Sesi 8 - 11 Modul Statistik Inferesia

1
BUKU AJAR
STATISTIK INFERESIA
Analisis Varians, Kovarians, dan Jalur
Prof. Dr. I Wayan Koyan, M.Pd.

RUSTOMO,SE.MM.
STATISTIK INFERENSIA STIE PERTIWI 2016-2017

2
KATA PENGANTAR
Berkat rakhmat Tuhan Yang Maha Esa/ Ida Sang Hyang Widi Wasa dan
dengan adanya bantuan dari beberapa pihak, buku tentang Statistik Pendidikan
(Teknik Analisis Data Kuantitatif) bidang kajian Statistik Dua dapat diselesaikan
sesuai dengan rencana yang telah ditentukan. Buku ini adalah buku referensi yang
dapat digunakan sebagai acuan untuk mata kuliah Statistik Dua pada Program Doktor
(S3) Program Studi Penelitian dan Evaluasi Pendidikan. Di samping itu, buku ini juga
dapat digunakan oleh mahasiswa strata tiga yang mengambil mata kuliah Statistik
Pendidikan di lingkungan Universitas Pendidikan Ganesha dan Perguruan Tinggi
lainnya.
Kepada semua pihak yang telah memberikan bantuan moral maupun finansial
dalam penyelesaian buku ini, melalui kesempatan ini disampaikan ucapan terima
kasih yang sedalam-dalamnya. Secara khusus, ucapan terima kasih dan penghargaan
yang setinggi-tingginya disampaikan kepada Rektor Universitas Pendidikan Ganesha
yang telah memberikan dukungan moral bagi penyusunan buku ini. Ucapan terima
kasih juga disampaikan kepada Direktur Program Pascasarjana Universitas
Pendidikan Undiksha yang telah memberikan kesempatan kepada saya untuk
menyusun buku referensi ini.
Akhirnya, kepada semua pihak yang turut membantu pelaksanaan penyusunan
buku ini, disampaikan ucapan terima kasih yang mendalam. Semoga buku ini
bermanfaat bagi mahasiswa dan para pembaca yang berminat mempelajari Statistika
Pendidikan. Disadari sepenuhnya bahwa buku ini masih belum lengkap dan banyak
kekurangan. Untuk itu, melalui kesempatan ini kami mohon masukan untuk perbaikan
lebih lanjut. Atas saran dan sumbangan dari pembaca yang budiman, saya haturkan
terima kasih.
Singaraja, 5 Oktoberl 2012
Penyusun.

3
DAFTAR ISI
Halaman judul …………………………………………………………………. i

Kata Pengantar .................................................................................................... ii
Daftar Isi ............................................................................................................. iii
Tinjauan Mata Kuliah ......................................................................................... 1
BAB I. ANALISIS VARIANS ................................................................... 2
A. Analisis Varians Satu Jalur............................................................... 2
B. Analisis Varians Dua Jalur (Faktorial 2 x 2)..................................... 6
C. Analisis Varians Dua Jalur (Faktorial 3 x 3).................................... 12
D. Analisis Varians Tiga Jalur (Faktorial Tiga Faktor)....................... 18
E. Analisis Varians Rancangan AS (Pengukuran Berulang)................ 23
BAB II. ANALISIS REGRESI LINEAR DAN KORELASI ...................... 26.
A. Analisis Regresi Linear Sederhana ................................................. 26
B. Analisis Regresi Linear Ganda Dua Prediktor.................................. 34
1. Konstelasi Masalah ..................................................................... 34
2. Tabel Data .................................................................................. 34
3. Menghitung Beta ......................................................................... 35

4. Menghitung Beta dengan Rumus Deviasi .................................... 37
5. Menghitung Skor Deviasi ............................................................ 37
6. Keberartian Regresi Ganda .......................................................... 40
7. UjiKeberartian Regresi ................................................................ 40
8. Uji Keberartian Koefisien Regresi Linear Ganda ......................... 41
C. Analisis Regresi Tiga Prediktor ...................................................... 43
1. Konstelasi Masalah ..................................................................... 43
2. Contoh Data ............................................................................... 43
3. Persamaan Garis Regresi ............................................................. 44
4. Menghitung Koefien Regresi ....................................................... 44
5. Menghitung Harga Korelasi Ganda ................................ ............ 48
6. Menguji Signifikansi Regresi ...................................................... 48
7. Uji Keberartian Koefisien Regresi Linear Ganda ....................... 49
8. Menghitung Sumbangan Efektif ............................................... 51
D. Korelasi Parsial ............................................................................ .... 52
BAB III. ANALISIS KOVARIANS ............................................................. 58

A. Analisis Kovarians Satu Jalur (Satu Kovariabel) .......................... 59
B. Analisis Kovarians Satu Jalur (Dua Kovariabel)............................ 63
C. Analisis Kovarians Satu Jalur (Tiga Kovariabel)............................ 69
D. Rancangan Analisis Kovarians Dua Jalur (Satu Kovariabel)........ 77
E. Rancangan Analisis Kovarians Dua Jalur (Dua Kovariabel)......... 85
F. Rancangan Anakova Tiga Jalur (Dua Kovariabel) .......................... 98
4
BAB IV. ANALISIS JALUR (PATH ANALYSIS) ........................................... 116

A. Pengertian ...................................................................................... 116
B. Diagram Jalur ................................................................................ 117
C. Koefisien Jalur ............................................................................... 118
D. Persamaan pada Analisis Jalur ...................................................... 119
E. Pengujian Model ............................................................................ 122
F. Analisis Jalur dengan Data Hasil Penelitian................................... 127
1. Hipotesis Penelitian ................................................................. 127
2. Data Hasil Penelitian ................................................................ 128
3. Langkah-langkah Perhitungan untuk Menguji Hipotesis .......... 129
DAFTAR PUSTAKA ................................................................................... ..... 135
LAMPIRAN DAFTAR TABEL ................................................................... .... 136
RIWAYAT HIDUP ........................................................................................ 160

5
STATISTIK DUA
Tinjauan Mata Kuliah
Mata kuliah Statistik dua untuk mahasiswa strata tiga (S3) Program Studi
Penelitian dan Evaluasi Pendidikan (PEP), ditekankan pada materi pokok yang
berkaitan dengan teknik analisis data kuantitatif untuk penelitian dengan statistik
parametrik. Materi perkuliahan disajikan dalam bentuk ceramah/penjelasan, diskusi,
dan latihan-latihan mengerjakan soal yang dirancang untuk memperdalam
pemahaman terhadap materi yang diberikan.
Penata Awal
Mata kuliah ini bertujuan untuk memberikan pendalaman tentang konsep
analisis data kuantitatif dengan statistik inferensial, meliputi: pendalaman tentang
analisis varians, analisis regresi, dan analisis varians satu jalur, analisis varians dua
jalur, analisis varians tiga jalur, dan analisis jalur (path analysis).
Pengorganisasian materi perkuliahan dirancang menjadi beberapa bab sebagai
berikut.
1. Bab I, mengkaji tentang Analisis Varians Satu Jalur (Anava A), Analisis
Varians Dua Jalur (Anava AB), Analisis Varians Tiga Jalur (Anava ABC),
dan Rancangan AS (rancangan satu sampel dengan pengukuran berulang).
2. Bab II, mengkaji tentang Analisis Regresi dan Korelasi (Analisis Regresi Satu
Prediktor), Analisis Regresi Ganda (Analisis Regresi Dua Prediktor), Analisis
Regresi Jamak (Analisis Regresi Tiga Prediktor) dan Analisis Korelasi Parsial.
3. Bab III, mengkaji tentang Analisis Kovarians Satu Jalur (Satu kovariabel, dua
kovariabel, dan tiga kovariabel), Analisis Kovarians Dua Jalur (Satu
kovariabel, dua kovariabel, dan tiga kovariabel), dan Analisis Kovarians Tiga
Jalur (dua kovariabel)
4. Bab IV, mengkaji secara singkat mengenai analisis jalur (path analysis).
Pada setiap pokok bahasan diberikan tes formatif atau tugas-tugas terstruktur,
baik tugas individual maupun tugas kelompok. Dengan demikian, diharapkan
mahasiswa memiliki kemampuan untuk menganalisis data kuantitatif dalam
rangka menyusun tugas akhir atau disertasi.

6
BAB I
ANALISIS VARIANS (Uji F)
Kompetensi Dasar
Mahasiswa memahami fungsi teknik analisis varians dan mampu
menggunakannya untuk menganalisis data dan menguji hipotesis penelitian.
Indikator pencapaian
Mahasiswa dapat melakukan analisis data sebagai berikut.
1. Menganalisis data dan menguji hipotesis penelitian dengan teknik analisis
varians satu jalur
varians dua jalur
varians tiga jalur
varians AS (rancangan ulangan).
A. Analisis Varian Satu Jalur (ANAVA klasifikasi tunggal = ANAVA A)
Rancangan Analisis Varian Satu Jalur, disebut juga rancangan satu faktor,
yaitu rancangan yang menggunakan hanya satu variabel bebas atau variabel
klasifikasi sampel, misalnya variabel jenis kelamin atau variabel lokasi tempat
tinggal, atau variabel klasifikasi lainnya, seperti metode pembelajaran, media
pembelajaran dan lain-lainnya. Jika dalam penelitian menggunakan metode
pembelajaran sebagai variabel bebas, maka metode pembelajaran diklasifikasi
menjadi metode satu (A1) metode dua (A2), metode tiga (A3) dan seterusnya sesuai
dengan keperluan.
Dalam penelitian eksperimental, rancangan ini disebut Rancangan Rambang
Lugas (Simple Randomized Design). Jika menggunakan rancangan ini, maka ada
beberapa syarat yang harus dipenuhi, yaitu: (1) sampel-sampel langsung diambil dari
populasi, bukan dari subpopulasi, (2) pemilihan sampel dilakukan secara
acak/rambang, (3) penentuan perlakuan dilakukan secara rambang/acak, dan (4) yang
memberi perlakuan dilakukan secara rambang/acak pula. Model matematik yang
digunakan dalam analisis, sering disebut rancangan analisis rancangan A, baik untuk
penelitian eksperimental maupun bukan eksperimenta, adalah sebagai berikut. (1) Jika
yang terlibat dalam penelitian hanya dua sampel, digunakan uji-t unruk sampel
independen (bebas). (2) Jika yang dilibatkan dalam penelitian lebih dari dua sampel,
digunakan uji-F (Analisis Varians) satu jalur.
7
Langkah-langkah pengujian hipotesis dengan anava satu jalur

(1) Menghitung Jumlah Kuadrad Total (JKtot):
2  X  tot
2
JKtot = ∑ Xtot 
N
(2) Menghitung Jumlah Kuadrad Antar Kelompok (JKantar):
 X   X  2 2

A tot
JKantar = 
nA N
(3) Menghitunng Jumlah Kuadrad Dalam Kelompok (JKdal):
JKdal = JKtot ─ JKantar
(1) Menghitung Mean Kuadrad (Rerata Jumlah Kuadrat atau RJK) antar
Kelompok
(RJKantar):
JK antar
RJKantar =  a = jumlah kelompok
a 1
(5) Menghitung Rerata Jumlah Kuadrat dalam Kelompok (RJKdal)
JK dal
RJKdal =  N = jumlah seluruh sampel
N a
RJK antar
(6) Menghitung harga Fhitung dengan rumus:
RJK dalam
(7) Konsultasikan pada table F dengan db pembilang (a-1) dan db penyebut (N-a)
(8) Aturan keputusan : Jika F hitung lebih besar daripada F table pada ataraf
signifikansi tertentu (Misalnya: ts 5% atau 1%), maka Ha diterima dan H0 ditolak.
(9) Membuat kesimpulan, apakah terdapat perbedaan yang signifikan atau tidak
(10) Membuat Tabel Ringkasan Analisis Varians untuk Menguji Hipotesis k Sampel
Tabel 1.1. Tabel Ringkasan Analisis Varians untuk Menguji

Hipotesis k Sampel
Sumber JK (SS) db RJK Fh Ftab Taraf sig

Variasi (df) (MS) 0.05 0.01
antar A  X  2 a-1 JK RJK antar ….

A
a 1 RJK dal
nA
 X  tot
2

N

8
dalam JKdal = JKtot ─ JKantar N-a JK dal -- --

(error) N a
Total
2  X  tot
2 N-1 -- -- --
∑ Xtot 
N
Contoh penerapan
Seorang peneliti ingin mengetahui pengaruh metode mengajar terhadap prestasi
belajar IPA. Metode mengajar digolongkan menjadi 4, yaitu : Metode ceramah (A1),
Metode Diskusi (A2), Metode Pemberian Tugas (A3), dan Metode campuran (A4).
Hipotesis Statistik:
H0: µ1 = µ2 = µ3 = µ4
H1 : µ1 ≠ µ2 ≠ µ3 ≠ µ4 (salah satu tanda ≠)
Tabel 1.2. Data Hasil Belajar IPA Siswa SMA Klas II di Singaraja
(A1) (A2) (A3) (A4) Total
3 5 5 8
2 6 8 9
4 5 7 10
0 7 7 9
4 4 7 8
n1 = 5 n2 = 5 n3 = 5 n4 = 5 N = 20
∑X1 = 13 ∑X2 = 27 ∑X3 = 34 ∑X4 = 44 ∑Xtot = 118
∑X12 = 45 ∑X22 = 151 ∑X32 = 236 ∑ X42 = 390 ∑Xtot2 = 822
X 1 = 2,6 X 2 = 5,4 X 3 = 6,8 X 4 = 8,8 X tot = 5,9
Perhitungan:
 X  2
118 2
2
= 822 
tot
JKtot = ∑ Xtot  = 125,8
N 20
 X   X  2 2

A tot
JKantarA = 
nA N
 X   X   X   X   X 
A1
2
A2
2
A3
2
A4
2
tot
2
=    
n A1 n A2 n A3 n A4 N
132 27 2 34 2 44 2 118 2
=    -  101,8
5 5 5 5 20
JKdal = JKtot ─ JKantar = 125,8 – 101,8 = 24

9
 X A 2  132 27 2 34 2 44 2 
Atau JK dal: X 2
tot 
nA
 822     
5 
  24
 5 5 5
dbA = a-1 = 4-1 = 3
RJKantar = JKantar : dbantar = 101,8 : 3 = 33,93.

db dalam = N – a = 20-4 = 16
RJKdal = JKdal : dbdal = 24:16 = 1,5
Fhitung = RJKantar : RJKdal = 33,93 : 1,5 = 22,66  lihat table F
Tabel 1.3. Tabel Ringkasan Analisis Varians untuk Menguji

Hipotesis 4 Kelompok
Sumber JK db RJK Fh Ftab Keputusan

Variasi 5% 1%
Antar A 101,8 3 33,93 22,62 3,24 5,29 Signifikan
Dalam 24 16 1,5 -- -- -- --
Total 125,8 19 -- -- -- -- --
Uji t Scheffe: db t sama dengan db dalam = 16

2,6  4,0
t1-2 : t   3,615  signifikan
2 x1,5
5
2,6  6,8
t1-3: t   5,422 signifikan
2 x1,5
5
2,6  8,8
t1-4: t   -8,004  signifikan
2 x1,5
5
4  6,8
t2-3: t   -1,807  non signifikan
2 x1,5
5
4  8,8
t2-4: t   - 4,389  signifikan
2 x1,5
5
6,8  8,8
t3-4: t   - 2,582  signifikan
2 x1,5
5

10
Menarik kesimpulan
1. Metode mengajar berpengaruh terhadap hasil belajar siswa
2. Metode mengajar IV lebih berpengaruh terhadap hasil belajar siswa dari pada
metode mengajar III, II, dan I
3. Metode mengajar III lebih berpengaruh terhadap prestasi belajar siswa
daripada metode mengajar II dan I
4. Metode mengajar II lebih berpengaruh terhadap prestasi belajar siswa
dibandingkan dengan metode mengajar I.
B. Anava Dua Jalur (Anava AB) = Faktorial (2*2; 2*3; 3*3; dsb)
Rancangan faktorial merupakan perluasan rancangan satu faktor. Dalam

rancangan faktorial, sampel-sampel diklasifikasi atas dasar lebih dari satu variabel.
Untuk klasifikasi sampel yang terdiri atas dua variabel, rancangan faktorialnya disebut
rancangan faktorial dua faktor. Jika dua faktor itu diberi lambang menurut abjad, yaitu
A dan B, maka nama rancangannya disebut rancangan AB. Misalnya, seorang peneliti
ingin mengetahui pengaruh kepemimpinan dan motivasi kerja (faktor A) terhadap
peningkatan produktivitas kerja (faktor B) pada suatu perusahaan.
1. Hipotesis Penelitian (alternatif I)

(1) Terdapat perbedaan produktivitas kerja antara karyawan yang dipimpin
secara demokratis dengan karyawan yang dipimpin secara otoriter
(2) Terdapat perbedaan produktivitas kerja antara karyawan yang
memiliki motivasi tinggi dan karyawan yang memiliki motivasi
kerja rendah
(3) Terdapat pengaruh interaksi yang signifikan antara insentif dan
motivasi kerja terhadap produktivitas kerja
2. Hipotesis Statistik:
(1) H0: µ1 = µ2
H1: µ1 ≠ µ2
(2) H0: µ1 = µ2
H1: µ1 ≠ µ2
(3) H0: Inter AB = 0
H1: Inter AB ≠ 0

11
2. Hipotesis Penelitian (alternatif II),

Jika dianggap tidak layak membandingkan antara motivasi tinggi dan rendah,
dapat diajukan hipotesis penelitian sebagai berikut.
1) Terdapat perbedaan produktivitas kerja antara karyawan yang dipimpin
secara demokratis dengan karyawan yang dipimpin secara otoriter
2) Terdapat pengaruh interaksi yang signifikan antara kepemimpinan dan
motivasi kerja terhadap produktivitas kerja
3) Pada karyawan yang memiliki motivasi kerja tinggi, terdapat perbedaan
produktivitas kerja antara karyawan yang dipimpin secara demokratis dengan
karyawan yang dipimpin secara otoriter
4) Pada karyawan yang memiliki motivasi kerja rendah, terdapat perbedaan
produktivitas kerja antara karyawan yang dipimpin secara demokratis dengan
karyawan yang dipimpin secara otoriter
3. Rancangan Analisis
Tabel 1.4. Rancangan Anava 2 Jalur (Faktorial 2x2)

atau Treatment by Level
Insentif (A)
A1 A2
Motivasi (demokratis) (otoriter)
Kerja (B)
Motivasi Tinggi A1 B1 A2 B1
(B1)
Motivasi Rendah A1 B2 A2 B2
(B2)
Keterangan:
A = Kepemmpin (A1= Demokratis dan A2= Otoriter)
B = Motivasi Kerja (B1= Tinggi; B2= Rendah)
Y = Produktivitas Kerja
4. Contoh aplikasi
Tabel 1.5. Data Hasil Penelitian
A1 A2
B1 B2 B1 B2
X X X X
8 5 7 6
9 6 7 8
8 5 7 7
9 6 7 7
8 6 6 7
12
Tabel 1.6. Tabel Statistik Induk (untuk menolong perhitungan)

Stat A1 A2 Total A1 A2 B1 B2
B1 B2 B1 B2
n 5 5 5 5 20 10 10 10 10
∑X 42 28 34 35 139 70 69 76 63
∑X2 354 158 232 247 991 512 479 586 405
X 8,4 5,6 6,8 7 6,95 7 6,9 7,6 6,3
Atau dalam bentuk lain sebagai berikut.

Tabel 1.7. Statistik Induk
(A) Total
A1 A2
(B)
B1 n =5 n =5 n = 10
∑ X = 42 ∑ X = 34 ∑ X = 76
∑ X2 = 354 ∑ X2 = 232 ∑ X2 = 586
X = 8,4 X = 6,8 X = 7,6
B2 n =5 n =5 n = 10
∑ X = 28 ∑ X = 35 ∑ X = 63
∑ X2 = 158 ∑ X2 = 247 ∑ X2 = 405
X = 5,6 X =7 X = 6,3
Total n = 10 n = 10 N = 20
∑ X = 70 ∑ X = 69 ∑ Xtot = 139
∑ X2 = 512 ∑ X2 = 479 ∑ X2tot = 991
X =7 X = 6,9 X = 6,95
5. Langkah-langkah perhitungan
2  X  2
= 991 – (1392 : 20) = 991 – 966,05 = 24,95

tot
a. JKtot = ∑ Xtot 
N
 X   X  2 2

A tot
b. JKantar A = 
nA N
 X   X   X 
A1
2
A2
2
tot
2
=  
n A1 n A2 N
= (702 : 10) + (692 : 10) - (1392 : 20) = (490 + 476,1) – 966,05
= 966,1 – 966,05 = 0,05
 X   X  2 2

B tot
c. JK antarB = 
nB N
 X   X   X 
B
2
B2
2
tot
2
=   
n B1 nB 2 N

13
= (762 : 10) + (632 : 10) - (1392 : 20) = (577,6 + 396,9) – 966,05

= 974,5 – 966,05 = 8,45
d. JKinter AB
 X    X 
=  AB
2
TOT
2
 JK A  JK B =
nAB N
(422:5) +(282:5)+ (342:5)+ (352:5) - (1392 : 20) – 0,05 – 8,45
= (352,8 + 156,8 + 231,2 + 245 ) – 966,05 – 0,05 – 8,45
= 985,8 – 966,05 – 0,05 – 8,45 = 11,25
 X  2
X 
2 AB
e. JK dal = tot 
n AB
= 991 – 985,8 = 5,2
atau JK dal = JKtot – JKantarA – JKantarB – JKinterAB
= 24,95 – 0,05 – 8,45 – 11,25 = 5,2
f. JKtot = JKA+ JKB+ JKAB+JKdal = 0,05 + 8,45 + 11,25 + 5,2 = 24,95
db A = a-1 = 2 – 1 = 1
db B = b-1 = 2 – 1 = 1
db inter AB = db A x db B = 1x1 = 1
db dalam = N – ab = 20 – (2x2) = 20 -4 = 16
RJKA = JKA : dbA = 0,05 : 1 = 0,05
RJKKB = JKB : dbB = 8,45 : 1 = 8,45
RJKKAB = JKAB dbAB = 11,25 : 1 = 11,25
RJKKdalam = JKdal : dbdal = 5,2 : 16 = 0,325
FA = RJKA : RJKdalam = 0,05 : 0,325 = 0,154
FB = RJKKB : RJKdalam = 8,45 : 0,325 = 26
FAB = RJKAB : RJKdalam = 11,25 : 0,325 = 34,61
Tabel 1.8. Tabel Ringkasan Analisis ANAVA AB
Sumber JK db RJK Fh Ftab
Variasi 5% 1%
A 0,05 1 0,05 0,154*) 4,49 8,53
B 8,45 1 8,45 26,00**) 4,49 8,53
Inter AB 11,25 1 11,25 34,61**) 4,49 8,53
Dalam 5,2 16 0,325 -- -- --
Total 24,95 19 -- -- -- --
*) non signifikan
**) signifikan

14
Kesimpulan
FA = 0,154*)  non signifikan, artinya? Tidak tedapat perbedaan yang
signifikan produktivitas kerja karyawan antara yang dipimpin secara demokratis dan
otoriter. Kepemimpinan tidak berpengaruh terhadap peningkatan produktivitas kerja
karyawan
FB = 26,00**)  signifikan, artinya ? Terdapat perbedaan yang signifikan
produktivitas kerja karyawan antara karyawan yang memiliki motivasi kerja tinggi
dan rendah. Motivasi kerja berpengaruh terhadap peningkatan produktivitas kerja.
FAB = 34,61**)  signifikan, artinya ? Dilanjutkan pada uji simple effect, untuk
mengetahui pengaruh antara kepemimpinan dan motivasi kerja terhadap produktivitas
kerja.
Karena pengaruh interaksi signifikan, harus dilanjutkan dengan uji t-Scheffe
atau uji Tukey, dengan rumus sebagai berikut.
X1  X 2
Rumus Tukey: Q  db Q = n dan m
RJKdal
n
(n = sampel, dan m = jumlah kelompok)
X1  X 2
atau Untuk n1 = n2 : t = , dimana db t = db dalam
2 xRJKdal
n
db t sama dengan db dalam = 16. Nilai t tabel untuk db = 16 pada taraf signifikansi
5% = 2,120.
X1  X 2 8.4  6.8
Uji t1-2: t  = t = 6.276 (signifikan)
2 xRJKdal 2 x0.325
n 10
X1  X 3 8.4  7.0
Uji t1-3: t  =  5.49 (signifikan)
2 xRJKdal 2 x0.325
n 10
X1  X 4 8.4  5.6
2 xRJKdal 2 x0.325
n 10
X2  X3 6.8  7.0
Uji t2-3: t  =  0.78 (non signifikan)
2 xRJKdal 2 x0.325
n 10

15
X2  X4 6.8  5.6
2 xRJKdal 2 x0.325
n 10
X3  X4 7.0  5.6
2 xRJKdal 2 x0.325
n 10
C. Analisis Varians Dua Jalur (Anava AB) = Faktorial (3x3)
Rancangan Analisis Varians Tiga Jalur atau Rancangan Faktorial Tiga Faktor,
dapt diperluasnmenjadi rancanganempat faktor, lima faktor, dan seterusnya. Makin
banyak faktornya, akan makin rumit pula rancangannya. Di bawah ini disajikan
rancangan faktorial tiga faktor (rancangan ABC) yang paling sederhana.
Model analisis untuk rancangan ABC adalah analisis varians tiga jalur (jalur
A, B, dan C). Pengaruh utama (main effect) yang dapat diuji dalam rancangan ini ada
tiga, yaitu pengaruh utama faktor A (FA), pengaruh utama faktor B (FB), dan pengaruh
utama faktor C (FC). Pengaruh interaksi yang dapat diuji adalah empat, yaitu pengaruh
interaksi AB, AC, BC, ABC. Contoh aplikasinya adalah sebagai berikut ini.
1. Rancangan Analisis
Tabel 1.9.Rancangan Anava 2 Jalur (Faktorial 3x3)
Metode (A)
A1 A2 A3
Inteligensi (B)
Inteligensi Tinggi A1 B1 A2 B1 A3 B1
(B1)
Inteligensi Sedang A1 B2 A2 B2 A3 B2
(B2)
Inteligensi Rendah A1 B3 A2 B3 A3 B3
(B3)
Keterangan :
A = Metode Mengajar
A1 = Metode Mengajar I (ceramah)
A2 = Metode Mengajar II (diskusi)
A3 = Metode Mengajar III (pemberian tugas)

16
B = Inteligensi
B1 = Inteligensi Tinggi
B2 = Inteligensi Sedang
B3 = Inteligensi Rendah
Misalnya, seorang peneliti ingin mengetahui pengaruh metode mengajar terhadap
hasil belajar matematika.
2. Hipotesis Penelitian
(1) Terdapat perbedaan prestasi belajar matematika antara siswa yang mengikuti
pembelajaran dengan metode I, II, dan III
(1) Terdapat perbedaan prestasi belajar matematika antara siswa yang memiliki
inteligensi tinggi, sedang , dan rendah
(3) Ada pengaruh interaksi antara metode mengajar dan inteligensi
terhadap hasil belajar matematika
H0: (1) µ1 = µ2 = µ3
(2) µ1 = µ2 = µ3
(3) AB = 0
H1: (1) µ1 ≠ µ2 ≠ µ3
(2) µ1 ≠ µ2 ≠ µ3
(3) AB ≠ 0
4. Contoh aplikasi
Tabel 1.10. Data Hasil Penelitian
A1 A2 A3
B1 B2 B3 B1 B2 B3 B1 B2 B3
X X X X X X X X X
2,5 3,5 4,0 3,5 2,0 3,0 2,5 3,5 3,0
3,0 3,0 3,0 3,0 3,0 2,0 3,0 3,5 2,0
4,0 2,0 1,0 1,5 1,5 2,0 3,0 2,5 1,0
2,0 1,5 3,5 3,0 2,5 3,0 1,5 2,0 1,0
1,5 2,5 2,0 2,5 2,5 3,5 1,5 2,0 3,5

17
Keterangan:
A = Metode Mgajar
A1 = Metode Mengajar I (ceramah)
A2 = Metode Mengajar II (diskusi)
A3 = Metode Mengajar III (pemberian tugas)
B = Inteligensi
B1 = Inteligensi Tinggi
B2 = Inteligensi Sedang
B3 = Inteligensi Rendah
X = IP (Indek Prestasi)
5. Langkah-langkah analisis
Tabel 1.11. Statistik induk
A1 A2 A3
STAT TO-TAL
B1 B2 B3 B1 B2 B3 B1 B2 B3
n 5 5 5 5 5 5 5 5 5 45
∑X 13,0 12,5 13,5 13,5 11,5 13,5 11,5 13,5 10,5 113,0
∑ X2 37,5 33,75 42,75 38,75 27,75 38,25 28,75 38,75 27,25 313,0
X 2,6 2,5 2,7 2,7 2,3 2,7 2,3 2,7 2,1 2,51
A1 A2 A3 B1 B2 B3
15 15 15 15 15 15
39,0 38,5 35,5 38,0 37,5 37,5
113,5 104,75 94,75 105 100,25 108,25
2,6 2,56 2,36 2,53 2,5 2,5
Atau dalam bentuk table berikut.

(A) A1 A2 A3 Total
(B)
B1 n =5 n =5 n =5 n = 15
∑ X = 13,0 ∑ X = 13,5 ∑ X = 11,5 ∑ X = 38,0
∑ X2 = 37,5 ∑ X2 = 38,75 ∑ X2 = 28,75 ∑ X2 = 105
X = 2,6 X = 2,7 X = 2,3 X = 2,53
B2 n =5 n =5 n =5 n = 15
∑ X = 12,5 ∑ X = 11,5 ∑ X = 13,5 ∑ X = 39,0
∑ X2 = 33,75 ∑ X2 = 27,75 ∑ X2 = 38,75 ∑ X2 = 100,25
X = 2,5 X = 2,3 X = 2,7 X = 2,6
B3 n =5 n =5 n =5 n = 15
18
∑ X = 13,5 ∑ X = 13,5 ∑ X = 10,5 ∑ X = 37,0

∑ X2 = 38,75 ∑ X2 = 38,75 ∑ X2 = 27,25 ∑ X2 = 107,75
X = 2,7 X = 2,7 X = 2,1 X = 2,47
Total n = 15 n = 15 n = 15 N = 45
∑ X = 39,0 ∑ X = 38,5 ∑ X = 35,5 ∑X = 113
∑ X2 = 113,5 ∑ X2 = 104,75 ∑ X2 = 94,75 ∑ X2 = 313
X = 2,6 X = 2,56 X = 2,36 X = 2,51
Perhitungan:
 X  2
1132
2
= 313   313  283,76  29,24
tot
a. JKtot = ∑ Xtot 
N 45
 X   X  2 2

A tot
b. JKantar = 
nA N
 X   X   X   X 
A1
2
A2
2
A3
2
tot
2
=   
n A1 n A2 n A3 N
=
392  38,52  35,52  1132  284,23  283,76  0,47
15 15 15 45
 X   X   X   X 
B
2
B2
2
B3
2
tot
2
c. JK antarB =    
n B1 nB 2 nB3 N
=
382  37,52  37,52  1132  283,77  283,76  0,01.
15 15 15 45
 X  2
  X tot 
2
    JK A  JK B =
AB
d. JKinter AB =
n AB  N 
 
 132 12,5 2 13,5 2 13,5 2 11,5 2 13,5 2 11,5 2 13,5 2 10,5 2   1132 
              0,47  0,01
 5 5 5 5 5 5 5 5 5   45 
= (33,8+31,25+36,45+36,45+26,45+36,45+26,45+36,45+22,05) -283,76 – 0,47 –
0,01 = 285,8 -283,76 -0,47 – 0,01 = 1,56.
 X  2
X 
2 AB
e. JK dal = tot  313  285,8  27,20
n AB
atau JK dal = JKtot – JKantarA – JKantarB – JKinter = 29,24 – 0,47 – 0,01 -1,56
= 27,20
f. JKtot = JKA+ JKB+ JKAB+JKdal = 0,47+0,01+1,56+27,2 = 29,24
db A = a-1 = 3-1 = 2
db B = b-1 = 3-1 = 2
db inter AB = db A x db B = 2 x 2 = 4
19
db dalam = N – ab = 45 – (3x3) = 36
RJKKA = JKA : dbA = 0,47 : 2 = 0,24
RJKKB = JKB : dbB = 0,01 : 2 = 0,005
RJKAB = JKAB dbAB = 1,56 : 4 = 0,39
RJKdalam = JKdal : dbdal = 27,2 : 36 = 0,76
FA = RJKA : RJKdalam = 0,24 : 0,76 = 0,32
FB = RJKB : RJKdalam = 0,005 : 0,76 = 0,006
FAB = RJKAB : RJKdalam = 0,39 : 0,76 = 0,51
Tabel 1.13. Tabel Ringkasan Analisis ANAVA AB

SV JK db RJK Fh Ftab
5% 1%
Antar A 0,47 2 0,24 0,32 3,26 5,25
Antar B 0,01 2 0,05 0.006 3,26 5,25
Inter AB 1,56 4 0,39 0,51 2,63 3,89
dalam 27,20 36 0,76 -
Total 29,24 44 -- - -- --
Kesimpulan:
FA = 0,32  non signifikan
FB = 0,006  non signifikan
FAB = 0,51  non signifikan
Catatan:
Jika hasil uji hipotesis terdapat pengaruh interaksi yang signifikan (F inter AB
adalah signifikan), maka dilanjutkan dengan uji simple effect dengan uji Tukey (jika
n tiap kelompok sama) atau uji t- Scheffe (jika n sama atau tidak sama), dengan rumus
sebagai berikut.
X1  X 2
Rumus Tukey: Q
RJKdal
n
X1  X 2
Uji t-Scheffe: t 
2 xRJKdal
n

20
Tugas Latihan
Seorang peneliti bermaksud untuk mengetahui pengaruh metode pembelajaran
kooperatif dan motivasi belajar terhadap hasil belajar matematika pada siswa SMA.
Untuk itu, dilakukan eksperimen selama satu semester terhadap dua kelas sebagai
kelompok eksperimen dan dua kelas sebagai kelompok kontrol. Kelompok
eksperimen diajar dengan metode pembelajaran kooperatif, sedangkan kelompok
kontrol diajar dengan metode pembelajaran konvensional. Motivasi belajar siswa
diklasifikasikan menjadi motivasi tinggi dan rendah. Jumlah sampel penelitian
sebanyak 100 orang.
1. Buatlah rancangan analisisnya
2. Rumuskan hipotesis statistiknya
3. Hitunglah harga F masing-masing
4. Jika terjadi pengaruh interaksi yang signifikan, lakukan uji lanjut
Catatan: datanya dikarang sendiri (angka puluhan, n = 100).
D. Analisis Varians Tiga Jalur (Rancangan Faktorial Tiga Faktor)
Analisis varians tiga jalur (rancangan ABC) digunakan untuk menganalisis

data pada sampel yang variabel bebasnya terdiri atas tiga variabel. Misalnya, kita
bermaksud menguji pengaruh jenis kelamin, tempat tinggal, dan sikap sosial terhadap
prestasi belajar IPS. Misalnya, data hasil penelitian sebagai berikut.
Tabel 1.14. Data Hasi Penelitian (Fiktif)
B A A1 (laki-laki) A2 (perempuan)
C
B1 C1 8 15 15 10 14 15
C2 14 16 17 15 17 17
C3 16 17 18 16 16 20
B2 C1 10 12 12 9 12 14
C2 12 14 16 11 15 16
C3 15 16 19 13 16 18
B3 C1 11 11 15 11 11 13
C2 16 16 18 13 13 18
C3 16 20 20 14 15 18
B4 C1 9 11 14 12 12 12
C2 14 15 19 15 16 18
C3 14 18 20 17 19 20
Dalam hal ini variabel penelitiannya adalah sebagai berikut.

21
Variabel bebasnya:
A = jenis kelamin (A1 = laki-laki; dan A2 = perempuan)
B = tempat tinggal (B1 = kota; B2 = pinggiran kota; B3 = desa; B4 = desa terpencil)
C = sikap sosial (C1 = sikap tinggi; C2 = sikap sosial sedang; C3 = sikap sosial
rendah)
Variabel terikatnya: adalah prestasi belajar IPS.
Untuk menganalisis data tersebut, terlebih dahulu perlu dibuatkan tabel data
statistik induk yang diperlukan untuk menguji hipotesis penelitian. Statistik yang
diperlukan untuk menghitung jumlah kuadrat adalah seperti tabel berikut.
Tabel 1.15. Tabel Statistik Induk

Tempat Sikap A1 (laki-laki) A2 (perempuan) Total Total
Tinggal Sosial (C) ∑X ∑X2
n ∑X ∑X2 n ∑X ∑X2
(B)
Tinggi (C1) 3 38 514 3 39 521 77
Kota Sedang (C2) 3 47 741 3 49 803 96
(B1)
Rendah (C3) 3 51 869 3 52 912 103
Jumlah 9 136 2124 9 140 2236 276 4360
Tinggi (C1) 3 34 388 3 35 421 69
Pinggiran Sedang (C2) 3 42 596 3 42 602 84
(B2)
Rendah (C3) 3 50 842 3 47 749 97
Jumlah 9 126 1826 9 124 1772 250 3598
Tinggi (C1) 3 37 467 3 35 411 72
Desa Sedang (C2) 3 50 836 3 44 662 94
(B3)
Rendah (C3) 3 56 1056 3 47 745 103
Jumlah 9 143 2359 9 126 1818 269 4177
Desa Tinggi (C1) 3 34 398 3 36 432 70
Terpencil
Sedang (C2) 3 48 782 3 49 805 97
(B4)
Rendah (C3) 3 52 920 3 56 1050 108
Jumlah 9 134 2100 9 141 2287 275 4387
Total 36 539 8409 36 531 8113 1070 16522
semua

22
Langkah-langkah perhitungan:
10702
1). JKTot  16522   620,611
72
5392 5312 10702
2). JK A     0,889
36 36 72
2762 2502 2692 2752 10702
3). JK B       24,278
18 18 18 18 72
 77 2 69 2 72 2 70 2   96 2 84 2 94 2 97 2   1032 97 2 1032 1082 
JK C              
4).  6 6 6 6   6 6 6 6   6 6 6 6 
1070 2
  328,028.
72
FK (Faktor Koreksi) adalah

 X tot 2 
10702
 15901,389
N 72
136 2 126 2 1432 134 2 140 2 124 2 126 2 1412

JK AB          FK  JK A  JK B 
5). 9 9 9 9 9 9 9 9
15945,55556  15901,389  0,889  24,278  18,999555  19,00
JK AC 
38  34  37  34 39  35  35  36 47  42  50  48
2

2

2

12 12 12
6). 49  42  44  49  51  50  56  52  52  47  47  56  FK  JK A  JK C 
2 2 2
12 12 12
1704,083333  1752,083333  2914,083333  2821,333333  3640,083333 
3400,333333  15901,389  0,889  328,028  1,694
77 2 69 2 72 2 70 2 96 2 84 2 94 2 97 2 1032 97 2 1032
JK BC            
6 6 6 6 6 6 6 6 6 6 6
7).
1082
 FK  JK B  JK C  16263,66667  15901,389  328,028  24,278  9,972
6
382 47 2 512 34 2 42 2 50 2 37 2 50 2 56 2 34 2 482 52 2
JK ABC             
3 3 3 3 3 3 3 3 3 3 3 3
39 2

3
49 2 52 2 352 42 2 47 2 352 44 2 47 2 36 2 49 2 56 2
8).            FK  JK A  JK B 
3 3 3 3 3 3 3 3 3 3 3
JK C  JK AB  JK AC  JK BC  1628,99996  15901,389  0,889  24,278  328,028 
19,00  1,694  9,972  4,75
9).
JK dal  JK tot  JK A  JK B  JK C  JK AB  JK AC  JK BC  JK ABC  620,611  0.889 
24,278  328,028  19,0  4,75  1,694  9,972  232,334

23
10). Menghitung Derajat Kebebebasan

dbA  a  1  2  1  1
dbB  b  1  4  1  3
dbC  c  1  3  1  2
dbAB  dbA * dbB  1 * 3  3
dbAC  dbA * dbC  1 * 2  2
dbBC  dbB * dbC  3 * 2  6
dbABC  dbA * dbB * dbC  1 * 3 * 2  6
dbdal  N  1  dbA  dbB  dbC  dbAB  dbAC  dbBC  dbABC  72  1  23  48
dbtotal  N  1  72  1  71
11). Menghitung Rerata Jumlah Kuadrat (RJK)
RJKA = JKA/dbA = 0,889/1 = 0.889

RJKB = JKB/dbB = 24,278/3 =8,093
RJKC = JKC/dbC =328,028/2 = 164,014
RJKAB = JKAB/dbAB = 19/3 = 6,333
RJKBC = JKBC/dbBC = 9,972/6 = 1,662
RJKAC = JKAC/dbAC = 1,694/2 = 0,847
RJKABC = JKABC/dbABC = 4,75/6= 0,792
RJKdal = RJKdal/dbdal = 232,00/48 = 4,833 (varians terkecil/pembagi)
12). Menghitung harga F
FA = RJKA/RJKdal = 0,889/ 4,833 = 0,184
FB = RJKB/RJKdal = 8,093/4,833 = 1,674
FC = RJKC/RJKdal = 164,014/4,833 = 33,934 (sig)
FAB= RJKAB/RJKdal = 6,333/4,833 =1,310
FAC = RJKAC/RJKdal =0,847/4,833 =0,175
FBC = RJKBC/RJKdal =1,1662/4,833 = 0,344
FABC = RJKABC/RJKdal= 0,792/4,833 = 0,164
Tabel 1.16. Tabel Ringkasan Anava ABC

SV JK Db RJK Fh F tab
A 0,889 1 0,889 0,184ns 4,08
ns
B 24,278 3 8,093 1,674 2,84
C 328,028 2 164,014 33,934*) 3,23
AB 19,00 3 6,333 1,310ns 2,84
AC 1,694 2 0.847 0,175ns 3,23

24
BC 9,972 6 1,662 0,344ns 2,17

ABC 4,75 6 0,792 0,164ns 2,17
dalam 232,00 48 4,833 -- --
Total 620,611 71 -- --
Memperhatikan tabel di atas, ternyata hanya FC (F antar C atau F antar sikap

sosial yang signifikan). Ini berarti terdapat perbedaan yang signifikan prestasi belajar
IPS antara siswa yang memiliki sikap sosial tinggi, sedang, dan rendah. Prestasi
belajar IPS yang tertinggi diperoleh oleh siswa yang memiliki sikap sosial rendah.
Uji lanjut antar C dengan t – Scheffe, t tabel = 2,021
t1-2 = 5,449 (sig)
t1-3 = 8,071 (sig)
t2-3 = 2,620 (sig)
E. Anava Rancangan AS (Rancangan Pengukuran Berulang)
Rancangana analisis varians ini disebut juga Treatment by Subject, before

after design. Rancangan ini hanya terdiri atas satu kelompok sampel dan digunakan
untuk menganalisis suatu perkembangan dari suatu periode ke periode berikutnya.
Misalnya, ingin diteliti tentang pengaruh penggunaan metode inovatif terhadap
prestasi belajar IPA. Misalnya, diperoleh data seperti tabel berikut.
Tabel 1.17. Data Perkembangan Prestasi Belajar IPA

A1 A2 A3 A4
Kasus X1 X2 X3 X4 XTot
1 4 3 5 8 20
2 2 6 6 6 20
3 6 6 8 9 29
4 5 7 7 7 26
5 5 4 7 8 24
6 7 5 7 9 28

25
Berdasarkan data pada tabel di atas, kemudian dihitung statistik induk yang
diperlukan untuk menganalisis data tersebut, seperti tabel berikut.
Statistik A1 A2 A3 A4 Total XS
n 6 6 6 6 24 6
∑X 29 31 40 47 147 147
∑X2 155 171 272 375 973 3677
X 4,83 5,16 6,6 7,83 6,125 6,125

Langkah mengerjakan:
147 2
1) JK Tot  973   72,625
24
292  312  402  47 2 147 2
2). JK A    34,792
6 24
3677 147 2
3). JK S    18,875
4 24
4). JK AS  JK TOT  JK A  JK S  72,625  34,792  18,875  18,958.
5). dbA= a-1 = 4-1 = 3

6). dbS = s-1 = 6-1 = 5
7). dbAS = dbA * dbS = 3 * 5 = 15
JK A 34,792
8). RJK A    11,597
dbA 3
JK S 18,875
9). RJK S    3,775
dbS 5
JK AS 18,958
10). RJK AS    1,264
dbAS 15
Tabel1.19. Ringkasan Anava AS
SV JK db RJK Fhitung F tabel
S 18,875 5 3,775 2,987 -
A 34,792 3 11,597 9,175*) 5.42
AS (dalam) 18,958 15 1,264 - -
Total 72,625 23 - - -
*) = signifikan pada taraf signifikansi 5%

26
Dalam hal ini yang menjadi sasaran uji hipotesisnya adalah F antar A. FA
hitung diperoleh 9,175 lebih besar dari Ftabel (ts. 1%) = 5,42, sehingga H0 ditolak
dan H1 diterima.Dengan demikian ada perbedaan yang signifikan prestasi belajar IPA
antara periode pengukuran pertama sampai dengan pengukuran terakhir. Oleh karena
harga F hitung signifikan, maka harus dilanjutkan dengan uji simple effect antar
periode pengukuran dengan menggunakan rumus t-Scheffe. Yang diuji adalah antar
periode, yaitu: (1) t (A1-A2); t (A1-A3); t (A1-A4); t (A2-A3), t (A2-A4); dan t (A3-
A4). Untuk hasil uji FS tidak dibahas karena asumsi dalam Psikologi menyatakan
bahwa antar subyek memang terdapat perbedaan secara individual. Uji FS bisa
dugunakan untuk menguji homogenitas varians. Db t = db dalam = 15. Harga t tabel
untuk ts 5% = 2,132
X1  X 2 4.83  5.16 0.33 0.33

t (A1-A2) =     0.508 (ns)
2 * RJK dal 2 *1.264 0.4213333 0.649
n 6
t (A1-A3) = 4.83 – 6,6 = 1,77/0,0.649 = 2,727 ( signifikan)
t (A1-A4) = 4,83 – 7,83 = 3/0,649 = 4,622 (sig)
t (A2-A3) = 5,16 – 6,6 = 1,44/0.649 = 2,219 (sig)
t (A2-A4) = 5,16 – 7,83 = 2,67/0,649 = 4,114 (sig)
t (A3-A4) = 6,6 – 7,83 = 1,23/0,649 = 1,895 (ns)
Simpulan:
Penggunaan metode inovatif berpengaruh terhadap peningkatan prestasi belajar IPA
antara pengukuran periode 1 dan 3; 1 dan 4; 2 dan 3; dan 2 dengan pengukuran ke
empat.

27
BAB II
ANALISIS REGRESI LINEAR DAN KORELASI
Kompetensi Dasar
Mahasiswa memahami tentang analisis regresi linear dan korelasi, serta
mampu menggunakannya untuk menganalisis data kuantitatif.
Mahasiswa dapat:
1. menjelaskan manfaat analisis regresi dan korelasi
2. menjelaskan manfaat analisis regresi dan korelasi
3. merumuskan hipotesis penelitian dan hipotesis statistik
4. menguji hipotesis
5. menguji kebermaknaan dan keliniearan regresi
6. mengambar garis persamaa regresi sederhana
7. menerapkan teknik analisis regresi dan korelasi untuk menguji hipotesis
penelitian
8. menghitung koefisien determinasi
9. menghitung sumbangan efektif masing-masing prediktor terhadap kriterium
10. menerapkan teknik analisis parsial
11. menafsirkan dan menyimpulkan hasil uji hipotesis dengan analisis regresi,
korelasi, dan parsial.
Uraian Materi
A. Analisis Regresi Linear Sederhana

Regresi adalah bentuk hubungan fungsional antara variabel respon dan
prediktor. Guna regresi adalah untuk prediksi. Dalam hal ini, regresi linear sederhana
Y atas X.
Misalnya, apakah prestasi belajar (Y) dapat diprediksi dari motivasi (X)? Atau apakah
terdapat hubungan fungsional antara motivasi dan prestasi belajar? Konstelasi
masalahnya dapat digambarkan sebagai berikut.
X Y
Gambar 2.1. Hubungan antara Variabel Bebas dan Variabel Terikat
Variabel X = variabel prediktor (bebas, independen)

Variabel Y = variabel kriterium (respon, terikat, tergantung, dependen)
Persamaam regresi linear sederhana: Rumus: Ŷ = a + bX
Keterangan: a = konstanta (bilangan konstan)

b = koefisien arah regresi

28
 Y  X    X  XY 
2
Rumus: a 
n X   X  2 2
n XY   X  Y 
b
n X 2   X 
2
1. Contoh analisis regresi sederhana

Tabel 2.1. Skor Motivasi (X) dan Skor Prestasi belajar (Y)
Responden X Y XY X2 Y2
1 34 32 1088 1156 1024
2 38 35 1368 1444 1296
3 34 31 1054 1156 961
4 40 38 1520 160 1444
5 30 29 870 900 841
6 40 35 1400 1600 1225
7 40 33 1320 1600 1089
8 34 30 1020 1156 900
9 35 32 1120 1225 1024
10 39 36 1404 1521 1296
11 33 31 1023 1089 961
12 32 31 992 1024 961
13 42 36 1512 1764 1296
14 40 37 1480 1600 1369
15 42 35 1470 1764 1225
16 42 38 1596 1764 1444
17 41 37 1517 1681 1369
18 32 30 960 1024 900
19 34 30 1020 1156 900
20 36 30 1080 1296 900
21 37 33 1221 1369 1089
22 36 32 1152 1296 1024
23 37 34 1258 1369 1156
24 39 35 1365 1521 1225
25 40 36 1440 1600 1296
26 33 32 1056 1089 1024
27 34 32 1088 1156 1024
28 36 34 1224 1296 1156
29 37 32 1184 1369 1024
30 38 34 1292 1444 1156
Jumlah (Σ) 1105 1001 37094 41029 33599
2. Langkah-langkah Perhitungan
Diketahui: ΣX = 1105
ΣY = 1001
ΣXY = 37094
ΣX2 = 41029
ΣY2 = 33599

29
a
100141029  110537094  8,24
3041029  1105
2
30(37094)  (1105)(1001)
b  0,68
30(41029)  (1105)2
Dengan demikian, persamaan garis regresinya: Ŷ = 8,24 + 0,68X

Jika X = 32, maka Ŷ = 8,24+0,68 * 32 = 28,64
-30,00...........
Ŷ = 8,24 + 0,68X
-8,24
30 32 34 36 X
Gambar 2.2. Gambar Persamaan Garis Regresi
3. Uji Kelinearan dan Keberartian Regresi
Hipotesis yang diuji adalah sebagai berikut.

(1) H0: Regresi linear
H1: Regresi non linear
(2) H0: Harga F regresi non signifikan/tidak bermakna/tidak berarti
H1: Harga F regresi signifikan/bermakna/berarti
Langkah-langkah mengerjakan adalah sebagai berikut.
(1) Urutkan data X dari terkecil hingga data terbesar, diikuti oleh data Y
Tabel 2.2. Pengelompokan data Skor Motivasi dan Prestasi Belajar
X Kelompok ni Y
30 1 1 29
32 2 2 31
32 30
33 3 2 31
33 32
34 4 5 32
34 31
34 30
34 30
34 32
35 5 1 32
36 6 3 30
36 32

30
36 34
37 7 3 33
37 34
37 32
38 8 2 36
38 34
39 9 2 36
39 35
40 10 5 38
40 35
40 33
40 37
40 36
41 11 1 37
42 12 3 36
42 35
42 38
Dengan demikian, terdapat 12 kelompok
(2) Hitung berturut-turut Jumlah Kuadrat (JK) = Sum Square (SS) dengan rumus
berikut.
JK(T) = ∑Y2
JK(a) = (∑Y)2
N

JK(b‫׀‬a) = b XY 
 X Y 

 N 
JK(S) = JK(T) JK(a) JK(b‫׀‬a)


JK(G) =   Y  2
 Y 
2


 n 
 
JK(TC) = JK(S) – JK(G)
Perhitungan:
JK(T) = ∑Y2 = 33599

JK(a) = (∑Y)2 = (1001)2 : 30 = 33400,03
N

JK(b‫׀‬a) = b XY 
 X Y   (0,68)37094  (1105)(1001)   152,21
  
 N   30 
JK(S) = JK(T) JK(a) JK(b‫׀‬a) = 33599 33400,03 152,21 = 46,76


JK(G) =   Y 
 Y 
2
  2 (29)   2
2
(31  30) 2 
2

  29  
 31  30 2
 
 n   1   2 
 

31
 2 (31  32) 2   2 (32  31  30  30  32) 2 

31  32    32  31  30  30  32  
2 2 2 2 2
 2   5 
 2 (32) 2   2 (30  32  34) 2   2 (33  34  32) 2 

32    30  32  34    33  34  32  
2 2 2 2
 1   3   3 
 2 (36  34) 2   2 (36  35) 2 

36  34    36  35  
2 2
 2   2 
 2 (38  35  33  37  36)   2 (37) 2 
38  35 2
 33 2
 37 2
 36 2
   37  
 5   1 
 (36  35  38) 2 
 36 2  35 2  38 2    37,67
 3 
JK (G) = 37,67
JK(TC) = JK(S) – JK(G) = 46,76 – 37,67 = 9,09
(3) Hitung derajat kebebasan (dk) sebagai berikut.
dk (a) = 1 dk = derajat kebebasan = degree of freedom (df)
dk (b|a) = 1  jumlah prediktor 1
dk sisa = n-2 = 30-2 = 28
dk tuna cocok = k-2 = 12-2 = 10  k= jumlah pengelompokan data X = 12
dk galat = n-k = 30-12 =18
(4) Hitung Rerata Jumlah Kuadrat (RJK) sebagai berikut.
RJK(T) = JK(T) : n = 33599 : 30 =1119,97
RJK(S) = JK(S) : dk(S) = n-2 = 46,76: 28 = 1,67
RJK(Reg) = JK(Reg) : dk(reg) = 152,21 : 1 = 152,21
RJK(TC) = JK(TC) : db(TC) = 9,09 : 10 = 0,91.
(5) Hitung harga F regresi dan F tuna cocok sebagai berikut.

F (Reg) = RJK(Reg) : RJK(Sisa) = 152,21 : 1,67 = 91,14
F(TC) = RJK(TC) : RJK(G) = 0,91 : 2,09 = 0,44
(5) Masukkan ke dalam tabel F (ANAVA) untuk Regresi Linear berikut
Tabel 2.3. Tabel Ringkasan Anava Untuk Menguji Keberartian dan Linearitas
Regresi
Sumber Variasi JK (SS) dk (df) RJK (MS) F hitung F tabel
Total 33599 30 1119,97 - -
Koefisien (a) 33400,03 1 - - -

32
Regresi (b‫׀‬a) 152,21 1 152,21 91,14*) 4,20

Sisa(residu) 46,76 28 1,67
Tuna Cocok 9,09 10 0,91 0,44ns 2,42
Galat (error) 37,67 18 2,09
*) signifikan pada taraf signifikansi 5%
ns = non signifikan
Keterangan:
JK (T) = Jumlah Kuadrat Total

JK(a) = Jumlah kuadrat (a) koefisien (a) = konstanta, X=0
JK(b‫׀‬a) = Jumlah kuadrat (b‫׀‬a)  koefisien regresi
JK(S) = Jumlah Kuadrat Sisa (residu)
JK(G) = Jumlah kuadrat Galat (error)
JK(TC) = Jumlah Kuadrat Tuna Cocok (penyimpangan linearitas)
RJK = Rerata Jumlah Kuadrat = Sum Square (SS) = Rerata Jumlah Kudrat (RJK)
(6) Aturan keputusan (kesimpulan):
Jika F hitung (regresi) lebih besar dari harga F tabel pada taraf signifikansi 5%
(α 0,05), maka harga F hitung (regresi) signifikan, yang berarti bahwa koefisien
regresi adalah berarti (bermakna). Dalam hal ini, F hitung (regresi) = 91,14,
sedangkan F tabel untuk dk 1:28 (pembilang = 1; dan penyebut = 18) untuk taraf
signifikansi 5% = 4,20. Ini berarti, harga F regresi > dari harga F tabel, sehingga
hipotesis nol ditolak dan hipotesis alternatif diterima, sehingga harga F regresi adalah
signifikan. Dengan demikian, terdapat hubungan fungsional yang signifikan antara
variabel motivasi dan prestasi belajar.
Jika harga F hitung (tuna cocok) lebih kecil dari harga F tabel, maka harga F
hitung (tuna cocok) non signifikan, yang berarti bahwa hipotesis nol diterima dan
hipotesis altenatif ditolak, sehingga regresi Y atas X adalah linear. Dalam hal ini, F
hitung (tuna cocok) = 0,44, sedangkan F tabel untuk taraf signifikansi 5% = 2,42,
dengan demikian harga F tuna cocok < dari harga F tabel. Ini berarti, H0 diterima
sehingga harga F tuna cocok adalah non signifikan. Dengan demikian, hubungan
antara variabel motivasi dan prestasi belajar adalah linear.
Atas dasar analisis regresi, dapat dihitung kadar hubungan antara X dan Y atau
kadar kontribusi X terhadap Y. Koefisien korelasi (r) dapat dihitung dengan rumus
berikut:

33
JK (TD)  JK ( S )
r2 = , dimana JK(TD) = jumlah kuadrat total dikoreksi.
JK (TD)
JK(TD) = JK(T) – JK(a) = 33599 - 33400,03 = 198,97. Jadi r2 =
198,97  46,76
 0,765
198,97
Koefisien korelasinya (r) = 0,765  0,875.
Dengan rumus korelasi produk moment, juga dapat dihitung koefisien korelasinya,
yaitu sebagai berikut:
Telah diketahui (telah dihitung di atas):
ΣX = 1105
ΣY = 1001
ΣXY = 37094
ΣX2 = 41029
ΣY2 = 33599
N  XY   X  Y 
rxy 
N  X 2

  X  N  Y 2   Y 
2 2

(30 x37094)  (1105 x1001)
rxy   0,875
(30 x41029)  (1105) (30 x33599)  (1001) 
2 2
Untuk uji signifikansi koefisien korelasi, digunakan table nilai-nilai r Product

Moment untuk n = 30 pada taraf siginifikansi 5%. Nilai r table untuk n = 30 pada taraf
signifikansi 5% = 0,361; dan untuk taraf signifikansi 1% = 0,463. Dengan demikian,
nilai r hitung = 0,875 lebih besar dari nilai r table, baik pada taraf signifikansi 1%
maupun 5%. Ini berarti, bahwa nilai r hitung adalah signifikan pada taraf signifikansi
5% maupun 1%. Kesimpulan: H0 ditolak, dan H1 diterima, yang berarti bahwa
terdapat korelasi positif antara motivasi dan prestasi belajar.
Catatan: Selain pengujian signifikansi menggunakan tabel r, dapat juga

menggunakan uji-t, dengan rumus berikut (jika tidak ada tabel nilai-nilai r product
moment)
r n2 0,875 30  2 4,630064794

t    9,564
1 r2 1  (0,875) 2 0,484122918
Selanjutnya, harga t hitung tersebut dibandingkan dengan harga t tabel. Untuk

uji dua pihak pada taraf signifikan 5%, dk = n-2 = 30-2 = 28, maka harga t tabel =
2,048. Ternyata harga t hitung lebih besar dari harga t tabel, sehingga H0 ditolak, dan
34
H1 diterima. Ini berarti, harga t hitung adalah signifikan, sehingga disimpulkan bahwa
terdapat korelasi positif dan signifikan antara motivasi dan prestasi belajar. Untuk
mengetahui kontribusi variabel prediktor terhadap kriterium, nilai koefisien
korelasinya dikuadratkan (r2). Koefisien determinasi (r2) = (0,875)2 = 0,765 atau
76,5%; ini berarti sumbangan atau kontribusi motivasi terhadap prestasi belajar adalah
sebesar 76,5%, sedangkan residunya sebesar 23,5% dijelaskan oleh variabel lain yang
tidak diteliti.
B. Analisis Regresi Linear Ganda Dua Prediktor (Multiple Regression)
1. Konstelasi Masalah
X1
X2
Gambar 2.3. Hubungan antara Variabel Prediktor dan Kriterium
Keterangan:
X1 = Kemampuan kerja karyawan

X2 = Kepemimpinan direktif
Y = Produktivitas kerja
Rumus persamaan regresi: Ŷ = b0 + b1X1+ b2X2
Ŷ = prediksi atau ramalan kriterium
b0 = a = (konstan)
b1 = beta prediktor X1
b2 = beta prediktor X2
2. Tabel Data
Tabel 2.4. Data Skor Kemampuan kerja, Kepemimpinan direktif,

dan Produktivitas kerja
Respon-den X1 X2 Y X12 X22 X1 X2 X1Y X2Y Y2
1 10 7 23 100 49 70 230 161 529
2 2 3 7 4 9 6 14 21 49
3 4 2 15 16 4 8 60 30 225
4 6 4 17 36 16 24 102 68 289
5 8 6 23 64 36 48 184 38 529
6 7 5 22 49 25 35 154 110 484
7 4 3 10 16 9 12 40 30 100

35
8 6 3 14 36 9 18 84 42 196
9 7 4 20 49 16 28 140 80 400
10 6 3 19 36 9 18 114 57 361
∑ 60 40 170 406 182 267 1122 737 3162
Hasil perhitungan pada tabel di atas adalah:

∑X1 = 60
∑X2 = 40
∑Y = 170
∑X12 = 406
2
∑X2 = 182
∑X1X2 = 267
∑X1Y = 1122
∑X2Y = 737
∑Y2 = 3162
3. Menghitung beta
Menghitung harga-harga : b0; b1, b2 dengan menggunakan persamaan berikut,
dengan menggunakan skor angka kasar:
(1) ∑ Y = nb0 + b1∑X1 + b2∑X2
(2) ∑X1Y = b0∑X1 + b1 ∑X12 + b2∑X1X2
(3) ∑X2Y = b0∑X2 + b1∑X1X2 + b2∑X22
Masukkan harga-harga di atas dimasukkan ke dalam persamaan tersebut sehingga
menjadi:
(1) 170 = 10 b0 + 60 b1 + 40 b2
(2) 1122 = 60 b0 + 406 b1 + 267 b2
(3) 737 = 40 b0 + 267 b1 + 182 b2
Untuk menyelesaikan persamaan tersebut untuk memperoleh koefisien b0, b1, dan b2,
dapat digunakan metode eliminasi berikut.
Persamaan (1) dikalikan 6, persamaan (2) dikalikan 1, kemudian dikurangkan
sehingga menjadi sebagai berikut.
1020 = 60 b0 + 360 b1 + 240 b2
1122 = 60 b0 + 406 b1 + 267 b2
______________________________________ -
- 102 = 0 + -46 b1 + -27 b2
36
(4) - 102 = -46 b1 - 27 b2

Persamaan (1) dikalikan dengan 4, persamaan (3) dikalikan dengan 1, hingga hasilnya
menjadi sebagai berikut:
680 = 40 b0 + 240 b1 + 160 b2
737 = 40 b0 + 267 b1 + 182 b2
________________________________
-57 = 0 + - 27 b1 + - 22 b2
(5) -57 = - 27 b1 - 22 b2
Persamaan (4) dikalikan dengan 27, persamaan (5) dikalikan dengan 46, sehingga
hasilnya menjadi:
-2754 = -1242 b1 - 729 b2
-2622 = -1242 b1 - 1012 b2
-132 = 0 b1 + 283 b2
b2 = -132 : 283 = - 0,466

Harga b2 dimasukkan ke dalam salah satu persamaan (4) atau (5). Dalam hal ini,
dimasukkan ke dalam persamaan (4), sehingga menjadi:
-102 = -46 b1 – 27 (-0,466)

-102 = -46 b1 +12,582
46b1 = 114,582  b1 = 2,4909 = 2,491
Harga b1 dan b2 dimasukkan dalam persamaan (1), sehingga menjadi:
170 = 10 b0 + 60 (2,4909) + 40 (-0,466)

170 = 10 b0 + 149,454 - 18,640
10 b0 = 170 – 149,454 + 18,640
b0 = 39,186 : 10 = 3,9186 =3,919
Jadi, persamaan regresi linear ganda untuk dua prediktor:

Ŷ = 3,919 + 2,491X1 - 0,466X2
Ini berarti produktivitas kerja pegawai akan naik, jika kemampuan pegawai
ditingkatkan, dan akan turun jika kepemimpinan direktif (otoriter) ditingkatkan. Jika
kemampuan pegawai ditingkatan menjadi 10, dan tingkat kepemimpinan direktif

37
sampi 10, maka produktivitas kerja pegawai menjadi: Ŷ = 3,9186 + 2,4909X1 -

0,466X2 = 3,9186 + (2,4909 x 10) – (0,466 x 10) = 24,1676 Jadi diprediksi
produktivitas kerja pegawai
= 24,1676.
4. Menghitung beta dengan rumus deviasi
Cara perhitungan koefisien-koefisien b0, b1, dan b2 di atas sangat panjang dan
rumit. Untuk mengatasi hal tersebut, dapat digunakan cara lain yang lebih sederhana,
yaitu hanya dengan dua persamaan, tetapi harus diubah menjadi skor deviasi terlebih
dahulu. Dengan demikian, persamaannya menjadi:
ў = b0+b1x1 + b2x2
b1, b2 dapat dihitung dari persamaan berikut
x y  b  x  b x x
2
1 1 1 2 1 2
x y  b  x x b x
2
2 1 1 2 2 2
Sedangkan b0 dapat dihitung menggunakan b1, dan b2 serta rata-rata X 1 , X 2 , danY
5. Menghitung skor deviasi
Selanjutnya, koefisien regresi dapat dihitung menggunakan rumus berikut.

b0  Y  b1 X 1  b2 X 2
( x 2 )( x1 y )  ( x1 x 2 )( x2 y )
2
b1 
( x1 )( x2 )  ( x1 x2 ) 2
2 2
( x1 )( x2 y )  ( x1 x2 )( x1 y )
2
b2 
( x1 )( x2 )  ( x1 x2 ) 2
2 2

38
Untuk menghitung skor simpangan (deviasi), digunakan rumus-rumus berikut.
( Y ) 2
y 2
 Y  2
n
( X ) 2
x 2
X  2
n
( X i )( Y )
x y  X Y 
i i
n
( X i )( X j )
x x i j   Xi X j 
n
Skor rata-rata X 1  6, X 2  4, danY  17 (lihat tabel di atas, rata-rata = ∑X dibagi n).
Telah diketahui (lihat tabel data di atas):

N = 10
∑X1 = 60
∑X2 = 40
∑Y = 170
∑X12 = 406
∑X22 = 182
∑X1X2 = 267
∑X1Y = 1122
∑X2Y = 737
∑Y2 = 3162
Selanjutnya dapat dihitung harga-harga skor deviasi (menggunakan lambang huruf
kecil)sebagai berikut.
( Y ) 2
 y 2  Y 2  n
= 3162 – (1702 : 10) = 272
( X 1 ) 2
x   X1  = 406- (602 : 10) = 46
2 2
1
n
( X 2 ) 2
x   X2  = 182 – (402 : 10) = 22
2 2
2
n
( X 1 )( Y )
 x1 y   X 1Y  n
= 1122 – ((60x170) : 10) = 102
( X 2 )( Y )
 x 2 y   X 2Y  n
= 737 – ((40x170) : 10) = 57
( X 1 )( X 2 )
 x1 x2   X 1 X 2  n
= 267 – ((60x40) : 10) = 27

39
Dengan menggunakan rumus deviasi, dapat dihitung harga b1, dan b2 sebagai berikut.
(22)(102)  (27)(57)
b1   705 : 283 = 2,491
(46)(22)  (27) 2
(46)(57)  (27)(102)
b2  = - 0,466
(46)(22)  (27) 2
b0  17  (2,491x6)  (0,466 x4)  3,918
Dibandingkan dengan perhitungan menggunakan rumus panjang, tampak

adanya perbedaan hasil yang praktis dapat diabaikan (sangat kecil perbedaannya,
karena adanya pembulatan). Persamaan garis regesinya: Ŷ = 3,918 + 2,491X1 -
0,466X2
Cara menghitung beta dapat juga dilakukan dengan metode Selisih Produk
Diagonal (SPD) sebagai berikut.
Persamaan:
x y  b  x  b x x
2
(1) 1 1 1 2 1 2
x y  b  x x b x
2
(2) 2 1 1 2 2 2
Masukkan skor deviasi ke dalam persamaan tersebut sehingga menjadi sebagai

berikut.
(1) 102 = 46 b1 + 27 b2
(2) 57 = 27 b1 + 22 b2
---------------------------
(3) 705 = 283 b1  b1 = 705/283 = 2,491
Cara menghitung:
(102*22) – (57*27) = 705
(46*22) – (27*27) = 283 b1
Masukkan b1 ke salah satu persamaan di atas, misalnya dimasukkan ke persamaan (2)

sehingga menjadi:
57 = 27 (2,491) + 22 b2
57 = 67,257 + 22 b2
= 57 – 67,257 = 22 b2
= - 10,257 = 22 b2  b2 = -10,257/22 = -,466
Hasilnya sama dengan cara penyelesaian pertama di atas.
Dibandingkan dengan perhitungan menggunakan rumus panjang, tampak adanya
perbedaan hasil yang praktis dapat diabaikan (sangat kecil perbedaannya, karena
adanya pembulatan). Persamaan garis regesinya: Ŷ = 3,918 + 2,491X1 - 0,466X2

40
6. Keberartian Regresi Ganda
Setelah diperoleh koefisien arah regresi, dilanjutkan dengan menghitung

korelasi ganda untuk 2 prediktor, dengan rumus berikut.
b1  x1 y  b2  x 2 y
Ry (1,2) =
y 2
(2,491 *102)  (0,466 * 57)

=  0,912
272
Koefisien determinasi (R2) = 0,832; ini artinya bahwa sebesar 83,20%

produktivitas kerja karyawan dapat dijelaskan oleh variabel kemampuan kerja dan
kepemimpinan direktif.
7. Uji Keberartian Regresi

JK (reg ) / k
Untuk Uji signifikansi regresi, menggunakan uji F regresi: F =
JK ( sisa) /( n  k  1)
JK(reg) = b1  x1 y  b2  x2 y
= (2,491)(102)+(-0,466)(57)= 227,52
JK(T) = ∑y2 = 272
JK(sisa) = JK(T) = ∑y2 – JK(reg) = 272 – 227,52 = 44,48
dk reg = k (prediktor = 2)
RJK (reg) = JK(reg)/dk reg = 227,52 : 2 = 113,76
dk (sisa) = n – k – 1 = 10-2-1 = 7
RJK(sisa) = JK(sisa)/dk sisa = 44,48 : 7 = 6,354
F reg = RJK(reg)/RJK(sisa) = 113,76 : 6,354 = 17,90
Tabel 2.5. Ringkasan Anava untuk Menguji Keberartian Regresi

Sumber JK dk RJK F hitung F tabel
Variasi
0,05 0,01
Regresi 227,52 2 113,76 17,90 4,74 9,55
Sisa 44,48 7 6,354 - - -
Total 272 9 - - - -
Harga F hitung selanjutnya dikonsultasikan dengan F tabel dengan derajat

kebebasan (dk) pembilang = 2 dan dk penyebut = 7 untuk taraf signifikansi 5%,
diperoleh F tabel = 4,74 dan untuk taraf signifikansi 1% = 9,55. Dengan demikian,

41
harga F hitung = 17,90 > dari harga F tabel pada ts. 5% = 4,74; sehingga hipotesis nol
ditolak dan hipotesis alternatif, diterima. Ini berarti bahwa koefisien regresi ganda
yang diperoleh adalah bermakna/berarti/signifikan.
Setelah diketahui harga R bermakna, maka dapat disimpulkan bahwa sebesar
83,20% variasi yang terjadi pada produktivitas kerja karyawan (Y) dapat
dijelaskan/dikontribusi/diprediksi oleh variabel kemampuan kerja (X1) dan
kepemimpinan direktif (X2) melalui persamaan regresi Ŷ = 3,918 + 2,491X1 -
0,466X2.
8. Uji Keberartian Koefisien Regresi Linear Ganda
Meskipun ternyata regresi ini berarti, untuk menilai ketepatan ramalan
(prediksi), perli dilihat galat baku taksiran (simpangan baku taksiran) yang diberi
lambang s2y.12, dapat dihitung dengan rumus berikut.
JK ( Sisa) 44,48 44,48

s 2 y.12     6,354
(n  k  1) (10  2  1) 7
Dengan demikian galat baku taksiran, sy.12 = √6,354 = 2,521. Dengan galat
baku taksiran ini, dapat dihitung galat baku koefisien b1 dan b2 yang diberi lambang
sbi , dapat dihitung dengan rumus:
s 2 y.12
s 2 bi 
 x 2 ij (1  R 2 i )
Selanjutnya, uji keberatian koefisien regresi, digunakan statistik:
t = bi / sbi
dengan dk = (n-k-1) = 10-2-1 = 7

Dengan persamaan regresi Ŷ = 3,918 + 2,491X1 - 0,466X2, apakah koefisien-koefisien
2,4909 dan 0,466 bermakna atau tidak. Untuk itu, perlu dihitung galat baku b1 dan b2.
Selanjutnya, dihitung harga-harga:
JK ( Sisa ) 44,48 44,48

s 2 y.12     6,354.
(n  k  1) (10  2  1) 7
x  46;  x 2  22; dan y 2  272.....(lihat .. perhitunga n..diatas )

2 2
1

42
N  XY   X  Y 
Korelasi antara X1 dan X2 = rxy 
N  X 2
  X 
2
N Y 2
  Y 
2

10(267)  (60)(40) 270 270
= rxy     0,849
10(406  (60) 10(182  (40) 
2 2
101200 318,119
r2 = 0,721.
Dengan demikian, dapat dihitung varians galat baku berikut:
s 2 y.12 6,354 6,354

s 2 b1     0,495...sb1  0,495  0,704
 x 2
1 (1  R 2
1 ) 46(1  0,721) 12 ,834
6,354 6,354
s 2 b2    1,035.....sb 2  1,035  1,017
22(1  0,721) 6,138
t = b1 / sb1 = 2,491/ 0,704 = 3,538  tt 0,05 =1,895; jadi t hitung lebih besar dari t tabel;
ini berarti bahwa koefisien arah yang berkaitan dengan X1 adalah berarti.
t = b2 / sb2 = - 0,466 / 1,017 = 0,458  t hitung lebih kecil dari t tabel sehingga
koefisien arah yang berkaitan dengan X2 tidak berarti.
Dari pengujian tersebut di atas dapat disimpulkan bahwa daya ramal prediktor
kemampuan kerja terhadap produktivitas kerja adalah berarti/bermakna; sedangkan
daya ramal prediktor kepemimpinan direktif terhadap produktivitas kerja, tidak
bermakna.
C. Analisis Regresi Tiga Prediktor
1. Konstelasi Masalah:
X1
X2 Y
X3
Gambar:3.1. Hubungan antar Variabel Prediktor dan Kriterium

Keterangan:
X1 = Kemampuan kerja
X2 = Pemahaman Tugas
X3 = Motivasi kerja
Y = Produktivitas kerja

43
2. Contoh data
Tabel 2.6.Tabel Data Skor Kemampuan kerja, Pemahaman kerja, Motivasi kerja,
dan Produktivitas kerja
No X1 X2 X3 Y X12 X22 X32 Y2 X1Y X2Y X3Y X1X2 X1X3 X2X3
1 60 59 67 56 3600 3481 4489 3136 3360 3304 3752 3540 4020 3953
2 31 33 41 36 961 1089 1681 1296 1116 1188 1476 1023 1271 1353
3 70 70 71 71 4900 4900 5041 5041 4970 4970 5041 4900 4970 4970
4 69 69 70 68 4761 4761 4900 4624 4692 4692 4760 4761 4830 4830
5 50 48 49 47 2500 2304 2401 2209 2350 2256 2303 2400 2450 2352
6 30 29 33 34 900 841 1089 1156 1020 986 1122 870 990 957
7 40 48 51 50 1600 2304 2601 2500 2000 2400 2550 1920 2040 2448
8 55 54 60 60 3025 2916 3600 3600 3300 3240 3600 2970 3300 3240
9 58 61 59 61 3364 3721 3481 3721 3538 3721 3599 3538 3422 3599
10 26 34 31 29 676 1156 961 841 754 986 899 884 806 1054
11 78 76 75 77 6084 5776 5625 5929 6006 5852 5775 5928 5850 5700
12 45 43 43 46 2025 1849 1849 2116 2070 1978 1978 1935 1935 1849
13 47 56 46 50 2209 3136 2116 2500 2350 2800 2300 2632 2162 2576
14 34 42 43 39 1156 1764 1849 1521 1326 1638 1677 1428 1462 1806
15 57 58 56 56 3249 3364 3136 3136 3192 3248 3136 3306 3192 3248
∑ 750 780 795 780 41010 43362 44819 43326 42044 43259 43968 42036 42700 43935
Dari tabel tersebut diperoleh harga-harga berikut:
X1 = 750
X2 = 780
X3 = 795
Y = 780
X12 = 41010
X22 = 43362
X32 = 44819
Y2 = 43326
X1Y = 42044
X2Y = 43259
X3Y = 43968
X1X2 = 42035
X1X3 = 42700
X2X3 = 43935
X 1  50
X 2  52
X 3  53
Y  52

44
3. Persamaan garis regresi
Persamaan regresi: Ŷ = b0 + b1X1+ b2X2 + b3X3
b0  Y  b1 X 1  b2 X 2  b3 X 3
4. Menghitung koefisien regresi

Untuk menghitung koefisien regresi, digunakan skor deviasi berikut.
( Y ) 2
y 2
 Y  2
n
= 43326 – (7802 : 15) = 2766
( X 1 ) 2
x   X1  = 41010- (7502 : 15) = 3410
2 2
1
n
( X 2 ) 2
x   X2  = 43362 – (7802 : 15) = 2802
2 2
2
n
( X 3 ) 2
x   X3  = 44819 – (7952 : 15) = 2684
2 2
3
n
( X 1 )( Y )
x y  X Y 
1 1
n
= 42044 – ((750x780) : 15) = 3044
( X 2 )( Y )
 x 2 y   X 2Y  n
= 43259 – ((780x 780) : 15) = 2699
( X 3 )( Y )
 x3 y   X 3Y  n
= 43968 – (795x780) : 15) = 2628
( X 1 )( X 2 )
 x1 x2   X 1 X 2  n
= 42035 – ((750x780) : 15) = 3035
( X 1 )( X 3 )
 x1 x3   X 1 X 3  n
= 42700 – ((750x795) : 15) = 2950
( X 2 )( X 3 )
 x 2 x3   X 2 X 3  n
= 43935 – ((780x795) : 15) = 2595
Persamaan regresi untuk menghitung b0, b1, b2, dan b3 digunakan persamaan
sebagai berikut.
x y  b  x  b x x  b x x
2
1 1 1 2 1 2 3 1 3
x y  b  x x  b x  b x x
2
2 1 1 2 2 2 3 2 3
x y  b  x x  b x x  b x
2
3 1 1 3 2 2 3 3 3
b0  Y  b1 X 1  b2 X 2  b3 X 3

45
Skor deviasi di atas dimasukkan ke dalam persamaan tersebut, menjadi:
(1) 3044 = 3410 b1 + 3035 b2 + 2950 b3

(2) 2699 = 3035 b1 + 2802 b2 + 2595 b3
(3) 2628 = 2950 b1 + 2595 b2 + 2684 b3
Untuk menyelesaikan persamaan tersebut digunakan metode eliminasi dengan

jalan: persamaan (1) sama-sama dibagi 2950, persamaan (2) dibagi 2595, dan
persamaan (3) dibagi 2684, supaya b menjadi habis.
(1a) 1,032 = 1,190 b1 + 1,029 b2 + b3 (pembulatan)

(2a) 1,040 = 1,170 b1 + 1,080 b2 + b3 (pembulatan)
(3a) 0,979 = 1,099 b1 + 0,967 b2 + b3 (pembulatan)
----------------------------------------------------------------
(4) 1a – 2a = -0,008 = 0,020 b1 + ( -0,051) b (dibagi -0,051)
(5) 2a – 3a = 0,061 = 0,071 b1 + 0,113 b2 (dibagi 0,113)
---------------------------------------------------------------
(4a) 0,157 = -0,392 b1 + b2
(5a) 0,540 = 0,628 b1 + b2
--------------------------------------------------------------- -
(6) 4a – 5a = -0,383 = -1,020 b1
b1 = (-0,383) : (-1,020) = 0,375 (pembulatan)
(5a) 0,540 = (0,628) (0,375) + b2
0,540 = 0,236 + b2
b2 = 0,540 - 0,236 = 0,304
(3a) 0,979 = 1,099 b1 + 0,967 b2 + b3
0,979 = (1,099)(0,375) + (0,967)(0,304) + b3
0,979 = 0,412 + 0,294 + b3
0,979 = 0,706 + b3
b3 = 0,979 – 0,706 = 0,273
b0  Y  b1 X 1  b2 X 2  b3 X 3 = 52 – (0,375) (50) - (0,304)(50) – (0,273(53) = 3,581

Persamaan regresi =Ŷ = b0 + b1X1+ b2X2 + b3X3
Ŷ = 3,581 + 0,375X1+ 0,304X2 + 0,273X3
Di samping cara tersebut di atas, koefsien beta dapat juga dicari dengan
metode Selisih Produk Diagonal (SPD) sebagai berikut.

46
Persamaan:
(1) 3044 = 3410 b1 + 3035 b2 + 2950 b3

(2) 2699 = 3035 b1 + 2802 b2 + 2595 b3
(3) 2628 = 2950 b1 + 2595 b2 + 2684 b3
Ambil persamaan (1) dan (2) :
(1) 3044 = 3410 b1 + 3035 b2 + 2950 b3

(2) 2699 = 3035 b1 + 2802 b2 + 2595 b3
---------------------------------------------------------- SPD
(4) -62870 = -104300 b1 + (-390075) b2 + 0
Ambil persamaan (2) dan (3):
(3) 2699 = 3035 b1 + 2802 b2 + 2595 b3

(4) 2628 = 2950 b1 + 2595 b2 + 2684 b3
-----------------------------------------------------------SPD
(5) 424456 = 490690 b1 + 786543 b2 + 0
Ambil persamaan (4) dan (5):
(4) -62870 = -104300 b1 + (-390075) b2

(5) 424456 = 490690 b1 + 786543 b2
--------------------------------------------------------SPD
1,16119715811 = 2,73442336711 b1 + 0
b1 = 1,16119715811 / 2,73442336711 = 0,375
Masukkan ke persamaan (5):

424456 = (0,375)(490690) + 786543 b2
424456 = 184008,75 + 786543 b2
424456 – 184008,75 = 786543 b2
240447,25 = 786543 b2
b2 = 240447,25 / 786543 = 0,304
Masukkan ke persamaan (3)

(3) 2628 = 2950 b1 + 2595 b2 + 2684 b3
2628 = 2950 (0,375 ) + 2595 (0,304) + 2684 b3

2628 = 1106,25 + 788,88 + 2684 b3
2628-1106,25 – 78888 = 2684 b3
732,87 = 2684 b3  b3 = 732,87 / 2684 = 0,273
Ternyata cara pertama dan ke dua menghasilkan loefisien beta yang sama.

47
5. Menghitung harga korelasi ganda (jamak), dengan rumus berikut.
b1  x1 y  b2  x2 y  b3  x3 y
Ry (1,2,3) =
y 2
(0,375 x3044)  (0,304 x2699)  (0,273x 2628)

= = 0,98423
2766
Koefisien determinasi (R2) = 0,9687; ini artinya bahwa sebesar 96,87%
produktivitas kerja karyawan dapat dijelaskan/diprediksi oleh variabel kemampuan
kerja, pemahaman kerja, dan motivasi kerja.
6. Menguji Signifikansi Regresi
JK (reg ) / k
Untuk Uji signifikansi regresi, menggunakan uji F regresi: F =
JK ( sisa) /( n  k  1)
JK(reg) = b1  x1 y  b2  x2 y  b3 x3 y
= (0,375)(3044)+(0,304)(2699)+(0,273)(2628)= 2679,44
JK(T) = ∑y2 = 2766
JK(sisa) = JK(T) = ∑y2 – JK(reg) = 2766 – 2679,44 = 86,56
dk reg = k (prediktor = 3)
RJK (reg) = JK(reg)/dk reg = 2679,44 : 3 = 893,147
dk (sisa) = n – k – 1 = 15-3-1 = 11
RJKK(sisa) = JK(sisa)/dk sisa = 86,56 : 11 = 7,869
F reg = RJK(reg)/RJK(sisa) = 893,147 : 7,869 = 113,500
Tabel 2.7. Ringkasan Anava untuk Menguji Keberartian Regresi

Sumber JK dk RJK F hitung F tabel
Variasi
Regresi 2679,44 3 893,147 113,500*) 3,59
Sisa 86,56 11 7,869 -
Total 2766,00 14 - -
Harga F hitung selanjutnya dikonsultasikan dengan F tabel dengan derajat

kebebasan (dk) pembilang = 3 dan dk penyebut = 11 untuk taraf signifikansi 5%,
diperoleh F tabel= 3,59 dan untuk taraf signifikansi 1% = 6,22. Dengan demikian,
harga F hitung = 113,500 > dari harga F tabel pada ts. 5% = 3,59; sehingga hipotesis
nol ditolak dan hipotesis alternatif, diterima. Ini berarti bahwa koefisien regresi ganda
yang diperoleh adalah bermakna/berarti.

48
7. Uji Keberartian Koefisien Regresi Linear Ganda
Meskipun ternyata regresi ini berarti, untuk menilai ketepatan ramalan

(prediksi), perlu dilihat galat baku taksiran (simpangan baku taksiran) yang diberi
lambang sy.123, dapat dihitung dengan rumus berikut.
JK ( Sisa) 86,56 86,56
s 2 y.123     7,8691
(n  k  1) (15  3  1) 11
Dengan demikian galat baku taksiran, sy.123 = √7,8691 = 2,805. Dengan galat
baku taksiran ini, dapat dihitung galat baku koefisien b1, b2 dan b3 yang diberi
lambang sbi , dapat dihitung dengan rumus:
s 2 y.123
s 2 bi 
 x 2 ij (1  R 2 i )
Selanjutnya, uji keberatian koefisien regresi, digunakan statistik:
t = bi / sbi dengan dk = (n-k-1) = 15-3-1 = 11
Dengan persamaan regresi Ŷ = 3,581 + 0,375X1+ 0,304X2 + 0,273X3, apakah

koefisien-koefisien 0,375; 0,304 dan 0,273 bermakna atau tidak. Untuk itu, perlu
dihitung galat baku b1, b2 dan b3.
Selanjutnya, dihitung harga-harga:
JK ( Sisa ) 86,56 86,56
s 2 y.123     7,8691
(n  k  1) (15  3  1) 11
x  3410;  x 2  2802;  x3  2684; dan y 2  2766.....(lihat .. perhitunga n..diatas )

2 2 2
1
N  XY   X  Y 
Korelasi antara X1, X2 dan X3 = rxy 
N  X 2
  X 
2
N Y 2
  Y 
2

Tabel 2.8. Matrik Korelasi Antar Variabel (dihitung dengan kalkulator)
X X1 X2 X3 Y
X1 1,00 0,968 0,961 0,977
X2 1,00 0,946 0,969
r12 =0,968  r2 = 0,937

r13 = 0,961 r2 = 0,924
r23 =0,946  r2 = 0,895

49
s 2 y.123 7,8691 7,8691

s 2 b1     0,037...sb1  0,037  0,192
 x 1 (1  R 1 ) 3410(1  0,937) 214,83
2 2
7,8691 7,8691
s 2 b2    0,037....sb 2  0,037  0,1923
2802(1  0,924) 212,952
7,8691 7,8691
s 2b3    0,0279...sb 3  0,0279  0,167
2684(1  0,895) 281,82
t = b1 / sb1 = 0,375/ 0,192 = 1,953  tt 0,05 = 1,80; jadi t hitung lebih besar dari t tabel;
ini berarti bahwa koefisien arah regresi yang berkaitan dengan X1 adalah
berarti/bermakna.
t = b2 / sb2 = 0,304 / 0,1923 = 1,581  t hitung lebih kecil dari t tabel sehingga
t = b3 / sb3 = 0,273 / 0,167 = 1,635  t hitung lebih kecil dari t tabel sehingga
Dari pengujian tersebut di atas dapat disimpulkan bahwa daya ramal prediktor
kemampuan kerja terhadap produktivitas kerja adalah berarti/bermakna; sedangkan
daya ramal prediktor pemahaman tugas dan motivasi kerja terhadap produktivitas
kerja, tidak bermakna.
8. Menghitung sumbangan efektif masing-masing prediktor terhadap kriterium,

dikerjakan dengan langkah berikut
(1) Efektivitas regresinya = JK(reg) berbanding JK(T) dikalikan 100%. Telah

diketahui, JK(reg) = 2679,44 ; JK(T) = 2766, maka efektivitas regresi = (2679,44 :
2766) x 100% =
96,87%. Ini sama dengan koefisien determinasinya.
(2) Hitung sumbangan relatif dalam persen (SR%) tiap prediktor (dihitung
harga mutlaknya):
JK(reg) = b1  x1 y  b2  x2 y  b3  x3 y
= (0,375)(3044)+(0,304)(2699)+(0,273)(2628)
= 1141,5 + 820,496 + 717,444 = 2679,44

50
JK(reg) tersebut tersusun dari:

b1  x1 y  (0,375)(3044)  1141,5
b2  x 2 y  (0,304)(2699)  820,496
b3  x3 y  0,273)(2628)  717,444
-------------------------------------------- +
Total (JKreg) = 2679,44
1141,5
Prdiktor X1 : SR% = x100%  42,602
2679,44
820,496
Prediktor X2: SR% = x100%  30,622
2679,44
717,444
Prediktor X2: SR% = x100%  26,776
2679,44
---------------------------------------------------------------
Total = 100%
(3) Menghitung Sumbangan Efektif dalam persen (SE%):
b1  x1 y 1141,5
SE% X1 = (efektivita s)  (96,87%)  41,27%
JK (reg ) 2679,44
b2  x2 y 820,496
SE% X2 = (efektivita s)  (96,87%)  29,66%
JK (reg ) 2679,44
b3  x3 y 717,444
SE% X3 = (efektivita s)  (96,87%)  25,94%
JK (reg ) 2679,44
-------------------------------------------------------------------------------
Total = 96,87%
Kesimpulan:
Prediktor X1 (kemampuan kerja) dapat memberikan kontribusi terhadap

kriterium (produktivitas kerja) sebesar 41,27%; prediktor X2 ( pemahaman tugas)
dapat memberikan kontribusi terhadap produktivitas kerja sebesar 29,66%; dan
prediktor X3 (motivasi kerja) dapat memberikan kontribusi terhadap produktivitas
kerja sebesar 25,94%. Dengan perkataan lain bahwa produktivitas kerja karyawan
dapat diprediksi oleh kemampuan kerja sebesar 41,27%, pemahaman tugas sebesar
29,66%, dan motivasi kerja sebesar 25,94%.

51
D. Korelasi Parsial
Untuk menghitung korelasi parsial, terlebih dahulu harus dihitung korelasi

sederhana antara variabel prediktor dengan variabel kriterium. Korelasi parsial
bertujuan untuk mengetahui besaran koefisien korelasi antara variabel prediktor
dengan variabel kriterium dengan mengendalikan variabel prediktor yang lain.
Korelasi antar variabel setelah dihitung dengan kalkulator, diperoleh koefisien
korelasi sebagai matrik berikut.
Tabel 2.9. Matrik Korelasi Antar Variabel (dihitung dengan kalkulator)
X X1 X2 X3 Y
X1 1,00 0,968 0,961 0,977
X2 1,00 0,946 0,969
X3 1,00 0,964
Y 1,00
(1) Korelasi parsial dengan dua prediktor (X1 dan X2) sebagai berikut:
ry1  ry 2 ry12
ry1..2 
(1  r 2 y 2 )(1  r 212 )
ry 2  ry1 ry12
ry 2.1 
(1  r 2 y1 )(1  r 212 )
(2) Korelasi parsial dengan tiga prediktor (X1 , X2 dan X3) sebagai berikut
ry1.2  ry 3.2 r13.2

ry1..23 
(1  r 2 y 3.2 )(1  r 213.2 )
ry 2.3  ry1.3 r21.3
ry 2..31 
(1  r 2 y1..3 )(1  r 2 21..3 )
ry 3.1  ry 2.1 r32.1
ry 3.12 
(1  r 2 y 2.1 )(1  r 2 32.1 )

52
(3) Korelasi parsial 3 prediktor berdasarkan matrik korelasi di atas adalah sebagai
berikut. Telah diketahui (dihitung):korelasi jenjang nihil (sederhana): ry1 =
0,977;
r y2 = 0,969; r y3 = 0,964; r12 = 0,968; r13 = 0,961; dan r23 = 0,946.
(4) Korelasi parsial jenjang pertama untuk 3 prediktor:
r12  (r13 )(r23 ) 0,968  (0,961)(0,946) 0,058894

r12.3     0,657
(1  r 2
13 )(1  r 2
23 ) (1  0,961 )(1  0,946 )
2 2 0,08964775
r12  (r1 y )(r2 y ) 0,968  (0,977)(0,969) 0,021287

r12. y     0,404
(1  r 21 y )(1  r 2 2 y ) (1  0,977 2 )(1  0,969 2 ) 0,052683055
r13  (r12 )(r23 ) 0,961  (0,968)(0,946) 0,045272

r13.2     0,557
(1  r 212 )(1  r 2 23 ) (1  0,968 2 )(1  0,946 2 ) 0,081349677
r13  (r1 y )(r3 y ) 0,961  (0,977)(0,964 2 ) 0,019172

r13. y     0,338
(1  r 2
1y )(1  r 2
3y ) (1  0,977 )(1  0,964 )
2 2 0,056700807
r23  (r12 )(r13 ) 0,946  (0,968)(0,961) 0,015752

r23.1     0,227
(1  r 212 )(1  r 213 ) (1  0,968 2 )(1  0,9612 ) 0,069399866
r23  (r2 y )(r3 y ) 0,946  (0,969)(0,964) 0,011884

r23. y     0,181
(1  r 2
2y )(1  r 2
3y ) (1  0,969 )(1  0,964 )
2 2 0,065693998
r1 y  (r12 )(r2 y ) 0,977  (0,968)(0,969) 0,039008

r1 y..2     0,629
(1  r 212 )(1  r 2 2 y ) (1  0,968 2 )(1  0,969 2 ) 0,061999936
r2. y  (r12 )(r1 y ) 0,969  (0,968)(0,977) 0,023264

r2 y.1     0,435
(1  r 21 y )(1  r 212 ) (1  0,977 2 )(1  0,968 2 ) 0,053512444
r3 y  (r23 )(r2 y ) 0,964  (0,946)(0,969) 0,047326

r3 y.2     0,591
(1  r 2
23 )(1  r 2
2y ) (1  0,946 )(1  0,969 )
2 2 0,08008839

53
r13  (r12 )(r32 ) 0,961  (0,968)(0,946) 0,045272

r13..2     0,556
(1  r 212 )(1  r 2 32 ) (1  0,968 2 )(1  0,946 2 ) 0,081349677
r21  (r23 )(r13 ) 0,968  (0,946)(0,961) 0,058894

r21.3     0,657
(1  r 2
23 )(1  r 2
13 ) (1  0,946 )(1  0,961 )
2 2 0,08964775
r32  (r12 )(r13 ) 0,946  (0,968)(0,961) 0,015752

r32.1     0,227
(1  r 2
12 )(1  r 2
13 ) (1  0,968 )(1  0,961 )
2 2 0,069399866
r2 y  (r23 )(r3 y ) 0,969  (0,946)(0,964) 0,057056

r2 y..3     0,662
(1  r 2
23 )(1  r 2
3y ) (1  0,946 )(1  0,964 )
2 2 0,08619663
r3 y  (r13 )(r1 y ) 0,964  (0,961)(0,977) 0,025103

r3 y.1     0,426
(1  r 2
13 )(1  r 2
1y ) (1  0,961 )(1  0,977 )
2 2 0,058970981
r1 y  (r13 )(r3 y ) 0,977  (0,961)(0,964) 0,050596

r1 y..3     0,688
(1  r 2
13 )(1  r 2
3y ) (1  0,961 )(1  0,964 )
2 2 0,073554829
(5) Korelasi parsial jenjang kedua (untuk 3 prediktor):

Telah dihitung di atas:
ry1 = 0,977;
r y2 = 0,969;
r y3 = 0,964;
r12 = 0,968;
r13 = 0,961;
r23 = 0,946.
r12.3  0,657
r12. y  0,404
r13.2  0,557
r13. y  0,338
r23.1  0,227
r23. y  0,181
r1 y..2  0,629
r2 y.1  0,435

54
r3 y.2  0,591
r13..2  0,556
r21.3  0,657
r32.1  0,227
r2 y..3  0,662
r3 y.1  0,426
r1 y..3  0,688
ry1..2  ry 3.2 r13.2 0,629  (0,591)(0,556) 0,300404
ry1..23     0,448
(1  r y 3.2 )(1  r 13.2 )
2 2
(1  0,591 )(1  0,556 )
2 2
0,670491112
ry 2..3  ry1..3 r21..3 0,662  (0,688)(0,657) 0,209984
ry 2..31     0,384
(1  r 2 y1..3 )(1  r 2 21..3 ) (1  0,688 2 )(1  0,657 2 ) 0,547106446
ry 3.1  ry 2.1 r32.1 0,426  (0,435)(0,227) 0,327255
ry 3.12     0,373
(1  r y 2.1 )(1  r 32.1 )
2 2
(1  0,435 )(1  0,227 ) 0,876924497
2 2
Kesimpulan:
(1) Terdapat korelasi positif dan signifikan antara variabel kemampuan kerja
dengan variabel produktivitas kerja setelah dikendalikan dengan variabel
pemahaman tugas dan motivasi kerja (r1y-23 = 0,448; r2 = 0,2007 = 20,07%; ini
berarti bahwa variabel kemampuan kerja memberikan kontribusi terhadap
variabel produktivitas kerja sebesar 20,07%).
(2) Terdapat korelasi positif dan signifikan antara variabel pemahaman tugas
dengan variabel produktivitas kerja setelah dikendalikan dengan variabel
kemampuan kerja dan motivasi kerja (r2y-31 = 0,384; r2 = 0,1475 = 14,75%; ini
berarti bahwa variabel pemahaman tugas memberikan kontribusi terhadap
variabel produktivitas kerja sebesar 14,75%).
(3) Terdapat korelasi positif dan signifikan antara variabel motivasi kerja dengan
produktivitas kerja setelah dikendalikan dengan variabel kemampuan kerja
dan pemahaman tugas (r3y-12 = 0,373; r2 = 0,1391 = 13,91%; ini berarti bahwa
variabel kemampuan kerja memberikan kontribusi terhadap variabel
produktivitas kerja sebesar 13,91%).
Tugas Latihan
Seorang peneliti ingin mengetahui hubungan antara inteligensi, minat belajar,
dan konsep diri dengan prestasi belajar IPA di SMA. Untuk itu, dikumpulkan data
pada 60 orang siswa yang diambil secara random. Data yang diperoleh berbentuk
angka puluhan (data fiktif dibuat sendiri).

55
1. Buat konstelasi masalahnya

2. Rumuskan hipotesisnya
3. Hitung regresi sederhana masing-masing prediktor terhadap kriterium
4. Uji hipotesis itu dengan analisis regresi tiga prediktor
5. Hitung koefisien determinasinya secara bersama-sama
6. Hitung sumbangan efektif masing-masing prediktor terhadap kretirium

56
BAB III
ANALISIS KOVARIANS
Kompetensi Dasar
Mahasiswa memahami tentang analisis kovarianss satu jalur, dua jalur dan tiga
jalur, serta mampu menggunakannya untuk menganalisis data kuantitatif.
Mahasiswa dapat:
1. memahami konsep dasar analisis kovarians
2. menjelaskan manfaat analisis kovarians
3. melakukan analisis kovarians satu jalur, dua jalur, dan tiga jalur.
4. menggunakan analisis kovarians satu jalur, dua jalur, dan tiga jalur untuk
menganalisis data penelitian kuantitatif
Uraian Materi
Analisis Kovarians (Anakova), fungsinya sama dengan ANAVA, hanya saja

dalam ANAKOVA ditambah pengendalian secara statistik terhadap variabel numerik.
Variabel numerik dimasukkan sebagai kovariabel dengan tujuan untuk menurunkan
error varianss, dengan jalan menghilangkan pengaruh variable tersebut. Termasuk
salah satu statistik yang kuat. Berguna untuk penelitian eksperimen maupun non
eksperimen. Dengan menggunakan Rancangan Anakova, pengambilan sampel secara
acak tidak lagi sangat diperlukan. Anakova merupakan gabungan atau perpaduan
antara analisis varians dan analisis regresi.
Asumsi yang harus dipenuhi dalam ANAKOVA adalah: (1) data berdistribusi
normal, (2) varianss dalam kelompok homogen, (3) bentuk regresi linear, (4)
koefisien arah regresi tidak sama dengan nol, dan (5) koefisien arah regresi homogen.
* JK A / dbA RJK A
Rumus yang digunakan: FA  
JK dal / dbdal RJK dal
A. Analisis Kovarians Satu Jalur (Satu Kovariabel)
1. Rumusan masalah penelitian

Setelah dikendalikan oleh skor tes bakat (X), apakah terdapat perbedaan hasil
belajar (Y) antara siswa yang mengikuti pembelajaran dengan metode kooperatif (A1)
dengan metode ceramah (A2) dan pemberian tugas (A3 )?

57
2. Rumusan Hipotesis Penelitian

Hipotesis penelitian: Setelah dikendalikan oleh kovariabel skor tes bakat (X), terdapat
perbedaan hasil belajar (Y) antara siswa yang mengikuti pembelajaran dengan metode
kooperatif (A1) dengan metode ceramah (A2) dan pemberian tugas (A3 ).
H0: µ1 = µ2 = µ3
H1: µ1 ≠ µ2≠ µ3
Kriteria pengujian: Tolak H0 jika F*A > Ft(α; db A:db D)

Terima H0 jika F* < Ft(α; db A:db D)
Contoh Aplikasi dalam analisis Data
a. Tabel Data
Tabel 3.1. Data Hasil Penelitian (fiktif)
A1 A2 A3
X Y X Y X Y
29 15 22 20 33 14
49 19 24 34 45 20
48 21 49 28 35 30
35 27 46 35 39 32
53 35 52 42 36 34
47 39 43 44 48 42
46 23 64 46 63 40
74 38 61 47 57 38
72 33 55 40 56 54
67 50 54 54 78 56
Keterangan:
A = Metode Mengajar ( A1 = metode ceramah, A2 = metode
pemberian tugas, dan A3 = metode kooperatif.
X = Skor Tes Bakat (Aptitude Test Score) = kovariabel (X)
Y = Skor Prestasi Belajar Biologi

58
b. Langkah-langkah Perhitungan
Tabel 3.2. Format Tabel Statistik (data fiktif)

Statistik A1 A2 A3 Total
n 10 10 10 30
X 520 470 490 1480
X2 29054 23888 25898 78840
Y 300 390 360 1050
Y2 10064 16106 14536 40706
XY 16603 19241 18978 54822
_
X 52 47 49 49,33
_
Y 30 39 36 35
Menghitung Sumber Variasi Total (Residu)
1). Jumlah Kuadrat Total Y ( y2)
JKYt = y2 t = (SStot) = YT2  (YT)2 = 40706 - (1050)2 = 3956

N 30
2). Jumlah Kuadrat Total X
JKXt = x2 t = Xt2  (XT)2 = 5826,67

N
3). Jumlah Produk Total (XY)
JPXYt = xy = XYT  (XT)( YT) = 3022
N
4). Menghitung Beta
Betat =
 xy = 0,519
x 2
5). Menghitung JKReg. Tot. =  *  xy = 0,519 *3022 = 1567,359
6). Menghitung JKRes. Tot. = JKYt  JKReg. Tot = 3956-1567,359 = 2388,641
Menghitung Sumber Variasi dalam ( JK dal.residu)
 Y  2
y
A
1). JKY = 2
= YT2  = 40706 - (3002 /10 +3902 /10 + 3602 /10)
nA
=3536
2 2
 X  A
2
2). JKXd = x d = X T  = 78840 – (5202 /10 +4702 /10 + 4902 /10)

nA
5700

59
3).JPXY=xyd=  XYTot  
 X  Y 
A A
=54822 – (520*300:10 + 470*390:10 +
nA
490*360:10) = 3252
4). Beta dal. =  2 d = 3252 : 5700 = 0,5705

xy
x d
5). JK reg.dal. =  * xy = 0,5705*3252 =1855,352
6). JK dal res. = JKY  JKreg. = 3536 – 1855,352 =1680,648 = 1680,65
Menghitung Sumber Variasi Antar
SVTot  SVdal. = JK res.tot  JK res. dal. = 2388,641-1680,65= 707,993
Memnghitung derajat kebebasan
Db A* = db A = a – 1 = 3-1= 2
Db D* = db D – M = N – a – M ( jumlah kovariabel) = 30-3-1 = 26
Db Tot.* = db Tot. – M = N – 1 – M = 30-1-1=28
Menghitung Rata-Rata Residu ( Adjusted Mean)

_ _ _
MA1 = Y1  dal. (XA1  XT) = 30 - 0,57(52 - 49,33) = 28,48
_ _ _
MA2 = Y2  dal. (XA2  XT) = 39 – 0,57 (47 – 49,33) = 40,33
_ _ _
MA3 = Y3  dal. ( XA3  XT) = 36 – 0,57 (49 – 49,33) = 36,19
Tabel 3.3. Rangkuman Analisis Kovarians Satu Jalur
SV JK*(SS) db* RJK*(MS) F* F tab

(α 0,05)
Antar A 707,993 2 353,9965 5,476 3,37
Dalam 1680,648 26 64,640 -- --

(error) res
Total (res) 2388,641 28 - - --

Dari perhitungan diperoleh F* = 5,476, sedangkan F table pada taraf
signifikansi 5% dengan db 2 : 26 adalah 3,37. Dengan demikian, H0 ditolak dan H1
diterima, sehingga dapat disimpulkan bahwa setelah dikendalikan oleh kovariabel
skor tes bakat, terdapat perbedaan hasil belajar yang signifikan antara siswa yang
mengikuti pembelajaran dengan metode kooperatif dengan siswa yang mengikuti
pembelajaran dengan metode ceramah dan metode pemberian tugas. Karena hasilnya/
harga F* signifikan, maka dilanjutkan dengan uji lanjut.

60
Jika kita ingin mengetahui harga koefisien korelasi antara kriterium dengan
kovariabel X, harga rxy itu dapat dicari dengan menggunakan bahan-bahan sumber
variasi dalam kelompok, sebagai berikut.
rxy 
 xy 
3252

3252

3252
 0,724
 x  y 
2 2
5700 * 3536 20155200 4489,45431
Kontribusi kovariabel terhadap kriterium sebesar R2 = 0,524 = 52,4%

c. Uji Lanjut
1). Fisher Protected LSD (Least Significant Difference)

2). Tukey HSD (Honestly Significant Difference)
3). Dunn – Bonferroni Procedure
4). t-Scheffe (jika banyak sel)
Protected LSD
M A1  M A2
Rumus: t1-2 =
 1 1  X  X
RJKd     1
 2  
2
n
 1 n 2  JK dal. 
28,48  40,33 11,85 11,85

t12     3,294
 1 1  52  47  12,928  0,014875214 12,94287521
2
64,64   
 10 10  1680,648
db t sama db dalam = 2,056 (untuk ts 5%) dan 2,779 (untuk ts. 1%). Dengan
demikian, harga t adalah signifikan pada taraf signifikansi 1% (p<0,01).
Simpulannya?
28,48  36,19 7,71 7,71

t13     2,14
 1 1  52  49 12,928  0,005355077 12,93335
2
64,64   
 10 10  1680,648
Harga t signifikan pada taraf signifikansi 5%. Simpulannya?
40,33  36,19 4,14 4,14

t 2 3     1,15
 1 1  47  49 12,928  0,002380034 12,93038
2
64,64   
 10 10  1680,648
Harga t tidak signifikan pada taraf signifikansi 5%. Simpulannya?

61
B. Analisis Kovarians Satu Jalur (Dua Kovariabel)
1. Rumusan masalah penelitian

Setelah dikendalikan oleh skor tes bakat (X1) dan Motivasi Berprestasi (X2),
apakah terdapat perbedaan hasil belajar IPA (Y) antara siswa yang mengikuti
pembelajaran dengan metode konvensional (A1) dengan metode kooperatip (A2) ?
2. Rumusan Hipotesis Penelitian
Hipotesis penelitian: Setelah dikendalikan oleh kovariabel skor tes bakat (X1) dan
Motivasi Berprestasi (X2), terdapat perbedaan hasil belajar IPA (Y) antara siswa yang
mengikuti pembelajaran dengan metode konvensional (A1) dengan metode
kooperatip (A2).
H0: µ1 = µ2
H1: µ1 ≠ µ2
Kriteria pengujian: Tolak H0 jika F*A > Ft(α; db A:db D)

Tabel 3.4. Data Fiktif

A1 A2
X1 X2 Y X1 X2 Y
7 8 6 7 7 8
8 9 7 8 8 9
6 8 6 6 6 7
7 7 6 5 6 6
5 6 5 3 5 4
8 8 7 7 8 8
7 7 6 6 7 7
6 7 6 6 6 7
8 8 7 9 9 8
4 6 5 7 5 6
Keterangan:
A = Metode Pembelajaran (A1 = metode konvensional; A2 = metode kooperatip)
Y = Prestasi Belajar IPA
X1 = Skor Tes Bakat
X2 = Skor Motivasi Berprestasi

62
Tabel 3.5. Format Tabel Statistik (data fiktif))

Statistik A1 A2 Total
n 10 10 20
X1 66 64 130
X12 452 434 886
X2 74 67 141
X22 556 465 1021
Y 61 70 131
Y2 377 508 885
X1Y 411 466 877
X2Y 457 483 940
X1X2 498 444 942
X1 6,6 6,4
X2 7,4 6,7
_Y 6,1 7,0
a. Menghitung Sumber Variasi Total (Residu)
 Y  2
131
2
1).  y  Y
2 2
tot 
N
tot
 885 
20
 26,95
 X 1tot 
2
130
2
x   X1
2 2
2). 1 tot   886   41
N 20
X  2
1412 = 26,95
 x2   X 2
2 2
3). tot  2 tot
 1021 
N 20
 X  Y   877  130 *131  25,5

4). x y  X Y
1 1 tot  1tot
N
tot
20
 X  Y   877  141*131  16,45

5). x y  X Y
2 2 tot  tot
N
tot
20
 X  X  130 *141  25,5

x x   X 1 X 2 tot 
1 tot 2 tot
6). 1 2  877 
N 20
b. Menghitung Sumber Variasi Dalam (Residu)
  YA! 2  YA 2 
  885   61  70   885  862,1  22,9
2 2
1). y 2
 Y 2
  2
 10 10 
tot
 n1 n2  
 

63
  X A1 2  X A2 2   66 2 64 2 
 
 x1   X 1 tot   n  n   886   10  10   886  845,2  40,8
2 2
2).
 1 2
  
 X   X  
3)  x2 2   X 2 2 tot    A1   A2   1021  
2 2
 74 2 67 2 
   24,5
 n1 n2   10 10 
 
  X A1 *  YA1  X A2 *  YA2 
x y  X Y
1  
1 tot
n1

n2


4).  
 66 * 61 64 * 70 
877      26,4
 10 10 
  X A1 *  YA1  X A2 *  YA2 
x y X Y
2  
2 tot
n1

n2


5).  
 74 * 61 67 * 70 
940      940  920,4  19,6
 10 10 
  X 1 A1 *  X 2 A1  X 1 A2 *  X 2 A2 
x x  X X
1 2  
1 2 tot
n

n


6).  1 2 
 66 * 74 64 * 67 
942      942  917,2  24,8
 10 10 
c. Menghitung Beta Total (b1 dan b2)
Untuk menghitung beta, gunakan rumus persamaan regresi linear ganda

sebagai berikut.
 x y  b1 x  b2 x x
2
(1) 1 1 1 2
 x y  b1 x x  b2 x
2
(2) 2 1 2 2
Masukkan skor deviasi di atas ke dalam persamaan tersebut sehingga menjadi seperti
berikut.
(1). 25,5 = 41b1 + 25,5b2
(2). 16,45 = 25,5b1 + 26,95b2
----------------------------------------ini bisa diselesaikan dengan metode eliminasi atau
Metode Selisih Produk Diagonal (SPD), sehingga
menjdi:
(3) 267,75 = 454,7 b1 +0b2 (ini diperoleh dari: (25,5 * 26,95) – (16,45 * 25,5) ;
dan (41*26,95) – (25,5*25,5); dan 25,5*26,95) - (26,95*25,5). Dengan
demikian, diperoleh harga b1=267,75/454,7 = 0,589.

64
Dengan memasukkan harga betb1 ke persamaan (2), diperoleh: 16,45 =

(0,589)(25,5) + 26,95 sehingga menjadi: 16,45 = 15,0195 + 26,95b2. Dengan
demikian, b2 = 1,4311/26,95 = 0,053.
d. Menghitung Beta Dalam (b1 dan b2)

Dengan cara yang sama, yakni dengan menggunakan persamaan linear, harga
beta dalam ditemukan. Berdasarkan skor deviasi sumber variasi dalam, persamaan
tersebut menjadi seperti berikut.
(1) 26,4 = 40,8b1 + 24,8b2
(2) 19,6 = 24,8b1 + 24,5b2
------------------------------- diselesaikan dengan metode SPD, menjadi:
(3) 160,72 = 384,56b1; dengan demikian b1 = 160,72/384,56 = 0,418. Dengan
memasukkan harga beta ini ke dalam persamaan (2), diperoleh sebagai
berikut. b2: 19,6 = (24,8)(0,418) + 24,5 b2; sehingga b2 = 9,2336/24,5 =
0,377.
e. Menghitung Jumlah Kuadrat Residu Total (JKres tot)
JK total   y 2  (b1  x1 y  b2 x2 y)  26,95  (0,589 * 25,5)  (0,053 *16,45) 

26,95  15,89135  11,05865  11,059.
f. Menghitung Jumlah Kuadrat Residu Dalam (JKres.dal)
JKres.dal = 
y 2
 (b1  x1 y  b2 x2 y)  22,9  (0,418 * 26,4)  (0,377 *19,6)
 22,9  18,4244  4,478
g. Menghitung Jumlah Kuadrat Residu Antar (JKres.ant.)
JKres.ant. = JKres.tot.- JKres.dal = 11,059 – 4,476 = 6,583 (ini varians terbesar)
h. Menghitung derajat kebebasan (db) dan Rerata Jumlah Kuadrat (RJK)

dbA = a-1 = 2 – 1 = 1
dbdal = N – a – m (kovariabel) = 20- 2 – 2 = 16
RJKA = JKA/dbA= 6,583/1 = 6,583.
RJKdal = JKdal/dbdal = 4,478/16 = 0,2798 = 0,280 (ini varians terkecil)
Jadi Fresidu = 6,583/0,280 = 23,510

65
Tabel 3.6. Ringkasan Anakova Dua Kovariabel

Sumber JK db RJK Fres F tabel
Variasi (α 0,05)
antar A 6,580 1 6,583 23,510 P<0,05
dalam 4,478 16 0,280 -------- -------
Total 11,059 17 ----- -------- -------
Berdasarkan hasil analisis di atas, dapat disimpulkan bahwa dengan

pengendalian terhadap skor tes bakat (X1) dan skor motivasi berprestasi (X2), terdapat
perbedaan yang signifikan nilai rata-rata prestasi belajar IPA (Y) antara mahasiswa
yang mengikuti pembelajaran dengan metode konvensional dan metode kooperatif.
Mahasiswa yang pembelajarannya menggunakan metode kooperatif lebih unggul dari
pada mahasiswa yang belajar menggunakan metode konvensional
(Y2  6,83  Y1  5,93) .
Angka rata-rata prestasi belajar IPA setelah disesuaikan adalah sebagai

berikut.
    
Y * A1  YA1  X 1. A1  X 1.tot b1 .dal  X 2. A1  X 2.tot b2.dal
61  66 130   74 141 
  0,418    0,377  
10  10 20   10 20 
6,1  6,6  6,50,418  (7,4  7,05)(0,377 
6,1  0,10,418  0,350,377   6,1  0,0418  0,13195 
6,1  0,17375  5,92625  5,93
    
Y * A 2  YA2  X 1. A 2  X 1.tot b1 .dal  X 2. A2  X 2.tot b2.dal 
70  64 130   67 141 
  0,418    0,377  
10  10 20   10 20 
7,0  6,4  6,50,418  6,7  7,050,377  
7,0   0,10,418   0,350,377  
7,0   0,0418   0,13195 
7,0  0,17375  6,82625  6,83
Jika kita ingin mengetahui harga koefisien regresi ganda antara kriterium
dengan kovariabel X1 dan X2, harga Ry (1,2) itu dapat dicari dengan menggunakan
bahan-bahan sumber variasi dalam kelompok, sebagai berikut.
66
b1  x1 y  b2  x2 y 0,41825,5 0,37716,45 
Ry (1,2)  
y 2
22,9
10,659  6,20165 16,86065
  0,736272925  0,858
22,9 22,9
R2 = 0,736 = 73,6%. Ini besarnya kontribusi bersama kovariabel X1 dan X2
terhadap kriterium.
C. Analisis Kovarians Satu Jalur (Tiga Kovariabel)
1. Tabel Data

A1 A2
X1 X2 X3 Y X1 X2 X3 Y
7 8 7 6 7 7 7 8
8 9 8 7 8 8 8 9
6 8 5 6 6 6 6 7
7 7 6 6 5 6 5 6
5 6 4 5 3 5 4 4
8 8 6 7 7 8 7 8
7 7 5 6 6 7 6 7
6 7 6 6 6 6 6 7
8 8 7 7 9 9 8 8
4 6 6 5 7 5 7 6
Keterangan Notasi:
A = Asal Mahasiswa
A1 = asal SMA Jurusan IPA
A2 = asal SMA Jurusan IPS
Y = Nilai Statistika Dasar
X1 = Indeks Prestasi SMA (IPK)

X2 = Koefisien Kecerdasan (IQ)
X3 = Bakat Numerik (BN)
H0: µ1 = µ2
H1: µ1 ≠ µ2
Kriteria pengujian:
Tolak H0 jika F*A > Ft(α; db A:db D)
67
3. Langkah-langkah perhitungan
Langkah-langkah perhitungan pada anakova satu jalur dengan tiga kovariabel,

sama dengan langkah-langkah perhitungan pada anakova satu jalur dengan dua
kovariabel, hanya ada penambahan perhitungan untuk menghitung beta masing-
masing. Untuk menghitung beta 1, beta 2, dan beta 3, menggunakan persamaan linear
pada analisis regresi tiga predictor.
a. Tabel Data Statistik Induk

Tabel 3.8. Format Tabel Statistik (data fiktif))
Statistik A1 A2 Total
n 10 10 20
X1 66 64 130
X12 452 434 886
X2 74 67 141
X22 556 465 1021
X3 60 64 124
X32 372 424 796
Y 61 70 131
Y2 377 508 885
X1Y 411 466 877
X2Y 457 483 940
X3Y 371 462 833
X1X2 498 444 942
X1X3 404 428 832
X2X3 451 440 891
Rata-rata X1 6,6 6,4

X2 7,4 6,7
X3 6,0 6,4
_ Y 6,1 7,0
b. Menghitung Sumber Variasi Total (Residu)
 Y  2
1312
1).  y  Y
2 2
tot 
N
tot
 885 
20
 26,95
 X 1tot 
2
1302
 x1   X 1
2 2
2). tot   886   41
N 20
X  2
141
2
x   X2
2 2
3). 2 tot  2 tot
 1021  = 26,95
N 20

68
 X 3tot 
2
124
2
x   X3
2 2
4). 3 tot   27,2 796 
N 20
5).  x1 y   X 1Ytot 
 X1tot  Ytot   877  130 *131  25,5
N 20
 X  Y   877  141*131  16,45

6). x y  X Y
2 2 tot  tot
N
tot
20
 X  Y   833  124 *131  20,8

7). x y  X Y
3 3 tot  tot
N
tot
20
 X  X   877  130 *141  25,5
8). x x  X
1 2 1 X 2 tot 
1tot
N
20
2 tot
9).  x1 x3   X 1 X 3 tot 
 X 1tot  X 3tot   832  130 *124  26
N 20
10).  x2 x3   X 2 X 3 tot 
  
 X 2 tot  X 3tot  891  124 *141  16,8
N 20
c. Menghitung Sumber Variasi Dalam (Residu)
  YA! 2  YA 2 
  885   61  70   885  862,1  22,9
2 2
1). y 2
 Y 2
  2
 10 10 
tot
 n1 n2  
 
  X A1 2  X A2 2   66 2 64 2 
2).  x1   X 1 tot   n  n   886   10  10   886  845,2  40,8
2 2
 1 2
  
  X A1 2  X A2 2 
  1021   74  67   24,5
2 2
3)  x2   X 2 tot  
2 2
  10
 n1 n2   10 
 
  X A1 2  X A2 2 
  796   60  64   26,4
2 2
4).  x3   X 3 tot  
2 2
  10
 n1 n2   10 
 
  X A1 *  YA1  X A2 *  YA2 
x y  X Y
1   1 tot
n

n


5).  1 2 
 66 * 61 64 * 70 
877      26,4
 10 10 
  X A1 *  YA1  X A2 *  YA2 
x y X Y
2   2 tot
n

n


6).  1 2 
 74 * 61 67 * 70 
940      940  920,4  19,6
 10 10 

69
  X A1 *  YA1  X A2 *  YA2 
x y X Y
3  
3 tot
n

n


7).  1 2 
 60 * 61 64 * 70 
833      833  814  19
 10 10 
  X 1 A1 *  X 2 A1  X 1 A2 *  X 2 A2 
x x  X X
1 2  
1 2 tot
n

n


8).  1 2 
 66 * 74 64 * 67 
942      942  917,2  24,8
 10 10 
  X 1 A1 *  X 3 A1  X 1 A2 *  X 3 A2 
x x  X X
1 3 1 3 tot  
 n

n


9).  1 2 
 66 * 60 64 * 64 
832      832  805,6  26,4
 10 10 
  X 2 A1 *  X 3 A1  X 2 A2 *  X 3 A2 
x x  X
2 3 X 3tot  
2
n

n


10).  1 2 
 60 * 74 64 * 67 
891      891  872,8  18,2
 10 10 
d. Menghitung Beta Total (b1, b2 dan b3)
Untuk menghitung beta, gunakan rumus persamaan regresi jamak linear

sebagai berikut.
x y  b  x  b x x  b x x
2
1 1 1 2 1 2 3 1 3
x y  b  x x  b x  b x x
2
2 1 1 2 2 2 3 2 3
x y  b  x x  b x x  b x
2
3 1 1 3 2 2 3 3 3
Masukkan skor deviasi di atas ke dalam persamaan tersebut sehingga menjadi

seperti berikut.
(1) 25,5 = 41 b1 + 25,5 b2 + 26 b3
(2) 16,45 = 25,5 b1 + 26,95 b2 + 16,8 b3
(3) 20,8 = 26 b1 + 16,8 b2 + 27,2 b3
----------------------------------------------------- ambil persamaan (1) dan (2), ini bisa
diselesaikan dengan metode eliminasi atau metode Selisih Produk Diagonal (SPD),
sehingga menjdi:
(3) 0,7 = 25,8 b1 + (-272,3)b2 + 0 b3;(ini diperoleh dari: (25,5 * 16,8) – (16,45 *
26) ; (41*16,8) – (25,5*26); (25,5*16,8) - (26,95*26); dan (26*16,8)-
(16,8*26). Kemudian, ambil persamaan (2) dan (3), dan hitung dengan
metode SPD sehingga diperoleh seperti pada persamaan (5).
70
(4) 98 = 256,8 b1 + 450,8 b2 + 0 b3; hal ini diperoleh dari: (16,45*27,2) –

(20,8*16,8); (25,5*27,2)- (26*16,8); (26,95*27,2) – (16,8*16,8);
(16,8*27,2) – (27,2*16,8). Selanjutnya, persamaan (4) dan (5) dihitung
dengan metode SDP dan jadikan persamaan (6) sebagai berikut.
---------------------------------------------------
(4) 0,7 = 25,8 b1 + (-272,3)b2 + 0 b3
(5) 98 = 256,8 b1 + 450,8 b2 + 0 b3
---------------------------------------------------
(6) 27000,96 = 81557,28 b1; hal ini diperoleh dari: (0,7*450,8) – (98*-272,3);
(25,8*450,8) – (256,8*-272,3). Dengan demikian, diperoleh harga b1=.
27000,96/81557,28 = 0,331067 = 0,331
Dengan memasukkan harga beta1 ke persamaan (5), diperoleh: 98 = (0,331)(256,8)
+ 450,8b2 sehingga menjadi: 98 = 85,0008 + 450,8b2, menjadi 98 - 85,0008 =
450,8b2, menjadi 12,9992 = 450,8b2. Dengan demikian, b2 = 12,9992/450,8 = 0,029.
Untuk menghitung b 3, gunakan salah satu persamaan di atas yang ada beta
tiganya. Misalnya, kita gunakan persamaan (2) sehingga menjadi sebagai berikut.
16,45 = 25,5 (0,331) + 26,95 (0,029) + 16,8 b3
16,45 = 8,4405 + 0,78155 + 16,8 b3
16,45 = 9,22205 + 16,8 b3
16,45 – 9,22205 = 16,8 b3
7,22795 = 16,8 b3  jadi b3 =7,22795 /16,8 = 0,3917 = 0,430.
e. Menghitung Beta Dalam (b1, b2, b3)

Dengan cara yang sama, yakni dengan menggunakan persamaan linear, harga
beta dalam ditemukan. Berdasarkan skor deviasi sumber variasi dalam, persamaan
tersebut menjadi seperti berikut.
(1)  x1 y  b1  x1  b2  x1x2  b3  x1x3

2
(2)  x2 y  b1  x1x2  b2  x2  b3  x2 x3
2
(3)  x3 y  b1  x1 x3  b2  x2 x3  b3  x3
2
26,4 = 40,8 b1 + 24,8 b2 + 26,4 b3

(1) 19,6 = 24,8 b1 + 24,5 b2 + 18,2 b3
(2) 19 = 26,4 b1 + 18,2 b2 + 26,4 b3
----------------------------------------------- diselesaikan dengan metode SPD,
menjadi:
(3) -36,96 = 87,84 b1 + (-195,44) b2; (hasil SPD dari persamaan (1) dan (2)).
71
(4) 171,64 = 174,24 b1 + 315,56 b2; (hasil SPD persamaan (2) dan (3)).
--------------------------------------------- diselesaikan dengan metode SPD
(5) 21882,224 = 61772,256 b1  b1 = 21882,224/61772,256 = 0,354
(dibulatkan).
Masukkan b1 ke persamaan (2) sehingga menjadi:
171,64 = 174,24(0,354) + 315,56 b2
171,64 = 61,68096 + 315,56 b2
171,64 – 61,68096 + 315,56 b2
109,92904 = 315,56 b2  b2 = 109,92904/315,56 = 0,348 (dibulatkan).
Selanjutnya, masukkan ke salah satu persamaan di atas, misalnya dimasukkan
ke persamaan (3) sehingga menjadi sebagai berikut.
19 = 26,4 (0,354) + 18,2 (0,348) + 26,4 b3
19 = 9,3456 + 6,3336 + 26,4 b3
19 = 15,6792 + 26,4 b3
19 – 15,6792 = 26,4 b3
3,3208 = 26,4 b3  b3 =3,3208/26,4 = 0,126 (dibulatkan)
f. Menghitung Jumlah Kuadrat Residu Total (JKres tot)
JK total   y 2  (b1  x1 y  b2 x2 y  b3 x3 y)  26,95  (0,331* 25,5  0,029 *16,45 

0,430 * 20,8)  26,95  17,86155  9,08845.
g. Menghitung Jumlah Kuadrat Residu Dalam (JKres.dal)
JKres.dal =
 y  (b1  x1 y  b2 x2 y  b3 x3 y)  22,9  (0,354 * 26,4)  (0,348 *19,6  0,126 *19)
2
 22,9  18,5604  4,3396.
h. Menghitung Jumlah Kuadrat Residu Antar (JKres.ant.)
JKres.ant. = JKres.tot.- JKres.dal = 9,08845 – 4,3396 = 4,74885 (ini varians terbesar)

i. Menghitung derajat kebebasan (db) dan Rerata Jumlah Kuadrat (RJK)
dbA = a-1 = 2 – 1 = 1
dbdal = N – a – m (kovariabel) = 20- 2 – 3 = 15
dbtot = N – 1 – m = 20-1-3 = 16
RJKA = JKA/dbA= 4,74885/1 = 4,74885 = 4,749 (dibulatkan)
RJKdal = JKdal/dbdal = 4,3396/15 = 0,289306666 = 0,289 (ini varians terkecil)

72
Jadi Fresidu = 4,749/0,289 = 45,41868512 = 16,432 (dibulatkan)
Tabel 3.9. Ringkasan Anakova Tiga Kovariabel

Variasi (α 0,05)
antar A 4,749 1 4,749 16,432 P<0,05
dalam 4,3396 15 0,289 -------- -------
Total 9,0886 16 ----- -------- -------
Berdasarkan hasil analisis di atas, dapat disimpulkan bahwa dengan

pengendalian terhadap IPK SMA (X1), IQ (X2), dan bakat numerik (X3), terdapat
perbedaan yang signifikan nilai Statistika Lanjut (Y) antara mahasiswa yang berasal
dari IPS dan IPA. Mahasiswa yang berasah dari IPA lebih unggul dibandingkan
dengan mahasiswa yang berasal dari jurisan IPS (YIPA  7,132  YIPS  5,97) .Rata-rata
yang telah disesuaikan.
Angka rata-rata nilai Statistik Lanjut setelah disesuaikan adalah sebagai

berikut.
      
Y * A1  YA1  X 1. A1  X 1.tot b1.dal  X 2. A1  X 2.tot b2.dal  X 3. A1  X 3.tot b3.dal 
61  66 130   74 141   60 124 
  0,354     0,348    0,126 
10  10 20   10 20   10 20 
6,1  6,6  6,50,354   (7,4  7,05)(0,348  6,0  6,20,126  
6,1  0,10,354  0,350,348   0,20,126 
6,1  0,0354   0,1218   0,0252   6,1  0,132  5,968  5,97
      
Y * A 2  YA 2  X 1. A 2  X 1.tot b1 .dal  X 2. A 2  X 2.tot b2.dal  X 3. A2  X 3.tot b3.dal 
70  64 130   67 141   64 124 
  0,354    0,348    0,126 
10  10 20   10 20   10 20 
7,0  6,4  6,50,354   6,7  7,050,348  6,4  6,20,126  
7,0   0,10,354   0,350,348  0,20,126  
7,0   0,0354    0,1218  0,0252  
7,0  (0,132)  7,132
Jika kita ingin mengetahui harga koefisien regresi ganda antara kriterium
dengan kovariabel X1 dan X2, harga Ry (1,2) itu dapat dicari dengan menggunakan
bahan-bahan sumber variasi dalam kelompok, sebagai berikut.

73
b1  x1 y  b2  x2 y  b3  x3 y
Ry (1,2,3)  
y 2
0,35426,4 0,34819,6 0,12619 

22,9
18,5604
 0,8105  0,900
22,9
R2 = 0,8105 = 81,05%. Ini besarnya kontribusi bersama kovariabel X1, X2 dan
X3 terhadap kriterium.
Simpulan ? latihan menyimpulkan!
D. Rancangan Anakova Dua Jalur (Anakova Faktorial AB, satu kovariabel)
Sebelum kita lanjutkan pembicaraan mengenai penerapan anakova untuk

rancangan yang lebih rumit ini, baiklah kita endapkan prinsip-prinsip dan tata-kerja
anakova yang sudah kita tangkap. Anakova merupakan perluasan dari anava, karena
adanya sejumlah variabel bebas yang dikendalikan secara individual. Pengendalian
dilakukan dengan 'memeras' pengaruh variabel bebas yang dikendalikan, yang disebut
kovariabel, terhadap kriterium, sehingga bilangan-bilangan kriterium yang dihasilkan
dari anakova dapat dianggap sebagai bilangan-bilangan yang murni.
Pengendalian variabel bebas dilakukan secara statistik, dengan jalan
memperhitungkan besar korelasi antara kriterium dengan kovariabel (atau kovariabel-
kovariabel). Besar korelasi antara kriterium dengan kovariabel dengan sendirinya
akan diktemukan sekaligus dalam anakova. Makin tinggi korelasi antara kriterium
dengan kovariabel, makin banyak pengaruh dari kovariabel terhadap kriterium yang
harus diperas.
Angka rata-rata kriterium yang disesuaikan merupakan salah satu hasil
'pomerasan' pengaruh kovariabel tersebut. Perbedaan rata-rata hasil anava akan
mengecil, jika korelasi antara kriterium dengan kovariabel positif. Sebaliknya,
perbedaan tersebut akan melebar jika korelasi antara kriterium dengan kovariabel
negatif.
Untuk melakukan anakova, kita harus mencari harga-harga jumlah kuadrat JK
untuk kriterium dan kovariabcl-kovariabel dalam pola rancangan anava yang dipakai,
misalnya rancangan rambang lugas, rancangan faktorial, dsb. Untuk rancangan
rambang lugas, yang akan dipakai untuk analisis adalah JK total dan JK dalam.
Demikian juga halnya untuk rancangan faktorial. Akan tetapi untuk rancangan

74
factorial, JK total diperoleh dengan cara khusus, bukan JK total faktorialnya.

Rancangan faktorial itu mula-mula harus dipecah-pecah menjadi rancangan-
rancangan rambang lugas, baik untuk sumber variasi utamanya, maupun untuk
sumber variasi interaksinya. JK total tiap sumber variasi diperoleh dari menjumlahkan
JK sumber variasi dengan JK dalam. Selanjutnya JK total yang baru ini dan JK dalam
yang dipakai untuk analisis kovarianss.
Cara kerja yang digunakan dalam komputasi JK tersebut kita gunakan juga
dalam komputasi jumlah produk atau JP antara kriterium dengan kovariabel, maupun
antara kovariabel yang satu dengan kovariabel lainnya. Untuk rancangan rambang
lugas kita dapat langsung bekerja dongan JP total dan JP dalamnya. Untuk rancangan
faktorial, rancangan itu dipecah-pecah dahulu dalam sejumlah rancangan rambang
lugas, dan setelah diperoleh JP total yang baru, komputasi dapat dilanjutkan
berdasarkan JP total yang baru itu dan JP dalamnya.
Jumlah kuadrat residu atau JK residu, baik JK residu total maupun JK residu
dalam yang diperlukan dalam analisis kovarians dapat diperoleh setolah koofisien
masing-masing kovariabelnya ditemukan. Jika dalam anakova, diambil lebih dari satu
kovariabel, koefisien kovariabelnya diperoleh melalui persamaan
simultan.Selanjutnya, jika JK residu total dan JK residu dalam sudah ditemukan,
maka JK residu antar dapat dengan mudah ditemukan pula dari mengurangkan JK.
residu total dengan JK residu dalam. Dengan JK residu antar dan JK residu dalam,
maka pekerjaan anakova dapat segera diselesaikan. Besar korelasi antara kriterium
dengan kovariabel dicari melalui cara seperti yang sudah kita pelajari dalam analisis
regresi. Demikian juga uji signifikansinya terhadap korelasi tersebut.
Berikut ini, disajikan data fiktif untuk latihan analisis kovarians dua jalur
dengan satu kovariabel.
1. Tabel Data Hasil Penelitian

A1 A2
X Y X Y
62 5 46 5
75 7 53 4
B1 41 3 57 3
88 8 49 7
72 7 62 6

75
84 2 58 9
91 3 72 10
68 1 61 8
B2 77 1 65 8
85 3 59 10
(Sumber: Bruning, 1977,199, dengan perubahan nama variabel)

Keterangan Notasi:
A = Metode Pembelajaran
A1 = Metode Konvensional
A2 = Metode Inovatif
B = Motivasi Berprestasi
B1 = Motivasi Tinggi
B2 = Motivasi Rendah
Y = Nilai IPA
X = kovariabel IQ
2. Tabel Statistik Induk
Tabel 3.11. Data Statistik Induk

Metode Total
Motivasi
Motivasi Statistik Konvensional Inovatif
Berprestasi A1 A2
B1 = Mot.Tinggi N 5 5 10
∑Y 30 25 55
∑X 338 267 605
B2 = Mot. N 5 5 10
Rendah ∑Y 10 45 55
∑X 405 315 720
Total Metode Total Semua
n 10 10 20
∑Y 40 70 110
∑X 743 582 1325
Kuadrat Total dan Produk Total

Kuadrat Total: ∑Y 2 = 764
∑X 2 = 91587
Produk Total: ∑XY = 7175

76
Rumus-rumus untuk mencari JK dan JP dari data tersebut, sama halnya

dengan rumus-rumus dalam perhitungan Anava AB. Karena itu, di bawah ini hanya
diungkapkan kembali rumus umumnya, dan untuk setiap pekerjaan selanjutnya akan
mengacu pada rumus umum tersebut.
JK T   X T
2

 X  T
2

N
JK A 
 X    X 
A
2
T
2

nA N
JK B 
 X    X 
B
2
T
2

nB N
JK AB 
 X    X  AB
2
T
2
 JK A  JK B
n AB N
JK dal  JKT  JK A  JK B  JK AB
Jumlah Produk antara X dan Y (XY)
JPT   XYT 
 X  Y  
T T
JPA  
 X  Y    X  Y 
A A T T
nA N
JPB  
 X  Y    X  Y 
B B T T
nB N
JPAB  
 X  Y    X  Y   JP
AB AB T T
 JPB
A
n AB N
JPdal  JPT  JPA  JPB  JPAB
3. Menghitung Jumlah Kuadrat (JK) dan Jumlah Produk (JP)
a. Jumlah Kuadrat (Y)
JK T   YT
2

 Y  T
2
764 
1102
 764  605  15 9
N 0
JK A 
 Y    Y 
A
2
T
2
 402 70 2  1102
=      650  605  45
nA N  10 10  20
JK B 
 Y    Y 
B
2
T
2
 552 552  1102
=      605  605  0
nB N  10 10  20

77
JK AB 
 Y    Y 
AB
2
T
2
 JK A  JK B
 30 2 252 10 2 452  110 2
     
n AB N  5 5 5 5  20
 730  605  80
JK dal  JKT  JK A  JK B  JK AB  159  45  0  80  34
b. Jumlah Kuadrat (X)
JK T   X T
2

 X  T
2
 91587 
13252
 91587  87781,25  3805,75
N 20
JK A 
 X    X 
A
2
T
2
 7432 582  13252
     890773  87781,24  1296,05
nA N  10 10  20
JK B 
 X    X 
B
2
T
2
 720 2 6052  13252
      89756,6  87781,25  661,25
nB N  10 10  20
JK AB 
 X    X 
AB
2
T
2
 JK A  JK B
n AB N
 4052 3382 3152 267 2  13252
     
 5 5 5 5  20
 89756,6  87781,25  1296,05  661,25
 18,08
JK dal  JK T  JK A  JK B  JK AB
 3805,75  1296,05  661,25  18,08
 1830,37
 1830,40
c. Jumlah Produk antara X dan Y (XY)
JPT   XYT 
 X  Y   7175  1325 *110  7175  7287,5  112,5
T T
N 20
JPA  
 X  Y    X  Y   743 * 40  582 * 70  7287,5 
A A T T
nA N 10 10
7046  7287,5  241,5
JPB  
 X  Y    X  Y   720 * 55  605 * 55  7287,5  0
B B T T
nB N 10 10
JPAB  
 X  Y    X  Y   JP
AB AB T T
 JP 
338 * 30  405 *10 
A
n AB N 5 5
267 * 25  315 * 45  7287,5  7008  7287,5  (241,5)  0  38
5 5
JPdal  JPT  JPA  JPB  JPAB  (112,5)  (241,5)  0  (38)  167

78
4. Sumber Variasi Total A, B, dan Dalam
Tabel 3.12. Sumber Variasi Total A

Statistik A d Total
 y2 45 34 79
x 2 1296,05 1830,4 3126,45
 xy -241,5 167 -74,5
Tabel 3.13. Sumber Variasi Total B
Statistik B d Total
 y2 0 34 34
x 2 661,25 1830,4 2491,65
 xy 0 167 167
Tabel 3.14. Sumber Variasi Total AB
Statistik AB d Total
 y2 80 34 114
x 2 18,05 1830,4 1848,45
 xy -38 167 129
5. Rangkuman JK, JP, dan dalam
Tabel 3.15. Rangkuman JK, JP, dan dalam

Statistik Total A Total B Total AB dalam
 y2 79 34 114 34
x 2 3126,45 2491,65 1848,45 1830,4
 xy -74,5 167 129 167
6. Menghitung JK Residu Masing-Masing Sumber Variasi
167 2
JKres.dalam = 34   34  15,237  18,763
1830,4

79
 74,5
2
JKres.A = 79   18,763  79  1,775  18,763  58,462.

3126,5
2
167
JKres.B = 34   18,763  34  11,193  18,763  4,044
2491,65
2
129
JKres.AB = 114   18,763  114  9,003  18,763  86,234.
1848,45
dbA = a-1 = 2 – 1 = 1
dbB = b-1 = 2 – 1 = 1
dbAB = (a-1)(b-1) = 1*1 = 1
dbtotal = N – m – 1 = 20 – 1 – 1 = 18
dbdal = dbtot – dbA- dbB – dbAB = 18 – 1 – 1 – 1 = 15
RJKA = JKA/dbA = 58,462/1 = 58,462
RJKB = JKB/dbB = 4,044/1 = 4,044
RJKAB = JKAB/dbAB =86,234/1 = 86,234
RJKdal = 18,763/15 = 1,251
FA = RJKA/RJKdal = 58,462/1,251 = 46,732
FB = RJKB/RJKdal = 4,044/1,252 = 3,233
FAB = RJKAB/RJKdal = 86,234/1,251 = 68,932
Tabel 3.16. Ringkasan Anakova AB (1 kovariabel)
Sumber JK db RJK Fhitung Ftabel
Variasi (α 0,05)
A 58,462 1 58,462 46,732*) 10,8
B 4,004 1 4,004 3,233ns 10,8
AB 86,234 1 86,234 68,932*) 10,8
dalam 18,763 15 1,251 --- ---
Total 167,503 18 --- --- ---
*)
= signifikan pada taraf signifikansi 5%.
Berdasarkan hasil analisis di atas, dapat disimpulkan sebagai berikut.

(1) Dengan pengendalian terhadap kovariabel IQ (X), terdapat perbedaan yang
signifikan nilai IPA (Y) antara mahasiswa yang mengikuti pembelajaran
dengan metode inovatif dan metode konvensional. Mahasiswa yang
pembelajarannya menggunakan metode inovatif lebih unggul dari pada

80
mahasiswa yang belajar menggunakan metode konvensional

(YA2  6,86  YA1  4,14) .
(2) Dengan pengendalian terhadap kovariabel IQ (X), tidak terdapat perbedaan
yang signifikan nilai IPA (Y) antara mahasiswa yang memeiliki motivasi
berprestasi tinggi dan motivasi berprestasi rendah (
YB1  5,5 sama dengan YB2  5,5).
(3) Dengan pengendalian terhadap kovariabel IQ (X), terdapat pengaruh interaksi
yang signifikan antara metode pembelajaran (A) dan motivasi berprestasi (B)
terhadap nilai IPA (Y).
Menghitung rata-rata yang disesuaikan antar A dan antar B, dengan rumus

berikut.
_ _ _
MA1 = Y1  dal. (XA1  XT) = 4,0 – 0,091(4,0 - 5,5) = 4,0 – (- 0,1365) = 4,14
_ _ _
MA2 = Y2  dal. (XA2  XT) = 7,0 – 0,091(7,0 – 5,5) = 7,0 – 0,1365 = 6,86
_ _ _
MB1 = Y1  dal. (XB1  XT) = 5,5 – 0,091(5,5 – 5,5) = 5,5
_ _ _
MB2 = Y2  dal. (XB2  XT) = 5,5 – 0,091(5,5 – 5,5) = 5,5
E. Rancangan Anakova Dua Jalur (Anakova Faktorial AB, 2 kovariabel)
1. Tabel Data Hasil Penelitian

A1 A2
X1 X2 Y X1 X2 Y
8 8 7 6 7 6
8 9 7 5 7 6
6 7 6 7 8 7
7 8 8 6 6 5
B1 7 8 8 7 7 6
5 6 7 5 6 6
6 7 7 6 5 5
7 8 9 6 6 4
6 7 8 7 7 6
7 8 9 6 7 7
7 8 7 6 8 7
6 7 6 5 7 6
5 7 6 8 6 7
7 8 7 8 7 7
6 7 6 7 6 6
6 7 6 7 5 6

81
B2 5 4 5 8 8 7
5 4 5 8 8 8
6 5 6 6 6 5
7 6 7 6 7 6
Keterangan Notasi:
A = Intensitas Perkuliahan
A1 = kuliah teratur
A2 = kuliah tak teratur
B = Praktikum
B1 = praktikum teratur
B2 = praktikum tak teratur
Y = Nilai Fisika
X1 = kovariabel IQ
X2 = kovariabel Bakat Numerik
2. Tabel Statistik Induk
Tabel 3.18. Data Statistik Induk

Kuliah Total
Praktikum
Praktikum Statistik Teratur Tak Teratur
A1 A2
B1 = Teratur N 10 10 20
∑Y 76 58 134
∑X1 67 61 128
∑X2 76 66 142
B2 = Tak Teratur N 10 10 20
∑Y 61 65 126
∑X1 60 69 129
∑X2 63 68 131
Total Kuliah Total Semua
n 20 20 40
∑Y 137 123 260
∑X1 127 130 257
∑X2 139 134 273

82
Kuadrat Total dan Produk Total

Kuadrat Total: ∑Y 2 = 1736
∑X1 2 = 1687
2
∑X2 = 1915
Produk Total: ∑X1Y = 1691
∑X2Y = 1807
∑X2X2 = 1776
Rumus-rumus untuk mencari JK dan JP dari data tersebut, sama halnya

dengan rumus-rumus dalam perhitungan Anava AB. Karena itu, di bawah ini hanya
diungkapkan kembali rumus umumnya, dan untuk setiap pekerjaan selanjutnya akan
mengacu pada rumus umum tersebut.
Jumlah Kuadrat
JK T   X T
2

 X  T
2
JK A 
 X    X 
A
2
T
2
nA N
JK B 
 X    X 
B
2
T
2
nB N
JK AB 
 X    X 
AB
2
T
2
 JK A  JK B
n AB N
JK dal  JKT  JK A  JK B  JK AB
Jumlah Produk antara X dan Y
JPT   XYT 
 X  Y  T T
JPA  
 X  Y    X  Y 
A A T T
nA N
JPB  
 X  Y    X  Y 
B B T T
nB N
JPAB  
 X  Y    X  Y   JP
AB AB T T
 JPB
A
n AB N
JPdal  JPT  JPA  JPB  JPAB

83
Persamaan garis regresi:

Y  b1 X1  b2 X 2  ...  bm X m . Persamaan linier m prediktor adalah sebagai berikut.
(1) x1 y  b1  x1  b2  x1 x2  ...  bm  x1 xm
2
(2) x2 y  b1  x1 x2  b2  x2  ...  bm  x2 xm
2
........................................................................
(m) xm y  b1  x1 xm  b2  x2 xm  ...  bm  xm
2
JK residu (berlaku untuk residu total maupun residu dalam, dengan bahan
terpisah),
JK res   y 2 b1  x1 y  b2  x2 y  ...  bm  xm y 
JK res antar  JK res.tot  JK res.dal
dbres.tot  N  m  1
dbres. A  a  1
dbres. B  b  1
dbres , AB  a  1b  1
dbres.dal.  dbres.tot  dbres. A  dbres. B  dbres. AB
JK
RJK  berlaku  untuk " antar "dan" dalam"
db
RJK res ...
Fres 
RJK res.dal
b1  x1 y  b2  x2 y  ...  bm  xm y
Ry 1,2,...m  
y 2
Langkah pertama yang harus dilakukan adalah mencari jumlah kuadrat dari semua
variable (Y, X1, dan X2) secara terpisah, seperti halnya kita mencari JK dalam
analisis varianss factorial dua jalur (factorial AB).
a. Menghitung JK variable kriterium Fisika (Y)
 Y  2
260
2
(1) JK total = y 2
 Y 2
tot 
N
tot
 1736 
40
 1736  1690  46

 Y  A
2

 YT 2  137 2 1232  2602
     1694,9-1690
(2) JKA = JK A
nA N  20 20  40
= 4,9

 Y    Y 
B
2
T
2
 134 2 126 2  2602
   
(3) JK B = 1691,6 – 1690 = 1,6
nB N  20 20  40

84
JK AB 
 Y    Y 
AB
2
T
2
 76 2 612 582 652  2602
 JK A  JK B        
(4) n AB N  10 10 10 10  40
4,9  1,6  12,1
(5) JK dal  JKT  JK A  JK B  JK AB  46  4,9  1,6  12,1  27,4
b. Menghitung Kovariabel IQ (X1)
(1) JK T   X 1T
2

 X  1T
2
 1687 
257 
2
 1687  1651,225  35,775
N 40
JK A 
 X    X 
1A
2
1T
2
 127 2 130 2  257 2
      1651,45  1651,225
(2) nA N  20 20  40
 0,225
(3) JK B 
 X    X 
B
2
T
2
 1282 1292  257 2
    = 1651,25-
nB N  20 20  40
1651,225=0,025
JK AB 
 X    X 
1 AB
2
1T
2
 67 2 60 2 612 69 2 
 JK A  JK B      
n AB N  10 10 10 10 
(4)
257 2  0,225  0,025  1657,1  1651,225  0,225  0,025  5,625
40
(5) JK dal  JKT  JK A  JK B  JK AB = 35,775 - 0,225 - 0,025 - 5,625 = 29,9
c. Menghitung Kovariabel Bakat Numerik (X2)
(1) JK T   X 2T
2

 X  2T
2
 1915 
2732  51,775
N 40
JK A 
 X    X 
2A
2
2T
2
 139 2 134 2  2732
     
(2) nA N  20 20  40
1863,85  1863,225  0,625
JK B 
 X    X 
B
2
T
2
 142 2 1312  2732
    
(3) nB N  20 20  40
1866,25  1863,225  3,025

85
JK AB 
 X    X 
2 AB
2
2T
2
 76 2 632 66 2 682 
 JK A  JK B      
n AB N  10 10 10 10 
(4)
273 2
 0,625  3,025  1872,5  1863,225  0,625  3,025  5,625
40
(5) JK dal  JKT  JK A  JK B  JK AB = 51,775 – 0,625 – 3,025 – 5,625 = 42,5
d. Menghitung Jumlah Produk (JP)

1), Menghitung JP (X1Y)
(1) JPT   X 1YT 

 X  Y   1691  257 * 260  1691  1670,5  20,5
1T T
N 40
(2) JPA  
 X  Y    X  Y   127 *137  130 *123 
1A A 1T T
nA N 20 20
257 * 260  1669,45  1670,5  1,05
40
(3) JPB  
 X  Y    X  Y   128 *134  129 *126
1B B 1T T
nB N 20 20
(257 * 260)
  1670,3  1670,5  0,2
40
(4) JPAB  
 X 1 AB  YAB    X 1T  YT   JP  JP  67 * 76 
A B
n AB N 10
60 * 61  61 * 58  69 * 65  257 * 260  JP
A  JPB  1677,5  1670,5 
10 10 10 40
(1,05)  (0,2)  8,25
(5) JPdal  JPT  JPA  JPB  JPAB  20,5  (1,05)  (0,2)  8,25  13,5
2) Menghitung antara Nilai Fisika dan Bakat Numerik (X2Y)

86
(1) JPT   X 2YT 

 X  Y   1807  273 * 260  1807  1774,5  32,5
2T T
N 40
(2) JPA  
 X  Y    X  Y   139 *137   134 *123 
2A A 2T T
nA N 20 20
273 * 260  1776,25  1774,5  1,75
40
(3) JPB  
 X  Y    X  Y   142 *134  131*126
2B B 2T T
nB N 20 20
(273 * 260)
  1776,7  1774,5  2,2
40
(4) JPAB  
 X 2 AB  YAB    X 2T  YT   JP  JP  76 * 76 
A B
n AB N 10
63 * 61  66 * 58  68 * 65  273 * 260  1,75  2,2  1786,7  1774,5  1,75  2,2  8,25
10 10 10 40
(5) JPdal  JPT  JPA  JPB  JPAB  32,5  1,75  2,2  8,25  20,3
3) Menghitung antara IQ dan Bakat Numerik (X1X2)
(1) JPT   X 2 X 2 
 X  X   1776  273 * 257  1776  1754,025  21,975
1T 2T
N 40
(2) JPA  
 X  X    X  X   139 *127  134 *130 
1A 2A 1T 2T
nA N 20 20
273 * 257   1753,65  1754,025  0,375
40
(3) JPB  
 X  X    X  X   142 *128  131*129
1B 2B 1T 2T
nB N 20 20
(273 * 257)
  1753,75  1754,025  0,275
40
(4) JPAB  
 X 1 AB  X 2 AB    X 1T  X 2T   JP  JP  76 * 67  
A B
n AB N 10
63 * 60  66 * 61  68 * 69  273 * 257   (0,375)  (0,275)
10 10 10 40
 1759  1754,5  0,375  0,275  5,15
(5) JPdal  JPT  JPA  JPB  JPAB  21,975  (0,375  (0,275)  5,15  17,475

87
Hasil perhitungan JK dan JP tersebut kita rangkum ke dalam satu table berikut.
Tabel 3.19. Tabel Rangkuman Jumlah Kuadrat dan Jumlah Produk
Dari Semua Sumber Variasi
Stt. JK dan Sumber Variasi

JP Kuliah Praktikum Inter dalam Total
A B AB d T
∑y2 4,9 1,6 12,1 27,4 46
∑x12 0,225 0,025 5,625 29,9 35,775
2
∑x2 0,625 3,025 5,625 42,5 51.775
∑x1y -1,05 -0,2 8,25 13,5 20,5
∑x2y 1,75 2,2 8,25 16,35 32,5
∑x1x2 -0,375 -0,275 5,15 17,475 21,975
Untuk keperluan analisis kovarianss rancangan factorial AB tersebut, dipecah-

pecah atau disederhanakan menjadi sejumlah rancangan satu jalur atau rancangan
sederhana (rambang lugas). Misalnya, jika sumber variasi kuliah A kita pisahkan,
maka akan tampak pada table berikut.
Tabel 3.20. Tabel Sumber Variasi antar A, sumber Variasi Dalam dan Total
Statistik Sumber Variasi
A d Total
∑y2 4,9 27,4 32,3
2
∑x1 0,225 29,9 30,125
∑x22 0,625 42,5 43,125
∑x1y -1,05 13,5 12,45
∑x2y 1,75 20,3 22,05
∑x1x2 -0,375 17,475 17,1
Perhatikan, setelah pemisahan kita mempunyai bilangan total yang baru (4,9 + 27,4 =
32,3). Pemisahan semacam itu, kita lakukan juga terhadap sumber variasi B dan
sumber variasi AB, sehingga ditemukan bilangan sumber variasi total yang baru.
Perlu diingat bahwa bilangan-bilangan sumber variasi dalam untuk semua variasi
tersebut adalah sama. Hal ini terjadi karena dalam analisis varians faktorial, varians
dalam selalu digunakan sebagai varians error untuk semua sumber variasi utama dan
interaksinya.

88
Tabel 3.21. Tabel Sumber Variasi antar B, sumber Variasi Dalam dan Total
B d Total
∑y2 1,6 27,4 29
∑x12 0,025 29,9 29,925
∑x22 3,025 42,5 45,525
∑x1y -0,2 13,5 13,3
∑x2y 2,2 20,3 22,5
∑x1x2 -0,275 17,475 16,7
Tabel 3.22. Tabel Sumber Variasi antar AB, sumber Variasi Dalam dan Total
AB d Total
∑y2 12,1 27,4 39,5
∑x12 5,625 29,9 35,525
∑x22 5,625 42,5 48,125
∑x1y 8,25 13,5 21,75
∑x2y 8,25 20,3 28,55
∑x1x2 5,15 17,475 22,625
Jika pemisahan terhadap semua sumber variasi telah dilakukan, maka akan diperoleh
data sebagai tabel berikut.
Tabel 4.23. Rangkuman JK dan JP Total dan Dalam dari Semua Sumber
Variasi
Sumber Variasi
JK dan JP Total A Total B Total AB dalam
∑y2 32,3 29 39,5 27,4
∑x12 30,125 29,925 35,525 29,9
∑x22 43,125 45,525 48,125 42,5
∑x1y 12,45 13,3 21,75 13,5
∑x2y 22,05 22,5 28,55 20,3
∑x1x2 17,1 16,7 22,625 17,475
Dengan harga-harga JK dan JP total dan Dalam yang telah diperoleh tersebut,
akan dapat dicari harga-harga JK residu tiap-tiap sumber variasi melalui metode yang

89
telah diketahui pada saat pengkajian mengenai analisis regresi. Untuk memperoleh JK
residu, perlu dicari harga koefisien kovariabelnya, yaitu b1 untuk X1 dan b2 untuk X2.
Dengan rumus persamaan simultan (linier), untuk masing-masing sumber variasi akan
ditemukan sebagai berikut.
Beta Sumber Variasi A Total:
(1) ∑x1y = b1∑x12 + b2∑x1x2
(2) ∑x2y = b1∑x1x2 + b2∑x22
----------------------------------------------
(1) 12,45 = 30,125 b1 + 17,1 b2
(2) 22,05 = 17,1 b1 + 43,125 b2
--------------------------------------------- dengan metode SPD, diperoleh sebagai berikut.
159,85125= 1006,730625 b1  jadi b1 = 159,85125/1006,730625 = 0,159
Masukkan ke salah satu persamaan di atas, misalnya ke persamaan (1), menjadi:
12,45 = (30,125)(0,159) + 17,1 b2
12,45 = 4,789875 + 17,1 b2
12,45-4,789875 = 17,1 b2
7,660125 = 17,1 b2 jadi b2 = 7,660125/17,1=0,44796 = 0,448
Beta Sumber Variasi B Total:

(1) ∑x1y = b1∑x12 + b2∑x1x2
(2) ∑x2y = b1∑x1x2 + b2∑x22
----------------------------------------------
(1) 13,3 = 29,925 b1 + 16,7 b2
(2) 22,5 = 16,7 b1 + 45,525 b2
-----------------------------------------------
229,7325= 1083,445625 b1  jadi b1 = 229,7325/1083,445625 = 0,212
Masukan ke persamaan (1), menjadi:
13,3 = 0,212(29,925) + 16,7 b2
13,3 = 6,3441 + 16,7 b2
13,3 – 6,3441 = 16,7 b2
6,9559 = 16,7 b2 jadi b2 = 6,9559/16,7 = 0,4165

90
Beta Sumber Variasi AB Total:

(1) ∑x1y = b1∑x12 + b2∑x1x2
(2) ∑x2y = b1∑x1x2 + b2∑x22
---------------------------------------------
(1) 21,75 = 35,525 b1 + 22,625 b2
(2) 28,55 = 22,625 b1 + 48,125 b2
--------------------------------------------
400,775 = 1197,75 b1  jadi b1 = 400,775/1197,75 = 0,3346
21,75 = 0,3346(35,525) + 22,265 b2
21,75 = 11,886665 + 22,265 b2
21,75 – 11,886665 = 22,265 b2
9,863335 = 22,265 b2 jadi b2 = 9,863335/22,265 = 0,443
Beta Sumber Variasi Dalam (untuk A, B, maupun AB)
(3) ∑x1y = b1∑x12 + b2∑x1x2
(4) ∑x2x = b1∑x1X2 + b2∑x22
(5) 13,5 = 29,9 b1 + 17,475 b2
(6) 20,3 = 17,475 b1 + 42,5 b2

-----------------------------------------------
219,0075 = 965,374375 b1  jadi b1 = 219,0075/965,374375 = 0,227
13,5 = 0,227(29,9) + 17,475 b2
13,5 = 6,7873 + 17,475 b2
13,5 –6,7873 = 17,475 b2
6,7127 = 17,475 b2 jadi b2 = 6,7127/17,475 = 0,384
JK residu Total A
JK res   y 2 b1  x1 y  b2  x2 y 
= 32,3 – (0,159*12,45)+(0,448*22,05)
= 32,3 – 11,85795= 20,442

91
JK residu Total B
JK res   y 2 b1  x1 y  b2  x2 y 
= 29 – (0,212*13,3) + (0,4165*22,5)
= 29 – 12,19085 = 16,809
JK residu Total AB
JK res   y 2 b1  x1 y  b2  x2 y 
= 39,5 – (0,3346*21,75) + (0,443*28,55)

= 39,5 – 19,9252 = 19,5748
JK residu Dalam (d)
JK res .dal   y 2 b1  x1 y  b2  x2 y 
= 27,4 – (0,227*13,5) + (0,384*20,3)

= 27,4 – 10,8597= 16,5403
JKres,antar A = JKres.tot.A – JKres.dal = 20,442 – 16,5403 = 3,9017
JKres.B = JKres.tot.B – JKres.dal = 16,809 - 16,5403 = 0,2678 = 0,268
JKres.AB = JKres.tot.AB – JKres.dal = 19,5748 – 16,5403 = 3,0345
db res.tot = N – m – 1 = 40 – 2 – 1 = 37
db.res. A = a – 1 = 2 – 1 = 1
db.res. B = b – 1 = 2 – 1 = 1
db.res. AB = (a – 1 ) (b – 1) = 1
db.res.dal = db. Res.tot –db.res.A – db res. B – db.res.AB = 37 – 1 – 1 – 1 = 34
JK
RJK  berlaku  untuk " antar "dan" dalam"
db
RJK res ...
Fres 
RJK res.dal
Tabel 3.24. Ringkasan Anakova AB Dua Kovariabel

Variasi (α 0,05)
A 3,9017 1 3,9017 8,028*) 4,13
B 0,268 1 0,268 0,551ns 4,13
AB 3,0345 1 3,0345 6,244*) 4,13
dalam 16,5403 34 0,486 ----
Total 23,7445 37 ---- ----
*)
Signifikan pada taraf signifikansi 5%.

92
(Regresi ganda dapat dihitung berdasarkan bahan-bahan sumber variasi dalam)
b1  x1 y  b2  x2 y (0,227 *13,5)  (0,384 * 20,3)

Ry 1,2  = =
y 2
27,4
10,8597
  0,3963394  0,6295
27,4
F. Rancangan Anakova Tiga Jalur (Anakova Faktorial ABC)
1. Data Hipotetik Hasil Penelitian
Tabel 3.25. Tabel Data Hipotetik

A1 A2
B C
Y X1 X2 Y X1 X2
7 6 9 6 6 7
9 7 7 9 7 8
C1 6 9 8 6 10 6
7 7 6 8 8 7
8 8 8 6 7 8
B1
7 6 8 7 7 9
8 7 8 6 8 8
C2 5 10 7 6 7 6
8 7 7 7 9 7
6 9 6 7 7 7
7 5 7 4 7 7
5 7 6 6 8 6
C1 6 5 7 5 4 8
7 7 o 5 5 7
5 8 6 7 6 7
B2
7 7 6 6 7 5
7 5 6 6 7 6
C2 8 8 7 6 5 7
6 6 7 4 5 9
7 5 8 6 6 6
6 5 6 4 7 5
5 6 5 5 5 6
C1 7 7 5 3 5 5
6 6 7 4 4 7
4 4 6 6 7 6
B3
6 6 4 5 5 6
5 5 6 4 6 6
C2 7 8 5 4 5 5
6 5 7 2 5 6
5 6 5 5 4 3
(Sumber: Dikutip dari Materi Kuliah Program Doktor, yang disusun oleh Prof.
Sutrisno Hadi, MA, tahun 1984).
Keterangan notasi:
Variabel Perlakuan: Metode Pembelajaran (A)
A1 =Metode Inovatif
A2 = Metode Konvensional

93
Variabel Seleksi 1: Tempat Tinggal

B1 = Kota
B2 = Pinggiran
B3 = Desa
Variabel Seleksi 2: Jenis Kelamin
C1 = Pria
C2 = Wanita
Kovarlabel 1: X1 = IQ
Kovariabel 2: X2 = Bakat Numerik
Kriterium : Y = Prestasi Belajar Matematika
Langkah pertama dalam rangkaian kerja analisis kovarians adalah menghitung

semua data dasar statistik yang diperlukan, dari data pengamatan yang tercantum
dalam tabel induk tersebut. Dengan kalkulator, kita akan memperoleh data statistik
jumlah skor, jumlah kuadrat, dan jumlah produk, semuanya dalam skor kasar.
Telah kita coba dalam pelajaran-pelajaran yang terdahulu bahwa metode skor
deviasi merupakan metode yang paling efisien berdasarkan alat kalkulator yang
tersedia. Karena itu semua perhitungan tersebut scgera kita ubah dalam bentuk skor
deviasi jumlah kuadrat dan jumlah produk. Ini akan morupakan langkah kedua dalam
pekerjaan analisi kovarians.
Untuk rancangan faktorial ABC, jumlah kuadrat JK dan jumlah produk JP
dalam skor deviasi yang dimaksud langsung kita masukkan dalam rancangannya,
dengan sumber-sumber variasi utama A, B, dan C dan sumber-sumber variasi
interaksi AB, AC, BC, dan ABC. Sumber variasi seluruhhya dapat kita ketemukan
kembali dalam rancangan aselinya, yaitu rancangan anava faktorial ABC. Demikian
juga rumus-rumus perhitungannya. Jadi misalnya, rumus-rumus JK untuk kriterium
Y (berlaku juga untuk kovariabel XI dan X2) adalah sebagai berikut.
2
(∑ YT )
JK T = ∑ YT2 −
N
2 2
(∑ YA ) (∑ YT )
JK T = ∑ −
nA N
2 2
(∑ YB ) (∑ YT )
JK B = ∑ −
nB N
2 2
(∑ YC ) (∑ YT )
JK C = ∑ −
nC N

94
2 2
(∑ YAB ) (∑ YT )
JK AB =∑ − − JK A − JK B
nAB N
2 2
(∑ YAC ) (∑ YT )
JK AC =∑ − − JK A − JK C
nAC N
2 2
(∑ YBC ) (∑ YT )
JK BC =∑ − − JK B − JK C
nBC N
2 2
(∑ YABC ) (∑ YT )
JK ABC =∑ − − JK A − JK B − JK C − JK AB − JK AC − JK BC
nABC N
JK d = JK T − JK A − JK B − JK C − JK AB − JK AC − JK BC − JK ABC
Selanjutnya, rumus-rumus untuk mencari JP.XIY (berlaku juga untuk JP.X2Y

dan JP X1X2) adalah sebagai berikut.
(∑ X1T )(∑ YT )
JPT = ∑ X1Y −
N
(∑ X1A )(∑ YA ) (∑ X1T )(∑ YT )

JPA = ∑ −
nA N
(∑ X1B )(∑ YB ) (∑ X1T )(∑ YT )

JPB = ∑ −
nB N
(∑ X1C )(∑ YC ) (∑ X1T )(∑ YT )

JPC = ∑ −
nC N
(∑ X1AB )(∑ YAB ) (∑ X1T )(∑ YT )

JPAB = ∑ − − JPA − JPB
nAB N
(∑ X1AC )(∑ YAC ) (∑ X1T )(∑ YT )

JPAC = ∑ − − JPA − JPC
nAC N
(∑ X1BC )(∑ YBC ) (∑ X1T )(∑ YT )

JPBC = ∑ − − JPB − JPC
nBC N
(∑ X1ABC )(∑ YABC ) (∑ X1T )(∑ YT )

JPABC = ∑ − − JPA − JPB − JPC
nABC N
− JPAB − JPAC − JPBC

95
JPd = JPT − JPA − JPB − JPC − JPAB − JPAC − JPBC − JPABC
Dengan rumus-rumus tersebut, kita selesalkan pekerjaan perhitungan

mencari JK dan JP sebagai langkah kedua dan ketiga. Selanjutnya, kita hitung
statistic induk yang diperlukan untuk menyelesaikan rumus-rumus tersebut.
Setelah dihitung dengan kalkulator, diperoleh harga-harga statistic sebagai
berikut.
Total (T):
∑Y = 358
∑X1 = 391
∑X2 = 390
(N=60)
∑Y2 = 2252
∑ X12 = 2663
∑ X22 = 2626
Total Produk :
∑ X1Y = 2378
∑ X2Y = 2359
∑ X1 X2 = 2556

Y X1 X2
Interaksi ABC: B1B1C1 37 37 38
(nABC = 5) C2 34 39 36
B2C1 30 33 32
C2 35 32 32
B3C1 28 28 29
29 30 27
B2B1C1 35 38 36
C2 33 30 37
B2C1 27 33 35
C2 28 30 33
B3C1 22 28 29
C2 20 25 26
Total 358 391 390
Interaksi AB: B1B1 71 76 74

(nAB = 10) B2 65 65 64
B3 57 58 56
B2B1 68 76 73
96
B2 55 63 68
B3 42 53 55
Total 358 391 390
Interaksi AC: B1C1 95 98 99

(nAC = 15) C2 98 101 95
B2C1 84 99 100
C2 81 93 96
Total 358 391 390
Interaksi BC: B1C1 72 75 74

(nBC = 10) C2 67 77 73
B2C1 57 66 67
C2 63 62 65
B3C1 50 56 58
C2 49 55 53
Total 358 391 390
Y X1
Perlakuan A: B1 193 199 194
(nA = 30) B2 165 192 196
Total 358 391 390
Lokasi B: B1 139 152 147

(nB = 20) B2 120 128 132
B3 99 111 111
Total 358 391 390
Kelamin C: C1 179 197 199

(nC = 30) C2 179 194 191
Total 358 391 390
2. Perhitungan Tahap Ke dua (mencari JK)
JK Kriterium Y:
3582
JK T = 2,252 − = 115,93
60
1932 1652 3582
JK A = + − = 13,07
30 30 60
1392 1202 992 3582
JK B = + + − = 40,03
20 20 20 60
1792 1792 3582
JK C = + − =0
30 30 60
712 652 572 682 552 422 3582
JK AB = + + + + + − − 13,07 − 40,03 = 3,63
10 10 10 10 10 10 60
952 982 842 812 3582
JK AC = + + + − − 13,07 − 0 = 0,60
15 15 15 15 60

97
722 672 572 632 502 492 3582

JK BC = + + + + + − − 40,03 − 0 = 3,10
10 10 10 10 10 10 60
372 342 222 202 3582
JK ABC = + +⋯ + −
5 5 5 5 60
−13,07 − 40,03 − 0 − 3,63 − 0,60 − 3,10 = 0,70
JK d = 115,93 − 13,07 − 0 − 40,03 − 3,63 − 0,60 − 3,10 − 0,70 = 54,80
JK Kovariabel X1:
3912
JK T = 2,663 − = 114,98
60
1992 1922 3912
JK A = + − = 0,82
30 30 60
1522 1282 1112 3912
JK B = + + − = 42,43
20 20 20 60
1972 1942 3912
JK C = + − = 0,15
30 30 60
762 652 582 762 632 532 3912
JK AB = + + + + + − − 0,82 − 42,43 = 0,63
10 10 10 10 10 10 60
982 1012 992 932 3912
JK AC = + + + − − 0,82 − 0,15 = 1,35
15 15 15 15 60
752 772 662 622 562 552 3912
JK BC = + + + + + − − 42,43 − 0,15 = 0,90
10 10 10 10 10 10 60
372 392 282 252 3912
JK ABC = + +⋯ + − − 0,82 − 42,43 = 0,15
5 5 5 5 60
JK d = 114,96 − 0,82 − 42,43 − 0,15 − 0,63 − 1,35 − 0,90 − 0,15 = 68,40
JK Kovariabel X2:
3902
JK T = 2,626 − = 91,00
60
1942 1962 3902
JK A = + − = 0,07
30 30 60
1472 1322 1112 3902
JK B = + + − = 32,70
20 20 20 60
1992 1912 3902
JK C = + − = 1,07
30 30 60
742 642 562 732 682 552 3902
JK AB = + + + + + − − 0,07 − 32,70 = 0,83
10 10 10 10 10 10 60
992 952 1002 962 3902
JK AC = + + + − − 0,07 − 1,07 = 0
15 15 15 15 60

98
742 732 672 652 582 532 3902

JK BC = + + + + + − − 32,70 − 1,07 = 0,43
10 10 10 10 10 10 60
382 362 292 262 3902
JK ABC = + +⋯ + − − 0,07 − 32,70 − 1,07 − 0,83 − 0
5 5 5 5 60
− 0,43 = 0,70
JK d = 91,00 − 0,07 − 32,70 − 1,07 − 0,83 − 0 − 0,43 − 0,70 = 55,20
3. Perhitungan Tahap Ke Tiga (mencari JP)
Antara kovariabel X1 dengan Kriterium Y (X1Y):
(391)(358)
JPT = 2,378 − = 45,03
60
(199)(193) (192)(165) (391)(358)
JPA = + − = 3,27
30 30 60
(152)(139) (128)(120) (111)(99) (391)(358)
JPB = + + − = 40,88
20 20 20 60
(197)(179) (194)(179) (391)(358)
JPC = + − =0
30 30 60
(76)(71) (65)(65) (53)(42) (391)(358)
JPAB = + +⋯+ + − 3,27 − 40,88
10 10 10 60
= 1,48
(98)(95) (101)(98) (99)(84) (93)(81) (391)(358)
JPAC = + + + + − 3,27 − 0
15 15 15 15 60
= 0,90
(75)(72) (77)(67) (55)(49) (391)(358)
JPBC = + + ⋯+ + − 40,88 − 0 = 1,65
10 10 10 60
(37)(37) (39)(34) (25)(20) (391)(358)
JPABC = + + ⋯+ − − 3,27 − 40,88 − 0
5 5 5 60
− 1,48 − 0,90 − −1,65 = 0,15
JPd = 45,03 − 3,27 − 40,88 − 0 − 1,48 − 0,90 − −1,65 − 0,15 = 0
Antara kovariabel X2 dengan Kriterium Y (X2Y):
(390)(358)
JPT = 2,359 − = 32,00
60
(194)(139) (196)(165) (390)(358)
JPA = + − = −0,93
30 30 60
(147)(139) (132)(120) (111)(99) (390)(358)
JPB = + + − = 36,10
20 20 20 60

99
(199)(179) (191)(179) (390)(358)

JPC = + − =0
30 30 60
(74)(71) (64)(65) (55)(42) (390)(358)
JPAB = + +. . + − − −0,93 − 36,10
10 10 10 60
= −0,17
(99)(95) (95)(98) (100)(84) (96)(81) (390)(358)
JPAC = + + + − − −0,93 − 0
15 15 15 15 60
=0
(38)(37) (36)(34) (26)(20) (390)(358)
JPABC = + + ⋯+ − − −0,93— 36,10
5 5 5 60
− 0 − −0,17 − 0 − −0,10 = 0,70
JPd = 32,00 − −0,93— 36,10 − 0 − −0,17 − 0 − −0,10 − 0,70 = −3,60
Antara kovariabel X1 dengan kovariabel X2 (X1X2):
(391)(358)
JPT = 2,556 − = 14,50
60
(199)(194) (192)(196) (391)(390)
JPA = + − = −0,23
30 30 60
(152)(147) (128)(132) (111)(111) (391)(390)
JPB = + + − = 36,55
20 20 20 60
(197)(199) (194)(191) (391)(390)
JPC = + − = 0,40
30 30 60
(76)(74) (65)(64) (53)(55) (391)(390)
JPAB = + +. . + − − −0,23 − 36,55
10 10 10 60
= 0,08
(98)(99) (101)(95) (99)(100) (93)(96) (391)(390)
JPAC = + + + − − −0,23
15 15 15 15 60
− 0,40 = 0
(75)(74) (77)(73) (55)(53) (391)(390)
JPBC = + + ⋯+ − − 36,55 − 0,40
10 10 10 60
= 0,15
(37)(38) (39)(36) (25)(26) (391)(390)
JPABC = + + ⋯+ − − −0,23 − 36,55
5 5 5 60
− 0,40 − 0,08 − 0 − 0,15 = 0,15
JPd = 14,5 − −0,23 − 36,55 − 0,04 − 0,08 − 0 − 0,15 = −22,09
Seperti metode yang kita gunakan dalam anakova rancangan faktorial
AB, rancangan faktorial ABC ini kita uraikan menjadi sejumlah randangan
rambang lugas. Atas dasar rancangan rambang lugas itu kita akan
100
menganalisa JK total dan JK dalamnya (juga JP total dan JP dalamnya). JK

total diperoleh dari menjumlahkan JK sumber variasi utama maupun
interaksinya dengan JK dalam. Telah kita catat, bahwa JK dalam dari
rancangan faktorial menjadi milik dari semua sumber variasi. Jadi misalnya,
untuk kriterium Y.
Jika semua pekerjaan itu kita rangkum dalam suatu table,
maka hasilnya akan nampak seperti tabel rangkuman JK dan JP berikut.
Tabel 3.27. Rangkuman Jumlah Kuadrat dan
Jumlah Produk (JK dan JP)
Sumber JK antar JK dalam JK Total
Variasi (JKa+JKd)
A 13,07 54,80 67,87
B 40,03 54,80 94,83
C 0,00 54,80 54,80
AB 3,63 54,80 58,43
AC 0,60 54,80 55,40
BC 3,10 54,80 57,90
ABC 0,70 54,80 55,50
Sumber JP antar JP dalam JP Total
Variasi (JPa+JPd)
A 3,27 0,00 3,27
B 40,88 0,00 40,88
C 0,00 0,00 0,00
AB 1,48 0,00 1,48
AC 0,90 0,00 0,90
BC -1,65 0,00 -1,65
ABC 0,15 0,00 0,15
Hasil pemecahan ini sebaiknya kita rangkum juga dalam suatu tabel
rangkuman seperti berikut.

101
Tabel 3.28. Rangkuman Semua JK Dan JP dari Semua Sumber Variasi
Jumlah kuadrat (JK) Jumlah Produk (JP)

Suraber
Variasi
∑Y2 ∑𝐗 𝟐𝟏 ∑𝐗 𝟐𝟐 ∑X1Y ∑X2Y ∑X1X2
Total (T) 115,93 114,90 91,00 45,03 32,00 14,50

A 13,07 0,82 0,07 3,27 -0,93 -0,23
B 40,03 42,43 32,70 40,88 36,10 36,55
C 0,00 0,15 1,07 0,00 0,00 0,40
AB 3,63 0,63 0,83 1,48 -0,17 0,08
AC 0,60 1,35 0,00 0,90 0,00 0,00"
BC 3,10 0,90 0,43 -1,65 -0,10 0,15
ABC 0,70 0,30 0,70 0,,15 0,70 0,15
D 54,30 68,40 55,20 0,00 -3,60 -22,60
Tabel 3.29. JK Total dan JP Total dari Semua Sumber Variasi Secara
Terpisah (SV Plus Ddalam) dan JK dalam dan JP dalam saja
SV Total Jumlah Kuadrat (JK) Jumlah Produk (JP)

dan
dalam ∑Y2 ∑𝐗 𝟐𝟏 ∑𝐗 𝟐𝟐 ∑X1Y ∑X2Y ∑X1X2
A Total 67,87 69,22 55,27 3,27 -4,53 22,83
B Total 94,83 110,83 87,90 40,88 32,50 13,95
C Total 54,80 68,55 56,27 0,00 -3,60 -22,20
AB Total 58,43 69,03 56,03 1,48 -3,77 -22,52
AC Total 55,40 69,75 55,20' 0,90 -3,60 -22,60
BC Total 57,90 69,30 55,63 -1,65 -3,70 -22,45
ABC Total 55,50 68,70 55,90 0,15 -2,90 -22,45
dalam 54,80 68,40 55,20 0,00 -3,60 -22,60
Langkah berikutnya, langkah keempat, adalah mencari harga-harga

koefisien kovariabel. Karena kita menggunakan dua kovariabel, maka akan ada
dua koefisien kovariabel, yaitu b1, dan b2. Koefisien kovariabel itu kita
perlukan untuk menghitung JK residu total maupun JK residu dalam. Jumlah
JK residu totalnya akan sebanyak sumber variasi utama ditambah sumber
variasi interaksi sedang untuk JK residu dalamnya hanya ada satu.

102
Harga-harga b1 don b2 dapat kita peroleh dari persamaan simultan yang

sudah sangat kita kenal:
(1) ∑ x1 y = b1 ∑ x12 + b2 ∑ x1 x2
(2) ∑ x2 y = b1 ∑ x1 x2 + b2 ∑ x22
Persamaan itu borlaku baik untuk mencari koefisien kovariabel total

maupun dalam. Untuk b1 dan b2 total bahan-bahannya diambil dari sumber
variasi total, sedang b1 dan b2 dalam bahan-bahannya diambil sumber variasi
dalam, Jadi misalnya, untuk sumber variasi A total:
A Total: (1) 3,27 = 69,22 b1 + -22,83 b2
(2) -4,53 = -22,83 b1 + 55,27 b2
(1A) -0,143 232 588 = -3,031 975 470 b1 + b2
(2A) -0,081 961 280 = -0,413 063 144 b1 + b2
(3) -0,061 271 308 = -2,618 912 326 b1
b1 = 0,023 395 707
b2 = -0,072 297 378
Dengan cara yang sama kita dapat menemukan harga-harga b1 dan b2

untuk sumber-sumber variasi lainnya. Perhitungan untuk menemukan b1 dan
b2 untuk semua sumber variasi tertera pada halaman berikutnya. JK residu,
baik total maupun dalam, untuk anakova dengan dua kovariabel rumusnya
adalah sebagai berikut.
JK res = ∑ y 2 − (a1 ∑ x1 y + a2 ∑ x2 y)
Untuk sumber variasi A total:
JK res.A.Total = 67,87
− [(0,023 395 707)(3,27) + (−0,072 297 378)(−4,53)]
= 67,465 988 92
JK-JK residu total lainnya dicari dengan cara yang sama. Komputasi JK-JK
itu, juga JK residu dalam, telah dilakukan langsung setelah koefisien kovariabel
masing-masing sumber variasi diselesaikan.

103
4. Perhitungan Tahap Ke empat (mencari koefisien Kovariabel dan Jumlah

Kuadrat Residu)
A Total : (1) 3,27 = 69,22 b1 + -22,83 b2

(2) -4,53 = -22,83 b1 + 55,27 b2
b1 = 0,023 4
b2 = -0,072 3
JK res = 67,87 − [(0,0234)(3,27) + (−0,0273)(−4,53)] = 67,47
Dapat dicatat, bahwa dalam perhitungan di atas, dan perhitungan-perhitungan

berikutnya, harga-harga b1 dan b2 hanya dicatat dengan ketelitian akhir empat
desimal.
B Total: (1) 40,88 = 110,83 b1 + 13,95 b2

(1) 32,50 = 13,95 b1 + 87,90 b2
b1 = 0,328 9
b2 = 0,317 6
JK res = 94,83 − [(0,328 9)(40,88) + (0,317 6)(32,50)] = 71,06
C Total: (1) 0,00 = 68,55 b1 + -22,20 b2

(1) -3,60 = -22,20 b1 + 56,27 b2
b1 = -0,023 8
b2 = -0,073 6
JK res = 54,80 − [(−0,238)(0) + (−0,0734)(−3,60)] = 54,54
AB Total: (1) 1,48 = 69,03 b1 + -22,52 b2

(1) -3,77 = -22,52 b1 + 56,03 b2
b1 = -0,000 6
b2 = -0,067 6
JK res = 58,43 − [(−0,0006)(1,48) + (−0,0676)(−3,77)] = 58,18
AC Total: (1) 0,90 = 69,75 b1 + -22,60 b2

(1) -3,60 = -22,60 b1 + 55,20 b2
b1 = -0,0095
b2 = -0,0691
JK res = 55,40 − [(−0,0095)(0,90) + (−0,0691)(−3,60)] = 55,16
BC Total: (1) -1,65 = 69,30 b1 + -22,45 b2

104
(1) -3,70 = -22,45 b1 + 55,63 b2

b1 = -0,052 2
b2 = -0,234 6
JK res = 57,90 − [(−0,0522)(−1,65) + (−0,2346)(−3,70)] = 56,95
ABC Total: (1) 0,15 = 68,70 b1 + -22,45 b2

(1) -2,90 = -22,45 b1 + 55,90 b2
b1 = -0,0170
b2 = -0,0587
JK res = 55,50 − [(−0,0170)(0,15) + (−0,587)(−2,90)] = 55,33
Dalam (bentuk untuk semua sumber variasi)

(1) 0,00 = 60,40 b1 + -22,60 b2
(1) -3,60 = -22,60 b1 + 55,20 b2
b1 = -0,0249
b2 = -0,0754
JK res = 54,60 − [(−0,0249)(0) + (−0,0754)(−3,60)] = 54,53
Dengan diketemukan JK residu total bagi semua sumber variasi dan JK

residu dalam, maka JK residu antar bagi semua sumber variasi itu dapat
diketemukam pula. Rumus: JK res.antar = JK res.total − JK res.dalam
Jadi, misalanya untuk sember variasi A: JK res.antar = 67,47 − 54,53 = 12,94
Dengan cara yang sama JK residu antar sumber-sumber variasi lain akan kita
ketemukan juga seperti berikut:
Tabel 3.30. Sumber variasi: JK res. Total – JK res.dalam = JK res.antar
A 67,47 54,53 12,94
B 71,06 54,53 16,53
C 54,54 54,53 0,01
AB 58,18 54,53 3,65
AC 55,16 54,53 0,63
BC 56,95 54,53 2,42
ABC 55,33 54,53 0,80

105
db. untuk masing-masing sumber variasinya tetap sama, seperti db-nya

dalam anava. Jadi untuk sumber variasi A misalanya, db-nya = (a-1). Yang
berbeda hanyalah db dari sumber variasi dalam dan total. Untuk kedua sumber
variasi terakhir ini rumusnya adalah sebagai berikut.
dbres.tot = N – m – 1
dbres.dal = N – m - abc
Jadi, dbres.T = N − m − 1 = 60-2-1=57
dbres.A = a − 1 = 2 − 1 = 1
dbres.B = b − 1 = 3 − 1 = 2
dbres.C = c − 1 = 2 − 1 = 1
dbres.AB = (a − 1)(b − 1) = (1)(2) = 2
dbres.AC = (a − 1)(c − 1) = (1)(1) = 1
dbres.BC = (b − 1)(c − 1) = (2)(1) = 2
dbres.ABC = (a − 1)(b − 1)(c − 1) = (1)(2)(1) = 2
dbres.d = N − m − abc = 60 − 2 − (2)(3)(2) = 46
Dengan demikian, RJK dapat dihitung sebagai berikut.
12,94 0,63
RJK res.A = = 12,94 RJK res.AC = = 0,63
1 1
16,53 2,42
RJK res.B = = 8,26 RJK res.BC = = 1,21
2 2
0,01 0,80
RJK res.C = = 0,01 RJK res.ABC = = 0,40
1 2
3,64 54,53
RJK res.AB = = 1,82 RJK res.d = = 1,19
2 46
Harga F residu sesuatu sumber variasi SV diperoleh dari rumus:

RJK res.SV
Fres.SV =
RJKres.d
Dengan demikian, semua sumber variasi dapat dihitung sebagai berikut.

12,94 1,82
Fres.A = = 10,87 Fres.AB = = 1,53
1,19 1,19
8,26 0,63
Fres.B = = 6,94 Fres.AC = = 0,53
1,19 1,19
0,01 1,21
Fres.C = = 0,01 Fres.BC = = 1,02
1,19 1,19
0,40
Fres.ABC = =0,34
1,19

106
Tabel 3.31. Ringkasan Analisis Kovarians ABC

Sumber JK db RJK Fresidu F tabel
Variasi
A 12,94 1 12,94 𝟏𝟎, 𝟖𝟕 4,05
B 16,52 2 8,26 𝟔, 𝟗𝟒 3,20
C 0,01 1 0,01 𝟎, 𝟎𝟏 4,05
AB 3,64 2 1,82 𝟏, 𝟓𝟑 3,20
AC 0,63 1 0,63 𝟎, 𝟓𝟑 4,05
BC 2,42 2 1,21 1,02 3,20
ABC 0,80 2 0,40 0,34 3,20
dalam 54,53 46 1,19 --- ---
Total 91,49 57 --- --- ---
Derajat kebebasan untuk menguji signifikansi harga-harga F residu di

atas hanya dua macam, yaitu 1/46 atau 2/46. Dari tabel F dapat kita ketahui:
pada db = 1 / 46 , Ft1% = 7,21. Ft5% = 4,05
pada db = 2 / 46 , Ft1% = 5,10. Ft5% = 3,20
Dari pengujian harga-harga F di atas dapat kita ketahui bahwa hanya harga-
harga F antar A dan F antar B yang signifikan, malahan sangat signifikan, sedangkan
harga-harga F lainya tidak signifikan.
Penyesuaian angka rata-rata kriterium untuk kelompok B1 dan B2
dikerjakan dengan rumus berikut.
̅
YB1 = ̅ ̅ B1 − ̅̅
YB1 − [(X X1̅̅T )a1.d + (X2
̅̅̅̅B1 − ̅X2
̅̅̅T )a2.d ]
̅
YB2 = ̅ ̅ B2 − ̅̅
YB2 − [(X X1̅̅T )a1.d + (X2
̅̅̅̅B2 − ̅X2
̅̅̅T )a2.d ]
Perlakuan A:
(nA=30)
∑X1 X1 ∑X2 ̅X2
̅̅̅ ∑Y ̅
Y ̅
Y
B1 199 6,6 194 6,5 193 6,4 6,4
B2 192 6,4 196 6,5 165 5,5 5,5
Total 391 6,5 390 6,5 358 6,0 6,0
b1.d = -0,0249 b2.d = -0,0754
jadi, ̅B1 = 6,4 − [(6,6 − 6,5)(−0,0249) + (6,5 − 6,5)(−0,0754)] = 6,4

Y
̅
YB2 = 5,5 − [(6,4 − 6,5)(−0,0249) + (6,5 − 6,5)(−0,0754)] = 5,5

107
Rata-rata kriterium untuk kelompok B1,B2 dan B3 disesuaikan dengan:

̅B1 = Y
Y ̅̅̅̅B1 − X1
̅B1 − [(X1 ̅̅̅̅T )a1.d + (X2
̅̅̅̅B1 − X2
̅̅̅̅T )a2.d
̅
YB2 = ̅ ̅̅̅̅B2 − ̅X1
YB2 − [(X1 ̅̅̅T )a1.d + (X2
̅̅̅̅B2 − ̅X2
̅̅̅T )a2.d
̅
YB3 = ̅ ̅̅̅̅B3 − ̅X1
YB3 − [(X1 ̅̅̅T )a1.d + (X2
̅̅̅̅B3 − ̅X2
̅̅̅T )a2.d
Perlakuan B:
(nB=20)
∑X1 X1 ∑X2 ̅̅̅̅
X2 ∑Y ̅
Y ̅’
Y
B1 152 7,6 147 7,4 139 7,0 7,1
B2 128 6,4 132 6,6 120 6,0 6,0
B3 111 5,6 111 5,6 99 5,0 4,9
Total 391 6,5 390 6,5 358 6,0 6,0
b1 = -0,0249 b2 = -0,0754
jadi, ̅
YB1 = 7,0 − [(7,6 − 6,5)(−0,0249) + (7,4 − 6,5)(−0,0754)] =
7,1
̅B2 = 6,0 − [(6,4 − 6,5)(−0,0249) + (6,6 − 6,5)(−0,0754)] =
Y
6,0
̅
YB3 = 5,0 − [(5,0 − 6,5)(−0,0249) + (5,6 − 6,5)(−0,0754)]
= 4,9
Korelasi antar kriterium Y dengan kovariabel X1 dan X2 dicari dari bahan-
bahan sumber variasi dalam dengan rumus:
a1 ∑ x1 y + a2 ∑ x2 y
R y(1,2) = √
y2
Karena b1 x1y = (-0,0249)(0) = 0

b2 x2y = (-0,0754)(-3,60) = 0,27
y2 = 54,80
0 + 0,27
R y(1,2) = √ = √0,0049 = 0,070
54,80
R2 = 0,0049
Uji signifikansi hasil harga R tersebut dilakukan dengan cara berikut.
R2 (N − m − 1) (0,0049)(60 − 2 − 1)
Fres = = = 0,140
m(1 − R2 ) 2(1 − 0,0049)
108
Karena harga F tersebut kurang dari 1,00 maka F itu dinyatakan tidak
signifikan.
Kesimpulan:
1. Antara kelompok B1 dan B2 terdapat perbedaan rata-rata Y yang sangat

signifikan 𝑌𝐴1 =6,4 lebih baik secara signifikan dari pada 𝑌𝐴2 = 5,5
2. Antara kelompok B1, B2, dan B3 terdapat perbedaan rata-rata Y yang

sangat signifikansi 𝑌𝐵1 =7,1 lebih baik dari pada 𝑌𝐵2 = 6,0 dan yang paling
rendah rata-ratanya adalah 𝑌𝐵3 =4,9
3. Tidak ada pengaruh interaksi antara A dengan B, antara A dengan C antara

B dengan C maupun antara A dengan B dengan C
4. Korelasi antara Y dengan X1 dan X2 tidak signifikan.

109
BAB IV
ANALISIS JALUR (PATH ANALYSIS)
Kompetensi Dasar
Mahasiswa memahami tentang analisis jalur (path analysis), serta mampu
menggunakannya untuk menganalisis data kuantitatif.
Mahasiswa dapat:
1. menjelaskan konsep dasar analisis jalur
2. menjelaskan manfaat analisis jalur
3. merumuskan hipotesis penelitian
4. membuat diagram jalur
5. menghitung koefisien jalur
6. membuat persamaan analisis jalur
7. menganalisis data dengan analisis jalur
8. menguji model
Uraian Materi
A. Pengertian
Pada analisis korelasi dan regresi telah dibahas mengenai hubungan antara
variabel bebas dengan variabel terikat, dan telah dilihat berapa kuat hubungan yang
ada nantara variable bebas dengan variable terikat, dengan tidak mengatakan atau
menyimpulan bahwa terjadi kausal diantara variabel-variabel tersebut.
Analisis jalur, juga berpedoman pada dasar tidak untuk menemukan penyebab-
penyebab, melainkan merupakan suatu metode yang digunakan pada model kausal
yang telah dirumuskan peneliti atas dasar pertimbangan teoretis dan pengetahuan
tertentu. Jadi, analisis jalur memiliki daya guna untuk mencek atau menguji kausal
yang diteorikan dan bukan untuk menurunkan teori kausal tersebut.
B. Diagram Jalur (Dikutip dari: Sudjana,1992).

Diagram jalur, secara grafis sangat membantu untuk melukiskan pola
hubungan kausal antara sejumlah variable. Untuk model kausal, perlu membedakan
variable-variabel menjadi variable eksogenus dan endogenus. Variabel eksogenus
adalah variable yang variabelitasnya diasumsikan terjadi oleh karena penyebab-
penyebab diluar model kausal, sehingga penentuan variable eksogenus tidak termasuk

110
dalam model. Sedangkan variable endogenus adalah variable yang variasinya

terjelaskan oleh variable eksogenus ataupun variable endogenus dalam sistem.
Contoh diagram jalur sebagai berikut.
R1 R2
P3R1 P4R2
X1 P41
P31
r 12
X3 P43 X4
P32
P42
X2
Gambar 4.1: Diagram Jalur (Sumber: Sudjana,1992)
Variabel X1 dan X2 merupakan variable eksogenus (anak panah pada kedua

ujungnya). Variabel X3 dan X4 adalah variable endogenus (anak panah tunggal
pada ujungnya)
Kedua jalur yang ditarik dari X1 dan X2 kepada X3 menyatakan bahwa X3
merupakan variabel terikat bagi variabel-variabel X1 dan X2. Variabel X3 bersama-
sama dengan variabel X1 dan X2 , nampak menjadi variabel bebas bagi variabel X4.
Model tersebut pada diagram 01 di atas disebut model rekursif (eka arah),
artinya bahwa arus kausal dalam model bersifat eka arah. Dengan kata lain, bahwa
pada saat yang sama sebuah variabel tidak bisa sekaligus menjadi penyebab bagi dan
akibat dari variabel lain. Oleh karena hampir tidak mungkin mendapatkan keseluruhan
varians sebuah variabel, diperkenalkanlah variabel-variabel residual untuk
menunjukkan efek variabel-variabel yang tidak termasuk dalam model. Variabel-
variabel residual ini dilambangkan oleh R1 dan R2 masing-masing pada variabel
endogenus X3 dan X4.
Asumsi-asumsi yang mendasari analisis jalur adalah sebagai berikut.
1. Hubungan antara variabel-variabel dalam model adalah linear
2. Variabel-variabel residual dalam model tidak berkorelasi dengan variabel-
variabel yang mendahuluinya, tidak juga saling berkorelasi
3. Dalam sistem hanya terjadi arus kausal searah
4. Variabel-variabel diukur dengan skala interval.

111
C. Koefisien Jalur
Koefisien jalur, yang mengukur pentingnya sebuah jalur pengaruh dari
penyebab kepada akibat, didefinisikan sebagai rasio variabilitas akibat yang harus
ditemukan apabila semua penyebab konstan, kecuali satu yang sedang
dipermasalahkan, terhadap variabilitas total. Variabilitas ini diukur dengan simpangan
baku. Jadi, koefisien jalur menunjukkan akibat langsung sebuah variabel yang diambil
sebagai penyebab terhadap sebuah variabel yang diambil sebagai akibat. Simbul yang
dipakai untuk koefisien jalur adalah Pij dengan pengertian i menyatakan akibat atau
variabel terikat dan j menyatakan penyebab atau variabel bebas. Perhatikan pada
gambar diagram 01 di atas, dapat dilihat koefisien-koefisien jalur: P31 dan X1 ke X3,
P32 dari X2 ke X3, P41 dari X1 ke X4, P42 ari X2 ke X4, dan P43 dari X3 ke X4, dan
demikian juga residualnya (dilambangkan dengan e).
D. Persamaan pada analisis jalur
Jika diagram jalurnya seperti gambar 02 di bawah ini, maka persamaannya
dapat dibuat seperti berikut.
X1
P41
P31
P21
X3 P43 X4
P32
P42
X2
Gambar 4.2: Diagram Jalur
Dalam gambar tersebut pada diagram 02 di atas, variabel X1 adalah

eksogenus; jadi jika variabel-variabel dituliskan dalam bentuk angka baku z, maka z
untuk variabel eksogenus ini, ialah z1, hanyalah dinyatakan oleh suku residual e1 saja,
yakni z1 = e1. Variabel X2 yang bergantung pada variabel X1, juga bergantung pada
residual e dengan koefisien jalur P21. Persamaannya yang dinyatakan dalam angka
baku z adalah: z2 = P21 z1 + e2. Jika cara ini diteruskan untuk variabel-variabel lainnya,
maka diperoleh sistem rekursif berikut.
z1 = e1
z2 = P21 z1+ e2
z3 = P31 z1+ P32 z2 + P42 z2 + e3
z4 = P41 z1+ P42 z2 + P43 z3 + e4

112
Berdasarkan asumsi diatas bahwa tiap residual tidak berkorelasi dengan

variabel-variabel yang terdapat dalam persamaan dan juga antara residual sendiri
tidak terdapat korelasi. Dengan syarat ini, maka koefisien-koefisien jalur dapat
dihitung yang dinyatakan oleh koefisien korelasi rij. Oleh karena variabel-variabel
dinyatakan dalam angka baku, maka untuk n buah sampel akan berlaku rumus berikut.
1
rij 
n
 zi z j
Dengan rumus tersebut dapat dihitung koefisien-koefisien jalurnya sebagai berikut.
1
r12 
n
 z1 z1
Substitusikan z2 = P21 z1+ e2 ke dalam rumus r12 diatas, maka diperoleh:
1
r12 
n
 z1 ( P21z1  e2 )
1 1
 P21  z1   z1e2
2
n n
1
atau...r12  P12 ,...karena  z1  1dan z1e2  0.
2
n
...ini sebagai syarat residual tidak berkorelasi dengan variabel dalam
persamaan.
Dengan cara yang sama, akan diperoleh koefisien r13 sebagai berikut.
Untuk mencari r13 dan P32 , gunakan rumus di atas sebagai berikut.
1
r13 
n
 z1 z3
Substitusikan z3 = P31 z1+ P32 z2 + e3 ke dalam rumus r23 diatas, maka
diperoleh:
1
r13 
n
 z1 ( P31z1  P32 z 2  e3 )
1 1 1
 P31.  z1  P32 .  z1 z 2   z1e3
2
n n n
1 1
atau...r13  P31  P32 r12 ...karena...  z1  1,  z1 z 2  r12 ...dan.. z1e3  0
2
n n
Dengan cara yang sama, selanjutnya dapat dihitung:
1
r23 
n
 z 2 z3

113
Substitusikan z3 = P31 z1+ P32 +z2 +e3 ke dalam rumus r23 di atas, maka
diperoleh
1
r23 
n
 z 2 ( P31z1  P32 z 2  e3 )
1 1 1
 P31.  z 2 z1  P32 .  z 2   z 2 e3
2
n n n
atau...r23  P31.r12  P32
Dengan cara yang sama, bisa memperoleh hubungan-hubungan untuk
menghitung koefisien-koefisien jalur lainnya.
Jika perhitungan-perhitungan di atas dikumpulkan, maka untuk model kausal
pada diagram 02 di atas, koefisien-koefisien jalurnya dapat dihitung dengan
menggunakan sistem persamaan berikut:
r12  P21
r13  P31  P32r12
r23  P31r12  P32
r14  P41  P42r12  P43r13
r24  P41r12  P42  P43r23
r34  P41r13  P42r23  P43
Jika ada data penelitian, maka korelasi antar variabel dapat dihitung dengan
rumus korelasi product moment. Berdasarkan contoh di atas, jelas bahwa panjang
pendeknya perhitungan koefisien-koefisien jalur yang ada dalam suatu model kausal,
bergantung pada kompleks atau sederhananya model yang dimiliki.
Informasi tambahan yang dapat diperoleh dari sistem persamaan yang
menghubungkan rij dengan Pij adalah kemungkinan untuk melihat adanya efek
langsung dan efek tidak langsung antara variabel. Korelasi antara X1 dan X4 terdiri
atas empat komponen, ialah efek langsung X1 terhadap X4, efek tidak langsung X1
terhadap X4 melalui X2, efek tidak langsung X1 terhadap X4 melalui X3 dan efek tidak
langusng X1 terhadap X4 sesudah terlebih dahulu melalui X2 dan X3. Dengan
demikian, jelas bahwa korelasi tidak identik dengan kausal.
Dengan adanya dekomposisi koefisien korelasi menjadi efek langsung dan
tidak langsung, yang bermanfaat untuk menentukan efek tidak langsung total,
sehingga memungkinkan untuk mengetahui peranan tiap komponen dalam
sistem/model kausal yang diambil.

114
Untuk variabel X1 dan X3 misalnya, maka dari r12 = P31+ P32 P21 dapat dilihat
bahwa efek tidak langsung total (P32P21) sama dengan r13 – P31. Untuk variabel X1 dan
X4, dari r14 = P41 + P42P21 + P43P31, diperoleh efek tidak langsung total (P42P21 + P43P31
+ P43P32P21) sama dengan r14 – P41.
Dengan demikian jelas bahwa efek tidak langsung total dihitung dengan jalan
mengurangi koefisien korelasi dengan koefisien jalur untuk kedua variabel yang
sama.
E. Pengujian Model
Misalkan, rata-rata skor ujian (RSU) sejumlah mahasiswa diregresikan atas

status sosial ekonomi (SSE), kecerdasan (IQ) dan kebutuhan berprestasi (KEB). Dari
status mahasiswa yang diteliti, sesudah dilakukan perhitung-perhitungan dengan
rumus korelasi product moment dari Pearson, diperoleh matrik korelasi sebagai
berikut.
Tabel 4.1.Matrik Korelasi antar Variabel

Variabel SSE (X1) IQ (X2) KEB (X3) RSU (X4)
SSE (X1) 1,00 0,25 0,38 0,30
IQ (X2) 1,00 0,20 0,62
KEB (X3) 1,00 0,56
RSU (X4) 1,00
Misalnya untuk itu, model kausal yang dibuat adalah sebagai berikut.
R3 R4
SSE
X1 P41 0,006(0,30)
P31
r 12 0,352(0,38)
(0,25) KEB P43 RSU
X3 0,452(0,56) X4
P32
0,112(0,20)
P42 0,528 (0,62)
IQ
X2
Dalam gambar 5.3 ini tampak bahwa sementara SSE dan IQ diambil sebagai variabel
eksogenus, keduanya merupakan penyebab bagi KEB. Variabel SSE, IQ, dan KEB
menjadi penyebab bagi RSU.

115
Untuk menghitung koefisien-koefisien jalur dalam model kausal ini,

diperlukan dua analisis regresi. (1) Regresi KEB dan IQ untuk mendapatkan P31 dan
P32 yang menghasilkan sistem rekursif z3 = P31 z1 + P32 z2 +e3, dan (2) regresi RSU
atas SSE, IQ, dan KEB untuk mendapatkan P41, P42, dan P43 dengan sistem rekursif z4
= P41 z1 + P42 z2 + P43 z3 + e4. Jika datanya lengkap, dapat dihitung koefisien-koefisien
korelasinya seperti tersebut pada matrik di atas.
Selanjutnya, dengan menggunakan cara yang telah dijelaskan di atas, dapat
disusun sistem persamaan yang menghubungkan rij dan Pij, kemudian dengan
memasukkan harga-harga rij dan Pij, dapat dihitung koefisien-koefisien jalur Pij.
Dengan menggunakan rumus yang telah dijelaskan di atas, untuk r13, r23, r14, r24, dan
r34 dan memanfaatkan sistem rekursif yang telah dijelaskan, kita memiliki lima anu
(P31, P32, P41, P42, P43) sebagai berikut.
r1 3  P3 1  P3 2r1 2
r2 3  P3 1r1 2  P3 2
r1 4  P4 1  P4 2r1 2  P4 3r1 3
r2 4  P4 1r1 2  P4 2  P4 3r2 3
r3 4  P4 1r1 3  P4 2r2 3  P4 3
Dengan memasukkan harga-harga rij dari matrik korelasi akan memberikan

persamaan berikut.
0,38  P31  0,25P32

0,20  0,25P31  P32
0,30  P41  0,25P42  0,38P43
0,62  0,25P41  P42  0,20 P43
0,56  0,38P41  0,20 P42  P43
Persamaan tersebut di atas harus diselesaikan dengan metode eliminasi atau

metode Selisih Produk Diagonal (SPD). Dalam perhitungan di bawah ini, digunakan
metode SPD.

116
(1) 0,38 = P31 + 0,25P32

(2) 0,20 = 0,25 P31 + P32
----------------------------------------
0,33 = 0,9375P31  P31 = 0,352
(2a) 0,20 = (0,25)(0,352) + P32

0,20 = 0,088 + P32  P32 = 0,112
(3) 0,30 = P41 + 0,25 P42 + 0,38P43

(4) 0,62 = 0,25P41 + P42 + 0,20 P43
-----------------------------------------------------
(6) -0,1756 = 0,105P41 + (-0,33)P42
(4) 0,62 = 0,25P41 + P42 + 0,20 P43

(5) 0,56 = 0,38P41 + 0,20P42 + P43
-----------------------------------------------------
(7) 0,508 = 0,174P41 + 0,96 P42
(6a) -0,1756 = 0,105P41 + (-0,33)P42

(7a) 0,508 = 0,174P41 + 0,96 P42
------------------------------------------------------
0,000936 = 0,15822P41  P41 = 0,006
(7a) 0,508 = (0,174)(0,006) + 0,96P42

0,508 = 0,001044 + 0,96P42  P42 = 0,528
(3a) 0,30 = (0,38)(0,006) + (0,20)(0,528) + P43

0,30 = 0,00228 + 0,1056 + P43
0,30 = 0,10788 + P43  P43 = 0,30 – 0,10788 = 0,452
Dalam gambar 5.3 diagram jalur di atas, koefisien-koefisien korelasi dituliskan

dalam tanda kurung, sedangkan lainnya menyatakan koefisien-koefisien jalur.
Tampak bahwa koefisien jalur P41 lebih kecil dari 0,05 sehingga memberi petunjuk,
bahwa r14 semata-mata dikarenakan oleh efek-efek tidak langsung.

117
Efek langsung SSE terhadap RSU besarnya 0,006 sedangkan efek tidak
langsung total adalah r14 – P41 = 0,30 – 0,006 = 0,294. Ini menunjukkan bahwa SSE
praktis tidak mempunyai efek langsung terhadap RSU. Akan tetapi, melalui
korelasinya dengan IQ dan efeknya terhadap KEB, variabel SSE ini mempengaruhi
RSU. Korelasi antara IQ dan KEB terbesar disebabkan oleh korelasi IQ dengan SSE.
Pengamatan terhadap P41 menyimpulkan bahwa model dalam gambar jalur 03
di atas dapat disederhanakan dengan menghilangkan P41 dan diagramnya diubah
menjadi seperti diagram 5.4 berikut.
SSE
1 0,352
(0,25)
KEB
0,112 3 0,452 RSU
4
IQ 0,528
2
Apakah data yang diperoleh konsisten dengan model baru pada diagram 5.4?
Untuk itu, perlu dihitung koefisien-koefisien jalur dalam model baru dan gunakan
untuk menghitung koefisien-koefisien korelasi, kemudian dilihat apakah dihasilkan
matrik korelasi yang sama dengan matrik korelasi sebelumnya. Dengan meregresikan
KEB atas SSE dan IQ serta meregresikan RSU atas IQ dan KEB akan didapat:
z3 = P31 z1 + P32 Z2 + e3
z4 = P42 z2 + P43 z3 + e4
Dengan menggunakan cara yang telah dijelaskan, diperoleh sistem persamaan:
r13  P32 r12  P31

r14  P42 r12  r13
r23  P31r12  P32
r24  P42  P43r23
r34  P42 r23  P43

118
Mensubstitusikan harga-harga rij dari matrik korelasi ke dalam persamaan tersebut,

akan diperoleh persamaan terakhir sebagai berikut:
0,38  0,25P32  P31

0,20  0,25 P31  P32
0,62  P42  0,20 P43
0,56  0,20 P42  P43
Setelah diselesaikan dengan menggunakan metode SPD, diperoleh harga-

harga koefisien jalur: P31 = 0,352, P32 = 0,112, P42 = 0,528, dan P43 = 0,452. Semua
koefisien jalur harganya tidak kurang dari 0,05 sehingga model dalam gambar 04 di
atas tidak mengalami perubahan. Apakah matrik korelasinya juga sama?
Dengan menggunakan kenyataan bahwa IQ dan SSE sebagai variabel
eksogenus sehingga r12 tetap tidak dianalisis, yakni r12 = 0,25 dan menggunakan
harga-harga Pij yang diperoleh untuk model 04 tersebut, dari sistem persamaan
terakhir akan diperoleh:
r13 = (0,112)(0,25) + 0,352 = 0,38

r14 = (0,528)(0,25) + (0,452)(0,38) = 0,3038
r23 = (0,352)(0,25) + 0,112 = 0,20
r24 = 0,528 + (0,452)(0,20) = 0,6184
r34 = (0,528)(0,20) + 0,452 = 0,5576
Dengan demikian, untuk model dalam diagram 04 di atas, diperoleh matrik
korelasi sebagai berikut.
Tabel 4.3. Matrik Korelasi antar Variabel
Variabel SSE IQ KEB RSU
SSE 1,00 0,25 0,38 0,3038
IQ 1,00 0,20 0,6184
KEB 1,00 0,5576
RSU 1,00
Ternyata bahwa matrik korelasi tersebut sesuai dengan matrik korelasi

sebelumnya, perbedaannya sangat kecil (lebih kecil dari 0,05) sehingga bisa
diabaikan. Ini menunjukkan bahwa data konsisten dengan model pada gambar 04
tersebut di atas.

119
Kesimpulan
Status Sosial Ekonomi (SSE) tidak mempunyai pengaruh langsung terhadap
hasil rata-rata skor ujian (RSU), akan tetapi efeknya penting melalui variabel
kebutuhan untuk berprestasi (KEB) dan memlalui korelasi dengan kecerdasan (IQ).
Kebutuhan untuk berprestasi (KEB) dan kecerdasan (IQ) mempunyai efek langsung
terhadap hasil rata-rata skor ujian (RSU) dan juga mempunyai efek tidak langsung.
Efek-efek langsung kedua unsur ini terhadap RSU lebih besar jika dibandingkan
dengan efek-efek tidak langsungnya. Efek langsung IQ terhadap RSU lebih besar
daripada efek langsung KEB terhadap RSU.
F. Analisis Jalur dengan Data Hasil Penelitian

1. Hipotesis Penelitian
Suatu penelitian, ingin menguji hipotesis penelitian sebagai berikut.
a. Ada hubungan langsung antara Status Sosial Ekonomi (SES) dengan
Prestasi belajar (PB)
b. Ada hubungan langsung antara kecerdasan (IQ) dengan Prestasi Belajar
(PB)
c. Ada hubungan langsung antara Motif Berprestasi (MB) dengan Prestasi
Belajar (PB)
d. Ada hubungan tidak langsung antara Status Sosial Ekonomi (SES) dengan
Prestasi Belajar (PB) melalui Motif Berprestasi (MB)
e. Ada hubungan tidak langsung antara kecerdasan (IQ) dengan Prestasi
Belajar (PB) melalui Motif Berprestasi (MB).

120
2. Data hasil penelitian adalah seperti Tabel 5.4 berikut

Tabel 4.4. Data Hasil Penelitian (Fiktif)
No. X1 X2 X3 X4
Subyek
1 . 8.00 7.00 7.00 8.00
2 7.00 6.00 6.00 7.00
3 7.00 6.00 6.00 6.00
4 8.00 8.00 8.00 9.00
5 9.00 8.00 9.00 8.00
6 8.00 7.00 7.00 7.00
7 7.00 6.00 5.00 6.00
8 7.00 7.00 7.00 7.00
9 8.00 7.00 8.00 8.00
10 8.00 7.00 7.00 7.00
11 7.00 6.00 6.00 5.00
12 7.00 6.00 6.00 6.00
13 6.00 5.00 4.00 6.00
14 8.00 6.00 7.00 5.00
15 8.00 7.00 7.00 7.00
16 7.00 4.00 5.00 6.00
17 6.00 5.00 4.00 8.00
18 7.00 6.00 7.00 7.00
19 5.00 5.00 5.00 6.00
20 6.00 5.00 6.00 7.00
21 7.00 7.00 7.00 7.00
22 6.00 7.00 7.00 6.00
23 5.00 6.00 5.00 7.00
24 6.00 8.00 6.00 5.00
25 7.00 7.00 7.00 7.00
26 7.00 6.00 6.00 8.00
27 7.00 7.00 7.00 8.00
28 8.00 5.00 6.00 7.00
29 6.00 6.00 7.00 7.00
30 6.00 7.00 7.00 6.00
Keterangan:
X1 = Status Sosial Ekonomi (SES)
X2 = Kecerdasan (IQ)
X3 = Motivasi Berprestasi (MB)
X4 = Prestasi Belajar (PB)

121
3. Langkah-langkah Perhitungan untuk Menguji Hipotesis
Dari status mahasiswa yang diteliti, sesudah dilakukan perhitungan-

perhitungan dengan rumus korelasi product moment dari Pearson, diperoleh matrik
korelasi sebagai berikut.
Tabel 4.5. Matrik Korelasi antar Variabel

Variabel SES (X1) IQ (X2) MB (X3) PB (X4)
SES (X1) 1,00 0,408 0,644 0,352
IQ (X2) 1,00 0,766 0,278
MB (X3) 1,00 0,379
PB (X4) 1,00
Misalnya untuk itu, model kausal yang dibuat adalah sebagai berikut.
R3 R4
SES
X1 P41 (0,352)
P31
r 12 (0,644)
(0,408) MB P43 PB
X3 0,(0,379) X4
P32
(0,766)
P42 (0,278)
IQ
X2
Dalam gambar 5.5 ini tampak bahwa sementara SES dan IQ diambil sebagai
variabel eksogenus, keduanya merupakan penyebab bagi MB. Variabel SES, IQ, dan
MB menjadi penyebab bagi PB.
Untuk menghitung koefisien-koefisien jalur dalam model kausal ini,
diperlukan dua analisis regresi. (1) Regresi MB dan IQ untuk mendapatkan P31 dan
P32 yang menghasilkan sistem rekursif z3 = P31 z1 + P32 z2 +e3, dan (2) regresi PB atas
SES, IQ, dan MB untuk mendapatkan P41, P42, dan P43 dengan sistem rekursif z4 = P41
z1 + P42 z2 + P43 z3 + e4. Berdasarkan data pada tabel diatas, dapat dihitung koefisien-
koefisien korelasinya seperti tersebut pada matrik di atas.
Selanjutnya, dengan menggunakan cara yang telah dijelaskan di atas, dapat
disusun sistem persamaan yang menghubungkan rij dan Pij, kemudian dengan
memasukkan harga-harga rij dan Pij, dapat dihitung koefisien-koefisien jalur Pij.
Dengan menggunakan rumus yang telah dijelaskan di atas, untuk r13, r23, r14, r24, dan

122
r34 dan memanfaatkan sistem rekursif yang telah dijelaskan, kita memiliki lima anu
(P31, P32, P41, P42, P43) sebagai berikut.
r1 3  P3 1  P3 2r1 2
r2 3  P3 1r1 2  P3 2
r1 4  P4 1  P4 2r1 2  P4 3r1 3
r2 4  P4 1r1 2  P4 2  P4 3r2 3
r3 4  P4 1r1 3  P4 2r2 3  P4 3
Dengan memasukkan harga-harga rij dari matrik korelasi akan memberikan

persamaan berikut.
0,644  P31  0,408P32

0,766  0,408P31  P32
0,352  P41  0,408P42  0,644 P43
0,278  0,408P41  P42  0,766 P43
0,379  0,644 P41  0,766 P42  P43
Persamaan tersebut di atas harus diselesaikan dengan metode eliminasi atau

metode Selisih Produk Diagonal (SPD). Dalam perhitungan di bawah ini, digunakan
metode SPD.
(6) 0,644 = P31 + 0,408P32

(7) 0,766 = 0,408 P31 + P32
----------------------------------------
(6) 0,347472 = 0,833536P31  P31 = 0,4169
(1) 0,644 = 0,4169 + 0,408P32
0,2271= 0,408 P32  P32 = 0,5566

123
(8) 0,352 = P41 + 0,408 P42 + 0,644P43

(9) 0,278 = 0,408P41 + P42 + 0,766 P43
-----------------------------------------------------------
(7) 0,0906 = 0,503248 P41 + (-0,331472) P42
---------------------------------------------------------
(10) 0,379 = 0,644 P41 + 0,766 P42 + P43
(4) 0,278 = 0,408 P41 + P42 + 0,766 P43
--------------------------------------------------------
(8) -0,012314 = -0,085304 P41 + 0,413244 P42
(7) 0,0906 = 0,503248P41 + (-0,331472)P42
---------------------------------------------------------
(9) -0,03335816 = -0,17968832 P41  P41 = 0,1856
(7) 0,0906 = (0,503248)(0,1856) + (-0,331472) P42
0,0906 = 0,093402828 + (-0,331472) P42
-0,0028028288 = -0,331472 P42  P42 = 0,0085
-------------------------------------------------------------------
(4) 0,278 = 0,408P41 + P 42 + 0,766 P43
0,278 = (0,408)(0,1856) + 0,0085 +0,766 P43
0,278 = 0,0757248 + 0,0085 + 0,766 P43
0,1945752 = 0,766 P43  P43 = 0,2540
--------------------------------------------------------------------
R3 R4
SES
X1 P41 0,1856(0,352)
P31
r 12 0,4169(0,644)
(0,408) MB P43 PB
X3 0,2540(0,379) X4
P32
0,5566(0,766)
P42 0,0085(0,278)
IQ
X2
Dalam gambar diagram jalur 5.6 di atas, koefisien-koefisien korelasi dituliskan
dalam tanda kurung, sedangkan lainnya menyatakan koefisien-koefisien jalur.

124
Tampak bahwa koefisien jalur P31 dan P32 lebih kecil dari 0,05 sehingga memberi
petunjuk, bahwa r31 dan P32 semata-mata dikarenakan oleh efek-efek tidak langsung.
Efek langsung IQ terhadap PB besarnya 0,0085 sedangkan efek tidak langsung
total adalah r24 – P24 = 0,278 – 0,0085 = 0,2695. Ini menunjukkan bahwa IQ praktis
tidak mempunyai efek langsung terhadap PB. Akan tetapi, melalui korelasinya dengan
SES dan efeknya terhadap PB, variabel IQ ini mempengaruhi PB. Korelasi antara IQ
dan PB disebabkan oleh korelasi IQ dengan SES.
Pengamatan terhadap P42 menyimpulkan bahwa model dalam gambar jalur 03
di atas dapat disederhanakan dengan menghilangkan P42 dan diagramnya diubah
menjadi seperti diagram 04 berikut.
SES
X1 0,1856 (0,408)
r12 0,4169(0,644)
(0,408)
MB PB
X3 X4
0,2540(0,370)
IQ 0,5566(0,766)
X2
Apakah data yang diperoleh konsisten dengan model baru pada diagram 04?
Untuk itu, perlu dihitung koefisien-koefisien jalur dalam model baru dan gunakan
untuk menghitung koefisien-koefisien korelasi, kemudian dilihat apakah dihasilkan
matrik korelasi yang sama dengan matrik korelasi sebelumnya. Dengan meregresikan
MB atas SES dan IQ serta meregresikan PB atas IQ dan MB akan didapat:
z3 = P31 z1 + P32 Z2 + e3
z4 = P42 z2 + P43 z3 + e4
Dengan menggunakan cara yang telah dijelaskan, diperoleh sistem persamaan:
r13  P32 r12  P31

r14  P42 r12  r13
r23  P31r12  P32
r24  P42  P43r23
r34  P42 r23  P43

125
Mensubstitusikan harga-harga rij dari matrik korelasi ke dalam persamaan tersebut,

akan diperoleh persamaan terakhir sebagai berikut:
0,644  0,408P32  P31

0,766  0,408P31  P32
0,352  P42  0,20 P43
0,56  0,20 P42  P43
Setelah diselesaikan dengan menggunakan metode SPD, diperoleh harga-

harga koefisien jalur: P31 = 0,352, P32 = 0,112, P42 = 0,528, dan P43 = 0,452. Semua
koefisien jalur harganya tidak kurang dari 0,05 sehingga model dalam gambar 04 di
atas tidak mengalami perubahan. Apakah matrik korelasinya juga sama?
Dengan menggunakan kenyataan bahwa IQ dan SES sebagai variabel
eksogenus sehingga r12 tetap tidak dianalisis, yakni r12 = 0,25 dan menggunakan
harga-harga Pij yang diperoleh untuk model 04 tersebut, dari sistem persamaan
terakhir akan diperoleh:
r13 = (0,112)(0,25) + 0,352 = 0,38

r14 = (0,528)(0,25) + (0,452)(0,38) = 0,3038
r23 = (0,352)(0,25) + 0,112 = 0,20
r24 = 0,528 + (0,452)(0,20) = 0,6184
r34 = (0,528)(0,20) + 0,452 = 0,5576
Dengan demikian, untuk model dalam diagram 04 di atas, diperoleh matrik korelasi
sebagai berikut.
Tabel 4.6. Matrik Korelasi
Variabel SES IQ MB PB
SES 1,00 0,408 0,644 0,352
IQ 1,00 0,766 0,278
MB 1,00 0,379
PB 1,00
Ternyata bahwa matrik korelasi tersebut sesuai dengan matrik korelasi

sebelumnya, perbedaannya sangat kecil (lebih kecil dari 0,05) sehingga bisa
diabaikan. Ini menunjukkan bahwa data konsisten dengan model pada gambar 04
tersebut di atas.

126
Kesimpulan
Kecerdasan (IQ) tidak mempunyai pengaruh langsung terhadap hasil rata-rata
skor ujian (PB), akan tetapi efeknya penting melalui variabel kebutuhan untuk
berprestasi (MB) dan melalui korelasi dengan (SES). Kebutuhan untuk berprestasi
(MB) dan status sosial ekonomi (SES) mempunyai efek langsung terhadap hasil rata-
rata skor ujian (PB) dan juga mempunyai efek tidak langsung. Efek-efek langsung
kedua unsur ini terhadap PB lebih besar jika dibandingkan dengan efek-efek tidak
langsungnya. Efek langsung SES terhadap PB lebih besar daripada efek langsung MB
terhadap PB.

127
Daftar Pustaka
Anrderson, T.W., An Introductin to Multivariate Statistical Analysis, New York: John

Wiley & Sons, Inc., 1958.
Bruning, James L. Computational Handbook of Statistics, USA: Foresman and
Company, 1977.
Ching Chun Lie, Path Analysis – a primer, California: Pasific Grove, 1975.
Everit, Brian S & Graham Dunn, Applied Multivariate Data Analysis, New York:
Halsted Press, 1991.
Guilford, J.P. and fruchter, B., Fundamental Statistics in Psycholoy and Education,
New York: McGraw-Hill Ltd, 1978.
Hair, Joseph F. Jr. cs., Multivariate Data Analysis, Upper Saddl River, NJ: Prentice
Hall International Inc., 1998.
Huitema, Bradley E. The Analysis 0f Covarianss and Alternatives, New York: John
Wiley & Sons,1980.
Imam Ghazali, Applied Analisis Multivariat dengan Program SPSS, Semarang: Badan
Penerbit Universitas Diponegoro, 2001.
Kerlinger, F.N. and Pedhazur, E.J., Multiple Regression in Behavioral Research, New
York: Holt Rinehart and Winston, Inc., 1973.
Singgih Santoso, SPSS Statistik Multivariat, Jakarta: Elex Media Komputindo, 2002
Sutrisno Hadi, Statistik, Jilid 2, 3, Yogyakarta: UGM, 1986.
Sutrisno Hadi, Analisis Regresi, Yoyakarta: UGM, 1986.
Sutrisno Hadi, Analisis Kovarians (Materi Kuliah Lembaga Pendidikan Doktor
UGM), Yoyakarta: UGM, 1984.
Sudjana, Metoda Statistika, Bandung: Tarsito, 1992.
Sudjana, Teknik Analisis Regresi dan Korelasi bagi Para Peneliti, Penerbit “Tarsito”,
Bandung, 1992.
Sugiyono, Statistika untuk Penelitian, Bandung: Penerbit CV Alfabeta, 2002.

128
DAFTAR TABEL STATISTIK
Tabel I. Luas di bawah Lengkungsn Kurve Normal dari 0 sd Z

Tabel II. Nilai-nilai dalam Distribusi t
Tabel III. Nilai-nilai r Product Moment
Tabel IV. Harga-harga X dalam Test Binomial (harga-harga dalam table adalah
0,….)
Tabel V. Harga Factorial
Tabel VI. Nilai-nilai Chi Kuadrat
Tabel VIIa. Harga-harga Kritis r dalam Test RUN Satu Sampel,untuk α = 5 %
Tabel VIIb. Harga-harga Kritis r dalam Test RUN Dua Sampel,untuk α = 5 %
Tabel VIII. Harga-harga Kritis dalam Test Wilcoxon
Tabel IX. Harga-harga Kritis Man-Whitney U Test
Tabel X. Harga-harga Kritis dalam Test Kolmogorov-Smirnov
Tabe XI. Harga-harga z untuk Test Run Wald-Wolfowitz
Tabel XII. Tabel Nilai-nilai RHO
Tabel XIII. Harga-Harga Kritis Z dalam Observasi Distribusi Normal
Tabel XIV. Nilai-Nilai untuk Distribusi F
Tabel XV. Distribusi Tabel Q
Tabel XI. Tabel Liliefors (L)

129
TABEL I
LUAS Dl BAWAH
LENGKUNGAN KURVE NORMAL
DARI 0 S/D Z
z 0 1 2 3 4 5 6 7 8 9
0,0 0000 0040 0080 0120 0160 0199 0239 0279 0319 0359
0,1 0398 0438 0478 0517 0557 0596 0636 0675 0714 0753
0,2 0793 0832 0871 0910 0948 0987 1026 1064 1103 1141
0,3 1179 1217 1255 1293 1331 1368 1406 1443 1480 1517
0,4 1554 1591 1628 1664 1700 1736 1772 1808 1844 1879
0,5 1915 1950 1985 2019 2054 2088 2123 2157 2190 2224
0,6 2258 2291 2324 2357 2389 2422 2454 2486 2517 2549
0,7 2580 2612 2642 2673 2703 2734 2764 2794 2823 2852
0,8 2881 2910 2939 2967 2995 3023 3051 3078 3106 3133
0,9 3159 3186 3212 3238 3264 3289 3315 3340 3365 3389
1,0 3413 3438 3461 3485 3508 3531 3554 3577 3599 3621
1,1 3643 3665 3686 3708 3729 3749 3770 3790 3810 3830
1,2 3849 3869 3888 3907 3925 3944 3962 3980 3997 4019
1,3 4032 4049 4066 4082 4099 4115 4131 4147 4162 4177
1,4 4192 4207 4222 4236 4251 4265 4279 4292 4306 4319
1,5 4332 4345 4357 4370 4382 4394 4406 4419 4429 4441
1,6 4452 4463 4474 4484 4495 4505 4515 4525 4535 4549
1,7 4554 4564 4573 4582 4591 4599 4608 4616 4625 4633
1,8 4641 4649 4656 4664 4671 4678 4586 4693 4699 4706
1,9 4713 4719 4726 4732 4738 4744 4750 4756 4761 4767
2,0 4772 4778 4783 4788 4793 4798 4808 4808 4812 4817
2,1 4821 4826 4830 4834 4838 4842 4846 4850 4854 4857
2,2 4861 4864 4868 4871 4875 4878 4881 4884 4887 4890
2,3 4898 4896 4898 4901 4004 4906 4909 4911 4913 4916
2,4 4918 4920 4922 4025 4927 4929 4931 4932 4934 4936
2,5 4938 4940 4941 4043 4945 4945 4948 4949 4951 4952
2,6 4953 4955 4956 4957 4959 4960 4961 4962 4963 4964
2,7 4965 4966 4967 4968 4969 4970 4971 4972 4973 4974
2,8 4074 4975 4976 4977 4977 4987 4979 4979 4980 4981
2,9 4981 4982 4982 4083 4984 4984 4985 4985 4986 4986
3,0 4987 4987 4987 4988 4988 4989 4989 4989 4990 4990
3,1 4990 4991 4991 4991 4992 4992 4992 4992 4993 4993
3,2 4993 4993 4994 4994 4994 4994 4994 4994 4995 4995
3,3 4995 4995 4995 4986 4996 4996 4996 4996 4997 4997
3,4 4997 4997 4997 4997 4997 4997 4997 4997 4997 4998

130
3,5 4998 4998 4998 4998 4998 4998 4998 4998 4998 4998
3,6 4998 4998 4999 4999 4999 4999 4999 4999 4999 4999
3,7 4999 4999 4999 4999 4999 4999 4999 4999 4999 4999
3,8 4999 4999 4999 4999 4999 4999 4999 4999 4999 4999
3,9 5000 5000 5000 5000 5000 5000 5000 5000 5000 5000
TABEL II
NILAI-NILAI DALAM DISTRIBUSI t
α untuk uji dua fihak (two tail test)
0,50 0,20 0,10 0,05 0,02 0,01
α untuk uji satu fihak (one tail test)
dk 0,25 0,10 0,005 0,025 0,01 0,005
1 1,000 3,078 6,314 12,706 31,821 63,657
2 0,816 1,886 2,920 4,303 6,965 9,925
3 0,765 1,638 2,353 3,182 4,541 5,841
4 0,741 1,533 2,132 2,776 3,747 4,604
5 0,727 1,486 2,015 2,571 3,365 4,032
6 0,718 1,440 1,943 2,447 3,143 3,707
7 0,711 1,415 1,895 2,365 2,998 3,499
8 0,706 1,397 1,860 2,306 2,896 0,^03
9 0,703 1,383 1,833 2,262 2,821 3,250
10 0,700 1,372 1,812 2,228 2,764 3,165
11 0,697 1,363 1,796 2,201 2,718 3,106
12 0,695 1,356 1,782 2,178 2,681 3,055
13 0,692 1,350 1,771 2,160 2,650 3,012
14 0,691 1,345 1,761 2,145 2,624 2,977
15 0,690 1,341 1,753 2,132 2,623 2,947
16 0,689 1,337 1,746 2,120 2,583 2,921
17 0,688 1,333 1,740 2,110 2,567 2,898
18 0,688 1,330 1,743 2,101 2,552 2,878
19 0,687 1,328 1,729/ 2,093 2,539 2,861
20 0,687 1,325 1,725 2,086 2,528 2,845
21 0,686 1,323 1,721 2,080 2,518 2,831
22 0,686 1,321 1,717 2,074 2,508 2,819
23 0,685 1,319 1,714 2,069 2,500 2,807
24 0,685 1,318 1,711 2,064 2,492 2,797
25 0,684 1,316 1,708 2,060 2,485 2,787
26 0,684 1,315 1,706 2,056 2,479 2,779
27 0,684 1,314 1,703 2,052 2,473 2,771
28 0,683 1,313 1,701 2,048 2,467 2,763
29 0,683 1,311 1,699 2,045 2,462 2,756
30 0,683 1,310 1,697 2,042 2,457 2,750
40 0,681 1,303 1,684 2,021 2,423 2,704
60 0,679 1,296 1,671 2,000 2,390 2,660
120 0,677 1,289 1,658 1,980 2,358 2,617
∞ 0,674 1,282 1,645 1,960 2,326 2,576
TABEL III
131
NILAI-NILAI r PRODUCT MOMENT
Taraf Signif Taraf Signif Taraf Signif

N N N
5% 1% 5% 1% 5% 1%
3 0,997 0,999 27 0,381 0,487 55 0,266 0,345
4 0,950 0,990 28 0,374 0,478 60 0,254
0,330 0,317
5 0,878 0,959 29 0,367 0,470 65 0,244
6 0,811 0,917 30 0,361 0,463 70 0,235 0,306

7 0,754 0,874 31 0,355 0,456 75 0,227 0,296
8 0,707 0,834 32 0,349 0,449 80 0,220 0,286
9 0,666 0,798 33 0,344 0,442 85 0,213 0,278
10 0,632 0,765 34 0,339 0,436 90 0,207 0,270
11 0,602 0,735 35 0,334 0,430 95 0,202 0,263

12 0,576 0,708 36 0,329 0,424 10C 0,195 0,250
13 0,553 0,684 37 0,325 0,418 125 0,176 0,230
14 0,532 0,661 38 0,320 0,413 150 0,159 0,210
15 0,514 0,641 39 0,316 0,408 175 0,148 0,194
16 0,497 0,623 40 0,312 0,403 200 0,138 0,181

17 0,482 0,606 41 0,308 0,398 300 0,113 0,148
18 0,468 0,590 42 0,304 0,393 400 0,098 0,128
19 0,456 0,575 43 0,301 0,389 500 0,088 0,115
20 0444 0,561 44 0,297 0,384 600 0,080 0,105
21 0,433 0,549 45 0,294 0,380 700 0,074 0,097

22 0,423 0,537 46 0,291 0,376 800 0,070 0,091
23 0,413 0,526 47 0,288 0,372 900 0,065 0,086
24 0,404 0,515 48 0,284 0,368 1000 0,062 0,081
25 0,396 0,505 49 0,281 0,364
26 0,388 0,496 50 0,279 0,361

132
TABEL IV
HARGA-HARGA x DALAM TEST BINOMIAL

(Harga-harga dalam tabel adalah 0,....)
N Z
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
5 031 1 500 812 969 -
6 016 188 344 656 981 984
7 008 109 227 500 773 938 992
8 004 062 145 363 637 855 965 996
9 002 Q35 090 354 500 746 910 980 998
10 001 020 055 172 377 623 828 945 989 999
11 011 033 113 274 500 726 887 967 994
12 006 019 073 194 387 613 806 927 981 997
13 003 011 046 133 291 500 709 867 954 989 998
14 002 006 029 090 212 395 605 788 910 971 994 999
15 001 004 018 059 151 304 500 696 849 941 982 996
16 002 011 038 105 227 402 598 773 895 962 989 998
17 001 006 025 072 166 315 500 685 834 928 975 994 999
18 001 004 015 048 119 240 407 593 760 881 952 985 996 999
19 002 010 032 084 180 324 500 676 820 916 968 990 998
20 001 004 021 058 132 252 412 588 748 868 942 879 994
21 001 006 013 039 095 192 332 500 668 808 905 961 987
22 002 008 026 067 143 262 416 584 738 857 933 974
23 001 005 017 047 105 202 339 500 661 798 895 953
24 001 003 011 032 076 154 271 419 581 729 846 924
25 002 007 022 054 115 212 345 500 655 788 885

133
TABEL V
HARGA FACTORIAL
N N!
0 1
1 1
2 2
3 6
4 24
5 120
6 720
7 5040
8 40320
9 362880
10 3628800
11 39916800
12 479001600
13 6227020800
14 87178291200
15 1307674368000
16 20922789888000
17 355687428096000
18 6402373705728000
19 121645100408832000
20 2432902008176640000

134
TABEL VI
NILAI-NILAI CHI KUADRAT
Taraf signifikansi
dk
50% 30% 20% 10% 5%, 1%
1 0,455 1,074 1,642 2,706 3,481 6,635
2 0,139 2,408 3,219 3,605 5,591 9,210
3 2,366 3,665 4,642 6,251 7,815 11,341
4 3,357 4,878 5,989 7,779 9,488 13,277
5 4,351 6,064 7,289 9,236 11,070 15,086
6 5,348 7,231 8,558 10,645 12,592 16,812

7 6,346 8,383 9,803 12,017 14,017 18,475
8 7,344 9,524 11,030 13,362 15,507 20,090
9 8,343 10,656 12,242 14,684 16,919 21,666
10 9,342 11,781 13,442 15,987 18,307 23,209
11 10,341 12,899 14,631 17,275 19,675 24,725

12 11,340 14,011 15,812 18,549 21,026 26,217
13 12,340 15,19 16,985 19,812 22,368 27,688
14 13,332 16,222 18,151 21,064 23,685 29,141
15 14,339 17,322 19,311 22,307 24,996 30,578
16 15,338 18,418 20,465 23,542 26,296 32,000

17 16,337 19,511 21,615 24,785 27,587 33,409
18 17,338 20,601 22,760 26,028 28,869 34,805
19 18,338 21,689 23,900 27,271 30,144 36,191
20 19,337 22,775 25,038 28,514 31,410 37,566
21 20,337 23,858 26,171 29,615 32,671 38,932

22 21,337 24,939 27,301 30,813 33,924 40,289
23 22,337 26,018 28,429 32,007 35,172 41,638
24 23,337 27,096 29,553 33,194 35,415 42,980
25 24,337 28,172 30,675 34,382 37,652 44,314
26 25,336 29,246 31,795 35,563 38,885 45,642

27 26,336 30,319 32,912 36,741 40,113 46,963
28 27,336 31,391 34,027 37,916 41,337 48,278
29 28,336 32,461 35,139 39,087 42,557 49,588
30 29,336 33,530 36,250 40,256 43,775 50,892

135
TABEL VIIa
HARGA-HARGA KRITIS r DALAM TEST RUN

SATU SAMPEL, UNTUK α = 5 %
n2
n1
2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
2 2 2 2 2 2 2 2 2 2
3 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3
4 2 2 2 3 3 3 3 3 3 3 3 3 4 4 4 4 4
5 2 3 3 3 3 3 3 4 4 4 4 4 4 4 5 5 5
6 2 2 3 3 3 3 4 4 4 4 5 5 5 5 5 5 6 6
7 2 2 3 3 4 4 4 5 5 5 5 5 6 6 6 6 6 6
8 2 3 3 3 4 4 5 5 5 6 6 6 6 6 7 7 7 7
9 2 3 3 4 4 5 5 5 6 6 6 7 7 7 7 8 8 8
10 2 3 3 4 5 5 5 6 6 7 7 7 7 8 8 8 8 9
11 2 3 4 4 5 5 6 6 7 7 7 8 8 8 9 9 9 9
12 2 2 3 4 4 5 6 6 7 7 7 8 8 8 9 9 9 10 10
13 2 2 3 4 5 5 6 6 7 7 8 8 9 9 9 10 10 10 10
14 2 2 3 4 5 5 6 7 7 8 8 9 9 9 10 10 10 11 11
15 2 3 3 4 5 6 6 7 7 8 8 9 9 10 10 11 11 11 12
16 2 3 4 4 5 6 6 7 8 8 9 9 10 10 11 11 11 12 12
17 2 3 4 4 5 6 7 7 8 9 9 10 10 11 11 11 12 12 12
18 2 3 4 5 5 6 7 8 8 9 9 10 10 11 11 12 12 13 13
19 2 3 4 5 6 6 7 8 8 9 10 10 11 11 12 12 13 13 13
9
20 2 3 4 5 6 6 7 8 9 10 10 11 12 12 12 13 13 14

136
TABEL Vllb
HARGA-HARGA KRITIS r DALAM TEST RUN

DUA SAMPEL, UNTUK α = 0,05
n2
n1
2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
2
3
4 9 9
5 9 10 10 11 11
6 9 10 11 12 12 13 13 13 13
7 11 12 13 13 14 14 14 14 15 15 15
8 11 12 13 14 14 15 15 16 16 15 16 17 17 17 17 17
9 13 14 14 15 16 16 16 17 17 18 18 18 18 18 18
10 13 14 15 16 16 17 17 18 18 18 19 19 19 20 20
11 13 14 15 16 17 17 18 19 19 19 20 20 20 21 21
12 13 14 16 16 17 18 19 19 20 20 21 21 21 22 22
13 15 16 16 18 19 19 20 20 21 21 22 22 23 23
14 15 16 17 18 19 20 20 21 22 22 23 23 23 24
15 15 16 18 18 19 20 21 22 22 23 23 24 24 25
16 17 18 19 20 21 21 22 23 23 24 25 25 25
17 17 18 19 20 21 22 23 23 24 25 25 26 26
18 17 18 19 20 21 22 23 24 25 25 26 26 27
19 17 18 20 21 22 23 23 24 25 26 26 27 26
20 17 18 20 21 22 23 24 25 25 26 27 27 28

137
TABEL VIII
HARGA-HARGA KRITIS DALAM TEST WILCOXON
Tingkat Signifikansi Untuk Test Satu Fihak

(One Tail Test)
0,025 0,010 0,005

N
Tingkat Signifikansi Untuk Test Satu Fihak
(One Tail Test)
0,05 0,02 0,01

6 0
7 2 0
8 4 2 0
9 6 3 2
10 8 5 3
11 11 7 5
12 14 10 7
13 17 13 10
14 21 16 13
15 25 20 16
16 30 24 20
17 35 28 23
18 40 33 28
19 46 38 32
20 52 43 38
21 59 49 43
22 66 56 49
23 73 62 55
24 81 69 61
25 89 77 68

138
TABEL IX
HARGA-HARGA KRITIS MAN-WHITNEY U TEST
n1
n2
9 10 11 12 13 14 15 16 17 18 19 20
1
2 0 0 0 0 0 0 1 1
3 1 1 1 2 2 2 3 3 4 4 4 5
4 3 3 4 5 5 6 7 7 8 9 9 10
5 5 6 7 8 9 10 11 12 13 14 15 16
6 7 8 9 11 12 13 15 16 18 19 20 22
7 9 11 12 14 16 17 19 21 23 24 26 28
3 11 13 15 17 20 22 24 26 28 30 32 34
9 14 16 18 21 23 26 28 31 33 : 36 38 40
10 16 19 22 24 27 30 33 36 38 41 44 47
11 18 22 25 28 31 34 37 41 44 47 50 53
12 21 24 28 31 35 38 42 46 49 53 56 60
13 23 27 31 35 39 43 47 51 55 59 63 67
14 26 30 34 38 43 47 51 56 60 65 69 73
-;s 28 33 37 42 47 51 56 61 66 70 75 80
16 31 36 41 46 51 56 61 66 71 76 82 87
17 33 38 44 49 55 60 66 71 77 82 88 93
18 36 41 47 53 59 65 70 76 82 88 94 100
19 38 44 50 56 63 69 75 82 88 94 101 107
20 40 47 53 60 67 73 80 87 93 100 107 114

139
TABEL X
TABEL HARGA-HARGA KR1TIS

DALAM TEST KOLMOGOROV-SMIRNOV
One Tailed Test Two Tailed Test

N
α = 0,05 α = 0,01 α = 0,05 α = 0,01
3 3
4 4 4
5 4 5 5 5
6 5 6 5 6
7 5 6 6 6
8 5 6 6 7
9 6 7 6 7
10 6 7 7 8
11 6 8 7 8
12 6 8 7 8
13 7 8 7 9
14 7 8 8 9
15 7 9 8 9
16 7 9 8 10
17 8 9 8 10
18 8 10 9 10
19 8 10 9 10
20 8 10 9 11
21 8 10 9 11
22 9 11 9 11
23 9 11 10 11
24 9 11 10 12
25 9 11 10 12
26 9 11 10 12
27 9 12 10 12
28 10 12 11 13
29 10 12 11 13
30 10 12 11 13
35 11 13 12
40 11 14 13

140
TABEL XI
HARGA-HARGA z UNTUK TEST RUN WALD-WOLFOWITZ
Z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,4960 0,4920 0,4880 0,4840 0,4801 0,4761 0,4721 0,4681 0,4641
0,1 0,4602 0,4562 0,4522 0,4483 0,4443 0,4404 0,4364 0,4325 0,4286 0,4247
0,2 0,4207 0,4168 0,4129 0,4090 0,4052 0,4013 0,3974 0,3936 0,3897 0,3859
0,3 0,3821 0,3783 0,3745 0,3707 0,3669 0,3632 0,3594 0,3557 0,3520 0,3483
6,4 0,3446 0,3409 0,3372 0,3336 0,3300 0,3264 0,3228 0,3192 0,3156 0,3121
0,5 0,3086 0,3050 0,3015 0,2981 0,2946 0,2912 0,2877 0,2843 0,2810 0,2776
0,6 0,2743 0,2709 0,2676 0,2643 0,2611 0,2578 0,2546 0,2514 0,2483 0,2451
0,7 0,2420 0,2389 0,2358 0,2327 0,2297 0,2266 0,2236 0,2206 0,2177 0,2148
0,3 0,2119 0,2090 0,2061 0,2033 0,2005 0,1977 0,1949 0,1922 0,1894 0,1867
0,9 0,1841 0,1814 0,1788 0,1762 0,1736 0,1711 0,1685 0,1660 0,1635 0,1611
1,0 0,1587 0,1562 0,1535 0,1515 0,1492 0,1469 0,1446 0,1423 0,1401 0,1379
1,1 0,1357 0,1335 0,1314 0,1292 0,1271 0,1251 0,1230 0,1210 0,1190 0,1170
1,2 0,1151 0,1131 0,1112 0,1093 0,1075 0,1056 0,1038 0,1020 0,1003 0,0985
1,3 0,0968 0,0951 0,0934 0,0918 0,0901 0,0885 0,0809 0,0853 0,0838 0,0823
1,4 0,0808 0,0793 0,0778 0,0764 0,0749 0,0735 0,0721 0,0708 0,0694 0,0681
1,5 0,0668 0,0655 0,0643 0,0630 0,0618 0,0606 0,0594 0,0581 0,0571 0,0559
1,6 0,0548 0,0537 0,0526 0,0516 0,0505 0,0495 0,0485 0,0475 0,0465 0,0455
1,7 0,0445 0,0436 0,0427 0,0418 0,0409 0,0401 0,0392 0,0384 0,0375 0,0367
1,8 0,0359 0,0351 0,0344 0,0336 0,0329 0,0322 0,0314 0,0307 0,0301 0,0294
1,9 0,0287 0,0281 0,0274 0,0268 0,0262 0,0256 0,0250 0,0244 0,0239 0,0233
2,0 0,0228 0,0222 0,0217 0,0212 0,0207 0,0202 0,0197 0,0192 0,0188 0,0183
2,1 0,0179 0,0174 0,0170 0,0166 0,0162 0,0158 0,0154 0,0150 0,0146 0,0143
2,2 0,0139 0,0136 0,0132 0,0129 0,0125 0,0122 0,0119 0,0116 0,0113 0,0110
2,3 0,0107 0,0104 0,0102 0,0099 0,0096 0,0094 0,0091 0,0089 0,0087 0,0084
2,4 0,0082 0,0080 0,0078 0,0075 0,0073 0,0071 0,0069 0,0068 0,0066 0,0064
2,5 0,0062 0,0060 0,0059 0,0057 0,0055 0,0054 0,0052 0,0051 0,0049 0,0048
2,6 0,0047 0,0045 0,0044 0,0043 0,0041 0,0040 0,0039 0,0038 0,0037 0,0036
2,7 0,0035 0,0034 0,0033 0,0032 0,0031 0,0030 0,0029 0,0028 0,0027 0,0026
2,8 0,0026 0,0025 0,0024 0,0023 0,0023 0,0022 0,0021 0,0021 0,0020 0,0019
2,9 0,0019 0,0018 0,0018 0,0017 0,0016 0,0016 0,0015 0,0015 0,0014 0,0014
3,0 0,0013 0,0013 0,0013 0,0012 0,0012 0,0011 0,0011 0,0011 0,0010 0,0010
3,1 0,0010 0,0009 0,0009 0,0009 0,0008 0,0008 0,0008 0,0008 0,0007 0,0007
3,2 0,0007 0,0007 0,0006 0,0006 0,0006 0,0006 0,0006 0,0006 0,0005 0,0005
3,3 0,0005 0,0005 0,0005 0,0004 0,0004 0,0004 0,0004 0,0004 0,0003 0,0003
3,4 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0002
3,5 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002
3,6 0,0002 0,0002 0, 0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001
3,7 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001
3,8 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001
3,9 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000

141
TABEL XII
TABEL NILAI-NILAI RHO
Taraf Signif Taraf Signif

N N
5% 1% 5% 1%
5 1,000 16 0,506 0,665
6 0,886 1,000 18 0,475 0,626
7 0,786 0,929 20 0,450 0,591
3 0,738 0,881 22 0,428 0,562
9 0,683 0,833 24 0,409 0,537
10 0,648 0,794 23 0,392 0,515
12 0,591 0,777 28 0,377 0,496
14 0,544 0,715 30 0,364 0,478

142
TABEL XIII. HARGA-HARGA KRITIS Z DALAM OBSERVASI DISTRIBUSI

NORMAL
Z ,00 ,01 ,02 ,03 ,04 ,05 ,06 ,07 ,08 ,09
,0 ,5000 ,4960 ,4920 ,4880 ,4840 ,4801 ,4761 ,4721 ,4681 ,4641
,1 ,4602 ,4562 ,4522 ,4483 ,4443 ,4404 .4364 ,4325 ,4286 ,4247
,2 ,4207 ,4168 ,4129 ,4090 ,4052 ,4013 ,3974 ,3936 ,3897 ,3859
,3 ,3821 ,3783 ,3745 ,3707 ,3669 ,3632 ,3594 .3557 ,3520 ,3483
,4 ,3446 ,3409 ,3372 ,3336 ,3300 ,3264 ,3228 ' .3192 ,3156 ,3121
,5 ,3085 ,3050 ,3015 ,2981 ,2946 ,2912 ,2877 .2843 ,2810 ,2776
,6 ,2743 ,2709 ,2676 ,2643 ,2611 ,2578 ,2546 ,2514 ,2483 ,2451
,7 .2420 ,2389 ,2358 ,2327 ,2296 ,2266 ,2236 ,2206 ,2177 ,2148
,8 ,2119 ,2090 ,2061 ,2033 ,2005 ,1977 ,1949 ,1922 ,1894 ,1867
,9 ,1841 ,1814 ,1788 ,1762 ,1736 ,1711 ,1685 ,1660 ,1635 ,1611
1,0 ,1587 ,1562 ,1539 ,1515 ,1492 ,1469 ,1446 ,1423 ,1401 ,1379
1,1 ,1357 ,1335 ,1314 ,1292 ,1271 ,1251 ,1230 ,1210 ,1190 ,1170
1,2 ,1151 ,1131 ,1112 ,1093 ,1075 ,1056 ,1038 ,1020 ,1003 ,0985
1,3 ,0968 ,0951 ,0934 ,0918 ,0901 ,0885 ,0869 ,0853 ,0838 ,0823
1,4 ,0808 ,0793 ,0778 .0764 ,0749 ,1735 ,0721 ,0708 ,0694 ,0681
1,5 ,0668 ,0655 ,0643 ,0630 ,0618 ,0606 ,0594 ,0582 ,0571 ,0559
1,6 ,0548 ,0537 ,0526 ,0516 ,0505 ,0495 ,0485 .0475 ,0465 ,0455
1,7 ,0446 ,0436 ,0427 ,0418 ,0409 ,0410 ,0392 ,0384 ,0375 ,0367
1,8 ,0359 ,0351 ,0344 ,0336 ,0329 ,0322 ,0314 ,0307 ,0301 ,0294
1,9 ,0287 ,0281 ,0274 ,0268 ,0262 ,0256 ,0250 ,0244 ,0239 ,0233
2,0 ,0228 ,0222 ,0217 ,0212 ,0207 ,0202 ,0197 ,0192 ,0188 ,0183
2,1 ,0179 ,0174 ,0170 ,0166 ,0162 ,0158 ,0154 ,0150 ,0146 ,0143
2,2 ,0139 ,0136 ,0132 ,0129 ,0125 ,0122 ,0119 ,0116 ,0113 ,0110
2,3 ,0107 ,0104 ,0102 ,0099 ,0096 ,0094 ,0091 ,0089 ,0087 ,0084
2,4 ,0082 ,0080 ,0078 ,0075 ,0073 ,0071 ,0069 ,0068 ,0066 ,0064
2,5 ,0062 ,0060 ,0059 ,0057 ,0055 ,0054 ,0052 ,0051 ,0049 .0048
2,8 ,0047 ,0045 ,0044 ,0043 ,0041 ,0040 ,0039 ,0038 ,0037 ,0036
2,7 ,0035 ,0034 ,0033 ,0032 ,0031 ,0030 ,0029 ,0028 ,0027 ,0026
2,8 ,0026 ,0025 ,0024 ,0023 ,0023 ,0022 ,0021 ,0021 ,0020 .0019
2,9 ,0019 ,0018 ,0018 ,0017 ,0016 ,0016 ,0015 ,0015 ,0014 ,0014
3,0 ,0013 ,0013 ,0013 ,0012 ,0012 ,0011 ,0011 ,0011 ,0010 ,0010
3,1 ,0010 ,0009 ,0009 ,0009 ,0008 ,0008 ,0008 ,0008 ,0007 ,0007
3,2 ,0007
3,3 ,0005
3,4 ,0003
3,5 ,00023
3,6 ,00016
3,7 ,00011
3,8 ,00007

143
TABEL XIV
NILAI-NILAI UNTUK DISTRIBUSI F
v2 = v1 = dk pembilang
dk
1 2 3 4 5 6 7 8 9 10 11 12 14 16 20
penyebut
1 0.100 39.86 49.50 53.59 55.83 57.24 58.20 58.91 59.44 59.86 60.19 60.47 60.71 61.07 61.35 61.74
0.050 161.4 199.5 215.7 224.6 230.2 234.0 236.8 238.9 240.5 241.9 243.0 243.9 245.4 246.5 248.0
0.025 647.8 799.5 864.2 899.6 921.8 937.1 948.2 956.7 963.3 968.6 973.0 976.7 982.5 986.9 993.1
0.010 4052 4999 5403 5625 5764 5859 5928 5981 6022 6056 6083 6106 6143 6170 6209
0.005 16211 19999 21615 22500 23056 23437 23715 23925 24091 24224 24334 24426 24572 24681 24836
2 0.100 8.53 9.00 9.16 9.24 9.29 9.33 9.35 9.37 9.38 9.39 9.40 9.41 9.42 9.43 9.44
0.050 18.51 19.00 19.16 19.25 19.30 19.33 19.35 19.37 19.38 19.40 19.40 19.41 19.42 19.43 19.45
0.025 38.51 39.00 39.17 39.25 39.30 39.33 39.36 39.37 39.39 39.40 39.41 39.41 39.43 39.44 39.45
0.010 98.50 99.00 99.17 99.25 99.30 99.33 99.36 99.37 99.39 99.40 99.41 99.42 99.43 99.44 99.45
0.005 198.50 199.00 199.17 199.25 199.30 199.33 199.36 199.37 199.39 199.40 199.41 199.42 199.43 199.44 199.45
3 0.100 5.54 5.46 5.39 5.34 5.31 5.28 5.27 5.25 5.24 5.23 5.22 5.22 5.20 5.20 5.18
0.050 10.13 9.55 9.28 9.12 9.01 8.94 8.89 8.85 8.81 8.79 8.76 8.74 8.71 8.69 8.66
0.025 17.44 16.04 15.44 15.10 14.88 14.73 14.62 14.54 14.47 14.42 14.37 14.34 14.28 14.23 14.17
0.010 34.12 30.82 29.46 28.71 28.24 27.91 27.67 27.49 27.35 27.23 27.13 27.05 26.92 26.83 26.69
0.005 55.55 49.80 47.47 46.19 45.39 44.84 44.43 44.13 43.88 43.69 43.52 43.39 43.17 43.01 42.78
4 0.100 4.54 4.32 4.19 4.11 4.05 4.01 3.98 3.95 3.94 3.92 3.91 3.90 3.88 3.86 3.84
0.050 7.71 6.94 6.59 6.39 6.26 6.16 6.09 6.04 6.00 5.96 5.94 5.91 5.87 5.84 5.80
0.025 12.22 10.65 9.98 9.60 9.36 9.20 9.07 8.98 8.90 8.84 8.79 8.75 8.68 8.63 8.56
0.010 21.20 18.00 16.69 15.98 15.52 15.21 14.98 14.80 14.66 14.55 14.45 14.37 14.25 14.15 14.02
0.005 31.33 26.28 24.26 23.15 22.46 21.97 21.62 21.35 21.14 20.97 20.82 20.70 20.51 20.37 20.17
5 0.100 4.06 3.78 3.62 3.52 3.45 3.40 3.37 3.34 3.32 3.30 3.28 3.27 3.25 3.23 3.21
0.050 6.61 5.79 5.41 5.19 5.05 4.95 4.88 4.82 4.77 4.74 4.70 4.68 4.64 4.60 4.56
0.025 10.01 8.43 7.76 7.39 7.15 6.98 6.85 6.76 6.68 6.62 6.57 6.52 6.46 6.40 6.33
0.010 16.26 13.27 12.06 11.39 10.97 10.67 10.46 10.29 10.16 10.05 9.96 9.89 9.77 9.68 9.55
0.005 22.78 18.31 16.53 15.56 14.94 14.51 14.20 13.96 13.77 13.62 13.49 13.38 13.21 13.09 12.90
6 0.100 3.78 3.46 3.29 3.18 3.11 3.05 3.01 2.98 2.96 2.94 2.92 2.90 2.88 2.86 2.84
0.050 5.99 5.14 4.76 4.53 4.39 4.28 4.21 4.15 4.10 4.06 4.03 4.00 3.96 3.92 3.87
0.025 8.81 7.26 6.60 6.23 5.99 5.82 5.70 5.60 5.52 5.46 5.41 5.37 5.30 5.24 5.17
0.010 13.75 10.92 9.78 9.15 8.75 8.47 8.26 8.10 7.98 7.87 7.79 7.72 7.60 7.52 7.40
0.005 18.63 14.54 12.92 12.03 11.46 11.07 10.79 10.57 10.39 10.25 10.13 10.03 9.88 9.76 9.59
7 0.100 3.59 3.26 3.07 2.96 2.88 2.83 2.78 2.75 2.72 2.70 2.68 2.67 2.64 2.62 2.59
0.050 5.59 4.74 4.35 4.12 3.97 3.87 3.79 3.73 3.68 3.64 3.60 3.57 3.53 3.49 3.44
0.025 8.07 6.54 5.89 5.52 5.29 5.12 4.99 4.90 4.82 4.76 4.71 4.67 4.60 4.54 4.47
0.010 12.25 9.55 8.45 7.85 7.46 7.19 6.99 6.84 6.72 6.62 6.54 6.47 6.36 6.28 6.16
0.005 16.24 12.40 10.88 10.05 9.52 9.16 8.89 8.68 8.51 8.38 8.27 8.18 8.03 7.91 7.75
8 0.100 3.46 3.11 2.92 2.81 2.73 2.67 2.62 2.59 2.56 2.54 2.52 2.50 2.48 2.45 2.42
0.050 5.32 4.46 4.07 3.84 3.69 3.58 3.50 3.44 3.39 3.35 3.31 3.28 3.24 3.20 3.15
0.025 7.57 6.06 5.42 5.05 4.82 4.65 4.53 4.43 4.36 4.30 4.24 4.20 4.13 4.08 4.00
0.010 11.26 8.65 7.59 7.01 6.63 6.37 6.18 6.03 5.91 5.81 5.73 5.67 5.56 5.48 5.36
0.005 14.69 11.04 9.60 8.81 8.30 7.95 7.69 7.50 7.34 7.21 7.10 7.01 6.87 6.76 6.61

144
Distribusi F
dk
1 2 3 4 5 6 7 8 9 10 11 12 14 16 20
penyebut
9 0.100 3.36 3.01 2.81 2.69 2.61 2.55 2.51 2.47 2.44 2.42 2.40 2.38 2.35 2.33 2.30
0.050 5.12 4.26 3.86 3.63 3.48 3.37 3.29 3.23 3.18 3.14 3.10 3.07 3.03 2.99 2.94
0.025 7.21 5.71 5.08 4.72 4.48 4.32 4.20 4.10 4.03 3.96 3.91 3.87 3.80 3.74 3.67
0.010 10.56 8.02 6.99 6.42 6.06 5.80 5.61 5.47 5.35 5.26 5.18 5.11 5.01 4.92 4.81
0.005 13.61 10.11 8.72 7.96 7.47 7.13 6.88 6.69 6.54 6.42 6.31 6.23 6.09 5.98 5.83
10 0.100 3.29 2.92 2.73 2.61 2.52 2.46 2.41 2.38 2.35 2.32 2.30 2.28 2.26 2.23 2.20
0.050 4.96 4.10 3.71 3.48 3.33 3.22 3.14 3.07 3.02 2.98 2.94 2.91 2.86 2.83 2.77
0.025 6.94 5.46 4.83 4.47 4.24 4.07 3.95 3.85 3.78 3.72 3.66 3.62 3.55 3.50 3.42
0.010 10.04 7.56 6.55 5.99 5.64 5.39 5.20 5.06 4.94 4.85 4.77 4.71 4.60 4.52 4.41
0.005 12.83 9.43 8.08 7.34 6.87 6.54 6.30 6.12 5.97 5.85 5.75 5.66 5.53 5.42 5.27
11 0.100 3.23 2.86 2.66 2.54 2.45 2.39 2.34 2.30 2.27 2.25 2.23 2.21 2.18 2.16 2.12
0.050 4.84 3.98 3.59 3.36 3.20 3.09 3.01 2.95 2.90 2.85 2.82 2.79 2.74 2.70 2.65
0.025 6.72 5.26 4.63 4.28 4.04 3.88 3.76 3.66 3.59 3.53 3.47 3.43 3.36 3.30 3.23
0.010 9.65 7.21 6.22 5.67 5.32 5.07 4.89 4.74 4.63 4.54 4.46 4.40 4.29 4.21 4.10
0.005 12.23 8.91 7.60 6.88 6.42 6.10 5.86 5.68 5.54 5.42 5.32 5.24 5.10 5.00 4.86
12 0.100 3.18 2.81 2.61 2.48 2.39 2.33 2.28 2.24 2.21 2.19 2.17 2.15 2.12 2.09 2.06
0.050 4.75 3.89 3.49 3.26 3.11 3.00 2.91 2.85 2.80 2.75 2.72 2.69 2.64 2.60 2.54
0.025 6.55 5.10 4.47 4.12 3.89 3.73 3.61 3.51 3.44 3.37 3.32 3.28 3.21 3.15 3.07
0.010 9.33 6.93 5.95 5.41 5.06 4.82 4.64 4.50 4.39 4.30 4.22 4.16 4.05 3.97 3.86
0.005 11.75 8.51 7.23 6.52 6.07 5.76 5.52 5.35 5.20 5.09 4.99 4.91 4.77 4.67 4.53
13 0.100 3.14 2.76 2.56 2.43 2.35 2.28 2.23 2.20 2.16 2.14 2.12 2.10 2.07 2.04 2.01
0.050 4.67 3.81 3.41 3.18 3.03 2.92 2.83 2.77 2.71 2.67 2.63 2.60 2.55 2.51 2.46
0.025 6.41 4.97 4.35 4.00 3.77 3.60 3.48 3.39 3.31 3.25 3.20 3.15 3.08 3.03 2.95
0.010 9.07 6.70 5.74 5.21 4.86 4.62 4.44 4.30 4.19 4.10 4.02 3.96 3.86 3.78 3.66
0.005 11.37 8.19 6.93 6.23 5.79 5.48 5.25 5.08 4.94 4.82 4.72 4.64 4.51 4.41 4.27
14 0.100 3.10 2.73 2.52 2.39 2.31 2.24 2.19 2.15 2.12 2.10 2.07 2.05 2.02 2.00 1.96
0.050 4.60 3.74 3.34 3.11 2.96 2.85 2.76 2.70 2.65 2.60 2.57 2.53 2.48 2.44 2.39
0.025 6.30 4.86 4.24 3.89 3.66 3.50 3.38 3.29 3.21 3.15 3.09 3.05 2.98 2.92 2.84
0.010 8.86 6.51 5.56 5.04 4.69 4.46 4.28 4.14 4.03 3.94 3.86 3.80 3.70 3.62 3.51
0.005 11.06 7.92 6.68 6.00 5.56 5.26 5.03 4.86 4.72 4.60 4.51 4.43 4.30 4.20 4.06
15 0.100 3.07 2.70 2.49 2.36 2.27 2.21 2.16 2.12 2.09 2.06 2.04 2.02 1.99 1.96 1.92
0.050 4.54 3.68 3.29 3.06 2.90 2.79 2.71 2.64 2.59 2.54 2.51 2.48 2.42 2.38 2.33
0.025 6.20 4.77 4.15 3.80 3.58 3.41 3.29 3.20 3.12 3.06 3.01 2.96 2.89 2.84 2.76
0.010 8.68 6.36 5.42 4.89 4.56 4.32 4.14 4.00 3.89 3.80 3.73 3.67 3.56 3.49 3.37
0.005 10.80 7.70 6.48 5.80 5.37 5.07 4.85 4.67 4.54 4.42 4.33 4.25 4.12 4.02 3.88
16 0.100 3.05 2.67 2.46 2.33 2.24 2.18 2.13 2.09 2.06 2.03 2.01 1.99 1.95 1.93 1.89
0.050 4.49 3.63 3.24 3.01 2.85 2.74 2.66 2.59 2.54 2.49 2.46 2.42 2.37 2.33 2.28
0.025 6.12 4.69 4.08 3.73 3.50 3.34 3.22 3.12 3.05 2.99 2.93 2.89 2.82 2.76 2.68
0.010 8.53 6.23 5.29 4.77 4.44 4.20 4.03 3.89 3.78 3.69 3.62 3.55 3.45 3.37 3.26
0.005 10.58 7.51 6.30 5.64 5.21 4.91 4.69 4.52 4.38 4.27 4.18 4.10 3.97 3.87 3.73
17 0.100 3.03 2.64 2.44 2.31 2.22 2.15 2.10 2.06 2.03 2.00 1.98 1.96 1.93 1.90 1.86
0.050 4.45 3.59 3.20 2.96 2.81 2.70 2.61 2.55 2.49 2.45 2.41 2.38 2.33 2.29 2.23
0.025 6.04 4.62 4.01 3.66 3.44 3.28 3.16 3.06 2.98 2.92 2.87 2.82 2.75 2.70 2.62
0.010 8.40 6.11 5.18 4.67 4.34 4.10 3.93 3.79 3.68 3.59 3.52 3.46 3.35 3.27 3.16
0.005 10.38 7.35 6.16 5.50 5.07 4.78 4.56 4.39 4.25 4.14 4.05 3.97 3.84 3.75 3.61

145
Distribusi F
dk
1 2 3 4 5 6 7 8 9 10 11 12 14 16 20
penyebut
18 0.100 3.01 2.62 2.42 2.29 2.20 2.13 2.08 2.04 2.00 1.98 1.95 1.93 1.90 1.87 1.84
0.050 4.41 3.55 3.16 2.93 2.77 2.66 2.58 2.51 2.46 2.41 2.37 2.34 2.29 2.25 2.19
0.025 5.98 4.56 3.95 3.61 3.38 3.22 3.10 3.01 2.93 2.87 2.81 2.77 2.70 2.64 2.56
0.010 8.29 6.01 5.09 4.58 4.25 4.01 3.84 3.71 3.60 3.51 3.43 3.37 3.27 3.19 3.08
0.005 10.22 7.21 6.03 5.37 4.96 4.66 4.44 4.28 4.14 4.03 3.94 3.86 3.73 3.64 3.50
19 0.100 2.99 2.61 2.40 2.27 2.18 2.11 2.06 2.02 1.98 1.96 1.93 1.91 1.88 1.85 1.81
0.050 4.38 3.52 3.13 2.90 2.74 2.63 2.54 2.48 2.42 2.38 2.34 2.31 2.26 2.21 2.16
0.025 5.92 4.51 3.90 3.56 3.33 3.17 3.05 2.96 2.88 2.82 2.76 2.72 2.65 2.59 2.51
0.010 8.18 5.93 5.01 4.50 4.17 3.94 3.77 3.63 3.52 3.43 3.36 3.30 3.19 3.12 3.00
0.005 10.07 7.09 5.92 5.27 4.85 4.56 4.34 4.18 4.04 3.93 3.84 3.76 3.64 3.54 3.40
20 0.100 2.97 2.59 2.38 2.25 2.16 2.09 2.04 2.00 1.96 1.94 1.91 1.89 1.86 1.83 1.79
0.050 4.35 3.49 3.10 2.87 2.71 2.60 2.51 2.45 2.39 2.35 2.31 2.28 2.22 2.18 2.12
0.025 5.87 4.46 3.86 3.51 3.29 3.13 3.01 2.91 2.84 2.77 2.72 2.68 2.60 2.55 2.46
0.010 8.10 5.85 4.94 4.43 4.10 3.87 3.70 3.56 3.46 3.37 3.29 3.23 3.13 3.05 2.94
0.005 9.94 6.99 5.82 5.17 4.76 4.47 4.26 4.09 3.96 3.85 3.76 3.68 3.55 3.46 3.32
21 0.100 2.96 2.57 2.36 2.23 2.14 2.08 2.02 1.98 1.95 1.92 1.90 1.87 1.84 1.81 1.78
0.050 4.32 3.47 3.07 2.84 2.68 2.57 2.49 2.42 2.37 2.32 2.28 2.25 2.20 2.16 2.10
0.025 5.83 4.42 3.82 3.48 3.25 3.09 2.97 2.87 2.80 2.73 2.68 2.64 2.56 2.51 2.42
0.010 8.02 5.78 4.87 4.37 4.04 3.81 3.64 3.51 3.40 3.31 3.24 3.17 3.07 2.99 2.88
0.005 9.83 6.89 5.73 5.09 4.68 4.39 4.18 4.01 3.88 3.77 3.68 3.60 3.48 3.38 3.24
22 0.100 2.95 2.56 2.35 2.22 2.13 2.06 2.01 1.97 1.93 1.90 1.88 1.86 1.83 1.80 1.76
0.050 4.30 3.44 3.05 2.82 2.66 2.55 2.46 2.40 2.34 2.30 2.26 2.23 2.17 2.13 2.07
0.025 5.79 4.38 3.78 3.44 3.22 3.05 2.93 2.84 2.76 2.70 2.65 2.60 2.53 2.47 2.39
0.010 7.95 5.72 4.82 4.31 3.99 3.76 3.59 3.45 3.35 3.26 3.18 3.12 3.02 2.94 2.83
0.005 9.73 6.81 5.65 5.02 4.61 4.32 4.11 3.94 3.81 3.70 3.61 3.54 3.41 3.31 3.18
23 0.100 2.94 2.55 2.34 2.21 2.11 2.05 1.99 1.95 1.92 1.89 1.87 1.84 1.81 1.78 1.74
0.050 4.28 3.42 3.03 2.80 2.64 2.53 2.44 2.37 2.32 2.27 2.24 2.20 2.15 2.11 2.05
0.025 5.75 4.35 3.75 3.41 3.18 3.02 2.90 2.81 2.73 2.67 2.62 2.57 2.50 2.44 2.36
0.010 7.88 5.66 4.76 4.26 3.94 3.71 3.54 3.41 3.30 3.21 3.14 3.07 2.97 2.89 2.78
0.005 9.63 6.73 5.58 4.95 4.54 4.26 4.05 3.88 3.75 3.64 3.55 3.47 3.35 3.25 3.12
24 0.100 2.93 2.54 2.33 2.19 2.10 2.04 1.98 1.94 1.91 1.88 1.85 1.83 1.80 1.77 1.73
0.050 4.26 3.40 3.01 2.78 2.62 2.51 2.42 2.36 2.30 2.25 2.22 2.18 2.13 2.09 2.03
0.025 5.72 4.32 3.72 3.38 3.15 2.99 2.87 2.78 2.70 2.64 2.59 2.54 2.47 2.41 2.33
0.010 7.82 5.61 4.72 4.22 3.90 3.67 3.50 3.36 3.26 3.17 3.09 3.03 2.93 2.85 2.74
0.005 9.55 6.66 5.52 4.89 4.49 4.20 3.99 3.83 3.69 3.59 3.50 3.42 3.30 3.20 3.06
25 0.100 2.92 2.53 2.32 2.18 2.09 2.02 1.97 1.93 1.89 1.87 1.84 1.82 1.79 1.76 1.72
0.050 4.24 3.39 2.99 2.76 2.60 2.49 2.40 2.34 2.28 2.24 2.20 2.16 2.11 2.07 2.01
0.025 5.69 4.29 3.69 3.35 3.13 2.97 2.85 2.75 2.68 2.61 2.56 2.51 2.44 2.38 2.30
0.010 7.77 5.57 4.68 4.18 3.85 3.63 3.46 3.32 3.22 3.13 3.06 2.99 2.89 2.81 2.70
0.005 9.48 6.60 5.46 4.84 4.43 4.15 3.94 3.78 3.64 3.54 3.45 3.37 3.25 3.15 3.01
26 0.100 2.91 2.52 2.31 2.17 2.08 2.01 1.96 1.92 1.88 1.86 1.83 1.81 1.77 1.75 1.71
0.050 4.23 3.37 2.98 2.74 2.59 2.47 2.39 2.32 2.27 2.22 2.18 2.15 2.09 2.05 1.99
0.025 5.66 4.27 3.67 3.33 3.10 2.94 2.82 2.73 2.65 2.59 2.54 2.49 2.42 2.36 2.28
0.010 7.72 5.53 4.64 4.14 3.82 3.59 3.42 3.29 3.18 3.09 3.02 2.96 2.86 2.78 2.66
0.005 9.41 6.54 5.41 4.79 4.38 4.10 3.89 3.73 3.60 3.49 3.40 3.33 3.20 3.11 2.97
27 0.100 2.90 2.51 2.30 2.17 2.07 2.00 1.95 1.91 1.87 1.85 1.82 1.80 1.76 1.74 1.70
0.050 4.21 3.35 2.96 2.73 2.57 2.46 2.37 2.31 2.25 2.20 2.17 2.13 2.08 2.04 1.97
0.025 5.63 4.24 3.65 3.31 3.08 2.92 2.80 2.71 2.63 2.57 2.51 2.47 2.39 2.34 2.25

146
Distribusi F
dk
penyebut 1 2 3 4 5 6 7 8 9 10 11 12 14 16 20
0.010 7.68 5.49 4.60 4.11 3.78 3.56 3.39 3.26 3.15 3.06 2.99 2.93 2.82 2.75 2.63
0.005 9.34 6.49 5.36 4.74 4.34 4.06 3.85 3.69 3.56 3.45 3.36 3.28 3.16 3.07 2.93
28 0.100 2.89 2.50 2.29 2.16 2.06 2.00 1.94 1.90 1.87 1.84 1.81 1.79 1.75 1.73 1.69
0.050 4.20 3.34 2.95 2.71 2.56 2.45 2.36 2.29 2.24 2.19 2.15 2.12 2.06 2.02 1.96
0.025 5.61 4.22 3.63 3.29 3.06 2.90 2.78 2.69 2.61 2.55 2.49 2.45 2.37 2.32 2.23
0.010 7.64 5.45 4.57 4.07 3.75 3.53 3.36 3.23 3.12 3.03 2.96 2.90 2.79 2.72 2.60
0.005 9.28 6.44 5.32 4.70 4.30 4.02 3.81 3.65 3.52 3.41 3.32 3.25 3.12 3.03 2.89
29 0.100 2.89 2.50 2.28 2.15 2.06 1.99 1.93 1.89 1.86 1.83 1.80 1.78 1.75 1.72 1.68
0.050 4.18 3.33 2.93 2.70 2.55 2.43 2.35 2.28 2.22 2.18 2.14 2.10 2.05 2.01 1.94
0.025 5.59 4.20 3.61 3.27 3.04 2.88 2.76 2.67 2.59 2.53 2.48 2.43 2.36 2.30 2.21
0.010 7.60 5.42 4.54 4.04 3.73 3.50 3.33 3.20 3.09 3.00 2.93 2.87 2.77 2.69 2.57
0.005 9.23 6.40 5.28 4.66 4.26 3.98 3.77 3.61 3.48 3.38 3.29 3.21 3.09 2.99 2.86
30 0.100 2.88 2.49 2.28 2.14 2.05 1.98 1.93 1.88 1.85 1.82 1.79 1.77 1.74 1.71 1.67
0.050 4.17 3.32 2.92 2.69 2.53 2.42 2.33 2.27 2.21 2.16 2.13 2.09 2.04 1.99 1.93
0.025 5.57 4.18 3.59 3.25 3.03 2.87 2.75 2.65 2.57 2.51 2.46 2.41 2.34 2.28 2.20
0.010 7.56 5.39 4.51 4.02 3.70 3.47 3.30 3.17 3.07 2.98 2.91 2.84 2.74 2.66 2.55
0.005 9.18 6.35 5.24 4.62 4.23 3.95 3.74 3.58 3.45 3.34 3.25 3.18 3.06 2.96 2.82
40 0.100 2.84 2.44 2.23 2.09 2.00 1.93 1.87 1.83 1.79 1.76 1.74 1.71 1.68 1.65 1.61
0.050 4.08 3.23 2.84 2.61 2.45 2.34 2.25 2.18 2.12 2.08 2.04 2.00 1.95 1.90 1.84
0.025 5.42 4.05 3.46 3.13 2.90 2.74 2.62 2.53 2.45 2.39 2.33 2.29 2.21 2.15 2.07
0.010 7.31 5.18 4.31 3.83 3.51 3.29 3.12 2.99 2.89 2.80 2.73 2.66 2.56 2.48 2.37
0.005 8.83 6.07 4.98 4.37 3.99 3.71 3.51 3.35 3.22 3.12 3.03 2.95 2.83 2.74 2.60
60 0.100 2.79 2.39 2.18 2.04 1.95 1.87 1.82 1.77 1.74 1.71 1.68 1.66 1.62 1.59 1.54
0.050 4.00 3.15 2.76 2.53 2.37 2.25 2.17 2.10 2.04 1.99 1.95 1.92 1.86 1.82 1.75
0.025 5.29 3.93 3.34 3.01 2.79 2.63 2.51 2.41 2.33 2.27 2.22 2.17 2.09 2.03 1.94
0.010 7.08 4.98 4.13 3.65 3.34 3.12 2.95 2.82 2.72 2.63 2.56 2.50 2.39 2.31 2.20
0.005 8.49 5.79 4.73 4.14 3.76 3.49 3.29 3.13 3.01 2.90 2.82 2.74 2.62 2.53 2.39
120 0.100 2.75 2.35 2.13 1.99 1.90 1.82 1.77 1.72 1.68 1.65 1.63 1.60 1.56 1.53 1.48
0.050 3.92 3.07 2.68 2.45 2.29 2.18 2.09 2.02 1.96 1.91 1.87 1.83 1.78 1.73 1.66
0.025 5.15 3.80 3.23 2.89 2.67 2.52 2.39 2.30 2.22 2.16 2.10 2.05 1.98 1.92 1.82
0.010 6.85 4.79 3.95 3.48 3.17 2.96 2.79 2.66 2.56 2.47 2.40 2.34 2.23 2.15 2.03
0.005 8.18 5.54 4.50 3.92 3.55 3.28 3.09 2.93 2.81 2.71 2.62 2.54 2.42 2.33 2.19
240 0.100 2.73 2.32 2.11 1.97 1.87 1.80 1.74 1.70 1.66 1.63 1.60 1.57 1.53 1.50 1.45
0.050 3.88 3.03 2.64 2.41 2.25 2.14 2.05 1.98 1.92 1.87 1.83 1.79 1.73 1.69 1.61
0.025 5.09 3.75 3.17 2.84 2.62 2.46 2.34 2.25 2.17 2.10 2.05 2.00 1.92 1.86 1.77
0.010 6.74 4.69 3.86 3.40 3.09 2.88 2.71 2.59 2.48 2.40 2.32 2.26 2.16 2.08 1.96
0.005 8.03 5.42 4.39 3.82 3.45 3.19 2.99 2.84 2.71 2.61 2.52 2.45 2.33 2.23 2.09
500 0.100 2.72 2.31 2.09 1.96 1.86 1.79 1.73 1.68 1.64 1.61 1.58 1.56 1.52 1.49 1.44
0.050 3.86 3.01 2.62 2.39 2.23 2.12 2.03 1.96 1.90 1.85 1.81 1.77 1.71 1.66 1.59
0.025 5.05 3.72 3.14 2.81 2.59 2.43 2.31 2.22 2.14 2.07 2.02 1.97 1.89 1.83 1.74
0.010 6.69 4.65 3.82 3.36 3.05 2.84 2.68 2.55 2.44 2.36 2.28 2.22 2.12 2.04 1.92
0.005 7.95 5.35 4.33 3.76 3.40 3.14 2.94 2.79 2.66 2.56 2.48 2.40 2.28 2.19 2.04
∞ 0.100 2.71 2.30 2.08 1.94 1.85 1.77 1.72 1.67 1.63 1.60 1.57 1.55 1.50 1.47 1.42
0.050 3.84 3.00 2.60 2.37 2.21 2.10 2.01 1.94 1.88 1.83 1.79 1.75 1.69 1.64 1.57
0.025 5.02 3.69 3.12 2.79 2.57 2.41 2.29 2.19 2.11 2.05 1.99 1.94 1.87 1.80 1.71
0.010 6.64 4.61 3.78 3.32 3.02 2.80 2.64 2.51 2.41 2.32 2.25 2.18 2.08 2.00 1.88
0.005 7.88 5.30 4.28 3.72 3.35 3.09 2.90 2.74 2.62 2.52 2.43 2.36 2.24 2.14 2.00

147
TABEL XV
DISTRIBUSI TABEL Q (untuk Test Tukey)
α = 0.05
k df 2 3 4 5 6 7 8 9 10
1 18.0 27.0 32.8 37.1 40.4 43.1 45.4 47.4 49.1
2 6.08 8.33 9.80 10.88 11.73 12.43 13.03 13.54 13.99
3 4.50 5.91 6.82 7.50 8.04 8.48 8.85 9.18 9.46
4 3.93 5.04 5.76 6.29 6.71 7.05 7.35 7.60 7.83
5 3.64 4.60 5.22 5.67 6.03 6.33 6.58 6.80 6.99
6 3.46 4.34 4.90 5.30 5.63 5.90 6.12 6.32 6.49
7 3.34 4.16 4.68 5.06 5.36 5.61 5.82 6.00 6.16
8 3.26 4.04 4.53 4.89 5.17 5.40 5.60 5.77 5.92
9 3.20 3.95 4.41 4.76 5.02 5.24 5.43 5.59 5.74
10 3.15 3.88 4.33 4.65 4.91 5.12 5.30 5.46 5.60
11 3.11 3.82 4.26 4.57 4.82 5.03 5.20 5.35 5.49
12 3.08 3.77 4.20 4.51 4.75 4.95 5.12 5.27 5.39
13 3.06 3.73 4.15 4.45 4.69 4.88 5.05 5.19 5.32
14 3.03 3.70 4.11 4.41 4.64 4.83 4.99 5.13 5.25
15 3.01 3.67 4.08 4.37 4.59 4.78 4.94 5.08 5.20
16 3.00 3.65 4.05 4.33 4.56 4.74 4.90 5.03 5.15
17 2.98 3.63 4.02 4.30 4.52 4.70 4.86 4.99 5.11
18 2.97 3.61 4.00 4.28 4.49 4.67 4.82 4.96 5.07
19 2.96 3.59 3.98 4.25 4.47 4.65 4.79 4.92 5.04
20 2.95 3.58 3.96 4.23 4.45 4.62 4.77 4.90 5.01
24 2.92 3.53 3.90 4.17 4.37 4.54 4.68 4.81 4.92
30 2.89 3.49 3.85 4.10 4.30 4.46 4.60 4.72 4.82
40 2.86 3.44 3.79 4.04 4.23 4.39 4.52 4.63 4.73
60 2.83 3.40 3.74 3.98 4.16 4.31 4.44 4.55 4.65
120 2.80 3.36 3.68 3.92 4.10 4.24 4.36 4.47 4.56
oo 2.77 3.31 3.63 3.86 4.03 4.17 4.29 4.39 4.47

148
TABEL XV (Lanjutan )
DISTRIBUSI TABEL Q (untuk Test Tukey)
α = 0.01
k
2 3 4 5 6 7 8 9 10
df
1 90.0 135 164 186 202 216 227 237 246
2 13.90 19.02 22.56 25.37 27.76 29.86 31.73 33.41 34.93
3 8.26 10.62 12.17 13.32 14.24 15.00 15.65 16.21 16.71
4 6.51 8.12 9.17 9.96 10.58 11.10 11.54 11.92 12.26
5 5.70 6.98 7.80 8.42 8.91 9.32 9.67 9.97 10.24
6 5.24 6.33 7.03 7.56 7.97 8.32 8.61 8.87 9.10
7 4.95 5.92 6.54 7.00 7.37 7.68 7.94 8.17 8.37
8 4.75 5.64 6.20 6.62 6.96 7.24 7.47 7.68 7.86
9 4.60 5.43 5.96 6.35 6.66 6.91 7.13 7.33 7.49
10 4.48 5.27 5.77 6.14 6.43 6.67 6.87 7.05 7.21
11 4.39 5.15 5.62 5.97 6.25 6.48 6.67 6.84 6.99
12 4.32 5.05 5.50 5.84 6.10 6.32 6.51 6.67 6.81
13 4.26 4.96 5.40 5.73 5.98 6.19 6.37 6.53 6.67
14 4.21 4.89 5.32 5.63 5.88 6.08 6.26 6.41 6.54
15 4.17 4.84 5.25 5.56 5.80 5.99 6.16 6.31 6.44
16 4.13 4.79 5.19 5.49 5.72 5.92 6.08 6.22 6.35
17 4.10 4.74 5.14 5.43 5.66 5.85 6.01 6.15 6.27
18 4.07 4.70 5.09 5.38 5.60 5.79 5.94 6.08 6.20
19 4.05 4.67 5.05 5.33 5.55 5.73 5.89 6.02 6.14
20 4.02 4.64 5.02 5.29 5.51 5.69 5.84 5.97 6.09
24 3.96 4.55 4.91 5.17 5.37 5.54 5.69 5.81 5.92
30 3.89 4.45 4.80 5.05 5.24 5.40 5.54 5.65 5.76
40 3.82 4.37 4.70 4.93 5.11 5.26 5.39 5.50 5.60
60 3.76 4.28 4.59 4.82 4.99 5.13 5.25 5.36 5.45
120 3.70 4.20 4.50 4.71 4.87 5.01 5.12 5.21 5.30
oo 3.64 4.12 4.40 4.60 4.76 4.88 4.99 5.08 5.16

149
TABEL XVI
TABEL LILIEFORS (L)
α=
N α = .15 α = .10 α = .05 α = .01
.20
4 .3027 .3216 .3456 .3754 .4129
5 .2893 .3027 .3188 .3427 .3959
6 .2694 .2816 .2982 .3245 .3728
7 .2521 .2641 .2802 .3041 .3504
8 .2387 .2502 .2649 .2875 .3331
9 .2273 .2382 .2522 .2744 .3162
10 .2171 .2273 .2410 .2616 .3037
11 .2080 .2179 .2306 .2506 .2905
12 .2004 .2101 .2228 .2426 .2812
13 .1932 .2025 .2147 .2337 .2714
14 .1869 .1959 .2077 .2257 .2627
15 .1811 .1899 .2016 .2196 .2545
16 .1758 .1843 .1956 .2128 .2477
17 .1711 .1794 .1902 .2071 .2408
18 .1666 .1747 .1852 .2018 .2345
19 .1624 .1700 .1803 .1965 .2285
20 .1589 .1666 .1764 .1920 .2226
21 .1553 .1629 .1726 .1881 .2190
22 .1517 .1592 .1690 .1840 .2141
23 .1484 .1555 .1650 .1798 .2090
24 .1458 .1527 .1619 .1766 .2053
25 .1429 .1498 .1589 .1726 .2010
26 .1406 .1472 .1562 .1699 .1985
27 .1381 .1448 .1533 .1665 .1941
28 .1358 .1423 .1509 .1641 .1911

150
TABEL XVI (Lanjutan)

TABEL LILIEFORS (L)
α=
N α = .15 α = .10 α = .05 α = .01
.20
29 .1334 .1398 .1483 .1614 .1886
30 .1315 .1378 .1460 .1590 .1848
31 .1291 .1353 .1432 .1559 .1820
32 .1274 .1336 .1415 .1542 .1798
33 .1254 .1314 .1392 .1518 .1770
34 .1236 .1295 .1373 .1497 .1747
35 .1220 .1278 .1356 .1478 .1720
36 .1203 .1260 .1336 .1454 .1695
37 .1188 .1245 .1320 .1436 .1677
38 .1174 .1230 .1303 .1421 .1653
39 .1159 .1214 .1288 .1402 .1634
40 .1147 .1204 .1275 .1386 .1616
41 .1131 .1186 .1258 .1373 .1599
42 .1119 .1172 .1244 .1353 .1573
43 .1106 .1159 .1228 .1339 .1556
44 .1095 .1148 .1216 .1322 .1542
45 .1083 .1134 .1204 .1309 .1525
46 .1071 .1123 .1189 .1293 .1512
47 .1062 .1113 .1180 .1282 .1499
48 .1047 .1098 .1165 .1269 .1476
49 .1040 .1089 .1153 .1256 .1463
50 .1030 .1079 .1142 .1246 .1457
0.741 0.775 0.819 0.895 01.035
>50
fN fN fN fN fN

151
RIWAYAT HIDUP
PROF. DR. I WAYAN KOYAN, M.Pd., lahir di Desa Gobleg, Kecamatan

Banjar, Kabupaten Buleleng, tanggal 15 Maret 1943, anak ke lima dari pasangan
suami- istri I Nyoman Merta (alm) dan Ni Wayan Nuragi (alm). Setelah menamatkan
Sekolah Rakyat (SR) tahun 1957 di Desa Gobleg, kemudian melanjutkan ke Sekolah
Guru B (SGB) di Singaraja mulai tahun 1957-1960. Pada tahun 1960 melanjutkan ke
Sekolah Guru A Negeri (SGAN) di Kota Singaraja dan tamat tahun 1963. Kemudian,
pada tahun 1964 melanjutkan ke Kursus Peneliti Pendidikan Masyarakat (KPPM) di
Yogyakarta dan tamat tahun 1965. Pada tahun 1968 melanjutkan ke FIP Unud
Singaraja dan menyelesaikan Sarjana Muda (BA) tahun 1971. Tahun 1973
melanjutkan ke FIP IKIP Yogyakarta dan memperoleh gelar sarjana pendidikan sosial
pada tahun 1975. Lulus Program Akta Mengajar Lima format jarak jauh pada tahun
1982. Pada tahun 1982 mengikuti pelatihan Metodologi Penelitian selama 6 bulan di
Yogyakarta. Pada tahun 1983 – 1985 melanjutkan ke Pascasarjana IKIP Jakarta di
Yogyakarta dan memperoleh gelar Magister Pendidikan (M.Pd.) dalam bidang:
Penelitian dan Evaluasi Pendidikan. Pada tahun 1997 mengikuti program refreser
selama 6 bulan di State University of IOWA (USA) dengan tugas menyusun buku
Pendidikan Moral Lintas Budaya.Pada tahun 1999 – 2003 melanjutkan sekolah ke
Program Pascasarjana Universitas Negeri Jakarta dan memperoleh gelar DOKTOR
dalam bidang: Penelitian dan Evaluasi Pendidikan. Mengikuti Pelatihan Aplikasi
Program “R” dalam Asesmen Psikometri dan Pendidikan di UNY Yogyakarta tgl 15-
18-2009 dan Pelatihan Asesor Guru tahun 2006 dan Aesor Dosen pada tahun 2007.
Pekerjaan yang pernah dijabat adalah (1) Guru SD (1963-1964), (2) Penilik
Pendidikan Masyarakat (1965-1971), (3) Asisten Dosen di FKIP Unud Singaraja
(1971-1975), (4) dosen tetap pada FKIP Unud Singaraja (1975-1983), (5) dosen tetap
pada STKIP Negeri Singaraja (1983-2001), (6) dosen tetap pada IKIP Negeri
Singaraja (2001-2003), (7) Guru Besar tetap pada Universitas Pendidikan Ganesha
(Undiksha) mulai tahun 2003 sampai dengan sekarang, (8) menjadi konsultan
”Education Manajement Specialist (EMS)” pada Proyek Desentralisasi Pendidikan
Dasar (ADB Loan No. 1863-INO) mulai tahun 2003 sampai tahun 2008 di Provinsi
Bali, (9) menjadi dosen detasering selama 6 bulan di Universitas Syah Kuala (2006),
(10) menjadi Ketua Program Studi Penelitian dan Evaluasi Pendidikan (2006 sampai
sekarang), dan (11) menjadi asesor Guru SD dan asesor Dosen mulai tahun 2006
sampai sekarang.
Publikasi ilmiah yang penting, antara lain: (1) menulis buku ajar Pendidikan
Moral Pendekatan Lintas Budaya, (2) artikel tentang Analisis Kebutuhan Belajar
Pendidikan Moral, (3) Pendidikan Karakter dengan Pendekatan Komprehensif, (4)
Mengembangkan Disiplin Diri dengan Menggunakan Strategi Pengubahan Perilaku
Model Madeline Hunter, (5) beberapa makalah ilmiah yang dipresentasikan pada
Konaspi dan Pelatihan-pelatihan Guru SD dalam rangka pelaksanaan Proyek
Desentralisasi Pendidikan Dasar di Bali, (6) menulis Buku Ajar Statistik Terapan, (7)
menulis Buku Ajar Telaah Kurikulum SD, (8) menulis Buku Ajar Asesmen
Pendidikan, dan (8) menulis Buku Ajar Langkah-langkah Menyusun Tes dan Non
Tes.
Hasil-hasil penelitian selama menjadi dosen, antara lain: (1) Identifikasi dan
Pemetaan Anak Putus Sekolah dan Tidak Sekolah Usia Pendidikan Dasar di

152
Kabupaten Buleleng (1998), (2) Analisis Kebutuhan Belajar Pendidikan Moral

dengan Pendekatan Terpadu pada SLTP di Kabupaten Buleleng, (3) Kontribusi
Tripusat Pendidikan dan Religiusitas dalam Pembentukan Sikap terhadap Perilaku
Disiplin pada Siswa SMU di Bali (tahun 2000), (4) Mengembangkan Disiplin Diri
dalam Belajar dengan Menggunakan Strategi Pengubahan Perilaku Model Madeline
Hunter pada Siswa SD Kelas lima di Singaraja (2002), (5) Studi Evaluasi Tentang
Efektivitas Proses Implementasi Rencana Pengembangan Sekolah (RPS) Berbantuan
DBEP di Kabupaten Buleleng (tahun 2007), (6) Studi Evaluasi tentang Dampak
Pelaksanaan Proyek Desentralisasi Pendidikan Dasar di Kabupaten Klungkung (tahun
2008), (7) Pengembangan Instrumen Kinerja Menulis Bahasa Inggris pada Siswa
SMA Berbasis Budaya Bali (Stranas) sebagai anggota (tahun 2009), (8)
Mengembangkan Model Pendidikan Karakter Berwawasan Pendekatan Terpadu pada
Sekolah Menengah Pertama di Provinsi Bali (tahun 2010), dan (9) Pengembangan
Model Pendidikan Karakter dengan Pendekatan Terpadu dan Alat Ukurnya pada SMP
di Bali (tahun 2011).
Kegiatan Seminar/Workshop/Diklat yang pernah diikuti, antara lain: (1)
Seminar Nasional Hasil Penelitian Perguruan Tinggi (tahun 1994), (2) Menyajikan
makalah dengan judul: Metodologi Penelitian Kuantitatif pada Pelatihan Penelitian
Kebijakan Pendidikan dan Kebudayaan di Singaraja (tahun 1994), (3) Menyajikan
Makalah dengan judul: Langkah-langkah Penyusunan Tes Hasil Belajar dan Sistem
Penilaian di Universutas Udayana (tahun 1996), (4) Menyajikan Makalah Asesmen
Berbasis Kelas untuk Pemantauan Proses dan Hasil Belajar pada Diklat PLPG ( tahun
2006 -2010), dan (5) Menyajikan Makalah Penelitian Tindakan Kelas pada PLPG di
Bali (2006-2010).
Penghargaan yang pernah diperoleh antara lain: (1) Piagam Penghargaan
Dosen Teladan III Universitas Udayana (yahun 1982), dan (2) Piagam Tanda
Kehormatan Satyalancana Karya Satya 30 tahun dari Presiden Republik Indonesia
(Kepres. RI. No. 002/tahun 1999).
Singaraja, tahun 2011

Penulis,

Sesi 8 - 11 Modul Statistik Inferesia

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Sesi 8 - 11 Modul Statistik Inferesia

Diunggah oleh

Hak Cipta:

Format Tersedia

1

Prof. Dr. I Wayan Koyan, M.Pd.

STATISTIK INFERENSIA STIE PERTIWI 2016-2017

Prof. Dr. I Wayan Koyan, M.Pd.

STATISTIK INFERENSIA STIE PERTIWI 2016-2017

Halaman judul …………………………………………………………………. i

A. Analisis Regresi Linear Sederhana ................................................. 26

B. Analisis Regresi Linear Ganda Dua Prediktor.................................. 34

1. Konstelasi Masalah ..................................................................... 34

2. Tabel Data .................................................................................. 34

3. Menghitung Beta ......................................................................... 35

BAB III. ANALISIS KOVARIANS ............................................................. 58

BAB IV. ANALISIS JALUR (PATH ANALYSIS) ........................................... 116

DAFTAR PUSTAKA ................................................................................... ..... 135

LAMPIRAN DAFTAR TABEL ................................................................... .... 136

RIWAYAT HIDUP ........................................................................................ 160

STATISTIK INFERENSIA STIE PERTIWI 2016-2017

Tinjauan Mata Kuliah

STATISTIK INFERENSIA STIE PERTIWI 2016-2017

A. Analisis Varian Satu Jalur (ANAVA klasifikasi tunggal = ANAVA A)

Langkah-langkah pengujian hipotesis dengan anava satu jalur

signifikansi tertentu (Misalnya: ts 5% atau 1%), maka Ha diterima dan H0 ditolak.

Tabel 1.1. Tabel Ringkasan Analisis Varians untuk Menguji

Sumber JK (SS) db RJK Fh Ftab Taraf sig

STATISTIK INFERENSIA STIE PERTIWI 2016-2017

dalam JKdal = JKtot ─ JKantar N-a JK dal -- --

X 1 = 2,6 X 2 = 5,4 X 3 = 6,8 X 4 = 8,8 X tot = 5,9

STATISTIK INFERENSIA STIE PERTIWI 2016-2017

dbA = a-1 = 4-1 = 3

RJKantar = JKantar : dbantar = 101,8 : 3 = 33,93.

RJKdal = JKdal : dbdal = 24:16 = 1,5

Fhitung = RJKantar : RJKdal = 33,93 : 1,5 = 22,66  lihat table F

Tabel 1.3. Tabel Ringkasan Analisis Varians untuk Menguji

Sumber JK db RJK Fh Ftab Keputusan

Uji t Scheffe: db t sama dengan db dalam = 16

STATISTIK INFERENSIA STIE PERTIWI 2016-2017

Rancangan faktorial merupakan perluasan rancangan satu faktor. Dalam

1. Hipotesis Penelitian (alternatif I)

STATISTIK INFERENSIA STIE PERTIWI 2016-2017

2. Hipotesis Penelitian (alternatif II),

Tabel 1.4. Rancangan Anava 2 Jalur (Faktorial 2x2)

Tabel 1.6. Tabel Statistik Induk (untuk menolong perhitungan)

Atau dalam bentuk lain sebagai berikut.

= 991 – (1392 : 20) = 991 – 966,05 = 24,95

STATISTIK INFERENSIA STIE PERTIWI 2016-2017

= (762 : 10) + (632 : 10) - (1392 : 20) = (577,6 + 396,9) – 966,05

STATISTIK INFERENSIA STIE PERTIWI 2016-2017

STATISTIK INFERENSIA STIE PERTIWI 2016-2017

C. Analisis Varians Dua Jalur (Anava AB) = Faktorial (3x3)

STATISTIK INFERENSIA STIE PERTIWI 2016-2017

STATISTIK INFERENSIA STIE PERTIWI 2016-2017

Atau dalam bentuk table berikut.

Tabel 1.12. Statistik Induk

∑ X = 13,5 ∑ X = 13,5 ∑ X = 10,5 ∑ X = 37,0

X = 2,6 X = 2,56 X = 2,36 X = 2,51

Tabel 1.13. Tabel Ringkasan Analisis ANAVA AB

STATISTIK INFERENSIA STIE PERTIWI 2016-2017

D. Analisis Varians Tiga Jalur (Rancangan Faktorial Tiga Faktor)

Analisis varians tiga jalur (rancangan ABC) digunakan untuk menganalisis

STATISTIK INFERENSIA STIE PERTIWI 2016-2017

Tabel 1.15. Tabel Statistik Induk

STATISTIK INFERENSIA STIE PERTIWI 2016-2017

FK (Faktor Koreksi) adalah