Materi ANOVA-1 PDF

Hipotesis multisampel
Homogeneity of Variance(Barlett’s test)

1. Hipotesis
H o : σ12  σ 22  ...  σ 2k k  number treatment
H1 : k population variance heterogene ous
2. Taraf Nyata (α)  
 
1  k 1 1 
3. Statistik Uji : B 
B C  1 
3(k  1)  i 1 vi
 k 
h itu n g
C 


i 1
vi 

 k  k
B  2.30259[(log s )  vi    vi log si2 ]
2
SS i  Yi  Yi  / ni
p
atau
 i 1  i 1 2 2
 k
 k
vi  ni  1 and ni is the size of sample i
B  (ln s 2p )  vi    vi ln si2 k k
 i 1  i 1 s   SS i /  vi
2
p
i 1 i 1
4. Wilayah penolakan : tolak Ho jika Bhitung    ,k 12

Example
Nineteen pigs were divided into four groups, and each group
was given a different feed. The data are weights, in pounds,
and we wish to test whether the variance of weights is the
same for pigs on all four feed
Feed 1 Feed 2 Feed 3 Feed 4
133.8 151.2 225.8 193.4
125.3 149.0 224.6 185.3
143.1 162.7 220.4 182.8
128.9 145.8 212.3 188.5
135.7 153.5 198.6
Feed 1 Feed 2 Feed 3 Feed 4
133.8 151.2 225.8 193.4
125.3 149.0 224.6 185.3
143.1 162.7 220.4 182.8
128.9 145.8 212.3 188.5
135.7 153.5 198.6 total
SSi 331,072 163,852 111,8475 161,308 768,0795
vi 4 4 3 4 15
si2 82,768 40,963 37,2825 40,327 201,3405
Log si2 1,917862 1,612392 1,571505 1,605596 6,707355
Vi log si2 7,67145 6,449567 4,714515 6,422384 25,25792
1/vi 0.250 0.250 0.333 0.250 1.083
ln( si2) 4,416042 3,712669 3,618524 3,697021 15,44426
Vi( ln( si2)) 17,66417 14,85068 10,85557 14,78808 58,1585
sp 2 51.2
log(sp2) 1,079
ln(sp2) 3,93
B  2.30259[(log s 2p )( vi )   vi log si2 ]
B  2.30259[(1.079)(15)  25.2579]
 0.8791
1 1 1
C  1 (  )
3(k  1) vi  vi
1 1
 1 (1.083  )
3(3) 15
 1.113
B 0.8791 Keputusan :
Bc    0.7891 Ho diterima Gagal menolak Ho
C 1.113
 02.05,3  7.815 Kesimpulan :
homogen (variansi populasinya seragam
/ sama
Contoh Output SPSS
Sig. = 0,898
Artinya Sig. > α dan dengan demikian tolak Ho serta
menunjukkan bahwa data kasus di atas telah bersifat
homogen datanya
Analysis of Variance
(Rancangan Percobaan)
Beberapa Istilah dalam Rancangan Percobaan
Perlakuan : suatu prosedur atau metode yang

diterapkan pada unit percobaan.
Unit percobaan : unit terkecil dalam suatu
percobaan yang diberi suatu perlakuan.
Satuan Pengamatan : anak gugus dari unit
percoban, tempat dimana respon perlakuan
diukur.
Faktor : peubah bebas yang dicobakan dalam
percobaan sebagai penyusun struktur perlakuan.
Level : jenis-jenis suatu faktor yang dicobakan
dalam percobaan.
(Rancangan Percobaan)
1. Rancangan perlakuan berkaitan dengan

bagaimana perlkuan-perlakuan tersebut di
bentuk.
2. Rancangan Lingkungan berkaitan dengan
bagaimana perlakuan di temptkan pada unit-
unit percobaan.
3. Rancangan Pengukuran berkaitan dengan
bagaimana respons percobaan di ambil dari unit
percobaan yang diteliti.
Jenis-jenis
Rancangan Perlakuan
Anova 1 arah (1 faktor)
Anova 2 arah (2 faktor)
 Split-split Plot
 Split-split Blok
Anova 3 arah atau lebih

 Faktorial
 Split-split Plot
 Split-split Blok
Jenis-jenis
Rancangan Lingkungan
 Randomized Complete Design (One Way
ANOVA / anova 1 arah (1 faktor))
Randomized Complete Blocks Design
Two Way ANOVA with replication (Anova 2
arah (2 faktor dengan pengulangan))
Latin Square Design
Model Tetap & Model Acak
1. Model Tetap,merupakan model dimana
perlakuan-perlakuan yang digunakan dalam
prcobaan berasal dari populasi yang terbatas dan
pemilihan perlakuan ditentukan langsung oleh
peneliti dan kesimpulan yang diperoleh terbatas
hanya pada perlakuan-perlakuan yang dicobakan
saja tidak dapat digeneralisasikan.
2. Model Acak, merupakan model dimana
perlakuan-perlakuan yang dicobakan merupakan
sampel acak dari populasi perlakuan dan
kesimpulan yang diperoleh berlaku secara umum
untuk seluruh populasi perlakuan.
Rancangan Acak Lengkap
(Randomized Complete Design)
{One Way ANOVA}
Latar Belakang
• Biasanya digunakan jika kondisi unit
percobaan relatif homogen.
• Umumnya percobaan dilakukan di
laboratorium
• Unit percobaan tidak cukup besar dan jumlah
perlakuan terbatas
• sederhana
Perhatikan kasus berikut!
• Ingin melihat pengaruh pemberian jenis ransum
pada pertumbuhan sapi
• Ingin melihat pengaruh pemberian dosis pupuk
terhadap peningkatan produksi padi
• Ingin membandingkan pengaruh jenis media
pembelajaran yang digunakan dosen terhadap
nilai UAS mahasiswa
Bagan Rancangan Acak Lengkap
(Randomized Complete Design)
Independent samples are drawn from k populations (treatments).

1 2 k
First observation, X11 X12 X1k
first sample x21 x22 x2k
. . .
. . .
Second observation, . . .
second sample Xn1,1 Xn2,2 Xnk,k
n1
n2 nk
x1
x2 xk
Sample size
Sample mean
X is the “response variable”.

The variables’ value are called “responses”.
Analisis {Randomized Complete Design}
 Hipotesis
Ho :µ1= µ2= µ3 =.......= µk (semua perlakuan memberikan respon
yang sama /tidak ada perbedaan)
H1 :Minimal ada 1 perlakuan memberikan respon yang
berbeda
 Taraf nyata (α)
 Statistik Uji
MST
Fhitung 
MSE
 Wilayah Penolakan : Ho ditolak jika
Fhitung  F ( k 1, N k )
atau Sig .  0,05
Tabel ANOVA (RAL)
Source db SS MS Fhiitung
Treatment k-1 SST MST MST/MSE
Error N-k SSE MSE
Total N-1 SSTotal
 
2
k SSE
SST   n j x j  x MSE 
N k
 
2
jk1 ni
SSE   xij  x j
j 1 i 1 SST
MST 
 (n1  1) s12  (n2  1) s 22  .....  (nk  1) s k2 k 1
SSTotal  SST  SSE
 Wilayah Penolakan : Ho ditolak jika Fhitung  F ( k 1, N k ) atau

Sig .  
Contoh Rancangan Acak Lengkap (One Way ANOVA)
Suatu penelitian telah dilakukan untuk mengetahui pengaruh persentase kandungan
paracetamol dalam obat penurun panas terhadap waktu yang diperlukan untuk
menurunkan panas dari 39o menjadi 37o. Untuk keperluan ini telah dipilih secara
acak 25 penderita sait panas dengan suhu 39o dari usia yang hampir sama dan anpa
keluhan sakit yang lain. Keduapuluh lima pasien tersebut dibagi secara acak menjadi
5 kelompok dan masing-masing kelompok yang terdiri dari 5 orang tersebut diberi
obat penurun panas dengan persentase kandungan paracetamol tertentu. Berikut
data tentang waktu (dalam jam) yang diperlukan oleh para pasien tersebut sampai
dengan panas badan mereka turun menjadi 37o
Apakah ada pengaruh prosentase

KADAR PARACETAMOL kandungan paracetamol dalam obat
40% 50% 60% 75% 90% penurun panas terhadap waktu yang
diperlukan untuk menurunkan panas
7 9 5 3 2 dari 39o menjadi 37o. Gunakan taraf
6 7 4 5 3 nyata 0,05!
9 8 8 2 4
4 6 6 3 1
7 9 3 7 4
Analisis
 Hipotesis
Ho :µ1= µ2= µ3 = µ4= µ5 (tidak ada perbedaan pada prosentase
kandungan paracetamol dalam penurun panas)
H1 :Minimal ada 1 prosentase kandungan paracetamol yang
memberikan respon yang berbeda
 Taraf nyata (α)=0,05
 Statistik Uji
MST
Fhitung  
MSE
 Wilayah Penolakan : Ho ditolak jika
Fhitung  F0,05( 4, 20) atau Sig.  0,05
F0,054, 20  .....

Perhatikan!!
KADAR PARACETAMOL
40% 50% 60% 75% 90%
x  5,28
7 9 5 3 2
6 7 4 5 3
9 8 8 2 4
4 6 6 3 1
7 9 3 7 4
x j
6,6 7,8 5,2 4 2,8
 
k 2
SST   n j x j  x
j 1
 2

SST  n1 x1  x  n2 x 2  x  ...  n j x j  x 
2
 
2
 56,6  5,28  57,8  5,28  ...  52,8  5,28

2 2 2
 ..................
Perhatikan!!
KADAR PARACETAMOL
40% 50% 60% 75% 90%
x  5,28
7 9 5 3 2
6 7 4 5 3
9 8 8 2 4
4 6 6 3 1
7 9 3 7 4
x j 6,6 7,8 5,2 4 2,8
s 2j 3,3 1,7 3,7 4 1,7
 
k ni 2
SSE   xij  x j
j 1 i 1
 (n1  1) s12  (n2  1) s 22  .....  (nk  1) s 2j

 (5  1)(3,3)  (5  1)(1,7)  ...  (5  1)(1,7)
 .............
Tabel ANOVA (RAL)
Paracetamol k-1=5-1=4 79,44 ..... .....
Error N-k=25-5=20 57,6 .....
Total N-1=25-1=24 137,04
SSTotal  SST  SSE

 79,44  57,6  ...........
SSE 57,6
MSE    ....
N k 20
SST 79,44
MST    ...............
k 1 4
Analisis {Randomized Complete Blok Design }
 Kesimpulan dan Keputusan
Ho ditolak artinya pada taraf nyata 0,05

menunjukkan bahwa ada perbedaan pada faktor
kadar paracetamol ( minimal ada 1 kadar
paracetamol yang berbeda)
“”Untuk mengetahui kadar

paracetamol mana yang paling
berbeda perlu dilakukan uji lanjut (uji
multi ple comparison (di akhir slide
ini)””
Contoh Output SPSS
ANOVA
Source of
Variation SS df MS F P-value F crit
Between Groups 79,44 4 19,86 6,895833 0,00117 2,866081
Within Groups 57,6 20 2,88
Total 137,04 24
Terlihat bahwa
P-value < 0,05 (alpha) yaitu
0,00117 maka tolak Ho F(tabeL)
Randomized Complete Block Design
(Rancangan Acak Kelompok Lengkap)
A1 A2 A3 A1 A2 A3
X11 X12 X13 B1 X11 X12 X13
X21 X22 X23 B2 X21 X22 X23
X31 X32 X33 B3 X31 X32 X33
Randomized Randomized Complete

Complete Design Block Design
Perhatikan kasus berikut!
• Ingin mengetahui pengaruh jenis obat terhadap
kecepatan penyembuhan luka.
• Apakah ada faktor lain? Misalkan ada faktor
makanan yang dikonsumsi
• Jika dalam penelitian tersebut jenis makanan nya
yang dikonsumsi sama maka hanya digunakan
Randomized Complete Design.
• Namun jika faktor makanan atau faktor yang lain
tidak dapat diseragamkan maka dalam hal ini
Randomized Complete Design tidak dapat
digunakan.
Analisis {Randomized Complete Blok Design (without
replication)}
 Hipotesis
1. Hipotesis Faktor Perlakuan

Ho :µ1= µ2= µ3 =.......= µk (semua perlakuan memberikan respon
yang sama /tidak ada perbedaan)
H1 :Minimal ada 1 perlakuan memberikan respon yang berbeda
2. Hipotesis Faktor Block
Ho :µ1= µ2= µ3 =.......= µb(semua perlakuan memberikan respon yang
sama /tidak ada perbedaan)
 Taraf nyata (α)

 Statistik Uji
1. Faktor Perlakuan 2. Faktor Blocks
MST MSB
Fhitung  Fhitung 
MSE MSE
 Wilayah Penolakan
1. Faktor Perlakuan : Tolak Ho jika

Fhitung  F ( k 1,( k 1)( b1)) atau Sig .  
2. Faktor Block : Tolak Ho jika

Fhitung  F (b1,( k 1)( b1)) atau Sig .  
Tabel ANOVA (RAKL)
Treatment k-1 SST MST MST/MSE
Blocks b-1 SSB MSB MSB/MSE
Error (k-1)(b-1) SSE MSE
Total N-1 SSTotal
 
k 2
SST  b xT i  x
SST
MST 
i 1 k 1
 
b 2
SSB  k  xB b  x SSB

MSB 
 
b 1
2 b 1
SSTotal   xij  x
 ( x11  x) 2  ( x12  x) 2  ...  ( xij  x) 2 SSE

MSE 
SSE  SSTotal  (SST  SSB)
(k  1)(b  1)
Randomized Blocks
Block all the observations with some
commonality across treatments
Treatment
Block 1 2 k Block mean
1 X11 X12 . . . X1k x[B]1
2 X21 X22 X2k x[B]2
.
.
.
b Xb1 Xb2 Xbk x[B]b
Treatment mean x[ T ]1 x[ T ]2 x[ T ]k
Calculating the sums of squares
• Formula for the calculation of the sums of squares
Treatment SSB=
 
Block 1 2 k Block mean 2
1 X11 X12 . . . X1k x[B]1 k x[ B]1  X
 
2 X21 X22 X2k x[B]2 2
. 2 x[ B]  X
SS (Total)  ( x11  X ) 2  ( x21  X ) 2  ... ( x12  X ) 2  ( x22  X )k  2
.
.... ( X 1k  X ) 2  ( x2k  X ) 2  ... 
b Xb1 Xb2 Xbk  k x[ B]b  X 
2
Treatment mean x[ T ]1 x[T ]2 x[ T ]k x

SST = 
b x[T ]1  X   bx[T ]
2
2 X   ...  bx[T ]
2
k X 
2
Calculating the sums of squares
• Formula for the calculation of the sums of squares
Treatment
Block 1 2 k Block mean SSB=
 
1 X11 X12 . . . X1k x[B]1 2
2 X21 X22 X2k x[B]2 k x[ B]1  X 
k x[ B]  X  
. 2
. 2
.
k x[ B]  X 
2
b Xb1 Xb2 Xbk
Treatment mean x[ T ]1 x[ T ]2 x[ T ]k x
k
 
2
SST = b x[T ]1  X  b x[T ]2  X  ...
 b x[T ]k  X 2
 
2
SSE  ( x 11  x[ T ]1  x[B]1  X ) 2  ( x 21  x[ T ]1  x[B] 2  X ) 2  ...

( x 12  x[ T ] 2  x[B]1  X ) 2  ( x 22  x[ T ] 2  x[B] 2  X ) 2  ...
( x 1k  x[ T ]k  x[B]1  X ) 2  ( x 2k  x[ T ]k  x[B] 2  X ) 2  ...
Contoh Randomized Complete Blocks Design
Seorang ahli gizi terkemuka
telah mengembangkan suatu
Berat (kg) setelah :
aturan diet baru untuk
memberikan penurunan berat Sukarelawan 12
0 pekan 4 pekan 8 pekan
badan yang besar dan pekan
konsisten 3 bulan. Untuk 1 105 101 100 95
menguji pernyataan ini, 2 128 121 116 115
sebuah perusahaan yang 3 144 139 134 130
memasarkan produk penurun 4 125 120 117 114
berat badan telah memulai
5 165 157 150 143
sebuah uji klinik. Dalam uji ini,
delapan orang sukarelawan 6 112 107 104 102
direkrut, ditimbang, dan 7 135 129 125 124
diperkenalkan dengan aturan 8 100 94 90 88
diet baru. Berat badan para
sukarelawan ini dicatat
selama selang waktu tertentu
dan hasilnya disajikan dalam
tabel berikut : alpha %%
Analisis {Randomized Complete Blok Design (without
replication)}
 Hipotesis
1. Hipotesis Faktor Perlakuan

Ho :µ1= µ2= µ3 =.......= µ8 (semua sukarelawan memberikan respon yang
sama /tidak ada perbedaan pada fktor sukarelan)
H1 :Minimal ada 1 sukarelawan memberikan respon yang berbeda
2. Hipotesis Faktor Block
Ho :µ1= µ2= µ3 =.µ4 (semua level pada faktor berat memberikan respon yang
sama /tidak ada perbedaan)
H1 :Minimal ada 1 berat memberikan respon yang berbeda
 Taraf nyata (α) = 0,05

 Statistik Uji
1. Faktor Sukarelawan 2. Faktor Berat
MST MSB
Fhitung  Fhitung 
MSE MSE
Perhatikan!!
Sukarelawan
0 pekan 4 pekan 8 pekan 12 pekan xT 
1 105 101 100 95 100,25
2 128 121 116 115 120
3 144 139 134 130 136,75
4 125 120 117 114 119
5 165 157 150 143 153,75
6 112 107 104 102 106,25
7 135 129 125 124 128,25
8 100 94 90 88 93
xB  126,75 121 117 113,875 119,6563
 
k 2 x
SST  b xT i  x
i 1

SST  4 100,25  119,6563  120  119,6563  ...  93  119,6563
2 2 2

 ...........................
Perhatikan!!
Sukarelawan
1 105 101 100 95 100,25
2 128 121 116 115 120
3 144 139 134 130 136,75
4 125 120 117 114 119
5 165 157 150 143 153,75
6 112 107 104 102 106,25
7 135 129 125 124 128,25
8 100 94 90 88 93
xB  126,75 121 117 113,875 119,6563
 
b 2
SSB  k  xB b  x x
b 1

SSB  8 126,75  119,6563  ....  113,875  119,6563
2 2

 ........................
Perhatikan!!
Sukarelawan
1 105 101 100 95 100,25
2 128 121 116 115 120
3 144 139 134 130 136,75
4 125 120 117 114 119
5 165 157 150 143 153,75
6 112 107 104 102 106,25
7 135 129 125 124 128,25
8 100 94 90 88 93
xB  126,75 121 117 113,875 119,6563

SSTotal   xij  x 2
x
 ( x11  x) 2  ( x12  x) 2  ...  ( xij  x) 2

 105  119,6563  101  119,6563  ...  88  119,6563
2 2 2
 ...............................
Tabel ANOVA (RAKL)
Sukarelawan k-1=8-1=7 11183,47 .... .....
Berat b-1=4-1=3 740,8438 .... ..........
Error 7.3 = 21 74,0625 .....
Total 32-1=31 11999,22
SSB
SSE  SSTotal  ( SST  SSB) MSB 
b 1
 11999,22  (11183,47  740,8438)
 ............
 74,0625
SSE
SST 11183,47 MSE 
MST   (k  1)(b  1)
k 1 8 1
 ............
 ..................
1. Faktor Sukarelawan : Tolak Ho jika

Fhitung  F0.05(7, 21) atau Sig .  0,05
2. Faktor Berat : Tolak Ho jika
Fhitung  F0,05(3, 21) atau Sig .  0,05

1. Faktor Sukarelawan : Ho ditolak artinya pada

taraf nyata 0,05 menunjukkan bahwa ada
perbedaan pada faktor sukarelawan ( minimal ada
1 sukarelawan yang berbeda)
2. Faktor Berat : Ho ditolak artinya pada taraf
nyata 0,05 menunjukkan bahwa ada perbedaan
pada faktor berat ( minimal ada 1 berat yang
berbeda)
“”Untuk mengetahui sukarelawan dan
atauberat mana yang paling berbeda
perlu dilakukan uji lanjut (uji multi
ple comparison (di akhir slide ini)””
Contoh Output Ms.Excel
ANOVA
Source of
Variation SS df MS F P-value F crit
Rows 11183,47 7 1597,638 447,8986 2,15E-21 2,487578
Columns 740,8438 3 246,9479 69,23196 4,68E-11 3,072467
Error 74,90625 21 3,566964
Total 11999,22 31
Terlihat bahwa keduanya

P-value < 0,05 (alpha) maka F(tabeL)
tolak Ho
continued
Rancangan 2 arah (2 faktor) dengan
pengulangan (Two Way Anova with Replication)
A1 A2 A3 A1 A2 A3
X11 X12 X13 B1 X11 X12 X13
X21 X22 X23 B2 X21 X22 X23
X31 X32 X33 B3 X31 X32 X33
Randomized Randomized Complete

Complete Design Block Design
Rancangan 2 arah (2 faktor) dengan
pengulangan (Two Way Anova with Replication)
A1 A2 A3
A1 A2 A3
B1 1 X11 X12 X13
B1 X11 X12 X13
2 X21 X22 X23
B2 X21 X22 X23 3 X31 X32 X33
B2 1 X41 X12 X13 Two Way
B3 X31 X32 X33
ANOVA
2 X51 X22 X23
dengan
3 X61 X32 X33 ulangan
B3 1 X11 X12 X13
Randomized Complete
Block Design 2 X21 X22 X23
3 X31 X32 X33
Analisis {Two Way ANOVA {2 faktor] (with replication)}
 Hipotesis
1. Hipotesis Faktor A
Ho :µ1= µ2= µ3 =.......= µk (semua perlakuan memberikan respon yang sama /tidak
ada perbedaan)
2. Hipotesis Faktor B
Ho :µ1= µ2= µ3 =.......= µb(semua perlakuan memberikan respon yang sama /tidak
ada perbedaan)
3. Hipotesis Faktor Interaksi (AB)
Ho :µ11= µ22= µ31 =.......= µkb(tidak ada pengaruh interaksi pada rancangan)
H1 :Minimal ada 1 interaksi dari faktor A dan B yang memberikan respon yang
berbeda

 Statistik Uji
1. Faktor A 2. Faktor B 3. Faktor Interaksi (AB)
MS ( A) MS ( B) MS ( AB )
Fhitung  Fhitung  Fhitung 
MSE MSE MSE
Tabel ANOVA (RAKL)
Faktor A a-1 SS(A) MS(A) MST/MSE
Faktor B b-1 SS(B) MS(B) MSB/MSE
Interaksi (a-1)(b-1) SS(AB) MS(AB)
Error N-ab SSE MSE
Total N-1 SSTotal
a
SS ( A )  rb 
i 1
( x[ A ]i  x)2
r :ulangan
b
SS (B)  ra 
j 1
( x[B] j  x)2
a b
SS ( AB)  r  ( x[ AB ]ij  x[ A ]i  x[B] j  x) 2
i 1 j 1
a b r
SSE  
i 1 j 1 k 1
( xijk  x[ AB]ij ) 2
SS ( A)
MS ( A) 
a 1
SS ( B)
MS ( B) 
b 1
SS ( AB )
MS ( AB ) 
(a  1)(b  1)
SSE
MSE 
N  ab
1. Faktor A : Tolak Ho jika

Fhitung  F ( a 1, N ab) atau Sig .  
2. Faktor B : Tolak Ho jika

Fhitung  F (b1, N ab) atau Sig .  
3. Faktor Interaksi : Tolak Ho jika

Fhitung  F (( a 1)( b1), N ab) atau Sig .  
Contoh Two Way ANOVA with replication
Suatu percobaan ingin Faktor Faktor Varietas Padi (V)
mempelajari pengaruh
Nitrogen Ulangan
antara varietas tanaman V1 V2 V3 V4
padi dan pemupukan (N)
nitrogen terhadap hasil 1 42,9 53,8 49,5 44,4
produksi padi. Faktor N1 2 41,6 58,5 53,8 41,8
varietas (V) terdiri dari 4 3 28,9 43,9 40,7 28,2
level (V1, V2, V3, dan V4) 1 53,3 57,6 59,8 64,1
yang dialokasikan secara N2 2 69,6 69,6 65,8 57,4
acak sedangkan faktor
3 45,4 42,4 41,4 44,1
pemupukan nitrogen (N)
terdiri 2 level N1 dan N2)
juga dialokasikan secara
acak. Berikut hasil Gunakan taraf nyata 0,05 dan
produksi padi diukur jelaskan kesimpulannya dari
dalam kg/petak analisa!
Analisis {Two Way ANOVA {2 faktor] (with replication)}
 Hipotesis
1. Hipotesis Faktor A (Varietas)

Ho :µ1= µ2= µ3 =µ4 (semua varietas memberikan respon yang sama /tidak ada
perbedaan)
H1 :Minimal ada 1 varietas yang memberikan respon yang berbeda
2. Hipotesis Faktor B (Nitrogen)
Ho :µ1= µ2 (semua nitrogen memberikan respon yang sama /tidak ada
perbedaan)
H1 :Minimal ada 1 nitrogen memberikan respon yang berbeda
3. Hipotesis Faktor Interaksi (AB)
Ho :µ11= µ22= µ31 =.......= µ42(tidak ada pengaruh interaksi pada rancangan)
H1 :Minimal ada 1 interaksi dari faktor varietas dan Bitrogen yang memberikan respon
yang berbeda

 Statistik Uji
1. Faktor varietas 2. Faktor Nitrogen 3. Faktor Interaksi (AB)
MS ( A) MS ( B) MS ( AB )
Fhitung  Fhitung  Fhitung 
MSE MSE MSE
Perhatikan!!
Faktor Faktor Varietas Padi (V)
Ulanga
Nitrogen
n V1 V2 V3 V4 xB 
(N)
1 42,9 53,8 49,5 44,4
N1 2 41,6 58,5 53,8 41,8
44
3 28,9 43,9 40,7 28,2
Rata-rata 37,8 52,1 48 38,1
1 53,3 57,6 59,8 64,1
N2 2 69,6 69,6 65,8 57,4
55,875
3 45,4 42,4 41,4 44,1
Rata-rata 56,1 56,5 55,7 55,2
x A 46,95 54,3 51,8 46,7 49,9375
a
SS ( A)  rb ( x[ A]i  x) 2 x
i 1

 3(2) 46,95  49,938  ...  (46,7  49,938) 2
2

 ..............
Perhatikan!!
Ulanga
Nitrogen
n V1 V2 V3 V4 xB 
(N)
1 42,9 53,8 49,5 44,4
N1 2 41,6 58,5 53,8 41,8
44
3 28,9 43,9 40,7 28,2
Rata-rata 37,8 52,1 48 38,1
1 53,3 57,6 59,8 64,1
N2 2 69,6 69,6 65,8 57,4
55,875
3 45,4 42,4 41,4 44,1
Rata-rata 56,1 56,5 55,7 55,2
x A 46,95 54,3 51,8 46,7 49,9375
b x
SS ( B)  ra ( x[ B] j  x) 2
j 1

 3(4) 44  49,93752 55,875  49,93752 
 ......
Perhatikan!!
Ulanga
Nitrogen
n V1 V2 V3 V4 xB 
(N)
1 42,9 53,8 49,5 44,4
N1 2 41,6 58,5 53,8 41,8
44
3 28,9 43,9 40,7 28,2
Rata-rata 37,8 52,1 48 38,1
1 53,3 57,6 59,8 64,1
N2 2 69,6 69,6 65,8 57,4
55,875
3 45,4 42,4 41,4 44,1
Rata-rata 56,1 56,5 55,7 55,2
x A 46,95 54,3 51,8 46,7 49,9375
a b
SS ( AB )  r  
x
( x [ AB ] ij  x [ A] i  x [ B ] j  x ) 2
i 1 j 1

 3 37,8  44  46,95  49,9375  ....  55,2  55,875  46,7  49,9375
2 2

 .......
Perhatikan!!
Ulanga
Nitrogen
n V1 V2 V3 V4 xB 
(N)
1 42,9 53,8 49,5 44,4
N1 2 41,6 58,5 53,8 41,8
44
3 28,9 43,9 40,7 28,2
Rata-rata 37,8 52,1 48 38,1
1 53,3 57,6 59,8 64,1
N2 2 69,6 69,6 65,8 57,4
55,875
3 45,4 42,4 41,4 44,1
Rata-rata 56,1 56,5 55,7 55,2
x A 46,95 54,3 51,8 46,7 49,9375
a b r x
SSE     (x ijk  x[ AB ]ij ) 2
i 1 j 1 k 1

 42,9  37,8  53,8  52,1  ...  44,1  55,2
2 2 2

 ......
Tabel ANOVA (RAKL)
Faktor A a-1=4-1=3 253,49458 ....... .......
Faktor B b-1=2-1=1 ....... ....... .......
Interaksi (a-1)(b-1)=3 ....... .......
Error N-ab=24-8=16 ....... .......
Total N-1 =24-1=23 2988,9163
r :ulangan
SS ( A) SSE
MS ( A)   ......... MSE   ............
a 1 N  ab
SS ( B) SS ( AB )
MS ( B)   ............. MS ( AB )   ........
b 1 (a  1)(b  1)
1. Faktor A (Varietas) : Tolak Ho jika

Fhitung  F0,05(3,16) atau Sig .  0,05
2. Faktor B (Nitrogen) : Tolak Ho jika

3. Faktor Interaksi : Tolak Ho jika

1. Faktor Varietas : Ho diterima artinya pada
taraf nyata 0,05 menunjukkan bahwa tidak ada
perbedaan pada faktor varietas.
2. Faktor Berat : Ho ditolak artinya pada taraf
nyata 0,05 menunjukkan bahwa ada perbedaan
pada faktor nitrogen ( minimal ada 1 nitrogen yang
berbeda)
3. Faktor Interaksi : Ho diterima artinya tidak
ada pengaruh interaksi pada percobaan
“”Untuk mengetahui
sukarelawan dan atauberat
mana yang paling berbeda perlu
dilakukan uji lanjut (uji multi ple
comparison (di akhir slide ini)””
Contoh Output MINITAB & SPSS
continued
Multiple Comparison
Multiple Comparisons
• When the null hypothesis is rejected, it may be desirable to find
which mean(s) is (are) different, and at what ranking order.
• Three statistical inference procedures, geared at doing this, are
presented:
– Fisher’s least significant difference (LSD) method
– Bonferroni adjustment
– Tukey’s multiple comparison method
– Newman-Keuls method
– Duncan method
– Dunnet method
Multiple Comparisons
• Two means are considered different if the difference between the
corresponding sample means is larger than a critical number. Then,
the larger sample mean is believed to be associated with a larger
population mean.
• Conditions common to all the methods here:
– The ANOVA model is the one way analysis of variance
– The conditions required to perform the ANOVA are satisfied.
– The experiment is fixed-effect
Fisher Least Significant Different (LSD) Method
• Hipotesis
H0 :  i   j
;i  j
H1 :  i   j
• Taraf Nyata (α)
• Statistik Uji : Hitung i   j
• Wilayah Penolakan : Tolak Ho jika i   j  LSD
atau Sig .  
1 1
LSD  t 2v nk  MSE (  )
ni n j
Bonferroni Adjustment
• Hipotesis k (k  1)
H0 :  i   j C
;i  j 2
H1 :  i   j
• Wilayah Penolakan : Tolak Ho jika
1 1
 i   j  t ( 2C )( v nk ) MSE (  ) atau Sig .  
ni n j
Tukey Multiple Comparisons
• Hipotesis
H0 :  i   j MSE
;i  j   q (k , )
H1 :  i   j ng
• Wilayah Penolakan : Tolak Ho jika i   j   atau Sig .  
k = banyaknya perlakuan / banyaknya taraf pada 1 faktor
 =N - k
ng = banyaknya pengamatan tiap perlakuan
(recall, all the sample sizes are the same)
 = significance level
q(k,) = nilai kritis pada tabel LSD
Jika ulangan pada tiap perlakuan berbeda maka gunakan rumus
berikut : n  k
g 1 n 1 n ...1 n
1 2 k
Seorang mahasiswa ingin meneliti efek
Latihan
komposisi pelarut terhadap sifat
mekanik selaput polimer yang Efek Komposisi Pelarut Terhadap KRA
dirancang sebagai penyalut tablet.
Etanol Kloroform Diklorometana
Secara khusus mahasiswa tersebut
ingin menguji perbandingan kekuatan 230 248 245
regang akhir (KRA) selaput yang dibuat 245 240 258
menggunakan proses penguapan 231 257 265
pelarut dengan memakai tiga macam 241 256 248
pelarut (etanol, diklorometana dan 255 261 251
kloroform). Sampel polimer dibuat
235 261
dengan penguapan pelarut,
menggunakan ketiga macam pelarut
ini, dimana hasilnya diperoleh sebagai
berikut :
ANOVA
Taraf nyata 5% Source DF SS MS F P
Pelarut 2 789.8 394.9 5.29 0.019
Error 14 1046.0 74.7
Total 16 1835.9
S = 8.644 R-Sq = 43.02% R-Sq(adj) = 34.88%

Pembahasan Latihan
• Hipotesis
Ho : µetanol = µklorofom = µdiklorometana (tidak ada perbedaan antara masing-
masing pelarut)
H1 : Paling tidak (Minimal) ada satu pelarut yang memberikan efek berbeda
• Taraf nyata : 5% (0,05)
• Statistik Uji : Berdasarkan tabel ANOVA pada output soal diatas
menunjukkan p_value sebesar 0,019
• Wilayah Penolakan : Tolak Ho jika p_value <0,05
• Keputusan : Ho ditolak
• Kesimpulan : Menerima H1 artinya paling tidak ada satu pelarut
yang memberikan efek yang berbeda. (untuk mengetahui
pelarut mana yang paling berbeda dilakukan uji lanjut
/multiple comparison)
Menggunakan
• Hipotesis
 Membandingkan pelarut etanol dengan klorofom
H0 :  e tan ol   klorofom
H1 :  e tan ol   klorofom
 Membandingkan pelarut klorofom dengan diklorometana
H0 :  klorofom   diklorometan a
H1 :  klorofom   diklorometan a
 Membandingkan pelarut etanol dengan diklorometana
H0 :  e tan ol   diklorometan a
H1 :  e tan ol   diklorometan a
• Taraf Nyata (α) = 5% (0,05)

Menggunakan
• Statistik Uji
 e tan ol   klorofom  239,5  252,4  12,9
LSD  t 0,05 2v 14 (74,7)(  )  2,1455,23  11,23

1 1
6 5

 klorofom   diklorometan ol  252,4  254,67  2,267
LSD  t 0,05 2v 14 (74,7)(  )  2,1455,23  11,23
1 1
5 6
 e tan ol   diklorometan ol  239,5  254,67  15,167
LSD  t 0,05 2v 14 (74,7)(  )  2,1454,99  10,70
1 1
6 6
Menggunakan
• Wilayah Penolakan
 e tan ol   klorofom  LSD

 klorofom   diklorometan ol  LSD

 e tan ol   diklorometan ol  LSD
• Keputusan dan Kesimpulan
 Ho ditolak, artinya ada perbedaan atara etanol dan klorofom
 Ho diterima, artinya tidak ada perbedaan antara klorofom dengan diklorometana
 Ho ditolak, artinya ada perbedaan antara etanol dengan diklorometana.
Berdasarkan metode LSD menunjukkan pelarut etanol
yang paling berbeda dari ketiganya
Output LSD SPSS
 Perhatikan nilai Sig. (kolom ke-4) terlihat bahwa pelarut 1 (etanol) berbeda dengan
pelarut 2 (klorofom) dan pelarut 3 (diklorometana) karena nilai Sig. < 0,05 yaitu
0,027 dan 0,009.
 Selanjutnya pada tabel di atas juga menunjukkan bahwa pelarut 2 (klorofom)
berbeda dengan pelarut 1 (etanol) karena nilai Sig.<0,05 dan tidak adanya
perbedaan antara pelarut 2 dengan pelarut 3 karena nilai Sig. > 0,05
 Dan seterusnya...Dalam hala ini kriteria penolakan Ho adalah jika Sig. < 0,05
Menggunakan
Bonferoni Adjustment
• Hipotesis
• Taraf Nyata (α) = 5% (0,05)

k (k  1) 3(2)
C  3
2 2
Menggunakan
• Statistik Uji Nilai t tabel
 Membandingkan pelarut etanol dengan klorofom t0,05/6(14) berasal dari
komputasi ms.excel
 e tan ol   klorofom  239,5  252,4  12,9 Caranya :
=tinv(0,05/3;14)
Bonferoni  t 0,05 / 6v 14 (74,7)(  )  2,717 5,23  14,22
1 1
6 5

Bonferoni  t 0,05 6v 14 (74,7)(  )  2,7175,23  14,22
1 1
5 6
Bonferoni  t 0,05 / 6v 14 (74,7)(  )  2,717 4,99  13,556
1 1
6 6
Menggunakan
 e tan ol   klorofom  Bonferoni
 klorofom   diklorometan ol  Bonferoni
 e tan ol   diklorometan ol  Bonferoni
 Ho diterima, artinya tidak ada perbedaan antara etanol dan klorofom
 Ho diterima, artinya tidak ada perbedaan antara klorofom dan diklorometana
 Ho ditolak, artinya ada perbedaan antara etanol dan diklorometana
Berdasarkan metode Bonferoni menunjukkan hanya etanol dan
diklorometana yang berbeda.
Output Bonferoni SPSS
 Perhatikan nilai Sig. (kolom ke-4) terlihat bahwa pelarut 1 (etanol) berbeda
dengan pelarut 3 (diklorometana) karena nilai Sig. < 0,05 yaitu 0,027
 Selanjutnya pada tabel di atas juga menunjukkan bahwa pelarut 2
(klorofom) tidak berbeda dengan pelarut 1 (etanol) maupun pelarut 3
(diklorometana ) karena nilai Sig. > 0,05
 Dalam hala ini kriteria penolakan Ho adalah jika Sig. < 0,05
Menggunakan
Fisher (Tukey)
• Hipotesis
• Taraf Nyata (α) = 5% (0,05)

Menggunakan
Fisher (Tukey)
• Statistik Uji
 e tan ol   klorofom  239,5  252,4  12,9
 3,703,644  13,483
(74,7)
  q0,05k 3,v 14
3
1 1 1
   
6 5 6
 3,703,644  13,483
(74,7)
  q0,05k 3,v 14
3
1 1 1
   
6 5 6
 3,703,644  13,483
(74,7)
  q0,05k 3,v 14
3
1 1 1
   
6 5 6
Menggunakan
Tukey (Fisher)
 e tan ol   klorofom  
 klorofom   diklorometan ol  
 e tan ol   diklorometan ol  
 Ho diterima, artinya tidak ada perbedaan antara pelarut klorofom dengan etanol
 Ho diterima, artinya tidak ada perbedaan antara pelarut klorofom dengan
diklorometana
 Ho ditolak, artinya ada perbedaan antara pelarut etanol dengan diklorometana
Berdasarkan metode Tukey menunjukkan pelarut etanol yang paling
berbeda dari ketiganya
Output Tukey SPSS
 Perhatikan nilai Sig. (kolom ke-4) terlihat bahwa pelarut 1 (etanol) berbeda
dengan pelarut 3 (diklorometana) karena nilai Sig. < 0,05 yaitu 0,023
 Selanjutnya pada tabel di atas juga menunjukkan bahwa pelarut 2
(klorofom) tidak berbeda dengan pelarut 1 (etanol) maupun pelarut 3
(diklorometana ) karena nilai Sig. > 0,05
 Dalam hala ini kriteria penolakan Ho adalah jika Sig. < 0,05
Multiple Range Testing
• Multiple range tests are the Newman-Keuls test
and Duncan’s test
• The Newman-Keuls test also known as The
Student-Neuman-Keuls test (SNK) is identical to
Tukey’s test
• Least Significant Difference test (LSD)
• Scheffe’s method
Newman Keuls Test
(if k group size are equal)
• Hipotesis
H0 :  i   j
;i  j
H1 :  i   j
• Statistik Uji : i   j MSE
q SE 
SE n
• Wilayah Penolakan : Tolak Ho jika q  q0,05( k ,v  N k )
Newman Keuls Test
(if k group size are not equal)
• Hipotesis
H0 :  i   j
;i  j
H1 :  i   j
• Statistik Uji :
i   j MSE ng  k
q SE  1 n1 1 n2 ...1 nk
SE ng
• Wilayah Penolakan : Tolak Ho jika q  q0,05( k ,v  N k )

Duncan’s Multiple Range Test
(Sample size are equal or not equal)
• Hipotesis
H0 :  i   j
;i  j
H1 :  i   j
• Statistik Uji :
1. Rata-rata setiap perlakuan diurutkan dari yang terkecil sampai
terbesar.
2. Bandingkan rata-rata terbesar dengan rata-rata terkecil yang
dibandingkan dengan Rk
3. Kemudian bandingkan rata-rata terbesar dengan terkecil kedua
terhadap, Rk-1 .sampai semua rata-rata telah dibandingkan dengan
rata-rata terbesar(k(k-1)/2 pasang)
4. Cari harga rα(p,f) dengan tabel Duncan, dimana p=banyaknya mean
yang terletak dalam rentang 2 mean(p=2,3,…,k) dan f =derajat bebas
error
Duncan’s Multiple Range Test
(Sample size are equal or not equal)
• Statistik Uji :
MSE
If sample size are equal S x  ; n  sample size k
n ng  k
n
If sample size are not equal, then n replace to ng
i
i 1
Rk  r ( p, f ).S x
• Wilayah Penolakan : Tolak Ho jika i   j  Rk ;i  j
Dunnet
(Compare treatments with control)
• Hipotesis
H0 :  i   j
;i  j
H1 :  i   j
• Wilayah Penolakan : Tolak Ho jika
1 1 

 i   j  d  (k  1, f ) MSE  
 ni n j 
Dimana dα(k-1,f) dari tabel Dunnet dengan f =derajat bebas error

Materi ANOVA-1 PDF

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Materi ANOVA-1 PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

Hipotesis multisampel

Homogeneity of Variance(Barlett’s test)

4. Wilayah penolakan : tolak Ho jika Bhitung    ,k 12

Perlakuan : suatu prosedur atau metode yang

1. Rancangan perlakuan berkaitan dengan

Anova 3 arah atau lebih

Independent samples are drawn from k populations (treatments).

X is the “response variable”.

 Wilayah Penolakan : Ho ditolak jika Fhitung  F ( k 1, N k ) atau

Apakah ada pengaruh prosentase

F0,054, 20  .....

 56,6  5,28  57,8  5,28  ...  52,8  5,28

 (n1  1) s12  (n2  1) s 22  .....  (nk  1) s 2j

Paracetamol k-1=5-1=4 79,44 ..... .....

Error N-k=25-5=20 57,6 .....

Total N-1=25-1=24 137,04

SSTotal  SST  SSE

Ho ditolak artinya pada taraf nyata 0,05

“”Untuk mengetahui kadar

X11 X12 X13 B1 X11 X12 X13

X21 X22 X23 B2 X21 X22 X23

X31 X32 X33 B3 X31 X32 X33

Randomized Randomized Complete

1. Hipotesis Faktor Perlakuan

 Taraf nyata (α)

1. Faktor Perlakuan : Tolak Ho jika

2. Faktor Block : Tolak Ho jika

SSB  k  xB b  x SSB

 ( x11  x) 2  ( x12  x) 2  ...  ( xij  x) 2 SSE

• Formula for the calculation of the sums of squares

Treatment mean x[ T ]1 x[T ]2 x[ T ]k x

SSE  ( x 11  x[ T ]1  x[B]1  X ) 2  ( x 21  x[ T ]1  x[B] 2  X ) 2  ...

1. Hipotesis Faktor Perlakuan

 Taraf nyata (α) = 0,05

xB  126,75 121 117 113,875 119,6563

xB  126,75 121 117 113,875 119,6563

xB  126,75 121 117 113,875 119,6563

 ( x11  x) 2  ( x12  x) 2  ...  ( xij  x) 2

1. Faktor Sukarelawan : Tolak Ho jika

2. Faktor Berat : Tolak Ho jika

Fhitung  F0,05(3, 21) atau Sig .  0,05

 Kesimpulan dan Keputusan

1. Faktor Sukarelawan : Ho ditolak artinya pada

Terlihat bahwa keduanya

X11 X12 X13 B1 X11 X12 X13

X21 X22 X23 B2 X21 X22 X23

X31 X32 X33 B3 X31 X32 X33

Randomized Randomized Complete

 Taraf nyata (α)

1. Faktor A : Tolak Ho jika

2. Faktor B : Tolak Ho jika

3. Faktor Interaksi : Tolak Ho jika

1. Hipotesis Faktor A (Varietas)

 Taraf nyata (α)

1. Faktor A (Varietas) : Tolak Ho jika

2. Faktor B (Nitrogen) : Tolak Ho jika

3. Faktor Interaksi : Tolak Ho jika

S = 8.644 R-Sq = 43.02% R-Sq(adj) = 34.88%

• Taraf Nyata (α) = 5% (0,05)

LSD  t 0,05 2v 14 (74,7)(  )  2,1455,23  11,23

 Membandingkan pelarut klorofom dengan diklorometana

 e tan ol   klorofom  LSD

 klorofom   diklorometan ol  LSD