Pematerian Statistik RMSL 2022

Shapiro Test
shapiro.test()
#distribusi data normal jika p-value>0.05

Boxplot ()
boxplot (nilai yang dibandingkan~group)

Group Differences

Student T test
##Unpaired samples
library(MASS)
birthwt
attach(birthwt)
#dilakukan visualisasi data dengan menggunakan boxplot untuk melihat distribusi
data
boxplot(bwt~smoke)
t.test(bwt~smoke, mu=0)
#apabila nilai p-value kurang dari 0.05 maka hasil signifikan

##Paired Samples
attach(Platelet)
t.test(before,after,paired=T,alternative="less")
#apabila nilai p-value kurang dari 0.05 maka hasil signifikan
.
.
.
.
Wilcoxon Matched Pairs
#buka terlebih dahulu data yang akan digunakan melalui 'Import Dataset'
attach(mice_wt)
wilcox.test(before,after,paired = TRUE,alternative = "two.sided")
.
.
.
.
Chi-Square Test
#buka terlebih dahulu data yang akan digunakan melalui 'Import Dataset'
attach(kijang_chi_sq)
chisq=chisq.test(kijang_chi_sq)
#jika nilai p-value <0.05 maka terindikasi adanya seleksi
###Warning message:
In chisq.test(kijang_chi_sq) : Chi-squared approximation may be incorrect , maka
chisq.test(kijang_chi_sq,simulate.p.value = TRUE)
.
.
.
.
ANOVA
#data harus terdistribusi normal
contoh data menggunakan Cushing dari library(MASS)
library(MASS)
Cushings
aov1=aov(Tetrahydrocortisone~Type)
summary(aov1)
#jika nilai Pr(>F) kurang dari 0.05 atau ada tanda [*] maka dapat dilanjutkan
dengan tukey HSD
.
.
Tukey HSD
TukeyHSD(aov1)
#jika nilai p adj kurang 0.05 maka signinfikan
.
.
.
.
Kruskal-Wallis
#data tidak harus terdistribusi normal
#sering dianggap sebagai pengganti ANOVA pada uji non-parametrik
#buka terlebih dahulu data yang akan digunakan melalui 'Import Dataset'
attach(brg_da)
kruskal.test(kelimpahan~petak)
#jika nilai p-value signifikan (<0.05) maka bisa dilanjutkan dengan post hoc test
menggunakan pairwise wilcoxon test
.
.
Pairwise Wilcoxon test
pairwise.wilcox.test(kelimpahan, petak, exact=F)
#nilai signifikan ketika p value <0.05
.
.
.
.
.
Cluster Analysis with Bray-Curtis Similarity
library(vegan)
library(ecodist)
data=read.table("cluster_analysis.txt", header=T)
bray=vegdist(data,method="bray")
cluster=hclust(bray,method="average")
plot(cluster,xlab="landuse",ylab="disimmilarity")
.
.
.
.
Whittaker Plot
#untuk mengetahui dominansi spesies pada suatu kawasan
CS=data[order(-data$countryside),]
plot(CS$countryside, type="o", xlim=c(0,26), ylim=c(0,5), lwd=2, col="red", pch=1,
cex=2, xlab="rank", ylab="proportion of abundance", main="Whittaker Plot of Bird
Abundance")
#penentuan xlim dan ylim disesuaikan dengan range data yang dipakai
CT=data[order(-data$city),]
lines(CT$city, type="o", lwd=2, col="blue", pch=2, cex=1,)
IN=data[order(-data$industry),]
lines(IN$industry, type="o", lwd=2, col="yellow", pch=2, cex=1,)
legend("topright", inset=0.05, legend=c("Countryside","City","Industry"),
pch=1:2:3, lty=c(1,1,1),col=c("red","blue","yellow"), lwd=2)
.
.
.
.
TREND ANALYSIS
Pearson Correlation Test
#data terdistirbusi normal
library(MASS)
birthwt
attach(birthwt)
cor.test(bwt,smoke,method="pearson")
#apabila nilai korelasi (cor) -1, 0, 1. Apabila nilai mendekati -1 maka korelasi
negatif, sebaliknya, jika korelasi mendekati 1 maka korelasi positif
#apabila nilai cor 0 maka tidak ada korelasi
.
.
.
.
Spearman Correlation Test
#buka terlebih dahulu data yang akan digunakan melalui 'Import Dataset'
attach(cor_test)
cor.test(sr,cc,method="spearman",exact = FALSE)
#apabila nilai korelasi (cor) -1, 0, 1. Apabila nilai mendekati -1 maka korelasi
negatif, sebaliknya, jika korelasi mendekati 1 maka korelasi positif
#apabila nilai cor 0 maka tidak ada korelasi
.
.
.
.
REGRESI
generalized Linier model
#buka terlebih dahulu data yang akan digunakan melalui 'Import Dataset'
attach(regresi)
model1=glm(SR~pl+Ttpn_Tjk+Ttpn_Tb+Vd_30+Vd_100+Vd_200+Vd_300+Jml_Jns_Semai+Jml_Jns_
Pcg+Jml_Jns_Tng+Jml_Jns_Phn+Jml_Semai+Jml_Pcg+Jml_Tng+Jml_Phn)
summary(modelglm)
#lakukan eliminasi variabel yang tidak berpengaruh (>0.05) satu persatu atau
backward stepwise
#model yang baik adalah model dengan seluruh variabel berpengaruh
.
.
.
.
Logistic atau Binomial Regression
#buka terlebih dahulu data yang akan digunakan melalui 'Import Dataset'
attach(logit_reg)
modelbin=glm(pres_MEP~sr_semai+sr_sapihan+sr_tiang+sr_pohon+ttpn_tjk+ttpn_tb+dens_s
emak+dens_semai+dens_sapihan+dens_tiang+dens_pohon+moist+elev+slope+jdsa, family =
binomial)
summary(modelbin)
#lakukan eliminasi variabel yang tidak berpengaruh (>0.05) satu persatu atau
backward stepwise
#model yang baik adalah model dengan seluruh variabel berpengaruh
.
.
.
.
condition plot
coplot(y~x|x,panel=panel.smooth)
.
.
.
.
Canonical Correspondence Analysis (CCA)
#buka terlebih dahulu data yang akan digunakan melalui 'Import Dataset'
library(vegan)
data=read.table(file="cca.csv", header=T,sep=";")
mat1=data[,6:28]
mat2=data[,29:33]
mod_cca=cca(mat1,mat2)
summary(mod_cca)
plot(mod_cca)