Ketika rata-rata tidak cukup lagi…

Siapa yang tidak kenal dengan rata-rata?? Jika anda sering kali melakukan pengolahan data, maka perhitungan rata-rata hampir bisa dipastikan akan selalu ada dalam laporan yang anda buat. Namun menyajikan rata-rata saja ternyata sangat tidaklah cukup… Percaya deh.. Gak cukup banget. Jika ada yg menyajikan data hanya dengan rata-rata saja maka hal ini akan membuat kesimpulan yang anda buat menjadi melenceng dari yang seharusnya. Kenapa??

Hal ini sangat berkaitan erat dengan variasi data yang anda miliki. Buatlah histogram sederhana untuk mengetahui apakah data anda punya data ekstrim? Data ekstrim adalah data yang saaaangat besar atau sangaaat kecil dibandingkan dengan nilai tengah nya.

Nilai rata-rata memberikan bobot yang sama untuk semua data. Sehingga nilai yang besaaar banget atau yang keciiil bgt kan membuat rata-rata bergeser ke besar atau yang kecil. Saran saya selalu bandingkan nilai rata-rata dengan nilai tenga (median). Lebih bagus lagi jika anda tambahkan kuartil atau percentilnya.

Advertisements

Presentasi data: Two long tail perspective…

Kerap kali saat anda sudah punya data dab anda punya kemampuan untuk melakukan penelitian, anda kesulitan untuk menyampaikan informasi kepada publik lewat susunan cerita yang menarik. Diskusi sore ini bersama big bos, saya menemukan sebuah pola pikir yang sangat menarik. Berawal dari saking banyaknya data yang kami miliki, kami kesulitan merangkai semua data itu menjadk sebuah cerita yang utuh. Hingga akhirnya muncul celetukan, pakai saja analisis two tail… Dalam hati.. Whaat? Baruu denger saya.

Pikiran saya langsung tertuju pada grafik sebaran normal dengan dua ekor dikiri dan dikanan. Bell Curve. Ternyata apa yg saya pikirkan terlalu rumit… Ternyata analisa ini sangat simpel namun dengan mengambil konsep sebaran data.

Kita pasti tahu bell curve… Nah dua tail atau ekor grafik ini menggambarkan posisi yang ekstrim dari data… Ekstrim besar dan ekstrim kecil… Misalkan kita menganalisis data sales maka salah satu opsi dalam menyampaikan informasi adalah dengan mengambil detail dari kedua tail. Ekstrim kanan menggambarkan sales yang penjualannya sangat tinggi, lets say top 95 percentile… Sedangkan di kiri kita ambil contoh untuk sales yg tidak achieve… Misalkan bottom 10 percentile. Dengan menggali detail kenapa kedua sales ini berada di sisi ekstrim sangatlah penting. Kita ingin agar sales yg ada dibagian tengah dapat mencontoh strategi sales yang berhasil dan menjauhi sales yg tdk achieve.

Harapan kita adalah nilai tengah dari sales yg skrg berkumpul ditengah dapat bergeser ke arah kanan yg secara total akan menaikkan sales performance secara keseluruhan.

Ability to see pattern in randomness

life_is_random

Dulu sekali, disalah satu stasiun televisi swasta menayangkan sebuah acara dimana beberapa orang ‘sakti’berkumpul untuk menangkap hantu. Kami yang saat itu masih anak-anak sangat menggandrungi acara ini, apalagi saat salah seorang dari pemburu tersebut membuat lukisan dengan mata tertutup, lalu muncullah gambar makhluk-makhluk aneh dengan ajaibnya.

Beda halnya dengan salah satu karakter novel kesukaan saya Sherlock Holmes, berkali-kali membaca dan menonton film dan serialnya selalu membuat saya berdecak kagum. Kemampuannya dalam memecahkan kasus-kasus kriminal membuat pembaca tenggelam dalam alur cerita yang dituliskan oleh Sir Arthur Conan Doyle.

Lalau apa hubungannya antara pemburu hantu dan Sherlock Holmes? Keduanya memiliki sebuah kesamaan yakni kemampuan melihat sesuatu yang tidak bisa dilihat oleh orang kebanyakan. Walau dalam kasus pemburu hantu saya juga masih ragu apa itu rekayasa atau bukan, tapi ya sudahlah anggap saja mereka bisa lihat.period. Kemampuan ini yang membuat mereka special dan berbeda dengan orang lain yang akhirnya membuat mereka terkenal dan dibayar mahal.

Menurut saya apa yang kita lakukan dalam menganalisa data adalah mencoba melihat pola-pola yang tidak terlihat dari sekumpulan data atau kejadian yang seakan-akan acak dan chaos. Dalam era social media ini, perusahaan selalu mencoba untuk lebih baik dari perusahaan lain dengan berbagai cara, salah satu nya adalah membuat produk yang berbeda dan lebih baik dari pesaingnya. Semakin banyak kita tahu tentang informasi lebih dari pesaing kita, maka semakin besar peluang kita menang.

Di zaman dimana semua aktifitas kita terekam lewat sebuah alat yang bernama smartphone ini, maka tidak ada lagi batasan antara kita dengan perusahaan penghasil produk. Tergantung apakah mereka mampu menemukan pola/pattern yang kita hasilkan. Dapatkah mereka memberikan sebuah penawaran/solusi/produk/jasa yang sesuai dengan kebutuhan kita.

Pertanyaan untuk kita adalah apakah anda mampu melihat pola yang teratur dalam sebuah kejadian acak?

~• Peluang (“Probability”) •~

By prof khairil notodiputro
Guru besar statistika IPB

Dalam matematika, peluang (p) merupakan ukuran kemungkinan terjadinya suatu kejadian. Karena p merupakan ukuran kemungkinan suatu kejadian maka kisaran nilai p, yaitu dari 0 sampai dengan 1, akan mencerminkan seberapa besar kemungkinan kejadian itu untuk terjadi. Semakin besar niai p dari suatu kejadian maka semakin besar pula peluangnya untuk terjadi. Begitu pula sebaliknya jika nilai p semakin kecil. Selanjutnya, karena p berkisar dari 0 sampai dengan 1 maka kejadian dengan peluang p=0 merupakan kejadian yang mustahil terjadi. Misalnya mustahil sepeda akan berubah menjadi sapi. Demikian pula suatu kejadian dengan peluang p=1 merupakan kejadian yang pasti terjadi. Misalnya setiap mahluk yang bernyawa pasti mati pada suatu saat.

Pertanyaannya adalah, bagaimana kita bisa mengetahui besarnya peluang terjadinya suatu kejadian? Atau bagaimana kita bisa mengukur besarnya p?

Besarnya p bisa ditentukan berdasarkan frekuensi relatifnya (“relative frequency”). Misalnya jika dari pengalaman 1000 kali penerbangan yang dilakukan oleh maskapai X ternyata terjadi 700 kali keterlambatan “take off”.  Ini bermakna bahwa jika kita pada suatu saat akan terbang dengan maskapai X maka peluang untuk terlambat “take off” adalah sebesar p=0.7.

Selanjutnya karena frekuensi relatif itu dasarnya adalah pengalaman yang sudah terjadi maka wajar dipertanyakan “bagaimana menentukan peluang p jika belum ada pengalaman dengan kejadian itu?” Dalam hal ini kita bisa menggunakan peluang subjektif (“subjective probability”).

Sebagai misal, si A akan mencalonkan diri menjadi kepala daerah X di tahun 2017. Si A belum pernah bersaing dalam pilkada sehingga peluangnya untuk menang tidak dapat ditentukan berdasarkan frekuensi relatifnya. Kita hanya bisa menentukan peluang menang pilkada bagi si A menggunakan peluang subjektif. Jika si A memiliki prestasi bagus (misal mampu memberantas korupsi di lingkungannya, membebaskan daerahnya dari banjir dan kemacetan lalu lintas, menggusur lokasi prostitusi, dsb) serta disenangi oleh sebagian besar masyarakatnya dan didukung oleh partai yang punya suara besar di parlemen, maka peluang si A untuk menang pilkada di tahun 2017 akan cukup besar.

Lebih lebih lagi jika si A dinyatakan bersih dari indikasi korupsi oleh KPK, ditambah lagi penantang berat dari si A juga sudah tidak akan mencalonkan diri dalam pilkada daerah X pada tahun 2017, maka peluang si A untuk menang akan semakin besar. Kawan saya tadi secara SUBJEKTIF mematok peluang si A untuk memenangi pilkada di daerah X pada tahun 2017 adalah sebesar p=0.90.

Itulah pengertian peluang secara matematika dan dalam kehidupan sehari-hari. Semoga bermanfaat..

Statistik: Pembeda antara kebetulan dengan hasil usaha (case closed)

bakso

Setiap hari Pak Handoko  menjual bakso, bakso anda sangat laku sehingga membuat banyak pelanggan dan Pak Slamet menghitung berapa porsi bakso yang terjual. Jumlah bakso yang terjual tiap harinya tidak selalu sama, kadang naik dan kadang turun. Pak Handoko penasaran, kok ada hari-hari tertentu dimana dia menjual bakso sampai kehabisan stok yang akhirnya menolak pelanggan, namun dihari yang lain kadang ada sisa stok bakso yang tidak terjual. Akhirnya pak Handoko menyuruh salah satu anak buahnya bernama Tiara untuk merekap data penjualan bakso selama sebulan dengan hasil sebagai berikut.

Pak Handoko ingin mengetahui #1 apakah kondisi penjualan saya sebulan terakhir? #2 apakah ada perbedaan antara penjualan bakso urat dengan bakso telur? #3 Apakah jika ada kenaikan penjualan di waktu tertentu disebabkan oleh perubahan yang dilakukan oleh pak Handoko. Mari kita bantu Pak Handoko untuk menjawab permasalahannya.

Untuk tahap awal kita akan melakukan eksplorasi data dengan menggunakan teknik deskriptif, ini merupakan jawaban untuk pertanyaan no #1 tab descritive anda dapat melihat informasi singkat mengenai penjualan bakso pak Handoko. Dari sini kita dapat meilhat bahwa penjualan tertinggi yakni 296 porsi dan terendah 203 porsi, rata-ratanya 246 dan rata-rata simpangan (naik turunnya) penjualan adalah 29 porsi. Sebagai penjual pak Handoko pasti penasaran, kok bisa sih jualan baksonya bisa sampai 296 porsi sehari! Kita harus cari tahu nih penyebabnya agar penjualan di hari yang lain bisa sampai atau setidaknya mendekati 296 porsi (*noted).

Kita dapat mengajukan pertanyaan tambahan kepada pak Handoko apakah ada perubahan yang dilakukan selama sebulan ini? Jika ada kita dapat memasukkan informasi tersebut kedalam data yang kita miliki. Ternyata Pak Handoko beberapa hari menyuruh salah seorang karyawannya menyebarkan flyer/ selebaran di dekat warung baksonya. Informasi ini kita tambahkan kedalam data dimana kita berikan angka 1 jika ada penyebaran flier dan 0 jika tidak ada. Disini Pak Handoko bisa memastikan apakah jika ada kenaikan penjualan baksonya disebabkan oleh penyebaran flyer atau kebetulan aja naik karena hal-hal yang beliau sendiri tidak tahu.

Sekarang kita coba jawab pertanyaan no #2. Apakah ada perbedaan yang signifikan penjualan antara bakso urat dan bakso telur? Jika kita hanya mencatat pendapatan dari penjualan kedua jenis bakso, maka kita hanya melihat secara total atau setidaknya rata-rata. Namun permasalahannya perbedaan itu bisa jadi hanya beda tipis dan tidak signifikan. Maksudnya signifikan adalah jika perbedaan itu sudah melewati batas yang kita tentukan. Let say kita pasang bahwa ” it’s okay bahwa saya menerima jika hasil perhitungan saya salah, namun saya bisa bilang bahwa peluang maksimal saya salah adalah 5%”.

Saya menggunakan t-test berpasangan (alpha 5%) untuk menguji apakah rata-rata penjualan bakso urat sama dengan bakso telur (saya sebut Null Hypothesis: H0) lawannya adalah rata-rata penjualan antara bakso urat lebih tinggi dari bakso telur tidak sama (Alternative Hypothesis: H1). Coba anda lihat tab t-test pada file diatas, anda bisa lihat bahwa hasilnya untuk one tail probability (p-value)< alpha:5%, sehingga menyebabkan saya menolak H0. Kesimpulannya adalah rata-rata penjualan bakso urat lebih besar secara signifikan dibandingkan dengan penjualan bakso telur.

Sekarang kita akan menyampaikan jawabannya ke Pak Handoko, kita akan menyampaikan bahwa pelanggan anda ternyata sangat menyukai bakso urat anda dibandingkan bakso telur. Anda dapat meningkatkan penjualan dengan menampilkan bakso urat sebagai menu utama, atau bisa juga jika ingin menaikkan pendapatan dengan sedikit menaikkan harga untuk bakso urat 🙂

Pertanyaan no #3, Apakah jika ada kenaikan penjualan di waktu tertentu disebabkan oleh perubahan yang dilakukan oleh pak Handoko (penyebaran flier). Untuk menjawab pertanyaan ini, kita memerlukan sebuah analisa statistik yang bernama REGRESI. Kenapa regresi? nah di regresi ini kita dapat mengidentifikasi pengaruh variabel dependent(bebas) terhadap variabel dependent (terikat). Nah, pada kasusnya pak Handoko variabel bebasnya adalah penyebaran flier (1:ya, 0: tidak), kita akan menggunakan data yang telah tersedia untuk menjawab pertanyaan pak Handoko. But wait, sebelum ke analisa kita melihat bahwa data variabel bebasnya adalah nominal, sehingga kita akan memperlakukan analisanya sebagai analisa regresi dengan variable dummy.

Hasilnya dapat dilihat di tab regressi pada data diatas atau pada gambar dibawah ini:

http://

Bagi yang sudah sering melihat output regresi pasti familiar dengan angka-angka dan format outputnya. Namun bagi yang baru baca-baca tentang statistik bisa komen dibawah untuk tanya apa maksudnya. Ok then, langsung ke bagian highlight orange ya… pertama bisa lihat nilai R² =0,775 atau 77,5% yang artinya adalah model atau dalam hal ini variabel pembagian flier dapat menjelaskan perubahan dari variabel dependen (penjualan bakso total). Nilai kedua yang diperhatikan adalah ANOVA atau analysis of variance dimana nilai P-value < alpha (5% aja deh), yang berarti bahwa modelnya berpengaruh nyata. Nilai ketiga adalah nilai uji t dimana P value variabel pembagian flier < alpha (5%) yang berarti pembagian flier berpengaruh terhadap penjualan bakso. Wait satu lagi. Saya katakan berpengaruh bisa berarti dua hal, bisa berpengaruh positif dan bisa juga negatif. Untuk tahu apakah pengaruhnya maka kita lihat koefisien dari variabel pembagian flier. NIlai yang tertera adalah +51.8, ini berarti pembagian flier berpengaruh positif terhadap penjualan bakso. Nilai 51,8 dapat kita interpretasikan bahwa dengan mengadakan pembagian flier dapat menaikkan penjualan 51-52 porsi. Kereeen gak siih. Inilah kekuatan dari analisa statistik.

Balik ke judul diatas, kita bisa menyimpulkan bahwa:

  1. Kondisi penjualan bakso pak Handoko rata-rata perhari 246 porsi
  2. Bakso urat lebih laku (signifikan) dari bakso telor
  3. Pembagian flier berpengaruh positif +51 dibandingkan dengan tidak membagi flier.
  4. Finally, dengan data seadanya kita bisa menyimpulkan bahwa usaha pak Handoko ada hasilnya dan kenaikan penjualan salah satu penyebabnya adalah pembagian flier.

That’s all guys. Hope help you all. Case closed. Jangan lupa subscripe ya.

Langkah-Langkah Analisa Data Part 1 Setengah masalah selesai dengan pertanyaan

Tidak ada hari tanpa excel dan data. Ini mungkin gambaran yang paling tepat untuk menggambarkan pekerjaan yang saya lakukan. Walaupun untuk mengekstrak datanya sudah ada SAS or MySQL dan untuk visualisasinya sudah pake Tableau, kemudahan pengolahan data excel emang paling T.O.P.

Seingat saya, waktu jaman kuliah juga gak terlepas dengan menggunakan excel, bikin tabulasi data survey, sekedar deskriptif stat sih gak ada masalah. Baru beberapa tahun ini aja kenal beberapa trik keren yang excel punya.

Sekarang ini katanya sih era BIG DATA, buat yang punya tools yang keren dan ngerti dikit API, mungkin ngerti dengan istilah ini. Tapi saya sendiri sih masih jarang gunain data ini, masih data-data yang ‘kecil’ dan terstruktur. Makanya saya share hal-hal basic aja dalam hal pengolahan data, hal biasa yang bisa sangat membantu hidup anda.

Sebelum anda melakukan analisa apapun pada data anda, hal yang anda paling butuhkan adalah identifikasi masalah apa yang anda ingin jawab dengan data yang anda miliki? Tulislah setiap pertanyaan yang anda miliki di kertas kerja anda. Jika saya mengatakan tulislah, maka jangan sungkan mencoret-coret kertas anda untuk menulis pertanyaan. Satu filosofi yang saya pegang adalah “jika anda sudah bisa membuat pertanyaan yang jelas dan akurat, anda sudah mengerjakan setengah pekerjaan anda”

Pernahkah ditanya manakah yang “lebih baik” samsung atau apple? Berapa penjualan kita bulan lalu? atau manakah yang harus saya pilih, beli rumah atau apartemen?

Dapatkah anda membedakan mana pertanyaan yang baik, mana yang tidak?

Step by Step Menampilkan Grafik dari Google SpreadSheet

Karena penasaran dengan cara orang-orang menampilkan chart-chart yang interaktif di websitenya. Maka saya coba cari artikel tentang how to nya. Setalah mencoba sendiri, saya tampilkan hasil coba-coba saya. Lets check it out 🙂

  1. Buatlah file seperti halnya anda membuat file di Ms Excel.

table spreadsheet

2. Kemudian block file yang anda inginkan untuk disajikan dalam bentuk grafik, dan pilih chart editor. Setelah itu pilih jenis chart sesuai dengan kebutuhan anda.

Pilih chart editor

3. Setelah anda memilih chart yang dinginkan, pilih insert dan anda akan melihat hasil chart pada google spreadsheet anda. Pilih Publish chart.

pilih menu pojok

4. Setelah memilih publish chart, anda akan menemukan tampilan link dan embedded. Agar chart langsung tampil pada page anda pilih embedded dan copy link nya.

copy link chart embedded

5. Karena saya menggunakan wordpress maka penjelasan berikutnya menyesuaikan dengan domain blog masing-masing. Pada menu wordpress saat anda membuat new post akan ada menu insert link. Pilih insert link dan paste link yang anda copy sebelumnya dari google spreadsheet.

Copy URL dan Link Text

6. Setelah anda selesai semua langkah di atas. Anda bisa lihat hasilnya seperti chart dibawah ini. Mudah bukan??

Visualisasi Data Dengan Gabungan Lebih dari Satu Grafik

Dalam menyajikan informasi kita sering kali dihadapkan pada pertanyaan bagaimana jika grafik ini dan itu digabungkan menjadi satu grafik saja? Tidak usah bingung, gabungkan saja :). Bagaimana cara menggabungkannya? Nah silahkan lanjutkan bacanya sampai selesai ya…

Pada posting sebelumnya saya sudah menjelaskan tiga jenis grafik paling dasar yang ada di dunia persilatan data. Nah, berikut ini adalah penjelasan bagaimana bentuk-bentuk lain dari grafik-grafik tersebut dan kapan menggunakannya

Satu: Stack Graph (Grafik bertumpuk)

Grafik jenis ini merupakan bentuk lain dari bar chart, perbedaannya adalah pada stack chart grafik batang dibagi menjadi beberapa bagian yang bisa dibedakan dengan warna. Setiap warna menandakan bagian yang lebih detail dari setiap batang.

Dengan menumpukkan setiap batang kita dapat membandingkan proporsi dari beberapa dimensi dengan level detail yang lebih dalam dibandingkan dengan bar chart sederhana. Pada stack chart anda dapat menggali informasi tambahan yakni setiap perubahan satu bagian maka akan mempengaruhi bagian yang lain. Sebagai contoh coba perhatikan data pada Qtr1 dan Qtr 2 peningkatan mail order pada dari Qtr1 ke Qtr 2  memakan bagian penjualan menggunakan retail. Hal ini dengan mudah dilihat dengan menggunakan stack chart dibandingkan dengan bar chart sederhana. See? It’s easy.

Dua: Gabungan Line dan Bar Chart

Let’s say kita telah membuat satu grafik untuk menjelaskan perkembangan sales per bulan dan satu grafik lain menjelaskan mengenai perkembangan profit perbulan. Jika mengamati secara terpisah, maka informasi yang didapatkan hanya informasi yang terpisah. Nah, coba kita sekarang gabungkan dua grafik ini.

Dengan hanya menggabungkan dua grafik ini dan menyesuaikan bagian axis nya, maka kita mendapatkan informasi yang tidak kita dapatkan dari grafik individual. Salah satu contohnya adalah pada bulan April (4) terdapat penurunan profit padahal sales meningkat. Temuan seperti ini bagi orang-orang marketing menggelitik rasa penasarannya. Kok bisa ya terjadi seperti itu? Tindak lanjutnya adalah dengan investigasi apa yang menyebabkan penurunan profit tersebut? Insight seperti ini dengan mudah dilihat dengan menggabungkan dua grafik seperti diatas.

Pengujian Hipotesis?? Makhluk apa Itu??

https://i1.wp.com/eugenieteasley.com/wp-content/uploads/2014/11/Hypothesis-pic.jpg

Secara sederhana hipotesis itu adalah sebuah pernyataan yang bisa saja benar atau salah. Nah, dalam statistika kita diajarkan cara bagaimana kita membuktikan kebenaran sebuah hipotesis sehingga kita bisa menerima atau menolaknya. Apakah anda pernah mendengar mungkin di sebuah berita bahwa rata-rata pendapatan masyarakat di sebuah kota adalah sebesar 5 juta rupiah. Anda mungkin bertanya, masa sih 5 juta rupiah?? Saat pertama kali pernyataan tersebut muncul, anda mungkin meragukan apakah informasi tersebut benar atau tidak. Biasanya seseorang cenderung akan langsung menolak atau menerima informasi tersebut tanpa harus membuktikan apakah pernyataan tersebut benar atau tidak.

Prosedur dalam melakukan pengujian hipotesis dalam statistika di desain untuk membuktikan klaim tersebut. Biasanya klaim yang ada di dalam hipotesis tersebut dibuat untuk menggambarkan keadaan parameter (angka yang menggambarkan populasi), padahal kita tahu bahwa keadaan populasi itu sangat sulit untuk diketahui. Biar lebih spesifik, kita ambil contoh rata-rata pendapatan sebuah kota di klaim 5 juta rupiah. Jika anda memiliki pendapat lain selain dari hipotesis tersebut, maka hal tersebut bisa dinamakan hipotesis alternatif. Tujuan anda adalah membuktikan bahwa hipotesis anda yang benar, bagaimana caranya? yup, tentunya dengan menggunakan data. Karena anda tidak mempunyai data populasi maka dengan sangat terpaksa anda menggunakan data sampel yang ada pada anda (teknik pengumpulannya ada di pembahasan sebelumnya).

Seperti pada penjelasan sebelumnya, kita memiliki dua jenis hipotesis. Hipotesis yang pertama adalah null hypothesis H0. Ciri-ciri H0 adalah selalu menyatakan bahwa nilai prameter selalu sama dengan nilai yang diklaim, pokoknya klo null hyopthesis selalu menggunakan tanda =, ≥, ≤ . Contohnya, rata-rata pendapatan masyarakat sebuah kota adalah 5 juta rupiah, maka penulisan null hipotesis nya menjadi H0: μ=5juta. Jika ada H0 tentu saja ada hipotesis tandingannya, yang dinamakan hipotesis alternatif lambangnya H1 atau Ha. Hipotesis ini berisi negasi atau kebalikan dari H0. Untuk contoh        H0: μ=5juta, apa H1 nya? Yup!! tentu saja H1: μ≠5juta.

Sebenarnya H1 bisa ada tiga jenis, tergantung anda tertarik ingin membuktikan apa.

  • Misalnya, anda hanya ingin membuktikan bahwa klaim media bahwa bahwa rata-rata pendapatan masyarakat adalah 5 juta, maka anda memiliki H0: μ=5juta dan H1: μ≠5juta
  • Namun jika ada contoh lain, dimana anda bekerja disebuah bank dan anda meyakini bahwa waktu pembukaan rekening bisa kurang dari 15 menit. bagaimana anda menyusun hipotesisnya? Yup, susunan hipotesisnya menjadi   H0: μ≥ 15 menit dan H1: μ<15 menit.

Secara umum H0 selalu mengandung unsur bahwa tidak ada hal yang baru/ sama saja/ keadaan sekarang yang tidak ada bedanya dkk. Pokoke, apa yang ada sekarang anggap bener aja dulu, sampai bener-bener kebukti bahwa klaim nya salah.

Pernah liat orang di adili gak? Nah, di pengadilan itu menggunakan konsep penyusunan hipotesis sama kayak yang dijelasin di atas. Apa hipotesis awal dari seorang hakim?? Bener, orang itu gak bersalah… tapiiii… hanya sampai jaksa membuktikan dengan bukti yang meyakinkan kalo dia bersalah. Got it?? Terus gimana kalo ternyata jaksa gak bisa membuktikan klo orang tersebut bersalah? Untuk kondisi ini hakim akan mengatakan bahwa “orang tersebut tidak terbukti melakukan ……” bukan mengatakan bahwa “orang ini terbukti benar atau terbukti orang baik-baik” karena bisa saja jika ada suatu hari ada bukti baru yang membuktikan bahwa orang ini benar-benar bersalah.

Ahhh… udah lumayan banyak nih pembahasannya… kita lanjut lain kali ya… please add komen di bawah yaaa… I am no perfect person.. just wanna share…