π Bedah Soal National Statistics Competition
10 Soal & Solusi Detail: Menguji Intuisi, Asumsi, dan Interpretasi, Bukan Sekadar Perhitungan Mekanis.
π 10 Soal Kompetisi & Pembahasan Mendalam
Solusi Detail
Ini adalah Rancangan Acak Kelompok (RAK) Faktorial. Rumus derajat bebas galat adalah:
df_galat = (5 – 1) Γ ((4 Γ 2) – 1)
df_galat = 4 Γ (8 – 1) = 4 Γ 7 = 28
Solusi Detail
Berdasarkan Teorema Limit Pusat, jika populasi normal, distribusi sampling rata-rata juga normal dengan:
Ο_xΜ = Ο / βn = 10 / β25 = 10 / 5 = 2
Solusi Detail
Karakteristik “berantai” dan “responden merekomendasikan responden berikutnya” adalah definisi klasik dari Snowball Sampling. Teknik ini ideal untuk populasi yang sulit diidentifikasi atau tersembunyi (hidden population).
Solusi Detail
Total populasi N = 15 + 8 + 22 + 28 = 73. Rumus alokasi proporsional (memiliki dasar teoretis probabilistik yang kuat):
n_A = (15 / 73) Γ 30 β 6
n_B = (8 / 73) Γ 30 β 3
n_C = (22 / 73) Γ 30 β 9
n_D = (28 / 73) Γ 30 β 12
*Verifikasi: 6 + 3 + 9 + 12 = 30. Cocok.
Solusi Detail
Jika hubungan awal kuadratik (Y β XΒ²), maka untuk melinearkan:
β’ Opsi III: log Y = log a + 2 log X (Benar, transformasi log-log melinearkan hubungan pangkat)
Opsi II dan IV justru akan memperburuk non-linearitas.
Solusi Detail
Rumus efek interaksi untuk rancangan 2Β²:
Efek Interaksi = [64 + 95 – 87 – 75] / 2
Efek Interaksi = [159 – 162] / 2 = -3 / 2 = -1.5
Solusi Detail
Prinsip utama uji lanjut (seperti Tukey HSD atau DMRT) dengan notasi huruf:
β’ Huruf BERBEDA = Rata-rata BERBEDA signifikan secara statistik.
Solusi Detail
Langkah 1: Hitung nilai logit.
logit(p) = -6.1808 + 5.4872 = -0.6936
Langkah 2: Konversi logit ke probabilitas menggunakan fungsi sigmoid.
p = 0.4998 / (1 + 0.4998) = 0.4998 / 1.4998 β 0.333
Solusi Detail
Proses X_t = Z_0 cos(ct) adalah tidak stasioner.
Solusi Detail
Pola identifikasi Box-Jenkins:
β’ PACF dies down β Mengonfirmasi bukan proses AR murni, sehingga p = 0.
β’ Jika data sudah stasioner (d=0), modelnya adalah ARIMA(0,0,1).
*Jika soal mengimplikasikan data perlu didifferencing sekali agar stasioner, maka d=1, menjadi ARIMA(0,1,1). Namun, berdasarkan pola murni ACF/PACF yang dijelaskan, MA(1) adalah intinya.
“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 Bedah Soal National Statistics Competition
10 Soal & Solusi Detail + Post-Mortem Analysis: Menguji Intuisi, Asumsi, dan Integritas Intelektual.
π 10 Soal Kompetisi & Pembahasan 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 kita 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 = 7.5) 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