Makalah : Statistika Inferensial

ANALISIS VARIANS DUA JALUR

Dosen Pengampu :

Dr. Ani Minarni, M.Si

DISUSUN OLEH :

Kelompok 6 (Enam)

Radika Ananda 4191111013

Nur Hafizhah Husna 4191111006
Mifta Aqila Nasution 4191111022
Yana Tasya Damanik 4191111025
Wahyuni Fitri Suputri 4191111014
Enni Eria Harahap 4191111067

JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS NEGERI MEDAN
MEDAN
2022
 KATA PENGANTAR

Puji syukur saya ucapkan kepada Tuhan yang maha esa atas segala limpahan rahmat
dan hidayah-Nya sehingga penulis dapat menyelesaikan makalah ini dengan judul “Analisis
Varians Dua Jalur” tepat pada waktunya dalam bentuk maupun isinya yang sangat sederhana.
Semoga makalah ini dapat dipergunakan sebagai salah satu acuan, petunjuk maupun
pedoman bagi pembaca dalam mata kuliah Statistika Inferensial.

Penulis berterima kasih kepada Ibu Dr. Ani Minarni, M.Si, selaku Dosen mata kuliah
Statistika Inferensial Universitas Negeri Medan yang telah memberikan tugas ini kepada
penulis. Terlepas dari semua itu, penulis menyadari bahwa dalam penulisan laporan ini
banyak sekali kekurangan dan masih jauh dari kesempurnaan baik dari segi bahasa maupun
susunan penulisannya. Hal ini disebabkan oleh kemampuan dan pengalaman yang terbatas.
Oleh karena itu penulis sangat mengharapkan saran dan kritik yang membangun dari
pembaca demi kesempurnaan tugas ini. Akhir kata penulis ucapkan terimakasih.

Medan, 22 April 2022

Penyusun

Kelompok 6

i
 DAFTAR ISI

KATA PENGANTAR................................................................................................................. i
DAFTAR ISI .............................................................................................................................. ii
BAB I PENDAHULUAN .......................................................................................................... 3
1.1 Latar Belakang .................................................................................................................. 3
1.2 Rumusan Masalah............................................................................................................. 4
1.3 Tujuan Penulisan .............................................................................................................. 4
BAB II PEMBAHASAN ........................................................................................................... 5
2.1 Anava Satu Faktor ............................................................................................................ 5
2.2 Ukuran Sampel ................................................................................................................. 6
2.3 Menghitung 𝑅𝐽𝐾𝐸 ............................................................................................................ 6
2.6 Konsep Dasar Anava Multi Faktor ................................................................................ 14
2.7 Contoh Interaksi ............................................................................................................. 19
BAB III PENUTUP .................................................................................................................. 22
3.1 Kesimpulan ..................................................................................................................... 22
DAFTAR PUSTAKA .............................................................................................................. 23

ii
 BAB I

PENDAHULUAN

1.1 Latar Belakang

Statistika merupakan suatu ilmu yang mempelajari bagaimana merencanakan,
mengumpulkan, menganalisis, menginterpretasi dan mempresentasikan data, terutama
dalam penelitian. Penelitian merupakan kegiatan keilmuan yang penting dan sangat
diminati dalam berbagai bidang aktivitas, ada semboyan yang mengatakan “meneliti atau
punah” penelitian sedang digalakkan untuk para mahasiswa bukan hanya untuk
skripsi/thesis/disertasi tetapi juga untuk mengikuti berbagai lomba karya tulis ilmiah
(LKTI) antar mahasiswa.

Dalam dunia penelitian atau riset, dimanapun dilakukan, statistika sering

digunakan untuk mengetahui apakah cara yang baru ditemukan lebih baik daripada cara
yang lama, melalui riset di lapangan perlu diadakan penilaiand dengan statistika.Statistika
juga telah cukup mampu untuk menentukan apakah faktor yang satu dipengaruhi faktor
lainnya, kalau ada hubungan atara faktor-faktor tersebut, seberapa kuat adanya hubungan
tersebut?

Disini kita akan membahas pengujian hipotesis analisis varians. Pengujian

hipotesis varians adalah pengujian hipotesis mengenai varians populasi yang didasarkan
atas informasi sampelnya. Contohnya, pengujian hipotesis tentang satu varians dan
pengujian hipotesis tentang kesaman dua varians.Pengujian hipoteis satu varians terbagi
menjadi dua yaitu analisi varians satu arah dan analisi varian dua arah.

Anova atau analysis of variance adalah tergolong analisis komparatif lebih dari
dua variabel atau lebih dari dua rata-rata. Tujuannya adalah untuk membandingkan lebih
dari dua rata-rata. Gunanya untuk menguji kemampuan generalisasi artinya data sampel
dianggap dapat mewakili populasi (Riduan, 2010:166).

Untuk melihat perbedaan mean dua kelompok, juga untuk melihat efektifitas
perlakuan terhadap sampel, dapat digunakan t – tes, tetapi untuk menguji perbedaan mean
dari tiga atau lebih sampel, dengan menggunakan F- tes. Selain lebih efisien,
penggunaan F- tes dapat digunakan untuk mengetahui interaksi antara variabel-variabel
yang menjadi perhatian (Arikunto, 1992: 279).

3
1.2 Rumusan Masalah
Adapun rumusan masalah dari penulisan makalah ini, yaitu sebagai berikut:
1. Apa yang dimaksud dengan anava satu fakor (antara subjek) ?
2. Apa yang dimaksud dengan ukuran sampel?
3. Bagimana cara menghitung RJKB?
4. Apa yang dimaksud dengan konsep dasar anava multi faktor?
5. Bagaimana contoh interaksi pada analisis varians dua jalur?

1.3 Tujuan Penulisan

Adapun tujuan dari penulisan makalah ini, yaitu sebagai berikut:
1. Untuk mengetahui tentang anava satu fakor (antara subjek).
2. Untuk mengetahui konsep ukuran sampel.
3. Untuk mengetahui cara menghitung RJKB.
4. Untuk mengetahui tentang konsep dasar anava multi faktor.
5. Untuk mengetahui contoh interaksi pada analisis varians dua jalur.

4
 BAB II

PEMBAHASAN

2.1 Anava Satu Faktor

Bagian ini menunjukkan bagaimana Anava dapat digunakan untuk menganalisis
rancangan satu faktor antara subjek. Kita akan menggunakan studi kasus "Senyum dan
Kelonggaran hukuman". Pada penelitian ini terdapat empat kondisi dengan 34 subjek pada
setiap kondisi. Ada satu skor per subjek. Hipotesis nol yang diuji dengan Anava adalah bahwa
populasi rata-rata untuk semua kondisi adalah sama. Hal ini dapat diungkapkan sebagai
berikut:

𝜇𝑠𝑎𝑙𝑎ℎ = 𝜇𝑗𝑢𝑗𝑢𝑟 = 𝜇𝑠𝑒𝑑𝑖ℎ = 𝜇𝑛𝑒𝑡𝑟𝑎𝑙

Di mana Ho adalah hipotesis nol dan k adalah banyaknya kondisi. Dalam senyuman
dan studi kelonggaran hukuman, k = 4 dan hipotesis nolnya adalah,

𝐻𝑜: 𝜇1 = 𝜇2 = ⋯ = 𝑘

Jika hipotesis nol ditolak, maka dapat disimpulkan bahwa setidaknya salah satu dari rata-rata
populasi berbeda dari setidaknya satu rata-rata populasi lainnya.

Analisis varians adalah metode untuk menguji perbedaan antar rata-rata dengan
menganalisis varians. Uji ini didasarkan pada dua perkiraan varians populasi 𝜎 2 . Taksiran
(perkiraan) nya disebut jumlah kuadrat kekeliruan 𝐽𝐾𝐸 dan didasarkan pada perbedaan skor di
dalam kelompok. 𝐽𝐾𝐸 menaksir 𝜎 2 terlepas dari apakah hipotesis nol itu benar (rata-rata
populasinya sama).

Perkiraan kedua disebut jumlah kuadrat antara 𝐽𝐾𝐵 dan didasarkan pada perbedaan di
antara rata-rata sampel. 𝐽𝐾𝐵 memperkirakan jika 2 rata-rata populasi adalah sama. Jika rata-
rata populasi tidak sama, maka 𝐽𝐾𝐵 memperkirakan kuantitas yang lebih besar dari 2. Oleh
karena itu, jika 𝐽𝐾𝐵 jauh lebih besar dari 𝑅𝐽𝐾𝐸 , maka rata-rata populasi tidak mungkin sama.
Di sisi lain, jika 𝑅𝐽𝐾𝐵 hampir sama dengan 𝑅𝐽𝐾𝐸 maka data tersebut sesuai dengan hipotesis
bahwa rata-rata populasi adalah sama.

Sebelum melanjutkan perhitungan 𝑅𝐽𝐾𝐸 dan 𝑅𝐽𝐾𝐵 , penting untuk memberi perhatian
pada asumsi yang dibuat untuk Anava, yaitu:

5
 1. Populasi memiliki varians yang sama. Asumsi ini disebut asumsi homogenitas
varian.
2. Populasi berdistribusi normal.
3. Setiap nilai disampel secara independen satu sama lain. Asumsi ini mensyaratkan
bahwa setiap subjek hanya memberikan satu nilai. Jika subjek menyediakan dua
nilai, maka nilainya tidak independen. Analisis data dengan dua nilai per subjek
akan ditampilkan di dalam Bab ini juga.

Asumsi-asumsi ini sama seperti uji t untuk perbedaan antar kelompok. Perhatikan
bahwa terdapat 34 subjek dalam tiap kelompok tipe senyum (Palsu, Jujur, Sedih, Netral).
Rata-rata dan varians dari empat kelompok dalam studi "Senyum dan Kelonggaran hukuman"
ditunjukkan pada Tabel 6.3. Perhatikan bahwa ada 34 subjek penelitian dalam masing-masing
dari empat kelompok senyuman (Palsu, Jujur, Sedih, dan Netral).

Tabel 6.3 Statistik "Senyum dan Kelonggaran hukuman”

Tipe Senyuman Rata rata Varians

Palsu 5,3676 3,338
Jujur 4,9118 2,8253
Sedih 4,9118 2,1132
Netral 4,1176 2,3191

2.2 Ukuran Sampel

Seluruh perhitungan di bagian ini mengasumsikan bahwa banyaknya pengamatan di setiap
kelompok adalah sama.Perhitungan untuk ukuran sampel yang tidak sama dapat dilihat pada
bagian tentang sumber variasi. Kita akan mengacu pada banyaknya pengamatan di masing-
masing kelompok sebagai n dan jumlah total pengamatan sebagai N. Untuk data ini ada empat
kelompok, masing masing 34 pengamatan. Oleh karena 𝑛 = 34 dan 𝑁 = 136

2.3 Menghitung 𝑹𝑱𝑲𝑬

Ingat bahwa asumsi homogenitas varians menyatakan bahwa varians dalam setiap populasi
(𝜎 2 )adalah sama. Varians ini, 𝜎 2 adalah kuantitas yang diperkirakan oleh 𝑅𝐽𝐾𝐸 dan dihitung
sebagai rata-rata varians sampel. Untuk data yang kita punya, 𝑅𝐽𝐾𝐸 sama dengan 2,6489.

6
Menghitung 𝑹𝑱𝑲𝑩

Rumus untuk 𝑅𝐽𝐾𝐵 didasarkan pada fakta bahwa varians dari distribusi sampling rata-ratanya
adalah,

𝜎2
𝜎𝜇2 =
𝑛

Dimana n adalah ukuran sampel setiap kelompok. Dengan menata ulang rumus ini, kita
memiliki,

𝜎 2 = 𝑛 𝜎𝜇2

Oleh karena itu, jika kita mengetahui varians dari distribusi sampling rata-rata, kita dapat
menghitung 𝜎 2 dengan mengalikannya dengan n. Meskipun kita tidak mengetahui varians
dari distribusi sampling rata-rata, kita dapat memperkirakannya dengan varians rata-rata
sampel.

Untuk data studi Kelonggaran, varians dari keempat rata-rata sampel adalah 0,270.
Untuk mengestimasi 𝜎 2 , kita kalikan varians rata-rata sampel (0,270) dengan 𝑛 (banyaknya
observasi dalam setiap kelompok, yaitu 34). Maka kita peroleh, 𝑅𝐽𝐾𝐵 = 9, 179.

Langkah-langkah tersebut diringkas sebagai berikut,

1. Hitung rata-rata

2. Hitung varians dari rata-rata.

3. Kalikan variansi rata-rata dengan n.

Penjelasan Lebih Lanjut

Jika rata-rata populasi sama, maka baik 𝑅𝐽𝐾𝐸 maupun 𝑅𝐽𝐾𝐵 merupakan penaksir bagi
𝜎 2 dan oleh karena itu nilainya hampir sama. Secara alami, keduanya tidak akan persis sama
karena mereka hanya taksiran (perkiraan) dan didasarkan pada aspek data yang berbeda, 𝑅𝐽𝐾𝐵
dihitung dari rata-rata sampel dan 𝑅𝐽𝐾𝐸 dihitung dari varians sampel.

7
 Jika rata-rata populasi tidak sama, maka 𝑅𝐽𝐾𝐸 akan tetap mengestimasi 𝜎 2 karena
perbedaan rata-rata populasi tidak mempengaruhi varians. Namun, perbedaan rata-rata
populasi mempengaruhi 𝑅𝐽𝐾𝐵 karena perbedaan antar rata-rata populasi dikaitkan dengan
perbedaan di antara rata-rata sampel.

Oleh karena itu, semakin besar perbedaan antara rata-rata sampel, semakin besar pula
𝑅𝐽𝐾𝐵 . Singkatnya, 𝑅𝐽𝐾𝐸 memperkirakan 𝜎 2 tidak tergantung pada rata-rata populasi sama
atau tidak, sedangkan 𝑅𝐽𝐾𝐵 memperkirakan hanya ketika dua rata rata populasi sama dan
memperkirakan kuantitas lebih besar ketika rata-rata populasi tidak sama.

Membandingkan 𝑹𝑱𝑲𝑬 dan 𝑹𝑱𝑲𝑩

Langkah penting dalam Anava adalah membandingkan 𝑅𝐽𝐾𝐸 dan 𝑅𝐽𝐾𝐵 . Perhatikan
bahwa, taksiran (perkiraan) 𝑅𝐽𝐾𝐵 lebih besar dari 𝑅𝐽𝐾𝐸 jika rata-rata populasi tidak sama,
𝑅𝐽𝐾𝐵 . yang lebih besar daripada 𝑅𝐽𝐾𝐸 adalah tanda bahwa rata-rata populasi tidak sama.
Tapi karena 𝑅𝐽𝐾𝐵 bisa lebih besar dari 𝑅𝐽𝐾𝐸 secara kebetulan bahkan jika rata-rata populasi
sama, 𝑅𝐽𝐾𝐵 harus jauh lebih besar dari 𝑅𝐽𝐾𝐸 untuk membenarkan kesimpulan bahwa populasi
rata-rata berbeda. Tapi seberapa besar seharusnya 𝑅𝐽𝐾𝐵 ?

Untuk data "Senyum dan Kelonggaran hukuman", 𝑅𝐽𝐾𝐵 dan 𝑅𝐽𝐾𝐸 masing-masing
adalah 9,179 dan 2,649. Apakah perbedaan itu cukup besar? Untuk menjawabnya, kita perlu
mengetahui probabilitas mendapatkan perbedaan sebesar itu atau perbedaan yang lebih besar
jika rata-rata populasi semuanya sama. Urusan matematika yang diperlukan untuk menjawab
pertanyaan ini telah dikerjakan oleh ahli statistik R. Fisher.

Meskipun formulasi asli Fisher sedikit berbeda bentuk, metode baku untuk
menentukan probabilitas didasarkan pada rasio 𝑅𝐽𝐾𝐵 terhadap 𝑅𝐽𝐾𝐸 . Rasio ini dinamai Fisher
dan disebut rasio 𝐹.

Untuk data ini, rasio F adalah,

9,179
𝐹 = = 3, 645
2,649

Oleh karena itu, 𝑅𝐽𝐾𝐵 3,465 kali lebih tinggi dari 𝑅𝐽𝐾𝐸 . Apakah ini mungkin terjadi
jika semua rata-rata populasi sama? Itu tergantung pada ukuran sampel. Dengan ukuran
sampel yang kecil, tidak akan terlalu mengejutkan karena hasil dari sampel yang kecil tidak

8
stabil. Namun, dengan sampel yang sangat besar, 𝑅𝐽𝐾𝐵 dan 𝑅𝐽𝐾𝐸 selalu hampir sama, dan
rasio 𝐹 sebesar 3, 465 atau lebih akan sangat tidak biasa. Gambar 6.1 menunjukkan distribusi
pengambilan sampel F untuk ukuran sampel dalam Studi "Senyum dan Kelonggaran
hukuman". Seperti yang kita lihat, ini memiliki kecenderungan positif. (difoto, discan, snip)

Gambar 6.1 Distribusi F

Dari Gambar 6.1, kita dapat melihat bahwa rasio 𝐹 = 3, 465 atau lebih adalah
kejadian yang tidak biasa. Area di sebelah kanan 3, 465 mewakili peluang F yang lebih besar
atau sama dengan 0, 018 dan oleh karena itu hipotesis nol dapat ditolak. Kesimpulannya
adalah setidaknya satu dari rata-rata populasi berbeda dari setidaknya satu dari rata-rata yang
lainnya, dapat diterima (dibenarkan).

Bentuk distribusi F tergantung pada ukuran sampel. Lebih tepatnya, itu tergantung
pada dua parameter derajat kebebasan (dk): satu untuk pembilang (untuk 𝑅𝐽𝐾𝐵 ) dan satu
untuk penyebut (untuk 𝑅𝐽𝐾𝐸 ). Ingat bahwa derajat kebebasan untuk estimasi varians sama
dengan jumlah pengamatan dikurangi satu. Karena 𝑅𝐽𝐾𝐵 adalah varians dari 𝑘 rata-rata, ia
memiliki derajat bebas 𝑘 − 1. 𝑅𝐽𝐾𝐸 adalah rata-rata 𝑘 varians, masing-masing dengan
derajat bebas 𝑛 − 1. Oleh karena itu, derajat bebas (dk) untuk 𝑅𝐽𝐾𝐸 adalah 𝑘(𝑛 − 1) = 𝑁 −
𝑘. dimana N adalah jumlah total pengamatan, n adalah jumlah pengamatan dalam setiap
kelompok, dan k adalah jumlah kelompok. Berikut ini ringkasan dari data untuk "Senyum dan
Kelonggaran hukuman",

dk pembilang = 𝑘 − 1

dk penyebut = 𝑁 − 𝑘

𝐹 = 3, 465

Kalkulator distribusi F menunjukkan bahwa 𝑝 = 0, 018.

9
Satu-Jalur atau Dua Jalur?

Apakah nilai probabilitas dari rasio F merupakan probabilitas satu arah atau dua arah?
Probabilitasnya adalah satu arah karena, seperti yang dapat kita lihat pada Gambar 6.1,
probabilitas adalah area di ekor kanan distribusi. Namun, rasio F sensitif terhadap setiap pola
perbedaan di antara rata-rata. Oleh karena itu, dapat dikatakan sebagai uji hipotesis dua sisi
dan paling baik dianggap sebagai uji dua sisi.

Hubungannya dengan uji t

Karena Anava dan uji kelompok independen t keduanya dapat menguji perbedaan antara dua
cara, kita mungkin bertanya-tanya mana yang akan digunakan. Untungnya, hal tersebut bukan
masalah karena hasilnya akan selalu sama. Jika hanya ada dua grup, hubungan antara F dan t
berikut akan selalu berlaku:

𝐹(1, 𝑑𝑘𝑑 ) = 𝑡 2 𝑑𝑘𝑘

Dimana 𝑑𝑘𝑘 adalah derajat kebebasan untuk penyebut uji F dan dk adalah derajat kebebasan
untuk uji t, 𝑑𝑘𝑘 akan selalu sama dengan dk.

Mengapa skor dalam eksperimen berbeda satu sama lain? Perhatikan kembali skor
dari dua subjek dalam studi "Senyum dan Kelonggaran": satu dari kondisi "Senyum Palsu"
dan satu dari kondisi "Senyum Menyenangkan". Kemungkinan alasan yang jelas bahwa skor
berbeda adalah karena subjek diperlakukan berbeda (subjek berada dalam kondisi yang
berbeda dan melihat rangsangan yang berbeda). Alasan kedua adalah karena mungkin subjek
berbeda sehubungan dengan kecenderungan mereka untuk menilai orang. Jadi, dua hal yang
mungkin menyebabkan perbedaan skor hasil penelitian adalah faktor perlakuan dan factor
sifat subjek itu sendiri.

Yang ketiga adalah, mungkin, salah satu subjek sedang dalam suasana hati yang buruk
setelah menerima nilai ujian yang rendah. Kita dapat membayangkan bahwa ada banyak
sekali alasan lain mengapa skor antar subjek itu bisa berbeda. Semua alasan ini kecuali yang
pertama (subjek diperlakukan berbeda) merupakan kemungkinan yang tidak diselidiki secara
eksperimental dan oleh karena itu disebut telah terjadi kekeliruan.

10
 Oleh karena itu, variasi dalam percobaan ini dapat dianggap sebagai salah satu variasi
karena kondisi dalam subjek atau karena kekeliruan (jumlah total dari semua alasan yang
menyebabkan skor subyek 'berbeda dan tidak diukur).

Salah satu karakteristik penting Anava adalah mempartisi variasi ke dalam berbagai
sumbernya. Dalam Anava, istilah jumlah kuadrat (JK) digunakan untuk menunjukkan variasi.
Variasi total didefinisikan sebagai jumlah perbedaan kuadrat antara setiap skor dan rata-rata
semua subjek. Rata-rata semua subjek disebut rata-rata keseluruhan atau grand mean dan
diberi notasi GM. (Bila ada jumlah yang sama dari subjek dalam setiap kondisi, grand rata-
rata adalah rata-rata dari rata-rata semua kondisi). Jumlah kuadrat total didefinisikan sebagai,

𝐽𝐾𝑇 = ∑(𝑋 − 𝐺𝑀)2

Untuk studi "Senyum dan Kelonggaran", 𝐽𝐾𝑡𝑜𝑡𝑎𝑙 = 377, 19. Jumlah kuadrat kondisi
dihitung seperti yang ditunjukkan dibawah ini.

𝐽𝐾𝐾 = ∑ 𝑛₁(µ₁ − µ)² + 𝑛₂ (µ₂ − µ)² + . . . + 𝑛𝑘 (µ𝑘 − µ)²

Dimana n adalah jumlah skor pada setiap kelompok, k adalah jumlah kelompok, µ₁
adalah rata-rata untuk Kondisi 1, µ₂ adalah rata-rata untuk Kondisi 2, dan µ𝑘 adalah rata-rata
untuk Kondisi k. Untuk studi "Senyum dan Kelonggaran", nilainya adalah:

Jika ada ukuran sampel tidak sama, rumus berikut digunakan untuk menghitung
jumlah kuadrat kondisi:

Simbol ni dalam rumus tersebut adalah ukuran sampel dari kondisi ke-i. 𝐽𝑘𝑡𝑜𝑡𝑎𝑙 total
dihitung dengan cara yang sama seperti yang ditunjukkan sebelumnya. Jumlah kuadrat
kesalahan adalah jumlah kuadrat simpangan dari setiap skor rata-rata kelompoknya, ditulis
sebagai,

𝐽𝐾𝐸 = 𝑛 ∑(𝑋𝑖1 − µ1 )² + (𝑋𝑖2 − µ2 )² + . . . + (𝑋𝑖𝑘 − µ𝑘 )²

Dimana 𝑋𝑖1 adalah skor ke-i di grup 1 dan µ1 adalah rata-rata untuk grup 1, 𝑋𝑖2 adalah
skor ke-i di grup 2 dan µ2 adalah rata-rata untuk grup 2, 𝑋𝑖𝑘 adalah skor ke-k di grup k dan µ𝑘
adalah rata rata untuk grup k. Untuk studi "Senyum dan Kelonggaran", rata-ratanya adalah:
5,368, 4,912, 4,912, dan 4,118. Karena itu, jumlah kuadrat kekeliruan, 𝐽𝐾𝐸 adalah:

11
 (2, 5 − 5, 368)2 + (5, 5 − 5, 368)2 +. . . . +(6, 5 − 4, 118)2 = 349, 65

Dapat juga dihitung dengan menggunakan rumus berikut,

𝐽𝐾𝐸 = 𝐽𝐾𝑇 − 𝐽𝐾𝐶

𝐽𝐾𝐸 = 377, 19 − 27, 535 = 349, 65

Oleh karena itu, jumlah kuadrat total 377, 19 dapat dipartisi menjadi 𝐽𝐾𝐾 =
27,53 dan 𝐽𝐾𝐸 = 349,66. Setelah jumlah kuadrat dihitung, kuadrat rata-rata atau rata-rata
Jumlah Kuadrat (𝑅𝐽𝐾𝐵 dan 𝑅𝐽𝐾𝐸 ) dapat dihitung. Rumusnya adalah:
𝐽𝐾
𝑅𝐽𝐾𝐵 = 𝑑𝑘𝐾
𝑛

27,535
𝑅𝐽𝐾𝐵 = = 9,18 𝑑𝑘𝑛
3
Dimana dk adalah derajat kebebasan pembilang, yaitu 𝑘 − 1 = 3. 𝑅𝐽𝐾𝐸 merupakan nilai
𝑅𝐽𝐾𝐸 yang sama yang diperoleh sebelumnya (kecuali kesalahan pembulatan). Demikian pula,

𝐽𝐾
𝑅𝐽𝐾𝐸 = 𝑑𝑘𝐸
𝑔

Dimana 𝑑𝑘𝑔 merupakan derajat kebebasan pembilang, yaitu 𝑁 − 𝑘.

Oleh karena itu, jumlah kuadrat dari 377, 19 dapat dipartisi menjadi jumlah kuadrat
kondisi 𝐽𝐾𝐾 (27,53) dan jumlah kuadrat kesalahan 𝐽𝐾𝐸 (349,66).

Jumlah kuadrat kesalahan/kekeliruan juga dapat dihitung dengan pengurangan seperti berikut,

𝐽𝑎𝑑𝑖, 𝑑𝑘𝑑 = 136 − 4 = 132

𝑅𝐽𝐾𝐸 = 349, 66/132 = 2,65

Dimana dks adalah derajat kebebasan untuk penyebut, yaitu 𝑁 − 𝑘.

Tabel Ringkasan Analisis Varians yang ditunjukkan di bawah ini adalah cara mudah
untuk meringkas pembagian varians. Kesalahan pembulatan telah diperbaiki.

Pada Tabel 6.4, kolom pertama menunjukkan sumber variasi, kolom kedua
menunjukkan derajat kebebasan, ketiga menunjukkan jumlah kuadrat (JK), keempat
menunjukkan rata-rata jumlah kuadrat (RJK), kelima menunjukkan rasio F, dan terakhir
menunjukkan nilai probabilitas.

12
 Tabel 6.4 Ringkasan Anova

Sumber dk JK RJK F P
Kondisi 3 27,5349 9,1783 3,465 0,0182
Kekeliruan 1,32 349,6544 2,6489
135 377,1893
Perhatikan bahwa RJK selalu merupakan jumlah kuadrat dibagi dengan derajat
kebebasan. Ingat bahwa F dan p untuk Kelompok. Meskipun rata-rata jumlah kuadrat total
dapat dihitung dengan membagi jumlah kuadrat dengan derajat kebebasan, umumnya tidak
terlalu menarik untuk diselidiki sehingga dihilangkan di sini.

Memformat data untuk Analisis Komputer

Sebagian besar program komputer yang menghitung Anava mengharuskan data kita berada
dalam bentuk tertentu. Perhatikan format ulang data pada Tabel 6.5 yang nanti akan disajikan
dalam Tabel 6.6.

Tabel 6.5 Data Contoh

Kelompok 1 Kelompok 2 Kelompok 3

3 2 8
4 4 5
5 6 5

Di sini ada tiga kelompok, masing-masing dengan tiga pengamatan. Untuk

memformat data ini agar sesuai dengan perhitungan Anava melalui program komputer, kita
biasanya harus menggunakan dua variabel: yang pertama menentukan kelompok subjek, yang
kedua adalah skor itu sendiri . Versi yang diformat ulang dari data pada Tabel 6.5 ditunjukkan
pada Tabel 6.6.

Tabel 6.6 Data Hasil Format Ulang

G Y
1 3
1 4
1 5
2 2
2 4
2 6
3 8

13
 3 6
3 6

2.6 Konsep Dasar Anava Multi Faktor

Dalam studi kasus “Pengaruh Karakter dan Kecerdasan Pelamar Kerja", para peneliti
tertarik pada apakah karakter akan mempengaruhi kelulusan pelamar dalam wawancara
penerimaan tenaga kerja. Dua variabel bebas diselidiki: (1) apakah karakter baik atau jelek,
(2) apakah kecerdasan pelamar, tinggi atau rendah.

Untuk masalah tersebut biasanya dilakukan analisis data secara terpisah, masing-
masing dengan satu variabel independen.Namun kemudian ternyata lebih efisien untuk
melakukannya xsekaligus menyertakan dua Variabel Independen. Selain itu, ada keuntungan
yang jauh lebih besar daripada efisiensi untuk memasukkan dua variabel dalam studi yang
sama memungkinkan uji interaksi antara variabel.

Ada interaksi ketika efek satu variabel berbeda tergantung pada variabel tingkat
kedua. Misalnya, mungkin karakater akan memberi efek berbeda tergantung pada kecerdasan
pelamar Mungkin ada lebih banyak prasangka terhadap seseorang dengan karakter buruk
daripada yang berkarakter baik. Jika demikian, aka ada interaksi antara faktor karakter dan
faktor kecerdasan.

Terdapat tiga efek yang menarik dalam eksperimen ini

1. Bobot karakter: Apakah pelamar dinilai berbeda, tergantung pada kelas karakter?

2. Hubungan: Apakah pelamar dinilai berbeda, tergantung pada hubungan karakter dengan
kecerdasan?

3. Karakter x Kecerdasan: Apakah efek karakter berbeda tergantung pada kecerdasan?

Karakter dan kecerdasan, keduanya merupakan efek utama. Efek utama dari variabel
independen adalah efek dari variabel ratarata atas variabel tingkat lainnya. Lebih mudah untuk
berbicara tentang efek utama dalam hal rata-rata marjinal. Rata-rata marjinal tingkat variabel
adalah rata-rata dari rata-rata semua tingkat yariabel lainnya.

Misalnya, rata-rata marjinal untuk tingkat karakter" adalah rata-rata dari "karakter
baik" dan "karakter buruk". Tabel 6.7 menunjukkan bahwa rata-rata marginal ini sama dengan
rata-rata 5,65 dan 6,15, yaitu 5,90.

14
 Demikian pula, rata-rata marjinal untuk level "Karakter" adalah rata-rata dari 6,19 dan
6,59,yaitu 6,39. Efek utama dari karakter didasarkan pada perbandingan dua rata-rata
marginal ini. Demikian pula ,rata-rata marjinal untuk "Kecerdasan tinggi" adalah 5,92
Kecerdasan rendah" adalah 6,37.

Tabel 6.7. Rata-rata untuk Empat Kelompok

kecerdasan Rataan
Tinggi Rendah Marjinal
karakter Baik 5,65 6,19 5,92
Buruk 6,15 6,59 6,37
Rataan 5,9 6,59 6,37
Marginal

Berlawanan dengan efek utama, yang merupakan efek dari suatu variabel yang dirata-
ratakan di seluruh level variabel lain, efek sederhana dari suatu variabel adalah efek variabel
tersebut pada satu level variabel lain. Efek sederhana dari Karakter di level "Baik" adalah
perbedaan antara kondisi "Karakter baik" dan "Karakter buruk". Selisihnya adalah 6,19 - 5,65
= 0,54. Demikian pula, efek sederhana dari Kecerdasan pada level "Tinggi" adalah per! antara
kondisi "Kecerdasan tinggi" dan "Kecerdasan 4/5 Selisihnya adalah 6,59 - 6,15=0,44.

Ingatlah bahwa ada interaksi ketika efek dari satu variabel berbeda tergantung pada
level variabel lain. Ini setara dengan mengatakan bahwa ada interaksi ketika efek sederhana
berbeda. Dalam contoh ini, efek sederhana dari tipe karakter adalah 0,54 dan 0,44. Seperti
yang ditunjukkan di bawah ini (dalam uji signifikansi), efek sederhana ini tidak berbeda
secara signifikan.

Uji Signifikansi
Dari hasil suatu analisis data, pertanyaan penting bukanlah apakah ada efek dan
interaksi utama dalam data sampel. Sebaliknya, yang penting adalah data sampel yang
memungkinkan kita menyimpulkan tentang populasi. Disinilah analisis varians masuk. Anava
menguji signifikansi efek utama dan interaksi. Ringkasan table anava untuk data tersebut
ditunjukkan pada table 6.8.

15
 Table 6.8 ringkasan anava
K dk JK RJK F p
Weight 1 10, 4673 10,4673 6,214 0,0136
Relation 1 8,8144 8,8144 5,233 0,0234
WxR 172 0,1038 0,1038 0,062 0,8043
Kekeliruan 175 289,7132 1,6844
Total 310,1818

Bagaimanakah menentukan derajat kebebasan? Derajat kebebasan (dk) untuk

“Karakter” adalah 1. Derajat kebebasan untuk efek utama selalu sama dengan jumlah level
dari variable dikurangi satu. Karena ada dua level variable “Karakter” (yaitu baik dan buruk),
dk nya adalah 2-1 = 1. Kita lewati perhitungan jumlah kuadrat (JK) bukan karena sulit, tetapi
karena jauh lebih mudah untuk mengandalkan program computer untuk menghitungnya.
Jumlah kuadrat rata-rata (RJK) adalah jumlah kuadrat (JK) dibagi derajat kebebasan
(dk). Menghitung rasio F, bagilah RJK efek oleh RJK kekeliruan (RJE). untuk efek “karakter”,
F = 10.4673/1.6844 = 6.214. kolom terakhir, p, adalah peluang mendapatkan F sebesar 6,214
atau lebih besar. Peluang tersebut menyatakan bahwa tidak terdapat pengaruh karakter dalam
populasi. Nilai p adalah 0,0136 dan oleh karena itu hipotesis nol tidak ada efek utama
“Karakter” ditolak. Kesimpulannya adalah karakter yang buruk menurunkan kesempatan lulus
ujian masuk PTN.
Efek “Hubungan” ditafsirkan dengan cara yang sama. Kesimpulannya adalah
kecerdasan rendah mengarah ke level “tidak lulus” ketimbang kecerdasan tinggi.
Perhatikan bahwa dk untuk interaksi adalah perkalian dari dk variable-variabel dalam
interaksi. Bobot dan relasi memiliki satu df: 1 x 1 = 1. Nilai p untuk interaksi tersebut adalah
0,8043, yang merupakan peluang untuk mendapatkan interaksi yang lebih besar dari yang
diperoleh dalam percobaan jika tidak ada interaksi dalam populasi. Oleh karena itu, data ini
tidak memberikan bukti adanya interaksi. Selalu ingat bahwa kurangnya bukti untuk suatu
efek tidak membenarkan kesimpulan bahwa tidak ada pengaruh. Dengan kata lain, kita tidak
bisa menerima hipotesis nol hanya karena kita tidak menolaknya.
Untuk “kekeliruan (error)”, derajat kebebasannya sama dengan jumlah total
pengamatan dikurangi jumlah total kelompok. Ukuran sampel dari empat kondisi dalam
percobaan ini ditunjukkan pada table 6.9. jumlah total pengamatan adalah 40 + 42 + 40 + 54 =
176. Karena ada empat kelompok, dke = 176-4 = 172.

16
 Table 6.9 ukuran sample untuk tiap sel
Companion weight
obese typical
Hubungan Pacar 40 42
Teman 40 54

Baris terakhir dalam table ringkasan anava adalah “Total”. Derajat kebebasan total
sama dengan jumlah semua derajat kebebasan, yaitu 176-1 = 175. Bila ada ukuran sampel
yang sama, JKT akan sama dengan jumlah semua JK lainnya. Namun, jika terdapat ukuran
sampel yang tidak sama, seperti yang ada disini, ini umumnya tidak benar. Alasan mengapa
demikian, cukup rumit sehingga tidak dibahas disini.

Grafik Rata-Rata
Meskipun grafik yang ditunjukkan pada gambar 6.6 menggambarkan efek utama serta
ada tidaknya interaksi, grafik tersebut disebut grafik interaksi. Penting untuk membaca
komponen grafik ini dengan hati-hati. Pertama, variable terikat dinyatakan dalam sumbu Y.
kedua, salah satu variable bebas berada pada sumbu X. pada kasus ini itu adalah variable
“Karakter”. Akhirnya, garis terpisah ditarik untuk setiap level variable bebas lainnya.
Sebaiknya beri label pada grafik garis.

Gambar 6.6 contoh grafik interaksi

Jika kita memiliki tiga atau lebih level pada sumbu X, kita tidak boleh menggunakan
garis kecuali ada beberapa urutan numeric untuk level. Jika variable kita pada sumbu X

17
adalah variable kualitatif, kita dapat menggunakan gambar seperti pada Gambar 6.7. namun,
akan lebih baik untuk mengganti setiap batang dengan sebuah diagram kotak garis (box plot
diagram).

Gambar 6.7 diagram dengan variable kualitatif pada sumbu X

Gambar 6.8 menunjukkan diagram kotak garis itu. Perhatikan bagaimana diagram ini berisi
informasi median, kuantil, data minimum dan maksimum ynag tidak terkandung dalam
gambar 6.7. yang terpenting, kita mendapatkan gambaran dari gambar 6.8. tentang seberapa
banyak distribusi yang tumpang tindih yang tidak kita dapatkan dari gambar 6.7.

Grafik garis adalah pilihan yang baik ketika ada lebih dari dua level variabel numerik.
Gambar 6.9 menunjukkan contoh untuk hal tersebut. Sebuah grafik garis memiliki
keuntungan menunjukkan pola interaksi dengan jelas. Kerugiannya adalah tidak
menyampaikan informasi distribusi yang terkandung dalam diagram kotak garis

18
2.7 Contoh Interaksi

Conoh berikut disajikan dibagian tentang perbandingan khusus antara rata-rata.

Masalah perbandingan ntar rata-rata jelas relevan sekali disini.

Contoh ini menggunakan data artificial dari eksperimen hipotesis yang ditunjukkan
pada Tabel 6.10. Dua belas subjek dipilih dari populasi subjek dengan harga diri (self
esteem) tinggi dan 12 subjek tambahan dipilih dari populasi subjek dengan harga diri
rendah.

Tabel 6.10 Data Ranking dari Eksperimen Atribusi

Self esteem
Tinggi Rendah
Hasil Sukses 7 6
8 5
7 7
8 4
9 5
5 6
Gagal 4 9
6 8
5 9
4 8
7 7

19
 3 6

Tabel ringkasan Anava untuk data pada Tabel 6.10 disajikan pada Tabel 6.11

Tabel 6.11 Ringkasan Anava untuk Data pada Tabel 6.10

Sumber dk JK RJK F P
Hasil 1 0,0417 0,0417 0,0256 0,8744
Harga diri 1 2,0417 2,0417 1,2564 0,2756
OxE 1 35,0417 35,0417 21,5641 0,0002
Error 20 32,5 1,625
Total 23 69,625

Subjek kemudian melaksanakan tugas dan (terlepas dari seberapa baik mereka
pengerjaannya), setengah jumlah subjek dari tiap kategori harga diri diberi tahu bahwa
mereka berhasil dan separuh lainny diberitahu bahwa mereka gagal. Oleh karena itu, ada
enam subjek di masing-masing empat kombinasi harga diri (kombinasi hasil) dan 24 secara
keseluruhan

Setelah menyelesaikan tugas, seluruh subjek diminta untuk memberi ranking (pada
skala 10 poin) berapa banyak hasil yang mereka peroleh (keberhasilan atau kegagalan)
dikaitkan dengan diri mereka sendiri sebagai lawan dari keberhasilan karena sifat tugas

Seperti yang kita lihat, satu-satunya efek yang siginifikan adalah signifikan adalah interaksi
Hasil x Penghargaan (O x E). Bentuk interaksi tersebut dapat dilihat pada Gambar 6.10

20
 Jelas efek “Hasil” berbeda untuk dua level “Harga Diri” : Untuk subjek yang memiliki
harga diri tinggi, kegagalan menyebabkan lebih sedikit atribusi pada diri sendiri daripada
kesuksesan. Sebaliknya, untuk subjek yang memiliki harga diri rendah, kegagalan
menyebabkan lebih banyak atribusi pada diri sendiri daripada kesuksesan. Perhatikan bahwa
dua garis pada grafik tidak sejajar.

Garis nonparalel menunjukkan interaksi. Uji signifikansi untuk interaksi menentukan

apakah membuat kesimpulan bahwa garis-garis dalam populasi tidak paralel, adalah
kesimpulan yang benar. Garis tidak harus bersilangan agar ada interaksi.

21
 BAB III

PENUTUP
3.1 Kesimpulan
Anava adalah suatu cara untuk melihat perbedaan rerata melalui pengetesan
variansinya. Dalam anava yang dipertentangkan bukan reratanya tetapi variansinya.
Anava juga memungkinkan untuk dapat melihat pengaruh peubah bebas dan peubah
kontrol, baik secara terpisah maupun bersama-sama, terhadap peubah terikatnya.
Anava Ganda dapat hanya mempunyai satu atau lebih variasi kolom,
maupun satu atau lebih variasi baris. Sehingga dapat diperoleh Anava Dua Jalan, Anava
Tiga Jalan, dan seterusnya. “Anava Dua Jalan”, “Anava Tiga Jalan” menunjukkan adanya
variabel bebas, banyaknya sel diperoleh dari hasil kali banyaknya penggolongan setiap
variabel.
Dalam garis besarnya langkah-langkah analisis varians ganda meliputi: membuat
tabel induk, membuat tabel persiapan anava, membuat tabel statistik, membuat tabel
ringkasan anava dan membuat kesimpulan.
Dalam tabel statistik, proses perhitungan meliputi: jumlah kuadrat total (JKT),
jumlah kuadrat antara (JKA), jumlah kuadrat antara (JKB), jumlah kuadrat antara (JKC),
jumlah kuadrat interaksi antara A dan B (JKA x B), jumlah kuadrat interaksi antara A
dan B (JKA x C), jumlah kuadrat interaksi antara A,B, dan C (JKAXB XC, jumlah
kuadrat dalam (JKd), derajat kebebasan untuk masing-masing sumber variasi, mean
kuadrat, dan mencari harga F0 serta mengkonsultasikan setiap harga F0 dengan tabel F.

22
 DAFTAR PUSTAKA

Minarni, Ani. 2022. STATISTIKA INFERENSIAL. Medan: Unimed Press.

Arikunto, Suharsimi. 1992. Prosedur Penelitian (Suatu Pendekatan Praktik). Jakarta: Rineka
Cipta.

23