1

Analisis Variansi dan Statistik Matematika Yang Terkait

http://oc.its.ac.id/jurusan.php?fid=1&jid=3
Wiwiek Setya Winahju
wiwiek@statistika.its.ac.id

Analisis Variansi merupakan alat yang digunakan
untuk mengevaluasi kebaikan model regresi. Model
regresi yang baik, salah satunya ditandai oleh ting-
ginya koefisien determinasi, dinotasikan R
2
atau
2
adj
R , yang dapat dihasilkan oleh Tabel Analisis Va-
riansi.

Apabila terdapat himpunan data random yang saling
independen, dan tidak ada faktor yang mempenga-
ruhi, maka data tersebut akan bervariasi terhadap
meannya. Pada data random yang dipengaruhi oleh
suatu faktor, variasi terhadap pengaruh faktor ikut
berkontribusi.

Secara geometri kedudukan titik pengamatan ke i ,
yaitu Y
i
(digambarkan oleh titik bulatan hitam), du-
gaan model regresi (digambarkan oleh garis biru),
sumbu X dan sumbu Y dinyatakan pada Gambar 1.


Gambar 1. Kedudukan Titik Pengamatan Dan Dugaan
Model Regresi

Berdasarkan kedudukan titik pengamatan dan duga-
an model regresi dapat disusun persamaan berikut :


= = = =
+ + =
+ =
n
i
i i i
n
i
i i
n
i
i
n
i
i
i i i i
Y Y Y Y Y Y Y Y Y Y
Y Y Y Y Y Y
1 1
2
1
2
1
2
)

)(

( 2 )

( )

( ) (
)

( )

( ) (

= =
=
=
=
=
=
= + = + =
=
= =

=
=
n
i
i i i
n
i
i i i
i i i i
i i i i
XX XY
XX
XY
n
i
i
n
i
i i
n
i
i i i
X X b Y Y X X b Y Y Y Y
X X b Y Y Y Y
X X b Y X b X b Y Y X b b Y Y
X b Y b
S b S maka
S
S
X X
Y Y X X
b
b dan b
Bukti
Y Y Y Y
1
1 1
1
1
1 1 1 1 0
1 0
1
1
2
1
1
1 0
1
)} ( ) ){( ( )

)(

(
) (

) (

,
) (
) )( (
: Review
:
0 )

)(

(

0
) ( ) )( (
) ( ) )( (
} ) ( ) )( ( {
)} ( ) ){( ( )

)(

(
2
1 1 1
2
1 1
1 1
2 2
1 1
1 1
2 2
1 1
1
2 2
1 1
1
1 1
1
= = =
=
=
=
=

= =
= =
=
= =
XX XX XX XY
n
i
n
i
i i i
n
i
n
i
i i i
n
i
i i i
n
i
i i i
n
i
i i i
S b S b b S b S b
X X b Y Y X X b
X X b Y Y X X b
X X b Y Y X X b
X X b Y Y X X b Y Y Y Y

=

n
i
i
Y Y
1
2
) ( : Jumlah Kuadrat Sekitar Rataan,
Sum of Square Total, SST

=

n
i
i
Y Y
1
2
)

( : Jumlah Kuadrat Karena Regresi

Sum of Square Regressionl, SSR

=

n
i
i i
Y Y
1
2
)

( : Jumlah Kuadrat Sekitar Regresi,

atau Error, Sum of Square Error, SSE

SST = SSR + SSE

Tiga suku di atas akan menjadi komponen Tabel A-
nalisis Variansi (ANOVA) sebagai berikut :

Tabel ANOVA
Sumber
Variasi
(Source)
Derajat
Bebas
(db)
(df)
Jumlah
Kuadrat
(JK)
(SS)
Kuadrat
tengah
(KT) =
JK/db
(MS)

Regresi


Error atau
Residual

1


n-2

=

n
i
i
Y Y
1
2
)

=

n
i
i i
Y Y
1
2
)

(

KT
Regresi


2
2

=
n
JK
s

Total,
terkoreksi
n-1

=

n
i
i i
Y Y
1
2
) (

Keterangan : Judul yang ditulis miring, yaitu : Source, df,
SS, dan MS, merupakan istilah yang lazim
digunakan pada program MINITAB.


Koefisien Determinasi, R
2


Koefisien ini dinyatakan dalam %, yang menyata-
kan kontribusi regresi, secara fisik adalah akibat
prediktor, terhadap variasi total variabel respon, yai-
tu Y. Makin besar nilai R
2
, makin besar pula kontri-
busi atau peranan prediktor terhadap variasi respon.
Biasanya model regresi dengan nilai R
2
sebesar 70%
atau lebih dianggap cukup baik, meskipun tidak se-
lalu. Rumus koefisien determinasi adalah sebagai
berikut :
i
Y

Yi
i i
Y Y

Y Y
i

X b b Y
1 0

+ =
Y
Y

2

=
=

= =
n
i
i
n
i
i
Y Y
Y Y
R
1
2
1
2
Total
Regresi 2
) (
)

(
JK
JK


Hubungan antara prediktor X dengan respon Y, sela-
in dapat dinyatakan oleh koefisien regresi, yaitu b
1
,
dapat pula dinyatakan dengan koefisien korelasi,
yang dinotasikan r
X,Y
. Bedanya, koefisien regresi
dapat digunakan untuk memprediksi nilai respon,
sedang pada koefisien korelasi tidak dapat. Persa-
maan yang menyatakan hubungan ini adalah :

b
1
=
Y X n
i
i
n
i
i
r
X X
Y Y
,
2 / 1
1
2
1
2
) (
) (

=
=

Buktikanlah !


Rumus R
2
ini juga menyatakan kuadrat koefisien
korelasi antara Y

dengan Y, sehingga bila dikaitkan

dengan r
X,Y
terdapat hubungan sebagai berikut :

2

,
2 2
,
Y Y
Y X
r R r = =


Bukti :

Y X
r
,
= b
1

2 / 1
1
2
1
2
) (
) (

=
=

n
i
i
n
i
i
X X
Y Y


2
1
2
,
b r
Y X
=
1
1
2
1
2
) (
) (

=
=

n
i
i
n
i
i
X X
Y Y
=
2
1
b

=
=
n
i
i
n
i
i
Y Y
X X
1
2
1
2
) (
) (

=
=
=
=
=
=
=
=
=
=

+
=

+
=

=
n
i
i
n
i
i
n
i
i
n
i
i
n
i
i
n
i
i
n
i
i
n
i
i
n
i
i
n
i
i
Y Y
X X b
Y Y
X X b
Y Y
Y X b X b Y
Y Y
Y X b b
Y Y
Y Y
R
1
2
1
2 2
1
1
2
1
2
1
1
2
1
2
1 1
1
2
1
2
1 0
1
2
1
2
2
) (
) (
) (
)) ( (
) (
) (
) (
) (
) (
)

=
=
=
=

=
n
i
i
n
i
i
n
i
i
n
i
i
Y Y
X X
b
Y Y
X X b
R
1
2
1
2
2
1
1
2
1
2 2
1
2
) (
) (
) (
) (

= =
=


=
n
i
i
n
i
i
n
i
i i
Y Y
Y Y Y Y
Y Y Y Y
r
1
2
1
2
1
,

) ( )

(
) )(

(


=

= =
=

+
n
i
i
n
i
i
n
i
i i
Y Y Y Y
Y Y Y X b b
1
2
1
2
1
1 0
) ( )

(
) )( (


=

= =
=

+
n
i
i
n
i
i
n
i
i i
Y Y Y Y
Y Y Y X b X b Y
1
2
1
2
1
1 1
) ( )

(
) )( (


=

= =
=


n
i
i
n
i
i
n
i
i i
Y Y Y X b
Y Y Y X b
1
2
1
2 2
1
1
1
) ( ) (
) )( (


=
Y X
n
i
i
n
i
i
n
i
i i
r
Y Y Y X b
Y Y Y X b
,
1
2
1
2
1
1
1
) ( ) (
) )( (
=

= =
=



2 2
,
2

,
,
,
, R r r maka r r
Y X
Y Y
Y X
Y Y
= = =


Lack of Fit

Lack of fit artinya penyimpangan atau ketidak tepat-
an terhadap model linier order pertama. Pengujian
lack of fit artinya pengujian untuk mendeteksi apa-
kah model linier order pertama tepat. Bila lack of fit
tidak bermakna maka model linier order pertama te-
pat, sedang bila lack of fit bermakna maka model li-
nier order pertama tidak tepat, perlu dikembangkan
menjadi model linier kuadratik atau model nonlini-
er. Pengujian lack of fit ini diperlukan bila terdapat
pengamatan berulang, yaitu satu nilai prediktor a-
tau satu kombinasi nilai prediktor (bila digunakan
beberapa prediktor) yang berpasangan dengan bebe-
rapa nilai respon.

Berikut ini akan ditampilkan organisasi data hasil
pengamatan berulang pada eksperimen dengan satu
dan dua prediktor.

3

Organisasi Data Untuk Perhitungan Jumlah Kuadrat Error Murni

Nilai
Prediktor
X
j
Nilai-nilai Respon
Y
ju
Mean
Respon
j
Y
Pengulangan
n
i
Jumlah Kuadrat Penyimpangan
Terhadap Mean Respon,
2
1
) (

=

j
n
u
j ju
Y Y =

=

j
n
u
j j ju
Y n Y
1
2 2

Derajat
Bebas
db
X
1
Y
11
, Y
12
, . . . ,
1
1n
Y

1
Y n
1
2
1
1 1
) (
1

=

n
u
u
Y Y =

=

1
1
2
1 1
2
1
n
u
u
Y n Y n
1
1
X
2
Y
21
, Y
22
, . . . ,
2
2n
Y

2
Y n
2
2
1
2 2
) (
2

=

n
u
u
Y Y =

=

2
1
2
2 2
2
2
n
u
u
Y n Y n
2
1
-

-

-


X
m
Y
11
, Y
12
, . . . ,
m
nn
Y

m
Y n
n
2
1
) (

=

m
n
u
m mu
Y Y =

=

m
n
u
m m mu
Y n Y
1
2 2
n
m
1

Total Jumlah Kuadrat Penyimpang-
an Terhadap Mean Respon, disebut:
Error Murni, Galat Murni, Pure Error



Contoh 1:

Berikut ini data hasil eksperimen :

Eksperimen
ke
Y X
Eksperimen
ke
Y X
Eksperimen
ke
Y X
1
2
3
4
5
6
7
8
2,3
1,8
2,8
1,5
2,2
3,8
1,8
3,7
1,3
1,3
2,0
2,0
2,7
3,3
3,3
3,7
9
10
11
12
13
14
15
16
1,7
2,8
2,8
2,2
5,4
3,2
1,9
1,8
3,7
4
4
4
4,7
4,7
4,7
5
17
18
19
20
21
22
23
24
3,5
2,8
2,1
3,4
3,2
3
3
5,9
5,3
5,3
5,3
5,7
6
6
6,3
6,3
Sumber : Applied Regression Analysis, Second Edition, Norman Draper dan Harry Smith, halaman 38.

Untuk mempermudah, data disusun ke bentuk berikut :

Nilai Pre-
diktor yg
diulang,
X
j
Nilai-nilai Respon,
Y
ju
Mean
Respon,
j
Y
Pengulangan,
n
j
Jumlah Kuadrat Penyimpangan
Terhadap Mean Respon
Derajat
Bebas
db
1,3 2,3 1,8 2,05 2 0,125 1
2 2,8 1,5 2,07 2

0,845 1
3,3 3,8 1,8 ... 2 2,000 1
3,7 3,7 1,7 ... 2 2,000 1
4 2,8 2,8 2,2 ... 3 0,240 2
4,7 5,4 3,2 1,9 ... 3 6,260 2
5,3 3,5 2,8 2,1 ... 3 0,980 2
6 3,2 3,0 ... 2 0,020 1


12,470

11

Pengujian kemaknaan lack of fit dilakukan dengan
cara memecah Jumlah Kuadrat Error menjadi dua,
yaitu Jumlah Kuadrat Error Murni dan Jumlah Kua-
drat Lack of Fit. Perhitungan jumlah kuadrat error
murni dilakukan seperti yang ditampilan pada tabel
di atas, sedang Jumlah Kuadrat Lack of Fit merupa-
kan selisih antara Jumlah Kuadrat Error dengan
Jumlah Kuadrat Error Murni. Tabel ANOVA men-
jadi seperti berikut :

4
Tabel ANOVA 1
Sumber
Variasi


(Source)
Derajat
Bebas
(db)

(df)
Jumlah
Kuadrat
(JK)

(SS)
Kuadrat
tengah
(KT) = JK/db

(MS)
F
KT Reg /
KT Error
Regresi

Error
atau
Residual
1

22
6,326

21,192
6,326

963 , 0
2
= s


6,569
Total,
terkoreksi
23 27,518


Pada tabel di bawah ini ditambahkan baris ke tiga
yang berisikan Kuadrat Tengah Error atau MSE
yang dipecah menjadi dua, yaitu Kuadrat Tengah
Lack of Fit dan Kuadrat Tengah Error Murni.

Tabel ANOVA 2
Sumber
Variasi


(Source)
Derajat
Bebas
(db)

(df)
Jumlah
Kuadrat
(JK)

(SS)
Kuadrat
tengah
(KT) =
JK/db

(MS)



F

Regresi

Error atau
Residual
1

22
6,326

21,192
6,326

963 , 0
2
= s


6,569
(KT
Regresi

dibagi
KT
error
)
Lack of
Fit

Error
Murni
11


11
8,722


12,470
0,793


1,134
0,699
(KT
L of F

dibagi
KT
error murni
)
Total,
terkoreksi
23 27,518

Keterangan : L of F = Lack of Fit

Penggunaan Tabel Anova ada dua, pertama untuk
menguji kemaknaan pengaruh variabel bebas (Tabel
ANOVA 1), dan ke dua untuk menguji kemaknaan
Lack of Fit (Tabel ANOVA 2). Statistik uji yang
digunakan adalah F.

Pengujian secara cepat, yaitu dengan memanfaatkan
hasil atau keluaran MINITAB. Tabel ANOVA yang
memuat Lack of Fit ditampilkan dengan cara meng-
klik Pure Error pada Window Option.



Data pada contoh 1 bila diolah menggunakan MINI-
TAB tanpa memperhatikan lack of fit menghasilkan
Tabel ANOVA 1 berikut :

Analysis of Variance 1

Source DF SS MS F P
Regression 1 6,3247 6,3247 6,57 0,018
Residual Error 22 21,1937 0,9633
Total 23 27,5183

Apabila pengolahan dilakukan dengan memperhati-
kan lack of fit, didapatkan hasil keluaran berikut :

Analysis of Variance 2

Source DF SS MS F P
Regression 1 6,3247 6,3247 6,57 0,018
Residual Error 22 21,1937 0,9633
Lack of Fit 11 8,7237 0,7931 0,70 0,718
Pure Error 11 12,4700 1,1336
Total 23 27,5183


Cara cepat menyimpulkan hasil pengujian, yaitu
dengan memanfaatkan hasil MINITAB dapat dila-
kukan dengan melihat nilai P. Nilai P sebesar
0,018, yang kurang dari 0,05 pada Analysis Vari-
ansi 1, menandakan prediktor berpengaruh pada res-
pon. Pada Analysis Variansi 2, didapatkan nilai P
Lack of Fit sebesar 0,718 yang lebih dari 0,05,
sehingga disimpulkan Lack of Fit tidak bermakna;
ini berarti model linier order pertama sudah sesuai.

Cara lain mendeteksi lack of fit dengan mengguna-
kan statistik uji F = (MS Lack of Fit)/(MS Pure
Error). Bila F < 1, maka Lack of Fit tidak bermakna,
sementara kalau F>1 belum tentu Lack of Fit ber-
makna.

Kalau diterapkan pada soal contoh 1 di atas, nilai F
sebesar 0,7931/1,1336; nilai ini kurang dari satu.
Jadi Lack of Fit tidak bermakna. Hasil melalui F ini
tidak bertentangan dengan hasil melalui P. Kedua
tolok ukur ini menghasilkan kesimpulan yang sama,
yaitu Lack of fit tidak bermakna.

Contoh 2, Soal K

Y X RESI1 FITS1
0,971 3 -0,02239 0,99339
0,979 4,7 -0,00945 0,988454
0,982 8,3 0,003999 0,978001
0,971 9,3 -0,0041 0,975098
0,957 9,9 -0,01636 0,973356
0,961 11 -0,00916 0,970162
0,956 12,3 -0,01039 0,966387
0,972 12,5 0,006193 0,965807
0,889 12,6 -0,07652 0,965516
0,961 15,9 0,005065 0,955935
0,982 16,7 0,028388 0,953612
0,975 18,8 0,027485 0,947515
0,942 18,8 -0,00551 0,947515
0,932 18,9 -0,01522 0,947224
0,908 21,7 -0,03109 0,939094
0,97 21,9 0,031486 0,938514
0,985 22,8 0,0491 0,935901
0,933 24,2 0,001164 0,931836
0,858 25,8 -0,06919 0,92719
0,987 30,6 0,073747 0,913253
0,958 36,2 0,061007 0,896993
0,909 39,8 0,022459 0,886541
5
0,859 44,3 -0,01448 0,873475
0,863 46,8 -0,00322 0,866216
0,811 46,8 -0,05522 0,866216
0,877 58,1 0,043593 0,833407
0,798 62,3 -0,02321 0,821212
0,855 70,6 0,057887 0,797113
0,788 71,1 -0,00766 0,795661
0,821 71,3 0,02592 0,79508
0,83 83,2 0,069472 0,760528
0,718 83,6 -0,04137 0,759367
0,642 99,5 -0,0712 0,713201
0,658 111,2 -0,02123 0,67923

Sebagai langkah awal adalah memplot Y terhadap
X. Dihasilkan plot berikut :

X
Y
120 100 80 60 40 20 0
1,0
0,9
0,8
0,7
0,6
Scatterplot of Y vs X


Hasil plot Y terhadap X di atas menunjukkan bahwa
model regresi cukup baik, ditandai dengan titik-titik
pengamatan yang merata disekitar garis regresi. Be-
berapa hasil perhitungan ditampilkan sebagai beri-
kut :

MTB > let k1=sum(X)
MTB > let k2=sum(Y)
MTB > let k3=sum(X**2)
MTB > let k4=sum(Y**2)
MTB > let k5=sum(X*Y)
MTB > print k1-k5

Data Display

=
n
i
i
X
1
= K1 = 1244,50

=
n
i
i
Y
1
2 = K4 = 27,5736

=
n
i
i
Y
1
= K2 = 30,4580

=
n
i
XY
1
= K5 = 1032,49

=
n
i
i
X
1
2 = K3 = 73920,1

Dengan menggunakan command regresi didapatkan
model regresi berikut :

MTB > Name c3 "RESI1" c4 "FITS1"
MTB > Regress 'Y' 1 'X';
SUBC> Residuals 'RESI1';
SUBC> Fits 'FITS1';
SUBC> Constant;
SUBC> Brief 1.

Regression Analysis: Y versus X
The regression equation is
Y = 1,00 - 0,00290 X

Predictor Coef SE Coef T P
Constant 1,00210 0,01089 92,04 0,000
X -0,0029035 0,0002335 -12,43 0,000

S = 0,0393282 R-Sq = 82,9% R-Sq(adj) = 82,3%
Analysis of Variance
Source DF SS MS F P
Regression 1 0,23915 0,23915 154,62 0,000
Residual Error 32 0,04949 0,00155
Total 33 0,28864

Kesimpulannya model cukup baik, berdasarkan
pada :
- Plot Y terhadap X menunjukkan model
linier order pertama yang baik.
- Variabel bebas berbeda dengan nol se-
cara bermakana, ditandai dengan nilai P
yang kurang dari 0,05, jadi X berpenga-
ruh pada Y.
- Nilai R
2
= 82%, menunjukan variasi Y
karena pengaruh X tinggi.
- Empat plot residual tampak baik, seper-
ti yang ditampilkan pada gambar di ba-
wah ini.

Standardized Residual
P
e
r
c
e
n
t
2 1 0 -1 -2
99
90
50
10
1
Fitted Value
S
t
a
n
d
a
r
d
i
z
e
d

R
e
s
i
d
u
a
l
1,0 0,9 0,8 0,7
2
1
0
-1
-2
Standardized Residual
F
r
e
q
u
e
n
c
y
2 1 0 -1 -2
10,0
7,5
5,0
2,5
0,0
Observation Order
S
t
a
n
d
a
r
d
i
z
e
d

R
e
s
i
d
u
a
l
30 25 20 15 10 5 1
2
1
0
-1
-2
Normal Probability Plot of the Residuals Residuals Versus the Fitted Values
Histogram of the Residuals Residuals Versus the Order of the Data
Residual Plots for Y


C1
P
e
r
c
e
n
t
0,10 0,05 0,00 -0,05 -0,10
99
95
90
80
70
60
50
40
30
20
10
5
1
Mean
0,364
-1,47059E-07
StDev 0,03873
N 34
AD 0,390
P-Value
Probability Plot of C1
Normal - 95% CI


Contoh 3, Soal L
Pada soal K di atas, tampak terdapat nilai-nilai pre-
diktor yang sangat dekat, sehingga pantas dianggap
ulangan, dinamai ulangan hampiran.

Data ulangan hampiran berdasarkan data soal K:
X = 9,3 9,9
X = 12,3 12,5 12,6
X = 18,8 18,8 18,9
X = 21,7 21,9
X = 46,8 46,8
X = 70,6 71,1 71,3
X = 83,2 83,6

Dengan dihimpunnya data ulangan hampiran ini
maka dapat dideteksi kemaknaan lack of fit. Namun
demikian, perhitungan tidak dapat dilakukan meng-
gunakan program paket, harus secara manual.
6
Untuk mempermudah, data disusun ke bentuk berikut :

Nilai Prediktor
yg diulang, atau
ulangan
hampiran
(X
j
)
Nilai-nilai Respon,
(Y
ju
)
Mean Respon,
(
j
Y )
Pengulangan,
(n
j
)
Jumlah Kuadrat
Penyimpangan Terhadap
Mean Respon
Derajat
Bebas
(db)
9,3 9,9 0,971 0,957 9,6 2 ... 1
12,3 12,5 12,6 0,956 0,972 0,889 12,5 3 ... 2
18,8 18,8 18,9 0,975 0,942 0,932 18,83 3 ... 2
21,7 21,9 0,908 0,970 21,8 2 ... 1
46,8 46,8 0,863 0,811 46,8 2 ... 1
70,6 71,1 71,3 0,855 0,788 0,821 71 3 ... 2
83,2 83,6 0,830 0,718 ... 2 ... 1
0,01678 10

Lengkapilah perhitungan dan isikan pada tabel di atas. Selanjutnya, lengkapilah pula tabel ANOVA berikut :

Analysis of Variance

Source DF SS MS F P
Regression 1 0,23915 0,23915 154,62 0,000
Residual Error 32 0,04949 0,00155

Lack of Fit ... ... ... ... ...
Pure Error 10 0,01678 ...

Total 33 0,28864


Lakukanlah evaluasi, apakah lack of fit bermakna ? Lakukan analisis kebaikan model.

Bandingkan dengan hasil analisis model di soal K.



Statistik Matematika Pada ANOVA

Yang akan diuraikan pada topik Statistik Matema-
tika pada ANOVA ini adalah :
- Distribusi setiap komponen Tabel Ana-
lisis Variansi
- Hubungan antara komponen
- Ekspektasi setiap komponen

Untuk mengingat kembali, akan ditampilkan lagi
Tabel ANOVA berikut ini.

Tabel ANOVA
Sumber
Variasi
(Source)
Derajat
Bebas
(db)
(df)
Jumlah
Kuadrat
(JK)
(SS)
Kuadrat
tengah
(KT) =
JK/db
(MS)

Regresi


Error atau
Residual

1


n-2

=

n
i
i
Y Y
1
2
)

=

n
i
i i
Y Y
1
2
)

(

KT
Regresi


2
2

=
n
JK
s

Total,
terkoreksi
n-1

=

n
i
i i
Y Y
1
2
) (

Keterangan : Judul yang ditulis miring, yaitu : Source, df,
SS, dan MS, merupakan istilah yang lazim
digunakan pada program MINITAB.

Distribusi Komponen Tabel ANOVA

Yang akan dibahas adalah distribusi : Jumlah Kua-
drat Regresi, Jumlah Kuadrat Residual, dan Jumlah
Kuadrat Total.

Review ANOVA searah :

Organisasi Data :
i
1 2 ... k
y
11

y
12

.
.
.
1
1n
y
y
21

y
22

.
.
.
2
2n
y

...
...
...
...
...

y
k1

y
k2

.
.
.
k
kn
y


1
y
2
y

k
y y

Model ANOVA,Y
ij
=
i
+c
ij
, i=1,2,...k,
j=1,2,...,n
i

=
= =
i
n
j
k
i
i
k
i
i i
ij
i
i
n
y n
y y
n
y
1
.
1

7
Variasi total respon merupakan
jumlahan dari variasi respon ter-
hadap mean setiap perlakuan dengan
variansi mean setiap perlakuan ter-
hadap mean keseluruhan.

Bila dinyatakan dengan persamaan:

= = = = = =
+ =
k
i
n
j
k
i
n
j
i i ij
k
i
n
j
ij
i i i
y y y y y y
1 1 1 1
2
.
2
1 1
2
) ( ) ( ) (
suku 1 suku 2 suku 3

Penalaran suku 1,
Diasumsikan : Y
ij
~N(,o
2
)
( )
2 2
1
1 1
2
2
1
1 1
2
2
1 1
2
2
1
2
2
1 1
1
~ , ~
~ , ~
), 1 , 0 ( ~ ), , ( ~
o _ _
o
_
o

_
o

o

o

|
|
.
|

\
|

|
|
.
|

\
|
|
|
.
|

\
|

= =
=

= =

= =
= =

k
i
i
i
k
i
i
i
k
i
i
i
n
k
i
n
j
ij
n
k
i
n
j
ij
n
k
i
n
j
ij ij
ij
ij
Y Y
Y Y
Y
maka
Y
N
Y
maka N Y

Didapatkan hasil :

( )
2 2
1
1 1
2
1
~ o _

=

= =

k
i
i
i
n
k
i
n
j
ij
Y Y

Penalaran suku 2,
Diasumsikan : Y
ij
~N(
i
,o
2
)

( )
2
1 1
2
2
2
1 1
2
2
1
1
2
2
1
2
2
1
2
2
1
1
~
1
~ , ~
, ~ , ~
), 1 , 0 ( ~ ), , ( ~

|
|
.
|

\
|
|
|
.
|

\
|
|
|
.
|

\
|
|
|
.
|

\
|

=
=

= =

= =

=
=

k
i
i
i
k
i
i
i
i
i
i
i
k n
k
i
n
j
i ij
k n
k
i
n
j
i ij
n
n
j
i ij
n
n
j
i ij i ij
i ij
i ij
Y Y
Y Y Y Y
Y
maka
Y
N
Y
maka N Y
_
o
_
o
_
o
_
o

_
o

o

o

Didapatkan hasil :

2 2
1
1
2
.
1 1
2
~ ) ( ) ( o _

= = =

=
k
k
i
i i
k
i
n
j
i ij
Y Y n y y
i







































( )
2
1 1
2
1
~

=

= =

k
i
i
i
k n
k
i
n
j
i ij
Y Y _ o
2


Penalaran suku 3,
2
1
1
2
2
. 2
1
2
2
.
2
1
2
2
. 2
1
2
2
.
2 / 1
2
.
2
.
~
) (
~
) (
~
) (
~
) (
) 1 , 0 ( ~ ), , ( ~

= =
=

|
|
.
|

\
|

|
|
.
|

\
|

|
|
.
|

\
|

k
k
i
i i
k
k
i
i i
k
k
i
i
i
i
i
i
i
i
i
Y Y n
Y n
n
Y
n
Y
N
n
Y
n
N Y
_
o
_
o

_
o

_
o

o

o

8


Hasil Keseluruhan :

( )
2 2
1
1 1
2
1
~ o _

=

= =

k
i
i
i
n
k
i
n
j
ij
Y Y

( )
2
1 1
2
1
~

=

= =

k
i
i
i
k n
k
i
n
j
i ij
Y Y _

2 2
1
1
2
.
1 1
2
.
~ ) ( ) ( o _

= = =

=
k
k
i
i i
k
i
n
j
i
Y Y n Y Y
i


Perlu diingat :
) 1 , 0 ( ~
)) (var(
) (
) var( ), ( ), , ( ~
2 / 1
2 2
N
Y
Y
Y E Y
Y Y E N Y
o

o o

= =



Kembali ke Regresi

Penalaran distribusi

=

n
i
i
Y Y
1
2
)

( ,



































































































9