Laporan Statistik

Uji Analisis Varian Satu Arah (One Way Anova) dan Dua Arah
(Two Way Anova)

Dosen Pengampu
Abdul Karim

Disusun Oleh:
Kunnti Afifah
NIM. B2C.014.015

PROGRAM STUDI S1 PENDIDIKAN KIMIA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS MUHAMMADIYAH SEMARANG
2017
 BAB I
PENDAHULUAN
1.1. Latar Belakang
Sering kali kita menghadapi banyak rata-rata (lebih dari dua rata-rata). apabila kita
mengambil langkah pengujian perbedaan rata-rata tersebut satu persatu (dengan t test)
akan memakan waktu, tenaga yang banyak. di samping itu, kita akan menghadapi
risiko salah yang besar. untuk itu, telah ditemikan cara analisis yang mengandung
kesalahan lebih kecil dan dapat menghemat waktu serta tenaga yaitu dengan ANOVA
(Analisys of variances).
Secara umum, analisis varians menguji dua varians (atau ragam) berdasarkan
hipotesis nol bahwa kedua varians itu sama. Varians pertama adalah varians
antarcontoh (among samples) dan varians kedua adalah varians di dalam masing-
masing contoh (within samples). Dengan ide semacam ini, analisis varians dengan
dua contoh akan memberikan hasil yang sama dengan uji-t untuk dua rerata (mean)

1.2. Rumusan Masalah

a. Definisi One Way ANOVA dan Two Way ANOVA
b. Prosedur Perhitungan One way dan Two way ANOVA menggunakan SPSS
 BAB II
PEMBAHASAN

2.1. Kajian Pustaka

Suatu teknik untuk menguji kesamaan beberapa rataan adalah analisis varian. Analisis
of variance atau Anovamerupakan salah satu uji parametrik yang berfungsi untuk
membedakan nilai rata-rata lebih dari dua kelompok data dengan cara membandingkan
variansinya (Ghozali, 2009).
Analisis Varians (Anova) adalahteknik analisis statistik yang dikembangkan dan
diperkenalkan pertama kali oleh Sir R. A Fisher (Kennedy & Bush, 1985). Anova dapat juga
dipahami sebagai perluasan dari uji-t sehingga penggunaannya tidak terbatas pada pengujian
perbedaan dua buah rata-rata populasi, namun dapat juga untuk menguji perbedaan tiga buah
rata-rata populasi atau lebih sekaligus. Analisis varian tidak hanya digunakan dalam satu jenis
atau faktor perlakuan, tetapi dapat lebih dari satu faktor yang masing-masing faktor terdiri
dari beberapa perlakuan. Bila perlakuan hanya berdiri dari satu faktor, maka disebut
klasifikasi eka arah atau one way anova dan apabila terdiri dari dua faktor disebut klasifikasi
dwi arah atau two way anova.
Dalam analisis varian menyangkut pada varian dalam masing-masing perlakuan,
varian antar perlakuan, dan mungkin juga varian interaksi antar perlakuan dari faktor satu
dengan perlakuan dalam faktor yang lain (Simbolon, 2009). Prinsip uji Anova adalah
melakukan analisis variabilitas data menjadi dua sumber variasi yaitu variasi di dalam
kelompok (within) dan variasi antar kelompok(between). Bila variasi within dan between
sama (nilai perbandingan kedua varian mendekati angka satu), berarti nilai mean yang
dibandingkan tidak ada perbedaan. Sebaliknya bila variasi antar kelompok lebih besar dari
variasi didalam kelompok, nilai mean yang dibandingkan menunjukkan adanya perbedaan.
Uji Anova dapat dibagi menjadi 2 jenis berdasarkan jumlah variabel yang diamati,
yaitu One Way Anova dan Two Way Anova. One Way Anova digunakan bila ada satu variabel
yang ingin diamati, sedangkan Two Way Anova digunakan apabila terdapat dua variabel yang
ingin diamati.

Analisis Varians Satu-Arah (One-Way Analysis of Variance)

Dinamakan analisis varians satu arah, karena analisisnya menggunakan varians dan data
hasil pengamatan merupakan pengaruh satu faktor.Dari tiap populasi secara independen kita
ambil sebuah sampel acak, berukuran n1 dari populasi kesatu, n2 dari populasi kedua dan
seterusnya berukuran nk dari populasi ke k. Data sampel akan dinyatakan dengan Yij yang
berarti data ke-j dalam sampel yang diambil dari populasi ke-i.

Anova Dua Arah (Two Way Anova)

Anova dua arah ini digunakan bila sumber keragaman yang terjadi tidak hanya karena
satu faktor (perlakuan). Faktor lain yang mungkin menjadi sumber keragaman respon juga
harus diperhatikan. Faktor lain ini bisa perlakuan lain atau faktor yang sudah terkondisi.
Pertimbangan memasukkan faktor kedua sebagai sumber keragaman ini perlu bila faktor itu
dikelompokkan (blok), sehingga keragaman antar kelompok sangat besar, tetapi kecil dalam
kelompok sendiri.
Tujuan dan pengujian anova dua arah ini adalah untuk mengetahui apakah ada pengaruh
dari berbagai kriteria yang diuji terhadap hasil yang diinginkan. Misal, seorang manajer
teknik menguji apakah ada pengaruh antara jenis pelumas yang dipergunakan pada roda
pendorong dengan kecepatan roda pendorong terhadap hasil penganyaman sebuah karung
plastik pada mesin circular.
2.2. Prosedur Perhitungan One Way ANOVA
 Pada data yang diatas dalam penelitian ini (skripsi) menggunakan teknik analisa data yang
digunakan adalah test formatif. Analisa test formatif bertujuan untuk mengetahui sejauh
mana pencapaian hasil belajar siswa dalam penguasaan materi pelajaran. Sedangkan teknik
analisa data yang saya gunakan adalah One Way ANOVA.

1) Masukkan data ke Excel, seperti berikut

2) Masukkan data ke SPSS (Data View) seperti berikut:
3) Kemudian pada kolom yang berbeda, dimasukkan faktor (dalam hal ini bisa digunakan
angka 1-5) berdasarkan perlakuan yang berbeda;

3) Masukkan data ke SPSS Data Editor dengan mendefinisikan variabelnya terlebih dahulu
dengan memilih layout Variabel View.
4) Beri nama Nilai dan Siklus pada kotak Name.
5) Masukkan data untuk varibel Siklus I, Siklus 2, Siklus 3 dalam satu kolom pada variabel
Siklus
6) Beri angka 1 untuk data Siklus I, angka 2 untuk data Siklus II, dan angka 3 untuk data
Siklus III pada kolom kelompok. Tampilannya sebagai berikut:

7) Klik Analyze  Compare Means  One-Way Anova sehingga muncul kotak dialog
One-Way Anova

8) Dimasukkan variabel Nilai pada kolom Dependent List pada window One Way ANOVA,
serta variabel Siklus pada kolom faktor. Setelah itu klik OK
9) Klik tombol Options sehingga muncul kotak dialog Options. Pilih Descriptive dan
Homogeneity of Variance test dan Means Plot pada kotak Statistics. Pilih Exclude Cases
Analysis by Analysis pada kotak Missing Value. Klik Continue.

Untuk melihat keseragaman pada perhitungan statistik, maka dipilih Descriptive dan
Homogeneity-of-variance. Untuk itu klik mouse pada pilihan tersebut. Missing Value adalah
data yang hilang, karena data yang dianalisis tidak ada yang hilang, maka abaikan saja pilihan
ini kemudian klik Continue.

10) Klik tombol Post Hoc sehingga muncul kotak dialog Post Hoc. Pilih Bonferroni dan
Dunnett’s T3. Klik Continue.

Pada gambar diatas tertulis 0,05. Hal itu dikarenakan α sebesar 5%. Kemudian klik continue
jika pengisian dianggap selesai.

11) Klik Ok untuk menampilkan output berikut:

Pada gambar diatas diperoleh rata-rata pembelajaran pada Siklus I adalah 63,5294
dengan deviasi standar 9,96317. Rata-rata pembelajaran pada Siklus II adalah 71,7647
dengan deviasi standar 10, 74436. Dan rata-rata pembelajaran pada Siklus III adalah 78,2353
dengan deviasi standar 12,86239.

Pada Test of Homogeneity of Variances diperoleh nilai sig 0,557. Nilai ini lebih dari 0,05
sehingga H0 diterima yang berarti ketiga siklus ini adalah homogen. Dengan demikian, uji
kesamaan varians untuk uji Anova sudah terpenuhi.

Pada tabel ANOVA diperoleh nilai sig adalah 0,002 < 0,005 sehingga data tersebut terdapat
perbedaan signifikan.
Pada tabel Post Hoc dapat dilihat bahwa perbedaan mean Siklus I dan Siklus III adalah
-8,23529. Angka tersebut berasal dari mean Siklus I adalah 63,5294 dan Siklus III adalah
78,2353 sehingga didapatkan
1. Memasukkan data ke SPSS

Hal yang perlu diperhatikan dalam pengisian variabel name adalah “tidak boleh ada spasi
dalam pengisiannya”.

1. Pengolahan data dengan SPSS

Langkah-langkahnya :
a. Pilih Analyze ----- General Linear Model ----- Univariate
b. Kemudian lakukan pengisian terhadap :
Kolom Dependent Variable
Kolom Faktor (s)
1. Masukkan yang termasuk Fixed Factor(s) (dalam kasus ini : Jenis kelamin dan Masa)
2. Masukkan yang termasuk Random Factor(s)
3. Klik Plots
Horizontal Axis : … ()
Separate Lines : … (Pendidikan)

Add

Gender*Pendidikan
4. Klik Post Hoc
Masukkan variabel yang akan diuji : … (Masa), maka muncul jendela sebagai berikut :
Masukkan Pendidikan ke kotak Post Hoc Test for. Centang Tukey.

6. Klik Options
Masukkan Jenis_kelamin, Masa, dan Jenis_kelamin*Masa ke dalam kotak Display
Means for. Pada Display centang Descriptive statistics dan Homogenity tests.
 Kemudian klik Continue lalu klik Ok jika pengisian dianggap selesai. Beberapa saat
kemudian akan keluar tampilan output SPSS sebagai berikut :

Dari tabel di atas, kita bisa menilai rata-rata nilai ujian berdasarkan gender dan
pendidikan. Contoh : nilai rata-rata Gaji laki-laki dengan masa 1 sebesar 3,72
sedangkan gaji wanita yang bermasa 1 sebesar 3,44 dan begitu seterusnya.
Di bawah ini adalah Tabel Levene’s Test. Digunakan untuk menilai
homogenitas tiap variabel.
 Hasil uji levene test menunjukkan nilai sig sebesar 0.150. Karena sig > 0.05
maka dapat dinyatakan bahwa model memenuhi asumsi homogenitas.Tabel di bawah
ini menunjukkan hasil dari uji Two Way Anova :

Dari tabel di atas, kita mendapatkan nilai-nilai penting yang bisa disimpulkan
sebagai berikut :
1. Corrected Model : Pengaruh semua variabel independen (Jenis Kelamin,
Masa dan interaksi jenis kelamin dengan masa atau "Gender*Pendidikan")
secara bersama-sama terhadap variabel dependen (Gaji). Apabila
signifikansi (Sig.) < 0,05 (Alfa) = Signifikan. Contoh di atas 0,000 berarti
model valid.
2. Intercept : Nilai perubahan variabel dependen tanpa perlu dipengaruhi
keberadaan variabel independen, artinya tanpa ada pengaruh variabel
independen, variabel dependen dapat berubah nilainya. Apabila
signifikansi (Sig.) < 0,05 (Alfa) = Signifikan. Contoh di atas 0,000 berarti
intercept signifikan.
3. Jenis Kelamin : Pengaruh jenis kelamin terhadap gaji di dalam
model. Apabila signifikansi (Sig.) < 0,05 (Alfa) = Signifikan. Contoh di
atas 0,931 berarti jenis kelamin tidak berpengaruh signifikan.

4. Masa : Pengaruh masa terhadap gaji. Apabila signifikansi (Sig.) < 0,05
(Alfa) = Signifikan. Contoh di atas 0,000 berarti pendidikan
berpengaruh signifikan.
 5. Jenis_Kelamin*Masa : Pengaruh jenis_kelamin*masa terhadap gaji.
Apabila signifikan (Sig.) < 0.05 (Alfa) = Signifikan. Contoh di atas 0,155
berarti jenis_kelamin*masa tidak berpengaruh signifikan.

6. Error : Nilai error model, semakin kecil maka model semakin baik.

7. R Squared : Nilai determinasi berganda semua variabel independen

dengan dependen. Contoh di atas 0,663 dimana mendekati 1, berarti
korelasi kuat.

Tabel di bawah ini adalah Tabel Tukey Post Hoc digunakan untuk menilai
kategori manakah dari variabel pendidikan yang memiliki perbedaan signifikan :