ANOVA Dua Arah (Two-Way ANOVA)

Anda menguji nilai mahasiswa dari dua cara mengajar: ceramah dan diskusi. Rata-rata, kelas diskusi memang sedikit lebih unggul. Tetapi seorang rekan bertanya: apakah keunggulan itu berlaku untuk semua orang? Mungkin diskusi hanya cocok untuk mahasiswa yang sudah aktif, sementara yang pendiam justru lebih nyaman dengan ceramah. Kalau begitu, kalimat “diskusi lebih baik” jadi separuh benar — benar untuk satu kelompok, keliru untuk kelompok lain.

Pertanyaan “apakah efek satu hal berubah tergantung hal lain” itulah yang tidak bisa dijawab kalau Anda menguji dua hal secara terpisah. Anda butuh satu alat yang menimbang keduanya sekaligus, lengkap dengan kemungkinan keduanya saling memengaruhi.

Satu Faktor, Dua Faktor, dan Interaksi

ANOVA satu arah menjawab satu pertanyaan: apakah rata-rata berbeda antar kelompok dari satu pengelompok? Misalnya, apakah nilai berbeda antar tiga cara mengajar.

ANOVA dua arah menambah satu pengelompok lagi sehingga Anda bisa menanyakan tiga hal dalam satu model:

1. Efek utama (main effect) faktor A — apakah, secara rata-rata, faktor pertama (mis. cara mengajar) memengaruhi nilai?
2. Efek utama faktor B — apakah, secara rata-rata, faktor kedua (mis. jenis kelamin) memengaruhi nilai?
3. Efek interaksi (interaction) A×B — apakah efek faktor A berubah tergantung level faktor B?

Poin ketiga itulah nilai tambah utamanya. Interaksi berarti dua faktor tidak bekerja sendiri-sendiri, melainkan saling memengaruhi. Kalau diskusi unggul 8 poin pada mahasiswa aktif tetapi cuma 1 poin pada mahasiswa pendiam, itu interaksi: besar-kecilnya efek cara mengajar bergantung pada tipe mahasiswa. Kalau diskusi unggul 4 poin pada kedua tipe sama persis, tidak ada interaksi — efeknya aditif (tinggal dijumlahkan).

Jalankan dua ANOVA satu arah terpisah, Anda kehilangan pertanyaan ketiga ini. Dan justru pertanyaan ketiga yang sering paling menarik.

Dari Mana Asal Statistik F-nya

Ingat kembali inti ANOVA satu arah: kita membandingkan dua sumber variasi. Variasi antar-kelompok mengukur seberapa jauh rata-rata tiap kelompok saling berjauhan; variasi dalam-kelompok mengukur seberapa berserak data di dalam satu kelompok (variasi acak murni). Kalau perbedaan antar-kelompok jauh lebih besar daripada keberserakan acak di dalam kelompok, kita simpulkan kelompoknya memang berbeda.

ANOVA dua arah tidak mengubah logika ini — ia hanya memecah variasi antar-kelompok lebih halus. Variasi yang tadinya satu gumpalan “antar-kelompok” kini dibelah tiga: berapa karena faktor A, berapa karena faktor B, dan berapa karena interaksi A×B. Penyebut perbandingan tetap sama: variasi dalam-kelompok (sekarang kita sebut variasi sisa atau error).

Memecah Ragam Total

Seluruh ide ditulis dalam satu persamaan. Ragam total semua data — diukur sebagai jumlah kuadrat simpangan dari rata-rata keseluruhan — dipecah jadi empat bagian yang saling lepas:

$$ SS_{total} = SS_A + SS_B + SS_{AB} + SS_{error} $$

“SS” adalah singkatan sum of squares, jumlah kuadrat simpangan. Tiap suku menjawab “berapa banyak ragam yang berasal dari sumber ini”:

• $SS_{total}$ = total ragam seluruh data, yaitu $\sum (x - \bar{x})^2$: jumlahkan kuadrat selisih tiap nilai dari rata-rata keseluruhan.
• $SS_A$ = ragam karena efek utama faktor A (perbedaan antar rata-rata baris).
• $SS_B$ = ragam karena efek utama faktor B (perbedaan antar rata-rata kolom).
• $SS_{AB}$ = ragam karena interaksi A×B — bagian yang tak bisa dijelaskan oleh A dan B masing-masing.
• $SS_{error}$ = ragam sisa di dalam tiap sel, yakni variasi acak antar individu yang berada pada kombinasi perlakuan yang sama.

Lambang $x$ = satu nilai data; $\bar{x}$ (dibaca “x-bar”) = rata-rata keseluruhan, sering disebut grand mean. Contoh: kalau ada data 6 dan grand mean-nya 10, simpangannya $6 - 10 = -4$, dan kuadratnya $(-4)^2 = 16$. Suku $SS_{error}$ memakai gagasan sisa yang sama seperti residual pada regresi: sisa = nilai aktual − rata-rata selnya, atau $x - \bar{cell}$. Misalnya nilai 5 di sel yang rata-ratanya 6 menyumbang sisa $5 - 6 = -1$, kuadratnya 1.

Derajat bebas dan rata-rata kuadrat

Jumlah kuadrat saja belum bisa diadu — sumber yang punya lebih banyak kelompok wajar punya SS lebih besar. Maka tiap SS dibagi derajat bebasnya (df, degrees of freedom), menghasilkan rata-rata kuadrat (MS, mean square). Dengan $a$ = jumlah level faktor A, $b$ = jumlah level faktor B, dan $n$ = jumlah ulangan (replikasi) per sel:

• $df_A = a - 1$
• $df_B = b - 1$
• $df_{AB} = (a-1)(b-1)$
• $df_{error} = ab(n-1)$

Tiap efek lalu diuji dengan statistik F, yaitu rasio rata-rata kuadrat efek terhadap rata-rata kuadrat sisa:

$$ F = \frac{MS_{efek}}{MS_{error}}, \qquad MS = \frac{SS}{df} $$

Inilah rasio “antar-kelompok dibagi dalam-kelompok” yang sama persis dengan ANOVA satu arah, hanya kini dihitung tiga kali: satu untuk A, satu untuk B, satu untuk interaksi. F yang besar berarti sumber itu menjelaskan ragam jauh melebihi keberserakan acak.

Rumus tiap jumlah kuadrat

Notasi: $\bar{x}$ = grand mean, $\bar{A}_i$ = rata-rata baris ke-$i$ (rata-rata semua data pada level $i$ faktor A), $\bar{B}_j$ = rata-rata kolom ke-$j$, dan $\bar{cell}$ = rata-rata satu sel (satu kombinasi level A dan B).

$$ SS_A = b \cdot n \sum_i (\bar{A}_i - \bar{x})^2 \qquad SS_B = a \cdot n \sum_j (\bar{B}_j - \bar{x})^2 $$$$ SS_{AB} = n \sum (\bar{cell} - \bar{A}_i - \bar{B}_j + \bar{x})^2 \qquad SS_{error} = \sum (x - \bar{cell})^2 $$

Suku interaksi $SS_{AB}$ pantas diperhatikan. Bagian dalam kurungnya, $(\bar{cell} - \bar{A}_i - \bar{B}_j + \bar{x})$, mengukur selisih antara rata-rata sel yang benar-benar terjadi dan rata-rata sel yang seharusnya terjadi kalau efek A dan B sekadar dijumlahkan. Kalau dunia bersifat aditif (efek A dan B tinggal ditambahkan tanpa saling memengaruhi), tiap suku ini nol, sehingga $SS_{AB} = 0$ dan tidak ada interaksi. Makin jauh rata-rata sel menyimpang dari pola aditif, makin besar $SS_{AB}$.

Contoh Hitung Manual

Mari hitung semuanya dari nol pada data sekecil mungkin. Desain $2 \times 2$ dengan 2 ulangan per sel, jadi total $N = 8$ data. Faktor A = cara mengajar (A1 = ceramah, A2 = diskusi); Faktor B = jenis kelamin (B1 = pria, B2 = wanita). Angka di tiap sel adalah nilai ujian:

Langkah nol — hitung semua rata-rata yang akan dipakai. Rata-rata tiap sel:

• A1B1 $= (5+7)/2 = 6$
• A1B2 $= (9+11)/2 = 10$
• A2B1 $= (9+11)/2 = 10$
• A2B2 $= (13+15)/2 = 14$

Rata-rata baris (gabungkan dua sel di baris yang sama): $\bar{A}_1 = (6+10)/2 = 8$; $\bar{A}_2 = (10+14)/2 = 12$. Rata-rata kolom: $\bar{B}_1 = (6+10)/2 = 8$; $\bar{B}_2 = (10+14)/2 = 12$. Grand mean = jumlah semua data dibagi $N$ = $80/8 = 10$. Di sini $a = 2$, $b = 2$, $n = 2$.

Langkah 1 — $SS_A$ (efek cara mengajar). Lihat seberapa jauh rata-rata baris dari grand mean:

$$ SS_A = b \cdot n \sum_i (\bar{A}_i - \bar{x})^2 = 2 \cdot 2 \left[ (8-10)^2 + (12-10)^2 \right] = 4(4+4) = 32 $$

$df_A = a - 1 = 1$, sehingga $MS_A = 32/1 = 32$.

Langkah 2 — $SS_B$ (efek jenis kelamin). Sama, tapi dengan rata-rata kolom:

$$ SS_B = a \cdot n \sum_j (\bar{B}_j - \bar{x})^2 = 2 \cdot 2 \left[ (8-10)^2 + (12-10)^2 \right] = 4(4+4) = 32 $$

$df_B = b - 1 = 1$, sehingga $MS_B = 32/1 = 32$.

Langkah 3 — $SS_{AB}$ (interaksi). Hitung suku $(\bar{cell} - \bar{A}_i - \bar{B}_j + \bar{x})$ tiap sel:

• A1B1: $6 - 8 - 8 + 10 = 0$
• A1B2: $10 - 8 - 12 + 10 = 0$
• A2B1: $10 - 12 - 8 + 10 = 0$
• A2B2: $14 - 12 - 12 + 10 = 0$

Semua nol — artinya tiap rata-rata sel persis sama dengan yang diramalkan model aditif, jadi:

$$ SS_{AB} = n \sum 0^2 = 0 $$

$df_{AB} = (a-1)(b-1) = 1 \times 1 = 1$, sehingga $MS_{AB} = 0/1 = 0$.

Langkah 4 — $SS_{error}$ (variasi dalam sel). Tiap nilai menyimpang dari rata-rata selnya; sisa = $x - \bar{cell}$. Pada sel A1B1 yang rata-ratanya 6: $(5-6)^2 + (7-6)^2 = 1 + 1 = 2$. Tiap sel di sini menyumbang 2 dengan pola yang sama. Empat sel:

$$ SS_{error} = 2 + 2 + 2 + 2 = 8 $$

$df_{error} = ab(n-1) = 2 \cdot 2 \cdot (2-1) = 4$, sehingga $MS_{error} = 8/4 = 2$.

Cek total. Komponen harus menjumlah persis ke ragam total: $SS_{total} = 32 + 32 + 0 + 8 = 72$. Verifikasi langsung dengan menghitung $\sum (x - 10)^2$ untuk delapan data:

$$ (5{-}10)^2 + (7{-}10)^2 + \dots + (15{-}10)^2 = 25+9+1+1+1+1+9+25 = 72 $$

Cocok. Inilah jaminan bahwa pemecahan ragamnya benar.

Langkah 5 — tiga statistik F. Bagi tiap MS efek dengan $MS_{error} = 2$:

$$ F_A = \frac{MS_A}{MS_{error}} = \frac{32}{2} = 16 \qquad F_B = \frac{32}{2} = 16 \qquad F_{AB} = \frac{0}{2} = 0 $$

Bandingkan dengan F-tabel pada $df = (1, 4)$ taraf 5%, yaitu 7,71 (lebih tepat 7,708647).

Membaca Tabel ANOVA

Semua hasil di atas dirangkum dalam satu tabel ANOVA — bentuk yang juga muncul di SPSS:

Aturannya sama seperti ANOVA satu arah, hanya diterapkan tiga kali: kalau F-hitung > F-tabel (atau Sig. < 0,05 di SPSS), efek itu signifikan.

Bacaannya: cara mengajar berpengaruh pada nilai, jenis kelamin juga berpengaruh, tetapi tidak ada interaksi. Maknanya: selisih antar cara mengajar sama besar untuk pria maupun wanita (di data ini, diskusi selalu unggul 4 poin tanpa peduli jenis kelamin). Efek kedua faktor bersifat aditif — tinggal dijumlahkan.

Plot interaksi: garis sejajar vs berpotongan

Cara tercepat membaca interaksi adalah lewat plot interaksi: sumbu datar memuat level faktor A, dan ada satu garis per level B yang menghubungkan rata-rata sel.

• Garis sejajar → tidak ada interaksi. Efek A konsisten di tiap level B. Inilah kasus contoh kita: garis B1 dan B2 naik dengan kemiringan sama.
• Garis berpotongan atau menyebar → ada interaksi. Efek A berubah tergantung level B. Kalau interaksi signifikan, jangan buru-buru menafsir efek utama sendirian — tafsir per kombinasi sel.

Untuk merasakan ini, geser-geser sendiri rata-rata sel di widget berikut dan amati garis serta nilai F berubah.

Eksperimen yang patut dicoba:

1. Default sel (6, 10, 10, 14) menghasilkan dua garis sejajar, $SS_{AB} = 0$, dan $F_{AB} = 0$ — tidak ada interaksi.
2. Geser rata-rata sel A2B2 ke bawah; lihat garis B2 mulai miring dan akhirnya memotong garis B1.
3. Perhatikan begitu garis berpotongan, $SS_{AB}$ dan $F_{AB}$ ikut membesar. Saat $F_{AB}$ melewati 7,71, keputusan interaksi berubah jadi signifikan.

Menjalankan di SPSS

Analyze → General Linear Model → Univariate. Masukkan nilai ke Dependent Variable, lalu cara mengajar dan jenis kelamin ke Fixed Factor(s). Klik Plots untuk membuat plot profil (Horizontal Axis = faktor A, Separate Lines = faktor B), lalu Add.

Pada keluaran Tests of Between-Subjects Effects, baca kolom Sig. pada tiga baris: baris faktor A, baris faktor B, dan baris interaksi (ditulis dengan tanda bintang, mis. metode * gender). Sig. < 0,05 berarti efek itu signifikan. Urutan membacanya: lihat baris interaksi lebih dulu — kalau signifikan, fokuskan tafsir pada plot dan sel, baru sesudah itu efek utama (dengan hati-hati).

Cek Pemahaman

1. Pada contoh manual, $SS_A = SS_B = 32$ tetapi $SS_{AB} = 0$. Jelaskan dengan kata-kata apa arti $SS_{AB} = 0$ untuk interpretasi, dan mengapa angka itu bukan tanda ada yang salah.

Lihat jawaban

$SS_{AB} = 0$ berarti tiap rata-rata sel persis sama dengan yang diramalkan kalau efek A dan B sekadar dijumlahkan (aditif). Tidak ada satu sel pun yang menyimpang dari pola aditif itu. Maka efek cara mengajar identik untuk kedua jenis kelamin (di data ini, diskusi selalu unggul 4 poin), dan garis pada plot interaksi sejajar sempurna. Ini bukan error — ini temuan yang sah: efek kedua faktor bersifat aditif. “Tidak ada interaksi” sama informatifnya dengan “ada interaksi”.

2. Sebuah desain $2 \times 2$, $n = 2$ per sel, menghasilkan rata-rata sel berikut: A1B1 = 6, A1B2 = 10, A2B1 = 10, A2B2 = 6. (Sel A2B2 berisi nilai 5 dan 7.) Hitung $SS_{AB}$ dan $F_{AB}$, lalu putuskan apakah interaksi signifikan pada taraf 5% ($MS_{error} = 2$, $F$-tabel (1,4) = 7,71). Apa yang terjadi pada efek utama?

Lihat jawaban

Grand mean = $(6+10+10+6)/4 = 8$. Rata-rata baris: $\bar{A}_1 = (6+10)/2 = 8$, $\bar{A}_2 = (10+6)/2 = 8$. Rata-rata kolom: $\bar{B}_1 = (6+10)/2 = 8$, $\bar{B}_2 = (10+6)/2 = 8$. Karena semua rata-rata baris dan kolom = grand mean, $SS_A = 0$ dan $SS_B = 0$ — efek utama lenyap.

Suku interaksi tiap sel $(\bar{cell} - \bar{A}_i - \bar{B}_j + \bar{x})$:

• A1B1: $6 - 8 - 8 + 8 = -2$
• A1B2: $10 - 8 - 8 + 8 = 2$
• A2B1: $10 - 8 - 8 + 8 = 2$
• A2B2: $6 - 8 - 8 + 8 = -2$

$SS_{AB} = n \sum (\cdot)^2 = 2\,(4 + 4 + 4 + 4) = 32$. Maka $MS_{AB} = 32/1 = 32$ dan $F_{AB} = 32/2 = 16 > 7{,}71$ → interaksi signifikan.

Pelajaran transfer: di sini efek utama nol tetapi interaksi kuat. Kalau Anda hanya menjalankan dua ANOVA satu arah, Anda akan menyimpulkan “tidak ada efek apa-apa” — padahal sebenarnya cara mengajar sangat berpengaruh, hanya saja arahnya berlawanan untuk dua jenis kelamin (diskusi membantu satu kelompok, merugikan kelompok lain). Pada plot, dua garisnya akan berpotongan tepat di tengah. Inilah alasan uji interaksi tak tergantikan.

3. Sebuah skripsi memakai desain $3 \times 2$ (faktor A punya 3 level, faktor B punya 2 level), dengan $n = 4$ ulangan per sel. Berapa $df_{AB}$ dan $df_{error}$?

Lihat jawaban

$a = 3$, $b = 2$, $n = 4$. Maka $df_{AB} = (a-1)(b-1) = 2 \times 1 = 2$, dan $df_{error} = ab(n-1) = 3 \times 2 \times (4-1) = 6 \times 3 = 18$. Catatan: $df_{AB}$ adalah hasil perkalian $(a-1)$ dan $(b-1)$, bukan $a \times b$ — kesalahan yang sering terjadi.

Kesalahan Umum

Menjalankan dua ANOVA satu arah terpisah. Kalau Anda uji cara mengajar sendiri lalu jenis kelamin sendiri, Anda kehilangan uji interaksi — justru bagian paling menarik dari desain dua faktor. Seperti pada soal nomor 2, dua faktor bisa tampak “tidak berpengaruh” padahal sebenarnya berinteraksi kuat. Jalankan satu model GLM.

Langsung menafsir efek utama saat interaksi signifikan. Kalau garis berpotongan, kalimat “cara mengajar A lebih baik” jadi menyesatkan karena keunggulannya bergantung level B. Tafsir per sel, bukan per faktor.

Sel tidak seimbang dibiarkan begitu saja. Rumus SS sederhana di artikel ini berlaku rapi hanya saat tiap sel punya jumlah ulangan ($n$) sama. Kalau timpang, SPSS memakai jumlah kuadrat Tipe III; serahkan ke perangkat lunak dan jangan paksakan rumus tangan.

Salah derajat bebas interaksi. $df_{AB} = (a-1)(b-1)$, bukan $a \times b$. Untuk desain 2×2, $df_{AB} = 1 \times 1 = 1$.

Mengira F kecil berarti uji gagal. $F_{AB} = 0$ pada contoh utama bukan error, melainkan temuan: efeknya betul-betul aditif. Tidak signifikan tetap hasil yang sah dan informatif.

Excel Companion

/excel/anova-dua-arah.xlsx berisi: data 2×2 dengan rata-rata tiap sel, baris, kolom, dan grand mean (rumus AVERAGE terlihat hidup); perhitungan keempat SS lewat kolom selisih dan selisih kuadrat; tabel ANOVA lengkap (SS, df, MS, F tiap sumber); perbandingan dengan F-tabel; dan keputusan IF untuk ketiga efek. Semua angka mereproduksi contoh di atas.

Dipakai di Dunia Nyata

Skripsi eksperimen dua faktor. Pengaruh metode pembelajaran dan tingkat motivasi terhadap hasil belajar, lengkap dengan apakah keduanya berinteraksi — apakah metode tertentu hanya manjur pada mahasiswa bermotivasi tinggi.

Riset pemasaran. Apakah efek jenis promosi terhadap penjualan berbeda antar segmen usia pelanggan (interaksi promosi × segmen). Sering segmen muda dan tua bereaksi berlawanan terhadap promosi yang sama.

Penelitian sosial dan kebijakan. Apakah dampak program pelatihan terhadap pendapatan berbeda antara peserta desa dan kota (interaksi program × lokasi) — pertanyaan kunci untuk menilai apakah satu kebijakan layak diseragamkan.

Lanjutan

Kalau asumsi ANOVA (data berdistribusi normal, ragam antar kelompok seragam) tidak terpenuhi, atau datanya berupa peringkat:

• Uji Kruskal-Wallis & Friedman — padanan non-parametrik.

Fondasi yang menopang artikel ini:

• ANOVA Satu Arah
• Uji t Dua Sampel Independen

Reference

• Fisher, R.A. (1925), “Statistical Methods for Research Workers”
• Ghozali, I. (2018), “Aplikasi Analisis Multivariate dengan Program SPSS”
• Sugiyono (2019), “Statistik untuk Penelitian”