BAB 6 Manova

Kismiantini, Ph.D.
Universitas Negeri Yogyakarta
6. BAB 6. Multivariate Analysis of Variance (MANOVA)
Pada bab ini akan dipelajari perbandingan tiga atau lebih grup dengan analysis of variance
(ANOVA) dan multivariate analysis of variance (MANOVA).
6.1 Analysis of Variance (ANOVA)
Analisis variansi (ANOVA) melibatkan analisis data sampel dari tiga atau lebih populasi.
Sebagai contoh, peneliti ingin mengetahui adanya pengaruh model pembelajaran
sainstifik, problem based learning, dan contextual teaching learning terhadap kemampuan
kritis siswa dalam pembelajaran Matematika. Dalam contoh ini, variabel independen
berupa faktor yaitu model pembelajaran dengan 3 level faktor yaitu sainstifik, problem
based learning, dan contextual teaching learning; variabel dependen adalah kemampuan
kritis siswa.
Pada ANOVA, keragaman total dalam data (jumlah kuadrat total/ total sum of squares,
𝑆𝑆𝑇 ) didekomposisi menjadi jumlah keragaman antar sampel (jumlah kuadrat perlakuan/sum of
squares between the group means and the grand mean, 𝑆𝑆𝐵 ) dan keragaman dalam sampel (jumlah
kuadrat galat/ sum of squares within each sample group/ sum of squares due to error, 𝑆𝑆𝑊 ).
𝑔 𝑛𝑖 𝑔 𝑔 𝑛𝑖
2 2
∑ ∑(𝑦𝑖𝑗 − 𝑦̅.. ) = ∑ 𝑛𝑖 (𝑦̅𝑖. − 𝑦̅.. )2 + ∑ ∑(𝑦𝑖𝑗 − 𝑦̅𝑖. )
⏟
𝑖=1 𝑗=1 ⏟
𝑖=1 ⏟
𝑖=1 𝑗=1
𝑆𝑆𝑇 𝑆𝑆𝐵 𝑆𝑆𝑊
Prosedur pengujian ANOVA meliputi
▪ Hipotesis:
H0 : 𝜇1 = 𝜇2 = ⋯ = 𝜇𝑔 (Semua 𝑔 rata-rata populasi sama)
H1: ∃𝜇𝑖 ≠ 𝜇𝑗 , 𝑖 ≠ 𝑗; 𝑖, 𝑗 = 1,2, … , 𝑔 (Minimal ada dua dari 𝑔 rata-rata populasi yang
berbeda)
▪ Taraf signifikansi: 𝛼
𝑆𝑆 ⁄(𝑔−1) 𝑀𝑆
▪ Statistik uji: 𝐹 = 𝑆𝑆 𝐵 ⁄(𝑛−𝑔) = 𝑀𝑆 𝐵
𝑊 𝑊
▪ Kriteria keputusan:
H0 ditolak jika 𝐹 > 𝐹𝛼(𝑔−1,𝑛−𝑔)
dengan 𝑔 menyatakan banyakna grup.
Formula perhitungan jumlah kuadrat dalam ANOVA adalah

𝑛𝑖 2 𝑛𝑖 𝑦..2
𝑆𝑆𝑇 = ∑
𝑔 𝑔 2
⏟𝑖=1 ∑𝑗=1(𝑦𝑖𝑗 − 𝑦̅.. ) = (∑
⏟ 𝑖=1 ∑𝑗=1 𝑦𝑖𝑗 ) − 𝑛
definisi formula perhitungan
1
Kismiantini, Ph.D.
𝑔 𝑔 𝑦2 𝑦..2
𝑆𝑆𝐵 = ∑ 2
⏟𝑖=1 𝑛𝑖 (𝑦̅𝑖. − 𝑦̅.. ) = (∑
𝑖.
)−
⏟ 𝑖=1 𝑛𝑖 𝑛
𝑛𝑖 2
𝑆𝑆𝑊 =
𝑔
∑
⏟𝑖=1 ∑𝑗=1(𝑦𝑖𝑗 − 𝑦̅𝑖. ) = 𝑆𝑆𝑇 − 𝑆𝑆𝐵
⏟
Berikut keterangan simbol-simbol yang digunakan di atas.

▪ Pengamatan:
𝑦𝑖𝑗 = pengukuran ke-𝑗 yang diperoleh dari populasi ke-𝑖.

▪ Rata-rata pengamatan dalam sampel ke-𝑖:
1𝑛𝑖 1
𝑦̅𝑖 . = 𝑛 ∑𝑗=1 𝑦𝑖𝑗 = 𝑛 (𝑦𝑖1 + 𝑦𝑖2 + ⋯ + 𝑦𝑖𝑛𝑖 )
𝑖 𝑖
▪ Rata-rata dari semua pengamatan (grand mean):
1 𝑛𝑖
𝑦̅.. = 𝑛 ∑𝑘𝑖=1 ∑𝑗=1 𝑦𝑖𝑗
▪ Total pengamatan dalam sampel ke-𝑖:
𝑖 𝑛
𝑦𝑖. = ∑𝑗=1 𝑦𝑖𝑗
▪ Total semua pengamatan:
𝑛
𝑦.. = ∑𝑘𝑖=1 ∑𝑗=1
𝑖
𝑦𝑖𝑗
Asumsi-asumsi dalam pengujian ANOVA meliputi

▪ 𝑔 distribusi populasi adalah normal
▪ 𝑔 variansi populasi adalah sama, 𝜎12 = 𝜎22 = ⋯ = 𝜎𝑔2
▪ Sampel-sampel dipilih secara acak dan independen dari populasi masing-masing
Pengecekan asumsi homogenitas variansi dengan uji Bartlett

▪ Hipotesis:
𝐻0 : 𝜎12 = 𝜎22 = ⋯ = 𝜎𝑔2
𝐻1 : ∃𝜎𝑖2 ≠ 𝜎𝑗2 , 𝑖 ≠ 𝑗; 𝑖, 𝑗 = 1, 2, … , 𝑔
▪ Statistik uji:
𝑔
(𝑛−𝑔) ln 𝑠𝑝2 −∑𝑖=1(𝑛𝑖 −1) ln 𝑠𝑖2
𝑇= 1 𝑔 1 1
1+( )(∑𝑖=1 − )
3(𝑔−1) 𝑛𝑖 −1 𝑛−𝑔
dengan 𝑠𝑖2 adalah variansi grup ke-𝑖, 𝑠𝑝2 adalah variansi gabungan.
𝑔
∑𝑖=1(𝑛𝑖 −1)𝑠𝑖2
𝑠𝑝2 = 𝑛−𝑔
𝑛 = total pengamatan
𝑔 = banyaknya grup
𝐻0 ditolak jika 𝑇 > 𝜒𝛼(𝑔−1)
2
𝐻0 ditolak jika p-value < 𝛼
2
Kismiantini, Ph.D.
Pengecekan asumsi normalitas dengan uji Shapiro-Wilk

Urutkan data dari kecil ke besar sehingga 𝑥1 ≤ 𝑥2 ≤ ⋯ ≤ 𝑥𝑛 .
▪ Hipotesis:
H0: Data berdistribusi normal
H1: Data tidak berdistribusi normal
▪ Statistik uji: 𝑊 = 𝑏 2 /𝑆𝑆
dengan 𝑆𝑆 = ∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )2
jika 𝑛 genap maka 𝑚 = 𝑛/2, jika 𝑛 ganjil maka 𝑚 = (𝑛 − 1)/2
𝑏 = ∑𝑚 𝑖=1 𝑎𝑖 (𝑥𝑛+1−𝑖 − 𝑥𝑖 )
H0 ditolak jika 𝑊 < 𝑊𝛼(𝑛) atau H0 ditolak jika p-value < 
Effect size
Ukuran pengaruh (effect size) menyatakan ''dampak'' variabel independen (prediktor)
pada variabel dependen (hasil). Misal tentang ukuran efek dapat ditanyakan sebagai berikut:
Seberapa besar pengelompokan pada variabel independen mempengaruhi ukuran hasil?.
Formula ukuran pengaruh dalam ANOVA adalah
𝑆𝑆𝐵𝑒𝑡𝑤𝑒𝑒𝑛
𝜂2 =
𝑆𝑆𝑇𝑜𝑡𝑎𝑙
Effect size 𝜂 menyatakan proporsi variansi dalam variabel dependen yang dapat dijelaskan
2
oleh pengelompokkan pada variabel independen. Kriteria effect size menurut Abbott (2011)
adalah 0.01 (kecil), 0.06 (sedang) dan 0.15 (besar).
Contoh 6-1 Gangguan pada pembelajaran manusia

Seorang peneliti melakukan eksperimen untuk mengetahui pengaruh kebisingan pada
pembelajaran manusia. Ada 3 level kebisingan dan ada 1 grup kontrol (tanpa kebisingan). Level
kebisingan dalam grup III sebesar 30 desibel (kebisingan ini setara dengan percakapan yang
tenang), grup II sebesar 60 desibel (kebisingan ini setara dengan percakapan normal), dan grup I
sebesar 90 desibel (kebisingan ini setara dengan lalu lintas truk berat). Variabel dependen yang
diamati adalah jumlah kesalahan belajar. Lakukan pengecekan asumsi-asumsi dalam analisis
variansi dan analisis variansi. Gunakan taraf signifikansi 𝛼 = 0.05.
Berikut adalah data eksperimen.
Kontrol 30 Desibel 60 Desibel 90 Desibel

5 7 12 15
4 5 11 14
3 6 10 18
6 8 12 12
SOLUSI
Baca data ke program R.
3
Kismiantini, Ph.D.
> Kata <- c(5,4,3,6,7,5,6,8,12,11,10,12,15,14,18,12)

> Grup <- rep(c("Kontrol","30 Desibel","60 Desibel","90 Desibel"),
each = 4)
> d1 <- data.frame(Kata, Grup)
> d1
Kata Grup
1 5 Kontrol
2 4 Kontrol
3 3 Kontrol
4 6 Kontrol
5 7 30 Desibel
6 5 30 Desibel
7 6 30 Desibel
8 8 30 Desibel
9 12 60 Desibel
10 11 60 Desibel
11 10 60 Desibel
12 12 60 Desibel
13 15 90 Desibel
14 14 90 Desibel
15 18 90 Desibel
16 12 90 Desibel
Visualisasi data
Gambar 6-1 Plot jumlah kesalahan belajar berdasarkan level kebisingan

> library(ggpubr)
> ggline(d1, x = "Grup", y = "Kata",
add = c("mean_se", "jitter"),
ylab = "Jumlah kesalahan belajar", xlab = "Level kebisingan")
Dari Gambar 6-1 terlihat bahwa rata-rata jumlah kesalahan belajar meningkat seiring
bertambahnya level kebisingan. Hal ini menunjukkan adanya perbedaan rata-rata jumlah
kesalahan belajar antar level kebisingan.
4
Kismiantini, Ph.D.
Pengecekan asumsi normalitas
> mod <- aov(Kata~Grup, data = d1)

> shapiro.test(residuals(mod))
Shapiro-Wilk normality test
data: residuals(mod)
W = 0.97826, p-value = 0.9482
Hipotesis:
H0: Data residual berdistribusi normal
H1: Data residual tidak berdistribusi normal
Dari output R diperoleh statistik Shapiro-Wilk yaitu W = 0.978 dan p-value = 0.948 (>0.05) maka
dengan taraf signifikansi 0.05 dapat disimpulkan bahwa data residual berdistribusi normal.
Pengecekan asumsi homogenitas variansi
> bartlett.test(x = Kata, g = Grup, data = d1)

Bartlett test of homogeneity of variances
data: Kata and Grup
Bartlett's K-squared = 2.8794, df = 3, p-value = 0.4106
Misal 1: kontrol, 2: 30 desibel, 3: 60 desibel, 4: 90 desibel

Hipotesis:
H0: 𝜎12 = 𝜎22 = 𝜎32 = 𝜎42
H1: ∃𝜎𝑖2 ≠ 𝜎𝑗2 , 𝑖 ≠ 𝑗; 𝑖, 𝑗 = 1, 2, 3, 4
Dari output R diperoleh statistik Bartlett’s K-squared sebesar 2.879 dan p-value = 0.411 (>0.05)
maka dengan taraf signifikansi 0.05 dapat disimpulkan bahwa asumsi homogenitas variansi
terpenuhi.
Analisis variansi
> mod <- aov(Kata~Grup, data = d1)

> summary(mod)
Df Sum Sq Mean Sq F value Pr(>F)
Grup 3 257.5 85.83 32.7 4.68e-06 ***
Residuals 12 31.5 2.62
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Hipotesis
H0: 𝜇1 = 𝜇2 = 𝜇3 = 𝜇4 (Tidak ada perbedaan rata-rata jumlah kesalahan belajar antara keempat
level kebisingan)
H0: ∃𝜇𝑖 ≠ 𝜇𝑗 , 𝑖 ≠ 𝑗; 𝑖, 𝑗 = 1, 2, 3, 4 (Ada perbedaan rata-rata jumlah kesalahan belajar antara
keempat level kebisingan)
5
Kismiantini, Ph.D.
Dari output R diperoleh bahwa statistik F(3,12) = 32.7 dan p-value < 0.001, maka dengan taraf
signifikansi 0.05 dapat disimpulkan bahwa ada perbedaan rata-rata jumlah kesalahan belajar bagi
keempat level kebisingan.
Effect size
𝑆𝑆𝐵𝑒𝑡𝑤𝑒𝑒𝑛 257.5
𝜂 2 = 𝑆𝑆 = 257.5+31.5 = 0.89
𝑇𝑜𝑡𝑎𝑙
Effect size sebesar 0.89 tergolong besar, yang bermakna 89% dari variansi dalam kesalahan belajar
adalah karena menugaskan subjek ke empat tingkat kebisingan yang berbeda.
Analisis post-hoc
Pertanyaan setelah menolak hipotesis nol pada ANOVA adalah apakah semua rata-rata sampel
sama dalam menghasilkan kesalahan belajar? Jelas bukan karena hipotesis nol ditolak atau
minimal ada sepasang rata-rata grup yang berbeda.
Tukey’s HSD—Prosedur perbedaan Nyata Jujur ini digunakan ketika peneliti ingin
membandingkan semua kemungkinan pasangan sampel.
Hipotesis:
𝐻0 : 𝜇𝑖 = 𝜇𝑗
𝐻1 : 𝜇𝑖 ≠ 𝜇𝑗 , 𝑖 ≠ 𝑗
Interval kepercayaan 100(1-𝛼)% bagi 𝜇𝑖 − 𝜇𝑗 adalah
𝑞𝛼(𝑔,𝑓) 1 1 𝑞𝛼(𝑔,𝑓) 1 1
(𝑦̅𝑖∙ − 𝑦̅𝑗∙ ) − √𝐾𝑇𝐺 ( + ) ≤ 𝜇𝑖 − 𝜇𝑗 ≤ (𝑦̅𝑖∙ − 𝑦̅𝑗∙ ) + √𝐾𝑇𝐺 ( + )
√2 𝑛𝑖 𝑛𝑗 √2 𝑛𝑖 𝑛𝑗
dengan 𝑞𝛼(𝑎,𝑓) lihat pada tabel Tukey, dengan 𝑔 adalah banyaknya grup, 𝑓 adalah derajat bebas
yang bersesuaian dengan Kuadrat Tengah Galat (KTG) atau Mean Square of Error (MSE).
> TukeyHSD(mod, conf.level = 0.95)

Tukey multiple comparisons of means
95% family-wise confidence level
Fit: aov(formula = Kata ~ Grup, data = d1)
$Grup
diff lwr upr p adj
60 Desibel-30 Desibel 4.75 1.34869647111 8.151303529 0.0064143508
90 Desibel-30 Desibel 8.25 4.84869647111 11.651303529 0.0000557540
Kontrol-30 Desibel -2.00 -5.40130352889 1.401303529 0.3439891223
90 Desibel-60 Desibel 3.50 0.09869647111 6.901303529 0.0430739616
Kontrol-60 Desibel -6.75 -10.15130352889 -3.348696471 0.0003696348
Kontrol-90 Desibel -10.25 -13.65130352889 -6.848696471 0.0000061310
Analisis post-hoc dengan Tukey’s HSD kami menunjukkan bahwa semua perbandingan
berpasangan menunjukkan perbedaan yang signifikan kecuali perbandingan grup 1 (grup kontrol)
dengan grup 2 (30 desibel).
6
Kismiantini, Ph.D.
Gambar 6-2 Plot interval kepercayaan bagi beda dua rata-rata dari hasil Tukey’s HSD.
Perbedaan grup yang signifikan adalah di mana interval kepercayaan 95% tidak memuat nol. Ini
adalah cara lain untuk mengatakan bahwa p-value untuk perbedaan berpasangan ini adalah
<0.05. Dari Gambar 6-2 tersebut terlihat bahwa level kebisingan yang berbeda nyata adalah 60
Desibel-30 Desibel, 90 Desibel-30 Desibel, 90 Desibel-60 Desibel, Kontrol-60 Desibel, dan Kontrol-
90 Desibel.
6.2 Pengertian dan kegunaan MANOVA
Multivariate analysis of variance (MANOVA) adalah perluasan dari analysis of variance (ANOVA)
univariat. MANOVA digunakan untuk mengetahui pengaruh variabel independen kualitatif (dua
atau lebih grup) terhadap dua atau lebih variabel dependen kuantitatif.
Berikut keuntungan menggunakan MANOVA menurut Bray dan Maxwell (1985) dan Stevens
(2002) adalah
1) Satu variabel dependen jarang menggambarkan seluruh fenomena yang diteliti. Beberapa
variabel dependen lebih memperluas domain konseptual yang sedang dipelajari.
2) MANOVA memberikan kontrol terhadap level 𝛼 secara keseluruhan.
3) Uji statistik univariat cenderung mengabaikan interkorelasi antara variabel dependen.
Sedangkan MANOVA mempertimbangkan interkorelasi antar variabel dependen dengan
memeriksa matriks varians-kovarians.
4) MANOVA memungkinkan peneliti untuk menguji hubungan antara variabel dependen
pada setiap level variabel independen.
5) MANOVA memberi petunjuk statistik kepada peneliti tentang pereduksian jumlah variabel
dependen.
6) MANOVA membantu mengidentifikasi variabel dependen yang menghasilkan perbedaan
grup paling besar.
7) MANOVA dapat memperjelas adanya perbedaan grup dan meningkatkan power.
7
Kismiantini, Ph.D.
MANOVA tidak dapat digunakan ketika

1) Jika variabel-variabel dependen tidak berkorelasi.
Situasi ideal penggunaan MANOVA jika variabel-variabel dependen berkorelasi moderat.
Weinfurt (1995) menyatakan korelasi antar tiga variabel dependen berkisar antara 0.21 dan
0.36 cukup untuk MANOVA.
1) Jika variabel-variabel dependen berkorelasi sangat tinggi → multikolinearitas.
2) Keterbatasan pengetahuan statistik. Asumsi-asumsi dalam MANOVA lebih kompleks
dibanding univariat.
Tabel 6-1 memuat aturan bagi interpretasi ukuran dari koefisien korelasi (Hinkle et al., 2003).
Tabel 6-1 Kriteria derajat koefisien korelasi
Ukuran korelasi Interpretasi

0.90 – 1.00 (-0.90 – -1.00) Korelasi positif (negatif) sangat tinggi
0.70 – 0.90 (-0.70 – -0.90) Korelasi positif (negatif) tinggi
0.50 – 0.70 (-0.50 – -0.70) Korelasi positif (negatif) moderat
0.30 – 0.50 (-0.30 – -0.50) Korelasi positif (negatif) rendah
0.00 – 0.30 (0.00 – -0.30) Korelasi positif (negatif) sangat rendah
6.2 Model multivariate analysis of variance (MANOVA)
Model MANOVA untuk perbandingan 𝑔 vektor rata-rata populasi

𝐘ℓ𝑗 = 𝛍 + 𝛕ℓ + 𝐞ℓ𝑗 , 𝑗 = 1, 2, … , 𝑛ℓ dan ℓ = 1, 2, … , 𝑔
dengan 𝐞ℓ𝑗 adalah variabel-variabel independen 𝑁𝑝 (𝟎, 𝚺). Vektor parameter 𝛍 adalah rataan
keseluruhan, dan 𝛕ℓ adalah pengaruh perlakuan ke-ℓ dengan ∑ℓ=1 𝑛ℓ 𝝉𝓵 = 𝟎.
𝑔
Suatu vektor pengamatan dapat dikomposisi seperti pada model.
Selanjutnya dijumlahkan perkalian silang terhadap ℓ dan j sehingga diperoleh berikut.
dengan 𝑔 adalah banyaknya grup.
8
Kismiantini, Ph.D.
Berikut adalah tabel MANOVA untuk perbandingan vektor rata-rata populasi
Tabel 6-2 Tabel MANOVA
Sumber variasi Matrix of sum squares and cross Derajat Statistik uji
products (SSCP) bebas
𝑔
Perlakuan 𝐁 = ∑ℓ=1 𝑛ℓ (𝐲̅ℓ − 𝐲̅) (𝐲̅ℓ − 𝐲̅)′ 𝑔−1 Wilks’
lambda
Galat
𝑔 ℓ
𝐖 = ∑ℓ=1 ∑𝑗=1
𝑛
(𝐲ℓ𝑗 − 𝐲̅ℓ )(𝐲ℓ𝑗 − 𝐲̅𝓵 )′ ∑𝑔ℓ=1 𝑛ℓ − 𝑔 |𝐖|
𝛬∗ =
|𝐁 + 𝐖|
Total (terkoreksi 𝐁+𝐖 ∑𝑔ℓ=1 𝑛ℓ − 1

terhadap rata-rata)
dengan statistik Wilks’ lambda berada diantara 0 dan 1 (0 ≤ 𝛬∗ ≤ 1).
The within sum of squares and cross product matrix (W) dapat diperoleh dengan menggunakan
informasi dari matriks kovarians sampel.
𝑔 ℓ𝑛
𝐖 = ∑ℓ=1 ∑𝑗=1 (𝐲ℓ𝑗 − 𝐲̅ℓ )(𝐲ℓ𝑗 − 𝐲̅𝓵 )′
= (𝑛1 − 1)𝐒1 + (𝑛2 − 1)𝐒2 + ⋯ + (𝑛𝑔 − 1)𝐒𝑔
dengan 𝐒ℓ adalah matriks kovarians bagi sampel ke-ℓ.
Tabel 6-3 Distribusi Wilks’ Lambda
Banyaknya Banyaknya Distribusi sampling dari data normal multivariat

variabel grup
𝑝=1 𝑔≥2 ∑ 𝑛ℓ − 𝑔 1 − Λ∗
( ) ( ∗ ) ~𝐹𝑔−1,∑ 𝑛ℓ −𝑔
𝑔−1 Λ
𝑝=2 𝑔≥2 ∑ 𝑛ℓ − 𝑔 − 1 1 − √Λ∗
( )( ) ~𝐹2(𝑔−1),2(∑ 𝑛ℓ −𝑔−1)
𝑔−1 √Λ∗
𝑝≥1 𝑔=2 ∑ 𝑛ℓ − 𝑝 − 1 1 − Λ∗
( ) ( ∗ ) ~𝐹𝑝,∑ 𝑛ℓ −𝑝−1
𝑝 Λ
𝑝≥1 𝑔=3 ∑ 𝑛ℓ − 𝑝 − 2 1 − √Λ∗
( )( ) ~𝐹2𝑝,,2(∑ 𝑛ℓ −𝑝−2)
𝑝 √Λ∗
Statistik uji Bartlett-Pillai

Statistiik uji lain sebagai alternatif untuk menguji hipotesis 𝐻0 : 𝛍1 = 𝛍2 = ⋯ = 𝛍𝑔 diusulkan oleh
M.S. Bartlett (1910-2002) dan K.C.S Pillai (1920-1985). Kriteria ini menggunakan nilai eigen dari
matriks 𝐖 −𝟏 𝐁
▪ Statistik uji Bartlett-Pillai:
𝜆
𝑈 = ∑𝑟𝑣=1 𝑣
1+𝜆𝑣
9
Kismiantini, Ph.D.
dengan 𝑟 = min(𝑝, 𝑑𝑓𝑊), 𝑑𝑓𝑊 = ∑ 𝑛ℓ − 𝑔

▪ Transformasi ke statistik uji F:
𝑈 𝑑𝑓𝑊−𝑝+𝑟
𝐹 = 𝑟−𝑈 𝑏
dengan 𝑏 = max(𝑝, 𝑑𝑓𝐵), 𝑑𝑓𝐵 = 𝑔 − 1
𝐹~𝐹𝛼(𝑏𝑟,𝑟(𝑑𝑓𝑊−𝑝+𝑟))
Statistik uji Roy

Statistik uji bagi MANOVA yang ketiga seringkali sebagai atribut dari S.N. Roy (1906-1964) yang
telah dianjurkan oleh beberapa penulis (e.g., Harris, 2001, p. 231; Morrison, 1990, p. 209; Tatsuoka,
1988, p. 285 ) sebagai akar karakteristik terbesar atau nilai eigen (𝜆1 ) dari 𝐖 −𝟏 𝐁. Transformasi ke
statistik uji F sebagai
(𝑛−𝑏−1)𝜆1
𝐹= 𝑏
dengan 𝑛 adalah total pengamatan, 𝑏 = max(𝑝, 𝑑𝑓𝐵) dan 𝐹~𝐹𝛼(𝑏,𝑛−𝑏−1).
Statistik uji Hotelling-Lawley

Statistik uji bagi MANOVA yang keempat dikenal sebagai kriteria trace Hotelling-Lawley yang
diberikan sebagai berikut:
𝑉 = ∑𝑟𝑣=1 𝜆𝑣
dengan 𝜆𝑣 adalah nilai eigen ke-𝑣 dari 𝐖 −𝟏 𝐁. Transformasi ke statistik uji F sebagai
𝑟(𝑑𝑓𝑊−𝑝−1)+2
𝐹 = 𝑉( 𝑟2𝑏
)
dengan 𝐹~𝐹𝛼(𝑏𝑟,𝑟(𝑑𝑓𝑊−𝑝−1)+2).
6.3 Pengaruh multivariat
Uji multivariat memperhatikan perbedaan seluruh variabel dependen secara bersamaan,

sedangkan uji univariat mempertimbangkan perbedaan pada masing-masing variabel dependen
secara terpisah.
Apabila pengaruh multivariat itu signifikan yaitu ketika p-value < 0.05 maka H0 ditolak,
selanjutnya dapat dilanjutkan uji ANOVA pada masing-masing variabel dependen dengan level
𝛼 yang disesuaikan yaitu dengan koreksi Bonferroni, 𝛼/𝑝. Misal banyaknya variabel dependen
0.05
adalah 2, maka 2 = 0.025 menjadi level alpha yang baru untuk mengevaluasi masing-masing
variabel dependen.
Apabila pengaruh multivariat signifikan tetapi univariat tidak signifikan maka
▪ Jika hipotesis nol multivariat ditolak, maka secara umum setidaknya ada satu univariat
akan signifikan.
▪ Tetapi dimungkinkan bahwa hipotesis nol multivariat ditolak tetapi tidak pada
univariatnya.
▪ Timm (1975) menyatakan penolakan uji multivariat tidak menjamin bahwa ada setidaknya
satu F univariat signifikan.
▪ Uji keseluruhan F signifikan namun pada prosedur Tukey yang digunakan untuk
menentukan pasangan grup mana yang berbeda tidak ditemukan ada yang signifikan.
10
Kismiantini, Ph.D.
Effect size dalam MANOVA

Eta squared: 𝜂 2 = 1 − Λ
Partial eta squared: 𝜂𝑝2 = 1 − Λ1/𝑠
6.4 Ukuran sampel dan variabel dependen dalam MANOVA
Ketentuan ukuran sampel dalam MANOVA meliputi

1) Minimal ukuran sampel adalah banyaknya pengamatan per variabel dependen harus
melebihi banyaknya variabel dependen.
2) Hair, dkk (1998) menyatakan minimal 20 pengamatan per variabel dependen untuk
memperoleh level power minimum.
Ketentuan variabel dependen dalam MANOVA meliputi

1) Hotelling T2 atau MANOVA paling efisien bila korelasi negatif tinggi atau korelasi moderat
(0.6) antar variabel dependen (Tabachnick & Fidell, 2001).
2) Variabel dependen dengan korelasi positif tinggi adalah redundan. Solusi dari korelasi
kuat (0.8 atau 0.9) adalah (i) membuat satu komposit variabel dependen baru, (ii)
membuang satu atau lebih variabel dependen sebelum analisis.
3) Analisis multivariat sebaiknya tidak digunakan jika korelasi antar variabel dependen sangat
lemah. Gunakan ANOVA terpisah dengan penyesuaian Bonferroni.
4) Bartlett’s test of sphericity (p-value < 0.001) digunakan sebagai indikasi korelasi yang cukup
antar variabel dependen sehingga analisis multivariat dapat dilakukan.
Contoh 6-2 Studi Baumann

Para peneliti tertarik untuk membandingkan tiga strategi pengajaran pemahaman bacaan kepada
siswa kelas empat ("unit analisis"). Salah satu strategi adalah untuk mengajarkan siswa sejumlah
strategi pemantauan pemahaman bacaan. Pendekatan ini disebut “Think Aloud” (TA). Strategi
kedua diberi label “Directed Reading and Thinking Activity” (DRTA), yang mengharuskan siswa
membuat prediksi dan mengevaluasi prediksi mereka saat mereka membaca cerita. Strategi
ketiga, diberi label "Directed Reading Activity" (DRA), adalah kondisi kontrol yang diinstruksikan
menggunakan pendekatan umum untuk mengajar pemahaman bacaan. Setelah periode
intervensi, ukuran pada dua variabel hasil diperoleh. Variabel pertama adalah “Error Detection
Task” (EDT, Y1) dimana siswa diminta untuk mengidentifikasi inkonsistensi (kesalahan) dalam
sebuah bagian cerita. Variabel kedua diukur melalui "Degrees of Reading Power" (DRP, Y2) tes
standar pemahaman membaca. (reading.csv)
SOLUSI
Variabel dependen adalah EDT dan DRP, variabel independen adalah strategi pengajaran TA,
DRTA, dan DRA.

> read <- read.csv(file="C:/data/reading.csv")
> read$Group <- factor(read$Group)
> str(read)
11
Kismiantini, Ph.D.
'data.frame': 66 obs. of 3 variables:

$ Y1 : int 4 4 4 3 8 1 7 7 9 6 ...
$ Y2 : int 43 34 45 39 40 27 46 39 31 39 ...
$ Group: Factor w/ 3 levels "DRA","DRTA","TA": 3 3 3 3 3 3 3 3 3 3 ...
> levels(read$Group)
[1] "DRA" "DRTA" "TA"
Visualisasi data
Berikan interpretasi dari plot matriks ini!
Berikut kode R untuk menghasilkan plot matriks diatas.

> library(GGally)
> ggpairs(read, aes(colour=Group))
Korelasi antara variabel dependen
> cor.test(x = read$Y1, y = read$Y2)

Pearson's product-moment correlation
data: read$Y1 and read$Y2
t = 3.6341005, df = 64, p-value = 0.0005569497
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
0.1906402073 0.5959648520
sample estimates:
cor
0.4135894756
12
Kismiantini, Ph.D.
Koefisien korelasi antara Y1 dan Y2 adalah 0.41 yang berada pada kategori rendah, sehingga
MANOVA sebaiknya digunakan untuk analisis data.
Pengecekan asumsi normalitas
> #asumsi normalitas multivariat

> library(MVN)
> # Grup1: DRA
> DRA <- subset(read, Group == "DRA",select=c(Y1,Y2))
> mvn(data = DRA, mvnTest = "hz", univariateTest = "SW", univariatePlot =
"histogram", multivariatePlot = "qq", multivariateOutlierMethod = "adj",
showOutliers = FALSE, showNewData = FALSE)
$multivariateNormality
Test HZ p value MVN
1 Henze-Zirkler 0.6489414 0.102905 YES
$univariateNormality
Test Variable Statistic p value Normality
1 Shapiro-Wilk Y1 0.9529 0.3603 YES
$Descriptives
n Mean Std.Dev Median Min Max 25th 75th Skew Kurtosis
Y1 22 6.681818 2.766920 6.5 2 12 5.00 8.75 0.3158039 -0.9243863
Y2 22 42.045455 6.615115 40.5 31 54 37.25 48.50 0.2329739 -1.3430109
> # Grup2: DRTA

> DRTA <- subset(read, Group == "DRTA",select=c(Y1,Y2))
> mvn(data = DRTA, mvnTest = "hz", univariateTest = "SW", univariatePlot =
"histogram",multivariatePlot = "qq", multivariateOutlierMethod = "adj",
Test HZ p value MVN
1 Henze-Zirkler 1.221367 0.002212326 NO
1 Shapiro-Wilk Y1 0.8596 0.0051 NO
2 Shapiro-Wilk Y2 0.8219 0.0011 NO
$Descriptives
Y1 22 6.227273 2.091521 6 0 11 6.00 7 -0.6751286 2.2638115
Y2 22 46.636364 7.644142 49 27 55 45.25 51 -1.2718679 0.5329569
> # Grup3: TA
> TA <- subset(read, Group == "TA",select=c(Y1,Y2))
> mvn(data = TA, mvnTest = "hz", univariateTest = "SW", univariatePlot =
Test HZ p value MVN
13
Kismiantini, Ph.D.
$Descriptives
Y1 22 7.772727 3.927095 7 1 15 4.25 11.0 0.2252122 -1.2032715
Y2 22 43.454545 7.860251 42 27 55 39.00 51.5 -0.1878820 -0.9838386
Hipotesis:
H0: Data berdistribusi normal multivariat
H1: Data tidak berdistribusi normal multivariat
Grup Uji Henze-Zirkler
DRA HZ = 0.649
p-value = 0.103
DRTA HZ = 1.221
p-value = 0.002
TA HZ = 0.538
p-value = 0.212
Berdasarkan uji HZ, diperoleh semua p-value lebih dari 0.05 kecuali bagi grup DRTA. Kedua
variabel dependen EDT dan DRP mengikuti distribusi normal multivariat pada masing-masing
strategi pengajaran kecuali pada DRTA.
DRA DRTA TA
Pengecekan asumsi homogenitas matriks variansi-kovariansi

Misal 1: DRA, 2: DRTA, 3: TA
Hipotesis:
H0: 𝚺1 = 𝚺2 = 𝚺3
H1: ∃𝚺𝑖 ≠ 𝚺𝑗 , 𝑖 ≠ 𝑗; 𝑖, 𝑗 = 1,2,3
14
Kismiantini, Ph.D.
Taraf signifikansi: 𝛼 = 0.05

Statistik uji: Box’s M
𝐶 = (1 − 𝑢)𝑀 = (1 − 𝑢){[∑ℓ(𝑛ℓ − 1)]𝑙𝑛|𝐒𝑝𝑜𝑜𝑙𝑒𝑑 | − ∑ℓ[(𝑛ℓ − 1) ln|𝐒ℓ |]}
1
Kriteria keputusan: 𝜈 = 2 𝑝(𝑝 + 1)(𝑔 − 1) = ½ (2)(2 + 1)(3 − 1) = 6 maka 𝜒0.05(6)
2
= 12.592.
H0 ditolak jika C > 12.592
atau
H0 ditolak jika p-value < 0.05
> qchisq(p = 0.95, df = 6)
[1] 12.59159
Hitungan: C = 20.431 dan p-value = 0.002
Kesimpulan:
Oleh karena C = 20.431 > 12.592 (atau p-value = 0.002 < 0.05) maka 𝐻0 ditolak. Jadi pada taraf
signifikansi 0.05 dapat disimpulkan bahwa asumsi homogenitas matriks variansi-kovariansi tidak
terpenuhi.
Berikut kode R untuk uji homogenitas matriks variansi-kovariansi.
> library(biotools)
> boxM(data = read[,c("Y1","Y2")], grouping = read$Group)
Box's M-test for Homogeneity of Covariance Matrices
data: read[, c("Y1", "Y2")]

Chi-Sq (approx.) = 20.431, df = 6, p-value = 0.00232
Oleh karena salah satu asumsi normalitas multivariat tidak terpenuhi dan asumsi homogenitas
matriks variansi-kovariansi tidak terpenuhi maka tidak dapat dilanjutkan MANOVA.
Contoh 6-3 Studi tentang berbohong

Sebuah berita mengklaim bahwa anak-anak yang berbohong akan menjadi warga negara yang
sukses (http://bit.ly/ammQNT). Field tertarik karena meskipun artikel tersebut mengutip banyak
pekerjaan yang dilakukan dengan baik oleh Dr. Khang Lee yang menunjukkan bahwa anak-anak
berbohong, saya tidak dapat menemukan apa pun di dalamnya. penelitian yang mendukung
pernyataan wartawan bahwa anak-anak yang berbohong menjadi warga yang sukses. Bayangkan
alam semesta paralel seperti Huxley di mana pemerintah cukup bodoh untuk mempercayai isi
cerita surat kabar ini dan memutuskan untuk menerapkan program sistematis pengkondisian bayi.
Beberapa bayi dilatih tidak berbohong, yang lain diberi seperti biasa, dan kelompok terakhir
dilatih dalam seni berbohong. Tiga puluh tahun kemudian, mereka mengumpulkan data tentang
seberapa sukses anak-anak ini sebagai orang dewasa. Mereka mengukur gaji mereka, dan dua
indeks dari 10 (10 = sesukses mungkin, 0 = lebih beruntung dalam kehidupan Anda selanjutnya)
tentang seberapa sukses keluarga dan kehidupan kerja mereka. Datanya disimpang dalam file
Lying.sav. Gunakan MANOVA dan analisis fungsi diskriminan untuk mengetahui apakah
berbohong benar-benar membuat individu menjadi warga negara yang lebih baik.
15
Kismiantini, Ph.D.
SOLUSI
Variabel dependen adalah gaji, keluarga dan kehidupan kerja, sedangkan variabel independen
adalah intervensi berbohong (lying prevented, normal parenting, lying encouraged).

> library(foreign)
> d3 <- read.spss(file = "C:/data/lying.sav")
> d3 <- data.frame(d3)
> str(d3)
$ lying : Factor w/ 3 levels "Lying Prevented",..: 1 1 1 1 1 1 1 1 1 1 ...
$ salary: num 25754 27059 33673 24428 37358 ...
$ family: num 1 7 5 4 10 10 8 4 8 6 ...
$ work : num 3 9 5 2 6 6 4 2 2 3 ...
> levels(d3$lying)
[1] "Lying Prevented" "Normal Parenting" "Lying Encouraged"
Visualisasi data
Berikan interpretasi dari plot matriks ini!
Berikut kode R untuk menghasilkan plot matriks diatas.

> library(GGally)
> ggpairs(d3, aes(colour=lying))
16
Kismiantini, Ph.D.
Korelasi antara variabel dependen
Koefisien korelasi antara gaji dan keluarga adalah -0.076.

Koefisien korelasi antara gaji dan kehidupan kerja adalah 0.296.
Koefisien korelasi antara keluarga dan kehidupan kerja adalah 0.013.
Koefisien korelasi antar variabel dependen tergolong kategori sangat rendah, sehingga
MANOVA dapat sebagai alternatif dalam analisis data.
Pengecekan asumsi normalitas multivariat
> library(MVN)
> # Grup1: LP
> LP <- subset(d3, lying == "Lying Prevented",select=c(salary,family,work))
> mvn(data = LP, mvnTest = "hz", univariateTest = "SW", univariatePlot =
"histogram", multivariatePlot = "qq", multivariateOutlierMethod = "adj",
Test HZ p value MVN
1 Shapiro-Wilk salary 0.9439 0.4706 YES
2 Shapiro-Wilk family 0.9374 0.3861 YES
3 Shapiro-Wilk work 0.9423 0.4485 YES
$Descriptives
salary 14 28256.285714 8349.675852 26735.0 16410 48678 23741.75 31643.75 0.7546799 0.1860231
family 14 6.357143 2.898465 6.5 1 10 4.25 8.00 -0.3128536 -1.1787732
work 14 4.142857 2.178819 4.0 1 9 2.25 5.75 0.4938288 -0.5988875
> # Grup2: LP
> NP <- subset(d3, lying == "Normal Parenting",select=c(salary,family,work))
> mvn(data = NP, mvnTest = "hz", univariateTest = "SW", univariatePlot =
Test HZ p value MVN
$Descriptives
salary 14 30918.857143 5719.190931 32382 21207 39589 26264.75 35141.00 -0.2398961 -1.4348966
family 14 3.928571 2.368521 4 0 9 2.25 4.75 0.3689531 -0.4798087
work 14 6.214286 2.694112 7 1 10 4.50 7.00 -0.3864504 -0.8636588
17
Kismiantini, Ph.D.
> # Grup3: LE
> LE <- subset(d3, lying == "Lying Encouraged",select=c(salary,family,work))
> mvn(data = LE, mvnTest = "hz", univariateTest = "SW", univariatePlot =
Test HZ p value MVN
$Descriptives
salary 14 35411.571429 8110.985188 37125.5 18565 46398 30623.50 40912.25 -0.51170415 -0.8288422
family 14 3.214286 1.968153 3.0 0 6 1.50 5.00 -0.05162536 -1.4299518
work 14 6.642857 2.951066 6.5 2 10 4.25 9.75 -0.20861753 -1.5148856
Hipotesis:
H0: Data berdistribusi normal multivariat
H1: Data tidak berdistribusi normal multivariat
Grup Uji Henze-Zirkler
Lying HZ = 0.386
Prevented p-value = 0.883
Normal HZ = 0.517
Parenting p-value = 0.510
Lying HZ = 0.578
Encouraged p-value = 0.336
Berdasarkan uji Henze-Zirkler, diperoleh semua p-value lebih dari 0.05. Ketiga variabel dependen
mengikuti distribusi normal multivariat pada masing-masing intervensi berbohong.
Pengecekan asumsi homogenitas matriks variansi-kovariansi

Misal 1: Lying prevented, 2: Normal prevented, 3: Lying encouraged
Hipotesis:
H0: 𝚺1 = 𝚺2 = 𝚺3
H1: ∃𝚺𝑖 ≠ 𝚺𝑗 , 𝑖 ≠ 𝑗; 𝑖, 𝑗 = 1,2,3
Taraf signifikansi: 𝛼 = 0.05
Statistik uji: Box’s M
𝐶 = (1 − 𝑢)𝑀 = (1 − 𝑢){[∑ℓ(𝑛ℓ − 1)]𝑙𝑛|𝐒𝑝𝑜𝑜𝑙𝑒𝑑 | − ∑ℓ[(𝑛ℓ − 1) ln|𝐒ℓ |]}
1
Kriteria keputusan: 𝜈 = 2 𝑝(𝑝 + 1)(𝑔 − 1) = ½ (3)(3 + 1)(3 − 1) = 12 maka 𝜒0.05(12)
2
= 21.026.
18
Kismiantini, Ph.D.
H0 ditolak jika C > 21.026

atau
H0 ditolak jika p-value < 0.05
> qchisq(p = 0.95, df = 12)

[1] 21.02607
Hitungan: C = 13.366 dan p-value = 0.343

Kesimpulan:
Oleh karena C = 13.366 < 21.026 (atau p-value = 0.343 > 0.05) maka 𝐻0 tidak ditolak. Jadi pada
taraf signifikansi 0.05 dapat disimpulkan bahwa asumsi homogenitas matriks variansi-kovariansi
terpenuhi.
Berikut kode R untuk uji homogenitas matriks variansi-kovariansi.
> library(biotools)
> boxM(data = d3[,c("salary","family","work")], grouping = d3$lying)
Box's M-test for Homogeneity of Covariance Matrices
data: d3[, c("salary", "family", "work")]

Chi-Sq (approx.) = 13.366, df = 12, p-value = 0.343
Pengujian dalam MANOVA
Misal 1: Lying prevented, 2: Normal prevented, 3: Lying encouraged
Hipotesis:
H0: 𝛍𝟏 = 𝛍𝟐 = 𝛍𝟑 (Jenis intervensi berbohong tidak berpengaruh pada kesuksesan dalam gaji,
kehidupan keluarga dan kehidupan bekerja secara bersamaan)
H1: ∃𝛍i ≠ 𝛍j , 𝑖 ≠ 𝑗, 𝑖, 𝑗 = 1, 2, 3 (Jenis intervensi berbohong memiliki pengaruh pada kesuksesan
dalam gaji, kehidupan keluarga dan kehidupan bekerja secara bersamaan)
Pada data ini diperoleh, Pillai’s trace (F(6,76) = 3.979, 𝑝 = 0.002), Wilks’ lambda (F(6,74) = 4.513,
𝑝 = 0.001), Hotelling-Lawley (F(6,72) = 5.036 , 𝑝 = 0.000), dan Roy’s largest root (F(3,38) = 10.219,
𝑝 = 0.000) yang semua memenuhi kriteria signifikansi pada level 0.05. Oleh karena itu, dapat
disimpulkan bahwa jenis intervensi berbohong memiliki pengaruh yang signifikan terhadap
kesuksesan di kemudian hari.
Sifat efek ini tidak jelas dari statistik uji multivariat: ini tidak memberi tahu tentang kelompok mana
yang berbeda dari mana, atau tentang apakah efek intervensi berbohong pada kehidupan kerja,
kehidupan keluarga, gaji, atau kombinasi dari ketiganya.
19
Kismiantini, Ph.D.
> library(car)
> fit <- lm(cbind(salary,family,work)~lying,data=d3)
> table <- Manova(fit)
> summary(table,multivariate=TRUE)
Multivariate Tests: lying

Df test stat approx F num Df den Df Pr(>F)
Pillai 2 0.4781080 3.979280 6 76 0.00162564 **
Wilks 2 0.5359946 4.512801 6 74 0.00059890 ***
Hotelling-Lawley 2 0.8393792 5.036275 6 72 0.00023183 ***
Roy 2 0.8067661 10.219038 3 38 4.5388e-05 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Perlu pengecekan asumsi normalitas univariat dan homogenitas variansi.
Pengujian univariat
> summary.aov(fit)
Response salary :
lying 2 366202116 183101058 3.2655 0.04884 *
Residuals 39 2186786062 56071437
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Response family :
lying 2 76.0 38.000 6.3742 0.004025 **
Residuals 39 232.5 5.962
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Response work :
lying 2 50.048 25.0238 3.6241 0.03601 *
Residuals 39 269.286 6.9048
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Oleh karena pengaruh multivariat signifikan secara statistik maka dilanjutkan memeriksa uji F
univariat dengan koreksi Bonferroni terhadap level alpha (𝛼/𝑝=0.05/3=0.017). (𝑝 adalah
banyaknya variabel dependen).
Dari ouput diperoleh F(2,39) = 6.374 dan p-value = 0.004 (< 0.017) bagi variabel dependen
kehidupan keluarga, sehingga dengan taraf signifikansi 0.05 dapat disimpulkan ada pengaruh
intervensi berbohong terhadap kehidupan keluarga. Tidak ada pengaruh intervensi berbohong
terhadap gaji (F(2,39) = 3.266 dan p-value = 0.049 (>0.017)) dan kehidupan kerja (F(2,39) = 3.624
dan p-value = 0.036 (>0.017))
20
Kismiantini, Ph.D.
Analisis post-hoc Tukey’s HSD
> TukeyHSD(aov(family~lying,data=d3))
Tukey multiple comparisons of means
95% family-wise confidence level
Fit: aov(formula = family ~ lying, data = d3)
$lying
diff lwr upr p adj
Normal Parenting-Lying Prevented -2.4285714 -4.676913 -0.1802298 0.0317746
Lying Encouraged-Lying Prevented -3.1428571 -5.391199 -0.8945155 0.0043050
Lying Encouraged-Normal Parenting -0.7142857 -2.962627 1.5340559 0.7210105
Perbandingan kehidupan keluarga pada grup Normal Parenting dan Lying Prevented diperoleh
beda rata-rata -2.429. Pada taraf signifikansi 5% dapat disimpulkan bahwa ada perbedaan rata-
rata kehidupan keluarga pada kedua grup (p = 0.032) dengan rata-rata kehidupan keluarga pada
grup Normal Parenting lebih rendah dari Lying Prevented.
Perbandingan kehidupan keluarga pada grup Lying Encouraged dan Lying Prevented diperoleh
beda rata-rata -3.143. Pada taraf signifikansi 5% dapat disimpulkan bahwa ada perbedaan rata-
rata kehidupan keluarga pada kedua grup (p = 0.004) dengan rata-rata kehidupan keluarga pada
grup Lying Encouraged lebih rendah dari Lying Prevented.
Tidak ada perbedaan kehidupan keluarga pada grup Lying Encouraged dan Normal Parenting.
> par(mar = c(3, 15, 4, 8))

> plot(TukeyHSD(aov(family~lying,data=d3), conf.level = 0.95), las= 1)
21
Kismiantini, Ph.D.
Soal latihan
Seorang peneliti secara acak menetapkan 33 subjek ke salah satu dari tiga kelompok. Kelompok
pertama menerima informasi teknis diet secara interaktif dari situs online. Kelompok 2 menerima
informasi yang sama dari praktisi perawat, sedangkan kelompok 3 menerima informasi dari
rekaman video yang dibuat oleh praktisi perawat yang sama. Peneliti melihat tiga peringkat yang
berbeda dari presentasi yaitu kesulitan, kegunaan dan kepentingan, untuk menentukan apakah
ada perbedaan dalam model presentasi. Secara khusus, peneliti tertarik pada apakah situs web
interaktif lebih unggul karena itu adalah cara penyampaian informasi yang paling hemat biaya.
(interactive.sav). Gunakan taraf signifikansi 𝛼 = 0.05.
> library(foreign)
> inter <- read.spss(file = "C:/data/interactive.sav")
> inter <- data.frame(inter)
> inter$GROUP <- factor(inter$GROUP)
> str(inter)
$ GROUP : Factor w/ 3 levels "1","2","3": 1 1 1 1 1 1 1 1 1 1 ...
$ USEFUL : num 19.6 15.4 22.3 24.3 22.5 ...
$ DIFFICULTY: num 5.15 5.75 4.35 7.55 8.5 ...
$ IMPORTANCE: num 9.5 9.1 3.3 5 6 ...
a) Sebutkan variabel independen dan variabel dependen.

b) Lakukan visualisasi data.
c) Lakukan pengecekan asumsi normalitas multivariat pada setiap variabel untuk
setiap grup.
d) Lakukan pengecekan asumsi homogenitas matriks variansi-kovariansi dari
ketiga grup.
e) Apakah ada perbedaan signifikan rata-rata skor kegunaan, kesulitan, dan
kepentingan secara bersamaan dengan pemberian informasi diet?
f) Lakukan analisis variansi bila pengaruh multivariat signifikan.
g) Lakukan analisis post-hoc Tukey’s HSD bila ada pengaruh univariat signifikan.
22

BAB 6 Manova

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

BAB 6 Manova

Diunggah oleh

Hak Cipta:

Format Tersedia

Kismiantini, Ph.D.

Universitas Negeri Yogyakarta

6. BAB 6. Multivariate Analysis of Variance (MANOVA)

6.1 Analysis of Variance (ANOVA)

Prosedur pengujian ANOVA meliputi

Formula perhitungan jumlah kuadrat dalam ANOVA adalah

Berikut keterangan simbol-simbol yang digunakan di atas.

𝑦𝑖𝑗 = pengukuran ke-𝑗 yang diperoleh dari populasi ke-𝑖.

Asumsi-asumsi dalam pengujian ANOVA meliputi

Pengecekan asumsi homogenitas variansi dengan uji Bartlett

𝐻0 ditolak jika p-value < 𝛼

Pengecekan asumsi normalitas dengan uji Shapiro-Wilk

Contoh 6-1 Gangguan pada pembelajaran manusia

Berikut adalah data eksperimen.

Kontrol 30 Desibel 60 Desibel 90 Desibel

> Kata <- c(5,4,3,6,7,5,6,8,12,11,10,12,15,14,18,12)

Gambar 6-1 Plot jumlah kesalahan belajar berdasarkan level kebisingan

Pengecekan asumsi normalitas

> mod <- aov(Kata~Grup, data = d1)

Pengecekan asumsi homogenitas variansi

> bartlett.test(x = Kata, g = Grup, data = d1)

Misal 1: kontrol, 2: 30 desibel, 3: 60 desibel, 4: 90 desibel

> mod <- aov(Kata~Grup, data = d1)

> TukeyHSD(mod, conf.level = 0.95)

Fit: aov(formula = Kata ~ Grup, data = d1)

6.2 Pengertian dan kegunaan MANOVA

MANOVA tidak dapat digunakan ketika

Tabel 6-1 Kriteria derajat koefisien korelasi

Ukuran korelasi Interpretasi

6.2 Model multivariate analysis of variance (MANOVA)

Model MANOVA untuk perbandingan 𝑔 vektor rata-rata populasi

Suatu vektor pengamatan dapat dikomposisi seperti pada model.

Selanjutnya dijumlahkan perkalian silang terhadap ℓ dan j sehingga diperoleh berikut.

dengan 𝑔 adalah banyaknya grup.

Berikut adalah tabel MANOVA untuk perbandingan vektor rata-rata populasi

Tabel 6-2 Tabel MANOVA

Total (terkoreksi 𝐁+𝐖 ∑𝑔ℓ=1 𝑛ℓ − 1

dengan statistik Wilks’ lambda berada diantara 0 dan 1 (0 ≤ 𝛬∗ ≤ 1).

Tabel 6-3 Distribusi Wilks’ Lambda

Banyaknya Banyaknya Distribusi sampling dari data normal multivariat

Statistik uji Bartlett-Pillai

dengan 𝑟 = min(𝑝, 𝑑𝑓𝑊), 𝑑𝑓𝑊 = ∑ 𝑛ℓ − 𝑔

Statistik uji Roy

Statistik uji Hotelling-Lawley

6.3 Pengaruh multivariat

Uji multivariat memperhatikan perbedaan seluruh variabel dependen secara bersamaan,

Effect size dalam MANOVA

6.4 Ukuran sampel dan variabel dependen dalam MANOVA

Ketentuan ukuran sampel dalam MANOVA meliputi

Ketentuan variabel dependen dalam MANOVA meliputi

Contoh 6-2 Studi Baumann

Baca data ke program R.

'data.frame': 66 obs. of 3 variables:

Berikan interpretasi dari plot matriks ini!

Berikut kode R untuk menghasilkan plot matriks diatas.

Korelasi antara variabel dependen

> cor.test(x = read$Y1, y = read$Y2)

Pengecekan asumsi normalitas

> #asumsi normalitas multivariat

> # Grup2: DRTA

Grup Uji Henze-Zirkler

Pengecekan asumsi homogenitas matriks variansi-kovariansi

Taraf signifikansi: 𝛼 = 0.05