# Membuat data contoh
# Membuat vektor untuk responden, X, dan Y
X <- c(2, 1, 6, 11, 7, 11, 1, 12, 13, 13, 11)
Y <- c(9, 8, 16, 13, 11, 12, 7, 7, 13, 17, 10)
# Membuat dataframe
dataku <- data.frame(X = X, Y = Y)
# Menampilkan data
dataku X Y
1 2 9
2 1 8
3 6 16
4 11 13
5 7 11
6 11 12
7 1 7
8 12 7
9 13 13
10 13 17
11 11 10# Menggunakan fungsi cor.test untuk menghitung Tau-Kendall
cor.test(dataku$X, dataku$Y, method = "kendall")
Kendall's rank correlation tau
data: dataku$X and dataku$Y
z = 1.7529, p-value = 0.07962
alternative hypothesis: true tau is not equal to 0
sample estimates:
tau
0.4273658 # Menggunakan fungsi cor.test untuk menghitung korelasi Spearman
cor.test(dataku$X, dataku$Y, method = "spearman")
Spearman's rank correlation rho
data: dataku$X and dataku$Y
S = 108.98, p-value = 0.1134
alternative hypothesis: true rho is not equal to 0
sample estimates:
rho
0.5046513 # Membuat data contoh
# Data asli dalam bentuk tabel silang
frekuensi <- matrix(c(30, 21, 30, 19, 15, 35), nrow = 2)
rownames(frekuensi) <- c("Kontrak", "Tetap")
colnames(frekuensi) <- c("Rendah", "Sedang", "Tinggi")
# Inisiasi vektor kosong untuk menyimpan data
Status_Pegawai <- c()
Tingkat_Produktivitas <- c()
# Mengulang setiap kombinasi sesuai dengan frekuensinya
for (i in 1:nrow(frekuensi)) {
for (j in 1:ncol(frekuensi)) {
Status_Pegawai <- c(Status_Pegawai,
rep(rownames(frekuensi)[i],
frekuensi[i, j]))
Tingkat_Produktivitas <- c(Tingkat_Produktivitas,
rep(colnames(frekuensi)[j],
frekuensi[i, j]))
}
}
# Membuat dataframe
dataku2 <- data.frame(Status_Pegawai,
Tingkat_Produktivitas)
# Menampilkan data
head(dataku2) Status_Pegawai Tingkat_Produktivitas
1 Kontrak Rendah
2 Kontrak Rendah
3 Kontrak Rendah
4 Kontrak Rendah
5 Kontrak Rendah
6 Kontrak Rendah# Transformasi menejadi factor
dataku2$Status_Pegawai <- as.factor(dataku2$Status_Pegawai)
dataku2$Tingkat_Produktivitas <- as.factor(dataku2$Tingkat_Produktivitas)
summary(dataku2) Status_Pegawai Tingkat_Produktivitas
Kontrak:75 Rendah:51
Tetap :75 Sedang:49
Tinggi:50 # Melakukan tabel kontingensi
dataku2_kt <- table(dataku2$Status_Pegawai, dataku2$Tingkat_Produktivitas)
dataku2_kt
Rendah Sedang Tinggi
Kontrak 30 30 15
Tetap 21 19 35# Melakukan uji Chi-Square
chisq.test(dataku2_kt)
Pearson's Chi-squared test
data: dataku2_kt
X-squared = 12.058, df = 2, p-value = 0.002408# Membuat data contoh
# Vektor data untuk efisiensi pada skala besar dan kecil
efisiensi_besar <- c(1.31, 1.25, 1.32, 1.3, 1.33, 1.31, 1.35, 1.34, 0.28, 1.34, 1.28)
efisiensi_kecil <- c(1.21, 1.28, 1.32, 1.25, 1.27, 1.31, 1.26, 1.31, 1.24, 1.22)wilcox.test(efisiensi_besar, efisiensi_kecil)
Wilcoxon rank sum test with continuity correction
data: efisiensi_besar and efisiensi_kecil
W = 82.5, p-value = 0.05614
alternative hypothesis: true location shift is not equal to 0# Membuat data contoh
# Membuat vektor untuk Industri A, B, dan C
industri_A <- c(2.33, 2.79, 3.01, 2.33, 1.22, 2.79, 1.9, 1.65)
industri_B <- c(2.33, 2.33, 2.79, 3.01, 1.99, 2.45)
industri_C <- c(1.06, 1.37, 1.09, 1.65, 1.44, 1.11)
# Membuat vektor industri
industri <- c(rep("Industri A", length(industri_A)),
rep("Industri B", length(industri_B)),
rep("Industri C", length(industri_C)))
# Menggabungkan semua vektor value
nilai <- c(industri_A, industri_B, industri_C)
# Membuat data frame
dataku4 <- data.frame(industri, nilai)
# Menampilkan data frame
dataku4$industri <- as.factor(dataku4$industri)
dataku4 industri nilai
1 Industri A 2.33
2 Industri A 2.79
3 Industri A 3.01
4 Industri A 2.33
5 Industri A 1.22
6 Industri A 2.79
7 Industri A 1.90
8 Industri A 1.65
9 Industri B 2.33
10 Industri B 2.33
11 Industri B 2.79
12 Industri B 3.01
13 Industri B 1.99
14 Industri B 2.45
15 Industri C 1.06
16 Industri C 1.37
17 Industri C 1.09
18 Industri C 1.65
19 Industri C 1.44
20 Industri C 1.11# Uji kruskal wallis
kruskal.test(nilai ~ industri, data = dataku4)
Kruskal-Wallis rank sum test
data: nilai by industri
Kruskal-Wallis chi-squared = 10.619, df = 2, p-value = 0.004943# Post hoc kruskal-wallis - Uji Dun
#installed.packages("FSA")
library(FSA)
dunnTest(nilai ~ industri, data = dataku4) Comparison Z P.unadj P.adj
1 Industri A - Industri B -0.6428883 0.520296550 0.52029655
2 Industri A - Industri C 2.6109139 0.009030062 0.01806012
3 Industri B - Industri C 3.0436533 0.002337243 0.00701173# Membuat data contoh
# Data Skor Kepuasan
produk_lama <- c(16, 15, 18, 16, 17, 18, 20, 15, 14, 16, 19, 17)
produk_baru <- c(18, 17, 16, 19, 17, 20, 18, 16, 15, 18, 20, 18)
# Data Responden
responden <- c(1:12)
# Membuat data frame
dataku5 <- data.frame(Responden = c(rep(responden, 2)),
Produk = factor(c(rep("Produk Lama", length(produk_lama)),
rep("Produk Baru", length(produk_baru)))),
Skor_Kepuasan = c(produk_lama, produk_baru))
# Menampilkan data frame
dataku5 Responden Produk Skor_Kepuasan
1 1 Produk Lama 16
2 2 Produk Lama 15
3 3 Produk Lama 18
4 4 Produk Lama 16
5 5 Produk Lama 17
6 6 Produk Lama 18
7 7 Produk Lama 20
8 8 Produk Lama 15
9 9 Produk Lama 14
10 10 Produk Lama 16
11 11 Produk Lama 19
12 12 Produk Lama 17
13 1 Produk Baru 18
14 2 Produk Baru 17
15 3 Produk Baru 16
16 4 Produk Baru 19
17 5 Produk Baru 17
18 6 Produk Baru 20
19 7 Produk Baru 18
20 8 Produk Baru 16
21 9 Produk Baru 15
22 10 Produk Baru 18
23 11 Produk Baru 20
24 12 Produk Baru 18# Menghitung perbedaan
diff <- dataku5[dataku5$Produk == 'Produk Baru', ]$Skor_Kepuasan - dataku5[dataku5$Produk == 'Produk Lama', ]$Skor_Kepuasan
# Menghitung jumlah perbedaan yang positif
jumlah_positif <- sum(diff > 0)# Melakukan uji tanda
binom.test(jumlah_positif, length(diff),
p = 0.5,
alternative = "two.sided")
Exact binomial test
data: jumlah_positif and length(diff)
number of successes = 9, number of trials = 12, p-value = 0.146
alternative hypothesis: true probability of success is not equal to 0.5
95 percent confidence interval:
0.4281415 0.9451394
sample estimates:
probability of success
0.75 Interpretation: https://www.geeksforgeeks.org/sign-test-in-r/
# Membuat data contoh
dataku6 <- matrix(c(1.24,1.50,1.62,
1.71,1.85,2.05,
1.37,2.12,1.68,
2.53,1.87,2.62,
1.23,1.34,1.51,
1.94,2.33,2.86,
1.72,1.43,2.86), nrow = 7, byrow = TRUE,
dimnames = list(Person= as.character(1:7),
Obat = c("Obat A","Obat B","Obat C")))
dataku6 Obat
Person Obat A Obat B Obat C
1 1.24 1.50 1.62
2 1.71 1.85 2.05
3 1.37 2.12 1.68
4 2.53 1.87 2.62
5 1.23 1.34 1.51
6 1.94 2.33 2.86
7 1.72 1.43 2.86friedman.test(dataku6)
Friedman rank sum test
data: dataku6
Friedman chi-squared = 8.8571, df = 2, p-value = 0.01193# Membuat data contoh
## Input data
responden <- c(1:8)
produk_A <- c("Tidak","Tidak","Ya","Ya","Ya","Tidak","Tidak","Tidak")
produk_B <- c("Tidak","Ya","Ya","Ya","Tidak","Tidak","Ya","Tidak")
produk_C <- c("Ya","Tidak","Tidak","Ya","Tidak","Ya","Ya","Tidak")
dataku7 <- data.frame(responden, produk_A, produk_B, produk_C)
dataku7$produk_A <- as.factor(dataku7$produk_A)
dataku7$produk_B <- as.factor(dataku7$produk_B)
dataku7$produk_C <- as.factor(dataku7$produk_C)
dataku7 responden produk_A produk_B produk_C
1 1 Tidak Tidak Ya
2 2 Tidak Ya Tidak
3 3 Ya Ya Tidak
4 4 Ya Ya Ya
5 5 Ya Tidak Tidak
6 6 Tidak Tidak Ya
7 7 Tidak Ya Ya
8 8 Tidak Tidak Tidakdataku7 <-ifelse(dataku7=="Ya", 1,0)#install.packages("nonpar")
library(nonpar)
cochrans.q(as.matrix(dataku7[,-1]), alpha = 0.05)
Cochran's Q Test
H0: There is no difference in the effectiveness of treatments.
HA: There is a difference in the effectiveness of treatments.
Q = 0.333333333333333
Degrees of Freedom = 2
Significance Level = 0.05
The p-value is 0.846481724890614