BAB 2
LANDASAN TEORI
2.1 Analisis Regresi
Salah satu tujuan analisis data adalah untuk memperkirakan/memperhitungkan besarnya efek kuantitatif dari perubahan suatu kejadian terhadap kejadian lainnya. Setiap kebijakan (policy), baik dari pemerintah maupun swasta, selalu dimaksudkan untuk mengadakan
perubahan (change). Sebagai contoh, Pemerintah menambah jumlah pupuk agar produksi
padi meningkat, Pemerintah menaikkan gaji pegawai negeri agar prestasi kerja mereka meningkat dan lain sebagainya. Untuk keperluan evaluasi/penilaian suatu kebijaksanaan mungkin ingin diketahui besarnya efek kuantitatif dari perubahan suatu kejadian terhadap kejadian lainnya. Kejadian-kejadian tersebut untuk keperluan analisis bisa dinyatakan
didalam perubahan nilai variabel. Untuk analisis kedua kejadian (events) digunakan dua
variabel X dan Y. Teknik Statistika untuk memeriksa dan memodelkan hubungan diantara variabel-variabel disebut Analisis Regresi.
2.1.1 Regresi Linier Sederhana
Regresi linier sederhana adalah suatu prosedur untuk mendapatkan hubungan matematis dalam bentuk suatu persamaan antara variabel dependen tunggal dengan variabel independen tunggal. Hubungan antara dua variabel dependen dan variabel independen ini dapat dirumuskan ke dalam suatu bentuk hubungan fungsional sebagai berikut:
Dengan:
Yi = variabel terikat ke-i
Xi = variabel bebas ke-i
a = intersep (titik potong kurva terhadap sumbu Y) b = kemiringan (slope) kurva linear
Dalam membuat keputusan, selalu ada resiko yang disebabkan oleh adanya
kesalahan (error). Resiko hanya bisa diperkecil dengan memperkecil kesalahan
(minimized error →minimized risk). Dengan memperhitungkan kesalahan pengganggu , maka bentuk persamaan linear menjadi sebagai berikut:
Dengan:
a dan b adalah konstanta yang diestimasi
adalah kesalahan pengganggu (disturbance’s error)
= disebut juga sisa yang terkandung galat yang sifatnya acak dan
penyimpangan model dari keadaan sesungguhnya.
Dalam praktik, untuk melihat hubungan antara X dan Y, dikumpulkan pasangan data (X,Y) sebagai suatu observasi, misalnya sebagai berikut :
X1,X2,…,Xi,…,Xn
Y1,Y2,…Y1,…,Yn
Digambar pada sistem koordinat tegak lurus hasilnya disebut diagram titik atau diagram pencar. Dapat dilihat pada gambar 2.1.
Garis lurus yang terdapat pada diagram pencar pada gambar 2.1 yang memperlihatkan adanya hubungan antara kedua variable disebut garis regresi atau garis perkiraan, dan persamaan yang digunakan untuk mendapatkan garis regresi pada data diagram pencar disebut persamaan regresi yang merupakan suatu variable matematika yang mendefenisikan hubungan antara dua variable.
2.1.2 Metode Kuadrat Terkecil
Untuk mendapatkan garis regresi yang paling baik yaitu garis regresi yang memiliki deviasi atau kesalahan terkecil, maka digunakan metode kuadrat terkecil. Metode kuadrat
terkecil ialah suatu metode untuk menghitung dan , sedemikian sehingga kesalahan
kuadrat memiliki nilai terkecil. Dengan bahasa matematika, dinyatakan sebagai berikut:
Yi = i = 1,2, …, n
= – ( = kesalahan pengganggu
= = jumlah kesalahan kuadrat
Jadi metode kuadrat terkecil adalah metode untuk menghitung dan
turunan parsial (partial differential) dari mula-mula terhadap kemudian
terhadap kemudian menyamakannya dengan nol.
= 2 = 0 …. (2.1)
= 2 = 0 ….
(2.2)
Persamaan (2.1) dibagi dengan
Sehingga Masukkan ke persamaan (2.2)
2 1 1 2 1 1 1 ) ( i i i i i i i i i X X n X n Y Y X X X X Y Y X
2 1 1 ) ( i i i i i i X n X n Y X Y X n Y X Y X n X Xi
i
i i
i i
1 2 2 ( ) Sehingga
2 2 1 2 2 1 1 ) ( ) ( i i i i i i i i X X n Y X Y X n n X X n Y X Setelah menaksir persamaan regresi, masalah berikutnya adalah menilai baik buruknya model regresi dengan data. Jadi diperlukan ukuran tentang kecocokan data. Analisis regresi adalah alat statistik yang digunakan untuk mengetahui derajat hubungan linear antara satu variable dengan variabel lain. Umumnya analisis korelasi digunakan dalam hubungannya dengan analisis regresi untuk mengukur ketetapan garis regresi dalam
menjelaskan (explaining) variasi nilai variabel dependen.
Untuk statistik yang dapat menggambarkan hubungan antara suatu variabel
dengan variabel lain adalah koefisien determinasi (R2) dan koefisien korelasi (r).
koefisien determinasi adalah salah satu nilai statistik yang dapat digunakan untuk mengetahui apakah ada hubungan pengaruh antara dua variabel. Perhatikan kesamaan berikut: ) ˆ ) ˆ ( ) (yi y yi y yi yi
Bila ruas kiri dan kanan dikuadratkan dan kemudian dijumlahkan maka diperoleh
2 1 1 2 (ˆ ) ( ˆ ) ) (
n i i i i n i i y y y y y y (ˆ ) ( ˆ ) 2 (ˆ )( ˆ .) 1 1 2 1 2
n i i i i n i i i n i i y y y y y y y y …(2.3)Perkalian yang terakhir pada persamaan (2.3) penulisan I = 1 dan n pada ∑ dihilangkan
sehingga menjadi
(yˆi y)(yi yˆi)
yˆi(yi yˆi)y
(yi yˆi).Bagian kedua ruas kanan sama dengan nol karena menurut (2.1)
(yi yˆi)
(yi abxi)0
yˆ(yi yˆi)
(abxi)(yi yˆi)= a
(yi yˆi)b
(yi yˆi)xi= 0 b
(yi abxi)xi = 0Jadi persamaan dapat ditulis kembali sebagai berikut (2.4)
) ˆ ( ) ˆ ( ) ( 1 2 1 1 2 i n i n i n i i y y y y y y
i
i
JKT JKR JKSPersamaan (2.4) adalah persamaan dasar dalam Analisis Regresi dan Analaisis variansi. Ruas kiri disebut jumlah kuadrat total (JKT) atau jumlah variasi total dan menyatakan jumlah penyimpangan y disekitar nilai rata-ratanya. Bagian pertama ruas kanan disebut jumlah kuadrat regresi (JKR) dan ini adalah variansi respons disekitar rata-ratanya ( ). Bagian kedua ruas kanan disebut jumlah kuadrat galat (sisa) dan singkat JKS. Bagian ini mengukur sisa dari variasi total (JKT) yang tidak dapat diterangkan oleh x, atau bagian yang sifatnya acak. Jadi dengan demikian dapat pula ditulis sebagai berikut:
JKT = JKR + JKS
Variasi Total = Variasi karena Regresi + Variasi karena Sisa.
Sifat penjumlahan (aditing) seperti ini banyak dijumpai dalam statistika, dan ini tidak hanya berlaku untuk bentuk kuadrat tapi juga untuk derajat kebebasannya. Jika pengaruh X terhadap Y besar maka diharapkan JKR cukup besar dibandingkan dengan JKS. Bila JKR besar maka JKS kecil dan sebaliknya, sedangkan JKT tetap. Dengan demikian JKT dapat dijadikan pembanding untuk menentukan besar kecilnya JKR atau JKS.
Dari defenisi R JKS JKR y y y y i i
2 2 2 ) ( ) ˆ (Dengan:
R2 disebut koefisien korelasi dua arah atau koefesien penentu (determinasi).
Karena 0< JKR< JKT, maka tentunya 0 < R2< 1. Jadi R2 dapat mengukur kecocokan data
dengan model makin dekat R2 dengan 1 makin baik kecocokan data dengan model dan
sebaliknya, makin dekat R2 dengan 0 makin jelek kecocokan tersebut.
2.1.1 Pendekatan Melalui Analisis Variansi
Dari persamaan (2.4) dapat dilihat penguraian jumlah kudrat total atas kedua komponennya, jumlah kuadrat regresi dan jumlah kuadrat galat. Tujuan utama penguraian
bukanlah untuk menghitung R2, tetapi merupakan langkah awal yang sangat penting
dalam menelaah komponen jumlah kudrat total. Untuk menentukan apakah pengaruh suatu peubah bebas X besar atau kecil terhadap respon Y diperlukan pambanding yang baku, yang tidak dipengaruhi baik buruknya model yang digunakan. Pembanding baku
tersebut adalah penaksir tak bias dari , variansi .
Disamping JKT dapat diuraikan atas kedua komponennya, derajat kebebasannya
dapat diuraikan juga. Sifat penjumlahan (aditing) ini merupakan salah satu keunggulan
Tabel 2.1 Tabel Analisis Variansi Regresi Sederhana Sumber
Variasi
JK (Jumlah Kuadrat) dk (Derajat
Kebebasan) RK(Rataan Kuadrat) F Hitung Regresi Sisa JKR =
2 ) ˆ (Yi Y JKS =
2 ) ˆ (Yi Yi 1 n-2 2 1 s JKR/1 2 2 s JKS/(n-2) 2 2 2 1 s s Total JKT =
(Y Y)2 i n-1Tabel 2.1 Memperlihatkan bentuk umum table analisis variansi (ANAVA) untuk regresi linear sederhana. Kolom keempat menunjukkan jumlah kuadrat dibagi dengan derajat kebebasannya, untuk regresi dan sisa.
Andaikan hipotesis yang akan diuji adalah
H0 : β = 0
H1 : β≠ 0
Yang pada dasarnya hipotesis nol ini mengatakan bahwa variansi dalam Y diakibatkan oleh fluktuasi acak yang tidak tergantung pada nilai X dengan kata lain X tidak mempengaruhi respons Y. bila hipotesis nol ditolak yaitu bila nilai Statistik F hitungan
melebihi nilai kritis Fα (1, n-2) maka disimpulkan bahwa terdapat jumlah variasi yang
berarti dalam respon Y yang disebabkan atau diterangkan oleh model yang dipandang benar, yaitu fungsi linear. Bila statistic F berasal dalam daerah penerimaan maka disimpulkan bahwa data tidak memberikan cukup dukungan kepada model yang dianggap benar.
Sebagai contoh misalkan dilakukan penelitian lapangan melalui survei sehingga hasil sampel yang diperoleh meliputi N individu. Individu tersebut dapat berupa perorangan, rumah tangga, industry kecil, atau wilayah dan lainnya. Masing-masing individu dinyatakan dengan huruf I yang menunjukkan individu ke-i dalam sampel. Informasi
yang diperoleh dari setiap individu memberikan nilai-nilai pengamatan Y adalah: Y1, Y2 ,
Y3 …, Yn. dapat dilihat gambar 2.3 yaitu suatu contoh mengenai berbagai hasil
pengamatan yang diperoleh dari individu pertama sampai dengan ke-N.
y
Gambar 2.3 Contoh Pengamatan dalam bentuk nilai rata-rata
Langkah pertama yang harus dilakukan yaitu memilih model apa yang akan digunakan. Model tersebut bisa berupa nilai rata-rata, median, modus dan lainnya ataupun yang lebih rumit mengikuti suatu pola tertentu secara linear ataupun nonlinear. Pada gambar 2.3 diambil suatu contoh dalam bentuk nilai rata-rata hitung, , dari seluruh pengamatan. Model ini akan menggambarkan dengan sempurna pola yang terdapat dalam kenyataan bila masing-masing individu dalam sampel memberikan nilai yang persis sama besarnya dengan nilai rata-rata tersebut.
Dengan demikian seberapa besar penyimpangan yang terjadi diantara nilai pengamatan dan nilai yang terkandung dalam model hitung dari nilai rata-rata digambarkan dengan menguraikan setiap nilai pengamatan menjadi
) (Y Y Y Yi i = 1,2,3,…,N
Dimana memberikan besaran nilai penyimpangan sehingga menggambarkan
naik turunnya (fluktuasi) hasil pengamatan terhadap model dan menunjukkan seberapa
jauh model yang dipakai tidak mampu menjelaskan kenyataan yang ada. Arah panah ke bawah berarti penyimpangan yang negatif sedangkan arah ke atas menunjukkan penyimpangan yang positif.
Persamaan (2.5) mempergunakan suatu model yang sederhana nilai rata-rata Dalam bentuk umumnya persamaan tersebut dapat dinyatakan sebagai berikut:
) ˆ ( ˆ Y Y Y Yi i = 1,2,3,…,N Pengamatan = Cocokan + Residual
merupakan model yang menggambarkan prediksi atau dugaan (estimasi) yang disebut
juga dengan fitted values. Nilai dapat berupa suatu titik fungai linier atau nonlinear,
Sedangkan menunjukkan besarnya penyimpangan atau residual.
Berdasarkan definisi dapat dilihat dengan jelas bahwa residual merupakan sisa dari hasil pengamatan yang belum dapat dijelaskan oleh suatu model tertentu. Dalam Analisis Regresi, yang menjadi tujuan utama adalah membuat jumlah kuadrat sisa atau
residu, JKS = sekecil mungkin agar dicapai suatu pemecahan
persoalan dalam bentuk besaran dan arah pengaruh peubah bebas terhadap peubah tak bebas. Semakin banyak peubah bebas dalam suatu persamaan regresi, JKS akan cederung
mengecil dengan kata lain semakin besar kemampuan model dalam menjelaskan keragaman peubah tak bebas.
2.3 Analisis variansi (ANAVA)
Analisis variansi (Analysis of Variance) merupakan metode yang digunakan untuk
menganalisis atau menguraikan keragaman total data menjadi komponen-komponen sumber keragaman. Dalam analisis variansi yang paling sederhana, dipergunakan satu peubah tak bebas. Persyaratan utama yang harus dipenuhi berkaitan erat dengan skala pengukuran. Peubah tak bebas paling tidak harus dapat diukur dalam bentuk skala interval. Sedangkan peubah bebas dapat berupa peubah nonmetrik (peubah yang tidak dapat diukur) atau sebagai gabungan antara peubah nonmetrik dengan peubah metrik
(peubah yang dapat diukur). Peubah bebas yang nonmetrik lebih dikenal sebagai faktor,
sementara peubah metric disebut sebagai kofaktor.
Bila keseluruhan peubah bebas tersebut hanya terdiri atas kofaktor, maka analisa
yang dipakai adalah Analisa Regresi. Analisa Regresi sederhana memecahkan
permasalahan yang hanya mengandung satu kofaktor saja. Bila lebih dari satu kofaktor,
pemecahan tersebut ditangani oleh Analisa Regresi Ganda (Multiple Regression
Analysis). Akan tetapi bila keseluruhan peubah bebas adalah factor, maka analisa yang
digunakan pada dasarnya adalah Analisa Variansi (Analysis of Variance). Jika yang
menjadi perhatian utama terletak pada apakah ada kemungkinan pengaruh satu factor
terhadap peubah tak bebas, maka pembahasan ini disebut dengan Analisa Variansi Satu
faktor analisanya dilakukan dengan Analisa Variansi Dua Arah (Two - Way Classification Analysis of Variance).
2.3.1 Analisis Variansi Klasifikasi Satu Arah
Di dalam klasifikasi satu arah melibatkan sebuah factor penentu. Populasi yang berbeda ini diklasifikasikan menurut perlakuan atau grup yang berbeda dan dianggap saling bebas
dan berdistribusi normal dengan rataan = = … = dan variansi . Istilah
perlakuan digunakan secara umum dengan arti bebagai klasifikasi, apakah itu kelompok, adukan, penganalisis, pupuk yang berbeda, atau berbagai daerah disuatu negara, dan variansi
Ingin dicari metode yang sesuai untuk menguji hipotesis:
H0 : = = … =
H1 : ≠ ≠ … ≠
Misalkan menyatakan pengamatan ke j dalam perlakuan ke i dan Ti
menyatakan jumlah semua pengamatan dalam sampel dari perlakuan ke i, menyatakan
rataan semua pengamatan dalam sampel dari perlakuan ke i, T.. jumlah semua nI
pengamatan, dan .. rataan semua nI pengamatan. Tiap pengamatan dapat ditulis dalam
bentuk
= (2.6)
Tabel 2.2 k sampel acak Perlakuan
1 2 … I
11 y
12 y y22 … yI2 n y1 y2n … yIn Jumlah T1. T2. … TI. T… Rataan y1. y2.. … y.I. y..
Dengan menyatakan penyimpangan ke j pada sampel ke i dari rataan perlakuan
padanannya. Suku menyatakan galak acak yang peranannya sama dengan suku galat
dala model regresi. Bentuk lain dari persamaan (2.6) diperoleh dengan mengganti
, dengan kendala
I
i 1 i
= 0 dipenuhi.
Jadi dapat ditulis :
=
Bila menyatakan rataan keseluruhan dari semua ; yakni
Dengan:
disebut sebagai efek atau pengaruh perlakuan ke i.
Hipotesis nol bahwa rataan populasi sama dan lawan tandingan bahwa paling sedikit dua dari rataan ini tidak sama diganti dengan hipotesis yang setara,
Uji yang dipakai didasarkan pada perbandingan dua taksiran bebas dari kesamaan
variasi populasi . Kedua taksiran tersebut diperoleh dengan menguraikan total variasi
data, diusahakan oleh penjumlahan ganda
2 1 1 ..
I i n i ij yy menjadi dua komponen.
Teorema 2.1 Identitas Jumlah Kuadrat
2 1 1 ..
I i n j ij y y =
2 1 1 .. .
I i n j i y y n +
2 1 1 .
I i n j i ij y y Bukti
2 1 1 ..
I i n j ij y y =
I i n j i y y 1 1 .. . [ + (yij - i.)]2 =
2 1 1 .. . [
I i n j i y y + 2 ( i.– )2(yij - i.) + (yij - i.)2 =
2 1 1 .. . [
I i n j i y y + 2 ( i – )2(yij - i.) +
2 1 1 .
I i n j i ij y ySuku yang ditengah sama dengan nol, karena
0 . .) 1 1 1 1
n y n y y n y y y n j ij n j ij i n j ij i n j ijJumlah yang pertama tidak mengandung indeks, jadi dapat ditulis
. ..
. ..)2. 1 1 1 2 y y n y y I i i I i n j i
Sehingga
2 1 1 1 2 ..) . .. . y n y y y I i i I i n j i
+
I i n j ij y y 1 1 2 .Agar memudahkan penggunaannya maka suku identitas jumlah kuadrat akan ditandai dengan lambang berikut:
JKT =
I i n j ij y y 1 1 2. = jumlah kuadrat total
JKA = 2 1 ..) . y y n I i i
= jumlah kuadrat perlakuan
JKG =
I i n j ij y y 1 1 2. = jumlah kuadrat galat
Identitas jumlah kuadrat dapat dituliskan: JKT = JKA + JKG
Identitas jumlah kuadrat menyatakan bahwa variasi antar perlakuan dan dalam perlakuan dijumlahkan menjadi jumlah kuadrat total. Akan tetapi, pemahaman lebih mendalam dapat diperoleh dengan menyelidiki nilai harapan dari JKA dan JKG. Kemudian akan diturunkan taksiran variasi yang merumuskan rasio yang akan digunakan untuk menguji kesamaan dari rataan populasi.
Perlu dibandingkan ukuran variansi antara perlakuan yang sesuai dengan variasi dalam perlakuan agar dapat ditemukan perbedaan yang berarti dalam pengamatan akibat pengaruh perlakuan. Perhatikan nilai harapan jumlah kuadrat perlakuan.
Teorema 2.2 E(JKA) = (I-1) σ2 +
I i n 1 2 1 BuktiBila JKA dipandang sebagai peubah acak yang nilai-nilainya berubah bila percobaan diulang beberapa kali, maka dapat ditulis:
JKA = 2 1 ..) . (y y I i i
.Dari model : yij = + αi + Eij Diperoleh yi = + αi + Ei. yi = +E..karena 0. 1
I i i n Jadi JKA = 2 1 ..) . E E n I i i i
dan E(JKA) = ( .) ( ..) 2 ( .) 1 2 2 1 1 2 i I i i i I i I i i n E E nIE E n E E n
karena Eij merupakan peubah bebas dengan rataan nol dan variansi σ2, maka
diperolah E( .) , 2 2 n Ei E( ..) , 2 2 nI Ei E(Ei .) 0 sehingga E(JKA) = 2) 1 2 2
I i i I n = (I-I)2
I i i n 1 2 Salah satu taksiran σ2 yang didasarkan pada I-1 derajat kebebasan diberikan oleh
Rataan Kuadrat Perlakuan
1 2 1 I JKA s
Bila H0 benar dan tiap αi pada teorema 2.2. sama dengan nol, maka
2 1 I JKA E dan 2 1
s merupakan menaksir σ2 yang tak bias. Akan tetapi, bila H1 yang benar, maka
1 1 1 2 2
I n I JKA E I i i Dan 2 1
s menaksir σ2 ditambah suatu suku tambahan mengukur variasi akibat pengaruh
yang sistematik.
Taksiran σ2 yang kedua dan bebas dari hipotesis, didasarkan pada I(n-1) derajat
kebebasan, ialah rumus yang dikenal, yaitu Rataan Kuadrat Galat
) 1 ( 2 n I JKG S
Identitas jumlah kuadrat tidak saja menguraikan keragaman total data, tetapi juga jumlah semua derajat kebebasan. Dengan perkataan lain
n (I-1) = nI - n1
bila H0 benar, rasio
f = 2 2 1 S S
merupakan suatu nilai peubah acak F yang berdistribusi F dengan derajat kebebasan I-1
dan I(n-1). Karena 2
1
S menaksir lebih σ2 bila H0 salah, maka diperoleh uji ekasisi dengan
daerah kritis seutuhnya terletak disebelah ujung kanan fuangsi distribusi.
Hipotesis nol ditolak pada taraf keberartian α bila
f > fα[I-1,I(n-1)]
Perhitungan masalah analisis variansi diringkas dalam bentuk tabel seperti pada tabel 2.3. Tabel 2.3. Analisis Variansi untuk Klasifikasi Satu Arah
Sumber Variasi Jumlah Kuadrat Derajat Kebebasan Rataan Kuadrat f Hitungan Perlakuan Galat JKA JKG I-1 I(n-1) 1 2 I JKA S ) 1 ( 2 n I JKG S 2 2 1 S S
Total JKT nI-1
2.3.2. Analisis Variansi Klasifikasi Dua Arah
Analisis Variansi klasifikasi dua arah merupakan pengembangan atau perluasan dari analisa dengan satu arah. Anava klasifikasi dua arah membahas tentang keragaman dalam satu peubah tidak bebas Y yang ditimbulkan oleh keragaman dua faktor.
Seperti digambarkan dalam tabel 2.4.
Tabel 2.4. Klasifikasi Dua Arah Blok Perlakuan 1 2 … J Jumlah Rataan 1 2 I 11 y y12 … y1j 21 y y22 … y2j 1 I y yI2 … yIj T1. T2. TI 1 y 2 y I y Jumlah T.1 T.2 … T.j T.. Rataan y.1 y.2 … y.j y.. Dengan:
.
i
y = rataan pengamatan untuk perlakuan ke i
j
y. = rataan pengamatan dalam blok ke j
..
y = rataan keseluruhan ij pengamatan
Ti. = jumlah pengamatan untuk perlakuan ke i
T.j = jumlah pengamatan dalam blok ke j
..
T = jumlah keseluruhan ij pengamatan
Rata-rata rataan populasi perlakuan ke i, i, didefinisikan sebagai
J J j ij j
1 Rata-rata rataan populasi blok ke j, .j, didefinisikan sebagai
I I i ij j
1 . Dan rata-rata rataan keseluruhan , didefinisikan sebagai
IJ I i J j ij j
1 1 . Untuk menentukan apakah ada bagian variasi dalam pengamatan yang diakibatkan oleh perbedaan dalam perlakuan, dilakukan uji
H0 : 1. = 2. = … = I =
dan untuk menentukan apakah ada variasi yang diakibatkan oleh perbedaan blok dilakukan uji
H0 : .1 = .2 = … = .j =
H1 : tidak semua j = 0
Tiap pengamatan dapat dituliskan dalam bentuk yij = ij + εij
dengan εij mengukur penyimpangan nilai amatan yij dari rataan populasi ij.
Bentuk persamaan yang lebih disukai dilperoleh dengan penggantian
ij = + α1 + βj
Dengan α1 menyatakan pengaruh perlakuan ke i dan βj menyatakan pengaruh blok ke j.
dianggap bahwa pengaruh perlakuan dan blok aditif. Jadi dapat ditulis yij = + α1 + βj + εij
Model ini mirip dengan klasifikasi satu arah, perbedaan utamanya adalah adanya
pengaruh blok βj. Konsep dasarnya mirip sekali dengan klasifikasi satu arah kecuali disini
pengaruh tambahan akibat blok harus diperhitungkan dalam analisis karena sekarang variasi dikendalikan secara sistematis dalam dua arah.
Bila sekarang dikenakan pembatasan bahwa
0 1
I i i dan 0 1
J j j Maka, 1 1 ) ( .
J J j j i i dan 1 1 ) ( .
I I i j i jHipotesis nol bahwa i rataan perlakuan i. sama, dan area itu sama dengan dengan
H0 : α1 = α2 = … = αI = 0,
Hi : tidak semua αi = 0
Begitu juga hipotesis nol bahwa j rataan blok .j sama, serta dengan menguji hipotesis
H0 : β1 = β2 = … = βJ = 0,
H1 : tidak semua βJ = 0
Tiap uji pada perlakuan akan didasarkan pada perbandingan takisran-taksiran
bebas untuk variasi populasi bersama σ2. Taksiran ini diperoleh dengan memisahkan
jumlah kuadrat total data menjadi tiga bagian dengan menggunakan identitas berikut.
Teorema 2.3 Identitas Jumlah Kuadrat
2 1 1 2 1 2 1 1 1 2 ( . ..) ( . ..) ( . . ..) .. . y J y y I y y y y y y y I j i i J j ij j J j I i J j I i i ij
Bukti
2 1 1 1 1 2 [( . ..) ( . ..) ( . . ..)] .. . y y y y y y y y y y j ij i j I i J j i I i J j ij
2 1 1 2 1 1 1 1 2 [( . ..) ( . . ..) .. . y y y y y y y y I j i i J j ij I i J j j I i J j i
. ..
( . . ..) 2 ..) . ( .. . 2 1 1 1 1 y y y y y y y y y y j i I i J j i ij I i J j j i
. ..
( . . ..) 2 1 1 y y y y y y i j I i J j j ij
2 1 2 1 1 1 2 ..) . ( ..) . ( .. . y J y y I y y y J j j I i J j I i i ij
2 1 1 ..) . . (y y y j y I i i J j ij
Identitas jumlah kuadrat dapat dituliskan dengan lambang persamaan JKT = JKA + JKB + JKG Dengan : JKT =
I i J j ij y y 1 1 2 ... = jumlah kuadrat total
JKA = 2 1 ..) . (y y J I i i
= jumlah kuadrat perlakuan
JKB = 2 1 ..) . (y y I J j j
= jumlah kuadrat blok
JKG = 2 1 1 ..) . . (y y y j y I i i J j ij
= jumlah kuadrat galat
Dengan mengikuti cara kerja seperti diuraikan pada teorema 2.2 yaitu bila jumlah
kuadrat tersebut ditafsirkan sebagai fungsi peubah acak bebas, maka dapat y11, y12, …., yIJ
ditunjukkan bahwa nilai harapan jumlah kuadrat perlakuan, blok, dan galat adalah,
E(JKA) = (I-1) σ2 +
I i i J 1 2 E(JKB) = (J-1) σ2 +
J j j I 1 2 E(JKG) = (I-1)(J-1) σ2.Salah satu taksiran σ2 didasarkan pada I-1 derajat kebebasan, adalah 1 2 1 I JKA s
Bila pengaruh perlakuan α1 = α2 = …= αI = 0, maka s12merupakan taksiran tak bias dari σ
2. Akan tetapi, bila pengaruh perlakuan tidak semuanya nol, maka
1 1 1 2 2
I J I JKA E I i i dan 2 1s akan secara berlebihan menaksir σ2, taksiran kedua σ2, didasarkan atas J-1 derajat
kebebasan, diberikan oleh
1 2 2 J JKB s Taksiran 2 2
s merupakan taksiran tak bias dari σ2 bila pengaruh blok β1 = β2 =…= βj = 0.
Bila pengaruh blok tidak semuanya nol, maka:
1 1 1 2 2
J I J JKB E J j j Dan 2 2s akan secara berlebohan menaksir σ2. Taksiran ketiga dari σ2, didasarkan pada
(I-1)(J-1) derajat kebebasan dan bebas dari s2, diberikan oleh
, ) 1 )( 1 ( 2 J I JKG s
Yang tidak bias, terlepas apakah kedua hipotesis nol benar atau salah.
Untuk menguji hipotesis nol bahwa pengaruh perlakuan semuanya sama dengan nol, dengan menghitung rasio:
, 2 2 1 1 s s f
Yang merupakan nilai peubah acak F1 yang berdistribusi F dengan derajat kebebasan I-1
dan (I-1)(J-1) bila hipotesis nol benar. Hipotesis nol ditolak pada taraf keberartian α bila
f1 > fα [I-1,(I-1)(J-1)].
Untuk menguji hipotesis nol bahwa pengaruh blok semuanya sama dengan nol, dengan menghitung rasio:
, 2 2 2 2 s s f
Yang merupakan nilai peubah acak F2 yang berdistribusi F dengan derajat kebebasan J-1
dan (I-1)(J-1) bila hipotesis nol benar. Perhitungan Anava untuk klasifikasi dua arah disajikan dalam tabel 2.5.
Tabel 2.5. Analisis Variansi Klasifikasi Dua Arah Sumber Variasi Jumlah Kuadrat Derajat Kebebasan Rataan Kuadrat f Hitungan Perlakuan Blok Galat JKA JKB JKG I-1 J-1 (I-1)(J-1) 1 2 I JKA S 1 2 J JKB S ) 1 )( 1 ( 2 J I JKG S 2 2 1 1 S S f 2 2 2 2 S S f Total JKT IJ-1
2.3.3 Analisis Variansi Klasifikasi Dua Arah dengan Interaksi
Klasifikasi dua arah dengan interaksi mencakup uji hipotesa tentang pengaruh baris, kolom dan interaksi antara baris dan kolom. Untuk menentukan rumus klasifikasi dua arah dengan pengamatan yang berulang dalam rancangan acak lengkap, pandang K sebagai replikasi pada tiap kombinasi perlakuan faktor A diamati pada I taraf dan faktor B pada J taraf. Pengamatan dapat disajikan dalam suatu matriks yang barisnya menyatakan taraf faktor A sedangkan kolomnya menyatakan faktor B. Tiap kombinasi perlakuan menentukan suatu sel dalam matriks. Jadi terdapat IJ sel, masing-masing berisi K pengamatan. Seluruh IJK pengamatan diperlihatkan pada tabel 2.6.
Tabel 2.6 Klasifikasi Dua Arah dengan Interaksi Faktor A (baris) Faktor B (kolom) 1 2 … J Jumlah Rataan 1 y111 y121 …y1J1 112 y y122 …y1J2 k y11 y12k …y1JK .. 1 y y1.. 2 y211 y221 …y2J1 212 y y222 …y2J2 k y21 y22k …y2JK .. 2 y .. 2 y
I 11 I y yI21 …yIJ1 12 I y yI22 …yIJ2 k I y1 yI2k …yIJK .. 1 y .. 1 y Jumlah y.1 y.2. …y.J. y... Rataan y.1 y.2. …y.J. y...
Pengamatan pada sel ij membentuk sampel acak berukuran n dari populasi yang
dianggap berdistribusi normal dengan rataan ij dan variansi σ2. Semua populasi yang
banyaknya IJ dianggap mempunyai variansi yang sama. Tiap pengamatan dalam tabel 2.6
dapat ditulis dalam bentuk yijk ij ijk,
Dengan ijkmengukur penyimpangan pengamatan nilai yijk pada sel ke ij dari rataan
populasi ij. Bila yijmenyatakan pengaruh interaksi antara faktor A taraf ke I dan faktor
B taraf ke j, α1 pengaruh faktor A, βj pengaruh faktor B dan rataan keseluruhan, maka
dapat ditulis
ij j ij 1 ()
Sehingga yijk i j ()ijijk Yang akan dikenakan pembatasan
0, ( ) 0, ( ) 0 1 1 1
ij J j J j ij j I i i Ketiga hipotesis yang akan diuji adalah: H0 : α1 = α2 = … = αI = 0 Hi : tidak semua αi = 0 H0 : β1 = β2 = … = βJ = 0 H1 : tidak semua βJ = 0 H0 : (γ)11 = (γ)12 = … = (γ)IJ = 0 H1 : tidak semua (γ)ij = 0
Tiap uji akan didasarkan pada perbandingan taksiran σ2 yang bebas diperoleh
dengan menguraikan jumlah kuadrat data menjadi empat bagian dengan menggunakan kesamaan (identitas) berikut.
Teorema 2.4 Identitas Jumlah Kuadrat
J j j I i J j i I i K k ijk y y IK y y JK y y 1 2 2 1 1 1 1 2 ...) . . ( ...) .. ( .. .
I i J j j i ij y y y y K 1 1 2 ... . . .. . . .) ( 2 2 1 1 1 ij I i J j K k ijk y y
Identitas jumlah kuadrat dapat dituliskan dengan lambang persamaan JKT = JKA + JKB + JK(AB) + JKG
Derajat kebebasaanya menurut kesamaan
IJK-1 = (I-1) + (J-1) + (I-1)(J-1) + IJ(K-1)
Bila tiap jumlah kuadrat pada sebelah kanan kesamaan jumlah kuadrat dibagi dengan derajat kebebasannya, maka diperoleh keempat statistic yaitu
) 1 ( , ) 1 )( 1 ( ) ( , 1 , 1 2 2 3 2 2 2 1 K IJ JKG s J I AB JK s J JKB s I JKA s
Semua taksiran variansi ini adalah taksiran σ2 yang bebas dengan syarat bahwa tidak ada pengaruh αi, βj, (γ)ij.
Bila jumlah kuadrat dipandang sebagai fungsi dari peubah acak bebas Y111, Y112,
…,Yijk maka
1 1 ) ( 2 1 1 2 2 1
I JK I JKA E s E I i 1 1 ) ( 2 1 1 2 2 2
J JK J JKB E s E J j ) 1 )( 1 ( ) ! )( 1 ( ) ( ) ( 1 1 2 1 2 2 3
J I K J I AB JK E s E I i I i 2 2 ) 1 ( ) ( K IJ JKG E s EDari rumus dengan mudah dapat dsimpulkan bahwa keempat taksiran 2 tidak bias bila
H0 (Hipotesin nol) benar.
Untuk menguji hipotesis nol bahwa pengaruh perlakuan semuanya sama dengan nol, dengan menghitung rasio:
2 2 1 1 s s f
Yang merupkan nilai peubah acak F1 yang berdistribusi F dengan derajat kebebasan I-1
dan IJ(K-1) bila hipotesis nol benar. Hipotesis nol ditolak pada taraf keberartian α bila f1 >
fα [I-1,IJ(K-1)],
Untuk menguji hipotesis nol bahwa pengaruh blok semuanya sama dengan nol, dengan menghitung rasio:
2 2 2 2 s s f
Yang merupkan nilai peubah acak F2 yang berdistribusi F dengan derajat kebebasan J-1
dan IJ(K-1) bila hipotesis nol benar. Hipotesis nol ditolak pada taraf keberartian α bila f2 >
fα [J-1,IJ(K-1)]. Untuk menguji hipotesis H0 bahwa pengaruh interaksi semuanya nol,
maka: 2 2 3 3 s s f
Yang merupkan nilai peubah acak F3 yang berdistribusi F dengan derajat kebebasan (I-1)
(J-1) dan IJ (K-1) bila H0 benar. Adanya interaksi bila f3 > fα [I-1,(J-1),IJ(K-1)].
Perhitungan mengenai masalah anava untuk klasifikasi dua arah dengan interaksi disajikan dalam tabel 2.7
Tabel 2.7. Analisis Variansi untuk Klasifikasi Dua Arah dengan Interkasi Sumber Variasi Jumlah Kuadrat Derajat Kebebasan Rataan Kuadrat f Hitung Pengaruh
Utama A (baris) B (kolom) Interaksi AB Sisa JKA JKB JK(AB) JKG I-1 J-1 (I-1)(J-1) IJ(K-1) 1 2 1 I JKA S 1 2 2 J JKB S ) 1 )( 1 ( ) ( 2 3 J I AB JK S ) 1 ( 2 K IJ JKG S 2 2 1 1 S S f 2 2 2 2 S S f 2 2 3 3 S S f Jumlah JKT IJK-1
Jumlah kuadrat diperoleh dengan membentuk tabel jumlah kuadrat berikut: Tabel 2.8 A B 1 2 … J Jumlah 1 2 I . 11 y y12. …y1j. . 21 y y22. …y2j. .. 1 y .. 2 y
. 1 I y yI1. …yIJ y1.. Jumlah y.1. y.2. …y.J. y...