MATA KULIAH : STATISTIK LANJUTAN

DOSEN : Dr. Ritnawati, ST., MT

TUGAS MAKALAH
ANALISIS KOVARIAN (ANAKOVA)

Disusun oIeh :
AULIA HERMANTO 2030331026

PROGRAM STUDI REKAYASA INFRASTRUKTUR DAN LINGKUNGAN

PASCASARJANA UNIVERSITAS FAJAR
2021

i
 KATA PENGANTAR

Puji syukur kehadirat Tuhan Yang Maha Kuasa atas segaIa Iimpahan Rahmat-Nya
sehingga kami dapat menyeIesaikan penyusunan makaIah ini daIam bentuk
maupun isinya yang sangat sederhana. Semoga makaIah ini dapat dipergunakan
sebagai saIah satu acuan, petunjuk maupun pedoman bagi pembaca.

Harapan saya semoga makaIah ini membantu menambah pengetahuan dan

pengaIaman bagi para pembaca, sehingga kami dapat memperbaiki bentuk maupun
isi makaIah ini sehingga kedepannya dapat Iebih baik.

MakaIah ini kami akui masih banyak kekurangan karena pengaIaman yang kami
miIiki sangat kurang. OIeh kerena itu kami harapkan kepada para pembaca untuk
memberikan masukan-masukan yang bersifat membangun untuk kesempurnaan
makaIah ini.

Makassar, 12 Juni 2021

Penyusun

ii
 DAFTAR ISI

KATA PENGANTAR ...................................................................................................... ii

DAFTAR ISI.................................................................................................................... iii

BAB I PENDAHULUAN .................................................................................................. 1

I.1 Latar Belakang .......................................................................................................... 1

I.2 Rumusan Masalah ..................................................................................................... 2

I.3 Tujuan Penulisan ...................................................................................................... 2

I.4 Manfaat Penulisan..................................................................................................... 2

BAB II PEMBAHASAN ................................................................................................... 3

II.1. Pengertian Anacova ................................................................................................ 3

II.2 Penerapan Analisis Covarians (Anacova) dalam penelitian ..................................... 5

BAB III KESIMPULAN .................................................................................................. 31

III.1 Kesimpulan .......................................................................................................... 31

DAFTAR PUSTAKA ...................................................................................................... 32

iii
iv
 BAB I
PENDAHULUAN
I.1 Latar Belakang

Analisis kovarian atau sering disebut dengan Anakova adalah teknik

statistic yang merupakan perpaduan antara analisis regresi (Anareg) dengan
analisis varian (Anava). Secara lebih khusus dalam Anakova akan diadakan
analisis residu pada garis regresi, yaitu dilakukan dengan jalan
membandingkan varian residu antar kelompok dengan varian residu dalam
kelompok. Anakova akan dihitung dengan melakukan pengendalian statistik yang
gunanya untuk membersihkan atau memurnikan perubahan-perubahan yang
terjadi pada variabel terikat sebagai akibat dari pengaruh variabel-
variabel luar. Pengendalian terhadap pengaruh luar dalarn penelitian memiliki
fungsi yang penting terutama untuk mempelajari pengaruh murni suatu
perlakuan pada variabel tertentu terhadap variabel lain.
Anakova merupakan teknik statistik yang sering digunakan pada
penelitian eksperimental dan juga observasional.Keunggulan-keunggulan
Anakova dalam analisis data penelitian antara lain:
1.Dapat meningkatkan presisi rancangan penelitian terutarna apabila peneliti
masih ragu pada pengelompokan-pengelompokan subyek perlakuan yang
diterapkan dalam penelititan, yaitu apakah sudah benar-benar dapat
mengendalikan pengaruh variabel luar ataukah belum.
2.Dapat digunakan untuk mengendalikan kondisi-kondisi awal dari variabel
terikat.
3.Dapat digunakan untuk mereduksi variabel-variabel luar yang tidak
diinginkan dalam penelitian.
Prosedur pengendalian variabel dalam Anakova ada 2 cara, yaitu:
(1) pengendalian pada pengaruh variabel luar,dan
(2) pengendalian pada kondisi awal variabel terikat yang berbeda. Asumsi-
asumsi yang digunakan dalam mengerjakan Anakova adalah:
1.variabel luar yang dikendalikan harus berskala interval atau rasio.

1
2.Harus ada dugaan yang kuat bahwa ada hubungan antara variabel kendali
dengan variabel terikat
3.Harus ada dugaan bahwa variabel kendali tidak dipengaruhi oleh variabel
bebas atau variabel eksperimental.
Beberapa pengertian variabel yang akan digunakan dalam Anakova
antara lain:
1.kriterium, adalah variabel terikat (Y) yaitu variabel yang dipengaruhi, dimana
data harus berbentuk interval atau rasio.
2.Kovariabel, disebut juga variabel kendali, variabel kontrol, variabel
konkomitanyang diberi lambang X, dan data harus berbentuk interval atau rasio.
3.Faktor, yaitu sebutan untuk variabel bebas atau variable eksperimental yang ingin
diketahui pengaruhnya dan data harus berbentuk nominal atau ordinal.

I.2 Rumusan Masalah

1. Apa saja pengertian analisis kovarian?
2. Bagaimana Penerapan Analisis Covarians (Anacova) dalam penelitian?

I.3 Tujuan Penulisan

1. Untuk mengetahui pengertian analisis kovarian
2. Untuk mengetahui penerapan analisis kovarian dalam penelitian

I.4 Manfaat Penulisan

Adapun manfaat dari penulisan makalah ini adalah dapat menjadi bahan
pelajaran untuk lebih memahami analisis kovarian (anakova) sehingga mampu
memanfaatkannya dalam kehidupan dan pekerjaan serta pengembangan
pengetahuan.

2
 BAB II
PEMBAHASAN
II.1. Pengertian Anacova

Analisis kovarians (Anacova) adalah teknik statistik yang menggabungkan analisis

regresi dan analisis varian. Analisis Kovarians (Anakova), fungsinya sama dengan
Anava, hanya saja dalam Anacova ditambah pengendalian secara statistik terhadap
variabel numerik. Variabel numerik dimasukkan sebagai kovariabel dengan tujuan
untuk menurunkan error varianss, dengan jalan menghilangkan pengaruh variable
tersebut. Termasuk salah satu statistik yang kuat. Berguna untuk penelitian
eksperimen maupun non eksperimen. Dengan menggunakan Rancangan Anakova,
pengambilan sampel secara acak tidak lagi sangat diperlukan.
Anakova akan dihitung dengan melakukan pengendalian statistic yang gunanya
untuk membersihkan atau memurnikan perubahan-perubahan yang terjadi pada
variabel terikat sebagai akibat dari pengaruh variabel-variabel luar atau karena
rancangan penelitian yang tidak kuat. Pengendalian terhadap pengaruh luar dalam
penelitian memiliki fungsi yang penting terutama untuk mempelajari pengaruh
murni suatu perlakuan pada variabel tertentu terhadap variabel lain.
Anakova merupakan teknik statistic yang sering digunakan pada penelitian
eksperimental dan juga observasional. Keunggulan-keunggulan Anakova dalam
analisis data penelitian antara lain; 1). Dapat meningkatkan presisi rancangan
penelitian terutama apabila peneliti masih ragu pada pengelompokan-
pengelompokan subyek perlakuan yang diterapkan dalam penelitian, 2). Dapat
digunakan untuk mengendalikan kondisi-kondisi awal dari variabel terikat. 3).
Dapat digunakan untuk mereduksi variabel-variabel luar yang tidak diinginkan
dalam penelitian.
Asumsi yang harus dipenuhi dalam Anacova adalah: (1) data berdistribusi normal,
(2) varians dalam kelompok homogen, (3) bentuk regresi linear, (4koefisien arah
regresi tidak sama dengan nol, dan (5) koefisien arah regresi homogen. Selanjutnya
ada beberapa asumsi lain juga yang perlu diperhatikan diantaranya adalah 1).
Variabel luar yang dikendalikan (covariabel) harus berskala interval atau rasio, 2).

3
Kriterium (Variabel terikat) harus berskala Interval dan rasio 3). Variabel Faktor
(variabel bebas) harus berskala nominal dan ordinal. 4), Harus ada dugaan yang
kuat bahwa ada hubungan antara variabel kendali dengan variabel terikat, 5). Harus
ada dugaan bahwa variabel kendali tidak dipengaruhi oleh variabel bebas (faktor)
atau variabel eksperimen.
Beberapa pengertian variabel yang akan digunakan dalam Anakova antara lain:
1. Kriterium, adalah variabel Dependen (Y) yaitu variabel yang dipengaruhi
dimana data harus berbentuk interval dan rasio.
2. Kovariabel, disebut juga dengan variabel kendali, variabel control, yang
diberi lambang X, dan data harus bersifat interval dan rasio.
3. Factor yaitu sebutan untuk variabel Independen atau variabel eksperimental
yang ingin diketahui pengaruhnya dan data harus berbentuk nominal atau ordinal.
Rancangan Anakova satu jalur 1 kovariat
A B C
X Y X Y X Y
… … … … … …
… … … … … …
… … … … … …
… … … … … …
… … … … … …
… … … … … …
∑ ∑ ∑ ∑ ∑ ∑

Rancangan untuk anakova satu jalur 2 kovariat

A B C
X1 X2 Y X1 X2 Y X1 X2 Y
… … … … … … … … …
… … … … … … … … …
… … … … … … … … …
… … … … … … … … …
… … … … … … … … …
… … … … … … … … …
∑ ∑ ∑ ∑ ∑ ∑ ∑ ∑ ∑

4
Rancangan untuk anakova satu jalur 3 kovariat
A B C
X1 X2 X3 Y X1 X2 X3 Y X1 X2 X3 Y
… … … … … … … … … … … …
… … … … … … … … … … … …
… … … … … … … … … … … …
… … … … … … … … … … … …
… … … … … … … … … … … …
… … … … … … … … … … … …
∑ ∑ ∑ ∑ ∑ ∑ ∑ ∑ ∑ ∑ ∑ ∑

Keterangan: 
A, B, dan C = Faktor 
X1,2,3 = kovariabel
Y = Kriterium 

Rumus yang digunakan: F *  JK A / dbA  RJK A
A
JK dal / dbdal RJK dal

II.2 Penerapan Analisis Covarians (Anacova) dalam penelitian

a. Analisis Kovarians Satu Jalur (Satu Kovariabel)

1. Rumusan masalah penelitian

Setelah dikendalikan oleh skor tes IQ (X), apakah terdapat perbedaan
hasil belajar (Y) antara siswa yang mengikuti pembelajaran dengan
metode kooperatif (A1) dengan metode ceramah (A2) dan pemberian tugas
(A3 )?
2. Rumusan Hipotesis Penelitian
Hipotesis penelitian: Setelah dikendalikan oleh kovariabel skor tes
IQ (X), terdapat perbedaan hasil belajar (Y) antara siswa yang mengikuti
pembelajaran dengan metode kooperatif (A1) dengan metode ceramah
(A2) dan pemberian tugas (A3 ).
3. Hipotesis Statistik:
H0: µ1 = µ2 = µ3 (tidak ada Perbedaan)
H1: µ1 ≠ µ2≠ µ3 (ada Perbedaan)

5
 Kriteria pengujian: Jika Fhitung > Ftabel, Maka Ho ditolak dan
Jika Fhitung < Ftabel, Maka Ho diterima
Atau Jika angka Sig.>0.05 maka H0 diterima, dan
Jika angka Sig.< 0.05 maka H0 ditolak.
Contoh Aplikasi dalam analisis Data
Tabel Data
Tabel 1. Data Hasil Penelitian (fiktif)
A1 A2 A3
X Y X Y X Y
29 15 22 20 33 14
49 19 24 34 45 20
48 21 49 28 35 30
35 27 46 35 39 32
53 35 52 42 36 34
47 39 43 44 48 42
46 23 64 46 63 40
74 38 61 47 57 38
72 33 55 40 56 54
67 50 54 54 78 56
Keterangan:
A = Metode Mengajar ( A1 = metode ceramah, A2 = metode
pemberian tugas, dan A3 = metode kooperatif.
X = Skor Tes Bakat (Aptitude Test Score) = covariabel
Y = Skor Prestasi Belajar
4. Langkah-langkah Perhitungan Secara Manual Bantuan (exel)

Tabulasi Dat
A1 A2 A2
No
X Y 2 2 X.Y X Y 2 2 X.Y X Y 2 2 X.Y
X Y X Y X Y
1 29 15 841 225 435 22 20 484 400 440 33 14 1089 196 462
2 49 19 2401 361 931 24 34 576 1156 816 45 20 2025 400 900
3 48 21 2304 441 1008 49 28 2401 784 1372 35 30 1225 900 1050
4 35 27 1225 729 945 46 35 2116 1225 1610 39 32 1521 1024 1248
5 53 35 2809 1225 1855 52 42 2704 1764 2184 36 34 1296 1156 1224
6 47 39 2209 1521 1833 43 44 1849 1936 1892 48 42 2304 1764 2016
7 46 23 2116 529 1058 64 46 4096 2116 2944 63 40 3969 1600 2520
8 74 38 5476 1444 2812 61 47 3721 2209 2867 57 38 3249 1444 2166
9 72 33 5184 1089 2376 55 40 3025 1600 2200 56 54 3136 2916 3024
10 67 50 4489 2500 3350 54 54 2916 2916 2916 78 56 6084 3136 4368

Jumla 520 300 29054 10064 16603 470 390 23888 16106 19241 490 360 25898 14536 18978
h
Rata 52 30 47 39 49 36

6
Berdasarkan data tabulasi di atas
Statistik A1 A2 A3 Total
n 10 10 10 30
X 520 470 490 1480
X2 29054 23888 25898 78840
Y 300 390 360 1050
Y2 10064 16106 14536 40706
XY 16603 19241 18978 54822
̅ 52 47 49 49,33
̅ 30 39 36 35

Menghitung Sumber Variasi Total (Residu)

1). Jumlah Kuadrat Total Y ( y2)

(∑Yt )2
JKyt = ∑Yt2 ( SStot) =∑Yt2
N
= 40706( 1050 )
30
= 40706 -36750
= 3956
2). Jumlah Kuadrat Total X

JKxt= ∑Xt2= ∑Xt2 - (∑Xt2)

( N )
= 78840 (1480)2
30

3). Jumlah Produk Total (XY)

(∑ )(∑ )
∑ ∑

( )( )

4). Menghitung Beta

∑
∑

7
 5). Menghitung JKReg. Tot. =  x  xy
= 0,519 x 3022
= 1567,359

6). Menghitung JKRes. Tot. = JKYt  JKReg. Tot

= 3956 - 1567,359
= 2388,641

Menghitung Sumber Variasi dalam ( JK dal.residu)

 Y  2

1). JKY =  y =
A
2
YT2   

nA
= 40706 - (3002 /10 +3902 /10 + 3602 /10)
=3536
 X  2

x2 = X  
2 A
2). JKXd = d T
nA
= 78840 – (5202 /10 +4702 /10 + 4902 /10)
= 5700
 X  Y 
3).JPXY=xyd =  XYTot  
A A
n


A
= 54822 – (520x300/10) + (470 x 390/10) + (490x360)/10)
= 3252

=
xyd
4). Beta dal. =
 dx 2

= 3252 / 5700
= 0,5705

5). JK reg.dal. =  x xy

= 0,5705 x 3252
=1855,352

6). JK res. dal = JKY  JKreg.

= 3536 – 1855,352
=1680,65

Menghitung Sumber Variasi Antar (JK Antar )

SVTot  SVdal. = JK res.tot  JK res. dal.
= 2388,641 - 1680,65
= 707,993
Menghitung derajat kebebasan
8
 Db A* = db A = a – 1 = 3-1= 2
Db D* = db D – M = N – a – M ( jumlah kovariabel) = 30-3-1 = 26
Db Tot.* = db Tot. – M = N – 1 – M = 30-1-1=28

Tabel 3.3. Rangkuman Analisis Kovarians Satu Jalur

SV JK*(SS) db* RJK* F* F tab
(α 0,05)
Antara A 707,993 2 353,9965 5,476 3,37

Dalam Residu 1680,648 26 64,640 -- --

Total (res) 2388,641 28 - - --

Dari perhitungan diperoleh Fhitung = 5,476, sedangkan F tab = 3,37 pada taraf
signifikansi 5% dengan db 2 : 26. Jadi nilai Fhitung > Ftabel artinya H0 ditolak
dan H1 diterima, dengan demikian dapat disimpulkan bahwa “Terdapat
perbedaan hasil belajar yang signifikan antara siswa yang mengikuti
pembelajaran dengan metode ceramah, metode pemberian tugas dan metode
kooperatif, setelah dikendalikan oleh kovariabel skor tes bakat”
Jika kita ingin mengetahui harga koefisien korelasi antara kriterium dengan
kovariabel, harga rxy itu dapat dicari dengan menggunakan bahan-bahan sumber
variasi dalam kelompok, sebagai berikut:
∑
= 0,724
√∑ ∑ √

Jadi Konstribusi kovariabel terhadap kriterium sebesar R 2 = 72,4% .

berdasarkan hasil ini dapat disimpulkan bahwa konstrbusi atau determinasi
bakat terhadap hasil belajar sebesar 72,4% dan sisanya dipengaruhi oleh
faktor lain.

5. Langkah-langkah Perhitungan dengan menggunakan SPSS

1. Membuka program SPSS

2. Menginput data
3. Menganalisis data dengan memilih menu Analyze,
4. Memilih General Linear Model, pilih Univariate.

9
 5. Masukkan variabel Y ke bagian Dependent Variables yaitu data Hasil
Belajar
6. Masukkan ke bagian Fixed Factor(s). Fixed Factor(s) yaitu data tentang
Metode Pembelajaran dan selalu berisi data bertipe nominal (kualitatif).
7. Masukkan variabel X ke bagian Covariate(s) yaitu data Bakat
8. Pilih Options terus pilih Descriptive Statistics dan Homogenity Test.
9. Klik OK

Between-Subjects Factors

Value Label N
Metode Mengajar 1 Metode Ceramah 10
2 Metode Pemberian Tugas 10
3 Metode kooperatif 10

Descriptive Statistics
Dependent Variable:Prestasi Belajar
Metode Mengajar Mean Std. Deviation N
Metode Ceramah 30. 10.873 10
Metode Pemberian Tugas 39. 9.978 10
Metode kooperatif 36. 13.233 10
Total 35. 11.680 30

Levene's Test of Equality of Error Variancesa

Dependent Variable:Hasil Belajar

F df1 df2 Sig.

.395 2 27 .677

Tests the null hypothesis that the error variance

of the dependent variable is equal across groups.

a. Design: Intercept + bakat + Metode

Tests of Between-Subjects Effects

Dependent Variable:Prestasi Belajar
Type III Sum of
Source Squares Df Mean Square F Sig.
Corrected Model 2275.352a 3 758.451 11.733 .000
Intercept 102.056 1 102.056 1.579 .220
X 1855.352 1 1855.352 28.703 .000
Metode 707.992 2 353.996 5.476 .010
Error 1680.648 26 64.640
Total 40706.000 30

10
 Tests of Between-Subjects Effects
Dependent Variable:Prestasi Belajar
Type III Sum of
Source Squares Df Mean Square F Sig.
Corrected Model 2275.352a 3 758.451 11.733 .000
Intercept 102.056 1 102.056 1.579 .220
X 1855.352 1 1855.352 28.703 .000
Metode 707.992 2 353.996 5.476 .010
Error 1680.648 26 64.640
Total 40706.000 30
Corrected Total 3956.000 29
a. R Squared = .575 (Adjusted R Squared = .526)

Interpretasi Hasil Analisis data

Dari output di atas terlihat bahwa angka signifikansi untuk peubah Bakat
adalah 0,000. karena nilai Sig.<0,05 maka H0 ditolak. Hal ini berarti bahwa pada
tingkat kepercayaan 95% dapat dikatakan ada hubungan linier antara Bakat dengan
nilai yang diperoleh oleh mahasiswa. Pernyataan ini mengindikasikan bahwa
asumsi Ancova telah terpenuhi. Pengujian ini dilakukan dengan menghilangkan
pengaruh metode Pembelajaran dari metode terlebih dahulu.
Selanjutnya dilakukan pengujian terkait dengan penggunaan metode dengan
mengendalikan variabel bakat. Dari hasil pengolahan data terlihat bahwa angka
signifikansi untuk peubah Metode pembelajaran adalah 0,010. Karena nilainya sig
< 0,05 maka H0 ditolak. Sehingga dapat disimpulkan bahwa Terdapat perbedaan
hasil belajar mahasiswa yang menggunakan metode ceramah, Metode Pemberian
Tugas dan Metode kooperatif, setelah dikendalikan covariabel bakat.
Untuk mengetahui pengaruh Bakat mahasiswa dan perbedaaan Metode
Pembelajaran terhadap nilai yang diperoleh mahasiswa secara simultan dapat
dilihat dari angka signifikansi pada bagian Corrected Model. Terlihat bahwa angka
signifikansinya adalah sebesar 0,000. Karena nilai signifikansi jauh di bawah 0,05
maka H0 ditolak. Sehingga pada tingkat kepercayaan 95% dapat disimpulkan bahwa
secara simultan Bakat mahasiswa dan Metode Pembelajaran berpengaruh terhadap
nilai yang diperoleh mahasiswa.
b. Analisis Kovarians Satu Jalur (Dua Kovariabel)
1. Rumusan masalah penelitian

11
 Setelah dikendalikan oleh skor tes bakat (X1) dan Motivasi Berprestasi (X2),
apakah terdapat perbedaan hasil belajar IPA (Y) antara siswa yang mengikuti
pembelajaran dengan metode konvensional (A1) dengan metode kooperatif (A2) ?
2. Rumusan Hipotesis Penelitian
Hipotesis penelitian: Setelah dikendalikan oleh kovariabel skor tes bakat (X 1) dan
Motivasi Berprestasi (X2), terdapat perbedaan hasil belajar (Y) antara siswa yang
mengikuti pembelajaran dengan metode konvensional (A1) dengan metode
kooperatif (A2).

3. Hipotesis Statistik:
H0: µ1 = µ2 (Tidak terdapat perbedaan.... )
H1: µ1 ≠ µ2 (Terdapat perbedaan. . )
Kriteria pengujian: Jika Fhitung > Ftabel, Maka Ho ditolak dan
Jika Fhitung < Ftabel, Maka Ho diterima
Atau Jika angka Sig.>0.05 maka H0 diterima, dan
Jika angka Sig.< 0.05 maka H0 ditolak.

Tabel 2. Data Fiktif

A1 A2
X1 X2 Y X1 X2 Y
7 8 6 7 7 8
8 9 7 8 8 9
6 8 6 6 6 7
7 7 6 5 6 6
5 6 5 3 5 4
8 8 7 7 8 8
7 7 6 6 7 7
6 7 6 6 6 7
8 8 7 9 9 8
4 6 5 7 5 6

Keterangan:
A = Metode Pembelajaran (A1 = Metode Konvensional; A2 = Metode Kooperatif)
Y = Hasil Belajar
X1 = Skor Tes Bakat
X2 = Skor Motivasi Berprestasi

12
 A1 A2
No
2 2
X1 X2 Y X1 X2 Y2 x1.y X2. X1.X2 X1 X2 Y X12 X2 2
Y2 x1.y X2. X1.X2
Y Y
1 7 8 6 49 64 36 42 48 56 7 7 8 49 49 64 56 56 49
2 8 9 7 64 81 49 56 63 72 8 8 9 64 64 81 72 72 64
3 6 8 6 36 64 36 36 48 48 6 6 7 36 36 49 42 42 36
4 7 7 6 49 49 36 42 42 49 5 6 6 25 36 36 30 36 30
5 5 6 5 25 36 25 25 30 30 3 5 4 9 25 16 12 20 15
6 8 8 7 64 64 49 56 56 64 7 8 8 49 64 64 56 64 56
7 7 7 6 49 49 36 42 42 49 6 7 7 36 49 49 42 49 42
8 6 7 6 36 49 36 36 42 42 6 6 7 36 36 49 42 42 36
9 8 8 7 64 64 49 56 56 64 9 9 8 81 81 64 72 72 81
10 4 6 5 16 36 25 20 30 24 7 5 6 49 25 36 42 30 35
Jml 66 74 61 452 556 377 411 457 498 64 67 70 434 465 508 466 483 444
h

4. Langkah-langkah Perhitungan (tabulasi data) bantuan program

Tabel . Format Tabel Statistik (data fiktif))

Statistik A1 A2 Total
N 10 10 20
X1 66 64 130
X12 452 434 886
X2 74 67 141
X22 556 465 1021
Y 61 70 131
Y2 377 508 885
X1Y 411 466 877
X2Y 457 483 940
X1X2 498 444 942
X1 6,6 6,4
X2 7,4 6,7
_Y 6,1 7,0

a. Menghitung Sumber Variasi Total (Residu)

1). ∑ ∑ (∑ ) ( )

2). ∑ ∑ (∑ ) ( )

3). ∑ ∑ (∑ ) ()

13
 (∑ )(∑ ) ( )
4). ∑ ∑

5). ∑ ∑ (∑ )(∑ ) ()

(∑ )(∑ ) ( )
6). ∑ ∑

a. Menghitung Sumber Variasi Dalam (Residu)

1).
  Y 2 Y 2 
    612 702 
 y  Y tot   A!  A2   885      885  862,1  22,9
2 2


 n1 n  10 
 2
  10


  X   X  
2).
2
2 2  662
642 

x   X tot  
2

n
A1 

 n
A2   886      886  845,2  40,8
1 1
   10 10 

2

1

2   X 
2 2  X 2   742 672 
3)  x2 
  X 2 tot   
A1
 A2 
 1021   
  24,5
 n1 n2  10 
 10
4).
  X A1. YA1  X . Y A2 A2
  66x61 64x70 
 
x y  X Y
1 1 tot  

 

  877   10  10   26,4
 n1 n2   


5).   X A1 . YA1 X A2 . YA2 

x y   X 2Ytot  
   


2 n1 n2
 74x61 
67 x70 
940    940  920,4  19,6
 
 10 10 



  X 1 A1. X 2 A1 X1 A2 . X 2 A2 
 xx 

1 2 X X 1 2 tot 

  
   
6). n1 n2 
 66x74 64x67 
942    942  917,2  24,8
 
10 10 
 
14


c. Menghitung Beta Total (b1 dan b2)

Untuk menghitung beta, gunakan rumus persamaan regresi linear ganda

sebagai berikut.

15
 (1)  x y  b1 x 2  b2 x x
1 1 12

x y  b1 x1 x2  b2 x2
2
(2) 2

Masukkan skor deviasi di atas ke dalam persamaan tersebut sehingga menjadi

seperti berikut.
(1). 25,5 = 41b1 + 25,5b2
(2). 16,45 = 25,5b1 + 26,95b2
----------------------------------------ini bisa diselesaikan Metode Selisih Produk
Diagonal (SPD), sehingga menjadi:
(3) = (25,5 x 26,95) – (16,45 x 25,5) ; dan (41 x 26,95) – (25,5 x 25,5); dan
25,5 x 26,95) - (26,95 x 25,5) jadi di peroleh :
267,75 = 454,7 b1 +0b2 Dengan demikian, diperoleh harga
b1 = 267,75/454,7 = 0,589.
Dengan memasukkan harga b1 ke persamaan (2), diperoleh:
16,45 = (0,589)(25,5) + 26,95 sehingga menjadi: 16,45 = 15,0195 +
26,95b2. Dengan demikian,
b2 = 1,4311/26,95 = 0,053.
d. Menghitung Beta Dalam (b1 dan b2)
Dengan cara yang sama, yakni dengan menggunakan persamaan linear,
harga beta dalam ditemukan. Berdasarkan skor deviasi sumber variasi dalam,
persamaan tersebut menjadi seperti berikut.
(1) 26,4 = 40,8b1 + 24,8b2
(2) 19,6 = 24,8b1 + 24,5b2
------------------------------- diselesaikan dengan metode SPD, menjadi:
(3) 160,72 = 384,56b1; dengan demikian
b1 = 160,72/384,56 = 0,418.
Dengan memasukkan harga beta ini ke dalam persamaan (2), diperoleh
sebagai berikut. b2: 19,6 = (24,8)(0,418) + 24,5 b2; sehingga
b2 = 9,2336/24,5 = 0,377.
e. Menghitung Jumlah Kuadrat Residu Total (JKres tot)

16
 y)  26,95  (0,589x25,5)  (0,053x16,45) 
JKtotal   y 2  (b1  x1 y  b2 x2

26,95 15,89135  11,05865  11,059.

f. Menghitung Jumlah Kuadrat Residu Dalam (JKres.dal)

 y2  (b  x y  b2 x y)  22,9  (0,418x26,4)  (0,377x19,6)

JKres.dal = 1 1 2

 22,9 18,4244  4,478

g. Menghitung Jumlah Kuadrat Residu Antar (JKres.ant.)

JKres.ant. = JKres.tot.- JKres.dal = 11,059 – 4,476 = 6,583 (ini varians terbesar)

h. Menghitung derajat kebebasan (db) dan Rerata Jumlah Kuadrat (RJK)

dbA = a-1 = 2 – 1 = 1
dbdal = N – a – m (kovariabel) = 20- 2 – 2 = 16
RJKA = JKA/dbA= 6,583/1 = 6,583.
RJKdal = JKdal/dbdal = 4,478/16 = 0,2798 = 0,280 (ini varians terkecil)
Jadi Fresidu = 6,583/0,280 = 23,510
Ringkasan Anakova Dua Kovariabel
Sumber JK Db RJK Fres F tabel
Variasi (α 0,05)
antar A 6,580 1 6,583 23,510 3,633
dalam 4,478 16 0,280 - -
Total 11,059 17 - - -
Berdasarkan hasil analisis di atas, dapat di lihat nilai Fres > Ftab, = 23,510 >
3,633 artinya H0 ditolak dan H1 diterima, sehingga dapat disimpulkan bahwa
terdapat perbedaan yang signifikan Hasil belajar antara mahasiswa yang mengikuti
pembelajaran dengan metode konvensional dan metode kooperatif dengan
pengendalian terhadap skor tes bakat dan skor motivasi berprestasi. Mahasiswa
yang pembelajarannya menggunakan metode kooperatif lebih unggul dari pada
mahasiswa yang belajar menggunakan metode konvensional

(Y2  7  Y1  6,1) .
Jika kita ingin mengetahui harga koefisien regresi ganda antar kriterium
dengan kovariabel X1 dan X2, Harga Ry (1,2) itu dapat dicari dengan menggunakan
bahan-bahan sumber variasi dalam kelompok sebagai berikut.

17
 ∑ ∑
( ) √
∑
*( )( )+ *( )( )+
√

√ √

Jadi R2 = 0,736 = 73,6%.

Berdasarkan nilai di atas dapat disimpulkan bahwa konstribusi kovariabel

bakat dan motivasi Berprestasi secara bersama terhadap hasil belajar sebesar
73,6% dan sisanya dipengaruhi oleh faktor lain.

Langkah-langkah Perhitungan dengan menggunakan SPSS

1. Membuka program SPSS
2. Menginput data
3. Menganalisis data dengan memilih menu Analyze,
4. Memilih General Linear Model, pilih Univariate.
5. Masukkan variabel Y ke bagian Dependent Variables yaitu data Hasil
Belajar
6. Masukkan ke bagian Fixed Factor(s). Fixed Factor(s) yaitu data Metode
Pembelajaran selalu berisi data bertipe nominal atau ordinal
7. Masukkan variabel X ke bagian Covariate(s) yaitu data tentang Bakat (X1)
dan Motivasi berprestasi (X2)
8. Pilih Options terus pilih Descriptive Statistics dan Homogenity Test
9. Klik OK

Output Analisis

18
 Descriptive Statistics

Dependent Variable:Prestasi Belajar

Metode Pembelajaran Mean Std. Deviation N
Metode Konvensional 6.10 .738 10
Metode Kooperatif 7.00 1.414 10
Total 6.55 1.191 20

Tests of Between-Subjects Effects

Dependent Variable:y
Type III Sum of
Source Squares Df Mean Square F Sig.
Corrected Model 22.472a 3 7.491 26.762 .000
Intercept .657 1 .657 2.348 .145
x1 2.742 1 2.742 9.795 .006
x2 1.339 1 1.339 4.785 .044
Metode 6.580 1 6.580 23.510 .000
Error 4.478 16 .280
Total 885.000 20
Corrected Total 26.950 19
R Squared = .834 (Adjusted R Squared = .803)

Berdasarkan tabel di atas dapat simpulkan bahwa;

Nilai signifikansi untuk kovaribel bakat = 0,006 artinya nilai sig < 0,05, dan
untuk nilai kovariabel motivasi berprestasi = 0,44 artinya sig < 0,05. Artinya dapat
disimpulkan bahwa kovariabel bakat dan minat berprestasi ada hubungan linear
terhadap hasil belajar yang didapatkan oleh mahasiswa. Dengan demikian
memenuhi syarat untuk pengujian Anacova.
Selanjutnya dilakukan pengujian hipotesis terkait dengan penggunaan
metode pembelajaran dengan mengendalikan bakat dan motivasi berprestasi. Dari
hasil pengolahan terlihat nilai sig. = 0,000. artinya nilai sig < 0,05 artinya H o ditolak
dan H1 diterima sehingga dapat disimpulkan bahwa Terdapat perbedaan yang
signifikan antara hasil belajar mahasiswa yang mengikuti pembelajaran dengan
metode konvensional dan metode kooperatif. Setelah dikendalikan kovariabel bakat
dan motivasi berprestasi Secara bersamaan.

B. Analisis Kovarians Satu Jalur (Tiga Kovariabel)

19
 1. Tabel Data

Tabel 3.7. Data Fiktif

A1 A2
X1 X2 X3 Y X1 X2 X3 Y
7 8 7 6 7 7 7 8
8 9 8 7 8 8 8 9
6 8 5 6 6 6 6 7
7 7 6 6 5 6 5 6
5 6 4 5 3 5 4 4
8 8 6 7 7 8 7 8
7 7 5 6 6 7 6 7
6 7 6 6 6 6 6 7
8 8 7 7 9 9 8 8
4 6 6 5 7 5 7 6

Keterangan Notasi:

A = Asal Mahasiswa
A1 = asal SMA Jurusan IPA
A2 = asal SMA Jurusan IPS
Y = Nilai Statistika Dasar
X1 = Indeks Prestasi SMA (IPK)
X2 = Koefisien Kecerdasan (IQ)
X3 = Bakat Numerik (BN)
2. Hipotesis Statistik:
H0: µ1 = µ2
H1: µ1 ≠ µ2
Kriteria pengujian: Jika Fhitung > Ftabel, Maka Ho ditolak dan
Jika Fhitung < Ftabel, Maka Ho diterima
Atau Jika angka Sig.>0.05 maka H0 diterima, dan
Jika angka Sig.< 0.05 maka H0 ditolak.
3. Langkah-langkah perhitungan
Langkah-langkah perhitungan pada anakova satu jalur dengan tiga
kovariabel, sama dengan langkah-langkah perhitungan pada anakova satu jalur
dengan dua kovariabel, hanya ada penambahan perhitungan untuk menghitung

20
beta masing-masing. Untuk menghitung beta 1, beta 2, dan beta 3, menggunakan
persamaan linear pada analisis regresi tiga predictor.

a. Tabel Data Statistik Induk

Tabel 3.8. Format Tabel Statistik (data fiktif))
Statistik A1 A2 Total
N 10 10 20
X1 66 64 130
X12 452 434 886
X2 74 67 141
X22 556 465 1021
X3 60 64 124
X32 372 424 796
Y 61 70 131
Y2 377 508 885
X1Y 411 466 877
X2Y 457 483 940
X3Y 371 462 833
X1X2 498 444 942
X1X3 404 428 832
X2X3 451 440 891
Rata-rata
X1 6,6 6,4
X2 7,4 6,7
X3 6,0 6,4
Y 6,1 7,0

b. Menghitung Sumber Variasi Total (Residu)

1).  y   Y
2 2

 Y   885  131
tot
2 2
 26,95
tot
N 20
X 2 1302
2).  x 2   X 2tot  1tot  886   41
1 1
N 20
X  2
1412
3).  x22  
2
tot 2 tot  1021  = 26,95
2
N 20
X

 X
2
)
4
. 
x
3 3
21
2
tot  
1242
3 X 796
2
20 
t
o
t
 27,2
N

22
  X  Y  1tot tot 130x131
  877   25,5
5). x y   X Y
1 1 tot 
N 20
 X  Y  tot tot 141x131
  877   16,45
6). x 2 y   X 2Ytot 
N 20
 X  Y 
124x131 tot tot
  833  20  20,8
7).  x3 y   X 3Ytot   XN  X 
 1tot  2tot 130x141
  877  20  25,5
8).  x1 x2   X1 X 2 tot   X N X 
 1tot  3tot 130x124
  832  20  26
9).  x1 x3   X 1 X 3tot   X N  X 
 2tot  3tot 124x141
  891   16,8
10).  x2 x3   X 2 X 3tot  N 20

c. Menghitung Sumber Variasi Dalam (Residu)

1).
  Y   Y 
2 2
  612 702 
 
 y2  Y 2     885  862,1  22,9
A!
  885  
 

tot
n A2 
 
 10 
n1  10
 2

  X   X  
2).
2
2 2  662 642 

x   X tot  
2

n
A1 

 n
A2   886      886  845,2  40,8
1 1
   10 10 
 1 2



2   X  22  X 2   742 672 
3)  x2   X 2 tot   A1
 A2 
 1021  

   24,5


 n1   10 10 
 n2 
2 2   X  2  X 2   602 642 
4).  x3   X 3 tot   A1
 A2 
 796  

   26,4


 n  10 
n1  10
 2



  X A1 *  YA1
 X A2 *  YA2 
 xy  
1 XY 1 tot 

  
   n2 
5).
n1 

877  
66x61 64x70 
   26,4
10 10 
 

23
   X A1 x  YA1   X x Y A2 A2

 xy



2
X 2 Ytot

   n2
 

6).
n1 
 74x61 67x70 
940    940  920,4  19,6


 10 
10   X A1 *  Y A1  X A2 *  Y A2 
 x3 y   X 3Ytot   
 
7).  n1 n2 

 60x61 64x70 
833    833  814  19
 
 10 10 
  X 1 A1 *  X 2 A1  X 1 A2 *  X 2 A2 
 x1 x2   X 1 X 2 tot  

n


8).  n 1 2 
 66x74 64x67 
942    942  917,2  24,8


 10 
10  X 1 A1 *  X 3 A1  X 1 A2 *  X 3 A2 
 x1 x3   X 1 X 3 tot   
 
9).

 n 1 n2 
 66x60 64x64 
832    832  805,6  26,4
 
10 10 

 2 A1  3 A1   X 2 A2 *  X 3 A2 
 X * X
 x2 x3   X 2 X 3 tot   
 

 n1 n 2 

10).  60x74 64x67 
891    891  872,8  18,2
 
10 10 
 


d. Menghitung Beta Total (b1, b2 dan b3)

Untuk menghitung beta, gunakan rumus persamaan regresi jamak linear

sebagai berikut.

x y  b  x 2  b x x  b x x
1 1 1 2 1 2 3 1 3

x y  b  x x  b x 2  b x x
2 1 1 2 2 2 3 2 3

x y  b  x x  b  x x  b  x
2
3 1 1 3 2 2 3 3 3 

Masukkan skor deviasi di atas ke dalam persamaan tersebut sehingga

menjadi seperti berikut.
(1) 25,5 = 41 b1 + 25,5 b2 + 26 b3
(2) 16,45 = 25,5 b1 + 26,95 b2 + 16,8 b3
(3) 20,8 = 26 b1 + 16,8 b2 + 27,2 b3

24
  ambil persamaan (1) dan (2), ini
bisa diselesaikan dengan metode eliminasi atau metode Selisih Produk Diagonal
(SPD), sehingga menjadi:
(25,5 x 16,8) – (16,45 x 26) ; (41 x 16,8) – (25,5 x 26); (25,5 x 16,8) -
(26,95 x 26); dan (26 x16,8)-(16,8 x 26).
Jadi mendapatkan persamaan ke 4).
4). 0,7 = 25,8 b1 + (-272,3)b2 + 0 b3
Kemudian, ambil persamaan (2) dan (3), dan hitung dengan metode SPD
sehingga diperoleh seperti pada persamaan (5).
(16,45 x 27,2) – (20,8 x 16,8); (25,5 x 27,2)- (26 x 16,8); (26,95 x 27,2) –
(16,8 x 16,8); (16,8 x 27,2) – (27,2 x 16,8).
Sehingga diperoleh Persamaan
5). 98 = 256,8 b1 + 450,8 b2 + 0 b3;
Selanjutnya, persamaan (4) dan (5) dihitung dengan metode SDP dan
jadikan persamaan (6) sebagai berikut.

(4) 0,7 = 25,8 b1 + (-272,3)b2 + 0 b3

(5) 98 = 256,8 b1 + 450,8 b2 + 0 b3

0,7 x 450,8) – (98 x -272,3); (25,8 x 450,8) – (256,8 x-272,3). Sehingga

diperoleh persamaan (6) ; 27000,96 = 81557,28 b1;
Dengan demikian, diperoleh harga
b1=. 27000,96/81557,28
b1 = 0,331
Dengan memasukkan harga b1 ke persamaan (5), diperoleh:
98 = (0,331)(256,8) + 450,8b2
sehingga menjadi: 98 = 85,0008 + 450,8b2,
98 - 85,0008 = 450,8b2,
12,9992 = 450,8b2.
Jadi b2 = 12,9992/450,8 = 0,029.
Untuk menghitung b 3, gunakan salah satu persamaan di atas yang ada beta
tiganya. Misalnya, kita gunakan persamaan (2) sehingga menjadi sebagai berikut.

25
 16,45 = 25,5 (0,331) + 26,95 (0,029) + 16,8 b3
16,45 = 8,4405 + 0,78155 + 16,8 b3
16,45 = 9,22205 + 16,8 b3
16,45 – 9,22205 = 16,8 b3
7,22795 = 16,8 b3 
jadi b3 =7,22795 /16,8 = 0,430.

e. Menghitung Beta Dalam (b1, b2, b3)

Dengan cara yang sama, yakni dengan menggunakan persamaan linear,
harga beta dalam ditemukan. Berdasarkan skor deviasi sumber variasi dalam,
persamaan tersebut menjadi seperti berikut.

(1)  x1 y  b1 x1 2  b2  x1 x2
 b3  x1x3

(2)  x 2 y  b1  x1x2 b 2 x 22  b 3 x 2x 3
(3)  x 3y  b1  x1x3  b2  x 2 x3  b3  x 3 
2

26,4 = 40,8 b1 + 24,8 b2 + 26,4 b3

(1) 19,6 = 24,8 b1 + 24,5 b2 + 18,2 b3
(2) 19 = 26,4 b1 + 18,2 b2 + 26,4 b3
 diselesaikan dengan metode SPD,
menjadi:
(3) -36,96 = 87,84 b1 + (-195,44) b2; (hasil SPD dari persamaan (1) dan
(2)).
(4) 171,64 = 174,24 b1 + 315,56 b2; (hasil SPD persamaan (2) dan (3)).
 diselesaikan dengan metode SPD
(5) 21882,224 = 61772,256 b1  b1 = 21882,224/61772,256 = 0,354
(dibulatkan).
Masukkan b1 ke persamaan (2) sehingga menjadi:
171,64 = 174,24(0,354) + 315,56 b2
171,64 = 61,68096 + 315,56 b2
171,64 – 61,68096 + 315,56 b2
109,92904 = 315,56 b2  b2 = 109,92904/315,56 = 0,348 (dibulatkan).

26
 Selanjutnya, masukkan ke salah satu persamaan di atas, misalnya
dimasukkan ke persamaan (3) sehingga menjadi sebagai berikut.
19 = 26,4 (0,354) + 18,2 (0,348) + 26,4 b3
19 = 9,3456 + 6,3336 + 26,4 b3
19 = 15,6792 + 26,4 b3
19 – 15,6792 = 26,4 b3
3,3208 = 26,4 b3  b3 =3,3208/26,4 = 0,126 (dibulatkan)

f. Menghitung Jumlah Kuadrat Residu Total (JKres tot)

JK total   y 2  (b1  x1 y  b2 x2 y  b3 x y)  26,95  (0,331x25,5  0,029x16,45 

3

0,430x20,8)  26,95  17,86155  9,08845.

g. Menghitung Jumlah Kuadrat Residu Dalam (JKres.dal)

JKres.dal =
 y 2  (b  x y  b2 x y  b3 x y)  22,9  (0,354x26,4)  (0,348x19,6  0,126x19)
1 1 2 3

 22,9 18,5604  4,3396.

h. Menghitung Jumlah Kuadrat Residu Antar (JKres.ant.)

JKres.ant. = JKres.tot.- JKres.dal = 9,08845 – 4,3396 = 4,74885 (ini varians terbesar)

i. Menghitung derajat kebebasan (db) dan Rerata Jumlah Kuadrat (RJK)
dbA = a-1 = 2 – 1 = 1
dbdal = N – a – m (kovariabel) = 20- 2 – 3 = 15
dbtot = N – 1 – m = 20-1-3 = 16
RJKA = JKA/dbA= 4,74885/1 = 4,74885 = 4,749 (dibulatkan)
RJKdal = JKdal/dbdal = 4,3396/15 = 0,289306666 = 0,289 (ini varians terkecil)
Jadi Fresidu = 4,749/0,289 = 45,41868512 = 16,432 (dibulatkan).
Tabel . Ringkasan Anakova Tiga Kovariabel
Sumber JK db RJK Fres F tabel
Variasi (α 0,05)
antar A 4,749 1 4,749 16,432 4,54
dalam 4,3396 15 0,289 - -
Total 9,0886 16 - - -

27
 Berdasarkan hasil analisis di atas dapat dilihat bahwa nilai Fres = 16,432 lebih
besar dari pada nilai Ftab.=4,54 atau Fres > Ftab. Artinya H0 ditolak dan H1 diterima.
Dengan demikian dapat disimpulkan bahwa dengan pengendalian terhadap IPK
SMA (X1), IQ (X2), dan bakat numerik (X3), terdapat perbedaan yang signifikan
nilai hasil belajar Desain Pembelajaran (Y) antara mahasiswa yang berasal dari
jurusan IPS dan IPA. Mahasiswa yang berasah dari IPA lebih unggul dibandingkan
dengan mahasiswa yang berasal dari jurisan IPS

(YIPA  7,132  YIPS  5,97) .

Jika kita ingin mengetahui kontribusi koefisien regresi ganda antara

kriterium dengan kovariabel X1, X2 dan X3, harga Ry (1,2,3) itu dapat dicari
dengan menggunakan bahan-bahan sumber variasi dalam kelompok, sebagai
berikut.

b1 x1 y  b2  x2 y  b3  x3 y
Ry(1,2,3)  
  y 2

 
 22,9
18,5604

 0,8105  0,900
22,9

R2 = 0,8105 = 81,05%. Ini besarnya kontribusi bersama kovariabel X1, X2

dan X3 terhadap kriterium. Berdasarkan hasil perhitungan di atas dapat disimpulkan
bahwa kontribusi secara bersamaan covariabel terhadap hasil belajar mahasiswa
adalah sebesar 81,05 % dan sisanya dipengaruhi oleh faktor lain.

Langkah-langkah Perhitungan dengan menggunakan SPSS

1. Membuka program SPSS

2. Menginput data
3. Menganalisis data dengan memilih menu Analyze,
4. Memilih General Linear Model, pilih Univariate.
5. Masukkan variabel Y ke bagian Dependent Variables yaitu variabel Nilai
statistika
6. Masukkan bagian Fixed Factor(s).variabel faktor yaitu data tentang
Jurusan SMA.
28
 7. Masukkan variabel X ke bagian Covariate(s) yaitu data IPK (X1), IQ (X2)
dan Bakat (X3)
8. Pilih Options terus pilih Descriptive Statistics dan Homogenity Test
9. Klik OK

Output

Between-Subjects Factors

Value Label N
Asal Jurusan 1 IPA 10
2 IPS 10

Descriptive Statistics
Dependent Variable:Hasil Belajar
Asal
Jurusan Mean Std. Deviation N
IPA 6.10 .738 10
IPS 7.00 1.414 10
Total 6.55 1.191 20
Berdasarkan data di atas dapat disimpulkan bahwa nilai rata-rata hasil belajar
Mahasiswa asal jurusan IPS lebih tinggi dari pada mahasiswa asal jurusan IPA.
Nilai IPS = 7.00 > Nilai IPA = 6.10.

Tests of Between-Subjects Effects

Dependent Variable:Hasil Belajar
Type III Sum of
Source Squares df Mean Square F Sig.
Corrected Model 22.610a 4 5.653 19.538 .000
Intercept .449 1 .449 1.553 .232
X1 1.350 1 1.350 4.665 .047
X2 1.083 1 1.083 3.744 .072
X3 .139 1 .139 .479 .499
Asal 4.741 1 4.741 16.386 .001
Error 4.340 15 .289
Total 885.000 20
Corrected Total 26.950 19
a. R Squared = .839 (Adjusted R Squared = .796)

29
Berdasarkan tabel di atas dapat simpulkan bahwa;
 Nilai signifikansi untuk kovaribel IPK(X1) = 0,047 artinya nilai sig < 0,05,
memenuhi syarat untuk pengujian Anacova.
 Nilai Signifikansi untuk kovariabel IQ (X2) = 0,072 artinya nilai sig > 0,05
artinya tidak memenuhi untuk pengujian Anacova.
 Nilai Signifikansi untuk kovariabel BN (X 3) = 0,499 artinya nilai sig >
0,05 artinya tidak memenuhi untuk pengujian Anacova.
 Uji secara simultan atau secara bersama-sama kovariabel X1,X2,X3 = 0,00,
artinya sig < 0,05. Artinya terdapat perbedaan.

Selanjutnya dilakukan pengujian hipotesisi terkait dengan asal mahasiswa dengan

mengendalikan IPK terhadap nilai statistic mahasiswa, dari hasil pengolahan dapat
telihat niai sig =0,01 artinya sig < 0,05, artinya H0 ditolak dan Ha diterima, sehingga
dapat disimpulkan bahwa terdapat perbedaan hasil belajar statistic yang signifikan
antara mahasiswa yang berasal dari IPA dan berasal dari IPS, setelah dikendalikan
IPK.

30
 BAB III
KESIMPULAN
III.1 Kesimpulan
 Analisis kovarian atau sering disebut dengan Anakova adalah teknik
statistic yang merupakan perpaduan antara analisis regresi (Anareg)
dengan analisis varian (Anava). Analisis Kovarians (Anakova), fungsinya
sama dengan Anava, hanya saja dalam Anacova ditambah pengendalian
secara statistik terhadap variabel numerik.
 Penerapan analisis kovarians dalam penelitian yaitu: analisis kovarians satu
jalur (satu kovariabel), analisis kovarians satu jalur (dua kovariabel),
analisis kovarians satu jalur (tiga kovariabel).

31
 DAFTAR PUSTAKA

James P.Stevens, 2009. Applied Multivariate Statistics For The So Cial Sciences
.Fifth Edition University of Cincinnati. I New York London.

Santoso, Singgih. Buku Latihan SPSS Statistik Multivariat (Modul 17: General
Linear Model-Univariat). 2002. Jakarta: PT Elex Media Komputindo.

Koyan,Wayan, Statistika 2. 2012. Ganesa Press. Bali

Winarsunu, Tulus, Statistik dalam Penelitian Psikologi Pendidikan. Malang. Cet

2015. Penerbit Universitas Muhammadiyah Malang.

32
 27

View publication stats