BAB I

PENDAHULUAN

1.1 Latar belakang

Prosedur untuk membandingkan rata-rata dua populasi sudah dipelajari

pada bab terdahulu. Kadang-kadang manajemen bukan saja dihadapkan pada

dua populasi untuk membandingkan. Misalnya, terdapat tiga metode kerja yang

tersedia. Untuk membandingkan ketiga metode tersebut sekaligus, kita

memerlukan analisis lain yang disebut Analisis (sidik) ragam (yang disebut

ANOVA).

Walaupun disebut analisis ragam, ANOVA bukan membandingkan ragam

populasi, melainkan membandingkan rata-rata populasi. Disebut analisis ragam,

karena dalam prosesnya ANOVA memilah-milah keragaman menurut sumber-

sumber yang mungkin. Sumber keragaman inilah yang akan digunakan sebagai

pembanding untuk mengetahui sumber mana yang menyebabkan terjadinya

keragaman tersebut

Istilah nonparametrik pertama kali digunakan oleh Wolfowitz,

pada tahun 1942. Metode statistik nonparametrik merupakan metode

statistik yang dapat digunakan dengan mengabaikan asumsi-asumsi yang

melandasi penggunaan metode statistic parametrik, terutama yang berkaitan

dengan distribusi normal. Istilah lain yang sering digunakan untuk

statistik nonparametrik adalah statistik bebas distribusi (distribution free

statistics) dan uji bebas asumsi (assumption-free test). Statistik nonparametric

banyak digunakan pada penelitian-penelitian sosial. Data yang diperoleh dalam

penelitian sosial pada umunya berbentuk kategori atau berbentuk rangking.

 Uji statistik nonparametrik ialah suatu uji statistik yang tidak memerlukan

adanya asumsi - asumsi mengenai sebaran data populasi. Uji statistik ini disebut

juga sebagai statistik bebas sebaran (distribution free). Statistik nonparametrik

tidak mensyaratkanbentuk sebaran parameter populasi berdistribusi normal.

Statistik nonparametrik dapat digunakan untuk menganalisis data yang berskala

nominal atau ordinal karena pada umumnya data berjenis nominal dan ordinal

tidak menyebar normal. Dari segi jumla data, pada umumnya statistik

nonparametrik digunakan untuk data berjumlah kecil (n <30).

1.2 Rumusan Masalah

1. Apa itu uji ANOVA?

2. Apa itu uji kruskal wallis?

1.3 Maksud dan Tujuan

Tujuan dari penulisan makalah ini adalah:

1. Untuk memenuhi nilai tugas kelompok mata kuliah BioStatistik.

 BAB II

PEMBAHASAN

2.1 Pengertian Uji Analisis of Variance (ANOVA)

Sering kali kita menghadapi banyak rata-rata (lebih dari dua rata-rata).

apabila kita mengambil langkah pengujian perbedaan rata-rata tersebut satu

persatu (dengan t test) akan memakan waktu, tenaga yang banyak. di samping

itu, kita akan menghadapi risiko salah yang besar. untuk itu, telah ditemukan

cara analisis yang mengandung kesalahan lebih kecil dan dapat menghemat

waktu serta tenaga yaitu dengan ANOVA (Analisys of variances).

Secara umum, analisis varians menguji dua varians (atau ragam)

berdasarkan hipotesis nol bahwa kedua varians itu sama. varians pertama

adalah varians antar contoh (among samples) dan varians kedua adalah varians

di dalam masing-masing contoh (within samples). Dengan ide semacam ini,

analisis varians dengan dua contoh akan memberikan hasil yang sama dengan

uji-t untuk dua rata-rata (mean).

Analisis of variance atau ANOVA merupakan salah satu teknik analisis

multivariate yang berfungsi untuk membedakan rerata lebih dari dua kelompok

data dengan cara membandingkan variansinya. Analisis varian termasuk dalam

kategori statistik parametric. Sebagai alat statistika parametric, maka untuk

dapat menggunakan rumus ANOVA harus terlebih dahulu perlu dilakukan uji

asumsi meliputi normalitas, heterokedastisitas dan random sampling (Ghozali,

2009). Seperti yang dikatakan oleh Agustinus Bandur dalam bukunya “Penelitian
Kuantitatif-Desain Dan Analisis Data Dengan SPSS”, analisys of variance

(ANOVA) dapat digunakan dalam situasi ketika kita memiliki satu variable

interval atau rasio sebagai variable dependen dan satu atau lebih variable

nominal atau ordinal sebagai variable dependen.

Analisis varian dapat dilakukan untuk menganalisis data yang berasal dari

berbagai macam jenis dan desain penelitian. Analisis varian banyak

dipergunakan pada penelitian-penelitian yang banyak melibatkan pengujian

komparatif yaitu menguji variabel terikat dengan cara membandingkannya pada

kelompok-kelompok sampel independen yang diamati. Analisis varian saat ini

banyak digunakan dalam penelitian survey dan penelitian eksperimen.

Analisis varians (Analysis of Varians, selanjutnya disingkat ANOVA) adalah

suatu metode statistik inferensial yang digunakan melakukan uji perbedaan rata-

rata dari k populasi, dimana k > 2. Jika hanya ada dua populasi, maka pengujian

yang digunakan cukup memakai uji t. tetapi jika yang diuji lebih dari dua

populasi, maka pemakaian uji-t dibutuhkan beberapa kali.

Sebagai contoh, jika kita menguji perbedaan antara tiga kelompok, kita

mungkin mencoba melakukan pengujian t-test antara setiap pasangan kelompok

dengan menguji tiga hubungan yaitu:

1. Kelompok 1 vs kelompok 2

2. Kelompok 1 vs kelompok 3, dan

3. Kelompok 2 vs kelompok 3.
A. Rumusan Hipotesis

Penetapan H0 dan H1 dalam analisis varians dirumuskan sebagai berikut:

H0 : Semua perlakuan (kolom, baris, interaksi) memiliki rata-rata yang sama. Jika

ditulis secara matematis:

μ1 = μ2 = … = μk

H1 : Ada perlakuan (kolom, baris, interaksi) yang memiliki rata-rata yang

bernilai tidak sama (berbeda) atau paling tidak ada satu kelompok yang memiliki

rata-rata berbeda dari yang lain. Secara matematis:1

μ1 ≠ μ2 ≠ … ≠ μk

B. Prinsip ANOVA

Peranana analisa varians pada prinsipnya ada dua, yaitu:

1. Mengambil dan menghitung komponen variasi.

2. Pengujian apakah signifikan atau tidak.

ANOVA bisa dikatakan sebagai salah satu teknik penelitian statistic yang

sering digunakan oleh banyak peneliti karena memiliki dua karakteristik seperti

(Bandur, 283:2013):

 ANOVA akan membantu kita untuk menganalisis data dari hasil desain

penelitian eksperimental.

 ANOVA akan membantu kita untuk melihat hubungan sebab akibat. Hal inilah

yang membedakan t-test dengan ANOVA dengan correlation dan multi-

 regretion. Dalam kedua tes statistic yang disebutkan terakhir, kita bisa

menguku hubungan sebab akibat pada variable independen dan dependen.

Anova dapat digolongkan kedalam beberapa kriteria, yaitu :

1. Klasifikasi satu arah (One Way ANOVA)

Anova klasifikasi satu arah merupakan ANOVA yang didasarkan pada

pengamatan satu kriteria atau satu faktor yang menimbulkan variasi.

2. Klasifikasi dua arah (Two Way ANOVA)

ANOVA klasifikasi dua arah merupakan ANOVA yang didasarkan pada

pengamatan dua kritenia atau dua faktor yang menimbulkan variasi.

2.1.1 One way ANOVA

Analisis of variance atau ANOVA merupakan salah satu teknik analisis

multivariate yang berfungsi untuk membedakan rata-rata lebih dari dua

kelompok data dengan cara membandingkan variansinya. Sedangkan

menurut Teguh Wahyono dalam bukunya, “25 Metode Anlisis dengan

menggunakan SPSS 17” One Way ANOVA merupakan prosedur yang

digunakan untuk menghasilkan analisis variansi satu arah untuk variabel

dependen dengan tipe data kuantitatif dengan sebuah variabel independen

sebagai variabel faktor.

Analisis varians pertama kali diperkenalkan oleh Sir Ronald Fisher

(Bapak Statistika Modern). Dalam praktek, analisis varians dapat merupakan

uji hipotesis (lebih sering dipakai) maupun pendugaan (estimasi khususnya

di bidang genetika terapan). Analisis varian dapat dilakukan untuk

menganalisis data yang berasal dari berbagai macam jenis dan desain

penelitian.

Sebelum menguji dengan ANOVA, data harus berdistribusi normal dan

mempunyai varians yang sama. Data yang digunakan pada One Way ANOVA

untuk nilai variabel pada faktor harus integer sedangkan variabel dependen

harus berupa data kuantitatif (tingkat pengukuran interval).Asumsi yang

digunakan pada One Way ANOVA, yaitu setiap kelompok pada sampel acak

independen dari populasi yang normal dan bervarian homogen. Dari output

uji Anova akan diperoleh nilai F hitung. Jika nilai F hitung tidak signifikan,

berarti rata-rata variabel dependen pada tingkat faktor yang ditentukan

identik. Jika F hitung signifikan berarti terdapat perbedaan rata-rata variabel

dependen pada tingkat faktor yang telah ditentukan.

Pada dasarnya pola sampel dapat dikelompokkan menjadi dua kelompok,

yaitu:

1. Seluruh sampel, baik yang berada pada kelompok pertama sampai

dengan yang ada dikelompok lain, berasal dari populasi yang sama. Untuk

kondisi ini hipotesis nol terbatas pada tidak ada efek dari treatment

(perlakuan).

2. Sampel yang ada dikelompok satu berasal dari populasi yang berbeda

dengan populasi sampel yang ada dikelompok lainnya. Untuk kondisi ini

hipotesis nol dapat berbunyi: tidak ada perbedaan efek treatment antar

kelompok. 2
 Mengingat ANOVA berkaitan dengan pengujian hipotesis yang multipel

(ganda), maka perhitungannya lebih kompleks dari pada t tes. Pada saat

melakukan pengujian hipotesis (perbedaan dua rata-rata) dengan menggunakan

t tes selalu menanggung kesalahan tipe I sebesar alpha. Untuk ANOVA kesalahan

tipe I disebut dengan experiment wise alpha level yang besarnya:

1 – (1 – 𝛼)N

N: Merupakan banyaknya tes jika menggunakan t tes (dilakukan satu per

satu)

Misalnya:

Untuk pengujian perbedaan rata-rata dari 5 kelompok sampel. Jika diambil alpha

sebesar 0,05 Maka dengan penggunaan t tes besarnya risiko kesalahan tipe I

untuk sekali pengujian adalah 0,05 dan untuk 10 kali pengujian berarti

menanggung kesalahan tipe I sebesar 0,50. Apabila kita menggunakan ANOVA

kesalahan tipe I yang harus ditanggung adalah:

1 – (1 – 0,05)10 = 0,40

Mengapa N berjumblah 10 untuk 5 kelompok sampel? Untuk menjawab

pertanyaan tersebut marilah kita telusuri satu per satu pengujian yang dilakukan

dengan t tes.

𝜇1 = 𝜇2 𝜇2 = 𝜇4

𝜇1 = 𝜇3 𝜇2 = 𝜇5

𝜇1 = 𝜇4 𝜇3 = 𝜇4

𝜇1 = 𝜇5 𝜇3 = 𝜇5

𝜇2 = 𝜇3 𝜇4 = 𝜇5

Dengan menggunakan gabungan alpha (karena pengujian bersama) maka

risiko kesalahan tipe I semakin kecil. Ini berarti bahwa pengujian bersama lebih
baik dari pada pengujian satu persatu (ingat semakin kecil kesalahan yang harus

ditanggung dalam pengambilan keputusan, maka semakin baik keputusan yang

diambil).

Melalui perbandingan sederhana diatas dapat diambil suatu pengertian

bahwa ANOVA adalah teknik analisis statistik yang dapat memberi jawaban atas

ada tidaknya perbedaan skor pada masing-masing kelompok (khususnya untuk

kelompok yang banyak), dengan suatu risiko kesalahan yang sekecil mungkin.

Disamping ANOVA mempunyai kemampuan memebedakan antar banyak

kelompok dengan risiko kesalahan yang kecil, juga dapat memberi informasi

tentang ada tidaknya interaksi antar variabel bebas sehubungan dengan

pengukuran terhadap variabel terikat. Oleh karena perbedaan yang merupakan

sasaran utama dalam analisis ANOVA maka data kategorikal untuk variabel

bebas merupakan kondisi yang sesuai. Jika variabel bebas berdistribusi

kontinum atau berskala interval maupun ratio, maka langkah awal yang harus

dilakukan peneliti adalah mengubah data tersebut menjadi kategorikal.

Walaupun langkah ini mengandung risiko pengelompokkan yang tidak adil,

tetapi dituntut untuk dilakukan.

Hipotesis dalam ANOVA akan membandingkan rata-rata dari beberapa

populasi yang diwakili oleh beberapa kelompok sampel secara bersama,

sehingga hipotesis matematikanya (untuk 5 kelompok) adalah:

H0 : 𝜇1 = 𝜇2 = 𝜇3 = 𝜇4 = 𝜇5

H1 : Salah satu 𝜇 tidak sama.

Bunyi hipotesis alternatif seperti tersebut diatas, merupakan hipotesis

yang fleksibel, karena tidak menyebutkan secara pasti 𝜇 mana yang berbeda
dengan yang lainnya. Hal ini mempunyai arti bahwa 𝜇 mana yang tidak sama

bukan merupakan masalah dalam penolakan hipotesis nol.3

1. Asumsi Dasar Dalam ANOVA

a. Kenormalan

Setiap harga dalam sampel berasal dari distribusi normal, sehingga

distribusi skor sampel dalam kelompok pun hendaknya normal. Kenormalan

dapat diatasi dengan memperbanyak sampel dalam kelompok, karena

semakin banyak n maka distribusi akan mendekati normal. Apabila sampel

tiap kelompok kecil dan tidak dapat pula diatasi dengan jalan melakukan

transformasi.

b. Kesamaan Variansi

Masing-masing kelompok hendaknya berasal dari populasi yang

mempunyai variansi yang sama. Untk sampel yang sama pada setiap

kelompok, kesamaan variansi dapat diabaikan. Tetapi, jika banyaknya

sampel pada masing-masing kelompok tidak sama, maka tidak ada

kesamaan variansi populasi memang sangat diperlukan. Kalau hal ini

diabaikan bisa menyesatkan (terutama dalam pengambilan keputusan).

Apabila variansi berbeda dan banyaknya sampel tiap kelompok tidak

sama, diperlukan langkah penyelamatan yaitu dengan jalan melakukan

transformasi (misalnya, dengan mentrasformasikan dengan logaritma).4

c. Pengamatan Bebas
 Sampel hendaknya diambil secara acak (random), sehingga setiap

pengamatan merupakan informasi yang bebas. Asumsi ini merupakan

asumsi yang tidak bisa ditawar lagi, dengan kata lain tida ada cara untuk

mengatasi tidak terpenuhinya asumsi ini. Dengan demikian maka setiap

peniliti harus merencanakan secara cermat dalam pengambilan sampel.

Asumsi-asumsi diatas hendaknya dipenuhi oleh data yang akan

dianalisis dengan ANOVA. Ketidakterpenuhinya asumsi ini dapat

menimbulkan kesimpulkan yang salah. Hal ini mengandung arti

bahwa

kesimpulan penelitian yang dianalisis dengan ANOVA tidak memberi arti

apa-apa. Walaupun ada asumsi yang sifatnya tidak kaku. Artinya dapat diatasi

dengan jumlah sampel namun pengujian atas terpenuhinya asumsi merupakan

tindakan yang disarankan.

2. Analisis Sesudah ANOVA

Sesudah perhitungan F tes dan kita dapat membandingkanya dengan F tabel,

analisis kita sebenarnya belumlah selesai. Hal ini disebabkan karena kesimpulan

yang didasarkan pada perhitungan F tes dalam ANOVA hanyalah merupakan

kesimpulan yang masih luas (kasar). Seandainya F signifikan (menolak hipotesis

nol), ini berarti ada perbedaan efek treatment terhadap outpun dari masing-masing

kelompok. Namun informasi perbedaan efek tersebut masih bersifat umum, karena

F tes sama sekali tidak menunjukkan efek treatment terhadap kelompok mana yang

berbeda.

Untuk mempermudah dalam pemahaman konsep diatas marilah kita

perhatikan sebuah ilustrasi yang berkenanan pengujian hipotesis. Misalnya kita

 menghadapi 4 (empat) kelompok, maka hipotesis nol dan hipotesis alternatifnya

sbb:

H0 : 𝜇 1 = 𝜇 2 = 𝜇 3 = 𝜇 4

H1 : Paling sedikit 1 (satu) m tidak sama.

Jika F hitung > dari pada F tabel, maka kita akan menolak H0 sehingga yang

kita hadapi ada beberapa kemungkinan, yaitu:5

𝜇1 = 𝜇2 = 𝜇3 ≠ 𝜇4

𝜇1 = 𝜇2 ≠ 𝜇3 = 𝜇4

𝜇1 ≠ 𝜇2 = 𝜇3 = 𝜇4

𝜇1 = 𝜇2 = 𝜇3 ≠ 𝜇4

𝜇1 = 𝜇2 ≠ 𝜇3 ≠ 𝜇4

𝜇1 ≠ 𝜇2 = 𝜇3 ≠ 𝜇4

𝜇1 ≠ 𝜇3 ≠ 𝜇2 = 𝜇4

𝜇1 = 𝜇2 ≠ 𝜇3 ≠ 𝜇4

𝜇1 = 𝜇4 ≠ 𝜇2 ≠ 𝜇3

𝜇2 = 𝜇4 ≠ 𝜇1 ≠ 𝜇3

𝜇1 ≠ 𝜇2 ≠ 𝜇3 = 𝜇4

Beberapa kemungkinan diatas merupakan informasi yang lebih teliti, sehingga

deskripsi kita akan lebih tajam. Oleh karena ANOVA harus dilanjutkan lagi dengan

analisis lain yang dapat memberikan informasi yang lebih teliti lagi. Analisis lanjutan

ANOVA sering disebut dengan pasca ANOVA (post hoc).

 Untuk memperoleh informasi lebih lanjut, telah ditemukan beberapa tes

statistik. Yang umum bdipakai dalam pendidikan adalah Tukey’s HSD. Pembahasan lebih

lanjut yang akan dibicarakan disini, jika kita menolak hipotesis nol.

Langkah analisis pasca ANOVA:

1. Hitung Tukey’s HSD dengan rumus 9.12.

𝑀𝑆𝑤
HSD = q √
𝑛

Keterangan:

n adalah banyak sampel per kelompok.

q adalah the studenzed range statistic, yang dapat dilihat dalam

tabel yang sudah disusun, dengan memakai dasar alpha (𝛼), k dan

dk.

k adalah banyak kelompok.

dk adalah N-K.

2. Cari perbedaan rata-rata antar kelompok, dan untuk mempermudah dalam

menginterprestasikan perlu disusun dalam satu tabel khusus.

3. Interprestasikan nilai HSD yaitu dengan jalan membandingkan perbedaan

rata-rata antar kelompok dengan hasil perhitungan. Berdasarkan tabel diatas

kita dapat berbicara banyak tentang hasil penelitian tersebut.6

Asumsi dalam ANOVA pengukuran ulang:

1. Sampel diambil secara acak (random).

 2. Distribusi populasi untuk setiap kelompok adalah normal.

3. Variance distribusi populasi untuk masing – masing kelompok homogen.

Covariance homogen, ini berarti bahwa setiap subjek relatif tetap pada

posisinya.7

Analisis varians satu arah biasanya digunakan untuk menguji rata-

rata/pengaruh perlakuan dari suatu percobaan yang menggunakan satu faktor, dimana

satu faktor tersebut memiliki tiga atau lebih level. Disebut satu arah karena peneliti

dalam penelitiannya hanya berkepentingan dengan satu faktor saja.

Data hasil percobaan dalan ANOVA satu arah setidak-tidaknya bertipe interval.

Beberapa asumsi yang harus dipebuhi dalam melakukan analisis ANOVA satu arah

adalah error menyebar normal dengan rata-rata nol dan varians konstan, tidak terjadi

autokorelasi pada error dan varians populasi homogen.

Dalam ANOVA satu arah, sampel dibagi menjadi beberapa kategori dan ulangan.

Kolom sebagai kategori dan baris sebagai ulangan/replikasi. Tabel hasil penelitian

biasanya ditulis dalam tabel seperti dibawah ini.

Replikasi Treatment-1 Treatment-2 … Treatment-k

1 X11 X12 … X1k

2 X21 X22 … X2k

… … … … …

N Xn1 Xn2 … Xnk

Jumlah T1 T2 Tk
Tabel ANOVA-nya disajikan sebagai berikut:

Sumber Ftab
df SS MSS Fhit
Variasi 5% 1%

Antara
SStr
k-1 SSTr MSSTr = k−1
Treatment
MSSTr
Dalam F0,05;k-1,k(n-1) F0,01;k-1;k(n-1)
MSSE
SSE
treatment k(n-1) SSE MSSE = k(n−1)

(Error)

Total nk-1 SST - - - -

Tabel ini memuat kolom-kolom sebagai berikut:8

1. Sumber Variasi = Sumber Keragaman (SK) = source of variation

2. Derajat Bebas (db) = degree of freedom

3. Jumlah Kuadrat (JK) = sum of square (SS)

4. Kuadrat Rerata (KR) = mean squares (MSS)

5. Nilai F Perhitungan/Fhit = F Calculate + F observed

6. Nilai F dari Tabel Ftab = F table

Untuk kebutuhan analisis variansi dipergunakan distribusi F, yang tabelnya sbb:

Tabel Distribusi F (untuk 𝛼 = 1%)

df2/df1 1 2 3 4 5

2 98.503 99.000 99.166 99.249 99.299

3 34.116 30.817 29.457 28.710 28.237

 4 21.198 18.000 16.694 15.977 15.522

5 16.258 13.274 12.060 11.392 10.967

6 13.745 10.925 9.780 9.148 8.746

7 12.246 9.547 8.451 7.847 7.460

8 11.259 8.649 7.591 7.006 6.632

9 10.561 8.022 6.990 6.422 6.057

10 10.044 7.559 6.552 5.994 5.636

11 9.646 7.206 6.217 5.668 5.316

12 9.330 6.927 5.953 5.412 5.064

13 9.074 6.701 5.739 5.202 4.862

14 8.862 6.515 5.564 5.035 4.695

15 8.683 6.359 5.417 4.893 4.556

16 8.531 6.226 5.292 4.773 4.437

17 8.400 6.112 5.185 4.669 4.336

18 8.285 6.013 5.092 4.579 4.248

19 8.185 5.926 5.010 4.500 4.171

20 8.096 5.849 4.938 4.431 4.103

21 8.017 5.780 4.874 4.369 4.042

22 7.945 5.719 4.817 4.313 3.988

23 7.887 5.664 4.765 4.264 3.939

24 7.823 5.614 4.718 4.218 3.895

25 7.770 5.568 4.675 4.177 3.855

Keterangan:
 𝑘
1 𝐺2
SSTr =𝑛∑ Tj2 - 𝑛𝑘
𝑗=1

𝐺2
SST = ∑𝑘𝑗=1 ∑𝑛𝑖=1 𝑋𝑖𝑗
2
- 𝑛𝑘

SSE = SST – SSTr

G = Grand Total menunjukkan total nxk pengamatan

G = ∑𝑘𝑗=1 ∑𝑛𝑖=1 𝑋𝑖𝑗

Pengujian hipotesis diawali dengan merumuskan hipotesis.9

Rumusan hipotesisnya adalah:

H0 = sebanyak k mean adalah sama, artinya tidak terdapat perbedaan antara

Treatment

H1 = paling sedikit 2 dari k mean populasi yang tidak sama

Pengujian hipotesis dilakukan dengan membandingkan nilai F hitung dengan F

tabel. Jika F hitung lebih besar dari F tabel maka H0 ditolak, berarti paling sedikit 2 dan k

mean populasi tidak sama. artinya ada efek dalam pembedaan treatment. Jika F hitung

kurang dari F tabel maka H0 diterima, dan berarti sebanyak k mean adalah sama, artinya

tidak ada efek dalam pembedaan treatment.

Contoh

Seorang guru memberikan 4 metode pembelajaran kepada siswanya. Masing-masing

metode diajarkan kepada 5 siswa. Hasil tesnya dicatat pada tabel berikut:

Siswa Metode-1 Metode-2 Metode-3 Metode-4 Total

 1 55 65 80 91

2 53 70 85 97

3 46 73 79 92

4 54 71 83 90

5 52 69 78 88

Jumlah 238 348 408 458 1449

Dari soal diketahui n = 5 dan k = 4

1 14492
SSTr = 5 (2382 + 3482 + 4052 + 4582 ) - 5.4

𝐺2
SST = ∑𝑘𝑗=1 ∑𝑛𝑖=1 𝑋𝑖𝑗
2
- 𝑛𝑘

14492
= 552 + 652 + … + 882 - 5.4

= 112459 – 104980,1

= 7478,9

SSE = SST – SSTr

= 7478,9 – 5327,35

= 2151,55

Sehingga diperoleh tabel ANOVA sebagai berikut:

Sumber Ftab
Df SS MSS Fhit
Variasi 5% 1%

Antara
3 5327,35 1775,78
Treatment
13,21 3,24 5,29
Dalam
16 2151,55 134,47
Treatment
(Error)

Total 19 7478,9

H0 = tidak terdapat perbedaan hasil tes antara satu metode dengan metode

lainnya

H1 = paling sedikit 2 dari metode mempunyai hasil tes yang berbeda.10

Keputusan Pengujian

Dari tabel diperoleh Fhitung 13,21

- Pada tingkat kesalahan 5% F tabel sebesar 3,24. Maka H0 ditolak, dan berarti ada

perbedaan rata-rata hasil tes dari empat metode pembelajaran.

- Pada taraf signifikan 1% F tabel sebesar 5,29. Maka H0 ditolak dan berarti ada

perbedaan rata-rata hasil tes dari empat metode pembelajaran.11

Dalam buku lain dinyatakan bila faktor yang menjadi perhatian berupa satu

faktor, misalnya pengaruh bentuk kemasan pada tingkat penjualan, maka ANOVA yang

kita gunakan adalah satu arah. Disebut satu arah karena pusat perhatian kita hanya

satu.

Misal ada k populasi yang berdistribusi normal, dengan rata-rata populasi, 𝑥̅ 1, 𝑥̅ 2,

....., 𝑥̅ k, serta ragam populasinya sama walaupun nilainya tidak diketahui, bisa disusun

dalam bentuk tabel:

 Populasi
Total
1 2 ... k

X11 X12 ... Xk1

X12 X22 ... X2n

Sampel
... ... ... ...

X1n X2n ... Xkn

Total T1 T2 ... Tn T

Ukuran n1 n2 ... nk N

Rata-rata 𝑥̅ 1 𝑥̅ 2 ... 𝑥̅ k

Untuk mengetahuiapakah ada perbedaan rata-rata populasi, dilakukan pengujian

hipotesis dengan analisis ragam.

Jenis pengujian

H0 = µ1 = µ2 = ... = µk

Ha : Tidak semuanya sama (setidaknya ada µi ≠ µj untuk i ≠ j)

Keputusan menolak atau menerima H0 bisa ditentukan dengan membuat tabel ANOVA

sebagai berikut:12

Sumber Derajat Jumlah Varian

Fhitung Ftabel
Keragaman Bebas Kuadrat (Ragam)

Antarkolom v1 = k – 1 JKK 𝑆12 𝑆12 F (v1, v2)

Sisaan v2 = N – k JKS 𝑆22 𝑆22

N–1 JKT
K = jumlah populasi atau perlakuan

N = banyaknya pengamatan = n1 + n2 + ... + nk

𝑇2 𝑇2
JKK = jumlah kuadrat antar kolom = (∑ 𝑛𝑖 ) ─
𝑖 𝑁

2 𝑇2
JKT = jumlah kuadrat total = (∑ 𝑋𝑖𝑗 )─ 𝑁

JKS = jumlah kuadrat sisaan = JKT – JKK

𝐽𝐾𝐾
𝑆12 = 𝑣1

𝐽𝐾𝑆
𝑆22 = 𝑣2

Statistik uji yang digunakan adalah F hitung

Tolak H0 bila Fhitung > Ftabel

Contoh aplikasi:

Sebuah penelitian dilakukan untuk mengetahui apakah ada pengaruh perbedaan

metode kerja pada tingkat produktivitas. Ada tiga metode kerja yang akan diuji. Diambil

sampel masing-masing 5 orang karyawan untuk mengerjakan pekerjaan, lalu dicata

waktu yang digunakan (menit) sebagai berikut:

Metode 1 (menit) Metode 2 (menit) Metode 3 (menit)

21 17 31

27 25 28

29 20 22

23 15 30

25 23 24
Ujilah dengan α = 0,05 apakah ada pengaruh perbedaan metode kerja pada waktu yang

digunakan?13

Metode 1 (menit) Metode 2 (menit) Metode 3 (menit)

21 17 31

27 25 28

29 20 22

23 15 30

25 23 24

T1 = 125 T2 = 100 T3 = 135

Dari tabel di atas bisa dihitung

Total keseluruhan nilai = 360

1252 1002 1352 3602

JKK = + + − = 130
5 5 5 15

3602
JKT = 212 + 272 + ... + 242 − = 298
15

JKS = 298 − 130 = 168

Tabel ANOVA

Sumber Derajat Jumlah Varian

Fhitung Ftabel
Keragaman Bebas Kuadrat (Ragam)

Antarkolom 2 130 65
4,64 F (2, 12) = 3,89
Sisaan 12 168 14
 14 298

Pengujian Hipotesis

H0 = µ1 = µ2 = ... = µk

Ha : Tidak semuanya sama (setidaknya ada µi ≠ µj untuk i ≠ j)

Statistik Uji = Fhitung = 4,64

Karena Fhitung > Ftabel maka tolak H0

Kesimpulan : Ada pengaruh perbedaan metode kerja pada waktu yang

digunakan.14

2.1.2 Two way Anova

Anova dua jalur memiliki perbedaan dibanding anova satu jalur.

Perbedaannya adalah pada jumlah variabel independen. Pada anova satu

jalur hanya ada satu variabel independen, sementara pada anova dua jalur

ada dua atau lebih variabel independen.

Uji statistik parametrik ANOVA dua arah ini dapat membantu peneliti

kuantitatif untuk melihat pengaruh dua variable independen terhadap

sebuah variable dependen. (Bandur, 292:2013)

Jika kita menggunakan two way ANOVA kita bisa menguji main effect dan

juga interaction effect dari masing-masing variable independent terhadap

variable dependen. Main effect merupakan pengaruh langsung salah satu

 variable independen terhadap variable depenen dengan membandingkan

rata-rata skor pada masing-masing kategori variabel dependen. Sedangkan

interaction effect memberikan gambaran kepada peneliti apakah pengaruh

sebuah variable independen terhadap variabel dependen berlaku untuk

variabel dependen lainnya atau tidak.

Mengingat masalah kependidikan itu merupakan masalah kompleks,

maka design yang dikembangkan untuk penelitian di bidang kependidikan

biasanya kompleks. Oleh karena itu, tidak mengherankan jika suatu

pengukuran terhadap variable terikat dikaitkan dengan banyak variabel

bebas. Bahkan, semakin banyak variabel bebas akan semakin teliti dan

semakin baik penelitian tersebut. Tentunya, dengan semakin banyak variabel

yang akan diungkapkan, semakin banyak risikonya, diantaranya: sukar dalam

menetapkan sampel, sukar melakukan kontrol, sukar menganalisis, sukar

menginterpretasikan, dan lain – lain kesukaran, disamping membutuhkan

waktu dan biaya banyak.

Apabila design yang dikembangkan untuk mencari atau tidaknya

perbedaan dari dua variabel bebas, dan masing – masing variabel bebas

dibagi dalam beberapa kelompok, maka design yang dikembangkan tersebut

sering disebut dengan two factorial design. Dalam kasus ini peneliti akan

menghadapi kelompok sebanyak hasil kali banyak kelompok variabel bebas

pertama dan banyak kelompok variabel bebas kedua.15

A. Perbandingan ANOVA Satu Arah dan Dua Arah

 Analisis disini merupakan penyempurna variance satu arah. Sebenarnya

analisis variance satu arah dapat dipakai untuk menghadapi kasus variabel

bebas lebih dari satu. Hanya saja terpaksa analisisnya dilakukan satu persatu,

sehingga akan menghadapi banyak kasus (N semakin banyak).16

Dengan melakukan analisis of variance dua arah akan dihindari pula

terjadinya noise (suatu kemungkinan yang menyatakan terdapat suatu efek

karena bercampurnya suatu analisis data). Noise ini dapat dihindari pada

analisis of variance dua arah kerana analisis disini melibatkan kontrol terhadapa

perbedaan (kategorikal) variabel bebas. Analisis of variance dua arah dapat

menyajikan bagaimana kondisi interaksi antara variabel bebas yang satu dengan

variabel bebas yang lainnya.17

Interaksi merupakan suatu kebersamaan antar faktor dalam

mempengaruhi variabel bebas, dengan sendirinya pengaruh faktor-faktor secara

mandiri yang telah dihilangkan. Jika terdapat interaksi berarti efek faktor satu

terhadap variabel terikat akan mempunyai garis yang tidak sejajar dengan efek

faktor lain terhadap variabel terikat sejajar (saling berpotong), maka antara

faktor tidak mempunyai interaksi.18

B. Asumsi Dalam Variansi Dua Arah.

Ada beberapa asumsi yang dipakai dalam variansi dua arah:

a. Setiap skor dalam sel harus berdistribusi normal. Asumsi ini dapat sedikit

diabaikan jika sampel tiap sel cukup banyak.

b. Variasi skor pada setiap sel hendaknya homogen atau sama.

c. Skor yang ada bebas dari pengaruh variabel yang tidak diteliti. Hal ini bisa

dicapai dengan mengambil sampel acak dari populasi yang sudah

diklasifikasikan sesuai dengan sel yang ada. Disamping itu perlu dilakukan

kontrol atas terjadinya perembesan pengaruh faktor lain maupun antar

kelompok itu sendiri.19

Seperti halnya variansi satu arah, variansi dua arah pun bisa dilakukan

untuk jumlah sampel yang tidak sama antara sel yang satu dengan sel yang

lainnya. Tetapi ANOVA dua arah dengan jumlah sampel berbed, agak berbeda

dengan uraian diatas. Dalam kasus tersebut rata-rata hendaknya ditimbang,

sehingga pengaruh perbedaan jumlah sampel tidak mempengaruhi hasil

analisis.20

ANOVA dua arah ini digunakan bila sumber keberagaman yang terjadi

tidak hanya karena satu faktor (perlakuan). Faktor lain yang mungkin

menjadi sumber keberagaman respon juga harus diperhatikan. Faktor lain ini

bisa berupa perlakuan lain atau faktor yang sudah terkondisi. Pertimbangan

memasukkan faktor kedua sebagai sumber keberagaman ini perlu bila faktor

itu dikelompokkan (blok), sehingga keragaman antarkelompok sangat besar,

tetapi kecil dalam kelompoknya sendiri. Bila disusun dalam bentuk tabel,

maka tampilan tabel dua arah adalah:21

 Populasi
Blok Total Ukuran
1 2 … K

1 X11 X12 … X2k B1 K1

2 X21 X22 … X2k B2 K2

… … … … … … …

R Xr1 Xr1 … X2k Br Kr

Total T1 T2 … Tk T

Ukuran n1 n2 … nk N

Tabel ANOVA dua arah:

Sumber Derajat Jumlah Varian

Fhitung Ftabel
Keragaman Bebas Kuadrat (Ragam)

(S1)2 / (S-
Blok r-1 JKB (S1)2 F(v1, v3)
3)2

(S2)2 / (S-
Antarkolom k-1 JKK (S2)2 F(v2, v3)
3)2

Sisaan (k-1) (r-1) JKS (S3)2

Total rk-1 JKT

k = jumlah populasi atau perlakuan

N = banyaknya pengamatan = n1 + n2 + … + nk

JKB = Jumlah kuadrat antarbaris

𝐵2 𝑇2
=∑ 𝐾𝑖 −
𝑖 𝑁

JKK = Jumlah kuadrat antar kolom

 𝑇2 𝑇2
= ∑ 𝑛𝑖 −
𝑖 𝑁

JKS = Jumlah kuadrat sisaan

= JKT – JKK – JKB

JKT = Jumlah kuadrat total

2 𝑇2
= (∑ 𝑋𝑖𝑗 )- 𝑁

(S1)2 = JKB/ v1

(S2)2 = JKK/ v2

(S3)2 = JKS/ v3

Statistik Uji yang digunakan adalah F hitung

Tolak H0 bila Fhitung > Ftabel.22

Contoh aplikasi:

Suatu studi mengenai preferensi konsumen melibatkan tiga rancangan kemasan

yang dijual pada empat pasar swalayan. Hasil penjualan selama satu bulan pengamatan

adalah sebagai berikut: (dalam unit penjualan).

Bentuk Kemasan
Pasar Swalayan
A B C

I 12 34 23

II 15 26 21

III 1 23 8
IV 6 22 16

Dengan menggunakan ∝ = 0,05, Buatlah pengujian hipotesis untuk mengetahui

a) Apakah ada pengaruh bentuk kemasan pada tingkat penjualan?

b) Apakah ada pengaruh perbedaan Pasar Swalayan pada penjualan?

Penyelesaian:

Bentuk Kemasan
Pasar Swalayan Total
A B C

I 12 34 23 74

II 15 26 21 62

III 1 23 8 32

IV 6 22 16 44

Total 39 105 68 212

742 + 622 + 322 + 442 - 2122 = 348

JKB = 3 3 3 3 12

392 + 1052 + 682 - 2122 = 547,17

JKK = 4 4 4 12

2122 = 940,67
JKT = 172 + 152 + + … + 162 - 12

JKS = JKT – JKK – JKB

= 940,67 – 547,17 – 348 = 45,5

Tabel ANOVA
Sumber Derajat Jumlah Varian
Fhitung Ftabel
Keragaman Bebas Kuadrat (Ragam)

Blok 3 348 116 15,30 5,14

Antarkolom 2 547,17 273,58 36,09 4,76

Sisaan 16 45,50 7,58

Total 11 940,67

a) Pengujian pengaruh kemasan pada penjualan

H0 : 𝜇 1 = 𝜇 2 = 𝜇 3

Ha : tidak semua sama

Fhitung > Ftabel, maka tolak H0

Kesimpulan : Ada pengaruh dari perbedaan bentuk kemasan pada tingkat

penjualan

b) Pengujian pengaruh pasar swalayan pada penjualan

H0 : 𝜇 1 = 𝜇 2 = 𝜇 3 = 𝜇 4

Ha : tidak semua sama

Fhitung > Ftabel, maka tolak H0

Kesimpulan : Ada pengaruh dari perbedaan pasar swalayan pada tingkat

penjualan.

Catatan : untuk kasus ini perlu dilakukan analisis lanjutan, yaitu uji rata-rata

berganda.23
2.2 Contoh Kasus

Apakah terdapat perbedaan skor hasil test keterampilan komunikasi personal antara

mahasiswa berdasarkan kualifikasi semester (1, 2, 3, dan 4) dan berdasarkan kualifikasi

background mata pencaharian orang tua mahasiswa?

Data ambil di sini DATA TWO WAY ANOVA

1. Data Hasil Ujian adalah variabel Dependent

2. Data Semester dan Background adalah variabel Independent

Langkah-langkah Uji ANOVA dengan program SPSS

1. Klik Analyze > General Liniear Model > Univariate, sehingga muncul jendela sbb:
2. Masukkan variabel Hasil Tes Keterampilan ke kotak Dependent Variable, dan

masukkan variabel Kelas Mahasiswa dan Latar Belakang ke dalam kotak Fixed

Factor (s) seperti terlihat pada gambar di bawah ini:

3. Klik Plots, maka akan muncul jendela sbb; kemudian masukkan Semester ke

kotak Horizintal Axis dan Background ke kotak Separate Lines.

4. Klik Add, maka akan muncul jendela sbb; lalu klik Continue.

5. Klik Post Hoc, maka akan muncul jendela sbb; kemudian masukkan semester ke

kotak Post Hoc Test for -> centang Tukey -> Klik Continue.
6. Klik Options, maka akan muncul jendela sbb; masukkan Semester, Background

dan Semester*Background ke dalam kotak Display Means for. Pada Display

centang Descriptive statistics dan Homogenity tests.

7. Kemudian Klik continue -> Klik OK -> Lihat hasil
 2.3 Hasil dan Interpretasi

Tests of Between-Subjects Effects

Dependent Variable: Hasil Tes Keterampilan Komunikasi Personal

Type III Partial Noncent.

Sum of Mean Eta Paramete Observed

Source Squares df Square F Sig. Squared r Powerb

Corrected Model 30672,72 2044,84

15 36,603 ,000 ,710 549,052 1,000
9a 9

Intercept 1239412, 1239412 22185, 22185,89

1 ,000 ,990 1,000
537 ,537 898 8

SEMESTER 30044,94 10014,9 179,27

3 ,000 ,706 537,815 1,000
6 82 2

BACKGROUND 125,279 3 41,760 ,748 ,525 ,010 2,243 ,209

SEMESTER *
502,504 9 55,834 ,999 ,441 ,039 8,995 ,492
BACKGROUND

Error 12513,73
224 55,865
3

Total 1282599,
240
000

Corrected Total 43186,46

239
2

a. R Squared = ,710 (Adjusted R Squared = ,691)

b. Computed using alpha = ,05

Interpretasi:

Dari tabel output diatas dapat dilihat bahwa:

1. Pada baris Background terlihat nilai signifikan 0.525 yaitu nilai > 0.05, jadi tidak

ada perbedaan yang signifikan antara skor hasil test keterampilan komunikasi

personal dengan latar belakang mahasiswa.

2. Pada baris Semester terlihat nilai signifikan 0.000 yaitu nilai < 0.05, jadi terdapat

perbedaan yang signifikan pada skor hasil test keterampilan komunikasi

personal dengan mahasiswa semester I, II, III dan IV.

2.4 Uji kruskal wallis

Uji Kruskal – Wallis sering pula disebut Uji H Kruskal – Wallis, adalah rampatan

uji jumlah rang (dwisampel Wilcoxon) untuk sejumlah sampel k>=2. Uji ini

digunakan untuk menguji hipotesis nol bahwa k sampel bebas berasal dari

populasi yang sama. Diperkenalkan oleh W.H. Kruskal dan W.A. Wallis pada

tahun 1945, uji ini merupakan padanan cara nonparametrik untuk menguji

kesamaan rataan dalam analisis variansi ekafaktor bila si pencoba ingin

menghindari bahwa sampel berasal dari populasi normal.

Uji ini mirip dengan uji Anova pada data parametrik hanya saja tidak dipenuhi

anggapan k kenormalan dari data. Analisis yang digunakan berdasarkan R ij yaitu

ranking data, bukan data itu sendiri.

Uji Kruskal Wallis merupakan uji non parametric yang digunakan untuk

menguji apakah dua atau lebih mean sample dari populasi memiliki nilai yang

sama.Uji ini merupakan alternative dari uji ANOVA dan digunakan bila salah satu

syarat dari uji ANOVA yang telah disebutkan di atas tidak terpenuhi.

Langkah-langkah yang dilakukan dalam pengujian Kruskal Wallis yaitu :

1. Gabungkan semua sample yang akan diuji.

2. Sample yang telah digabungkan tersebut kemudian diurutkan dari yang terkecil

kemudian diberi ranking mulai dari 1 untuk nilai yang terkecil.

3. Tentukan hipotesis awal dan tandingannya yaitu Ho:µ1 = µ2 = … = µn dan H1:

satu atau lebih dari mean populasi tidak sama dengan lainnya.

4. Tentukan nilai α (biasanya dipakai 0,05)

5. Tentukan daerah kritis (penolakan) h > X² dengan nilai derajat kebebasan v = n –

1 dan n adalah jumlah data.

6. Pengamatan yang sudah di rank dijumlahkan tiap rank nya.

12 k r
7. H   1  3(n  1)
[n(n  1)] i 1 n1

8. Jika H < daer kritis maka kesimpulannya Ho diterima.

PRESENTASI DATA

1. Data view kuisoner 29 responden (kombinasi TI, TE, IF).

2. Tabel Output One Way ANOVA dan analisis tabelnya

Tabel Deskriptives menampilkan data-data deskriptif seperti jumlah data, nilai mean,

standar deviasi, standar error, nilai minimum, nilai maximum, dan 95% CI untuk mean

dari masing-masing jurusan.

Tabel Test of Homogeneity of Variances menunjukkan uji Levene untuk mengetahui

apakah variansi kepuasan untuk masing-masing jurusan bernilai sama atau tidak.

Tabel ANOVA:

 Sum of Squares

1) Between Groups = SSB

2) Within Groups = SSW

3) Total = SST

 df = nilai degrees of freedom untuk masing-masing sumber

1) Between Groups = c – 1 = jumlah jurusan – 1 = 3 – 1 = 2

2) Within Groups = n – c = jumlah data – jumlah jurusan = 17 – 3 = 14

3) Total = n – 1 = jumlah jurusan – 1 = 17 – 1 = 16

  Mean Square = nilai rataan kuadrat untuk masing-masing sumber

1) Between Groups = MSB = SSB/df

2) Within Groups = MSW = SSW/df

 F = nilai Fhitung = MSB/MSW

 Sig. = nilai p-value

H0 : μ1 = μ2 = μ3 = ... = μk

H1 : satu atau lebih dari mean populasi tidak sama dengan lainnya

Sig. pada Gender*Jurusan = 0.29 >  = 0.05 maka terima H0 artinya seluruh

mean kepuasan dari masing-masing gender adalah sama

Tabel Multiple Comparisons menampilkan perbandingan nilai rata-rata kepuasan

masing-masing jurusan dan menjelaskan nilai rata-rata kepuasan yang sama

berdasarkan nilai Sig., apabila Sig >  = 0.05 maka nilai rata-rata kepuasan antara kedua

jurusan yang dibandingkan bernilai sama.

Tabel Homogeneous Subsets menunjukkan nilai rata-rata kepuasan untuk ketiga

jurusan bernilai sama apabila terletak pada satu kolom subset.

Grafik Means Plots memplotkan nilai mean rata-rata kepuasan untuk masing-masing

jurusan kedalam grafik.

3. Tabel Output TWO Way ANOVA dan analisis tabelnya

Tabel Between-Subjects Factors menampilkan jumlah data yang valid pada masing-

masing variable. Jumlah data pada gender dan jurusan bernilai sama, yaitu N=17.

Tabel Tests of Between-Subjects Effects

 Type III Sum of Squares

1) Corrected Model = SSTR + SSBL

2) Error = SSE

3) Corrected Total = SSTR + SSBL + SSE

 df = nilai degrees of freedom untuk masing-masing sumber

 Mean Square = nilai rata-rata kuadrat untuk masing-masing sumber

 F = nilai uji F untuk masing-masing sumber

Fhitung = F pada Gender*Jurusan

 Sig. = nilai p-value

H0 : tidak ada interaksi antara jurusan dengan jenis kelamin

H1 : ada interaksi antara jurusan dengan jenis kelamin

 Sig. pada Gender*Jurusan = 0.437 >  = 0.05 maka terima H0 artinya rata-rata

kepuasan antar gender di tiga jurusan sama

 R Squared = 0.218 artinya 21.8% tingkat kepuasan dipengaruhi oleh gender dan

jurusan dan sisanya 78.2% tingkat kepuasan dipengaruhi oleh

faktor lainnya.

4. Tabel Output Kruskall-Wallis dan analisis tabelnya

Tabel Ranks menampilkan jumlah data dan nilai rata-rata rank kepuasan untuk ketiga

jurusan.

Tabel Test Statistics

 Chi-square = X2hitung

 df = nilai degrees of freedom = c – 1 = jumlah jurusan – 1 = 3 – 1 = 2

 Asymp. Sig. = nilai p-value

BAB III

PENUTUP

3.1 Kesimpulan

ANOVA merupakan analisis statistik yang dapat memberikan informasi tentang

perbedaan antar kelompok satu dengan kelompok lain dalam satu populasi, maupun

antar populasi. ANOVA mengandung kesalahan yang lebih kecil dan lebih efisien

daipada pengujian perbedaan dengan t tes. Jenis ANOVA ada dua yaitu anova SATU arah

dan ANOVA dua arah. Perhitungan ANOVA didasarkan pada variance walaupun

tujuannya menguji beberapa perbedaan rata-rata.

Beberapa kemungkinan yang mempengaruhi terjadinya perbedaan dan perlu

diperhatikan oleh pemakai atau oleh peneliti yang menggunakan ANOVA: pengaruh

waktu, pengaruh perbedaan individual, pengaruh pengukuran.

Pengujian signifikasi perbedaan dalam ANOVA dengan F tes. ANOVA satu arah

dengan jumlah per sel tidak sama, analisisnya tidak berbeda dengan jumlah sampel

yang sama tiap sel, asal jumlah sampel cukup besar dan perbedaan jumlah sampel antar

sel tidak mencolok.

 DAFTAR PUSTAKA

Sugiarto, Dergibson Siagian. 2000. Metode Statistik untuk Bisnis dan

Ekonomi.Jakarta:PT.Gramedia Pustaka Utama.

Nalim. Diktat Statistik Bisnis.

Irianto, Agus. 2004. Statistik: Konsep Dasar & Aplikasinya. Jakarta: Kencana.

Suparman. 1995. Statistik Sosial. Jakarta: PT Raja Grafindo.

Djarwanto. 1991. Statsitik Non Parametrik. Edisi 2. Yogyakarta: BPFE.

Nasution, S. 2006. Metode Research. Jakarta: Bumi Aksara.

Sugiyono. 2009. Metode Penelitian Kualitatif Kuantitatif dan R&D. Bandung: Alfabeta