Dinda Anindita Salsabilla

S021902013
 Analysis of Variance
Membandingkan beberapa rata-rata dari
beberapa populasi. Dapat dianggap sebagai
generalisasi dari uji t yang digunakan
untuk membandingkan dua rata-rata dari
dua populasi
Ex: seorang peneliti membandingkan efek dari
4 jenis program pelatihan medis (T1, T2, T3
dan T4) (sebagai perlakuan/independen) pada
pencapaian (respon/ dependen) 24 mahasiswa.
(unit eksperimen) Tujuannya untuk
mengetahui ada/tidak perbedaan signifikan
antara nilai mahasiswa untuk program
yang berbeda.. Desain percobaan semacam
ini disebut completely randomized design
Completely Randomized Design : Klasifikasi One-Way
• Hipotesis yang sedang diuji memberikan pernyataan tentang parameter
yang tidak diketahui
• Ho dapat ditolak atau diterima berdasarkan bukti data sampel dan
distribusi sampling yang mendasari statistik
• Menolak Ho menerima hipotesis alternatif
Hipotesis Null • Menerima Ho berarti kurangnya bukti untuk mendukung Ho
(Ho) • Tidak ada hubungan/pengaruh/perbadaan antara variabel yang diteliti

• Ada hubungan/pengaruh/perbadaan antara variabel yang diteliti

Uji Hipotesis
Hipotesis:
H₀ : µ₁ = µ₂
Alternatif = . . . = µₐ,
(H₁)/(Ha) H₁ : µᵢ ≠ µj
untuk beberapa i dan j,
Dimana µᵢ adalah rata-rata dari populasi i ( i = 1,2, . . . ., a)
Menolak H₀ : µ₁ = µ₂ = . . . = µₐ mengindikasikan bahwa ada perbedaan yang signifikan
dari rata-rata populasi yang berarti ada efek signifikan dari faktor pada respon.
Dalam hal ini kami ingin tahu rata-rata mana yang berbeda dan untuk
memperkirakan perbedaan dari rata-rata tersebut.
 Teknik ANOVA
• Teknik ANOVA didasarkan pada pembagian variasi total dalam
observasi variabel respon menjadi beberapa komponen, setiap
komponen mengukur beberapa sumber variasi.
• a=perlakuan, n=nilai untuk masing-masing perlakuan.
• Total jumlah pengamatan N=an
• Total dan rata-rata dari nilai pengamatan

• Total keseluruhan dan nilai pengamatan keseluruhan

• Tujuan utama ANOVA:

1. Menguji rata-rata kesetaraan perlakuan H₀ : µ₁ = µ₂ = . . . = µₐ
2. Memperkirakan perbedaan rata-rata perlakuan µᵢ - µj dan menentuan
rata-rata mana yang berbeda
 Decomposition of the Total Sum of Squares

• Variasi total dalam pengamatan secara

keseluruhan dapat diukur dengan jumlah total
kuadrat yang dikoreksi yang didefinisikan oleh
: df =
• Jika kita membagi jumlah kuadrat yang
dikoreksi dengan derajat kebebasannya, kita
dapatkan varians sampel
Kuantitas ini adalah biasa dari
ukuran dari semua
variasi total dalam
pengamatan,semua
yaitu :
pengamatan.
Ada dua sumber variasi total yaitu sebagai berikut:
(1) Jenis variasi pertama adalah karena perbedaan antara
perlakuan.
(2) Jenis variasi kedua adalah karena kesalahan acak.
 Komponen jumlah total kuadrat SSTOT
Jumlah kuadrat perlakuan (SSTRT)
• Mengukur jumlah kuadrat dari
perbedaan antara rata-rata perlakuan
dan rata-rata keseluruhan pengamatan.
Jumlah kesalahan kuadrat
(SSE)
• Mengukur perbedaan antara
pengamatan dalam perlakuan

• Secara aljabar, dapat ditunjukkan

• Nilai besar SSTRT menunjukkan bahwa jumlah total kuadrat
adanya perbedaan rata-rata antara SSTOT = SSTRT + SSE
perlakuan, akibatnya menolak
hipotesis kesetaraan rata-rata
perlakuan H₀ : µ₁ = µ₂ = . . . = µₐ
• Dengan df =
untuk nilai-nilai besar SSTRT.
 Pooled Estimate of the Variance
• Varians sampel dari pengamatan perlakuan ke-
i adalah

• Varians ini dikaitkan dengan derajat kebebasan

(n-1). Estimasi gabungan dari varians
menggunakan varians sampel dari semua
perlakuan adalah
 Mean Squares (MS)= SS/df

Kuadrat rata-rata perlakuan Kuadrat tengah galat

Seperti yang disebutkan sebelumnya, MSE

tidak lain adalah estimasi gabungan varians:
 Menguji Mean Kesetaraan Perlakuan
1. Menentukan hipotesis :
H₀ : µ₁ = µ₂ = . . . = µₐ (tidak ada perbedaan rata-rata)
H₁ : µᵢ ≠ µj untuk beberapa i dan j (ada perbedaan)
2. Menentukan level signifikan (α) : 0,1, 0,05, 0.025 atau 0,01
3. Menentukan uji statistik : dengan derajat kebebasan

4. Menentukan daerah penolakan (RR) dari H₀ : Wilayah penolakan terdiri dari nilai-nilai F₀
yang lebih besar dari nilai kritis.
5. Menentukan aturan keputusan, menolak H₀ : µ₁ = µ₂ = . . . = µₐ pada level signifikansi α,
jika
 Tabel ANOVA

Untuk mempermudah menghitung jumlah kuadrat yang

digunakan dalam tabel ANOVA, kita dapat gunakan =Faktor
rumus setara berikut : koreksi
 Contoh
• Seorang peneliti ingin membandingkan efisiensi dari 4 jenis program pelatihan medis (T1,
T2, T3 dan T4) pada pencapaian 24 mahasiswa kedokteran dengan tingkat studi yang sama
dan memperoleh nilai yang sama dalam tes penempatan. Kemudian peneliti secara acak
membagi mahasiswa menjadi 4 kelompok dengan masing-masing 6 mahasiswa.

• Adakah perbedaan yang signifikan antara program pelatihan? Apakah program pelatihan
secara signifikan mempengaruhi pencapaian siswa? Gunakan α = 0,05

Solusi :
• Kita akan menguji H₀ : µ₁ = µ₂ = µ3 = µ4 Terhadap H1 : µi ≠ µj untuk beberapa i dan j
dengan α = 0,05
• Ada 4 perlakuan: a= 4
• Ada 6 pengamatan pada setiap sampel : n= 6
• total jumlah pengamatan N = an=24
 Contoh

Menghitung jumlah
kuadrat

Menghitung df Menghitung MS

Kami memperhatikan bahwa nilai kuadrat rata-rata perlakuan

(MSTRT) lebih dari sepuluh kali sebagai nilai dari Mean Square Error
(MSE), dan ini menunjukkan bahwa rata-rata perlakuan cenderung
berbeda
 Contoh
• Menghitung uji statistik (F₀)

• Menentukan nilai kritis ( Fα (a-1, N-a)) : F0,05 (3,20) = 3.10

• Tabel ANOVA

• Keputusan : dari Fo > F0.05 (3, 20), maka menolak H₀ : µ₁ = µ₂ = µ3 = µ4 pada α =

0,05. dan menyimpulkan bahwa rata-rata perlakuan berbeda secara signifikan yang
berarti jenis program pelatihan berpengaruh pada pencapaian mahasiswa.
 Perkiraan Perbedaan Rata-Rata Antar Perlakuan (µ₁ = µ₂ )
• Perkiraan titik dan interval kepercayaan (1-α) 100% dari rata-rata Ith perlakuan µi
masing-masing :

• Dimana i= 1; 2; . . .; a, dan tα/2, N-a adalah nilai kritis dari distribusi-t dengan df =
N−a, yang menyisakan persamaan α/2 kekiri.
• Titik estimasi dan interval kepercayaan (1-α )100% dari perbedaan antara rata-rata
perlakuan ke-i dan rata-rata dari perlakuan ke-j (µi - µj ):

• jika H₀of
Separation : µ₁ = µ₂and
Means = . .Pairwise
. = µₐ, ditolak, kami
Comparisons
menyimpulkan bahwa ada beberapa perbedaan rata-
rata kelompok perlakuan. Membuat perbandingan
dilakukan dengan menguji beberapa hipotesis tentang
perbedaan di antara semua pasangan kemungkinan
bentuk (µi - µj ), jumlah semua pasangan yang
mungkin adalah = a(a-1)/2
 Uji Fisher’s Least Significant Difference (LSD)
• Kita akan membandingkan rata-rata semua pasangan yang
memungkinkan (perbandingan berpasangan) menggunakan
Fisher’s Least Significant Difference (LSD).
• Menguji semua hipotesis
• Dengan uji statistik menolak jika

• Implementasinya

• Kuantitas ketidaksetaraan di sisi kanan disebut perbedaan

signifikan (LSD), yaitu Karena,
jika maka
• Contoh 10.2 gunakan data dalam contoh sebelumnya
1. Bandingkan semua pasangan dengan cara yang memungkinkan
menggunakan α = 0,05
2. Bangun interval kepercayaan 95% untuk perbedaan antara semua
pasangan berarti
• Solusi
1. kemungkinan pasangan meannya. Perbedaan paling tidak signifikan
(LSD) :

– Untuk beberapa pasangan mean (µi - µj ), jika > 2.1839, dapat

disimpulkan bahwa mean (µi - µj ), secara signifikan berbeda.
Menolak
2. Bangun interval kepercayaan 95% untuk perbedaan antara semua
pasangan berarti

Kami memperhatikan bahwa semua interval 95%,

yang melibatkan pengamatan variabel respon menjadi
tiga komponen rata-rata dari perlakuan kedua (µ₂)
tidak mengandung nol. Oleh karena itu, kami
menyimpulkan bahwa (µ₂) berbeda dari semua rata-
rata.