BAB I
PENGUJIAN HIPOTESIS
Tujuan Belajar
Setelah mempelajari bab ini, anda diharapkan mampu membuat hipotesis dan melakukan
pengujiannya untuk mendapatkan suatu keputusan
X o
Zo (1.1)
/ n
H0 ditolak jika Z0 > Z /2 atau Z0 < - Z /2
Jika kita menguji hipotesis alternatif satu arah
H0 : = 0
H1 : > 0
Maka H0 ditolak jika Z0 > Z
Demikian pula untuk pengujian:
H0 : = 0
H1 : < 0
Kita menolak H0 jika Z0 < - Z
Contoh 1.1
Tingkat pembakaran propellant sedang dipelajari. Spesifikasi yang dibutuhkan adalah
rata-rata tingkat pembakaran harus 40 cm/s. Diketahui varian tingkat pembakaran 4,0.
Pelaku percobaan menentukan probabilita error = 0,05 dan ia malakukan pengujian
pada sample random yang besarnya n = 25 dengan rata-rata tingkat pembakaran yang
diperoleh 41,25 cm/s.
Hipotesis: H0 : = 40 cm/s
H1 : ≠ 40 cm/s
Nilai pengujian statistik adalah
41,25 40
Zo 3,125
2 / 25
Pada = 0,05, perbatasan daerah kritis Z0,025 = 1,96 dan - Z0,025 = -1,96. Zo terletak dalam
daerah kritis. Maka, H0 ditolak dan kita menyimpulkan bahwa rata-rata tingkat pembakaran
tidak sama dengan 40 cm/s
Misalkan terdapat dua populasi yang diteliti, katakan X1 dan X2. Kita asumsikan
bahwa X1 mempunyai rata-rata 1 tidak diketahui dan varian 2
1 , sedangkan X2
mempunyai rata-rata 2 tidak diketahui dan varian 2
2
Hipotesis:
H0 : 1 = 2
H1 : 1 ≠ 2
Pengujian statistik:
X1 X 2
Zo (1.2)
12 22
n1 n2
Prosedur untuk pengujian H0 : 1 = 2 adalah menghitung pengujian statistik Z0 dan
menolak hipotesis nol jika Z0 > Z /2 atau Z0 < - Z /2
Hipotesis alternatif satu arah dianalisis dengan cara serupa. Untuk pengujian
H0 : 1 = 2
H1 : 1 > 2
Pengujian statistik Z0 dihitung dengan persamaan (1.2) dan hipotesis nol ditolak jika Z0 > Z
.
Untuk pengujian hipotesis alternatif satu arah lainnya
H0 : 1 = 2
H1 : 1 < 2
Dengan menggunakan pengujian statistik Z0 dalam persamaan (2) dan menolak H0 jika Z0
> - Z
Contoh 1.2
Manajer pabrik sari jeruk tertarik untuk membandingkan pelaksanaan dua proses produksi
yang berbeda dalam pabriknya. Proses produksi 1 secara relatif baru, ia menduga bahwa
hasil proses produksi ini lebih besar dari proses produksi 2. Data sepuluh hari yang dipilih
secara random untuk masing-masing proses produksi, diperoleh x1 = 824,9 dan x2 =
818,6 produksi per hari. Berdasarkan pengalaman dengan pengoperasian tipe ini
H0 : 1 = 2
H1 : 1 > 2
Nilai pengujian statistiknya adalah:
X1 X 2 824 818,6
Zo 2,10
12 22 40 50
n1 n2 10 10
Dengan menggunakan = 0,05 didapatkan Z0,05 = 1,645, dan karena Z0 > Z0,05 maka H0
ditolak dan menyimpulkan rata-rata produksi per hari yang dihasilkan oleh proses produksi
baru lebih besar dari pada rata-rata produksi per hari yang dihasilkan oleh proses produksi
lama.
H0 : = 0
H1 : < 0
menolak H0 jika t0 < - t , n-1
Contoh 1.3
Daya kekuatan serat tekstil adalah variabel random yang berdistribusi normal. Spesifikasi
yang dibutuhkan adalah rata-rata daya kekuatan harus sama dengan 150 psi. Pengusaha
pabrik ingin untuk menemukan secara nyata nilai ini. Maka ia mengharapkan menguji
H0 : = 150 psi
H1 : ≠ 150 psi
Sampel random 15 serat dipilih dan dicatat daya kekuatannya. Rata-rata sampel adalah x
= 152,18 dan s2 = 16,63. Selanjutnya, pengujian statistiknya adalah
152,18 150
to 2,07
16,63 / 15
Jika ditetapkan = 0,05, maka t0,025;14 = 2,145 dan - t0,025;14 = - 2,145 dan dapat
disimpulkan bahwa tidak terdapatnya cukup bukti untuk menolak hipotesis bahwa =
150 psi.
1.4 Pengujian Hipotesis pada Rata-rata Dua Distribusi Normal, Varian tidak
diketahui
Kasus 1: 1
2
= 2
2
= 2
Misalkan X1 dan X2 menjadi dua populasi normal bebas dengan rata-rata 1 dan 2 tidak
diketahui dan varian tidak diketahui tetapi varian itu sama. Kita ingin menguji
H0 : 1 = 2
H1 : 1 ≠ 2
Misalkan X11, X12,….., X1n adalah sampel random n1 observasi dari X1 dan X21,
X22,…., X2n, adalah sampel random n2 observasi dari X2. Misalkan X 1 , X 2 , S12 dan S22
merupakan rata-rata sampel dan varian sampel. Karena S12 dan S22 merupakan perkiraan
varian 2, jika digabungkan akan menghasilkan sebuah perkiraan tunggal, yaitu
(n1 1) S1 (n2 1) S 2
2 2
Sp
2
(1.4)
n1 n2 2
Pengujian statistiknya adalah
X1 X 2
to (1.5)
1 1
Sp
n1 n2
H0 ditolak jika t0 > t /2, n1+n2-2 atau jika t0 < - t /2, n1+n2-2
Alternatif satu arah diperlakukan dengan cara yang sama. Untuk menguji
H0 : 1 = 2
H1 : 1 > 2
H0 ditolak jika t0 > t , n1+n2-2
Untuk alternatif satu arah lainnya,
H0 : 1 = 2
H1 : 1 < 2
H0 ditolak jika t0 < - t , n1+n2-2
Contoh 1.4
Sebuah proses kimia sedang dipelajari dalam usaha untuk memperbaiki hasilnya. Dua
katalisator yang berbeda dianalisis untuk menentukan bagaimana pengaruh rata-rata yang
dihasilkan sebuah proses kimia. Katalisator 1 sedang dalam penggunaan, tetapi
katalisator 2 dapat diterima. Karena katalisator 2 lebih murah, jika katalisator ini tidak
mengubah proses yang dihasilkan, katalisator tersebut harus diterima. Misalkan ingin
menguji hipotesis
H0 : 1 = 2
H1 : 1 ≠ 2
Data yang dihasilkan n1 = 8, x1 = 91,73, S12 = 3,89 dan n2 = 8 , x2 = 93,75 dan S22 = 4,02.
Dari persamaan (1.4) diperoleh:
n1 n2 2 882
Dengan menggunakan = 0,05, didapatkan t0,025;14 = 2,145 dan -t0,025;14 = -2,145 dan
konsekuensinya H0 : 1 = 2 diterima. Berarti, penggunaan katalisator 2 dalam rata-rata
yang dihasilkan sama dengan rata-rata yang dihasilkan bila katalisator 1 digunakan.
Kasus 1
2
≠ 2
2
diketahui tidak sama. Tidak terdapat statistik t yang tepat tersedia untuk pengujian Ho: 1
Contoh 1.5
Misalkan ada dua populasi normal, misal X1 ~ N( 1, 2
1 ) dan X2 ~ N( 2, 2
2 ) dimana
1
2
≠ 2
2 dan kedua varian tidak diketahui. Kita ingin menguji
H0 : 1 = 2
H1 : 1 < 2
Dua sampel random menghasilkan n1 = 15, x1 = 2, S12 = 10 dan n2 = 10 , x2 = 1 dan S22 =
20. Pengujian statistik to* yaitu
x1 x2 2 1
to 0,61
*
2 2
S S 10 20
1
2
n1 n2 15 10
Misalkan kita ingin menguji hipotesis varian 2 dari sebuah distribusi normal yang
sama dengan nilai tertentu, katakanlah 2
o . Misalkan X ~ N( , 2), dimana dan 2
tidak diketahui, dan misalkan X1, X2, …., Xn sebuah variabel random dengan n observasi
dari X. Untuk menguji
Ho : 2 = 0
2
H1 : 2 ≠ 0
2
(n 1) S 2
o 2 (1.8)
o2
dimana S2 adalah varian sampel. Jika H0 benar, maka pengujian statistik 0
2
mengikuti
distribusi chi-kuadrat dengan derajat kebebasan n-1. Ho dapat ditolak jika 0
2
> 2 /2, n-1
atau jika 0
2
< 2
1- , n-1
Pengujian statistik yang sama digunakan untuk alternatif satu arah. Untuk hipotesis satu
arah
H0 : 2 = 0
2
H1 : 2 > 0
2
H1 : 2 < 0
2
Contoh 1.6
Sebuah mesin mengisi kaleng-kaleng dengan sebuah minuman ringan.Jika varian
pengujian volume melebihi 0,02 (ons cairan)2, maka tidak dapat diterima untuk pengisian
tersebut. Perusahaan botol tersebut tertarik dalam pengujian hipotesis
H0 : 2 = 0,02
H1 : 2 > 0,02
Sebuah sample random n = 20 kaleng yang menghasilkan varian sampel s2 = 0,0225.
Dengan demikian, pengujian statistiknya adalah
(n 1) s 2 (19)0,0225
02 21,38
0 2
0,02
Jika kita pilih = 0,05, kita dapatkan 2 0,05;19 = 30,14, dan dapat menyimpulkan tidak
terdapatnya keyakinan kekuatan bahwa varian pengisian volume melebihi 0,02 (ons
cairan)2.
H1 : 1
2
≠ 2
2
2
S1
Digunakan statistik Fo 2 (1.9)
S2
Berdistribusi F dengan derajat kebebasan n1-1 dan n2-1, jika hipotesis nol benar. Kita akan
menolak H0 jika F0 > F /2, n1-1, n2-1 atau jika F0 < F1- /2, n1-1, n2-1
Pengujian statistik yang sama dapat digunakan untuk pengujian hipotesis alternatif satu
arah. Karena notasi X1 dan X2 sembarang, misalkan X1 menyatakan populasi yang
mempunyai varian terbesar. Maka alternatif hipotesis satu arah adalah:
H0 : 1
2
= 2
2
H1 : 1
2
> 2
2
Contoh 1.7
Perhatikan contoh sebuah proses kimia sedang dipelajari dalam usaha untuk memperbaiki
hasilnya, dimana X1 dan X2 menyatakan proses yang dihasilkan bila dua katalisator yang
berbeda digunakan. Misalkan kita ingin untuk menguji
H0 : 1
2
= 2
2
H1 : 1
2
≠ 2
2
Dua sampel yang besarnya n1 = n2 = 8 menghasilkan s12 = 3,89 dan s22 = 4,02.
2
s1 3,89
Fo 2
0,97
s2 4,02
Jika = 0,05, kita dapatkan bahwa F0,025;7;7 = 4,99. Maka kita tidak dapat menolak H0: 1
2
= 2
2 , dan dapat disimpulkan bahwa tidak terdapat keyakinan kekuatan bahwa varian
yang dihasilkan dipengaruhi oleh katalisator.
1-1. Kekuatan putusnya sebuah serat jenis tertentu yang digunakan dalam pabrik kain
tidak kurang dari 160 Psi. Pengalaman yang lain menunjukkan bahwa standar
deviasi kekuatan putusnya 3 Psi. Sebuah sampel random dari empat contoh diuji
dan rata-rata kekuatan putusnya didapat menjadi 158 Psi. Dapatkah serat tersebut
diterima dengan = 0,05?
1-2. Hasil sebuah proses kimia sedang dipelajari. Varian yang dihasilkan diketahui dari
percobaan sebelumnya dengan proses ini menjadi 5 (unit = persentase2). Lima
2
hari operasi pabrik menghasilkan data sebagai berikut (dalam persentase): 91,6 ;
88,75 ; 90,8 ; 89,95 ; 91,3. Adakah alasan anda untuk mempercayai hasil tersebut
kurang dari 90 persen
1-3. Diameter ban yang diproduksi oleh proses industri tertentu diketahui mempunyai
standar deviasi 0,0001 inci. Sebuah sampel random 10 ban menghasilkan sebuah
rata-rata diameter 0,2552 inci. Ujilah hipotesis bahwa rata-rata sebenarnya
diameter ban sama dengan 0,255, gunakan = 0,05.
1-4. Dua jenis plastik cocok digunakan oleh sebuah industri komponen elektronik.
Kekuatan putusnya plastik ini penting. Diketahui bahwa 1 2 = 1,0 Psi. Dari
sebuah sampel random yang besarnya n1 = 10 dan n2 = 12 kita dapatkan x1 =
162,5 dan x2 = 155,0. Perusahaan tersebut tidak akan memakai plastik 1 kecuali
kekuatan putusnya melebihi plastik 2 dengan paling sedikit 10 Psi. Berdasarkan
informasi sampel, haruskah perusahaan menggunakan plastik 1?
BAB 2
ANALISIS VARIAN
Tujuan Belajar
Setelah mempelajari bab ini, anda diharapkan mampu:
melakukan analisis varian pada sebuah tingkat yang berbeda dari sebuah faktor tunggal
mengembangkan analisis varian untuk model efek tetap klasifkasi satu arah
menentukan perlakuan yang menyebabkan perbedaan antara rata-rata perlakuan
melakukan analisis secara statistik pada perlakuan secara random
Misalkan kita mempunyai sebuah tingkat yang berbeda dari sebuah faktor tunggal
yang ingin kita bandingkan. Perbedaan tingkat factor-faktor tersebut sering disebut
perlakukan. Pengamatan yang dipengaruhi masing-masing sebuah perlakukan adalah
variabel random. Data tersebut akan muncul seperti pada tabel di bawah ini.
Data untuk klasifikasi satu arah analisis varian
Perlakukan Observasi
1 y11 y12 …………….. y1n
2 y21 y22 …………….. y2n
. . . .
. . . .
. . . .
a ya1 ya2 …………… yan
Sebuah sel dalam tabel di atas, katakan yij, menyatakan observasi ke-j diambil dengan
perlakuan ke-i. Pertama-tama kita perhatikan masalah dimana terdapat jumlah observasi
yang sama, n pada masing-masing perlakuan.
Kita dapat menjabarkan observasi dalam tabel di atas dengan model linier secara statistik,
dimana yij observasi ke-ij, adalah parameter umum untuk sebuah pengaruh perlakukan
ke-i dan ij komponen error random.
yij i ij (2.1)
i = 1 ,2, …….., a
j = 1 ,2, ……., n
Model persamaan (2.1) disebut klasifikasi satu arah analisis varian, karena hanya satu
faktor yang diselidiki.
Kita akan menguji hipotesis tertentu mengenai pengaruh perlakukan dan
memperkirakannya. Untuk pengujian hipotesis model error diasumsikan menjadi variabel
random berdistribusi normal dan bebas dengan rata-rata nol dan varian 2
(disingkat
sebagai NID(0, 2)). Varian 2 diasumsikan konstan untuk seluruh tingkat faktor tersebut.
i 1
i 0 (2.2)
Tabel 2.1 Analisis Varian untuk Klasifikasi Satu Arah Model Efek Tetap
Sumber Jumlah Derajat Rata-rata F0
Varian Kuadrat Kebebasan Kuadrat
Antara SSperlakuan a-1 MSperlakuan F0=MSperlakuan/MSE
perlakukan
Error SSE N–a MSE
Total SST N–1
a
y..2
n
SST yij
2
(2.3)
i 1 j 1 N
2
yi. y..2
a
SS perlakuan (2.4)
i 1 n N
SSE = SST - SSperlakuan (2.5)
H0 ditolak jika F0 > F ,a-1,N-a
Contoh 2.1
Seorang pemilik pabrik menggunakan kertas untuk melapis tas yang diteliti dalam
mengembangkan kekuatan daya renggang produksinya. Ia menduga kekuatan daya
renggang adalah fungsi konsentrasi kekerasan kayu dalam buburnya. Ia memutuskan
untuk menyelidiki lima konsentrasi kekerasan kayu yang berbeda: 5%, 10%, 15%, 20%
dan 25%. Lima observasi diambil pada masing-masing konsentrasi kekerasan kayu. 25
observasi yang dibutuhkan dilakukan dalam susunan random dan data yang diperolah
sebagai berikut:
376 = y..
a
y..2
n
SST yij
2
i 1 j 1 N
(376) 2
SST (7) (7) (15) .... (15) (11)
2 2 2 2
636,96
2
25
2
yi. y..2
a
SS perlakuan
i 1 n N
Karena F0,01;4;20 = 4,43, kita menolak H0 dan menyimpulkan bahwa konsentrasi kekerasan
kayu dalam buburnya secara berarti mempengaruhi kekuatan kertas tersebut.
Dalam beberapa percobaan faktor tunggal, jumlah observasi yang diambil dari
masing-masing perlakukan mungkin berbeda (rancangan tidak seimbang). Analisis varian
yang dijabarkan di atas masih berlaku, tapi perubahan kecil harus dilakukan dalam rumus
jumlah kuadrat. Misalkan ni observasi diambil dengan perlakuan i (i = 1, 2, …., a), dan
a
misalkan total jumlah observasi N = n
i 1
i .
Contoh 2.2
Suatu percobaan telah dilakukan untuk menentukan apakah lima temperatur pembakaran
tertentu mempengaruhi kepadatan batubara jenis tertentu. Percobaan tersebut
menghasilkan data seperti ditampilkan pada Tabel 2.4.
Hipotesis:
H0 : 1 = 2 = …… = 5 = 0
H1 : i ≠ 0 untuk sedikitnya satu i
a
y..2
n
SST yij
2
i 1 j 1 N
5882
SST (24 30 ..... 30 40 )
2 2
806,947
2 2
19
2
y a
y..2
SS perlakuan i.
i 1 ni N
F0,025;4;14 = 3,89
Karena F0 > F0,025;4;14, maka H0 ditolak dan menyimpulkan bahwa temperatur pembakaran
mempengaruhi kekuatan briket batubara.
menghasilkan kekuatan dari yang lainnya, tetapi yang manakah mengakibatkan ini
berbeda? Kita dapat menduga diluar percobaan bahwa konsentrasi kekerasan kayu 4 dan
5 menghasilkan kekuatan yang sama, maka pengujian hipotesisnya
H0 : 4 = 5
H1 : 4 ≠ 5
Hipotesis ini dapat diuji dengan menggunakan sebuah kombinasi linier total perlakuan,
katakanlah
y4. – y5. = 0
Jika kita telah menduga rata-rata konsentrasi kekerasan 1 dan 3 tidak berbeda dari rata-
rata konsentrasi kekerasan kayu 4 dan 5, maka hipotesis akan didapat
H0 : 1 + 3 = 4 + 5
H1 : 1 + 3 ≠ 4 + 5
Yang berarti kombinasi linier total perlakuan
y1. + y3. - y4. - y5. = 0
Secara umum, perbandingan rata-rata perlakuan yang menarik akan menyatakan sebuah
kombinasi linier total perlakuan sebagai
a
C ci yi .
i 1
a
dengan batasan bahwa i 1 i
c 0 . Kombinasi linier ini disebut kontras. Jumlah kuadrat
2
a
ci yi
SSC i 1 a (2.8)
n ci
2
i 1
dan mempunyai derajat kebebasan tunggal. Jika rancangan tersebut tidak seimbang,
a
maka perbandingan rata-rata perlakuan yang dibutuhkan n c 0 , dan persamaan
i 1 i i
(2.8) menjadi
2
a
ci yi
SSC i a1 (2.9)
ni ci
2
i 1
Sebuah kontras diuji dengan membandingkan jumlah kuadrat rata-rata error kuadrat.
Statistik yang dihasilkan akan berdistribusi F, dengan derajat kebebasan 1 dan N-a.
Sebuah kasus khusus yang sangat penting dari prosedur di atas yaitu kontras
ortogonal. Dua kontras dengan koefisien {ci} dan {di} adalah ortogonal jika
a
c d
i 1
i i 0
n c d
i 1
i i i 0
Untuk a perlakuan sebuah himpunan a-1 kontras orthogonal akan membagi jumlah
kuadrat perlakuan ke dalam a-1 komponen derajat kebebasan tunggal yang bebas.
Ada beberapa cara untuk memilih koefisien kontras orthogonal untuk sebuah
himpunan perlakuan. Biasanya dalam percobaan alamiah akan diperkirakan yang mana
perbandingan akan menjadi menarik. Sebagai contoh, jika terdapat a = 3 perlakuan
dengan perlakuan 1 sebuah kontrol dan perlakuan 2 dan 3 tingkat faktor menarik untuk
pelaku percobaan, maka kontras yang sesuai sebagai berikut
Perlakuan Kontras Ortogonal
1 (kontrol) -2 0
2 (level 1) 1 -1
3 (level 2) 1 1
Contoh 2.3
Perhatikan data dalam contoh soal 2.1. Ada lima rata-rata perlakuan dan empat derajat
kebebasan antara perlakuan-perlakuan ini. Satu himpunan perbandingan antara rata-rata
ini dan kontras ortogonal yang berhubungan adalah
H0 : 4 = 5 C1 = - y4. + y5.
H0 : 1 + 3 = 4 + 5 C2 = y1. + y3. – y4. – y5.
H0 : 1 = 3 C3 = y1. - y3.
H0 : 4 2 = 1 + 3 + 4 + 5 C4 = -y1. + 4y2. – y3. – y4. – y5.
Perhatikan bahwa koefisien kontras adalah ortogonal. Dengan menggunakan data dalam
Tabel 2.2, kita tentukan nilai kontras numerik dan jumlah kuadrat sebagai berikut:
(54) 2
C1 = - 1(108) + 1(54) = -54 SSc1 291,6
5(2)
(25) 2
C2 = + 1(49) + 1(88) –1(108) – 1(54) = -25 SSc2 31,25
5(4)
(39) 2
C3 = +1(49) - 1(88) = -39 SSc3 152,1
5(2)
(9) 2
C4 = -1(49) + 4(77) - 1(88) - 1(108) - 1(54) = 9 SSc4 0,81
5(20)
Jumlah kuadrat kontras ini secara lengkap dibagi ke dalam jumlah kuadrat
perlakuan, yaitu SSperlakuan = SSc1 + SSc2 + SSc3 + SSc4. Dari analisis ini, kita
menyimpulkan terdapat perbedaan berarti antara konsentrasi kekerasan kayu 4 dan 5,
juga 1 dan 3; tetapi rata-rata 1 dan 3 tidak berbeda dari rata-rata 4 dan 5, maupun 2
berbeda dari rata-rata empat konsentrasi kekerasan kayu lainnya.
MS E
S
yi . n
Dari tabel Duncan range nyata (Lampiran), diperoleh nilai r (p,f), untuk p = 2, 3, ..a,
dimana adalah tingkat nyata dan f jumlah derajat kebebasan untuk error. Ubah range
ini ke dalam himpunan a-1 range nyata terkecil (misal, Rp), untuk p = 2,3,…a dengan
menghitung
R p R ( p, f ) S untuk p = 2, 3, …, a
yi .
Maka observasi range antara rata-rata diuju, dimulai dengan yang terbesar lawan yang
terkecil, yang akan dibandingkan dengan range nyata terkecil R . Selanjutnya range
yang terbesar dan terkecil kedua dihitung dan dibandingkan dengan range nyata terkecil R
-1. Proses ini berlangsung sampai range seluruh yang mungkin a(a-1)/2 pasangan rata-
rata telah diperhitungkan. Jika sebuah observasi range lebih besar dari range nyata
terkecil, maka kita menyimpulkan pasangan dalam rata-rata yang bersangkutan secara
nyata berbeda. Untuk mencegah kontradiksi, tidak ada perbedaan antara sebuah
pasangan rata-rata yang dianggap nyata jika dua rata-rata yang dicakup terletak antara
dua rata-rata lainnya yang tidak berdeda secara nyata.
Contoh 2.4
Kita akan menggunakan pengujian range berganda Duncan untuk data pada contoh soal
2.1. Ingat bahwa MSE = 8,06, N = 25, n = 5, dan terdapat 20 derajat error kebebasan.
Rata-rata perlakuan disusun dalam susunan menaik adalah
y1. 9,8
y 5. 10,8
y 2. 15,4
y 3. 17,6
y 4. 21,6
Error baku masing-masing rata-rata adalah S y i. 8,06 / 5 1,27 . Dari tabel range nyata
dalam Lampiran, untuk 20 derajat kebebasan dan = 0,05, kita peroleh r0,05(2,20) = 2,95,
r0,05(3,20) = 3,10, r0,05(4,20) = 3,18, dan r0,05(5,20) = 3,25. Oleh karena itu, range nyata
terkecil adalah
R2 = r0,05(2,20) S y i . = (2,95)(1,27) = 3,75
R1 = r0,05(3,20) S y i . = (3,10)(1,27) = 3,94
R4 = r0,05(4,20) S y i . = (3,18)(1,27) = 4,04
R5 = r0,05(5,20) S y i . = (3,25)(1,27) = 4,13
Dari analisis di atas, kita lihat bahwa terdapat perbedaan nyata antara semua pasangan
rata-rata kecuali 3 dan 2, juga 5 dan 1.
Dalam banyak keadaan, faktor yang menarik mempunyai sejumlah besar tingkat
yang mungkin. Para analis tertarik dalam menggambarkan kesimpulan mengenai seluruh
populasi dari tingkat faktor. Jika pelaku percobaan secara random memilih a tingkat ini
dari tingkat faktor populasi, maka dikatakan bahwa faktor tersebut sebuah faktor random.
Karena tingkat faktor sebenarnya digunakan dalam percobaan yang telah dipilih secara
random, kesimpulan yang dicapai akan berlaku mengenai seluruh tingkat faktor populasi.
Kita akan asumsikan bahwa tingkat faktor populasi besarnya tidak terbatas, atau cukup
besar sehingga dianggap tidak terbatas.
Model linear secara statistik adalah:
yij i ij (2.10)
i = 1 ,2, …….., a
j = 1 ,2, ……., n
dimana i dan ij variabel random bebas. Model ini identik dalam susunannya dengan
kasus efek tetap, tapi parameternya mempunyai sebuah perbedaan interpretasi. Jika
V ( yij ) 2
2
(2.11)
(2.10) disebut komponen varian atau model efek random. Untuk menguji hipotesis dalam
model ini, kita membutuhkan { ij} adalah NID(0, 2 ), bahwa { i} adalah NID(0, ), dan
2
bahwa i dan ij bebas. Jumlah kuadrat SST = SSperlakuan + SSE masih berlaku.
Hipotesisnya adalah sebagai berikut:
H0 : = 0
2
H1 : > 0
2
Jika = 0, semua perlakuan sama, tetapi jika > 0, maka terdapat variabilitas antara
2 2
MSperlakuan = 2 + n
2
(2.13)
1 a ni
no ni i a1 (2.17)
a 1 i 1
ni
i 1
Contoh 2.5
Seorang pengusaha pabrik menduga bahwa kandungan nitrogen sebuah produk berbeda
dari kelompok ke kelompok lainnya. Ia memilih sebuah sample random empat kelompok
lainnya, dan membuat lima ketentuan nitrogen yang dikandung pada masing-masing
kelompok. Data yang dihasilkan disajikan pada Tabel 2.7.
Karena F0 = 35,00 > F0,01;3;16 = 5,29, maka kita menolak Ho dan menyimpulkan terdapat
variabilitas dalam nitrogen yang dikandung dari kelompok ke kelompok.
2-1. Viskositas bahan bahar emulsi dari plastik polipropilen dan minyak solar sedang
dipelajari. Empat perbedaan teknik mencampur pada pembuatan bahan bakar emulsi
tersebut sedang diselidiki. Data berikut telah dikumpulkan.
Teknik Viskositas (Cst)
Mencampur
1 41.0 41.2 40.9
2 42.1 41.9 42.0
3 39.0 38.9 39.4
4 38.5 38.9 39.2
2-2. Suatu percobaan telah dilakukan untuk menentukan apakah empat temperatur
pembakaran tertentu mempengaruhi konversi gasifikasi batubara jenis tertentu.
Percobaan tersebut menghasilkan data berikut. Apakah temperatur pembakaran
mempengaruhi konversi gasifikasi batubara?
2-3. Pabrik kertas mempunyai sejumlah besar mesin pembuatan kertas dari pulp. Setiap
mesin kertas diumpamakan menghasilkan output kertas yang sama per menit. Untuk
menyelidiki asumsi ini, lima mesin kertas telah dipilih secara random dan outputnya diukur
pada waktu yang berbeda. Data yang diperoleh sebagai berikut.
Mesin Kertas Output (kg/menit)
1 5,0 4,1 5,2 5,0 4,1
2 4,9 3,8 4,9 5,5 4,2
3 5,1 4,2 5,0 5,1 3,9
(a) Apakah ini percobaan percobaan efek tetap atau efek random? Apakah mesin
kertas tersebut sama dalam output?
(b) Perkirakan variabilitas antara mesin-mesin kertas
2-4. Kemurnian sebuah produk kimia diduga berbeda dari satu kelompok dengan lainnya.
Sebuah sampel random dari lima kelompok dipilih dan beberapa ketentuan dibuat pada
setiap kelompok.
Kelompok 1 Kelompok 2 Kelompok 3 Kelompok 4 Kelompok 5
94,86 94,53 95,40 93,16 93,75
94,33 95,39 95,88 93,71 94,38
94,16 95,16 95,89 93,16 94,01
- 93,99 - 93,67 93,91
- - - 93,08 -
BAB 3
REGRESI LINIER SEDERHANA
Tujuan Belajar
Setelah mempelajari bab ini, anda diharapkan mampu:
membuat persamaan regresi linier sederhana dari data
melakukan pengujian ketidakcocokan model dengan data
Dalam beberapa masalah terdapat dua atau lebih variabel yang hubungannya
tidak dapat dipisahkan, dan hal tersebut biasanya diselidiki sifat hubungannya. Analisis
regresi adalah sebuah teknik statistik untuk membuat model dan menyelidiki hubungan
antara dua variabel atau lebih. Sebagai contoh, dalam sebuah proses kimia misalkan
bahwa hasil produk dihubungkan dengan temperatur/proses produk tersebut. Analisis
regresi dapat digunakan untuk membuat sebuah model yang menggambarkan hasil
sebagai sebuah fungsi temperatur. Model ini dapat digunakan untuk meramal pada
sebuah tingkat temperatur tertentu. Ini dapat juga digunakan untuk tujuan optimalisasi
atau tujuan proses kontrol.
Kita ingin menentukan hubungan antara sebuah variabel bebas tunggal x dan
sebuah variabel tidak bebas y. Variabel bebas x diasumsikan sebagai sebuah variabel
kontinu secara matematik, dapat dikontrol oleh para pelaku percobaan. Maka akan
didapat model persamaan
y o 1 x (3.1)
dimana 0 dan 1 berturut-turut adalah intercept dan slope, adalah error random
dalam rata-rata nol dan varian 2 . Model regresi persamaan (3.1) hanya terdiri dari
sebuah variabel bebas tunggal x yang sering disebut model regresi linier sederhana.
Perkiraan (estimator) untuk model regresi linier sederhana adalah
_
y 0 ' 1 ( x x) (3.2)
dimana
1 n _
0 '
n i 1
yi y (3.2)
n _
S xy yi ( xi x)
1 i 1
n _
(3.4)
(x
S xx
i x) 2
i 1
Contoh 3.1
Seorang sarjana teknik kimia menyelidiki pengaruh temperatur proses produksi pada hasil
produksinya. Hasil penyelidikan tersebut menghasilkan data sebagai berikut:
T ,oC (x) 100 110 120 130 140 150 160 170 180 190
Hasil, % (y) 45 51 54 61 66 70 74 78 85 89
10 10 10
Sehingga diperoleh
(1450) 2
S xx 218500 8250
10
(1450)(673)
S yy 101570 3985
10
Selanjutnya estimasi untuk slope dan intercept adalah
S xy 3985 _
1 0,48303 dan 0 ' y 67,3
S xx 8250
Perkiraan model regresi linier sederhana adalah
y 0 ' 1 ( x x) 67,3 0,48303( x 145)
H1 : 1 ≠ 0
Hipotesis ini dihubungkan untuk nyata regresi. Keputusan untuk menolak H0 adalah sama
dengan memutuskan bahwa disana tidak ada hubungan linier antara x dengan y. Analisis
varian untuk pengujian nyata regresi ditampilkan pada tabel di bawah ini.
Contoh 3.2
Kita akan menguji model yang dikembangkan dalam contoh soal 3.1 untuk nyata regresi.
Perkiraan modelnya adalah y 2,73939 0,48303x dan Syy dihitung sebagai berikut
2
n
yi
(673) 2
S yy yi i 1 47225
n
1932,10
2
i 1 n 10
Total jumlah kuadrat untuk error sebenarnya akan diperoleh dengan menjumlahkan
persamaan (3.6) pada seluruhnya nilai x sebagai berikut:
m ni 2
SS PE ( yiu yi ) (3.7)
i 1 u 1
(0,260)(13,62) = 3,541
Jumlah kuadrat error sebenarnya dihitung sebagai berikut:
Tingkat x Derajat kebebasan
( y y) 2
1,0 0,1250 1
3,3 1,8050 1
4,0 0,1066 2
5,6 0,9800 2
6,0 0,0200 1
Total 3,0366 7
Karena F0,05;8;7 = 3,73, kita tidak dapat menolak hipotesis nol. Artinya, model sementara
yang cocok merupakan gambaran data. Juga karena F0,05;1;15 = 4,54, kita dapat
menyimpulkan bahwa 1 ≠ 0.
Kuantitas
SS R SS
R2 1 E
S yy S yy
disebut koefisien determinasi, dan sering digunakan untuk mempertimbangkan ketepatan
sebuah model regresi (dimana x dan y adalah variabel-variabel random). R2 merupakan
jumlah variabilitas dalam data yang diperoleh atau dihitung berdasarkan model regresi.
Untuk data dalam contoh soal 3.1, diperoleh R2 = SSR/Syy = 0,9963; yaitu 99,63 persen
variabilitas dalam data tersebut yang dihitung berdasarkan model tersebut.
Pada umumnya R2 tidak mengukur besarnya slope garis regresi. Sebuah nilai R2
yang besar, tidak menyatakan secara langsung curamnya slope. Selanjutnya R2 tidak
mengukur kelayakan garis regresi, karena ini dapat dibuat tinggi dengan menambahkan
susunan polinomial urutan tinggi. Jika y dan x dihubungkan dengan sebuah bentuk tidak
linier, R2 akan sering menjadi lebih besar. Meskipun R2 besar, tidak berarti bahwa model
regresi akan memberikan pendugaan yang akurat terhadap observasi-observasi yang
akan datang.
Fungsi ini linier intrinsik, karenanya dapat diubah menjadi sebuah garis lurus dengan
sebuah transformasi logaritma
ln y ln 0 1 x ln
Perubahan ini membutuhkan asumsi bahwa perubahan bentuk error ln bebas dan
berdistribusi normal dengan rata-rata 0 dan varian 2 .
Fungsi linier intrinsik lainnya adalah
1
y 0 1
x
Dengan menggunakan transformasi resiprok z = 1/x, model tersebut dilinierkan menjadi
y 0 1 z
Kadangkala transformasi logaritma dan resiprok dapat digunakan secara bersama-sama
untuk melinierkan sebuah fungsi. Sebagai contoh perhatikan fungsi
1
y
exp( 0 1 x )
Misalkan y* = 1/y, kita mempunyai bentuk yang dilinierkan
ln y* 0 1 x
3-1. Hasil suatu proses kimia diperkirakan merupakan sebuah fungsi jumlah katalisator
yang ditambahkan pada reaksi tersebut. Seorang peneliti melakukan dan memperoleh
data sebagai berikut.
Hasil (%) 60,54 63,86 63,76 60,15 66,66 71,66 70,81 65,72
Katalisator (lb) 0,9 1,4 1,6 1,7 1,8 2,0 2,1 2,3
(a) Tentukan sebuah model regresi linier sederhana yang sesuai dengan data tersebut
(b) Ujilah nyata regresi
(c) Hitung R2 untuk model ini
3-2. Berdasarkan kertas yang digunakan dalam industri kotak yang terbuat dari kertas (y)
dihubungkan dengan persentase konsentrasi kayu keras dalam bubur asli (x). Menurut
kondisi yang terkontrol, 16 pabrik industri diambil sebagai sampel, masing-masing dari
sebuah kelompok bubur yang berbeda, dan diukur daya renggangnya. Data tersebut
ditunjukkan di bawah ini.
Y 101,4 117,4 117,1 106,2 131,9 146,9 146,8 133,9
X 1,0 1,5 1,5 1,5 2,0 2,0 2,2 2,4
(a) Tentukan sebuah model regresi linier sederhana yang sesuai dengan data tersebut
(b) Lakukan pengujian ketidakcocokan dan nyata regresi tersebut
3-3. Persentase kotoran dalam gas oksigen yang dihasilkan oleh sebuah proses
penyulingan diperkirakan berhubungan dengan persentase hidrokarbon dalam
kondensator utama. Data operasi selama satu bulan tersedia, seperti ditunjukkan di
bawah ini.
Kemurnian 96,73 99,42 98,66 96,07 93,65 87,31 95,00 96,85 85,20 90,56
(%)
Hidrokarbon 1,02 1,11 1,43 1,11 1,01 0,95 1,11 0,87 1,43 1,02
(%)
Kemurnian 86,91 89,85 90,28 86,34 92,58 87,33 86,29 91,86 95,61 89,86
(%)
Hidrokarbon 1,46 1,55 1,55 1,55 1,40 1,15 1,01 0,99 0,95 0,98
(%)
(a) Tentukan model regresi linier sederhana yang sesuai dengan data tersebut
(b) Lakukan pengujian ketidakcocokan dan nyata regresi
(c) Hitung R2 untuk model ini
3-4. Perhatikan data berikut. Misalkan bahwa hubungan antara y dan x dihipotesiskan
menjadi y (o 1X ) 1 . Tentukan sebuah model yang sesuai untuk data tersebut.
Apakah asumsi bentuk model tersebut kelihatan sesuai?
X 10 15 18 12 9 8 11 6
Y 0,17 0,13 0,09 0,15 0,2 0,21 0,18 0,24
BAB 4
REGRESI BERGANDA
Tujuan Belajar
Setelah mempelajari bab ini, anda diharapkan mampu:
membuat persamaan regresi linier berganda dari data
melakukan pengujian ketidakcocokan model dengan data
membuat persamaan polinomial
Beberapa permasalahan regresi dapat mencakup lebih dari satu variabel bebas.
Model-model regresi yang menggunakan lebih dari satu variabel bebas disebut model
regresi berganda. Regresi berganda merupakan salah satu teknik statistik yang digunakan
secara luas.
Sebuah model regresi yang mencakup lebih dari satu variabel bebas disebut
model regresi berganda. Sebagai contoh misalnya, aktivitas katalis tertentu tergantung
pada temperatur reaksi dan nisbah molar umpan. Sebuah model regresi berganda dapat
menerangkan hubungan tersebut adalah:
y 0 1 X 1 2 X 2 (4.1)
disebut sebuah model regresi linier berganda dengan k variabel bebas. Parameter j , j =
n n n n
n 0 1 xi1 2 xi 2 .... k xik yi
i 1 i 1 i 1 i 1
n n n n n
0 xi1 1 xi12 2 xi1 xi 2 .... k xi1 xik xi1 yi
i 1 i 1 i 1 i 1 i 1
. . . . .
. . . . .
n n n n n
0 xik 1 xik xi1 2 xik xi 2 .... k xik 2 xik yi (4.4)
i 1 i 1 i 1 i 1 i 1
dimana
y1 1 x11 x12 . . . x1k 0 1
y2 1 x21 x22 . . . x2k 1 2
y= . X= . . . . = . dan = .
. . . . . . .
yn 1 xn1 xn2 . . . . xnk k k
Contoh 4.1
Sebuah perusahaan botol minuman ringan menganalisis trayek pelayanan mesin
penjualan dalam system distribusinya. Khususnya perusahaan tersebut tertarik untuk
meramalkan jumlah waktu yang dibutuhkan oleh banyak pengemudi untuk melayani mesin
penjual sebagai jalan keluar. Kegiatan pelayanan ini termasuk persediaan mesin dengan
produk minuman dan perawatan ringan. Ahli industri bertanggung jawab untuk studi yang
diusulkan bahwa dua variabel yang penting yang mempengaruhi waktu pengiriman adalah
jumlah unit produk yang tersedia dan jarak yang ditempuh oleh trayek pengemudi. Ahli
tersebut mengumpulkan 25 observasi pada waktu pengiriman, yang ditunjukkan pada
Tabel 4.1.
17 69,00 20 600
18 10,30 1 585
19 34,93 10 540
21 46,59 15 250
21 44,88 15 290
22 54,12 16 510
23 56,63 17 590
24 22,13 6 100
25 21,15 5 400
y 0 1 x1 2 x2
1 2 50 9,95
X= 1 8 110 y = 24,45
. . . .
. . . .
1 5 400 21,15
0 2,26379143
1 = 2,74426964
2 0,01252781
Tabel 4.2 Analisis Varian untuk Nyata Regresi dalam Regresi Berganda
Sumber Jumlah Kuadrat Derajat Rata-rata F0
Varian Kebebasan Kuadrat
Regresi SSR K MSR MSR/MSE
Error SSE n–k–1 MSE
(residual)
Total Syy n–1
i 1 n n
atas sebagai
n n
2 2
yi yi
SS E y ' y i 1 ' X ' y i 1
n n
atau SSE = Syy - SSR
Selanjutnya, jumlah kuadrat regresi adalah
2
n
yi
SS R ' X ' y i 1 (4.6)
n
jumlah kuadrat error adalah
SS E y' y ' X ' y (4.7)
dan total jumlah kuadrat adalah
2
n
yi
S yy y ' y i 1 (4.8)
n
Contoh 4.2
Kita akan menguji untuk nyata regresi yang digunakan data waktu pengiriman dari contoh
4.1.
2
n
yi
(725,82) 2
S yy y ' y i 1 27.177,9510 6105,9447
n 25
2
n
yi
(725,82) 2
SS R ' X ' y i 1 27.062,7775 5990,7712
n 25
SSE = Syy – SSR = 115,1735
Analisis varian ditunjukkan dalam Tabel 4.3. Untuk pengujian H0 : 1 2 0 , kita hitung
statistiknya
MS R 2995,3856
F0 572,17
MS E 5,2352
Karena F0 > F0,05;2;22 = 3,44, kita menyimpulkan bahwa waktu pengiriman berhubungan
dengan volume pengiriman dan jaraknya.
H1 : j ≠ 0
Jika H0 : j = 0 diterima, maka ini menunjukkan bahwa xi dapat dihilangkan dari model
ditolak jika │t0│ > t / 2,n k 1 . Untuk menggambarkan penggunaan pengujian ini, perhatikan
H1 : 2 ≠ 0
Elemen diagonal utama (X’X)-1 yang bersesuaian untuk 2 adalah C22 = 0,0000015,
sehingga statistik t menjadi
j 0,01253
to 4,4767
2 (5,2352)(0,0000015)
C jj
Karena t0,025;22 = 2,074, kita menolak H0 : 2 = 0 dan disimpulkan bahwa variabel x2 (jarak)
memberi sumbangan yang nyata pada model tersebut.
Model linier y X adalah sebuah model umum yang dapat digunakan untuk
mencocokkan beberapa hubungan linier dengan parameter yang tidak diketahui. Ini
termasuk kelompok penting model-model regresi polinomial. Sebagai contoh, polinomial
berderajat dua pada satu variabel
y 0 1 x 11x 2 (4.10)
Contoh 4.3
Data yang ditunjukkan di bawah ini menunjukkan rata-rata biaya per unit untuk sebuah
produk (y) dan sejumlah produk (x). Diagram pencarnya ditunjukkan dalam Gambar 4.1,
yang menyatakan bahwa pendekatan yang tepat untuk diagram pencar tersebut adalah
sebuah polinomial berdimensi dua.
y 1,81 1,70 1,65 1,55 1,48 1,40 1,30 1,26 1,24 1,21 1,20 1,18
x 20 25 30 35 40 50 60 65 70 75 80 90
1,9
1,8
1,7
1,6
1,5
y 1,4
1,3
1,2
1,1
1
10 20 30 40 50 60 70 80 90
x
BAB 5
RANCANGAN PERCOBAAN
Tujuan Belajar
Setelah mempelajari bab ini, anda diharapkan mampu:
melakukan analisis varian, uji rata-rata dan menentukan komponen varian pada desain acak
sempurna
melakukan analisis varian pada desain blok acak
menentukan model dan Anava pada desain eksperimen faktorial
menentukan model dan Anava pada desain eksperimen faktorial 2k
menentukan model dan Anava pada desain eksperimen faktorial 3k
Bila merancang sebuah percobaan, kita harus ingat dua dasar pertimbangan, yaitu
ketepatan statistik dan biaya. Ketepatan statistik mencakup pemilihan yang layak dari
tanggapan yang diukur, penentuan jumlah faktor yang mempengaruhi respon, pemilihan
himpunan bagian faktor ini dipelajari dalam percobaan yang telah direncanakan, jumlah
waktu percobaan harus dapat diulang dan bentuk analisis yang diperlukan.
Biaya sering ditekankan, tapi sama pentingnya. Untuk meminimumkan biaya suatu
penyelidikan percobaan, biasanya dipilih rancangan percobaan yang sesederhana
mungkin dan menggunakan besar sampel yang sekecil mungkin, sehingga konsisten dan
hasil memuaskan.
Jenis yang paling sederhana dari percobaan faktorial mencakup hanya dua faktor,
misal A dan B. Ada a tingkatan faktor A dan b tingkatan faktor B. Susunan data untuk
sebuah rancangan faktorial dua faktor disajikan pada Tabel 5.1. Perhatikan bahwa
terdapat n pengungulangan-pengulangan percobaan dan setiap percobaan berisi seluruh
kombinasi perlakuan ab.
a ya11, ya12 ,…, Ya21, ya22 ,…, ya2n Yab1, yab2 ,…,
ya1n yabn
Observasi dalam sel ke-ij dan dalam pengulangan ke-k dinotasikan dengan yijk. Dalam
pengumpulan data, abn observasi dapat dilakukan dalam susunan random.
Observasi dapat dijabarkan dengan model linier secara statistik
i = 1, 2, ….., a
yijk i j ( ) ij ijk j = 1, 2, ….., b (5.1)
k = 1, 2, ….., n
ke-i untuk faktor A, j merupakan pengaruh tingkat ke-j faktor B, ( ) ij merupakan
pengaruh interaksi antara A dan B, dan ijk merupakan komponen random error NID (0,
2 ) . Seperti dengan percobaan faktor tunggal pada Bab 2, analisis varian akan
digunakan untuk menguji hipotesis ini. Karena terdapat dua faktor yang diteliti, prosedur
yang digunakan dikenal sebagai klasifikasi analisis varian dua arah.
rata. Untuk menguji H0 : i 0 (tidak ada pengaruh faktor baris), H0 : j 0 (tidak ada
pengaruh faktor kolom) dan H0 : ( ) ij 0 (tidak ada pengaruh interaksi), kita akan
membagi rata-rata kuadrat yang bersesuaian dengan rata-rata kuadrat error. Setiap rasio
ini akan mengikuti distribusi F dengan derajat kebebasan masing-masing faktor baris,
kolom dan interaksi dengan derajat kebebasan error.
Analisis varian untuk klasifikasi dua arah model efek tetap disajikan pada Tabel
5.2.
Tabel 5.2 Tabel Analisis Varian untuk Klasifikasi Dua Arah, Model Efek Tetap
Sumber Jumlah Derajat Rata-rata Kuadrat F0
Varian Kuadrat Kebebasan
SS A MS A
A perlakuan SSA a–1 MS A F0
a 1 MS E
SS B MS B
B perlakuan SSB b–1 MS B F0
b 1 MS E
SS AB MS AB
Interaksi SSAB (a-1)(b-1) MS AB F0
(a 1)(b 1) MS E
SS E
Error SSE ab(n-1) MS E
ab(n 1)
Total SST abn-1
2
b y. j. y...2
dan SS B (5.4)
j 1 an abn
SSAB dihitung dua tahap. Pertama, kita hitung jumlah kuadrat antara total sel ab, dikatakan
‘sub-total’.
2
a b yij. y...2
SS subtotal (5.5)
i 1 j 1 n abn
Jumlah kuadrat ini juga mencakup SSA dan SSB. Maka langkah kedua menghitung SSAB
sebagai
SS AB SS subtotal SS A SS B (5.6)
Bila kedua faktor tetap, perbandingan antara rata-rata secara individu dari salah
satu faktor dapat dibuat dengan menggunakan pengujian range berganda Duncan. Bila
tidak terdapat interaksi, perbandingan ini dapat dibuat dengan menggunakan salah satu
rata-rata baris y i .. atau rata-rata kolom y . j . . Tetapi bila interaksi nyata, perbandingan
antara rata-rata satu faktor (misal A) dapat menjadi samar dengan interaksi AB. Dalam hal
ini, pengujian range berganda Duncan dapat digunakan untuk rata-rata faktor A, dengan
faktor B pada sebuah tingkat tertentu.
Contoh 5.1
Sebuah percobaan dilakukan untuk menentukan kemampuan tiga bahan kimia yang
berbeda untuk mencegah karat besi. Bahan kimia tersebut dapat digunakan dengan
mencelupkan atau menyemprotkan. Tiga contoh besi yang bersih diperlakukan dengan
setiap bahan kimia tersebut, dengan menggunakan setiap metode aplikasi. Besi tersebut
kemudian dicelupkan ke dalam cairan garam, dan jumlah karat selama 10 hari dicatat.
Datanya digambarkan dalam Tabel 5.3. Bilangan yang dilingkari dalam sel adalah total sel
yij.
i 1 j 1 k 1 abn
(89,8) 2
(4,0) 2 (4,5) 2 .... (5,0) 2 10,72
18
2
y a
y...2
SStipe i..
i 1 bn abn
(28,7) (34,1) 2 (27,0) 2 (89,8) 2
2
4,58
6 18
2
b y. j. y...2
SS metode
j 1 an abn
(40,2) 2 (49,6) 2 (89,8) 2
4,91
9 18
2
a b yij. y...2
SSinteraksi SStipe SS metode
i 1 j 1 n abn
(12,8) (15,9) 2 (11,5) 2 (15,9) 2 (18,2) 2 (15,5) 2 (89,8) 2
2
4,58 4,91 0,24
3 18
Karena F0,05;2;12 = 3,89 dan F0,05;1;12 = 4,75, kita menyimpulkan bahwa pengaruh utama
bahan kimia dan metode aplikasi mempengaruhi pembentukan karat. Karena 1,5 <
F0,05;2;12, maka tidak terdapat interaksi antara faktor-faktor ini.
adalah
V ( yijk ) 2
2 2 2
dan , , dan
2 2 2 2
disebut komponen varian. Hipotesis-hipotesis yang menarik
Dasar analisis varian tetap tidak berubah. Artinya, SSA, SSB, SSAB, SST dan SSE
semua dihitung seperti dalam kasus efek tetap. Untuk membentuk pengujian statistik, kita
harus menguji ekspektasi rata-rata kuadrat, yaitu:
E ( MS A ) 2 n bn
2 2
E ( MS B ) 2 n an
2 2
(5.9)
E ( MS AB ) 2 n
2
dan E ( MS E ) 2
Perhatikan ekspektasi rata-rata kuadrat bahwa pengujian statistik yang cocok
untuk H0 : = 0 adalah
2
MS AB
F0 (5.10)
MS E
digunakan
MS A
F0 (5.11)
MS AB
MS B
F0 (5.12)
MS AB
yang berdistribusi F ;(b-1);(a-1)(b-1). Analisis varian untuk model efek random ditampilkan
pada Tabel 5.5
2
MS E
MS AB MS E
2
n
MS B MS AB
2
an
MS A MS AB
2 (5.13)
bn
Contoh 5.2
Misalkan bahwa dalam Contoh 5.1, sejumlah besar bahan kimia dapat digunakan untuk
mencegah karat, dan beberapa metode aplikasi dapat digunakan. Tiga bahan kimia
(katakan 1, 2 dan 3) telah dipilih secara random seperti pada dua metode aplikasi.
Analisis varian untuk model efek random ditampilkan pada Tabel 5.6.
Karena F0,05;2;12 = 3,89, kita menyimpulkan bahwa interaksi tidak nyata. Juga karena
F0,05;2;2 = 19,0 dan F0,05;1;2 = 18,5, kita menyimpulkan bahwa bahan kimia dan metode
aplikasi secara nyata mempengaruhi pembentukan karat. Komponen varian dapat
diperkirakan menggunakan persamaan (5.13) sebagai berikut:
2
MS E 0,08
MS AB MS E 0,12 0,08
2 0,0133
n 3
MS B MS AB 4,91 0,12
2 0,53
an 9
MS A MS AB 2,29 0,12
2 0,36
bn 6
interaksi ( ) ij merupakan sebuah efek random dan ijk merupakan error random.
MS A
F0 (5.15)
MS AB
adalah
MS B
F0 (5.16)
MS E
menggunakan
MS AB
F0 (5.17)
MS E
yang berdistribusi F ;(a-1)(b-1);ab(n-1).
2
MS E
MS AB MS E
2 (5.18)
n
MS B MS E
2
an
Tabel 5.7 di bawah ini meringkas analisis varian untuk model campuran dua faktor.
Banyak percobaan mencakup lebih dari dua faktor. Dalam bagian ini kita
perhatikan kasus yang terdapat a tingkat faktor A, b tingkat faktor B, c tingkat faktor C dan
seterusnya, disusun dalam percobaan factoria. Secara umum, akan terdapat abc ..n total
observasi, jika terdapat n pengulangan dari percobaan secara lengkap.
Sebagai contoh, perhatikan model tiga faktor analisis varian
yijkl i j k ( )ij ( )ik ( ) jk ( )ijk ijkl
Dengan asumsi A, B dan C adalah tetap, analisis varian ditunjukkan dalam Tabel
5.8. Perhatikan bahwa disana harus ada paling sedikit dua pengulangan (n ≥ 2) untuk
mendapatkan jumlah kuadrat error.
Tabel 5.8 Analisis Varian untuk Model Tiga Faktor Efek Tetap
Sumber Jumlah Derajat Rata-rata Kuadrat F0
Varian Kuadrat Kebebasan
SS A MS A
A SSA a–1 MS A F0
a 1 MS E
SS MS B
B SSB b–1 MS B B F0
b 1 MS E
SS MS C
C SSC c–1 MS C C F0
c 1 MS E
SS AB MS AB
AB SSAB (a-1)(b-1) MS AB F0
(a 1)(b 1) MS E
SS AC MS AC
AC SSAC (a-1)(c-1) MS AB F0
(a 1)(c 1) MS E
SS BC MS BC
BC SSBC (b-1)(c-1) MS BC F0
(b 1)(c 1) MS E
SS ABC MS ABC
ABC SSABC (a-1)(b-1)(c-1) MS ABC F0
(a 1)(b 1)(c 1) MS E
SS E
Error SSE abc(n-1) MS E
ab(n 1)
Total SST abcn-1
Untuk menghitung jumlah kuadrat interaksi dua faktor, total untuk sel AXB, AXC
dan BXC dibutuhkan. Total sel ini sangat menolong untuk meringkas tabel data asli ke
dalam tiga tabel dua arah agar dapat menghitung total ini. Jumlah kuadratnya adalah
2
a b yij.. y....2
SS AB SS A SS B SS subtotal( AB) SS A SS B (5.24)
i 1 j 1 cn abcn
2
a
yc
y....2
SS AC i.k . SS A SSC SS subtotal( AC ) SS A SSC (5.25)
i 1 k 1 bn abcn
2
b c y. jk. y....2
SS BC SS B SSC SS subtotal( BC ) SS B SSC (5.26)
j 1 k 1 an abcn
Jumlah kuadrat interaksi tiga faktor dihitung dari total sel tiga arah {yijk} sebagai
2
a b c yijk. y....2
SS ABC SS A SS B SSC SS AB SS AC SS BC (5.27)
i 1 j 1 k 1 n abcn
SS subtotal( ABC) SS A SS B SSC SS AB SS AC SS BC
Jumlah kuadrat error didapat dengan pengurangan jumlah kuadrat pengaruh utama dan
interaksi total jumlah kuadrat, yaitu
SS E SST SS subtotal( ABC) (5.28)
Contoh 5.3
Data yang ditampilkan pada Tabel 5.9 berikut menyajikan hasil proses kimia dengan
beberapa penentuan kondisi operasi. Analisislah data tersebut.
Analisis varian diringkas pada Tabel 5.10. Jumlah kuadrat dihitung sebagai berikut:
a b c n
y....2 (177) 2
SST yijkl 2051 92,9375
2
i 1 j 1 k 1 l 1 abcn 16
a
yi.. 2 y....2 (75) 2 (102) 2 (177) 2
SS A 45,5625
i 1 bcn abcn 8 16
b y. j. 2 y....2 (82) 2 (95) 2 (177) 2
SS B 15,5625
j 1 acn abcn 8 16
c
y.. k 2 y....2 (85) 2 (92) 2 (177) 2
SSC 3,0625
k 1 abn abcn 8 16
2
a b yij.. y....2 37 2 382 452 57 2 177 2
SS AB SS A SS B 45,5625 10,5625 7,5625
i 1 j 1 cn abcn 4 16
36 2 39 2 49 2 532 177 2
2
a c
yi.k . y....2
SS AC SS A SSC 45,5625 3,0625 0,0625
i 1 k 1 bn abcn 4 16
2
b c y. jk. y....2 382 442 47 2 482 177 2
SS BC SS B SSC 10,5625 3,0625 1,5625
j 1 k 1 an abcn 4 16
2
a b c yijk. y....2
SS ABC SS A SS B SSC SS AB SS AC SS BC
i 1 j 1 k 1 n abcn
16 212 202 182 222 232 27 2 302
2
45,5625 10,5625 3,0625 7,5625
2
0,0625 1,5625 5,0625
i = 1, 2, ….., a
yij i j ij j = 1, 2, ….., b (5.29)
pengaruh blok ke-j, dan ij adalah error random NID(0, 2 ). Perlakuan dan blok adalah
faktor tetap. Selain itu, pengaruh perlakuan blok ditentukan sebagai deviasi rata-rata
keseluruhan. Kita tertarik untuk menguji pengaruh perlakuan, maka
H0 : 1 = 2 = …… = a = 0
H1 : i ≠ 0 untuk sedikitnya satu i
Analisis varian untuk rancangan blok randomisasi lengkap ditampilkan pada Tabel 5.11.
SS Blok
Blok SSBlok b–1 b 1
SS E
Error SSE (a-1)(b-1) (a 1)(b 1)
Total SST ab-1
Contoh 5.4
Suatu percobaan telah dilakukan untuk mempelajari pengaruh empat bahan kimia yang
berbeda pada kekuatan sebuah jenis khusus dari pabrik. Tiga contoh kain telah dipilih,
dan rancangan blok randomisasi telah diterapkan dengan menguji empat bahan kimia
dalam susunan random pada setiap contoh kain. Datanya ditampilkan pada Tabel 5.12.
i 1 j 1 ab 12
5-1. Data berikut menyajikan hasil proses reaksi kimia dengan beberapa penentuan
kondisi operasi (temperatur dan tekanan). Analisislah data tersebut dan gambarkan
kesimpulan yang cocok.
Temperatur Tekanan (atm)
(oC) 1 2 3
100 50,4 50,7 50,2
50,2 50,6 50,4
150 50,1 50,5 50,0
50,3 50,6 50,1
200 50,5 50,8 50,3
50,7 50,9 50,1
5-2. Seorang peneliti ingin mempelajari pengaruh kecepatan pengadukan dan ukuran biji
jarak pada proses ekstraksi minyak jarak dari bijinya. Ia memilih tiga kecepatan
pengadukan 200, 300 dan 400 rpm, serta secara random dipilih 2 ukuran biji jarak dari
beberapa yang tersedia. Analisislah data tersebut dan buatlah kesimpulannya. Perkirakan
komponen variannya.
Ukuran biji Kecepatan pengadukan (rpm)
200 300 400
1 77 74 82
66 63 85
54 44 92
2 92 98 66
86 83 75
78 88 85
5-3. Analisislah data yang ditunjukkan dalam tabel berikut, dengan asumsi bahwa kedua
faktor baris dan faktor kolom tetap.
5-4. Persentase konsentrasi kekerasan kayu dalam bubur kayu, kebebasan dan
waktu memasak bubur kayu sedang dipelajari pengaruhnya pada kekuatan kertas.
Analisislah data yang ditunjukkan dalam tabel di atas, dengan asumsi bahwa
ketiga faktor tetap.
Waktu Memasak
Konsentrasi 1,5 jam 2 jam
Kekerasan Kebebasan Kebebasan
Kayu (%) 400 500 650 400 500 650
10 96,6 97,7 99,4 98,4 99,6 100,6
96,3 96,2 99,8 98,6 100,4 100,9
15 98,5 96,5 98,4 97,5 98,7 99,6
97,2 96,9 97,6 98,1 98,4 99,0
20 97,5 95,6 97,2 97,6 97,2 98,5
96,6 96,2 98,1 98,4 97,8 99,8