ANALYSIS OF VARIANCE

(ANOVA)

Anova bila diterjemahkan ke dalam Bahasa Indonesia artinya adalah sidik ragam
atau analisis ragam, pertama kali diperkenalkan oleh R. A. Fisher pada tahun 1925.
Untuk mengenang jasa-jasanya, maka anova di sebut pula sebagai uji F. Karena jasanya
dalam bidang statistika, R. A. Fisher pernah dianugerahi gelar Baronet oleh Ratu Inggris.
Sidik ragam sebenarnya merupakan pengembangan dari uji t untuk dua sampel yang
bebas. Anova dipergunakan untuk mengetahui perbedaan nilai rata-rata lebih dari dua
macam perlakuan dan kontrol dalam hal ini masuk ke dalam perlakuan.
Anova dapat dikelompokkan menjadi anova satu arah dan anova dua arah.
Beberapa persyaratan yang harus dipenuhi pada anova adalah :
a). Normalitas
Data mempunyai skala pengukuran rasio atau interval dan berasal dari populasi
dengan sebaran normal. Uji normalitas dapat dilakukan dengan uji χ 2 (chi-square), kertas
probabilitas, Kolmogorov Smirnov atau uji Liliefors. Data yang menyebar normal bila
digambarkan kurvanya berbentuk simetris seperti lonceng. Bila data tersebut terbukti
tidak menyebar normal, maka bisa didekati dengan cara transformasi data. Bila tetap
tidak memenuhi persyaratan, maka analisisnya bisa dipergunakan uji statistik non
parametrik.
b). Homogenitas variansi
Perlu diketahui pangkat dua dari simpangan baku disebut variansi. Untuk
mengetahui apakah variansi dari perlakuan homogen atau tidak dapat dilakukan
pengujian dengan uji Bartlett.
c). Independen
Galat atau kekeliruan bersifat bebas terhadap sesamanya (independen). Dengan
kata lain, bahwa data pengamatan harus bebas satu sama lainnya. Persyaratan ini bisa
dipenuhi bila perlakuan yang diberikan terhadap unit eksperimen dengan cara acak
(random). Bila timbul keragu-raguan tentang acak atau tidaknya perlakuan yang
diberikan dapat dilakukan pengujian dengan uji randomisasi (uji statistik non
parametrik).

59
Anova Satu Arah
Anova satu arah ditemukan pada :
Rancangan Acak Lengkap (RAL)
RAL disebut juga rancangan rambang lugas atau desain acak sempurna (DAS),
completely randomized design atau simple randomized design.
Pada RAL arah semua variabel yang berpengaruh selain perlakuan adalah
homogen. Keuntungan RAL, analisisnya termasuk sederhana dan banyak ulangan (n i)
boleh sama atau tidak, bila tidak sama sebaiknya perbedaannya adalah < 50 %. Suatu
misal terjadi ‘kematian atau kehilangan unit eksperimen saat percobaan berlangsung tidak
menjadi masalah dari segi analisisnya, asalkan jumlah unit eksperimennya yang hilang <
50 %. Kerugian umumnya kesulitan memperoleh unit eksperimen yang homogen.
Demikian pula penanganan variabel selain perlakuan yang homogen sering kali
mengalami kesulitan. Akibatnya tidak jarang kesulitan dalam penarikan kesimpulan
apakah respon yang timbul itu betul-betul dari perlakuan atau variabel lain yang tidak
dikehendaki. RAL sangat cocok untuk penelitian klinik atau penelitian lain dalam
laboratorium dan kurang cocok untuk penelitian lapangan atau survei.
Berikut ini adalah bagan pengamatan untuk anova satu arah :
Data Perlakuan (Variabel Independen)
1 2 .................... K
Pengamatan
x11 x21 .................... xk1
x12 x22 .................... xk2
... ... .................... ...
x1n1 x2n2 .................... xknk (variabel
dependen)
Total Σx1 Σx2 .................... Σxk ΣxT
Nilai rata- x1 x2 .................... xk
rata
Jumlah n1 n2 .................... nk Σni
pengamatan
Variansi s12 s22 .................... sk2

Cara perhitungan :

FK =
 x 
T
2

n

60
 JKT = Σxij2 – FK

JKP =
 x  1
2


 x  2
2

 ... 
 x k
2

 FK
n1 n2 nk
JK sisa = JKT – JKP
Keterangan :
FK = faktor koreksi
JKT = jumlah kuadrat total
JKP = jumlah kuadrat perlakuan
JK sisa = jumlah kuadrat sisa. Istilah lain ialah jumlah kuadrat
galat atau jumlah kuadrat kekeliruan.

Tabel Anova
Sumber db JK KT Fhit Fα(v1,v2)
variasi
Perlakuan k-1 JKP JKP KT . perl Ftabel
k 1 KT .sisa
Sisa (Σni-1)-(k- JK sisa JK .sisa
1)  (n1  1)  (k  1)
Total Σni – 1 JKT

db = derajat kebebasan
KT = kuadrat tengah
v1 = db perlakuan, merupakan pembilang
v2 = db sisa, merupakan penyebut

Bentuk hipotesisnya adalah :

Ho : μ1 = μ2 = ... = μk
Ha : μ1 ≠ μ2 ≠ ... ≠ μk
Penarikan kesimpulannya :
Ho diterima bila F hitung < Fα (V1, V2) dan sebaliknya Ha diterima bila F hitung ≥
Fα(V1, V2). Bila Ha diterima, berarti terdapat respon yang berbeda dari bermacam-macam
perlakuan. Dengan kata lain bila Ha diterima berarti minimal terdapat sepasang perlakuan

61
yang berbeda. Pasangan-pasangan mana yang berbeda menyebabkan respon yang
berbeda belum diketahui, masih memerlukan pengujian lebih lanjut setelah anova.
Menurut Steel dan Torrie (1981), sebaiknya db sisa dari anova ≥ 20, ketentuan ini
dapat dipergunakan untuk menentukan salah satu cara sederhana untuk menentukan
jumlah ulangan (ni), dengan rumus sebagai berikut :
(k-1)(ni -1) > 20, misalnya jumlah perlakuannya = 4 maka :
(4 – 1)(ni – 1) > 20
ni – 1 ≥ 20/3
ni ≥ 7,7 maka jumlah ulangan minimalnya sama dengan 8. untuk
penentuan jumlah minimal ulangan cara yang lebih baik akan
diuraikan kemudian.
Contoh penggunaan anova dengan ulangan yang tidak sama :
1). Ingin diketahui apakah terdapat perbedaan mutu bola lampu listrik buatan pabrik A,
B, C dan pabrik D. Mutu atau tidaknya bola lampu ditentukan oleh daya tahan hidupnya.
Pengambilan contoh dilakukan secara random, bola lampu buatan pabrik A dan B
masing-masing diambil sebanyak 5 buah. Untuk bola lampu buatan pabrik C dan D
masing-masing diambil 4 buah. Bola lampu tersebut dinyalakan dan daya hidupnya
diukur (dalam bulan). Buktikan dengan mempergunakan alfa = 5 %, apakah mutu bola
lampu buatan empat pabrik tersebut terdapat perbedaan ?

Merek Lampu
Pengamatan
A B C D
DAYA 12 14 6 9
20 15 16 14
TAHAN
23 10 16 18
10 19 20 19

62
 17 22
Σxi 82 80 58 60 280
x 16.4 16 14.5 15
ni 5 5 4 4 18

FK = (280)2 / 18 = 4355,55
JKT = 122 + 202 + 232 + 102 + 172 + ... + 192 – 4355,55
= 4738 – 4355,55
= 382,44
822 802 582 602
JKP =    - 4355,55 = 10,25
5 5 4 4
JKS = 382,44 – 10,25 = 372,19

Tabel Anova
Sumber db JK KT F hit F0,05
variasi
Perlakuan 3 10.25 3.42 0.13 3.34
Sisa 14 372.19 26.58
Total 17 382.44

Ho : μA = μB = μC = μD
Ha : μA ≠ μB ≠ μC ≠ μD

Nilai dari F hitung (0,13) < 3,34, maka Ho yang diterima. Jadi mutu merek bola
lampu listrik buatan pabrik A, B, C dan D tidak berbeda nyata (p > 0,05). Nilai rata-rata
daya tahan tersebut sebenarnya berbeda dan perbedaannya bukan karena merek, tetapi
karena faktor lain yang tidak diketahui. Bila soal tersebut dikerjakan dengan program
komputer hasilnya adalah sebagai berikut :
Oneway

Test of Homogeneity of Variances

VAR00001
Levene
Statistic df1 df2 Sig.
.123 3 14 .945

63
 ANOVA

VAR00001
Sum of
Squares df Mean Square F Sig.
Between Groups 10.244 3 3.415 .128 .942
Within Groups 372.200 14 26.586
Total 382.444 17

Perbedaan rata-rata, mungkin disebabkan oleh :

1) variabel yang dikendalikan tidak betul-betul terkendali
2) perbedaan yang terjadi selama percobaan, misalnya lampu di goyang,
voltase naik dan lainlain.

Contoh penggunaan anova dengan ulangan yang sama :

2). Ingin diketahui apakah terdapat perbedaan mutu obat tidur merek A, B, C dan
plasebo. Obat yang bermutu bila cepat menyebabkan tertidur setelah meminum obat
tersebut. Variabel kendali adalah berat badan, umur, waktu tidur sama, kegiatan,
makanan. Taraf signifikansi yang dipergunakan adalah α = 5 % dan data percobaan
(dalam menit) tersebut adalah :

Pengamatan Obat Tidur

Plasebo A B C
78 55 64 75
91 66 60 93
Mutu 97 49 67 78
82 64 62 71
85 70 66 63

64
 77 68 65 76
x 85 62 64 76
Σxi 510 372 384 456 1722

FK = 17222 / 24 = 123533,50
JKT = 782 + 912 + 972 + 822 + 772 +... + 762 – 123553,50
= 126808 – 123553,5
= 3254,5
JKP = 125646 – 123553,5 = 2092,5
JKS = 3254,5 – 2092,5 = 1162
Tabel Anova
Sumber db JK KT F hit F0,05
variasi
Perlakuan 3 2092.50 697.5 12.01 3.10
Sisa 20 1162 58.1
Total 23 3254.5

Nilai F hitung 12,01 > 3,10, jadi terdapat perbedaan yang nyata (p < 0,05) tentang
mutu obat tidur (plasebo, A, B dan C). Untuk mengetahui obat tidur jenis apa yang
mutunya terbaik perlu pengujian lebih lanjut, yaitu pengujian nilai rata-rata setelah anova
(paling tidak ada sepasang yang berbeda).
Pengujian tentang perbedaan nilai rata-rata setelah anova ada bermacam-macam
cara yaitu : uji LSD (least significant different/ beda nyata terkecil), HSD (honestly
significant different/ beda nyata jujur), Bonferroni, Sidak, Scheffe, REGWF, REGWQ,
SNK (student newman keul), Tukey, Tukey’s-b, DMRT (Duncan’s multiple range test),
Hochberg’s GT2, Gabriel, Waller-Duncan, Dunnet dan sebagainya. Dari soal di atas
maka diberikan contoh untuk uji LSD (Least Significant Different).
1. Uji LSD
Uji ini disebut pula sebagai uji beda nyata terkecil (BNT), uji ini merupakan
pengembangan dari uji t. Syarat penggunaan uji BNT, hasil uji F (anova) adalah
bermakna. Jumlah ulangannya bisa sama atau tidak, tetapi sebaiknya ulangannya adalah
sama. Bila ulangannya tidak sama, cara pengerjaannya tidak praktis seperti halnya pada

65
uji t. Bila jumlah ulangannya sama, cara pengujian ini mempergunakan satu nilai
pembanding yang dapat dihitung dengan mempergunakan rumus :
1 1
LSD = t(1-1/2α)(db) KT .sisa (  )
n1 n2

t nilainya dapat dilihat pada tabel dengan harga α = 0,05 dan db = db sisa dari
anova.
Jadi LSD = t 0,975(20) 2(58,1) / 6  2,09 2(58,1) / 6  9,19

Selanjutnya dibuat matriks dengan menyusun secara urut dari nilai terkecil atau
dari nilai terbesar, dari nilai rata-rata respon perlakuan.
Matriks selisih nilai rata-rata
Nilai rata- A B C Plasebo
Obat 62 64 76 85
rata
A 62 0 2 14 23
B 64 0 12 21
C 76 0 9
Plasebo 85 0
LSD0,05 = 9,19

Cara membaca matriks, bila selisih antara dua perlakuan minimal sama dengan
nilai > LSD-nya, maka antara dua perlakuan ini adalah berbeda nyata atau sangat nyata.
Sebaliknya bila lebih kecil dibandingkan dengan nilai LSD-nya, maka antara dua
perlakuan ini tidak berbeda nyata.
Selanjutnya untuk memudahkan dalam menyimpulkan hasil pada matriks tersebut
perlu dibuat notasi garis atau notasi huruf.
Obat : A B C Plasebo
Nilai rata-rata 62a 64a 76b 85b
Notasi garis

Notasi huruf a a b b

Nilai rata-rata pada baris sama yang diikuti oleh superskrip yang berbeda,
menunjukkan berbeda nyata (p < 0,05). Jadi dapat disimpulkan bahwa obat yang paling
bermutu adalah obat A atau obat B.
2. Uji t

66
 Sebenarnya uji setelah anova ini mempunyai banyak kekurangan dibandingkan
dengan uji rata-rata setelah anova lainnya. Karena uji t setelah anova mempergunakan
nilai pembanding t yang berubah-ubah, akibatnya uji ini tidak praktis karena cara-cara
perhitungannya lebih panjang, sehingga peluang terjadinya kesalahan dalam perhitungan
akan lebih besar. Rumus uji t yang dipergunakan adalah sebagai berikut :
x1  x2
t hit =
KT .sisa (1 / n1  1 / n2 )

plasebo >< obat A :

85  62
t hit =  5,23
58,10(1 / 6  1 / 6)

t 0,975(10) = 2,23
Jadi mutu obat A lebih baik dibandingkan dengan plasebo (p < 0,05)
Plasebo >< obat B
85  64
t hit =  4,77
58,10(1 / 6  1 / 6)

t 0,975 (10) = 2,23

Jadi mutu obat B lebih baik dibanding dengan plasebo (p < 0,05)

plasebo >< obat C

85  76
t hit =  2,05
58,10(1 / 6  1 / 6)

t0,975 (10) = 2,23

jadi mutu obat C dan plasebo tidak berbeda nyata (p < 0,05)

obat C >< obat A :

76  62
 3,18
t hit = 58,10(1 / 6  1 / 6)

t0,975 (10) = 2,23

jadi mutu obat A lebih baik dibanding dengan obat C (p < 0,05)

Antara obat C dengan obat B dan antara obat B dengan obat A bisa dikerjakan
sendiri untuk latihan.

67
110.00
120.00
140.00
150.00
95.00
100.00
145.00
100.00
109.00
105.00
99.00
89.00
98.00
106.00
110.00
100.00
95.00
98.00
91.00
96.00
97.00
94.00
89.00
85.00
Descriptives

VAR00001
95% Confidence Interval for
Mean

N Mean Std. Deviation Std. Error Lower Bound Upper Bound Minimum Maximum
1.00 8 120.0000 22.20039 7.84902 101.4400 138.5600 95.00 150.00
2.00 8 102.0000 6.92820 2.44949 96.2079 107.7921 89.00 110.00
3.00 8 93.1250 4.45413 1.57477 89.4013 96.8487 85.00 98.00
Total 24 105.0417 17.35181 3.54192 97.7146 112.3687 85.00 150.00

68
 Test of Homogeneity of Variances

VAR00001
Levene
Statistic df1 df2 Sig.
14.926 2 21 .000

ANOVA

VAR00001
Sum of
Squares df Mean Square F Sig.
Between Groups 3000.083 2 1500.042 8.026 .003
Within Groups 3924.875 21 186.899
Total 6924.958 23

Multiple Comparisons

Dependent Variable: VAR00001

LSD

Mean
95% Confidence Interval
Difference
(I) VAR00002 (J) VAR00002 (I-J) Std. Error Sig. Lower Bound Upper Bound
1.00 2.00 18.0000(*) 6.83555 .016 3.7847 32.2153
3.00 26.8750(*) 6.83555 .001 12.6597 41.0903
2.00 1.00 -18.0000(*) 6.83555 .016 -32.2153 -3.7847
3.00 8.8750 6.83555 .208 -5.3403 23.0903
3.00 1.00 -26.8750(*) 6.83555 .001 -41.0903 -12.6597
2.00 -8.8750 6.83555 .208 -23.0903 5.3403
* The mean difference is significant at the .05 level.

69