Transcript (KS dan Chi Square)
Slide 1
PERTEMUAN KE-3
Statistika Nonparametrik
FITRI CATUR LESTARI, M. Si.
2013
Slide 2
Analisis Pembelajaran
KOMPETENSI UMUM
Mahasiswa dapat memahami dan mampu menggunakan metode-metode statistika
nonparametrik dalam analisis data pada kegiatan penelitian dan persoalan-persoalan seharihari.
KK 14
P 14
C3
KK 13
Mahasiswa dapat mengerti
kegunaan dan menggunakan
uji Cramer Coefficient C dan uji
Konkordansi Kendall W
KK 9
P9
C3
KK 4
P4
C3
Mahasiswa dapat mengerti
kegunaan dan menggunakan
uji Chi-Squares (two
independent samples test) dan
uji Tanda
KK 5
P 10
C3
KK 11
Mahasiswa dapat mengerti
kegunaan dan menggunakan
uji Friedman
P5
C3
KK 6
Mahasiswa dapat mengerti
kegunaan dan menggunakan
uji Wilcoxon sampel
berpasangan dan sampel
independen
KK 2
C3
banyak populasi
Mahasiswa dapat mengerti
kegunaan dan menggunakan
uji korelasi Spearman dan
Kendall Tau
KK 10
Mahasiswa dapat mengerti
kegunaan dan menggunakan
uji Kruskal-Wallis
P 13
korelasi
P2
P 11
C3
KK 12
Mahasiswa dapat mengerti
kegunaan dan menggunakan
uji Median dan Cochran Q
P6
C3
Mahasiswa dapat mengerti
kegunaan dan menggunakan
uji Man-Whitney dan uji Mc
Nemar
C3
KK 3
KK 7
P7
C3
Mahasiswa dapat mengerti
kegunaan dan menggunakan
uji Jonckheere dan uji Page
C3
Mahasiswa dapat mengerti
kegunaan dan menggunakan
uji Median dan uji Fisher
P3
P 12
KK 8
P8
C3
Mahasiswa dapat mengerti
kegunaan dan menggunakan
uji Moses dan Uji WaldWolfowitz
2 populasi
C3
Mahasiswa dapat mengerti
kegunaan dan menggunakan
uji Kolmogorov-Smirnov/uji
Liliefors dan uji Chi-Squares
(goodness of fit test)
Mahasiswa dapat mengerti
kegunaan dan menggunakan
uji Binomial dan uji Runs
1 populasi
KK 1
P1
C2
Mahasiswa dapat mengerti
penggunaan metode statistika
nonparametrik
Slide 3
Sekilas tentang Kenormalan
Bagaimana mendeteksi kenormalan secara sederhana?
Boxplot, Histogram, Scatter Plot, Stem and Leaf Plot
Bagaimana mendeteksi kenormalan secara tidak
sederhana?
Alat uji
Bagaimana jika data berdistribusi tidak normal?
Transformasi, perbanyak data, metode statistik
nonparametrik
Bisa jadi ketidaknormalan disebabkan oleh outlier.
Bagaimana solusinya?
Buang outlier, metode anti outlier
Slide 4
UJI KOLMOGOROV-SMIRNOV
Slide 5
Fungsi dan Esensi
Fungsi:
Membandingkan distribusi frekuensi kumulatif
hasil pengamatan (sampel) dengan distribusi
frekuensi kumulatif yang diharapkan(teoritis)
Esensi
Apakah sampel yang kita ambil berasal dari
populasi yang memiliki distribusi normal?
-goodness of fit Tidak hanya distribusi normal uniform, poisson, eksponensial
Skala: minimal ordinal (Siegel,51)
Slide 6
Prosedur
a. Urutkan datanya dari yang terkecil sampai
terbesar
b. Buat distribusi frekuensi kumulatif relatifS(X)
c. Hitung zstandarisasi
d. Hitung distribusi frekuensi kumulatif teoritis
(berdasarkan kurve normal)F(X)
e. Hitung selisih poin (b) dengan poin (d)
f. Hitung D=selisih maksimum poin (e) (nilai
paling besar pada poin (e))
g. Bandingkan dengan D tabel(Ho ditolak jika
D>Dtabel)
Ada juga yang menggunakan simbol T
Slide 7
Contoh
Suatu perusahaan penerbangan ingin mengetahui
apakah keterlambatan waktu take-off pesawat-pesawat
terbang di pelabuhan udara X berdistribusi normal. Dari
sampel 11 keterlambatan yang terjadi diketahui (dalam
jam):
1
2
3
4
5
6
7
8
9
10
11
2,1 1,9 3,2 2,8 1,0 5,1 0,9 4,2 3,9 3,6 2,7
Dari
studi-studi
pelabuhan
udara
lainnya
dipertimbangkan bahwa keterlambatan take-off di
pelabuhan udara x akan mempunyai mean 3 jam
dengan simpangan baku 1 jam. Apakah data tersebut
berdistribusi normal?
Bedanya dengan Lilifors
Slide 8
Penyelesaian
SN(Xi)
no
1
2
3
4
5
6
7
8
9
10
11
a
0,9
1,0
1,9
2,1
2,7
2,8
3,2
3,6
3,9
4,2
5,1
b
0,0909
0,1818
0,2727
0,3636
0,4545
0,5455
0,6364
0,7273
0,8182
0,9091
1,0000
F0(Xi)
c
-2,1
-2,0
-1,1
-0,9
-0,3
-0,2
0,2
0,6
0,9
1,2
2,1
d
0,0179
0,0228
0,1357
0,1841
0,3821
0,4207
0,5793
0,7257
0,8159
0,8849
0,9821
e
0,0730
0,1590
0,1370
0,1795
0,0724
0,1248
0,0571
0,0016
0,0023
0,0242
0,0179
= 0,1795 Ho data berdistribusi normal
Alpha 10%Dtabeln=11 ____ 0,352
Data menyebar normal
Slide 9
CONTOH LAGI, kalau ada data kembar
Slide 10
CONTOH LAGI
Berdasarkan penelitian tentang intensitas
penerangan alami yang dilakukan terhadap 18
sampel rumah sederhana, rata-rata
pencahayaan alami di beberapa ruangan dalam
rumah pada sore hari sebagai berikut ; 46, 57,
52, 63, 70, 48, 52, 52, 54, 46, 65, 45, 68, 71, 69,
61, 65, 68 lux. Selidikilah dengan α = 5%,
apakah data tersebut di atas diambil dari
populasi yang berdistribusi normal ?
Slide 11
SPSS-Cara 1
Kolmogorov-Smirnov dari menu Analyze >
Descriptive Statistics > Explore
Slide 12
Slide 13
Slide 14
Tests of Normality
Kolmogorov-Smirnov
Statistic
TOTALHSL
df
.107
a
Shapiro-Wilk
Sig.
44
*. This is a lower bound of the true significance.
a. Lilliefors Significance Correction
.200*
Statistic
.966
df
Sig.
44
.372
Slide 15
SPSS-Cara 2
Slide 16
Slide 17
One-Sample Kolmogorov-Smirnov Test
TOTALHSL
N
Normal Parameters
a,b
Most Extreme
Differences
KINER JA
MOTIVASI
IKLIM
KOMITMEN
KEPUASAN
KEPEMIMP
44
46
46
46
46
46
46
Mean
2641.43
39.67
38.72
41.70
38.17
37.61
35.46
Std. Deviation
1014.71
3.11
5.46
5.62
3.84
4.16
6.60
Absolute
.107
.110
.143
.130
.132
.129
.098
Positive
.107
.066
.125
.071
.132
.129
.074
Negative
-.043
-.110
-.143
-.130
-.096
-.091
-.098
Kolmogorov-Smirnov Z
.711
.746
.972
.884
.897
.875
.665
As ymp. Sig. (2-tailed)
.693
.634
.301
.416
.397
.429
.769
a. Test distribution is Normal.
b. Calculated from data.
Slide 18
UJI CHI SQUARE
Slide 19
Fungsi dan Esensi
Fungsi:
Membandingkan fungsi distribusi random
variabel pengamatan dengan fungsi distribusi
normal
Esensi
Apakah sampel yang kita ambil berasal dari
populasi yang memiliki distribusi normal?
-goodness of fit-
Tidak hanya distribusi normal
Slide 20
Formula
Ho menyatakan proporsi sebuah obyek jatuh
pada tiap kategori pada populasi yang diduga
pj*=peluang suatu observasi X termasuk dalam
kelas j (j=1,…,c)
Ei= pj*.N tidak boleh kecil nilainya karena
distribusinya cenderung tidak Chi Square
Cohran menyarankan Ei jangan kurang dari 1
dan tidak lebih dari 20% Ei kurang dari 5
Yarnold
O
O E
T
Tolak Ho jika T>X1-alpha
E
E
2
c
j 1
Siegel, 45
j
j
j
2
c
j
j 1
j
N
Slide 21
Siegel
The size of df reflects the number of
“observations” which are free to vary after
certain restrictions have been placed on the
data
df: k-1 dengan Ei=N/k
Slide 22
CONTOH-Uniform
Grup
1
2
3
4
5
6
7
8
Total
Obs
29
19
18
25
17
10
15
11
144
Eksp
18
18
18
18
18
18
18
18
144
Hipotesis:
Ho: Data berdistribusi uniform
H1: Data tdk berdistribusi uniform
Stat uji: X2
Alpha=1%
Distribusi sampling: dist X2 df=k-1=8-1=7
Daerah penolakan:
Ho ditolak jika prob. Atau p-value <=0.01
Keputusan:
X2 hit =16.3 Terima Ho
Tapi kalau alpha 5% Tolak Ho
Tabel 1%=18.475
Tabel 5%=14.067
Slide 23
CONTOH-Normal
Grup
1
2
3
4
5
6
7
8
9
10
Total
Obs
8
10
13
15
10
14
12
8
7
6
103
Eksp
10.3
10.3
10.3
10.3
10.3
10.3
10.3
10.3
10.3
10.3
103
X2=8.36
X2 tabel=14.07 Terima Ho: data berdistribusi
normal
Catatan: Derajat bebas
Slide 24
Ekspektasi yang terlalu kecil
Df=1 (k=2)minimal Ei=5
Df>1 (k>2) tidak digunakan jika:
Lebih dari 20% Ei nya <5
Ada Ei<1
Penggabungan kategori p50
Jika sudah dikombinasikan/gabung masih Ei
nya <5 maka gunakan uji binomial
Slide 25
Contoh
Apakah data di bawah ini berdistribusi normal
dengan mean 30 dan varians 100?
16,7
17,4
18,1
18,2
18,8
19,3
22,4
22,5
24
24,7
25,9
27
35,1
35,8
36,5
37,6
39,8
42,1
43,2
46,2
Slide 26
Penyelesaian
w0.25 w0.5 w0.75tabel
xp wp
X0.25=30+10(-0.6745)=23.255
X0.50=30
X0.75=36.745
Kelas 1 <=23.255
Kelas 2 23.255 Kelas 3 30 Kelas 4 >36.745
Slide 27
Oj=8,4,3,5
T=2.8
Alpha 0.05tolak Ho jika T>7.815
Slide 28
Rules of Thumbs
Pilih interval dimana Ekspektasinya : N/k
Jumlah kategori ditentukan sedemikian rupa
sehingga Ekspektasinya antara 6-10 untuk
sampel besar (>200)
Slide 29
PERBANDINGAN
Slide 30
K-S tidak tergantung pada pengelompokan seperti pada
Chi-Square (CS)
Jika sampel sedikit, maka K-S lebih powerful
K-S dapat digunakan pada sampel kecil sekalipun
Chi Square membutuhkan data skala nominal
K-S membutuhkan data distribusi kontinu
KS dan CS bisa digunakan untuk data berskala ordinal
Presisi KS lebih tinggi karena pada CS terdapat
pengelompokan.
Pada sampel kecil, KS adalah eksak sedangkan CS
hanya pendekatan eksak.
Slide 31
Terdapat beberapa keuntungan dan kerugian
relatif uji kesesuaian Kolmogorov-Smirnov
dibandingkan dengan uji kesesuaian Kai
Kuadrat, yaitu:
Data dalam Uji Kolmogorov-Smirnov tidak perlu dilakukan
kategorisasi. Dengan demikian semua informasi hasil pengamatan
terpakai.
Uji Kolmogorov-Smirnov bisa dipakai untuk semua ukuran sampel,
sedang uji Kai Kuadrat membutuhkan ukuran sampel minimum
tertentu.
Uji Kolmogorov-Smirnov tidak bisa dipakai untuk memperkirakan
parameter populasi. Sebaliknya uji Kai Kuadrat bisa digunakan
untuk memperkirakan parameterpopulasi,dengan cara mengurangi
derajat bebas sebanyak parameter yang diperkirakan.
Uji Kolmogorov-Smirnov memakai asumsi bahwa distribusi populasi
teoritis bersifat kontinu.
31
Slide 32
Metode Lilliefors Untuk Uji
Normalitas
Uji lilliefors digunakan bila ukuran sampel (n)
lebih kecil dari 30.
Misalkan sampel acak dengan hasil
pengamatan : x1 ,x2 , …,xn. Akan diuji apakah
sampel tersebut berasal dari populasi
berdistribusi normal atau tidak?
32
Slide 33
Langkah-langkah pengujian:
Rumuskan Hipotesis:
Ho : sampel berasal dari populasi berdistribusi normal
H1 : sampel tidak berasal dari populasi berdistribusi normal
Tentukan α : taraf nyata
Susun tabel berikut:
Data diurutkan dari terkecil ke terbesar
Cari rata-rata, simpangan baku sampel
Lakukan standarisasi normal (z=(xi–x) /s)
Hitung peluang F(zi ) = P(zi)
Hitung proporsi yang lebih kecil atau sama dengan zi -> S( zi)
Hitung | F(zi) – S(zi) |
Statistik Uji :
Nilai terbesar dari | F(zi) -S(zi) |
33
Dengan α tertentu tentukan titik kritis L
Kriteria uji : tolak Ho jika Lo >= Ltabel , terima dalam hal lainya.
Slide 34
PR
Cari soal dan penyelesaian (sebanyak mungkin)
dari buku referensi (cantumkan sumbernya) ttg
uji liliefors.
Kerjakan menurut kelompok bulan lahir:
Kelompok 1: Januari-Maret
Kelompok 2: April-Juni
Kelompok 3: Juli-September
Kelompok 4: Oktober-Desember
Ketik dan kumpulkan lewat email setelah di
compile oleh PJ
Deadline Senin, tgl 8 April 2013
Slide 35
TERIMA KASIH
Slide 36
Uji Kenormalan
Fitri Catur Lestari, M. Si.
2013
Slide 37
Metode Kolmogorov Smirnov
Persyaratan :
•Data berskala interval atau ratio (kuantitatif)
•Data tunggal/belum dikelompokkan pada table
distribusi frekuensi
•Dapat untuk n besar maupun n kecil.
D = max |Fr – Fs|
Tolak Ho jika D > D (α,n)
Fr = nilai Z
Fs = probabilitas kumulatif empiris
Slide 38
Tabel uji Kolmogorov-Smirnov
Slide 39
Soal :
Suatu penerapan tentang berat badan peserta pelatihan
kebugaran fisik/jasmani dengan sampel sebanyak 27
orang diambil secara random, didapatkan data sebagai
berikut : 78, 78, 95, 90, 78, 80, 82, 77, 72, 84, 68, 67,
87, 78, 77, 88, 97, 89, 97, 98, 70, 72, 70, 69, 67, 90, 97
kg. Selidikilah dengan α= 5%, apakah data tersebut
diambil dari populasi yang berdistribusi normal ?
Slide 40
Penyelesaian :
Hipotesis:
Ho : Data berdistribusi normal
H1 : Data tidak berdistribusi normal
α = 0,05
Statistik uji dan hitung:
X = 81,2963
SD = 10,28372
Dhitung: nilai |Fr-Fs| tertinggi sebagai angka
penguji normalitas, yaitu 0, 1440
Slide 41
Dan seterusnya..
Slide 42
Daerah kritis :
Ho ditolak jika Dhitung>Dn(α) = D27(0,05) = 0,254.
Keputusan :
Terima Ho karena 0,1440 < 0,254
Kesimpulan :
Dengan tingkat kepercayaan 95%, dapat diperkirakan
bahwa data berat badan peserta pelatihan kebugaran
diperoleh dari populasi yg berdistribusi normal.
Slide 43
Metode Goodness-of-fit
Metode Chi square atau χ2 untuk uji Goodness of Fit
Distribusi Normal menggunakan pendekatan
penjumlahan penyimpangan data observasi tiap kelas
dengan nilai yang diharapkan.
Rumus :
Slide 44
Tabel :
Persyaratan :
• Data bersusun berkelompok atau dikelompokkan
dalam table distribusi frekuensi
• Cocok untuk data dengan kebanyakan angka besar (n
> 30)
• Setiap sel harus terisi, yang Ei kurang dari 5
digabungkanlebih baik jika ada referensi
Slide 45
Jika χ2 > nilai χ2 tabel, maka Ho ditolak
Contoh :
Data tinggi badan
Selidiki dengan α = 5%, apakah data diatas
berdistribusi normal ?
Slide 46
Penyelesaian :
Hipotesis:
Ho : Data berdistribusi normal
H1 : Data tidak berdistribusi normal
Alpha= 5%
Statistik uji dan hitung:
X = 165,3 ; SD = 10,36
Slide 47
χ2 = 0,1628
Daerah kritis:
Ho ditolak jika χ2hitung > χ2tabel
Df = (k - 3) = (5 – 3) = 2
Nilai table χ20,05; 2 = 5,991
Keputusan:
Karena | 0,1628 | < | 5,991 | maka Ho diterima
Kesimpulan:
Dengan tingkat kepercayaan 95%, dapat diperkirakan
bahwa tinggi badan masyarakat kalimas tahun diambil
dari populasi yang berdistribusi normal.
Slide 48
Thank You
PERTEMUAN KE-3
Statistika Nonparametrik
FITRI CATUR LESTARI, M. Si.
2013
Slide 2
Analisis Pembelajaran
KOMPETENSI UMUM
Mahasiswa dapat memahami dan mampu menggunakan metode-metode statistika
nonparametrik dalam analisis data pada kegiatan penelitian dan persoalan-persoalan seharihari.
KK 14
P 14
C3
KK 13
Mahasiswa dapat mengerti
kegunaan dan menggunakan
uji Cramer Coefficient C dan uji
Konkordansi Kendall W
KK 9
P9
C3
KK 4
P4
C3
Mahasiswa dapat mengerti
kegunaan dan menggunakan
uji Chi-Squares (two
independent samples test) dan
uji Tanda
KK 5
P 10
C3
KK 11
Mahasiswa dapat mengerti
kegunaan dan menggunakan
uji Friedman
P5
C3
KK 6
Mahasiswa dapat mengerti
kegunaan dan menggunakan
uji Wilcoxon sampel
berpasangan dan sampel
independen
KK 2
C3
banyak populasi
Mahasiswa dapat mengerti
kegunaan dan menggunakan
uji korelasi Spearman dan
Kendall Tau
KK 10
Mahasiswa dapat mengerti
kegunaan dan menggunakan
uji Kruskal-Wallis
P 13
korelasi
P2
P 11
C3
KK 12
Mahasiswa dapat mengerti
kegunaan dan menggunakan
uji Median dan Cochran Q
P6
C3
Mahasiswa dapat mengerti
kegunaan dan menggunakan
uji Man-Whitney dan uji Mc
Nemar
C3
KK 3
KK 7
P7
C3
Mahasiswa dapat mengerti
kegunaan dan menggunakan
uji Jonckheere dan uji Page
C3
Mahasiswa dapat mengerti
kegunaan dan menggunakan
uji Median dan uji Fisher
P3
P 12
KK 8
P8
C3
Mahasiswa dapat mengerti
kegunaan dan menggunakan
uji Moses dan Uji WaldWolfowitz
2 populasi
C3
Mahasiswa dapat mengerti
kegunaan dan menggunakan
uji Kolmogorov-Smirnov/uji
Liliefors dan uji Chi-Squares
(goodness of fit test)
Mahasiswa dapat mengerti
kegunaan dan menggunakan
uji Binomial dan uji Runs
1 populasi
KK 1
P1
C2
Mahasiswa dapat mengerti
penggunaan metode statistika
nonparametrik
Slide 3
Sekilas tentang Kenormalan
Bagaimana mendeteksi kenormalan secara sederhana?
Boxplot, Histogram, Scatter Plot, Stem and Leaf Plot
Bagaimana mendeteksi kenormalan secara tidak
sederhana?
Alat uji
Bagaimana jika data berdistribusi tidak normal?
Transformasi, perbanyak data, metode statistik
nonparametrik
Bisa jadi ketidaknormalan disebabkan oleh outlier.
Bagaimana solusinya?
Buang outlier, metode anti outlier
Slide 4
UJI KOLMOGOROV-SMIRNOV
Slide 5
Fungsi dan Esensi
Fungsi:
Membandingkan distribusi frekuensi kumulatif
hasil pengamatan (sampel) dengan distribusi
frekuensi kumulatif yang diharapkan(teoritis)
Esensi
Apakah sampel yang kita ambil berasal dari
populasi yang memiliki distribusi normal?
-goodness of fit Tidak hanya distribusi normal uniform, poisson, eksponensial
Skala: minimal ordinal (Siegel,51)
Slide 6
Prosedur
a. Urutkan datanya dari yang terkecil sampai
terbesar
b. Buat distribusi frekuensi kumulatif relatifS(X)
c. Hitung zstandarisasi
d. Hitung distribusi frekuensi kumulatif teoritis
(berdasarkan kurve normal)F(X)
e. Hitung selisih poin (b) dengan poin (d)
f. Hitung D=selisih maksimum poin (e) (nilai
paling besar pada poin (e))
g. Bandingkan dengan D tabel(Ho ditolak jika
D>Dtabel)
Ada juga yang menggunakan simbol T
Slide 7
Contoh
Suatu perusahaan penerbangan ingin mengetahui
apakah keterlambatan waktu take-off pesawat-pesawat
terbang di pelabuhan udara X berdistribusi normal. Dari
sampel 11 keterlambatan yang terjadi diketahui (dalam
jam):
1
2
3
4
5
6
7
8
9
10
11
2,1 1,9 3,2 2,8 1,0 5,1 0,9 4,2 3,9 3,6 2,7
Dari
studi-studi
pelabuhan
udara
lainnya
dipertimbangkan bahwa keterlambatan take-off di
pelabuhan udara x akan mempunyai mean 3 jam
dengan simpangan baku 1 jam. Apakah data tersebut
berdistribusi normal?
Bedanya dengan Lilifors
Slide 8
Penyelesaian
SN(Xi)
no
1
2
3
4
5
6
7
8
9
10
11
a
0,9
1,0
1,9
2,1
2,7
2,8
3,2
3,6
3,9
4,2
5,1
b
0,0909
0,1818
0,2727
0,3636
0,4545
0,5455
0,6364
0,7273
0,8182
0,9091
1,0000
F0(Xi)
c
-2,1
-2,0
-1,1
-0,9
-0,3
-0,2
0,2
0,6
0,9
1,2
2,1
d
0,0179
0,0228
0,1357
0,1841
0,3821
0,4207
0,5793
0,7257
0,8159
0,8849
0,9821
e
0,0730
0,1590
0,1370
0,1795
0,0724
0,1248
0,0571
0,0016
0,0023
0,0242
0,0179
= 0,1795 Ho data berdistribusi normal
Alpha 10%Dtabeln=11 ____ 0,352
Data menyebar normal
Slide 9
CONTOH LAGI, kalau ada data kembar
Slide 10
CONTOH LAGI
Berdasarkan penelitian tentang intensitas
penerangan alami yang dilakukan terhadap 18
sampel rumah sederhana, rata-rata
pencahayaan alami di beberapa ruangan dalam
rumah pada sore hari sebagai berikut ; 46, 57,
52, 63, 70, 48, 52, 52, 54, 46, 65, 45, 68, 71, 69,
61, 65, 68 lux. Selidikilah dengan α = 5%,
apakah data tersebut di atas diambil dari
populasi yang berdistribusi normal ?
Slide 11
SPSS-Cara 1
Kolmogorov-Smirnov dari menu Analyze >
Descriptive Statistics > Explore
Slide 12
Slide 13
Slide 14
Tests of Normality
Kolmogorov-Smirnov
Statistic
TOTALHSL
df
.107
a
Shapiro-Wilk
Sig.
44
*. This is a lower bound of the true significance.
a. Lilliefors Significance Correction
.200*
Statistic
.966
df
Sig.
44
.372
Slide 15
SPSS-Cara 2
Slide 16
Slide 17
One-Sample Kolmogorov-Smirnov Test
TOTALHSL
N
Normal Parameters
a,b
Most Extreme
Differences
KINER JA
MOTIVASI
IKLIM
KOMITMEN
KEPUASAN
KEPEMIMP
44
46
46
46
46
46
46
Mean
2641.43
39.67
38.72
41.70
38.17
37.61
35.46
Std. Deviation
1014.71
3.11
5.46
5.62
3.84
4.16
6.60
Absolute
.107
.110
.143
.130
.132
.129
.098
Positive
.107
.066
.125
.071
.132
.129
.074
Negative
-.043
-.110
-.143
-.130
-.096
-.091
-.098
Kolmogorov-Smirnov Z
.711
.746
.972
.884
.897
.875
.665
As ymp. Sig. (2-tailed)
.693
.634
.301
.416
.397
.429
.769
a. Test distribution is Normal.
b. Calculated from data.
Slide 18
UJI CHI SQUARE
Slide 19
Fungsi dan Esensi
Fungsi:
Membandingkan fungsi distribusi random
variabel pengamatan dengan fungsi distribusi
normal
Esensi
Apakah sampel yang kita ambil berasal dari
populasi yang memiliki distribusi normal?
-goodness of fit-
Tidak hanya distribusi normal
Slide 20
Formula
Ho menyatakan proporsi sebuah obyek jatuh
pada tiap kategori pada populasi yang diduga
pj*=peluang suatu observasi X termasuk dalam
kelas j (j=1,…,c)
Ei= pj*.N tidak boleh kecil nilainya karena
distribusinya cenderung tidak Chi Square
Cohran menyarankan Ei jangan kurang dari 1
dan tidak lebih dari 20% Ei kurang dari 5
Yarnold
O
O E
T
Tolak Ho jika T>X1-alpha
E
E
2
c
j 1
Siegel, 45
j
j
j
2
c
j
j 1
j
N
Slide 21
Siegel
The size of df reflects the number of
“observations” which are free to vary after
certain restrictions have been placed on the
data
df: k-1 dengan Ei=N/k
Slide 22
CONTOH-Uniform
Grup
1
2
3
4
5
6
7
8
Total
Obs
29
19
18
25
17
10
15
11
144
Eksp
18
18
18
18
18
18
18
18
144
Hipotesis:
Ho: Data berdistribusi uniform
H1: Data tdk berdistribusi uniform
Stat uji: X2
Alpha=1%
Distribusi sampling: dist X2 df=k-1=8-1=7
Daerah penolakan:
Ho ditolak jika prob. Atau p-value <=0.01
Keputusan:
X2 hit =16.3 Terima Ho
Tapi kalau alpha 5% Tolak Ho
Tabel 1%=18.475
Tabel 5%=14.067
Slide 23
CONTOH-Normal
Grup
1
2
3
4
5
6
7
8
9
10
Total
Obs
8
10
13
15
10
14
12
8
7
6
103
Eksp
10.3
10.3
10.3
10.3
10.3
10.3
10.3
10.3
10.3
10.3
103
X2=8.36
X2 tabel=14.07 Terima Ho: data berdistribusi
normal
Catatan: Derajat bebas
Slide 24
Ekspektasi yang terlalu kecil
Df=1 (k=2)minimal Ei=5
Df>1 (k>2) tidak digunakan jika:
Lebih dari 20% Ei nya <5
Ada Ei<1
Penggabungan kategori p50
Jika sudah dikombinasikan/gabung masih Ei
nya <5 maka gunakan uji binomial
Slide 25
Contoh
Apakah data di bawah ini berdistribusi normal
dengan mean 30 dan varians 100?
16,7
17,4
18,1
18,2
18,8
19,3
22,4
22,5
24
24,7
25,9
27
35,1
35,8
36,5
37,6
39,8
42,1
43,2
46,2
Slide 26
Penyelesaian
w0.25 w0.5 w0.75tabel
xp wp
X0.25=30+10(-0.6745)=23.255
X0.50=30
X0.75=36.745
Kelas 1 <=23.255
Kelas 2 23.255
Slide 27
Oj=8,4,3,5
T=2.8
Alpha 0.05tolak Ho jika T>7.815
Slide 28
Rules of Thumbs
Pilih interval dimana Ekspektasinya : N/k
Jumlah kategori ditentukan sedemikian rupa
sehingga Ekspektasinya antara 6-10 untuk
sampel besar (>200)
Slide 29
PERBANDINGAN
Slide 30
K-S tidak tergantung pada pengelompokan seperti pada
Chi-Square (CS)
Jika sampel sedikit, maka K-S lebih powerful
K-S dapat digunakan pada sampel kecil sekalipun
Chi Square membutuhkan data skala nominal
K-S membutuhkan data distribusi kontinu
KS dan CS bisa digunakan untuk data berskala ordinal
Presisi KS lebih tinggi karena pada CS terdapat
pengelompokan.
Pada sampel kecil, KS adalah eksak sedangkan CS
hanya pendekatan eksak.
Slide 31
Terdapat beberapa keuntungan dan kerugian
relatif uji kesesuaian Kolmogorov-Smirnov
dibandingkan dengan uji kesesuaian Kai
Kuadrat, yaitu:
Data dalam Uji Kolmogorov-Smirnov tidak perlu dilakukan
kategorisasi. Dengan demikian semua informasi hasil pengamatan
terpakai.
Uji Kolmogorov-Smirnov bisa dipakai untuk semua ukuran sampel,
sedang uji Kai Kuadrat membutuhkan ukuran sampel minimum
tertentu.
Uji Kolmogorov-Smirnov tidak bisa dipakai untuk memperkirakan
parameter populasi. Sebaliknya uji Kai Kuadrat bisa digunakan
untuk memperkirakan parameterpopulasi,dengan cara mengurangi
derajat bebas sebanyak parameter yang diperkirakan.
Uji Kolmogorov-Smirnov memakai asumsi bahwa distribusi populasi
teoritis bersifat kontinu.
31
Slide 32
Metode Lilliefors Untuk Uji
Normalitas
Uji lilliefors digunakan bila ukuran sampel (n)
lebih kecil dari 30.
Misalkan sampel acak dengan hasil
pengamatan : x1 ,x2 , …,xn. Akan diuji apakah
sampel tersebut berasal dari populasi
berdistribusi normal atau tidak?
32
Slide 33
Langkah-langkah pengujian:
Rumuskan Hipotesis:
Ho : sampel berasal dari populasi berdistribusi normal
H1 : sampel tidak berasal dari populasi berdistribusi normal
Tentukan α : taraf nyata
Susun tabel berikut:
Data diurutkan dari terkecil ke terbesar
Cari rata-rata, simpangan baku sampel
Lakukan standarisasi normal (z=(xi–x) /s)
Hitung peluang F(zi ) = P(zi)
Hitung proporsi yang lebih kecil atau sama dengan zi -> S( zi)
Hitung | F(zi) – S(zi) |
Statistik Uji :
Nilai terbesar dari | F(zi) -S(zi) |
33
Dengan α tertentu tentukan titik kritis L
Kriteria uji : tolak Ho jika Lo >= Ltabel , terima dalam hal lainya.
Slide 34
PR
Cari soal dan penyelesaian (sebanyak mungkin)
dari buku referensi (cantumkan sumbernya) ttg
uji liliefors.
Kerjakan menurut kelompok bulan lahir:
Kelompok 1: Januari-Maret
Kelompok 2: April-Juni
Kelompok 3: Juli-September
Kelompok 4: Oktober-Desember
Ketik dan kumpulkan lewat email setelah di
compile oleh PJ
Deadline Senin, tgl 8 April 2013
Slide 35
TERIMA KASIH
Slide 36
Uji Kenormalan
Fitri Catur Lestari, M. Si.
2013
Slide 37
Metode Kolmogorov Smirnov
Persyaratan :
•Data berskala interval atau ratio (kuantitatif)
•Data tunggal/belum dikelompokkan pada table
distribusi frekuensi
•Dapat untuk n besar maupun n kecil.
D = max |Fr – Fs|
Tolak Ho jika D > D (α,n)
Fr = nilai Z
Fs = probabilitas kumulatif empiris
Slide 38
Tabel uji Kolmogorov-Smirnov
Slide 39
Soal :
Suatu penerapan tentang berat badan peserta pelatihan
kebugaran fisik/jasmani dengan sampel sebanyak 27
orang diambil secara random, didapatkan data sebagai
berikut : 78, 78, 95, 90, 78, 80, 82, 77, 72, 84, 68, 67,
87, 78, 77, 88, 97, 89, 97, 98, 70, 72, 70, 69, 67, 90, 97
kg. Selidikilah dengan α= 5%, apakah data tersebut
diambil dari populasi yang berdistribusi normal ?
Slide 40
Penyelesaian :
Hipotesis:
Ho : Data berdistribusi normal
H1 : Data tidak berdistribusi normal
α = 0,05
Statistik uji dan hitung:
X = 81,2963
SD = 10,28372
Dhitung: nilai |Fr-Fs| tertinggi sebagai angka
penguji normalitas, yaitu 0, 1440
Slide 41
Dan seterusnya..
Slide 42
Daerah kritis :
Ho ditolak jika Dhitung>Dn(α) = D27(0,05) = 0,254.
Keputusan :
Terima Ho karena 0,1440 < 0,254
Kesimpulan :
Dengan tingkat kepercayaan 95%, dapat diperkirakan
bahwa data berat badan peserta pelatihan kebugaran
diperoleh dari populasi yg berdistribusi normal.
Slide 43
Metode Goodness-of-fit
Metode Chi square atau χ2 untuk uji Goodness of Fit
Distribusi Normal menggunakan pendekatan
penjumlahan penyimpangan data observasi tiap kelas
dengan nilai yang diharapkan.
Rumus :
Slide 44
Tabel :
Persyaratan :
• Data bersusun berkelompok atau dikelompokkan
dalam table distribusi frekuensi
• Cocok untuk data dengan kebanyakan angka besar (n
> 30)
• Setiap sel harus terisi, yang Ei kurang dari 5
digabungkanlebih baik jika ada referensi
Slide 45
Jika χ2 > nilai χ2 tabel, maka Ho ditolak
Contoh :
Data tinggi badan
Selidiki dengan α = 5%, apakah data diatas
berdistribusi normal ?
Slide 46
Penyelesaian :
Hipotesis:
Ho : Data berdistribusi normal
H1 : Data tidak berdistribusi normal
Alpha= 5%
Statistik uji dan hitung:
X = 165,3 ; SD = 10,36
Slide 47
χ2 = 0,1628
Daerah kritis:
Ho ditolak jika χ2hitung > χ2tabel
Df = (k - 3) = (5 – 3) = 2
Nilai table χ20,05; 2 = 5,991
Keputusan:
Karena | 0,1628 | < | 5,991 | maka Ho diterima
Kesimpulan:
Dengan tingkat kepercayaan 95%, dapat diperkirakan
bahwa tinggi badan masyarakat kalimas tahun diambil
dari populasi yang berdistribusi normal.
Slide 48
Thank You