Kumpulan Humor Statistik

Terkadang, kita akan merasa rileks ketika kita bisa mentertawakan diri sendiri, sehingga segala sesuatu menjadi lebih jernih untuk diselesaikan. Kami merangkum berbagai humor statistik dari berbagai sumber untuk Anda simak ketika sedang merasa jenuh. Perlu kami informasikan bahwa humor tersebut kebanyakan bukan kami yang mengarang. Akan tetapi kami sulit untuk menentukan siapa yang mengarang karena satu humor sering ditampilkan oleh beberapa situs. Jika Anda mengetahui siapa yang mengarang pertama kali silahkan beritahukan kepada kami dan akan kami cantumkan. Meskipun demikian, ada juga yang dikarang oleh kami sendiri.


Statistik Kecelakaan
Seorang mahasiswa statistik selalu mengendarai mobil dengan kecepatan sangat tinggi ketika melewati sebuah perempatan jalan. Temannya bertanya:

"Hei, mengapa kamu selalu ngebut kalo lewat perempatan situ?"

Jawabnya:
"Heh...loh tau kagak. Statistik kecelakaan di perempatan itu tinggi sekali. Paling tinggi di seluruh kota ini. Makanya gua kagak mau lama2 di situ!!


Keakuratan Quick Count
Alkisah, penjaga surga mulai kewalahan dalam menentukan siapa yang harus masuk neraka dan siapa yang berhak masuk surga. Ini dikarenakan semakin lama semakin banyak manusia dan juga semakin pandai dalam berargumen tentang dosa atau perilaku yang mereka lakukan.

Ide cemerlang muncul dalam tim penjaga surga tersebut, yaitu dalam metode penghitungan amal dan dosa manusia dengan menggunakan metode quick count. Segera mereka menyusun metode perhitungan dosa dan amal manusia secara cepat dengan metode quick count. Jika berhasil, ini akan membuat pekerjaan mereka lebih ringan.

Akhirnya mereka berhasil menyusun metode quick count dosa dan amal manusia. Mereka menghadap Tuhan untuk mempresentasikan hasil ini. Setelah selesai mempresentasikan metode itu, Tuhan tampak manggut-manggut, puas, lalu berkata, “Ada versi lain gak?”


Mahasiswa Santai
Seorang Dosen melihat seorang mahasiswanya sedang duduk-duduk santai di siang bolong. Dosen bertanya:

“Mengapa kamu santai-santai saja?
“Lha memang gimana Pak?” tanya mahasiswa.
“Jangan buang-buang waktumu. Belajarlah yang rajin agar kamu jadi pintar”.
“Memang kalau sudah pintar terus kenapa Pak?” tanya mahasiswa. Dosen dengan sabar menjelaskan
“Nanti kamu bisa dapat nilai bagus, bisa lulus dengan predikat bagus. Dengan demikian kamu bisa mencari pekerjaan yang bagus dan kamu bisa dapat hidup dengan layak, punya uang yang banyak!”
“Terus?” mahasiswa itu masih mengejar. Dosen menjawab dengan nada agak meninggi,
“Nah, pada saat itulah, kamu bisa bersantai-santai dan menikmati hidup!” Mahasiswa tampak cuek dan menjawab,
“Lha menurut Bapak, sekarang ini saya sedang apa?"


Quality Control
Suatu ketika, tampak seorang wanita yang masih relatif muda, berpendidikan tinggi di sebuah kereta api dengan tiga orang anak kecil di sebelahnya. Akan tetapi, eksekutif muda tersebut malah sibuk dengan laptop dan sama sekali tidak memperhatikan ketiga anak tadi. Ketiga anak tadi menangis atau melakukan apapun, sama sekali tidak diperhatikan oleh orang tersebut.

Di depannya, ada seorang ibu-ibu yang mulai tidak tahan dan berkata:

"Hei, tolong anak anda dijaga dan dirawat! Berilah mereka perhatian dan tanggung jawab!"

Si wanita terpelajar mendongak dan berkata dengan nada ketus

"Mereka bertiga bukan anak saya!"

"Lalu mengapa mereka bersama dengan Anda? Saya lihat ketiganya naik kereta bersama Anda. Jangan bohong, bertanggung jawablah!, sahut orang di depannya.

Dengan nada tertahan, wanita terpelajar tadi menjawab:

"Baiklah, saya adalah seorang profesor statistik termuda yang pernah ada. Karena kepintaran saya, maka saya dikontrak oleh sebuah perusahaan kondom, untuk mengecek kualitas produk mereka secara statistik, karena tidak mungkin melakukan pengechekan terhadap keseluruhan produk. Nah itulah kelebihan dan kepintaran saya".

"Lalu apa hubungannya dengan ini?" orang tadi agak kebingungan.

"Begini, saya menggunakan toleransi sebesar 1%", lanjut statistikawan pintar, "dan ternyata memang ada produk yang gagal. Customer protes dan perusahaan membebankan semua kerugiannya kepada saya!"


 Setengah IYA, Setengah TIDAK
Seorang ahli statistik dipenjarakan selama 20 tahun oleh pengadilan setempat. Dalam suatu, kesempatan, statistikawan tersebut sempat berkeluh kesah dengan seorang reporter televisi:

"Saya heran sekali dengan vonis 20 tahun tersebut. Pada awalnya, saya merilis hasil penelitian saya yang otentik tentang perilaku anggota DPR yang terhormat. Judulnya adalah 'SETENGAH DARI ANGGOTA DPR TERNYATA KORUPTOR!'
Hari berikutnya, saya mendapatkan somasi dari DPR yang keberatan dengan judul tersebut dan mengancam akan menuntut saya penjara 10 tahun karena pencemaran nama baik".

"Lalu mengapa Anda divonis 20 tahun?" tanya reporter.

"Yah begitulah. Saya takut dipenjara. Maka hari berikutnya judul penelitian saya ganti agar tidak menyinggung para anggota dewan yang terhormat. Akan tetapi, entah kenapa, mereka malah menjebloskan saya ke penjara dengan hukuman lebih berat, 20 tahun" jawab si statistikawan sedih.

"Kalau boleh tahu, judulnya diganti apa?" selidik reporter. Statistikawan itu menjawab:

"Saya ganti menjadi "SETENGAH DARI ANGGOTA DPR TERNYATA BUKAN KORUPTOR!"


Biaya Olah Data
Suatu saat, seorang yang memerlukan layanan jasa olah data statistik data ke sebuah lembaga yang memberikan layanan tersebut. Dia ditemui oleh seorang yang kelihatan pintar dan terjadilah percakapan ini:

"Berapa biaya yang diperlukan untuk jasa analisis data seperti ini?" tanyanya kepada si analis data.
"Hmm, kira-kira sekitar Rp. 3 juta." jawab si analis.
"Ah, mahal sekali", sahutnya, "untuk analisis seperti ini, lembaga XXX hanya sekitar Rp. 500rb!" jawab orang itu tadi sambil menyebutkan perusahaan lain yang sejenis.

Si analis data tenag-tenang saja dan balik bertanya:
"Lalu mengapa Anda tidak mengolahkan data di sana saja?"
"Di sana sedang penuh!" sergahnya. Orang tadi merasa menang dan berharap biaya olah datanya dapat diturunkan. Si analis data dengan tenang berkata:
"Di sini, kalau sedang penuh, harganya hanya Rp. 10 rb!!"

*&;*&;!@#^$&;%^&;&;$^#&;^$!!@@@#@#



Statistik adalah Seni (?)

Melihat dari judulnya saja, mungkin sudah kelihatan aneh. Statistik, biasanya sangat terkait dengan data yang relatif rumit dan seni, biasanya berkaitan dengan sesuatu yang indah. Agak bertolak belakang. Akan tetapi, bisa juga itu merupakan ungkapan yang latah, karena banyak juga ungkapan yang serupa, misalnya sepak bola adalah seni, atau bahkan, seni berperang!!

Setidaknya, berkaitan dengan normalitas, Wilfrid J. Dixon dan Frank J. Massey, Jr dalam bukunya Pengantar Analisis Statistik (1997) terjemahan oleh Sri Kustamini Samiyono dan Zanzawi Soejoeti, halaman 483 menulis: Pemilihan metode untuk …….., sampai saat ini tetap merupakan suatu seni.

Ungkapan itu memang tidak mewakili semua pendapat para pakar statistik, tapi setidaknya, ada yang menganggap bahwa statistik tetap merupakan sesuatu yang indah. Mungkin benar mungkin tidak, tapi Einstein juga pernah mengatakan bahwa ada hubungan antara matematika dengan musik. Atau mungkin ungkapan Pythagoras yang mengatakan bahwa harmoni dalam nada selaras dengan harmoni angka-angka dalam matematika.

Bagaimana dengan Anda?




Hubungi kami jika Anda memerlukan bantuan layanan analisis data.

Simulasi SmartPLS untuk Bidang Pertambangan

Outer Model
Outer model pada prinsipnya adalah melakukan analisis terhadap model pengukuran. Atau secara sederhana, apakah indikator yang dipergunakan untuk mengukur suatu konstruk valid atau tidak, reliabel atau tidak. Ukurannya relatif banyak, meskipun tidak sebanyak pada SEM berbasis covariance. Asumsi yang harus dipenuhi pada PLS tidak sebanyak asumsi yang harus dipenuhi pada SEM berbasis covariance. Untuk penggambaran model penelitian adalah sebagai berikut:

Gambar 1
Path Diagram
Gambar di atas menunjukkan bahwa konstruk Sesar hanya diukur dengan 1 indikator yaitu S (X1). Jika dengan AMOS dapat digambarkan langsung dengan kotak, maka untuk SmartPLS tidak tersedia menu itu sehingga tetap harus digambar dengan ellips dan ada 1 indikator. Hal serupa juga tampak pada konstruk Volume dengan 1 indikator yaitu V (Y). Konstruk Cleat diukur dengan 4 indikator yaitu X2, X3, X4 dan X5; sedangkan konstruk Reservoir diukur dengan 2 konstruk yaitu X6 dan X7.
Arah anak panah antara Sesar kepada Cleat menunjukkan pengaruh yang akan diestimasi pada model penelitian. Demikian juga anak panah antara Sesar dan Cleat terhadap Reservoir dan juga antara Sesar, Cleat dan Reservoir terhadap Volume. Setelah dilakukan running program maka diperoleh hasil sebagai berikut:


Gambar 2
Path Diagram Outer Model
Pada anak panah antara Sesar kepada S(X1) terdapat angka 1, yaitu loading factor indikator S(X1) terhadap konstruk Sesar. Ini terjadi karena hanya diukur dengan 1 indikator. Hal serupa juga tampak pada indikator V(Y) terhadap Volume. 

Uji Validitas
Uji validitas pada prinsipnya untuk melihat apakah indikator mampu membentuk konstruk yang dituju dengan baik. Untuk konstruk Cleat, maka loading factor indikator X2 adalah 0,871, indikator X3 adalah 0,911, X4 adalah (-)0,866 dan untuk indikator X5 adalah 0,723. Nilai yang disarankan adalah di atas 0,5 meskipun masih ditolerir untuk nilai di atas 0,4. (nilai rujukan ini bisa diperoleh di buku tentang SmartPLS atau PLS misalnya dari Imam Ghozali, atau Chin atau yang lain yang ada). Untuk konstruk Reservoir indikator X6 mempunyai loading factor 0,989 dan X7 juga sebesar 0,989.
Angka tersebut juga ditampilkan dalam tabel output yaitu sebagai berikut:
Tabel 1
Outer Model (Weights or Loading)

  Cleat Reservoir       Sesar        Volume
S(X1)            1.000000  
   V(Y)                             1.000000
X2     0.870717  
X3     0.910999  
X4        -0.865614  
X5     0.722754  
X6                                   0.988543  
X7                                 0.988613  

Hal yang perlu diperhatikan adalah bahwa nilai loading factor X4 adalah negatif yang berarti berkorelasi negatif dengan konstruk yang dituju yaitu Cleat. Oleh karena itu, nilai data pada indikator X4 dibalik atau Reserve untuk mendapatkan hasil korelasi yang positif, agar model pengukuran menjadi lebih baik. Dengan melakukan reserve pada data X4 maka diperoleh hasil sebagai berikut:

Gambar 3
Path Diagram Outer Model Reserve X4
Tampak bahwa terjadi perubahan loading factor pada X4 menjadi 0,866 yang nilainya sudah di atas 0,5. Sedangkan secara keseluruhan, loading factor adalah sebagai berikut:
Tabel 2
Outer Model (Weights or Loading) Reserve
  Cleat         Reservoir            Sesar         Volume
S(X1)         1.000000  
V(Y)                                     1.000000
X2 0.870717  
X3 0.910999  
X4 0.865614  
X5 0.722754  
X6                      0.988543  
X7                         0.988613  

Hal ini menunjukkan bahwa model pengukuran sudah fit dan pengujian bisa dilanjutkan.
Metode lain untuk melihat discriminant validity adalah dengan melihat nilai square root of average variance extracted (AVE). Nilai yang disarankan adalah di atas 0,5. Berikut adalah nilai AVE dalam penelitian ini:
Tabel 3
AVERAGE VARIANCE EXTRACTED (AVE)
       AVE
Cleat 0.7149
Reservoir 0.9773
Sesar 1.0000
Volume 1.0000

Nilai yang disarankan adalah di atas 0,5. Tabel di atas memberikan nilai AVE di atas 0,5 untuk konstruk Cleat dan Reservoir. Hal ini menunjukkan bahwa indikator-indikator tersebut sudah valid membentuk konstruk yang dituju. Sedangkan untuk Sesar dan Volume, karena hanya dibentuk dari 1 indikator maka nilai AVE adalah 1.
Uji validitas yang bisa digunakan adalah cross loading. Pada uji ini, setiap indikator diharapkan mempunyai loading factor terbesar kepada konstruk yang dituju dari pada kepada konstruk yang lain. Berikut adalah hasil uji cross loading
Tabel 4
CROSS LOADING
                                                           Cleat  Reservoir     Sesar Volume
                                                 S(X1) -0.6699  -0.5625 1.0000 0.6083
                                                V(Y) -0.5973  -0.6134 0.6083 1.0000
                                                X2        0.8707   0.7177 -0.5384 -0.5760
                                                X3        0.9110   0.7453 -0.6347 -0.4384
                                                X4        0.8656   0.8863 -0.6154 -0.5042
                                                X5        0.7228   0.6973 -0.4630 -0.5021
                                                X6       0.9071   0.9885 -0.5540 -0.5859
                                                X7       0.8851   0.9886 -0.5582 -0.6268

Cross loading kurang lebih berguna untuk melihat suatu indikator, apakah indikator tersebut mempunyai loading factor tertinggi kepada konstruk yang dituju atau ada yang lebih tinggi kepada konstruk yang lain. Sebagai ilustrasi, indikator X1 mempunyai loading factor 1,00 kepada konstruk Sesar yang nilainya lebih tinggi dibandingkan loading factor kepada konstruk yang lain. Demikian juga dengan indikator V (Y) dengan nilai 1. Indikator X2 mempunyai loading factor 0,8707 yang nilainya lebih tinggi dari pada loading factor kepada konstruk Reservoir yaitu 0,7177 atau kepada konstruk Sesar yaitu sebesar -0,5384 atau juga kepada kosntruk Volume yaitu sebesar -0,5670. Cross loading digunakan untuk melihat bahwa indikator tersebut adalah paling tinggi kontribusinya kepada konstruk yang dituju dibandingkan kepada konstruk yang lain.
Hasil serupa juga tampak pada indikator X3, X5, X6 dan juga X7. Untuk X4 nilai loading factor kepada konstruk lain yaitu Reservoir (0,8863) ternyata lebih tinggi dibandingkan kepada konstruk Cleat (0,8656). Akan tetapi nilainya relatif dekat, sehingga ini bisa dikarenakan proses statistik bootstrapping saja. Atau apakah ada teori yang menyatakan bahwa indikator X4 merupakan indikator Reservoir? Jika ada bisa dilakukan perpindahan indikator X4 ke konstruk Reservoir, atau kepada dua konstruk sekaligus, yaitu Cleat dan Reservoir. Jika tidak ada teori yang mendukung, maka tetap seperti ini saja, karena selisihnya relatif kecil.

Uji Reliabilitas
Uji reliabilitas dilakukan dengan melihat nilai composite reliability dari blok indikator yang mengukur konstruk. Hasil composite reliability akan menunjukkan nilai yang memuaskan jika di atas 0,7. Berikut adalah nilai composite reliability pada output:
Tabel 5
COMPOSITE RELIABILITY
                         Composite Reliability
Cleat 0.9088
Reservoir 0.9885
Sesar 1.0000
Volume 1.0000

Tabel di atas menunjukkan bahwa nilai composite reliability untuk semua konstruk adalah di atas 0,7 yang menunjukkan bahwa semua konstruk pada model yang diestimasi memenuhi kriteria discriminant validity.
Uji reliabilitas juga bisa diperkuat dengan Cronbach’s Alpha di mana output SmartPLS Versi 2 memberikan hasil sebagai berikut:
Tabel 6
CRONBACH’S ALPHA
                            Cronbachs Alpha
Quality Culture 0.8642
TQM        0.9768
Sesar       1.0000
Volume       1.0000

Nilai yang disarankan adalah di atas 0,6 dan pada tabel di atas menunjukkan bahwa nilai Cronbach’s Alpha untuk semua kontruk berada di atas 0,6.

Pengujian Model Struktural (Inner Model)
Setelah model yang diestimasi memenuhi kriteria Outer Model, berikutnya dilakukan pengujian model structural (Inner model). Adapun output Bootstrapping adalah sebagai berikut:

Gambar 4
Full Model Bootstrapping

Angka yang tercantum pada diagram adalah t hitung. Tampak pada gambar di atas, bahwa nilai t hitung untuk semua anak panah di atas 1,96 yang menunjukkan bahwa semua dimensi telah signifikan dalam membentuk konstruk yang dituju. Yang agak mengherankan adalah t hitung untuk X6 dan X7 yang nilainya sangat besar sekali. Just curious, apakah ada persamaan yang menghubungkan antara X6 dan X7? Jika memang ada, maka keduanya tidak bisa dijadikan indikator yang berbeda. Sedangkan jika dalam output, maka tabelnya adalah sebagai berikut:

Tabel 7
T HITUNG INDIKATOR
                                       Cleat           Reservoir Sesar Volume
S(X1)       
V(Y)  
        X2    37.017295  
   X3   54.957414  
   X4  51.537574  
   X5  13.069027  
   X6                     520.446775  
        X7            502.558842  

Tampak bahwa nilai t hitung semua indikator telah berada di atas 1,96 yang berarti mempunyai signifikansi terhadap konstruk yang dituju. Sedangkan untuk t hitung antar konstruk adalah sebagai berikut:
Tabel 8
T HITUNG ANTAR KONSTRUK
                        Original Sample Sample Mean Standard Deviation Standard Error (STERR) T Statistics 
 Cleat -> Reservoir   0.9607       0.9620      0.0233           0.0233                 41.3164
    Cleat -> Volume   0.1446      0.1445      0.2022                  0.2022                  0.7151
Reservoir -> Volume-0.5088      -0.5137     0.1705              0.1705              2.9831
     Sesar -> Cleat     -0.6699     -0.6753     0.0383              0.0383              17.5018
 Sesar -> Reservoir   0.0811      0.0805      0.0319              0.0319               2.5410
    Sesar -> Volume  0.4190      0.4091      0.1150              0.1150              3.6438

Kolom paling kiri menggambarkan pengaruh antara dua konstruk. Kolom Original Sampel (O) adalah nilai koefisien regresi seperti yang sudah kita kenal. Sampel Mean (M) adalah nilai bootstrapping, sehingga nilainya diharapkan sama dengan O atau setidaknya mendekati. Standard Deviation adalah Standar deviasi, seperti yang sudah kita kenal dan Standard Error (STERR) adalah nilai bootstrapping sehingga diharapkan nilainya sama atau dekat sekali dengan STDEV. Nilai t hitung sebenarnya adalah O/STERR. 
T hitung di atas adalah di atas 1,96 untuk semua pengaruh kecuali antara Cleat terhadap Volume yaitu 0,7151 < 1,96. Berarti secara langsung, tidak ada pengaruh antara Cleat terhadap Volume.
Tanda + atau – pada O menggambarkan pengaruh positif atau negatif. Jadi Resevoir terhadap Volume berpengaruh negatif demikian juga, Sesar terhadap Cleat juga berpengaruh negatif dan signifikan.
Salah satu keunggulan SEM adalah bisa melihat pengaruh total (total effect) dari suatu model yang relatif rumit. Adapun hasilnya adalah sebagai berikut:
Tabel 9
T HITUNG ANTAR KONSTRUK TOTAL
                  Original Sample (O) Sample Mean (M) Standard Deviation (STDEV) Standard Error (STERR) T Statistics (|O/STERR|)
 Cleat -> Reservoir 0.9607 0.9620 0.0233 0.0233 41.3164
    Cleat -> Volume -0.3442 -0.3496 0.0972 0.0972 3.5429
Reservoir -> Volume -0.5088 -0.5137 0.1705 0.1705 2.9831
     Sesar -> Cleat -0.6699 -0.6753 0.0383 0.0383 17.5018
 Sesar -> Reservoir -0.5625 -0.5694 0.0395 0.0395 14.2355
    Sesar -> Volume 0.6083 0.6028 0.0659 0.0659 9.2359

Nilai t hitung pada tabel 8 dengan tabel 9 ada yang sama ada yang tidak. Pengaruh antara Sesar terhadap Cleat (Sesar -> Cleat) adalah dengan t hitung 17,5018, kedua tabel nilainya sama. Demikian juga Cleat terhadap Reservoir dan Reservoir terhadap Volume. Hal itu terjadi karena pengaruh antara kedua konstuk itu adalah pengaruh langsung, dan tidak ada pengaruh tidak langsungnya.
Berbeda halnya dengan Sesar terhadap Reservoir. Ada pengaruh langsungnya, tetapi ada juga pengaruh tidak langsung antara Sesar terhadap Reservoir melalui Cleat. Hal ini menjadikan nilai t hitung antara tabel 8 tidak sama dengan tabel 9. Pengaruh langsung antara Sesar terhadap Reservoir adalah dengan t hitung 2,5410. Akan tetapi, ada juga pengaruh tidak langsungnya melalui Cleat sehingga t hitung total adalah 14,2355.
Demikian juga pengaruh antara Cleat terhadap Volume, bisa secara langsung, bisa juga tidak langsung melalui Reservoir. Sehingga nilai t hitung pada tabel 8 (pengaruh langsung) berbeda dengan t hitung pada tabel 9 (pengaruh total). Pengaruh langsung tidak signifikan, akan tetapi pengaruh totalnya signifikan. 
Demikian juga, pengaruh antara Sesar terhadap Volume, bisa langsung, bisa tidak langsung. Bahkan pengaruh tidak langsung, bisa melalui Cleat, bisa juga melalui Cleat lalu Reservoir, baru Volume. Perhatikan juga tanda + dan – dari masing-masing pengaruh.
Untuk konteks pengaruh secara simultan, sebenarnya PLS tidak mengakomodir hal tersebut. SmartPLS tidak menampilkan nilai F secara langsung, hanya menampilkan nilai R Square, yaitu sebagai berikut:
Tabel 10
R-SQUARE
        R Square
Cleat 0.448710
Reservoir 0.825271
Sesar  
Volume 0.480605

Nilai R Square sebenarnya menggambarkan seberapa besar kemampuan variabel bebas dalam menjelaskan variabel terikat. Konstruk Sesar tidak mempunyai R Square karena tidak diprediksi oleh konstruk yang lain. Cleat mempunyai R Square sebesar 0,44871 berarti Sesar mampu menjelaskan variasi dari Cleat sebesar 44,871% di mana sisanya yaitu sebesar 55,129% dijelaskan oleh faktor selain Sesar (Bisa ditambahkan secara teori, apa saja itu).
Demikian juga, Reservoir mempunyai R Square sebesar 0,825271 berarti Sesar dan Cleat mampu menjelaskan varians Reservoir sebesar 82,527% di mana selebihnya yaitu sebesar 17,473% dijelaskan oleh faktor lain. Sedangkan Volume mampu dijelaskan oleh Cleat, Reservoir dan Volume sebesar 48,061% dan sisanya yaitu sebesar 51,939% dijelaskan oleh faktor yang lain.


Cari Materi

Berlangganan Gratis Lewat Email ?