1 PENDAHULUAN
1.1 Latar Belakang
Komputasi Statistika merupakan kombinasi antara ilmu statistika dan komputasi. Dalam era digital saat ini, analisis data yang kompleks membutuhkan pendekatan komputasional yang efektif. Komputasi Statistika memanfaatkan perangkat lunak dan bahasa pemrograman statistik untuk mengolah, menganalisis, dan menginterpretasikan data secara efisien. Komputasi Statistika memungkinkan kita untuk mengatasi tantangan analisis data yang rumit dan besar.
Dalam praktikum ini, materi akan menjelaskan penggunaan alat-alat komputasi statistika dalam konteks analisis data. Dalam praktikum ini, perangkat lunak statistik yang digunakan adalah R-Studio. R-Studio menyediakan berbagai paket statistik yang lengkap dan kaya fitur. Praktikum ini bertujuan untuk memperkenalkan mahasiswa dengan konsep dan aplikasi Komputasi Statistika dalam proses menganalisis suatu data. Dalam praktikum ini, dataset yang digunakan merupakan data pengujian ilmiah dari penambahain silika Fume terhadap nilai ph Mortar (Pratama, et al., 2016). Uji statistika utama yang akan dibahas dalam laporan ini adalah mengenai analisis One Way Anova beserta beberapa uji asumsinya
1.2 Tinjauan Pustaka
1.3 One Way Anova
Analisis One-Way ANOVA (Analysis of Variance) adalah metode statistik yang digunakan untuk membandingkan rata-rata antara dua kelompok atau lebih yang independen. Analisis ini berguna untuk menentukan apakah ada perbedaan signifikan antara setidaknya satu pasang kelompok dalam populasi yang diwakili oleh sampel-sampel tersebut (Putra & Muzakir, 2022). Selain itu, analisis One-Way ANOVA juga memberikan informasi tentang perbedaan variasi antara kelompok-kelompok, yang diekspresikan dalam bentuk sumbu antara kelompok (sum of squares between groups) dan variasi dalam kelompok (sum of squares within groups). Hal ini membantu dalam memahami kontribusi variasi antara kelompok dan variasi dalam kelompok terhadap perbedaan rata-rata yang diamati.
1.3.1 Uji Homogenitas Ragam
Uji homogenitas ragam adalah sebuah prosedur statistik yang digunakan untuk menguji apakah variasi (ragam) dari beberapa kelompok atau perlakuan dalam suatu percobaan adalah sama atau tidak (Sari, et al., 2017). Uji ini biasanya dilakukan sebelum melakukan uji perbedaan antar kelompok, seperti uji ANOVA (Analysis of Variance) atau uji t. Tujuan dari uji homogenitas ragam adalah untuk memastikan bahwa asumsi homogenitas ragam terpenuhi sebelum melakukan uji perbedaan. Asumsi ini penting karena jika ragam antar kelompok berbeda secara signifikan, maka hasil uji perbedaan antar kelompok dapat menjadi tidak valid.Salah satu metode uji homogenitas adalah Uji Levene. Uji Levene ini menguji apakah ragam antar kelompok sama berdasarkan median absolut deviasi (MAD) dari setiap kelompok.
1.3.2 Uji Normalitas Shapiro Wilk
Uji normalitas adalah prosedur statistik yang digunakan untuk menguji apakah suatu sampel data memiliki distribusi normal atau tidak. Tujuan dari uji normalitas adalah untuk memastikan bahwa asumsi dasar distribusi normal terpenuhi sebelum melakukan analisis statistik parametrik. Perlu diperhatikan bahwa interpretasi uji normalitas tidak mutlak dan dapat dipengaruhi oleh ukuran sampel. Sebagai panduan umum, jika ukuran sampel cukup besar (biasanya lebih dari 30), data dapat dianggap memiliki distribusi normal meskipun nilai p-value kurang dari tingkat signifikansi yang ditentukan. Uji normalitas Shapiro-Wilk sangat berguna dalam analisis statistik karena memungkinkan mengevaluasi asumsi dasar distribusi normal sebelum melakukan uji parametrik terutama pada data dengan n<50 (Oktaviani & Notobroto, 2014).
1.3.3 Uji Lanjut BNT
Uji lanjut Beda Nyata Terkecil (BNT) atau post hoc test pada dasarnya adalah serangkaian uji statistik yang dilakukan setelah menerapkan analisis Beda Nyata Terkecil (BNT) atau analisis perbedaan antar kelompok yang signifikan (Hertian, et al., 2022). Analisis BNT digunakan untuk membandingkan dua kelompok atau lebih dan menentukan perbedaan signifikan di antara kelompok-kelompok tersebut. Tujuan dari uji lanjut BNT adalah untuk melakukan perbandingan pasangan antara kelompok-kelompok setelah adanya perbedaan signifikan dalam analisis BNT. Hal ini bertujuan untuk mengidentifikasi kelompok-kelompok mana yang secara signifikan berbeda satu sama lain.
1.4 Data
Variabel = factor(rep(c("Kontrol", "Variabel_1", "VAriabel_2","VAriabel_3", "VAriabel_4"),each=3))
Nilai_pH_Mortar = c(11.14, 11.29, 11.19, 11.16, 11.16, 11.16, 11.11, 11.10, 11.10, 11.00, 11.05, 11.05, 10.88, 10.98, 10.97)
data<- data.frame(Variabel,Nilai_pH_Mortar)
data## Variabel Nilai_pH_Mortar
## 1 Kontrol 11.14
## 2 Kontrol 11.29
## 3 Kontrol 11.19
## 4 Variabel_1 11.16
## 5 Variabel_1 11.16
## 6 Variabel_1 11.16
## 7 VAriabel_2 11.11
## 8 VAriabel_2 11.10
## 9 VAriabel_2 11.10
## 10 VAriabel_3 11.00
## 11 VAriabel_3 11.05
## 12 VAriabel_3 11.05
## 13 VAriabel_4 10.88
## 14 VAriabel_4 10.98
## 15 VAriabel_4 10.972 SOURCE CODE
2.1 Uji Homogenitas Ragam
library(car)## Warning: package 'car' was built under R version 4.2.3## Loading required package: carData## Warning: package 'carData' was built under R version 4.2.3leveneTest(Nilai_pH_Mortar~Variabel, data=data)## Levene's Test for Homogeneity of Variance (center = median)
## Df F value Pr(>F)
## group 4 1.1408 0.3918
## 102.2 Uji Normalitas Shapiro Wilk
fit<-lm(Nilai_pH_Mortar~Variabel, data=data)
sisa<-residuals(fit)
shapiro.test(sisa)##
## Shapiro-Wilk normality test
##
## data: sisa
## W = 0.938, p-value = 0.35792.3 ANOVA
fit<-lm(Nilai_pH_Mortar~Variabel, data=data)
anova(fit)## Analysis of Variance Table
##
## Response: Nilai_pH_Mortar
## Df Sum Sq Mean Sq F value Pr(>F)
## Variabel 4 0.130227 0.032557 16.724 0.000199 ***
## Residuals 10 0.019467 0.001947
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1summary(fit)##
## Call:
## lm(formula = Nilai_pH_Mortar ~ Variabel, data = data)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.06667 -0.01000 0.00000 0.01667 0.08333
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 11.20667 0.02547 439.938 < 2e-16 ***
## VariabelVariabel_1 -0.04667 0.03602 -1.295 0.224284
## VariabelVAriabel_2 -0.10333 0.03602 -2.868 0.016714 *
## VariabelVAriabel_3 -0.17333 0.03602 -4.812 0.000711 ***
## VariabelVAriabel_4 -0.26333 0.03602 -7.310 2.57e-05 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.04412 on 10 degrees of freedom
## Multiple R-squared: 0.87, Adjusted R-squared: 0.8179
## F-statistic: 16.72 on 4 and 10 DF, p-value: 0.0001992.4 Uji Lanjut
2.4.1 Uji lanjut BNT
library(agricolae)## Warning: package 'agricolae' was built under R version 4.2.3BNT <- LSD.test(fit, "Variabel", alpha = 0.05)
BNT## $statistics
## MSerror Df Mean CV t.value LSD
## 0.001946667 10 11.08933 0.3978692 2.228139 0.080268
##
## $parameters
## test p.ajusted name.t ntr alpha
## Fisher-LSD none Variabel 5 0.05
##
## $means
## Nilai_pH_Mortar std r LCL UCL Min Max Q25
## Kontrol 11.20667 0.076376262 3 11.14991 11.26342 11.14 11.29 11.165
## Variabel_1 11.16000 0.000000000 3 11.10324 11.21676 11.16 11.16 11.160
## VAriabel_2 11.10333 0.005773503 3 11.04658 11.16009 11.10 11.11 11.100
## VAriabel_3 11.03333 0.028867513 3 10.97658 11.09009 11.00 11.05 11.025
## VAriabel_4 10.94333 0.055075705 3 10.88658 11.00009 10.88 10.98 10.925
## Q50 Q75
## Kontrol 11.19 11.240
## Variabel_1 11.16 11.160
## VAriabel_2 11.10 11.105
## VAriabel_3 11.05 11.050
## VAriabel_4 10.97 10.975
##
## $comparison
## NULL
##
## $groups
## Nilai_pH_Mortar groups
## Kontrol 11.20667 a
## Variabel_1 11.16000 ab
## VAriabel_2 11.10333 bc
## VAriabel_3 11.03333 c
## VAriabel_4 10.94333 d
##
## attr(,"class")
## [1] "group"3 HASIL DAN PEMBAHASAN
3.1 Uji Asumsi
3.1.1 Uji Homogenitas Ragam
Hipotesis
H0 = Ragam antara perlakuan sama
H1 = Ragam antara perlakuan tidak sama
P-Value
P-value = 0.3918
Keputusan
P-value (0.3918) > taraf nyata (0.05), makan Terima H0
Kesimpulan
Dengan taraf nyata 0.05, terdapat cukup bukti bahwa Ragam antara perlakuan sama.
3.1.2 Uji Normalitas Shapiro Wilk
Hipotesis
H0 = Sebaran data berdistribusi normal
H1 = Sebaran data tidak berdistribusi normal
P-Value
P-value = 0.3578
Keputusan
P-value (0.3578) > taraf nyata (0.05), makan Terima H0
Kesimpulan
Dengan taraf nyata 0.05, terdapat cukup bukti bahwa sebaran data berdistribusi normal.
3.2 ANOVA
Hipotesis
H0 = Tidak ada hubungan antara penambahan silica fume dengan niali pH mortar
H1 = Terdapat hubungan antara penambahan silica fume dengan niali pH mortar
P-Value
P-value = 0.000199
Keputusan
P-value (0.000199) < taraf nyata (0.05), makan Tolak H0
Kesimpulan
Dengan taraf nyata 0.05, terdapat cukup bukti bahwa terdapat hubungan antara penambahan silica fume dengan niali pH mortar.
3.3 Uji Lanjut
3.3.1 Uji lanjut BNT
Interpretasi Dengan taraf nyata 0.05, dapat disimpulkan bahwa perlakuan yang memiliki rata-rata pengaruh sama adalah perlakuan kontrol dengan variabel_1, variabel_2 dengan variabel_3. Perlakuan yang memiliki rata-rata pengaruh yang paling berbeda adalah perlakuan variabel_4.
4 KESIMPULAN
Pada pengujian asumsi One Way Anova dapat disimpulkan bahwa terdapat bahwa terdapat hubungan antara penambahan silica fume dengan niali pH mortar. Diketahui pula bahwa, setiap perlakukan memiliki rata-rata pengaruh yang berbeda, namun terdapat pula beberapa pasang perlakuan yang memiliki rata-rata pengaruh nilai yang sama. Dengan demikian, dapat disimpulkan bahwa penambahan silica dume secara signifikan mempengaruhi nilai pH mprtar.
5 DAFTAR PUSTAKA
J. F., P. & Pratama, L. G., 2016. Aplikasi Metode Analysis of Variance (ANOVA) Untuk Mengkaji Pengaruh Penambahan Silica Fume Terhadap Sifat Fisik dan Mekanik Mortar. Jurnal Rekayasa Sipil, 12(1), p. 18.
Oktaviani, M. A. & Notobroto, H. B., 2014. Perbandingan Tingkat Konsistensi Normalitas Distribusi Metode. Jurnal Biometrika dan Kependudukan, 3(2), p. 128.
Putra, Z. & Muzakir, 2022. Survei Kepuasan Masyarakat Atas Pelayanan Administrasi di Kantor. Jurnal Bisnis dan Kajian Strategi Manajemen, 6(2), p. 194.
Sari, A. Q., S. & Agoestanto, A., 2017. BATASAN PRASYARAT UJI NORMALITAS DAN UJI HOMOGENITAS PADA. UNNES Journal of Mathematics, 6(2), p. 173.
Hertian, R., Muhaimin, M., & Sani K, F. (2022). UJI EFEKTIVITAS EKSTRAK DAUN EKOR NAGA (Rhaphidohora pinnata (L.f) Schott) TERHADAP PENYEMBUHAN LUKA SAYATAN PADA MENCIT PUTIH JANTAN. Indonesian Journal of Pharma Science, 3(1), 11-20