{"id":485,"date":"2023-07-29T18:17:31","date_gmt":"2023-07-29T18:17:31","guid":{"rendered":"https:\/\/statorials.org\/id\/ancova-di-sungai\/"},"modified":"2023-07-29T18:17:31","modified_gmt":"2023-07-29T18:17:31","slug":"ancova-di-sungai","status":"publish","type":"post","link":"https:\/\/statorials.org\/id\/ancova-di-sungai\/","title":{"rendered":"Bagaimana melakukan ancova di r"},"content":{"rendered":"

<\/p>\n

\n

Tutorial ini memberikan contoh cara melakukan ANCOVA<\/a> di R.<\/span><\/p>\n

Contoh: ANCOVA di R<\/strong><\/span><\/h3>\n

Kami akan melakukan ANCOVA untuk menguji apakah teknik belajar berdampak pada hasil ujian atau tidak dengan menggunakan variabel berikut:<\/span><\/p>\n

    \n
  • Kajian teknis<\/strong> : Variabel independen yang ingin kami analisis<\/span><\/li>\n
  • Nilai siswa saat ini<\/strong> : Kovariat yang ingin kami perhitungkan<\/span><\/li>\n
  • Skor Tinjauan<\/strong> : Variabel respon yang ingin kita analisis<\/span><\/li>\n<\/ul>\n

    Dataset berikut berisi informasi tentang 90 siswa yang dibagi secara acak menjadi tiga kelompok yang terdiri dari 30 orang.<\/span><\/p>\n

    Kumpulan data menunjukkan teknik belajar yang digunakan setiap siswa (A, B<\/em> , atau C)<\/em> ,<\/em> nilai mereka saat ini di kelas ketika mereka mulai menggunakan teknik belajar, dan nilai yang mereka terima pada ujian setelah menggunakan teknik belajar selama satu bulan untuk persiapan. untuk ujian. ujian:<\/span><\/p>\n

     #make this example reproducible<\/span>\nset.seed(10)\n\n#create dataset<\/span>\ndata <- data.frame(technique = rep(c(\"A\", \"B\", \"C\"), each = 30),\n                   current_grade = runif(90, 65, 95),\n                   exam = c(runif(30, 80, 95), runif(30, 70, 95), runif(30, 70, 90)))\n\n#view first six lines of dataset<\/span>\nhead(data)\n\n# technical current_grade exam\n#1 A 80.22435 87.32759\n#2 A 74.20306 90.67114\n#3 A 77.80723 88.87902\n#4 A 85.79306 87.75735\n#5 A 67.55408 85.72442\n#6 A 71.76310 92.52167\n<\/strong><\/pre>\n
     Langkah 1: Jelajahi datanya<\/strong><\/span><\/h3>\n
     Sebelum menerapkan model ANCOVA, pertama-tama kita perlu mengeksplorasi data untuk lebih memahaminya dan memverifikasi bahwa tidak ada outlier ekstrim yang dapat mengganggu hasil.<\/span><\/p>\n
     Pertama, kita dapat menampilkan ringkasan setiap variabel dalam dataset:<\/span><\/p>\n
     summary(data)\n\n# technical current_grade exam      \n#A:30 Min. :65.43 Min. :71.17  \n# B:30 1st Qu.:71.79 1st Qu.:77.27  \n# C:30 Median:77.84 Median:84.69  \n# Mean:78.15 Mean:83.38  \n# 3rd Qu.:83.65 3rd Qu.:89.22  \n# Max. :93.84 Max. :94.76  \n<\/strong><\/pre>\n
     Kita dapat melihat bahwa setiap nilai teknik belajar ( A, B<\/em> dan C)<\/em> muncul sebanyak 30 kali dalam data.<\/span><\/p>\n
     Kita juga dapat melihat bagaimana nilai siswa saat ini didistribusikan pada awal penelitian. Nilai minimal kelas adalah 65,43, nilai maksimal 93,84, dan rata-rata 78,15.<\/span><\/p>\n
     Demikian pula terlihat bahwa nilai minimal yang diperoleh dalam ujian adalah 71,17, nilai maksimal 94,76, dan rata-rata 83,38.<\/span><\/p>\n
     Kemudian kita dapat menggunakan paket dplyr<\/strong> untuk dengan mudah menemukan mean dan deviasi standar nilai saat ini dan hasil ujian untuk setiap teknik belajar:<\/span><\/p>\n
     #load dplyr<\/em><\/span>\nlibrary(dplyr)\n\ndata %>%\n  group_by<\/span> (technical) %>%\n  summarize<\/span> (mean_grade = mean(current_grade),\n            sd_grade = sd(current_grade),\n            mean_exam = mean(exam),\n            sd_exam = sd(exam))\n\n# A tibble: 3 x 5\n# technique mean_grade sd_grade mean_exam sd_exam                      \n#1 A 79.0 7.00 88.5 3.88\n#2 B 78.5 8.33 81.8 7.62\n#3 C 76.9 8.24 79.9 5.71<\/strong><\/pre>\n
     Kita dapat melihat bahwa rata-rata dan deviasi standar nilai siswa saat ini yang menggunakan setiap teknik pembelajaran kira-kira sama.<\/span><\/p>\n
     Kita juga dapat melihat bahwa rata-rata nilai ujian jauh lebih tinggi pada siswa yang menggunakan teknik belajar A<\/em> dibandingkan dengan teknik B<\/em> dan C.<\/em><\/span><\/p>\n
     Kita juga dapat memvisualisasikan sebaran hasil ujian berdasarkan teknik belajar menggunakan boxplot :<\/span><\/p>\n
     boxplot(exam ~ technique,\ndata = data,\nmain = \"Exam Score by Studying Technique\",\nxlab = \"Studying Technique\",\nylab = \"Exam Score\",\ncol = \"steelblue\",\nborder = \"black\"\n)<\/strong><\/pre>\n
    <\/h3>\n
     Demikian pula, kita juga dapat menggunakan plot kotak untuk memvisualisasikan distribusi nilai saat ini<\/em> berdasarkan teknik belajar:<\/span><\/p>\n
     boxplot(current_grade ~ technical,\ndata = data,\nmain = \"Current Grade by Studying Technique\",\nxlab = \"Studying Technique\",\nylab = \"Current Grade\",\ncol = \"steelblue\",\nborder = \"black\"\n)<\/strong><\/pre>\n
     Langkah 2: Periksa asumsi model<\/strong><\/span><\/h3>\n
     Setelah kami melakukan eksplorasi data dasar dan memahami data tersebut, kami perlu memverifikasi bahwa asumsi ANCOVA berikut terpenuhi:<\/span><\/p>\n
      \n
    •  Kovariat dan perlakuan bersifat independen<\/strong> \u2013 perlu diverifikasi bahwa kovariat ( kelas saat ini)<\/em> dan perlakuan (teknik penelitian)<\/em> tidak bergantung satu sama lain, karena menambahkan istilah kovariat ke dalam model hanya bermakna jika kovariat dan pengobatan bertindak secara independen pada variabel respon ( ujian<\/em> ).<\/span><\/li>\n
    •  Homogenitas varians<\/strong> \u2013 kita perlu memeriksa apakah varians antar kelompok adalah sama<\/span><\/li>\n<\/ul>\n
       Untuk memverifikasi bahwa kovariat dan perlakuan bersifat independen, kita dapat melakukan ANOVA menggunakan nilai saat ini<\/em> sebagai variabel respon dan teknik belajar<\/em> sebagai variabel prediktor:<\/span><\/p>\n
       #fit anova model\n<\/span>anova_model <- aov(current_grade ~ technique, data = data)\n#view summary of anova model\n<\/span>summary(anova_model)\n\n# Df Sum Sq Mean Sq F value Pr(>F)\n#technical 2 74 37.21 0.599 0.552\n#Residuals 87 5406 62.14    \n<\/strong><\/pre>\n
       Nilai p lebih besar dari 0,05, sehingga kovariat ( kelas saat ini)<\/em> dan perlakuan ( teknik belajar<\/em> ) tampak independen.<\/span><\/p>\n
       Kemudian untuk memeriksa adanya homogenitas varians antar kelompok, kita dapat melakukan uji Levene:<\/span><\/p>\n
       #load car<\/em> library to conduct Levene's Test<\/span>\nlibary(car)\n\n#conduct Levene's Test<\/span>\nleveneTest(technical exam, data = data)\n\n#Levene's Test for Homogeneity of Variance (center = median)\n# Df F value Pr(>F)    \n#group 2 9.4324 0.0001961 ***\n#87   \n<\/strong><\/pre>\n
       Nilai p dari uji tersebut adalah sebesar 0,0001961 yang menunjukkan bahwa varians antar kelompok tidak sama. Meskipun kami dapat mencoba melakukan transformasi pada data untuk memperbaiki masalah ini, kami tidak akan terlalu mengkhawatirkan perbedaan varian saat ini.<\/span><\/p>\n
       Langkah 3: Sesuaikan model ANCOVA<\/strong><\/span><\/h3>\n
       Selanjutnya, kami akan menyesuaikan model ANCOVA dengan menggunakan nilai ujian<\/em> sebagai variabel respons, teknik belajar<\/em> sebagai variabel prediktor (atau \u201cpengobatan\u201d), dan nilai saat ini<\/em> sebagai kovariat.<\/span><\/p>\n
       Kita akan menggunakan fungsi Anova() dalam paket karena untuk melakukan ini, cukup tentukan bahwa kita ingin menggunakan jumlah kuadrat tipe III untuk modelnya, karena jumlah kuadrat tipe I bergantung pada urutan di mana Prediktor dimasukkan ke dalam model:<\/span><\/p>\n
       #load car<\/em> library<\/span>\nlibrary(car)\n\n#fit ANCOVA model\n<\/span>ancova_model <- aov(exam ~ technique + current_grade, data = data)\n\n#view summary of model\n<\/span>Anova(ancova_model, type=\"III\") \n\n#Answer: exam\n# Sum Sq Df F value Pr(>F)    \n#(Intercept) 7161.2 1 201.4621 < 2.2e-16 ***\n#technical 1242.9 2 17.4830 4.255e-07 ***\n#current_grade 12.3 1 0.3467 0.5576    \n#Residuals 3057.0 86         \n<\/strong><\/pre>\n
       Kita dapat melihat bahwa nilai p untuk teknik<\/em> sangat rendah, yang menunjukkan bahwa teknik belajar mempunyai pengaruh yang signifikan secara statistik terhadap nilai ujian, bahkan setelah mengontrol nilai saat ini.<\/span><\/p>\n
       Langkah 4: Pengujian post-hoc<\/strong><\/span><\/h3>\n
       Meskipun hasil ANCOVA memberi tahu kita bahwa teknik belajar<\/em> memiliki pengaruh yang signifikan secara statistik terhadap nilai ujian, kita perlu melakukan pengujian post hoc untuk menentukan teknik belajar mana yang berbeda satu sama lain.<\/span><\/p>\n
       Untuk melakukan ini, kita dapat menggunakan fungsi glht() dalam paket multcomp<\/strong> di R untuk melakukan pengujian Tukey untuk beberapa perbandingan:<\/span><\/p>\n
       #load the multcomp<\/em> library<\/span>\nlibrary(multicomp)\n\n#fit the ANCOVA model\n<\/span>ancova_model <- aov(exam ~ technique + current_grade, data = data)\n\n#define the post hoc comparisons to make\n<\/span>postHocs <- glht(ancova_model, linfct = mcp(technique = \"Tukey\"))\n\n#view a summary of the post hoc comparisons\n<\/span>summary(postHocs)\n\n#Multiple Comparisons of Means: Tukey Contrasts\n#\n#Fit: aov(formula = exam ~ technique + current_grade, data = data)\n#\n#Linear Assumptions:\n#Estimate Std. Error t value Pr(>|t|)    \n#B - A == 0 -6.711 1.540 -4.358 0.000109 ***\n#C - A == 0 -8.736 1.549 -5.640 < 1e-04 ***\n#C - B == 0 -2.025 1.545 -1.311 0.393089    \n\n#view the confidence intervals associated with the multiple comparisons\n<\/span>confint(postHocs)\n\n# Simultaneous Confidence Intervals\n#\n#Multiple Comparisons of Means: Tukey Contrasts\n#\n#Fit: aov(formula = exam ~ technique + current_grade, data = data)\n#\n#Quantile = 2.3845\n#95% family-wise confidence level\n#\n#Linear Assumptions:\n# Estimate lwr upr     \n#B - A == 0 -6.7112 -10.3832 -3.0392\n#C - A == 0 -8.7364 -12.4302 -5.0426\n#C - B == 0 -2.0252 -5.7091 1.6588\n<\/strong><\/pre>\n
       Dari hasil tersebut terlihat terdapat perbedaan yang signifikan secara statistik (pada \u03b1 = 0,05) hasil ujian antara teknik belajar A<\/em> dan teknik belajar B<\/em> (p-value: 0,000109) serta antara teknik A<\/em> dan teknik C.<\/em> (nilai p: <1e-04).<\/span><\/p>\n
       Kita juga dapat melihat bahwa tidak<\/em> ada perbedaan yang signifikan secara statistik (pada \u03b1 = 0,05) antara teknik B<\/em> dan C.<\/em><\/span> Interval kepercayaan antar teknik juga mendukung temuan ini.<\/span><\/p>\n
       Dengan demikian, kita dapat menyimpulkan bahwa menggunakan teknik belajar A<\/em> menghasilkan nilai ujian siswa yang secara statistik jauh lebih tinggi dibandingkan dengan teknik B<\/em> dan C<\/em> , bahkan setelah mengontrol nilai siswa saat ini di kelas.<\/span><\/p>\n","protected":false},"excerpt":{"rendered":"
      Tutorial ini memberikan contoh cara melakukan ANCOVA di R. Contoh: ANCOVA di R Kami akan melakukan ANCOVA untuk menguji apakah teknik belajar berdampak pada hasil ujian atau tidak dengan menggunakan variabel berikut: Kajian teknis : Variabel independen yang ingin kami analisis Nilai siswa saat ini : Kovariat yang ingin kami perhitungkan Skor Tinjauan : Variabel […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\nCara melakukan ANCOVA di R - Statorials<\/title>\n<meta name=\"description\" content=\"Tutorial ini menjelaskan cara melakukan ANCOVA (analisis kovarians) di R.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/statorials.org\/id\/ancova-di-sungai\/\" \/>\n<meta property=\"og:locale\" content=\"id_ID\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Cara melakukan ANCOVA di R - Statorials\" \/>\n<meta property=\"og:description\" content=\"Tutorial ini menjelaskan cara melakukan ANCOVA (analisis kovarians) di R.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/statorials.org\/id\/ancova-di-sungai\/\" \/>\n<meta property=\"og:site_name\" content=\"Statorials\" \/>\n<meta property=\"article:published_time\" content=\"2023-07-29T18:17:31+00:00\" \/>\n<meta name=\"author\" content=\"Benjamin anderson\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Ditulis oleh\" \/>\n\t<meta name=\"twitter:data1\" content=\"Benjamin anderson\" \/>\n\t<meta name=\"twitter:label2\" content=\"Estimasi waktu membaca\" \/>\n\t<meta name=\"twitter:data2\" content=\"6 menit\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\/\/statorials.org\/id\/ancova-di-sungai\/\",\"url\":\"https:\/\/statorials.org\/id\/ancova-di-sungai\/\",\"name\":\"Cara melakukan ANCOVA di R - Statorials\",\"isPartOf\":{\"@id\":\"https:\/\/statorials.org\/id\/#website\"},\"datePublished\":\"2023-07-29T18:17:31+00:00\",\"dateModified\":\"2023-07-29T18:17:31+00:00\",\"author\":{\"@id\":\"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81\"},\"description\":\"Tutorial ini menjelaskan cara melakukan ANCOVA (analisis kovarians) di R.\",\"breadcrumb\":{\"@id\":\"https:\/\/statorials.org\/id\/ancova-di-sungai\/#breadcrumb\"},\"inLanguage\":\"id\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/statorials.org\/id\/ancova-di-sungai\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/statorials.org\/id\/ancova-di-sungai\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/statorials.org\/id\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Bagaimana melakukan ancova di r\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/statorials.org\/id\/#website\",\"url\":\"https:\/\/statorials.org\/id\/\",\"name\":\"Statorials\",\"description\":\"Panduan anda untuk kompetensi statistik!\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/statorials.org\/id\/?s={search_term_string}\"},\"query-input\":\"required name=search_term_string\"}],\"inLanguage\":\"id\"},{\"@type\":\"Person\",\"@id\":\"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81\",\"name\":\"Benjamin anderson\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"id\",\"@id\":\"https:\/\/statorials.org\/id\/#\/schema\/person\/image\/\",\"url\":\"http:\/\/statorials.org\/id\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg\",\"contentUrl\":\"http:\/\/statorials.org\/id\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg\",\"caption\":\"Benjamin anderson\"},\"description\":\"Halo, saya Benjamin, pensiunan profesor statistika yang menjadi guru Statorial yang berdedikasi. Dengan pengalaman dan keahlian yang luas di bidang statistika, saya ingin berbagi ilmu untuk memberdayakan mahasiswa melalui Statorials. Baca selengkapnya\",\"sameAs\":[\"http:\/\/statorials.org\/id\"]}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Cara melakukan ANCOVA di R - Statorials","description":"Tutorial ini menjelaskan cara melakukan ANCOVA (analisis kovarians) di R.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/statorials.org\/id\/ancova-di-sungai\/","og_locale":"id_ID","og_type":"article","og_title":"Cara melakukan ANCOVA di R - Statorials","og_description":"Tutorial ini menjelaskan cara melakukan ANCOVA (analisis kovarians) di R.","og_url":"https:\/\/statorials.org\/id\/ancova-di-sungai\/","og_site_name":"Statorials","article_published_time":"2023-07-29T18:17:31+00:00","author":"Benjamin anderson","twitter_card":"summary_large_image","twitter_misc":{"Ditulis oleh":"Benjamin anderson","Estimasi waktu membaca":"6 menit"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/statorials.org\/id\/ancova-di-sungai\/","url":"https:\/\/statorials.org\/id\/ancova-di-sungai\/","name":"Cara melakukan ANCOVA di R - Statorials","isPartOf":{"@id":"https:\/\/statorials.org\/id\/#website"},"datePublished":"2023-07-29T18:17:31+00:00","dateModified":"2023-07-29T18:17:31+00:00","author":{"@id":"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81"},"description":"Tutorial ini menjelaskan cara melakukan ANCOVA (analisis kovarians) di R.","breadcrumb":{"@id":"https:\/\/statorials.org\/id\/ancova-di-sungai\/#breadcrumb"},"inLanguage":"id","potentialAction":[{"@type":"ReadAction","target":["https:\/\/statorials.org\/id\/ancova-di-sungai\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/statorials.org\/id\/ancova-di-sungai\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/statorials.org\/id\/"},{"@type":"ListItem","position":2,"name":"Bagaimana melakukan ancova di r"}]},{"@type":"WebSite","@id":"https:\/\/statorials.org\/id\/#website","url":"https:\/\/statorials.org\/id\/","name":"Statorials","description":"Panduan anda untuk kompetensi statistik!","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/statorials.org\/id\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"id"},{"@type":"Person","@id":"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81","name":"Benjamin anderson","image":{"@type":"ImageObject","inLanguage":"id","@id":"https:\/\/statorials.org\/id\/#\/schema\/person\/image\/","url":"http:\/\/statorials.org\/id\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg","contentUrl":"http:\/\/statorials.org\/id\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg","caption":"Benjamin anderson"},"description":"Halo, saya Benjamin, pensiunan profesor statistika yang menjadi guru Statorial yang berdedikasi. Dengan pengalaman dan keahlian yang luas di bidang statistika, saya ingin berbagi ilmu untuk memberdayakan mahasiswa melalui Statorials. Baca selengkapnya","sameAs":["http:\/\/statorials.org\/id"]}]}},"yoast_meta":{"yoast_wpseo_title":"","yoast_wpseo_metadesc":"","yoast_wpseo_canonical":""},"_links":{"self":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/posts\/485"}],"collection":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/comments?post=485"}],"version-history":[{"count":0,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/posts\/485\/revisions"}],"wp:attachment":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/media?parent=485"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/categories?post=485"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/tags?post=485"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}