STK511

Analisis Statistika

Pertemuan – 8
ANOVA (2)
8. ANOVA (2) – Diagnosis
Model Hipotesis

• Klasifikasi satu arah :

Yij     i   ij atau Yij  i   ij

• Klasifikasi dua arah :

Yij     i   j   ij

??? Pengaruh perlakuan:

H0: i = 0
H1: paling sedikit ada satu i dimana i  0
anang kurnia (anangk@apps.ipb.ac.id)
8. ANOVA (2) – Diagnosis
Asumsi dalam Pendugaan dan Uji Hipotesis

1.  bersifat bebas terhadap sesamanya

2. Nilai harapan dari  nol, E     0
3. Ragam  homogen, Var      2
4. Pola sebaran dari  adalah N  0,  2 
5. Model bersifat aditif (dalam klasifikasi dua arah)

 ~ N  0,  
bsi
2

anang kurnia (anangk@apps.ipb.ac.id)

8. ANOVA (2) – Diagnosis
Pemeriksaan Asumsi dan Kelayakan Model

• Ketepatan model & terpenuhinya asumsi

 plot sisaan vs dugaan,
plot sisaan vs peubah penjelas lain

• Kenormalan  Plot Normal

• Kehomogenan ragam  Uji Bartlett’s

• Kebebasan antar galat  Plot sisaan dengan sekuens waktu

• Keaditifan model  Uji Keaditifan Tukey

anang kurnia (anangk@apps.ipb.ac.id)

8. ANOVA (2) – Diagnosis
Pemeriksaan Asumsi dan Kelayakan Model

Heterogen

Homogen

anang kurnia (anangk@apps.ipb.ac.id)

8. ANOVA (2) – Diagnosis
Pemeriksaan Asumsi dan Kelayakan Model

anang kurnia (anangk@apps.ipb.ac.id)

8. ANOVA (2) – Diagnosis
Kehomogenan Ragam, Uji Bartlett’s

H 0 :  12   22  ...   t2
H1 : Paling sedikit ada satu  i2 yang tidak sama

 2

q Tolak H 0 jika  hit
2
 2,t 1
hit
c
t
q  ( N  t ) log s   (ni  1) log si2
2
p
i 1

1  t 1 
c  1  i
3(t  1)  i 1
( n  1) 1
 ( N  t ) 

t

 i i
( n  1) s 2

s 2p  i 1

N t
anang kurnia (anangk@apps.ipb.ac.id)
8. ANOVA (2) – Diagnosis
Kehomogenan Ragam, Uji Bartlett’s

Tablet Ulangan Respon Tablet Ulangan Respon

Ilustrasi : 1 1 20 3 1 90
Penelitian kemampuan urai 1 2 24 3 2 78
dalam detik dari 4 jenis 1 3 28 3 3 90
1 4 42 3 4 103
tablet. 1 5 25 3 5 72
1 6 31 3 6 70
2 1 10 4 1 175
2 2 12 4 2 151
2 3 19 4 3 152
2 4 8 4 4 178
2 5 12 4 5 180
2 6 24 4 6 149

anang kurnia (anangk@apps.ipb.ac.id)

8. ANOVA (2) – Diagnosis
Kehomogenan Ragam, Uji Bartlett’s

ANOVA: Respon versus Tablet

Analysis of Variance for Respon
Source DF SS MS F P
Tablet 3 83308 27769 231.62 0.000
Error 20 2398 120
Total 23 85706

S = 10.9495 R-Sq = 97.20% R-Sq(adj) = 96.78%

Test for Equal Variances: Respon versus Tablet

Tablet N Lower StDev Upper
1 6 4.25295 7.6594 25.4525
2 6 3.37598 6.0800 20.2041
3 6 7.06218 12.7188 42.2648
4 6 8.27625 14.9053 49.5307

Bartlett's Test (normal distribution)

Test statistic = 4.50, p-value = 0.212
anang kurnia (anangk@apps.ipb.ac.id)
8. ANOVA (2) – Diagnosis
Kenormalan
1. Shapiro-Wilk 2. Anderson Darling

3. Kolmogorov-
Smirnov

anang kurnia (anangk@apps.ipb.ac.id)

8. ANOVA (2) – Diagnosis
Pengingat

Diagnosis tentang asumsi analisis ragam perlu dilakukan

namun jangan terlalu kaku.

Peragaan grafik/gambar kadang memberikan informasi yang

lebih baik dibandingkan tatacara pengujian yang lebih formal.

anang kurnia (anangk@apps.ipb.ac.id)

8. ANOVA (2) – Uji Lanjut
Perbandingan Pengaruh Perlakuan

• Terencana vs Tidak Terencana

(LSD, BON, Kontras & Polinomial Ortogonal vs LSD, Tukey, Duncan)
• Perbandingan Berpasangan: Beda Nyata Terkecil (BNT) atau
LSD (Least Significance Difference)
• Perbandingan Berganda
– Uji New Duncan  Duncan Multiple Range Test (DMRT)
– Uji Tukey  Honest Significance Difference (HSD) atau
Beda Nyata Jujur (BNJ)
– Uji Dunnet  Perbandingan perlakuan thd kontrol
– Perbandingan lainnya Student-Newman-Keuls (SNK), Uji
Scheffe

anang kurnia (anangk@apps.ipb.ac.id)

8. ANOVA (2) – Uji Lanjut
Uji Perbandingan Berpasangan
Uji LSD atau BNT
Perbandingan berpasangan adalah perbandingan setiap pasangan
perlakuan dengan tingkat resiko kesalahan sebesar α.
Ingin menguji: BNT  t /2;dbg SYi Yi '
H0: A = B vs H1: A ≠ B 1 1
SYi Yi '  KTG   
 ri ri ' 
Contoh: r = 5, KTG = 6.10
BNT = t 0.025(12) √(2*6.10/5) = 3.404
d = 18.4-13.2 = 5.2
Perlakuan Rataan
C 21.4 a
A 18.4 a d > LSD  tolak H0
B 13.2 b (A≠B)
anang kurnia (anangk@apps.ipb.ac.id)
8. ANOVA (2) – Uji Lanjut
Uji Perbandingan Berganda
Uji Tukey (BNJ=Beda Nyata Jujur)
• Dikenal tidak terlalu sensitif  baik digunakan untuk
memisahkan perlakuan-perlakuan yang benar-benar berbeda
• Perbedaan mendasar dengan LSD terletak pada penentuan
nilai , dimana jika misalnya ada 4 perlakuan dan ditetapkan
 = 5%, maka setiap pasangan perbandingan perlakuan akan
menerima kesalahan sebesar: * =  /(2 komb uji) < .

BNJ  q ; p;dbgsY sY  KTG / r

• Jika jumlah ulangan tidak sama, nilai r dapat didekati dengan
rataan harmonik (rh) : t
rh  t
1 / ri i 1
anang kurnia (anangk@apps.ipb.ac.id)
8. ANOVA (2) – Uji Lanjut
Uji Perbandingan Berganda
Uji Duncan (DMRT=Duncan Multiple Range Test)
• Memberikan segugus nilai pembanding yang nilainya meningkat
sejalan dengan jarak peringkat dua buah perlakuan yang akan
diperbandingkan
Rp  r ; p;dbgsY sY  KTG / r
dimana r;p;dbg adalah nilai tabel Duncan pada taraf , jarak
peringkat dua perlakuan p, dan derajat bebas galat sebesar dbg.
• Tingkat kesalahan perbandingan yang sebenarnya terjadi lebih
besar dari uji Tukey, yaitu α*=1-(1- α)t-1
• Jika jumlah ulangan tidak sama, nilai r dapat didekati dengan
rataan harmonik (rh) seperti sebelumnya.

anang kurnia (anangk@apps.ipb.ac.id)

8. ANOVA (2) – Uji Lanjut
Uji Perbandingan Berganda
Uji Dunnet
• Perbandingan pengaruh suatu perlakuan terhadap perlakuan
kontrol
• Bentuk hipotesisnya:
• H0: μi = μkontrol
• Kriteria pengujiannya atau daerah penolakan H0:

1 1 
jika yi  y kontrol  d (t 1,dbg) KTG  
 ni nkontrol 

anang kurnia (anangk@apps.ipb.ac.id)

8. ANOVA (2) – Uji Lanjut
Uji Perbandingan Berganda
Uji Bonferroni
• Memungkinkan membuat perbandingan antar perlakuan,
antara perlakuan dengan kelompok perlakuan, atau antar
kelompok perlakuan
Misalnya: Ada empat perlakuan A, B, C dan D. Ingin membuat
perbandingan: 1. A vs BCD 2. AB vs CD 3. C vs D
 B  C   D Lˆi  BS Lˆ
1. H 0 :  A  i

3 t

 A  B C   D Lˆi   CiYi. dan B  t 

2. H 0 :  i 1
(
2g
; dbg)
2 3 2 t
C
3. H 0 :  C   D S L2ˆ  KTG  i
i 1 ni
i

anang kurnia (anangk@apps.ipb.ac.id)

8. ANOVA (2) – Uji Lanjut
Uji Lanjut  Kontras Ortogonal

• Kontras merupakan perbandingan berstruktur antar suatu

perlakuan dengan perlakuan lain atau antar kelompok perlakuan
dengan kelompok yang lain
• Perlakuan atau kelompok perlakuan yang diperbandingan diberi
koefesien dengan tanda yg berbeda (+/-) dengan total koefesien
harus sama dengan 0
• Bentuk hipotesis yg diuji adalah sebagai berikut:

Ho : c11  ...  ct t  0
t
dengan  ci  0
i 1
anang kurnia (anangk@apps.ipb.ac.id)
8. ANOVA (2) – Uji Lanjut
Uji Lanjut  Kontras Ortogonal

• Contoh kasus penyusunan kontras untuk 4 buah perlakuan

• Perlakuan yang diperbandingkan AB vs CD, A vs B dan C vs D
• Struktur kontrasnya adalah sebagai berikut:

Perlakuan
Kontras
A B C D
1. AB vs CD 1 1 -1 -1
2. A vs B 1 -1 0 0
2
3. C vs D 0 0 1 -1  k

  CiYi. 
JK ( Kontras )   i 1 k

r  Ci
2

i 1

db  1
anang kurnia (anangk@apps.ipb.ac.id)
8. ANOVA (2) – Uji Lanjut
Uji Lanjut  Polinomial Ortogonal

• Digunakan untuk menguji trend pengaruh perlakuan

terhadap respon (linier, kuadratik, kubik, dst)  berlaku
untuk perlakuan yang kuantitatif
• Bentuk Model:
Linier  Yi = b0 + b1 Xi + I
Kuadratik  Yi = b0 + b1 Xi + b2 Xi2 + i
Kubik  Yi = b0 + b1 Xi + b2 Xi2 + b3 Xi3 + i
• Bentuk umum polinomial ordo ke-n adalah:
Y = 0P0(X) + 1P1(X) + 2P2(X) + … + nPn(X) + i

anang kurnia (anangk@apps.ipb.ac.id)

8. ANOVA (2) – Uji Lanjut
Uji Lanjut  Polinomial Ortogonal

dimana
X  X    X  X   a 2  1 
2

P0 ( X )  1; P1 ( X )  1   ; P2 ( X )  2     
 d   d   12 
 n 2 (a 2  n 2 ) 
Pn1 ( X )  n1  P1 ( X ) Pn ( X )  Pn1 ( X ), n  2
 4(4n  1)
2


dengan: a = banyaknya taraf faktor,

d = jarak antar faktor,
n = polinomial ordo ke-n
anang kurnia (anangk@apps.ipb.ac.id)
8. ANOVA (2) – Uji Lanjut
Uji Lanjut  Polinomial Ortogonal

Tabel Kontras Polinomial Ortogonal untuk jarak taraf yang sama

Jumlah Orde  T1 T2 T3 T4 T5
Perlakuan Polinomial
Linier 1 -1 0 1
P=3
Kuadratik 3 1 -2 1
Linier 2 -3 -1 1 3
P=4 Kuadratik 1 1 -1 -1 1
Kubik 10/3 -1 3 -3 1
Linier 1 -2 -1 0 1 2
Kuadratik 1 2 -1 -2 -1 2
P=5
Kubik 5/6 -1 2 0 -2 1
Kuartik 35/12 1 -4 6 -4 1
anang kurnia (anangk@apps.ipb.ac.id)
Bersambung …….

anang kurnia (anangk@apps.ipb.ac.id)