Analysis Varian

(ANOVA) dan
Rekabentuk Ujikaji

Objektif Pembelajaran
Memahami perbezaan diantara berbagai rekabentuk
ujikaji dan bila untuk menggunakkannya.
Mengira dan mentafsir keputusan ANOVA satu hala.
Mengira dan mentafsir keputusan rekabentuk blok
rawak.
Mengira dan metafsir keputusan ANOVA dua-hala.
Memahami dan mentafsir kesan tindakbalas.
Mengetahui bila dan bagaimana untuk menggunakan
teknik bebilang bandingan.
2

Rekabentuk Ujikaji

Rancangan dan struktur untuk

menguji hipotesis dimana penyelidik
boleh mengawal atau manipulasi
satu atau lebih angkubah.

Rekabentuk Ujikaji
Angkubah Bebas
Angkubah rawatan adalah sesuatu ujikaji
kawalan atau diubahsuai didalam ujikaji.
Angkubah kelasifikasi ialah beberapa ciri-ciri
bagi subjek ujikaji yang telah ditetapkan
terdahulu dan ia bukanlah hasil manipulasi
ujikaji atau kawalan .
Level atau kelasifikasi adalah sub-kategori
angkubah bebas yang digunakan oleh
penyelidik didalam rekabentuk ujikaji.
4

Rekabentuk Ujikaji

Angkubah Sandar
- tindakbalas terhadap paras yang
berbeza dari angkubah bebas.

Jenis Rekabentuk
Ujikaji
Rekabentuk Penuh Rawak
Rekabentuk Blok Rawak
Ujikaji Faktorial

Rekabentuk Penuh
Rawak

Skima Persampelan untuk

Rekabentuk Penuh Rawak
Populasi 1

Populasi 2

Min 1
Varian 12

Min 2
Varian 22

Saiz
sampel: n1

Min X1
Varian S12

Saiz
sampel: n2

Min X 2
Varian S22

Populasi 3

Min 3
Varian 32
Saiz
sampel: n3

Min X 3
Varian S32
8

Jualan Mingguan Jus Mangga

(000 unit)

Andaian ANOVA
Pemerhatian adalah diambil dari
populasi bertaburan normal.
Pemerhatian mewakili sampel rawak
dari populasi.
Varian populasi adalah normal.

10

ANOVA: Hipotesis
H0: 1 = 2 = 3 = = k
Ha: Sekurang-kurangnya satu min
adalah berbeza dari yang lain.
11

Menguji hipotesis ini menggunakan ANOVA satu hala

adalah dilakukan dengan memisahkan jumlah varian
bagi data kepada dua varian berikut:

1. Varian yang dihasilkan oleh rawatan (lajur)

2. Ralat varian, atau bahagian dari jumlah varian yang

tidak dapat diterangkan oleh rawatan.
12

ANOVA:
Definasi Jumlah Kuasadua
Jumlah kuasadua = Jumlah kuasadua rawatan + Jumlah kuasadua ralat
SST = SSC + SSE

X
C

nj

j=1 i=1

ji

n j
j 1

jX

nj

j 1 i 1

ij X

dim ana :
i ahli tertentu paras rawatan
j = paras rawatan
C = bilangan paras rawatan

nj bilangan pemerhatian didalam setiap paras rawatan

X = min keseluruhan

X j = min kumpulan atau paras rawatan

Xij nilai individu

13

Bahagian Varisai Jumlah

Kuasadua Keseluruhan
SST
(Jumlah Kuasadua Keseluruhan )

SSC
(Jumlah Kuasadua Rawatan )

SSE
(Jumlah Kuasadua Ralat )

14

ANOVA: Formula Pengiraan

SSC n j X j - X
C

j1

dfC = C 1
SSC
MSC
df C

SSE X ij - X j
ni

i 1 j1

df E = N C
MSE

SSE
df E

ni

SST X ij - X
C

i 1 j1

dfT = N 1
MSC
F
MSE

i= ahli tertentu didalam paras rawatan

j = paras rawatan
C = bilangan paras rawatan
X = min keseluruhan
Xij = nilai individu
X j = min kumpulan atau paras rawatan
nj = bilangan pemerhatian didalam paras rawatan

15

Xj

16

Xj

X2

X1

SSC n j X j - X
C

X3

X4

j1

= 8[ (17.63 16.59)2 + (13.75 16.59)2

+ (16.50 16.59)2 + (18.50 16.59)2]
= (8.508 + 64.695 + 0.070 + 29.070)
= 102.344
17

Xj

X1

X2

SSE X ij - X j
ni

X3

X4

i 1 j1

[(15 17.63)2 + (17 17.63)2 + (19 17.63)2

+ (10 13.75)2 + 12 13.75)2 + + (16 13.75)2
+ (13 16.50)2 + (19 16.50)2 + + (18 16.50)2
+ (20 18.50)2 + (18 18.50)2 + + (23 18.50)2 ]

= 169.375
18

SST = SSC + SSE

= 102.344 + 169.375
= 271.719
dfC = C 1 = 4 1 = 3
dfE = N C = 32 4 = 28
dfT = N 1 = 32 1 = 31
MSC

SSC 132.344

34.115
df C
3

SSE 169.375
MSE

df E
28

MSC 34.115
F

5.604
MSE 6.049

19

Jadual ANOVA

20

Jadual F untuk = 0.05

F0.05,3, 28 2.95

21

ANOVA: Ringkasan
Tatacara
H0: 1 = 2 = 3 = = k
Ha: Sekurang-kurangnya satu
min adalah berbeza dari
yang lain.
Jika F > Fc 2.95 , tolak Ho.

v1=3
v2=28
Kawasan Penolakan

Jika F Fc 2.95 , terima Ho.

Oleh kerana F = 5.604 > Fc 2.95 ,
tolak Ho.

F0.05,3, 28 2.95

22

Output Excel
Anova: Single Factor
SUMMARY
Groups
Johor Bahru
Melaka
Ipoh
Kuantan

Count
8
8
8
8

ANOVA
Source of Variation
SS
Between Groups
102.3438
Within Groups
169.375
Total

271.7188

Sum
Average Variance
141
17.625
7.125
110
13.750
5.643
132
16.500
3.714
148
18.500
7.714

df
3
28

MS
34.115
6.049

F
5.640

P-value
0.004

F crit
2.947

31

23

Contoh
Sebuah rantaian pasaraya sedang mempertimbangkan untuk
membina pasaraya baru pada empat kawasan perumahan
yang berbeza. Salah satu daripada faktor yang penting
didalam membuat keputusan ialah purata pendapatan
tahunan penduduk empat kawasan tersebut.
Katakan,
didalam kajian awal beberapa isirumah telah disoal apakah
jumlah pendapatan tahunan mereka. Keputusan daripada
survei tersebut ditunjukkan didalam jadual dibawah. Adakah
terdapat bukti yang mencukupi untuk menyatakan ujudnya
perbezaan didalam purata pendapatan tahunan penduduk
diantara empat kawasan tersebut? Gunakan = 0.01.
24

Contoh
Kawasan 1 Kawasan 2 Kawasan 3 Kawasan 4
25
27
31
17
29
30

32
35
30
46
32
22
19
51
27

27
32
48
25
20
12
18

18
23
29
26
42

25

Langkah 1: Hipotesis
H0: 1 = 2 = 3
Ha: Sekurang-kurangnya satu min adalah berbeza dari yang lain.

Langkah 2: Ujian statistik

SSC
MSC
df C

MSE

SSE
df E

MSC
F
MSE

Langkah 3: Nilai
= 0.01
26

Langkah 4: Pearturan Keputusan

v1=3
v2=23

= 0.01

F0.01,3, 23 4.76

Rawatan (numerator, dfc) = 4 1 = 3

Ralat (denominator, dfe) = 27 4 = 23

F0.01,3, 23 4.76

Tolak Ho jika F > Fc = 4.76

27

Langkah 5: Nilai Ujian statistik

T1 = 159

T2 = 294

T3 = 182

T4 = 138

T = 773

n1 = 6

n2 = 9

n3 = 7

n4 = 5

N = 27

X 2 32.667

X 3 26.000

X 4 27.600

X 28.630

X1 26.500

SSC = 6(256.500-28.630)2 + 9(32.667-28.630) 2 + 7(26.000-28.630) 2

+ 5(27.600-28.630) 2
= 27.212 + 146.679 + 48.405 + 5.301 = 227.596
SSE = (25.000-26.500) 2 + (27.000-26.500) 2 + + (30.000 26.500) 2
+ (32.000 32.667) 2 +(15.000 32.667) 2 + + (27.000 32.667) 2
+ (27.000 26.000) 2 + (32.000 26.000) 2 + + (18.000 26.000) 2
+ (18.000 28.630) 2 + (23.000 28.630) 2 + + (42.000 28.630) 2
= 2134.700

28

SST = SSC + SSE

= 227.596 + 2134.700
= 2362.296

dfC = 4 1 = 3
dfE = 27 4 = 23

Langkah 6: Kesimpulan
Keputusannya ialah tidak dapat menolak hipotesis nul kerana nilai F yang
dikira lebih kecil daripada nilai jadual kritikal F, 4.76. Oleh itu, tidak
terdapat bukti yang mencukupi untuk menyatakan purata pendapatan
tahunan berbeza diantara empat kawasan. Pengurus rantaian pasaraya
dinasihatkan supaya tidak mempertimbangkan pendapatan isirumah
sebagai faktor untuk membuat keputusan berkaitan lokasi pasaraya baru.
29

Output Komputer Excel

30

Ujian Berbilang Bandingan

Ujian ANOVA adalah ujian keseluruhan
perbezaan diantara kumpulan.
Teknik berbilang bandingan adalah digunakan
untuk mengenalpasti manakah pasangan min
yang signifikan berbeza dari apa yang diberi
oleh ujian signifikan keseluruhan ANOVA.
Ujian
Tukeys
Honestly
Significant
Difference (HSD) memerlukan saiz sampel
yang sama.
Tatacara Tukey-Kramer digunakan apabila
saiz sampel tidak sama.
31

Ujian Tukeys Honestly

Significant Difference (HSD)

HSD q ,C, N -C

MSE
n

dimana
MSE = ralat min kuasadua
n = saiz sampel
q.C,N-C = nilai kritikal julat taburan dari Jadual A.10

32

Contoh

33

Output Komputer

34

Ujian HSD
Bilangan populasi = Bilangan min rawatan = C
dfE = N C.
Bagi masalah ini, nilai q adalah
C=3
dfE = N C = 18 3 = 15
Jika = 0.05

35

Nilai Kritikal Taburan Jeda Pelajar (q)

q0.05,3,15 = 3.67

36

HSD q 0.05,3,15

MSE
48.256
3.67
10.408
n
6

X1 - X 2 27.50 - 25.83 1.67

X1 - X 3 27.50 - 36.50 9.00

X 2 - X 3 25.83 - 36.50 10.67
Hanya satu nilai perbandingan yang lebih besar daripada nilai HSD,
10.408. Oleh itu terdapat perbezaan gaji tahunan diantara graduan
Bacelor Pentadbiran Perniagaan dan Bacelor Perakaunan. Sementara
itu, tidak terdapat perbezaan gaji tahunan diantara graduan Bacelor
Ekonomi dengan bacelor Pentadbiran Perniagaan dan Bacelor Ekonomi
dan Bacelor Perakaunan.

37

Tatacara Tukey-Kramer:
Kes Sampel Saiz Tidak
Sama
HSD q

,C, N -C

MSE 1 1
( )
2 n r ns

Dimana: MSE = purata ralat kuasadua

nr = saiz sampel bagi sampel r
ns = saiz sampel bagi sampel s
q,C,N-C = nilai kritikal taburan q dari jadual A.10

38

Bilangan Kereta Proton Waja

Dijual Mengikut Kawasan
UTARA SELATAN TIMUR BARAT
79
68
55
70
88
78
30
73
67
73
54
68
82
80
72
59
90
60
45
71
72
60
49
67
92
20
89
39
87

Output Komputer

40

Pengiraan Ujian
Tukey-Kramer
C = 4, dan N C = 28 4 = 24. = 0.01
q0.01,4, 24 = 4.91
Untuk sampel 1 dan 3 (Utara dan Timur)

HSD 4.91

185.517 1 1
26.96
2
5 8

Perbezaan diantara min Utara dan

81.20 50.38 = 30.82

Kesimpulan:
Oleh kerana ia lebih
besar daripada 26.96
daripada
perbezaan
kritikal, maka terdapat
Timur:perbezaan yang kritikal
diantara min jualan Waja
diantara wilayah Utara
dan Timur.

41

Keputusan Ujian
Tukey-Kramer
Pasangan
Perbezaan Kritikal
Pebezaan Sebenar
1 dan 2
(Utara dan Selatan)

28.83

9.73

1 dan 3
(Utara dan Timur)

26.96

30.82

1 dan 4
(Utara dan Barat)

26.38

8.09

2 dan 3
(Selatan dan Timur)

25.54

21.45

2 dan 4
(Selatan dan Barat)

24.92

1.28

3 dan 4
(Timur dan Barat)

22.98

22.73

42

Rekabentuk Blok Rawak

43

Rekabentuk blok rawak adalah sama

sebagaimana rekabentuk penuh rawak
dimana terdapat satu angkubah keputusan
(angkubah rawata) yang hendak dikaji.
Walau bagaimanapun, rekabentuk blok
rawak juga mempunyai angkubah kedua,
dirujukkan sebagai angkubah blok, yang
boleh digunakan untuk kawalan angkubah
kelasifikasi.
44

Didalam rekabentuk blok rawak pula, jumlah

kuasadua keseluruhan ialah
SST = SSC + SSR + SSE
dimana
SST = jumlah kuasadua keseluruhan
SSC = jumlah kuasadua lajur (rawatan)
SSR = jumlah kuasadua baris (blok)
SSE = jumlah ralat kuasadua.
45

Pembahagian Jumlah
Kuasadua didalam RBR
SST
(Jumlah Kuasadua
Keseluruhan

SSE
(Jumlah Kuasadua Ralat)

SSC
(Jumlah Kuasadua
Rawatan)

SSR
(Jumlah Kuasadua
Blok)

SSE
(Jumlah Kuasadua
Ralat)

46

Rekabentuk Blok Rawak

Angkubah Bebas Tunggal

.
Pemerhatian
Individu

.
Angkubah
Block

.
.
.
.

.
.
.

.
.
.

.
.
.

47

Hipotesis
Hipotesis nul dan alternatif untuk kesan rawatan didalam
rekabentuk blok rawak adalah:
Kesan rawatan:
H0: 1 = 2 = 3 = = C
Ha: Sekurang-kurangnya satu min rawatan berbeza dari yang lain

Kesan Blok:
H0: 1 = 2 = 3 = = k
Ha: Sekurang-kurangnya satu min blok berbeza dari yang lain

48

SSC n ( X j X )
j 1
n

SSR C ( X
n

i 1
n

i X )

Rekabentuk Blok
Rawak: Formula
Pengiraan

SSE ( X ij X i X i X )
j 1 i 1
n
n

SST ( X ij X )
j 1 i 1

SSC
MSC
C 1
SSR
MSR
n 1
SSE
MSE
N n C 1
MSC
F treatments MSE
MSR
F blocks MSE

where: i
j
C
n

=
=
=
=

df

df

df

df

C 1
n 1
C 1 n 1 N n C 1
N 1

block group (row)

a treatment level (column)
number of treatment levels (columns)
number of observations in each treatment level (number of blocks - rows)

X individual observation
X treatment (column) mean
X block (row) mean
ij

X = grand mean
N = total number of observations

SSC
SSR
SSE
SST

=
=
=

sum of squares columns (treatment)

sum of squares rows (blocking)
sum of squares error
sum of squares total

49

Contoh
Jus Buah-buahan
Pengadil Mangga Jambu Nanas Belimbing Min Blok
Batu
1
81
79
55
36
62.75
2
63
69
65
45
60.5
n=4
3
57
59
58
62
59
4
77
69
73
58
69.25
Min
69.5
69
62.75
50.25
62.88
rawatan

N = 16

C=4

50

Jumlah Kuasadua Rawatan

C = 4 n = 4 N = 16
C

SSC n ( X j X )

j1

= 4[(69.50 - 62.88)2 + (69.00 - 62.88)2

+ (62.75 - 62.88)2 +(50.25 - 62.88)2]
= 963.25
51

Jumlah Kuasadua Blok

n

SSR C ( X i - X ) 2
i 1

= 4[(62.75 62.88)2 + (60.50 62.88)2

+ (59.00 62.88)2 + (69.25 62.88)2]
= 245.25

52

Jumlah Kuasadua Ralat

n

SSE (X ij - X j - X i - X ) 2
i 1 j1

= (81 - 62.75 69.5 + 62.88)2 + (63 - 60.50 69.5 + 62.88)2

+ (57 - 59.00 69.5 + 62.88)2 + (77 - 69.25 69.5 + 62.88)2
.
+ (36 - 62.75 50.25 + 62.88)2 + (45 - 60.50 50.25 + 62.88)2
+ (62 - 59.00 50.25 + 62.88)2 + (58 - 69.25 50.25 + 62.88)2

= 963.25
53

Jumlah Kuasadua
Keseluruhan
n

SST (X ij - X ) 2
i 1 j1

= SSC + SSR + SSE

= 963.25 + 245.25 + 963.25
= 2171.75

54

SSC 963.26
MSC

321.08
C 1
4 -1
SSR 245.25
MSR

81.75
n -1
4 -1

SSE
963.25
MSE

107.03
N - n - C 1
9
FRawatan

MSC 321.08

3.000
MSE 107.02

FBlok

MSR 81.75

0.764
MSE 107.03
55

Jadual ANOVA

56

Output Komputer

57

Rekabentuk
Faktorial dengan
Dua Rawatan
58

Rekabentuk Faktorial Dua Hala

Lajur Rawatan

.
.
Baris
Rawtan

Sel

.
.
.
.

.
.
.

.
.
.

.
.

.
.
.

59

Hipotesis ANOVA Dua

Hala

Kesan baris

H0: Min baris adalah sama

Ha: Sekurang-kurangnya satu min baris adalah berbeza dari yang lain

Kesan lajur
H0: Min lajur adalah sama
Ha: Sekurang-kurangnya satu min lajur adalah berbeza dari yang lain

Kesan tindakbalas
H0: Kesan tindakbalas adalah sifar
Ha: Terdapat kesan tindakbalas

60

 Nilai F ditentukan untuk tiga kesan berikut:

Kesan baris
Kesan lajur
Kesan tindakbalas

61

Formula Mengira ANOVA Dua Hala

R

SSR nC ( X
i 1
C

i X )

SSC nR ( X j X )
j 1
R

SSI n ( X ij X i X j X )
i 1 j 1
R

SSE ( X ijk X ij )
i 1 j 1 k 1
C
R
n

SST ( X ijk X )
c 1 r 1 a 1

SSR
R 1
SSC
MSC
C 1
SSI
MSI
R 1 C 1
SSE
MSE
RC n 1
MSR

df

df

df

df

df

R 1
C 1
R 1 C 1
RC n 1
N 1
MSR
MSE
MSC

MSE
MSI

MSE

FR
F
F

where:
n = number of observations per cell
C = number of column treatments
R = number of row treatments
i = row treatment level
j = column treatment level
k = cell member

X
X
X
X

ijk
ij
i
j

= individual observation
= cell mean
= row mean
= column mean

X = grand mean

62

Contoh
Katakan pengeluar kasut menjalan kajian untuk mengetahui sama ada
terdapat perbezaan didalam bilangan kasut yang dijual sehari diantara
pesaingnya dikedai kasut disekitar 1 km dari pusat Bandar dan juga
lokasi kedai tersebut. Penyelidik syarikat telah memilih tiga jenis kedai
menjual kasut untuk pertimbangan didalam kajiannya: kedai diluar
bandar, kedai dipasaraya dan kedai biasa dibandar. Ditempat-tempat
tersebut terdapat banyak pesaing-pesaing, dan boleh diringkaskan
kepada empat kategori: tiada pesaing, 1 pesaing, 2 pesaing, dan 3 atau
lebih pesaing. Katakan data berikut mewakili bilangan kasut yang dijual
sehari bagi setiap jenis kedai dengan bilangan pesaing yang diberi.
Gunakan = 0.05 dan ANOVA dua hala untuk menganalisis data.

63

64

Langkah 1: Hipotesis
Kesan baris (Luar Bandar)
H0: 1 = 2 = 3
Ha: Sekurang-kurangnya satu min baris adalah berbeza dari yang lain

Kesan lajur (Pesaing)

H0: 1 = 2 = 3 = 4
Ha: Sekurang-kurangnya satu min lajur adalah berbeza dari yang lain

Kesan tindakbalas
H0: Kesan tindakbalas adalah sifar
Ha: Terdapat kesan tindakbalas

65

Langkah 2: Nilai
= 0.05
Langkah 3: Peraturan Keputusan
Darjah Kebebasan:
df Baris :
v1 = 2 v2 = 24
dfLajur :
v1 = 3 v2 = 24
dftindakbalas : v1 = 6 v2 = 24

Baris:
Lajur:
Tindakbalas:

Nilai F:
F0.05,2,24 = 3.40
F0.05,3,24 = 3.01
F0.05,6,24 = 2.51

Tolak Ho jika Fc > 3.40

Tolak Ho jika Fc > 3.01
Tolak Ho jika Fc > 2.51

66

Langkah 4: Data

n=3

C=4 R=3

Min Baris (X i ) : X1 42.33

Min Lajur (X j ) : X1 30.44
X 3 42.56

X 2 37.67

X 3 25.85

X 2 29.56
X 4 38.58

Min Setiap Sel (X ij ) : X11 38.67 X12 36.00 X13 52.67 X14 42.00
X 21 26.00 X 22 31.33 X 23 47.33 X 24 46.00
X 31 26.67 X 32 21.33 X 33 27.67 X 34 27.67

Min keseluruhan (X ijk ) : 32.58

67

Langkah 5: Nilai Ujian Statistik

SSR nC (X i - X) 2
i 1

= (3)(4)[(42.33 35.28)2 + (37.67 35.28)2

+ (25.83 35.28)2]
= 1736.22

68

SSC nR (X j - X) 2
j1

= (3)(3)[(30.44 35.28)2 + (29.56 35.28)2

+ (42.56 35.28)2 + (38.56 35.28)2]
= 1078.333

69

SSI n (X ij - X i - X j X) 2
i 1 j1

= 3[(38.67 43.22 30.44 + 35.28)2 +

+ + (27.67 25.83 42.56 +35.28)2
+ (26.67 25.83 38.56 35.28)2]
= 503.333

70

SSE ( X ijk - X ij ) 2
i 1 j1 k 1

= (41.00 35.28)2 + (38 35.28)2 + . + (27 35.28)2

+ (32 35.28)2
= 607.333

71

SST

2
(
X
X
)
ijk
i 1 j1 k 1

= SSR + SSC + SSI + SSE

= 1736.222 + 1078.333 + 503.333 + 607.333
= 3925.222

72

SSR 1736.22
MSR

868.111
R -1
3 -1
MSC

SSC 1078.444

350.444
C -1
4 -1

SSI
503.333
503.333
MSI

83.889
(R - 1)(C - 1) (3 - 1)(4 - 1)
6
MSE

SSE
607.333
607.333

25.306
RC(n - 1) (3)(4)(3 - 1)
24

73

FR

MSR 868.111

34.305
MSE 25.306

FC

MSC 359.444

14.204
MSE 25.306

MSI 83.889
FI

3.315
MSE 25.306

74

Jadual ANOVA

Sumber variasi
Baris
Lajur
Tindakbalas
Ralat

SS
1736.22
1078.33
503.333
607.333

Total

3925.22

df
2
3
6
24

MS
868.111
359.444
83.889
25.306

F
34.305
14.204
3.315

35
75

Langkah 6: Kesimpulan
Nilai F kritikal untuk kesan baris pada = 0.05, F0.05,2,24 = 3.403.
Nilai F dikira adalah 34.305 adalah lebih besar daripada nilai
jadual. Oleh itu, terdapat perbezaan yang signifikan terhadap
kesan baris.
Nilai kritikal kesan lajur ialah pada = 0.05 ialah F0.05,3,24 =
3.009. Nilai F dikira ialah 14.204 adalah lebih besar daripada
nilai kritikal. Oleh itu terdapat kesan lajur yang signifikan pada
= 0.05.
Nilai F kritikal bagi tindakbalas pada = 0.05, F0.05,6,24 = 2.508.
Nilai F dikira untuk tindakbalas ialah 3.315. nilai ini lebih besar
daripada nilai jadual F (2.508), terdapat kesan tindakbalas yang
signifikan.

76

Output Komputer
Anova: Two-Factor W ith Replication
SUMMARY Pesaing 0
Pesaing 1 Pesaing 2
Pesaing 3 Total
Luar Bandar
Count
3
3
3
3
12
Sum
116
108
158
126
508
Average
38.67
36
52.67
42
42.33
Variance
60.33
19
32.33
19
67.52
Pasaraya
Count
Sum
Average
Variance

3
78
26
21

3
94
31.33
10.33

3
142
47.33
9.33

3
138
46
37

12
452
37.67
106.61

Bandar
Count
Sum
Average
Variance

3
80
26.67
60.33

3
64
21.33
16.33

3
83
27.67
2.33

3
83
27.67
16.33

12
310
25.83
24.88

Total
Count
Sum
Average
Variance

9
274
30.44
73.53

9
266
29.56
53.53

9
383
42.56
141.03

9
347
38.56
87.78

77

Output Komputer: ANOVA

ANOVA
Source of Variation
Sample
Columns
Interaction
Within

SS
1736.222
1078.333
503.333
607.333

Total

3925.222

df
2
3
6
24

MS
868.111
359.444
83.889
25.306

F
P-value
34.305 0.000
14.204 0.000
3.315 0.016

F crit
3.403
3.009
2.508

35

78

79