Anda di halaman 1dari 7

ASUMSI-ASUMSI DASAR ANALISIS RAGAM

ASUMSI-ASUMSI DASAR ANALISIS RAGAM Kebiasaan yang sering dilakukan dalam pengolahan data hasil pengamatan adalah mengolah
ASUMSI-ASUMSI DASAR ANALISIS RAGAM Kebiasaan yang sering dilakukan dalam pengolahan data hasil pengamatan adalah mengolah

Kebiasaan yang sering dilakukan dalam pengolahan data hasil pengamatan adalah mengolah data tersebut tanpa memperhatikan asumsi-asumsi dasar, padahal mungkin saja data yang dianalisis tersebut tidak layak untuk dilakukan analisis ragam. Oleh karena itu, sebelum kita melakukan analisis ragam, terlebih dahulu kita harus menguji apakah data tersebut layak atau tidak. Apabila asumsi-asumsi dasar dipenuhi, maka data tersebut layak untuk dianalisis. Sebaliknya, apabila data tersebut tidak memenuhi asumsi dasar, terlebih dahulu kita harus mentransformasi data sehingga memenuhi asumsi dasar analisis ragam.

Bagaimana apabila kita menganalisis data yang sebenarnya tidak memenuhi asumsi analisis ragam? Apabila hal itu terjadi, maka kesimpulan yang diambil tidak akan menggambarkan keadaan yang sebenarnya. Terdapat beberapa konsekuensi apabila asumsi dasar tersebut dilanggar, diantaranya:

1. Keragaman menjadi lebih heterogen.

2. Berpengaruh pada kepekaan hasil pengujian analisis ragam di mana :

a.

Hasil analisis ragam yang anda lakukan terhadap data sebelum diuji kelayakannya menunjukkan pengaruh yang sangat nyata, tetapi setelah asumsi dipenuhi hasil analisis ragam menunjukkan pengaruh yang nyata saja. Sebaliknya semula menunjukkan berpengaruh nyata, tetapi setelah asumsi dipenuhi hasil analisis ragam menunjukkan pengaruh yang sangat nyata.

hasil analisis ragam menunjukkan pengaruh yang sangat nyata. b. Hasil analisis ragam yang anda lakukan terhadap
b.
b.

Hasil analisis ragam yang anda lakukan terhadap data sebelum diuji kelayakannya menunjukkan berpengaruh nyata, tetapi setelah asumsi dipenuhi hasil analisis ragam menunjukkan pengaruh tidak nyata. Sebaliknya semula menunjukkan tidak berpengaruh nyata tetapi setelah asumsi dipenuhi hasil analisis ragam menunjukkan pengaruh nyata atau sangat nyata.

Dengan demikian, sebelum melakukan analisis ragam, terlebih dahulu kita harus memeriksa apakah data tersebut sudah memenuhi asumsi dasar analisis ragam atau belum.

sudah memenuhi asumsi dasar analisis ragam atau belum. Terdapat empat asumsi dasar dari model tersebut yang

Terdapat empat asumsi dasar dari model tersebut yang harus dipenuhi sebelum data tersebut bisa dianalisis ragam yaitu:

27. Pengaruh dari faktor perlakuan (τ i ) bersifat Aditif,

28. Galat percobaan dan Data pengamatan dalam setiap perlakuan/kelompok berdistribusi Normal.

29. Kehomogenan Ragam, dan

30. Kebebasan Galat.

dan Data pengamatan dalam setiap perlakuan/kelompok berdistribusi Normal. 29. Kehomogenan Ragam, dan 30. Kebebasan Galat.

Pengaruh Aditif

Pengaruh dari faktor perlakuan dan lingkungan bersifat aditif, maksudnya tinggi rendahnya respons semata-mata akibat dari pengaruh penambahan perlakuan dan atau kelompok.

Perhatikan model linier untuk RAL:

Y ij = μ + τ i +

dan model linier untuk RAK:

Yij = μ+ τi + βj + εij.

Pada model linier di atas, perlakuan (τ i ) dan galat (ε ij ) bersifat aditif, dengan kata lain pengaruh penambahan yang berasal dari perlakuan bersifat konstan untuk setiap ulangan dan pengaruh ulangan bersifat konstan untuk setiap perlakuan. Nilai Respons (Y ij ) merupakan nilai rata-rata umum ditambah dengan penambahan dari perlakuan dan galat.

umum ditambah dengan penambahan dari perlakuan dan galat. ε i j . Selisih Pengaruh ulangan β

ε ij .

Selisih Pengaruh ulangan β 1 = +2 1 1
Selisih Pengaruh ulangan
β 1 = +2
1
1

Agar lebih mudah memahami, perhatikan ilustrasi berikut: Misalkan nilai rata-rata umum (μ) = 8 dan pengaruh penambahan dari masing-masing perlakuan (τi) serta pengaruh penambahan dari masing- masing ulangan/kelompok (βj) seperti terlihat pada tabel berikut. Untuk mempermudah pemisalan, anggap nilai εij = 0, sehingga nilai respons Yij = μ+ τi + βj + εij bisa dihitung.

Faktor A Faktor B (Ulangan/Kelompok) β 1 = +1 τ 1 = +1 (8+1+1) =
Faktor A
Faktor B
(Ulangan/Kelompok)
β 1 = +1
τ 1 = +1
(8+1+1) = 10
(8+1+2) = 11
τ 2 = +3
(8+3+1) = 12
(8+3+2) = 13
Selisih Pengaruh Perlakuan
2
2
Faktor A
β 1 = +1
Ulangan
β 1 = +2
Selisih ulangan
τ 1 = +1
(8x1x1) = 9
(8x1x2) = 10
1
τ 2 = +3
(8x3x1) = 11
(8x3x2) = 14
3
Selisih Perlakuan
2
4
= +3 (8x3x1) = 11 (8x3x2) = 14 3 Selisih Perlakuan 2 4 Pada tabel di

Pada tabel di atas anda perhatikan terlihat bahwa pengaruh perlakuan konstan pada setiap ulangan dan pengaruh ulangan (atau pengaruh kelompok bila anda menggunakan kelompok) selalu konstan pada semua perlakuan. Bila ini yang terjadi, maka data tersebut adalah bersifat aditif. Namun, apabila pengaruh tersebut tidak bersifat aditif, melainkan multiplikatif, maka data reponsnya akan tampak seperti pada tabel berikut.

Perhatikan, selisih baik dari pengaruh penambahan perlakuan ataupun kelompok tidak lagi bersifat konstan! Apabila ada pengaruh penambahan dari faktor lain diluar percobaan kita, maka pengaruh dari faktor yang kita cobakan sudah tidak bersifat aditif lagi, melainkan multiplikatif.

Lebih jelasnya, perhatikan perbandingan antara pengaruh aditif dan multiplikatif untuk rancangan acak kelompok berikut ini.

jelasnya, perhatikan perbandingan antara pengaruh aditif dan multiplikatif untuk rancangan acak kelompok berikut ini.

Tabel 46. Perbandingan antara pengaruh aditif dan multiplikatif

Faktor B τ 1 = +1 Faktor A τ 2 = +2 τ 3 =
Faktor B
τ 1 = +1
Faktor A
τ 2 = +2
τ 3 = +3
2
3
4
Pengaruh aditif
β 1 = +1
1
2
3
Pengaruh multiplikatif
0
0.30
0.48
Pengaruh multiplikatif (log)
6
7
8
Pengaruh aditif
β 2 = +5
5
10
15
Pengaruh multiplikatif
0.70
1.00
1.18
Pengaruh multiplikatif (log)
Penyebab
Hubungan dengan kehomogenan ragam

Ada pengaruh dari faktor lain diluar faktor yang kita cobakan, misalnya pengaruh dari efek sisa penelitian sebelumnya.

Biasanya apabila data bersifat aditif, maka data tersebut mempunyai ragam yang homogen. Sebaliknya apabila data bersifat tidak aditif, maka data tersebut mempunyai ragam yang heterogen. Artinya data yang tidak memenuhi pengaruh aditif akan memiliki keragaman galat yang besar. Untuk melihat ragam galat dari percobaan, anda bisa perhatikan kuadrat tengah (KT) galat pada tabel analisis ragam anda. Semakin besar KT galat anda, maka akan mengindikasikan semakin besar keragaman pada percobaan anda.

Pengaruh perlakuan dan kelompok dikatakan aditif apabila pengaruh perlakuan selalu tetap pada setiap ulangan atau kelompok dan pengaruh ulangan atau kelompok selalu tetap untuk semua perlakuan.

ulangan atau kelompok selalu tetap untuk semua perlakuan. Uji Ketakaditifan: Model linier RAK: Y ij =
ulangan atau kelompok selalu tetap untuk semua perlakuan. Uji Ketakaditifan: Model linier RAK: Y ij =

Uji Ketakaditifan:

Model linier RAK: Yij = μ+ τi + βj + εij. Nilai galat, ε ij disumsikan bersifat independent, homogen, dan berdistribusi normal. Model bersifat aditif apabila interaksi antara perlakuan dan kelompok (τi * βj) tidak signifikan. Apabila terdapat interaksi, maka uji-F tidak lagi efisien dan ada kemungkinan terjadinya penarikan kesimpulan yang salah karena pengaruh dari kedua faktor tidak lagi bersifat aditif melainkan multiplikatif.

Uji untuk menguji apakah model bersifat aditif atau tidak adalah dengan menggunakan metode Tukey.

aditif atau tidak adalah dengan menggunakan metode Tukey. SS (ketidakaditivan) = ( τ i β j
aditif atau tidak adalah dengan menggunakan metode Tukey. SS (ketidakaditivan) = ( τ i β j
aditif atau tidak adalah dengan menggunakan metode Tukey. SS (ketidakaditivan) = ( τ i β j
aditif atau tidak adalah dengan menggunakan metode Tukey. SS (ketidakaditivan) = ( τ i β j

SS (ketidakaditivan) = ( τ i β j y ij ) 2 / ( τ i 2 )( β j 2 )

SS (ketidakaditivan) = Q2 / Cross Product, dimana :

Q 2

Cross Product

)( y y y ) . j 2 ) y ( y . j
)(
y
y
y
)
.
j
2
)
y
(
y
. j

i j

db = 1

y

ij

]

2

y
y

)

2

= Q2 / Cross Product, dimana : Q 2 Cross Product )( y y y )

Solusi:

Transformasi Log X

Kenormalan

Maksud kenormalan di sini adalah data percobaan harus menyebar secara normal. Artinya data yang tidak menyebar secara normal tidak layak untuk dianalisis ragam. Untuk menjadi layak dianalisis ragam, data tersebut harus ditransformasi dulu sehingga data akan menyebar secara normal.

dulu sehingga data akan menyebar secara normal. Penyebab Hal yang paling merusak asumsi kenormalan ini

Penyebab

Hal yang paling merusak asumsi kenormalan ini adalah apabila anda melakukan pengacakan (randomization) yang tidak sesuai dengan prinsip pengacakan suatu rancangan percobaan. Hal ini memungkinkan data akan menyebar secara tidak normal.

Hal lain yang bisa menyebabkan data tidak menyebar secara normal adalah apabila anda melibatkan tanaman pinggir pada suatu petakan untuk diambil data pengamatannya. Tanaman yang ada paling pinggir pada petakan akan memberikan respons yang berbeda terhadap perlakuan yang anda berikan dibandingkan tanaman yang ada di tengah petakan.

Nah, untuk menghindari terjadinya data yang tidak menyebar secara normal, lakukanlah pengacakan (randomization) yang sesuai dengan prinsip pengacakan suatu rancangan percobaan dan jangan melibatkan tanaman pinggir dalam pengamatan.

Konsekuensi

melibatkan tanaman pinggir dalam pengamatan. Konsekuensi Hubungan dengan kehomogenan ragam Konsekuensi akibat data

Hubungan dengan kehomogenan ragam

pengamatan. Konsekuensi Hubungan dengan kehomogenan ragam Konsekuensi akibat data yang tidak menyebar normal adalah

Konsekuensi akibat data yang tidak menyebar normal adalah akan menyebabkan keputusan yang di bawah dugaan (under estimate) atau diatas dugan (over estimate) terhadap taraf nyata percobaan yang sudah ditentukan.

Sebenarnya ada hubungan simultan antara data yang menyebar secara normal dan data yang mempunyai ragam homogen. Data yang ragamnya homogen akan menyebar secara normal, tetapi data yang menyebar secara normal tidak selalu mempunyai ragam yang homogen.

secara normal tidak selalu mempunyai ragam yang homogen. Uji Kenormalan: 1. Uji kenormalan harus dilaksanakan pada

Uji Kenormalan:

1. Uji kenormalan harus dilaksanakan pada masing-masing kombinasi perlakuan (cell by cell basis)

2. Box plot dari data pengamatan atau residual seharusnya tidak simetris (Side-by-side boxplots and histograms)

3. Koefisien kemiringan (skewness) and kurtosis

4. Plot grup Rata-rata perlakuan vs. residual

5. Plot Rata-rata vs Varians seharusnya tidak menunjukkan adanya korelasi

6. Formal Test: Shapiro-Wilk test; Kolmogorov-Smirnov test

vs Varians seharusnya tidak menunjukkan adanya korelasi 6. Formal Test : Shapiro-Wilk test ; Kolmogorov-Smirnov test

7.

Harus diingat bahwa dalam asumsi analisis ragam (syarat kecupan model), uji kenormalan merupakan hal yang tidak terlalu penting dibandingkan dengan uji lainnya.

a. Ukuran contoh yang besar dan jumlah contoh yang seimbang.

b. Sepanjang seluruh sampel data mempunyai distribusi yang hampir sam(dan jumlah sampel sama atau hampir sama) dan tidak terlalu penyimpangan yang ekstrim, tidak diperlukan pengujian kenormalan.

Untuk menguji apakah data percobaan anda menyebar normal atau tidak dapat dilakukan uji kenormalan dengan uji Khi-Kuadrat.

tidak dapat dilakukan uji kenormalan dengan uji Khi-Kuadrat. Solusi: 1. Usahakan pengulangan sama untuk setiap perlakuan

Solusi:

1. Usahakan pengulangan sama untuk setiap perlakuan karena ukuran sampel yang seragam sangat handal terhadap ketidaknormalan.

2. Transformasi data

Kehomogenan Ragam

Ragam galat dan ragam data pengamatan dalam grup yang sama seharusnya seragamketidaknormalan. 2. Transformasi data Kehomogenan Ragam Dampak ketidakhomogenan ragam lebih serius dibandingkan

Dampak ketidakhomogenan ragam lebih serius dibandingkan dengan ketidaknormalan data karena dapat mempengaruhi Uji-F. Hal ini akan meningkatkan kesalahan tipe I (tampak seperti ada pengaruh dari perlakuan padahal sebenarnya tidak ada)data pengamatan dalam grup yang sama seharusnya seragam Box plot data pengamatan seharusnya tersebar merata diantara

Box plot data pengamatan seharusnya tersebar merata diantara kelompok perlakuan (among grup)ada pengaruh dari perlakuan padahal sebenarnya tidak ada) Sebaran residual harusnya mirip pada saat diplotkan dengan

Sebaran residual harusnya mirip pada saat diplotkan dengan nilai rata-ratanyatersebar merata diantara kelompok perlakuan (among grup) Ragam yang heterogen merupakan penyimpangan asumsi dasar

harusnya mirip pada saat diplotkan dengan nilai rata-ratanya Ragam yang heterogen merupakan penyimpangan asumsi dasar
harusnya mirip pada saat diplotkan dengan nilai rata-ratanya Ragam yang heterogen merupakan penyimpangan asumsi dasar

Ragam yang heterogen merupakan penyimpangan asumsi dasar pada analisis ragam. Data yang seperti ini tidak layak untuk dianalisis ragam. Artinya untuk bisa dianalisis ragam, data harus mempunyai ragam yang homogen.

Penyebab:

Konsekuensi

Konsekuensi tidak terpenuhinya asumsi kehomogenan ragam adalah berpengaruh pada kepekaan hasil pengujian analisis ragam di mana :

pada kepekaan hasil pengujian analisis ragam di mana : Hasil analisis ragam yang anda lakukan terhadap

Hasil analisis ragam yang anda lakukan terhadap data sebelum diuji kelayakannya menunjukkan pengaruh yang sangat nyata, tetapi setelah asumsi dipenuhi hasil analisis ragam menunjukkan pengaruh yang nyata saja. Sebaliknya semula menunjukkan berpengaruh nyata, tetapi setelah asumsi dipenuhi hasil analisis ragam menunjukkan pengaruh yang sangat nyata.pada kepekaan hasil pengujian analisis ragam di mana : Hasil analisis ragam yang anda lakukan terhadap

Hasil analisis ragam yang anda lakukan terhadap data sebelum diuji kelayakannya menunjukkan berpengaruh nyata, tetapi setelah asumsi dipenuhi hasil analisis ragam menunjukkan pengaruh tidak nyata. Sebaliknya semula menunjukkan tidak berpengaruh nyata tetapi setelah asumsi dipenuhi hasil analisis ragam menunjukkan pengaruh nyata atau sangat nyata.menunjukkan berpengaruh nyata, tetapi setelah asumsi dipenuhi hasil analisis ragam menunjukkan pengaruh yang sangat nyata.

tidak berpengaruh nyata tetapi setelah asumsi dipenuhi hasil analisis ragam menunjukkan pengaruh nyata atau sangat nyata.

Nah, inilah yang saya maksud dengan kesimpulan yang salah dan akan menyesatkan anda sendiri maupun peneliti lainnya apabila anda melakukan pengujian tanpa terlebih dahulu memeriksa apakah data anda memenuhi asumsi kehomogenan ragam atau tidak.

Uji kehomogenan ragam

Terdapat beberapa alternatif untuk menguji apakah data percobaan anda memenuhi asumsi kehomogenen ragam atau tidak.

1. Grafik:

memenuhi asumsi kehomogenen ragam atau tidak. 1. Grafik: a. Side-by-side boxplots. b. Variance/Standard Deviation/IQR

a. Side-by-side boxplots.

b. Variance/Standard Deviation/IQR statistics

2.

Harus diperhatikan bahwa di antara uji Formal tersebut ada yang sensitif terhadap kenormalan data. Dengan kata lain, apabila data tidak menyebar normal, maka uji kehomogenan ragam tersebut tidak bisa diandalkan.

Formal test: Bartlett, Hartley, Cochran, Levene

Solusi:

1.

Transformasi data

2.

Fitting other models

Kebebasan Galat

1. Setiap percobaan atau satuan contoh harus saling bebas

a. b. c.
a.
b.
c.

2. Tidak bebas:

satuan contoh harus saling bebas a. b. c. 2. Tidak bebas: Terdapat korelasi positif diantara ulangan

Terdapat korelasi positif diantara ulangan dalam masing-masing kelompok perlakuan (within group) yang akan meningkatkan nilai kesalahan tipe I (nilai α - pengaruh perlakuan yang terdeteksi tidak benar)

Terdapat korelasi negatif diantara ulangan dalam masing-masing kelompok perlakuan

(within group) yang akan meningkatkan nilai kesalahan tipe II (nilai β – pengaruh yang sebenarnya tidak terdeteksi)

Respons pada salah satu perlakuan mempengaruhi respons pada perlakuan lainnya, misalnya hewan yang bergerak ke perlakuan lainnya.

3. Dipertimbangkan pada saat perancangan sebelum percobaan dimulai.

pada saat perancangan sebelum percobaan dimulai. Asumsi kebebasan galat ini biasanya bisa terpenuhi apabila

Asumsi kebebasan galat ini biasanya bisa terpenuhi apabila anda sudah melakukan pengacakan dengan prinsip-prinsip perancangan percobaan terhadap satuan percobaan anda. Jadi apabila susunan satuan percobaan anda tersusun secara sistematis, maka kemungkinan asumsi kebebasan galat akan dilanggar.

Dari keempat asumsi di atas, asumsi yang paling umum dilanggar adalah asumsi kehomogenan ragam. Apabila asumsi kehomogenan ragam terpenuhi, biasanya asumsi kenormalan juga terpenuhi. Tetapi apabila data percobaan telah memenuhi asumsi kenormalan tidak selalu menunjukkan bahwa data tersebut mempunyai ragam yang homogen.

data percobaan telah memenuhi asumsi kenormalan tidak selalu menunjukkan bahwa data tersebut mempunyai ragam yang homogen.

Jadi kesimpulannya, apabila data pengamatan anda melanggar salah satu dari empat asumsi di atas, maka anda harus melakukan transformasi data untuk memenuhi asumsi tersebut.

salah satu dari empat asumsi di atas, maka anda harus melakukan transformasi data untuk memenuhi asumsi
salah satu dari empat asumsi di atas, maka anda harus melakukan transformasi data untuk memenuhi asumsi