π₯ Video Kuliah: ANOVA (Segera Ditambahkan)
Video untuk sesi ini sedang disiapkan. Sementara itu, silakan baca materi di bawah yang sudah lengkap dengan analogi dan contoh kasus.
Video akan mencakup: konsep experimental design, one-way ANOVA, two-way ANOVA, dan interaction effect.
π€ Bagian 1: Mengapa Butuh ANOVA? β Masalah Multiple Comparisons
π€ Masalah: Membandingkan Banyak Kelompok
Bayangkan Anda ingin membandingkan rata-rata omzet UMKM di 4 kota: Jakarta, Surabaya, Medan, Makassar.
Solusi “naif”: lakukan t-test untuk setiap pasangan:
- Jakarta vs Surabaya
- Jakarta vs Medan
- Jakarta vs Makassar
- Surabaya vs Medan
- Surabaya vs Makassar
- Medan vs Makassar
Total: 6 kali uji t-test!
Setiap uji t-test punya peluang 5% Type I error (Ξ± = 0,05). Kalau Anda lakukan 6 uji, peluang setidaknya satu Type I error:
π― Solusi: ANOVA
ANOVA (Analysis of Variance) = satu uji statistik untuk membandingkan mean dari 3 atau lebih kelompok secara simultan.
- Hanya 1 kali uji β Type I error tetap 5%
- Menguji: “Apakah setidaknya ada satu kelompok yang berbeda?”
- Jika signifikan, baru lakukan post-hoc test untuk identifikasi pasangan mana yang berbeda
Bayangkan 4 tim ingin dicari juaranya.
- Cara “naif” (multiple t-test): Setiap tim main lawan semua tim lain (6 pertandingan). Lama, boros, dan wasit bisa “capek” (Type I error naik).
- Cara ANOVA: Satu pertandingan final bersama β langsung ketahuan apakah ada perbedaan kualitas. Kalau ada, baru lihat siapa juaranya (post-hoc test).
π Hipotesis ANOVA
Untuk k kelompok:
- Hβ: ΞΌβ = ΞΌβ = … = ΞΌβ (semua mean sama)
- Hβ: Setidaknya satu mean berbeda
- Hβ: ΞΌJakarta = ΞΌSurabaya = ΞΌMedan = ΞΌMakassar
- Hβ: Setidaknya satu kota punya mean omzet berbeda
ANOVA dipakai kalau Anda punya:
- 1 variabel independen kategorikal dengan β₯ 3 level (misal: kota dengan 4 kategori)
- 1 variabel dependen kontinu (misal: omzet)
- Ingin tahu apakah mean variabel dependen berbeda antar level
π Bagian 2: One-Way ANOVA β Satu Faktor, Banyak Level
π€ Apa Itu “One-Way”?
One-way ANOVA = ANOVA dengan satu faktor (variabel independen) yang memiliki 2 atau lebih level.
- Faktor: Variabel kategorikal yang ingin diuji pengaruhnya (misal: kota)
- Level: Kategori dalam faktor (misal: Jakarta, Surabaya, Medan, Makassar)
Seorang petani ingin tahu apakah jenis pupuk memengaruhi hasil panen padi.
- Faktor: Jenis pupuk
- Level: Pupuk A, Pupuk B, Pupuk C, Pupuk D (4 level)
- Variabel dependen: Ton hasil panen per hektar
π Logika ANOVA: Between vs Within Variance
ANOVA bekerja dengan membandingkan dua sumber variasi:
π Between-Group Variance
Variasi antar kelompok β seberapa jauh mean tiap kelompok dari mean keseluruhan.
Kalau besar: kelompok-kelompok itu memang berbeda.
π Within-Group Variance
Variasi di dalam kelompok β seberapa jauh individu dalam satu kelompok dari mean kelompoknya.
Kalau besar: individu dalam kelompok sangat bervariasi (noise).
“Kalau variasi antar kelompok JAUH lebih besar daripada variasi dalam kelompok, berarti kelompok-kelompok itu memang berbeda (bukan cuma noise).”
Rasio inilah yang disebut F-statistic.
π Rumus F-Statistic
Dimana:
- MSB (Mean Square Between) = variasi antar kelompok
- MSW (Mean Square Within) = variasi dalam kelompok
Dekomposisi Variasi (Sum of Squares)
- SST: Total variasi semua data dari grand mean
- SSB: Variasi mean kelompok dari grand mean
- SSW: Variasi individu dalam kelompok dari mean kelompoknya
π ANOVA Table (Ringkasan Hasil)
βββββββββββββββββββββββββββββββββββββββββββββββββββββ
Between | SSB | kβ1 | MSB=SSB/dfB | MSB/MSW | …
Within | SSW | Nβk | MSW=SSW/dfW | |
βββββββββββββββββββββββββββββββββββββββββββββββββββββ
Total | SST | Nβ1 | | |
Dimana:
- k: jumlah kelompok
- N: total observasi
- MS = SS / df (Mean Square = Sum of Squares dibagi degrees of freedom)
Data omzet (juta Rp/bulan) dari 15 UMKM (5 per kota):
| Jakarta | Surabaya | Medan |
|---|---|---|
| 12 | 10 | 8 |
| 14 | 11 | 9 |
| 13 | 9 | 7 |
| 15 | 12 | 10 |
| 11 | 8 | 6 |
- Mean Jakarta = 13, Mean Surabaya = 10, Mean Medan = 8
- Grand mean = 10,33
βββββββββββββββββββββββββββββββββββββββββββ
Between | 63,33 | 2 | 31,67 | 21,00 | 0,0001
Within | 18,00 | 12 | 1,50 | |
βββββββββββββββββββββββββββββββββββββββββββ
Total | 81,33 | 14 | | |
- F = 21,00
- p-value = 0,0001 < 0,05 β Tolak Hβ
ANOVA hanya menjawab “apakah ada perbedaan?” β bukan “kelompok mana yang berbeda?”. Untuk identifikasi pasangan yang berbeda, Anda perlu post-hoc test (akan dibahas di Bagian 5).
π Bagian 3: Two-Way ANOVA β Dua Faktor & Interaction Effect
π€ Apa Itu “Two-Way”?
Two-way ANOVA = ANOVA dengan dua faktor (variabel independen) yang masing-masing memiliki 2 atau lebih level.
Two-way ANOVA menguji 3 efek sekaligus:
- Efek Faktor A (main effect A)
- Efek Faktor B (main effect B)
- Efek Interaksi A Γ B (interaction effect)
Petani tidak hanya ingin tahu pengaruh jenis pupuk, tapi juga pengaruh frekuensi penyiraman.
- Faktor A: Jenis pupuk (A, B, C, D)
- Faktor B: Frekuensi penyiraman (1x/hari, 2x/hari)
- Variabel dependen: Ton hasil panen
- Apakah jenis pupuk berpengaruh? (main effect A)
- Apakah frekuensi penyiraman berpengaruh? (main effect B)
- Apakah pengaruh pupuk bergantung pada frekuensi penyiraman? (interaction A Γ B)
π― Apa Itu Interaction Effect?
Interaction effect terjadi ketika pengaruh satu faktor bergantung pada level faktor lain.
Sebuah e-commerce ingin tahu pengaruh besaran diskon terhadap volume pembelian, dan apakah efeknya berbeda antara pria dan wanita.
- Faktor A: Besaran diskon (10%, 30%, 50%)
- Faktor B: Gender (pria, wanita)
- Variabel dependen: Volume pembelian
Skenario 1: TIDAK ada interaction
- Diskon 50% meningkatkan pembelian sama besarnya untuk pria DAN wanita
- Grafik garis pria dan wanita sejajar
Skenario 2: ADA interaction
- Diskon 50% meningkatkan pembelian wanita jauh lebih besar daripada pria
- Grafik garis pria dan wanita bersilangan atau tidak sejajar
Kalau ada interaction, Anda tidak bisa bicara tentang “efek utama” secara terpisah. Contoh:
- “Diskon meningkatkan pembelian” β tergantung gender!
- “Pupuk B terbaik” β tergantung frekuensi penyiraman!
π ANOVA Table untuk Two-Way
βββββββββββββββββββββββββββββββββββββββββββββββββ
Faktor A | SSA | aβ1 | MSA | MSA/MSW | …
Faktor B | SSB | bβ1 | MSB | MSB/MSW | …
Interaction | SSAB | (aβ1)(bβ1) | MSAB | MSAB/MSW | …
Within | SSW | Nβab | MSW | |
βββββββββββββββββββββββββββββββββββββββββββββββββ
Total | SST | Nβ1 | | |
Dimana:
- a: jumlah level faktor A
- b: jumlah level faktor B
- N: total observasi
π― Cara Interpretasi Hasil Two-Way ANOVA
Ikuti urutan ini:
- Cek interaction dulu! Kalau interaction signifikan β efek faktor A bergantung pada level B (dan sebaliknya). Fokus pada interaction.
- Jika interaction tidak signifikan β baru interpretasi main effect A dan B secara terpisah.
Langsung interpretasi main effect tanpa cek interaction. Kalau interaction signifikan, main effect bisa menyesatkan.
Contoh: “Pupuk B terbaik” β tapi tunggu, apakah untuk semua frekuensi penyiraman? Kalau ada interaction, mungkin Pupuk B terbaik hanya untuk penyiraman 2x/hari, tapi terburuk untuk 1x/hari!
π Bagian 4: Asumsi ANOVA & Cara Mengeceknya
π€ Mengapa Asumsi Penting?
Seperti semua uji parametrik, ANOVA punya asumsi. Kalau asumsi dilanggar, hasil F-test bisa tidak valid.
π 3 Asumsi Utama ANOVA
| Asumsi | Artinya | Cara Cek | Jika Dilanggar |
|---|---|---|---|
| 1. Independence | Observasi saling bebas | Desain riset (random sampling) | Hasil tidak valid, redesign studi |
| 2. Normalitas | Data tiap kelompok Normal | Shapiro-Wilk, Q-Q plot | |
| 3. Homogeneity of variance | Varians semua kelompok sama |
π Detail Tiap Asumsi
1. Independence
Observasi dalam satu kelompok tidak boleh memengaruhi observasi lain. Ini dijaga lewat desain riset (random sampling, random assignment).
β Contoh buruk: 10 UMKM dalam satu ruko β mereka mungkin saling memengaruhi (misal: ikut-ikutan promo).
2. Normalitas
Data di dalam tiap kelompok seharusnya berdistribusi Normal.
- Shapiro-Wilk test: Hβ: data Normal. Kalau p > 0,05 β Normal.
- Q-Q plot: Titik-titik mengikuti garis diagonal β Normal.
- Visual: Histogram tiap kelompok berbentuk lonceng.
3. Homogeneity of Variance (Homoskedastisitas)
Varians semua kelompok seharusnya sama.
- Levene’s test: Hβ: varians semua kelompok sama. Kalau p > 0,05 β varians sama.
- Jika p β€ 0,05 β varians berbeda β pakai Welch’s ANOVA.
π― Solusi Jika Asumsi Dilanggar
| Masalah | Solusi |
|---|---|
| Normalitas dilanggar (n kecil) | |
| Homogeneity dilanggar | |
| Independence dilanggar |
“Cek asumsi dulu, baru jalankan ANOVA.”
Luangkan 5 menit untuk cek asumsi. Kalau dilanggar, pilih metode yang tepat. Jangan paksakan ANOVA klasik kalau asumsinya tidak terpenuhi.
π Bagian 5: Post-Hoc Tests β “Kelompok Mana yang Berbeda?”
π€ Masalah Setelah ANOVA Signifikan
ANOVA hanya menjawab: “Apakah ada perbedaan?” Kalau signifikan, pertanyaan berikutnya: “Kelompok mana yang berbeda?”
Contoh: 4 kota (Jakarta, Surabaya, Medan, Makassar) β ANOVA signifikan. Tapi apakah:
- Jakarta β yang lain?
- Medan β Makassar?
- Semua saling berbeda?
π― Solusi: Post-Hoc Tests
Post-hoc test = uji lanjutan setelah ANOVA signifikan untuk identifikasi pasangan mana yang berbeda, dengan kontrol Type I error.
ANOVA = “Apakah ada perbedaan performa antar negara?” (Ya, ada!)
Post-hoc = “Negara mana yang emas, perak, perunggu?”
Tanpa post-hoc, kita cuma tahu “ada perbedaan” tapi tidak tahu siapa juaranya.
π Jenis-Jenis Post-Hoc Test
| Metode | Karakteristik | Kapan Dipakai |
|---|---|---|
| Tukey’s HSD | Paling populer, kontrol Type I error ketat | Semua pairwise comparisons, sample size sama/berbeda |
| Bonferroni | Sangat konservatif, Ξ± dibagi jumlah uji | Jumlah perbandingan sedikit, butuh kontrol ketat |
| Scheffe | Paling konservatif, bisa untuk complex comparisons | Sample size sangat berbeda, atau ada complex contrasts |
| Dunnett | Bandingkan semua kelompok dengan satu kontrol | Ada kelompok kontrol (misal: plasebo vs beberapa obat) |
ANOVA signifikan (p = 0,0001). Pakai Tukey’s HSD untuk identifikasi pasangan:
| Perbandingan | Selisih Mean | p-value | Kesimpulan |
|---|---|---|---|
| Jakarta vs Surabaya | 3,0 | 0,02 | β Signifikan |
| Jakarta vs Medan | 5,0 | 0,001 | β Signifikan |
| Jakarta vs Makassar | 1,5 | 0,25 | β Tidak signifikan |
| Surabaya vs Medan | 2,0 | 0,10 | β Tidak signifikan |
| Surabaya vs Makassar | 1,5 | 0,25 | β Tidak signifikan |
| Medan vs Makassar | 3,5 | 0,01 | β Signifikan |
- Jakarta signifikan berbeda dari Surabaya dan Medan (lebih tinggi)
- Medan signifikan berbeda dari Makassar (lebih rendah)
- Jakarta dan Makassar tidak berbeda signifikan
- Surabaya tidak berbeda signifikan dari yang lain
Setelah ANOVA signifikan, langsung lakukan multiple t-test tanpa koreksi. Ini akan meledakkan Type I error (masalah yang sama seperti di Bagian 1!).
Solusi: Selalu pakai post-hoc test yang mengontrol Type I error (Tukey, Bonferroni, dll).
Di Excel/SPSS/R:
- Excel: Tidak ada post-hoc built-in, pakai add-in atau hitung manual
- SPSS: Analyze β Compare Means β One-Way ANOVA β Post Hoc β pilih Tukey
- R:
TukeyHSD(model_anova) - Python:
from statsmodels.stats.multicomp import pairwise_tukeyhsd
π¨ Bagian 6: 7 Kesalahan Fatal Peneliti Pemula dalam ANOVA
π¨ Mengapa Section Ini Penting?
ANOVA adalah uji yang sangat sering dipakai dalam riset bisnis dan eksperimen β tapi juga sangat sering disalahgunakan. Berikut 7 kesalahan yang harus Anda hindari:
β Kesalahan #1: Pakai Multiple t-test, Bukan ANOVA
Yang salah: 4 kelompok β lakukan 6 kali t-test.
Akibat: Type I error meledak (26,5% untuk 6 uji!).
Solusi: Pakai ANOVA dulu. Kalau signifikan, baru post-hoc test.
β Kesalahan #2: ANOVA Signifikan, Langsung Klaim “Semua Berbeda”
Yang salah: “ANOVA signifikan, berarti semua kelompok saling berbeda.”
Mengapa salah: ANOVA hanya bilang “setidaknya satu berbeda”. Bisa jadi cuma 1 kelompok yang berbeda, yang lain sama.
Solusi: Lakukan post-hoc test untuk identifikasi pasangan mana yang berbeda.
β Kesalahan #3: Tidak Cek Asumsi
Yang salah: Langsung jalankan ANOVA tanpa cek normalitas dan homogeneity of variance.
Akibat: Kalau asumsi dilanggar, hasil F-test tidak valid.
Solusi: Cek Shapiro-Wilk dan Levene’s test dulu. Kalau dilanggar, pakai Welch’s ANOVA atau Kruskal-Wallis.
β Kesalahan #4: Two-Way ANOVA, Langsung Interpretasi Main Effect
Yang salah: Langsung baca main effect A dan B tanpa cek interaction.
Mengapa salah: Kalau interaction signifikan, main effect bisa menyesatkan.
Solusi: Cek interaction dulu. Kalau signifikan, fokus ke interaction. Kalau tidak, baru interpretasi main effect.
β Kesalahan #5: Tidak Report Effect Size
Yang salah: “F = 21, p = 0,0001.” (titik)
Akibat: Pembaca tidak tahu seberapa besar perbedaannya.
Solusi: Selalu laporkan effect size:
- Eta-squared (Ξ·Β²): proporsi variasi yang dijelaskan faktor
- Partial eta-squared (Ξ·pΒ²): untuk two-way ANOVA
- Interpretasi: 0,01 = kecil, 0,06 = sedang, 0,14 = besar
β Kesalahan #6: Sample Size Tidak Seimbang (Unbalanced Design)
Yang salah: Kelompok A = 30, B = 10, C = 5.
Akibat: ANOVA jadi kurang powerful, asumsi homogeneity lebih mudah dilanggar.
Solusi: Usahakan sample size seimbang antar kelompok. Kalau tidak bisa, pakai Welch’s ANOVA.
β Kesalahan #7: Salah Pilih One-Way vs Two-Way
Yang salah: Punya 2 faktor, tapi pakai one-way ANOVA (abaikan faktor kedua).
Akibat: Kehilangan informasi tentang interaction effect, dan mungkin bias.
Solusi: Kalau punya 2 faktor, pakai two-way ANOVA. Kalau lebih dari 2, pakai factorial ANOVA.
Sebelum submit riset, cek ulang:
- βοΈ Sudah pakai ANOVA (bukan multiple t-test)?
- βοΈ Sudah cek asumsi (normalitas, homogeneity)?
- βοΈ Kalau ANOVA signifikan, sudah post-hoc test?
- βοΈ Kalau two-way, sudah cek interaction dulu sebelum main effect?
- βοΈ Sudah laporkan effect size (Ξ·Β²)?
- βοΈ Sample size cukup dan seimbang?
β Bagian 7: Ringkasan & Checklist Praktis Sesi 10
πΊοΈ Peta Konsep Sesi 10
| Jenis ANOVA | Faktor | Kapan Dipakai | Output Utama |
|---|---|---|---|
| One-Way ANOVA | 1 faktor (β₯ 3 level) | Bandingkan mean antar kelompok | F-statistic, p-value |
| Two-Way ANOVA | 2 faktor (masing-masing β₯ 2 level) | Lihat efek 2 faktor + interaction | F untuk A, B, AΓB |
| Factorial ANOVA | 3+ faktor | Desain eksperimen kompleks | F untuk tiap faktor + interaksi |
| Repeated Measures ANOVA | 1 faktor, pengukuran berulang | Before-after dengan β₯ 3 waktu | F untuk waktu |
π Checklist 8 Langkah ANOVA
- βοΈ Sudah tentukan jenis ANOVA (one-way, two-way, factorial)?
- βοΈ Sudah nyatakan Hβ dan Hβ dengan benar?
- βοΈ Sudah cek asumsi: independence (desain), normalitas (Shapiro-Wilk), homogeneity (Levene’s)?
- βοΈ Sudah hitung F-statistic dan p-value?
- βοΈ Sudah buat keputusan (tolak/gagal tolak Hβ)?
- βοΈ Kalau signifikan, sudah post-hoc test (Tukey, Bonferroni)?
- βοΈ Kalau two-way, sudah cek interaction SEBELUM main effect?
- βοΈ Sudah laporkan effect size (Ξ·Β²) dan interpretasi bisnis?
π― Formula Sheet Ringkas
F = MSB / MSW = (SSB/dfB) / (SSW/dfW)
SST = SSB + SSW
dfB = k β 1, dfW = N β k
Ξ·Β² = SSB / SST
“ANOVA bukan cuma tentang ‘apakah ada perbedaan’, tapi ‘seberapa besar perbedaan itu’ dan ‘kelompok mana yang berbeda’.”
Selalu laporkan: (1) jenis ANOVA, (2) asumsi yang dicek, (3) F-statistic, (4) p-value, (5) effect size, (6) hasil post-hoc, (7) interpretasi bisnis.
π Persiapan Sesi Berikutnya
Di sesi berikutnya, kita akan masuk ke Non-Parametric Tests β alternatif ANOVA ketika asumsi normalitas atau homogeneity of variance dilanggar. Pastikan Anda sudah paham ANOVA di sesi ini sebelum lanjut!
π Ingin Pendalaman Lebih Lanjut?
Lihat Learning Path: Design & Analysis of Experiments β materi lengkap dari buku saya tentang experimental design, factorial design, dan advanced ANOVA.
Materi di bawah ini adalah versi deep-dive dari poin-poin yang sudah kita bahas di atas β mencakup output Excel/SPSS lengkap, bedah kasus, dan contoh tambahan. Silakan dibaca sebagai pelengkap.
β Gulir ke bawah untuk materi pelengkap β
Sesi 10 β Experimental Design & Analysis of Variance (ANOVA)
Learning Guide
Sesi ini membahas perancangan eksperimen dan analisis varians (ANOVA) sebagai metode untuk membandingkan rata-rata lebih dari dua populasi. ANOVA banyak digunakan dalam evaluasi strategi bisnis, pemasaran, operasi, dan pengendalian kualitas.
Learning Objectives
- Memahami konsep dasar experimental design
- Membedakan one-way dan two-way ANOVA
- Menerapkan one-way ANOVA untuk menguji perbedaan rata-rata
- Menganalisis two-way ANOVA dan efek interaksi
11.1 Basic Concepts of Experimental Design
Experimental design bertujuan untuk mengidentifikasi hubungan sebabβakibat dengan cara mengontrol variabel lain yang dapat memengaruhi hasil.
- Factor: variabel yang diuji (misalnya metode promosi)
- Level: variasi dari faktor (misalnya diskon 10%, 20%, 30%)
- Response variable: hasil yang diukur (misalnya penjualan)
Prinsip Utama:
Randomization, replication, dan control
11.2 One-Way vs Two-Way ANOVA
| Jenis | Jumlah Faktor | Contoh |
|---|---|---|
| One-Way ANOVA | 1 | Perbandingan penjualan 3 metode promosi |
| Two-Way ANOVA | 2 | Promosi Γ wilayah |
11.3 One-Way ANOVA
One-way ANOVA digunakan untuk menguji apakah terdapat perbedaan rata-rata yang signifikan di antara beberapa kelompok.
Hipotesis:
H0: ΞΌ1 = ΞΌ2 = ΞΌ3
H1: Setidaknya satu mean berbeda
Praktik Excel
Gunakan menu: Data β Data Analysis β ANOVA: Single Factor
11.4 Two-Way ANOVA & Interaction Effect
Two-way ANOVA digunakan untuk menganalisis:
- Pengaruh faktor pertama
- Pengaruh faktor kedua
- Efek interaksi antar faktor
Makna Interaction Effect:
Efektivitas suatu faktor bergantung pada level faktor lainnya.
Praktik Excel
Gunakan: Data β Data Analysis β ANOVA: Two-Factor With Replication
Sumber: Levine et al. (2017), Chapter 11