TUGAS STATISTIKA

ANALISIS VARIAN SATU JALAN DENGAN N SAMA

Dosen Pengampu: Dr. Sandra Bayu Kurniawan, S.Pd., M.Pd.

Disusun Oleh:

Kelompok 3

1. Ami Nur Amini (K7120027)

2. Ariska Nur Fadhillah (K7120043)
3. Fath Sadidan Burhanudin (K7120094)
4. Kanyawijna Kalyana (K7120146)
5. Putriana Dafa Puspitawati (K7120208)

Kelas 5B

PROGRAM STUDI PENDIDIKAN GURU SEKOLAH DASAR

FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN
UNIVERSITAS SEBELAS MARET
SURAKARTA
2022
 ANALISIS VARIAN 1 JALAN DENGAN N SAMA

A. PENGERTIAN VARIAN
Apa yang dimaksud dengan Analisis Variansi?

Sebelum kita memahami lebih jauh tentang Analisis Variansi, perhatikanlah contoh
berikut

Contoh 1
Seorang peneliti pendidikan untuk program studi matematika ingin meneliti efektivitas
dari 3 metode pembelajaran jika ditinjau dari prestasi belajar siswa. Ia telah memilih 3
model pembelajaran, yaitu model Teacher Oriented, Active Learning dan Contextual
Learning.

Ketiga metode tersebut diterapkan untuk 3 sampel, artinya sample pertama diterapkan
Metode Pembelajaran Teacher Oriented, sample kedua diterapkan Metode
Pembelajaran Active Learning, dan pada sample ketiga diterapkan Metode
Pembelajaran Contextual Learning. Ketiga sample tersebut telah diyakinkan bahwa
kemampuan awal yang dimiliki oleh masing-masing sample adalah relatif sama.
Peneliti tersebut bertujuan untuk menguji ada atau tidaknya perbedaan efek/pengaruh
beberapa perlakuan pada ketiga sample ditinjau dari prestasi belajar siswa. Untuk
melihatnya, peneliti tersebut menggunakan rata-rata nilai dari masing-masing sample.
Setelah beberapa waktu eksperimen, peneliti tersebut melakukan pengujian sebagai
tolak ukur untuk mengetahui prestasi belajar siswa. Setelah data diperoleh, uji statistik
apakah yang dapat direkomendasikan untuk dapat digunakan peneliti tersebut dalam
usaha mengambil kesimpulan?

Dari contoh diatas dapat dilihat bahwa terdapat tiga sample yang diambil dari populasi,
satu variable bebas, yaitu model pembelajaran, dan satu variable terikat, yaitu prestasi
belajar siswa. Variabel bebas ini dibagi menjadi 3 bagian yaitu model pembelajaran
Teacher Oriented, Active Learning dan Contextual Learning.

Statistik uji beda rataan untuk k-populasi yaitu Analisis Variansi

Jadi dapat disimpulkan bahwa

 Analisis Variansi (ANAVA) atau Analysis of Variances (ANOVA) adalah prosedur
pengujian kesamaan beberapa rata-rata populasi.

Pada Analisis ini hanya ada satu variabel bebas yang berskala nominal. Misal variabel
bebas tersebut mempunyai mempunyai k nilai atau klasifikasi. Pelaksanaan penelitian
dengan teknik uji ini, diambil k sampel dengan masingmasing sampel berukuran sama,
yaitu n. Masing-masing sampel diambil dari populasinya sendiri-sendiri, sehingga dalam
kasus ini terdapat k populasi. Peleksanaan penelitiannya masing-masing sampel
mendapat perlakuan sendiri-sendiri, sehingga jika terdapat k sampel, berarti ada k
perlakuan.

B. ANALISIS VARIANSI UNIVARIATE SATU JALAN

Analisis ini digunakan jika data eksperimen mempunyai ciri-ciri sebagai berikut :

1. Memenuhi 4 persyaratan Analisis Variansi

2. Mempunyai satu variable terikat

3. Mempunyai satu variable bebas

Contoh 1
Seorang peneliti pendidikan ingin meneliti pengaruh waktu pengajaran ditinjau dari
prestasi belajar siswa. Peneliti tersebut memilih masing-masing satu kelas untuk tiga
sekolah yang telah ditentukan sebelumnya dan telah diyakinkan bahwa ketiga sekolah
dan ketiga kelas tersebut mempunyai kemampuan/prestasi yang relatif sama. Dari
ketiga kelas tersebut, satu kelas diajarkan matematika tiap pagi hari, satu kelas lagi
diajarkan matematika tiap siang hari, dan satu kelas terakhir diajarkan matematika tiap
sore hari selama waktu eksperimen.

Dari Contoh 2 dapat diidentifikasi variable bebas dan variable terikatnya yaitu

Variabel terikat :

Variabel bebas :
 Jika diasumsikan bahwa keempat persyaratan dari Analisis Variansi diatas telah terpenuhi
dan telah diidentifikasi variable-variabelnya, maka pada Contoh 1 diatas dapat digunakan
uji Analisis Variansi 1 jalan

Contoh 2
Seperti Contoh 1 diatas, misalkan disamping diuji pengaruh waktu mengajar terhadap
prestasi belajar siswa, secara serentak juga akan dilihat pengaruh ukuran kelas (besar
dan kecil) terhadap prestasi belajar siswa, maka akan terdapat variable tambahan
sehingga dapat diidentifikasikan variable terikat dan variable bebasnya yaitu

Variabel terikat :

Variabel bebas :

Jika diasumsikan bahwa keempat persyaratan dari Analisis Variansi diatas telah terpenuhi
dan telah diidentifikasi variable-variabelnya, maka pada Contoh 1 dapat digunakan uji
Analisis Variansi 1 jalan

Berdasarkan ukuran data amatan, Analisis Variansi Univariate Satu Jalan dapat digolongkan
menjadi 2 yaitu

1. Analisis Variansi Univariate Satu Jalan dengan Sel Sama

2. Analisis Variansi Univariate Satu Jalan dengan Sel Berbeda

C. Analisis Variansi Satu Jalan dengan Sel Sama

- Syarat
Uji ini digunakan jika data amatan hasil eksperimen memenuhi persyaratan sebagai
berikut

a. Setiap sampel diambil secara random dari populasinya

Dalam statistika, untuk hal pengambilan sample harus dilakukan secara random
(acak) dari populasinya. Hal ini dimaksudkan agar diperoleh sample yang dapat
mewakili populasinya (representative).
b. Masing-masing populasi saling indipenden dan masing-masing data amatan
saling indipenden di dalam kelompoknya.
 Dipenuhinya persyaratan ini dimaksudkan agar perlakuan yang
diberikan kepada masing-masing sample independen antara satu dengan
yang lainnya. Dengan kata lain antara sample satu dengan sample yang
lain berdiri sendiri dan tidak ada keterkaitan/hubungan.
 Misalkan dilakukan eksperimen tindakan kelas yang ditinjau dari
prestasi belajar siswa. Saat dilakukan pengujian, peneliti harus
menjamin bahwa antara sample yang satu dengan yang lainnya
independen/tidak ada hubungan/tidak ada kerjasama sehingga data yang
diperoleh merupakan data yang valid, artinya alat tes yang sudah
diberikan kepada salah satu sample diusahakan jangan sampai diberikan
kepada sample yang lain.
 Untuk masing-masing populasi harus saling independen dan masing-
masing data amatan harus saling independen di dalam kelompoknya,
dalam arti bahwa kesalahan yang terjadi pada suatu data amatan harus
independen dengan kesalahan yang terjadi pada data amatan yang lain.
 Andaikan solusi independen antar tes dapat diselesaikan dengan
memilih sample – sample yang mewakili populasi-populasi yang
berbeda, maka peneliti juga harus menjamin sifat independen antar data
amatan
 Untuk menguji independence, dapat digunakan uji kecocokan
(goodness – of – fit test).
 Teorema Goodness – of – fit test
Uji kecocokan antara frekuensi amatan (observed frequencies) dan
frekuensi harapan (expected frequencies) mendasarkan kepada kuantitas
berikut :

2
k
( o i−e i )
χ =∑
2

i =1 ei

2
Dimana nilai-nilai dari χ mendekati nilai-nilai dari variable random
chi kuadrat
 Lambang oi menyatakan frekuensi amatan dan lambang ei menyatakan
frekuensi data yang diharapkan

 Teorema Derajat Kebebasan untuk Uji Kecocokan

Bilangan yang menunjukkan derajat kebebasan pada uji kecocokan chi
kuadrat adalah banyaknya sel dikurangi banyaknya kuantitas yang
diperoleh dari data amatan yang digunakan untuk menghitung frekuensi
harapan.

Pada uji ini,

H 0 yang dirumuskan ialah bahwa data amatan mempunyai
distribusi tertentu yang dihipotesiskan dan sebagai daerah kritiknya
adalah

DK ={ χ 2| χ 2 > χ 2α ; v }

Dengan v = derajat kebebasan

 Berdasarkan Teorema Goodness-of-Fit Test diatas dapat dilihat bahwa

2
semakin kecil nilai-nilai χ menunjukkan data yang diamati semakin
mendekati distribusi yang diteorikan.

c. Setiap populasi berdistribusi normal (Sifat Normalitas Populasi)

 Persyaratan normalitas populasi harus dipenuhi karena Analisis Variansi

pada dasarnya adalah uji beda rataan, sama seperti uji beda rataan 2
populasi, misal uji t dan uji Z

 Sebelum dilakukan uji beda rata-rata, harus ditunjukkan bahwa

sampelnya diambil dari populasi normal.

 Apabila masing-masing sample berukuran besar dan diambil dari

populasi yang berukuran besar, biasanya masalah normalitas ini tidak
menjadi masalah yang pelik, karena populasi yang berukuran besar
cenderung berdistribusi normal.

 Terdapat 2 cara yang sering digunakan untuk uji normalitas, yaitu

dengan variable random chi kuadrat (dikatakan sebagai uji secara
 parametrik karena menggunakan penafsir rataan dan deviasi baku) dan
dengan metode Lilliefors (uji ini merupakan uji secara non-parametrik).

 Uji Normalitas dengan Chi Kuadrat

Uji kenormalan dapat dilakukan dengan menggunakan Teorema

Goodness – of – fit test dan Teorema Derajat Kebebasan untuk Uji
Kecocokan diatas. Pada uji ini, untuk menentukan frekuensi harapan,
dilakukan tiga cuantiítas, yaitu frekuensi total, rataan, dan deviasi baku
sehingga derajat kebebasannya adalah (k-3).

Untuk dapat menggunakan cara ini, datanya harus dinyatakan dalam

distribuís frekuensi data bergolong. Prinsip yang dipakai dalam uji ini
adalah membandingkan antara histogram data amatan dengan histogram
yang kurva poligon frekuensinya mendekati distribusi normal

 Uji Normalitas dengan Metode Lilliefors

Uji normalitas dengan metode ini digunakan apabila datanya tidak dalam

distribusi frekuensi bergolong. Pada metode ini, setiap data

X i diubah
X i − X̄
z i dengan transformasi z i=
menjadi bilangan baku s
Maks|F ( z i ) −S ( z i )|
Statistik uji untuk metode ini adalah L = dengan
F ( z i ) =P ( Z≤z ) ; Z ~ N ( 0,1 )
dan
S ( zi)
= proporsi cacah
z≤z i

terhadap seluruh
zi .

DK ={ L|L> Lα ; n }
Sebagai daerah kritiknya : dengan n sebagai ukuran
populasi
 Jika persyaratan normalitas populasi ini tidak dipenuhi, peneliti harus
dapat melakukan transformasi data sedemikian hingga data yang baru
memenuhi persyaratan normalitas populasi ini dan Analisis Variansi ini
dapat diberlakukan pada data yang baru hasil transformasi

d. Populasi-populasi mempunyai variansi dan rerata yang sama (sifat homogenitas

populasi).
 Persyaratan ini harus dipenuhi karena didalam Analisis Variansi ini
dihitung variansi gabungan (pooled varince) dari variansi-variansi
kelompok

 Hal ini berkaitan dengan digunakannya uji F pada Analisis Variansi,

yang apabila variansi populasi tidak sama maka uji F tidak dapat
digunakan

 Salah satu uji homogenitas variansi untuk k-populasi adalah Uji Bartlett.
Uji ini mempunyai 2 bentuk.

 Uji Bartlett bentuk pertama

Langkah komputasinya adalah

1. Hitunglah masing-masing variansi dari k-populasi yaitu

2 2 2
s 1 , s 2 ,… , s k dari sampel yang berukuran n1 ,n2 ,…, nk

2. Hitung variansi gabungan yang dirumuskan oleh

k
1
s 2p =
N −k
∑ ( n k −1 ) s 2i
i=1

3. Hitung bilangan b yang dirumuskan dengan

1

b=
[( )
n −1 2 n −1
( )
s12 1 ⋅ s 2 2 … (s )k ]
2 nk −1 N −k

2
sp yang merupakan nilai dari
variabel random B yang mempunyai distribusi Bartlett
DK ={ b|b<b k ( α ; n1 , .. . ,n k ) }
4. Tentukan daerah kritiknya :
dengan
1
N( 1 k
b k ( α ;n 1 , n2 ,…, n k ) = n b ( α ;n1 ) +n2 b k ( α ;n2 ) +⋯+ nk b k ( α ;nk ) )

 Uji Bartlett bentuk kedua

2 , 303
χ 2=
c
( f log RKG−∑ f j log s2j )
Statistik Uji :
dengan
2 2
χ ~ χ ( k−1 )
k = banyaknya populasi = banyaknya sampel
 N = banyaknya seluruh nilai (ukuran)

nj = banyaknya nilai (ukuran) smapel ke-j = ukuran sampel ke-j

2
fj n −1
= j = derajat kebebasan untuk s j ; j=1,2, …, k

k
=∑ f j
f = N−k j=1 = derajat kebebasan untuk RKG

c
=1+
1
3 ( k−1 ) ( ∑f
1
j
−
1
f )
∑ SS j
RKG = rataan kuadrat galat = ∑fj

SS j = = ( n j −1 ) s 2j

CATATAN
Dalam Analisis Variansi, masing-masing kelompok yang digunakan sebagai
sample dari populasinya masing-masing sehingga jika terdapat k-sampel yang
diambil dari k-populasi dan setiap sample mendapat perlakuan (treatment)
sendiri-sendiri maka dapat dikatakan k-sampel identik dengan k-populasi

Atau dengan kata lain,

Populasi-populasi pada Analisis Variansi merupakan sub-sub populasi dari

populasi penelitian

- Tata letak data

Misalkan terdapat k-sampel dengan masing-masing sample berukuran n maka
banyaknya seluruh data amatan adalah nk
Notasi dan tata letak data pada k-sampel berukuran n dapat digambarkan pada tabel
berikut

Perlakuan
 1 2 … k

X 11 X 12 … X1 k

X 21 X 22 … X2 k

⋮ ⋮ … ⋮
Xn 1 Xn 2 … X nk

Jumlah T1 T2 … Tk T=G

Rataan X1 X2 … Xk X

- Keterangan
X ij = data amatan ke-i pada perlakuan ke-j (sample ke-j)

Tj = Jumlah data amatan sample ke-j

X̄ j = Rataan sample ke-j

G = T = Jumlah seluruh data amatan

X = rataan dari seluruh data amatan

- Model Data

Pada Analisis Variansi Univariate Satu Jalan dengan Sel Sama, setiap data/nilai
X ij
pada populasi dapat dimodelkan dalam bentuk

X ij =μ j +ε ij
μ
Misalkan rataan dari seluruh data pada k-populasi adalah μ , maka j dapat
dinyatakan sebagai

μ j=μ+ α j
dengan
k k
∑ α j= ∑ ( μ j−μ ) =0
j =1 j=1

dimana

μj = rataan pada populasi ke-j

 ε ij = deviasi
X ij dari rataan populasinya

αj = efek perlakuan ke-j terhadap variable terikat

- Dengan demikian, model dari nilai

X ij pada populasi adalah

X ij =μ+α j + ε ij
dengan

X ij = data amatan ke-i pada perlakuan ke-j

μ = rerata dari seluruh data pada populasi

αj = efek perlakuan ke-j terhadap variable terikat

εij = deviasi X ij dari rataan populasinya yang berdistribusi normal dengan rataan
nol

Deviasi
X ij terhadap rataan populasi sering disebut dengan galat (error)
i = 1, 2, … , n
j = 1, 2, … , k
k = cacah populasi/cacah perlakuan/cacah klasifikasi
n = banyaknya data amatan
- Perhatikan dan selesaikanlah contoh-contoh berikut

Contoh 1
Tabel berikut adalah data populasi pada eksperimen dengan 3 perlakuan, yaitu
perlakuan P1, P2, dan P3
Misalkan variable terikatnya adalah prestasi belajar yang berupa nilai

Perlakuan P1 P2 P3
Nilai 3, 4, 4, 5 5, 5, 3, 3 2, 4, 4, 6

α
Carilah nilai α 1 , α 2 dan 3 !

Nyatakan setiap nilai

X ij dengan model
X ij =μ+α j + ε ij !
Solusi :
 μ
Langkah pertama, carilah dahulu nilai μ dan j . Setelah diperoleh kedua nilai

tersebut dapat dicari nilai

αj
μ= 4
μ1 =4 α 1 =0
μ2 =4 α 2 =0
μ3 =4 α 3 =0
Setiap data pada populasi tersebut dapat dinyatakan dengan bentuk
X ij =μ+α j +ε ij sebagai berikut
X 11=3=4 +0+ ε 11→ ε 11=−1
X 21 =4=4 +0+ ε 21 → ε 21=0
Dari contoh diatas dapat dilihat bahwa
μ1 =μ 2 =μ 3 =… dan α 1=α 2 =α 3=…
Keadaan seperti ini dapat dikatakan bahwa …

Contoh 2
Tabel berikut adalah data populasi pada eksperimen dengan 3 perlakuan, yaitu
perlakuan K1, K2, dan K3
Misalkan variable terikatnya adalah prestasi belajar yang berupa nilai

Perlakuan K1 K2 K3
Nilai 2, 3, 3, 4 5, 5, 3, 3 3, 5, 5, 7

α
Carilah nilai α 1 , α 2 dan 3 !

Nyatakan setiap nilai

X ij dengan model X ij =μ+α j + ε ij !
Solusi :
μ
Langkah pertama, carilah dahulu nilai μ dan j . Setelah diperoleh kedua nilai

tersebut dapat dicari nilai

αj
μ= 4
μ1 =4 α 1 =0
μ2 =4 α 2 =0
μ3 =4 α 3 =0
Setiap data pada populasi tersebut dapat dinyatakan dengan bentuk
X ij =μ+α j +ε ij sebagai berikut
X11 ¿ 2=4+ 0+ε 11 → ε 11=−2
X21 ¿ 3=4+ 0+ε 21 → ε 21 =−1
Dari contoh diatas dapat dilihat bahwa
μ1 =μ 2 =μ 3 =… dan α 1=α 2 =α 3=…
Keadaan seperti ini dapat dikatakan bahwa …

Contoh 3
Tabel berikut adalah data populasi pada eksperimen dengan 3 perlakuan, yaitu
perlakuan T1, T2, dan T3
Misalkan variable terikatnya adalah prestasi belajar yang berupa nilai
Perlakuan T1 T2 T3
Nilai 3, 4, 4, 6 3, 4, 4, 5 5, 6, 7, 8
α
Carilah nilai α 1 , α 2 dan 3 !

Nyatakan setiap nilai

X ij dengan model X ij =μ+α j + ε ij !
Solusi :
μ
Langkah pertama, carilah dahulu nilai μ dan j . Setelah diperoleh kedua nilai

tersebut dapat dicari nilai

αj
μ= 4
μ1 =4 α 1 =0
μ2 =4 α 2 =0
μ3 =4 α 3 =0
Setiap data pada populasi tersebut dapat dinyatakan dengan bentuk
X ij =μ+α j +ε ij sebagai berikut
X11 ¿ 3=4+ 0+ε 11 → ε 11=−1
X21 ¿ 4=4+ 0+ε 21 → ε 21=0
Dari contoh diatas dapat dilihat bahwa
μ1 =μ 2 =μ 3 =… dan α 1=α 2 =α 3=…
Keadaan seperti ini dapat dikatakan bahwa …
  Dari Contoh 1 sampai Contoh 3 dapat disimpulkan bahwa

1. Jika
μ1 =μ 2 =μ 3 dan α 1=α 2 =α 3=0 maka dapat dikatakan ….

2. Jika ketiga μ tidak bernilai sama dan nilai ketiga α juga berbeda maka dapat
diartikan ….

- Perumusan Hipotesa
Misalkan terdapat k-perlakuan. Pasangan hipotesa yang diuji pada analisis variansi
satu jalan ini adalah

H0 :
μ1 =μ 2 =…=μk
H1 : paling sedikit ada dua rataan yang tidak sama

Perhatikan bahwa
H 1 : μ1 ≠μ 2 ≠…≠μk sebab notasi itu menunjukkan bahwa

μ1 ≠μ 2 dan μ2 ≠μ3 dan μ3 ≠μ4 dan seterusnya padahal tidak selalu demikian

Berdasarkan model data pada Analisis Variansi Univariate Satu Jalan, maka pasangan
hipotesisnya dapat dirumuskan sebagai berikut

H0 :
α 1=α 2 =…=α k =0

(dapat juga ditulis

α j =0 untuk setiap j)

H1 : paling sedikit ada satu

α j yang tidak nol

Atau dapat ditulis dengan

H0 : tidak ada pengaruh variable bebas terhadap variable terikat

H1 : ada pengaruh variable bebas terhadap variable terikat

Atau dapat ditulis dengan

H0 : variabel bebas tidak berpengaruh terhadap variable terikat

H1 : variabel bebas berpengaruh terhadap variable terikat

Jika kata “pengaruh” digunakan, maka harus dimengerti bahwa ada atau tidaknya
pengaruh ditandai oleh ada atau tidaknya perbedaan rataan pada k-populasi
 Hal ini dilambangkan dengan nilai
αj

- Prosedur Uji Analisis Variansi

Analisis Variansi pada prinsipnya mendasarkan kepada perbandingan dua estimator
2
independen untuk variansi seluruh populasi, yaitu σ

Estimator-estimator ini diperoleh dari pemisahan variansi data amatan pada seluruh
sample menjadi 2 komponen yaitu
1. Estimator untuk variansi antar kelompok (variances between the sample means)
2. Estimator variansi dalam kelompok (variances within k-samples)
Tentu saja estimator-estimator ini diperoleh dari variansi-variansi sample

Variansi dari seluruh data amatan pada k-sampel dan dengan ukuran data nk adalah

k n k n k n

∑ ∑ ( X ij−X ) 2
∑∑ X 2ij ∑ ∑ X2
j=1 i=1 j=1 i=1 j=1 i=1
s2= −
nk−1 = nk−1 nk −1

Pembilang dari ruas kanan pada formula variansi diatas disebut dengan Jumlah
Kuadrat Total (Total sum of Squares) yang disingkat dengan JKT atau SST sehingga
diperoleh

k n
∑ ∑ ( X ij −X )2
JKT = SST = j =1 i=1

Dan penyebutnya merupakan Derajat Kebebasan untuk JKT

Dengan menggunakan sifat sigma diperoleh

k n k n k n
∑ ∑ ( X ij −X ) 2
n ∑ ∑ ( X j− X ) + ∑ ∑ ( X ij−X j )2
2

JKT = j=1 i=1 = j =1 i=1 j=1 i=1

Untuk selanjutnya, suku pertama ruas kanan disebut Jumlah Kuadrat Rataan
Perlakuan (Treatment Sum of Squares atau Sum of Squares for Column Means),
disajikan dengan JKA atau SSC dan suku keduanya disebut Jumlah Kuadrat Galat
(Error Sum of Squares) yang dinotasikan dengan JKG atau SSE
 Sehingga diperoleh

k n k n
n ∑ ∑ ( X j− X ) 2
∑ ∑ ( X ij −X j )2
JKA = SSC = j=1 i=1 dan JKG = SSE = j=1 i=1

Estimator untuk variansi antar kelompok σ , dengan derajat kebebasan ( k−1 ) ,

2

JKA
s 21 =
ditentukan oleh ( k−1 )

Jika
H 0 benar maka s 21 merupakan estimator tak bias σ 2 , sebaliknya jika H 1 benar,
22
maka JKA akan mempunyai nilai yang cenderung besar dan s 1 jauh melebihi σ

dengan derajat kebebasan ( nk−k ) ,

2
Estimator untuk variansi dalam kelompok σ
JKG
s 22 =
ditentukan oleh nk−k

Estimator ini merupakan estimator tak bias σ

2
terlepas apakah
H 0 yang benar

H 2 2
ataukah H 1 jika 0 benar, maka rasio s 1 dan s 2 adalah

2
s1
F=
s 22

adalah nilai dari variabel random Fisher yang mempunyai distribusi F dengan derajat

kebebasan (k-1) dan (nk-k)

2
Untuk selanjutnya s 1 disebut rataan kuadrat perlakuan (treatment mean squares)
2
yang dinotasikan dengan RKA atau MSC dan s 2 disebut rataan kuadrat galat (error
means squares) yang dinotasikan dengan RKG atau MSE.

Oleh karena itu, statistik ujinya adalah

 RKA
F=
RKG

RKA ini merupakan estimator untuk variansi antar kelompok

RKG merupakan estimator variansi gabungan (pooled variance) dari variansi –

variansi populasi.

- Daerah Kritik
2 2 H
Karena s 1 adalah over estimates σ jika 0 salah, maka daerah kritik untuk uji ini
adalah

DK ={ F|F >F α ;'k −1, nk−k }

- Formula Praktis
Pada praktiknya, nilai rataan sample tidak merupakan bilangan bulat sehingga
formula JKA, JKG, dan JKT seperti yang ditulis dimuka tidak mudah digunakan.

Namun demikian, sifat-sifat berikut ini dipenuhi, sehingga untuk menghitung JKT,
JKA, dan JKG lebih baik digunakan formula

k n 2 k n
T G2
JKT =∑ ∑ X 2ij − atau JKT =∑ ∑ X 2ij−
j=1 i=1 nk j=1 i=1 nk

k
∑ T 2j
G2
JKA = j =1 −
n nk

JKG = JKT - JKA

- Contoh 4
Untuk melihat apakah obat sakit kepala jenis A, jenis B, jenis C, jenis D, dan

jenis E memberikan efek yang sama untuk menghilangkan rasa sakit kepala,

obat-obat tersebut diberikan kepada kelompok yang berbeda yang masing-masing

kelompok beranggotakan 5 orang yang sedang sakit kepala yang sama.

 Kelompok I diberi obat A, Kelompok II diberi obat B, Kelompok III diberi obat

C, Kelompok IV diberi obat D, dan Kelompok V diberi obat E. Data berikut

menyatakan lama waktu penyembuhan yang dicatat untuk masing-masing

kelompok. Jika α = 5%, apakah dapat disimpulkan bahwa kelima jenis obat sakit

kepala tersebut memberikan efek yang sama? Diasumsikan semua persyaratan uji

analisis variansi dipenuhi

Lama Waktu Hilangnya Rasa Sakit pada Lima Jenis Obat

Jenis Obat Sakit Kepala

A B C D E
5 9 3 2 7
4 7 5 3 6
8 8 2 4 9
6 6 3 1 4
3 9 7 4 7

Solusi :

Langkah pertama akan dicari nilai total dan rataan dari masing-masing sel dan diperoleh

Jenis Obat Sakit Kepala

A B C D E
5 9 3 2 7
4 7 5 3 6
8 8 2 4 9
6 6 3 1 4
3 9 7 4 7
Total T 1 = 26 T 2 = 39 T 3 = 20 T 4 = 14 T 5 = 33 G = T = 132

Rataan X 1 = 5,2 X 2 = 7,8 X 3 = 4,0 X 4 = 2,8 X 5 = 6,6 X = 5,28

 Uji Hipotesa :

1. Perumusan Hipotesa

H0 :
μ1 =μ 2 =…=μk
H1 : paling sedikit ada dua rataan yang tidak sama

2. Taraf Signifikansi α = 5%
3. Statistik Uji yang digunakan
RKA
F=
RKG

4. Komputasi
k n 2

JKT =
∑∑
j=1 i =1
X 2ij−
T
nk =
2 2 2
5 +4 +8 +6 ...+7 −
2 2
( )
1322
( 5 ) (5 )

= 834 – 696,960 = 137,040

k
∑ T 2j
( )
2 2 2 2 2 2
2 26 +39 +20 +14 +33 132
j=1 G −
− 5 (5 )( 5 )
JKA = n nk =

= 776,4 – 696,960 = 79,440

JKG = JKT – JKA = 57,6

JKA 79 , 440
=
RKA = ( k−1 ) 4 = 19,860

JKG 57 ,6
=
RKG = nk−k 20 = 2,88

RKA
F obs= =6 , 90
RKG

Rangkuman Analisis Variansi dari Contoh 4

Sumber Variasi Jumlah Kuadrat Derajat Kebebasan Rataan Kuadrat Nilai F amatan

Perlakuan 79,440 4 19,860 6,90

Galat 57,600 20 2,880
Total 137,040 24

5. Daerah Kritik
F0 ,05;4 ,20 = 2,87

DK = {F|F>2,87}

F obs=6 , 90 ∈ DK

6. Keputusan Uji : H0 ditolak

7. Kesimpulan : Kelima obat sakit kepala tersebut tidak memberikan efek yang sama
dalam menghilangkan rasa sakit