Hello Statistician!

Assalamualaikum,

Alhamdulillah, segala puji bagi Alloh Sang Maha Pemilik Ilmu. Tidak terasa, waktu terus bergulir. Tetapi, kecepatan waktu belum bisa penulis imbangi dengan mengupdate blog ini secara rutin. Kesibukan kantor, jaringan internet kantor yang sedang terputus karena kepindahan kantor ke gedung baru sedikit banyak mempengaruhi frekuensi penulis untuk menuliskan tema-tema perstatistikan yang baru.

Dalam pada itu, penulis sempatkan diri untuk menerima konseling baik melalui email, sms maupun telepon. Meskipun belum bisa melayani semua, tetapi dari yang sedikit itu kadang memberi kepuasan bathin tersendiri. Penulis sangat terharu pada Sdri Ririn Aimatus, seorang mahasiswi Universitas Brawijaya. Melalui blog ini, Ririn menemukan topik skripsinya yaitu Robust PCA. Meskipun hanya melakukan diskusi pada saat-saat yang dibutuhkan Sdri Ririn, sedikit banyak perkembangan penulisan skripsinya penulis amati. Mulai dari sidang proposal hingga sidang akhir yang ditutup dengan nilai A. Selamat untuk Ririn Aimatus!

Kepada pengunjung blog yang juga sedang menuntaskan penulisan akhirnya, penulis berharap agar memperoleh hasil maksimal yang memuaskan. Semoga upaya Anda membuahkan hasil yang diharapkan.

Wassalamualaikum.

 

Orang Pajak “PINTAR” Orang BPS “CERDAS”

Reformasi birokrasi harus. Kalau diperpajakan jargon reformasi birokrasi dengan slogan “PINTAR” maka di BPS jargon yang didengungkan “CERDAS”. BPS berkemauan kuat untuk Berubah (ChangE), Mereformasi diri (Reform), dan Berkembang (Development) untuk perstatistikan Indonesia (for Statistics .in Indonesia).

Lingkungan di luar BPS telah banyak berubah. Tuntutan data yang lebih berkualitas menguat di setiap lini. Jika respon BPS lambat, maka BPS akan tertinggal dan ditinggalkan user.

Reformasi birokrasi di BPS bertujuan agar data yang dihasilkan BPS berkualitas. Saat ini, data BPS dinilai cukup baik tetapi masih butuh penyempurnaan di sana sini.

Saya teringat dengan Bapak Kresnayana Yahya, pengamat statistik yang juga salah satu dosen pavorit saya.Beliau mendrill kami mahasiswa S2 kerjasama BPS-ITS untuk merubah mindset kami sebagai statistisi.

Ternyata apa yang beliau sampaikan satu pemikiran dengan Kepala BPS, Bapak DR. Rusman Heriawan. Beliau ingin agar BPS  dalam lima tahun kedepan tampil dengan paradigma baru di mana sumberdaya BPS diisi dengan mindset baru. BPS berubah dari sekedar business as usual menuju BPS penghasil data yang berkualitas. Tidak mudah mengubah mindset tetapi perubahan itu hukumnya wajib.

 

HUT STATISTIKA

Selamat Hari Statistik!
Di hari jadimu…..
Ada harap data menjadi lebih berkualitas….
Ada asa data tersaji tepat waktu …
Ada doa semoga bangsa ini lebih menghargai data dan fakta.

 

Analisis Diskriminan Robust

Discriminant analysis is a statistical method concerned with classifying objects (observations) to previously defined groups. The classical approach discriminant rules are often derived from multivariate normal distribution. The parameters are estimated by MLE (maximum likelihood estimators) method. But, these estimates are highly influenced by outlying observations. The robust estimates are needed. There are two robust estimators. They are robust MCD (minimum covariance determinant) and MWCD (minimum weighted covariance determinant) estimators. The goal of this paper is comparative performance of robust MCD and MWCD estimators in quadratic discriminant analysis. The performance of discrimination functions is measured by the average of proportion of misclassification. The data simulations are generated from various conditions. The variation data consists of the number of groups, the number of outliers, and the kind of outlier: shift, scale, and radial outliers. The performance of robust MCD estimator in quadratic discriminant analysis is the best compared to MWCD and the classical. The average of misclassification proportion of quadratic discriminant function using robust MCD estimator is less than ten percent while the data contaminated by outlying observations are less than 25 percent.

Itulah cuplikan dari abstraksi Jurnal yang berjudul “Perbandingan Kinerja Penaksir Robust MCD dan MWCD dalam Analisis DiskriminanKuadratik.” Melalui blog ini, penulis ingin berbagi pengetahuan mana diantara dua penaksir robust tersebut yang lebih unggul jika diaplikasikan dalam analisis diskriminan kuadratik.

 

Memanfaatkan Facebook Untuk Diskusi Statistik

Penempatan dinas di tanah Papua memang bukan hal yang mudah. Keterbatasan akses, jaringan, referensi dan lain-lain sempat menyurutkan semangat menuntut ilmu. Belum lagi biaya akses internet yang bisa tiga kali lipat di Jawa. Bayangkan, untuk bisa surving internet selancar di Jawa harus merogoh kocek Rp. 12.000 per jam. Padahal waktu di Surabaya atau di Jakarta dulu, Rp. 4.000 sejam saja sudah banyak informasi yang didapat.

Memanfaatkan HP sebagai alat komunikasi sekaligus untuk akses internet sedikit membuka keterisoliran tanah Papua. Informasi apa saja bisa diperoleh dengan mengandalkan kekuatan si ‘jempol.’ Meskipun tidak dapat mengupload rumus-rumus, HP sedikit membantu untuk mengamati perkembangan pengunjung blog ini.

Sekarang, komunikasi bisa lebih intens lagi, pengunjung bisa memanfaatkan facebook. Silakan menginvite facebook penulis: suryana_sst@yahoo.com. Dengan mengirim pesan statistikaterapan, penulis akan mengenali bahwa ‘friends’ yang menginvite adalah pengunjung blog ini.

Semoga demam facebook bisa menggugah pemanfaatannya untuk pengembangan pengetahuan perstatistikan kita, khususnya penulis.

 

Membentuk Variabel Tingkat Pendidikan dari Data Susenas

Data Susenas (Survei Sosial Ekonomi Nasional) merupakan data yang memuat informasi sosial ekonomi terlengkap yang diselenggarakan secara kontinyu. Penyelenggaraan Susenas dilakukan setiap tahun sejak tahun 1963.

Salah satu variabel yang dapat dibentuk dari data Susenas adalah variabel tingkat pendidikan yang ditamatkan. Bagi orang awam, variabel ini dibentuk dengan mengkopi dari variabel Ijazah tertinggi dari tingkat pendidikan tertinggi yang ditamatkan. Pada saat dilakukan tabulasi dipastikan akan terbentuk data missing yang jumlahnya tidak sedikit. Mengapa?

Temukan Jawabannya Dengan Mengklik File Berikut.