Compare Many Groups

1 Introduksi

1.1 Latar Belakang

Saat satu faktor kategori memiliki tiga kelompok atau lebih — misalnya tiga metode pengeringan, empat varietas tanaman, atau lima formulasi bahan tambahan — pertanyaan "apakah ada kelompok yang berbeda?" tidak dapat dijawab dengan uji t satu-satu. Melakukan beberapa uji t pasangan secara independen meningkatkan probabilitas kesalahan tipe I (false positive) secara eksponensial: dengan 4 kelompok ada 6 pasangan, dan probabilitas mendapat setidaknya satu p < 0.05 yang palsu mencapai ~26% (bukan 5%). Masalah multiple comparisons ini telah menjadi dasar pengembangan ANOVA (Fisher, 1925) sejak awal abad ke-20.

ANOVA menjawab pertanyaan ini dengan cara berbeda: bukan membandingkan pasangan, melainkan memecah varians total menjadi komponen "antar kelompok" dan "dalam kelompok", lalu menguji rasio keduanya melalui distribusi F. Bila hasil ANOVA signifikan, post-hoc test seperti Tukey HSD (Tukey, 1949) atau Games-Howell (Games & Howell, 1976) digunakan untuk mengidentifikasi pasangan mana yang berbeda — dengan koreksi multiple comparisons yang tepat.

1.2 Tujuan Modul

Modul Compare Many Groups di SQalytics ditujukan untuk:

Menjawab "apakah setidaknya satu kelompok berbeda dari yang lain?" melalui uji omnibus (ANOVA satu-arah atau alternatif non-parametrik).
Mengidentifikasi pasangan kelompok mana yang berbeda secara signifikan melalui post-hoc test yang dipilih otomatis.
Memilih jalur uji yang aman berdasarkan asumsi normalitas dan homoskedastisitas.
Menampilkan tabel ringkasan kelompok + tabel post-hoc + visualisasi boxplot dengan compact letter display (CLD).
Audiens utama: mahasiswa S1 yang menulis bab Hasil & Pembahasan dengan banyak perlakuan, peneliti optimasi proses, analis QC multi-batch.

1.3 Posisi di Antara Alternatif

Pilih Compare Many Groups ketika faktor kategori Anda memiliki 3 kelompok atau lebih dan Anda hanya tertarik pada satu faktor. Untuk 2 kelompok, pakai Compare 2 Groups. Bila pertanyaan melibatkan dua faktor sekaligus (mis. metode × suhu), pakai Compare 2 Factors. Bila Anda memerlukan kontrol granular atas kontras pasangan tertentu (mis. semua vs kontrol, atau orthogonal contrasts), pakai ANOVA Studio (Expert Desk).

2 Metode

2.1 Dasar Teoretis

ANOVA satu-arah memecah variabilitas total observasi menjadi dua sumber:

SS_between — variabilitas yang dijelaskan oleh perbedaan rata-rata antar kelompok.
SS_within — variabilitas residual di dalam setiap kelompok.

Statistik F adalah rasio mean square dari kedua sumber tersebut. Bila kelompok benar-benar berasal dari populasi yang sama (H₀ benar), rasio F mendekati 1. Bila kelompok berbeda, F membesar.

Modul mengikuti pohon keputusan tiga-cabang untuk memilih uji yang aman:

Cek normalitas residual dengan Shapiro–Wilk (Royston, 1982).
Cek homoskedastisitas dengan Levene (Levene, 1960).
Cabang A — semua kelompok normal + varians setara → ANOVA klasik + post-hoc Tukey HSD.
Cabang B — normal tetapi varians berbeda → Welch's ANOVA + post-hoc Games-Howell (Tomarken & Serlin, 1986).
Cabang C — tidak normal atau $n < 10$/kelompok → Kruskal–Wallis + post-hoc Dunn dengan koreksi Bonferroni (Dunn, 1964).

2.2 Persamaan Inti

Statistik F ANOVA satu-arah untuk $k$ kelompok dengan $n_i$ observasi per kelompok:

$$ F = \frac{\text{MS}_{\text{between}}}{\text{MS}_{\text{within}}} = \frac{\text{SS}_{\text{between}} / (k-1)}{\text{SS}_{\text{within}} / (N-k)} $$

di mana:

$$ \text{SS}_{\text{between}} = \sum_{i=1}^{k} n_i (\bar{x}_i - \bar{x})^2 $$ $$ \text{SS}_{\text{within}} = \sum_{i=1}^{k} \sum_{j=1}^{n_i} (x_{ij} - \bar{x}_i)^2 $$

dan:

$k$ = jumlah kelompok
$N = \sum_i n_i$ = total observasi
$\bar{x}_i$ = mean kelompok $i$
$\bar{x}$ = grand mean
$x_{ij}$ = observasi ke-$j$ dalam kelompok ke-$i$

Tukey HSD untuk pasangan kelompok $(i, j)$:

$$ q = \frac{|\bar{x}_i - \bar{x}_j|}{\sqrt{\dfrac{\text{MS}_{\text{within}}}{2}\left(\dfrac{1}{n_i} + \dfrac{1}{n_j}\right)}} $$

Pasangan dinyatakan berbeda signifikan bila $q > q_{\alpha, k, N-k}$ (nilai kritis dari distribusi studentized range).

Kruskal–Wallis (non-parametrik) untuk peringkat $R_i$ yang dihitung dari observasi gabungan:

$$ H = \frac{12}{N(N+1)} \sum_{i=1}^{k} \frac{R_i^2}{n_i} - 3(N+1) $$

di bawah H₀, $H$ mendekati distribusi $\chi^2$ dengan $k-1$ derajat bebas.

Effect size $\eta^2$ (eta-squared) untuk ANOVA:

$$ \eta^2 = \frac{\text{SS}_{\text{between}}}{\text{SS}_{\text{total}}}, \quad \text{SS}_{\text{total}} = \text{SS}_{\text{between}} + \text{SS}_{\text{within}} $$

Konvensi Cohen (1988): $\eta^2 \approx 0.01$ = kecil, $0.06$ = sedang, $0.14$ = besar.

2.3 Asumsi & Batas Validitas

Asumsi	Konsekuensi jika dilanggar	Cara cek di SQalytics
Sampel acak & independen	Standard error keliru	Periksa desain di luar modul
Skala interval/rasio	Uji parametrik tidak valid pada ordinal	`Data Editor` → cek tipe kolom
Normalitas residual	ANOVA p-value bias bila $n$ kecil	Shapiro–Wilk per kelompok di tabel asumsi
Homoskedastisitas	Welch ANOVA dipakai bila dilanggar	Levene test di tabel asumsi
Tidak ada outlier ekstrem	F didominasi outlier	Inspeksi via `Quick Stats Check`
Minimal 3 observasi/kelompok	Estimasi varians tidak stabil	Modul menolak <3

3 Cara Kerja

3.1 Step-by-Step di SQalytics

Buka Compare Many Groups dari domain Statistika Terapan di sidebar.
Pada langkah Pick the question, pilih fokus hasil yang diinginkan.
Pastikan status data menunjukkan tabel aktif sudah siap dari Data Uploader atau Data Editor.
Pada langkah Pick the columns, pilih:
- Numeric value column — kolom respons (mis. Yield_pct).
- Many-group category column — kolom faktor (mis. Treatment).
Baca callout yang memastikan faktor tersebut benar memiliki ≥3 kelompok.
Klik Run Analysis.
Tinjau hasil: kesimpulan ringkas → tabel ringkasan kelompok → tabel asumsi → tabel Overall test → tabel Post-hoc dengan CLD.
Buka tab Graph untuk boxplot + huruf CLD, atau ekspor TXT.

3.2 Template Tabel Input + Contoh Data Sintetis

Skema tabel input minimum:

Kolom	Tipe	Satuan	Wajib	Catatan
`treatment`	category	—	✓	Minimal 3 nilai unik dengan ≥3 observasi masing-masing
`response`	numeric	sesuai konteks	✓	Tidak boleh negatif untuk respons biologi

Contoh data sintetis (15 baris, 5 metode pengeringan × 3 replikat):

metode_pengeringan	kadar_air_pct
Sun_drying	12.8
Sun_drying	13.1
Sun_drying	12.5
Oven_60C	8.4
Oven_60C	8.7
Oven_60C	8.2
Vacuum_60C	5.9
Vacuum_60C	6.1
Vacuum_60C	5.7
Freeze_drying	3.2
Freeze_drying	3.5
Freeze_drying	3.1
Microwave_assist	7.1
Microwave_assist	7.3
Microwave_assist	6.9

SYNTHETIC Lima metode pengeringan dengan 3 replikat masing-masing, kadar air berkisar 3–13%. Pola ini meniru data tipikal optimasi pengeringan herbal di laboratorium pangan. Freeze-drying menghasilkan kadar air terendah, sun-drying tertinggi. CSV setara tersedia di docs/assets/example-data/id/statistics/template_stats_groups.csv.

3.3 Contoh Luaran

Tabel ringkasan kelompok:

Metode	n	Mean	SD	Median	IQR
Sun_drying	3	12.80	0.30	12.8	0.55
Oven_60C	3	8.43	0.25	8.4	0.45
Vacuum_60C	3	5.90	0.20	5.9	0.35
Freeze_drying	3	3.27	0.21	3.2	0.35
Microwave_assist	3	7.10	0.20	7.1	0.35

Tabel asumsi:

Cek	Statistik	p-value	Lulus?
Shapiro–Wilk (semua kelompok)	W = 0.95–0.98	semua >0.5	✓
Levene (homoskedastisitas)	F = 0.41	0.798	✓

→ Modul memilih ANOVA klasik + Tukey HSD.

Tabel Overall test (ANOVA satu-arah):

Parameter	Nilai	Interpretasi
F	642.31	Antar-kelompok jauh lebih bervariasi dari dalam-kelompok
df between	4	$k-1$
df within	10	$N-k$
p-value	<0.0001	Tolak H₀
$\eta^2$	0.996	Efek sangat besar

Tabel Post-hoc (Tukey HSD) — semua pasangan:

Pasangan	Selisih mean	95% CI	p-adj	Tanda
Sun − Oven	4.37	[3.71, 5.03]	<0.001	***
Sun − Vacuum	6.90	[6.24, 7.56]	<0.001	***
Sun − Freeze	9.53	[8.87, 10.19]	<0.001	***
Sun − Microwave	5.70	[5.04, 6.36]	<0.001	***
Oven − Vacuum	2.53	[1.87, 3.19]	<0.001	***
Oven − Freeze	5.16	[4.50, 5.82]	<0.001	***
Oven − Microwave	1.33	[0.67, 1.99]	0.001	**
Vacuum − Freeze	2.63	[1.97, 3.29]	<0.001	***
Vacuum − Microwave	-1.20	[-1.86, -0.54]	0.002	**
Freeze − Microwave	-3.83	[-4.49, -3.17]	<0.001	***

Compact Letter Display (CLD):

Metode	CLD
Freeze_drying	a
Vacuum_60C	b
Microwave_assist	c
Oven_60C	d
Sun_drying	e

Kesimpulan ringkas: "Metode pengeringan berpengaruh sangat signifikan terhadap kadar air, ANOVA F(4, 10) = 642.31, p < 0.0001, $\eta^2$ = 0.996. Semua kelompok berbeda satu sama lain (huruf CLD unik). Urutan kadar air dari rendah ke tinggi: Freeze (a) < Vacuum (b) < Microwave (c) < Oven (d) < Sun (e)."

Grafik utama: boxplot lima kelompok dengan jitter titik observasi, label huruf CLD di atas setiap box, dan judul ringkas mencantumkan F, df, p-value, $\eta^2$.

Boxplot lima metode pengeringan dengan compact letter display — Gambar 1. Kadar air final lima metode pengeringan herbal pada data sintetis (n=3 replikat per metode). *Boxplot* diurut dari kadar air terendah (freeze drying, ~3.3%) ke tertinggi (sun drying, ~12.8%). Compact letter display (huruf **a–e**) di atas setiap *boxplot* menandakan perbedaan signifikan: huruf yang berbeda berarti pasangan berbeda nyata pada α=0.05 (Tukey HSD). Semua kelompok dapat dibedakan satu sama lain. Uji omnibus: ANOVA F(4,10) = 642.31, p < 0.0001, η² = 0.996.

4 Kesimpulan

4.1 Relevansi Real-World

Modul ini relevan setiap kali peneliti mengoptimasi proses dengan lebih dari dua tingkat perlakuan, situasi yang sangat umum di laboratorium pangan, farmakologi, dan sensori. Contoh konkret:

Optimasi metode pengeringan — membandingkan sun-drying, oven, vacuum, freeze-drying, dan microwave-assisted untuk kadar air, retensi nutrisi, dan warna produk akhir.
Skrining varietas tanaman — membandingkan rendemen ekstrak antar 5–10 varietas kultivar lokal.
Optimasi konsentrasi pelarut — 5 level konsentrasi etanol (0, 25, 50, 75, 100%) untuk ekstraksi senyawa bioaktif.
Comparative shelf-life study — 4 kondisi penyimpanan (25°C, 35°C, 45°C, 55°C accelerated).

Dalam konteks publikasi IMRAD, output modul ini (mean ± SD + CLD) menjadi Tabel utama atau Figure caption di bagian Hasil — format yang langsung dapat diterima jurnal Q1 seperti Food Chemistry, LWT, atau Journal of Food Engineering.

Di lingkungan thesis Magister Pertanian Tropika Basah Unmul, pola ini muncul di hampir semua optimasi proses — termasuk Rencana Publikasi Singkil v5 yang memakai modul ini saat Tahap 1 sub-analisis perlakuan suhu dan waktu (faktorial 2×2 = 4 cell yang dibandingkan via ANOVA).

4.2 Where to Go from Here

Modul lanjutan di SQalytics:

Compare 2 Factors — bila Anda perlu menambah satu faktor lagi (mis. metode × varietas → interaksi).
Correlation Explorer — bila Anda ingin beralih dari "uji beda kelompok" ke "hubungan antar variabel numerik".
Quick Stats Check — kembali untuk melihat data secara umum bila hasil terasa tidak konsisten.
Predict One Result from Many Variables — bila ingin model multivariabel berdasarkan banyak prediktor.
ANOVA Studio (Expert Desk) — untuk kontras kustom (mis. control vs all), Dunnett, Scheffé, atau power analytics.

Pembacaan lanjutan:

Field, A. (2018). Discovering statistics using IBM SPSS Statistics (5th ed.). SAGE — Bab 11 untuk ANOVA satu-arah, Bab 12 untuk post-hoc.
Maxwell, S. E., & Delaney, H. D. (2017). Designing experiments and analyzing data: A model comparison perspective (3rd ed.). Routledge — referensi mendalam tentang varian ANOVA dan koreksi multiple comparisons.
Dataset publik untuk benchmarking: PlantGrowth (R built-in) dan USDA FoodData Central dengan kolom "food group" sebagai faktor.

⚙ Troubleshooting Cepat

Faktor tidak muncul sebagai pilihan. Pastikan kolom kategori memiliki minimal 3 kelompok terlihat dengan ≥3 observasi masing-masing.

Tombol run tetap nonaktif. Periksa apakah kolom nilai numerik dan faktor banyak-kelompok sudah keduanya terpilih.

Hasil terasa terlalu padat. Mulai dari ringkasan bahasa sederhana; CLD memberi gambaran lengkap dalam satu kolom huruf.

Hasil signifikan tapi semua mean tampak mirip. Mungkin $n$ sangat besar — perhatikan effect size $\eta^2$, bukan hanya p-value.

Levene test signifikan. Modul otomatis pindah ke Welch ANOVA + Games-Howell; baca tabel asumsi untuk konfirmasi.

i Riwayat Revisi

Riwayat Revisi Panduan

Tanggal	Revisi	Penulis
2026-05-12	Migrasi MD v2 → HTML final (KaTeX rendered + TOC + print-friendly CSS)	Claude
2026-05-12	Migrasi v1 → v2 (template publikasi)	Claude
2026-05-09	Draft awal v1	Tim docs

4 Referensi

Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.
Dunn, O. J. (1964). Multiple comparisons using rank sums. Technometrics, 6(3), 241–252. https://doi.org/10.1080/00401706.1964.10490181
Fisher, R. A. (1925). Statistical methods for research workers. Oliver and Boyd.
Games, P. A., & Howell, J. F. (1976). Pairwise multiple comparison procedures with unequal n's and/or variances. Journal of Educational Statistics, 1(2), 113–125. https://doi.org/10.3102/10769986001002113
Levene, H. (1960). Robust tests for equality of variances. In I. Olkin (Ed.), Contributions to probability and statistics (pp. 278–292). Stanford University Press.
Tomarken, A. J., & Serlin, R. C. (1986). Comparison of ANOVA alternatives under variance heterogeneity and specific noncentrality structures. Psychological Bulletin, 99(1), 90–99. https://doi.org/10.1037/0033-2909.99.1.90
Tukey, J. W. (1949). Comparing individual means in the analysis of variance. Biometrics, 5(2), 99–114. https://doi.org/10.2307/3001913