ANALISIS VARIAN KLASIFIKASI SATU ARAH

Oleh: Edi Syahputra

A. Pengantar
Analisis varians yang sering disingkat sebagai ANAVA atau ANOVA untuk pertama
kalinya dikembangkan oleh R.A. Fisher yang dituangkan dalam makalah pada tahun 1923.
Pada awalnya, analisis tersebut digunakan sebagai alat untuk menganalisis data tentang
penelitian eksperimental di bidang pertanian. Namun, dewasa ini analisis varians diterapkan
diberbagai bidang. Konsep dasar analisis varians adalah partisi jumlah kuadrat yang
dituangkan dalam teorema berikut: “Jumlah kuadrat total sama dengan jumlah kuadrat
perlakuan dan jumlah kuadrat kesalahan atau galat”.
Analisis varians bertujuan untuk membandingkan rata-rata dari beberapa populasi atau
jika dikaitkan dengan suatu rancangan eksperimen maka analisis varians bertujuan untuk
menguji signifikansi perbedaan efek dari perlakuan-perlakuan terhadap variabel terikat. Pada
dasarnya, analisis varians merupakan perluasan dari uji beda mean dari dua populasi. Dengan
perkataan lain analisis varians adalah suatu cara untuk melihat perbedaan rata-rata
sekelompok data melalui pengujian variansinya. Analisis varians dapat juga melihat pengaruh
variabel bebas dan variabel kontrol thdp variabel terikat secara terpisah maupun secara
bersama-sama (ada interaksi atau tidak).

B. Notasi untuk Analisis Varians Satu Arah

Pandang suatu eksperimen dengan k perlakuan. Perlakuan dapat berupa metode
pengajaran yang berbeda, atau jenis pupuk yang berbeda, atau dosis obat yang berbeda, dan
sebagainya. Masing-masing perlakuan diterapkan pada kelompok percobaan yang berbeda.
Andaikan pada suatu eksperimen/percobaan terdapat k kelompok atau grup dan
banyaknya anggota dalam tiap kelompok itu adalah n1, n2, n3,… nk. Pada Tabel 7.1 jumlah
anggota dalam kelompok ke-j adalah nj , total jumlah anggota-anggota dalam semua
kelompok adalah n1+n2+ n3… + nk = N. Apabila semua kelompok berukuran sama maka kita
dapat menuliskan n1= n2= n3… = nk = n = .

Sebagaimana yang telah dikemukakan sebelumnya bahwa konsep yang mendasari analisis
varians adalah partisi variansi total atas variansi antar kelompok (variansi yang disebabkan
oleh perlakuan) dan variansi dalam kelompok (variansi kekeliruan). Pandang Tabel 9.1 yang
terdiri dari k kelompok masing-masing berukuran n.
jika n1 = n2 = … = nk = n = N/k
Edi Syahputra-2020 Analisis Varians- Halaman 1
 Tabel 9.1 Struktur Data pada Analisis Varians Satu Arah
Kelompok 1 Kelompok 2 ……… Kelompok k
X11 X21 …….. X1k
X21 X22 …….. X2k
…. …. …….. ….
x x …….. x
n22 n22 nkk
n1 n2 nk
 xi1
i 1
 xi 2
i 1
…….. x
i 1
ik

Total variasi dalam data (pengamatan) ditunjukkan oleh jumlah kuadrat deviasi dari semua
data (pengamatan) terhadap rata-rata keseluruhan.
Rata-rata tiap kelompok dinotasikan X •1, X •2, …, X •k dengan demikian X •j = rata-rata
k

X
m 1
.m
kelompok ke-j dan X = disebut rata-rata keseluruhan. Jumlah kuadrat deviasi
k
dari n1 data (pengamatan) pada kelompok 1 terhadap rata-rata keseluruhan adalah:
n1
(X
i 1
i1  X )2

Jumlah kuadrat deviasi dari nj data (pengamatan) pada kelompok j terhadap rata-rata
keseluruhan adalah:
nj
(X
i 1
i1  X )2

Untuk k kelompok dengan nj pengamatan, jumlah total kuadrat deviasi terhadap X adalah :
k nj
 (X
j 1 i 1
ij  X )2

C. Partisi Jumlah Kuadrat

Jumlah total kuadrat terdiri dari jumlah dua bagian yang saling bebas yaitu jumlah
kuadrat dalam kelompok dan jumlah kuadrat antar kelompok. Perhatikan identitas berikut:
(Xij - X ) = (Xij - X j) + ( X j - X ).
Identitas ini menunjukkan bahwa deviasi dari suatu data tertentu thd rata-rata keseluruhan
terdiri dari dua bagian yang independen yaitu deviasi terhadap rata-rata kelompok dimana
data itu terdpt dan deviasi rata-rata kelompok terhadap rata-rata keseluruhan. Jika kedua ruas

Edi Syahputra-2020 Analisis Varians- Halaman 2

persamaan identitas ini dikuadratkan, dan selanjutnya dijumlahkan atas nj data dalam
kelompok ke-j maka akan diperoleh:
nj nj
 xij
(
i 1
 x ) 2
 [( xij  x j)  ( x j  x)]2
i 1

nj nj nj
=
 xij x j  x j

i 1
) 2
 (  x ) 2
 2(
i 1
x j  ( xij  x j )
 x )
i 1

Suku ke-2 ruas kanan adalah penjumlahan konstanta sebanyak nj kali dalam kelompok ke-j.
sehingga dapat ditulis sebagai:

n j ( x j  x) 2

Sedangkan suku ke-3 ruas kanan bernilai 0, (karena jumlah deviasi sekitar rata-rata)
Sehingga kita peroleh:
nj nj
(x ij
 x)  2
x x )
i 1
ij j
2
 n j ( x j  x) 2
i 1

Ini menunjukkan bahwa jumlah kuadrat deviasi sebanyak nj data (pengamatan) dalam
kelompok ke-j terhadap rata-rata keseluruhan sama dengan jumlah kuadrat deviasi data
terhadap rata-rata kelompok ditambah nj kali kuadrat perbedaan antara rata-rata kelompok
dan rata-rata keseluruhan. Karena ada sebanyak k kelompok data (pengamatan) maka jumlah
kuadrat total dapat ditulis:
k nj k nj k

  ( xij  x)2  j 1
 xij  x j)2   n j ( x j  x)2
i 1 j 1
j i i 1

Keterangan: suku pertama ruas kiri adalah jumlah kuadrat total, suku pertama ruas kanan
adalah jumlah kuadrat dalam kelompok, dan suku kedua ruas kanan adalah
jumlah kuadrat antar kelompok.

D. Pendugaan-pendugaan Varians
Masing-masing jumlah kuadrat berpadanan dengan suatu derajat bebas. Total banyaknya data
(pengamatan) adalah n n n
1 2 3
 ...  nk   n j  N

jumlah kuadrat total mempunyai N-1 derajat bebas, satu derajat bebas hilang karena deviasi
disekitar rata-rata keseluruhan. Dari deviasi ini sebanyak N-1 bebas untuk ditentukan.
Banyaknya derajat bebas yang berpadanan dengan jumlah kuadrat dalam kelompok adalah:
k
(n1  1)  (n2  1)  ...  (nk  1)   n j  k  N  k
j 1
Banyaknya derajat bebas masing-masing kelompok adalah (nj-1), oleh karenanya banyaknya
derajat bebas untuk k kelompok adalah n j
k

Edi Syahputra-2020 Analisis Varians- Halaman 3

atau N-k.
Banyaknya derajat bebas yang berpadanan dengan jumlah kuadrat antar kelompok adalah k-
1, karena ada sebanyak k rata-rata, dan 1 derajat bebas hilang karena deviasi rata-rata
kelompok terhadap rata-rata keseluruhan. Jumlah kuadrat dalam kelompok dibagi dgn
derajat bebasnya disebut sebagai penduga varians dalam kelompok yaitu:
k nj


j 1 i 1
( xij  x j ) 2
sw2 
N k
Jumlah kuadrat antar kelompok dibagi dengan derajat bebasnya disebut sebagai penduga
varians antar kelompok yaitu:

 n (x
j 1
j j
 x) 2
sb2 
k 1
Tabel 9.2 Analisis Varians Satu Arah
Derajat
Sumber Jumlah Kuadrat Rata-rata Kuadrat FHitung
bebas
Variasi (JK) (penduga varians)
(db)
k

 n (x
Antar
k–1
k  x) 2
kelompok  n (x
j 1
j j
 x) 2
sb2 
j 1
j j

k 1
k nj
Dalam
N–k k nj  ( x  x ) 2 2
F = sb2
 ( xij  x j) 2 ij j
j 1 i 1
kelompok sw2  sw
j 1 i 1
N k

k nj
total N–1
 ( x
j 1 i 1
ij
 x) 2

Untuk menguji hipotesis H0 : 1   2   3  ...   k lawan H1: ada salah satu pasang yang tidak
sama, dihitung rasio F dan nilai F ini dibandingkan dengan F tabel. Atau dengan
menggunakan SPSS, didapat nilai F . Jika nilai F ini kecil, katakanlah kurang dari 0,05 atau
kurang dari 0,01 maka H0 ditolak.

Contoh Soal 1. (Analisis Varian Satu Arah)

Dilakukan penelitian untuk mengetahui kemampuan lamanya berkonsentrasi (jam) dalam
belajar antara mahasiswa yang tinggal pada orangtuanya, mahasiswa yang hidup kos dan
mahasiswa yang nyambil bekerja (anggap mahasiswa yang tinggal pada orangtuanya dan

Edi Syahputra-2020 Analisis Varians- Halaman 4

mahasiswa kos tidak nyambil bekerja). Data kemampuan lamanya berkonsentrasi (jam) dan
data tentang mahasiswa tersebut diberikan pada tabel di bawah ini.
Kemampuan Konsentrasi (jam)
Tinggal Pada Orangtua 4 5 4 6 5 3 4 3 5 6
Kos 4 5 6 7 4 6 4 5 3
Nyambil Kerja 7 4 5 6 7 5 6 7

a. Ujilah perbedaan kemampuan konsentrasi antara ketiga kelompok mahasiswa

tersebut
b. Dengan uji post hoc, ujilah kelompok mahasiswa mana dengan kelompok
mahasiswa mana yang berbeda kemampuan konsentrasinya?
(petunjuk : 1. Buat tabel Anova
2. Buat tabel Multiple Comparisons)

Penyelesaian
Kelompok 1 : Tinggal Pada Orangtua
Kelompok 2 : Kos
Kelompok 3 : Nyambil Kerja
n1 = 10 n2 = 9 n3 = 8
̅ 1 = 4,5 ̅ 2 = 4,89 ̅ 3 = 5,875
N = n1 + n2 + n3 = 27
̅= = 5,037

a. Derajat bebas (db)

1. Antar Kelompok : k-1 = 3-1 =2
2. Dalam Kelompok : N-k = 27-3 = 24
3. Total : N-1 = 27-1 = 26

b. Jumlah kuadrat (JK)

1. JK Antar Kelompok

∑ j ( ̅j - ̅ )2 = n1 ( ̅ 1 - ̅ 2
+ n2( ̅ 2 - ̅ 2
+ n3( ̅ 3 - ̅ 2

= 10 (4,5-5,037)2 + 9(4,89-5,037)2 + 8(5,875-

5,037)2
= 2,88369 + 0,194481 + 5,617952
Edi Syahputra-2020 Analisis Varians- Halaman 5
 = 8,699
2. JK Dalam Kelompok
∑ ∑ xij - ̅ j)2 =∑ i1 - ̅ 1)2 + ∑ i2 - ̅ 2)2 + ∑ i3 -

̅ 3)2
= [(x11 - ̅ 1)2 + (x21 - ̅ 1)2 + … + (x101 - ̅ 1)2] +
[(x12 - ̅ 2)2 + (x22 - ̅ 2)2 + … + (x92 - ̅ 2)2] +
[(x13 - ̅ 3)2 + (x23 - ̅ 3)2 + … + (x83 - ̅ 3)2]
=[(0,25+0,25+0,25+2,25+0,25+2,25+0,25+2,25+
0,25+2,25)+(0,7921+0,0121+1,2321+4,4521+0,7921+1,2321+0,7921+
0,0121+3,5721)+(1,265625+3,515625+0,765625+0,015625+1,265625
+0,765625+0,015625+1,265625)]
= 10,5 + 12,8889 + 8,875
= 32,264
3. JK Total
∑ ∑ xij - ̅ )2 =∑ i1 - ̅ )2 + ∑ i2 - ̅ )2 + ∑ i3 - ̅ )2
= [(x11 - ̅ )2 + (x21 - ̅ )2 + … + (x101 - ̅ )2] + [(x12 - ̅ )2 + (x22 - ̅ )2 + … + (x92 - ̅ )2] +
[(x13 - ̅ )2 + (x23 - ̅ )2 + … + (x83 - ̅ )2]
= [(1,075379 + 0,001369 + 1,075369 + 0,927369 + 0,001369 + 4,149369 + 1,075369
+ 0,001369 + 0,927369 + 4,149369) + (1,075369 + 0,001369 + 0,927369 + 3,853369 +
1,075369 + 0,927369 + 1,075369 +0,001369 + 4,149369) + (3,853369 + 1,075369 +
0,001369 + 0,927369 + 3,853369 + 0,001369 + 0,927369 + 3,853369)]
= 40,963

c. Penduga varians (Rata-rata kuadrat = RK)

1. RK antar kelompok
∑ ̅ ̅
=

= 4,350
2. RK dalam kelompok
∑ ∑ ̅
=

Edi Syahputra-2020 Analisis Varians- Halaman 6

 = 1,344
3. RK Total

F =

= 3,235
Tabel analisis varians satu arah
Sumber Derajat Bebas Jumlah Kuadrat Penduga Varians
Antar Kelompok 2 8,699 4,350
Dalam Kelompok 24 32,264 1,344
Total 26 40,693 3,235

Konfirmasi dengan SPSS

TABEL ANOVA
KEMAMPUAN_KONSENTRASI
Sum of Df Mean Square F Sig.
Squares
Between Groups 8.699 2 4.350 3.235 .057

Within Groups 32.264 24 1.344

Total 40.963 26

Multiple Comparisons
Dependent Variable: KEMAMPUAN_KONSENTRASI
Tukey HSD
Mean Std. Sig. 95% Confidence
(I) KELOMPOK (J) KELOMPOK Differen Erro Interval
ce (I-J) r Lower Upper
Bound Bound
Tinggal pada Kos -.389 .533 .748 -1.72 .94
*
orangtua Nyambil Kerja -1.375 .550 .050 -2.75 .00
Tinggal pada
.389 .533 .748 -.94 1.72
Kos orangtua
Nyambil Kerja -.986 .563 .208 -2.39 .42
Tinggal pada *
1.375 .550 .050 .00 2.75
Nyambil Kerja orangtua
Kos .986 .563 .208 -.42 2.39
*. The mean difference is significant at the 0.05 level.

a. Uji Hipotesis :

Edi Syahputra-2020 Analisis Varians- Halaman 7

 H0 : 1= 2= 3

(tidak ada perbedaan kemampuan konsentrasi antara mahasiswa yang tinggal pada
orangtua, mahasiswa yang hidup kos dan mahasiswa yang nyambil kerja)
H1 : sekurang-kurangnya sepasang tidak sama; i = 1,2,3
(terdapat perbedaan kemampuan konsentrasi antara mahasiswa yang tinggal pada
orangtua, mahasiswa yang hidup kos dan mahasiswa yang nyambil kerja).
Penarikan Kesimpulan :
Karena nilai FHitung < Ftabel (3,235 < 4,26), maka tidak cukup bukti untuk menolak H0,
dengan perkataan lain H0 diterima.
Dari hasil konfirmasi SPSS dapat dilihat bahwa nilai sig.> α atau (0,057 > 0,05), maka H0
diterima. Karena H0 diterima maka kesimpulannya adalah: H0 : 1= 2= 3

atau dengan perkataan lain: Tidak ada perbedaan kemampuan konsentrasi antara mahasiswa
yang tinggal pada orangtua, mahasiswa yang hidup kos dan mahasiswa yang nyambil kerja
b. Berdasarkan kesimpulan yang diperoleh dari bagian a, maka dapat dikatakan bahwa
semua nilai rata-rata kemampuan konsentrasi mahasiswa ketiga kelompok adalah sama.
Berdasarkan tabel mulitiple Comparison juga dapat dilihat bahwa pada semua nilai pada
kolom mean difference tidak terdapat tanda (*) yang menandakan bahwa tidak ada
perbedaan yang signifikan antara kemampuan konsentrasi mahasiswa pada ketiga
kelompok mahasiswa.
E. Analisis Varians dengan Dua Kelompok Data
Apabila hanya dua kelompok data, maka signifikansi dari perbedaan antara rata-rata
dapat diuji menggunakan uji t atau dengan analisis varians. Dua cara ini mendapatkan hasil

yang sama. Bila k = 2 bisa ditunjukkan bahwa F t.

Bila k = 2 dan n1 = n2 = n, pendugaan sb2 (perbedaan varians kelompok-kelompok) adalah :
n( X 1  X ) 2  n( X 2  X ) 2
sb 2 =
2 1
Untuk kelompok-kelompok berukuran sama, rata-rata X adalah ½ antar dua rata-rata
kelompok X1 dan X2.
Jadi (X 1- X ) = ( X 2 - X ) = ½ ( X 1 - X 2) dan
( X 1 - X )2 = ( X 2 - X )2 = ½ ( X 1 - X 2)2
sb2 = n/2 ( X 1 - X 2)
2

Bila k = 2, pendugaan varians dalam kelompok sw2 adalah pendugaan tak bias dari s2.
Selanjutnya

Edi Syahputra-2020 Analisis Varians- Halaman 8

 ( X1  X 2 )2 ( X1  X 2 )2
F= dan F  t
s 2 ( 2 / n) s 1/ n  1/ n

Jadi F  t atau F = t2.

Misalkan n1 = n2 = 8. Dalam menggunakan analisis varians dengan dk = 1 sebagai pembilang

dan dk = 14 sebagai penyebut dari F rasio, sebuah F = 4.60 adalah diterima untuk tingkat
signifikansi 0,05. t yang berkorespondensi untuk dk = 14 diterima pada tingkat signifikansi

5% yaitu 4,60 = 2,145. Uji t bisa dipandang sebagai kasus khusus dari uji F. kasus khusus
tersebut muncul bila k = 2.

F. Asumsi-asumsi Dasar pada Analisis Varians

Penggunaaan analisis varian membutuhkan asumsi-asumsi tertentu. Karena analisis
varians merupakan perluasan dari uji beda dua rata-rata dari dua populasi, maka asumsi untuk
analisis varians tidak berbeda dengan asumsi pada uji beda rata-rata dua populasi. Asumsi
yang dimaksud adalah: (1) populasi-populasi berdistribusi normal (sifat normalitas
dipernuhi); (2) populasi-populasi bervariansi sama (sifat homogenitas dipenuh); (3) sampel
dipilih secara acak (randomisasi dipenuhi). Apabila asumsi-asumsi ini belum dipenuhi
dibutuhkan tindakan khusus sebelum kita memutuskan menggunakan metode statistika
lainnya seperti statistika non parametrik. Tindakan khusus tersebut adalah transformasi data.
Penggunaan Analisis varians adalah tepat apabila terpenuhinya asumsi homogenitas
varian, kenormalan, dan “additive”. Jika pada suatu data anggapan-anggapan tersebut jelas
tidak dipenuhi, maka digunakan transformasi sederhana, hasil suatu himpunan nilai
transformasi yang lebih sesuai/teliti pada satu atau lebih anggapan yang cocok menggunakan
analisis yang dikehendaki. Banyak transformasi yang diterapkan dapat membuat varians jadi
normal. Dalam hal ini nilai-nilai yang ditransformasikan didekatkan pada bentuk normal
yang lebih teliti dari observasi-observasi yang asli.
Transformasi yang dipakai biasanya adalah :
1. Transformasi akar kuadrat ( x ).
2. Transformasi balikan (1/x).
3. Transformasi Arcus Sinus (Arc.Sin x ).

Edi Syahputra-2020 Analisis Varians- Halaman 9