set.seed(2025)
pop <- data.frame(exam_score = round(rnorm(5000, mean = 72, sd = 10)), pass = rbinom(5000, 1, 0.7)
)
# Menampilkan 6 baris pertama
head(pop, 6)
## exam_score pass
## 1 78 0
## 2 72 1
## 3 80 0
## 4 85 0
## 5 76 1
## 6 70 0
# Ringkasan statistik exam_score
mean_pop <- mean(pop$exam_score)
sd_pop <- sd(pop$exam_score)
min_pop <- min(pop$exam_score)
max_pop <- max(pop$exam_score)
print(mean_pop)
## [1] 71.8192
print(sd_pop)
## [1] 10.1005
print(min_pop)
## [1] 40
print(max_pop)
## [1] 111
# Histogram populasi
hist(pop$exam_score,
main = "Histogram Exam Score Populasi (N = 5000)",
xlab = "Exam Score",
col = "lightblue",
border = "white",
breaks = 30)
abline(v = mean_pop, col = "red", lwd = 2, lty = 2)
Interpretasi singkat: - Nilai rata-rata populasi berada di sekitar 71.8 dengan simpangan baku sekitar 10, nilai minimum di 40, dan maksimum di 111. - Bentuk histogram populasi simetris dan mengikuti pola kurva normal (lonceng).
set.seed(123)
k <- 1000
n <- 30
# Simulasi distribusi sampling rata-rata
sampel_mean_30 <- replicate(k, {
s <- sample(pop$exam_score, size = n, replace = TRUE)
mean(s)
})
# Histogram distribusi sampling rata-rata (n = 30)
hist(sampel_mean_30,
main = "Distribusi Sampling Rata-rata (n = 30, k = 1000)",
xlab = expression(bar(X)),
col = "lightgreen",
border = "white",
breaks = 25)
# Perhitungan Standar Deviasi Empiris vs Standar Error Teoretis
sd_empiris_30 <- sd(sampel_mean_30)
se_teoretis_30 <- sd_pop / sqrt(n)
print(sd_empiris_30)
## [1] 1.849776
print(se_teoretis_30)
## [1] 1.844091
Interpretasi singkat: - Nilai SD Empiris (1.849) sangat mendekati Standar Error Teoretis (1,844)
set.seed(123)
k <- 1000
ukuran_n <- c(5, 30, 100)
# Simulasi untuk ketiga ukuran sampel
hasil_simulasi <- lapply(ukuran_n, function(n_size) {
replicate(k, mean(sample(pop$exam_score, size = n_size, replace = TRUE)))
})
# Menampilkan 3 histogram
par(mfrow = c(1, 3))
warna <- c("yellow", "lightgreen", "skyblue")
for(i in 1:3) {
hist(hasil_simulasi[[i]],
main = paste("Distribusi Sampling (n =", ukuran_n[i], ")"),
xlab = expression(bar(X)),
col = warna[i],
border = "white",
xlim = c(60, 84))
abline(v = mean_pop, col = "red", lwd = 2, lty = 2)
}
par(mfrow = c(1, 1))
Penjelasan pengaruh ukuran sampel (n): 1. Bentuk Distribusi: semakin besar ukuran sampel (n), bentuk distribusi sampling semakin simetris dan semakin mendekati distribusi normal sempurna.
# Data Input
penjualan <- c(45, 52, 47, 50, 49, 53, 54, 48, 51, 50,
55, 46, 49, 47, 52, 50, 48, 53, 54, 49)
berat <- c(55, 60, 62, 58, 64, 70, 68, 72, 59, 61,
63, 65, 66, 67, 71, 69, 60, 58, 62, 64,
73, 75, 77, 68, 70, 72, 74, 69, 63, 65)
tinggi <- c(160, 162, 164, 158, 166, 172, 170, 175, 161, 163,
165, 167, 169, 171, 173, 174, 160, 159, 164, 166,
176, 178, 180, 172, 174, 176, 177, 171, 165, 167)
# Visualisasi Histogram & Q-Q Plot
par(mfrow = c(1, 2))
hist(penjualan, main = "Histogram Penjualan", xlab = "Penjualan", col = "skyblue", border = "black")
qqnorm(penjualan, main = "Normal Q-Q Plot Penjualan")
qqline(penjualan, col = "red", lwd = 2)
par(mfrow = c(1, 1))
# Uji Shapiro-Wilk
sp_penjualan <- shapiro.test(penjualan)
print(sp_penjualan)
##
## Shapiro-Wilk normality test
##
## data: penjualan
## W = 0.96996, p-value = 0.754
# Uji Kolmogorov-Smirnov
ks_penjualan <- ks.test(scale(penjualan), "pnorm")
## Warning in ks.test.default(scale(penjualan), "pnorm"): ties should not be
## present for the one-sample Kolmogorov-Smirnov test
print(ks_penjualan)
##
## Asymptotic one-sample Kolmogorov-Smirnov test
##
## data: scale(penjualan)
## D = 0.11402, p-value = 0.9573
## alternative hypothesis: two-sided
Hipotesis Uji Normalitas - H0: Data berdistribusi normal - H1: Data tidak berdistribusi normal. (p-value > 0.05, terima H0) Hasil - Shapiro-Wilk: W = 0.96996, p-value = 0.754 - Kolmogorov-Sminrov: D = 0.11402, p-value = 0.9573
Kesimpulan Karena nilai p-value dari kedua uji normalitas tersebut > 0.05, maka terima H0. Dapat disimpulkan bahwa data penjualan berdistribusi normal.
# Data frame gabungan berat dan tinggi
df_gab <- data.frame(berat = berat, tinggi = tinggi)
head(df_gab)
## berat tinggi
## 1 55 160
## 2 60 162
## 3 62 164
## 4 58 158
## 5 64 166
## 6 70 172
# Uji normalitas menggunakan sapply()
uji_sw_gab <- sapply(df_gab, function(x){
uji_sp1 <- shapiro.test(x)
c(W = round(uji_sp1$statistic, 4), p_value = round(uji_sp1$p.value, 4))
})
print(uji_sw_gab)
## berat tinggi
## W.W 0.9826 0.9648
## p_value 0.8889 0.4071
# Q-Q plot berat dan tinggi
par(mfrow = c(1, 2))
qqnorm(berat, main = "Q-Q Plot: Berat Badan", pch = 19, col = "blue")
qqline(berat, col = "red", lwd = 2)
qqnorm(tinggi, main = "Q-Q Plot: Tinggi Badan", pch = 19, col = "green")
qqline(tinggi, col = "red", lwd = 2)
par(mfrow = c(1, 1))
Berdasarkan uji Shapiro-Wilk, kedua variabel memenuhi asumsi normalitas karena p-value > 0.05 (berat = 0.8889 dan tinggi = 0.4071). Namun, variabel berat badan lebih mendekati distribusi normal dibandingkan variabel tinggi. Hal ini didasarkan pada nilai statistik uji W (0.9826) dan p-value (0.8889) berat yang lebih mendekati 1 dibandingkan variabel tinggi (W = 0.9648 dan p-value = 0.4071). Selain itu, berdasarkan Q-Q Plot titik-titik data pada variabel berat badan menempel lebih rapat dan sejajar sepanjang garis referensi diagonal dibandingkan tinggi badan.
# Data input
bp <- data.frame(
id = 1:30,
before = c(140,150,135,142,128,155,138,147,131,144,
129,152,141,137,148,133,149,136,130,145,
139,143,134,151,127,146,132,140,138,135),
after = c(132,145,130,138,125,148,135,140,128,136,
125,146,135,132,142,130,144,133,127,140,
134,138,130,145,124,139,128,137,134,131)
)
# menghitung selisih (before - after)
bp$selisih <- bp$before - bp$after
# ringkasan statistik (rata-rata dan simpangan baku)
ringkasan_stat <- data.frame(
Variabel = c("Before", "After", "Selisih"),
Mean = c(mean(bp$before), mean(bp$after), mean(bp$selisih)),
SD = c(sd(bp$before), sd(bp$after), sd(bp$selisih))
)
print(ringkasan_stat)
## Variabel Mean SD
## 1 Before 139.8333 7.706170
## 2 After 135.0333 6.713257
## 3 Selisih 4.8000 1.562491
Hasil Perhitungan: - Before: rata-rata = 139.8333 mmHg, SD = 7.706 - After: rata-rata = 135.0333 mmHg, SD = 6.713 - Selisih: rata-rata = 4.8 mmHg, SD = 1.562
par(mfrow = c(1, 2))
# Boxplot Before vs After
boxplot(bp$before, bp$after,
names = c("Before", "After"),
col = c("coral", "lightcyan"),
main = "Boxplot Tekanan Darah Sistolik",
ylab = "Tekanan Darah (mmHg)")
# Histogram Selisih
hist(bp$selisih,
main = "Histogram Selisih (Before - After)",
xlab = "Penurunan Tekanan Darah (mmHg)",
col = "purple",
border = "white",
breaks = 6)
abline(v = mean(bp$selisih), col = "red", lwd = 2, lty = 2)
par(mfrow = c(1, 1))
sp_selisih <- shapiro.test(bp$selisih)
print(sp_selisih)
##
## Shapiro-Wilk normality test
##
## data: bp$selisih
## W = 0.89942, p-value = 0.008129
Hipotesis - H0:Selisih data berdistribusi normal. - H1:Selisih data tidak berdistribusi normal. (p-value > 0.05, maka H0 diterima) Hasil - Nilai W = 0.89942 - P-value = 0.008129 Kesimpulan karena p-value (0.008129) < 0.05, maka H0 ditolak. Hal ini menunjukkan data selisih tekanan darah (before - after) tidak berdistribusi normal sehingga dilanjutkan ke uji non-parametrik Uji Wilcoxon Signed-Rank.
# Uji Wilcoxon signed-rank
uji_wilcox1 <- wilcox.test(bp$before, bp$after, paired = TRUE)
## Warning in wilcox.test.default(bp$before, bp$after, paired = TRUE): cannot
## compute exact p-value with ties
print(uji_wilcox1)
##
## Wilcoxon signed rank test with continuity correction
##
## data: bp$before and bp$after
## V = 465, p-value = 1.619e-06
## alternative hypothesis: true location shift is not equal to 0
Hipotesis - H0: Tidak ada perbedaan rata-rata tekanan darah sebelum dan sesudah intervensi. - H1: Terdapat perbedaan rata-rata tekanan darah sebelum dan sesudah intervensi.
Kesimpulan: Berdasarkan nilai p-value yang sangat kecil dan kurang dari 0.05 (p-value < 0.05) maka H0 ditolak. Hal ini terbukti bahwa terdapat perbedaan signifikan antara sebelum dan sesudah intervensi.
mean_d <- mean(bp$selisih)
sd_d <- sd(bp$selisih)
cohen_d <- mean_d / sd_d
print(cohen_d)
## [1] 3.072017
Interpretasi: Bedasarkan hasil perhitungan, diperoleh nilai Cohen’s d sebesar 3.07. Berdasarkan kriteria Cohen (d>= 0.8), nilai ini termasuk dalam kategori efek sangat besar. Hal ini menunjukkan bahwa intervensi edukasi gaya hidup memberikan dampak pada penurunan tekanan darah yang sangat kuat dan nyata secara klinis.
Kesimpulan: Berdasarkan hasil uji non-parametrik Wilcoxon Signed-Rank (yang digunakan karena asumsi normalitas selisih dilanggar), intervensi edukasi gaya hidup selama 6 minggu terbukti secara signifikan menurunkan tekanan darah sistolik pasien (V = 465; p < 0,001). Seluruh pasien (n = 30) konsisten mengalami penurunan tekanan darah dengan median selisih penurunan sebesar 5 mmHg (rata-rata penurunan 4,80 mmHg). Efektivitas intervensi ini juga diperkuat oleh ukuran efek (effect size) Cohen’s d = 3,07 yang tergolong sangat besar, membuktikan bahwa program edukasi gaya hidup memberikan dampak positif yang nyata dan bermakna, baik secara statistik maupun medis.