ANALISIS VARIANSI SATU ARAH DATA 1

ANALISIS VARIANSI
SATU ARAH

KOMPUTASI STATISTIK

Oleh:
1. Fitri Ayu Kusumawati (1309100027)
2. Ika Febrina Wuryanti (1309100045)
3. Samsul Arifin (1309100069)
JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT TEKNOLOGI SEPULUH NOPEMBER
Dosen :
Dr.rer.pol. Heri Kuswanto
ANALISIS VARIANSI SATU ARAH

Page 2
Bab X
Analisis Variansi Satu Arah

10.1 Analisis Variansi Satu Arah
Analisa ragam (Analysis of Variance) atau yang lebih dikenal dengan
istilah ANOVA adalah suatu teknik untuk menguji kesamaan beberapa rata-rata
populasi secara sekaligus dengan cara menguraikan keragaman total data menjadi
komponen-komponen yang mengukur berbagai sumber keragaman. Konsep
analisis ragam didasarkan pada konsep distribusi F karena dipakai untuk
pengujian dari 2 sampel dan biasanya dapat diaplikasikan untuk berbagai macam
kasus maupun dalam analisis hubungan antara berbagai varabel yang diamati.
ANOVA dapat digolongkan ke dalam beberapa kriteria, yaitu :
a. Klasifikasi 1 (satu) arah
ANOVA klasifikasi 1 (satu) arah merupakan uji yang dilakukan untuk
mengetahui pengaruh perlakuan dari suatu percobaan yang didasarkan pada
pengamatan 1 kriteria (faktor) dimana 1 faktor tersebut memiliki 3 atau lebih
level..
b. Klasifikasi 2 (dua) arah
ANOVA klasifikasi 2 (dua) arah merupakan ANOVA yang didasarkan
pada pengamatan 2 kriteria (faktor).
Data hasil percobaan di dalam 1-way ANOVA setidak-tidaknya bertipe
interval. Pengujian anova satu arah mempunyai beberapa asumsi diantaranya :
Data harus berasal dari populasi yang berdistribusi normal (error
menyebar normal dengan rata-rata nol dan ragam konstan).
Homogenitas variansi populasi.
Artinya variansi dalam masing-masing kelompok dianggap sama.
Pengambilan sampel secara acak dan masing-masing sampel independen.
Maksud dari independen yaitu variansi masing-masing terhadap rata-
ratanya pada setiap kelompok bersifat saling bebas (tidak terjadi
autokorelasi pada error).

Page 3
Dimisalkan terdapat k populasi. Dari masing-masing populasi diambil contoh
berukuran n. Dimisalkan pula populasinya bebas dan menyebar normal dengan
nilai tengah
1
=
2
=
3
= =
k
dan nilai ragam
2
. Dengan gambaran data
sebagai berikut :
Tabel 10.1 k Contoh Acak
Populasi
1 2 . . . i . . . k
X
11
X
21 . . .
X
i1 . . .
X
k1
X
12
X
22 . . .
X
i2 . . .
Xk
2
.
.
.
X
1n
X
2n . . .
X
i1 . . .
X
kn

Total Nilai
Tengah
T
1.
T
2.
T
i.
T
k.

1i

2i

i.

k.
T..
..

Kemudian dilakukan pengujian hipotesis ANOVA dengan langkah-langkah
sebagai berikut :
1. Menentukan hipotesis awal (H
0
) dan hipotesis alternative (H
1
)
H
0
:
1
=
2
=
3
= =
k

- Seluruh mean populasi adalah sama
- Tidak ada efek treatment ( tidak ada keragaman mean dalam grup )
H
1
: sekurang-kurangnya dua nilai tengah tidak sama
- Terdapat sebuah efek treatment
- Tidak seluruh mean populasi berbeda ( beberapa pasang mungkin sama )
2. Menentukan alfa ().
3. Menghitung statistik uji F dengan menggunakan tabel ANOVA sebagai
berikut.


Page 4
Tabel 10.2 Tabel ANOVA
Sumber
keragaman
Jumlah
kuadrat
(SS)
Derajat
bebas
(df)
Kuadrat
tengah
(MS)
F Hitung
(F
0
)
Faktor SSF k-1 MSF F
0

Error /galat SSE k(n-1) MSE
Total SST nk-1

Dengan uraian rumus sebagai berikut :

( )

4. Menentukan titik kritis ==> F
tabel

5. Menyusun kesimpulan dengan ketentuan sebagai berikut :
Hipotesis awal (H
0
) diterima bila nilai F F
, k - 1, N k
dimana k adalah
banyak replikasi di tiap level faktor dan N adalah banyaknya seluruh
pengamatan
Hipotesis awal (H
0
) ditolak bila F > F
, k - 1, N k
.

Selain menggunakan nilai F, pengambilan keputusan dapat pula didasarkan
pada p-value yaitu apabila p-value kurang dari (<) maka hipotesis awal (H
0
)
akan ditolak dan sebaliknya bila nilai p-value lebih dari (>) maka hipotesis
awal (H
0
) akan diterima (gagal tolak H
0
)

Dengan keterangan :
= pengamatan ke-j dari populasi ke-i
= total semua pengamatan dalam

tabel contoh dari populasi ke-i
= total semua nk pengamatan

.. = rata-rata semua nk pengamatan
i.
= rata-rata semua pengamatan dalam
tabel contoh dari populasi ke-i

Page 5

10.2 Function dan Algoritma Analisis Variansi Satu Arah
Berikut ini merupakan function dan algoritma untuk mendapatkan tabel analisis
variansi pada program R.
Tabel 10.3 Function dan Algoritma Analisis Variansi Satu Arah
No Function Algoritma
1.

2.

3.

4.

5.

6.

7.

8.

9.

10.

11.

12.
anovaoneway <- function(data)
{

n <- ncol(data)

sum1 <- colSums(data)

sum2 <- sum(data^2)

sum3 <- sum(data)

b <- matrix(ncol=n)

ss <- matrix(ncol=n)

for(i in 1:n)
{
b[,i] <- length(data[,i])

c <- sum(b)

ss[,i] <- ((sum1[i])^2)/b[,i]
}

SSF <- sum(ss)-((sum3^2)/c)
# Identifikasi function dengan data
adalah data yang akan dilakukan
analisis variansi satu arah
# Menghitung banyaknya kolom
dari data
# Menghitung jumlah data tiap-
tiap kolom dari data
# Melakukan penjumlahkan kua-
drat data dari data
# Melakukan penjumlahan semua
data dari data
# Mendefinisikan b sebagai ma-
triks dengan n kolom
# Mendefinisikan ss sebagai ma-
triks dengan n kolom
# Proses pengulangan dari 1 sam-
pai n
# Menghitung ukuran data tiap ko-
lom dari data
# Melakukan penjumlahan pada u-
kuran data tiap kolom dari data
# Melakukan pembagian pada jum-
lah data tiap kolom dengan ukuran
data kolom tersebut
# Menghitung sum squares faktor

Page 6
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.

23.

24.
25.

26.

27.

28.

29.

30.

SST <- sum(sum2)-((sum3^2)/c)
SSE <- SST-SSF
dff <- n-1
dft <- c-1
dfe <- dft-dff
MSF <- SSF/dff
MSE <- SSE/dfe
f <- MSF/MSE
S <- sqrt(MSE)
RSq <- (1-SSE/SST)*100

RSqA <- (1-MSE/(SST/dft))

cat("\n One-way ANOVA \n")
cat ("\n df SS
MS F \n")
cat ("Factor ",dff,"
",SSF," ",MSF," ",f,"
\n")
cat ("Eror ",dfe," ",SSE,"
",MSE,"\n")

cat ("Total ",dft," ",SST,"
","\n")

cat ("S=",S," R-Sq(%)=",RSq,"
R-Sq(adj)(%)=",RSqA," \n")
boxplot(data)
}
# Menghitung sum squares total
# Menghitung sum sures error
# Menghitung derajat bebas faktor
# Menghitung derajat bebas total
# Menghitung derajat bebas error
# Menghitung mean squares faktor
# Menghitung mean squares error
# Menghitung nilai dari f hitung
# Menghitung estimasi variansi
# Menghitung koefisien determi-
nasi
# Menghitung jumlah faktor pada
model
# Menuliskan One-way Anova
# Menuliskan kepala dari tabel
ana-lisis variansi satu arah
# Menuliskan Faktor serta nilai
derajat bebas, sum squares, mean
squares dan f hitung dari faktor
# Menuliskan Error serta nilai
de-rajat bebas, sum squares, mean
squa-res dari error
# Menuliskan Total serta nilai
dera-jat bebas dan sum squares
total
# Menuliskan S,R-Sq(%) dan
R-Sq(adj)(%) beserta nilainya
# Membuat boxplot dari data


Page 7
10.3 Package Analisis Variansi Satu Arah pada R
Pada program R juga tersedia paket-paket untuk mendapatkan tabel analisis
variansi dari suatu data. Paket tersebut antara lain :
1. > anova(lm(x ~ y))
2. > summary(aov(x ~ y))
Dimana x adalah faktor yang memiliki level-level tertentu dan y adalah nilai dari
masing-masing level.

10.4 Case Study
Misal terdapat data dibawah ini dan ingin diketahui apakah rata-rata dari data
tersebut seragam.
a) Data 1
Disini di asumsikan bahwa Meat, Fish dan Vegetable merupakan level dari
suatu faktor yang memiliki nilai dibawah ini.
Tabel 10.4 Data 1
meat Fish vegetable
10,32265 2,386123 4,137249
1,46432 3,004063 3,609614
8,01851 2,594804 12,50019
4,029616 4,517541 21,73397
2,095508 5,761567 21,45588
0,430382 0,528787 13,49001
4,459957 0,363381 3,720932
14,85767 3,065868 7,561079
2,734794 2,399127 10,19088
4,647671 1,058551 1,540851
1,532694 0,526003 20,43679
9,722641 5,777987 13,10347
0,078409 0,294901 0,965465
8,527572 1,620301 16,06715
9,25535 2,047448 8,319519
0,487078 4,860782 0,380288
12,66177 0,329507 11,89141
13,77583 0,336231 6,185336
13,32567 2,591686 7,156615
18,13761 3,757565 6,851121
9,787636 0,429417 7,257509
0,875351 1,075681 13,46875
2,488933 0,21373 15,79954
11,32051 1,457244 8,715485
2,781908 0,937746 19,65639
1,472068 0,298355 12,15353
1,963449 4,594448 8,724275
0,899594 11,78328 2,65593
16,47598 0,910434 19,73813
1,678249 1,985221 7,467232
16,46744 3,388268 22,85751
1,484986 0,601632 12,69807
12,40132 1,028281 18,17764
0,128946 5,588382 3,578854
14,15094 0,061582 8,836574
4,334892 0,373355 4,094586
8,222285 0,349003 16,97851
13,83878 2,633147 14,46576
8,098995 2,630588 16,19763
0,57808 0,418526 7,739496
1,750743 0,364596 10,71129
2,430366 13,50267 10,29949
9,037436 4,682625 6,748539
0,222321 4,502175 12,82552
1,054908 1,432809 2,474989

Page 8
16,13467 4,974821 13,7979
13,9397 0,08785 5,422343
12,89037 3,483064 11,80426
18,53501 3,184045 1,45154
13,96931 2,182867 8,562987
1,715726 4,375816 8,902371
2,499408 1,045227 13,66447
0,437025 0,094834 3,07435
19,38045 2,599648 11,5366
2,171018 0,635229 6,498221
1,553865 0,436548 12,45505
5,515126 2,171536 1,826981
6,462923 13,06016 20,54283
7,334598 0,631963 15,85009
12,53044 1,281835 6,218046
16,61155 2,977681 21,14883
9,029761 6,051426 15,6169
0,764474 1,284407 27,78285
17,36611 5,410634 8,4354
3,648031 1,538981 1,927428
3,066494 0,006846 3,542561
5,196322 4,079769 1,860636
8,104893 5,503782 21,16883
2,800359 2,79537 9,425839
2,304115 0,622648 3,764506
0,254009 0,76311 4,898229
7,927984 3,755458 18,19779
8,608862 4,546124 25,50268
8,672142 2,379338 18,29088
5,092609 1,425942 0,38195
13,72459 4,928721 16,46488
17,40217 2,244072 13,66138
12,70604 0,445547 6,399628
10,25084 2,204805 18,05941
9,940622 6,921646 20,06489
14,74891 3,632938 6,587532
2,483429 0,38972 1,11089
0,622162 0,607926 0,08416
13,92897 2,764961 12,95624
3,894142 0,930205 14,34651
1,405008 0,137625 7,871955
1,294404 1,117846 1,374949
0,901042 5,229885 2,535623
15,80081 2,515473 24,02206
3,489365 2,109034 0,541433
1,493058 2,117219 15,47207
3,791542 2,260102 4,508398
13,32272 0,031597 8,601675
16,20373 1,547863 6,094358
14,15626 0,354376 3,847034
4,237961 0,624775 20,84168
4,103845 3,776416 3,566025
17,00394 3,517645 19,54431
15,93757 3,361546 9,389554
0,811775 0,680731 4,607448
1,302785 0,012599 4,56897
7,137085 4,655144 22,07484
15,20695 4,567109 2,706133
10,44024 5,403403 1,305592
8,206468 6,555888 4,642792
15,29202 3,791559 12,80106
5,283562 3,653286 12,64193
3,325809 2,073674 9,826412
3,302504 1,115232 13,68538
9,96971 0,410163 12,63512
5,277015 1,290982 19,50005
2,060809 0,790677 15,4058
4,328114 0,285673 6,251815
8,793572 2,861338 4,989351
1,155004 0,223474 2,703368
3,239921 0,843952 17,58627
3,72716 3,855372 3,277633
1,408003 11,43699 25,85251
12,22515 0,409687 4,375142
6,207597 2,495203 22,42705
10,99978 1,073867 0,466489
11,69925 0,227956 6,585966
2,971005 0,294369 26,5023
1,669469 0,665158 19,69807
3,276002 4,265895 1,313718
0,696939 0,707397 13,27928
14,78059 0,520728 9,184893
11,62089 0,754779 17,88001
6,961677 2,270329 0,150419
2,77808 0,524264 5,489366
2,781422 0,096672 9,022128

Page 9
9,036624 14,47933 11,28146
4,860606 3,025798 6,70907
6,718558 4,300881 5,214068
11,79546 1,543508 17,94351
18,92106 0,161645 24,4618
14,814 0,935429 3,844261
2,046338 0,14026 15,76812
5,965745 2,882858 5,931052
3,151097 3,232097 15,56795
0,083769 0,568605 4,191837
3,348327 0,589188 13,47336
4,023236 0,595167 1,572497
4,461736 1,506444 8,651945
4,523627 0,698419 15,72486
3,535109 0,019196 7,321336
3,359899 1,204544 21,02627
1,326976 10,96941 15,98765
5,219338 5,44463 7,049885
0,248402 4,7082 7,852981

Di bawah ini merupakan langkah-langkah untuk memperoleh tabel analisis
variansi dari data di atas.
Dengan menggunakan Fungsi
1. Buka program R
2. Misalkan data tersebut di simpan dalam bentuk notepad di drive F dengan
nama data1.txt. Panggil data tersebut dengan cara :
> data1 <- read.table("F://data1.txt",header=TRUE)
3. Misalkan function pada 10.2 disimpan dalam bentuk notepad di drive F
dengan nama anovaoneway.txt. Panggil fungsi tersebut sebagai sumber
dengan cara :
> source("F:\\anovaoneway.txt")
4. Buat tabel analisis variansi dari data1 dengan memasukkan pada fungsi yang
telah dipanggil.
> anovaoneway(data1)
Dengan menggunakan Package
1. Buka program R
3. Attach data1
> attach(data1)
4. Buat matriks baru 1 kolom misal dengan nama y, yang isinya adalah nilai dari
meat, fish dan vegetable.
> y <- c(meat,fish,vegetable)

Page 10
5. Buat matriks baru 1 kolom misal dengan nama x, yang isinya adalah
pengulangan dari 1 sampai 3 sebanyak masing-masing 150 kali.
> x <- factor(replicate(1:3,c(150,150,150)))
6. Dapatkan tabel anova dengan cara
> anova(lm(y~x))
Atau
> summary(aov(y~x)
7. Buat boxplot dengan cara
> plot(x,y,name=c("meat","fish","vegetable"))

b) Data 2
Disini di asumsikan bahwa TV dan radio merupakan level dari suatu faktor
yang memiliki nilai dibawah ini.

Tabel 10.5 Data 2
Tv Radio
6 9
1 2
12 5
0 4
1 0
2 2
7 7
7 7
10 9
9 8
6 7
1 5
1 4
0 6
12 1
8 0
7 4
2 8
8 3
1 7
10 9
8 3
2 3
2 9
14 6
6 1
6 4
7 9
5 2
10 0
13 8
4 3
7 4
11 8
5 9
11 0
11 5
11 9
10 1
3 3
4 9
6 9
4 6
9 8
5 2
6 8
4 5
12 3
10 2
13 9
12 7
3 4
4 9
12 1
8 6
9 0
11 0
5 3
10 3
4 5
13 8
2 3
1 5
9 2
12 4
3 7
8 3
14 4
12 3
5 8
1 1
14 0
14 2
2 6
2 1
6 3
8 9
12 9
8 0
7 7
5 5
5 9
1 7
10 0
14 1
6 3
5 2
9 8
9 9
13 0
13 1
5 5
5 2
11 8
12 0

Page 11
11 7
6 9
0 2
1 5
4 3
4 5
5 0
7 6
12 3
2 5
6 7
6 9
10 3
13 6
7 0
8 1
10 7
13 8
7 4
0 9
11 3
13 3
2 3
2 8
11 8
4 0
14 2
4 3
4 0
14 4
11 7
10 6
3 1
9 6
10 4
7 3
1 9
3 0
14 0
14 2
8 3
12 9
6 4
13 7
3 5
9 7
4 4
3 8
14 2
13 7
8 5
14 9
12 5
10 6
6 8

Di bawah ini merupakan langkah-langkah untuk memperoleh tabel analisis
variansi dari data di atas.
Dengan menggunakan Fungsi
1. Buka program R
dengan nama anovaoneway.txt. Panggil fungsi tersebut sebagai sumber
dengan cara :
> source("F:\\anovaoneway.txt")
telah dipanggil.
1. Buka program R
3. Attach data2
> attach(data2)

Page 12
4. Buat matriks baru 1 kolom misal dengan nama y, yang isinya adalah nilai dari
tv dan radio.
> y <- c(tv,radio)
5. Buat matriks baru 1 kolom misal dengan nama x, yang isinya adalah
pengulangan dari 1 sampai 2 sebanyak masing-masing 150 kali.
> x <- factor(replicate(1:2,c(150,150)))
> anova(lm(y~x))
Atau
> summary(aov(y~x)
> plot(x,y,name=c(tv","radio"))

c) Data 3
Pada data 3 di bawah ini tampilan awalnya berbeda dengan dua data sebelumnya.
Disini nama-nama supermarket merupakan level dari faktor. Untuk memperoleh
tabel anova dari data dibawah ini, digunakan function yang berbeda dari function
sebelumnya. Function tersebut dapat dilihat pada tabel 10.7.

Tabel 10.6 Data 3
Supermar Amspent
Asda 42,1302
Asda 43,05123
Tesco 63,8965
Tesco 66,91282
Asda 67,01516
Kwiksave 25,91207
Asda 52,40904
Tesco 64,08928
Asda 60,44349
Kwiksave 37,97694
Kwiksave 37,31532
Waitrose 71,84686
Asda 53,65107
Asda 44,01031
Asda 40,57009
Tesco 58,48921
Safeway 45,16349
Safeway 54,84409
Safeway 47,22039
Tesco 65,8031
Asda 53,17317
Kwiksave 38,99558
Kwiksave 27,5173
Asda 44,88742
Kwiksave 36,40889
Kwiksave 30,51859
Safeway 49,11407
Waitrose 69,29681
Tesco 63,97496
Tesco 69,98118
Asda 69,80961
Asda 40,04607
Tesco 69,48182
Tesco 61,44649
Asda 56,41327
Kwiksave 36,55056
Asda 64,25884
Tesco 72,96259
Asda 49,26932
Kwiksave 26,00712
Kwiksave 29,5339
Waitrose 75,36642
Asda 49,36901
Asda 54,88358
Asda 47,30117
Tesco 58,16718
Safeway 59,08219
Safeway 47,7118
Safeway 63,72818
Tesco 59,38184

Page 13
Asda 51,97626
Kwiksave 38,66207
Kwiksave 27,6218
Asda 65,29168
Kwiksave 39,43699
Kwiksave 37,94488
Safeway 60,40076
Waitrose 65,99908
Tesco 68,86106
Tesco 73,61945
Asda 65,58808
Asda 62,13094
Tesco 64,17191
Tesco 69,47803
Asda 40,99473
Kwiksave 32,49922
Asda 66,2835
Tesco 63,55667
Asda 49,81357
Kwiksave 27,5563
Kwiksave 26,07674
Waitrose 69,90544
Asda 65,56395
Asda 57,81781
Asda 59,24424
Tesco 62,17287
Safeway 59,97888
Safeway 64,822
Safeway 49,75782
Tesco 74,93538
Asda 56,15979
Kwiksave 28,13973
Kwiksave 29,76683
Asda 50,82722
Kwiksave 31,95515
Kwiksave 33,24647
Safeway 50,08731
Waitrose 74,60459
Tesco 69,87107
Tesco 58,36557
Asda 65,77452
Asda 51,58385
Tesco 55,21622
Tesco 70,86916
Asda 54,89657
Kwiksave 37,89928
Asda 40,80105
Tesco 64,15751
Asda 65,68339
Kwiksave 26,65958
Kwiksave 27,49051
Waitrose 65,25074
Asda 62,10758
Asda 57,09884
Asda 69,03147
Tesco 57,58474
Safeway 51,34814
Safeway 49,77855
Safeway 55,81498
Tesco 70,76885
Asda 59,7343
Kwiksave 34,35419
Kwiksave 31,04778
Asda 45,33121
Kwiksave 34,65711
Kwiksave 33,81815
Safeway 52,60344
Waitrose 69,03979
Tesco 72,63557
Tesco 70,50867
Asda 46,4639
Asda 49,6246
Tesco 58,31546
Tesco 69,98845
Asda 44,74632
Kwiksave 32,95833
Asda 52,87075
Tesco 65,05396
Asda 57,10135
Kwiksave 37,56312
Kwiksave 37,35664
Waitrose 67,03424
Asda 42,94166
Asda 48,83644
Asda 50,44935
Tesco 73,26153
Safeway 56,92061
Safeway 46,30178
Safeway 49,74027
Tesco 66,02949
Asda 68,77933
Kwiksave 32,05341
Kwiksave 26,96014
Asda 62,71385
Kwiksave 31,3563
Kwiksave 38,77101
Safeway 54,42422
Waitrose 72,12903
Tesco 62,66417
Tesco 64,78759

Tabel 10.7 Function Anova untuk Data 3
No Function Algoritma
1.

anova1<-function(data)
{

# Identifikasi function dengan
data adalah data yang akan
dilakukan analisis variansi satu

Page 14

2.

3.

4.

5.

6.

7.

8.

9.

10.

11.

x <- data$supermar

y <- data$amspent

xbaru<-c(length(x))

n <- length(y)

for(i in 1:n)
{
ifelse(x[i]=="Asda",list(xbaru[i]<-
1),ifelse(x[i]=="Tesco",list(xbaru[
i]<-
2),ifelse(x[i]=="Kwiksave",list(xb
aru[i]<-
3),ifelse(x[i]=="Safeway",list(xba
ru[i]<-4),list(xbaru[i]<-5)))))
}

s <- sum(y)

a <- which(xbaru==1)

n1 <- length(a)

ss1 <- sum((y[a])^2)
arah
# Mengekstrak data supermar
dari data dengan nama x
# Mengekstrak data amspent dari
data dengan nama y
# Mendefinisikan xbaru sebagai
ko-lom yang yang ukurannya
sama dengan x
# Menghitung ukuran dari y
dengan nama n
# Proses pengulangan dari 1
sampai n
# Jika x pada kolom ke-i adalah
Asda maka xbaru pada kolom
ke-i adalah 1. Jika x pada kolom
ke-i adalah Tesco maka xbaru
pada kolom ke-i adalah 2. Jika x
pada kolom ke-i adalah
Kwiksave maka xbaru pada
kolom ke-i adalah 3. Jika x pada
kolom ke-i adalah Safeway
maka xbaru pada kolom ke-i
adalah 4. Selain itu maka xbaru
pada kolom ke-i adalah 5.
# Menjumlahkan semua data y
dengan nama s
# Mendefinisikan a dimana
xbaru=1
# Menghitung ukuran a dengan
nama n1
# Menghitung jumlah kuadrat

Page 15

12.

13.

14.

15.

16.

17.

18.

19.

20.

21.

22.

23.

24.

25.

26.

s1 <- sum(y[a])

b <- which(xbaru==2)

n2 <- length(b)

ss2 <- sum((y[b])^2)

s2 <- sum(y[b])

c <- which(xbaru==3)

n3 <- length(c)

ss3 <- sum((y[c])^2)

s3 <- sum(y[c])

d <- which(xbaru==4)

n4 <- length(d)

ss4 <- sum((y[d])^2)

s4 <- sum(y[d])

e <- which(xbaru==5)

n5 <- length(e)

dari data y dimana xbaru=1
# Menghitung jumlah dari data y
dimana xbaru=1
# Mendefinisikan b dimana
xbaru=2
# Menghitung ukuran b dengan
nama n2
dimana xbaru=2
# Mendefinisikan c dimana
xbaru=3
# Menghitung ukuran c dengan
nama n3
dimana xbaru=3
# Mendefinisikan d dimana
xbaru=4
# Menghitung ukuran d dengan
nama n4
dimana xbaru=4
# Mendefinisikan e dimana
xbaru=5
# Menghitung ukuran e dengan
nama n5

Page 16
27.

28.

29.

30

31.
32.
33.
34.
35.
36.
37.
38.
39.

40.

41.

42.

43.

44.
ss5 <- sum((y[e])^2)

s5 <- sum(y[e])

SST <- ss1+ss2+ss3+ss4+ss5-
((s^2)/n)
SSF <-
((s1^2)/n1)+((s2^2)/n2)+((s3^2
)/n3)+((s4^2)/n4)+((s5^2)/n5)-
((s^2)/n)
SSE <- SST-SSF
dff <- 4
dfe <- (n-1)-dff
dft <- n-1
MSF <- SSF/dff
MSE <- SSE/dfe
f <- MSF/MSE
S <- sqrt(MSE)
RSq <- (1-SSE/SST)*100

RSqA <- (1-MSE/(SST/dft))

cat ("\n One-way ANOVA:
amspent versus supermar \n")
cat ("\n df SS
MS F \n")
cat ("Factor ",dff,"
",SSF," ",MSF," ",f,"
\n")

cat ("Eror ",dfe," ",SSE,"
dimana xbaru=5
# Menghitung nilai sum squares
total
# Menghitung nilai sum squares
factor

# Menghitung sum squares error
# Menghitung derajat bebas faktor
# Menghitung derajat bebas error
# Menghitung derajat bebas total
# Menghitung mean squares faktor
# Menghitung mean squares error
# Menghitung nilai f hitung
# Menghitung estimasi variansi
# Menghitung koefisien determi-
nasi
# Menghitung jumlah faktor pada
model
# Menuliskan One-way ANOVA:
amspent versus supermar
# Menuliskan kepala dari tabel
ana-lisis variansi satu arah
# Menuliskan Faktor serta nilai
de-rajat bebas, sum squares,
mean squares dan f hitung dari
faktor
# Menuliskan Error serta nilai

Page 17

45.

46.

47.

",MSE,"\n")

cat ("Total ",dft," ",SST,"
","\n")

cat ("S=",S," R-Sq(%)=",RSq,"
R-Sq(adj)(%)=",RSqA," \n")
boxplot(y~x)
}
derajat bebas, sum squares, mean
squares dari error
# Menuliskan Total serta nilai
derajat bebas dan sum squares
total
# Menuliskan S,R-Sq(%) dan
R-Sq(adj)(%) beserta nilainya
# Membuat boxplot dari data

1. Buka program R
dengan nama anova1.txt. Panggil fungsi tersebut sebagai sumber dengan
cara :
> source("F:\\anova1.txt")
telah dipanggil.
> anova1(data3)
1. Buka program R
> anova(lm(y~x))
Atau
> summary(aov(y~x)
> plot(x,y)

Page 18

10.5 Interpretasi
Berikut ini merupakan hasil yang diperoleh dengan menggunakan program R di
atas
a) Data 1
Perumusan Hipotesis :
H
0
:
1
=
2
=
3
= =
k

H
1

Dengan menggunakan Function
One-way ANOVA

df SS MS F
Factor 2 4848.836 2424.418 84.22057
Eror 447 12867.58 28.78653
Total 449 17716.41
S= 5.365308 R-Sq(%)= 27.36917 R-Sq(adj)(%)= 0.270442
Dari tabel ANOVA satu arah diatas,

Page 19

> summary(aov(y~x))
Df Sum Sq Mean Sq F value Pr(>F)
x 2 4848.8 2424.42 84.22 < 2.2e-16 ***
Residuals 447 12867.6 28.79
---
Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
> anova(lm(y~x))
Analysis of Variance Table

Response: y
x 2 4848.8 2424.42 84.22 < 2.2e-16 ***
Residuals 447 12867.6 28.79
---
Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1


Page 20

Uji F adalah suatu uji yang dilakukan untuk mengetahui bahwa rata-rata mean
sama atau tidak (uji kesamaan rata-rata). Berdasarkan output diatas dapat
diketahui bahwa nilai F sebesar 84.22057 yang diperoleh dari pembagian MS
faktor dengan MS error. Nilai F hitung ini digunakan dalam penentuan keputusan.
Dengan membandingkan antara nilai F
, k - 1, N k
dengan nilai F hitung maka
dapat diketahui hasil keputusannya. Diketahui nilai F
0.05, 2, 447
= 3,00 (dilihat pada
tabel statistika) sedangkan nilai F
hitung
= 84.22057 , maka F
hitung
> F
tabel
sehingga
disimpulkan bahwa ada perbedaan rata-rata antara Meat, Fish dan Vegetable.
Dari tabel ANOVA di atas, selain nilai F juga dapat diketahui nilai SS, MS dan df.
Nilai MSE merupakan nilai varian dari error.
Pada Boxplot, garis mendatar teratas (Q3) menunjukkan bahwa 75% data
kurang dari atau sama dengan suatu nilai yang ditunjuk. Garis mendatar terbawah
(Q1) menunjukkan bahwa 25% data adalah kurang dari atau sama dengan nilai
tertentu. Sedangkan garis yang berada di antara garis mendatar teratas dan
terbawah adalah median yaitu 50 % data kurang dari atau sama dengan suatu nilai.
Pada Boxplot Meat di atas, dapat dilihat bahwa nilai mediannya adalah 5, Q3
bernilai 12 dan Q1 bernilai 2,5. Sedangkan pada Boxplot Fish, nilai mediannya

Page 21
adalah 2, Q3 bernilai 4, Q1 bernilai 1 dan terdapat beberapa data yang outlier. Dan
untuk Boxplot Vegetable, nilai mediannya adalah 8,5 , Q3 bernilai 16 dan Q1
bernilai 5.

b) Data 2
H
0
:
1
=
2
=
3
= =
k

H
1

One-way ANOVA

df SS MS F
Factor 1 571.32 571.32 43.74054
Eror 298 3892.347 13.06157
Total 299 4463.667
S= 3.614079 R-Sq(%)= 12.79934 R-Sq(adj)(%)= 0.1250672


Page 22

> summary(aov(y~x))
x 1 571.3 571.32 43.740 1.734e-10 ***
Residuals 298 3892.3 13.06
---
Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
> anova(lm(y~x))

Response: y
x 1 571.3 571.32 43.740 1.734e-10 ***
Residuals 298 3892.3 13.06
---
Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1


Page 23

Berdasarkan output diatas dapat diketahui bahwa nilai F sebesar 43.740 yang
diperoleh dari pembagian MS faktor dengan MS error. Nilai F hitung ini
digunakan dalam penentuan keputusan. Dengan membandingkan antara nilai F
, k -
1, N k
dengan nilai F hitung maka dapat diketahui hasil keputusannya. Diketahui
nilai F
0.05, 2, 447
= 3,00 (dilihat pada tabel statistika) sedangkan nilai F
hitung
= 43.740
, maka F
hitung
> F
tabel
sehingga disimpulkan bahwa ada perbedaan rata-rata antara
TV dan Radio.
Pada Boxplot 1 di atas, dapat dilihat bahwa nilai mediannya adalah 7, Q3
bernilai 11 dan Q1 bernilai 4. Sedangkan pada Boxplot 2, nilai mediannya adalah
4, Q3 bernilai 7,dan Q1 bernilai 2.

c) Data 3
H
0
:
1
=
2
=
3
= =
k

H
1


Page 24
> anova1(data3)
One-way ANOVA: amspent versus supermar

df SS MS F
Factor 4 23205 5801.25 134.5515
Eror 145 6251.74 43.11545
Total 149 29456.74
S= 6.566235 R-Sq(%)= 78.77654 R-Sq(adj)(%)= 0.7819106

> anova(lm(y~x))

Response: y
x 4 23205.0 5801.2 134.55 < 2.2e-16 ***
Residuals 145 6251.7 43.1
---

Page 25
Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
> summary(aov(y~x))
x 4 23205.0 5801.2 134.55 < 2.2e-16 ***
Residuals 145 6251.7 43.1
---
Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1

Berdasarkan output diatas dapat diketahui bahwa nilai F sebesar 134.55 yang
diperoleh dari pembagian MS faktor dengan MS error. Nilai F hitung ini
digunakan dalam penentuan keputusan. Dengan membandingkan antara nilai F
, k -
1, N k
dengan nilai F hitung maka dapat diketahui hasil keputusannya. Diketahui
nilai F
0.05, 2, 447
= 3,00 (dilihat pada tabel statistika) sedangkan nilai F
hitung
= 134.55
, maka F
hitung
> F
tabel
sehingga disimpulkan bahwa ada perbedaan rata-rata antara
Asda, Kwiksave, Safeway, Tesco, Waitrose.
Pada Boxplot Asda di atas, dapat dilihat bahwa nilai mediannya adalah 63,
Q3 bernilai 54 dan Q1 bernilai 47. Sedangkan pada Boxplot Kwiksave, nilai
mediannya adalah 33, Q3 bernilai 38, dan Q1 bernilai 28. Pada Boxplot Safeway,

Page 26
nilai mediannya adalah 52, Q3 bernilai 58, dan Q1 bernilai 50. pada Boxplot
Tesco, nilai mediannya adalah 65, Q3 bernilai 70, dan Q1 bernilai 63. Dan untuk
Boxplot Waitrose, nilai mediannya adalah 70 , Q3 bernilai 72 dan Q1 bernilai 68.

ANALISIS VARIANSI SATU ARAH DATA 1

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

ANALISIS VARIANSI SATU ARAH DATA 1

Uploaded by

Copyright:

Available Formats

ANALISIS VARIANSI

= pengamatan ke-j dari populasi ke-i

= total semua pengamatan dalam

= total semua nk pengamatan

You might also like