Anda di halaman 1dari 14

LAPORAN PRAKTIKUM BIOSTATISTIKA STATISTIKA NON PARAMETRIK

OLEH NAMA NIM TGL PRAKTIKUM ASISTEN : Febi Wahyu S : 0810910044 : 26 OKTOBER 2010 : AULIA M DEWI S

JURUSAN BIOLOGI FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS BRAWIJAYA MALANG 2010

BAB I PENDAHULUAN 1.1. Latar Belakang Statistik adalah sebagai alat pengolah data angka. Stasistik dapat juga diartikan sebagai metode/asas-asas guna mengerjakan atau memanipulasi data kuantitatif agar angka berbicara. Pendekatan dengan statistik sering digunakan metode statistic yaitu metode guna mengumpulkan, mengolah, menyajikan, menganalisis & menginterpretasikan data statistik. Statistika dapat pula diartikan pengetahuan yang berhubungan dengan pengumpulan data, pengolahan data, penganalisisan dan penarikan kesimpulan berdasarkan data dan analisis. Jadi statistik adalah produk dari kerja statistika ().

Teknik inferensi yang pertama dikembangkan adalah mengenai pembuatan sejumlah besar asumsi sifat populasi di mana sampel telah diambil. Teknk yang banyak digunakan pada metode-metode pengujian hipotesis dan penafsiran interval ini kemudian dikenal sebagai Statistik Parametrik, karena nilai-nilai populasi merupakan parameter. Distribusi populasi atau distribusi variabel acak yang digunakan pada teknik inferensi ini mempunyai bentuk matematik yang diketahui, akan tetapi memuat beberapa parameter yang tidak diketahui. Permasalahan yang harus diselesaikan adalah menaksir parameter-parameter yang tidak diketahui tersebut dengan data sampel atau melakukan uji hipotesis tertentu yang berhubungan dengan parameter populasi. Pada kenyataannya sangatlah sulit untuk mendapatkan sampel yang memenuhi asumsi mempunyai distribusi tertentu. Kebanyakan sampel yang diperoleh hanyalah sebatas mendekati tertentu, seperti mendekati normal. Bahkan banyak juga sampel yang distribusinya tidak diketahui sama sekali. Oleh karena itu kemudian dikembangkan suatu teknk inferensi yang tidak memerlukan uji asumsi-asmsi tertentu mengenai distribusi sampelnya, dan juga tidak memerlukan uji hipotesis yang berhubungan dengan parameter populasinya. Teknik statistik ini dikenal dengan Statistik Bebas Distribusi atau Statistik NonParametrik. Sudah tentu apabila asumsi-asumsi tertentu yang diperlukan dalam suatu pengujian dapat dipenuhi, maka seharusnya uji non-parametrik tidak digunakan. Uji non-

parametrik digunakan sebagai alternatif, bila mana distribusi sampel tidak dapat memenuhi asumsi distribusi normal.
1.2. Tujuan Tujuan dari praktikum ini adalah mahasiswa mampu mengetahui cara menganalisis rancangan percobaan non parametrik dengan menggunakan program minitab.

BAB II TINJAUAN PUSTAKA Ilmu statistika secara garis besar dibagi menjadi 2 (Wijaya, 2001): yaitu

1. Statistika parametrik Ilmu statistika yang mempertimbangkan jenis sebaran/distribusi data, yaitu apakah data menyebar normal atau tidak. Pada umumnya, Jika data tidak menyebar normal, maka data harus dikerjakan dengan metode Statistika non-parametrik, atau setidak2nya dilakukan transformasi agar data mengikuti sebaran normal, sehingga bisa dikerjakan dg statistika parametrik. Contoh metode statistika parametrik: uji-z (1 atau 2 sampel), uji-t (1 atau 2 sampel), korelasi pearson, Perancangan Percobaan (1 or 2-way ANOVA parametrik), dll. 2. Statistika non-parametrik Statistika non-parametrik adalah statistika bebas sebaran (tidak mensyaratkan bentuk sebaran parameter populasi, baik normal atau tidak). Statistika non-parametrik biasanya digunakan untuk melakukan analisis pada data berjenis Nominal atau Ordinal. Contoh metode Statistika non-parametrik:Binomial test, Chi-square test, Median test, Friedman Test, dll. Statistik nonparametrik mempunyai beberapa kelebihan dan kekurangan. Kelebihannya antara lain adalah (Wijaya, 2001): 1. Tingkat kesalahan penggunaan prosedur statistik nonparametrik relatif kecil karena statistik jenis ini tidak memerlukan banyak asumsi. 2. Perhitungan yang harus dilakukan pada umumnya sederhana dan mudah, khususnya untuk data yang kecil. 3. Konsep dalam statistik nonparametrik mudah untuk dimengerti. 4. Dapat digunakan untuk menganalisa data yang berbentuk hitungan maupun peringkat (rank). 1. Satu populasi Wilcoxon Tujuan dari uji ini adalah melihat dan menganalisis apakah sekumpulan non parametric berasal dari populasi dengan median M tertentu. Dalam metode wilcoxon ini memperkenalkan pengujian relatif yang cukup sederhana dan tidak membutuhkan berbagai macam asumsi yang harus dipenuhi seperti pengujian lainnya, misalnya tentang sifat dan bentuk distribusi serta parameter

populasinya. Uji wilcoxon meneliti apakah terdapat perbedaan median antara sampel yang berpasangan adalah nol. Cara yang digunakan adalah dengan memberikan pangkat yang merupakan nomor urut untuk nilai-nilai yang berlainan (berbeda) (Daniel, 1989). 2. Uji Mann-Whitney Uji Mann-Whitney digunakan untuk menguji hipotesis nol tentang kesamaan parameter-parameter lokasi populasi . Dalam beberapa kasus uji ini disebut juga Uji Mann-Whitney Wilcoxon, karena wilcoxon menggunakan kasus dengan ukuran sampel yang sama sedangkan Mann-Whitney dapat juga menggunakan ukuran sampel yang berbeda. Sehingga secara garis besar pada uji Mann-Whitney diperoleh dua sampel random yang ukurannya bisa berbeda dan bisa sama, misalnya X1, X2, , Xn dari populasi X dan Y1, Y2, , Ym dari populasi Y. Adapun secara lengkap format uji hipotesis dari uji ini yaitu (Conover, 1999): H0 : = i ( tidak ada perbedaan rata-rata diantara kedua sampel) H1 : i (terdapat perbedaan rata-rata antara kedua sampel)

BAB III METODE PRAKTIKUM 3.1 Waktu dan Tempat Praktikum Biostatistika dilakukan pada hari Selasa tanggal 30 Desember 2010 pukul 07.30 WIB bertempat di laboratorium Biologi Statiska, Jurusan Matematika, Fakultas MIPA, universitas Brawijaya 3.2 Cara Kerja Langkah pertama dalam menganalisis Non Parametrik adalah, masukan data dalam kolom (A, B, dan C) masing-masing 5 kolom kebawah secara acak, selanjutnya klik data lanjutkan dengan klik stack dan pilih coloum, maka akan keluar stack coloum dan akan muncul stack the follow caloum masukkan data atau klik (A,B,C), dan pilih store stacked data akan keluar new worksheet pilih name media dan coloum pilih C5 dan Oke. Langkah selanjutnya masuk data klik stat masuk AnovA dan pilih one-way, masukkan data Response untuk media C4 dan factor untuk C5 dan oke. Ketika tolak Ho maka klik tukeys untuk menentukan perlakuan yang berbeda sebagai uji lanjutan AnovA jika tolak Ho. Klik Stat dan pilih non parametrik. Klik kruskal walls dan isi response dan factor. Klik Ok Uji kenormalan data dengan cara klik Stat dan basic statistic. Klik normallity test dan isi variable. Klik OK.

BAB IV HASIL DAN PEMBAHASAN 4.1 Data Soal : Dalam suatu studi tentang pengaruh penambahan hormon auksin tanaman terhadap panjang akar jagung pada 6 tanaman yang diamati dengan dosis berbeda. ulangan 4 perlakuan 1 2 3 3 P0 3 4 4 4 P1 3 5 3 7 P2 6 5 4 4 P3 3 4 6 4 P4 3 5 6 P0 : Pemberian hormon auksin dengan dosis 0 Kg/ha P1 : Pemberian hormon auksin dengan dosis 2,5 Kg/ha P2 : Pemberian hormon auksin dengan dosis 5 Kg/ha P3 : Pemberian hormon auksin dengan dosis 7,5 Kg/ha P4 : Pemberian hormon auksin dengan dosis 10 Kg/ha 4.2 Output Data 3 4 4 3 3 3 3 5 3 4 4 3 6 perlakuan p0 p0 p0 p0 p0 p0 p1 p1 p1 p1 p1 p1 p2 RESI1 -0.33333 0.66667 0.66667 -0.33333 -0.33333 -0.33333 -0.66667 1.33333 -0.66667 0.33333 0.33333 -0.66667 0.16667 5 3 4 8 5 4 6 3 3 5 5 3

5 4 7 8 5 3 4 6 4 5 5 3 5 6 4 4 3

p2 p2 p2 p2 p2 p3 p3 p3 p3 p3 p3 p4 p4 p4 p4 p4 p4

-0.83333 -1.83333 1.16667 2.16667 -0.83333 -1.50000 -0.50000 1.50000 -0.50000 0.50000 0.50000 -1.16667 0.83333 1.83333 -0.16667 -0.16667 -1.16667

One-way ANOVA: data versus perlakuan


Source perlakuan Error Total S = 1.055 DF 4 25 29 SS 22.47 27.83 50.30 MS 5.62 1.11 F 5.04 P 0.004

R-Sq = 44.67%

R-Sq(adj) = 35.81%

Level N Mean +--------p0 6 3.333 p1 6 3.667 p2 6 5.833 *------) p3 6 4.500 p4 6 4.167

Individual 95% CIs For Mean Based on Pooled StDev StDev +---------+---------+--------0.516 0.816 1.472 (-------*------) (-------*------) (-------

1.049 (-------*------) 1.169 (-------*------) +---------+---------+---------+--------2.4 3.6 4.8 6.0

Pooled StDev = 1.055

Probability Plot of RESI1


Normal
99 Mean StDev N AD P-Value 8.881784E-17 0.9797 30 0.325 0.508

95 90 80

Percent

70 60 50 40 30 20 10 5

-2

-1

0 RESI1

Test for Equal Variances: RESI1 versus perlakuan


95% Bonferroni confidence intervals for standard deviations perlakuan p0 p1 p2 p3 p4 N 6 6 6 6 6 Lower 0.282142 0.446105 0.804227 0.573032 0.638725 StDev 0.51640 0.81650 1.47196 1.04881 1.16905 Upper 1.79952 2.84529 5.12942 3.65484 4.07384

Bartlett's Test (normal distribution) Test statistic = 5.01, p-value = 0.286 Levene's Test (any continuous distribution) Test statistic = 1.42, p-value = 0.256

Test for Equal Variances for RESI1


p0
Bartlett's Test Test Statistic P-Value Test Statistic P-Value 5.01 0.286 1.42 0.256

Levene's Test

p1 perlakuan

p2

p3

p4 0 1 2 3 4 5 95% Bonferroni Confidence Intervals for StDevs

Kruskal-Wallis Test: data versus perlakuan


Kruskal-Wallis Test on data perlakuan p0 p1 p2 p3 p4 Overall H = 11.36 H = 12.24 N 6 6 6 6 6 30 Median 3.000 3.500 5.500 4.500 4.000 Ave Rank 8.7 11.5 24.3 17.9 15.1 15.5 Z -2.13 -1.24 2.75 0.75 -0.13

DF = 4 DF = 4

P = 0.023 P = 0.016

(adjusted for ties)

Friedman Test: data versus perlakuan blocked by kelompok


S = 8.90 DF = 4 P = 0.064 S = 11.48 DF = 4 P = 0.022 (adjusted for ties) Est Median 3.300 3.900 6.300 4.400 4.100 Sum of Ranks 10.5 15.0 26.0 20.0 18.5

perlakuan P0 P1 P2 P3 P4

N 6 6 6 6 6

Grand median = 4.400

4.3 Interpretasi data Pada uji anova menunjukkan bahwa data menerima H0 krn pada p value < alpha (0.05). Hal ini dapat disimpulkan bahwa data menyebar normal dan tolak H1 (tidak menyebar normal). Pada test equal variance menunjukkan data terima h1 sehingga ragam galat tidak homogen. Hal ini dikarenakan p value > alpha (0.05). Pada Kruskal Walls Test menunjukkan bahwa : H = 11.36 DF = 4 P = 0.023 (biasa/ data tdk sama) H = 12.24 DF = 4 P = 0.016 (adjusted for ties)terkoreksi (data sama)

BAB V KESIMPULAN

Statistika non-parametrik biasanya digunakan untuk melakukan analisis pada data berjenis Nominal atau Ordinal dan merupakan uji statistik yang tidak memerlukan asumsi kenormalan data. Uji tanda merupakan prosedur yang tertua dari semua prosedur nonparametrik. Statistika non-parametrik adalah statistika bebas sebaran (tidak mensyaratkan bentuk sebaran parameter populasi, baik normal atau tidak). Statistika non-parametrik biasanya digunakan untuk melakukan analisis pada data berjenis Nominal atau Ordinal. Contoh metode

Statistika non-parametrik:Binomial test, Chi-square test, Median test, Friedman Test, dll.

DAFTAR PUSTAKA

Daniel, W. Wayne. 1989. Statistika Nonparametrik Terapan. PT. Gramedia. Jakarta Conover WJ. 1999. Practical nonparametric statistics, 3rd edition. John Wiley & Sons. New York. Wijaya, I.R. 2001. Statistika Nonparametrik. Alfabeta. Bandung