1

KATA PENGANTAR

Segala puji dan syukur penulis panjatkan kehadirat Allah Swt. Alhamdulillahi Rabbil
’Aalamin, atas limpahan rahmat dan karunia-Nya penulis dapat menyelesaikan penyusunan
modul ini. Shalawat dan salam dengan upapan Allahumma sholli ’ala Muhammad wa ’ala
ali Muhammad penulis sampaikan untuk junjungan kita Nabi besar Muhammad Saw.

Modul ini disusun untuk memenuhi tugas pra UAS pada mata kuliah Statistika
Multivariat. Penulis menyadari sepenuhnya bahwa modul ini tentu punya banyak
kekurangan. Untuk itu penulis dengan berlapang dada menerima masukan dan kritikan
konstruktif dari berbagai pihak demi kesempurnaannya di masa yang akan datang. Semoga
modul ini menjadi amal saleh bagi penulis dan bermanfaat bagi pembaca.

Malang, 24 April 2019

Penulis,

Linda Safitri Rismantari

2
 DAFTAR ISI

KATA PENGANTAR .......................................................................................... 2

DAFTAR ISI ........................................................................................................ 3

ANALISIS DISKRIMINAN

Analisis Diskriminan ............................................................................. 4

Aplikasi Analisis Diskriminan .............................................................. 6

Interpretasi Analisis Diskriminan.......................................................... 14

ANALISIS MANOVA

Analisis Manova.................................................................................... 18

Aplikasi Analisis Manova ..................................................................... 22

Interpretasi Analisis Manova ................................................................ 29

ANALISIS KANONIK

Analisis Kanonik ................................................................................... 32

Aplikasi Analisis Kanonik .................................................................... 38

Interpretasi Analisis Kanonik ................................................................ 43

3
 ANALISIS DISKRIMINAN

Konsep Dasar Analisis Diskriminan

Analisis diskriminan merupakan teknik multivariat yang termasuk pada dependence
method, dengan ciri adanya variabel dependen dan independen. Ciri khusus analisis
diskriminan adalah data variabel dependen (Y) berupa data kategori sedangkan data untuk
variabel independen (X) berupa data numerik. Metode analisis diskriminan sendiri dibedakan
menjadi dua jenis, yaitu metode dengan dua kategori yang disebut dengan Two-group
Discriminant Analysis dan metode dengan lebih dua kategori yang disebut dengan Multiple
Discriminant Analysis.

Analisis diskriminan adalah teknik statistika yang dipergunakan untuk

mengklasifikasikan suatu individu atau observasi ke dalam suatu kelas atau kelompok
berdasarkan sekumpulan variabel-variabel (Johnson & Wichern 2007). Model umum analisis
diskriminan merupakan suatu kombinasi linear yang bentuknya sebagai berikut:

Membentuk fungsi diskriminan yang optimal diperlukan beberapa asumsi terhadap

data yang digunakan. Asumsi ini antara lain adalah data pada variabel bebas seharusnya
berdistribusi normal multivariat dan adanya kesamaan matriks varians-kovarians antar
kelompok. Jika dianalogikan dengan regresi linear, maka analisis diskriminan merupakan
kebalikannya. pada regresi linear, variabel respon yang harus mengikuti distribusi normal
dan homoskedastis, sedangkan variabel penjelas diasumsikan fixed, artinya variabel penjelas
tidak disyaratkan mengikuti sebaran tertentu. untuk analisis diskriminan, variabel
penjelasnya seperti sudah disebutkan di atas harus mengikuti distribusi normal dan
homoskedastis sedangkan variabel responnya fixed.

Kegunaan Analisis Diskriminan

 Mengetahui perbedaan yang jelas antar grup pada variabel dependen.

4
 Jika ada perbedaan, variabel independen manakah pada fungsi diskriminan yang
membuat perbedaan tersebut.
 Membuat fungsi atau model diskriminan.
 Mengklasifikasikan obyek ke dalam suatu kelompok atau kategori didasarkan pada nilai
variabel independen.

Metode Analisis Diskriminan

Model diskriminan atau fungsi diskriminan terbagi menjadi dua yaitu fungsi
diskriminan Linier Fisher dan fungsi diskriminan kuadratik. Fungsi diskriminan Linier Fisher
digunakan apabila asumsi normal multivariat dan asumsi homogenitas matriks varian
kovarian terpenuhi. Fungsi diskriminan Kuadratik digunakan apabila asumsi normal
multivariat terpenuhi tetapi asumsi homogenitas matriks varian kovarian tidak terpenuhi.

Asumsi Analisis Diskriminan

1. Multivariate normality. Variabel independen berdistribusi normal. Jika data dari variabel
independen tidak berdistribusi normal akan menyebabkan ketidaktepatan fungsi
(model)diskriminan.
2. Matrik kovarians dari semua variabel independen sama.
3. Tidak terdapat korelasi antara variabel independen. Jika terdapat dua atau lebih variabel
independen yang berkorelasi maka disebut multikolinearitas. Multikolearitas
menyebabkan terjadinya bias interpretasi model.
4. Tidak terdapat data pencilan (outlier) pada variable independen. Jika terdapat data
pencilan dan tetap dilakukan analisis diskriminan maka dapat menyebabkan
ketidaktepatan klarifikasi dari fungsi diskriminan.

5
 APLIKASI ANALISIS DISKRIMINAN

Data yang digunakan:

aman complain cepat service grup
8.20 7.80 3.60 6.70 1
9.30 10.00 6.70 5.20 2
7.80 8.50 5.10 6.30 2
3.60 8.00 7.30 8.90 1
6.70 8.40 5.50 7.50 1
6.70 7.40 9.00 6.80 2
5.20 3.50 5.10 6.70 2
7.30 8.70 3.60 6.40 1
8.80 7.10 8.20 5.70 2
4.80 6.60 8.00 6.00 1
9.50 9.90 6.50 6.00 2
5.50 5.10 5.00 4.60 1
9.10 8.30 7.30 8.50 2
8.90 8.20 7.80 4.60 2
4.90 7.70 6.10 6.40 1
7.50 6.40 4.80 7.60 1
6.20 7.90 9.10 8.00 2
6.90 5.80 7.70 6.20 1
6.50 4.80 8.60 8.30 1
7.80 5.70 6.70 7.60 1
5.20 10.00 7.70 6.80 2
6.60 7.30 8.60 7.40 2
5.00 8.30 8.20 5.10 1
6.40 8.50 7.70 8.50 2
8.50 5.40 8.30 5.50 2
7.30 3.80 5.10 8.70 1
5.90 6.50 7.70 7.10 1
6.10 10.00 4.60 6.30 1
9.60 7.10 6.00 10.00 1
4.80 5.40 8.30 6.00 1
6.60 7.80 7.70 6.60 2
5.70 7.30 5.40 7.10 1
7.80 10.00 9.50 5.10 2
4.10 7.40 8.40 6.10 2
5.60 5.90 6.60 6.10 1
6.70 5.80 6.80 4.10 1
7.90 10.00 8.20 8.40 2
8.40 6.60 9.20 4.30 1
6.80 5.10 7.20 6.60 1
7.60 8.70 6.20 5.10 2

6
 8.10 6.00 7.10 6.90 1
7.40 4.90 7.60 5.10 1
6.50 8.30 5.80 9.50 1
7.50 5.00 6.70 8.00 1
7.90 6.60 9.70 7.30 2
8.00 6.70 7.80 7.80 2
8.90 7.60 7.40 7.00 2
7.40 6.80 8.70 8.50 2
9.40 7.20 6.50 7.00 2
5.20 6.20 8.60 9.10 1
10.00 5.70 8.50 8.20 2
8.20 7.30 6.80 7.30 2
7.60 8.10 8.40 8.70 2
9.00 9.10 8.30 4.10 2
6.40 7.40 5.60 8.80 1
6.10 8.10 7.90 7.00 2
4.20 9.10 3.10 5.60 1
6.50 7.60 7.30 5.90 2
9.10 8.80 7.20 9.20 2
6.70 8.00 6.20 5.00 1
7.30 7.30 8.30 8.40 2
6.40 6.30 6.90 6.20 1
4.70 6.70 6.40 9.50 1
4.40 6.30 10.00 7.10 2
6.90 9.10 9.50 7.70 2
8.10 6.90 6.50 5.20 1
6.70 7.80 8.00 8.50 2
8.80 7.50 5.70 8.10 1
5.50 5.40 8.30 5.90 1
8.10 7.10 8.70 7.30 2
9.80 6.00 5.10 6.50 1
7.20 9.40 7.20 6.00 2
8.70 7.30 10.00 6.70 2
4.60 7.40 5.50 5.40 1
8.90 7.10 7.60 7.40 2
9.80 6.20 5.60 7.40 1
7.00 6.40 7.90 7.80 1
7.40 6.50 9.30 5.80 2
9.00 3.30 7.90 5.70 1
5.90 8.40 5.10 7.60 1
3.20 8.20 5.50 5.20 1
7.70 7.20 7.90 7.60 2
6.50 6.80 8.30 9.10 2
5.70 7.10 7.80 8.60 2
8.40 6.50 5.60 5.60 1
5.60 8.60 6.60 4.20 1
7
 7.40 5.50 5.20 8.20 1
6.10 8.40 8.90 9.40 2
5.90 6.00 7.30 6.00 1
8.10 6.90 5.10 4.80 1
8.30 7.30 8.90 9.80 2
5.70 8.50 8.10 9.60 2
6.00 6.10 7.40 8.40 1
6.10 5.20 7.90 6.10 1
8.50 5.20 7.20 6.10 1
4.40 5.20 7.00 6.30 1
8.20 7.50 5.30 7.80 1
5.60 7.90 8.30 7.50 2
6.40 7.00 7.00 8.10 1
6.00 5.00 6.70 6.20 1

1. Masukkan data yang sudah disiapkan pada window Data View.

8
2. Berilah nama masing-masing variabel sesuai dengan data pada window Variabel View

 Melakukan Uji Kolmogorov Smirnov (Normalitas)

a. Untuk memenuhi asumsi analisis diskriminan maka perlu dilakukan uji normalitas secara
simultan, dengan cara: buka data yang akan digunakan pada SPSS, kemudian pilih
Analyze - Regression - Linear, hal ini dilakukan untuk melakukan uji secara simultan
dengan menggabungkan semua variabel independen.

9
b. Setelah muncul jendela baru, masukkan variabel dependen pada kotak dependent dan
variabel independen pada kotak independent(s). Lalu klik pada tombol save.

c. Setelah itu muncul jendela baru centang pada Unstandardized pada kelompok Residuals,
kemudian klik continue sehingga akan menghasilkan variabel baru yaitu res_1 pada data
view.

10
d. Selanjutnya adalah uji normalitas data variabel independen yang akan digunakan dengan
cara klik Analyze - Nonparametric Test - Legacy Dialogs - 1 sample K-S.

e. Akan muncul kotak dialog One-Sample Kolmogorov Smirnov Test. Masukkan variabel
yang baru terbentuk ke kotak Test Variable List centang Normal pada bagian Test
Distribution kemudian klik Ok. Hasil pengujian normalitas akan muncul pada
output.

11
3. Selanjutnya, tahap pertama untuk analisis diskriminan yaitu pilih Analyze - Classify -
Discriminant.

4. Muncul kotak dialog Discriminant Analysis, masukkan variabel Y pada Grouping

Variable dan variabel X pada Independents kemudian pada Grouping Variable pilih
define range lalu isikan minimum 1 dan maximum 2 karena pada data yang digunakan
kategori pada variabel Y paling kecil yaitu 1 dan paling besar 2, kemudian klik continue.

12
5. Pilih Statistic akan muncul kotak dialog Discriminant Analysis Statistics centang pada
bagian Univariate ANOVAs, Box’s M , Fisher’s dan Unstandardize kemudian klik
continue.

6. Pilih Classify akan muncul kotak dialog Discriminant Analysis Classification centang
Summary table pada bagian Display kemudian klik continue.

7. Pilih Save akan muncul kotak dialog Discriminant Analysis Save centang Predicted
group membership kemudian klik continue kemudian klik Ok hasil analisis diskriminan
akan muncul pada output.

13
 INTERPRETASI ANALISIS DISKRIMINAN

Berdasarkan uji normalitas dengan

Kolmogorov - Smirnov Test, bisa diperoleh
dengan nilai Test Statistic (0.79) dan
Asymp Sig (2-tailed) (0.12) yang lebih
besar dari 0.05 sehingga menerima H0 yang
berarti variabel independen menyebar
normal.

Dengan Hipotesis sebagai berikut:

H0 : Variabel independen menyebar normal

H1 : Varibel independen tidak menyebar

secara normal

Test Results
Box's M 16.580
F Approx. 1.584
df1 10
df2 43278.786
Sig. .104
Tests null hypothesis of equal
population covariance matrices.

Uji Box’s M adalah pengujian untuk asumsi homogenitas matriks varian kovarian. Dilihat
dari output diatas, nilai sig diperoleh sebesar 0,104 lebih besar dari 0,05 sehingga dapat
disimpulkan bahwa asumsi homogenitas matriks varian kovarian terpenuhi.

14
 Berdasarkan hasil diatas, maka fungsi yang terpilih adalah fungsi 1, karena fungsi 1
mempunyai eigenvalue sebesar 1,122 > 1 dan nilai sig dari fungsi tersebut adalah 0.000 <
0.05.

15
 Output di samping berhubungan dengan output di
halaman sebelumnya. Karena fungsi 1 yang terbaik maka
fungsi diskriminan yang terbentuk yaitu:

D = 0,461X1 + 0,753X2 + 0,898X3 + 0,180X4

Output disamping menunjukkan fungsi klasifikasi yang

terbentuk:

D1 = 4,413X1+6,357X2+6,911X3+3,541X4
D2 = 5,062X1+7,539X2+8,426X3+3,806X4

Output di atas menunjukkan variabel yang berpengaruh dilihat dari signya dan variabel
pembeda terkuat dilihat dari nilai F terbesar sehingga:

1. Terdapat tiga variabel yang berpengariuh yaitu aman, complain, dan cepat karena nilai
sig < 0,05.

16
2. Variabel yang menjadi pembeda terkuat adalah variabel cepat katena memiliki nilai F
tertinggi sebesar 39,643.

Output di atas menunjukkan jumlah obyek yang tepat diklasifikasikan menggunakan

analisis diskriminan yang dilihat dari diagonal utama, yaitu:

1. 49 responden atau obyek tepat diklasifikasikan ke kategori 1

2. 43 responden atau obyek tepat diklasifikasikan ke kategori 2

Sehingga Hit Ratio yang diperoleh adalah sebesar 92% atau dengan rumus:

Hit Ratio:

49 + 43
x 100 = 92%
100

17
 ANALISIS MANOVA

Konsep Dasar Analisis Manova

MANOVA atau Multivariate Analysis of Variance merupakan pengembangan dari

ANOVA, yaitu sebagai metode statistik atau teknik statistik yang digunakan untuk
menghitung pengujian signifikansi perbedaan rata-rata secara bersamaan antara kelompok
untuk dua ataulebih variabel. Karakteristik dari MANOVA adalah variabel independen bisa
satu atau lebih dari satu dan berupa data kategori sedangkan untuk variabel dependen harus
lebih dari satudanberupa data kontinu.

Perbedaan antara ANOVA dan MANOVA didasari oleh banyaknya variable respon
yang lebih dari satu. Jika pada ANOVA, pengujian hipotesis nol adalah kesamaan rata-rata
dari variable predictor antar kelompok. Sedangkan, untuk MANOVA pengujian hipotesis nol
adalah kesamaan rata-rata dari vector variable respon antar kelompok.

Tujuan MANOVA

Tujuan dari MANOVA adalah untuk menguji apakah vektor rataan dua atau lebih grup
sampel diambil dari sampel distribusi yang sama. MANOVA biasa digunakan dalam dua
kondisi utama. Kondisi pertama adalah saat terdapat beberapa variabel dependen yang
berkorelasi, sementara peneliti hanya menginginkan satu kali tes keseluruhan pada kumpulan
variabel ini dibandingkan dengan beberapa kali tes individual. Kondisi kedua adalah saat
peneliti ingin mengetahui bagaimana variabel independenmempengaruhi pola variabel
dependennya.

Model Umum MANOVA

Model MANOVA satu arah:

𝑋𝑖𝑗 = 𝜇 + 𝜏𝑖 + 𝜀𝑖𝑗

Model MANOVA dua arah:

18
 𝑋𝑖𝑗𝑘 = 𝜇 + 𝜏𝑖 + Υ𝑘 + 𝜀𝑖𝑗𝑘

Statistik Uji MANOVA

Beberapa statistic uji yang dapat digunakan dalam MANOVA antara lain:

 Pillai’s Trace merupakan statistik uji yang digunakan apabila tidak terpenuhinya
asumsi homogenitas pada varians-kovarians, memiliki ukuran sampel kecil dan jika
hasil-hasil dari pengujian bertentangan satu sama lain yaitu jika ada beberapa
variabel dengan rata-rata yang berbeda sedang yang lain tidak. Semakin tinggi nilai
statistik Pillai’s Trace maka pengaruh terhadap model akansemakin besar.
𝑘
′
𝜆𝑖
𝑃𝑖𝑙𝑙𝑎𝑖 𝑠 𝑇𝑟𝑎𝑐𝑒 = ∑
1 + 𝜆𝑖
𝑖=1

 Wilk’s Lambda merupakan statistik uji yang digunakan apabila terdapat lebih dari
dua kelompok variabel respon dan asumsi homogenitas matriks varian kovarian
dipenuhi. Semakin rendah nlai statistik Wilk’s Lambda, pengaruh terhadap model
semakin besar. Nilai Wilk’s Lambda berkisar antara 0 –1.
𝑘
′
1
𝑤𝑖𝑙𝑘 𝑠 𝑙𝑎𝑚𝑏𝑑𝑎 = ∏
1 + 𝜆𝑖
𝑖=1

Hotelling’s Trace merupakan statistik uji yang digunakan apabila hanya terdapat
dua kelompok variable respon. Semakin tinggi nilai statistic Hotelling’s Trace
pengaruh terhadap model semakin besar.
𝑘
′
𝐻𝑜𝑡𝑒𝑙𝑙𝑖𝑛𝑔 𝑠 𝑇𝑟𝑎𝑐𝑒 = ∑ 𝜆𝑖
𝑖=1

 Roy’s Largest Root merupakan statistik uji yang hanya digunakan apabila asumsi
homogenitas matriks varian kovarian dipenuhi. Semkin tinggi nilai statistik Roy’s
Largest Root maka pengaruh terhadap model akansemakin besar.
𝜆𝑚𝑎𝑥
𝑅𝑜𝑦 ′ 𝑠
1 + 𝜆𝑚𝑎𝑥

19
Asumsi MANOVA
1. Asumsi Homogenitas Ragam MANOVA
Pengujian asumsi homogenitas berfungsi untuk mengetahui varians data bersifat
homogen atau heterogen. Uji ini bertujuan untuk melihat adanya hubungan antar variabel
respon. Hubungan antar variabel respon ditandai dengan nilai matriks korelasi variabel
respontidak sama dengan matriks identitas.

Uji homogen data dapat dilakukan melalui uji Bartlet dan Levene. Hipotesis untuk
uji ini adalah
H0: R= 1atau antarvariabel memilik ragam sama
H1: R = 1atau antarvariabel memiliki ragam tidaksama
Statistik uji yang digunakan adalah

2
2𝑝 + 5
𝑥ℎ𝑖𝑡𝑢𝑛𝑔 = −{ 𝑛 − 1 − }𝐼𝑛|𝑅|
6
Dimana p merupakan banyaknya variabel dan R matriks variable Apabila diperoleh nilai
Sig. > 0,05 maka variabel tersebut memiliki ragam sama sehingga asumsi homogenitas ragam
terpenuhi.

2. Asumsi Normal Multivariat MANOVA

Analisis data dengan menggunakan analisis multivariat harus memenuhi asumsi
berdistribusi normal multivariat, sehingga perlu dilakukan pengujian distribusi normal
multivariat. Variabel random (𝑥1, 𝑥2, 𝑥3, ..., 𝑥𝑝) berdistribrusi normal dengan parameter 𝜇
dan Σ jika mempunyai probabilitydensityfunction berikut

1 1
∑−1(𝑥−𝜇)]
𝑓 (𝑥) = 2/𝑝| 1/2
𝑒𝑥𝑝−2[(𝑥−𝜇)
(2𝜋) ∑ |

Pengujian hipotesis asums idistribusi normal multivariat adalah sebagai berikut

H0 : data pengamatan berdistribusi normal multivariat
H1 : data pengamatan tidak berdistribusi normal multivariat
Apabila diperoleh nilai Sig. > 0,05 maka data pengamatan berdistribusi normal multivariat
sehingga asumsi normal multivariat terpenuhi.

20
Perbedaan Manova dan Anova

Manova Anova

Pengujian hipotesis nol merupakan kesamaan Pengujian hipotesis nol merupakan kesamaan
rata-rata dari vektor variabel respon antar rata-rata dari variabel predictor antar
kelompok. kelompok.
Setiap perlakuan kelompok menjalankan dua Memasukkan prosedur univariat dan
atau lebih variabel terikat. H nol adalak garis menggunakan uji t karena terdapat perbedaan
vektor pertengahan variabel terikat yang dalam menilai kelompok dimana variabel
multiplay untuk garis kelompok yang sama. terikatnya matriks tunggal dan H nol adalah
Untuk menguji multivariat perbedaan variabel predictor antar kelompok.
kelompok T2 dan analisis multivarian secara
berturut-turut.

21
 APLIKASI ANALISIS MANOVA

Seorang insinyur sedang mengevaluasi 3 tipe mesin wire bond yang akan digunakan. Tipe
mesin : A,B,C. untuk mengetahui karakteristik Kekuatan Wire bonding diukur dari pengujian
terhadap kekuatan “ball shear strength” dan “wire pull streght”. Dengan diambil masing-
masing 20 respons dalam setiap mesin. Apakah ketiga mesin mempunyai rata rata
kemampuan yang sama dalam hal respons “ball shear strength” dan “wire pull streght” ?

Keterangan Mesin:

1= A
2= B
3= C

Data yang diperoleh sebagai berikut:

WIRE BALL MESIN 10.5045 29.38 2

9.42 25.9 1 12.937 29.56 2
9.43 23.98 1 10.2881 25.91 2
9.96 23.97 1 10.3124 27.3 2
10.4 25.98 1 12.3105 28.89 2
10.88 23.6 1 10.5558 26.43 2
10.26 23.42 1 11.9111 29.47 2
10.71 25.47 1 12.0426 26.54 2
9.31 22.87 1 12.7712 27.9 2
8.83 24.84 1 10.1853 28.71 2
9.31 25.1 1 11.694 29.03 2
12.59 24.6 1 10.7724 27.79 2
10.08 25.62 1 13.0166 27.88 2
10.86 24.37 1 11.1712 27.31 2
9.86 23.67 1 11.7661 28.72 2
10.03 26.04 1 11.7112 27.51 2
9.42 26.08 1 13.62 34.7273 3
9.15 23.68 1 13.69 33.9422 3
9.48 24.57 1 13.81 33.1491 3
9.4 26.36 1 14.5 31.9078 3
10.14 24.89 1 14.11 33.587 3
12.4918 30.19 2 14.49 34.6461 3
12.8411 29.63 2 13.3 35.0299 3
10.3795 28.2 2 14.01 35.1187 3
11.0929 29.07 2 14.35 35.8803 3
22
 13.52 33.5498 3 13.95 33.0389 3
14.24 33.327 3 13.55 33.2584 3
14.91 33.5293 3 13.8 34.0756 3
14.65 34.9633 3 14.63 35.3852 3
14.82 33.1012 3 12.94 34.4982 3
13.97 33.9894 3

Hipotesis:

Ho : Tidak terdapat perbedaan yang signifikan antara rata-rata “ball shear strength” dan “wire pull
streght antara ketiga mesin secara simultan

H1 : Terdapat perbedaan yang signifikan antara rata-rata “ball shear strength” dan “wire pull
streght antara ketiga mesin secara simultan

Hasilnya adalah:

- Jika sig < 0.05 maka Ho tidak dapat diterima (Ho ditolak)

- Jika sig > 0.05 maka Ho tidak dapat ditolak (Ho diterima).

1. Masukkan data yang akan digunakan pada SPSS.

23
2. Pada windows variable view ganti nama variabel sesuai dengan data yang digunakan dan pada
kolom Label, kemudian ganti type dan measure.

3. Pada kolom Value klik pada “...” kemudian akan muncul kotak dialog. Pada kolom value ini
digunakan untuk mendefinisikan kategori pada variabel X : 1 = Mesin A, 2 = Mesin B dan dan
3 = Mesin C.

24
4. Langkah awal yaitu menguji asumsi normalitas multivariat. Pilih Analyze - Descriptive
Statistics - Explore.

5. Muncul kotak dialog, masukkan variabel Y pada dependent list dan variabel X pada factorlist.
Pilih Plots kemudian centang normality plots with tests klik continue dan Ok.

25
6. Selanjutnya dilakukan analisis MANOVA. Pilih Analyze - Generalized Linear Model -
Multivariat.

7. Muncul kotak dialog, masukkan variabel Y pada dependent variables dan variabel X pada
fixed factor(s).

8. Klik option - pilih Descriptive - Estimates of effect size - Obeserved power - parameter
estimates - Homogenity Test. Lalu masukkan Overall dan Mesin ke “Display Means for”,
kemudian centang Compare main effect (LSD none). Klik Continue.

26
9. Klik contrast, pada kolom change contrast pilih metode Simple klik tombol change

10. Klik Plots, masukkan variabel mesin dalam Horizontal Axis - klik tombol add.

27
11. Klik continue dan Klik Ok.

28
 INTERPRETASI HASIL MANOVA (Eksploratori)

Tabel Descriptive Statistic di atas menjelaskan rata-rata dan standar deviasi dari respon “ball shear
strength” dan “wire pull strength” untuk setiap mesin. Mesin C (3) mempunyai rata rata “ball shear
strength” dan “wire pull strength” lebih tinggi dibandingkan mesin A (2) dan mesin B (1).

Tabel Box’s M untuk menguji asumsi homogenitas matriks varians-

kovarians. Dimana hipotesis untuk pengujian ini adalah :

Ho: Matriks Varians-kovarians antara kelompok mesin Homogen

H1: Matriks Varians-kovarians antara kelompok mesin Heterogen

Menerima H0 apabila Nilai p-value box’m > 0,05

Hasil disamping menunjukan sig. 0,144 (>0,05) sehingga menerima Ho

dalam artian Matriks Varians-kovarians antara kelompok mesin Homogen.

29
Output di atas bertujuan untuk menguji perbandingan rata-rata kemampuan ball shear strength dan
wire pull streght antara kelompok mesin secara simultan. Berdasarkan output di samping nilai Sig.
Pada statistik uji MANOVA menunjukkan nilai < 0,05 hal ini berarti bahwa rata-rata ball shear
strength dan wire pull streght secara simultan memiliki rata-rata kemampuan berbeda antara ketiga
mesin.

Levene’s Test digunakan untuk menguji asumsi homogenitas ragam, dikatakan homogen ketika
Nilai Sig. Variabel > 0,05 . Berdasarkan output di atas diperoleh bahwa p-value wire pull strenght
sebesar 0,015 (<0,05) sehingga varians antara 3 kelompok mesin untuk wire pull strenght
heterogen. Pvalue ball shear strenght sebesar 0,547 (>0,05) sehingga varians antara 3 kelomppok
mesin untuk wire pull strenght homogeny.

Output di atas menggambarkan pengujian model terhadap perbandingan rata-rata kemampuan ball
shear strength dan wire pull streght antara kelompok mesin secara univariat. Terlihat nilai p-value
untuk kategori mesin baik respons ball maupun wire sebesar 0,000 (<0,05) yang berarti terdapat

30
perbedaan yang signifikan antara rata-rata ball shear strength dan wire pull streght di antara ketiga
mesin tersebut.

Tabel di atas digunakan untuk mengetahui rata-rata variabel independen (Mesin A,B,C) mana yang
berbeda secara signifikan terhadap masing-masing variabel dependen (ball shear strength dan wire
pull streght). Dikatakan berbeda apabila nilai Sig. Yang diperoleh < 0,05 maka hasil yang di
peroleh adalah: Mesin A dan B memiliki rata-rata kemampuan berbeda secara signifikan terhadap
nilai ball shear strength dan wire pull streght.

Pada table estimates dari output Estimated Marginal Means dapat dilihat dengan nilai confidence
Interval sebesar 95%, rata-rata kemampuan ball shear strength dan wire pull streght dari mesin
A,B dan C pada table dibawah ini berada diantara nilai lower bound dan upper Bound.

31
 ANALISIS KANONIK

Konsep Dasar Analisis Korelasi Kanonik

Analisis korelasi kanonik merupakan suatu teknik statistika multivariat yang menyelidiki
keeratan hubungan antara dua gugus variabel. Gugus yang dimaksud adalah kelompok Satu gugus
variabel yang diidentifikasikan sebagai gugus variabel independen (variabel X). Gugus yang lain
diidentifikasikan sebagai gugus variabel dependen (variabel Y). Melalui ketergantungan antar
kedua gugus variabel tersebut dapat dijelaskan pengaruh dari satu gugus variabel terhadap gugus
variabel yang lainnya. Dengan demikian, analisis korelasi kanonik adalah salah satu teknik analisis
statistik yang digunakan untuk melihat hubungan antara satu kumppulan variabel independen
dengan satu kumpulan variabel dependen. Ada himpunan variabel (misal variabel X1, X2, X3,…,
Xp ) ingin dilihat keeratan hubungannya dengan himpunan variabel lain (Y1, Y2, Y3, …, Yq)
secara serempak / serentak / simultan analisis yang digunakan adalah Analisis Korelasi Kanonik.

Terdapat dua jenis data dalam analisis korelasi kanonik, yaitu:

1. Dua kelompok variabel yang diamati / diukur pada unit pengamatan sama dalam waktu
tertentu (bersamaan);
2. Satu himpunan variabel pada unit observasi sama pada dua waktu Ilustrasi untuk analisis
korelasi kanonik misalnya ingin mengetahui tingkat keeratan hubungan antara penggunaan
Facebook terhadap perilakunya. Maka gugus penggunaan facebook ini terdiri dari beberapa
variabel yaitu lama mengakses, aktivitas penggunaan facebook, motivasi penggunaan
facebook. Sedangkan gugus perilaku terdiri dari perkembangan sosial siswa, prestasi belajar,
lama jam belajar.
Ilustrasi untuk analisis korelasi kanonik misalnya ingin mengetahui tingkat keeratan
hubungan antara penggunaan Facebook terhadap perilakunya. Maka gugus penggunaan
facebook ini terdiri dari beberapa variabel yaitu lama mengakses, aktivitas penggunaan
facebook, motivasi penggunaan facebook. Sedangkan gugus perilaku terdiri dari
perkembangan sosial siswa, prestasi belajar, lama jam belajar.

32
Asumsi Analisis Korelasi Kanonik

1. Asumsi normal multivariat, variabel dependen dan variabel independen yang akan digunakan
harus menyebar normal multivariat. Hipotesis yang digunakan adalah:
H0: data menyebar normal multivariate
H1: data tidak menyebar normal multivariate.
Apabila nilai signifikansi yang diperoleh > 0,05 maka terima H0 dan dapat disimpulkan bahwa
asumsi normal multivariat terpenuhi.

2. Asumsi Non Multikolinieritas, uji multikolinieritas adalah untuk melihat ada atau tidaknya
korelasi (keterkaitan) yang tinggi antara variabel-variabel dalam suatu model. Pada analisis
korelasi kanonik diharapkan tidak ada multikolinieritas antar anggota kelompok variabel, baik
variabel independen maupun variabel dependen.
Hipotesis yang digunakan yaitu:
H0: tidak terjadi multikolinieritas
H1: terjadi multikolinieritas.
Apabila nilai signifikansi yang diperoleh > 0,05 maka terima H0 dan dapat disimpulkan bahwa
asumsi non multikolinieritas terpenuhi.

Pemilihan Fungsi Kanonik

Fungsi kanonik yang terbentuk yaitu minimum jumlah variabel dalam setiap kumpulan. Misalnya
ingin mengetahui keeratan kumpulan variabel X (ada 5variabel) dengan kumpulan variabel Y (ada
2 variabel) maka fungsi kanonik yang terbentuk sebanyak 2 fungsi. Penentuan fungsi yang akan
dipilih adalah berdasarkan tingkat signifikansinya. Ketika semua fungsi signifikan dapat melihat
korelasi kanoniknya, tidak ada ukuran yang pasti mengenai seberapa besar hubungan yang harus
terbentuk, faktor loading akan menjadi alternatif dalam menentukan ukuran yang bermakan, faktor
loading lebih besar dari 0,5.

33
Interpretasi Peubah Kanonik

1. Bobot kanonik (canonical weight ). Bobot kanonik merupakan koefisien kanonik yang telah
dibakukan, dapat diinterpretasikan sebagai besarnya kontribusi peubah asal terhadap peubah
kanonik. Semakin besar nilai koefisien ini maka semakin besar kontribusi peubah yang
bersangkutan terhadap peubah kanonik.
2. Muatan kanonik (canonical loadings). Muatan kanonik dapat dihitung dari korelasi antara
peubah asal dengan masingmasing peubah kanoniknya. Semakin besar nilai muatan kanonik
maka akan semakin penting peran peubah asal tersebut dalam kumpulan peubahnya. Peubah
asal yang memiliki nilai muatan kanonik > 0,5 akan dikatakan memiliki peran besar dan tanda
muatan kanonik menunjukkan arah hubungan.
3. Muatan silang kanonik (canonical cross-loadings). Muatan silang kanonik dapat dihitung dari
korelasi antara peubah asal dengan peubah kanonik pada kumpulan lainnya. Semakin besar
nilai muatan silang mencerminkan semakin dekat hubungan antara kedua kumpulan. Peubah
asal yang memiliki nilai muatan silang kanonik besar ( > 0,5 ) akan dikatakan memiliki
peranan besar dalam kumpulan peubahnya sedangkan tanda muatan silang kanonik
menunjukkan arah hubungannya.

Contoh Kasus Analisis Korelasi Kanonik

Seorang mahasiswa sedang meneliti pengaruh motivasi, minat, dan sikap secara bersama
sama apakah memiliki hubungan dengan prestasi belajar SAINS (Fisika, Matematika, Kimia, dan
Biologi) di Fakultas Matematika dan Ilmu Pengetahuan Alam (FMIPA).

Data yang akan digunakan adalah:

Y1 Y2 Y3 Y4 X1 X2 X3
79 82 52 82 63 64 52
62 51 50 59 75 23 25
63 59 62 68 50 38 33
63 69 65 63 38 34 36
67 71 65 70 30 58 43
75 67 82 76 35 62 40
62 53 40 46 57 53 27
80 78 77 78 39 62 42
90 74 62 78 44 69 51
71 65 80 73 53 52 39

34
82 86 63 87 36 75 52
78 85 82 79 44 61 48
88 74 52 67 67 63 47
79 74 50 61 40 51 42
78 49 41 42 56 45 23
72 56 43 61 54 56 33
80 57 68 58 38 45 30
74 49 53 62 55 48 35
76 74 76 84 30 58 45
93 71 85 80 17 56 38
87 96 88 93 33 75 59
69 70 68 69 74 50 37
71 83 80 82 18 60 49
77 87 89 79 53 72 47
52 78 65 76 33 27 38
63 58 61 64 51 51 31
65 71 45 72 73 50 34
58 84 71 87 58 62 52
80 79 74 80 97 55 54
78 64 77 67 31 69 38
52 76 63 80 39 70 51
71 73 66 70 73 60 44
68 57 77 57 73 46 33
76 72 80 80 37 42 35
67 63 40 67 41 46 35
75 59 57 60 31 26 37
75 71 72 73 54 66 44
77 81 57 80 38 63 43
56 64 47 53 41 44 34
70 60 57 60 52 46 30
81 81 68 77 61 77 53
82 86 67 86 41 62 56
94 80 70 83 49 77 56
87 86 80 90 35 76 56
58 53 67 59 54 75 36
71 69 60 72 43 40 36
83 74 87 66 64 74 48
82 69 57 80 55 69 47
66 64 59 68 57 72 39
94 74 56 72 55 74 46
96 88 78 86 52 73 57
60 59 66 64 56 52 35
65 55 78 59 57 77 35
65 67 42 61 61 39 33
76 87 77 89 44 72 59
71 76 72 80 52 61 53
77 80 86 72 67 82 53
81 76 63 76 65 65 44

35
65 56 69 62 58 56 24
52 76 56 75 50 66 32
80 81 86 79 57 70 50
81 55 61 71 27 47 32
84 64 67 71 50 61 42
87 52 59 58 38 60 34
84 80 67 87 54 66 51
88 77 80 79 70 75 50
69 81 56 65 27 59 45
74 64 51 59 28 76 38
71 76 83 74 36 66 50
75 83 66 72 32 68 47
73 67 71 60 68 67 40
74 60 66 67 60 75 28
81 88 85 84 45 66 58
82 77 73 82 38 59 50
47 85 57 88 26 62 42
61 72 85 61 67 71 32
87 67 56 63 54 52 35
62 60 70 74 22 65 41
63 54 64 55 47 67 31
63 57 63 55 57 52 24
72 63 59 68 38 67 43
73 67 86 64 39 34 22
75 74 78 67 42 65 40
57 74 72 59 65 28 14
71 54 68 48 34 52 24
43 66 50 71 35 21 35
76 50 57 64 52 25 41
57 56 48 57 51 35 29
87 80 74 82 51 65 49
64 86 85 71 54 67 35
81 61 83 66 49 54 23
93 74 73 58 63 60 11
64 57 46 49 41 38 20
74 67 74 60 40 68 27
77 70 54 63 37 73 42
58 38 48 36 23 23 15
66 74 60 60 45 54 26
76 66 81 72 44 59 23
78 60 74 65 61 63 42
74 64 61 38 48 50 25
56 63 54 44 49 50 34
78 90 76 89 47 70 54
59 77 66 78 42 49 37
66 66 62 54 40 54 38
87 77 50 61 34 57 43
75 52 30 54 44 31 28

36
80 73 45 53 29 63 33
53 54 68 50 32 59 20
76 96 89 70 32 73 30
63 60 45 42 26 38 19
68 52 66 49 34 34 20
70 43 61 44 40 39 21
81 44 64 44 41 38 21
89 34 71 42 33 66 21
83 77 83 83 55 69 46
68 64 70 61 33 48 39
72 85 68 86 42 77 57
52 52 59 41 45 26 19
70 61 57 45 55 20 19

37
 APLIKASI ANALISIS KANONIK

1. Masukkan data yang akan digunakan pada SPSS pada window data view

2. Beri nama masing-masing variabel pada menu Variabel View

38
3. Menguji asumsi normal multivariat, pilih Analyze – Nonparametric Test – Legacy Dialog -
1 sample K-S.

4. Muncul kotak dialog, masukkan semua variabel yang akan digunakan ke test variable list
kemudian centang Normal pada bagian test distribution kemudian klik Ok . Setelah itu hasil
akan keluar pada output

Interpretasi Uji Normalitas

39
Berdasarkan output di atas variabel yang telah memenuhi asumsi normal multivariat adalah
variabel Matematika, Fisika, Kimia, Biologi, Motivasi dan Minat karena nilai Sig. > 0,05. Untuk
variable yang lain masih belum memenuhi asumsi normal multivariat, karena ini untuk
pembelajaran maka proses analisis tetap dilanjutkan.

1. Selanjutnya Menguji Non Multikolinieritas, Pilih Analyze – Correlation – Bivariate

2. Masukkan semua variabel ke dalam kotak variables. Centang Pearson, pilih Twotailed, dan
centang flag significant correlations. Kemudian klik Ok hasil akan keluar pada output

40
 Hasil Output

Berdasarkan output, pada variabel independen masih ada beberapa nilai Sig. < 0,05 sehingga
asumsi non multikolinieritas tidak terpenuhi. Pada variabel dependen nilai Sig. < 0,05 maka
disimpulkan asu[msi non multikolinieritas tidak terpenuhi. Proses analisis korelasi kanonik tetap
dilanjutkan untuk pembelajaran walaupun asumsi tidak terpenuhi.

2. Dan yang terakhir melakukan SYNTAX SPSS,

41
Tuliskan syntax di bawah ini pada bagian sebelah angk MANOVA Y1 Y2 Y3 Y4 WITH X1
X2 X3
/DISCRIM ALL ALPHA(1)
/PRINT=SIG(EIGEN DIM)
Y1, Y2, Y3, Y4 menunjukkan variabel dependen, dan X1, X2, X3 menunjukkan variabel
independen
Kemudian klik tombol play berwarna hijau untuk merunning data.

42
 INTERPRETASI ANALISIS KANONIK

Hasil dari melakukan Syntax

Pemilihan fungsi kanonik yang akan digunakan berdasarkan pada besar keragaman yang
diperoleh. Pada output diatas besar keragaman pada fungsi 1 sebesar 93, 077% lebih besar daripada
fungsi kedua yaitu 6,86% dan fungsi ketiga yaitu 0,05%. Kemudian eigenvalue yang diperoleh
fungsi 1 melebihi 1 dan bernilai lebih besar daripada eigenvalue fungsi 2 dan eigenvalue fungsi 3.

Fungsi 1 dan fungsi 2 memiliki nilai signifikansi < 0,05 yang berarti keduanya bernilai signifikan,
sedangkan fungsi 3 memiliki nilai signifikansi > 0,05 yang berarti tidak signifikan. untuk
interpretasi selanjutnya hanya menggunakan fungsi 1 saja karena memiliki besar keragaman dan
eigenvalue yang lebih besar, juga nilainya yang signifikan.

43
Berdasarkan output bobot kanonikal diatas, urutan kontribusi pada fungsi 1 dari yang terbesar
menuju terkecil terhadap variabel independen, yaitu:

1. Minat (X3)
2. Sikap (X2)
3. Motivasi (X1)

Berdasarkan output bobot kanonik di atas, melihat pada fungsi 1 urutan kontribusi dari terbesar
sampai terkecil terhadap peubah tak bebas kanonik adalah

1. Biologi (Y4)
2. Kimia (Y2)
3. Matematika (Y1)
4. Fisika (Y3)

44
Output di atas menunjukkan muatan kanonik peubah bebas. Melihat pada fungsi pertama muatan
kanonik peubah bebas yang mempunyai korelasi paling kuat yaitu Minat (X3) dengan nilai korelasi
sebesar 0,99729.

Output di atas menunjukkan muatan kanonik peubah tak bebas. Melihat pada fungsi pertama
muatan kanonik peubah tak bebas yang mempunyai korelasi paling kuat yaitu Biologi (Y4) dengan
nilai korelasi sebesar 0,96820.

Output di atas menunjukkan muatan silang kanonik peubah bebas. Melihat pada fungsi pertama
muatan silang kanonik peubah bebas yang mempunyai korelasi paling kuat yaitu Minat (X3)
dengan nilai korelasi sebesar 0,8314.
45
Output di atas menunjukkan muatan silang kanonik peubah tak bebas. Melihat pada fungsi pertama
muatan silang kanonik peubah tak bebas yang mempunyai korelasi paling kuat yaitu Biologi (Y2)
dengan nilai korelasi sebesar 0,5718.

46
47