Kind: captions
Language: id
Assalamualaikum warahmatullahi
wabarakatuh berjumpa lagi dengan saya di
channel YouTube saya
nensiklopedia Ahmad Fauzi channel yang
menjelaskan berbagai hal yang berkaitan
dengan statistika penelitian publikasi
dan berbagai pengetahuan lain yang
mungkin dapat meningkatkan pengetahuan
ataupun keterampilan kalian di video
Sebelumnya kita telah mempelajari
penting nya pengecekan asumsi sebelum
melakukan uji hipotesis Khususnya ketika
kita melakukan prosedur statistika
inferensia dan di video tersebut kita
telah membahas salah satu asumsi yang
penting dan yang perlu kita cek adalah
berkaitan dengan distribusi datanya
apakah data dari sampel kita
terdistribusi normal ataukah tidak
normal di video kali ini Mari kita bahas
lebih mendalam Apa saja macam distribusi
data yang mungkin dapat kita peroleh
ketika kita melakukan pengambilan data
dan mengapa data kita diasumsikan atau
diharap memiliki distribusi yang normal
ketika kita melakukan uji hipotesis
oke Sekarang mari kita bahas terlebih
dahulu data yang terdistribusi secara
normal
secara sederhananya ketika kita memiliki
data yang terdistribusi normal ketika
kita
memvisualisasikan distribusi data
tersebut maka visualisasi hasil dari
data yang kita kumpulkan tadi membentuk
kurva yang mirip bel atau mirip lonceng
bentuknya seperti ini ya Mengapa kita
bisa mendapatkan kurva semacam ini
sebetulnya kurva semacam ini dapat kita
peroleh dari ketika kita membuat
histogram diberapa video yang lalu saya
juga telah membahas Bagaimana caranya
membuat histogram kita harus menghitung
distribusi frekuensinya terlebih dahulu
kemudian dari distribusi frekuensi
tersebut kita bisa
memvisualisasikannya dalam bentuk
histogram semacam ini dan di histogram
kita bisa menarik garis lurus yang dapat
menghubungkan antara satu batang dengan
batang yang lain yang ada di dalam
histogram
ini dan di sini bisa kita lihat seperti
yang saya sampaikan tadi garis lurus
tersebut akan membentuk kurva yang mirip
dengan lonceng atau mirip dengan bel
mirip dengan gunung yang bagus karena
simetris kemudian di sini bisa kita
lihat bahwasanya distribusinya ideal
sehingga seringkiali dikatakan kurva
normal merupakan kurva dengan distribusi
atau kurva dengan bentuk yang ideal di
referensi yang lain distribusi normal
juga dikatakan sebagai distribusi Gaus
atau gausian distribution sebetulnya
istilah tersebut merujuk pada pengertian
yang sama yaitu pengertian terkait
distribusi data yang ketika dikurvakan
membentuk kurva mirip lonceng seperti
ini Nah ada beberapa karakteristik pada
data atau pada grafik yang bila di
visualisasikan dalam bentuk kurva
membentuk kurva yang distribusinya
normal yang pertama adalah pastinya data
tersebut berupa data yang dalam skala
interval ataupun rasio atau dapat kita
Artikan atau dalam istilah lain variabel
yang kita kumpulkan berupa variabel
kontinu misalkan berat badan tinggi
badan jarak panjang daun IQ kemudian
tingkat literasi siswa itu semua
merupakan data-data dalam variabel
kontinu bisa berupa skala interval bila
tidak ada nol mutlaknya atau bila ada
nol mutlaknya maka skalanya termasuk
skala rasio misalkan berat badan tinggi
badan itu rasio nah distribusi Normal
itu dapat tercipta bila data kita diukur
dalam skala interval atau rasio bukan
nomin ataupun ordinal karakter
selanjutnya adalah ketika kita membuat
grafik maka sumbu y-nya berperan sebagai
frekuensi atau jumlah kemunculan dari
data yang kita ukur sedangkan sumbu
x-nya sendiri ya adalah skor-skor dari
data yang kita kumpulkan tadi kemudian
kruvanya berupa garis kontinu yang mulus
seperti yang kita lihat di tampilan
sebelumnya jadinya garisnya tidak
terputus dan tidak bergerigi sehingga
mulus atau rata lalu tadi sudah saya
singgung ketika datanya terdistribusi
normal maka tentunya yang pertama
pastinya mediannya tetap berada di
tengah kemudian Karena distribusinya
normal bisa kita lihat seperti yang saya
sampaikan tadi sumbu y itu berperan
sebagai frekuensi maka semakin tinggi
kotaknya semakin tinggi angnya maka
frekuensi dari skor tersebut juga
semakin tinggi Nah kalau kita mengingat
lagi bentuk kurva normal bagian yang
paling tinggi adalah bagian di tengah
sehingga skor yang ada di tengah
merupakan skor yang frekuensinya tinggi
sehingga dapat dikatakan skor yang
ditengahkan adalah median dan skor di
median tersebut memiliki nilai tertinggi
sehingga skor itu juga sebagai modus
sehingga pada distribusi normal median
itu sama dengan modus dan Selain itu
min-nya atau reratanya pun juga sama
sehingga ketika data kita terdistribusi
normal angka dari Min angka dari median
dan angka dari modus itu sama atau
hampir serupa sehingga tendensi Sentral
antara satu pengukuran dan pengukuran
yang lain antara min median dan modus
itu sama atau serupa sehingga tendensi
sentralnya benar-benar mampu
menggambarkan atau mewakili keseluruhan
data sampel yang kita
miliki
kemudian karena bentuknya tadi dikatakan
sebagai bentuk yang ideal maka grafik
dari distribusi data yang normal itu
bentuknya simetris sehingga ketika kita
bagi menjadi dua bagian dua bagiannya
itu sama atau kalau kita tekuk maka kita
tekuk di bagian tengah ya maka ketika
kita tekuk tekukannya itu membentuk
tindihan yang sama ada semacam bel bel
itu kemudian kita tekuk bel itu adalah
lonceng ya lonceng itu kita tekuk kita
bayangkan loncengnya dua dimensi Maka
nanti tekukan tersebut membentuk lipatan
yang
sempurna kemudian Seperti yang saya
singgung tadi karena bentuknya seperti
bel tentunya skor yang paling tinggi itu
berada di tengah dan kita mengenal skor
yang tertinggi sebagai modus
nah
mengapa data kita itu harus memiliki
distribusi yang normal semacam ini
karena dalam kondisi alami
variabel-variabel yang di alam ketika
diukur bila kita mengambil data
keseluruhan populasi khususnya
variabel-variabel yang berkaitan dengan
makhluk hidup maka data tersebut secara
alami terdistribusi secara normal
misalkan kita mendatangi suatu negara
kemudian kita mencatat IQ dari negara
tersebut secara keseluruhan seluruh
penduduk yang ada di negara tersebut
kemudian kita bentuk kurva berdasarkan
data yang kita kumpulkan maka kurva yang
terbentuk adalah kurva yang normal
begitu juga ketika kita datang ke daerah
lain kemudian kita mencatat tinggi badan
penduduk di sana maka tinggi badan
seluruh orang yang kita kumpulkan nanti
juga akan membentuk distribusi yang
normal begitu juga variabel-variabel
yang berikatan dengan manusia misalkan
IQ ketika kita mengumpulkan IQ seluruh
dunia misalkan atau salah satu negara
maka akan terbentuk juga distribusi yang
normal dan mengapa distribusi normal ini
menjadi salah satu asumsi penting ketika
kita ingin melakukan uji statistika
inferensia karena kembali lagi ketika
kita menggunakan statistika inferensia
kita menggunakan data sampel untuk
menarik kesimpulan yang menggambarkan
atau memprediksi kondisi dari populasi
secara keseluruhan Oleh karena itu
kondisi dari sampel ya harus sama dengan
kondisi dengan yang terjadi pada
populasi populasi itu distribusinya
normal maka tentunya sampelnya pun juga
distribusinya normal sehingga mampu
dengan baik menggambarkan kondisi
populasi secara keseluruhan
dan ketika kita mengambil data ternyata
datanya tidak terdistribusi secara
normal maka ada kemungkinan pada saat
proses pengumpulan data ada kekeliruan
ketidakjelasan saat proses pengambilan
data atau mungkin juga instrumen yang
digunakan tidak
valid namun tidak semua variabel yang di
dunia ini terdistribusi secara normal
ada
beberapa kecualian variabel-variabel itu
tidak terdistribusi secara normal dan
kalau kita melihat grafik di sini jangan
bayangkan seluruh data yang
terdistribusi Normal itu bentuknya
sebagus ini ketika kita melakukan
penelitian data kita Terkadang juga
dikatakan masih terdistribusi normal
meskipun bentuknya tidak sebagus
ini mungkin di sisi kiri dan kanan di
salah satu batang ini ada yang sedikit
lebih tinggi atau sedikit lebih rendah
nanti ada berbagai analisis yang dapat
kita gunakan untuk mengecek apakah data
kita masih dinyatakan memenuhi asumsi
distribusi Normal atau sudah tidak
memenuhi prinsipnya adalah ingat
distribusi normal datanya belum tentu
grafiknya semulus atau sebaik ini
Oke sekarang kita lanjutkan Nah kalau
kita berbicara distribusi data maka kita
juga akan mengenal istilah outliayer
outliayer itu dapat kita Artikan sebagai
data yang mencal pencalan pencilan
artinya data tersebut tidak berada dalam
distribusi data kita yang normal tadi
Nah keberadaan out layer itu memang
sering kita temukan ketika kita
mengumpulkan data misalkan kita
mengumpulkan data IQ pada satu daerah
kemudian setelah kita bentuk kurvanya
ternyata kurvanya
normal Namun karena ada salah satu orang
yang amat sangat jenius sehingga iq-nya
sangat tinggi maka ketika dibentuk
grafik atau histogram Maka nanti akan
ada batang atau ada skor
yang terpencal dari distribusi data kita
yang lain Nah inilah yang disebut
sebagai
outlier dan ini memang sering kita
temukan misalkan kita melakukan
pengambilan data hasil belajar pada satu
kelas nah kelas tersebut termasuk ke
dalam kelas yang akademiknya sedang
misalkan Nah
99% anak itu akademiknya Sendang tetapi
ternyata ada satu anak yang akademik
tinggi yang salah masuk kelas maka
tentunya ketika kita memberikan skor
hasil belajar maka anak akademik tinggi
ini pada umumnya memberikan skor yang
jauh lebih tinggi daripada skor siswa
lainnya Nah inilah yang di maksud dengan
outlier atau misalkan kita mengumpulkan
data IQ kemudian ada yang iq-nya seperti
Einstein maka tentunya IQ orang yang
seperti Einstein tersebut tidak masuk ke
dalam distribusi data yang secara
keseluruhan mewakili data-data yang lain
tadi itu outlier ya dan bagaimana ketika
kita mendapatkan outlier ketika kita
mengumpulkan data nanti akan kita bahas
di video lainnya bagaimana caranya kita
menangani
outliayer Kenapa karena berbagai uji
hipotesis dalam statistika inferensia
mensyaratkan data kita tidak mengandung
outlier yang
signifikan Nah sekarang Mari kita bahas
macam data yang tidak terdistribusi
secara
normal ketika kita berbicara data yang
tidak terdistribusi secara normal maka
berbagai referensi statistika pada
umumnya akan membahas kurtosis
Nah kurtesis itu nama lainnya adalah
keruncingan ketika kita melakukan
analisis kurtosis sebetulnya kita ingin
tahu sejauh mana skor mengelompok di
ekor atau di puncak distribusi frekuensi
di sini kita mengenal istilah baru yaitu
ekor ekor itu dalam bahasa statistiknya
adalah Tail t a i
l Tail itu apa ekor itu apa secara
sederhana kita bisa mengartikan ekor to
Tail sebagai data yang jaraknya jauh
dari
rerata misalkan kita memiliki grafik
semacam ini maka Tail itu di bagian
ujung daerah yang jauh dari pusat grafik
tersebut dari tendensi Sentral dari
distribusi data tersebut itulah yang
dinamakan Tail nah ketika kita berbicara
terkait kurtosis kita akan membahas
seberapa tinggi datar tinggi atau
seberapa datarnya suatu kurva Kenapa
karena seperti yang saya sampaikan tadi
ketika kita berbicara atau menganalisis
kururtosis kita ingin melihat sejauh
mana skor mengelompok kalau
mengelompoknya di ekor maka distribusi
datanya akan menjadi lebih datar Ya
seperti ini seperti grafik yang berwarna
hijau ini lebih datar dari grafik yang
berwarna merah dengan biru kenapa karena
datanya lebih mengelompok di bagian
pinggir sehingga datanya semakin flat
semakin
mendatar namun ada kalanya juga datanya
lebih mengelompok di tengah atau di
puncak sehingga kurvanya semakin
runcing berkebalikan dengan data yang
mengelompok di pinggir tadi contohnya
Ini grafik yang berwarna biru grafik
yang berwarna biru ini merupakan grafik
yang datanya lebih mengelompok di bagian
tengah nah kelompokkan data Apakah di
ekor ataukah di tengah akan menentukan
seberapa tinggi kurva tersebut atau
seberapa datar kurva
tersebut pada data yang terdistribusi
normal maka keruncingan atau ketinggian
dari kurva tersebut normal tidak terlalu
tinggi juga tidak terlalu datar pada
skema di sini data yang terdistribusi
Normal itu diskemakan dengan grafik
berwarna
merah nah grafik berwarna merah ini kita
kenal juga sebagai kondisi
mesokurtik berkaitan dengan mesokurtik
kita juga akan mengenal dua istilah lain
yaitu leptokurtik dan
platikurtik suatu distribusi dikatakan
leptokrutik bila Dia memiliki Puncak
yang tinggi artinya datanya mengelompok
di tengah itu sangat banyak mengelompok
di daerah puncak sangat banyak di sisi
lain ketika kurva tersebut plate atau
hampir rata hampir mendekati sumbu x
maka kurva itu atau distribusi data itu
dikenal sebagai distribusi plati kurtik
plate ya plati kurtik sehingga bisa kita
simpulkan kurva tersebut mengindikasikan
bahwa kebanyakan data mengelompok di
bagian
ekor sehingga grafiknya menjadi lebih
datar dan dalam arti yang lain kurtosis
ini juga mengindikasikan seberapa
tersebarkah data kita kalau data kita
sebarannya sempit maka tentunya
puncaknya akan semakin tinggi kalau data
kita sebaran datanya semakin lebar maka
puncaknya akan semakin
rendah ya ingat sebaran data ketika kita
mengumpulkan data dari suatu sampel atau
suatu populasi tentunya data tersebut
tidak sama misalkan kita mengambil hasil
belajar tentunya hasil belajar dari 100
siswa itu tidak semuanya 60 Tapi ada
yang 60 61 59 sehingga kita hitung
rerata dan standar deviasinya misalkan
kemudian kita mendapatkan rerata 60
kemudian plus minus 2 koma sekian nah
plus minus ini merupakan salah satu
statistik yang bisa mengindikasikan
sebaran data semakin tinggi standar
deviasinya semakin tersebar juga data
tersebut semakin rendah standar
deviasinya Plus minusnya semakin rendah
maka semakin dikit juga sebaran data
tadi dan berkaitan dengan kurva semakin
tersebar data tersebut alias standar
deviasinya semakin besar maka kurvanya
pun akan semakin datar namun semakin
sempit sebaran data tersebut semakin
runcing atau semakin tinggi Puncak dari
kurva distribusi di data tersebut itulah
yang dibahas di dalam
kurtosis kemudian Selain kurtosis Kita
juga mengenal squinus squines itu
kemiringan Nah kalau kita berbicara
analisis squines analisis ini kita
gunakan untuk mengukur derajat sejauh
mana
ketidaksimetrisan suatu distribusi data
kalau kurvanya normal maka salah satu
karakteristik yang saya jelaskan di awal
tadi adalah Dia memiliki
kesimetrisan dalam grafik nah ini
merupakan grafik yang kurvanya normal
kurvanya simetris sehingga min itu
membagi data yang sama membagi data
menjadi dua bagian yang sama data di
kiri dan distribusi data di kanan
memiliki luasan yang sama sehingga
kurvanya dikatakan
simetris tetapi adaakanya data yang kita
kumpulkan itu tidak
simetris sehingga data tersebut
membentuk kurva yang juga tidak simetris
juga sehingga nanti kita juga Bisa
menghitung derajat ketidaksimetrisan
tersebut nah derajat ketidaksimetrisan
ini kita kenal sebagai skuinus atau
ukuran kemiringan nah skuinus ini ada
dua
macam ada squinus positif ada squinus
negatif yang Sisi kiri ini merupakan
squinus negatif sedangkan sisi kanan ini
merupakan squinus yang positif Apa
perbedaannya nah ketidaksimetrisan suatu
distribusi data atau kemiringan suatu
kurva itu salah satunya dipengaruhi oleh
keberadaan
outlier nah ketika kita berbicara kurva
kurva juga kita juga mengenal istilah
Tail nah ketika distribusi datanya
semacam ini kita lihat ya
daerah kiri dengan daerah kanan ini
berbeda daerah kiri lebih panjang daerah
kanan Lebih bendek sehingga kalau dari
gambaran sini semacam kurva ini ditarik
ke arah
kiri ya ini kalau kurva normal kemudian
kita bayangkan ditarik ke arah kiri
sehingga kurvanya akan miring seperti
ini tidak simetris daerah sini semacam
lebih luas karena ditarik maka minnya
akan bergeser mediannya pun juga akan
sedikit bergeser dan kita lihat modusnya
tetap berada di
tengah Berada di posisi awal nah ketika
kondisinya semacam ini kita kenal
sebagai squinus negatif Kenapa kalau
ditarik ke kiri dikatakan squinus
negatif ini juga berkaitan dengan ketika
kita membuat grafik atau mengurutkan
bilangan bilangan itu bisa bilangan
negatif bilangan oll Bil bisa juga
bilangan positif bilangan negatif itu
biasanya di sisi kiri kemudian l
kemudian dilanjutkan bilangan positif
sehingga pada kurva semacam ini dianggap
dia tertarik ke arah negatif tersebut
sehingga dikatakan memiliki arah yang
negatif sehingga juga dikenal sebagai
squinus
negatif dan salah satu ciri lain dari
squinus yang negatif adalah min-nya
lebih kecil dari modus dan
mediannya sebaliknya kita lihat di sinus
yang
positif pada squinus yang positif kita
lihat minnya minnya ini angkanya akan
lebih besar dari median maupun
modusnya dan kenapa dikatakan positif
Karena dia ditarik ya bagian di sini
bagian kanan ini tertarik sehingga
kurvanya bentuknya seperti ini dan kita
lihat ketika ditarik ke kanan min-nya
langsung berubah drastis mediannya juga
sedikit berubah sedangkan modusnya
posisinya tetap sehingga ketika kita
mengingat bahasan kita di video yang
menjelaskan terkait statistika
deskriptif khususnya pada tendensi
Sentral Kita pernah membahas bahwa min
itu sangat sensitif terhadap keberadaan
outlier ketika ada data yang ekstrem
maka min itu mudah berubah dan ketika
kita membahas Quin semacam ini terlihat
juga dengan jelas bahwa Min merupakan
tendensi Sentral yang paling mudah
berubah ketika distribusi datanya tidak
simetris median juga berubah tetapi
tidak terlalu sedangkan modus tetap
Kenapa karena modus itu frekuensi yang
paling tinggi dan ketika data kita
terdistribusi secara normal Seperti yang
saya sampaikan tadi maka nilai min sama
dengan atau serupa dengan median dan
sama dengan atau serupa dengan
modus nah selain squinus dan kurtosis
kita juga mengenal distribusi data yang
membentuk kurva bimodal B itu dua modal
itu dari kata modus modus sendiri
merupakan skor atau data yang
frekuensinya tertinggi Nah adakanya kita
mengumpulkan data kemudian ketika kita
sudah selesai mengumpulkan data tersebut
Lalu kita membentuk kurva distribusi
data ternyata datanya membentuk dua
Puncak semacam ini kalau ada dua Puncak
semacam ini artinya ada dua skor yang
frekuensinya
tinggi inilah yang dinamakan graf yang
distribusinya
bimodal ketika kita memperoleh hasil
seperti ini maka tentunya maka
distribusi data ini harus dipisah
menjadi dua sehingga membentuk kurva
yang unimodal kurva normal mengapa hal
ini terjadi bisa saja di dalam populasi
tersebut terdapat dua subpopulasi ketika
kita mengambil kelompok kita mengambil
data ternyata data itu mengandung atau
berasal dari dua populasi yang berbeda
misalkan saja ya kita melakukan
penelitian
ee
misalkan fitness eh mohon
maaf seberapa tahan seseorang
untuk lelah Nah misalkan seperti itu
jadinya indikator yang kita gunakan
adalah seberapa jauh siswa di klas
tertentu itu dapat menyelesaikan lari
sampai seberapa meter sampai berapa kilo
misalkan misalkan kita melibatkan 50
siswa dari satu kelas 50 siswa tersebut
terdiri atas beberapa laki-laki dan
beberapa perempuan
nah sesuai dengan sifat alami sifat
biologis manusia laki-laki itu lebih
kuat dari perempuan itu berkaitan dengan
masassa otot dan sebagainya Oleh karena
itu ketika kita melakukan penelitian
terkait hal tersebut terkait Seberapa
jauh siswa dapat menyelesaikan Tes lari
dengan dengan jarak tes lari yang tidak
terbatas maka ketika kita catat Siswa A
sampai berapa kilo siswa B sampai berapa
kilo hingga siswa ke-50 sampai berapa
kilo Ada kemungkinan distribusi datanya
akan membentuk distribusi data bimodal
laki-laki dan perempuan memiliki modus
yang berbeda bisa saja mungkin perempuan
di sisi kiri membentuk gunung membentuk
kurva sendiri kemudian di sisi kanan
merupakan kurva yang mewakili data dari
laki-laki karena tingkat kekuatan fisik
laki-laki lebih tinggi daripada
perempuan sehingga modusnya pun juga
berbeda sehingga muncul dua modus
muncullah distribusi bimodal dan di
bagian tengah ini bisa perempuan bisa
laki-laki karena adakanya ada laki-laki
yang ternyata fisiknya rata-rata ee jauh
di bawah rata-rata dari teman-teman
laki-laki lainnya ada juga perempuan
yang
fisiknya lebih kuat daripada rata-rata
teman-teman perempuannya maka mereka
akan terkumpul di bagian tengah dari
grafik bimodal ini maka di sini
overlapping antara laki-laki dan
perempuan Nah itu salah satu penyebab
mengapa data kita bisa memiliki
distribusi yang bimodal ada kemungkinan
data kita berasal dari dua populasi yang
berbeda adakanya juga distribusi data
yang dihasilkan multimodal Nah
multimodal itu itu terjadi ketika ada
lebih dari dua skor yang frekuensinya
tertinggi ini bukan dua modus ya tapi
tiga modus maksud saya ya ketika ada
tiga modus atau lebih maka kita katakan
sebagai multimodal bukan trimodal atau
kuartor modal bukan tetapi langsung
multimodal ketika data kita
terdistribusi membentuk multimodal
semacam ini ini mengindikasikan bahwa
ada masalah ketika kita mengumpulkan
data tersebut masalah bisa bermacam
macam bisa karena mungkin instrumennya
yang jelek atau proses pengambilan
sampelnya yang tidak bagus atau juga
proses analisis skor yang didapat atau
pengelolaan data yang diperoleh juga
tidak baik sehingga grafik yang
dihasilkan multimodal kita harus
mengecek Apa penyebabnya kalau grafiknya
semacam ini jelas kita tidak bisa
melakukan analisis statistika inferensi
ya menggunakan uji hptes uji hipotesis
yang umum begitu juga ketika data kita
terlalu skquines terlalu kurtosis atau
bimodal itu juga tidak bisa data kita
dianalisis menggunakan berbagai macam
uji hipotesis dalam statistika
inferensia Kenapa karena asumsi dari
Asta statistika inferensia adalah data
kita terdistribusi secara normal dan
yang terakhir kita bisa juga mendapatkan
distribusi yang rektangular rektangular
itu persegi panjang nah distribusi ini
bisa kita peroleh ketika skor yang kita
dapat satu skor dengan skor yang lain
memiliki frekuensi yang sama Nah kalau
kita memiliki semacam 10 skor 12 skor
atau 6 skor dan setiap skor itu
frekuensinya sama tentunya kalau kita
buat histogram ya akan membentuk persegi
panjang atau rektanggular seperti ini
dan sama juga kita tidak bisa melakukan
berbagai analisis statistika inferensi
ya kalau distribusi datanya seperti
ini begitu ya Oke demikian penjelasan
saya terkait berbagai macam distribusi
data dan mengapa data kita harus
terdistribusi normal ketika kita ingin
melakukan analisis statistika
inferensia semoga ilmu atau pengetahuan
yang kita pelajari di video kali ini
akan bermanfaat baik ketika kalian
melakukan pengambilan data atau
melakukan kegiatan ilmiah lainnya dan
bila ada masalah semoga anda dapat
memecahkan permasalahan tersebut karena
di video-video selanjutnya kita akan
membahas Bagaimana caranya kita
mengatasi permasalahan terkait
distribusi data sehingga data kita bisa
dilanjutkan untuk dilakukan analisis
data menggunakan statistika
inferensia demikian video kali ini mohon
maaf bila ada kesalahan Terima kasih
asalamualaikum warahmatullahi wabarak