ANALISIS JUMLAH KEMATIAN BAYI DI AFRIKA PADA TAHUN 2013, 2014, 2015 MENGGUNAKAN UJI KRUSKAL-WALLIS

Deskripsi data

Data yang digunakan merupakan data kematian bayi di wilayah Afrika pada tahun 2013, 2014, 2015. Setiap negara mewakili 1000 penduduk. Analisis ini bertujuan mengetahui perbedaan dari 3 tahun berturut-turut apakah memiliki perbedaan yang signifikan sehingga nantinya bisa digunakan untuk evaluasi langkah apa yang harus diambil dan kebijakan apa saja yang perlu diterapkan

Library

Proses yang pertama dilakukan adalah persiapan library yang akan digunakan dalam analisis data menggunakan R. Dengan mempersiapkan library-library ini, kita dapat menggunakan berbagai fungsi dan alat yang diperlukan untuk melakukan analisis data dengan lebih efisien dan efektif.

library(rmarkdown)
library(knitr)
library(readxl)
library(kableExtra)
library(ggpubr)

Import Data

data_kematian_bayi_africa<- read_excel(“C:/Users/Asus/Documents/CM SIM AFRICA.xlsx”)

View Data 


kable_input = kable(data_kematian_bayi_africa, format = "html", col.names = c("2013", "2014", "2015"),  align = "c")
  data_styling = kable_styling(kable_input, full_width = TRUE)
  scroll_box(data_styling, height = "300px")
2013 2014 2015
22.1 21.9 21.6
63.7 60.5 57.7
65.7 64.4 63.2
39.4 40.1 39.6
62.7 61.2 59.6
50.7 48.2 46.2
19.2 17.9 16.7
61.6 59.5 57.0
93.0 90.5 87.9
78.9 77.3 75.7
57.2 55.8 54.4
77.0 75.0 73.0
39.7 38.7 37.6
69.1 67.3 65.7
57.8 56.2 54.6
21.3 20.5 19.8
72.1 69.9 67.6
35.8 34.9 34.0
49.5 50.1 45.2
47.3 45.2 43.2
37.9 37.2 36.1
42.0 40.9 39.7
41.8 40.2 38.8
70.5 69.5 68.4
64.3 62.1 60.0
37.4 36.4 35.2
71.0 71.9 72.6
66.9 66.0 64.4
12.3 11.8 11.4
43.4 42.3 41.3
42.2 39.2 36.7
70.6 68.7 66.8
57.5 56.2 55.0
13.1 12.9 12.8
22.6 21.3 20.2
64.7 63.0 61.3
35.8 34.0 33.3
55.0 53.4 51.8
81.0 80.1 79.3
37.1 35.7 34.6
37.6 36.2 34.7
12.5 12.6 12.7
97.7 95.6 95.1
88.4 85.9 83.6
30.1 29.4 28.6
43.0 41.9 40.9
53.7 52.2 50.8
15.0 14.9 14.8
42.4 40.6 38.9
46.6 46.0 46.9
44.8 42.9 42.1

Uji Data

  • Uji Normalitas

Mengingat uji Kruskal-Wallis tidak memerlukan jenis data yang normal, maka dilakuan uji normalitas data pada masing-masing tahun.

Uji normalitas banyak kematian bayi tahun 2013 Probability Plot Data Banyaknya Kematian Bayi Tahun 2013

  ggqqplot(data_kematian_bayi_africa$'2013')

Berdasarkan persebaran yang diperoleh dari hasil probability plot di atas, diketahui bahwa terdapat data yang jauh dari garis linear yang berarti bahwa data tersebut tidak normal. Asumsi ini dapat dibuktikan lebih lanjut melalui perhitungan menggunakan kolmogorov smirnov test

ks.test(data_kematian_bayi_africa$'2013', "pnorm")
## Warning in ks.test(data_kematian_bayi_africa$"2013", "pnorm"): ties should not
## be present for the Kolmogorov-Smirnov test
## 
##  One-sample Kolmogorov-Smirnov test
## 
## data:  data_kematian_bayi_africa$"2013"
## D = 1, p-value < 2.2e-16
## alternative hypothesis: two-sided

Karena p-value = <2.2e-16 < 0,05 maka data jumlah kematian bayi di afrika tahun 2013 tersebut tidak berdistribusi normal

Uji normalitas banyak kematian bayi tahun 2014 Probability Plot Data Banyaknya Kematian Bayi Tahun 2014

  ggqqplot(data_kematian_bayi_africa$'2014')

Berdasarkan persebaran yang diperoleh dari hasil probability plot di atas, diketahui bahwa terdapat data yang jauh dari garis linear yang berarti bahwa data tersebut tidak normal. Asumsi ini dapat dibuktikan lebih lanjut melalui perhitungan menggunakan kolmogorov smirnov test

ks.test(data_kematian_bayi_africa$'2014', "pnorm")
## Warning in ks.test(data_kematian_bayi_africa$"2014", "pnorm"): ties should not
## be present for the Kolmogorov-Smirnov test
## 
##  One-sample Kolmogorov-Smirnov test
## 
## data:  data_kematian_bayi_africa$"2014"
## D = 1, p-value < 2.2e-16
## alternative hypothesis: two-sided

Karena p-value = <2.2e-16 < 0,05 maka data jumlah kematian bayi di afrika tahun 2014 tersebut tidak berdistribusi normal

Uji normalitas banyak kematian bayi tahun 2015 Probability Plot Data Banyaknya Kematian Bayi Tahun 2015

  ggqqplot(data_kematian_bayi_africa$'2015')

Berdasarkan persebaran yang diperoleh dari hasil probability plot di atas, diketahui bahwa terdapat data yang jauh dari garis linear yang berarti bahwa data tersebut tidak normal. Asumsi ini dapat dibuktikan lebih lanjut melalui perhitungan menggunakan kolmogorov smirnov test

ks.test(data_kematian_bayi_africa$'2015', "pnorm")
## 
##  One-sample Kolmogorov-Smirnov test
## 
## data:  data_kematian_bayi_africa$"2015"
## D = 1, p-value = 6.661e-16
## alternative hypothesis: two-sided

Karena p-value = 6.661e-16 < 0,05 maka data jumlah kematian bayi di afrika tahun 2014 tersebut tidak berdistribusi normal

  • Uji Kruskal-Wallis

Setelah diketahui bahwa data berdistribusi tidak normal selanjutnya menguji data-data tersebut menggunakan uji Kruskal-Wallis.

Uji kruskal-wallis tingkat kematian bayi di Africa tahun 2013, 2014, 2015

kruskal.test(data_kematian_bayi_africa, alternative = "two.sided", conf.level = 0.95)
## 
##  Kruskal-Wallis rank sum test
## 
## data:  data_kematian_bayi_africa
## Kruskal-Wallis chi-squared = 0.61372, df = 2, p-value = 0.7358

Karena p-value = 0.7358 > 0,05 maka tidak terdapat perbedaan tingkat kematian antara tahun 2019, 2020, dan 2021.

Kesimpulan

Berdasarkan pengujian yang telah dilakukan, diperoleh bahwa data tingkat kematian bayi di Afrika pada tahun 2013, 2014, dan 2015 tidak berdistribusi normal. Selain itu, berdasarkan hasil uji Kruskal-Wallis, diperoleh bahwa tidak terdapat perbedaan yang signifikan pada setiap tahunnya. Oleh karena itu, dapat disimpulkan bahwa tidak terdapat perbedaan tingkat kematian bayi di Afrika dalam 3 tahun berturut - turut.