ASUMSI-ASUMSI DALAM

ANALISIS VARIANSI DAN

TRANSFORMASI DATA

AGUS DWI SULISTYONO, S.SI., M.SI.

GAMBARAN UMUM
Setiap

metode analisis statistik memerlukan

persyaratan persyaratan tertentu agar hasil
analisis ini dapat memberikan suatu
kesimpulan yang akurat dari suatu percobaan,
persyaratan tersebut merupakan asumsi
asumsi yang mendasari suatu analisis ragam,
yaitu :
1. Uji Normalitas.
2. Uji Homogenitas Ragam.
3. Uji Aditivitas.
4. Uji Kebebasan Galat.

1. UJI NORMALITAS
Pengujian

asumsi Normalitas dilakukan

galat atau residual
Beberapa metode pengujian asumsi
normalitas?:
1. Secara deskriptif
PP-Plot
2. Secara inferensia
Uji Kolmogorov-Smirnov
Uji Saphiro-Wilks / Ryan-Joiner
Uji Anderson Darling

2. UJI HOMOGENITAS RAGAM

Misalnya dalam rancangan acak lengkap, komponen galat

yang berasal dari perlakuan harus menduga ragam
populasi yang sama. Kadang-kadang bila nilai tengah satu
atau dua perlakuan lebih tinggi dari yang lainnya, akan
mengakibatkan keragaman galat yang tidak homogen.
Uji formal yang dapat digunakan untuk pengujian
kehomogenan ragam galat adalah dengan uji F, Levene,
Bonnet
Hipotesis yang diuji :

H0: 1= 2 = a (Ragam semua perlakuan sama)

H1: i i, i i, i=1,2,, (Minimal ada satu perlakuan yang
ragamnya tidak sama dengan yang lain)

3. UJI ADITIVITAS

Uji formal yang dapat dilakukan untuk menguji apakah

model yang kita gunakan aditif atau tidak adalah uji
Tukey. Misalnya dalam suatau percobaan dengan
menggunakan rancangan acak kelompok. Pengamatan Yij
pada perlakuan ke-i dari kelompok ke-j dinyatakan
sebagai :

Pada komponen-komponenharus bersifat aditif, bersifat

aditif artinya dapat dijumlahkan sesuai dengan model
diatas, yaitu Yij yang merupakan hasil penjumlahan dari.
Untuk setiap rancangan percobaan mempunyai model
matematika yang disebut model linear aditif. Dalam
kenyataanya, bila model tidak bersifat aditif maka perlu
dilakukan transformasi.Adanya ketidak aditifan dalam
model akan mengakibatkan keheterogenan ragam galat.

LANGKAH-LANGKAH UJI ADITIFITAS

Dengan Hipotesis
Ho : Data bersifat aditif
H1 Data tidak bersifat aditif

Dengan :r = banyaknya ulangan

ap
abila

maka keaditifan model dapat diterima, selainnya tolak keaditifan

del.

4. KEBEBASAN GALAT
Galat adalah kesalahan. Kesalahan di sini maksudnya
adalah kesalahan yang diakibatkan pengaruh acak dari
percobaan. Kalau kesalahan itu terjadi sebagai akibat
pengaruh acak dari percobaan, dengan catatan
pengacakan perlakuan yang dilakukan sesuai dengan
prosedur statistik yang benar, maka kesalahan tersebut
akan dibenarkan atau diterima secara statistik dan
kesalahan itu akan bergerak saling bebas.
Tetapi apabila menempatkan satuan tidak ditempatkan
secara acak, maka akan menyebabkan tidak terpenuhinya
asumsi kebebasan galat. Kalau ini terjadi, maka data
percobaan menjadi tidak layak untuk dianalisis ragam.
Karena dengan pengacakan yang tepat biasanya akan
menjamin kebebasan galat percobaan
Jadi cara yang paling mudah untuk mendeteksi
ketidakbebasan galat adalah dengan mengamati penataan
percobaan.

TRANSFORMASI DATA
Jika asumsi pokok dalam analisi ragam tidak
terpenuhi, salah satu jalan keluar untuk
mengatasi hal ini adalah melalui transformasi
data.
Melalui transformasi data diharapkan kestabilan
ragam akan terpenuhi sehingga proses pengujian
dapat mendekati keshahihan.
Kegunanaan lain dengan menggunakan
transformasi adalah diharapkan data menyebar
mendekati sebaran normal dan ragam tidak
akan dipengaruhi oleh perubahan nilai tengah
perlakuan.

TRANSFORMASI DATA
Yang akan kita bahas disini ada 3 metode
transformasi data :
1. Transformasi Logaritma
2. Transformasi Akar
3. Transformasi arcsin

TRANSFORMASI LOGARITMA
Transformasi Logaritma digunakan apabila data tidak
memenuhi asumsi pengaruh aditif. Kalau X adalah
data asli anda, maka X (X aksen) adalah data hasil
transformasi dimana X = Log X. Jadi X = X.
Ada beberapa hal yang perlu anda perhatikan dalam
penggunaan transformasi logaritma ini yaitu :
1. Apabila x < 10 atau mendekati nol, maka gunakan
transfromasi log X + 1.
2. Apabila data banyak mengandung nilai nol, maka
sebaiknya gunakan transformasi yang lain, misalnya
transformasi akar.
3. Apabila data banyak mendekati nol (misalnya
bilangan desimal), maka semua data dikalikan 10
sebelum dijadikan ke logaritma. Jadi X = log (10X).
Misalnya X = 0,12 setelah di taransformasikan X akan
menjadi X = log (10 x 0,12) = 0,079.

TRANSFORMASI AKAR

Transformasi akar digunakan apabila data tidak

memenuhi asumsi kehomogenen ragam. Dengan
kata lain transformasi akar berfungsi untuk
membuat ragam menjadi homogen.
Ada hal yang perlu diperhatikan dalam
penggunaan transformasi akar yaitu :
Apabila x < 10 atau mendekati nol, maka
gunakan transfromasi akar X + 0.5.

TRANSFORMASI ARCSIN
Transformasi Arcsin digunakan apabila data
dinyatakan dalam bentuk persentase atau proporsi.
Umumnya data yang demikian mempunyai sebaran
binomial. Bentuk transformasi arcsin ini biasa
disebut juga transformasi kebalikan sinus atau
transformasi arcus sinus.
Ada beberapa hal yang perlu anda perhatikan
dalam penggunaan transformasi arcsin ini yaitu :
1. Apabila data asli anda menunjukkan sebaran nilai
antara 30% - 70%, tidak memerlukan transformasi.
2. Apabila data asli anda menunjukkan sebaran nilai
antara 0% - 30% dan 70% - 100%, maka lakukan
transformasi arcsin.
3. Apabila data anda banyak yang bernilai nol, maka
gunakan transformasi arcsin akar (% + 0,5).

Click Next Chapter