“ANALISIS MULTIVARIAT (ONE WAY ANOVA DAN MULTIVARIAT

ANOVA)”

Kelas A11B
Tugas Kelompok
Mata Kuliah : BIOSTATISTIKA

Dosen pengajar
Ika Setya Purwanti, SKM., M.Epid

Di susun Oleh:
KELOMPOK 6

1 Ni Putu Aden Sarasita 15.321.2412

2 Agustinha De Almeida 17.321.2711
3 Fira Yasinta 17.321.2720
4 I Gede Wahyu Septiana 17.321.2729
5 Ni Kadek Pon Widiastuti 17.321.2730
6 Ni Kadek Yuni Purnamayanti 17.321.2743
7 Ni Koming Anggi Ratna Sari 17.321.2743
8 Ni Wayan Parmini 17.321.2756
9 Suputra Sidarta 17.321.2763

PROGRAM STUDI ILMU KEPERAWATAN PROGRAM SARJANA

SEKOLAH TINGGI ILMU KESEHATAN WIRA MEDIKA BALI
DENPASAR
TAHUN AKADEMIK 2020/2021

1
 2

A. Pengertian Uji Analisis of Variance (ANOVA)

Sering kali kita menghadapi banyak rata-rata (lebih dari dua rata-
rata). apabila kita mengambil langkah pengujian perbedaan rata-rata tersebut
satu persatu (dengan t test) akan memakan waktu, tenaga yang banyak. di
samping itu, kita akan menghadapi risiko salah yang besar. untuk itu, telah
ditemikan cara analisis yang mengandung kesalahan lebih kecil da dapat
menghemat waktu serta tenaga yaitu dengan ANOVA (Analisys of
variances).
Secara umum, analisis varians menguji dua varians (atau ragam)
berdasarkan hipotesis nol bahwa kedua varians itu sama. varians pertama
adalah varians antar contoh (among samples) dan varians kedua adalah
varians di dalam masing-masing contoh (within samples). Dengan ide
semacam ini, analisis varians dengan dua contoh akan memberikan hasil
yang sama dengan uji-t untuk dua rata-rata (mean).
Analisis of variance atau ANOVA merupakan salah satu teknik
analisis multivariate yang berfungsi untuk membedakan rerata lebih dari dua
kelompok data dengan cara membandingkan variansinya. Analisis varian
termasuk dalam kategori statistik parametric. Sebagai alat statistika
parametric, maka untuk dapat menggunakan rumus ANOVA harus terlebih
dahulu perlu dilakukan uji asumsi meliputi normalitas, heterokedastisitas
dan random sampling (Ghozali, 2009). Seperti yang dikatakan oleh
Agustinus Bandur dalam bukunya “Penelitian Kuantitatif-Desain Dan
Analisis Data Dengan SPSS”, analisys of variance (ANOVA) dapat
digunakan dalam situasi ketika kita memiliki satu variable interval atau
rasio sebagai variable dependen dan satu atau lebih variable nominal atau
ordinal sebagai variable dependen.
Analisis varian dapat dilakukan untuk menganalisis data yang
berasal dari berbagai macam jenis dan desain penelitian. Analisis varian
banyak dipergunakan pada penelitian-penelitian yang banyak melibatkan
pengujian komparatif yaitu menguji variabel terikat dengan cara
membandingkannya pada kelompok-kelompok sampel independen yang
 3

diamati. Analisis varian saat ini banyak digunakan dalam penelitian survey
dan penelitian eksperimen.
 ANOVA bisa dikatakan sebagai salah satu teknik penelitian statistic
yang sering digunakan oleh banyak peneliti karena memiliki dua
karakteristik seperti (Bandur, 283:2013):
 ANOVA akan membantu kita untuk menganalisis data dari hasil
desain penelitian eksperimental.
 ANOVA akan membantu kita untuk melihat hubungan sebab akibat.
Hal inilah yang membedakan t-test dengan ANOVA dengan
correlation dan multi-regretion. Dalam kedua tes statistic yang
disebutkan terakhir, kita bisa menguku hubungan sebab akibat pada
variable independen dan dependen.
 Anova dapat digolongkan kedalam beberapa kriteria, yaitu :
1 Klasifikasi satu arah (One Way ANOVA)
Anova klasifikasi satu arah merupakan ANOVA yang didasarkan
pada pengamatan satu kriteriaatau satu faktor yang menimbulkan
variasi.
2 Klasifikasi dua arah (Two Way ANOVA)
ANOVA klasifikasi dua arah merupakan ANOVA yang didasarkan
pada pengamatan dua kritenia atau dua faktor yang menimbulkan
variasi.

B. One way ANOVA

Analisis of variance atau ANOVA merupakan salah satu teknik
analisis multivariate yang berfungsi untuk membedakan rata-rata lebih dari
dua kelompok data dengan cara membandingkan variansinya. Sedangkan
menurut Teguh Wahyono dalam bukunya, “25 Metode Anlisis dengan
menggunakan SPSS 17” One Way ANOVA merupakan prosedur yang
digunakan untuk menghasilkan analisis variansi satu arah untuk variabel
dependen dengan tipe data kuantitatif dengan sebuah variabel independen
sebagai variabel faktor.
 4

Analisis varians pertama kali diperkenalkan oleh Sir Ronald Fisher

(Bapak Statistika Modern). Dalam praktek, analisis varians dapat
merupakan uji hipotesis (lebih sering dipakai) maupun pendugaan (estimasi
khususnya di bidang genetika terapan). Analisis varian dapat dilakukan
untuk menganalisis data yang berasal dari berbagai macam jenis dan desain
penelitian.
Sebelum menguji dengan ANOVA, data harus berdistribusi normal
dan mempunyai varians yang sama. Data yang digunakan pada One Way
ANOVA untuk nilai variabel pada faktor harus integer sedangkan variabel
dependen harus berupa data kuantitatif (tingkat pengukuran
interval).Asumsi yang digunakan pada One Way ANOVA, yaitu setiap
kelompok pada sampel acak independen dari populasi yang normal dan
bervarian homogen. Dari output uji Anova akan diperoleh nilai F hitung.
Jika nilai F hitung tidak signifikan, berarti rata-rata variabel dependen pada
tingkat faktor yang ditentukan identik. Jika F hitung signifikan berarti
terdapat perbedaan rata-rata variabel dependen pada tingkat faktor yang
telah ditentukan.

Langkah-langkah Uji ANOVA dengan program SPSS

 5

1 Klik Analyze > General Liniear Model > Univariate, sehingga muncul
jendela sbb:

2 Masukkan variabel Hasil Tes Keterampilan ke kotak Dependent Variable,

dan masukkan variabel Kelas Mahasiswa dan Latar Belakang ke dalam
kotak Fixed Factor (s) seperti terlihat pada gambar di bawah ini:
 6

3 Klik Plots, maka akan muncul jendela sbb; kemudian masukkan Semester ke
kotak Horizintal Axis dan Background ke kotak Separate Lines.
 7

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

5 Klik Post Hoc, maka akan muncul jendela sbb; kemudian masukkan semester
ke kotak Post Hoc Test for -> centang Tukey -> Klik Continue.
 8

6 Klik Options, maka akan muncul jendela sbb; masukkan Semester,

Background dan Semester*Background ke dalam kotak Display Means for.
Pada Display centang Descriptive statistics dan Homogenity tests.

7 Kemudian Klik continue -> Klik OK -> Lihat hasil

 9

C. Hasil dan Interpretasi

Tests of Between-Subjects Effects
Dependent Variable: Hasil Tes Keterampilan Komunikasi Personal
Type III
Sum of Mean Partial Eta Noncent. Observed
Source Squares Df Square F Sig. Squared Parameter Powerb
Corrected Model 30672,729
a
15 2044,849 36,603 ,000 ,710 549,052 1,000

Intercept 1239412,5 1239412, 22185,8

1 ,000 ,990 22185,898 1,000
37 537 98
SEMESTER 10014,98
30044,946 3 179,272 ,000 ,706 537,815 1,000
2
BACKGROUND 125,279 3 41,760 ,748 ,525 ,010 2,243 ,209
SEMESTER *
502,504 9 55,834 ,999 ,441 ,039 8,995 ,492
BACKGROUND
Error 12513,733 224 55,865
Total 1282599,0
240
00
Corrected Total 43186,462 239
a. R Squared = ,710 (Adjusted R Squared = ,691)
b. Computed using alpha = ,05
Interpretasi:
Dari tabel output diatas dapat dilihat bahwa:
1. Pada baris Background terlihat nilai signifikan 0.525 yaitu nilai > 0.05,
jadi tidak ada perbedaan yang signifikan antara skor hasil test
keterampilan komunikasi personal dengan latar belakang mahasiswa.
2. Pada baris Semester terlihat nilai signifikan 0.000 yaitu nilai < 0.05, jadi
terdapat perbedaan yang signifikan pada skor hasil test keterampilan
komunikasi personal dengan mahasiswa semester I, II, III dan IV.
 10

D. Multivariate Analysis of Variance (MANOVA)

MANOVA merupakan salah satu jenis analisis teknik dependen.
Sebagai pengembangan analisis ANOVA, MANOVA mempunyai variable
dependen yang bersifat kuantitatif lebih dari satu sedangkan variable
independennya bersifat kualitatif.
 Analysis of Variance
Y1 = X1 + X2 + X3 + … + Xn
(metric) = (nonmetric)
 Multivariate Analysis of Variance
Y1 + Y2 + Y3 + … + Yn = X1 + X2 + X3 + … + Xn
(metric) = (nonmetric)
Seperti halnya analisis ANOVA tujuan dari analisis MANOVA adalah untuk
mengetahui apakah rata-rata kelompok (centroid) berada secara signifikan atau
tidak. Analisis selanjutnya dalam MANOVA adalah untuk mengetahui variable
independen apa saja yang mempengaruhi perbedaan antara kelompok tersebut.
ANOVA disebut prosedur univariat karena digunakan untuk menilai perbedaan
kelompok pada variable dependen matrik tunggal. Sedangkan MANOVA disebut
prosedur multivariat karena digunakan untuk menilai perbedaan kelompok di
beberapa variable dependen matrik secara bersamaan.
Baik ANOVA maupun MANOVA keduanya sangat bermanfaat jika digunakan
bersamaan dengan desain experimental, yaitu desain penelitian yang penelitinya
secara langsung mengotrol atau memanipulasi satu variable independen atau lebih
untuk menentukan pengaruh pada variable dependen. Penentuan ANOVA dan
MANOVA penting untuk menilai pengaruh yang diamati. MANOVA juga
berperan dalam desain nonexperimental (misalnya, survey research)
Ada persamaan antara analisi diskriminan yang kita kembangkan pada bab
sebelumnya dengan analisis MANOVA. Tujuan analisis diskriminan adalah
mengidentifikasi kombinasi linear variable dependen yang mampu
memaksimumkan perbedaan rata-rata antar dua kelompok. Sedangkan analisis
MANOVA menguji apakah rata-rata dua kelompok berbeda signifikan. Dengan
kata lain analisis diskriminan sama dengan analisis MANOVA dalam kasus satu
 11

variable independen. Sedangkan pada kasus lebih dari satu variable independen
maka keduanya berbeda.
 Langkah-Langkah Multivariat untuk Menaksir Perbedaan Kelompok
Aspek yang unik dari MANOVA adalah variat optimal menggabungkan
beberapa pengukuran dependen menjadi nilai tunggal yang dapat
memaksimalkan perbedaan antar kelompok. Untuk menganalisis data pada
beberapa kelompok dan variable, digunakan metode univariat. Mungkin
peneliti akan tergoda untuk melakukan uji t secara terpisah untuk membedakan
anatar setiap pasang kelompok (misalnya, kelompok 1 dibanding kelompok 2,
kelompok 1 dibanding kelompok 3, dan kelompok 2 dibandingkan kelompok
3). Tetapi uji t multiple mengembangkan kesalahan pengukuran keseluruhan.
ANOVA dan MANOVA menghindari tipe ini karena menimbulkan
perbandingan perlakuan beberapa kelompok dengan menentukan dalam uji
tunggal apakah seluruh kelompok menunjukkan arti bahwa sampel diambil dari
populasi umum yang sama. Artinya, kedua teknik yang digunakan untuk
menentukan kemungkinan perbedaan di beberapa kelompok semata-mata
karena sampling error.
Hotteling’s T2 menganggap bahwa peneliti tertarik pada daya tarik serta
niat pembelian yang dihasilkan oleh dua pesan iklan. Seandainya menggunakan
analisis univariat, peneliti akan melakukan uji t secara terpisah antara daya
tarik pembelian karena iklan dengan niat pembelian karena iklan. Dua langkah
yang saling berkaitan yaitu: apa yang sebenarnya diinginkan dalam uji
perbedaan antara iklan dari dua variable kolektif. Di sinilah Hotelling’s T2
khususnya dari MANOVA dan sebuah pengembangan langung dari univariat
dapat digunakan.
Hotelling’s T2 melengkapi uji statistic bentuk variat dari variable
dependen yang menghasilkan perbedaan group terbesar. Hal ini juga
menunjukkan masalah peningkatan tipe eror I yang timbul ketika membuat
serangkaian uji t dari rata-rata kelompok di setiap ukuran dependen. Ia
mengontrol peningkatan dari tipe eror I dengan meningkatkan uji secara
keseluruhan dari perbedaan kelompok di semua variable dependen pada tingkat
 12

α yang ditentukan. Bagaimana Hotelling’s T2 mencapai tujuan tersebut?

Pertimbangkan persamaan berikut untuk variat variable dependen:
C = W1X1 + W2X2 + … + WnXn
Dimana:
C = nilai komposit atau variat untuk responden
Wi = bobot variable dependen
Xi = variable dependen i
Perhitungan rumus Hotelling’s T2 merupakan hasil perolehan matematika untuk
memecahkan t statistic yang maksimum. Hal ini setara dengan ketika kita
menemukan fungsi diskriminan 2 kelompok yang menghasilkan T2 yang
signifikan, kedua kelompok yang dianggap berbeda di seluruh rata-rata vector.
Pengujian Statistik. Bagaimana Hotelling’s T2 tersebut menetapkan uji hipotesis
ketika tidak ada perbedaan kelompok pada nilai rata-rata vector? Hotelling’s T2
menggunakan distribusi yang dikenal dengan hipotesis nol tanpa pengaruh
perlakuan di sederet perlakuan dependen. Distribusi ini menghasilkan ditribusi F
dengan p dan N1 + N2 – 2 – 1 sebagai derajat kebebasan setelah penyesuaian (p =
jumlah variable dependen). Untuk mendapat nilai kritis dari Hotelling’s T2, kita
mencari nilai Fcrit pada table dengan level α tertentu dan menghitung nilai
T2crit¬ dengan:
T2crit = [p (N1 + N2 - 2) / N1 + N2 – p -1] x Fcrit
Kasus K-Group. Seperti halnya ANOVA yang merupakan pengembangan dari uji
t, MANOVA dapat dianggap sebuah pengembangan dari Hotelling’s T2. Kami
merancang bobot variable dependen untuk mengasilkaan nilai variat untuk setiap
responden yang secara maksimal berbeda di semua kelompok. Banyak hasil
kerangka analisis yang sama didiskusikan dalam ANOVA diterapkan dalam
MANOVA, tetapi metode pengujian statistiknya jelas berbeda dari ANOVA.
Analysis Desain. Semua hasil analisis desain berlaku untuk ANOVA (misalnya
jumlah tingkat tiap factor) juga berlaku untuk MANOVA. Selain itu, jumlah
variable dependen dan hubungan diantara ukuran dependen meningkatkan
tambahan hasil. MANOVA memungkinkan bagi peneliti untuk menilai dampak
dari beberapa variable independen tidak hanya pada variable dependen tunggal,
tetapi pada variable dependen keseluruhan.
 13

Uji Statistik. Dalam kasus dua kelompok, prosedur ANOVA pada dasarnya
digunakan untuk mengidentifikasi apakah ada perbedaan. Dengan tiga kelompok
atau lebih (baik dengan mempunyai variable dependen tunggal dengan tiga tingkat
atau dengan menggunakan dua variable dependen atau lebih), analisis perbedaan
kelompok menjadi lebih berhubungan dengan jelas terhadap analisis diskriminan.
Untuk tiga kelompok atau lebih, ketika dalam analisis diskriminan, multiple variat
dari ukuran dependen terbentuk. Variat yang pertama, disebut fungsi diskriminan,
menetapkan sederetan bobot yang memaksimalkan perbedaan antar kelompok,
dengan demikian memaksimalkan nilai F. Memaksimalkan nilai F itu sendiri
memungkinkan kita untuk menghitung secara langsung apa yang disebut Roy’s
greatest characteristic root (gcr) statistic, yang memungkinkan untuk uji statistic
dari fungsi diskriminan yang pertama. Karakteristik terbesar perhitungan statistic
root adalah :
Roy’s grc = (k - 1) Fmax / (N – k)
Untuk mendapatkan tes tunggal dari hipotesis ketika tidak ada perbedaan group di
nilai rata-rata vector, kita dapat mengacu pada table distribusi Roy’s grc. Sama
halnya dengan statistic F diketahui hipotesis nol pada rata-rata kelompok setara
pada variable dependen, statistic grc diketahui hipotesis nol pada rata-rata
kelompok setara pada vector (yaitu, kelompok yang setara pada serangkaian
ukuran dependen). Perbandingan penelitian grc ke Roy’s grccrit¬ memberi kita
dasar untuk menolak hipotesis nol dari kelompok rata-rata vector yang setara.
Setap fungsi diskriminan adalah orthogonal, memaksimalkan perbedaan antar
kelompok berdasarkan sisa varian yang tidak dijelaskan oleh fungsi sebelumnya.
Dengan demikian, dalam banyak kasus, uji untuk membedakan antara kelompok
tidak hanya memerlukan nilai variat yang pertama tetapi juga serangkaian nilai
variat yang ditaksir secara bersamaan. Dalam kasus ini, serangkaian uji
multivariate tersedia (seperti Wilks’ Lambda, Pillai’s criterion), masing-masing
cocok untuk keadaan khusus untuk menguji multiple variat.
Perbedaan antara MANOVA dan Analisis Diskriminan. Seperti yang sudah
dipaparkan sebelumnya bahwa dalam pengujian statistic MANOVA
menggunakan fungsi diskriminan. Variabel dependen dalam MANOVA adalah
variable independen dalam Analisis Diskriminan, dan variable dependen
 14

nonmetric tunggal dalam Analisis Diskriminan menjadi variable independen

dalam MANOVA. Selain itu keduanya menggunakan metode yang sama dalam
membentuk varietas dan mentaksir signifikan statistic antar group.
Perbedaan, mengenai tujuan utama dari analisis dan peran variable nonmetric:
a Analisis Diskriminan menggunakan variable nonmetric tunggal sebagai
variable dependen atau terikat. Kategori dalam variable dependen
diasumsikan berupa pemberian, dan variable independen digunakan untuk
membentuk variat maksimal yang berbeda antara kelompok yang terbentuk
dari kategori variable dependen.
b MANOVA menggunakan serangkaian variable metric sebagai variable
dependen dan tujuan menemukan kelompok dari responden yang
menunjukkan perbedaan dari serangkaian variable dependen. Kelompok
responden yang tidak prespecified, sebagai pengganti, peneliti menggunakan
satu variable independen atau lebih (variable nonmetric) untuk membentuk
kelompok. MANOVA, bahkan ketika membentuk kelompok, masih
mempertahankan kemampuan untuk menaksir dampak dari masing-masing
variable nonmetric secara terpisah.
 Ilustrasi Hipotesis MANOVA
Analysis Design
Dalam merancang penelitian, tim peneliti mendefinisikan unsur yang
berkaitan dengan factor yang digunakan, variable dependen, dan ukuran
sampel:
a Faktor, dua factor menjelaskan mengenai tipe produk dan status
pelanggan. Setiap factor, juga ditemukan dua tingkatan: tipe produk
(produk 1 vs produk 2) dan status pelanggan (pelanggan tetap dan bukan
pelanggan tetap). Dalam menggabungkan dua variable ini, kita
mendapatkan 4 kelompok berbeda
Product Type Customer Status Product 1 Product 2
Current Customer Group 1 Group 3
Ex-Customer Group 2 Group 4
 15

b Variabel dependen, penilaian iklan HBAT menggunakan dua variable

(kemampuan untuk penambahan perhatian dan persuasi), terukur sekitar
10 poin.
c Sampel, responden ditunjukkan iklan dan diminta untuk menilai mereka
dalam dua ukuran dependen.
 Perbedaan dengan Analisis Diskriminan
a Dengan analisis diskriminan, kita hanya dapat menguji perbedaan antara
serangkaian dari 4 kelompok, tanpa membedakan karakteristik kelompok
(tipe produk atau status konsumen). Peneliti akan dapat menentukan
apakah variat signifikan berbeda hanya pada kelompok, tetapi tidak dapat
menilai karakteristik kelompok mana yang berhubungan dengan
perbedaan tersebut.
b Dengan MANOVA, bagaimanapun, peneliti menganalisis perbedaan antar
kelompok serta menilai perbedaan kedua jenis produk, jenis konsumen,
atau keduanya. Dengan demikian, MANOVA memfokuskan analisis pada
kelompok gabungan bedasarkan karakteristik mereka (variable
independen).

 Hasil analisis dua kelompok perusahaan sehat dan tidak sehat tersebut dengan
menggunakan program SPSS dapat dilihat dalam tampilan sebagai berikut:
Between-Subjects Factors
N

FIRM 1.00 25

2.00 15

Tampilan diatas menyajikan criteria kesehatan perusahaan dalam jumlah

perusahaan. Perusahaan dibagi menjadi dua kelompok yaitu perusahaan yang
tidak sehat diberi angka 1 dan perusahaan yang sehat diberi angka 2. Sedangkan
jumlah perusahaan yang tidak sehat masing-masing sebanyak 15.

Descriptive Statistics
 16

FIRM Mean Std. Deviation N

1 0.0182 0.050362 15
EBTA 2 0.19673 0.046897 15
Total 0.10747 0.102613 30
1 0.02313 0.076728 15
ROI 2 0.1816 0.031279 15

Tampilan diatas menyajikan rata-rata dan standar deviasi untuk setiap

variable dependen. Secara sekilas terlihat bahwa rata-rata dan standar deviasi
variable EBTA dan ROI untuk perusahaan yang sehat dan perusahaan yang tidak
sehat berbeda. Sehingga kita bisa menyimpulkan sementara bahwa kesehatan
perusahaan mempengaruhi kinerja keuangan perusahaan.
Box’s Test of Equality of Covariance Matricea
Box’s M 23.050
7.089
F
3
Df1 141120.000
.000
Df2

Sig.

Tests the null hypothesis that the observed covariance matrices of the dependent
variables are equal across groups.
a. Design: Intercept + FIRM

Bartlett’s test of Sphericitya

Likelihood Ratio .000

Approx. Chi-Square 35.379

Df 2

Sig. .000

Test the null hypothesis that the residual covariance matrix is propotional to an
identity matrix
a. Design: Intercept + FIRM

Tampilan Box’s Test merupakan uji normalitas multivariate dengan uji Box’s M.
Uji tersebut menunjukkan signifikan sehingga mengindikasikan bahwa matriks
kovarian variable dependen adalah tidak sama pada perusahaan yang sehat
 17

maupun yang tidak sehat. Hal ini berarti bahwa asumsi normalitas multivariate
tidak terpenuhi. Namun perlu dicatat bahwa Uji Box’s M sangat sensitive dalam
pelanggaran uji normalitas. Uji korelasi antara variable dependen ditunjukkan
pada Bartlett’s test of sphericity. Uji Bartlett ini signifikan sehingga menunjukkan
adanya korelasi yang cukup antara variable independen yang ada.
Ada empat uji statistic untuk mengetahui perbedaan centroid dua kelompok yaitu
Pillai’s Trade, Wilks’ Lambda, Hotelling’s Trace, dan Roy Largest Root (kolom
2). Nilai masing-masing uji tersebut kemudian ditransformasi ke dalam uji
statistic F (kolom 3). Ada dua tampilan yaitu intercept dan FIRM. Uji intercept
digunakan untuk mengevaluasi apakah rata-rata kinerja keuangan tidak sama
dengan nol. Berdasarkan uji F ini signifikan pada α = 5% ( kolom sig) sehingga
kita bisa menyimpulkan bahwa kinerja keuangan tidak sama dengan nol dan
berbeda dengan persamaan.
Uji signifikansi multivariate yang penting dalam ANOVA adalah pada
variable independen FIRM yang diklasifikasikan sehat dan tidak sehat.
Berdasarkan uji F signifikan pada α 5% (lihat kolom sig) dengan menggunakan
keempat uji yang ada. Berarti kita bisa menyimpulkan bahwa kesehatan
perusahaan mempengaruhi kinerja keuangan perusahaan. Uji Partial Eta Squared
(PES) sebesar 0,790. Kesehatan perusahaan menjelaskan 79% varian total.
Kekuatan uji multivariate ini cukup besar sehingga kita bisa menolak hipotesis nol
sehingga berarti kesehatan perusahaan mempengaruhi kinerja keuangan
perusahaan.
Setelah kita ketehaui bahwa uji multivariate signifikan maka selanjutnya
adalah uji univariat F. Namun sebelumnya kita lihat dulu uji varian untuk error
tidak sama antara perusahaan yang sehat maupun yang tidak sehat. Uji ini selain
dengan uji Box’s M sebelumnya dimana kovarian variable tidak sama .
Uji signifikansi univariate dengan Uji statistika F yang ditampilkan pada test of
between subject effects. Pada kolom source ada beberapa informasi untuk uji
variate ini. Analisis MANOVA terletak pada apakah variable independen
mempengaruhi variable dependen. Informasi ini terdapat pada corrected model
dan FIRM. Keduanya menghasilkan informasi uji F yang sama karena keduanya
merupakan uji apakah variable independen mempengaruhi variable dependen. Uji
 18

variate F pada FIRM menunjukkan signifikan pada α = 5% (kolom sig). Dengan

demikian kesehatan perusahaan mempengaruhi kedua kinerja keuangan
perusahaan baik EBTA maupun ROI. Nilai PES juga cukup tinggi yakni masing-
masing 0,783 dan 0,662. Kesehatan perusahaan mempengaruhi kinerja keuangan
EBTA varian total EBTA sebesar 78,3% dan 66,2% untuk kinerja keuangan ROI.
Selanjutnya untuk melihat secara detail pengaruh kesehatan perusahaan
terhadap EBTA maupun ROI bisa dianalisis melalui rata-rata (mean) kelompok
setiap EBTA dan ROI. Perusahaan yang sehat mempengaruhi lebih tinggi (mean =
0,197) dari pada perusahaan yang tidak sehat (mean = 0,018) pada kinerja
keuangan EBTA. Begitu pula perusahaan yang sehat mempengaruhi lebih tinggi
(mean = 0,182) daripada perusahaan yang tidak sehat (mean = 0,023) pada kinerja
keuangan ROI.