ANCOVA SEDERHANA

Ancova dilakukan berdasarkan pertimbangan bahwa dalam kenyataannya

ada peubah tertentu yang tidak dapat dikendalikan, tetapi sangat mempengaruhi
atau sangat berkorelasi dengan peubah terikat yang diamati. Peubah yang
demikian disebut Covariats.
Covariats dalam ancova perlu dipilih dengan hati-hati agar penggunaan
peubah penggiring tersebut sesuai dengan tujuannya untuk mengurangi
keragaman perlakuan.
Ancova adalah perluasan dari anova dimana main effects dan interaksi
antara variable bebas diselidiki setelah score pada variable terikat atau variable
criterion di “adjust” untuk perbedaan-perbedaan yang disebabkan oleh satu atau
lebih Covariats.
Permasalahan pada Anava sama dengan Ancova, yaitu : adakah
perbedaan mean-mean dari DV (Dependent Variable) yang sudah diadjust
diantara kelompok-kelompok yang diteliti.
Misalkan ada penelitian yang melibatkan kelompok yang diberi perlakuan
dan kelompok tanpa perlakuan atau merupakan kelompok yang dijadikan kontrol.
Kedua kelompok diberikan pre test ( tes awal), kemudian setelah diberikan
perlakuan diberikan lagi post tes, lalu antara hasil pre test dan post test
dilakukan uji untuk melihat apakah ada perbedaan antara kedua kelompok.

Ada 3 tujuan dalam pemakaian Ancova, yaitu :

1. Menaikkan tingkat kepekaan uji dari main effeks dan interaksi dengan
memperkecil error, artinya error akan di adjust dengan harapan akan
memperkecil hubungan antara DV dengan covariats.
2. Meng-adjust mean-mean pada DV itu sendiri, kepada nilai yang
seharusnya, artinya semua subjek-subjek dinilai secara sama ( equally)
pada covariats-covariats.

1
 3. Terjadi pada manova dimana peneliti menyelidiki satu DV setelah DV yang
lain di adjust dan diperlakukan sebagai covariats.

Dalam eksperimental setting, Ancova menaikkan power dari F test untuk

main effek atau interaksi dengan memindahkan variance yang diduga berkaitan
dengan covariats dari error-error. Dengan kata lain covariat digunakan untuk
menyelidiki gangguan di dalam DV yang didapat dari menaksir score yang ada di
covariat ( mis tes IQ, pretest, dsb). Salah satu cara untuk menghindari effek dari
perbedaan individual adalah meng-adjust nya secara statistic. Perbedaan
individual diukur sebagai covariat, dan Ancova digunakan untuk membuat peng-
adjust-an.
Sebetulnya Ancova mirip dengan Anova within-subjects (repeated
measures), dimana perbedaan individual diantara subjek-subjek ditaksir dari
konsistensi di dalam subjek-subjek terhadap perlakuan, kemudian varians yang
berkaitan dengan perbedaan individual dibuang dari error term.
Contoh : misalnya ada eksperimen yang akan meneliti metode-metode
yang dapat meningkatkan kemampuan pada pelajaran matematika. Siswa yang
ikut pelajaran matematika diambil secara random sebagai sample, lalu dibuat
tiga macam perlakuan. A = Metode induksi, B = Metode deduksi, C = tanpa
metode khusus sebagai control. Sebelum diberi perlakuan diberikan suatu test
yang mengukur tingkat kemampuan pada pelajaran matematika ( pre test ) dan
test ini dipakai sebagai covariat. Setelah itu baru diberikan perlakukan kepada
ketiga gup diatas sesuai dengan metode yang telah ditentukan. Kemudian
diberikan lagi test ( post test) untuk mengukur tingkat kemampuan pada
pelajaran matematika, test ini dipakai sebagai DV. Tetapi uji untuk melihat
apakah ada perbedaan antara ketiga perlakuan tadi harus memperhitungkan
covariat, disinilah ancova terpakai. Kalau tadi ada disebut main effect, maka
pada contoh di atas main effectnya adalah perlakuan-perlakuan. Jadi apakah
perlakuan-perlakuan tersebut memang mempengaruhi kemampuan siswa pada
pelajaran matematika? Pertanyaan ini menyangkut hal interaksi antara IV
(Independent Variable).

2
Berikut rumus dan contoh dalam Ancova untuk menguji perbedaan rata-rata Y
(variable criterion) antar kelompok (bisa dua atau lebih) dengan mengontrol
pengaruh X,

Misalkan Eksperimen 3 kelompok, desain sbb :

A1 A2 A3
X11 Y11 X21 Y21 X31 Y31
X12 Y12 X22 Y22 X32 Y32
X13 Y13 X23 Y23 X33 Y33
. . .
. . .
. . .
X1n1 Y1n1 X2n1 Y2n1 X3n1 Y3n1

Yang dikontrol dengan menggunakan model regresi sederhana : y i = β1 xi1 + ε1

(untuk Xnya satu) disebut ancova sederhana.Jika X ada 3 dengan regresi
multipel : yi = β1 x1 + β2 xi2 + β3 xi3 + εi

Rumus dasar Ancova pada prinsipnya sama dengan Anava, perbedaannya

adalah jika pada Anava hanya dikenal JK, maka pada Ancova selain JK dikenal
JP ( Jumlah Perkalian), dimana JP memenuhi persamaan:
JP(T) = JP(A) + JP(D)

Sumber varians dalam Ancova adalah Total, Dalam, dan Antar dengan
menghitung JK dan JP untuk berbagai hal. Dalam Ancova ada JK y, JKx dan JP,
dengan rumus,sbb:
1. JKy
Y  2

Y
T
JKy (T) = T
2

nT
a Y  } 2

JKy (D) = { Y

i 1
i
2

ni
i

3
 ( Yi ) 2 ( Yt ) 2
a
JK y (A)   {  }
i 1 n i n t
2. JKx
 X  2

JKx (T) = X 2
T 
nT
T

a  X  } 2

JKx (D) = { X

i 1
2
i 
ni
i

a ( X i ) 2 ( X t ) 2
JK x (A)   {  }
i1 ni nt

3. JP

( X t )( Yt )
JP(T) = X Y t t 
nt

( X i )( Yi )
  X Y
a
JP(D) = i i  
i 1 i ni

  i  i 
a ( X ) ( Y) ( X t ) ( Yt )
JP(A)  
i 1 ni nt

Selanjutnya akan dihitung JKy terkoreksi yang biasa juga disebut JKy residu,
untuk keperluan ini terlebih dahulu dihitung koefisien regresi Y atas X yang diberi
simbol ŷ = bx. Selanjutnya dengan menghitung JK reg untuk berbagai sumber
varians:

JP(T)
bxy(T) = , maka JK reg (T)  b xy (T) JP(T)
JK x (T)

JP(D)
bxy(D) = , maka JK reg (D)  b xy (D) JP(D)
JK x (D)

JP(A)
bxy(A) = , maka JK reg (A)  b xy (A) JP(A)
JK x (A)

Selanjutnya menghitung JKy residu untuk masing-masing sumber varians:

4
JKy res (T) = JKy (T) – JKreg (T)

JKy res (D) = JKy (D) – JKreg (D)

JKy res (A) = JKy (A) – JKreg (A)

Menentukan db :

db (T) = nt – m -1
db (D) = nt – m -a
db (A) = a -1
m = banyaknya cacah kovariabel (Covariats)
a = banyak kelompok

Rata-rata Jumlah Kuadrat masing-masing jumlah varians diperoleh dengan membagi JK y

residu dengan db masing-masing.

Nilai Fo diperoleh dengan rumus :

RJK(A)
Fo = RJK(D)

JK y res (A)
Dimana RJK(A) 
db(A)

JK y res (D)
RJK(D) 
db(D)

5
Contoh Soal:
Y= Hasil Belajar Matematika
X= Intelegensi

A1 A2 A3
X Y XY X Y XY X Y XY
8 10 80 7 7 49 4 5 20
7 10 70 6 7 42 3 5 15
7 9 63 6 7 42 3 4 12
8 9 72 6 6 36 4 4 16
6 9 54 5 6 30 3 4 12
6 8 48 4 6 24 2 4 8
6 8 48 5 6 30 3 4 12
5 8 40 5 3 15 2 3 6
6 7 42 4 3 12 2 3 6 Total
5 7 35 4 3 12 1 3 3 X Y
n 10 10 10 10 10 10 30 30
 64
Y 85 52 60 27 39 143 184
 Y 2 420 733 280 366 81 157 781 1256
 y 2 10,4 10,5 9,6 6 8,1 4,9
6,4 8,5 5,2 6 2,7 3,9
990

552 318 110

1. Menghitung JKy
 Y
 
2

JKy (T) = Y 2
T
nT
T

= 1256 – (1842:30)
= 127,467
a
JKy (D) =  ( Yi 
2   Yi 
2

)
i 1 ni
= 10,5 + 6 + 4,9
= 21,4

6
 a

 (Y ) i
2
( Yt ) 2
JK y (A)  
i 1
ni nt
= ((85 :10)+( 60 :10)+( 392:10)) -(1842:30)
2 2

= 106,067

2. Menghitung JKx

 X
 
2

JKx (T) = X nT
2
T
T

2
= 781 – (143 : 30 )
= 99,367

a  X
 
2

JKx (D) =  ( X
i 1
2
i
ni
i
)

= 10,4 + 9,6 + 8,1

= 28,1
a

 (X ) ( X t ) 2 i
2

JK x (A)  
i 1
ni nt
= ((64 :10)+( 52 :10)+( 272:10)) -(1432:30)
2 2

= 71,267

3. Menghitung JP

( X t )( Yt )
JP(T) = X Y t t 
nt
= 980 – [(184 x 143) : 30]
= 102,933

( X i )( Yi )
  X Y
a
JP(D) = i i  
i 1 i ni
64x85 52x60 27x39
= [552- ] + [318- ] + [110- ]
10 10 10
= 18,7

7
   i  i 
a ( X ) ( Y) ( X t ) ( Yt )
JP(A)  
i 1 ni nt
64x85 52x60 27x39 184x143
={ + + }-
10 10 10 30
= 84,233

4. Menghitung koefisien Regresi bxy

JP(T) 102,933
b xy (T)    1,036
JK x (T) 99,367

JP(D) 18,7
b xy (D)    0,665
JK x (D) 28,1

JP(A) 84,233
b xy (A)    1,182
JK x (A) 71,267

5. Menghitung JKreg

JK reg (T)  b xy (T) JP(T)  1,036 x 102,933  106,639

JK reg (D)  b xy (D) JP(D)  0,665 x 18,7  12,436

JK reg (A)  b xy (A) JP(A)  1,182 x 84,233  99,563 =JKres(T)-JKres(D)

6. Menghitung JKy residu

JKy res (T) = JKy (T) – JKreg (T) = 127,467 – 106,639 = 20,828

JKy res (D) = JKy (D) – JKreg (D) = 21,4 – 12,436 = 8,965

JKy res (A) = JKy (A) – JKreg (A) = 106,067 - 99,563 = 6,504

7. Menghitung db
db (T) = nt – m -1 = 30-1-1 = 28
db (D) = nt – m –a = 30 – 1 – 3 = 26
db (A) = a -1 = 3 -1 = 2

8. Menghitung RJK

8
 JK y res (D)
RJK(D) 
db(D)
8,965
  0,345
26
JK y res (A)
RJK(A) 
db(A)
6,504
  3,252
2

9. Menghitung nilai F0

RJK(A)
F0 = RJK(D)

3,252
  9,43
0,345
Ft ( 0,05; 2 )
 3,37
26

Ft ( 0, 01; 2 )
 5,53
26

Fh > Ft , H0 ditolak, dengan demikian terdapat perbedaan rata-rata maka perlu dilakukan
uji lanjut

10. Tabel Sumber Varians :

Sumber db JP JKyres RJK Fhitung Ftabel

Varians (s2) 0,05 0,01
Kelompok (A) 2 84,233 6,504 3,252 9,43

Dalam (D) 26 18,7 8,965 0,345 -

3,37 5,53
Total (T) 28 102,933 - - -

Kemungkinan Hipotesis statistik:

H0 : µ1 = µ2 = µ3
H1 : 1. µ1 = µ2 > µ3
2. µ1 > µ2 = µ3

9
 3. µ1 > µ2 > µ3
4. µ1 = µ2
µ1 > µ3

Rumus Umum Uji t:

Y res(i)  Y res(j)
(Ai dan Aj) maka t0 = 1 1
RJK(D)[  ]
ni nj

Sebelum Pengujian hipotesis, menentukan Y res :

Y res(i)  Y  b xy (D)(X i  X t )

Y res(1)  Y  b xy (D)(X i  X t )
 8,5  0,665(6,4  4,767)
 7,414

Y res(2)  Y  b xy (D)( X i  X t
 6  0,065(5,2  4,767)
 5,712
Y res(3)  Y  b xy (D)(X i  X t )
 3,9  0,665(2,7  4,767)
 5,275

Pengujian :

Y res(i)  Y res(j)
Ai dan Aj maka t0 = 1 1
RJK ( D )(  )
ni n j

1. µ1 dan µ2

10
 Y res(i)  Y res(j)
t0 = 1 1
RJK ( D )(  )
ni n j
7,414  5,712

1 1
(0,345)(  )
10 10
 6,48**

t t(α0,05;26)  1,706

Karena t0 > tt , maka signifikan

2. µ2 dan µ3
Y res(i)  Y res(j)
t0 = 1 1
RJK ( D )(  )
ni n j
5,712 - 5,275

1 1
(0,345)(  )
10 10
 1,66 ns

t t(α0,05;26)  1,706

Karena t0 < tt , maka tidak signifikan

Dengan demikian dapat diambil kesimpulan: hipotesis yang diterima µ1 > µ2 = µ3

11