Ketika Statistika dan Seni Rupa Bertemu

Keahlian dan minat saya jauh dari Seni Rupa tapi 'tuntutan' tidak peduli akan hal itu

Pendahuluan

Saya diamanahi untuk menjadi pembimbing untuk lomba poster digital di acara “Pentas PAI SMP Tingkat Kabupaten Kuningan 2026”. Saya tidak menemukan akun media sosial yang terdedikasi untuk acara resmi ini, tapi ada poster resmi yang didapat dari guru Pendidikan Agama Islam (PAI) di sekolah.

Konsideran

Mengingat latar belakang pendidikan saya yang (mungkin) sedikit atau bahkan tidak sama sekali berhubungan dengan disiplin ilmu Seni Rupa, saya tidak bisa memberikan bimbingan maksimal terkait unsur seni rupa seperti titik, garis, komposisi, temperatur warna, palet warna, gaya seni, dan lain-lain. Hal ini akan menghambat laju perkembangan dan efektifitas proses persiapan siswa peserta lomba. Walau begitu, saya mencoba menawarkan dan memberikan saran yang bisa menjadi panduan dalam membuat poster digital.

Sasaran (Objective)

Sasaran utama dari proses bimbingan persiapan lomba ini berfokus pada Kriteria Penilaian yang tertera pada Petunjuk Teknis. Ada empat (4) kriteria penilaian dalam lomba poster digital ini.

  1. Kesesuaian Tema: Relevansi pesan dengan tema
  2. Kreativitas dan Orisinalitas: Keunikan ide dan kebaruan gagasan
  3. Kualitas Desain dan Estetika: Komposisi, warna, tipografi, keseimbangan visual
  4. Kekuatan Pesan dan Komunikasi Visual: Penyampaian pesan secara jelas, kuat, dan inspiratif

Keempat kriteria penilaian diatas bisa dipecah kembali menjadi sasaran-sasaran (objectives) yang lebih kecil, granular, dan spesifik. Sasaran kecil ini saya ekspresikan dalam Problem Statement di bawah ini.

Problem Statement

  1. Apakah poster memiliki pesan yang sesuai dengan tema yang telah ditentukan?
  2. Apakah poster memiliki ide yang unik?
  3. Apakah poster memiliki gagasan yang unik?
  4. Apakah poster memiliki komposisi yang seimbang?
  5. Apakah poster memiliki warna yang sesuai kaidah seni rupa?
  6. Apakah poster memiliki tipografi yang sesuai dengan unsur visual lainnya?
  7. Apakah poster memiliki visual yang seimbang?
  8. Apakah poster memiliki pesan yang jelas?
  9. Apakah poster memiliki pesan yang kuat?
  10. Apakah poster memiliki pesan yang inspiratif?

Metodologi

Untuk memenuhi setiap kriteria penilaian (granular), perlu langkah-langkah strategis. Disini saya menggunakan pendekatan saintifik yang cenderung dominan menggunakan prinsip-prinsip Statistika dan Sains Data. Berikut ini merupakan linimasa (timeline) mulai dari pengambilan data sampai interpretasi hasil analisis data.

Data Collection

Untuk memperoleh strategi yang matang, saya membutuhkan data poster digital yang ada di media sosial. Saya mendelegasikan pengambilan data ($N = 29$) berupa tangkap layar poster digital kepada siswa bimbingan. Setelah saya menerima datanya, saya menganotasi setiap file. Detail lebih lengkap tentang anotasi saya cantumkan di bagian selanjutnya.

Struktur Data

Untuk setiap file yang saya terima, saya menganotasi beberapa metadata berikut. Kebanyakan metadata diekstrak menggunakan metode manual sedangakan sisanya menggunakan script untuk otomatisasi. Tabel di bawah ini menyajikan variabel, deskripsi, dan metode anotasi.

Variabel Deskripsi Metode Anotasi Tipe Data
auth_id Nomor unik untuk uploader poster digital Manual int
like Jumlah Suka yang didapat pada saat diambil Manual int
comment Jumlah Komentar yang didapat pada saat diambil Manual int
save Jumlah Simpan yang didapat pada saat diambil Manual int
share Jumlah Bagikan yang didapat pada saat diambil Manual int
date_published Tanggal poster diunggah Manual date
style Gaya/aliran artistik umum Manual chr
width Lebar (estimasi) poster (px) Script int
height Tinggi (estimasi) poster (px) Script int
poster_area_px Luas area poster (px$^2$) Script int
msg_area_px Luas area teks pesan (estimasi) poster (px$^2$) Script int
msg_to_illus_ratio Rasio teks-visual $\left( \frac{(\sum_{i = 1}^{n} w_i \times h_{i})}{WH} \right)$ Script dbl
message Pesan utama Manual chr
sub_message Subtitle atau pendukung dari pesan utama Manual chr
caption Paragraf pendukung yang mengandung fakta Manual chr
dom_theme Tema pesan yang diangkat Manual chr
win_compt Apakah poster mendapat nominasi juara? Manual logi
software Perangkat lunak yang digunaka untuk memproduksi poster Manual chr
filename Nama file Script chr

Data Annotation

Seperti disebutkan di bagian sebelumnya, saya menganotasi setiap poster yang sudah dikumpulkan. Spesifiknya, saya menganotasi proporsi teks yang ada di dalam masing-masing poster. Setelah setiap teks yang ada di suatu poster tersebut dianotasi, saya menghitung jumlah luas setiap anotasi. Nilai luas anotasi yang didapat dari masing-masing poster kemudian dibagi dengan luas poster itu sendiri. Dari sini saya bisa mendapat rasio atau proporsi teks terhadap poster, yang mana data ini akan dipakai sebagai bagian dari analisis data eksploratif. Di bawah ini adalah diagram alur kerja yang saya gunakan untuk menganotasi teks yang ada di setiap poster.

graph TD
  id1[1. Pangkas Dimensi] --> id2[2. Impor ke Canva]
  id2 --> id3[3. Susun Petak 5x6]
  id3 --> id4[4. Garis Pandu X/Y]
  id4 --> id5[5. Anotasi Transparan]
  id5 --> id6[6. Tata Ulang Objek]
  id6 --> id7[7. Ekspor format PNG]
  id7 --> id8[8. Hitung Luas Area]
  id8 --> id9[9. Format Baris CSV]
  id9 --> id10[10. Simpan File CSV]

  %% Style adjustments for clarity (optional)
  style id1 stroke:#333,stroke-width:2px
  style id10 stroke:#0288d1,stroke-width:2px

Proses anotasi data bisa dilihat secara publik di sini.

Script

Untuk mendapat nilai luas dari anotasi yang ada di masing-masing poster, saya menggunakan script Python untuk data yang lebih akurat dan potensi otomatisasi yang lebih konsisten. Di sini saya menerapkan konsep kalkulus untuk menghitung luas area yang diarsir (anotasi data). Secara singkat, script Python yang telah dibuat akan mengidentifikasi warna merah yang ada lalu merekam titik koordinat awal dan akhir dari anotasi data per baris. Jika diekspresikan melalui pseudo-code, kurang lebih akan seperti ini:

1. Baca dimensi height dan width file lalu simpan dalam variabel.
2. Pecah file menjadi grid pixel.
3. Lakukan pemindaian warna pixel per baris pixel.
4. Jika di koordinat sekarang warna pixel adalah "putih" atau "hitam", maka pindai pixel yang ada di kanan; selain itu rekam titik koordinat sekarang lalu simpan dalam variabel.
5. Jika di satu baris pixel terdapat rekaman dua data koordinat, maka hitung jumlah dua koordinat tersebut lalu simpan dalam variabel dan pindah baris pemindaian ke bawah sebanyak 1 pixel; selain itu pindah baris pemindaian ke bawah sebanyak 1 pixel.
6. Jumlahkan semua luas pixel dari setiap baris lalu simpan sebagai data integer di dalam variabel.
7. Lakukan aritmatika: annotate / height * width
8. Simpan dalam variabel "rasio", di baris tabel yang memiliki filename yang sama.
9. Kembali ke step 1 untuk x kali pengulangan sejumlah file yang diinput.

Atau bisa cek script python di bawah ini. Saya menggunakan bantuan Google Gemini untuk membuat script ini.

import os
import csv
from PIL import Image

def is_red(pixel):
    """
    Check if a pixel is red. 
    Handles RGBA (transparent) and standard RGB.
    """
    if len(pixel) == 4:
        r, g, b, a = pixel
        if a == 0: return False # Completely transparent pixels are ignored
    else:
        r, g, b = pixel

    # A basic threshold for red: High R, low G and B.
    return r > 150 and g < 100 and b < 100

def is_white(pixel):
    """Check if a pixel is white (background)."""
    r, g, b = pixel[:3]
    return r > 240 and g > 240 and b > 240

def process_image(image_path):
    """Scans the image row-by-row to integrate the area of red rectangles."""
    try:
        # Convert to RGBA to ensure we handle transparency properly
        img = Image.open(image_path).convert('RGBA')
    except Exception as e:
        print(f"Error opening {image_path}: {e}")
        return None, None, None

    pixels = img.load()
    width, height = img.size
    
    # Calculate the custom image area based on the requested formula
    img_area = (width - 20) * (height - 20)
    
    red_area_sq2 = 0
    red_rows_set = set() # Using a set to keep track of unique rows containing red
    
    # Row-wise pixel check
    for y in range(height):
        start_x = None
        
        for x in range(width):
            current_pixel = pixels[x, y]
            
            if is_red(current_pixel):
                if start_x is None:
                    # 1. Record coordinate of the FIRST identified red pixel
                    start_x = x 
                    red_rows_set.add(y)
                    
            elif is_white(current_pixel) and start_x is not None:
                # 2. Pixel to the right is white, record the LAST known red pixel
                end_x = x - 1
                
                # 3. Calculate area for this segment (Integral sum)
                red_area_sq2 += (end_x - start_x + 1)
                
                # Reset for potential other rectangles in the same row
                start_x = None 
                
        # Edge case: If the red rectangle touches the right edge of the image
        if start_x is not None:
            end_x = width - 1
            red_area_sq2 += (end_x - start_x + 1)
            
    n_row_red = len(red_rows_set)
    return n_row_red, red_area_sq2, img_area

def bulk_process(input_folder, output_csv):
    """Processes all images in a folder and saves results to a CSV."""
    
    # Supported image extensions
    valid_extensions = ('.png', '.jpg', '.jpeg', '.bmp', '.tif', '.tiff')
    
    # Prepare CSV file
    with open(output_csv, mode='w', newline='') as csv_file:
        writer = csv.writer(csv_file)
        
        # Write headers including the new img_area column
        writer.writerow(['filename', 'n_row_red', 'red_area_sq2', 'img_area'])
        
        # Iterate through files in the directory
        for filename in os.listdir(input_folder):
            if filename.lower().endswith(valid_extensions):
                filepath = os.path.join(input_folder, filename)
                print(f"Processing: {filename}...")
                
                n_row_red, red_area_sq2, img_area = process_image(filepath)
                
                if n_row_red is not None:
                    # Write the new img_area value to the CSV
                    writer.writerow([filename, n_row_red, red_area_sq2, img_area])
                    print(f"  -> Rows: {n_row_red}, Red Area: {red_area_sq2}px, Img Area: {img_area}px")

    print(f"\nProcessing complete! Results saved to {output_csv}")

if __name__ == "__main__":
    # --- CONFIGURATION ---
    # Replace these paths with your actual folder path and desired output file
    INPUT_DIRECTORY = "./images" 
    OUTPUT_CSV_FILE = "red_rectangle_areas.csv"
    
    # Create the folder if it doesn't exist to prevent errors on first run
    if not os.path.exists(INPUT_DIRECTORY):
        print(f"Please create a folder named '{INPUT_DIRECTORY}' and put your images inside.")
    else:
        bulk_process(INPUT_DIRECTORY, OUTPUT_CSV_FILE)

Metadata

Untuk mengambil data width, height, dan filename, saya manggunakan package exiftool di WSL (Windows Subsystem Linux) dengan distribusi Ubuntu.

exiftool -csv -r . > metadata.csv

Teks Pesan

Teks pesan setiap poster saya ekstrak dengan cara konvensional dan manual. Saya menyalin (baca-ketik) teks pesan yang ada di setiap poster dan menyimpannya dalam tabel di file Spreadsheet. Saya memisahkan antara pesan utama, pesan pelengkap (subtitle), dan pesan tambahan (caption). Setiap huruf yang muncul saya rekam tanpa ada perubahan kapitalisasi sedikitpun. Dengan kata lain, jika pesan utama di suatu poster dituliskan “JAgAlAh HutAn”, maka saya merekamnya sebagai JAgAlAh HutAn.

Final Data

Semua proses pengambilan data direkam dalam 1 Spreadsheet utama dan bisa diakses secara publik di sini.

Analisis Data

Hipotesis

  1. Apakah style mempengaruhi dan/atau memprediksi like?
  2. Apakah msg_to_illus_ratio mempengaruhi dan/atau memprediksi like?
  3. Apakah jumlah huruf pada message dan sub_message mempengaruhi dan/atau memprediksi like?
  4. Tag unsur seni (artistic_tags) apa yang paling populer?

Uji Asumsi

Pada bagian ini saya menguji asumsi-asumsi untuk setiap variabel yang menjadi perhatian utama. Variabel yang menjadi perhatian utama adalah:

Variabel Deskripsi Tipe Data
like Jumlah Suka yang didapat pada saat diambil int
comment Jumlah Komentar yang didapat pada saat diambil int
save Jumlah Simpan yang didapat pada saat diambil int
share Jumlah Bagikan yang didapat pada saat diambil int
style Gaya/aliran artistik umum chr
msg_to_illus_ratio Rasio teks-visual dbl
cnt_message Jumlah huruf pada pesan utama int
cnt_sub_message Jumlah huruf subtitle atau pendukung dari pesan utama int
main_sub_msg Jumlah huruf pesan utama + subtitle int
cnt_caption Jumlah huruf caption int
txt_cnt Jumlah huruf pesan utama + subtitle + caption int

Untuk kepentingan replikasi, bisa mengimpor data dari Spreadsheet yang sudah disediakan atau bisa juga copy-paste data berikut:

library(tidyverse)

likes <- c(
  173100, 59800, 59400, 57500, 39900, 26300, 20600, 20500, 18100, 16300,
  11000, 9194, 8363, 5882, 5864, 5246, 5032, 4423, 3328, 2935,
  2061, 1908, 1182, 978, 577, 462, 302, 230, 218
)

comments <- c(
  918, 557, 428, 1135, 244, 182, 265, 721, 236, 118, 
  108, 177, 74, 67, 54, 43, 53, 54, 63, 62, 
  47, 21, 67, 19, 8, 10, 16, 16, 11
)

saves <- c(
  9670, 16500, 6417, 6871, 5408, 7076, 3211, 2622, 236, 1933, 
  2584, 1080, 1248, 1153, 1278, 1054, 734, 798, 670, 867, 
  309, 501, 378, 237, 226, 75, 50, 60, 33
)

shares <- c(
  1049, 1140, 403, 1720, 356, 706, 748, 472, 438, 355, 
  343, 131, 259, 178, 324, 232, 68, 81, 95, 103, 
  160, 46, 49, 52, 27, 5, 12, 186, 11
)

msg_to_illust_ratio <- c(
  0.00, 0.00, 0.10, 0.07, 0.11, 0.14, 0.15, 0.07, 0.15, 0.14, 
  0.16, 0.12, 0.14, 0.11, 0.08, 0.00, 0.08, 0.00, 0.08, 0.00, 
  0.00, 0.10, 0.08, 0.08, 0.07, 0.02, 0.00, 0.16, 0.19
)

cnt_message <- c(
  35, 0, 32, 31, 18, 33, 26, 21, 30, 14, 
  22, 44, 17, 49, 38, 0, 14, 44, 47, 0, 
  0, 30, 18, 32, 27, 0, 46, 11, 39
)

cnt_sub_message <- c(
  0, 0, 40, 0, 0, 0, 44, 0, 0, 32, 
  60, 0, 40, 68, 0, 0, 0, 0, 0, 0, 
  0, 77, 0, 0, 0, 0, 0, 0, 18
)

main_sub_message <- c(
  35, 0, 72, 31, 18, 33, 70, 21, 30, 46, 
  82, 44, 57, 117, 38, 0, 14, 44, 47, 0, 
  0, 107, 18, 32, 27, 0, 46, 11, 57
)

cnt_caption <- c(
  0, 0, 0, 0, 223, 0, 326, 0, 0, 0, 
  0, 0, 0, 0, 0, 0, 71, 85, 0, 0, 
  0, 0, 0, 0, 0, 0, 0, 14, 50
)

txt_cnt <- c(
  35, 0, 72, 31, 241, 33, 396, 21, 30, 46, 
  82, 44, 57, 117, 38, 0, 85, 129, 47, 0, 
  0, 107, 18, 32, 27, 0, 46, 25, 107
)

poster_metadata <- data.frame(
  likes                = likes,
  comments             = comments,
  saves                = saves,
  shares               = shares,
  msg_to_illust_ratio  = msg_to_illust_ratio,
  cnt_message          = cnt_message,
  cnt_sub_message      = cnt_sub_message,
  main_sub_message     = main_sub_message,
  cnt_caption          = cnt_caption,
  txt_cnt              = txt_cnt
)

Untuk mempersingkat proses analisis data eksploratif, saya menggunakan otomasi for-loop uji normalitas Shapiro-Wilk dan plotting (Histogram-Density dan Violin) terhadap setiap variabel yang menjadi perhatian utama pada kasus ini. Output yang dihasilkan adalah (1) tabel rangkuman Uji Normalitas Shapiro-Wilk, (2) Histogram-Density Plot, dan (3) Violin-Box and Whiskers Plot.

Uji Normalitas (Shapiro-Wilk)

shapiro_results <- list()

for (col_name in names(poster_metadata)) {
  if (is.numeric(poster_metadata[[col_name]])) {
    test <- shapiro.test(poster_metadata[[col_name]])
    shapiro_results[[col_name]] <- data.frame(
      w_stat = round(test$statistic, 5),
      p_value = test$p.value,
      verdict = if(test$p.value < 0.05) "Tolak Null" else "Gagal Tolak Null",
      row.names = NULL
    )
  }
}

uji_norm_batch <- do.call(rbind, shapiro_results)
uji_norm_batch
Variabel w_stat p_value Kesimpulan Normalitas
likes 0.56591 4.087087e-08 Tolak Null
comments 0.67534 9.496506e-07 Tolak Null
saves 0.68064 1.123159e-06 Tolak Null
shares 0.76443 2.048239e-05 Tolak Null
msg_to_illust_ratio 0.90932 1.649580e-02 Tolak Null
cnt_message 0.93692 8.328193e-02 Gagal Tolak Null
cnt_sub_message 0.61606 1.611606e-07 Tolak Null
main_sub_message 0.92246 3.520628e-02 Tolak Null
cnt_caption 0.42569 1.418114e-09 Tolak Null
txt_cnt 0.67933 1.077219e-06 Tolak Null

Visualisasi

Code-snippet berikut membuat dan langsung menyimpan plot (1) Histogram-Density dan (2) Violin-Box and Whiskers Plot di direktori aktif saat ini.

numeric_cols <- names(poster_metadata)[sapply(poster_metadata, is.numeric)]

# For Loop setiap variabel
for (col_name in numeric_cols) {
  
  # Histogram-Density Plot
  p_hist <- ggplot(poster_metadata, aes(x = .data[[col_name]])) +
    geom_histogram(aes(y = after_stat(density)), 
                   alpha = 0.5, 
                   color = "white", 
                   fill = "steelblue") +
    geom_density(linewidth = 0.8, color = "darkblue") +
    labs(
      title = paste("Distribusi", col_name),
      x = col_name,
      y = "Densitas"
    ) +
    theme_classic()
  
  ggsave(
    filename = paste0("dist_", col_name, "_raw.png"),
    plot = p_hist,
    width = 7,
    height = 4.5,
    dpi = 300
  )
  
  # Violin Plot
  p_violin <- ggplot(poster_metadata, aes(x = .data[[col_name]], y = factor(0))) +
    geom_violin(fill = "aquamarine3", alpha = 0.6) +
    geom_boxplot(width = 0.1, color = "black", outlier.shape = NA) +
    labs(
      title = paste("Violin Plot -", col_name),
      x = col_name,
      y = ""
    ) +
    theme_classic() +
    theme(
      axis.text.y = element_blank(),
      axis.ticks.y = element_blank()
    )
  
  ggsave(
    filename = paste0("violin_", col_name, ".png"),
    plot = p_violin,
    width = 7,
    height = 3.5,
    dpi = 300
  )
  
}

Visual Normalitas Likes

Visual Normalitas Comments

Visual Normalitas Saves

Visual Normalitas Share

Visual Normalitas Rasio Text-Visual

Visual Normalitas Jumlah Huruf Pesan Utama

Visual Normalitas Jumlah Huruf Subtitle

Visual Normalitas Jumlah Huruf Pesan Utama dan Subtitle

Visual Normalitas Jumlah Huruf Caption

Visual Normalitas Jumlah Huruf Teks Keseluruhan

Transformasi Data (Natural Logarithm 10)

Saya skeptis tarhadap data yang ada sehingga

Variabel like

Statistik Deskriptif

summary(poster_metadata$likes)

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
    218    1908    5864   19334   20500  173100

Shapiro-Wilk Normality Test

Saya melakukan uji statistik formal dengan data apa ada nya.

shapiro.test(likes)

	Shapiro-Wilk normality test

data:  poster_metadata$likes
W = 0.56591, p-value = 4.087e-08

Namun begitu, hasil uji statistik formal ini menghasilkan nilai $W = 0.56591; p = 4.08 \times 10^{-8}$ yang mana berarti data likes tidak berdistribusi normal. Dengan hasil ini, saya melakukan triangulasi dengan visualisasi data.

Histogram dan Density Plot

# Hist + Density Plot
ggplot(poster_metadata, aes(likes)) +
  geom_histogram(aes(y = after_stat(density),
                     alpha = .5)) +
  geom_density() +
  labs(title = "Distribusi 'Likes'",
       subtitle = "Data sangat miring (right-skewed)",
       y = "Jumlah") +
  guides(alpha = "none") +
  theme_classic()

Violin Plot

# Violin Plot
ggplot(poster_metadata, aes(likes, factor(0))) +
  geom_violin() +
  labs(title = "Violin 'Likes'",
       subtitle = "Outlier terdeteksi. Miring ekstrim kanan (right-skewed)",
       y = "") +
  theme_classic()

Variabel lainnya

Saya skeptis bahwa data yang lain mungkin berdistribusi tidak normal. Dengan asumsi ini, saya melakukan uji normalitas Shapiro-Wilk secara batch

shapiro_results <- list()

for (col_name in names(poster_metadata)) {
  if (is.numeric(poster_metadata[[col_name]])) {
    test <- shapiro.test(poster_metadata[[col_name]])
    shapiro_results[[col_name]] <- data.frame(
      w_stat = round(test$statistic, 5),
      p_value = test$p.value,
      verdict = if(test$p.value < 0.05) "Tolak Null" else "Gagal Tolak Null",
      row.names = NULL
    )
  }
}

uji_norm_batch <- do.call(rbind, shapiro_results)
uji_norm_batch
Variabel w_stat p_value Kesimpulan Normalitas
likes 0.56591 4.087087e-08 Tolak Null
comments 0.67534 9.496506e-07 Tolak Null
saves 0.68064 1.123159e-06 Tolak Null
shares 0.76443 2.048239e-05 Tolak Null
msg_to_illust_ratio 0.90932 1.649580e-02 Tolak Null
cnt_message 0.93692 8.328193e-02 Gagal Tolak Null
cnt_sub_message 0.61606 1.611606e-07 Tolak Null
main_sub_message 0.92246 3.520628e-02 Tolak Null
cnt_caption 0.42569 1.418114e-09 Tolak Null
txt_cnt 0.67933 1.077219e-06 Tolak Null

Analisis untuk Hipotesis 1 (like vs style)

style memiliki 3 grup: Anime ($n = 24$), Cartoon ($n = 4$), Semi-realism ($n = 1$); yang mana memiliki proporsi yang tidak seimbang. Oleh karena itu, data ini tidak memenuhi uji asumsi untuk analisis inferensial lebih lanjut.

like memiliki statistik deskriptif sebagai berikut:

Min     : 218
1st Qu  : 1908
Median  : 5864
Mean    : 19334
3rd Qu  : 20500
Max     : 173100

likes <- c(
  173100, 59800, 59400, 57500, 39900, 26300, 20600, 20500, 18100, 16300,
  11000, 9194, 8363, 5882, 5864, 5246, 5032, 4423, 3328, 2935,
  2061, 1908, 1182, 978, 577, 462, 302, 230, 218
)

shapiro.test(likes)

	Shapiro-Wilk normality test

data:  likes
W = 0.56591, p-value = 4.087e-08

Analisis untuk Hipotesis 2 (like vs rasio teks-gambar)

Uji Asumsi

msg_to_illus_ratio = kontinu

Min     : 0.00
1st Qu  : 0.02
Median  : 0.08
Mean    : 0.08
3rd Qu  : 0.14
Max     : 0.19

msg_to_illust_ratio <- c(
  0.00, 0.00, 0.10, 0.07, 0.11, 0.14, 0.15, 0.07, 0.15, 0.14, 
  0.16, 0.12, 0.14, 0.11, 0.08, 0.00, 0.08, 0.00, 0.08, 0.00, 
  0.00, 0.10, 0.08, 0.08, 0.07, 0.02, 0.00, 0.16, 0.19
)

shapiro.test(msg_to_illust_ratio)

	Shapiro-Wilk normality test

data:  msg_to_illust_ratio
W = 0.90932, p-value = 0.0165

like = diskrit

Min     : 218
1st Qu  : 1908
Median  : 5864
Mean    : 19334
3rd Qu  : 20500
Max     : 173100

(insert Density plot; Histogram; Boxplot; Q-Q plot; Independency; Shapiro-Wilk; Levene)

Correlation

(insert code, result, and interpretation here)

Linear Regression

(insert code, result, and interpretation here)

Interpretasi

(insert verdict)

Analisis untuk Hipotesis 3 (like vs banyaknya pesan)

Uji Asumsi

message + sub_message = diskrit

(insert summary stats message + sub_message)

like = diskrit

(insert summary stats like)

(insert Density plot; Histogram; Boxplot; Q-Q plot; Independency; Shapiro-Wilk; Levene)

Correlation

(insert code, result, and interpretation here)

Linear Regression

(insert code, result, and interpretation here)

Interpretasi

(insert verdict)

Analisis untuk Hipotesis 4 (in consideration)

Uji Asumsi

###

Interpretasi

(insert verdict)

Kesimpulan

Enjoy Reading This Article?

Here are some more articles you might like to read next:

  • Comparative Anemometric Analysis of Room Ventilation
  • My Meticulous Itinerary to Kyoto
  • Planning to Go Abroad
  • Latihan ADE: Analisis Jawaban Soal dan Proporsi Pengumpulan Tugas Siswa
  • Module 1.1 Exercises