Uji One-Way ANOVA untuk Mengetahui Perbedaan antara Keempat Perlakuan Pemberian Ekstrak Etanol Daun Cabai Rawit pada Volume Inflamasi Kaki Mencit Jantan

Devi Veda Amanda

Mei 2022

Library:

> # install.packages("knitr")
> # install.packages("rmarkdown")
> # install.packages("prettydoc")
> # install.packages("equatiomatic")

1 PENDAHULUAN

1.1 Latar Belakang

Penyakit inflamasi merupakan salah satu penyakit radang yang yang disebabkan oleh adanya infeksi, antibodi, ataupun luka pada bagian fisik. Penyakit inflamasi terjadi dapat akibat adanya ketidakseimbangan antara prooksidan (Reactive Oxygen Species) dan antioksidan. Penyakit inflamasi ini juga dapat menyebabkan beberapa penyakit berbahaya lainnya seperti reumatoid, asma, diabetes, kelainan kardiovaskular, alzeimer, dan berbagai penyakit keturunan lainnya. Beberapa obat telah dikembangkan untuk mengatasi penyakit tersebut, salah satunya yaitu pengembangan obat anti inflamasi non steroid (OAINS). Namun penggunaan obat tersebut mempunyai efek samping yang besar untuk jangka panjang seperti gastrointestinal (Lokaria et al., 2018).

Indonesia merupakan salah satu negara yang mempunyai potensi sumber daya alam yang sangat besar, salah satunya yaitu tanaman obat. Berdasarkan data dari Kementerian Lingkungan Hidup dan Kehutanan tercatat bahwa 30.000 jenis tumbuhan berada di Indonesia. 9.600 dari 30.000 merupakan jenis tumbuhan yang berkhasiat sebagai obat dan 200 jenis digunakan sebagai obat tradisional (Pramitaningastuti & Anggraeny, 2017). Salah satu jenis tumbuhan yang berkhasiat untuk dijadikan sebagai obat antiinflamasi adalah daun cabai rawit. Daun Cabai rawit atau dengan nama latin Capsicum annuum mempunyai kandungan senyawa glikon, flavonoid, dan karotenoid sehingga mempunyai potensi untuk menurunkan respon imun tubuh, bekerja sebagai anti inflmasi, antioksidan, menurunkan tekanan darah, dan glukosa darah (Sadiah et al., 2021).

Pada umumnya terdapat 5 jenis utama tumbuhan cabai yaitu C.baccatum, C.chinense, C.pubescens, C.frutescens, dan C.annum. Di Indonesia sendiri, terdapat 2 jenis tanaman cabai yang terbanyak yaitu C.annum (cabai merah) dan C.frustenscens (cabai rawit). Cabai rawit mempunyai kandungan utama yaitu capsaicinoid yang berkhasiat sebagai anti analgesik, anti nosiseptor, dan anti inflamasi (Chen et al., 2016). Oleh karena itu, daun cabai rawit berpotensial sebagai obat antiinflamasi. Selain itu, penggunaan daun cabai rawit karena sangat mudah ditemukan di Indonesia. Pada penelitian ini menggunakan mencit jantan sebagai media percobaanya.

Dalam penelitian ini, menggunakan empat perlakuan pemberian ekstrak etanol daun cabai rawit yaitu Dosis 1 (50 mg), Dosis 2 (100 mg), Dosis 3 (150 mg), dan Dosis 4 (200 mg). Pengamatan pada masing-masing mencit jantan dilakukan setiap jam ke- 0,1,2,3,4,5,6. Data yang diperoleh dianalisis menggunakan uji statistik One-Way ANOVA atau ANOVA Satu Arah dengan tingkat kepercayaan 95% untuk mengetahui ada atau tidaknya perbedaan antara keempat perlakuan tersebut.

1.2 Asumsi ANOVA

1.2.1 Asumsi Normalitas Galat

Menurut Heriansyah dan Hilmawan (2017), uji normalitas bertujuan untuk menguji data apakah distribusi normal atau tidak. Dalam analisis statistik parametrik, data berdistribusi normal adalah suatu keharusan sekaligus merupakan syarat mutlak yang harus terpenuhi. Data yang tidak berdistribusi normal disebabkan oleh adanya nilai ekstrim pada data yang diambil. Nilai ekstrim ini dapat terjadi karena adanya kesalahan dalam pengambilan sampel, kesalahan melakukan input data, atau karakteristik data sangat jauh dari rata-rata. Jika data tidak berdistribusi normal, atau jumlah sampel sedikit dan jenis data adalah nominal atau ordinal maka metode yang digunakan adalah statistik non parametrik. Berdasarkan Dalil Limit Pusat (Central Limit Theorem), jika sampel lebih besar (>30), maka data akan cenderung normal (Solimun, 2008).

Uji Statistik normalitas yang dapat digunakan di antaranya adalah Chi-Square, Kolmogorov-Smirnov, Liliefors, Shapiro-Wilk, Jarque Bera (Basuki et al, 2017). Selain itu uji normalitas juga dapat dilakukan dengan cara visual yaitu melalui Normal Q-Q Plot, ketentuannya adalah jika titik-titik masih berada di setiap garis horizontal maka dapat dikatakan bahwa residual menyebar normal.

Uji normalitas dalam penelitian ini bertujuan agar dapat mengetahui apakah data keempat perlakuan pemberian ekstrak etanol daun cabai rawit berdistribusi normal atau tidak.

1.2.2 Asumsi Homoskedastisitas Ragam

Menurut Ghozali (dalam Nanincova, N., 2019), uji homoskedastisitas bertujuan untuk mengetahui apakah dalam sebuah model terjadi kesamaan variansi dari residual suatu pengamatan ke pengamatan lain.
Uji homogenitas dalam penelitian ini bertujuan agar dapat mengetahui apakah data keempat perlakuan pemberian ekstrak etanol daun cabai rawit mempunyai variansi yang sama atau tidak.

Langkah-langkah uji homoskedastisitas, yaitu:
1. Menghitung varian masing-masing variabel
2. Menghitung varian gabungan
3. Menghitung nilai satuan Bartlet
4. Menghitung $X^2$

Hipotesis yang diajukan sebagai berikut:
H₀: Sampel berasal dari populasi yang homogen (sama)
H₁: Sampel berasal dari populasi yang heterogen (berbeda)

Kriteria pengambilan keputusan:
$X^2$hitung $\le$ $X^2$tabel maka terima H₀
$X^2$hitung > $X^2$tabel maka tolak H₀

Pengambilan Keputusan: Terima H₀ artinya sampel berasal dari populasi yang homogen (sama)
Tolak H₀ artinya sampel berasal dari populasi yang heterogen (berbeda)

1.3 One-Way ANOVA

ANOVA (Analisis varians) adalah analisis statistika parametrik. ANOVA digunakan untuk menguji hipotesis komparatif rata-rata K sampel bila datanya berbentuk interval atau rasio. K sampel merupakan sampel yang memiliki jumlah sampelnya lebih dari 2 (dua) sampel. Ada dua jenis ANOVA (analisis varians), yaitu One-Way ANOVA dan Two-Way ANOVA (Sugiyono, 2007).

One-Way ANOVA ini analisisnya menggunakan varians dan data hasil pengamatan merupakan pengaruh satu faktor. Tiap populasi secara independen diambil sebuah sampel acak berukuran n₁ dari populasi kesatu, n₂ dari populasi kedua dan seterusnya berukuran nk dari populasi ke-k. Data sampel akan dinyatakan dengan Y_ij yang berarti data ke-j dalam sampel yang diambil dari populasi ke-i.

Hipotesis yang diajukan sebagai berikut:
H₀: $\alpha_1 = \alpha_2 = \alpha_3 = ... =\alpha_p$ (tidak terdapat perbedaan antar variabel)
H₁: Paling sedikit ada 2 $\alpha_i$ yang tidak sama (terdapat perbedaan antar variabel)

Statistik Uji
Dimisalkan terdapat data terdiri dari $N$ amatan yang terdiri dari $p$ perlakuan. Setiap perlakuan ke-$j$ terdiri dari $n_j$ amatan.

Tabel ANOVA Satu Arah

Sumber Keragaman	Derajat Kebebasan	Jumlah Kuadrat	Kuadrat Tengah	F Hitung
Perlakuan	$p - 1$	$\sum^p_{j=1}n_j(\bar y_{.j}-\bar y_{...})^2$	$\frac {JKp}{p-1}$	$\frac {KTp}{KTg}$
Galat	$N - p$	$JKt - JKp$	$\frac {JKg}{N-p}$
Total	$N - 1$	$\sum^N_{i=1}(\bar y_{ij}-\bar y_{..})^2$	-

Kriteria Pengambilan Keputusan
p-value $\le$ $\alpha(0.05)$ maka tolak H₀
p-value > $\alpha(0.05)$ maka terima H₀

Pengambilan Kesimpulan
Terima H₀ artinya tidak terdapat perbedaan antar variabel
Tolak H₀ artinya terdapat perbedaan antar variabel

1.4 Data

Data yang digunakan adalah data sekunder. Data ini diambil dari Jurnal Akademi Farmasi Prayoga yang merupakan hasil penelitian yang dilaksanakan di Laboratorium Farmakologi Akademi Farmasi Al-Fatah Kota Bengkulu pada 22 April 2019 - 30 April 2019. Data ini memiliki empat perlakuan pemberian ekstrak etanol daun cabai rawit dengan dosis 1 (50 mg), dosis 2 (100 mg), dosis 3 (150 mg), dan dosis 4 (200 mg) dengan objek penelitian mencit jantan.

2 SOURCE CODE

2.1 Library yang Dibutuhkan

> # Library (readxl)
> # Library (dplyr)
> # Library (tidyr)
> # Library (ggplot)

2.2 Data Volume Inflamasi Kaki Mencit Jantan dengan Empat Perlakuan Pemberian Ekstrak Etanol Daun Cabai Rawit

> library(readxl)
> DataSekunder <- read_excel("D:/DataSekunder.xlsx", 
+     range = "B1:E8")

Penjelasan

Source code di atas Volume Inflamasi Kaki Mencit Jantan dengan Empat Perlakuan Pemberian Ekstrak Etanol Daun Cabai Rawit. Data diperoleh dari file excel dengan menggunakan syntax read_excel yang ada pada library readxl

> library(rmarkdown)
> paged_table(as.data.frame(DataSekunder))

Penjelasan

Source code di atas digunakan untuk membentuk tabel dari data yang telah di import dari file excel.
rmarkdown adalah library yang dibutuhkan.
paged.table dalah function untuk membentuk tabel dengan syarat data harus berbentuk data frame.

2.3 Asumsi ANOVA

2.3.1 Asumsi Normalitas Galat

> library(dplyr)
> library(tidyr)
> A <- DataSekunder$`Dosis 1 (50 mg)`    
> B <- DataSekunder$`Dosis 2 (100 mg)`    
> C <- DataSekunder$`Dosis 3 (150 mg)`
> D <- DataSekunder$`Dosis 4 (200 mg)`
> Data <- data.frame (A,B,C,D)
> 
> Data <- Data %>% 
+   pivot_longer(c(A,B,C,D))
> names(Data) <- c("Dosis","Volume Inflamasi")
> Data$Dosis <- as.factor(Data$Dosis) 
> 
> qqnorm(Data$`Volume Inflamasi`)
> qqline(Data$`Volume Inflamasi`)

Penjelasan

Source code di atas digunakan untuk membentuk normal Q-Q Plot. dplyr dan tidyr adalah library yang dibutuhkan.
A,B,C,D adalah ekstrak data berturut-turut Dosis 1 (50 mg), Dosis 2 (100 mg), Dosis 3 (150 mg), dan Dosis 4 (200 mg). Ekstrak data ini bisa dengan menggunakan $.
Data adalah nama yang digunakan untuk membentuk data frame dari A,B,C,D. pivot.longer digunakan untuk menyatukan faktor A,B,C,D dalam satu kolom dengan argumen vektor A,B,C,D.
names digunakan untuk memberi nama pada objek/tabel yang nantinya terbentuk. Dimana “Dosis” untuk nama objek/tabel kolom pertama dan “Volume Inflamasi” untuk nama objek/tabel kolom kedua.
as.factor digunakan untuk mendefinisikan “Dosis” sebagai faktor dengan argumen Data$Dosis. qqnorm() digunakan untuk menampilkan normal Q-Q Plot sebagai persebaran titik dengan argumen Data$VolumeInflamasi,
qqline() digunakan untuk menampilkan normal Q-Q PLot sebagai garis linear dengan argumen Data$VolumeInflamasi.

2.3.2 Asumsi Homoskedastisitas Ragam

2.3.2.1 Menghitung Varian Masing-Masing Dosis

> A <- DataSekunder$`Dosis 1 (50 mg)`    
> B <- DataSekunder$`Dosis 2 (100 mg)`    
> C <- DataSekunder$`Dosis 3 (150 mg)`
> D <- DataSekunder$`Dosis 4 (200 mg)`
> 
> A2 <- A^2
> B2 <- B^2
> C2 <- C^2
> D2 <- D^2
> 
> nA <- length(A)
> nB <- length(B)
> nC <- length(C)
> nD <- length(D)
> 
> dbA <- nA - 1
> dbB <- nB - 1
> dbC <- nC - 1
> dbD <- nD - 1
> 
> SiAtasA <- nA*sum(A2) - (A)^2
> Si2A    <- SiAtasA/nA*dbA
> 
> SiAtasB <- nB*sum(B2) - (B)^2
> Si2B    <- SiAtasB/nB*dbB
> 
> SiAtasC <- nC*sum(C2) - (C)^2
> Si2C    <- SiAtasC/nC*dbC
> 
> SiAtasD <- nD*sum(D2) - (D)^2
> Si2D    <- SiAtasD/nD*dbD
> Si2A;Si2B;Si2C;Si2D
[1] 4.229057 4.130314 4.137257 4.175314 4.197257 4.211914 4.229057
[1] 9.137229 8.926629 8.984229 9.010714 9.051429 9.059057 9.087857
[1] 6.193200 6.028629 6.079029 6.116314 6.155400 6.172629 6.183257
[1] 4.862229 4.742229 4.785429 4.804714 4.822457 4.833429 4.857857

2.3.2.2 Menghitung Varian Gabungan

> dbS2A   <- dbA*Si2A 
> dbS2B   <- dbB*Si2B
> dbS2C   <- dbC*Si2C
> dbS2D   <- dbD*Si2D
> 
> dblogs2A <- nA*log10(Si2A)
> dblogs2B <- nB*log10(Si2B)
> dblogs2C <- nC*log10(Si2C)
> dblogs2D <- nD*log10(Si2D)
> 
> S2gabungan   <- sum (dbS2A + dbS2B + dbS2C + dbS2D) / (dbA + dbB + dbC + dbD)
> 
> LogS2gabungan <- log10(S2gabungan)
> LogS2gabungan
[1] 1.626351

2.3.2.3 Menghitung Nilai Satuan Bartlett

> Bartlett <- sum (dbA + dbB + dbC + dbD)*LogS2gabungan
> Bartlett
[1] 39.03242

2.3.2.4 Menghitung Chi-Kuadrat

> dblogs2A <- dbA*log10(Si2A)
> dblogs2B <- dbB*log10(Si2B)
> dblogs2C <- dbC*log10(Si2C)
> dblogs2D <- dbD*log10(Si2D)
> sumdblog <- (sum(dblogs2A + dblogs2B + dblogs2C + dblogs2D))
> 
> chikuadrathitung <- log(10)*(Bartlett - (sumdblog))
> chikuadrattabel <- qchisq(0.95,3)
> 
> chikuadrathitung
[1] -204.9074
> chikuadrattabel
[1] 7.814728

Penjelasan

A,B,C,D adalah ekstrak data berturut-turut Dosis 1 (50 mg), Dosis 2 (100 mg), Dosis 3 (150 mg), dan Dosis 4 (200 mg). Ekstrak data ini bisa dengan menggunakan tanda $.
A2,B2,C2,D2 adalah hasil kuadrat berturut-turut dari A,B,C,D dengan tanda ^.
nA,nB,nC,nD adalah banyaknya data dari masing-masing variabel, secara berturut-turut yaitu A,B,C,D dengan function length.
dbA,dbB,dbC,dbD adalah derajat kebebasan dari masing-masing variabel yaitu Dosis dengan rumus $n-1$.
SiAtasA,SiAtasB,SiAtasC,SiAtasD adalah hasil perhitungan $S^2_i$ bagian pembilangnya.
Si2A,Si2B,Si2C,Si2D adalah hasil dari varian masing-masing variabel atau dikenal dengan $S^2_i$.
dbS2A,dbS2B,dbS2C,dbS2D adalah hasil kali antara derajat kebebasan dengan $S^2_i$.
S2gabunganadalah hasil dari varian gabungan.
LogS2gabungan adalah hasil dari log $S^2_i$ dengan function `log10().

Bartlett adalah perhitungan manual untuk mendapatkan nilai $B$ dengan rumus: \[ B=\sum db(log s^2) \] chikuadrathitung perhitungan manual untuk menghitung $X^2_{hitung}$, dengan rumus:
\[ X^2_{hitung}=(log 10)(B-\sum db(logs^2_i)) \] qchiq digunakan untuk menghitung $X^2_{tabel}$ dengan argumen ($(1-\alpha),(k-1)$), dimana $k$ adalah jumlah variabel.

2.4 One-Way ANOVA

2.4.1 Mengubah Bentuk Tabel

> A <- DataSekunder$`Dosis 1 (50 mg)`    
> B <- DataSekunder$`Dosis 2 (100 mg)`    
> C <- DataSekunder$`Dosis 3 (150 mg)`
> D <- DataSekunder$`Dosis 4 (200 mg)`
> Data
# A tibble: 28 x 2
   Dosis `Volume Inflamasi`
   <fct>              <dbl>
 1 A                   0.23
 2 B                   0.32
 3 C                   0.28
 4 D                   0.25
 5 A                   0.41
 6 B                   0.59
 7 C                   0.52
 8 D                   0.45
 9 A                   0.4 
10 B                   0.53
# ... with 18 more rows

2.4.2 Menghitung n

> nA <- length(A)
> nB <- length(B)
> nC <- length(C)
> nD <- length(D)
> N  <- nA + nB + nC + nD
> N
[1] 28

2.4.3 Menghitung Jumlah data

> A <- sum (DataSekunder$`Dosis 1 (50 mg)`)  
> B <- sum (DataSekunder$`Dosis 2 (100 mg)`)    
> C <- sum (DataSekunder$`Dosis 3 (150 mg)`)
> D <- sum (DataSekunder$`Dosis 4 (200 mg)`) 
> A ; B ; C ; D
[1] 2.18
[1] 3.23
[1] 2.64
[1] 2.35
> SumGabungan <- A + B + C + D
> SumGabungan
[1] 10.4
> Akuadrat <- (DataSekunder$`Dosis 1 (50 mg)`)^2
> Bkuadrat <- (DataSekunder$`Dosis 2 (100 mg)`)^2
> Ckuadrat <- (DataSekunder$`Dosis 3 (150 mg)`)^2
> Dkuadrat <- (DataSekunder$`Dosis 4 (200 mg)`)^2
> Akuadrat ; Bkuadrat ; Ckuadrat ; Dkuadrat
[1] 0.0529 0.1681 0.1600 0.1156 0.0900 0.0729 0.0529
[1] 0.1024 0.3481 0.2809 0.2500 0.2025 0.1936 0.1600
[1] 0.0784 0.2704 0.2116 0.1681 0.1225 0.1024 0.0900
[1] 0.0625 0.2025 0.1521 0.1296 0.1089 0.0961 0.0676

2.4.4 Menghitung Jumlah Kuadrat

> JKp <- (A^2/nA) + (B^2/nB) + (C^2/nC) + (D^2/nD) - (SumGabungan^2/N)
> JKt <- (sum(Akuadrat) + sum(Bkuadrat) + sum(Ckuadrat) + sum(Dkuadrat)) - SumGabungan^2/N
> JKg <- JKt - JKp
> JKp ; JKg ; JKt
[1] 0.09105714
[1] 0.1586857
[1] 0.2497429

2.4.5 Menghitung Derajat Bebas (DB)

> DBp <- (dim(DataSekunder)[2]) - 1
> DBg <- N - (dim(DataSekunder)[2])
> DBt <- N - 1
> DBp ; DBg ; DBt
[1] 3
[1] 24
[1] 27

2.4.6 Menghitung Kuadrat Tengah (KT)

> KTp <- JKp / DBp
> KTg <- JKg / DBg
> KTp ; KTg
[1] 0.03035238
[1] 0.006611905

2.4.7 Menghitung Statistik Uji F

> UjiF   <- KTp / KTg
> p.val <- pf(UjiF,DBp, DBg, lower.tail = F)
> UjiF ; p.val
[1] 4.590565
[1] 0.01120496

2.4.8 Bentuk Tabel One-Way ANOVA

>      SK     <- c("Perlakuan", "Galat", "Total")
>      DB     <- c(DBp, DBg, DBt) 
>      JK     <- c(JKp, JKg, JKt)
>      KT     <- c(KTp, KTg, NA)  
>     Fhit    <- c(UjiF, NA,  NA)  
>     p.val   <- c(p.val, NA, NA)  
> Tabel.Anova <- data.frame(SK,DB,JK,KT,Fhit,p.val)
> Tabel.Anova
         SK DB         JK          KT     Fhit      p.val
1 Perlakuan  3 0.09105714 0.030352381 4.590565 0.01120496
2     Galat 24 0.15868571 0.006611905       NA         NA
3     Total 27 0.24974286          NA       NA         NA
> paged_table(data.frame(SK,DB,JK,KT,Fhit,p.val))

Penjelasan

A,B,C,D adalah ekstrak data berturut-turut Dosis 1 (50 mg), Dosis 2 (100 mg), Dosis 3 (150 mg), dan Dosis 4 (200 mg). Ekstrak data ini bisa dengan menggunakan tanda $.
Data adalah nama dari data frame dari A,B,C,D.
nA,nB,nC,nD adalah banyaknya data dari masing-masing variabel, secara berturut-turut yaitu A,B,C,D dengan function length.
N merupakan hasil perhitungan banyaknya data.
A,B,C,D merupakan pendefinisian untuk menghitung volume inflamasi dengan function sum untuk setiap variabel.
SumGabungan merupakan total dari seluruh volume inflamasi.
Pkuadrat,Qkuadrat,Rkuadrat,Skuadrat merupakan pendefinisian untuk pertitungan hasil kuadrat masing-masing variabel.
Jkp merupakan Jumlah Kuadrat Perlakuan dengan rumus:
\[ JKp = (\frac {P^2}{nP}+(\frac {Q^2}{nQ})+(\frac {R^2}{nR})+(\frac {S^2}{Ns})-(\frac {Sumgabungan^2}{N})) \]

JKt merupakan Jumlah Kudrat Total dengan rumus:
\[ JKt = \sum P^2+\sum Q^2+\sum R^2+\sum S^2 - \frac {Sumgabungan^2}{N} \]

JKg merupakan Jumlah Kuadrat Galat dengan rumus:
\[ JKg = JKt-JKp \] DBp merupakan Derajat Bebas Perlakuan dengan rumus $DBp = total$ $perlakuan - 1$
DBg merupakan Derajat Bebas Galat dengan rumus $N - total$ $perlakuan$
DBt merupakan Derajat Bebas Total dengan rumus $N - 1$
KTp merupakan Kuadrat Tengah Perlakuan dengan rumus $\frac {JKp}{DBp}$
KTg merupakan Kuadrat Tengah Galat dengan rumus $\frac {JKg}{DBg}$
Ujif merupakan hasil perhitungan statistik uji F dengan rumus $\frac {KTp}{KTg}$
p.val merupakan hasil p-value dengan menggunakan function pf dan argumen berupa UjiF,DBp, DBg, lower.tail = F
KT,DB,JK,KT,Fhit,p.val merupakan pendefinisian vektor untuk setiap perhitungan sesuai dengan tabel ANOVA.
Tabel.ANOVA merupakan pembentukan data frame atau pembentukan tabel ANOVA dengan function data.frame dan argumen berupa KT,DB,JK,KT,Fhit,p.val

3 HASIL DAN PEMBAHASAN

3.1 Hasil Uji Asumsi

3.1.1 Hasil Uji Asumsi Normalitas Galat

Dari gambar di atas dapat disimpulkan bahwa data berdistribusi normal dikarenakan titik-titik berada di sekitar daerah garis horizontal

3.1.2 Hasil Uji Asumsi Homoskedastisitas Ragam

Hipotesis
H₀: Sampel berasal dari populasi yang homogen (sama)
H₁: Sampel berasal dari populasi yang heterogen (berbeda)

Statistik Uji

> Bartlett
[1] 39.03242
> chikuadrathitung
[1] -204.9074
> chikuadrattabel
[1] 7.814728

Nilai satuan Bartlett \[ B = (\sum db )(LogS^2_i) \] \[ B=39.03242 \] Chi-Square Hitung \[ X^2_{hitung}=-204.9074 \] Chi-Square Tabel \[ X^2_{tabel}=X^2_{(0.05,3)} \] \[ X^2_{tabel}=7.814728 \] Keputusan:
$X^2_{hitung}$ < $X^2_{tabel}$ maka terima H₀

Interpretasi:
Pada taraf nyata 5% dapat disimpulkan bahwa sudah cukup bukti untuk membuktikan sampel berasal dari populasi yang Homogen. Dengan demikian, syarat kedua untuk melakukan uji anova satu arah juga terpenuhi.

3.2 Hasil Uji One-Way ANOVA

Hipotesis
H₀: $\alpha_1 = \alpha_2 = \alpha_3 =\alpha_4$ (tidak terdapat perbedaan keempat perlakuan pemberian ekstrak etanol daun cabai rawit)
H₁: Paling sedikit ada 2 $\alpha_i$ yang tidak sama (terdapat perbedaan keempat perlakuan pemberian ekstrak etanol daun cabai rawit)

Statistik Uji F

> paged_table(data.frame(SK,DB,JK,KT,Fhit,p.val))

Keputusan:
p-value (0.01120496) < $\alpha(0.05)$ maka tolak H₀

Interpretasi:
Pada taraf nyata 5% dapat disimpulkan bahwa terdapat perbedaan keempat perlakuan pemberian ekstrak etanol daun cabai rawit.

4 DAFTAR PUSTAKA

Basuki, A. T., & Prawoto, N. (2017). Analisis Regresi Dalam Penelitian Ekonomi dan Bisnis. PT Rajagrafindo Persada, Depok.

Chen, F., Yang, J., Bai, T., Long, B., & Zhou, X. (2016). Facile synthesis of few-layer graphene from biomass waste and its application in lithium ion batteries. Journal of Electroanalytical Chemistry, 768, 18–26. https://doi.org/10.1016/j.jelechem.2016.02.035

Elmitra., Apriyanti, O., & Sepriani, T.L. (2019). Uji Efektifitas Antiinflamasi Ekstrak Etanol Daun Cabai Rawit (Solanum frutescens.L) Pada Mencit Jantan (Mus muscullus) dengan Metode Induksi Caraagenan. Jurnal Akademi Prayoga, 4(2).

Heriansyah, R., & Hilmawan, I. (2017). Pengaruh Gaya Kepemimpinan Transformasional Dan Budaya Organisasi Terhadap Kinerja Karyawan Melalui Motivasi Sebagai Variabel Intervening Pada Pt. Taspen. Sains: Jurnal Manajemen dan Bisnis, 9(2).

Lokaria, A. M., Hydra, B. I., Rofinda, Z. D. (2018). Pengujian Efektivitas Ekstrak Capsicum Annum sebagai Anti Inflamasi pada Tikus Wistar yang Diinduksi CCL4. JIMKI. 6(1) : 1-7.

Nanincova, N. 2019. Pengaruh Kualitas Layanan Terhadap Kepuasan Pelanggan Noach Cafe And Bistro. Agora. 7(2).

Pramitaningastuti, A. S., & Anggraeny, E. N. (2017). Uji Efektifitas Antiinflamasi Ekstrak Etanol Daun Srikaya (Annona squamosa. L) Terhadap Udema Kaki Tikus Putih Jantan Galur Wistar. Jurnal Ilmiah Farmasi, 13(1), 8–13.

Sadiah, F., Nurchayati, Y., & Saptiningsih, E. (2021). Pengaruh Ekstrak Daun Suren (Toona sinensis Merr.) Pada Tanaman Cabai Rawit Yang Diinfeksi Spora Colletotrichum capsici Terhadap Pertumbuhan, Kandungan Pigmen Dan Vitamin C. Life Science, 10(2), 120–131. https://doi.org/10.15294/lifesci.v10i2.54442

Solimun. (2008). Analisis Data Statistika: Metode Kuantitatif Untuk Ekonomi. Fakultas MIPA. Universitas Brawijaya. Malang.

Sugiyono. (2007). Statistika untuk Penelitian. Bandung: Alfabeta.

Sumber Keragaman	Derajat Kebebasan	Jumlah Kuadrat	Kuadrat Tengah	F Hitung
Perlakuan	\(p - 1\)	\(\sum^p_{j=1}n_j(\bar y_{.j}-\bar y_{...})^2\)	\(\frac {JKp}{p-1}\)	\(\frac {KTp}{KTg}\)
Galat	\(N - p\)	\(JKt - JKp\)	\(\frac {JKg}{N-p}\)
Total	\(N - 1\)	\(\sum^N_{i=1}(\bar y_{ij}-\bar y_{..})^2\)	-