<\/p>\n
ANOVA satu arah<\/a> digunakan untuk menentukan apakah terdapat perbedaan yang signifikan secara statistik antara rata-rata tiga atau lebih kelompok independen.<\/span><\/p>\n ANOVA satu arah menggunakan hipotesis nol dan hipotesis alternatif berikut:<\/span><\/p>\n Jika nilai p<\/a> keseluruhan ANOVA berada di bawah tingkat signifikansi tertentu (misalnya \u03b1 = 0,05), maka kami menolak hipotesis nol dan menyimpulkan bahwa semua mean kelompok tidak sama.<\/span><\/p>\n Untuk mengetahui mean grup mana yang berbeda, selanjutnya kita dapat melakukan perbandingan berpasangan post-hoc<\/strong> .<\/span><\/p>\n Contoh berikut menunjukkan cara melakukan perbandingan berpasangan post-hoc berikut di R:<\/span><\/p>\n Misalkan seorang guru ingin mengetahui apakah tiga teknik belajar yang berbeda menghasilkan nilai ujian yang berbeda di antara siswa. Untuk mengujinya, dia secara acak menugaskan<\/a> 10 siswa untuk menggunakan setiap teknik belajar dan mencatat hasil ujian mereka.<\/span><\/p>\n Kita dapat menggunakan kode berikut di R untuk melakukan ANOVA satu arah untuk menguji perbedaan rata-rata nilai ujian antara ketiga kelompok:<\/span><\/p>\n Nilai p keseluruhan ANOVA (0,0476) kurang dari \u03b1 = 0,05, jadi kita akan menolak hipotesis nol yang menyatakan rata-rata nilai ujian untuk setiap teknik belajar adalah sama.<\/span><\/p>\n Kita dapat melakukan perbandingan berpasangan post-hoc untuk menentukan kelompok mana yang mempunyai mean berbeda.<\/span><\/p>\n Cara terbaik adalah menggunakan metode post hoc Tukey ketika ukuran sampel setiap kelompok sama.<\/span><\/p>\n Kita dapat menggunakan fungsi TukeyHSD()<\/strong> bawaan untuk menjalankan metode post-hoc Tukey di R:<\/span><\/p>\n Dari hasil tersebut terlihat bahwa satu-satunya nilai p (\u201c p adj<\/strong> \u201d) yang kurang dari 0,05 merupakan selisih antara teknik dan teknik 3.<\/span><\/p>\n Oleh karena itu, kami dapat menyimpulkan bahwa hanya terdapat perbedaan yang signifikan secara statistik dalam nilai ujian rata-rata antara siswa yang menggunakan Teknik 1 dan Teknik 3.<\/span><\/p>\n Metode Scheffe adalah metode perbandingan berpasangan post-hoc yang paling konservatif dan menghasilkan interval kepercayaan terluas ketika membandingkan rata-rata kelompok.<\/span><\/p>\n Kita dapat menggunakan fungsi ScheffeTest()<\/strong> dari paket DescTools<\/a> untuk menjalankan metode post-hoc Scheffe di R:<\/span><\/p>\n Dari hasil tersebut kita dapat melihat bahwa tidak ada nilai p yang lebih rendah dari 0,05, jadi kita dapat menyimpulkan bahwa tidak ada perbedaan yang signifikan secara statistik dalam nilai ujian rata-rata antar kelompok.<\/span><\/p>\n Cara terbaik adalah menggunakan metode Bonferroni ketika Anda ingin melakukan serangkaian perbandingan berpasangan yang direncanakan.<\/span><\/p>\n Kita dapat menggunakan sintaks berikut di R untuk melakukan metode post hoc Bonferroni:<\/span><\/p>\n Dari hasilnya terlihat bahwa satu-satunya p-value yang kurang dari 0,05 adalah selisih antara teknik dan teknik 3.<\/span><\/p>\n Oleh karena itu, kami dapat menyimpulkan bahwa hanya terdapat perbedaan yang signifikan secara statistik dalam nilai ujian rata-rata antara siswa yang menggunakan Teknik 1 dan Teknik 3.<\/span><\/p>\n Metode Holm juga digunakan ketika Anda ingin melakukan serangkaian perbandingan berpasangan yang direncanakan sebelumnya dan metode ini cenderung memiliki kekuatan yang lebih tinggi daripada metode Bonferroni, sehingga sering kali lebih disukai.<\/span><\/p>\n Kita dapat menggunakan sintaks berikut di R untuk menjalankan metode Holm post-hoc:<\/span><\/p>\n Dari hasilnya terlihat bahwa satu-satunya p-value yang kurang dari 0,05 adalah selisih antara teknik dan teknik 3.<\/span><\/p>\n Jadi, sekali lagi, kita dapat menyimpulkan bahwa hanya terdapat perbedaan yang signifikan secara statistik pada nilai ujian rata-rata antara siswa yang menggunakan Teknik 1 dan Teknik 3.<\/span><\/p>\n Tutorial berikut memberikan informasi tambahan tentang ANOVA dan pengujian post-hoc:<\/span><\/p>\n Bagaimana menginterpretasikan nilai F dan nilai P dalam ANOVA<\/a> ANOVA satu arah digunakan untuk menentukan apakah terdapat perbedaan yang signifikan secara statistik antara rata-rata tiga atau lebih kelompok independen. ANOVA satu arah menggunakan hipotesis nol dan hipotesis alternatif berikut: H 0 : Semua mean grup adalah sama. H A : Tidak semua rata-rata kelompok sama. Jika nilai p keseluruhan ANOVA berada di bawah tingkat […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n\n
\n
Contoh: ANOVA satu arah di R<\/strong><\/span><\/h3>\n
#create data frame<\/span>\ndf <- data.frame(technique = rep(c(\" tech1<\/span> \", \" tech2<\/span> \", \" tech3<\/span> \"), each= 10<\/span> ),\n score = c(76, 77, 77, 81, 82, 82, 83, 84, 85, 89,\n 81, 82, 83, 83, 83, 84, 87, 90, 92, 93,\n 77, 78, 79, 88, 89, 90, 91, 95, 95, 98))\n\n#perform one-way ANOVA\n<\/span>model <- aov(score ~ technique, data = df)\n\n#view output of ANOVA\n<\/span>summary(model)\n\n Df Sum Sq Mean Sq F value Pr(>F) \ntechnical 2 211.5 105.73 3.415 0.0476 *\nResiduals 27 836.0 30.96 \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1<\/strong><\/pre>\n Metode Tukey<\/strong><\/span><\/h3>\n
#perform the Tukey post-hoc method<\/span>\nTukeyHSD(model, conf. level<\/span> = .95<\/span> )\n\n Tukey multiple comparisons of means\n 95% family-wise confidence level\n\nFit: aov(formula = score ~ technique, data = df)\n\n$technical\n diff lwr upr p adj\ntech2-tech1 4.2 -1.9700112 10.370011 0.2281369\ntech3-tech1 6.4 0.2299888 12.570011 0.0409017\ntech3-tech2 2.2 -3.9700112 8.370011 0.6547756<\/strong><\/pre>\n Metode Scheffe<\/strong><\/span><\/h3>\n
library<\/span> (DescTools)<\/span>\n\n#perform the Scheffe post-hoc method<\/span>\nScheffeTest(model)\n\n Posthoc multiple comparisons of means: Scheffe Test \n 95% family-wise confidence level\n\n$technical\n diff lwr.ci upr.ci pval \ntech2-tech1 4.2 -2.24527202 10.645272 0.2582 \ntech3-tech1 6.4 -0.04527202 12.845272 0.0519 . \ntech3-tech2 2.2 -4.24527202 8.645272 0.6803 \n\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1'''156<\/strong><\/pre>\n Metode Bonferroni<\/strong><\/span><\/h3>\n
#perform the Bonferroni post-hoc method\npairwise. t<\/span> . test<\/span> (df$score, df$technique, p. adj<\/span> = ' bonferroni<\/span> ')<\/span>\n<\/span>\n\tPairwise comparisons using t tests with pooled SD \n\ndata: df$score and df$technique \n\n tech1 tech2\ntech2 0.309 - \ntech3 0.048 1.000\n\nP value adjustment method: bonferroni<\/strong><\/pre>\n Metode Holm<\/strong><\/span><\/h3>\n
#perform the Holm post-hoc method\npairwise. t<\/span> . test<\/span> (df$score, df$technique, p. adj<\/span> = ' holm<\/span> ')<\/span>\n<\/span>\n\tPairwise comparisons using t tests with pooled SD \n\ndata: df$score and df$technique \n\n tech1 tech2\ntech2 0.206 - \ntech3 0.048 0.384\n\nP value adjustment method: holm<\/strong><\/pre>\n Sumber daya tambahan<\/strong><\/span><\/h3>\n
Panduan Lengkap: Cara Melaporkan Hasil ANOVA<\/a>
Tukey vs. Bonferroni vs. Scheffe: Tes Mana yang Harus Anda Gunakan?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"