Anda di halaman 1dari 31

MAKALAH STATISTIKA MULTIVARIAT

MANOVA

Dosen Pembimbing :
Dr. Putri Yuanita, M.Ed

Disusun Oleh :
Aulia Wahyuni Hendrianti 1805124381

5A

PROGRAM STUDI PENDIDIKAN MATEMATIKA


JURUSAN PENDIDIKAN MIPA
FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN
UNIVERSITAS RIAU
2020
BAB I
PENDAHULUAN

1.1 Latar Belakang


Salah satu cabang ilmu statistika adalah Analisis Statistik Multivariat.
Ada beberapa metode analisis data statistik yang dapat dipelajari dalam
cabang ilmu tersebut, salah satu metode yang cukup banyak diterapkan
dalam berbagai bidang adalah MANOVA atau Multivariate Analysis of
Variance.
MANOVA atau Multivariate Analysis of Variance merupakan
pengembangan dari ANOVA, yaitu sebagai metode statistik untuk
menganalisis hubungan antara beberapa variabel bebas dan beberapa
variabel terikat. Karakteristik pada MANOVA yaitu variabel bebas bisa
lebih dari satu atau satu, namun variabel terikat harus lebih dari satu. Pada
Analisis Variansi Multivariat (MANOVA) analisis yang dilakukan harus
memenuhi asumsi sebagai berikut: asumsi data berdistribusi normal
multivariate, homogenitas matrik varians kovarians, serta adanya korelasi
antar variabel yang digunakan.

1.2 Rumusan Masalah


1. Bagaimana hasil uji normal multivariat pada data nilai kognitif dan nilai
afektif siswa dengan tingkat kecerdasan IQ siswa?
2. Bagaimana hasil uji kesamaan matriks kovarian pada data nilai kognitif
dan nilai afektif siswa dengan tingkat kecerdasan IQ siswa?
3. Bagaimana hasil uji manova pada data nilai kognitif dan nilai afektif
siswa dengan tingkat kecerdasan IQ siswa?

1.3 Tujuan
1. Untuk mengetahui bagaimana hasil uji multivariat normal pada data nilai
kognitif dan nilai afektif siswa dengan tingkat kecerdasan IQ siswa.
2. Untuk mengetahui bagaimana hasil uji kesamaan matriks kovarians pada
data nilai kognitif dan nilai afektif siswa dengan tingkat kecerdasan IQ
siswa.
3. Untuk mengetahui bagaimana hasil uji manova pada data nilai kognitif dan
nilai afektif siswa dengan tingkat kecerdasan IQ siswa.
BAB II

KAJIAN PUSTAKA

2.1 Pengertian Analisis Multivariat


Analisis statistika multivariate adalah analisis statistika yang
dikenakan pada data yang terdiri dari banyak variabel dan antar variabel yang
saling berkorelasi. Beberapa metode yang termasuk ke dalam golongan
analisis ini adalah : Analisis Faktor, Analisis Cluster, Analisis Diskriminan,
Analisis Komponen Utama, Korespondensi, dan MANOVA.
Analisis statistik multivariat merupakan metode statistik yang
memungkinkan kita melakukan penelitian terhadap lebih dari dua variable
secara bersamaan. Dengan menggunakan teknik analisis ini maka kita dapat
menganalisis pengaruh beberapa variable terhadap variabel – (variable)
lainnya dalam waktu yang bersamaan. Contoh kita dapat menganalisis
pengaruh variable kualitas produk, harga dan saluran distribusi terhadap
kepuasan pelanggan. Analisis multivariat digunakan karena pada
kenyataannnya masalah yang terjadi tidak dapat diselesaikan dengan hanya
menghubung-hubungkan dua variable atau melihat pengaruh satu variable
terhadap variable lainnya. Sebagaimana contoh di atas, variable kepuasan
pelanggan dipengaruhi tidak hanya oleh kualitas produk tetapi juga oleh
harga dan saluran distribusi produk tersebut.

Teknik analisis multivariat secara dasar diklasifikasi menjadi dua, yaitu


analisis dependensi dan analisis interdependensi. Analisis dependensi
berfungsi untuk menerangkan atau memprediski variable (variable)
tergantung dengan menggunakan dua atau lebih variable bebas. Yang
termasuk dalam klasifikasi ini ialah analisis regresi linear berganda, analisis
diskriminan, analisis varian multivariate (MANOVA), dan analisis korelasi
kanonikal.

Pada analisis statistika univariat, kita sudah mengenal analisi varian


(analysis of variance) atau ANOVA. ANOVA digunakan untuk
menganalisis apakah variable independen yang bersifat kualitatif
mempengaruhi variable dependen yang bersifat kuantitatif. Jumlah variable
dependen dalam ANOVA hanya satu. Jika kita kembangkan analisis
ANOVA ini dengan lebih dari dua variable dependen maka kita melakukan
analisis multivariat varian atau MANOVA.
Ringkasan Teknik Analisis Dependensi Multivariat
Pada bagian ini akan dibahas mengenai ringkasan teknik-teknik
analisis depedensi multivariat sebagaimana dalam table 1.1 di bawah ini.

 
Pengukuran Pengukuran
Jumlah Jumlah
Untuk Untuk
Teknik Tujuan Variabel Variabel
Variabel Variabel
Tergantung Bebas
Tergantung Bebas
Untuk menganalisis secara bersmaan
Regresi
pengaruh beberapa variable bebas terhadap 1 2 atau lebih Interval Interval
Berganda
satu variable tergantung
Untuk memprediksi probabilitas suatu
Analisis obeyek-obyek atau individu-individu yang
1 2 atau lebih Nominal Interval
Diskriminan dimiliki oleh beberapa kategori yang berbeda
didasarkan pada bebrapa variable bebas
Korelasi Untuk menentukan tingkat hubungan linear
2 atau lebih 1 Interval Interval
Kanonikal dua perangkat beberapa variable
Untuk menentukan apakah terdapat
perbedaan signifikan secara statistik pada
MANOVA 2 atau lebih 1 Interval Nominal
beberapa variable yang terjadi secara serentak
antara dua tingkatan dalam satu variabel
 

2.2 Pengertian MANOVA (Multivariate Analysis of Variance)


MANOVA atau Multivariate Analysis of Variance merupakan
pengembangan dari ANOVA, yaitu sebagai metode statistik suatu teknik
statistik yang digunakan untuk menghitung pengujian signifikansi perbedaan
rata-rata secara bersamaan antara kelompok untuk dua atau lebih variable
terikat. Karakteristik pada MANOVA yaitu variabel bebas bisa lebih dari
satu atau satu, namun variabel terikat harus lebih dari satu. Skala pengukuran
variabel bebas berjenis kategorikal artinya data bisa berupa data nominal atau
ordinal, sedangkan pada variabel terikat merupakan variabel kontinu artinya
data bisa berupa interval atau rasio .
Asumsi yang harus di penuhi dalam MANOVA yaitu:
1. Distribusi datanya harus normal multivariat.
2. Matriks varian kovarian antar levelnya harus sama.
3. Setiap pengamatan manova diasumsikan bersifat independen.
4. Manova mengasumsikan bahwa variabel bebas adalah kategorik
dan variabel terikat variabel kontinu dan juga bersifat homogenitas.

Pada Analisis Varians Multivariat ada statistik uji yang dapat


digunakan yaitu sebagai berikut:
1. Uji hasil bagi kemungkinan, dengan statistik uji (lambda) dari Wilks atau

statistik uji U,
dimana (JKK) = matriks varians kovarians kekeliruan
dan (JKPr) = matriks varians kovarians perlakuan
2. Uji telusur dari lawley Hotelling dengan statistik LH tr (JKK) -1 (JKPr) ,
dimana (JKK)-1 adalah invers dari matriks varians kovarians kekeliruan,
sedang (JKPr) adalah matrik varians kovarians perlakuan yang
bersangkutan.
3. Uji akar maksimum dari Roy, dengan statistik uji R = akar
karakteristik maksimum dari (JKK)-1 (JKPr)

4. Uji pillai dengan statistik uji dimana adalah


akar-akar karakteristik dari (JKK)-1 (JKPr).

Dalam hal ini diberikan statistik yang menggunakan statistik U. Ada


beberapa sifat pada statistik U yang digunakan untuk menganalisis yaitu,
1. Distribusi U dengan derajat kebebasan (p;m;n) sama dengan distribusi U
yang berderajat kebebasan (m;p;n+m-p)
2. Untuk p = 2 nilai Up;m;n dapat ditransformasikan ke nilai F dengan rumus

dimana U2;m;n menyatakan nilai variabel acak


yang berdistristribusi U dengan derajat kebebasan (2;m;n), sedangkan
F2m;2(n-1) menyatakan nilai variabel acak yang berdistribusi F dengan
derajat kebebasan [2m;(2n-2)].

3.

4.

5.

, 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 variable independen. Sedangkan
pada kasus lebih dari satu variable independen maka keduanya berbeda.

Kegunaan dan Kelebihan MANOVA


MANOVA digunakan untuk mengetahui apakah vektor rata-rata
populasi sama, dan jika tidak sama, komponen rata-rata mana yang berbeda
secara nyata. Karena kemampuannya untuk menganalisis beberapa
pengukuran variabel terikat secara simultan, MANOVA memiliki kelebihan:
• Menyediakan kontrol tingkat kesalahan eksperimen ketika terjadi beberapa
derajat inter-korelasi diantara variabel terikat.
• Menyediakan statistik yang lebih kuat dari ANOVA ketika variabel
terikatnyaberjumlah 5 atau kurang.

2.3 Distribusi Normal Multivariat


Variabel acak X dikatakan berdistribusi normal dengan rerata  dan
varians 2, dimana  jika fungsi kerapatan probabilitas dari X tertentu

dengan rumus :
grafik dari merupakan kurva atau garis lengkung, atau biasanya
dikatakan bentuk lonceng (irisan bentuk lonceng).
Pada situasi multivariat, yang terlibat adalah sekelompok variabel

dikatakan berdistribusi normal p-variat dengan vektor rerata

dan matriks varians-kovarians atau matriks dipersi ,


jika fungsi kerapan probabilitas bersama dari p variabel tertentu oleh rumus:

dimana

Jika X i, X 2,..., X berdistribusi normal multivariat maka


p

( X   )'   1 ( X   )
berditribus  2 . Berdasarkan sifat ini maka pemeriksaan
i p

distribusi multinormal dapat dilakukan dengan cara membuat q-q plot dari
nilai d
 X  X )' S  1 ( X  X , i  1,..., n .
2 i
i

Tahapan dari pembuatan q-q plot ini adalah sebagai berikut (Johnson,
1990):
1. Menentukan nilai vektor rata-rata : X

2. Menentukan nilai matriks varians-kovarians : S


3. Menentukan nilai jarak setiap titik tergeneralisasi pengamatan dengan
vektor rata-ratanya d
 X  X )' S  1 ( X  X , i  1,..., n
2 i
i

4. Mengurutkan nilai d 2 dari kecil ke besar : d 2 d2 d2  ...  d 2


i (1 (2) (3) (n)
)

5. Menentukan nilai i1/2


p i , i  1,..., n
n
qi

6. Menentukan nilai sedemikian hingga


q
i
 f(2)d2p i



7. Membuat scatter-plot d 2 dengan q


(i i

8. Jika scatter-plot ini cenderung membentuk garis lurus dan lebih dari 50 %
)

nilai d 2 2
i
 p , 0 .50

dimana
:
- Xi = objek pengamatan ke i
- n = banyak pengamatan
- S-1 = invers matrik varians kovarians yang berukuran p x p
- p = banyak variabel
Selain dengan memeriksa nilai jarak Mahalanobis setiap pengamatan
dengan vektor rata-ratanya. Menurut Mardia (1974) di dalam Rencher (1995)
pemeriksaan kemultinormalan data dapat juga dikaji melalui nilai
multivariate
1 n n
skewnewss ( 1,
) dan kurtosisnya ( 2,
) b1 , p  n2
  g i3 dan
p p j
b b
i1j1

n
1
b 2,p 
 g ii
2
sedangkan g (X i
 X )' S 1 ( X j  X ) Jika
n i1 ij

X i , X 2 ,..., X p
dikatakan berditribusi normal multivariat maka :

- z  ( p  1)( n  1)( n  3 )
b1 , berditribusi dan
2

6 ( n  1)( p  1)  6 
1 p ( p  1 )( p  2 ) / 6
p

b 2,p p ( p  2 )
- z
2
8p(p2)/n
berdistribusi normal baku.

2.4 Uji Homogenitas Matrik


Beberapa analisis statistika multivariate seperti discriminant analysis
dan MANOVA membutuhkan syarat matriks varians-kovarians yang homogen.
Untuk menguji syarat ini dapat dipergunakan statistik uji Box-M. Hipoteris
dan statistik uji Box-M adalah (Rencher, 1995) :
Hipotesis
- Ho :   
1 2
 ...   k

- H1 :   i  untuk
j
ij

Statistik uji :  k
1 k

 hitun v
2
1  l S pool
g   2 (1  c )1 
 v i ln S
n
i 
i1 ii 1 
2 i 2

 
k

v i
S
 k1 1 2p23p1 
i i

dan S poo 
i1
c   v   vi n1 Terima
k 1  k  6 ( p  1)( k  1)
l
 
v
i1
i  vi

i1 i
i 1

hipotesis nol yang berarti matriks varians-kovarians bersifat homogen jika


2

 hitung  
2
1
(k1)p(p1
2

Adapun langkah-langkah uji homogenitas varians-kovarians menggunakan


program SPSS 16 adalah sebagai berikut:
a. Buka aplikasi SPSS .
b. Dari worksheet, entry data dilakukan melalui Variable View dan
Data View.
c. Dari menu utama SPSS dipilih menu Analyze, kemudian submenu
General Linear Model dipilih Multivariate.
d. Setelah tampak dilayar tampilan window Multivariat, kemudian
melakukan entry variabel-variabel yang sesuai pada kotak
Dependent Variables dan Fixed Factor(s).
e. Selanjutnya Option dipilih Homogenitas test dan Continue, terakhir OK.

2.5 Uji Korelasi Antar Variabel


Variabel dikaatakan bersifat saling bebas (independent)
jika matriks korelasi antar variabel membentuk matriks identitas. Korelasi
antar variabel dilakukan dengan menggunakan uji Bartlett Sphercity pada
program SPSS. Hipotesis yang digunakan pada uji tersebut adalah sebagai
berikut:
Statistik uji yang digunakan yaitu:
Berikut adalah flowchart dari langkah-langkah pengerjaan analisis data:

Data Uji Variabel Y dengan Variabel X

Uji Independensi

ANOVA

Pemeriksaan Asumsi

Normal Multivariat Kesamaan Matriks Varian Kovarian

Tidak Memenuhi Pemeriksaan Asumsi

Memenuhi Pemeriksaan Asumsi

Manova
PEMBAHASAN DAN ANALISA

3.1 Pembahasan
Proses Pengambilan Keputusan MANOVA
Proses melakukan analisis multivariate varian mirip dengan banyak
teknik multivariate lainnya, sehingga dapat digambarkan melalui 6-proses.
Tahap 1 : Tujuan MANOVA
Pemilihan MANOVA didasarkan pada keinginan untuk menganalisis
hubungan ketergantungan yang direpresentasikan sebagai perbedaan dalam
serangkaian ukuran dependen.

Masalah dalam Menggunakan MANOVA


Pengendalian Tingkat Kesalahan dari Percobaan. Penggunaan
univariat yang terpisah ANOVA atau uji t dapat membuat masalah ketika
mencoba untuk mengontrol tingkat kesalahan dari percobaan.
Perbedaan antara Kombinasi Variabel Dependen. Univariat
ANOVA juga menolak kemungkinan beberapa kemungkinan dari variable
dependen dapat memberikan bukti adanya perbedaan kelompok secara
keseluruhan yang mungkin dapat menghilang tanpa diketahui oleh penguji
di setiap variable dependen terpisah. MANOVA akan lebih kuat
dibandingkan uji univariat terpisah dalam beberapa cara:
1. MANOVA dapat mendeteksi kombinasi perbedaan yang tidak ditemukan
dalaam uji univariat
2. Jika beberapa varietas, maka mereka mungkin dapat memberikan dimensi
perbedaan yang dapat membedakan antara kelompok-kelompok yang lebih
baik dari variable tunggal.
3. Jika jumlah variabel dependen disimpan relatif rendah (lima atau lebih
sedikit), kekuatan statistic dari uji MANOVA sama atau melebihi yang
diperoleh dalam ANOVA

Memilih Ukuran Dependen


Dalam mengenali pertanyaan yang sesuai untuk MANOVA, yang juga
penting untuk didiskusikan adalah pengembangan pertanyaan penelitian,
khususnya memilih ukuran dependen. Masalah yang umum ditemukan
dalam MANOVA adalah kecenderungan peneliti untuk menyalahgunakan
salah satu kekuatan yaitu kesediaan untuk menangani beberapa ukuran
dependen dengan memasukkan variable tanpa dasar konseptual atau dasar
teori. Masalah yang terjadi ketika hasil menunjukkan bahwa serangkaian
variable dependen memiliki kemampuan untuk mempengaruhi interpretasi
perbedaan keseluruhan antar kelompok.
Ringkasan : Proses keputusan dalam MANOVA
1. MANOVA merupakan pengembangan dari ANOVA yang menguji
pengaruh satu variable atau lebih variable independen nonmetric pada dua
atau lebih variable dependen metric.
2. Selain kemampuan untuk menganalisis beberapa variable dependen,
MANOVA memiliki kegunaan :
a. Mengontrol tingkat kesalahan percobaan ketika bebera derajat interkorelasi
antar variable dependen
b. Menyediakan lebih banyak kekuatan statistic dibandingkan ANOVA ketika
jumlah variable dependen adalah 5 atau lebih sedikit.
3. Variabel dependen nonmetric membuat kelompok antara variable dependen
yang setara, seringkali kelompok mewakili variable percobaan atau
“treatment effect”
4. Peneliti harus hanya mencakup variable dependen yang mempunyai
dukungan teoritis yang kuat
Tahap 2 : Masalah dalam kerangka penelitian MANOVA
Prinsip-prinsip kerangka dasar dan menggambarkan isu-isu unik
yang timbul dalam analisis MANOVA:

Ketentuan Ukuran Sampel


Seperti teknik multivariate lainnya, MANOVA dipengaruhi oleh ukuran
sampel yang digunakan. Perbedaan yang paling mencolok dari MANOVA
(teknik lain dalam mentaksir seperti uji t dan ANOVA) adalah ketentuan
ukuran sampel berhubungan dengan ukuran kelompok, bukan total sampel
dengan sendirinya. Sejumlah isu dasar yang timbul mengenai ukuran
sampek yang dibutuhkan dalam MANOVA:
a. Minimal,sampel disetiap sel (kelompok) harus lebih besar dari jumlah
variable dependen.
b. Sebagai panduan praktis, ukuran minimum sel yang disarankan adalah 20
observasi. Kuantitas ini adalah per kelompok, yang memerlukan sampel
secara keseluruhan yang cukup besar pun juga untuk analisis yang cukup
sederhana.
c. Karena jumlah variable dependen meningkat, ukuran sampel yang
digunakan untuk mempertahankan penambahan kekuatan statistic adalah
baik
Peneliti harus berusaha untuk mempertahankan ukuran sampel yang
sama atau kira-kira sama per kelompok. Meskipun program computer dapat
dengan mudah mengakomodasi ukuran kelompok yang tidak sama,
tujuannya adalah untuk memastikan bahwa ukuran sampel yang cukup
tersedia untuk semua kelompok. Dalam kebanyakan kasus, efektivitas
analisis ini adalah ketentuan dari ukuran kelompok terkecil, sehingga selalu
membuat pertimbangan ukuran sampel sebagai perhatian utama.

Factor Desain – Dua treatment atau lebih


Sering kali peneliti ingin meneliti untuk menguji pengaruh dari variable
independen atau treatment yang lebih besar dibandingkan dengan hanya
menggunakan treatment tunggal di salah satu ANOVA. Analisis dengan dua
treatmen atau lebih yang disebut Factorial Design. Sebuah design dengan n
treatment disebut n-way factorial design.

Memilih Treatment
Dalam hal ini, variable independen ditentukan dalam desain
percobaan atau termasuk dalam desain percobaan lapangan atau kuesioner.
Jenis Treatment. Cara yang paling tepat untuk menghitung pengaruh
adalah blocking factor, yang merupakan karakteristik menggunakan post
hoc untuk mengelompokkan responden. Tujuannya adalah untuk
mengelompokkan responden agar memperoleh homogenitas dalam
kelompok dan mengurangi sumber MSw varian. Ringkasnya, karakteristik
nonmetric apapun dapat dimasukkan langsung ke dalam analisis untuk
memperhitungkan dampaknya terhadap tindakan tergantung. Namun, jika
variabel Anda ingin mengontrol adalah metrik, mereka dapat dimasukkan
sebagai kovariat
Jumlah Treatmen. Salah satu keuntungan dari teknik multivatiate
adalah penggunaan beberapa variabel dalam analisis tunggal. Untuk
MANOVA, bagian ini berkaitan dengan jumlah variabel dependen yang
dapat dianalisis secara bersamaan. Tapi bagaimana dengan jumlah treatment
(jika variable independen?) Meskipun ANOVA dan MANOVA dapat
menganalisis beberapa treatment dalam satu waktu, beberapa hubungan
pertimbangan terkait sejumlah treatmen dalam analisis:
a. Jumlah Bentukan Sel. Sebagaimana dijelaskan dalam contoh kita
sebelumnya, jumlah sel adalah produk dari jumlah tingkat untuk setiap
perlakuan. Sebagai contoh, jika kita memiliki dua treatment dengan dua
tingkat masing-masing dan satu pengobatan dengan empat tingkat, total 16
sel (2 x 2 x 4 = 16) akan terbentuk. Mempertahankan ukuran sampel yang
cukup untuk setiap sel (dengan asumsi 20 responden per sel) maka akan
membutuhkan jumlah sampel 320.
b. Menciptakan Efek Interaksi. Dilain waktu banyak perlakuan yang
digunakan, efek interaksi adalah diciptakan. Istilah interaksi menjelaskan
keterkaitan 2 atau lebih perlakuan. Sederhananya, menjelaskan tentang
perbedaan antara grup dari satu treatment tergantung pada nilai atau
treatment yang lain. Istilah interaksi diciptakan pada setiap kombinasi dalam
variable treatment. Two-way interaction adalah variable yang diambil 2
sekaligus. Three-way interaction adalah kombinasi dari 3 variabel, dan
seterusnya. Urutan treatment menentukan kemungkinan istilah interaksi.
Bagan di bawah ini menunjukkan interaksi menciptakan dua, tiga, dan
empat independent variable.

Menggunakan Covariates – ANCOVA dan MANCOVA


Kita mendiskusikan awal penggunaan blocking factor untuk mengontrol
pengaruh variable dependen yang bukan bagian dari rancangan riset tidak
perlu menjadi perhitungan di analisis. Itu memungkinkan peneliti untuk
mengontrol pada variable nonmetric. Tentang apa matrik variable?
Suatu pendekatan akan menjadi pengubah variable metric menjadi
variable nonmetric (conntohnya median, split dll) tapi proses ini secara
umum tidak memuaskan untuk dipertimbangkan karena banyak dari isi
informasi di variable metric hilang dalam perubahan. Pendekatan yang
kedua adalah untuk memasukkan variable metric sebagai covariate. Variabel
ini dapat menggali pengaruh yang tidak relevan dari variable dependent, jadi
penambahan di dalam kelompok varian. Prosesnya ada dua step:
1. Prosedur sama dengan regresi linear digunakan untuk menghapus variasi di
variable independen menghubungkan dengan 1 atau lebih covariate
2. Sebuah analisis konvensional melaksanakan penyesuaian variable
dependent.
Ketika menggunakan ANOVA, dengan istilah analisis ANCOVA
dan pengembangan sederhana dari ANCOVA ke multivariate (kelipatan
variable dependen) analisis ini dikenal dengan istilah MANCOVA.
Tujuan Analisis Covarian
Tujuan covariat adalah untuk mengurangi beberapa efek seperti: (1)
hanya mengubah sebagian responden atau (2) merubah salah satu
responden. Sama dengan menggunakan blocking factor, analisis covariat
dapat menerima 2 tujuan sspesifik:
a. Untuk mengurangi beberapa kesalahan sistematik diluar control dari peneliti
yang dapat membiaskan hasil
b. Untuk menghitung perbedaan kecocokan responden terhadap karakteristik
yang unik dari responden
Memilih Covariate
Covariat yang efektif adalah yang memliki hubungan yang tinggi dengan
variable dependen, tetapi tidak ada hubungan dengan variable independen.
Eror term varian dalam bentuk dasar variable dependen.
a. Jika covariat berhungn dengan variable dependen dan tidak dengan variable
independen, kita dapat menjelaskan beberapa dari varian dengan
covariat,menghilangkan varian residual yang lebih kecil dalam variable
dependen. Varian residual menentukan error term yang lebih kecil (MS w)
untuk F statistic dan menjadi uji yang lebih efisien pada treatment. Jumlah
penjelasan oleh covariat yang tanpa hubungan akan tidak dapat dijelaskan
oleh variable independen. Jadi, uji dari variable independen lebih sensitive
dan kuat.
b. Meskipun demikian, jika covariat berhubungan dengan variable dependen,
kemudian covariat akan menjelaskan beberapa varian yang telah dijelaskan
oleh variable independen dan mengurangi pengaruhnya.Karena covariat
mengekstrak terlebih dahulu, gabungan variasi dengan covariat tidak
tersedia untuk varibel independen.
Jumlah Covariate
Pertanyaan yang umum meliputi berapa banyak covariat untuk ditambah
dalam analisis. Meskipun peneliti ingin menghitung untuk berapa pengaruh
yang mungkin tidak relevan, jumlah yang terlalu besar akan dikurangi untuk
efisiensi statistic berdasar prosedur.
Jumlah Covariat Maksimum = (.10 x Ukuran Sampel) – (Jumlah Kelompok
- 1)
Asumsi Analisis Covarian
Dua syarat untuk menggunakan analisis covariat:
a. Covariat harus mempunyai beberapa hubungan dengan ukuran dependen
b. Covariat harus memiliki homogenitas dari efek regresi, maksudnya covariat
mempunyai kesamaan dalam variable dependen antar group.

Spesial Kasus dalam MANOVA : Pengulangan Ukuran


Sebuah situasi khusus dari tipe ini ketika responden yang sama
menentukan beberapa ukuran, seperti uji nilai disetiap waktu, dan
menginginkan untuk menguji mereka dan melihat apakah beberapa
kecenderungan muncul. Tanpa treatment khusus, kita melanggar asumsi
penting, independen. Model MANOVA, istilah model pengulangan
ukuran, keterangan dari dependen dan masih memastikan apakah beberapa
perbedaan antara individual dengan serangkaian variable dependen.
Sedikitnya perspektif orang adalah penting jadi setiap orang ditempatkan
dalam hubungan yang sama.

Tahap 3: Asumsi dalam ANOVA dan MANOVA


Ketentuan analisis multivariate yang digunakan oleh MANOVA:
a. Pengamatan harus independen
b. Matrik varian-Covarian harus sama dengan perlakuan kelompok secara
keseluruhan.
c. Variabel dependen harus memiliki distribusi normal multivariate
d. Normal multivariate
e. Uji F kuat jika pelanggaran dari asumsi adalah sedang

Tahap 4: Estimasi MANOVA Model dan Menaksir Keseluruhan


Dalam SPSS prosedur  MANOVA disebut juga GLM Multivariat
digunakan untuk menghitung analisis regresi dan varians untuk variabel
tergantung lebih dari satu dengan menggunakan satu atau lebih variabel
faktor atau covariates. Variabel - variabel faktor digunakan untuk membagi
populasi kedalam kelompok-kelompok. Dengan menggunakan
prosedur general linear model ini, kita dapat melakukan uji H0 mengenai
pengaruh variabel-variabel faktor terhadap rata-rata berbagai kelompok
distribusi gabungan semua variabel  tergantung. Kita dapat meneliti
interakasi antara faktor-faktor dan efek dari faktor-faktor individu. Lebih
lanjut, efek-efek covariates dan interaksi antar covariate dengan semua
faktor  dapat dimasukkan. Dalam analisis regresi, variabel bebas
atau predictor dispesifikasi sebagai covariates.
Pilihan-Pilihan untuk GLM Multivariate
Estimated Marginal Means. Pilihlah faktor-faktor  dan interaksi yang
kita inginkan untuk estimasi  rata-rata marjinal populasi dalam sel-sel. Rata-
rata ini jika ada kemudian dicocokkan dengan covariates. Interaksi akan ada
jika kita mempunyai suatu model yang tetap.
Compare main effects. Menyediakan perbandingan pasangan yang
tidak terkoreksi antara rata-rata marjinal yang diestimasi untuk setiap efek
dalam suatu model, yaitu untuk antara dan dalam faktor. Pilihan ini hanya
tersedia jika efek-efek ditentukan dengan menggunakan opsi Display Means
For list.
Confidence interval adjustment. Pilihlah perbedaan signifikan yang
terkecil (least significant difference (LSD)), Bonferroni atau  Tidak
disesuaikan dengan  tingkat kepercayaan (confidence intervals)  dan
signifikansi. Opsi ini tersedia jika pilihan diberikan jika efek-efek utama
perbandingan dipilih.

Tahap 5: Menginterpretasi Hasil MANOVA


Tiga rangkaian tahap yang harus diambil:
1. Penggambaran pengaruh covarian jika digunakan.
2. Menaksir varibel independen yang menunjukkan perbedaan antara
kelompok pada setiap treatment.
3. Mengidentifikasi apakah perbedaan group pada variable tunggal atau
seluruh varian dependen.
Pertama, kita menguji metode dengan covariat signifikan dan variable
dependen diidentifikasi, kemudian kita menunjukkan metode dengan
membedakan salah satu kelompok individu.

Menginterpretasikan Covariat dan Dampak-dampak Interaksi


Ketika covariat berada disebuah model GLM:
a. Analisa model tersebut, pertama dengan covariat, kedua tanpa covariat
b. Apabila covariat tidak memperbaikikekuatan statistic atau tidak memiliki
efek terhadap signifikansi pengujian, jika demikian mereka bisa dihilangkan
dari analisis akhir.

Ketika dua atau lebih variable independen masuk dalam analisis


interaksi, harus diteliti sebelum menarik kesimpulan mengenai dampak
utama variable independen manapun:
a. Jika interaksinya tidak secara statistic penting, maka dampak utamnya dapat
di interpretasikan secara langsung karena perbedaan antra treatmen
diangggap konstan
b. Jika interaksinya secara statistic penting atau signifikan dan perbedaannya
tidak konstan di bereapa kombinasi level maka interaksi harus ditentukan
apakah ordinal atau disordinal:

TAHAP 6: Validasi Hasil


Kemampuan untuk memvalidasi hasil dalam situasi didasarkan pada
peniruan dari perawatan. dalam banyak kasus, karakteristik demografi
seperti usia, jenis kelamin, pendapatan, dan menyukai digunakan sebagai
pengobatan. perawatan ini mungkin tampak untuk memenuhi kebutuhan
komparatif, namun peneliti harus memastikan bahwa elemen tambahan
tugas acak ke tabel juga terpenuhi, namun sering kali dalam survei
penelitian keacakan belum sepenuhnya tercapai.

Masalah yang akan dibahas yaitu kemampuan siswa dalam menguasai


mata pelajaran matematika dilihat dari nilai kognitif, afektif dan tingkat
kecerdasan IQ. Data terdiri dari dua variabel terikat Y1 (nilai kognitif) dan Y2
(nilai afektif) dan variabel bebas X (tingkat kecerdasan IQ).
Berikut data yang akan digunakan dalam analisis MANOVA yang
terdiri dari data nilai kognitif dan nilai afektif siswa dengan tingkat kecerdasan
IQ siswa.
Variabel bebas:X= tingkat kecerdasan IQ siswa
 level 1 siswa yang memiliki tingkat kecerdasan IQ, x ≤ 100
 level 2 siswa yang memiliki tingkat kecerdasan IQ ,100 < x ≤ 125
 level 3 siswa yang memiliki tingkat kecerdasan IQ ,125 < x ≤ 150
 level 4 siswa yang memiliki tingkat kecerdasan IQ , x >150
Variabel terikat:
Y1:Nilai Kognitif siswa
Y2: Nilai Afektif siswa
Tabel 1: Data nilai kognitif siswa, nilai afektif siswa, dan tingkat kecerdasan IQ
No. Y1 Y2 X No Y1 Y2 X
1. 78 75 1 31. 75 72 3
2. 81 78 3 32. 87 84 3
3. 79 76 1 33. 78 75 4
4. 84 81 2 34. 84 81 4
5. 80 77 2 35. 87 84 4
6. 78 75 2 36. 87 84 1
7. 77 74 1 37. 77 74 1
8. 77 74 1 38. 83 80 1
9. 80 77 3 39. 83 78 2
10. 80 77 4 40. 84 80 2
11. 80 77 4 41. 78 78 2
12. 76 73 1 42. 80 80 3
13. 87 84 4 43. 80 78 3
14. 83 80 1 44. 80 79 3
15. 84 81 2 45. 75 78 4
16. 81 78 2 46. 83 79 4
17. 80 77 2 47. 81 78 2
18. 78 75 2 48. 84 79 3
19. 86 83 3 49. 77 80 2
20. 79 76 1 50. 82 80 4
21. 85 82 4 51. 79 78 2
22. 78 75 4 52. 8 79 2
23. 62 59 1 53. 78 77 2
24. 77 74 2 54. 83 80 3
25. 76 73 1 55. 75 72 1
26. 76 73 1 56. 82 79 2
27. 83 80 2 57. 85 79 3
28. 74 71 2 58. 78 76 1
29. 75 72 2 59. 68 74 1
30. 83 80 3 60. 80 78 2

Sebelum melakukan analisis MANOVA, terlebih dahulu ada asumsi-


asumsi yang harus dipenuhi terlebih dahulu yaitu data berdistribusi normal
multivariate normal dan dan varians data adalah homogen. Berikut
pemeriksaan asumsi-asumsi MANOVA.

a. Pengujian Distribusi Multivariat Normal


Variabel yang diuji hanyalah variabel terikat Y1 (nilai kognitif) dan Y2
(nilai afektif). Berikut pengujian multivariate normal dengan
menggunakan macro minitab:
Berikut scatterplot dari q vs dj

Dilihat dari tabel diperoleh 77.9305 dan bernilai 0.858


sehingga . Dan karena plot membentuk garis lurus sehingga
dapat disimpulkan data ini berdistribusi normal multivariat.

b. Homogenitas Matrik Varian Covarian


Hipotesis:
H :0 Matrik varians covarians adalah homogen

H 1:
Matrik varians covarians tidak homogen
 Hipotesis
 H=
0
Kedua variabel Y ( nilai kognitif dan nilai afektif)
mempunyai matrik varian-kovarian yang sama variabel X (tingkat
kecerdasan IQ).
 H :1 Kedua variabel Y ( nilai kognitif dan nilai afektif) mempunyai
matrik varian-kovarian yang berbeda variabel X (tingkat
kecerdasan IQ).
 Kriteria Keputusan
 Jika angka sig. > 0,05, maka H diterima
0

 Jika angka sig. < 0,05, maka H ditolak


0

 Output
Dari table terlihat nilai Box’M=12,186 dengan nilai signifikasi
0,254. Karena nilai signifikan lebih besar dari 0,05, maka H 0
diterima.

Artinya matrik varians-kovarians pada variabel Y ( nilai kognitif dan


nilai afektif) adalah sama untuk X (tingkatan kecerdasan IQ). Dengan
demikian keputusan gagal menolak H dan
0 matrik varians-kovarians
pada data sudah homogen.

c. Uji homogenitas varian

Dengan taraf signifikansi 0,05 dari tabel di atas terlihat angka


signifikansi uji Levene diatas menunjukan bahwa untuk kedua variabel Y,
yaitu :
 Y1 nilai F=0.722 dengan signifikansi 0,543 > 0,05.
 Y2 nilai F=0.693 dengan signifikansi 0,560 > 0,05.
Maka H diterima.
0
Hal ini berarti matrik varians-kovarians pada variabel
Y1 dan Y2 secara individu adalah sama untuk setiap variabel X. Sehingga
bisa dilanjutkan dengan analisis MANOVA.

d. Tabel Manova
Tabel Multivariate Test dibawah ini menjelaskan pengujian perbandingan
rata-rata komponen kognitif dan komponen afektif secara bersamaan
dengan komponen IQ. Terdapat uji statistic, yaitu Pillai’s Trace, Wilk’s
Lamda, Hotelling Trace, dan Roy’s Largers.

 Hipotesis
 H=
0
variabel X (tingkat kecerdasan IQ) tidak menunjukkan
perbedaan pada kedua variabel Y (nilai kognitif dan nilai afektif).
 H1: variabel X (tingkat kecerdasan IQ) menunjukkan perbedaan
pada kedua variabel Y ( nilai kognitif dan nilai afektif).
 Kriteria Keputusan
 Jika angka sig. > 0,05, maka
H diterima
0

 Jika angka sig. < 0,05, maka


H ditolak
0

Perhatikan pada baris X pada angka signifikansi yang diuji dengan


prosedur Pillai, Wilk’s Lambda, Hotelling dan Roy’s. Ketiga procedure
yang pertama menunjukan angka signifikansi diatas 0.05 yaitu 0.037,
0.031, 0.026 dan 0,004. Maka bisa dikatakan Ho ditolak. Karena Ho
ditolak maka secara bersama-sama nilai kognitif dan afektif menunjukkan
perbedaan pada tingkat kecerdasan IQ.

e. Pengujian Model Secara Univariat

 Hipotesis
Hipotesis untuk variabel Y dan X secara individu
 Untuk faktor X dan Y1 (nilai kognitif)
 H=
0
Rata-rata variabel Y (nilai kognitif) tidak menunjukkan
perbedaan pada variabel X (Komponen IQ).
 H=
1
Rata-rata variabel Y (nilai kognitif) menunjukkan
perbedaan pada variabel X (Komponen IQ).
 Untuk faktor X dan Y2 (nilai afektif)
 H=
0
Rata-rata variabel Y (nilai afektif) tidak menunjukkan
perbedaan pada variabel X (tingkat kecerdasan IQ).
 H=
1
Rata-rata variabel Y (nilai afektif) menunjukkan
perbedaan pada variabel X tingkat kecerdasan IQ).
 Kriteria Keputusan
 Jika angka sig. > 0,05, maka
H diterima
0

 Jika angka sig. < 0,05, maka


H ditolak
0
 Output
 Untuk faktor X dan Y1 (nilai kognitif)
Perhatikan baris faktor X dan sub Y1, dimana angka signifikansi
adalah 0,006. Karena lebih besar dari 0,005, maka H diterima,
0

atau rata-rata Y2 memang berbeda secara nyata pada X.


 Untuk faktor X dan Y2 (Komponen Afektif)
Perhatikan baris faktor X dan sub Y2, dimana angka signifikansi
adalah 0,004. Karena kurang dari 0,005, maka H ditolak,
0
atau
rata-rata Y1 sama dengan X. Ini terjadi karena kemungkinan ada
siswa yang memiliki IQ, memiliki nilai kognitif lebih tinggi, atau
ada kemungkinan lain.
BAB IV
KESIMPULAN

Hasil pembahasan dan analisa yang dilakukan menunjukan bahwa data


yang digunakan dalam pembahasan ini berdistribusi normal multivariate. Pada
pengolahan data dengan menggunakan program paket SPSS didapat kesimpulan
bahwa varian-covarians masing-masing variabel yang digunakan dalam
pembahasan adalah homogen. Pengujian MANOVA dapat dilakukan karena
asumsi-asumsi awal dapat dipenuhi oleh data yang digunakan. Pengujian
MANOVA memberikan kesimpulan bahwa tingkat kecerdasan IQ menunjukkan
perbedaan terhadap nilai kognitif dan afektif siswa.