BAB 8

Uji Kesamaan Rata-Rata dari Dua Populasi untuk Data Berpasangan dan Saling Berhubungan (Uji t)

Uji t berpasangan digunakan untuk menguji ada tidaknya perbedaan rata-rata dari dua kelompok data yang saling berhubungan. Dalam pengujian ini, setiap pengamatan pada kelompok pertama memiliki pasangan pengamatan pada kelompok kedua.

Hipotesis yang digunakan:

  • H0: Tidak terdapat perbedaan rata-rata antara kedua kelompok.
  • H1: Terdapat perbedaan rata-rata antara kedua kelompok.

1. Memasukkan Data

data8 = data.frame(
  X = c(78, 75, 67, 77, 70, 72, 78, 74, 77),
  Y = c(100, 95, 70, 90, 90, 90, 89, 90, 100)
)

data8
##    X   Y
## 1 78 100
## 2 75  95
## 3 67  70
## 4 77  90
## 5 70  90
## 6 72  90
## 7 78  89
## 8 74  90
## 9 77 100

Data tersebut merupakan data berpasangan dari sembilan responden. X menunjukkan jumlah denyut jantung sebelum perlakuan, sedangkan Y menunjukkan jumlah denyut jantung setelah perlakuan.

2. Melakukan Uji t Berpasangan

t.test(data8$X, data8$Y, paired=TRUE)
## 
##  Paired t-test
## 
## data:  data8$X and data8$Y
## t = -7.6525, df = 8, p-value = 6.003e-05
## alternative hypothesis: true mean difference is not equal to 0
## 95 percent confidence interval:
##  -21.11064 -11.33381
## sample estimates:
## mean difference 
##       -16.22222

Hasil pengujian digunakan untuk mengetahui apakah terdapat perbedaan rata-rata yang signifikan antara data sebelum dan sesudah perlakuan. Pengambilan keputusan dilakukan dengan membandingkan nilai probabilitas (p-value) dengan tingkat signifikansi 0,05.

Jika nilai probabilitas lebih besar atau sama dengan tingkat signifikansi, maka H0 diterima dan H1 ditolak. Jika nilai probabilitas lebih kecil dari tingkat signifikansi, maka H0 ditolak dan H1 diterima.

3. Menghitung Selisih Pasangan Pengamatan

selisih = data8$Y - data8$X
selisih
## [1] 22 20  3 13 20 18 11 16 23

Nilai selisih diperoleh dengan mengurangkan nilai X dari nilai Y pada setiap pasangan pengamatan. Dalam uji t berpasangan, data selisih pasangan pengamatan (D) diasumsikan berdistribusi normal dengan rata-rata μD.

4. Uji Asumsi Normalitas dengan Q-Q Plot

qqnorm(selisih)
qqline(selisih)

Pada pendekatan Q-Q Plot, apabila titik-titik pengamatan menyebar sangat dekat dengan garis diagonal, maka asumsi normalitas dipenuhi. Sebaliknya, apabila titik-titik menyebar jauh dari garis diagonal, maka asumsi normalitas tidak dipenuhi.

5. Uji Kolmogorov-Smirnov

lillie.test(selisih)
## 
##  Lilliefors (Kolmogorov-Smirnov) normality test
## 
## data:  selisih
## D = 0.1682, p-value = 0.6544

Uji Kolmogorov-Smirnov digunakan untuk menguji asumsi normalitas data dari selisih pasangan pengamatan. Hipotesis nol menyatakan bahwa data selisih pasangan pengamatan berdistribusi normal, sedangkan hipotesis alternatif menyatakan bahwa data tidak berdistribusi normal.

6. Uji Jarque-Bera

jarque.bera.test(selisih)
## 
##  Jarque Bera Test
## 
## data:  selisih
## X-squared = 1.3935, df = 2, p-value = 0.4982

Uji Jarque-Bera juga digunakan untuk menguji normalitas data selisih pasangan pengamatan. Jika nilai probabilitas lebih besar atau sama dengan 0,05, maka H0 diterima dan H1 ditolak. Jika nilai probabilitas lebih kecil dari 0,05, maka H0 ditolak dan H1 diterima.

Berdasarkan hasil pengujian normalitas, keputusan ditentukan dengan memperhatikan nilai probabilitas dari uji Kolmogorov-Smirnov dan Jarque-Bera.


BAB 9

Uji Kesamaan Rata-Rata dari Dua Populasi Tidak Berhubungan dengan Asumsi Varians Populasi Sama (Uji t)

Uji t dua sampel independen dengan asumsi varians sama digunakan untuk menguji ada tidaknya perbedaan rata-rata antara dua kelompok yang tidak saling berhubungan. Dalam pengujian ini, kedua populasi diasumsikan memiliki varians yang sama.

Hipotesis yang digunakan:

  • H0: Tidak terdapat perbedaan rata-rata antara populasi pertama dan kedua.
  • H1: Terdapat perbedaan rata-rata antara populasi pertama dan kedua.

1. Memasukkan Data

data9 = data.frame(
  X = c(65, 68, 70, 80, 75, 72, 65, 60, 88, 70),
  Y = c(85, 75, 75, 80, 75, 75, 75, 80, 90, 85)
)

data9
##     X  Y
## 1  65 85
## 2  68 75
## 3  70 75
## 4  80 80
## 5  75 75
## 6  72 75
## 7  65 75
## 8  60 80
## 9  88 90
## 10 70 85

Data X merupakan nilai ujian mahasiswa laki-laki, sedangkan data Y merupakan nilai ujian mahasiswa perempuan. Masing-masing kelompok terdiri dari sepuluh pengamatan.

2. Uji t dengan Asumsi Varians Sama

t.test(data9$Y, data9$X,
       var.equal=TRUE,
       paired=FALSE)
## 
##  Two Sample t-test
## 
## data:  data9$Y and data9$X
## t = 2.6487, df = 18, p-value = 0.01633
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
##   1.695807 14.704193
## sample estimates:
## mean of x mean of y 
##      79.5      71.3

Pengujian ini dilakukan ketika asumsi kesamaan varians populasi dipenuhi. Pada perintah tersebut, var.equal=TRUE menunjukkan bahwa kedua populasi diasumsikan memiliki varians yang sama.

3. Uji t dengan Asumsi Varians Berbeda

t.test(data9$Y, data9$X,
       var.equal=FALSE,
       paired=FALSE)
## 
##  Welch Two Sample t-test
## 
## data:  data9$Y and data9$X
## t = 2.6487, df = 15.851, p-value = 0.01762
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
##   1.632025 14.767975
## sample estimates:
## mean of x mean of y 
##      79.5      71.3

Pengujian ini dilakukan ketika asumsi kesamaan varians populasi tidak dipenuhi. Perintah var.equal=FALSE digunakan untuk menghitung uji t dengan asumsi varians kedua populasi berbeda.

Pengambilan keputusan terhadap hipotesis dilakukan dengan membandingkan nilai probabilitas (p-value) dengan tingkat signifikansi 0,05.

4. Memisahkan Data X dan Y

X9 = data9$X
Y9 = data9$Y

X9
##  [1] 65 68 70 80 75 72 65 60 88 70
Y9
##  [1] 85 75 75 80 75 75 75 80 90 85

Pemisahan data dilakukan untuk memudahkan pengujian asumsi normalitas pada masing-masing kelompok sampel.

5. Uji Asumsi Normalitas dengan Q-Q Plot

qqnorm(X9)
qqline(X9)

qqnorm(Y9)
qqline(Y9)

Dalam uji dua populasi independen, populasi pertama dan populasi kedua diasumsikan berdistribusi normal. Jika titik-titik pada Q-Q Plot menyebar sangat dekat dengan garis diagonal, maka asumsi normalitas dipenuhi.

6. Uji Kolmogorov-Smirnov

lillie.test(X9)
## 
##  Lilliefors (Kolmogorov-Smirnov) normality test
## 
## data:  X9
## D = 0.16556, p-value = 0.6103
lillie.test(Y9)
## 
##  Lilliefors (Kolmogorov-Smirnov) normality test
## 
## data:  Y9
## D = 0.29327, p-value = 0.0148

Uji Kolmogorov-Smirnov dilakukan terhadap sampel X dan sampel Y secara terpisah. Hipotesis nol menyatakan bahwa sampel berasal dari populasi yang berdistribusi normal, sedangkan hipotesis alternatif menyatakan bahwa sampel berasal dari populasi yang tidak berdistribusi normal.

7. Uji Jarque-Bera

jarque.bera.test(X9)
## 
##  Jarque Bera Test
## 
## data:  X9
## X-squared = 0.92911, df = 2, p-value = 0.6284
jarque.bera.test(Y9)
## 
##  Jarque Bera Test
## 
## data:  Y9
## X-squared = 1.1767, df = 2, p-value = 0.5552

Uji Jarque-Bera digunakan sebagai pendekatan lain untuk menguji asumsi normalitas pada kedua kelompok sampel. Apabila masing-masing nilai probabilitas lebih besar atau sama dengan 0,05, maka H0 diterima dan H1 ditolak.

8. Uji Asumsi Kesamaan Varians (Uji Levene)

varians9 = data.frame(
  nilai = c(X9, Y9),
  jenis = factor(rep(c("X", "Y"), each=10))
)

varians9
##    nilai jenis
## 1     65     X
## 2     68     X
## 3     70     X
## 4     80     X
## 5     75     X
## 6     72     X
## 7     65     X
## 8     60     X
## 9     88     X
## 10    70     X
## 11    85     Y
## 12    75     Y
## 13    75     Y
## 14    80     Y
## 15    75     Y
## 16    75     Y
## 17    75     Y
## 18    80     Y
## 19    90     Y
## 20    85     Y

Uji Levene digunakan untuk menguji apakah sampel-sampel yang diteliti berasal dari populasi-populasi yang memiliki varians yang sama.

Hipotesis yang digunakan:

  • H0: Varians kedua populasi sama.
  • H1: Paling tidak terdapat sepasang populasi yang memiliki varians berbeda.

9. Uji Levene dengan Pendekatan Median

leveneTest(nilai ~ jenis,
           data=varians9,
           center=median)
## Levene's Test for Homogeneity of Variance (center = median)
##       Df F value Pr(>F)
## group  1  0.3305 0.5725
##       18

Pengujian Levene dengan pendekatan median digunakan untuk mengetahui kesamaan varians antara populasi X dan populasi Y.

10. Uji Levene dengan Pendekatan Mean

leveneTest(nilai ~ jenis,
           data=varians9,
           center=mean)
## Levene's Test for Homogeneity of Variance (center = mean)
##       Df F value Pr(>F)
## group  1  0.6292  0.438
##       18

Uji Levene dengan pendekatan mean merupakan pendekatan lain untuk menguji kesamaan varians. Jika nilai probabilitas lebih besar atau sama dengan 0,05, maka H0 diterima dan H1 ditolak. Jika nilai probabilitas lebih kecil dari 0,05, maka H0 ditolak dan H1 diterima.


BAB 10

Uji Kesamaan Rata-Rata dari Dua Populasi Tidak Berhubungan dengan Asumsi Varians Populasi Berbeda (Uji t)

Uji t dua sampel independen dengan asumsi varians berbeda digunakan untuk menguji ada tidaknya perbedaan rata-rata antara dua populasi yang tidak saling berhubungan. Dalam pengujian ini, kedua populasi diasumsikan memiliki varians yang tidak sama.

Hipotesis yang digunakan:

  • H0: Tidak terdapat perbedaan rata-rata antara populasi pertama dan kedua.
  • H1: Terdapat perbedaan rata-rata antara populasi pertama dan kedua.

1. Memasukkan Data

data10 = data.frame(
  X = c(70, 71, 72, 70, 71, 72, 70, 70, 71, 72),
  Y = c(90, 91, 92, 93, 94, 95, 86, 97, 98, 100)
)

data10
##     X   Y
## 1  70  90
## 2  71  91
## 3  72  92
## 4  70  93
## 5  71  94
## 6  72  95
## 7  70  86
## 8  70  97
## 9  71  98
## 10 72 100

Data X merupakan nilai ujian mahasiswa laki-laki, sedangkan data Y merupakan nilai ujian mahasiswa perempuan. Masing-masing kelompok terdiri dari sepuluh pengamatan.

2. Uji t dengan Asumsi Varians Sama

t.test(data10$Y, data10$X,
       var.equal=TRUE,
       paired=FALSE)
## 
##  Two Sample t-test
## 
## data:  data10$Y and data10$X
## t = 16.956, df = 18, p-value = 1.63e-12
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
##  19.88741 25.51259
## sample estimates:
## mean of x mean of y 
##      93.6      70.9

Pengujian ini dilakukan sebagai pembanding ketika kedua populasi diasumsikan memiliki varians yang sama.

3. Uji t dengan Asumsi Varians Berbeda

t.test(data10$Y, data10$X,
       var.equal=FALSE,
       paired=FALSE)
## 
##  Welch Two Sample t-test
## 
## data:  data10$Y and data10$X
## t = 16.956, df = 9.8028, p-value = 1.374e-08
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
##  19.70895 25.69105
## sample estimates:
## mean of x mean of y 
##      93.6      70.9

Pengujian ini digunakan ketika asumsi kesamaan varians populasi tidak dipenuhi. Pada pengujian tersebut, var.equal=FALSE digunakan karena kedua populasi diasumsikan memiliki varians yang berbeda.

Pengambilan keputusan dilakukan dengan membandingkan nilai probabilitas (p-value) dengan tingkat signifikansi 0,05.

4. Memisahkan Data X dan Y

X10 = data10$X
Y10 = data10$Y

X10
##  [1] 70 71 72 70 71 72 70 70 71 72
Y10
##  [1]  90  91  92  93  94  95  86  97  98 100

Pemisahan data dilakukan untuk mempermudah pengujian asumsi normalitas pada masing-masing kelompok sampel.

5. Uji Asumsi Normalitas dengan Q-Q Plot

qqnorm(X10)
qqline(X10)

qqnorm(Y10)
qqline(Y10)

Dalam uji dua populasi independen dengan asumsi varians berbeda, populasi pertama dan populasi kedua diasumsikan berdistribusi normal. Grafik Q-Q Plot digunakan untuk melihat penyebaran titik-titik pengamatan terhadap garis diagonal.

6. Uji Kolmogorov-Smirnov

lillie.test(X10)
## 
##  Lilliefors (Kolmogorov-Smirnov) normality test
## 
## data:  X10
## D = 0.248, p-value = 0.08194
lillie.test(Y10)
## 
##  Lilliefors (Kolmogorov-Smirnov) normality test
## 
## data:  Y10
## D = 0.094141, p-value = 0.9987

Uji Kolmogorov-Smirnov dilakukan untuk menguji normalitas masing-masing kelompok sampel. Jika nilai probabilitas lebih besar atau sama dengan 0,05, maka H0 diterima dan H1 ditolak.

7. Uji Jarque-Bera

jarque.bera.test(X10)
## 
##  Jarque Bera Test
## 
## data:  X10
## X-squared = 1.0296, df = 2, p-value = 0.5976
jarque.bera.test(Y10)
## 
##  Jarque Bera Test
## 
## data:  Y10
## X-squared = 0.20791, df = 2, p-value = 0.9013

Uji Jarque-Bera digunakan untuk menguji asumsi normalitas pada sampel X dan sampel Y. Keputusan pengujian dilakukan dengan membandingkan nilai probabilitas dengan tingkat signifikansi 0,05.

8. Uji Asumsi Ketidaksamaan Varians (Uji Levene)

varians10 = data.frame(
  nilai = c(X10, Y10),
  jenis = factor(rep(c("X", "Y"), each=10))
)

varians10
##    nilai jenis
## 1     70     X
## 2     71     X
## 3     72     X
## 4     70     X
## 5     71     X
## 6     72     X
## 7     70     X
## 8     70     X
## 9     71     X
## 10    72     X
## 11    90     Y
## 12    91     Y
## 13    92     Y
## 14    93     Y
## 15    94     Y
## 16    95     Y
## 17    86     Y
## 18    97     Y
## 19    98     Y
## 20   100     Y

Uji Levene digunakan untuk menguji apakah sampel-sampel berasal dari populasi yang memiliki varians sama atau berbeda.

Hipotesis yang digunakan:

  • H0: Varians kedua populasi sama.
  • H1: Paling tidak terdapat sepasang populasi yang memiliki varians berbeda.

9. Uji Levene dengan Pendekatan Mean

leveneTest(nilai ~ jenis,
           data=varians10,
           center=mean)
## Levene's Test for Homogeneity of Variance (center = mean)
##       Df F value   Pr(>F)   
## group  1  10.305 0.004853 **
##       18                    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Pengujian Levene dengan pendekatan mean digunakan untuk menguji kesamaan varians antara populasi X dan populasi Y.

Jika nilai probabilitas lebih kecil dari 0,05, maka H0 ditolak dan H1 diterima. Hal ini menunjukkan adanya perbedaan varians antara kedua populasi sehingga asumsi varians berbeda dapat digunakan.


PENUTUP

Berdasarkan pembahasan Bab 8, Bab 9, dan Bab 10, dapat diketahui bahwa pemilihan uji t disesuaikan dengan hubungan antar kelompok data dan asumsi varians populasi. Uji t berpasangan digunakan untuk data yang saling berhubungan, sedangkan uji t independen digunakan untuk dua kelompok data yang tidak saling berhubungan. Pada uji t independen, asumsi kesamaan atau perbedaan varians perlu diperhatikan dalam menentukan jenis pengujian yang digunakan.