7

Jawaban Soal

Uji ANOVA

185

JAWABAN SOAL TEORI

1. ANOVA pada dasarnya bertujuan untuk menguji hipotesa nol
bahwa rata-rata dari tiga atau lebih sebuah populasi adalah
sama.
Asumsi:
a. Sampel yang diambil berasal dari populasi yang mempunyai distribusi normal.
b. Varians sampel-sampel yang diuji adalah sama.
c.

Sampel-sampel yang diambil independen satu dengan

yang lain.

2. Menghitung F tabel:
a. Tingkat signifikansi 10%; numerator 5; denumerator 7.
Menggunakan menu TRANSFORM COMPUTE, lalu
ketik:
IDF.F(0.9,5,7)
Didapat hasil 2,8833.
b. Tingkat signifikansi 1%; numerator 5; denumerator 7.
Menggunakan menu TRANSFORM COMPUTE, lalu
ketik:
IDF.F(0.99,5,7)
Didapat hasil 7,4604.
c.

Tingkat signifikansi 5%; numerator 5; denumerator 7.

Menggunakan menu TRANSFORM COMPUTE, lalu
ketik:
IDF.F(0.95,5,7)
Didapat hasil 3,9715.

d. Tingkat signifikansi 5%; numerator 5; denumerator 17.

186

Menggunakan menu TRANSFORM COMPUTE, lalu

ketik:
IDF.F(0.95,5,17)
Didapat hasil 2,8099.
e. Kesimpulan:
o

Makin rendah tingkat signifikansi, dengan besar

numerator dan denumeator tetap, maka makin
tinggi angka F tabel.

Dengan tingkat signifikansi tetap, dan numerator

juga tetap, makin tinggi denumerator maka
makin rendah angka F tabel. Oleh karena denumerator ditentukan oleh jumlah kolom dan sampel, maka makin besar sampel yang diambil dan
makin banyak kolom yang digunakan, makin
rendah angka F tabel.

3. Output:
ANOVA
data

Between Groups
Within Groups
Total

Sum of
df
Mean Square
Squares
870.250
1 ......................
..................
.................
2180.536
.
31397.750
15

F
..................

Sig.
.538

a. Proses pengisian:
o

Df total adalah 15, maka df within groups

adalah 15 1 = 14.

Sum of Squares Within Groups adalah:

2180,536 * 14 = 30527.5

Mean Square Between Groups adalah:

870,250 / 1 = 870,250

187

F hitung adalah:
870,250 / 2180,536 = 0,0285

b. Keputusan:
F tabel = F(0,95;1;14) = 4,60
F hitung < F tabel, maka Ho diterima.
c.

Melihat angka probabilitas (0,538) yang lebih besar

dari tingkat signifikan (0,05 atau 5%), maka Ho juga
diterima. Kedua cara akan menghasilkan kesimpulan
yang sama.

4. Data yang dikumpulkan adalah data upah pekerja bangunan

di sektor konstruksi, buruh sebuah pabrik dan pembantu
rumah tangga; data dalam bentuk sampel, misal masingmasing diambil 7 data. Uji yang dilakukan ANOVA, karena
sampel yang diambil lebih dari dua (ada tiga sampel).
5. Data yang dikumpulkan adalah penghasilan yang diterima
tukang parkir yang ada di pasar, di pertokoan, di sekitar
sekolah, dan di tempat wisata; data dalam bentuk sampel. Uji
yang dilakukan ANOVA, karena sampel yang diambil lebih
dari dua (ada tiga sampel).
PENGGUNAAN MENU SPSS:
ANALYZE COMPARE MEANS ONE WAY ANOVA

Pengisian dasar:

188

Masukkan variabel kuantitatif pada kotak DEPENDENT

LIST.

Masukkan
FACTOR.

variabel

kualitatif

(berkode)

pada

kotak

Untuk menampilkan statistik deskriptif dari data:

Buka kotak OPTIONS dan aktifkan pilihan DESCRIPTIVE:

Kemudian tekan tombol CONTINUE untuk kembali ke kotak

dialog utama.

JAWABAN SOAL
SEMUA JAWABAN LIHAT PADA:
o

FILE UJI ANOVA EXCEL (UNTUK FILE MICROSOFT EXCEL)

FOLDER UJI ANOVA SPSS (UNTUK FILE SPSS)

SEMUA SOAL MENGGUNAKAN TINGKAT KEPERCAYAAN 95%,

ATAU TINGKAT SIGNIFIKANSI 5%.
6. SOAL PUPUK
Prosedur:

Buat hipotesis:
Ho: ketiga pupuk menghasilkan produktivitas yang sama.
(1= 2= 3)
Hi: Minimal salah satu pupuk berbeda produktivitasnya
dengan yang lain.

Didapat:
o

F hitung= 0,045

F tabel:

189

n = jumlah sampel = 12
numerator= jumlah kolom 1= k-1 = 3-1 = 2
denumerator= n-k = 12 3 = 9
= 5%
F(0,05; 2;9)= 4,256

Proses mendapatkan F hitung:

Mencari angka T1sampai Tn; dalam kasus ini, karena ada tiga
kolom, akan ada T1, T2 dan T3.
pupuk A

pupuk B

Pupuk C

25,4

28,6

27,6

28,6

30,2

28,9

29,5

24,5

30,6

30,5

32,5

26,8

TOTAL (T)
114
115,8
113,9
Total semua T adalah = 114+115,8+113,9 = 343,7

Menghitung jumlah data:

n1 (jumlah data pupuk A) = 4 buah
n2 (jumlah data pupuk B) = 4 buah
n3 (jumlah data pupuk C) = 4 buah

Menghitung SSB:

(343,7) 2
113,9 2
115,8 2
114 2
SSB = [(
] = 0,5716
)] [
)+(
)+(
(12)
4
4
4

Menghitung SST:

SStT = [25,4 2 + 28,6 2 + ... + 26,8 2 ] = 9901,69

190

Data yang ada sebanyak 12 data untuk tiga jenis pupuk.

Menghitung SSW:

114 2
115,8 2
113,9 2
SSW = 9901,69 [(
)+(
)+(
)] = 56,9775
4
4
4

Menghitung F hitung:

F=

0,5716
= 0,045
56,97

Lihat proses penghitungan F hitung di folder UJI ANOVA EXCEL.

Kesimpulan:
o

Membandingkan statistik hitung dengan statistik tabel.

Oleh karena F hitung < F tabel, maka Ho diterima.

Melihat angka probabilitas (SIG. pada output SPSS).

Oleh karena nilai p=0,956, yang jauh di atas angka
(5%), maka H0 diterima.

Dapat disimpulkan tidak ada perbedaan yang signifikan di

antara produktivitas ketiga macam pupuk; atau bisa juga
disimpulkan bahwa ketiga pupuk mempunyai produktivitas
(kinerja) yang relatif sama.
7. SOAL RESTORAN
Prosedur:

Buat hipotesis:
Ho: Jumlah pengunjung restoran adalah sama, baik pada
saat pagi, siang, sore, maupun malam hari.
(1= 2= 3= 4)
Hi: Minimal ada jumlah pengunjung pada saat tertentu
yang berbeda dengan lainnya.

Didapat:
191

F hitung= 1,8359

F tabel:
n = jumlah sampel = 17 (perhatikan jumlah sampel
per kolom yang tidak sama)
numerator= jumlah kolom 1= k-1 = 4-1 = 3
denumerator= n-k = 17 4 = 13
= 5%
F(0,05; 3;13)= 3,4105

Kesimpulan:
o

Membandingkan statistik hitung dengan statistik tabel.

Oleh karena F hitung < F tabel, maka Ho diterima.

Melihat angka probabilitas (SIG. pada output SPSS).

Oleh karena nilai p=0,1903, yang jauh di atas angka
(5%), maka H0 diterima.

Dapat disimpulkan tidak ada perbedaan yang signifikan di

antara jumlah pengunjung restoran.
8. SOAL KINERJA
Data di atas BUKAN data berpasangan (paired) karena 18
orang tersebut dibagi menjadi tiga kelompok, masing-masing
6 orang; dengan demikian, tiap kelompok bersifat independen atau tidak terkait dengan kelompok yang lain. Uji
ANOVA (uji F) bisa dilakukan untuk data independen.
Kasus ini terdiri atas tiga bagian:
Motivasi
Prosedur:

Buat hipotesis:
Ho: Pelatihan tipe I, tipe II, dan tipe III tidak memberi
dampak motivasi kerja yang berbeda pada ketiga kelompok karyawan.

192

(1= 2= 3)
Hi: Minimal ada satu kelompok karyawan yang mempunyai motivasi yang berbeda setelah pelatihan dibanding
kelompok lainnya.

Didapat:
o

F hitung= 0,06468

F tabel:
n = jumlah sampel = 18
numerator= jumlah kolom 1= 3-1=2
denumerator= n-k = 18-3=15
= 5%
F(0,05; 2;15)= 3,6823

Kesimpulan:
o

Membandingkan statistik hitung dengan statistik tabel.

Oleh karena F hitung < F tabel, maka Ho diterima.

Melihat angka probabilitas (SIG. pada output SPSS).

Oleh karena nilai p=0,9376, yang jauh di atas angka
(5%), maka H0 diterima.

Dapat disimpulkan bahwa pelatihan motivasi yang diadakan

tidak menghasilkan nilai yang signifikan di antara kelompok
karyawan peserta pelatihan.
Loyalitas
Prosedur:

Buat hipotesis:
Ho: Pelatihan tipe I, tipe II, dan tipe III tidak memberi
dampak loyalitas kerja yang berbeda pada ketiga kelompok karyawan.
(1= 2= 3)
193

Hi: Minimal ada satu kelompok karyawan yang mempunyai loyalitas yang berbeda setelah pelatihan dibanding
kelompok lainnya.

Didapat:
o

F hitung= 8.3977

F tabel, karena kondisi sama dengan kasus

motivasi, maka
F(0,05; 2;15)= 3,6823

Kesimpulan:
o

Membandingkan statistik hitung dengan statistik

tabel.
Oleh karena F hitung > F tabel, maka Ho ditolak.

Melihat angka probabilitas.

Oleh karena nilai p=0,0035, yang jauh di bawah
angka (5%), maka H0 ditolak.

Dapat disimpulkan bahwa pelatihan loyalitas yang diadakan

menghasilkan dampak (nilai) yang signifikan pada minimal
satu kelompok karyawan peserta pelatihan. Dilihat dari ratarata nilai loyalitas, maka kelompok I mempunyai nilai tertinggi
(77,16); kelompok I mendapat dampak yang jelas berbeda dibanding dua kelompok lainnya.
Kepuasan kerja
Prosedur:

Buat hipotesis:
Ho: Pelatihan tipe I, tipe II, dan tipe III tidak memberi
dampak kepuasan kerja yang berbeda pada ketiga kelompok karyawan.
(1= 2= 3)
Hi: Minimal ada satu kelompok karyawan yang mempunyai kepuasan kerja yang berbeda setelah pelatihan
dibanding kelompok lainnya.

194

Didapat:
o

F hitung= 51,2965

F tabel, karena kondisi sama dengan kasus

motivasi, maka
F(0,05; 2;15)= 3,6823

Kesimpulan:
o

Membandingkan statistik hitung dengan statistik

tabel.
Oleh karena F hitung > F tabel, maka Ho ditolak.

Melihat angka probabilitas.

Oleh karena nilai p=0,000000196, yang jauh di
bawah angka (5%), maka H0 ditolak.

Dapat disimpulkan bahwa pelatihan kepuasan kerja yang diadakan menghasilkan dampak (nilai) yang sangat signifikan
pada minimal satu kelompok karyawan peserta pelatihan.
Dilihat dari rata-rata nilai kepuasan kerja, maka kelompok II
mempunyai nilai tertinggi (92,83); kelompok II mendapat
dampak yang jelas berbeda dibanding dua kelompok lainnya.
9. SOAL BUS
Soal A adalah contoh dari COMPLETELY RANDOMIZED DESIGN
Pada kasus ini:
o

Variabel NAMA_BUS adalah independent variable atau

variabel bebas.

Isi variabel NAMA_BUS adalah ARIMBI, BUDI MULIA,

CAMELIA dan DEWATA; keempatnya adalah level of
treatment. Oleh karena ada lebih dari dua level, maka
digunakan uji ANOVA.

Isi data, angka 150, 160, dan seterusnya adalah dependent

variable atau response.

195

Pada model COMPLETELY RANDOMIZED DESIGN, hanya akan

diuji isi kolom saja, dalam hal ini waktu tempuh keempat bus.
Prosedur:

Buat hipotesis:
Ho: Waktu tempuh keempat bus pada jurusan MagelangSemarang relatif sama satu dengan yang lain.
(1= 2= 3= 4)
Hi: Minimal salah satu waktu tempuh bus berbeda dengan
waktu tempuh bus yang lainnya.
Untuk pernyataan Hi tidak dapat ditulis 1234, karena
hal itu berarti semua waktu tempuh (rata-rata) tidak
sama. Padahal Hi diterima jika salah satu rata-rata sudah
berbeda dengan yang lain; dalam hal ini dapat saja 1, 2,
3 atau 4 yang berbeda.

Didapat:
o

F hitung= 7,279 (nilai F hitung pada uji ANOVA

selalu positif).

F tabel:
n = jumlah sampel = 20
numerator= jumlah kolom 1= k-1 = 4-1 = 3
denumerator= n-k = 20 4 = 16
= 5% (pada uji ANOVA, uji selalu satu sisi)
F(0,05; 3;16)= 3,239

Kesimpulan:
Membandingkan statistik hitung dengan statistik tabel.
Oleh karena F hitung > F tabel, maka Ho ditolak.

196

Prob:
0,0026
HO DITERIMA

HO
DITOLAK
5%

F tabel:
3,239

F hitung:
7,279

Melihat angka probabilitas (SIG. pada output SPSS); Oleh

karena nilai p=0,0026, yang jauh di bawah angka (5%),
maka H0 ditolak.
Dengan demikian, paling sedikit ada satu waktu tempuh bus
yang secara signifikan berbeda dengan ketiga waktu tempuh
bus lainnya. Jika dilihat dari rata-rata waktu tempuh, terlihat
bus ARIMBI yang mempunyai waktu tempuh paling berbeda,
yakni 150,6 menit. Namun uji ANOVA hanya menyimpulkan
ada tidaknya perbedaan; uji lanjutan, seperti Tukey dan lainlain akan menampilkan variabel mana yang berbeda dibanding yang lain.
Soal B adalah contoh dari RANDOMIZED BLOCK DESIGN
Pada model ini ada variabel block, yakni HARI. Sekarang akan
ada dua pengujian, yakni pengaruh bus dan pengaruh hari
kerja bus; dalam bahasa statistik, ada pengujian kolom dan
baris.
Untuk menguji
NAMA_BUS

kolom

(columns)

yang

berisi

variabel

Hipotesis sama dengan soal a.

197

Untuk menguji baris (rows) yang berisi variabel HARI

Buat hipotesis:
Ho: Tidak ada perbedaan yang signifikan waktu tempuh
bus pada hari kerja yang ada.
(1= 2= 3)
Hi: Minimal ada satu hari dengan waktu tempuh bus yang
berbeda dibanding hari lainnya.

Pada SPSS, digunakan menu GENERAL LINEAR MODEL.

Hasil dan analisis
Tests of Between-Subjects Effects
Dependent Variable: WAKTU_TEMPUH
Source
Corrected Model
Intercept
NAMA_BUS
HARI
Error
Total
Corrected Total

Type III Sum

of Squares
992.150a
516168.450
883.350
108.800
538.400
517699.000
1530.550

df
7
1
3
4
12
20
19

Mean Square
F
141.736
3.159
516168.450 11504.497
294.450
6.563
27.200
.606
44.867

Sig.
.039
.000
.007
.666

a. R Squared = .648 (Adjusted R Squared = .443)

Melihat angka probabilitas (SIG. pada output SPSS).

o

Nilai p (SIG.) untuk variabel NAMA_BUS=0,007; Nilai

p(SIG.) untuk variabel HARI =0,66. Variabel HARI mempunyai nilai probabilitas di atas angka (5%), maka H0
diterima.

Dapat disimpulkan:
Rata-rata waktu tempuh bus tidak berbeda secara nyata
untuk hari kerja yang ada; rata-rata waktu tempuh keempat
bus relatif sama, baik untuk hari senin, selasa maupun yang
lain.
Sedangkan variabel NAMA_BUS sudah dianalisis, dan kesimpulan tetap, yakni ada perbedaan yang jelas pada rata-rata
waktu tempuh bus dilihat dari kinerja bus yang bersangkutan.
198

Soal C adalah contoh FACTORIAL DESIGN

Pada model ini, dilakukan uji interaksi antar variabel kolom
dan baris.
o

Buat hipotesis:
Ho: Tidak ada interaksi antara bus dengan hari kerja bus
tersebut.
Hi: Ada interaksi antara bus dengan hari kerja bus
tersebut.

Hasil dan analisis

Tests of Between-Subjects Effects
Dependent Variable: WAKTU_TEMPUH
Source
Corrected Model
Intercept
NAMA_BUS * HARI
Error
Total
Corrected Total

Type III Sum

of Squares
693.938a
413770.563
693.938
484.500
414949.000
1178.438

df
7
1
7
8
16
15

Mean Square
99.134
413770.563
99.134
60.563

F
1.637
6832.125
1.637

Sig.
.252
.000
.252

a. R Squared = .589 (Adjusted R Squared = .229)

Melihat angka probabilitas (SIG. pada output SPSS).

o

Nilai p (SIG.) untuk variabel NAMA_BUS*HARI adalah

0,252, yang di atas angka (5%); maka H0 diterima.

Dapat disimpulkan:
Tidak ada interaksi antara hari kerja dengan kinerja (nama)
bus; atau hari senin atau selasa tidak terkait dengan kinerja
dari bus-bus yang ada untuk menempuh waktu yang berbeda.
CATATAN:
o

Jika data hanya satu untuk setiap variabel baris, seperti

hanya ada satu data SENIN, satu data SELASA, dan seterusnya, maka FACTORIAL DESIGN tidak bisa dihitung.

Tentu analisis FACTORIAL DESIGN bisa digabung dengan

analisis untuk RANDOMIZED BLOCK DESIGN, namun dengan data yang sudah disesuaikan, yakni adanya keragaman data untuk setiap isi variabel baris.
199

JAWABAN SOAL APLIKASI RIIL

10. SOAL SEKOLAH
Variabel
o

Pada kasus ini, JENIS SEKOLAH adalah independent

variable atau variabel bebas; karena mereka yang bersekolah di SMA tidak terkait dengan mereka yang bersekolah di SMK atau MA.

Jenis Sekolah adalah SMA, SMK dan MA; ketiganya adalah

level of treatment. Oleh karena ada lebih dari dua level,
maka digunakan uji ANOVA. Jika hanya ada dua level,
misal SMA dan SMK, maka alat analisis cukup uji t.

Isi data, angka 60, 31, 7 dan seterusnya adalah dependent

variable, karena variabel ini tergantung dari Jenis Sekolah.
Misal untuk jenis sekolah SMA, data 31 tidak dapat
dimasukkan, karena data tersebut masuk pada jenis sekolah SMK.

Kasus ini merupakan contoh dari COMPLETELY RANDOMIZED

DESIGN, karena yang akan dianalisis hanya satu variabel
independen, yakni Jenis Sekolah. Sedang variabel TAHUN
tidak dimasukkan dalam analisis. Jika keduanya dikaitkan,
maka dinamakan RANDOMIZED BLOCK DESIGN.
Prosedur:

Buat hipotesis:
Ho: Jumlah sekolah pada berbagai jenjang pendidikan atas
di D.I.Y adalah sama.
(1= 2= 3)
Hi: Minimal ada satu jenjang pendidikan yang mempunyai
jumlah sekolah yang berbeda dibanding lainnya.

200

Didapat:
o

F hitung= 343,833

F tabel:

n = jumlah sampel = 15
numerator= jumlah kolom 1= k-1 = 3-1 = 2
denumerator= n-k = 15 3 = 12
= 5%
F(0,05; 2;12)= 3,8852

Kesimpulan:
Melihat angka probabilitas (SIG. pada output SPSS).
Oleh karena nilai p=0,0000000000254, yang jauh di bawah
angka (5%), maka H0 ditolak.

Dapat disimpulkan jelas ada perbedaan yang signifikan antara

jumlah sekolah SMA, SMK, dan MA di wilayah D.I.Y.
11. SOAL KERUSAKAN SAWAH
Prosedur:

Buat hipotesis:
Ho: Tidak ada perbedaan yang signifikan antara ketiga
tingkat kerusakan sawah tersebut.
(1= 2= 3)
Hi: Minimal ada satu tingkat kerusakan sawah yang berbeda dibanding lainnya.

Didapat:
o

F hitung= 12,1889

F tabel:
n = jumlah sampel = 18
numerator= jumlah kolom 1= k-1 = 3-1 = 2
denumerator= n-k = 18 3 = 15
= 5%
F(0,05; 2;15)= 3,6823
201

Kesimpulan:
Melihat angka probabilitas (SIG. pada output SPSS).
Oleh karena nilai p=0,0007, yang jauh di bawah angka
(5%), maka H0 ditolak.

Dapat disimpulkan memang ada minimal satu tingkat kerusakan sawah yang berbeda secara signifikan dengan tingkat
kerusakan yang lainnya.
Dari uji ANOVA terlihat MSB atau variasi antar kelompok
sangat besar; rata-rata tingkat kerusakan BERAT jelas lebih
besar dibanding tingkat kerusakan RINGAN. Sebaliknya, angka MSW relatif kecil, atau variasi data di antara kelompok
kerusakan RINGAN secara tersendiri relatif kecil; demikian
pula, di kelompok lain, walaupun tingkat kerusakan lebih
besar, namun semua data anggota kelompoknya juga besar.
Dengan MSB yang besar sedangkan MSW kecil, maka F hitung
(hasil MSB/MSW) akan menjadi cukup besar untuk dapat
menolak Ho.
12. SOAL TARIF PARKIR
Soal A. Jika tingkat kepercayaan 95%
Prosedur:

Buat hipotesis:
Ho: Tidak ada perbedaan yang signifikan di antara keempat tarif parkir yang ada.
(1= 2= 3= 4)
Hi: Minimal ada satu jenis tarif parkir yang berbeda dibanding lainnya.

Didapat:
o

F hitung= 1,326

F tabel:
n = jumlah sampel = 32

202

numerator= jumlah kolom 1= k-1 = 4-1 = 3

denumerator= n-k = 32 4 = 28
= 5%
F(0,05; 3;28)= 2,947

Kesimpulan:
Melihat angka probabilitas (SIG. pada output SPSS).
Oleh karena nilai p=0,2856, yang jauh di atas angka
(5%), maka H0 diterima.

Dapat disimpulkan sesungguhnya tidak ada perbedaan yang

signifikan di antara keempat jenis tarif parkir yang ada;
walaupun tarif parkir cenderung menurun dari kawasan
khusus ke kawasan III, namun penurunan tersebut secara
statistik tidak signifikan. Hal ini disebabkan perbedaan MSB
dengan MSW tidak terlalu besar, sehingga F hitung tidak
menjadi lebih besar dari F tabel; walaupun berbeda, namun
variasi perbedaan di antara keempat jenis tarif parkir tersebut
relatif kecil (MSB yang menunjukkan perbedaan di antara
rata-rata tarif berbagai kawasan tidak beda jauh). Sebaliknya,
variasi di antara semua tarif parkir yang ada (MSW) sangat
besar; terlihat ada tarif Rp10.000, namun ada juga tarif yang
hanya Rp200. MSW yang besar dan MSB yang relatif kecil
akan membuat F hitung tidak demikian besar sehingga mampu menolak Ho.
Soal B. Jika tingkat kepercayaan 99%
Pada soal ini, berarti tingkat signifikan adalah 1% (dari 100%99%).
Di sini hipotesis maupun F hitung tidak berubah; yang berubah adalah angka F tabel:

= 1%

F tabel; didapat F(0,01; 3;28)= + 1,28138

Kesimpulan:
Oleh karena F hitung (1,3262) > F tabel (1,28138), maka
sekarang Ho ditolak.
203

Keterangan:
SPSS ataupun Microsoft Excel hanya menampilkan output
SIG./nilai probabilitas/p-value untuk tingkat signifikansi 5%
DUA SISI. Untuk angka seperti 1% atau yang lain, SPSS dan
Excel tidak menampilkan nilai probabilitas; pengguna bisa
menghitung angka F tabel secara tersendiri kemudian membandingkan dengan F hitung.
Soal C
Mengubah tingkat kepercayaan, yang berarti mengubah tingkat signifikansi sebuah pengujian, dapat berdampak pada
kesimpulan yang akan diambil. Memperbesar tingkat signifikan akan menyebabkan kemungkinan menolak Ho semakin
besar.
13. SOAL KENDARAAN BERMOTOR
Prosedur:

Buat hipotesis:
Ho: Tidak ada perbedaan yang signifikan di antara pertumbuhan kendaraan bermotor di D.I.Y pada periode
2000-2003.
(1= 2= 3= 4)
Hi: Minimal ada satu periode yang mempunyai pertumbuhan kendaraan bermotor yang berbeda dibanding
periode lainnya.

Didapat:
o

F hitung= 0,2282

F tabel:
n = jumlah sampel = 16
numerator= jumlah kolom 1= k-1 = 4-1 = 3
denumerator= n-k = 16 4 = 12
= 5%

204

F(0,05; 3;12)= 3,4902

Kesimpulan:
Oleh karena nilai p=0,8749, yang jauh di atas angka
(5%), maka H0 diterima.

Dapat disimpulkan sesungguhnya tidak ada perbedaan pertumbuhan kendaraan bermotor yang signifikan pada keempat
periode. Hal ini disebabkan nilai MSB yang lebih kecil dari
MSW.
Walaupun
rata-rata
tiap
periode
berbeda
(7,4;7,02;8,67;7,43), namun perbedaan (variasi) yang ada tidak
cukup besar. Oleh karena MSB < MSW, maka nilai F hitung
menjadi di bawah 1. Nilai F tabel minimal 1, sehingga F hitung
yang di bawah 1 akan membuat setiap pernyataan Ho akan
ditolak.
14. SOAL PRODUKSI SAYURAN
Prosedur:

Buat hipotesis:
Ho: Tidak ada perbedaan yang signifikan di antara produksi sayuran pada periode 2002-2004.
(1= 2= 3)
Hi: Minimal ada satu periode yang mempunyai produksi
sayuran yang berbeda dibanding periode lainnya.

Didapat:
o

F hitung= 2,2733

F tabel:
n = jumlah sampel = 27
numerator= jumlah kolom 1= k-1 = 3-1 = 2
denumerator= n-k = 27 3 = 24
= 5%
F(0,05; 2;24)= 3,4028

205

Kesimpulan:
Oleh karena nilai p=0,1246, yang jauh di atas angka
(5%), maka H0 diterima.

Dapat disimpulkan tidak ada perbedaan produksi sayuran

yang berarti pada periode 2002-2004.
Sekarang jika dua data (bawang putih dan tomat) dihilangkan, data menjadi:
Jenis sayuran

2002

2003

2004

Bawang merah

494.3

486.3

107.6

Kacang panjang

584.1

621.2

261.7

Cabe/tomat

951.1

1406.3

633.1

Terong

661.0

892.1

314.4

Ketimun

350.4

268.6

93.6

Bayam

889.4

841.0

413.9

Kangkung

350.6

254.0

162.1

Dan perhitungan diulang, dengan hasil:

o

F hitung= 3,6439

F tabel:
n = jumlah sampel = 27
NB: sampel berkurang sebanyak 2 x 3 data = 6
data, menjadi 27-6=21
numerator= jumlah kolom 1= k-1 = 3-1 = 2
denumerator= n-k = 21 3 = 18
= 5%
F(0,05; 2;18)= 3,5545

Kesimpulan:
Oleh karena nilai p=0,0469, yang di atas angka (5%),
maka H0 ditolak.

206

Jika data produksi bawang putih dan tomat dikeluarkan,

maka kesimpulan menjadi lain, yakni terjadi perbedaan yang
signifikan pada produksi sayuran untuk periode 2002-2004.
Dengan menghilangkan dua data yang bernilai kecil, hal ini
membuat variasi data semakin mengecil. Hal ini mendorong
variasi antar kelompok semakin kecil, yang berakibat nilai
MSB yang mencerminkan variasi antar kelompok menjadi
besar. Sebaliknya dengan nilai MSW; hilangnya beberapa data
dari sampel akan berakibat keseluruhan data cenderung lebih
homogen, sehingga MSW yang mencerminkan variasi untuk
seluruh data menjadi lebih kecil. Semakin kecilnya MSW bersamaan dengan semakin besarnya MSB, akan membuat nilai F
hitung semakin meningkat.
Sedangkan untuk F tabel, semakin besar denumerator akan
meningkatkan nilai F tabel; namun karena peningkatan F
hitung lebih besar daripada peningkatan nilai F tabel, didapat
F hitung > F tabel, sehingga pernyataan Ho akan ditolak.
15. SOAL UJIAN NASIONAL
Prosedur:

Buat hipotesis:
Ho: Tidak ada perbedaan yang signifikan antara anggaran
per siswa untuk setiap jenjang pendidikan.
(1= 2= 3)
Hi: Minimal ada satu jenjang pendidikan yang mempunyai
anggaran yang berbeda dibanding lainnya.

Didapat:
o

F hitung= 3,217

F tabel:
n = jumlah sampel = 24
numerator= jumlah kolom 1= k-1 = 4-1 = 3
denumerator= n-k = 24 4 = 20

207

 = 5%
F(0,05; 3;20)= 3,098

Kesimpulan:
Oleh karena nilai p=0,044, yang di bawah angka (5%),
maka H0 ditolak.

Dapat disimpulkan sesungguhnya memang ada perbedaan

anggaran pendidikan per siswa yang signifikan pada keempat
jenjang pendidikan. Namun, di sini nilai F hitung dengan F
tabel hampir sama, sehingga nilai probabilitas (p-value) pun
hampir mendekati 0,05 sebagai batas. Dalam hal ini secara
praktis bisa pula dikatakan bahwa tidak ada perbedaan pada
anggaran pendidikan per siswa; inilah yang disebut signifikan
praktis, yang berbeda dengan signifikan statistik yang menolak Ho. Secara praktis, bisa saja hipotesa nol yang secara
statistik ditolak akan diterima; dan sebaliknya, bisa saja
hipotesa nol yang secara statistik diterima akan ditolak.
Namun, jika angka probabilitas sangat berbeda dengan 0,05
(pembatas pada SPSS/Excel), sebaiknya tetap diikuti proses
pengambilan kesimpulan secara statistik.
16. SOAL TEMPAT BELANJA
Prosedur:

Buat hipotesis:
Ho: Tidak ada perbedaan yang signifikan antara tempat
belanja dari tahun ke tahun.
(1= 2= 3)
Hi: Minimal ada satu periode di mana komposisi tempat
belanja mempunyai perbedaan yang signifikan dibanding
lainnya.

Didapat:
o

F hitung= 0

F tabel:
n = jumlah sampel = 12

208

numerator= jumlah kolom 1= k-1 = 3-1 = 2

denumerator= n-k = 12 3 = 9
= 5%
F(0,05; 2;9)= 4,2564

Kesimpulan:
Di sini tidak bisa ditarik kesimpulan apa pun, karena F
hitung bernilai 0 dan nilai probabilitas adalah 1.

Kasus ini terjadi karena jumlah semua kolom adalah 1 (100%):

Tempat belanja

Tahun
2002

Tahun
2003

Tahun
2004

hypermarket

3%

5%

7%

supermarket

18%

16%

15%

minimarket

5%

8%

8%

pasar tradisional

74%

71%

70%

TOTAL

100%

100%

100%

Jika nilai total semua kolom sama, maka tidak akan ada variasi di
antara kelompok data; telihat dari rata-rata yang otomatis sama,
yakni 100%/4 data = 0,25 (25%). Oleh karena tidak ada beda ratarata, maka MSB menjadi 0, sehingga F hitung pun akan menjadi 0,
berapa pun MSW-nya.
Untuk itu, data harus direvisi dengan mengubah komposisi dalam
persentase menjadi satuan non persentase, sehingga total semua
kolom tidak akan sama. Misal diasumsi pengunjung tempat belanja per tahun:
Tahun

Pengunjung (orang)

2002

1000

2003

2000

2004

3000

Sekarang komposisi persentase di atas dikalikan dengan

masing-masing pengunjung, menjadi:
209

Tempat belanja

Tahun
2002

Tahun
2003

Tahun
2004

hypermarket

30

100

210

supermarket

180

320

450

minimarklet

50

160

240

pasar tradisional

740

1420

2100

TOTAL

1000

2000

3000

Dengan data seperti di atas, maka perhitungan uji ANOVA

bisa dilakukan, dan F hitung tidak akan nol.
17. SOAL WISATAWAN
Variabel
o

Pada kasus ini, variabel TAHUN adalah independent

variable atau variabel bebas; karena situasi tahun 2002
tentu berbeda dengan tahun lainnya.

Isi variabel TAHUN adalah 2002, 2003, dan 2004; ketiganya adalah level of treatment. Oleh karena ada
lebih dari dua level, maka digunakan uji ANOVA.

Variabel JENIS LIBURAN adalah blocking variable.

Isi data, angka 542, 710, 1848, dan seterusnya adalah

dependent variable atau response.

Kasus ini merupakan contoh RANDOMIZED BLOCK DESIGN,

karena yang akan dianalisis dua variabel independen, yakni
TAHUN dan JENIS LIBURAN. Namun keduanya dianalisis
pengaruhnya secara terpisah dan tidak dilakukan interaksi.
Jika analisis termasuk menguji ada tidaknya interaksi antar
kedua variabel independen, metode disebut dengan
FACTORIAL DESIGN.
Prosedur:
Untuk menguji kolom (columns) yang berisi variabel TAHUN

Buat hipotesis:
Ho: Tidak ada perbedaan yang signifikan di antara kunjungan wisatawan pada periode 2002-2004?

210

(1= 2= 3)
Hi: Minimal ada satu periode yang mempunyai jumlah
kunjungan wisatawan yang berbeda dibanding periode
lainnya.
Untuk menguji baris (rows) yang berisi variabel JENIS LIBURAN

Buat hipotesis:
Ho: Tidak ada perbedaan yang signifikan di antara kunjungan wisatawan pada berbagai jenis liburan yang ada.
(1= 2= 3)
Hi: Minimal ada satu jenis liburan mempunyai jumlah
kunjungan wisatawan yang berbeda dibanding periode
lainnya.

Pada SPSS, proses dilakukan lewat menu GENERAL LINEAR

MODEL.
Hasil dan analisis
Tests of Between-Subjects Effects
Dependent Variable: JUMLAH_WISATAWAN
Source
Corrected Model
Intercept
TAHUN
JENIS_LIBURAN
Error
Total
Corrected Total

Type III Sum

of Squares
1733088.444a
2750069.444
621066.889
1112021.556
469469.111
4952627.000
2202557.556

df
4
1
2
2
4
9
8

Mean Square
433272.111
2750069.444
310533.444
556010.778
117367.278

F
3.692
23.431
2.646
4.737

Sig.
.117
.008
.185
.088

a. R Squared = .787 (Adjusted R Squared = .574)

Melihat angka probabilitas (SIG. pada output SPSS).

o

Nilai p(SIG.) untuk variabel TAHUN =0,185; Nilai p(SIG.)

untuk variabel JENIS_LIBURAN=0,088. Keduanya di atas
angka (5%), maka kedua H0 diterima.

211

212

Dapat disimpulkan:

Tidak ada perbedaan yang signifikan pada kunjungan wisatawan ke Yogya pada periode 20022004. Kunjungan wisatawan ke Yogya dari tahun
ke tahun berbeda secara nyata.

Juga tidak ada perbedaan kunjungan wisatawan

pada berbagai jenis liburan yang terjadi. Kunjungan wisatawan pada liburan akhir tahun ternyata tidak berbeda secara nyata dengan liburan
yang lain.