Program Studi Bisnis Digital • FEB
Statistika Bisnis
Pertemuan 4 — Analisis Varians (ANOVA): Distribusi F dan Uji Kesamaan Populasi Bagaimana kita tahu apakah rata-rata omset tiga platform e-commerce, tiga cabang toko, atau tiga strategi iklan benar-benar berbeda — atau bedanya cuma kebetulan? ANOVA menjawab pertanyaan itu.
RPS minggu $4 \cdot 2x50$ menit
Selamat pagi/siang, Anda semua. Minggu lalu kita sudah belajar distribusi normal dan nilai-z untuk memahami satu kelompok data; hari ini kita naik satu tingkat: membandingkan lebih dari dua kelompok sekaligus. Bayangkan Anda pemilik brand fesyen yang berjualan lewat Shopee, Tokopedia, dan TikTok Shop — omset harian di ketiga platform itu terlihat berbeda, tapi apakah bedanya signifikan secara statistik, atau hanya fluktuasi acak? Alat yang tepat untuk pertanyaan semacam ini disebut ANOVA, singkatan dari Analysis of Variance atau analisis varians, dan intinya menggunakan sesuatu yang disebut distribusi F. Hari ini kita akan bongkar konsepnya dari nol, hitung sendiri dua kasus lengkap, dan lihat bagaimana ANOVA dipakai sehari-hari dalam pengambilan keputusan bisnis digital. Bagian 1 dari 3
Mengapa ANOVA? Konsep Dasar & Distribusi F
Sebelum menghitung, kita perlu paham masalah apa yang diselesaikan ANOVA, dan mengapa alat ukurnya bernama distribusi F.
Di bagian pertama ini kita akan membangun fondasi konseptual sebelum masuk ke rumus dan angka. Kita akan bahas kenapa membandingkan tiga kelompok atau lebih dengan uji-t satu-per-satu itu berbahaya, apa yang sebenarnya diukur ANOVA lewat istilah "variasi antar kelompok" dan "variasi dalam kelompok", bagaimana merumuskan hipotesis nol dan hipotesis alternatifnya, dan terakhir mengenal bentuk distribusi F yang menjadi dasar pengujian. Anggap bagian ini sebagai peta konsep sebelum Anda turun tangan menghitung sendiri di bagian kedua. Tujuan Pembelajaran Hari Ini Setelah pertemuan ini, Anda diharapkan mampu melakukan analisis varians dan menguji kesamaan lebih dari dua rata-rata populasi (Sub-CPMK Minggu 4). Secara rinci:
Pemahaman Konsep
Menjelaskan mengapa ANOVA dipakai untuk membandingkan >2 kelompok, bukan uji-t berulang Memahami logika distribusi F sebagai rasio dua varians Kemampuan Praktis
Menghitung tabel ANOVA lengkap (SSB, SSW, df, MS, F) dari data mentah Mengambil keputusan statistik dan menerjemahkannya ke bahasa bisnis Pustaka acuan minggu ini: Lind, Marchal & Wathen, Statistical Techniques in Business & Economics , 16th ed., Bab tentang Analysis of Variance.
Mari kita lihat dulu peta tujuan hari ini supaya Anda tahu ke mana arahnya. Target utamanya, Anda mampu menganalisis apakah rata-rata dari tiga kelompok data atau lebih benar-benar berbeda secara statistik, bukan sekadar terlihat berbeda di permukaan. Ini kelanjutan langsung dari distribusi normal minggu lalu — ANOVA sebenarnya "meminjam" gagasan variasi dan rata-rata yang sudah Anda kuasai, hanya diterapkan untuk membandingkan banyak kelompok sekaligus. Kemampuan menghitung tabel ANOVA secara manual penting bukan supaya Anda jadi kalkulator berjalan, tapi supaya nanti saat memakai software di pertemuan tujuh, Anda paham betul apa yang sedang dihitung oleh komputer, bukan sekadar menekan tombol. Mengapa Tidak Cukup dengan Uji-t Berulang? Anda punya 3 kelompok (mis. omset di Shopee, Tokopedia, TikTok Shop). Tergoda membandingkan tiap pasangan dengan uji-t? Ini jebakannya.
Perlu 3 uji-t terpisah: Shopee vs Tokopedia, Shopee vs TikTok, Tokopedia vs TikTok Tiap uji-t punya risiko galat (error ) tipe I sebesar 5% Dengan 3 uji-t, risiko total salah tolak H0 menumpuk jauh di atas 5% Satu uji tunggal untuk membandingkan semua kelompok sekaligus Risiko galat tipe I tetap terjaga di 5% (atau α yang ditentukan) Kalau signifikan, baru dilanjut uji lanjut (post-hoc ) untuk cari pasangan spesifik Semakin banyak kelompok yang dibandingkan lewat uji-t berpasangan, semakin besar peluang Anda "menemukan" perbedaan yang sebenarnya cuma kebetulan — ini disebut inflasi galat tipe I .
Ini pertanyaan yang wajar muncul di kepala Anda: kenapa tidak sekalian pakai uji-t yang sudah kita pelajari untuk membandingkan tiap pasangan platform satu per satu? Masalahnya ada pada akumulasi risiko. Kalau tiap uji-t punya risiko lima persen salah menyimpulkan ada perbedaan padahal sebenarnya tidak ada, maka begitu Anda menjalankan tiga uji-t berturut-turut, risiko gabungan salah simpulan itu menumpuk menjadi jauh lebih besar dari lima persen — fenomena ini disebut inflasi galat tipe I, dan semakin banyak kelompok yang dibandingkan, semakin parah masalahnya. Bayangkan kalau Anda membandingkan sepuluh cabang toko sekaligus, jumlah pasangan yang harus diuji-t bisa mencapai empat puluh lima kombinasi — risiko kesimpulan palsu jadi sangat tinggi. ANOVA menyelesaikan masalah ini secara elegan dengan menguji semua kelompok dalam satu langkah tunggal, menjaga risiko galat tetap terkendali di angka yang Anda tetapkan sejak awal. Konsep Inti: Variasi Antar-Kelompok vs Dalam-Kelompok ANOVA membandingkan dua sumber variasi dalam data untuk memutuskan apakah perbedaan rata-rata kelompok itu nyata.
Seberapa jauh rata-rata tiap kelompok berbeda dari rata-rata keseluruhan (grand mean ). Kalau strategi pemasaran memang berpengaruh, rata-rata tiap kelompok akan menyebar jauh.
Seberapa jauh data individual menyebar di sekitar rata-rata kelompoknya sendiri. Ini adalah "kebisingan" atau variasi alami yang tak bisa dijelaskan perlakuan.
Logika ANOVA: kalau variasi antar -kelompok jauh lebih besar daripada variasi dalam -kelompok, perbedaan rata-rata kemungkinan besar nyata , bukan kebetulan.
Ini konsep paling penting yang harus Anda pahami sebelum masuk ke rumus, jadi mari kita pelan-pelan. Variasi antar-kelompok mengukur seberapa jauh rata-rata Shopee, Tokopedia, dan TikTok Shop berbeda satu sama lain dan dari rata-rata gabungan semuanya. Variasi dalam-kelompok mengukur hal yang berbeda: seberapa naik-turun omset harian di dalam Shopee saja, terlepas dari platform lain — ini variasi alami yang selalu ada, mungkin karena hari kerja versus akhir pekan, atau faktor acak lain. Nah, logika ANOVA sederhana tapi elegan: kalau perbedaan antar-platform jauh lebih besar dibanding "kebisingan" alami di dalam tiap platform, maka kita punya bukti kuat bahwa platform memang memengaruhi omset. Sebaliknya, kalau variasi dalam-kelompok saja sudah sebesar variasi antar-kelompok, perbedaan rata-rata yang kita lihat mungkin cuma kebetulan acak. Rasio kedua variasi inilah yang nanti menjadi nilai F. Merumuskan Hipotesis ANOVA $$H0: \mu_{1} = \mu_{2} = \mu_{3} = … = \mu_{k} | H1: minimal satu rata-rata \text{populasi} berbeda$$
Semua rata-rata populasi sama — mis. rata-rata omset Shopee, Tokopedia, dan TikTok Shop sebenarnya identik; perbedaan yang terlihat cuma fluktuasi sampel.
Minimal satu rata-rata berbeda dari yang lain. H1 tidak mengatakan semua berbeda — bisa jadi hanya satu platform yang menonjol.
Penting: k = jumlah kelompok yang dibandingkan (mis. k = 3 untuk Shopee, Tokopedia, TikTok Shop).
Perhatikan baik-baik cara menulis hipotesis ANOVA, karena bentuknya sedikit berbeda dari uji-t yang sudah Anda kenal. Hipotesis nol menyatakan semua rata-rata populasi itu sama persis — dalam contoh kita, artinya secara populasi, rata-rata omset harian di Shopee, Tokopedia, dan TikTok Shop sebenarnya identik, dan kalau ada perbedaan di data sampel yang kita kumpulkan, itu hanya kebetulan akibat variasi acak sampling. Hipotesis alternatif justru harus dibaca hati-hati: ia hanya mengatakan "minimal satu berbeda", bukan "semuanya berbeda". Ini artinya kalau ANOVA menyimpulkan H0 ditolak, kita baru tahu ada perbedaan di suatu tempat di antara ketiga platform itu, tapi belum tahu persis platform mana yang berbeda dari yang mana — untuk menjawab itu, nanti kita perlu uji lanjut yang akan kita bahas di bagian ketiga. Huruf k yang mewakili jumlah kelompok ini akan terus muncul di rumus-rumus berikutnya, jadi ingat baik-baik definisinya. Distribusi F: Bentuk dan Karakteristiknya Nilai F (selalu ≥ 0) Frekuensi Nilai F selalu $\geq 0$ (hasil bagi dua varians, tak pernah negatif) Bentuk menceng ke kanan (positively skewed ), tidak simetris seperti kurva normal Bentuknya berubah tergantung 2 derajat bebas : pembilang (df1) & penyebut (df2) Distribusi F ini punya "kepribadian" yang berbeda dari distribusi normal yang kita pelajari minggu lalu, jadi perhatikan baik-baik diagramnya. Karena nilai F pada dasarnya adalah hasil bagi antara dua varians — dan varians tidak pernah negatif — maka nilai F juga tidak pernah negatif, kurvanya selalu dimulai dari nol dan menjulur ke kanan. Bentuknya menceng ke kanan atau positively skewed, artinya ekor panjangnya ada di sisi kanan, berbeda dengan kurva normal yang simetris sempurna seperti lonceng. Yang unik lagi, bentuk kurva F ini tidak tunggal seperti kurva normal standar — ia berubah-ubah tergantung dua angka derajat bebas, yaitu derajat bebas pembilang yang berkaitan dengan jumlah kelompok, dan derajat bebas penyebut yang berkaitan dengan jumlah data total. Nanti saat kita membaca tabel F, Anda akan menggunakan pasangan dua derajat bebas ini untuk mencari nilai kritis yang tepat, jadi ingat baik-baik bahwa distribusi F selalu butuh "dua alamat", bukan satu seperti distribusi normal. Coba Sendiri: Bentuk Distribusi F vs Derajat Bebas Atur df1 (antar-kelompok) dan df2 (dalam-kelompok), lalu amati bagaimana kurva F dan nilai kritisnya bergeser.
Sebelum menghitung F secara manual, penting memahami wujud distribusi pembanding. Alat ini menunjukkan bahwa F selalu positif dan miring ke kanan; makin besar df2 (sampel dalam-kelompok), kurva menyempit dan nilai kritis turun, sehingga ANOVA makin peka. Tekankan: nilai Fhitung yang besar relatif terhadap Fkritis adalah sinyal variasi antar-kelompok melebihi dugaan variasi acak. Coba Sendiri: Simulasi Uji F ANOVA Satu Arah Ubah rata-rata tiap kelompok dan amati bagaimana nilai F hitung serta keputusan tolak/terima H0 berubah seketika.
Silakan satu orang maju untuk mencoba widget ini. Coba geser rata-rata salah satu kelompok menjauh dari kelompok lain, misalnya perbesar rata-rata Platform A, lalu perhatikan bagaimana variasi antar-kelompok membesar dan F hitung ikut naik. Sekarang coba dekatkan lagi ketiga rata-rata, dan amati F hitung mengecil mendekati satu, tanda tidak ada perbedaan berarti. Latihan ini membantu Anda merasakan langsung kapan F hitung cukup besar untuk melewati nilai kritis, sebelum kita masuk ke perhitungan manual tabel ANOVA dari nol pada bagian berikutnya. Bagian 2 dari 3
Menghitung Tabel ANOVA dari Nol
Saatnya turun tangan: kita bongkar rumus SSB, SSW, dan F menjadi langkah-langkah yang bisa Anda hitung sendiri dengan kalkulator.
Sekarang kita masuk ke bagian paling praktis pertemuan hari ini. Setelah memahami konsepnya, kita akan bongkar rumus-rumus ANOVA menjadi anatomi tabel yang jelas, lalu langsung menghitung dua kasus lengkap dari data mentah sampai kesimpulan akhir. Kasus pertama tentang omset UMKM di tiga platform e-commerce, kasus kedua tentang waktu respons layanan pelanggan di tiga kanal komunikasi berbeda. Saya sarankan Anda siapkan kalkulator dan ikuti perhitungannya baris demi baris, karena keterampilan menghitung manual ini akan membuat Anda jauh lebih paham saat nanti software statistik melakukannya secara otomatis di pertemuan tujuh. Anatomi Tabel ANOVA: Enam Komponen Kunci Komponen Arti Rumus SSB (Sum of Squares Between)Total variasi antar-kelompok $\sum n_{i}(\bar{x}_{i} - \bar{x})^{2}$ SSW (Sum of Squares Within)Total variasi dalam-kelompok $\sum\sum (x_{ij} - \bar{x}_{i})^{2}$ df1 & df2 Derajat bebas pembilang & penyebut k-1 dan N-k MSB (Mean Square Between)Rata-rata variasi antar-kelompok SSB $\div df1$ MSW (Mean Square Within)Rata-rata variasi dalam-kelompok SSW $\div df2$ F Rasio kedua variasi rata-rata MSB $\div$ MSW
Tabel ini adalah "peta rumus" yang akan kita pakai berulang-ulang di dua contoh perhitungan berikutnya, jadi mari kita kenali dulu tiap barisnya. SSB, sum of squares between, mengukur total variasi antar-kelompok dengan cara mengalikan jumlah data tiap kelompok dengan kuadrat selisih rata-rata kelompok itu terhadap rata-rata keseluruhan. SSW, sum of squares within, mengukur total variasi dalam-kelompok dengan menjumlahkan kuadrat selisih tiap data individual terhadap rata-rata kelompoknya sendiri. Derajat bebas pembilang, df1, dihitung dari jumlah kelompok dikurangi satu, sementara derajat bebas penyebut, df2, dihitung dari total data dikurangi jumlah kelompok. MSB dan MSW adalah "rata-rata" dari SSB dan SSW setelah dibagi derajat bebas masing-masing — ini penting karena SSB dan SSW mentah tidak bisa langsung dibandingkan kalau jumlah kelompok atau datanya berbeda. Dan akhirnya, F adalah rasio MSB dibagi MSW — inilah angka tunggal yang akan kita bandingkan dengan tabel F untuk mengambil keputusan. Hitung dari Nol #1: Omset UMKM di 3 Platform E-commerce Omset harian (Rp juta) sebuah UMKM fesyen, 5 hari sampel per platform: Shopee {10,12,11,9,13}, Tokopedia {15,17,16,14,18}, TikTok Shop {8,10,9,7,11}.
Langkah Perhitungan Nilai 1. Rata-rata tiap kelompok (n=5) Shopee $55\div5$, Tokopedia $80\div5$, TikTok $45\div5$ 11, 16, 9 2. Rata-rata total (grand mean ) $(55+80+45) \div 15$ 12 3. SSB $5(11-12)^{2}+5(16-12)^{2}+5(9-12)^{2}$ 130 4. SSW 10 + 10 + 10 (jumlah kuadrat deviasi tiap kelompok) 30 5. df1, df2 k-1 = 3-1 ; N-k = 15-3 2, 12 6. MSB, MSW $130\div2 ; 30\div12$ 65, 2,5 7. F-hitung $65 \div 2,5$ 26
F-hitung
26
df(2, 12) — jauh melebihi ambang kritis
Mari kita telusuri perhitungan ini selangkah demi selangkah karena inilah inti keterampilan hari ini. Rata-rata tiap platform kita hitung dulu: Shopee sebelas juta rupiah, Tokopedia enam belas juta rupiah, TikTok Shop sembilan juta rupiah, lalu rata-rata gabungan semua lima belas data itu adalah dua belas juta rupiah. SSB kita hitung dengan mengalikan lima data per kelompok dengan kuadrat selisih tiap rata-rata kelompok terhadap dua belas, hasilnya seratus tiga puluh. SSW kita dapat dari menjumlahkan kuadrat deviasi tiap data individu terhadap rata-rata kelompoknya sendiri, totalnya tiga puluh. Derajat bebas pembilang adalah tiga kelompok dikurangi satu sama dengan dua, derajat bebas penyebut adalah lima belas data dikurangi tiga kelompok sama dengan dua belas. MSB seratus tiga puluh dibagi dua sama dengan enam puluh lima, MSW tiga puluh dibagi dua belas sama dengan dua koma lima. F-hitung akhirnya adalah enam puluh lima dibagi dua koma lima, sama dengan dua puluh enam — angka yang sangat besar, dan di slide berikutnya kita akan lihat apa artinya. Membaca Tabel F & Kaidah Keputusan $$Tolak H0 \text{jika} F-hitung > F-tabel (\text{pada} df1, df2, \text{dan} \alpha \text{tertentu})$$
Untuk kasus Shopee/Tokopedia/TikTok Shop: $df1=2, df2=12, \alpha=0,05 \to$ cari di tabel F, dapat nilai kritis $F_{$tabel$} \approx 3,89$ .
F-hitung = 26 > F-tabel $= 3,89 \to$ Tolak H0 . Cukup bukti bahwa rata-rata omset ketiga platform tidak semuanya sama .
Analogi: F-tabel adalah "garis ambang batas". Kalau F-hitung Anda melompat jauh di atasnya (seperti 26 vs 3,89), perbedaan yang Anda amati nyaris mustahil terjadi hanya karena kebetulan.
Sekarang kita sampai pada momen mengambil kesimpulan, dan caranya cukup sederhana begitu Anda paham logikanya. Tabel F adalah tabel referensi yang sudah dihitung oleh statistikawan sebelumnya, isinya nilai ambang batas untuk berbagai kombinasi derajat bebas pembilang, derajat bebas penyebut, dan tingkat signifikansi alpha yang biasanya kita tetapkan lima persen. Untuk kasus kita tadi, dengan df1 sama dengan dua dan df2 sama dengan dua belas, nilai kritis dari tabel F adalah kira-kira tiga koma delapan sembilan. Aturannya sederhana: kalau F-hitung yang kita dapat dari perhitungan lebih besar dari F-tabel ini, kita tolak hipotesis nol. Karena F-hitung kita dua puluh enam jauh melampaui tiga koma delapan sembilan, kita punya bukti kuat untuk menolak H0 dan menyimpulkan bahwa rata-rata omset ketiga platform benar-benar berbeda secara statistik, bukan sekadar kebetulan sampling. Semakin besar selisih antara F-hitung dan F-tabel, semakin yakin kita pada kesimpulan itu. Menerjemahkan Hasil Statistik ke Bahasa Bisnis Angka F=26 dan "tolak H0" tidak berarti apa-apa bagi manajer kalau tidak diterjemahkan menjadi keputusan.
H0 ditolak pada $\alpha=0,05$ Minimal satu platform punya rata-rata omset berbeda ANOVA belum menunjukkan platform mana yang berbeda dari mana Tokopedia (rata-rata 16 juta) tampak paling unggul — layak investigasi lebih lanjut Perlu uji lanjut untuk memastikan pasangan mana yang beda signifikan Jangan langsung alokasi ulang anggaran iklan hanya dari F-hitung saja Ini titik yang sering diabaikan mahasiswa: angka F sama dengan dua puluh enam dan kalimat "tolak H0" itu sendiri tidak berguna bagi seorang manajer pemasaran yang harus mengambil keputusan alokasi anggaran. Tugas Anda sebagai analis adalah menerjemahkannya: kita sekarang tahu secara statistik bahwa ketiga platform ini tidak berkinerja sama, dan dari data mentah tadi, Tokopedia dengan rata-rata enam belas juta rupiah per hari terlihat paling unggul dibanding Shopee sebelas juta dan TikTok Shop sembilan juta. Tapi hati-hati, ANOVA hanya bilang "ada perbedaan di suatu tempat", ia belum secara resmi mengonfirmasi bahwa Tokopedia signifikan lebih baik dari Shopee, atau dari TikTok Shop, atau keduanya. Untuk kepastian itu, kita butuh uji lanjut yang akan kita bahas di bagian ketiga nanti. Poin pentingnya: jangan langsung memindahkan seluruh anggaran iklan ke Tokopedia hanya berdasarkan F-hitung besar — itu kesimpulan yang terburu-buru. Ilustrasi: Daerah Penolakan pada Distribusi F F-tabel = 3,89 Daerah penolakan H0 (5%) F-hitung = 26 Nilai F F-hitung (26) jatuh jauh di dalam daerah abu-abu (daerah penolakan) — keputusan tolak H0 sangat meyakinkan, bukan batas tipis.
Diagram ini membantu Anda "melihat" apa yang sebenarnya terjadi di balik angka-angka tadi. Kurva melengkung ini adalah bentuk distribusi F untuk derajat bebas dua dan dua belas, persis kasus kita. Garis putus-putus di sekitar nilai tiga koma delapan sembilan menandai F-tabel, batas kritis pada tingkat signifikansi lima persen. Area abu-abu di sebelah kanan garis itu adalah daerah penolakan — kalau F-hitung kita jatuh di zona itu, kita menolak H0. Perhatikan di mana posisi F-hitung dua puluh enam pada diagram: ia jatuh sangat jauh ke kanan, jauh di dalam daerah abu-abu, bukan menempel tipis di garis batas. Ini penting secara visual karena membantu Anda membedakan hasil yang "meyakinkan" (seperti kasus kita) dengan hasil yang "pas-pasan", di mana F-hitung hanya sedikit lebih besar dari F-tabel — pada kasus pas-pasan, seorang analis yang baik akan lebih hati-hati dan mungkin mengumpulkan data tambahan sebelum mengambil kesimpulan besar. Coba Sendiri: Visualisasi ANOVA Satu Arah Lihat bagaimana rata-rata tiga kelompok dan sebarannya menghasilkan statistik F, lengkap dengan daerah penolakan pada kurva.
Pakai alat ini untuk memperlihatkan secara konkret apa yang diuji ANOVA: apakah perbedaan rata-rata antar kelompok cukup besar dibandingkan variasi di dalam kelompok. Geser rata-rata kelompok saling menjauh, lalu mendekat, dan amati F naik-turun. Ini menjembatani rumus abstrak SSB/SSW dengan intuisi visual. Bagian 3 dari 3
Asumsi, Uji Lanjut & Aplikasi Bisnis
ANOVA punya syarat yang harus dipenuhi, dan hasil signifikan hanyalah awal — ada langkah lanjutan sebelum keputusan bisnis diambil.
Di bagian terakhir ini kita akan menutup pembahasan ANOVA dengan tiga hal penting: pertama, tiga asumsi yang harus terpenuhi supaya hasil ANOVA bisa dipercaya, karena ANOVA bukan alat yang bisa dipakai sembarangan tanpa syarat. Kedua, kita bahas uji lanjut atau post-hoc test, jawaban atas pertanyaan yang tertunda dari slide interpretasi tadi: platform mana sebenarnya yang berbeda dari mana. Ketiga, kita akan latihan menghitung satu kasus ANOVA lagi dengan konteks berbeda, waktu respons layanan pelanggan, supaya keterampilan hitung Anda makin kuat, lalu kita tutup dengan diskusi aplikasi nyata ANOVA dalam dunia bisnis digital. Tiga Asumsi yang Harus Dipenuhi ANOVA Normalitas
Data tiap kelompok idealnya mengikuti distribusi normal (ingat kurva & nilai-z minggu lalu).
Homogenitas Varians
Varians (keragaman) antar-kelompok relatif setara — tidak ada satu kelompok yang jauh lebih "liar" dari yang lain.
Independensi
Data satu observasi tidak memengaruhi observasi lain — sampel diambil acak & bebas.
Kalau asumsi dilanggar parah (mis. varians sangat timpang), F-hitung bisa menyesatkan — perlu transformasi data atau uji non-parametrik alternatif (di luar cakupan hari ini).
Seperti alat statistik lain yang sudah kita pelajari, ANOVA bukan mantra ajaib yang bisa dipakai membabi buta pada data apa saja — ia punya tiga syarat penting. Asumsi normalitas berarti data di dalam tiap kelompok, idealnya, mengikuti bentuk kurva lonceng seperti yang kita pelajari minggu lalu tentang distribusi normal; kalau datanya sangat menceng atau punya banyak nilai ekstrem, hasil ANOVA jadi kurang dapat dipercaya. Asumsi homogenitas varians berarti tingkat keragaman di dalam Shopee, Tokopedia, dan TikTok Shop seharusnya kurang lebih setara — bayangkan kalau omset Shopee sangat stabil tapi omset TikTok Shop naik-turun liar, itu bisa mengganggu perhitungan MSW yang kita andalkan sebagai "ukuran kebisingan bersama". Asumsi independensi berarti satu observasi, misalnya omset hari Senin, tidak boleh secara sistematis memengaruhi observasi lain seperti omset hari Selasa dengan cara yang tidak wajar. Untuk pertemuan hari ini kita anggap ketiga asumsi ini terpenuhi pada data latihan kita, tapi di dunia nyata, seorang analis yang baik selalu mengecek ketiganya dulu sebelum percaya penuh pada hasil ANOVA. Uji Lanjut (Post-Hoc): Platform Mana yang Berbeda? ANOVA signifikan hanya bilang "ada perbedaan di suatu tempat". Uji lanjut menjawab pasangan mana yang berbeda secara statistik.
Hanya dijalankan setelah ANOVA menolak H0. Kalau H0 diterima (tidak ada perbedaan sama sekali), uji lanjut tidak diperlukan.
Membandingkan tiap pasangan kelompok (Shopee-Tokopedia, Shopee-TikTok, Tokopedia-TikTok) sambil tetap menjaga risiko galat tipe I terkendali — beda dari uji-t biasa yang tidak terkendali.
Bayangkan Tukey HSD sebagai "uji-t yang lebih hati-hati": ia tahu Anda membandingkan beberapa pasangan sekaligus, jadi ambang keputusannya disesuaikan supaya tidak terjebak inflasi galat tipe I dari slide 4.
Ingat pertanyaan yang tertunda dari slide interpretasi tadi: kita tahu ketiga platform berbeda, tapi belum tahu persis pasangan mana. Di sinilah uji lanjut atau post-hoc test berperan, dan aturannya tegas: uji lanjut hanya boleh dijalankan setelah ANOVA menyatakan H0 ditolak — kalau ANOVA bilang tidak ada perbedaan sama sekali, tidak ada gunanya mencari pasangan yang berbeda karena memang tidak ada. Salah satu metode paling populer adalah Tukey HSD, singkatan dari Honestly Significant Difference, yang membandingkan tiap kemungkinan pasangan platform satu per satu, sama seperti uji-t, tapi dengan koreksi matematis khusus supaya risiko galat tipe I yang kita bahas di awal pertemuan tetap terkendali. Detail rumus Tukey HSD sengaja tidak kita bahas mendalam hari ini karena akan lebih mudah dipahami lewat software di pertemuan tujuh nanti, tapi konsepnya penting Anda pegang: ANOVA menjawab "apakah ada perbedaan", sedangkan uji lanjut menjawab "di mana tepatnya perbedaan itu". Coba Sendiri: ANOVA Dua Arah: Dua Faktor Sekaligus Bila ada dua faktor (mis. platform dan musim), ANOVA dua arah menguji efek utama dan interaksi keduanya secara terpisah.
Setelah ANOVA satu arah signifikan, langkah berikutnya adalah uji post-hoc (Tukey, Bonferroni) untuk tahu pasangan mana yang berbeda. Alat ini memperkenalkan ANOVA dua arah sebagai jembatan: bagaimana bila ada dua faktor simultan. Singgung bahwa interaksi terjadi bila efek satu faktor bergantung pada level faktor lain (mis. platform A unggul hanya di musim ramai). Hitung dari Nol #2: Waktu Respons Customer Service Waktu respons (menit) keluhan pelanggan, 3 sampel per kanal: WhatsApp {5,6,7}, Telepon {9,10,11}, Email {13,14,15}.
Langkah Perhitungan Nilai 1. Rata-rata tiap kelompok (n=3) $18\div3, 30\div3, 42\div3$ 6, 10, 14 2. Rata-rata total (grand mean ) $(18+30+42) \div 9$ 10 3. SSB $3(6-10)^{2}+3(10-10)^{2}+3(14-10)^{2}$ 96 4. SSW 2 + 2 + 2 (jumlah kuadrat deviasi tiap kelompok) 6 5. df1, df2 k-1 = 3-1 ; N-k = 9-3 2, 6 6. MSB, MSW $96\div2 ; 6\div6$ 48, 1 7. F-hitung $48 \div 1$ 48
F-hitung
48
df(2, 6); F-tabel $\alpha=0,05 \approx 5,14 \to$ tolak H0
Mari kita ulangi seluruh prosedur dengan konteks berbeda supaya keterampilan Anda makin melekat — kali ini kita bandingkan rata-rata waktu respons keluhan pelanggan lewat WhatsApp, telepon, dan email. Rata-rata tiap kanal dulu: WhatsApp enam menit, telepon sepuluh menit, email empat belas menit, dengan rata-rata gabungan sepuluh menit. SSB kita hitung dari tiga data per kelompok dikali kuadrat selisih rata-rata kelompok terhadap sepuluh, hasilnya sembilan puluh enam. SSW dari jumlah kuadrat deviasi data individu terhadap rata-rata kelompoknya, totalnya enam. Derajat bebas pembilang dua, derajat bebas penyebut enam, karena hanya sembilan data dikurangi tiga kelompok. MSB sembilan puluh enam dibagi dua sama dengan empat puluh delapan, MSW enam dibagi enam sama dengan satu. F-hitung akhirnya empat puluh delapan dibagi satu, sama dengan empat puluh delapan — bahkan lebih ekstrem dari kasus pertama tadi, dan kalau dibandingkan dengan F-tabel pada df dua dan enam yang nilainya sekitar lima koma satu empat, kesimpulannya jelas: kanal komunikasi benar-benar memengaruhi kecepatan respons secara signifikan. ANOVA dalam Praktik Bisnis Digital Uji A/B/C desain iklan — bandingkan click-through rate 3+ varian sekaligusBandingkan penjualan lintas cabang/marketplace Bandingkan kepuasan pelanggan lintas segmen usia atau wilayah Platform digital menghasilkan data multi-varian setiap hari (bukan cuma A vs B) Keputusan alokasi anggaran perlu bukti statistik , bukan intuisi semata Dasar bagi marketing analytics & experimentation platform modern Sebagian besar platform iklan digital (Meta Ads, Google Ads) menjalankan logika mirip ANOVA di balik layar saat membandingkan performa banyak varian iklan sekaligus.
Sekarang mari kita hubungkan semua yang sudah kita pelajari dengan dunia kerja yang akan Anda hadapi sebagai lulusan bisnis digital. Uji A/B yang mungkin sudah pernah Anda dengar sebenarnya adalah kasus khusus dengan dua kelompok saja; begitu Anda ingin membandingkan tiga desain iklan atau lebih sekaligus, itu sudah masuk wilayah ANOVA, sering disebut uji A/B/C atau multivariate testing. Contoh nyata lain: seorang analis di perusahaan retail bisa memakai ANOVA untuk membandingkan rata-rata penjualan lintas cabang atau lintas marketplace seperti yang kita hitung tadi, atau tim customer experience bisa membandingkan skor kepuasan pelanggan antar kelompok usia untuk menentukan strategi layanan yang berbeda per segmen. Yang perlu Anda sadari, platform iklan besar seperti Meta Ads dan Google Ads sebenarnya menjalankan logika statistik yang mirip dengan ANOVA di balik layar setiap kali mereka membandingkan performa banyak varian iklan yang Anda unggah sekaligus, meski dengan algoritma yang jauh lebih canggih. Memahami ANOVA memberi Anda kemampuan untuk tidak sekadar percaya angka dashboard, tapi mengerti logika statistik di baliknya. Latihan: Hitung ANOVA Kelompok Kecil (15 Menit) Berkelompok 3–4 orang. Gunakan data: Rating aplikasi (skala 1–10) dari 3 kompetitor — Kompetitor A {7,8,9}, B {5,6,7}, C {9,10,11}. Hitung tabel ANOVA lengkap: rata-rata tiap kelompok, grand mean , SSB, SSW, df1/df2, MSB/MSW, F-hitung. Bandingkan F-hitung Anda dengan F-tabel $df(2,6) \alpha=0,05 \approx 5,14$. Tolak atau terima H0? Diskusikan: kalau H0 ditolak, langkah bisnis apa yang masuk akal untuk diambil? Struktur data sengaja mirip kasus waktu respons tadi — gunakan kembali langkah-langkah di slide Hitung dari Nol #2 sebagai panduan.
Sekarang giliran Anda mempraktikkan sendiri seluruh alur perhitungan yang baru saja kita pelajari. Silakan berkumpul dalam kelompok tiga sampai empat orang, dan gunakan data rating aplikasi dari tiga kompetitor fiktif ini — perhatikan bahwa strukturnya sengaja saya buat mirip dengan kasus waktu respons customer service tadi, tiga data per kelompok, supaya Anda bisa memakai langkah-langkah yang sama sebagai panduan. Hitung semuanya secara berurutan: rata-rata tiap kompetitor, rata-rata gabungan, SSB, SSW, kedua derajat bebas, MSB dan MSW, sampai akhirnya F-hitung. Setelah itu, bandingkan dengan F-tabel yang sudah saya berikan dan tentukan apakah H0 ditolak atau diterima. Yang tak kalah penting, diskusikan bersama kelompok: kalau memang ada perbedaan rating yang signifikan antar kompetitor, keputusan bisnis apa yang masuk akal diambil oleh tim produk Anda? Saya akan berkeliling membantu kalau ada kelompok yang tersendat di tengah perhitungan. Rangkuman & Persiapan Pertemuan 5 ANOVA menguji $\geq2$ rata-rata sekaligus tanpa inflasi galat tipe I dari uji-t berulang Logikanya: bandingkan variasi antar-kelompok (SSB) vs dalam-kelompok (SSW) lewat rasio F Tolak H0 jika F-hitung > F-tabel$(df1, df2, \alpha)$ — lanjutkan dengan uji post-hoc Berlaku luas: uji A/B/C iklan, banding cabang/marketplace, segmen pelanggan Minggu Depan (P5)
Estimasi
Estimasi Univariat (Prediksi Satu Variabel)
Tugas: ulangi perhitungan Hitung dari Nol #1 & #2 di rumah sampai lancar tanpa melihat catatan, sebagai bekal materi estimasi minggu depan.
Sebelum kita tutup pertemuan hari ini, mari kita rangkum perjalanan panjang yang sudah kita lalui bersama. Kita mulai dari masalah inflasi galat tipe I yang muncul kalau memakai uji-t berulang, lalu memahami logika inti ANOVA yaitu membandingkan variasi antar-kelompok dan variasi dalam-kelompok lewat rasio yang disebut F, kita hitung dua kasus lengkap dari data mentah sampai keputusan tolak atau terima H0, dan kita tutup dengan pembahasan asumsi, uji lanjut, serta aplikasi nyatanya dalam bisnis digital seperti uji A/B/C iklan. Minggu depan, di pertemuan kelima, kita akan bergeser ke estimasi univariat, yaitu bagaimana memprediksi nilai satu variabel berdasarkan data sampel yang kita punya — topik ini akan memakai kembali konsep distribusi dan variasi yang sudah kita kuasai sejak pertemuan tiga dan empat. Sebagai latihan di rumah, saya minta Anda mengulangi kedua perhitungan Hitung dari Nol hari ini sampai Anda bisa mengerjakannya lancar tanpa melihat catatan, karena kecepatan berhitung ini akan sangat membantu Anda di pertemuan-pertemuan berikutnya. Terima Kasih atas partisipasi aktif Anda hari ini, sampai jumpa minggu depan.