Asumsi-Asumsi ANOVA Satu Faktor

Asumsi untuk pengujian hipotesis yang didasarkan pada model ANOVA faktor tunggal sebenarnya berhubungan dengan nilai residual atau error (ε_ij). Banyak referensi yang menyatakan bahwa ANOVA faktor tunggal cukup handal terhadap asumsi ini, misalnya Uji F tetap handal dan dapat diandalkan meskipun asumsi tidak terpenuhi. Meskipun demikian, tingkat kehandalannya sangat sulit diukur dan tergantung juga pada ukuran sampel yang harus seimbang. Uji F bisa menjadi sangat tidak dapat diandalkan apabila ukuran sampel tidak seimbang, apalagi jika ditambah dengan sebaran data yang tidak normal dan ragam tidak homogen. Oleh karena itu, saya sangat merekomendasikan untuk memeriksa terlebih dahulu asumsi ANOVA sebelum melanjutkan ke tahap analisis.

Bagaimana apabila kita menganalisis data yang sebenarnya tidak memenuhi asumsi analisis ragam? Apabila hal itu terjadi, maka kesimpulan yang diambil tidak akan menggambarkan keadaan yang sebenarnya bahkan menyesatkan! Dengan demikian, sebelum melakukan analisis ragam, terlebih dahulu kita harus memeriksa apakah data tersebut sudah memenuhi asumsi dasar analisis ragam atau belum.

Strategi umum untuk memeriksa asumsi ANOVA serta urutan asumsi yang harus diperiksa terlebih dahulu di bahas secara detail oleh Dean dan Voss (1999). Mereka menitikberatkan pada pengamatan plot residual, dengan alasan berikut: pemeriksaan plot residual lebih subjektif dibanding dengan pengujian formal dan yang lebih penting, plot residual lebih informatif tentang sifat dari masalah, konsekuensi, dan tindakan korektif yang bisa diambil.

Baca pos ini lebih lanjut

Asumsi-Asumsi Dasar Analisis Ragam

Kebiasaan yang sering dilakukan dalam pengolahan data hasil pengamatan adalah mengolah data tersebut tanpa memperhatikan asumsi-asumsi dasar, padahal mungkin saja data yang dianalisis tersebut tidak layak untuk dilakukan analisis ragam.  Oleh karena itu, sebelum kita melakukan analisis ragam, terlebih dahulu kita harus menguji apakah data tersebut layak atau tidak.  Apabila asumsi-asumsi dasar dipenuhi, maka data tersebut layak untuk dianalisis. Sebaliknya, apabila data tersebut tidak memenuhi asumsi dasar, terlebih dahulu kita harus mentransformasi data sehingga memenuhi asumsi dasar analisis ragam.

Bagaimana apabila kita menganalisis data yang sebenarnya tidak memenuhi asumsi analisis ragam?  Apabila hal itu terjadi, maka kesimpulan yang diambil tidak akan menggambarkan keadaan yang sebenarnya.  Terdapat beberapa konsekuensi apabila asumsi dasar tersebut dilanggar, diantaranya:

1. Keragaman menjadi lebih heterogen.
2. Berpengaruh pada kepekaan hasil pengujian analisis ragam di mana :
   1. Hasil analisis ragam yang anda lakukan terhadap data sebelum diuji kelayakannya menunjukkan pengaruh yang sangat nyata, tetapi setelah asumsi dipenuhi hasil analisis ragam menunjukkan pengaruh yang nyata saja. Sebaliknya semula menunjukkan berpengaruh nyata, tetapi setelah asumsi dipenuhi hasil analisis ragam menunjukkan pengaruh yang sangat nyata.
   2. Hasil analisis ragam yang anda lakukan terhadap data sebelum diuji kelayakannya menunjukkan berpengaruh nyata, tetapi setelah asumsi dipenuhi hasil analisis ragam menunjukkan pengaruh tidak nyata. Sebaliknya semula menunjukkan tidak berpengaruh nyata tetapi setelah asumsi dipenuhi hasil analisis ragam menunjukkan pengaruh nyata atau sangat nyata.

Dengan demikian, sebelum melakukan analisis ragam, terlebih dahulu kita harus memeriksa apakah data tersebut sudah memenuhi asumsi dasar analisis ragam atau belum.

Baca pos ini lebih lanjut