Library:
> # install.packages("knitr")
> # install.packages("rmarkdown")
> # install.packages("prettydoc")
> # install.packages("equatiomatic")Rempah-rempah dan herba adalah sumberdaya hayati yang sejak lama telah memainkan peran penting dalam kehidupan manusia. Rempah-rempah adalah bagian tumbuhan yang digunakan sebagai bumbu, penguat cita rasa, pengharum, dan pengawet makanan yang digunakan secara terbatas (FAO, 2005). Rempah adalah tanaman atau bagian tanaman yang bersifat aromatik dan digunakan dalam makanan dengan fungsi utama sebagai pemberi cita rasa. Penggunaan rempah-rempah dalam seni kuliner telah diketahui secara luas (Duke et al., 2002). Selain terkait makanan, rempah-rempah sejak lama juga digunakan sebagai jamu, kosmetik dan antimikroba. Dengan semakin meningkatnya kesadaran manusia akan kesehatan dan peran penting kesehatan berbasis tanaman, konsumsi makanan dan minuman berbasis rempah-rempah saat ini mulai muncul dan menjadi hidangan dalam wisata kuliner antara lain adalah bandrek hanjuang, bajigur hanjuang, sekoteng dan lainnya (Marliyati et al., 2013).
Menurut (Somba dkk, 2020) Analisis Multivariat adalah suatu analisis yang melibatkan variabel dalam jumlah lebih dari atau sama dengan 3 variabel. Dimana minimal ada satu variabel terikat dan lebih dari satu variabel bebas serta terdapat korelasi atau keterikatan antara satu variabel dengan variabel lainnya. Maka dapat diartikan bahwa Analisis Multivariat juga merupakan analisis yang melibatkan cara perhitungan yang kompleks. Tujuannya adalah agar dapat memahami struktur data berdimensi tinggi dan saling terkait satu sama lain.
Menurut Simamora didalam buku “Analisis Multivariat Pemasaran” dijelaskan bahwa Multivariate Analysis of Variance (MANOVA) merupakan Teknik Statistik yang dapat digunakan untuk mengeksplor hubungan di antara beberapa variabel independent yang bersifat kategorikal (biasanya disebut perlakuan) dan dua atau lebih variabel independent metrik. Secara sederhana MANOVA merupakan metode statistik yang digunakan untuk membandingkan pengaruh beberapa perlakuan terhadap beberapa peubah respon secara serentak.
Penggunaan statistik parametris untuk pengujian hipotesis memerlukan prasyarat data variabel berdistribusi normal. Untuk itu sebelum melakukan analisis data, maka kenormalan data harus diuji terlebih dahulu. Uji ini dikenakan pada data variabel motivasi belajar siswa penerima KMS dan siswa reguler. Uji normalitas data dilakukan dengan menggunakan uji satu sampel Kolmogorov-Smirnov (One Sampel Kolmogorov-Smirnov Test). Kriteria pengujian adalah jika nilai sig. (Signifikansi) atau nilai probablitias ≤ 0,05 maka distribusi adalah tidak normal, sedangkan jika sig. (Signifikansi) atau nilai probablitas ≥ 0,05 maka distribusi adalah normal.
Dalam pengujian menggunakan MANOVA, disyaratkan bahwa matriks varian/kovarian dari variabel dependen sama. Untuk melihat bahwa variabel dependen sama dilihat dari tabel Box’s M dengan nilai signifikansi > 0,05.
Data yang digunakan adalah data rempah yang didapatkan dari kaggle.com dengan data variabel rempah, Harga Jual Rempah (Y1), jumlah Kebutuhan Pupuk (Y2), Jumlah Kebutuhan Pestisida (Y3)
>
> library(readxl)
> library(mvnormtest)
> library(MVTests)
> library(car)> rempah <- read_excel("D:/KULIAH/rempah.xlsx")
> head(rempah, n=10)
# A tibble: 10 × 4
Rempah Y1 Y2 Y3
<chr> <dbl> <dbl> <dbl>
1 <NA> NA NA NA
2 Jahe 12800 5028 6141
3 Jahe 11200 5505 8132
4 Jahe 14716 5532 9231
5 Jahe 13400 5620 2596
6 Jahe 11300 5749 9559
7 Jahe 14700 5858 3501
8 Jahe 13092 5978 5626
9 Jahe 15100 6500 4609
10 Jahe 12853 6675 5496> shapiro.test(rempah$Y1)
Shapiro-Wilk normality test
data: rempah$Y1
W = 0.95371, p-value = 3.709e-07
> shapiro.test(rempah$Y2)
Shapiro-Wilk normality test
data: rempah$Y2
W = 0.9544, p-value = 4.427e-07
> shapiro.test(rempah$Y3)
Shapiro-Wilk normality test
data: rempah$Y3
W = 0.95194, p-value = 2.359e-07> BoxM(data = rempah[,2:4], rempah$Rempah)
$Chisq
[1] 6.04384
$df
[1] 6
$p.value
[1] 0.4182971
$Test
[1] "BoxM"
attr(,"class")
[1] "MVTests" "list" > uji_Manova <- manova(cbind(rempah$Y1,rempah$Y2,rempah$Y3)~rempah$Rempah)
> uji_Manova
Call:
manova(cbind(rempah$Y1, rempah$Y2, rempah$Y3) ~ rempah$Rempah)
Terms:
rempah$Rempah Residuals
resp 1 6950695 506545464
resp 2 29510915503 11105496598
resp 3 1698662 1791590432
Deg. of Freedom 1 248
Residual standard errors: 1429.168 6691.803 2687.779
Estimated effects may be unbalanced
1 observation deleted due to missingness> summary.manova(uji_Manova,test ="Pillai")
Df Pillai approx F num Df den Df Pr(>F)
rempah$Rempah 1 0.7279 219.35 3 246 < 2.2e-16 ***
Residuals 248
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
> summary.manova(uji_Manova,test ="Wilks")
Df Wilks approx F num Df den Df Pr(>F)
rempah$Rempah 1 0.2721 219.35 3 246 < 2.2e-16 ***
Residuals 248
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
> summary.manova(uji_Manova,test ="Hotelling-Lawley")
Df Hotelling-Lawley approx F num Df den Df Pr(>F)
rempah$Rempah 1 2.6751 219.35 3 246 < 2.2e-16 ***
Residuals 248
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
> summary.manova(uji_Manova,test ="Roy")
Df Roy approx F num Df den Df Pr(>F)
rempah$Rempah 1 2.6751 219.35 3 246 < 2.2e-16 ***
Residuals 248
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Hipotesis:
H0: Data Berdistribusi Normal Multivariat
H1: Data Tidak Berdistribusi Normal Multivariat
Hasil Analisis:
> shapiro.test(rempah$Y1)
Shapiro-Wilk normality test
data: rempah$Y1
W = 0.95371, p-value = 3.709e-07
> shapiro.test(rempah$Y2)
Shapiro-Wilk normality test
data: rempah$Y2
W = 0.9544, p-value = 4.427e-07
> shapiro.test(rempah$Y3)
Shapiro-Wilk normality test
data: rempah$Y3
W = 0.95194, p-value = 2.359e-07Keputusan : Berdasarkan hasil analisis kenormalan dengan metode shapiro wilk didapatkan nilai p-value > 0,05. Sehingga hal ini dapat diambil keputusan bahwa H0 diterima.
Kesimpulan : Dengan tingkat kepercayaan 95% dapat dibuktikan bahwa data berdistribusi normal multivariat.
Hipotesis:
H0: Data Bersifat Homogen
H1: Data Tidak Bersifat Homogen
> BoxM(data = rempah[,2:4], rempah$Rempah)
$Chisq
[1] 6.04384
$df
[1] 6
$p.value
[1] 0.4182971
$Test
[1] "BoxM"
attr(,"class")
[1] "MVTests" "list" Keputusan : Berdasarkan hasil analisis homogenitas didapatkan nilai p-value > 0,05. Sehingga hal ini dapat diambil keputusan bahwa H0 diterima.
Kesimpulan : Dengan tingkat kepercayaan 95% dapat dibuktikan bahwa data bersifat homogen.
> summary.manova(uji_Manova,test ="Pillai")
Df Pillai approx F num Df den Df Pr(>F)
rempah$Rempah 1 0.7279 219.35 3 246 < 2.2e-16 ***
Residuals 248
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
> summary.manova(uji_Manova,test ="Wilks")
Df Wilks approx F num Df den Df Pr(>F)
rempah$Rempah 1 0.2721 219.35 3 246 < 2.2e-16 ***
Residuals 248
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
> summary.manova(uji_Manova,test ="Hotelling-Lawley")
Df Hotelling-Lawley approx F num Df den Df Pr(>F)
rempah$Rempah 1 2.6751 219.35 3 246 < 2.2e-16 ***
Residuals 248
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
> summary.manova(uji_Manova,test ="Roy")
Df Roy approx F num Df den Df Pr(>F)
rempah$Rempah 1 2.6751 219.35 3 246 < 2.2e-16 ***
Residuals 248
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Hipotesis:
H0:\[\mu1 = \mu2 = \mu3 \]
H1: Setidaknya ada salah satu perlakuan yang berbeda
Keputusan: Berdasarkan tabel diatas dapat dilihat Sebagaian besar keputusan menunjukkan nilai p-value > 0,05. Sehingga hal ini menunjukkan untuk mengambil keputusan H0 diterima.
Kesimpulan: Dengan tingkat kepercayaan 95% dapat dibuktikan bahwa tidak terdapat perbedaan pengaruh nyata antara Harga Jual Rempah (Y1), jumlah Kebutuhan Pupuk (Y2), Jumlah Kebutuhan Pestisida (Y3).
Simamora, B. (2005). Analisis multivariat pemasaran. Gramedia Pustaka Utama.
Somba, L., Nainggolan, N., & Komalig, H. A. (2020). Analisis Kepuasan Pasien Di RSUD Teep Amurang Dengan Menggunakaan Metode Multivariate. d’CARTESIAN: Jurnal Matematika dan Aplikasi, 9(1), 35-42.