MS2 Slides

Metode Statistika II
Dr. Danardono
danardono@ugm.ac.id
Program Studi Statistika
Materi dan Jadual

Tatap
Muka
Pokok Bahasan
Sub Pokok Bahasan
1.
Data Statistik dan

Metode Statistik
1. Pendahuluan
2. Data statistik (review)
3. Metode Statistik
2.
Analisis Variansi
1. Pengantar
2. ANAVA satu arah
3.
Analisis Variansi
1. Pembandingan Ganda
2. Diagnostik
4.
Analisis Variansi
1. ANAVA Dua Arah

2. Topik Lanjut ANAVA
Materi dan Jadual

5.
Analisis Regresi
1. Pengantar
2. Regresi Linear Sederhana
3. Metode Kuadrat Terkecil
6.
Analisis Regresi
1. Inferensi
2. Korelasi
7.
Analisis Regresi
1. Regresi Linear Ganda

2. Inferensi
3. Regresi Polinomial
8.
Analisis Data
Kategorik
1. Data Kategorik
2. Tabel Kategorik 2 2
3. Tabel Kategorik b k
9.
Analisis Data
Kategorik
1. Fishers exact test

2. Ukuran Keeratan Hubungan
3. Uji Goodness of t distribusi multinomial
Materi dan Jadual

10.
Metode
Non-parametrik
1. Pengantar
2. Dua sampel dependen
11.
Metode
Non-parametrik
1. K-sampel dependen
2. Koesien Korelasi Rank
12.
Bilangan indeks
13.
Presentasi
14.
Presentasi
Buku teks:
Soejoeti, Z. (1984). Buku Materi Pokok Metode Statistik II,
Universitas Terbuka, Penerbit Karunika, Jakarta.
Abdurakhman (2004). Modul Metode Statistika II, Program
Studi Statistika, Jurusan Matematika, FMIPA UGM.
Penilaian
Ujian Akhir Semester
Ujian Tengah Semester
Presentasi
Penilaian lisan
Tugas
Kuis
Keaktivan
Analisis Variansi
Analisis Variansi (Anava)
Perluasan dari uji mean dua populasi Normal
(data berasal dari populasi Normal)
Ada k mean populasi yang dibandingkan

Berdasarkan pada pemecahan variansi
Analisis Variansi Satu Arah

Inferensi mean populasi Normal
Uji mean satu populasi
H0 : = 0

H0 : = 0
Uji mean dua populasi
H0 : 1 = 2

H0 : = 0
Uji mean dua populasi
H0 : 1 = 2
Uji mean k populasi

H0 : 1 = 2 = 3

Contoh:
Dipunyai empat varitas padi yang akan kita uji produktivitasnya. Dua
puluh empat petak tanah yang kira-kira mempunyai kesuburan yang
sama dipilih. Kemudian 24 petak itu dibagi secara random menjadi
empat kelompok, masing-masing 6 petak yang selanjutnya tiap
kelompok ditanami satu varitas padi. Apakah rata-rata produktivitas 4
varitas padi tersebut sama?
A
24
13
18
24
16
23
varitas
B
C
13 21
21 13
11 26
23 23
28 16
18 12
D
27
30
24
29
26
34

Terminologi
faktor variabel independen yang akan diteliti. Contoh: varitas
padi, merek, temperatur.
tingkat faktor nilai tertentu dari faktor. Contoh: varitas-varitas
padi yang berbeda (varitas A, B, C, D); beberapa merek
telepon seluluer yang berbeda (Nokia, Samsung,
Sony-Ericsson); nilai temperatur yang berbeda (70 C,
80 C, 90 C).
Perlakuan (treatment) Tingkat faktor atau kombinasi dari
beberapa tingkat faktor.

Anava Satu Arah Model I (Fixed Effects)
Model:
Yij
= i + ij
= + i + ij ,
i = 1, 2, . . . , k; j = 1, 2, . . . , ni ,
dimana Yij adalah variabel respon dari perlakuan ke-i

observasi ke-j ; k adalah banyaknya perlakuan dan ni adalah
banyaknya sampel untuk tiap perlakuan; , i dan i adalah
parameter.
Asumsi:
ij adalah variabel random independen yang berdistribusi
Normal N (0, 2 ) dan k i = 0
i=1

Anava Satu Arah Model II (Random Effects)
Model:
Yij
= i + ij
= + Ai + ij ,
i = 1, 2, . . . , k; j = 1, 2, . . . , ni ,
dimana Yij adalah variabel respon dari perlakuan ke-i

observasi ke-j ; k adalah banyaknya perlakuan dan ni adalah
banyaknya sampel untuk tiap perlakuan; , i dan Ai adalah
parameter.
Asumsi:
ij adalah variabel random independen yang berdistribusi
Normal N (0, 2 ) dan Ai adalah variabel random independen
2
yang berdistribusi Normal N (0, ); ij dan Ai independen.

Uji Hipotesis
H0 : 1 = 2 = . . . = k (atau H0 : 1 = 2 = . . . = k = 0)
H1 : minimal ada dua mean yang tidak sama (atau
i = 0
untuk beberapa i)
Statistik Penguji
F =
MST
MSE
dimana F F(k1,nk)
MST: mean square treatment (kuadrat rata-rata perlakuan)
MSE: mean square error (kuadrat rata-rata sesatan)
yang diperoleh dari Tabel Anava (Analisis Variansi)
Daerah Kritis
H0 ditolak jika F > F(k1,nk)
15
20
25
30
Hasil Padi - ANAVA
Hasil Padi - ANAVA

Tabel Anava
Sumber Variansi
derajad
bebas
Jumlah Kuadrat (SS)
Perlakuan
k1
SST =
k
i=1
Sesatan
N k
SSE =
k
i=1 (ni
Xi =
1
ni
2
Si =
1
N
2
1)Si
ni
j=1 xij
1
ni 1
X=
ni (Xi X)2
ni
j=1 (Xij
k
i=1
X i )2
ni
j=1 xij ,
N=
ni
Rata-rata
Jumlah Kuadrat
(MS)
MST =
SST
k1
MSE =
SSE
N k
rasio F
F =
MST
MSE
Hasil Padi - ANAVA

A
24
13
18
24
16
23
B
13
21
11
23
28
18
varitas
C
21
13
26
23
16
12
D
27
30
24
29
26
34
Hasil Padi - ANAVA
ni
Xi
2
Si
A
24
13
18
24
16
23
6
19,67
21,87
varitas
B
C
13
21
21
13
11
26
23
23
28
16
18
12
6
6
19,00 18,50
40,40 32,30
D
27
30
24
29
26
34
6
28,33
12,27
Hasil Padi - ANAVA
ni
Xi
2
Si
X=
1
N
k
i=1
ni
j=1
A
24
13
18
24
16
23
6
19,67
21,87
xij =
513
24
varitas
B
C
13
21
21
13
11
26
23
23
28
16
18
12
6
6
19,00 18,50
40,40 32,30
= 21, 38
D
27
30
24
29
26
34
6
28,33
12,27
Hasil Padi - ANAVA
ni
Xi
2
Si
X=
1
N
A
24
13
18
24
16
23
6
19,67
21,87
k
ni
xij = 513
j=1
i=1
24
k
ni (Xi X)2
i=1
varitas
B
C
13
21
21
13
11
26
23
23
28
16
18
12
6
6
19,00 18,50
40,40 32,30
D
27
30
24
29
26
34
6
28,33
12,27
= 21, 38
SST =
= 6(19,6721,38)2 +6(19,0021,38)2 +6(18,5021,38)2 +6(28,3321,38)2
Hasil Padi - ANAVA
ni
Xi
2
Si
X=
1
N
A
24
13
18
24
16
23
6
19,67
21,87
k
ni
xij = 513
j=1
i=1
24
k
ni (Xi X)2
i=1
SST =
= 391, 46
varitas
B
C
13
21
21
13
11
26
23
23
28
16
18
12
6
6
19,00 18,50
40,40 32,30
= 21, 38
D
27
30
24
29
26
34
6
28,33
12,27
Hasil Padi - ANAVA
ni
Xi
2
Si
X=
1
N
A
24
13
18
24
16
23
6
19,67
21,87
k
ni
xij = 513
j=1
i=1
24
k
ni (Xi X)2
i=1
varitas
B
C
13
21
21
13
11
26
23
23
28
16
18
12
6
6
19,00 18,50
40,40 32,30
= 21, 38
SST =
= 391, 46
k
2
SSE = i=1 (ni 1)Si
=(61)21,87+(61)40,40+(61)32,30+(61)12,27
D
27
30
24
29
26
34
6
28,33
12,27
Hasil Padi - ANAVA
ni
Xi
2
Si
X=
1
N
A
24
13
18
24
16
23
6
19,67
21,87
k
ni
xij = 513
j=1
i=1
24
k
ni (Xi X)2
i=1
SST =
= 391, 46
k
2
SSE = i=1 (ni 1)Si
= 534, 17
varitas
B
C
13
21
21
13
11
26
23
23
28
16
18
12
6
6
19,00 18,50
40,40 32,30
= 21, 38
D
27
30
24
29
26
34
6
28,33
12,27
Hasil Padi - ANAVA

Tabel Anava Hasil 4 Varitas Padi
Sumber Variansi
derajad
bebas
Perlakuan
k1
Sesatan
N k
Jumlah Kuadrat (SS)
SST =
SSE =
k
i=1
ni (Xi X)2
k
i=1 (ni
2
1)Si
Rata-rata
Jumlah Kuadrat
(MS)
MST =
SST
k1
MSE =
SSE
N k
rasio F
F =
MST
MSE
Hasil Padi - ANAVA

Sumber Variansi
derajad
bebas
Jumlah Kuadrat (SS)
Rata-rata
Jumlah Kuadrat
(MS)
Varitas
SST = 391, 46
MST =
SST
k1
Sesatan
20
SSE = 534, 17
MSE =
SSE
N k
rasio F
F =
MST
MSE
Hasil Padi - ANAVA

Sumber Variansi
derajad
bebas
Jumlah Kuadrat (SS)
Rata-rata
Jumlah Kuadrat
(MS)
Varitas
SST = 391, 46
MST =
Sesatan
20
SSE = 534, 17
MSE =
391,46
3
434,17
20
rasio F
F =
MST
MSE
Hasil Padi - ANAVA

Sumber Variansi
derajad
bebas
Jumlah Kuadrat (SS)
Rata-rata
Jumlah Kuadrat
(MS)
rasio F
Varitas
SST = 391, 46
MST = 130, 49
130,49
26,71
Sesatan
20
SSE = 534, 17
MSE = 26, 71
Hasil Padi - ANAVA

Sumber Variansi
derajad
bebas
Jumlah Kuadrat (SS)
Rata-rata
Jumlah Kuadrat
(MS)
rasio F
Varitas
SST = 391, 46
MST = 130, 49
4, 8856
Sesatan
20
SSE = 534, 17
MSE = 26, 71
Hasil Padi - ANAVA

Sumber Variansi
derajad
bebas
Jumlah Kuadrat (SS)
Rata-rata
Jumlah Kuadrat
(MS)
rasio F
Varitas
SST = 391, 46
MST = 130, 49
4, 8856
Sesatan
20
SSE = 534, 17
MSE = 26, 71
Statistik Penguji
F = 4, 8856
Daerah Kritik ( = 0, 05)

H0 ditolak jika F > F(3,20) = 3, 10
Hasil Padi - ANAVA

Sumber Variansi
derajad
bebas
Jumlah Kuadrat (SS)
Rata-rata
Jumlah Kuadrat
(MS)
rasio F
Varitas
SST = 391, 46
MST = 130, 49
4, 8856
Sesatan
20
SSE = 534, 17
MSE = 26, 71
Statistik Penguji
F = 4, 8856
Daerah Kritik ( = 0, 05)

H0 ditolak jika F > F(3,20) = 3, 10
Kesimpulan
F = 4, 8856 > 3, 10 H0 ditolak,
paling tidak ada dua mean yang
tidak sama
Pemecahan Jumlah Kuadrat

Notasi:
Total observasi untuk perlakuan ke-i
ni
Yi. =
Yij
j=1
Rerata sampel untuk perlakuan ke-i
Yi. =
ni
j=1 Yij
ni
Yi.
ni

Notasi:
Total seluruh observasi
k
ni
Y.. =
Yij
i=1 j=1
Rerata sampel keseluruhan
Y.. =
k
j=1
ni
j=1 Yij
Y..
=
N
(Yij Y.. )2 =
SSTO
ni (Yi. Y.. )2 +
SST
(Yij Yi. )2
SSE
jumlah kuadrat total = jumlah kuadrat perlakuan+jumlah kuadrat sesatan

Tabel Anava
Sumber Variansi
derajad
bebas
Jumlah Kuadrat
(SS)
Rata-rata Jumlah
Kuadrat (MS)
Perlakuan
k1
SST
MST =
SST
k1
Sesatan
N k
SSE
MSE =
SSE
N k
Total
N 1
SSTO
2
Yij
SSTO =
i
SST =
2
Yi.
ni
2
Yij
SSE =
i
2
Y..
2
Y..
2
Yi.
ni
rasio F
F =
MST
MSE

Sebuah perusahaan cereal mempunyai 4 jenis kemasan
untuk produk cereal yang sama rasanya. Untuk mengetahui
desain kemasan mana yang paling menarik minat pembeli, 10
toko yang masing-masing memiliki total penjualan yang sama
diambil sebagai unit eksperimen. Secara random toko-toko
tersebut menerima salah satu dari 4 jenis kemasan cereal
tersebut. Diperoleh data banyaknya penjualan cereal dari
masing-masing toko sebagai berikut:
Toko
Desain Kemasan 1
2
3
1
12 18
2
14 12 13
3
19 17 21
4
24 30
Selisih antara yij dengan Y..

Y
30
28
26
24
22
20
Y..
18
16
14
12
10
Kemasan 1
Kemasan 2
Kemasan 3
Kemasan 4
Selisih antara yij dengan Yi.

Y
30
28
26
24
22
20
18
16
14
12
10
Kemasan 1
Kemasan 2
Kemasan 3
Kemasan 4
Selisih antara Yi. dengan Y..

Y
30
28
26
24
22
20
Y..
18
16
14
12
10
Kemasan 1
Kemasan 2
Kemasan 3
Kemasan 4
Pengekstrak tanah - ANAVA

Tiga jenis pengekstrak zinc digunakan pada 10 sampel tanah
untuk mengetahui kandungan mineral tanah. Diperoleh hasil
berupa kandungan zinc (dalam ppm - parts per million)
sebagai berikut: Untuk pengekstrak jenis pertama diperoleh
rerata dan deviasi standar 2,40 dan 1,69. Untuk jenis kedua
diperoleh rerata dan deviasi standar 3,19 dan 2,35. Untuk
jenis yang ketiga diperoleh rerata dan deviasi standar 4,72
dan 2,75. Ujilah apakah ketiga pengekstrak tersebut berbeda
dilihat dari banyaknya zinc yang terekstrak.
Hasil Padi - Pembandingan ganda

Pembandingan Ganda (Multiple Comparisons)
Merupakan analisis lanjutan bila H0 ditolak dalam Anava
Uji F Anava hampir pasti menolak H0 bila ukuran sampel
cukup besar

Pembandingan Ganda (Multiple Comparisons)
Merupakan analisis lanjutan bila H0 ditolak dalam Anava
Uji F Anava hampir pasti menolak H0 bila ukuran sampel
cukup besar
Metode:
Tukey
Scheff
Bonferroni
Newman - Keuls

Metode Scheff
Mempunyai asumsi sama seperti Anava
Menggunakan tabel F
Hipotesis
H0 : i = j
H1 : i = j
untuk i = j dan i, j = 1, 2, . . . , k
Daerah Kritik (Keputusan)
H0 ditolak, jika | Xi Xj |>
(S 2 = MSE dalam Anava satu arah)
(k 1)S 2 F,k1,N k
1
ni
1
nj

Contoh
Pembandingan ganda untuk varitas padi contoh di muka.
Diketahui (dari hitungan di muka):
ni
Xi
A
6
19,67
varitas
B
C
6
6
19,00 18,50
D
6
28,33
MSE = 26, 71

Contoh
ni
Xi
A
6
19,67
varitas
B
C
6
6
19,00 18,50
D
6
28,33
MSE = 26, 71
Pembandingan ganda Scheff:

Pembandingan
A
A
A
B
B
C
vs.
vs.
vs.
vs.
vs.
vs.
B
C
D
C
D
D
| Xi Xj |
(k 1)MSEF,k1,N k
1
ni
1
nj
Kesimpulan

Contoh
ni
Xi
A
6
19,67
varitas
B
C
6
6
19,00 18,50
D
6
28,33
MSE = 26, 71

Pembandingan
A
A
A
B
B
C
vs.
vs.
vs.
vs.
vs.
vs.
B
C
D
C
D
D
| Xi Xj |
3(26, 71)(3, 10)
1
ni
1
nj
Kesimpulan

Contoh
ni
Xi
A
6
19,67
varitas
B
C
6
6
19,00 18,50
D
6
28,33
MSE = 26, 71

Pembandingan
A
A
A
B
B
C
vs.
vs.
vs.
vs.
vs.
vs.
B
C
D
C
D
D
| Xi Xj |
0,67
1,17
8,66
0,50
9,33
9,83
248, 403
1
ni
1
nj
Kesimpulan

Contoh
ni
Xi
A
6
19,67
varitas
B
C
6
6
19,00 18,50
D
6
28,33
MSE = 26, 71

Pembandingan
A
A
A
B
B
C
vs.
vs.
vs.
vs.
vs.
vs.
B
C
D
C
D
D
| Xi Xj |
0,67
1,17
8,66
0,50
9,33
9,83
248, 403
248, 403
1
ni
1
nj
1
6
1
6
Kesimpulan

Contoh
ni
Xi
A
6
19,67
varitas
B
C
6
6
19,00 18,50
D
6
28,33
MSE = 26, 71

Pembandingan
A
A
A
B
B
C
vs.
vs.
vs.
vs.
vs.
vs.
B
C
D
C
D
D
| Xi Xj |
0,67
1,17
8,66
0,50
9,33
9,83
248, 403
1
ni
9,1
9,1
9,1
9,1
9,1
9,1
1
nj
Kesimpulan

Contoh
ni
Xi
A
6
19,67
varitas
B
C
6
6
19,00 18,50
D
6
28,33
MSE = 26, 71

Pembandingan
A
A
A
B
B
C
vs.
vs.
vs.
vs.
vs.
vs.
B
C
D
C
D
D
| Xi Xj |
0,67
1,17
8,66
0,50
9,33
9,83
248, 403
1
ni
9,1
9,1
9,1
9,1
9,1
9,1
1
nj
Kesimpulan
H0
H0
H0
H0
H0
H0
diterima
diterima
diterima
diterima
ditolak
ditolak
Diagnostik Model Anava

Langkah Analisis:
1. Memeriksa apakah model sesuai dengan data
(diagnostik)
2. Jika model tidak sesuai, mungkin perlu dilakukan
transformasi data atau modikasi model
3. Setelah model dipandang sesuai, lakukan inferensi
berdasarkan model tersebut
Diagnostik Model Anava

Langkah Analisis:
1. Memeriksa apakah model sesuai dengan data
(diagnostik)
Untuk model Anava:
Analisis residual
Uji kesamaan variansi
2. Jika model tidak sesuai, mungkin perlu dilakukan
transformasi data atau modikasi model
3. Setelah model dipandang sesuai, lakukan inferensi
berdasarkan model tersebut
Analisis Residual
Residual:
eij
= Yij Yij
= Yij Yi.
Analisis Residual
Residual:
eij
= Yij Yij
= Yij Yi.
Residual standar:
eij
MSE
alternatif standarisasi:
eij
si
Plot Residual
plot residual terhadap Y (nilai pencocokan, tted values)

plot residual terhadap waktu atau urutan yang lain
dotplot, histogram, boxplot dari residual
Normal probability plot
Diagnostik dengan Residual

Residual dapat digunakan untuk memeriksa penyimpangan
asumsi model ANAVA:
variansi dari galat (error ) yang tidak konstan
galat yang tidak independen
pencilan (outliers)
galat yang tidak berdistribusi normal
0
5
residual
Plot residual eij dengan Y

ij
20
22
24
^
Y
26
28
Boxplot residual eij untuk tiap perlakuan
Boxplot residual eij untuk tiap perlakuan
Uji Bartlett
Uji Kesamaan variansi Bartlett:
2
2
2
H0 : 1 = 2 = . . . = k
2
H1 : tidak semua i sama i = 1, . . . , k
Uji statistik berdasarkan asumsi bahwa s2 , s2 , . . . , s2
1 2
k
merupakan variansi sampel dari k sampel random yang
amsing-masing berdistribusi Normal, dan (ni 1) adalah
derajad bebas dari masing-masing s2
i
Rata-rata aritmetik s2 adalah:
i
1
MSE =
N k
dengan N k =
k
i=1 ni
k
i=1
(ni 1)s2
i
1 adalah derajad bebas total.
Uji Bartlett
2
2
2
H0 : 1 = 2 = . . . = k
2
Uji statistik berdasarkan asumsi bahwa s2 , s2 , . . . , s2
1 2
k
merupakan variansi sampel dari k sampel random yang
amsing-masing berdistribusi Normal, dan (ni 1) adalah
derajad bebas dari masing-masing s2
i
Rata-rata geometrik dari s2 adalah:
i
GMSE =
(s2 )(n1 1) (s2 )(n2 1) . . . (s2 )(nk 1)

1
2
k
1/(N k)
Uji Bartlett
2
2
2
H0 : 1 = 2 = . . . = k
2
Untuk sembarang nilai-nilai s2
i
GMSE MSE
Nilai GMSE dan MSE akan dekat jika nilai-nilai s2 saling
i
berdekatan.
MSE/GMSE akan dekat ke 1 atau
log(MSE/GMSE) = log(MSE) log(GMSE) akan dekat ke 0.
Uji Bartlett
2
2
2
H0 : 1 = 2 = . . . = k
2
Statistik penguji:
N k
[log(MSE) log(GMSE)]
B=
C
dengan
1
C=1+
3(k 1)
C>1
k
i=1
1
ni 1
N k
Uji Bartlett
2
2
2
H0 : 1 = 2 = . . . = k
2
Statistik penguji:
k
1
(ni 1) log(s2 )
(N k) log(MSE)
B=
i
C
i=1
dengan
1
C=1+
3(k 1)
i=1
1
ni 1
1
N k
C>1
Bila H0 benar, B mendekati distribusi 2 dengan derajad bebas k 1
Uji Bartlett
2
2
2
H0 : 1 = 2 = . . . = k
2
Daerah penolakan:
B 2
(1,k1) ,
B > 2
(1,k1) ,
H0 diterima
H0 ditolak
Hasil padi - Uji Bartlett

2
2
2
2
H0 : A = B = C = D
2
H1 : tidak semua i sama
Statistik penguji:
Diketahui k = 4, ni = 6, s2 = 21,87; 40,40; 32,30; 12,27
i
1
C = 1+
3(4 1)
4
i=1
= 1, 08333
B =
1
(20) log(2,71)
C
= 1,726
1
ni 1
20
k
i=1
(ni 1) log(s2 )
i
Hasil padi - Uji Bartlett

2
2
2
2
H0 : A = B = C = D
2
H1 : tidak semua i sama
Daerah penolakan ( = 0,05):
2
(0,05; 3) > 7,815
Keputusan:
2
(0,05; 3) < B = 1,726 H0 tidak ditolak.
ANAVA Dua Arah

Model untuk Eksperimen dua faktor:
Yijk = + i + j + ()ij + ijk ,
i = 1, 2, . . . , r, j = 1, 2, . . . , c dan k = 1, 2, . . . , n.
Asumsi:
Eror ikj independen dan berdistribusi normal dengan rerata
nol dan variansi 2 ; r i = 0, c j = 0,
i=1
j=1
r
()ij = c ()ij = 0
i=1
j=1
ANAVA Dua Arah

Sumber
Variasi
derajad bebas
Jumlah
Kuadrat
(SS)
Rata-rata Jumlah
Kuadrat (MS)
Variabel A
a1
SSA
MSA =
SSA
a1
FA =
MSA
MSE
Variabel B
b1
SSB
MSB =
SSB
b1
FB =
MSA
MSE
Interaksi (AB)
(a 1)(b 1)
SSAB
Sesatan
ab(k 1)
SSE
MSAB =
MSE =
Tij
SSA
Yijk
1
bk
h=1
b
Ti.
SSB
Yijk
j=1 h=1
a
T.j
Yijk
T2
abk
SSE
Yijk
i=1 j=1 h=1
i=1
2
Ti. C
1
ak
i=1
b
2
T.j C
k
2
Yijk
i=1 i=1 h=1

a
SSTO
=
=
b
2
Tij
i=1 i=1
i=1 i=1 h=1
SSAB
MSAB
MSE
SSE
ab(k1)
i=1 h=1
FAB =
SSAB
(a1)(b1)
rasio F
2
Yijk C
SSTO SSA SSB SSE
Platelet - ANAVA Dua Arah

Platelet adalah komponen sel darah yang memegang
peranan penting dalam pembekuan darah. Banyak platelet
yang normal dalam tubuh adalah antara 200.000 sampai
400.000 per cc. darah. Obat-obat tertentu yang digunakan
untuk mengobati kanker diketahui akan menurunkan banyak
platelet. Misalkan bahwa tiga obat D1 , D2 dan D3 digunakan
dalam tiga dosis yang berbeda L1 , L2 dan L3 , masing-masing
untuk empat orang pasien, yang kira-kira mempunyai banyak
platelet yang sama, yaitu 300.000. Diperoleh data banyak
platelet untuk 36 orang pasien.
Dosis
L1
L2
L3
D1
245
289
246
323
206
137
302
252
250
235
254
237
Jenis obat
D2
248 213
283 255
278 194
278 298
228 241
164 191
D3
355
218
253
326
198
165
298
315
263
234
190
231
300
220
240
260
D1
D2
D3
200
banyak platelet
280
obat
L1
L2
dosis
L3
Dosis
L1
L2
L3
Jumlah
D1
T11 = 1088
T21 = 1054
T31 = 834
T.1 = 2976
Jenis obat
D2
T12 = 999
T22 = 1048
T32 = 824
T.2 = 2871
D3
T13 = 1186
T23 = 1076
T33 = 784
T.3 = 3046
Jumlah
T1. = 3273
T2. = 3178
T3. = 2442
T = 8892

Sumber
Variasi
derajad
bebas
Jumlah Kuadrat
(SS)
Rata-rata Jumlah
Kuadrat (MS)
rasio F
Dosis (L)
34480, 05
17240, 03
FA = 10, 41
Obat (D)
1293, 05
646, 53
FB = 0, 39
Interaksi
3540, 12
885, 03
FAB = 0, 53
Sesatan
27
44697, 75
1655, 47
Lama Belajar - ANAVA dua-arah

Tiga mahasiswa putera dan puteri dipilih secara random dari
tiap-tiap tingkat (I,II,II,IV). Observasi rata-rata banyak jam
belajar per minggu dalam satu semester dicatat untuk
masing-masing 24 mahasiswa tersebut.
22
24
26
28
30
putera
puteri
20
ratarata jam belajar per minggu
32
jender
II
III
tingkat
IV

Df
tingkat
3
jkel
1
tingkat:jkel 3
Residuals
16
Sum Sq Mean Sq F value Pr(>F)

161.76
53.92 2.2531 0.12150
6.00
6.00 0.2507 0.62339
257.52
85.84 3.5869 0.03725
382.90
23.93
Pupuk - ANAVA dua-arah

Dua macam pupuk padi (A dan B) digunakan dalam kuantitas
1 kg dan 2 kg per petak. Suatu eksperimen faktorial 2 2
dengan empat observasi replikasi telah dilakukan dan
hasilnya direpresentasikan sebagai grak interaksi mean
(slide berikut). Apakah ada efek interaksi, faktor A atau faktor
2
B? (Diketahui ijk Yijk = 4202)
Pupuk - ANAVA dua-arah

A
B
A:B
Residuals
Df
1
1
1
12
Sum Sq Mean Sq F value

Pr(>F)
25.000 25.000
18.75 0.0009785
64.000 64.000
48.00 1.587e-05
1.000
1.000
0.75 0.4034593
16.000
1.333
50
55
60
65
70
Latihan Anova 2 arah
slow
country
rock
50
55
60
65
70
58
60
62
C
B
D
A
56
Tahan hidup bateri (jam)
64
merek
slow
country
jenis musik
rock

Analysis of Variance Table
Response: life
Df
merek
3
jmusik
2
merek:jmusik 6
Residuals
36
Sum Sq Mean Sq F value Pr(>F)

199.68
66.56 2.9134 0.04748 *
10.23
5.12 0.2239 0.80048
125.76
20.96 0.9174 0.49383
822.47
22.85
Regresi
Analisis Regresi digunakan untuk menyelidiki hubungan
antara variabel dependen (respon) Y dengan variabel
independen (variabel penjelas, prediktor) X .
Hubungan antara Y dan X :
fungsional
statistik
Hubungan Fungsional
Contoh:
1
Y =1+ X
2
3
2
1
0
0
Hubungan Fungsional
Contoh:
Y = (X 3)2
3
2
1
0
0
Hubungan Statistik
Contoh:
3
2
1
0
0
Hubungan Statistik
Contoh:
1
Y =1+ X
2
3
2
1
0
0
Regresi Linear Sederhana

Diperoleh observasi berupa pasangan data (Y, X),
(x1 , y1 ), (x2 , y2 ), . . . , (xn , yn )
Model
Yi = 0 + 1 Xi + i
Asumsi: suku eror i independen dan berdistribusi normal

N (0, 2 )
Parameter 0 dan 1 dinamakan koesien regresi.

Contoh
Dipunyai data umur dan tinggi dari sampel 8 buah pohon jenis tertentu
sbb.:
umur (tahun):
1
2
3
4
5
6
7
8
tinggi (meter): 1,10 1,13 2,38 2,32 3,14 4,27 4,45 5,52

Contoh
Dipunyai data umur dan tinggi dari sampel 8 buah pohon jenis tertentu
sbb.:
umur (tahun):
1
2
3
4
5
6
7
8
tinggi (meter): 1,10 1,13 2,38 2,32 3,14 4,27 4,45 5,52
6
tinggi (meter)
5
4
3
2
1
0
0
4
5
6
umur (tahun)

Contoh
Akan dicari garis linear y = b0 + b1 x yang paling "mewakili"
hubungan antara x (umur) dan y (tinggi)
tinggi (meter)
5
4
3
2
1
0
0
4
5
6
umur (tahun)
Metode Kuadrat Terkecil

Prinsip: meminimalkan jumlah kuadrat residu (ei )
JKR = n e2 = n (Yi Yi )2
i
i=1
i=1
Estimasi titik dari 0 dan 1 , yaitu b0 dan b1 (sering juga ditulis
dengan 0 dan 1 ) adalah nilai-nilai yang meminimalkan JKR.

Penduga garis regresi
y = b0 + b1 x

Contoh
Data umur dan tinggi pohon
6
tinggi (meter)
5
4
3
2
1
0
0
4
5
6
umur (tahun)

Contoh
6
tinggi (meter)
5
4
3
2
1
0
0
4
5
6
umur (tahun)

Contoh
6
tinggi (meter)
5
4
3
2
1
0
0
4
5
6
umur (tahun)

Contoh
1
2

Contoh
1
2
yy

Persamaan normal
n
yi = nb0 + b1
i=1
i=1
n
xi yi = b0
i=1
xi
n
x2
i
xi + b1
i=1
i=1

n
Sxx =
i=1
n
(xi x)2 =
i=1
n
Syy =
i=1
n
Sxy =
i=1
(yi y ) =
1
2
xi (
n
2
yi
i=1
1
(
n
xi )2
i=1
n
y i )2
i=1
(xi x)(yi y ) =
i=1
xi yi ny
x

Penduga untuk 0 dan 1
Sxy
Sxx
= y b1 x
b1 =
b0
Penduga untuk 2
n
2
s =
i=1
(yi y )2
n2

Contoh
Data umur dan tinggi pohon:
b1 =
=
b0
=
=
=
=
Sxy
Sxx
27, 015
42
0, 6432
y b1 x
3, 03875 0, 6432(4, 5)
0, 1443

Contoh
Data umur dan tinggi pohon:
Penduga untuk 2
n
2
=
i=1
(yi yi )2
n2
= Syy b1 Sxy
18, 02709 (0, 6432)27, 015

n2
= 0, 108507

Contoh
Data umur dan tinggi pohon: y = 0, 1443 + 0, 6432x

6
tinggi (meter)
5
4
3
2
1
0
0
4
5
6
umur (tahun)
Inferensi dalam Regresi

Parameter 0
b0 0
T =
S(b0 )
dengan
S(b0 ) = s
dan T tn2
n
2
i=1 xi
nSxx

Parameter 1
b1 1
T =
S(b1 )
dengan
s
S(b1 ) =
Sxx
dan T tn2

Rerata respon Yk
Rerata respon Y untuk X = xk adalah k = 0 + 1 xk .
Variabel random Yk = b0 + b1 xk digunakan untuk

mengestimasi k
Yk k
T =
S(Yk )
dengan
S(Yk ) = s
dan T tn2
1 (xk x)2
+
n
Sxx

Prediksi dari Yk
Variabel random Yk Yk digunakan untuk inferensi prediksi

dari Yk = 0 + 1 xk + k
Yk Yk
T =
S(Yk Yk )
dengan
1 (xk x)2
k Yk ) = s 1 + +
S(Y
n
Sxx
dan T tn2

ANAVA untuk regresi
n
i=1
(yi y )2 =
i=1
(i y )2 +
y
i=1
JKReg
JKTotal
JKTotal = Syy
JKReg = b1 Sxy
2
JKE = n yi b0
i=1
n
i=1 yi
b1
(yi y )2
JKE
n
i=1 xi yi
= Syy b1 Sxy

ANAVA untuk regresi
Bila observasi Y dilakukan lebih dari satu kali untuk suatu
harga x, jumlah kuadrat eror (JKE) dapat lebih lanjut dipecah
menjadi
JKE =
JKK
+ JKM
total eror
kurang sesuai
murni

ANAVA untuk regresi
Misalkan ada k harga x yang berbeda,
y11 , . . . , y1n1
y21 , . . . , y1n2
.
.
.
yk1 , . . . , yknk
observasi berulang Y pada x1

observasi berulang Y pada x2
.
.
.
.
.
.
observasi berulang Y pada xk

ANAVA untuk regresi
k
ni
JKM =
i=1 j=1
(yij yi )2
JKK = JKE JKM
Tabel ANAVA regresi ditambah uji linearitas regresi

JKK/(k2)
F = JKM/(nk) dengan F Fk2,nk
Analisis Korelasi
Koesien korelasi antara Y dan X adalah
=
Kov(X, Y )
Var(X)Var(Y )
1 1
dimana Y dan X dianggap variabel random berdistribusi

bersama tertentu.
Analisis Korelasi
menunjukkan tingkat hubungan linear antara kedua variabel.
Estimasi titik untuk adalah
r =
= b1
i=1 (xi x)(yi y )

n
2
2
i=1 (xi x) (yi y )
Sxx
Syy
Analisis Korelasi
Untuk regresi linear sederhana, kuadrat dari koesien korelasi
sama dengan Koesien determinasi
JKE
JKReg
r =1
=
JKTot
JKTot
2
Analisis Korelasi
Inferensi dapat dilakukan dengan menggunakan statistik
Z=
dengan Z N (0, 1)
n3
log
2
(1 + r)(1 + 0 )
(1 r)(1 + 0 )
Analisis Korelasi
4 5 6 7 8 9
3 4 5 6 7 8 9
11
r=0,82
10
12
14
10
12
14
10
12
10
12
14
10
10
12
12
14
16
18
Regresi Linear Ganda

Diperoleh observasi berupa (x1i , x2i , . . . , xki , yi ), i = 1, . . . , n,
dengan yi adalah variabel dependen dan xi adalah variabel
independen.
Model
Yi = 0 + 1 X1i + . . . + k Xki + i
Asumsi: suku eror i independen dan berdistribusi normal
N (0, 2 )

Penduga kuadrat terkecil untuk 0 , 1 , . . . , k adalah
harga-harga b0 , b1 , . . . , bk yang meminimalkan JKR seperti
dalam regresi linear sederhana. Diperoleh persamaan normal
(1)
nb0
(2)
.
.
.
b0
n
i=1
x1i
(k + 1)
b0
n
i=1
xki
x1i
+...
+bk
+b1
n
i=1
n
i=1
x2
1i
+...
+b1
n
i=1
xki x1i
+...
+b1
xki
+bk
n
i=1
n
i=1
x1i xki
=
.
.
.
+bk
n
i=1
x2
ki
n
i=1
n
i=1
x1i yi
n
i=1
xki yi
yi

Menggunakan matriks

. . . xk1
1
0

. . . xk2 1 2
. . + .
..
. . .
.
. . .
Y1
1 x11 x21

Y2 1 x12 x22
. = .
.
.
. .
.
.
.
.
. .
Yn
1 x1n x21 . . . xkn
Y
dimana N (0, 2 In )

Persamaan normal ditulis dalam bentuk matriks
(XT X)b = XT y
Penduga kuadrat terkecil untuk

b = (XT X)1 XT y
dengan syarat (XT X) tak-singular.
Contoh Regresi Linear Ganda

4
10
30
35
40
10
20
25
10
X1
X2
20
25
30
35
40
10

Y
25.5
31.2
25.9
38.4
18.4
26.7
26.4
25.9
32
25.2
39.7
35.7
26.5
X1
1.74
6.32
6.22
10.52
1.19
1.22
4.10
6.32
4.08
4.15
10.15
1.72
1.7
X2
5.3
5.42
8.41
4.63
11.60
5.85
6.62
8.72
4.42
7.60
4.83
3.12
5.30
n = 13;
Y = 377, 5;
X1 = 59.43;
X2 = 81, 82;
Y 2 = 11400, 15;
2
X1 = 394, 7255;
2
X2 = 576, 7264;
X1 Y = 1877, 567;
X1 X2 = 360, 6621
X2 Y = 2246, 661;

Persamaan normal
b0 n
+b1
b0 x1 +b1
b0 x2 +b1
x1
+b2
x2
+b2
1
x1 x2 +b2
x2
=
x1 x2 =
x2
=
2
y
x1 y
x2 y
+59, 43b1
+81, 82b2
= 377, 5
13b0
59, 43b0 +394, 7255b1 +360, 6621b2 = 1877, 567
81, 82b0 +360, 6621b1 +576, 7264b2 = 2246, 661

Y = 36.095 + 1.031X1 + 1.870X2

Response: Y
Df Sum Sq Mean Sq F value
Pr(>F)
X1
1 187.312 187.312 46.821 4.499e-05
X2
1 210.813 210.813 52.695 2.729e-05
Residuals 10 40.006
4.001
Koesien determinasi Ganda

Untuk melihat pengaruh semua variabel independen secara
bersama terhadap variabel dependen.
JK JKE
R =
JK
2
Contoh Koesien determinasi Ganda

Dari data contoh di muka
JK =
Y 2 nY 2
= 11400, 15 (13)(377, 5)2

= 438, 13
438, 13 40, 01
=
438, 13
= 0, 9087
Pengaruh X1 dan X2 secara bersama terhadap Y adalah

90,87%
Koesien Korelasi Parsial

Dapat dihitung bila dipunyai lebih dari dua variabel random
X1 , X2 , . . . , Xp
Untuk Regresi ganda (Y, X1 , X2 )
ryx1 .x2 : koesien korelasi parsial antara Y dan X1
dengan X2 dianggap konstan
ryx2 .x1 : koesien korelasi parsial antara Y dan X2
dengan X1 dianggap konstan

ryx1 .x2 =
ryx2 .x1 =
ryx1 ryx2 rx1 x2
1/2
ryx2 ryx1 rx2 x1
1/2
2
2
(1 ryx2 )(1 rx1 x2 )
2
2
(1 ryx1 )(1 rx2 x1 )
dimana ryxi adalah koesien korelasi sederhana antara y dan

xi , i = 1, 2

Hubungan antara koesien determinasi ganda dengan
koesien korelasi parsial
2
2
2
(1 Ry.x1 x2 ...xp ) = (1 ryx1 )(1 ryx2 .x1 ) . . . (1 ryxp .x1 x2 ...x(p1) )
Untuk Regresi ganda (Y, X1 , X2 )

2
2
2
(1 Ry.x1 x2 ) = (1 ryx1 )(1 ryx2 .x1 )
Contoh Koesien Korelasi Parsial

4
10
0.786
30
35
0.654
40
10
20
25
0.153
0.654
X1
0.153
8
10
0.786
X2
20
25
30
35
40
10
Contoh Koesien Korelasi Parsial

ryx1 .x2
ryx2 .x1
0, 654 (0, 786)(0, 154)
[(1 (0, 786)2 )(1 (0.024)2 )]1/2

= 0, 873
0, 786 0, 654(0, 154)
[(1 0, 6542 )(1 (0.024)2 )]1/2

= 0, 917
Contoh Koesien determinasi Ganda

Menggunakan korelasi parsial
2
(1 Ry.x1 x2 ) = (1 0, 6542 )(1 0, 9172 )
= 0, 0909
2
jadi Ry.x1 x2 = 0, 9091
Analisis Regresi Ganda: Uji Hipotesis

Uji hipotesis keseluruhan koesien regresi bersama-sama
H0 : 1 = 2 = . . . = p = 0
Statistik Penguji:
F =
JKReg/p
JKE/(n p 1)
dimana JKReg = JK JKE,
dengan JK = Y 2 nY 2
dan F F(p; np1)

Uji hipotesis parsial dari koesien regresi,
misalnya
H0 : 1 = 2 = 0
H0 : 1 = 0
Statistik Penguji:
F =
(Tambahan JKReg karena Xi )/1

JKE/(n p 1)

Misalnya untuk regresi ganda (Y, X1 , X2 ) dan H0 : 2 = 0
2
(R2 ryx1 )JK
F =
JKE/(n 3)

Contoh:
Dari data di muka H0 : 1 = 2 = 0
398, 13/2
=
40, 01/10
= 49, 754
p-value = 6.349957e-06 (< 0, 001, sangat kecil),

persamaan regresi signikan

Contoh:
Dari data di muka H0 : 2 = 0 (Uji parsial)
(0, 9087 0, 6542 )438, 13

=
40, 01/10
= 52, 69
p-value = 2.730164e-05 (< 0, 001, sangat kecil)

kontribusi X2 setelah X1 ada di dalam persamaan regresi
adalah signikan
Regresi Polinomial
Variabel X dalam bentuk polinomial berderajat lebih dari satu.
Y = 0 + 1 X +
Y = 0 + 1 X + 2 X 2 +
Y = 0 + 1 X + 2 X 2 + . . . + p X p +
(Variabel independen X mungkin lebih dari satu)
1600
1400
1200
1800
Contoh Regresi Polinomial
1500
2000
2500
X
1600
1400
1200
1800
Y = 578.9278 + 0.5403X
1500
2000
2500
X
1600
1400
1200
1800
Y = 1216.144 + 2.399X 0.00045X 2
1500
2000
2500
X
1600
1400
1200
1800
Pengamatan berulang pada Y
1500
2000
2500
X

Response: Y
Df Sum Sq Mean Sq F value
Pr(>F)
X
1 2150691 2150691 35725.8 < 2.2e-16
Xf
8 442063
55258
917.9 < 2.2e-16
Residuals 20
1204
60
1600
1400
1200
1800
Y = 572.4012 + 0.5452X
1500
2000
2500
X
1600
1400
1200
1800
Y = 1265.32 + 2.45X + 0.00046X 2
1500
2000
2500
X
Analisis Data Kategorik

Data kategorik
biologi
kesehatan
ilmu-ilmu sosial
Data kategorik
Tabel data cacah hasil klasikasi silang (contingency table)
Tabel Kategorik 2 2
Uji Hipotesis dalam Tabel kategorik 2 2
Uji homogenitas (dua sampel)
Uji independensi (satu sampel)
baris
b1
b2
Total
kolom
k1
k2
a
b
c
d
a+c b+d
total
a+b
c+d
n
Uji homogenitas
Dua sampel random masing-masing terdiri dari 100 pria dan
100 wanita. Diajukan pertanyaan, "Apakah anda setuju wanita
mempunyai hak dan kewajiban yang sama dengan pria?"
baris
pria
wanita
Total
kolom
setuju tidak
30
70
45
55
75
125
total
100
100
200
Uji homogenitas
baris
populasi 1
populasi 2
Total
kolom
sukses
gagal
a
b
c
d
m1 = a + c m2 = b + d
total
n1 = a + b
n2 = c + d
n
H0 : dua populasi tersebut mempunyai probabilitas untuk

mendapatkan sukses yang sama
H 0 : p1 = p2
Uji homogenitas
H 0 : p1 = p2
H 1 : p1 = p2
Statistik penguji:
n(ad bc)2
W =
m1 m2 n1 n2
H0 ditolak jika W > 2
(1;)
Uji homogenitas
H0 : Homogenitas populasi pria dan wanita atau H0 : p1 = p2
baris
pria
wanita
Total
kolom
setuju tidak
30
70
45
55
75
125
total
100
100
200
Statistik penguji:
200(30 55 70 45)2
600
=
= 4, 8
75 125 100 100
125
Karena W > 2
(1;0,05) = 3,841 maka H0 ditolak: ada perbedaan
sikap antara dua populasi.
Uji Independensi (satu sampel)

kolom
baris
k1
k2
total
b1
P11
P12
P1. = P11 + P12
b2
P21
P22
P2. = P21 + P22
Total
P.1 = P12 + P22
P.2 = P12 + P22
H0 : Independensi antara variabel baris dan

kolom
H0 : Pij = Pi Pj , i = 1, 2 dan j = 1, 2
Prosedur uji sama seperti uji homogenitas
Uji Independensi (satu sampel)

Dari suatu sampel random yang terdiri dari 200 laki-laki
berumur 50 sampai 65 tahun Diperoleh data sebagai berikut:
penyakit gula
ada
tidak ada
Total
penyakit jantung
ada tidak ada
16
20
32
132
48
152
total
36
164
200
H0 : Penyakit jantung dan gula independen

Statistik penguji:
200(16 132 32 20)2

= 10,06
48 152 36 164
Karena W > 2
(1;0,05) = 3,841 maka H0 ditolak: kedua penyakit
tersebut tidak independen
Tabel Kategorik b k
baris
B1
...
Bb
Total
kolom
K1 ... Kk
y11 ... y1k
... ... ...
yb1 ... ybk
m1 ... mk
total
n1
...
nb
n
Tabel Kategorik b k
Statistik penguji:
W =
ij
(Oij Eij )2
Eij
dengan Oij = yij dan Eij = (ni mj )/n

H0 ditolak jika W > 2
((b1)(k1);)
Tabel Kategorik b k
Uji Homogenitas untuk b populasi multinomial
baris
B1
...
Bb
kolom
K1 ... Kk
P11 ... P1k
... ... ...
Pb1 ... Pbk
total
1
...
1
H0 : Pi1 = P1 ; . . . ; Pik = Pk , untuk i = 1, . . . , b dimana P1 , . . . Pk

tidak diketahui tetapi k Pj = 1
j=1
Tabel Kategorik b k : Homogenitas

Dua sampel random masing-masing terdiri dari 100 pria dan
100 wanita. Diajukan pertanyaan, "Apakah anda setuju wanita
mempunyai hak dan kewajiban yang sama dengan pria?"
baris
pria
wanita
Total
kolom
setuju tidak
30
70
(37,5) (62,5)
45
55
(37,5) (62,5)
75
125
total
100
100
200
Statistik penguji:
W
=
ij
(Oij Eij )2
Eij
(30 37, 5)2

(70 62, 5)2
(45 37, 5)2
(55 62, 5)2
=
+
+
+
37, 5
62, 5
37, 5
62, 5
= 4,8
Tabel Kategorik b k
Uji Independensi
baris
B1
...
Bb
Total
kolom
K1 ... Kk
P11 ... P1k
... ... ...
Pb1 ... Pbk
P.1 ... P.k
total
P1.
...
Pb.
1
H0 : Independensi antara dua kategorisasi (variabel)

H0 : Pij = Pi Pj , i = 1, . . . , b dan j = 1, . . . , k
Tabel Kategorik di SPSS

DATA LIST FREE
/jkel (F1) setuju (F1) N (F3).
BEGIN DATA
1 1 30
1 2 70
2 1 45
2 2 55
END DATA.

VARIABLE LABELS jkel jenis kelamin.
VALUE LABELS jkel
1 laki-laki
2 perempuan.
VARIABLE LABELS setuju setuju.
VALUE LABELS setuju
1 Ya
2 Tidak.
WEIGHT
BY n .

CROSSTABS
/TABLES=jkel BY setuju
/FORMAT= AVALUE TABLES
/STATISTIC=CHISQ
/CELLS= COUNT EXPECTED.
Fishers Exact Test

The Lady Tasting Tea
Salah seorang teman Fisher menyatakan bahwa dia bisa
membedakan rasa antara air teh yang dituangkan sebelum
atau dituangkan setelah susu. untuk menguji teman tersebut
Fisher memberikan 8 cangkir minuman, dimana 4 diantaranya
teh-susu (teh dituangkan dulu baru kemudian susu), dan 4
yang lain susu-teh. Urutan penyajian cangkir dibuat random.
Fishers Exact Test

Salah satu kemungkinan hasilnya
dugaan
kenyataan susu teh total
susu
3
1
4
teh
1
3
4
4
4
Fishers Exact Test

Bila semua margin dibuat tetap,
baris
b1
b2
Total
kolom
k1 k2
n11 n12
n21 n22
n.1 n.2
dengan H0 : independen, n11

total
n1.
n2.
n
berdistribusi hipergeometrik
p(n11 = x) =
n1.
x
n2.
n.1 x
n
n.1
Fishers Exact Test

kolom
baris k1 k2 total
b1
3
1
4
b2
1
3
4
Total 4
4
Probabilitas untuk n11 = 3
p(n11 = 3) =
4
3
4
1
8
4
= 0.229
Fishers Exact Test

Probabilitas untuk nilai n11 yang

baris
b1
b2
Total
kolom
k1 k2
3
1
1
3
4
4
lebih ekstrim (mendukung Ha )

total
4
4
p(n11 3) = 0, 243
(nilai dari p-value satu sisi dari
uji ini)
Fishers Exact Test

kolom
baris k1 k2 total
b1
3
1
4
b2
1
3
4
Total 4
4
Probabilitas untuk nilai p-value

dua arah, dihitung jumlahan
p(n11 = x) untuk x sedemikian
sehingga p(N11 ) p(x),
p(n11 = 0) + p(n11 = 1) + p(n11 = 3) + p(n11 = 4) =

0, 0143 + 0, 229 + 0, 229 + 0, 0143 = 0, 486
Ukuran Keeratan Hubungan

Cramer
W
Q1 =
n(q 1)
dengan 0 Q1 1; q = min(b, k); n ukuran sampel
Pearson
Q2 =
dengan 0 Q2
q1
q
W
n+W
Uji Goodness of t
GOF distribusi multinomial
n!
1 n1 2 n2 . . . c nc
p(n1 , n2 , . . . , nc1 ) =
n1 !n2 ! . . . nc !
H0 : frekuensi observasi {y1 , y2 , . . . , yk } berdistribusi
multinomial 1 2 . . . c
Uji Goodness of t
Dalam suatu eksperimen persilangan dua macam
tanaman, Mendel memperoleh hasil seperti tabel di
bawah. Menurut teorinya, perbandingannya adalah
9:3:3:1. Apakah hasil ini cenderung bertentangan dengan
Teori Mendel?
Macam tanaman
yi
npi
pi
bulat dan kuning
315 312,75 9/16
bulat dan hijau
108 104,25 3/16
berkeriput dan kuning 101 104,25 3/16

berkeriput dan hijau
jumlah
32
556
34,75 1/16
556
Uji Goodness of t
H0 : frekuensi observasi {y1 , y2 , . . . , yk } berdistribusi
9 3 3 1
multinomial 16 , 16 , 16 , 16
Statistik penguji W =
(Oi Ei )2
Ei
= 0, 47
Kriteria penolakan 2 (3, 0, 05) = 7, 815

H0 tidak ditolak, data frekuensi pada tabel sesuai dengan
teori Mendel
Uji Goodness of t
Uji Multinomial dengan parameter diestimasi
Bila probabilitas 1 2 . . . c tidak sepenuhnya diketahui tetapi
bergantung pada parameter-parameter 1 , 2 , . . . , q yang tidak
diketahui (q < c 1)
H0 : i = fi (1 , 2 , . . . , q ),
i = 1, 2, . . . , c
Statistik penguji W 2
c1q
Uji Goodness of t
Menurut teori genetika, keturunan suatu perkawinan tertentu
akan termasuk dalam salah satu dari tiga kelompok di bawah
ini dengan probabilitas sbb.:
Kelompok G1
G2
G3
Prob.
2 2(1 ) (1 )2
dengan 0 < < 1 dan tidak diketahui
Uji Goodness of t
H 0 : p1 = 2 ,
diketahui
p2 = (1 ),
p3 = (1 )2
= 2y1 + y2 = y1 + y2
2n
n
2n
Kelompok
Prob.
yi
G1
2
12
G2
2(1 )
56
G3
(1 )2
32
Inferensi Nonparametrik
tanpa asumsi tertentu ttg. bentuk distribusi populasinya
memanfaatkan aspek sederhana dari data (tanda,
urutan, frekuensi, dst.)
skala pengukuran dan jenis data tidak terlalu berarti
Statistik berurut
Misalkan {X1 , X2 , . . . , Xn } suatu sampel random berukuran n
dari suatu populasi
Statistik berurut dari sampel random tersebut di atas:
X(1) X(2) . . . X(n)
Median
Median untuk variabel random kontinu X adalah suatu
bilangan M sedemikian sehingga
P (X M ) = P (X M ) = 0, 5
Median
P (X M ) = P (X M ) = 0, 5
Median
P (X M ) = P (X M ) = 0, 5
Median
Median sampel (X )
Misalkan {X1 , X2 , . . . , Xn suatu sampel random berukuran n
dari suatu populasi
x n+1
jika n ganjil
( 2 )
X= 1
x n +x n
jika n genap
2
( )
( +1)
2
Median
Interval kondensi (1 )100% untuk X

X(r) dan X(s) sedemikian sehingga
P (X(r) M X(s) ) = (1 )
dengan
1
P (Y < r) = Binomial(r 1, n, )
2
r1
=
k=0
n 1 n
( )
2
k 2
Median: Contoh
Data (Xi ):
9850 7223 6421 20118 10670 4274
8641 22087 8400 11200
Data (X(i) ):
4274 6421 7223 8400 8641
9850 10670 11200 20118 22087
= 1 X(5) + X(6) = 1 [8641 + 9850] = 9245.5
X
2
2
Median: Contoh
interval kondensi
0.10
0.20
0.30
X(2) = 6421 M 11200 = X(8)
0.00
0.0547
10
Dua sampel dependen

Data: {(X1 , Y1 ), (X2 , Y2 ), . . . , (Xn , Yn )}
Hipotesis H0 : P (X > Y ) = P (X < Y )
H1 : P (X > Y ) < P (X < Y )
H1 : P (X > Y ) > P (X < Y )
Prosedur uji:
Eliminasikan semua observasi yang sama, Xi = Yi
Uji Tanda (Sign Test)

H0 : p = 0, 5
H1 : p = 0, 5
dimana p = p(X < Y | x = Y )
Statistik uji:
Y
= banyaknya pasangan dengan Xi < Yi

= banyaknya tanda + dari (Yi Xi )

Daerah kritik (sampel kecil)
H0 ditolak jika 0 Y a atau n a + 1 Y n, dimana a
dipilih sedemikian sehingga
1
= 2P (0 Y a) = 2 Binomial(a; n; )
2

Daerah kritik (sampel besar)
n
H0 ditolak jika Y < 2 c 2n atau
Y > n + c 2n
2
dimana c = Z/2 , harga variabel random N (0, 1)
Contoh Dua Sampel Dependen

Berat waktu lahir 10 pasang bayi kembar
X: 2,81 2,13 2,31 2,22 2,77 3,27 2,31 2,59 2,81 2,13
Y: 2,68 1,91 2,40 1,81 2,45 2,40 2,49 2,22 2,63 1,72
+
+
jadi Y = 2 dan B(0,10,0,5)+B(1,10,0,5)+B(2,10,0,5)=0,055
Uji Wilcoxon
H 0 : Md = 0
H 1 : Md = 0
dimana Md adalah median distribusi selisih di = (Yi Xi )
Asumsi:
di adalah sampel random berdistribusi kontinu yang simetrik
terhadap Md sedemikian sehingga Md = x y (median =
mean)
Uji Wilcoxon
H0 : x = y
H1 : x = y
Prosedur uji:
Urutkan | di | dan diberi ranking Ri untuk setiap | di |.
ui =
0
Ri
jika di = Yi Xi < 0
jika di = Yi Xi > 0
Uji Wilcoxon
Statistik uji: T + = u1 + u2 + . . . + un
Daerah kritik H0 ditolak jika T + C1 atau T + C2
C1 diperoleh dari tabel Rank Bertanda Wilcoxon
dan
C2 = n(n+1) C1
2
Uji Wilcoxon
Contoh:
Xi
2,81
2,13
2,31
2,22
2,77
3,27
2,31
2,59
2,81
2,13
Yi
2,68
1,91
2,40
1,81
2,45
2,40
2,49
2,22
2,63
1,72
di = Yi Xi
-0,13
-0,22
0,09
-0,41
-0,32
-0,87
0,18
-0,37
-0,18
-0,41
| di |
0,13
0,22
0,09
0,41
0,32
0,87
0,18
0,37
0,18
0,41
Ri
2,0
5,0
1,0
8,5
6,0
10.0
3,5
7,0
3,5
8,5
ui
0
0
1
0
0
0
3,5
0
0
0
Tabel untuk n = 10
3
.0049
4
...
...
...
...
.0244
...
...
diperoleh T + = 1 + 3, 5 = 4, 5
dari tabel P (T + 8) = 0, 0244, daerah kritik uji ini untuk
= 2 0, 0244:
T + 8 dan T + 47
Contoh dua sampel dependen

Tercatat jam belajar waktu tahun pertama dan tahun kedua
dari delapan mahasiswa sbb.:
mhs th I
th II
1
31,7 29,1
1. Lakukan uji Tanda
2
26,9 28,4
2. Lakukan uji rank bertanda
3
26,5 27,0
Wilcoxon
4
19,6 17,8
5
40,8 37,2
6
32,3 28,4
7
27,8 27,0
8
29,2 31,2

mhs th I
th II Yi Xi tanda
1
31,7 29,1
-2,6
Uji Tanda
2
26,9 28,4
1,5
+
3
26,5 27,0
0,5
+
4
19,6 17,8
-1,8
5
40,8 37,2
-3,8
6
32,3 28,4
-3,9
7
27,8 27,0
-0,8
8
29,2 31,2
2,0
+

mhs th I
th II Yi Xi tanda
1
31,7 29,1
-2,6
Uji Tanda
2
26,9 28,4
1,5
+
Dari tabel distribusi bi3
26,5 27,0
0,5
+
nomial kumulatif untuk
4
19,6 17,8
-1,8
x = 3 diperoleh p-value
5
40,8 37,2
-3,8
0,363 (satu sisi) atau
6
32,3 28,4
-3,9
0,727 (dua sisi)
7
27,8 27,0
-0,8
8
29,2
31,2
2,0
+
Y =3

mhs th I
th II Yi Xi Ri ui
1
31,7 29,1
-2,6 6
0
Uji rank bertanda Wilcoxon
2
26,9 28,4
1,5 3
3
3
26,5 27,0
0,5 1
1
4
19,6 17,8
-1,8 4
0
5
40,8 37,2
-3,8 7
0
6
32,3 28,4
-3,9 8
0
7
27,8 27,0
-0,8 2
0
8
29,2 31,2
2,0 5
5
T+ = 9

mhs th I
th II Yi Xi Ri ui
1
31,7 29,1
-2,6 6
0
2
26,9 28,4
1,5 3
3
Tabel Rank bertanda Wilcoxon
n=8
3
26,5 27,0
0,5 1
1
0
.0039
4
19,6 17,8
-1,8 4
0
...
...
5
40,8 37,2
-3,8 7
0
6
.0547
6
32,3 28,4
-3,9 8
0
...
...
7
27,8 27,0
-0,8 2
0
8
29,2 31,2
2,0 5
5
T+ = 9

mhs th I
th II Yi Xi Ri ui
1
31,7 29,1
-2,6 6
0
2
26,9 28,4
1,5 3
3
Tabel Rank bertanda Wilcoxon
n=8
3
26,5 27,0
0,5 1
1
0
.0039
4
19,6 17,8
-1,8 4
0
...
...
5
40,8 37,2
-3,8 7
0
6
.0547
6
32,3 28,4
-3,9 8
0
...
...
7
27,8 27,0
-0,8 2
0
H0 ditolak jika T + 6 atau
8
29,2 31,2
2,0 5
5
T + 30
T+ = 9
Dua sampel dependen: SPSS

Menu: Analyze
-Nonparametric Tests
-2 Related Samples
NPAR TEST
/WILCOXON=x WITH y (PAIRED)
/SIGN= x WITH y (PAIRED)
/STATISTICS DESCRIPTIVES.

Wilcoxon Signed Ranks Test
Ranks
tahun 2 - tahun 1
a
b
c
Negative Ranks
Positive Ranks
Ties
Total
tahun 2 < tahun 1
tahun 2 > tahun 1
tahun 1 = tahun 2
Test Statistics
tahun 2 - tahun 1
Z
-1,260
Asymp. Sig. (2-tailed) ,208
a
Based on positive ranks.
b
Wilcoxon Signed Ranks Test
N
5
3
0
8
Mean Rank
Sum of Ranks
5,40
27,00
3,00
9,00

Sign Test
Frequencies
N
tahun 2 - tahun 1
Negative Differences
Positive Differences
3
Ties
0
Total
8
a
tahun 2 < tahun 1
b
tahun 2 > tahun 1
c
tahun 1 = tahun 2
Test Statistics
tahun 2 - tahun 1
Exact Sig. (2-tailed)
,727
a
Binomial distribution used.
b
Sign Test
K sampel dependen
Data:
Subjek
1
2
.
.
.
n
I
X11
X12
II
X21
X22
III
X31
X32
...
...
...
k
Xk1
Xk2
...
X1n
...
X2n
...
X3n
...
...
...
Xkn
K sampel dependen
Data: Ranking per subjek (baris)
Subjek
I
II
III . . .
1
R11 R21 R31 . . .
2
R12 R22 R32 . . .
.
.
...
...
... ...
.
n
jumlah
R1n
R1
R2n
R2
R3n
R3
...
...
k
Rk1
Rk2
...
Rkn
Rk
K sampel dependen
Uji Friedman
12
W =
nk(k + 1)
k
j=1
2
Rj 3n(k + 1)
untuk n dan/atau k tidak terlalu kecil, W k1
K sampel dependen
Contoh:
Dua belas siswa yang dipilih secara random terlibat dalam
eksperimen belajar bahasa. Kepada setiap siswa diberikan
empat daftar (I, II, III, dan IV) kata-kata yang harus dipelajari.
Sehabis mempelajari satu daftar, kepada mereka diberikan
ujian. Hasilnya:
K sampel dependen
Data skor ujian
Siswa
I
II
1
18 14
2
7
6
3
13 14
4
15 10
5
12 11
6
11 10
7
15 16
8
10
8
9
14 12
10
11
8
11
8
6
12
10 11
III
16
5
16
12
13
9
10
11
13
9
9
13
IV
20
10
17
14
18
16
14
16
15
10
14
16
K sampel dependen
Data skor ujian
Siswa
I
II
1
18 14
2
7
6
3
13 14
4
15 10
5
12 11
6
11 10
7
15 16
8
10
8
9
14 12
10
11
8
11
8
6
12
10 11
III
16
5
16
12
13
9
10
11
13
9
9
13
IV
20
10
17
14
18
16
14
16
15
10
14
16
Ranking skor ujian (per siswa)

Siswa I II III IV
1
3 1 2 4
2
3 2 1 4
3
1 2 3 4
4
4 1 2 3
5
2 1 3 4
6
3 2 1 4
7
3 4 1 2
8
2 1 3 4
9
3 1 2 4
10
4 1 2 3
11
2 1 3 4
12
1 2 3 4
K sampel dependen
Data skor ujian
Siswa
I
II
1
18 14
2
7
6
3
13 14
4
15 10
5
12 11
6
11 10
7
15 16
8
10
8
9
14 12
10
11
8
11
8
6
12
10 11
III
16
5
16
12
13
9
10
11
13
9
9
13
IV
20
10
17
14
18
16
14
16
15
10
14
16
Ranking skor ujian (per siswa)

Siswa
I
II III IV
1
3
1
2
4
2
3
2
1
4
3
1
2
3
4
4
4
1
2
3
5
2
1
3
4
6
3
2
1
4
7
3
4
1
2
8
2
1
3
4
9
3
1
2
4
10
4
1
2
3
11
2
1
3
4
12
1
2
3
4
jml
31 19 26 44
K sampel dependen
Statistik penguji
W
12
nk(k + 1)
k
j=1
2
Rj 3n(k + 1)
12
(312 + 192 + 262 + 442 ) 3(12)(5)
12(4)(5)
= 16, 7
Daerah kritis (3,0,01) = 11, 3449

Kesimpulan: H0 ditolak, daftar kata-kata tersebut tidak sama
mudahnya
K sampel dependen
Lima orang kontestan dalam suatu lomba dinilai oleh 7 orang
juri dengan hasil sebagai berikut:
juri
1
2
3
4
5
6
7
A
4
3
4
5
3
1
3
kontestan
B
C D
3
2
1
5
2
4
2
5
1
1
3
2
4
2
5
5
2
4
1
1
2
E
5
1
3
4
1
3
5
Apakah kelima kontestan

mempunyai nilai yang berbeda?
K sampel dependen
juri
1
2
3
4
5
6
7
A
4
3
4
5
3
1
3
23
kontestan
B
C D
3
2
1
5
2
4
2
5
1
1
3
2
4
2
5
5
2
4
1
4
2
21 20 19
E
5
1
3
4
1
3
5
22
Statistik penguji
W
=
=
12
nk(k + 1)
k
j=1
2
Rj 3n(k + 1)
12
(232 + 212 + 202 + 192
7(5)(6)
+ 222 ) 3(7)(6)
= 0, 5714
K sampel dependen
juri
1
2
3
4
5
6
7
A
4
3
4
5
3
1
3
23
kontestan
B
C D
3
2
1
5
2
4
2
5
1
1
3
2
4
2
5
5
2
4
1
4
2
21 20 19
E
5
1
3
4
1
3
5
22
Statistik penguji W = 0, 5714

Daerah kritis (4,0,01) = 13, 277
Kesimpulan: H0 tidak ditolak,
kelima kontestan tersebut
mempunyai nilai yang sama
K sampel dependen:SPSS
NPAR TESTS
/FRIEDMAN = d1 d2 d3 d4
Test Statistics
N
12
Chi-Square 16,700
df 3
Asymp. Sig. ,001
a
Friedman Test
Dua sampel independen

Uji jumlah rank Wilcoxon atau Mann-Whitney
Data:
Populasi Ukuran sampel
Observasi
1
m
X1 , X2 , . . . , Xm dengan m n
n
Y1 , Y2 , . . . , Yn
2

Asumsi :
Dua sampel random tersebut independen
distribusi probabilitas kontinu
kedua distribusi berbentuk sama

Hipotesis :
H0 : kedua distribusi identik, yaitu x = y
H1 : kedua distribusi tidak identik, yaitu x = y
Prosedur Uji:
Dihitung R(Xi ), rank dari Xi , i = 1, 2, . . . , m dalam sampel
gabungan {X1 , . . . , Xm , Y1 , . . . , Yn }
Statistik Uji:
Tx = R(X1 ) + . . . + R(Xm )

Daerah kritik:
Nilai C1 dan C2 sedemikian sehingga
P (Tx C1 ) = P (Tx C2 ) = p
dengan p adalah harga p-value

Harga C1 dan C2 diperoleh dari tabel Uji Jumlah Rank
Wilcoxon

Contoh:
Murid laki-laki suatu sekolah menengah diklasikasikan
sebagai pemuda kota dan pemuda desa. Suatu ujian "kondisi
sik" diadakan untuk melihat apakah pemuda desa
mempunyai kondisi sik yang lebih "baik" daripada pemuda
kota. Delapan pemuda desa dan sepuluh pemuda kota diuji,
dan hasilnya adalah:

pemuda desa (X) :
14,8 7,3 5,6 6,3 9,0 4,2 10,6 2,7
pemuda kota (Y ) :
7,6 11,3 8,3 6,7 3,6 1,0 2,4 6,4 9,1 18,6

Gabungan X dan Y , diurutkan dan diberi rank
obs. rank sampel
7,3 10
1,0
1
Y
7,6 11
2,4
2
Y
8,3 12
2,7
3
X
9,0 13
3,6
4
Y
9,1 14
4,2
5
X
10,6 15
5,6
6
X
11,3 16
6,3
7
X
14,8 17
6,4
8
Y
18,6 18
6,7
9
Y
X
Y
Y
X
Y
X
Y
X
Y

obs. rank sampel
7,3 10
1,0
1
Y
7,6 11
2,4
2
Y
8,3 12
3
X
2,7
9,0 13
3,6
4
Y
9,1 14
5
X
4,2
10,6 15
5,6
6
X
11,3 16
6,3
7
X
14,8 17
6,4
8
Y
18,6 18
6,7
9
Y
X
Y
Y
X
Y
X
Y
X
Y

obs. rank sampel
7,3 10
1,0
1
Y
7,6 11
2,4
2
Y
8,3 12
2,7
3
X
9,0 13
3,6
4
Y
9,1 14
4,2
5
X
10,6 15
5,6
6
X
11,3 16
6,3
7
X
14,8 17
6,4
8
Y
18,6 18
6,7
9
Y
Tx = 3 + 5 + 6 + 7 + 10 + 13 + 15 + 17 = 76
X
Y
Y
X
Y
X
Y
X
Y

Tabel Uji Jumlah Rank Wilcoxon
Untuk = 0, 05
n
.
.
.
10
.
.
.
...
.
.
.
...
...
.
.
.
C1
.
.
.
m=8
C2
.
.
.
56,
57,
.
.
.
96
95
.
.
.
...
p
.
.
.
.0416
.0506
.
.
.
.
.
.
...
...
.
.
.

Tabel Uji Jumlah Rank Wilcoxon
Untuk = 0, 05
n
.
.
.
10
.
.
.
...
.
.
.
...
...
.
.
.
C1
.
.
.
m=8
C2
.
.
.
56,
57,
.
.
.
96
95
.
.
.
...
p
.
.
.
.0416
.0506
.
.
.
.
.
.
...
...
.
.
.
TX = 76, tidak terletak di

antara C1 dan C2 (daerah
kritik)
H0 tidak ditolak, pemuda desa mempunyai sik yang tidak

lebih "baik" daripada pemuda kota
Dua sampel independen: SPSS

NPAR TESTS
/M-W= nilai BY group(1 2)
/STATISTICS= DESCRIPTIVES.
Mann-Whitney Test
Test Statistics
NILAI
Mann-Whitney U
40.000
Wilcoxon W
95.000
Z
.000
Asymp. Sig. (2-tailed)
1.000
Exact Sig. [2*(1-tailed Sig.)] 1.000
a Not corrected for ties.
b Grouping Variable: GROUP
k sampel independen
sampel 1
X11
X12
Uji Kruskal-Wallis
...
X1n1
R1
N=
k
i=1 ni
sampel 2
X21
X22
...
X2n2
R2
...
...
...
...
...
...
sampel k
Xk1
Xk2
...
Xknk
Rk
k sampel independen
Hipotesis:
H0 : semua k populasi adalah identik
H1 : tidak semua k populasi adalah identik
k sampel independen
Prosedur uji:
R(Xij ) adalah rank observasi Xij
Ri = ni R(Xij )
j=1
=
=
12
N (N + 1)
k
i=1 [Ri
12
N (N + 1)
k
i=1
n1 (N + 1)/2]2
ni
2
Ri
3(N + 1)
ni
k sampel independen
Contoh:
Dipunyai data observasi tahan hidup tiga merek bola

lampu (A, B dan C) sbb. :
Merek
A
73
82
64
Tahan hidup
84
80
79
67
81
71
62
77
73
70
k sampel independen
Contoh:
Dipunyai data observasi tahan hidup tiga merek bola

lampu (A, B dan C) sbb. :
Merek
A
73
13
82
12
80
10
79
67
81
11
71
62
77
73
6,5
70
jumlah
84
64
Tahan hidup
6,5
16,5
42
32,5
k sampel independen
Statistik penguji:
12
T =
N (N + 1)
i=1
2
2
Ri
3(N + 1)
ni
12 16, 5
422 32, 52
=
(
+
+
) 3(14)
13(14) 5
4
4
= 8, 08
H0 ditolak jika T 5, 6176
Kesimpulan: H0 ditolak, tidak
semua tahan hidup ketiga
merek bola lampu tersebut
sama
k sampel independen
Statistik penguji:
12
T =
N (N + 1)
i=1
2
2
Ri
3(N + 1)
ni
12 16, 5
422 32, 52
=
(
+
+
) 3(14)
13(14) 5
4
4
= 8, 08
H0 ditolak jika T 5, 6176
Kesimpulan: H0 ditolak, tidak
semua tahan hidup ketiga
merek bola lampu tersebut
sama
Tabel Harga Kritik Kruskal-Wallis

untuk 3 sampel
Ukuran sampel
n1
n2
n3
5
harga
kritik
...
5.6176
4
...
0.050
k sampel independen: SPSS

NPAR TESTS
/K-W=thidup BY group(1 3)
Kruskal-Wallis Test
Test Statistics
THIDUP
Chi-Square
8.100
df
2
Asymp. Sig.
.017
a Kruskal Wallis Test
b Grouping Variable: GROUP
Koesien Korelasi Rank

Data: (X1 , Y1 ), (X2 , Y2 ), . . . , (Xn , Yn )
Koesien korelasi Pearson
r =
i=1 (xi x)(yi y )

n
2
2
i=1 (xi x) (yi y )
untuk mengukur keeratan hubungan linear antara X dan Y
Koesien Korelasi Rank

Data: {R(X1 ), R(X2 ), . . . , R(Xn )} dan
{R(Y1 ), R(Y2 ), . . . , R(Yn )}
(ranking dari masing-masing X dan Y )
Koesien korelasi Rank (Spearman)
r =
n
i=1
R(Xi ) n+1 R(Yi )

2
n(n2 1)/12
n+1
2
Koesien Korelasi Rank Spearman r

Ekivalen dengan
6D
r = 1
n(n2 1)
dengan
D = n d2 dan di = R(Xi ) R(Yi )
i=1 i

Uji hipotesis
H0 : X, Y independen
H1 : X, Y dependen
Daerah kritik:
Uji dua sisi
{r r1 } atau {r r2 }
dengan r1 = r dan r2 = r
dimana P (r r ) = , r adalah statistik rank Spearman

Data banyaknya kendaraan bermotor (per 1000 penduduk) dan
banyak kecalakaan kendaraan bermotor (per 100.000 penduduk) di 14
negara dalam tahun 1969.
negara
USA
Kanada
Australia
Perancis
Selandia Baru
Denmark
Belanda
Belgia
Norwegia
Jerman Barat
Austria
Inggris
Italia
Jepang
kendaraan
Xi
530
400
390
390
390
370
360
280
270
270
260
260
250
240
kecelakaan
Yi
27
27
31
34
21
24
24
80
14
28
31
14
20
21

negara
USA
Kanada
Australia
Perancis
Selandia Baru
Denmark
Belanda
Belgia
Norwegia
Jerman Barat
Austria
Inggris
Italia
Jepang
kendaraan
Xi
530
400
390
390
390
370
360
280
270
270
260
260
250
240
kecelakaan
Yi
27
27
31
34
21
24
24
80
14
28
31
14
20
21
R(Xi )
14
13
11
11
11
9
8
7
5,5
5,5
3,5
3,5
2
1
R(Yi )
8,5
8,5
11,5
13
4,5
6,5
6,5
14
1,5
10
11,5
1,5
3
4,5

negara
USA
Kanada
Australia
Perancis
Selandia Baru
Denmark
Belanda
Belgia
Norwegia
Jerman Barat
Austria
Inggris
Italia
Jepang
kendaraan
Xi
530
400
390
390
390
370
360
280
270
270
260
260
250
240
kecelakaan
Yi
27
27
31
34
21
24
24
80
14
28
31
14
20
21
R(Xi )
14
13
11
11
11
9
8
7
5,5
5,5
3,5
3,5
2
1
R(Yi )
8,5
8,5
11,5
13
4,5
6,5
6,5
14
1,5
10
11,5
1,5
3
4,5
di
5,5
4,5
-0,5
2
6,5
2,5
1,5
-7
4
-4,5
-8
2
-1
-3,5

negara
USA
Kanada
Australia
Perancis
Selandia Baru
Denmark
Belanda
Belgia
Norwegia
Jerman Barat
Austria
Inggris
Italia
Jepang
kendaraan
Xi
530
400
390
390
390
370
360
280
270
270
260
260
250
240
kecelakaan
Yi
27
27
31
34
21
24
24
80
14
28
31
14
20
21
R(Xi )
14
13
11
11
11
9
8
7
5,5
5,5
3,5
3,5
2
1
R(Yi )
8,5
8,5
11,5
13
4,5
6,5
6,5
14
1,5
10
11,5
1,5
3
4,5
di
5,5
4,5
-0,5
2
6,5
2,5
1,5
-7
4
-4,5
-8
2
-1
-3,5
d2
i
30,25
20,25
0,25
4
42,25
6,25
2,25
49
16
20,25
64
4
1
12,25

negara
USA
Kanada
Australia
Perancis
Selandia Baru
Denmark
Belanda
Belgia
Norwegia
Jerman Barat
Austria
Inggris
Italia
Jepang
kendaraan
Xi
530
400
390
390
390
370
360
280
270
270
260
260
250
240
kecelakaan
Yi
27
27
31
34
21
24
24
80
14
28
31
14
20
21
R(Xi )
14
13
11
11
11
9
8
7
5,5
5,5
3,5
3,5
2
1
R(Yi )
8,5
8,5
11,5
13
4,5
6,5
6,5
14
1,5
10
11,5
1,5
3
4,5
di
5,5
4,5
-0,5
2
6,5
2,5
1,5
-7
4
-4,5
-8
2
-1
-3,5
d2
i
30,25
20,25
0,25
4
42,25
6,25
2,25
49
16
20,25
64
4
1
12,25
272

Koesien korelasi rank Spearman
6D
r = 1
n(n2 1)
6(272)
= 1
14(142 1)
= 0, 4022
Harga kritik korelasi rank

Spearman
n
4
5
.
.
.
14
.
.
.
= .10
.05
.025
...

6D
r = 1
n(n2 1)
6(272)
= 1
14(142 1)
= 0, 4022

Spearman
n
= .10
.05
4
5
.
.
.
14
.
.
.
.4593
.025
...

6D
r = 1
n(n2 1)
6(272)
= 1
14(142 1)
= 0, 4022
Daerah kritik untuk = 0, 10
{r 0, 4593} atau {r 0, 4593}

Spearman
n
= .10
.05
4
5
.
.
.
14
.
.
.
.4593
.025
...

6D
r = 1
n(n2 1)
6(272)
= 1
14(142 1)
= 0, 4022
Daerah kritik untuk = 0, 10
{r 0, 4593} atau {r 0, 4593}
H0 tidak ditolak, X, Y independen

Spearman
n
= .10
.05
4
5
.
.
.
14
.
.
.
.4593
.025
...
Koesien Korelasi Rank Kendall

Skala pengukuran paling tidak ordinal
Memanfaatkan rank
Dapat diperluas untuk korelasi parsial

Ranking dari juri X dan Y untuk 4 buah karangan
Karangan juri X
juri Y
S
= 1
n(n 1)
2

Karangan juri X
juri Y
S
= 1
n(n 1)
2
Skor
Total Skor

Karangan juri X
D
juri Y
2
S
= 1
n(n 1)
2
Skor dihitung berdasarkan Y

setelah data X diurutkan

Karangan juri X
juri Y
S
= 1
n(n 1)
2
+1 urutan biasa (naik)

Skor =
1 urutan tidak biasa

Karangan juri X
juri Y
S
= 1
n(n 1)
2
skor

Karangan juri X
juri Y
S
= 1
n(n 1)
2
skor
+1

Karangan juri X
juri Y
skor
+1+1
S
= 1
n(n 1)
2

Karangan juri X
juri Y
S
= 1
n(n 1)
2
skor
+1+1-1

Karangan juri X
juri Y
skor
+1+1-1
-1
S
= 1
n(n 1)
2

Karangan juri X
juri Y
skor
+1+1-1
-1-1
S
= 1
n(n 1)
2

Karangan juri X
juri Y
skor
+1+1-1
-1-1
-1
S
= 1
n(n 1)
2

Karangan juri X
juri Y
skor
+1+1-1
-1-1
-1
1
-2
S
= 1
n(n 1)
2

Karangan juri X
juri Y
skor
+1+1-1
-1-1
-1
1
-2
2
= 0, 33
= 1
4(3)
2

Koesien korelasi parsial Kendall
Misalkan untuk pasangan (X, Y, Z) bisa dihitung korelasi
parsial XY.Z , XZ.Y dan Y Z.X dengan
XY.Z
XY XZ .Y Z
=
2
2
[(1 XZ )(1 Y Z )]1/2
XZ.Y
XY ZY .Y Z
=
2
2
[(1 XY )(1 ZY )]1/2
Y Z.X
Y Z XZ .Y X
=
2
2
[(1 Y X )(1 ZX )]1/2

Contoh: DIketahui 3 variabel dengan 4 subyek
subyek X
c
XY
3
2
d
4 4 4
= 0, 67; Y Z = 0, 67; XZ = 0, 33

Contoh: DIketahui 3 variabel dengan 4 subyek
subyek X
c
XY
3
2
d
4 4 4
= 0, 67; Y Z = 0, 67; XZ = 0, 33
XY.Z
XY XZ .Y Z
0, 67 (0, 33)(0, 67)
=
=
2
2
1/2
[(1 XZ )(1 Y Z )]
[(1 0, 332 )(1 0, 672 )]1/2

Contoh: Diketahui 3 variabel dengan 4 subyek
subyek X
c
XY
3
2
d
4 4 4
= 0, 67; Y Z = 0, 67; XZ = 0, 33
XY.Z
XY XZ .Y Z
0, 67 (0, 33)(0, 67)
=
=
2
2
1/2
[(1 XZ )(1 Y Z )]
[(1 0, 332 )(1 0, 672 )]1/2
= 0, 63
Koesien Korelasi Rank: SPSS

NONPAR CORR
/VARIABLES=x y z
/PRINT=BOTH TWOTAIL NOSIG.

Correlations
X
Y
Kendalls tau_b X
Z
Correlation Coefficient
Sig. (2-tailed)
N
Sig. (2-tailed)
N
Sig. (2-tailed)
N
1.000
.
4
.667
.174
4
.333
.497
4
.667
.174
4
1.000
.
4
.667
.174
4
.333
.497
4
.667
.174
4
1.000
.
4

Spearmans rho
Correlation Coefficient 1.000

Sig. (2-tailed)
.
N
4
Correlation Coefficient .800
Sig. (2-tailed) .200
N
4
Correlation Coefficient .400
Sig. (2-tailed) .600
N
4
.800
.200
4
1.000
.
4
.800
.200
4
.400
.600
4
.800
.200
4
1.000
.
4
Ringkasan Prosedur Inferensi Statistik

Skala interval/Rasio
Banyak sampel
satu
dua indep.
dua dep.
Hipotesis
mean populasi
variansi populasi
perbedaan mean
dua populasi
independen
perbedaan variansi
dua pop. indep.
perbedaan mean
dua populasi
dependen
Inferensi Statistik
z-test ( diketahui) P
t-test ( tidak diketahui) P
Chi-square test P
z-test P
t-test P
Anava P
F -test P
z-test P
t-test P
Anava (within-subject) P

Banyak sampel
dua atau
lebih (k) indep.
dua atau
lebih (k) dep.
Hipotesis
perbedaan mean k
populasi indep.
perbedaan variansi k
populasi indep.
perbedaan mean k
populasi dep.
Inferensi Statistik
Anava P
Homogenitas variansi P
Anava (within-subject) P

Banyak sampel
satu
dua indep.
dua dep.
dua atau
lebih (k) indep.
dua atau
lebih (k) dep.
Hipotesis
median populasi
perbedaan median
dua populasi
independen
perbedaan median
dua populasi
dependen
perbedaan median k
populasi indep.
perbedaan median k
populasi dep.
Inferensi Statistik
median-test NP
Uji jumlah rank
Wilcoxon NP atau
Mann-Whitney NP
Uji Tanda NP
Wilcoxon NP
Kruskal-Wallis NP
Friedman NP

Skala ordinal/rank-berurut
Banyak sampel
satu
dua indep.
dua dep.
dua atau
lebih (k) indep.
dua atau
lebih (k) dep.
Hipotesis
median populasi
perbedaan median
dua populasi
independen
perbedaan median
dua populasi
dependen
perbedaan median k
populasi indep.
perbedaan median k
populasi dep.
Inferensi Statistik
median-test NP
Uji jumlah rank
Wilcoxon NP atau
Mann-Whitney NP
Uji Tanda NP
Wilcoxon NP
Kruskal-Wallis NP
Friedman NP

Skala nominal/kategorik
Banyak sampel
satu
dua
dua atau
lebih (k)
Hipotesis
distribusi populasi
independensi
variabel
homogenitas dua
pop. binomial
homogenitas k
pop. multinomial
Inferensi Statistik
GOF
Chi-square indep.
Chi-square tabel 2 2
Chi-square tabel b k

Statistik keeratan hubungan
Skala
interval /ratio
Variabel
bivariat
multivariat
ordinal/rank
berurut
bivariat
nominal/
kategorik
multivariat
dua dikotomi
dua non-dikotomi
Statistik
Pearson
korelasi berganda (Pearson)
korelasi parsial (Pearson)
Spearman r
Kendall
Kendall
koesien kontingensi
koesien phi
odds ratio
koesien kontingensi
Cramer
odds ratio

MS2 Slides

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

MS2 Slides

Uploaded by

Copyright:

Available Formats

Metode Statistika II

Program Studi Statistika

Materi dan Jadual

Sub Pokok Bahasan

Data Statistik dan

1. ANAVA Dua Arah

Materi dan Jadual

1. Regresi Linear Ganda

1. Fishers exact test

Materi dan Jadual

(data berasal dari populasi Normal)

Ada k mean populasi yang dibandingkan

Analisis Variansi Satu Arah

Analisis Variansi Satu Arah

Analisis Variansi Satu Arah

Uji mean k populasi

Analisis Variansi Satu Arah

Analisis Variansi Satu Arah

Analisis Variansi Satu Arah

dimana Yij adalah variabel respon dari perlakuan ke-i

Analisis Variansi Satu Arah

dimana Yij adalah variabel respon dari perlakuan ke-i

Analisis Variansi Satu Arah

Hasil Padi - ANAVA

Hasil Padi - ANAVA

Jumlah Kuadrat (SS)

Hasil Padi - ANAVA

Hasil Padi - ANAVA

Hasil Padi - ANAVA

Hasil Padi - ANAVA

Hasil Padi - ANAVA

Hasil Padi - ANAVA

Hasil Padi - ANAVA

Hasil Padi - ANAVA

Jumlah Kuadrat (SS)

Hasil Padi - ANAVA

Jumlah Kuadrat (SS)

Hasil Padi - ANAVA

Jumlah Kuadrat (SS)

Hasil Padi - ANAVA

Jumlah Kuadrat (SS)

Hasil Padi - ANAVA

Jumlah Kuadrat (SS)

Hasil Padi - ANAVA

Jumlah Kuadrat (SS)

Daerah Kritik ( = 0, 05)

Hasil Padi - ANAVA

Jumlah Kuadrat (SS)

Daerah Kritik ( = 0, 05)

Pemecahan Jumlah Kuadrat

Rerata sampel untuk perlakuan ke-i

Pemecahan Jumlah Kuadrat

Rerata sampel keseluruhan

Pemecahan Jumlah Kuadrat

jumlah kuadrat total = jumlah kuadrat perlakuan+jumlah kuadrat sesatan

Pemecahan Jumlah Kuadrat

Pemecahan Jumlah Kuadrat

Pemecahan Jumlah Kuadrat

Selisih antara yij dengan Y..

Pemecahan Jumlah Kuadrat

Selisih antara yij dengan Yi.

Pemecahan Jumlah Kuadrat

Selisih antara Yi. dengan Y..