Program Studi Bisnis Digital • FEB

Statistika Bisnis

Pertemuan 14 — Rangkuman Semester: Sesi Tanya Jawab

Menyusun kembali seluruh alat statistik yang sudah kita pelajari satu semester — dari probabilitas sampai regresi berganda — menjadi satu peta yang runtut, sebelum Anda menghadapi UAS.

RPS MINGGU 15 • 2 × 50 MENIT

Tujuan Pertemuan Ini

Pertemuan ini adalah konsolidasi, bukan materi baru. Setelah pertemuan ini, Anda diharapkan mampu:

Kemampuan Menyusun Peta

Menjelaskan alur satu semester Statistika Bisnis dari probabilitas sampai regresi berganda
Memetakan kapan memakai tiap alat — korelasi, regresi, ANOVA, uji hipotesis
Mengenali keterkaitan antar-topik, bukan menghafalnya sebagai potongan terpisah

Kesiapan UAS

Mengidentifikasi bagian yang masih rapuh di pemahaman Anda sendiri
Berlatih ulang dua perhitungan kunci semester (korelasi & regresi berganda)
Bertanya langsung ke dosen sebelum UAS — tidak ada pertanyaan yang "terlalu dasar" hari ini

Bagian 1

Peta Besar: Sebelum UTS

Dari probabilitas sampai pengujian hipotesis univariat — fondasi berpikir statistik.

Recap: Probabilitas & Statistik Non-Parametrik

Di Pertemuan 2–3, kita mulai dari cara menghitung peluang suatu kejadian, lalu mengenal tabulasi silang untuk data kategorikal yang tidak mengikuti distribusi tertentu.

Probabilitas

Peluang suatu kejadian terjadi, dari 0 (mustahil) sampai 1 (pasti) — dasar semua inferensi statistik yang kita pelajari selanjutnya.

Statistik Non-Parametrik

Tabulasi silang (crosstab) untuk melihat hubungan dua variabel kategorikal, misalnya preferensi produk berdasarkan jenis kelamin, tanpa asumsi distribusi tertentu.

Contoh: peluang seorang investor ritel BEI memilih saham BBCA dibanding saham lain bisa dihitung dari proporsi historis transaksi — ini logika probabilitas yang sama dipakai di seluruh semester.

Recap: Distribusi Normal & ANOVA

Pertemuan 4–5 memperkenalkan kurva distribusi normal dan nilai-z, lalu ANOVA untuk membandingkan lebih dari dua kelompok sekaligus.

ANOVA (analisis varians) memakai distribusi F untuk menguji apakah rata-rata lebih dari dua kelompok berbeda signifikan — misalnya rata-rata omzet UMKM di tiga kota berbeda.

Distribusi normal dan nilai-z kita pelajari sebagai alat untuk membakukan data, artinya mengubah nilai mentah menjadi ukuran seberapa jauh sebuah observasi dari rata-rata dalam satuan standar deviasi. Ini penting karena banyak alat statistik lanjutan mengasumsikan data mendekati distribusi normal. Setelah itu kita masuk ke ANOVA, yang memakai distribusi F, bukan distribusi normal atau t, untuk membandingkan rata-rata lebih dari dua kelompok sekaligus. Contohnya menguji apakah rata-rata omzet UMKM di Semarang, Solo, dan Yogyakarta benar-benar berbeda, atau perbedaan itu hanya kebetulan sampel. Kalau ANOVA hanya membandingkan dua kelompok, sebenarnya cukup pakai uji-t, tapi begitu ada tiga kelompok atau lebih, ANOVA jadi pilihan yang tepat supaya kita tidak melakukan banyak uji-t berulang yang meningkatkan risiko kesalahan.

Hitung dari Nol #1: Estimasi Interval Kepercayaan

Recap Pertemuan 6–7: mengestimasi rata-rata pengeluaran bulanan pengguna e-commerce dari sampel, dengan tingkat kepercayaan 95%.

Langkah	Perhitungan	Nilai
Rata-rata sampel (n=100 pengguna Tokopedia)	diketahui dari survei	Rp450.000
Margin of error (1,96 × standar error Rp15.000)	1,96 × Rp15.000	~Rp29.400
Interval kepercayaan 95%	Rp450.000 ± Rp29.400	Rp420.600 – Rp479.400

Interval Kepercayaan 95%

Rp420,6rb – Rp479,4rb

Rp450.000 ± Rp29.400

Mari kita ingat kembali logika estimasi interval kepercayaan yang kita pelajari di Pertemuan 6 dan 7. Kita punya rata-rata sampel sebesar empat ratus lima puluh ribu rupiah dari seratus pengguna Tokopedia yang disurvei. Untuk membangun interval kepercayaan sembilan puluh lima persen, kita kalikan nilai kritis satu koma sembilan enam dengan standar error sebesar lima belas ribu rupiah, menghasilkan margin of error sekitar dua puluh sembilan ribu empat ratus rupiah. Interval kepercayaan akhirnya adalah rata-rata sampel dikurangi dan ditambah margin of error tadi, menghasilkan rentang dari empat ratus dua puluh koma enam ribu sampai empat ratus tujuh puluh sembilan koma empat ribu rupiah. Artinya kita sembilan puluh lima persen yakin bahwa rata-rata pengeluaran sesungguhnya seluruh populasi pengguna Tokopedia ada di rentang ini, bukan angka pasti tunggal.

Recap: Praktikum Software & Uji Hipotesis Univariat

Pertemuan 8–9 menutup paruh pertama semester dengan praktik olah data memakai software statistik, lalu menguji hipotesis untuk satu variabel.

Alur Uji Hipotesis Univariat

H0 (hipotesis nol): tidak ada perbedaan/efek — misalnya rata-rata belanja daring per bulan = Rp500.000
H1 (hipotesis alternatif): ada perbedaan/efek — rata-rata belanja daring ≠ Rp500.000
Nilai-p < 0,05: tolak H0 — ada bukti statistik cukup kuat untuk menyimpulkan ada perbedaan

Ini alur berpikir yang sama dipakai di semua uji hipotesis semester ini, termasuk uji signifikansi regresi nanti.

Praktikum olah data software di Pertemuan 8 penting karena sejak titik itu Anda mulai mengolah data sungguhan, bukan hanya menghitung manual di kertas. Lalu di Pertemuan 9 kita masuk uji hipotesis univariat, yang alur berpikirnya akan terus berulang sepanjang sisa semester ini. Kita mulai dengan merumuskan hipotesis nol, yaitu pernyataan status quo bahwa tidak ada perbedaan, misalnya rata-rata belanja daring bulanan penduduk Indonesia sama dengan lima ratus ribu rupiah. Lawannya adalah hipotesis alternatif yang menyatakan ada perbedaan. Kalau nilai-p yang kita dapat dari perhitungan lebih kecil dari lima persen, kita tolak hipotesis nol dan menyimpulkan ada bukti statistik yang cukup kuat. Ingat baik-baik logika ini, karena nanti saat kita bahas regresi, kita akan menguji hipotesis dengan cara yang persis sama, hanya objeknya berbeda.

Bagian 2

Peta Besar: Setelah UTS

Dari korelasi sampai statistik inferensial — membangun model hubungan antar-variabel.

Recap: Korelasi & Regresi Sederhana

Pertemuan 10–11 memperkenalkan dua alat untuk hubungan dua variabel — korelasi mengukur kekuatan hubungan, regresi mengestimasi arah kausalitasnya.

Korelasi (r)

-1 s.d. +1

Mengukur kekuatan & arah hubungan linear dua variabel — tidak menyatakan sebab-akibat.

Regresi Sederhana

Y = a + bX

Mengestimasi bagaimana perubahan X memprediksi perubahan Y, dengan asumsi arah kausalitas dinyatakan eksplisit.

Contoh: korelasi antara biaya iklan digital UMKM dan jumlah transaksi bulanan — lalu regresi dipakai memprediksi transaksi kalau biaya iklan dinaikkan.

Perbedaan antara korelasi dan regresi ini sering jadi titik kebingungan mahasiswa, jadi mari kita luruskan lagi. Korelasi hanya memberi tahu kita seberapa kuat dan ke arah mana dua variabel bergerak bersama, dengan nilai antara minus satu sampai plus satu, tapi korelasi tidak pernah menyatakan mana yang menyebabkan mana. Regresi sederhana melangkah lebih jauh dengan mengestimasi persamaan garis yang memprediksi nilai Y berdasarkan nilai X, tapi ingat, arah kausalitas ini harus kita tentukan berdasarkan logika teori atau desain penelitian, bukan dari angka statistiknya sendiri. Contohnya, kita bisa menghitung korelasi antara biaya iklan digital sebuah UMKM dan jumlah transaksi bulanannya, lalu memakai regresi untuk memprediksi berapa transaksi tambahan yang mungkin didapat kalau biaya iklan dinaikkan sekian rupiah.

Recap: Regresi Berganda

Pertemuan 12 memperluas regresi sederhana menjadi banyak prediktor sekaligus — lebih realistis untuk keputusan bisnis yang dipengaruhi banyak faktor.

Y = a + b1X1 + b2X2 + b3X3 + ...

Contoh: Omzet Toko Daring UMKM

Y = omzet bulanan (variabel yang diprediksi)
X1 = biaya iklan digital, X2 = jumlah produk aktif, X3 = rating toko
Koefisien b1, b2, b3 masing-masing menunjukkan efek satu variabel saat variabel lain dikontrol tetap

Hitung dari Nol #2: Interpretasi Koefisien Regresi Berganda

Recap perhitungan interpretasi hasil regresi berganda dari kasus omzet toko daring — mengubah angka koefisien menjadi kesimpulan bisnis.

Langkah	Perhitungan	Nilai
Koefisien biaya iklan (b1) — setiap Rp100.000 iklan tambahan	b1 = 3,2 (per Rp100rb)	+3,2 unit terjual
Kenaikan biaya iklan Rp500.000 (5 × Rp100rb)	3,2 × 5	+16 unit terjual
Dengan harga rata-rata Rp150.000/unit	16 × Rp150.000	+Rp2.400.000 omzet

Prediksi Tambahan Omzet

+Rp2,4 juta

dari tambahan iklan Rp500.000

Mari kita latih ulang cara membaca koefisien regresi berganda menjadi kesimpulan bisnis yang bisa dipakai pengambil keputusan. Misalkan koefisien b1 untuk biaya iklan adalah tiga koma dua, artinya setiap tambahan seratus ribu rupiah biaya iklan diasosiasikan dengan tambahan tiga koma dua unit terjual, dengan asumsi jumlah produk aktif dan rating toko tetap konstan. Kalau pemilik toko menaikkan biaya iklan sebesar lima ratus ribu rupiah, yaitu lima kali seratus ribu, kita kalikan tiga koma dua dengan lima, menghasilkan prediksi tambahan enam belas unit terjual. Dengan harga rata-rata seratus lima puluh ribu rupiah per unit, itu setara tambahan omzet sekitar dua juta empat ratus ribu rupiah. Perhatikan bagaimana angka koefisien yang tadinya abstrak sekarang menjadi rekomendasi bisnis yang konkret dan bisa langsung dipakai pemilik toko.

Recap: Asumsi Regresi Berganda & Penyimpangannya

Pertemuan 13 (bagian pertama) membahas empat asumsi klasik yang harus dipenuhi agar hasil regresi bisa dipercaya.

Langkah	Asumsi	Kalau Dilanggar
1. Linearitas	Hubungan X dan Y berbentuk garis lurus	Model tidak menangkap pola sesungguhnya (bias)
2. Tidak ada multikolinearitas	Prediktor tidak saling berkorelasi tinggi	Koefisien jadi tidak stabil & sulit diinterpretasi
3. Homoskedastisitas	Varians residual konstan di semua nilai X	Standard error keliru → kesimpulan uji-t tidak valid
4. Normalitas residual	Sisa error (residual) mengikuti distribusi normal	Interval kepercayaan & uji hipotesis jadi tidak akurat

Empat asumsi ini adalah "syarat sah" sebuah model regresi sebelum kita percaya hasil interpretasinya. Linearitas berarti hubungan antara prediktor dan variabel hasil memang berbentuk garis lurus, bukan kurva melengkung yang tidak tertangkap model linear kita. Tidak ada multikolinearitas berarti antar-prediktor tidak terlalu berkorelasi satu sama lain, misalnya biaya iklan di Instagram dan biaya iklan di Facebook yang sering bergerak bersamaan bisa jadi masalah. Homoskedastisitas berarti sebaran error konsisten besarnya di semua rentang nilai X, tidak makin melebar seiring X membesar. Normalitas residual berarti sisa kesalahan prediksi model mengikuti pola distribusi normal. Kalau salah satu asumsi ini dilanggar, bukan berarti modelnya langsung tidak berguna, tapi kesimpulan statistik yang kita tarik dari model itu jadi meragukan.

Recap: Pengujian Normalitas & Homoskedastisitas

Pertemuan 13 (bagian kedua) mengajarkan cara mendeteksi pelanggaran asumsi secara visual dan statistik, bukan hanya menduga-duga.

Uji Normalitas

Histogram residual — bentuk mendekati lonceng?
Uji Kolmogorov-Smirnov / Shapiro-Wilk — nilai-p > 0,05 berarti normal
Q-Q plot — titik-titik mendekati garis diagonal

Uji Homoskedastisitas

Scatter plot residual vs. nilai prediksi — sebaran acak tanpa pola corong
Uji Breusch-Pagan — nilai-p > 0,05 berarti homoskedastis
Pola corong (melebar) = tanda heteroskedastisitas

Pengujian ini penting karena kita tidak boleh hanya menduga model kita memenuhi asumsi klasik — harus dibuktikan dengan alat yang sesuai. Untuk normalitas, kita bisa mulai dari cara visual sederhana seperti histogram residual yang bentuknya harus mendekati lonceng, atau Q-Q plot di mana titik-titiknya mendekati garis diagonal. Secara formal, kita pakai uji Kolmogorov-Smirnov atau Shapiro-Wilk, dengan aturan yang sama seperti uji hipotesis lain: kalau nilai-p lebih besar dari lima persen, kita tidak menolak asumsi normalitas. Untuk homoskedastisitas, cara visualnya adalah scatter plot antara residual dan nilai prediksi — kalau sebarannya membentuk pola corong yang melebar, itu tanda heteroskedastisitas. Secara formal kita pakai uji Breusch-Pagan dengan logika nilai-p yang sama. Ingat, alat deteksi ini yang akan sering muncul di soal UAS.

Recap: Statistik Inferensial — Uji Kelayakan Model

Pertemuan terakhir sebelum hari ini menutup dengan menguji apakah model regresi secara keseluruhan layak dipakai, dan apakah tiap variabel signifikan.

Uji F (Simultan)

Menguji apakah seluruh prediktor secara bersama-sama signifikan menjelaskan Y — nilai-p < 0,05 berarti model layak dipakai.

Uji t (Parsial)

Menguji apakah satu prediktor tertentu signifikan secara individual, dengan variabel lain dikontrol.

R² (koefisien determinasi) melengkapi kedua uji ini — menunjukkan seberapa besar persentase variasi Y yang berhasil dijelaskan model, misalnya R² = 68% berarti 68% variasi omzet dijelaskan oleh prediktor dalam model.

Ini adalah puncak dari seluruh rangkaian regresi yang kita pelajari — setelah model dibangun dan asumsinya diuji, langkah terakhir adalah menilai apakah model ini layak dipercaya dan dipakai. Uji F menguji kelayakan model secara keseluruhan, apakah seluruh prediktor bersama-sama benar-benar menjelaskan variasi Y, dengan logika nilai-p yang sama seperti sebelumnya. Uji t menguji tiap prediktor secara individual, misalnya apakah biaya iklan secara sendiri signifikan memengaruhi omzet setelah mengontrol variabel lain. R kuadrat melengkapi keduanya dengan memberi tahu kita seberapa besar persentase variasi omzet yang berhasil dijelaskan oleh model kita, misalnya enam puluh delapan persen, sisanya dijelaskan faktor lain di luar model. Ketiga alat ini — uji F, uji t, dan R kuadrat — selalu dilaporkan bersamaan dalam laporan riset bisnis yang memakai regresi.

Bagian 3

Menyatukan Semua Peta

Satu alur berpikir, bukan sekumpulan rumus terpisah.

Pohon Keputusan: Alat Apa yang Saya Pakai?

Pertanyaan paling sering muncul saat mengerjakan soal: "alat statistik mana yang cocok untuk kasus ini?" Ikuti alur berikut.

Peta keputusan ini adalah cara praktis menjawab pertanyaan yang paling sering muncul, yaitu alat apa yang harus dipakai untuk sebuah kasus. Langkah pertama, tanyakan berapa variabel yang terlibat. Kalau hanya satu variabel, seperti menguji apakah rata-rata belanja daring sama dengan angka tertentu, kita pakai estimasi interval atau uji-t univariat dari paruh pertama semester. Kalau lebih dari satu variabel, kita tanyakan lagi jenis datanya: kalau kategorikal seperti membandingkan rata-rata di beberapa kelompok, kita pakai ANOVA, atau kalau melihat hubungan dua variabel kategorikal kita pakai tabulasi silang. Kalau datanya numerik dan kita ingin melihat hubungan atau membuat prediksi, kita pakai korelasi untuk sekadar mengukur kekuatan hubungan, atau regresi kalau kita ingin memprediksi dan menjelaskan besarnya efek. Latih diri Anda menjawab pertanyaan ini dulu sebelum mengerjakan soal UAS.

Lima Kesalahan Umum yang Sering Terulang

Berdasarkan pola jawaban tugas dan kuis sepanjang semester, ini kesalahan yang paling sering muncul — kenali supaya tidak terulang di UAS.

Langkah	Kesalahan	Cara Menghindarinya
1. Korelasi = kausalitas	Menyimpulkan X menyebabkan Y hanya dari nilai r yang tinggi	Korelasi tinggi ≠ sebab-akibat; perlu regresi & teori pendukung
2. Salah baca nilai-p	Mengira nilai-p = probabilitas H0 benar	Nilai-p = probabilitas data seekstrem ini jika H0 benar
3. Lupa unit satuan koefisien	Interpretasi koefisien tanpa menyebut satuan X dan Y	Selalu sebut "per satu unit X" saat menjelaskan b
4. Abaikan uji asumsi	Langsung interpretasi regresi tanpa cek normalitas/homoskedastisitas	Cek asumsi dulu, baru percaya hasil uji-t/uji-F
5. Bulatkan angka terlalu dini	Membulatkan hasil perhitungan antara sebelum langkah akhir	Simpan 2–3 desimal sampai jawaban akhir

Lima kesalahan ini saya kumpulkan dari pola jawaban tugas dan kuis Anda sepanjang semester, jadi ini bukan tebakan melainkan pola nyata yang berulang. Kesalahan pertama soal korelasi dan kausalitas paling sering muncul — ingat, nilai r yang tinggi hanya menunjukkan hubungan, bukan sebab-akibat, kita butuh regresi ditambah alasan teoretis untuk bicara kausalitas. Kesalahan kedua soal nilai-p adalah kesalahan interpretasi klasik di seluruh dunia statistik, bukan cuma di kelas kita — nilai-p bukan probabilitas hipotesis nol benar, melainkan probabilitas mendapat data seekstrem ini seandainya hipotesis nol memang benar. Kesalahan ketiga soal lupa unit satuan sering membuat jawaban benar secara angka tapi salah secara interpretasi bisnis. Kesalahan keempat soal mengabaikan uji asumsi klasik sering terjadi karena terburu-buru langsung lompat ke kesimpulan uji-F dan uji-t. Kesalahan kelima soal pembulatan dini bisa membuat jawaban akhir Anda meleset jauh dari kunci jawaban meski logika perhitungannya benar.

Contoh Soal Terintegrasi Gaya UAS

Soal UAS sering menggabungkan beberapa topik sekaligus dalam satu kasus. Mari kita bedah satu contoh bersama.

Kasus: Riset Loyalitas Pelanggan E-commerce

Peneliti mengumpulkan data 200 pelanggan: skor loyalitas (Y), frekuensi transaksi (X1), lama jadi pelanggan/tahun (X2)
Langkah 1: uji korelasi X1, X2 dengan Y — adakah hubungan awal?
Langkah 2: bangun regresi berganda Y = a + b1X1 + b2X2
Langkah 3: uji asumsi klasik (normalitas & homoskedastisitas residual)
Langkah 4: uji F (kelayakan model) dan uji t (signifikansi tiap prediktor)

Contoh soal seperti ini yang biasanya muncul di UAS, karena menggabungkan hampir seluruh materi setelah UTS dalam satu alur logis. Skenarionya, seorang peneliti mengumpulkan data dua ratus pelanggan e-commerce dengan tiga variabel: skor loyalitas sebagai variabel hasil, frekuensi transaksi dan lama menjadi pelanggan sebagai dua prediktor. Langkah pertama yang harus Anda lakukan adalah uji korelasi awal untuk melihat apakah ada hubungan kasar antara masing-masing prediktor dengan skor loyalitas. Langkah kedua, bangun persamaan regresi berganda yang menggabungkan kedua prediktor sekaligus. Langkah ketiga, jangan langsung percaya hasilnya — uji dulu asumsi klasik seperti normalitas dan homoskedastisitas residual. Baru langkah keempat, lakukan uji F untuk menilai kelayakan model secara keseluruhan dan uji t untuk menilai signifikansi tiap prediktor secara individual. Urutan langkah ini penting dan sering jadi poin penilaian tersendiri di rubrik UAS.

Sesi Tanya Jawab Terbuka

Sisa waktu hari ini sepenuhnya untuk pertanyaan Anda. Gunakan panduan berikut supaya diskusi terarah dan bermanfaat untuk seluruh kelas.

Cara Bertanya yang Efektif

Sebutkan topik/pertemuan spesifik yang membingungkan (misalnya "Pertemuan 13 soal homoskedastisitas")
Kalau bisa, sertakan contoh soal atau kasus yang membuat Anda bingung
Boleh bertanya soal format & cakupan UAS, bukan hanya materi
Tidak ada pertanyaan "terlalu dasar" — lebih baik bertanya sekarang daripada salah di UAS

Dosen akan mencatat pertanyaan yang sering muncul untuk dibahas ulang secara singkat di awal sesi UAS review (bila ada).

Sekarang giliran Anda sepenuhnya. Saya sengaja menyisakan waktu cukup panjang untuk sesi ini karena pengalaman menunjukkan mahasiswa punya pertanyaan yang berbeda-beda tergantung di mana letak kebingungan masing-masing. Supaya diskusi ini efektif untuk seluruh kelas, tolong sebutkan dulu topik atau pertemuan spesifik yang membuat Anda bingung, misalnya soal cara membaca output homoskedastisitas dari Pertemuan 13, supaya saya bisa langsung fokus menjelaskan bagian itu. Kalau Anda punya contoh soal yang membuat bingung, silakan tunjukkan juga. Anda juga boleh bertanya soal format dan cakupan UAS, bukan cuma materi substansi. Ingat, tidak ada pertanyaan yang terlalu dasar hari ini — jauh lebih baik bertanya sekarang di kelas daripada bingung sendiri saat mengerjakan UAS nanti. Silakan, siapa yang mau memulai?

Ringkasan Semester & Persiapan UAS

Satu semester ini kita bangun kemampuan berpikir statistik secara bertahap — dari probabilitas dasar sampai model regresi berganda yang lengkap dengan uji asumsi.

Peta Lengkap Satu Semester

Sebelum UTS: probabilitas → non-parametrik → distribusi normal → ANOVA → estimasi & uji hipotesis
Setelah UTS: korelasi → regresi sederhana → regresi berganda → uji asumsi klasik → statistik inferensial

Menuju UAS

Pelajari ulang lima kesalahan umum (Slide 17) sebelum belajar materi baru
Latih ulang dua "Hitung dari Nol" hari ini — estimasi interval & interpretasi koefisien
Manfaatkan jam konsultasi dosen bila masih ada yang mengganjal setelah hari ini

Sebagai penutup satu semester ini, mari kita lihat sekali lagi keseluruhan perjalanan yang sudah Anda lalui. Sebelum UTS, kita membangun fondasi berpikir statistik mulai dari probabilitas, lalu naik ke distribusi normal, ANOVA, sampai estimasi dan uji hipotesis untuk satu variabel. Setelah UTS, kita naik satu tingkat kompleksitas ke hubungan antar-variabel, mulai dari korelasi sederhana sampai regresi berganda lengkap dengan uji asumsi klasik dan statistik inferensial. Kalau Anda masih merasa ada bagian yang rapuh, saya sarankan pelajari ulang lima kesalahan umum yang tadi kita bahas, dan latih ulang dua contoh hitung dari nol hari ini karena keduanya merangkum logika inti semester ini. Jangan ragu memanfaatkan jam konsultasi saya kalau masih ada yang mengganjal setelah pertemuan ini. Selamat belajar untuk UAS, dan Terima Kasih atas semangat Anda sepanjang semester ini.