Kind: captions
Language: id
jadi pegawai negeri. Jadi mudah memahami
dan kita menerapkan langsung di apiknya
di lapangan. materinya [musik] banyak
saya butuhin sih. Jadi saat ini saya
dikonsultan
terutama saya di bagian
emisi di bagian udara dan saya lihat di
Eco Edo tercover ya semua ya mulai dari
perpek ada pemodelan udara ada terus
kemudian saya kemarin juga ikut ya RK
akhirnya menghit Eko itu karena ee
jadwal pelatihannya untuk tahun 2023 ini
sudah dimulai di awal Januari.
materi yang diberikan memang sebenarnya
sudah mantap, tapi memang untuk kendala
waktu karena berhubung ini kalau kita di
PNS kan kadang-kadang ada panggilan
tugas jadi sehingga ada beberapa kali ee
apa terputus
banyak hal yang saya dapatin banyak
sekali gitu. Jadi alhamdulillah membuka
terutama yang pertama saya ikut itu kan
yang waktu perteknya bulan Juli ya. Itu
sih awalnya yang wah oke nih gitu. Terus
makanya saya lanjut ke GRK. Saya
akhirnya bisa ee mulai upgrade lagi ya.
Karena kebetulan [musik] saya
background-nya sebenarnya teknikan ee
pekerjaannya sudah sekitar 8 tahun tidak
berhubungan dengan bidang ini. Sehingga
ee dengan mengikuti [musik] training
yang kemarin saya akhirnya bisa upgrade
ee ilmu lagi terutama untuk ee
peraturan-peraturan
yang saat ini berlaku.
cukup membantu bagi saya PNS ee
sama-sama e-landing karena sudah
direcord dengar lagi karena e jadi apa
ee kesibukan di waktu ini sangat-sangat
membantu
ee ketika pas pelatihannya itu kan ee
ada kesibukan gitu kan maksudnya di
sambi gitu ya mohon maaf nyambi terus
itu terus setelah itu apalagi yang
pemodelan pemodelan ini kan kita enggak
bisa sekali ya gitu ya jadi ee ini
sekarang saya lagi ngulang yang mumpung
saya juga masih belum terlalu banyak
kegiatan. Saya lagi ngulang sekarang.
Ee itu sangat membantu sekali. Jadi ee
ketika saya sedang ee bekerja dan ingin
meemind [musik] lagi, mengingat kembali
ee untuk materi-materi yang kemarin saya
bisa mengakses ee di website EQ.
Mantap, bagus, dan berkembang.
Pertama, kekinian.
Kedua, mantap. Ketiga, sukses.
Sangat luar biasa.
Ya. Asalamualaikum warahmatullahi
wabarakatuh. Saya ucapkan selamat datang
kepada Bapak Ibu semua di webinar yang
diselenggarakan oleh EKU Edu mengenai
statistik multivariabel untuk analisis
data kualitas air Kamis, 9 Februari
tahun 2023 yang akan ee berlangsung pada
pukul 10.00 hingga pukul 12.00 siang
nanti. Sebelumnya perkenalkan nama saya
Silvi. Saya yang akan menemani Bapak Ibu
semua di ee webinar kali ini. Oke, untuk
ee membuka acara kita untuk menambah
keberkahan mari kita buka dengan membaca
doa bersama-sama menurut agama dan
kepercayaan masing-masing. Berdoa.
Dipersilakan.
Ya, berdoa dicukupkan. Ee kita buka juga
seperti biasa dengan menyanyikan lagu
Indonesia Raya bersama-sama.
[musik]
Ee baik ee sebelumnya mungkin saya ingin
ee menyapa Bapak Ibu semua yang telah
hadir di sini sudah hadir 557
orang. beserta juga dengan ee yang hadir
di live streaming YouTube. Oke, mungkin
sebelumnya ini ada Ibu ee Julia
Fitriani. Selamat pagi, Bu.
Halo, Bu. Selamat pagi.
Oke, mungkin ee kesulitan untuk membuka
mic-nya. Oh, ya. Halo, Ibu.
Oke, mungkin kita next dulu. Ini ada Pak
Rian. Halo, Pak Rian.
Halo. Selamat pagi.
Selamat pagi, Pak. Bagaimana, Pak,
kabarnya?
Alhamdulillah baik.
Baik, ya, Pak. Sudah pernah mengikuti
webinar, Pak, sebelumnya?
Sudah dua kali, Mbak.
Oh, sudah dua kali. Oke, sudah join
juga, Pak, untuk ke WA grup provinsinya.
Ya, sudah kemarin.
Oke, sudah. Semoga sehat selalu ya, Pak.
Iya.
Baik. Ee di sini juga ada
ee Pak Abi Laksono.
Selamat pagi, Pak.
Pak Abi Laksono,
Mbak. Selamat pagi.
Selamat pagi, Pak. Kalau boleh tahu dari
mana, Pak asalnya, Pak?
Ee dari Lampung.
Oh, dari Lampung. Baik. Sudah pernah
ikut sebelumnya, Pak, webinar Eko Edo
ini?
Ee kalau untuk sekarang baru pertama
kali, Mbak.
Oke, baru pertama kali ya, Pak. Sudah
join ke WA grup provinsinya, Pak?
Ee sudah, Pak.
Oke, sudah.
Oke. Semoga ee sehat selalu ya, Pak.
Amin. Makasih, Mbak.
Baik. Di sini juga ada Ibu Jelita.
Selamat pagi, Bu.
Selamat pagi.
Bagaimana Bu kabarnya?
Alhamdulillah sehat. Baik. Semangat
ya. Semangat ya, Bu. Oke. Ibu dari mana,
Bu?
Ee saya dari Taiwan.
Oh dari Taiwan.
Waduh jauh sekali ya, Bu. [tertawa]
Iya. Sebelumnya sudah pernah ikut, Bu?
Belum pernah.
Oh, belum pernah. Ini pertama kalinya,
ya, Bu?
H. Oke, mungkin ee sudah join untuk di
WA grupnya ya, Bu? WA grup provinsi
belum?
Oh, belum. Iya,
betul. Nanti mungkin ee bisa join ya, Bu
ee WA grup provinsinya karena ee ke
depannya mungkin kami akan membahas ee
topik-topik berdasarkan provinsinya
masing-masing seperti itu.
Salam, Prof.
Iya, terima kasih.
Bagaimana, Bu?
Ee salam saya Prof. Dasapta Erwin.
Oh, iya. Oh iya. Baik, Ibu [tertawa]
I terima kasih Ibu sudah ee bergabung di
webinar kali ini. Oke, mungkin ee karena
baru ada yang baru pertama kali
mengikuti webinar di Ekoed Edu ini,
mungkin saya akan ee memperkenalkan
sedikit mengenai Ekoed Edu.
Oke, Ekoido ini merupakan bagian dari
proyek pelatihan di PTGIS yang merupakan
platform pelatihan bersertifikat yang
berfokus pada pelatihan di bidang
lingkungan hidup. Pelatihan ini juga
diselenggarakan untuk meningkatkan
kinerja dan kualitas sumber daya manusia
baik ee secara individu maupun instansi.
Lalu jasa pelayanan di Ekoedu juga
terbuka untuk perusahaan, pemerintah,
perorangan, pemerhati lingkungan, dan
pihak lain yang ingin meningkatkan
kompetensi di bidang lingkungan.
Pelatihan kami juga diselenggarakan
secara online maupun offline.
Ee berikut ada empat kategori di
pelatihan kami. Yang pertama yaitu ee
penyusunan dokumen berupa dokumen KLHS
dan dokumen RPPLH. Lalu selanjutnya ada
pelatihan mengenai AMDAL yaitu ada
dasar-dasar AMDAL. Lalu ada ee
persetujuan teknis air limbah, emisi
udara dan limbah B3. Selanjutnya ada
sistem informasi geografis yaitu terbagi
dua menjadi SIG dasar dan SIG lanjutan
dengan remote sensing. Lalu selanjutnya
ada pemodelan, ada sistem dinamik,
perhitungan emisi gas rumah kaca, lalu
pemodelan kualitas air sungai dengan
WASP dan call 2K. Ada pemodelan dispersi
udara dengan air mode, kline line dan
high split.
Ee berikut ee ini merupakan jadwal
pelatihan kami hingga bulan Juni nanti.
Bagi Bapak Ibu yang berminat untuk
mengikuti pelatihan kami, silakan untuk
kunjungi www.coedu.
Ya, ini juga ada pelatihan terdekat yang
akan kami selenggarakan di bulan
Februari ini. Yang pertama ada pelatihan
pemodelan dispersi udara menggunakan air
mode, kelit. Lalu selanjutnya ada
persetujuan teknis untuk air limbah.
Ya, berikut juga ada jadwal pelatihan
offline kami. Bagi Bapak Ibu yang
berminat untuk ee mengikuti pelatihan
offline, silakan untuk segera mendaftar
karena di bulan Maret ini ada tiga
pelatihan. Lalu ee ke depannya setiap
bulan akan ada satu pelatihan offline.
Nah, segera daftarkan ee diri Bapak,
Bapak dan Ibu untuk ee mengikuti
pelatihan online di http/pendaftaran.
Oke, ya itu saja perkenalan singkat
mengenai Ekoedu. Ee selebihnya Bapak Ibu
dapat berinteraksi dengan kami melalui
sosial media yang ada. Nah, untuk
mempersingkat waktu ee mengenai kita
akan mulai pembahasan mengenai statistik
mulvariabel untuk analisis data kualitas
air. Nah, pemateri sudah ada di
tengah-tengah kita ada Pak Erwin.
Selamat pagi, Pak Erwin.
Pagi. Pagi, Pak.
Pagi. Bagaimana, Pak, kabarnya? Sehat,
Pak. Sehatsehat. cuman cuman ada satu
kondisi yang nanti saya ceritakan di
akhir aja.
Oke. Baik, Pak. Ya, mungkin untuk
mempersingkat waktu silakan Pak untuk ee
memulai pemateriannya,
ya. Baik, terima kasih ee
buat panitia. Jadi, selamat pagi Ibu dan
Bapak, rekan-rekan sekalian.
Asalamualaikum warahmatullahi
wabarakatuh. Ee
terima kasih sudah difasilitasi begitu
karena ee ini menurut saya jadi
eksperimen juga ya karena kalau dosen
itu kan tentunya banyak yang dosen di
sini itu setiap semester kan dituntut
untuk ee apa ya mengisi ini apa form
kinerja ya. Nah, salah satu yang diminta
kan kegiatan pengmas
pengadian masyarakat. Nah, ya inilah
salah satu bentuknya begitu ya. Hanya
saja yang aneh adalah ini saya ceritakan
kehidupan saya ketika ee ada sesuatu
acara yang diiniasi inisiasi sendiri
gitu ya oleh saya dalam hal ini atau
dosen secara umum itu tetap saja
pembuktiannya itu harus pakai surat
keterangan dari orang lain gitu.
Jadi aneh begitu padahal ee rekamannya
ada dan seterusnya begitu. Oleh karena
itu saya membuat materinya ni juga
khusus. Jadi saya bukan ee tidak seperti
yang lain hanya memberikan PowerPoint
begitu ya. Jadi link yang ada di chat
itu adalah materi yang sudah saya buat
sedemikian rupa agar tidak ada lagi
orang yang membantah bahwa itu bukti
dari kegiatan hari ini.
Kalau masih ada yang membantah dan perlu
surat lagi dari orang lain sudah enggak
tahu lagi saya harus bagaimana lagi nih.
Gitu kurang lebih ee ee latar belakang
dari kegiatan ini. Jadi terima kasih
sudah ee untuk Eko Edu sudah
memfasilitasi ini ya. Dan saya tidak
menyangka ada 717 orang hari ini. Saya
pikir tadi 17 orang aja yang datang
begitu. 717
orang dan ini belum akan berhenti.
Terima kasih. Alhamdulillah. Nah, saya
akan mulai saja ya, Ibu dan Bapak share
screen.
Jadi saya share screen saja.
Nah, ini adalah materi yang
sudah saya buat gitu ya. Nah, di sini ya
ini website sebenarnya ya, website bisa
dibuka, bisa dibaca begitu. Nah,
komponennya di sini seperti biasa ada
tujuan begitu ya. Nah, ini yang unik.
Ini unik. Jadi data untuk diuji coba.
Jadi, Ibu dan Bapak pulang ee bukan
pulang ya ee keluar dari ruangan Zoom
ini diharapkan sudah bisa nyoba-nyoba
sendiri gitu ya dengan data yang
berikan. Nah, ini bisa di-download Ibu
dan Bapak bisa diunduh ya. Ini bisa
diunduh file-nya
bebas dipakai enggak usah izin, gitu ya.
Kemudian ada dua file yang
apa namanya? Extension-nya unik. OWS ya.
OWS. OWS itu orange worksheet
S-nya lupa saya gitu. Nah, ini adalah
file yang dibuat oleh program ORe ya
yang akan kita pakai hari ini. Nah,
perintah-perintah untuk menganalisis itu
ada di situ, ada di file itu, gitu ya.
Jadi, Ibu dan Bapak sebenarnya asal
sudah instal programnya,
maka sebenarnya dengan mengunduh ee apa
namanya prosedur-prosedur ini langsung
Ibu sudah bisa pakai sebenarnya. Jadi,
Ibu dan Bapak bisa langsung lift ruang
aja sebenarnya gitu ya. Nah, tapi saya
akan jelaskan lebih ke background-nya
begitu. Nah, ini adalah komponen yang
lain. Jadi, di sini saya pernah membuat
video pengenalan saja ya itu setahun
yang lalu sudah ada di YouTube. Jadi,
Orange ini program yang saya kenal tuh
mungkin sejak 2015 atau 13 ya, 2013
rasanya 2013 ini program lama Ibu dan
Bapak yang terus dikembangkan oleh
sebuah universitas di Eropa Timur
dan programnya ee gratis sekaligus juga
open source. Jadi, Ibu dan Bapak bisa
mengajukan diri untuk menjadi
sukarelawan ya ke pengang utamanya untuk
ya ikut berkontribusi ke sini kalau
memang yang Bapak ee menginginkan itu.
Kemudian di bagian yang ini nih salindia
ya. Ini slide ini bisa di-download juga
Ibu dan Bapak. Bisa di bisa dijalankan
langsung di sini atau di-download dulu
bisa di-unload.
Nah, di sini ada perangkat yang
dibutuhkan. Nah, saya itu inginnya Ibu
dan Bapak itu sebenarnya sudah mengunduh
programnya kalau bisa ya mudah-mudahan
sebagian dari Ibu dan Bapak sudah
mengunduh.
Kemudian ee
di sini ada sekilas ya ee narasi sedikit
begitu. Nah, ini ini adalah kalau dibuka
itu isi ini, Ibu dan Bapak,
coretan-coretan yang mungkin akan saya
pakai juga ini ee menjelaskan kegiatan
ini gitu ya. Jadi, ini bisa bisa nanti
di dibuka juga gitu. Ini akan terbuka
terus
rasanya itu. Kemudian ini ada
video-video rujukan. Jadi, orange itu
karena sudah lama tutorialnya sudah
lengkap sebenarnya. Jadi kalau Ibu dan
Bapak lupa dengan materi yang saya
sampaikan misalnya, itu bisa langsung
membuka ini YouTube channelnya Orange
ya. Ini lengkap sekali analisisanalisis
yang yang
bisa dilakukan dengan orange pasti ada
di situ gitu ya.
Kemudian di sini berbagai perangkat
lunak yang bisa kita pakai untuk
keperluan yang sama ya, tidak harus
orange. Ibu dan Bapak pakai Excel pun
bisa sebenarnya. Kemudian pakai kalau
zaman dulu pakai SPSS, kemudian ada
versi gratisnya yaitu PSPP gitu ya.
Kemudian ada statistika R Python ya.
Kemudian ini saya harus menggaris bawahi
yang ini. Jadi ini ada program bikinan
ee rekan saya ini dari Indonesia dan
teman-temannya ya. Perana Ugi dari USU.
Nah, ini startup. Jadi ee saya belajar
juga ini dengan berteman dengan peranak
UG ini. Jadi saya sangat menopang Ibu
dan Bapak untuk mampir juga ke website
dan software-nya. Ini software dibuat
oleh dia.
Kurang lebih seperti itu, Ibu dan Bapak
ya. Nah,
setelah ini selesai saya tidak akan
menjelaskan ini dulu tapi saya langsung
ke programnya gitu ya. Jadi program OR
di sini unik ya. program Orange ini
ee
di mana keunikannya itu dia punya dua
panel.
Panel yang sebelah kiri yang ada di
sini. Bentar saya pakai unnoted dulu.
Nah,
nah panel yang ada di sini,
panel yang ada di sini itu adalah ee
kumpulan dari widget widget atau
prosedur atau program kecil yang berisi
prosedur. Jadi, kode-kode program yang
sudah
apa namanya? Yang sudah dibuat
programmer orange itu dikemas dalam
bentuk icon itu ada di sebelah kiri ini
ya. Jadi ini tuh berkaitan dengan data.
Jadi di sini ada untuk membuka file
untuk menonton atau mengetahui isinya
begitu ya dan lain-lain ya. Di sini ada
tentunya tidak bisa saya jelaskan semua.
Kemudian ini ada menu untuk ee kelompok
transformasi data ya. Transform data
untuk transpose. Ibu dan Bapak mungkin
ingat dari baris jadi kolom jadi baris
begitu ya. Nah itu ada. Nah, kemudian di
sini juga ada input. Inputation itu kan
kalau kita punya data yang
kosong ya, data kosong ingin kita isi
begitu. Nah, itu data input itu ada juga
di sini. Kian untuk visualisasi ini ada
grafik Ibu dan Bapak. Macam-macam
grafiknya ya. Ini bisa di dicoba-coba
saja dan seterusnya. ini bahkan orange
itu bisa juga untuk analisis data-data
media sosial ya, Twitter
itu bisa Ibu dan Bapak. Kemudian membuat
word cloud, kemudian menganalisis
sentimen analisis begitu. Itu bisa jadi
lengkap
juga untuk yang spasial ini yang
orang-orang spasial seperti saya begitu
ya. itu bisa untuk ng-plot di atas peta
juga. Tapi saya tidak akan menjelaskan
ini hari ini.
Baik. Nah, sekarang bagian berikutnya.
Bagian yang sebelah kanan kanvas, Ibu
dan Bapak ya. Kanvas seperti melukis
begitu. dan ee sebagaimana kan maka dia
bisa untuk menempelkan beberapa kompon
di sini nih saya bisa membuat
konten dari presentasi saya itu langsung
di sini begitu ya dengan beberapa
perbatasan tentunya. Jadi di sini saya
bisa ketik ini teks ya. Saya ketik teks
teks bisa. Nah, ini tinggal ee ada ini
nih ada bagian ini yang di bagian bawah
ini ya. Ini bagian bawah ini
bagian bawah dari layar panel yang kiri
ini ada T ini teks. Kemudian ada untuk
bikin panah ya. Ini kita bisa bikin
panah gitu ya. Nah, jadi ee apa namanya?
Orange juga menyediakan hal ini.
Nah, bentar ini saya hapus dulu. Jadi
seperti PowerPoint aja sebenarnya begitu
ya. Hanya kelemahannya satu, dia tidak
bisa menerima gambar dari luar. Itu itu
saja kelemahannya.
Nah, jadi kita akan coba lihat satu
persatu ya persentasi ini ya. Jadi ee
selamat datang di Orange ya. Jadi Orang
basis Python Ibu dan Bapak. Jadi Python
itu pakai coding awalnya yang saya
sendiri juga belajar enggak hafal-hafal
kodenya ya. Tapi beruntung kita banyak
sekali orang sudah membat tinggal
googling aja begitu.
Nah, tapi di sini kita tidak perlu kode.
Kenapa? Karena kode-kode sudah disimpan
dalam bentuk widget yang ini, Ibu dan
Bapak
ya.
Sebentar.
Jadi yang widget ini itu adalah yang ini
yang sebelah sebelah panel sebelah kiri
ini gitu ya. Nah, kemudian ee kenapa
pakai orange ya? Kenapa pakai orange?
Kenapa enggak pakai software yang lain
ya? Ben biar gaya aja gitu.
Biar gaya dalam arti unik gitu ya. Beda
gitu. Orang lain pakai Excel, Ibu dan
Bapak tampil sendiri dengan aneh.
I. Baik, mungkin ee pemateri kita sedang
ada gangguan. Mohon ditunggu ya, Bapak
Ibu semua.
Ya, mungkin saya mengingatkan kembali
untuk Bapak Ibu yang ingin bertanya
silakan untuk menuliskan pertanyaannya
di link slido yang sudah panitia
berikan. Dan ee saya juga ingin ee
mengundang Bapak Ibu semua untuk join ke
WA grup Provinsi karena ke depannya kami
akan membahas webinar ee pembahasannya
mengenai
topik dari ee provinsinya masing-masing
seperti itu. Namun untuk alumni ee
silakan tetap berada di grup alumninya
masing-masing.
[musik]
Ya, maaf Ibu dan Bapak.
Aduh, kacau ini sudah masalah teknis.
Bentar
ya. Nah, jadi saya akan menjelaskan lagi
ee yang tadi sempat terlewat.
Mohon maaf sekali lagi
ya.
Jadi, Ibu dan Bapak ee
pengguna itu bisa membuka data,
kemudian prosedurnya itu bisa di-copy
gitu ya untuk kemudian dijalankan. Nah,
itu yang yang
terjadi sekarang ini. Nah, kalau Ibu dan
Bapak pakai software seperti Excel atau
SBSS, maka kemungkinan ee Ibu dan Bapak
itu ketika akan ngajarin orang lain
harus men-screen capture gitu kan ya.
Kalau pakai ini Ibu dan Bapak tinggal
copy prosedurnya, kasih datanya, maka
orang itu akan bisa mengulang gitu ya.
Nah, tadi sudah dijelaskan antar muka
orange ya.
Antar muka orange sebentar
ya. Nah, antar muka orange itu ini tadi
sudah saya jelaskan di sebelah kiri
panel sebelah kanan kanvas. Nah,
kemudian ini adalah widget-nya. Jadi
widget-nya tuh seperti ikon biasa gitu
lingkaran-lingkaran dengan simbol yang
berbeda, Ibu dan Bapak. Nah, ee
apa namanya? Masing-masing punya dua
sisi, sisi kiri dan sisi kanan. Sisi
kiri itu untuk input. sisi kanan untuk
output ya. Jadi seperti ini kurang lebih
ee apa namanya
posisinya begitu. Jadi setiap widget tuh
akan punya dua sisi, kiri dan kanan.
Nah, sisi kiri untuk input, sisi kanan
untuk output, sekaligus bisa menjadi
input untuk ee prosedur yang setelahnya
gitu ya. Nah, jadi ini garis yang
menghubungkan dua widget yang garis yang
menghubungkan ini adalah garis yang
menghubungkan dua widget. Jadi, ini bisa
menunjukkan proses ya, Ibu dan Bapak.
ini menunjukkan proses. Nah, kemudian di
sini Ibu dan Bapak bisa mulai
pelatihan
sebenarnya
dengan file ini itu bisa di-download ada
di langsung membuka. Jadi misalnya
begini ini saya buka ya. Kalau icon ini
didouel klik sebentar ini. Nah, maka
akan muncul layar seperti ini gitu ya.
Nah, layar ini itu ee data. Jadi ini
datanya kebetulan yang ini ya. J Ibu dan
Bapak bisa memilih data dari manapun ya.
Jadi ini folder itu bisa dipilih saja.
Kemudian ini file-nya. Nah, kemudian
ketika dibuka orange akan membaca
datanya. Jadi datanya itu ini, ini
adalah kolomnya.
Kemudian ini tipenya. Jadi tipe data itu
dia baca. Jadi kalau misalnya ada kolom
namanya tipe, maka dia melihat kalau
isinya teks, maka kemungkinan dia ee
bisa teks, bisa kategorikal itu
jenisnya. Nah, kalau Ibu dan Bapak set
di categorical nanti manfaatnya tuh
kalau kita lagi plot
maka Ibu dan Bapak bisa memberi warna
sesuai dengan kategori yang ada di dalam
kolom itu, gitu ya. Itu kurang lebih.
Nah, kemudian yang numerik. Numerik itu
numerik. Jadi harus angka. Kemudian eh
ya role meta. Jadi kalau kalau sini ini
kita bisa set juga sebenarnya tapi ini
tidak tidak apa ya bisa diabaikan saja
begitu. Nah, tapi kalau Ibu dan Bapak
memberikan pilihan meta maka
kode
yang ada di sini nama kolom itu bisa
jadi label untuk data ya. Jadi misalnya
saya ini ya, saya buka ya. Ini kebetulan
data betulan ya. Jadi ini tuh bisa
langsung kita lihat isinya. Jadi ini
saya ulang ya, Ibu dan Bapak. Jadi ini
semudah seperti ini. Jadi di drag begitu
ya. Kemudian ini di drag
kemudian dibikin garis dari sini dibikin
garis tek. Jadi itu menghubungkan dua
dua widget yang berbeda gitu ya. Nah ini
saya hapus. Jadi semudah itu caranya.
Nah sekarang ini adalah untuk widget
untuk melihat isi file.
Isi file itu apa? Isi file yang dibuka
di sini apa? Kita buka dengan ini. Nah,
ini adalah tabelnya. Ini adalah
tabelnya. Nah, orange bisa membaca tabel
Excel. Excel bisa, teks bisa. Seperti C
S
itu bisa dibuat dibuka oleh orange, ya.
Nah, jadi ini isi tabelnya, Ibu dan
Bapak.
Nah, kemudian ee
contoh misalnya kita ingin feature
statistik ya. Jadi ini tuh widget yang
ini kita drag begini ya. Nah, andaikan
kita mau lihat ini maka kita bisa lihat.
Nah, ini adalah eh semacam descriptif
statistik gitu ya. Jadi kalau data to
digit dari air itu histogramnya
bagaimana distribusinya ini masalah
warnanya, colornya. Ini elekonductivity
ini TS-nya, ini pH-nya ya. ini
kalsiumnya, magnesiumnya, dan seterusnya
gitu ya. Nah, kita bisa lihat
distribusinya.
Nah, kurang lebih seperti ini gunanya.
Nah, misalnya Ibu dan Bapak ee ingin
membuat grafik gitu. Nah, ini juga sama.
Jadi, kita buka file-nya.
File-nya masih sama tentunya. Kemudian
kita bisa lihat isi datanya seperti
tadi. Nah, kita juga bisa membuat
hubungan garis itu lebih dari satu.
Jadi, satu titik ke lebih dari satu
titik gitu, ya. Jadi, dari kiri ke kanan
itu bisa 1 2 3 bisa. Nah, ini contoh
untuk membuat scatter plot misalnya.
Nah, ini tinggal kita buka di sini ada.
Nah, ini skatter plotnya Bapak geser ke
sini. Nah, semudah itu ya saya ulang
terus. Nah, sekarang kita buka. Nah, ini
ini seperti SPSS menurut saya ya. Jadi,
grafik itu bisa kita zoom in, zoom out
ya. Grafik bisa kita zoom in, zoom out
seperti ini ya. Nah, kemudian apa yang
di-plot di sumbu X dan sumbu Y? Kita
bisa lihat di sini bisa dipilih. Jadi
ini TDS kemudian dibandingkan dengan
Clisal.
Nah, nanti ini kita bisa lihat ee
ininya Ibu dan Bapak ya. Sebentar ini
saya pindah ke atas. Nah, ini adalah 0
sampai 1000 sekian untuk TDS-nya.
Ee kelornya ada di sumbu Y 0 sampai
sekian. Nah, di sini kita bisa lihat
bahwa ada data yang outlier ya. Ini
outlayer misalnya
ini data yang
mencil sendiri begitu ya. Yang ini, ini.
Nah, ini kita bisa juga melakukan ini,
Ibu dan Bapak. Melakukan select data.
Nah, seperti itu.
Nah,
data juga kita bisa ee select gitu, kita
bisa pilih.
Nah, ini bisa kita pilih begitu ya. Nah,
kemudian ini adalah untuk nge-set
men-set up warnanya, warna dari
titiknya. Jadi ini bisa kita berdasarkan
tipe misalnya. Nah, ini kita bisa tuh
ya. Jadi yang warna merah itu adalah
mata air, yang warna biru ee sumur, yang
warna hijau itu sumur dalam gitu, Ibu
dan Bapak. Nah, ini yang saya sebut
dengan meta tadi eh kategorikal tadi ya.
Jadi, kalau satu kolom diset menjadi
kategori,
maka dia bisa digunakan untuk menandai
plot.
Nah, shape ini bentuknya juga bisa.
Misalnya kita mau pilih shape-nya itu
untuk aquiver, jenis aquiver, maka kita
bisa lihat di sini ee sebentar
di bagian atas.
Nah, di bagian atas sih kita bisa lihat
bahwa yang simbolnya X itu volkanic
soil, yang simbolnya lingkaran itu
volkanic roh. Nah, itu bisa kita ee
munculkan. Kemudian label itu kita bisa
juga kasih misalnya begini.
Nah, jadi ee kode sampel itu juga bisa
ditempelkan. Nah, yang seperti ini kan
tidak bisa dilakukan di Excel ya. Jadi
kode sampel itu bisa ditempelkan juga.
Nah, ini bisa kita ganti dengan
macam-macam. Bisa dengan
ee misalnya
saya enggak tahu misalnya taste
bisa diganti juga dengan temperatur
misalnya.
Nah, kita bisa meng-combine
informasi-informasi
ee ke dalam plot.
Nah, ini untuk fungsi plot ya. Kemudian
untuk plot yang lain misalnya
distribution kita bisa bikin juga ini.
Jadi tipenya
ya. Kemudian misalnya ini akiver ya.
Jadi ini distribusi data berdasarkan ee
jenis akiver-nya ini berdasarkan tipenya
ya. Kemudian misalnya kita mau kasih ee
order. Kalau order enggak ada ininya ya,
teksnya ya. Misalnya taste sama ini juga
angka akiver dan tipe saja yang bisa.
Jadi yang sifatnya kategori ya, kolom
yang sifatnya kategori.
Nah, kemudian ee saya jelaskan dulu
praktiknya dulu ya Ibu dan Bapak. Ini
latihan yang ketiga ini ya. Latihan yang
ketiga itu sama. Jadi kita pakai widget
file kemudian widget PCA. Ibu dan Bapak
tetap bisa
meletakkan ini ya. Sebentar. Nah, Ibu
dan Bapak tetap bisa meletakkan ini.
Nah, ini tetap bisa, gitu. Jadi, yang
namanya prosedur widget bisa ee enggak
karu-karuan banyaknya gitu, ya. Nah,
jadi widget untuk melakukan principle
component analisis itu ada di di
unsupervised. Nah, ada di sini. Jadi, di
sini ada cluster analisis
eh ini ada PCA ya. Kemudian ada cluster
analisis.
Eh, cluster analisis itu displit ada
hierarchical ya, hierarchical clustering
ya. Ada juga distance map ya, itu nanti
bisa kita coba.
Nah, kurang lebih seperti ini. Jadi,
ketika data masuk kemudian ee kita pakai
widget PCA, maka ini adalah ee datanya
ee hasil transformasinya.
Nah, seperti ini
ya. Jadi, kita bisa membuat grafik
seperti ini.
Sebentar, ini datanya berarti masih
pakai data itu. Ini saya ganti datanya
menjadi data punya saya
ya.
Nah, kemudian kita bisa okekan.
Nah, di sini kita bisa lihat PCA.
Nah, ini apa? Nanti saya jelaskan.
Ini adalah ee jumlah variasi dari data
yang bisa diakomodir oleh
principonennya. Itu nanti saya akan
jelaskan di luar software. Jadi,
sebenarnya ini pendek saja ini urusan
software-nya dulu, Ibu. Nah, ini adalah
skatter plot-nya. Jadi ini scatter plot
antara princiipal komponen 1 dan 2 ya.
Nah, ini seperti biasa tadi kita bisa
lihat ee
apa namanya? Warnanya bisa kita
atur-atur begitu ya.
Nah, ini bisa kita kode begitu ya. Nah,
seperti ini ya.
Nah, seperti ini. Jadi ini adalah
operasi software-nya Ibu dan Bapak.
Jadi, Ibu dan Bapak bisa langsung
me apa namanya? Melakukan uji coba
dengan file OWS yang sudah saya berikan.
Datanya yang di sini Ibu dan Bapak bisa
buka data masing-masing ya. Jadi, ini
data yang saya contohkan juga saya sudah
kirim ke
file ee apa namanya? Website ya. Jadi,
misalnya kita melakukan cluster
analisis.
ini file saya.
Nah, kemudian ini adalah operasinya ya.
Jadi ee kalau kalau cluster analisis
kita harus menghitung jaraknya dulu.
Jaraknya itu adalah eclidian yang kita
pilih ya. Kemudian kita apply.
Nah, rows itu nanti saya jelaskan bahwa
row itu adalah sampelnya, kolom adalah
datanya, ee variabelnya. Nah, ini kalau
kita apply maka nanti kita bisa membuat
seperti ini, Ibu dan Bapak. Nah, kalau
sudah seperti ini mungkin Ibu dan Bapak
banyak yang sudah familiar sebenarnya ee
kita mau bikin apa. Jadi kalau klaster
analisis itu kan intinya kita mencoba
mengkategorikan
data yang banyak berdasarkan pengukuran
observasi atau berdasarkan variabel yang
kita ukur pada sampel itu yang juga
banyak.
Nah, kalau sudah seperti ini sepertinya
Ibu dan Bapak sudah lebih tahu kita mau
bikin apa begitu. Nah, ini kalau kita
ganti misalnya labelnya menjadi ee kode
itu bisa juga. Nah, seperti ini, Ibu dan
Bapak. Kemudian tipe Akiver ini juga
bisa kita lihat ya. Nah, kita bisa lihat
bahwa mata air itu ternyata ee banyak
yang mengelompok dengan sesama mata air.
Tapi ada juga yang sumur dangkal yang
karakternya sama dengan mata air. Tapi
di sini welbor sumur dalam karakternya
beda sekali karena dia membuat
apa? Ee membuat kelompok yang sendiri
begitu ya berbeda.
Nah, kurang lebih seperti itu Ibu dan
Bapak. Nah, sekarang saya akan jelaskan
lewat ini ee apa namanya? Lewat
gambar ini ya.
Sampai di sini operasi software. Sekilas
saja Ibu dan Bapak ada pertanyaan tidak?
Sudah ada pertanyaan?
Ini anak saya.
Apakah ada pertanyaan, Ibu dan Bapak?
Oke, rasanya belum ada pertanyaan. Saya
akan share lagi sedikit lagi sebelum
nanti kita ke diskusi ke gambar yang
ini, Pak. Eh, gambar yang ini.
Nah, jadi kenapa kita perlu statistik
multivariabel
ya? Kenapa kita perlu statistik
multivariabel? Yang pertama adalah bahwa
alam alam itu kan
sangat kompleks ya. Alam itu sangat
kompleks.
Alam itu kan kompleks sekali.
Maka kalau kita bicara lingkungan dalam
hal ini air, Ibu dan Bapak ya,
kita bicara air ini juga sama
kompleksnya
gitu ya. kompleksnya sama,
kompleksitasnya sama. Air itu sendiri
kan ada beberapa karakter.
Karakter fisikanya punya,
karakter kimianya punya,
gitu ya. Nah, yang fisika kita punya
apa? Misalnya temperatur,
ee warna,
kekeruhan.
Nah, itu aspek fisik ya, Ibu dan Bapak.
Ini bisa diukur. Ini kita bisa ee apa
namanya? Mengukur
pakai pro alat begitu ya. Ee sebentar
kita bisa mengukur pakai alat si
angkanya itu berapa gitu ya.
Ini tuh angkanya. Kemudian kita juga
bisa ukur warna, kita bisa ukur
keteruhan,
kita bisa ukur ada angkanya. Nah, kimia
pun sama, kimia pun sama. Kimia itu ee
kita bisa ukur misalnya
ee TDS ya atau total dissolve solid. Ini
biasanya berhubungan dengan ee asin atau
tidak gu ya.
Nah, sementara asin atau tidak itu nanti
akan ada hubungan misalnya dengan bisa
juga menjadi indikasi kontaminasi
misalnya
ya. Kontaminasi itu bisa ee buatan
manusia bisa tanah alam ya
misalnya instrusi air laut itu bisa juga
dideteksi pakai ini
yang lain misalnya apa pH
ya. Nah, itu bisa ee asam, bisa basa
gitu ya.
Itu ya. Kemudian
ee kalau Ibu dan Bapak punya dana lebih
misalnya Ibu dan Bapak bisa mengukur
kandungan kalsium, natrium ya, kemudian
magnesium
ya, dan seterusnya Ibu dan Bapak sampai
misalnya ke isotop
ya. Jadi multivariabel yang saya maksud
itu ya ini begitu ya. Yang kita ukur
dalam hal ini adalah air tanah atau air
pada umum. Karena bidang saya air itu
macam-macam. Satu lokasi kita bisa ukur
mungkin 5 parameter, 3 parameter, 5, 6,
7, 10, bahkan sampai 20 lebih begitu itu
bisa.
Nah,
ke mana data ini kita catat?
kita catatnya ke tabel ini gitu ya.
Kita catatnya ke tabel ini. Nah, kalau
Ibu dan Bapak hanya bekerja dengan dua
variabel,
maka ketika
membuat grafik kan gampang nih, relatif
ya kan variabel 1, variabel 1, variabel
du. Kemudian korelasinya bagaimana?
Kalau tiba-tiba ada titik yang nyelonong
di sini atau nyelonong di sini atau
nyelonong di sini, maka itu adalah ee
anomali. Itu bisa dilakukan dengan mudah
kalau hanya dua sampai kemudian mungkin
tiga variabel.
Tiga variabel ini juga masih mudah
karena ee plot tiga dimensi kan bisa
dibuat ya gampang gitu. Nah, apa yang
terjadi?
Kalau misalnya
tabelnya itu terdiri dari
belasan kolom ke samping ya, ada belasan
mungkin puluhan kolom.
Nah, kolom-kolom ini kan ee adalah
parameternya ya atau variabel yang kita
ukur
atau variabel
yang kita ukur ya. Jadi di sini lokasi
satu
ya, lokasi satu dan ke samping kita ukur
macam-macam di sini. Ada bisa temperatur
TDS, ada pH,
PC misalnya, ada ee turbidity atau
kekeruhan
ya ke samping banyak sekali. Nah,
bagaimana kita bisa memahami data ini
ya? Dan kalau data ini diplot pada satu
plot yang sama sudah tidak bisa lagi
pakai tiga sumbu atau tiga dimensi ya.
Kemungkinan jadinya nanti seperti bola
gitu bola begini
ya nanti jadinya seperti bola. Jadi di
titik kita punya titik tengah. Kemudian
di sini itu akan ada saya enggak tahu
ada puluhan belasan garis begitu ya.
Ya, yang semuanya lewat tengah
untuk bisa menggambarkan data ini.
Begitu kurang lebih. Kenapa? Karena tiga
dimensi sudah kelewatan gitu ya. Jadi
jadinya bola gitu. Nah, kita kan perlu
metode untuk bisa membaca ini.
Nah, caranya apa yang kita lakukan? Ya,
kita melakukan dengan cara ee
PCA, Ibu dan Bapak.
Salah satunya dengan cara PCA.
Jadi, di sini ada princiipal
komponen
analisis.
Nah, jadi di tabel yang banyak tadi
kita ingin tahu kita ingin tahu apakah
ada
apakah ada set variabel atau set
parameter parameter yang lebih utama
dibandingkan
parameter yang lain ya. Jadi di sini set
variabel atau parameter satu, set
variabel atau parameter 2,
set variabel atau parameter 3 gitu ya.
Nah, inilah yang kemudian
dinamakan sebagai princial komponen.
Tadi sekilas sudah ada grafik yang
menunjukkan itu ya, Ibu dan Bapak.
Principal komponen ya. Di sini kita
singkat PC ya. PC itu misalnya ini PC 1,
nanti di sini PC 2, nanti di sini PC
gitu. Nah, dari sini kemudian kita bisa
baca anggota dari principal komponen
satu itu apa? Misalnya di sini yang
punya proporsi besar membentuk principal
komponen yang pertama itu misalnya
temperatur
nanti dia gabung dengan PDS misalnya dia
gabung lagi dengan kekeruhan misalnya
nanti PC itu gabungan antara
parameter-parameter misalnya ee pH gitu
ya
pH dengan kadar misalnya HCO3 gitu dan
seterusnya. ya. Misalnya di sini ada CA
gu ya.
Nah, di sini misalnya ee ada parameter
yang berpengaruh misalnya NA misalnya MG
begitu dan seterusnya.
Nah, di sinilah kita kemudian bisa
menganalisis
variabelnya itu mana yang lebih penting
dan variabel yang yang lebih kecil
pengaruhnya itu bisa kita ee bisa kita
nomor duakan dulu.
Jadi dalam menganalisis data kualitas
air bisa berjenjang begitu ya, bisa
berjenjang begini. Nah, begini Ibu, dan
Bapak. Jadi di sini itu mungkin kita
analisis PC 1 kemudian PC 1 dengan PC2
gitu ya. Kemudian PC 1 plus PC2 plus PC3
dan seterusnya. Tentunya semakin ke sana
waktu yang diperlukan makin besar.
Nah, saya membatasi biasanya pakai
principle componen itu dua saja ya.
Biasanya PC 1 dan PC 2 biasanya. Karena
dengan cara ini pun ee biasanya sudah
bisa saya melakukan analisis gitu Ibu
dan Bapak.
Nah, kurang lebih seperti itu untuk
principen analisis ya. Nah, kalau untuk
ee
apa namanya?
kluster analisis. Nah, kluster analisis
itu kan tadi sudah ada ilustrasinya
kurang lebih seperti ini.
Maaf kebalik. Nah, nanti ada begini ya.
Kemudian di sini ya ini begini begitu
ya. Nah, di sini itu adalah ee
satu, lokasi dua, lokasi 3, lokasi 4,
lokasi 5. Ini seperti main bola ya, Ibu
dan Bapak.
Nah, seperti ini ya. Jadi seperti main
bola. Jadi babak penyisihan sampai babak
final begitu kurang lebih. Nah ee di
sini kita mengelompokkan lokasi
ya. Sementara di sini kita
mengelompokkan apa? Variabel. Jadi yang
kita kelompokkan sini adalah variabel
ya. Ini variabelnya yang kita
kelompokkan. Sementara kalau di sini
yang kita bikin pengelompokan adalah ee
barisnya atau lokasinya. Jadi ini
sebenarnya permainan antara kita
mengelompokkan baris dan kolom gitu.
Kalau kolom itu principle componen
analisis atau PCA. Kalau mengelompokkan
baris itu adalah cluster analisis.
Cluster analisis.
Nah, begitu. Nah, kluster analisis ini
pada prinsipnya dia sama dengan PCA.
Jadi, dia membaca seluruh data
untuk kemudian dia ukur jaraknya, jarak
antara dua titik data itu semakin dekat,
maka dia diharapkan punya karakter yang
lebih dekat dibandingkan dengan titik
yang lebih jauh.
Bisa dipahami ya, sederhananya begitu,
Ibu dan Bapak. Jadi kalau ada dua titik
di sini maka ini dianggap punya karakter
yang mirip dibanding titik yang jaraknya
lebih jauh. Begitu kurang lebih.
Nah, masalahnya adalah dua sistem ini
atau dua metode ini akan berusaha
memasukkan sebanyak mungkin titik gitu
kurang lebih yang bisa dia masukkan
tapi dengan karakter yang semirip
mungkin.
Ya, mudah-mudahan bisa dipahami. Jadi,
ee metode ini akan memasukkan sebanyak
mungkin titik yang karakternya mirip
gitu. Itu gunanya software. Jadi,
software ini gunanya kalau Ibu dan Bapak
sudah punya data yang banyak sekali. Ibu
dan Bapak ke sininya banyak,
ke bawahnya banyak ya, lokasinya banyak,
ke sampingnya pun banyak gitu. Itu Ibu
dan Bapak ya. ke bawah banyak, ke
samping banyak. Nah, jadi software ini
bisa membantu kita untuk secara simultan
menganalisis data yang besar begitu
kurang lebih itu. Nah, ee
yang saya bisa sampaikan di sini adalah
bahwa
princiipal komponen analisis dan kluster
analisis itu
bermanfaat kalau datanya numerik.
data. Kalau datanya numerik itu bisa
dianalisis.
Yang kedua, Ibu dan Bapak juga harus
tahu
ee harus tahu konsepnya. Jadi, misalnya
begini, Ibu dan Bapak ya. Saya share
screen lagi, ya. Ini ini terakhir ini
dari saya untuk masalah ee ininya apa
namanya?
Masalah cara berpikirnya.
Nah, jadi misalnya misalnya Ibu dan
Bapak mengukur sampel air misalnya
ini sungai
kemudian ini ada sumur ya ini sumur
kemudian ini laut misalnya.
Nah, kita ambil sampel
pada tiga lokasi ini, gitu ya. Nah,
logikanya adalah logikanya enggak usah
pakai software pun Ibu dan Bapak sudah
tahu logikanya. Semakin ke sana kan
semakin asin. Betul ya?
Sebentar.
Ini jbard-nya semakin ke sana kan kan
semakin asin ya, Ibu dan Bapak ya.
ke sini itu akan semakin asin.
Betul ya?
Eein
ke arah daratan maka karakternya akan
beda. Semakin ke arah sana karakternya
akan ee makin tawar gitu ya. Logikanya
kan begitu. Nah, tapi apa yang ter di
area yang ini, Ibu dan Bapak?
ini kan di tengah-tengah begitu ya. Maka
dia akan mungkin punya pengaruh
dipengaruhi dari sini dan mungkin juga
dia dipengaruhi dari sini.
Iya, mohon maaf ya, mungkin ee pemateri
kita ee sedang ada kendala jaringan
kembali. Ee mungkin saya mau menanyakan
dulu ini untuk ee ada Bapak dan Ibu yang
ee
hidup lagi sekarang.
Oh, iya, silakan
ya.
Silen, Pak.
Aduh, ini luar biasa hari ini. Saya
ulang lagi ya, Ibu dan Bapak ya.
Saya ulang lagi. Jadi untuk air tanah
kan punya komposisi sendiri, air laut
juga punya komposisi sendiri.
Air laut kan punya komposisi sendiri
juga.
Nah, intinya apa? Ibu dan Bapak itu
harus punya bayangan
komposisi air yang Ibu dan Bapak ambil
itu mestinya seperti apa gitu ya. itu
harus tahu dulu air sungai mestinya
seperti apa, air tanah mestinya seperti
apa, air laut mestinya seperti apa. Itu
harus tahu dulu supaya di kepala kita
punya punya mental image begitu ya,
model konseptual lah kurang lebih
seperti itu. Jadi ketika Ibu dan Bapak
misalnya
ee punya plot gitu seperti ini hasil PCA
misalnya, kemudian si sampel itu ada di
sini dan ada di sini.
maka Ibu dan Bapak bisa menjelaskan
gitu ya. Ini tuh dipengaruhi oleh apa,
ini dipengaruhi oleh apa,
itu kurang lebih ee apa namanya cara
berpikirnya Ibu dan Bapak ya. Jadi ee
PCA dan clluster analisis ini hanya
membantu kita
untuk mendapatkan justifikasi numerik.
Begitu. Jadi kalau kita membagi bisa
secara kualitatif, tapi kan kita
seringnya perlu dukungan numerik ya,
maka kita pakai analisis PCA dan cluster
analisis ini begitu ya, supaya kita
lebih yakin. Nah, tapi kita juga bisa
membalik begitu. Kalau kita lihat
visualisasi PCA atau cluster analisis,
maka kita bisa
mempertanyakan kenapa kelompok ini ada
di sini. Maka kita bisa ke lapangan kita
cek gitu apa betul kelompok ini memang
dari sisi karakter memang seharusnya
jadi satu karakter gitu. Nah, jadi
sifatnya akan bolak-balik Ibu dan Bapak.
Jadi bukan bukan kita punya data
dimasukkan ke dalam software kemudian
kita hanya percaya begitu aja apa
hasilnya bukan begitu. Tapi software ini
untuk membantu memutuskan begitu bahwa
memang
ee kualitas air di dalam sampel kita itu
memang cerminan dari tiga macam ya.
Cerminan dari karakter sungai, karakter
sumur, dan karakter air laut misalnya.
Tapi ada juga karakter yang merupakan
kombinasi tiga-tiganya. mungkin sudah
terjadi kontaminasi misalnya begitu.
Nah, itu kesimpulan antara lain
kesimpulan yang bisa kita tarik dari
analisis multivariabel dengan dibantu
oleh ee metode statistik itu kurang
lebih dan Bapak ya. Mungkin ee di situ
dulu penjelasan saya ya,
Mbak.
Mungkin
bisa
langsung
ke pertanyaan.
Barangkali ada yang ingin
bertanya, Ibu dan Bapak.
Ada yang ingin bertanya? Mungkin saya
langsung aja. Ada Bu Nurjana bisa open
mic saja Bu atau mengetik di chat.
Ee ada beberapa yang sudah bertanya di
slidu. Oh mungkin silakan.
Iya.
Barangkali ada pertanyaan di chat yang
tadi saya kelewat karena out tadi bisa
dibacakan juga.
Iya, Bang. Mungkin kami share screen
dulu ya, Pak, untuk ada tiga pertanyaan
yang sudah ee terkumpul di slide hidup.
Oke.
Baik, saya share screen dulu ya, Pak.
Ya.
I ini, Pak. Ada tiga pertanyaan ya.
Silakan, Pak.
Terima kasih. Oke, terima kasih. Ini ee
apakah pemodelan oleh orange dapat
mengakomodasi seluruh program analisis
SPSS? Oke, kemungkinan ya. kemungkinan
ya, karena saya sudah lama enggak pakai
SPSS Bu, Ibu atau Bapak ya. Tapi rasanya
sih bisa. Rasanya bisa ya karena Orange
ini kan dikembangkan terus sekarang
sudah versi 3.34 kalau tidak salah. Jadi
ee sangat mungkin memang
analisis yang ada di SSS bisa dilakukan
di orange. Namun demikian mungkin
visualisasinya mungkin agak beda yang
bisa di SPSS mungkin tidak bisa diorange
yang bisa diorange tidak bisa di SPSS.
Nah, kalau masalah kelebihan
saya rasa semua punya kelebihan dan
kekurangan. Hanya saja kalau orange itu
ee dia punya banyak
dia punya filosofi coding sebenarnya,
Ibu dan Bapak ya. Tadi kan sudah saya
sampaikan kalau Ibu dan Bapak ingin
ngajarin orang untuk
menggunakan SPSS,
maka Ibu dan Bapak mungkin akan
melakukan screenshot ya. Ininya diklik
screenshot, ininya diklik screenshot
begitu ya. Jadi prosedurnya itu tidak
bisa ditampilkan dengan cara yang yang
cepat prosedurnya ya. Prosedur itu kan
bisa saja sih dalam bentuk teks misalnya
lakukan ini, lakukan itu, begitu. Tapi
kan kita pengguna orang lain ya, teman
kita mungkin perlu lebih spesifik
begitu. Nah, kalau pakai SPSS, Excel,
Statistika atau software-software lain
yang sifatnya point and click, maka saya
khawatir kita perlu melakukan screenshot
ya. Belum lagi kalau versi software-nya
itu beda, bisa saja position menunya
beda. Nah, kalau pakai eh orange maka
prosedur kita itu sudah itu fix. Ibu dan
Bapak bisa kirim datanya, Ibu dan Bapak
bisa kirim atau misalnya kalau teman Ibu
dan Bapak ingin ee minjam prosedur saja
pun bisa datanya pakai data dia gitu.
Bisa juga jadi prosedur yang saya share
di website itu bisa juga dipang untuk
data Ibu dan Bapak yang lain sebenarnya
itu bisa juga itu kelebihannya mungkin
orange
selain karena dia open source dan
gratis.
Kemudian dari Bu Rika, apakah pemodelan
orange untuk analisis dapat menghasilkan
output yang sama seperti R? Bisa. Saya
juga kebetulan pakai. Jadi bedanya
antara R dengan orange itu ya hanya
satu. Kalau R perluing kalau orange
tidak gitu. Tapi step by stepnya itu
rasanya semua step yang dibangun oleh R
itu bisa dilakukan oleh juga, Ibu dan
Bapak ya.
Kemudian ee apakah aplikasi orange dapat
digunakan untuk mengukur
kualitas? Bisa. Jadi aplikasi orange itu
bukan alat untuk mengukur ya, Ibu dan
Bapak. Tapi kan orange itu digunakan
untuk menganalisis. Jadi data apapun
bisa masuk
ya. Data apapun bisa masuk selama kita
bisa memeriksa formatnya sudah betul
atau tidak. Kemudian ee apa namanya
angkanya itu format misalnya koma sama
titik. Itu kan suka jadi masalah ya, Ibu
dan Bapak. Apakah itu ee apa namanya?
Sudah betul atau tidak. Begitu. Kemudian
tadi sudah saya sampaikan juga jenis
dari kolom itu apa, apakah dia numering,
apakah dia kategori gitu ya. Itu juga
kita harus tentukan dulu. Nah, kalau itu
bisa dilakukan, maka ya semua data bisa
dianalisis dengan
ya.
Terima kasih atas pertanyaannya. Ini Ibu
dan Bapak
ada lagi mungkin?
Iya. Baik, mungkin ee tanya jawab secara
langsung ya, Pak. Ini ada beberapa yang
sudah ee mengangkat tangannya sudah rais
hand. Mungkin dimulai dari Bu Nurjana.
Silakan, Ibu.
Ya, Bu. Silakan, Bu. Ya. Asalamualaikum
warahmatullahi wabarakatuh, Pak Erwin.
Waalaikumsalam
warikumsalam.
Iya, terima kasih. Ini kesempatan yang
sangat bagus dan saya ee bersyukur bisa
mengikuti acara ini ya. Karena ee terus
terang saya sudah melakukan ini tetapi
pakai jasa orang karena saya enggak bisa
melakukan sendiri itu ya. Tetapi saya
memang ya puas begitu ya, Pak. Tapi
dengan ini kan saya lebih tahu, saya
sudah melakukan ini untuk disertasi saya
sebetulnya begitu PCA dan juga analisis.
Ee tapi kan memang saya waktu itu ya
meraba-raba begitu ya, tapi dengan ada
ini ya saya saya sangat senang begitu
ya, Pak.
Kemudian ee tadi kalau pertanyaan saya
memang apakah PC-nya harus tertentu
begitu? Karena kalau pakai jasa lumayan
juga ini Pak bayarnya lumayan begitu ya.
Ya. Iya.
Ibu ibu mompa ban mobil sendiri sama
mompa ban mobil nyuruh orang kan ya
pasti bayar kalau ke orang ya.
Tapi kalau mobil pakai pompa yang
dibegikan ya capek juga kan begitu. Tapi
betul saya iya saya memang ee penelitian
tentang air tapi saya dari bidang ee
budidaya perairan Pak.
Jadi saya waktu itu untuk mengukur t
memang
bisa air tawar air pay airut begitu ya.
Nah, kemudian memang ee ini kalau ee
Bapak punya ininya ya tadi ada ada versi
YouTube, ada blognya dan sebagainya
begitu. Barangkali kalau nanti berlanjut
ee pengin sebetulnya pengin pengin bisa
operasional sendiri, Pak. Karena mungkin
bisa lebih variatif ya. Karena kalau
dari apa namanya pengolah itu kan mereka
bukan dari bidang yang sama, Pak. Jadi
hanya
datanya numerik begitu ya, Pak. hanya
tahu mengolah angka tapi enggak tahu
artinya. Betul ya?
Betul begitu ya.
Nah, sementara Ibu tahu sementara kalau
Ibu tahu arti tapi enggak bisa
mengoperasikanah
itu tadi ya, Mbak. Iya, betul. Jadi ini
saya kan pengin bisa sendiri kalau bisa
begitu ya meskipun
perlu waktu barangkali tadi PC-nya
apakah perlu apa tipe tertentu begitu
untuk kemudian download apa juga apakah
memang tadi yang seperti yang di apa
di-share itu ya memang sepertinya
ada di website Bu Iya ya
iya
i jadi begini Ibu dan Bapak
ya monggmongg Pak gimana
ya
ee untuk data yang
jadi begini Ibu dan Bapak Pak
tadi ya. Jadi kita kayak kemarin saya
itu ada saya ambil itu delan tambak Pak
begitu ya. Ya.
Ee untuk datanya memang sebetulnya saya
malah ambil sampai 15 variabel. Itu kan
luar biasa.
Oke ya.
Nah barangkali untuk data yang mencil
ini kan kadang kalau masukan dari
pembimbing itu ada boleh yang dibuang
atau memang
ada analisis tertentu karena akan
mengacaukan mungkin ee tadi ya kalau
sebarannya mencil sendiri kan.
Iya. Betul.
Enggak aneh anomali ya, Pak?
Betul, betul, betul. Jadi kalau dataer
itu jangan dibuang, Bu.
Iya.
Jadi data outlayer itu jangan dibuang.
Jadi
ya jadi data outlier itu yang penting
harus diidentifikasi
mana yang outlier gitu ya.
Nah, tapi jangan dibuang.
Oh, ya.
Tapi jangan dibuang
lagi
tapi jangan dibuang. Itu
ee justru data outlayer itu kalau di
dalam analisis multivariabel itu
manfaatnya bisa untuk me
menentukan kondisi ekstrem, Bu.
He.
Jadi misalnya begini, orang itu kan ada
yang hitam sekali, ada yang putih sekali
begitu ya. Ibaratnya begitu. kulitnya
hitam sekali, ada yang putih sekali.
Nah, kita kita sawo matang kan begitu
ya.
Iya.
Kalau data yang hitam sekali dengan yang
putih sekali itu ibu buang, maka Ibu
enggak bisa ee menjelaskan sebenarnya di
Indonesia ini ada orang apa saja gitu
ya. Yang Ibu lihat hanya teman sendiri
yang kulitnya sama kan begitu
ya. Padahal
hasil pengukuran ada orang dari Afrika
mungkin ya yang hitam sekali dan ada
orang dari Eropa yang putih sekali gitu.
Betul
ya kalau itu buang kan jadi enggak bisa
cerita ya. Jadi lebih baik
tetap ibu ibu pakai tapi itu ibu pisah
analisisnya.
Oh,
ya. Itu kalau di bidang saya itu
menganalisis anomali itu lumayan bisa
nambah halaman dua halaman itu ya. Jadi
nambah cerit lah gitu.
Iya, betul.
Nambah cerita gitu ya.
Iya. Nah, untuk pertanyaan saya
sebetulnya I minimal data untuk PCA ini
ada berapa, Pak? Kalau kemarin saya ada
15, tapi kemudian setelah terakhir itu
hanya muncul tiga, tiga variabel yang
kemudian dianggap berpengaruh begitu,
Pak.
Ya. Ya. Ya. Bisa kalau Ibu bicara banyak
sedikitnya bisa sebanyak mungkin.
Iya,
gitu ya. Bisa sebanyak mungkin. Nah,
kalau variabelnya hanya
ya bisa sebanyak mungkin. 15 sangat
bisa. Nah, kalau dari hasil 15 itu
muncul princiel komponennya itu ada tiga
variabel yang utama, ya bagus kan
berarti sudah muncul begitu. Tinggal Ibu
dan Bapak eh Ibu menjelaskan sampel mana
yang dipengaruhi oleh princiipal
komponen itu.
I
kan dan kenapa dia begitu
gitu ya. Nah,
tapi Ibu juga bisa menjelaskan
sampel yang lain kenapa ee tidak tidak
dipengaruhi oleh tiga itu tadi ya.
bisa dipahami ya, Bu ya. Nah, jadi
ee kalau sudah ketemu tiga variabel ya
sudah Ibu sudah selesai. PR selanjutnya
adalah menjelaskan kenapa begitu.
Maksud saya ee untuk misalkan penelitian
berikutnya sebetulnya minimal sampelnya
berapa, Pak? Gitu. Variabelnya berapa
ya?
Ee ya kalau jadi gini loh. Kalau saya
biasanya pakai software itu kalau sudah
lebih dari 10 gitu, Bu. Sampelnya, Bu.
Oh, oke oke oke.
Iya. Jadi ee
ee tapi kalau multivariabel itu kan
bukan jumlah sampel ke bawahnya, tapi
variabelnya. Kalau variabelnya masih
tiga ya enggak perlu gitu ya. Tapi kalau
sudah lebih dari 10 itu variabelnya
pengukurannya itu ya perlulah untuk
oke
gitu. Dan Ibu bisa main-main dengan
jumlah data yang sedikit dulu dengan ini
program ini dan langsung bisa dipakai
Bu. Jadi menghemat uang, mending uangnya
dipakai buat makan
[tertawa]
ya.
Iya. Uangnya buat ambil sampel di
lapangan, Pak. [tertawa]
Nah, itu persis itu.
Iya. Ya, terima kasih banyak, Pak. Ee
ini terima kasih atas jawaban.
Sami-sami itu nomor saya ada di chat,
Bu. Kalau
oke
perlu ini informasi lanjut, ya.
Ya. Ya, terima kasih banyak, Pak. Terima
kasih. Asalamualaikum warahmatullahi
wabarakatuh.
Terima kasih, Bu.
Waalaikumsalam.
Iya. Iya. Mungkin selanjutnya ada ee
yang sudah mengangkat tangan juga di
sini ada Bapak Iskandar.
Silakan, Pak.
Ya, silakan
ya. Ee
ya. Baik. Bismillahirrahmanirrahim.
Asalamualaikum warahmatullahi
wabarakatuh.
Waalaikumsalam.
Ee Pak Erwin, perkenalkan saya Iskandar
Muda Purwa Amijaya.
Saya di ITB-nya lulusan S1 Geodesi ITB.
Saya ITB GD85, Pak. Dan di PWK ini tahun
5 ya
dulu ya. Dulu Bapak temannya sipil,
kalau sekarang temannya saya, Pak. Satu
fakultas sekarang.
Iya. Karena saya S3-nya di PSL IPB, Pak.
Di PSLB.
Oh, iya. TSL ya.
Iya. Ini ee pertanyaan saya begini, Pak
Erwin.
Saya tuh apa beberapa mahasiswa saya itu
ee melakukan penelitian tugas akhir
itu menggunakan
multiregresi, Pak.
Oh, iya multiregresi. Betul.
Multiregresi. Nah, kemudian
salah satu salah satu
wah ramai apa itu ya?
Salah satu materi yang ee saya ee pakai
itu adalah kalau di geodesi itu ada yang
namanya
hitung perataan parameter, Pak.
Hitung perataan parameter dia pakai
matriks.
Nah,
bila
ada beberapa yang apa namanya? Ternyata
saya salah gitu, Pak
ya. Jadi kalau kita melakukan suatu
multi regresi
itu kan kita bisa lihat dari apa model
regresinya itu
ya
variabel-variabel yang paling berar.
Betul. Iya
ya. Ada koefisiennya masing-masing ya.
Betul. Ya.
Nah saya itu baca dari ee siapa Bu? Bu
apa?
Suharsimi
Suharsimi Arikunto
ya.
Ya. Kebetulan itu saya kan pernah juga
mengajar di ee pendidikan teknik
bangunan.
Nah, jadi sekarang saya di teknik sipil.
Nah, ini ternyata pengaruh terbesar itu
bukan hanya dilihat apa koefisien di
depan variabelnya, Pak. Betul ya, Pak
ya.
Nah. Nah, jadi ee yang ingin saya
tanyakan begini. Memang beberapa
menggunakan SPSS. Menggunakan SPSS.
Nah, yang ingin saya tanyakan saya
tanyakan tuh sebetulnya apa yang menjadi
apa faktor menunjukkan bahwa variabel
tersebut itu paling berpengaruh.
I terima kasih, Pak. Itu saja. Terima
kasih.
Baik. Nah, jadi ah itu kenapa saya
menyampaikan tadi bahwa ketika
menganalisis
ee data pakai apapun ya, Bapak pakai
multiregresi, saya pakai PCA, pakai
clluster analisis itu memang kita harus
punya em harus sudah tahu model
konseptualnya begitu ya. Nah, jadi
contoh misalnya dalam kasus saya, saya
itu kalau ke lapangan itu harus sudah
bisa menduga kira-kira
apa penyebab air itu menjadi begitu
gitu. Jadi istilahnya patway-nya ya,
pathway-nya atau road map-nya itu saya
harus sudah bisa memperkirakan walaupun
belum tentu benar begitu ya. Jadi
misalnya ada hujan masuk ee ke dalam
tanah kemudian mengalir menjadi air
tanah kemudian lewat pemukiman kemudian
dia ee kepotong oleh sungai kemudian
ketemu laut misalnya. Nah, dari situ
saya mencoba mengobservasi
pada titik mana saja kemungkinan
kualitas air itu akan berubah gitu ya.
Nah, di situ kan harus sudah mulai ini
kita Pak ya ee penelaahan kita begitu
kan. Nah, kemudian kita dibantu dengan
analisis seperti Bapak tadi, ada
multiple regression, ada logistic
regression, PCA, clasan analisis dan
lain-lain gitu. Nah, sekarang tinggal
kita coba ee
ee justifikasi, Pak. Jadi memang
ujung-ujungnya adalah expert judgement
sebenarnya begitu ya. Jadi kenapa
parameter yang itu lebih berpengaruh
dibanding parameter yang satu lagi?
Sementara biasanya di tempat lain dengan
metode yang sama justru parameter yang
itu tuh tinggi. Yang satu lagi malah
yang kecil misalnya begitu. Nah itu
kalau saya karena saya dekat lebih dekat
dengan alam begitu ya ini ilmunya maka
saya berpikir itulah variasi mungkin
variasi alam. Jadi, ada satu kondisi
yang harus saya cari kenapa itu terjadi
begitu. Jadi, kalau saya mungkin akan
saya balik justru dari metode beberapa
metode mungkin saya akan pakai lebih
dari satu ya, Pak. PCA mungkin multiple
regression begitu. Kemudian saya cari
hasilnya, saya bandingkan ada kemiripan
tidak. Kalau ada kemiripan berarti
hasilnya mungkin ee
lebih betul dibanding kalau hasilnya
beda kan gitu ya, Pak ya. Nah, kemudian
saya melihat lapangan. Lapangan itu
bagaimana? Barangkali ada pengaruh
alamiah atau pengaruh manusia yang
menyebabkan parameter itu menjadi lebih
berpengaruh dibanding parameter yang
lain. Begitu, Pak.
Oke. Sebentar, Pak. Sebentar. Maksud
saya begini, Pak.
Kan kalau lihat kita ingin tahu mana
yang paling besar ee pengaruh. Kalau
dulu tuh saya pakai nilai konstantanya
di depan variabelnya.
Iya. Koefisiennya yang paling besar kan?
Ah tapi ternyata bukan gitu Pak.
Nah saya ingin tanyakan maksudnya gini.
Itu nilai apa Pak? Nilai apa yang apa
yang harus kita lihat
begini begini Pak. Betul begini. Jadi
kalau kalau Bapak misalnya dalam kasus
eh multiple regression itu melihat
konstanta di depan variabel itu begitu
ya, maka kan software itu hanya tahu
angka, Pak. Ya, tahu angka. Nah, bisa
jadi parameter itu menjadi tidak sesuai
dengan harapan. Mungkin karena
distribusi datanya jelek, Pak.
Ya. Jadi ee kebetulan sampel yang Bapak
kumpulkan itu distribusinya mungkin
lebih condong ke arah tertentu. Begitu.
Bisa dipahami ya, Pak ya?
Karena software kan hanya tahu angka,
Pak ya.
atau misalnya ada
outliers yang
dia bisa menarik begitu, bisa menarik
data yang lain begitu.
Bisa dibayangkan ya, Pak ya. Nah, oleh
karena itu mengevaluasi distribusi data
juga penting, Pak. Jadi kan tadi ada
distribusinya ya, Pak ya. Jadi data itu
lebih cenderung ke kiri atau ke kanan
atau dia di tengah atau tersebar begitu
ya. Nah, itu kan menjadi salah satu
amar-amar ya buat kita untuk waspada
gitu. Ketika angka-angka yang kita
temukan itu tidak sesuai harapan
itu kenapa begitu
gitu ya, Pak ya.
Sebentar, Pak.
Kalau dari
bisa sebentar, Pak.
Saya begitu, Pak ya.
Jadi maksud saya begini, Pak. Kan kalau
kita mau melakukan regresi
itu ada syarat ya, Pak, ya?
Ada syarat. Ada syarat. Nah, salah satu
syaratnya itu adalah bahwa
datanya harus berdistribusi normal,
gitu.
Betul. Betul.
Nah, jadi kalau misalnya tadi kata Bapak
condong ke kiri, condong ke kanan,
berarti kan itu
dia datanya ee apa tidak berdistribusi
normal atau dia non kita gunakan
statistik nonpametrik. Nonparametrik ya.
Iya, betul. Nah, jadi maksud saya saya
tuh masih apa ya, masih bingung tuh gini
gimana saya biasa pakai hitung perataan
parameter.
Nah, ini kira-kira
ke mana nih supaya kita bisa cepat gitu?
Kita sudah dapat model multiresingnya.
Kira-kira ke mana nih? Kita ingin tahu
mana variabel yang paling besar
pengaruhnya. Nah, kita bagaimana cara
kita harus memperoleh apa gitu, Pak.
Terima kasih, Pak.
Ya, mungkin bisa kombinasi dari dengan
pakai metode lain ya, Pak. Ya, itu tadi
kenapa saya sampaikan saya ketika
menganalisis maka saya akan pakai
beberapa metode gitu. Nah, rasanya kalau
PCA kluster analisis begitu ya itu dia
tidak mengharuskan ada distribusi normal
rasanya ya seingat saya gitu. Jadi,
Bapak bisa coba pakai pakai metode yang
lain begitu.
Oh, jadi kita bisa gunakan metode lain
untuk memperoleh itu.
Iya. Oke.
Bisa. Iya. Jadi kan intinya begini.
Kalau kita kalau posisi saya karena saya
orang geologi, maka saya ingin
menjelaskan fenomena data itu dengan
kondisi di alam kan, Pak, ya. Nah, jadi
saya balik gitu. Jadi mohon maaf mungkin
ee apa namanya?
Nature ya secara alamiah ilmu kita agak
beda gitu. Kalau saya itu lebih ke ee
apa namanya?
Kalau saya lebih ke bagaimana alam itu
bisa mengendalikan data itu gitu. Jadi
saya bukan
kalau saya disuruh milih ini lebih
percaya ke angka atau ke observasi di
alam saya cari dulu jawabannya. Maka
saya lebih condong ke yang di alam itu,
Pak. Nah, jadi data itu hasilnya
bagaimana? Itu hanya sebagai indikasi
buat saya bahwa ini ada masalah di sini
begitu ya. Gitu, Pak.
Oke, satu lagi, Pak.
Ini kan Bapak kan bicara mengenai apa?
Ee multivariat, ya. Multivariat.
Nah, ini
ee kan statistik itu ada dua jenis ya,
Pak. Ada yang ee deskriptif, ada yang
inferensial.
Nah, pertanyaan saya ini lebih banyak
yang dipakai yang mana? Apakah yang
deskriptif atau yang inferensial? Terima
kasih, Pak.
Kalau saya kok rasanya yang inferensial
ya, Pak ya. Inferensial itu kan dari
dari
hasil analisis
kita coba artikan gitu kan ya, Pak ya
inferensial ya yang
Iya. Jadi apa ada apa melihat hubungan,
melihat pengaruh dan sebagainya gitu ya
Pak ya.
Iya. Rasanya itu Pak
itu yang saya pakai. Hanya kembali lagi
setiap hubungan itu saya harus bisa cari
ininya apa namanya modelnya begitu ya
secara konseptual itu bagaimana kok bisa
itu terjadi begitu
gitu. Kalau kalau di ilmu saya begitu
nature-nya Pak.
Oke. Oke. Baik terima kasih Pak.
Makasih Pak Iskandar.
Ada lagi Ibu dan Bapak
mungkin ini yang sudah angkat tangan
juga ada.
Halo.
Ya. Ya. Ya.
Halo.
Iya, Pak.
Ya, Pak Masoro dari Universitas
Stadulako, Mbak.
Silakan langsung Pak.
Silakan, Pak.
Baik. Ee saya tadi kaget karena keluar
masuk saya terlempar terus keluar
mungkin karena saya jauh, Mbak. Ya, Pak.
Saya juga sama keluar masuk tadi, Pak.
Iya, Pak. Iya.
Gimana?
Maaf, Pak. Saya kalau selama ini
ya
dalam pengalaman menganalisis data-data
seperti ini yang namanya multivarians
atau multiragam
ya
itu dalam kualitas air biasanya
menggunakan PCE principal component
analysis.
Iya iya iya
terlepas kekurangan dan kelebihannya
soal program A program orange itu
silakan aja tujuan Tulsi itu adalah
tidak lain dalam menghasilkan suatu
analisis yang punya makna ilmiah itu
logikanya.
Betul. Betul. Betul. Nah, kemudian harus
saya sampaikan pengalaman-pengalaman
bahwa katakanlah kita ee melakukan suatu
riset di suatu perairan, katakanlah
suatu danau dan sebagainya, katakanlah
kita menentukan ada 10 titis stasiun ya
kan.
I.
Nah, setelah kita ambil datanya,
parameter kimia, fisikanya sudah diambil
kemudian ditabasi dan segala satunya.
Oke.
Memang prinsip pertama bahwa kalau kita
menggunakan PCA,
tujuan utamanya itu kan penyederhanaan
penyajian data dan memudahkan dalam
melakukan interpretasi. Itu kunci utama.
sehingga kalau dia terjadi yang namanya
multicolarity antara variabel independen
dalam variabel
itu bisa direduksi dengan penggunaan PCE
itu salah satu keistime
betul itu tujuannya betul Pak ya
sehingga memudahkan kita bagi orang
peneliti untuk memberikan penjelasan
secara
betul
ee lugas dan secara dengan powerful dari
situ. Nah,
yang kadang kala memang kelemahan kita
banyak yang salah menginterpretasi
output dari analisis itu. [tertawa]
Itu yang banyak salah, Pak. Iya.
Seperti vorinya
kemudian kita melihat nilai-nya
nah ada kadang kala suatu analisis
dengan principalis cukup dengan dua
faktor sudah bisa merepresentasikan
semuaul
karakteristik yang ada. Di sini
pemahaman filosofinya penting, Pak. Jadi
memang ee apa pemahaman tentang filosofi
statistik multivariatnya harus kuat.
Betul. Betul.
Jadi kalau kita melihat di YouTubeyube
itu kan secara umum.
Betul. Betul. Tapi filosungguhnya tidak
sedemikian itu, sesederhana itu, Pak.
Iya, betul.
Nah, dengan demikian ketika kita
berbicara yang selalu ditakuti oleh
orang-orang yang bermain di multivariat
atau regis berganda adalah soal
multicolinarity. Itu yang paling
ditakuti. Tetapi dengan menggunakan PCA
itu sudah karena sudah direduksi secara
otomatik di dalam itu.
Nah, kedua ee soal masalah B. Saya waktu
saya sekolah di Bogor dulu, Pak. Ya.
Iya. Ee saya pernah dikasih contoh salah
satu Profesor Aunudin.
Salah satu dua dua regresilah dikatakan
begini.
Iya. I
kalau dua garis regresi sama-sama
memiliki nilai B sama katakanlah regresi
berganda B1 B2 sama
regresianda A regresi berganda B sama B1
B2-nya sama.
Sekarang kalau garis regresinya sama apa
koefisien regresinya sama arah regresi
atau koefisien arah garisnya sama kedua
garis itu mau pilih mana?
Kebetulan R kuadratnya sama lagi
kedua-duanya.
I ya pada pilihan mau lihat Rodanya
sama-sama bagus 99% mau pilih B1 dan
B2-nya pada kurva regresi pertama
sama-sama nilainya di dengan kurva
regresi kedua B1 B2-nya
i
tentu terakhirnya adalah menghitung
galat murni dari gala totalnya itu dikat
terakhir.
Oke. Oke.
Nah banyakan software belum bisa
mengakomodiri itu. Baik itu program AR
baik itu program eh SL Start maupun yang
lain-lainnya SAS dan sebagainya genst
dan sebagainya.
apalagi SPCS itu belum mampu dipisahkan
itu. Sehingga saya ajarkan mahasiswa
saya
ya
dengan cara memisahkan secara manual kan
menghitung B1, B2, 3 kan yang dikenal
cuma tiga cara Pak yang kita pernah
pelajari itu pertama adalah metode
kuadrat terkecil, yang kedua adalah
persamaan normal, yang ketiga pendekatan
matriks.
Kan itu sederhananya.
Jadi sebenarnya ini yang Bapak sampaikan
tuh tidak ada metode yang unsupervised
ya, Pak ya. Betul betul, Pak.
Saya 33 tahun mengajar statistik, Pak.
Bergelut dengan angka maola data itu
sudah
ini mestinya.
Makanya saya pengin sekali hadir itu.
Iya, mestinya kebalik ini Bapak yang di
sisi saya sebenarnya ini. [tertawa]
Iya, betul Ibu dan Bapak sekalian. Ini
ee ini ee penting memang. Jadi ee kalau
di judulnya memang PCA cluster itu
unsupervised. Unsupervised itu artinya
tidak perlu dimonitor, tidak perlu
diawasi gitu ya. Tapi pada akhirnya
ketika kita menganalisis hasilnya memang
enggak bisa kita terima apa adanya
begitu. Dan
betul benar benar seus. Betul, Pak. Jadi
kasus seperti punya Pak Iskandar tadi
itu memaksa kita mungkin harus
menggunakan metode lebih dari satu gitu.
Betul.
mengcoss cheek begitu ya, Pak ya. Jadi
betul enggak ini penting
tapi Pak Irwin Pak Irwin
kita sharing Pak ya ee terkait tadi
masalah dua titik yang berdekatan dan
titik dengan titik lainnya ya.
Nah biasanya yang kita lihat kalau di
PCE itu bukan hanya posisinya tapi kita
lihat sudut
slopnya itu.
Betul. Betul. Mana yang paling kecil
sudutnya dengan panjang vektornya
berbeda itu akan memiliki nilai
karakteristik pengaruh yang berbeda.
I ya betul.
Nah, sehingga ini yang banyak sekali
yang orang-orang applied salah
menginterpretasi makna daripada luaran
daripada analisis itu.
Iya. Oh, iya. Perlu perlu ditambahkan
juga. Betul, Pak. Jadi
pengukuran pengukuran jarak antar titik
data
untuk PCE dan kluster ini memang ee
sudutnya yang dihitung ya. Benar. Benar.
Setuju sekali. Bagus sekali
penjelasannya Pak tadi. Saya
bukan garis tegak lurus ya, tapi justru
ee garis yang berjudut. Ya, betul, Pak.
Jadi kesimpulannya Pak RWin tab Pak ee
analisis itu kan statistik itu kan hanya
dua, statistik parametrik nonpametrik.
Kudian dalam parametrik ada namanya
deskriptif, ada namanya imperensia,
menyimpulkan dan sebag itu kan kita
sudah tamatlah semua itu masalah itu.
Nah, yang paling penting adalah bahwa
kalau kita menggunakan multivariat,
syarat utama adalah data menyebar
normal. Itu pertama
ya. I
karena ketika data tidak normal maka
ANOVA yang keluar, Uji F yang keluar itu
bohong-bohongan, Pak. Kita terkelabui di
situ loh, Pak.
Betul. Iya.
Tapi kalau datanya sudah normal, dia
tidak berpengaruh
ya,
faktor itu tidak mempengaruh terhadap
respon y-nya, ya selesai. itu kondisi
alamiahnya tadi gitu ya. Ya.
Tetapi kalau kita tidak memenuhi
syarat-syaratnya asumsi uji keditipan
model uji kesamaan ragam perlakuan atau
seragam faktor faktorpengaruh kemudian
ujias data itu tidak seragam tidak
dilakukan. Bagaimana mungkin kita yakin
bahwa anopa itu benar? Saya kira itu
temanya. Terima kasih banyak Pak RW.
I terima kasih sekali. Ini ee catatan
dari Pak Masyaoro ya. Ini penting ya Ibu
dan Bapak. Jadi,
jadi begini. Di setiap bidang ilmu itu
pasti punya kebiasaan, ya. Nah,
kebiasaan saya karena saya orang geologi
itu data sering tidak tidak lengkap.
Sering di tempat yang dicari justru
tidak ada, di tempat yang pas tidak
diharapkan justru ada data ya. Contoh
misalnya sumur ya, Ibu dan Bapak ya. Itu
kan seringki
datanya enggak tersebar. Jadi misalnya
saya punya daerah dalam bentuknya kotak
gitu ya, itu sumur. Kalau kita nyari
sumur pasti di tempat yang banyak rumah.
Di tempat yang tidak ada rumah pasti
enggak ada sumur begitu. Jadi saya lebih
banyak bergantung kepada apa yang ada di
lapangan gitu. Jadi saya enggak bisa
saya bikin sumur sendiri kan mahal
begitu ya. Nah, jadi kalau untuk bidang
ilmu saya memang lebih longgar, Pak,
ininya apa namanya ee
ketentuan-ketentuan statistik itu lebih
longgar di saya gitu ya. Jadi statistik
itu lebih kepada untuk indikasi awal
gitu. Jadi indikasi awal ini ada
keserupaan atau kemiripan kemudian ada
indikasi awal bahwa ini beda begitu.
Jadi memang kami tidak sedetail itu
menelaah angka-angka statistisnya gitu.
Jadi itu kebiasaan di tempat kami memang
dengan kekurangannya. Nah, bagi Ibu dan
Bapak lain yang memang ee bidang ilmunya
itu berbeda, mungkin punya kebiasaan
yang berbeda. Nah, di situ mungkin
ada angka-angka statistik yang perlu
lebih diperhatikan. Nah, barusan
penjelasan dari Pak Masya ini ee penting
ya, Ibu dan Bapak. Masalah
ee ini apa tadi ada galat juga yang Pak
sampaikan itu penting
sudah error begitu. Terima kasih sekali
Pak
ya. Sama-sama Pakin sukses selalu Pak.
Sama-sama.
Samisami. Sukses juga Pak Kasih Bapak I
i
ya. Saya ingin menjadi anggota EO
Education ini. Ecologi Education ini,
Pak.
Iya, Pak. Ya. Iya.
I
iya. Kalau lalu saya dihubungi, saya
pasti selalu ikut deh meluangkan waktu
sibuk apapun dalam e habitat saya.
Waduh. Terima kasih Pak sudah
menyempatkan waktunya Pak.
Oke. Selanjutnya mungkin ini yang sudah
angkat tangan dari tadi ada ee Pak
Torkis Tambunan. Silakan, Pak.
Ya, silakan, Pak. Ya,
terima kasih Pak Erwin atas paparannya.
Eh, panitia ee mau nanya saya bukan
dosen bukan tapi
baru ngeraba barusan ngeraba-raba
kira-kira kalau variabelnya itu
tadi kita e variabel parameter-parameter
sisi kimia ya, Pak ya? Ya,
kalau kita tambahkan lagi variasi
variabel bentuk sama variabel berat itu
apakah memungkinkan enggak nanti untuk
hanya mengambil?
Eh, maaf, Pak. Diulang variabel apa,
Pak? Berat.
Berat dan bentuk berat dan bentuk dan
berat gitu. Jadi di dikolaborasikan
kira-kira memungkinkan.
Paham.
Iya, terima kasih. Jadi begini.
Iya, terima kasih Pak. Jadi data itu
selama dia bisa dia bentuknya angka
itu bisa ya. Misalnya kalau untuk air
kan ada berat jenis kan mirip dengan
yang Bapak sampaikan tadi. Itu kan
bentuknya angka ya. Itu bisa atau Bapak
harus membuat skala angka sendiri begitu
untuk ee apa namanya variabel yang
masuknya itu dalam bentuk non angka
awalnya. Jadi Bapak harus merubahnya
menjadi angka gitu. Itu bisa, Pak. Nah,
kalau data yang masuk itu tidak
berbentuk angka dan tidak bisa diubah
menjadi angka, maka paling mungkin itu
menjadi
untuk kategori, Pak.
Jadi untuk membuat kategori itu bisa
gitu sebagai kategori ya. Tapi kalau mau
dimasukkan ke dalam analisis memang
harus. Nah, yang kedua yang yang lebih
penting adalah ketika Ibu dan Bapak mau
memasukkan tambahan variabel, Ibu dan
Bapak harus tahu kenapa itu masuk, gitu.
Jadi bukan boleh enggak boleh
sebenarnya, tapi harus tahu kenapa itu
dimasuk
ya. Ee apakah itu ada pengaruh dari
prosesnya. Misalnya kalau air kan bisa
dapat bisa dapat misalnya kita bicara
kontaminan ya, Ibu dan Bapak. kontaminan
itu kan bisa datang dari manusia, bisa
datang dari alam ya, batuan itu bisa
jadi sumber kontaminan alamiah. Kemudian
air hujan misalnya gitu ya. Nah, kalau
sistem itu bisa Ibu dan Bapak gambarkan
bisa diambil dari literatur misalnya
begitu asal itu ada dan Ibu bisa Ibu
Bapak bisa memberikan alasan kenapa
variabel itu bisa mau dimasukkan maka
enggak masalah masukkan kayak gitu. Nah,
yang jadi masalah kalau kita memasukkan
variabel itu random aja apa saja
dimasukkan. Nah, itu masih paham ya.
Jadi, ee akan baik kalau semua variabel
yang masuk itu punya gitu. Ibu dan Bapak
bisa menggambarkan perannya dalam sistem
yang ada di dalam masalah ibu dan bapak
masing-masing gitu ya. Jadi itu penting
kualitatifnya dulu yang harus penting
yang dipentingkan baru kemudian numerik
gitu. Kalau saya begitu, kalau saya
demikian, Pak Torkis, ya. Makasih, Pak.
Baik, terima kasih Pak Erwin.
Sami-sami, Pak.
Ya, mungkin apakah ada lagi
bertanya? Oh, ini sudah ada Pak
Wakso.
Silakan, Pak.
Mohon maaf, Mbak. Kamera tak off karena
jaringannya, ya.
Iya, apa, Pak?
Izin bertanya, Pak. Ee silakan.
Jadi, yang saya tangkap tadi itu berarti
SP SPSS atau aplikasi OREN itu dia itu
hanya tool ya, Pak, alat. Jadi dia itu
sifatnya hanya untuk mempermudah kita
mengolah data gitu ya, Pak.
I
bukan bukan alat yang bisa menentukan
jadi enggak punya logika gitu, Pak. Jadi
bukan kayak robot ya
apa ya
mungkin bukan kayak yang di Excel itu
fungsi if gitu ya bisa melogikakan
dari data ini ini terus diambil
kesimpulan seperti ini itu enggak bisa
muncul seperti itu ya Pak.
Ee begini Pak kalau kalau Excel
filosofinya itu kan kita step by step ya
kalau Excel ya.
Iya
step by step. Jadi data itu satu-satu
kita saring begitu ya.
saya bahasa. Nah, kalau di multivariabel
umumnya, umumnya ini umumnya itu
analisis dilakukan secara simultan, Pak.
Baik.
Jadi, jadi tidak ada if gitu kurang
lebih ya sepanjang yang saya tahu ya,
karena saya juga bukan orang matematika
yang murni begitu. Jadi, sepanjang yang
saya tahu analisisnya tuh dilakukan
secara simultan begitu
ya. Berarti kita
berarti kita yang semisal kompleks nih
datanya cuman kita yang mengkerucutkan
sendiri gitu ya, Pak dari beberapa
variabel gitu ya, Pak.
Oke. Kalau kalau mengerucutkan itu
urusan mereka Pak dia mereka bisa
membantu mengerucutkan gitu. Jadi
misalnya kita punya kita punya 15
variabel, maka hasil dari PCA itu akan
mengelompokkan variabel-variabel itu
menjadi princiipal komponen satu
misalnya. Oh, siap.
Variabel yang lain dikompokkan menjadi
princiipal komponen dua. Nah, princip
itu punya pengaruh lebih besar dibanding
princiipal komponen du misalnya ya. Nah,
itu bisa. Tapi kembali lagi yang Bapak
sampaikan tadi yang menalar tetap kita
gitu Pak
ya. Jadi logikanya itu ada di kita
karena kita punya bekal model konseptual
tadi kan.
Berarti ke oralnya ada di manusianya ya,
Pak. Dengan kesalahan mengambil metode
maka salah pula hasilnya gitu ya, Pak.
Ya, kalau kalau kesalahan metode
kesalahan mengambil data enggak pakai
multivariabel juga bisa salah ya, Pak
ya?
Iya. Iya, Pak.
Ya, kita asumsikan ngambil datanya sudah
betul. Kemudian variabel-variabel yang
dimasukkan itu kita asumsikan memang
berperan gitu ya. Nah, untuk bisa
menentukan variabel berperan atau tidak
kan kita harus punya ilmunya dulu kan,
Pak ya. Kita punya background teori
dulu. Nah, baru kemudian kita mendeteksi
pola polanya itu dibantu oleh software
gitu.
Siap. Siap. Baik, Pak. Terima kasih,
Pak.
Iya, sami-sami, Pak. Makasih.
Matur nuwun. Asalamualaikum.
Waalaikumsalam.
Iya. Selanjutnya ya. Bagaimana, Pak?
Mbak ini ee Mbak moderator ini Mbak Tia
atau Mbak siapa? Riska.
Oh, iya. Saya Silvi, Pak.
Oh, Mbak Selfie. Oke, Mbak Selfie ini
kalau bisa kita ee karena ini situasi
sedang tidak memungkinkan, ya. Kalau
bisa Ibu dan Bapak yang ingin bertanya
langsung itu bisa mencatat nomor saya
itu ada di chat ya. Kemudian ee medsos
saya juga ada di chat. Jadi saya mohon
maaf ini kayaknya dalam 5 menit harus
sudah mengakhiri ini ee karena ini
kondisi ya tidak memungkinkan.
Iya
kalau berkenan kalau boleh.
Iya. Baik, Pak. Tidak apa-apa, Pak. Ya,
terima kasih banyak, Pak atas ee
waktunya dan juga ee pemateriannya.
Mungkin ee sebelum mengakhiri ee sesi
webinar kali ini ada sesi foto bersama
dulu ya, Pak.
Boleh, boleh, boleh.
Iya. Baik. Bagi Bapak Ibu semua yang
bisa untuk menyalakan kameranya silakan
untuk menyalakan.
I jika sudah saya akan dokumentasikan
terlebih dahulu.
Oke.
Baik. 3 2 1.
Oke. Sudah. Ya, sekali lagi saya ucapkan
terima kasih banyak
e Pak Erwin yang sudah menyampaikan
materinya dan untuk Bapak Ibu semua
mungkin ee seperti yang sudah
disampaikan jika ingin bertanya silakan
untuk menghubungi ee kontak Pak Erwin ya
baik itu di medsos atau via WA secara
langsung ya. Terima kasih banyak Pak.
Semoga
Terima kasih Pak Erwin.
Terima kasih Bapak-bapak, Ibu-ibu.
Makasih Ibu Nurul.
Terima kasih banyak ya, Pak
ya. Sama-sama ditunggu. Makasih Pak RW.
Pakih.
Sampai di lain waktu ya Pak.
Terima kasih Prof. Erwin
ya. Ya. Makasih, Pak. Erwin bagi
Mas Erwin
terus Mas kami dari timurih
kami dari suka
ya
pamit ya
biar kami juga disapa karena kami rutin
mengikuti kegiatan ini. Oke,
sukses semua. Saya mohon pamit juga.
Iya, Pak. Silakan, Pak.
Terus.
Oke. Baik. Ee saya akan mengingatkan
kembali untuk presensi. Silakan Bapak,
Ibu ee dapat mengaksesnya di link yang
sudah kami share di kolom komentar atau
kolom chat ee yang akan kami tutup
hingga pukul 12. ee 15 siang nanti ee
untuk Bapak Ibu sekalian juga yang belum
masuk ke grup provinsi silakan untuk ee
masuk ke grup provinsinya masing-masing.
Ee rencananya kami nanti ke depannya
akan membahas ee topik-topik webinar
sesuai dengan ee topik di provinsinya
masing-masing seperti itu. Bisa juga
mengajukan ee saran ingin ee membahas
webinar ee mengenai topik apa. Oke,
mungkin itu saja yang saya sampaikan.
Mohon maaf apabila ee banyak kekurangan
di webinar pada hari ini.
Wasalamualaikum warahmatullahi
wabarakatuh. Salam
lestarialam warahmatullahi wabarakatuh.
Pengembangan sumber daya manusia adalah
bagian dari proses dan tujuan dalam
pembangunan Indonesia.
Upaya membangun sumber daya manusia yang
berkualitas salah satunya dapat
dilakukan melalui pelatihan.
Ekoedu hadir sebagai platform pelatihan
lingkungan hidup yang bertujuan untuk
meningkatkan kinerja dan kualitas sumber
daya manusia.
Saat ini kami memiliki 12 paket
pelatihan, yaitu dasar-dasar AMDAL,
persetujuan teknis air limbah,
persetujuan teknis emisi udara,
persetujuan teknis [musik] limbah P3,
penyusunan dokumen KLHs, penyusunan
dokumen RPPLH, perhitungan emisi gas
rumah kaca, pemodelan kualitas air
sungai, pemodelan dispersi udara,
pelatihan remote sensing, pelatihan
sistem informasi geografis, dan
pelatihan sistem dinamik.
Alumni pelatihan kami sudah lebih dari
2.500 orang yang berasal dari seluruh
Indonesia. Pelayanan kami terbuka untuk
perusahaan, pemerintahan, perorangan,
ataupun pemerhati lingkungan. Eko Edu
selalu berusaha menyajikan pelatihan
yang berkualitas dengan menghadirkan
pengajar yang berpengalaman,
memberikan pengalaman langsung dengan
praktikum
dan e-learning yang dapat diakses di
manapun.
menyampaikan materi dari itu menjelaskan
dengan detail dengan rinci ya. Jadi
mudah saya pahami. Ee kami kebetulan
saya bekerja di pegawai negeri jadi
mudah memahami dan kita menerapkan
langsung di apikasinya di lapangan.
materinya banyak [musik] saya butuhin
sih. Jadi saat ini saya dikonsultan
terutama ke saya di [musik] bagian
emisi di bagian udara dan saya melihat
di ek
semua ya mulai dari prospek ada,
pemodelan udara ada terus kemudian saya
kemarin juga ikut yang akhirnya menghit
Eko karena ee jadwal pelatihannya untuk
tahun 2023 ini sudah dimulai di awal
materi yang diberikan memang sebenarnya
sudah mantap, tapi memang untuk kendala
waktu berhubung ini kalau kita di PNS
kan kadang-kadang ada panggilan tugas
jadi sehingga ada beberapa kali ee apa
terputus
banyak hal yang saya dapetin banyak
sekali gitu. Jadi alhamdulillah terutama
yang pertama saya ikut itu kan yang
waktu perteknya bulan Juli ya. Itu sih
awalnya yang wah oke nih gitu. Terus
makanya saya lanjut ke R. Saya akhirnya
bisa ee mulai upgrade lagi ya. Karena
kebetulan [musik] saya background-nya
sebenarnya teknik lingkungan ee
pekerjaannya sudah sekitar 8 tahun tidak
berhubungan dengan bidang ini. Sehingga
[musik] ee dengan mengikuti training
yang kemarin saya akhirnya bisa upgrade
ee ilmu lagi terutama untuk ee
peraturan-peraturan
yang saat ini berlaku.
Memang cukup membantu bagi saya PNS ee
sama-sama karena sudah dipordengar lagi
karena ee jadi apa ee kesibukan di waktu
[musik] ini sangat-sangat membantu
ee ketika pas pelatihannya itu kan ee
ada kesibukan gitu kan maksudnya disambi
gitu ya mohon maaf nyambi terus itu
terus setelah itu apalagi yang pemodelan
pemodelan ini kan kita enggak bisa
[musik] sekali ya gitu ya jadi ee ini
sekarang saya lagi ulang yang mumpung
Saya juga masih [musik] belum terlalu
banyak kegiatan. Saya lagi ngulang
sekarang. Ee itu sangat membantu sekali.
Jadi ee ketika saya sedang ee bekerja
dan ingin meemind [musik] lagi,
mengingat kembali ee untuk materi-materi
yang kemarin saya bisa mengakses ee di
website.
Mantap, bagus, dan berkembang. pertama
kekinian, kedua mantap, ketiga sukses.
Sangat luar biasa, Mbak.
Pengembangan sumber daya manusia adalah
bagian dari proses dan tujuan dalam
pembangunan Indonesia.
Upaya membangun sumber daya manusia yang
berkualitas salah satunya dapat
dilakukan melalui pelatihan.
Ekoedu hadir sebagai platform pelatihan
lingkungan [musik] hidup yang bertujuan
untuk meningkatkan kinerja dan kualitas
sumber daya manusia.
Saat ini kami memiliki 12 paket
pelatihan, yaitu dasar-dasar AMDAL,
persetujuan teknis air limbah,
persetujuan teknis emisi udara,
persetujuan teknis limbah P3, penyusunan
dokumen KLHs, penyusunan dokumen RPPLH,
perhitungan emisi [musik] gas rumah
kaca, pemodelan kualitas air sungai,
pemodelan dispersi udara, pelatihan
remote sensing, pelatihan sistem
informasi geografis, dan pelatihan
sistem dinamik.
Alumni pelatihan kami sudah lebih dari
2.500 orang yang berasal dari seluruh
Indonesia. Pelayanan kami terbuka untuk
perusahaan, pemerintahan, perorangan,
ataupun pemerhati lingkungan. Eko Edu
selalu berusaha menyajikan pelatihan
yang berkualitas dengan menghadirkan
pengajar yang berpengalaman,
memberikan pengalaman langsung dengan
praktikum
dan e-learning yang dapat diakses di
manapun.
menyampaikan materi dari Eko Ed itu
menjelaskan dengan detail dengan rinci
ya. Jadi mudah saya pahami. Ee kami
kebetulan saya bekerja di pegawai negeri
jadi mudah memahami dan kita menerapkan
langsung di aplikasinya di lapangan.
Materinya banyak [musik] saya butuhin
sih. Jadi saat ini saya di konsultan
terutama saya di bagian
emisi di bagian udara dan saya lihat di
Eco Eddo tercover ya semua ya mulai dari
perpek ada pemodelan udara ada terus
kemudian saya kemarin juga ikut yang
akhirnya menghitung
karena ee jadwal pelatihannya untuk
tahun 2023 ini sudah dimulai di awal
Januari.
materi yang diberikan memang sebenarnya
sudah mantap memang untuk kendala waktu
karena berhubung ini kalau kita di PNS
kan kadang-kadang ada panggilan tugas
jadi sehingga ada beberapa kali ee apa
terputus
banyak hal yang saya dapetin banyak
sekali gitu jadi alhamdulillah [musik]
karena yang pertama saya ikut itu kan
yang waktu perteknya bulan Juli ya itu
sih awalnya yang wah oke nih gitu terus
makanya saya lanjut ke R. Saya akhirnya
bisa ee mulai upgrade lagi ya. Karena
kebetulan saya background-nya sebenarnya
teknik lingkungan. ee pekerjaannya sudah
sekitar 8 tahun tidak berhubungan dengan
bidang ini. Sehingga ee dengan mengikuti
training yang kemarin saya akhirnya bisa
upgrade ee ilmu lagi terutama untuk ee
peraturan-peraturan
yang saat ini berlaku.
Memang cukup cukup membantu bagi saya
PNS ee sama-sama karena sudah di-quord
dengar lagi karena ee jadi apa ee
kesibukan di waktu ini [musik]
sangat-sangat membantu
ee ketika pas pelatihannya itu kan ee
ada kesibukan gitu kan maksudnya dicambi
gitu ya mohon maaf nyambi terus itu
terus setelah itu apalagi yang pemodelan
pemodelan ini kan kita enggak bisa
sekali ya gitu ya jadi ee ini sekarang
saya lagi ngulang yang mumpung Saya juga
masih belum terlalu banyak kegiatan.
Saya lagi ngulang sekarang. Ee itu
sangat membantu sekali. Jadi ee ketika
saya sedang ee bekerja dan ingin [musik]
meemind lagi, mengingat kembali ee untuk
materi-materi yang kemarin saya bisa
mengakses [musik]
ee di website.
Mantap, bagus, dan berkembang. [musik]
pertama kekinian, kedua mantap, ketiga
sukses.
sangat luar biasa, Mbak