π§ The Statistical Navigator
Bedah Kasus & Post-Mortem Analysis: Membangun Intuisi, Kejujuran Intelektual, dan Ketajaman Metodologis.
π 10 Soal Kompetisi dengan Post-Mortem Analysis Mendalam
Solusi Detail
Post-Mortem Analysis
Mahasiswa sering tertukar antara rumus RAK Faktorial dan RAL, atau lupa bahwa interaksi (ab-1) juga mengonsumsi derajat kebebasan sebelum dihitung ke galat.
RAK dipilih karena ada sumber variasi yang diketahui (fakultas) yang harus dikontrol. Mengabaikannya berarti membiarkan “noise” lingkungan menenggelamkan sinyal perlakuan yang sebenarnya.
Solusi Detail
Ο_xΜ = Ο / βn = 10 / β25 = 2
Post-Mortem Analysis
Sering lupa membagi Ο dengan βn, sehingga menjawab Normal(50, 10). Ini adalah kegagalan membedakan antara distribusi populasi dan distribusi sampling.
Kita menggunakan distribusi sampling karena kita tidak pernah punya akses ke seluruh populasi. Kita harus mengkuantifikasi ketidakpastian estimasi agar keputusan bisnis tidak didasarkan pada kebetulan sampel.
Solusi Detail
Karakteristik “berantai” adalah definisi klasik dari Snowball Sampling.
Post-Mortem Analysis
Tertukar dengan Purposive Sampling karena merasa ada “tujuan” tertentu, padahal inti snowball adalah mekanisme rekrutmen berantai, bukan kriteria seleksi awal.
Snowball dipilih bukan karena kemudahan, tapi sebagai pengakuan jujur (intellectual honesty) bahwa sampling frame tidak ada. Kita mengandalkan jaringan sosial populasi tersembunyi untuk menjangkau mereka.
Solusi Detail
n_A = (15/73)Γ30 β 6 (dan seterusnya)
Post-Mortem Analysis
Membagi rata (n/4) tanpa melihat bobot populasi, atau terjebak menggunakan rumus heuristik tanpa dasar teoretis yang jelas (seperti Rumus Slovin) untuk menentukan n.
Alokasi proporsional dipilih untuk menjaga representasi yang adil. Kita menghormati struktur populasi yang ada, bukan memaksakan keseragaman buatan yang dapat menimbulkan bias estimasi.
Solusi Detail
β’ Opsi III: log Y = log a + 2 log X (Benar)
Post-Mortem Analysis
Mencoba transformasi acak tanpa melihat pola scatter plot, atau salah mengartikan bahwa transformasi log selalu menyelesaikan semua masalah non-linearitas.
Transformasi bukan “trik curang” untuk memaksa data fit. Ini adalah upaya mengembalikan data ke skala di mana hubungan linier (yang paling stabil dan mudah diinterpretasi) dapat terlihat secara jujur.
Solusi Detail
Post-Mortem Analysis
Salah menempatkan tanda positif/negatif pada rumus kontras, atau mengasumsikan interaksi selalu bernilai positif (sinergi), padahal bisa saja antagonis (saling meniadakan).
Kita menghitung interaksi karena dunia nyata jarang bersifat aditif sederhana. Memahami interaksi berarti mengakui bahwa efek satu strategi bisnis sangat bergantung pada konteks strategi lainnya.
Solusi Detail
Huruf BERBEDA = BERBEDA signifikan.
Post-Mortem Analysis
Membaca huruf yang *sama* sebagai berbeda, atau mengabaikan nilai p-value di balik notasi huruf dan langsung membuat klaim bisnis yang berlebihan.
Notasi huruf adalah alat komunikasi efisiensi. Kita menggunakannya untuk menyampaikan kompleksitas perbandingan berpasangan (post-hoc) dalam format yang bisa dicerna oleh manajer non-teknis tanpa kehilangan ketepatan statistik.
Solusi Detail
p = e^(-0.6936) / (1 + e^(-0.6936)) β 0.333
Post-Mortem Analysis
Mengira koefisien (1.3718) adalah penambahan probabilitas langsung (seperti regresi linier), bukan perubahan pada log-odds. Ini adalah kesalahan fatal yang paling umum.
Regresi logistik dipilih karena variabel target kita adalah kategori (0 atau 1). Kita memetakan probabilitas (0-1) ke skala tak terbatas (logit) agar bisa dimodelkan secara linier, lalu mengembalikannya ke probabilitas agar bermakna bagi bisnis.
Solusi Detail
Varians bergantung pada waktu (t) melalui cos(ct), melanggar syarat stasioneritas.
Post-Mortem Analysis
Mengira semua persamaan dengan Z (white noise) otomatis stasioner, tanpa mengecek apakah ada ketergantungan eksplisit pada waktu (t) di luar struktur lag.
Kita menuntut stasioneritas karena forecasting hanya mungkin jika pola masa lalu (mean, varians) stabil. Memaksakan model pada data tidak stasioner sama dengan mengemudi dengan melihat kaca spion yang retak.
Solusi Detail
PACF dies down β bukan AR, p=0
Model: ARIMA(0,0,1)
Post-Mortem Analysis
Tertukar antara pola ACF dan PACF (mengira ACF cut-off berarti AR), atau memaksakan model ARIMA kompleks saat data jelas menunjukkan proses MA sederhana.
Kita memetakan ACF/PACF seperti dokter membaca EKG. Pola cut-off dan die-down adalah “sidik jari” matematis yang memberitahu kita struktur memori dari data tersebut. Kita membiarkan data yang berbicara, bukan memaksakan model.
“Kompetisi statistika tidak dimenangkan oleh mereka yang paling cepat menekan tombol kalkulator,
tetapi oleh mereka yang paling tajam melihat jebakan asumsi dan paling jernih menerjemahkan angka menjadi strategi.”
β The Statistical Navigator
π§ The Statistical Navigator
Bank Bedah Kasus: Mengubah 10 Soal Teknis Menjadi Intuisi Pengambilan Keputusan Bisnis
π§ Bank Bedah Kasus: 10 Contoh Aplikasi & Logika
Setiap contoh di bawah ini dirancang untuk melatih transisi dari perhitungan mekanis menuju interpretasi manajerial.
Analisis: Ini adalah RAK Faktorial. Derajat bebas galat dihitung untuk memastikan power uji statistik.
Pengerjaan: (5 – 1) Γ (4 Γ 2 – 1) = 4 Γ 7 = 28
Analisis: Rata-rata sampel (xΜ) berdistribusi normal. Standar error mengecil seiring bertambahnya ukuran sampel.
ΟxΜ = Ο / βn = 10 / β25 = 2
Analisis: Responden awal memberikan informasi/referensi mengenai responden berikutnya secara berantai.
Analisis: Alokasi harus proporsional agar setiap wilayah terwakili sesuai bobot populasinya (Alternatif valid yang lebih presisi dibanding rumus yang tidak memiliki dasar teoretis kuat).
nA = (15/73) Γ 30 β 6
nB = (8/73) Γ 30 β 3
nC = (22/73) Γ 30 β 9
nD = (28/73) Γ 30 β 12
Analisis: Transformasi bertujuan melinearkan hubungan. Jika Y β XΒ², maka transformasi pada Y atau kedua variabel diperlukan.
Analisis: Efek interaksi mengukur apakah kombinasi kedua perlakuan memberikan dampak yang lebih besar/kecil dari jumlah dampak masing-masing.
Pengerjaan: [(95 + 64) – (87 + 75)] / 2 = (159 – 162) / 2 = -1,5
Analisis: Dalam tabel output statistik, notasi huruf (superskrip) digunakan untuk ringkasan cepat uji pasca-hoc (seperti Tukey HSC).
Analisis: Model: logit(p) = -6,1808 + 1,3718 X. Kita harus mengonversi log-odds kembali ke probabilitas (p).
logit(p) = -6,1808 + 1,3718(4) = -0,6936
p = e-0,6936 / (1 + e-0,6936) β 0,33
Analisis: Proses stasioner mensyaratkan mean dan varians yang konstan terhadap waktu. Jika varians bergantung pada t, maka tidak stasioner.
Varians dari Xt bergantung pada nilai t.
Analisis: ACF cut-off di lag 1 mengindikasikan orde MA (q=1). PACF yang dies down (mengalami peluruhan) mengonfirmasi bukan proses AR murni. Asumsi data telah stasioner (d=1 atau d=0 tergantung konteks, di sini diasumsikan d=1 dari notasi jawaban).
“Statistika adalah bahasa untuk berbicara dengan ketidakpastian.
Jangan pernah membiarkan algoritma atau perangkat lunak berpikir untuk kalian.
Kalian adalah verifikator terakhir.
1% progress setiap hari dalam memahami konsep jauh lebih berharga
daripada 100% menghafal rumus yang akan basi dalam seminggu.”
π§ The Statistical Navigator
Bedah Kasus Lengkap: Langkah demi Langkah dari Teori ke Keputusan Bisnis
π 4 Kasus Fundamental dengan Derivasi Lengkap (Tipe CBT)
Setiap kasus di bawah ini tidak hanya menampilkan jawaban akhir, tetapi juga alur berpikir (derivation) yang terstruktur agar Anda memahami mengapa dan bagaimana rumus tersebut bekerja.
Soal: Berapa derajat kebebasan (df) galat pada ANOVA untuk rancangan ini?
Langkah demi Langkah Mendapatkan Jawaban
- Langkah 1: Identifikasi parameter. Jumlah blok $r = 4$, level Faktor A $a = 3$, level Faktor B $b = 2$.
- Langkah 2: Pahami logika partisi derajat kebebasan. Total observasi $N = r \times a \times b = 4 \times 3 \times 2 = 24$. Total df = $N – 1 = 23$.
- Langkah 3: Hitung df komponen lain: df Blok = $r-1 = 3$; df Faktor A = $a-1 = 2$; df Faktor B = $b-1 = 1$; df Interaksi AB = $(a-1)(b-1) = 2 \times 1 = 2$.
- Langkah 4: Gunakan rumus langsung untuk df Galat pada RAK Faktorial: $df_{galat} = (r – 1)(ab – 1)$.
$df_{galat} = 3 \times (6 – 1)$
$df_{galat} = 3 \times 5 = $ 15 *Verifikasi: Total df (23) = df Blok (3) + df A (2) + df B (1) + df AB (2) + df Galat (15). Cocok.
Soal: Diberikan data: (1)=50, a=60, b=55, ab=75. Tentukan estimasi besarnya pengaruh interaksi antara faktor A dan B!
Langkah demi Langkah Mendapatkan Jawaban
- Langkah 1: Pahami konsep interaksi. Interaksi mengukur apakah efek Faktor A berubah ketika level Faktor B berubah.
- Langkah 2: Hitung efek A pada level rendah B: $a – (1) = 60 – 50 = 10$.
- Langkah 3: Hitung efek A pada level tinggi B: $ab – b = 75 – 55 = 20$.
- Langkah 4: Interaksi adalah rata-rata perbedaan kedua efek tersebut. Rumus kontras standarnya adalah: $\frac{ab + (1) – a – b}{2n}$. Karena $n=1$ (satu replikasi per blok), penyebutnya adalah 2.
$\text{Efek Interaksi} = \frac{125 – 115}{2}$
$\text{Efek Interaksi} = \frac{10}{2} = $ 5,0
Soal: Plot ACF menunjukkan cut-off (terpotong tajam) setelah lag 2, sedangkan plot PACF menunjukkan pola dies down (meluruh perlahan). Model ARIMA manakah yang paling tepat?
Langkah demi Langkah Mendapatkan Jawaban
- Langkah 1: Pahami notasi ARIMA(p, d, q). $p$ = orde AR, $d$ = orde differencing, $q$ = orde MA.
- Langkah 2: Tentukan $d$. Soal menyatakan data “telah distasionerkan” dan opsi jawaban semuanya menggunakan $d=1$.
- Langkah 3: Tentukan $p$ dari PACF. Karena PACF dies down (tidak terpotong tajam), maka tidak ada komponen AR murni, sehingga $p = 0$.
- Langkah 4: Tentukan $q$ dari ACF. Karena ACF cut-off setelah lag 2, ini adalah ciri khas proses Moving Average orde 2, sehingga $q = 2$.
$p = 0$ (dari PACF dies down)
$d = 1$ (dari asumsi stasioneritas soal)
$q = 2$ (dari ACF cut-off di lag 2)
Model: ARIMA(0, 1, 2)
Soal: Diberikan model: $\text{logit}(p) = 2,5 – 0,5 X$. Jika $X = 3$, berapakah probabilitas kejadian tersebut ($p$)?
Langkah demi Langkah Mendapatkan Jawaban
- Langkah 1: Hitung nilai logit (log-odds) dengan mensubstitusi $X = 3$ ke dalam persamaan.
- Langkah 2: Ingat hubungan antara logit dan probabilitas: $\text{logit}(p) = \ln(\frac{p}{1-p})$.
- Langkah 3: Gunakan fungsi invers logit (fungsi sigmoid) untuk mengubah log-odds kembali menjadi probabilitas $p$: $p = \frac{e^{\text{logit}}}{1 + e^{\text{logit}}}$.
- Langkah 4: Hitung nilai numeriknya menggunakan $e \approx 2,71828$.
$p = \frac{e^{1,0}}{1 + e^{1,0}}$
$p = \frac{2,71828}{1 + 2,71828} = \frac{2,71828}{3,71828} \approx $ 0,731
“Statistika adalah bahasa untuk berbicara dengan ketidakpastian.
Jangan pernah membiarkan algoritma atau perangkat lunak berpikir untuk kalian.
Kalian adalah verifikator terakhir.
1% progress setiap hari dalam memahami konsep jauh lebih berharga
daripada 100% menghafal rumus yang akan basi dalam seminggu.”
π§ The Statistical Navigator
Variasi Masalah: Satu Konsep, Banyak Wajah. Membangun Fleksibilitas Intuisi Statistik.
π 7 Topik dengan 3 Variasi Masalah Setiap Topik
Setiap topik menampilkan 1 Kasus Utama (detail dengan langkah pengerjaan) dan 2 Variasi (ringkas) untuk menunjukkan keluasan aplikasi konsep yang sama.
Soal: Tentukan distribusi dari rata-rata sampel (xΜ)!
Langkah demi Langkah
- Langkah 1: ΞΌ_xΜ = ΞΌ = 50.
- Langkah 2: Ο_xΜ = Ο / βn = 10 / β25 = 10 / 5 = 2.
Distribusi: Normal(50, 2)
Variasi 1A: Distribusi Sampling Proporsi
Konteks: Survei 200 pelanggan UMKM, 60% menyatakan puas (p = 0,6). Berapa standard error dari proporsi sampel?
Variasi 1B: Teorema Limit Pusat (CLT)
Konteks: Populasi waktu pengiriman Gojek tidak normal (skew kanan), ΞΌ = 25 menit, Ο = 8 menit. Jika diambil sampel n = 50, apakah distribusi xΜ masih bisa didekati normal?
Soal: Alokasi sampel proporsional?
Langkah demi Langkah
- Langkah 1: n_i = (N_i / N) Γ n.
- Langkah 2: Hitung dan bulatkan, pastikan total = 30.
n_B = (8/73)Γ30 β 3
n_C = (22/73)Γ30 β 9
n_D = (28/73)Γ30 β 12
Variasi 2A: Snowball Sampling
Konteks: Meneliti pembeli produk niche (kopi spesialti langka) yang populasinya tersembunyi. Responden awal merekrut responden berikutnya.
Variasi 2B: Systematic Sampling untuk Quality Control
Konteks: QC pabrik keripik memeriksa 1 dari setiap 20 paket yang keluar dari conveyor belt. Total produksi harian = 1000 paket.
Soal: Derajat kebebasan galat?
Langkah demi Langkah
- Langkah 1: df_galat = (r-1)(ab-1).
- Langkah 2: Substitusi parameter.
Variasi 3A: Estimasi Efek Interaksi Faktorial 2Β²
Konteks: Eksperimen keripik: Faktor A (suhu), Faktor B (waktu). Data: (1)=50, a=60, b=55, ab=75.
Variasi 3B: Kapan Memilih RAL vs RAK?
Konteks: Eksperimen di laboratorium dengan kondisi terkontrol sempurna vs di lapangan dengan variasi tanah.
Soal: Interpretasi koefisien dan prediksi untuk X = 4!
Langkah demi Langkah
- Langkah 1: Slope = 2,5 β setiap +Rp1 juta iklan, penjualan +2,5 unit.
- Langkah 2: ΕΆ = 120 + 2,5(4) = 130.
Prediksi: = 130 unit
Variasi 4A: Transformasi Data untuk Linearisasi
Konteks: Hubungan budget iklan (X) dan konversi (Y) berbentuk kurva jenuh (kuadratik), melanggar asumsi linearitas.
Variasi 4B: Diagnostik Model (RΒ² dan Asumsi)
Konteks: Model regresi menghasilkan RΒ² = 0,95 untuk data cross-sectional UMKM. Apakah ini masuk akal?
Soal: Model ARIMA yang tepat?
Langkah demi Langkah
- Langkah 1: PACF dies down β p = 0 (bukan AR).
- Langkah 2: ACF cut-off di lag 2 β q = 2 (MA orde 2).
- Langkah 3: d = 1 (sudah diberikan).
Variasi 5A: Stasioneritas Proses Stokastik
Konteks: Mengecek apakah model X_t = Z_0 cos(ct) stasioner untuk forecasting harga bahan baku.
Variasi 5B: Seasonal ARIMA (SARIMA)
Konteks: Data penjualan UMKM menunjukkan pola musiman kuat setiap 12 bulan (ramadhan, lebaran, akhir tahun).
Soal: Teknik reduksi dimensi yang tepat?
Langkah demi Langkah
- Langkah 1: Masalah: multikolinearitas dan dimensi besar.
- Langkah 2: PCA/Analisis Faktor mengekstrak varians bersama menjadi komponen laten.
- Langkah 3: Kriteria: Eigenvalue > 1 (Kaiser criterion).
Variasi 6A: Analisis Klaster untuk Segmentasi
Konteks: Mengelompokkan 500 pelanggan UMKM menjadi segmen homogen berdasarkan perilaku belanja (frekuensi, nilai transaksi, kategori produk).
Variasi 6B: MANOVA untuk Perbandingan Multivariat
Konteks: Membandingkan 3 strategi marketing (diskon, bundle, cashback) terhadap 2 variabel dependen simultan: volume penjualan dan margin keuntungan.
Soal: Probabilitas checkout jika X = 3?
Langkah demi Langkah
- Langkah 1: logit(p) = 2,5 – 0,5(3) = 1,0.
- Langkah 2: p = e^(logit) / (1 + e^(logit)) = e^1 / (1 + e^1).
p = 2,718 / 3,718 β 0,731
Variasi 7A: Uji Chi-Square untuk Independensi
Konteks: Tabel kontingensi 2Γ2: Jenis pembayaran (COD vs E-Wallet) Γ Repeat Order (Ya vs Tidak). Apakah keduanya independen?
Variasi 7B: Model Log-Linear untuk Tabel Kontingensi
Konteks: Tabel 3Γ3: Kategori produk (A,B,C) Γ Wilayah (Jakarta, Bandung, Surabaya) Γ Tingkat Kepuasan (Rendah, Sedang, Tinggi).
“Satu contoh mengajarkan rumus. Tiga variasi mengajarkan intuisi.
Jangan hanya hafal cara menyelesaikan satu jenis soalβ
pahami mengapa metode itu bekerja di berbagai konteks.
Fleksibilitas intelektual adalah tanda penguasaan sejati.
π Statistical Navigator: Level Kompetisi
Bedah Kasus Variatif Setara Standar Nasional. Menguji Intuisi, Asumsi, dan Interpretasi, Bukan Sekadar Perhitungan.
π 7 Topik: Soal Kompetisi & Bedah Jawaban Mendalam
Kunci Jawaban: B
Alasan: Pada data right-skewed, mean akan tertarik ke arah outlier (overestimasi). Median adalah ukuran pemusatan yang robust. Menurut teori asimtotik, distribusi sampling median memang mendekati normal untuk n besar, meskipun variansnya sedikit lebih besar dari mean pada distribusi normal sempurna.
Kunci Jawaban: C
Alasan: Respons 20% yang sangat puas mengindikasikan bahwa hanya pelanggan yang sangat senang (atau sangat marah) yang repot mengisi survei. Ini adalah Non-response bias klasik. Weighting atau follow-up adalah standar emas untuk mengoreksi bias ini.
Kunci Jawaban: C
Alasan: Blocking hanya mengontrol variasi yang sistematis dan diketahui (misal: Senin selalu lebih sepi dari Sabtu). Gangguan server adalah shock acak (random shock) yang akan membengkakkan varians error (MSE), sehingga menurunkan power uji (F-hitung mengecil).
Kunci Jawaban: B
Alasan: Pola corong menandakan heteroskedastisitas. Meskipun OLS tetap tidak bias (unbiased), standar error-nya menjadi tidak valid (biasanya underestimated untuk nilai X besar). Ini membuat interval kepercayaan terlalu sempit dan uji-t menjadi terlalu “signifikan” secara palsu (Type I error).
Kunci Jawaban: B
Alasan: Overdifferencing memperkenalkan korelasi negatif buatan. Gejala paling khas adalah spike negatif yang besar di lag 1 pada ACF (sering kali sekitar -0.5 atau lebih rendah), dan varians seri waktu yang sebenarnya membesar, bukan mengecil.
Kunci Jawaban: B
Alasan: Ketika semua loading pada PC1 bernilai positif dan besar, ini mengindikasikan bahwa semua variabel bergerak bersama. Dalam konteks bisnis, ini sering diinterpretasikan sebagai “faktor ukuran” atau “kinerja umum” yang menangkap varians bersama dari seluruh metrik.
Kunci Jawaban: B
Alasan: Dalam regresi logistik, koefisien Ξ² mewakili perubahan pada log-odds. Untuk menginterpretasikannya, kita harus mengeksponensialkannya (e^Ξ²) untuk mendapatkan Odds Ratio (OR). OR = 7.39 berarti peluang relatif churn naik hampir 7,4 kali lipat per komplain.
“Kompetisi statistika tidak dimenangkan oleh mereka yang paling cepat menekan tombol kalkulator,
tetapi oleh mereka yang paling tajam melihat jebakan asumsi dan paling jernih menerjemahkan angka menjadi strategi.”
β The Statistical Navigator
π§ The Statistical Navigator
Bedah Kasus & Post-Mortem Analysis: Membangun Intuisi, Kejujuran Intelektual, dan Ketajaman Metodologis.
π 10 Soal Kompetisi dengan Post-Mortem Analysis Mendalam
Solusi Detail
Post-Mortem Analysis
Mahasiswa sering tertukar antara rumus RAK Faktorial dan RAL, atau lupa bahwa interaksi (ab-1) juga mengonsumsi derajat kebebasan sebelum dihitung ke galat.
RAK dipilih karena ada sumber variasi yang diketahui (fakultas) yang harus dikontrol. Mengabaikannya berarti membiarkan “noise” lingkungan menenggelamkan sinyal perlakuan yang sebenarnya.
Solusi Detail
Ο_xΜ = Ο / βn = 10 / β25 = 2
Post-Mortem Analysis
Sering lupa membagi Ο dengan βn, sehingga menjawab Normal(50, 10). Ini adalah kegagalan membedakan antara distribusi populasi dan distribusi sampling.
Kita menggunakan distribusi sampling karena kita tidak pernah punya akses ke seluruh populasi. Kita harus mengkuantifikasi ketidakpastian estimasi agar keputusan bisnis tidak didasarkan pada kebetulan sampel.
Solusi Detail
Karakteristik “berantai” adalah definisi klasik dari Snowball Sampling.
Post-Mortem Analysis
Tertukar dengan Purposive Sampling karena merasa ada “tujuan” tertentu, padahal inti snowball adalah mekanisme rekrutmen berantai, bukan kriteria seleksi awal.
Snowball dipilih bukan karena kemudahan, tapi sebagai pengakuan jujur (intellectual honesty) bahwa sampling frame tidak ada. Kita mengandalkan jaringan sosial populasi tersembunyi untuk menjangkau mereka.
Solusi Detail
n_A = (15/73)Γ30 β 6 (dan seterusnya)
Post-Mortem Analysis
Membagi rata (n/4) tanpa melihat bobot populasi, atau terjebak menggunakan rumus heuristik tanpa dasar teoretis yang jelas (seperti Rumus Slovin) untuk menentukan n.
Alokasi proporsional dipilih untuk menjaga representasi yang adil. Kita menghormati struktur populasi yang ada, bukan memaksakan keseragaman buatan yang dapat menimbulkan bias estimasi.
Solusi Detail
β’ Opsi III: log Y = log a + 2 log X (Benar)
Post-Mortem Analysis
Mencoba transformasi acak tanpa melihat pola scatter plot, atau salah mengartikan bahwa transformasi log selalu menyelesaikan semua masalah non-linearitas.
Transformasi bukan “trik curang” untuk memaksa data fit. Ini adalah upaya mengembalikan data ke skala di mana hubungan linier (yang paling stabil dan mudah diinterpretasi) dapat terlihat secara jujur.
Solusi Detail
Post-Mortem Analysis
Salah menempatkan tanda positif/negatif pada rumus kontras, atau mengasumsikan interaksi selalu bernilai positif (sinergi), padahal bisa saja antagonis (saling meniadakan).
Kita menghitung interaksi karena dunia nyata jarang bersifat aditif sederhana. Memahami interaksi berarti mengakui bahwa efek satu strategi bisnis sangat bergantung pada konteks strategi lainnya.
Solusi Detail
Huruf BERBEDA = BERBEDA signifikan.
Post-Mortem Analysis
Membaca huruf yang *sama* sebagai berbeda, atau mengabaikan nilai p-value di balik notasi huruf dan langsung membuat klaim bisnis yang berlebihan.
Notasi huruf adalah alat komunikasi efisiensi. Kita menggunakannya untuk menyampaikan kompleksitas perbandingan berpasangan (post-hoc) dalam format yang bisa dicerna oleh manajer non-teknis tanpa kehilangan ketepatan statistik.
Solusi Detail
p = e^(-0.6936) / (1 + e^(-0.6936)) β 0.333
Post-Mortem Analysis
Mengira koefisien (1.3718) adalah penambahan probabilitas langsung (seperti regresi linier), bukan perubahan pada log-odds. Ini adalah kesalahan fatal yang paling umum.
Regresi logistik dipilih karena variabel target kita adalah kategori (0 atau 1). Kita memetakan probabilitas (0-1) ke skala tak terbatas (logit) agar bisa dimodelkan secara linier, lalu mengembalikannya ke probabilitas agar bermakna bagi bisnis.
Solusi Detail
Varians bergantung pada waktu (t) melalui cos(ct), melanggar syarat stasioneritas.
Post-Mortem Analysis
Mengira semua persamaan dengan Z (white noise) otomatis stasioner, tanpa mengecek apakah ada ketergantungan eksplisit pada waktu (t) di luar struktur lag.
Kita menuntut stasioneritas karena forecasting hanya mungkin jika pola masa lalu (mean, varians) stabil. Memaksakan model pada data tidak stasioner sama dengan mengemudi dengan melihat kaca spion yang retak.
Solusi Detail
PACF dies down β bukan AR, p=0
Model: ARIMA(0,0,1)
Post-Mortem Analysis
Tertukar antara pola ACF dan PACF (mengira ACF cut-off berarti AR), atau memaksakan model ARIMA kompleks saat data jelas menunjukkan proses MA sederhana.
Kita memetakan ACF/PACF seperti dokter membaca EKG. Pola cut-off dan die-down adalah “sidik jari” matematis yang memberitahu kita struktur memori dari data tersebut. Kita membiarkan data yang berbicara, bukan memaksakan model.
“Kompetisi statistika tidak dimenangkan oleh mereka yang paling cepat menekan tombol kalkulator,
tetapi oleh mereka yang paling tajam melihat jebakan asumsi dan paling jernih menerjemahkan angka menjadi strategi.”
β The Statistical Navigator