Anda di halaman 1dari 18

BAB I

PENDAHULUAN
1.1 Latar Belakang
Statistika merupakan cabang dari ilmu matematika yang
telah berkembang sangat pesat. Tidak hanya dapat digunakan
dalam hal analisis, namun juga dapat digunakan sebagai metode
pengambilan sebuah keputusan. Untuk menjalankan fungsinya
tersebut, ilmu statistika berkembang dengan berbagai macam
metode, salah satunya adalah MANOVA yang terangkum dalam
analisis multivariat.
Analisis multivariat merupakan salah satu teknnik
statistik yang digunakan untuk memahami struktur data dalam
dimensi tinggi. Variabel-variabel itu saling terkait satu sama lain.
Di sinilah letak perbedaan antara multivariabel dan multivariat.
Multivariat pasti elibatkan multivariabel namun tidak sebaliknya.
Multivariabel yang saling berkorelasilah yang dikatakan
multivariat.
Menurut Santoso (2004), analisis multivariat dapat
didefinisikan secara sederhana sebagai metode pengolahan
variabel dalam jumlah banyak untuk mencari pengaruhnya
terhadap suatu objek secara simultan. Analisis statistika
multivariat digunakan dalam menganalisis lebih dari satu
variabel dependen untuk mengetahui apakah rata-rata kelompok
berbeda secara signifikan, dimana variabel dependennya bertipe
metrik dan variabel independennya bertipe non metrik adalah
Multivariate Analysis of Variance (MANOVA). Perbedaan antara
ANOVA dan MANOVA yang paling jelas adalah terletak pada
banyaknya variabel dependennya. ANOVA digunakan untuk
mengetahui apakah terdapat perbedaan pengaruh perlakuan
terhadap satu variabel dependen, sedangkan MANOVA
digunakan untuk mengetahui apakah terdapat perbedaan
pengaruh terhadap lebih dari satu variabel dependen. Pada
laporan ini akan dibahas mengenai penggunaan MANOVA
dengan contoh kasus tertentu dan menggunakan software SPSS.

1.2 Tujuan
Tujuan yang diharapkan dalam pelaksanaan praktikum ini,
antara lain:
Mengetahui dan dapat mendeskripsikan konsep MANOVA.
Dapat mengetahui perbedaan perlakuan yang diberikan
terhadap respon.
Dapat melakukan pendugaan parameter pada MANOVA.
Dapat melakukan interpretasi hasil penanganan kasus tertentu
menggunakan MANOVA.

BAB II
2

TINJAUAN PUSTAKA
2.1 Analisis Variansi Multivariat
Pada kasus multivariat, analisis sebagai perluasan dari
Analisis Variansi disebut 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). Menurut Suryanto
(1988: 86) analisis variansi itu disebut Analisis Variansi
Multivariat (MANOVA).
Pada kasus multivariat, misal terdapat sekumpulan
sampel acak yang diambil dari setiap g populasi sebagai berikut:
Populasi 1 : X 11 , X 12 , , X 1 n
Populasi 2 : X 21 , X 22 , , X 2 n
1

Populasi g : X g 1 , X g 2 , , X g n
terdapat tiga asumsi dasar yang diperlukan oleh sekumpulan
sampel acak di atas, yaitu:
g

1.

X 11 , X 12 , , X 1 n , (l = 1, 2, ,g) adalah sampel acak


berukuran nl dari suatu populasi dengan rata - rata l .
l

2. Matriks kovariansi 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

X 11 , X 12 , , X 1 n , (l = 1, 2, ,g) merupakan sampel acak


berukuran n1 yang diambil dari suatu populasi dengan vektor
rata-rata l dan saling bebas. Pernyataan ini adalah jelas tanpa
l

perlu diuji karena untuk tujuan uji perbedaan maka sekumpulan

data multivariat dari setiap populasi harus diambil secara acak


dan saling bebas satu sama lain.
2.2 Asumsi Manova
Asumsi-asumsi dari variabel pengamatan yang harus
dipenuhi yaitu normal multivariat, homogenitas matriks varian
kovarian, dan independen antar variabel.
2.2.1 Uji Homogenitas Matriks
Statistika uji diperlukan untuk menguji homogenitas matriks
varians-kovarians
dengan
hipotesis
H 0 : 1= 2==g=0 dan H 1 : ada paling sedikit
satu diantara sepasang l yang tidak sama. Jika dari masingmasing populasi diambil sampel acak berukuran n yang saling
bebas maka penduga tak bias untuk l adalah matriks S l
sedangkan untuk

0 penduga tak biasnya adalah S,

S=

1
( n 1 ) Sl dengan N= n lg
N l=1 l
l=1

(2.1)

Untuk menguji hipotesis di atas dengan tingkat signifikansi ,


digunakan kriteria uji berikut:

H0

ditolak jika

diterima jika

MC1> 21

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

MC1 21

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

l=1

l=1

()

dan

( ) dengan

M = ( nl1 ) ln |S| ( nl 1 ) ln |S l|

C1=1

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

l=1

H0

( nl1 )

(2.2)

1
g

( nl1 )
l=1

)
(2.3)

Dengan bantuan program SPSS, uji homogenitas matriks


varians-kovarians dapat dilakukan dengan Uji Boxs M. Jika nilai
sig. > , maka H0 diterima sehingga dapat disimpulkan matriks
varians-kovarians dari l-populasi adalah sama atau homogen.
Adapun langkah-langkah uji homogenitas varians-kovarians
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 Mode 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. Selanjutnya Option dipilih Homogenitas test dan Continue,
terakhir OK.
2.2.2 Uji Normalitas Multivariat
Metode statistika multivariat MANOVA mensyaratkan
terpenuhinya asumsi distribusi normalitas dengan hipotesis adalah
H 0 : Data berdistribusi normal multivariat dan H 1 : Data
tidak berdistribusi normal multivariat. Berdasarkan Teorema 2.2,
X 1 , X 2 , . , X p berdistribusi normal multivariat maka
jika

( X )t 1 ( X )

berditribusi

2p . Berdasarkan sifat ini

maka pemeriksaan distribusi normal multivariat dapat dilakukan


pada setiap populasi dengan cara membuat q-q plot atau scatterplot dari nilai

) ,i=1,2, , n .
d 2i =( X i X ) S1 ( X i X

Tahapan dari pembuatan q-q plot ini adalah sebagai


berikut (Johnson & Wichern, 2002: 187)
a)
Mulai

b) Tentukan nilai vektor rata-rata: X


c) Tentukan nilai matriks varians-kovarians:

d) Tentukan nilai jarak mahalanobis atau kuadrat general setiap


titik
pengamatan
dengan
vektor
rata-ratanya
t 1
2
) ,i=1,2, , n .
d i =( X i X ) S ( X i X

e) Urutkan
2
(1)

d 2 dari

nilai
2
(2)

2
(3)

(2.4)

kecil

ke

besar:

sedemikian

hingga

2
(n )

d d d d .
i1/2
, i=1, 2, , n .
f) Tentukan nilai pi=
n
(2.5)
g)

Tentukan

qi

nilai

qi

f ( 2 ) d 2= pi

atau

((

qi , p ( p i )= 2p ni+

1
/n
2

) )

(2.6)
h) Buat scatter-plot
i)

dengan

qi

Jika scatter-plot ini cenderung membentuk garis lurus dan


lebih dari 50% nilai

j)

2
(i)

2
2
d i p ( 0,50 ) , maka

H0

diterima

artinya data berdistribusi normal multivariat.


Selesai

2.2.3

Independen antar variabel


Variabel X1, X2, ..., Xp dikatakan bersifat saling bebas apabila
matriks korelasi antar variabel membentuk matriks identitas. Untuk
menguji kebebasan antar variabel dapat dilakukan dengan
menggunakan uji Bartlett. Uji Bartlett bertujuan untuk mengetahui
apakah terdapat hubungan antar variabel, uji Bartlett menyatakan
hipotesis sebagai berikut:
H0 : =I
H1 : I
Statistik uji:

Bartlett =

R
( n1 ) 1 ( 2 p+5 ) log
6

(2.7)

di mana :
n
= banyaknya sampel
p
= banyaknya variabel
R
= matriks korelasi sampel
Uji Bartlett didekati dengan sebaran 2 dengan derajat bebas
2
p(p-1). Apabila nilai uji Bartlett > p ( p1) terdapat korelasi
antar variabel (Anderson, 2003).

BAB III
METODE
1

Langkah pertama buka software SPSS. Isikan data ke software


SPSS.

Kemudian langkah ke-2 klik Analyze General Linier Model


Multivariate.

Pada window Multivariate, masukkan variabel Varietas5,


Varietas6, dan Varietas8 ke Dependent Variables dan masukkan
Perlakuan ke Fixed Factor(s).

Pada window Multivariate klik Post Hoc. Masukkan Perlakuan


pada Post Hoc Test For. Pada Equal Variance Assumed, beri
tanda centang pada LSD dan Duncan. Klik Continue.

Pada window Multivariate klik Options. Beri tanda centang pada


Parameter estimates dan Homogenity Tests pada Display. Klik
Continue dan klik OK.

BAB IV
HASIL DAN PEMBAHASAN
4.1 Pengaruh Perlakuan terhadap Respon Secara Simultan
Multivariate Testsa
Effect

Value

Hypothesis

Error df

Sig.

df

Intercept

Pillai's Trace

,950 44,717

3,000

7,000

,000

Wilks' Lambda

,050 44,717b

3,000

7,000

,000

3,000

7,000

,000

19,164 44,717b

3,000

7,000

,000

Hotelling's

19,164 44,717

Trace
Roy's Largest
Root
Pillai's Trace
Wilks' Lambda

Perlakua Hotelling's
n

,107

,150

6,000

16,000

,986

,895

6,000

14,000

,990

,116

,116

6,000

12,000

,993

,098

,261c

3,000

8,000

,851

,133

Trace
Roy's Largest
Root

a. Design: Intercept + Perlakuan


b. Exact statistic
c. The statistic is an upper bound on F that yields a lower bound on the
significance level.

H0 : Perlakuan tidak berpengaruh nyata secara simultan terhadap


respon.
H1 : Perlakuan berpengaruh nyata secara simultan terhadap respon
10

Merujuk pada Tabel Multivariate Test kolom Perlakuan terdapat pvalue uji Wilks Lambda sebesar 0.99 dan pada uji Hotelings Trace
sebesar 0.993. Karena nilai p pada kedua uji tersebut lebih besar dari
alpha (0.05) maka keputusan yang diambil adalah terima H 0. Oleh
karena itu, dengan tingkat kesalahan sebesar 5% dapat dikatakan
bahwa perlakuan tidak berpengaruh nyata secara simultan terhadap
respon.
4.2 Pengaruh Perlakuan terhadap Respon Secara Parsial
Tests of Between-Subjects Effects
Source

Dependent
Variable

Corrected
Model

Intercept

Perlakuan

Error

Total

Corrected
Total

Type III Sum

df

Mean

of Squares

Sig.

Square

Varietas5

1701,262

850,631

,192

,828

Varietas6

2620,922b

1310,461

,265

,773

Varietas8

2230,412

1115,206

,267

,772

Varietas5

199202,101

1 199202,101

45,060

,000

Varietas6

229633,333

1 229633,333

46,414

,000

Varietas8

241060,053

1 241060,053

57,723

,000

Varietas5

1701,262

850,631

,192

,828

Varietas6

2620,922

1310,461

,265

,773

Varietas8

2230,412

1115,206

,267

,772

Varietas5

39787,088

4420,788

Varietas6

44527,945

4947,549

Varietas8

37585,615

4176,179

Varietas5

240690,450

12

Varietas6

276782,200

12

Varietas8

280876,080

12

Varietas5

41488,349

11

Varietas6

47148,867

11

Varietas8

39816,027

11

a. R Squared = ,041 (Adjusted R Squared = -,172)


b. R Squared = ,056 (Adjusted R Squared = -,154)

11

c. R Squared = ,056 (Adjusted R Squared = -,154)

H0 : Perlakuan tidak berpengaruh nyata secara parsial terhadap


respon varietas 5.
H1 : Perlakuan berpengaruh nyata secara parsial terhadap respon
varietas 5.
H0 : Perlakuan tidak berpengaruh nyata secara parsial terhadap
respon varietas 6.
H1 : Perlakuan berpengaruh nyata secara parsial terhadap respon
varietas 6.
H0 : Perlakuan tidak berpengaruh nyata secara parsial terhadap
respon varietas 8.
H1 : Perlakuan berpengaruh nyata secara parsial terhadap respon
varietas 8.
Merujuk pada Tabel Tests of Between-Subjects Effects kolom
Perlakuan-Varietas 5 terdapat p-value sebesar 0.828 sedangkan pada
kolom Perlakuan-Varietas 6 terdapat p-value sebesar 0.773 dan pada
kolom Perlakuan-Varietas 8 terdapat p-value sebesar 0.772. Karena
nilai p pada ketiga respon tersebut lebih besar dari alpha (0.05) maka
keputusan yang diambil adalah terima H0. Oleh karena itu, dengan
tingkat kesalahan sebesar 5% dapat dikatakan bahwa perlakuan tidak
berpengaruh nyata secara parsial terhadap varietas 5, varietas 6, dan
varietas 8.
4.3 Pendugaan Parameter
Pada output ini akan disajikan keprluan-keperluan untuk
membentuk model. Karena terdapat tiga peubah respon maka akan
terbentuk sebanyak tiga model pula. Tabel outputnya adalah sebagai
berikut :

12

Model umum yang akan dibentuk adalah seperti berikut ini :


Yij = + i + ij dimana :
Yij = berat kacang per 100 biji dari tiga perlakuan
i = pengaruh perlakuan ke-i pada berat kacang per 100 biji
ij = pengaruh lain-lain
Model 1 :
Yij = 113.3 + 28.925 Perlakuan1 + 17.7 Perlakuan 2 + 0 + ij
Model 2 :
Yij = 118.150 + 34.975 Perlakuan1 + 25.575 Perlakuan 2 + 0 + ij
Model 3 :
Yij = 122.9 + 31.825 Perlakuan1 + 24.675 Perlakuan 2 + 0 + ij
Merujuk pada Tabel Parameter Estimates dapat diketahui bahwa
tidak ada variabel perlakuan yang signifikan.
4.4 Uji Beda
Uji beda dapat dilihat dari tabel Multiple Comparasion pada
output program SPSS seperti berikut ini :

13

Merujuk pada tabel Multiple Comparisons, maka dapat disimpulkan


seperti berikut ini :
a. Tidak ada perbedaan efek antara pemberian perlakuan 1 dan
perlakuan 2 terhadap berat kacang per 100 biji pada varietas
5. Hal ini diakibatkan oleh p-value (0.817)> alpha(0.05)
b. Tidak ada perbedaan efek antara pemberian perlakuan 1 dan
perlakuan 3 terhadap berat kacang per 100 biji pada varietas
5. Hal ini diakibatkan oleh p-value (0.554)> alpha(0.05)
c. Tidak ada perbedaan efek antara pemberian perlakuan 2 dan
perlakuan 3 terhadap berat kacang per 100 biji pada varietas
5. Hal ini diakibatkan oleh p-value (0.715)> alpha(0.05)
d. Tidak ada perbedaan efek antara pemberian perlakuan 1 dan
perlakuan 2 terhadap berat kacang per 100 biji pada varietas
6. Hal ini diakibatkan oleh p-value (0.854)> alpha(0.05)
e. Tidak ada perbedaan efek antara pemberian perlakuan 1 dan
perlakuan 3 terhadap berat kacang per 100 biji pada varietas
6. Hal ini diakibatkan oleh p-value (0.5)> alpha(0.05)
14

f.

Tidak ada perbedaan efek antara pemberian perlakuan 2 dan


perlakuan 3 terhadap berat kacang per 100 biji pada varietas
6. Hal ini diakibatkan oleh p-value (0.619)> alpha(0.05)
g. Tidak ada perbedaan efek antara pemberian perlakuan 1 dan
perlakuan 2 terhadap berat kacang per 100 biji pada varietas
8. Hal ini diakibatkan oleh p-value (0.879)> alpha(0.05)
h. Tidak ada perbedaan efek antara pemberian perlakuan 1 dan
perlakuan 3 terhadap berat kacang per 100 biji pada varietas
8. Hal ini diakibatkan oleh p-value (0.504)> alpha(0.05)
i. Tidak ada perbedaan efek antara pemberian perlakuan 2 dan
perlakuan 3 terhadap berat kacang per 100 biji pada varietas
8. Hal ini diakibatkan oleh p-value (0.602)> alpha(0.05)

15

BAB V
PENUTUP
5.1 Kesimpulan
Merujuk pada hasil analisis menggunakan MANOVA, maka
kesimpulan yang diperoleh adalah sebagai berikut :
MANOVA adalah analisis statistika multivariat yang dapat
digunakan dalam menganalisis lebih dari satu variabel
dependen untuk mengetahui apakah rata-rata kelompok
berbeda secara signifikan, dimana variabel dependennya
bertipe metrik dan variabel independennya bertipe non
metrik.
Diperoleh tiga model dalam analisis yang dilakukan yaitu:
Model 1 :
Yij = 113.3 + 28.925 Perlakuan1 + 17.7 Perlakuan 2 + 0 + ij
Model 2 :
Yij = 118.150 + 34.975 Perlakuan1 + 25.575 Perlakuan 2 + 0
+ ij
Model 3 :
Yij = 122.9 + 31.825 Perlakuan1 + 24.675 Perlakuan 2 + 0 +

ij
Dengan tingkat kesalahan sebesar 5% dapat dikatakan bahwa
perlakuan tidak berpengaruh nyata secara simultan terhadap
respon.
Dengan tingkat kesalahan sebesar 5% dapat dikatakan bahwa
perlakuan tidak berpengaruh nyata secara parsial terhadap
varietas 5, varietas 6, dan varietas 8.
Tidak ada perbedaan efek antara pemberian perlakuan 1,
perlakuan 2, dan perlakuan 3 pada varietas 5, varietas 6, dan
varietas 8

5.2 Saran

16

Dibutuhkan ketelitian dalam menginputkan data ke SPSS


sehingga analisis dapat dilakukan dengan tepat.

DAFTAR PUSTAKA
Anderson, T. W. 2003. An Introduction Regression John Wiley &
Son. New York.
Dillon,William R & Matthew Goldstein.1984. Multivariate Analysis
Method and Application. Canada:Jon Willey & Sons,Inc.
Hair, Richard J.1975.A Prime of Multivariate. Statistics. San
Fransisco London: Academic Press New York.
Johnson & Winchern.2007.Applied Multivariate Statistical Analysis,
sixth edition. Prentice-Hall.Inc.
Santoso, Singgih. 2004. Buku Latihan SPSS Statistik Multivariat.
Jakarta : Elex Media Komptindo.
Suryanto.1988. Metode Statistik Multivariat. Jakarta : P2LPTK

17

18

Anda mungkin juga menyukai