Uji Manova

Manova adalah uji statistik yang digunakan untuk mengukur pengaruh variabel independen yang
berskala kategorik terhadap beberapa variabel dependen sekaligus yang berskala data kuantitatif.
Analisis ini dsiebut juga dengan istilah multivariat anova.

Multivariat anova merupakan singkatan dari multivariate analysis of variance, artinya merupakan
bentuk multivariate dari analysis of variance (ANOVA). Bentuk multivariate maksudnya adalah
terdapat lebih dari satu variabel terikat.

Sehingga uji manova digunakan untuk mengukur pengaruh variabel independen terhadap
beberapa variabel dependen secara simultan atau sekaligus.

Uji ini mirip sekali dengan uji Hotelling’s T2. Letak perbedaannya adalah jika uji hotelling’s T2
digunakan apabila hanya terdapat 1 variabel independen dengan 2 kategori saja. Sedangkan
multivariat anova dapat digunakan pada lebih dari 1 variabel independen dan/atau kategori dua
atau lebih.

Jadi apabila dibuat kesimpulan:

Uji ini adalah bentuk multivariat dari ANOVA, sedangkan Hotelling’s T2 adalah bentuk
multivariat dari independen t test. Berikut Gambarannya:

Uji Multivariat Anova

Multivariat anova dapat dikatakan kebalikan dari analisis diskriminan, karena pada analisis
diskriminan variabel dependen yang berskala kategorik dan variabel independen yang berskala
kuantitatif. Kedua uji ini mempunyai kesamaan dalam cara menentukan nilai variate dan menguji
signifikansi statistic antar kelompok.

Keunggulannya adalah mampu digunakan untuk menganalisis pengaruh setiap variabel

independen yang berskala kategorik terhadap masing-masing variabel dependen secara terpisah,
di mana variabel dependen berskala kuantitatif.

Dalam penggunaannya, membutuhkan asumsi, yaitu ukuran sampel yang lebih besar dari pada
univariat ANOVA, di mana dalam manova ada batasan khusus dalam setiap sel (kelompok),
minimal sebanyak 20 observasi. Dan jumlah sampel di setiap sel harus lebih besar dari jumlah
variabel dependen.
Tutorial Uji Manova dalam SPSS
Uji Manova adalah Uji Multivariat Analisis Jalur atau disebut juga Multivariat Analysis Of
Variance. Manova hampir sama dengan One Way Anova, letak perbedaannya adalah pada
jumlah variabel dependen atau variabel terikat yang diuji di dalam model. Kalau One Way
Anova, hanya ada 1 variabel dependen, sedangkan pada Manova ada lebih dari 1 variabel
dependen.

Agar anda lebih memahami apa itu Uji Manova, alangkah lebih baiknya anda mempelajari
artikel kami sebelumnya yang membahas tentang ANOVA, antara lain:

1. One Way Anova dalam SPSS

2. One Way Anova dalam Excel
3. Two Way Anova dalam SPSS
4. Two Way Anova dalam Excel
5. Two Way Anova Tanpa Replikasi dalam Excel
6. Uji Ancova Dalam SPSS

Setelah anda mempelajari artikel-artikel di atas, kami yakin anda akan memahami apa yang
disebut dengan Manova.

Tutorial Uji Manova dengan SPSS

Langsung saja kita mulai bahasan bagaimana melakukan Uji Manova Dalam SPSS.

Agar lebih mudah bagi anda, silahkan download terlebih dahulu file kerja uji ini di
Mediafire: Manova.sav

Contoh Uji Manova dengan SPSS

Contoh: Kita akan melakukan penelitian yang berjudul “Pengaruh Pekerjaan Orang Tua
Terhadap Nilai Ujian Matematika, Fisika dan Biologi Siswa Kelas 6 SD A”.

Perhatikan judul penelitian di atas, semuanya ada 4 variabel yang diteliti:

1. Pekerjaan Orang Tua

2. Nilai Ujian Matematika
3. Nilai Ujian Fisika
4. Nilai Ujian Biologi

Pekerjaan merupakan variabel independen, yang bertipe kategorik atau skala data nominal atau
kualitatif. Terdiri dari 3 kategori: Tani, Buruh dan PNS.

Nilai Ujian semuanya variabel dependen yang bertipe numerik atau kuantitatif atau skala data
interval/Rasio.
Berdasar contoh di atas, maka jelas harus anda pahami kembali bahwa uji Manova harus terdiri
dari 1 variabel independen berskala kualtitatif dan lebih dari 1 variabel dependen berskala data
kuantitatif berdistribusi normal.

(Pelajari juga tentang skala data dan Transformasi Data).

Dataset Manova

Langkah Uji Manova

Membuat Dataset Uji Manova dengan SPSS

Buatlah hasil penelitian pada 4 variabel ke dalam bentuk data sebagai berikut:

Keterangan:

Pekerjaan: 1= Tani, 2=Buruh dan 3=PNS

Buka SPSS dan Buat 4 variabel seperti di atas.

1. Pekerjaan: Type Numeric, Decimals 0, Label Pekerjaan, Measure Nominal. Value: 1= Tani,
2=Buruh dan 3=PNS.
2. Matematika: Type Numeric, Decimals 0, Label Pekerjaan, Measure Scale.
3. Fisika: Type Numeric, Decimals 0, Label Pekerjaan, Measure Scale.
4. Biologi: Type Numeric, Decimals 0, Label Pekerjaan, Measure Scale.

Kopi paste data dalam tabel di atas: Pekerjaan, Matematika, Fisika dan Biologi.
Tahap Analisis Manova dengan SPSS

Langkah berikutnya adalah: pada menu di SPSS, klik Analyze, General Linear Model,
Multivariate:

Lihat Tabel di bawah ini: Lalu masukkan variabel Matematika, Fisika dan Biologi ke kotak
“Dependent Variables”. Masukkan Variabel Pekerjaan ke dalam kotak Fixed Factor (s).

Klik Tombol Model. Anda bisa menggunakan nilai bawaan (default) yaitu Full Factorial atau
menggunakan nilai Custom, yaitu dengan memilih Custom dan memasukkan Pekerjaan ke dalam
kotak Model dan mengubah Type ke Main Effects.
Tahap Analisis Post Hoc Setelah Manova

Klik Continue.

Klik Tombol Post Hoc. Maka akan muncul jendela seperti di bawah ini: Lalu masukkan Factor
Pekerjaan ke kotak Post Hoc Test For, pada Equal Variances Assumed centang Bonferroni
dan pada Equal Variances Not Assumed centang Games-Howell. (Ingat artikel sebelumnya,
bahwa uji Bonferroni dipakai untuk membedakan kategori mana yang berbeda pada variabel
independen apabila hasil uji homogenitas test pada Levene’s Test menunjukkan memiliki varians
yang berbeda dengan nilai sig. > 0,05. Sedangkan Games-Howell dipakai apabila sig. <0,05).

Klik Continue

Kemudian anda tekan tombol options. Lalu masukkan factor Pekerjaan ke dalam kotak Display
Means for. Pada display, centang Descriptive Statistics, Observed Power dan Homogenty Tests.
Dan biarkan Significance Level 0,05.
Klik Continue dan Lihat hasilnya pada jendela Output.

Tutorial Interprestasi Uji Manova

Langsung saja kita mulai cara membaca output tersebut. Setelah anda melakukan semua tahapan
dalam artikel sebelumnya, maka akan muncul jendela output sebagai berikut: (Anda juga bisa
mendownload Output dalam uji coba ini di link berikut: Manova.spv).

Tabel Deskriptive

Output Tabel Deksriptive interprestasi Uji Manova

Tabel di atas, menunjukkan hasil uji deskriptif. Contoh dari tabel di atas: Responden dengan
Pekerjaan Tani, rata-rata (mean) nilai matematika sebesar 46,64 dan jumlahnya ada 11 orang.
Sedangkan Buruh rata-rata nilai fisika sebesar 76,67 dan jumlahnya 9 orang, begitu pula yang
lain cara membacanya sama. Agar lebih jelas, baca artikel kami yang berjudul “Analisis
Deskriptif dengan Excel“.

Output Multivariat ANOVA (MANOVA)

Output interprestasi Uji Manova

Seperti biasa untuk hasil uji F, kita mengabaikan bagian yang diberi label “Intercept.” Pada baris
yang di bawah pada tabel di atas menunjukkan 4 nomor memberikan nilai P value untuk empat
uji multivariat yang berbeda.

Hasil tersebut memberitahukan pada kita jika ada pengaruh yang signifikan dari variabel
independen pada semua variabel dependen. Jika Anda ditanya “Secara keseluruhan, apakah ada
pengaruh yang signifikan dari variabel independen pada satu set kelompok variabel dependen”,
“maka Anda akan menjalankan MANOVA dan melihat hasil uji multivariat ini sebagai
kesimpulan Anda”. “Artinya, jika 4 nilai p-value menunjukkan <0,05, maka signifikan pada level
kepercayaan 95%”.

Ingat bahwa berdasar tabel di atas, tidak ada satu uji multivariat tunggal, yang ada adalah empat
jenis uji yang berbeda.

Tabel Uji Asumsi Levene Test Pada MANOVA

Tabel di atas, menunjukkan hasil uji homogenitas yaitu uji Levene. Dikatakan semua variabel
memiliki varian yang sama apabila nilai sig. > 0,05. Nilai ini nantinya akan mempengaruhi
pilihan uji Post Hoc apa yang digunakan. Apabila Sig. >0,05 maka uji Post Hoc menggunakan
Uji Benferroni, sedangkan jika <0,05 maka menggunakan Games-Howell. Hasil di atas
menunjukkan semua variabel dependen memiliki varian yang sama sebab Sig. >0,05 sehingga uji
Post Hoc yang digunakan nantinya adalah Benferroni.
Output Uji MANOVA

Interprestasi Output Uji MANOVA

Tabel di atas menunjukkan nilai uji Manova. Seperti biasanya pada uji F, anda akan disuguhkan
dengan beberapa nilai: Corrected Model, Intercept, Pekerjaan, Error dan Total. Dalam bahasan
kali ini, kami menganggap semua pembaca telah membaca artikel-artikel sebelumnya, sehingga
memahami maksud dari nilai-nilai tersebut.

Output Univariat ANOVA di Dalam MANOVA

Langsung saja kita lihat baris “Pekerjaan” pada tabel di atas. Pada baris tersebut ada 3 baris lagi,
yaitu “Matematika”, “Fisika” dan “Biologi”. Maksud dari hal tersebut adalah tiap baris
menunjukkan hasil uji pengaruh satu variabel independen yaitu pekerjaan terhadap masing-
masing variabel dependen. Dari hasil di atas, lihat nilai pada kolom “Sig.”. Dikatakan Signifikan
apabila nilai Sig. < 0,05.

Contoh di atas ketiga nilai menunjukkan 0,000 di mana <0,05, sehingga kesimpulan dan jawaban
hipotesis adalah:

 Pekerjaan secara bermakna mempengaruhi nilai ujian matematika dengan P Value 0,000 yang
artinya H0 Ditolak atau H1 Diterima.
 Pekerjaan secara bermakna mempengaruhi nilai ujian Fisika dengan P Value 0,000 yang artinya
H0 Ditolak atau H1 Diterima.
 Pekerjaan secara bermakna mempengaruhi nilai ujian Biologi dengan P Value 0,000 yang artinya
H0 Ditolak atau H1 Diterima.
Output Uji Post Hoc Setelah MANOVA

Post Hoc MANOVA

Tabel di atas menunjukkan hasil Uji Post Hoc. Karena nilai uji homogenitas menunjukkan Sig.
>0,05 pada semua variabel, maka masing-masing pengaruh variabel independen terhadap
variabel dependen menggunakan uji Benferroni.

Dikatakan ada perbedaan variabel dependen yaitu nilai ujian berdasarkan variabel independen
yaitu Pekerjaan apabila memiliki tanda bintang.

Kesimpulan Interprestasi Uji MANOVA

Dalam Contoh di atas dapat disimpulkan sebagai berikut:

 Untuk perbedaan nilai ujian matematika berdasarkan pekerjaan, yang memiliki perbedaan
adalah Tani dengan Buruh dan Tani dengan PNS.
 Untuk perbedaan nilai ujian fisika berdasarkan pekerjaan, yang memiliki perbedaan adalah Tani
dengan Buruh dan Tani dengan PNS.
 Untuk perbedaan nilai ujian biologi berdasarkan pekerjaan, yang memiliki perbedaan adalah
Tani dengan Buruh, Tani dengan PNS dan Buruh dengan PNS.
Teknik Analisis Manova
Posted by aliwear ⋅ 5 Januari 2016

MANOVA adalah salah satu analisis multivariat dan juga merupakan perluasan dari univariat
yang dapat digunakan untuk memeriksa secara simultan hubungan antara beberapa variabel
bebas dengan skala pengukuran nominal atau ordinal dan dinyatakan sebagai perlakuan dengan
dua atau lebih variabel tak bebas yang mempunyai skala pengukuran interval atau rasio dan
dinyatakan sebagai variabel independen. Jika pada ANOVA akan diuji apakah terdapat
perbedaan yang nyata pada satu variabel dependen terhadap beberapa variabel independen, maka
pada MANOVA akan diuji apakah terdapat perbedaan yang nyata pada beberapa variabel
dependen terhadap lebih dari satu variabel independen (Hair, LE., Anderson, R.E., Tatham, R.L.,
Black, W.C., 1998). Berikut akan di runtut langkah-langkah teknik analisis dengan MANOVA
secara umum.

Judul

PENGARUH VARIBEL B TERHADAP VARIABEL A1 DAN A2

Jika B adalah variabel bebas yang terdiri dari B1 dan B2 dan A adalah variabel terikat yang
terdiri dari A1 dan A2

A.Rumusan Masalah

1. Apakah terdapat pengaruh B terhadap A1 dan A2 secara multivariat?

2. Apakah terdapat pengaruh B terhadap A1 ?
3. Apakah terdapat pengaruh B terhadap A2?

B.Tujuan Penelitian

Untuk mengetahui:

1. Pengaruh B terhadap A1 dan A2 secara multivariat.

2. Pengaruh B terhadap A1.
3. Pengaruh B terhadap A2.

C.Hipotesis Penelitian

1. Terdapat pengaruh yang signifikan B terhadap A1 dan A2 secara multivariat.

2. Terdapat pengaruh yang signifikan B terhadap A1.
3. Terdapat pengaruh yang signifikan B terhadap A2.

D.Metode Penelitian

Metode penelitian yang digunakan dalam penelitian ini adalah metode eksperimen semu (quasi
eksperimen).
E.Desain Penelitian

Desain eksperimen menggunakan desain nonequivalent contorol group (Tuckman, 1999). Faktor
kolom adalah A1 dibandingkan dengan A2. Faktor baris adalah B1 dibandingkan dengan B2.

A₁ A₂

YA₁B₁
B₁ YA₂B₁
B₂ YA₁B₂
YA₂B₂

F.Teknik Analisis

1.Uji Persyaratan Analisis Data yang terdiri dari:

a.Uji Normalitas Data

Uji normalitas data dilakukan untuk mengetahui apakah distribusi sebuah data mengikuti atau
mendekati distribusi normal, yakni distribusi data dengan bentuk lonceng (bell shaped). Data
yang baik adalah data yang mempunyai pola seperti distibusi normal, yakni distribusi data
tersebut tidak menceng ke kiri atau ke kanan.

Secara individu (masing-masing), untuk menguji normalitas data skor tes kemampun komunikasi
dan pemecahan masalah matematis menggunakan uji normalitas Lilliefors (uji kecocokan
Kolmogorov-Smirnov) yang diolah dengan software SPSS 22.0 Statistics. Dengan kriteria
Asymp. Sig. (2-tailed) > 0,05 data berdistibusi normal.

One-Sample Kolmogorov-Smirnov Test

Variable
N

Mean
a,b
Normal Parameters
Std. Deviation

Absolute

Most Extreme Differences Positive

Negative
Test Statistic

Asymp. Sig. (2-tailed)

b.Uji General Linier Model

Uji general linier model adalah uji prasyarat untuk melihat apakah matriks varian-kovarian dari
dependent variabel sama untuk grup-grup yang ada (independet). Uji General Linier Model
menggunakan uji Box’s Test. Uji Box’s Tets merupakan kehomogenan matriks varians-kovarians
secara multivariat dan juga merupakan uji normalitas multivariat yaitu pengujian kesamaan
varians-kovarians pada kedua variabel terikat secara bersama-sama Statistik uji yang digunakan
untuk mengetahui kehomogenan matriks varian-kovarians dalam analisis multivariat adalah uji
statistik Box-s M. Dengan kriteria Sig. > 0,05, maka pengujian dilanjutkan.

Box’s Test of Equality of Covariance

Matricesa
Box’s M

df1

df2

Sig.

Sedangkan untuk menguji kehomogenitasan data multivariate atau uji korelasi antar variabel
terikat ditunjukkan pada angka melalui Uji Bartlett’s Test of Sphericity, dengan kriteria Sig. <
0,05

Bartlett’s Test of
Sphericitya
Likelihood Ratio

Approx. Chi-Square

df

Sig.

c.Uji Kesamaan Matriks-Kovarian

Uji kesamaan matriks kovarian merupakan pengujian kesamaan varians- kovarian pada kedua
variabel terikat secara sendiri-sendiri. Pengujian ini merupakan uji univariat F melalui uji varian
error yang menggunakan angka-angka Levene’s Test of Equality of Error Variance

Levene’s Test of Equality of Error Variancesa

F df1 df2 Sig.

A1

A2

2. Teknik Analisis Pengujian Hipotesis

Statistik pengujian yang digunakan pada MANOVA adalah Uji Signifikasi Multivariat
(Multivarite Tests) yaitu pengujian pengaruh variabel bebas terhadapa variabel terikat secara
multivariat dan Uji Signifikasi Univariat (Tests of Between Subjects-Effect) yaitu uji univariate F
yaitu pengujian secara sendiri-sendiri

a.Uji Signifikasi Multivariat (Multivariate Test)

Uji signifikasi multivariat untuk mengetahui adanya perbedaan centroid dua kelompok atau lebih
yang dapat dievaluasi dengan berbagai kriteria uji statistik. Statistik uji yang digunakan yaitu uji
Pillai’s Trace, Wilks’ Lambda, Hotelling’s Trace, Roy’s Largest Root yang diolah dengan
software SPSS.

Hipotesis yang diujikan

Terdapat pengaruh yang tidak signifikan B terhadap A1 dan

H₀ :
A2 secara multivariat.

Terdapat pengaruh yang signifikan B terhadap A1 dan

H₁ :
A2 secara multivariat.

Kriteria Pengujian

Kriteria menggunakn angka signifikasi berikut:

Jika angka signifikasi (Sig) > 0,05, maka H₀ diterima

Jika angka signifikasi (Sig) < 0,05, maka H₀ ditolak

 Multivariate Testsa
Partial
Hypothesis Error
Effect Value F Sig. Eta
df df
Squared

Pillai’s Trace

Wilks’ Lambda

B Hotelling’s Trace

Roy’s Largest
Root

a. Design: Intercept + Metode

b. Exact statistic

b.Uji Signifikasi Univariat (Tests of Between-Subject Effects)

Uji signfikasi univariat dignakan untuk mengetahui variabel mana yang menyebabkan terjadinya
perbedaan rata-rata dua kelompok melalui uji univariat F. Uji univariat F ini dihitung untuk
setiap variabel terikat secara terpisah setelah variabel bebas yang lain dianggap tetap.

Hipotesis yang di ujikan untuk variabel terikat A1

H₀ : Terdapat pengaruh yang tidak signifikan B terhadap A1

H₁ : Terdapat pengaruh yang signifikan B terhadap A1

Hipotesis yang di ujikan untuk variabel terikat A2

H₀ : Terdapat pengaruh yang tidak signifikan B terhadap A2

H₁ : Terdapat pengaruh yang signifikan B terhadap A2

Kriteria Pengujian

Kriteria menggunakn angka signifikasi berikut:

Jika angka signifikasi (Sig) > 0,05, maka H₀ diterima

Jika angka signifikasi (Sig) < 0,05, maka H₀ ditolak

Tests of Between-Subjects Effects

Type III Partial

Mean
Source Dependent Variable Sum of df F Sig. Eta
Square
Squares Squared

A1
Corrected
Model
A2

A1
Intercept
A2

A1
B
A2

A1
Error
A2

A1
Total
A2

A1
Corrected
Total
A2

a. R Squared = ,028 (Adjusted R Squared = ,021)

b. R Squared = ,009 (Adjusted R Squared = ,002)

Selamat melakukan penelitian semoga bermanfaat

 MULTIVARIATE ANALYSIS OF VARIANCE (MANOVA)

MANOVA merupakan multivariat perluasan dari konsep dan teknik univariate ANOVA
yang digunakan untuk menganalisis perbedaan antara rata-rata (mean) kelompok. Perbedaan
antara ANOVA dengan MANOVA yaitu ANOVA (Analysis of Variance) adalah bagian dari
prosedur satistika yang digunakan untuk menganalisis perbedaan mean dari beberapa populasi
dengan menggunakan data yang diperoleh yang diambil dari populasi yang diamati. Pengujian
ANOVA hanya melibatkan satu variabel dependen metrik dengan variabel independen non
metrik. Sedangkan MANOVA menguji dua atau lebih variabel dependen metrik dengan variabel
independen non metrik.

ANOVA

(metric) (Non Metric)

MANOVA

(metric) (Non Metric)

Pada kasus univariat, ukuran variabel dependen tunggal diuji untuk kesamaan diantara
kelompok. Di analisis MANOVA, peneliti sebenarnya mempunyai dua variate, satu untuk
variabel dependen dan yang lain variabel independen. Variabel-variabel dependen lebih menarik
karena ukuran dependen metrik dapat dikombinasikan pada satu kombinasi linier, seperti pada
regresi berganda dan analisis diskriminan. Aspek unik dari MANOVA adalah variate secara
optimal mengkombinasikan ukuran multiple dependen ke dalam nilai tunggal yang
memaksimalkan perbedaan antar kelompok.

Prosedur Univariate
• t test
– Untuk menguji perbedaan antara dua kelompok
– t-statistik merupakan rasio dari perbedaan antara mean sampel (u1 – u2) terhadap standar
errornya. Standar error merupakan estimasi perbedaan antara mean yang diharapkan karena
kesalahan sampel, bukan perbedaan sesungguhnya antara mean.
– Jika nilai absolut t lebih besar dari nilai kritis t, maka kita dapat menolak Ho yang mengatakan
tidak ada perbedaan. Hal ini berarti perbedaan aktual secara statistik lebih besar dari perbedaan
yang diharapkan dari kesalahan sampel.
• Analysis of Variance (ANOVA)
– Untuk menguji perbedaan antara tiga kelompok atau lebih terhadap dua atau lebih variabel
independen menggunakan uji F
– ANOVA digunakan untuk menentukan probabilitas bahwa perbedaan dalam mean antar
beberapa kelompok adalah berdasarkan kesalahan sampe.
– Pengujian ANOVA secara langsung membandingkan dua estimasi independen dari
variance untuk variabel dependen. Yang pertama mewakili variabilitas umum dari responden
dalam kelompok (MSW) dan yang lainnya mewakili perbedaan antar kelompok yang mempunyai
pengaruh treatment (MSB).

Prosedur MANOVA
• Jika pada t test dan ANOVA, pengujian hipotesis nol adalah kesamaan mean dari variable
dependen antar kelompok. Pada MANOVA pengujian hipotesis nol adalah kesamaan mean dari
vector multiple variable dependen antar kelompok
• The Two-Group Case: Hotelling's T2 bentuk yang merupakan perluasan khusus dari univariate t
test.Hotelling’s T2 menyediakan pengujian statistik variabel yang dibentuk dari variabel
dependen yang menghasilkan perbedaan kelompok terbesar. Hotelling’s T2 juga digunakan untuk
masalah “inflating” jenis kesalahan I yang timbul ketika membuat serangkaian t test mean
kelompok pada beberapa ukuran dependen. Hal ini mengendalikan inflasi dari jenis kesalahan I
dengan menyediakan pengujian keseluruhan secara tunggal dari perbedaan kelompok diantara
semua variabel dependen pada level a yang ditetapkan.
Hotelling’s T2
C = W1 Y1 +W2 Y2 + ...... + Wi Yi
Dimana :
 C = komposit atau skor variate untuk responden
W i = bobot untuk variabel dependen i
Y i = variabel dependen i
Untuk bobot tertentu, kita harus menghitung skor komposit untuk setiap responden dan
kemudian menghitung t statistik biasa untuk perbedaan antar kelompok atas skor komposit. Kita
dapat menemukan serangkaian bobot yang memberi nilai maksimum untuk t statistik bagi data
ini.
Bobot ini dapat sama dengan fungsi diskriminan antar dua kelompok. Nilai t statistik maksimum
yang dihasilkan dari skor komposit yang dihasilkan oleh fungsi diskriminan di kuadratkan untuk
menghasilkan nilai Hotelling’s T2. Perhitungan formula Hotelling’s T2 mewakili hasil derivasi
matematika yang digunakan untuk menyelesaikan t statistik maksimum (dan secara implisit
diskriminasi kombinasi linear terhadap variabel dependen). Hal ini sama dengan jika kita dapat
menemukan fungsi diskriminan untuk dua kelompok yang menghasilkan T2 yang signifikan,
kedua kelompok dipertimbangkan berbeda diantara mean vektor.
Nilai kritis bagi Hotelling’s T2
p(N1+N2-2)
T2crit = ----------------- x Fcrit
N1+N2- p - 1

The k-Group Case: MANOVA

Manova dapat dianggap sebagai perluasan dari prosedur Hotelling’s T2 dimana kita menemukan
bobot variabel dependen untuk menghasilkan skor variate bagi setiap responden.
Dengan MANOVA kita akan mendapatkan seperangkat bobot yang memaksimumkan nilai F
hitung ANOVA atas skor variate bagi seluruh kelompok. Namun MANOVA juga dianggap
sebagai perluasan dari analisis diskriminan dengan multiple variate ukuran dependen yang dapat
dibentuk jika jumlah kelompok tiga atau lebih. Variate yang pertama disebut fungsi diskriminan,
menspesifikasi seperangkat bobot yang memaksimalkan perbedaan antar kelompok sehingga
akan memaksimumkan nilai.
• Nilai maksimum F sendiri memungkinkan kita untuk menghitung secara langsung apa yang
disebut Roy’s greatest characteristic root (gcr) statistik yang memungkinkan untuk pengujian
statistik atas fungsi diskriminan pertama. Roy’s greatest characteristic root (gcr) statistik dapat
 dihitung sebagai :
Roy’s gcr = ( k – 1 ) Fmax / ( N – k ).
• Untuk mendapatkan pengujian tunggal terhadap hipotesis dari perbedaan yang tidak ada antar
kelompok pada vektor pertama dari skor mean, kita dapat mengacu pada tabel distribusi gcr.
Sama halnya dengan statistik F mengikuti distribusi yang diketahui atas hipotesis nol dari
kesamaan mean kelompok atas variabel dependen tunggal, gcr statistik mengikuti distribusi yang
diketahui atas hipotesis nol dari kesamaan mean vector kelompok (mean kelompok sama dengan
seperangkat ukuran dependen). Perbandingan gcr yang diobservasi dan gcrcrit memberi kita dasar
untuk menolak seluruh hipotesis nol dari kesamaan mean vektor kelompok.
• Fungsi diskriminan selanjutnya adalah orthogonal, yang memaksimalkan perbedaan antar
kelompok berdasarkan varians sisa yang tidak dijelaskan oleh fungsi sebelumnya. Dengan
demikian dalam beberapa hal pengujian untuk perbedaan antar kelompok melibatkan tidak hanya
skor variate pertama tetapi juga seperangkat skor variate yang dievaluasi secara simultan.
Sejumlah pengujian multivariate (Wilks’ lambda, Pillai’s criterion) yang masing-masingnya
tepat untuk situasi terhadap pengujian multiple variate.

Kapan seharusnya menggunakan MANOVA?

• Karena kemampuannya untuk menganalisis beberapa pengukuran dependen secara simultan,
MANOVA memiliki keunggulan:
– Menyediakan Kontrol tingkat kesalahan eksperimen ketika terjadi beberapa derajat inter-korelasi
diantara variabel dependen.
– Menyediakan statistik yang lebih kuat dari ANOVA ketika jumlah variabel dependen 5 atau
kurang.

Tahapan dalam MANOVA :

Tahap 1: Tujuan MANOVA

  Untuk menganalisis hubungan dependensi yang diwakili sebagai perbedaan dalam
seperangkat ukuran dependen lintas seri kelompok yang dibentuk oleh satu atau
lebih ukuran independent kategorial.
 Untuk menyediakan pengertian yang mendalam mengenai sifat dan kekuatan sifat
prediksi dari ukuran independen seperti juga keterkaitan dan perbedaan dalam
ukuran multiple dependen.

Terdapat 3 kategori permasalahan klasifikasi multivariate dilihat dari aspek penerapn

MANOVA, yaitu :
• Multiple Univariate Questions.
Peneliti yang mempelajari pertanyaan-pertanyaan multiple univariate mengidentifikasi
sejumlah variabel dependen secara terpisah yang akan dianalisis secara terpisah tetapi
memerlukan beberapa kontrol terhadap kesalahan eksperimen. Dalam kejadian ini, MANOVA
digunakan untuk menguji apakah perbedaan menyeluruh ditemukan di antara kelompok, dan
kemudian pengujian univariate yang terpisah dilakukan untuk mendapatkan setiap isu untuk
masing-masing variabel dependen.
• Structured Multivariate Questions.
Peneliti berurusan dengan pertanyaan multivariat terstruktur yang dikumpukan dari dua
atau lebih ukuran dependen yang saling memiliki hubungan khusus. Situasi yang umum dalam
kategori ini adalah ukuran yang berulang dimana ada multiple respon dari setiap subyek yang
mungkin selama atau setelah pre test-post test memberikan stimulus, mislanya seperti iklan.
Disini MANOVA menyediakan metode terstruktur untuk menspesifikasi perbandingan
perbedaan antar kelompok terhadap seperangkat ukuran dependen dalam menjaga efisiensi
secara statistik.
• Intrinsically Multivariate Questions.
Pertanyaan ini meliputi sejumlah ukuran dependen dimana mempertimbangkan prinsip
bagaimana mereka berbeda sebagai keseluruhan lintas kelompok. Perbedaan ukuran dependen
secara individual kurang menarik dibandingkan pengaruh kolektif. Keunggulan MANOVA tidak
hanya dapat menguji perbedaan keseluruhan tetapi juga perbedaan antara kombinasi dari ukuran
dependen yang tidak dapat muncul. Jenis pertanyaan ini bisa diselesaikan oleh MANOVA
karena kemampuannya mendeteksi perbedaan multivariate walaupun pengujian univariate
 tunggal tidak menunjukkan perbedaan.

Tahap 2: Disain Riset MANOVA

- Membutuhkan ukuran sampel yang lebih besar dibandingkan univariate ANOVA dan harus
melebihi batasan khusus pada setiap sel (kelompok). Analisis yang direkomendasikan adalah
minimal ukuran sel 20 observasi. Sampel pada setiap sel harus lebih besar dari jumlah variabel
dependen.
- Desain Faktorial – Analisis dengan dua treatment atau lebih.
Pemilihan Treatments, penggunaan yang umum dari disain faktorial meliputi pertanyaan
riset yang berhubungan dengan dua atau lebih variabel independen nonmetrik terhadap
seperangkat variabel dependen. Dalam masalah ini variabel independen dispesifikasikan dalam
desain eksperimen atau termasuk dalam desain eksperimen lapangan atau survey menggunakan
kuesioner. Namun dalam beberapa hal treatment ditambahkan setelah desain analisis.
Treatment tambahan yang sering digunakan adalah blocking factor dimana karakteristik
nonmetrik digunakan post hoc untuk segmentasi responden untuk mendapatkan homogenitas
kelompok yang lebih besar dan mengurangi sumber varians MSW. Dengan demikian
kemampuan uji statistik untuk mengidentifikasi perbedaan dapat ditingkatkan. Sebagai contoh
misalnya pada iklan, sebelumnya laki-laki dianggap akan mempunyai reaksi yang berbeda
dengan perempuan terhadap tampilan iklan dan jika gender ditambahkan sebagai blocking factor,
perbedaan setiap pesan menjadi lebih jelas, sedangkan perbedaan akan menjadi samar jika laki-
laki dan perempuan di asumsikan akan bereaksi dengan berbeda dan tidak terpisah. Pengaruh
jenis pesan dan gender kemudian di evaluasi secara terpisah, menyediakan pengujian yang lebih
tepat terhadap pengaruh individual.

Menggunakan covariate-ANCOVA dan MANCOVA

• ANCOVA
Covariate metrik umumnya dimasukkan dalam desain eksperimental untuk menghilangkan
pengaruh extraneous dari variabel dependen sehingga dapat meningkatkan varian dalam
kelompok (MSW). Hal ini sama dengan mengunakan blocking factor hanya saja variabelnya
metrik. Prosedurnya sama dengan regresi linier yang digunakan untuk menghilangkan variasi
dalam variabel dependen yang berhubungan dengan satu atau lebih covariate, kemudian
 ANOVA konvensional dilakukan pada variabel dependen yang disesuaikan.
• MANCOVA
Merupakan perluasan dari prinsip ANCOVA untuk multivariate analisis (variabel dependen
berganda) yaitu MANCOVA dipandang sebagai MANOVA terhadap regresi residual atau varian
dalam variabel dependen yang tidak dapat dijelaskan oleh covariate

Tujuan dari Covariance Analysis

• Untuk mengeliminasi pengaruh:
– Yang hanya mempengaruhi sebagian responden atau
– Yang bervariasi antar responden
• Sama halnya dalam menggunakan blocking factor, covariates dapat mencapai dua tujuan khusus
yaitu:
– Mengeliminasi beberapa sistematis error diluar kontrol dari peneliti yang dapat membuat
hasilnya menjadi bias, dan
– Mengakomodasi perbedaan respon terkait karakteristik unik dari responden.

Tahap 3: Asumsi ANOVA dan MANOVA

• Untuk prosedur pengujian multivariat menggunakan MANOVA menjadi valid, maka harus
memenuhi 3 asumsi yaitu :
1. Observasi harus independen
2. Matriks varians-kovarians harus sama (atau dapat diperbandingkan) untuk setiap kelompok
treatment.
3. Variabel dependen harus memiliki distribusi normal multivariat.
• Normalitas multivariat dapat diasumsikan tetapi sulit dalam pengujian. Normalitas univariat
tidak menjamin normalitas multivariat, namun jika seluruh variabel memenuhi normalitas
univariat maka kemencengan dari normalitas multivariat tidak konsekuensial. Kriteria lainnya
adalah Linearitas dan multikollinearitas diantara variabel dependen serta sensitivitas terhadap
outliers.

Tahap 4: Estimasi Model MANOVA dan Menguji Overall Fit

• Saat analisis MANOVA telah diformulasikan dan uji asumsi telah terpenuhi, pengujian terhadap
 signifikansi perbedaan antar kelompok yang dibentuk dengan treatment dapat dilakukan. Dalam
melakukan pengujian ini peneliti harus memilih pengujian statistik yang tepat untuk tujuan
penelitiannya. Namun dalam situasi tertentu khususnya jika analisis menjadi lebih kompleks,
peneliti harus mengevaluasi kekuatan dari pengujian statistik untuk menyediakan perspektif yang
lebih informatif dan memperoleh hasil yang diharapkan.
• Empat pengukuran yang banyak digunakan untuk menguji signifikansi secara statistik antar
kelompok terhadap variabel independen adalah:
– Roy’s Greatest Characteristic Root
– Wilk’s Lambda
– Pillai’s Criterion
– Hotelling’s Trace
• Dalam beberapa situasi hasil/kesimpulan bisa sama antar keempat pengukuran, namun dalam
situasi yang unik, hasil dapat berbeda diantara keempat pengukuran.

Tahap 5: Interpretasi Hasil MANOVA

• Jika covariate termasuk dalam model GLM, maka lakukan analisis model baik dengan maupun
tanpa covariates. Jika covariates tidak meningkatkan kekuatan statistik atau tidak mempengaruhi
secara signifikan terhadap pengaruh treatment, maka dapat didrop dari analisis final.
• Jika dua atau lebih variabel independen (treatments) termasuk dalam analisis, interaksi harus
diuji sebelum mengambil kesimpulan mengenai pengaruh utama dari variabel independen :
a. Jika interaksi tidak signifikan secara statistik, maka pengaruh utama dapat diinterpretasi
langsung karena perbedaan antar treatments dipertimbangkan konstan antar level kombinasi.
b. Jika interaksi signifikan secara statistik, dan perbedaan tidak konstan antar level kombinasi,
maka interaksi harus ditentukan apakah ordinal atau disordinal:
• Jika variabel independen memiliki dua atau lebih kelompok, dua jenis prosedur dapat digunakan
untuk mengisolasi sumber perbedaan yaitu :
a. Post Hoc Methods
Post-hoc tests, menguji perbedaan potensial secara statistik antar seluruh mean kombinasi yang
mungkin. Post-hoc tests memiliki kekuatan yang terbatas dan sangat cocok untuk
mengidentifikasi pengaruh yang besar. Post Hoc Methods meliputi :
▪ Scheffe
▪ Tukey’s honestly significant difference (HSD)
▪ Tukey’s extension of the Fisher least significant difference (LSD)
▪ Duncan’s multiple-range test
▪ Newman-Kuels test
b. A Priori or Planned comparisons
Adalah prosedur yang tepat digunakan jika a priori theoretical reasons menyatakan bahwa
kelompok tertentu akan berbeda dari satu kelompok dengan kelompok lainnya. Kesalahan Type
I akan bertambah sebagaimana jumlah planned comparisons meningkat.

Tahap 6: Validasi terhadap Hasil

- Teknik analisis varian (ANOVA dan MANOVA) dikembangkan untuk situasi eksperimen,
dengan replikasi sebagai pengertian utama terhadap validasi. Ketegasan perlakuan treatment
eksperimen memungkinkan penggunaan yang luas dari eksperimen yang sama pada multiple
populasi untuk menguji generalizability dari hasil.
- Dalam penelitian ilmu pengetahuan sosial dan bisnis, bagaimanapun, eksperimen kerap kali
digantikan dengan uji statistik dengan keadaan nonexperimental seperti survey penelitian.
Kemampuan untuk memvalidasi hasil dalam keadaan ini adalah berdasarkan kemampuan
replikasi dari treatment.
MULTIVARIATE ANALYSIS OF VARIANS (MANOVA)
"MANOVA is a statistical technique that can be used simultaneuosly explore relationship between
several categorical independent variable (usually referred to as treatments) and two or more metric
dependent variable. Manova useful when the reseacher designs an experimental situation (manipulation
of several nonmetric treatment variable) ti test hypothesis concerning the variance in group responses on
two or more metric dependent variable,"(Hair, Anderson, Tatham, Black, 1995)
("MANOVA adalah teknik statistik yang dapat digunakan secara simultan untuk mengekplor hubungan
antara beberapa kategori variabel independen (biasanya berupa perlakuan) dan dua atau lebih variabel
dependen. MANOVA berguna ketika peneliti mendesain situasi eksperimental (manipulasi beberapa
variabel perlakuan nonmetrik) hipotesis uji t mengenai varians pada respons kelompok dua atau lebih
variabel dependen", (Hair, Anderson, Tatham, Black, 1995))
Sumber : Yamin dan Kurniawan,2009

Manova dapat digunakan apabila nilai respons atau variabel dependennya berjumlah lebih besar atau
sama dengan dua. MANOVA adalah pengembangan dari analisis varians (ANOVA) di mana untuk
mengukur perbedaan rata-rata untuk dua atau lebih variabel dependen berdasarkan sebuah atau
beberapa variabel kategori yang bertindak sebagai prediktor. Perbedaan antara MANOVA dan ANOVA
diformulasikan sebagai :

MANOVA
Y1 + Y2 + Y3 +.......+ Yn = X1 +X2 + X3 +.....+ Xn

(metric) (nonmetric)

ANOVA
Y1 = X1 + X2 + X3 +....+ Xn
(metric) (nonmetrik)

Ada beberapa asumsi dalam analisis MANOVA antara lain:

 Normalitas data
 Homogenitas varians