Program Studi Manajemen • FEB UNDIP
Statistika Bisnis II
Pertemuan 4 — Analisis Varians (ANOVA) Menguji apakah rata-rata lebih dari dua kelompok berbeda secara statistik — dengan satu uji yang terkontrol.
RPS MINGGU 4 • SUB-CPMK 4 • DURASI 2 × 50 MENIT
Selamat datang di Pertemuan 4. Hari ini kita masuki salah satu teknik pengujian hipotesis yang paling sering dipakai dalam penelitian bisnis dan pemasaran: Analisis Varians atau ANOVA — singkatan dari Analysis of Variance. Di pertemuan sebelumnya Anda sudah mahir menguji dua kelompok dengan uji-t; sekarang bayangkan Anda punya empat, lima, atau sepuluh kelompok yang ingin dibandingkan rata-ratanya — misalnya apakah penjualan cabang Alfamart di Semarang, Surabaya, Bandung, dan Medan benar-benar berbeda, ataukah perbedaan itu sekadar fluktuasi sampel belaka. ANOVA menjawab pertanyaan itu dalam satu uji yang rapi dan terkontrol. Di akhir pertemuan ini Anda akan mampu menghitung F-hitung dari nol, membaca tabel F kritis, melakukan uji lanjut Tukey HSD untuk mengidentifikasi pasangan kelompok yang berbeda, serta memahami logika ANOVA dua arah dengan efek interaksi. Tujuan Pembelajaran Hari Ini Setelah pertemuan ini, Anda diharapkan mampu menjelaskan distribusi F dan melakukan pengujian kesamaan populasi (Sub-CPMK 4).
Capaian 1
F
Jelaskan sifat-sifat distribusi F (selalu $\geq0$, right-skewed, dua derajat kebebasan) dan hubungannya dengan distribusi Chi-Kuadrat $(\chi^{2})$.
Capaian 2
SS
Hitung SSB, SSW, MSB, MSW, dan F-hitung secara manual dari data mentah — langkah per langkah tanpa kesalahan aritmetika.
Capaian 3
HSD
Lakukan uji lanjut post-hoc Tukey HSD setelah H₀ ditolak untuk menentukan pasangan kelompok mana yang berbeda signifikan.
Capaian 4
2A
Susun dan interpretasikan ANOVA dua arah — uji efek utama Faktor A, Faktor B, dan efek interaksi A×B dalam satu studi kasus bisnis.
Ada empat hal yang ingin saya pastikan Anda bawa pulang hari ini. Pertama, Anda harus bisa menjelaskan mengapa distribusi F berbeda dari distribusi t — ini fondasi konseptual yang akan membuat Anda tidak bingung saat membaca output software. Kedua, dan ini yang paling sering diuji di kuis, Anda harus bisa menghitung sendiri komponen-komponen ANOVA dari data mentah: SS, MS, dan F-hitung. Ketiga, Anda harus tahu bahwa menolak $H_{0} di$ ANOVA belum menjawab segalanya — masih perlu uji lanjut untuk mengetahui pasangan mana yang berbeda, dan di situlah Tukey HSD masuk. Terakhir, kita akan lihat bahwa ANOVA bisa diperluas ke dua faktor sekaligus, membuka pintu untuk menguji interaksi antara variabel — konsep yang sangat berguna dalam riset pemasaran dan manajemen operasi. Masalah: Tiga Kota, Satu Pertanyaan Manajer regional Alfamart ingin tahu: apakah rata-rata penjualan harian cabang berbeda antar kota?
Semarang Surabaya Bandung Rp 12,4 jt Rp 14,1 jt Rp 13,0 jt Rp 11,8 jt Rp 13,7 jt Rp 12,5 jt Rp 12,9 jt Rp 14,5 jt Rp 13,3 jt $\bar{x} = 12,4$ $\bar{x} = 14,1$ $\bar{x} = 12,9$
Kuis cepat: Bolehkah kita lakukan tiga uji-t berpasangan (SMG–SBY, SMG–BDG, SBY–BDG)?
Tidak. 3 uji-t berpasangan $\to$ risiko Tipe $I = 1-(0,95)^{3} \approx$ 14,3\% (bukan 5\%!). Ini alpha inflation (inflasi alpha). ANOVA hadir untuk ini.
Coba perhatikan skenario ini: Anda manajer regional dan ada tiga kota yang ingin dibandingkan penjualan cabangnya. Intuisi pertama Anda mungkin: "Mudah saja, lakukan uji-t tiga kali." Tapi di sinilah masalah dimulai — kalau Anda pakai $\alpha = 5\%$ untuk masing-masing uji-t, probabilitas Anda tidak melakukan kesalahan di tiap uji adalah 95\%. Kalau tiga uji dilakukan independen, probabilitas tidak ada kesalahan sama sekali adalah $0,95^{3} \approx 0,857$, artinya probabilitas ada setidaknya satu kesalahan sudah 14,3\% — hampir tiga kali lipat $\alpha$ yang Anda niatkan. Ini disebut alpha inflation atau familywise error rate — tingkat kesalahan di seluruh keluarga uji. ANOVA mengatasi masalah ini dengan satu uji tunggal yang menjaga $\alpha$ tetap di level yang Anda tentukan, berapa pun banyaknya kelompok yang Anda bandingkan. Catat: Kesalahan Tipe $I (\alpha)$ adalah probabilitas menolak $H_{0}$ yang sebenarnya benar — menyatakan ada perbedaan padahal tidak ada. Bagian 1 dari 4
Distribusi F & Logika ANOVA
Sebelum menghitung, pahami dulu distribusi yang melandasi uji ini.
Sebelum kita mulai menghitung, ada baiknya kita memahami jenis distribusi baru yang menjadi dasar ANOVA: distribusi F. Anda sudah kenal distribusi t dan distribusi Chi-Kuadrat $(\chi^{2})$; distribusi F adalah kerabat dari keduanya — ia dibangun dari rasio dua distribusi Chi-Kuadrat. Memahami bentuk dan sifat distribusi F akan membantu Anda membaca tabel F dengan benar dan menginterpretasikan hasil uji secara tepat. Bagian pertama ini membutuhkan waktu sekitar 20 menit, tapi investasi pemahaman ini akan membuat seluruh sisa pertemuan jauh lebih mudah. Perhatian penuh sangat diperlukan di sini. Distribusi F — Sifat & Bentuk Distribusi F (George W. Snedecor, 1934) = rasio dua variansi yang masing-masing berdistribusi Chi-Kuadrat $(\chi^{2})$.
$$F = \frac{\chi^{2}_{1} / df_{1}}{\chi^{2}_{2} / df_{2}} = \frac{MSB}{MSW}$$
Selalu ≥ 0 (tidak ada nilai F negatif) Tidak simetris — menjulur ke kanan (right-skewed ) Ditentukan oleh dua derajat kebebasan: $df_{1}$ (numerator/pembilang) & $df_{2}$ (denominator/penyebut) Bila $df_{1} = 1$, maka $F = t^{2}$ (hubungan dengan distribusi t) Semakin besar df, kurva mendekati simetris (asimtotik) df₁=3, df₂=20 df₁=10, df₂=40 area kritis F Distribusi F pertama kali dikembangkan oleh statistikawan Amerika George W. Snedecor, dan diberi nama "F" untuk menghormati Sir Ronald A. Fisher yang meletakkan landasan ANOVA. Ciri paling penting: distribusi F selalu bernilai positif dan memiliki ekor panjang di kanan — bentuknya mirip kurva Chi-Kuadrat, tapi sudah dinormalisasi dengan derajat kebebasannya. Ini masuk akal karena kita akan membandingkan dua estimasi variansi: kalau dua kelompok punya variansi yang sama, rasio F ≈ 1; kalau kelompok-kelompok sangat berbeda rata-ratanya, variansi antar kelompok akan jauh lebih besar dari variansi dalam kelompok, sehingga F jauh di atas 1. Perhatikan di grafik: dua kurva dengan df berbeda — semakin besar df, semakin kurva bergeser ke kiri dan mendekati bentuk simetris. Satu hal yang perlu Anda catat: distribusi F memiliki dua derajat kebebasan, berbeda dari distribusi t yang hanya satu, dan karena itulah kita perlu mencari nilai F kritis dari dua angka. Mengapa Tidak Cukup dengan Uji-t Berulang? Dengan k kelompok, ada k(k−1)/2 pasangan. Setiap uji-t berulang menggembungkan kesalahan Tipe I (familywise error rate = probabilitas setidaknya satu kesalahan dalam keluarga uji).
Jumlah kelompok (k) Jumlah uji-t $\alpha$ kumulatif $(\alpha=5\%)$ 2 1 5,0% 3 3 14,3% 4 6 26,5% 5 10 40,1%
$$\alpha_total = 1 - (1 - \alpha)^c (c = jumlah uji)$$
ANOVA mempertahankan $\alpha = 5\%$ berapa pun jumlah kelompok. Inilah keunggulan uji omnibus (omnibus = satu uji untuk semua kelompok sekaligus).
Saya ingin Anda benar-benar memahami mengapa uji-t berulang itu berbahaya, bukan sekadar tidak dianjurkan. Kalau Anda punya empat kelompok dan melakukan enam uji-t berpasangan dengan $\alpha=5\%$, probabilitas bahwa setidaknya satu dari keenam uji itu memberikan kesimpulan "ada perbedaan" padahal sebenarnya tidak ada, adalah $1 - (0,95)^{6} \approx 26,5\% -$ lebih dari seperempat! Itu bukan 5\% lagi; itu sudah mendekati lotere. Di jurnal akademik manapun, reviewer akan langsung mempermasalahkan hal ini. ANOVA hadir sebagai solusi: ia melakukan satu uji tunggal yang secara struktural menjaga $\alpha$ tetap pada level yang Anda tentukan, berapa pun banyaknya kelompok yang Anda bandingkan. Kata kuncinya adalah omnibus: ANOVA menjawab satu pertanyaan besar — apakah ada perbedaan di antara semua kelompok ini — tanpa menggelembungkan risiko kesalahan. Logika ANOVA: Memisahkan Dua Sumber Variansi Variansi total data dapat dipecah menjadi dua komponen:
$$\text{SST} = \text{SSB} + \text{SSW}$$
Variasi karena perbedaan antar kelompok Makin besar $\to$ kelompok makin berbeda Ini sinyal yang kita cari Variasi karena keacakan dalam tiap kelompok Selalu ada meskipun kelompok identik Ini noise (gangguan acak) Logika F: F = MSB / MSW = “sinyal kelompok” $\div$ “noise acak”. Bila F ≫ $1 \to$ sinyal lebih kuat dari noise $\to$ tolak $H_{0}$.MSB = Mean Square Between = SSB/df_B | MSW = Mean Square Within = SSW/df_W
Ini adalah slide paling konseptual hari ini, jadi saya minta perhatian penuh Anda. Bayangkan nilai data dari semua kelompok sebagai sebuah kolam variansi total yang disebut SST — Sum of Squares Total. Pertanyaannya: dari mana asal variansi itu? Ada dua sumber. Pertama, variansi yang muncul karena memang kelompok-kelompoknya berbeda satu sama lain — ini SSB, sinyal yang kita cari. Kedua, variansi yang muncul murni karena keacakan — anggota dalam satu kelompok pun tidak pernah persis sama — ini SSW, noise yang selalu ada. Ketika F = MSB/MSW jauh lebih besar dari 1, artinya sinyal antar kelompok jauh lebih kuat dari noise dalam kelompok — kita bisa percaya bahwa perbedaan antar kelompok itu nyata, bukan kebetulan. Analogi sederhananya: bayangkan Anda mendengarkan radio dengan gangguan; sinyal yang kuat mudah dibedakan dari gangguan — F adalah rasio kekuatan sinyal terhadap gangguan itu. Coba Sendiri: Geser Data Kelompok, Amati Rasio F Ubah rata-rata dan sebaran tiap kelompok, lihat bagaimana SSB, SSW, dan rasio F berubah bersamaan.
🧪 Buka kalkulator penuh (rumus + contoh + FAQ)
Mari kita coba widget ini bersama-sama. Saya minta satu mahasiswa maju dan menggeser rata-rata salah satu kelompok menjauh dari kelompok lain, sambil menjaga sebaran dalam kelompok tetap kecil. Perhatikan bagaimana SSB naik sementara SSW relatif stabil, sehingga rasio F ikut membesar. Sebaliknya, coba perbesar sebaran dalam kelompok — perhatikan bagaimana SSW naik dan F mengecil meski rata-rata kelompok tetap berjauhan. Ini menunjukkan intuisi inti ANOVA: yang menentukan bukan hanya seberapa jauh rata-rata kelompok berbeda, tapi seberapa jauh dibandingkan dengan noise di dalam kelompok itu sendiri. Dengan intuisi ini, kita siap masuk ke perhitungan manual data penjualan Alfamart. Bagian 2 dari 4
ANOVA Satu Arah
Kita hitung langkah demi langkah dengan data penjualan Alfamart 4 kota.
F=MS₊/MSṢ Sekarang kita masuk ke bagian yang paling penting secara praktis: menghitung ANOVA secara manual. Saya tahu banyak dari Anda akan menggunakan software seperti SPSS atau Excel nantinya, tapi memahami cara menghitungnya dari nol akan membuat Anda tidak buta saat membaca output software tersebut. Kita akan pakai data yang relevan dengan dunia nyata bisnis Indonesia: data penjualan cabang Alfamart di empat kota besar. Siapkan kalkulator, dan ikuti setiap langkah dengan teliti — ini akan muncul di kuis. Bagian ini memerlukan sekitar 35 menit dan mencakup empat slide penghitungan. Hipotesis & Struktur ANOVA Satu Arah ANOVA satu arah menguji satu faktor (satu variabel kategoris) terhadap rata-rata populasi dari k kelompok.
$$H_{0}$$: $\mu_{1} = \mu_{2} = \mu_{3} =$ … $= \mu_{k}$ (semua rata-rata populasi sama)
$$H_{1}$$: Setidaknya satu $\mu_{i}$ berbeda dari yang lain
k = jumlah kelompok | $n_{i} =$ observasi per kelompok
N = total observasi $(N = n_{1}+n_{2}+$…$+n_{k})$
$\bar{x}_{i} =$ rata-rata kelompok ke-i | $\bar{x} =$ grand mean (rata-rata keseluruhan)
Kelompok 1 Kelompok 2 … Kelompok k Obs $x_{11}$ $x_{21}$ … $x_{k1}$ ⋮ ⋮ ⋮ … ⋮ Rata-rata $\bar{x}_{1}$ $\bar{x}_{2}$ … $\bar{x}_{k}$ n $n_{1}$ $n_{2}$ … $n_{k}$
Perhatikan formulasi hipotesis ANOVA dengan cermat. $H_{0}$ menyatakan bahwa SEMUA rata-rata populasi sama — bukan hanya beberapa pasangan. $H_{1}$ hanya menyatakan setidaknya satu berbeda — ini berarti mungkin hanya satu kelompok yang berbeda, atau semuanya berbeda. Inilah sebabnya ANOVA adalah uji omnibus: ia tidak memberitahu kita pasangan mana yang berbeda, hanya bahwa ada perbedaan di suatu tempat. Itulah mengapa kita butuh uji post-hoc di Bagian 3. Perhatikan juga bahwa $H_{1}$ tidak pernah ditulis $\mu_{1} \neq \mu_{2} \neq \mu_{3} -$ karena itu akan berarti SEMUA berbeda satu sama lain, bukan hanya ada satu yang berbeda. Grand mean $(\bar{x})$ adalah rata-rata dari semua observasi digabungkan, bukan rata-rata dari rata-rata kelompok kecuali bila $n_{i}$ sama. Rumus Lengkap: SS, MS, F-hitung Langkah 1 — Grand Mean:
Langkah 2 — Sum of Squares:
Langkah 3 — df:
Langkah 4 — MS:
Langkah 5 — F-hitung: F = MSB / MSW
Sumber SS df MS F Antar (B) SSB k−1 MSB MSB/MSW Dalam (W) SSW N−k MSW — Total SST N−1 — —
Ini adalah mesin ANOVA yang perlu Anda kuasai. Lima langkah ini selalu berurutan — tidak boleh loncat. Perhatikan bahwa MSB dan MSW sama-sama adalah variansi per derajat kebebasan — keduanya adalah estimasi variansi populasi, tapi dari sumber berbeda. Kalau $H_{0}$ benar, semua kelompok sama, maka MSB $\approx$ MSW sehingga $F \approx 1$. Kalau $H_{0}$ salah, ada kelompok yang berbeda, maka MSB akan lebih besar dari MSW dan F > 1. Tabel ANOVA adalah cara standar untuk melaporkan hasil ini — Anda akan menemukannya di setiap paper akademik yang menggunakan ANOVA. Biasakan membaca kolom-kolomnya: SS, df, MS, F, dan biasanya juga p-value. Dalam skripsi dan laporan riset, selalu sajikan dalam format tabel ini. HDN-1: Penjualan Alfamart 4 Kota — Langkah 1–3 Konteks: 10 cabang Alfamart per kota. Penjualan harian (Rp juta)$. \alpha = 0,05$.
Semarang $(\bar{x}_{1})$ Surabaya $(\bar{x}_{2})$ Bandung $(\bar{x}_{3})$ Medan $(\bar{x}_{4})$ 11,8; 12,4; 11,5; 12,9; 12,1; 11,7; 12,6; 12,3; 11,9; 12,8 14,1; 13,7; 14,5; 14,0; 13,8; 14,3; 14,6; 13,9; 14,2; 14,4 12,5; 13,0; 12,8; 13,2; 12,7; 13,1; 12,9; 13,3; 12,6; 13,0 10,2; 10,8; 10,5; 11,0; 10,3; 10,7; 10,9; 10,4; 10,6; 10,1 $\bar{x}_{1} = 12,20$ $\bar{x}_{2} = 14,15$ $\bar{x}_{3} = 12,91$ $\bar{x}_{4} = 10,55$
Langkah Perhitungan Nilai 1. Grand Mean $(\bar{x})$ (12,20+14,15+12,91+10,55) / 4 = 49,81 / 4 $\bar{x} = 12,4525$ 2a. Selisih 12,20−12,4525; 14,15−12,4525; 12,91−12,4525; 10,55−12,4525 −0,2525; 1,6975; 0,4575; −1,9025 2b. Selisih$^{2}$ 0,0638; 2,8815; 0,2093; 3,6195 Jumlah = 6,7741 3. SSB 10 × 6,7741 SSB = 67,741
Mari kita hitung bersama. Data ini adalah data ilustrasi yang realistis mengikuti pola penjualan retail di kota-kota besar Indonesia. Langkah pertama selalu Grand Mean: jumlahkan semua rata-rata kelompok dan bagi dengan k — tapi ini hanya valid bila $n_{i}$ sama; bila $n_{i}$ berbeda, harus menjumlahkan semua observasi lalu bagi N. Di sini $n_{i} = 10$ untuk semua kota, jadi cara cepat bisa dipakai. SSB mengukur seberapa jauh rata-rata tiap kota menyimpang dari Grand Mean — perhatikan bahwa Surabaya (14,15) jauh di atas Grand Mean (12,45), sedangkan Medan (10,55) jauh di bawah; ini sudah memberikan sinyal kuat bahwa perbedaan antar kota mungkin signifikan. Kita kalikan dengan $n_{i} = 10$ karena semakin banyak sampel, semakin kita yakin dengan rata-rata kelompok itu. Lanjutkan ke slide berikutnya untuk menghitung SSW dan F-hitung. HDN-1: Penjualan Alfamart 4 Kota — Langkah 4–7 Langkah Perhitungan Nilai 4. SSW 9 × (0,2311 + 0,0878 + 0,0689 + 0,0917) = 9 × 0,4795 SSW = 4,316 5. df df_B = 4−1 = 3 | df_W = 40−4 = 36 | df_T = 39 df_B=3; df_W=36 6. MSB; MSW MSB = 67,741 / 3 = 22,580 | MSW = 4,316 / 36 = 0,1199 MSB=22,580; MSW=0,1199 7. F-hitung F = 22,580 / 0,1199 F = 188,37
Sumber SS df MS F-hitung F kritis $(\alpha=0,05)$ Antar (Between) 67,741 3 22,580 188,37 2,866 Dalam (Within) 4,316 36 0,1199 — — Total 72,057 39 — — —
F-hitung (188,37) ≫ F kritis $(2,866) \to$ Tolak $H_{0}$. Ada perbedaan signifikan rata-rata penjualan antar kota.
Perhatikan angka F-hitung kita: 188,37. Itu sangat besar. Nilai F kritis untuk $df_{1}=3$ dan $df_{2}=36$ pada $\alpha=5\%$ adalah 2,866 — nilai eksak F(3;36) yang akan kita baca dari tabel F di slide berikutnya. Karena 188,37 jauh melampaui 2,866, kita menolak $H_{0}$ dengan sangat kuat — ada bukti statistik yang sangat meyakinkan bahwa rata-rata penjualan harian Alfamart berbeda secara signifikan di antara keempat kota. Dalam dunia nyata, ini berarti manajer regional harus menyelidiki: mengapa Surabaya jauh lebih tinggi dari Medan? Apakah faktor populasi kota, daya beli, atau strategi operasional yang berbeda? ANOVA memberitahu kita bahwa ada perbedaan — bukan mengapa. Untuk mengetahui pasangan kota mana yang berbeda, kita butuh uji Tukey HSD di Bagian 3. SSW dihitung dari variansi dalam tiap kota dikalikan $(n_{i}-1) -$ detail lengkap ada di Lampiran A materi. Tabel F Kritis & Cara Membacanya Nilai F kritis dibaca dari tabel F berdasarkan dua derajat kebebasan dan $\alpha$. Baris $= df_W (N-k)$, Kolom $= df_B (k-1)$.
df_W \ df_B 1 2 3 4 5 30 4,171 3,316 2,922 2,690 2,534 36 — — → interpolasi — — 40 4,085 3,232 2,839 2,606 2,449 60 4,001 3,150 2,758 2,525 2,368
Interpolasi df_W=36:2,872 2,866 (nilai eksak dari tabel lengkap)
Untuk contoh kita: $df_B=3, df_W=36 \to F$ kritis = 2,866 .perkiraan nilai antara dua titik tabel ) ≈ 2,872 sudah sangat dekat.
Membaca tabel F sedikit berbeda dari tabel t karena ada dua angka derajat kebebasan yang harus Anda tentukan. Cara mudah mengingatnya: df pembilang atau numerator, yaitu jumlah kelompok dikurangi 1, itu yang menentukan kolom; df penyebut atau denominator, yaitu total observasi dikurangi jumlah kelompok, itu yang menentukan baris. Untuk contoh kita, df_B=3 di kolom dan df_W=36 di baris — perhatikan tabel cetak umumnya hanya menyediakan baris df=30 dan df=40, sehingga df=36 harus diinterpolasi. Interpolasi adalah perkiraan nilai antara dua titik yang diketahui: F(3;36) ≈ 2,922 − 0,6×0,083 ≈ 2,872, yang sangat dekat ke nilai eksak 2,866 dari tabel lengkap atau software. Dalam praktik, software seperti SPSS atau Excel memberikan p-value eksak sehingga Anda tidak perlu interpolasi manual — tapi untuk ujian tertulis, biasakan dengan langkah ini. Coba Sendiri: Bandingkan Boxplot Antar Kelompok Lihat ANOVA dari sisi visual — ketika boxplot kelompok saling tumpang tindih, rasio F mengecil; ketika terpisah jauh, F membesar.
Widget ini memberi intuisi geometris untuk ANOVA. Mintalah mahasiswa mengamati dua sumber variansi: seberapa jauh rata-rata kelompok berbeda satu sama lain (between) dan seberapa lebar sebaran dalam tiap kelompok (within). Saat tumpang tindih antar boxplot mengecil, rasio F membesar dan nilai-p mengecil. Pesan inti: ANOVA bukan tentang besar mutlak selisih rata-rata, melainkan selisih relatif terhadap variansi within. Inilah yang membuat ANOVA lebih adil daripada sekadar membandingkan rata-rata. Interpretasi: Apakah Kota Berbeda? Konteks: Alfamart, 4 kota, n=10 per kota, $\alpha=0,05$.
Kriteria Nilai F-hitung 188,37 F kritis $(df_{3},_{36}, \alpha=0,05)$ ~2,866 F-hitung > F kritis? $YA \to$ Tolak $H_{0}$ p-value < 0,0001
F > F kritis? YA: Tolak H₀ TIDAK: Gagal Tolak Uji Post-Hoc Tolak $$H_{0}$$: Ada perbedaan rata-rata penjualan yang signifikan. Tapi ANOVA belum memberitahu pasangan kota mana yang berbeda $\to$ perlu uji post-hoc .
Interpretasi ANOVA harus selalu berdua: pertama, keputusan statistik, tolak atau gagal tolak $H_{0}$, dan kedua, implikasi bisnis. Secara statistik kita sudah sangat yakin menolak $H_{0}$ karena F-hitung kita sekitar 66 kali lebih besar dari nilai kritis — jauh melampaui ambang signifikansi. Secara bisnis, ini berarti kebijakan harga, promosi, atau alokasi SDM yang seragam untuk semua kota mungkin kurang tepat — ada sesuatu yang berbeda di tiap kota yang mempengaruhi kinerja penjualan. Namun ingat: kita belum tahu kota mana yang berbeda dengan kota mana — apakah Semarang dan Bandung sebetulnya mirip? Apakah hanya Medan yang jauh tertinggal? Untuk menjawab pertanyaan-pertanyaan itu, kita perlu uji post-hoc yang akan kita pelajari di Bagian 3. p-value < 0,0001 artinya bila $H_{0}$ benar, kemungkinan mendapat F setinggi ini hampir nol. Bagian 3 dari 4
Uji Lanjut Post-Hoc
Setelah $H_{0}$ ditolak: tentukan pasangan mana yang berbeda. Post-hoc (setelah fakta ) = uji yang dilakukan setelah ANOVA untuk identifikasi pasangan spesifik.
Kita sudah berhasil menolak $H_{0} -$ selamat, langkah pertama ANOVA selesai. Tapi jangan berhenti di sini. Dalam laporan riset yang baik, Anda wajib melaporkan tidak hanya "ada perbedaan signifikan" tetapi juga "kota X berbeda dengan kota Y secara signifikan, tapi kota Y dan kota Z tidak berbeda." Inilah pekerjaan uji post-hoc. Ada banyak pilihan uji post-hoc — yang paling terkenal adalah Tukey HSD (Honest Significant Difference) dan LSD (Least Significant Difference). Kita juga akan mengecek asumsi-asumsi yang harus dipenuhi agar hasil ANOVA valid sebelum digunakan dalam laporan atau skripsi. Uji Post-Hoc: Tukey HSD & LSD $$HSD = q \times \sqrt{\frac{MSW}{n}}$$
q = nilai tabel studentized range $(q_\alpha, k, df_W)$ Bandingkan $|\bar{x}_{i} - \bar{x}⋅|$ dengan HSD; bila > HSD $\to$ berbeda signifikan Lebih konservatif (ketat); kontrol familywise error rate Direkomendasikan untuk k ≥ 4 $$LSD = t_{\alpha/2{,}\, df_W} \times \sqrt{\frac{2 \cdot MSW}{n}}$$
Lebih liberal (longgar) — lebih mudah menyatakan berbeda Hanya valid untuk k = 3 atau setelah omnibus F signifikan Alternatif lain: Bonferroni, Scheffé, Games-Howell (bila variansi tak homogen) Cara baca tabel q (studentized range statistic = nilai tabel memperhitungkan jumlah kelompok): cari baris $df_W$, kolom k. Contoh kita: $df≈36, k=4 \to q \approx 3,791$.
Tukey HSD adalah standar emas uji post-hoc dalam penelitian bisnis dan sosial. Idenya sederhana: hitung satu nilai ambang batas HSD, lalu bandingkan selisih absolut setiap pasangan rata-rata dengan ambang itu. Kalau selisih melebihi HSD, pasangan itu berbeda signifikan. Kelebihan Tukey adalah ia memperhitungkan kenyataan bahwa kita membuat banyak perbandingan sekaligus — semakin banyak kelompok, HSD-nya semakin besar, semakin sulit menyatakan berbeda. LSD lebih longgar dan cocok hanya untuk k=3 atau situasi tertentu. Dalam skripsi dan jurnal penelitian, Tukey HSD adalah pilihan yang paling aman dan paling sering diterima reviewer. Konservatif artinya lebih ketat, lebih sulit menyatakan perbedaan signifikan, risiko Tipe I lebih rendah. Liberal artinya lebih longgar, lebih mudah menyatakan ada perbedaan, risiko Tipe I lebih tinggi. HDN-1 Lanjutan: Tukey HSD Alfamart Diketahui: MSW $= 0,1199; n = 10; k = 4; df_W = 36; \alpha = 0,05$
df_W \ k 2 3 4 5 30 2,89 3,49 3,845 4,10 40 2,86 3,44 3,791 4,04 60 2,83 3,40 3,737 3,98
q = 3,791 (baris df=40, konservatif)0,415
Pasangan $|\bar{x}_{i} - \bar{x}⋅|$ > HSD (0,415)? Kesimpulan Semarang vs Surabaya |12,20−14,15| = 1,95 Ya Berbeda signifikan Semarang vs Bandung |12,20−12,91| = 0,71 Ya Berbeda signifikan Semarang vs Medan |12,20−10,55| = 1,65 Ya Berbeda signifikan Surabaya vs Bandung |14,15−12,91| = 1,24 Ya Berbeda signifikan Surabaya vs Medan |14,15−10,55| = 3,60 Ya Berbeda signifikan Bandung vs Medan |12,91−10,55| = 2,36 Ya Berbeda signifikan
Lihat betapa informatifnya uji Tukey HSD dibandingkan ANOVA saja. ANOVA hanya berkata "ada perbedaan"; Tukey memberitahu kita bahwa dalam kasus ini, semua enam pasangan kota berbeda secara signifikan satu sama lain — tidak ada dua kota yang penjualannya dianggap setara secara statistik. Nilai HSD kita adalah 0,415 juta rupiah; selisih terkecil yang kita miliki adalah Semarang vs Bandung sebesar 0,71 juta, sudah jauh melampaui ambang ini. Dalam konteks manajerial, ini berarti Alfamart perlu strategi yang betul-betul berbeda untuk keempat kota — tidak bisa menggunakan pendekatan seragam. Perhatikan cara membaca q dari tabel studentized range: cari baris df yang mendekati 36, pakai baris df=40 karena lebih konservatif, lalu kolom k=4 memberikan q = 3,791. Coba Sendiri: Ukur Besar Efek — Bukan Hanya Signifikan Nilai-p memberitahu apakah beda; ukuran efek memberitahu seberapa besar bedanya. Geser data dan lihat eta-kuadrat ($\eta^{2}$) berubah.
Dengan sampel besar, ANOVA bisa saja signifikan meski selisih praktisnya sangat kecil. Ukuran efek seperti eta-kuadrat ($\eta^{2}$) melengkapi nilai-p dengan menjawab pertanyaan “seberapa besar”. Minta mahasiswa membandingkan dua dataset dengan nilai-p serupa namun ukuran efek berbeda, dan diskusikan implikasi praktis bagi manajer Alfamart. Aturan praktis Cohen: $\eta^{2}$ sekitar 0,01 kecil, 0,06 sedang, 0,14 besar. Disiplin melaporkan ukuran efek adalah standar jurnal bisnis modern. Asumsi ANOVA — Tiga Syarat Wajib ANOVA valid bila tiga asumsi ini terpenuhi. Periksa sebelum melaporkan hasil.
Asumsi 1
Normal
Observasi dalam setiap kelompok berdistribusi normal. Uji: Shapiro-Wilk / histogram. Robustness: ANOVA cukup robust bila n ≥ 30 per kelompok (Central Limit Theorem / CLT).
Asumsi 2
Homo
Homogenitas variansi: $\sigma^{2}_{1} = \sigma^{2}_{2} =$ … $= \sigma^{2}_{k}$. Uji: Levene's Test / Bartlett's Test. Bila dilanggar: gunakan Welch's ANOVA atau Games-Howell post-hoc.
Asumsi 3
Indep
Independensi: setiap observasi bebas dari observasi lainnya. Dipastikan melalui desain sampling yang benar. Bila dilanggar: gunakan ANOVA pengukuran berulang (repeated measures ).
Bila asumsi dilanggar berat dan n kecil $\to$ alternatif non-parametrik: Kruskal-Wallis (uji berbasis rank, tidak butuh asumsi normalitas).
Tiga asumsi ini harus Anda cek sebelum melaporkan hasil ANOVA — terutama dalam skripsi dan jurnal. Kabar baiknya: ANOVA cukup robust terhadap pelanggaran normalitas bila n cukup besar, yakni 30 per kelompok atau lebih, berkat Central Limit Theorem yang menjamin distribusi rata-rata mendekati normal. Asumsi yang paling kritis adalah homogenitas variansi — kalau variansi satu kelompok sepuluh kali lebih besar dari kelompok lain, hasil ANOVA bisa sangat menyesatkan. Software statistik seperti SPSS secara otomatis menghitung Levene's Test; bila signifikan p < 0,05, gunakan Welch's ANOVA sebagai pengganti. Asumsi independensi paling mudah dipenuhi dengan desain sampling yang baik — pastikan satu observasi tidak mempengaruhi observasi lainnya. Kruskal-Wallis adalah uji non-parametrik setara ANOVA satu arah yang berbasis rank dan tidak membutuhkan asumsi distribusi normal. Bagian 4 dari 4
ANOVA Dua Arah
Bagaimana menguji pengaruh dua variabel dan interaksinya? Desain faktorial (factorial ) = lebih dari satu faktor diuji bersamaan.
Kita sekarang naik ke level berikutnya: ANOVA dua arah. Ini sangat berguna ketika Anda ingin menguji pengaruh dua variabel sekaligus dan juga apakah keduanya berinteraksi satu sama lain. Bayangkan Anda ingin menguji apakah diskon mempengaruhi penjualan, dan apakah lokasi gerai — mall versus standalone — mempengaruhi penjualan. Tapi juga: apakah diskon bekerja berbeda di mall dibandingkan di gerai standalone? Itulah efek interaksi, dan ini hanya bisa diuji dengan ANOVA dua arah. Bagian ini memerlukan konsentrasi ekstra karena ada tiga hipotesis yang diuji sekaligus — efek Faktor A, efek Faktor B, dan efek interaksi A×B. ANOVA Dua Arah: Efek Utama & Interaksi ANOVA dua arah menguji pengaruh Faktor A, Faktor B, dan interaksi A×B dalam satu prosedur.
$H_{0}A$: Tidak ada efek utama Faktor A
$H_{0}B$: Tidak ada efek utama Faktor B
$H_{0}AB$: Tidak ada efek interaksi antara A dan B
Efek utama (main effect ) = pengaruh satu faktor secara rata-rata di semua level faktor lain.Efek interaksi = pengaruh Faktor A bergantung pada level Faktor B.Bila A×B signifikan $\to$ jangan interpretasikan efek utama secara terisolasi.
Level $B_{1}$ Level $B_{2}$ $\bar{x}_{i}$. Level $A_{1}$ $\bar{x}_{11}$ $\bar{x}_{12}$ $\bar{x}_{1}$. Level $A_{2}$ $\bar{x}_{21}$ $\bar{x}_{22}$ $\bar{x}_{2}$. Level $A_{3}$ $\bar{x}_{31}$ $\bar{x}_{32}$ $\bar{x}_{3}$. $\bar{x}.῍$; $\bar{x}._{1}$ $\bar{x}._{2}$ $\bar{x}$..
Paralel = Tidak ada interaksi Efek interaksi adalah konsep paling penting dan paling sering disalahpahami dalam ANOVA dua arah. Analoginya: bayangkan obat tertentu bekerja sangat baik untuk pasien muda tapi tidak untuk pasien tua — ada interaksi antara jenis obat dan usia. Dalam konteks bisnis, bayangkan diskon 30% meningkatkan penjualan drastis di mall tapi hampir tidak berpengaruh di gerai standalone — ada interaksi antara level diskon dan tipe gerai. Kalau interaksi signifikan, Anda tidak boleh berkata "diskon berpengaruh positif" secara umum — harus spesifik di level B mana. Secara prosedur: selalu uji interaksi dulu; bila signifikan, fokus pada interpretasi interaksi; baru kemudian efek utama dibahas dalam konteks interaksi tersebut. Pada grafik interaksi, dua garis paralel berarti tidak ada interaksi — efek A sama di semua level B. Rumus ANOVA Dua Arah Dekomposisi SS untuk desain balanced (a level Faktor A, b level Faktor B, n replikasi per sel):
$$\text{SST} = \text{SSA} + \text{SSB} + \text{SSAB} + \text{SSE}$$
SSA $= bn \times \sum(\bar{x}_{i}. - \bar{x}..)^{2}$ $[df_A = a-1]$
Sumber SS df F Faktor A SSA a−1 MSA/MSE Faktor B SSB b−1 MSB/MSE Interaksi AB SSAB (a−1)(b−1) MSAB/MSE Error (dalam sel) SSE ab(n−1) — Total SST abn−1 —
Perhatikan bahwa ANOVA dua arah memiliki empat komponen SS, bukan dua seperti ANOVA satu arah. Kita sekarang memisahkan variansi menjadi: efek Faktor A, efek Faktor B, efek interaksi A×B, dan error yang tersisa. Prinsip F-ratio tetap sama: kita bandingkan sinyal, yaitu MS faktor, dengan noise, yaitu MSE atau Mean Square Error — variansi dalam sel yang tidak bisa dijelaskan model. Yang baru adalah kita punya tiga F yang diuji: untuk Faktor A, untuk Faktor B, dan untuk interaksi A×B, masing-masing dengan tabel F yang dikonsultasikan menggunakan df masing-masing. Satu syarat penting: rumus ini berlaku untuk desain balanced, artinya n sama di setiap sel — untuk desain unbalanced, perhitungannya lebih kompleks dan butuh software. Kata balanced dalam statistik berarti semua sel punya jumlah observasi yang sama. Coba Sendiri: Ubah Level Faktor, Lihat Garis Interaksi Ubah rata-rata tiap sel Faktor A x Faktor B dan amati kapan garis interaksi berubah dari paralel menjadi bersilangan.
🧪 Buka kalkulator penuh (rumus + contoh + FAQ)
Sekarang coba widget ini secara langsung. Saya minta satu mahasiswa maju dan mengubah rata-rata salah satu sel — misalnya sel diskon tinggi di gerai mall — sambil membiarkan sel lain tetap. Perhatikan bagaimana garis pada grafik interaksi mulai bersilangan, bukan lagi paralel. Itu tandanya interaksi mulai muncul: efek diskon berbeda tergantung tipe gerai. Coba juga kembalikan semua sel sehingga garis paralel lagi — itu berarti efek utama saja yang bekerja, tanpa interaksi. Dengan intuisi visual ini, mari kita lihat rumus formalnya. Ringkasan Rumus ANOVA Dua Arah Empat jumlah kuadrat — SSA, SSB, SSAB, SSE — dibagi derajat bebas masing-masing menjadi MSA, MSB, MSAB, MSE; tiga rasio F menguji dua efek utama dan satu efek interaksi.
$F_A = MSA/MSE \;\; F_B = MSB/MSE \;\; F_{AB} = MS_{AB}/MSE$ — masing-masing dibandingkan dengan nilai F kritis (df efek, df error) pada taraf $\alpha$ yang dipilih.
Slide ini merangkum rumus inti ANOVA dua arah sebelum kita mengaplikasikannya pada HDN-2. Tekankan bahwa strukturnya identik dengan ANOVA satu arah — hanya sekarang kita punya tiga rasio F karena ada dua efek utama dan satu efek interaksi. Bila F_AB signifikan, efek interaksi hadir dan kita tidak boleh menafsirkan efek utama secara terpisah tanpa kualifikasi. HDN-2: Harga Promo × Tipe Gerai — Langkah 1–4 Konteks: Faktor A = Diskon (10%, 20%, 30%). Faktor B = Tipe Gerai (Mall, Standalone). n = 5 hari per sel. N = 3×2×5 = 30.
Mall $(B_{1})$ Standalone $(B_{2})$ $\bar{x}_{i}$. Diskon $10\% (A_{1})$ 102 88 95,0 Diskon $20\% (A_{2})$ 118 95 106,5 Diskon $30\% (A_{3})$ 145 98 121,5 $\bar{x}.῍$; 121,67 93,67 $\bar{x}..=107,67$
Langkah Perhitungan Nilai 1. Grand Mean (102+88+118+95+145+98)/6 = 646/6 107,67 2. Selisih A $(-12,67)^{2}+(-1,17)^{2}+(13,83)^{2}$ 160,5+1,4+191,3=353,2 3. SSA bn × 353,2 = 2×5 × 353,2 SSA = 3.532 4. Selisih B $(121,67-107,67)^{2}+(93,67-107,67)^{2}$ 196+196=392
Kita mulai dengan data yang lebih kompleks: eksperimen dua faktor dengan tiga level diskon dan dua tipe gerai. Perhatian penting: di ANOVA dua arah, notasi "SSB" berarti Sum of Squares Faktor B, yaitu Tipe Gerai — ini berbeda dari ANOVA satu arah di mana "SSB" berarti Sum of Squares Between antar kelompok. Untuk menghindari kebingungan, di ANOVA dua arah kita gunakan subskrip: SS_A untuk Diskon, SS_B untuk Tipe Gerai, SS_AB untuk Interaksi, SS_E untuk Error. Perhatikan pola datanya: diskon 30% di mall menghasilkan rata-rata 145 unit, sedangkan diskon 30% di standalone hanya 98 unit — selisihnya 47 unit. Apakah ini hanya karena perbedaan tipe gerai, atau karena diskon bekerja lebih kuat di mall? Pertanyaan itu akan dijawab oleh uji interaksi di slide berikutnya. HDN-2: Harga Promo × Tipe Gerai — Langkah 5–7 Langkah Perhitungan Nilai 5. SSB an × 392 = 3×5 × 392 = 15 × 392 SSB = 5.880 6. SSAB deviasi $(102-95-121,67+107,67)^{2}=49; (88-95-93,67+107,67)^{2}=49$; ... jumlah 6 sel = 291 291 6. SSAB n × 291 = 5 × 291 SSAB = 1.455 7. SSE 6 sel $\times (n-1) \times s^{2}_$sel; variansi tiap sel mall=2,5, standalone=0,5 SSE = 36
Sumber SS df MS F-hitung F kritis $(\alpha=0,05)$ Keputusan Diskon (A) 3.531,67 2 1.765,84 1.177,2 3,40 Tolak $H_{0}A$ Tipe Gerai (B) 5.880,00 1 5.880,00 3.920,0 4,26 Tolak $H_{0}B$ Interaksi (A×B) 1.455,00 2 727,50 485,0 3,40 Tolak $H_{0}AB$ Error 36,00 24 1,50 — — — Total 10.902,67 29 — — — —
Perhatikan bahwa ketiga F-hitung sangat signifikan — efek Diskon (F=1.177,2 jauh di atas 3,40), Tipe Gerai (F=3.920,0 jauh di atas 4,26), dan Interaksi (F=485,0 jauh di atas 3,40) semuanya jauh melampaui nilai kritis. Efek interaksi yang sangat signifikan (F=485,0) berarti kita tidak bisa sekadar berkata "diskon meningkatkan penjualan sebesar X unit" — kita harus spesifik: "Diskon meningkatkan penjualan lebih besar di gerai mall daripada di gerai standalone." Ini adalah informasi manajerial yang sangat berharga: kalau budget promosi terbatas, manajer sebaiknya mengkonsentrasikan diskon besar di gerai mall. Dalam penulisan laporan atau skripsi, bila interaksi signifikan, harus didahulukan interpretasinya sebelum efek utama. MSE = SSE/df_E = 36/24 = 1,5 adalah variansi dalam sel yang menjadi noise pembanding. Interpretasi Interaksi: Grafik Interaksi Grafik interaksi (interaction plot ) memvisualisasikan apakah efek satu faktor bergantung pada level faktor lain. Garis tidak paralel = ada interaksi.
88 102 118 145 10% 20% 30% Level Diskon Mall Standalone Slope berbeda = ada interaksi Diskon Mall Standalone 10% 102 88 20% 118 95 30% 145 98
Mall naik $102\to145 (+43$ unit). Standalone naik $88\to98 (+10$ unit). Dua garis tidak paralel $\to$ interaksi signifikan.Implikasi: Diskon besar sangat efektif di mall, kurang efektif di standalone.
Grafik interaksi adalah cara tercepat untuk melihat apakah interaksi ada. Kalau dua garis itu paralel — naik atau turun dengan kemiringan yang sama — tidak ada interaksi: efek diskon sama saja di kedua tipe gerai. Tapi kalau garisnya saling mendekat, menjauh, atau bahkan bersilang seperti huruf X, ada interaksi — artinya jawaban pertanyaan "apakah diskon efektif?" bergantung pada di mana gerai itu berada. Dalam kasus kita, garis Mall jauh lebih curam daripada garis Standalone — diskon 30% menambah 43 unit di mall tapi hanya 10 unit di standalone. Manajemen Alfamart bisa menggunakan insight ini untuk mengalokasikan anggaran promosi secara lebih efisien: konsentrasikan diskon besar di mal-mal besar kota untuk mendapatkan impact penjualan maksimal. Ini adalah contoh nyata bagaimana statistika menghasilkan rekomendasi bisnis yang bisa ditindaklanjuti. Peta Konsep ANOVA — Satu Layar ANOVA dalam satu pandang. Kunci: SST = SSB + SSW; F = MSB/MSW.
Rata-rata ≥3 kelompok berbeda? 1 Faktor ANOVA Satu Arah Cek asumsi → Hitung F = MSB/MSW Bandingkan F dengan F kritis Tolak H₀ Tukey HSD post-hoc Gagal Tolak Tidak ada perbedaan sig. Asumsi dilanggar & n kecil Kruskal-Wallis 2 Faktor ANOVA Dua Arah Uji F_A; F_B; F_AB Interaksi Sig. → Interaction Plot Tdk Sig. → Efek Utama Cek interaksi dulu! Di slide ini saya ingin Anda melihat gambaran besar dari seluruh materi hari ini dalam satu pandang. Mulai dari pertanyaan bisnis — apakah rata-rata kelompok berbeda — lalu pilih metode yang tepat berdasarkan jumlah faktor. ANOVA satu arah untuk satu faktor; ANOVA dua arah untuk dua faktor sekaligus. Setelah dapat hasil, ingat: menolak $H_{0}$ hanyalah pintu masuk — setelah itu masih ada uji post-hoc Tukey HSD dan interpretasi substantif. Dan bila asumsi tidak terpenuhi, Kruskal-Wallis adalah pelabuhan aman. Diagram alur ini adalah peta navigasi yang saya harap Anda pegang terus selama perkuliahan dan dalam skripsi nanti. Rumus kunci yang harus selalu Anda ingat: SST = SSB + SSW dan F = MSB/MSW — dua persamaan sederhana yang mewakili seluruh logika ANOVA satu arah. Latihan & Persiapan Pertemuan 5 Distribusi F: selalu positif, right-skewed, dua derajat kebebasan $(df_{1}$ & $df_{2})$ ANOVA satu arah: hitung SSB=67,74; SSW=4,32; F=188,37 dari data mentah Tabel F: baca dengan df_B (kolom) dan df_W (baris); interpolasi bila perlu Tukey HSD: HSD $= q\times\sqrt{$MSW/n} = 0,415; semua 6 pasangan berbeda signifikan ANOVA dua arah: uji interaksi dulu; SSA=3.531,67; SSB=5.880; SSAB=1.455 Kerjakan Bank Soal B2 (Lampiran B materi) Coba data produktivitas karyawan PT Telkom 3 divisi (Lampiran B soal 3) Baca: Lind, Marchal & Wathen (2015) Bab 12, §12.6–12.7 Verifikasi SSW = 4,316 secara manual dari Lampiran A Pertemuan 5: Regresi Linear Sederhana
Kita sudah menempuh perjalanan yang cukup panjang hari ini — dari distribusi F, ANOVA satu arah, uji Tukey HSD, hingga ANOVA dua arah dengan efek interaksi. Ini adalah salah satu pertemuan yang paling padat dalam Statistika Bisnis II, jadi kalau ada yang belum sepenuhnya jelas, saya sangat menganjurkan Anda mengulang Lampiran A di materi ini sambil mengerjakan Bank Soal. Angka-angka kunci yang harus Anda hafal: F-hitung = 188,37, F kritis = 2,866, HSD = 0,415, dan untuk ANOVA dua arah: SSA=3.531,67, SSAB=1.455, MSE=1,5. Pertemuan depan kita akan beralih ke Regresi Linear Sederhana — yang secara konsep merupakan kakak ANOVA karena sama-sama menggunakan F-test, tapi untuk menguji hubungan antar variabel, bukan perbedaan rata-rata kelompok. Sampai jumpa di Pertemuan 5, dan jangan lupa kerjakan latihan mandiri sebelum kita bertemu lagi.