Analisis varians: Perbedaan antara revisi
Konten dihapus Konten ditambahkan
k r2.7.1) (bot Menambah: ru:Дисперсионный анализ |
NikolasKHF (bicara | kontrib) Fitur saranan suntingan: 2 pranala ditambahkan. |
||
| (15 revisi perantara oleh 10 pengguna tidak ditampilkan) | |||
Baris 1:
{{noref}}'''Analisis varians''' ('''''analysis of variance''''', '''ANOVA''') adalah suatu [[metode]] analisis [[statistika]] yang termasuk ke dalam cabang [[statistika inferensi]]. Dalam literatur Indonesia metode ini dikenal dengan berbagai nama lain, seperti '''analisis ragam''', '''sidik ragam''', dan '''analisis variansi'''. Ia merupakan pengembangan dari [[masalah Behrens-Fisher]], sehingga [[uji-F]] juga dipakai dalam pengambilan keputusan. Analisis varians pertama kali diperkenalkan oleh [[Sir]] [[Ronald Fisher]], bapak statistika modern. Dalam praktik, analisis varians dapat merupakan [[uji hipotesis]] (lebih sering dipakai) maupun [[pendugaan]] (''estimation'', khususnya di bidang genetika terapan).
Secara umum, analisis varians menguji dua [[varians]] (atau ragam) berdasarkan [[hipotesis]] nol bahwa kedua varians itu sama. Varians pertama adalah varians antarcontoh (''among samples'') dan varians kedua adalah varians di dalam masing-masing contoh (''within samples''). Dengan ide semacam ini, analisis varians dengan dua contoh akan memberikan hasil yang sama dengan [[uji-t]] untuk dua rerata (''mean'').
Supaya sahih (valid) dalam menafsirkan hasilnya, <u>analisis varians menggantungkan diri pada empat asumsi</u> yang harus dipenuhi dalam [[perancangan percobaan]]:
# Data ber[[distribusi normal]], karena pengujiannya menggunakan uji F-Snedecor
# Varians atau ragamnya homogen, dikenal sebagai [[homoskedastisitas]], karena hanya digunakan satu penduga (''estimate'') untuk varians dalam contoh
Baris 9:
# Komponen-komponen dalam modelnya bersifat aditif (saling menjumlah).
Analisis varians relatif mudah dimodifikasi dan dapat dikembangkan untuk berbagai bentuk percobaan yang lebih rumit. Selain itu, analisis ini juga masih memiliki keterkaitan dengan [[analisis regresi]]. Akibatnya, penggunaannya sangat luas di berbagai bidang, mulai dari [[eksperimen]] [[laboratorium]] hingga eksperimen [[periklanan]], [[psikologi]], dan kemasyarakatan.
== Pranala luar ==
= Analisis Varians menggunakan RStudio =
Fungsi dari ANOVA adalah untuk menguji apakah terdapat perbedaan signifikan antara rata-rata beberapa kelompok (lebih dari dua), melalui ukuran penyebaran (variansi) dari masing-masing kelompok populasi tersebut.
Analisis Variansi didasarkan atas beberapa anggapan mengenai sifat data sebagai berikut:
* Populasi-populasi yang akan diuji berdistribusi normal
* Variansi dari populasi-populasi tersebut adalah sama
* Sampel tidak berhubungan satu dengan yang lainnya (saling bebas)
Hipotesis yang digunakan dalam metode ini adalah sebagai berikut, dari ''k'' populasi:
''H<sub>0</sub>'': <math display="inline">\mu_1 = \mu_2 = ... = \mu_k
</math>
''H<sub>1</sub>'': paling sedikit dua diantara rataan tersebut tidak sama
{| class="wikitable"
|+Tabel ANOVA
!Sumber Variansi
!Jumlah Kuadrat
!Derajat Kebebasan
!Rataan Kuadrat
!F (Hitung)
|-
|Perlakuan
|<math>JKp</math>
|<math display="inline">k-1</math>
|<math>RKp = \frac{JKp}{k-1} </math>
| rowspan="2" |F (Hitung) <math>= \frac{RKp}{RKg}</math>
|-
|Galat
|<math>JKg</math>
|<math>N-k</math>
|<math>RKg = \frac{JKg}{N-k}</math>
|-
|Total
|<math>JK_T</math>
|<math>N-1</math>
| colspan="2" |
|}
== Langkah-langkah Perhitungan ANOVA pada R (dengan ukuran sampel pada tiap pengamatan sama) ==
<syntaxhighlight lang="r">
#ANOVA
#Input Data
x = read.table("namafile.txt", header=TRUE);
#Bentuk data menjadi sebuah vektor
r = c(t(as.matrix(x))) #vektor data
#Definisikan variabel baru untuk perakuan dan banyak pengamatan
f = c("Variabel 1",...,"Variabel n") #faktor variabel perlakuan
k #banyak jenis perlakuan
n #banyak pengamatan per perlakuan
N #banyak seluruh pengamatan
#Buat vektor faktor perlakuan sesuai dengan vektor r
tm = gl(k, l, n*k, factor(f)) #vektor perlakuan
#Function
av = aov(r ~ tm)
summary(av) #tabel ANOVA
#F critical atau tabel
df1 = k-1
df2 = N-k
alpha = 0.5
Ftabel = qf(1-alpha, df1, df2)
#hasil: bandingkan Pvalue dengan alpha atau
#bandingkan F hitung dengan F tabel
</syntaxhighlight>
[[Kategori:Statistika]]
{{Stat-stub}}
| |||