Pada bab ini akan dipelajari perbandingan tiga atau lebih grup dengan analysis of variance
(ANOVA) dan multivariate analysis of variance (MANOVA).
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
▪ 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.
1
Kismiantini, Ph.D.
Universitas Negeri Yogyakarta
𝑔 𝑔 𝑦2 𝑦..2
𝑆𝑆𝐵 = ∑ 2
⏟𝑖=1 𝑛𝑖 (𝑦̅𝑖. − 𝑦̅.. ) = (∑
𝑖.
)−
⏟ 𝑖=1 𝑛𝑖 𝑛
definisi formula perhitungan
𝑛𝑖 2
𝑆𝑆𝑊 =
𝑔
∑
⏟𝑖=1 ∑𝑗=1(𝑦𝑖𝑗 − 𝑦̅𝑖. ) = 𝑆𝑆𝑇 − 𝑆𝑆𝐵
⏟
definisi formula perhitungan
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
▪ Kriteria keputusan:
𝐻0 ditolak jika 𝑇 > 𝜒𝛼(𝑔−1)
2
2
Kismiantini, Ph.D.
Universitas Negeri Yogyakarta
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).
SOLUSI
Baca data ke program R.
3
Kismiantini, Ph.D.
Universitas Negeri Yogyakarta
Visualisasi data
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.
Universitas Negeri Yogyakarta
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.
Analisis variansi
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.
Universitas Negeri Yogyakarta
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).
$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.
Universitas Negeri Yogyakarta
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.
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.
Universitas Negeri Yogyakarta
Tabel 6-1 memuat aturan bagi interpretasi ukuran dari koefisien korelasi (Hinkle et al., 2003).
8
Kismiantini, Ph.D.
Universitas Negeri Yogyakarta
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|
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.
9
Kismiantini, Ph.D.
Universitas Negeri Yogyakarta
10
Kismiantini, Ph.D.
Universitas Negeri Yogyakarta
SOLUSI
Variabel dependen adalah EDT dan DRP, variabel independen adalah strategi pengajaran TA,
DRTA, dan DRA.
11
Kismiantini, Ph.D.
Universitas Negeri Yogyakarta
Visualisasi data
12
Kismiantini, Ph.D.
Universitas Negeri Yogyakarta
Koefisien korelasi antara Y1 dan Y2 adalah 0.41 yang berada pada kategori rendah, sehingga
MANOVA sebaiknya digunakan untuk analisis data.
$univariateNormality
Test Variable Statistic p value Normality
1 Shapiro-Wilk Y1 0.9529 0.3603 YES
2 Shapiro-Wilk Y2 0.9394 0.1924 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
$univariateNormality
Test Variable Statistic p value Normality
1 Shapiro-Wilk Y1 0.8596 0.0051 NO
2 Shapiro-Wilk Y2 0.8219 0.0011 NO
$Descriptives
n Mean Std.Dev Median Min Max 25th 75th Skew Kurtosis
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 =
"histogram",multivariatePlot = "qq", multivariateOutlierMethod = "adj",
showOutliers = FALSE, showNewData = FALSE)
$multivariateNormality
Test HZ p value MVN
1 Henze-Zirkler 0.5383072 0.2124723 YES
13
Kismiantini, Ph.D.
Universitas Negeri Yogyakarta
$univariateNormality
Test Variable Statistic p value Normality
1 Shapiro-Wilk Y1 0.9559 0.4104 YES
2 Shapiro-Wilk Y2 0.9502 0.3189 YES
$Descriptives
n Mean Std.Dev Median Min Max 25th 75th Skew Kurtosis
Y1 22 7.772727 3.927095 7 1 15 4.25 11.0 0.2252122 -1.2032715
Y2 22 43.454545 7.860251 42 27 55 39.00 51.5 -0.1878820 -0.9838386
Hipotesis:
H0: Data berdistribusi normal multivariat
H1: Data tidak berdistribusi normal multivariat
DRA HZ = 0.649
p-value = 0.103
DRTA HZ = 1.221
p-value = 0.002
TA HZ = 0.538
p-value = 0.212
Berdasarkan uji HZ, diperoleh semua p-value lebih dari 0.05 kecuali bagi grup DRTA. Kedua
variabel dependen EDT dan DRP mengikuti distribusi normal multivariat pada masing-masing
strategi pengajaran kecuali pada DRTA.
DRA DRTA TA
14
Kismiantini, Ph.D.
Universitas Negeri Yogyakarta
> library(biotools)
> boxM(data = read[,c("Y1","Y2")], grouping = read$Group)
Oleh karena salah satu asumsi normalitas multivariat tidak terpenuhi dan asumsi homogenitas
matriks variansi-kovariansi tidak terpenuhi maka tidak dapat dilanjutkan MANOVA.
15
Kismiantini, Ph.D.
Universitas Negeri Yogyakarta
SOLUSI
Variabel dependen adalah gaji, keluarga dan kehidupan kerja, sedangkan variabel independen
adalah intervensi berbohong (lying prevented, normal parenting, lying encouraged).
Visualisasi data
16
Kismiantini, Ph.D.
Universitas Negeri Yogyakarta
Koefisien korelasi antar variabel dependen tergolong kategori sangat rendah, sehingga
MANOVA dapat sebagai alternatif dalam analisis data.
> 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",
showOutliers = FALSE, showNewData = FALSE)
$multivariateNormality
Test HZ p value MVN
1 Henze-Zirkler 0.385621 0.8828649 YES
$univariateNormality
Test Variable Statistic p value Normality
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
n Mean Std.Dev Median Min Max 25th 75th Skew Kurtosis
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 =
"histogram",multivariatePlot = "qq", multivariateOutlierMethod = "adj",
showOutliers = FALSE, showNewData = FALSE)
$multivariateNormality
Test HZ p value MVN
1 Henze-Zirkler 0.5166583 0.5102122 YES
$univariateNormality
Test Variable Statistic p value Normality
1 Shapiro-Wilk salary 0.9368 0.3789 YES
2 Shapiro-Wilk family 0.9594 0.7130 YES
3 Shapiro-Wilk work 0.9259 0.2673 YES
$Descriptives
n Mean Std.Dev Median Min Max 25th 75th Skew Kurtosis
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.
Universitas Negeri Yogyakarta
> # Grup3: LE
> LE <- subset(d3, lying == "Lying Encouraged",select=c(salary,family,work))
> mvn(data = LE, mvnTest = "hz", univariateTest = "SW", univariatePlot =
"histogram",multivariatePlot = "qq", multivariateOutlierMethod = "adj",
showOutliers = FALSE, showNewData = FALSE)
$multivariateNormality
Test HZ p value MVN
1 Henze-Zirkler 0.5784588 0.3358132 YES
$univariateNormality
Test Variable Statistic p value Normality
1 Shapiro-Wilk salary 0.9579 0.6885 YES
2 Shapiro-Wilk family 0.9080 0.1475 YES
3 Shapiro-Wilk work 0.8971 0.1025 YES
$Descriptives
n Mean Std.Dev Median Min Max 25th 75th Skew Kurtosis
salary 14 35411.571429 8110.985188 37125.5 18565 46398 30623.50 40912.25 -0.51170415 -0.8288422
family 14 3.214286 1.968153 3.0 0 6 1.50 5.00 -0.05162536 -1.4299518
work 14 6.642857 2.951066 6.5 2 10 4.25 9.75 -0.20861753 -1.5148856
Hipotesis:
H0: Data berdistribusi normal multivariat
H1: Data tidak berdistribusi normal multivariat
Lying HZ = 0.386
Prevented p-value = 0.883
Normal HZ = 0.517
Parenting p-value = 0.510
Lying HZ = 0.578
Encouraged p-value = 0.336
Berdasarkan uji Henze-Zirkler, diperoleh semua p-value lebih dari 0.05. Ketiga variabel dependen
mengikuti distribusi normal multivariat pada masing-masing intervensi berbohong.
18
Kismiantini, Ph.D.
Universitas Negeri Yogyakarta
> library(biotools)
> boxM(data = d3[,c("salary","family","work")], grouping = d3$lying)
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.
Universitas Negeri Yogyakarta
> library(car)
> fit <- lm(cbind(salary,family,work)~lying,data=d3)
> table <- Manova(fit)
> summary(table,multivariate=TRUE)
Pengujian univariat
> summary.aov(fit)
Response salary :
Df Sum Sq Mean Sq F value Pr(>F)
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 :
Df Sum Sq Mean Sq F value Pr(>F)
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 :
Df Sum Sq Mean Sq F value Pr(>F)
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.
Universitas Negeri Yogyakarta
> TukeyHSD(aov(family~lying,data=d3))
Tukey multiple comparisons of means
95% family-wise confidence level
$lying
diff lwr upr p adj
Normal Parenting-Lying Prevented -2.4285714 -4.676913 -0.1802298 0.0317746
Lying Encouraged-Lying Prevented -3.1428571 -5.391199 -0.8945155 0.0043050
Lying Encouraged-Normal Parenting -0.7142857 -2.962627 1.5340559 0.7210105
Perbandingan kehidupan keluarga pada grup Normal Parenting dan Lying Prevented diperoleh
beda rata-rata -2.429. Pada taraf signifikansi 5% dapat disimpulkan bahwa ada perbedaan rata-
rata kehidupan keluarga pada kedua grup (p = 0.032) dengan rata-rata kehidupan keluarga pada
grup Normal Parenting lebih rendah dari Lying Prevented.
Perbandingan kehidupan keluarga pada grup Lying Encouraged dan Lying Prevented diperoleh
beda rata-rata -3.143. Pada taraf signifikansi 5% dapat disimpulkan bahwa ada perbedaan rata-
rata kehidupan keluarga pada kedua grup (p = 0.004) dengan rata-rata kehidupan keluarga pada
grup Lying Encouraged lebih rendah dari Lying Prevented.
Tidak ada perbedaan kehidupan keluarga pada grup Lying Encouraged dan Normal Parenting.
21
Kismiantini, Ph.D.
Universitas Negeri Yogyakarta
Soal latihan
Seorang peneliti secara acak menetapkan 33 subjek ke salah satu dari tiga kelompok. Kelompok
pertama menerima informasi teknis diet secara interaktif dari situs online. Kelompok 2 menerima
informasi yang sama dari praktisi perawat, sedangkan kelompok 3 menerima informasi dari
rekaman video yang dibuat oleh praktisi perawat yang sama. Peneliti melihat tiga peringkat yang
berbeda dari presentasi yaitu kesulitan, kegunaan dan kepentingan, untuk menentukan apakah
ada perbedaan dalam model presentasi. Secara khusus, peneliti tertarik pada apakah situs web
interaktif lebih unggul karena itu adalah cara penyampaian informasi yang paling hemat biaya.
(interactive.sav). Gunakan taraf signifikansi 𝛼 = 0.05.
> library(foreign)
> inter <- read.spss(file = "C:/data/interactive.sav")
> inter <- data.frame(inter)
> inter$GROUP <- factor(inter$GROUP)
> str(inter)
'data.frame': 33 obs. of 4 variables:
$ 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 ...
22