One way anova 2

One Way Anova

set.seed(123)

wilayah <- factor(rep(c("Wilayah A", "Wilayah B", "Wilayah C"), each=30))
penjualan <- c(rnorm(30, mean=500, sd=50),   # Penjualan Wilayah A
               rnorm(30, mean=550, sd=60),   # Penjualan Wilayah B
               rnorm(30, mean=600, sd=55))   # Penjualan Wilayah C

data <- data.frame(wilayah, penjualan)
head(data)

##     wilayah penjualan
## 1 Wilayah A  471.9762
## 2 Wilayah A  488.4911
## 3 Wilayah A  577.9354
## 4 Wilayah A  503.5254
## 5 Wilayah A  506.4644
## 6 Wilayah A  585.7532

boxplot(penjualan ~ wilayah, data = data, main = "Penjualan Berdasarkan Wilayah",
        xlab = "Wilayah", ylab = "Penjualan", col = "green")

par(mfrow = c(1, 3))
qqnorm(data$penjualan[data$wilayah == "Wilayah A"], main = "Q-Q Plot Wilayah A")
qqline(data$penjualan[data$wilayah == "Wilayah A"], col = "purple")

qqnorm(data$penjualan[data$wilayah == "Wilayah B"], main = "Q-Q Plot Wilayah B")
qqline(data$penjualan[data$wilayah == "Wilayah B"], col = "purple")

qqnorm(data$penjualan[data$wilayah == "Wilayah C"], main = "Q-Q Plot Wilayah C")
qqline(data$penjualan[data$wilayah == "Wilayah C"], col = "purple")

shapiro.test(data$penjualan[data$wilayah == "Wilayah A"])

## 
##  Shapiro-Wilk normality test
## 
## data:  data$penjualan[data$wilayah == "Wilayah A"]
## W = 0.97894, p-value = 0.7966

shapiro.test(data$penjualan[data$wilayah == "Wilayah B"])

## 
##  Shapiro-Wilk normality test
## 
## data:  data$penjualan[data$wilayah == "Wilayah B"]
## W = 0.98662, p-value = 0.9614

shapiro.test(data$penjualan[data$wilayah == "Wilayah C"])

## 
##  Shapiro-Wilk normality test
## 
## data:  data$penjualan[data$wilayah == "Wilayah C"]
## W = 0.98085, p-value = 0.8478

anova_result <- aov(penjualan ~ wilayah, data = data)
summary(anova_result)

##             Df Sum Sq Mean Sq F value   Pr(>F)    
## wilayah      2 163812   81906    34.1 1.16e-11 ***
## Residuals   87 208956    2402                     
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

TukeyHSD(anova_result)

##   Tukey multiple comparisons of means
##     95% family-wise confidence level
## 
## Fit: aov(formula = penjualan ~ wilayah, data = data)
## 
## $wilayah
##                          diff      lwr       upr     p adj
## Wilayah B-Wilayah A  63.05549 32.88270  93.22828 0.0000094
## Wilayah C-Wilayah A 103.69831 73.52552 133.87110 0.0000000
## Wilayah C-Wilayah B  40.64282 10.47003  70.81561 0.0052053