Biometry (Biostatistics) & Experimental Design

Presentasi berjudul: "Biometry (Biostatistics) & Experimental Design"— Transcript presentasi:

1 Biometry (Biostatistics) & Experimental Design
Riyanto

2 Matematika : Aritmatika, Matrik, Trigonometry, Calculus
Yang diajarkan di S1 Matematika : Aritmatika, Matrik, Trigonometry, Calculus Biostatistik (Biometry) : Penyajian data, rata2, Sd, peluang, Dist. Binomial, : multinomial, hipergeometrik, normal, Poisson, : Hepotesa, Uji t, uji F, Uji Z, X² test..dll 3. Rancangan Percobaan : RAL, RAK, Latin Sqr, Factorial, Split-plot, LSD, HSD, DMRT : Korelasi & Regresi Tambahan : Kontras, Nested, Curve respond, Stat Non Parametrik, Missing data, transformasi data. : Program : SPSS, Stat, Exel Yang diajarkan di S2 Multivariate Principle Component Analysis (PCA) Factor Analysis Cluster Analysis Canonical Analysis Determinant Analysis Regresi Linier berganda Program : SAS

3 1 Nominal 2 Ordinal 3 Interval 4 Ratio No. Skala Data Contoh
Penjelasan 1 Nominal Warna bunga, jenis kelamin ..dll (Variable Diskret) Hanya dpt membedakan, tapi tak tahu mana yg lebih tinggi dan mana yg lebih rendah (tidak ada jarak) Kita tak bisa menyatakan merah lebih besar drpd putih. Analisanya hrus dg Statistik Non Parametrik Uji yg dipakai adalah X² test ex Uji Mendel. 2 Ordinal Nilai Mhs A, B, C, D, E (Var. Kontinew) Sudah ada tingkatan (order) ex nilai A lebih baik dari B Letnan, Kapten, Mayor, Kolonel,..dst. Uji yg bisa dg non parametrik Biasa dg Korelasi Spearman ( Kor. Rangking). 3 Interval T , pH, (Var. Kontinue) Bisa dibedakan, sudah ada order, ada jarak tapi aturan2 matematik belum bisa dimainkan ex 5 ᵒC + 10 ᵒC ǂ 15ᵒC Uji yg dipakai : ANOVA, LSD, HSD, DMRT, Kontras 4 Ratio Panjang, Tinggi, Kecepatan, Dosis, …dll Kaidah-kaidah matematik sudah lengkap. Bisa uji Anova, LSD, DMRT, korelasi, regresi Pearson,..dll

4 Perbedaan Uji Parametrik Uji Non Parametrik Kaidah parametrik :
Data bersifat kontinew Sebaran datanya dpt diuji normal atau tidak Uji Bartlett Jika normal maka bisa lanjut ke Anova Jika tidak normal maka data di transformasi terlebih dahulu. Jika setelah transformasi sebaran data tetap tidak normal maka uji lanjutan harus dengan Statistik Non parametrik. Di bidang pertanian dan biologi, uji normaliras tidak pernah dilakukan karena diasumsikan data normal (berdasarkan penelitian2 sebelumnya) Di bidang lain misal kedokteran, farmasi, teknik dll sebelum dianalisa sebaran data harus diuji kenormalannya. Untuj uji data yg tidak memenuhi kaidah² parametrik misal Datanya bersifat diskret Data berada pada skala nominal atau ordinal Sebaran data tidak normal Yg umum uji spearman, Wilsoxcon,..dll Misal kita analisa dg Anova, ternyata datanya skala ordinal, maka harus dg uji non parametrik RAL non parametrik : Uji Kruskal Wallish RAK non parametrik : Uji Friedman Faktorial & Split plot non parametrik bisa dg Kruskal ataupun Friedman. Analisa yg sering digunakan non parametrik a.l Uji Binomial (hidup vs mati), ada vs tidak ada.dll Uji

5 Ber-Faktor (lebih dari 1 faktor)
Perlakuan Contoh Keterangan Tidak berstruktur Fix : Uji 5 varietas padi Random : Uji protein 5 telur diantara ratusan telur di kandang. Satu perlakuan dg lain perlakuan bebas Fix : Kesimpulan hanya berlaku bagi 5 var tsb Random : (Kesimpulannya berlaku untuk semua telur di kandang tsb) Anova dilanjutkan dg LSD, HSD dll Dapat menbandingkan tiap individu perlakuan. Berstruktur a Ber-Heararkhi Percob Pestisida A & B A1 A2 A3 vs B1 B2 B3 B4 Yang dibandingkan adalah group Tidak bisa membandingkan individu dlm group A dan group B. Tidak bisa dibandingkan A3 vs B1 Ranc Nested : Anova dilanjutkan kontrast Tidak bisa dg LDS, HSD..dll krn tidak mampu. b Ber-Gradient Pengaruh dosis pupuk : … thd produksi 1 faktor (non faktorial istilah di USU) Anova dilanjutkan regresi (linier atau kwadratik) c Ber-Faktor (lebih dari 1 faktor) Pengaruh N & P thd produksi N : P : 2 Faktor atau lebih Analisa dg RAL, RAK, L Sq faktorial, split-plot Anova dilanjutkan dg LSD, HSD dll dan regresi

6 Statistik Non Parametrik
Statistik Parametrik Statistik Non Parametrik Uji 1 Faktor dengan ANOVA RAL, RAK, Latin Square LSD, HSD, Tokey, Duncant (DMRT), Kontras Korelasi & Regresi pearson Data tunggal Uji Binomial Uji χ² sampel tunggal Uji Kolmogorof sampel tunggal Uji Runs sampel tunggal Uji 2 Faktor dengan ANOVA  RAL Faktorial, RAK Faktorial, Split-Plot, Nested Korelasi dan regresi Pearson Dua sampel berkaitan (Tidak independen) Uji McNemar untuk signifikasi perubahan Uji Tanda Uji Wilcoxon untuk data berpasangan Uji Walsh Uji Randomisasi untuk data berpasangan Multivariate Principle Component Analysis (PCR) Factor Analysis Cluster Analysis Canonical Analysis Discriminant Analysis Dua sampel Independen Uji F untuk uji varians Uji t untuk uji data berpasangan Uji Z untu distribusi normal Dua sampel Independen ( Tidak berkaitan ) Uji Fisher untuk uji kemungkinan eksak Uji χ² untuk 2 sampel independen Uji Median Uji Mann – Whitney U Uji Kolmogorof-Smirnof untuk 2 sampel independen Uji Runs Wald-Wolfowitz Uji Moses untuk reaksi ekstrem Uji Randomisasi untuk dua sampel independen Persamaan Regresi Regresi linier Y = a + bX Regresi linier berganda : Y = a + bX1 + c X2 Regresi non linier quadratic parabola : Y = a + bX + cX² Regresi non linier parabola Qubic Y = a + bX + cX² + dX³ Regresi non linier eksponensial Y = abˣ Regresi non linier geometric Y = aXᵇ Regresi non linier Gopertz Y = pqᵇˣ Regresi non linier Logistik Y = 1/ abˣ +c Regresi non linier Hiperbola Y = 1/ a + bX Data > 2 sampel saling berkaitan (Tidak independen) Uji Cochran – untuk binomial Uji Friedman untuk uji 2 arah (mirip RAK) Data k sampel tidak saling berkaitan (independen) Uji X² – untuk banyak sampel independent Uji Median lanjutan Uji Kruskal-Walis untuk analis satu arah (mirip RAL) Korelasi dan Uji Signifikansi Korelasi C untuk koefisien kontingensi Korelasi Spearman untuk koefisien korelasi rank Korelasi Kendall untuk koefisien korelasi rank

7

8 Type of data (DV) Qualitative (categorical) 1 independent variable
2 independent variables Quantitative (measurement) Relationships Differences 2 groups Multiple groups Nonparametric Parametric 2 dependent variables Goodness of fit x 2 Independence test x 2 1 predictor Multiple predictors Continuous measurement Ranks Multiple regression Spearman rs Primary interest Degree of relationship Form of relationship Pearson r Regression independent dependent 2-sample t Mann-Whitney U Related sample t Wilcoxon T 1 IV Multiple IVs One-way ANOVA Kruskal-Wallis RAL Factorial ANOVA Repeated measures ANOVA Friedman (RAK) McNemar test Hypothesis Testing 6/29/2019

9 Perbedaan Faktorial dengan Split plot Faktorial Split - plot
Lebih simple Semua faktor bisa dikontrol bisa diacak secara bebas Jika tidak ada interaksi, maka bisa dibandingkan individu perlakuan Jika ada interakdi, individu terbaik tidak bisa dicari tapi akan ada kombinasi terbaik Bisa dicari nilai A terbaik pada B atau sebaliknya nilai B terbaik pada A Lebih komplek Dipakainya Split-plot karena tidak ada pilihan lain (kondisi lingkungan tidak memungkinkan percob di acak secara bebas Ada main faktor (faktor utama, relative tetap, tidak diperlukan detail) Main plot jumlah levelnya lebih banyak ex 3, 4, 5 Sub plot jumlah levelnya lebih sedikit ex 2, 3, 4 tapi perlu lebih detail Error (a) > error (b) Untuk menghitung Anova menggunakan 2 way-table Tidak bisa mencari nilai A (main plot) terbaik pada B (sub plot) Hanya bisa mencari nilai B terbaik pada A

10