Kelas: C
Nim: G70119105
Prodi : Farmasi
Agar memahami Uji ANOVA, kita pelajari dulu arti dari Uji Anova. Anova merupakan
singkatan dari “analysis of varian“. Analysis of Varian adalah salah satu uji komparatif yang
digunakan untuk menguji perbedaan mean (rata-rata) data lebih dari dua kelompok. Misalnya
kita ingin mengetahui apakah ada perbedaan rata-rata IQ antara siswa kelas SLTP kelas I, II, dan
kelas III. Ada dua jenis Anova, yaitu analisis varian satu faktor (one way anova) dan analisis
varian dua faktor (two ways anova). Pada artikel ini hanya akan dibahas analisis varian satu
faktor.
Sedangkan pemenuhan terhadap asumsi kedua dan ketiga dapat dicek jika data telah dimasukkan
ke komputer. Jika asumsi ini tidak terpenuhi dapat dilakukan transformasi terhadap data.
Apabila proses transformasi tidak juga dapat memenuhi asumsi ini maka uji Anova tidak valid
untuk dilakukan, sehingga harus menggunakan uji non-parametrik misalnya Kruskal Wallis.
Prinsip ANOVA
Prinsip Uji Anova adalah melakukan analisis variabilitas data menjadi dua sumber variasi yaitu
variasi di dalam kelompok (within) dan variasi antar kelompok (between).
Bila variasi within dan between sama (nilai perbandingan kedua varian mendekati angka satu),
maka berarti tidak ada perbedaan efek dari intervensi yang dilakukan, dengan kata lain nilai
mean yang dibandingkan tidak ada perbedaan.
Sebaliknya bila variasi antar kelompok lebih besar dari variasi didalam kelompok, artinya
intervensi tersebut memberikan efek yang berbeda, dengan kata lain nilai mean yang
dibandingkan menunjukkan adanya perbedaan.
Setelah kita pahami sedikit tentang One Way Anova, maka mari kita lanjutkan dengan
mempelajari bagaimana melakukan uji One Way Anova dengan SPSS.
Sebagai bahan uji coba, maka kita gunakan contoh sebuah penelitian yang berjudul “Perbedaan
Pendapatan Berdasarkan Pekerjaan”.
Di mana pendapatan sebagai variabel terikat bertipe data kuantitatif atau numerik. Sedangkan
pekerjaan sebagai variabel bebas berskala data kualitatif atau kategorik. Yaitu dengan 3 kategori:
Tani, Buruh dan Lainnya. (Ingat bahwa uji One Way Anova dilakukan apabila variabel terikat
adalah interval dan variabel bebas adalah kategorik). (Pelajari juga tentang Pengertian Data)
Langsung Saja: Masuk ke pembahasan Tutorial Uji ANOVA di bawah ini.
Buka SPSS.
Buka Tab Variable View, buat 2 variabel: Pekerjaan dan Pendapatan.
Ubah Type Pekerjaan ke “Numeric”, Decimals “0”, beri label “Pekerjaan”, ubah measure
menjadi “Nominal” dan isi value dengan kategori: 1 = Tani, 2 = Buruh dan 3 = Lainnya.
Ubah Type Pendapatan ke “Numeric”, Decimals “0”, beri label “Pendapatan”, ubah
measure menjadi “Scale”.
Co
ntoh Data Uji ANOVA
Buka Data View dan isikan data sebanyak 24 responden sebagai berikut:
Pada menu, pilih Analyze, Compare Means, One-Way ANOVA, sampai muncul jendela
One-Way ANOVA seperti di bawah ini:
Pilih variabel “Pendapatan” lalu masukkan ke kotak “Dependent List:” Kemudian pilih
variabel “Pekerjaan” lalu masukkan ke kotak “Factor:” Sehingga nampak seperti di
bawah ini:
Klik tombol Options, akan muncul jendela ini: Centang “Descriptive” dan “Homogenity
of variance test“
Klik Continue
Masih dijendela One Way ANOVA, klik tombol Post Hoc, sampai muncul jendela ini:
Centang Bonferroni dan Games-Howell serta biarkan significance level = 0,05.
Klik Continue.
Lalu Klik OK dan Lihatlah hasil!
Jika hasil uji menunjukan Ho gagal ditolak (tidak ada perbedaan), maka uji lanjut (Post
Hoc Test) tidak dilakukan. Sebaliknya jika hasil uji menunjukan Ho ditolak (ada
perbedaan), maka uji lanjut (Post Hoc Test) harus dilakukan.
Karena hasil uji Anova menunjukan adanya perbedaan yang bermakna, maka uji
selanjutnya adalah melihat kelompok mana saja yang berbeda.
Untuk menentukan uji lanjut mana yang digunakan, maka kembali kita lihat tabel Test of
Homogeneity of Variances, bila hasil tes menunjukan varian sama, maka uji lanjut yang
digunakan adalah uji Bonferroni. Namun bilai hasil tes menunjukan varian tidak sama,
maka uji lanjut yang digunakan adalah uji Games-Howell.
Dari Test of Homogeneity menghasilkan bahwa varian ketiga kelompok tersebut sama,
maka uji lanjut (Post Hoc Test) yang digunakan adalah Uji Bonferroni.
Dari tabel Post Hoc Test di atas memperlihatkan bahwa kelompok yang menunjukan
adanya perbedaan rata-rata pendapatan (ditandai dengan tanda bintang “*”) adalah
Kelompok “Tani” dan “Lainnya”.
Pelajari juga cara melakukan uji One Way Anova dengan menggunakan software MS Excel.
Silahkan anda membaca artikel “One Way Anova dalam Excel” dan “Hitung Manual One Way
Anova dengan Excel“.
Uji two way anova (uji anava dua arah) digunakan untuk pengujian statistik yang
lebih dari 2 sampel, uji anava dua arah ini digunakan untuk mengetahui apakah ada
interaksi antar faktor yang akan di teliti. Pada dasarnya uji ini sama dengan uji
yang lain yang bertujuan sama-sama untuk mengetahui varians setiap faktor hanya
saja langkah untuk menempuh hasil yang berbeda-beda tergantung banyaknya
sampel dan uji statistik yang hendak dipakai.
Contoh: Seorang guru ingin mengetahui prestasi belajar siswa berdasarkan gender
(laki-laki dan perempuan) setelah menerapkan model pembelajaran kooperatif
pada materi yang sama. Sampel yang diambil 3 sekolah, dimana ketiga sekolah
tersebut diterapkan model pembelajaran yang berbeda. Berikut hasil tes belajarnya:
6. Ketik 1 pada kotak value, ketik Model A pada kotak Label, lalu klik Add. dan
ketik 2 pada kotak value, ketik Model B pada kotak Label, lalu klik Add. dan ketik
3 pada kotak value, ketik Model C pada kotak Label, lalu klik Add. jika sudah di
isi semua terlihat seperti gambar berikut:
7. Setelah itu klik OK.
8. Baris ke tiga ketik Gender pada kolom name, lalu pada values posisikan mouse
pada sudut kotak None lalu klik sampai muncul kotak Value Label seperti pada
langkah ke 5. Ketik 1 pada kotak Value, ketik laki-laki pada kotak Label, lalu klik
Add. dan ketik 2 pada kotak Value, ketik perempuan pada kotak Label, lalu klik
Add. Jika sudah di isi semua terlihat seperti gambar berikut:
11. Selanjutnya klik data view ada di sebelah kiri variable view di bawah. Pada
kolom Nilai Isi semua nilai siswa dari nomor urut 1 sd 48 (sampel kita ada 3
sekolah, setiap sekolah ada 16 siswa, jadi 16x3=48 siswa), Lalu pada kolom
sekolah baris ke 1 sd 16 ketik 1 (ini kode untuk sekolah 1 yaitu model A), baris ke
17 sd 32 ketik 2 (ini kode untuk sekolah 2 yaitu model B), baris ke 33 sd 48 ketik 3
(ini kode untuk sekolah 3 yaitu model C). Pada kolom Gender isi 1 untuk laki-laki
dan 2 untuk perempuan, disesuaikan dengan soal yang telah diberikan di atas. Jika
sudah di isi semua maka hasil data view seperti gambar berikut:
12. Uji asumsi data berdistribusi normal atau tidak, cara uji normalitas data
13. Bila data sudah berdistribusi normal, langkah selanjutnya kita lanjut uji two
way anova yaitu: silahkan klik menu Analyze ---> General Linear Model --->
Univariate. Jika benar terlihat seperti pada gambar berikut:
14.Masukkan Nilai kedalam kotak Dependent Variabel, sedangkan Sekolah dan
Gender masukkan kedalam kotak Fixed Factor(s) terlihat seperti gambar berikut:
15. Kemudian klik Plots, maka muncul kotak Univariate: Profile Plots seperti
gambar dibawah, lalu masukkan variabel Gender kedalam kotak Horizontal Axis,
sedangkan variabel Sekolah masukkan kedalam kotak Separate Lines. Seperti
gambar berikut:
16. Selanjutnya klik Add, maka akan muncul di dalam kotak Plots
"Gender*Sekolah" seperti pada gambar berikut:
20. Selanjutnya klik Continue, lalu klik OK. maka kita sudah mendapatkan
Hasilnya untuk kita analisis apakah perlu uji lanjut ataukah tidak?
21. Interpretasi Hasil
Dari gambar Between-subjects Factor. Kita dapat mengetahui jumlah sekolah ada
3 dan ketiga sekolah menggunakan model yang berbeda yaitu sekolah 1
menggunakan model A yang ada dalam kolom Value Label, begitu juga untuk
sekolah 2 dan 3. sedangkan banyak siswa setiap sekolah sama yaitu 16 siswa yang
terdiri dari laki-laki dan perempuan. Jadi jumlah keseluruhanan ada 48 siswa
didapat dari 21 siswa laki-laki dan 27 siswa perempuan. Berikut Analisis
selanjunya
Dari gambar Descriptive Statistics di atas, kita dapat mengetahui deskripsi hasil
dari nilai prestasi belajar siswa dari setiap sekolah berdasarkan gender. Misalnya:
Sekolah 1 menerapkan model A diperoleh nilai rata-rata (mean) untuk siswa laki-
laki sebesar 39,71, standar deviasi 5,251 dan jumlah siswa laki-laki ada 7.
sedangkan siswa perempuan diperoleh nilai rata-rata 36,67, standar deviasi 4.690
dan jumlah siswa perempuan 9. Begitu juga untuk sekolah 2 dan 3. Dari sini kita
belum bisa mengambil kesimpulan prestasi belajar dari setiap sekolah, karena
hanya deskripsi data saja. Berikut Analisis selanjutnya
Dari gambar Test of Between-Subjects Effects di atas merupakan hasil akhir dari
uji two way anova yang kita butuhkan.Berikut penjelasanya:
* Corrected Model
Dari koreksi model ini kita dapat mengetahui seberapa besar pengaruh variabel
independent (variabel bebas) terhadap variabel dependent (variabel terikat). Dalam
hal ini variabel independent yaitu faktor-faktor yang akan di ukur oleh peneliti
(sekolah, Gender dan sekolah*Gender) untuk menentukan hubungan antara
variabel dependent (nilai yang akan di amati). Dari tabel di atas bisa kita lihat
berdasarkan nilai (sig), bila niai sig < 0.05 yaitu (0.023 < 0.05) berarti model yang
diperoleh valid.
* Intercept
Nilai intercept dalam hal ini merupakan nilai siswa pada variabel nilai yang
berkontribusi pada nilai itu sendiri tanpa dipengaruhi oleh variabel independent,
artinya berubah nilai pada variabel dependent tidak ada pengaruh sedikit pun oleh
variabel independent. Dari tabel di atas bisa kita lihat berdasarkan nilai (sig), bila
niai sig < 0.05 yaitu (0.000 < 0.05) berarti intercept ini berkontribusi secara
signifikan
*Sekolah
Berpengaruh atau tidaknya sekolah terhadap hasil belajar siswa ditandai dari nilai
signifikan, dari tabel di atas nilai sig 0.057 atau nilai (0.57 > 0.05) dalam kasus ini
berarti sekolah tidak terlalu berpengaruh signifikan terhadap hasil belajar siswa.
* Gender
Berpengaruh atau tidaknya gender terhadap hasil belajar ditandai dari nilai
signifikan, dari tabel di atas nilai sig 0.245 atau nilai (0.245 > 0.05) dalam kasus ini
berarti gender tidak terlalu berpengaruh signifikan terhadap hasil belajarnya.
* Sekolah*Gender
Uji ini bertujuan untuk mengetahui apakah ada hubungan yang signifikan antara 2
faktor, dalam kasus ini kita akan menguji ada atau tidaknya interaksi antara model
pembelajaran dengan kelompok gender.
Hipotesis:
H0: tidak ada interaksi antara model pembelajaran terhadap kelompok gender
H1: ada interaksi antara model pembelajaran terhadap kelompok gender
Pengambilan keputusan:
jika F hitung < F tabel atau nilai sig > 0.05, maka H0 diterima
jika F hitung > F tabel atau nilai sig < 0.05, maka H0 di tolak, jadi terimalah H1
Keputusan:
Dari tabel di atas terlihat bahwa nilai F hitung 3.495 dan F tabel 3.19 (F tabel lihat
tabel distribusi F untuk anova) atau nilai signifikan yang di peroleh dari tabel di
atas sebesar 0.039. Jadi dapat disimpulkan: ada interaksi antara model
pembelajaran terhadap kelompok gender.
Karena ada interaksi antara model pembelajaran terhadap kelompok gender dari
setiap sekolah, maka disini kita perlu uji lanjut Post Hoc. Berikut cara uji lanjut
Post Hoc anova 2 arah
22. Uji lanjut
Kembali lagi ke langkah 1 sampai dengan langkah ke 19 di atas, setelah klik
Continue pada langkah ke 19. maka muncul seperti gambar berikut:
23. Klik Post Hoc pada gambar, maka muncul seperti gambar berikut:
24. Pada kotak Factor(s) pindahkan sekolah ke dalam kotak Post Hoc Test for,
disana ada beberapa pilihan untuk uji lanjut, disini kita menggunakan uji Tukey.
Seperti terlihat pada gambar berikut:
25. Setelah itu Klik Continue, lalu klik OK. Silahkan lihat hasilnya pada Post Hoc
Test (ada dibawah pada hasil output) atau seperti pada gambar berikut:
Artikel ini merupakan kelanjutan dari artikel sebelumnya: Aktivasi Add-Ins Analysis ToolPak.
Analisis Regresi di dalam MS Excel 2007 atau 2010 dapat dilakukan dengan mudah tanpa perlu
menggunakan alat atau software tambahan seperti SPSS, Minitab, dll. Berikut mari kita pelajari
tutorial analisis regresi dengan excel secara tahap demi tahap.
Misalnya kita ingin menduga persamaan regresi untuk melihat pengaruh harga dan pendapatan
terhadap permintaan suatu barang. Katakanlah kita punya 10 set data (tahun atau daerah).
Permintaan kita hitung dalam jumlah unit barang, harga dalam ribu rupiah perunit barang dan
pendapatan dalam ribu rupiah perkapita.
Sebagai latihan ketikkan angka-angka berikut pada range A1:C11 seperti terlihat pada tampilan 1
berikut:
Klik menu Tool kemudian klik Data Analysis. (Catatan: jika setelah mengklik Tool, ternyata
tidak muncul pilihan Data Analysis, berarti menu tersebut belum diaktifkan di program Excel
Anda. Untuk mengaktifkannya, klik Tool, kemudian klik Add ins, selanjutnya conteng pada
pilihan Analysis Toolpak, setelah itu klik ok. Lalu ulangi tahap 2 ini).
Tampilan yang muncul setelah mengklik Data Analysis adalah seperti tampilan 2. Selanjutnya
klik Regression dan klik OK.
Analisis Toolpak
Proses Regresi
Tampilan 3. Regression
Regression Process
Isi Input Y Range (bisa dengan mengetikkan ke dalam kotak putihnya atau memblok data). Input
Y Range adalah variabel yang menjadi variabel terikat (dependent variable). Kemudian isikan
Input X Range. Input X Range adalah variabel yang menjadi variabel bebas (independent
variable). Semua variabel bebas diblok sekaligus. Catatan: Baik Y range maupun X range,
didalamnya termasuk judul/nama variabel.
Selanjutnya conteng kotak Labels. Ini artinya, memerintahkan Excel untuk membaca baris
pertama dari data kita sebagai nama variabel. Anda juga bisa menconteng Constant is Zero, jika
menginginkan output regresi dengan konstanta bernilai 0. Anda juga bisa menconteng
Confidence Level jika ingin mengganti nilai confidence level (jika tidak diconteng, Excel akan
memberikan confidence level 95%). Dalam latihan kita kedua pilihan tersebut tidak kita conteng.
Selanjutnya pada Output Option kita bisa menentukan penempatan output/hasilnya. Bisa pada
worksheet baru atau workbook baru. Katakanlah kita menempatkan output di worksheet yang
sama dengan data kita. Conteng Output Range dan isi kotak putihnya dengan sel pertama dimana
output tersebut akan ditempatkan. Dalam contoh ini, misalnya ditempatkan pada sel A16.
Pada pilihan Residual, terdapat 4 pilihan. Anda bisa menconteng sesuai dengan keinginan.
Dalam kasus ini kita conteng semua pilihan tersebut. Selanjutnya, terdapat pilihan untuk
menghasilkan Normal Probability. Dalam kasus kita, juga kita conteng pilihan ini. Perlu
diketahui bahwasanya upaya menampilkan Residual dan Norma Probability Plot, anda akan
menggunakannya untuk melakukan uji normalitas.
Setelah itu, klik OK. Maka akan muncul hasil regresi berikut:
Output Summary and Anova
Coefficient Beta
Residual Output
Ada empat tabel hasil yang ditampilkan (yang tergantung pada pilihan yang kita buat
sebelumnya), yaitu SUMMARY OUTPUT, ANOVA, RESIDUAL OUTPUT, dan
PROBABILITY OUTPUT. Pada SUMARY OUTPUT ditampilkan nilai multiple R, R square,
adjusted R square, standard error dan jumlah observasi. Pada ANOVA ditampilkan analisis
variance dan nilai F serta pengujiannya, yaitu membandingkan F Hitung dengan Tabel F: F
Tabel dalam Excel. Selanjutnya ditampilkan perhitungan regresi kita yang mencakup intercept
(konstanta) dan koefisien-koefisien regresi untuk masing-masing variabel. Dari hasil ini kita bisa
membentuk persamaan regresi menjadi:
Selanjutnya, pada tabel tersebut juga dimunculkan standard error, t stat, P-value, confidence
level untuk 95% (karena kita tidak mengganti default nilai ini pada tahap sebelumnya).
Selain itu, karena tadi kita menconteng empat pilihan residual output dan 1 pilihan normal
probability, maka juga ditampilkan 5 kurva untuk pilihan-pilihan tersebut. Tetapi seperti yang
kita lihat di bawah ini, kelima kurva tersebut bertumpuk. Untuk itu, kita perlu memindahkan
(menarik) kurva-kurva tersebut ke bagian yang lain dari worksheet kita sehingga bisa dibaca.
Grafik Output
Sementara, kita cukupkan dulu artikel ini sampai di sini. Untuk membaca output dari hasil
regresi di atas, akan kita bahas pada artikel berikutnya: Interprestasi Output Regresi Dalam
Excel.
Analisis Korelasi
Korelasi adalah teknik statistik yang digunakan untuk meguji ada/tidaknya hubungan serta arah
hubungan dari dua variabel atau lebih.
2. Korelasi partial
3. Korelasi ganda.
KOEFISIEN KORELASI
Besar kecilnya hubungan antara dua variabel dinyatakan dalam bilangan yang disebut Koefisien
Korelasi:
c. Nilai Koefisien 0 atau mendekati 0 dianggap tidak berhubungan antara dua variabel yang diuji
ARAH HUBUNGAN
PEARSON CORRELATION
1 Variabel X (Independen)
1 Variabel Y (dependen)
CONTOH
Judul: Hubungan antara intensitas belajar dengan prestasi mata kuliah statistik
Variabel X : Intensitas belajar (diukur dari lamanya belajar dalam satu minggu)
Variabel Y : Prestasi matakuliah statistik (diukur dari nilai ujian akhir semester)
Hipotesa:
H0: Tidak ada hubungan antara Intenitas belajar dengan prestasi mata kuliah statistik
Ha: Ada hubungan antara Intenitas belajar dengan prestasi mata kuliah statistik
b. Variabel View : digunakan untuk memberi nama variabel dan pemberian koding.
UJI NORMALITAS
Apabila Koefisien Korelasi > r tabel, Maka ada hubungan yang signifikan (Ha Diterima),
Apabila Koefisien Korelasi < r tabel, Maka tidak ada hubungan yang signifikan (H0 Diterima).
2. Melihat Sig.
Apabila nilai Sig. < 0,05 Maka ada hubungan yang signifikan (Ha Diterima)
Apabila nilai Sig. > 0,05 Maka tidak ada hubungan yang signifikan (H0 Diterima)
Arah hubungan:
SPEARMAN
c. Perbedaan hanya pada waktu memilih box yang diaktifkan adalah box spearman.
KORELASI PARTIAL
Korelasi yang digunakan untuk menguji hubungan dua atau lebih variabel independen dengan
satu variabel dependen dan dilakukan pengendalian pada salah satu variabel independennya
CONTOH
Judul: Hubungan antara biaya promosi dan penjualan dengan mengendalikan jumlah outlet
Variabel Y: Penjualan
Hipotesa:
H0: Tidak ada hubungan antara biaya promosi dengan penjualan apabila jumlah outlet
dikendalikan
Ha: Ada hubungan antara biaya promosi dengan penjualan apabila jumlah outlet dikendalikan
CONTOH
ANALISIS
KORELASI PARTIAL
OUTPUT PARTIAL
KORELASI GANDA
Koefisien yang digunakan untuk menguji hubungan dua atau lebih variabel independen dengan
satu variabel dependen secara bersamaan.
CONTOH
Judul: Hubungan antara biaya promosi dan jumlah outlet dengan penjualan
Variabel Y: Penjualan
Hipotesa:
H0: Tidak ada hubungan antara biaya promosi dan jumlah outlet dengan penjualan
Ha: Ada hubungan antara biaya promosi dan jumlah outlet dengan penjualan
CONTOH
KORELASI GANDA
a. Untuk menginterprestasi korelatif ganda lihat nilai R, semakin mendekati 1 maka hubungan
semakin kuat
b. Guna memperkaya analisis, sebelum dianalisis korelasi ganda dapat juga ditambahkan analisis
korelasi pada masing-masing variabel independen dengan variabel dependen (caranya sama
dengan analisis korelasi pearson).
REGRESI
b. Menguji sejauh mana pengaruh variabel independen terhadap variabel dependen setelah
diketahui ada hubungan antara variabel tersebut
a. Regresi sederhana: yaitu regresi untuk 1 variabel independen dengan 1 variabel dependen
b. Regresi ganda: yaitu regresi untuk lebih dari satu variabel independen dengan 1 variabel
dependen.