ANOVA (Analisis Varians) — One-Way dari Nol

Manajer SDM sebuah pabrik komponen elektronik ingin tahu metode pelatihan mana yang paling efektif. Ia membagi delapan belas karyawan baru menjadi tiga kelompok dan memberi pelatihan berbeda: On-the-Job (belajar sambil bekerja di bawah supervisor), E-Learning (modul video interaktif), dan Classroom (kelas tatap muka konvensional). Setelah enam minggu, produktivitas tiap karyawan diukur dalam satuan unit per jam. Hasilnya beragam — sebagian karyawan On-the-Job tampak lebih produktif, sebagian tidak. Pertanyaan yang menggantung: apakah perbedaan rata-rata antar metode itu nyata, atau cuma kebetulan akibat sampel kecil?

Godaan pertama adalah membandingkan metode dua-dua: On-the-Job lawan E-Learning, On-the-Job lawan Classroom, E-Learning lawan Classroom. Tiga uji-t. Tapi di sinilah jebakan tersembunyi yang sering membuat peneliti awam menarik kesimpulan keliru — makin banyak perbandingan yang dijalankan, makin besar peluang salah satunya “kelihatan signifikan” padahal cuma fluktuasi acak. Yang kita butuhkan adalah satu uji tunggal yang menimbang ketiga metode sekaligus. Uji itu bernama ANOVA — analysis of variance, analisis varians.

Artikel ini menuntun Anda dari nol: mengapa banyak uji-t berbahaya, bagaimana ANOVA membelah keragaman total menjadi keragaman antar-grup dan dalam-grup, menghitung $SST$, $SSB$, $SSW$, $MSB$, $MSW$, statistik $F$, dan p-value langkah demi langkah dengan tangan untuk kasus tiga metode pelatihan, lalu menunjuk metode mana yang berbeda lewat uji lanjutan Tukey HSD. Setiap angka bisa Anda lacak di workbook Excel pendamping berisi formula hidup dan chart.

Kenapa Bukan Banyak Uji-t

Uji-t dirancang untuk membandingkan dua grup. Begitu grupnya tiga atau lebih, naluri menyuruh kita menjalankan uji-t untuk setiap pasangan. Untuk tiga metode pelatihan, ada tiga pasangan: (A,B), (A,C), (B,C). Untuk empat metode, enam pasangan. Untuk lima metode, sepuluh pasangan. Inilah sumber masalah.

Setiap uji-t dijalankan pada taraf signifikansi $\alpha = 0{,}05$ — artinya kita menanggung peluang 5% salah menyatakan “ada beda” padahal sebenarnya tidak ada (ini disebut galat tipe I, atau salah-tolak). Untuk satu uji, 5% masih terjangkau. Tetapi peluang itu menumpuk begitu kita menjalankan banyak uji. Bayangkan ketiga metode pelatihan sebenarnya identik — tidak ada beda sama sekali. Peluang satu uji tidak salah-tolak adalah $0{,}95$. Untuk tiga uji yang saling bebas, peluang tidak satu pun dari mereka salah-tolak adalah $0{,}95^3$. Maka peluang setidaknya satu uji keliru menyatakan signifikan:

$$1 - 0{,}95^{3} = 1 - 0{,}857 = 0{,}143$$

Peluang keliru melonjak dari 5% menjadi sekitar 14,3% — hampir tiga kali lipat — walaupun ketiga metode persis sama. Makin banyak grup, makin parah:

(Catatan: ini batas atas yang mengasumsikan uji bebas; yang sebenarnya sedikit lebih rendah karena pasangan berkorelasi. Tapi tendensinya jelas — peluang meledak.) Untuk enam grup, peluang kita salah menyatakan “ada metode berbeda” sudah melampaui lemparan coin. Inilah mengapa menjalankan banyak uji-t tanpa koreksi adalah praktik yang dilarang dalam publikasi serius.

ANOVA memotong masalah ini dengan satu uji tunggal yang menimbang semua grup bersama-sama, menjaga taraf nyata tetap di 5%. Bila ANOVA tidak signifikan, kita selesai — tidak ada bukti perbedaan. Bila ANOVA signifikan, barulah kita lakukan uji lanjutan yang mengoreksi masalah banyak perbandingan itu, seperti Tukey HSD yang akan kita pakai di akhir.

Intuisi: Membedakan Dua Sumber Keragaman

Nama “analisis varians” terasa janggal — kita ingin membandingkan rata-rata, kenapa alatnya justru varians (keragaman)? Paradoks ini adalah kunci yang membuat ANOVA masuk akal. Mari kita lihat dari sudut yang benar.

Bayangkan produktivitas ke-18 karyawan ditebar dalam satu gambar besar, dikelompokkan berdasarkan metode. Ada dua jenis sebaran yang bisa kita lihat:

• Keragaman antar-grup (between-groups): seberapa jauh rata-rata tiap metode saling berjauhan. Kalau metode pelatihan benar-benar berbeda efeknya, rata-rata grup akan terpencar lebar.
• Keragaman dalam-grup (within-groups): seberapa berserak titik-titik di dalam satu grup yang sama. Ini cerminan keributan alami — karyawan yang dapat metode yang sama pun tidak akan identik produktivitasnya; ada yang cepat belajar, ada yang lambat, ada yang kelelahan hari itu.

ANOVA membandingkan kedua sebaran ini sebagai sebuah rasio. Logikanya: kalau metode pelatihan memang berbeda, jarak antar rata-rata grup (keragaman antar) akan jauh lebih besar daripada keributan di dalam tiap grup (keragaman dalam). Rasio yang besar adalah bukti kuat adanya perbedaan. Sebaliknya, kalau ketiga metode sebenarnya sama, kedua keragaman itu akan sebanding, dan rasionya mendekati satu.

Hipotesis yang sedang diuji:

• $H_0$: $\mu_1 = \mu_2 = \mu_3 = \ldots = \mu_k$ — rata-rata semua grup sama.
• $H_1$: setidaknya satu pasangan rata-rata grup berbeda.

Satu catatan penting sejak awal: ANOVA hanya menjawab “ada beda atau tidak”. Ia tidak menunjuk grup mana yang berbeda dengan grup mana. Untuk itu kita perlu uji lanjutan (post-hoc), yang dibahas rinci di bagian Tukey HSD.

Data: Tiga Metode Pelatihan

Delapan belas karyawan baru dibagi rata ke tiga metode pelatihan, enam orang per metode. Setelah enam minggu, produktivitas tiap karyawan diukur (unit/jam). Berikut data mentahnya:

Jadi $k = 3$ grup, $n_i = 6$ tiap grup (grup berukuran sama, yang akan menyederhanakan Tukey nanti), dan total $n = 18$ data. Sekilas, On-the-Job (83,33) tampak paling tinggi dan Classroom (74,67) paling rendah — selisih ujung hampir semilan unit. Tapi apakah selisih itu besar dibanding keributan di dalam tiap grup? Itulah yang akan dijawab F.

Sebelum melangkah ke rumus, kenali dulu lambang yang akan dipakai sepanjang artikel:

• $x_{ij}$ = nilai data ke-$j$ di grup ke-$i$. Misalnya $x_{23}$ = karyawan ke-3 di grup E-Learning = 79.
• $\bar{x}_i$ = rata-rata grup ke-$i$ saja (sudah ada di tabel: 83,33 / 79,33 / 74,67).
• $\bar{\bar{x}}$ (dibaca “x-bar-bar”) = rata-rata gabungan seluruh data, sering disebut grand mean.
• $n_i$ = banyak data per grup (6); $n$ = total data (18); $k$ = banyak grup (3).

Langkah 1 — Rata-rata Gabungan (Grand Mean)

Rata-rata gabungan bukan rata-rata dari tiga rata-rata grup begitu saja — meskipun untuk grup berukuran sama, keduanya berhimpit. Secara umum, rata-rata gabungan adalah total seluruh nilai dibagi total banyak data:

$$\bar{\bar{x}} = \frac{\sum_i \sum_j x_{ij}}{n} = \frac{82+85+80+\ldots+76+73}{18} = \frac{1424}{18} \approx 79{,}11$$

Karena tiap grup berukuran sama (6), rata-rata gabungan juga bisa dihitung lewat rata-rata dari rata-rata grup: $(83{,}33 + 79{,}33 + 74{,}67)/3 = 237{,}33/3 \approx 79{,}11$ — hasilnya sama. Tapi ingat: bila grup berukuran berbeda, hanya rumus pertama (timbang menurut $n_i$) yang benar; rata-rata sederhana dari rata-rata grup akan menyesatkan. Angka 79,11 ini adalah pusat dari mana semua keragaman diukur di langkah berikutnya.

Langkah 2 — SST: Keragaman Total

SST (sum of squares total) mengukur seluruh keragaman yang ada di data — berapa jauh tiap nilai menyimpang dari rata-rata gabungan, dikuadratkan, lalu dijumlahkan untuk semua 18 data:

$$SST = \sum_{i=1}^{k}\sum_{j=1}^{n_i} (x_{ij} - \bar{\bar{x}})^2$$

Penjelasan dua lambang penjumlahan: $\sum_j$ berarti “jumlahkan untuk semua data di dalam satu grup”, dan $\sum_i$ berarti “jumlahkan lagi untuk semua grup”. Jadi $\sum_i\sum_j$ menyapu setiap nilai di setiap grup — total 18 suku untuk kasus kita. Mengapa dikuadratkan? Alasan yang sama dengan varians: supaya simpangan positif dan negatif tidak saling meniadakan saat dijumlahkan.

Menghitung SST langsung dengan mengurangi 79,11 dari 18 nilai lalu mengkuadratkan semuanya sangatlah tedius. Untungnya, ANOVA menawarkan jalan pintas elegan: kita tidak perlu menghitung SST secara langsung. Alih-alih, kita hitung dua komponen yang lebih mudah — $SSB$ dan $SSW$ — lalu jumlahkan. SST keluar gratis. Inilah dekomposisi yang menjadi jantung ANOVA.

Langkah 3 — SSB: Keragaman Antar-Grup

SSB (sum of squares between) mengukur keragaman antar-grup — seberapa jauh rata-rata tiap grup menyimpang dari rata-rata gabungan. Karena selisih ini sama untuk semua $n_i$ anggota grup, kita hanya perlu menghitungnya sekali per grup, lalu menimbangnya dengan ukuran grup $n_i$:

$$SSB = \sum_{i=1}^{k} n_i\,(\bar{x}_i - \bar{\bar{x}})^2$$

Mari kita hitung. Untuk tiap grup, hitung selisih rata-ratanya dari 79,11, kuadratkan, kalikan $n_i = 6$, jumlahkan:

$$SSB = 106{,}96 + 0{,}30 + 118{,}52 = 225{,}78$$

Perhatikan polanya. E-Learning (B) berkontribusi hampir nol pada SSB — rata-ratanya nyaris tepat di rata-rata gabungan. Sebaliknya, On-the-Job (A) dan Classroom (C) berkontribusi besar karena rata-ratanya menjauh dari pusat. Inilah sinyal visual: grup yang “menonjol” menyumbang besar pada SSB. Kalau SSB nol, semua rata-rata grup berhimpit di $\bar{\bar{x}}$ — tidak ada perbedaan antar-grup sama sekali.

Langkah 4 — SSW: Keragaman Dalam-Grup

SSW (sum of squares within) mengukur keragaman dalam-grup — seberapa berserak tiap nilai dari rata-rata grupnya sendiri. Beda dengan SST yang memakai rata-rata gabungan, SSW memakai rata-rata grup: karyawan On-the-Job dibandingkan ke 83,33, bukan ke 79,11. Inilah ukuran keributan alami di dalam tiap metode:

$$SSW = \sum_{i=1}^{k}\sum_{j=1}^{n_i} (x_{ij} - \bar{x}_i)^2$$

Hitung tiap grup, lalu jumlahkan. Grup A (rata-rata 83,33):

Untuk grup B dan C, perhitungan serupa (tiap karyawan dikurangi rata-rata grupnya sendiri, dikuadratkan, dijumlahkan) menghasilkan masing-masing 23,33. Jumlahkan ketiganya:

$$SSW = 23{,}33 + 23{,}33 + 23{,}33 = 70{,}00$$

Kebetulan ketiga grup punya keragaman dalam yang nyaris sama (masing-masing 23,33) — ini tanda baik, karena salah satu asumsi ANOVA adalah keragaman setara antar grup (homoskedastisitas). Bila satu grup jauh lebih berisi, asumsi itu jebol dan kita perlu ANOVA Welch sebagai gantinya.

Langkah 5 — Cek Dekomposisi: SST = SSB + SSW

Inilah keajaiban ANOVA yang membuat segalanya konsisten. Keragaman total persis terbelah menjadi keragaman antar-grup ditambah keragaman dalam-grup — tidak ada sisa, tidak ada tumpang-tindih:

$$SST = SSB + SSW = 225{,}78 + 70{,}00 = 295{,}78$$

Anda boleh membuktikannya dengan menghitung SST langsung dari 18 simpangan tiap nilai terhadap 79,11 lalu menjumlahkan kuadratnya — hasilnya akan tepat 295,78. Tidak ada pembulatan yang membocorkan angka; kesamaan ini berlaku eksak. Inilah mengapa kita tidak perlu menghitung SST secara langsung di Langkah 2 — SSB dan SSW sudah cukup, dan SST gratis dari penjumlahan keduanya. Persamaan ini juga jadi alat cek hitung paling ampuh: bila $SSB + SSW$ tidak sama dengan SST yang dihitung langsung, ada langkah yang keliru di mana-mana.

Lebih dalam lagi, dekomposisi ini punya arti konseptual yang kuat. Setiap unit keragaman di seluruh data hanya boleh berasal dari salah satu dari dua sumber: perbedaan metode (antar-grup, SSB) atau variasi individu dalam metode yang sama (dalam-grup, SSW). Tidak ada tempat lain. Jadi pertanyaan “apakah metode berbeda?” menjadi: dari seluruh keragaman yang ada, berapa proporsi yang berasal dari perbedaan metode? Jawabannya akan kita rangkum dalam eta-kuadrat di bagian akhir.

Langkah 6 — Derajat Bebas dan Rata-rata Kuadrat

Jumlah kuadrat mentah ($SSB$ dan $SSW$) belum bisa langsung dibandingkan, karena keduanya menjumlahkan banyak suku yang berbeda. SSB hanya menjumlahkan $k = 3$ suku (satu per grup), sementara SSW menjumlahkan $n = 18$ suku (satu per data). Membandingkan keduanya apa adanya tidak adil — SSW akan terlihat besar hanya karena berisi lebih banyak suku. Kita “rata-ratakan” dulu, masing-masing dibagi derajat bebasnya (degrees of freedom, df), menghasilkan rata-rata kuadrat (mean square, MS).

Derajat bebas adalah “banyak potongan informasi yang benar-benar bebas” setelah batasan tertentu dipasang:

• Antar-grup: ada $k = 3$ rata-rata grup, tetapi karena rata-rata gabungan $\bar{\bar{x}}$ sudah ditetapkan, hanya $k - 1 = 2$ yang bebas bergerak (yang ketiga otomatis tertentu). Maka $df_1 = k - 1 = 3 - 1 = 2$.
• Dalam-grup: ada $n = 18$ data, tetapi tiap grup “menghabiskan” satu df untuk menentukan rata-ratanya sendiri (6 data per grup, 3 grup → 3 df terpakai). Tersisa $n - k = 18 - 3 = 15$. Maka $df_2 = n - k = 15$.

$$MSB = \frac{SSB}{k - 1} = \frac{225{,}78}{2} = 112{,}89, \qquad MSW = \frac{SSW}{n - k} = \frac{70{,}00}{15} = 4{,}67$$

$MSB = 112{,}89$ berarti keragaman antar-grup rata-rata 112,89 per derajat bebas. $MSW = 4{,}67$ berarti keributan alami dalam-grup rata-rata hanya 4,67 per derajat bebas. Selisihnya sudah mencolok — antar-grup dua puluh empat kali lebih bergejolak daripada dalam-grup. Tapi kita belum formalkan ini sebagai keputusan. Itu pekerjaan statistik F.

Catatan teknis: $MSW$ sebenarnya adalah pooled variance — rata-rata varians ketiga grup yang ditimbang menurut derajat bebasnya. Ini asumsi “keragaman setara” bekerja: kita menggabungkan ketiga estimasi varians menjadi satu estimasi keributan yang lebih stabil. Kalau varians tiap grup berbeda jauh, penggabungan ini tidak adil dan kita perlu ANOVA Welch.

Langkah 7 — Statistik F

Sekarang inti ANOVA: statistik F adalah rasio antara keragaman antar-grup dan keragaman dalam-grup, keduanya sudah dinormalkan menurut derajat bebas:

$$F = \frac{MSB}{MSW} = \frac{SSB/(k-1)}{SSW/(n-k)} = \frac{112{,}89}{4{,}67} \approx 24{,}19$$

Cara membaca nilai $F$ ini lugas, dan inilah momen di mana seluruh bangunan di atas terbayar:

• $F$ mendekati 1 → keragaman antar-grup sebanding dengan keributan dalam-grup. Tidak ada bukti grup berbeda; jangan tolak $H_0$.
• $F$ jauh lebih besar dari 1 → rata-rata grup terpencar jauh melebihi keributan alaminya. Ini bukti kuat grup memang berbeda; tolak $H_0$.
• $F$ jauh lebih kecil dari 1 (sangat jarang) → rata-rata grup terlalu mirip dibanding keributan dalam-grup. Sering menandakan asumsi pelanggaran, bukan bukti “grup benar-benar sama”.

$F$ kita 24,19 — antar-grup dua puluh empat kali lebih bergejolak daripada dalam-grup. Angka sebesar ini hampir tidak mungkin muncul begitu saja kalau ketiga metode sebenarnya identik. Tapi “hampir tidak mungkin” tidak cukup; kita perlu ambang resmi. Itu pekerjaan nilai kritis dan p-value.

Langkah 8 — Tabel ANOVA Lengkap

Sebelum melangkah ke keputusan, rangkum semua hasil dalam tabel ANOVA — bentuk baku yang akan Anda temui di setiap keluaran perangkat lunak statistik (SPSS, R, Python, Excel Toolpak). Membiasakan diri membaca tabel ini adalah keterampilan wajib:

Perhatikan derajat bebas total: $df_{\text{total}} = n - 1 = 18 - 1 = 17$, dan memang $df_1 + df_2 = 2 + 15 = 17$ — cek konsistensi lain yang harus selalu berlaku. Kolom p-value akan diisi di langkah berikutnya. Tabel ini ringkas padat: dari data mentah 18 angka, semua yang perlu kita ketahui untuk memutuskan sudah terangkum dalam lima kolom.

Langkah 9 — Nilai Kritis dan p-value

Ada dua cara ekuivalen untuk memutuskan, dan keduanya harus berhimpit (kalau tidak, ada yang salah). Cara kedualah yang lebih lazim di publikasi modern.

Cara 1 — bandingkan F dengan nilai kritis. Pada taraf $\alpha = 0{,}05$ dengan $df_1 = 2$ dan $df_2 = 15$, nilai kritis distribusi F adalah $F_{\text{kritis}} \approx 3{,}68$. Aturan: bila $F_{\text{hitung}} > F_{\text{kritis}}$, tolak $H_0$. Karena $24{,}19 \gg 3{,}68$, kita tolak $H_0$ dengan sangat yakin. Di Excel, nilai kritis ini dihitung dengan =F.INV(0,95; df1; df2).

Cara 2 — bandingkan p-value dengan α. p-value adalah peluang memperoleh statistik F sebesar itu atau lebih besar, bila $H_0$ benar (yaitu ketiga metode sebenarnya identik). Di Excel: =F.DIST.RT(F; df1; df2). Untuk F = 24,19 dengan df = (2, 15):

$$\text{p-value} = \texttt{F.DIST.RT}(24{,}19;\, 2;\, 15) \approx 0{,}000020$$

Artinya: andai ketiga metode sebenarnya identik, peluang mendapat sebaran rata-rata setajam ini hanya sekitar dua per seratus ribu — nyaris mustahil dianggap kebetulan. Karena $p \approx 0{,}00002 \ll \alpha = 0{,}05$, kita tolak $H_0$. Kedua cara sepakat, sebagaimana mestinya.

Cara membaca p-value dengan benar. Banyak yang salah: “p-value kecil berarti peluang $H_0$ benar kecil.” Salah. p-value dihitung dengan asumsi $H_0$ benar sejak awal — jadi tidak mungkin menjadi peluang $H_0$ sendiri. Bunyi yang benar: bila $H_0$ benar, peluang data sekstrem ini hanya 0,002%. Karena data seperti itu terlalu langka di dunia tempat $H_0$ benar, kita memilih meninggalkan $H_0$. Logikanya seperti “kalau tertuduh benar-benar tidak bersalah, peluang sidik jari ini cocok hanya satu per sejuta — jadi kita ragukan ketidakbersalahannya”. Bukan “peluang dia tidak bersilih satu per sejuta”.

Kesimpulan. Ada bukti sangat kuat bahwa setidaknya satu metode pelatihan berbeda efektivitasnya dari yang lain. Keragaman antar metode (MSB = 112,89) lebih dari dua puluh empat kali lebih besar daripada keributan alami di dalam tiap grup (MSW = 4,67). Tapi ANOVA tidak menunjuk metode mana yang berbeda. Apakah hanya On-the-Job yang menonjol? Atau Classroom yang tertinggal? Atau ketiganya benar-benar berbeda satu sama lain? Untuk itu, kita perlu uji lanjutan.

Langkah 10 — Post-hoc: Tukey HSD

Begitu ANOVA menolak $H_0$, langkah berikutnya menunjuk pasangan grup mana yang berbeda. Tapi kita kembali menghadapi masalah banyak perbandingan: ada $\binom{3}{2} = 3$ pasangan untuk diuji. Kalau kita pakai uji-t biasa untuk masing-masing, peluang salah-tolak gabungan balik ke 14,3% — tepat masalah yang kita hindari dengan ANOVA sejak awal. Uji lanjutan (post-hoc) menyelesaikan ini dengan mengendalikan tingkat galat menyeluruh (familywise error rate) tetap di $\alpha$.

Tukey HSD (Honestly Significant Difference) adalah pilihan baku ketika ukuran grup sama dan kita ingin membandingkan semua pasangan. Idenya sederhana: alih-alih memakai distribusi t untuk tiap pasangan, kita pakai distribusi rentang t-student (studentized range) yang sudah memperhitungkan banyaknya pasangan sejak awal. Rumusnya:

$$\text{HSD} = q_{\alpha}(k,\, df_2) \cdot \sqrt{\frac{MSW}{n_i}}$$

dengan $q_{\alpha}(k, df_2)$ = nilai kritis rentang studentized pada taraf $\alpha$, banyak grup $k$, dan derajat bebas dalam-grup $df_2$. Untuk kasus kita, $k = 3$, $df_2 = 15$, $\alpha = 0{,}05$:

$$q_{0{,}05}(3,\, 15) \approx 3{,}673, \qquad \text{HSD} = 3{,}673 \cdot \sqrt{\frac{4{,}67}{6}} = 3{,}673 \cdot 0{,}882 \approx 3{,}24$$

HSD = 3,24 adalah ambang minimum: bila selisih rata-rata dua grup melebihi 3,24 unit/jam, kita nyatakan pasangan itu berbeda secara signifikan (dengan kendali galat menyeluruh tetap di 5%). Mari uji ketiga pasangan:

| Pasangan | Selisih $|\bar{x}_i - \bar{x}_j|$ | HSD | Keputusan | |—|—|—|—| | On-the-Job vs E-Learning | $\|83{,}33 - 79{,}33\| = 4{,}00$ | 3,24 | Berbeda (4,00 > 3,24) | | On-the-Job vs Classroom | $\|83{,}33 - 74{,}67\| = 8{,}67$ | 3,24 | Berbeda (8,67 > 3,24) | | E-Learning vs Classroom | $\|79{,}33 - 74{,}67\| = 4{,}67$ | 3,24 | Berbeda (4,67 > 3,24) |

Ketiga pasangan berbeda secara signifikan. On-the-Job paling tinggi, E-Learning di tengah, Classroom paling rendah — semua berurutan dengan jarak yang lebih besar dari ambang HSD. Untuk laporan yang lebih kaya, kita juga bisa menyajikan selang kepercayaan 95% Tukey untuk tiap selisih: ambang $\pm 3{,}24$ di sekitar selisih. Misalnya selisih On-the-Job vs Classroom = 8,67, dengan selang kepercayaan $(8{,}67 - 3{,}24,\, 8{,}67 + 3{,}24) = (5{,}43,\, 11{,}91)$ — selang positif penuh, mengonfirmasi On-the-Job lebih tinggi.

Rekomendasi praktis untuk manajer SDM: adopsi On-the-Job sebagai metode pelatihan utama, karena rata-ratanya secara nyata lebih tinggi dari kedua alternatif. Classroom tampak paling lemah dan layak ditinjau ulang. Tapi ingat dua peringatan: pertama, “signifikan secara statistik” belum tentu “penting secara praktis” — beda 4 unit/jam bisa kecil atau besar tergantung konteks biaya dan baseline produktivitas (di sinilah eta-kuadrat dan ukuran besar pengaruh lain membantu). Kedua, ini studi satu pabrik, satu periode; generalisasi ke konteks lain butuh replikasi.

Excel tidak punya uji Tukey bawaan. Untuk menghitung HSD di Excel, Anda perlu nilai $q_{\alpha}(k, df)$ dari tabel studentized range (yang kami sediakan di lembar 6_REFERENSI workbook pendamping), lalu pakai rumus HSD di atas. Alternatif yang lebih rapi: pakai R (TukeyHSD(aov(...))) atau Python (scipy.stats.tukey_hsd) yang langsung mengeluarkan p-value terkoreksi per pasangan. Workbook kami menyediakan kalkulator HSD yang berfungsi selama Anda memasukkan $q$ dari tabel.

Besar Pengaruh: Eta-Kuadrat

p-value memberi tahu apakah perbedaan itu nyata, tetapi tidak seberapa besar. Untuk itu ada eta-kuadrat ($\eta^2$): proporsi keragaman total yang dijelaskan oleh perbedaan antar-grup. Mengingat kembali dekomposisi SST = SSB + SSW:

$$\eta^2 = \frac{SSB}{SST} = \frac{225{,}78}{295{,}78} \approx 0{,}76$$

Jadi sekitar 76% keragaman produktivitas di seluruh 18 karyawan dijelaskan oleh perbedaan metode pelatihan — sisanya 24% adalah variasi individu dalam metode yang sama. Ini pengaruh yang sangat besar. Patokan kasar dari Cohen: $\eta^2 \approx 0{,}01$ kecil, $0{,}06$ sedang, $0{,}14$ besar. Nilai kita 0,76 jauh di atas ambang “besar”, konsisten dengan F yang juga sangat tinggi.

Mengapa eta-kuadrat penting? Karena dengan sampel besar, bahkan perbedaan kecil bisa menghasilkan p-value “sangat signifikan” — ini disebut significance vs importance. Eta-kuadrat melengkapi p-value dengan ukuran besar, sehingga pembaca tahu tidak hanya “ada beda” tapi juga “bedanya seberapa besar”. Untuk desain yang lebih kompleks (ANOVA dua-arah, pengukuran berulang), gunakan partial eta-kuadrat ($\eta_p^2$) yang mengontrol variabel lain.

Asumsi ANOVA

Hasil ANOVA di atas sahih hanya bila tiga syarat terpenuhi. Pelanggaran parah membuat F dan p-value tidak bisa dipercaya. Tiga asumsi itu:

1. Kebebasan pengamatan. Tiap data berdiri sendiri; produktivitas satu karyawan tidak memengaruhi yang lain. Pelanggaran umum: karyawan mengukur produktivitas bersama dalam satu tim (sehingga nilainya saling terkait), atau pengukuran berulang pada subjek yang sama tanpa model khusus. Ini asumsi yang sulit diperbaiki setelah data terkumpul — harus dirancang sejak awal lewat randomisasi.

2. Kenormalan dalam tiap grup. Produktivitas di tiap metode kira-kira berdistribusi lonceng (normal). Untuk $n_i = 6$ per grup, ini sulit diverifikasi secara formal (uji Shapiro-Wilk berdaya rendah pada sampel kecil), jadi sering kita andalkan inspeksi visual (Q-Q plot) atau pengetahuan domain (banyak pengukuran biologis/produksi cenderung normal). Toleransinya tinggi untuk $n$ besar berkat teorema limit pusat: ANOVA cukup robust terhadap pelanggaran kenormalan ringan.

3. Keragaman setara (homoskedastisitas). Sebaran dalam tiap grup kurang lebih sama. Diperiksa dengan uji Levene (di Excel: =VAR(...) tiap grup lalu bandingkan secara visual, atau pakai toolpak). Aturan praktis: bila varians grup terbesar kurang dari 4× varians terkecil, asumsi ini aman. Pada kasus kita, ketiga grup punya varians nyaris sama (masing-masing ~4,67) — asumsi terpenuhi dengan baik.

Bila asumsi rusak parah, ada penggantinya:

• Kenormalan rusak dan $n$ kecil → uji nonparametrik Kruskal-Wallis (tanpa asumsi sebaran tertentu; menggantikan F dengan statistik H berbasis pangkat).
• Keragaman antar-grup jelas tidak setara → ANOVA Welch yang menyesuaikan derajat bebas menurut ketidaksetaraan varians (output SPSS: “Robust Tests of Equality of Means”).
• Pengukuran berulang pada subjek yang sama → ANOVA pengukuran berulang (repeated measures ANOVA), bukan ANOVA satu-arah biasa.

Pilihan uji bergantung pada pelanggaran yang mana. Tapi ingat: ANOVA cukup robust terhadap pelanggaran ringan, jadi jangan terlalu cepat meninggalkannya. Pelanggaran asumsi tidak otomatis membatalkan hasil — itu sinyal untuk memeriksa lebih cermat dan mempertimbangkan alternatif.

Sekilas ANOVA Dua-Arah

Kasus di atas hanya melibatkan satu faktor (metode pelatihan) — itulah ANOVA satu-arah (one-way). Bila ada dua faktor sekaligus, misalnya metode pelatihan (3 pilihan) dipadu pengalaman supervisor (pemula atau senior), kita pakai ANOVA dua-arah (two-way). Keragaman total dipecah lebih halus menjadi empat bagian:

• pengaruh utama faktor A (metode),
• pengaruh utama faktor B (pengalaman supervisor),
• pengaruh interaksi A × B (apakah efek metode bergantung pada pengalaman? mis. On-the-Job mungkin lebih efektif dengan supervisor senior, tapi Classroom tidak),
• sisa (residual).

ANOVA dua-arah lebih rumit tetapi lebih kuat — dan satu-satunya cara mendeteksi interaksi (yang sering paling menarik secara praktis). Untuk efisiensi, diperlukan desain balanced (jumlah observasi sama di tiap kombinasi sel). Itu topik tersendiri yang layak artikel terpisah; di sini cukup tahu bahwa kerangka “pecah keragaman, bandingkan lewat F” yang sama tetap berlaku, hanya dengan lebih banyak baris di tabel ANOVA.

Rumus di Excel: Manual vs Toolpak

Setelah paham asal-usulnya, di Excel cukup pakai fungsi bawaan. Tapi penting memahami bahwa semua fungsi ini menghitung persis apa yang baru saja kita kerjakan dengan tangan:

Toolpak Data Analysis:  Data → Data Analysis → ANOVA: Single Factor
                        (menghasilkan seluruh tabel ANOVA otomatis)

Manual (dari data mentah, lebih mendidik):
=AVERAGE(grup)                              → rata-rata tiap grup
=AVERAGE(semua_data)                        → rata-rata gabungan (grand mean)
SSB = SUMPRODUCT(n_i; (mean_grup - grand)^2)   *array per grup*
SSW = SUMPRODUCT((x - mean_grupnya)^2)         *sapu semua data*
MSB = SSB/(k-1)         MSW = SSW/(n-k)
F   = MSB/MSW
F_kritis = F.INV(1-α; k-1; n-k)
p-value  = F.DIST.RT(F; k-1; n-k)
eta^2    = SSB/(SSB+SSW)
Tukey HSD = q_kritis * SQRT(MSW/n_i)         (q dari tabel studentized range)

Untuk data pelatihan kita, semua rumus ini menghasilkan angka yang sama dengan hitungan tangan di atas — $SSB = 225{,}78$, $SSW = 70{,}00$, $F = 24{,}19$, $p \approx 0{,}00002$. Bedanya hanya satu: sekarang Anda tahu dari mana angka itu datang, dan kapan tidak boleh mempercayainya buta.

F.DIST.RT adalah kunci untuk p-value. Tanda “RT” berarti right tail — luas daerah di sebelah kanan nilai F pada distribusi F dengan derajat bebas tertentu. Inilah definisi p-value untuk uji satu-ekor kanan (ANOVA selalu satu-ekor kanan karena F tidak bisa negatif). Pasangannya, F.INV, melakukan kebalikannya: diberi peluang tertentu, ia mengembalikan nilai F yang memotong peluang itu di ekor kanan — persis apa yang kita pakai untuk mendapatkan $F_{\text{kritis}}$.

⬇ Unduh anova-template.xlsx

Workbook pendamping berisi tujuh lembar yang menelusuri seluruh perjalanan di atas dengan formula hidup — ubah angka di lembar 1_DATA dan semua hasil mengalir ulang:

• 0_PETUNJUK — peta isi workbook, cara pakai, dan glosarium rumus Excel kunci (F.DIST.RT, F.INV, SUMPRODUCT).
• 1_DATA — data mentah tiga metode pelatihan (6 karyawan per metode), dengan sel input kuning agar mudah diganti dengan data Anda sendiri.
• 2_STAT_DESKRIPTIF — rata-rata, varians, dan derajat bebas tiap grup, plus grand mean. Fondasi semua perhitungan.
• 3_SSB_SSW_SST — dekomposisi keragaman langkah demi langkah: tabel antar-grup (kolom deviasi rata-rata grup dari grand mean), tabel dalam-grup (deviasi tiap nilai dari rata-rata grupnya), dan cek $SST = SSB + SSW$.
• 4_TABEL_ANOVA — tabel ANOVA lengkap otomatis: SS, df, MS, F, $F_{\text{kritis}}$, p-value, dan keputusan terhadap $H_0$. Inilah inti workbook.
• 5_TUKEY_HSD — kalkulator HSD dengan input $q_{\alpha}$ dari tabel studentized range, matriks pasangan 3×3 dengan selisih, keputusan, dan selang kepercayaan 95% per pasangan.
• 6_CHART — diagram batang rata-rata tiap grup dengan error bar ±1 galat baku, visualisasi cepat untuk laporan.
• 7_REFERENSI — tabel nilai kritis $F_{0{,}05}$ dan $q_{0{,}05}$ (studentized range) untuk berbagai $df$, agar lembar Tukey berfungsi tanpa software eksternal.

Cek Pemahaman

1. (Mekanika dasar.) Dengan data pelatihan kita, diperoleh $SSB = 225{,}78$ dan $SSW = 70{,}00$. Tanpa menghitung ulang dari data mentah, tentukan $MSB$, $MSW$, dan $F$. Ingat $k = 3$ grup dan $n = 18$ data.

Lihat jawaban

Derajat bebas: $df_1 = k - 1 = 2$ dan $df_2 = n - k = 18 - 3 = 15$.

Rata-rata kuadrat: $MSB = 225{,}78 / 2 = 112{,}89$ dan $MSW = 70{,}00 / 15 = 4{,}67$.

Statistik F: $F = 112{,}89 / 4{,}67 \approx 24{,}19$.

2. (Transfer ke konteks baru.) Tiga lini produksi diukur waktu rakitnya (detik), masing-masing 2 sampel. Lini X: 2, 4. Lini Y: 6, 8. Lini Z: 10, 12. Hitung tabel ANOVA dari nol ($SSB$, $SSW$, df, $MS$, $F$), lalu putuskan apakah ada beda nyata bila $F_{\text{kritis}}(0{,}05;\, 2;\, 3) \approx 9{,}55$.

Lihat jawaban

Rata-rata grup: $\bar{x}_X = 3$, $\bar{x}_Y = 7$, $\bar{x}_Z = 11$. Rata-rata gabungan $\bar{\bar{x}} = (3+7+11)/3 = 7$.

$SSB$ (antar, $n_i = 2$): $2[(3-7)^2 + (7-7)^2 + (11-7)^2] = 2[16 + 0 + 16] = 64$.

$SSW$ (dalam): tiap lini simpangannya $\pm 1$ dari rata-ratanya, jadi $1^2 + 1^2 = 2$ per lini → $SSW = 2 \times 3 = 6$.

Cek: $SST = 64 + 6 = 70$. Derajat bebas: $df_1 = 3-1 = 2$, $df_2 = 6-3 = 3$.

$MSB = 64/2 = 32$; $MSW = 6/3 = 2$; $F = 32/2 = 16$.

Karena $F = 16 > 9{,}55$, tolak $H_0$ — ada perbedaan waktu rakit yang nyata antar lini. (Eta-kuadrat $= 64/70 \approx 0{,}91$ — pengaruh sangat besar.)

3. (Konseptual.) Seorang rekan berkata: “ANOVA saya signifikan dengan $p = 0{,}0001$, jadi ketiga metode pelatihan terbukti semuanya berbeda.” Berikan dua koreksi terhadap pernyataan ini.

Lihat jawaban

Pertama, p-value yang signifikan hanya membuktikan “setidaknya satu pasangan berbeda”, bukan bahwa semua pasangan berbeda. Bisa jadi hanya dua dari tiga yang berbeda; baru uji lanjutan (Tukey HSD) yang menentukan mana.

Kedua, $p = 0{,}0001$ bicara “ada beda”, bukan “bedanya besar atau penting secara praktis”. Signifikansi statistik dipengaruhi ukuran sampel — dengan $n$ besar, perbedaan sepele bisa dapat $p$ kecil. Laporkan eta-kuadrat (atau ukuran besar pengaruh lain) untuk menunjukkan besarnya, dan pertimbangkan konteks praktis (biaya, baseline) sebelum mengubah kebijakan berdasarkan $p$ saja.

4. (Uji lanjutan.) Anda menjalankan ANOVA satu-arah dengan $k = 4$ grup berukuran sama $n_i = 8$, total $n = 32$. Hasil: $SSW = 105$, $MSB = 30$. Hitung $MSW$, $F$, dan tentukan apakah perlu uji Tukey HSD. Bila ya, ada berapa pasangan untuk dibandingkan?

Lihat jawaban

$MSW = SSW/(n-k) = 105/(32-4) = 105/28 = 3{,}75$. $F = MSB/MSW = 30/3{,}75 = 8{,}0$.

$df = (3,\, 28)$, dan $F_{\text{kritis}}(0{,}05;\, 3;\, 28) \approx 2{,}95$. Karena $8{,}0 > 2{,}95$, tolak $H_0$ — perlu uji lanjutan.

Banyak pasangan: $\binom{4}{2} = 6$ pasangan untuk dibandingkan dengan Tukey HSD.

Kesalahan Umum

Menjalankan banyak uji-t tanpa koreksi. Membandingkan semua pasangan dengan uji-t satu per satu menggelembungkan peluang salah-tolak dari 5% menjadi 14% (tiga grup) atau lebih. Pakai ANOVA dulu; bila signifikan, baru uji lanjutan yang mengoreksi masalah banyak perbandingan (Tukey, Bonferroni, Scheffé).

Menyatakan “semua grup berbeda” setelah ANOVA signifikan. ANOVA hanya membuktikan setidaknya satu pasangan berbeda. Bisa jadi hanya dua dari empat grup yang berbeda. Selalu jalankan uji lanjutan untuk menunjuk pasangan mana, dan laporkan matriks perbandingan, bukan hanya “ANOVA signifikan”.

Mengaku signifikan tanpa melaporkan besar pengaruh. $F$ besar dan p-value kecil hanya bilang “ada beda”, bukan “bedanya penting”. Dengan sampel besar, perbedaan sepele bisa jadi “sangat signifikan”. Selalu sertakan $\eta^2$ atau ukuran besar pengaruh lain supaya pembaca tahu seberapa besar.

Salah hitung derajat bebas. $df_1 = k-1$ memakai banyak grup, sedangkan $df_2 = n-k$ memakai total data dikurangi banyak grup. Tertukar adalah penyebab tabel ANOVA paling sering keliru. Ingat: derajat bebas total $n - 1$ harus selalu sama dengan $df_1 + df_2$ — gunakan ini sebagai cek.

Melewatkan cek keragaman setara. ANOVA mengandaikan sebaran tiap grup serupa. Periksa dengan uji Levene atau bandingkan varians terbesar/terkecil (harus di bawah rasio 4:1). Bila keragaman jelas berbeda, beralih ke ANOVA Welch.

Mengabaikan asumsi kebebasan. Bila karyawan dalam satu grup saling memengaruhi (mis. bekerja dalam tim, atau diukur bersama), asumsi independensi pelanggaran. Ini yang paling sulit diperbaiki setelah data terkumpul. Pastikan desain eksperimen sudah merandomisasi penempatan karyawan ke metode sejak awal.

Memakai ANOVA untuk dua grup. Tidak salah — hasilnya identik dengan uji-t (dan kebetulan $F = t^2$) — tetapi untuk dua grup, uji-t lebih ringkas dan langsung memberi arah selisihnya. Simpan ANOVA untuk tiga atau lebih.

Dipakai di Dunia Nyata

• SDM dan pelatihan. Persis seperti kasus kita: membandingkan beberapa metode pelatihan, program onboarding, atau skema insentif terhadap produktivitas, retensi, atau kepuasan karyawan. ANOVA + uji lanjutan menjadi tulang punggung evaluasi program SDM berbasis bukti.
• Uji klinis. Membandingkan efek beberapa dosis obat (placebo, rendah, sedang, tinggi) terhadap penurunan tekanan darah dalam satu uji terkendali. Multi-arm trials hampir selalu memakai ANOVA sebagai analisis primer.
• Pemasaran (uji A/B/n). Menguji beberapa varian halaman situs, headline iklan, atau penawaran promosi sekaligus untuk melihat mana yang menghasilkan konversi berbeda. ANOVA menghindari jebakan menyatakan satu varian “menang” padahal cuma fluktuasi.
• Manufaktur dan kendali mutu. Membandingkan keluaran beberapa mesin, lini, atau shift untuk mendeteksi yang menyimpang. ANOVA menjadi alat standar Six Sigma untuk identifikasi sumber variabilitas.
• Pertanian dan biologi. Justru di sinilah ANOVA lahir (Ronald Fisher, 1920-an) — membandingkan hasil panen lintas perlakuan pupuk atau varietas benih. Kerangka “pecah keragaman” yang ia ciptakan kini jadi alat universal lintas disiplin.

Lanjutan

ANOVA satu-arah adalah pintu masuk membandingkan banyak kelompok sekaligus. Begitu Anda menguasai dekomposisi $SST = SSB + SSW$ dari nol, lompatan berikutnya akan terasa wajar.

• Sebelumnya: Uji Hipotesis — kerangka $H_0$/$H_1$, p-value, dan uji-t yang diperluas ANOVA untuk kasus banyak grup.
• Saudara klasik: ANOVA klasik (23) — saudara kembar materi ini dengan contoh empat metode mengajar, fokus pada intuisi dekomposisi SS.
• Besar pengaruh: Effect Size — pendalaman eta-kuadrat, omega-kuadrat, dan ukuran besar pengaruh lain.
• Daya uji: Power Analysis — menentukan ukuran sampel yang cukup agar ANOVA punya peluang mendeteksi perbedaan nyata.
• Berikutnya: Type I & II Error — keseimbangan galat yang dikendalikan ANOVA lewat ambang $\alpha$.