Nama Kel : MATB-3D

Anggota : Desti Nur Rohmah (19305141006)

William Chandra Pratama (19305141027)
Galang Sumantri (19305141035)
Ridho Rahmanto (19305144001)
Nerrisa Ulfah Permatasari (19305144002)

1. Suatu agen kerja telah melakukan penelitian untuk menentukan pengaruh dari jenis
pekerjaan dan jenis kelamin pada lama kerja. Sampel acak independen dari karyawan
yang bekerja dalam layanan, teknologi, penjualan, keamanan, dan tenaga kerja diperoleh.
Lama kerja (dalam minggu) dari setiap penugasan dicatat. Berikut adalah bagian dari
tabel ringkasan ANOVA.

a. Melengkapi tabel ANOVA.

Sumber Jumlah kuadrat Derajat bebas Kuadrat F p-value

variasi tengah
Jenis 16.33 1 𝟏𝟔. 𝟑𝟑 𝟒. 𝟎𝟑𝟑 0.0500358
kelamin
𝐾𝑇𝐴 𝐾𝑇𝐴
𝐽𝐾𝐴 𝐹𝐴 =
𝐾𝑇𝐺
= 16.33
(𝑎 − 1) =
16.33 4.0484
= = 4.033
1
= 16.33
Jenis 184.39 4 𝟒𝟔. 𝟎𝟗𝟕𝟓 𝟏𝟏. 𝟑𝟖𝟔𝟓 1.202566e
pekerjaan -06
𝑎𝑏 = (𝑎 − 1) 𝐾𝑇𝐵 𝐹𝐵
(𝑏 − 1) 𝐽𝐾𝐵 𝐾𝑇𝐵
= =
4 = 1(𝑏 − 1) (5 − 1) 𝐾𝑇𝐺
𝑏 = 5 184.39 46.0975
= =
4 4.0484
= 46.0975 = 11.3865
Interaksi 𝟏𝟗. 𝟑𝟒 4 𝟒. 𝟖𝟑𝟓 𝟏. 𝟏𝟗𝟒 0.3250051

𝐽𝐾𝐴𝐵 𝐾𝑇𝐴𝐵 𝐹𝐴𝐵

= 𝐽𝐾𝑇 − (𝐽𝐾𝐴 𝐽𝐾𝐴𝐵 𝐾𝑇𝐴𝐵
= =
+ 𝐽𝐾𝐵 + 𝐽𝐾𝐺) (𝑎 − 1) 𝐾𝑇𝐺
𝐽𝐾𝐴𝐵 (𝑏 − 1) 4.835
=
= 422.48 19.34 4.0484
− (16.33 + 184.39 = = 1.194
4
+ 202.42) = 4.835
𝐽𝐾𝐴𝐵 = 19.34
Galat 202.42 50 𝟒. 𝟎𝟒𝟖𝟒

𝐾𝑇𝐺
𝐽𝐾𝐺
=
𝑎𝑏(𝑛 − 1)
202.42
=
50
= 4.0484
Total 422.48 59
𝑎𝑏𝑛 − 1
= 60 − 1
= 59

b. Berapa total banyaknya pengamatan?

a = 2, b = 5
𝑑𝑓 𝑔𝑎𝑙𝑎𝑡 = 𝑎b(𝑛 − 1)
50 = 2 ∗ 5 (𝑛 − 1)
50 = 10(𝑛 − 1)
𝑛 = 6

Total pengamatan = 𝑎 ∗ 𝑏 ∗ 𝑛
=2x5x6
= 60

c. Apakah ada bukti pengaruh interaksi? Lakukan pengujian hipotesis. Gunakan

𝜶 = 𝟎. 𝟎𝟏.

Hipotesis :
𝐻0 : Tidak ada pengaruh interaksi terhadap jenis kelamin dan jenis pekerjaan.
𝐻1 : terdapat pengaruh interaksi terhadap jenis kelamin dan jenis pekerjaan.

Taraf signifikansi : 𝛼 = 0.01

Statistik uji:
𝐾𝑇𝐴𝐵
𝐹𝐴𝐵 = 𝐾𝑇𝐺

Kriteria keputusan :
𝑎 = 2, 𝑏 = 5, 𝑛 = 4, 𝐹0.01 ((𝑎−1)(𝑏−1) , 𝑎𝑏(𝑛−1)) =𝐹0.01 (4,50) = 3.719545

> qf(0.99,4,50)
[1] 3.719545

𝐻0 ditolak jika𝐹𝐴𝐵 > 3.719545 atau 𝐻0 ditolak jika p-value < 0.01
 Hitungan :
𝐾𝑇𝐴𝐵 4.835
𝐹𝐴𝐵 = = 4.0484 = 1.194 atau p-value = 0.3250051
𝐾𝑇𝐺

> 1-pf(1.194,df1=4,df2=50)
[1] 0.3250051

Kesimpulan :
karena 𝐹𝐴𝐵 = 1.194 < 3.719545 atau p-value = 0.3250051 > 0.01 maka 𝐻0
diterima

d. Apakah ada bukti pengaruh jenis kelamin atau jenis pekerjaan terhadap lama
kerja? Lakukan pengujian hipotesis. Gunakan 𝜶 = 𝟎. 𝟎𝟏.

• Uji pengaruh utama faktor A

Hipotesis :
𝐻0 : Tidak ada pengaruh interaksi terhadap jenis kelamin.
𝐻1 : Ada pengaruh interaksi terhadap jenis kelamin.

Taraf signifikansi : 𝛼 = 0.01

Statistik uji :
𝐾𝑇𝐴
𝐹𝐴 = 𝐾𝑇𝐺

Kriteria keputusan :
𝐻0 ditolak jika 𝐹𝐴 > 𝐹0.01 ((𝑎−1) , 𝑎𝑏(𝑛−1)) =𝐹0.01 (1,50) = 7.170577 atau
p-value < 0.01

> qf(0.99,1,50)
[1] 7.170577
Hitungan :
𝐾𝑇𝐴 16.33
𝐹𝐴 = = 4.0484 = 4.033 atau p-value = 0.0500358
𝐾𝑇𝐺

> 1-pf(4.033 ,df1=1,df2=50)

[1] 0.0500358
Kesimpulan :
karena 𝐹𝐴 = 1.194 < 3.719545 atau p-value = 0.0500358 > 0.01 maka 𝐻0
diterima

• Uji pengaruh utama faktor B

Hipotesis :
𝐻0 : Tidak ada pengaruh interaksi terhadap jenis pekerjaan.
𝐻1 : Ada pengaruh interaksi terhadap jenis pekerjaan.
 Taraf signifikansi : 𝛼 = 0.01

Statistik uji:
𝐾𝑇𝐵
𝐹𝐵 = 𝐾𝑇𝐺

Kriteria keputusan:
𝐻0 ditolak jika 𝐹𝐵 > 𝐹0.01((b−1) , 𝑎𝑏(𝑛−1)) =𝐹0.01 (4,50) = 3.719545
atau p-value < 0.01

> qf(0.99,4,50)
[1] 3.719545

Hitungan :
𝐾𝑇𝐵 46.0975
𝐹𝐵 = 𝐾𝑇𝐺 = 4.0484 = 11.3865 atau p-value = 1.202566e-06

> 1-pf(11.3865 ,df1=4,df2=50)

[1] 1.202566e-06

Kesimpulan :
karena 𝐹𝐵 = 11.3865 > 3.719545 atau p-value = 1.202566e-06 < 0.01 maka
𝐻0 ditolak

2. The Genesis Diving Institute of Florida menyatakan penyelam scuba menggunakan

berbagai sistem pendidikan yang berbeda. Organisasi ini telah mempelajari waktu yang
dihabiskan di bawah air oleh penyelam scuba dalam menjelajahi gua dan perairan
terbuka. Setiap penyelam juga diklasifikasikan berdasarkan kelompok umur. Penyelaman
mandiri dipilih secara acak untuk setiap kombinasi kelompok umur dan tipe penyelaman.
Data (dalam menit) diberikan dalam tabel berikut.

Lakukan analisis variansi dua arah. Interpretasikan hasilnya. Gunakan 𝛼 = 0.001 untuk
setiap pengujian hipotesis.
a) Buat plot rata-rata respons dan berikan interpretasi.

> dive<- read.csv(file="D:/Materi Kuliah/ADV/BAB 7/dive.csv",head=TRU

E)
> str(dive)
'data.frame': 64 obs. of 3 variables:
$ Time : int 39 41 38 42 41 40 39 40 42 37 ...
$ Age.group: Factor w/ 4 levels ">=50","20-30",..: 2 2 2 2 2 2 2 2 2
2 ...
$ Dive.type: Factor w/ 2 levels "Cave","Open water": 1 1 1 1 1 1 1 1
2 2 ...
> head(dive)
Time Age.group Dive.type
1 39 20-30 Cave
2 41 20-30 Cave
3 38 20-30 Cave
4 42 20-30 Cave
5 41 20-30 Cave
6 40 20-30 Cave
> dive$int <- with(dive, interaction(Age.group,Dive.type), drop = TRU
E)
> head(dive$int,n=3)
[1] 20-30.Cave 20-30.Cave 20-30.Cave
8 Levels: >=50.Cave 20-30.Cave 30-40.Cave 40-50.Cave >=50.Open water
... 40-50.Open water
> attach(dive)
> interaction.plot(x.factor = Age.group,trace.factor =
Dive.type,response = Time,fun = mean,type = "b", legend = TRUE,xlab
="tipe menyelam", ylab="Rata-rata waktu menyelam di air",
pch=c(1,19), col = c("black","red","blue","green"),lwd=
 Interpretasi :

❖ Terlihat adanya garis-garis tidak paralel sehingga mengindikasikan adanya pengar

uh interaksi antara kelompok umur penyelam dengan tipe penyelam.
❖ Dari plot diatas, terlihat bahwa rata-rata waktu penyelaman bagi kelompok umur >
=50 dan 20-30 memiliki rata-rata yang hampir sama untuk tipe penyelaman cave d
an open water. Untuk kelompok umur 30-40 tipe penyelaman open water memilik
i rata-rata waktu penyelaman yang lebih tinggi daripada tipe penyelaman cave. Lal
u untuk kelompok umur 40-50 tipe penyelaman cave memiliki rata-rata waktu pen
yelaman lebih tinggi dari pada tipe penyelaman open water.
❖ Pada kelompok umur >=50 dan 20-30 terlihat adanya rata-rata waktu penyelaman
yang hampir sama. Pada kelompok umur 30-40 terlihat bahwa rata-rata waktu pen
yelaman pada tipe penyelaman open water lebih tinggi dari pada tipe penyelaman
cave. Pada kelompok umur 40-5- terlihat rata-rata waktu penyelaman pada tipe ca
ve lebih tinggi dari pada tipe penyelaman open water. Hal ini mengindikasikan ba
hwa ada pengaruh kelompok umur terhadap waktu penyelaman.
❖ Rata-rata waktu penyelaman dari kedua tipe relatif berbeda. Hal ini mengindikasik
an bahwa tidak ada pengaruh tipe penyelaman terhadap waktu penyelaman

b) Tentukan hipotesis nol dan hipotesis alternatif dalam kalimat dan simbol.
➢ Uji Pengaruh Interaksi :
H0 : Tidak ada pengaruh interaksi antara tipe penyelaman dan kelompok umur
terhadap waktu menyelam.
H1 : Ada pengaruh interaksi antara tipe penyelaman dan kelompok umur
terhadap waktu menyelam.
➢ Uji pengaruh utama kelompok umur (Faktor A):
H0 : Tidak ada pengaruh kelompok umur terhadap waktu menyelam.
H1 : Ada pengaruh kelompok umur terhadap waktu menyelam.

➢ Uji pengaruh utama tipe penyelaman (Faktor B):

H0 : Tidak ada pengaruh tipe penyelaman terhadap waktu menyelam.
H1 : Ada pengaruh tipe penyelaman terhadap waktu menyelam

c) Jika taraf signifikansi 𝜶 = 𝟎. 𝟎𝟓, maka tentukan kriteria keputusan yang

bersesuaian.
➢ Uji Pengaruh Interaksi :
Kriteria Keputusan : a=4, b=2, n=8, F0.001((a-1)(b-1),ab(n-1)) = F0.001(3,56) = 6.229585
H0 ditolak jika 𝐹𝐴𝐵>6.229585 atau H0 ditolak jika p-value < 0.001
𝐾𝑇𝐴𝐵 68.54
Hitungan : FAB = 𝐾𝑇𝐺 = 10.37 = 6.60945
Oleh karena FAB = 6.609 > Ftabel= 6.229585 atau P-value = 0.0006675786 <
0.001 maka H0 ditolak, Jadi pada taraf signifikansi 0.001 dapat disimpulkan
bahwa ada pengaruh interaksi kelompok umur dengan tipe penyelaman terhadap
waktu menyelam.
 > a <- nlevels(Age.group)
> a
[1] 4
> b <- nlevels(Dive.type)
> b
[1] 2
> n <- 8
> qf(0.999,df1 =(a-1)*(b-1), df2 = a*b*(n-1))
[1] 6.229585
> p.value <- 1 - pf(6.609,df1 =(a-1)*(b-1), df2 = a*b*(n-1))
> p.value
[1] 0.0006675786

➢ Uji pengaruh utama kelompok umur (Faktor A):

Taraf signifikansi = 0.001
Kriteria Keputusan : a=4, b=2, n=8, F𝛼(𝑎−1,𝑎𝑏(𝑛−1)) = F0.001(3,56) = 6.229585
H0 ditolak jika 𝐹𝐴> 6.229585 atau H0 ditolak jika p-value < 0.001
𝐾𝑇𝐴 72.37
Hitungan : FA = 𝐾𝑇𝐺 = 10.37 = 6.97878
Oleh karena FA = 6.979 > Ftabel= 6.229585 atau P-value = 0.0004523425 < 0.001
maka H0 ditolak, Jadi pada taraf signifikansi 0.001 dapat disimpulkan bahwa ada
pengaruh kelompok umur terhadap waktu menyelam.

> qf(0.999,df1 = a-1,df2 = a*b*(n-1))

[1] 6.229585
> p.value.A <- 1 - pf(6.979,df1 =a-1, df2 = a*b*(n-1))
> p.value.A
[1] 0.0004523425

➢ Uji pengaruh utama tipe penyelaman (Faktor B):

Taraf signifikansi : 0.001
Kriteria Keputusan : a=4, b=2, n=8, F𝛼(𝑏−1,𝑎𝑏(𝑛−1)) = F0.001(1,56) = 12.06115
H0 ditolak jika 𝐹𝐴> 12.06115 atau H0 ditolak jika p-value < 0.001
𝐾𝑇𝐵 2.25
Hitungan : FB = 𝐾𝑇𝐺 = 10.37 = 0.21697
Kesimpulan : Oleh karena FB = 0.217 < Ftabel= 12.06115 atau P-value = 0.088420
47 > 0.001 maka H0 diterima. Jadi pada taraf signifikansi 0.001 dapat disimpulkan
bahwa tidak ada pengaruh tipe penyelaman terhadap waktu menyelam.

> qf(0.999,df1 = b-1,df2 = a*b*(n-1))

[1] 12.06115
> p.value.B <- 1 - pf(0.217,df1 =b-1, df2 = a*b*(n-1))
> p.value.B
[1] 0.6431421
d) Buat table ANOVA dan berikan kesimpulan.

> #Anova 2 arah dengan R

> fit <- aov(Time~ Age.group*Dive.type,data=dive)
> summary(fit)
Df Sum Sq Mean Sq F value Pr(>F)
Age.group 3 217.1 72.37 6.979 0.000452 ***
Dive.type 1 2.2 2.25 0.217 0.643172
Age.group:Dive.type 3 205.6 68.54 6.609 0.000667 ***
Residuals 56 580.8 10.37
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

e) Jika hipotesis pada pengaruh interaksi tidak ditolak, lakukan perbandingan

berganda dengan prosedur Tukey pada pengaruh faktor utama yang signifikan.
Berikan kesimpulan dan rekomendasi. Gunakan 𝜶 = 𝟎. 𝟎𝟓.
➢ Uji perbandingan berganda pengaruh Kelompok Umur (Faktor A) dengan uji
tukey

> TukeyHSD(fit,which="Age.group",conf.level = 0.999)

Tukey multiple comparisons of means
99.9% family-wise confidence level

Fit: aov(formula = Time ~ Age.group * Dive.type, data = dive)

$Age.group
diff lwr upr p adj
20-30->=50 2.4375 -2.1341163 7.009116 0.1529136
30-40->=50 4.8750 0.3033837 9.446616 0.0004170
40-50->=50 3.9375 -0.6341163 8.509116 0.0056109
30-40-20-30 2.4375 -2.1341163 7.009116 0.1529136
40-50-20-30 1.5000 -3.0716163 6.071616 0.5558817
40-50-30-40 -0.9375 -5.5091163 3.634116 0.8431479

❖ IK 99.9% bagi 𝜇 30-40 > 𝜇 >=50 adalah 0.30338 dan 9.44661. Sehingga dapat disi
mpulkan bahwa rata-rata waktu penyelaman lebih tinggi kelompok dengan um
ur >=50 daripada kelompok dengan umur 30-40(𝜇 30-40 > 𝜇 >=50)
❖ IK 99.9% bagi beda rata-rata waktu penyelaman dari kelompok umur lain me
muat 0,sehingga tidak ada perbedaan rata-rata waktu penyelaman

➢ Uji perbandingan berganda pengaruh Tipe penyelaman (factor B) dengan uji tukey

❖ Pada uji perbandingan pengaruh Tipe penyelam dengan uji tukey tidak dilakuk
an karena H0 diterima.
 ➢ Uji perbandingan berganda pengaruh interaksi dengan uji tukey.

> TukeyHSD(fit,which="Age.group:Dive.type",conf.level = 0.999)

Tukey multiple comparisons of means
99.9% family-wise confidence level

Fit: aov(formula = Time ~ Age.group * Dive.type, data = dive)

$`Age.group:Dive.type`
diff lwr upr p adj
20-30:Cave->=50:Cave 2.375 -4.79924873 9.5492487 0.8171647
30-40:Cave->=50:Cave 2.500 -4.67424873 9.6742487 0.7754918
40-50:Cave->=50:Cave 6.625 -0.54924873 13.7992487 0.0030405
>=50:Open water->=50:Cave -0.250 -7.42424873 6.9242487 0.9999999
20-30:Open water->=50:Cave 2.250 -4.92424873 9.4242487 0.8546408
30-40:Open water->=50:Cave 7.000 -0.17424873 14.1742487 0.0014309
40-50:Open water->=50:Cave 1.000 -6.17424873 8.1742487 0.9984360
30-40:Cave-20-30:Cave 0.125 -7.04924873 7.2992487 1.0000000
40-50:Cave-20-30:Cave 4.250 -2.92424873 11.4242487 0.1638154
>=50:Open water-20-30:Cave -2.625 -9.79924873 4.5492487 0.7302432
20-30:Open water-20-30:Cave -0.125 -7.29924873 7.0492487 1.0000000
30-40:Open water-20-30:Cave 4.625 -2.54924873 11.7992487 0.0980672
40-50:Open water-20-30:Cave -1.375 -8.54924873 5.7992487 0.9888650
40-50:Cave-30-40:Cave 4.125 -3.04924873 11.2992487 0.1919781
>=50:Open water-30-40:Cave -2.750 -9.92424873 4.4242487 0.6821803
20-30:Open water-30-40:Cave -0.250 -7.42424873 6.9242487 0.9999999
30-40:Open water-30-40:Cave 4.500 -2.67424873 11.6742487 0.1170564
40-50:Open water-30-40:Cave -1.500 -8.67424873 5.6742487 0.9815647
>=50:Open water-40-50:Cave -6.875 -14.04924873 0.2992487 0.0018446
20-30:Open water-40-50:Cave -4.375 -11.54924873 2.7992487 0.1389005
30-40:Open water-40-50:Cave 0.375 -6.79924873 7.5492487 0.9999979
40-50:Open water-40-50:Cave -5.625 -12.79924873 1.5492487 0.0197305
20-30:Open water->=50:Open water 2.500 -4.67424873 9.6742487 0.7754918
30-40:Open water->=50:Open water 7.250 0.07575127 14.4242487 0.0008545
40-50:Open water->=50:Open water 1.250 -5.92424873 8.4242487 0.9937036
30-40:Open water-20-30:Open water 4.750 -2.42424873 11.9242487 0.0816929
40-50:Open water-20-30:Open water -1.250 -8.42424873 5.9242487 0.9937036
40-50:Open water-30-40:Open water -6.000 -13.17424873 1.1742487 0.0100494

f) Lakukan pengecekan asumsi normalitas dan homogenitas variansi.

Hipotesis:
𝐻0 : 𝜎12=𝜎22=…=𝜎82
𝐻1:∃𝜎𝑖2≠𝜎𝑗2, 𝑖≠𝑗; 𝑖,=1,2,…,8
Taraf Signifikansi : 𝛼 = 0.001

> bartlett.test(Time ~ int,data=dive)

Bartlett test of homogeneity of variances

data: Time by int

Bartlett's K-squared = 8.8143, df = 7, p-value = 0.2663

> levels(int)
[1] ">=50.Cave" "20-30.Cave" "30-40.Cave" "40-50.
Cave" ">=50.Open water"
[6] "20-30.Open water" "30-40.Open water" "40-50.Open water"
> pchisq(0.999,7)
[1] 0.005155348
➢ Kesimpulan :
Karena Bartlett’s K-squared = 8.8143 dan P-value = 0.2663 > 0.001 maka H0
diterima. Jadi pada taraf signifikansi 0.001 dapat disimpulkan bahwa kedelapan
populasi memiliki variansi yang sama (asumsi homogenitas variansi terpenuhi)

➢ Uji normalitas pada masing-masing grup AB dengan uji Shapiro-Wilk

❖ Grup 1 : >=50.cave
Hipotesis :
H0 : Data grup berdistribusi normal
H1 : Data grup tidak berdistribusi normal

> grup1<-subset(dive$Time,dive$int== ">=50.Cave")

> shapiro.test(grup1)

Shapiro-Wilk normality test

data: grup1
W = 0.95797, p-value = 0.7906

Data grup 1 berdistribusi normal (p-value = 0.7906 > 0.001)

❖ Grup 2 :
> grup2<-subset(dive$Time,dive$int== "20-30.Cave")
> shapiro.test(grup2)

Shapiro-Wilk normality test

data: grup2
W = 0.96507, p-value = 0.8568

Data grup 2 berdistribusi normal (p-value=0.8568>0.001)

❖ Grup 3 :
> grup3<-subset(dive$Time,dive$int== "30-40.Cave")
> shapiro.test(grup3)

Shapiro-Wilk normality test

data: grup3
W = 0.95899, p-value = 0.8004

Data grup 3 berdistribusi normal (p-value=0.8004>0.001)

❖ Grup 4 :
> grup4<-subset(dive$Time,dive$int== "40-50.Cave")
> shapiro.test(grup4)
Shapiro-Wilk normality test

data: grup4
W = 0.96849, p-value = 0.8859

Data grup 4 berdistribusi normal (p-value=0.8859>0.001)

 ❖ Grup 5 :

> grup5<-subset(dive$Time,dive$int== ">=50.Open water")

> shapiro.test(grup5)

Shapiro-Wilk normality test

data: grup5
W = 0.91325, p-value = 0.3775

Data grup 5 berdistribusi normal (p-value=0.3775>0.001)

❖ Grup 6 :
> grup6<-subset(dive$Time,dive$int== "20-30.Open water")
> shapiro.test(grup6)

Shapiro-Wilk normality test

data: grup6
W = 0.94526, p-value = 0.6635

Data grup 6 berdistribusi normal (p-value=0.6635>0.001)

❖ Grup 7 :
> grup7<-subset(dive$Time,dive$int== "30-40.Open water")
> shapiro.test(grup7)

Shapiro-Wilk normality test

data: grup7
W = 0.97862, p-value = 0.9558

Data grup 7 berdistribusi normal (p-value=0.9558>0.001)

❖ Grup 8 :
> grup8<-subset(dive$Time,dive$int== "40-50.Open water")
> shapiro.test(grup8)
Shapiro-Wilk normality test

data: grup8
W = 0.94293, p-value = 0.6402

Data grup 8 berdistribusi normal (p-value=0.6402>0.001)

➢ Uji normalitas pada residual dengan uji Shapiro-Wilk dengan program R
> aov_residuals <- residuals(object = fit)
> #uji Shapiro-Wilk
> shapiro.test(x = aov_residuals )

Shapiro-Wilk normality test

data: aov_residuals
W = 0.98939, p-value = 0.8597
 ❖ Kesimpulan :
Karena W = 0.98939 atau P-value=0.8597>0.001 maka H0 diterima. Jadi pada
taraf signifikansi 0.001 dapat disimpulkan bahwa data residual berdistribusi
normal.

Pengambilan Nomor Acak

Input:

sample(x=3:6,size=1,replace=FALSE)

Output:
> sample(x=3:6,size=1,replace=FALSE)
[1] 6

6. ingots.dat.txt. Dari dataset eksperimen konstruksi plat baja, lakukan analisis variansi dua
arah untuk mengetahui pengaruh pre-treatment dan metode slabbing terhadap breaking
strain.

Dataset: ingots.dat
Source: Riley (1887). Some Investigations as to the Effects of Different
Methods
of Treatment of Mild Steel in the Manufacture of Plates. Journal of the
Iron and
Steel Institute, Vol. 30 #1, pp. 121-162

Description: Lengthwise breaking strain and contraction of area in plates

that
were rolled from slabs made from ingots of varying types.

Variables/Columns
Pre treatment 8 (1=Reheated,0=Soaked)
Slabbing Method 16 (1=Hammered, 0=Cogged)
Slab Thickness 24 (4ò,8ò)
Plate Thickness 29-32 (1ò,0.5ò,0.25ò)
Annealing 40 (1=Yes,0=No)
Breaking Strain 45-48
Contraction of Area 53-56

> ingot <- read.table("C:/data/ingots.dat.txt",header=F,

col.names=c("pretrt","method","slabthick","platethick","annealing
","breaking","constraction"))
> ingot$pretrt <- factor(ingot$pretrt)
> levels(ingot$pretrt) <- c("Soaked","Reheated")
> ingot$method <- factor(ingot$method)
> levels(ingot$method) <- c("Cogged","Hammered")
> ingot$slabthick <- factor(ingot$slabthick)
> ingot$platethick <- factor(ingot$platethick)
> ingot$annealing <- factor(ingot$annealing)
> levels(ingot$annealing) <- c("No","Yes")
> str(ingot)
'data.frame': 48 obs. of 7 variables:
$ pretrt : Factor w/ 2 levels "Soaked","Reheated": 2 2 2 2 1 1 1 1 2
2 ...
$ method : Factor w/ 2 levels "Cogged","Hammered": 2 2 2 2 2 2 2 2 1
1 ...
$ slabthick : Factor w/ 2 levels "4","8": 2 2 1 1 2 2 1 1 2 2 ...
$ platethick : Factor w/ 3 levels "0.25","0.5","1": 3 3 3 3 3 3 3 3 3 3
...
$ annealing : Factor w/ 2 levels "No","Yes": 1 2 1 2 1 2 1 2 1 2 ...
 $ breaking : num 28.4 26 28.2 27 28 26.5 27.1 27.2 27.5 26.1 ...
$ constraction: num 32.5 51.5 33 41.3 50.5 56 48.5 52 36.5 42 ...
> head(ingot,n=3)
pretrt method slabthick platethick annealing breaking constraction
1 Reheated Hammered 8 1 No 28.4 32.5
2 Reheated Hammered 8 1 Yes 26.0 51.5
3 Reheated Hammered 4 1 No 28.2 33.0

a) Buat plot rata-rata respons dan berikan interpretasi.

> interaction.plot(x.factor = pretrt,trace.factor = method,response =

breaking,fun = mean,type = "b",legend = TRUE,xlab="Pre-treatment",yla
b = "Rata-rata breaking strain",pch=c(1,19),col = c("black","red"),lw
d=2)

Interpretasi:
• Terlihat adanya gars-garis yang paralel sehingga mengindikasikan tidak adanya
pengaruh interaksi pre-tratment dengan metode slabbing.
• Dari plot teerlihat bahwa rata-rata breaking strain bagi kedua pre-treatment lebih kuat
pada metode hammered dbanding metode cogged.
• Pada pre-treatment Reheated, terlihat adanya perbedaan rata-rata breaking strain yang
cukup besar antara metode Hammered dibanding metode cogged. Rata-rata breaking
strain pre-treatment Soaked antara pada kedua metode hampir sama.

b) Tentukan hipotesis nol dan hipotesis alternatif dalam kalimat dan simbol.
Uji bagi pengaruh interaksi
Hipotesis:
𝐻0 : (𝛼𝛽)11 = (𝛼𝛽)12 = ⋯ = (𝛼𝛽)22 (Tidak ada pengaruh interaksi pre-treatment dan
metode slabbing terhadap breaking strain)
 𝐻1 : ∃(𝛼𝛽)𝑖𝑗 ≠ 0, 𝑖 = 1,2; 𝑗 = 1,2 (Ada pengaruh interaksi pre-treatment dan metode
slabbing terhadap breaking strain)
Uji pengaruh utama faktor A (pre-treatment)
Hipotesis:
𝐻0 : 𝛼1 = 𝛼2 = 0 (Tidak ada pengaruh pre-treatment terhadap breaking strain)
𝐻1 : ∃𝛼𝑖 ≠ 0, 𝑖 = 1,2,3,4,5 (Ada pengaruh pre-treatment terhadap breaking strain)
Uji pengaruh utama faktor B (metode slabbing)
Hipotesis:
𝐻0 : 𝛽1 = 𝛽2 = 0 (Tidak ada pengaruh metode slabbing terhadap breaking strain)
𝐻1 : 𝛽𝑗 ≠ 0, 𝑗 = 1,2 (Ada pengaruh metode slabbing terhadap breaking strain)

c) Jika taraf signifikansi 𝛼 = 0.05, maka tentukan kriteria keputusan yang bersesuaian.
Uji bagi pengaruh interaksi
Kriteria keputusan:
𝑎 = 2, 𝑏 = 2, 𝑛 = 1, 𝐹0.05((𝑎−1)(𝑏−1),𝑎𝑏(𝑛−1)) = 𝐹0.05(1,44) =4.06170646
> a<-nlevels(pretrt)
> a
[1] 2
> b<-nlevels(method)
> b
[1] 2
> n<-12
> qf(0.95,df1 = (a-1)*(b-1),df2 = a*b
*(n-1))
[1] 4.06170646

𝐻0 ditolak jika 𝐹𝐴𝐵 > 4.06170646 atau 𝐻0 ditolak jika 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 0.05
Uji pengaruh utama faktor A (pre-treatment)
Kriteria keputusan:
𝑎 = 2, 𝑏 = 2, 𝑛 = 1, 𝐹0.05(𝑎−1,𝑎𝑏(𝑛−1)) = 𝐹0.05(1,44) = 4.06170646
> qf(0.95,df1 = a-1,df2 = a*b*(n-1))
[1] 4.06170646

𝐻0 ditolak jika 𝐹𝐴 > 4.06170646 atau 𝐻0 ditolak jika 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 0.05
Uji pengaruh utama faktor B (metode slabbing)
Kriteria keputusan:
𝑎 = 2, 𝑏 = 2, 𝑛 = 1, 𝐹0.05(𝑏−1,𝑎𝑏(𝑛−1)) = 𝐹0.05(1,44) = 4.06170646
> qf(0.95,df1 = b-1,df2 = a*b*(n-1))
[1] 4.06170646

𝐻0 ditolak jika 𝐹𝐵 > 4.06170646 atau 𝐻0 ditolak jika 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 0.05

d) Buat tabel ANOVA dan berikan kesimpulan.

Manual:
Anggap asumsi-asumsi dalam analisis variansi dua arah terpenuh. Ada 𝑎 = 2 level faktor
A (pre-treatment) dan 𝑏 = 2 level faktor B (metode slabbing), dan 𝑛 = 12 pengamatan
dalam masing- masing sel.
Metode Slabbing
Hammered Cogged
Pre-treatment

Reheated 𝑡11. = 340.0 𝑡12 = 332.7 𝑡1.. = 672.7

Soaked 𝑡21 = 338.8 𝑡22 = 336.2 𝑡2.. = 675.0
𝑡.1. = 678.8 𝑡.2. = 668.9 𝑡… = 1347.7

> tapply(breaking,int,sum)
Soaked.Cogged Reheated.Cogged Soaked.Hammered Reheated.Hamme
red
336.2 332.7 338.8 34
0.0
> tapply(breaking,pretrt,sum)
Soaked Reheated
675.0 672.7
> tapply(breaking,method,sum)
Cogged Hammered
668.9 678.8

Menghitung jumlah kuadrat

2 2 12
2
𝑡…2
𝐽𝐾𝑇 = (∑ ∑ ∑ − 𝑦𝑖𝑗𝑘 )
𝑖=1 𝑗=1 𝑘=1 (2)(2)(12)
= (28.4 + 26.0 + 28.2 + 27.02 + 28.02 + 26.52 + 27.12 + 27.22 + 27.52
2 2 2

+ 26.12 + 27.82 +
26.52 + 28.62 + 27.22 + 27.72 + 262 + 29.32 + 27.62 + 292 + 25.82 + 27.92
+ 27.32 +
28.72 + 27.92 + 28.42 + 27.62 + 28.72 + 27.82 + 292 + 272 + 292 + 26.32
+ 31.72 +
27.62 + 29.12 + 26.82 + 30.62 + 27.82 + 30.42 + 26.42 + 312 + 28.42
+ 29.72 + 27.42 +
1347.72
32.62 + 26.52 + 31.52 + 27.12 ) −
48
= 37955.27 − 37839.485208333 = 115.784791667
∑2𝑖=1 𝑡𝑖2 𝑡…2 672.72 + 675.02 1347.72
𝐽𝐾𝐴 = − = −
(2)(12) (2)(2)(12) 24 48
= 37839.595416666 − 37839.485208333 = 0.11021
∑2𝑗=1 𝑡𝑗2 𝑡…2 678.82 + 668.92 1347.72
𝐽𝐾𝐵 = − = −
(2)(12) (2)(2)(12) 24 48
= 37841.527083332 − 37839.485208333 = 2.0418
∑2𝑖=1 ∑2𝑗=1 𝑡𝑖𝑗
2
∑2𝑖=1 𝑡𝑖2 ∑2𝑗=1 𝑡𝑗2 𝑡…2
𝐽𝐾𝐴𝐵 = − − +
(12) (2)(12) (2)(12) (2)(2)(12)
340.0 + 332.72 + 338.82 + 336.22
2
= − 37839.595416666
12
− 37841.527083332
+37839.485208333
= 37842.0975 − 37839.595416666 − 37841.527083332 + 37839.485208333
= 0.460208335
𝐽𝐾𝐺 = 𝐽𝐾𝑇 − 𝐽𝐾𝐴 − 𝐽𝐾𝐵 − 𝐽𝐾𝐴𝐵
= 115.784791667 − 0.11021 − 2.0418 − 0.460208335 = 113.17

Menghitung kuadrat tengah

𝐽𝐾𝐴 0.11021
𝐾𝑇𝐴 = = = 0.11021
𝑎−1 1
𝐽𝐾𝐵 2.0418
𝐾𝑇𝐵 = = = 2.0418
𝑏−1 1
𝐽𝐾𝐴𝐵 0.460208335
𝐾𝑇𝐴𝐵 = = = 0.460208335
(𝑎 − 1)(𝑏 − 1) 1
𝐽𝐾𝐺 113.17
𝐾𝑇𝐺 = = = 2.572
𝑎𝑏(𝑛 − 1) 44

Menghitung F hitung
𝐾𝑇𝐴 0.11021
𝐹𝐴 = = = 0.04285
𝐾𝑇𝐺 2.572
𝐾𝑇𝐵 2.0418
𝐹𝐵 = = = 0.7938569
𝐾𝑇𝐺 2.572
𝐾𝑇𝐴𝐵 0.460208335
𝐹𝐴𝐵 = = = 0.1789
𝐾𝑇𝐺 2.572

Tabel ANOVA

Derajat
Sumber variansi Jumlah kuadrat Kuadrat tengah F p-value
bebas
Faktor A 0.11021 1 0.11021 0.04285 𝑝𝐴
Faktor B 2.0418 1 2.0418 0.7938569 𝑝𝐵
Interaksi 0.460208335 1 0.460208335 0.1789 𝑝𝐴𝐵
Galat 113.17 44 2.572
Total 115.784791667 47

Dengan R:
> options(digits = 10)
> fit<-aov(breaking~pretrt*method)
> summary(fit)
Df Sum Sq Mean Sq F value Pr(>F)
pretrt 1 0.11021 0.1102083 0.04285 0.83697
method 1 2.04188 2.0418750 0.79385 0.37778
pretrt:method 1 0.46021 0.4602083 0.17892 0.67436
Residuals 44 113.17250 2.5721023

Kesimpulan:
Uji bagi pengaruh interaksi
Kesimpulan: 𝐹𝐴𝐵 = 0.1789, 𝑝 − 𝑣𝑎𝑙𝑢𝑒 > 0.05
Oleh karena 𝐹𝐴𝐵 = 0.1789 < 4.06170646 (atau 𝑝 − 𝑣𝑎𝑙𝑢𝑒 =0.67436 > 0.05) maka 𝐻0
tidak ditolak. Jadi pada taraf signifikansi 0.05 dapat disimpulkan bahwa tidak ada
pengaruh interaksi pre-treatment dan metode slabbing terhadap breaking strain.
Uji pengaruh utama faktor A (pre-treatment)
 Kesimpulan: 𝐹𝐴 = 0.04285, 𝑝 − 𝑣𝑎𝑙𝑢𝑒 > 0.05
Oleh karena 𝐹𝐴 = 0.04285 < 4.06170646 (atau 𝑝 − 𝑣𝑎𝑙𝑢𝑒 =0.83697 > 0.05) maka 𝐻0
tidak ditolak. Jadi pada taraf signifikansi 0.05 dapat disimpulkan bahwa tidak ada
pengaruh pre-treatment terhadap breaking strain.
Uji pengaruh utama faktor B (metode slabbing)
Kesimpulan: 𝐹𝐵 = 0.7938569, 𝑝 − 𝑣𝑎𝑙𝑢𝑒 > 0.05
Oleh karena 𝐹𝐵 = 0.7938569 < 4.06170646 (atau 𝑝 − 𝑣𝑎𝑙𝑢𝑒 =0.37778 > 0.05) maka
𝐻0 tidak ditolak. Jadi pada taraf signifikansi 0.05 dapat disimpulkan bahwa tidak ada
pengaruh metode slabbing terhadap breaking strain.

e) Jika hipotesis pada pengaruh interaksi ditolak, lakukan perbandingan berganda dengan
prosedur Tukey. Berikan kesimpulan dan rekomendasi. Gunakan 𝛼 = 0.05.
Karena hipotesis pada pengaruh interaksi tidak ditolak maka tidak dilakukan
perbandingan berganda dengan prosedur Tukey.

f) Jika hipotesis pada pengaruh interaksi tidak ditolak, lakukan perbandingan berganda
dengan prosedur Tukey pada pengaruh faktor utama yang signifikan. Berikan kesimpulan
dan rekomendasi. Gunakan 𝛼 = 0.05.
Karena pengaruh pada faktor utama tidak signifikan pada uji anava dua arah, maka tidak
didak dilakukan perbandingan berganda dengan prosedur Tukey pada pengaruh faktor
utama.

g) Lakukan pengecekan asumsi normalitas dan homogenitas variansi.

Uji Normalita
> levels(int)
[1] "Soaked.Cogged" "Reheated.Cogged" "Soaked.Hammered" "Reh
eated.Hammered"
> grup1<-subset(ingot$breaking,ingot$int=="Soaked.Cogged")
> shapiro.test(grup1)

Shapiro-Wilk normality test

data: grup1
W = 0.91992095, p-value = 0.2852587
> grup2<-subset(ingot$breaking,ingot$int=="Reheated.Cogged")
> shapiro.test(grup2)
Shapiro-Wilk normality test

data: grup2
W = 0.96987836, p-value = 0.909526

> grup3<-subset(ingot$breaking,ingot$int=="Soaked.Hammered")
> shapiro.test(grup3)

Shapiro-Wilk normality test

data: grup3
W = 0.82538916, p-value = 0.01848067

> grup4<-subset(ingot$breaking,ingot$int=="Reheated.Hammered")
> shapiro.test(grup4)

Shapiro-Wilk normality test

data: grup4
W = 0.95136885, p-value = 0.6570764
Grup 1: Soaked.Cogged
Data grup 1 berdistribusi normal (𝑊 = 0.91992095, p − value = 0.2852587 > 0.05)
Grup 2: Reheated.Cogged
Data grup 2 berdistribusi normal (𝑊 = 0.96987836, p − value = 0.909526 > 0.05)
Grup 3: Soaked.Hammered
Data grup 3 tidak berdistribusi normal (𝑊 = 0.82538916, p − value = 0.01848067 <
0.05)
Grup 4: Reheated.Hammered
Data grup 4 berdistribusi normal (𝑊 = 0.95136885, p − value = 0.6570764 > 0.05)

Uji Homogenitas variansi

> levels(int)
[1] "Soaked.Cogged" "Reheated.Cogged" "Soaked.Hammered" "Rehe
ated.Hammered"
> bartlett.test(breaking~int,data = ingot)

Bartlett test of homogeneity of variances

data: breaking by int

Bartlett's K-squared = 3.4398717, df = 3, p-value = 0.3286447

Hipotesis:
𝐻0 = 𝜎12 = 𝜎22 = 𝜎32 = 𝜎42
𝐻1 = ∃𝜎𝑖2 ≠ 𝜎𝑗2 , 𝑖 ≠ 𝑗, 𝑖, 𝑗 = 1,2,3,4

Oleh karena Bartlett’s K-squared =3.4398717 dan 𝑝 − 𝑣𝑎𝑙𝑢𝑒 = 0.3286447 > 0.05
maka 𝐻0 tidak ditolak. Jadi pada taraf signifikansi 0.05 dapat disimpulkan bahwa
keempat populasi memiliki variansi yang sama. (Asumsi homogenitas variansi terpenuhi)