p -variate yang diproposed

1. Resume Prosedur Check Asumsi Normal

Mardia
a. Metode : Skewness dan Kurtosis.

Pada metode ini, estimasi parameter populasi

dan

adalah

(Rencher, 2002: 94):

n

n ( y i y )3

b1=

[ (

3 /2

y i y )

i=1

n ( y i y ) 4
b2=

i=1

[ (

y i y )

i =1

Jika populasinya normal,

1=0

dan

2=3

Jika:

1 <0

maka nilai skewness negatif

1 >0

maka nilai skewness positif

2<3

maka nilai kurtosis negatif

2>3

maka nilai kurtosis positif

Misal

dan

independen dan berdistribusi identik dengan vektor mean

dan matrik varians kovarian

. Mardia (1970) menyatakan bahwa

Skewness dan Kurtosis untuk populasi multivariate dapat didefinisikan sebagai

berikut:
3

1, p= [ ( y )' 1 ( x ) ]

2, p= [ ( y ) ( x ) ]
'

 1, p=0
Untuk

ketika

y N p ( , ) maka

2, p= p( p+2)

1, p

2, p

mengestimasi

y1 , y2 , , y p

dan

menggunakan

sampel

dapat didefinisikan dengan:

gij =( y i y ) ' ^1 ( y j y )
n

dimana

( y i y ) ( y i y )'

^= i=1

Jadi estimasi untuk

n

1, p

dan

1
b1, p = 2 g3ij
n i=1 j=1

2, p

adalah
n

dan

1
2
b2, p = gij
n i=1

b. Proses Cek Asumsi Normal p-variate

Berikut adalah proses cek asumsi normal p-variate pada sebuah data (Rencher,
2002: 99).
Hipotesis
H 0 : Data tidak memenuhi asumsi normal
H 1 : Data memenuhi asumsi normal
Taraf signifikansi: =0,05
Statistik Uji:
z 1=

( p+1 ) ( n+1 ) (n+ 3)

b1, p
6 [ ( n+1 ) ( p+1 ) 6 ]

z 2=

b2, p p ( p+ 2)
8 p ( p+2)/n

Kriteria Keputusan:

H0

ditolak jika

z 1 2p(0,05)

c. Penerapan pada Data

Proses cek asumsi normal p-variate diterapkan pada sebuah data berikut:
Tabel 1.1. Data Soal 1
x1
Afghanistan
Bangladesh
Cambodia
China
Hong Kong
India
Indonesia
Japan
Malaysia
N. Korea
Pakistan
Philippines
S. Korea
Singapore
Taiwan
Thailand
Vietnam

x2

x3

x4

x5

x6

25
800
55
124
5494

18
16
12
26
94

44
53
52
69
80

45
53
50
67
75

29
35
35
78
77

168
106
112
52
5,8

283
102
330

26
29
77

59
65
82

58
61
76

52
77
99

79
68
4,4

58
189
143
221
447
4456

43
60
32
43
72
100

72
73
58
68
74
79

66
67
57
63
68
73

78
99
35
90
96
88

25,6
27,7
101
51
21,7
5,7

582
115
218

71
22
20

78
72
68

72
65
63

91
93
88

5,1
37
46

Keterangan Variabel:
x1

: Banyaknya penduduk per km persegi

x2

: Persentase penduduk yang tinggal di perkotaan

x3

: Harapan hidup penduduk perempuan (tahun)

x4

: Harapan hidup penduduk laki-laki (tahun)

x5

: Persentase penduduk yang bisa baca-tulis

x6

: Banyaknya kematian bayi per 1000 kelahiran

x7

: Penghasilan penduduk per kapita pertahun (US$)

Hipotesis
H 0 : Data tidak memenuhi asumsi normal

x7
205
202
260
377
1464
1
275
681
1986
0
2995
1000
406
867
6627
1499
0
7055
1800
230

H 1 : Data memenuhi asumsi normal

Taraf signifikansi: =0,05
Statistik Uji:
z 1=

( p+1 ) ( n+1 ) (n+ 3)

b1, p
6 [ ( n+1 ) ( p+1 ) 6 ]

z 2=

b2, p p ( p+ 2)
8 p ( p+2)/n

Hitungan:
Berdasarkan hasil perhitungan excel diperoleh nilai
b1, p =33,22

dan

b2, p =60,4216

Jadi
z 1=

( p+1 ) ( n+1 ) (n+ 3)

b1, p
6 [ ( n+1 ) ( p+1 ) 6 ]
( 7+1 )( 17+1 ) (17 +3)
33,22
6 [ (17 +1 )( 7+ 1 )6 ]

z 1=115,5511

z 2=

b2, p p ( p+ 2)
8 p ( p+2)/n
60,42167(7 +2)
87 (7+2)/17

z 2=0,4735

Dengan nilai signifikansi

=0,05 , diperoleh nilai Chi Square tabel

2p (0,05 )= 27 (0,05 )=14,067

Kriteria Keputusan:

H0

ditolak jika

z 1 14,067

Kesimpulan
Karena

z 1=115,5511> 7(0,05)=14,067

maka

H0

ditolak. Jadi

dengan taraf signifikansi =0,05 dapat disimpulkan bahwa data tidak

memenuhi asumsi normal.
d. Cek Asumsi Kenormalan menggunakan Software Minitab
Cek asumsi normal p-variate dapat dilakuakn dengan software macro minitab.
Berikut adalah sintak macro minitab yang digunakan.
macro
tugas2 y.1-y.p
mconstant i j n p g b1 b2 z1 z2 zz v pp pvalue
mcolumn x.1-x.p y.1-y.p z.1-z.p t
mmatrix s sinv mi mj mjt ma mat mb mc md
let n=count(y.1)
do i=1:p
let x.i=y.i-mean(y.i)
let z.i=x.i/sqrt(n)
enddo
copy z.1-z.p ma
transpose ma mat
multiply mat ma s
print s
invert s sinv
let b1=0
let b2=0
do i=1:n
copy x.1-x.p mi;
use i.
do j=1:n
copy x.1-x.p mj;
use j.
transpose mj mjt
multiply mi sinv mc
multiply mc mjt md
copy md t
let g=t(1)
let b1=b1+g*g*g
if i=j
let b2=b2+g*g

endif
enddo
enddo
let b1=b1/(n*n)
let b2=b2/n
let z1=(p+1)*(n+1)*(n+3)*b1/(6*((n+1)*(p+1)-6))
let z2=(b2-p*(p+2))/sqrt(8*p*(p+2)/n)
let v=p*(p+1)*(p+2)/6
note Multivariate skewness
cdf z1 pp;
chis v.
let pvalue=1-pp
print b1 z1 pvalue
note Multivariate kurtosis
let zz=abs(z2)
cdf zz pp;
normal 0 1.
let pvalue=2*(1-pp)
print b2 z2 pvalue
endmacro

Berdasarkan sintak macro Minitab di atas, diperoleh hasil output sebagai

berikut:
MTB > %d:\tugas22.txt c1 c2 c3 c4 c5 c6 c7
Executing from file: d:\tugas22.txt
Multivariate skewness

Data Display
b1
z1
pvalue

33,2210
115,551
0,0127862

Multivariate kurtosis

Data Display
b2
z2
pvalue

60,4216
-0,473544
0,635825

2. Resume metode Multivariat Analysis of Variance (Manova) One Way dan

penerapannya pada suatu data
a. Analisis Variansi Multivariat (MANOVA)
Analisis Variansi Multivariat merupakan teknik analisis data tentang
perbedaan pengaruh beberapa variabel independen dalam skala nominal
terhadap sekelompok variabel dependen dalam skala rasio. Skala nominal
adalah tingkat mengkategorikan obyek yang diteliti dengan angka yang
diberikan pada obyek mempunyai arti sebagai label saja, sedangkan skala rasio
adalah ukuran nilai absolute pada objek yang akan diteliti dan mempunyai nilai
nol (0). Analisis Variansi Multivariat disebut juga dengan MANOVA.
Pada kasus multivariat, misal terdapat sekumpulan sampel acak yang
diambil dari setiap g populasi sebagai berikut:
X , X , , X1n
Populasi 1 : 11 12
1

Populasi 2 :

X 21 , X 22 , , X 2 n

Populasi g :

Xg1 , Xg2 , , Xgn

terdapat tiga asumsi dasar yang diperlukan oleh sekumpulan sampel acak di
atas, yaitu:
X 11 , X 12 , , X 1 n
1.
, (l = 1, 2, ,g) adalah sampel acak berukuran
l

dari suatu populasi dengan rata rata

nl

2. Matrik varians kovarian antara g populasi sama.

3. Setiap populasi adalah normal multivariat.

Sebelum dilakukan analisis variansi multivariat lebih lanjut, terlebih

dahulu akan diuji ketiga asumsi-asumsi dasar tersebut menyatakan bahwa dari
sekumpulan data multivariat
sampel acak berukuran
rata-rata

nl

X 11 , X 12 , , X 1 n

, (l = 1, 2, ,g) merupakan

yang diambil dari suatu populasi dengan vektor

dan saling bebas. Pernyataan ini adalah jelas tanpa perlu diuji

karena untuk tujuan uji perbedaan maka sekumpulan data multivariat dari
setiap populasi harus diambil secara acak dan saling bebas satu sama lain.

i. Uji Homogenitas Matriks

Statistika uji diperlukan untuk menguji homogenitas matrik varians
kovarian dengan hipotesis berikut (Johnson & Wichern, 2007: 310):
H 0 : 1= 2==g=0
H1:

ada paling sedikit satu diantara sepasang

yang tidak

sama
Jika dari masing-masing populasi diambil sampel acak berukuran n yang
l

saling bebas maka penduga tak bias untuk

sedangkan untuk

Sl

penduga tak biasnya adalah S dimana

g

S=

adalah matriks

( nl1 ) Sl

( n l1 )

l=1

l=1

Untuk menguji hipotesis di atas dengan tingkat signifikansi , digunakan

kriteria keputusan berikut:
H0

ditolak jika

M=

MC1> 21

( 2 (g 1 ) p ( p+1))

( )

dimana
g

( nl1 )
l=1

C1=1

ln|S| [ ( nl1 ) ln|S l|]

2 p2 +3 p1
6 ( p+1 )( g1 )

l=1

l=1

( nl1 )

1
g

( nl1 )
l=1

Dengan bantuan program SPSS, uji homogenitas matriks varianskovarians dapat dilakukan dengan Uji Boxs M. Jika nilai sig. > , maka H 0

diterima sehingga dapat disimpulkan matriks varians kovarians dari l-populasi

adalah sama atau homogen. Adapun langkah-langkah uji homogenitas varianskovarians menggunakan program SPSS 16 adalah sebagai berikut:
a. Dari worksheet, entry data dilakukan melalui Variable View dan Data View.
b. Dari menu utama SPSS dipilih menu Analyze, kemudian submenu General
Linear Model dipilih Multivariat.
c. Setelah tampak dilayar tampilan window Multivariat, kemudian melakukan
entry variabel-variabel yang sesuai pada kotak Dependent Variables dan
Fixed Factor(s).
d. SelanjutnyaOptiondipilih Homogenitas test danContinue, terakhir OK.
ii.

Uji Normalitas Multivariat

Metode statistika multivariat MANOVA mensyaratkan terpenuhinya
asumsi distribusi normalitas dengan hipotesis
H 0 : Data berdistribusi normal multivariat
H 1 : Data tidak berdistribusi normal multivariat
X 1 , X 2 , . , X p

Jika

( X )t 1 ( X )

berdistribusi

normal
2

multivariat

p . Berdasarkan

berditribusi

sifat

maka
ini maka

pemeriksaan distribusi normal multivariat dapat dilakukan pada setiap populasi

dengan

cara
t

d i =( X i X ) S

membuat
1

q-q

plot

atau

scatter-plot

dari

nilai

( X i X ) ,i=1,2, , n .

Tahapan dari pembuatan q-q plot ini adalah sebagai berikut (Johnson &
Wichern, 2007: 187)
a)

Mulai

b)

Tentukan nilai vektor rata-rata:

c)

Tentukan nilai matriks varians-kovarians: S

d)

Tentukan nilai jarak mahalanobis atau kuadrat general setiap titik

pengamatan

dengan
t

d i =( X i X ) S

vektor

rata-ratanya

( X i X ) ,i=1,2, , n .
2

e)

2
Urutkan nilai d i dari kecil ke besar : d (1) d(2) d(3) d (n ) .

f)

Tentukan nilai

pi=

i1/2
, i=1, 2, , n .
n
qi

g)

qi

Tentukan nilai

((

qi , p ( p i )= p ni+

) )

1
/n
2

sedemikian hingga

f ( 2 ) d 2= pi

atau

h)

2
q
Buat scatter-plot d (i) dengan i

i)

Jika scatter-plot ini cenderung membentuk garis lurus dan lebih dari 95%
nilai

d 2i 2p ( 0,05 ) , maka

H0

diterima artinya data berdistribusi

normal multivariat.
j)

Selesai
Pada Analisis Variansi Univariat, keputusan dibuat berdasarkan satu

statistika uji yaitu uji F. Pada Analisis Variansi Multivariat ada beberapa
statistik uji yang dapat digunakan untuk membuat keputusan, yaitu (Kattree &
Naik, 2000: 66):
a) Pillais Trace. Statistik uji ini paling cocok digunakan jika asumsi
homogenitas matriks varians kovarians tidak dipenuhi dengan ukuranukuran sampel kecil. Semakin tinggi nilai statistik Pillais Trace, pengaruh
terhadap model semakin besar. Statistik uji Pilllais Trace dirumuskan
sebagai:
p

P=
i=1

i
B
=tr i ( 1+ i )1=tr
1+ i
B+W

( )

dimana

1 , 2 , , p

adalah akar-akar karakteristik dari ( W ) ( B ) .

b) Wilks Lambda. Statistik uji ini digunakan jika terdapat lebih dari dua
kelompok variabel independen dan asumsi homogenitas matriks varians
kovarians dipenuhi. Semakin rendah nilai statistik Wilks Lambda, pengaruh
terhadap model semakin besar. Nilai Wilks Lambda berkisar antara 0-1.
Statistik uji Wilks Lambda dirumuskan sebagai:
p
|W |
U= ( 1+ i)1=
|B+W |
i=1
c) Hotellings Trace. Statistik uji ini cocok digunakan jika hanya terdapat dua
kelompok variabel independen. Semakin tinggi nilai statistik Hotellings
Trace, pengaruh terhadap model semakin besar. Nilai Hotellings Trace >
Pillais Trace. Statistik uji Hotellings dirumuskan sebagai:
p

T = i =tr i =tr [ B W

i=1

d) Roys Largest Root. Statistik uji ini hanya digunakan jika asumsi
homogenitas varians kovarians dipenuhi. Semakin tinggi nilai statistik Roys
Largest Root, pengaruh terhadap model semakin besar. Nilai Roys Largest
Root > Hotellings Trace > Pillais Trace. Dalam hal pelanggaran asumsi
normalitas multivariat, statistik ini kurang robust (kekar) dibandingkan
dengan statistik uji yang lainnya. Statistik uji Roys Largest Root
dirumuskan sebagai:
R= maks=maks ( 1 , 2 , , p )
b. One-Way MANOVA
Salah satu model MANOVA sebagai perluasan dari One-Way ANOVA.
Model ini dengan pengaruh tetap dapat digunakan untuk menguji apakah ke-g
populasi (dari satu faktor yang sama) menghasilkan vektor rata-rata yang sama
untuk p variabel dependen yang diamati dalam penelitian.
Menurut Johnson & Wichern (2007: 300), untuk membandingkan
vektor rata-rata populasi g berdasarkan bentuk model One-Way ANOVA adalah
x lj=+ l + lj

l=1, 2, ,g , j=1, 2, , nl

dengan

lj

dan

adalah galat yang diasumsikan

N p ( 0, ) untuk data multivariat.

bebas dan berdistribusi

Suatu vektor dari pengamatan data multivariat dianalisis mengacu pada

jumlah kuadrat pada model One-Way MANOVA. Sehingga digunakan,

( x lj x ) ( x lj x )

dapat ditulis sebagai berikut :

t

( x lj x ) ( x lj x ) =( ( x l x ) + ( x lj x l ) )( ( xl jx ) + ( x lj x l ) )
( x lx )( xl x )t + ( x l x )( x lj xl ) t
+ ( x lj xl ) ( x l x )t + ( x lj xl ) ( x lj x l )t

Jumlah untuk semua pengamatan ke-l berdasarkan bentuk persamaan di atas

dirumuskan sebagai berikut
nl

t
t
t
( x lj x ) ( x lj x ) = nl ( x lx )( xl x ) + ( x lj x l )( xlj x l )
j=1

nl

j=1

nl

dengan

( x ljx l )=0.
j=1

Selanjutnya bentuk persamaan tersebut dijumlahkan untuk semua populasi

untuk menghasilkan jumlah pengamatan total sebagai berikut:
nl

nl

( x ljx ) ( x lj x ) = n l ( x l x ) ( x lx ) + ( x ljxl ) ( x ljx l )t

j=1

l=1

l=1 j =1

l=1

Misalkan

nl

W = ( x lj xl ) ( x lj x l )t
l=1 j =1

( n1 1 ) S 1 + ( n2 1 ) S 2 + .+ ( ng 1 ) S g
dimana Sl adalah matrik varians kovarians sampel ke-l. Matriks tersebut
mempunyai peran yang dominan dalam pengujian ada tidaknya pengaruh
perlakuan.
Pengujian One-Way MANOVA mempunyai hipotesis
H 0 : 1= 2== l== g (tanpa pengaruh perlakuan pada multivariat)
H 1 : k l ( k ,l=1,2, , g ) (ada pengaruh perlakuan pada multivariat)

()

l 1
=
dengan l
lp

dan l=1,2, , g .

Untuk perhitungan statistik uji digunakan tabel MANOVA sebagai berikut

(Johnson & Wichern, 2007: 302):

Tabel 2.1. One-Way MANOVA

Sumber
Matriks jumlah dari kuadrat dan
Variansi

hasil kali

kebebasan

Perlakuan

B= n l ( x l x ) ( x lx )

Galat (sisa)

nl

W = ( x lj xl ) ( x lj x l )

g 1
g

n lg

l=1

l=1 j =1
g

total

l=1

Derajat

nl

B+W = ( x lj x ) ( x lj x )
l =1 j=1

n l1
l=1

Statistik uji yang digunakan adalah:

|
|
nl

|W |

|W + B|

l=1 j=1
nl

l=1 j=1

=|W |/|W + B|

Ukuran

|
|
t

( x lj x l ) ( xlj x l )
( x lj x ) ( xlj x )

berdasarkan statistik uji Wilks lambda. Untuk

menentukan distribusi * digunakan statistika uji pada Tabel 2.2 sebagai

berikut:
Tabel 2.2. Distribusi dari Wilkslambda
Variabel

Gru

|W |
|W + B|

Distribusi sampling untuk data normal multivariat

p
g
p=1

( )(
( )(
( )(
nlg
l=1

2
g

p=2

g1

p 1

nlg1

g1

F 2( g 1) ,2 ( n g 1)
l

nl p1
l=1

=2

g 1,nl g

l=1

)F

)F

p , nl p1

2 p , 2( nl p2
g

p 1
=3

nl p2
l=1

)(

Distribusi sampling data normal multivariat disesuaikan dengan hasil uji

F. Jadi

H0

ditolak jika nilai statistik uji

dari nilai Ftabel sehingga dapat

disimpulkan bahwa terdapat perbedaan pengaruh perlakuan di antara populasi.

c. Penerapan One-Way Manova pada Data

Diberikan suatu data hasil tes penelitian psikologi untuk laki-laki dan
perempuan (Rencher, 202: 125). Pada penelitian tersebut terdapat 4 jenis tes
yang dijadikan sebagai variabel independen. Empat tes tersebut dimisalkan
sebagai

y 1 , y 2 , y3 , dan y 4

. Data hasil penelitian diberikan pada Tabel 2.3.

Tabel 2.3. Data Hasil Tes Psikologi untuk Laki-laki dan Perempuan
Laki-laki

Perempuan

y1

y2

y3

y4

y1

y2

y3

15
17
15
13
20
15
15
13
14
17
17
17
15
18
18
15
18
10
18
18
13
16
11
16
16
18
16

17
24
15
32
14
29
12
10
17
26
21
26
13
26
5
22
7
30
15
30
17
26
20
28
15
29
19
32
18
31
14
26
17
33
14
19
21
30
21
34
17
30
16
16
15
25
13
26
13
23
18
34
15
28
Laki-laki

14
26
23
16
28
21
22
22
17
27
20
24
24
28
27
21
26
17
29
26
24
16
23
16
21
24
27

13
14
12
12
11
12
10
10
12
11
12
14
14
13
14
13
16
14
16
13
2
14
17
16
15
12
14

y1

y2

y3

y4

y1

y2

y3

y4

15
18

16
19

29
32

24
23

13
11

15
16

18
18

20
28

14
12
12
14
19
21
13
10
20
16
9
14
13
18
8
13
20
19
10
11
18
25
18
13
10
25
16
8
8
13
16
23
21
26
17
14
16
15
16
23
6
16
16
22
17
22
13
16
14
20
10
12
17
24
Perempuan

y4
21
26
21
16
16
18
24
23
23
27
25
26
28
14
25
28
26
14
23
24
21
26
28
14
26
9
23

18
17
19

16
20
19

33
21
30

23
21
28

7
12
6

7
15
5

19
7
6

18
28
13

i. Penghitungan Manual
Sebelum dilakukan uji One way Manova, terlebih dahulu akan dilakukan uji
asumsi.
a) Uji Homogenitas
Hipotesis
H 0 : 1= 2=0 (varians 2 populasi homogen)
H1:

1 2 0

(varians 2 populasi tidak homogen)

Taraf signifikansi: =0,05

Statistik Uji:
M=

( nl1 ) ln|S| [ ( nl1 ) ln|S l|]

l=1

C1=1

l=1

2 p2 +3 p1
6 ( p+1 )( g1 )

l=1

( nl1 )

1
g

( nl1 )
l=1

Kriteria Keputusan:
H0

ditolak jika

MC1> 21

( 2 (g 1 ) p ( p+1))

()

Hitungan
Misal 1:laki-laki
2: perempuan
Berdasarkan hasil perhitungan Excel, diperoleh:

[
[

5,192
4,545
S 1=
6,522
2,250

4,545
6,522 5,25
13,184 6,760 6,266
6,760 28,673 14,467
6,266 14,467 16,645

9,136 7,549
4,863 4,151
7,549 18,603 10,224 5,445
S 2=
4,863 10,224 30,039 13,493
4,151 5,445 13,493 27,995

]
]

|S1|=7917,675

|S2|=58958,07

S=

( nl1 ) Sl

( n l1 )

l=1

l=1

( [

]) ( [

5,192
1
4,545

(321)
( 321 )+ ( 321 )
6,522
2,250

7,164
6,047
S=
5,693
4,700

4,545
6,522 5,25
13,184 6,760 6,266
+ ( 321 )
6,760 28,673 14,467
6,266 14,467 16,645

6,047
5,882 4,857
15,894 8,775 5,855
8,492 29,356 13,980
5,855 13,980 22,320

9,136 7,54
7,549 18,60
4,863 10,22
4,151 5,44

|S|=27325,23

Maka,

[ ( ) ]
g

M=

l=1

nl1 ln|S| [ ( nl1 ) ln|S l|]

l=1

[ ( 321 ) + ( 321 ) ] ln ( 27325,23 ) ( ( ( 321 ) ln ( 7917,675) )+ ( ( 321 ) ln ( 58958,07)) )

M =14,56059
C1=1

2 p2 +3 p1
6 ( p+1 )( g1 )

l=1

( nl1 )

1
g

( nl1 )
l=1

4
2( 2)+3(4)1
6 ( 4 +1 ) ( 21 )

1
1
1
1

(( 321
)
(
( 321 )+(321) 321 ( 321 )+(321) ))
1

C1=0,953
Jadi,

MC =13,88737

2
1
( g 1) p ( p+1 )
2

( )= 21

(2

( 21) 4 ( 4+ 1)

( 0,05 )= 2( 10) ( 0,05 )=18,307

Kriteria keputusan:
H 0 ditolak jika

MC1>18,307

Kesimpulan:
Karena

MC1=13,88737<18,307

dengan taraf signifikansi

maka

=0,05

H0

diterima. Jadi

dapat disimpulkan bahwa

varians populasi laki-laki dan perempuan homogen.

b) Uji Normalitas
Untuk melakukan uji normalitas, akan ditentukan Jarak Mahalanobis
untuk masing-masing populasi. Berdasarkan hasil perhitungan excel,
diperoleh Jarak Mahalanobis sebagai berikut:
Tabel 2.4. Jarak Mahalanobis 2 Populasi
No
Jarak Mahalanobis
Laki-laki
Perempuan
7,369237
1,036625
1
1,398394
2,320458
2
0,796413
2,764256
3
10,86339
2,046144
4
7,366846
6,080135
5
4,35273
2,151095
6
0,675489
1,066447
7
11,12665
2,288517
8
10,96654
3,331109
9
1,729482
4,053163
10
1,538063
3,210506
11
1,346518
3,672996
12
0,781039
6,918545
13
1,775544
5,061381
14
1,224728
5,310914
15
0,353081
1,870502
16
1,393553
3,994866
17
8,114372
3,696649
18
3,617209
1,973094
19
2,822329
1,381894
20
5,216916
12,72931
21
7,0015
1,132544
22
8,013163
3,19135
23
5,271605
6,250087
24
1,68487
1,67044
25
2,42316
7,078146
26
2,154978
2,081763
27
0,80873
0,415063
28

2,192223
2,652989
4,355907
2,612354

29
30
31
32

2,692882
6,011639
9,344649
7,172835

Hipotesis
H 0 : Data berdistribusi normal multivariat
H 1 : Data tidak berdistribusi normal multivariat
Taraf signifikansi: =0,05
Kriteria Keputusan:
2
2
H0
ditolak jika lebih dari 95% nilai d i > p ( 0,05 )
Hitungan:
2p ( 0,05 )= 24 ( 0,05 )=9,487
Kesimpulan:
2

d i <9,487

Karena lebih dari 95% nilai

maka

H0

untuk setiap populasi,

diterima. Jadi, dengan taraf signifikansi

=0,05

dapat disimpulkan bahwa data berdistribusi normal multivariat.

Menggunkan software Minitab, akan dibuat q-q plot untuk melihat
normalitas data. Sebelumnya, akan ditentukan nilai quantil chi square
dengan derajad bebas 4. Hasil perhitungan yang diperoleh dapat dilihat
pada Tabel 2.5 di bawah ini.
Tabel 2.5. Perhitungan Quantil Chi-square
2
j
j0,5
d 2i
Sort d i
64

1
2
3
4
.
.
.
64

7,369237
1,398394
0,796413
10,86339

0,353081
0,415063
0,675489
0,781039
.
.
.
.
.
.
7,172835 12,7293

0,0078125
0,0234375
0,0390625
0,0546875
.
.
.
0,992188

q c, 2

( j0,5
64 )

0,261055
0,467762
0,618926
0,747750
.
.
.
13,8433

Kemudian, pembentukan q-q plot dilakukan dengan meregresikan nilai

d 2i

yang sudah diurutkan dengan nilai quantil chi square. Diperoleh

plot sebagai berikut:

Gambar 2. q-q plot

Berdasarkan Gambar 2, dapat dilihat bahwa sebaranjaral mahalanobis
data mengikuti suatu garis lurus. Hal ini mengindikasikan bahwa data
memenuhi asumsi normalitas.
c) Uji One-Way MANOVA
Hipotesis
H 0 : 1= 2 (tidak ada pengaruh perlakuan untuk setiap populasi)
H1: 1 2

(ada pengaruh perlakuan untuk setiap populasi)

Taraf Signifikansi: =0,05

Statistik Uji:

|
|
g

|W |

nl

|
|
t

( x lj x l ) ( xlj x l )

|W + B|

l=1 j=1
g

nl

l=1 j=1

( x lj x ) ( xlj x )

Hitungan:
Dengan menggunkan Excel, diperoleh

B= n l ( x l x ) ( x lx )

l=1

210,25 116
610,81 47,125
116
64
337
26
B=
610,81 337 1774,516 136,906
47,125 26 136,906 10,562

nl

W = ( x lj xl ) ( x lj x l )t
l=1 j =1

444,187
374,937
W=
352,968
291,437

374,937 352,968 291,437

985,437 526,531 363,062
526,531 1820,094 866,812
363,062 866,812 1383,875

|W |=4,0376 x 1011
Sehingga,
g

nl

B+W = ( x lj x ) ( x lj x )t
l =1 j=1

654,437
490,937
B+ W =
963,781
338,562

490,937
963,781 338,562
1049,437 863,531 389,062
863,531 3594,609 1003,719
389,062 1003,719 1394,438

|B+W |=1,03938 x 1012

Jadi,
=

4,0376 x 1011
=0,38846
|W + B| 1,03938 x 1012

|W |

Jika dilihat pada Tabel 2.2. data yang diketahui mempunyai

dengan

g=2 , maka F yang digunakan adalah:

tabel
g

nl p1
l=1

)(

)F

p , nl p1

F
( ( 3241) +4( 3241) )( 10,38846
0,38846 )

4, ( (3241 ) + ( 3241) )

p 1

21,25194 2,5429

Kesimpulan:
Karena nilai
H0

Fhitung =21,25194> F 4, (54 ) ( 0,05 ) =2,5429

ditolak. Jadi dengan taraf signifikansi

=0,05

, maka
dapat

disimpulkan bahwa tidak ada pengaruh perlakuan untuk setiap

populasi. Pada permasalahn ini artinya keempat jenis tes tidak
memberi pengaruh terhadap hasil tes laki-laki atau perempuan.
ii.

Penghitungan dengan SPSS

Menggunakan software SPSS untuk menghitung uji MANOVA dilakukan
dengan langkah-langkah sebagai berikut:

Gambar 2.1. Langkah 1

Berdasarkan Gambar 2.1, langkah pertama adalah klik Analyze General
Linier Model Multivariate. Selanjutnya akan muncul kotak dialog seperti
Gambar 2.2 di bawah ini.

Gambar 2.2. Langkah 2

Pada Gambar 2.2 beri centang untuk Homogencity tests, kemudian klik
continue.

Gambar 2.3. Langkah 3

Pada Langkah 3, masukkan semua variabel.

Gambar 2.4. Langkah 4

Dari langkah-langkah di atas, diperoleh hasil output SPSS sebagai berikut:

Between-Subjects Factors
Value Label
jeniskelamin

laki-laki

32

perempuan

32

Box's Test of
Equality of
Covariance Matricesa
Box's M
F

14.561
1.354

df1

10

df2

1.838E4

Sig.

.195

Multivariate Testsb
Effect
Intercept

gender

Value

Hypothesis df

Error df

Sig.

Pillai's Trace

.975

5.737E2a

4.000

59.000

.000

Wilks' Lambda

.025

5.737E2a

4.000

59.000

.000

Hotelling's Trace

38.894

5.737E2a

4.000

59.000

.000

Roy's Largest Root

38.894

5.737E2a

4.000

59.000

.000

Pillai's Trace

.612

23.220a

4.000

59.000

.000

Wilks' Lambda

.388

23.220a

4.000

59.000

.000

Hotelling's Trace

1.574

23.220a

4.000

59.000

.000

Roy's Largest Root

1.574

23.220a

4.000

59.000

.000

a. Exact statistic
b. Design: Intercept + gender

Levene's Test of Equality of Error Variancesa

F
pictorial inconsistencies
paper form board
tool recognition
vocabulary

df1

df2

Sig.

.394

62

.532

2.170

62

.146

.448

62

.506

3.040

62

.086

Tests the null hypothesis that the error variance of the dependent variable is
equal across groups.
a. Design: Intercept + gender

Tests of Between-Subjects Effects

Type III Sum of
Source

Dependent Variable

Corrected Model

pictorial inconsistencies

.000

64.000b

64.000

4.027

.049

1774.516c

1774.516

60.447

.000

10.562d

10.562

.473

.494

pictorial inconsistencies

12825.562

12825.562

1.790E3

.000

paper form board

14220.562

14220.562

894.704

.000

tool recognition

30756.391

30756.391

1.048E3

.000

vocabulary

31951.562

31951.562

1.431E3

.000

210.250

210.250

29.347

.000

64.000

64.000

4.027

.049

1774.516

1774.516

60.447

.000

10.562

10.562

.473

.494

pictorial inconsistencies

444.188

62

7.164

paper form board

985.438

62

15.894

tool recognition

1820.094

62

29.356

vocabulary

1383.875

62

22.321

pictorial inconsistencies

13480.000

64

paper form board

15270.000

64

tool recognition

34351.000

64

vocabulary

33346.000

64

654.437

63

paper form board

1049.438

63

tool recognition

3594.609

63

vocabulary

1394.437

63

pictorial inconsistencies

tool recognition
vocabulary

Corrected Total

Sig.

29.347

paper form board

Total

210.250

vocabulary

Error

Mean Square
1

tool recognition

gender

df

210.250a

paper form board

Intercept

Squares

pictorial inconsistencies

a. R Squared = .321 (Adjusted R Squared = .310)

b. R Squared = .061 (Adjusted R Squared = .046)
c. R Squared = .494 (Adjusted R Squared = .485)
d. R Squared = .008 (Adjusted R Squared = -.008)

Analisis Output SPSS

A. Uji Kesamaan Varians (Homogenitas)
a. Kesamaan Varian Serentak
Hipotesis
H0 : Semua variabel Y memiliki matrik Varians kovarian yang sama
untuk jenis kelamin laki-laki dan perempuan.
H1: Semua variabel Y memiliki matrik Varians kovarian yang tidak
sama untuk jenis kelamin laki-laki dan perempuan.
Kriteria keputusan: Tolak H jika sign < =0,05
0

Kesimpulan:

Diperoleh nilai sign = 0.158 > =0,05 , maka H0 diterima. Jadi,

dengan taraf signifikansi

=0,05 dapat disimpulkan bahwa semua

variabel Y memiliki matrik varians kovarian yang sama untuk jenis

kelamin laki-laki dan perempuan.
b. Kesamaan Varians Tiap Variabel
Hipotesis
H0 : Variabel Y1 ,Y2 Y3,Y4 memiliki matrik varians kovarian yang sama
untuk jenis kelamin laki-laki dan perempuan.
H1: Variabel Y1,Y2,Y3,Y4 memiliki matrik varians kovarian yang tidak
sama untuk jenis kelamin laki-laki dan perempuan.
Kriteria keputusan: Tolak H bila sign < =0,05.
0

Dengan menggunakan Taraf signifikansi =0,05

Variabel
Y1
Y2
Y3
Y4

sign
,532
,146
,824
,086

diperoleh:

Keputusan
H0 di terima
H0 di terima
H0 di terima
H0 di terima

Dari hasil di atas dapat dilihat bahwa variabel Y1 ,Y2 Y3,Y4 menerima H0.
Jadi, dapat disimpulkan bahwa variabel Y1 ,Y2 Y3,Y4 memiliki matrik
varians kovarian yang sama untuk jenis kelamin laki-laki dan perempuan
B. Analisis Manova

a. Perbedaan Antar Kelompok

Hipotesis
H0 : Variabel hasil tes psikologi tidak menunjukan perbedaan pada
jenis kelamin laki-laki dan perempuan.
H1: Variabel hasil tes psikologi menunjukan perbedaan pada jenis
kelamin laki-laki dan perempuan.
Kriteria keputusan: Tolak H0 bila sign < =0,05
Kesimpulan:
Dengan menggunakan Taraf signifikansi

=0,05

diperoleh nilai

uji Pillais Traces, Wilks Lambda, Hotellings Trace, Roys larngerst

Root sign sebesar 0.000, yang artinya bahwa sign < =0,05
sehingga menolak H0 . Jadi, dapat disimpulkan bahwa semua variabel
hasil tes psikologi menunjukan perbedaan pada jenis kelamin laki-laki
dan perempuan.
b. Perbedaan Masing-masing Variabel
Untuk variabel Pictorial Psychological (y1)
Hipotesis
H0 : Variabel Pictorial Psychological (y1) tidak menunjukan
perbedaan pada jenis kelamin laki-laki dan perempuan.
H1: Variabel Pictorial Psychological (y1) menunjukan perbedaan
pada jenis kelamin laki-laki dan perempuan.
Kriteria keputusan: Tolak H bila sign < =0,05
0

Kesimpulan:
Dengan menggunakan Taraf signifikansi

=0,05

nilai sign sebesar 0.000, yang artinya bahwa sign <

diperoleh
=0,05

sehingga menolak H0. Jadi, dapat disimpulkan bahwa Pictorial

Psychological (y1) menunjukan perbedaan pada jenis kelamin
laki-laki dan perempuan.
Untukvariabel Paper Form Board (y2)
Hipotesis
H0 : Variabel Paper Form Board (y2) tidak menunjukan
perbedaan pada jenis kelamin laki-laki dan perempuan.
H1: Variabel Paper Form Board (y2) menunjukan perbedaan pada
jenis kelamin laki-laki dan perempuan.

Kriteria keputusan: Tolak H0 bila sign < =0,05

Kesimpulan:
Dengan menggunakan Taraf signifikansi

=0,05

diperoleh

nilai sign sebesar 0.049, yang artinya bahwa sign < =0,05
sehingga menolak H0. Jadi, dapat disimpulkan bahwa Paper Form
Board (y2) menunjukan perbedaan pada jenis kelamin laki-laki
dan perempuan.
Untukvariabel Tool Recognition (y3)
Hipotesis
H0 : Variabel Tool Recognition (y3) tidak menunjukan perbedaan
pada jenis kelamin laki-laki dan perempuan.
H1: Variabel Tool Recognition (y3) menunjukan perbedaan pada
jenis kelamin laki-laki dan perempuan.
Kriteria keputusan: Tolak H bila sign < =0,05
0

Kesimpulan:
Dengan menggunakan Taraf Signifikansi

=0,05

diperoleh

nilai sign sebesar 0.000, yang artinya bahwa sign < =0,05
sehingga menolak H0. Jadi, dapat disimpulkan

bahwa Tool

Recognition (y3) menunjukan perbedaan pada jenis kelamin lakilaki dan perempuan.
Untukvariabel Vocabulary (y4)
Hipotesis
H0 : Variabel Vocabulary (y4) tidak menunjukan perbedaan pada
jenis kelamin laki-laki dan perempuan.
H1: Variabel Vocabulary (y4) menunjukan perbedaan pada jenis
kelamin laki-laki dan perempuan.

Kriteria keputusan: Tolak H0 bila sign < =0,05

Kesimpulan:
Dengan menggunakan Taraf signifikansi

=0,05

diperoleh

nilai sign sebesar 0.494, yang artinya bahwa sign > =0,05
sehingga menolak H1. Jadi, dapat disimpulkan bahwa Vocabulary

(y4) tidak menunjukan perbedaan pada jenis kelamin laki-laki dan

perempuan.

DAFTAR PUSTAKA

Johnson, Richard A., & Wichern, Dean W., (2007). Applied Multivariate
Statistical Analysis, 6th Edition. Pearson: Upper Saddle River, New York.
Kattree, Ravinda., Dayanand N. Naik. (2000). Applied Multivariate Statistics With
SAS Software, 2nd Edition. John Wiley & Sons Inc: USA.
Renchern, Alvin C., (2002). Methods of Multivariate Analysis, 2nd Edition. John
Wiley & Sons Inc: USA.