BNT LSD

Uji Beda Nyata Terkecil (BNT)
Oke, kali ini saya akan menjelaskan bagaimana cara menggunakan uji Beda Nyata
Terkecil atau sering disebut uji BNT. Seperti pada uji BNJ, Uji BNT sebenarnya
juga sangat simpel. Untuk menggunakan uji ini, atribut yang kita perlukan adalah
1) data rata-rata perlakuan, 2) taraf nyata, 3) derajad bebas (db) galat, dan 4) tabel
t-student untuk menentukan nilai kritis uji perbandingan.
Perlu anda ketahui bahwa uji BNT ini dilakukan hanya apabila hasil analisis
ragam minimal berpengaruh nyata. Tapi bagaimana kalau hasil analisis ragam
tidak berpengaruh nyata apakah bisa dilanjutkan dengan uji BNT? Jawabnya bisa.
Tapi yang menjadi pertanyaan selanjutnya adalah apakah perlu menguji
perbedaan pengaruh perlakuan jika ternyata perlakuan yang dicobakan sudah
tidak memberikan pengaruh yang nyata? Bukankah apabila perlakuan tidak
berpengaruh berarti perlakuan t1 = t2 = t3 = tn, yang berarti pengaruh
perlakuannya sama. Jadi sebenarnya pengujian rata-rata perlakuan pada
perlakuan-perlakuan yang tidak berpengaruh nyata tidak banyak memberikan
manfaat apa-apa.
Post-Hoc-Test Metode Tukey
Dalam pengujian ANOVA, kita dapat menarik kesimpulan apakah menerima atau
menolak hipotesis. Jika kita menolak hipotesis, artinya bahwa dari variabel-
variabel yang kita uji, terdapat perbedaan yang signifikan. Misalnya jika kita
menguji perbedaan 4 metode mengajar terhadap prestasi siswa, kita bisa
menyimpulkan bahwa ada perbedaan dari keempat metode tersebut. Akan tetapi,
kita tidak mengetahui, metode manakah yang berbeda dari keempatnya. Secara
statistik,kita tidak bisa mengatakan bahwa yang terbaik hanya dengan
memperhatikan rata-rata dari setiap metode tersebut.
Untuk menjawab pertanyaan metode manakah yang berbeda, maka statistic

memiliki teknik post hoc test untuk mengetahui, variabel manakah yang memiliki
perbedaan yang signifikan. Ada banyak metode yang ada. Di SPSS ada banyak
teknik post hoc. Diantaranya jika asumsi homogenitas varian terpenuhi, maka
teknik yang bisa dipergunakan adalah: LSD (least square differences), Tukey,
Bonferoni, Duncan, scheffe dan lain sebagainya. Dan jika tidak ada asumsi
homogenitas varian, maka teknik yang bisa dipergunakan adalah tamhane T2,
dunnett’s T3, games-howell dan dunnett’s C.
Jika jumlah n setiap variabel sama, maka teknik yang bisa digunakan adalah LSD,
student Newman-Keuls (SNK) dan Tukey. Akan tetapi jika jumlah n tiap variabel
tidak sama, maka kita bisa menggunakan teknik scheffe. Untuk membicarakan
setiap teknik itu, akan sangat membutuhkan waktu yang lama. Karena itu pada
kesempatan ini saya hanya akan membahas salah satu teknik saja secara manual
yaitu teknik Tukey.
Teknik Tukey juga biasa disebut dengan HSD (honestly Significant difference).
Untuk melakukan teknik ini, kita memerlukan salah satu test statistic yaitu Q yang
dianalogikan dari statistik-t yang didefinisikan secara matematis:
Sekarang kita lihat bagaimana cara menggunakan teknik ini. Misalnya kita
memiliki empat metode yang kita uji untuk melihat apakah ada perbedaan metode
serta jika ada, manakah di antara keempat metode tersebut yang berbeda secara
signifikan.
dari data tersebut, kita bisa membuat rangkuman analisis varian seperti berikut ini:
berdasarkan table tersebut, kita

dapat menyimpulkan bahwa H0 di tolak sehingga kita bisa mengatakan ada
perbedaan yang signifikan dari keempat metode yang di pergunakan. Pertanyaan
selanjutnya adalah metode manakah yang berbeda? Untuk menjawabnya kita
memerlukan teknik tukey.
Langkah pertama yang kita lakukan adalah kita membuat matriks korelasi dari
rata-rata setiap variabel seperti ini:
Matriks dibuat mulai dari metode yang memiliki rata-rata terkecil. Langkah
selanjutnya adalah mencari perbedaan setiap metode. Misalnya antara metode 2
dan metode 4 memiliki perbedaan: 12,4 – 8,4 = 4, antara metode 2 dan 1 memiliki
perbedaan 13,6 – 8,4 = 5,2 dan seterusnya.
Langkah berikutnya adalah mencari nilai Q dengan membagi perbedaan mean

antara masing-masing metode dengan
nilai Mean Square Within (MSW) diperoleh dari rangkuman table ANAVA).
Dengan demikian,
Sebagai contoh 4,00/1,19 = 3,36, 5,20/1,19 = 4,37. Untuk lebih jelasnya, saya
rangkumkan dalam table berikut ini:
Dengan memperhatikan nilai Q dibandingkan dengan nilai r table, dimana r
adalah jumlah means. Dalam kasus ini, jumlah kolom adalah 4. Adapun derajad
kebebasan adalah 16. Jumlah 16 merupakan n – k = 20 -4 = 16. Dengan demikian,
nilai kritis untuk Q adalah 4,05 dan 5,19 untuk tingkat kepercayaan 0,05 dan 0,01.
Dengan demikian, nilai Q yang berada di atas nilai Q kritis hanyalah antara
metode 1 dan 2 serta 1,3 pada tingkat kepercayaan 0,05 serta metode 1 dan 3 pada
tingkat kepercayaan 0,01.
Uji Duncan's Multiple Range Test (DMRT)

Oleh : Abdul Syahid, SP., MP
Oke, kali ini saya akan menjelaskan bagaimana cara menggunakan uji Duncan's
Multiple Range Test atau sering disebut uji DMRT. Di beberapa referensi ada
yang menamakan dengan ”Uji Jarak Berganda Duncan”. Dan untuk selanjutnya
saya hanya menyebutnya dengan Uji DMRT. Uji DMRT berbeda dengan Uji
BNT atau BNJ. Kalau pada Uji BNT atau BNJ, perbandingan terhadap nilai-nilai
rata-rata perlakuan hanya menggunakan satu nilai pembanding, sedangkan Uji
DMRT nilai pembandingnya sebanyak P – 1 atau tergantung banyaknya
perlakuan. Artinya apabila perlakuan anda berjumlah 10, maka nilai
pembandingnya sebanyak 9.
Kalau anda telah menguasai uji DMRT ini, maka saya sangat menyarankan anda
lebih baik menggunakan uji ini daripada misalnya dengan uji BNT atau BNJ.
Mengapa demikian? Karena Uji DMRT lebih teliti dan bisa digunakan untuk
membandingkan pengaruh perlakuan dengan jumlah perlakuan yang besar.
Uji DMRT ini dalam penggunaannya agak rumit sedikit tapi tidak susah asalkan
anda bisa memahaminya tahap demi tahap. Untuk menggunakan uji ini, atribut
yang anda perlukan adalah 1) data rata-rata perlakuan, 2) taraf nyata, 3) jumlah
perlakuan, 4) derajad bebas (db) galat, dan 5) tabel Duncan untuk menentukan
nilai kritis uji perbandingan.
Perlu anda ketahui bahwa uji DMRT ini dilakukan hanya apabila hasil analisis
ragam minimal berpengaruh nyata. Tapi bagaimana kalau hasil analisis ragam
tidak berpengaruh nyata apakah bisa dilanjutkan dengan uji DMRT? Jawabnya
bisa. Tapi yang menjadi pertanyaan selanjutnya adalah apakah perlu menguji
perbedaan pengaruh perlakuan jika ternyata perlakuan yang dicobakan sudah
tidak memberikan pengaruh yang nyata? Bukankah apabila perlakuan tidak
berpengaruh berarti perlakuan t1 = t2 = t3 = tn, yang berarti pengaruh
perlakuannya sama. Jadi sebenarnya pengujian rata-rata perlakuan pada
perlakuan-perlakuan yang tidak berpengaruh nyata tidak banyak memberikan
manfaat apa-apa.
Oke, sebagai contoh saya ambil data berikut ini yang merupakan data hasil
pengamatan pengaruh pemupukan P terhadap bobot polong isi (gram) kedelai
varitas Slamet. Percobaan dilakukan dengan rancangan acak kelompok dengan
tujuan untuk mengetahui pengaruh pemupukan P terhadap bobot polong isi
kedelai. Data hasil pengamatan adalah sebagai berikut :
Hasil analisis ragam (anova) dari data di atas adalah berikut ini :
Oke, sekarang kita mulai saja bagaimana cara menggunakan uji DMRT ini.
Langkah pertama yang harus anda lakukan adalah menentukan nilai jarak (R)
sebanyak p - 1 (dalam contoh ini p = 7, maka p – 1 = 7 – 1 = 6) berdasarkan data
jumlah perlakuan (dalam contoh ini perlakuan, p = 7), derajat bebas (db) galat
(dalam contoh ini db galat = 12, lihat angka 12 yang berwarna kuning pada tabel
analisis ragam), dan taraf nyata (dalam contoh ini misalkan taraf nyata = 5% atau
0,05 (disimbolkan dengan alfa). Sehingga nilai jarak (R) ini ditulis dengan R(p, v,
α).
Setelah semua nilai sudah anda tentukan, barulah anda bisa menentukan nilai
jarak (R) dengan cara melihat pada tabel nilai kritis uji perbandingan berganda
Duncan. Berikut saya lampirkan sebagian dari tabel tersebut :
Anda perhatikan angka-angka yang saya blok dengan kotak merah pada tabel di
atas. Jumlah angka –angka pada blok tersebut ada 6 yang saya ambil berdasarkan
P – 1 atau 7 – 1 = 6 dan db galat = 12 seperti yang sudah kita tentukan
sebelumnya. Untuk lebih jelasnya angka-angka tersebut saya pindahkah pada
tabel berikut :
Nah, selanjutnya kita akan menghitung nilai kritis atau nilai baku dari DMRT
untuk masing-masing nilai P dengan rumus berikut :
Berikut ini saya coba menghitung untuk P = 2 dimana KT galat = 14,97 dan r
(kelompok) = 3 (lihat pada tabel analisis ragam):
Dengan cara yang sama anda dapat menghitung nilai kritis DMRT untuk P = 3, P
= 4, P = 5, P = 6, dan P = 7. Dan hasilnya dapat anda lihat pada tabel berikut:
Langkah selanjutnya adalah menentukan perbedaan pengaruh antar perlakuan.

Untuk ini saya menggunakan kodifikasi dengan huruf. Caranya adalah sebagai
berikut :
Langkah pertama anda susun nilai rata-rata perlakuan dari yang terkecil hingga
yang terbesar seperti berikut :
Oke, langkah kedua adalah menentukan huruf pada nilai rata-rata tersebut. Perlu
anda ketahui cara menentukan huruf ini agak rumit dan berbeda dengan Uji BNJ
atau BNT, tapi anda jangan khawatir asalkan anda mengikuti petunjuk saya pelan-
pelan tahap demi tahap. Dan saya yakin apabila anda menguasai cara ini, saya
jamin anda hanya butuh waktu paling lama 5 menit untuk menyelesaikan
pengkodifikasian huruf pada nilai rata-rata perlakuan.
Baik kita mulai saja. Pertama-tama anda jumlahkan nilai DMRT pada P = 2 yaitu
6,88 dengan nilai rata-rata perlakuan terkecil pertama, yaitu 17,33 + 6,88 = 24,21
dan beri huruf “a” dari nilai rata-rata perlakuan terkecil pertama (17,33) hingga
nilai rata-rata perlakuan berikutnya yang kurang dari atau sama dengan nilai
24,21. Dalam contoh ini huruf “a” diberi dari nilai rata-rata perlakuan 17,33
hingga 22,67. Lebih jelasnya lihat pada tabel berikut :
Selanjutnya anda jumlahkan nilai DMRT pada P = 3 yaitu 7,22 dengan nilai rata-
rata perlakuan terkecil kedua, yaitu 21,00 + 7,22 = 28,22 dan beri huruf “b” dari
nilai rata-rata perlakuan terkecil kedua (21,00) hingga nilai rata-rata perlakuan
berikutnya yang kurang dari atau sama dengan nilai 28,22. Dalam contoh ini huruf
“b” diberi dari nilai rata-rata perlakuan 21,00 hingga 26,00. Lebih jelasnya lihat
pada tabel berikut :
Selanjutnya jumlahkan lagi nilai DMRT pada P = 4 yaitu 7,44 dengan nilai rata-
rata perlakuan terkecil ketiga, yaitu 22,67 + 7,44 = 30,11 dan beri huruf “c” dari
nilai rata-rata perlakuan terkecil ketiga (22,67) hingga nilai rata-rata perlakuan
berikutnya yang kurang dari atau sama dengan nilai 30,11. Dalam contoh ini huruf
“c” diberi dari nilai rata-rata perlakuan 22,67 hingga 26,00. Lebih jelasnya lihat
pada tabel berikut :
Sampai disini anda perhatikan huruf “c” pada tabel di atas. Huruf “c” tersebut
harus anda abaikan (batalkan) karena sebenarnya huruf “c” sudah terwakili oleh
huruf b (karena pemberian huruf c tidak melewati huruf “b”). Berbeda dengan
pemberian huruf “b” sebelumnya. Pemberian huruf b melewati huruf a sehingga
huruf b tidak diabaikan/dibatalkan.
Langkah selanjutnya jumlahkan lagi nilai DMRT pada P = 5 yaitu 7,51 dengan
nilai rata-rata perlakuan terkecil keempat, yaitu 26,00 + 7,51 = 33,51 dan beri
huruf “c” (karena pemberian huruf “c” sebelumnya dibatalkan, maka pemberian
dengan huruf “c” kembali digunakan) dari nilai rata-rata perlakuan terkecil
keempat (26,00) hingga nilai rata-rata perlakuan berikutnya yang kurang dari atau
sama dengan nilai 33,51. Dalam contoh ini huruf “c” diberi dari nilai rata-rata
perlakuan 26,00 hingga 30,67. Lebih jelasnya lihat pada tabel berikut :
Anda perhatikan huruf c di atas. Karena pemberian huruf c melewati huruf b
sebelumnya, maka pemberian huruf c ini tidak dibaikan/dibatalkan.
nilai rata-rata perlakuan terkecil kelima, yaitu 30,67 + 7,60 = 38,27 dan beri huruf
“d” dari nilai rata-rata perlakuan terkecil kelima (30,67) hingga nilai rata-rata
perlakuan berikutnya yang kurang dari atau sama dengan nilai 38,27. Dalam
contoh ini huruf “d” diberi dari nilai rata-rata perlakuan 30,67 hingga 36,00.
Lebih jelasnya lihat pada tabel berikut :
nilai rata-rata perlakuan terkecil keenam, yaitu 36,00 + 7,60 = 43,20 dan beri
huruf “d” dari nilai rata-rata perlakuan terkecil kelima (36,00) hingga nilai rata-
rata perlakuan berikutnya yang kurang dari atau sama dengan nilai 43,20. Dalam
contoh ini huruf “e” diberi dari nilai rata-rata perlakuan 36,00 hingga 41,00. Lebih
jelasnya lihat pada tabel berikut :
Terakhir anda susun kembali nilai rata-rata perlakuan tersebut sesuai dengan
perlakuannya, seperti tabel berikut:
Oke, sekarang akan saya jelaskan arti huruf-huruf pada tabel diatas?
Prinsip yang harus anda pegang adalah bahwa “perlakuan yang diikuti oleh huruf
yang sama berarti tidak berbeda nyata pengaruhnya menurut DMRT5%”. Pada
perlakuan P2 dan P3 sama-sama diikuti huruf “e” artinya perlakuan P2dan P3
tidak berbeda nyata pengaruhnya.
Menentukan Perlakuan Terbaik

Untuk menentukan perlakuan mana yang terbaik, langkah-langkahnya adalah
berikut ini:
Langkah pertama anda harus melihat perlakuan mana yang nilai rata-ratanya
tertinggi. Dalam contoh ini perlakuan yang nilai rata-ratanya tertinggi adalah P2.
Langkah kedua anda lihat pada rata-rata perlakuan P2 itu diikuti oleh huruf apa.
Dalam contoh ini perlakuan P2 diikuti oleh huruf “e”.
Langkah ketiga anda lihat rata-rata perlakuan mana saja yang diikuti oleh huruf
“e”. Dalam contoh ini rata-rata perlakuan yang diikuti oleh huruf “e” adalah P2 itu
sendiri dan P3.
Langkah keempat anda perhatikan kembali perlakuan P2 dan P3. Dalam contoh
ini perlakuan P2=45,00 kg/ha dan P3=67,50 kg/ha. Sampai di sini anda harus bisa
mempertimbangkan secara logis perlakuan mana yang terbaik. Logikanya seperti
ini, apabila perlakuan dengan dosis lebih rendah tetapi mempunyai mempunyai
pengaruh yang sama dengan perlakuan dengan dosis yang lebih tinggi dalam
meningkatkan hasil, maka perlakuan dosis yang lebih rendah tersebut lebih baik
daripada perlakuan dosis yang lebih tinggi di atasnya. Dalam contoh ini perlakuan
P2 lebih baik daripada perlakuan P3 dan P4. Jadi dapat disimpulkan perlakuan P2-
lah yang terbaik.
TEKNIK UJI LANJUT: UJI TUKEY DAN UJI SHEFFE

16 Agustus 2010 in Uncategorized
Dalam pengujian ANAVA, kita dapat menarik kesimpulan apakah menerima atau
menolak hipotesis. Jika kita menolak hipotesis, artinya bahwa dari variabel-
variabel yang kita uji, terdapat perbedaan yang signifikan. Misalnya jika kita
menguji perbedaan 4 metode mengajar terhadap prestasi siswa, kita bisa
menyimpulkan bahwa ada perbedaan dari keempat metode tersebut. Akan tetapi,
kita tidak mengetahui, metode manakah yang berbeda dari keempatnya. Secara
statistik, kita tidak bisa mengatakan bahwa yang terbaik hanya dengan
memperhatikan rata-rata dari setiap metode tersebut.
Untuk menjawab pertanyaan metode manakah yang berbeda, maka statistika
memiliki teknik uji lanjut untuk mengetahui, variabel manakah yang memiliki
perbedaan yang signifikan. Ada banyak metode yang ada. Di SPSS ada banyak
teknik uji lanjut. Di antaranya jika asumsi homogenitas varian terpenuhi, maka
teknik yang bisa dipergunakan adalah: LSD (Least Square Differences), Tukey,
Bonferoni, Duncan, Scheffe dan lain sebagainya. Dan jika tidak ada asumsi
homogenitas varian, maka teknik yang bisa dipergunakan adalah tamhane T2,
dunnett’s T3, games-howell dan dunnett’s C.
Jika jumlah n setiap variabel sama, maka teknik yang bisa digunakan adalah LSD,
Student Newman-Keuls (SNK) dan Tukey. Akan tetapi jika jumlah n tiap variabel
tidak sama, maka kita bisa menggunakan teknik Scheffe.
Uji Tukey
Syarat
Ukuran kelompok semuanya harus sama (atau direratakan secara rerata harmonik)
Jenis Pengujian
Ada dua jenis pengujian, melalui Jumlah pada kelompok, T dan Rerata pada
kelompok, X
Notasi yang digunakan

k : banyaknya kelompok
n : ukuran kelompok
n=n–k
Ti, Tj : jumlah pada kelompok
Xi, Xj : rerata pada kelompok
a : taraf signifikansi
q(a)(k,n) : pada tabel Tukey
Kriteria pengujian
Jenis jumlah pada kelompok
Berbeda jika |Ti – Tj| ³ BT

Jenis rerata kelompok
Berbeda jika |Xi – Xj| ³ BR
Contoh:
Sejenis bibit tanaman secara acak dibagi ke dalam 5 kelompok. Mereka diberi
jumlah pupuk yang berbeda. X1 tanpa pupuk, X2 sedikit, X3 sedang, X4 agak
cukup, dan X5 cukup. Kesuburan pertumbuhan mereka diuji dengan taraf
signifikansi 0,05. Kesuburan pertumbuhan pada sampel adalah
X1 X2 X3 X4 X5
10 11 16 23 26
9 9 16 21 24
9 7 14 20 22
6 7 13 20 20
6 7 12 17 20
Komparasi ganda Tukey diterapkan pada soal di atas dengan taraf signifikansi
0,05. Dengan menggunakan perhitungan anova didapat:
VARD = 4,28 n = 25 k = 5
T1 = 40 X1 = 40 / 5 = 8,0
T2 = 41 X2 = 41 / 5 = 8,2
T3 = 71 X3 = 71 / 5 = 14,2
T4 = 101 X4 = 101 / 5 = 20,2
T5 = 112 X5 = 112 / 5 = 22,4 a = 0,05
Pengujian dilakukan terhadap selisih pasangan rerata
m1 – m2 m2 – m3 m3 – m4 m4 – m5
m1 – m3 m2 – m4 m3 – m5
m1 – m4 m2 – m5
m1 – m5
Kriteria pengujian
Dari tabel Tukey q(0,05)(5,20) = 4,23 sehingga
Pengujian melalui jumlah pada kelompok

Kriteria 43,75
(a) |T1 – T2| = 1 Tidak signifikan
(b) |T1 – T3| = 31 Tidak signifikan
(c) |T1 – T4| = 71 Signifikan
(d) |T1 – T5| = 72 Signifikan
(e) |T2 – T3| = 30 Tidak signifikan
(f) |T2 – T4| = 60 Signifikan
(g) |T2 – T5| = 71 Signifikan
(h) |T3 – T4| = 30 Tidak signifikan
(i) |T3 – T5| = 41 Tidak signifikan
(j) |T4 – T5| = 11 Tidak signifikan
Pengujian melalui rerata pada kelompok

Kriteria 1,75
(a) |X1 – X2| = 0,2 Tidak signifikan
(b) |X1 – X3| = 6,2 Signifikan
(c) |X1 – X4| = 12,2 Signifikan
(d) |X1 – X5| = 14,4 Signifikan
(e) |X2 – X3| = 6,0 Signifikan
(f) |X2 – X4| = 12,0 Signifikan
(g) |X2 – X5| = 14,2 Signifikan
(h) |X3 – X4| = 6,0 Signifikan
(i) |X3 – X5| = 8,2 Signifikan
(j) |X4 – X5| = 2,2 Signifikan
Uji Sceffe
Uji Scheffe dilakukan melalui distribusi probabilitas pensampelan F-Fisher
Snedecor
Statistik uji
natas = k – 1
nbawah = n – k
k = banyaknya kelompok
ni, nj = ukuran kelompok
n = jumlah semua ukuran kelompok
X ̅_i,X ̅_j = rerata kelompok pada sampel
Keputusan
Pada taraf signifikansi a, rerata kelompok berbeda jika F > F(a)(k-1)(n-k)
Contoh:
Sejenis bibit tanaman secara acak dibagi ke dalam 5 kelompok. Mereka diberi
jumlah pupuk yang berbeda. X1 tanpa pupuk, X2 sedikit, X3 sedang, X4 agak
cukup, dan X5 cukup. Kesuburan pertumbuhan mereka diuji dengan taraf
signifikansi 0,05. Kesuburan pertumbuhan pada sampel adalah
X1 X2 X3 X4 X5
10 11 16 23 26
9 9 16 21 24
9 7 14 20 22
6 7 13 20 20
6 7 12 17 20
Komparasi ganda Scheffe diterapkan pada contoh di atas dengan taraf signifikansi
0,05
VARD = 4,28 n =25 k = 5
X1 = 40 / 5 = 8,0
X2 = 41 / 5 = 8,2
X3 = 71 / 5 = 14,2
X4 = 101 / 5 = 20,2
X5 = 112 / 5 = 22,4 a = 0,05
Pengujian dilakukan terhadap selisih pasangan rerata
m1 – m2 m2 – m3 m3 – m4 m4 – m5
m1 – m3 m2 – m4 m3 – m5
m1 – m4 m2 – m5
m1 – m5
Statistik uji
Karena n1 = n2 = n3 = n4 = n5 = 5, maka untuk semua pasang selisih rerata,
terdapat kesamaan pada
Kriteria pengujian
Nilai kritis F(0,95)(4)(20) = 2,87
Pengujian
(a) m1 – m2
X1 – X2 = 8,0 – 8,2 = – 0,2
F = (0,04) / (6,85) = 0,006
Tidak signifikan
(b) m1 – m3
X1 – X3 = 8,0 – 14,2 = – 6,2
F= (38,44) / (6,85) = 5,61
Signifikan
(c) m1 – m4
X1 – X4 = 8,0 – 20,2 = – 12,2
F = (148,84) / (6,85) = 21,73
Signifikan
(d) m1 – m5
X1 – X5 = 8,0 – 22,4 = – 14,4
F = (207,36) / (6,85) = 30,27
Signifikan
(e) m2 – m3
X2 – X3 = 8,2 – 14,2 = – 6,0
F = (36,00) / (6,85) = 5,26
Signifikan
(f) m2 – m4
X2 – X4 = 8,2 – 20,2 = – 12,0
F = (144,00) / (6,85) = 21,02
Signifikan
(g) m2 – m5
X2 – X5 = 8,2 – 22,4 = – 14,2
F = (201,64) / (6,85) = 29,44
Signifikan
(h) m3 – m4
X3 – X4 = 14,2 – 20,2 = – 6,0
F = (36,00) / (6,85) = 5,26
Signifikan
(i) m3 – m5
X3 – X5 = 14,2 – 22,4 = – 8,2
F = (67,24) / (6,85) = 9,82
Signifikan
(j) m4 – m5
X4 – X5 = 20,2 – 22,4 = – 2,2
F= (4,84) / (6,85) = 0,71
Tidak signifikan
ANALISIS VARIANSI (ANOVA)
ANALISIS VARIANSI (ANAVA)

Analysis of Variances (ANOVA)
Sumber : Budiyono. 2004. Statistika untuk Penelitian. Surakarta : Sebelas Maret

University Press
A. PENGERTIAN
Apa yang dimaksud dengan Analisis Variansi?
Pada kesempatan yang lalu telah dipelajari uji hipotesa untuk membandingkan
dua populasi berdasarkan uji beda rataan dan atau berdasarkan uji hubungan.
Sebelum kita memahami lebih jauh tentang Analisis Variansi, perhatikanlah
contoh berikut
Contoh 1
Seorang peneliti pendidikan untuk program studi matematika ingin meneliti
efektivitas dari 3 metode pembelajaran jika ditinjau dari prestasi belajar siswa. Ia
telah memilih 3 metode pembelajaran, yaitu Metode Teacher Oriented, Active
Learning dan Contextual Learning.
Ketiga metode tersebut diterapkan untuk 3 sampel, artinya sample pertama
diterapkan Metode Pembelajaran Teacher Oriented, sample kedua diterapkan
Metode Pembelajaran Active Learning, dan pada sample ketiga diterapkan
Metode Pembelajaran Contextual Learning. Ketiga sample tersebut telah
diyakinkan bahwa kemampuan awal yang dimiliki oleh masing-masing sample
adalah relatif sama. Peneliti tersebut bertujuan untuk menguji ada atau tidaknya
perbedaan efek/pengaruh beberapa perlakuan pada ketiga sample ditinjau dari
prestasi belajar siswa. Untuk melihatnya, peneliti tersebut menggunakan rata-rata
nilai dari masing-masing sample. Setelah beberapa waktu eksperimen, peneliti
tersebut melakukan pengujian sebagai tolak ukur untuk mengetahui prestasi
belajar siswa. Setelah data diperoleh, uji statistik apakah yang dapat
direkomendasikan untuk dapat digunakan peneliti tersebut dalam usaha
mengambil kesimpulan?
Dari contoh diatas dapat dilihat bahwa terdapat tiga sample yang diambil dari
populasi, satu variable bebas, yaitu model pembelajaran, dan satu variable terikat,
yaitu prestasi belajar siswa. Variabel bebas ini dibagi menjadi 3 bagian yaitu
model pembelajaran Teacher Oriented, Active Learning dan Contextual Learning.
Statistik uji beda rataan untuk k-populasi yaitu Analisis Variansi
Jadi dapat disimpulkan bahwa

Analisis Variansi (ANAVA) atau Analysis of Variances (ANOVA) adalah
prosedur pengujian kesamaan beberapa rata-rata populasi.
Dalam Analisis Variansi, dapat dilihat variasi-variasi yang muncul karena adanya
beberapa perlakuan (treatment) untuk menyimpulkan ada atau tidaknya perbedaan
rataan pada k-populasi.
Ahli statistik yang mempunyai kontribusi besar dalam mengembangkan uji

Analisis Variansi ini adalah Sir Ronald A. Fisher (1890 – 1962)
B. KLASIFIKASI
Pada Contoh 1 diatas dapat Anda identifikasi bahwa satu variable bebas, yaitu
model pembelajaran, dan satu variable terikat, yaitu prestasi belajar siswa.
Berdasarkan banyak variable terikat-nya, Analisis Variansi diklasifikasikan

menjadi dua kelompok, yaitu
1. Analisis Variansi Univariate
Analisis ini digunakan jika suatu eksperimen mempunyai satu variable terikat
2. Analisis Variansi Mutivatiate
Analisis ini digunakan jika suatu eksperimen mempunyai lebih dari satu variable
terikat
Berdasarkan banyaknya variable bebas-nya, Analisis Variansi Univariate dibagi

menjadi tiga kelompok yaitu
1. Analisis Variansi Univariate Satu Jalan
Analisis ini digunakan jika suatu eksperimen mempunyai satu variable terikat dan
satu variabel bebas
2. Analisis Variansi Univariate Dua Jalan
dua variabel bebas
3. Analisis Variansi Univariate Tiga Jalan
tiga variabel bebas
Berdasarkan banyaknya variable bebas-nya, Analisis Variansi Multivariate juga
dibagi menjadi 3 bagian yaitu
1. Analisis Variansi Multivariate Satu Jalan
terikat dan satu variabel bebas
2. Analisis Variansi Multivariate Dua Jalan
terikat dan dua variabel bebas
3. Analisis Variansi Multivariate Tiga Jalan
terikat dan tiga variabel bebas
Pada bab ini, kita akan mempelajari terutama untuk Analisis Variansi Univariate
C. PERSYARATAN ANALISIS VARIANSI

Tidak semua jenis penelitian dapat dianalisia dengan Analisis Variansi, tetapi
penelitian yang hanya memenuhi persyaratan Analisis Variansi.
Adapun persyaratan untuk Analisis Variansi adalah

1. Setiap sample diambil secara random dari populasinya
Dalam statistika, untuk hal pengambilan sample harus dilakukan secara random
(acak) dari populasinya. Hal ini dimaksudkan agar diperoleh sample yang dapat
mewakili populasinya (representative)
Tambahkan dengan teknik sampling di buku metodologi penelitian
2. Masing-masing populasi saling independen dan masing-masing data amatan

saling independen di dalam kelompoknya
♣ Dipenuhinya persyaratan ini dimaksudkan agar perlakuan yang diberikan
kepada masing-masing sample independen antara satu dengan yang lainnya.
Dengan kata lain antara sample satu dengan sample yang lain berdiri sendiri dan
tidak ada keterkaitan/hubungan.
Misalkan dilakukan♣ eksperimen tindakan kelas yang ditinjau dari prestasi
belajar siswa. Saat dilakukan pengujian, peneliti harus menjamin bahwa antara
sample yang satu dengan yang lainnya independen/tidak ada hubungan/tidak ada
kerjasama sehingga data yang diperoleh merupakan data yang valid, artinya alat
tes yang sudah diberikan kepada salah satu sample diusahakan jangan sampai
diberikan kepada sample yang lain.
Untuk♣ masing-masing populasi harus saling independen dan masing-masing
data amatan harus saling independen di dalam kelompoknya, dalam arti bahwa
kesalahan yang terjadi pada suatu data amatan harus independen dengan
kesalahan yang terjadi pada data amatan yang lain.
Andaikan solusi♣ independen antar tes dapat diselesaikan dengan memilih
sample – sample yang mewakili populasi-populasi yang berbeda, maka peneliti
juga harus menjamin sifat independen antar data amatan
Untuk menguji independence, dapat digunakan uji kecocokan (goodness – of – fit
test).♣
Teorema Goodness – of – fit test♣
Uji kecocokan antara frekuensi amatan (observed frequencies) dan frekuensi
harapan (expected frequencies) mendasarkan kepada kuantitas berikut :
Dimana nilai-nilai dari mendekati nilai-nilai dari variable random chi kuadrat
Lambang oi menyatakan frekuensi amatan dan lambang ei menyatakan frekuensi
data yang diharapkan
Teorema Derajat Kebebasan untuk Uji Kecocokan♣
Bilangan yang menunjukkan derajat kebebasan pada uji kecocokan chi kuadrat
adalah banyaknya sel dikurangi banyaknya kuantitas yang diperoleh dari data
amatan yang digunakan untuk menghitung frekuensi harapan.
Pada uji ini, yang dirumuskan ialah bahwa data amatan mempunyai distribusi
tertentu yang dihipotesiskan dan sebagai daerah kritiknya adalah
Dengan v = derajat kebebasan

♣ Berdasarkan Teorema Goodness-of-Fit Test diatas dapat dilihat bahwa semakin
kecil nilai-nilai menunjukkan data yang diamati semakin mendekati distribusi
yang diteorikan.
3. Setiap populasi berdistribusi normal (Sifat Normalitas Populasi)

• Persyaratan normalitas populasi harus dipenuhi karena Analisis Variansi pada
dasarnya adalah uji beda rataan, sama seperti uji beda rataan 2 populasi, misal uji t
dan uji Z
• Sebelum dilakukan uji beda rata-rata, harus ditunjukkan bahwa sampelnya
diambil dari populasi normal.
• Apabila masing-masing sample berukuran besar dan diambil dari populasi yang
berukuran besar, biasanya masalah normalitas ini tidak menjadi masalah yang
pelik, karena populasi yang berukuran besar cenderung berdistribusi normal.
• Terdapat 2 cara yang sering digunakan untuk uji normalitas, yaitu dengan
variable random chi kuadrat (dikatakan sebagai uji secara parametrik karena
menggunakan penafsir rataan dan deviasi baku) dan dengan metode Lilliefors (uji
ini merupakan uji secara non-parametrik).
• Uji Normalitas dengan Chi Kuadrat
Uji kenormalan dapat dilakukan dengan menggunakan Teorema Goodness – of –
fit test dan Teorema Derajat Kebebasan untuk Uji Kecocokan diatas. Pada uji ini,
untuk menentukan frekuensi harapan, dilakukan tiga cuantiítas, yaitu frekuensi
total, rataan, dan deviasi baku sehingga derajat kebebasannya adalah (k-3).
Untuk dapat menggunakan cara ini, datanya harus dinyatakan dalam distribuís
frekuensi data bergolong. Prinsip yang dipakai dalam uji ini adalah
membandingkan antara histogram data amatan dengan histogram yang kurva
poligon frekuensinya mendekati distribusi normal
• Uji Normalitas dengan Metode Lilliefors
Uji normalitas dengan metode ini digunakan apabila datanya tidak dalam
distribusi frekuensi bergolong. Pada metode ini, setiap data diubah menjadi
bilangan baku dengan transformasi
Statistik uji untuk metode ini adalah L = dengan dan = proporsi cacah terhadap
seluruh .
Sebagai daerah kritiknya : dengan n sebagai ukuran populasi
• Jika persyaratan normalitas populasi ini tidak dipenuhi, peneliti harus dapat
melakukan transformasi data sedemikian hingga data yang baru memenuhi
persyaratan normalitas populasi ini dan Analisis Variansi ini dapat diberlakukan
pada data yang baru hasil transformasi
4. Populasi-populasi mempunyai variansi yang sama (Sifat Homogenitas Variansi
Populasi)
¬ Persyaratan ini harus dipenuhi karena didalam Analisis Variansi ini dihitung
variansi gabungan (pooled varince) dari variansi-variansi kelompok
Hal ini berkaitan dengan digunakannya uji F pada Analisis¬ Variansi, yang
apabila variansi populasi tidak sama maka uji F tidak dapat digunakan
Salah satu uji homogenitas variansi untuk k-populasi adalah Uji Bartlett. Uji ini
mempunyai 2 bentuk.¬
Uji Bartlett bentuk pertama¬
Langkah komputasinya adalah
1. Hitunglah masing-masing variansi dari k-populasi yaitu dari sampel yang
berukuran
2. Hitung variansi gabungan yang dirumuskan oleh
3. Hitung bilangan b yang dirumuskan dengan yang merupakan nilai dari variabel
random B yang mempunyai distribusi Bartlett
4. Tentukan daerah kritiknya : dengan
Uji Bartlett bentuk kedua¬

Statistik Uji :
dengan
= banyaknya populasi = banyaknya sampel

= banyaknya seluruh nilai (ukuran)
= banyaknya nilai (ukuran) smapel ke-j = ukuran sampel ke-j
= = derajat kebebasan untuk
= = derajat kebebasan untuk RKG
RKG = rataan kuadrat galat =

==
CATATAN
Dalam Analisis Variansi, masing-masing kelompok yang digunakan sebagai
sample dari populasinya masing-masing sehingga jika terdapat k-sampel yang
diambil dari k-populasi dan setiap sample mendapat perlakuan (treatment) sendiri-
sendiri maka dapat dikatakan k-sampel identik dengan k-populasi
Atau dengan kata lain,
Populasi-populasi pada Analisis Variansi merupakan sub-sub populasi dari
populasi penelitian
D. PENYIMPANGAN PESYARATAN ANALISIS VARIANSI

Sejumlah penelitian telah dilakukan untuk mengetahui efek penyimpangan dari
asumsi dalam Analisis Variansi. Penelitian ini menunjukkan bahwa terdapat
sedikit efek/akibat bila asumsi yang mendasari Analisis Variansi tidak secara pasti
memuaskan sehingga sedikit penyimpanagan dari asumsi akan mendapat sedikit
perhatian pula
E. ANALISIS VARIANSI UNIVARIATE SATU JALAN

Analisis ini digunakan jika data eksperimen mempunyai ciri-ciri sebagai berikut :
1. Memenuhi 4 persyaratan Analisis Variansi
2. Mempunyai satu variable terikat
3. Mempunyai satu variable bebas
Contoh 2
Seorang peneliti pendidikan ingin meneliti pengaruh waktu pengajaran ditinjau
dari prestasi belajar siswa. Peneliti tersebut memilih masing-masing satu kelas
untuk tiga sekolah yang telah ditentukan sebelumnya dan telah diyakinkan bahwa
ketiga sekolah dan ketiga kelas tersebut mempunyai kemampuan/prestasi yang
relatif sama. Dari ketiga kelas tersebut, satu kelas diajarkan matematika tiap pagi
hari, satu kelas lagi diajarkan matematika tiap siang hari, dan satu kelas terakhir
diajarkan matematika tiap sore hari selama waktu eksperimen.
Dari Contoh 2 dapat diidentifikasi variable bebas dan variable terikatnya yaitu
Variabel terikat :
Variabel bebas :
Jika diasumsikan bahwa keempat persyaratan dari Analisis Variansi diatas telah
terpenuhi dan telah diidentifikasi variable-variabelnya, maka pada Contoh 2 diatas
dapat digunakan uji
Analisis Variansi …
Contoh 3
Seperti Contoh 2 diatas, misalkan disamping diuji pengaruh waktu mengajar
terhadap prestasi belajar siswa, secara serentak juga akan dilihat pengaruh ukuran
kelas (besar dan kecil) terhadap prestasi belajar siswa, maka akan terdapat
variable tambahan sehingga dapat diidentifikasikan variable terikat dan variable
bebasnya yaitu
Variabel terikat :
Variabel bebas :
Jika diasumsikan bahwa keempat persyaratan dari Analisis Variansi diatas telah
terpenuhi dan telah diidentifikasi variable-variabelnya, maka pada Contoh 3 dapat
digunakan uji
Analisis Variansi …
Berdasarkan ukuran data amatan, Analisis Variansi Univariate Satu Jalan dapat
digolongkan menjadi 2 yaitu
1. Analisis Variansi Univariate Satu Jalan dengan Sel Sama
2. Analisis Variansi Univariate Satu Jalan dengan Sel Berbeda
ANALISIS VARIANSI UNIVARIATE SATU JALAN DENGAN SEL SAMAϖ
- Syarat
Uji ini digunakan jika data amatan hasil eksperimen memenuhi persyaratan
sebagai berikut
i. Memenuhi 4 persyaratan Analisis Variansi
ii. Mempunyai satu variabel terikat
iii. Mempunyai satu variable bebas
iv. Ukuran masing-masing sample adalah sama
- Misalkan ukuran sample yang sama adalah n
- Tata letak data
Misalkan terdapat k-sampel dengan masing-masing sample berukuran n maka
banyaknya seluruh data amatan adalah nk
Notasi dan tata letak data pada k-sampel berukuran n dapat digambarkan pada
tabel berikut
Perlakuan
12…k
Jumlah
…
T=G
Rataan
- Keterangan
= data amatan ke-i pada perlakuan ke-j (sample ke-j)
= Jumlah data amatan sample ke-j
= Rataan sample ke-j
G = T = Jumlah seluruh data amatan
= rataan dari seluruh data amatan
- Model Data
Pada Analisis Variansi Univariate Satu Jalan dengan Sel Sama, setiap data/nilai
pada populasi dapat dimodelkan dalam bentuk
Misalkan rataan dari seluruh data pada k-populasi adalah , maka dapat dinyatakan
sebagai
dengan
dimana
= rataan pada populasi ke-j
= deviasi dari rataan populasinya
= efek perlakuan ke-j terhadap variable terikat
- Dengan demikian, model dari nilai pada populasi adalah
dengan
= data amatan ke-i pada perlakuan ke-j
= rerata dari seluruh data pada populasi
= efek perlakuan ke-j terhadap variable terikat
= deviasi dari rataan populasinya yang berdistribusi normal dengan rataan nol
Deviasi terhadap rataan populasi sering disebut dengan galat (error)
= 1, 2, … , n
j = 1, 2, … ,k
k = cacah populasi/cacah perlakuan/cacah klasifikasi
n = banyaknya data amatan
- Perhatikan dan selesaikanlah contoh-contoh berikut
Contoh 4
Tabel berikut adalah data populasi pada eksperimen dengan 3 perlakuan, yaitu
perlakuan P1, P2, dan P3
Misalkan variable terikatnya adalah prestasi belajar yang berupa nilai
Perlakuan P1 P2 P3
Nilai 3, 4, 4, 5 5, 5, 3, 3 2, 4, 4, 6
Carilah nilai dan !

Nyatakan setiap nilai dengan model !
Solusi :
Langkah pertama, carilah dahulu nilai dan . Setelah diperoleh kedua nilai tersebut
dapat dicari nilai
Setiap data pada populasi tersebut dapat dinyatakan dengan bentuk sebagai
berikut
Dari contoh diatas dapat dilihat bahwa
dan
Keadaan seperti ini dapat dikatakan bahwa …
Contoh 5
perlakuan K1, K2, dan K3
Perlakuan K1 K2 K3
Nilai 2, 3, 3, 4 5, 5, 3, 3 3, 5, 5, 7
Carilah nilai dan !

Solusi :
Contoh 6
perlakuan T1, T2, dan T3
Perlakuan T1 T2 T3
Nilai 3, 4, 4, 6 3, 4, 4, 5 5, 6, 7, 8
Carilah nilai dan !
Solusi :
Dari Contoh 4 sampai Contoh 6 dapat disimpulkan bahwa
1. Jika dan maka dapat dikatakan ….
2. Jika ketiga tidak bernilai sama dan nilai ketiga juga berbeda maka dapat
diartikan ….
- Perumusan Hipotesa
Misalkan terdapat k-perlakuan. Pasangan hipotesa yang diuji pada analisis
variansi satu jalan ini adalah
H0 :
H1 : paling sedikit ada dua rataan yang tidak sama
Perhatikan bahwa sebab notasi itu menunjukkan bahwa dan dan dan seterusnya
padahal tidak selalu demikian
Berdasarkan model data pada Analisis Variansi Univariate Satu Jalan, maka
pasangan hipotesisnya dapat dirumuskan sebagai berikut
H0 :
(dapat juga ditulis untuk setiap j)
H1 : paling sedikit ada satu yang tidak nol
Atau dapat ditulis dengan
H0 : tidak ada pengaruh variable bebas terhadap variable terikat
H1 : ada pengaruh variable bebas terhadap variable terikat
Atau dapat ditulis dengan
H0 : variabel bebas tidak berpengaruh terhadap variable terikat
H1 : variabel bebas berpengaruh terhadap variable terikat
Jika kata “pengaruh” digunakan, maka harus dimengerti bahwa ada atau tidaknya
pengaruh ditandai oleh ada atau tidaknya perbedaan rataan pada k-populasi
Hal ini dilambangkan dengan nilai
- Prosedur Uji Analisis Variansi

Analisis Variansi pada prinsipnya mendasarkan kepada perbandingan dua
estimator independen untuk variansi seluruh populasi, yaitu
Estimator-estimator ini diperoleh dari pemisahan variansi data amatan pada

seluruh sample menjadi 2 komponen yaitu
1. Estimator untuk variansi antar kelompok (variances between the sample means)
2. Estimator variansi dalam kelompok (variances within k-samples)
Tentu saja estimator-estimator ini diperoleh dari variansi-variansi sample
Variansi dari seluruh data amatan pada k-sampel dan dengan ukuran data nk
adalah
=
Pembilang dari ruas kanan pada formula variansi diatas disebut dengan Jumlah
Kuadrat Total (Total sum of Squares) yang disingkat dengan JKT atau SST
sehingga diperoleh
JKT = SST =
Dan penyebutnya merupakan Derajat Kebebasan untuk JKT
Dengan menggunakan sifat sigma diperoleh
JKT = =
Untuk selanjutnya, suku pertama ruas kanan disebut Jumlah Kuadrat Rataan
Perlakuan (Treatment Sum of Squares atau Sum of Squares for Column Means),
disajikan dengan JKA atau SSC dan suku keduanya disebut Jumlah Kuadrat Galat
(Error Sum of Squares) yang dinotasikan dengan JKG atau SSE
Sehingga diperoleh
JKA = SSC = dan JKG = SSE =
Estimator untuk variansi antar kelompok , dengan derajat kebebasan , ditentukan

oleh
Jika benar maka merupakan estimator tak bias , sebaliknya jika benar, maka JKA
akan mempunyai nilai yang cenderung besar dan jauh melebihi
Estimator untuk variansi dalam kelompok dengan derajat kebebasan , ditentukan

oleh
Estimator ini merupakan estimator tak bias terlepas apakah yang benar ataukah
jika benar, maka rasio dan adalah
adalah nilai dari variabel random Fisher yang mempunyai distribusi F dengan
derajat kebebasan (k-1) dan (nk-k)
Untuk selanjutnya disebut rataan kuadrat perlakuan (treatment mean squares)

yang dinotasikan dengan RKA atau MSC dan disebut rataan kuadrat galat (error
means squares) yang dinotasikan dengan RKG atau MSE.
Oleh karena itu, statistik ujinya adalah
RKA ini merupakan estimator untuk variansi antar kelompok

RKG merupakan estimator variansi gabungan (pooled variance) dari variansi –
variansi populasi.
- Daerah Kritik
Karena adalah over estimates jika salah, maka daerah kritik untuk uji ini adalah
- Formula Praktis
Pada praktiknya, nilai rataan sample tidak merupakan bilangan bulat sehingga
formula JKA, JKG, dan JKT seperti yang ditulis dimuka tidak mudah digunakan.
Namun demikian, sifat-sifat berikut ini dipenuhi, sehingga untuk menghitung
JKT, JKA, dan JKG lebih baik digunakan formula
JKG = JKT - JKA

- Contoh 7
Untuk melihat apakah obat sakit kepala jenis A, jenis B, jenis C, jenis D, dan jenis
E memberikan efek yang sama untuk menghilangkan rasa sakit kepala, obat-obat
tersebut diberikan kepada kelompok yang berbeda yang masing-masing kelompok
beranggotakan 5 orang yang sedang sakit kepala yang sama. Kelompok I diberi
obat A, Kelompok II diberi obat B, Kelompok III diberi obat C, Kelompok IV
diberi obat D, dan Kelompok V diberi obat E. Data berikut menyatakan lama
waktu penyembuhan yang dicatat untuk masing-masing kelompok. Jika = 5%,
apakah dapat disimpulkan bahwa kelima jenis obat sakit kepala tersebut
memberikan efek yang sama? Diasumsikan semua persyaratan uji analisis variansi
dipenuhi
Lama Waktu Hilangnya Rasa Sakit pada Lima Jenis Obat
Jenis Obat Sakit Kepala
ABCDE
59327
47536
88249
66314
39747
Solusi :
Langkah pertama akan dicari nilai total dan rataan dari masing-masing sel dan
diperoleh
Jenis Obat Sakit Kepala

ABCDE
59327
47536
88249
66314
39747
Total = 26
= 39
= 20
= 14
= 33
G = T = 132
Rataan = 5,2
= 7,8
= 4,0
= 2,8
= 6,6
= 5,28
Uji Hipotesa :
1. Perumusan Hipotesa
H0 :
2. Taraf Signifikansi = 5%
3. Statistik Uji yang digunakan
4. Komputasi
JKT = = 834 – 696,960 = 137,040
JKA = = 79,440
JKG = 57,6
RKA = = 19,860
RKG = = 2,88
Rangkuman Analisis Variansi dari Contoh 7

Sumber Variasi Jumlah Kuadrat Derajat Kebebasan Rataan Kuadrat Nilai F
amatan
Perlakuan 79,440 4 19,860 6,90
Galat 57,600 20 2,880
Total 137,040 24
5. Daerah Kritik
= 2,87
DK = {F|F>2,87}
DK
6. Keputusan Uji : H0 ditolak
7. Kesimpulan : Kelima obat sakit kepala tersebut tidak memberikan efek yang
sama dalam menghilangkan rasa saki
TUGAS I
1. Data berikut adalah data populasi untuk memodelkan uji statistik dengan
menggunakan analisis variansi dengan model
ABCD
6,7,8 8,8,8 8,9,11 2,3,4
a) Carilah semua nilai dari yang dapat ditarik dari data tersebut
b) Nyatakan setiap dalam dan !
c) Apakah untuk setiap i berlaku = 0?
d) Apakah variabel bebas berpengaruh terhadap variabel terikat?
2. Seperti Soal no 1, untuk pada populasi berikut ini

ABCD
6,7,8 7,7,7 4,7,10 2,9,10
3. Untuk melihat apakah ada perubahan antara 3 metode pembelajaran A, B, dan

C, ketiga metode pembelajaran tadi diberikan kepada tiga kelas yang kondisi
awalnya sama. Metode pembelajaran A diberikan kepada Kelas IA, Metode
pembelajaran B diberikan kepada Kelas IB, dan Metode pembelajaran C diberikan
kepada Kelas IC. Untuk kepentingan analisi data, diambil secara random sejumlah
siswa dan datanya adalah sebagai berikut
Kelas IA : 2, 4, 3, 5, 4
Kelas IB : 8, 7, 8, 9, 8
Kelas IC : 5, 6, 5, 6, 7
Diasumsikan semua persyaratan analisis variansi dipenuhi dan uji analisis variansi
dilakukan pada tingkat signifikansi 1% dan 5%
a) Apakah ada perbedaan kinerja dari ketiga metode tersebut?
b) Apakah variabel bebas mempunyai pengaruh yang sama terhadap variabel
terikat?
4. Seperti soal no 3, untuk data berikut dan untuk taraf signifikansi 5% dan 10%
Kelas IA : 7, 6, 4, 3, 2, 5, 6, 7, 4, 7
Kelas IB : 8, 9, 5, 4, 6, 7, 2, 4, 7, 9
Kelas IC : 6, 4, 7, 8, 5, 8, 2, 4, 5, 6
5. Seperti soal no 3, tetapi untuk 4 metode untuk data berikut dan untuk taraf
signifikansi 5%
Kelas IA : 7, 3, 6, 7, 8, 3, 2, 6, 8, 4
Kelas IB : 4, 7, 5, 8, 9, 4, 8, 7, 5, 2
Kelas IC : 5, 8, 7, 8, 2, 3, 5, 6, 4, 6
Kelas ID : 5, 8, 9, 2, 3, 6, 4, 8, 7, 8
ANALISIS VARIANSI UNIVARIATE SATU JALAN DENGAN SEL YANG
BERBEDAϖ
• Jika Analisis Variansi Univariate Satu Jalan dengan sel yang sama, ukuran
masing-masing sample sama, yaitu n, maka pada analisis variansi dengan sel tak
sama, ukuran masing-masing sel tidak harus sama. Jadi, pada sample ke-1, ukuran
sampelnya ialah n1; pada sample ke-2, ukuran sampelnya alah n2,…., pada
sample ke-k, ukuran sampelnya ialah nk
• Tujuan
Seperti pada avana satu jalan dengan sel sama, tujuan dipakainya anava satu jalan
dengan sel tak sama adalah untuk melihat efek variable bebas terhadap variable
terikat dengan membandingkan rataan beberapa populasi
• Syarat
Uji ini digunakan jika data amatan hasil eksperimen memenuhi persyaratan
sebagai berikut
i. Memenuhi 4 persyaratan Analisis Variansi
ii. Mempunyai satu variabel terikat
iii. Mempunyai satu variable bebas
iv. Ukuran masing-masing sample adalah berbeda
• Tata letak data
Misalnya terdapat k populasi yang akan dibandingkan rataanya, yang dengan kata
lain, misalnya terdapat k kategori perlakuan. Perlakuan-perlakuan itu disajikan
dengan A1, A2, … , Ak. Notasi data dari ANAVA jenis ini dapat digambarkan
dalam table berikut
Tabel Tata Letak Pada Anava Satu Jalan Sel Tak Sama
A1 A2 … Ak
Data Amatan X11
X21
…
Xn11 X12
X22
…
Xn22 …
…
…
… X1k
X2k
...
Xnkk
• Model
Model untuk data populasi pada analisis variansi satu jalan dengan sel tak sama
ialah:
Xij = µ + αj + εij
dengan:
Xij = data ke-i pada perlakuan ke-j;
µ = rerata dari seluruh data (rerata besar, grand mean);
αj = µj - µ = efek perlakuan ke-j pada variable terikat;
εij = deviasi data Xij terhadap rataan populasinya yang berdistribusi normal
dengan rataan 0.
i = 1, 2, 3, … , nj; ; j = 1, 2, 3, …, k
k = cacah populasi (cacah perlakuan, cacah klasifikasi)
• Notasi dan Tata Letak
Karena setiap perlakuan tersebut terdiri dari data amatan yang banyaknya berbeda
maka harus dicari jumlah, rataan, jumlah kuadrat, suku korelasi, dan variasi untuk
masing-masing kategori perlakuan maupun keseluruhan (total) sehingga data
amatan dan perhitungan yang dicari diatas dapat disajikan pada tabel berikut
Tabel Notasi dan Tata Letak Pada Anava Satu Jalan Sel Tak Sama
A1 A2 … Ak Total
Data Amatan X11

X21
….
Xn11 X12
X22
….
Xn22 …
…
…
… X1k
X2k
....
Xnkk
Cacah data n1 n2 … nk N
Jumlah data T1 T2 … Tk G
Rataan
…
Jumlah Kuadrat
Suku Korelasi
Variasi SS1 SS2 … SSk
Dari table di atas, perlu diketahui bahwa
• Hipotesis
Pasangan hipotesis yang diuji adalah:
H0 : µ1 = µ2 =…= µk
Atau
H0 : α1 = α2 = αk = 0
(dapat juga ditulis αj = 0 untuk setiap j)
H1 : Paling sedikit ada satu αj yang tidak nol
Atau
H0 : Tidak ada pengaruh variable bebas terhadap variable terikat
H1 : Ada pengaruh variable bebas terhadap variable terikat
• Komputasi
Untuk memudahkan perhitungan, didefinisikan besaran-besaran (1), (2), dan (3),
sebagai berikut
(1) (2) (3)
Akan ditentukan
JKA = - = (3) – (1)
JKT = - = (2) – (1)
JKG = JKT - JKA = - - + = - = (2) – (3)
Derajat Kebebasan untuk masing-masing jumlah kuadrat itu adalah
dkA = k – 1
dkG = N – k
dkT = N – 1
Rataan Kuadratnya adalah
RKA = RKG =
• Statistik Uji
Yang merupakan nilai dari variable random yang brdistribusi F dengan derajat
kebebasan k – 1 dan N – k
• Daerah Kritik
Seperti halnya pada analisis variansi satu jalan dengan sel sama, maka daerah
kritik uji ini adalah:
DK = {F | F > Fα: k – 1, N – k}
• Rangkuman Analisis
Sebaiknya, hasil-hasil komputasi disajikan dalam table rangkuman analisis
variansi dengan format berikut.
Tabel Rangkuman Analisis Variansi

Sumber JK dk RK Fobs Fα p
Perlakuan JKA k - 1 RKA
F* p < α atau p > α
Galat JKG N – k RKG - - -
Total JKT N - 1 - - - -
Ket : p adalah probabilitas amatan
F* adalah nilai F yang diperoleh dari table atau komputer
• Contoh 8
Untuk melihat apakah ada perbedaan efek tiga metode pembelajaran, yaitu
metode A, B, C, terhadap prestasi belajar, kepada kelas 1A diberi pelajaran
dengan metode A, kepada kelas 1B diberi pelajaran dengan metode B, dan kepada
kelas 1C diberi pelajaran dengan metode C. Pada akhir semester, kepada mereka
diberi tes yang sama. Untuk kepentingan analisis, secara random pada kelas 1A
diambil 4 siswa, dari kelas 1B diambil 6 siswa, dan dari kelas 1C diambil 5 siswa.
Nilai-nilai mereka adalah sebagai berikut
Metode A: 4 7 6 6
Metode B: 5 1 3 5 3 4
Metode C: 8 6 8 9 5
Jika dimbil tingkat signifikan 5% bagaimana kesimpulan penelitian tersebut?
Diasumsikan semua persyaratan uji analisis variansi dipenuhi.
Solusi
H0 : µ1 = µ2 = µ3
H1 : paling sedikit ada dua rataan ang tidak sama
2. Taraf Signifikansi α = 5%
3. Statistic diuji yang digunakan:
4. Komputasi
Tabel Analisis Variansi
Metode Total
ABC
Data Amatan 4
7
6
65
1
3
5
3
46
8
9
5
nj 4 6 5 N = 15
Tj 23 21 36 G = 80
5.75 3.5 7.2 = 5.33
137 85 270 = 492
132.25 73.50 259.20 = 464.95
SSj 4.75 11.5 10.8 = 27.05
JKA = 38.283 JKG = 27.050 JKT = 65.333

dkA = 2 dkG = 12 dkT = 14
RKA = 19.142
RKG = 2.254
Diperoleh Fobs = 8.49
Dan diperoleh juga
Perlakuan 38.283 2 19.142 8.49 3.89 > 0.05
Galat 27.050 12 2.254 - - -
Total 65.333 14 - - - -
5. Daerah Kritik : DK = {F|F>3.89}

6. Keputusan Uji : Ho ditolak
7. Kesimpulan : Ketiga metode mengajar tidak memberikan efek yang sama (atau
ketiga metode mengajar berpengaruh terhadap prestasi belajar)
Beberapa catatan untuk ANAVA
Dibandingkan dengan uji beda rataan dengan menggunakan statistk uji Z maupun
uji student t, Analisis Variansi mempunyai keuntungan yaitu dapat dilakukannya
uji beda rataan untuk beberapa populasi sekaligus. Namun, analisis variansi juga
mempunyai kelemahan. Kelemahan yang pertama ialah apabila H0 ditolak,
peneliti hanya mengetahui bahwa perlakuan-pelakuan yang diteliti tidak
memberikan efek yang sama. Namun, peneliti belum mengetahui manakah dari
perlakuan-perlakuan itu yang secara signifikan berbeda dengan yang lain. Untuk
menutup kelemahan ini, perlu dilakukan uji Pasca ANAVA ( yang mudah
digunakan dan paling ketat) ialah Metode Scheffe’.
Kelemahan yang kedua adalah sebagai berikut. Apabila peneliti berkeinginan
untuk melihat, misalnya pada Contoh 8, manakah metode yang paling baik.
Misalnya hipotesis penelitiannya (berdasar kajian teori tertentu) ialah “Metode A
yang paling baik”, maka secara logis harus dipenuhi “µA > µB” dan “µA > µC”.
ANAVA tidak menyediakan cara untuk menguji itu, karena H0 yang dirumuskan
adalah µA = µB = µC. oleh karena itu, prosedur yang ditempuh adalah sebagai
berikut. Pertama, diuji H0 nya dulu. Apabila H0 ditolak, kemudian dilakukan uji
lanjut (perhatikan bahwa pada kasus ini, cacah perlakuan ada 3 buah). Apabila
pada uji lanjut terdapat beda yang signifikan antara rataan populasi yang
dibandingkan, maka pada rataan populasi yang terbesar menunjukkan adanya
perlakuan yang lebih (misalnya lebih baik) daripada yang lain. Rataan populasi
tersebut tentu saja dilihat dari estimatornya, yaitu rataan pada sample yang
berkaitan. Interpretasi bahwa pada rataan populasi yang terbesar menunjukkan
adanya perlakuan yang lebih biasanya dilakukan pada pembahasan hasil penlitian.
Untuk mengatasi kelemahan kedua, peneliti dapat juga melakukan uji pasca anava
dengan menggunakan uji t satu ekor. Namun, peneliti perlu memulai perhitungan
lagi dari awal, berbeda dengan metode Scheffe’ yang dapat memanfaatkan hasil
perhitungan ANAVA (yang dalam hal ini adalah menggunakan RKG yang
diperoleh dari pehitungan ANAVA).
METODE SCHEFFE’ UNTUK ANAVA SATU JALAN

Terdapat beberapa metode untuk komparasi ganda Pasca ANAVA, di antaranya
Metode Scheffe’, Metode Tukey, Metode Newman-Keuls, dan Metode Duncan.
Pada bagian ini hanya dibicarakan Metode Scheffe’.
Metode Scheffe’ ini dapat digunakan baik untuk analisis variansi dengan sel sama
maupun untuk analisis variansi dengan sel tak sama. Metode Scheffe’
menghasilkan cacah beda rataan signifikan paling sedikit, dan sebaliknya, Metode
Duncan menghasilkan cacah beda rataan yang paling banyak (Fergson 1989). Ini
berarti bahwa banyaknya beda rataan pada uji lanjut sangat tergantung kepada
metode komparasi ganda yang dipakai. Dapat terjadi dengan suatu metode beda
rataannya signifikan, tetapi dengan metode yang lain tidak demikian halnya. Oleh
karena itu, perlu dicantumkan metode mana yang dipakai dalam setiap laporan
penelitian (baik dalam bentuk lengkapnya maupun dalam bentuk ringkasannya).
Langkah-langkah yang perlu ditempuh pada metode Scheffe’ ialah:
1. Identifikasikan semua pasangan komparasi rataan yang ada. Jika terdapat k
perlakuan, maka ada pasangan rataan dan rumuskan hipotesis yang bersesuaian
dengan komparasi tersebut.
2. Tentukan tingkat signifikan α (pada umumnya α yang dipilih sama dengan pada
uji analisis variansinya).
3. Carilah nilai statistic uji F dengan menggunakan formula berikut:
dengan:
Fi-j = nilai Fobs pada pembanding perlakuan ke-i dan perlakuan ke-j;
Xi = rataan pada sample ke-i;
Xj = rataan pada sample ke-j;
RKG = rataan kuadrat galat, yang diperoleh dari perhitungan analisis variansi;
ni = ukuran sample ke-i;
nj = ukuran sample ke-j;
4. Tentukan daerah kritik dengan formula berikut:
DK = {F | F > (k-1) Fα;k-1,N-k }
5. Tentukan keputusan uji untuk masing-masing komparasi ganda.
6. Tentukan kesimpulan dari keputusan uji yang ada.
Contoh 9
Di suatu sekolah pada saat yang hampir bersamaan kedatangan tiga orang
salesman dari tiga penerbit bahan belajar mandiri, yaitu Penerbit A, Penerbit B,
Penerbit C. Menurut masing-masing penerbit bahan belajar terbitannya paling
baik di antara bahan belajar yang ada. Tentu saja, sekolah tidak akan membeli
ketiga-tiganya sekaligus, namun hanya akan membeli bahan belajar yang paling
baik diantara ketiganya. Untuk memilih bahan belajar yang paling baik, kepala
sekolah mengujicobakan bahan belajar tersebut kepada tiga kelompok, yaitu
kelompok I, II, III. Siswa-siswa kelompok I (7 orang) diminta mempelajari bahan
belajar penebit A, siswa-siswa kelompok II (9 orang) diminta untuk mempelajari
bahan belajar penerbit B, dan siswa-siswa kelompok III diminta untuk
mempelajari bahan belajar penerbit C. Setelah selesai mempelajari bahan tersebut,
kepada mereka diberikan tes yang sama. Skor mereka adalah sebai berikut:
Kelompok I : 87 80 74 82 74 81 97
Kelompok II : 58 63 64 75 70 73 80 62 71
Kelompok III : 81 62 70 64 70 72 92 63
Jika diambil α = 5%, bagaimana kesimpulan penelitian tersebut? Diasumsikan
semua persyaratan analisis variansi dipenuhi.
Solusi:
Pertama-tama, lakukanlah ANAVA terlebih dahulu sebagai berikut :
H0 : µ1 = µ2 = µ3
2. Taraf Signifikan α = 5%
3. Statistik Uji
4. Komputasi
Tabel Analisis Variansi
Bahan Ajar Total
ABC
Data Amatan 87 80
74 82
74 81
97 58 63
64 75
70 73
80 62
71 81 62
70 64
70 72
92 63
nj 7 9 8 N = 24
Tj 575 616 574 G = 1765
82.14 68.44 71.75 = 73.54
47615 42568 41918 = 132101
47232.14 42161.78 41184.5 = 130578.42
SSj 382.86 406.22 733.5 = 1522.58
JKA = 777.38 JKG = 1522.58 JKT = 2299.96

dkA = 2 dkG = 21 dkT = 23
RKA = 388.69 RKG = 72.50
Diperoleh Fobs = 5.36
Dan diperoleh juga
Perlakuan 777.38 2 388.69 5.36 3.47 > 0.05
Galat 1522.58 21 72.50 - - -
Total 2299.96 23 - - - -
5. Daerah Kritik DK = {F|F > 3.47} ; Fobs = 5.36 DK

6. Keputusan Uji : Ho ditolak
7. Kesimpulan : Ketiga bahan belajar tersebut tidak mempunyai mutu yang sama
Setelah dalam keputusan uji Ho ditolak, maka untuk menentukan bahan belajar
manakah yang paling baik, dilakukan uji komparasi ganda dengan Metode
Scheffe’, sebagai berikut :
1. Komparasi rataan Ho dan H1-nya tampak pada table berikut
Komparasi Ho H1
vs
=
vs
=
vs
=
2. Taraf signifikansi : α = 5%
3. Komputasi
4. Daerah Kritik : DK = {F|F>(2)(3.47))}={F|F>6.94}

5. Keputusan Uji :
Dengan membandingkan Fobs dengan daerah kritik, tampak bahwa perbedaan
yang signifikan hanyalah antara dan
6. Kesimpulan :
Bahan Ajar A sama baiknya dengan Bahan Ajar C, Bahan Ajar B sama baiknya
dengan Bahan Ajar C, tetapi Bahan Ajar A lebih baik daripada Bahan Ajar B
Dari dua analisis tersebut (ANAVA dan komparasi ganda), dapat disimpulkan
bahwa ketiga bahan belajar tersebut mempunyai kualitas yang berbeda. Dari
ketiganya, yang paling baik adalah bahan belajar dari penerbit A, disusul dari
penerbit B, dan dari penerbit C
Tugas Kelompok 1
1. Untuk melihat apakah ada perubahan antara 3 metode pembelajaran A, B, dan
C, ketiga metode pembelajaran tadi diberikan kepada tiga kelas yang kondisi
awalnya sama. Metode pembelajaran A diberikan kepada Kelas IA, Metode
pembelajaran B diberikan kepada Kelas IB, dan Metode pembelajaran C diberikan
kepada Kelas IC. Untuk kepentingan analisi data, diambil secara random sejumlah
siswa dan datanya adalah sebagai berikut
Kelas IA : 2, 4, 3
Kelas IB : 8, 7, 6, 9
Kelas IC : 3, 4, 5, 6, 7
Diasumsikan semua persyaratan analisis variansi dipenuhi dan uji analisis variansi
dilakukan pada tingkat signifikansi 5%
a) Apakah ada perbedaan kinerja dari ketiga metode tersebut?
b) Apakah diperlukan uji lanjut untuk menentukan metode mana yang paling baik
kinerjanya? Kalau ya, lakukanlah uji lanjut itu, dan kalau tidak, jelaskan
mengapa?
c) Bagaimana kesimpulan penelitiannya?
2. Seperti No 1, untuk data berikut :

Kelas IA : 2, 4, 3, 5, 4
Kelas IB : 8, 7, 8, 9, 8
Kelas IC : 5, 6, 5, 6, 7
3. Seperti No 1, tetapi untuk 4 metode dengan data berikut:

Kelas IA : 7, 6, 4, 5, 2
Kelas IB : 8, 9, 7, 6, 5
Kelas IC : 8, 6, 3, 5
Kelas ID : 3, 2, 4, 3, 2, 1
Catatan : Metode Pembelajaran D diterapkan pada Kelas ID
F. ANALISIS VARIANSI UNIVARIATE DUA JALAN

Perhatikan kembali persoalan pada Contoh 9. Ada kemungkinan, disamping
melibatkan ketiga bahan belajar A, B, dan C, kepala sekolah juga melibatkan
ketiga bahan belajar A, B, dan C, kepala sekolah juga melibatkan gender (pria dan
wanita) dalam penelitiannya. Oleh karenanya ada 6 kelompok (sample) yang
dikenai penelitiannya, yaitu
• Kelompok siswa pria yang dikenai bahan belajar A
• Kelompok siswa pria yang dikenai bahan belajar B
• Kelompok siswa pria yang dikenai bahan belajar C
• Kelompok siswa wanita yang dikenai bahan belajar A
• Kelompok siswa wanita yang dikenai bahan belajar B
• Kelompok siswa wanita yang dikenai bahan belajar C
Yang menjadi pertanyaan sekarang adalah

1. Apakah siswa-siswa wanita dan siswa-siswa pria mempunyai prestasi belajar
yang sama jika belajar dengan bahan belajar mandiri?
2. Apakah ketiga bahan belajar mandiri (A, B, dan C) berkualitas sama?
3. Apakah perbedaan prestasi antara siswa – siswa pria dan siswa – siswa wanita
konsisten (berlaku sama) pada tiap-tiap jenis bahan belajar?
4. Apakah perbedaan antara masing-masing jenis bahan belajar konsisten (berlaku
sama) pada setiap jenis kelamin?
Dari permasalahan diatas dapat Anda lihat bahwa

• Variable terikat
• Variabel bebas
Permasalahan pertama dan kedua disebut efek utama (main effects) sedangkan
permasalahan ketiga dan keempat disebut interaksi (interaction) atau kombinasi
efek antara faktor bahan belajar dan faktor gender. Untuk menyelesaikan keempat
permasalahan tersebut secara serentak digunakanlah analisis variansi dua jalan.
Perhatikanlah bahwa makna interaksi dalam kasus analisis variansi mungkin
berbeda dengan makna interaksi dalam percakapan sehari-hari. Untuk jelasnya
perhatikan uraian berikut.
Jika misalnya untuk setiap bahan belajar A, B, maupun C, rataan prestasi siswa
putra secara signifikan selalu terjadi interaksi; dan secara keseluruhan (tidak
dengan memperhatikan jenis bahan belajar) pastilah juga prestasi siswa putra
lebih baik daripada prestasi siswa wanita.
Jika misalnya untuk bahan belajar A, prestasi siswa putra secara signifikan lebih
baik daripada prestasi siswa wanita, tetapi untuk bahan beljar B dan C, prestasi
siswa wanita yang secara signifikan justru lebih baik daripada prestasi siswa pria,
maka terjadi interaksi. Dalam keadaan seperti ini baik atau tidaknya bahan belajar
tergantung kepada jenis kelamin siswa.
Pada bagian ini akan dibicarakan Analisis Variansi Univariate Dua Jalan
Analisis Variansi Univariate Dua Jalan dibagi menjadi dua kelompok yaitu
1. Analisis Variansi Univariate Dua Jalan dengan sel sama
2. Analisis Variansi Univariate Dua Jalan dengan sel yang berbeda
ANALISIS VARIANSI UNIVARIATE DUA JALAN DENGAN SEL SAMAϖ

Tujuan
Analisis Variansi Univariate Dua Jalan (faktor) pada dasarnya merupakan
perluasan dari Analisis Variansi Univariate Satu Jalan.
Tujuan dari Analisis Variansi Univariate Dua Jalan adalah
1. Untuk menguji signifikansi efek dua variabel bebas terhadap satu variabel
terikat.
Kedua variabel bebas tersebut disebut faktor ”baris” (faktor A) dan faktor
”kolom” (faktor B).
2. Untuk menguji signifikansi interaksi kedua variabel bebas terhadap variabel
terikat.
Pada dasarnya, pengujian pertama adalah pengujian rataan antar baris, pengujian
kedua dengan pengujian rataan antar sel pada baris atau kolom yang sama.
Persyaratan Analisis
Persyaratan yang harus dipenuhi oleh analisis variansi dua jalan sama dengan
persyaratan analisis variansi satu jalan, yaitu :
1. Memenuhi keempat persyaratan dalam ANAVA
2. Variabel terikatnya ada satu
3. Variabel bebasnya ada dua
Pengujian Data
Perhatikan bahwa kalau variabel ”baris” mempunyai p kategori, variabel ”kolom”
mempunyai q kategori, maka ada sebanyak pq sel. Ini berarti, ditinjau menurut
barisnya, ada p populasi; ditinjau dari kolomnya ada q populasi, dan ditinjau dari
selnya, ada pq populasi.
Secara teoritis, p populasi (pada baris) masing-masing harus berdistribusi normal
dan kesemuanya mempunyai variansi yang sama; dan q populasi (pada kolom)
masing-masing harus berdistribusi normal dan mempunyai variansi yang sama.
Hal yang sama berlaku untuk populasi-populasi yang berkaitan dengan sel-sel
pada baris/kolom yang sama.
Untuk lebih jelasnya perhatikan kasus di mana ada dua variabel bebas, yaitu jenis
kelamin dan bahan belajar.
Tabel Populasi
Bahan Belajar A Bahan Belajar B Bahan Belajar C
Pria Pria-A Pria-B Pria-C
Wanita Wanita-A Wanita-B Wanita-C
• Uji normalitas dilakukan 11 kali, yaitu menguji normalitas (prestasi belajar)
untuk populasi pria, wanita, bahan belajar A, bahan belajar B, bahan belajar C,
pria yang menggunakan bahan belajar A, pria yang menggunakan bahan belajar
B, pria yang menggunakan bahan belajar C, wanita yang menggunakan bahan
belajar A, wanita yang menggunakan bahan belajar B, dan wanita yang
menggunakan bahan belajar C.
• Untuk uji homogenitas variansi, dilakukan 7 kali, yaitu menguji kesamaan
variansi (prestasi belajar):
• Namun pada taktik penelitian, biasanya, peneliti cukup hanya menguji

normalitas dan homogenitas variansi untuk populasi-populasi ”baris” dan
”kolom”saja, sehingga pada uji normalitas hanya dilakukan 5 kali dan uji
homogenitas variansi hanya dilakukan 2 kali saja, yaitu
• untuk uji normalitas dilakukan 5 kali yaitu untuk menguji populasi pria, wanita,
bahan belajar A, bahan belajar B, dan bahan belajar C
• untuk uji homogenitas dilakukan 2 kali yaitu untuk menguji kesamaan variansi
prestasi belajar siswa wanita dan siswa pria
Notasi dan Tata Letak Data

Misalnya variabel A mempunyai p nilai dan variabel B mempunyai q nilai,
sehingga terhadap p baris dan q kolom.
Datanya dapat disajikan dalam bentuk tabel berikut :
Tata Letak Data Sampel pada Anava Dua Jalan Sel Sama
Faktor A Faktor B
...
...
...
... ... ... ...
...
...
...
... ... ... ...
...
... ... ... ... ...
...
...
... ... ... ...

...
Selanjutnya,
= jumlah data pada baris ke-i
= jumlah data pada kolom ke-j
= jumlah data pada baris ke-i dan kolom ke-j
G = jumlah seluruh data amatan
Jumlah-jumlah dari elemen setiap sel dapat dimasukkan dalam tabel berikut
Tabel Jumlah AB
Faktor A Faktor B
...
Total
...
...
... ... ... ... ...
...
Total
...
G
Model
Model untuk data populasi pada analisis variansi dua jalan dengan sel sama ialah :
dengan :
= data (nilai) ke-k pada baris ke-i dan kolom ke-j
= rerata dari seluruh data (rerata besar, grand mean);
= = efek baris ke-i pada variabel terikat;
= = efek kolom ke-j pada variabel terikat;
=
= kombinasi efek baris ke-i dan kolom ke-j pada variabel terikat
= deviasi data terhadap rataan populasinya yang berdistribusi normal dengan
rataan 0;
i = 1, 2, 3, ..., p ; p = banyaknya baris;
j = 1, 2, 3, ..., q ; q = banyaknya kolom;
k = 1, 2, 3, ..., n ; n = banyaknya data amatan pada setiap sel
Perhatikanlah bahwa pada model tersebut berlaku :
Untuk lebih jelasnya, perhatikan contoh berikut
Contoh 10
Diketahui data populasi seperti pada tabel berikut :
Tabel Data Populasi Menurut Faktor A dan Faktor B
AB
B1 B2 B3
A1 8, 9, 10 11, 12, 13 17, 18, 19
A2 7, 9, 11 8, 10, 12 13, 14, 15
Carilah semua
Solusi :
Tabel Kerja untuk Mencari
AB
B1 B2 B3
A1 8, 9, 10 11, 12, 13 17, 18, 19 = 13
=9
= 12
= 18
A2 7, 9, 11 8, 10, 12 13, 14, 15 = 11
=9
= 10
= 14
=9
= 11
= 16
= 12
Dari Tabel diatas dapat dilihat bahwa :

Perhatikan bahwa pada Contoh diatas, tidak semua bernilai nol, yang ini berarti
bahwa A1 dan A2 memberikan efek yang berbeda terhadap variabel terikat.
Tampak juga bahwa tidak semua bernilai nol, yang ini juga berarti bahwa B1, B2,
dan B3 memberikan efek yang berbeda juga.
Untuk , tampak bahwa tidak semua bernilai nol, yang ini berarti terdapat interaksi
antara variabel A dan variabel B terhadap variabel terikat. Terdapatnya interaksi
ini dapat dilihat dari kenyataaan bahwa A1 dan A2 memberikan efek yang sama
pada kategori B1, tetapi tidak demikian halnya pada kategori B2 dan B3. Artinya,
pengaruh variabel A terhadap variabel terikat tergantung kepada kategori
(tingkatan) variabel B.
Contoh 11
Diketahui data populasi seperti pada tabel berikut :
AB
B1 B2 B3
A1 8, 9, 10 4, 5, 6 1, 1, 1
A2 10, 11, 12 6, 7, 8 2, 3, 4
Carilah semua
Solusi :
Tabel Kerja untuk Mencari
AB
B1 B2 B3
A1 8, 9, 10 4, 5, 6 1, 1, 1 = 5
=9
=5
=1
A2 10, 11, 12 6, 7, 8 2, 3, 4 = 7
= 11
=7
=3
= 10
=6
=2
=6
Dari tabel diatas dapat dilihat bahwa :
Perhatikanlah bahwa tidak semua bernilai nol, yang berarti bahwa A1 dan A2
memberikan efek yang berbeda terhadap variabel terikat. Tampak juga bahwa
tidak semua bernilai nol, yang juga berarti bahwa B1, B2, dan B3 memberikan
efek yang berbeda juga. Untuk , tampak bahwa semua bernilai nol, yang berarti
tidak terdapat interaksi antar variabel A dan variabel B terhadap variabel terikat.
Tidak terdapatnya interaksi ini dapat dilihat dari kenyataan bahwa pengaruh
variabel A terhadap variabel terikat tidak tergantung kepada kategori variabel B.
Artinya, pada B1 berlaku , pada B2 juga berlaku , dan pada B3 juga berlaku . Pada
sisi lain, pengaruh variabel B terhadap variabel terikat juga tidak tergantung
kepada kategori variabel A.
Tugas Individu 2
1. Data berikut adalah data populasi untuk memodelkan uji statistik dengan
menggunakan Analisis Variansi dengan model
AB
B1 B2 B3 B4
A1 6, 7, 8 8, 8, 8 8, 10, 12 2, 3, 3
A2 8, 9, 10 6, 8, 10 5, 6, 7 12, 13, 14
a. Carilah semua nilai dari yang dapat ditarik dari data tersebut
b. Nyatakan setiap dalam
c. Apakah untuk setiap i berlaku = 0?
d. Apakah untuk setiap j berlaku = 0?
e. Apakah untuk setiap i dan j berlaku = 0?
f. Apakah terdapat perbedaan efek antar baris?
g. Apakah terdapat perbedaan efek antar kolom?
h. Apakah terdapat interaksi antara A dan B?
2. Seperti soal Nomor 1 untuk data populasi berikut

AB
B1 B2 B3 B4
A1 6, 7, 8 8, 8, 8 2, 3, 4 2, 5, 8
A2 8, 9, 10 6, 10, 14 5, 5, 5 7, 7, 7
3. Seperti soal Nomor 1 untuk data populasi berikut

AB
B1 B2 B3 B4
A1 6, 7, 8, 9, 10, 12 8, 8, 8, 7, 8, 9 8, 10, 12, 15, 14 2, 3, 3, 4, 6, 10
A2 8, 9, 10, 6, 5, 7 6, 8, 10, 4, 12, 14 5, 6, 7, 8, 9, 10 12, 13, 14, 8, 8, 7
Perhitungan dan pengujian hipotesa pada Analisis Variansi Univariate Dua Jalan
dengan Sel Sama sebagai berikut
Perumusan Hipotesis
Seperti yang dibicarakan di muka, ada tiga pasang hipotesis yang dapat diujii
dengan analisis variansi dua jalan ini. Tiga pasang tersebut ialah :
: untuk setiap i = 1, 2, 3, ..., p
: paling sedikit ada satu yang tidak nol
: untuk setiap j = 1, 2, 3, ..., p
: untuk setiap i = 1, 2, 3, ..., p dan j = 1, 2, 3, ..., p
Ketiga pasang hipotesis ini ekuivalen dengan tiga pasang hipotesis berikut ini :
: Tidak ada perbedaan efek antar baris terhadap variabel terikat;
: Ada perbedaan efek antar baris terhadap variabel terikat
: Tidak ada perbedaan efek antar kolom terhadap variabel terikat;
: Ada beberapa efek antar kolom terhadap variabel terikat
: Tidak ada interaksi baris dan kolom terhadap variabel terikat;
: Ada interaksi baris dan kolom terhadap variabel terikat.
Perhatikanlah bahwa kalimat ”ada perbedaan efek antar baris terhadap variabel
terikat” sering dinyatakan dengan kalimat lain, yaitu bahwa ”variabel A
berpengaruh terhadap variabel terikat”, jika kategori-kategori variabel A
dinyatakan dalam baris-baris.
Komputasi
Seperti pada analisis variansi satu jalan, untuk memudahkan perhitungan,
didefinisikan besaran-besaran (1), (2), (3), (4), dan (5) sebagai berikut :
Terdapat lima jumlah kuadrat pada analisis variansi dua jalan, yaitu jumlah
kuadrat baris (JKA), jumlah kuadrat kolom (JKB), jumlah kuadrat interaksi
(JKAB), jumlah kuadrat galat (JKG), dan jumlah kuadrat total (JKT). Berdasarkan
sifat-sifat matematis tertentu dapat diturunkan formula-formula untuk JKA, JKB,
JKAB, JKG, JKT dan sebagainya.
JKA = (3) – (1) = -
JKB = (4) – (1) = -
JKAB = (1) + (5) – (3) – (4) = + - -
JKG = (2) – (5) = -
JKT = (2) – (1) = - (atau JKT = JKA + JKB + JKAB + JKG)
Derajat kebebasan untuk masing-masing jumlah kuadrat tersebut adalah :
dkA = p – 1
dkB = q – 1
dkAB = (p – 1)(q – 1)
dkG = pq(n – 1) = N – pq
dkT = N – 1
Berdasarkan jumlah kuadrat dan derajat kebebasan masing-masing, diperoleh
rataan kuadrat berikut :
Statistik Uji
Statistik uji analisis variansi dua jalan dengan sel sama ini ialah :
1. Untuk adalah yang meruupakan nilai dari variabel random yang berdistribusi F
dengan derajat kebebasan p-1 dan N-pq;
2. untuk adalah yang merupakan nilai dari variabel random yang berdistribusi F
dengan derajat kebebasan p-1 dan N-pq;
3. untuk adalah yang merupakan nilai dari variabel random yang berdistribusi F
dengan derajat kebebasan (p-1)(q-1) dan N-pq.
Daerah Kritik
Untuk masing-masing nilai F diatas, daerah kritiknya adalah sebagai berikut :
1. Daerah kritik untuk adalah
Rangkuman Analisis
Sebaiknya, hasil-hasil komputasi disajikan dalam tabel rangkuman analisis
variansi dengan format berikut :
Rangkuman Analisis Variansi Dua Jalan
Sumber JK dk RK
p
Baris (A) JKA p-1 RKA
F*
Kolom (B) JKB q-1 RKB

F*
Interaksi (AB) JKAB (p-1)(q-1) RKAB

F*
Galat JKG N-pq RKG - - -

Total JKT N-1 - - - -
Keterangan : p adalah probabilitas amatan; F* adalah nilai F yang diperoleh dari
tabel
Contoh 12
Seorang peneliti ingin melihat manakah strategi pembelajaran yang paling efektif
di antara strategi pembelajaran A, B, dan C, dengan pengertian strategi
pembelajaran yang satu lebih efektif dibanding dengan strategi pembelajaran
lainnya apabila strategi yang pertama menghasilkan rataan prestasi belajar yang
lebih baik daripada rataan prestasi belajar yang dihasilkan oleh strategi yang
kedua. Peneliti tersebut juga ingin melihat manakah yang lebih baik, prestasi
belajar siswa-siswa pria ataukah prestasi belajar siswa-siswa wanita dan sekaligus
juga ingin melihat apakah terdapat perbedaan prestasi antara siswa-siswa pria dan
siswa-siswa wanita pada tiap-tiap strategi pembelajaran. Setelah dilakukan
eksperimen dan diambil sampel yang representatif terhadap populasinya, datanya
adalah sebagai berikut :
Prestasi Belajar Siswa Menurut Seks dan Strategi Mengajar
Jenis Kelamin Strategi mengajar
ABC
Pria 4 7 5 2 3 2 5 6 4
Wanita 9 8 8 8 7 5 10 8 7
Jika diambil tingkat signifikansi 5%, bagaimana kesimpulan penelitian tersebut?
Diasumsikan semua persyaratan analisis variansi dipenuhi.
Solusi:
Dilakukan analisis variansi dulu untuk melihat apakah terdapat efek utama pada
baris dan kolom serta efek interaksi.
(a) : untuk setiap i = 1, 2
(b) : untuk setiap i = 1, 2, 3
(c) : paling sedikit ada satu yang tidak nol
: untuk setiap i = 1, 2 dan j = 1, 2, 3
2.
3. Komputasi :
Jumlah AB
ABCD
Pria 16 7 15 38 (A1)
Wanita 25 20 25 70 (A2)
41 (B1) 27 (B2) 40 (B3) 108 (G)
JKA = 56.889 dkA = 1 RKA = 56.889 Fa = 39.40

JKB = 20.333 dkB = 2 RKB = 10.167 Fb = 7.04
JKAB = 1.445 dkAB = 2 RKAB = 0.723 Fab = 0.50
JKG = 17.333 dkG = 12 RKG = 1.444
JKT = 96 dkT = 17
Untuk Fa adalah DK = {F|F>F0.05;1;12} = { F|F>4.75}

Untuk Fb adalah DK = {F|F>F0.05;2;12} = { F|F>3.89}
Untuk Fab adalah DK = {F|F>F0.05;2;12} = { F|F>3.89}
Tabel Rangkuman Analisis Dua Jalan
Sumber JK dk RK Fobs F
p
Jenis Kelamin (A)
Strategi Mengajar (B)
Interaksi (AB)
Galat 56.889
20.333
1.445
17.333 1
2
2
12 56.889
10.167
0.723
1.444 39.40
7.04
0.50
- 4.75
3.89
3.89
- < 0.05
< 0.05
> 0.05
-
Total 96.000 17 - - - -
4. Keputusan Uji
H0A ditolak ; H0B ditolak ; H0AB diterima
5. Kesimpulan
a. Siswa-siswa pria dan siswa-siswa wanita mempunyai prestasi belajar yang
berbeda
b. Ketiga strategi mengajar tidak memberikan efek yang sama terhadap prestasi
belajar
c. Tidak ada interaksi antara jenis kelamin dan strategi mengajar terhadap prestasi
belajar
Perhatikan Contoh 12 diatas, perlukah dilakukan uji pasca ANAVA?
Sebelum membahas uji pasca ANAVA untuk Contoh 12 diatas, pahamilah lebih
dahulu teroi uji pasca ANAVA untuk Analisis Variansi Univariate 2 Jalur sebagai
berikut:
METODE SCHEFFE’ UNTUK ANAVA DUA JALAN

Langkah-langkah komparasi ganda dengan metode Scheffe’ untuk analisis
variansi dua jalan pada dasarnya sama dengan langkah-langkah pada komparasi
ganda untuk analisis variansi satu jalan. Bedanya ialah pada analisis variansi dua
jalan terdapat empat macam komparasi, yaitu komparasi ganda rataan antara :
(1) baris ke-i dan baris ke-j,
(2) kolom ke-i dan kolom ke-j,
(3) sel ij dan sel kj (sel-sel pada kolom ke-j), dan
(4) komparasi ganda antara sel pada baris dan kolom yang tidak sama.
Komparasi Rataan Antar Baris
Uji Scheffe untuk komparasi rataan antar baris adalah :
dengan
= nilai pada pembandingan baris ke-i dan baris ke-j
= rataan pada baris ke-i
= rataan pada baris ke-j
RKG = rataan kuadrat galat yang diperoleh dari perhitungan analisis variansi
= ukuran sampel baris ke-i
= ukuran sampel baris ke-j
Daerah kritik untuk uji itu ialah:
Komparasi Rataan Antar Kolom

Uji Scheffe’ untuk komparasi rataan antar kolom adalah :
dengan daerah kritik :
Makna dari lambang-lambang pada komparasi ganda rataan antar kolom ini mirip
dengan makna lambang-lambang komparasi ganda rataan antar baris; hanya
dengan mengganti baris menjadi kolom.
Komparasi Rataan Antar Sel Pada Kolom yang Sama

Uji Scheffe’ untuk komparasi rataan antar sel pada kolom yang sama adalah
sebagai berikut :
dengan :
= nilai pada pembandingan rataan pada sel ke - ij dan rataan pada sel ke - kj
= rataan pada sel ke - ij
= rataan pada sel ke - kj
RKG = rataan kuadrat galat, yang diperoleh dari perhitungan analisis variansi
= ukuran sel ke - ij
= ukuran sel ke - kj
Daerah kritik untuk uji itu ialah :
Komparasi Rataan Antar Sel Pada Baris yang sama

Uji Scheffe’ untuk komparasi rataan antar sel pada baris yang sama adalah
sebagai berikut :
Daerah kritik untuk uji itu ialah :
Untuk mendiskusikan hal itu lebih mendalam lagi, perhatikan lebih dahulu tabel
rataan, yang diperoleh dari perhitungan pada Contoh 12 diatas
Rataan masing-masing Sel dari Data pada Conoth 12
Jenis Kelamin Strategi Mengajar Rataan Marginal
ABC
Pria 5.3 2.3 5.0 4.2
Wanita 8.3 6.7 8.3 7.8
Rataan Marginal 6.8 4.5 6.7
Perhatikanlah bahwa H0A ditolak. Ini berarti bahwa siswa pria dan wanita
berbeda prestasi belajarnya. Dalam kasus ini, karena variable jenis kelamin hanya
mempunyai 2 nilai (yaitu pria dan wanita), maka untuk antar baris untuk antar
baris tidak diperlukan komparasi Pasca ANAVA. Kalaupun dilakukan komparasi
ganda antara rataan siswa-siswa pria dan rataan siswa-siswa wanita dapat
dipastikan bahwa hipotesis nolnya juga akan ditolak. Komparasi itu menjadi tidak
berguna, karena ANAVA telah menunjukkan bahwa H0A ditolak. Dari rataan
marginalnya, yang menunjukkan bahwa rataan siswa-siswa wanita lebih tinggi
daripada rataan siswa-siswa pria dapat disimpulkan bahwa siswa-siswa wanita
lebih baik prestasi belajarnya dibandingkan dengan siswa-siswa pria.
Perhatikanlah bahwa penyimpulan (dengan melihat rataannya) itu dilakukan
setelah secara statistik disimpulkan bahwa siswa pria dan wanita berbeda prestasi
belajarnya.
Bagaimanakah dengan komparasi ganda Pasca ANAVA antar kolom?
Karena H0A ditolak, maka ini berarti tidak semua strategi pembelajaran
memberikan efek yang sama terhadap prestasi belajar. Dengan kata lin, pasti
terdapat paling sedikit dua rataan yang tidak sama. Karena variabel strategi
pembelajaran mempunyai tiga nilai (A, B, dan C) maka komparasi ganda perlu
dilakukan untuk melihat manakah yang secara signifikan mempunyai rataan yang
berbeda.
Setelah dicari dengan rumus Scheffe’ untuk komparasi antar kolom diperoleh
= 11.00; = 0.02; = 10.06
DK = {F|F>7.60}
Sehingga dapat disimpulkan sebagai berikut :
Rataan yang diperoleh dari strategi pembelajaran A berbeda secara signifikan
dengan rataan diperoleh dari strategi pembelajaran B. Karena rataan untuk strategi
pembelajaran A lebih tinggi dibandingkan dengan strategi pembelajaran B, maka
diperoleh kesimpulan bahwa strategi pembelajaran A lebih efektif dibandingkan
dengan strategi pembelajaran B.
Dengan pemikiran yang sama dapat disimpulkan bahwa strategi pembelajaran A
sama efektifnya dengan strategi pembelajaran C dan strategi pembelajaran C lebih
efektif dibandingkan dengan strategi pembelajaran B.
Perlukah dilakukan uji komparasi ganda antar sel (pada baris yang sama atau
kolom yang sama)?
Perhatikanlah bahwa H0AB diterima, berarti tidak terdapat interaksi antara
variabel jenis kelamin dan strategi pembelajaran terhadap prestasi belajar. Dari
kenyataan bahwa tidak terdapat interaksi itu, dapat disimpulkan bahwa
karakteristik perbedaan antara siswa pria dan siswa wanita untuk setiap strategi
pembelajaran sama. Karakteristik tersebut tentu saja sama dengan karakteristik
marginal perbedaan jenis kelamin. Perhatikanlah bahwa secara marginal (secara
umum, dilihat dari rataan marginal), siswa wanita lebih baik dibandingkan dengan
siswa pria. Karena tidak ada interaksi, maka hal tersebut berlaku juga pada
kelompok siswa yang diberi pelajaran dengan strategi A; dalam arti pada strategi
pembelajaran A, siswa wanita juga lebih pandai daripada siswa pria. Demikian
pula halnya kalau hanya diperhatikan strategi pembelajaran B atau strategi
pembelajaran C saja.
Bagaimana kalau ditinjau perbandingan anatar sel pada baris yang sama?
Karena interaksi tidak tidak ada, maka karakteristik perbedaan strategi
pembelajaran akan sama pada setiap jenis kelamin dan akan sama pula dengan
karakteristik marginalnya. Artinya, kalau secara marginal (secara umum) strategi
pembelajaran A dan strategi pembelajaran C sama efektifnya, maka kalau ditinjau
pada siswa pria saja, juga akan berlaku kesimpulan strategi A sama efektifnya
dengan strategi pembelajaran C. Demikian pula, kalau ditinjau pada siswa wanita
saja, maka strategi pembelajaran A juga akan sama efektifnya dengan strategi
pembelajaran C.
Jadi, kalau interaksi antara variabel bebas tidak ada, maka tidak perlu dilakukan
uji lanjut antar sel pada kolom/baris yang sama. Kesimpulan pembandingan rataan
antar sel mengacu kepada kesimpulan pembandingan rataan marginalnya.
Kesimpulan penelitian
Berdasarkan analisis variansi dan uji lanjut setelah analisis variansi, kesimpulan
penelitian untuk Contoh 12 diatas adalah
1. Siswa wanita lebih baik prestasinya dibandingkan dengan siswa pria, baik
secara umum maupun jika ditinjau pada masing-masing strategi pembelajaran
2. Strategi pembelajaran A lebih efektif dibandingkan dengan strategi
pembelajaran B, strategi pembelajaran C lebih efektif dibandingkan dengan
strategi pembelajaran B, dan strategi pembelajaran A sama efektifnya dengan
strategi pembelajaran C; baik secara umum maupun kalau ditinjau dari masing-
masing jenis kelamin
Perhatikan bahwa pada kesimpulan penelitian tersebut, kata interaksi tidak

muncul, namun esensi interaksi tersebut secara implisit telah tertuang pada
kesimpulan tersebut.
Profil Efek Bersama (Interaksi)

Secara grafis, tidak adanya interaksi antara jenis kelamin dan strategi
pembelajaran pada Contoh 12 dapat dilihat pada gambar berikut
Gambar Profil Efek Variabel Jenis Kelamin

Pada gambar itu, profil siswa-siswa wanita dan profil siswa-siswa pria tidak
berpotongan. Dari profil itu dapat juga dilihat bahwa rataan untuk siswa-siswa
wanita selalu lebih tinggi dibandingkan dengan rataan untuk siswa-siswa pria,
baik pada strategi pembelajaran A, atau B, maupun C
Ada atau tidaknya interaksi dapat diduga dari grafik profil variable-variabel
bebasnya. Jika profil variable bebas pertama dan profil variable bebas kedua tidak
berpotongan, maka kecenderungannya tidak ada interaksi diantara mereka.
Sebaliknya, jika profil variable bebas pertama berpotongan dengan profil variable
bebas kedua, maka kecenderungannya ada interaksi diantara keduanya. Namun,
ada atau tidaknya interaksi (yang signifikan) tetap saja harus dilihat dari
signifikansi interaksi pada analisis variansinya.
Contoh 13
Seorang peneliti ingin melihat mana yang lebih baik, metode ceramah atau
metode kerja kelompok, dalam menyampaikan pokok bahasan Persamaan
Kuadrat. Dia ingin juga melihat apakah siswa pria dan wanita sama
kemampuannya dalam hal menangkap pokok bahasan tersebut dan juga ingin
melihat apakah terjadi perbedaan prestasi belajar antara siswa pria dan wanita
pada setiap metode pembelajaran. Setelah pokok bahasan Persamaan Kuadrat
diberikan dan diberi tes yang sama, nilai-nilai yang diperoleh tampak pada tabel
berikut
Tabel Nilai Siswa Pada Pokok Bahasan Persamaan Kuadrat
Jenis Kelamin Metode Mengajar
Ceramah Kerja Kelompok
Pria 4 5 6 8 10
3568755789
45678
Wanita 7 5 7 8 9
3486945349
35687
Diasumsikan semua persyaratan analisis variansi dipenuhi
Solusi
Uji ANAVA Dua Jalan
(a) : untuk setiap i = 1, 2
(b) : untuk setiap i = 1, 2, 3
(c) : paling sedikit ada satu yang tidak nol
: untuk setiap i = 1, 2 dan j = 1, 2, 3
2. Taraf signifikansi
3. Statistik yang digunakan :
4. Komputasi :
Jumlah AB
Metode Mengajar Total
Pria 62 64 126 (A1)
Wanita 66 54 120 (A2)
128 (B1) 118 (B2) 246 (G)
JKA = 0.90 dkA = 1 RKA = 0.90 Fa = 0.23

JKB = 2.50 dkB = 1 RKB = 2.50 Fb = 0.64
JKAB = 4.90 dkAB = 1 RKAB = 4.90 Fab = 1.25
JKG = 140.80 dkG = 36 RKG = 3.91
Rangkuman Analisis Variansi Dua Jalan Data pada Tabel Nilai Siswa Pada Pokok
Bahasan Persamaan Kuadrat diatas adalah sebagai berikut
Rangkuman Analisis Variansi Dua Jalan
Sumber JK dk RK Fobs F
p
Jenis Kelamin (A)
Metode Mengajar (B)
Interaksi (AB)
Galat 0.90
2.50
4.90
140.80 1
1
1
36 0.90
2.50
4.90
3.91 0.23
0.64
1.25
- 4.12*
4.12*
4.12*
- > 0.05
> 0.05
> 0.05
-
Total 149.10 39 - - - -
Tabel Rataan Nilai

Metode Mengajar Rataan Marginal
Pria 6.20 6.40 6.30
Wanita 6.60 5.40 6.00
Rataan Marginal 6.40 5.90
5. Daerah Kritik
Untuk Fa adalah DK = {F|F>F0.05;1;12} = { F|F>4.12}
Untuk Fb adalah DK = {F|F>F0.05;2;12} = { F|F>4.12}
Untuk Fab adalah DK = {F|F>F0.05;2;12} = { F|F>4.12}
6. Keputusan
H0A = H0B = H0AB diterima
7. Kesimpulan
Ketiga hipotesa nol diterima, berarti
(1). Tidak ada perbedaan prestasi belajar antara siswa-siswa pria dan siswa-siswa
wanita
(2). Tidak ada perbedaan efek antara metode ceramah dan metode kerja kelompok
(3). Tidak ada interaksi antara jenis kelamin dan metode mengajar
Tidak adanya interaksi antara jenis kelamin dan metode pembelajaran pada
Contoh 13 memberi arti bahwa, misalnya, kalau pada kelompok siswa pria saja,
ceramah juga akan sama efeknya dengan kerja kelompok. Demikian juga untuk
kelompok wanita, ceramah juga sama efeknya dengan kerja kelompok.
Dari sisi kolom, tidak adanya interaksi memberi arti bahwa pada ceramah, antara
siswa pria dan siswa wanita tidak ada perbedaan prestasi, dan hal yang sama
berlaku kalau dilihat pada metode kerja kelompok.
Perhatikan gambar grafik berikut

Gambar Profil Efek Variabel Metode Pembelajaran
Dapat dilihat pada gambar diatas, profil untuk metode ceramah berpotongan
dengan profil untuk metode kerja kelompok. Namun, adanya perpotongan ini
tidak berarti adanya interaksi antara variable jenis kelamin dan metode mengajar.
Antara rataan sel ”Pria-Kerja Kelompok” dan rataan sel ”Wanita- Kelompok”,
yang kalau dilihat sepentas berbeda, sebenarnya tidak menunjukkan perbedaan
berarti (perbedaan yang signifikan). Hal ini juga dapat ditunjukkan dengan uji
Sceffe’ berikut ini
Dengan
DK = {F|F>(3)F0.05;3;36} = {F|F>(3)(2.87)} = {F|F>8.61}
Sehingga Ho diterima, yang berarti atau dengan kata lain, pada metode kerja
kelompok, siswa-siswa pria tidak berbeda prestasinya dibandingkan dengan
siswa-siswa wanita.
Ilustrasi tersebut sekali lagi menunjukkan bahwa jika interaksi tidak ada, maka
tidak perlu uji komparasi ganda antar sel setelah ANAVA
Kesimpulan Penelitian Contoh 13

1. Tidak ada perbedaan antara metode ceramah dengan metode kerja kelompok,
baik secara umum maupun kalau ditinjau dari masing-masing jenis kelamin (pria
dan wanita)
2. Tidak ada perbedaan prestasi antara pria dan wanita, baik secara umum maupun
kalau ditinjau dari masing-masing metode mengajar (ceramah dan kerja
kelompok).
Contoh 14
Seorang peneliti ingin melihat apakah metode pembelajaran 9yang dalam hal ini
adalah metode ceramah dan metode diskusi) berpengaruh terhadap prestasi
belajar. Kecuali juga ingin dilihat apakah siswa-siswa yang mempunyai kategori
IQ yang berbeda (tinggi, sedang, dan rendah) mempunyai prestasi belajar yang
berbeda pula. Setelah eksperimen selesai, dari populasinya secara random diambil
masing-masing sel 4 orang se
perti tampak pada tabel berikut
Tabel Prestasi Belajar Ditinjau dari IQ dan Metode Mengajar
IQ Metode Mengajar
Ceramah (C) Diskusi (D)
Tinggi (T) 7 8 9 8 8 8 8 8
Sedang (S) 5 6 7 6 9 7 8 8
Rendah (R) 3 4 5 4 4 2 3 3
Diasumsikan semua persyaratan analisis variansi dipenuhi
Solusi

BNT LSD

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

BNT LSD

Diunggah oleh

Hak Cipta:

Format Tersedia

Uji Beda Nyata Terkecil (BNT)

Post-Hoc-Test Metode Tukey

Untuk menjawab pertanyaan metode manakah yang berbeda, maka statistic

berdasarkan table tersebut, kita

Langkah berikutnya adalah mencari nilai Q dengan membagi perbedaan mean

Uji Duncan's Multiple Range Test (DMRT)

Langkah selanjutnya adalah menentukan perbedaan pengaruh antar perlakuan.

Menentukan Perlakuan Terbaik

TEKNIK UJI LANJUT: UJI TUKEY DAN UJI SHEFFE

Notasi yang digunakan

Berbeda jika |Ti – Tj| ³ BT

Berbeda jika |Xi – Xj| ³ BR

Pengujian melalui jumlah pada kelompok

Pengujian melalui rerata pada kelompok

ANALISIS VARIANSI (ANOVA)

ANALISIS VARIANSI (ANAVA)

Sumber : Budiyono. 2004. Statistika untuk Penelitian. Surakarta : Sebelas Maret

Statistik uji beda rataan untuk k-populasi yaitu Analisis Variansi

Jadi dapat disimpulkan bahwa

Ahli statistik yang mempunyai kontribusi besar dalam mengembangkan uji

Berdasarkan banyak variable terikat-nya, Analisis Variansi diklasifikasikan

Berdasarkan banyaknya variable bebas-nya, Analisis Variansi Univariate dibagi

C. PERSYARATAN ANALISIS VARIANSI

Adapun persyaratan untuk Analisis Variansi adalah

2. Masing-masing populasi saling independen dan masing-masing data amatan

Dengan v = derajat kebebasan

3. Setiap populasi berdistribusi normal (Sifat Normalitas Populasi)

Uji Bartlett bentuk kedua¬

= banyaknya populasi = banyaknya sampel

RKG = rataan kuadrat galat =

D. PENYIMPANGAN PESYARATAN ANALISIS VARIANSI

E. ANALISIS VARIANSI UNIVARIATE SATU JALAN

Carilah nilai dan !

Carilah nilai dan !

- Prosedur Uji Analisis Variansi

Estimator-estimator ini diperoleh dari pemisahan variansi data amatan pada

Estimator untuk variansi antar kelompok , dengan derajat kebebasan , ditentukan

Estimator untuk variansi dalam kelompok dengan derajat kebebasan , ditentukan

Untuk selanjutnya disebut rataan kuadrat perlakuan (treatment mean squares)

RKA ini merupakan estimator untuk variansi antar kelompok

JKG = JKT - JKA

Jenis Obat Sakit Kepala

Rangkuman Analisis Variansi dari Contoh 7

2. Seperti Soal no 1, untuk pada populasi berikut ini

3. Untuk melihat apakah ada perubahan antara 3 metode pembelajaran A, B, dan

Data Amatan X11

Variasi SS1 SS2 … SSk

Dari table di atas, perlu diketahui bahwa

Tabel Rangkuman Analisis Variansi

5.75 3.5 7.2 = 5.33

137 85 270 = 492

132.25 73.50 259.20 = 464.95

SSj 4.75 11.5 10.8 = 27.05

JKA = 38.283 JKG = 27.050 JKT = 65.333

5. Daerah Kritik : DK = {F|F>3.89}

METODE SCHEFFE’ UNTUK ANAVA SATU JALAN

82.14 68.44 71.75 = 73.54

47615 42568 41918 = 132101

47232.14 42161.78 41184.5 = 130578.42

SSj 382.86 406.22 733.5 = 1522.58

JKA = 777.38 JKG = 1522.58 JKT = 2299.96

5. Daerah Kritik DK = {F|F > 3.47} ; Fobs = 5.36 DK