Analisis Varian

BAB II
PEMBAHASAN
2.1 Pengertian Analisis Varian
Analisis varian (Anava) atau dalam bahasa Inggris disebut Anova (analysis of
variance) adalah sebuah metode statistic yang digunakan untuk menganalisis
perbedaan antarkelompok atau membandingkan secara bersamaan dari beberapa
populasi[ CITATION Nur19 \l 1033 ] . Anava juga diartikan sebagai sebuah metode
analisis statistic yang tergolongkan analisis komparatif lebih dari dua rata-rata
(Riduwan, 2008).
Analisis varians (anava) adalah teknik analisis statistik yang dikembangkan dan
diperkenalkan pertama kali oleh Sir R. A Fisher (Kennedy & Bush, 1985). Anava
merupakan salah satu uji hipotesis pada statistika parametrik, untuk melakukan
pengujian terhadap interaksi antara dua faktor dalam suatu percobaan dengan
membandingkan rata-rata dari lebih dua sampel.
Analisis varian hanya digunakan untuk mengetahui perbedaan dua mean dari dua
distribusi data atau lebih. Ada beberapa macam teknik analisis, tetapi berikut ini akan
dibahas tiga macam analisis varian, yaitu teknik analisis varians klasifikasi tunggal,
analisis varians klasifikasi ganda, dan analisis varians amatan ulangan. Penerapan
teknik analisis varian yang digunakan harus sesuai dengan metode dan rancangan
penelitian eksperimen yang direncanakan.
Ketika melakukan analisis varian, ada beberapa prasyarat yang harus dipenuhi.
Prasyarat tersebut antara lain orang coba harus diambil secara random dari populasi,
skala data berbentuk interval atau rasio, data harus berdistribusi normal, dan data
dalam variabel yang akan dianalisis bersifat homogen. Oleh karena itu, sebelum
dilakukan analisis uji t, harus dilakukan uji normalitas dan uji homogenitas data.
Menurut Ardana (1982) dijelaskan bahwa jika hasil penghitungan uji beda mean
F hitung yang diperoleh adalah negatif, maka tanda negatif tersebut diabaikan, yang
digunakan adalah angka absolutnya. Berikut ini disajikan tiga teknik analisis varians
yaitu teknik analisis varians klasifikasi tunggal, analisis varians klasifikasi ganda, dan
analisis varians amatan ulangan (Budiwanto: 2014).
Kelompok 3/Statistik Terapan/Analisis Varian | 3

Analisis varian banyak dipergunakan pada penelitian-penelitian yang melibatkan
banyak pengujian komparatif, yaitu menguji variable terikat dengan cara
membandingkannya pada kelompok-kelompok sampel independent yang diamati.
Analisis varian saat ini banyak digunakan dalam penelitian survey dan penelitian
eksperimen. Adapun tujuan pengujian analisis varian adalah sebagai berikut
[ CITATION Nur19 \l 1033 ].
1. Memudahkan analisis atas beberapa kelompok sampel yang berbeda dengan
risiko kesalahan kecil.
2. Mengetahui signifikansi perbedaan rata-rata antara kelompok sampel satu dengan
yang lain. Bisa jadi, meskipun secara numeris bedanya besar, namun berdasarkan
analisis anava, perbedaan tersebut tidak signifikan (berpengaruh), sehingga
perbedaan rata-rata bisa diabaikan. Sebaliknya bisa jadi secara numeris bedanya
kecil, namun berdasarkan analisis anava, perbedaan rata-rata antar kelompok
tidak boleh diabaikan.
3. Untuk memberikan informasi tentang variable bebas ada tidaknya interaksi
antarvariabel bebas sehubungan dengan pengukuran terhadap variable terikat.
Adapun beberapa asumsi-asumsi dasar dalam analisis varian adalah sebagai
berikut.
1) Normalitas
Setiap harga dalam sampel berasal dari distribusi normal, sehingga distribusi skor
sampel dalam kelompok pun hendaknya normal. Kenormalan dapat diatasi dengan
memperbanyak sampel dalam kelompok, karena semakin banyak n maka distribusi
akan mendekati normal. Apabila sampel tiap kelompok kecil dan tidak dapat pula
diatasi dengan jalan melakukan transformasi.
2) Kesamaan Variansi
Masing-masing kelompok hendaknya berasal dari populasi yang mempunyai
variansi yang sama. Untk sampel yang sama pada setiap kelompok, kesamaan
variansi dapat diabaikan. Tetapi, jika banyaknya sampel pada masing-masing
kelompok tidak sama, maka tidak ada kesamaan variansi populasi memang sangat
diperlukan. Kalau hal ini diabaikan bisa menyesatkan (terutama dalam pengambilan

keputusan). Apabila variansi berbeda dan banyaknya sampel tiap kelompok tidak
sama, diperlukan langkah penyelamatan yaitu dengan jalan melakukan transformasi
(misalnya, dengan mentrasformasikan dengan logaritma).
3) Pengamatan Bebas
Sampel hendaknya diambil secara acak (random), sehingga setiap pengamatan
merupakan informasi yang bebas. Asumsi ini merupakan asumsi yang tidak bisa
ditawar lagi, dengan kata lain tida ada cara untuk mengatasi tidak terpenuhinya
asumsi ini. Dengan demikian maka setiap peniliti harus merencanakan secara cermat
dalam pengambilan sampel.
Asumsi-asumsi diatas hendaknya dipenuhi oleh data yang akan dianalisis dengan
anava. Ketidakterpenuhinya asumsi ini dapat menimbulkan kesimpulkan yang salah.
Hal ini mengandung arti bahwa kesimpulan penelitian yang dianalisis dengan anava
tidak memberi arti apa-apa. Walaupun ada asumsi yang sifatnya tidak kaku. Artinya
dapat diatasi dengan jumlah sampel namun pengujian atas terpenuhinya asumsi
merupakan tindakan yang disarankan.
Apabila sampel tidak memenuhi asumsi-asumsi tersebut, maka sebaiknya tidak
melakukan uji anava melainkan uji non parametrik yaitu uji Kruskal-Wallis.
[ CITATION Sie88 \l 1033 ]
2.2 Analisis Varian (Anava) 1 Faktor
Analisis varian satu faktor yaitu analisis yang melibatkan hanya satu faktor
(variable independen). Secara rinci, analisis varian satu faktor digunakan dalam suatu
penelitian yang memiliki ciri-ciri berikut, Melibatkan hanya satu peubah bebas
dengan dua kategori atau lebih yang dipilih dan ditentukan oleh peneliti secara tidak
acak. Kategori yang dipilih disebut tidak acak karena peneliti tidak bermaksud
menggeneralisasikan hasilnya ke kategori lain di luar yang diteliti pada peubah itu.
Sebagai contoh, peubah jenis kelamin hanya terdiri atas dua ketgori (pria-wanita),
atau peneliti hendak membandingkan keberhasilan antara Metode A, B, dan C dalam
meningkatkan semangat belajar tanpa bermaksud menggeneralisasikan ke metode
lain di luar ketiga metode tersebut.

Anova lebih dikenal dengan uji-F (Fisher Test), sedangkan arti variasi atau
varian itu asalnya dari pengertian konsep “Mean Square” atau kuadrat rerata (KR).
Rumusnya.
JK
KR =
db
Dimana: J K = jumlah kuadrat (some of square)
db = derajat bebas (degree of freedom)
Menghitung nilai Anova atau F ( F hitung) dengan rumus.
V A KR A J K A :db A
F hitung= = = =
V D KR D J K D :db D
Varian dalam group dapat juga disebut Varian Kesalahan (Varian Galat).
Dapat dirumuskan.
(∑ X Ai )2 (∑ X τ )2
J KA = ∑ − untuk db A= A−1
n Ai N
2 (∑ X Ai)2
J K D =( ∑ X τ ) −∑ untuk db D =N− A
n Ai
Dimana.
(∑ X τ )2
= sebagai faktor
N
N = Jumlah keseluruhan sampel (jumlah kasus dalam penelitian).
A = Jumlah keseluruhan group sampel.
Berikut adalah prosedur dalam melakukan uji anava satu arah.
1. Sebelum anova dihitung, asumsikan bahwa data dipilih secara random,
berdistribusi normal, dan variannya homogeny
2. Buatlah hipotesis ( H a dan H 0) dalam bentuk kalimat.
3. Buatlah hipotesis ( H a dan H 0)dalam bentuk statistik.
4. Buatlah daftar statistik induk.
5. Hitunglah jumlah kuadrat antar group ( J K A) dengan rumus.
J KA = ∑

6. Hitunglah derajat bebas antar group dengan rumus
db A= A−1
7. Hitunglah kudrat rerata antar group ( KR A) dengan rumus
JK A
KR A =
db A
8. Hitunglah jumlah kuadrat dalam antar group ( J K D ) dengan rumus.
2 (∑ X Ai)2
J K D =( ∑ X τ ) −∑
n Ai
2 2 2
2 2 2 ( ∑ X A 1) (∑ X A2 ) (∑ X A3)
¿∑ X A1 +¿ ∑ X A2 +¿∑ X A3 −( + + )
nA1 nA2 nA3
9. Hitunglah derajat bebas dalam group dengan rumus
db D =N− A
10. Hitunglah kuadrat rerata dalam antar group ( KR D ) dengan rumus.
JK D
KR D =
dbD
11. Carilah F hitung dengan rumus
KR A
F hitung =
KR D
12. Tentukan taraf signifikansinya, misalnya α = 0,05 atau α = 0,01

13. Cari F tabel dengan rumus
F tabel=F (1−α )(db A ,db D )
14. Buat Tabel Ringkasan Anova

Tabel 1. Ringkasan hadil Anava Satu Faktor
Sumber Jumlah Kuadrat Derajat Kuadrat F hitung Taraf
Varian (JK) bebas Rerata Signifikan
(SV) (db) (KR) (ρ)
Antar ∑ A−1 JK A KR A α
2 2
group (∑ X Ai) (∑ X τ ) db A KR D
(A) −
n Ai N
Dalam 2 (∑ X Ai )2N− A JK D - -
group (∑ X τ ) −∑
n Ai dbD
(D)
Total 2 (∑ X τ)2 N−1 - - -
(∑ X τ ) −
N
15. Tentukan kriteria pengujian, jika F hitung ≥ F tabel , maka tolak H 0 berarti signifikan
dan konsultasikan antara F hitung dengan F tabel kemudian bandingkan
16. Buat kesimpulan.
2.3 Contoh Kasus Anava 1 Faktor

Seorang mahasiswa sedang melakukan penelitian untuk mengetahui keunggulan
penggunaan model pembelajaran dalam meningkatkan kompetensi pemahaman
konsep siswa dalam belajar IPA. Model pembelajaran yang digunakan adalah
Problem Based Learning (PBL), Sains Teknologi Masyarakat (STM), dan Model
Pembelajaran Kooperatif (MPK). Penelitian ini dilakukan untuk mengetahui apakah
terdapat perbedaan kompetensi pemahaman konsep antar siswa yang belajar IPA
dengan model pembelajaran PBL, STM dan MPK. Peteliti menggunakan 36 orang
siswa dengan perolehan hasil belajar sebagai berikut.
Tabel 2. Data Skor Hasil Belajar Siswa
Kompetensi Pemahaman Konsep
NO
PBL STM MPK
1 29 24 22
2 26 28 21
3 29 27 24
4 30 28 25
5 32 29 27
6 28 29 19

Kompetensi Pemahaman Konsep
NO
PBL STM MPK
7 27 23 20
8 32 28 24
9 29 30 20
10 27 26 25
11 30 28 22
12 25 23 21
13 31 27 20
14 29 27 22
15 28 22 18
16 32 27 24
17 27 25 21
18 29 26 24
19 29 27 23
20 28 25 20
21 28 29 23
22 28 26 18
23 27 25 21
24 31 28 22
25 29 23 20
26 29 31 25
27 29 24 20
28 26 25 21
29 28 23 20
30 28 24 22
31 30 27 23
32 26 28 20
33 28 30 15
34 26 27 22
35 32 31 25
36 28 22 20
1) Uji Anava 2 Faktor secara Manual

Berikut adalah langkah-langkah uji anava yang dilakukan, data diperoleh secara
random, berdistribusi normal dan variannya homogen.
1. Hipotesis ( H a dan H 0) dalam bentuk kalimat.
a. Ha, Terdapat perbedaan kompetensi pemahaman konsep yang signifikan
antara siswa yang belajar IPA melalui PBL, STM dan MPK.

b. Ho, Tidak terdapat perbedaan kompetensi pemahaman konsep yang signifikan
2. Buatlah hipotesis ( H a dan H 0)dalam bentuk statistik.
a. Ha  µ1 ≠ µ2 ≠ µ3
b. Ho  µ1 = µ2 = µ3
3. Buatlah daftar statistik induk.
Tabel 3. Bantu Hitung Analisis Varian Satu Faktor
NO PBL STM MPK TOTAL
2
X1 X1 X2 X22 X3 X3 2
Xtot Xtot2
1 29 841 24 576 22 484 75 1901
2 26 676 28 784 21 441 75 1901
3 29 841 27 729 24 576 80 2146
4 30 900 28 784 25 625 83 2309
5 32 1024 29 841 27 729 88 2594
6 28 784 29 841 19 361 76 1986
7 27 729 23 529 20 400 70 1658
8 32 1024 28 784 24 576 84 2384
9 29 841 30 900 20 400 79 2141
10 27 729 26 676 25 625 78 2030
11 30 900 28 784 22 484 80 2168
12 25 625 23 529 21 441 69 1595
13 31 961 27 729 20 400 78 2090
14 29 841 27 729 22 484 78 2054
15 28 784 22 484 18 324 68 1592
16 32 1024 27 729 24 576 83 2329
17 27 729 25 625 21 441 73 1795
18 29 841 26 676 24 576 79 2093
19 29 841 27 729 23 529 79 2099
20 28 784 25 625 20 400 73 1809
21 28 784 29 841 23 529 80 2154
22 28 784 26 676 18 324 72 1784
23 27 729 25 625 21 441 73 1795
24 31 961 28 784 22 484 81 2229
25 29 841 23 529 20 400 72 1770
26 29 841 31 961 25 625 85 2427
27 29 841 24 576 20 400 73 1817
28 26 676 25 625 21 441 72 1742
29 28 784 23 529 20 400 71 1713

NO PBL STM MPK TOTAL
X1 X12 X2 X22 X3 X32 Xtot Xtot2
30 28 784 24 576 22 484 74 1844
31 30 900 27 729 23 529 80 2158
32 26 676 28 784 20 400 74 1860
33 28 784 30 900 15 225 73 1909
34 26 676 27 729 22 484 75 1889
35 32 1024 31 961 25 625 88 2610
36 28 784 22 484 20 400 70 1668
Σ 1030 29588 952 25392 779 17063 2761 72043
4. Hitunglah jumlah kuadrat antar group ( J K A) dengan rumus.

2 2 2 2 2 2
( ∑ X Ai ) (∑ Xτ ) (∑ X A 1) (∑ X A 2) (∑ X A 3) (∑ X τ )
J KA = ∑
n Ai
−
N
= ( nA 1
+
nA 2
+
nA 3 )
−
N
J KA = ¿
J K A = 916,80
5. Hitunglah derajat bebas antar group dengan rumus
db A = A−1
db A = 3 – 1
=2
6. Hitunglah kudrat rerata antar group ( KR A) dengan rumus.
JK A
KR A =
db A
916,80
KR A =
2
KR A = 458,4
7. Hitunglah jumlah kuadrat dalam antar group ( J K D ) dengan rumus.
2 2 2
(∑ X A1) (∑ X A2) (∑ X A3)
J K D =∑ X
2
A3 − ( nA 1
+
n A2
+
n A3 )
J K D = 72043 - ¿
J K D = 72043 – 71501,25

J K D = 541,75
8. Hitunglah derajat bebas dalam group dengan rumus
db D =N− A
db D =108−3
db D =105
9. Hitunglah kuadrat rerata dalam antar group ( KR D ) dengan rumus.
JK D
KR D =
dbD
541,75
KR D =
105
= 5,159
10. Carilah F hitung dengan rumus
KR A
F hitung =
KR D
458,4
F hitung=
5,159
F hitung =¿ 88,845
11. Taraf signifikansi 5%.
12. F tabel sebesar 3,09.
13. Tabel Ringkasan Anova
Tabel 4. Ringkasan hasil Anava Satu Faktor
Sumber Jumlah Derajat Kuadrat F hitung Taraf
Varian Kuadrat (JK) bebas (db) Rerata (KR) Signifikan (ρ)
(SV)
Antar 916,8 2 458,4 88,845 α
group
(A)
Dalam 541,75 105 5,160 - -
group (D)
Total 148,56 107 - - -

14. Berdasarkan hasil perhitungan menggunakan rumus manual anava satu faktor,
jika F hitung ≥ F tabel , maka H 0 ditolak. Berdasarkan pernyataan tersebut maka dapat
disimpulkan bahwa terdapat perbedaan kompetensi pemahaman konsep siswa
yang belajar IPA melalui PBL, STM, dan MPK.
2) Uji Anava 1 Faktor dengan SPSS
a. Persiapan Data
1. Pengkodean data untuk model pembelajaran IPA dengan ketentuan berikut.
Kode 1 = PBL
Kode 2 = STM
Kode 3 = MPK
b. Langkah-langkah menggunakan SPSS
1. Buka aplikasi SPSS hingga tampilan worksheet muncul seperti gambar
berikut.
2. Buka tab variable view untuk menentukan variable data, buat dua variable
yaitu Model Pembelajaran dan Nilai.
3. Ubah Type (model pembelajaran) ke “Numric”, Decimals “0”, beri label
“Model Pembelajaran”, ubah measure menjadi “Nominal” dan isi Value
dengan kategori no kode dan nama model di kolom label, seperti gambar di
bawah ini.

4. Ubah type (nilai) ke “numeric”, Decimals “0”, beri label “Nilai”, ubah
measure menjadi “Scale”, hingga tampilan seperti gambar dibawah ini.
5. Buka data view dan tuliskan nilai siswa sesuai dengan kode model
pembelajaran baris ke-1 sampai dengan 36 (kode 1: PBL) begitupun
seterusnya, hingga tampilan data view menjadi seperti dibawah ini.
6. Selanjutnya klik pada menu, pilih analyze, compare means, one-way

ANOVA, seperti tampilan dibawah ini.

7. Setelah di klik pada bagian one-way ANOVA, akan muncul tampilan one-way
ANOVA seperti dibawah ini.
8. Kemudian pilih variable “Model Pembelajaran” lalu masukkan ke kotak

“faktor”, sedangkan variable “nilai” dimasukkan ke “dependent List”,
sehingga tampak seperti gambar dibawah ini.

9. Klik tombol options, akan muncul tampilan jendela seperti dibawah ini,
kemudia pilih (centang) pada “descriptive” dan “homogeneity of variance
test”seperti gambar dibawah ini.
10. Kemudian klik continue.

11. Masih tetap pada jendela one-way ANOVA, selanjutnya klik tombol post
hoc…, sampai muncul tampilan jendela berikut, kemudian: centang pada
bagian“bonferroni” dan games-howell serta biarkan significance level = 0,05.
12. Klik continue
13. Lalu klik OK.

Berdasarkan hasil pengujian menggunakan SPSS akan muncul output seperti
dibawah ini.
a. Untuk melihat Perbedaan Rata-rata Model Pembelajaran

Descriptives
model pembelajaran
N Mean Std. Std. 95% Confidence Minim Maxi
Deviation Error Interval for Mean um mum
Lower Upper
Bound Bound
PBL 36 28,61 1,840 ,307 27,99 29,23 25 32
STM 36 26,44 2,489 ,415 25,60 27,29 22 31
MPK 36 21,64 2,428 ,405 20,82 22,46 15 27
Total 108 25,56 3,692 ,355 24,86 26,27 15 32
Berdasarkan output di atas, dapat dilihat perbedaan total dari ketiga model
pembelajaran dengan rincian sebagai berikut.
1. Rata-rata model pembelajaran PBL sebesar 28,61
2. Rata-rata model pembelajaran STM sebesar 26,44
3. Rata-rata model pembelajaran MPK sebesar 21,64
Dengan demikian maka secara deskriptif dapat disimpulkan bahwa rata-rata model
pembelajaran paling tinggi adalah model pembelajaran PBL yaitu sebesar 28,61.
b. Menguji Kesamaan Varian (uji homogenitas)

Test of Homogeneity of Variances
model pembelajaran
Levene df1 df2 Sig.
Statistic
2,171 2 105 ,119

Berdasarkan output SPSS di atas, diperoleh angka Levene Statistic sebesar 2,171
dengan signifikansi atau profitabilitas (sig) sebesar 0,119. Karena nilai signifikansi
sebesar 0,119 lebih besar dari 0,05, maka dapat disimpulkan bahwa varian ketiga
kelompok model pembelajaran yang dibandingkan tersebut adalah sama atau
homogen.
c. Analisis ANAVA
ANOVA
model pembelajaran
Sum of df Mean F Sig.
Squares Square
Between
916,796 2 458,398 88,845 ,000
Groups
Within Groups 541,750 105 5,160
Total 1458,546 107
Berdasarkan output ANOVA di atas, diketahui nilai sig sebesar 0,000, sehingga
dapat disimpulkan bahwa rata-rata keempat model pembelajaran tersebut berbeda
secara signifikan.
d. Test Post Hoc
Multiple Comparisons
Dependent Variable: model pembelajaran
Tukey HSD
(I) Model (J) Model Mean Std. Sig. 95% Confidence Interval
Pembelaj Pembelaj Difference Error Lower Upper
aran aran (I-J) Bound Bound
STM 2,167* ,535 ,000 ,89 3,44
PBL *
MPK 6,972 ,535 ,000 5,70 8,25
*
PBL -2,167 ,535 ,000 -3,44 -,89
STM
MPK 4,806* ,535 ,000 3,53 6,08
*
PBL -6,972 ,535 ,000 -8,25 -5,70
MPK
STM -4,806* ,535 ,000 -6,08 -3,53
*. The mean difference is significant at the 0.05 level.

Dari output di atas ketiga model pembelajaran tersebut memiliki nilai sig < 0,05.
Maka dapat ditarik kesimpulan bahwa perbedaan rata-rata model pembelajaran secara
deskriptif antara nilai tersebut signifikan.
e. Kesamaan Rata-rata Model Pembelajaran
model pembelajaran
Tukey HSD
Model N Subset for alpha = 0.05
Pembel 1 2 3
ajaran
MPK 36 21,64
STM 36 26,44
PBL 36 28,61
Sig. 1,000 1,000 1,000
Means for groups in homogeneous subsets are
displayed.
Uses Harmonic Mean Sample Size = 36,000.
Pada subset 1 terdapat data total. Artinya rata-rata model pembelajaran tersebut
tidak mempunyai perbedaan yang signifikan. Dengan kata lain rata-rata model
pembelajaran tersebut adalah sama.
Hipotesis
a. Ha, Terdapat perbedaan kompetensi pemahaman konsep yang signifikan
b. Ho, Tidak terdapat perbedaan kompetensi pemahaman konsep yang signifikan
Pengambilan Keputusan
jika F hitung < F tabel maka H 0 diterima
jika F hitung > F tabel maka H 0 di tolak
Kesimpulan
Berdasarkan table perhitungan menggunakan SPSS bahwa F hitung adalah
88.845 dan F table adalah 3,09. Hasil analisis maka H o ditolak dan Ha diterima.

Sehingga kesimpulannya adalah terdapat perbedaan kompetensi pemahaman konsep
yang signifikan antara siswa yang belajar IPA melalui PBL, STM dan MPK.
2.4 Analisis Varian (Anava) 2 Faktor
Analisis varian yang memiliki lebih dari satu variabel independen disebut
dengan analisis varian k faktor. Jika dalam analisis varian satu faktor hanya memiliki
variabel kolom, sedangkan dalam analisis varian dua faktor memiliki variabel kolom
dan variabel baris. Sehingga dengan demikian akan diperoleh interaksi antara kolom
dengan baris. Anava dua faktor (two factor anova) dipergunakan untuk menganalisa
masalah yang terdiri dari dua variabel independen dan masing-masing variabel
independen dibagi dalam beberapa kelompok (Stephens, 2008).
Perbedaan antara anava 1 faktor dengan anava 2 faktor yakni terletak pada
jumlah faktor atau variabel independen yang dipakai dalam penelitian. Uji statistik
dengan anava 1 faktor hanya terdiri dari 1 variabel independen sedangkan pada anava
2 faktor terdapat 2 faktor atau 2 variabel independen sekaligus. Martin dan Bridgmon
(2012) menyatakan bahwa dua faktor digunakan untuk menguji pengaruh dari dua
variabel independen (pengaruh utama) pada variabel dependen yang sama dan juga
memeriksa bagaimana variabel independen saling mempengaruhi satu sama lain pada
variabel dependen (pengaruh interaksi). Selanjutnya untuk analisis varians 2 faktor
dapat digunakan untuk menguji hipotesis yang menyatakan perbedaan rata-rata antara
kelompok-kelompok sampel. Uji anava dua faktor bertujuan untuk membandingkan
perbedaaan rata-rata antara kelompok yang telah dibagi pada dua variabel faktor.
Analisis varian dua faktor menggunakan data yang dikategorikan menurut dua faktor
yang berbeda. Satu faktor digunakan untuk mengatur data sampel dalam baris yang
berbeda, sedangkan faktor lainnya digunakan untuk mengatur data sampel dalam
kolom yang berbeda (Triola, 2018).
Terdapat dua jenis pengaruh dalam uji anava 2 faktor yaitu pengaruh utama
(main effect) dan pengaruh interaksi (interaction effect). Pengaruh utama adalah
pengaruh yang ditimbulkan secara langsung oleh dua atau lebih variabel independen
terhadap variabel dependen (Triola, 2018). Pengaruh interaksi adalah kerja sama dua
variabel independen atau lebih dalam mempengaruhi satu variabel dependen. Atau

dengan kata lain, interaksi berarti bahwa kerja atau pengaruh dari suatu variabel
dependen terhadap suatu variabel independen, bergantung pada taraf atau tingkat
variabel bebas lainnya (Sugiyono, 2014).
Perbedaan antara pengaruh utama dan pengaruh interaksi dapat digambarkan
lewat contoh sederhana berikut. Bila diketahui kemampuan akademik seorang siswa
dipengaruhi oleh dua hal yaitu metode belajar dan materi pembelajaran yang
diberikan, maka dalam contoh kasus ini bahwa pengaruh utama (main effect) adalah
metode belajar atau materi pembelajaran, sedangkan pengaruh interaksi (interaction
effect) adalah perpaduan antara metode belajar dan materi pembelajaran, yang
mengakibatkan adanya variasi nilai akademik siswa (Simamora, 2004). Terdapat
beberapa persyaratan untuk uji anava dua faktor (Triola, 2018) sebagai berikut.
1. Variabel dependen adalah data berskala kuantitatif interval/rasio.
2. Variabel independen/faktor adalah data non metrik yaitu data ketegorikal.
3. Sampel berasal dari populasi yang berdistribusi normal. Uji normalitas
standardized residual terpenuhi.
4. Populasi memiliki varian yang sama (homogen). Uji homogenitas terpenuhi.
5. Sampel merupakan simple random sample dari data kuantitatif
6. Sampel independen satu sama lain (independence of observations)
7. Nilai sampel dikategorikan pada dua jalur (dasar dinamakan sebagai metode
anova dua jalur)
8. Memiliki jumlah sampel yang sama (disebut sebagai balanced design)
Martin dan Bridgmon (2012) menyatakan bahwa ada dua uji asumsi yang
dipenuhi untuk uji anava dua faktor:
(1) Normality
Uji normalitas sebaran data dimaksudkan untuk meyakinkan bahwa sampel
benar-benar berasal dari populasi yang terdistribusi normal sehingga uji hipotesis
dapat dilakukan. Statistik yang digunakan dalam analisisnya adalah Kolmogorov-
Smirnov dan Shapiro Wilk. Kriteria pengujian data yang terdistribusi normal jika
angka signifikansi yang dihasilkan lebih besar dari 0,05 dan jika angka signifikansi
lebih kecil dari 0,05 maka data tidak terdistribusi normal.

(2) Homogeneity of variance
Uji homogenitas dilakukan dengan maksud untuk memberikan informasi bahwa
data kelompok sampel berasal dari populasi yang memiliki varian yang sama. Uji ini
dengan statistik Levene’s Test of Equality of Error Variance dengan kriteria, jika
signifikasi yang diperoleh lebih besar dari 0,05 dan data memiliki varian yang sama
maka data homogen, jika signifikasi yang diperoleh lebih kecil dari 0,05 dan data
memiliki varian yang tidak sama maka data tidak homogen.
Kadir (2016) berpendapat untuk melakukan pengajuan hipotesis dengan
menggunakan anava 2 faktor, digunakan langkah-langkah sebagai berikut:
1. Pernyataan Aturan Keputusan Hipotesis Nol dan Hipotesis Alternatif
Dalam uji anava hipotesis nolnya adalah sampel-sampel yang diambil dari
populasi-populasi saling independen yang memiliki mean sama. Dengan kata lain,
hipotesis nol dan hipotesis alternatifnya adalah tolak H0 dan terima Ha jika Fhitung >
Ftabel, jika tidak demikian maka H0 diterima
2. Pemilihan tingkat Kepentingan (Level of Significance)
Biasanya digunakan tingkat kepentingan 0,01 atau 0,05
3. Menghitung Jumlah Kuadrat (JK) untuk beberapa sumber variansi, yaitu total,
antar kolom, antar baris, interaksi, dan dalam, dengan formula berikut.
a) Menghitung Jumlah Kuadrat (JK) Total
2
2 ( ∑ xTot )
JK Tot =∑ x − Tot
nTot
b) Menghitung Jumlah Kuadrat (JK) Kolom

2 2
( ∑ x Kol ) ( ∑ xTol )
JK Kol =∑ −
n Kol nTot
c) Menghitung Jumlah Kuadrat (JK) Baris
JK ¯¿=∑ ¿ ¿¿¿ ¿

d) Menghitung Jumlah Kuadrat (JK) Interaksi
JK∫ ¿=JK −¿¿

Bag
Dengan,
2 2 2 2
( ∑ x Bag 1 ) ( ∑ x Bag2 ) ( ∑ x Bagn ) ( ∑ x Tot )
JK Bag = + +…+ −
nBag 1 nBag 2 nBagn nTot
e) Menghitung Jumlah Kuadrat (JK) Dalam
JK Dal =JK Tot −¿
4. Menentukan derajat kebebasan (dk) masing-masing sumber varians

a) dk kolom=k−1
b) dk baris=b−1
c) dk interaksi = ( k−1 ) × ( b−1 )
d) dk dalam=( n Tot−k . b )
e) dk total =( nTot −1 )
5. Menghitung Rata-Rata jumlah Kuadrat (RJK)
a) Menghitung Rata-Rata jumlah Kuadrat Kolom
JK Kol
RJK Kol =
dk Kol
b) Menghitung Rata-Rata jumlah Kuadrat Baris

RJK JK ¯¿
¯¿= ¿¿
dk ¯¿¿
c) Menghitung Rata-Rata jumlah Kuadrat Interaksi
RJK JK
∫ ¿= dk ∫¿ ¿ ¿
¿
∫¿

d) Menghitung Rata-Rata jumlah Kuadrat Dalam
JK Dal
RJK Dal =
dk Dal
6. Menghitung F hit
RJK Kol
a) F A=
RJK Dal
RJK ¯¿
b) F B= ¿
RJK Dal
RJK ∫ ¿
c) F AB= ¿
RJK Dal
7. Menentukan F TAB dengan α =0,05( 5 %)
dk Kol
a) F A=
dk Dal
dk ¯¿
b) F B= ¿
dk Dal
dk∫ ¿
c) F AB= ¿
dk Dal
8. Menyusun tabel anava 2 faktor

Tabel 5. Anava 2 Faktor
Sumber JK db RJK Fhitung Ftabel
Varians
α =0,05
Antar JK Kol k −1 RJK Kol RJK Kol
kolom F A=
RJK Dal
Antar JK ¯¿ ¿ b−1 RJK ¯¿ ¿ RJK ¯¿
F B= ¿
baris RJK Dal
Interaksi JK∫ ¿¿ (k −1)×(b−1) RJK ∫ ¿ ¿ RJK ∫ ¿
F AB= ¿
RJK Dal

Dalam JK Dal ( n Tot−k . b ) RJK Dal
Total JK Tot nt −1
9. Pengambilan keputusan secara statistic

Jika nilai rasio uji berada di daerah penerimaan maka hipotesis nol diterima,
sedangkan jika berada di daerah penolakan maka hipotesis nol ditolak. Kriteria
pengujian jika F hitung > F tabel pada taraf signifikan yang dipilih dengan dk pembilang
adalah dk yang sesuai, maka H0 ditolak. Jadi terdapat perbedaan rata-rata antara
kelompok-kelompok yang diuji, sebaliknya untuk F hitung ≤ F tabel, maka H 0 diterima.
Uji statistik anava 2 faktor menguji pengaruh utama (main effect) dan pengaruh
interaksi (interaction effect).
a) Uji hipotesis pengaruh utama (main effect)
Kriteria pengujian jika F hitung > F tabel pada taraf signifikan yang dipilih dengan
dk pembilang adalah dk yang sesuai, maka H0 ditolak. Jadi terdapat perbedaan rata-
rata antara kelompok-kelompok yang diuji, sebaliknya untuk F hitung ≤ F tabel. Uji F A
untuk mempelajari perbedaan rata-rata antar kolom, dan uji F B untuk mempelajari
perbedaan antar baris.
b) Uji hipotesis pengaruh interaksi (interaction effect)
Kriteris pengujian jika F AB≤ F tabelatau H 0 diterima berarti tidak terdapat
pengaruh interaksi, Sebaliknya jika F AB > F tabel atau H 0 ditolak, berarti terdapat
pengaruh interaksi yang signifikan, maka konsekuensinya harus diuji pengaruh
sederhana (simple effect). Simple effect adalah perbedaan rerata antar kolom pada tiap
kelompok baris i (i = 1, 2, 3, …..) atau perbedaan rerata antar baris pada tiap
kelompok kolom i (i = 1, 2, 3, ….).
2.5 Contoh Kasus Anava 2 Faktor

Seorang peneliti ingin mengetahui keunggulan komparatif antar beberapa
model pembelajaran sains yaitu model Problem Based Learning (PBL), Learning
Cycle Model (LCM), dan Direct Instruction (DI) melalui studi eksperimen. Dalam
penelitiannya, peneliti menggunakan gaya kognitif sebagai variabel moderator. Gaya

kognitif siswa diklasifikasi menjadi Gaya Kognitif Reflektif (GKR) dan Gaya
Kognitif Impulsif (GKI).
Penelitian tersebut ingin mencari jawaban terhadap pertanyaan:
1. Apakah terdapat perbedaan hasil belajar antara siswa yang belajar melalui PBL,
LCM, dan DI?
2. Apakah terdapat perbedaan hasil belajar antara siswa yang gaya kognitifnya
reflektif dan impulsif?
3. Apakah terdapat pengaruh interaksi antara model pembelajaran dan gaya kognitif
terhadap hasil belajar siswa?
Rumuskanlah hipotesisnya, dan ujilah hipotesis yang anda rumuskan.
Data hasil belajar studi eksperimen yang dilakukan sebagai berikut.
Tabel 6. Data Skor Hasil Belajar Siswa

No Gaya Kognitif Reflektif Gaya Kognitif Impulsif
PBL LCM DI PBL LCM DI
1 89 78 64 70 62 64
2 76 79 70 68 64 70
3 89 80 72 70 66 68
4 80 85 64 72 70 62
5 78 67 60 74 56 70
6 78 75 58 62 58 72
7 77 65 60 68 62 70
8 82 74 62 72 62 72
9 79 78 68 74 70 78
10 67 68 62 60 52 60
11 78 69 60 68 62 72
12 75 64 62 70 65 68
13 85 72 56 80 74 82
14 74 68 60 72 66 72
15 89 75 70 78 74 70
Penyelesaian.
Dalam penelitian ini diajukan hipotesis sebagai berikut.
1. H 0 : Tidak terdapat perbedaan hasil belajar antara siswa yang belajar melalui
PBL, LCM, dan DI.

H a : Terdapat perbedaan hasil belajar antara siswa yang belajar melalui PBL,
LCM, dan DI.
2. H 0 : Tidak terdapat perbedaan hasil belajar antara siswa yang gaya kognitifnya
reflektif dan impulsif.
H a : Terdapat perbedaan hasil belajar antara siswa yang gaya kognitifnya
3. H 0 : Tidak terdapat pengaruh interaksi antara model pembelajaran dan gaya
kognitif terhadap hasil belajar siswa.
H a : Terdapat pengaruh interaksi antara model pembelajaran dan gaya kognitif
terhadap hasil belajar siswa.
Untuk menyelesaikan persoalan dari soal nomor 1 sampai dengan 3, digunakan
analisis varians (ANAVA) 2 faktor. Untuk dapat melakukan analisis varian
(ANAVA) 2 faktor, diperlukan tabel bantu hitung sebagai berikut.
Tabel 6. Bantu Hitung Analisis Varian (ANAVA) 2 Faktor
Gaya Hasil Belajar Model Pembelajaran Total
Belajar N PBL LCM DI
o x1 2
x1 x2 2
x2 x3 x 23 x Total x 2Total
Gaya 1 89 7921 78 6084 64 4096 231 18101
Kognitif 2 76 5776 79 6241 70 4900 225 16917
Reflekti 3 89 7921 80 6400 72 5184 241 19505
f (GKR) 4 80 6400 85 7225 64 4096 229 17721
5 78 6084 67 4489 60 3600 205 14173
6 78 6084 75 5625 58 3364 211 15073
7 77 5929 65 4225 60 3600 202 13754
8 82 6724 74 5476 62 3844 218 16044
9 79 6241 78 6084 68 4624 225 16949
10 67 4489 68 4624 62 3844 197 12957
11 78 6084 69 4761 60 3600 207 14445
12 75 5625 64 4096 62 3844 201 13565
13 85 7225 72 5184 56 3136 213 15545
14 74 5476 68 4624 60 3600 202 13700
15 89 7921 75 5625 70 4900 234 18446
Total GKR 119 95900 109 80763 948 60232 3241 23689
6 7 5
Gaya 1 70 4900 62 3844 64 4096 196 12840
Kognitif 2 68 4624 64 4096 70 4900 202 13620

Gaya Hasil Belajar Model Pembelajaran Total
Belajar N PBL LCM DI
o x1 2
x1 x2 x22
x3 x 23 x Total x 2Total
Impulsi 3 70 4900 66 4356 68 4624 204 13880
f (GKI) 4 72 5184 70 4900 62 3844 204 13928
5 74 5476 56 3136 70 4900 200 13512
6 62 3844 58 3364 72 5184 192 12392
7 68 4624 62 3844 70 4900 200 13368
8 72 5184 62 3844 72 5184 206 14212
9 74 5476 70 4900 78 6084 222 16460
10 60 3600 52 2704 60 3600 172 9904
11 68 4624 62 3844 72 5184 202 13652
12 70 4900 65 4225 68 4624 203 13749
13 80 6400 74 5476 82 6724 236 18600
14 72 5184 66 4356 72 5184 210 14724
15 78 6084 74 5476 70 4900 222 16460
Total GKI 105 75004 963 62365 105 73932 3071 21130
8 0 1
Jumlah 225 17090 206 14312 199 13416 6312 44819
Total 4 4 0 8 8 4 6
Berdasarkan soal diketahui bahwa.

n bag=15
n kol=30
n¯¿= 45¿
nTot =90
Dengan jumlah.
Kolom=3
Baris=2
nTot =90
Langkah-langkah analisis varians 2 faktor sebagai berikut:
1. Menghitung Jumlah Kuadrat (JK) Total

2
( ∑ xTot ) ( 6312 )2 JK =448196−442681,6
JK Tot =∑ x − 2 JK Tot =448196− Tot
Tot
N 90
JK Tot =5514,4
2. Menghitung Jumlah Kuadrat (JK) Kolom
2 2
( ∑ x Kol ) ( ∑ xTol ) (2254 )2 ( 2060 )2 ( 1998 )2 ( 6312 )2
JK Kol =∑ − JK Kol = + + −
n Kol N 30 30 30 90
JK Kol =169350,5+141453,3+133067−442682JK Kol =443870,7−442682
JK Kol =1189,1
3. Menghitung Jumlah Kuadrat (JK) Baris
JK ¯¿=∑ ¿ ¿¿¿ ¿ JK ¯¿= (3241 ) + (3071 ) − ( 6312) ¿ JK ¯¿=233424+209578,7 −442682¿ JK ¯¿=443002,7−442682 ¿

2 2 2
30 30 90
JK ¯¿=321,1¿
4. Menghitung Jumlah Kuadrat (JK) Interaksi
JK∫ ¿=JK −¿¿
Bag
Dengan,
2 2 2 2
( ∑ x Bag 1 ) (∑ x Bag2 ) ( ∑ x Bagn ) ( ∑ x Tol )
JK Bag = + +…+ −
nBag 1 nBag 2 nBagn N
Sehingga,
JK 2
( 1097 )2 ( 948 ) 2 ( 1058 ) 2 ( 963 )2 ( 1050 ) 2 ( 6312) 2
∫ ¿=( 1196
15
)
+
15
+
15
+
15
+
15
+
15
−
90
− ( 1189,1+321,1 ) ¿
JK∫ ¿=95361,1+80227,2+59913,6+74624,3+ 61824,6+73500 −442682−(1189,1+321,1 ) ¿ JK∫ ¿=2769,2−(1510,2 ) ¿
JK∫ ¿=1259¿
5. Menghitung Jumlah Kuadrat (JK) Dalam

JK Dal =JK Tot −¿JK Dal =5514,4−( 1189,1+321,1+1259 ) JK Dal =5514,4−2769,2JK Dal =2745,2
6. Menghitung dk
a) dk kolom=k−1=3−1=2

b) dk baris=b−1=2−1=1
c) dk interaksi =(k −1)×(b−1)=2× 1=2
d) dk dalam=( n Tot−k . b )=( 90−( 3 × 2 ) )=84
e) dk total =( nTot −1 ) =90−1=89
7. Menghitung Rata-rata Jumlah Kuadrat (RJK)

JK Kol 1189,1
a) RJK Kol = = =594,5
dk Kol 2
RJK JK ¯¿
b) ¯¿=
321,1
¿¿
dk ¯¿= =321,1¿
1
RJK JK ∫¿
c) ∫ ¿= 1259
¿¿
dk∫¿ = =629,5 ¿
2
JK Dal 2745,2
d) RJK Dal = = =32,7
dk Dal 54
8. Menghitung F hit
MK Kol 594,5
a) F A= = =18,1920
MK Dal 32,7
MK ¯¿ 321,1
b) F B= = =9,8256 ¿
MK Dal 32,7
MK∫ ¿ 629,5
c) F AB= = =19,262¿
MK Dal 32,7
9. Menentukan F TAB dengan α =0,05( 5 %)
dk Kol 2
a) F A= = =3,1052
dk Dal 84
dk ¯¿ 1
b) F B= = =3,9546 ¿
dk Dal 84
dk∫ ¿ 2
c) F AB= = =3,1052 ¿
dk Dal 84
10. Menyusun tabel anava 2 faktor

Tabel 7. Anava 2 Faktor
Sumber Ftabel
JK db RJK Fhitung
Varians α =0,05
Antar 5514,4 2 594,5 18,1920 3,1052
kolom
Antar 1189,1 1 321,1 9,8256 3,9546
baris
Interaks 321,1 2 629,5 19,2623 3,1052
i
Dalam 1259 84 32,7
Total 2745,2 89
Analisis Soal
1. Apakah terdapat perbedaan hasil belajar antara siswa yang belajar melalui PBL,
LCM, dan DI?
Penyelasaian:
Hipotesis :
a. H 0 : Tidak terdapat perbedaan hasil belajar antara siswa yang belajar melalui
PBL, LCM, dan DI.
b. H a : Terdapat perbedaan hasil belajar antara siswa yang belajar melalui PBL,
LCM, dan DI.
Maka dapat dituliskan:
H 0 :μ 1=μ2=μ3 H a : μ1 ≠ μ2 ≠ μ3
Berdasarkan hasil analisis varian 2 faktor, didapatkan nilai F A sebagai berikut.

F Hit =18,1920F TAB=3,1052
Dari hasil analisis dapat dilihat jika F Hit > F TAB, maka H 0 ditolak dan Ha
diterima. Sehingga dapat disimpulkan bahwa terdapat perbedaan antara siswa yang
belajar melalui PBL, LCM, dan DI.
2. Apakah terdapat perbedaan hasil belajar antara siswa yang gaya kognitifnya
reflektif dan impulsif?
Penyelesaian:
Hipotesis.

a. H 0 : Tidak terdapat perbedaan hasil belajar antara siswa yang gaya
kognitifnya reflektif dan impulsif.
b. H a : Terdapat perbedaan hasil belajar antara siswa yang gaya kognitifnya
H 0 :μ 1=μ2 H a : μ1 ≠ μ2
Berdasarkan hasil analisis varian 2 faktor, didapatkan nilai F B sebagai berikut.

F Hit =9,8256F TAB=3,9546
Dari hasil analisis dapat dilihat jika F Hit > F Tab, maka H 0 ditolak dan Ha diterima.
Sehingga dapat disimpulkan bahwa terdapat perbedaan antara siswa yang gaya
kognitifnya reflektif dan impulsif.
3. Apakah terdapat pengaruh interaksi antara model pembelajaran dan gaya kognitif
terhadap hasil belajar siswa?
Penyelesaian:
Hipotesis.
a. H 0 : Tidak terdapat pengaruh interaksi antara model pembelajaran dan gaya
b. H a : Terdapat pengaruh interaksi antara model pembelajaran dan gaya kognitif
H 0 :μ 1=μ2 H a : μ1 ≠ μ2
Berdasarkan hasil analisis varian 2 faktor, didapatkan nilai F∫ ¿¿ sebagai berikut.
F Hit =19,2623F TAB=3,1052
Dari hasil analisis dapat dilihat jika F Hit > F TAB, maka H 0 ditolak. dan Ha
diterima. Sehingga terdapat pengaruh interaksi antara model pembelajaran dan gaya

Uji Anava 2 Faktor dengan SPSS
A. Persiapan Data Sebelum Melakukan Uji Anava 2 Faktor
1. Pengkodean data untuk model pembelajaran IPA dengan ketentuan sebagai
berikut:
Kode 1 : Model PBL
Kode 2 : Model LCM
Kode 3 : Model DI
2. Pengkodean data untuk gaya kognitif siswa sebagai berikut:
Kode 1 : GKR
Kode 2 : GKI
B. Langkah-langkah menggunakan SPSS:

1. Buka program SPSS sampai muncul area kerja (worksheet) seperti gambar
berikut:
2. Klik variabel view di sebelah kiri bawah untuk menentukan variabel dari data.

3. Baris pertama pada kolom name ketik hasil, sedangkan type, Width dan
seterusnya biarkan saja.
4. Baris kedua ketik model pada kolom name, lalu pada values posisikan mouse
pada sudut kotak none lalu klik sampai muncul kotak value labels seperti
gambar berikut:
5. Ketik 1 pada kotak value, ketik Model PBL pada kotak Label, lalu klik Add.
Ketik 2 pada kotak value, ketik Model LCM pada kotak Label, lalu klik Add.
Ketik 3 pada kotak value, ketik Model DI pada kotak Label, lalu klik Add. jika
sudah terisi semua terlihat seperti gambar berikut:
Setelah itu klik OK.

6. Baris ke tiga ketik gayakognitif 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 GKR pada kotak Label, lalu
klik Add. dan ketik 2 pada kotak Value, ketik GKI pada kotak Label, lalu klik
Add. Jika sudah di isi semua terlihat seperti gambar berikut:
Setelah itu klik OK.

7. Maka sampai disini kita sudah mengisi semua variabel untuk anava 2
faktor. Terlihat seperti pada gambar berikut:
8. Selanjutnya klik data view ada di sebelah kiri variable view di bawah. Pada
kolom hasil isi semua nilai siswa dari nomor urut 1 sampai dengan 90 (terdapat
data 3 model, setiap model ada 30 siswa, maka 3x30=90 siswa). Lalu pada kolom
model baris ke 1 sampai dengan 30 ketik 1 (kode 1 yaitu model PBL), baris ke 31
sampai dengan 60 ketik 2 (kode 2 yaitu model LCM), baris ke 61 sampai dengan
90 ketik 3 (kode 3 yaitu model DI). Pada kolom gayakognitif isi 1 untuk GKR
dan 2 untuk GKI, disesuaikan dengan soal yang telah diberikan di atas. Jika
sudah diisi semua maka hasil data view seperti gambar berikut:

9. Membuat variabel residual
Klik analize pilih linear general model kemudian klik univariate. Hasil
belajar dibawa ke kotak dependent variable. Model Pembelajaran dan Gaya
Kognitif dibawa ke kotak fixed factor. Kemudian klik save pilih standardized
residuals klik continue kemudian klik OK. Setelah muncul seperti gambar berikut:

10. Uji normalitas residual
Klik analyze pilih descriptive statistic selanjutnya explore. Masukkan variabel
standardized residual ke kotak dependent list kemudian klik plots centang
normality plots with test kemudian continue selanjutnya ok. Maka akan muncul
output spss sebagai berikut:
Berdasarkan ouput tersebut pada uji normalitas dengan Kolmogorov-Smirnov

karena n>50 menujukkan bahwa data terdistribusi normal dengan angka signifikansi
yang dihasilkan lebih besar dari 0,05.
11. Bila data sudah berdistribusi normal, langkah selanjutnya uji two way anova.
Klik menu analyze pilih General Linear Model selanjutnya pilih
Univariate. Selanjutnya terlihat seperti pada gambar berikut:
12. Masukkan hasil ke dalam kotak Dependent Variabel, sedangkan model dan

gaya kognitif masukkan ke dalam kotak Fixed Factor (s) terlihat seperti gambar
berikut

13. Selanjutnya klik Options, maka muncul kotak Univariate. Options seperti gambar
berikut:
Selanjutnya pada kotak Display centang Descriptive statistics dan

Homogeneity test, lalu perhatikan kotak Significance level disini menggunakan
taraf alpha 0.05. Nilai alpha disesuaikan dengan nilai kepercayaan dari
peneliti masing-masing dan tergantung jenis penelitiannya. Maka akan terlihat seperti
gambar berikut:

14. Selanjutnya klik Continue, lalu klik OK. Kemudian akan muncul output uji
homogenitas.
Berdasarkan ouput tersebut pada uji homogenitas dengan Levene’s test

menujukkan bahwa varian data adalah homogen dengan angka signifikansi yang
dihasilkan lebih besar dari 0,05.
15. Interpretasi hasil uji anava 2 faktor.

Berdasarkan tabel Between-subjects Factor, diperoleh bahwa dalam penelitian
terdapat 3 model pembelajaran yang diteliti yaitu model PBL, LCM, dan DI.
Sedangkan berdasarkan gaya kognitif terdiri dari GKR dan GKI.
Tabel Descriptive Statistics menunjukkan bahwa deskripsi hasil belajar

siswa dari setiap model pembelajaran berdasarkan gaya kognitif. Misalnya model
PBL diperoleh nilai rata-rata (mean) untuk siswa dengan GKR sebesar 79,73, standar
deviasi 6,024 dan jumlah siswa dengan GKR 15 orang. Sedangkan siswa dengan GKI
diperoleh nilai rata-rata 70,53, dengan standar deviasi 5,208 dan jumlah siswa dengan
GKI 15 orang. Begitu juga untuk model LCM dan DI.

Tabel Test of Between-Subjects Effects di atas merupakan hasil akhir dari uji
two way anova yang kita butuhkan. Berikut penjelasannya:
* Corrected Model
Dari koreksi model ini dapat diketahui seberapa besar pengaruh variabel
independent (variabel bebas) terhadap variabel dependent (variabel terikat). Variabel
independent yaitu faktor-faktor yang akan di ukur oleh peneliti (model, gaya kognitif
dan model*gayakognitif) untuk menentukan hubungan antara variabel dependent
(nilai yang akan diamati). Dari tabel di atas berdasarkan nilai (sig), Jika sig <
0.05 yaitu (0.000 < 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 dilihat berdasarkan nilai (sig), jika sig <
0.05 yaitu (0.000 < 0.05) berarti intercept ini berkontribusi secara signifikan.
* Model
Berpengaruh atau tidaknya model terhadap hasil belajar siswa ditandai dari nilai
signifikan, dari tabel di atas nilai sig 0,000 atau nilai (0.000 < 0.05) dalam kasus ini
berarti model berpengaruh signifikan terhadap hasil belajar siswa.

* Gaya kognitif
Berpengaruh atau tidaknya gaya kognitif terhadap hasil belajar ditandai dari
nilai signifikan, dari tabel di atas nilai sig 0,002 atau nilai (0,002 < 0.05) dalam kasus
ini berarti gaya kognitif berpengaruh signifikan terhadap hasil belajar siswa.
* Model*Gaya kognitif
Uji ini bertujuan untuk mengetahui apakah ada hubungan yang signifikan antara
2 faktor, dalam kasus ini menguji ada atau tidaknya interaksi antara model
pembelajaran dengan gaya kognitif.
Hipotesis
H 0 : Tidak terdapat pengaruh interaksi antara model pembelajaran dan gaya kognitif
H a : Terdapat pengaruh interaksi antara model pembelajaran dan gaya kognitif
Pengambilan keputusan
jika F hitung < F tabel atau nilai sig > 0.05, maka H 0 diterima
jika F hitung > F tabel atau nilai sig < 0.05, maka H 0 di tolak
Keputusan
Dari tabel di atas terlihat bahwa nilai F hitung 19,262 dan F tabel 3,1052 (F tabel lihat
tabel distribusi F untuk anava). Dari hasil analisis dapat dilihat jika F Hit > F TAB, maka
H 0 ditolak dan Ha diterima. Nilai signifikan yang diperoleh dari tabel di atas
sebesar 0.000. Sehingga terdapat pengaruh interaksi antara model pembelajaran dan
gaya kognitif terhadap hasil belajar siswa.
2.6 Repeated Measures (Pengukuran Ulang) ANOVA

1) Pengertian
Uji Repeated Measures Anova merupakan teknik lebih lanjut dari uji paired
sample t test. Uji repeated measures anva ini, sanggup digunakan untuk menguji
perbedaan dari tiga sampel atau lebih yang saling berpasangan. Sementara pada uji
paired sample t test hanya untuk dua sampel berpasangan saja. Dalam suatu

penelitian, kadang–kadang respon yang diamati dalam setiap satuan percobaan
dilakukan lebih dari satu kali pada waktu yang berbeda selama penelitian. Hal
semacam ini biasa disebut dengan pengamatan berulang atau Repeated Measures.
Waktu pengamatan seolah olah dipandang sebagai faktor tambahan, sehingga dalam
Repeated Measures dipandang sebagai rancangan dua faktor dengan pola split-plot.
Faktor yang dicobakan dialokasikan sebagai petak utama dan waktu pengamatan
dialokasikan sebagai anak petak [ CITATION Gom95 \l 1033 ].
Menurut [CITATION Net96 \l 1033 ], pengukuran berulang merupakan suatu cara
pengukuran dimana setiap karakteristik atau peubah diukur secara berulang pada
waktu berbeda pada subjek (tanaman, data penjualan, orang dan lain lain) yang sama.
Tujuan dari pengamatan berulang adalah untuk mengetahui kecepatan perubahan
respon dari suatu periode waktu ke periode waktu lainnya. Selain itu ingin diketahui
apakah ada pengaruh interaksi antara perlakuan dan periode waktu pengamatan.
Menurut [ CITATION Mat00 \l 1033 ], percobaan yang melibatkan pengamatan
berulang memerlukan penanganan model analisis yang lain dari model rancangan
dasar agar informasi yang diperoleh lebih luas. Percobaan seperti ini sering diberi
nama sesuai dengan rancangan dasar yang dipakai ditambah “dalam waktu” (in time).
Penggunaan teknik repeated measures bertujuan untuk menguji apakah ada
perbedaan secara faktual (signifikan) dari aneka macam hasil pengukuran yang
dilakukan berulang-ulang pada suatu variabel penelitian. Perbedaan yang
fundamental antara uji oneway anova dengan uji repeated measures anova yakni
terletak pada sampel yang diteliti. Dimana untuk uji oneway anova sendiri sampel
yang digunakan ialah sampel yang tidak berpasangan, sementara dalam uji repeated
measures digunakan untuk sampel yang saling berpasangan.
2) Asumsi Dasar dalam Uji Repeated Measures Anova
Persyaratan yang harus terpenuhi atau perkiraan dasar penggunaan uji repeated
measures anova dalam analisis data penelitian ialah sebagai berikut.
1. Variabel independent (variabel bebas) memakai data berskala kategori.
Sementara untuk variabel dependent (variabel terikat) memakai data berskala
interval atau rasio (numerik).

2. Uji repeated measures anova merupakan pecahan dari statistik parametrik. Oleh
lantaran itu, nilai Standardized Residual untuk semua pengukuran (variabel)
harus berdistribusi normal. Sementara itu, kalau salah satu dari nilai
Standardized Residual untuk variabel ada yang tidak normal, maka solusinya
ialah mengganti analisis data dengan statistik non parametrik memakai uji
friedman.
3. Data penelitian diasumsikan mempunyai varians yang sama atau homogen. Hal
ini dibuktikan dengan nilai signifikansi (Sig.) > 0,05 pada Mauchly’s Test of
Sphericity. Namun demikian, untuk persyaratan poin ke-3 ini bukanlah sebuah
keharusan (tidak mutlak). Sebab, walaupun varians tidak homogen, akan tetapi
kita tetap bisa melanjutkan penggunakan uji repeated measures anova untuk
analisis data penelitian yakni dengan memperhatikan nilai Greenhouse-Geisser
yang ada di tabel output SPSS Tests of Within-Subjects Effects.
Berikut contoh masing-masing jenis ukuran berulang desain ANOVA, yang

digambarkan menggunakan tabel.
Tabel 8. Uji Berulang Anova
Tabel khusus ini menjelaskan studi dengan enam mata pelajaran (S1 hingga
S6) yang tampil dalam tiga kondisi atau pada tiga titik waktu (T1 hingga T3). Seperti
yang disoroti sebelumnya, faktor dalam subjek juga bisa diberi label "perlakuan",
bukan "waktu / kondisi". Semuanya berhubungan dengan hal yang sama: subjek yang
menjalani pengukuran berulang pada titik waktu yang berbeda atau dalam kondisi /
perlakuan yang berbeda.

3) Uji Asumsi
1. Uji Normalitas
Menurut [ CITATION Dan89 \l 1033 ], pemeriksaan asumsi kenormalan dilakukan
dengan membuat plot antara galat dengan nilai probabilitas normal. Asumsi ini dapat
diperiksa dengan menggunakan uji Kolmogorov-Smirnov.
Hipotesis:
H0: FN (x) = F0 (x) (galat berdistribusi normal)
H1: FN (x) ≠ F0 (x) (galat tidak berdistribusi
normal) dengan
FN (x) adalah fungsi distribusi empirik (berdasarkan sampel)
F0 (x)
adalah fungsi distribusi teoritik (sesuai yang dihipotesiskan)
Statistik Uji:
F
D =| (x ) - F0 (x )|
N
Kriteria Uji, Tolak H0 jika D > D𝛼: N dengan D𝛼: N adalah nilai kritis dari table
Kolmogorov-Smirnov dengan jumlah pengamatan N dan diuji pada taraf nyata 𝛼.
2. Uji Homogenitas Varian

Menurut [CITATION Bro74 \l 1033 ], pemeriksaan asumsi homogenitas varian
dilakukan menggunakan uji Levene. Uji Levene merupakan metode pengujian
homogenitas varians yang hampir sama dengan uji Bartlet. Perbedaan uji Levene
dengan uji Bartlett yaitu bahwa data yang diuji dengan uji Levene tidak harus
berdistribusi normal, namun harus kontinu.
Hipotesis:
H0: 𝜎12 = 𝜎22 = ⋯ = 𝜎k2 (varian homogen)
H1: paling sedikit ada satu 𝜎i 2 ≠ 𝜎j 2 (varian tidak
homogen)
Statistik uji:
k
W =( N −k ) ∑ ¿ ¿¿ ¿
i=1

Dengan
N = Jumlah pengamatan
k = banyak kelompok
Zij = |Yij−Yi|
Ý i= rata-rata dari kelompok ke-i
Ź i= rata-rata dari kelompok Zi
Ź ..= rata-rata menyeluruh dari kelompok Zij
Kriteria Uji:
Tolak H0 jika W > F(𝛼, k-1, N-k)
4) Menghitung Uji Repeated Measures (Pengukuran Berulang) Anova

1. Logika dari Tindakan Berulang Anova
Logika di balik ANOVA pengukuran berulang sangat mirip dengan ANOVA
antar-subjek. Ingatlah bahwa ANOVA antar-subjek mempartisi variabilitas total
menjadi variabilitas antar-kelompok (SSb) dan variabilitas dalam-kelompok (SSw),
seperti yang
ditunjukkan
di bawah
ini:
Gambar 1. ANOVA antar-subjek mempartisi variabilitas total

Sumber: http://bit.ly/tabelujirepeatedanova

Dalam desain ini, variabilitas dalam kelompok (SSw) didefinisikan sebagai
variabilitas kesalahan (SSerror). Setelah pembagian dengan derajat kebebasan yang
sesuai, jumlah rata-rata kotak untuk antara kelompok (MSb) dan dalam kelompok
(MSw) ditentukan dan statistik F dihitung sebagai rasio MS b ke MSw (atau MSerror),
seperti ditunjukkan di bawah ini:
MSb MS b
Independent ANOVA ( F ) =
MS w MS error
Pengukuran berulang ANOVA menghitung statistik F dengan cara yang sama:

MS conditions
Repeated Measures ANOVA ( F )
MS error
Keuntungan dari tindakan ANOVA yang berulang adalah bahwa variabilitas
dalam-kelompok (SSw) mengekspresikan variabilitas kesalahan (SSerror) dalam
ANOVA independen (antara-subjek), tindakan ANOVA yang berulang dapat lebih
lanjut mempartisi istilah kesalahan ini, mengurangi ukurannya, sebagai diilustrasikan
di bawah ini.
Gambar 2.Variabilitas antara ANOVA

Hal ini berdampak pada peningkatan nilai statistik F karena pengurangan

penyebut dan mengarah pada peningkatan kekuatan pengujian untuk mendeteksi
perbedaan yang signifikan antar mean (ini akan dibahas lebih rinci nanti). Secara
matematis, dan seperti yang diilustrasikan di atas, kami membagi variabilitas yang

disebabkan oleh perbedaan antara kelompok (kondisi SS) dan variabilitas dalam
kelompok (SSw) persis seperti yang kita lakukan dalam ANOVA antara subjek
(independen). Namun, dengan ANOVA pengukuran berulang, karena kami
menggunakan subjek yang sama di setiap grup, kami dapat menghilangkan
variabilitas karena perbedaan individu antar subjek, disebut sebagai SSsubjects, dari
dalam grup variabilitas (SSw). Setiap subjek sebagai satu blok. Artinya, setiap mata
pelajaran menjadi tingkatan suatu faktor yang disebut mata pelajaran. Kami kemudian
menghitung variabilitas ini seperti yang kami lakukan dengan faktor antar-subjek.
Kemampuan untuk mengurangi SSsubjects akan meninggalkan kita dengan istilah SSerror
yang lebih kecil. Berikut rumus yang digunakan,
Independent Anova=SS error = SSw
Repeated Measures Anova=SSerror = SSw - SSsubjek
SSerror hanya mencerminkan variabilitas individu untuk setiap kondisi. Efek
interaksi subjek dengan kondisi; yaitu, bagaimana subjek bereaksi terhadap kondisi
yang berbeda. Apakah ini mengarah ke tes yang lebih kuat akan tergantung pada
apakah pengurangan kesalahan SS lebih dari mengkompensasi pengurangan derajat
kebebasan untuk istilah kesalahan (sebagai derajat kebebasan berubah dari (n - k) ke
(n - 1) (k - 1) (mengingat bahwa ada lebih banyak subjek dalam desain ANOVA
independen).
2) Perhitungan Uji Repeated Measures (Pengukuran Berulang) Anova

Pengukuran berulang ANOVA, seperti ANOVA lainnya, menghasilkan statistik F
yang digunakan untuk menentukan signifikansi statistik. Statistik F dihitung sebagai
berikut:
MS time MS conditionas
F= atau F=
MS error MS error
Melihat kondisi SS yang terkadang disebut sebagai waktu SS. Keduanya mewakili
jumlah kuadrat untuk perbedaan antara grup terkait, tetapi SStime adalah nama yang
lebih cocok saat menangani eksperimen jalur waktu. Untuk menghitung F-statistic
diperlukan menghitung SSconditions dan SSerror. Kondisi SS dapat dihitung secara

langsung dengan cukup mudah (seperti yang akan ditemui di ANOVA independen
sebagai SSb). Meskipun SSerror juga dapat dihitung secara langsung, ini agak sulit
dibandingkan dengan memperolehnya dari pengetahuan tentang jumlah kuadrat lain
yang lebih mudah dihitung, yaitu subjek SS, dan SS T atau SSw. SSerror kemudian
dapat dihitung dengan salah satu dari dua cara:
SSerror = SSw - SSsubjek atau SSerror = SST - SSconditions - SSerror
Kedua metode untuk menghitung F-statistic memerlukan kalkulasi SSconditions dan
SSsubjects tapi Anda kemudian memiliki pilihan untuk menentukan SS error dengan
terlebih dahulu menghitung baik SST atau SSw. Tidak ada metode yang benar atau
salah, dan metode lain ada; itu hanyalah preferensi pribadi mengenai metode mana
yang Anda pilih. Untuk keperluan demonstrasi ini kita akan menghitungnya dengan
menggunakan cara pertama yaitu menghitung SSw.
a) Menghitung waktu SS
SStime sama dengan SSb di ANOVA independen, dan dapat dinyatakan sebagai:
k
2
SStime=SS b
∑ ni ( X́ i - X́ 2)
i=1
Dengan,
k = jumlah kondisi
ni = jumlah subjek dalam setiap kondisi (ke-i),
Mean dari istilah ke-i = skor rata-rata untuk setiap kondisi (ke-ith),
Mean = rata-rata keseluruhan.
b) Menghitung SSw
Variasi dalam grup (SSw) juga dihitung dengan cara yang sama seperti dalam
ANOVA independen, yang dinyatakan sebagai berikut:
SSw=¿ ∑ 1 ¿ ( X́ i - X́ 1 )2 + ∑ 2 ( X́ 2 - X́ 2 )2 + ….. + ∑ k ( X́ k - X́ k)2
dimana Xi1 adalah skor mata pelajaran ke-i kelompok 1, Xi2 adalah skor mata
pelajaran ke-i kelompok 2, dan Xik adalah skor mata pelajaran ke-i kelompok k.

c) Menghitung subjek SSsubjects
Setiap subjek sebagai tingkat faktor independen yang disebut subjek. Kami
kemudian dapat menghitung SSsubjects sebagai berikut:
SSsubjek =K . ∑ ( X́ i - X́ 2 )2
Dengan,
k = jumlah kondisi
Mean dari mean term dari subjek i
Mean = mean grand.
d) Menghitung SSerror
Menghitung SSerror dengan substitusi:
SSw = SSsubjek + SSerror
e) Menentukan MStime, MSerror dan F-statistik
Menentukan jumlah rata-rata kuadrat untuk waktu (MStime) kita membagi

SStime dengan derajat kebebasan yang terkait (k - 1), di mana k = jumlah titik waktu.
SStime
MS time =
(k −1)
Lakukan hal yang sama untuk jumlah rata-rata kuadrat untuk kesalahan (MS error), kali
ini membagi dengan (n - 1) (k - 1) derajat kebebasan, di mana n = jumlah subjek dan
k = jumlah titik waktu.
SS error
MS error =
( n−1 ) (k −1)
Oleh karena itu, kita dapat menghitung F-statistik sebagai:
MS time
F=
MS error
Sekarang mencari (atau menggunakan program komputer) untuk memastikan
statistik F kritis untuk distribusi F kita dengan derajat kebebasan kita untuk waktu
(dftime) dan kesalahan (dferror) dan menentukan apakah statistik F kita menunjukkan
signifikan secara statistik hasil. Sekarang kita dapat mencari (atau menggunakan
program komputer) untuk memastikan statistik F kritis untuk distribusi F kita dengan

derajat kebebasan kita untuk waktu (dftime) dan kesalahan (dferror) dan menentukan
apakah statistik F kita menunjukkan
𝑦 …2 signifikan secara statistik hasil. Melaporkan
FK =
ukuran efek dalam jurnal dan laporan
𝑎𝑏𝑛 menjadi lebih umum. Partial eta-squared adalah
𝑛 𝑎 𝑏
tempat subjek SS telah
JKTdikeluarkan
= ∑ ∑dari
∑penyebut (dan yang diproduksi oleh SPSS):
𝑦ijk 2 − 𝐹𝐾
SS conditions
i
𝑎 j k SS time
η2∂ = atau η2∂ =
SS conditions
JKA ∑ 𝑦error
= +SS 2
.j. - 𝐹𝐾 SS time + SS error
𝑏𝑛
Tabel j9. Pengukuran Ulang Anova
𝑛 𝑏
𝑦 ij.2
JKPU = ∑
∑ 𝑏 − 𝐹𝐾
i j
JKGa = JKPU – JKA
𝑏
2
JKB = ∑ 𝑦..k - 𝐹𝐾
𝑎𝑛
k
𝑎 𝑏
𝑦.jk 2
JKAB = ∑
∑ 𝑛 − 𝐹𝐾 − 𝐽𝐾𝐴 − 𝐽𝐾𝐵
j k
2.3.6 Uji Pengaruh

Uji pengaruh diperoleh dengan membandingkan nilai F-hitung
dan F-tabel, jika F-hitung > F-tabel maka harus menolak H 0. Jadi dapat
disimpulkan bahwa faktor berpengaruh terhadap respon.
2.3.7 Contoh Kasus

Seorang peneliti ingin mengetahui apakah model pembelajaran Discovery
Learning benar-benar bisa meningkatkan hasil belajar peserta didik dalam kurun
waktu tertentu? Untuk keperluan penelitian ini, maka 15 orang yang akan
melaksanakan kegiatan pembelajaran dengan discovery learning diberikan tes
terlebih dahulu untuk mengetahui kemampuan awal peserta didik. Setelah itu 15
orang tersebut diberi pembelajaran dengan discovery learning, kemudian diukur hasil
belajarnya selama seminggu dan sebulan kemudian sehabis mengikuti pembelajaran
dengan discovery learning. Berikut data hasil belajar lima belas orang responden
tersebut.
Tabel 7. Data Hasil Belajar Siswa

Responde Hasil Belajar
n Awal Seminggu Sebulan

1 70 75 80
2 75 76 82
3 74 78 81
4 73 75 83
5 72 76 85
6 76 78 86
7 70 77 86
8 71 78 87
9 72 79 84
10 74 80 83
11 75 78 84
12 72 77 85
13 73 76 86
14 73 78 87
15 70 75 82
1) Identifikasi Variabel Penelitian
a) Variabel independent atau variabel bebas ialah waktu pengukuran hasil belajar.
Terdiri dari 3 waktu pengukuran hasil belajar yaitu awal, seminggu dan sebulan
(data kategorikal).
b) Variabel dependent atau variabel terikat ialah data nilai hasil belajar 15 orang
peserta didik (data numerik).
2) Cara Uji Repeated Measures Anova secara Manual
a) Menghitung Waktu SS
k
2
SStime=SS b
∑ ni ( X́ i - X́ 2)
i=1
= 15[(72,67-77,93)2 + (77,07-77,93)2 + (84,07-77,93)2

= 454,44
b) Menghitung SSw
SSw=¿ ∑ 1 ¿ ( X́ i - X́ 1 )2 + ∑ 2 ( X́ 2 - X́ 2 )2 + ….. + ∑ k ( X́ k - X́ k)2
= [(70-72,67)2 + (75-72,67)2 + (74-72,67)2 + (73-72,67)2 + (72-72,67)2 + (76-
72,67)2 + (70-72,67)2 + (71-72,67)2 + (72-72,67)2 + (74-72,67)2 + (75-72,67)2
+ (72-72,67)2 + (73-72,67)2 + (73-72,67)2 + (70-72,67)2] + [(75-77,07)2 +
(76-77,07)2 + (78-77,07)2 + (75-77,07)2 + (76-77,07)2 + (78-77,07)2 + (77-
77,07)2 + (78-77,07)2 + (79-77,07)2 + (80-77,07)2 + (78-77,07)2 + (77-77,07)2
+ (76-77,07)2 + (78-77,07)2 + (75-77,07)2] + [(80-84,07)2 + (82-84,07)2 +
(81-84,07)2 + (83-84,07)2 + (85-84,07)2 + (86-84,07)2 + (86-84,07)2 + (87-
84,07)2 + (84-84,07)2 + (83-84,07)2 + (84-84,07)2 + (85-84,07)2 + (86-84,07)2
+ (87-84,07)2 + (82-84,07)2]
= 151,20
c) Menghitung Subjek SS

SSsubjek =K . ∑ ( X́ i - X́ 2 )2
= 3[(75,00-77,93)2 + (77,67-77,93)2 + (77,67-77,932 + (77,00-77,93)2 +
(77,67-77,93)2 + (80,00-77,93)2 + (77,67-77,93)2 + (78,67-77,93)2 +
(78,33-77,93)2 + (79,00 -77,93)2 + (78,00-77,93)2 + (78,33-77,93)2 +
(79,33-77,93)2 + (79,00-77,93)2 + (75,67-77,93)2]
= 41,48
d) Menghitung SSerror
SSerror = SSw - SSsubjek
= 151,20 - 41,48
= 109,72
e) Menentukan MStime, MSerror dan F-statistik
a. Menghitung MStime
SS
MS time = time
(k −1)
454,44
MS time =
(3−1)
= 227,22
b. Menghitung MSerror
SS error
MS error =
( n−1 ) (k −1)
109,72
MS error =
( 15−1 ) (3−1)
109,72
MS error =
(14)(2)
= 3,92
c. Menghitung F-Statistik
MS time
F=
MS error
227,22
F=
3,92
= 57,98
f) Melaporkan Hasil tindakan uji berulang ANOVA
Melaporkan hasil F-statistik dari pengukuran berulang ANOVA sebagai:
F(dftime, dferror) = F-value, p = p-value
yang untuk contoh kita adalah:
F (2, 28) = 3,34, p = 0,005
Jadi Ftabel = 3,34 dan Fhitung = 57,98

Maka Ftabel < Fhitung, ini berarti H0 ditolak dan Ha diterima, berdasarkan data
diatas maka dapat disumpulkan bahwa ada perbedaan rata-rata kenaikan hasil
belajar yang faktual (signifikan) dari waktu ke waktu. Dengan demikian sanggup
disimpulkan bahwa model pembelajaran discovery learning mampu
meningkatkan hasil belajar peserta didik.
3) Cara Uji Repeated Measures Anova dengan SPSS
Ada beberapa tahapan untuk melaksanakan uji repeated measures anova dengan
SPPS. Pertama, tahap penginputan data penelitian ke kegiatan SPSS. Kedua,
melaksanakan uji normalitas pada nilai Standardized Residual untuk hasil belajar di
ketiga waktu pengukuran. Ketiga melaksanakan analisis dengan uji repeated
measures anova.
a) Menginput data penelitian ke program SPSS

Buka lembar kerja gres pada kegiatan SPSS, kemudian klik Variable View
dalam mendefinisikan variabel penelitian yang ada pada kolom Name, Decimals,
Label, Measure dan lainnya, sanggup ikuti ketentuan sebagaimana gambar bawah ini.
Jika sudah, langkah selanjutnya klik Data View, kemudian masukkan data hasil
belajar 15 peserta didik sesuai dengan waktu awal, seminggu dan sebulan. Tampak
dilayar SPSS.

b) Melakukan Uji Normalitas Nilai Standardized Residual
Persyaratan yang harus terpenuhi dalam uji repeated measures anova yaitu nilai
standardized residual untuk data hasil belajar di ketiga data waktu pengukuran di atas
ialah normal. Jika salah satu variabel tidak normal maka alternatif yang sanggup
digunakan ialah melaksanakan uji friedman sebagai pengganti uji repeated measures
anova. Adapun langkah-langkah uji normalitas standardized residual dengan SPSS
ialah sebagai berikut. Dari sajian SPSS, klik sajian Analyze >> General Linear Model
>> Repeated Measure. Tampak di layar SPSS
Maka mucul kotak obrolan gres dengan nama “Repeated Measures Define
Factor(s)” pada pecahan Whithin-Subject Faktor Name: ganti goresan pena factor1
dengan Waktu. Untuk kotak Number of Lavels: ketikkan 3 (karena ada 3 waktu
pengukuran hasil belajar.

Kemudian klik Add, pada pecahan Measure Name: ketikkan Hasil belajar
kemudian klik Add, selanjutnya klik Define, maka tampak di layar sebagai berikut.

Muncul kotak obrolan “Repeated Measures” pindahkan variabel Hasil belajar
Awal, Hasil belajar Seminggu, dan Hasil belajar Sebulan, ke kotak Whithin-Subject
Variables (Waktu)
Selanjutnya klik Plots, maka muncul kota obrolan “Repeated Measures:

Profile Plots” kemudian pindahkan variabel Waktu ke kotak Horizontal Axis,
kemudian klik tombol Add, sehingga variabel Waktu berpindah di kotak Plots,
kemudian klik Continue Tampak di layar.

Kembali ke kotak obrolan “Repeated Measures”, kemudian klik Save, maka
muncul kotak obrolan “Repeated Measures: Save” pada pecahan Residuals berikan
tanda centang (v) pada pilihan Standardized, kemudian klik Continue
Kembali lagi ke kotak obrolan “Repeated Measures”, selanjutnya klik

Options, maka muncul kotak obrolan “Repeated Measures: Options” kemudian
masukkan variabel Waktu ke kotak Display Means for, kemudian aktifkan Compare
main effects, pada pecahan Confidence interval adjustmen pilih Bonfferoni,
kemudian klik Continue selanjutnya klik Ok. Tampak di layer

Output SPSS yang muncul tersebut ialah output Uji Repeated Measures
Anova namun kita abaikan dulu saja (karena kita akan memaknainya nanti sehabis
persyaratan normalitas sudah terpenuhi). Buka Data View, perhatikan pada tampilan
Data View ini terlihat ada variabel gres dengan nama ZRE_1, ZRE_2, dan ZRE_3.
Nah, inilah yang disebut dengan nilai Standardized Residual
Selanjutnya untuk melaksanakan uji normalitas untuk nilai Standardized

Residual, klik sajian Analyze >>Descriptive Statistics >> Explore.

Maka muncul kotak obrolan dengan nama “Explore” kemudian masukkan
ketiga variabel Standardized Residual ke kotak Dependent List: selanjutnya klik
Plots.
Muncul kotak obrolan “Explore Plots” kemudian beri tanda centang (v) pada
pilihan Normality plots with tests, kemudian klik Continue, kemudian klik Ok. Maka
akan mucul output SPSS, untuk uji normalitas kita cukup memperhatikan tabel output
“Tests of Normality”
c) Melakukan Analisis dengan Uji Repeated Measures Anova

Berikut Pembahasan Uji Normalitas Nilai Standardized Residual

Untuk mengetahui apakah ketiga variabel Standardized Residual ini normal
atau tidak, maka terlebih dahulu kita harus mengetahui dasar pengambilan keputusan
dalam uji normalitas dengan kententuan sebagai berikut.
1) Jika nilai Sig. < 0,05, maka variabel tidak berdistribusi normal.
2) Jika nilai Sig. > 0,05, maka variabel berdistribusi normal.
Berdasarkan tabel output SPSS “Tests of Normality” diketahui nilai Sig. untuk
uji normalitas dengan teknik Shapiro-Wilk ialah sebagai berikut.
1) Standardized Residual for Awal Sig. 0,414
2) Standardized Residual for Seminggu Sig. 0,210
3) Standardized Residual for Sebulan Sig. 0,487
Karena nilai signifikansi (Sig.) untuk semua variabel Standardized Residual di
atas 0,05 maka sanggup disimpulkan bahwa data berat tubuh untuk ketiga waktu
pengukuran tersebut ialah normal. Dengan demikian, analisis data untuk penelitian ini
sanggup dilakukan dengan metode statistik parametrik dengan Uji Repeated
Measures Anova.
d) Interpretasi Output Uji Repeated Measures Anova

Adapun interpretasi dari tabel-tabel output SPSS tersebut ialah sebagai berikut.
1) Tabel Output “Within-Subjects Factors”

Tabel output di atas menjelaskan bahwa ada tiga variabel hasil belajar untuk
tiga waktu pengukuran hasil belajar yang berbeda.
2) Tabel Output “Mauchly's Test of Sphericity”
Seperti yang sudah dibahas pada awal, bahwa perkiraan atau persyaratan yang
mendasari (bukan syarat mutlak) uji repeated measures anova yaitu data penelitian
mempunyai varians yang sama melalui nilai Sphericity. Berdasarkan output di atas,
diketahui nilai Signifikansi (Sig.) sebesar 0,199 < 0,05, maka sanggup disimpulkan
bahwa data penelitian ini tidak memenuhi perkiraan kesamaan varians. Untuk kasus
ibarat ini anda tidak perlu khawatir, alasannya ialah uji repeated measures anova
masih tetap bisa dilanjutkan yakni dengan mengacu pada nilai Greenhouse-Geisser
yang akan kita bahas pada tabel output Tests of Within-Subjects Effects.
3) Tabel Output Tests of Within-Subjects Effects
Tabel output di atas ialah tabel paling mentukan dalam uji repeated measures
anova. Dalam hal ini, ada tiga tahapan yang harus dilalui untuk memaknai hasil

output tersebut. Pertama, menciptakan rumusan hipotesis penelitian. Kedua,
mengetahui dasar pengambilan keputusan dalam uji repeated measures anova. Ketiga
ialah penarikan kesimpulan.
a) Rumusan Hipotesis Penelitian
1. H0: Tidak ada perbedaan rata-rata peningkatan hasil belajar pada ketiga
kelompok interval waktu pengukuran.
2. Ha: Ada perbedaan rata-rata peningkatan hasil belajar pada ketiga kelompok
interval waktu pengukuran.
b) Dasar Pengambilan Keputusan dalam Uji Repeated Measures Anova
1. Jika nilai Greenhouse-Geisser Sig. > 0,05, maka H0 diterima dan Ha ditolak.
2. Jika nilai Greenhouse-Geisser Sig. < 0,05, maka H0 ditolak dan Ha diterima.
c) Penarikan Kesimpulan: menurut tabel output Tests of Within-Subjects Effects di
atas, diketahui nilai Greenhouse-Geisser Sig ialah sebesar 0,000 < 0,05. Maka H 0
ditolak dan Ha diterima atau dengan kata lain ada perbedaan rata-rata kenaikan
hasil belajar yang faktual (signifikan) dari waktu ke waktu. Dengan demikian
sanggup disimpulkan bahwa model pembelajaran discovery learning mampu
meningkatkan hasil belajar peserta didik.
4) Gambar Output “Profile Plots”

Gambar Plots di atas memperlihatkan ketajaman rata-rata peningkatan hasil
belajar peserta didik dari waktu ke waktu.

Analisis Varian

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

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

Analisis Varian

Diunggah oleh

Hak Cipta:

Format Tersedia

BAB II

Kelompok 3/Statistik Terapan/Analisis Varian | 3

Kelompok 3/Statistik Terapan/Analisis Varian | 4

Kelompok 3/Statistik Terapan/Analisis Varian | 5

Kelompok 3/Statistik Terapan/Analisis Varian | 6

7. Hitunglah kudrat rerata antar group ( KR A) dengan rumus

9. Hitunglah derajat bebas dalam group dengan rumus

10. Hitunglah kuadrat rerata dalam antar group ( KR D ) dengan rumus.

12. Tentukan taraf signifikansinya, misalnya α = 0,05 atau α = 0,01

F tabel=F (1−α )(db A ,db D )

14. Buat Tabel Ringkasan Anova

Kelompok 3/Statistik Terapan/Analisis Varian | 7

2.3 Contoh Kasus Anava 1 Faktor

Kelompok 3/Statistik Terapan/Analisis Varian | 8

1) Uji Anava 2 Faktor secara Manual

Kelompok 3/Statistik Terapan/Analisis Varian | 9

Kelompok 3/Statistik Terapan/Analisis Varian | 10

4. Hitunglah jumlah kuadrat antar group ( J K A) dengan rumus.

Kelompok 3/Statistik Terapan/Analisis Varian | 11

Kelompok 3/Statistik Terapan/Analisis Varian | 12

Kelompok 3/Statistik Terapan/Analisis Varian | 13

6. Selanjutnya klik pada menu, pilih analyze, compare means, one-way

Kelompok 3/Statistik Terapan/Analisis Varian | 14

8. Kemudian pilih variable “Model Pembelajaran” lalu masukkan ke kotak

Kelompok 3/Statistik Terapan/Analisis Varian | 15

10. Kemudian klik continue.

Kelompok 3/Statistik Terapan/Analisis Varian | 16

12. Klik continue

13. Lalu klik OK.

Kelompok 3/Statistik Terapan/Analisis Varian | 17

PBL 36 28,61 1,840 ,307 27,99 29,23 25 32

STM 36 26,44 2,489 ,415 25,60 27,29 22 31

MPK 36 21,64 2,428 ,405 20,82 22,46 15 27

Total 108 25,56 3,692 ,355 24,86 26,27 15 32

b. Menguji Kesamaan Varian (uji homogenitas)

Kelompok 3/Statistik Terapan/Analisis Varian | 18

Kelompok 3/Statistik Terapan/Analisis Varian | 19

Kelompok 3/Statistik Terapan/Analisis Varian | 20

Kelompok 3/Statistik Terapan/Analisis Varian | 21

Kelompok 3/Statistik Terapan/Analisis Varian | 22

b) Menghitung Jumlah Kuadrat (JK) Kolom

c) Menghitung Jumlah Kuadrat (JK) Baris

Kelompok 3/Statistik Terapan/Analisis Varian | 23

JK∫ ¿=JK −¿¿

e) Menghitung Jumlah Kuadrat (JK) Dalam

JK Dal =JK Tot −¿

4. Menentukan derajat kebebasan (dk) masing-masing sumber varians

b) Menghitung Rata-Rata jumlah Kuadrat Baris

c) Menghitung Rata-Rata jumlah Kuadrat Interaksi

Kelompok 3/Statistik Terapan/Analisis Varian | 24

8. Menyusun tabel anava 2 faktor

Kelompok 3/Statistik Terapan/Analisis Varian | 25

9. Pengambilan keputusan secara statistic

2.5 Contoh Kasus Anava 2 Faktor

Kelompok 3/Statistik Terapan/Analisis Varian | 26

Tabel 6. Data Skor Hasil Belajar Siswa

Kelompok 3/Statistik Terapan/Analisis Varian | 27

Kelompok 3/Statistik Terapan/Analisis Varian | 28

Berdasarkan soal diketahui bahwa.

Kelompok 3/Statistik Terapan/Analisis Varian | 29

JK Kol =169350,5+141453,3+133067−442682JK Kol =443870,7−442682

JK ¯¿=∑ ¿ ¿¿¿ ¿ JK ¯¿= (3241 ) + (3071 ) − ( 6312) ¿ JK ¯¿=233424+209578,7 −442682¿ JK ¯¿=443002,7−442682 ¿