Analisa Data Statistik : Analisis Data Segmentasi Konsumen Hypermarket dengan Metode CHAID

Analisis CHAID (Chi-squared Automatic Interaction Detection) adalah salah satu alat statistika yang dapat digunakan untuk segmentasi pasar dengan pendekatan metode dependensi. Analisis CHAID memiliki kemampuan untuk menganalisis variabel independen monotonik, bebas, dan mengambang.

CHAID (Chi-squared Automatic Interaction Detection) pertama kali diperkenalkan dalam sebuah artikel berjudul An Exploratory Technique for Investigating Large Quantities for Categorical Data” oleh G.V Kass tahun 1980. Prosedurnya merupakan bagian dari teknik terdahulu yang dikenal dengan Automatic Interaction Detection (AID) dan mengggunakan statistik ­chi-square sebagai alat utamanya.

Data yang digunakan adalah hasil survey terhadap 300 konsumen Hypermarket. Dari data diketahui bahwa konsumen cenderung sering berbelanja dan sangat sering berbelanja di Hypermarket.

Sembilan variabel yaitu Usia, Pendapatan, Belanja, Jarak, Kendaraan, Kelengkapan, Harga, Kinerja kasir, Kinerja karyawan memiliki koefisien korelasi positif dan nilainya lebih dari nilai kritis tabel korelasi nilai-r untuk taraf signifikansi 5% dan derajat bebas 299 yaitu 0,1135, sehingga semua item tersebut dinyatakan valid.

Variabel independen yang paling berpengaruh terhadap variabel dependen  yaitu usia. Terdapat tiga segmen :

a.       Segmen pertama adalah konsumen dengan usia 17-30 tahun. Kelompok ini prediksi akan sangat jarang berbelanja sebesar 15%, jarang berbelanja sebesar 11,2 %, sering berbelanja dengan persentase sebesar 66,2 % dan sangat sering berbelanja sebesar 7,5 %.

b.      Segmen kedua adalah konsumen dengan usia 31-44 tahun. Kelompok ini diprediksi akan sangat jarang berbelanja sebesar 1,4%, jarang berbelanja sebesar 7,5 %, sering berbelanja dengan persentase sebesar 69,4 % dan sangat sering berbelanja sebesar 21,8 %.

c.       Segmen ketiga adalah konsumen dengan usia diatas 45 tahun ke atas. Kelompok ini diprediksi akan sangat jarang berbelanja sebesar 2,7%, jarang berbelanja sebesar 10,8 %, sering berbelanja dengan persentase sebesar 36,5 % dan sangat sering berbelanja sebesar 50 %.

Dari ketiga segmen dapat diketahui bahwa segmen yang paling potensial adalah segmen kedua yaitu konsumen dengan usia 31-44 tahun karena segmen tersebut mempunyai jumlah konsumen terbesar kemudian disusul segmen pertama dan segmen ketiga.

Iklan

Analisa Data Statistik : Analisis Faktor-Faktor yang Mempengaruhi Volatilitas Cadangan Devisa Indonesia menggunakan Time Series Analysis dengan Metode ARCH – GARCH dan VAR

Data finansial seperti cadangan devisa, nilai tukar, maupun tingkat suku bunga mempunyai karakteristik tersendiri dibandingkan data deret waktu (time series). Beberapa karakteristik dari data finansial yaitu menunjukan volatilitas yang tinggi mengikuti periode waktu, sedangkan variansi/ragam adalah konstan untuk data jangka waktu yang panjang.

Dalam beberapa periode terdapat variansi/ragam data finansial relatif tinggi. Keadaan ini disebut conditionally heteroskedastic. Jika terdeteksi adanya conditionally heteroskedastic maka model autoregressive moving average (ARMA) tidak akurat lagi untuk digunakan. Model deret waktu (time series) yang mengakomodir adanya heteroskedastic / heteroskedastisitas adalah ARCH (Autoregressive Conditional Heteroscedasticity) / GARCH (General Autoregressive Conditional Heteroscedasticity) . Model lain selain ARCH & GARCH adalah TARCH, E-GARCH, M-GARCH, TGARCH dan lain-lain.

Variabel-variabel ekonomi biasanya nonstasioner dan mempunyai sifat kointegrasi, sehingga model statistik yang dibentuk harus dapat mengatasi dan mencerminkan sifat tersebut. Metode yang sesuai dengan permasalahan ini adalah metode VAR (Vector Autoregression).

Variabel yang digunakan sebanyak lima variabel makro ekonomi. Kelima Variabel tersebut yakni cadangan devisa, nilai tukar rupiah terhadap USD, tingkat suku bunga, Indeks Harga Saham Gabungan (IHSG) dan netto ekspor.

Metodologi yang digunakan dimulai dengan metode ARCH/GARCH yang fungsinya untuk mengatahui ada tidaknya volatilitas dari masing-masing variabel yang diteliti. Selanjutnya dengan metode VAR akan selidiki pengaruh volatilitas dari variabel nilai tukar, suku bunga, IHSG dan neto ekspor terhadap volatilitas cadangan devisa. Hasil model VAR yang diperoleh tersebut kemudian digunakan untuk melakukan uji berikutnya yaitu uji kointegrasi Johansen untuk mengetahui hubungan keseimbangan jangka panjang dan Vector Error Correction Mechanism (VECM) untuk mengetahui hubungan keseimbangan jangka pendek.

Kesimpulan dari hasil analisa data yaitu bahwa variabel-variabel yang terdeteksi adanya ARCH/GARCH adalah variabel cadangan devisa, IHSG, nilai tukar, dan neto ekspor. Sedangkan variabel tingkat suku bunga tidak menunjukkan gejala adanya heteroskedastisitas dalam series datanya.

Untuk Konsultasi Analisa data selanjutnya, yang berhubungan dengan Time Series Analisis (AR, MA, ARMA, ARIMA, ARCH, GARCH, TARCH, E-GARCH, M-GARCH, T-GARCH, dll) menggunakan eviews silahkan menghubungi :

Beta Consulting

Telp: (021)3333 7389 – 0819 4505 9000
Email: info@bengkeldata.com

www.Bengkeldata.com
www.olah-data.com

follow us:
http://Twitter.com/olahdata

ARCH, GARCH, cadangan devisa, IHSG, neto ekspor, nilai tukar, tingkat suku bunga, uji kointegrasi, volatilitas, VAR, VECM, heteroskedastisitas, ARMA, deret waktu, time series, heteroskedastic, analisa data, konsultan, jasa,analisis data,analisis data statistik, analisa data, analisa data statistik, jasa statistik, konsultan statistik, jasa survei, konsultan survey, jasa riset pasar, konsutan riset pasar,skripsi, tesis, disertasi,ahli, olah data, olahdata, pengolahan, olah data, statistik, statistika, skripsi, tesis, data panel, regresi, korelasi, SEM, validitas, reliabilitas, survei pasar, alpha, cronbach, pearson, tugas, akhir, sarjana, jakarta, penelitian, spss, eviews, amos, lisrel, minitab, regresi, konsultasi, konsultan, analisis data, analisis data statistik, analisa data, analisa data statistik, jasa statistik, konsultan statistik, jasa survei, konsultan survey, jasa riset pasar, konsutan riset pasar , skripsi, tesis, disertasi,ahli, olahdata, pengolahan, olah data, statitistik, statistika, skripsi, tesis, data panel, regresi, korelasi, SEM, validitas, reliabilitas, survei pasar, alpha, cronbach, pearson,tugas, akhir, sarjana, jakarta, penelitian, spss, amos

Olahdata Skripsi Tesis Disertasi : Analisis data / Analisa data apa yang cocok untuk skripsi, tesis, disertasi, atau penelitian yang Anda butuhkan? (Part I)

Apakah Anda sedang menyususn skripsi, tesis atau disertasi, atau penelitian? Dalam menyusun skripsi, tesis, disertasi, atau penelitian seringkali kita dihadapkan pada suatu permasalahan yang menjadi momok bagi mahasiswa/peneliti, yaitu analisis data / analisa data. Saya yakin bahwa Anda sebagai mahasiswa/peneliti memahami betul proses/tahapan dalam membuat skripsi, tesis atau disertasi, atau penelitian. Mulai dari tahapan mencari tema skripsi, tesis atau disertasi, atau penelitian, menetukan permasalahan, membuat kerangka pemikiran, membuat proposal, hingga menentukan lokasi penelitian. Nah ada satu lagi yang mungkin/bahkan ’lupa’ yaitu metode analisis data / analisa data yang digunakan. Apabila Anda belum memahami analisis data / analisa data –nya, maka Beta Consulting ( www.Bengkeldata.com / www.olah-data.com ) dengan senang hati akan membantu Anda untuk menentukan analisis data / analisa data yang cocok dengan skripsi, tesis atau disertasi, atau penelitian Anda.

Metode analisis data / analisa data apa yang cocok dengan skripsi, tesis, disertasi, atau penelitian Anda? Mari kita bahas contoh beberapa analisis data / analisa data yang cocok dengan skripsi, tesis, disertasi, atau penelitian. Yuukk Mariii… 🙂

Pertama, misalkan skripsi, tesis, disertasi, atau penelitian Anda itu membahas bagaimana hubungan diantara dua variabel. Maka metode analisis data / analisa data yang digunakan adalah metode regresi sederhana. Apabila skripsi, tesis, disertasi, atau penelitian ada 3 variabel atau lebih, maka metode analisis data / analisa data yang digunakan adalah metode regresi berganda atau  regresi multivariabel / regresi multivariat.

Tunggu dulu… Metode regresi sederhana / regresi regresi berganda atau  regresi multivariabel / regresi multivariat juga ada macamnya. Selain regresi sederhana, ada juga regresi logistik. Oke, sekali lagi Beta Consulting ( www.Bengkeldata.com / www.olah-data.com ) dengan senang hati akan membantu Anda untuk menentukan analisis data / analisa data yang cocok dengan skripsi, tesis atau disertasi, atau penelitian Anda.

Beta Consulting ( www.Bengkeldata.com / www.olah-data.com ) dengan senang hati dan didukung oleh tim yang berpengalaman, akan membantu Anda untuk menentukan analisis data / analisa data yang cocok dengan skripsi, tesis atau disertasi, atau penelitian Anda.

Hubungi kami di :

Beta Consulting

Telp: (021)71088944 – 0819 4505 9000

Email: info@bengkeldata.com

www.Bengkeldata.com

www.olah-data.com

follow us:

http://Twitter.com/olahdata

Konsultan, Jasa, analisis data, analisis data statistik, analisa data, analisa data statistik, jasa statistik, konsultan statistik, jasa survei, konsultan survey, jasa riset pasar, konsutan riset pasar , skripsi, tesis, disertasi, regresi, regresi berganda, regresi data panel, data panel, multivariat, regresi logistik, bengkeldata, olahdata, olahdata statistik, skripsi, tesis, disertasi

Analisa Data : Analisis Data Pengaruh Atribut Produk Terhadap Keputusan Pembelian Kebab Turki Baba Rafi di Yogyakarta

Analisis Pengaruh Atribut Produk Terhadap Keputusan Pembelian Kebab Turki Baba Rafi Di Yogyakarta. Tujuan penelitian ini adalah untuk mengetahui adanya perilaku konsumen ikut menentukan tercapainya tujuan perusahaan. Konsumen akan mempertimbangkan berbagai faktor berkaitan dengan produk. Dengan menentukan atribut – atribut apa saja yang dapat mempenaruhi perilaku pembelian maka dapat diketahui. Atribut mana yang sudah sesuai maupun belum sesuai dengan kebutuhan dan keinginan konsumen dimana selanjutnya perusahaan dapat mengembangkan dan menyempurnakan produknya agar lebih memuaskan konsumen dan tujuan perusahaan agar dapat tercapai.

Penelitian dilakukan pada Kebab Turki Baba Rafi. Perusahaan jasa yang memproduksi kebab sebagai makanan khas Turki. Populasi yang diteliti adalah konsumen yang pernah datang membeli Kebab Turki Baba Rafi di Yogyakarta. Sampel yang digunakan 100 responden. Variabel yang digunakan dalam penelitian meliputi harga, rasa atau aroma, kemasan, pelayanan dan ukuran. Metode pengambilan sampel menggunakan purposive sampling dengan tehnik analisis deskriptif dan statistik meliputi analisis regresi berganda. Pengujian hipotesis dengan uji secara serentak atau uji F. pengujian hipotesis dengan uji parsial atau uji t dan analisis koefisien determinasi berganda.

Atribut produk mempunyai pengaruh terhadap keputusan pembelian kebab di Kebab Turki Baba Rafi. Hal ini ditunjukkan dengan nilai t-statistik lebih besar dari t-tabel. Besar pengaruh variabel harga (X1), rasa atau aroma (X2), kemasan (X3), pelayanan (X4), dan ukuran (X5) terhadap keputusan pembelian Kebab Turki Baba Rafi (Y) sebesar 0,561. Besar pengaruh variabel masing-masing atribut produk terhadap keputusan pembelian Kebab Turki Baba Rafi yaitu untuk ; koefisien korelasi antara variabel harga (X1) dengan keputusan pembelian Kebab Turki Baba Rafi (Y) sebesar 0,276, hal ini berarti korelasinya rendah, koefisien korelasi antara variabel rasa atau aroma (X2) dengan keputusan pembelian Kebab Turki Baba Rafi (Y) sebesar 0,385, hal ini berarti korelasinya sedang, koefisien korelasi antara variabel kemasan (X3) dengan keputusan pembelian Kebab Turki Baba Rafi (Y) sebesar 0,298, hal ini berarti korelasinya rendah, koefisien korelasi antara variabel pelayanan (X4) dengan perilaku membeli Kebab Turki Baba Rafi (Y) sebesar 0,213, hal ini berarti korelasinya rendah, dan koefisien korelasiantara variabel ukuran (X5) dengan keputusan pembelian Kebab Turki Baba Rafi (Y) sebesar 0,420, hal ini berarti korelasinya cukup kuat.

Analisa Data : Analisis Data pada Model Regresi Data Panel

Data panel atau panel data atau Pooled Data adalah gabungan dari data time series (antar waktu) dan data cross section (antar individu/ruang). Untuk menggambarkan panel data / data panel / Pooled Data secara singkat, misalkan pada data cross section, nilai dari satu variabel atau lebih dikumpulkan untuk beberapa unit sampel pada suatu waktu waktu. Dalam panel data / data panel / pooled data , unit cross section yang sama di-survey dalam beberapa waktu (Gujarati, 2003:637).
Regresi dengan menggunakan panel data / data panel / pooled data, memberikan beberapa keunggulan dibandingkan dengan pendekatan standar cross section dan time series.

Begini, misalkan kita punya data 50 Bank, masing – masing Bank dicari ROI, NOPAT, dan lainnya untuk tahun 2007 saja, maka data tersebut disebut dengan data Cross Section. Tapi, kalau kita punya data 1 Bank, namun data ROI, NOPAT, dan data lainnya dari Bank tersebut kita miliki sejak tahun 1998 hingga 2007, maka data tersebut disebut dengan data Time Series.
Gabungan dari keduanya, yaitu 50 Bank dengan beberapa satuan waktu misalkan 1998 hingga 2007 disebut dengan Data Panel (Pooled Data).

Keunggulan dan Permasalahan Regresi dengan Data Panel
Hsiao (1986), mencatat bahwa penggunaan panel data / data panel  / pooled data dalam penelitian ekonomi memiliki beberapa keuntungan utama dibandingkan data jenis cross section maupun time series.
Pertama, dapat memberikan peneliti jumlah pengamatan yang besar, meningkatkan degree of freedom (derajat kebebasan), data memiliki variabilitas yang besar dan mengurangi kolinieritas antara variabel penjelas, di mana dapat menghasilkan estimasi ekonometri yang efisien.
Kedua, panel data dapat memberikan informasi lebih banyak yang tidak dapat diberikan hanya oleh data cross section atau time series saja.
Ketiga, panel datadata panel dapat memberikan penyelesaian yang lebih baik dalam inferensi perubahan dinamis dibandingkan data cross section.

Di samping berbagai keunggulan dimiliki model panel datadata panel  / pooled data tersebut, ada beberapa permasalahan yang muncul dalam pemanfaatan data panel, yaitu permasalahan autokorelasi dan heterokedastisitas. Sementara itu ada permasalahan baru yang muncul seperti korelasi silang (cross-correlation) antar unit individu pada periode yang sama.

Estimasi Regresi dengan Data Panel
Estimasi model data panel ergantung kepada asumsi yang dibuat peneliti terhadap intersep/konstanta (intercept), koefisien kemiringan (slope coefficients) dan variabel error (error term). Model-model estimasi ini akan ditinjau pada kesempatan lain.

Regresi dengan data panel adalah unik. Unik karena memiliki dua dimensi, yaitu dimensi time series dan dimensi cross section. Dengan kata lain, regresi data panel merupakan regresi gabungan jangka pendek dan jangka panjang. Ada dua autokorelasi di dalam regresi data panel / data panel : autokorelasi residual time series, dan korelasi antar residual. Begitu juga dengan heteroskedastisitas : heteroskedastisitas residual cross-section, heteroskedastisitas antar residual.

Analisis data panel / data panel merupakan pengembangan dari analisis regresi. Terdapat tiga metode regresi dasar yang ada, yaitu Common Pooled Least Square (OLS), Fixed Effect Regression, dan Random Effect.

Metode mana yang paling sesuai ? Untuk mengetahui jawabannya, harus dilakukan 2 buah Uji, yaitu Uji Hausmann dan Uji Chow.

Untuk konsultasi lebih lanjut, silahkan hubungi:

http://www.bengkeldata.com

CS : 021-3333 7398- 08194505 9000
e-mail : info@bengkeldata.com

==========================================
IKLAN—IKLAN—IKLAN—

Beta Consulting ( Bengkeldata.com ) merupakan sebuah lembaga konsultasi untuk membantu perusahaan/perorangan dalam melakukan analisa data statistika, olah data penelitian , riset pasar dan konsultasi manajemen.

LAYANAN
1. Olah Data Statistika/ analisa data Penelitian
2. Training Statistika : SPSS, Eviews, SAS, Lisrel, Minitab, Amos
3. Riset Pasar
4. Management Consultancy

Hubungi:
Beta Consulting ( Bengkeldata.com )
Telp: (021) 3333 7398 – 0819 4505 9000

email : info@bengkeldata.com

=======================================

Analisa Data : Analisis Data Pengaruh Manajemen Laba pada Tingkat Pengungkapan Laporan Keuangan pada Perusahaan Manufaktur

Laporan keuangan merupakan sarana pengkomunikasian informasi keuangan kepada pihak-pihak di luar korporasi. Laporan keuangan tersebut diharapkan dapat memberikan informasi kepada para investor dan kreditor dalam mengambil keputusan yang berkaitan dengan investasi dana mereka. Dalam penyusunan laporan keuangan, dasar akrual dipilih karena lebih rasional dan adil

dalam mencerminkan kondisi keuangan perusahaan secara riil, namun di sisi lain penggunaan dasar akrual dapat memberikan keleluasaan kepada pihak manajemen dalam memilih metode akuntansi selama tidak menyimpang dari aturan Standar Akuntansi Keuangan yang berlaku. Pilihan metode akuntansi yang secara sengaja dipilih oleh manajemen untuk tujuan tertentu dikenal dengan sebutan manajemen laba atau earnings management.

Jika pada suatu kondisi dimana pihak manajemen ternyata tidak berhasil mencapai target laba yang ditentukan, maka manajemen akan memanfaatkan fleksibilitas yang diperbolehkan oleh standar akuntansi dalam menyusun laporan keuangan untuk memodifikasi laba yang dilaporkan. Manajemen termotivasi untuk memperlihatkan kinerja yang baik dalam menghasilkan nilai atau keuntungan maksimal bagi perusahaan sehingga manajemen cenderung memilih dan menerapkan metode akuntansi yang dapat memberikan informasi laba lebih baik.

Adanya asimetri informasi memungkinkan manajemen untuk melakukan manajemen laba. Penelitian Richardson (1998) menunjukkan adanya hubungan yang positif antara asimetri informasi dengan manajemen laba.

Manajemen dapat meningkatkan nilai perusahaan melalui pengungkapan informasi tambahan dalam laporan keuangan namun peningkatan pengungkapan laporan keuangan akan mengurangi asimetri informasi sehingga peluang manajemen untuk melakukan manajemen laba semakin kecil. Hal ini menunjukkan bahwa manajemen laba dan tingkat pengungkapan laporan keuangan memiliki hubungan yang negatif sejalan dengan hasil penelitian sebelumnya oleh Lobo and Zhou (2001) serta Sylvia Veronica dan Yanivi Bachtiar (2003). Perusahaan yang melakukan manajemen laba akan mengungkapkan lebih sedikit informasi dalam laporan keuangan agar tindakannya tidak mudah terdeteksi. Namun terdapat kemungkinan sebaliknya, jika manajemen laba dilakukan untuk tujuan mengkomunikasikan informasi dan meningkatkan nilai perusahaan, maka seharusnya hubungan yang terjadi adalah positif.

Dalam menganalisis pengaruh manajemen laba pada tingkat pengungkapan dan sebaliknya, penelitian ini juga meneliti variabel-variabel lain yang berpengaruh pada manajemen laba diantaranya asimetri informasi (Information Asymmetry), kinerja masa kini (Current Industry RelativePerformance), kinerja masa depan (Future Industry Relative Performance), Leverage (Debt) , dan ukuran perusahaan (Size), serta variabel-variabel yang berpengaruh pada tingkat pengungkapan seperti ukuran perusahaan (Size), return kumulatif (Cummulative Return), dan Current Ratio.

Asimetri informasi adalah suatu keadaan dimana manajer memiliki akses informasi atas prospek perusahaan yang tidak dimiliki oleh pihak luar perusahaan.

Agency theory mengimplikasikan adanya asimetri informasi antara manajer (agent) dengan pemilik. (principal). Penelitian Richardson (1998) menunjukkan adanya hubungan antara asimetri informasi dengan manajemen laba. Ketika asimetri informasi tinggi, stakeholder tidak memiliki sumber daya yang cukup, insentif, atau akses atas informasi yang relevan untuk memonitor tindakan manajer, dimana hal ini memberikan kesempatan atas praktek manajemen laba. Adanya asimetri informasi akan mendorong manajer untuk menyajikan informasi yang tidak sebenarnya terutama jika informasi tersebut berkaitan dengan pengukuran kinerja manajer.

Untuk konsultasi lebih lanjut, silahkan menghubungi:

CS : 021-71088944 – 0819 4505 9000

YM : abays_khan

e-mail : info@bengkeldata.com

Analisa Data : Analisis Inferensi Data Statistik dengan Metode Bootstrap

Menuru Shao dan Tu (1995) serta Davison dan Hinkley (1997) dalam inferensi statistik parametrik klasik, distribusi sampling dianggap sebagai suatu model dengan sifat-sifat probabilitas yang diketahui, seperti asumsi distribusi yang memerlukan formula analitis berdasarkan pada model untuk mengestimasi secara analitis parameter dalam distribusi samplingnya. Dalam prakteknya, distribusi sampling tidak selalu memenuhi distribusi normal dan kadang-kdang memerlukan penurunan formulasi analitis yang sulit dilakukan sehingga dimungkinkan akurasi estimatornya tidak valid.

Bootstrap memungkinkan seseorang untuk melakukan inferensi statistic tanpa membuat asumsi distribusi yang kuat dan tidak memerlukan formulasi analitis untuk distribusi sampling suatu estimator. Sebagai pengganti, bootstrap menggunakan distribusi empiris untuk mengestimasi distribusi sampling. Jadi jika penyelesaian analitik tidak mungkin dilakukan dimana anggapan (suatu distribusi, misalnya kenormalan data) tidak dipenuhi maka dengan menggunakan Boosttrap masih dapat dilakukan suatu inferensi.

Dasar pendekatan Bootstrap adalah dengan memperlakukan sampel sebagai populasi dan dengan menggunakan sampling Monte Carlo untuk membangkitkan dan mengkonstruksi estimator empiris dari distribusi sampling statistik. Distribusi sampling dapat dipandang sebagai harga-harga statistik yang dihitung dari sejumlah tak terhingga sampel random berukuran n dari suatu populasi yang diberikan. Sampling Monte Carlo mengambil konsep ini untuk membangun distribusi sampling suatu estimator dengan mengambil sejumlah besar sampel erukuran n secara random dari populasi dan menghitung statistik tersebut dari harga-harga distribusi sampling tersebut. Estimasi Monte Carlo yang sebenarnya memerlukan pengetahuan tentang seluruh populasi yang tidak mungkin selalu tersedia dalam prakteknya karena yang dipunyai dari hasil riset praktek adalah sampel dari populasi oleh karena itu dilakukan inferensi untuk Tetha dari distribusi samplingnya.

Software yang recomended untuk digunakan analisa dengan metode Bootstrap adalah S-Plus dan R.

Bengkeldata.Com siap membantu anda dalam melakukan olah data statistik dengan metode Bootstrap.

(Sopana (2003). Estimasi Interval Konfidensi Nonparametrik dengan Metode Bootstrap. Skripsi Jurusan Matematika FMIPA Universitas Sebelas Maret (UNS), Surakarta.)