Anda di halaman 1dari 9

UJI ANALISIS VARIAN ( ANOVA ) Untuk membandingkan data hasil penelitian yang diperoleh dari 2 kelompok sampel dapat

dilakukan uji student t test, baik untuk sampel yang berkorelasi maupun independen. Apabila kita memiliki banyak kelompok sampel , sedangkan kita berkeinginan untuk membandingkan data dari seluruh kelompok tersebut tentu kurang efisien bila kita melakukan uji t tersebut karena kita harus melakukan uji t untuk tiap 2 kelompok sampel. Sebagai contoh apabila kita memiliki kelompok sampel A, B dan C maka kita harus melakukan penghitungan dengan uji t antara kelompok A dan B, lalu antara kelompok A dan C serta yang terakhir antara kelompok B dan C. Jadi praktis kita harus melakukan 3 kali uji t. Berdasarkan hal tersebut akhirnya para ahli statistik mencari uji alternatif yang bisa digunakan untuk membandingkan beberapa kelompok sampel dengan satu kali pengujian saja. Uji Anova merupakan alternatif terbaik untuk mengatasi hal tersebut. Uji Anova sering pula disebut uji F. Uji Anova ini merupakan salah satu uji statistik parametrik. Beberapa persyaratan yang harus dipenuhi dalam melakukan uji anova adalah sebagai berikut : 1. Sampel diambil secara acak dari masing-masing populasi. 2. Jika sampel mendapat perlakuan yang berbeda, maka penetapan jenis perlakuan dilakukan dengan cara randomisasi. 3. Populasi-populasi asal sampel mempunyai distribusi normal. 4. Setiap populasi mempunyai varian sama. 5. Data yang diambil dalam skala data ratio atau interval. Ada 2 macam uji anova, yaitu : 1. Uji Anova satu arah (One way anova) 2. Uji Anova dua arah (Two way anova) One Way Anova Anova merupakan singkatan dari "analysis of varian" adalah salah satu uji komparatif yang digunakan untuk menguji perbedaan mean (rata-rata) data lebih dari dua kelompok. Misalnya kita ingin mengetahui apakah ada perbedaan rata-rata IQ antara siswa kelas SLTP kelas I, II, dan kelas III. Ada dua jenis Anova, yaitu analisis varian satu faktor (one way anova) dan analisis varian dua faktor (two ways anova). Untuk melakukan uji Anova, harus dipenuhi beberapa asumsi, yaitu: 1. Sampel berasal dari kelompok yang independen 2. Varian antar kelompok harus homogen 3. Data masing-masing kelompok berdistribusi normal (Pelajari juga tentang uji normalitas) Asumsi yang pertama harus dipenuhi pada saat pengambilan sampel yang dilakukan secara random terhadap beberapa (> 2) kelompok yang independen, yang mana nilai pada satu kelompok tidak tergantung pada nilai di kelompok lain. Sedangkan pemenuhan terhadap asumsi kedua dan ketiga dapat dicek jika data telah dimasukkan ke komputer, jika asumsi ini tidak terpenuhi dapat dilakukan transformasi terhadap data. Apabila proses transformasi tidak juga dapat memenuhi asumsi ini maka uji Anova tidak valid untuk dilakukan, sehingga harus menggunakan uji non-parametrik misalnya Kruskal Wallis.

Prinsip Uji Anova adalah melakukan analisis variabilitas data menjadi dua sumber variasi yaitu variasi di dalam kelompok (within) dan variasi antar kelompok (between). Bila variasi within dan between sama (nilai perbandingan kedua varian mendekati angka satu), maka berarti tidak ada perbedaan efek dari intervensi yang dilakukan, dengan kata lain nilai mean yang dibandingkan tidak ada perbedaan. Sebaliknya bila variasi antar kelompok lebih besar dari variasi didalam kelompok, artinya intervensi tersebut memberikan efek yang berbeda, dengan kata lain nilai mean yang dibandingkan menunjukkan adanya perbedaan. One way anova digunakan untuk menguji hipotesis rata-rata k sampel, bila pada setiap sampel itu hanya terdiri atas satu kategori, sedangkan two way anova digunakan untuk menguji hipotesis rata-rata k sampel, bila setiap sampel terdiri atas lebih dari satu kategori. Tabel Ringkasan One Way Anova Data sampel 1 Two Way Anova Two-Way Anova disebut juga dengan Anova 2 Arah atau Analisis Varian 2 Faktor. ANOVA dua arah membandingkan perbedaan rata-rata antara kelompok yang telah dibagi pada dua variabel independen (disebut faktor). Anda perlu memiliki dua variabel independen berskala data kategorik dan satu variabel terikat berskala data kuantitatif/numerik (interval atau rasio). Data sampel 2 Data sampel 3

Anova merupakan singkatan dari "analysis of varian" adalah salah satu uji komparatif yang digunakan untuk menguji perbedaan mean (rata-rata) data lebih dari dua kelompok. Ada dua jenis Anova, yaitu analisis varian satu faktor (one way anova) dan analisis varian dua faktor (two ways anova). Pada artikel ini hanya akan dibahas analisis varian dua faktor. Untuk melakukan uji Anova, harus dipenuhi beberapa asumsi, yaitu: 1. Sampel berasal dari kelompok yang independen 2. Varian antar kelompok harus homogen 3. Data masing-masing kelompok berdistribusi normal Tabel Ringkasan Two Way Anova Kategori Kategori A Kategori B Kategori C Sampel 1 Sampel 2 Sampel 3

Tabel Ringkasan Uji Anova Sumber Variasi Rata-rata Antar kelompok Dalam kelompok Total dk 1 k1 1)
i

JK JK rata-2 JK antar JK dal JK tot

RJK JK rata-2 / 1 JK antar / k 1 JK dal / i 1) -

Fh

F tabel

Keputusan

RJK antar / RJK dal

Bandingkan F h & F t. Lihat F t= tabel H o ditolak

Langkah perhitungan dalam uji anova : Derajat bebas (dk). dk rata-rata =1 dk antar kelompok =k1 dk dalam kelompok i 1) dk total i 2. Jumlah kuadrat ( JK ) ( Jumlah skor tiap-tiap kelompok ) 2 JK rata-2 = --------------------------------------------Jumlah seluruh subyek 2 i) JK rata-2 = -----------n 1. ) = -------------- - JK rata-2 ni
i i 2 2

JK antar

JK total

JK dalam = JK tot JK rata-2 JK antar 3. Rata-rata jumlah kuadrat ( RJK ). JK rata-2 RJK rata-2 = -------------dk rata-2 JK antar RJK antar = -------------dk antar

RJK dalam

JK dalam = -------------dk dalam

4.

Nilai F hitung ( F h ). RJK antar = ---------------------RJK dalam

F hitung

5.

Nilai F tabel ( F t ). Nilai F tabel dilihat pada tabel F dengan menggunakan dk antar kelompok sebagai dk

yang diinginkan. 6. Pengambilan keputusan. Apabila Kruskal-Wallis Kruskal-Wallis test dikembangkan oleh Kruskal dan Wallis. Uji Kruskal-Wallis adalah uji nonparametrik yang digunakan untuk membandingkan tiga atau lebih kelompok data sampel. Uji Kruskal-Wallis digunakan ketika asumsi ANOVA tidak terpenuhi. ANOVA adalah teknik analisis data statistik yang digunakan ketika kelompok-kelompok variabel bebas lebih dari dua. Pada ANOVA, kita asumsikan bahwa distribusi dari masing-masing kelompok harus terdistribusi secara normal. Dalam uji Kruskal-Wallis, tidak diperlukan asumsi tersebut, sehingga uji Kruskal-Wallis adalah uji distribusi bebas. Jika asumsi normalitas terpenuhi, maka uji Kruskal-Wallis tidak sekuat ANOVA. Penyusunan hipotesis dalam uji Kruskal Wallis adalah sebagai berikut: H0 : sampel berasal dari populasi yang sama (1 = 2 = = k) Ha : sampel berasal dari populasi yang berbeda (i = j) Uji Kruskal Wallis harus memenuhi asumsi berikut ini: - Sampel ditarik dari populasi secara acak - Kasus masing-masing kelompok independen - Skala pengukuran yang digunakan biasanya ordinal - Rumus umum yang digunakan pada uji kruskal wallis adalah :

Statistik uji Kruskal Wallis menggunakan nilai distribusi Chi-kuadrat dengan derajat bebas adalah k-1 dengan jumlah sample harus lebih dari 5. Jika nilai uji Kruskal Wallis lebih kecil daripada nilai chi-kuadrat tabel, maka hipotesis null diterima, berarti sampel berasal dari populasi yang sama, demikian pula sebaliknya. Sebuah perusahaan ingin mengetahui apakah terdapat perbedaan keterlambatan masuk kerja antara pekerja yang rumahnya jauh atau dekat dari lokasi perusahaan. Misalkan jarak rumah dikategorikan dekat ( kurang dari 10 km), sedang (10 15 km) dan jauh ( lebih dari 15 km). Keterlambatan masuk kerja dihitung dalam menit keterlambatan selama sebulan terakhir.

Penelitian dilakukan pada tiga kelompok pekerja dengan sampel acak, dengan masing-masing sampel untuk yang memiliki jarak rumah dekat sebanyak 10 sampel, jarak sedang sebanyak 8 sampel dan jauh sebanyak 7 sampel. Data hasil penelitian dan prosedur untuk mendapatkan statistik uji Kruskal-Wallis diberikan pada tabel berikut:

Kolom (1), (2) dan (3) adalah data pekerja menurut jarak rumah dan menit keterlambatan. Kolom (4), (5) dan (6) adalah rangking dari keterlambatan. Rangking disusun dari nilai keterlambatan terkecil sampai terbesar, tanpa membedakan kelompok jarak rumah pekerja. Selanjutnya lakukan penjumlahan rangking untuk masing-masing kelompok, yang terlihat pada baris Ri. Kemudian, kuadratkan masing-masing jumlah peringkat tersebut. Dari data tersebut, maka dapat dihitung statistik uji Kruskal-Wallis sebagai berikut:

Uji Independent T-Test Uji ini digunakan untuk mengetahui ada atau tidaknya perbedaan rata-rata antara dua kelompok sampel yang tidak berhubungan. Jika ada perbedaan, rata-rata manakah yang lebih tinggi. Data yang digunakan biasanya berskala interval atau rasio. Contoh kasus: Seorang mahasiswa dalam penelitiannya ingin mengetahui apakah ada perbedaan nilai ujian antara kelas A dan kelas B pada fakultas Psikologi suatu universitas. Penelitian dengan menggunakan sampel sebanyak 20 responden yang diambil dari kelas A dan kelas B. Dalam uji ini jumlah kelompok responden yang diambil tidak harus sama, misalnya kelas A sebanyak 8 orang dan kelas B sebanyak 12 orang. Data-data yang didapat sebagai berikut:

Tabel. Tabulasi Data (Data Fiktif) No Nilai Ujian Kelas 1 32 Kelas A 2 35 Kelas A 3 41 Kelas A 4 39 Kelas A 5 45 Kelas A 6 43 Kelas A 7 42 Kelas A 8 47 Kelas A 9 42 Kelas A 10 37 Kelas A 11 35 Kelas B 12 36 Kelas B 13 30 Kelas B 14 28 Kelas B 15 26 Kelas B 16 27 Kelas B 17 32 Kelas B 18 35 Kelas B 19 38 Kelas B 20 41 Kelas B Sebelum dilakukan uji t test sebelumnya dilakukan uji kesamaan varian (homogenitas) dengan F test (Levene,s Test), artinya jika varian sama maka uji t menggunakan Equal Variance Assumed (diasumsikan varian sama) dan jika varian berbeda menggunakan Equal Variance Not Assumed (diasumsikan varian berbeda). Langkah-langkah uji F sebagai berikut: 1. Menentukan Hipotesis Ho : Kedua varian adalah sama (varian kelompok kelas A dan kelas B adalah sama) Ha : Kedua varian adalah berbeda (varian kelompok kelas A dan kelas B adalah berbeda). 2. Kriteria Pengujian (berdasar probabilitas / signifikansi) Ho diterima jika P value > 0,05 Ho ditolak jika P value < 0,05 3. Membandingkan probabilitas / signifikansi Nilai P value (0,613 > 0,05) maka Ho diterima. 4. Kesimpulan Oleh karena nilai probabilitas (signifikansi) dengan equal variance assumed (diasumsikan kedua varian sama) adalah 0,603 lebih besar dari 0,05 maka Ho diterima, jadi dapat disimpulkan bahwa kedua varian sama (varian kelompok kelas A dan kelas B adalah sama). Dengan ini penggunaan uji t menggunakan equal variance assumed (diasumsikan kedua varian sama).

Pengujian independen sample t test Langkah-langkah pengujian sebagai berikut: 1. Menentukan Hipotesis Ho : Tidak ada perbedaan antara rata-rata nilai ujian kelas A dengan rata-rata nilai ujian kelas B Ha : Ada perbedaan antara rata-rata nilai ujian kelas A dengan rata-rata nilai ujian kelas B 2. Menentukan tingkat signifikansi Pengujian menggunakan uji dua sisi dengan tingkat signifikansi = 5%. Tingkat signifikansi dalam hal ini berarti kita mengambil risiko salah dalam mengambil keputusan untuk menolak hipotesis yang benar sebanyak-banyaknya 5% (signifikansi 5% atau 0,05 adalah ukuran standar yang sering digunakan dalam penelitian) 3. Menentukan t hitung Dari tabel di atas didapat nilai t hitung (equal variance assumed) adalah 3,490 4. Menentukan t tabel Tabel distribusi t dicari pada = 5% : 2 = 2,5% (uji 2 sisi) dengan derajat kebebasan (df) n-2 atau 20-2 = 18. Dengan pengujian 2 sisi (signifikansi = 0,025) hasil diperoleh untuk t tabel sebesar 2,101 (Lihat pada lampiran) atau dapat dicari di Ms Excel dengan cara pada cell kosong ketik =tinv(0.05,18) lalu enter. 5. Kriteria Pengujian Ho diterima jika -t tabel < t hitung < t tabel Ho ditolak jika -t hitung < -t tabel atau t hitung > t tabel Berdasar probabilitas: Ho diterima jika P value > 0,05 Ho ditolak jika P value < 0,05 6. Membandingkan t hitung dengan t tabel dan probabilitas Nilai t hitung > t tabel (3,490 > 2,101) dan P value (0,003 < 0,05) maka Ho ditolak. 7. Kesimpulan Oleh karena nilai t hitung > t tabel (3,490 > 2,101) dan P value (0,003 < 0,05) maka Ho ditolak, artinya bahwa ada perbedaan antara rata-rata nilai ujian kelas A dengan rata-rata nilai ujian kelas B. Pada tabel Group Statistics terlihat rata-rata (mean) untuk kelas A adalah 40,30 dan untuk kelas B adalah 32,80, artinya bahwa rata-rata nilai ujian kelas A lebih tinggi daripada rata-rata nilai ujian kelas B. Nilai t hitung positif, berarti rata-rata group1 (kelas A) lebih tinggi daripada group2 (kelas B) dan sebaliknya jika t hitung negatif berarti rata-rata group1 (kelas A) lebih rendah dari pada rata-rata group2 (kelas B) Perbedaan rata-rata (mean diference) sebesar 7,50 (40,30-32,80), dan perbedaan berkisar antara 2,98 sampai 12,02 (lihat pada lower dan upper).

Paired T-Test Uji ini digunakan untuk mengetahui ada atau tidaknya perbedaan rata-rata antara dua kelompok sampel yang berpasangan (berhubungan). Maksudnya disini adalah sebuah sampel tetapi mengalami dua perlakuan yang berbeda. Data yang digunakan biasanya berskala interval atau rasio. Contoh kasus: Seorang mahasiswa dalam penelitiannya ingin mengetahui apakah ada perbedaan rata-rata nilai ulangan matematika antara sebelum diadakan les matematika dengan sesudah diadakan les matematika pada SMP N 1 Yogyakarta. Penelitian dengan menggunakan sampel sebanyak 10 responden. Data-data yang didapat sebagai berikut: Tabel. Tabulasi Data (Data Fiktif)
No 1 2 3 4 5 6 7 8 9 10 Sebelum Les 6.34 6.58 5.38 5.60 6.68 7.42 7.20 6.24 5.78 5.47 Sesudah Les 6.24 6.38 6.45 7.50 6.25 5.27 5.86 5.90 6.47 6.98

Langkah-langkah pengujian sebagai berikut: 1. Menentukan Hipotesis Ho : Tidak ada perbedaan antara rata-rata nilai ulangan matematika sebelum les dengan rata-rata nilai ulangan sesudah les Ha : Ada perbedaan antara rata-rata nilai ulangan matematika sebelum les dengan rata-rata nilai ulangan sesudah les 2. Menentukan tingkat signifikansi Pengujian menggunakan uji dua sisi dengan tingkat signifikansi = 5%. Tingkat signifikansi dalam hal ini berarti kita mengambil risiko salah dalam mengambil keputusan untuk menolak hipotesis yang benar sebanyak-banyaknya 5% (signifikansi 5% atau 0,05 adalah ukuran standar yang sering digunakan dalam penelitian) 3. Menentukan t hitung Dari tabel di atas didapat nilai t hitung adalah -0,153 4. Menentukan t tabel Tabel distribusi t dicari pada = 5% : 2 = 2,5% (uji 2 sisi) dengan derajat kebebasan (df) n-1 atau 10-1 = 9. Dengan pengujian 2 sisi (signifikansi = 0,025) hasil diperoleh untuk t tabel sebesar 2,262 (Lihat pada lampiran) atau dapat dicari di Ms Excel dengan cara pada cell kosong ketik =tinv(0.05,9) lalu enter. 5. Kriteria Pengujian Ho diterima jika -t tabel t hitung t tabel Ho ditolak jika -t hitung < -t tabel atau t hitung > t tabel Berdasar probabilitas: Ho diterima jika P value > 0,05 ,Ho ditolak jika P value < 0,05

6. Membandingkan t hitung dengan t tabel dan probabilitas Nilai -t hitung > -t tabel (-0,153 > -2,262) dan P value (0,882 > 0,05) maka Ho diterima. 7. Kesimpulan Oleh karena nilai -t hitung > -t tabel (-0,153 > -2,262) dan P value (0,882 > 0,05) maka Ho diterima, artinya bahwa tidak ada perbedaan antara rata-rata nilai ulangan matematika sebelum les dengan rata-rata nilai ulangan sesudah les. Sebagai catatan: Jika hasil ada perbedaan, maka kemudian dilihat rata-rata mana yang lebih tinggi dengan melihat nilai Mean pada Paired Samples Statistik, atau pada t hitung, t hitung positif berarti rata-rata sebelum les lebih tinggi daripada sesudah les dan sebaliknya t hitung negatif berarti rata-rata sebelum les lebih rendah daripada sesudah les.

Nama : Della Ardyana NIM : J300110011 Jurusan: Gizi D3/2011

Beri Nilai