Praktikum Transformasi Data

Tujuan Praktikum

Setelah praktikum ini, Anda mampu:

  1. Menjelaskan kapan transformasi logaritma dan pangkat diperlukan.
  2. Menerapkan transformasi logaritma (ln, log2, log10) pada data positif.
  3. Menangani kasus data bernilai nol/negatif sebelum transformasi logaritma.
  4. Menerapkan transformasi pangkat (kuadrat, akar kuadrat, pangkat tiga, akar pangkat tiga).
  5. Membandingkan distribusi data sebelum dan sesudah transformasi menggunakan visualisasi.
  6. Merefleksikan dampak transformasi terhadap interpretasi analisis.

Catatan: Pada beberapa bagian, Anda diminta memprediksi bentuk distribusi/hasil sebelum menjalankan kode, lalu membandingkan dengan output yang muncul.

1. Pemanasan: Mengapa Transformasi?

Transformasi data sering dipakai ketika:

  • Distribusi sangat miring (skewed),
  • Varians meningkat seiring nilai (indikasi heteroskedastisitas),
  • Hubungan antar-variabel kurang linear.

Pertanyaan Reflektif

  • Sebelum melihat grafik, menurut Anda data pendapatan biasanya condong ke kiri atau ke kanan? Mengapa? (Hint: Pendapatan umumnya condong ke kanan/positif karena ada segelintir orang berpenghasilan sangat tinggi yang menarik rata-rata ke atas.)
  • Jika kita ingin membuat hubungan lebih “linear”, transformasi apa yang paling masuk akal? (Hint: Transformasi logaritma sangat umum digunakan untuk menekan rentang ekstrem agar data lebih menyebar proporsional.)

2. Transformasi Logaritma

Transformasi logaritma membantu:

  • Mengurangi skewness,
  • Menstabilkan variansi,
  • Mengompresi rentang data,
  • Memperbaiki hubungan linear dalam regresi.

2.1 Contoh Data Pendapatan

2.2 Log Natural (ln), Log Basis 2, dan Log Basis 10

2.3 Visualisasi: Sebelum vs Sesudah Transformasi

Pertanyaan Reflektif

  • Sebelum menjalankan histogram kedua: apakah Anda memprediksi distribusi akan “lebih simetris”? Kenapa? (Hint: Ya, karena sifat logaritma yang menekan rentang nilai ekstrem besar secara asimtotik.)
  • Setelah melihat histogram: perubahan apa yang paling jelas (rentang, puncak, kemiringan)? (Hint: Rentang sumbu X menyusut drastis, puncak lebih bergeser ke tengah, dan kemiringan/skewness ke kanan berkurang signifikan.)
  • Jika Anda memakai log10, apakah bentuk histogram secara umum berubah dibanding ln? (Petunjuk: basis log mengubah skala, bukan bentuk relatif.) (Hint: Bentuk relatif histogramnya identik, hanya nilai rentang di sumbu X yang berubah mengikuti basis 10 dibanding basis alamiah e.)

3. Catatan Penting: Nilai Nol dan Negatif pada Log

Logaritma hanya berlaku untuk nilai positif. Jika ada nol/negatif, Anda perlu penyesuaian. Salah satu pendekatan sederhana adalah menambahkan konstanta agar semua nilai menjadi positif.

3.1 Simulasi Data dengan Nol

3.2 Strategi Sederhana: Tambah Konstanta

Pertanyaan Reflektif

  • Apa konsekuensi interpretasi ketika kita menambahkan konstanta sebelum log? (Hint: Kita memodelkan log(X+1), sehingga nol menjadi log(1)=0. Ini mempermudah kalkulasi numerik tapi interpretasi elastisitas persentase murninya bisa sedikit meleset terutama pada nilai-nilai kecil.)
  • Dalam konteks data nyata, kapan strategi ini “cukup”, dan kapan perlu metode lain (mis. model khusus, transformasi lain)? (Hint: Cukup bila angka 0 hanya insidental. Tapi perlu metode khusus seperti Zero-Inflated Model jika nilai 0 sangat mendominasi atau punya arti struktural khusus.)

4. Transformasi Pangkat (Power Transform)

Transformasi pangkat dapat membantu mengurangi skewness/heteroskedastisitas dan membuat hubungan lebih linear.

4.1 Data Contoh

4.2 Kuadrat (Power of 2) dan Pangkat Tiga (Power of 3)

4.3 Akar Kuadrat dan Akar Pangkat Tiga

4.4 Visualisasi: Sebelum vs Sesudah Transformasi Kuadrat

Pertanyaan Reflektif

  • Transformasi kuadrat membuat nilai besar makin besar. Menurut Anda ini cocok untuk mengatasi skewness ke arah mana (kiri/kanan)? (Hint: Cocok untuk data yang condong ke kiri (negatif skew) agar “ekor” atas ikut tertarik memanjang secara proporsional.)
  • Transformasi akar (sqrt) “mengecilkan” nilai besar. Kapan transformasi ini lebih tepat? (Hint: Tepat untuk variabel tipe jumlah/count atau data condong ke kanan ringan, yang tidak se-ekstrem hingga butuh logaritma.)
  • Bandingkan efek ^2 vs sqrt() terhadap jarak antar-nilai. (Hint: ^2 meregangkan jarak antar-nilai besar, sedangkan sqrt() menyusutkan jarak antar-nilai besar (memampatkan).)

5. Mini-Tugas Praktikum: Prediksi → Jalankan → Jelaskan

Tugas A — Coba Log2 dan Log10 + Bandingkan

  1. Jalankan log2(income) dan log10(income).
  2. Buat histogramnya dan bandingkan dengan ln.

Refleksi singkat (tulis 2–4 kalimat):

  • Apa yang sama dari ketiga histogram?
  • Apa yang berbeda?

Tugas B — Coba Transformasi Pangkat pada Data Skewed

Buat data yang sangat miring, lalu coba sqrt() dan log().

Refleksi singkat (tulis 2–4 kalimat):

  • Transformasi mana yang paling mengurangi kemiringan?
  • Kalau data punya nol, transformasi mana yang akan Anda pilih dan mengapa?

6. Penutup: Ringkasan & Jurnal Refleksi

Ringkasan

  • Log: kompresi skala, cocok untuk data positif dan miring ke kanan (mis. pendapatan).
  • Pangkat: bisa memperbesar atau mengecilkan nilai besar (tergantung pangkat/akar).
  • Selalu cek validitas domain (nol/negatif) dan dampak interpretasi.

Jurnal Refleksi

Jawab singkat: 1. Transformasi mana yang paling “masuk akal” untuk data pendapatan? Mengapa? 2. Kesalahan apa yang paling mungkin terjadi saat melakukan log transform? 3. Jika grafik sudah tampak normal setelah transformasi, apa langkah analisis berikutnya yang Anda usulkan?