Materi 6

Dr. Ratih Sari Wardani, S.Si, M.Kes

UJI PERBEDAAN LEBIH DARI DUA SAMPEL

I. Pendahuluan
1. Deskripsi singkat
Sub pokok bahasan ini berisi tentang praktikum uji hipotesis (uji parametrik)
perbedaan antara lebih dari 2 sampel baik one way anova dan two way anova
menggunakan aplikasi komputer.
2. Relevansi
Setelah semua data siap maka perlu dilakukan analisis analitis salah satu
diantaranya adalah uji perbedaan antara lebih dari 2 sampel
3. Kompetensi
a. Standar Kompetensi :
Mahasiswa mampu melakukan uji perbedaan lebih dari 2 sampel menggunakan
aplikasi komputer
b. Kompetensi Dasar :
Setelah memperoleh praktikum mahasiswa mampu :
1) Melakukan uji one way anova
2) Melakukan uji two way anova
II. PenyajianPenyajian
1. Anova Satu Faktor /One Way Anova
• Tujuan : untuk uji perbedaan mean lebih dari dua kelompok data yang
independent/dependent
• Syarat atau asumsi yang harus dipenuhi
a. Data berdistribusi normal/simetris
b. Sampel diambil secara acak dari masing-masing populasi
c. Varians semua populasi sama (varians homogen)
d. Variabel yang dihubungkan numerik untuk variabel terikat dan kategorik
dengan lebih dari 2 kelompok untuk variabel bebas

Manajemen Data 12
Contoh
Seorang mahasiswa mengumpulkan data shift kerja, beban kerja, toleransi stress
dan kelelahan pada 33 pekerja industry benang sebagai berikut :
beban kerja shift kerja Toleransi stress kelelahan
Ket
1 1 31 209.45 Beban kerja
2 1 41 215.89 1. Ringan
1 1 39 234.99 2. Sedang
3. Berat
2 1 41 247.11 Shift kerja
1 1 37 292.68 1. Pagi
1 1 38 247.00 2. Siang
3. malam
2 1 41 326.42
1 1 37 329.25
1 1 33 349.25
1 1 39 359.24
1 1 41 443.65
1 2 42 224.47
2 2 47 234.99
2 2 45 238.89
1 2 41 239.36
2 2 43 329.25
2 2 46 349.25
2 2 45 250.47
1 2 41 255.53
2 2 44 267.99
2 2 45 272.50
2 2 45 318.18
3 3 59 189.74
3 3 48 231.73
3 3 54 359.24
2 3 50 355.48
2 3 58 256.83
3 3 48 370.81
3 3 48 392.67
2 3 49 290.40
3 3 50 318.30
3 3 51 300.00
3 3 53 381.20
Data diatas akan dilakukan pengolahan data dengan tujuan : menganalisis
perbedaan stress berdasarkan shift kerja.

Manajemen Data 13
Kerangka konsep :

Shift kerja toleransi stress

Variabel Independen :
Shift kerja : Skala kategorik (1= pagi, 2 = siang, 3 = malam)
Variabel Dependen :
Toleransi Stress kerja :Skala numerik

Langkah-langkah :
 Lakukan uji asumsi terlebih dahulu yaitu uji normalitas dan uji homogenitas
1. Uji Normalitas
 Buat file baru dengan data di atas dan simpan dengan nama
file”kelelahan.sav”
 Lakukan uji normalitas menggunakan uji Shapiro Wilk Analyze 
Descriptive statistics explore  pindahkan variabel toleransi stress ke
depedent list pilih plots  centang normality plots with
testcontinue ok
 Hasil output yang digunakan tabel test of normality

 Diperoleh p value uji Shapiro wilk =0,861 (>0,05) artinya toleransi stress
berdistribusi normal
2. uji homogenitas ada di uji one way anova
3. Uji One Way Anova
 Klik Analyze,
 Pilih Compare Mean, Pilih One – Way Anova.

Manajemen Data 14
  Pindahkan variabel toleransi stress ke dependent list dan shift kerja ke
factor, tampak pada layar :

Gambar 1 : Kotak dialog One Way anova

 Klik kotak Option
 Aktifkan pilihan Descriptive.
Tampak pada layar :

Gambar 2 : Kotak dialog One Way : Options

 Klik Continue
 Klik kotak Post Hoc

Manajemen Data 15
  Aktifkan pilihan Bonferoni (bisa memilih yang lain)
Tampak pada layar :

Gambar 3 : Kotak dialog One Way : Post Hoc Multiple Comparisons

 Klik Continue
 Klik OK, untuk melaksanakan prosedur perintah
Hasilnya :

Dari hasil test homogenitas (levene test) diketahui bahwa varian antar kelompok
toleransi stress homogen dengan nilai p value = 0,149 atau lebih besar dari nilai
alpha 0,05 .
Jadi syarat /asumsi one way anove terpenuhi yaitu normal dan homogen.

Manajemen Data 16
Sementara pada tabel descriptive, terlihat rata-rata toleransi stress dari ketiga shift
kerja yaitu rata-rata toleransi stress paling tinggi pada pekerja shift malam yaitu
51,64 ± 3,931 dibanding pekerja shift siang (44,00±2,000), dan shift pagi (38.00 ±
3,376).

Hasil uji statistic dengan pada tabel di atas, terlihat nilai p value sebesar 0,000
(< alpha 0,05). Hal ini berarti pada alpha 5 % dapat disimpulkan bahwa ada
perbedaan toleransi stress berdasarkan shift kerja.
Untuk melihat pasangan mana yang berbeda, maka digunakan uji lanjut sesudah
anova, yaitu post hoc test pada latihan ini digunakan Bonferroni

Manajemen Data 17
 Hasil analisis lebih lanjut membuktikan bahwa ketiga kelompok shift kerja
berbeda signifikan yaitu antara shift kerja pagi dengan siang dengan p value
0,000 (< alpha 0,05), dan shift kerja pagi dengan malam dengan p value 0,000
(< alpha 0,05) dan antara shift kerja siang dengan malam dengan p value
0,000 (< alpha 0,05).
1. Penyajian dan Interpretasi Dalam Laporan Penelitian

a. uji asumsi
1. uji normalitas dan homogenitas
Tabel 1. Hasil uji normalitas dengan uji Shapiro Wilk dan uji homogenitas
Toleransi stress p value Kesimpulan
normalitas 0,861 (p>0,05) Distribusi normal
homogenitas 0,149(p>0,05) varians homogen
Hasil uji normalitas dengan uji Shapiro Wilk diperoleh variabel toleransi
stress berdistribusi normal dan Uji homogenitas varians menggunakan uji
Lavene diperoleh variabel toleransi stress mempunyai varians homogen.
Karena memenuhi kedua asumsi di atas maka uji yang digunakan adalah uji
one way anova

2. Perbedaan rata-rata toleransi stress berdasarkan shift kerja

Tabel 2 Perbedaan toleransi stress berdasarkan shift kerja
Toleransi Stress Rata-rata Simpangan p value N
baku
Shift kerja
Pagi 38,00 3,376 0,000 11
Siang 44,00 2,000 11
Malam 51,64 3,391 11

Rata-rata toleransi stress dari ketiga shift kerja yaitu rata-rata toleransi stress
paling tinggi pada pekerja shift malam yaitu 51,64 ± 3,931 dibanding pekerja shift
siang (44,00±2,000), dan shift pagi (38.00 ± 3,376).
Hasil uji statistik menggunakan uji one way anova diperoleh nilai p value sebesar

Manajemen Data 18
0,000 (< alpha 0,05). Hal ini berarti pada alpha 5 % ada perbedaan toleransi stress
berdasarkan shift kerja.
Analisis lebih lanjut (post hoc analysis) menggunakan uji Bonferonni hasilnya
sebagai berikut :

Tabel 3 Post Hoc Perbedaan toleransi stress berdasarkan shift kerja

Shift kerja p value Keterangan
pagi-siang 0.000<0,05 Ada perbedaan
pagi-malam 0.000<0,05 Ada perbedaan
siang- malam 0.000<0,05 Ada perbedaan

Ketiga kelompok shift kerja berbeda signifikan yaitu antara shift kerja pagi dengan
siang dengan p value 0,000 (< alpha 0,05), dan shift kerja pagi dengan malam
dengan p value 0,000 (< alpha 0,05) dan antara shift kerja siang dengan malam
dengan p value 0,000 (< alpha 0,05).
Lampiran
1. Uji normalitas

2. Uji homogenitas

3. Uji perbedaan toleransi stress berdasarkan shift kerja

Manajemen Data 19
 Tugas (uraian lengkap di ifk.unimus.ac.id)
Kerjakan dengan cara sama untuk tujuan penelitian :
 menganalisis perbedaan toleransi stress berdasarkan beban kerja
 menganalisis perbedaan kelelahan berdasarkan shift kerja
 menganalisis perbedaan kelelahan berdasarkan beban kerja

2. Anova Dua Faktor/ Two Way Anova

Manajemen Data 20
Contoh :
Seorang mahasiswa ingin meneliti perbedaan toleransi stress berdasarkan shift
kerja dan berdasarkan beban kerja serta interaksi variabel shift kerja dengan beban
kerja. Besar sampel yang diambil dengan rumus didapatkan n = 33 orang.
Kerangka konsep :

Shift kerja

Toleransi stress
Beban kerja

Variabel Independen :
Shift kerja : Skala kategorik (1= pagi, 2 = siang, 3 = malam)
Beban kerja : Skala kategorik (1=ringan, 2. Sedang, 3 berat)
Variabel Dependen :
Toleransi stress : Skala numerik

Langkah-langkah :
1. Uji Kenormalan data
 Buat file baru dengan data di atas dan simpan dengan nama
file”kelelahan.sav”
 Lakukan uji normalitas menggunakan uji Shapiro Wilk Analyze 
Descriptive statistics explore  pindahkan variabel toleransi stress ke
depedent list pilih plots  centang normality plots with
testcontinue ok
 Hasil output yang digunakan tabel test of normality

Manajemen Data 21
  Diperoleh p value uji Shapiro wilk =0,861 (>0,05) artinya toleransi stress
berdistribusi normal

2. Uji Two Way Anova

 Dari menu utama SPSS, klik Analyze, kemudian pilih sub menu General
Linier Model dan pilih Univariat.
 Masukan variabel toleransi stress (numerik) ke kotak Dependent Variable
 Masukkan variabel shift kerja (kategorik) dan beban kerja ke kotak Fixed
Factor(s).
Tampak pada layar :

Gambar 4. Kotak dialog Univariate

 Abaikan yang lain
 Dan terakhir klik OK, untuk melaksanakan prosedur perintah
Hasilnya :

Manajemen Data 22
 Pada tabel di atas, menunjukkan data yang diikutsertakan dalam uji, untuk
variabel beban kerja terdiri atas 3 kategori yaitu ringan (11 orang), sedang (14
orang), dan berat (8 orang) sedangkan untuk variabel shift kerja terdiri 3
kategori yaitu pagi (11 orang), siang (11 oang) dan malam (11 orang). Jadi
jumlah seluruh data 33 data yang diikutkan dalam proses uji.

Pada tabel di atas dapat dilihat :

a. Perbedaan rata-rata toleransi stress berdasarkan beben kerja
Dari tabel terlihat bahwa dengan p value sebesar 0,034 (< alpha 0,05) yang
berarti ada perbedaan signifikan rata-rata toleransi stress berdasarkan beban
kerja.
b. Perbedaan rata-rata toleransi stress berdasarkan shift kerja Dari tabel terlihat
bahwa p value sebesar 0,000 (< alpha 0,05) yang berarti ada perbedaan
signifikan rata-rata toleransi stress berdasarkan shift kerja.

Manajemen Data 23
c. Interaksi dua faktor yaitu beban kerja dengan shift kerja diperoleh p value
sebesar 0,874 (> alpha 0,05) yang berarti tidak ada interaksi antara faktor
beban kerja dengan shift kerja

III. Penutup
1. Tes Formatif
Lakukan uji perbedaan lebih dari 2 sampel dengan menggunakan variable yang
ada pada latihan 3
2. Umpan balik
a. Mahasiswa mempraktekkan sesuai dengan perintah
b. Dosen memastikan semua mahasiswa dapat melaksanakan semua perintah
c. Mahasiswa diminta memastikan bahwa semua data dan struktur sudah
terekam
3. Tindak lanjut
a. dosen menjelaskan kalau ada mahasiswa yang tidak jelas
b. dosen member contoh dengan mempraktekkan, mahasiswa menirukan
c. dosen memberi penjelasan kalau ada mahasiswa yang kesulitan.

Referensi

Kurniawan, A, “SPSS 20 Analisis Deskriptif dan Multivariate”, Bisnis2030,

Jakarta, 2012
Leech, Nancy L.; Barret, Karen C.; Morgan, George A. SPSS for Intermediate
Statistics. Use and interpretation. Second Edition. Lawrence Erlbaum
Associates, Publishers, London. 2005
Martin, W.E., Bridgmon, K.D. “Quantitative and Statistical Research
Methode from hypothesis for result”, John Wiley and Sons, San
Francisco, 2012

Manajemen Data 24