MANOVA DUA JALUR

A. Pendahuluan
Pada makalah ini akan dipelajari Multiple analysis of variance
(MANOVA) dua jalur. Sebelum mempelajari MANOVA dua jalur, perlu untuk
diingat asumsi-asumsi dalam MANOVA, Karena semua model matematika
adalah perkiraan untuk kenyataan sehingga pelanggaran pada asumsi tidak dapat
dihindari. Asumsi yang harus dipenuhi dalam MANOVA yaitu asumsi
independensi, asumsi normalitas multivariat pada variabel-variabel terikat dalam
masing-masing populasi (kelompok), dan asumsi homogenitas matriks kovariansi.
Setelah memenuhi asumsi-asumsi tersebut maka kita dapat menyelesaikan analisis
dengan menggunakan MANOVA.

B. MANOVA Dua Jalur

Jika dalam penelitian yang dikaji adalah pengaruh dari berbagai
perlakuan terhadap lebih dari satu respon, maka metode analisis yang tepat untuk
digunakan adalah Multivariate Analisys Of Variance (MANOVA). Manova terdiri
dari dua faktor yang disebut dengan MANOVA dua jalur yang dibedakan menjadi
MANOVA dua jalur dengan interaksi dan MANOVA dua jalur tanpa interaksi.
Pengujian asumsi pada MANOVA yaitu antar pengamatan harus
independen, distribusi normal multivariat pada variabel dependen, dan
homogenitas matriks varians kovarians antar grup pada variabel dependen.
MANOVA dua jalur dengan interaksi digunakan jika disetiap kombinasi level
faktor terdapat ulangan sebanyak r, hipotesis yang diuji pengaruh interaksi faktor
1*faktor 2, pengaruh faktor 1, pengaruh faktor 2. MANOVA dua jalur tanpa
interaksi digunakan jika hanya satu vektor pengamatan yang ada disetiap
kombinasi level faktor, hipotesis yang diuji pengaruh faktor 1 dan pengaruh faktor
2. Statistik uji yang digunakan dalam MANOVA dua jalur (Rencher, 1998: 149 -
150) adalah Wilk’s Lambda dengan uji lanjutan pendekatan Bonferroni, LSD dan
Tukey.

1
Model umum MANOVA dua jalur yaitu:
X ijk     i   j   ij  eijk (1.1)

i = 1, 2, 3, ..., a
j = 1, 2, 3, ..., b
k = 1, 2, 3, ..., r
dimana terdapat a level pada faktor 1 dan terdapat b level pada faktor 2, serta
observasi yang independen sebanyak r yang diamati pada setiap kombinasi level–
a b a b
level a b dan  i   j   ij   ij 0 untuk vektor semua order p1dan
i 1 j 1 i 1 j 1

eijk adalah independen N P (0,  ) vektor acak. Dengan demikian respon terdiri

dari pengukuran p diulang r kali pada setiap kemungkinan kombinasi faktor 1

dan 2. (Johnson, 2007: 315)
Berdasarkan persamaan (1.1) maka kita dapat menguraikan vektor
observasi X ijk menjadi
         
X ijk  x ( xi.  x)  ( x. j  x)  ( xij  xi.  x. j  x)  ( xijk  xij ) (1.2)

dimana:

x  rata-rata keseluruhan dari vektor observasi

xi.  rata-rata vektor observasi pada level ke- i dari faktor 1

x. j  rata-rata vektor observasi padalevel ke- j dari faktor 2

xij  rata-rata vektor observasi pada level ke-i dari faktor 1 dan level ke-j dari
faktor 2
Dengan mengkuadratkan dan menjumlahkan maka diperoleh:
a b r   a   b  
 ( x
i 1 j 1 k 1
ijk  x)( xijk  x)'  br (xi.  x)( xi.  x)' ar (x. j  x)( x. j  x)'
i 1 k 1

a b        
 r ( xik  xi.  x. j  x)( xij  xi.  x. j  x)'
i 1 j 1

a b r  
 ( x
i 1 j 1 k 1
ijk  xijk )( xijk  xijk )' (1.3)

2
atau SScor=SSfac1+SSfac2+SSinv+SSres

Derajat bebas yang sesuai dengan (1.3) adalah:

abn  1  (a  1)  (b  1)  (a  1)(b  1)  ab(r  1) (1.4)
Berikut ini merupakan tabel MANOVA dua jalur untuk membandingkan faktor-
faktor dan interaksinya.
Tabel 1.1
MANOVA Dua Jalur
(Johnson, 2007: 316)

Derajat
Source of Matriks sum of squares dan
bebas
variation Cross products (SSP)
(df)
a    
Faktor 1 SSPfac1   br ( xi.  x)( xi.  x)' a-1
i 1

b    
Faktor 2 SSPfac2   ar ( x. j  x)( x. j  x)' b-1
j 1

a b        
Interaksi SSPint   r ( xij  xi.  x. j  x)( xij  xi.  x. j  x)' (a-1)(b-1)
i 1 j 1

Residual a b r  
SSPres   ( xijk  xijk )( xijk  xijk )' ab(r-1)
(Error) i 1 j 1 k 1

Total a b r  
SSPcor   ( xijk  x)( xijk  x)' abn-1
(Corrected) i 1 j 1 k 1

C. Pengujian Statistik MANOVA dua jalur

The likelihood ratio test:
 Perumusan hipotesis:
H0 :  11   12  ...   ab  0 (tidak ada efek interaksi) (1.5)

H1 :  ij  0

3
 Statistik uji
SSPres
* 
SSPint  SSPres

Untuk sampel besar Wilks Lambda * dapat disebut chi-square percentil. Dengan
menggunakan Barlett’s multiplier untuk chi-square, maka
H 0 :  11   12  ...   gb  0 ditolak pada tingkat  jika

 p  1  (a  1)(b  1) 
 ab(n  1)   ln *   2( a 1)( b 1) p ( ) (1.6)
 2 
dengan:
SSPres
* 
SSPint  SSPres

 2( a 1)( b 1) p ( ) merupakan percentile teratas ke- (100 ) persen dari distribusi chi-
square dengan derajat bebas (a  1)(b  1) p .
atau
untuk (a– 1)(b– 1)= 1

dengan
v1 | (a  1)(b  1)  p | 1
v2  ab(n  1)  p  1
(Johnson, 2007: 322)

Secara umum, uji untuk interaksi dilakukan sebelum uji untuk masing-
masing efek faktor. Jika efek interaksi ada, efek faktor tidak punya intepretasi
yang jelas. (Johnson, 2007: 316)
Dalam model multivariat efek faktor 1 dan faktor 2 diuji dengan hipotesis:
a. Efek faktor 1
 Perumusan Hipotesis
H0 :1   2  ...   a  0

H1 :  l  0

4
 Hipotesis-hipotesis tersebut secara berturut-turut diartikan tidak ada efek faktor
1 dan ada efek faktor 1. (Johnson, 2007: 317)
 Statistik Uji
SSPres
* 
SSPint  SSPres

Dengan menggunakan Bartlett’s Correction, Tolak H0 :1   2  ...   a  0

(tidak ada efek faktor 1) pada level  jika

 p  1  (a  1) 
 ab(n  1)   ln *   2( a 1) p ( )
 2 
dengan:
SSPres
* 
SSPfac1  SSPres

 2 ( g 1) p ( ) adalah percentile teratas ke- (100 ) dari distribusi chi-square

dengan derajat bebas (a  1) p
atau
untuk (a– 1) = 1

dengan
v1 | (a  1)  p | 1
v2  ab(r  1)  p  1
(Johnson, 2007: 322)

b. EfekFaktor 2
 PerumusanHipotesis
H 0 : 1   2  ...   b  0

H1 :  k  0
Hipotesis-hipotesis tersebut secara berturut-turut diartikan tidak ada efek faktor
1 dan ada efek faktor 1. (Johnson, 2007: 317)

5
  Statistik Uji
SSPres
* 
SSPint  SSPres

Barrlett’s correction digunakan dengan menolak H 0 : 1   2  ...   b  0

(no factor 2 effects) pada level  jika

 p  1  (b  1) 
 ab(n  1)   ln *   (b 1) p ( )
2

 2 
dengan:
SSPres
* 
SSPfac2  SSPres

 2 (b1) p ( ) adalah percentile terataske- (100 ) dari distribusi chi-square dengan

derajat bebas (b  1) p .
atau
untuk (b– 1)= 1

dengan
v1 | (b  1)  p | 1
v2  ab(n  1)  p  1
(Johnson, 2007: 322)

D. Contoh Soal dan Aplikasi SPSS

Analisis Multivariat pada tesis berjudul “PENGARUH PENDEKATAN
PROBLEM SOLVING DAN PROBLEM POSING SERTA MINAT BELAJAR
MATEMATIKA TERHADAP KEMAMPUAN PEMECAHAN MASALAH
DAN REPRESENTASI MATEMATIS SISWA SMP” oleh Martalia
Ardiyaningrum (2012).

6
 Pendekatan Pembelajaran
Tingkat
r Problem Solving (A) Problem Posing (B)
Minat
X1 X2 X1 X2
1 17 19 23 24
2 18 18 15 19
3 20 20 12 20
4 18 22 14 22
5 18 19 12 20
6 19 24 21 23
7 22 23 18 19
8 15 20 22 24
Tinggi (1) 9 10 18 17 23
10 18 22 16 20
11 15 19 12 22
12 21 17 16 22
13 20 21 19 22
14 18 18 20 24
15 15 12 16 22
16 16 14 18 21
17 20 22 22 26
1 22 25 16 23
2 18 14 18 21
3 15 14 14 23
4 14 16 14 17
5 15 14 12 22
6 16 14 14 18
7 9 12 8 18
8 15 17 13 17
Rendah (2) 9 16 23 14 16
10 17 17 13 18
11 9 14 12 20
12 14 18 10 16
13 18 15 7 9
14 12 12 8 10
15 13 18 8 15
16 13 14 7 16
17 9 15 7 13
Keterangan :
X1 : Kemampuan pemecahan masalah
X2 : Kemampuan representasi matematis

7
a. Penyelesaian secara Manual
Diketahui: a = 2, b = 2, r = 17, p = 2
a    
SSPfac1   br ( xl .  x)( xl .  x)'
l 1

17,441 20,618 15,191 18,603  2,250 2,015 

( x i .  x)       
12,941 16,588  15,191 18,603  2,250  2,015
10,125 9,066
( xi.  x)( xi.  x)'   
 9,066 8,118 
a     10,125 9,066 344,250 308,250
SSPfac1   br ( xl .  x)( xl .  x)'  2 *17 *   
l 1  9,066 8,118  308,250 276,015
b    
SSPfac2   ar ( x. j  x)( x. j  x)'
k 1

  16,029 17,647 15,191 18,603  0,838  0,956

( x. j  x)'     
14,353 19,559 15,191 18,603  0,838 0,956 
SSPfac2 
     1,405  1,603
( x. j  x)( x. j  x)'   
 1,603 1,827 
b      1,405  1,603  47,779  54,485
SSPfac2   ar ( x. j  x)( x. j  x)'  2 *17 *   
k 1  1,603 1,827   54,485 62,132 

a b        
SSPint   r ( xij  xi.  x. j  x)( xij  xi.  x. j  x)'
i 1 j 1

17,647 19,294 16,029 17,647 17,441 20,618

   
14,412 16,000 16,029 17,647 12,941 16,588 
( xij  xi.  x. j  x)'     
17,235 21,941 14,353 19,559  17,441 20,618
     
11,471 17,176  14,353 19,559  12,941 16,588 

15,191 18,603  0,632  0,368

15,191 18,603  0,632 0,368 
 
15,191 18,603  0,632 0,368 
   
15,191 18,603  0,632  0,368

8
         1,599 0,930
( xij  xi.  x. j  x)( xij  xi.  x. j  x)'   
0,930 0,541
a b         1,599 0,930 27,191 15,809
SSPint   r ( xij  xi.  x. j  x)( xij  xi.  x. j  x)'  17 *   
i 1 j 1 0,930 0,541 15,809 9,191 

a b r   725,294 415,588
SSPres   ( xijk  xijk )( xijk  xijk )'   
i 1 j 1 k 1 415,588 672,941
Table MANOVA

Sumber Variabel
SSP df MS F Sig.
Variasi Terikat
Faktor 1
X1 344,250 1 344,250 30,377 0,000
(Minat)
X2 276,015 1 276,015 26,250 0,000
Faktor 2
X1 47,779 1 47,779 4,216 0,044
(Metode)
X2 62,132 1 62,132 5,909 0,018
Interaksi
X1 27,191 1 27,191 2,399 0,126

X2 9,191 1 9,191 0,874 0,353

Residual X1 725,294 64 11,333
(Error)
X2 672,941 64 10,515
Total X1 1144,515 67
(Corrected)
X2 1020,279 67

 Pengujian interaksi
1. Hipotesis
• H 0 :  11   12   21   22  0 ; Tidak terdapat interaksi antara
pendekatan pembelajaran dan minat
belajar terhadap kemampuan
pemecahan masalah dan kemampuan
representasi matematis siswa.

9
 H1 :   ij  0 ; Terdapat interaksi antara pendekatan

pembelajaran dan minat belajar

terhadap kemampuan pemecahan
masalah dan kemampuan representasi
matematis siswa.
2. Taraf signifikansi
  0,05
3. Statistik uji
SSPres
* 
SSPint  SSPres

 p  1  (a  1)(b  1) 
 2 hitung  ab(r  1)   ln *
 2 
 2tabel   2( a 1)( b 1) p ( )

4. Kriteria keputusan
Menggunakan distribusi F: H 0 ditolak jika  2 hitung >  2tabel
5. Perhitungan
SSPres
* 
SSPint  SSPres

315.366,7
*   0,9638
327.191,1
 2  1  (2  1)(2  1) 
 2 hitung  2 * 2(17  1)   ln 0,9638  2,319
 2 
 2tabel   2( 21)( 21) 2 (0,05)  5,991
6. Kesimpulan
H0 diterima karena  2 hitung (2,319) <  2tabel (5,991), sehingga dapat
disimpulkan bahwa tidak terdapat interaksi antara pendekatan
pembelajaran dan minat belajar terhadap kemampuan pemecahan
masalah dan kemampuan representasi matematis siswa.

10
 Pengaruh faktor 1 dan faktor 2:
1. Hipotesis
Pengaruh faktor 1:
H 0 :1   2  0 ; tidak terdapat perbedaan minat belajar terhadap
kemampuan pemecahan masalah dan kemampuan
representasi matematis siswa.

11
 H1 :  i  0 ; terdapat perbedaan minat belajar terhadap
kemampuan pemecahan masalah dan kemampuan
representasi matematis siswa.
pengaruh faktor 2:
H 0 : 1   2  0 ; tidak terdapat perbedaan pendekatan pembelajaran
terhadap kemampuan pemecahan masalah dan
kemampuan representasi matematis siswa.
H1 :  j  0 ; terdapat perbedaan pendekatan pembelajaran

terhadap kemampuan pemecahan masalah dan

kemampuan representasi matematis siswa.
2. Taraf signifikansi
  0,05
3. Statistik uji
Pengaruh faktor 1:
SSPres
*1 
SSPfac1  SSPres

 p  1  (a  1) 
 2 hitung  ab(r  1)   ln *1
 2 
 2tabel   2( a 1) p ( )

pengaruh faktor 2:
SSPres
* 2 
SSPfac2  SSPres

 p  1  (b  1) 
 2 hitung  ab(r  1)   ln  2
*

 2 
 2tabel   2(b 1) p ( )
4. Kriteria keputusan
Menggunakan distribusi F: H 0 ditolak jika  2 hitung >  2tabel
5. Perhitungan

12
 pengaruh faktor 1:
315.366,7
*1   0,642
491.008,4
 2  1  (2  1) 
 2 hitung  2 * 2(17  1)   ln 0,642  27,892
 2 
 2tabel   2( 21)*2 (0,05)  5,991
Pengaruh faktor 2:
315.366,7
*2   0,720
437.870,6
 2  1  (2  1) 
 2 hitung  2 * 2(17  1)   ln 0,720  20,676
 2 
 2tabel   2( 21)*2 (0,05)  5,991
6. Kesimpulan
Pengaruh faktor 1 (minat belajar):
H0 ditolak karena  2 hitung (27,892) >  2tabel (5,991), sehingga dapat
disimpulkan bahwa terdapat perbedaan minat belajar terhadap
kemampuan pemecahan masalah dan kemampuan representasi matematis
siswa.
Pengaruh faktor 2 (pendekatan pembelajaran):
H0 ditolak karena  2 hitung (20,676) >  2tabel (5,991), sehingga dapat
disimpulkan bahwa terdapat perbedaan pendekatan pembelajaran
terhadap kemampuan pemecahan masalah dan kemampuan representasi
matematis siswa.

b. Perhitungan dengan Menggunakan SPSS

1. Buat variabel view berikut:

13
2. Input data pada variabel view

3. Pilih menu → general linear model → multivariate → dependen

variabel (x1,x2) → fixed factor (minat, metode) → OK

14
 4. Diperoleh output
Multivariate Testsa

Effect Value F Hypothesis df Error df Sig.

b
Intercept Pillai's Trace ,974 1164,213 2,000 63,000 ,000

Wilks' Lambda ,026 1164,213b 2,000 63,000 ,000

b
Hotelling's Trace 36,959 1164,213 2,000 63,000 ,000

Roy's Largest Root 36,959 1164,213b 2,000 63,000 ,000

b
Metode Pillai's Trace ,280 12,236 2,000 63,000 ,000
b
Wilks' Lambda ,720 12,236 2,000 63,000 ,000

Hotelling's Trace ,388 12,236b 2,000 63,000 ,000

Roy's Largest Root ,388 12,236b 2,000 63,000 ,000

b
Minat Pillai's Trace ,358 17,544 2,000 63,000 ,000
b
Wilks' Lambda ,642 17,544 2,000 63,000 ,000

Hotelling's Trace ,557 17,544b 2,000 63,000 ,000

Roy's Largest Root ,557 17,544b 2,000 63,000 ,000

b
Metode * Minat Pillai's Trace ,036 1,181 2,000 63,000 ,314

Wilks' Lambda ,964 1,181b 2,000 63,000 ,314

Hotelling's Trace ,037 1,181b 2,000 63,000 ,314

Roy's Largest Root ,037 1,181b 2,000 63,000 ,314

a. Design: Intercept + Metode + Minat + Metode * Minat

b. Exact statistic

15
 Tests of Between-Subjects Effects

Type III Sum

Source Dependent Variable of Squares df Mean Square F Sig.

Corrected Pemecahan Masalah 419,221a 3 139,740 12,331 ,000

Model Representasi Matematis 347,338b 3 115,779 11,011 ,000

Intercept Pemecahan Masalah 15692,485 1 15692,485 1384,706 ,000

Representasi Matematis 23532,721 1 23532,721 2238,077 ,000

Metode Pemecahan Masalah 47,779 1 47,779 4,216 ,044

Representasi Matematis 62,132 1 62,132 5,909 ,018

Minat Pemecahan Masalah 344,250 1 344,250 30,377 ,000

Representasi Matematis 276,015 1 276,015 26,250 ,000

Metode * Minat Pemecahan Masalah 27,191 1 27,191 2,399 ,126

Representasi Matematis 9,191 1 9,191 ,874 ,353

Error Pemecahan Masalah 725,294 64 11,333

Representasi Matematis 672,941 64 10,515

Total Pemecahan Masalah 16837,000 68

Representasi Matematis 24553,000 68

Corrected Total Pemecahan Masalah 1144,515 67

Representasi Matematis 1020,279 67

a. R Squared = ,366 (Adjusted R Squared = ,337)

b. R Squared = ,340 (Adjusted R Squared = ,310)

Intepretasi hasil perhitungan SPSS

Pengaruh faktor 1 (minat belajar):
H0 ditolak karena sig. (0,000) < α (0,05), sehingga dapat disimpulkan bahwa
terdapat perbedaan minat belajar terhadap kemampuan pemecahan masalah dan
kemampuan representasi matematis siswa.

Pengaruh faktor 2 (pendekatan pembelajaran):

H0 ditolak karena sig. (0,000) < α (0,05), sehingga dapat disimpulkan bahwa
terdapat perbedaan pendekatan pembelajaran terhadap kemampuan pemecahan
masalah dan kemampuan representasi matematis siswa.

16
Interaksi :
H0 diterima karena sig. (0,314) > α (0,05), sehingga dapat disimpulkan bahwa
tidak terdapat interaksi antara pendekatan pembelajaran dan minat belajar
terhadap kemampuan pemecahan masalah dan kemampuan representasi matematis
siswa.

Pos Hoc (tidak ada interaksi)

Faktor 1 :
Hipotesis untuk variabel ke-i :
1. H0 : µi.j = µi’j; H1 : µi.j ≠ µi’j
2. H0 : µi.j ≤ µi’j; H1 : µi.j > µi’j
3. H0 : µi.j ≥ µi’j; H1 : µi.j < µi’j
Statistik Uji :
- Uji Bonferoni

x i . j  x i ', j
t
 2
MSEii  
 br 
Eii
MSEii  ; Eii  diagonal ke  i dari SSPres
ab(r  1)

  
1. H0 ditolak jika t  tab( r 1)  
 pa(a  1) 

  
2. H0 ditolak jika t  tab( r 1)  
 pa(a  1) 

  
3. H0 ditolak jika t  tab( r 1)  
 pa(a  1) 

- Uji LSD t

x i . j  x i ', j
t
 2
MSEii  
 br 

17
  
1. H0 ditolak jika t  tab( r 1)  
2
 
2. H0 ditolak jika t  tab( r 1)  
2
 
3. H0 ditolak jika t  tab( r 1)  
2

- Uji Tukey

x i . j  x i ', j
q
1
MSEii  
 br 

1. H0 ditolak jika q  qa, ab( r 1)  

2. H0 ditolak jika q  qa, ab( r 1)  

3. H0 ditolak jika q  qa, ab( r 1)  

Faktor 2 :
Hipotesis untuk variabel ke-j :
1. H0 : µ.jk = µ.j’k; H1 : µ.jk ≠ µ.j’k
2. H0 : µ.jk ≤ µ.j’k; H1 : µ.jk > µ.j’k
3. H0 : µ.jk ≥ µ.j’k; H1 : µ.jk < µ.j’k
Statistik Uji :
- Uji Bonferoni
x. jk  x. j ' k
t
 2
MSEii  
 ar 
Eii
MSEii  ; Eii  diagonal ke  i dari SSPres
ab(r  1)

  
1. H0 ditolak jika t  tab( r 1)  
 pb(b  1) 

18
   
2. H0 ditolak jika t  tab( r 1)  
 pb(b  1) 
  
3. H0 ditolak jika t  tab( r 1)  
 pb(b  1) 

- Uji LSD t
x. jk  x. j ' k
t
 2
MSEii  
 ar 

 
1. H0 ditolak jika t  tab( r 1)  
2
 
2. H0 ditolak jika t  tab( r 1)  
2
 
3. H0 ditolak jika t  tab( r 1)  
2

- Uji Tukey
x. jk  x. j ' k
q
 1 
MSEii  
 ar 

1. H0 ditolak jika q  qb, ab( r 1)  

2. H0 ditolak jika q  qb, ab( r 1)  

3. H0 ditolak jika q  qb, ab( r 1)  

19
Pos Hoc Faktor 1 (minat)

 Hipotesis:
1) H0: (minat tinggi tidak lebih efektif daripada minat rendah
ditinjau dari pemecahan masalah siswa)
H1: (minat tinggi lebih efektif daripada minat rendah ditinjau
dari pemecahan masalah siswa)
2) H0: (minat tinggi tidak lebih efektif daripada minat rendah
ditinjau dari representasi matematis siswa)
H1: (minat tinggi lebih efektif daripada minat rendah ditinjau
dari representasi matematis siswa)

 Taraf Signifikansi,
 Statistik Uji
- Uji Bonferoni dan Uji t LSD :

x i . j  x i ', j
t
 2
MSEii  
 br 
- Uji Tukey

x i . j  x i ', j
q
1
MSEii  
 br 

 Kriteria Keputusan:
- Uji Bonferoni :
  
H 0 ditolak jika t  t ab( r 1)  
 pa(a  1) 
- Uji t LSD :
H 0 ditolak jika t  tab( r 1)  

- Uji Tukey
H 0 ditolak jika q  qa,ab( r 1)  

20
 Perhitungan :
1) X1 (Pemecahan masalah)
- Uji Bonferoni :
17,441  12,941
t11   5,512
 2 
11,333 
 2 *17 

 0,05 
t tabel  t  ;2 * 2 * (17  1)   t (0,0125;64)  2,295
 2 * 2 * (2  1) 
- Uji t LSD :
17,441  12,941
t11   5,512
 2 
11,333 
 2 *17 
t tabel  t 0,05;2 * 2 * (17  1)  t (0,05;64)  1,669
- Uji Tukey :
17,441  12,941
q11   7,794
 1 
11,333 
 2 *17 
q tabel  q0,05;2;2 * 2 * (17  1)  q(0,05;2;64)  2,89

2) X2 (Representasi matematis)
- Uji Bonferoni :
20,618  16,588
t12   5,124
 2 
10,515 
 2 *17 

 0,05 
t tabel  t  ;2 * 2 * (17  1)   t (0,0125;64)  2,295
 2 * 2 * (2  1) 
- Uji t LSD :
20,618  16,588
t12   5,124
 2 
10,515 
 2 *17 
t tabel  t 0,05;2 * 2 * (17  1)  t (0,05;64)  1,669

21
 - Uji Tukey :
20,618  16,588
q12   7,246
 1 
10,515 
 2 *17 
q tabel  q0,05;2;2 * 2 * (17  1)  q(0,05;2;64)  2,89

 Kesimpulan :
1) X1 (Pemecahan masalah)
- Uji Bonferoni:
H0 ditolak karena t11 (5,512) > t tabel  2,295 sehingga dapat
disimpulkan bahwa minat tinggi lebih efektif daripada minat rendah
ditinjau dari pemecahan masalah siswa.
- Uji t LSD :
H0 ditolak karena t11 (5,512) > t tabel  1,669 sehingga dapat
disimpulkan bahwa minat tinggi lebih efektif daripada minat rendah
ditinjau dari pemecahan masalah siswa.
- Uji Tukey :
H0 ditolak karena q11 (7,794) > q tabel  2,89 sehingga dapat
disimpulkan bahwa minat tinggi lebih efektif daripada minat rendah
ditinjau dari pemecahan masalah siswa.
2) X2 (Representasi matematis)
- Uji Bonferoni:
H0 ditolak karena t12 (5,124) > t tabel  2,295 sehingga dapat
disimpulkan bahwa minat tinggi lebih efektif daripada minat rendah
ditinjau dari representasi matematis siswa.
- Uji t LSD :
H0 ditolak karena t12 (5,124) > t tabel  1,669 sehingga dapat
disimpulkan bahwa minat tinggi lebih efektif daripada minat rendah
ditinjau dari representasi matematis siswa.

22
 - Uji Tukey :
H0 ditolak karena q12 (7,246) > q tabel  2,89 sehingga dapat
disimpulkan bahwa minat tinggi lebih efektif daripada minat rendah
ditinjau dari representasi matematis siswa.

Pos Hoc Faktor 2 (pendekatan pembelajaran)

 Hipotesis:
1) H0: (problem solving tidak lebih efektif daripada problem
posing ditinjau dari pemecahan masalah siswa)
H1: (problem solving lebih efektif daripada problem posing
ditinjau dari pemecahan masalah siswa)
2) H0: (problem solving tidak lebih efektif daripada problem
posing ditinjau dari representasi matematis siswa)
H1: (problem solving lebih efektif daripada problem posing
ditinjau dari representasi matematis siswa)

 Taraf Signifikansi,
 Statistik Uji
- Uji Bonferoni dan Uji t LSD :
x i. j  x i ', j
t
 2
MSEii  
 ar 
- Uji Tukey
x i. j  x i ', j
q
1
MSEii  
 ar 

 Kriteria Keputusan:
- Uji Bonferoni :
  
H 0 ditolak jika t  t ab( r 1)  
 pa(a  1) 

23
 - Uji t LSD :
H 0 ditolak jika t  tab( r 1)  

- Uji Tukey
H 0 ditolak jika q  qb,ab( r 1)  

 Perhitungan :
3) X1 (Pemecahan masalah)
- Uji Bonferoni :
16,029  14,353
t 21   2,053
 2 
11,333 
 2 *17 

 0,05 
t tabel  t  ;2 * 2 * (17  1)   t (0,0125;64)  2,295
 2 * 2 * (2  1) 
- Uji t LSD :
16,029  14,353
t 21   2,053
 2 
11,333 
 2 *17 
t tabel  t 0,05;2 * 2 * (17  1)  t (0,05;64)  1,669
- Uji Tukey :
16,029  14,353
q21   2,904
 1 
11,333 
 2 *17 
q tabel  q0,05;2;2 * 2 * (17  1)  q(0,05;2;64)  2,89

4) X2 (Representasi matematis)
- Uji Bonferoni :
17,647  19,559
t12   2,341
 2 
10,515 
 2 *17 

 0,05 
t tabel  t  ;2 * 2 * (17  1)   t (0,0125;64)  2,295
 2 * 2 * (2  1) 
- Uji t LSD :

24
 17,647  19,559
t12   2,341
 2 
10,515 
 2 *17 
t tabel  t 0,05;2 * 2 * (17  1)  t (0,05;64)  1,669

- Uji Tukey :
20,618  16,588
q12   7,246
 1 
11,333 
 2 *17 
17,647  19,559
q12   3,348
 1 
10,515 
 2 *17 
q tabel  q0,05;2;2 * 2 * (17  1)  q(0,05;2;64)  2,89

 Kesimpulan :
3) X1 (Pemecahan masalah)
- Uji Bonferoni:
H0 diterima karena t12 (2,053) < t tabel  2,295 sehingga dapat
disimpulkan bahwa problem solving tidak lebih efektif daripada
problem posing ditinjau dari pemecahan masalah siswa.
- Uji t LSD :
H0 ditolak karena t12 (2,053) > t tabel  1,669 sehingga dapat
disimpulkan bahwa problem solving lebih efektif daripada problem
posing ditinjau dari pemecahan masalah siswa.
- Uji Tukey :
H0 ditolak karena q12 (2,904) > q tabel  2,89 sehingga dapat
disimpulkan bahwa problem solving lebih efektif daripada problem
posing ditinjau dari pemecahan masalah siswa.

25
4) X2 (Representasi matematis)
- Uji Bonferoni:
H0 diterima karena t12 (2,341) < t tabel  2,295 sehingga dapat
disimpulkan bahwa problem solving tidak lebih efektif daripada
problem posing ditinjau dari representasi matematis siswa.
- Uji t LSD :
H0 diterima karena t12 (2,341) < t tabel  1,669 sehingga dapat
disimpulkan bahwa problem solving tidak lebih efektif daripada
problem posing ditinjau dari representasi matematis siswa.
- Uji Tukey :
H0 diterima karena q12 (3,348) < q tabel  2,89 sehingga dapat
disimpulkan bahwa problem solving tidak lebih efektif daripada
problem posing ditinjau dari representasi matematis siswa.

26
REFERENSI

Johnson, R.A. &Wichern, D.W. (2007).Applied Multivariate Statistical Analysis.

Upper Saddler River, New Jersey: Pearson Prentice-Hall, Inc.

Rencher, A.C. 1998. Multivariate Statistical Inference and Applications. New

York : John Wiley & Sons, Inc.

Stevens, J.P. (2009). Applied Multivariate Statistics for The Social Sciences. New
York: Taylor and Francis Group.

27