-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathIS240ILHY_FinalProjectUAS_LianWiraManuelMaharaja_00000075938.Rmd
218 lines (159 loc) · 7.21 KB
/
IS240ILHY_FinalProjectUAS_LianWiraManuelMaharaja_00000075938.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
---
title: "Final Project"
author: ""
date: "6/1/2023"
---
```{r setup, include=FALSE, message=FALSE, warning=FALSE}
knitr::opts_chunk$set(echo = TRUE)
options(OutDec = ",")
library(readxl)
```
## Perintahnya
-- Explain the dataset and variables that you will be using in your analysis
-- State the null hypothesis (H0) and alternative hypothesis (Ha) for your study
-- conduct a one-way ANOVA, TURKEY HSD, and Turkey-Kramer procedure on both the primary and secondary data
-- conduct a pearson or Spearman correlation test on both the primary and secondary data
-- conduct a Wilcoxon or Mann-Whitney test on both the primary and secondary data
-- conduct a Chi-square Goodness of fit test on both the primary and secondary data
-- explain the conclussion from the results of the analysis.
##
## pertamatama yang harus dilakukan melakukan uji wilcox untuk mengetahui mana data dari tahun 2018 atau 2019 yang terbaik yang diggunakan dalam penelitian selanjutnya
```{r pressure, echo=FALSE}
#a----------
#panggil library yang diperlukan
library(readxl)
Sheet1 <- read_excel("datauas.xlsx", sheet = "Sheet1")
#Ubah tipe data
Sheet1$'Pendidikan Tertinggi yang Ditamatkan' <- as.factor(Sheet1$'Pendidikan Tertinggi yang Ditamatkan')
Sheet1$pengangguran2018 <- as.numeric(Sheet1$pengangguran2018)
Sheet1$pengangguran2019 <- as.numeric(Sheet1$pengangguran2019)
Sheet1$bekerja2018 <- as.numeric(Sheet1$bekerja2018)
Sheet1$bekerja2019 <- as.numeric(Sheet1$bekerja2019)
str(Sheet1)
#b----------
#H0: skor 2018 <= skor 2019 (isi dengan =, <= atau >=)
#Ha: skor 2018 >= skor 2019 (isi dengan tidak sama dgn, < atau >)
#Hasil uji hipotesa(untuk membandingkan mana data yang terbaik 2018 atau 2019):
(wt <- wilcox.test(Sheet1$bekerja2018, Sheet1$bekerja2019, paired = TRUE, conf.level = 0.95))
(wt <- wilcox.test(Sheet1$pengangguran2018, Sheet1$pengangguran2019, paired = TRUE, conf.level = 0.95))
#Kesimpulan: 2019 datanya lebih baik
```
## setelah itu kita mencari tau koefisien korelasi dari data itu
```{r pressure, echo=FALSE}
library(car)
library(lmtest)
library(dplyr)
pengangguran1 <- Sheet1 %>% filter
#summary data
summary(pengangguran1)
#scatter plot
# Konversi variabel "Pendidikan Tertinggi yang Ditamatkan" ke numerik
pengangguran1$Pendidikan_Numeric <- as.numeric(pengangguran1$"Pendidikan Tertinggi yang Ditamatkan")
# Scatter plot dan regresi untuk variabel "bekerja2019"
plot(pengangguran1$"Pendidikan Tertinggi yang Ditamatkan", pengangguran1$bekerja2019)
abline(lm(pengangguran1$bekerja2019 ~ pengangguran1$"Pendidikan Tertinggi yang Ditamatkan"), col = "red")
# Scatter plot dan regresi untuk variabel "pengangguran2019"
plot(pengangguran1$"Pendidikan Tertinggi yang Ditamatkan", pengangguran1$pengangguran2019)
abline(lm(pengangguran1$pengangguran2019 ~ pengangguran1$"Pendidikan Tertinggi yang Ditamatkan"), col = "red")
# Menghitung koefisien korelasi untuk variabel "bekerja2019"
cor_bekerja2019 <- cor(pengangguran1$Pendidikan_Numeric, pengangguran1$bekerja2019)
cat("Koefisien korelasi untuk bekerja2019:", cor_bekerja2019, "\n")
# Menghitung koefisien korelasi untuk variabel "pengangguran2019"
cor_pengangguran2019 <- cor(pengangguran1$Pendidikan_Numeric, pengangguran1$pengangguran2019)
cat("Koefisien korelasi untuk pengangguran2019:", cor_pengangguran2019)
```
## setelah itu
##melakukan uji ANOVA, TURKEY HSD, and Turkey-Kramer
```{r pressure, echo=FALSE}
library(agricolae)
#a-----------
Sheet2 <- read_excel("datauas.xlsx", sheet = "Sheet2")
head(Sheet2)
#b-------------
(groupmeans <- apply(Sheet2, 2, mean))
s.Sheet2 <- stack(Sheet2)
(grandmean <- mean(s.Sheet2$values, na.rm = TRUE))
groupmeans - grandmean
boxplot(values ~ ind, data = s.Sheet2)
points(groupmeans, col = "blue", pch = 17)
abline(h = grandmean, col = "red")
#c------------
apply(Sheet2, 2, shapiro.test)
car::leveneTest(values ~ ind, data = s.Sheet2)
#d------------
results <- aov(values ~ ind, data = s.Sheet2)
summary(results)
#e---------------
tk <- TukeyHSD(results, conf.level = 0.95)
tk
plot(tk)
tkk <- HSD.test(results, "ind", group = TRUE, console = FALSE)
tkk
```
## setelah itu
## melakukan analisis regresi:
```{r pressure, echo=FALSE}
library(car)
library(lmtest)
library(dplyr)
pengangguran1 <- Sheet1 %>% filter
#summary data
summary(pengangguran1)
#scatter plot
# Konversi variabel "Pendidikan Tertinggi yang Ditamatkan" ke numerik
pengangguran1$Pendidikan_Numeric <- as.numeric(pengangguran1$"Pendidikan Tertinggi yang Ditamatkan")
# Scatter plot dan regresi untuk variabel "bekerja2019"
plot(pengangguran1$"Pendidikan Tertinggi yang Ditamatkan", pengangguran1$bekerja2019)
abline(lm(pengangguran1$bekerja2019 ~ pengangguran1$"Pendidikan Tertinggi yang Ditamatkan"), col = "red")
# Scatter plot dan regresi untuk variabel "pengangguran2019"
plot(pengangguran1$"Pendidikan Tertinggi yang Ditamatkan", pengangguran1$pengangguran2019)
abline(lm(pengangguran1$pengangguran2019 ~ pengangguran1$"Pendidikan Tertinggi yang Ditamatkan"), col = "red")
# Menghitung koefisien korelasi untuk variabel "bekerja2019"
cor_bekerja2019 <- cor(pengangguran1$Pendidikan_Numeric, pengangguran1$bekerja2019)
cat("Koefisien korelasi untuk bekerja2019:", cor_bekerja2019, "\n")
# Menghitung koefisien korelasi untuk variabel "pengangguran2019"
cor_pengangguran2019 <- cor(pengangguran1$Pendidikan_Numeric, pengangguran1$pengangguran2019)
cat("Koefisien korelasi untuk pengangguran2019:", cor_pengangguran2019)
# Mengubah variabel menjadi numerik
pengangguran1$"Pendidikan Tertinggi yang Ditamatkan" <- as.numeric(pengangguran1$"Pendidikan Tertinggi yang Ditamatkan")
pengangguran1$pengangguran2019 <- as.numeric(pengangguran1$pengangguran2019)
# Fit model regresi
fit <- lm(pengangguran1$"Pendidikan Tertinggi yang Ditamatkan" ~ pengangguran1$pengangguran2019, data = pengangguran1)
# Menampilkan summary model
summary(fit)
# f. Fit model regresi
fit <- lm(pengangguran1$"Pendidikan Tertinggi yang Ditamatkan" ~ bekerja2019, data = pengangguran1)
summary(fit)
# g. Cek asumsi
par(mfrow = c(2,2))
plot(fit)
par(mfrow = c(1,1))
# uji otokorelasi
dwtest_result <- lmtest::dwtest(fit)
print(dwtest_result)
# uji homoskedastisitas
bptest_result <- lmtest::bptest(fit)
print(bptest_result)
# uji normalitas
shapiro_test_result <- shapiro.test(fit$residuals)
print(shapiro_test_result)
# h. Prediksi
pengangguran1 <- data.frame(pengangguran1 = c(25000, 50000))
predict_result <- predict(fit, bekerja2019 = pengangguran1, interval = "confidence", conf.level = 0.95)
print(predict_result)
predict_result <- predict(fit, pengangguran2019 = pengangguran1, interval = "prediction", conf.level = 0.95)
print(predict_result)
```
## setelah itu
## melakukan analisis CHi Square:
```{r pressure, echo=FALSE}
# Membaca data dari file Excel
library(readxl)
data <- read_excel("datauas.xlsx", sheet = "Sheet1")
# Membuat tabel silang antara variabel "Pendidikan Tertinggi yang Ditamatkan" dan "Jumlah Pengangguran"
contingency_table <- table(data$`Pendidikan Tertinggi yang Ditamatkan`, data$pengangguran2019)
# Melakukan uji Chi-square
chi_sq_result <- chisq.test(contingency_table)
# Menampilkan hasil uji
print(chi_sq_result)
```