🎥 Playlist Kuliah: ANOVA & Design of Experiments
Playlist ini berisi rekaman kuliah lengkap — dari konsep experimental design, one-way ANOVA, two-way ANOVA, sampai interaction effect. Tonton berurutan dari atas sebagai “rekaman kuliah” dari materi yang kita baca bersama.
🤔 Bagian 1: Mengapa Butuh ANOVA? — Masalah Multiple Comparisons
🤔 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 (α = 0,05). Kalau Anda lakukan 6 uji, peluang setidaknya satu Type I error:
1 − (1 − 0,05)⁶ = 1 − 0,735 = 26,5%
Artinya: 1 dari 4 kemungkinan, Anda akan menyimpulkan “ada perbedaan” padahal sebenarnya tidak! Ini sangat berbahaya untuk pengambilan keputusan bisnis.
🎯 Solusi: ANOVA
ANOVA (Analysis of Variance) = satu uji statistik untuk membandingkan mean dari 3 atau lebih kelompok secara simultan.
- Hanya 1 kali uji → 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 — langsung ketahuan apakah ada perbedaan kualitas. Kalau ada, baru lihat siapa juaranya (post-hoc test).
📊 Hipotesis ANOVA
Untuk k kelompok:
- H₀: μ₁ = μ₂ = … = μₖ (semua mean sama)
- H₁: Setidaknya satu mean berbeda
- H₀: μJakarta = μSurabaya = μMedan = μMakassar
- H₁: Setidaknya satu kota punya mean omzet berbeda
ANOVA dipakai kalau Anda punya:
- 1 variabel independen kategorikal dengan ≥ 3 level (misal: kota dengan 4 kategori)
- 1 variabel dependen kontinu (misal: omzet)
- Ingin tahu apakah mean variabel dependen berbeda antar level
📊 Bagian 2: One-Way ANOVA — Satu Faktor, Banyak Level
🤔 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
📊 Logika ANOVA: Between vs Within Variance
ANOVA bekerja dengan membandingkan dua sumber variasi:
Variasi antar kelompok — seberapa jauh mean tiap kelompok dari mean keseluruhan.
Kalau besar: kelompok-kelompok itu memang berbeda.
Variasi di dalam kelompok — 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.
📊 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
📊 ANOVA Table (Ringkasan Hasil)
| Sumber | SS | df | MS | F | p-value |
|---|---|---|---|---|---|
| Between | SSB | k−1 | MSB=SSB/dfB | MSB/MSW | … |
| Within | SSW | N−k | MSW=SSW/dfW | ||
| Total | SST | N−1 |
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
| Sumber | SS | df | MS | F | p-value |
|---|---|---|---|---|---|
| Between | 63,33 | 2 | 31,67 | 21,00 | 0,0001 |
| Within | 18,00 | 12 | 1,50 | ||
| Total | 81,33 | 14 |
- F = 21,00
- p-value = 0,0001 < 0,05 → Tolak H₀
ANOVA hanya menjawab “apakah ada perbedaan?” — bukan “kelompok mana yang berbeda?”. Untuk identifikasi pasangan yang berbeda, Anda perlu post-hoc test (akan dibahas di Bagian 5).
🔀 Bagian 3: Two-Way ANOVA — Dua Faktor & Interaction Effect
🤔 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 × 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 × B)
🎯 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
- Diskon 50% meningkatkan pembelian sama besarnya untuk pria DAN wanita
- Grafik garis pria dan wanita sejajar
- 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” — tergantung gender!
- “Pupuk B terbaik” — tergantung frekuensi penyiraman!
📊 ANOVA Table untuk Two-Way
| Sumber | SS | df | MS | F | p |
|---|---|---|---|---|---|
| Faktor A | SSA | a−1 | MSA | MSA/MSW | … |
| Faktor B | SSB | b−1 | MSB | MSB/MSW | … |
| Interaction | SSAB | (a−1)(b−1) | MSAB | MSAB/MSW | … |
| Within | SSW | N−ab | MSW | ||
| Total | SST | N−1 |
Dimana:
- a: jumlah level faktor A
- b: jumlah level faktor B
- N: total observasi
🎯 Cara Interpretasi Hasil Two-Way ANOVA
Ikuti urutan ini:
- Cek interaction dulu! Kalau interaction signifikan → efek faktor A bergantung pada level B (dan sebaliknya). Fokus pada interaction.
- Jika interaction tidak signifikan → 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” — tapi tunggu, apakah untuk semua frekuensi penyiraman? Kalau ada interaction, mungkin Pupuk B terbaik hanya untuk penyiraman 2x/hari, tapi terburuk untuk 1x/hari!
🔍 Bagian 4: Asumsi ANOVA & Cara Mengeceknya
🤔 Mengapa Asumsi Penting?
Seperti semua uji parametrik, ANOVA punya asumsi. Kalau asumsi dilanggar, hasil F-test bisa tidak valid.
📊 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 | Transformasi data atau Kruskal-Wallis |
| 3. Homogeneity of variance | Varians semua kelompok sama | Levene’s test | Welch’s ANOVA atau transformasi |
🔍 Detail Tiap Asumsi
1. Independence
Observasi dalam satu kelompok tidak boleh memengaruhi observasi lain. Ini dijaga lewat desain riset (random sampling, random assignment).
- ✅ Contoh baik: 30 UMKM dipilih acak dari 3 kota, masing-masing independen.
- ❌ Contoh buruk: 10 UMKM dalam satu ruko — mereka mungkin saling memengaruhi (misal: ikut-ikutan promo).
2. Normalitas
Data di dalam tiap kelompok seharusnya berdistribusi Normal.
- Shapiro-Wilk test: H₀: data Normal. Kalau p > 0,05 → Normal.
- Q-Q plot: Titik-titik mengikuti garis diagonal → Normal.
- Visual: Histogram tiap kelompok berbentuk lonceng.
3. Homogeneity of Variance (Homoskedastisitas)
Varians semua kelompok seharusnya sama.
- Levene’s test: H₀: varians semua kelompok sama. Kalau p > 0,05 → varians sama.
- Jika p ≤ 0,05 → varians berbeda → pakai Welch’s ANOVA.
🎯 Solusi Jika Asumsi Dilanggar
| Masalah | Solusi |
|---|---|
| Normalitas dilanggar (n kecil) | Transformasi data (log, sqrt) atau Kruskal-Wallis test (non-parametrik) |
| Homogeneity dilanggar | Welch’s ANOVA (tidak asumsikan varians sama) |
| Independence dilanggar | Redesign studi, atau pakai repeated measures ANOVA |
“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.
Untuk memahami asumsi ANOVA lebih dalam dengan contoh visual, baca NIST Engineering Statistics Handbook – ANOVA Assumptions.
🔎 Bagian 5: Post-Hoc Tests — “Kelompok Mana yang Berbeda?”
🤔 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) — ANOVA signifikan. Tapi apakah:
- Jakarta ≠ yang lain?
- Medan ≠ Makassar?
- Semua saling berbeda?
🎯 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.
📊 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, α 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 | ✅ Signifikan |
| Jakarta vs Medan | 5,0 | 0,001 | ✅ Signifikan |
| Jakarta vs Makassar | 1,5 | 0,25 | ❌ Tidak signifikan |
| Surabaya vs Medan | 2,0 | 0,10 | ❌ Tidak signifikan |
| Surabaya vs Makassar | 1,5 | 0,25 | ❌ Tidak signifikan |
| Medan vs Makassar | 3,5 | 0,01 | ✅ 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 → Compare Means → One-Way ANOVA → Post Hoc → pilih Tukey
- R:
TukeyHSD(model_anova) - Python:
from statsmodels.stats.multicomp import pairwise_tukeyhsd
Untuk memahami perbedaan metode post-hoc (Tukey vs Bonferroni vs Scheffe) lebih detail, baca Wikipedia: Post Hoc Analysis.
📊 Jalankan ANOVA dengan Output ala SPSS
Sudah paham teori ANOVA? Sekarang praktikkan langsung! Masukkan data mentah Anda (3+ kelompok) ke Kalkulator Statistik SPSS-Style, dan dapatkan output lengkap: ANOVA table, F-statistic, p-value, dan post-hoc test (Tukey) — persis seperti output SPSS, tapi berjalan 100% di browser Anda.
📊 Buka Kalkulator ANOVA →🚨 Bagian 6: 7 Kesalahan Fatal Peneliti Pemula dalam ANOVA
🚨 Mengapa Section Ini Penting?
ANOVA adalah uji yang sangat sering dipakai dalam riset bisnis dan eksperimen — tapi juga sangat sering disalahgunakan. Berikut 7 kesalahan yang harus Anda hindari:
❌ Kesalahan #1: Pakai Multiple t-test, Bukan ANOVA
Yang salah: 4 kelompok → 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.
❌ 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.
❌ 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.
❌ 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.
❌ 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 (η²): proporsi variasi yang dijelaskan faktor
- Partial eta-squared (ηp²): untuk two-way ANOVA
- Interpretasi: 0,01 = kecil, 0,06 = sedang, 0,14 = besar
❌ 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.
❌ 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:
- ☑️ Sudah pakai ANOVA (bukan multiple t-test)?
- ☑️ Sudah cek asumsi (normalitas, homogeneity)?
- ☑️ Kalau ANOVA signifikan, sudah post-hoc test?
- ☑️ Kalau two-way, sudah cek interaction SEBELUM main effect?
- ☑️ Sudah laporkan effect size (η²)?
- ☑️ Sample size cukup dan seimbang?
✅ Bagian 7: Ringkasan & Checklist Praktis Sesi 10
🗺️ Peta Konsep Sesi 10
| Jenis ANOVA | Faktor | Kapan Dipakai | Output Utama |
|---|---|---|---|
| One-Way ANOVA | 1 faktor (≥ 3 level) | Bandingkan mean antar kelompok | F-statistic, p-value |
| Two-Way ANOVA | 2 faktor (masing-masing ≥ 2 level) | Lihat efek 2 faktor + interaction | F untuk A, B, A×B |
| Factorial ANOVA | 3+ faktor | Desain eksperimen kompleks | F untuk tiap faktor + interaksi |
| Repeated Measures ANOVA | 1 faktor, pengukuran berulang | Before-after dengan ≥ 3 waktu | F untuk waktu |
📋 Checklist 8 Langkah ANOVA
- ☑️ Sudah tentukan jenis ANOVA (one-way, two-way, factorial)?
- ☑️ Sudah nyatakan H₀ dan H₁ dengan benar?
- ☑️ Sudah cek asumsi: independence (desain), normalitas (Shapiro-Wilk), homogeneity (Levene’s)?
- ☑️ Sudah hitung F-statistic dan p-value?
- ☑️ Sudah buat keputusan (tolak/gagal tolak H₀)?
- ☑️ Kalau signifikan, sudah post-hoc test (Tukey, Bonferroni)?
- ☑️ Kalau two-way, sudah cek interaction SEBELUM main effect?
- ☑️ Sudah laporkan effect size (η²) dan interpretasi bisnis?
🎯 Formula Sheet Ringkas
F = MSB / MSW = (SSB/dfB) / (SSW/dfW)
SST = SSB + SSW
dfB = k − 1, dfW = N − k
η² = 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.
📚 Persiapan Sesi Berikutnya
Di sesi berikutnya, kita akan masuk ke Non-Parametric Tests — alternatif ANOVA ketika asumsi normalitas atau homogeneity of variance dilanggar. Pastikan Anda sudah paham ANOVA di sesi ini sebelum lanjut!
Lihat Learning Path: Design & Analysis of Experiments — materi lengkap tentang experimental design, factorial design, dan advanced ANOVA.