Mathematics & Statistic

Statistika parametrik merupakan salah satu metode penting dalam analisis data, khususnya ketika data yang digunakan memenuhi asumsi distribusi tertentu seperti distribusi normal. Metode ini banyak digunakan dalam berbagai bidang seperti ilmu sosial, ekonomi, kesehatan, dan teknik karena kemampuannya dalam memberikan inferensi yang kuat terhadap populasi berdasarkan sampel. Pada mata kuliah ini, konsep dasar statistika parametrik serta penerapannya dalam pengujian hipotesis satu sampel akan dibahas secara sistematis.

Terdapat sepuluh topik modul dalam kursus ini, yaitu:

1. Uji Parametrik
2. Distribusi Normal
3. Distribusi Student-t
4. Konsep Uji Hipotesis
5. Uji Hipotesis 1 Sampel (Statistik Z) - Satu Arah
6. Uji Hipotesis 1 Sampel (Statistik Z) - Dua Arah
7. Uji Hipotesis 1 Sampel (Statistik t) - Satu Arah
8. Uji Hipotesis 1 Sampel (Statistik t) - Dua Arah
9. Uji Hipotesis Proporsi (Pendekatan Z) - 1 Sampel dan Satu Arah
10. Uji Hipotesis Proporsi (Pendekatan Z) - 1 Sampel dan Dua Arah

Video pembelajaran dalam mata kuliah ini berdurasi sekitar 10-15 menit untuk setiap modul, dan memerlukan waktu tambahan sekitar 20-30 menit untuk praktik langsung melalui contoh kasus yang dapat dikerjakan secara manual. Dengan demikian, total waktu yang dibutuhkan untuk menyelesaikan seluruh materi berkisar antara 200 hingga 300 menit.

Setelah menyelesaikan mata kuliah ini, peserta diharapkan mampu memahami konsep dasar statistika parametrik, mengenali karakteristik distribusi normal dan distribusi Student-t, serta memahami prinsip dasar dalam penyusunan dan pengujian hipotesis. Peserta juga diharapkan mampu melakukan uji hipotesis satu sampel menggunakan statistik Z dan statistik t, baik untuk pengujian satu arah maupun dua arah, serta mampu melakukan uji hipotesis proporsi dengan pendekatan Z.

Pada setiap modul, peserta akan diberikan contoh kasus yang dapat diselesaikan secara manual untuk memperkuat pemahaman konsep. Oleh karena itu, sangat disarankan bagi peserta untuk menyiapkan catatan pribadi selama proses pembelajaran guna memaksimalkan pemahaman terhadap materi yang disampaikan.

This course provides a comprehensive introduction to Python programming tailored for numerical methods and scientific computing. It aims to bridge the gap between abstract mathematical theories and concrete, practical computations using modern software toolkits. By leveraging Python's powerful ecosystem, the course builds a strong foundation in manipulating scientific datasets, executing algorithmic matrix algebra, and graphing intricate mathematical models. By the end of the course, students will be fully equipped to write optimized programming routines to solve engineering, mathematical, and physics problems that are analytically complex.

Learning Outcomes:

• LO1: Apply foundational Python libraries (NumPy, Matplotlib) to manipulate arrays and visualize mathematical functions.

• LO2: Solve linear equations and generate predictive models using interpolation and least-squares regression.

• LO3 : Implement iterative root-finding algorithms and compare their performance against standard SciPy solvers.

• LO4 : Compute numerical derivatives and definite integrals using Python’s scientific computing toolkits.

Course Modules:

1. Setting Up for Scientific Python

2. The Engine of Numerical Python: NumPy

3. Visualizing Math: Matplotlib

4. Matrix Operations & Solving Linear Systems

5. Iterative Method for Solving Linear Systems

6. Interpolation Algorithms

7. Curve Fitting with Least-Squares Regression

8. Iterative Root Finding

9. Numerical Differentiation in Python

10. Numerical Integration in Python

Course Content:

• Interactive Jupyter Notebooks: Every module is delivered via a highly engaging, code-executable Jupyter Notebook environment containing a mix of detailed markdown lecture notes, structured programming syntax, and inline coding exercises.

• Video Instructional Lectures: The materials are structured into 10 distinct video sessions, which guide students through core concepts, code walkthroughs, and practical mathematical applications.

• Verification and Benchmarking Code: Modules include systematic testing guidelines—such as verifying matrix solutions using dot products or comparing customized algorithmic loops against robust built-in SciPy functions—to instill deep structural comprehension.

The course is designed as a self-paced learning module with a total estimated duration of approximately 15 to 20 hours to complete all 10 video sessions, thoroughly analyze the corresponding lecture notebooks, and complete the hands-on verification exercises. This program is ideal for scientists, engineering students, and data practitioners who want to master real-world computational mathematics and numerical simulations using the Python ecosystem.

Exploratory Data Analysis (EDA) is an important stage in the data analysis process aimed at understanding the characteristics of the data before modeling or further analysis is conducted. Through EDA, analysts can identify patterns, trends, relationships between variables, unusual values (outliers), and potential issues in the data that may affect the analysis results. In addition, the data exploration process also aids in decision-making regarding appropriate analysis and visualization strategies. In this course, participants will learn the basic concepts of data exploration, data preprocessing techniques, data exploration strategies, and the application of data visualization using RStudio. There are ten module topics in this course, namely:

1. Introduction to Exploratory Data Analysis (Theory)

2. Data Preprocessing Part I (Theory)

3. Data Preprocessing Part II (Theory)

4. Strategy for Data Exploration (Theory)

5. Exploring Dataset in RStudio (Theory + Code)

6. Centrality, Variability, and Unusual Value (Theory)

7. Set Working Directory in RStudio (Code)

8. Data Storytelling (Theory)

9. Interactive Visualization (Theory)

10. Interactive Visualization in RStudio (Code)

The instructional videos in this course last about 10–15 minutes for each module. Additionally, participants need an extra 20–30 minutes to practice coding and complete case studies using RStudio. Thus, the total time required to complete all the material ranges from 250 to 400 minutes.
After completing this course, participants are expected to understand the basic concepts of Exploratory Data Analysis (EDA), perform data cleaning and preprocessing, and apply effective data exploration strategies. Participants are also expected to use RStudio to explore datasets, calculate measures of central tendency and dispersion, identify outliers, and present analysis results through informative and interactive data visualizations. Additionally, participants are expected to communicate their analysis findings through engaging and easily understandable data storytelling approaches. In each module, participants will be provided with case studies and implementation demonstrations using RStudio to reinforce their understanding of concepts and practical skills. Therefore, it is highly recommended for participants to prepare an RStudio working environment and personal notes during the learning process to maximize their understanding of the material presented.

Materi ini terdiri dari Pengantar Metodologi Penelitian, Definisi Masalah: Landasan Penelitian Bisnis, Alat Penelitian Kualitatif, Penelitian Survei, Pengukuran dan Konsep Scaling, Desain Sampling dan Prosedur Pengambilan Sampel, Analisis Data Dasar, dan Hasil Penelitian Berkomunikasi. Materi ini akan fokus pada penyediaan pemahaman praktis tentang beberapa alat statistik yang digunakan dalam penelitian. Pada akhir materi ini diharapkan Pembelajar dapat:

1. Memahami dasar-dasar dari metodologi penelitian

2. Memahami dan melakukan penelitian kualitatif

3. Memahami Prosedur pengukuran, penskalaan dan pengambilan sampel

4. melakukan analisis hasil penelitian

Course ini memberikan pemahaman dasar tentang statistik yang umum digunakan untuk mempersiapkan pelajar untuk course statistik yang lebih maju. Course ini menekankan dalam memahami bahan dasar dalam analisis statistik yang sangat diperlukan bagi pelajar untuk membuat keputusan dari data. Materi yang terkandung adalah pengantar tentang data dan statistik, statistik deskriptif, pengantar probabilitas, distribusi probabilitas diskrit, distribusi probabilitas kontinu, distribusi sampling dan sampling, estimasi interval, tes hipotesis, analisis varian, dan regresi linier sederhana. Course ini terkait dengan metodologi penelitian dan tesis.

Course ini mempelajari tentang pengenalan statistik dasar menggunakan aplikasi JASP (Jeffrey’s Amazing Statistic Program). JASP adalah aplikasi statistika yang free yang dikembangkan dan terus diperbarui oleh sekelompok peneliti di University of Amsterdam. Tujuan dari pembuatan aplikasi ini untuk menyediakan aplikasi gratis yang mencakup teknik statistik standar dan teknik statistik yang lebih canggih dengan penekanan utama pada penyediaan antarmuka pengguna yang sederhana dan intuitif. JASP ini bisa dijalankan di windows/macOS/Linux atau menjalankan browser.

Adapun materi yang dibahas ada 10 modul sebagai berikut:

1. Overview of JASP tool

2. Statistics Descriptive

3. Numerical Statistics Descriptive

4. Data Integration and Data Distribution

5. T-Test Independent Sample

6. Correlation

7. Regression

8. T-Test Paired Samples

9. ANOVA

10. Chi Square Test

Video tutorial yang dibuat ini memiliki durasi 8-15 menit untuk setiap modulsehingga total durasi untuk menyelesaikan modul ini ±120 menit.

Setelah menyelesaikan modul ini, peserta diharapkan mampu menggunakan JASP untuk mengitung atau melakukan analisis statistik dasar seperti menghitung central tendency (mean, median, modus, dll), membuat grafik, menguji data yang akan digunakan. Selain itu, peserta juga mampu mengambil kesimpulan terhadap persebaran data dari plot visual data, memahami jenis skala data, dan memahami uji yang hendak dilakukan terhadap data yang memiliki asumsi. Peserta juga diharapkan mengerti melakukan beberapa test statistika dasar seperti Korelasi , Regresi, T-Test, F-Test, Paired Sample T-Test, ANOVA dan Chi Square Test.

Perkuliahan Calculus oleh Pak Wikaria Gazali

Himpunan Mahasiswa Statistika Universitas Bina Nusantara (HIMSTAT BINUS) adalah organisasi kemahasiswaan yang dinamis dan berfokus pada studi statistika. Dengan sifatnya yang non-politik dan berorientasi keilmuan, HIMSTAT bertujuan meningkatkan minat dan apresiasi terhadap ilmu statistika di kalangan mahasiswa Bina Nusantara dan masyarakat umum.

Salah satu kegiatan rutin yang diadakan oleh HIMSTAT adalah Pengabdian Pada Masyarakat (P2M) yang dikenal sebagai HIMSTATCARE. HIMSTCARE dirancang untuk memperkenalkan pengetahuan dasar statistika dan teknik informatika kepada siswa yang berencana memasuki jurusan tersebut di perguruan tinggi. Tujuan utama HIMSTATCARE adalah memberikan pelayanan dan bantuan kepada masyarakat.

Tahun ini, HIMSTATCARE akan diselenggarakan secara online dengan tema "Visualize the World with Data Visualization." Tema ini dipilih menyadari pentingnya data sebagai dasar pengambilan keputusan dan evaluasi di berbagai sektor seperti bisnis, pendidikan, kesehatan, dan pemerintahan. Kegiatan ini bertujuan agar siswa SMA dapat memahami dan memanfaatkan data dengan memvisualisasikannya secara efektif, mengingat bahwa data mentah seringkali sulit dipahami oleh banyak orang. HIMSTAT berharap kegiatan ini dapat memberikan kontribusi yang bermanfaat bagi masyarakat luas.

Course ini merupakan penjelasan tentang statistika dasar serta penggunaan SPSS (Statistical Package for Social Sciences) untuk analisa dasar statistik. SPSS merupakan full-lisenced software oleh IBM namun juga memberikan kesempatan untuk pengunaan free-trial selama 30 hari. SPSS bisa digunakan untuk analisa statistik mulai dari analisa dasar sampai dengan analisa kompleks dalam statistika.  SPSS sendiri bisa digunakan untuk membantu proses pembelajaran, riset, dan keperluan bisnis dalam industri. 

Course ini terdiri atas 10 topik modul, yaitu:

1. Teknik mengumpulkan data
2.  Survey Sampel
3. Pengenalan SPSS
4. Input dan Explorasi data
5. Menangani Missing Data
6. Deskripsi dasar data
7. Visualisasi data
8. Validitas dan Reliabilitas data
9. Korelasi data
10. Regresi Linear Sederhana

Video dalam course ini terdiri dari 7-10 menit durasi pembelajaran untuk tiap topik modulnya sehingga total durasi untuk menyelesaikan modul ini adalah ± 100 menit. 

Course ini merupakan penjelasan tentang perkenalan mengenai data science.  
Dalam course ini, dijelaskan pula penggunaan Python melalui video live code sehingga akan memudahkan pemahaman terkait pengaplikasian data science. 
Python sendiri adalah salah satu bahasa pemrograman yang multi fungsi dan bersifat open source. Python bisa digunakan mulai dari menginput data, mengimpor data, bahkan melakukan scrapping data, lalu mengolah data mengjadi suatu keputusan atau bahkan emmbuat visualisasi data sehingga memperoleh presentase data yang baik dalam pengujian statistik dan visualisasinya. Python sendiri bisa digunakan untuk membantu proses pembelajaran, riset, dan keperluan bisnis dalam industri.
Course ini terdiri atas 10 topik modul, yaitu:

1. Apa itu data science dan aplikasi yang bisa digunakan
2. Tipe data
3. Perkenalan terhadap Python (Live code)
4. Numpy Array (Live code)
5. Deskripsi data (Live code)
6. Visualisasi data (Live code)
7. Imputasi data
8. Eksplorasi analisis data (Live code)
9. Korelasi dan pemodelan regresi
10. Korelasi dan pemodelan regresi menggunakan Python (Live code)

Video dalam course ini terdiri dari 7-10 menit durasi pembelajaran untuk tiap topik modulnya sehingga total durasi untuk menyelesaikan modul ini adalah ± 120 menit.

Course ini dirancang untuk memperkenalkan dan menjelaskan penonton pada konsep dasar statistika dan distribusinya melalui 10 sesi video pembelajaran. Materi mencakup perkenalan singkat hingga penjelasan mendalam mengenai fungsi, bentuk, serta jenis statistika dan distribusinya. Setiap video dilengkapi dengan contoh soal, lengkap beserta pembahasannya untuk mempermudah pemahaman.

Setiap video berdurasi 5-10 menit, dimulai dengan penjelasan materi  dan diikuti dengan contoh soal serta pembahasannya pada akhir sesi. Dengan total 10 video, durasi keseluruhan course ini berkisar antara 50 hingga 100 menit. Setiap video menyajikan materi utama yang berbeda, namun saling berkesinambungan dengan sesi sebelumnya.

Setelah menyelesaikan course, penonton akan memperoleh wawasan yang lebih luas mengenai statistika dan distribusinya. Penonton akan memahami dasar-dasar statistika dan distribusinya, melakukan berbagai macam uji statistik dan probabilitas terhadap suatu kejadian, memprediksi variabel penting dalam suatu dataset, serta menggunakan dan menginterpretasikan hasil uji statistik dan probabilitas.

 Kami berharap course ini mampu meningkatkan ketertarikan penonton terhadap statistika, mendorong eksplorasi lebih dalam mengenai statistika dan distribusinya, serta meningkatkan kemampuan statistika dan distribusinya secara signifikan.

Course ini menjelaskan tentang penggunaan RStudio untuk melakukan analisa data. RStudio adalah integrasi pengembangan (IDE-Integrated Development Environment) antara R dan Python. RStudio bisa berjalan jika R sudah berhasil terinstall. Baik R maupun RStudio bersifat open source dan bisa dioperasikan baik di Windows, Mac dan Linux. Developer dari RStudio adalah Posit PBC.

Course ini terdiri atas 10 topik modul, yaitu:

1. Introduction and Installation of RStudio

2. Data Types and Storing Data in RStudio

3. Matrix, List, Array and DataFrame

4. Functions in RStudio

5. Packages in RStudio

6. Dataset and Accessing Element of Dataset

7. Condition

8. Importing External Data

9. Statistics Report

10. Linear Model and Visualization

Video dalam course ini terdiri dari 8-10 menit durasi mendengar materi dalam setiap video modul dan membutuhkan 10-20 menit untuk tiap modul bisa langsung di praktekkan. Sehingga total durasi menyelesaikan course ini adalah 100 sampai dengan 200 menit.

Setelah menyelesaikan course ini, peserta diharapkan mampu melakukan operasi dasar di RStudio seperti membuat objek, menggunakan fungsi, menginstal packages, dan menggunakan data sampel RStudio maupun yang bersifat public data yang bisa diimpor ke RStudio untuk bisa di analisa secara statistik. Dalam setiap modul, terdapat algoritma yang bisa langsung dicoba dalam menu script RStudio, peserta juga diharapkan mampu menghasilkan output tanpa error di menu output console RStudio.

Nonparametric statistics are essential for research in the social, behavioral, and health sciences. Non-parametric statistical methods using single sample are explained in this course. Numerous studies in these fields use data that is categorized using an ordinal or nominal scale. Interval data from these fields sometimes doesn’t have enough parameters to be considered normal. For the analysis of such data, nonparametric statistical tests are helpful instruments. There are ten module topics in this course, including:

1.       Definition of Statistic Non-Parametric

2.       Testing Data Normality

3.       Test of Randomness and Data Scale

4.       Shape and Empirical Rules

5.       Skewness and Kurtosis

6.       Rank data and Rank data with tied values

7.       One sample – Signed test - one sided

8.       One sample – Signed test - two sided

9.       One sample - Wilcoxon signed rank test- one sided

10.   One sample - Wilcoxon signed rank test- two sided

The videos in this course consist of 10-15 minutes of watching to the material in each module video and require 20-30 minutes for each module to be directly practiced with case examples that can be done manually. So, the total duration to complete this course is 200 to 300 minutes. After completing this course, participants are expected to understand the definition of non-parametric statistics, test data normality, understand data scale types, and test data randomness. After completing this course, participants are expected to understand the definition of non-parametric statistics, test data normality, understand data scale types, and test data randomness. Participants are also able to understand the types of data shapes by calculating the skewness of the data, followed by understanding how to sort the data, using the sign test, and then the Wilcoxon test both for one-way side and two-way side. In each module, there are manual tests that can be tried. As for the sign and Wilcoxon tests in this course, they are still applied to single data sets. It is recommended that participants prepare their own notes to maximize understanding.

Linear System and Matrix adalah kursus online yang dirancang untuk memberikan pemahaman mendalam tentang sistem persamaan linear dan operasi matriks, dua konsep inti dalam aljabar linear. Kursus ini mencakup berbagai topik, mulai dari pengantar sistem persamaan linear, eliminasi Gauss dan Gauss-Jordan, hingga operasi matriks seperti penjumlahan, perkalian, inversi, dan determinan. Materi ini dirancang secara sistematis untuk memudahkan peserta dalam memahami konsep dasar dan teknik penyelesaian yang relevan dengan matematika terapan dan berbagai bidang seperti teknik, ekonomi, dan ilmu komputer.

Kursus ini terdiri dari 10 modul yang mencakup video pembelajaran interaktif, catatan kuliah yang dapat diunduh, serta latihan soal yang dirancang untuk mengasah kemampuan peserta. Peserta akan mempelajari bagaimana cara menggunakan matriks untuk menyelesaikan sistem persamaan linear, menemukan invers matriks dengan operasi baris elementer, serta menghitung determinan dengan metode kofaktor dan operasi baris elementer. Dengan durasi yang terukur, sekitar 2 jam untuk menyelesaikan semua modul, kursus ini memberikan fleksibilitas bagi peserta untuk belajar kapan saja dan di mana saja.

Setelah menyelesaikan kursus ini, peserta diharapkan mampu memahami prinsip dasar sistem persamaan linear dan operasi matriks, serta menerapkannya dalam berbagai konteks. Kursus ini tidak hanya membangun pondasi dalam aljabar linear, tetapi juga membekali peserta dengan keterampilan analitis yang relevan untuk memecahkan masalah nyata dalam dunia profesional. Dengan pendekatan yang komprehensif dan fokus pada aplikasi praktis, kursus ini menjadi langkah awal yang ideal untuk eksplorasi lebih lanjut di bidang matematika terapan.