Makalah 2020 Analisis Multivarian (MANOVA)

MAKALAH
STATISTIKA PENELITIAN PENDIDIKAN
TUGAS
MULTIVARIATE ANALYSIS OF VARIANCE
(MANOVA)
Dosen Pengampu:
Dr. Nurhanurawati, M.Pd.
Oleh
KELOMPOK 4
Dodi Efriyadi (2023021014)
Faila Sova (2023021013)
Siti Lestari (2023021015)
Analia (2023021019)
UNIVERSITAS LAMPUNG
BANDAR LAMPUNG
2020
0
KATA PENGANTAR
Puji syukur penulis panjatkan kehadirat Allah SWT atas segala rahmat dan
limpahan hidayah-Nya sehingga makalah ini bisa selesai. Shalawat serta salam
semoga selalu tercurahkan kepada baginda Rasulullah SAW. Penyusunan makalah
ini bertujuan untuk menyelesaikan tugas makalah statistik penelitian pendidikan
dengan pokok bahasan multivariant yaitu Multivariate analysis of variance
(MANOVA). Semoga apa yang saya sampaikan melalui makalah ini dapat
menambah wawasan baik itu untuk pribadi sebagai penulis maupun pembaca pada
umumnya.
Bandar Lampung, Desember 2020
Kelompok 4
1
DAFTAR ISI
Halaman
COVER
KATA PENGANTAR .................................................................................... 1
DAFTAR ISI .................................................................................................. 2
DAFTAR TABEL .......................................................................................... 3
BAB I PENDAHULUAN .............................................................................. 4

1.1. Latar Belakang ........................................................................................ 4
1.2. Rumusan Masalah ................................................................................... 5
1.3. Tujuan Penulisan ..................................................................................... 5
1.4. Metode Penulisan ..................................................................................... 5
BAB II PEMBAHASAN ............................................................................... 6

2.1. Analisis Multivariant ............................................................................... 6
2.1.1. Pengertian Analisis Multivariant .................................................. 6
2.1.2. Jenis Data Dalam Analisis Multivariat .......................................... 7
2.1.3. Klasifikasi Analisis Multivariant ................................................... 8
2.2. MANOVA .............................................................................................. 10
2.2.1. Pengertian MANOVA ................................................................. 10
2.2.2. Syarat MANOVA ........................................................................ 11
2.2.3. Rumus MANOVA ....................................................................... 12
2.2.4. Contoh Kasus MANOVA Sel Sama............................................. 14
2.2.5. Contoh Kasus MANOVA Sel Tidak Sama ................................... 29
BAB III PENUTUP ...................................................................................... 53

DAFTAR PUSTAKA ................................................................................... 54
2
DAFTAR TABEL
Halaman
1. Tabel Manova .................................................................................... 13
2. Tabel Bartlett ..................................................................................... 14
3. Hasil Output SPSS Multivariate Tes (Sel Sama) ............................... 26
4. Hasil Output SPSS Tests of Between-Subjects Effects (Sel Sama) .. 27
5. Mencari jumlah dan rata-rata ............................................................ 30
6. Mencari Jumlah Kuadrat ................................................................... 31
7. Mencari Hasil Kali Setiap Variabel .................................................. 32
8. Hasil Output SPSS Multivariate Tes (Sel Tidak Sama) ................... 43
9. Hasil Output SPSS Tests of Between-Subjects Effects
(Sel Tidak Sama) ................................................................................ 44
3
BAB I
PENDAHULUAN
1.1. Latar Belakang Masalah
Analisis multivariat merupakan salah satu teknik statistik yang digunakan
untuk memahami struktur data dalam dimensi tinggi. Variabel-variabel itu
saling terkait satu sama lain. Disinilah letak perbedaan antara multivariabel
dan multivariat. Multivariat pasti melibatkan multivariabel tetapi tidak
sebaliknya. Multivariabel yang saling berkorelasilah yang dikatakan
multivariat. Secara ilmiah, untuk menjelaskan penomena sosial perlu
dilakukan percobaan dengan pengumpulan dan analisis data. Analisis data
yang dikumpulkan dari pengamatan atau percobaan akan menghasilkan
modifikasi penjelasan dari penomena tersebut. Selama dalam masa
percobaan tersebut, sering kali akan terjadi penambahan dan pengurangan
variabel. Dengan demikian, maka akan timbullah masalah yang semakin
komplek sehingga dibutuhkan lebih banyak variabel yang berbeda. Karena
dalam data akan terdapat pengaruh beberapa variabel terhadap variabel
lainnya dalam waktu yang bersamaan.
Multivariate Analysis of Variance (MANOVA) yang merupakan bagian dari
analisi multivariant adalah analisis yang mirip dengan Analysis of Variance
(ANOVA) perbedaannya terletak pada banyaknya variabel tak bebas yang
digunakan. Pada Analysis of Variance (ANOVA) hanya terdapat satu
variabel tak bebas dan menggunakan variabel skalar, sedangkan pada
Multivariate Analysis of Variance (MANOVA) terdapat lebih dari satu
variabel tak bebas dan menggunakan vektor. Fungsi dari Multivariate
4
Analysis of Variance (MANOVA) untuk mengetahui apakah terjadi
perbedaan yang signifikan secara simultan dari sekumpulan variabel terikat
(dependent variable) dan dapat juga untuk mencari pengaruh perlakuan
terhadap berbagai pengamatan, kemudian hasil perhitungannya disajikan
dalam suatu tabel Multivariate Analysis of Variance (MANOVA).
1.2. Rumusan Masalah
1.2.1. Apa yang dimaksud dengan analisis multivarint?
1.2.2. Apa saja jenis statistika yang terdapat pada analisis multivariant?
1.2.3. Apa yang dimaksud dengan MANOVA?
1.3. Tujuan Penulisan
1.3.1. Mengetahuai apa yang dimaksud dengan analisis multivarint.
1.3.2. Mengetahui jenis statistika yang terdapat pada analisis multivariant.
1.3.3. Mengetahui Multivariate Analysis of Variance (MANOVA).
1.4. Metode Penulisan
Metode yang digunakan adalah kajian pustaka dari berbagai sumber relevan
yaitu buku, internet, peraturan pemerintah yang digunakan untuk pembuatan
makalah ini.
5
BAB II
PEMBAHASAN
2.1. Analisis Multivariant
2.1.1. Pengertian Analisis Multivariant
Menurut Budiono (2009: 128) menyatakan bahwa analisis statistik
multivariat merupakan metode statistik yang memungkinkan melakukan
penelitian terhadap lebih dari dua variable secara bersamaan. Dengan
menggunakan teknik analisis ini maka kita dapat menganalisis pengaruh
beberapa variable terhadap variabel – variable lainnya dalam waktu yang
bersamaan selain itu dapat juga digunakan untuk mengetahui perbedaan
variable terhadap variable. Sedangkan menurut Hengky Latan (2014:
271) menyatakan bahwa Analisis Multivariat adalah metode pengolahan
variabel dalam jumlah yang banyak, dimana tujuannya adalah untuk
mencari pengaruh variabel-variabel tersebut terhadap suatu obyek secara
simultan atau serentak. Analisis multivariat digunakan karena pada
kenyataannnya masalah yang terjadi tidak dapat diselesaikan dengan
hanya menghubung-hubungkan dua variable atau melihat pengaruh satu
variable terhadap variable lainnya. Teknik analisis multivariat berfungsi
untuk menerangkan atau memprediski variable tergantung dengan
menggunakan dua atau lebih variable bebas. Menurut Dillon dan Goldstein
(1984), analisis multivariat adalah semua metode statistik yang
menganalisis beberapa pengukuran (variable-variable) yang ada pada
setiap obyek dalam satu atau banyak sampel secara simulan.
6
Analisis Multivariat atau Metode Multivariat berhubungan dengan metode
statistik yang secara bersama-sama (simultan) melakukan analisis terhadap
lebih dari dua variabel pada setiap objek atau orang. Pengertian Analisis
Multivariat adalah analisis multi variabel dalam satu atau lebih hubungan.
Analisis ini berhubungan dengan semua teknik statistik yang secara
simultan menganalisis sejumlah pengukuran pada individu atau obek.
Sedangkan variat bisa didefinisikan sebagaii suatu kombinasi linier dari
variabel-variabel dengan bobot variabel yang ditentukan secara empiris.
http://prasko17.blogspot.com/2012/11/pengertian-analisis-multivariat.html
Berdasarkan beberapa definisi Analisis Multivariat di atas, maka
disimpulkan bahwa yang dimaksud dengan Analisis Multivariat adalah
suatu analisis yang melibatkan variabel dalam jumlah lebih dari 2 variabel.
2.1.2. Jenis Data Dalam Analisis Multivariat
Menurut Budiyono (2009 : 129) bahwa seperti halnya analisis statistik
lainnya, Analisis Multivariat yang kita bahas ini juga tidak lepas dari jenis
data atau skala data. Skala data yang digunakan ada dua macam, yaitu data
metrik dan data non metrik. Data metrik adalah data yang bersifat numerik
atau berisi angka-angka dan dapat dilakukan perhitungan matematis di
dalamnya, misal nilai ujian, tingkat IQ, berat badan, dll. Data metrik
disebut juga dengan data numerik atau data kuantitatif. Dalam hal ini data
metrik ada 2 macam, yaitu data interval dan data rasio. Sedangkan data
non metrik adalah data non numerik atau disebut juga data kualitatif atau
7
data kategorik. Ada dua macam jenis data non metrik ini, yaitu data
nominal dan data ordinal.
2.1.3. Klasifikasi Analisis Multivariat
Menurut Budiyono (2009: 131) menyatakan klasifikasi analisis multivariat
ada tiga macam, yaitu teknik dependensi, teknik interdependensi dan
model struktural. Sedangkan Hengky Latan (2014: 273) menyatakan
Analisis Multivariat hanya dikelompokkan ke dalam 2 klasifikasi saja
yaitu analisis dependensi dan analisis interdependensi.
a. Teknik Dependensi Analisis Multivariat
Teknik Dependensi Analisis Multivariat adalah suatu metode Analisis
Multivariat dimana variabel atau kumpulan variabel yang diidentifikasi
sebagai variabel dependen atau variabel terikat dapat diprediksi atau
dijelaskan oleh variabel lain yang merupakan variabel independen atau
variabel bebas. Analisis dependensi berfungsi untuk menerangkan atau
memprediksi variabel terikat dengan menggunakan dua atau lebih
variabel bebas. Analisis yang termasuk di dalam klasifikasi analisis
dependensi antara lain: analisis regresi linear berganda, analisis
diskriminan , analisis varian multivariate (MANOVA), dan analisis
korelasi kanonikal.
b. Teknik Interdependensi Analisis Multivariat
Teknik Interdependensi Analisis Multivariat adalah Analisis
Multivariat yang melibatkan analisis secara serentak dari semua
variabel dalam satu kumpulan, tanpa membedakan antara variabel
yang terikat ataupun variabel yang bebas. Teknik analisis
8
interdependensi berguna dalam memberikan makna terhadap
sekelompok variabel atau membuat kelompok kelompok secara
bersama-sama. Analisis yang termasuk di dalam klasifikasi analisis
interdependensi antara lain: analisis factor, analisis kluster,
Multidimensional Scaling dan Analisis Korespondensi.
c. Teknik Model Struktural Atau Structural Model Analisis Multivariat
Teknik yang terakhir ini, yaitu Teknik Model Struktural adalah sebuah
teknik yang yang mencoba menganalisis hubungan secara simultan
variabel dependen dan independen secara bersamaan. Model seperti ini
dikenal dengan istlah model persamaan struktural atau Structural
Equation Model dan biasa disingkat dengan SEM. Kelebihan SEM
adalah dapat meneliti hubungan antara beberapa kelompok variabel
secara bersamaan atau serentak. Baik variabel bebas maupun variabel
terikat. Bahkan metode ini juga dapat menggabungkan adanya variabel
laten. Variabel laten dalam hal ini adalah variabel yang sebenarnya
keberadaannya tidak dapat diukur secara langsung ke dalam analisis.
Demikian telah kami coba jelaskan sedikit tentang analisis multivariat.
Agar anda lebih pahami lagi secara detail, silahkan pelajari beberapa
artikel kami yang membahas lebih spesifik lagi tentang jenis-jenis
analisis yang digunakan dalam analisis multivariat.
Analisis multivarite tersebut yang tentunya banyak sekali jenisnya, baik
yang menggunakan aplikasi SPSS, STATA, Minitab atau bahkan
menggunakan aplikasi Excel.
9
2.2. MANOVA (Multivariate analysis of variance)
2.2.1. Pengertian MANOVA
Menurut Budiyono (2009: 143) menyatakan Manova mempunyai
pengertian sebagai suatu teknik statistik yang digunakan untuk
menghitung pengujian signifikansi perbedaan rata-rata secara bersamaan
antara kelompok untuk dua atau lebih variable tergantung. Teknik ini
bermanfaat untuk menganalisis variable-variabel tergantung lebih dari
dua yang berskala interval atau rasio. Menurut Diana Puspitasari, Sigit
Nugroho, dan Baki Swita (2017: 7-8) bahwa MANOVA merupakan
analisis keragaman yang menguji apakah vektor nilai tengah populasi
sama atau berbeda. Analisis ragam dengan MANOVA, dapat dilakukan
sekaligus pada beberapa variabel yang diamati dengan melibatkan matriks
ragam peragam (variance covariance matrix).
Sedangkan, menurut Hair dkk. (2010:341) menyatakan sebagai berikut:
"Multivariate analysis of variance (MANOVA) is an extension of analysis
of variance (ANOVA) to accommodate more than one dependent variable.
It is a dependence technique that measures the differences for two or more
metric dependent variables based on a set of categorical (nonmetric)
variables acting as independent variables. Diartikan bahwa Multivariate
analysis of variance (MANOVA) merupakan perluasan dari
ANOVA. Dalam ANOVA hanya terbatas pada penggunaan satu variabel
tak bebas yang bersifat metrik (interval atau rasio), sedangkan pada
MANOVA dapat melibatkan dua atau lebih variabel tak bebas yang
bersifat metrik. MANOVA menguji ada tidaknya perbedaan rata-rata dari
10
dua atau lebih variabel tak bebas secara simultan (simultaneously)
berdasarkan kelompok-kelompok pada variabel bebas.
2.2.2. Syarat MANOVA
Menggunakan MANOVA beberapa persyaratan yang harus dipenuhi ialah:
a. Variabel tergantung harus dua atau lebih dengan skala interval
b. Variabel bebas satu dengan menggunakan skala nominal.
c. Pada MANOVA, variabel bebas (independent variable) bersifat non-
metrik (terdiri dari beberapa kelompok/kategori), sedangkan variabel
tak bebas bersifat metrik (interval atau rasio).
d. Untuk semua variabel tergantung, data diambil dengan cara random
sample dari vektor-vektor populasi normal multivariate dalam suatu
populasi, dan untuk matrik-matrik variance-covariance untuk semua
sel sama. Dalam penggunaannya, membutuhkan asumsi, yaitu ukuran
sampel yang lebih besar dari pada univariat ANOVA, di mana dalam
manova ada batasan khusus dalam setiap sel (kelompok), minimal
sebanyak 20 observasi. Dan jumlah sampel di setiap sel harus lebih
besar dari jumlah variabel dependen.
e. Memenuhi uji normalitas dan uji homogenitas. Selain asumsi
normalitas multivariat, terdapat asumsi lain yang dikenakan pada
penggunaan MANOVA, yakni asumsi kesamaan matriks-matriks
kovarian populasi (equal population covariance matrices). Untuk
menguji asumsi kesaman matriks-matriks kovarian populasi dapat
digunakan uji Box.
11
2.2.3. Rumus MANOVA
Menurut Sutrisno Sutrisno dan Dewi Wulandari (2018) online di
https://doi.org/10.26877/aks.v9i1.2472. Berikut ini rumus dari uji Manova
untuk membandingkan vektor mean sebanyak adalah :
Vector observasi dapat dikomposisi ulang sesuai model, yaitu :
̅ ( ̅ ̅) ( ̅ ̅)
Keterangan :
= observasi
̅ = rata-rata sampel keseluruhan
̅ ̅ = estimasi efek perlakuan
̅ ̅ = residu
Serupa dengan Anava, hipotesis yang diujikan dapat dirumuskan sebagai
berikut:
(tidak ada perbedaan antar perlakuan)
(setidaknya ada perbedaan antar dua
perlakuan).
Mirip dengan anova jumlah kuadrat pada manova dapat ditulis sebagai
berikut :
Jumlah kuadrat perlakuan.
( ) ∑ ∑( ̅ ̅ )( ̅ ̅)
( ) ∑ ( )
12
Jumlah kuadrat galat.
( ) ∑ ∑( ̅ ̅ )( ̅ ̅ )
( ) ∑∑ ∑ ( )
Tabel Manova yang membandingkan vector mean :
Tabel 1
Tabel Manova
Sumber Matriks Jumlah Kuadrat dan Derajat

Keragaman Perkalian Silang Kebebasan
Perlakuan ∑ (̅ ̅ )( ̅ ̅)
Treatmen
∑ ∑( ̅)( ̅) ∑
Residu (error)
Total (rata-rata
∑ ∑( ̅)( ̅) ∑
terkoreksi)
Perhitungan ada atau tidaknya pengaruh perlakuan dapat dihitung
menggunakan uji statistik manova atau lebih dikenal dengan Wilks’
Lambda. Kemudian, dari nilai JK(P) dan JK(G) dihitung
koefesien dengan menggunakan rumus Wilks’ Lambda :
| ( )|
| ( ) ( )|
Dimana JK(G) dan JK(P) sudah didefinisikan pada persamaan (1) dan (2).
Setelah diperoleh nilai jumlah kuadrat galat dan jumlah kuadrat perlakuan,
subtitusikan nilai tersebut kedalam rumus uji Wilks’ Lambda. Hasil
13
perhitungan tersebut kemudian disubtitusikan kedalam rumus uji yang
tertera pada Tabel 3.6 selaras dengan nilai p dan t.
Menurut Diana Puspitasari, Sigit Nugroho, dan Baki Swita (2017: 7-8)
bahwa hipotesis nol ditolak apabila nilai
terlalu kecil. Koefisien disebut koefisien lambda dari Wilks, yang
popular dengan sebutan koefisien Wilks Lambda. Distribusi yang lebih
teliti untuk pengujian dengan menggunakan tabel Bartlett yang
dijabarkan sebagai berikut:
Tabel 2
Tabel Bartlett
Banyak
Banyak
Variabel Sampling Distribusi Harga
Perlakuan
Pengamatan
∑ ( )∑
( )( )
∑ √ ( ) (∑ )
( )( )
√
∑ ∑
( )( )
∑ √ (∑ )
( )( )
√
Untuk p dan t selain empat
[( ) ] ( )
kategori diatas
Selanjutnya besaran yang dihitung dari rumus di atas dibandingkan
dengan tabel Wilk’s U dengan kaidah keputusan jika maka
terima H0 dan jika maka tolak H0.
2.2.4. Contoh Kasus uji MANOVA (Sel Sama)
Akan diadakan penelitian pada sekolah. Dalam sekolah tersebut 1 kelas
terdiri atas 30 siswa. Diambil 2 kelas secara acak, pada kedua kelas
tersebut diterapkan model pembelajaran yang berbeda yaitu model
14
Eksperimen I dan Model Eksperimen II, terhadap kemampuan koneksi
matematis dan kemampuan komunikasi matematis siswa. Setelah
diberikan treatmen diperoleh data hasil sebagai berikut:
Kelas Eksperimen I Kelas Eksperimen II

Kemampuan Kemampuan Kemampuan Kemampuan
No
Koneksi Komunikasi Koneksi Komunikasi
Matematis Matematis Matematis Matematis
1 5 7 2 9
2 8 14 7 4
3 12 16 3 11
4 7 9 7 12
5 8 10 9 1
6 10 13 1 3
7 5 6 3 12
8 10 13 10 6
9 5 7 4 2
10 9 13 3 5
11 4 5 5 12
12 10 13 8 10
13 6 7 10 4
14 11 14 4 10
15 11 14 7 10
16 3 4 8 6
17 3 3 4 4
18 12 16 2 1
19 6 8 1 4
20 3 4 3 5
21 5 7 3 13
22 11 13 8 14
23 12 14 10 6
24 4 6 6 8
25 9 12 7 9
26 9 12 8 6
27 6 8 3 13
28 3 4 8 7
29 1 1 5 11
30 4 5 7 5
Sumber : Data Fiktif
Apakah ada perbedaan hasil kemampuan koneksi matematis dan
kemampuan komunikasi matematis siswa yang diajar dengan dua model
tersebut dengan ? (diasumsikan data sudah memenuhi syarat
normalitas)
15
Penyelesaian
Prosedur secara manual
a. Menentukan hipotesis uji
(tidak ada perbedaan model eksperimen I dan model Ekperimen II terhadap kemampuan koneksi matematis
dan kemampuan komunikasi matematis siswa)
(setidaknya ada perbedaan model eksperimen I dan model Ekperimen II terhadap kemampuan koneksi
matematis dan kemampuan komunikasi matematis siswa).
b. Uji Statistik
P1 P2 P1 P2 P1 P2
No
. .
1 5 7 5 7 25 49 4 81 35 18
2 8 14 8 14 64 196 49 16 112 28
3 12 16 12 16 144 256 9 121 192 33
4 7 9 7 9 49 81 49 144 63 84
5 8 10 8 10 64 100 81 1 80 9
6 10 13 10 13 100 169 1 9 130 3
7 5 6 5 6 25 36 9 144 30 36
8 10 13 10 13 100 169 100 36 130 60
9 5 7 5 7 25 49 16 4 35 8
10 9 13 9 13 81 169 9 25 117 15
16
11 4 5 4 5 16 25 25 144 20 60
12 10 13 10 13 100 169 64 100 130 80
13 6 7 6 7 36 49 100 16 42 40
14 11 14 11 14 121 196 16 100 154 40
15 11 14 11 14 121 196 49 100 154 70
16 3 4 3 4 9 16 64 36 12 48
17 3 3 3 3 9 9 16 16 9 16
18 12 16 12 16 144 256 4 1 192 2
19 6 8 6 8 36 64 1 16 48 4
20 3 4 3 4 9 16 9 25 12 15
21 5 7 5 7 25 49 9 169 35 39
22 11 13 11 13 121 169 64 196 143 112
23 12 14 12 14 144 196 100 36 168 60
24 4 6 4 6 16 36 36 64 24 48
25 9 12 9 12 81 144 49 81 108 63
26 9 12 9 12 81 144 64 36 108 48
27 6 8 6 8 36 64 9 169 48 39
28 3 4 3 4 9 16 64 49 12 56
29 1 1 1 1 1 1 25 121 1 55
30 4 5 4 5 16 25 49 25 20 35
Total 212 278 166 223 1808 3114 1144 2081 2364 1224
Rata-Rata 7.07 9.27 5.53 7.43
17
Langkah-langkah Perhitungan
1) Faktor Koreksi untuk
( )
( )
( )
( )
( )
( )
3) Faktor Koreksi untuk dan
( )( )
( )( )
18
4) Menentukan Jumlah Kuadrat Total Terkoreksi (JKT) dan Jumlah
Hasil Kali Total Terkoreksi (JHKT) untuk dan
JKT untuk
∑∑
( )
JKT untuk
∑∑
( )
JHKT untuk dan
∑∑
( )
19
5) Menentukan Jumlah Kuadrat Perlakuan Terkoreksi (JKP) dan
Jumlah Hasil Kali Perlakuan Terkoreksi (JHKP) untuk dan
JKP untuk
( )
( )
JKP untuk
( )
( )
JHKT untuk dan
( )( ) ( )( )
* +
( )
20
6) Menentukan Jumlah Kuadrat Galat (JKG) dan Jumlah Hasil Kali
Galat (JHKG)
JKG untuk
JKG untuk
JHKG untuk dan
7) Hasil Perhitungan yang diperoleh di rangkum dalam tabel
MANOVA berikut:
Sumber Derajat
JK dan JHK
Keragaman Bebas (db)
Perlakukan (P) 1
( )
Galat (G) 58
( )
Total (T) 59
( )
Kemudian, dari nilai JK(P) dan JK(G) dihitung koefesien dengan
menggunakan rumus Wilks’ Lambda :
| ( )|
| ( ) ( )|
21
Mencari nilai determinan JK (G) dan determinan jumlah dari
JK(G) dan JK (P) sebagai berikut:
| ( )| ( )( ) ( )( )
| ( )|
| ( )|
( ) ( ) ( ) ( )
( ) ( ) ( )
| ( ) ( )| ( )( ) ( )( )
| ( ) ( )|
| ( ) ( )|
Dengan demikian
| ( )|
| ( ) ( )|
c. Membandingkan nilai Wilks’ Lambda dengan tabel U.
Berdasarkan
Karena nilai maka H0 diterima yang
menunjukkan tidak ada perbedaan model eksperimen I dan model
Ekperimen II terhadap kemampuan koneksi matematis dan
kemampuan komunikasi matematis siswa. Karena H0 diterima dengan
demikian tidak dilakukan uji lanjut yaitu Uji Tukey atau Uji Scheffe.
22
Prosedur dengan SPSS
a. Buka editor IBM SPSS, klik Variable View pada baris kesatu kolom
Name, ketikkan “Data”, kolom Decimals set ke angka 2, pada baris
kedua kolom Name ketikkan “Kelompok”, kolom Decimals set ke
angka 2, kolom lain abaikan, hasilnya sebagai berikut:
b. Klik Data View kemudian ketikkan seluruh data pada kolom “Data”,
pada kolom “Kelompok” ketikkan angka 1 untuk kelompok 1,
ketikkan angka 2 untuk kelompok 2 (catatan: pengelompokkan data
boleh bebas, banyaknya data setiap kelompok tidak harus sama).
Kembali ke contoh di atas, setelah diinput ke editor akan terlihat
seperti ini:
Kode 1 untuk
Kelompok “1”
Kode 2 untuk
Kelompok “2”
23
c. Klik Analyze, Sorot General Linear Model dan klik Multiivariate
seperti berikut:
d. Setelah itu akan muncul dialog box sebagai berikut:
24
e. Pindahkan variabel “Data Kemampuan Koneksi Matematis dan Data
Kemampuan Komunikasi Matematis” ke kotak Dependent Variables,
kemudian pindahkan variabel “Faktor” ke kotak Fixed Factor, klik
Options. Kemudian klik homogeneity test, descriptive statistics dan
Estimates of effect size, maka akan muncul dialog box seperti
berikut:
Klik Continue dan klik OK, maka akan muncul output sebagai
berikut: (Sebagian output tidak penulis tampilkan)
25
Setelah kedua uji persyaratan hipotesis dipenuhi dilanjutkan dengan uji hipotesis MANOVA. Uji MANOVA digunakan untuk menguji
apakah terdapat perbedaan beberapa variabel terikat antara bebrapa kelompok yang berbeda. Dalam hal ini dibedakan hasil kemampuan
koneksi matematis dan kemampuan komunikasi matematis siswa yang diajar dengan dua model tersebut. Keputusan diambil dengan
analisis Pillae Trace, Wilk Lambda, Hotelling Trace, Roy’s Largest Root. Hasil analisis untuk contoh di atas adalah sebagai berikut.
Tabel 3
Hasil Output SPSS Multivariate Testsa
a
Multivariate Tests
Partial Eta
Effect Value F Hypothesis df Error df Sig.
Squared
b
Intercept Pillai's Trace .851 162.559 2.000 57.000 .000 .851
b
Wilks' Lambda .149 162.559 2.000 57.000 .000 .851
b
Hotelling's Trace 5.704 162.559 2.000 57.000 .000 .851
b
Roy's Largest Root 5.704 162.559 2.000 57.000 .000 .851
b
Model Pembelajaran Pillai's Trace .072 2.202 2.000 57.000 .120 .072
b
Wilks' Lambda .928 2.202 2.000 57.000 .120 .072
b
Hotelling's Trace .077 2.202 2.000 57.000 .120 .072
b
Roy's Largest Root .077 2.202 2.000 57.000 .120 .072
a. Design: Intercept + ModelPembelajaran

b. Exact statistic
26
Hasil analisis menunjukkan bahwa harga F pada kolom effect pada model pembelajaran untuk Pillae Trace, Wilk Lambda, Hotelling Trace,
Roy’s Largest Root.x memiliki nilai signifikansi yaitu 0,120 dimana nilai signifikan yang lebih besar dari 0,05. Artinya, harga F pada effect
wilk’s Lambda yaitu 0,928 untuk Pillae Trace, Wilk Lambda, Hotelling Trace, Roy’s Largest Root semuanya tidak signifikan. Jadi, tidak
terdapat perbedaan kemampuan koneksi matematis maupun kemampuan komunikasi matematis siswa yang diajar dengan model
eksperimen. Selanjutnya, tests of between-subjects effects, diperoleh hasil sebagai berikut:
Tabel 4
Hasil Output SPSS Tests of Between-Subjects Effects
Tests of Between-Subjects Effects
Type III Sum of Partial Eta
Source Dependent Variable Squares df Mean Square F Sig. Squared
a
Corrected Model KemampuanKomunikasiMatematis 50.417 1 50.417 3.042 .086 .050
b
KemampuanKoneksiMatematis 35.267 1 35.267 3.821 .055 .062
Intercept KemampuanKomunikasiMatematis 4183.350 1 4183.350 252.420 .000 .813
ModelPembelajaran KemampuanKomunikasiMatematis 50.417 1 50.417 3.042 .086 .050
Error KemampuanKomunikasiMatematis 961.233 58 16.573
KemampuanKoneksiMatematis 535.333 58 9.230
Total KemampuanKomunikasiMatematis 5195.000 60
KemampuanKoneksiMatematis 2952.000 60
Corrected Total KemampuanKomunikasiMatematis 1011.650 59
KemampuanKoneksiMatematis 570.600 59
a. R Squared = .050 (Adjusted R Squared = .033)
b. R Squared = .062 (Adjusted R Squared = .046)
27
Tabel di atas pada kolom corrected Model menunjukkan bahwa hubungan antara model pembelajaran (X) dengan perbedaan kemampuan
koneksi matematis (Y1) memberikan harga F sebesar 3,821 dengan signifikansi 0,055 dengan nilai signifikan lebih dari 0,05 hal ini
menunjukkan bahwa tidak terdapat perbedaan kemampuan koneksi matematis yang diakibatkan oleh perbedaan model pembelajaran. Di
lain pihak, hubungan antara model pembelajaran (X) dengan kemampuan komunikasi matematis (Y2) meberikan harga F sebesar 3,042
dengan signifikansi 0,086 dengan nilai signifikan lebih dari 0,05 hal ini menunjukkan bahwa tidak terdapat perbedaan kemampuan
komunikasi matematis yang diakibatkan oleh perbedaan pendekatan pembelajaran.
28
2.2.5. Contoh Kasus uji MANOVA (Sel Tidak Sama)
Akan diadakan penelitian pada sekolah. Diambil 4 kelas secara acak
dengan jumlah setiap kelompok berbeda, pada 4 kelas tersebut diterapkan
model pembelajaran yang berbeda yaitu model Eksperimen I, Model
Eksperimen II, Model Eksperimen III dan Model Eksperimen IV, terhadap
kemampuan koneksi matematis (Y1) dan kemampuan komunikasi
matematis (Y2) siswa. Setelah diberikan treatmen diperoleh data hasil
sebagai berikut:
Kelas Kelas Kelas Kelas

No Eksperimen I Eksperimen II Eksperimen III Eksperimen IV
Y1 Y2 Y1 Y2 Y1 Y2 Y1 Y2
1 10 4 5 6 5 6 2 2
2 4 1 8 9 10 13 8 10
3 7 3 12 16 5 7 4 3
4 8 6 7 7 9 10 7 6
5 4 4 8 9 4 5 6 5
6 2 1 10 13 10 13 4 3
7 1 1 5 6 6 7 6 6
8 3 2 10 13 5 6 12 10
9 3 1 5 7 10 13 8 7
10 12 16 9 10 5 4 4 3
11 6 8 4 5 5 4 10 13
12 3 4 10 13 8 7 5 7
13 5 7 6 7 10 10 9 10
14 11 13 11 14 4 3 4 5
15 12 14 11 14 7 8 5 5
16 4 6 3 4 8 6 4 4
17 3 3 3 3 4 4 4 4
18 12 16 12 16 2 1 2 1
19 6 8 6 8 1 1 1 4
20 3 4 3 4 3 5 3 5
21 5 3 5 7 3 1 3 2
22 11 13 11 13 8 6 8 8
23 12 14 12 14 10 6 3 3
24 4 6 4 6 6 8 3 4
25 9 12 9 8 7 9 4 4
26 4 6 8 8 6 2
27 3 3 3 2
28 12 16 8 7
29 4 6
30 3 3
Sumber : Data Fiktif
29
Apakah ada perbedaan hasil kemampuan koneksi matematis dan
kemampuan komunikasi matematis siswa yang diajar dengan empat model
tersebut dengan ? (diasumsikan data sudah memenuhi syarat
normalitas)
Penyelesaian
Prosedur secara manual
a. Menentukan hipotesis uji
(tidak ada perbedaan model Eksperimen I,
Model Eksperimen II, Model Eksperimen III dan Model Eksperimen
IV terhadap kemampuan koneksi matematis dan kemampuan
komunikasi matematis siswa)
(setidaknya ada perbedaan model
Eksperimen I, Model Eksperimen II, Model Eksperimen III dan Model
Eksperimen IV terhadap kemampuan koneksi matematis dan
Kemampuan komunikasi matematis siswa).
b. Uji Statistik
Tabel 5. Mencari jumlah dan rata-rata

P1 P2 P3 P4
No
Y1 Y2 Y1 Y2 Y1 Y2 Y1 Y2
1 10 4 5 6 5 6 16 12
2 4 1 8 9 10 13 8 10
3 7 3 12 16 5 7 4 3
4 8 6 7 7 9 10 7 6
5 4 4 8 9 4 5 13 12
6 2 1 10 13 10 13 14 12
7 1 1 5 6 6 7 6 6
8 3 2 10 13 5 6 16 12
9 3 1 5 7 10 13 8 7
10 12 16 9 10 5 4 4 3
11 6 8 4 5 5 4 10 13
12 3 4 10 13 8 7 5 7
30
13 5 7 6 7 10 10 9 10
14 11 13 11 14 4 3 4 5
15 12 14 11 14 7 8 10 10
16 4 6 3 4 8 6 8 6
17 3 3 3 3 4 4 4 4
18 12 16 12 16 2 1 2 1
19 6 8 6 8 1 1 1 4
20 3 4 3 4 3 5 3 5
21 5 3 5 7 3 1 3 2
22 11 13 11 13 8 6 8 8
23 12 14 12 14 10 6 10 10
24 4 6 4 6 6 8 6 8
25 9 12 9 8 7 9 7 8
26 4 6 8 6 8 6
27 3 3 3 2
28 12 16 8 7
29 4 6
30 3 3
Jumlah 186 204 189 232 163 169 142 145
Rata-rata 6.20 6.80 7.56 9.28 6.27 6.50 5.07 5.18
Tabel 6. Mencari Jumlah Kuadrat

P1 P2 P3 P4
No
Y1 Y2 Y1 Y2
1 100 16 25 36 25 36 4 4
2 16 1 64 81 100 169 64 100
3 49 9 144 256 25 49 16 9
4 64 36 49 49 81 100 49 36
5 16 16 64 81 16 25 36 25
6 4 1 100 169 100 169 16 9
7 1 1 25 36 36 49 36 36
8 9 4 100 169 25 36 144 100
9 9 1 25 49 100 169 64 49
10 144 256 81 100 25 16 16 9
11 36 64 16 25 25 16 100 169
12 9 16 100 169 64 49 25 49
13 25 49 36 49 100 100 81 100
14 121 169 121 196 16 9 16 25
15 144 196 121 196 49 64 25 25
16 16 36 9 16 64 36 16 16
17 9 9 9 9 16 16 16 16
18 144 256 144 256 4 1 4 1
19 36 64 36 64 1 1 1 16
20 9 16 9 16 9 25 9 25
21 25 9 25 49 9 1 9 4
22 121 169 121 169 64 36 64 64
31
23 144 196 144 196 100 36 9 9
24 16 36 16 36 36 64 9 16
25 81 144 81 64 49 81 16 16
26 16 36 64 36 36 4
27 9 9 9 4
28 144 256 64 49
29 16 36
30 9 9
Jumlah 1542 2116 1665 2536 1203 1389 922 985
Tabel 3. Mencari Hasil Kali Setiap Variabel

P1 P2 P3 P4
No
. . . .
1 40 30 30 4
2 4 72 130 80
3 21 192 35 12
4 48 49 90 42
5 16 72 20 30
6 2 130 130 12
7 1 30 42 36
8 6 130 30 120
9 3 35 130 56
10 192 90 20 12
11 48 20 20 130
12 12 130 56 35
13 35 42 100 90
14 143 154 12 20
15 168 154 56 25
16 24 12 48 16
17 9 9 16 16
18 192 192 2 2
19 48 48 1 4
20 12 12 15 15
21 15 35 3 6
22 143 143 48 64
23 168 168 60 9
24 24 24 48 12
25 108 72 63 16
26 24 48 4
27 9 6
28 192 56
29 24
30 9
Total 1740 2045 1253 930
32
c. Uji Statistika
( )
( )
( )
( )
( )
( )
3) Faktor Koreksi untuk dan
( )( )
( )( )
33
4) Menentukan Jumlah Kuadrat Total Terkoreksi (JKT) dan Jumlah
Hasil Kali Total Terkoreksi (JHKT) untuk dan
JKT untuk
∑∑
( )
JKT untuk
∑∑
( )
JHKT untuk dan
∑∑
( )
34
5) Menentukan Jumlah Kuadrat Perlakuan Terkoreksi (JKP) dan
Jumlah Hasil Kali Perlakuan Terkoreksi (JHKP) untuk dan
JKP untuk
( )
( )
JKP untuk
( )
( )
JHKT untuk dan
( )( ) ( )( ) ( )( ) ( )( )
* +
( )
35
6) Menentukan Jumlah Kuadrat Galat (JKG) dan Jumlah Hasil Kali
Galat (JHKG)
JKG untuk
JKG untuk
JHKG untuk dan
7) Hasil Perhitungan yang diperoleh di rangkum dalam tabel
MANOVA berikut:
Sumber Derajat
JK dan JHK
Keragaman Bebas (db)
Perlakukan (P) 3
( )
Galat (G) 105
( )
Total (T) 108
( )
Kemudian, dari nilai JK(P) dan JK(G) dihitung koefesien dengan
menggunakan rumus Wilks’ Lambda :
| ( )|
| ( ) ( )|
36
Mencari nilai determinan JK (G) dan determinan jumlah dari
JK(G) dan JK (P) sebagai berikut:
| ( )| ( )( ) ( )( )
| ( )|
| ( )|
( ) ( ) ( ) ( )
( ) ( ) ( )
| ( ) ( )| ( )( ) ( )( )
| ( ) ( )|
| ( ) ( )|
Dengan demikian
| ( )|
| ( ) ( )|
d. Membandingkan nilai Wilks’ Lambda dengan tabel U.
Berdasarkan
Karena nilai maka H0 ditolal yang
menunjukkan ada perbedaan model Eksperimen I, Model Eksperimen
II, Model Eksperimen III dan Model Eksperimen IV terhadap
kemampuan koneksi matematis dan Kemampuan komunikasi
matematis siswa. Karena H0 ditolak dengan demikian dilakukan uji
lanjut yaitu Uji Tukey atau Uji Scheffe.
37
Prosedur dengan SPSS
a. Buka editor IBM SPSS, klik Variable View pada baris kesatu kolom
Name, ketikkan “Data”, kolom Decimals set ke angka 2, pada baris
kedua kolom Name ketikkan “Kelompok”, kolom Decimals set ke
angka 2, kolom lain abaikan, hasilnya sebagai berikut:
b. Klik Data View kemudian ketikkan seluruh data pada kolom “Data”,
pada kolom “Kelompok” ketikkan angka 1 untuk kelompok 1,
ketikkan angka 2 untuk kelompok 2, angka 3 untuk kelompok 3 dan
angka 4 untuk kelompok 4 (catatan: pengelompokkan data boleh
bebas, banyaknya data setiap kelompok tidak harus sama). Kembali
ke contoh di atas, setelah diinput ke editor akan terlihat seperti ini:
Kode 1 untuk
Kelompok “1”
Kode 2 untuk
Kelompok “2”
38
c. Klik Analyze, Sorot General Linear Model dan klik Multiivariate
seperti berikut:
d. Setelah itu akan muncul dialog box sebagai berikut:
39
e. Pindahkan variabel “Data Kemampuan Koneksi Matematis dan Data
Kemampuan Komunikasi Matematis” ke kotak Dependent Variables,
kemudian pindahkan variabel “Faktor” ke kotak Fixed Factor, klik
Options. Kemudian klik homogeneity test, descriptive statistics dan
Estimates of effect size, maka akan muncul dialog box seperti
berikut:
Klik Continue dan klik OK, maka akan muncul output sebagai
berikut: (Sebagian output tidak penulis tampilkan)
Setelah kedua uji persyaratan hipotesis dipenuhi dilanjutkan dengan
uji hipotesis MANOVA. Uji MANOVA digunakan untuk menguji
apakah terdapat perbedaan beberapa variabel terikat antara bebrapa
kelompok yang berbeda. Dalam hal ini dibedakan hasil kemampuan
koneksi matematis dan kemampuan komunikasi matematis siswa yang
40
diajar dengan emapat model tersebut. Keputusan diambil dengan
analisis Pillae Trace, Wilk Lambda, Hotelling Trace, Roy’s Largest
Root. Hasil analisis untuk contoh di atas adalah sebagai berikut.
Tabel 8
Hasil Output SPSS Multivariate Testsa
a
Multivariate Tests
Hypot Partial
Effect Value F hesis Error df Sig. Eta
df Squared
b
Intercept Pillai's Trace .810 221.455 2.000
104.000 .000 .810
Wilks' b
.190 221.455 2.000 104.000 .000 .810
Lambda
Hotelling's b
4.259 221.455 2.000 104.000 .000 .810
Trace
Roy's Largest b
4.259 221.455 2.000 104.000 .000 .810
Root
Model Pillai's Trace .148 2.804 6.000 210.000 .012 .074
Pembelajaran Wilks' b
.853 2.861 6.000 208.000 .011 .076
Lambda
Hotelling's
.170 2.918 6.000 206.000 .009 .078
Trace
Roy's Largest c
.158 5.522 3.000 105.000 .001 .136
Root
a. Design: Intercept + ModelPembelajaran
b. Exact statistic
c. The statistic is an upper bound on F that yields a lower bound on the significance level.
Hasil analisis menunjukkan bahwa harga F pada kolom effect pada
model pembelajaran untuk Pillae Trace, Wilk Lambda, Hotelling
Trace, Roy’s Largest Root.x memiliki nilai signifikansi yaitu yang
kurang dari 0,05. Artinya, harga F pada effect wilk’s Lambda yaitu
0,853 sehingga signifikan. Jadi, terdapat perbedaan kemampuan
koneksi matematis maupun kemampuan komunikasi matematis antara
siswa yang diajar dengan model eksperimen I (X1), siswa yang diajar
dengan model ekperimen II (X2), siswa yang diajar dengan model
ekperimen III (X3) dan siswa yang diajar dengan model ekperimen IV
(X4). Selanjutnya, tests of between-subjects effects, diperoleh hasil
sebagai berikut:
41
Tabel 9
Hasil Output SPSS Tests of Between-Subjects Effects
Tests of Between-Subjects Effects
Type III Sum of Partial Eta
Source Dependent Variable Squares df Mean Square F Sig. Squared
a
Corrected Model KemampuanKoneksiMatematis 81.866 3 27.289 2.843 .041 .075
b
KemampuanKomunikasiMatematis 229.002 3 76.334 4.898 .003 .123
Intercept KemampuanKoneksiMatematis 4271.213 1 4271.213 444.948 .000 .809
ModelPembelajaran KemampuanKoneksiMatematis 81.866 3 27.289 2.843 .041 .075
Error KemampuanKoneksiMatematis 1007.933 105 9.599
KemampuanKomunikasiMatematis 1636.447 105 15.585
Total KemampuanKoneksiMatematis 5332.000 109
KemampuanKomunikasiMatematis 7026.000 109
Corrected Total KemampuanKoneksiMatematis 1089.798 108
KemampuanKomunikasiMatematis 1865.450 108
a. R Squared = .075 (Adjusted R Squared = .049)
b. R Squared = .123 (Adjusted R Squared = .098)
Tabel di atas pada kolom corrected Model menunjukkan bahwa hubungan antara model pembelajaran (X) dengan perbedaan kemampuan
koneksi matematis (Y1) memberikan harga F sebesar 2,843 dengan signifikansi 0,041 dengan nilai signifikan kurang dari 0,05 hal ini
menunjukkan bahwa terdapat perbedaan kemampuan koneksi matematis yang diakibatkan oleh perbedaan model pembelajaran. Di lain
pihak, hubungan antara model pembelajaran (X) dengan kemampuan komunikasi matematis (Y2) meberikan harga F sebesar 4,898 dengan
signifikansi 0,003 dengan nilai signifikan kurang dari 0,05 hal ini menunjukkan bahwa terdapat perbedaan kemampuan komunikasi
42
matematis yang diakibatkan oleh perbedaan pendekatan pembelajaran. Karena Terdapat perbedaan kemampuan koneksi matematis maupun
kemampuan komunikasi matematis antara siswa yang diajar dengan model pembelajaran yang diterapkan, maka untuk mengetahui
kelompok mana yang mempunyai perbedaan dapat dilihat pada tabel berikut:
Tabel 10
Hasil Output SPSS Multiple Comparisons
Multiple Comparisons
(I) Model (J) Mean Difference 95% Confidence Interval
Dependent Variable Pembelajaran ModelPembelajaran (I-J) Std. Error Sig. Lower Bound Upper Bound
Kemampuan Tukey HSD Model Ekperimen I Model Ekperimen II -1.3600 .83902 .371 -3.5504 .8304
Koneksi Matematis Model Eksperimen III -.0692 .83017 1.000 -2.2365 2.0981
Model Eksperimen IV 1.1286 .81413 .511 -.9968 3.2540
Model Ekperimen II Model Ekperimen I 1.3600 .83902 .371 -.8304 3.5504
Model Eksperimen III 1.2908 .86786 .449 -.9749 3.5565
*
Model Eksperimen IV 2.4886 .85253 .022 .2629 4.7142
Model Eksperimen III Model Ekperimen I .0692 .83017 1.000 -2.0981 2.2365
Model Ekperimen II -1.2908 .86786 .449 -3.5565 .9749
Model Eksperimen IV 1.1978 .84382 .490 -1.0051 3.4007
Model Eksperimen IV Model Ekperimen I -1.1286 .81413 .511 -3.2540 .9968
*
Model Ekperimen II -2.4886 .85253 .022 -4.7142 -.2629
Model Eksperimen III -1.1978 .84382 .490 -3.4007 1.0051
Scheffe Model Ekperimen I Model Ekperimen II -1.3600 .83902 .456 -3.7440 1.0240
Model Eksperimen III -.0692 .83017 1.000 -2.4281 2.2896
Model Ekperimen II Model Ekperimen I 1.3600 .83902 .456 -1.0240 3.7440
Model Eksperimen III 1.2908 .86786 .532 -1.1751 3.7567
*
Model Eksperimen IV 2.4886 .85253 .041 .0662 4.9109
Model Eksperimen III Model Ekperimen I .0692 .83017 1.000 -2.2896 2.4281
Model Ekperimen II -1.2908 .86786 .532 -3.7567 1.1751
43
Model Eksperimen IV Model Ekperimen I -1.1286 .81413 .591 -3.4418 1.1847
*
Model Ekperimen II -2.4886 .85253 .041 -4.9109 -.0662
Model Eksperimen III -1.1978 .84382 .571 -3.5954 1.1998
Kemampuan Tukey HSD Model Ekperimen I Model Ekperimen II -2.4800 1.06907 .100 -5.2710 .3110
Komunikasi Model Eksperimen III .3000 1.05780 .992 -2.4615 3.0615
Matematis Model Eksperimen IV 1.6214 1.03736 .404 -1.0868 4.3296
Model Ekperimen II Model Ekperimen I 2.4800 1.06907 .100 -.3110 5.2710
Model Eksperimen III 2.7800 1.10582 .064 -.1069 5.6669
*
Model Eksperimen IV 4.1014 1.08629 .001 1.2655 6.9374
Model Eksperimen III Model Ekperimen I -.3000 1.05780 .992 -3.0615 2.4615
Model Ekperimen II -2.7800 1.10582 .064 -5.6669 .1069
Model Eksperimen IV 1.3214 1.07520 .610 -1.4855 4.1284
Model Eksperimen IV Model Ekperimen I -1.6214 1.03736 .404 -4.3296 1.0868
*
Model Ekperimen II -4.1014 1.08629 .001 -6.9374 -1.2655
Model Eksperimen III -1.3214 1.07520 .610 -4.1284 1.4855
Scheffe Model Ekperimen I Model Ekperimen II -2.4800 1.06907 .153 -5.5176 .5576
Model Eksperimen III .3000 1.05780 .994 -2.7056 3.3056
Model Ekperimen II Model Ekperimen I 2.4800 1.06907 .153 -.5576 5.5176
Model Eksperimen III 2.7800 1.10582 .104 -.3620 5.9220
*
Model Eksperimen IV 4.1014 1.08629 .004 1.0149 7.1880
Model Eksperimen III Model Ekperimen I -.3000 1.05780 .994 -3.3056 2.7056
Model Ekperimen II -2.7800 1.10582 .104 -5.9220 .3620
Model Eksperimen IV Model Ekperimen I -1.6214 1.03736 .489 -4.5690 1.3261
*
Model Ekperimen II -4.1014 1.08629 .004 -7.1880 -1.0149
Model Eksperimen III -1.3214 1.07520 .681 -4.3765 1.7336
Based on observed means.
The error term is Mean Square(Error) = 15.585.
*. The mean difference is significant at the .05 level.
44
a. Untuk kemampuan koneksi Matematis
Berdasarkan tabel di atas untuk uji Tukey sebagai berikut:
1) Model Eksperimen I dan Eksperimen II diperoleh nilai sig. = 0,371.
Jika signifikansi > 0.05 maka diterima dan jika signifikasi < 0.05
maka . Karena nilai dengan demikian
diterima yang menunjukkan tidak terdapat perbedaan rata-rata
kemampuan koneksi matematis yang diterapkan Model Ekperimen I
dengan rata-rata kemampuan koneksi matematis yang diterapkan
Model Ekperimen II.
2) Model Eksperimen I dan Eksperimen III diperoleh nilai sig. = 1,000.
Model Ekperimen III.
3) Model Eksperimen I dan Eksperimen IV diperoleh nilai sig. = 0,511.
Model Ekperimen IV.
45
4) Model Eksperimen II dan Eksperimen III diperoleh nilai sig. = 0,449.
kemampuan koneksi matematis yang diterapkan Model Ekperimen II
5) Model Eksperimen II dan Eksperimen IV diperoleh nilai sig. = 0,022.
ditolak yang menunjukkan terdapat perbedaan rata-rata kemampuan
koneksi matematis yang diterapkan Model Ekperimen II dengan rata-
rata kemampuan koneksi matematis yang diterapkan Model Ekperimen
IV.
6) Model Eksperimen III dan Eksperimen IV diperoleh nilai sig. = 0,490.
kemampuan koneksi matematis yang diterapkan Model Ekperimen III
Model Ekperimen IV.
Berdasarkan tabel di atas untuk uji Sheffe sebagai berikut:
46
Model Ekperimen II.
Model Ekperimen IV.
kemampuan koneksi matematis yang diterapkan Model Ekperimen II
47
koneksi matematis yang diterapkan Model Ekperimen II dengan rata-
rata kemampuan koneksi matematis yang diterapkan Model Ekperimen
IV.
kemampuan koneksi matematis yang diterapkan Model Ekperimen III
Model Ekperimen IV.
b. Untuk kemampuan Komunikasi Matematis
Berdasarkan tabel di atas untuk uji Tukey sebagai berikut:
kemampuan komunikasi matematis yang diterapkan Model Ekperimen
48
I dengan rata-rata kemampuan komunikasi matematis yang diterapkan
Model Ekperimen II.
Model Ekperimen IV.
II dengan rata-rata kemampuan komunikasi matematis yang diterapkan
49
komunikasi matematis yang diterapkan Model Ekperimen II dengan
rata-rata kemampuan komunikasi matematis yang diterapkan Model
Ekperimen IV.
III dengan rata-rata kemampuan komunikasi matematis yang
diterapkan Model Ekperimen IV.
Berdasarkan tabel di atas untuk uji Sheffe sebagai berikut:
Model Ekperimen II.
50
Model Ekperimen IV.
II dengan rata-rata kemampuan komunikasi matematis yang diterapkan
komunikasi matematis yang diterapkan Model Ekperimen II dengan
51
rata-rata kemampuan komunikasi matematis yang diterapkan Model
Ekperimen IV.
III dengan rata-rata kemampuan komunikasi matematis yang
diterapkan Model Ekperimen IV.
52
BAB III
PENUTUP
Kesimpulan daari malah ini yaitu
3.1. Analisis Multivariat di atas, maka disimpulkan bahwa yang dimaksud
dengan Analisis Multivariat adalah suatu analisis yang
melibatkan variabel dalam jumlah lebih dari 2 variabel dengan klasifikasi
analisis multivariat ada tiga macam, yaitu teknik dependensi, teknik
interdependensi dan model structural.
3.2. MANOVA dapat melibatkan dua atau lebih variabel tak bebas yang bersifat
metrik. MANOVA menguji ada tidaknya perbedaan rata-rata dari dua atau
lebih variabel tak bebas secara simultan (simultaneously) berdasarkan
kelompok-kelompok pada variabel bebas.
53
DAFTAR PUSTAKA
Budiyono. 2009. Statistik untuk Penelitian Edisi ke-2. Jakarta: Gramedia.

(Hal : 183 – 235)
Diana Puspitasari, Sigit Nugroho, dan Baki Swita, Kajian Multivariate
Analysis Of Variance (Manova) Pada Rancangan Acak Lengkap (RAL). e-jurnal
statistika. 2017.
Hegky Latan. 2014. Aplikasi Analisis Data Statistika Untuk Ilmu Sosial
Sains dengan IBM SPSS. Bandung: Alfabeta. (Hal : 386 – 402)
Sutrisno Sutrisno dan Dewi Wulandari, “Multivariate Analysis of
Variance (MANOVA) untuk Memperkaya Hasil Penelitian Pendidikan,”
AKSIOMA : Jurnal Matematika dan Pendidikan Matematika 9, no. 1 (30 Juli
2018), h.37.
https://statistikceria.blogspot.com/2014/05/konsep-analisis-korelasi-kanonik.html
54

Makalah 2020 Analisis Multivarian (MANOVA)

Diunggah oleh

Informasi Dokumen

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

Makalah 2020 Analisis Multivarian (MANOVA)

Diunggah oleh

Hak Cipta:

Format Tersedia

MAKALAH

STATISTIKA PENELITIAN PENDIDIKAN

Bandar Lampung, Desember 2020

BAB I PENDAHULUAN .............................................................................. 4

BAB II PEMBAHASAN ............................................................................... 6

BAB III PENUTUP ...................................................................................... 53

1.1. Latar Belakang Masalah

Analisis multivariat merupakan salah satu teknik statistik yang digunakan

untuk memahami struktur data dalam dimensi tinggi. Variabel-variabel itu

dan multivariat. Multivariat pasti melibatkan multivariabel tetapi tidak

sebaliknya. Multivariabel yang saling berkorelasilah yang dikatakan

multivariat. Secara ilmiah, untuk menjelaskan penomena sosial perlu

dilakukan percobaan dengan pengumpulan dan analisis data. Analisis data

yang dikumpulkan dari pengamatan atau percobaan akan menghasilkan

modifikasi penjelasan dari penomena tersebut. Selama dalam masa

percobaan tersebut, sering kali akan terjadi penambahan dan pengurangan

variabel. Dengan demikian, maka akan timbullah masalah yang semakin

komplek sehingga dibutuhkan lebih banyak variabel yang berbeda. Karena

dalam data akan terdapat pengaruh beberapa variabel terhadap variabel

lainnya dalam waktu yang bersamaan.

Multivariate Analysis of Variance (MANOVA) yang merupakan bagian dari

analisi multivariant adalah analisis yang mirip dengan Analysis of Variance

(ANOVA) perbedaannya terletak pada banyaknya variabel tak bebas yang

digunakan. Pada Analysis of Variance (ANOVA) hanya terdapat satu

variabel tak bebas dan menggunakan variabel skalar, sedangkan pada

Multivariate Analysis of Variance (MANOVA) terdapat lebih dari satu

variabel tak bebas dan menggunakan vektor. Fungsi dari Multivariate

perbedaan yang signifikan secara simultan dari sekumpulan variabel terikat

(dependent variable) dan dapat juga untuk mencari pengaruh perlakuan

terhadap berbagai pengamatan, kemudian hasil perhitungannya disajikan

dalam suatu tabel Multivariate Analysis of Variance (MANOVA).

1.2. Rumusan Masalah

1.2.1. Apa yang dimaksud dengan analisis multivarint?

1.2.3. Apa yang dimaksud dengan MANOVA?

1.3. Tujuan Penulisan

1.3.1. Mengetahuai apa yang dimaksud dengan analisis multivarint.

1.3.2. Mengetahui jenis statistika yang terdapat pada analisis multivariant.

1.3.3. Mengetahui Multivariate Analysis of Variance (MANOVA).

1.4. Metode Penulisan

yaitu buku, internet, peraturan pemerintah yang digunakan untuk pembuatan

2.1. Analisis Multivariant

2.1.1. Pengertian Analisis Multivariant

Menurut Budiono (2009: 128) menyatakan bahwa analisis statistik

multivariat merupakan metode statistik yang memungkinkan melakukan

penelitian terhadap lebih dari dua variable secara bersamaan. Dengan

menggunakan teknik analisis ini maka kita dapat menganalisis pengaruh

beberapa variable terhadap variabel – variable lainnya dalam waktu yang

bersamaan selain itu dapat juga digunakan untuk mengetahui perbedaan

variable terhadap variable. Sedangkan menurut Hengky Latan (2014:

271) menyatakan bahwa Analisis Multivariat adalah metode pengolahan

variabel dalam jumlah yang banyak, dimana tujuannya adalah untuk

mencari pengaruh variabel-variabel tersebut terhadap suatu obyek secara

simultan atau serentak. Analisis multivariat digunakan karena pada

kenyataannnya masalah yang terjadi tidak dapat diselesaikan dengan

hanya menghubung-hubungkan dua variable atau melihat pengaruh satu

variable terhadap variable lainnya. Teknik analisis multivariat berfungsi

untuk menerangkan atau memprediski variable tergantung dengan

(1984), analisis multivariat adalah semua metode statistik yang

menganalisis beberapa pengukuran (variable-variable) yang ada pada

setiap obyek dalam satu atau banyak sampel secara simulan.

statistik yang secara bersama-sama (simultan) melakukan analisis terhadap

Analisis ini berhubungan dengan semua teknik statistik yang secara

simultan menganalisis sejumlah pengukuran pada individu atau obek.

Sedangkan variat bisa didefinisikan sebagaii suatu kombinasi linier dari