{"id":546,"date":"2023-07-29T13:35:37","date_gmt":"2023-07-29T13:35:37","guid":{"rendered":"https:\/\/statorials.org\/id\/hipotesis-danova\/"},"modified":"2023-07-29T13:35:37","modified_gmt":"2023-07-29T13:35:37","slug":"hipotesis-danova","status":"publish","type":"post","link":"https:\/\/statorials.org\/id\/hipotesis-danova\/","title":{"rendered":"Bagaimana cara memeriksa asumsi anova"},"content":{"rendered":"<p><\/p>\n<hr>\n<p><span style=\"color: #000000;\"><a href=\"https:\/\/statorials.org\/id\/anova-satu-arah\/\" target=\"_blank\" rel=\"noopener\">ANOVA satu arah<\/a> adalah uji statistik yang digunakan untuk menentukan ada atau tidaknya perbedaan yang signifikan antara rata-rata tiga atau lebih kelompok independen.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Berikut adalah contoh kapan kita dapat menggunakan ANOVA satu arah:<\/span><\/p>\n<blockquote>\n<p> <span style=\"color: #000000;\">Anda secara acak membagi kelas yang terdiri dari 90 siswa menjadi tiga kelompok yang terdiri dari 30 orang. Setiap kelompok menggunakan teknik belajar yang berbeda selama sebulan untuk mempersiapkan ujian. Pada akhir bulan, semua siswa mengikuti ujian yang sama.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Anda ingin tahu apakah teknik belajar berdampak pada nilai ujian atau tidak. Jadi, Anda melakukan <strong>ANOVA satu arah<\/strong> untuk menentukan apakah terdapat perbedaan yang signifikan secara statistik antara skor rata-rata ketiga kelompok.<\/span><\/p>\n<\/blockquote>\n<p> <span style=\"color: #000000;\">Sebelum kita dapat melakukan ANOVA satu arah, pertama-tama kita harus memverifikasi bahwa tiga asumsi terpenuhi.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>1. Normalitas<\/strong> \u2013 Setiap sampel diambil dari populasi yang berdistribusi normal.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>2. Varians yang sama<\/strong> \u2013 Varians dari populasi yang dijadikan sampel adalah sama.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>3. Independensi<\/strong> \u2013 Pengamatan dalam setiap kelompok tidak bergantung satu sama lain dan pengamatan dalam kelompok<\/span> <span style=\"color: #000000;\">diperoleh dengan pengambilan sampel secara acak.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Jika asumsi ini tidak terpenuhi, hasil ANOVA satu arah kami mungkin tidak dapat diandalkan.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Dalam artikel ini kami menjelaskan cara memeriksa asumsi-asumsi tersebut dan apa yang harus dilakukan jika ada asumsi yang dilanggar.<\/span><\/p>\n<h2> <span style=\"color: #000000;\"><strong>Asumsi #1: normalitas<\/strong><\/span><\/h2>\n<p> <span style=\"color: #000000;\">ANOVA mengasumsikan bahwa setiap sampel diambil dari populasi yang berdistribusi normal.<\/span><\/p>\n<h3> <strong><span style=\"color: #000000;\">Cara memeriksa hipotesis ini di R:<\/span><\/strong><\/h3>\n<p> <span style=\"color: #000000;\">Untuk memverifikasi hipotesis ini, kita dapat menggunakan dua pendekatan:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">Verifikasi hipotesis secara visual menggunakan histogram atau plot QQ .<\/span><\/li>\n<li> <span style=\"color: #000000;\">Verifikasi hipotesis menggunakan uji statistik formal seperti Shapiro-Wilk, Kolmogorov-Smironov, Jarque-Barre atau D&#8217;Agostino-Pearson.<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Misalnya, kita merekrut 90 orang untuk berpartisipasi dalam eksperimen penurunan berat badan, yang mana kita secara acak menugaskan 30 orang untuk mengikuti Program A, Program B, atau Program C selama satu bulan. Untuk melihat apakah program ini berdampak pada penurunan berat badan, kami ingin melakukan ANOVA satu arah. Kode berikut menunjukkan cara memeriksa asumsi normalitas menggunakan histogram, plot QQ, dan uji Shapiro-Wilk.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>1. Sesuaikan model ANOVA.<\/strong><\/span><\/p>\n<pre style=\"background-color: #e5e5e5; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#make this example reproducible\n<span style=\"color: #000000;\">set.seed(0)\n<\/span>\n#create data frame\n<span style=\"color: #000000;\">data &lt;- data. <span style=\"color: #3366ff;\">frame<\/span> (program = rep(c(\" <span style=\"color: #ff0000;\">A<\/span> \", \" <span style=\"color: #ff0000;\">B<\/span> \", \" <span style=\"color: #ff0000;\">C<\/span> \"), each = <span style=\"color: #008000;\">30<\/span> ),\n                   weight_loss = c(runif(30, 0, 3),\n                                   runif(30, 0, 5),\n                                   runif(30, 1, 7)))<\/span>\n\n#fit the one-way ANOVA model\n<span style=\"color: #000000;\">model &lt;- aov(weight_loss ~ program, data = data)<\/span>\n<\/span><\/strong><\/pre>\n<p> <span style=\"color: #000000;\"><strong>2. Buat histogram nilai respon.<\/strong><\/span> <\/p>\n<pre style=\"background-color: #e5e5e5; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#create histogram<\/span>\nhist(data$weight_loss)\n<\/strong><\/pre>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-4758 size-full\" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/histogramme.jpg\" alt=\"\" width=\"541\" height=\"392\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">Distribusinya tidak terlihat terdistribusi secara normal (misalnya tidak berbentuk &#8220;lonceng&#8221;), namun kita juga dapat membuat plot QQ untuk melihat distribusinya lagi.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>3. Buat plot residu QQ<\/strong><\/span> <\/p>\n<pre style=\"background-color: #e5e5e5; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#create QQ plot to compare this dataset to a theoretical normal distribution<\/span>\nqqnorm(model$residuals)\n\n<span style=\"color: #008080;\">#add straight diagonal line to plot\n<\/span>qqline(model$residuals)<\/strong> <\/pre>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-4760 size-full\" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/qqplot.jpg\" alt=\"Contoh plot QQ di R\" width=\"557\" height=\"394\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">Secara umum, jika titik-titik data terletak di sepanjang garis diagonal lurus pada plot QQ, kemungkinan besar kumpulan data tersebut mengikuti distribusi normal. Dalam hal ini, kita dapat melihat adanya penyimpangan yang nyata dari garis di sepanjang ujungnya, yang dapat menunjukkan bahwa data tidak terdistribusi secara normal.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>4. Lakukan uji normalitas Shapiro-Wilk.<\/strong><\/span><\/p>\n<pre style=\"background-color: #e5e5e5; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#Conduct Shapiro-Wilk Test for normality<\/span>\nshapiro. <span style=\"color: #3366ff;\">test<\/span> (data$weight_loss)\n\n#Shapiro-Wilk normality test\n#\n#data: data$weight_loss\n#W = 0.9587, p-value = 0.005999\n<\/strong><\/pre>\n<p> <span style=\"color: #000000;\">Uji Shapiro-Wilk menguji hipotesis nol bahwa sampel berasal dari distribusi normal terhadap hipotesis alternatif bahwa sampel tidak berasal dari distribusi normal. Dalam hal ini, nilai p tes tersebut adalah <strong>0,005999<\/strong> , yang lebih rendah dari tingkat alfa sebesar 0,05. Hal ini menunjukkan bahwa sampel tidak mengikuti distribusi normal.<\/span><\/p>\n<h3> <strong><span style=\"color: #000000;\">Apa yang harus dilakukan jika asumsi ini tidak dipatuhi:<\/span><\/strong><\/h3>\n<p> <span style=\"color: #000000;\">Secara umum, ANOVA satu arah dianggap cukup kuat terhadap pelanggaran asumsi normalitas selama ukuran sampelnya cukup besar.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Selain itu, jika Anda memiliki sampel yang sangat besar, uji statistik seperti uji Shapiro-Wilk hampir selalu memberi tahu Anda bahwa data Anda tidak normal. Oleh karena itu, sebaiknya periksa data Anda secara visual menggunakan bagan seperti histogram dan plot QQ. Dengan hanya melihat grafik saja anda sudah bisa mendapatkan gambaran yang cukup baik apakah datanya terdistribusi normal atau tidak.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Jika asumsi normalitas <em>sangat<\/em> dilanggar atau Anda hanya ingin bersikap konservatif, Anda punya dua pilihan:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>(1)<\/strong> Transformasikan nilai respon data Anda agar distribusinya lebih terdistribusi secara normal.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>(2)<\/strong> Melakukan uji nonparametrik yang setara seperti <a href=\"https:\/\/statorials.org\/id\/uji-kruskal-wallis\/\" target=\"_blank\" rel=\"noopener\">uji Kruskal-Wallis<\/a> yang tidak memerlukan asumsi normalitas.<\/span><\/p>\n<h2> <span style=\"color: #000000;\"><strong>Asumsi #2: varians yang sama<\/strong><\/span><\/h2>\n<p> <span style=\"color: #000000;\">ANOVA mengasumsikan bahwa varians populasi dari mana sampel diambil adalah sama.<\/span><\/p>\n<h3> <strong><span style=\"color: #000000;\">Cara memeriksa hipotesis ini di R:<\/span><\/strong><\/h3>\n<p> <span style=\"color: #000000;\">Kita dapat memverifikasi hipotesis ini di R menggunakan dua pendekatan:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">Verifikasi hipotesis secara visual menggunakan diagram kotak.<\/span><\/li>\n<li> <span style=\"color: #000000;\">Uji hipotesis menggunakan uji statistik formal seperti uji Bartlett.<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Kode berikut menunjukkan cara melakukan ini, menggunakan kumpulan data penurunan berat badan palsu yang sama yang kita buat sebelumnya.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>1. Buat plot kotak.<\/strong><\/span> <\/p>\n<pre style=\"background-color: #e5e5e5; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#Create box plots that show distribution of weight loss for each group<\/span>\nboxplot(weight_loss ~ program, xlab=' <span style=\"color: #ff0000;\">Program<\/span> ', ylab=' <span style=\"color: #ff0000;\">Weight Loss<\/span> ', data=data)\n<\/strong><\/pre>\n<h3><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-4762 size-full\" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/boite-a-moustaches.jpg\" alt=\"\" width=\"557\" height=\"371\" srcset=\"\" sizes=\"\"><\/h3>\n<p> <span style=\"color: #000000;\">Variasi penurunan berat badan pada masing-masing kelompok dapat diamati dari panjang setiap boxplot. Semakin panjang kotaknya, semakin tinggi variansnya. Misalnya, kita dapat melihat bahwa variansnya sedikit lebih tinggi pada peserta Program C dibandingkan dengan Program A dan Program B.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>2. Lakukan tes Bartlett.<\/strong><\/span><\/p>\n<pre style=\"background-color: #e5e5e5; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#Create box plots that show distribution of weight loss for each group<\/span>\nbartlett. <span style=\"color: #3366ff;\">test<\/span> (weight_loss ~ program, data=data)\n\n#Bartlett test of homogeneity of variances\n#\n#data: weight_loss by program\n#Bartlett's K-squared = 8.2713, df = 2, p-value = 0.01599<\/strong><\/pre>\n<p> <span style=\"color: #000000;\"><a href=\"https:\/\/statorials.org\/id\/tes-bartletts-di-sungai\/\" target=\"_blank\" rel=\"noopener\">Uji Bartlett<\/a> menguji hipotesis nol bahwa sampel mempunyai varians yang sama terhadap hipotesis alternatif bahwa sampel tidak mempunyai varians yang sama. Dalam hal ini, nilai p tes tersebut adalah <strong>0,01599<\/strong> , yang lebih rendah dari tingkat alfa sebesar 0,05. Hal ini menunjukkan bahwa tidak semua sampel mempunyai varian yang sama.<\/span><\/p>\n<h3> <strong><span style=\"color: #000000;\">Apa yang harus dilakukan jika asumsi ini tidak dipatuhi:<\/span><\/strong><\/h3>\n<p> <span style=\"color: #000000;\">Secara umum,<\/span> <span style=\"color: #000000;\">ANOVA satu arah dianggap cukup kuat terhadap pelanggaran asumsi variansi yang sama selama masing-masing kelompok memiliki ukuran sampel yang sama.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Namun, jika ukuran sampel tidak sama dan asumsi ini sangat dilanggar, Anda dapat menjalankan <a href=\"https:\/\/statorials.org\/id\/uji-kruskal-wallis\/\" target=\"_blank\" rel=\"noopener\">uji Kruskal-Wallis<\/a> , yang merupakan versi non-parametrik dari ANOVA satu arah.<\/span><\/p>\n<h2> <span style=\"color: #000000;\"><strong>Asumsi #3: Kemerdekaan<\/strong><\/span><\/h2>\n<p> <span style=\"color: #000000;\">ANOVA mengasumsikan:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">Pengamatan masing-masing kelompok tidak bergantung pada pengamatan semua kelompok lainnya.<\/span><\/li>\n<li> <span style=\"color: #000000;\">Pengamatan pada masing-masing kelompok diperoleh dengan sampel acak.<\/span><\/li>\n<\/ul>\n<h3> <strong><span style=\"color: #000000;\">Cara memverifikasi hipotesis ini:<\/span><\/strong><\/h3>\n<p> <span style=\"color: #000000;\">Tidak ada tes formal yang dapat Anda gunakan untuk memverifikasi bahwa observasi di setiap kelompok bersifat independen dan diperoleh melalui sampel acak.<\/span> <span style=\"color: #000000;\">Satu-satunya cara untuk memenuhi asumsi ini adalah dengan menggunakan rancangan acak.<\/span><\/p>\n<h3> <strong><span style=\"color: #000000;\">Apa yang harus dilakukan jika asumsi ini tidak dipatuhi:<\/span><\/strong><\/h3>\n<p> <span style=\"color: #000000;\">Sayangnya, tidak banyak yang dapat Anda lakukan jika asumsi tersebut tidak terpenuhi. Sederhananya, jika data dikumpulkan sedemikian rupa sehingga observasi pada setiap kelompok tidak independen terhadap observasi pada kelompok lain, atau jika observasi pada setiap kelompok tidak diperoleh melalui proses acak, maka hasil ANOVA tidak akan dapat diandalkan. .<\/span><\/p>\n<p> <span style=\"color: #000000;\">Jika asumsi ini tidak terpenuhi, hal terbaik yang dilakukan adalah membuat ulang percobaan menggunakan rancangan acak.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>Bacaan lebih lanjut:<\/strong><\/span><\/p>\n<p> Bagaimana melakukan ANOVA satu arah di R<br \/> Bagaimana Melakukan ANOVA Satu Arah di Excel<\/p>\n","protected":false},"excerpt":{"rendered":"<p>ANOVA satu arah adalah uji statistik yang digunakan untuk menentukan ada atau tidaknya perbedaan yang signifikan antara rata-rata tiga atau lebih kelompok independen. Berikut adalah contoh kapan kita dapat menggunakan ANOVA satu arah: Anda secara acak membagi kelas yang terdiri dari 90 siswa menjadi tiga kelompok yang terdiri dari 30 orang. Setiap kelompok menggunakan teknik [&hellip;]<\/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":"<!-- This site is optimized with the Yoast SEO plugin v21.5 - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Cara Memeriksa Asumsi ANOVA - Statorials<\/title>\n<meta name=\"description\" content=\"Tutorial sederhana yang menjelaskan tiga asumsi dasar ANOVA dan cara memverifikasi bahwa asumsi tersebut terpenuhi.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/statorials.org\/id\/hipotesis-danova\/\" \/>\n<meta property=\"og:locale\" content=\"id_ID\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Cara Memeriksa Asumsi ANOVA - Statorials\" \/>\n<meta property=\"og:description\" content=\"Tutorial sederhana yang menjelaskan tiga asumsi dasar ANOVA dan cara memverifikasi bahwa asumsi tersebut terpenuhi.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/statorials.org\/id\/hipotesis-danova\/\" \/>\n<meta property=\"og:site_name\" content=\"Statorials\" \/>\n<meta property=\"article:published_time\" content=\"2023-07-29T13:35:37+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/histogramme.jpg\" \/>\n<meta name=\"author\" content=\"Benjamin anderson\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Ditulis oleh\" \/>\n\t<meta name=\"twitter:data1\" content=\"Benjamin anderson\" \/>\n\t<meta name=\"twitter:label2\" content=\"Estimasi waktu membaca\" \/>\n\t<meta name=\"twitter:data2\" content=\"5 menit\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\/\/statorials.org\/id\/hipotesis-danova\/\",\"url\":\"https:\/\/statorials.org\/id\/hipotesis-danova\/\",\"name\":\"Cara Memeriksa Asumsi ANOVA - Statorials\",\"isPartOf\":{\"@id\":\"https:\/\/statorials.org\/id\/#website\"},\"datePublished\":\"2023-07-29T13:35:37+00:00\",\"dateModified\":\"2023-07-29T13:35:37+00:00\",\"author\":{\"@id\":\"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81\"},\"description\":\"Tutorial sederhana yang menjelaskan tiga asumsi dasar ANOVA dan cara memverifikasi bahwa asumsi tersebut terpenuhi.\",\"breadcrumb\":{\"@id\":\"https:\/\/statorials.org\/id\/hipotesis-danova\/#breadcrumb\"},\"inLanguage\":\"id\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/statorials.org\/id\/hipotesis-danova\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/statorials.org\/id\/hipotesis-danova\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/statorials.org\/id\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Bagaimana cara memeriksa asumsi anova\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/statorials.org\/id\/#website\",\"url\":\"https:\/\/statorials.org\/id\/\",\"name\":\"Statorials\",\"description\":\"Panduan anda untuk kompetensi statistik!\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/statorials.org\/id\/?s={search_term_string}\"},\"query-input\":\"required name=search_term_string\"}],\"inLanguage\":\"id\"},{\"@type\":\"Person\",\"@id\":\"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81\",\"name\":\"Benjamin anderson\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"id\",\"@id\":\"https:\/\/statorials.org\/id\/#\/schema\/person\/image\/\",\"url\":\"http:\/\/statorials.org\/id\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg\",\"contentUrl\":\"http:\/\/statorials.org\/id\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg\",\"caption\":\"Benjamin anderson\"},\"description\":\"Halo, saya Benjamin, pensiunan profesor statistika yang menjadi guru Statorial yang berdedikasi. Dengan pengalaman dan keahlian yang luas di bidang statistika, saya ingin berbagi ilmu untuk memberdayakan mahasiswa melalui Statorials. Baca selengkapnya\",\"sameAs\":[\"http:\/\/statorials.org\/id\"]}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Cara Memeriksa Asumsi ANOVA - Statorials","description":"Tutorial sederhana yang menjelaskan tiga asumsi dasar ANOVA dan cara memverifikasi bahwa asumsi tersebut terpenuhi.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/statorials.org\/id\/hipotesis-danova\/","og_locale":"id_ID","og_type":"article","og_title":"Cara Memeriksa Asumsi ANOVA - Statorials","og_description":"Tutorial sederhana yang menjelaskan tiga asumsi dasar ANOVA dan cara memverifikasi bahwa asumsi tersebut terpenuhi.","og_url":"https:\/\/statorials.org\/id\/hipotesis-danova\/","og_site_name":"Statorials","article_published_time":"2023-07-29T13:35:37+00:00","og_image":[{"url":"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/histogramme.jpg"}],"author":"Benjamin anderson","twitter_card":"summary_large_image","twitter_misc":{"Ditulis oleh":"Benjamin anderson","Estimasi waktu membaca":"5 menit"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/statorials.org\/id\/hipotesis-danova\/","url":"https:\/\/statorials.org\/id\/hipotesis-danova\/","name":"Cara Memeriksa Asumsi ANOVA - Statorials","isPartOf":{"@id":"https:\/\/statorials.org\/id\/#website"},"datePublished":"2023-07-29T13:35:37+00:00","dateModified":"2023-07-29T13:35:37+00:00","author":{"@id":"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81"},"description":"Tutorial sederhana yang menjelaskan tiga asumsi dasar ANOVA dan cara memverifikasi bahwa asumsi tersebut terpenuhi.","breadcrumb":{"@id":"https:\/\/statorials.org\/id\/hipotesis-danova\/#breadcrumb"},"inLanguage":"id","potentialAction":[{"@type":"ReadAction","target":["https:\/\/statorials.org\/id\/hipotesis-danova\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/statorials.org\/id\/hipotesis-danova\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/statorials.org\/id\/"},{"@type":"ListItem","position":2,"name":"Bagaimana cara memeriksa asumsi anova"}]},{"@type":"WebSite","@id":"https:\/\/statorials.org\/id\/#website","url":"https:\/\/statorials.org\/id\/","name":"Statorials","description":"Panduan anda untuk kompetensi statistik!","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/statorials.org\/id\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"id"},{"@type":"Person","@id":"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81","name":"Benjamin anderson","image":{"@type":"ImageObject","inLanguage":"id","@id":"https:\/\/statorials.org\/id\/#\/schema\/person\/image\/","url":"http:\/\/statorials.org\/id\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg","contentUrl":"http:\/\/statorials.org\/id\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg","caption":"Benjamin anderson"},"description":"Halo, saya Benjamin, pensiunan profesor statistika yang menjadi guru Statorial yang berdedikasi. Dengan pengalaman dan keahlian yang luas di bidang statistika, saya ingin berbagi ilmu untuk memberdayakan mahasiswa melalui Statorials. Baca selengkapnya","sameAs":["http:\/\/statorials.org\/id"]}]}},"yoast_meta":{"yoast_wpseo_title":"","yoast_wpseo_metadesc":"","yoast_wpseo_canonical":""},"_links":{"self":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/posts\/546"}],"collection":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/comments?post=546"}],"version-history":[{"count":0,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/posts\/546\/revisions"}],"wp:attachment":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/media?parent=546"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/categories?post=546"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/tags?post=546"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}