🎪 Selamat Datang di Taman Bermain Angka
Halo semuanya.
Sebelum kita buka silabus…
Sebelum kita bicara soal rumus…
Saya mau ajak kalian main sebentar.
Main dengan angka.
Saya tahu.
Banyak dari kalian yang datang ke kelas ini dengan beban.
Beban dari SMA.
Beban dari guru matematika yang galak.
Beban dari teman yang bilang, “Aku nggak bakat hitung-hitungan.”
Mari kita lepaskan beban itu dulu.
Di sini.
Di kelas ini.
Janji saya untuk kalian:
Di kelas ini, kita tidak akan menghafal rumus.
Kita akan memahami pola.
Karena kalau kalian paham polanya, rumusnya akan datang dengan sendirinya.
Seperti teman lama yang kembali pulang.
🧮 Angka di Sekitar Kita. Yang Tidak Kita Sadari.
Coba perhatikan sehari kalian kemarin.
🛵 Kalian pesan Gojek.
Algoritmanya menghitung jarak, waktu, dan harga dalam hitungan milidetik.
Itu statistika.
🛒 Kalian buka Tokopedia.
Rekomendasi produk muncul tepat di saat kalian butuh.
Itu statistika.
☕ Kalian beli kopi.
Kasir bilang, “Kak, kurang Rp 3.000 lagi buat gratis upgrade size.”
Itu juga statistika.
Angka tidak pernah tidur.
Angka bekerja 24 jam, bahkan saat kalian tidur.
Pertanyaannya bukan, “Apakah kalian suka angka?”
Pertanyaannya: “Apakah kalian mau belajar bahasa yang dipakai angka untuk bercerita?”
✨ Tiga “Aha Moment” yang Akan Kita Rasakan Bersama
1. Aturan 72. Keajaiban Compound Interest.
Mau tahu berapa lama uang kalian akan menjadi dua kali lipat di investasi?
Contoh: Bunga 8% per tahun.
72 ÷ 8 = 9 tahun.
Tanpa rumus rumit.
Cukup 72.
Itu “Aha moment” pertama.
2. Paradoks Ulang Tahun.
Di kelas ini ada 30 mahasiswa.
Berapa probabilitas ada dua orang yang berulang tahun di tanggal yang sama?
Intuisi kalian bilang, “Kecil. Mungkin 8%.”
Jawaban sebenarnya? Lebih dari 70%.
Itu “Aha moment” kedua.
Intuisi kita sering salah.
Statistika meluruskan.
3. Hukum Angka Besar.
Restoran A rating 5,0 dari 3 review.
Restoran B rating 4,5 dari 300 review.
Mana yang lebih enak?
Intuisi bilang, “A dong, ratingnya sempurna.”
Statistika bilang, “B.”
Kenapa? Karena sampel 3 review terlalu kecil untuk dipercaya.
Itu “Aha moment” ketiga.
Bekal kalian untuk tidak mudah ditipu angka di kehidupan nyata.
🎲 Cara Kita Belajar: Metode Gasing
Inspirasi dari metode Gasing.
Gampang, Asyik, Menyenangkan.
Gampang: Kita mulai dari hal konkret. Kopi, Gojek, Tokopedia. Bukan dari rumus abstrak.
Asyik: Kita akan banyak main mini challenge. Tebak-tebakan angka. Kompetisi kecil antar kelompok.
Menyenangkan: Tidak ada hukuman kalau salah jawab. Salah jawab itu bukti kalian sedang belajar.
Prinsip kita sederhana: Kalau kalian bisa menjelaskannya ke teman dengan bahasa warung kopi, berarti kalian sudah paham. Kalau belum, berarti saya yang belum berhasil menjelaskannya.
Kita sudah bermain dengan angka.
Kita sudah melihat pola.
⬇️Tapi… apa yang terjadi ketika angka disalahgunakan?
Ketika pola dipaksa masuk ke model yang salah?
Siapkan mental kalian. Ini cerita nyata.
🎭 Malam Ketika Regresi Linear Memaksa Data Dikotomi
Ini bukan fiksi.
Ini adalah cerita statistika bisnis yang benar-benar terjadi.
Sebuah keputusan strategis diambil, bermodalkan output SPSS yang terlihat meyakinkan.
Dan pasar… berkata lain.
Tulisan ini merekam, bagaimana regresi linear bisa berbohong dengan sopan, ketika dipaksakan untuk data yang bukan haknya.
🎬 Babak 1 — Rapat yang Terlalu Yakin
Malam itu, ruang startup KreditKilat, penuh euforia.
Di layar presentasi Bu Rina, satu angka bersinar seperti kebenaran mutlak.
R-Square 0,78.
Model regresi linear berganda menunjukkan, bahwa pendapatan, usia, dan riwayat kredit, secara signifikan mempengaruhi keputusan orang untuk mengajukan pinjaman.
“Data kita kuat!” seru tim analis.
Empat ratus debitur sudah di-input ke SPSS.
Semua variabel signifikan.
Tidak ada yang bertanya…
“Tunggu dulu. Variabel dependen kita kan cuma ‘Disetujui’ atau ‘Ditolak’. Kok pakai regresi linear?”
Jawabannya singkat.
Dan berbahaya.
“Yang penting outputnya keluar, kan?”
Konsep yang menyala: Data dikotomi tidak pernah bisa dipaksakan ke dalam regresi linear OLS. Residual tidak akan pernah normal. Prediksi bisa di luar 0 dan 1. Dan R-Square… adalah ilusi yang manis.
💔 Babak 2 — Tiga Bulan yang Menyesakkan
Model diluncurkan.
Sistem otomatis menyetujui pengajuan pinjaman, bagi siapa pun yang skor regresinya di atas ambang batas.
Tapi sesuatu yang aneh terjadi.
Default rate melonjak 340%.
Dari yang seharusnya 5%, menjadi 17%.
Bu Rina menatap spreadsheet lama itu lama sekali.
Lalu berbisik.
“Model kita bilang mereka layak kredit. Kenapa mereka gagal bayar?”
Jawabannya pahit.
Dan sederhana.
Pasar tidak berbohong.
Modelnyalah yang berbohong.
Regresi linear memprediksi nilai kontinu.
Sementara keputusan kredit adalah dikotomi.
Model itu memprediksi skor 1,2 untuk satu debitur.
Padahal secara logika, probabilitas tidak mungkin lebih dari 1.
Tapi siapa yang peduli?
Output SPSS terlihat meyakinkan.
Konsep yang menyala: Ketika asumsi dilanggar, model tidak sekadar kurang akurat. Ia menjadi berbahaya. Single point of failure, bisa berupa satu pilihan metode yang salah.
🔬 Babak 3 — Autopsi Model Statistik
Tim konsultan statistik dipanggil.
Mereka melakukan autopsi.
Empat luka fatal ditemukan.
Luka pertama. Variabel dependen Disetujui/Ditolak adalah dikotomi. Tapi diperlakukan sebagai data interval. Ini seperti mengukur suhu dengan penggaris.
Luka kedua. Residual tidak terdistribusi normal. Asumsi utama OLS dilanggar. Tapi karena “yang penting signifikan”, asumsi itu diabaikan.
Luka ketiga. Prediksi model menghasilkan nilai negatif, dan lebih dari 1. Secara matematis absurd untuk probabilitas. Tapi tidak ada yang mengecek.
Luka keempat. Ukuran sampel 400 terdengar besar. Tapi tidak dihitung berdasarkan power analysis. Hanya ikut feeling bahwa 400 itu sudah cukup.
Empat ratus data yang salah model, ternyata jauh lebih berbahaya, daripada empat puluh data yang benar modelnya. Karena yang 400 itu datang dengan keyakinan palsu yang terbungkus R-Square 0,78.
Konsep yang menyala: Asumsi normalitas residual, homokedastisitas, dan linearitas bukan hiasan. Mereka adalah fondasi. Melanggarnya bukan “trik kreatif”. Itu bunuh diri metodologis.
🛠️ Babak 4 — Membangun Ulang dengan Regresi Logistik
Model dibangun ulang dari nol.
Kali ini, metode yang dipilih adalah Regresi Logistik.
Kenapa?
Karena variabel dependen tetap dikotomi. Gagal Bayar (0) atau Lunas (1).
Perubahan fundamental terjadi.
Pertama. Tidak ada lagi asumsi normalitas residual. Regresi logistik mengikuti distribusi logistik, bukan normal.
Kedua. Tidak ada lagi prediksi di luar 0 dan 1. Output model adalah probabilitas yang dibatasi antara 0% sampai 100%.
Ketiga. Interpretasi berubah total. Dari koefisien regresi yang abstrak, menjadi Odds Ratio (Exp(B)) yang bisa dipahami manajemen.
“Debitur dengan riwayat kredit buruk, memiliki 3,2 kali lebih besar risiko gagal bayar.”
Itu bahasa yang dimengerti direksi.
Keempat. Ukuran sampel dihitung ulang dengan aturan praktis yang valid. Minimum 50 observasi per variabel prediktor. Untuk 4 variabel independen, dibutuhkan minimal 200 sampel. Dan itu terpenuhi.
Konsep yang menyala: Regresi logistik bukan sekadar “alternatif”. Ia adalah metode yang tepat untuk masalah yang tepat. Memilih metode yang salah bukan kesalahan teknis. Itu kegagalan nalar.
✨ Babak 5 — Ketika Data Jujur Berbicara
Hasil model logistik tidak semanis regresi linear.
Pseudo R-Square hanya 0,42.
Lebih rendah dari 0,78 yang dulu.
Tapi model ini jujur.
Di dalamnya ada sinyal yang tajam.
Variabel riwayat kredit memiliki Exp(B) = 3,2 dengan p-value kurang dari 0,001.
Artinya, debitur dengan riwayat kredit buruk, memiliki risiko gagal bayar 3,2 kali lebih tinggi dibanding yang bersih.
Setelah mengontrol pendapatan dan usia.
Uji Wald menegaskan semua variabel signifikan.
Uji Chi-Square Maximum Likelihood mengonfirmasi model ini fit.
Dan yang terpenting, tidak ada lagi prediksi di luar rentang 0-1.
Keputusan berubah.
Sistem approval direvisi.
Debitur dengan riwayat kredit buruk tidak otomatis ditolak.
Tapi diminta co-signer atau jaminan tambahan.
Tiga bulan kemudian, default rate turun dari 17% menjadi 6%.
Hampir kembali ke target 5%.
Konsep yang menyala: R-Square tinggi bukan jaminan kebenaran. Model yang baik bukan yang terlihat paling canggih di SPSS. Tapi yang asumsinya terpenuhi, dan interpretasinya bisa ditindaklanjuti.
Kita sudah melihat dua sisi statistika.
Sisi yang indah… pola angka.
Dan sisi yang berbahaya… metode yang salah.
⬇️Sekarang, mari kita susun peta perjalanan kalian.
🗺️ Peta Perjalanan: 3 Fase + Bonus
🔍 Fase 2 — Inferensi Statistik (Sesi 05-10)
Kita belajar “menebak dengan pintar”.
- Probability distributions & sampling distribution.
- Confidence intervals & hypothesis testing.
- Analysis of Variance (ANOVA).
Dari 100 sampel, kita bisa menyimpulkan perilaku 1 juta pelanggan.
Itu seni inferensi.
🚀 Fase 3 — Predictive Analytics (Sesi 11-14)
Kita belajar “meramal masa depan”.
- Chi-Square & non-parametric tests.
- Simple & multiple linear regression — dan kapan TIDAK menggunakannya.
- Regresi logistik untuk probabilitas dikotomi.
- Time-series forecasting untuk prediksi bisnis.
Contoh nyata: Daripada berkata “Penjualan turun”, Anda akan belajar berkata: “Berdasarkan model logistik, jika kita tidak mengubah strategi retensi minggu ini, probabilitas kehilangan 20% pelanggan setia akan terjadi dalam 30 hari ke depan.”
🎁 Bonus — Deep-Dive & Topik Khusus
- Regresi ordinal untuk data Likert yang berjenjang.
- Regresi multinomial untuk kategori tanpa urutan.
- SOP pelaporan hasil analisis yang bertanggung jawab.
- Aturan praktis: minimum 50 observasi per prediktor untuk regresi logistik.
🛠️ Toolkit Praktikum Interaktif
Jangan hanya baca teori.
Eksperimenkan langsung.
- 🧪 Lab Visual CLT & Inferensi: 15 simulator untuk melihat distribusi sampling & uji hipotesis bergerak real-time.
- 📊 Kalkulator SPSS-Style: Output ANOVA, Regresi, Uji-T persis seperti SPSS — tanpa instalasi software.
🎯 Komitmen Kita Bersama
Di kelas ini, kita akan fokus pada implikasi manajerial.
Setiap kali kita melihat output software, pertanyaan pertama kita bukan:
“Apakah p-value < 0.05?"
Melainkan:
“Apa tindakan bisnis nyata yang harus diambil berdasarkan angka ini, dan apa risikonya jika kita salah menafsirkannya?”
Kita tidak di sini untuk jadi “kalkulator berjalan”.
Software bisa menghitung lebih cepat.
Kita di sini untuk jadi detektif bisnis.
Yang bisa membedakan data yang jujur dari data yang berbohong.
Metode yang tepat dari metode yang berbahaya.
Selamat datang di Statistika Bisnis.
Mari bermain dengan angka.
Dan belajar dari kesalahannya.