BAB II

PEMBAHASAN MASALAH

A. Pengertian Analisis Multivariat

Menurut KBBI offline, multi berarti banyak atau lebih dari satu. Sedangkan variat
menurut Hidayat (2016) yaitu suatu kombinasi linear dari variabel-variabel yang
memiliki bobot empiris yang telah ditentukan. Variat dalam kata lain berarti suatu
kombinasi dari variabel-variabel yang saling terikat. Dari kedua pengertian di atas dapat
dikatakan bahwa analisis multivariat merupakan suatu analisis dengan menggunakan
banyak variabel yang mana variabel-variabel tersebut saling terikat. Analisis Multivariat
adalah suatu analisis yang melibatkan variabel dalam jumlah lebih dari atau sama dengan
3 variabel, dimana minimal ada satu variabel terikat dan lebih dari satu variabel bebas
serta terdapat korelasi atau ketertarikan antara satu variabel dengan variabel lainnya.
Tujuanya adalah agar dapat memahami struktur data berdimensi tinggi dan saling terkait
satu sama lain.
Analisis multivariat merupakan analisis lanjutan dari analisis univariat maupun
bivariat. Secara ilmiah, untuk menjelaskan penomena sosial perlu dilakukan percobaan
dengan pengumpulan dan analisis data. Analisis data yang dikumpulkan dari pengamatan
atau percobaan akan menghasilkan modifikasi penjelasan dari penomena tersebut.
Selama dalam masa percobaan tersebut, sering kali akan terjadi penambahan dan
pengurangan variabel. Dengan demikian, maka akan timbullah masalah yang semakin
komplek sehingga dibutuhkan lebih banyak variabel yang berbeda. Karena dalam data
akan terdapat pengaruh beberapa variabel terhadap variabel lainnya dalam waktu yang
bersamaan.
Contoh judul skripsi penelitian multivariat yaitu pengaruh motivasi prestasi dan
fasilitas belajar terhadap hasil belajar dan minat belajar siswa.
B. Uji Mengenai Rataan Untuk Satu Kelompok Multivariat
(Wibowo, 2010: 22) Statistik uji mengenai rataan untuk satu kelompok multivariat
dikembangkan dari statistik uji mengenai rataan untuk satu kelompok univariat.
Perhatikan kembali rumus statistik uji t berikut.
𝑋̅ −𝜇0
𝑡= 𝑆/√𝑛
Rumus tersebut dapat ditulis dalam bentuk lain sebagai berikut:
1
𝑡 = √𝑛 (𝑠 ) (𝑋̅ − 𝜇0 )
Jika kedua ruas dikuadratkan, maka akan diperoleh:
 1
𝑡 2 = (𝑛) (𝑠2 ) (𝑋̅ − 𝜇0 )2
1
= (𝑛)(𝑋̅ − 𝜇0 ) (𝑠2 ) (𝑋̅ − 𝜇0 )
= (𝑛)(𝑋̅ − 𝜇0 )(𝑠 2 )−1 (𝑋̅ − 𝜇0 )
Berdasarkan formula terakhir, dikembangkan formula T2 untuk multivariat sebagai
berikut:
𝑇 2 = 𝑛(𝑋̅ − 𝜇0 )′(𝑆)-1(𝑋̅ − 𝜇0 )
dengan:
n= banyaknya data
𝑋̅1 𝜇01
𝑋̅𝜇0 = [… 𝑋̅2 ] − [𝜇02 ]
…
𝑋̅ 𝑝 𝜇0𝑝

p= banyaknya variabel terikat

S= matriks-kovariansi dari p variabel yang diketahui, pada sampel.
Pada uji mengenai rataan multivariat dengan p variabel terikat ini, susunan
hipotesis nol-nya adalah sebagai berikut:
𝜇1 𝜇01
H0 =[𝜇…2 ][𝜇… 02 ]

𝜇𝑝 𝜇0𝑝
Statistik uji untuk mengetahui hipotesis nol tersebut adalah:
(𝑛−𝑝)
F (𝑛−1)𝑝 T2
dengan derajat kebebasan p dan n – p
Senada dengan statistik uji t, statistik uji Z dapat dikembangkan untuk statistik uji
multivariat sebagai berikut.
𝑋̅ −𝜇0
Z /√𝑛
 √𝑛 (1)(𝑋̅ − 𝜇0 )
Jika kedua ruas formula tersebut dikuadratkan, diperoleh:
Z2 = (n) (𝜎12)(𝑋̅ − 𝜇0 )2
= (n) (𝑋̅ − 𝜇0 )(𝜎12)(𝑋̅ − 𝜇0 )
= (n) (𝑋̅ − 𝜇0 )(𝜎)−1 (𝑋̅ − 𝜇0 )
Berdasarkan formula terakhir, dikembangkan formula Z2 untuk multivariat sebagai
berikut:
Z2 = 𝑛(𝑋̅ − 𝜇0 )′()-1(𝑋̅ − 𝜇0 )
Karena 𝑍𝜎2 = 𝑋𝛼2 , maka formula tersebut menjadi:
2
𝑋𝛼2 = 𝑛(𝑋̅ − 𝜇0 )′()-1(𝑋̅ − 𝜇0 )
dengan derajat kebebasan p, dengan:
n = banyaknya data
𝑋̅1 𝜇01
𝑋̅𝜇0 = […𝑋̅2 ] − [𝜇02 ]
…
𝑋̅ 𝑝 𝜇0𝑝
p = banyaknya variabel terikat
 = matriks kovariansi dari p variabel terikat yang diketahui pada populasi.
 Pada uji mengenai rataan multivariat dengan p variabel terikat ini, susunan
hipotesis nol-nya juga seperti berikut:
𝜇1 𝜇01
H0 =[𝜇…2 ][𝜇…02 ]

𝜇𝑝 𝜇0𝑝
2 2
H0 ditolak jika 𝑋𝑜𝑏𝑠 = 𝑋𝛼;𝑝

Contoh soal:
Pada ujian matematika, yang terdiri dari dua bagian yaitu aljabar dan geometri,
ingin diuji apakah rerata aljabarnya 6,5 dan rerata geometrinya adalah 7. Lima orang
diambil sebagai sampel dan nilai-nilai mereka sebagai berikut:
No Subjek Nilai Aljabar Nilai Geometri
1` 7 8
2 5 6
3 5 8
4 7 7
5 6 8

Jika variansi dan kovariansi populasi tidak diketahui, dengan mengambil tingkat
signifikansi 5%, bagaimana kesimpulan penelitian tersebut?
Jawab:
𝜇1 6,5
a. 𝐻0 : [𝜇 ] = [ ]
2 7
𝜇1 6,5
𝐻1 : [𝜇 ] ≠ [ ]
2 7
dengan 𝜇1 merupakan rerata aljabar dan 𝜇1 merupakan rerata geometri
b. α = 0,05
c. Statistik uji yang digunakan:
(𝑛−𝑝)
F = (𝑛−1)𝑝 𝑇 2 ~ 𝐹(𝑝, 𝑛 − 𝑝)

d. Komputasi:
Aljabar (𝑋1 ) Geometri 𝑋1 2 𝑋2 2 𝑋1 𝑋2
(𝑋2 )
7 8 49 64 56
5 6 25 36 30
5 7 25 49 35
 7 7 49 49 49
6 7 36 49 42
Σ = 30 Σ= 35 Σ = 184 Σ = 247 Σ = 212
𝑋̅= 6 𝑋̅= 7

(𝛴𝑋1 )2
𝑆𝑆1= Σ𝑋1 2- 𝑛
302
= 184 - 5
900
= 184 - 5

= 184 - 180
=4
(𝛴𝑋2 )2
𝑆𝑆2 = Σ𝑋2 2- 𝑛
352
= 247 - 5
1225
= 247 - 5

= 247 – 245
=2
(𝛴𝑋1 )(𝛴𝑋2 )
𝑆𝑆12= Σ𝑋1 𝑋2 - 𝑛
(30)(35)
= 212 – 5
1050
= 212 - 5

= 212 – 210
=2
𝑆𝑆1 𝑆𝑆12 4 2
SSCP = [ ]=[ ]
𝑆𝑆21 𝑆𝑆2 2 2
𝑆𝑆𝐶𝑃 1 4 2 1 0,5
S= =4[ ]=[ ]
𝑛−1 2 2 0,5 0,5
1 0,5 −0,5
𝑆 −1 = (1)(0,5)−(0,5)(0,5) [ ]
−0,5 1
1 0,5 −0,5
= 0,25 [ ]
−0,5 1
2 −2
=[ ]
−2 4
6 6,5 −0,5
𝑋̅ − 𝜇0 = [ ] − [ ]= [ ]
7 7 0
𝑇 2 = 𝑛(𝑋̅ − 𝜇0 )′(𝑠)−1 (𝑋̅ − 𝜇0 )
 2 −2 −0,5
= 5 [−0,5 0] [ ][ ]
−2 4 0
−0,5
= 5 [−1 1] [ ]
0
= (5)(0,5)
= 2,5
(𝑛−𝑝)
𝐹𝑜𝑏𝑠 = (𝑛−1)𝑝 𝑇 2
(5−2)
= (5−1)2 (2,5)

= 0,9375
e. DK = {F|F > 𝐹0,05:2,3}
= {F|F > 9,55 }
𝐹𝑜𝑏𝑠 bukan elemen DK
f. Keputusan Uji: 𝐻0 diterima
g. Kesimpulan: Benar bahwa pada ujian tersebut rerata aljabarnya sebesar 6,5 dan
rerata geometrinya sebesar 7.

C. Uji Beda Rataan Multivariat (Uji t Multivariat)

(Wibowo, 2010: 37) Perhatikan kembali statistik uji t berikut:

(𝑋̅1 − 𝑋̅2 )
𝑡=
1 1
𝑠𝑝 √𝑛 + 𝑛
1 2

Jika kedua ruas dikuadratkan, diperoleh:

2
(𝑋̅1 − 𝑋̅2 )2
𝑡 =
1 1
𝑠𝑝2 √𝑛 + 𝑛
1 2

(𝑋̅1 − 𝑋̅2 )2
= 𝑛 +𝑛
𝑆𝑃2 ( 1𝑛 𝑛 2 )
1 2

𝑛1 𝑛2 (𝑋̅1 − 𝑋̅2 )2
= .
𝑛1 + 𝑛2 𝑆𝑃2
𝑛1 𝑛2
= (𝑋̅ − 𝑋̅2 )( 𝑆𝑃2 )−1 (𝑋̅1 − 𝑋̅2 )
𝑛1 + 𝑛2 1
Formula untuk rumus 𝑡 2 tersebut mengilhami formula untuk statistik uji pada uji t
multivariat.
 Misalnya terdapat p variabel terikat X1, X2, ..., Xp pada kelompok I dan kelompok II,
yang tata letaknya adalah sebagai berikut:

Kelompok Kelompok 1 Kelompok II

Variabel 𝑋1 𝑋2 ... 𝑋𝑃 𝑋1 𝑋2 ... 𝑋𝑃
Terikat
Data 𝑋111 𝑋211 𝑋𝑃11 𝑋121 𝑋221 𝑋𝑝21
𝑋112 𝑋212 𝑋𝑃12 𝑋122 𝑋222 𝑋𝑝22
𝑋113 𝑋213 𝑋𝑃13 𝑋123 𝑋223 𝑋𝑝23
... ... ... ... ... ...
𝑋11𝑛1 𝑋21𝑛1 𝑋𝑝1𝑛1 𝑋12𝑛2 𝑋22𝑛2 𝑋𝑝2𝑛2
Banyak Data 𝑛1 𝑛2
Rerata 𝑋̅11 𝑋̅21 ... 𝑋̅𝑝1 X12 X22 ... Xp2

Hipotesis nol yang diuji pada uji t multivariat adalah:

𝜇11 𝜇12
H0 =[𝜇…
21 ][𝜇22 ]
…
𝜇𝑝1 𝜇𝑝2

Statistik uji yang digunakan untuk menyelesaikan persoalan pada uji t multivariat
adalah:
𝑛1 +𝑛2 −𝑝−1
F= 𝑇2
(𝑛1 +𝑛2 −2)𝑝

dengan db1 = p, db2 = N - p - 1,

p adalah banyaknya variabel terikat, dan

N = 𝑛1 + 𝑛2 adalah banyaknya seluruh subjek.

Statistik uji ini dikemukakan pertama kali oleh Hotelling.

Nilai 𝑇 2 dicari dari formula :

𝑛1. 𝑛2 2
𝑇2 = (X1 − X2 )(𝑠𝑝 )−1 (X1 − X2 )
𝑛1 +𝑛2

dengan 𝑛1 adalah banyaknya data amatan pada kelompok I

𝑛2 adalah banyaknya data amatan pada kelompok II dan

 𝑋̅11 𝑋̅12
𝑋̅1  𝑋̅2 = [𝑋̅… ̅
21 ] − [𝑋22 ]
…
̅
𝑋𝑝1 ̅
𝑋𝑝2

Matriks S dicari dari formula:

𝑤1 +𝑤2
S=
𝑛1 +𝑛2 −2

dengan 𝑤1 dan 𝑤2 adalah SSCP (sum of square cross product matrix) kelompok I dan
kelompok II. Matriks S ini setara dengan variansi gabungan 𝑠𝑝2 pada uji t univariat.

Contoh:

Seorang peneliti ingin melihat apakah metode A mempunyai efek yang berbeda dengan
metode B pada kemampuan matematika siswa. Variabel kemampuan matematika siswa
terbagi menjadi dua, yaitu: (a) pemahaman konsep siswa dan (b) keterampilan komputasi
siswa dalam pelajaran Matematika. Datanya adalah sebagai berikut.

Metode A Metode B
Konsep Komputasi Konsep Komputasi
3 6 4 7
2 3 5 6
3 4 3 5
5 6
3 5

Jika diambil 𝛼 = 0.05, bagaimanakah kesimpulan penelitian tersebut?

Jawab:

Perhatikanlah bahwa hipotesis nol yang diuji pada persoalan ini adalah sebagai berikut:

𝜇11 𝜇12
a. H0 : (𝜇 ) = (𝜇 )
21 22

atau dapat ditulis secara lebih jelas sebagai berikut:

𝜇𝑘𝑜𝑛𝑠𝑒𝑝 𝐴 𝜇𝑘𝑜𝑛𝑠𝑒𝑝 𝐵
H0 : (𝜇 ) = (𝜇 )
𝑘𝑜𝑚𝑝𝑢𝑡𝑎𝑠𝑖 𝐴 𝑘𝑜𝑚𝑝𝑢𝑡𝑎𝑠𝑖 𝐵

b. Komputasinya dikerjakan sebagai berikut:

 Metode A Metode B
Konsep Komputasi X1 2 X 22 X1. X2 Konsep Komputasi X1 2 X22 X1. X2
(X1) (X2) (X1) (X2)
3 6 9 36 18 4 7 16 49 28
2 3 4 9 6 5 6 25 36 30
3 4 9 16 12 3 5 9 25 15
5 6 25 36 30
3 5 9 25 15
∑=16 ∑=24 ∑= ∑= ∑=81 ∑=12 ∑=18 ∑= ∑= ∑=73
56 12 50 11
2 0
∑2= ∑2= 576 ∑2= ∑2= 256
256 144
𝑋̅ = 3,2 𝑋̅ = 4,8 𝑋̅ = 4 𝑋̅ = 6

Metode A

(∑ 𝑋1 )2 256
SS1 = ∑ 𝑋12 - = 56 - = 4,8
𝑛1 5

(∑ 𝑋2 )2 576
SS2 = ∑ 𝑋22 - = 122 - = 6,8
𝑛1 5

(∑ 𝑋1 )(∑ 𝑋2 ) (16)(24)
SS12 = ∑ 𝑋1 𝑋2 - = 81 – = 4,2
𝑛1 5

4,8 4,2
W1 = [ ]
4,2 6,8

Metode B

(∑ 𝑋1 )2 144
SS1 = ∑ 𝑋12 - = 50 - =2
𝑛1 3

(∑ 𝑋2 )2 324
SS2 = ∑ 𝑋22 - = 110 - =2
𝑛1 3

(∑ 𝑋1 )(∑ 𝑋2 ) (12)(18)
SS12 = ∑ 𝑋1 𝑋2 - = 73 – =1
𝑛1 3

2 1
W2 = [ ]
1 2
 Dari W1 dan W2 diperoleh:

𝑤 𝑤1 + 𝑤2 1 6,8 5,2 1,13 0,87

S=𝑛 =𝑛 =6[ ]=[ ] dan
1 + 𝑛2 −2 1 + 𝑛2 −2 5,2 8,8 0,87 1,47

1 1,47 −0,87 1,625 0,962

S-1 = 0,9042 [ ]=[ ]
−0,87 1,13 0,962 1,249

3,2 4,8 −1,6

Dengan menggunakan rumus S-1 dan 𝑋1 - 𝑋2 = [ ] – [ ] = [ ] diperoleh:
4 6 −2
𝑛1 𝑛2
T2 = 𝑛 (𝑋1 - 𝑋2)’S-1(𝑋1 - 𝑋2)
1 + 𝑛2

(5)(3) 1,625 0,962 −1,6

= [−1,6 −2] [ ][ ] = 28,7115
5+3 0,962 1,249 −2

𝑛 𝑛 − 𝑝−1 5+3−2−1
Fobs = (𝑛 1+2𝑛 T2 = (5+3−2)2 (28,7115) = 11,963125
1 2 − 2)𝑝

Dengan membandingkan Fobs dengan F0.05;2.5 = 5.79 maka disimpulkan bahwa H0

ditolak. Ini berarti kemampuan matematika yang dihasilkan oleh metode A tidak sama
dengan kemampuan matematika yang dihasilkan oleh metode B.

D. Analisis Variansi Multivariat Satu Jalur

(Wibowo, 2010: 47) Jika pada analisis variansi univariat, banyaknya variabel
terikatnya hanya sebuah, maka pada analisis variansi multivariat banyaknya variabel
terikat lebih dari sebuah.
Misalnya terdapat k kelompok sebagai berikut.

Kelomp
ok Kelompok ke -1 Kelompok ke-2 Kelompok ke-3
Var X1 X2 … XP X1 X2 … XP … X1 X2 … XP
X11 X12 X1p X12 X22 X2p Xk1 Xk2 Xkp
Data 1 1 1 1 1 1 1 1 1
X11 X12 X1p X12 X22 X2p Xk1 Xk2 Xkp
2 2 2 2 2 2 2 2 2
X11 X12 X1p X12 X22 X2p Xk1 Xk2 Xkp
3 3 3 3 3 3 3 3 3
… … … … … … … … …
X11 X12 X1p X12 X22 X2p Xk1 Xk2 Xkp
n1 n1 n1 n2 n2 n2 nk nk nk
Banyak n1 n2
Rerata ̅11 X
X ̅21 ̅p1
X ̅
X12 X ̅22 ̅p2
X ̅1k X
X ̅2k ̅pk
X

Hipotesis nol yang diuji pada analisis variansi multivariate satu jalur ini adalah:
 𝜇11 𝜇12 𝜇1𝑘
H0 =[𝜇…21 ][𝜇22 ]=…= 𝜇2𝑘
… …
𝜇𝑝1 𝜇𝑝2 [𝜇𝑝2 ]
Didefinisikan besaran A, yang disebut lamda Wilks. Sebagai berikut:
|𝑊|
A = |𝑇|
Dengan W = jumlah dari seluruh SSCP
= W1 + W2 +… + WK
T = SSCP untuk seluruh data
Berbeda dengan Uji statistik pada anava univariat satu jalur (yaitu uji F dengan
1
𝑀𝑆𝐵 𝑆𝑆
𝑘−1 𝐵
formula F = 1 ), pada anava multivariat saru jalur terdapat banyak uji. Uji
𝑀𝑆𝑊 𝑆𝑆
∑ 𝑁𝐽−𝐾 𝑊
statistik pada anava multivariat satu jalur antara lain Uji Khi-Kuadrat Barlett dan Uji Rao
(Stevens, 1996:196) dan Uji Wilks (Johnson & Wichern, 2002:300).

Statistik Uji Khi-Kuadrat Barlett

Uji Khi-kuadrat Barlett digunakan, terutama, jika ukuran sampelnya besar.
Statistic uji khi-kuadrat barlett dirumuskan dengan
X2 = -{(𝑁 − 1) − 0,5(𝑝 + 𝑘)} lnɅ
Dengan
Db = p(k-l)
p = banyaknya variabel terikat
k = banyaknya kelompok
N= n1 + n2+…+ nk dan
|𝑊|
Ʌ = |𝑇|

Statistik Uji Rao

Statistic uji untuk rao dirumuskan dengan
𝑚𝑠−(𝑘−1)𝑃
1 1 2
R = {(Ʌ) − 1} (
𝑆
(𝑘−1)𝑃
)
Dengan

|𝑊|
Ʌ = |𝑇|

𝑃+𝐾
m=N-1- 2 -
N = n1 + n2+…nk dan
√𝑝2(𝑘−1)−4
s=𝑝2+(𝑘−1)−5
statistik R berdistribusi F dengan derajad kebebasan db1 = (k-1)p dan db2 = ms -
(𝑘−1)𝑝
+1
2

Statistik Uji Wilk

statistik uji Wilk dirumuskan berbeda-beda untuk nilai p (banyaknya variabel
terikat) dan k (banyaknya kelompok) sebagai berikut (Johnson & Wichern, 2002:300):
 Banyak var.
terikat Banyak kelompok Statistik Uji
1−Ʌ
𝑘−1
F= Ʌ -F(k-1,N-k)
p =1 p ≥2 𝑁−𝑘
1−√Ʌ
𝑘−1
F= √𝐴
-F(k-1),2(N-k-1)
𝑁−𝑘
p =2 p ≥2
1−Ʌ
𝑃
F= Ʌ -F(p.N-p -1)
𝑁−𝑝−1
p ≥1 p =2
1−√Ʌ
𝑃
F= √Ʌ
-F(2p,2(N-p-2)
𝑁−𝑃=2
p ≥1 p =3

Dengan p = banyaknya variabel terikat

k = banyaknya kelompok
N = n1+ n2+…+ nk dan
|𝑊|
Ʌ = |𝑇|

Contoh :

Seorang peneliti ingin melihat apakah metode A metode B dan metode C mempunyai efek
yang berbeda pada pemahaman matematika siswa. Yang terbagi menjadi pemahaman konsep
dan ketrampilan komputasi, dalam pelajaran matematika. Datanya adalah sebagai berikut

Metode A Metode B Metode C

Konsep Komputasi Konsep Komputasi Konsep Komputasi
4 6 5 4 6 4
5 6 5 5 7 4
6 7 6 6 7 5
6 8 7 6 8 6
7 9 7 7 8 7
Jika diambil ɑ = 0,05, bagaimanakah kesimpulan penelitian tersebut?

a. Dengan Uji Khi-Kuadrat Barlett

 𝜇𝑘𝑜𝑛𝑠𝑒𝑝 𝐴 𝜇𝑘𝑜𝑛𝑠𝑒𝑝 𝐵 𝜇𝑘𝑜𝑛𝑠𝑒𝑝 𝑐
1. H0 : (𝜇 ) = (𝜇 ) = (𝜇 )
𝑘𝑜𝑚𝑝𝑢𝑡𝑎𝑠𝑖 𝐴 𝑘𝑜𝑚𝑝𝑢𝑡𝑎𝑠𝑖 𝐵 𝑘𝑜𝑚𝑝𝑢𝑡𝑎𝑠𝑖 𝑐

H1: tidak demikian halnya

2. ɑ = 0,05
3. Statistik Uji : 𝑋 2 = −{(𝑁 − 1) − 0,5(𝑝 + 𝑘)}lnɅ
4. Komputasi:
Untuk data pada kelompok satu diperoleh:
∑ 𝑋1 = 28; ∑ 𝑋1 = 36; ∑ 𝑋12 = 162; ∑ 𝑋22 = 266; ∑ 𝑋1 𝑋2 = 207
(∑ 𝑋1 )2 282
SS1 = ∑ 𝑋12 - = 162 - =162-157 = 5
𝑛1 5

(∑ 𝑋2 )2 362
SS2 = ∑ 𝑋22 - = 266 - = 266-259,2 = 6,8
𝑛1 5
(∑ 𝑋1 )(∑ 𝑋2 ) (28)(36)
SS12 = ∑ 𝑋1 𝑋2 - = 207 – = 5,4
𝑛 5

5 5,4
W1 = [ ]
5,4 6,8

Uuntuk data kelompok dua:

∑ 𝑋1 = 30; ∑ 𝑋1 = 28; ∑ 𝑋12 = 184; ∑ 𝑋22 = 162; ∑ 𝑋1 𝑋2 = 172

(∑ 𝑋1 )2 302
SS1 = ∑ 𝑋12 - = 184 - =184-180 = 4
𝑛1 5

(∑ 𝑋2 )2 282
SS2 = ∑ 𝑋22 - = 162 - = 162-156,8 = 5,2
𝑛1 5
(∑ 𝑋1 )(∑ 𝑋2 ) (30)(28)
SS12 = ∑ 𝑋1 𝑋2 - = 172 – =4
𝑛 5

4 4
W2 = [ ]
4 5.2

Uuntuk data kelompok tiga:

∑ 𝑋1 = 36; ∑ 𝑋1 = 26; ∑ 𝑋12 = 262; ∑ 𝑋22 = 142; ∑ 𝑋1 𝑋2 = 191

(∑ 𝑋1 )2 362
SS1 = ∑ 𝑋12 - = 262- =262-259,2 = 2,8
𝑛1 5

(∑ 𝑋2 )2 262
SS2 = ∑ 𝑋22 - = 142 - = 142-135,2 = 6,8
𝑛1 5
(∑ 𝑋1 )(∑ 𝑋2 ) (36)(26)
SS12 = ∑ 𝑋1 𝑋2 - = 191 – = 3,8
𝑛 5

2,8 3,8
W3= [ ]
3,8 6,8
 Diperoleh:

W = W1 + W2 + W3

5 5,4 4 4 2,8 −1,2 11,8 8,2

=[ ]+[ ]+[ ]=[ ]
5,4 6,8 4 5.2 −1,2 2,8 8,2 14,8

Untuk seluruh data diperoleh:

∑ 𝑋1 = 28 + 30 + 36 = 94

∑ 𝑋2 = 36 + 28 + 26 = 90

∑ 𝑋12 = 162 + 184 + 262 = 608

∑ 𝑋22 = 266 + 162 + 138 = 570

∑ 𝑋1 𝑋2 = 207 + 172 + 186 = 570

N=5+5+5=15

(∑ 𝑋1 )2 942
SS1 = ∑ 𝑋12 - = 608 - =608-589,07 = 18,93
𝑛1 15

(∑ 𝑋2 )2 902
SS2 = ∑ 𝑋22 - = 566 - 15 = 566-540 = 26
𝑛1
(∑ 𝑋1 )(∑ 𝑋2 ) (94)(90)
SS12 = ∑ 𝑋1 𝑋2 - = 565 – =1
𝑛 15

18,93 1,00
T=[ ]
1,00 26.00

18,93 1,00 11,8 8,2 7,13 −7,20

B=T-W= [ ]−[ ]=[ ]
1,00 26.00 8,2 14,8 −7,20 11,20

Nilai dari lamda wilks dapat dihitung sebagai berikut:

11,8 8,2
[ ] 107,4
8,2 14,8
Ʌ= 18,93 1,00 = 492,18 = 0,2174𝑋 2 obs
[ ]
1,00 26.00

Dengan menggunakan nilai lamda tersebut diperoleh;

2
𝑋𝑜𝑏𝑠 = -{(𝑁 − 1) − 0,5(𝑝 + 𝑘)}lna = -{(15 − 1) − 0,5(2 + 3)}ln0,2174
 =-(11,5)(-1,5260163)

5. Daerah kritik
2
𝑋0,05;4 = 9,488, maka DK == {𝑋 2 |𝑋 2 > 9,488}
6. Keputusan uji:
2
karena 𝑋𝑜𝑏𝑠 ϵ DK, maka H0 ditolak
7. Kesimpulan: metode A metode B dan metode C tidak semuanya memberika efek
yang sama terhadap kemampuan matematika siswa
b. Dengan Statistik Uji Rao
𝜇𝑘𝑜𝑛𝑠𝑒𝑝 𝐴 𝜇𝑘𝑜𝑛𝑠𝑒𝑝 𝐵 𝜇𝑘𝑜𝑛𝑠𝑒𝑝 𝑐
1. H0 : (𝜇 ) = (𝜇 )=(𝜇 )
𝑘𝑜𝑚𝑝𝑢𝑡𝑎𝑠𝑖 𝐴 𝑘𝑜𝑚𝑝𝑢𝑡𝑎𝑠𝑖 𝐵 𝑘𝑜𝑚𝑝𝑢𝑡𝑎𝑠𝑖 𝑐

H1: tidak demikian halnya

2. ɑ = 0,05
𝑚𝑠−(𝑘−1)𝑝
1 1 2
3. Statistik uji: R = {(Ʌ) − 1} ( 𝑆
(𝑘−1)𝑝
)

4. Komputasi:
𝑝+𝑘 2+3
m = N-1- = 15 - 1- = 11,5
2 2

√𝑝2(𝑘−1)−4 √𝑝2(𝑘−1)−4 12
s=𝑝2+(𝑘−1)−5 = 𝑝2+(𝑘−1)−5 = √ =2
3
1 𝑚𝑠−(𝑘−1)𝑝
1 𝑆 2
Robs = {(Ʌ) − 1} ( (𝑘−1)𝑝
)

1 𝑚𝑠−(𝑘−1)𝑝
1 2
={(0,2174)𝑆 − 1} ( (𝑘−1)𝑝
)

98
=(6899-6) ( 6 )=578

5. Daerah kritik
db1 = (k-1)(p) = (3-1)(2) = 4
(𝑘−1)𝑝 (3−1)(2)
db2 = ms- + 1 = (11,5)(2) - +1 = 23 – 2 -2+1 = 22
2 2

Karena 𝐹0,05;4,22 = 9,488, maka DK == {𝐹|𝐹 > 9,488}

6. Keputusan uji : H0 ditolak
7. Kesimpulan: metode A metode B dan metode C tidak semuanya memberika efek
yang sama terhadap kemampuan matematika siswa
c. Dengan Statistik Uji Wilks
 𝜇𝑘𝑜𝑛𝑠𝑒𝑝 𝐴 𝜇𝑘𝑜𝑛𝑠𝑒𝑝 𝐵 𝜇𝑘𝑜𝑛𝑠𝑒𝑝 𝑐
1. H0 : (𝜇 ) = (𝜇 ) = (𝜇 )
𝑘𝑜𝑚𝑝𝑢𝑡𝑎𝑠𝑖 𝐴 𝑘𝑜𝑚𝑝𝑢𝑡𝑎𝑠𝑖 𝐵 𝑘𝑜𝑚𝑝𝑢𝑡𝑎𝑠𝑖 𝑐

H1: tidak demikian halnya

2. ɑ = 0,05
1−√Ʌ
𝑃
3. Statistik Uji : F= √Ʌ
- F(2p,2(N-p-2))
𝑁−𝑃=2

1−√0,2174
2 0,766869136
4. Komputasi : F= √0,2174
= 0,048521661 = 15,804
15−2−2

5. Karena 𝐹0,05;4,22 = 2,82, maka DK == {𝐹|𝐹 > 2,82}

6. Keputusan uji : H0 ditolak
7. Kesimpulan: metode A metode B dan metode C tidak semuanya memberika efek
yang sama terhadap kemampuan matematika siswa