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:
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.
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.
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.
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.
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.
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.
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:
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.
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.
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.
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.
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.
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.
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.
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:
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.
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.
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:
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.
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.
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.
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.
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.
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.
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.
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:
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.
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.