1

:: Praktikum Statistika menggunakan R ::

06. Analisis Variansi

Analisis Variansi
MA2181 Analisis Data / MA2081 Statistika
Dasar / MA2082 Biostatistika

Kelompok Keilmuan Statistika

Laboratorium Statistika dan Komputasi Matematika

Fakultas Matematika dan Ilmu Pengetahuan Alam

Copyright 2020 © KK Statistika, FMIPA – ITB

2

:: Statistical Practice using R ::

05. Analysis of Variance

Analysis of Variance
MA2181 Data Analysis/ MA2081 Basic
Statistics/ MA2082 Biostatistics
Statistics Research Division

Laboratorium Statistika dan Komputasi Matematika

Fakultas Matematika dan Ilmu Pengetahuan Alam

Copyright 2020 © KK Statistika, FMIPA – ITB

3

Definisi
Analisis Variansi (ANOVA) adalah salah satu metode
untuk menguji apakah terdapat perbedaan yang
Tujuan signifikan antara rata-rata dari tiga atau lebih
kelompok populasi, melalui ukuran-ukuran
Melakukan pengujian penyebaran (variansi) dari masing-masing kelompok
terhadap rataan beberapa populasi tersebut.
populasi dengan studi
kasus dari beberapa
contoh permasalahan. Asumsi
• Populasi yang akan diuji berdistribusi normal
• Variansi dari populasi tersebut sama
• Populasi tidak berhubungan satu dengan yang
lainnya (saling bebas)
4

ANOVA One-Way
5

Langkah-Langkah ANOVA
Misalkan terdapat k populasi. Sampel acak ukuran n diambil masing-masing dari k populasi.
Diketahui bahwa k populasi itu saling bebas dan berdistribusi normal dengan rataan dan variansi
1. Definisikan hipotesis nol dan tandingan.

2. Hitung besaran-besaran dalam ANOVA

6

Langkah-Langkah ANOVA
3. Tabel ANOVA
7

Langkah-Langkah ANOVA
4. Daerah Penolakan:
ditolak jika atau p-value <

𝑓 (𝑥)

𝐹 𝛼 ,𝜐 ,𝜐
1 2
 Prosedur R ANOVA-One Way
8

#CONTOH #Vektor faktor perlakuan sesuai vektor r

#Input Data tm = gl(k,1,n*k,factor(f)) #vektor
setwd("Alamat Folder") perlakuan
library(readxl)
x #Input data dalam bentuk data frame #Function
av = aov(r ~ tm)
#Bentuk data menjadi sebuah vektor summary(av) #tabel ANOVA
r = c(t(as.matrix(x)))
#F critical atau tabel
#Definisikan variabel baru untuk perlakuan df1 = k-1
dan banyak pengamatan df2 = N-k
f = c(“Variabel 1“, “Variabel 2”, …, alpha = 0.05
“Variabel k”) #faktor variabel perlakuan Fcrit = qf(1-alpha,df1,df2)
k #banyak perlakuan Fcrit
n #banyak pengamatan per perlakuan
N #banyak seluruh pengamatan
9

Contoh Soal 1
Misalkan kita memiliki 15 biji Phaseolus vulgaris. Kemudian dibagi dalam kelompok secara acak. Masing-
masing kelompok diberi perlakuan dengan menambahkan hormon Auksin, Sitokinin, dan Giberelin masing-
masing 4 ppm. Setelah 14 hari pengamatan, didapatkan data panjang tanaman (dalam cm) sebagai berikut :
Auksin Sitokinin Giberelin
32 36 35
37 38 30
34 37 36
33 30 29
30 34 31

Kita ingin mengetahui apakah terdapat perbedaan yang signifikan antara penambahan hormon
pada 15 biji Phaseolus vulgaris (dengan taraf signifikansi 5%)

Copyright 2020 © KK Statistika, FMIPA – ITB

10
Prosedur R Soal 1
Editor Console
#CONTOH
#Input Data > #Function
setwd("Alamat Folder") > av = aov(r ~ tm)
library(readxl) > summary(av) #tabel ANOVA
Hormone <- read_excel("DATA ANOVA.xlsx", sheet = "contoh hormone")             Df Sum Sq Mean Sq F value Pr(>F)
Hormone tm           2  20.13   10.07   1.144  0.351
Residuals   12 105.60    8.80               
#Bentuk data menjadi sebuah vektor >
r = c(t(as.matrix(Hormone))) > #F critical atau tabel
> df1 = k-1
#Variabel perlakuan > df2 = N-k
f = c("Au","Si","Gi") #faktor variabel perlakuan > alpha = 0.05
k=3 #banyak perlakuan > Fcrit = qf(1-alpha,df1,df2)
n=5 #banyak pengamatan per perlakuan > Fcrit
N=15 #banyak seluruh pengamatan [1] 3.885294

#Vektor faktor perlakuan sesuai vektor r

tm = gl(k,1,n*k,factor(f))

#Function
av = aov(r ~ tm)
summary(av) #tabel ANOVA

#F critical atau tabel

df1 = k-1
df2 = N-k
alpha = 0.05
Fcrit = qf(1-alpha,df1,df2)
Fcrit
 Solusi Soal 1
11

Kita ingin mengetahui apakah terdapat perbedaan yang signifikan antara penambahan hormon Auksin, Sitokinin,
dan Giberelin pada 15 biji Phaseolus vulgaris.

paling tidak terdapat dua rataan yang tidak sama atau ,

Diperoleh tabel ANOVA:

f tabel = = 3,885294 p-value = 0,351

Pengambilan Keputusan :
Karena dan diikuti p-value > maka tidak ditolak.
Artinya dengan taraf signifikansi 5%, tidak ada perbedaan yang signifikan antara penambahan hormon
Auksin, Sitokinin, dan Giberelin pada 15 biji Phaseolus vulgaris.
12

Contoh Soal 2
0_hari 3_hari 7_hari

53 49 43

54 43 49
Sari air jeruk pekat beku diuji dalam 3 jangka
50 49 40
waktu berbeda. Jangka waktu menyatakan
47 53 48
jumlah hari sejak air jeruk diperas sampai
56 49 49 diuji. Hasilnya tercatat pada tabel disamping
48 44 42 (dalam mg asam askarbonat per liter).
50 42 43

48 48 49
Gunakan taraf keberartian 5% untuk menguji
hipotesis bahwa tidak ada perbedaan kadar
53 48 43
asam askarbonat untuk jangka waktu yang
52 50 45
berlainan
52   48

54    

Copyright 2020 © KK Statistika, FMIPA – ITB

13
Prosedur R
Editor
#CONTOH #F critical atau tabel
#Input Data df1 = k-1
setwd("Alamat Folder") df2 = N-k
library(readxl) alpha = 0.05
vitaminC <- read_excel(“DATA ANOVA.xlsx", sheet = “kadar asam") Fcrit = qf(1-alpha,df1,df2)
Fcrit
#Bentuk data menjadi sebuah vektor
r1 = c(t(as.matrix(vitaminC$`0_hari`)))
r2 = c(t(as.matrix(vitaminC$`3_hari`)))
Console
r3 = c(t(as.matrix(vitaminC$`7_hari`))) > #Function
r2 = na.omit(r2) #menghapus missing value > av = aov(r ~ tm)
r3 = na.omit(r3)
r=c(r1,r2,r3)
> summary(av) #tabel ANOVA
Df Sum Sq Mean Sq F value Pr(>F)
#Variabel perlakuan tm 2 217.6 108.78 10.74 0.000304 ***
f=c("0 hari","3 hari","7 hari") #faktor variabel perlakuan Residuals 30 304.0 10.13
k=3 #banyak perlakuan ---
n1=length(r1) #banyak pengamatan pada perlakuan ke-1 Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
n2=length(r2) #banyak pengamatan pada perlakuan ke-2 >
n3=length(r3) #banyak pengamatan pada perlakuan ke-3
> #F critical atau tabel
N=n1+n2+n3 #banyak seluruh pengamatan > df1 = k-1
> df2 = N-k
#Vektor faktor perlakuan sesuai vektor r > alpha = 0.05
tm = factor(rep(f,times=c(n1,n2,n3))) > Fcrit = qf(1-alpha,df1,df2)
> Fcrit
#Function [1] 3.284918
av = aov(r ~ tm)
summary(av) #tabel ANOVA
14
Pembahasan Contoh 2
Kita ingin mengetahui apakah ada perbedaan rataan kadar asam askarbonat untuk jangka waktu yang berlainan
(0 hari, 3 hari, dan 7 hari)

paling tidak terdapat dua rataan yang tidak sama atau ,

Diperoleh tabel ANOVA:
Sumber Variansi Jumlah Kuadrat Derajat Rataan Kuadrat
Kebebasan

Perlakuan 217,6 2 108,78

10,74
Galat 304,0 30 10,13

f tabel = = 3,284918 p-value = 0.000304

Pengambilan Keputusan :
Karena dan diikuti p-value < maka ditolak.
Artinya dengan taraf signifikansi 5%, ada perbedaan yang signifikan antara kadar asam askarbonat untuk jangka
waktu yang berlainan (0 hari, 3 hari, dan 7 hari)
15

ANOVA Two-Way
 Contoh Soal 3
16

Sistem rudal Jenis bahan bakar

b1 b2 b3 b4
a1 34,0 30,1 29,8 29,0
32,7 32,8 26,7 28,9
a2 32,0 30,2 28,7 27,6
33,2 29,8 28,1 27,8
a3 28,4 27,3 29,7 28,8
29,3 28,9 27,3 29,1

Dalam suatu percobaan yang dilakukan untuk menentukan yang mana yang lebih baik dari tiga rudal yang
berlainan , diukur laju pembakaran bahan bakar dari 24 penembakan statis. Empat jenis bahan bakar yang
berlainan dicoba. Percobaan menghasilkan replikasi pengamatan laju pembakaran pada tiap kombinasi
perlakuan. Gunakan taraf signifikansi 0,05 untuk menguji hipotesis berikut:

a) tidak ada beda antara rataan laju pembakaran bahan bakar bila digunakan system rudal yang berlainan
b) tidak ada beda rataan laju pembakaran keempat jenis bahan bakar
c) tidak ada interaksi antara system rudal yang berlainan dengan jenis bahan bakar

Copyright 2020 © KK Statistika, FMIPA – ITB

17

Definisi
Dalam ANOVA dwifaktor kita akan mencoba melihat dua faktor yang
berpengaruh dalam suatu percobaan dan juga interaksi dari kedua faktor
tersebut.

Pandanglah replikasi pada tiap kombinasi perlakuan, faktor diamati pada

taraf dan faktor diamati pada taraf. Dapat dilihat pada matriks, yang barisnya
menyatakan taraf faktor dan kolom menyatakan taraf faktor Kombinasi
perlakuan menentukan suatu sel dalam matrik. Terdapat sebanyak sel,
masing-masing berisi pengamatan. Pengamatan ke- yang diambil pada taraf
ke- dari dan taraf ke- dari disebut .
 Definisi
18

Faktor B
Faktor
A b1 bj bb Pengamatan sel membentuk sampel acak
berukuran yang dianggap berdistribusi normal
dengan rataan dan variansi .
a1

Simbol yang akan digunakan:

: jumlah pengamatan pada sel ke-

: jumlah pengamatan pada taraf ke- faktor A
ai
: jumlah pengamatan pada taraf ke- faktor B
: jumlah seluruh pengamatan
: rataan pengamatan sel ke-
: rataan pengamatan pada taraf ke- faktor A
: rataan pengamatan pada taraf ke- faktor B
aa
: rataan seluruh pengamatan
19
Definisi
Tiap pengamatan dapat ditulis: 𝑦 𝑖𝑗𝑘 =𝜇𝑖𝑗𝑘 + 𝜀 𝑖𝑗𝑘
Bila, ditulis lambang sebagai berikut:
: pengaruh taraf ke- faktor A
: pengaruh taraf ke- faktor B
: pengaruh interaksi faktor A taraf ke- dan faktor B taraf ke-
: rataan kesuluruhan

Persamaan di atas dapat ditulis: 𝑦 𝑖𝑗𝑘 =𝜇+𝛼 𝑖 +𝛽 𝑗 + ( 𝛼𝛽 )𝑖𝑗 +𝜀𝑖𝑗𝑘

Yang akan dikenakan pembatasan: 0
20

Langkah-Langkah ANOVA Two-Way

1. Hipotesis-hipotesis yang ingin diuji adalah :
a.
paling sedikit satu yang tidak sama dengan 0

b.
paling sedikit satu yang tidak sama dengan 0

c.
paling sedikit satu yang tidak sama dengan 0
21

Langkah-Langkah ANOVA Two-Way

2. Hitung Jumlah Kuadrat dengan Tabel berikut
22

Langkah-Langkah ANOVA Two-Way

3. Hitung JKA, JKB, JK(AB), JKG, dan JKT
JKA dan JKB masing-masing menyatakan jumlah kuadrat pengaruh utama dan . JK(AB) jumlah
kuadrat interaksi dan serta JKG jumlah kuadrat galat.
23

Langkah-Langkah ANOVA Two-Way

4. Berikut ini tabel ANOVA two way

ditolak apabila untuk taraf

signifikansi yang diberikan:

𝑓2 atau
 Prosedur R ANOVA Two-Way
24

#Input Data #Vektor faktor perlakuan sesuai vektor r

setwd("Alamat Folder") tm1 = gl(k1,n*k2,n*k1*k2,factor(f1)) #vektor
library(readxl) perlakuan pertama
x #Input data dalam bentuk data tm2 = gl(k2,1,n*k1*k2,factor(f2)) #vektor
frame perlakuan kedua

#Bentuk data menjadi sebuah vektor #Function

r = c(t(as.matrix(x))) av = aov(r ~ tm1 * tm2) #interaksi
summary(av) #tabel ANOVA
#Definisikan variabel baru untuk
perlakuan dan banyak pengamatan
f1 = c(“faktorA 1“, “faktorA 2”, …,
“faktorA k1”) #faktor perlakuan pertama
f2 = c(“faktorB 1”, “faktorB 2”,…,
“faktorB k2”) #factor perlakuan kedua
k1 = length(f1) #banyak perlakuan
k2 = length(f2) #banyak jenis
perlakuan kedua
n #banyak pengamatan per perlakuan
N #banyak seluruh pengamatan
 Contoh Soal 3
25

Sistem rudal Jenis bahan bakar

b1 b2 b3 b4
a1 34,0 30,1 29,8 29,0
32,7 32,8 26,7 28,9
a2 32,0 30,2 28,7 27,6
33,2 29,8 28,1 27,8
a3 28,4 27,3 29,7 28,8
29,3 28,9 27,3 29,1

Dalam suatu percobaan yang dilakukan untuk menentukan yang mana yang lebih baik dari tiga rudal yang
berlainan , diukur laju pembakaran bahan bakar dari 24 penembakan statis. Empat jenis bahan bakar yang
berlainan dicoba. Percobaan menghasilkan replikasi pengamatan laju pembakaran pada tiap kombinasi
perlakuan.

Gunakan taraf signifikansi 0,05 untuk menguji hipotesis berikut

a) tidak ada beda antara rataan laju pembakaran bahan bakar bila digunakan system rudal yang berlainan
b) tidak ada beda rataan laju pembakaran keempat jenis bahan bakar
c) tidak ada interaksi antara system rudal yang berlainan dengan jenis bahan bakar

Copyright 2020 © KK Statistika, FMIPA – ITB

 Solusi Soal 3
26

Misal pengaruh taraf ke- dari faktor sistem rudal dinotasikan dan taraf ke- dari faktor jenis bahan bakar
adalah .

a) Tidak ada beda antara rataan laju pembakaran bahan bakar bila digunakan sistem rudal yang berlainan.

paling sedikit satu yang tidak sama dengan 0

b) Tidak ada beda rataan laju pembakaran keempat jenis bahan bakar

paling sedikit satu yang tidak sama dengan 0

c) Tidak ada interaksi antara system rudal yang berlainan dengan jenis bahan bakar

paling sedikit satu yang tidak sama dengan 0

Copyright 2020 © KK Statistika, FMIPA – ITB

27
Contoh Soal 3
Editor Console
#Input Data > #tabel ANOVA two way
setwd("D://Praktikum Statistika//Praktikum 2020") > av <- aov(r ~ bahanbakar*rudal)
library(readxl) > summary(av)
df = read_excel("DATA ANOVA.xlsx",sheet = "contoh Df Sum Sq Mean Sq F value Pr(>F)
soal sistem rudal") bahanbakar 3 40.08 13.361 10.753 0.00102 **
df=df[,2:5] rudal 2 14.52 7.262 5.844 0.01690 *
r=c(t(as.matrix(df))) bahanbakar:rudal 6 22.16 3.694 2.973 0.05117 .
f1 = c("a1","a2","a3") Residuals 12 14.91 1.243
f2 = c("b1","b2","b3","b4") ---
k1 = length(f1) Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
k2 = length(f2)
n = 2

#vektor perlakuan
rudal = gl(k1,n*k2,n*k1*k2,factor(f1))
bahanbakar = gl(k2,1,n*k1*k2,factor(f2))

#tabel ANOVA two way

av <- aov(r ~ bahanbakar*rudal)
summary(av)
28
Contoh Soal 3
Sumber Jumlah Derajat Rataan Kuadrat P-Value
Variansi Kuadrat Kebebasan
Pengaruh
Utama
40,08 3 13,361 10,753 0,00102
14,52 2 7,662 5,844 0,0169
Interaksi
Faktor
22,16 6 3,694 2,973 0,05117
Galat 14,91 12 1,243

Berdasarkan hasil tabel ANOVA untuk , diperoleh keputusan :

a. ditolak artinya sistem rudal berlainan menghasilkan laju pembakaran yang berbeda
b. ditolak artinya rataan laju pembakaran bahan bakar tidak sama untuk keempat jenis bahan
bakar
c. tidak ditolak. Interaksi hampir berarti menunjukan bahwa interaksi perlu diperhatikan
secara serius.
29
Tim Penyusun
Dr. Utriweni Mukhaiyar
Dosen KK Statistika
Kepala Laboratorium Statistika dan Komputasi Statistika

Fatia Amalia, S.Si

Asisten KK Statistika

Pengajar Semester I – 2020/2021

Dr. Udjianna S. Pasaribu Dr. Sapto Wahyu Indratno
Dosen KK Statistika, MA2181 Analisis Data Dosen KK Statistika, MA2082 Biostatistika

Dr. Rr. Kurnia Novita Sari Yuli Sri Afrianti, S.Si., MT, MBA.
Dosen KK Statistika, MA2181 Analisis Data Dosen KK Statistika,
MA2181 Analisis Data / MA2081 Statistika Dasar
Dr. Sandy Vantika
Dosen KK Statistika, Dr. Utriweni Mukhaiyar
MA2181 Analisis Data / MA2081 Statistika Dasar Dosen KK Statistika, MA2082 Biostatistika

Copyright 2020 © KK Statistika, FMIPA – ITB

30

Referensi

Copyright 2020 © KK Statistika, FMIPA – ITB

31

Selamat Praktikum!

Copyright 2020 © KK Statistika, FMIPA – ITB