6 MANOVA

PIKA SILVIANTI
Seringkali, lebih dari dua populasi perlu
dibandingkan…
 Populasi 1 : 𝑋 , 𝑋 , … , 𝑋
Populasi 2 : 𝑋 , 𝑋 , … , 𝑋
⋮

Populasi g : 𝑋g , 𝑋g , … , 𝑋g g

terdapat tiga asumsi dasar yang diperlukan oleh sekumpulan sampel acak di atas, yaitu:
1. 𝑋 , 𝑋 , … , 𝑋 , (l = 1, 2, … ,g) adalah sampel acak berukuran 𝑛 dari suatu populasi
dengan rata - rata 𝜇 .
2. Matriks kovariansi antara g populasi sama.
3. Setiap populasi adalah normal multivariat.
 1. Uji Homogenitas Matriks
• Hipotesis
H : ∑ = ∑ = ⋯ = ∑g = ∑ dan H : ada paling sedikit satu diantara sepasang ∑ yang tidak sama.

g g
• Hitung 𝑆 = ∑ 𝑛 −1 𝑆 dengan 𝑁=∑ 𝑛 −g

g g
• 𝑀=∑ 𝑛 − 1 ln 𝑆 − ∑ 𝑛 − 1 ln 𝑆

g
• 𝐶 =1− g
∑ − g
∑
1. Uji Homogenitas Matriks (lanjutan)

• Statistik Uji

• Kriteria Keputusan
H ditolak jika 𝑀𝐶 >𝜒 (𝛼) dan H diterima jika 𝑀𝐶 ≤𝜒 (𝛼)
g g
2. Uji Kenormalan Multivariat
• Hipotesis
H : Data berdistribusi normal multivariat dan H : Data tidak berdistribusi normal multivariat

pemeriksaan distribusi normal multivariat dapat dilakukan pada setiap populasi dengan cara
membuat q-q plot atau scatter-plot dari nilai 𝑑 = 𝑋 − 𝑋 𝑆 𝑋 − 𝑋 , 𝑖 = 1, 2, … , 𝑛.

Tahapan dari pembuatan q-q plot ini adalah sebagai berikut (Johnson & Wichern, 2002: 187)
a) Mulai
b) Tentukan nilai vektor rata-rata: 𝑋
c) Tentukan nilai matriks varians-kovarians: 𝑆
d) Tentukan nilai jarak mahalanobis atau kuadrat general setiap titik pengamatan dengan vektor
rata-ratanya 𝑑 = 𝑋 − 𝑋 𝑆 𝑋 − 𝑋 , 𝑖 = 1, 2, … , 𝑛.
2. Uji Kenormalan Multivariat (lanjutan)

a) Urutkan nilai 𝑑 dari kecil ke besar: 𝑑( ≤ 𝑑( ≤ 𝑑( ≤ ⋯ ≤ 𝑑( ) .

⚪ ) ) )

⁄
b) Tentukan nilai 𝑝 = , 𝑖 = 1, 2, … , 𝑛.

c) Tentukan nilai 𝑞 sedemikian hingga ∫ 𝑓 𝜒 𝑑 𝜒 = 𝑝 atau 𝑞 , 𝑝 = 𝜒 𝑛 − 𝑖 + ⁄ ⁄𝑛 .

d) Buat scatter-plot 𝑑( ) dengan 𝑞
e) Jika scatter-plot ini cenderung membentuk garis lurus dan lebih dari 50% nilai 𝑑 ≤ 𝜒 0,50 ,
maka H diterima artinya data berdistribusi normal multivariat.
f) Selesai
One-Way MANOVA
Model One-Way MANOVA

• dengan 𝑙 = 1, 2, … , g, 𝑗 = 1, 2, … , 𝑛 dan
• 𝜀 adalah galat yang diasumsikan bebas dan berdistribusi Np 0, ∑ untuk data multivariat.
• Hipotesis
Ho : 𝜏 = 𝜏 = ⋯ = 𝜏 = ⋯ = 𝜏 = 0 vs H1 : minimal ada 𝜏 ≠ 0
𝜇
, dengan 𝜏 = ⋮ dan 𝑙 = 1,2, … , g.
𝜇

Sumber Matriks jumlah dari kuadrat dan Derajat

Keragaman hasil kali kebebasan
g
Perlakuan 𝐵= 𝑛 𝑥̅ − 𝑥̅ 𝑥̅ − 𝑥̅ g–1

g g
Galat (sisa) 𝑊= 𝑥 − 𝑥̅ 𝑥 − 𝑥̅ 𝑛 −g

g g
total 𝐵+𝑊 = 𝑥 − 𝑥̅ 𝑥 − 𝑥̅ 𝑛 −1
• Statistik Uji
g
W 𝑥 −𝑥 𝑥 −𝑥
∗
Λ = =
g
W+B 𝑥 −𝑥 𝑥 −𝑥

• Kriteria Keputusan
Variabel Grup Distribusi sampling untuk data normal
multivariat
g
∑ 𝑛 −g 1 − Λ∗
p=1 g ≥2 g– 1 Λ∗
~Fg , g

g
∑ 𝑛 −g−1 1 − Λ∗
p=2 g ≥2 g– 1 Λ∗
~F g , (∑ g )

g
∑ 𝑛 −𝑝−1 1 − Λ∗
p ≥1 g =2 𝑝 Λ∗
~F ,∑

g
∑ 𝑛 −𝑝−2 1 − Λ∗
p ≥1 g =3 𝑝 Λ∗
~F , 2(∑ )
Ilustrasi:
Suatu percobaan dilakukan untuk mengetahui perbedaan a. Tuliskan model liniernya beserta keterangan

tiga varietas jagung. yang jelas.

b. Hitunglah vektor rataan untuk setiap perlakuan
Data respon yang diambil antara lain Y1 = Produksi per
c. Hitunglah matriks jumlah kuadrat dan hasil kali
hektar, dan Y2 = bobot/1000 butir.
silang dari perlakuan (B), galat (W), dan Total
Rancangan lingkungan yang digunakan adalah rancangan (T)
acak lengkap. Datanya diperoleh sebagai berikut : d. Lakukan pengujian pada taraf nyata 5% untuk
mengetahui apakah ketiga varietas memiliki
Perlakuan Ulangan Y1 Y2
respon yang berbeda. Gunakan Uji Wilks
1 6 7
Varietas 1
2 5 9 Lambda.
1 4 6
e. Apa kesimpulan anda?
Varietas 2 2 6 6
3 4 7
1 5 4
Varietas 3
2 6 4
 c. Matriks Jumlah Kuadrat
a. Model linear:
𝑦 =𝜇+𝜏 +𝜀
𝐁= 𝑛 𝐗 −𝐗 𝐗 −𝐗 ′

; l = 1,2,3 ; j = 1,2,…,nl 5,5 − 5,14

=2 5,5 − 5,14 8 − 6,14
keterangan: 8 − 6,14

𝑦 = respon varietas ke l ulangan ke j 4,67 − 5,14

+3 4,67 − 5,14 6,33 − 6,14
6,33 − 6,14
𝜇 = vektor rataan umum
5,5 − 5,14
+ 2 5,5 − 5,14 4 − 6,14
𝜏 = pengaruh varietas ke l 4 − 6,14

𝜀 = pengaruh acak varietas ke l ulangan ke j 0,36 −0,47

=2 0,36 1,86 + 3 −0,47 0,19
1,86 0,19
b. Vektor Rataan
0,36
+2 0,36 −2,14
5,5 4,67 5,5 −2,14
𝑥 = ; 𝑥 = ; 𝑥 =
8 6,33 4
1,1811 −0,4695
=
5,14 −0,4695 16,1867
𝑥=
6,14
𝐖=∑ ∑ 𝐗 −𝐗 𝐗 −𝐗 ′

6 − 5,5 5 − 5,5
= 6 − 5,5 7 − 8 + 5 − 5,5 9 − 8
7−8 9−8
4 − 4,67 6 − 4,67
+ 4 − 4,67 6 − 6,33 + 6 − 4,67 6 − 6,33
6 − 6,33 6 − 6,33

4 − 4,67 5 − 5,5
+ 4 − 4,67 7 − 6,33 + 4−4
7 − 6,33 4−4
6 − 5,5
+ 6 − 5,5 4 − 4
4−4
0,25 −0,5 0,25 −0,5 0,4489 0,2211 𝐓= 𝐗 −𝐗 𝐗 −𝐗
= + +
−0,5 1 −0,5 1 0,2211 0,1089

1,7689 −0,4389 0,4489 −0,4489 =𝐖+𝐁

+ +
−0,4389 0,1089 −0,4489 0,4489

0,25 0 0,25 0
+ + 3,6667 −1,6667 1,1811 −0,4695
0 0 0 0 = +
−1,6667 2,6667 −0,4695 16,1867
3,6667 −1,6667
= 4,8478 −2,1362
−1,6667 2,6667 =
−2,1362 18,8534
 Sehingga diperoleh :
d. Hipotesis
H0 : 𝜏 = 𝜏 = 𝜏 =0 vs 7 − 2 − 2 1 − 0,081
= 3,7704
H1 : minimal ada satu 𝜏 ≠ 0 2 0,081
dan
Statistik Uji :
𝐹 ; 0,05 = 4,5337
∗

, , e. Kesimpulan
∗ , , ∗
∑
, , Karena ∗ = 3,7704 <
, ,
∗
𝐹 ; ∑ (𝛼) = 4,5337 , maka dapat
disimpulkan bahwa tidak cukup bukti untuk menolak
Kriteria pengujian :
∗
H0 (terima H0) atau dengan kata lain dapat dikatakan
∑
Tolak H0 jika ≥𝐹 (𝛼)
∗ ; ∑ bahwa varietas tidak memberikan pengaruh yang
berbeda nyata pada peubah produksi perhektar dan
Telah diketahui bahwa 𝛼 = 5%, total perlakuan (l) = 3
dan total peubah (p) = 2. bobot/1000.
Syntax SAS
/*anova satu arah*/
title "MANOVA SATU ARAH - DATA JAGUNG";
data jagung;
input perlakuan $ Y1 Y2;
datalines;
v1 6 7
v1 5 9
v2 4 6
v2 6 6
v2 4 7
v3 5 4
v3 6 4
;
proc print data=jagung;
run;
proc glm data=jagung;
class perlakuan;
model Y1 Y2 = perlakuan;
manova H=_all_/printe printh;
run;
 tidak cukup bukti untuk
menolak H0 (terima H0)
atau dengan kata lain
dapat dikatakan bahwa
varietas tidak
memberikan pengaruh
yang berbeda nyata pada
peubah produksi
perhektar dan
bobot/1000 butir
Two-Way Manova
Model Two-Way Manova
• Keragaman dari 2 arah
• Kemungkinan ada interaksi

𝒍 𝒌 𝒍𝒌 𝒍𝒌𝒓

dengan:
Tabel Manova
Ilustrasi:
The optimum conditions for extruding plastic film
have been examined using a technique called
Evolutionary Operation. (See [8].)
In the course of the study that was done, three
responses-
X1 = tear resistance,
X2 = gloss, and
X3 = opacity-were measured at two levels of the
factors, Change in rate of extrusion and amount of
an additive.
The measurements were repeated n = 5 each
combination of the factor levels.
 Note:
g= 2
b= 2
n= 5
p= 3
Uji Interaksi F1*F2
 Note:
g= 2
Uji Faktor F1danF2

b= 2
n= 5
p= 3
Note :
𝑣 = 𝑔 − 1 − 𝑝 + 1 ; 𝑣 = 𝑔𝑏 𝑛 − 1 − 𝑝 + 1

𝑣 = 𝑏 − 1 − 𝑝 + 1 ; 𝑣 = 𝑔𝑏 𝑛 − 1 − 𝑝 + 1
Syntax SAS
title "MANOVA DUA ARAH - DATA FILM"; proc print data=film;
data film;
run;
input change $ amount $ x1 x2 x3;
cards; proc glm data=film;
low low 6.5 9.5 4.4 class change amount;
low low 6.2 9.9 6.4 model x1 x2 x3 = change amount change*amount;
low low 5.8 9.6 3 manova H=_all_/printe printh;
low low 6.5 9.6 4.1 run;
low low 6.5 9.2 0.8
low high 6.9 9.1 5.7
low high 7.2 10 2
low high 6.9 9.9 3.9
low high 6.1 9.5 1.9
low high 6.3 9.4 5.7
high low 6.7 9.1 2.8
high low 6.6 9.3 4.1
high low 7.2 8.3 3.8
high low 7.1 8.4 1.6
high low 6.8 8.5 3.4
high high 7.1 9.2 8.4
high high 7 8.8 5.2
high high 7.2 9.7 6.9
high high 7.5 10.1 2.7
high high 7.6 9.2 1.9
;
run;
Kesimpulan:
• Interaksi → tidak signifikan
• Faktor Change in rate of extrusion → signifikan
• Faktor amount of an additive → signifikan
Latihan
Soal Latihan Johnson &Winchern
• No 6.13 (two way Manova)
• No 6.14 (a,b,c) (two way Manova)
• No 6.25 (one Way manova)
• No 6.31 (two way Manova)
• No 6.32 (two way Manova)
MANOVA RBSL
Baris Kolom Perl Mat BI
B1 K1 M1 70 60
B3 K1 M2 75 65
B2 K1 M3 89 85
B4 K1 M4 92 82
B2 K2 M1 85 65
B1 K2 M2 89 69
B4 K2 M3 91 73
B3 K2 M4 100 80
B3 K3 M1 90 70
B4 K3 M2 94 76
B1 K3 M3 99 81
B2 K3 M4 105 84
B4 K4 M1 95 75
B2 K4 M2 96 80
B3 K4 M3 100 85
B1 K4 M4 110 90
Manova
Sumber keragaman db Matriks JKHK Wilks lambda
Baris (b-1) MB 𝑀𝐺
𝑀𝐺 + 𝑀𝐵
Kolom (k-1) MK 𝑀𝐺
𝑀𝐺 + 𝑀𝐾
Perlakuan (p-1) MP 𝑀𝐺
𝑀𝐺 + 𝑀𝑃
Galat … MG
Total N-1 MT
Matriks Faktor Koreksi (MFK)  2 peubah
respon
Y12...
FK1 
bl

Y22...  FK1 FK12 

FK 2  M FK 
bl  FK12 FK 2 

Y1...  Y2...
FK12 
bl
 Matriks Perlakuan (MP)
p

 1..k
Y 2

P1  k 1
 FK1
p
p

 2..k
Y 2
 P1
MP  
P12 
P2  k 1
 FK 2  P12 P2 
p
p

Y Y
1..k 2..k
P12  k 1
 FK12
p
 Matriks Baris (MB)
b

 1i..
Y 2

B1  i 1
 FK1
b
b

 2i..
Y 2  B1
MB  
B12 
B2  i 1
 FK 2  B12 B2 
b
b

Y Y
1i .. 2 i ..
B12  i 1
 FK12
b
 Matriks Kolom (MK)
l

 1. j .
Y 2

j 1
K1   FK1
l
l

 2.l .
Y 2
 K1
MK  
K12 
K2  j 1
 FK 2  K12 K 2 
l
l

Y
j 1
Y
1. j . 2. j .

K12   FK12
l
 Matriks Total (MT)

b l p
T1     Y1ij ( k )  FK 1
2

i 1 j 1 k 1

p  T1 T12 
MT  
b l
T2     Y2 ij ( k )  FK 2 
2
T
 12 T 2 
i 1 j 1 k 1

b l p
T12     Y1ij ( k )Y2 ij ( k )  FK 12
2

i 1 j 1 k 1
Matriks Galat (MG)

• MG=MT-MP-MK-MB