Pengujian Satu Proporsi Pengamat ekonomi memiliki dugaan bahwa 70% perusahaan besar di indonesia dimiliki oleh warga negara asing. untuk membuktikan dugaannya, diambil sampel acak 210 perusahaan yang digolongkan perusahaan besar. Dari 210 perusahaan besar sebanyak 130 perusahaan dimiliki oleh orang asing. dengan tingkat signifikansi sebesar 0.05 lakukan pengujian hipotesisnya. Pembahasan : H0 = 70% , artinya dugaan perusahaan di Indonesia dimiliki negara asing benar H1 ≠ 70%, artinya dugaan perusahaan di Indonesia dimiliki negara asing salah > prop.test(130,210,0.7,conf.level=0.95) 1-sample proportions test with continuity correction
data:
130 out of 210, null probability 0.7
X-squared = 6.1735, df = 1, p-value = 0.01297 alternative hypothesis: true p is not equal to 0.7 95 percent confidence interval: 0.5493720 0.6842925 sample estimates: p 0.6190476
Kesimpulan : p-value lebih kecil alpha Ho di tolak artinya dugaan bahwa 70% perusahaan besar di indonesia dimiliki oleh warga negara asing adalah salah.
Pengujian Dua Proporsi Suatu kegiatan survey dilakukan sebanyak dua kali untuk mengetahui apakah ada perbedaan pilihan masyarakat terhadap calon tertentu dalam pemilihan presiden. Data disajikan sebagai berikut :
Memilih Tidak Memilih Total
Minggu ke-1 45 35 80
Minggu ke-2 56 47 103
Pembahasan : H0 : p1=p2 , artinya proporsi memilih minggu ke-1 sama dengan minggu ke-2 H1 : p1≠p2 , artinya proporsi memilih minggu ke-1 tidak sama dengan minggu ke-2 a = jumlah memilih minggu ke-1 b = jumlah memilih minggu ke-2 prop.test(c(a,b),c(n1,n2)) > prop.test(c(45,56),c(80,103)) 2-sample test for equality of proportions with continuity correction
data:
c(45, 56) out of c(80, 103)
X-squared = 0.010813, df = 1, p-value = 0.9172 alternative hypothesis: two.sided 95 percent confidence interval: -0.1374478
0.1750692
sample estimates: prop 1
prop 2
0.5625000 0.5436893
Kesimpulan : p-value lebih besar alpha Ho di terima artinya proporsi memilih minggu ke-1 sama dengan minggu ke-2.
Tabel Kontingensi Ada banyak cara untuk membuat tabel kontingensi di dalam software R. setidaknya ada tiga cara dapat dilakukan untuk membentuk tabel kontingensi untuk contoh berikut mengenai penelitian kepercayaan seseorang mengenai adanya kehidupan setelah kematian (akhirat). Data disajikan dalam tabel berikut ini: Tabel 2.1 Kepercayaan Akan Kehidupan Setelah Kematian
Laki-laki Perempuan Jumlah
Percaya 375 435 810
Tidak Percaya 134 147 281
Jumlah 509 582 1091
Pembahasan : > afterlife=matrix(c(375,134,435,147),nrow=2,byrow=TRUE) > afterlife [,1] [,2] [1,]
375
134
[2,]
435
147
Menamai Kolom dan Baris > dimnames(afterlife)=list(c("laki-laki","perempuan"),c("percaya","tidak percaya")) > afterlife percaya tidak percaya laki-laki
375
134
perempuan
435
147
Menamai Faktor Kolom dan Baris > names(dimnames(afterlife))=c("JK","Kepercayaan") > afterlife Kepercayaan JK
percaya tidak percaya laki-laki
375
134
perempuan
435
147
> total=sum(afterlife) > total [1] 1091 > prop=afterlife/total > prop Kepercayaan JK
percaya tidak percaya laki-laki 0.3437214
0.1228231
perempuan 0.3987168
0.1347388
> totalbaris=apply(afterlife,1,sum) > totalbaris laki-laki perempuan 509
582
> totalkolom=apply(afterlife,2,sum) > totalkolom percaya tidak percaya 810
281
Mencari proporsi baris dan kolom > (prop.baris=sweep(afterlife,1,totalbaris,"/")) Kepercayaan JK
percaya tidak percaya
laki-laki 0.7367387
0.2632613
perempuan 0.7474227
0.2525773
> round(prop.baris,3) Kepercayaan JK
percaya tidak percaya
laki-laki
0.737
0.263
perempuan
0.747
0.253
> (prop.kolom=sweep(afterlife,2,totalkolom,"/")) Kepercayaan JK
percaya tidak percaya
laki-laki 0.462963
0.4768683
perempuan 0.537037
0.5231317
> round(prop.kolom,3) Kepercayaan JK
percaya tidak percaya laki-laki
0.463
0.477
perempuan
0.537
0.523
!!!!!TUGAS!!!!! Membandingkan proporsi tabel 2x2 Sebuah penelitian memberikan informasi ringkasan data yang disajikan dalam tabel kontingensi 2 arah, yaitu mengenai pasien yang mengonsumsi placebo atau aspirin dengan resiko serangan jantung. Data tercantum dalam tabel berikut: Konsumsi Obat Placebo Aspirin
Serangan Jantung Ya Tidak 189 10845 104 10933
1. membandingkan proporsi untuk pasien yang terkena serangan jantung Hipotesis: H0: 𝜋0 = 𝜋1 , proporsi pasien yang mengkonsumsi obat placebo dan terkena serangan jantung sama dengan proporsi pasien yang mengkonsumsi obat aspirin dan terkena serangan jantung. H1: 𝜋0 ≠ 𝜋1 , proporsi pasien yang mengkonsumsi obat placebo dan terkena serangan jantung tidak sama dengan proporsi pasien yang mengkonsumsi obat aspirin dan terkena serangan jantung. 𝛼 = 5%
##MEMBUAT TABEL > phs=matrix(c(189,10845,104,10933),byrow=TRUE,ncol=2) > phs [,1]
[,2]
[1,]
189 10845
[2,]
104 10933
> dimnames(phs)=list(Group=c("placebo","aspirin"),MI=c("yes","no")) > phs MI Group
yes
no
placebo 189 10845 aspirin 104 10933 > names(dimnames(phs))=c("konsumsi obat","serangan jantung")
> test=sum(phs) > phs/test serangan jantung konsumsi obat
yes
no
placebo 0.008563273 0.4913688 aspirin 0.004712066 0.4953559
jadi, proporsi orang yang mengkonsumsi obat placebo dan terkena serangan jantung adalah sebesar 0,0085. Proporsi orang yang mengkonsumsi obat placebo namun tidak terkena serangan jantung sebesar 0,4913, untuk yang mengkonsumsi obat aspirin dan terkena serangan jantung memiliki proporsi sebesar 0,004712 sedangkan untuk orang yang mengkonsumsi obat aspirin namun tidak terkena serangan jantung sebesar 0,4953559.
##UJi PROPORSI > prop.test(phs)
2-sample test for equality of proportions with continuity correction
data:
phs
X-squared = 24.429, df = 1, p-value = 7.71e-07 alternative hypothesis: two.sided 95 percent confidence interval: 0.004597134 0.010814914 sample estimates: prop 1
prop 2
0.01712887 0.00942285
> prop.test(phs,correct=F)
2-sample test for equality of proportions without continuity correction
data:
phs
X-squared = 25.014, df = 1, p-value = 5.692e-07
alternative hypothesis: two.sided 95 percent confidence interval: 0.004687751 0.010724297 sample estimates: prop 1
prop 2
0.01712887 0.00942285
RR buat penelitian observational ttp yang bersifat cohort (penelitian observational tetapi dia mau melihat ke depan), biasanya yang dikorelasi yang cohort. Case control kita tau kedepannya gimana dan kita mau tau sebelumnya kaya apa? > #RR > phs.test=prop.test(phs) > names(phs.test) [1] "statistic" "conf.int"
"parameter"
[7] "alternative" "method"
"p.value"
"estimate"
"null.value"
"data.name"
> phs.test$estimate prop 1
prop 2
0.01712887 0.00942285 > phs.test$conf.int [1] 0.004597134 0.010814914 attr(,"conf.level") [1] 0.95 > round(phs.test$conf.int,3) [1] 0.005 0.011 attr(,"conf.level") [1] 0.95 > phs.test$estimate[1]/phs.test$estimate[2]#relativerisk prop 1 1.817802 Orang yang terkena serangan jantung dan ia meminum placebo lebih tinggi 1,817801 dari org yang terkena serangan jantung dan ia meminum aspirin.
> phs.test$estimate prop 1
prop 2
0.01712887 0.00942285 > #Odds Ratio > Odds=phs.test$estimate/(1-phs.test$estimate) > Odds prop 1
prop 2
0.017427386 0.009512485 > Odds[1]/Odds[2] prop 1 1.832054 > #satu-satu > (phs[1,1]*phs[2,2])/(phs[2,1]*phs[1,2])#as cross prod ratio [1] 1.832054 > theta=Odds[1]/Odds[2] > ASE=sqrt(sum(1/phs)) > ASE [1] 0.1228416 > logtheta.CI=log(theta)+c(-1,1)*1.96*ASE > logtheta.CI [1] 0.3646681 0.8462073 > exp(logtheta.CI) [1] 1.440036 2.330790 ; untuk ngeliat ada asosiasi atau ngga, karena angka 1 tidak masuk maka dia non signifikan H0 diterima yang artinya ada asosiasi.
#menghitumng nilai peluang# difoto