Topik 2

Analisis Varian
(1 jalur/One Way Anova)

Anava 1 jalur dapat dilakukan karena lebih dari 2 perlakuan. Uji ini merupakan perluasan dari uji

t. Jika uji t terjadi karena 2 perlakukan atau 2 sampel independent, maka untuk Anava minimal 3

perlakuan. Misalkan dilakukan pengujian apakah ada pengaruh metode pembelajaran terhadap

prestasi belajar sains. Dalam hal ini variabel terikatnya adalah prestasi belajar sains, sedangkan

variabel bebasnya metode pembelajaran. Jika metode pembelajaran hanya 2 perlakuan yaitu

metode A dan B maka pengujian menggunakan uji t. Jika metode yang digunakan ada 3, yaitu A,

B, dan C maka pengujian digunakan analisis varian atau Anava 1 jalan (jalur/arah). Beda lagi jika

prestasi belajar dipengaruhi oleh metode (A, B, C) dan motivasi (T, S, R), maka pengujian dengan

Anava 2 jalur. Pengujian Anava dilakukan untuk mengetahui perbedaan rata-ratanya.

Analisis Anava memiliki persyaratan, yaitu

1. Pengambilan sampel dengan cara random.

2. Masing-masing populasi independen dan masing-masing data amatan saling independen

di dalam kelompoknya.

3. Masing-masing populasi berdistribusi normal (normalitas data) Test. (Rumus ada di buku

Statistika/Retno Widyaningrum halaman 204)

4. Masing-masing populasi memiliki variansi yang sama (homogenitas data). Test (Rumus

ada di buku Statistika/Retno Widyaningrum halaman 215)

Penyusunan hipotesis untuk Anava 1 jalan denga k perlakuan dengan n data dalam perlakuan

tersebut, dapat dibuat tabel sebagai berikut.

Tabel 1

Perlakuan
1 2 … k
X11 X12 … X1k
X21 X12 … X2k
… … … …
Xn1 Xn2 … Xnk

Untuk mengerjakannya table di atas dirubah seperti di bawah ini

Tabel 2
Penempatan Data Hasil Penelitian dengan k perlakuan sejumlah nk sampel
2
Perlakuan Xkn 𝑋𝑘𝑛

1 2 … k
2 2 2
𝑋11 𝑋21 𝑋𝑘1
X11 X21 … Xk1 ∑ 𝑋𝑘1

2 2 2
𝑋12 𝑋22 𝑋𝑘2
X12 X22 … Xk2 ∑ 𝑋𝑘2

… … … …
2 2 2
𝑋12 𝑋2𝑛 𝑋𝑘𝑛
X1n X2n … Xkn ∑ 𝑋𝑘2

∑ 𝑋1 ∑ 𝑋12 ∑ 𝑋2 ∑ 𝑋22 … ∑ 𝑋𝑘 ∑ 𝑋𝑘2

Dengan menggunakan table Anava sebagai berikut.

Tabel 2
Analisis Variansi dengan k Perlakuan

Sumber variasi db Jumlah Kuadrat (JK) Rerata Kuadrat Nilai F

Variation df Sum of Squares (SS) Mean Square (MS)
Antar perlakuan k-1 JKA 𝐽𝐾𝐴
Beetwen Groups (A) 𝑅𝐾𝐴 =
𝑑𝑏 𝑅𝐾𝐴
Interaksi dalam N-k JKD=JKT-JKA 𝐽𝐾𝐷 𝐹=
𝑅𝐾𝐷 = 𝑅𝐾𝐷
kelompok 𝑑𝑏
Within Groups (W)
Total N-1 JKT
Total

k = banyaknya perlakuan

N = banyak data seluruhnya = n.k = 5.3 = 15

N banyak data masing-masing perlakuan

(∑ 𝑋1 )2 (∑ 𝑋1 )2 (∑ 𝑋1 )2 (∑ 𝑋𝑡𝑜𝑡𝑎𝑙 )2
𝐽𝐾𝐴 = + + −
𝑛 𝑛 𝑛 𝑛𝑘

2
(∑ 𝑋𝑡𝑜𝑡𝑎𝑙 )2
𝐽𝐾𝑇 = ∑ 𝑋𝑛𝑘 −
𝑛𝑘

Contoh penggunaan

Untuk melihat efektifitas penyubur tanaman bunga hias aglonema maka dilakukan penelitian

pada 5 kelompok dengan penyubur tanaman yang berbeda, missal A, B, C, D, E. Masing-masing

kelompok terdiri dari 5 tanaman bunga aglonema. Masing-masing tanaman di ukur panjang

batangnya dengan ukuran cm. Setelah 20 hari di catat pertambahan panjangnya. Perlu diketahui,

25 kondisi tanaman sebelum penelitian dalam keadaan sama dan selama penelitian selalu dijaga
kondisi lingkungannya. Jika 𝛼%=5%, apakah penyubur tanaman tersebut memberikan efek yang

sama? Data hasil penelitian seperti di bawah ini.

Tabel 3
Pertambahan Panjang Tanaman Aglonema setelah 20 hari

Penyubur Tanaman
A B C D E
6 10 4 3 8
5 8 6 4 7
9 9 3 5 10
7 7 4 2 5
4 10 8 5 8

Data di atas dapat dianalisa sebagai berikut.

Ho: 𝜇1 = 𝜇2 = 𝜇3 = 𝜇4 = 𝜇5 : Tidak ada perbedaan rata-rata yang signifikan antara variabel x1, x2,

x3, x4, x5

H1 : 𝜇1 ≠ 𝜇2 𝑎𝑡𝑎𝑢 𝜇2 ≠ 𝜇3 𝑎𝑡𝑎𝑢 𝜇3 ≠ 𝜇4 𝑎𝑡𝑎𝑢 𝜇4 ≠ 𝜇5 : Ada perbedaan rata-rata yang signifikan

antara variabel x1, x2, x3, x4, x5 atau

minimal satu pasang perlakuan.

Table 4
Pertambahan Panjang Tanaman Aglonema setelah 20 hari
Penyubur Tanaman
2
A B C D E Xkn 𝑋𝑘𝑛
X1 𝑋12 X2 𝑋22 X3 𝑋32 X4 𝑋42 X5 𝑋52
6 36 10 100 4 16 3 9 8 64 31 225
5 25 8 64 6 36 4 16 7 49 30 190
9 81 9 81 3 9 5 25 10 100 36 296
7 49 7 49 4 16 2 4 5 25 25 143
4 16 10 100 8 64 5 25 8 64 35 269
Jumlah per
31 207 44 394 25 141 19 79 38 302 157 1123
perlakuan

Langkah 1: buat tabel seperti di atas.

Langkah 2: jumlah masing-masing perlakukan
Langkah 3:Hitung JTot

𝐽𝑇𝑜𝑡 = ∑ 𝑋𝑘𝑛 = 157

Langkah 4: hitung JKT seperti di bawah ini
Diketahui ada 5 perlakuan berarti k=5
Masing-masing perlakuan terdiri dari 5 data berarti n=5 sehingga banyak data seluruhnya
N=nk=25

2
(∑ 𝑋𝑡𝑜𝑡𝑎𝑙 )2
𝐽𝐾𝑇 = ∑ 𝑋𝑛𝑘 −
𝑛𝑘

(157)2
= 1123 −
25

=1123-985,96

=137,04

Langkah 5: hitung JKB seperti di bawah ini

(∑ 𝑋1 )2 (∑ 𝑋2 )2 (∑ 𝑋3 )2 (∑ 𝑋4 )2 (∑ 𝑋5 )2 (∑ 𝑋𝑡𝑜𝑡 )2
𝐽𝐾𝐵 = + + + + −
𝑛 𝑛 𝑛 𝑛 𝑛 𝑛𝑘

(∑ 𝑋1 )2 (∑ 𝑋2 )2 (∑ 𝑋3 )2 (∑ 𝑋4 )2 (∑ 𝑋5 )2 (∑ 𝑋𝑡𝑜𝑡 )2
= + + + + −
5 5 5 5 5 25

(31)2 (44)2 (25)2 (19)2 (38)2 (157)2

= + + + + −
5 5 5 5 5 25

=192,2 + 387,2 + 125 + 72,2 + 288,8 - 985,86

=1065,4 - 985,96

=79,44

Langkah 6: hitung JKD seperti di bawah ini

JKD= JKT-JKB = 137,04-79,44=57,6

Langkah 7: bagi hasil Langkah 4 dengan derajad bebasnya (banyak perlakuan-1)

𝐽𝐾𝐵 79,44
𝑅𝐾𝐵 = = = 19,86
𝑑𝑏 5−1

Langkah 8: bagi hasil Langkah 5 dengan derajad bebasnya (banyak data-1)

𝐽𝐾𝐷 57,6
𝑅𝐾𝐷 = = = 2,88
𝑑𝑏 25 − 5

Langkah 9: bagi hasil Langkah 7 dengan Langkah 8

 𝑅𝐾𝐵 19,86
𝐹 = 𝑅𝐾𝐷 = 2,88
= 6,896

Langkah 10 : hasil-hasil masukkan pada table Anava

Tabel 4
Analisis Variansi dengan k Perlakuan

Sumber variasi db Jumlah Kuadrat Nilai Kuadrat

Nilai F
Variation df Sum of Squares (SS) Mean Square (MS)
Antar perlakuan
4 79,44 19,86
Beetwen Groups (B)
Interaksi dalam 6,8956
kelompok 20 57,6 2,88
Within Groups (W)
Total
24 137,04
Total

Interpretasi

Dengan 𝛼%=5% di dapatkan dari table F pada sampel 25 dan perlakuan 5 dituliskan seperti ini.

Fα;k-1,N-k = F0,05; 4, 20 = 2,76. Karena Fhitung besarnya 6,896 maka Fhitung > Ftabel, sehingga Ho di tolak.

Artinya yang diterima H1 berarti ada perbedaan rata-rata yang signifikan antara variabel x1, x2,

x3, x4, x5 atau minimal satu pasang perlakuan.

Karena perlakuan sebanyak 5 maka belum diketahui perlakuan yang mana yang berbeda

sehingga analisis perlu dilanjutkan.

Metode Lanjutan Setelah Analisis Anava 1 Jalan Ada Perbedaan Reratanya.

Pengujian selanjutnya apabila didapatkan bukti ada perbedaan rerata pada penelitian maka ada

beberapa metode yang bisa digunakan antara lain: metode Scheffe’, Tukey, Necman -Keuls,

Duncan. Untuk metode Scheffe bisa digunakan untuk data dengan jumlah sampel yang tidak

sama dan tidak sama.

Untuk hipotesis uji Scheffe’ seperti di bawah ini.

1. Uji perbedaan 𝜇1 𝑑𝑎𝑛 𝜇2

Ho : 𝜇1 = 𝜇2

H1 : 𝜇1 ≠ 𝜇2

2. Uji perbedaan 𝜇2 𝑑𝑎𝑛 𝜇3

Ho : 𝜇2 = 𝜇3

H1 : 𝜇2 ≠ 𝜇3

3. Uji perbedaan 𝜇𝑘−1 𝑑𝑎𝑛 𝜇𝑘

Ho : 𝜇𝑘−1 = 𝜇𝑘

H1 : 𝜇𝑘−1 ≠ 𝜇𝑘

Penghitungan Uji Scheffe’ seperti di bawah ini.

(̅̅̅ ̅̅̅)
𝑋1 −𝑋 2
2
1. 𝐹1−2 = 1 1
𝑅𝐾𝐷( + )
𝑛1 𝑛2

(̅̅̅ ̅̅̅)
𝑋2 −𝑋 2
3
2. 𝐹2−3 = 1 1
𝑅𝐾𝐷( + )
𝑛2 3

(̅̅̅̅̅̅
𝑋𝑘−1 −𝑋̅̅̅) 2
𝑘
3. 𝐹(𝑘−1)−𝑘 = 1 1
𝑅𝐾𝐷( + )
𝑛𝑘−1 𝑛𝑘

Daerah kritis pengujian

Fhitung > Ftabel dengan Ftabel= Fα;k-1,N-k

Contoh penghitungan di atas, karena ada perbedaan maka uji lanjut dilakukan untuk mengetahui

pada perlakuan mana yang berbeda reratanya.

Langkah 1 : Menyusun hipotesisnya

Tabel 5
Hipotesisi untuk Uji Scheffe’

Uji perbedaan Ho H1
𝜇1 𝑑𝑎𝑛 𝜇2 𝜇1 = 𝜇2 𝜇1 ≠ 𝜇2
𝜇2 𝑑𝑎𝑛 𝜇3 𝜇2 = 𝜇3 𝜇2 ≠ 𝜇3
𝜇3 𝑑𝑎𝑛 𝜇4 𝜇3 = 𝜇4 𝜇3 ≠ 𝜇4
𝜇4 𝑑𝑎𝑛 𝜇5 𝜇4 = 𝜇5 𝜇4 ≠ 𝜇5
𝜇1 𝑑𝑎𝑛 𝜇3 𝜇1 = 𝜇3 𝜇1 ≠ 𝜇3
𝜇1 𝑑𝑎𝑛 𝜇4 𝜇1 = 𝜇4 𝜇1 ≠ 𝜇4
𝜇1 𝑑𝑎𝑛 𝜇5 𝜇1 = 𝜇5 𝜇1 ≠ 𝜇5
𝜇2 𝑑𝑎𝑛 𝜇4 𝜇2 = 𝜇4 𝜇2 ≠ 𝜇4
𝜇2 𝑑𝑎𝑛 𝜇5 𝜇2 = 𝜇5 𝜇2 ≠ 𝜇5
𝜇4 𝑑𝑎𝑛 𝜇5 𝜇4 = 𝜇5 𝜇4 ≠ 𝜇5

Langka 2 : menghitung uji Fnya.

(̅̅̅̅̅̅ 𝑋𝑘 )2
𝑋𝑘−1 − ̅̅̅
𝐹(𝑘−1)−𝑘 =
1 1
𝑅𝐾𝐷 (𝑛 + 𝑛 )
𝑘−1 𝑘

(6,2−8,8)2
1. 𝐹1−2 = 1 1 =5,868
2,88( + )
5 5

(8,8−5)2
2. 𝐹2−3 = 1 1 =12,535
2,88( + )
5 5

(5−3,8)2
3. 𝐹3−4 = 1 1 =1,250
2,88( + )
5 5

(3,8−7,6)2
4. 𝐹4−5 = 1 1 = 12,535
2,88( + )
5 5

(36,2−5)2
5. 𝐹1−3 = 1 1 = 1,250
2,88( + )
5 5

(6,2−3,8)2
6. 𝐹1−4 = 1 1 = 5,000
2,88( + )
5 5

(6,2−7,6)2
7. 𝐹1−5 = 1 1 = 1,701
2,88( + )
5 5
 (8,8−3,8)2
8. 𝐹2−4 = 1 1 = 21,701
2,88( + )
5 5

(8,8−7,6)2
9. 𝐹2−5 = 1 1 = 1,250
2,88( + )
5 5

(3,8−7,6)2
10. 𝐹4−5 = 1 1 = 12,535
2,88( + )
5 5

Langkah 3 : interpretasi

Tabel 6
Interpretasi

Pengujian F hitung Fα;k-1,N-k = F0,05; 4, 20 = Keputusan

2,87
A dan B 5.868 2,87 Fhitung > Ftabel, Ho ditolak
B dan C 12.535 2,87 Fhitung > Ftabel, Ho ditolak
C dan D 1.250 2,87 Fhitung < Ftabel, Ho diterima
D dan E 12.535 2,87 Fhitung > Ftabel, Ho ditolak
A dan C 1.250 2,87 Fhitung < Ftabel, Ho diterima
A dan D 5.000 2,87 Fhitung > Ftabel, Ho ditolak
A dan E 1.701 2,87 Fhitung < Ftabel, Ho diterima
B dan D 21.701 2,87 Fhitung > Ftabel, Ho ditolak
B dan E 1.250 2,87 Fhitung < Ftabel, Ho diterima
D dan E 12.535 2,87 Fhitung > Ftabel, Ho ditolak

Langkah ke 4: Membuat keputusan

𝜇1 𝑑𝑎𝑛 𝜇2 Fhitung > Ftabel, Ho ditolak Ada perbedaan rerata perlakuan A dengan
perlakuan B

𝜇2 𝑑𝑎𝑛 𝜇3 Fhitung > Ftabel, Ho ditolak Ada perbedaan rerata perlakuan B dengan
perlakuan C

𝜇3 𝑑𝑎𝑛 𝜇4 Fhitung < Ftabel, Ho diterima Tidak ada perbedaan rerata perlakuan C
dengan perlakuan D

𝜇4 𝑑𝑎𝑛 𝜇5 Fhitung > Ftabel, Ho ditolak Ada perbedaan rerata perlakuan D dengan
perlakuan E

𝜇1 𝑑𝑎𝑛 𝜇3 Fhitung < Ftabel, Ho diterima Tidak ada perbedaan rerata perlakuan A
dengan perlakuan C

𝜇1 𝑑𝑎𝑛 𝜇4 Fhitung > Ftabel, Ho ditolak Ada perbedaan rerata perlakuan A dengan
perlakuan D
 𝜇1 𝑑𝑎𝑛 𝜇5 Fhitung < Ftabel, Ho diterima Tidak ada perbedaan rerata perlakuan A
dengan perlakuan E

𝜇2 𝑑𝑎𝑛 𝜇4 Fhitung > Ftabel, Ho ditolak Ada perbedaan rerata perlakuan B dengan
perlakuan D

𝜇2 𝑑𝑎𝑛 𝜇5 Fhitung < Ftabel, Ho diterima Tidak ada perbedaan rerata perlakuan B
dengan perlakuan E

𝜇4 𝑑𝑎𝑛 𝜇5 Fhitung > Ftabel, Ho ditolak Ada perbedaan rerata perlakuan D dengan
perlakuan E

Hasil di atas menunjukkan ke 5 penyubur tanaman hias Aglonema memiliki efektivitas yang tidak

sama.

1. Penyubur A sama baiknya dengan penyubur E, namun penyubur E lebih baik daripada

penyubur A dengan melihat reratanya.

2. Penyubur B sama baiknya dengan penyubur E, namun penyubur E lebih baik daripada

penyubur B dengan melihat reratanya.

3. Penyubur A sama baiknya dengan penyubur C, namun penyubur A lebih baik daripada

penyubur C dengan melihat reratanya.

4. Penyubur C sama baiknya dengan penyubur D, namun penyubur C lebih baik daripada

penyubur D dengan melihat reratanya

Penjelasan ini bisa ditambah dengan penjelsan lainnya.