Apa itu Uji Kruskal Wallis
Kita akan bahas Uji Kruskal Wallis di R. Sebelumnya, Uji Kruskal Wallis adalah uji Anova NonParametrik yang disarankan sebagai alternatif jika asumsi normalitas residual dari One-Way Anova tidak terpenuhi. Kamu bisa membaca One-Way Anova Test di sini.
Import Data
Dalam tutorial ini, digunakan data built-in di R, sehingga tidak perlu repot – repot import menggunakan data pribadi yaa
data.kita <- PlantGrowth #memanggil data PlantGrowth
head(data.kita)
summary(data.kita) #melihat secara sepintas data PlantGrowth
Maka akan muncul output sebagai berikut
weight group
1 4.17 ctrl
2 5.58 ctrl
3 5.18 ctrl
4 6.11 ctrl
5 4.50 ctrl
6 4.61 ctrl
Singkatnya data ini adalah data perbandingan berat tanaman, yang terdiri dari tiga grup : ctr1, trt1, dan trt2.
Lakukan Visualisasi
Visualisasi data perlu digunakan untuk melihat keadaaan data secara sekilas, sebelum melakukan uji hipotesis dengan Uji Kruskal-Wallis. Seringkali dari langkah visualisasi ini diperoleh insight yang sebelumnya tidak kita ketahui, maka dari itu langkah ini menjadi penting. Berikut sintaks untuk visualisasi data
library(ggplot2)
plot1 <- ggplot(data.kita, aes(x=group, y=weight, fill=group))+geom_boxplot()
plot1+ggtitle("plot by www.exsight.id")+theme(plot.title = element_text(hjust = 0.5))+ scale_fill_manual(values=c("red", "green", "blue"))
Lakukan Uji Kruskal-Wallis
Tentu tidak cukup jika mengambil kesimpulan/inferensi dari visualisasi Boxplot saja ya sob, berikut pengujian menggunakan metode Kruskal-Wallis di R.
kruskal.test(data=data.kita, weight~group)
Kruskal-Wallis rank sum test
data: weight by group
Kruskal-Wallis chi-squared = 7,9882, df = 2, p-value = 0,01842
Interpretasi
Karena p-value < 0,05 maka dapat kita simpulkan bahwa terdapat perbedaan weight yang signifikan antara ketiga group dalam data.kita.
Uji Lanjut
Sekarang, mari kita lakukan uji lebih lanjut agar kita tahu grup mana yang berbeda secara signifikan.
pairwise.wilcox.test(data.kita$weight, data.kita$group, p.adjust.method = "BH")
Pairwise comparisons using Wilcoxon rank sum test
data: data.kita$weight and data.kita$group
ctrl trt1
trt1 0,199 -
trt2 0,095 0,027
P value adjustment method: BH
Dari output tersebut, kita bisa tahu kalau kelompok pengamatan trt1 dan trt2 saja yang berbeda secara signifikan. Hal ini dikarenakan nilai p-value nya < 0.05.
Okey, sekian dulu ya sobat Exsight. Jika kamu ada pertanyaan atau kendala, silahkan hubungi Exsight untuk penjelasan lebih lanjut.
Jangan lupa share menyebarkan konten ini untuk kebermanfaatan yaa
Baca Juga : Unsupervised Learning dan Implementasinya
Stay safe di tengah pandemi dan jangan lupa selalu pakai Software Original !
