Final Project

Klien: Retno Wilujeng Deskripsi Permasalahan : Klien ini meminta kami untuk memvalidasi bahwa analisis yang dikerjakan nya sudah tepat dan meminta saran untuk uji lanjut yang sesuai.
Data Klien : Data MDA, Data Histopat, Data Nekrotik, dan Data Hyalin.

Load Data MDA

library(readxl)

## Warning: package 'readxl' was built under R version 4.3.3

library(dplyr)

## Warning: package 'dplyr' was built under R version 4.3.3

## 
## Attaching package: 'dplyr'

## The following objects are masked from 'package:stats':
## 
##     filter, lag

## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

# Load the dataset
data_MDA <- read_excel("D:/M S I/Documents/RANCOB/Data Mda.xlsx")
head(data_MDA)

## # A tibble: 6 × 2
##   Perlakuan   MDA
##   <chr>     <dbl>
## 1 KK         7.12
## 2 KK         6.62
## 3 KK         5.76
## 4 KK         3.72
## 5 KN         7.97
## 6 KN        18.3

ANOVA MDA

H0: τ1=τ2=τ3=τ4=τ5=0 H1 : Paling sedikit ada 1 i dimana τi ≠ 0

data_MDA$Perlakuan<-as.factor(data_MDA$Perlakuan)
Anova_MDA<-aov(MDA~Perlakuan,data=data_MDA)
summary(Anova_MDA)

##             Df Sum Sq Mean Sq F value Pr(>F)  
## Perlakuan    4  275.6   68.90   2.626 0.0764 .
## Residuals   15  393.6   26.24                 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Berdasarkan anova diatas didaptkan bahwa p-value > 0,05 maka tak tolak H0. Sehingga, pada taraf nyata 5%, belum ada cukup bukti untuk menyatakan bahwa perbedaan komposisi etilen glikol dengan ekstrak daun alpukat dan ciplukan berpengaruh signifikan terhadap MDA (Malondialdehyde).

Data Histopat

data_histopat <- read_excel("C:/Users/M S I/Downloads/Glomerulus_Long_Format_Final.xlsx")
head(data_histopat)

## # A tibble: 6 × 3
##   Perlakuan Ulangan Glomerulus
##   <chr>       <dbl>      <dbl>
## 1 KK              1       0.86
## 2 KK              2       1.59
## 3 KK              3       2.95
## 4 KN              1       7.91
## 5 KN              2       5.02
## 6 KN              3      13.1

ANOVA Histopat

data_histopat$Perlakuan<-as.factor(data_histopat$Perlakuan)
Anova_Histopat<-aov(Glomerulus~Perlakuan,data=data_histopat)
summary(Anova_Histopat)

##             Df Sum Sq Mean Sq F value Pr(>F)  
## Perlakuan    4  95.42  23.854   5.642 0.0122 *
## Residuals   10  42.28   4.228                 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

#shapirowilk
shapiro.test(x = Anova_Histopat$residuals)

## 
##  Shapiro-Wilk normality test
## 
## data:  Anova_Histopat$residuals
## W = 0.9195, p-value = 0.1893

# Uji Normalitas dengan plot
library(ggplot2)

## Warning: package 'ggplot2' was built under R version 4.3.3

ggplot(data_histopat, aes(sample = Glomerulus)) +
  stat_qq() +
  stat_qq_line() +
  labs(title = "Q-Q Plot of Glomerulus", x = "Theoretical Quantiles", y = "Sample Quantiles")

#interpretasi Berdasarkan uji Shapiro-Wilk, didapatkan p−value = 0.1893 > α=0.05, maka tidak tolak H0, sehingga dapat disimpulkan bahwa sisaan menyebar normal pada taraf nyata 5%.

Uji Homogenitas

library(car)

## Warning: package 'car' was built under R version 4.3.3

## Loading required package: carData

## Warning: package 'carData' was built under R version 4.3.3

## 
## Attaching package: 'car'

## The following object is masked from 'package:dplyr':
## 
##     recode

leveneTest(Glomerulus ~ Perlakuan, data = data_histopat)

## Levene's Test for Homogeneity of Variance (center = median)
##       Df F value Pr(>F)
## group  4  1.5714 0.2558
##       10

Berdasarkan uji Levene, didapatkan p−value = 0.2558 > α=0.05, maka tidak tolak H0, sehingga dapat disimpulkan bahwa ragam sisaan perlakuan homogen pada taraf nyata 5%.

Asumsi Nilai Harapan Sisaan = 0

t.test(Anova_Histopat$residuals,
       mu = 0,
       conf.level = 0.95)

## 
##  One Sample t-test
## 
## data:  Anova_Histopat$residuals
## t = 1.8147e-16, df = 14, p-value = 1
## alternative hypothesis: true mean is not equal to 0
## 95 percent confidence interval:
##  -0.9623538  0.9623538
## sample estimates:
##    mean of x 
## 8.142358e-17

Hasil uji One Sample t-test terhadap residual menghasilkan p-value = 1 (> 0,05), sehingga H₀ gagal ditolak. Ini membuktikan bahwa rata-rata residual tidak menyimpang secara signifikan dari nol, yang berarti asumsi E[ε] = 0 terpenuhi pada α = 5%.

Uji Durbin Watson

# Durbin-Watson Test
library(lmtest)

## Warning: package 'lmtest' was built under R version 4.3.3

## Loading required package: zoo

## Warning: package 'zoo' was built under R version 4.3.3

## 
## Attaching package: 'zoo'

## The following objects are masked from 'package:base':
## 
##     as.Date, as.Date.numeric

dwtest(Anova_Histopat,alternative="two.sided")

## 
##  Durbin-Watson test
## 
## data:  Anova_Histopat
## DW = 2.8482, p-value = 0.4701
## alternative hypothesis: true autocorrelation is not 0

Berdasarkan uji Durbin-Watson pada library lmtest, didapatkan p−value= 0.4701 > α=0.05 , maka tidak tolak H0, sehingga dapat disimpulkan bahwa sisaan saling bebas pada taraf nyata 5%.

Asumsi Saling Bebas

acf(Anova_Histopat$residuals)

Berdasarkan plot ACF, tidak ada pola yang jelas pada sisa model, yang menunjukkan bahwa asumsi independensi residual terpenuhi.

Uji Tukey

library(agricolae)

## Warning: package 'agricolae' was built under R version 4.3.3

# Uji Tukey untuk uji lanjut
tukey_result <- TukeyHSD(Anova_Histopat)
print(tukey_result)

##   Tukey multiple comparisons of means
##     95% family-wise confidence level
## 
## Fit: aov(formula = Glomerulus ~ Perlakuan, data = data_histopat)
## 
## $Perlakuan
##            diff        lwr        upr     p adj
## K2-K1  1.766667  -3.758602  7.2919353 0.8258780
## KK-K1 -3.076667  -8.601935  2.4486020 0.4078680
## KN-K1  3.790000  -1.735269  9.3152686 0.2351119
## KP-K1 -2.206667  -7.731935  3.3186020 0.6892922
## KK-K2 -4.843333 -10.368602  0.6819353 0.0935542
## KN-K2  2.023333  -3.501935  7.5486020 0.7489665
## KP-K2 -3.973333  -9.498602  1.5519353 0.2016740
## KN-KK  6.866667   1.341398 12.3919353 0.0145649
## KP-KK  0.870000  -4.655269  6.3952686 0.9834700
## KP-KN -5.996667 -11.521935 -0.4713980 0.0323320

Berdasarkan uji lanjut Tukey pada taraf nyata 5%, perlakuan KN menunjukkan perbedaan yang signifikan terhadap perlakuan KK dan KP. Perlakuan KN paling efektif dalam meningkatkan nilai Glomerulus dibandingkan perlakuan lainnya dikarenakan memiliki nilai rata-rata glomerulus tertinggi.

Data Nekrotik

# Buat faktor perlakuan
Perlakuan <- rep(c("KK", "KN", "KP", "K1", "K2"), each = 30)

# Salin semua data dari tabel ke vektor satu kolom
Nilai <- c(
  # KK
  12.8, 11.8, 16.0, 10.3, 10.3, 11.5, 16.7, 8.3, 8.9, 11.8,
  10.8, 8.9, 9.8, 13.5, 9.4, 15.0, 12.9, 7.7, 9.5, 9.8,
  11.9, 12.5, 12.2, 9.8, 12.8, 11.9, 13.9, 10.8, 14.0, 8.1,
  # KN
  18.4, 17.9, 18.6, 18.4, 25.8, 26.5, 17.9, 19.4, 25.7, 15.4,
  22.7, 30.3, 21.4, 23.5, 21.9, 32.6, 20.9, 27.0, 18.4, 26.5,
  17.5, 17.1, 19.4, 17.8, 17.9, 16.3, 25.0, 25.0, 12.2, 17.1,
  # KP
  10.3, 13.2, 6.7, 10.9, 13.5, 9.5, 12.5, 11.1, 13.5, 15.4,
  11.1, 10.8, 7.7, 9.1, 8.9, 12.2, 7.1, 10.0, 10.3, 7.1,
  12.8, 5.3, 8.3, 14.6, 11.9, 7.3, 10.3, 9.5, 6.8, 7.3,
  # K1
  10.6, 11.6, 11.1, 8.2, 11.6, 9.5, 9.5, 12.5, 11.8, 12.2,
  10.9, 8.9, 10.3, 13.9, 10.5, 8.1, 7.9, 8.3, 7.9, 15.0,
  11.4, 12.5, 16.2, 7.9, 10.3, 13.9, 12.8, 15.0, 11.8, 13.2,
  # K2
  10.8, 10.0, 5.4, 11.9, 13.5, 13.2, 12.8, 13.9, 10.3, 16.7,
  10.5, 10.8, 11.9, 14.7, 12.8, 15.0, 14.3, 13.2, 15.4, 15.4,
  17.6, 12.1, 13.9, 10.3, 12.8, 13.9, 20.0, 9.1, 9.1, 17.6
)

# Gabungkan ke dalam data.frame
data_nekrotik <- data.frame(Perlakuan = factor(Perlakuan), Nilai = Nilai)

ANOVA Nekrotik

anova_model <- aov(Nilai ~ Perlakuan, data = data_nekrotik)
summary(anova_model)

##              Df Sum Sq Mean Sq F value Pr(>F)    
## Perlakuan     4   2383   595.8   61.26 <2e-16 ***
## Residuals   145   1410     9.7                   
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Uji Kenormalan

# Uji normalitas residu
residuals_anova <- residuals(anova_model)
shapiro.test(residuals_anova)

## 
##  Shapiro-Wilk normality test
## 
## data:  residuals_anova
## W = 0.97686, p-value = 0.01235

Uji kehomogenan Ragam Sisaan

library(car)

# Levene's Test
leveneTest(Nilai ~ Perlakuan, data = data_nekrotik)

## Levene's Test for Homogeneity of Variance (center = median)
##        Df F value    Pr(>F)    
## group   4  4.9712 0.0008755 ***
##       145                      
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Durbin Watson Test

library(lmtest)

# Uji Durbin-Watson
dwtest(anova_model)

## 
##  Durbin-Watson test
## 
## data:  anova_model
## DW = 1.9491, p-value = 0.2599
## alternative hypothesis: true autocorrelation is greater than 0

Asumsi Nilai Harapan Sisaan = 0

t.test(anova_model$residuals,
       mu = 0,
       conf.level = 0.95)

## 
##  One Sample t-test
## 
## data:  anova_model$residuals
## t = -9.5472e-17, df = 149, p-value = 1
## alternative hypothesis: true mean is not equal to 0
## 95 percent confidence interval:
##  -0.4963749  0.4963749
## sample estimates:
##     mean of x 
## -2.398255e-17

Data Hyalin

# Input Data
# Membuat data dalam format long
Perlakuan <- rep(c("KK", "KN", "KP", "K1", "K2"), each = 30)

# Salin semua nilai dari tabel ke dalam vektor satu kolom (150 nilai)
Nilai <- c(
  # KK
  2.6, 2.9, 8.0, 3.4, 13.8, 15.4, 10.0, 5.6, 6.7, 2.9,
  13.5, 8.9, 2.4, 10.8, 12.5, 7.5, 3.2, 5.1, 11.9, 2.4,
  2.4, 5.0, 4.9, 4.9, 2.6, 2.4, 8.3, 10.8, 14.0, 2.7,
  
  # KN
  13.2, 17.9, 16.3, 18.4, 12.9, 11.8, 7.7, 8.3, 11.4, 17.9,
  9.1, 21.2, 21.4, 23.5, 28.1, 19.6, 20.9, 18.9, 8.2, 14.7,
  12.5, 12.2, 19.4, 8.9, 15.4, 14.0, 16.7, 10.0, 12.2, 7.3,
  
  # KP
  7.7, 7.9, 8.9, 8.7, 8.1, 7.1, 17.5, 6.7, 13.5, 7.7,
  8.9, 2.7, 2.6, 2.3, 2.2, 2.4, 2.4, 5.0, 7.7, 4.8,
  2.1, 5.3, 4.2, 2.4, 7.1, 7.3, 10.3, 9.5, 6.8, 2.4,
  
  # K1
  8.5, 9.3, 11.1, 4.1, 4.7, 2.4, 7.1, 7.5, 8.8, 7.3,
  2.2, 2.2, 2.6, 5.6, 5.3, 2.7, 2.6, 5.6, 5.3, 7.5,
  2.9, 2.5, 10.8, 7.9, 5.1, 5.6, 2.6, 2.5, 2.9, 2.6,
  
  # K2
  8.1, 5.0, 2.7, 2.4, 5.4, 2.6, 2.6, 2.8, 7.7, 8.3,
  2.6, 2.7, 2.4, 8.8, 5.1, 2.5, 2.9, 10.5, 5.1, 5.1,
  2.9, 3.0, 5.6, 2.6, 7.7, 11.1, 5.7, 6.1, 6.1, 2.9
)
data_hyalin_long <- data.frame(Perlakuan = factor(Perlakuan), Nilai = Nilai)

ANOVA Hyalin

anova_model_long <- aov(Nilai ~ Perlakuan, data = data_hyalin_long)
summary(anova_model_long)

##              Df Sum Sq Mean Sq F value Pr(>F)    
## Perlakuan     4   2070   517.5   35.26 <2e-16 ***
## Residuals   145   2128    14.7                   
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Uji Normalitas

# Uji normalitas residu
residuals_anova <- residuals(anova_model_long)
shapiro.test(residuals_anova)

## 
##  Shapiro-Wilk normality test
## 
## data:  residuals_anova
## W = 0.9688, p-value = 0.001734

Uji Homogenitas

# Levene's Test
leveneTest(Nilai ~ Perlakuan, data = data_hyalin_long)

## Levene's Test for Homogeneity of Variance (center = median)
##        Df F value    Pr(>F)    
## group   4  5.1326 0.0006764 ***
##       145                      
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Uji Durbin-Watson

# Uji Durbin-Watson
dwtest(anova_model_long)

## 
##  Durbin-Watson test
## 
## data:  anova_model_long
## DW = 1.3939, p-value = 2.337e-05
## alternative hypothesis: true autocorrelation is greater than 0

Asumsi Nilai Harapan Sisaan = 0

t.test(anova_model_long$residuals,
       mu = 0,
       conf.level = 0.95)

## 
##  One Sample t-test
## 
## data:  anova_model_long$residuals
## t = -8.4694e-16, df = 149, p-value = 1
## alternative hypothesis: true mean is not equal to 0
## 95 percent confidence interval:
##  -0.6097662  0.6097662
## sample estimates:
##     mean of x 
## -2.613534e-16

KESIMPULAN: Berdasarkan hasil analisis kelompok kami, dapat disimpulkan bahwa perlakuan yang diuji memberikan pengaruh yang signifikan terhadap parameter histopat, nekrotik, dan hyalin, yang ditunjukkan dengan penolakan H0 pada saat uji ANOVA. Namun, untuk parameter Malondialdehyde (MDA), tidak ditemukan adanya perbedaan efek yang signifikan antar perlakuan. Hal ini mengindikasikan bahwa semua perlakuan memiliki dampak yang mirip/setara terhadap parameter MDA. Setelah dilakukan uji lanjut kami menemukan hasil yang lebih detail bahwa perlakuan KN menjadi yang paling efektif untuk data nekrotik, hyalin, dan histopat. Oleh karena itu, untuk mencapai hasil yang paling optimal pada seluruh parameter kunci, perlakuan KN menjadi pilihan utama yang paling unggul.

Final Project

Shafi Faris Arif Rabbani

2025-06-02

Final Project

Load Data MDA

ANOVA MDA

Data Histopat

ANOVA Histopat

Uji Homogenitas

Asumsi Nilai Harapan Sisaan = 0

Uji Durbin Watson

Asumsi Saling Bebas

Uji Tukey

Data Nekrotik

ANOVA Nekrotik

Uji Kenormalan

Uji kehomogenan Ragam Sisaan

Durbin Watson Test

Asumsi Nilai Harapan Sisaan = 0

Data Hyalin

ANOVA Hyalin

Uji Normalitas

Uji Homogenitas

Uji Durbin-Watson

Asumsi Nilai Harapan Sisaan = 0