SIMULASI STATISTIKA
STABILITAS ANALYSIS OF COVARIANCE UNTUK MENDETEKSI SELISIH DUA POPULASI KASUS DATA BERPASANGAN Casia Nursyifa
Yoga Primanda Rizky Try Sutrisna Nurkhaerani Deni Linda Erijayanti Priawan
PENDAHU
PENDAHU
PENDAHU
Untuk menguji apakah ratarata kedua sampel sama atau tidak Menguji apakah selisih ratarata dari kedua sampel tersebut sama dengan suatu nilai tertentu atau tidak. Kedua sampel saling bebas. Asumsi: -Ukuran sampel di bawah 30. Hipotesis: H0 : 1 - 2 = d0 H1 : 1 - 2 d0
TINJAUAN
ANCOVA
Meningkatkan presisi sebuah percobaan karena di dalamnya dilakukan pengaturan terhadap pengaruh peubah bebas lain yang tidak terkontrol. Peubah bebasnya mencakup variabel kuantitatif dan kualitatif. ANCOVA = ANOVA + analisis regresi. Peubah Tipe Data y -Kuantitatif (kontinu) (peubah respon) x -Kuantitatif (covariate) (peubah -Kualitatif/kategorik bebas) (treatment/perlakuan /faktor)
TINJAUAN
ANCOVA
Tujuan ANCOVA adalah: Melihat pengaruh perlakuan terhadap peubah respon dengan mengontrol peubah lain yang kuantitatif. Membandingkan efek perlakuan terhadap prediktor. Menghitung keragaman (varians) Memasukkan (kovariat) untuk mengontrol keragaman. Menjelaskan hubungan Y dengan X setelah menghubungkan variabel penguat terhadap variabel bebas
TINJAUAN
ANCOVA
Asumsi: X adalah fixed, diukur tanpa error dan bebas terhadap perlakuan (tak dipengaruhi oleh perlakuan). ij menyebar NID (o,2). 0 yang berarti antara x dan y terdapat hubungan linier.
Model ANCOVA dengan satu covariate yij = + i + xij + ij i = 1, 2, ...a; j = 1, 2, ...ni
dimana: yij : nilai peubah respon pada perlakuan ke-I observasi ke-j xij : nilai covariate pada observasi yang bersesuaian dengan yij i : pengaruh perlakuan ke-i : koefisien regresi linier ij : random error A : banyaknya kategori pada perlakuan ni : banyaknya observasi pada kategori ke-i
TINJAUAN
ANCOVA
Dekomposisi SS Type I Proses dilakukan dengan covariate masuk ke dalam model terlebih dahulu dan diasumsikan covariate berhubungan linier dengan peubah respon. Satu kali uji hipotesis, untuk: 1. mengetahui pengaruh perbedaaan kategori perlakuan terhadap peubah respon. Dekomposisi SS Type III Proses tak didasari asumsi, apakah covariate atau perlakuan yang masuk ke dalam model terlebih dahulu. Dua kali uji hipotesis, untuk: 1. mengetahui adanya hubungan linier antara covariate dengan peubah respon, 2. mengetahui pengaruh perbedaaan kategori perlakuan terhadap peubah respon.
TINJAUAN
ANCOVA
Struktur Informasi Pokok Hasil Pengolahan Informasi pokok yang diperoleh adalah: Pengujian hipotesis untuk mengetahui apakah ada hubungan linier antara covariate dengan peubah respon, dan Pengujian hipotesis untuk mengetahui pengaruh perbedaaan perlakuan terhadap peubah respon.
TINJAUAN
ANCOVA
Pengujian untuk mengetahui hubungan linier antara covariate dengan peubah respon. Menghilangkan pengaruh perlakuan. Hipotesis H0 : = 0 (Tidak ada hubungan linier antara covariate dengan peubah respon) H1 : 0 (Ada hubungan linier antara covariate dengan peubah respon) Kriteria Keputusan Jika angka Sig.>0.05 H0 tidak ditolak Tidak ada hubungan linier antara covariate dengan peubah respon. Jika angka Sig.<0.05 H0 ditolak Ada hubungan linier antara covariate dengan peubah respon.
TINJAUAN
ANCOVA
Pengujian untuk mengetahui pengaruh perbedaaan perlakuan terhadap peubah respon. Menghilangkan pengaruh covariate Hipotesis H0 : 1 = 2 = ...= a = 0 (Tidak ada pengaruh perbedaaan perlakuan terhadap peubah respon) H1 : minimal ada satu i 0, i = 1, 2, ...a (Ada pengaruh perbedaaan perlakuan terhadap peubah respon) Kriteria Keputusan Jika angka Sig.>0.05 H0 tidak ditolak Tidak ada pengaruh perbedaan perlakuan thd peubah respon. Jika angka Sig.<0.05 H0 ditolak Ada pengaruh perbedaan perlakuan thd peubah respon.
TINJAUAN
POWER TEST
Suatu uji untuk melihat kekuatan suatu pengujian hipotesis.
Berupa peluang kejadian hipotesis nol ditolak dan hipotesis nol salah, atau dengan kata lain peluang (1-).
Dengan menentukan power test masing-masing metode pengujian hipotesis, maka dapat diketahui metode yang memiliki stabilitas kemampuan uji yang baik di berbagai korelasi.
TINJAUAN
ALGORITMA
Bangkitkan bilangan acak normal sebanyak n tertentu dengan nilai tengah dan ragam tertentu sebagai data awal / data sebelum.
METODOLOGI PENELITIAN
Bangkitkan data kedua yang merupakan data setelah. Data setelah tersebut dibagi dua, yaitu data setelah yang diberikan perlakuan dan data setelah yang tanpa diberikan perlakuan dengan total data dari kedua data tersebut sama dengan data awal dan nilai tengah keduanya sengaja dibedakan agar dapat dihitung kuasa ujinya (power test). Tentukan nilai korelasi antara data sebelum dan sesudah perlakuan yang ingin digunakan untuk pengujian kestabilan Kondisikan data setelah perlakuan sehingga memiliki korelasi dengan data sebelum
ALGORITMA
METODOLOGI PENELITIAN
Lakukan pengujian dengan ketiga metode tersebut, yaitu uji t dua sampel, dan ancova.
ALGORITMA
METODOLOGI PENELITIAN
Dari pengulangan yang dilakukan, hitung berapa kali pengujian tersebut menolak H0, artinya kedua populasi setelah berbeda, lalu rasiokan dengan banyaknya pengujian yang dilakukan, itulah nilai power test.
Sintaks program R :
X1<-rnorm(10000,50,10) X2<-c(g1<-rnorm(5000,50,10) ,g2<-rnorm(5000,40,10)) r<-c(0.1,0.2,0.3,0.4,0.5,0.6, 0.7,0.8,0.9) pwr_ancova<-c(rep(NA,9)) pwr_t.test<-c(rep(NA,9)) pwr_differences_t.test<c(rep(NA,9)) 4","r=0.5","r=0.6","r=0.7","r=0 .8","r=0.9") names(pwr_t.test)<c("r=0.1","r=0.2","r=0.3","r=0. 4","r=0.5","r=0.6","r=0.7","r=0 .8","r=0.9") names(pwr_differences_t.test)<c("r=0.1","r=0.2","r=0.3","r=0. 4","r=0.5","r=0.6","r=0.7","r=0 .8","r=0.9")
names(pwr_ancova)<c("r=0.1","r=0.2","r=0.3","r=0.
HASIL DAN
Sintaks program R :
for (j in 1:9){ G<-c(rep("local_control",5000, rep("treatment",5000)) pre<-X1 post<-r[j]*X1+sqrt(1-r[j]^2)*X2 med<-data.frame(pre,post,G) l<t.test(x[x$G=="local_control",]$post ,x[x$G=="treatment",]$post)$p.value pv[i]<-l m<t.test(x[x$G=="local_control",]$postx[x$G=="local_control",]$pre, x[x$G=="treatment",]$postx[x$G=="treatment",]$pre) $p.value pvp[i]<-m }
df<data.frame(pwr_ancova,pwr_t.te st,pwr_differences_t.test) df colors <- rainbow(3) linetype <- c(1:3) plotchar <- seq(18,18+3,1)
plot(c(0,1),c(0,1),type="n", xlab="correlation (r)",ylab="power test")
legend(0.02, 0.5, c("ancova","ttest","difference of 2 populations t-test"), cex=0.8, col=colors, pch=plotchar, lty=linetype, for (i in 1:3){ lines(r,df[,i], type="b",title="hypotesis testing") lwd=1.5,lty=linetype[i],
HASIL DAN
OUTPUT SINTAKS R
HASIL DAN
OUTPUT SINTAKS R
HASIL DAN
OUTPUT SINTAKS R
HASIL DAN
KESIMPULAN Hasil dari simulasi yang dilakukan sangat jelas terlihat pola yang paling stabil dari ketiga uji yang diujikan adalah ancova. Hal ini dapat dikatakan bahwa untuk kasus pengujian keefektifan obat diet tersebut ancova lah yang paling tepat digunakan karena pada berbagai nilai korelasi hasil pengujian ancova relatif stabil. Pola hasil pengujian untuk uji t dua sampel pada kondisi kedua populasi berasal dari data sesudah baik populasi yang diberi obat diet maupun yang tidak diberi obat diet terlihat baik pada saat korelasi antara data sesudah dan sebelum rendah (korelasi 0.4). Sedangkan pola untuk uji t dua sampel pada kondisi kedua populasi berasal dari data selisih antara sebelum dan sesudah baik populasi yang diberi obat diet maupun yang tidak diberi obat diet terlihat baik pada saat korelasi antara data sesudah dan sebelum rendah (korelasi 0.4).
KESIMPULAN