Di susun oleh :
1. Muhammad ersa purnama P.S (197023128)
2. Dedi rahmad sultani (207023184)
3. Rico ramatullah (207023185)
4. Aldi pratama (207023187)
1.3 Tujuan
1. Mengetahui uji Anova
2. Mengetahui hasil analisis dengan menggunakan uji Anova dan uji regresi
linier
3. Mengetahui pengaruh besarnya jarak terhadap biaya dengan tingkat
keykainan 98%
BAB II
TINJAUAN PUSTAKA
2.1 Pengertian Uji Analisis Anova
Sering kali kita menghadapi banyak rata-rata (lebih dari dua rata-rata).
apabila kita mengambil langkah pengujian perbedaan rata-rata tersebut satu persatu
(dengan t test) akan memakan waktu, tenaga yang banyak. di samping itu, kita akan
menghadapi risiko salah yang besar. untuk itu, telah ditemikan cara analisis yang
mengandung kesalahan lebih kecil dan dapat menghemat waktu serta tenaga yaitu
dengan ANOVA (Analisys of variances).
Uji Anova adalah bentuk khusus dari analisis statistik yang banyak
digunakan dalam penelitian eksperimen. metode analisis ini dikembangkan oleh
R.A Fisher. Uji Anova juga adalah bentuk uji hipotesis statistik dimana kita
mengambil kesimpulan berdasarkan data atau kelompok statistik inferentif.
Hipotesis nol dari uji Anova adalah bahwa data adalah simple random dari populasi
yang sama sehingga memiliki ekspektasi mean dan varians yang sama. Sebagai
contoh penelitian perbedaan perlakuan terhadap sampel pasien yang sama.
Hipotesis nol nya adalah semua perlakuan akan memiliki efek yang sama
(Marpaung, et al : 2017).
Seperti halnya Uji T, dalam uji Anova pun Anda harus menghitung statistik
uji (dalam hal ini adalah F- rasio) untuk menguji pernyataan bahwa apakah
kelompok yang dibandingkan memiliki kesamaan atau tidak. Bahasa statistik
hipotesis uji Anova dapat dituliskan sebagai berikut: H0 : M1 = M2 = M3 = 0 ,
biasanya dengan harapan bahwa Anda akan dapat menolak H0 untuk memberikan
bukti bahwa hipotesis alternatif (H1 : Tidak H0) . Untuk menguji H0, Anda
mengambil sampel secara acak kelompok peserta/sampel/responden dan
menetapkan ukuran-ukuran (variabel dependen). Kemudian melihat apakah
ukuran-ukuran tersebut berbeda berarti untuk berbagai kondisi. Jika berbeda maka
Anda akan dituntun untuk menolak H0. Seperti pada uji statistik yang lain, kita
menolak H0 ketika mendapati statistik uji yang diukur melalui F-statistik yang
melebihi F tabel dengan tingkat kepercayaan tertentu. Cara lain dapat dilakukan
dengnan melihat p-value (nilai probabilitas) yang mana lebih rendah dari 5%,
misalnya kita menggunakan tingkat kepercayaan 95%.
Ghozali (2006) menjelaskan beberapa asumsi yang harus dipenuhi untuk
dapat menggunakan uji statistik ANOVA di dalam bukunya yang berjudul
“Aplikasi Analisis Multivariate dengan Program SPSS (Stastistical Packages for
the Social Sciences) Cetakan IV”, yaitu:
a. Homogeneity of Variance
Variabel dependen harus memiliki varian yang sama dalam setiap kategori
variabel independen. Jika terdapat lebih dari satu variabel independen, maka
harus homogeneity of variance di dalam cell yang dibentuk oleh variabel
independen kategorikal. SPSS memberikan test ini dengan nama Levene’s
test of homogeneity of variance. Jika nilai Levene test signifikan
(probabilitas < 0,05) maka hipotesis nol akan ditolak bahwa grup memiliki
variance yang berbeda dan hal ini menyalahi asumsi. Jadi, yang dikehendaki
adalah tidak dapat menolak hipotesis nol atau hasil Levene test tidak
signifikan (probabilitas > 0,05). Walaupun asumsi variance sama ini
dilanggar, Box (dalam Ghozali, 2006) menyatakan bahwa ANOVA masih
tetap dapat digunakan oleh karena ANOVA robust (tahan) untuk
penyimpangan yang kecil dan moderat dari homogeneity of variance.
Perhitungan kasarnya rasio terbesar ke terkecil dari grup variance harus tiga
atau kurang dari tiga (< 3)
b. Random Sampling
Untuk tujuan uji signifikansi, maka subjek di dalam setiap grup harus
diambil secara random.
c. Multivariate Normality
Untuk uji signifikansi, maka variabel harus mengikuti distribusi normal
multivariate. Variabel dependen terdistribusi secara normal dalam setiap
kategori variabel independen. ANOVA masih tetap robust walaupun
terdapat penyimpangan asumsi multivariate normality. SPSS memberikan
uji Boxplot Test of The Normality Assumption. Ghozali (2006) juga
menjelaskan bahwa analysis of variance yang digunakan untuk
membandingkan nilai rata-rata tiga atau lebih sampel yang tidak
berhubungan pada dasarnya adalah menggunakan F Test, yaitu estimate
between groups variance (atau mean-squares) dibandingkan dengan
estimate within groups variance.
Anova satu arah dapat pula digunakan untuk menganalisis variable
terikat berskala ordinal yaitu dengan kruskal-walles. Kruskal-walles
menggunakan asumsi bahwa masing-masing sampel diambil dari populasi
yang sama dan distribusinya ditaksir melalui distribusi chisquare dengan
dk= k – 1. Anova dapat pula diterapkan untuk sampel yang sama dengan
pengukuran ulang.(Agus irianto,2004:246).
Asumsi dalam anova :
1. Sampel diambil dari distribusi normal, sehingga sampel juga
berdistribusi normal. Kenornalam ini dapat diatas dengan memperbesar
jumlah sampel.
2. Masing-masing kelompok mempunyai variable yang sama.
3. Sampel diambil secara acak.
Anova pengembangan atau penjabaran lebih lanjut dari uji-t ( 𝑡ℎ𝑖𝑡𝑢𝑛𝑔 )
.Uji-t atau uji-z hanya dapat melihat perbandingan dua kelompok data saja.
Sedangkan anova satu jalur lebih dari dua kelompok data. Contoh: Perbedaan
prestasi belajar statistika antara mahasiswa tugas belajar (𝑋1), izin belajar
(𝑋2) dan umum (𝑋3).
Anova lebih dikenal dengan uji-F (Fisher Test), sedangkan arti variasi
atau varian itu asalnya dari pengertian konsep “Mean Square” atau kuadrat
rerata (KR).
Rumusnya :
𝐽𝐾
𝐾𝑅 = 𝑑𝑏
Varian dalam group dapat juga disebut Varian Kesalahan (Varian Galat).
Dapat dirumuskan :
(∑𝑋𝐴𝑖 )2 (∑𝑋𝜏 )2
𝐽𝐾𝐴 = ∑ − untuk 𝑑𝑏𝐴 = 𝐴 − 1
𝑛𝐴𝑖 𝑁
(∑𝑋𝐴𝑖 )2
𝐽𝐾𝐷 = (∑𝑋𝜏 )2 − ∑ untuk 𝑑𝑏𝐷 = 𝑁 − 𝐴
𝑛𝐴𝑖
(∑𝑋𝜏 )2
Dimana: = sebagai faktor koreksi
𝑁
a : konstanta
X : Variabel independen
Berdasarkan rumus regresi diatas, dapat dihitung nilai koefisien a atau b terlebih
dahulu, maka selanjutnya koefisien a dapat dihitung dari koefisien b.
BAB III
PEMBAHASAN
Uji Anova
Fungsi dari uji Anova yaitu untuk membandingkan rata-rata populasi untuk
mengetahui perbedaan yang signifikan antara dua atau lebih dari suatu kelompok
data.
Contoh Kasus
Pemerintah terkait dan pihak persatuan Armada Bis akan melakukan/merencanakan
peninjauan ulang biaya angkut armada Bis antar lintas provinsi Untuk itu tim
peninjau mencoba melihat hubungan antara jarak dari rute dan biaya operasional
yang harus ditanggung pihak armada Bis, data berikut merupakan data yang saat
ini dilayani oleh Armada Bis, sebagai berikut :
NO A B A2 B2
1 1211 1802 1466521 3247204
2 1345 2405 1809025 5784025
3 1422 2005 2022084 4020025
4 1687 2511 2845969 6305121
5 1849 2332 3418801 5438224
6 2026 2330 4104676 5428900
7 2400 3090 5760000 9548100
8 2468 3590 6091024 12888100
9 2699 3372 7284601 11370384
10 3083 3555 9504889 12638025
11 3200 4692 10240000 22014864
12 3266 4690 10666756 21996100
13 3477 4703 12089529 22118209
14 4804 6400 23078416 40960000
15 4533 6059 20548089 36711481
Jumlah 39470 53536 120930380 220468762
A+B 93006 A2+B2 341399142
2. Dari data diatas, dapat ditentukan nilai H0 dan H1 terlebih dahulu sebagai
berikut:
H0 : tidak ada pengaruh yang signifikan antara jarak dan biaya operasional
armada bis lintas provinsi (F hitung ≤ F tabel)
H1 : ada pengaruh yang signifikan antara jarak dan biaya operasional armada
bis lintas provinsi (F hitung ≥ F tabel)
KTK = 6595079
• Kuadrat Tengah Galat (KTG)
𝐽𝐾𝐺
KTG = 𝑁−𝑘
46466862
KTG = 30−2
KTG = 1659530,79
• F hitung
𝐾𝑇𝐾
F hitung = 𝐾𝑇𝐺
6595079
F hitung = 1659530,79
F hitung = 3,97
3. Model Regresi
NO X Y XY X2
1 1211 1802 2182222 1466521
2 1345 2405 3234725 1809025
3 1422 2005 2851110 2022084
4 1687 2511 4236057 2845969
5 1849 2332 4311868 3418801
6 2026 2330 4720580 4104676
7 2400 3090 7416000 5760000
8 2468 3590 8860120 6091024
9 2699 3372 9101028 7284601
10 3083 3555 10960065 9504889
11 3200 4692 15014400 10240000
12 3266 4690 15317540 10666756
13 3477 4703 16352331 12089529
14 4804 6400 30745600 23078416
15 4533 6059 27465447 20548089
Jumlah 39470 53536 162769093 120930380
∑X = 39470
∑Y = 53536
∑XY = 162769093
∑X2 = 120930380
Model Regresi :
Yi = a + bX
(∑𝑋)2
SXX = ∑X2 - 𝑁
(39470)2
SXX = 120930380 - 15
SXX = 120930380 – 103858727
SXX = 17071653
(∑𝑋)(∑𝑌)
SXY = ∑XY - 𝑁
(39470)(53536)
SXY = 162769093 - 15
SXY = 162769093 – 140871061
SXY = 21898032
𝑆𝑋𝑌
b = 𝑆𝑋𝑋
21898032
b = 17071653 = 1,28
1
a = 𝑛 (∑Y – bi ∑X)
1
a = 15 (53536 – 1,28 x 39470)
a = 200,96
Pada model regresi ini, diketahui antara jarak dan biaya bis saling berpengaruh. Hal
tersebut dapat dilihat pada nilai persamaan regresinya, dengan nilai b bernilai
positif.
6000
5000
4000
3000
2000
1000
0
0 1000 2000 3000 4000 5000 6000
𝑆𝑆𝐸
S2 = 𝑛−2
SSE = JYY – b JXY
(∑𝑌)2
JYY = ∑Y2 - 𝑁
(53536)2
JYY = 220468762 - 15
JYY = 29395209
(∑𝑋)(∑𝑌)
JXY = ∑XY - 15
(39470)(53536)
JXY= 162769093 - 15
JXY = 21898032
(∑𝑋)2
JXX = ∑X2 - 𝑛
(39470)2
JXX = 120930380 - 15
JXX = 17071653
Selang Kepercayaan
𝑏−𝑡0,01 𝑆 𝑏+𝑡0,01 𝑆
<β <
√𝐽𝑋𝑋 √𝐽𝑋𝑋
1,28−3,012 𝑥 324,12 1,28+3,012 𝑥 324,12
<β <
√17071653 √17071653
-0,236 < β < 0,236
Kesimpulan dari data tersebut yaitu, terdapat pengaruh antara jarak terhadap biaya
dan saling kontinue karena nilai b zang didapatkan positif. Jika nilai b positif maka
smakin bertambahnya nilai x, maka nilai y juga akan mengikuti