Halo sobat Exsight!! Gimana kabarnya? Semoga selalu dalam keadaan sehat walafiat yaa. Okay, jika di artikel sebelumnya sudah pernah dibahas mengenai teori uji ANOVA, maka pada artikel kali ini akan dibahas lebih lanjut mengenai langkah uji One Way ANOVA menggunakan software R. Jika kamu belum membaca teori nya, kamu bisa baca di sini.
Nah, telah disebutkan pada artikel sebelumnya bahwa uji ANOVA adalah uji statistika parametrik yang digunakan untuk membandingkan nilai mean dari 3 kelompok atau lebih. Dengan ANOVA, kamu akan mengetahui apakah ada perbedaan nilai mean antar kelompok-kelompok tersebut.
Sebelum melakukan analisis menggunakan software R, pastikan terlebih dahulu bahwa kamu sudah menginstall software R. Atau jika belum kamu bisa men-download-nya di web CRAN.
Studi Kasus
Seorang petani ingin mengetahui apakah ada pengaruh jenis pupuk terhadap tinggi tanaman cabenya (dalam cm). Petani tersebut menggunakan 5 jenis pupuk yang berbeda (A, B, C, D dan E) dan melakukan pengamatan selama 2 minggu terhadap 20 tanaman cabe. Adapun 1 jenis pupuk akan dicobakan pada 4 tanaman cabe yang berbeda. Diperoleh data sebagai berikut.
| Jenis Pupuk | ||||
| A | B | C | D | E |
| 14.9 | 16.1 | 18 | 20.2 | 9.5 |
| 15.9 | 17.6 | 17.9 | 20.5 | 7.3 |
| 14.7 | 16.9 | 17.9 | 20.5 | 8.6 |
| 14.8 | 16.9 | 17.6 | 21.4 | 9.1 |
Dari dataset di atas, One Way ANOVA merupakan metode yang tepat untuk menjawab pertanyaan petani tersebut. Hal ini dikarenakan ada 5 kelompok tanaman yang akan dibandingkan untuk melihat ada tidaknya perbedaan tinggi tanaman antar kelompok. Jika diperoleh hasil bahwa terdapat perbedaan tinggi tanaman antar kelompok, maka dapat disimpulkan terdapat pengaruh jenis pupuk terhadap tinggi tanaman. Dan sebaliknya, jika diperoleh hasil tidak terdapat perbedaan tinggi tanaman antar kelompok, maka dapat disimpulkan tidak terdapat pengaruh jenis pupuk terhadap tinggi tanaman
Import Data
Sebelum dilakukan import data ke software R, kamu harus mempersiapkan datanya terlebih dahulu. Tabel hasil pengamatan di atas harus dikonversi menjadi 2 kolom saja, yaitu kolom tinggi_tanaman dan jenis_pupuk. Kolom tinggi_tanaman berisi nilai pengukurannya dalam cm dan kolom jenis_pupuk yang berisi kode pupuk yang dicobakan ke tanaman tersebut.
Secara umum, jika ingin melakukan uji One Way ANOVA di R, dataset harus dibuat menjadi 2 kolom yang berisi variabel independen dan variabel dependennya. Di mana dalam kasus ini yang merupakan variabel independen adalah jenis pupuk dan variabel dependennya adalah tinggi tanaman.
Berikut tampilan dataset di excel.
Setelah dibuat tabel seperti di atas, maka simpan file tersebut dalam file berekstensi .xlsx
Karena data sudah siap, maka buka software R dan ketikkan sintaks berikut untuk mengimport file excel tersebut ke R
#Input Data
library(readxl) #Mengaktifkan library readxl
data=read_excel(file.choose()) #Memilih file yang akan dianalisis
Setelah sintaks tersebut di-run, silahkan pilih data yang akan dianalisis dan klik Open
Untuk mengecek apakah data telah diinput secara benar, kita dapat mengetikkan sintaks berikut
View(data)
Maka data akan terlihat sebagai berikut
Data tersebut terdiri dari 20 baris dan 2 kolom.
Uji Asumsi ANOVA
Karena Anova merupakan uji statistika parametrik, maka ada dua asumsi yang harus terpenuhi. Menurut Widasari (1988) dalam bukunya yang berjudul Materi Pokok Rancangan Percobaan, asumsi-asumsi yang mendasari ANOVA yang perlu diperhatikan agar pengujian menjadi sahih adalah residual percobaan menyebar normal (asumsi normalitas residual) serta residual percobaan mempunyai varian yang homogen (asumsi homogenitas residual).
Untuk menghitung nilai residual, terlebih dahulu dilakukan pemodelan ANOVA menggunakan sintaks berikut
anova_pupuk <- aov(tinggi_tanaman ~ jenis_pupuk, data = data)
Pemodelan anova akan dilakukan menggunakan function aov dimana maksud dari tinggi_tanaman ~ jenis_pupuk adalah untuk menguji hipotesis apakah tinggi_tanaman dipengaruhi oleh jenis pupuk atau tidak.
Untuk penjelasan lebih lanjut mengenai function aov, kamu dapat mengetikkan sintaks berikut.
?aov
Dan pada jendela help akan muncul penjelasan sebagai berikut
Setelah dilakukan pemodelan, definiskan nilai residual dari model dengan nama pupuk.residuals
pupuk.residuals <- residuals(object = anova_pupuk)
Pada bagian object, sesuaikan dengan nama model yang akan diuji. Karena sebelumnya model anova telah saya definisikan dengan nama anova_pupuk, maka object = anova_pupuk.
Karena kita telah mendapatkan nilai residual yang disimpan dalam variabel pupuk.residuals, maka uji asumsi dapat segera kita lakukan.
Asumsi Normalitas
Untuk asumsi normalitas, dapat digunakan berbagai jenis metode. Pad artikel kali ini, akan dilakukan uji normalitas menggunakan metode Shapiro Wilk yang terdapat pada package nortest
library(nortest)
shapiro.test(pupuk.residuals)
Berikut output yang diperoleh
> shapiro.test(pupuk.residuals)
Shapiro-Wilk normality test
data: pupuk.residuals
W = 0.94162, p-value = 0.2572
Dari output di atas, kita dapat menyimpulkan bahwa pada taraf signifikansi 5%, residual berdistribusi normal. Hal ini dikarenakan residual memiliki p-value sebesar 0.2572 > 0.05.
Karena uji asumsi normalitas terpenuhi, maka kita dapat melanjutkan ke uji asumsi homogenitas.
Tapi, jika pada tahap ini asumsi normalitas nya tidak terpenuhi, kamu harus melakukan transformasi data terlebih dahulu atau melakukan uji perbandingan menggunakan metode lain, seperti Kruskal Wallis yang merupakan uji perbandingan non parametrik
Asumsi Homogenitas
Untuk uji homogenitas residual, akan dilakukan menggunakan function leveneTest pada package car. Kamu bisa menggunakan metode yang lain sesuai kebutuhanmu
library(car) |
Berikut output yang diperoleh
> leveneTest(tinggi_tanaman ~ jenis_pupuk, data = data, center=mean) |
Dari output di atas, kita dapat menyimpulkan bahwa pada taraf signifikansi 5%, residual memenuhi asumsi homogenitas. Hal ini dikarenakan residual memiliki p-value sebesar 0.369 > 0.05.
Karena uji asumsi normalitas dan homogenitas terpenuhi, maka kita dapat melanjutkan ke analisis utama kita, yaitu One Way Anova
One Way ANOVA
Untuk melihat tabel F dari uji ANOVA, kita bisa langsung mengetikkan sintaks berikut. Sama seperti pemodelan anova di bagian awal
anova_pupuk <- aov(tinggi_tanaman ~ jenis_pupuk, data = data) summary(anova_pupuk)
Berikut output yang diperoleh
> summary(anova_pupuk)
............Df Sum Sq Mean Sq F value Pr(>F)
jenis_pupuk 4 323.5 80.89 212.8 5.15e-13***
Residuals 15 5.7 0.38 ---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Untuk pengujian hipotesis, kita dapat melihat F Value atau Pr(>F) pada tabel.
- Jika menggunakan F Value, maka pengujian akan dilakukan dengan membandingkan nilai F value dengan F tabel, di mana H0 ditolak jika F Value > F tabel
- Jika menggunakan Pr(>F), maka pengujian akan dilakukan dengan membandingkan nilai Pr(>F) dengan alpha, di mana H0 ditolak jika Pr(>F) < alpha
Dari output di atas diperoleh hasil bahwa, pada taraf signifikansi 5%, H0 ditolak karena Pr(>F) = 5.15 x 10-13 yang artinya terdapat perbedaan tinggi tanaman antar kelompok pupuk atau dapat dikatakan bahwa ada pengaruh jenis pupuk terhadap tinggi tanaman.
Nah, jika kamu ingin tau jenis pupuk mana yang merupakan jenis pupuk terbaik, kamu dapat melanjutkannya menggunakan Post Hoc test. Baca artikel ini ya untuk penjelasan lengkapnya.
Untuk diskusi lebih lanjut, kamu bisa klik tombol WA di pojok kanan bawah yaaa!
See you di artikel selanjutnya.
Baca Juga : Langkah Mudah Uji t Independen dan Mann Whitney di R
Jangan lupa selalu gunakan software asli untuk analisis data mu.
Pingback: Apa Itu ANCOVA? (Deskripsi Dan Tutorial Di SPSS) - Exsight