1

Analisis Varians Desain Faktorial di SPSS

Postingan ini berisi tahap-tahap melakukan analisis varians desain

faktorial dengan menggunakan SPSS dari mulai analisis main effects dan
interaksinya sampai melakukan analisis simple effectsnya.
Untuk keperluan ini kita akan tetap menggunakan contoh yang telah
digunakan sebelumnya yaitu mengenai penelitian efek model
pembelajaran terhadap prestasi. Dalam postingan ini kita menambahkan
satu lagi variabel independen dalam analisis yaitu jenis kelamin.

Tahap-Tahap Analisis Menggunakan SPSS

Setelah file dibuka, kita memilih menu Analyze-General Linear Model-

Univariate lalu muncul dialog box seperti gambar 1. berikut ini:

Gambar 1.

Wow sepertinya kerjaan saya bakal banyak nih. Well, pertama tentunya
kita perlu memasukkan nama-nama variabel ke dalam kotak-kotak dalam
dialog box ini.
 2

Kotak Dependent Variable tentunya diisi dengan variabel dependen

penelitian. Variabel independen akan dimasukkan ke dalam salah satu
dari dua kotak ini: Fixed Factor(s) dan Random Factor(s). Fixed factor
merupakan variabel independen yang level/kelompok di dalamnya dapat
dipilih secara bebas oleh peneliti dan ada dalam kekuasaan peneliti. Oleh
karena itu dalam penelitian berikutnya, peneliti dapat memilih untuk
memasukkan kelompok-kelompok yang sama dengan penelitian
sebelumnya secara pasti. Random Factor merupakan variabel
independen yang level/kelompok di dalamnya ditentukan secara random
oleh peneliti, tidak ditetapkan secara bebas. Penentuan kelompok-
kelompok untuk masuk dalam random factors dilakukan secara random
dan berada di luar kekuasaan peneliti. Oleh karena itu peneliti tidak
memiliki kemampuan untuk memilih kelompok yang sama untuk masuk
dalam penelitian berikutnya.

Contoh Fixed Factors itu begini: Dalam contoh penelitian kita, variabel
jenis kelamin dan metode pembelajaran merupakan fixed factors, karena
kelompok/level di dalamnya dapat kita tentukan secara bebas. Kita dapat
secara bebas memilih untuk memasukkan metode Ceramah, Diskusi dan
Experiential Learning, sehingga pada penelitian berikutnya kita masih
tetap bisa memasukkan ketiga metode ini dalam penelitian kita.

Contoh Random Factors begini: Misalnya kita hendak melakukan

penelitian untuk melihat efek tipe pola asuh orang tua terhadap prestasi
belajar (misalnya tipe pola asuh terdiri dari 4 tipe), khususnya jika data
mengenai pola asuh baru diambil setelah subjek-subjek ditentukan. Dalam
kasus ini, sangat mungkin hanya terdapat 3 tipe pola asuh dalam satu
penelitian (misalnya A,B dan C) sementara dalam penelitian berikutnya
terdapat 3 tipe pola asuh yang berbeda (misalnya A, C, dan D) atau
bahkan hanya terdapat 2 tipe pola asuh saja.
 3

Untuk kotak Covariates dan WLS Weight tidak dibahas dulu ya, karena
terkait dengan pembahasan yang berbeda dari analisis varians desain
faktorial.
(Fiuhh baru membahas memasukkan variabel saja dah ribet nih hehe)

Berikutnya kita klik Options, maka muncullah dialog box berikut ini (lihat
gambar 2.):

Gambar 2.

Ada beberapa hal yang tidak akan dibahas dalam dialog box ini karena
belum dapat dijelaskan di sini atau karena akan bikin bingung kalo
dijelasin (atau juga karena saya belum tahu fungsinya untuk apa
hehe).

Estimated Marginal Means, dalam kotak ini kita dapat meminta SPSS
untuk menampilkan mean keseluruhan, mean tiap kelompok untuk tiap
variabel atau untuk interaksi antar variabel. Caranya dengan mengklik
 4

variabel yang kita ingin lihat meannya (ada di sebelah kiri) dan
memindahkannya ke kanan (dalam contoh di atas saya memindah
variabel model). Kita juga bisa meminta SPSS untuk melakukan
perbandingan berpasangan dalam tiap main effect, dengan mengklik
kotak di sebelah kiri Compare main effects, lalu memilih metode untuk
melakukan penyesuaian signifikasinya.
Kita juga bisa meminta SPSS untuk menampilkan beberapa parameter
lain dengan menggunakan pilihan dalam Display. Descriptive statistics
akan meminta SPSS untuk menampilkan statistik deskriptif dari tiap
kelompok. Estimates of effect size akan menampilkan partialled eta
square (ukuran mengenai besar kecilnya pengaruh/efek). Homogeneity
test akan meminta SPSs menampilkan tes terhadap asumsi homogenitas
varians antar kelompok. Sementara pilihan lain untuk sementara tidak kita
bahas dulu ya. Pada bagian paling bawah, kita dapat mengatur tingkat
signifikasi dari Confidence Interval penelitian kita. Setelah semua opsi
yang kita inginkan dipilih kita bisa klik continue untuk kembali ke dialog
box awal.

Berikutnya kita klik post hoc (ya untuk sementara tombol save kita lewati
dulu ya). Tombol ini akan menampilkan dialog box yang mirip dengan
tombol yang sama dalam analisis varians 1 jalur. Kita akan memilih untuk
melakukan perbandingan pasangan secara menyeluruh dengan teknik
tertentu. Tentu saja karena kita memiliki lebih dari 1 variabel independen,
kita perlu menentukan dulu variabel mana yang akan kita analisis
perbandingan pasangannya. Caranya, pilih lalu pindahkan ke kolom di
sebelah kanan. (lihat gambar 3).
Dalam contoh di gambar 3, saya hanya memasukkan variabel model
karena variabel itu memiliki lebih dari 2 kelompok. Sementara variabel
jenkel tidak dimasukkan karena hanya memiliki 2 level/kelompok,
sehingga tidak dibutuhkan analisis perbandingan pasangan. Hasil analisis
 5

perbandingan pasangan untuk jenkel akan sama dengan hasil analisis

main effects untuk jenkel juga.

Gambar 3

Setelah kita memilih analisis mana yang akan dilakukan kita kembali ke
dialog box awal dengan mengklik continue.
Berikutnya kita klik plot. Dialog box ini (lihat gambar 4) akan mengatur
mengenai tampilan means plot dalam output SPSS nanti. Grafik yang
dihasilkan akan sama dengan yang saya tampilkan dalam tulisan
sebelumnya mengenai analisis varians desain faktorial bagian 2, ketika
membahas interaksi.
 6

Gambar 4.

Dalam dialog ini kita dapat memilih untuk memasukkan satu variabel
dalam satu diantara 3 kolom yang berbeda: horizontal axis jika kita ingin
variabel tersebut ditampilkan di axis horisontal (pada sumbu x), separae
lines jika kita ingin kelompok dalam variabel tersebut digambarkan dalam
garis terpisah, dan separate plots (jika terdapat lebih dari dua variabel
independen) jika kita ingin menampilkan tiap kelompok dalam variabel
tersebut dalam grafik tersendiri.
Setelah memilih variabel untuk tiap kolom, jangan lupa untuk mengklik
Add untuk memasukkan perintah itu dalam kotak di bagian bawah dialog
box. Jika kita lupa melakukannya, maka SPSS tidak akan menampilkan
grafik tersebut.
Lalu seperti biasa klik continue

Dialog box berikutnya yang akan dibahas adalah contrast. Dalam dialog
box ini (lihat gambar 5) kita tidak bisa dengan bebas menentukan contrast
yang kita inginkan, tidak seperti dialog box contrast pada analisis varians
1 jalur. Kita hanya punya beberapa pilihan melakukan contrast :
 7

Deviation yaitu menghitung kontras antara mean tiap level dengan

mean total,

Simple yaitu kontras antara satu kelompok yang ditentukan dengan

kelompok lain. Penentuan kelompok ini didasarkan pada pilihan
pada Reference Category. Kita dapat memilih Last yang berarti
kita akan membandingkan kelompok-kelompok lain hanya dengan
kelompok terakhir, atau First yang berarti kelompok yang
ditentukan adalah kelompok pertama.

Difference yaitu kontras antara kelompok pertama dengan kedua,

dan kelompok berikutnya dengan rata-rata dari jumlah kelompok-
kelompok sebelumnya. Misalnya dalam contoh kita dengan tiga
kelompok, ini berarti kita membandingkan kelompok C dengan D,
kemudian membandingkan kelompok EL dengan rata-rata dari
C+D.

Helmert ini merupakan kebalikan dari Difference. Jadi kelompok

pertama dibandingkan dengan rata-rata dari jumlah semua
kelompok berikutnya dan seterusnya.
 8

Gambar 5.

Repeated yaitu kontras antara kelompok pertama dengan kedua,

kedua dengan ketiga, ketiga dengan keempat dan seterusnya.

Polynomial yaitu kontras untuk mengecek apakah bentuk

perbedaan mean dari kelompok yang berurutan itu bersifat linear.
Maksudnya apakah kelompok 1 akan selalu lebih rendah / tinggi
dari kelompok2, dan kelompok 2 akan selalu lebih rendah / tinggi
dari kelompok 3 dst. Ini mirip sekali dengan analisis linearitas yang
ditemukan dalam menu Analyze-compare means-means.

Yang perlu diingat : setelah menentukan contras yang ingin dilihat, jangan
lupa mengklik Change agar SPSS menjalankan perintah ini. Jika lupa
diklik, SPSS juga tidak akan melakukan analisis kontras ini, dan tentunya
klik Continue.

Sebentar tadi dikatakan kita tidak bisa dengan bebas melakukan

kontras di sini. Adakah cara lain untuk bisa menentukan contras dengan
bebas? begitu mungkin pemikiran beberapa teman. Ya tentunya ada
caranya, tapi tidak kita bahas dulu di sini mengingat materinya yang
agak kompleks.

Nah tombol terakhir Model untuk sementara tidak dibahas dulu di sini ya.
Kita akan bertemu lagi nanti ketika kita membahas Analisis Kovarian.

Well, everything is set up. Sekarang kita tinggal mengklik OK dan

memberi waktu pada SPSS untuk melakukan analisisnya. (Juga waktu
pada saya untuk ngopi-ngopi dulu sebelum menjelaskan hasil analisisnya
nih).

Membaca Hasil Analisis

 9

Dua tabel pertama dari hasil analisis ini berisi mengenai deskripsi dari
data yang diolah, termasuk di dalamnya jumlah subjek, mean dan
standard deviasi dari tiap kelompok (lihat gambar 6.)

Gambar 6.

Tabel berikutnya berisi hasil uji asumsi homogenitas varians

menggunakan Levenes test. Asumsi homogenitas dinyatakan dipenuhi
jika nilai p lebih besar dari signifikasi yang diacu (misalnya 0.05). Untuk
menyegarkan ingatan bisa membaca postingan terdahulu mengenai
asumsi ini di t-test maupun di anava satu jalur. Tabel hasil analisis dapat
dilihat dalam gambar 7.

Gambar 7.
 10

Dalam contoh asumsi homogenitas terpenuhi karena p=0.664 yang berarti

tidak ada perbedaan varians antar kelompok.
Hasil analisis varians merupakan tabel yang ditampilkan berikutnya (lihat
gambar 8.).

Gambar 8.

Dalam tabel tersebut dapat dilihat bahwa baik variabel Model maupun
Jenis Kelamin tidak memiliki nilai F yang signifikan. Ini berarti tidak ada
perbedaan mean prestasi antara siswa yang mendapat model C, D
maupun EL. Begitu juga tidak ada perbedaan prestasi antara siswa laki-
laki dan perempuan. Namun demikian dapat terlihat adanya interaksi yang
signifikan antara model pembelajaran dengan jenis kelamin. Ini berarti
efek model pembelajaran pada prestasi akan berbeda untuk jenis kelamin
yang berbeda. Oleh karena itu kita perlu untuk mengecek lebih jauh efek-
efek ini dengan melakukan analisis simple effects-nya.

Dua tabel berikutnya merupakan akibat dari perbuatan kita sebelumnya

dengan mengklik contrast. Ini yang disebut tabel hasil analisis kontras
(lihat gambar 9). Dalam dialog box contrast sebelumnya saya memilih
analisis simple dan memilih kelompok terakhir (dengan value label 3)
sebagai kelompok referensinya. Dengan demikian dalam hasil tersebut
ditunjukkan perbandingan kelompok-kelompok lain dengan kelompok
referensi ini. Tabel pertama berisi uji perbedaan untuk tiap kelompok,
sementara tabel kedua merupakan uji kontras ini secara keseluruhan.
Hasilnya tentu saja akan sama dengan analisis untuk variabel model.
 11

Coba bandingkan dengan tabel analisis varians 2 jalur di atas untuk

variabel model.

Gambar 9.

Dalam tabel pertama dapat dilihat bahwa tidak satupun perbandingan

yang memiliki nilai p yang signifikan. Perlu dicatat bahwa nilai p dalam
tabel ini belum disesuaikan dengan banyaknya kontras yang dilakukan.
Oleh karena itu kita perlu melakukan penyesuaian sendiri entah dengan
metode bonferoni atau metode lainnya. Untuk estimasi saja kita bisa
mengalikan nilai p dengan banyaknya perbandingan yang dilakukan.
Dalam hal ini ada dua perbandingan yaitu antara C dengan EL dan D
dengan EL. Oleh karena itu nilai p dalam tiap tabel ini dapat dikalikan 2
sebagai estimasi nilai p yang sesungguhnya. Misalnya untuk
perbandingan C dengan EL nilai p yang didapatkan adalah 0.163, oleh
karena itu estimasi nilai p yang sebenarnya adalah 0.163 x 2 = 0.326.

Tabel yang dihasilkan akibat kita meminta SPSS untuk menampilkan

 12

mean dalam dialog box option serta memilih compare main effects
disajikan dalam tiga tabel berikutnya (lihat gambar 10 dan 11).

Gambar 10

Gambar 11

Tabel pertama menampilkan nilai mean dan standard error dari mean
serta CI 95% dari nilai mean. Tabel kedua memberikan informasi
mengenai perbandingan pasangan antar mean kelomnpok, disertai nilai p
yang dihasilkan untuk menentukan signifikasi perbedaannya. Tabel ketiga
menampilkan hasil analisis perbedaan antar mean secara keseluruhan ini.
Tabel kontras tersebut sama dengan tabel kontras yang dihasilkan dari
analisis kontras sebelumnya karena mean yang dilibatkan masih sama.

Kalau diamati nilai p untuk hasil analisis perbandingan antara kelompok C

dan EL (level 1 dan 3) memiliki nilai yang sama dengan analisis
 13

perbandingan yang dihasilkan dari analisis kontras sebelumnya (mean

difference = .875). Yang berbeda adalah nilai p-nya. Tetapi dapat dilihat
hubungan nilai p dari tabel ini dan nilai p dari tabel analisis kontras
sebelumnya, yaitu nilai p yang dihasilkan dari tabel ini (p=0.488) sama
dengan 3 kali (tiga di sini adalah banyaknya perbandingan pasangan yang
dilakukan dalam analisis kita saat ini) nilai p dari tabel analisis kontras
sebelumnya (p=0.163). Ini terjadi karena dalam analisis kali ini, kita sudah
memesan SPSS untuk melakukan penyesuaian menggunakan metode
Bonferroni.

Tabel terakhir dalam analisis ini adalah tabel post hoc test yang juga kita
pesan. Tentu saja dalam contoh kali ini saya melakukan seheboh ini
dengan mengklik semua kemungkinan untuk menunjukkan apa yang akan
terjadi berikutnya. Dalam keadaan sesungguhnya, kita hanya perlu
memilih analisis yang memang kita perlukan. Tabel post hoc test dapat
dilihat dalam gambar 12 berikut:

Gambar 12.

Cara interpretasi hasil analisis ini seperti tabel post hoc dalam hasil
analisis varians satu jalur. Jika teman-teman bandingkan maka tabel ini
persis sama dengan tabel perbandingan mean sebelumnya, baik hasil
analisis maupun nilai p nya. Oleh karena itu, jika kita sudah meminta
SPSS melakukan compare main effects dalam dialog box options, kita
tidak perlu lagi memilih post hoc test. Kecuali jika kita ingin melakukan
analisis dengan teknik lain selain yang disediakan dalam dialog box
 14

options.

Aaaah akhirnya kita sampai pada tampilan terakhir yaitu Means plot. Hasil
means plot dalam analisis varians desain faktorial agak berbeda dengan
analisis varians satu jalur. Kita bisa memesan untuk menampilkan posisi
masing-masing kelompok dari variabel satu pada tiap level dari variabel
lain (lihat gambar 13).

Gambar 13.

Dalam tabel ringkasan anava di atas, kita menemukan bahwa ada

interaksi yang signifikan antara model pembelajaran dan jenis kelamin.
Grafik di atas memberikan gambaran mengenai interaksi antara kedua
variabel. Dalam hal ini dapat kita lihat bahwa siswa perempuan memiliki
nilai yang lebih baik ketika memperoleh metode ceramah dibandingkan
laki-laki. Tetapi metode diskusi terlihat lebih berguna untuk siswa laki-laki
daripada perempuan, karena nilai yang dimiliki siswa laki-laki yang
menerima metode diskusi lebih baik daripada perempuan. Sementara
untuk metode EL perbedaan antara laki-laki dan perempuan tidak cukup
besar.
 15

Sebentarsebentar tapi gimana tahu bahwa perbedaan antara siswa

laki-laki yang memperoleh ceramah lebih rendah daripada yang
memperoleh diskusi? Kalau tidak salah ada yang namanya simple
effects gimana melakukannya di sini?

Berangkat dari pertanyaan dalam postingan sebelumnya, Mengapa Main

Effects nya tidak signifikan tetapi interaksinya bisa signifikan. Seperti apa
interaksi yang terjadi antara kedua variabel independen tersebut? ,
postingan ini akan dikhususkan untuk membahas efek interaksi dalam
analisis varians desain faktorial.

Dua variabel independen dikatakan berinteraksi jika efek satu variabel

independen terhadap variabel dependen berbeda-beda pada level-level
variabel independen lainnya. Hmm sepertinya rumit. Begini: kita
gunakan saja contoh di postingan kemarin. Jika ada efek interaksi antara
model pembelajaran dengan jenis kelamin terhadap prestasi, maka
pengaruh model pembelajaran terhadap prestasi akan berbeda pada
jenis kelamin yang berbeda. Misalnya jika siswa laki-laki mendapat
metode diskusi, hasilnya akan lebih baik daripada jika mereka mendapat
metode Experiential Learning (EL). Tapi pada siswa perempuan,
kondisinya berbeda. Jika siswa perempuan mendapat metode diskusi,
prestasinya akan lebih rendah daripada mereka yang mendapat EL. Jika
digambarkan akan seperti ini:
 16

Gambar di atas
merupakan gambar dari means plot, plot yang menggambarkan posisi
mean dalam tiap kelompok/level. Efek interaksi seperti dalam gambar di
atas disebut Disordinal Interaction. Dapat dilihat dalam gambar bahwa
arah garis perempuan berbeda dengan arah garis laki-laki. Ini berarti
mean prestasi dari siswa laki-laki yang memperoleh Diskusi lebih tinggi
daripada yang memperoleh EL, sementara mean prestasi perempuan
yang mendapat Diskusi lebih rendah daripada EL.

Efek interaksi tentunya tidak harus seperti ini. Ada kalanya efek interaksi
signifikan meskipun tidak terjadi persilangan seperti itu. Misalnya ketika
model pembelajaran memberikan efek yang berbeda pada pria sementara
pada wanita tidak terjadi perbedaan. Dalam kasus ini tetap memungkinkan
adanya interaksi, yang kemudian disebut sebagai Ordinal Interaction.
Seperti gambar berikut:
 17

Lalu bagaiman
interpretasinya? Jika peneliti ditanya lalu adakah efek dari model
pembelajaran terhadap prestasi belajar, bagaimana menjawabnya?

Dengan informasi mengenai interaksi ini, kita dapat mengatakan bahwa

model pembelajaran memberikan efek terhadap prestasi siswa, namun
demikian efek model pembelajaran akan berbeda pada jenis kelamin yang
berbeda. Model diskusi cenderung lebih cocok diterapkan pada siswa laki-
laki sementara untuk siswa perempuan akan lebih pas jika diberi model
pembelajaran Experiential Learning.

Anda bisa bayangkan seandainya si peneliti hanya menggunakan model

pembelajaran dalam penelitiannya? Jika jumlah siswa laki-laki dan
perempuan cukup berimbang bisa terjadi hasil penelitiannya menyatakan
tidak ada efek model pembelajaran terhadap prestasi bukan? Nah variabel
jenis kelamin dalam hal ini dapat dikatakan juga sebagai variabel yang
memoderasi, atau variabel moderator. Kehadiran dan ketidakhadirannya
bisa mengubah efek dari suatu variabel independen terhadap variabel
dependen.
 18

Satu hal yang perlu diingat: keputusan adanya interaksi yang signifikan
tidak dapat didasarkan hanya pada means plot. Signifikasi efek interaksi
harus diputuskan dengan melihat tabel Anava Desain Faktorial. Jika efek
interaksi dalam tabel tersebut memiliki nilai p lebih besar dari taraf
signifikasi yang kita tentukan, maka dapat disimpulkan efek interaksi tidak
signifikan, meskipun means plot memberikan gambar seperti di atas.

Mengapa demikian?
Grafik pada means plot didasarkan pada mean kelompok, sementara
signifikasi berbicara mengenai estimasi efek interaksi di populasi. Jadi
mungkin saja, efek interaksi yang kita lihat di kelompok terjadi hanya
karena adanya sampling error bukan karena adanya interaksi di populasi.
Oleh karena itu, means plot berfungsi untuk memberikan gambaran lebih
lanjut mengenai bagaimana interaksi yang terjadi dalam populasi, jika efek
interaksi sudah dinyatakan signifikan.

Simple Effects
Mungkin muncul pertanyaan di benak teman-teman,Jika kita lihat gambar
kedua di atas, sepertinya perbedaan mean antara kelompok diskusi dan
EL untuk perempuan tidak signifikan. Bagaimana memastikan bahwa
perbedaan mean ini signifikan atau tidak?

Ah, itu pertanyaan yang keren abis!

Inilah saatnya kita bicara tentang Simple Effects (SE). SE ini adalah efek
atau pengaruh variabel independen terhadap dependen pada satu level
variabel independen lainnya. (Ya ... ya saya paham, beribet ya?). Kita
pakai contoh di atas lagi. Pengaruh model pembelajaran terhadap prestasi
belajar yang terjadi hanya pada siswa perempuan atau laki-laki saja
merupakan contoh simple effects. Simple effects ini dihitung khususnya
jika efek interaksi signifikan dan kita ingin melihat lebih dalam efek dalam
 19

tiap kelompok.

Nah, sekarang bagaimana menghitungnya?

Pada dasarnya Simple effects itu dihitung seperti jika kita menghitung JK
antar dalam analisis varians satu jalur. Hanya saja diberlakukan pada
salah satu kelompok saja. Misalnya: kita ingin melihat apakah ada simple
effect yang signifikan pada kelompok siswa perempuan. Maka kita seolah-
olah menghitung JK antar model pembelajaran pada kelompok siswa
perempuan saja.

Yang dimaksud
dengan JK a pada perempuan itu adalah JK antar metode pembelajaran
yang dihitung dari kelompok perempuan saja. Dalam hal ini, JK tersebut
akan sama besarnya dengan besarnya JK antar dengan menggunakan
analisis varian jika kita hanya menggunakan siswa perempuan.

Nah, untuk memperoleh MK antar metode pembelajaran pada siswa

perempuan, kita tinggal membagi JK ini dengan db sebesar jumlah
kelompok 1. Dalam contoh di atas, karena hanya ada dua kelompok
saja, maka besarnya db untuk simple effects pada perempuan adalah 1.

Kemudian besarnya MK antar ini akan dibagi dengan MK dalam yang

diperoleh dari analisis varians dua jalur sebelumnya. Hasil bagi ini adalah
nilai F yang kemudian dicek signifikasinya. Jika nilai F tersebut memiliki p
< 0.05 maka dapat dikatakan nilai F tersebut signifikan, atau ada
perbedaan prestasi belajar antara kelompok siswa putri yang memperoleh
Experiential Learning dan yang memperoleh diskusi.

Jika jumlah metode pembelajaran dalam penelitian tersebut lebih dari 2

kelompok, maka perlu dilakukan post-hoc test setelah simple effect
dinyatakan signifikan.
 20

Well, demikian kiranya pembahasan mengenai efek-efek dalam analisis

varians desain faktorial. Berikutnya kita akan lihat bagaimana melakukan
simple effect ini di SPSS.