KELOMPOK 03

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

LATAR BELAKANG Di dalam merancang hingga menganalisis

penelitian kita butuh prosedur statistik. Memeriksa dan generalisasi hasil yang diperoleh dari sampel kembali ke populasinya. Bertujuan untuk memberikan wawasan yang berarti tentang masalah yang sedang diperiksa Dalam presentasi kali ini diangkat penelitian tentang keefektifan sebuah obat diet.

PENDAHU

LATAR BELAKANG Informasi penelitian:

Terdapat dua perlakuan: - Kontrol (tidak diberi obat) - Diberi obat Respon yang diukur: - Berat badan sebelum pemberian obat dan berat badan setelah pemberian obat pada jangka waktu tiga bulan Pengujian statistik yang sering digunakan: - Uji t dua sampel, dan - Analisis kovarian

PENDAHU

TUJUAN PENELITIAN Melakukan simulasi ketiga pengujian

statistik: - Uji t dua sampel, dan - Analisis kovarian (ancova) Melihat masing-masing pola hasil pengujian ketiga uji statistik pada nilai korelasi yang berbeda-beda. Membandingkan pola hasil ketiga pengujian, manakah yang lebih stabil dilakukan dalam menguji permasalahan tersebut.

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

UJI-t DUA SAMPEL BEBAS

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

Hipotesis: H0 : 1 = 2 = ...= a = 0 H1 : sekurang-kurangnya ada satu i 0, i = 1, 2, ...a

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

METODOLOGI METODE PENELITIAN PENELITIAN Penelitian ini menggunakan metode simulasi.

ALAT DAN BAHAN
Data yang digunakan dalam penelitian ini adalah data bilangan acak normal yang dibangkitkan dengan ketentuan tertentu. Software yang digunakan dalam simulasi ini adalah R.

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.

Untuk uji t dua sampel, dibedakan lagi berdasarkan kondisinya.

Kondisi 1 Kedua populasi berasal dari data sesudah baik populasi yang diberi obat diet maupun yang tidak diberi obat diet. Kondisi 2 Kedua populasi berasal dari data selisih antara sebelum dan sesudah baik populasi yang diberi obat diet maupun yang tidak diberi obat diet.

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.

Perhatikan kestabilan nilai power test pada tiap korelasi.

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 }

pac<-c(rep(NA,100)) pv<-c(rep(NA,100)) pvp<-c(rep(NA,100))

for(i in 1:100) { x<-med[sample(nrow(med), 30), ,]

pwr_ancova[j]<-mean(pac<0.05) test1<pwr_t.test[j]<-mean(pv<0.05) summary(ancova(post~pre+G,data=x)) pwr_differences_t.test[j]<mean(pvp<0.05) k<-as.vector(test1[[1]][[5]]) pac[i]<-k[2] }

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")

Sintaks program R : col=colors[i],

pch=plotchar[i]) title("Power Test Correlation Between PRE", ) } In Many POST and

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