■ Analisis Variansi 1

ANALISIS VARIANSI (ANOVA)

ANALISIS VARIANSI SEARAH

Analisis variansi searah merupakan alat uji statistik yang digunakan untuk menguji apakah k populasi
yang independen mempunyai rata-rata yang berbeda atau tidak.
Dalam analisis ini akan dibandingkan k buah rata-rata perlakuan atau menguji homogenitas nilai rata-
rata k buah sampel random yang masing-masing berasal dari suatu populasi yang berdistribusi
Normal dan homogen ( σ12 = σ22 = ………..= σk2 )
Dalam analisis variansi searah terdapat 1 variabel tak bebas (variabel dependen) yang mempunyai
skala interval atau ratio dan 1 variabel bebas (variabel independen) yang mempunyai skala nominal
atau ordinal yang biasa disebut faktor. Nilai faktor atau variabel bebas biasanya dinyatakan dalam k
buah perlakuan atau level faktor.

CONTOH 1:
Akan diuji apakah rata-rata jumlah produk yang dihasilkan perminggu dari 3 buah stasiun kerja manual
yang paralel adalah homogen.
Untuk itu diambil sampel random dari pengamatan selama 6 minggu untuk masing-masing stasiun
kerja. Dalam hal ini,
− jumlah produk yang dihasilkan perminggu merupakan variabel tak bebas dengan data metrik
berskala ratio
− stasiun kerja merupakan variabel bebas dengan data non metrik dengan skala nominal

Hasil pengamatan disajikan dalam bentuk data sebagai berikut :

Minggu ke Stasiun kerja I Stasiun kerja II Stasiun kerja III
1 76 unit 72 unit 71 unit
2 63 unit 63 unit 54 unit
3 66 unit 65 unit 62 unit
4 83 unit 78 unit 76 unit
5 74 unit 69 unit 65 unit
6 53 unit 49 unit 50 unit

Secara umum hasil pengamatan di atas bisa dituliskan sebagai berikut :

j i x1 x2 ……… xk Jumlah
1 y11 y21 ……… yk1
2 y12 y22 ……… yk2
3 y13 y23 ……… yk3
: : : ……… :
: : y2n2 ……… yknk
: y1n1 ………
n1 n2 nk k
Jumlah Y1 = ∑ y1j Y2 = ∑ y2j ……… Yk = ∑ y kj Y= ∑ Yi
j =1 j =1 j =1 i =1
k
Bany. observasi n1 n2 ……… nk N=  ni
i =1
Y1 Y2 Yk k
Y Y
Rata-rata Y1 =
n1
Y2 =
n2
……… Yk =
nk
Y= ∑ ki =
N
i =1

xi = variabel bebas atau klas atau perlakuan ke-i (i = 1, 2, .., k)

j = nomer eksperimen (j = 1, 2, …, ni) ; ni = banyaknya eksperimen dalam klas/perlakuan i
k
N=  ni = total banyaknya pengamatan / observasi
i =1
Dalam hal ini unit-unit eksperimen (nilai yij) dalam tiap klas / perlakuan dianggap homogen.

@Femiana Gapsari
 ■ Analisis Variansi 2

Selanjutnya dihitung jumlah kuadrat (sum of squares) sebagai berikut :

a. Jumlah kuadrat deviasi seluruh pengamatan (the total deviation sum of squares = SST) atau
Jumlah Kuadrat Total = JKT :
k ni k ni k ni
Y2
JKT = ∑∑( y ij - Y )2 = ∑∑ y ij2 - NY 2 = ∑∑ y ij2 - N
i =1 j =1 i =1 j =1 i =1 j =1
b. Jumlah kuadrat deviasi observasi di dalam masing-masing klas/perlakuan (the within-classes sum
of squares = SSW ) atau Jumlah Kuadrat Kesalahan Eksperimen / Error = JKE :
k ni k ni k ni
k k
Yi 2
JKE = ∑∑( y ij - Yi )2 = ∑∑ y ij2 - ∑ni Yi2 = ∑∑ y ij2 - ∑ n
i =1 j =1 i =1 j =1 i =1 i =1 j =1 i =1 i
c. Jumlah kuadrat deviasi di antara klas/perlakuan (the between-classes sum of squares = SSB)
atau Jumlah Kuadrat Perlakuan = JKP :
k ni k k k
Yi 2 Y 2
JKP = ∑∑( Yi - Y)2 = ∑ ni ( Yi - Y )2 = ∑ ni Yi 2 - NY 2 = ∑ n
-
N
i =1 j =1 i =1 i =1 i =1 i
= JKT – JKE
Jadi :
JKT = JKE + JKP
Derajad bebas dari masing-masing jumlah kuadrat :
db JKT = N – 1
db JKP = k – 1
db JKE = N – k

Selanjutnya untuk menguji apakah masing-masing klas/perlakuan tersebut homogen, digunakan uji
hipotesis sebagai berikut :
• H0 : μ1 = μ2 = …= μk → rata-rata perlakuan homogen (tidak ada pengaruh perlakuan atau
tidak ada pengaruh variabel bebas terhadap variabel tak
bebasnya)
H1 : tidak semua μi sama → rata-rata perlakuan tidak homogen (ada pengaruh perlakuan)

• Tingkat signifikansi Uji : α%

• Statistik uji yang digunakan :

JKP / db JKP /(k − 1) KTP
Fhitung = = = ~ berdistribusi F(k-1) ; (N-k)
JKE / db JKE /(N − k ) KTE

• Daerah kritis :
Fhitung > Fα ; (k-1) ; (N-k)
Untuk memudahkan analisis biasanya hasil-hasil di atas disusun dalam sebuah tabel Analisis Variansi
yang disingkat dengan ANOVA (Analysis of Variance) sebagai berikut :

TABEL ANOVA :
Derajad Jumlah Rata-rata kuadrat /
SUMBER VARIASI Fhitung
bebas (db) kuadrat (JK) Kuadrat tengah (KT)
Kelas/Perlakuan
- di antara perlakuan k–1 JKP KTP = JKP / (k -1)
KTP
- di dalam perlakuan F=
KTE
(kesalahan eksperimen) N–k JKE KTE = JKE / (N - k)
TOTAL N–1 JKT

@Femiana Gapsari
 ■ Analisis Variansi 3

Asumsi Analisis Variansi Searah:

1. Sifat aditif: bahwa nilai pengamatan merupakan persamaan linier yang bersifat aditif dengan
persamaan: yij = μ + τi + εij
yij = nilai pengamatan
μ = rata-rata umum/sebenarnya
τi = pengaruh perlakuan ke-i
εij = kekeliruan (error)
2. Data pengamatan dalam tiap perlakuan diambil secara random dari populasi yang berdistribusi
normal dan mempunyai varians yang sama ( σ12 = σ22 = ………..= σk2 )
3. Independen: faktor kekeliruan/error (εij) bersifat independen dan εij ~ N(0; σε2)

Penyelesaian Contoh 1:

N = 18 ; k=3
2
Y
= 78540,056
N
Minggu ke Stasiun kerja I Stasiun kerja II Stasiun kerja III Total
1 76 72 71
2 63 63 54
3 66 65 62
4 83 78 76
5 74 69 65
6 53 49 50
Jumlah (Xi) 415 396 378 1189.00 = Y
k ni
∑∑ y ij 2 = 80201
i= 1 j= 1

ni
k
Y2
JKT = ∑∑ y ij 2 - = 80201 - 78540,056 = 1660,944
i=1 j=1 N
k ni k
Yi 2 4152 + 3962 + 3782
JKE = ∑∑ y ij 2 - ∑ = 80201 – = 1546,833
i=1 j=1 i=1 n i 6
JKP = JKT – JKE = 1660,944 – 1546,833 = 114,1107

TABEL ANOVA :
SUMBER VARIASI Derajad Jumlah Rata-rata kuadrat/ Fhitung
bebas (db) kuadrat (JK) Kuadrat tengah (KT)
Kelas/Perlakuan
- di antara perlakuan 3–1=2 114,1107 KTP = 57,055
- di dalam perlakuan/ F = 0,55
kesalahan eksperimen 18 – 3 = 15 1546,8330 KTE = 103,122
TOTAL 18 – 1 = 17 1660,9440

• H0 : μ 1 = μ 2 = μ 3 → rata-rata produksi perminggu dari ketiga stasiun kerja homogen

(tidak ada pengaruh jenis stasiun kerja terhadap jumlah produksi
perminggu)
H1 : tidak semua μi sama → ada pengaruh
• Tingkat signifikansi uji : α = 5%
• Statistik uji yang digunakan : Fhitung ~ berdistribusi F2 ; 15
• Daerah kritis : Jika Fhitung = 0,55 > F0,05 ; (2 ; 15) = 3,68

@Femiana Gapsari
 ■ Analisis Variansi 4

• Kesimpulan : karena Fhitung = 0,55 < F0,05 ; (2 ; 15) = 3,68 , maka H0 diterima.
Artinya rata-rata jumlah produk yang dihasilkan ketiga stasiun kerja tiap minggunya homogen
(sama) atau tidak ada pengaruh jenis stasiun kerja terhadap jumlah produksi perminggu

420
Rata-rata Jumlah Produk
400
380
360
340
320
300
280
260
240
220 Gambar 1. Grafik Rata-rata Jumlah Produk
200
CONTOH 2 :
Stasiun kerja I Stasiun kerja II Stasiun kerja III
Untuk menguji apakah operator yang berbeda akan mempengaruhi waktu proses (dalam menit) untuk
membuat suatu komponen produk, dilakukan pengamatan terhadap 4 orang operator (A, B, C dan D)
yang diamati dalam waktu yang bersamaan. Hasil pengamatannya disajikan dalam tabel berikut :
Waktu proses (dalam menit)
Operator A Operator C Operator D Operator E
62 63 68 56
60 67 66 62
63 71 71 60
59 64 67 61
65 68 63
69 68 64
63
59

Gunakan α = 5% untuk menguji hal di atas.

Penyelesaian :
Operator A Operator B Operator C Operator D Total
62 63 68 56
60 67 66 62
63 71 71 60
59 64 67 61
65 68 63
69 68 64
63
59
ni 4 6 6 8 N = 24
Yi 244 399 408 488 Y = 1539
Yi 61 66.5 68 61 Y = 256.5

@Femiana Gapsari
 ■ Analisis Variansi 5

k ni
Y2
∑∑ y ij2 = 99049 ;
N
= 98688,38
i = 1 j =1
k ni
Y2
JKT = ∑∑ y ij2 - N
= 99049 - 98688,38 = 360,625
i =1 j =1

k ni k
Yi 2  2442 3992 4082 4882 
JKE = ∑∑ y ij2 - ∑ = 99049 –  + + +  = 119,5
n  4 6 6 8 
i =1 j =1 i =1 i  
JKP = JKT – JKE = 360,625 – 119,5 = 241,125

TABEL ANOVA :
SUMBER VARIASI db JK KT Fhitung
Perlakuan (Operator) :
- Di antara perlakuan 3 241.125 80.375 13.452
- Di dalam perlakuan(error ) 20 119.5 5.975
TOTAL 23 360.625

Uji Hipotesis :
• H0 : μ A = μ B = μ C = μ D → rata-rata waktu proses keempat operator sama atau tidak
ada pengaruh operator terhadap waktu proses
H1 : tidak semua sama → rata-rata waktu proses keempat operator tidak semua sama
atau ada pengaruh operator terhadap waktu proses
• Tingkat signifikansi uji : α = 5%
• Daerah Kritis : jika Fhitung > F0,05 ; (3 ; 20) = 3,0984
• Kesimpulan :
Karena Fhitung = 13,452 > F0,05 ; (3 ; 20) = 3,0984, maka H0 ditolak.
Artinya rata-rata waktu proses keempat operator tidak semua sama atau ada pengaruh operator
terhadap waktu proses

KEKUATAN HUBUNGAN ANTARA VARIABEL BEBAS DENGAN VARIABEL TAK BEBAS

Kekuatan hubungan/asosiasi antara variabel x (perlakuan) dengan variabel y dalam sampel
JKP ρ
dinyatakan dalam ρ = → artinya % variasi yang terjadi dalam variabel y dari data sampel
JKT 100
disebabkan oleh pengaruh variabel x (perlakuan).

Contoh: Untuk contoh 1

JKP 114,1107
ρ= = = 0,0687 = 6,87%
JKT 1660 ,944

PERBANDINGAN RATA-RATA PERLAKUAN SETELAH EKSPERIMEN

Jika hasil pengujian dengan ANOVA menolak H0 yang berarti bahwa tidak semua rata-rata perlakuan
berbeda, maka bisa dilanjutkan dengan pengujian untuk membandingkan rata-rata perlakuan mana
saja yang berbeda dan mana yang tidak. Uji statistik yang bisa digunakan diantaranya adalah Uji
Rentang Newman-Keuls dan Uji Scheffé.

@Femiana Gapsari
 ■ Analisis Variansi 6

UJI RENTANG NEWMAN-KEULS

Uji statistik ini digunakan untuk Anava satu arah maupun dua arah. Jika digunakan untuk Anava satu
arah, banyaknya eksperimen dalam tiap perlakuan harus sama.
Langkah-langkah Uji Rentang Newman-Keuls :
1. Susun k buah rata-rata perlakuan dengan urutan dari nilai terkecil sampai terbesar.
Y(1) ; Y( 2 ) ; Y( 3 ) ; …………….. ; Y(k -2 ) ; Y(k -1) ; Y(k )
2. Dari tabel ANOVA, ambil nilai KTE dengan derajat bebasnya.
3. Hitung standard error untuk rata-rata dari tiap perlakuan dengan rumus :
KTE
sY =
i ni
4. Tentukan tingkat signifikansi α, gunakan Tabel Rentang Student untuk menentukan nilai rentang,
dengan ν = db KTE dan p = 2 , 3 , ………… , k
p 2 3 …………… k
Retang r2 r3 …………… rk

5. Hitung nilai rentang signifikan terkecil (RST) = s Y x ri

i

Retang r2 r3 ……… rk
RST RST2 = s Y x r2 RST3 = s Y x r3 ……… RSTk = s Y x rk
2 3 k

6. Bandingkan :
[ Y( k ) - Y(1) ] dengan RSTk

[ Y( k ) - Y( 2 ) ] dengan RSTk-1
: :
[ Y( k ) - Y( k -1) ] dengan RST2

[ Y( k -1) - Y(1) ] dengan RSTk-1

[ Y( k -1) - Y( 2 ) ] dengan RSTk-2

: :
[ Y( k -1) - Y( k -2 ) ] dengan RST2
: :
[ Y( 3 ) - Y(1) ] dengan RST3

[ Y( 3 ) - Y( 2 ) ] dengan RST2

[ Y( 2 ) - Y(1) ] dengan RST2

Dengan cara ini, maka akan terdapat ½ k(k-1) pasangan yang harus dibandingkan.
7. Jika hasil perbandingan >, maka kedua perlakuan berbeda signifikan, jika < maka kedua
perlakuan tidak berbeda signifikan.

@Femiana Gapsari
 ■ Analisis Variansi 7

CONTOH 4 :
Misalkan akan diuji apakah kapasitas produksi mesin A, B dan C perharinya sama. Untuk itu ketiga
mesin dioperasikan selama 6 hari, hasilnya dicatat dan disajikan dalam tabel berikut :
Hari ke Mesin A Mesin B Mesin C Total
1 45 34 41
2 39 35 40
3 38 35 39
4 43 38 38
5 46 39 42
6 43 39 41
Jumlah (Xi) 254 220 241 715.00 Y
Rata-rata 42.33 36.67 40.17 39.72 Y
k ni 2
Y
∑∑ y ij =2 28587 N
= 28401.39
i= 1 j= 1

N = 18
ni
k
Y2
JKT = ∑∑ y ij 2 - = 28587 - 28401,39 = 185,61
i=1 j=1 N
k ni k
Yi 2 2542 + 2202 + 2412
JKE = ∑∑ y ij 2 - ∑ = 28587 – = 87,5
i=1 j=1 i=1 n i 6
JKP = JKT – JKE = 185,61 – 87,5 = 98,11

TABEL ANOVA :
SUMBER VARIASI db JK KT Fhitung
PERLAKUAN (Stasiun kerja) :
- Di antara perlakuan 2 98.11 49.055
- Di dalam perlakuan (error ) 15 87.50 5.833 8.409
TOTAL 17 185.61
Uji Hipotesis :
• H0 : μ 1 = μ 2 = μ 3 → rata-rata jumlah produk yang dihasilkan perhari sama
H1 : tidak semua sama → rata-rata jumlah produk yang dihasilkan perhari tidak sama
• Tingkat signifikansi uji : α = 5%
• Daerah Kritis : Jika Fhitung > F0,05 ; (2 ; 15) = 3,68 → H0 ditolak
• Kesimpulan :
Karena Fhitung = 8,409 > F0,05 ; (2 ; 15) = 3,68 , maka H0 ditolak.
Artinya rata-rata jumlah produk yang dihasilkan ketiga mesin tiap harinya tidak sama.

Selanjutnya bisa dilakukan Uji Rentang Newman-Keuls sebagai berikut :

1. Urutan nilai rata-rata dari yang terkecil sampai terbesar :
Rata-rata 36,67 40,17 42,33
Perlakuan B C A

2. KTE = 5,833 ; db = 15 ; n = 6
KTE 5,833
3. Hitung rata-rata standard error rata-rata : s Y = = = 0,986
i ni 6
4. Misalkan : α = 5% dengan ν = 15 ; dari Tabel Rentang Student diperoleh :
p 2 3
Rentang 3,01 3,67
5. Hitung RST :

@Femiana Gapsari
 ■ Analisis Variansi 8

Rentang 3,01 3,67

RST 2.97 3,62

6. Bandingkan :
[42,33 – 36,67] = 5,66 > 3,62 → Rata-rata A dengan B berbeda nyata
[42,33 – 40,17] = 2,167 < 2,97 → Rata-rata A dengan C tidak berbeda nyata
[40,17 – 36,67] = 3,5 > 2,97 → Rata-rata C dengan B berbeda nyata

A B C

UJI SCHEFFÉ
Langkah-langkah Uji Scheffé :
k
1. Susun kontras Cp (tidak perlu orthogonal), kemudian hitung nilai Cp =  c ipJi
i =1
2. Tentukan tingkat signifikansi uji α , kemudian tentukan nilai F α; ν1 ; ν2 dari tabel F,
dengan : ν1 = k – 1 ; derajad bebas pembilang
k
ν2 =  ni –k ; derajad bebas penyebut
i=1

3. Hitung A = (k − 1) Fα ; υ1 ; υ 2
4. Hitung standard error tiap kontras yang akan diuji dengan rumus :
S(Cp) = KTE x nic ip2 ; cip = koefisien Ji dalam kontras Cp
5. Jika nilai kontras |Cp | > A x S(Cp) maka H0 yang menyatakan bahwa Cp = 0 ditolak.

CONTOH 5 :
Dari soal di contoh 4 di atas, jika akan dilakukan uji Scheffé, sebagai berikut :
Misalkan dibentuk kontras :
C1 = J A – J B → akan dibandingkan rata-rata perlakuan A dengan B
C2 = 2JA – JB – JC → akan dibandingkan rata-rata perlakuan A dengan B dan C

H0 : JA – JB = 0 atau JA = JB
JA – 2JB + JC = 0 atau JA + JC = 2 JB
JB – JC = 0
JA – JC = 0
H1 : tidak

Maka langkah-langkah Ujinya :

1. Hitung : C1 = JA – JB = 42,33 – 36,67 = 5,66
C2 = JA + JC – 2JB = 42,33 + 40,17 – 2(36,67) = 9,16
C3 = JB – JC = 36,67 – 40,17 = -3,5
C4 = JA – JC = 42,33 – 40,17 = 2,16
2. Misalkan α = 5% ;
k
ν1 = k – 1 = 3 -1 = 2 ; ν2 =  ni – k = 18 – 3 = 15
i=1
F0,05 ; 2 ; 15 = 3,68

@Femiana Gapsari
 ■ Analisis Variansi 9

3. A= (k − 1) Fα ; υ1 ; υ 2 = (3 − 1) x 3,68 = 2,71

4. S(C1) = KTE x  nic i12 =  

5,833 x 6(1)2 + 6( −1)2 = 8,366

S(C2) = KTE x  nic i22 =  

5,833 x 6(1)2 + 6(1)2 + 6( −2)2 = 14,49

S(C3) = KTE x  nic i3 2 = 5,833 x 6(1)

2

+ 6( −1)2 = 8,366

S(C4) = KTE x  nic i4 2 = 5,833 x 6(1) 2


+ 6(1)2 + 6( −2)2 = 8,366

5. A x S(C1) = 2,71 x 8,366 = 22,67

A x S(C2) = 2,71 x 14,49 = 39,27
A x S(C3) = 2,71 x 8,366 = 22,67
A x S(C4) = 2,71 x 8,366 = 22,67
C1 = 5,66 < 22,67 → H0 diterima
C2 = 9,16 < 39,27 → H0 diterima
C3 = |-3,5| < 22,67 → H0 diterima
C4 = 2,16 < 22,67 → H0 diterima

ANALISIS VARIANSI DUA ARAH

Dalam Anava Searah unit-unit eksperimen dalam satu perlakuan/klas dianggap homogen. Jika asumsi
atau anggapan homogen ini sulit dipenuhi maka harus digunakan model Anava Dua Arah. Dalam
model Anava Dua Arah, unit-unit eksperimen dikelompokkan dalam blok/grup/penghalang, sedemikian
sehingga unit-unit eksperimen dalam tiap blok dipandang homogen. Sehingga banyaknya unit
eksperimen dalam tiap blok = banyaknya perlakuan.
Sebagai contoh misalnya, dari contoh 1 di atas, apabila minggu yang berbeda dicurigai akan
memberikan jumlah atau hasil produksi yang berbeda, maka unit eksperimen dalam tiap stasiun kerja
harus dibagi dalam blok (dalam hal ini yang dianggap sebagai blok adalah minggu).

Asumsi Analisis Variansi Dua Arah:

1. Sifat aditif: bahwa nilai pengamatan merupakan persamaan linier yang bersifat aditif dengan
persamaan: yij = μ + βi + πj + εij
yij = nilai pengamatan
μ = rata-rata umum/sebenarnya
βi = pengaruh blok ke-i ; i = 1, 2, 3, …… , n
πj = pengaruh perlakuan ke-j ; j = 1, 2, 3, …… , k
εij = kekeliruan (error) = pengaruh unit eksperimen dalam blok i karena perlakuan j
2. Data pengamatan (unit eksperimen) dalam tiap blok bersifat homogen, perlakuan dikenakan
secara acak dalam tiap blok
k
3. εij ~ N(0; σε2) dan  βi = 0
i =1

@Femiana Gapsari
 ■ Analisis Variansi 10

Untuk analisis selanjutnya, hasil observasi dalam model ini dapat disajikan sebagai berikut :
Perlakuan/klas (Variabel Bebas x)
j Jumlah Rata-rata
i 1 2 3 …….. k Blok Blok

1 y11 y21 y31 …….. yk1 Y01 Y01

2 y12 y22 y32 …….. yk2 Y02 Y02
Blok/Grup/
Penghalang 3 y13 y23 y33 …….. yk3 Y03 Y03
: : : : …….. : : :
: : : : : : :
n y1n y2n y3n …….. ykn Y0n Y0n
k n
Jumlah Klas Y10 Y20 Y30 …….. Yk0 Y = ∑∑ y ij
i=1 j=1

Y
Rata2 Klas Y10 Y20 Y30 …….. Yk 0 Y =
N
N = n k = banyaknya total observasi

Selanjutnya dihitung jumlah kuadrat ( sum of squares ) sebagai berikut :

a. Jumlah kuadrat deviasi seluruh pengamatan (the total deviation sum of squares = SST) atau
Jumlah Kuadrat Total = JKT
k n k n k n
Y2
JKT = ∑ ∑ ( y ij - Y )2 = ∑ ∑ y ij2 - NY 2 = ∑ ∑ y ij2 - N
i =1 j =1 i =1 j =1 i = 1 j =1
b. Jumlah kuadrat deviasi di antara klas/perlakuan (the between-classes/treatment sum of squares =
SSC) atau Jumlah Kuadrat Perlakuan = JKP
k k k
Yi0 2 Y2
JKP = ∑n ( Yi0 - Y )2 = ∑n Yi0 2 - NY 2 = ∑ n
-
N
i =1 i =1 i =1
c. Jumlah kuadrat deviasi observasi di antara blok/grup (the between-block/group sum of squares =
SSB ) atau Jumlah Kuadrat Blok/Group = JKB :
n n n Y0 j 2 Y2
JKB = ∑k ( Y0 j - Y ) 2
= ∑k Y0 j 2
- NY 2
= ∑ k
-
N
j =1 j =1 j =1
d. Jumlah kuadrat kesalahan eksperimen/error/residual (the residual sum of squares = SSR) = JKE :
JKE = JKT – JKP - JKB

Derajad bebas dari masing-masing jumlah kuadrat :

db JKT = N – 1 = nk – 1
db JKP = k – 1
db JKB = n – 1
db JKE = nk – 1 – (k – 1) – (n – 1) = nk – k – n – 1 = (n – 1)(k – 1)

Selanjutnya untuk menguji apakah masing-masing perlakuan tersebut homogen, digunakan uji
hipotesis sebagai berikut :
• H0 : μ1 = μ2 = …= μk → rata-rata perlakuan homogen (tidak ada pengaruh perlakuan)
H1 : tidak semua sama → rata-rata perlakuan tidak homogen (ada pengaruh perlakuan)

@Femiana Gapsari
 ■ Analisis Variansi 11

TABEL ANOVA :
Derajad Jumlah kuadrat Kuadrat tengah
SUMBER VARIASI Fhitung
bebas (db) (JK) (KT)
- Perlakuan /Klas k-1 JKP KTP = JKP / (k -1)
KTP
- Blok/Grup n–1 JKB F=
KTE
- Kesalahan (error) (n -1)(k -1) JKE KTE = JKE / (n -1)(k-1)
TOTAL N–1 = nk– 1 JKT

JKP / db KTP
• Statistik uji yang digunakan : F = = ~ berdistribusi F(k-1) ; (n-1)(k-1)
JKE / db KTE
• Daerah kritis :
Fhitung > Fα ; (k-1) ; (n-1)(k-1)

Dalam model ini, tidak bisa dilakukan pengujian untuk pengaruh blok, karena dalam model ini
perlakuan telah dipilih secara acak untuk digunakan terhadap unit eksperimen dalam tiap blok. Berarti
variasi perlakuan antar blok telah dihilangkan. Sementara pembentukan blok tidak dilakukan secara
acak, karena diperlukannya sifat homogen dalam tiap blok.

CONTOH 3 :
Dari contoh 1 di atas, apabila minggu yang berbeda dicurigai akan memberikan jumlah atau hasil
produksi yang berbeda, maka unit eksperimen dalam tiap stasiun kerja harus dibagi dalam minggu :
Jumlah Produksi/minggu (dalam unit)
Minggu ke Stasiun kerja I Stasiun kerja II Stasiun kerja III Jumlah (Y0j)
1 76 72 71 219
2 63 63 54 180
3 66 65 62 193
4 83 78 76 237
5 74 69 65 208
6 53 49 50 152
Jumlah (Yi0) 415 396 378 1189.00 =Y
k n 2 2
Y 1189
∑∑ y ij2 = 80201 ; N = 18 ; = = 78540,06
i =1 j =1 N 18
k n
Y2
JKT = ∑ ∑ y ij2 - N
= 80201 - 78540,06 = 1660,94
i = 1 j =1
k
Yi0 2 Y2 4152 + 3962 + 3782
JKP = ∑ n
-
N
=
6
- 78540,06 = 114,11
i =1
n Y0 j 2 Y2 2192 + 1802 + 1932 + 2372 + 2082 + 1522
JKB = ∑ k
-
N
= - 78540,06 = 508,94
j =1 3
JKE = JKT – JKP – JKB = 1660,94 – 114,11 – 1508,94 = 37,89

TABEL ANOVA :
SUMBER VARIASI db JK KT Fhitung
- Perlakuan (Stasiun kerja) 2 114.11 57.055 15.058
- Blok (Minggu ke) 5 1508.94
- Kesalahan (error ) 10 37.89 3.789
- TOTAL 17 1660.94
Uji Hipotesis :
• H0 : μ 1 = μ 2 = μ 3 → rata-rata jumlah produk yang dihasilkan perminggu homogen
H1 : tidak semua sama → tidak homogen

@Femiana Gapsari
 ■ Analisis Variansi 12

• Tingkat signifikansi Uji : α = 5%

• Daerah Kritis : Jika Fhitung > F0,05 ; (2 ; 10) = 4,1028
• Kesimpulan : Karena Fhitung = 15,06 > F0,05 ; (2 ; 10) = 4,1028, maka H0 ditolak.
Artinya rata-rata jumlah produk yang dihasilkan ketiga stasiun kerja tiap minggunya tidak
homogen (tidak sama).

ANALISIS VARIANSI DUA ARAH DENGAN INTERAKSI

Jika pengaruh blok juga akan diuji, maka blok dianggap sebagai perlakuan atau variabel bebas yang
lain. Dalam model ini masing-masing perlakuan atau variabel bebas disebut dengan faktor, sehingga
modelnya disebut dengan model faktorial AxB.
Asumsi model:
1. Sifat aditif: bahwa nilai pengamatan merupakan persamaan linier yang bersifat aditif dengan
persamaan: yijK = μ + Ai + Bj + ABij + εk(ij)
i = 1, 2, 3, …… , a
j = 1, 2, 3, …… , b
k = 1, 2, 3, …… , n
yijk = nilai pengamatan
μ = rata-rata umum/sebenarnya
Ai = pengaruh level ke-i dari faktor A
Bj = pengaruh level ke-j dari faktor B
ABij = pengaruh interaksi antara level i faktor A dan level j faktor B
εk(ij) = pengaruh unit eksperimen k dalam kombinasi perlakuan ij
= kekeliruan (error)
a b a b
2. εk(ij) ~ DNI(0; σε2) dan ∑ A i = ∑B j = ∑ ABij = ∑ ABij = 0 (untuk model tetap, yaitu jika
i =1 j =1 i =1 j =1
level dari faktor A maupun B bersifat tetap atau tidak ada level lain selain level itu)

εk(ij) ~ DNI(0; σε2) dan Ai ~ DNI(0; σA2) ; Bj ~ DNI(0; σB2) ; ABij ~ DNI(0; σAB2)
(untuk model acak, yaitu jika level dari faktor A maupun B diambil secara acak dari
beberapa level yang mungkin dari faktor A maupun B)
a a
εk(ij) ~ DNI(0; σε2) dan ∑ A i = ∑ ABij = 0 ; Bj ~ DNI(0; σB2) (untuk model campuran,
i =1 i =1
dimana level dari faktor A tetap dan B acak)
b b
εk(ij) ~ DNI(0; σε2) dan ∑B j = ∑ ABij = 0 ; Ai ~ DNI(0; σA2) (untuk model campuran,
j =1 j =1
dimana level dari faktor B tetap dan A acak)

@Femiana Gapsari
 ■ Analisis Variansi 13

Hasil eksperimen disain faktorial AxB bisa disajikan dalam tabel berikut :
j Faktor B
i 1 2 …. b Jumlah Rata2
y111 y121 …. y1b1
y112 y122 …. y1b2
1
: : : :
y11n y12n …. y1bn
b
Jumlah J110 J120 …. J1b0 J100 = ∑ J1j0
j =1

Rata2 Y110 Y120 …. Y1b0 Y100

Faktor A

: : : : : : :
: : : : : : :
ya11 ya21 …. yab1
ya12 ya22 …. yab2
a
: : : :
ya1n ya2n …. yabn
b
Jumlah Ja10 Ja20 …. Jab0 Ja00 = ∑ Jaj0
j =1

Rata2 Ya10 Ya 20 …. Yab 0 Ya00

a a a a b
JUMLAH J010 = ∑ Ji10 J020 = ∑ Ji20 …. J0b0 = ∑ Jib0 J000= ∑ ∑ Jij0
i =1 i =1 i =1 i =1 j =1

RATA2 Y010 Y020 …. Y0b0 Y 000

Perhitungan Jumlah Kuadrat :

a b n
• Jumlah Kuadrat Total (JKT) = ∑∑ ∑ y ijk 2 ; db = abn
i =1 j =1k =1

J000 2
• Jumlah Kuadrat Rata-rata (JKR) = ; db = 1
abn
a
∑ Ji00 2
( )2 =
a
i =1
• Jumlah Kuadrat Faktor A (JKA) = bn Yi00 - Y000 - JKR ; db = a – 1
i =1 bn
b
∑ Joj0 2
( )2 =
b
j =1
• Jumlah Kuadrat Faktor B (JKB) = an ∑ Y0 j0 - Y000 - JKR ; db = b – 1
j =1 an
a b
∑∑ Jij0 2
( )2 =
a b
i =1 j =1
• Jab = n∑  Yij0 - Y000 - JKR
i =1 j =1 n

• Jumlah Kuadrat Interaksi faktor A dan B (JKAB) = Jab – JKA – JKB ; db = (a-1)(b-1)
• Jumlah Kuadrat Kekeliruan (JKE) = JKT – JKR – JKA – JKB – JKAB ; db = ab(n-1)

@Femiana Gapsari
 ■ Analisis Variansi 14

Tabel ANOVA : (Untuk Model Tetap, level dari faktor A maupun B tetap)
Sumber Variasi db JK KT Fhitung Ftabel
Rata-rata 1 JKR JKR/1 - -
Pengaruh Faktor A a-1 JKA JKA/(a-1) KTA/KTE Fα;(a-1);ab(n-1)
Pengaruh Faktor B b-1 JKB JKB/(b-1) KTB/KTE Fα;(b-1);ab(n-1)
Interaksi Faktor AB (a-1)(b-1) JKAB JKAB/(a-1)(b-1) KTAB/KTE Fα;(a-1)(b-1);ab(n-1)
Kekeliruan eksperimen ab(n-1) JKE JKE/ab(n-1) - -
TOTAL abn JKT - - -

Selanjutnya untuk menguji apakah terdapat pengaruh masing-masing faktor tersebut, digunakan uji
hipotesis sebagai berikut :
a. Menguji pengaruh faktor A:
• H0 : A1 = A2 = …= Aa = 0 → tidak ada pengaruh dari faktor A
H1 : tidak semua = 0 → ada pengaruh dari faktor A
JKA / db KTA
• Statistik uji yang digunakan : Fhitung = = ~ berdistribusi F(a-1);ab(n-1)
JKE / db KTE
• Daerah kritis :
Fhitung > Fα;(a-1);ab(n-1)

b. Menguji pengaruh faktor B:

• H0 : B1 = B2 = …= Bb = 0 → tidak ada pengaruh dari faktor B
H1 : tidak semua = 0 → ada pengaruh dari faktor B
JKB / db KTB
• Statistik uji yang digunakan : Fhitung = = ~ berdistribusi F(b-1);ab(n-1)
JKE / db KTE
• Daerah kritis :
Fhitung > Fα;(b-1);ab(n-1)

c. Menguji pengaruh dari interaksi faktor A dan B:

• H0 : ABij = 0 → tidak ada pengaruh dari interaksi faktor A dan B
H1 : tidak semua = 0 → ada pengaruh dari interaksi faktor A dan B
JKAB / db KTAB
• Statistik uji yang digunakan : Fhitung = = ~ berdistribusi F(a-1(b-1);ab(n-1)
JKE / db KTE
• Daerah kritis :
Fhitung > Fα;(a-1)(b-1);ab(n-1)

Tabel ANOVA: (Model Acak, level dari faktor A maupun B diambil secara acak/random)
Sumber Variasi db JK KT Fhitung Ftabel
Rata-rata 1 JKR JKR/1 - -
Pengaruh Faktor A a-1 JKA JKA/(a-1) KTA/KTAB Fα;(a-1);(a-1)(b-1)
Pengaruh Faktor B b-1 JKB JKB/(b-1) KTB/KTAB Fα;(b-1);(a-1)(b-1)
Interaksi Faktor AB (a-1)(b-1) JKAB JKAB/(a-1)(b-1) KTAB/KTE Fα;(a-1)(b-1);ab(n-1)
Kekeliruan eksperimen ab(n-1) JKE JKE/ab(n-1) - -
TOTAL abn JKT - - -

@Femiana Gapsari
 ■ Analisis Variansi 15

Uji Hipotesis untuk Model Acak :

a. Menguji pengaruh faktor A:
• H0 : σA2 = 0 → tidak ada pengaruh dari faktor A
H1 : σA2 ≠ 0 → ada pengaruh dari faktor A
JKA / db KTA
• Statistik uji yang digunakan : Fhitung = = ~ berdistribusi F(a-1);(a-1)(b-1)
JKAB / db KTAB
• Daerah kritis :
Fhitung > Fα;(a-1);(a-1)(b-1)

b. Menguji pengaruh faktor B:

• H0 : σB2 = 0 → tidak ada pengaruh dari faktor B
H1 : σB2 ≠ 0 → ada pengaruh dari faktor B
JKB / db KTB
• Statistik uji yang digunakan : Fhitung = = ~ berdistribusi F(b-1);(a-1)(b-1)
JKAB / db KTAB
• Daerah kritis :
Fhitung > Fα;(b-1);(a-1)(b-1)

c. Menguji pengaruh dari interaksi faktor A dan B:

• H0 : σAB2 = 0 → tidak ada pengaruh dari interaksi faktor A dan B
H1 : σAB2 ≠ 0 → ada pengaruh dari interaksi faktor A dan B
JKAB / db KTAB
• Statistik uji yang digunakan : Fhitung = = ~ berdistribusi F(a-1(b-1);ab(n-1)
JKE / db KTE
• Daerah kritis :
Fhitung > Fα;(a-1)(b-1);ab(n-1)

Tabel ANOVA : (Model Campuran, level dari faktor A tetap, B acak)

Sumber Variasi db JK KT Fhitung Ftabel
Rata-rata 1 JKR JKR/1 - -
Pengaruh Faktor A a-1 JKA JKA/(a-1) KTA/KTAB Fα;(a-1);(a-1)(b-1)
PengaruhFaktor B b-1 JKB JKB/(b-1) KTB/KTE Fα;(b-1); ab(n-1)
Interaksi Faktor AB (a-1)(b-1) JKAB JKAB/(a-1)(b-1) KTAB/KTE Fα;(a-1)(b-1);ab(n-1)
Kekeliruan eksperimen ab(n-1) JKE JKE/ab(n-1) - -
TOTAL abn JKT - - -
Uji Hipotesis untuk Model Campuran ( A tetap, B acak) :
a. Menguji pengaruh faktor A:
• H0 : Ai = 0 → tidak ada pengaruh dari faktor A
H1 : Ai ≠ 0 → ada pengaruh dari faktor A
JKA / db KTA
• Statistik uji yang digunakan : Fhitung = = ~ berdistribusi F(a-1);(a-1)(b-1)
JKAB / db KTAB
• Daerah kritis :
Fhitung > Fα;(a-1);(a-1)(b-1)

b. Menguji pengaruh faktor B:

• H0 : σB2 = 0 → tidak ada pengaruh dari faktor B
H1 : σB2 ≠ 0 → ada pengaruh dari faktor B
JKB / db KTB
• Statistik uji yang digunakan : Fhitung = = ~ berdistribusi F(b-1); ab(n-1)
JKE / db KTE

@Femiana Gapsari
 ■ Analisis Variansi 16

• Daerah kritis :
Fhitung > Fα;(b-1);ab(n-1)

c. Menguji pengaruh dari interaksi faktor A dan B:

• H0 : σAB2 = 0 → tidak ada pengaruh dari interaksi faktor A dan B
H1 : σAB ≠ 0
2 → ada pengaruh dari interaksi faktor A dan B
JKAB / db KTAB
• Statistik uji yang digunakan : Fhitung = = ~ berdistribusi F(a-1)(b-1);ab(n-1)
JKE / db KTE
• Daerah kritis :
Fhitung > Fα;(a-1)(b-1);ab(n-1)

Tabel ANOVA : (Model Campuran, level dari faktor A acak, B tetap)

Sumber Variasi db JK KT Fhitung Ftabel
Rata-rata 1 JKR JKR/1 - -
Pengaruh Faktor A a-1 JKA JKA/(a-1) KTA/KTE Fα;(a-1); ab(n-1)
PengaruhFaktor B b-1 JKB JKB/(b-1) KTB/KTAB Fα;(b-1); (a-1)(b-1)
Interaksi Faktor AB (a-1)(b-1) JKAB JKAB/(a-1)(b-1) KTAB/KTE Fα;(a-1)(b-1);ab(n-1)
Kekeliruan eksperimen ab(n-1) JKE JKE/ab(n-1) - -
TOTAL abn JKT - - -

Uji Hipotesis untuk Model Campuran ( A tetap, B acak) :

a. Menguji pengaruh faktor A:
• H0 : σA2 = 0 → tidak ada pengaruh dari faktor A
H1 : σA2 ≠ 0 → ada pengaruh dari faktor A
JKA / db KTA
• Statistik uji yang digunakan : Fhitung = = ~ berdistribusi F(a-1); ab(n-1)
JKE / db KTE
• Daerah kritis :
Fhitung > Fα;(a-1); ab(n-1)

b. Menguji pengaruh faktor B:

• H0 : Bj = 0 → tidak ada pengaruh dari faktor B
H1 : Bj ≠ 0 → ada pengaruh dari faktor B
JKB / db KTB
• Statistik uji yang digunakan : Fhitung = = ~ berdistribusi F(b-1); (a-1)(b-1);
JKAB / db KTAB
• Daerah kritis :
Fhitung > Fα;(b-1);(a-1)(b-1);

c. Menguji pengaruh dari interaksi faktor A dan B:

• H0 : σAB2 = 0 → tidak ada pengaruh dari interaksi faktor A dan B
H1 : σAB ≠ 0
2 → ada pengaruh dari interaksi faktor A dan B
JKAB / db KTAB
• Statistik uji yang digunakan : Fhitung = = ~ berdistribusi F(a-1)(b-1);ab(n-1)
JKE / db KTE
• Daerah kritis :
Fhitung > Fα;(a-1)(b-1);ab(n-1)

@Femiana Gapsari
 ■ Analisis Variansi 17

CONTOH 5:
Data dalam tabel berikut adalah hasil pengamatan mengenai kandungan protein pada suatu jenis
makanan anak yang diproses dengan dua cara yang berbeda (cara 1 dan 2) jika menggunakan bahan
baku yang berbeda (bahan A, B dan C). Dari masing-masing cara diambil sampel sebanyak tiga unit.
Ujilah dengan α = 5% apakah terdapat pengaruh dari cara memproses, jenis bahan baku dan interaksi
keduanya terhadap kandungan protein dari makanan anak yang dihasilkan.
Bahan Baku
Cara
A B C
4.1 3.1 3.5
1 3.9 2.8 3.2
4.3 3.3 3.6
2.7 1.9 2.7
2 3.1 2.2 2.3
2.6 2.3 2.5

►
Jika bahan baku yang digunakan hanya tiga itu (level faktor bahan baku hanya ada 3, yaitu bahan A, B
dan C saja) dan cara memprosesnya juga hanya dua (level dari faktor cara memproses hanya ada
dua, yaitu cara 1 dan 2 saja), maka modelnya adalah model tetap.

Sehingga uji hipotesisnya:

• a. H0 : A1 = A2 = A3 = 0
H1 : tidak semua = 0
b. H0 : B1 = B2 = 0
H1 : tidak semua = 0
c. H0 : ABij = 0
H1 : tidak semua = 0
→ tidak ada pengaruh dari faktor cara memproses
→ ada pengaruh dari faktor cara memproses
→ tidak ada pengaruh dari faktor bahan baku
→ ada pengaruh dari faktor bahan baku
→ tidak ada pengaruh dari interaksi faktor cara dan bahan baku
→ ada pengaruh dari interaksi faktor cara dan bahan baku

Bahan Baku
Cara Jumlah
A B C
4.1 3.1 3.5
1 3.9 2.8 3.2
4.3 3.3 3.6
Jumlah 12.3 9.2 10.3 31.8
2.7 1.9 2.7
2 3.1 2.2 2.3
2.6 2.3 2.5
Jumlah 8.4 6.4 7.5 22.3 JKT = 170.53
JUMLAH 20.7 15.6 17.8 54.1
Perhitungan Jumlah Kuadrat :
a b n
− Jumlah Kuadrat Total (JKT) = ∑∑ ∑ y ijk 2 = 170,53 ; db = abn = 2(3)(3) = 18
i =1 j =1k =1

J000 2 (54,1)2
− Jumlah Kuadrat Rata-rata (JKR) = = = 162,6 ; db = 1
abn 18
a
∑ Ji00 2
31,8 2 + 22,3 2
− Jumlah Kuadrat Faktor Cara (JKA) = i =1 - JKR = - 162,6 = 5,014
bn 3(3)
; db = a – 1 = 2 − 1 = 1

@Femiana Gapsari
 ■ Analisis Variansi 18

b
∑ Joj0 2
j =1
− Jumlah Kuadrat Faktor Bahan Baku (JKB) = - JKR
an
20,7 2 + 15,6 2 + 17,8 2
= - 162,6 = 2,18 ; db = b – 1 = 3 – 1 = 2
2(3)
a b
∑∑ Jij0 2
i =1 j =1 12,3 2 + 9,22 + 10,3 2 + 8,4 2 + 6,4 2 + 7,5 2
− Jab = - JKR = - 162,6 = 7,329
n 3
− Jumlah Kuadrat Interaksi faktor Cara dan Bahan Baku (JKAB) = Jab – JKA – JKB
= 7,329 – 5,014 – 2,18 = 0,135 ; db = (a-1)(b-1) = 1(2) = 2
− Jumlah Kuadrat Kekeliruan (JKE) = JKT – JKR – JKA – JKB – JKAB
= 170,53 – 162,6 – 5,014 – 2,18 – 0,135 = 0,601 ; db = 2(3)(3-1) = 12

Tabel ANOVA : (Untuk Model Tetap, level dari faktor Cara maupun Bahan Baku tetap)

Sumber Variasi db JK KT F hitung F tabel

• Rata-rata 1 162.600 162.600 - -
• Pengaruh Cara Memproses 1 5.014 5.014 100.113 F0,05;1;12 = 4.75
• Pengaruh Bahan 2 2.180 1.090 21.764 F0,05;2;12 = 3.89
• Pengaruh interaksi Bahan & Cara Proses 2 0.135 0.068 1.348 F0,05;2;12 = 3.89
• Kekeliruan eksperimen 12 0.601 0.050 - -
• TOTAL 18 170.53
• Kesimpulan:
a. Pengaruh cara memproses signifikan, artinya cara memproses yang berbeda akan
menghasilkan makanan anak dengan kandungan protein yang berbeda, walaupun bahan
bakunya sama
b. Pengaruh bahan baku signifikan, artinya bahan baku yang berbeda akan menghasilkan
makanan anak dengan kandungan protein yang berbeda, walaupun diproses dengan cara
yang sama.
c. Pengaruh interaksi cara memproses dan bahan baku tidak signifikan, artinya cara memproses
dan bahan baku secara bersama-sama tidak mempengaruhi kandungan protein yang terdapat
pada makanan anak yang dihasilkan.

Pengaruh Jenis Bahan thd Kandungan Protein

4.0
3.5
3.0
2.5
2.0
Kandungan Protein
1.5
1.0
0.5Gapsari
@Femiana

0.0
Bahan A Bahan B Bahan C
 ■ Analisis Variansi 19

Pengaruh Cara Proses thd Kandungan Protein

4.0
3.5
3.0
2.5
2.0
1.5
Kandungan Protein
1.0
0.5
0.0
1 2
Cara Proses

Pengaruh Interaksi Antara Cara Proses dan Jenis Bahan

Thd Kandungan Protein

Cara 2
Cara 1

A B C

Bahan

@Femiana Gapsari
■ Analisis Variansi 20

Bahan Baku
Cara Jumlah
A B C
3.1 4.1 2.5
Cara 1 2,9 3.8 3.1
3.3 3.3 2.6
Jumlah 6.4 11.2 8.2 25.8
Rata-2 2.1 3.7 2.7 2.9
3.3 1.9 4.7
Cara 2 4.1 2.2 4.3
3.6 2.3 4.5
Jumlah 11.0 6.4 13.5 30.9
Rata-2 3.7 2.1 4.5 3.4
JUMLAH 17.4 17.6 21.7 56.7
RATA-2 2.9 2.9 3.6 3.2
JKT = 200.49 18
JKR = 178.61 1 F Hi tung F Ta bel
JKA = 1.44 1 F A = 2.20 < 4,747
JKB = 1.96 2 F B = 1.50 < 3,885
Jab = 14.01 F AB = 8.08 > 3,885
JKAB = 10.60 2
JKE = 7.87 12

Pengaruh Cara Proses Thd Kandungan Protein

4.0
3.5
3.0
2.5
2.0
1.5
1.0 Kandungan Protein
0.5
0.0

1 2
Cara Proses

Pengaruh Bahan Baku Thd Kandungan Protein

4.0
3.5
3.0
2.5
2.0
1.5
Kandungan Protein
1.0
0.5
0.0

A B C

Bahan Baku

@Femiana Gapsari
■ Analisis Variansi 21

Pengaruh Interaksi Antara Cara Proses dan Jenis Bahan

Thd Kandungan Protein

Cara 2
Cara 1

A B C

Bahan

Pengaruh Interaksi Antara Cara Proses dan Jenis Bahan

Thd Kandungan Protein

Bahan C
Bahan B
Bahan A

1 2

Cara

@Femiana Gapsari