Upload
tanuja
View
116
Download
3
Embed Size (px)
DESCRIPTION
PERTEMUAN KE-3. Statistika Nonparametrik. FITRI CATUR LESTARI, M. Si. 2013. Analisis Pembelajaran. korelasi. banyak populasi. 2 populasi. 1 populasi. Sekilas tentang Kenormalan. Bagaimana mendeteksi kenormalan secara sederhana? Boxplot, Histogram, Scatter Plot, Stem and Leaf Plot - PowerPoint PPT Presentation
Citation preview
Statistika Nonparametrik
PERTEMUAN KE-3
FITRI CATUR LESTARI, M. Si.
2013
KK 2
Mahasiswa dapat mengerti kegunaan dan menggunakan
uji Binomial dan uji Runs
C3P 2
KK 4Mahasiswa dapat mengerti
kegunaan dan menggunakan uji Chi-Squares (two
independent samples test) dan uji Tanda
C3P 4
KK 3Mahasiswa dapat mengerti
kegunaan dan menggunakan uji Kolmogorov-Smirnov/uji Liliefors dan uji Chi-Squares
(goodness of fit test)
C3P 3
KK 1
Mahasiswa dapat mengerti penggunaan metode statistika
nonparametrik
P 1 C2
KK 14
Mahasiswa dapat mengerti kegunaan dan menggunakan
uji Cramer Coefficient C dan uji Konkordansi Kendall W
C3P 14
Mahasiswa dapat memahami dan mampu menggunakan metode-metode statistika nonparametrik dalam analisis data pada kegiatan penelitian dan persoalan-persoalan sehari-hari.
KOMPETENSI UMUM
KK 5Mahasiswa dapat mengerti
kegunaan dan menggunakan uji Wilcoxon sampel
berpasangan dan sampel independen
C3P 5 KK 6
Mahasiswa dapat mengerti kegunaan dan menggunakan uji Man-Whitney dan uji Mc
Nemar
C3P 6 KK 7
Mahasiswa dapat mengerti kegunaan dan menggunakan
uji Median dan uji Fisher
C3P 7 KK 8
Mahasiswa dapat mengerti kegunaan dan menggunakan
uji Moses dan Uji Wald-Wolfowitz
C3P 8
KK 10
Mahasiswa dapat mengerti kegunaan dan menggunakan
uji Friedman
C3P 10 KK 11
Mahasiswa dapat mengerti kegunaan dan menggunakan
uji Median dan Cochran Q
C3P 11 KK 12
Mahasiswa dapat mengerti kegunaan dan menggunakan uji Jonckheere dan uji Page
C3P 12KK 9
Mahasiswa dapat mengerti kegunaan dan menggunakan
uji Kruskal-Wallis
C3P 9
KK 13
Mahasiswa dapat mengerti kegunaan dan menggunakan
uji korelasi Spearman dan Kendall Tau
C3P 13
Analisis Pembelajaran
1 populasi
2 populasi
banyak populasi
korelasi
Sekilas tentang Kenormalan
Bagaimana mendeteksi kenormalan secara sederhana? Boxplot, Histogram, Scatter Plot, Stem and Leaf Plot
Bagaimana mendeteksi kenormalan secara tidak sederhana? Alat uji
Bagaimana jika data berdistribusi tidak normal? Transformasi, perbanyak data, metode statistik
nonparametrik Bisa jadi ketidaknormalan disebabkan oleh outlier.
Bagaimana solusinya? Buang outlier, metode anti outlier
UJI KOLMOGOROV-SMIRNOV
Fungsi dan Esensi
Fungsi: Membandingkan distribusi frekuensi kumulatif
hasil pengamatan (sampel) dengan distribusi frekuensi kumulatif yang diharapkan(teoritis)
Esensi Apakah sampel yang kita ambil berasal dari
populasi yang memiliki distribusi normal?
-goodness of fit- Tidak hanya distribusi normal uniform,
poisson, eksponensial
Skala: minimal ordinal (Siegel,51)
Prosedur
a. Urutkan datanya dari yang terkecil sampai terbesar
b. Buat distribusi frekuensi kumulatif relatifS(X)c. Hitung zstandarisasid. Hitung distribusi frekuensi kumulatif teoritis
(berdasarkan kurve normal)F(X)e. Hitung selisih poin (b) dengan poin (d)f. Hitung D=selisih maksimum poin (e) (nilai
paling besar pada poin (e))g. Bandingkan dengan D tabel(Ho ditolak jika
D>Dtabel) Ada juga yang menggunakan simbol T
Contoh
Suatu perusahaan penerbangan ingin mengetahui apakah keterlambatan waktu take-off pesawat-pesawat terbang di pelabuhan udara X berdistribusi normal. Dari sampel 11 keterlambatan yang terjadi diketahui (dalam jam):
Dari studi-studi pelabuhan udara lainnya dipertimbangkan bahwa keterlambatan take-off di pelabuhan udara x akan mempunyai mean 3 jam dengan simpangan baku 1 jam. Apakah data tersebut berdistribusi normal? Bedanya dengan Lilifors
1 2 3 4 5 6 7 8 9 10 11
2,1 1,9 3,2 2,8 1,0 5,1 0,9 4,2 3,9 3,6 2,7
Penyelesaian
no a b c d e1 0,9 0,0909 -2,1 0,0179 0,07302 1,0 0,1818 -2,0 0,0228 0,15903 1,9 0,2727 -1,1 0,1357 0,13704 2,1 0,3636 -0,9 0,1841 0,17955 2,7 0,4545 -0,3 0,3821 0,07246 2,8 0,5455 -0,2 0,4207 0,12487 3,2 0,6364 0,2 0,5793 0,05718 3,6 0,7273 0,6 0,7257 0,00169 3,9 0,8182 0,9 0,8159 0,0023
10 4,2 0,9091 1,2 0,8849 0,024211 5,1 1,0000 2,1 0,9821 0,0179
= 0,1795 Ho data berdistribusi normal Alpha 10%Dtabeln=11 ____ 0,352 Data menyebar normal
SN(Xi) F0(Xi)
CONTOH LAGI, kalau ada data kembar
CONTOH LAGI
Berdasarkan penelitian tentang intensitas penerangan alami yang dilakukan terhadap 18 sampel rumah sederhana, rata-rata pencahayaan alami di beberapa ruangan dalam rumah pada sore hari sebagai berikut ; 46, 57, 52, 63, 70, 48, 52, 52, 54, 46, 65, 45, 68, 71, 69, 61, 65, 68 lux. Selidikilah dengan α = 5%, apakah data tersebut di atas diambil dari populasi yang berdistribusi normal ?
SPSS-Cara 1
Kolmogorov-Smirnov dari menu Analyze > Descriptive Statistics > Explore
Tests of Normality
.107 44 .200* .966 44 .372TOTALHSLStatistic df Sig. Statistic df Sig.
Kolmogorov-Smirnova
Shapiro-Wilk
This is a lower bound of the true significance.*.
Lilliefors Significance Correctiona.
SPSS-Cara 2
One-Sample Kolmogorov-Smirnov Test
44 46 46 46 46 46 46
2641.43 39.67 38.72 41.70 38.17 37.61 35.46
1014.71 3.11 5.46 5.62 3.84 4.16 6.60
.107 .110 .143 .130 .132 .129 .098
.107 .066 .125 .071 .132 .129 .074
-.043 -.110 -.143 -.130 -.096 -.091 -.098
.711 .746 .972 .884 .897 .875 .665
.693 .634 .301 .416 .397 .429 .769
N
Mean
Std. Deviation
Normal Parameters a,b
Absolute
Positive
Negative
Most ExtremeDifferences
Kolmogorov-Smirnov Z
Asymp. Sig. (2-tailed)
TOTALHSL KINERJA MOTIVASI IKLIM KOMITMEN KEPUASAN KEPEMIMP
Test distribution is Normal.a.
Calculated from data.b.
UJI CHI SQUARE
Fungsi dan Esensi
Fungsi: Membandingkan fungsi distribusi random
variabel pengamatan dengan fungsi distribusi normal
Esensi Apakah sampel yang kita ambil berasal dari
populasi yang memiliki distribusi normal?
-goodness of fit- Tidak hanya distribusi normal
Formula
Ho menyatakan proporsi sebuah obyek jatuh pada tiap kategori pada populasi yang diduga
pj*=peluang suatu observasi X termasuk dalam kelas j (j=1,…,c)
Ei= pj*.N tidak boleh kecil nilainya karena distribusinya cenderung tidak Chi Square
Cohran menyarankan Ei jangan kurang dari 1 dan tidak lebih dari 20% Ei kurang dari 5
YarnoldTolak Ho jika T>X1-alpha
22
1 1
c cj j j
j jj j
O E OT N
E E
Siegel, 45
Siegel
The size of df reflects the number of “observations” which are free to vary after certain restrictions have been placed on the data
df: k-1 dengan Ei=N/k
CONTOH-Uniform
Grup 1 2 3 4 5 6 7 8 Total
Obs 29 19 18 25 17 10 15 11 144
Eksp 18 18 18 18 18 18 18 18 144
Hipotesis: Ho: Data berdistribusi uniform H1: Data tdk berdistribusi uniform
Stat uji: X2 Alpha=1% Distribusi sampling: dist X2 df=k-1=8-1=7 Daerah penolakan:
Ho ditolak jika prob. Atau p-value <=0.01
Keputusan: X2 hit =16.3 Terima Ho Tapi kalau alpha 5% Tolak Ho
Tabel 1%=18.475Tabel 5%=14.067
CONTOH-Normal
X2=8.36X2 tabel=14.07 Terima Ho: data berdistribusi
normalCatatan: Derajat bebas
Grup 1 2 3 4 5 6 7 8 9 10 Total
Obs 8 10 13 15 10 14 12 8 7 6 103
Eksp 10.3 10.3 10.3 10.3 10.3 10.3 10.3 10.3 10.3 10.3 103
Ekspektasi yang terlalu kecil
Df=1 (k=2)minimal Ei=5Df>1 (k>2) tidak digunakan jika:
Lebih dari 20% Ei nya <5 Ada Ei<1
Penggabungan kategori p50Jika sudah dikombinasikan/gabung masih Ei
nya <5 maka gunakan uji binomial
Contoh
Apakah data di bawah ini berdistribusi normal dengan mean 30 dan varians 100?
16,7 25,917,4 2718,1 35,118,2 35,818,8 36,519,3 37,622,4 39,822,5 42,124 43,2
24,7 46,2
Penyelesaian
w0.25 w0.5 w0.75tabel
X0.25=30+10(-0.6745)=23.255 X0.50=30 X0.75=36.745 Kelas 1 <=23.255 Kelas 2 23.255<x<=30 Kelas 3 30<x<=36.745 Kelas 4 >36.745
p px w
Oj=8,4,3,5T=2.8Alpha 0.05tolak Ho jika T>7.815
Rules of Thumbs
Pilih interval dimana Ekspektasinya : N/kJumlah kategori ditentukan sedemikian rupa
sehingga Ekspektasinya antara 6-10 untuk sampel besar (>200)
PERBANDINGAN
K-S tidak tergantung pada pengelompokan seperti pada Chi-Square (CS)
Jika sampel sedikit, maka K-S lebih powerful K-S dapat digunakan pada sampel kecil sekalipun Chi Square membutuhkan data skala nominal K-S membutuhkan data distribusi kontinu KS dan CS bisa digunakan untuk data berskala ordinal Presisi KS lebih tinggi karena pada CS terdapat
pengelompokan. Pada sampel kecil, KS adalah eksak sedangkan CS
hanya pendekatan eksak.
Terdapat beberapa keuntungan dan kerugian relatif uji kesesuaian Kolmogorov-Smirnov
dibandingkan dengan uji kesesuaian Kai Kuadrat, yaitu:
Data dalam Uji Kolmogorov-Smirnov tidak perlu dilakukan kategorisasi. Dengan demikian semua informasi hasil pengamatan terpakai.
Uji Kolmogorov-Smirnov bisa dipakai untuk semua ukuran sampel, sedang uji Kai Kuadrat membutuhkan ukuran sampel minimum tertentu.
Uji Kolmogorov-Smirnov tidak bisa dipakai untuk memperkirakan parameter populasi. Sebaliknya uji Kai Kuadrat bisa digunakan untuk memperkirakan parameterpopulasi,dengan cara mengurangi derajat bebas sebanyak parameter yang diperkirakan.
Uji Kolmogorov-Smirnov memakai asumsi bahwa distribusi populasi teoritis bersifat kontinu.
31
Metode Lilliefors Untuk Uji Normalitas
Uji lilliefors digunakan bila ukuran sampel (n) lebih kecil dari 30.
Misalkan sampel acak dengan hasil pengamatan : x1 ,x2 , …,xn. Akan diuji apakah sampel tersebut berasal dari populasi berdistribusi normal atau tidak?
32
Langkah-langkah pengujian:
Rumuskan Hipotesis: Ho : sampel berasal dari populasi berdistribusi normal H1 : sampel tidak berasal dari populasi berdistribusi normal
Tentukan α : taraf nyata Susun tabel berikut:
Data diurutkan dari terkecil ke terbesar Cari rata-rata, simpangan baku sampel Lakukan standarisasi normal (z=(xi–x) /s) Hitung peluang F(zi ) = P(zi) Hitung proporsi yang lebih kecil atau sama dengan zi -> S( zi) Hitung | F(zi) – S(zi) |
Statistik Uji : Nilai terbesar dari | F(zi) -S(zi) |
Dengan α tertentu tentukan titik kritis L Kriteria uji : tolak Ho jika Lo >= Ltabel , terima dalam hal lainya.
33
PR
Cari soal dan penyelesaian (sebanyak mungkin) dari buku referensi (cantumkan sumbernya) ttg uji liliefors.
Kerjakan menurut kelompok bulan lahir: Kelompok 1: Januari-Maret Kelompok 2: April-Juni Kelompok 3: Juli-September Kelompok 4: Oktober-Desember
Ketik dan kumpulkan lewat email setelah di compile oleh PJ
Deadline Senin, tgl 8 April 2013
T E R I M A K A S I H
Uji Kenormalan
Fitri Catur Lestari, M. Si.2013
TEKNIS !
Metode Kolmogorov Smirnov
Persyaratan :•Data berskala interval atau ratio (kuantitatif)•Data tunggal/belum dikelompokkan pada table distribusi frekuensi•Dapat untuk n besar maupun n kecil.
D = max |Fr – Fs|Tolak Ho jika D > D (α,n)Fr = nilai ZFs = probabilitas kumulatif empiris
Tabel uji Kolmogorov-Smirnov
Soal :
Suatu penerapan tentang berat badan peserta
pelatihan kebugaran fisik/jasmani dengan sampel
sebanyak 27 orang diambil secara random, didapatkan
data sebagai berikut : 78, 78, 95, 90, 78, 80, 82, 77, 72,
84, 68, 67, 87, 78, 77, 88, 97, 89, 97, 98, 70, 72, 70, 69,
67, 90, 97 kg. Selidikilah dengan α= 5%, apakah data
tersebut diambil dari populasi yang berdistribusi normal
?
Penyelesaian :Hipotesis:Ho : Data berdistribusi normalH1 : Data tidak berdistribusi normalα = 0,05Statistik uji dan hitung:X = 81,2963SD = 10,28372Dhitung: nilai |Fr-Fs| tertinggi sebagai angka penguji normalitas, yaitu 0, 1440
Dan seterusnya..
Daerah kritis :Ho ditolak jika Dhitung>Dn(α) = D27(0,05) = 0,254.
Keputusan : Terima Ho karena 0,1440 < 0,254
Kesimpulan :Dengan tingkat kepercayaan 95%, dapat diperkirakan bahwa data berat badan peserta pelatihan kebugaran diperoleh dari populasi yg berdistribusi normal.
Metode Goodness-of-fitMetode Chi square atau χ2 untuk uji Goodness of Fit Distribusi Normal menggunakan pendekatan penjumlahan penyimpangan data observasi tiap kelas dengan nilai yang diharapkan.Rumus :
Tabel :
Persyaratan :• Data bersusun berkelompok atau dikelompokkan dalam table distribusi frekuensi• Cocok untuk data dengan kebanyakan angka besar (n > 30)• Setiap sel harus terisi, yang Ei kurang dari 5 digabungkanlebih baik jika ada referensi
Jika χ2 > nilai χ2 tabel, maka Ho ditolak
Contoh :Data tinggi badan
Selidiki dengan α = 5%, apakah data diatas berdistribusi normal ?
Penyelesaian :Hipotesis:Ho : Data berdistribusi normalH1 : Data tidak berdistribusi normalAlpha= 5%Statistik uji dan hitung: X = 165,3 ; SD = 10,36
χ2 = 0,1628Daerah kritis:Ho ditolak jika χ2
hitung > χ2tabel
Df = (k - 3) = (5 – 3) = 2Nilai table χ2
0,05; 2 = 5,991Keputusan:Karena | 0,1628 | < | 5,991 | maka Ho diterimaKesimpulan:Dengan tingkat kepercayaan 95%, dapat diperkirakan bahwa tinggi badan masyarakat kalimas tahun diambil dari populasi yang berdistribusi normal.
Thank You