - Kualitas kontrol
SAS / INSIGHT - Data mining
SAS / PH - analisis percobaan klinis
Enterprise Miner - data mining

Apa yang membedakan SAS dengan software yang lain?

SAS/STAT berbeda dengan program aplikasi statistik lainnya dalam banyak hal. Pertama, SAS/STAT tidak dijual sebagai paket program seperti misalnya program aplikasi statistika lainnya, melainkan disediakan dalam bentuk lisensi. Kedua, penggunaan SAS/STAT memerlukan keterampilan pemrograman dengan menggunakan bahasa SAS. Meskipun SAS/STAT versi-versi terakhir telah berbasis Windows, jangan pernah membayangkan bahwa SAS/STAT dapat digunakan cukup dengan menunjuk dan mengklik ikon sebagaimana penggunaan program aplikasi berbasis Windows pada umumnya. Hal ini memungkinkan SAS/STAT mempunyai kelebihan daripada program aplikasi sejenis lain. Dalam SAS/STAT, pengguna menuliskan perintah untuk dikerjakan oleh SAS/STAT, sedangkan dalam program aplikasi sejenis lainnya pengguna harus tunduk pada ikon yang disediakan di layar. Hal ini memungkinkan penggunaan SAS/STAT dapat diseasuikan dengan kebutuhan pengguna. Kelemahannya adalah, tentu saja, pengguna harus belajar menggunakan bahasa SAS.


Di Indonesia, SAS sudah dipasarkan lebih dari 10 tahun lalu. Awalnya software ini digunakan oleh Citibank, tetapi sekarang juga dipakai oleh kalangan komersial, pemerintahan, sektor publik, telekomunikasi, dan ritel. Selain itu Universitas Bakrie (UB) bertekad membekali mahasiswanya dengan nilai tambah berupa keterampilan menganalisis data dalam jumlah besar melalui software analitik SAS. Maka digalanglah kerjasama dengan pihak SAS Indonesia untuk membangun UB SAS Centre. Salah satu produk SAS adalah Sentiment Analysis yang bisa melakukan analisis berdasarkan teks, yang diambil dari kicauan Twitter atau status Facebook.

Kalau ada kritik, saran dan pertanyaan silahkan komentarnya di kolom komentar di bawah. Kalau tidak punya akun silahkan ditulis sebelah kiri yaitu kolom “Chatbox”. Mohon dicantumkan email atau contact yang bisa dihubungi.

Sumber: Wikipedia, Pc Plus, SAS